CN114511827B - 一种智能辅助驾驶的车云感知闭环处理方法 - Google Patents
一种智能辅助驾驶的车云感知闭环处理方法 Download PDFInfo
- Publication number
- CN114511827B CN114511827B CN202111443566.8A CN202111443566A CN114511827B CN 114511827 B CN114511827 B CN 114511827B CN 202111443566 A CN202111443566 A CN 202111443566A CN 114511827 B CN114511827 B CN 114511827B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- model
- data
- closed
- training
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 9
- 230000008447 perception Effects 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 238000002372 labelling Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/182—Distributed file systems
-
- 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
- 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
- G06F8/00—Arrangements for software engineering
- G06F8/40—Transformation of program code
- G06F8/41—Compilation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45504—Abstract machines for programme code execution, e.g. Java virtual machine [JVM], interpreters, emulators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种智能辅助驾驶的车云感知闭环处理方法,包括如下步骤:1)车端获取环境数据,并上传到FTP服务器;2)在FTP服务器中挂载分布式存储***,并在分布式存储***中划分车云感知闭环***存储空间;3)云端数据处理:A、数据预处理:对环境视频进行预处理,自动预标注,人工标注;B、模型训练:结合训练算法及对应的训练AI引擎进行训练任务;C、模型评估:车云感知闭环***拉取模型评估所需的模型及数据集;4)车端数据应用:经过编译机完成模型编译工作,通过OTA下发至车端芯片。本发明通过多场景融合分析,支持多种车载芯片,能够实现在车端部署的业务全流程打通和***的自动化串联。
Description
技术领域
本发明涉及智能辅助驾驶技术领域,尤其涉及一种智能辅助驾驶的车云感知闭环处理方法。
背景技术
近年来,智能辅助驾驶领域的研究不断向前发展,它是未来智能交通的重要组成部分,是当前研究热点之一。目前的只能辅助方案通常包括感知***和控制***(自动驾驶***),通过感知***,自动驾驶车辆在行驶过程中可以感知周围所处的环境,包括其他车辆、人物、动物、路标等障碍物;控制***根据感知***采集的数据进行处理及控制,达到辅助驾驶的效果。
为保证行驶安全,需对感知***的准确性进行测试;目前,在对感知***进行准确性测试时,通常采取将感知***输出的障碍物与标注数据匹配评估的方式;这种方式是对感知***输出的全量结果以及标注的全量结果进行整体评估,基于整体评估产出的评估指标进行感知***的迭代。中国专利CN202011568410.8公开了一种“自动驾驶车辆感知***测试方法、装置、设备及存储介质”,其能够在行驶过程中可以感知周围所处的环境,包括其他车辆、人物、动物、路标等障碍物,但该方案所涉及的感知环境已不满足现有的车辆道路多场景环境的实际情况;且现有各大车企厂商或互联网公司在数据处理时进行数据预标注与标注平台强耦合,也不符合现有数据服务模块化理念,无法将预标注与标注完成极致适配,导致数据服务质量不高;同时,且随着越来越多的车载芯片公司成立,未来芯片种类繁多,车企如何做到多芯片搭配的关键在于算法模型对芯片的适应,但目前车企多为算法模型与芯片绑定,一芯片一处理的方式;这就造成整个智能辅助驾驶***变得复杂,并且自适应性较差,无法满足现有的车辆道路多场景环境的实际情况。
发明内容
