CN110705101A - 网络训练方法、车辆行驶方法及相关产品 - Google Patents
网络训练方法、车辆行驶方法及相关产品 Download PDFInfo
- Publication number
- CN110705101A CN110705101A CN201910944404.9A CN201910944404A CN110705101A CN 110705101 A CN110705101 A CN 110705101A CN 201910944404 A CN201910944404 A CN 201910944404A CN 110705101 A CN110705101 A CN 110705101A
- Authority
- CN
- China
- Prior art keywords
- real
- simulation
- vehicle
- data set
- scene
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012549 training Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000004088 simulation Methods 0.000 claims abstract description 212
- 230000015654 memory Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- 238000012952 Resampling Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了一种网络训练方法、车辆行驶方法及相关产品，该网络训练方法包括：控制仿真车辆在仿真场景中行驶，得到所述仿真车辆在行驶过程中采集的行驶数据集，其中，所述仿真车辆为真实车辆的仿真模型，所述仿真场景为真实场景的仿真模型；对所述行驶数据集中的数据进行修改，得到训练数据集；根据所述训练数据集训练控制网络，其中，所述控制网络用于控制所述真实车辆在所述真实场景中行驶。本申请有利于提高控制网络的识别精度。
Description
技术领域
本申请涉及计算机应用技术领域，具体涉及一种网络训练方法、车辆行驶方法及相关产品。
背景技术
目前，自动驾驶车辆通过图像传感器采集所行驶道路的图像，通过训练好的深度学习模型对采集到的图像进行识别，根据识别结果控制车辆行驶，从而实现自动驾驶。但是，在现实环境中采集无人驾驶车辆的行驶数据需耗费大量时间精力，其对应的解决方法是建立一个与实际行驶环境相仿的虚拟行驶环境，并在虚拟环境中采集大量的行驶数据，使用该行驶数据训练深度学习模型。
然而，由于虚拟行驶环境并不能完全模拟实际行驶环境，导致在虚拟行驶环境中采集到的行驶数据的质量、丰富程度和实际行驶环境存在较大的差异，导致训练出的深度学习模型无法对行驶场景作出准确的判断，进而影响驾驶安全。
发明内容
本申请实施例提供了一种网络训练方法、车辆行驶方法及相关产品，修改在仿真场景中采集行驶数据，从而使在仿真环境采集到的行驶数据符合车辆真实行驶时的数据，进而使训练后的控制网络识别精度高，进而提高驾驶安全。
第一方面，本申请实施例提供一种网络训练方法，包括：
控制仿真车辆在仿真场景中行驶，得到所述仿真车辆在行驶过程中采集的行驶数据集，其中，所述仿真车辆为真实车辆的仿真模型，所述仿真场景为真实场景的仿真模型；
对所述行驶数据集中的数据进行修改，得到训练数据集；
根据所述训练数据集训练控制网络，其中，所述控制网络用于控制所述真实车辆在所述真实场景中行驶。
在一些可能的实施方式中，在控制仿真车辆在仿真场景中行驶之前，所述方法还包括：
将仿真图像和真实图像进行比对，得到第一比对结果，其中，所述真实图像为在所述真实场景通过所述真实车辆的真实图像传感器拍摄得到的，所述仿真图像为在所述仿真场景通过所述仿真车辆的仿真图像传感器拍摄得到的，所述仿真图像传感器和所述真实图像传感器对应的拍摄参数相同；
根据所述第一比对结果调整所述仿真图像传感器的第一仿真参数。
在一些可能的实施方式中，所述仿真图像传感器在所述仿真场景中采集所述仿真图像的位置和角度，与所述真实图像传感器在所述真实场景中采集所述真实图像的位置和角度对应；所述第一仿真参数包括成像视角、分辨率、畸变系数、所述仿真图像传感器与所述仿真车辆的相对位置中的一个或多个。
在一些可能的实施方式中，在控制仿真车辆在仿真场景中行驶之前，所述方法还包括：
将仿真数据和真实数据进行比对，得到第二比对结果，所述真实数据为所述真实车辆按照预设行驶条件在所述真实场景中行驶得到的，所述仿真数据为控制所述仿真车辆按照所述预设行驶条件在所述仿真场景中行驶得到的；
根据所述第二比对结果调整所述仿真车辆的第二仿真参数。
在一些可能的实施方式中，所述第二仿真参数包括所述仿真车辆的转弯半径、速度和碰撞体积中的一个或多个。
在一些可能的实施方式中，所述控制仿真车辆在仿真场景中行驶，得到所述仿真车辆在行驶过程中采集的行驶数据集，包括：
控制所述仿真车辆在所述仿真场景中按照N种预设行驶状况行驶，通过所述仿真车辆的仿真图像传感器采集在行驶过程中与所述N种预设行驶状况对应的N中行驶数据；
将所述N种行驶数据组成为所述行驶数据集。
在一些可能的实施方式中，所述对所述行驶数据集中的数据进行修改，得到训练数据集，包括：
获取所述真实车辆在所述真实场景下的真实行驶状况；
根据所述真实行驶状况对所述行驶数据集中的数据进行修改，得到目标行驶数据集；
根据所述目标行驶数据集得到训练数据集。
