CN111982137A - 生成路线规划模型的方法、装置、设备和存储介质 - Google Patents
生成路线规划模型的方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111982137A CN111982137A CN202010621949.9A CN202010621949A CN111982137A CN 111982137 A CN111982137 A CN 111982137A CN 202010621949 A CN202010621949 A CN 202010621949A CN 111982137 A CN111982137 A CN 111982137A
- Authority
- CN
- China
- Prior art keywords
- target
- route data
- route
- model
- route planning
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000012549 training Methods 0.000 claims abstract description 114
- 238000005457 optimization Methods 0.000 claims abstract description 85
- 238000006243 chemical reaction Methods 0.000 claims description 43
- 230000007613 environmental effect Effects 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 description 30
- 238000010586 diagram Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3476—Special cost functions, i.e. other than distance or default speed limit of road segments using point of interest [POI] information, e.g. a route passing visible POIs
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3679—Retrieval, searching and output of POI information, e.g. hotels, restaurants, shops, filling stations, parking facilities
- G01C21/3685—Retrieval, searching and output of POI information, e.g. hotels, restaurants, shops, filling stations, parking facilities the POI's being parking facilities
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/06—Automatic manoeuvring for parking
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
- B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/10—Historical data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
- B60Y2300/00—Purposes or special features of road vehicle drive control systems
- B60Y2300/10—Path keeping
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D15/00—Steering not otherwise provided for
- B62D15/02—Steering position indicators ; Steering position determination; Steering aids
- B62D15/027—Parking aids, e.g. instruction means
- B62D15/0285—Parking performed automatically
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Social Psychology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Navigation (AREA)
Abstract
根据本公开的示例实施例,提供了生成路线规划模型的方法、装置、设备和存储介质,涉及自动驾驶、自主泊车领域。生成路线规划模型的方法包括获取与目标场地相关联的目标路线数据集;基于所述目标路线数据集和第一路线规划模型,利用与所述目标场地相对应的场地优化目标,确定所述目标场地的目标路线规划模型;其中所述第一路线规划模型是基于历史路线数据集、至少利用第一训练而确定的,所述历史路线数据集与不同于所述目标场地的多个场地相关联,所述第一训练的第一训练优化目标与所述多个场地相对应。以此方式,使得对目标场地数据采集的次数能够减少。
Description
技术领域
本公开的实施例涉及自动驾驶技术领域,特别地,涉及自主泊车领域, 并且更具体地,涉及生成路线规划模型的方法、装置、设备和计算机可读 存储介质。
背景技术
随着自动驾驶技术的发展,目前已经可以基于机器学习技术来执行多 种驾驶任务。例如,已经可以利用机器学习技术来执行诸如自主泊车的路 线规划。然而,由于自主泊车所面对的场景的多样性,并且所面对的场地 的环境因素有可能各不相同。此时,如何能够以较少的训练数据,来实现 针对不同场地的路线规划,成为一个研究的热点。
发明内容
根据本公开的示例实施例,提供了一种生成路线规划模型的方案。
根据本公开的第一方面,提供了一种生成路线规划模型的方法。该方 法包括获取与目标场地相关联的目标路线数据集。该方法还包括基于目标 路线数据集和第一路线规划模型,利用与目标场地相对应的场地优化目 标,确定目标场地的目标路线规划模型,其中第一路线规划模型是基于历 史路线数据集、至少利用第一训练而确定的,历史路线数据集与不同于目 标场地的多个场地相关联,第一训练的第一训练优化目标与多个场地相对应。
根据本公开的第二方面,提供了一种确定交通工具的轨迹的方法,该 方法包括获取目标场地的当前路线数据,所述当前路线数据利用所述交通 工具的至少一个传感器而被获取。该方法还包括基于根据本公开的第一方 面所述的方法确定的目标路线规划模型、以及当前路线数据,确定交通工 具的轨迹。
根据本公开的第三方面,提供了一种用于生成路线规划模型的装置。 该装置包括数据获取模块,被配置为获取与目标场地相关联的目标路线数 据集。该装置还包括目标路线规划模型确定模块,被配置为基于目标路线 数据集和第一路线规划模型,利用与目标场地相对应的场地优化目标,确 定目标场地的目标路线规划模型。其中第一路线规划模型是基于历史路线 数据集、至少利用第一训练而确定的,历史路线数据集与不同于目标场地的多个场地相关联,第一训练的第一训练优化目标与多个场地相对应。
根据本公开的第四方面,提供了一种交通工具,该交通工具包括当前 路线数据获取模块,被配置为利用交通工具的至少一个传感器,获取目标 场地的当前路线数据。该交通工具还包括轨迹确定模块,被配置为基于根 据本公开的第一方面的方法确定的目标路线规划模型、以及当前路线数 据,确定交通工具的轨迹。
根据本公开的第五方面,提供了一种电子设备,包括:至少一个处理 器;以及与至少一个处理器通信连接的存储器;其中,该存储器存储有可 被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少 一个处理器能够执行根据本公开的第一方面所述的方法。
根据本公开的第六方面,提供了一种存储有计算机指令的非瞬时计算 机可读存储介质,该计算机指令用于使计算机执行根据本公开的第一方面 所述的方法。
本公开的实施例能够改进生成路线规划模型的效率。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施 例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将 通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、 优点及方面将变得更加明显。在附图中,相同或相似的附图标注表示相同 或相似的元素,其中:
图1示出了本公开的多个实施例能够在其中实现路线规划模型生成 的示例环境100的示意图;
图2示出了根据本公开的一些实施例的用于生成路线规划模型的方 法200的流程图;
图3示出了根据本公开的一些实施例的用于获取目标路线数据集的 过程300的示意图;
图4示出了根据本公开的一些实施例的用于确定第一路线规划模型 的过程400的示意图;
图5示出了根据本公开的一些实施例的用于确定目标路线规划模型 的过程500的示意图;
