CN112633120B - 一种基于半监督学习的智能路侧感知***的模型训练方法 - Google Patents
一种基于半监督学习的智能路侧感知***的模型训练方法 Download PDFInfo
- Publication number
- CN112633120B CN112633120B CN202011503137.0A CN202011503137A CN112633120B CN 112633120 B CN112633120 B CN 112633120B CN 202011503137 A CN202011503137 A CN 202011503137A CN 112633120 B CN112633120 B CN 112633120B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- intelligent
- training
- sensing
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于半监督学习的智能路侧感知***及模型训练方法,***包括智能路侧***、数据中心和智能终端***,智能路侧***包括智能路侧通信单元、边缘计算单元和智能路侧感知单元,智能路侧***通过智能路侧通信单元互相连接,智能路侧通信单元还与数据中心和智能终端***连接,实现数据共享,边缘计算单元中存储有深度学习模型,通过少量标注数据进行训练后,结合感知单元采集的感知数据和初始模型输出的目标检测结果形成新标注数据集,再对模型进行不断的交叉训练更新。本发明***通过训练数据共享,采用交叉训练***模型,提高了***模型检测的精准度和通用性,同时在无人工的条件下能够生成大量的标注数据。
Description
技术领域
本发明涉及智能交通技术领域,特别是涉及一种基于半监督学习的智能路侧感知***及模型训练方法。
背景技术
车路协同作为智能网联汽车中重要的部分,目的是解决单车智能的局限性,为自动驾驶车辆提供更大场景感知能力。在车路协同中,智能路侧是最重要的路侧感知和传输设备,主要负责道路场景的感知和相关数据传输。
在智能交通领域目标识别检测尤为重要,目标检测(Object Detection)是计算机视觉领域的基本任务之一。随深度学习技术的发展和计算机硬件性能的提升,目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。在深度学习中,目前有RCNN系列、YOLO系列、SSD系列、RetinaNet系列等优秀的监督学习目标检测算法。
智能时代,海量数据的采集已经变得非常容易。一般来讲,智能设备采集的数据都是不带标签的,如摄像头采集的图像、雷达采集的点云、麦克风采集音频等。原始数据采集的虽然很多,但我们能够直接用于深度学习模型训练的数据却很少。在工程实践过程中,我们往往会遇到少量标注数据和大量的无标签数据的情况。
目前,在智能路侧***开发过程中只有少量标签数据和大量无标签数据,且这些无标签数据在持续增加,因而现有的智能路侧***面临着如下问题:
1)如何利用每天增加的无标签数据,提升***目标检测算法的检测精度。
2)如何利用多个数据源的无标签数据,提升***目标检测算法的通用性。
发明内容
本发明提供了一种基于半监督学习的智能路侧感知***及模型训练方法,将各个智能路侧***与数据中心、智能终端***以及其它智能路侧***数据连接,使得采集的感知数据进行共享,利用输出的目标检测结果构成新的标注数据集,并不断对模型进行训练,同时数据中心和智能路侧***的模型在一定周期内进行同步,使得智能路侧***中的模型能够持续更新,该***能够自动生成大量的标注数据,减少了人员进行手动标注数据,同时***还实时采集未标注数据训练模型,提高***模型的检测精度和通用性。
本发明提供了一种基于半监督学习的智能路侧感知***,具体技术方案如下:
***包括智能路侧***、数据中心和智能终端***,所述数据中心包括云端数据中心和边缘数据中心,所述智能路侧***分别与其它智能路侧***、所述数据中心和所述智能终端***数据连接;
所述智能路侧***包括智能路侧通信单元、边缘计算单元和智能路侧感知单元,所述智能路侧感知单元中设有若干感知传感器,所述智能路侧通信单元、边缘计算单元和智能路侧感知单元依次连接;
所述智能路侧通信单元用来接收所述边缘计算单元输出的目标检测数据和转发的感知数据,并对数据进行分类,将所述目标检测数据发送至所述智能终端和其它智能路侧***的所述智能路侧通信单元中;同时所述智能路侧通信单元将接收的原始感知数据和目标检测数据发送至所述云端数据中心或边缘数据中心。