根据所述真实行驶状况对所述行驶数据集中的数据进行修改，得到目标行驶数据集，包括以下方式中至少一种：
获取与所述真实行驶状况对应的偏置，根据所述偏置对所述行驶数据集中的数据进行修改，得到目标行驶数据集；
获取与所述真实行驶状况对应的图像噪声，根据所述图像噪声对所述行驶数据集中的数据进行修改，得到目标行驶数据集；
获取与所述真实行驶状况对应的采样频率，根据所述采样频率对所述第一行驶数据集中的数据进行重采样，得到目标行驶数据集。
在一些可能的实施方式中，述根据所述目标行驶数据集得到训练数据集，包括：
根据与控制网络对应的训练目的确定所述目标行驶数据集每种行驶数据的分布比例；
根据所述分布比例从所述目标行驶数据集中选出所述训练数据集。
第二方面，本申请实施例提供一种车辆行驶方法，包括：
获取真实车辆在真实场景下采集的目标图像；
通过权利要求1至9中训练得到的控制网络对所述目标图像的处理结果，控制所述真实车辆在所述真实场景下行驶。
第三方面，本申请实施例提供一网络训练装置，包括：
控制单元，用于控制仿真车辆在仿真场景中行驶，得到所述仿真车辆在行驶过程中采集的行驶数据集，其中，所述仿真车辆为真实车辆的仿真模型，所述仿真场景为真实场景的仿真模型；
调整单元，用于对所述行驶数据集中的数据进行修改，得到训练数据集；
训练单元，用于根据所述训练数据集训练控制网络，其中，所述控制网络用于控制所述真实车辆在所述真实场景中行驶。
在一些可能的实施方式中，所述调整单元，在所述控制单元控制仿真车辆在仿真场景中行驶之前，还用于，
将仿真图像和真实图像进行比对，得到第一比对结果，其中，所述真实图像为在所述真实场景通过所述真实车辆的真实图像传感器拍摄得到的，所述仿真图像为在所述仿真场景通过所述仿真车辆的仿真图像传感器拍摄得到的，所述仿真图像传感器和所述真实图像传感器对应的拍摄参数相同；
根据所述第一比对结果调整所述仿真图像传感器的第一仿真参数。
在一些可能的实施方式中，所述仿真图像传感器在所述仿真场景中采集所述仿真图像的位置和角度，与所述真实图像传感器在所述真实场景中采集所述真实图像的位置和角度对应；所述第一仿真参数包括成像视角、分辨率、畸变系数、所述仿真图像传感器与所述仿真车辆的相对位置中的一个或多个。
在一些可能的实施方式中，所述调整单元，在所述控制单元控制仿真车辆在仿真场景中行驶之前，还用于，
将仿真数据和真实数据进行比对，得到第二比对结果，所述真实数据为所述真实车辆按照预设行驶条件在所述真实场景中行驶得到的，所述仿真数据为控制所述仿真车辆按照所述预设行驶条件在所述仿真场景中行驶得到的；
根据所述第二比对结果调整所述仿真车辆的第二仿真参数。
在一些可能的实施方式中，所述第二仿真参数包括所述仿真车辆的转弯半径、速度和碰撞体积中的一个或多个。
在一些可能的实施方式中，在控制仿真车辆在仿真场景中行驶，得到所述仿真车辆在行驶过程中采集的行驶数据集方面，所述控制单元，具体用于：
控制所述仿真车辆在所述仿真场景中按照N种预设行驶状况行驶，通过所述仿真车辆的仿真图像传感器采集在行驶过程中与所述N种预设行驶状况对应的N中行驶数据；
将所述N种行驶数据组成为所述行驶数据集。
在一些可能的实施方式中，在对所述行驶数据集中的数据进行修改，得到训练数据集方面，所述调整单元，具体用于：
获取所述真实车辆在所述真实场景下的真实行驶状况；
根据所述真实行驶状况对所述行驶数据集中的数据进行修改，得到目标行驶数据集；
根据所述目标行驶数据集得到训练数据集。
在一些可能的实施方式中，在根据所述真实行驶状况对所述行驶数据集中的数据进行修改，得到目标行驶数据集方面，所述调整单元，具体用于执行以下方式中至少一种：
获取与所述真实行驶状况对应的偏置，根据所述偏置对所述行驶数据集中的数据进行修改，得到目标行驶数据集；
获取与所述真实行驶状况对应的图像噪声，根据所述图像噪声对所述行驶数据集中的数据进行修改，得到目标行驶数据集；
获取与所述真实行驶状况对应的采样频率，根据所述采样频率对所述第一行驶数据集中的数据进行重采样，得到目标行驶数据集。
在一些可能的实施方式中，在根据所述目标行驶数据集得到训练数据集方面，所述调整单元，具体用于：
根据与控制网络对应的训练目的确定所述目标行驶数据集每种行驶数据的分布比例；
根据所述分布比例从所述目标行驶数据集中选出所述训练数据集。
第四方面，本申请实施例提供一种车辆行驶装置，包括：
获取单元，用于获取真实车辆在真实场景下采集的目标图像；
控制单元，用于通过权利要求1至9中训练得到的控制网络对所述目标图像的处理结果，控制所述真实车辆在所述真实场景下行驶。
第五方面，本申请实施例提供一种电子设备，包括处理器、存储器、通信接口以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行如第一方面或第二方面所述的方法中的步骤的指令。
第六方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序使得计算机执行如第一方面或第二方面所述的方法。
第七方面，本申请实施例提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机可操作来使计算机执行如第一方面或第二方面所述的方法。
实施本申请实施例，具有如下有益效果：
可以看出，在本申请实施例中，控制仿真车辆在仿真场景中行驶，得到行驶数据集，对该行驶数据集进行修改，从而使修改后的行驶数据集中的数据更加符合车辆的真实行驶数据，故使用修改后的行驶数据集训练控制网络，可以提高控制网络的识别精度，进而使用该控制网络控制真实车辆行驶时，可提高行驶安全。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种网络训练方法的流程示意图；
