CN115056784A - 车辆控制方法、装置、车辆、存储介质及芯片 - Google Patents
车辆控制方法、装置、车辆、存储介质及芯片 Download PDFInfo
- Publication number
- CN115056784A CN115056784A CN202210786945.5A CN202210786945A CN115056784A CN 115056784 A CN115056784 A CN 115056784A CN 202210786945 A CN202210786945 A CN 202210786945A CN 115056784 A CN115056784 A CN 115056784A
- Authority
- CN
- China
- Prior art keywords
- environment
- module
- environment perception
- feature
- perception
- 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 52
- 230000008447 perception Effects 0.000 claims abstract description 231
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims description 62
- 230000015654 memory Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 abstract description 6
- 230000002829 reductive effect Effects 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000010267 cellular communication Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000001294 propane Substances 0.000 description 1
- 230000000979 retarding effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- 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
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- 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
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/408—Radar; Laser, e.g. lidar
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本公开涉及一种车辆控制方法、装置、车辆、存储介质及芯片,所述方法包括:采集车辆周围环境的环境图像;通过所述环境图像和环境感知模型,获取环境感知结果;根据所述环境感知结果,控制所述车辆行驶;其中,所述环境感知模型通过以下方式预先构建:确定构建所述环境感知模型的多个环境感知模块和目标配置信息,所述目标配置信息包括多个所述环境感知模块之间的关联关系;通过多个所述环境感知模块、所述目标配置信息以及特征池,构建所述环境感知模型,所述特征池用于存储每个所述环境感知模块输出的所述车辆自动驾驶过程中的环境感知特征。这样,可以降低环境感知模型构建的复杂度,使得环境感知模型的质量更高,提高了自动驾驶的安全性。
Description
技术领域
本公开涉及车辆技术领域,尤其涉及一种车辆控制方法、装置、车辆、存储介质及芯片。
背景技术
自动驾驶技术通过摄像头、雷达传感器、激光测距器等获取车辆周围环境的环境图像,根据该环境图像确定车辆的行驶轨迹和行驶策略,并按照该行驶轨迹和该行驶策略控制车辆自动行驶。
相关技术中,通过环境感知模型对环境图像进行感知,根据感知结果确定车辆的行驶轨迹和行驶策略,因此,环境感知模型对自动驾驶技术至关重要。但是,车辆行驶过程中的周围环境比较复杂,构建环境感知模型的环境感知模块也比较多,而多个环境感知模块之间的交互错综复杂,导致环境感知模型的构建难度比较大,难以构建高质量的环境感知模型,从而影响车辆的自动驾驶的安全性。
发明内容
为克服相关技术中存在的问题,本公开提供一种车辆控制方法、装置、车辆、存储介质及芯片。
根据本公开实施例的第一方面,提供一种车辆控制方法,包括:
采集车辆周围环境的环境图像;
通过所述环境图像和环境感知模型,获取环境感知结果;
根据所述环境感知结果,控制所述车辆行驶;
其中,所述环境感知模型通过以下方式预先构建:
确定构建所述环境感知模型的多个环境感知模块和目标配置信息,所述目标配置信息包括多个所述环境感知模块之间的关联关系;
通过多个所述环境感知模块、所述目标配置信息以及特征池,构建所述环境感知模型,所述特征池用于存储每个所述环境感知模块输出的所述车辆自动驾驶过程中的环境感知特征。
可选地,所述确定构建所述环境感知模型的多个环境感知模块和目标配置信息包括:
根据所述环境感知模型对应的预设模型参数,从多个预设神经网络模块中,确定多个所述环境感知模块;
根据多个所述环境感知模块,生成所述目标配置信息。
可选地,所述根据多个所述环境感知模块,生成所述目标配置信息包括:
确定每个所述环境感知模块的父节点对应的父节点模块,以得到所述环境感知模型的模块关联关系;
获取存储所述环境图像的预设位置信息;
根据所述模块关联关系和所述预设位置信息,生成所述目标配置信息。
可选地,所述环境感知特征包括第一环境感知特征和第二环境感知特征,所述通过所述环境图像和环境感知模型,获取环境感知结果包括:
从多个所述环境感知模块中确定第一模块和第二模块,所述第一模块包括多个所述环境感知模块中不存在父节点的环境感知模块,所述第二模块包括多个所述环境感知模块中除所述第一模块之外的环境感知模块;
根据所述环境图像,获取所述第一模块输出的所述第一环境感知特征,并根据所述第一环境感知特征,获取所述第二模块输出的所述第二环境感知特征;
根据所述第二环境感知特征,确定所述环境感知结果。
