CN112800873A - 确定目标方向角的方法、装置、***及存储介质 - Google Patents
确定目标方向角的方法、装置、***及存储介质 Download PDFInfo
- Publication number
- CN112800873A CN112800873A CN202110047651.6A CN202110047651A CN112800873A CN 112800873 A CN112800873 A CN 112800873A CN 202110047651 A CN202110047651 A CN 202110047651A CN 112800873 A CN112800873 A CN 112800873A
- Authority
- CN
- China
- Prior art keywords
- width
- length
- target
- target frame
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000013136 deep learning model Methods 0.000 claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000013135 deep learning Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 abstract description 8
- 238000003062 neural network model Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 230000002093 peripheral effect Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种确定目标方向角的方法、装置、***及存储介质，属于图像处理技术领域，该方法包括：获取训练数据中的目标障碍物的点云数据；将所述目标框的长度、宽度以及目标框最小外接矩形的长度和宽度作为标签数据训练深度神经网络模型；获取目标障碍物点云数据，采用上述训练所得的深度神经网络模型，预测目标的长度、宽度和最小外接矩形的长度和宽度；使用目标的长度、宽度和最小外接矩形的长度和宽度计算目标方向角，以辅助无人驾驶车辆进行路径规划。可以解决现有无人驾驶路径规划中，对于车辆周围目标方向角的确定，使用深度学习模型预测所得目标长宽以及最小外接矩形的长宽进行角度计算。可以提高角度预测准确性，减缓角度抖动的问题。
Description
技术领域
本申请涉及确定目标方向角的方法、装置、***及存储介质，属于无人驾驶技术领域。
背景技术
无人驾驶汽车***(Autonomous Ground Vehicle简称AGV)是一种根据各种传感器获得环境信息以及车辆状态、位置，通过对环境的理解自动控制车辆驾驶行为的智能控制***。局部路径规划是无人驾驶汽车研究的关键技术之一，局部路径规划是指：无人驾驶汽车在不确定的道路环境中，控制***根据环境感知***和车辆状态检测***提供的信息、全局路径规划提供的所要达到的目标等实时规划出车辆当前的行驶路径。
路径规划的过程中，需要预测无人驾驶汽车前方的障碍物的方向角，目前对于方向角的计算，采用深度学习网络学习到角度模型，使用该角度模型对周围目标进行角度预测，得到周围目标的方向角。
深度神经网络可以依据大量的样本数据以及具有较高泛化性的网络结构直接预测角度，而用于目标检测的深度神经网络对坐标点及由较少约束构成的角度值预测的泛化性差于对目标框的预测，使得使用深度神经网略对周围目标直接进行角度预测时，所预测角度十分不稳定、抖动严重，无法有效使用。
发明内容
本申请提供了一种方向角的确定方法、装置、***及存储介质，可以解决现有无人驾驶路径规划中，对于目标方向角的确定，采用深度学习的方法直接进行角度预测，预测结果不稳定、变化范围大，且抖动严重的问题。
本申请提供如下技术方案：
本申请实施例的第一方面，提供了一种确定目标方向角的方法，所述方法包括：
实时获取检测到的目标障碍物的点云数据；
采用预先训练好的深度学习模型，对实时获取的所述点云数据进行目标框预测，得到所述目标框的长宽以及所述目标框对应的最小外接矩形的长宽；
根据所述目标框的长宽以及所述目标框对应的最小外接矩形的长宽，确定目标障碍物对应的目标方向角，以辅助无人驾驶车辆进行路径规划。
进一步地，根据本申请实施例第一方面所述的确定目标方向角的方法，训练深度学习模型的步骤，包括：
获取训练样本集，所述训练样本集中包括点云数据及标签，所述标签指示目标框的顶点坐标及点云数据中各激光点的标签类别；