图2为本申请实施例提供的一种网络训练装置的结构示意图；
图3为本申请实施例提供的一种车辆行驶装置的结构示意图；
图4为本申请实施例提供的一种网络训练装置的功能单元组成框图；
图5为本申请实施例提供的一种车辆行驶装置的功能单元组成框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结果或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
参阅图1，图1为本申请实施例提供的一种网络训练方法，该方法包括但不限于以下步骤：
101：控制仿真车辆在仿真场景中行驶，得到所述仿真车辆在行驶过程中采集的行驶数据集。
该仿真车辆为真实车辆的仿真模型，仿真场景为真实场景的仿真模型。
其中，该真实车辆为真实世界中所行驶的车辆，可以为支持自动驾驶的车辆，例如，轿车、卡车、摩托车、公共汽车、割草机、娱乐车、游乐场车辆、电车、高尔夫球车、火车和手推车，等等，也可以为人工驾驶车辆，本申请对此不做限定。仿真车辆为对真实车辆进行仿真，得到的仿真模型。
该真实场景为该真实车辆在真实世界中所行驶的场景，例如，该场景中的元素可包括车道、交通信号灯、交通牌、房屋、各种类型的真实车辆、行人，等等，本申请对此不做限定。仿真场景为对真实场景中的元素进行仿真，得到的仿真模型。
可以理解的是，在控制仿真车辆在仿真场景中行驶之前，将真实场景的地图元素类型输入到仿真器中创建该仿真场景，该地图元素类型包括车道、信号灯、交通牌、车道线、障碍物，等等；将真实车辆的车辆参数输入到该仿真器中创建该仿真车辆，该车辆参数包括车辆尺寸、转弯半径、碰撞体积、硬件配置(如摄像头的数目、摄像头类别，等等)，等等。其中，该仿真器可以为Unity3D引擎，具体创建过程为现有技术，不再叙述。
102：对所述行驶数据集中的数据进行修改，得到训练数据集。
具体来说，对行驶数据集中的数据进行重采样、添加偏置或添加图像噪声，得到目标行驶数据集，然后，从该目标行驶数据集中选出该训练数据集。
103：根据所述训练数据集训练控制网络。
控制网络用于控制真实车辆在真实场景中行驶。
具体来说，可将在真实车辆的自动驾驶***中使用训练后的控制网络，该自动驾驶***控制真实图像传感器采集道路图像，将该道路图像输入到该控制网络，得到对该道路图像的识别结果，根据该识别结果确定真实车辆的驾驶决策，根据该驾驶决策控制真实车辆行驶。
举例来说，如识别到道路图像中包含弯道，并获取到与弯道行驶对应的驾驶决策为将车辆的行驶速度控制在20km/h～40km/h范围内，获取真实车辆当前的行驶速度，如当前的行驶速度不在该范围内时，将速度调整到20km/h～40km/h范围内。
可以看出，在本申请实施方案中，通过创建仿真场景和仿真车辆，控制仿真车辆在仿真场景中行驶，从而可以采集到丰富的车辆行驶时的行驶数据；对该行驶数据进行修改，使该行驶数据更加符合车辆在真实场景行驶下的行驶数据，使用修改后的行驶数据来训练控制网络，从而使训练后的控制网络能够精确识别真实场景中的驾驶行为，进而提高了驾驶安全。
在一些可能的实施方式中，在控制仿真车辆在仿真场景中行驶之前，所述方法还包括：
将仿真图像和真实图像进行比对，得到第一比对结果，其中，所述真实图像为在所述真实场景通过所述真实车辆的真实图像传感器拍摄得到的，所述仿真图像为在所述仿真场景通过所述仿真车辆的仿真图像传感器拍摄得到的，所述仿真图像传感器和所述真实图像传感器对应的拍摄参数相同；根据所述第一比对结果调整所述仿真图像传感器的第一仿真参数。
该第一仿真参数包括成像视角、分辨率、畸变系数、所述仿真图像传感器与所述仿真车辆的相对位置中的一个或多个，其中，该成像视角用于表征仿真图像传感器所能拍摄到的区域范围，成像视角越大，所能拍摄到的区域范围越大；分辨率是指单位面积内的像素数量，即像素密度，通常情况下，的分辨率越高，图像越清晰；畸变系数，由径向畸变和切向畸变两种参数组成，由于镜头在拍摄会畸因为透视造成的图像失真，该畸变系数就是用来衡量，图像失真的程度。
仿真图像传感器在仿真场景中采集所述仿真图像的位置和角度，与真实图像传感器在所述真实场景中采集所述真实图像的位置和角度对应。即如在真实场景的位置A真实车辆的真实图像传感器拍摄真实图像，则需在仿真场景的位置A’通过仿真车辆的仿真图像传感器拍摄仿真图像，位置A’是位置A在仿真场景中所对应的仿真位置，且在拍摄时保证真实图像传感器和仿真图像传感器的拍摄角度一致。
此外，在拍摄仿真图像时，除了上述的拍摄位置以及拍摄角度和真实场景一致之外，其他拍摄参数也需要一致。例如，将仿真场景中的环境亮度设置与真实场景中的环境亮度一致，即真实图像传感器在真实场景中以何种方式拍摄，则仿真图像传感器在仿真场景中采用相同的方式进行拍摄。
举例来说，在真实场景中打印一张黑白相间的棋盘方格纸，将该棋盘方格纸置于真实车辆的图像传感器正前方d厘米处，进行图像拍摄，得到真实图像；在虚拟环境中建立同样规格的仿真棋盘方格纸，将该仿真棋盘方格纸放在仿真车辆的仿真图像传感器正前方d厘米处，进行图像拍摄，得到仿真图像；然后，将获取到的真实图像和仿真图像进行比对，根据两张图像中的方格数量调整仿真图像传感器的成像范围，根据两张图像的像素点数量调整仿真图像传感器的分辨率，根据真实图像得到真实图像传感器的真实畸变系数，根据仿真图像得到仿真图像传感器的仿真畸变系数，将真实畸变系数和仿真畸变系数进行比对，以调整该仿真图像传感器的畸变系数。