针对现有技术存在的上述不足,本发明的目的在于提供一种智能辅助驾驶的车云感知闭环处理方法,通过多场景融合分析,算法数据自定义,支持多种车载芯片,实现车端数据采集,图片和视频数据预处理,数据标注,模型训练,模型编译,能够实现编译后模型在车端部署的业务全流程打通和***的自动化串联的目的。
为了解决上述技术问题,本发明采用的技术方案是这样的:一种智能辅助驾驶的车云感知闭环处理方法,其特征在于:包括如下步骤:
1)车端获取环境数据,包括环境图片和环境视频,并上传到FTP服务器;
2)在FTP服务器中挂载分布式存储***,并在分布式存储***中划分车云感知闭环***存储空间,其中,车云感知闭环***存储在该车云感知闭环***存储空间中,步骤1)中上传的环境数据存储到非车云感知闭环***存储空间中;
3)云端数据处理:
A、数据预处理:对车端上传的环境视频进行预处理,获取图像数据包,并利用车云感知闭环***提供的图片分类模型对图像数据包进行自动预标注;然后,用户根据需要,对预标注后的图像数据包进行人工筛选,实现人工标注;
B、模型训练:通过自动预标注和人工标注后的图像数据包形成数据集,该数据集再结合训练算法及对应的训练AI引擎进行训练任务;
C、模型评估:在训练任务结束后,车云感知闭环***拉取模型评估所需的模型及数据集,与设定的评估标准进行对比,若模型评估未通过,则重复步骤3);
4)车端数据应用:
步骤3)中模型评估通过后,经过编译机完成模型编译工作,通过OTA下发至车端芯片,完成模型应用,即完成车辆的智能辅助驾驶。
进一步地,步骤2)中,环境数据采用搭建跳板机并运行至FTP服务器,其中,跳板机通过mount的方式使用fuse协议直接挂载在分布式存储***的目录。
进一步地,步骤3)的A中,车云感知闭环***提供一组内置的图片分类模型用于实现多场景感知分析。
进一步地,步骤4)中,当需要对某个车载芯片进行模型编译时,调用该车载芯片对应的编译机进行编译。
与现有技术相比,本发明具有如下优点:
1、车端实现数据采集及上传服务器,***进行图片和视频数据预处理,并通过***对触片进行预标注和人工标注协同处理,能够实现多场景融合分析,更全面的感知车辆道路的场景环境。
2、模型训练过程中,用户能够实现算法模型自定义,从而满足不同用户的需求;同时,能够根据用户的需求,自定义模型训练评估标准,使得智能驾驶辅助适应性更强。
3、模型评估通过后,过编译机完成模型编译工作,并且编译机以Docker镜像的方式运行,完成Docker镜像制作后,编译为对应的车载芯片模型,从而能够实现支持多种车载芯片,最终实现模型在车端部署的业务全流程打通和***的自动化串联的目的。
附图说明
图1为本发明的工作流程图。
图2为数据上传流程图。
图3为环境数据预处理流程图。
图4为模型编译流程图。
具体实施方式
下面将结合附图及实施例对本发明作进一步说明。
实施例:参见图1至图4,一种智能辅助驾驶的车云感知闭环处理方法,包括如下步骤:
1)车端具有环境感知***(如环境传感器、摄像头等),以获取环境数据,该环境数据主要包括环境图片和环境视频,并上传到FTP服务器。
2)在FTP服务器中挂载分布式存储***(HDFS),并在分布式存储***中划分车云感知闭环***存储空间,其中,车云感知闭环***存储在该车云感知闭环***存储空间中,步骤1)中上传的环境数据存储到非车云感知闭环***存储空间中。由于这类感知闭环算法所需的环境数据主要为批量非实时数据,其数据量巨大,视频流、图片等均达到TB级别,数据实时性要求不高;因此,实施过程中,环境数据采用搭建跳板机并运行至FTP服务器,其中,跳板机通过mount的方式使用fuse协议直接挂载在HDFS的目录。因此,对FTP目录、文件的操作,即为对HDFS的操作;HDFS根目录划分出一个专门的目录作为车云感知闭环***专属目录。用户使用FTP客户端将待上传文件上传到HDFS非车云感知闭环***专属目录,使用车云感知闭环***处理时,需要从HDFS非车云感知闭环***专属目录导入到车云感知闭环***专属目录中。
3)云端数据处理(由车云感知闭环***执行):
A、数据预处理:对车端上传的环境视频进行预处理,获取图像数据包,车端上传的环境图片直接形成图像数据包;具体过程为:对用户车端采集的视频数据进行图像提取功能,方便后续的图像分类预处理和入库;视频抽帧工具对输入的视频文件进行图像提取,并生成***适配格式的图像数据包,支持的主要功能有:
支持抽帧周期参数;
支持抽帧次数参数;
图片分辨率、格式等,默认JPEG格式,分辨率:1920x1080;
支持按秒的时间范围选帧功能;
视频格式:MP4;
支持输出抽帧任务启动时间、抽帧任务进度;
支持设置图片质量设置。
然后,利用车云感知闭环***提供的图片分类模型对图像数据包进行自动预标注。具体地,车云感知闭环***提供图像目标检测算法,进行图像的自动预标注;其中,用户可以预先配置对图片数据包进行自动预处理所使用的分类模型,车云感知闭环***提供一组内置的图片分类模型用于实现多场景感知分析,具体包括识别车辆、行人、交通标志牌、信号灯、天气、光线条件等场景。