将所述训练样本集输入深度学习模型中进行学习，得到目标框的长宽以及对应的最小外接矩形的长宽的预测结果；其中，在学习过程中，根据目标框的顶点坐标，确定所述目标框的长宽以及目标框对应的最小外接矩形的长宽，并将所述目标框的长宽以及所述最小外接矩形的长宽作为训练标签；
根据损失函数，确定所述预测结果与所述训练标签之间的差异；
基于所述差异，对所述深度学习模型进行迭代训练；
当所述差异达到预设范围时，完成深度学习模型的训练。
进一步地，根据本申请实施例第一方面所述的确定目标方向角的方法，确定目标障碍物对应的目标方向角的方法为：
其中，α为目标方向角，a为最小外接矩形的长度，b为最小外接矩形的宽度，w为目标的宽度，l为目标的长度。
本申请实施例的第二方面，提供了一种确定目标方向角的装置，所述装置包括：
数据获取模块，被配置为用于实时获取目标障碍物的点云数据；
深度学习模块，被配置为用于采用预先训练好的深度学习模型，对实时获取的所述点云数据进行目标框预测，得到所述目标框的长宽以及所述目标框对应的最小外接矩形的长宽；
计算模块，被配置为用于根据所述目标框的长宽以及所述目标框对应的最小外接矩形的长宽，确定目标障碍物对应的目标方向角，以辅助无人驾驶车辆进行路径规划。
进一步地，根据本申请实施例第二方面所述的装置，所述深度学习模块还用于训练深度学习模型，包括：
获取训练样本集，所述训练样本集中包括点云数据、目标框、目标框对应的最小外接矩形及对应的标签，所述标签指示目标框的顶点坐标及点云数据中各激光点的标签类别；
将所述训练样本集输入深度学习模型中进行学习，得到目标框的长宽以及对应的最小外接矩形的长宽的预测结果；其中，在学习过程中，根据目标框的顶点坐标，确定所述目标框的长宽以及目标框对应的最小外接矩形的长宽，并将所述目标框的长宽以及所述最小外接矩形的长宽作为训练标签；
根据损失函数，确定所述预测结果与所述训练标签之间的差异；
基于所述差异，对所述深度学习模型进行迭代训练；
当所述差异达到预设范围时，完成深度学习模型的训练，得到深度学习模型。
进一步地，根据本申请实施例第二方面所述的装置，所述计算模块确定目标障碍物对应的目标方向角的方法为：
其中，α为目标方向角，a为最小外接矩形的长度，b为最小外接矩形的宽度，w为目标框的宽度，l为目标框的长度。
本申请实施例的第三方面，提供了一种确定目标方向角的***，所述***包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行，以实现本申请实施例第一方面所述的确定目标方向角的方法的步骤。
本申请实施例的第四方面，提供了一种计算机可读存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时，用于实现本申请实施例第一方面所述的确定目标方向角的方法的步骤。
本申请达到的有益效果：本申请采用训练好的深度学习模型来预测目标障碍物点云数据中的目标框，以及目标框的长宽数据及其最小外接矩形的长宽数据，从而确定目标方向角。本申请所用训练样本集中的点云数据为真实反应目标形状的数据，因此得到的最小外接矩形的长宽具有较高的可信度，而且深度学习过程中，将长宽数据作为标签，因此可以避免现有技术中，通过神经网络特征提取差异，导致的预测结果不稳定、变化范围大，且抖动严重的问题。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，并可依照说明书的内容予以实施，以下以本申请的较佳实施例并配合附图详细说明如后。
附图说明
图1是本申请一个实施例提供的路径规划架构图；
图2是本申请一个实施例提供的确定方向角的方法流程图；
图3是本申请一个实施例提供的训练深度学习模型的流程图；
图4是本申请一个实施例提供的目标框长宽与最小外接矩形的长宽关系示意图；
图5是本申请一个实施例提供的确定方向角的装置结构图；
图6是本申请一个实施例提供的确定方向角的***结构图。
具体实施方式
下面结合附图和实施例，对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。
图1是本申请一个实施例提供的能够实现本申请实施例所述确定方向角的方法和确定方向角的装置的路径规划***构架示意图，如图1所示，该路径规划***构架包括激光雷达101和路径规划控制装置102，激光雷达101和路径规划控制装置102建立通信连接。
激光雷达101对无人驾驶车辆周围发射激光束，如遇到障碍物会，则会被障碍物反射，得到障碍物的点云数据。
路径规划控制装置102首先获取激光雷达101的点云数据，然后，将点云数据输入预先训练好的深度学习模型，进行目标框预测，得到所述目标框的长宽以及所述目标框对应的最小外接矩形的长宽。最后，根据所述目标框的长宽以及所述目标框对应的最小外接矩形的长宽，确定目标障碍物对应的目标方向角，以辅助无人驾驶车辆进行路径规划。