在本实施方案中，在采集行驶数据之前，先对仿真图像传感器的仿真参数进行调整(校正)，从而使仿真图像传感更加接近真实图像传感器，进而保证采集到的行驶数据更加符合车辆的真实行驶数据，提高所采集到的行驶数据的质量和真实性。
在一些可能的实施方式中，在控制仿真车辆在仿真场景中行驶之前，所述方法还包括：将仿真数据和真实数据进行比对，得到第二比对结果所述真实数据为所述真实车辆按照预设行驶条件在所述真实场景中行驶得到的，所述仿真数据为控制所述仿真车辆按照所述预设行驶条件在所述仿真场景中行驶得到的；根据所述第二比对结果调整所述仿真车辆的第二仿真参数。
该第二仿真参数包括仿真车辆的转弯半径、速度和碰撞体积中的一个或多个，其中，该转弯半径为仿真车辆在行驶过程中，由转向中心到前外转向轮与地面接触点的距离，速度为仿真在行驶过程中的行驶速度(如最大可行驶速度，等等)，碰撞体积为用于衡量在行驶过程中车辆撞到障碍物，发生形变的程度。
具体来说，在创建好仿真场景和仿真车辆后，获取真实车辆在预设行驶条件下行驶的真实数据，该真实数据在包括转弯半径、碰撞体积和速度中的一种或多种；控制仿真车辆按照该预设条件在仿真场景中行驶，得到行驶过程中的仿真数据，将真实数据和仿真数据进行比对，得到第二比对结果(数据差异性)，根据第二比对结果(数据差异性)调整仿真车辆的第二仿真参数。
下面以转弯半径为例具体说明调整仿真车辆的第二仿真参数的过程。
控制真实车辆在真实环境中按照第一速度转弯，获取转弯时的转弯半径；控制仿真车辆在仿真环境中也按照该第一速度转弯，并获取转弯时的转弯半径，将两个转弯半径进行比对，得到两个转弯半径的差值，根据该差值调整仿真车辆的转弯半径，以使该仿真车辆的转弯半径更加接近真实车辆。
在本示例中，对仿真车辆的仿真参数进行调整(校准)，从而使仿真车辆更加接近真实车辆，进而保证获得的行驶数据更加符合真实行驶时的数据，提高所采集到的行驶数据的质量和真实性。
在一些可能的实施方式中，控制仿真车辆在仿真场景中行驶，得到所述仿真车辆在行驶过程中采集的行驶数据集的实现过程可以为：
控制所述仿真车辆在所述仿真场景中按照N种预设行驶状况行驶，通过所述仿真车辆的仿真图像传感器采集在行驶过程中与所述N种预设行驶状况对应的N中行驶数据；将所述N种行驶数据组成为所述行驶数据集。
举例来说，该N种预设行驶状况可以包括：沿直线行驶(不包含信号灯)、偏离车道行驶调正、过信号灯行驶，弯道行驶，障碍物躲避行驶，等等。
需要说明的是，控制仿真车辆在不同预设行驶状况下重复行驶的次数不同，以便在不同行驶状况下所采集到的行驶数据量也不同。一般来讲，在真实环境中难以采集行驶数据的行驶状况对应的重复行驶次数的较多。例如，沿直线行驶(不包含信号灯)、偏离车道行驶调正、过信号灯行驶，弯道行驶，障碍物躲避行驶对应的重复行驶次数可依次增多。
此外，获取N种预设行驶状况所对应的N种行驶数据可以是连续的，也可是不连续，本申请对此不做限定。
其中，该行驶数据集中包括：仿真车辆的行驶速度、加减速度、转弯半径以及在行驶过程中仿真图像传感器所拍摄到的仿真图像。
在本示例中，在仿真环境下，采集各个预设行驶状况下的行驶数据，从而获取到真实环境难以采集的行驶数据，从而丰富了行驶数据的类型，进而增加训练数据集的丰富程度，使训练后的控制网络能够对真实车辆所在的各个行驶场景进行精准识别，进而提高驾驶安全。
在一些可能的实施方式中，对所述行驶数据集中的数据进行修改，得到训练数据集的实现过程可以为：
获取所述真实车辆在所述真实场景下的真实行驶状况；根据所述真实行驶状况对所述行驶数据集中的数据进行修改，得到目标行驶数据集，以使得到的目标数据集更加符合车辆得真实行驶数据；根据所述目标行驶数据集得到训练数据集。
在本示例中，获取与真实行驶状况对应的调整操作，使用该调整操作对行驶数据进行修改，得到目标行驶数据集，该调整操作包括以下方式中至少一种：
获取与所述真实行驶状况对应的偏置，根据所述偏置对所述行驶数据集中的数据进行修改，得到目标行驶数据集；
获取与所述真实行驶状况对应的图像噪声，根据所述图像噪声对所述行驶数据集中的数据进行修改，得到目标行驶数据集；
获取与所述真实行驶状况对应的采样频率，根据所述采样频率对所述第一行驶数据集中的数据进行重采样，得到目标行驶数据集。
下面以重采样、加偏置以及加图像噪声为例对修改训练数据集进行说明，但本申请并不对调整操作进行限定。
真实车辆在行驶时，因为自然环境因素以及图像传感器本身的拍摄误差，等诸多原因，导致所采集到的真实图像不可避免的会携带图像噪声，而在仿真场景中的图像传感器不受这些因素的影响。因此，确定该真实车辆在真实场景中行驶时，在拍摄真实图像时，真实图像中是否存在图像噪声(可以是随机噪声也可以是其他类型的噪声)，如是，获取与该真实图像对应的图像噪声，对仿真场景中采集到的仿真图像自动添加该图像噪声，从而使该仿真图像更加符合真实图像。
另外，真实车辆在行驶时，由于数据搜集能力有限，所采集到的行驶数据不可避免的与车辆的真实行驶数据之间存在误差，而在仿真场景中的数据搜集能力较强。因此，如确定在真实场景采集到的行驶数据存在误差，则可根据该误差确定偏置，然后，对仿真环境下采集到的行驶数据自动添加该偏置，以使仿真场景中的行驶数据更加符合真实行驶过程。
再者，如真实车辆在真实环境场景中无法及时转弯，则说明真实车辆无法及时识别出弯道；则可根据该转弯无法及时转弯的频次确定采样频率，使用该采样频率对上述行驶数据集与弯道行驶相关的数据进行重采样，得到第二行驶数据集，将第二行驶数据集和该第一行驶数据集组成目标行驶数据集，从而增加弯道行驶的数据，以增加与弯道行驶相关的训练数据。