可选地,所述根据所述环境图像,获取所述第一模块输出的所述第一环境感知特征,并根据所述第一环境感知特征,获取所述第二模块输出的所述第二环境感知特征包括:
针对每个所述第一模块,将所述环境图像输入所述第一模块,以获取所述第一模块输出的所述第一环境感知特征,并将所述第一环境感知特征存储至所述特征池;
针对每个所述第二模块,从所述特征池存储的多个所述环境感知特征中确定所述第二模块对应的输入特征,将所述输入特征输入所述第二模块,以获取所述第二模块输出的第二环境感知特征,并将所述第二环境感知特征存储至所述特征池。
可选地,所述从所述特征池存储的多个所述环境感知特征中确定所述第二模块对应的输入特征包括:
确定所述第二模块的父节点对应的目标父节点模块;
从所述特征池存储的多个所述环境感知特征中,确定所述目标父节点模块输出的目标环境感知特征,并将所述目标环境感知特征作为所述第二模块对应的输入特征。
可选地,所述根据所述第二环境感知特征,确定所述环境感知结果包括:
从所述第二模块中确定第三模块,所述第三模块包括所述第二模块中不存在子节点的第二模块;
根据所述第三模块输出的第二环境感知特征,确定所述环境感知结果。
根据本公开实施例的第二方面,提供一种车辆控制装置,包括:
采集模块,被配置为采集车辆周围环境的环境图像;
获取模块,被配置为通过所述环境图像和环境感知模型,获取环境感知结果;
控制模块,被配置为根据所述环境感知结果,控制所述车辆行驶;
其中,所述环境感知模型通过以下方式预先构建:
确定构建所述环境感知模型的多个环境感知模块和目标配置信息,所述目标配置信息包括多个所述环境感知模块之间的关联关系;
通过多个所述环境感知模块、所述目标配置信息以及特征池,构建所述环境感知模型,所述特征池用于存储每个所述环境感知模块输出的所述车辆自动驾驶过程中的环境感知特征。
可选地,所述确定构建所述环境感知模型的多个环境感知模块和目标配置信息包括:
根据所述环境感知模型对应的预设模型参数,从多个预设神经网络模块中,确定多个所述环境感知模块;
根据多个所述环境感知模块,生成所述目标配置信息。
可选地,所述根据多个所述环境感知模块,生成所述目标配置信息包括:
确定每个所述环境感知模块的父节点对应的父节点模块,以得到所述环境感知模型的模块关联关系;
获取存储所述环境图像的预设位置信息;
根据所述模块关联关系和所述预设位置信息,生成所述目标配置信息。
可选地,所述环境感知特征包括第一环境感知特征和第二环境感知特征,所述获取模块,还被配置为:
从多个所述环境感知模块中确定第一模块和第二模块,所述第一模块包括多个所述环境感知模块中不存在父节点的环境感知模块,所述第二模块包括多个所述环境感知模块中除所述第一模块之外的环境感知模块;
根据所述环境图像,获取所述第一模块输出的所述第一环境感知特征,并根据所述第一环境感知特征,获取所述第二模块输出的所述第二环境感知特征;
根据所述第二环境感知特征,确定所述环境感知结果。
可选地,所述获取模块,还被配置为:
针对每个所述第一模块,将所述环境图像输入所述第一模块,以获取所述第一模块输出的所述第一环境感知特征,并将所述第一环境感知特征存储至所述特征池;
针对每个所述第二模块,从所述特征池存储的多个所述环境感知特征中确定所述第二模块对应的输入特征,将所述输入特征输入所述第二模块,以获取所述第二模块输出的第二环境感知特征,并将所述第二环境感知特征存储至所述特征池。
可选地,所述获取模块,还被配置为:
确定所述第二模块的父节点对应的目标父节点模块;
从所述特征池存储的多个所述环境感知特征中,确定所述目标父节点模块输出的目标环境感知特征,并将所述目标环境感知特征作为所述第二模块对应的输入特征。
可选地,所述获取模块,还被配置为:
从所述第二模块中确定第三模块,所述第三模块包括所述第二模块中不存在子节点的第二模块;
根据所述第三模块输出的第二环境感知特征,确定所述环境感知结果。
根据本公开实施例的第三方面,提供一种车辆,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
实现本公开第一方面所述的方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开第一方面所提供的车辆控制方法的步骤。
根据本公开实施例的第五方面,提供一种芯片,包括处理器和接口;所述处理器用于读取指令以执行本公开第一方面所述的方法。
本公开的实施例提供的技术方案可以包括以下有益效果:通过采集车辆周围环境的环境图像;通过所述环境图像和环境感知模型,获取环境感知结果;根据所述环境感知结果,控制所述车辆行驶;其中,所述环境感知模型通过以下方式预先构建:确定构建所述环境感知模型的多个环境感知模块和目标配置信息,所述目标配置信息包括多个所述环境感知模块之间的关联关系;通过多个所述环境感知模块、所述目标配置信息以及特征池,构建所述环境感知模型,所述特征池用于存储每个所述环境感知模块输出的所述车辆自动驾驶过程中的环境感知特征。也就是说,本公开的环境感知模型的多个环境感知模块之间不直接进行交互,而是通过目标配置信息和特征池实现多个环境感知模块之间的交互,实现了多个环境感知模块之间的解耦合,这样,可以降低环境感知模型构建的复杂度,使得构建的环境感知模型的质量更高,从而提高了车辆的自动驾驶的安全性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种车辆控制方法的流程图;
图2是根据一示例性实施例示出的一种环境感知模型构建方法的流程图;
图3是根据一示例性实施例示出的另一种车辆控制方法的流程图;
图4是根据一示例性实施例示出的一种环境感知模型的框架图;
图5是根据一示例性实施例示出的一种车辆控制装置的框图;
图6是一示例性实施例示出的一种车辆的功能框图示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
首先,对本公开的应用场景进行说明。目前,在构建环境感知模型时,可以基于现有技术的深度学习模型搭建框架搭建环境感知模型,现有的深度学习模型搭建框架的工具包可以提供多种常见的开源组件,通过这些开源组件可以快速构建各种模型,但是,如果需要在该深度学习模型搭建框架的基础上实现新的架构,比如增加新的算法等,则需要按照该深度学习模型搭建框架定义的规范编写架构逻辑,但是,现有的深度学习模型搭建框架的架构比较复杂,学习成本比较高,并且,构建环境感知模型的环境感知模块也比较多,而多个环境感知模块之间的交互错综复杂,导致环境感知模型的构建难度比较大,难以构建高质量的环境感知模型,从而影响车辆的自动驾驶的安全性。