路径规划控制装置根据所述目标方向角确定目标障碍物的方位，控制无人驾驶车辆的行进路径。
需要说明的是，本申请实施例所提供的用于实现确定方向角的方法由路径规划控制装置102执行，相应地，用于实现确定方向角的装置设置于路径规划控制装置102中。
图2是本申请一个实施例提供的确定目标方向角的方法流程图，本实施例以该方法应用于图1所示的路径规划***中，且各个步骤的执行主体为该***中的路径规划控制装置为例进行说明。该方法至少包括以下几个步骤：
S201:实时获取检测到的目标障碍物的点云数据；
具体地，本实施例通过激光雷达发射若干激光束，对车辆前方障碍物进行扫描，若遇到障碍物，则会被障碍物反射，被障碍物表面反射回的点的集合，即为点云，点云中的每个点包含该点的三维坐标(相对激光雷达的位置)和激光反射强度。因此，根据获取的点云数据即可检测障碍物的位置和距离。
S202:采用预先训练好的深度学习模型，对实时获取的所述点云数据进行目标框预测，得到所述目标框的长宽以及所述目标框对应的最小外接矩形的长宽。
本申请实施例的目标框指示的是目标障碍物的目标位置，根据实时获取的点云数据，利用训练好的深度学习模型可以预测得到目标框的长宽以及其对应的最小外接矩形的长宽。
最小外接矩形，也可以称为最小边界矩形，是指以二维坐标表示的若干二维形状(例如点、直线、多边形)的最大范围，即以给定的二维形状各顶点中的最大横坐标、最小横坐标、最大纵坐标、最小纵坐标定下边界的矩形。
图3给出了训练线性回归模型的流程图，如图3所示，本申请实施例训练线性回归模型的步骤，包括：
S301:获取训练样本集。
所述训练样本集中包括目标障碍物的点云数据、及标签，所述标签指示目标框的顶点坐标及点云数据中各激光点的标签类别；
本实施例的目标框可以是3D目标框，标签可以是对应目标框的8个顶点坐标，根据目标框的顶点坐标即可以确定目标框的长宽，最小外接矩形可以是其中3D目标框对应的底面或顶面的最小外接矩形。
根据顶面或底面4个顶点的坐标，即可以获知其对应的最小外接矩形的长宽。本申请最小外接矩形与目标框的关系可参见图4。
S302:将所述训练样本集输入构建的深度学习模型中进行学习，得到预测结果。
本申请实施例的预测结果包括点云数据对应的目标框的长宽以及最小外接矩形的长宽。对于深度学习模型，根据输入的训练样本集，通过目标检测可以获取目标障碍物对应的目标框及对应的最小外接矩形，并且在学习过程中，根据最小外接矩形与目标框的位置关系，通过计算，将标签指示的目标框的顶点坐标，转换为目标框的长宽以及其对应的最小外接矩形的长宽，并将根据标签得到的目标框的长宽以及其对应的最小外接矩形的长宽作为最终的训练标签。该深度学习模型最终输出的为目标框的长宽以及对应的最小外接矩形的长宽。
关于深度学习模型，可以采用现有的神经网络模型，例如可以是FCOS网络、CNN网络等等，本申请实施例在此不做限定，对于目标检测的原理及过程，属于本领域技术人员熟知的技术，在此不再赘述。
S303:根据损失函数，确定所述预测结果与所述标签之间的差异。
S304:基于所述差异，对所述深度学习模型进行迭代训练。
S305:当所述差异达到预设范围时，完成深度学习模型的训练。
深度学习模型的具体训练过程属于本领域熟知的技术，在此不再赘述。
S203:根据预测得到的目标框的长宽，以及对应的最小外接矩形的长宽，确定目标方向角，以辅助无人驾驶车辆进行路径规划。
具体地，目标框的朝向也就是目标障碍物的朝向，本实施例根据目标框与最小外接矩形的位置关系以及对应的大小关系，即可以获知目标方向角，从而辅助无人驾驶车辆的路径规划。
图4给出了目标障碍物最小外接矩形的长宽与目标障碍物的长宽关系示意图，本实施例得到的目标方向角指的是目标障碍物在世界坐标系下相对x轴正方向的偏角。
如图4所示，可知：
a＝l×sinα+w×cosα
b＝w×sinα+l×cosα
根据所得等式，联立方程进行求解，得到；
其中，α为目标方向角，a为最小外接矩形的长度，b为最小外接矩形的宽度，w为目标框的宽度，l为目标框的长度。
综上所述，本申请采用训练好的深度学习模型来预测目标障碍物点云数据中的目标框，以及目标框的长宽数据及其最小外接矩形的长宽数据，从而确定目标方向角。本申请所用训练样本集中的点云数据为真实反应目标形状的数据，因此得到的目标框的长宽以及该目标框对应的最小外接矩形的长宽具有较高的可信度，而且深度学习过程中，将长宽数据作为标签，因此可以避免现有技术中，通过神经网络特征提取差异，导致的预测结果不稳定、变化范围大，且抖动严重的问题。
图5是本申请一个实施例提供的确定目标方向角的装置的框图，本实施例以该装置应用于图1所示的路径规划***中的路径规划控制装置为例进行说明。该装置至少包括以下几个模块：