进一步地，在得到目标行驶数据集后，可根据与控制网络对应的训练目的确定所述目标行驶数据集每种行驶数据的分布比例；根据所述分布比例从所述目标行驶数据集中选出所述训练数据集。
具体来说，获取该控制网络对应的训练目的，该控制网络的训练目的包括路径规划、驾驶决策、环境感知、执行控制，等等，本申请对此不作限定；根据该训练目的与样本分布比例的映射关系确定出目标行驶数据集每种行驶数据的分布比例；获取所需训练样本的总数量，根据该总数量以及该分布比例从该目标数据集中选出训练数据集。
举例来说，如训练目的为车道识别，而且主要用于弯道识别时，且确定出该训练目的对应的样本分布比例为：弯道行驶样本和直道行驶样本的比例为3:1，如所需的训练样本总数量为2000，则需要从上述目标行驶数据集中选出1500份弯道行驶数据和500份直道行驶数据，将这两份数据组成训练数据集。
在一些可能的实施方式中，本申请实施例还提供一种车辆行驶方法，该方法包括但不限于以下步骤：
获取真实车辆在真实场景下采集的目标图像；通过目标控制网络对所述目标图像的处理结果，控制所述真实车辆在所述真实场景下行驶。
其中，该目标控制网络为使用上述的训练数据集进行网络训练得到的，训练过程为现有技术中对神经网络网络的训练过程，不再叙述。
具体来说，通过真实车辆的真实图像传感器在行驶过程中进行目标图像的采集，然后，使用目标控制网络对目标图像进行处理，得到处理结果；根据处理结果与驾驶决策的映射关系控制车辆在真实场景下行驶。
可以看出，在本申请实施方案中使用目标控制网络对目标图像进行识别，由于控制网络由修改后的行驶数据行驶得到，而该修改后的行驶数据更加符合真实车辆的行驶数据，从而使用该目标控制网络可以精确识别该目标图像，进而做出准确的驾驶决策，提高驾驶安全。
图2为本申请实施例提供的一种网络训练装置200的结构示意图，如图2所示，该网络训练装置200包括处理器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序不同于上述一个或多个应用程序，且上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行以下步骤的指令：
控制仿真车辆在仿真场景中行驶，得到所述仿真车辆在行驶过程中采集的行驶数据集，其中，所述仿真车辆为真实车辆的仿真模型，所述仿真场景为真实场景的仿真模型；
对所述行驶数据集中的数据进行修改，得到训练数据集；
根据所述训练数据集训练控制网络，其中，所述控制网络用于控制所述真实车辆在所述真实场景中行驶。
在一些可能的实施方式中，在控制仿真车辆在仿真场景中行驶之前，上述程序还用于执行以下步骤的指令：
将仿真图像和真实图像进行比对，得到第一比对结果，其中，所述真实图像为在所述真实场景通过所述真实车辆的真实图像传感器拍摄得到的，所述仿真图像为在所述仿真场景通过所述仿真车辆的仿真图像传感器拍摄得到的，所述仿真图像传感器和所述真实图像传感器对应的拍摄参数相同；
根据所述第一比对结果调整所述仿真图像传感器的第一仿真参数。
在一些可能的实施方式中，所述仿真图像传感器在所述仿真场景中采集所述仿真图像的位置和角度，与所述真实图像传感器在所述真实场景中采集所述真实图像的位置和角度对应；所述第一仿真参数包括成像视角、分辨率、畸变系数、所述仿真图像传感器与所述仿真车辆的相对位置中的一个或多个。
在一些可能的实施方式中，在控制仿真车辆在仿真场景中行驶之前，上述程序还用于执行以下步骤的指令：
将仿真数据和真实数据进行比对，得到第二比对结果，所述真实数据为所述真实车辆按照预设行驶条件在所述真实场景中行驶得到的，所述仿真数据为控制所述仿真车辆按照所述预设行驶条件在所述仿真场景中行驶得到的；
根据所述第二比对结果调整所述仿真车辆的第二仿真参数。
在一些可能的实施方式中，所述第二仿真参数包括所述仿真车辆的转弯半径、速度和碰撞体积中的一个或多个。
在一些可能的实施方式中，在控制仿真车辆在仿真场景中行驶，得到所述仿真车辆在行驶过程中采集的行驶数据集方面，上述程序具体用于执行以下步骤的指令：
控制所述仿真车辆在所述仿真场景中按照N种预设行驶状况行驶，通过所述仿真车辆的仿真图像传感器采集在行驶过程中与所述N种预设行驶状况对应的N中行驶数据；
将所述N种行驶数据组成为所述行驶数据集。
在一些可能的实施方式中，在所述行驶数据集中的数据进行修改，得到训练数据集方面，上述程序具体用于执行以下步骤的指令：
获取所述真实车辆在所述真实场景下的真实行驶状况；
根据所述真实行驶状况对所述行驶数据集中的数据进行修改，得到目标行驶数据集；
根据所述目标行驶数据集得到训练数据集。
在一些可能的实施方式中，在根据所述真实行驶状况对所述行驶数据集中的数据进行修改，得到目标行驶数据集方面，上述程序具体用于执行以下方式中至少一种步骤的指令：
获取与所述真实行驶状况对应的偏置，根据所述偏置对所述行驶数据集中的数据进行修改，得到目标行驶数据集；
获取与所述真实行驶状况对应的图像噪声，根据所述图像噪声对所述行驶数据集中的数据进行修改，得到目标行驶数据集；
获取与所述真实行驶状况对应的采样频率，根据所述采样频率对所述第一行驶数据集中的数据进行重采样，得到目标行驶数据集。
在一些可能的实施方式中，在根据所述目标行驶数据集得到训练数据集方面，上述程序具体用于执行以下步骤的指令：
根据与控制网络对应的训练目的确定所述目标行驶数据集每种行驶数据的分布比例；
根据所述分布比例从所述目标行驶数据集中选出所述训练数据集。