所述边缘计算单元内存储有深度学习模型,用于接收前端所述感知传感器采集的感知数据进行信息融合,并获得目标检测数据;所述边缘计算单元会将接收的感知数据转发到所述智能路侧通信单元中。
所述智能路侧感知单元用于采集多种感知数据并传输至所述边缘计算单元中。
进一步的,所述智能路侧感知单元的感知传感器设有多个,同一位置至少设有一个所述感知传感器。
进一步的,所述智能终端***包括自动驾驶车辆的智能***、具备OBU功能的车辆***和道路行人所属的智能终端。
进一步的,所述边缘计算单元中存储有若干不同的深度学习模型,每个深度学习模型接收对应的训练数据进行训练。
本发明基于上述智能路侧感知***还提供了一种基于半监督学习的智能路侧感知***的模型训练方法,具体步骤如下:
S1:基于少量标注数据进行最初的深度学习模型训练;
构建若干最初的深度学习模型,通过公开数据集采用迁移学习的方法进行训练获得N个原始深度学习模型。
S2:基于新标注数据对原始深度学习模型进行训练;
通过将接收的实时感知数据输入到模型中获得识别结果,通过NMS算法获得各类别具有若干检测框的结果数据,设置置信度值去除检测结果中各类别多余的检测框,筛选出高置信度检测结果,得到新标注数据,并通过新标注数据对模型进行交叉训练。
S3:模型的覆盖更新和同步;
通过新得标注数据集对模型进行交叉训练后得到的新模型,将新模型中目标检测精度高的覆盖上一代模型,反之则不进行覆盖更新;且所述数据训练中心训练得到的新的模型会与所述边缘计算单元中的模型在预设周期内进行同步。
进一步的,步骤S1中,最初深度模型的训练,从公开的数据集中获取少量的标注数据,采用抽样方式有放回的从原始标注数据中获取对应模型数量的N份数据集。
进一步的,步骤S2中,新标注数据的获取通过感知数据输入到模型中获得目标检测结果,根据设置的置信度阈值A进行筛选,当所述目标检测结果的置信度≥A时,将目标检测结果和感知数据保存到数据中心作为新的标注数据集。
进一步的,步骤S3中,将步骤S2中得到的新标注数据集对模型进行交叉训练,具体步骤如下:
S301:在新的标注数据集中,去除对应模型M_pre输出的数据集,将剩余的数据集打乱按照一定比例划分为训练集和测试集。
S302:将划分后得到的训练集来训练所述模型M_pre获得新的模型M_post,利用所述测试集测试所述模型M_pre和新的模型M_post,得到对应模型的目标检测精度,如果新的模型M_post的目标检测精度高于模型M_pre的目标检测精度,则将所述新的模型M_post覆盖所述模型M_pre,反之则保留所述模型M_pre。
进一步的,步骤S3中,训练得到的新的模型,所述数据中心和所述边缘计算单元会在预设的时间周期内进行同步,持续更新所述智能路侧***。
本发明的有益效果如下:
1、所述智能路侧***与数据中心、智能终端***以及其它智能路侧***数据连接,实现了多个***之间的训练数据共享,采用交叉训练,避免了单个智能路侧***所采集的数据场景单一性的影响,提高了各***中模型的通用性。
2、***采用半监督学习的方法,结合实时接收的感知数据,通过模型输出的目标检测结果通过NMS算法和设置高置信度阈值对结果进行筛选,生成新的标注数据,不断训练模型对模型进行覆盖更新,无需人工干涉能够持续提升模型的检测精度。
3、最初模型训练时,从原始的少量标注数据中通过有放回的抽样方式获取训练数据集进行训练,进而获得多个具有差异的模型,提高了***目标检测场景的多样性。
附图说明
图1是本发明的智能路侧感知***架构示意图;
图2是本发明的模型训练方法整体流程示意图;
图3是本发明的基于少量标注数据的初始模型训练流程示意图;
图4是本发明的新标注数据生成的流程示意图;
图5是本发明的新标注数据的模型训练流程示意图;
图6是本发明的新标注数据对模型交叉训练方法流程示意图。
具体实施方式
在下面的描述中对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本发明的实施例1提供了一种基于半监督学习的智能路侧感知***,如图1所示,***包括智能路侧***、数据中心和智能终端***,所述数据中心包括云端数据中心和边缘数据中心,所述智能终端***包括自动驾驶车辆的智能***、具备OBU功能的车辆***和道路行人所属的智能终端。。
所述智能路侧***,包括智能路侧通信单元、边缘计算单元和智能路侧感知单元,所述智能路侧感知单元中设有若干感知传感器,所述智能路侧通信单元、边缘计算单元和智能路侧感知单元依次连接;
所述感知传感器设有多个,可在同一个位置设置多个感知传感器,也可分布设置在多处,其中所述感知传感器包括交通摄像头、毫米波交通雷达、激光雷达、红外传感器、超声波传感器等设备;