为了克服以上相关技术中存在的技术问题,本公开提供了一种车辆控制方法、装置、车辆、存储介质及芯片,通过目标配置信息和特征池实现多个环境感知模块之间的交互,实现了多个环境感知模块之间的解耦合,这样,可以降低环境感知模型构建的复杂度,使得构建的环境感知模型的质量更高,从而提高了车辆的自动驾驶的安全性。
下面结合具体实施例对本公开进行说明。
图1是根据一示例性实施例示出的一种车辆控制方法的流程图,如图1所示,该方法可以包括:
S101、采集车辆周围环境的环境图像。
在本步骤中,可以通过该车辆上安装的摄像头、雷达传感器、激光测距器等采集该车辆周围环境的环境图像。
S102、通过该环境图像和环境感知模型,获取环境感知结果。
在本步骤中,在采集到该环境图像后,可以将该环境图像输入该环境感知模型,以获取该环境感知模型输出的该环境感知结果。
其中,该环境感知模型通过以下方式预先构建:
确定构建该环境感知模型的多个环境感知模块和目标配置信息,该目标配置信息包括多个该环境感知模块之间的关联关系;
通过多个该环境感知模块、该目标配置信息以及特征池,构建该环境感知模型,该特征池用于存储每个该环境感知模块输出的该车辆自动驾驶过程中的环境感知特征。该环境感知特征可以包括第一环境感知特征和第二环境感知特征。
S103、根据该环境感知结果,控制该车辆行驶。
在本步骤中,在得到该环境感知结果后,可以根据该环境感知结果确定该车辆对应的行驶轨迹和行驶策略,并按照该行驶轨迹和该行驶策略,通过该车辆的自动驾驶***控制该车辆自动行驶。
采用上述方法,通过目标配置信息和特征池实现多个环境感知模块之间的交互,实现了多个环境感知模块之间的解耦合,这样,可以降低环境感知模型构建的复杂度,使得构建的环境感知模型的质量更高,从而提高了车辆的自动驾驶的安全性。
图2是根据一示例性实施例示出的一种环境感知模型构建方法的流程图,如图2所示,该方法可以包括:
S21、确定构建该环境感知模型的多个环境感知模块和目标配置信息。
其中,该目标配置信息可以包括多个该环境感知模块之间的关联关系。
在本步骤中,可以根据需要确定的环境感知结果,预先确定该环境感知模型对应的预设模型参数,根据该环境感知模型对应的预设模型参数,从多个预设神经网络模块中,确定多个该环境感知模块,根据多个该环境感知模块,生成该目标配置信息。
示例地,可以预先构建一个模型框架,该模型框架包括多个预设神经网络模块,不同的预设神经网络模块对应的功能不同,例如,该预设神经网络模块可以是ImageViewEncoder(特征视角编码模块)、ViewTransformer(特征视角转换模块)、TemporalModule(时序模块)等,本公开对此不作限定。在确定该预设模型参数后,可以根据该预设模型参数,从该模型框架的多个预设神经网络模块中确定多个环境感知模块。
相应的,在确定多个环境感知模块后,可以确定每个该环境感知模块的父节点对应的父节点模块,以得到该环境感知模型的模块关联关系;获取存储该环境图像的预设位置信息;根据该模块关联关系和该预设位置信息,生成该目标配置信息。
示例地,针对每个环境感知模块,可以确定该环境感知模块对应的至少一个父节点,将至少一个父节点对应的环境感知模块作为该环境感知模块对应的父节点模块。在确定每个环境感知模块对应的父节点模块后,即可得到该环境感知模型的模块关联关系。之后,可以按照该模型框架预先设置的配置信息的格式,根据该模块关联关系和该预设位置信息,生成该目标配置信息。该目标配置信息可以存储在文件中,得到目标配置文件。在该环境感知模型运行过程中,可以从该目标配置文件中获取该目标配置信息。
S22、通过多个该环境感知模块、该目标配置信息以及特征池,构建该环境感知模型。
其中,该特征池可以用于存储每个该环境感知模块输出的该车辆自动驾驶过程中的环境感知特征,该特征池可以以字典的形式表示。
在本步骤中,在确定多个环境感知模块和该目标配置信息后,通过该目标配置信息可以确定多个环境感知模块之间的模块关联关系,通过该模块关联关系即可确定该环境感知模型的架构,在该环境感知模型运行过程中,可以通过特征池确定每个环境感知模块的输出特征,基于此,在确定多个该环境感知模块、该目标配置信息以及特征池后,即可得到该环境感知模型。
采用上述方法构建的环境感知模型,实现了多个环境感知模块之间的解耦合,这样,可以降低环境感知模型构建的复杂度,使得构建的环境感知模型的质量更高。
图3是根据一示例性实施例示出的另一种车辆控制方法的流程图,如图3所示,步骤S102的实现方式可以包括:
S1021、从多个该环境感知模块中确定第一模块和第二模块。
其中,该第一模块包括多个该环境感知模块中不存在父节点的环境感知模块,该第二模块包括多个该环境感知模块中除该第一模块之外的环境感知模块。
在本步骤中,在采集到该环境图像后,可以从该目标配置信息中的模块关联关系,从多个该环境感知模块中确定该第一模块和该第二模块。
示例地,图4是根据一示例性实施例示出的一种环境感知模型的框架图,如图4所示,该环境感知模型包括3个1级模块:通用骨干网络模块(General Backbone)、主干网络模块(Trunk)以及检测头模块(Head),1级模块可以包括多个2级模块。以通用骨干网络模块为例,该通用骨干网络模块的2级模块包括:特征视角编码模块、特征视角转换模块以及时序模块。从图4可以看出,该特征视角编码模块的输入为该环境图像,该特征视角转换模块的输入为该环境图像和该特征视角编码模块输出的环境感知特征,该时序模块的输入为该特征视角转换模块输出的环境感知特征。该主干网络模块1的输入为特征视角编码模块输出的环境感知特征,该主干网络模块2的输入为该特征视角转换模块输出的环境感知特征,该主干网络模块3的输入为该时序模块输出的环境感知特征,该检测头1的输入为主干网络模块1输出的环境感知特征,该检测头2的输入为该主干网络模块2输出的环境感知特征,该检测头3的输入为该主干网络模块3输出的环境感知特征。
需要说明的是,图4所示的环境感知模型的框架只是举例说明,本公开对该环境感知模型中包含的不同级别的模块数量和连接方式不作限定。该环境图像在输入每个模块之前,可以对该环境图像进行预处理,预处理的方式可以参考现有技术的处理方法,此处不作限定。
以图4所示的环境感知模型为例,该环境感知模型中的第一模块为该特征视角编码模块,该环境感知模型中的其他模块均为第二模块。
S1022、根据该环境图像,获取该第一模块输出的第一环境感知特征,并根据所该第一环境感知特征,获取该第二模块输出的第二环境感知特征。