图3为本申请实施例提供的一种车辆行驶装置300的结构示意图，如图3所示，该网络训练装置300包括处理器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序不同于上述一个或多个应用程序，且上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行以下步骤的指令：
获取真实车辆在真实场景下采集的目标图像；
通过上述网络训练装置200训练所得到的控制网络对所述目标图像的处理结果，控制所述真实车辆在所述真实场景下行驶。
参阅图4，图4示出了上述实施例中所涉及的一种网络训练装置400的一种可能的功能单元组成框图，网络训练装置400包括控制单元410、调整单元420、训练单元430，其中：
控制单元410，用于控制仿真车辆在仿真场景中行驶，得到所述仿真车辆在行驶过程中采集的行驶数据集，其中，所述仿真车辆为真实车辆的仿真模型，所述仿真场景为真实场景的仿真模型；
调整单元420，用于对所述行驶数据集中的数据进行修改，得到训练数据集；
训练单元430，用于根据所述训练数据集训练控制网络，其中，所述控制网络用于控制所述真实车辆在所述真实场景中行驶。
在一些可能的实施方式中，调整单元420，在控制单元410控制仿真车辆在仿真场景中行驶之前，还用于，
将仿真图像和真实图像进行比对，得到第一比对结果，其中，所述真实图像为在所述真实场景通过所述真实车辆的真实图像传感器拍摄得到的，所述仿真图像为在所述仿真场景通过所述仿真车辆的仿真图像传感器拍摄得到的，所述仿真图像传感器和所述真实图像传感器对应的拍摄参数相同；
根据所述第一比对结果调整所述仿真图像传感器的第一仿真参数。
在一些可能的实施方式中，所述仿真图像传感器在所述仿真场景中采集所述仿真图像的位置和角度，与所述真实图像传感器在所述真实场景中采集所述真实图像的位置和角度对应；所述第一仿真参数包括成像视角、分辨率、畸变系数、所述仿真图像传感器与所述仿真车辆的相对位置中的一个或多个。
在一些可能的实施方式中，调整单元420，在控制单元410控制仿真车辆在仿真场景中行驶之前，还用于，
将仿真数据和真实数据进行比对，得到第二比对结果，所述真实数据为所述真实车辆按照预设行驶条件在所述真实场景中行驶得到的，所述仿真数据为控制所述仿真车辆按照所述预设行驶条件在所述仿真场景中行驶得到的；
根据所述第二比对结果调整所述仿真车辆的第二仿真参数。
在一些可能的实施方式中，所述第二仿真参数包括所述仿真车辆的转弯半径、速度和碰撞体积中的一个或多个。
在一些可能的实施方式中，在控制仿真车辆在仿真场景中行驶，得到所述仿真车辆在行驶过程中采集的行驶数据集方面，控制单元410，具体用于：
控制所述仿真车辆在所述仿真场景中按照N种预设行驶状况行驶，通过所述仿真车辆的仿真图像传感器采集在行驶过程中与所述N种预设行驶状况对应的N中行驶数据；
将所述N种行驶数据组成为所述行驶数据集。
在一些可能的实施方式中，在对所述行驶数据集中的数据进行修改，得到训练数据集方面，调整单元420，具体用于：
获取所述真实车辆在所述真实场景下的真实行驶状况；
根据所述真实行驶状况对所述行驶数据集中的数据进行修改，得到目标行驶数据集；
根据所述目标行驶数据集得到训练数据集。
在一些可能的实施方式中，在根据所述真实行驶状况对所述行驶数据集中的数据进行修改，得到目标行驶数据集方面，调整单元420，具体用于执行以下方式中至少一种：
获取与所述真实行驶状况对应的偏置，根据所述偏置对所述行驶数据集中的数据进行修改，得到目标行驶数据集；
获取与所述真实行驶状况对应的图像噪声，根据所述图像噪声对所述行驶数据集中的数据进行修改，得到目标行驶数据集；
获取与所述真实行驶状况对应的采样频率，根据所述采样频率对所述第一行驶数据集中的数据进行重采样，得到目标行驶数据集。
在一些可能的实施方式中，在根据所述目标行驶数据集得到训练数据集方面，调整单元420，具体用于：
根据与控制网络对应的训练目的确定所述目标行驶数据集每种行驶数据的分布比例；
根据所述分布比例从所述目标行驶数据集中选出所述训练数据集。
参阅图5，图5示出了上述实施例中所涉及的一种车辆行驶装置500的一种可能的功能单元组成框图，网络训练装置500包括获取单元510和控制单元520，其中：
获取单元510，用于获取真实车辆在真实场景下采集的目标图像；
控制单元520，用于通过上述网络训练装置400训练得到的控制网络对所述目标图像的处理结果，控制所述真实车辆在所述真实场景下行驶。
本申请实施例还提供一种计算机存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现如上述方法实施例中记载的任何一种方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种方法的部分或全部步骤。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种网络训练方法，其特征在于，包括：
控制仿真车辆在仿真场景中行驶，得到所述仿真车辆在行驶过程中采集的行驶数据集，其中，所述仿真车辆为真实车辆的仿真模型，所述仿真场景为真实场景的仿真模型；
对所述行驶数据集中的数据进行修改，得到训练数据集；
根据所述训练数据集训练控制网络，其中，所述控制网络用于控制所述真实车辆在所述真实场景中行驶。
2.根据权利要求1所述的方法，其特征在于，所述在控制仿真车辆在仿真场景中行驶之前，所述方法还包括：
将仿真图像和真实图像进行比对，得到第一比对结果，其中，所述真实图像为在所述真实场景通过所述真实车辆的真实图像传感器拍摄得到的，所述仿真图像为在所述仿真场景通过所述仿真车辆的仿真图像传感器拍摄得到的，所述仿真图像传感器和所述真实图像传感器对应的拍摄参数相同；