图6示出了根据本公开的一些实施例的用于生成路线规划模型的装 置600的示意框图;
图7示出了根据本公开的一些实施例的用于确定交通工具的轨迹的 方法700的示意图;
图8示出了根据本公开的一些实施例的交通工具800的示意框图;以 及
图9示出了能够实施本公开的多个实施例的电子设备900的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实 施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本 领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和 修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的 描述中省略了对公知功能和结构的描述。
在本公开的实施例的描述中,术语“包括”及其类似用语应当理解为开 放性包含,即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。 术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第 一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明 确的和隐含的定义。
在低速学习型自主泊车场景中,对于路线规划问题,一类方案是基于 优化算法,这类方案的可以规划出较为复杂的路线,但是需要依赖高精地 图和交通工具110的高精度定位。一类是基于神经网络的方案,其可以在 低成本、相对封闭的较为简单的场地中利用,例如,基于深度神经网络的 端到端解决方案的传统做法是将传感器原始数据(诸如图像和激光点云), 输入到训练好的模型(诸如神经网络)进行计算,然后直接输出交通工具 110的控制参数,诸如转角,刹车和油门的控制量等,这类方案不依赖高 精地图,成本低。在自主泊车应用中,这种方案面临的问题是,训练模型 所需要的训练数据较多,需要用户对于一个场地的一条路线采集数十趟路 线数据才能得到一个稳定的巡航网络,而当路线或场地改变时,则不得不 再次采集针对新的场地或路线的数据集,并且再次执行训练过程,这势必 影响用户体验。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个 问题,本公开的实施例提出了一种生成目标路线规划模型的技术方案。在 该方案中,提出了针对目标场地的场地优化目标和针对多个已知场地的第 一训练优化目标的概念。在此目标场地可以指不同于多个已知场地的场 地。
利用本公开的实施例,可以基于针对多个已知场地的第一路线规划模 型,来生成目标场地中的目标路线规划模型。以此方式,可以基于已经存 在、但与目标场地不相关的历史路线数据,朝向场地优化目标进行优化, 使得利用包含少量目标路线数据的目标路线数据集进行进一步处理成为 可能。因此,本公开的方案能够有利地以更为简单并且有效的方式获得目 标场地中的目标路线规划模型,从而可以缓解难以获得目标场地中的大量 训练样本的问题。
以下将参照附图来具体描述本公开的实施例。
图1示出了本公开的多个实施例能够在其中实现的示例环境100的示 意图。如图1所示,在环境100中,交通工具110正行驶在诸如停车场的 目标场地120上,其中该停车场可以为室外停车场或室内停车场。在一些 实施例中,交通工具110可以是配备一定自动驾驶能力(例如自主泊车能 力)的交通工具110,其中自动驾驶能力可以包括但不限于辅助驾驶能力、 半自动驾驶能力、高度自动驾驶能力或者完全自动驾驶能力。交通工具110 可以通过固定或安装在其上的图像采集装置115来捕获周围环境的多个实 时图像。图像采集装置115至少包括一个传感器,在一些实施例中,图像 采集装置115可以为具有一个或多个广角或者超广角的摄像头,这些摄像 头能够捕获周围环境360度内的场景。备选地,图像采集装置115也可以 采用可旋转的结构,以便可旋转地检测交通工具110外部多个方向的实时 场景。在一些实施例中,图像采集装置115采用L3级自动驾驶传感器的 配置,其可以包括一个前向广角摄像头,四个鱼眼摄像头。L3是指特定 场景下的自动驾驶,在交通工具110进行动态行驶时,在用户的同意下, 自动驾驶***能整个介入交通工具110行驶,用户可以随时对交通工具 110在自动驾驶行驶时出现的错误进行修正。以及相应的驾驶员行驶的轨 迹点数据,并将目标路线数据130发送给计算设备150进行进一步处理。
计算设备150可以是远程服务器或云,其能够根据各种数据(至少包 括目标路线数据130和历史路线数据集140)、以及机器学习模型进行训 练。例如,计算设备150可以将驾驶员行驶的轨迹点数据投影到每一张采 集的图像上,将图像输入到机器学习模型中,而后输出投影在这张图像上 的轨迹点。换言之,所学习的是图像到轨迹点的映射。计算设备150可以 执行本文中参考图2-图6所描述的过程,使得该映射更为准确,以获取最 终的目标路线规划模型160。
机器学习模型的示例可以为神经网络模型,例如卷积神经网络模型 (CNN)、循环神经网络(RNN),等等。在利用目标路线数据130进行训 练之前,计算设备150可以利用历史路线数据集140进行预训练,以便使 生成最终的目标路线规划模型160所需要的目标路线数据130的数据量减 少。可以理解的是,历史路线数据集140包括在已知的多个场地中已经采 集过的多趟路线数据,该多个场地不同于目标场地120,因此历史路线数 据集140可以已经被存储在针对计算设备150的存储设备上。在预训练之 后,计算设备150能够利用少量的目标路线数据130进行训练,然后获取 目标路线规划模型160。目标路线规划模型160可以被部署在交通工具中, 并进一步利用图像采集装置115采集的实时数据,以实现交通工具110自 主泊车的巡航功能。
应当理解,交通工具110除了包括图像采集装置115之外,还可以包 括用于自动驾驶的其他传感器或检测装置,例如,交通工具110还可以包 括激光雷达、卫星定位***和惯性测量装置等。激光雷达是指以发射激光 束探测目标的位置和/或速度等特征量的雷达装置,其工作原理是向目标 发射探测信号(激光束),然后将接收到的从目标反射回来的信号(目标 回波)与发射信号进行比较,作适当处理后,就可获得目标的相关信息, 例如目标距离、方位、高度、速度、姿态、甚至形状等参数中的一个或多 个。卫星定位***也不限于全球定位***(GPS),欧洲的伽利略卫星定 位***,中国的北斗卫星定位***等,均可与本公开的实施例结合使用。 此外,应当理解,图1中所示出的环境100仅仅是本公开的实施例的示例 环境,而不用于限制本公开的范围。
图2示出了根据本公开的实施例的用于生成路线规划模型的方法200 的流程图。为了便于清楚说明,以下参考图1的环境100来描述本公开的 实施例的方法200。应当理解,方法200可以在诸如远程服务器或云的计 算设备150中被实现,或者部分被实现在交通工具110本地并且部分被实 现在远程服务器或云中。应当理解,方法200还可以包括未示出的附加动 作和/或可以省略所示出的动作。本公开的范围在此方面不受限制。下面 将以方法200如图1中所示的计算设备150执行来进行说明。
在框202,计算设备150获取与目标场地120相关联的目标路线数据 集。
在本公开的实施例的描述中,“目标场地120”在本公开中有时也被称 为“目标停车场”,目标场地120可以是这样的场地,当前暂时还不存在针 对其的路线规划模型,因此其路线规划模型是待生成的。
“目标路线数据集”可以是指针对目标场地120(例如,特定的停车场) 的多个目标路线数据组成的集合。“路线数据”可以包括由交通工具110(例 如,通过图像采集装置115)在场地中(例如,目标场地120)采集的针 对特定路线(例如,泊车路线,诸如从停车场入口到预定车位的路线)的 图像数据(例如,多张图像),以及对应的驾驶轨迹点数据。在一些实施 例中,多个目标路线数据可以是全部由交通工具110在目标场地120中采 集的,并且然后被发送给计算设备150。在一些实施例中,多个目标路线 数据中的一部分是由交通工具110在目标场地120中采集的,然后被发送 给计算设备150,随后,计算设备150通过如下将参考图4详细描述的过 程来生成多个目标路线数据中的剩余部分。
在框204,计算设备150基于目标路线数据集和第一路线规划模型, 利用与目标场地120相对应的场地优化目标,确定目标场地120的目标路 线规划模型160。其中,第一路线规划模型是基于历史路线数据集、至少 利用第一训练而确定的,历史路线数据集与不同于目标场地120的多个场 地相关联,第一训练的第一训练优化目标与多个场地相对应。
计算设备150可以将目标路线数据集输入第一路线规划模型中,利用 场地优化目标来对第一路线规划模型进行训练,通过训练而进一步调整该 第一路线规划模型的参数以实现针对该特定的目标场地120的场地优化, 以最终获得优化的目标路线规划模型160。该目标场地120的场地优化目 标可以使得目标路线规划模型160在目标场地120中的路线规划误差减 小。换言之,场地优化目标可以使得目标路线规划模型160,在特定的目 标场地120中进行路线规划,所得预测轨迹与实际轨迹之间的误差小于第 一阈值。
交通工具110可以基于目标路线规划模型160、以及由图像采集装置 115获取针对目标场地120的当前路线数据,来实现在目标场地120中的 准确路线规划,例如,生成在目标停车场中的用于自主泊车的轨迹,这将 在下文中参考图7进行详细描述。