所述边缘计算单元用于接收前端所述感知传感器感知的数据,且所述边缘计算单元内存储有深度学习模型,一个边缘计算单元内可根据其计算能力部署多个深度学习模型;
所述智能路侧通信单元用来接收所述边缘计算单元输出的目标检测数据和转发的感知数据,并对数据进行分类,将所述目标检测数据发送至所述智能终端和其它智能路侧***的所述智能路侧通信单元中;同时所述智能路侧通信单元将接收的原始感知数据和目标检测数据发送至所述云端数据中心或边缘数据中心。
所述智能路侧***设有多个,通过其中所述智能路侧通信单元进行通信连接,实现各智能路侧***间的数据共享,同时所述智能路侧通信单元还能够与通信范围内车辆中的自动驾驶***、具备OBU功能的其它车辆***或道路行人所属的智能终端连接进行数据交互。
实施例2
本发明的实施例2提供了一种基于半监督学习的智能路侧感知***的模型训练方法,如图2所示,包括如下步骤:
S1:基于少量标注数据进行最初的深度学习模型训练;
构建若干最初的深度学习模型,本实施例中采用目前通用的深度学习模型作为最初的深度学习模型,例如RCNN系列、YOLO系列、SSD系列,RetinaNet系列等;
如图3所示,通过COCO2017,nuScenes,ImageNet2016等公开数据集,采用迁移学习的方法进行训练获得N个原始深度学习模型,具体过程如下:
从公开数据集中获取少量的标注数据,通过有放回抽样方式获取与构建的所述原始深度学习模型等量的N个训练数据集,将数据集输入到构建的对应深度学习模型中进行训练,获得N个训练好的初始深度学习模型,将得到的初始深度学习模型部署到***中多个边缘计算单元中,所述边缘计算单元中深度学习模型以权重文件形式存储,***使用模型进行计算时,加载权重文件即可,且所述边缘计算单元中的权重文件,每隔设定的周期时间后会与所述云端数据中心的最新权重文件同步,如若出现网络等故障更新不成功时,可继续使用更新前的权重文件版本。
S2:基于新标注数据对原始深度学习模型进行训练;如图4所示,具体过程如下:
所述智能路侧***感知端的感知传感器将实时的感知数据流发送至所述边缘计算单元中,对应输入到部署的各初始深度学习模型中,获得识别结果,即目标检测结果。
之后通过NMS算法和设置高置信度进行筛选获得新标注数据,本实施例中根据不同的类别分别设置不同的置信度阈值,根据预设的置信度阈值A进行比较判断,当目标检测结果的置信度<A时,则认为目标检测结果错误,不保存数据到数据中心,但转发目标检测结果到所述智能路侧通信单元;当目标检测结果的置信度≥A时,则认为目标检测结果正确,保存原始感知数据和目标检测数据到数据中心,同时转发目标检测结果;
当所述数据中心接收到目标检测置信度≥A时回传的原始感知和目标检测结果数据,将目标检测结果的置信度置为1,同时保存原始数据和目标检测数据的结果为一般标注文件格式,作为新标注数据集,进而通过新标注数据对***中的模型进行交叉训练。
S3:模型的覆盖更新和同步;如图5所示,将得到的新标注数据划分为与***中模型等量的训练数据集,输入到模型中进行训练获得新的权重文件,即得到新的深度学习模型,根据新获得的模型测试结果来对***中的模型进行更新。
如图6所示,以其中一个模型为例,M_pre表示经过新标注数据训练前的上一代模型,M_post表示经过新标注数据训练前的新模型,具体过程如下:
S301:在获得新的标注数据集中,将其划分为与待训练模型等量的数据集,数据集的划分获取:将得到的数据集去除对应模型M_pre输出的数据集,将剩余的数据集打乱按照一定比例划分为训练集和测试集,本实施例中训练集与测试集的按照8:2的比例进行划分;这样得到的N的训练数据集在输入到模型中训练时都不包含上一代对应模型M_pre生成的标注数据,实现模型的交叉训练,提高了最终模型的精准度和通用性。
S302:将划分后得到的训练集输入到上一代对应模型中进行训练获得新的模型M_post,利用所述测试集测试相邻两代的所述模型M_pre和新的模型M_post,得到对应模型的目标检测精度,如果新的模型M_post的目标检测精度高于模型M_pre的目标检测精度,则将所述新的模型M_post覆盖所述模型M_pre,反之则保留所述模型M_pre。
通过新得标注数据集对模型进行交叉训练后得到的新模型,将新模型中目标检测精度高的覆盖上一代模型,反之则不进行覆盖更新;且所述数据训练中心训练得到的新的模型会与所述边缘计算单元中的模型在预设周期内进行同步。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (7)