根据所述第一比对结果调整所述仿真图像传感器的第一仿真参数。
3.根据权利要求1或2所述的方法，其特征在于，所述控制仿真车辆在仿真场景中行驶，得到所述仿真车辆在行驶过程中采集的行驶数据集，包括：
控制所述仿真车辆在所述仿真场景中按照N种预设行驶状况行驶，通过所述仿真车辆的仿真图像传感器采集在行驶过程中与所述N种预设行驶状况对应的N中行驶数据；
将所述N种行驶数据组成为所述行驶数据集。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述对所述行驶数据集中的数据进行修改，得到训练数据集，包括：
获取所述真实车辆在所述真实场景下的真实行驶状况；
根据所述真实行驶状况对所述行驶数据集中的数据进行修改，得到目标行驶数据集；
根据所述目标行驶数据集得到训练数据集。
5.根据权利要求4所述的方法，其特征在于，所述根据所述目标行驶数据集得到训练数据集，包括：
根据与控制网络对应的训练目的确定所述目标行驶数据集每种行驶数据的分布比例；
根据所述分布比例从所述目标行驶数据集中选出所述训练数据集。
6.一种车辆行驶方法，其特征在于，包括；
获取真实车辆在真实场景下采集的目标图像；
通过权利要求1至5中训练得到的控制网络对所述目标图像的处理结果，控制所述真实车辆在所述真实场景下行驶。
7.一种网络训练装置，其特征在于，包括：
控制单元，用于控制仿真车辆在仿真场景中行驶，得到所述仿真车辆在行驶过程中采集的行驶数据集，其中，所述仿真车辆为真实车辆的仿真模型，所述仿真场景为真实场景的仿真模型；
调整单元，用于对所述行驶数据集中的数据进行修改，得到训练数据集；
训练单元，用于根据所述训练数据集训练控制网络，其中，所述控制网络用于控制所述真实车辆在所述真实场景中行驶。
8.一种车辆行驶装置，其特征在于，包括：
获取单元，用于获取真实车辆在真实场景下采集的目标图像；
控制单元，用于通过权利要求1至9中训练得到的控制网络对所述目标图像的处理结果，控制所述真实车辆在所述真实场景下行驶。
9.一种电子设备，其特征在于，包括处理器、存储器、通信接口以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行权利要求1-5任一项或权利要求6所述方法中的步骤的指令。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1-5任一项或权利要求6所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910944404.9A CN110705101A (zh) | 2019-09-30 | 2019-09-30 | 网络训练方法、车辆行驶方法及相关产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910944404.9A CN110705101A (zh) | 2019-09-30 | 2019-09-30 | 网络训练方法、车辆行驶方法及相关产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110705101A true CN110705101A (zh) | 2020-01-17 |
Family
ID=69197739
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910944404.9A Pending CN110705101A (zh) | 2019-09-30 | 2019-09-30 | 网络训练方法、车辆行驶方法及相关产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110705101A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111382870A (zh) * | 2020-03-06 | 2020-07-07 | 商汤集团有限公司 | 训练神经网络的方法以及装置 |
| CN112256589A (zh) * | 2020-11-11 | 2021-01-22 | 腾讯科技（深圳）有限公司 | 一种仿真模型的训练方法、点云数据的生成方法及装置 |
| CN112836395A (zh) * | 2021-03-10 | 2021-05-25 | 北京车和家信息技术有限公司 | 一种车辆行驶数据模拟方法、装置、电子设备及存储介质 |
| CN116225024A (zh) * | 2023-04-11 | 2023-06-06 | 酷黑科技（北京）有限公司 | 数据处理方法、装置及自动驾驶台架 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544351A (zh) * | 2013-10-25 | 2014-01-29 | 北京世纪高通科技有限公司 | 一种对仿真模型调整参数的方法及装置 |
| CN106503393A (zh) * | 2016-11-15 | 2017-03-15 | 浙江大学 | 一种利用仿真生成样本实现无人车自主行进的方法 |
| CN109747659A (zh) * | 2018-11-26 | 2019-05-14 | 北京汽车集团有限公司 | 车辆驾驶的控制方法和装置 |
| CN109886198A (zh) * | 2019-02-21 | 2019-06-14 | 百度在线网络技术（北京）有限公司 | 一种信息处理方法、装置及存储介质 |