在本步骤中,在确定该第一模块和该第二模块后针对每个该第一模块,将该环境图像输入该第一模块,以获取该第一模块输出的该第一环境感知特征,并将该第一环境感知特征存储至该特征池;针对每个该第二模块,从该特征池存储的多个该环境感知特征中确定该第二模块对应的输入特征,将该输入特征输入该第二模块,以获取该第二模块输出的第二环境感知特征,并将该第二环境感知特征存储至该特征池。
在一种可能的实现方式中,针对每个第二模块,可以确定该第二模块的父节点对应的目标父节点模块,从该特征池存储的多个该环境感知特征中,确定该目标父节点模块输出的目标环境感知特征,并将该目标环境感知特征作为该第二模块对应的输入特征。
示例地,在确定该第一模块和该第二模块后,可以遍历该环境感知模型中的每个环境感知模块,针对每个环境感知模块,确定该环境感知模块是否为第一模块,若该环境感知模块为第一模块,则可以获取该环境图像,并将该环境图像输入该环境感知模块,得到该环境感知模块输出的第一环境感知特征后,将该第一环境感知特征存储至该特征池。若该环境感知模块为第二模块,则根据该目标配置信息,确定该环境感知模块对应的目标父节点模块,从该特征池存储的多个环境感知特征中,确定该目标父节点模块对应的目标环境感知特征,并将该目标环境感知特征输入该环境感知模块,得到该环境感知模块输出的第二环境感知特征,并将该环境感知特征存储至该特征池。
继续以图4所示的环境感知模型为例进行说明,针对该特征视角编码模块,在确定该特征视角编码模块为第一模块后,可以将该环境图像输入该特征视角编码模块,得到该特征视角编码模块输出的第一环境感知特征,并将该第一环境感知特征存储至该特征池。针对该时序模块,在确定该时序模块为第二模块后,可以确定该时序模块对应的父节点模块为特征视角转换模块,从特征池中获取该特征视角转换模输出的目标环境感知特征,并将该目标环境感知特征输入该时序模块,得到该时序模块输出的第二环境感知特征,并将该第二环境感知特征存储至该特征池。
S1023、根据该第二环境感知特征,确定该环境感知结果。
在本步骤中,可以从该第二模块中确定第三模块,该第三模块包括该第二模块中不存在子节点的第二模块,根据该第三模块输出的第二环境感知特征,确定该环境感知结果。
继续以图4所示的环境感知模型为例,从图4可以看出,检测头1、检测头2以及检测头3为第三模块,可以根据该检测头1、该检测头2以及该检测头3均输出第二环境感知特征,通过现有技术的特征融合方法,确定该环境感知结果。
采用上述方法,通过目标配置信息和特征池实现多个环境感知模块之间的交互,实现了多个环境感知模块之间的解耦合,这样,可以降低环境感知模型构建的复杂度,使得构建的环境感知模型的质量更高,从而提高了车辆的自动驾驶的安全性。另外,该环境感知模型可以将不同的检测头和不同的环境感知模块对应起来,在模型前向传播和反向传播时均可以自定义传播策略,方便开发人员使用不同的策略优化该环境感知模型,从而进一步提高了该环境感知模型的质量。
图5是根据一示例性实施例示出的一种车辆控制装置的框图,如图5所示,该装置可以包括:
采集模块501,被配置为采集车辆周围环境的环境图像;
获取模块502,被配置为通过该环境图像和环境感知模型,获取环境感知结果;
控制模块503,被配置为根据该环境感知结果,控制该车辆行驶;
其中,该环境感知模型通过以下方式预先构建:
确定构建该环境感知模型的多个环境感知模块和目标配置信息,该目标配置信息包括多个该环境感知模块之间的关联关系;
通过多个该环境感知模块、该目标配置信息以及特征池,构建该环境感知模型,该特征池用于存储每个该环境感知模块输出的该车辆自动驾驶过程中的环境感知特征。
可选地,该确定构建该环境感知模型的多个环境感知模块和目标配置信息包括:
根据该环境感知模型对应的预设模型参数,从多个预设神经网络模块中,确定多个该环境感知模块;
根据多个该环境感知模块,生成该目标配置信息。
可选地,该根据多个该环境感知模块,生成该目标配置信息包括:
确定每个该环境感知模块的父节点对应的父节点模块,以得到该环境感知模型的模块关联关系;
获取存储该环境图像的预设位置信息;
根据该模块关联关系和该预设位置信息,生成该目标配置信息。
可选地,该环境感知特征包括第一环境感知特征和第二环境感知特征,该获取模块502,还被配置为:
从多个该环境感知模块中确定第一模块和第二模块,该第一模块包括多个该环境感知模块中不存在父节点的环境感知模块,该第二模块包括多个该环境感知模块中除该第一模块之外的环境感知模块;
根据该环境图像,获取该第一模块输出的第一环境感知特征,并根据该第一环境感知特征,获取该第二模块输出的第二环境感知特征;
根据该第二环境感知特征,确定该环境感知结果。
可选地,该获取模块502,还被配置为:
针对每个该第一模块,将该环境图像输入该第一模块,以获取该第一模块输出的该第一环境感知特征,并将该第一环境感知特征存储至该特征池;
针对每个该第二模块,从该特征池存储的多个该环境感知特征中确定该第二模块对应的输入特征,将该输入特征输入该第二模块,以获取该第二模块输出的第二环境感知特征,并将该第二环境感知特征存储至该特征池。
可选地,该获取模块502,还被配置为:
确定该第二模块的父节点对应的目标父节点模块;
从该特征池存储的多个该环境感知特征中,确定该目标父节点模块输出的目标环境感知特征,并将该目标环境感知特征作为该第二模块对应的输入特征。
可选地,该获取模块502,还被配置为:
从该第二模块中确定第三模块,该第三模块包括该第二模块中不存在子节点的第二模块;
根据该第三模块输出的第二环境感知特征,确定该环境感知结果。
通过上述装置,通过目标配置信息和特征池实现多个环境感知模块之间的交互,实现了多个环境感知模块之间的解耦合,这样,可以降低环境感知模型构建的复杂度,使得构建的环境感知模型的质量更高,从而提高了车辆的自动驾驶的安全性。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开提供的车辆控制方法的步骤。