应当理解的是,在例如自主泊车的路线规划模型生成应用中,从计算 设备150的角度来看,多个不同交通工具110将面对各种不同的停车场, 如果每一次针对单独的交通工具110,对其所处的特定的停车场都要利用 大量数据样本的数据集进行训练,那么,可能服务于多个交通工具的计算 设备150需要进行大量的运算。而从交通工具110的角度来看,用户需要 驾驶该交通工具110在目标场地120中完成目标路线数据130的采集,如 果为了形成目标路线数据集而需要采集的目标路线数据130的数目过多, 则可能造成不佳的用户体验。因此,在上述目标路线规划模型160的确定 过程中,存在对适合的第一路线规划模型的需要,从而减少用户针对目标 场地120所需要采集的目标路线数据样本的数目、并且减少计算设备150 的计算开销。
“第一路线规划模型”在有时也被成为“预训练模型”或“基训练模型”, 其可以被看作是获取目标路线规划模型160的一个基础。由于对于交通工 具110和计算设备150来说,目标场地120是未知的,因此,为了能够以 较少的目标路线数据130就能确定针对目标场地120准确的目标路线规划 模型160,基训练模型应当具有较强的泛化(generalization)能力。泛化 能力是指对于所有可能的目标场地120来说,均可以利用较少数目的目标 路线数据130,就能够根据基训练模型确定出准确的目标路线规划模型160的能力。可以理解的是,在一些实施例中,在进行框202和204的确定目 标路线规划模型160的步骤(其有时被称在线过程)之前,第一路线规划 模型可以由计算设备150预先训练好(其有时被称为离线过程),并且存 储在相应的存储设备中以供使用。
第一路线规划模型可以是基于历史路线数据集、至少利用第一训练而 确定。“历史路线数据集”包括在已知的多个场地中已经采集过的多趟路线 数据,该多个场地不同于目标场地120。第一路线规划模型通常是基于该 历史路线数据集,通过训练(即,第一训练)朝向特定的优化目标(即, 第一训练优化目标)进行优化而确定的。
为了具有较强的泛化能力,不同于场地优化目标,第一训练优化目标 是与多个场地相对应的,其可以使得第一路线规划模型较为贴近所有的多 个场地(例如,路线规划误差均较小),但不是针对某个特定场地准确(例 如,可以容许针对某个特定场地的路线规划误差超过容许的阈值)。因此, 对于每个未知的目标场地120来说,第一训练优化目标是使得要被包含在 目标路线数据集的目标路线数据的数目减少。在一些实施例中,第一训练优化目标使得第一路线规划模型在多个场地中的多个路线规划误差减小。 在一些实施例中,第一训练优化目标可以使得利用第一路线规划模型在所 有多个目标场地中进行多个路线规划,所得的多个预测轨迹与多个实际轨 迹之间的多个路线规划误差均小于第二阈值,该第二阈值大于针对场地优 化目标的第一阈值。
换言之,尽管通过上述优化目标训练出来的第一路线规划模型并不能 十分准确地对某个特定的目标场地120中的轨迹(例如,目标停车场中的 泊车轨迹)进行规划,但是利用该第一路线规划模型,可以大大降低在生 成目标路线规划模型160的训练过程中,对于目标场地120中的训练样本 数量的需求。在下文中,将参见图4描述有关确定该第一路线规划模型的 更多细节。
在一些实施例中,优化目标可以利用损失函数来表示。例如,场地优 化目标可以通过与目标场地120相对应的目标损失函数来指示,而第一训 练优化目标可以通过与多个场地相对应的多个场地损失函数之和来指示。 在一个示例中,损失函数可以是交叉熵损失函数。
应当理解的是,上述关于术语的具体定义仅为了出于说明的方便,而 并非用于限制本公开的范围,本公开的实施例适用于其他任何需要进行路 线规划的物理环境,也适用于其他任何可以实现本公开的目的的数据类型 和模型类型。在本公开实施例中,所有的训练可以采用机器学习领域的常 规训练手段来实现,例如梯度下降方法;所有路线规划模型的网络结构可 以是神经网络,诸如卷积神经网络,但本公开实施例并不限于此。
因此,利用本公开的实施例,可以降低对于目标场地120中的目标路 线数据样本数目的需求。进一步,基于根据其他已知的多个场地的例示路 线数据集而获得的基训练模型,可以利用针对目标场地120的较少路线数 据来获取针对目标场地120的优化的、较准确的目标路线规划模型160。 以此方式,可以提升用户的驾乘体验,同时减少服务器的计算开销。
图3示出了根据本公开的实施例的用于获取目标路线数据集的过程 300的示意图。例如,过程300可以被视为如图2所示的方法200中的框 202的一种示例实现。应当理解,过程300还可以包括未示出的附加动作 和/或可以省略所示出的动作。本公开的范围在此方面不受限制。
在框302,计算设备150获取与目标场地120相关联的目标路线数据 130。
如上面关于所讨论的,所需要获取的目标路线数据集包括多个目标路 线数据,其中的一部分目标路线数据130可以由用户操作交通工具110在 目标场地120中采集(例如,采集5趟),然后被发送给诸如远程服务器 的计算设备150。计算设备150可以接收这些目标路线数据以用于进一步 的处理。可以理解的是,在框302中采集的目标路线数据样本的数目,可 以少于在方法200中所使用的目标路线数据集中的多个目标路线数据的数 目。
在框304,计算设备150基于上述目标路线数据130和路线数据转换 模型,获取目标路线数据集,该目标路线数据集至少包括上述目标路线数 据130。
如上所述,目标路线数据可以包括图像数据。因此,可以利用诸如图 像增广模型的路线数据转换模型,将较少数目的目标路线数据转换为包含 较多数目的目标路线数据样本,以生成期望的目标路线数据集。
可以理解的是,利用在单一环境条件下所采集的目标路线数据所训练 出来的最终的目标路线规划模型160,会影响该目标路线规划模型160在 不同的其他环境条件下的准确性,这是因为在不同的环境条件下,诸如光 照等条件会对所采集的图像数据造成较大的影响。例如,如果目标路线数 据是在晴天下采集,则基于该目标路线数据所训练出来的目标路线规划模 型160,在雨天下规划出的路线可能准确性较差。
因此,在一些实施例中,路线数据转换模型可以将在单一环境条件下 采集的目标路线数据转换为在不同的、多种环境条件下的经转换的多个目 标路线数据,然后所采集的目标路线数据和经转换的多个目标路线数据共 同构成目标路线数据集。例如,路线数据转换模型可以将晴天采集的1个 目标路线数据转换为阴天的、雨天的、雪天的、傍晚的、夜间的、以及逆 光条件下的6个经转换的目标路线数据,从而增加了不同环境条件下的数 据量。
可以理解的是,路线数据转换模型可以采用图到图转换领域中的各种 生成式对抗网络(GAN)网络,例如,循环GAN(CycleGAN)、DRIT++ (Diverse Image-to-ImageTranslation via Disentangled Representations)等。 与第一路线规划模型类似,路线数据转换模型可以是在离线过程中预先训 练好的。例如,路线数据转换模型可以利用晴天的、阴天的、雨天的、雪 天的、傍晚的、夜间的、以及逆光条件下采集的各种图像数据组成的图像 数据训练集来进行训练。在一些实施例中,路线数据转换模型是利用与目 标场地120相关的(例如,各种停车场的)图像数据来进行训练,以进一 步改进路线数据转换模型的准确性。
在一些实施例中,由于采集目标路线数据时的环境条件可能并不是预 定的环境条件,故预先得到的路线数据转换模型可以包括一组路线数据转 换子模型。该一组路线数据转换子模型分别对应于不同的环境条件,例如, 分别对应于晴天、阴天、雨天、雪天、傍晚、夜间、以及逆光。计算设备150在接收到目标数据之后,确定目标路线数据所处的目标环境条件(例 如,傍晚)。随后,计算设备150基于该目标环境条件,从一组路线数据 转换子模型中确定与目标环境条件(例如,傍晚)相对应的一个路线数据 转换子模型(例如,傍晚到其他环境条件的转换子模型)。接着,计算设 备150基于目标路线数据、以及所确定的一个路线数据转换子模型(例如, 傍晚到其他环境条件的转换子模型),获取目标路线数据集。以此方式, 计算设备150可以利用与目标路线数据相匹配的一个路线数据转换子模 型,来进行转换以获取目标路线数据集。
因此,利用本公开的实施例,可以进一步降低对于目标场地120中的 目标路线数据样本数目的需求。例如,基于路线数据转换模型,可以基于 较少的实际采集的目标路线数据,来实现目标路线数据集中的较多样本数 目。而且,所得到的目标路线数据集中可以包括不同环境条件下的目标路 线数据。以此方式,可以进一步提升用户的驾乘体验,减少服务器的计算 开销,同时改进最终的目标路线规划模型160在不同环境条件下的准确性。针对特定的目标场地120,甚至只需要用户驾驶交通工具110采集5趟目 标路线数据,即可确定目标路线规划模型160。
图4示出了根据本公开的实施例的用于确定第一路线规划模型的过 程400的示意图。例如,过程400可以被视为如图2所示的方法200中的 框204中所利用的第一路线规划模型的确定过程的一种示例实现。应当理 解,过程400还可以包括未示出的附加动作和/或可以省略所示出的动作。 本公开的范围在此方面不受限制。
如上所述,第一路线规划模型是基于历史路线数据集、至少利用第一 训练而确定的。可以理解的是,该第一训练是在针对目标场地120的目标 路线规划模型160的确定过程之前,由计算设备150预先执行的。以下将 详细描述第一路线规划模型的训练过程。
第一训练可以包括框406和408所指示的步骤。
在框406,基于多个第一历史路线数据以及第一路线规划子模型,计 算设备150确定第一训练优化目标。其中多个第一历史路线数据可以被包 括在历史路线数据集中。