-
2019
- 2019-09-30 CN CN201910944404.9A patent/CN110705101A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103544351A (zh) * | 2013-10-25 | 2014-01-29 | 北京世纪高通科技有限公司 | 一种对仿真模型调整参数的方法及装置 |
| CN106503393A (zh) * | 2016-11-15 | 2017-03-15 | 浙江大学 | 一种利用仿真生成样本实现无人车自主行进的方法 |
| CN109747659A (zh) * | 2018-11-26 | 2019-05-14 | 北京汽车集团有限公司 | 车辆驾驶的控制方法和装置 |
| CN109886198A (zh) * | 2019-02-21 | 2019-06-14 | 百度在线网络技术（北京）有限公司 | 一种信息处理方法、装置及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 林丹丹等: "红外场景产生技术及应用研究", 《红外技术》 * |
| 王少丹等: "基于GPU的红外传感器频域物理效应实时仿真方法研究", 《中国体视学与图像分析》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111382870A (zh) * | 2020-03-06 | 2020-07-07 | 商汤集团有限公司 | 训练神经网络的方法以及装置 |
| CN112256589A (zh) * | 2020-11-11 | 2021-01-22 | 腾讯科技（深圳）有限公司 | 一种仿真模型的训练方法、点云数据的生成方法及装置 |
| CN112836395A (zh) * | 2021-03-10 | 2021-05-25 | 北京车和家信息技术有限公司 | 一种车辆行驶数据模拟方法、装置、电子设备及存储介质 |
| CN116225024A (zh) * | 2023-04-11 | 2023-06-06 | 酷黑科技（北京）有限公司 | 数据处理方法、装置及自动驾驶台架 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110705101A (zh) | 网络训练方法、车辆行驶方法及相关产品 | |
| CN111291676B (zh) | 一种基于激光雷达点云和相机图像融合的车道线检测方法及装置和芯片 | |
| CN108508881B (zh) | 自动驾驶控制策略调整方法、装置、设备及存储介质 | |
| CN110188482B (zh) | 一种基于智能驾驶的测试场景创建方法及装置 | |
| US11694388B2 (en) | System and method for generating large simulation data sets for testing an autonomous driver | |
| CN111401133A (zh) | 目标数据增广方法、装置、电子设备和可读存储介质 | |
| CN108345840A (zh) | 在低光条件下检测车辆 | |
| CN110667474B (zh) | 通用障碍物检测方法、装置与自动驾驶*** | |
| CN111797526A (zh) | 一种仿真测试场景构建方法及装置 | |
| CN113255578B (zh) | 交通标识的识别方法及装置、电子设备和存储介质 | |
| CN111325136B (zh) | 智能车辆中物体对象的标注方法及装置、无人驾驶车辆 | |
| CN107944425A (zh) | 道路标志的识别方法和装置 | |
| CN111091023A (zh) | 一种车辆检测方法、装置及电子设备 | |
| CN113256739A (zh) | 车载bsd摄像头的自标定方法、设备和存储介质 | |
| CN111243125A (zh) | 一种车辆打卡方法、装置、设备及介质 | |
| CN113989772A (zh) | 一种交通灯检测方法、装置、车辆和可读存储介质 | |
| CN112509321A (zh) | 一种基于无人机的城市复杂交通情景的驾驶控制方法、***及可读存储介质 | |
| CN110727269B (zh) | 车辆控制方法及相关产品 | |
| CN109101908B (zh) | 驾驶过程感兴趣区域检测方法及装置 | |
| CN114693722A (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
| CN114926724A (zh) | 数据处理方法、装置、设备及存储介质 | |
| CN110942010B (zh) | 基于车载摄像头确定路面起伏状态的检测方法及装置 | |
| CN112966622A (zh) | 一种停车场语义地图完善方法、装置、设备和介质 | |
| CN112184605A (zh) | 一种车辆驾驶视野增强方法、设备及*** | |
| CN116802581A (zh) | 基于航测数据的自动驾驶感知***测试方法、***及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200117 |