然后,用户根据需要,对预标注后的图像数据包进行人工筛选,实现人工标注。经自动预标注和人工标注后的图像数据包存储到样本仓库中备用。具体地,用户也可以自行上传模型用于图片预处理;并根据提供的示例分类算法,进行算法核心部分修改,方便快速在车云感知闭环***平台上传和使用自有算法。
端云协同开发:端云协同开发不仅有上文提到的详细内容,同时用户也可以使用车云感知闭环***提供的插件,将调试好的算法注册到车云感知闭环***算法管理中。或者将开发环境打包成自定义AI训练框架,在训练任务中使用。***提供Pycharm专业版插件,支持端云协同。已有Docker用户直接放Docker repo,车云感知闭环***可以读取。
B、模型训练:通过自动预标注和人工标注后的图像数据包形成数据集,该数据集再结合训练算法及对应的训练AI引擎进行训练任务。用户在创建完算法后,算法创建后允许用户修改算法入口路径,运行使用的AI框架以及参数列表等。通过标注车端上传的数据后形成的数据集加上算法管理给出的算法,外加选择对应的训练AI引擎,用户即可以进行训练任务。训练完成后生成的模型将在车端数据应用上为智能辅助驾驶助力。
本方案所提供的端云协同开发能很好的解决目前算法困难、没有适配的依赖包、很难完成算法调试等问题;***提供最基本的AI引擎,该引擎中只装有与Nvidia GPU驱动兼容的CUDA套件,以及基本的python,以及对应的mini conda,开发人员可以在端云协同开发的环境中:完成自己所需AI训练框架、算法所需的依赖包安装,代码开发、算法调试等。
C、模型评估:在训练任务结束后,车云感知闭环***拉取模型评估所需的模型及数据集,与设定的评估标准进行对比,若模型评估未通过,则重复步骤3);实施过程中,用户根据需要的指标制作脚本,并将结果写到文件中,保存在Docker固定的目录里,这样即可实现自定义模型评估。
4)车端数据应用:
步骤3)中模型评估通过后,经过编译机完成模型编译工作,通过OTA下发至车端芯片,完成模型应用,即完成车辆的智能辅助驾驶。其中,当需要对某个车载芯片进行模型编译时,调用该车载芯片对应的编译机进行编译。例如,编译机以Docker镜像的方式运行,编译时,拉取相关Docker,并调用编译工具进行编译;即需要将芯片编译工具完成Docker镜像制作后,经过编译机将Nvidia模型编译为对应的车载芯片模型,实现车端数据应用;从而能够实现支持多种车载芯片,提高适用性。
当用户需要进行编译某个算法时,需要指出待编译的模型,使用的编译机以及作为哪个编译后的模型的一个版本。当任务拉起时,主进程下载指定的待编译NVIDIA GPU识别的模型,下载完成后调用编译工具,将待编译模型编译为芯片相关的模型。编译完成后,将芯片相关模型上传OTA。至此整个车云感知闭环全流程:车端数据采集上传-云端数据多层处理-车端数据OTA下发应用完成全流程打通。
最后需要说明的是,以上实施例仅用以说明本发明的技术方案而非限制技术方案,本领域的普通技术人员应当理解,那些对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种智能辅助驾驶的车云感知闭环处理方法,其特征在于:包括如下步骤:
1)车端获取环境数据,包括环境图片和环境视频,并上传到FTP服务器;
2)在FTP服务器中挂载分布式存储***,并在分布式存储***中划分车云感知闭环***存储空间,其中,车云感知闭环***存储在该车云感知闭环***存储空间中,步骤1)中上传的环境数据存储到非车云感知闭环***存储空间中;
3)云端数据处理:
A、数据预处理:对车端上传的环境视频进行预处理,获取图像数据包,并利用车云感知闭环***提供的图片分类模型对图像数据包进行自动预标注;然后,用户根据需要,对预标注后的图像数据包进行人工筛选,实现人工标注;
B、模型训练:通过自动预标注和人工标注后的图像数据包形成数据集,该数据集再结合训练算法及对应的训练AI引擎进行训练任务;
C、模型评估:在训练任务结束后,车云感知闭环***拉取模型评估所需的模型及数据集,与设定的评估标准进行对比,若模型评估未通过,则重复步骤3);
4)车端数据应用:
步骤3)中模型评估通过后,经过编译机完成模型编译工作,通过OTA下发至车端芯片,完成模型应用,即完成车辆的智能辅助驾驶。
2.根据权利要求1所述的一种智能辅助驾驶的车云感知闭环处理方法,其特征在于:步骤2)中,环境数据采用搭建跳板机并运行至FTP服务器,其中,跳板机通过mount的方式使用fuse协议直接挂载在分布式存储***的目录。
3.根据权利要求1所述的一种智能辅助驾驶的车云感知闭环处理方法,其特征在于:步骤3)的A中,车云感知闭环***提供一组内置的图片分类模型用于实现多场景感知分析。