历史路线数据集可以包括针对多个已知场地的多趟路线数据。在一个 示例中,假设在历史路线数据集中,对于N个场地中的每个场地已经采集 过O趟(即,总共有N*O路线数据),那么计算设备150可以从O趟路 线数据中随机挑选M趟路线数据以用于第一训练。换言之,在该示例中, 多个第一历史路线数据包括N*M个路线数据。这个N*M个路线数据可以 在针对N个场地的待训练的任务Ti(i=1,2,3...N)中用于反向传播进行训 练。
为了训练出泛化能力强的第一路线规划模型,N通常需要大于一预定 值,例如,N是50。M可以是预定的(例如,大于或等于55的特定值), 也可以是在训练过程中,基于误差与上面所描述的第二阈值的比较而确定 的。
第一路线规划子模型可以是针对N个场地的已经调整过的模型,第 一训练优化目标可以被确定为由与N个场地相对应的多个损失函数之和 (即,∑i=1,2,3..N LTif(θ′i))来指示,其中f是模型所采用网络结构,L是损 失函数,θ′i是针对场地i的第一路线规划子模型的经调整过的参数。θ′i在 前向传播中被输入到网络f中。可以理解的是,计算设备150服务于多个 交通工具,其上可以已经存储有这些交通工具之前采集的多个路线数据, 并且已经利用这些路线数据对模型进行过调整。因此,在第一训练中,计 算设备可以直接获取经过同等程度(例如,相同迭代次数、相同的优化目 标)调整过的模型来作为第一路线规划子模型,获取θ′i。备选地,计算设 备150也可以利用历史路线数据集通过第二训练来直接确定该第一路线规 划子模型,获取θ′i,而这如下面将参考框402和404来描述。换言之,在 这种情况下,第一路线规划模型的训练过程将包括两个不同的训练过程。
在框408,基于第一训练优化目标,计算设备150更新第一路线规划 子模型,确定第一路线规划模型。
在确定第一训练优化目标之后,此时计算设备150使用N*M趟路线 数据进行迁移训练,以朝向第一训练优化目标进行优化,从而确定第一路 线规划模型。在一个示例中,该迁移训练可以是执行如公式1的梯度下降:
其中β为超参数学习率,其可以依据已有或现有的经验而预先确定。θ 是待学习的参数。也就是说,反向传播计算的是相对的梯度,更新的也 是θ。可以在多个轮次中不断地执行第一训练操作,以便获取更新后的θ″||, 从而确定第一路线规划模型。
如上面所讨论的,在一些实施方式中,第一路线规划子模型可以是通 过第二训练而确定的,其中第二训练可以包括例如图4中虚线框402和404 所指示的步骤。
在框402,可以基于多个第二历史路线数据以及初始路线规划模型, 计算设备150确定初始路线规划模型的初始训练优化目标。其中多个第二 历史路线数据可以被包括在历史路线数据集中。
可以理解的是,在此并不限制如何获得初始路线规划模型,该初始路 线规划模型可以是未经任何训练的模型,也可以经过其他初步训练的模 型。
继续参考总共有N*O路线数据的历史路线数据集的上述示例来进行 说明。针对每个场地,计算设备150可以从O趟路线数据中随机挑选m 趟路线数据以用于第二训练。在一些实施例中,m趟路线数据与M趟路 线数据互不相同,在另一些实施例中,m趟路线数据与M趟路线数据互 不相同。在一些实施例中,m小于M,例如,m可以是M的一预定分数 (例如,1/11,即若M=55,则选取m=5)。在一个示例中,O趟路线数据 由m趟和M趟路线数据构成,即O=M+m。这个N*m个路线数据可以形 成一个矩阵,其可以视为待训练的任务Ti(i=1,2,3...N),其中每个任务Ti包 括m个路线数据。
在框404,可以基于初始训练优化目标计算设备150更新所述初始路 线规划模型以确定第一路线规划子模型。
在确定初始训练优化目标之后,计算设备150使用N*m趟路线数据 进行第二训练,以朝向初始训练优化目标进行优化,从而确定第一路线规 划子模型。在一个示例中,第二训练可以是执行如公式2的梯度下降:
其中a是超参数学习率,其可以依据已有或现有的经验而预先确定, 一般地,a通常设置为比公式1中的β小。类似于公式1,θ是待学习的参 数,可以在多个轮次中不断地执行第二训练操作,确定第一路线规划子模 型,并且获取针对每个场地i的更新后的θ′i。
因此,利用本公开的实施例,可以通过优化目标不同的两个训练过程 来获取泛化能力强的基训练模型,作为后续获取针对(多个)目标场地120 准确的目标路线规划模型160的良好基础。
图5示出了根据本公开的实施例的用于确定目标路线规划模型160的 过程500的示意图。例如,过程500可以被视为如图2所示的方法200中 的框204的一种示例实现。应当理解,过程500还可以包括未示出的附加 动作和/或可以省略所示出的动作。本公开的范围在此方面不受限制。
在框502,计算设备150基于目标路线数据集和第一路线规划模型, 确定场地优化目标。具体地,目标路线规划模型160是在第一路线规划模 型的基础上,通过包含较少样本数目的目标路线数据集进行训练而得到 的。在训练中,可以将目标路线数据集中的一个目标路线数据数据输入第 一路线规划模型以获得预测的轨迹。可以确定预测的轨迹与实际采集的轨 迹之间的误差。场地优化目标可以指示该误差,如上所述,场地优化目标 可以通过与目标场地120相对应的目标损失函数来指示。
然后,在框504,计算设备150基于场地优化目标,更新第一路线规 划模型以确定目标路线规划模型160。如上所述,目标场地120的场地优 化目标可以使得优化的目标路线规划模型160在特定的目标场地120中进 行路线规划的误差小于一阈值。计算设备150不断朝向使得预测的轨迹与 实际轨迹之间误差变小的方向,来更新第一路线规划模型的参数,以获得 更新的第一路线规划模型。例如,可以基于类似于上述公式2的梯度下降 的方式来执行上述更新。可以在多个训练轮次中,以迭代的方式不断地执 行训练操作来对第一路线规划模型的参数进行更新,以便确定目标路线规 划模型160。
利用本公开的实施例,可以在仅使用包括较少训练样本的目标路线数 据集的情况下,获得更为准确的目标路线规划模型160。以此方式,对于 新的目标场地120而言,仅需利用采集到较少数目的目标路线数据,就可 以有效地获得目标路线规划模型160。
图6示出了根据本公开的实施例的用于生成路线规划模型的装置600 的示意框图。如图6所示,装置600可以包括数据获取模块602,其被配 置为,被配置为基于目标路线数据集和第一路线规划模型,利用与目标场 地120相对应的场地优化目标,确定目标场地120的目标路线规划模型。
装置600还可以包括目标路线规划模型确定模块604,其被配置为被 配置为获取与目标场地120相关联的目标路线数据集。其中第一路线规划 模型是基于历史路线数据集、至少利用第一训练而确定的,历史路线数据 集与不同于目标场地120的多个场地相关联,第一训练的第一训练优化目 标与多个场地相对应。
在一些实施例中,其中场地优化目标使得目标路线规划模型在目标场 地中的目标路线规划误差减小,第一训练优化目标使得第一路线规划模型 在多个场地中的多个路线规划误差减小。
在一些实施例中,其中场地优化目标通过与目标场地120相对应的目 标损失函数来指示,第一训练优化目标通过分别与多个场地相对应的多个 场地损失函数之和来指示。
在一些实施例中,其中历史路线数据集包括多个第一历史路线数据, 其中目标路线规划模型确定模块604进一步包括:第一训练优化目标确定 模块,被配置为基于多个第一历史路线数据以及第一路线规划子模型,确 定第一训练优化目标;以及第一路线规划模型确定模块,被配置为基于第 一训练优化目标,更新第一路线规划子模型以确定第一路线规划模型。
在一些实施例中,其中历史路线数据集进一步包括与多个第二历史路 线数据,第一路线规划子模型是由目标路线规划模型确定模块604通过第 二训练而确定的,其中目标路线规划模型确定模块604进一步包括:初始 训练优化目标确定模块,被配置为基于多个第二历史路线数据以及初始路 线规划模型,确定初始路线规划模型的初始训练优化目标;以及第一路线 规划子模型确定模块,被配置为基于初始训练优化目标,更新初始路线规划模型以确定第一路线规划子模型。
在一些实施例中,其中数据获取模块602进一步包括:目标路线数据 获取模块,被配置为获取与目标场地120相关联的目标路线数据;以及目 标路线数据集获取模块,被配置为基于目标路线数据和路线数据转换模 型,获取目标路线数据集,目标路线数据集至少包括目标路线数据。
在一些实施例中,其中路线数据转换模型包括一组路线数据转换子模 型,一组路线数据转换子模型分别对应于不同的环境条件,数据获取模块 602进一步包括:目标环境条件确定模块,被配置为确定目标路线数据所 处的目标环境条件;以及路线数据转换模型选择模块,被配置为基于目标 环境条件,从一组路线数据转换子模型中确定与目标环境条件相对应的一 个路线数据转换子模型;其中目标路线数据集获取模块进一步被配置为基于目标路线数据、以及所确定的一个路线数据转换子模型,获取目标路线 数据集。
在一些实施例中,其中目标路线规划模型确定模块604进一步包括: 场地优化目标确定模块,被配置为基于目标路线数据集和第一路线规划模 型,确定场地优化目标;其中目标路线规划模型确定模块604进一步被配 置为基于场地优化目标,更新第一路线规划模型以确定目标路线规划模 型。