上述装置除了可以是独立的电子设备外,也可是独立电子设备的一部分,例如在一种实施例中,该装置可以是集成电路(Integrated Circuit,IC)或芯片,其中该集成电路可以是一个IC,也可以是多个IC的集合;该芯片可以包括但不限于以下种类:GPU(GraphicsProcessing Unit,图形处理器)、CPU(Central Processing Unit,中央处理器)、FPGA(Field Programmable Gate Array,可编程逻辑阵列)、DSP(Digital Signal Processor,数字信号处理器)、ASIC(Application Specific Integrated Circuit,专用集成电路)、SOC(System on Chip,SoC,片上***或***级芯片)等。上述的集成电路或芯片中可以用于执行可执行指令(或代码),以实现上述的车辆控制方法。其中该可执行指令可以存储在该集成电路或芯片中,也可以从其他的装置或设备获取,例如该集成电路或芯片中包括处理器、存储器,以及用于与其他的装置通信的接口。该可执行指令可以存储于该存储器中,当该可执行指令被处理器执行时实现上述的车辆控制方法;或者,该集成电路或芯片可以通过该接口接收可执行指令并传输给该处理器执行,以实现上述的车辆控制方法。
参阅图6,图6是一示例性实施例示出的一种车辆600的功能框图示意图。车辆600可以被配置为完全或部分自动驾驶模式。例如,车辆600可以通过感知***620获取其周围的环境信息,并基于对周边环境信息的分析得到自动驾驶策略以实现完全自动驾驶,或者将分析结果呈现给用户以实现部分自动驾驶。
车辆600可包括各种子***,例如,信息娱乐***610、感知***620、决策控制***630、驱动***640以及计算平台650。可选的,车辆600可包括更多或更少的子***,并且每个子***都可包括多个部件。另外,车辆600的每个子***和部件可以通过有线或者无线的方式实现互连。
在一些实施例中,信息娱乐***610可以包括通信***611,娱乐***612以及导航***613。
通信***611可以包括无线通信***,无线通信***可以直接地或者经由通信网络来与一个或多个设备无线通信。例如,无线通信***可使用3G蜂窝通信,例如CDMA、EVD0、GSM/GPRS,或者4G蜂窝通信,例如LTE。或者5G蜂窝通信。无线通信***可利用WiFi与无线局域网(wireless local area network,WLAN)通信。在一些实施例中,无线通信***可利用红外链路、蓝牙或ZigBee与设备直接通信。其他无线协议,例如各种车辆通信***,例如,无线通信***可包括一个或多个专用短程通信(dedicated short range communications,DSRC)设备,这些设备可包括车辆和/或路边台站之间的公共和/或私有数据通信。
娱乐***612可以包括显示设备,麦克风和音响,用户可以基于娱乐***在车内收听广播,播放音乐;或者将手机和车辆联通,在显示设备上实现手机的投屏,显示设备可以为触控式,用户可以通过触摸屏幕进行操作。
在一些情况下,可以通过麦克风获取用户的语音信号,并依据对用户的语音信号的分析实现用户对车辆600的某些控制,例如调节车内温度等。在另一些情况下,可以通过音响向用户播放音乐。
导航***613可以包括由地图供应商所提供的地图服务,从而为车辆600提供行驶路线的导航,导航***613可以和车辆的全球定位***621、惯性测量单元622配合使用。地图供应商所提供的地图服务可以为二维地图,也可以是高精地图。
感知***620可包括感测关于车辆600周边的环境的信息的若干种传感器。例如,感知***620可包括全球定位***621(全球定位***可以是GPS***,也可以是北斗***或者其他定位***)、惯性测量单元(inertial measurement unit,IMU)622、激光雷达623、毫米波雷达624、超声雷达625以及摄像装置626。感知***620还可包括被监视车辆600的内部***的传感器(例如,车内空气质量监测器、燃油量表、机油温度表等)。来自这些传感器中的一个或多个的传感器数据可用于检测对象及其相应特性(位置、形状、方向、速度等)。这种检测和识别是车辆600的安全操作的关键功能。
全球定位***621用于估计车辆600的地理位置。
惯性测量单元622用于基于惯性加速度来感测车辆600的位姿变化。在一些实施例中,惯性测量单元622可以是加速度计和陀螺仪的组合。
激光雷达623利用激光来感测车辆600所位于的环境中的物体。在一些实施例中,激光雷达623可包括一个或多个激光源、激光扫描器以及一个或多个检测器,以及其他***组件。
毫米波雷达624利用无线电信号来感测车辆600的周边环境内的物体。在一些实施例中,除了感测物体以外,毫米波雷达624还可用于感测物体的速度和/或前进方向。
超声雷达625可以利用超声波信号来感测车辆600周围的物体。
摄像装置626用于捕捉车辆600的周边环境的图像信息。摄像装置626可以包括单目相机、双目相机、结构光相机以及全景相机等,摄像装置626获取的图像信息可以包括静态图像,也可以包括视频流信息。
决策控制***630包括基于感知***620所获取的信息进行分析决策的计算***631,决策控制***630还包括对车辆600的动力***进行控制的整车控制器632,以及用于控制车辆600的转向***633、油门634和制动***635。
计算***631可以操作来处理和分析由感知***620所获取的各种信息以便识别车辆600周边环境中的目标、物体和/或特征。目标可以包括行人或者动物,物体和/或特征可包括交通信号、道路边界和障碍物。计算***631可使用物体识别算法、运动中恢复结构(Structure from Motion,SFM)算法、视频跟踪等技术。在一些实施例中,计算***631可以用于为环境绘制地图、跟踪物体、估计物体的速度等等。计算***631可以将所获取的各种信息进行分析并得出对车辆的控制策略。
整车控制器632可以用于对车辆的动力电池和引擎641进行协调控制,以提升车辆600的动力性能。
转向***633可操作来调整车辆600的前进方向。例如在一个实施例中可以为方向盘***。
油门634用于控制引擎641的操作速度并进而控制车辆600的速度。
制动***635用于控制车辆600减速。制动***635可使用摩擦力来减慢车轮644。在一些实施例中,制动***635可将车轮644的动能转换为电流。制动***635也可采取其他形式来减慢车轮644转速从而控制车辆600的速度。
驱动***640可包括为车辆600提供动力运动的组件。在一个实施例中,驱动***640可包括引擎641、能量源642、传动***643和车轮644。引擎641可以是内燃机、电动机、空气压缩引擎或其他类型的引擎组合,例如汽油发动机和电动机组成的混动引擎,内燃引擎和空气压缩引擎组成的混动引擎。引擎641将能量源642转换成机械能量。