4.根据权利要求1所述的一种智能辅助驾驶的车云感知闭环处理方法,其特征在于:步骤4)中,当需要对某个车载芯片进行模型编译时,调用该车载芯片对应的编译机进行编译。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111443566.8A CN114511827B (zh) | 2021-11-30 | 2021-11-30 | 一种智能辅助驾驶的车云感知闭环处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111443566.8A CN114511827B (zh) | 2021-11-30 | 2021-11-30 | 一种智能辅助驾驶的车云感知闭环处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114511827A CN114511827A (zh) | 2022-05-17 |
CN114511827B true CN114511827B (zh) | 2024-04-12 |
Family
ID=81548318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111443566.8A Active CN114511827B (zh) | 2021-11-30 | 2021-11-30 | 一种智能辅助驾驶的车云感知闭环处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114511827B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116665025B (zh) * | 2023-07-31 | 2023-11-14 | 福思(杭州)智能科技有限公司 | 数据闭环方法和*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070139A (zh) * | 2019-04-28 | 2019-07-30 | 吉林大学 | 面向自动驾驶环境感知的小样本在环学习***和方法 |
CN112035640A (zh) * | 2020-08-31 | 2020-12-04 | 重庆长安汽车股份有限公司 | 一种基于智能问答机器人的精细化问答方法、存储介质和智能设备 |
CN112862874A (zh) * | 2021-04-23 | 2021-05-28 | 腾讯科技(深圳)有限公司 | 点云数据匹配方法、装置、电子设备及计算机存储介质 |
CN113297667A (zh) * | 2021-04-30 | 2021-08-24 | 东风汽车集团股份有限公司 | 一种智能驾驶数据闭环的方法及*** |
CN113449632A (zh) * | 2021-06-28 | 2021-09-28 | 重庆长安汽车股份有限公司 | 一种基于融合感知的视觉与雷达感知算法优化方法、***及汽车 |
CN113641734A (zh) * | 2021-08-12 | 2021-11-12 | 驭势科技(北京)有限公司 | 一种数据处理方法、装置、设备及介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10332320B2 (en) * | 2017-04-17 | 2019-06-25 | Intel Corporation | Autonomous vehicle advanced sensing and response |
US11328219B2 (en) * | 2018-04-12 | 2022-05-10 | Baidu Usa Llc | System and method for training a machine learning model deployed on a simulation platform |
US10755007B2 (en) * | 2018-05-17 | 2020-08-25 | Toyota Jidosha Kabushiki Kaisha | Mixed reality simulation system for testing vehicle control system designs |
-
2021
- 2021-11-30 CN CN202111443566.8A patent/CN114511827B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070139A (zh) * | 2019-04-28 | 2019-07-30 | 吉林大学 | 面向自动驾驶环境感知的小样本在环学习***和方法 |