1.一种基于半监督学习的智能路侧感知***的模型训练方法,其特征在于,智能路侧感知***包括智能路侧***、数据中心和智能终端***,所述数据中心包括云端数据中心和边缘数据中心,所述智能路侧***分别与其它智能路侧***、所述数据中心和所述智能终端***数据连接;
所述智能路侧***包括智能路侧通信单元、边缘计算单元和智能路侧感知单元,所述智能路侧感知单元中设有若干感知传感器,所述智能路侧通信单元、边缘计算单元和智能路侧感知单元依次连接;
所述智能路侧通信单元用来接收所述边缘计算单元输出的目标检测数据和转发的感知数据,并对数据进行分类,将所述目标检测数据发送至所述智能终端和其它智能路侧***的所述智能路侧通信单元中;同时所述智能路侧通信单元将接收的原始感知数据和目标检测数据发送至所述云端数据中心或边缘数据中心;
所述边缘计算单元内存储有深度学习模型,用于接收前端所述感知传感器采集的感知数据进行信息融合,并获得目标检测数据;所述边缘计算单元会将接收的感知数据转发到所述智能路侧通信单元中;
所述智能路侧感知单元用于采集多种感知数据并传输至所述边缘计算单元中;
所述模型训练方法包括如下步骤:
S1:基于少量标注数据进行最初的深度学习模型训练,最初深度模型的训练,从公开的数据集中获取少量的标注数据,采用抽样方式有放回的从原始标注数据中获取对应模型数量的N份数据集;
构建若干最初的深度学习模型,通过公开数据集采用迁移学习的方法进行训练获得N个原始深度学习模型;
S2:基于新标注数据对原始深度学习模型进行训练;
通过将接收的实时感知数据输入到模型中获得识别结果,通过NMS算法获得各类别具有若干检测框的结果数据,设置置信度值去除检测结果中各类别多余的检测框,筛选出高置信度检测结果,得到新标注数据,并通过新标注数据对模型进行交叉训练;
S3:模型的覆盖更新和同步;
通过新得标注数据集对模型进行交叉训练后得到的新模型,将新模型中目标检测精度高的覆盖上一代模型,反之则不进行覆盖更新;且所述数据训练中心训练得到的新的模型会与所述边缘计算单元中的模型在预设周期内进行同步。
2.根据权利要求1所述的智能路侧感知***的模型训练方法,其特征在于,所述智能路侧感知单元的感知传感器设有多个,同一位置至少设有一个所述感知传感器。
3.根据权利要求1所述的智能路侧感知***的模型训练方法,其特征在于,所述智能终端***包括自动驾驶车辆的智能***、具备OBU功能的车辆***和道路行人所属的智能终端。
4.根据权利要求1所述的智能路侧感知***的模型训练方法,其特征在于,所述边缘计算单元中存储有若干不同的深度学习模型,每个深度学习模型接收对应的训练数据进行训练。
5.根据权利要求1所述的智能路侧感知***的模型训练方法,其特征在于,步骤S2中,新标注数据的获取通过感知数据输入到模型中获得目标检测结果,根据设置的置信度阈值A进行筛选,当所述目标检测结果的置信度≥A时,将目标检测结果和感知数据保存到数据中心作为新的标注数据集。
6.根据权利要求5所述的智能路侧感知***的模型训练方法,其特征在于,步骤S3中,将步骤S2中得到的新标注数据集对模型进行交叉训练,具体步骤如下:
S301:在新的标注数据集中,去除对应模型M_pre输出的数据集,将剩余的数据集打乱按照一定比例划分为训练集和测试集;
S302:将划分后得到的训练集来训练所述模型M_pre获得新的模型M_post,利用所述测试集测试所述模型M_pre和新的模型M_post,得到对应模型的目标检测精度,如果新的模型M_post的目标检测精度高于模型M_pre的目标检测精度,则将所述新的模型M_post覆盖所述模型M_pre,反之则保留所述模型M_pre。
7.根据权利要求1所述的智能路侧感知***的模型训练方法,其特征在于,步骤S3中,训练得到的新的模型,所述数据中心和所述边缘计算单元会在预设的时间周期内进行同步,持续更新所述智能路侧***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011503137.0A CN112633120B (zh) | 2020-12-18 | 2020-12-18 | 一种基于半监督学习的智能路侧感知***的模型训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011503137.0A CN112633120B (zh) | 2020-12-18 | 2020-12-18 | 一种基于半监督学习的智能路侧感知***的模型训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112633120A CN112633120A (zh) | 2021-04-09 |
CN112633120B true CN112633120B (zh) | 2022-05-03 |