图7示出了根据本公开的实施例的用于确定交通工具的轨迹的方法 700的示意图。根据该实施例,可以使用目标路线规划模型160来确定交 通工具110在目标场地120中的轨迹。在一个示例中,对于在目标停车场 的自主泊车来说,该轨迹可以包括从停车场入口到预定车位的路线上的轨 迹点。具体地,该确定交通工具110的轨迹的过程可以在交通工具110处 执行,或者部分被实现在交通工具110本地并且部分被实现在远程服务器 或云中执行,或者完全在远程服务器或云中执行。下面以该确定交通工具 110的轨迹的过程在交通工具110处执行来进行说明。
在框702,交通工具110获取目标场地120的当前路线数据,当前路 线数据利用交通工具的至少一个传感器而被获取。具体地,交通工具110 可以从诸如远程服务器的计算设备150获取已经训练好的目标路线规划模 型160。可以理解的是,交通工具110除了包括至少一个传感器,还可以 包括中央处理单元(CPU),其可以根据存储在只读存储器(ROM)中的 计算机程序指令或者从存储单元加载到随机访问存储器(RAM)中的计算 机程序指令,来执行各种适当的动作和处理,从而确定交通工具110的轨 迹。当交通工具110进入目标场地120之后,可以使用至少一个传感器(例 如,图像采集装置115)来获取目标场地120的当前路线数据。
在框704,基于目标路线规划模型160、以及当前路线数据,确定交 通工具110的轨迹。具体地,当前路线数据包括针对目标场地120的多个 图像,该多个图像被输入到目标路线规划模型160中,通过目标路线规划 模型160计算后,输出目标场地120的轨迹点。利用这些轨迹点,可以进 而在后续处理中计算控制参数,例如控制交通工具110的转向、油门、刹车等的控制参数,以指令交通工具的相应执行机构执行相应的动作。
在一些实施例中,随着交通工具110在目标场地120中自主泊车次数 的增加,可以利用每次采集到的当前路线数据,进而可以对已有的目标路 线规划模型160进行更新。以此方式,可以进一步改进目标路线规划模型 160的准确性。
图8示出了根据本公开的实施例的交通工具800的示意框图。交通工 具800是可以用于实现图1中的交通工具110的一个具体示例。如图7所 示,交通工具800包括:当前路线数据获取模块802,被配置为利用交通 工具的至少一个传感器,获取目标场地120的当前路线数据。交通工具800 还包括轨迹确定模块804,被配置为基于根据参考图2至图5所描述的方 法确定的目标路线规划模型、以及当前路线数据,确定交通工具800的轨 迹。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储 介质。
如图9所示,是根据本申请实施例的生成路线规划模型的方法的电子 设备900的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上 型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、 大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动 装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类 似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅 仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图9所示,该电子设备包括:一个或多个处理器901、存储器902, 以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不 同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方 式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存 储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示 设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可 以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同 样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为 服务器阵列、一组刀片式服务器、或者多处理器***)。图9中以一个处 理器901为例。
存储器902即为本申请所提供的非瞬时计算机可读存储介质。其中, 所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处 理器执行本申请所提供的生成路线规划模型的方法。本申请的非瞬时计算 机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请 所提供的生成路线规划模型的方法。
存储器902作为一种非瞬时计算机可读存储介质,可用于存储非瞬时 软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的生成 路线规划模型的方法对应的程序指令/模块(例如,附图6所示的图数据 获取模块602、目标路线规划模型确定模块604)。处理器901通过运行 存储在存储器902中的非瞬时软件程序、指令以及模块,从而执行服务器 的各种功能应用以及数据处理,即实现上述方法实施例中的生成路线规划 模型的方法。
存储器902可以包括存储程序区和存储数据区,其中,存储程序 区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储 根据生成路线规划模型的电子设备的使用所创建的数据等。此外,存储器 902可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少 一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施 例中,存储器902可选包括相对于处理器901远程设置的存储器,这些远 程存储器可以通过网络连接至生成路线规划模型的电子设备。上述网络的 实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
生成路线规划模型的方法的电子设备还可以包括:输入装置903 和输出装置904。处理器901、存储器902、输入装置903和输出装置904 可以通过总线或者其他方式连接,图9中以通过总线连接为例。
输入装置903可接收输入的数字或字符信息,以及产生与生成路 线规划模型的电子设备的用户设置以及功能控制有关的键信号输入,例如 触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按 钮、轨迹球、操纵杆等输入装置。输出装置904可以包括显示设备、辅助 照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示 设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示 器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路系 统、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、 软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一 个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个 可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少 一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该 至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括 可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程 语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机 器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给 可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、 光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信 号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指 令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和 技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴 极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例 如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供 给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给 用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或 者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉 输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算*** (例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应 用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或 者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏 览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部 件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何 形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连 接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离 彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼 此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本公开实施例的技术方案,可以降低对于目标场地120中的 目标路线数据样本数目的需求。进一步,基于根据其他已知的多个场地的 例示路线数据集而获得的基训练模型,可以利用针对目标场地120的较少 路线数据来获取针对目标场地120的优化的、较准确的目标路线规划模型 160。以此方式,可以提升用户的驾乘体验,同时减少服务器的计算开销。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增 加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺 序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所 期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域 技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、 组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同 替换和改进等,均应包含在本申请保护范围之内。
Claims (20)
1.一种生成路线规划模型的方法,包括:
获取与目标场地相关联的目标路线数据集;
基于所述目标路线数据集和第一路线规划模型,利用与所述目标场地相对应的场地优化目标,确定所述目标场地的目标路线规划模型;
其中所述第一路线规划模型是基于历史路线数据集、至少利用第一训练而确定的,所述历史路线数据集与不同于所述目标场地的多个场地相关联,所述第一训练的第一训练优化目标与所述多个场地相对应。
2.根据权利要求1所述的方法,其中所述场地优化目标使得所述目标路线规划模型在所述目标场地中的目标路线规划误差减小,所述第一训练优化目标使得所述第一路线规划模型在所述多个场地中的多个路线规划误差减小。
3.根据权利要求1所述的方法,其中所述场地优化目标通过与所述目标场地相对应的目标损失函数来指示,所述第一训练优化目标通过分别与所述多个场地相对应的多个场地损失函数之和来指示。
4.根据权利要求1所述的方法,其中所述历史路线数据集包括多个第一历史路线数据,其中所述第一训练通过如下被执行:
基于所述多个第一历史路线数据以及第一路线规划子模型,确定所述第一训练优化目标;以及
基于所述第一训练优化目标,更新所述第一路线规划子模型以确定所述第一路线规划模型。
5.根据权利要求4所述的方法,其中所述历史路线数据集进一步包括与多个第二历史路线数据,所述第一路线规划子模型是通过第二训练而确定的,其中所述第二训练通过如下被执行:
基于所述多个第二历史路线数据以及初始路线规划模型,确定所述初始路线规划模型的初始训练优化目标;以及
基于所述初始训练优化目标,更新所述初始路线规划模型以确定所述第一路线规划子模型。
6.根据权利要求1所述的方法,其中获取所述目标路线数据集包括:
获取与所述目标场地相关联的目标路线数据;以及
基于所述目标路线数据和路线数据转换模型,获取所述目标路线数据集,所述目标路线数据集至少包括所述目标路线数据。
7.根据权利要求6所述的方法,其中所述路线数据转换模型包括一组路线数据转换子模型,所述一组路线数据转换子模型分别对应于不同的环境条件,所述获取所述目标路线数据集进一步包括:
确定所述目标路线数据所处的目标环境条件;
基于所述目标环境条件,从所述一组路线数据转换子模型中确定与所述目标环境条件相对应的一个路线数据转换子模型;以及
基于所述目标路线数据、以及所确定的所述一个路线数据转换子模型,获取所述目标路线数据集。
8.根据权利要求1所述的方法,其中确定所述目标路线规划模型包括:
基于所述目标路线数据集和所述第一路线规划模型,确定所述场地优化目标;以及
基于所述场地优化目标,更新所述第一路线规划模型以确定所述目标路线规划模型。
9.一种确定交通工具的轨迹的方法,包括:
获取目标场地的当前路线数据,所述当前路线数据利用所述交通工具的至少一个传感器而被获取;以及
基于根据权利要求1至8所述的方法确定的所述目标路线规划模型、以及所述当前路线数据,确定所述交通工具的轨迹。
10.一种用于生成路线规划模型的装置,包括:
数据获取模块,被配置为获取与目标场地相关联的目标路线数据集;以及
目标路线规划模型确定模块,被配置为基于所述目标路线数据集和第一路线规划模型,利用与所述目标场地相对应的场地优化目标,确定所述目标场地的目标路线规划模型;
其中所述第一路线规划模型是基于历史路线数据集、至少利用第一训练而确定的,所述历史路线数据集与不同于所述目标场地的多个场地相关联,所述第一训练的第一训练优化目标与所述多个场地相对应。
11.根据权利要求10所述的装置,其中所述场地优化目标使得所述目标路线规划模型在所述目标场地中的目标路线规划误差减小,所述第一训练优化目标使得所述第一路线规划模型在所述多个场地中的多个路线规划误差减小。
12.根据权利要求10所述的装置,其中所述场地优化目标通过与所述目标场地相对应的目标损失函数来指示,所述第一训练优化目标通过分别与所述多个场地相对应的多个场地损失函数之和来指示。
13.根据权利要求10所述的装置,其中所述历史路线数据集包括多个第一历史路线数据,其中所述目标路线规划模型确定模块进一步包括:
第一训练优化目标确定模块,被配置为基于所述多个第一历史路线数据以及第一路线规划子模型,确定所述第一训练优化目标;以及
第一路线规划模型确定模块,被配置为基于所述第一训练优化目标,更新所述第一路线规划子模型以确定所述第一路线规划模型。
14.根据权利要求13所述的装置,其中所述历史路线数据集进一步包括与多个第二历史路线数据,所述第一路线规划子模型是由所述目标路线规划模型确定模块通过第二训练而确定的,其中所述目标路线规划模型确定模块进一步包括:
初始训练优化目标确定模块,被配置为基于所述多个第二历史路线数据以及初始路线规划模型,确定所述初始路线规划模型的初始训练优化目标;以及
第一路线规划子模型确定模块,被配置为基于所述初始训练优化目标,更新所述初始路线规划模型以确定所述第一路线规划子模型。
15.根据权利要求10所述的装置,其中所述数据获取模块进一步包括:
目标路线数据获取模块,被配置为获取与所述目标场地相关联的目标路线数据;以及
目标路线数据集获取模块,被配置为基于所述目标路线数据和路线数据转换模型,获取所述目标路线数据集,所述目标路线数据集至少包括所述目标路线数据。
16.根据权利要求15所述的装置,其中所述路线数据转换模型包括一组路线数据转换子模型,所述一组路线数据转换子模型分别对应于不同的环境条件,所述数据获取模块进一步包括:
目标环境条件确定模块,被配置为确定所述目标路线数据所处的目标环境条件;以及
路线数据转换模型选择模块,被配置为基于所述目标环境条件,从所述一组路线数据转换子模型中确定与所述目标环境条件相对应的一个路线数据转换子模型;
其中所述目标路线数据集获取模块进一步被配置为基于所述目标路线数据、以及所确定的所述一个路线数据转换子模型,获取所述目标路线数据集。
17.根据权利要求10所述的装置,其中所述目标路线规划模型确定模块进一步包括:
场地优化目标确定模块,被配置为基于所述目标路线数据集和所述第一路线规划模型,确定所述场地优化目标;
其中所述目标路线规划模型确定模块进一步被配置为基于所述场地优化目标,更新所述第一路线规划模型以确定所述目标路线规划模型。
18.一种交通工具,包括:
当前路线数据获取模块,被配置为利用所述交通工具的至少一个传感器,获取目标场地的当前路线数据;以及
轨迹确定模块,被配置为基于根据权利要求1至8所述的方法确定的所述目标路线规划模型、以及所述当前路线数据,确定所述交通工具的轨迹。
19.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至8中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1至8中任一项所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010621949.9A CN111982137B (zh) | 2020-06-30 | 2020-06-30 | 生成路线规划模型的方法、装置、设备和存储介质 |
EP21158981.7A EP3932763A1 (en) | 2020-06-30 | 2021-02-24 | Method and apparatus for generating route planning model, and device |
US17/221,309 US11698262B2 (en) | 2020-06-30 | 2021-04-02 | Method and apparatus for generating route planning model, and storage medium |
KR1020210085841A KR20210090580A (ko) | 2020-06-30 | 2021-06-30 | 경로 계획 모델 생성 방법, 장치, 기기 및 저장 매체 |
JP2021108835A JP7249384B2 (ja) | 2020-06-30 | 2021-06-30 | ルート計画モデルを生成する方法、交通手段の軌跡を決定する方法、ルート計画モデルを生成する装置、交通手段、電子機器、記憶媒体及びコンピュータプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010621949.9A CN111982137B (zh) | 2020-06-30 | 2020-06-30 | 生成路线规划模型的方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111982137A true CN111982137A (zh) | 2020-11-24 |
CN111982137B CN111982137B (zh) | 2022-08-12 |
Family
ID=73437690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010621949.9A Active CN111982137B (zh) | 2020-06-30 | 2020-06-30 | 生成路线规划模型的方法、装置、设备和存储介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11698262B2 (zh) |
EP (1) | EP3932763A1 (zh) |
JP (1) | JP7249384B2 (zh) |
KR (1) | KR20210090580A (zh) |
CN (1) | CN111982137B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113008256A (zh) * | 2021-02-18 | 2021-06-22 | 恒大新能源汽车投资控股集团有限公司 | 自动泊车路径的规划方法、规划装置以及存储介质 |
CN113879338A (zh) * | 2021-11-24 | 2022-01-04 | 广州文远知行科技有限公司 | 一种行驶规划模块优化方法、装置、设备和介质 |
CN114148349A (zh) * | 2021-12-21 | 2022-03-08 | 西南大学 | 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2024500141A (ja) | 2021-07-09 | 2024-01-04 | エルジー エナジー ソリューション リミテッド | リチウム二次電池用負極、リチウム二次電池用負極の製造方法、および負極を含むリチウム二次電池 |
WO2023282684A1 (ko) | 2021-07-09 | 2023-01-12 | 주식회사 엘지에너지솔루션 | 리튬 이차 전지용 음극, 리튬 이차 전지용 음극의 제조 방법 및 음극을 포함하는 리튬 이차 전지 |
CN113821579B (zh) * | 2021-09-18 | 2024-02-06 | 北京百度网讯科技有限公司 | 路线的生成方法、装置、电子设备和存储器 |
CN114894210B (zh) * | 2022-05-13 | 2023-09-29 | 卡奥斯工业智能研究院(青岛)有限公司 | 物流车辆路径规划方法、装置、设备和存储介质 |
CN116295409A (zh) * | 2023-02-14 | 2023-06-23 | 腾讯科技(深圳)有限公司 | 路线处理方法、装置、计算机可读介质及电子设备 |
CN116204576B (zh) * | 2023-05-04 | 2023-08-01 | 北京城建交通设计研究院有限公司 | 一种公共交通数据生成gtfs格式数据的生成方法及*** |
CN116834003B (zh) * | 2023-06-29 | 2024-01-02 | 广州市创博机电设备安装有限公司 | 光伏组件的智能安装方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106558058A (zh) * | 2016-11-29 | 2017-04-05 | 北京图森未来科技有限公司 | 分割模型训练方法、道路分割方法、车辆控制方法及装置 |
US20190034794A1 (en) * | 2017-07-27 | 2019-01-31 | Waymo Llc | Neural Networks for Vehicle Trajectory Planning |
CN109429506A (zh) * | 2017-06-21 | 2019-03-05 | 北京嘀嘀无限科技发展有限公司 | 用于路线规划的***和方法 |
CN109583384A (zh) * | 2018-11-30 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车的避障方法和装置 |
US20190291720A1 (en) * | 2018-03-23 | 2019-09-26 | Sf Motors, Inc. | Multi-network-based path generation for vehicle parking |
CN110795821A (zh) * | 2019-09-25 | 2020-02-14 | 的卢技术有限公司 | 一种基于场景区分的深度强化学习训练方法及*** |
CN111252061A (zh) * | 2018-11-30 | 2020-06-09 | 百度(美国)有限责任公司 | 用于自动驾驶车辆的实时决策制定 |
CN111260954A (zh) * | 2020-04-30 | 2020-06-09 | 中国计量大学 | 一种基于图像处理的停车能力估算与泊位推荐方法 |
CN111291253A (zh) * | 2018-12-06 | 2020-06-16 | 北京嘀嘀无限科技发展有限公司 | 模型训练方法、咨询推荐方法、装置及电子设备 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4767214B2 (ja) | 2007-05-23 | 2011-09-07 | 株式会社デンソーアイティーラボラトリ | ナビゲーション装置、ナビゲーション方法およびプログラム |
JP6187295B2 (ja) | 2014-02-13 | 2017-08-30 | トヨタ自動車株式会社 | 車両制御装置 |
JP2018063476A (ja) | 2016-10-11 | 2018-04-19 | 株式会社デンソーアイティーラボラトリ | 運転支援装置、運転支援方法及び運転支援用コンピュータプログラム |
US10497257B2 (en) | 2017-08-31 | 2019-12-03 | Nec Corporation | Parking lot surveillance with viewpoint invariant object recognition by synthesization and domain adaptation |
GB201802475D0 (en) * | 2018-02-15 | 2018-04-04 | Jaguar Land Rover Ltd | Controller and vehicle |
JP7393128B2 (ja) | 2019-03-20 | 2023-12-06 | フォルシアクラリオン・エレクトロニクス株式会社 | 車載処理装置、移動支援システム |
US11042758B2 (en) * | 2019-07-02 | 2021-06-22 | Ford Global Technologies, Llc | Vehicle image generation |
-
2020
- 2020-06-30 CN CN202010621949.9A patent/CN111982137B/zh active Active
-
2021
- 2021-02-24 EP EP21158981.7A patent/EP3932763A1/en active Pending
- 2021-04-02 US US17/221,309 patent/US11698262B2/en active Active
- 2021-06-30 JP JP2021108835A patent/JP7249384B2/ja active Active