CN112035640A (zh) * | 2020-08-31 | 2020-12-04 | 重庆长安汽车股份有限公司 | 一种基于智能问答机器人的精细化问答方法、存储介质和智能设备 |
CN112862874A (zh) * | 2021-04-23 | 2021-05-28 | 腾讯科技(深圳)有限公司 | 点云数据匹配方法、装置、电子设备及计算机存储介质 |
CN113297667A (zh) * | 2021-04-30 | 2021-08-24 | 东风汽车集团股份有限公司 | 一种智能驾驶数据闭环的方法及*** |
CN113449632A (zh) * | 2021-06-28 | 2021-09-28 | 重庆长安汽车股份有限公司 | 一种基于融合感知的视觉与雷达感知算法优化方法、***及汽车 |
CN113641734A (zh) * | 2021-08-12 | 2021-11-12 | 驭势科技(北京)有限公司 | 一种数据处理方法、装置、设备及介质 |
Non-Patent Citations (3)
Title |
---|
Semantic Segmentation of 3D LiDAR Data in Dynamic Scene Using Semi-Supervised Learning;Jilin Mei 等;IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS;20190610;第21卷(第6期);全文 * |
数据智能:趋势与挑战;吴俊杰;刘冠男;王静远;左源;部慧;林浩;;***工程理论与实践;20200803(第08期);第195-228页 * |
虚实***互驱的混合增强智能开放创新平台的架构与方案;张俊;李灵犀;林懿伦;张天韵;张科;许沛东;阮克羽;沈聃;;智能科学与技术学报;20191215(第04期);第64-76页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114511827A (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107609502A (zh) | 用于控制无人驾驶车辆的方法和装置 | |
CN110765661A (zh) | 自动驾驶仿真场景生成方法及装置、电子设备、存储介质 | |
CN106776294B (zh) | 安卓手机自动化测试方法和*** | |
CN110506276A (zh) | 使用环境传感器数据的高效的图像分析 | |
CN106066849B (zh) | 一种模板页面编辑***及方法 | |
CN114511827B (zh) | 一种智能辅助驾驶的车云感知闭环处理方法 | |
CN110807219B (zh) | 道路网络的三维仿真建模方法、装置、终端及存储介质 | |
CN108711152B (zh) | 一种基于ai技术的图像分析方法、装置和用户终端 | |
CN113259597B (zh) | 图像处理方法、装置、设备、介质及程序产品 | |
CN111583348B (zh) | 图像数据编码方法及装置、显示方法及装置、电子设备 | |
CN110928620A (zh) | 汽车hmi设计引起驾驶注意力分散评价方法及*** | |
CN114885204B (zh) | 一种基于web的AR场景互动sdk | |
CN113297667B (zh) | 一种智能驾驶数据闭环的方法及*** | |
CN114419502A (zh) | 一种数据分析方法、装置及存储介质 | |
CN114415542A (zh) | 自动驾驶仿真***、方法、服务器及介质 | |
CN115688496B (zh) | 一种获取自动驾驶仿真测试脚本方法及相关装置 | |
CN113486885A (zh) | 一种车牌识别方法、装置、电子设备及存储介质 | |
CN1606864A (zh) | 以元数据形式生成描述 | |
CN115684155A (zh) | 一种基于智能手机高通量的血钙浓度预测***及方法 | |
CN115422058A (zh) | 对人脸识别应用进行测试的方法和装置 | |
CN115103206A (zh) | 视频数据的处理方法、装置、设备、***及存储介质 | |
CN113743242A (zh) | 一种基于树莓派的滑坡体检测与识别方法 | |
CN113923443A (zh) | 一种网络录像机测试方法、装置及计算机可读存储介质 | |
CN102857789B (zh) | 一种摄像头效果智能处理的装置与方法 | |
FR3038094A1 (fr) | Gestion documentaire pour la reparation automobile |
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 |