数据获取模块，被配置为用于实时获取目标障碍物的点云数据；
深度学习模块，被配置为用于采用预先训练好的深度学习模型，对实时获取的所述点云数据进行目标框预测，得到所述目标框的长宽以及所述目标框对应的最小外接矩形的长宽；
计算模块，被配置为用于根据所述目标框的长宽以及所述目标框对应的最小外接矩形的长宽，确定目标障碍物对应的目标方向角，以辅助无人驾驶车辆进行路径规划。
进一步地，所述深度学习模块还用于训练深度学习模型，包括：
获取训练样本集，所述训练样本集中包括点云数据及对应的标签，所述标签指示目标框的顶点坐标；
将所述训练样本集输入深度学习模型中进行学习，得到目标框的长宽以及对应的最小外接矩形的长宽的预测结果；其中，在学习过程中，根据标签指示的目标框的顶点坐标，确定所述目标框的长宽以及目标框对应的最小外接矩形的长宽，并将所述目标框的长宽以及所述最小外接矩形的长宽作为训练标签；
根据损失函数，确定所述预测结果与所述训练标签之间的差异；
基于所述差异，对所述深度学习模型进行迭代训练；
当所述差异达到预设范围时，完成深度学习模型的训练，得到深度学习模型。
进一步地，所述第二计算模块确定目标障碍物对应的目标方向角的方法为：
其中，α为目标方向角，a为最小外接矩形的长度，b为最小外接矩形的宽度，w为目标障碍物的宽度，l为目标框的长度。
本实施例确定目标方向角的装置的相关细节参考上述方法实施例。
需要说明的是：上述实施例中提供的确定目标方向角的装置在进行确定目标方向角的时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将确定目标方向角的装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的确定目标方向角的装置与确定目标方向角的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图6是本申请一个实施例提供的确定目标方向角的***的框图，该***可以是平板电脑、笔记本电脑、台式电脑或服务器。确定目标方向角的***至少包括处理器和存储器。
处理器可以包括一个或多个处理核心，比如：4核心处理器、6核心处理器等。处理器可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable GateArray，现场可编程门阵列)、PLA(Programmable LogicArray，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central Processing Unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器可以在集成有GPU(Graphics ProcessingUnit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器还可以包括AI(ArtificialIntelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器所执行以实现本申请中方法实施例提供的确定目标方向角的方法。
在一些实施例中，确定目标方向角的***还可选包括有：***设备接口和至少一个***设备。处理器、存储器和***设备接口之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口相连。示意性地，***设备包括但不限于：射频电路、触摸显示屏、音频电路、和电源等。
当然，确定目标方向角的***还可以包括更少或更多的组件，本实施例对此不作限定。
可选地，本申请还提供有一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述方法实施例的确定目标方向角的方法的步骤。
可选地，本申请还提供有一种计算机产品，该计算机产品包括计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序由处理器加载并执行以实现上述方法实施例的确定目标方向角的方法的步骤。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种确定目标方向角的方法，其特征在于，所述方法包括：
实时获取检测到的目标障碍物的点云数据；
采用预先训练好的深度学习模型，对实时获取的所述点云数据进行目标框预测，得到所述目标框的长宽以及所述目标框对应的最小外接矩形的长宽；
根据所述目标框的长宽以及所述目标框对应的最小外接矩形的长宽，确定目标障碍物对应的目标方向角，以辅助无人驾驶车辆进行路径规划。
2.根据权利要求1所述的方法，其特征在于，训练深度学习模型的步骤，包括：
获取训练样本集，所述训练样本集中包括点云数据及对应的标签，所述标签指示点云数据对应的目标框的顶点坐标；
将所述训练样本集输入深度学习模型中进行学习，得到目标框的长宽以及对应的最小外接矩形的长宽的预测结果；其中，在学习过程中，根据目标框的顶点坐标，确定所述目标框的长宽以及目标框对应的最小外接矩形的长宽，并将所述目标框的长宽以及目标框对应的最小外接矩形的长宽作为训练标签；
根据损失函数，确定所述预测结果与所述训练标签之间的差异；
基于所述差异，对所述深度学习模型进行迭代训练；
当所述差异达到预设范围时，完成深度学习模型的训练。
3.根据权利要求1所述的方法，其特征在于，确定目标障碍物对应的目标方向角的方法为：
其中，α为目标方向角，a为最小外接矩形的长度，b为最小外接矩形的宽度，w为目标框的宽度，l为目标框的长度。
4.一种确定目标方向角的装置，其特征在于，所述装置包括：
数据获取模块，被配置为用于实时获取目标障碍物的点云数据；
深度学习模块，被配置为用于采用预先训练好的深度学习模型，对实时获取的所述点云数据进行目标框预测，得到所述目标框的长宽以及所述目标框对应的最小外接矩形的长宽；
角度计算模块，被配置为用于根据所述目标框的长宽以及所述目标框对应的最小外接矩形的长宽，确定目标障碍物对应的目标方向角，以辅助无人驾驶车辆进行路径规划。
5.根据权利要求4所述的装置，其特征在于，所述深度学习模块还用于训练深度学习模型，包括：
获取训练样本集，所述训练样本集中包括点云数据及标签，所述标签指示目标框的顶点坐标及点云数据中各激光点的标签类别；
将所述训练样本集输入深度学习模型中进行学习，得到目标框的长宽以及对应的最小外接矩形的长宽的预测结果；其中，在学习过程中，根据目标框的顶点坐标，确定所述目标框的长宽以及目标框对应的最小外接矩形的长宽，并将所述目标框的长宽以及所述最小外接矩形的长宽作为训练标签；
根据损失函数，确定所述预测结果与所述训练标签之间的差异；
基于所述差异，对所述深度学习模型进行迭代训练；
当所述差异达到预设范围时，完成深度学习模型的训练。
6.根据权利要求4所述的装置，其特征在于，所述计算模块确定目标障碍物对应的目标方向角的方法为：
其中，α为目标方向角，a为最小外接矩形的长度，b为最小外接矩形的宽度，w为目标框的宽度，l为目标框的长度。
7.一种确定目标方向角的***，所述***包括处理器和存储器，所述存储器中存储有计算机程序，其特征在于，所述计算机程序由所述处理器加载并执行，以实现如权利要求1至3任一项所述的确定目标方向角的方法。
8.一种计算机可读存储介质，所述存储介质中存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，用于实现如权利要求1至3任一项所述的确定目标方向角的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110047651.6A CN112800873A (zh) | 2021-01-14 | 2021-01-14 | 确定目标方向角的方法、装置、***及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110047651.6A CN112800873A (zh) | 2021-01-14 | 2021-01-14 | 确定目标方向角的方法、装置、***及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112800873A true CN112800873A (zh) | 2021-05-14 |
Family
ID=75810770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110047651.6A Pending CN112800873A (zh) | 2021-01-14 | 2021-01-14 | 确定目标方向角的方法、装置、***及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112800873A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115857502A (zh) * | 2022-11-30 | 2023-03-28 | 上海木蚁机器人科技有限公司 | 行驶控制方法和电子设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109901567A (zh) * | 2017-12-08 | 2019-06-18 | 百度在线网络技术（北京）有限公司 | 用于输出障碍物信息的方法和装置 |
| CN110472553A (zh) * | 2019-08-12 | 2019-11-19 | 北京易航远智科技有限公司 | 图像和激光点云融合的目标追踪方法、计算装置和介质 |
| CN110688902A (zh) * | 2019-08-30 | 2020-01-14 | 智慧互通科技有限公司 | 一种检测停车位内车辆区域的方法及装置 |
| CN111291786A (zh) * | 2020-01-17 | 2020-06-16 | 清华大学 | 一种车载视觉实时多目标航向角估计方法及装置 |
| WO2020151166A1 (zh) * | 2019-01-23 | 2020-07-30 | 平安科技（深圳）有限公司 | 多目标跟踪方法、装置、计算机装置及可读存储介质 |
| CN111507126A (zh) * | 2019-01-30 | 2020-08-07 | 杭州海康威视数字技术股份有限公司 | 一种驾驶辅助***的报警方法、装置及电子设备 |
| WO2020186444A1 (zh) * | 2019-03-19 | 2020-09-24 | 深圳市大疆创新科技有限公司 | 物体检测方法、电子设备与计算机存储介质 |
| CN111723608A (zh) * | 2019-03-20 | 2020-09-29 | 杭州海康威视数字技术股份有限公司 | 一种驾驶辅助***的报警方法、装置及电子设备 |
| CN111967360A (zh) * | 2020-08-06 | 2020-11-20 | 苏州易航远智智能科技有限公司 | 基于车轮的目标车辆姿态检测方法 |
-
2021
- 2021-01-14 CN CN202110047651.6A patent/CN112800873A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109901567A (zh) * | 2017-12-08 | 2019-06-18 | 百度在线网络技术（北京）有限公司 | 用于输出障碍物信息的方法和装置 |
| WO2020151166A1 (zh) * | 2019-01-23 | 2020-07-30 | 平安科技（深圳）有限公司 | 多目标跟踪方法、装置、计算机装置及可读存储介质 |
| CN111507126A (zh) * | 2019-01-30 | 2020-08-07 | 杭州海康威视数字技术股份有限公司 | 一种驾驶辅助***的报警方法、装置及电子设备 |
| WO2020186444A1 (zh) * | 2019-03-19 | 2020-09-24 | 深圳市大疆创新科技有限公司 | 物体检测方法、电子设备与计算机存储介质 |
| CN111723608A (zh) * | 2019-03-20 | 2020-09-29 | 杭州海康威视数字技术股份有限公司 | 一种驾驶辅助***的报警方法、装置及电子设备 |
| CN110472553A (zh) * | 2019-08-12 | 2019-11-19 | 北京易航远智科技有限公司 | 图像和激光点云融合的目标追踪方法、计算装置和介质 |
| CN110688902A (zh) * | 2019-08-30 | 2020-01-14 | 智慧互通科技有限公司 | 一种检测停车位内车辆区域的方法及装置 |
| CN111291786A (zh) * | 2020-01-17 | 2020-06-16 | 清华大学 | 一种车载视觉实时多目标航向角估计方法及装置 |
| CN111967360A (zh) * | 2020-08-06 | 2020-11-20 | 苏州易航远智智能科技有限公司 | 基于车轮的目标车辆姿态检测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115857502A (zh) * | 2022-11-30 | 2023-03-28 | 上海木蚁机器人科技有限公司 | 行驶控制方法和电子设备 |
| CN115857502B (zh) * | 2022-11-30 | 2023-12-12 | 上海木蚁机器人科技有限公司 | 行驶控制方法和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114080634B (zh) | 使用锚定轨迹的代理轨迹预测 | |
| KR102292277B1 (ko) | 자율 주행 차량에서 3d cnn 네트워크를 사용하여 솔루션을 추론하는 lidar 위치 추정 | |
| KR102335389B1 (ko) | 자율 주행 차량의 lidar 위치 추정을 위한 심층 학습 기반 특징 추출 | |
| KR102350181B1 (ko) | 자율 주행 차량에서 rnn 및 lstm을 사용하여 시간적 평활화를 수행하는 lidar 위치 추정 | |
| Homm et al. | Efficient occupancy grid computation on the GPU with lidar and radar for road boundary detection | |
| CN108509820B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
| US20200307568A1 (en) | Vehicle driving support system | |
| US11414075B2 (en) | Vehicle driving assistance system and method | |
| US20230386076A1 (en) | Target detection method, storage medium, electronic device, and vehicle | |
| CN114902190A (zh) | 用于现场故障检测的物理操作参数的硬件控制更新 | |
| US20200233425A1 (en) | Vehicle driving assistance system and vehicle driving assistance method | |
| CN112348000A (zh) | 障碍物识别方法、装置、***及存储介质 | |
| EP4052190A1 (en) | Spatio-temporal-interactive networks | |
| CN112505652A (zh) | 目标检测方法、装置及存储介质 | |
| US20200310453A1 (en) | Vehicle driving support system | |
| CN114815851A (zh) | 机器人跟随方法、装置、电子设备以及存储介质 | |
| CN115311646A (zh) | 一种障碍物检测的方法及装置 | |
| CN115346192A (zh) | 基于多源传感器感知的数据融合方法、***、设备及介质 | |
| CN112800873A (zh) | 确定目标方向角的方法、装置、***及存储介质 | |
| WO2020072193A1 (en) | Object localization using machine learning | |
| Gao et al. | Incomplete road information imputation using parallel interpolation to enhance the safety of autonomous driving | |
| CN111912418A (zh) | 删除移动载体不可行驶区域内障碍物的方法、装置及介质 | |
| Mochurad | Implementation and analysis of a parallel kalman filter algorithm for lidar localization based on CUDA technology | |
| US20190311532A1 (en) | Method and Apparatus for Uncertainty Modeling of Point Cloud | |
| US20220319054A1 (en) | Generating scene flow labels for point clouds using object labels |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 215123 g2-1901 / 1902 / 2002, No. 88, Jinjihu Avenue, Suzhou Industrial Park, Suzhou City, Jiangsu Province Applicant after: Zhixing Automotive Technology (Suzhou) Co.,Ltd. Address before: 215123 g2-1901 / 1902 / 2002, No. 88, Jinjihu Avenue, Suzhou Industrial Park, Suzhou City, Jiangsu Province Applicant before: IMOTION AUTOMOTIVE TECHNOLOGY (SUZHOU) Co.,Ltd. |