能量源642的示例包括汽油、柴油、其他基于石油的燃料、丙烷、其他基于压缩气体的燃料、乙醇、太阳能电池板、电池和其他电力来源。能量源642也可以为车辆600的其他***提供能量。
传动***643可以将来自引擎641的机械动力传送到车轮644。传动***643可包括变速箱、差速器和驱动轴。在一个实施例中,传动***643还可以包括其他器件,比如离合器。其中,驱动轴可包括可耦合到一个或多个车轮644的一个或多个轴。
车辆600的部分或所有功能受计算平台650控制。计算平台650可包括至少一个处理器651,处理器651可以执行存储在例如存储器652这样的非暂态计算机可读介质中的指令653。在一些实施例中,计算平台650还可以是采用分布式方式控制车辆600的个体组件或子***的多个计算设备。
处理器651可以是任何常规的处理器,诸如商业可获得的CPU。可替换地,处理器651还可以包括诸如图像处理器(Graphic Process Unit,GPU),现场可编程门阵列(FieldProgrammable Gate Array,FPGA)、片上***(System on Chip,SOC)、专用集成芯片(Application Specific Integrated Circuit,ASIC)或它们的组合。尽管图6功能性地图示了处理器、存储器、和在相同块中的计算机的其它元件,但是本领域的普通技术人员应该理解该处理器、计算机、或存储器实际上可以包括可以或者可以不存储在相同的物理外壳内的多个处理器、计算机、或存储器。例如,存储器可以是硬盘驱动器或位于不同于计算机的外壳内的其它存储介质。因此,对处理器或计算机的引用将被理解为包括对可以或者可以不并行操作的处理器或计算机或存储器的集合的引用。不同于使用单一的处理器来执行此处所描述的步骤,诸如转向组件和减速组件的一些组件每个都可以具有其自己的处理器,处理器只执行与特定于组件的功能相关的计算。
在本公开实施方式中,处理器651可以执行上述的车辆控制方法。
在此处所描述的各个方面中,处理器651可以位于远离该车辆并且与该车辆进行无线通信。在其它方面中,此处所描述的过程中的一些在布置于车辆内的处理器上执行而其它则由远程处理器执行,包括采取执行单一操纵的必要步骤。
在一些实施例中,存储器652可包含指令653(例如,程序逻辑),指令653可被处理器651执行来执行车辆600的各种功能。存储器652也可包含额外的指令,包括向信息娱乐***610、感知***620、决策控制***630、驱动***640中的一个或多个发送数据、从其接收数据、与其交互和/或对其进行控制的指令。
除了指令653以外,存储器652还可存储数据,例如道路地图、路线信息,车辆的位置、方向、速度以及其它这样的车辆数据,以及其他信息。这种信息可在车辆600在自主、半自主和/或手动模式中操作期间被车辆600和计算平台650使用。
计算平台650可基于从各种子***(例如,驱动***640、感知***620和决策控制***630)接收的输入来控制车辆600的功能。例如,计算平台650可利用来自决策控制***630的输入以便控制转向***633来避免由感知***620检测到的障碍物。在一些实施例中,计算平台650可操作来对车辆600及其子***的许多方面提供控制。
可选地,上述这些组件中的一个或多个可与车辆600分开安装或关联。例如,存储器652可以部分或完全地与车辆600分开存在。上述组件可以按有线和/或无线方式来通信地耦合在一起。
可选地,上述组件只是一个示例,实际应用中,上述各个模块中的组件有可能根据实际需要增添或者删除,图6不应理解为对本公开实施例的限制。
在道路行进的自动驾驶汽车,如上面的车辆600,可以识别其周围环境内的物体以确定对当前速度的调整。物体可以是其它车辆、交通控制设备、或者其它类型的物体。在一些示例中,可以独立地考虑每个识别的物体,并且基于物体的各自的特性,诸如它的当前速度、加速度、与车辆的间距等,可以用来确定自动驾驶汽车所要调整的速度。
可选地,车辆600或者与车辆600相关联的感知和计算设备(例如计算***631、计算平台650)可以基于所识别的物体的特性和周围环境的状态(例如,交通、雨、道路上的冰、等等)来预测识别的物体的行为。可选地,每一个所识别的物体都依赖于彼此的行为,因此还可以将所识别的所有物体全部一起考虑来预测单个识别的物体的行为。车辆600能够基于预测的识别的物体的行为来调整它的速度。换句话说,自动驾驶汽车能够基于所预测的物体的行为来确定车辆将需要调整到(例如,加速、减速、或者停止)何种稳定状态。在这个过程中,也可以考虑其它因素来确定车辆600的速度,诸如,车辆600在行驶的道路中的横向位置、道路的曲率、静态和动态物体的接近度等等。
除了提供调整自动驾驶汽车的速度的指令之外,计算设备还可以提供修改车辆600的转向角的指令,以使得自动驾驶汽车遵循给定的轨迹和/或维持与自动驾驶汽车附近的物体(例如,道路上的相邻车道中的车辆)的安全横向和纵向距离。
上述车辆600可以为各种类型的行驶工具,例如,轿车、卡车、摩托车、公共汽车、船、飞机、直升飞机、娱乐车、火车等等,本公开实施例不做特别的限定。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的车辆控制方法的代码部分。
本领域技术人员在考虑说明书及实践本公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (11)
1.一种车辆控制方法,其特征在于,包括:
采集车辆周围环境的环境图像;
通过所述环境图像和环境感知模型,获取环境感知结果;
根据所述环境感知结果,控制所述车辆行驶;
其中,所述环境感知模型通过以下方式预先构建:
确定构建所述环境感知模型的多个环境感知模块和目标配置信息,所述目标配置信息包括多个所述环境感知模块之间的关联关系;
通过多个所述环境感知模块、所述目标配置信息以及特征池,构建所述环境感知模型,所述特征池用于存储每个所述环境感知模块输出的所述车辆自动驾驶过程中的环境感知特征。
2.根据权利要求1所述的方法,其特征在于,所述确定构建所述环境感知模型的多个环境感知模块和目标配置信息包括:
根据所述环境感知模型对应的预设模型参数,从多个预设神经网络模块中,确定多个所述环境感知模块;
根据多个所述环境感知模块,生成所述目标配置信息。
3.根据权利要求2所述的方法,其特征在于,所述根据多个所述环境感知模块,生成所述目标配置信息包括:
确定每个所述环境感知模块的父节点对应的父节点模块,以得到所述环境感知模型的模块关联关系;
获取存储所述环境图像的预设位置信息;
根据所述模块关联关系和所述预设位置信息,生成所述目标配置信息。
4.根据权利要求1所述的方法,其特征在于,所述环境感知特征包括第一环境感知特征和第二环境感知特征,所述通过所述环境图像和环境感知模型,获取环境感知结果包括:
从多个所述环境感知模块中确定第一模块和第二模块,所述第一模块包括多个所述环境感知模块中不存在父节点的环境感知模块,所述第二模块包括多个所述环境感知模块中除所述第一模块之外的环境感知模块;
根据所述环境图像,获取所述第一模块输出的所述第一环境感知特征,并根据所述第一环境感知特征,获取所述第二模块输出的所述第二环境感知特征;
根据所述第二环境感知特征,确定所述环境感知结果。
5.根据权利要求4所述的方法,其特征在于,所述根据所述环境图像,获取所述第一模块输出的所述第一环境感知特征,并根据所述第一环境感知特征,获取所述第二模块输出的所述第二环境感知特征包括:
针对每个所述第一模块,将所述环境图像输入所述第一模块,以获取所述第一模块输出的所述第一环境感知特征,并将所述第一环境感知特征存储至所述特征池;
针对每个所述第二模块,从所述特征池存储的多个所述环境感知特征中确定所述第二模块对应的输入特征,将所述输入特征输入所述第二模块,以获取所述第二模块输出的第二环境感知特征,并将所述第二环境感知特征存储至所述特征池。
6.根据权利要求5所述的方法,其特征在于,所述从所述特征池存储的多个所述环境感知特征中确定所述第二模块对应的输入特征包括:
确定所述第二模块的父节点对应的目标父节点模块;
从所述特征池存储的多个所述环境感知特征中,确定所述目标父节点模块输出的目标环境感知特征,并将所述目标环境感知特征作为所述第二模块对应的输入特征。
7.根据权利要求4所述的方法,其特征在于,所述根据所述第二环境感知特征,确定所述环境感知结果包括:
从所述第二模块中确定第三模块,所述第三模块包括所述第二模块中不存在子节点的第二模块;
根据所述第三模块输出的第二环境感知特征,确定所述环境感知结果。
8.一种车辆控制装置,其特征在于,包括:
采集模块,被配置为采集车辆周围环境的环境图像;
获取模块,被配置为通过所述环境图像和环境感知模型,获取环境感知结果;
控制模块,被配置为根据所述环境感知结果,控制所述车辆行驶;
其中,所述环境感知模型通过以下方式预先构建:
确定构建所述环境感知模型的多个环境感知模块和目标配置信息,所述目标配置信息包括多个所述环境感知模块之间的关联关系;
通过多个所述环境感知模块、所述目标配置信息以及特征池,构建所述环境感知模型,所述特征池用于存储每个所述环境感知模块输出的所述车辆自动驾驶过程中的环境感知特征。
9.一种车辆,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
实现权利要求1-7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,该程序指令被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
11.一种芯片,其特征在于,包括处理器和接口;所述处理器用于读取指令以执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210786945.5A CN115056784B (zh) | 2022-07-04 | 2022-07-04 | 车辆控制方法、装置、车辆、存储介质及芯片 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210786945.5A CN115056784B (zh) | 2022-07-04 | 2022-07-04 | 车辆控制方法、装置、车辆、存储介质及芯片 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115056784A true CN115056784A (zh) | 2022-09-16 |
CN115056784B CN115056784B (zh) | 2023-12-05 |
Family
ID=83204288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210786945.5A Active CN115056784B (zh) | 2022-07-04 | 2022-07-04 | 车辆控制方法、装置、车辆、存储介质及芯片 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115056784B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024066798A1 (zh) * | 2022-09-27 | 2024-04-04 | 腾讯科技(深圳)有限公司 | 车辆控制方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014118178A1 (de) * | 2013-01-30 | 2014-08-07 | Bayerische Motoren Werke Aktiengesellschaft | Erstellen eines umfeldmodells für ein fahrzeug |
CN106845547A (zh) * | 2017-01-23 | 2017-06-13 | 重庆邮电大学 | 一种基于摄像头的智能汽车定位与道路标识识别***及方法 |
CN108388834A (zh) * | 2017-01-24 | 2018-08-10 | 福特全球技术公司 | 利用循环神经网络和级联特征映射的对象检测 |
US20190302768A1 (en) * | 2018-04-03 | 2019-10-03 | Baidu Usa Llc | Perception and planning collaboration framework for autonomous driving |
CN110531754A (zh) * | 2018-05-24 | 2019-12-03 | 通用汽车环球科技运作有限责任公司 | 自主车辆的控制***、控制方法和控制器 |
WO2020224761A1 (en) * | 2019-05-06 | 2020-11-12 | Zenuity Ab | Automated map making and positioning |
CN112783506A (zh) * | 2021-01-29 | 2021-05-11 | 展讯通信(上海)有限公司 | 一种模型运行方法及相关装置 |
CN114240816A (zh) * | 2022-02-24 | 2022-03-25 | 魔门塔(苏州)科技有限公司 | 道路环境感知方法、装置、存储介质、电子设备及车辆 |
CN114255351A (zh) * | 2022-02-28 | 2022-03-29 | 魔门塔(苏州)科技有限公司 | 一种图像处理方法、装置、介质、设备及驾驶*** |
-
2022
- 2022-07-04 CN CN202210786945.5A patent/CN115056784B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014118178A1 (de) * | 2013-01-30 | 2014-08-07 | Bayerische Motoren Werke Aktiengesellschaft | Erstellen eines umfeldmodells für ein fahrzeug |
CN106845547A (zh) * | 2017-01-23 | 2017-06-13 | 重庆邮电大学 | 一种基于摄像头的智能汽车定位与道路标识识别***及方法 |
CN108388834A (zh) * | 2017-01-24 | 2018-08-10 | 福特全球技术公司 | 利用循环神经网络和级联特征映射的对象检测 |
US20190302768A1 (en) * | 2018-04-03 | 2019-10-03 | Baidu Usa Llc | Perception and planning collaboration framework for autonomous driving |
CN110531754A (zh) * | 2018-05-24 | 2019-12-03 | 通用汽车环球科技运作有限责任公司 | 自主车辆的控制***、控制方法和控制器 |
WO2020224761A1 (en) * | 2019-05-06 | 2020-11-12 | Zenuity Ab | Automated map making and positioning |
CN112783506A (zh) * | 2021-01-29 | 2021-05-11 | 展讯通信(上海)有限公司 | 一种模型运行方法及相关装置 |
CN114240816A (zh) * | 2022-02-24 | 2022-03-25 | 魔门塔(苏州)科技有限公司 | 道路环境感知方法、装置、存储介质、电子设备及车辆 |
CN114255351A (zh) * | 2022-02-28 | 2022-03-29 | 魔门塔(苏州)科技有限公司 | 一种图像处理方法、装置、介质、设备及驾驶*** |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024066798A1 (zh) * | 2022-09-27 | 2024-04-04 | 腾讯科技(深圳)有限公司 | 车辆控制方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115056784B (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115042821B (zh) | 车辆控制方法、装置、车辆及存储介质 | |
CN115100377B (zh) | 地图构建方法、装置、车辆、可读存储介质及芯片 | |
CN113892088A (zh) | 一种测试方法和*** | |
CN115123257A (zh) | 路面减速带位置识别方法、装置、车辆、存储介质及芯片 | |
CN115035494A (zh) | 图像处理方法、装置、车辆、存储介质及芯片 | |
CN115330923A (zh) | 点云数据渲染方法、装置、车辆、可读存储介质及芯片 | |
CN115056784B (zh) | 车辆控制方法、装置、车辆、存储介质及芯片 | |
CN114782638B (zh) | 生成车道线的方法、装置、车辆、存储介质及芯片 | |
CN115221151B (zh) | 车辆数据的传输方法、装置、车辆、存储介质及芯片 | |
CN115202234B (zh) | 仿真测试方法、装置、存储介质和车辆 | |
CN115203457B (zh) | 图像检索方法、装置、车辆、存储介质及芯片 | |
CN114842440B (zh) | 自动驾驶环境感知方法、装置、车辆及可读存储介质 | |
CN115100630B (zh) | 障碍物检测方法、装置、车辆、介质及芯片 | |
CN115205848A (zh) | 目标检测方法、装置、车辆、存储介质及芯片 | |
CN115042814A (zh) | 交通灯状态识别方法、装置、车辆及存储介质 | |
CN115205179A (zh) | 图像融合的方法、装置、车辆及存储介质 | |
CN115334111A (zh) | 用于车道识别的***架构、传输方法,车辆,介质及芯片 | |
CN115116161A (zh) | 车辆数据采集方法、装置、存储介质以及车辆 | |
CN115063639B (zh) | 生成模型的方法、图像语义分割方法、装置、车辆及介质 | |
CN115407344B (zh) | 栅格地图创建方法、装置、车辆及可读存储介质 | |
CN115139946B (zh) | 车辆落水检测方法、车辆、计算机可读存储介质及芯片 | |
CN115297434B (zh) | 服务调用方法、装置、车辆、可读存储介质及芯片 | |
CN115115707B (zh) | 车辆落水检测方法、车辆、计算机可读存储介质及芯片 | |
CN115082886B (zh) | 目标检测的方法、装置、存储介质、芯片及车辆 | |
CN114822216B (zh) | 生成车位地图的方法、装置、车辆、存储介质及芯片 |
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 |