Family
ID=75317003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011503137.0A Active CN112633120B (zh) | 2020-12-18 | 2020-12-18 | 一种基于半监督学习的智能路侧感知***的模型训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633120B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808389A (zh) * | 2021-08-11 | 2021-12-17 | 深圳市金溢科技股份有限公司 | 车路协同***、边缘计算单元、中心云平台及信息处理方法 |
CN114120650B (zh) * | 2021-12-15 | 2023-08-08 | 阿波罗智联(北京)科技有限公司 | 用于生成测试结果的方法、装置 |
CN114267004B (zh) * | 2022-03-03 | 2022-06-24 | 杭州智现科技有限公司 | 基于边端协同的作业现场安全识别方法和装置 |
CN114973663B (zh) * | 2022-05-16 | 2023-08-29 | 浙江机电职业技术学院 | 一种基于边缘计算的智能路侧单元装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108010360A (zh) * | 2017-12-27 | 2018-05-08 | 中电海康集团有限公司 | 一种基于车路协同的自动驾驶环境感知*** |
CN108469825A (zh) * | 2018-04-19 | 2018-08-31 | 河南科技学院 | 一种基于车路协同的智能巡视***及其构建方法 |
CN109660965A (zh) * | 2018-11-05 | 2019-04-19 | 中国电子科技集团公司第二十八研究所 | 一种基于边缘计算的智能路侧终端 |
CN110874945A (zh) * | 2018-08-31 | 2020-03-10 | 百度在线网络技术(北京)有限公司 | 基于车路协同的路侧感知***及其车辆控制方法 |
CN111462481A (zh) * | 2020-03-03 | 2020-07-28 | 北京理工大学 | 包含多功能无人车的云大脑智能交通*** |
CN211124362U (zh) * | 2019-10-18 | 2020-07-28 | 长安大学 | 面向智慧公路的多源交通信息感知路侧设备 |
CN111818189A (zh) * | 2020-09-09 | 2020-10-23 | 浙江吉利控股集团有限公司 | 一种车路协同控制***、方法及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8605947B2 (en) * | 2008-04-24 | 2013-12-10 | GM Global Technology Operations LLC | Method for detecting a clear path of travel for a vehicle enhanced by object detection |
-
2020
- 2020-12-18 CN CN202011503137.0A patent/CN112633120B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108010360A (zh) * | 2017-12-27 | 2018-05-08 | 中电海康集团有限公司 | 一种基于车路协同的自动驾驶环境感知*** |
CN108469825A (zh) * | 2018-04-19 | 2018-08-31 | 河南科技学院 | 一种基于车路协同的智能巡视***及其构建方法 |
CN110874945A (zh) * | 2018-08-31 | 2020-03-10 | 百度在线网络技术(北京)有限公司 | 基于车路协同的路侧感知***及其车辆控制方法 |
CN109660965A (zh) * | 2018-11-05 | 2019-04-19 | 中国电子科技集团公司第二十八研究所 | 一种基于边缘计算的智能路侧终端 |
CN211124362U (zh) * | 2019-10-18 | 2020-07-28 | 长安大学 | 面向智慧公路的多源交通信息感知路侧设备 |