- 2021-06-30 KR KR1020210085841A patent/KR20210090580A/ko active IP Right Grant
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106558058A (zh) * | 2016-11-29 | 2017-04-05 | 北京图森未来科技有限公司 | 分割模型训练方法、道路分割方法、车辆控制方法及装置 |
CN109429506A (zh) * | 2017-06-21 | 2019-03-05 | 北京嘀嘀无限科技发展有限公司 | 用于路线规划的***和方法 |
US20190034794A1 (en) * | 2017-07-27 | 2019-01-31 | Waymo Llc | Neural Networks for Vehicle Trajectory Planning |
US20190291720A1 (en) * | 2018-03-23 | 2019-09-26 | Sf Motors, Inc. | Multi-network-based path generation for vehicle parking |
CN109583384A (zh) * | 2018-11-30 | 2019-04-05 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车的避障方法和装置 |
CN111252061A (zh) * | 2018-11-30 | 2020-06-09 | 百度(美国)有限责任公司 | 用于自动驾驶车辆的实时决策制定 |
CN111291253A (zh) * | 2018-12-06 | 2020-06-16 | 北京嘀嘀无限科技发展有限公司 | 模型训练方法、咨询推荐方法、装置及电子设备 |
CN110795821A (zh) * | 2019-09-25 | 2020-02-14 | 的卢技术有限公司 | 一种基于场景区分的深度强化学习训练方法及*** |
CN111260954A (zh) * | 2020-04-30 | 2020-06-09 | 中国计量大学 | 一种基于图像处理的停车能力估算与泊位推荐方法 |
Non-Patent Citations (2)
Title |
---|
ZHONGHAN WANG等: "Automatic Parking Trajectory Planning Based on Recurrent Neural Network", 《2018 IEEE 9TH INTERNATIONAL CONFERENCE ON SOFTWARE ENGINEERING AND SERVICE SCIENCE (ICSESS)》 * |
刘志强等: "基于车联网信息的自动换道方法研究", 《重庆理工大学学报(自然科学)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113008256A (zh) * | 2021-02-18 | 2021-06-22 | 恒大新能源汽车投资控股集团有限公司 | 自动泊车路径的规划方法、规划装置以及存储介质 |
CN113879338A (zh) * | 2021-11-24 | 2022-01-04 | 广州文远知行科技有限公司 | 一种行驶规划模块优化方法、装置、设备和介质 |
CN113879338B (zh) * | 2021-11-24 | 2023-02-17 | 广州文远知行科技有限公司 | 一种行驶规划模块优化方法、装置、设备和介质 |
CN114148349A (zh) * | 2021-12-21 | 2022-03-08 | 西南大学 | 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法 |
CN114148349B (zh) * | 2021-12-21 | 2023-10-03 | 西南大学 | 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法 |
Also Published As
Publication number | Publication date |
---|---|
US20210223056A1 (en) | 2021-07-22 |
KR20210090580A (ko) | 2021-07-20 |
EP3932763A1 (en) | 2022-01-05 |
JP2021176751A (ja) | 2021-11-11 |
US11698262B2 (en) | 2023-07-11 |
CN111982137B (zh) | 2022-08-12 |
JP7249384B2 (ja) | 2023-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111982137B (zh) | 生成路线规划模型的方法、装置、设备和存储介质 | |
EP3842994A1 (en) | Collision detection method, and device, as well as electronic device and storage medium | |
CN110969655B (zh) | 用于检测车位的方法、装置、设备、存储介质以及车辆 | |
US20230289999A1 (en) | Methods and systems for joint pose and shape estimation of objects from sensor data | |
JP7204823B2 (ja) | 車両制御方法、車両制御装置及び車両 | |
KR102557026B1 (ko) | 차량 순항 제어 방법, 장치, 전자 기기 및 저장 매체 | |
KR102570094B1 (ko) | 측위 방법과 장치, 자율 주행 차량, 전자기기와 저장매체 | |
CN110794844B (zh) | 自动驾驶方法、装置、电子设备及可读存储介质 | |
CN111220164A (zh) | 定位方法、装置、设备及存储介质 | |
CN111829535B (zh) | 生成离线地图的方法、装置、电子设备和存储介质 | |
Li et al. | Monocular Snapshot‐based Sensing and Control of Hover, Takeoff, and Landing for a Low‐cost Quadrotor | |
Liu | A robust and efficient lidar-inertial-visual fused simultaneous localization and mapping system with loop closure | |
CN114386599A (zh) | 训练轨迹预测模型和轨迹规划的方法和装置 | |
CN111783611B (zh) | 无人车的定位方法、装置、无人车及存储介质 | |
CN111402308B (zh) | 障碍物速度的确定方法、装置、设备和介质 | |
CN111260722B (zh) | 车辆定位方法、设备及存储介质 | |
CN115790621A (zh) | 高精地图更新方法、装置及电子设备 | |
Han | Optical flow/ins navigation system in four-rotor | |
CN116883504B (zh) | 车辆朝向的校准方法、装置、计算机设备及存储介质 | |
CN113485327B (zh) | 末端工位定位方法、装置及电子设备 | |
US20230247291A1 (en) | System, Method, and Computer Program Product for Online Sensor Motion Compensation | |
CN115658833A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
CN117555911A (zh) | 训练模型和检测路面要素变更的方法和装置 | |
Zhang et al. | Research on Multisensor Fusion State Estimation of Automatic Navigation Vehicle Based on RNN Model | |
CN116126022A (zh) | 巡检无人机的控制方法、控制终端以及可读存储介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211014 Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085 Applicant after: Apollo Intelligent Technology (Beijing) Co.,Ltd. Address before: 2 / F, *** building, 10 Shangdi 10th Street, Haidian District, Beijing 100094 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |