CN114445803A - 驾驶数据的处理方法、装置及电子设备 - Google Patents
驾驶数据的处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114445803A CN114445803A CN202210115658.1A CN202210115658A CN114445803A CN 114445803 A CN114445803 A CN 114445803A CN 202210115658 A CN202210115658 A CN 202210115658A CN 114445803 A CN114445803 A CN 114445803A
- Authority
- CN
- China
- Prior art keywords
- scene
- information
- data
- driving data
- preset
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种驾驶数据的处理方法、装置及电子设备,通过车辆上安装的预设传感器,获取车辆的驾驶数据;从多种预设场景要素中,确定驾驶数据包含的目标场景要素;其中,每种预设场景要素对应一种标签类别,每种预设场景要素对应有多种场景信息,每种标签类别包含有多个状态标签,一种场景信息对应一个状态标签;基于目标场景要素对应的信息筛选方式,确定目标场景要素所包含的场景信息;根据目标场景要素所包含的场景信息对应的状态标签,对驾驶数据进行标注,得到标注数据。本发明对有效数据进行标注及存储,大幅缩减数据存储量,所存储的驾驶数据中包含有上百个状态标签组合,数据搜索方便,且通过状态标签能够检索和挖掘出数据细节。
Description
技术领域
本发明涉及数据处理技术领域,尤其是涉及一种驾驶数据的处理方法、装置及电子设备。
背景技术
算法与数据双轮驱动才能实现更成熟的自动驾驶技术,也是自动驾驶技术落地的必然选择,时而出现的corner case(极端情况)是对数据驱动的算法模型进行升级的来源之一。随着时间的推移,各家公司在算法方面的差距会逐渐缩小,真正影响自动驾驶技术水平的其实是数据,海量数据会助力自动驾驶技术再上新台阶。现有技术中采集海量数据是利用汽车前装传感器不断采集数据,形成数据闭环。
但是现有技术所采集的数据量是巨大的,数据存储和传输带来不小的压力,另外,所采集的数据很多是无效数据,当需要从海量数据中寻找和运用少量有价值的数据场景时,需要手工在测试过程或采集过程中人工记录当时的情况,还需要数据采集回来后,依靠人工回播数据在过程中进行识别,并打上标签,而这一过程不仅低效且容易遗漏众多细节,导致再次查看数据的细节时无法全部复现。
发明内容
本发明的目的在于提供一种驾驶数据方法、装置及处理方法,以解决再次查看数据的细节时无法全部复现的问题。
第一方面,本发明提供了一种驾驶数据的处理方法,该方法包括:通过车辆上安装的预设传感器,获取车辆的驾驶数据;从多种预设场景要素中,确定驾驶数据包含的目标场景要素;其中,每种预设场景要素对应一种标签类别,每种预设场景要素对应有多种场景信息,每种标签类别包含有多个状态标签,一种场景信息对应一个状态标签;基于目标场景要素对应的信息筛选方式,确定目标场景要素所包含的场景信息;根据目标场景要素所包含的场景信息对应的状态标签,对驾驶数据进行标注,得到标注数据。
在可选的实施例中,上述根据目标场景要素所包含的场景信息对应的状态标签,对驾驶数据进行标注的步骤之后,该方法还包括:将驾驶数据中目标场景要素对应的标注数据之外的驾驶数据进行删除。
在可选的实施例中,上述通过车辆上安装的预设传感器,获取车辆的驾驶数据的步骤,包括:通过激光雷达的多个激光点云,确定车辆的驾驶数据;上述基于目标场景要素对应的信息筛选方式,确定目标场景要素所包含的场景信息的步骤,包括:对多个激光点云进行时间同步,得到拼接点云数据;从拼接点云数据中确定场景参数信息;根据拼接点云数据和场景参数信息,得到场景信息;其中,场景信息包括场景物体的速度大小和方向。
在可选的实施例中,上述根据目标场景要素所包含的场景信息对应的状态标签,对驾驶数据进行标注的步骤,包括:判断场景物体的速度大小和方向是否满足预设状态阈值;如果场景物体的速度大小和方向满足预设状态阈值,分别对驾驶数据中的每种预设场景要素对应的多种场景信息进行标注。
在可选的实施例中,上述从拼接点云数据中确定场景参数信息的步骤,包括:采用第一预设算法从拼接点云数据中检测目标场景要素指示的场景状态信息;根据第一预设算法对场景状态信息的点云数据进行过滤处理,得到目标点云数据;采用第二预设算法对目标点云数据进行分割,以确定目标点云数据中的场景参数信息。
在可选的实施例中,上述根据拼接点云数据和场景参数信息,得到场景信息的步骤包括:根据预设跟踪时间阈值和拼接点云数据中的场景参数信息,得到多个场景参数信息;根据多个场景参数信息的变化方式,得到场景信息。
在可选的实施例中,上述车辆的驾驶数据通过图像信息确定;上述基于目标场景要素对应的信息筛选方式,确定目标场景要素所包含的场景信息;根据目标场景要素所包含的场景信息对应的状态标签,对驾驶数据进行标注的步骤,包括:基于图像信息,确定场景信息;其中,场景信息包括场景颜色信息和场景形状信息;根据场景颜色信息对场景信息进行分类,得到分类结果;基于分类结果,确定场景形状信息;当分类结果和场景形状信息满足预设标注条件时,对驾驶数据中每种预设场景要素对应的多种场景信息分别进行标注。
在可选的实施例中,上述方法还包括:将标注数据与驾驶数据进行关联。
第二方面,本发明提供了一种驾驶数据的处理装置,该装置应用于上述方法;该装置包括:驾驶数据获取模块,通过车辆上安装的预设传感器,获取车辆的驾驶数据;场景要素确定模块,用于从多种预设场景要素中,确定驾驶数据包含的目标场景要素;其中,每种预设场景要素对应一种标签类别,每种预设场景要素对应有多种场景信息,每种标签类别包含有多个状态标签,一种场景信息对应一个状态标签;场景信息确定模块,用于基于目标场景要素对应的信息筛选方式,确定目标场景要素所包含的场景信息;标注模块,用于根据目标场景要素所包含的场景信息对应的状态标签,对驾驶数据进行标注。
第三方面,本发明提供了一种电子设备,电子设备包括处理器和存储器,存储器存储有能够被处理器执行的机器可执行指令,处理器执行机器可执行指令以实现上述驾驶数据的处理方法。
本发明实施例带来了以下有益效果:
本发明提供了一种驾驶数据的处理方法、装置及电子设备,利用车辆现有的传感器和数据采集装备识别驾驶数据,并根据算法进行数据的筛选和标签识别,当状态标签触发后,对相应驾驶数据以标签形式进行标注并存储,把经过场景理解、特征提取、数据挖掘、统一格式整理后的所有标签放在车端实现,数据不再全量记录,大幅缩减数据存储量,因此可以极大地提高数据传输的效率,对于专用的数据采集而言,数据传输的周期可以从每天一次变成每周或每月一次,而由于只保留了所需的有效数据,数据服务器的储存空间可以使用有限的数据空间就可以存储用以数据挖掘、数据检索和数据仿真的数据库。
另外,本发明实施例还将标注数据与驾驶数据关联保存,所存储的驾驶数据中包含有多个标签类别的上百个状态标签组合,通过多个标签类别的上百个状态标签组合可以形象的描述出目前数据的所在场景,方便了数据搜索,另外,由于对驾驶数据标注存储,在挖掘驾驶数据时依靠标签,后续驾驶数据由于标签的存在,驾驶数据就不仅仅只是一些信息的组合,而是带有场景描述的立体信息,数据细节可以通过场景信息的特征描述被检索和挖掘出来。
本发明的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本发明的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施方式,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术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发明的一些实施方式,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为本发明实施例提供的一种驾驶数据的处理方法的流程图;
图2为本发明实施例提供的另一种驾驶数据的处理方法的流程图;
图3为本发明实施例提供的另一种驾驶数据的处理方法的流程图;
图4为本发明实施例提供的一种驾驶数据的处理装置的结构示意图;
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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,都属于本发明保护的范围。
算法与数据双轮驱动才能实现更成熟的自动驾驶技术,也是自动驾驶技术落地的必然选择,时而出现的corner case(极端情况)是对数据驱动的算法模型进行升级的来源之一。随着时间的推移,各家公司在算法方面的差距会逐渐缩小,真正影响自动驾驶技术水平的其实是数据,海量数据会助力自动驾驶技术再上新台阶。现有技术中采集海量数据是利用汽车前装传感器不断采集数据,形成数据闭环。
但是现有技术所采集的数据量是巨大的,数据存储和传输带来不小的压力,另外,所采集的数据很多是无效数据,当需要从海量数据中寻找和运用少量有价值的数据场景时,需要手工在测试过程或采集过程中人工记录当时的情况,还需要数据采集回来后,依靠人工回播数据在过程中进行识别,并打上标签,而这一过程不仅低效且容易遗漏众多细节,导致用以数据挖掘、数据检索和数据仿真,再次查看数据的细节时无法全部复现。
基于上述问题,本发明实施例提供了一种驾驶数据的处理方法、装置及电子设备,该技术可以应用在获取驾驶数据的场景中。为便于对本实施例进行理解,首先对本发明实施例所公开的一种驾驶数据的处理方法进行详细介绍;如图1所示,该方法包括如下步骤:
步骤S102,通过车辆上安装的预设传感器,获取车辆的驾驶数据。
自动驾驶关键的环境感知用来采集周围环境的基本信息,也是自动驾驶的基础。自动驾驶汽车通过预设传感器来感知环境,传感器就如同汽车的眼睛,而传感器又分为好多种,比如摄像头、超声波雷达、毫米波雷达和激光雷达等。由于自动驾驶路线的不同,实现的自动驾驶等级不同,部署的传感器种类略有差异。
摄像头可以采集图像信息,与人类视觉最为接近。通过采集的图像,经过计算机的算法分析,能够识别丰富的环境信息,如行人、自行车、机动车、道路轨迹线、路牙、路牌、信号灯等,通过算法加持还可以实现车距测量、道路循迹,从而实现前车碰撞预警(简称FCW)和车道偏离预警(简称LDW)。
超声波雷达也称超声波传感器,它是利用超声波特性研制而成,是在超声波频率范围内将交变的电信号转换成声信号或将外界声场中的声信号转换为电信号的能量转换器件,通常用于获取被测物体与超声波雷达之间的距离。
毫米波其实就是电磁波,通过发射无线电信号并接收反射信号来测定与物体间的距离,其频率通常介于10~300GHz频域之间。
激光雷达是以发射激光束探测目标的位置、速度等信息的雷达***。其工作原理是向目标发射激光束,然后将接收到从目标反射回来的回波与发射信号进行比较,经过计算分析后,就可获得目标的有关信息,如目标距离、方位、高度、速度、姿态、甚至形状等参数。
在本实施例中,上述预设传感器主要获取极端情况对应的驾驶数据,因此,本实施例根据极端情况确定具体使用的预设传感器。
步骤S104,从多种预设场景要素中,确定驾驶数据包含的目标场景要素;其中,每种预设场景要素对应一种标签类别,每种预设场景要素对应有多种场景信息,每种标签类别包含有多个状态标签,一种场景信息对应一个状态标签。
在本实施例中,车辆的驾驶数据来自于真实场景,真实场景中包含有多种预设场景要素,其中,预设场景要素可以分为测试车辆自身要素及外部环境要素,外部环境要素又包括:静态环境要素、动态环境要素、交通参与者要素、气象要素等,具体地,上述预设场景要素通过车辆现有的传感器和数据采集装备感知。
其中,每个不同的预设场景要素都包含不同的标签类别,如,测试车辆自身要素包含多种标签类,比如时间、地点、重量、几何信息、性能信息、位置状态信息、运动状态信息、传感器状态、车辆执行器状态、驾驶任务信息等;外部环境要素中的静态环境要素包含静态障碍物、周围景观、交通设施、道路等;外部环境要素中的动态环境要素包含动态指示设施、通信环境信息等;外部环境中的交通参与者要素包含机动车、非机动车、行人、动物等;外部环境中的气象要素环境温度信息、光照条件信息、天气情况信息等。以上列举的真实场景中的预设场景要素,以及上述预设场景要素包含的标签类仅用以说明本发明的技术方案,而非对其限制。
上述每种预设场景要素对应有多种场景信息,每种标签类别都包含有多个状态标签,一种场景信息对应一个状态标签。上述场景信息指每种预设场景要素中包含的场景细节,如颜色、形状或运动状态等具体信息,该场景信息满足预设的数据采集规则时,表示其对应的预设场景要素为目标场景要素。该数据采集规则指该场景信息是否属于极端情况。
步骤S106,基于目标场景要素对应的信息筛选方式,确定目标场景要素所包含的场景信息。
当确定目标场景要素后,根据该目标场景要素中包含的场景信息,来确定预设的信息筛选方式,再基于该信息筛选方式来得到该目标场景要素所包含的场景信息。
具体地,上述状态标签还可以分为用以触发有效数据记录的标签和仅用以描述数据特征的标签,上述用以触发有效数据记录的标签为用户根据不同的策略及需求确定。当感知上述预设场景要素后,根据上述预设场景要素的不同的标签类别,以及该标签类别对应的状态标签进行算法的识别,通过感知、预测、决策、规划、控制等算法识别该用以触发有效数据记录的标签,确定上述用以触发有效数据记录的标签是否触发,以筛选上述场景信息。
步骤S108,根据目标场景要素所包含的场景信息对应的状态标签,对驾驶数据进行标注,得到标注数据。
当筛选得到上述场景信息后,根据该场景信息对应的状态标签,对该场景信息进行标注,以得到标注数据,该标注数据包括驾驶数据中的用以触发有效数据记录的标签和仅用以描述数据特征的标签。
步骤S110,将驾驶数据中目标场景要素对应的标注数据之外的驾驶数据进行删除。
具体地,当上述用以触发有效数据记录的标签触发后,不仅对该场景信息进行标注,还保存该驾驶数据,其中,可以保存约定的时间阈值范围内的驾驶数据,如当用以触发有效数据记录的标签为自动驾驶触发功能降级,则当该标签触发后,需要记录功能降级前10秒数据和后20秒的数据,该段时间阈值范围外的驾驶数据进行删除,数据不再全量记录。
另外,当得到标注数据后,本发明实施例还将该标注数据通过约定格式与获取的驾驶数据进行关联一起保存,该标注数据中用以触发有效数据记录的标签和仅用以描述数据特征的标签均以Json文件记录。当上述标注数据与驾驶数据关联保存后,所存储的驾驶数据中即包含有多个标签类别的上百个状态标签组合,通过多个标签类别的上百个状态标签组合可以形象的描述出目前数据的所在场景。
本发明实施例提供的一种驾驶数据的处理方法,利用车辆现有的传感器和数据采集装备识别驾驶数据,并根据算法进行数据的筛选和标签识别,当状态标签触发后,对相应驾驶数据以标签形式进行标注并存储,把经过场景理解、特征提取、数据挖掘、统一格式整理后的所有标签放在车端实现,数据不再全量记录,大幅缩减数据存储量,因此可以极大地提高数据传输的效率,对于专用的数据采集而言,数据传输的周期可以从每天一次变成每周或每月一次,而由于只保留了所需的有效数据,数据服务器的储存空间可以使用有限的数据空间就可以存储用以数据挖掘、数据检索和数据仿真的数据库。
另外,本发明实施例还将标注数据与驾驶数据关联保存,所存储的驾驶数据中包含有多个标签类别的上百个状态标签组合,通过多个标签类别的上百个状态标签组合可以形象的描述出目前数据的所在场景,方便了数据搜索,另外,由于对驾驶数据标注存储,在挖掘驾驶数据时依靠标签,后续驾驶数据由于标签的存在,驾驶数据就不仅仅只是一些信息的组合,而是带有场景描述的立体信息,数据细节可以通过场景信息的特征描述被检索和挖掘出来。
针对于上述实施例,本发明还提供了另一种驾驶数据的处理方法,该方法在上述方法的基础上实现;如图2所示,该方法包括以下步骤:
步骤S202,通过激光雷达的多个激光点云,确定车辆的驾驶数据。
步骤S204,从多种预设场景要素中,确定驾驶数据包含的目标场景要素。
在本实施例中,上述目标场景要素为用户根据不同的策略及需求确定的不同障碍物,上述用以触发有效数据记录的标签为用户根据不同的策略及需求确定的不同障碍物的状态细节。具体地,当获取真实环境中不同障碍物对应的驾驶数据时,通过多个激光雷达进行识别获取,其中,多个激光雷达对驾驶数据中的障碍物进行检测识别,当识别到驾驶数据中的障碍物后,得到该障碍物指示的多个激光点云。
步骤S206,对多个激光点云进行时间同步,得到拼接点云数据。
得到该障碍物指示的多个激光点云后,先输入各激光雷达对应驱动的激光点云数据,之后对各激光点云数据进行时间同步,时间同步后能够得到各激光点云坐标,之后将各激光点云坐标分别根据外参转换到自车坐标系,最后在自车坐标系下将多个激光雷达的激光点云拼接为一帧点云。
上述时间同步的方法具体是,以上述多个激光雷达中的一个为主传感器,其余激光雷达均为次传感器,该主传感器为能够感知车辆正前方的驾驶数据的传感器(如果只有一个激光雷达则跳过当前拼接点云数据步骤),上述主传感器感知的激光点云为主激光点云,上述次传感器感知的激光点云为次激光点云。从任意时刻开始接收激光雷达的激光点云数据,若收到次激光点云,则缓存到对应缓存区,若收到主激光雷达点云,则等待50ms后到各个次激光点云中搜索时间戳最近的一帧,若该帧时戳与主激光点云时戳相差超过50ms则舍弃,否则进入坐标转换步骤,将上述多个激光点云数据均进行坐标转换后,得到拼接点云数据。
步骤S208,从拼接点云数据中确定场景参数信息。
其中,上述场景参数信息通过下述步骤20-22确定:
步骤20,采用第一预设算法从拼接点云数据中检测目标场景要素指示的场景状态信息。
步骤21,根据第一预设算法对场景状态信息的点云数据进行过滤处理,得到目标点云数据。
步骤22,采用第二预设算法对目标点云数据进行分割,以确定目标点云数据中的场景参数信息。
当得到上述拼接点云数据后,输入该拼接点云数据,之后采用CNNSeg算法检测出障碍物信息,包括位置、朝向、尺寸、类型,并将该拼接点云数据中地面点和障碍物点去除,以对该拼接点云数据进行过滤处理,得到目标点云数据。其中,该目标点云数据还需检测验证;具体地,得到目标点云数据后调用NCut算法,可以通过配置文件选择不调用,NCut算法对目标点云数据进行分割,检测上述过滤后的目标点云数据,并将检测结果返回,该返回的检测结果包括障碍物位置、朝向、尺寸。该检测后的目标点云数据中的障碍物位置、朝向、尺寸、类型信息即为目标点云数据中的场景参数信息。
步骤S210,根据拼接点云数据和场景参数信息,得到场景信息;其中,场景信息包括场景物体的速度大小和方向。
具体地,上述场景信息通过下述步骤30-31确定:
步骤30,根据预设跟踪时间阈值和拼接点云数据中的场景参数信息,得到多个场景参数信息。
步骤31,根据多个场景参数信息的变化方式,得到场景信息。
通过上述步骤得到场景参数信息后,采用卡尔曼滤波和匈牙利匹配,根据预设跟踪时间阈值,跟踪匹配多帧驾驶数据间的障碍物,此时能够得到该障碍物的每帧下的场景参数信息,根据每帧该障碍物的场景参数信息的变化方式,能够计算输出该障碍物的速度大小和方向。
步骤S212,判断场景物体的速度大小和方向是否满足预设状态阈值。
步骤S214,如果场景物体的速度大小和方向满足预设状态阈值,分别对驾驶数据中的每种预设场景要素对应的多种场景信息进行标注。
在本实施例中,用以触发有效数据记录的标签根据障碍物的速度大小和方向是否为极端情况确定,当上述障碍物的速度大小和方向满足预设状态阈值时,则表示上述用以触发有效数据记录的标签被触发,此时,分别对驾驶数据中的每种预设场景要素对应的多种场景信息进行标注,得到标注数据,该多种场景信息包括但不限于上述被触发的标签指示的障碍物的速度大小和方向。
另外,当得到标注数据后,本发明实施例还将该标注数据通过约定格式与获取的驾驶数据进行关联一起保存,该标注数据中用以触发有效数据记录的标签和仅用以描述数据特征的标签均以Json文件记录。
另外,获取真实环境中不同障碍物对应的驾驶数据还能通过视觉感知获取,确定上述状态标签是否被触发的方式与上述激光雷达获取的确定方式相似,区别在于获取的驾驶数据格式不同。
本发明实施例提供的另一种驾驶数据的处理方法,通过激光雷达或视觉感知来获取驾驶数据中的障碍物信息,并根据算法对障碍物信息进行判断,当获取的该障碍物信息与定义好用以触发有效数据记录的标签匹配时则触发数据记录,且只记录相应驾驶数据,驾驶数据不再全量记录,大幅缩减数据存储量。另外,本发明实施例还将标注数据与驾驶数据关联保存,所存储的驾驶数据中包含有多个标签类别的上百个状态标签组合,通过多个标签类别的上百个状态标签组合可以形象的描述出目前数据的所在场景,方便了数据搜索,另外,由于对驾驶数据标注存储,在挖掘驾驶数据时依靠标签,后续驾驶数据由于标签的存在,驾驶数据就不仅仅只是一些信息的组合,而是带有场景描述的立体信息,数据细节可以通过场景信息的特征描述被检索和挖掘出来。
本发明实施例提供的另一种驾驶数据的处理方法,该方法在上述方法的基础上实现;如图3所示,该方法包括:
步骤S302,通过车辆上安装的预设传感器,获取车辆的驾驶数据。
步骤S304,从多种预设场景要素中,确定驾驶数据包含的目标场景要素。
在本实施例中,上述目标场景要素为用户根据不同的策略及需求确定的交通信号,上述用以触发有效数据记录的标签为用户根据不同的策略及需求确定的交通信号的状态细节,如交通信号的颜色和形状。具体地,当获取真实环境中交通信号对应的驾驶数据时,通过摄像头获取的图像信息确定。
步骤S306,基于上述图像信息,确定目标场景要素指示的场景信息。
步骤S308,根据场景颜色信息对场景信息进行分类,得到分类结果。
步骤S310,基于分类结果,确定场景形状信息。
具体地,上述场景信息包括场景颜色信息和场景形状信息。在具体实现时,通过摄像头获取路面交通信号灯对应的驾驶数据,得到图像信息,之后通过2D检测任务,检测出该图像信息中的交通信号,并给出高召回率的交通信号像素位置,同时能够输出的交通信号的图像边界框(bounding box),并提供该交通信号在图像信息上的坐标信息。
2D检测任务的神经网络损失函数如下述公式所示:
其中,上述公式中Loss表示检测损失值,具体地,在进行2D检测任务时,检测网格一共是S□S个,每个网格产生B个候选框anchor box,每个候选框会经过网络最终得到相应的bounding box。最终会得到S□S□B个bounding box。
当第i个网格的第j个anchor box负责某一个object时,anchor box所产生的bounding box和真实目标的box去比较,计算得到中心坐标误差;当第i个网格的第j个anchor box负责某一个真实目标时,anchor box所产生的bounding box和真实目标的box去比较,计算得到宽高的误差。其中,x、y、w、h表示某一图片中目标的真实框的x、y、w、h方向坐标;表示bounding box的中心点坐标。
框出的box内确实有物体的自信程度和框出的box将整个物体的所有特征都包括进来的自信程度,不管anchor box是否负责某个目标,都会计算置信度误差。表示第i个网格的第j个anchor box是否负责这个object,如果是,则值为1,否为0;表示第i个网格的第j个anchor box不负责该object;参数置信度 表示真实值,的取值是由grid cell的bounding box有没有负责预测某个对象决定的。如果负责,那么否则,
当第i个网格的第j个anchor box负责某一个真实目标时,anchor box所产生的bounding box计算分类损失函数;其中,Pi表示分布概率。
根据2D检测任务输出的交通信号的bounding box提取出交通信号rect,即交通信号的矩形框范围的左上角坐标、宽度和高度,之后将该交通信号其送入交通信号分类器,输出交通信号颜色类别,得到分类结果。其中,该交通信号的状态包括红色类、黄色类、绿色类和未知类四类;具体地,上述未知类为检测网络从图像信息中检验出的与红色类、黄色类和绿色类三类颜色近似的颜色类别,该未知类中包含有非交通信号特征。交通灯分类任务采用resnet18网络进行分类。
当确定上述交通信号颜色后,对该交通信号的形状进行分类,以得到场景形状信息,根据该交通信号在图像信息上的坐标信息和每个交通信号的颜色状态解读交通信号的更具体的语义信息,如直行红灯、直行绿灯、直行黄灯、左行红灯、左行绿灯、左行黄灯、右行红灯、右行绿灯、右行黄灯。
步骤S312,当分类结果和场景形状信息满足预设标注条件时,对驾驶数据中每种预设场景要素对应的多种场景信息分别进行标注,得到标注数据。
在本实施例中,当分类结果和场景形状信息满足预设标注条件时,对驾驶数据中每种预设场景要素对应的多种场景信息分别进行标注。具体地,用以触发有效数据记录的标签根据上述交通信号的颜色和形状是否为极端情况确定。如,当图像信息中的交通信号所指示的颜色为未知类时,表示该图像信息中所检测出的交通信号为与交通信号颜色近似的误检结果,若自动驾驶车辆跟随该误检的交通信号进行自动驾驶,可能出现闯红灯等违反交规的情况,因此上述交通信号的颜色分类为未知类可以定义为极端情况,即上述交通信号的颜色分类为未知类可以为上述用以触发有效数据记录的标签,当上述交通信号的颜色分类为未知类时可以触发数据标注条件,此时分别对驾驶数据中的每种预设场景要素对应的多种场景信息进行标注,得到标注数据,该多种场景信息包括但不限于上述被触发的标签指示的上述交通信号的颜色分类为未知类时。
另外,距离比较远的箭头类型的交通信号在图像显示上比较模糊,不容易分出是箭头灯还是圆形灯,会影响交通信号分类精度,且也可能出现影响自动驾驶而导致闯红灯等违反交规的情况,则此时也可以将该交通信号的状态定义为极端情况,即上述交通信号为模糊形状为上述用以触发有效数据记录的标签,当该标签被触发时,分别对驾驶数据中的每种预设场景要素对应的多种场景信息进行标注,得到标注数据,该多种场景信息包括但不限于上述被触发的标签指示的上述交通信号为模糊形状时。
另外,当得到标注数据后,本发明实施例还将该标注数据通过约定格式与获取的驾驶数据进行关联一起保存,该标注数据中用以触发有效数据记录的标签和仅用以描述数据特征的标签均以Json文件记录。
本发明实施例提供的另一种驾驶数据的处理方法,通过摄像头获取图像信息来获取驾驶数据,并根据算法对图像信息中输出的结果进行判断、分类,并将分类结果和定义好用以触发有效数据记录的标签进行匹配,一旦匹配上定义好的标签,就触发数据记录,且只记录相应驾驶数据,驾驶数据不再全量记录,大幅缩减数据存储量。另外,本发明实施例还将标注数据与驾驶数据关联保存,所存储的驾驶数据中包含有多个标签类别的上百个状态标签组合,通过多个标签类别的上百个状态标签组合可以形象的描述出目前数据的所在场景,方便了数据搜索,另外,由于对驾驶数据标注存储,在挖掘驾驶数据时依靠标签,后续驾驶数据由于标签的存在,驾驶数据就不仅仅只是一些信息的组合,而是带有场景描述的立体信息,数据细节可以通过场景信息的特征描述被检索和挖掘出来。
基于上述***实施例,本发明实施例还提供了一种驾驶数据的处理装置,该装置应用于上述方法;如图4所示,该装置包括:
驾驶数据获取模块401,用于通过车辆上安装的预设传感器,获取车辆的驾驶数据。
场景要素确定模块402,用于从多种预设场景要素中,确定驾驶数据包含的目标场景要素;其中,每种预设场景要素对应一种标签类别,每种预设场景要素对应有多种场景信息,每种标签类别包含有多个状态标签,一种场景信息对应一个状态标签。
场景信息确定模块403,用于基于目标场景要素对应的信息筛选方式,确定目标场景要素所包含的场景信息。
标注模块404,用于根据目标场景要素所包含的场景信息对应的状态标签,对驾驶数据进行标注。
本发明实施例提供的一种驾驶数据的处理装置,利用车辆现有的传感器和数据采集装备识别驾驶数据,并根据算法进行数据的筛选和标签识别,当状态标签触发后,对相应驾驶数据以标签形式进行标注并存储,把经过场景理解、特征提取、数据挖掘、统一格式整理后的所有标签放在车端实现,数据不再全量记录,大幅缩减数据存储量,因此可以极大地提高数据传输的效率,对于专用的数据采集而言,数据传输的周期可以从每天一次变成每周或每月一次,而由于只保留了所需的有效数据,数据服务器的储存空间可以使用有限的数据空间就可以存储用以数据挖掘、数据检索和数据仿真的数据库。
另外,本发明实施例还将标注数据与驾驶数据关联保存,所存储的驾驶数据中包含有多个标签类别的上百个状态标签组合,通过多个标签类别的上百个状态标签组合可以形象的描述出目前数据的所在场景,方便了数据搜索,另外,由于对驾驶数据标注存储,在挖掘驾驶数据时依靠标签,后续驾驶数据由于标签的存在,驾驶数据就不仅仅只是一些信息的组合,而是带有场景描述的立体信息,数据细节可以通过场景信息的特征描述被检索和挖掘出来。
另外,通过本发明实施例对有效数据进行标注并保存,只需定义算法模块和标注模块即可,适用性和可移植性更好,不会增加成本,还可以不断地迭代升级。
具体地,上述装置还包括:数据删除模块405,用于将驾驶数据中目标场景要素对应的标注数据之外的驾驶数据进行删除。
在一些实施例中,上述驾驶数据获取模块401,还用于通过激光雷达的多个激光点云,确定车辆的驾驶数据。上述场景信息确定模块403,还用于对多个激光点云进行时间同步,得到拼接点云数据;从拼接点云数据中确定场景参数信息;根据拼接点云数据和场景参数信息,得到场景信息;其中,场景信息包括场景物体的速度大小和方向。
上述标注模块404,还用于判断场景物体的速度大小和方向是否满足预设状态阈值;如果场景物体的速度大小和方向满足预设状态阈值,分别对驾驶数据中的每种预设场景要素对应的多种场景信息进行标注。
上述场景信息确定模块403,还用于采用第一预设算法从拼接点云数据中检测目标场景要素指示的场景状态信息;根据第一预设算法对场景状态信息的点云数据进行过滤处理,得到目标点云数据;采用第二预设算法对目标点云数据进行分割,以确定目标点云数据中的场景参数信息。
上述场景信息确定模块403,还用于根据预设跟踪时间阈值和拼接点云数据中的场景参数信息,得到多个场景参数信息;根据多个场景参数信息的变化方式,得到场景信息。
在一些实施例中,上述标注模块404,还用于基于图像信息,确定场景信息;其中,场景信息包括场景颜色信息和场景形状信息;根据场景颜色信息对场景信息进行分类,得到分类结果;基于分类结果,确定场景形状信息;当分类结果和场景形状信息满足预设标注条件时,对驾驶数据中每种预设场景要素对应的多种场景信息分别进行标注。
具体地,上述装置还包括数据关联模块406,用于将标注数据与驾驶数据进行关联。
本发明实施例还提供一种电子设备,如图5所示,该电子设备包括处理器101和存储器100,该存储器100存储有能够被处理器101执行的机器可执行指令,该处理器101执行机器可执行指令以实现上述驾驶数据的处理方法。
进一步地,图5所示的终端设备还包括总线102和通信接口103,处理器101、通信接口103和存储器100通过总线102连接。
其中,存储器100可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该***网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线102可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器101可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器100,处理器101读取存储器100中的信息,结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供了一种机器可读存储介质,该机器可读存储介质存储有机器可执行指令,该机器可执行指令在被处理器调用和执行时,该机器可执行指令促使处理器实现上述驾驶数据的处理方法,具体实现可参见方法实施例,在此不再赘述。
所述功能如果以软件功能单元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介质中。基于这样的理解,本发明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介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种驾驶数据的处理方法,其特征在于,所述方法包括:
通过车辆上安装的预设传感器,获取所述车辆的驾驶数据;
从多种预设场景要素中,确定所述驾驶数据包含的目标场景要素;其中,每种所述预设场景要素对应一种标签类别,每种所述预设场景要素对应有多种场景信息,每种所述标签类别包含有多个状态标签,一种所述场景信息对应一个所述状态标签;
基于所述目标场景要素对应的信息筛选方式,确定所述目标场景要素所包含的场景信息;
根据所述目标场景要素所包含的场景信息对应的状态标签,对所述驾驶数据进行标注,得到标注数据。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标场景要素所包含的场景信息对应的状态标签,对所述驾驶数据进行标注的步骤之后,所述方法还包括:
将所述驾驶数据中所述目标场景要素对应的标注数据之外的驾驶数据进行删除。
3.根据权利要求1所述的方法,其特征在于,所述通过车辆上安装的预设传感器,获取所述车辆的驾驶数据的步骤,包括:
通过激光雷达的多个激光点云,确定所述车辆的驾驶数据;
所述基于所述目标场景要素对应的信息筛选方式,确定所述目标场景要素所包含的场景信息的步骤,包括:
对所述多个激光点云进行时间同步,得到拼接点云数据;
从所述拼接点云数据中确定场景参数信息;
根据所述拼接点云数据和所述场景参数信息,得到所述场景信息;其中,所述场景信息包括场景物体的速度大小和方向。
4.根据权利要求3所述的方法,其特征在于,所述根据所述目标场景要素所包含的场景信息对应的状态标签,对所述驾驶数据进行标注的步骤,包括:
判断所述场景物体的速度大小和方向是否满足预设状态阈值;
如果所述场景物体的速度大小和方向满足预设状态阈值,分别对所述驾驶数据中的每种所述预设场景要素对应的多种场景信息进行标注。
5.根据权利要求3所述的方法,其特征在于,所述从所述拼接点云数据中确定场景参数信息的步骤,包括:
采用第一预设算法从所述拼接点云数据中检测所述目标场景要素指示的场景状态信息;
根据第一预设算法对所述场景状态信息的点云数据进行过滤处理,得到目标点云数据;
采用第二预设算法对所述目标点云数据进行分割,以确定所述目标点云数据中的所述场景参数信息。
6.根据权利要求3所述的方法,其特征在于,所述根据所述拼接点云数据和所述场景参数信息,得到所述场景信息的步骤包括:
根据预设跟踪时间阈值和所述拼接点云数据中的场景参数信息,得到多个所述场景参数信息;
根据多个所述场景参数信息的变化方式,得到所述场景信息。
7.根据权利要求1所述的方法,其特征在于,所述车辆的驾驶数据通过图像信息确定;所述基于所述目标场景要素对应的信息筛选方式,确定所述目标场景要素所包含的场景信息;
根据所述目标场景要素所包含的场景信息对应的状态标签,对所述驾驶数据进行标注的步骤,包括:
基于所述图像信息,确定所述目标场景要素指示的场景信息;其中,所述场景信息包括场景颜色信息和场景形状信息;
根据所述场景颜色信息对所述场景信息进行分类,得到分类结果;
基于所述分类结果,确定所述场景形状信息;
当所述分类结果和所述场景形状信息满足预设标注条件时,对所述驾驶数据中每种所述预设场景要素对应的多种场景信息分别进行标注。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述标注数据与所述驾驶数据进行关联。
9.一种驾驶数据的处理装置,所述装置应用于上述权利要求1至8任一项所述的方法;其特征在于,所述装置包括:
驾驶数据获取模块,通过车辆上安装的预设传感器,获取所述车辆的驾驶数据;
场景要素确定模块,用于从多种预设场景要素中,确定所述驾驶数据包含的目标场景要素;其中,每种所述预设场景要素对应一种标签类别,每种所述预设场景要素对应有多种场景信息,每种所述标签类别包含有多个状态标签,一种所述场景信息对应一个所述状态标签;
场景信息确定模块,用于基于所述目标场景要素对应的信息筛选方式,确定所述目标场景要素所包含的场景信息;
标注模块,用于根据所述目标场景要素所包含的场景信息对应的状态标签,对所述驾驶数据进行标注。
10.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器执行所述机器可执行指令以实现权利要求1至8任一项所述的驾驶数据的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210115658.1A CN114445803A (zh) | 2022-02-07 | 2022-02-07 | 驾驶数据的处理方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210115658.1A CN114445803A (zh) | 2022-02-07 | 2022-02-07 | 驾驶数据的处理方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114445803A true CN114445803A (zh) | 2022-05-06 |
Family
ID=81372382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210115658.1A Pending CN114445803A (zh) | 2022-02-07 | 2022-02-07 | 驾驶数据的处理方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114445803A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707909A (zh) * | 2022-05-23 | 2022-07-05 | 北京宏景智驾科技有限公司 | 场景评价方法和装置、电子设备和存储介质 |
CN114923523A (zh) * | 2022-05-27 | 2022-08-19 | 中国第一汽车股份有限公司 | 感知数据的采集方法、装置、存储介质及电子装置 |
CN115203483A (zh) * | 2022-07-15 | 2022-10-18 | 小米汽车科技有限公司 | 标签管理方法、装置、车辆、存储介质及芯片 |
CN115631482A (zh) * | 2022-11-30 | 2023-01-20 | 广汽埃安新能源汽车股份有限公司 | 驾驶感知信息采集方法、装置、电子设备和可读介质 |
CN115690641A (zh) * | 2022-05-25 | 2023-02-03 | 中仪英斯泰克进出口有限公司 | 一种基于图像显示的屏幕控制方法及*** |
CN116664964A (zh) * | 2023-07-31 | 2023-08-29 | 福思(杭州)智能科技有限公司 | 数据筛选方法、装置、车载设备和存储介质 |
CN117194414A (zh) * | 2023-08-02 | 2023-12-08 | 江苏优探智能科技有限公司 | 自动驾驶数据处理***和自动驾驶数据处理方法 |
-
2022
- 2022-02-07 CN CN202210115658.1A patent/CN114445803A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707909A (zh) * | 2022-05-23 | 2022-07-05 | 北京宏景智驾科技有限公司 | 场景评价方法和装置、电子设备和存储介质 |
CN114707909B (zh) * | 2022-05-23 | 2022-10-21 | 北京宏景智驾科技有限公司 | 场景评价方法和装置、电子设备和存储介质 |
CN115690641A (zh) * | 2022-05-25 | 2023-02-03 | 中仪英斯泰克进出口有限公司 | 一种基于图像显示的屏幕控制方法及*** |
CN114923523A (zh) * | 2022-05-27 | 2022-08-19 | 中国第一汽车股份有限公司 | 感知数据的采集方法、装置、存储介质及电子装置 |
CN115203483A (zh) * | 2022-07-15 | 2022-10-18 | 小米汽车科技有限公司 | 标签管理方法、装置、车辆、存储介质及芯片 |
CN115203483B (zh) * | 2022-07-15 | 2024-02-13 | 小米汽车科技有限公司 | 标签管理方法、装置、车辆、存储介质及芯片 |
CN115631482A (zh) * | 2022-11-30 | 2023-01-20 | 广汽埃安新能源汽车股份有限公司 | 驾驶感知信息采集方法、装置、电子设备和可读介质 |
CN116664964A (zh) * | 2023-07-31 | 2023-08-29 | 福思(杭州)智能科技有限公司 | 数据筛选方法、装置、车载设备和存储介质 |
CN116664964B (zh) * | 2023-07-31 | 2023-10-20 | 福思(杭州)智能科技有限公司 | 数据筛选方法、装置、车载设备和存储介质 |
CN117194414A (zh) * | 2023-08-02 | 2023-12-08 | 江苏优探智能科技有限公司 | 自动驾驶数据处理***和自动驾驶数据处理方法 |
CN117194414B (zh) * | 2023-08-02 | 2024-05-14 | 江苏优探智能科技有限公司 | 自动驾驶数据处理***和自动驾驶数据处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114445803A (zh) | 驾驶数据的处理方法、装置及电子设备 | |
WO2022083402A1 (zh) | 障碍物检测方法、装置、计算机设备和存储介质 | |
CN109212514B (zh) | 一种雷达检测设备对运动以及静止目标持续跟踪关联方法 | |
CN113706737B (zh) | 基于自动驾驶车辆的路面巡检***及方法 | |
Zhang et al. | An automatic background filtering method for detection of road users in heavy traffics using roadside 3-D LiDAR sensors with noises | |
CN111753612B (zh) | 一种抛洒物检测方法、装置及存储介质 | |
CN113155173B (zh) | 感知性能评测方法、装置、电子装置和存储介质 | |
KR102122850B1 (ko) | 딥 러닝 기반의 교통분석 및 차량번호 인식 솔루션 | |
CN114596555B (zh) | 障碍物点云数据筛选方法、装置、电子设备及存储介质 | |
CN112949782A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
US20220234588A1 (en) | Data Recording for Advanced Driving Assistance System Testing and Validation | |
CN114694060B (zh) | 一种道路抛洒物检测方法、电子设备及存储介质 | |
CN111967396A (zh) | 障碍物检测的处理方法、装置、设备及存储介质 | |
US11580659B2 (en) | Method for size estimation by image recognition of specific target using given scale | |
CN115083088A (zh) | 铁路周界入侵预警方法 | |
CN111929672A (zh) | 移动轨迹的确定方法及装置、存储介质和电子装置 | |
CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
CN117130010B (zh) | 用于无人驾驶的障碍物感知方法、***及无人驾驶汽车 | |
CN112863195B (zh) | 车辆状态的确定方法及装置 | |
CN112507887A (zh) | 一种路口标志牌提取及关联的方法及装置 | |
CN114581748B (zh) | 基于机器学习的多智能体感知融合***及其实现方法 | |
JP7238821B2 (ja) | 地図生成システム及び地図生成プログラム | |
CN116486635A (zh) | 路面团雾检测预警方法、***、存储介质及终端 | |
CN113850112A (zh) | 基于孪生神经网络的路况识别方法和*** | |
CN117315407B (zh) | 对象的识别的方法和装置、存储介质及电子装置 |
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 |