CN111462481A (zh) * | 2020-03-03 | 2020-07-28 | 北京理工大学 | 包含多功能无人车的云大脑智能交通*** |
CN111818189A (zh) * | 2020-09-09 | 2020-10-23 | 浙江吉利控股集团有限公司 | 一种车路协同控制***、方法及介质 |
Non-Patent Citations (4)
Title |
---|
Real-to-Virtual Domain Unification for End-to-End Autonomous Driving;Luona Yang等;《European Conference on Computer Vision》;20181006;第553-570页 * |
人机协同下的道路检测方法研究;谢奇;《万方数据库》;20170815;第1-73页 * |
基于深度图像识别的路侧智能感知V2X协同***研究;卢振兴等;《计算机产品与流通》;20190815(第8期);第112页 * |
基于车-路视觉协同的行车环境感知方法研究;穆柯楠;《中国博士学位论文全文数据库 (信息科技辑)》;20170515;第I138-27页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112633120A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112633120B (zh) | 一种基于半监督学习的智能路侧感知***的模型训练方法 | |
KR102605807B1 (ko) | 시계열 요소들로부터 머신 러닝을 위한 그라운드 트루스 생성 | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN113646772A (zh) | 预测用于自主驾驶的三维特征 | |
CN107316457B (zh) | 判断道路交通状况是否符合汽车自动驾驶的方法 | |
CN110956146B (zh) | 一种道路背景建模方法、装置、电子设备和存储介质 | |
CN112162554B (zh) | 面向n3类清扫车的数据存储与回溯平台 | |
CN109977908B (zh) | 一种基于深度学习的车辆行车车道检测方法 | |
CN112180903A (zh) | 基于边缘计算的车辆状态实时检测*** | |
EP4257443A1 (en) | Method and system for automatic driving data collection and closed-loop management | |
CN112417973A (zh) | 一种基于车联网的无人驾驶*** | |
KR20190043396A (ko) | 도로 경로 촬영 영상을 이용한 도로 경로 별 날씨정보 생성 및 제공하기 위한 방법 및 시스템 | |
CN113771573A (zh) | 一种基于识别路面信息的车辆悬架控制方法及装置 | |
CN114037834B (zh) | 一种基于振动信号和rgb图像融合的语义分割方法及装置 | |
CN109874099B (zh) | 一种联网车载设备流量控制*** | |
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 | |
EP4073665A1 (en) | Automotive data processing system with efficient generation and exporting of metadata | |
CN112288702A (zh) | 一种基于车联网的道路图像检测方法 | |
CN115984723A (zh) | 道路破损检测方法、***、装置、存储介质及计算机设备 | |
CN115223144A (zh) | 一种基于云端数据的无人驾驶矿车传感器数据筛选方法及装置 | |
CN114463608A (zh) | 任务处理方法及相关设备 | |
CN113837222A (zh) | 一种用于毫米波雷达路口车流量监测***的云边协同的机器学习部署应用方法及装置 | |
CN114255450A (zh) | 一种基于前向全景图像的近场车辆加塞行为预测方法 | |
JP6922447B2 (ja) | 情報処理システム、サーバおよび通信方法 | |
TWI795752B (zh) | 行車智能系統學習的開發裝置及其開發方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |