CN115100628A - 一种自动驾驶车辆的障碍物识别方法及装置 - Google Patents
一种自动驾驶车辆的障碍物识别方法及装置 Download PDFInfo
- Publication number
- CN115100628A CN115100628A CN202210710731.XA CN202210710731A CN115100628A CN 115100628 A CN115100628 A CN 115100628A CN 202210710731 A CN202210710731 A CN 202210710731A CN 115100628 A CN115100628 A CN 115100628A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- real
- time image
- target
- specified
- 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 65
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims description 34
- 238000003860 storage Methods 0.000 claims description 18
- 238000013145 classification model Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 241001464837 Viridiplantae Species 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 230000004888 barrier function Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000003068 static effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012549 training 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种自动驾驶车辆的障碍物识别方法及装置，涉及自动驾驶技术领域，主要目的在于提升自动驾驶车辆的识别精度，从而防止车辆堵塞等情况。本发明主要的技术方案为：利用第一识别模型识别实时图像中的障碍物对应的类别；利用第二识别模型识别实时图像中的指定障碍物；根据所述障碍物对应的类别判断所述指定障碍物中是否存在目标障碍物；若存在，利用所述目标障碍物的历史分类结果验证所述目标障碍物是否为可过滤障碍物；若是，则将所述目标障碍物过滤，以便自动驾驶车辆直接通过。本发明用于自动驾驶车辆的障碍物识别。
Description
技术领域
本发明涉及自动驾驶技术领域，尤其涉及一种自动驾驶车辆的障碍物识别方法及装置。
背景技术
在自动驾驶技术日益成熟的同时，对于在自动驾驶过程中会出现的一些问题也要进行考虑，例如自动驾驶的感知任务，即自动驾驶过程中通过车辆本身的传感器识别周围障碍物，从而自动驾驶车辆可以针对识别出的障碍物进行躲避，或者进行临时等待等，这样才可以更好的应用自动驾驶技术。
一般在自动驾驶过程中在识别周围障碍物时，可能会存在一些介于动态和静态之间的障碍物，例如绿植，其在有风的时候可能是动态的，其他时候可能是静态的，且目前大多的感知技术只是单单利用传统的激光雷达的原始数据像素分割技术，但激光雷达最重要的就是反射强度，如果遇见特殊情况，比如风把周边绿植突然吹到道路中，则此时激光雷达就会把绿植判定为障碍物，从而可能导致车辆急刹，造成车辆堵塞等，但此时车辆是可以通过的，因此传统的方法可能会由于识别精度低从而造成车辆堵塞等情况。
发明内容
鉴于上述问题，本发明提供一种自动驾驶车辆的障碍物识别方法及装置，主要目的是为了提升自动驾驶车辆的识别精度，从而防止车辆堵塞等情况。
为解决上述技术问题，本发明提出以下方案：
第一方面，本发明提供了一种自动驾驶车辆的障碍物识别方法，所述方法包括：
利用第一识别模型识别实时图像中的障碍物对应的类别；
利用第二识别模型识别实时图像中的指定障碍物；
根据所述障碍物对应的类别判断所述指定障碍物中是否存在目标障碍物；
若存在，利用所述目标障碍物的历史分类结果验证所述目标障碍物是否为可过滤障碍物；
若是，则将所述目标障碍物过滤，以便自动驾驶车辆直接通过。
第二方面，本发明提供了一种自动驾驶车辆的障碍物识别装置，所述装置包括：
第一识别单元，用于利用第一识别模型识别实时图像中的障碍物对应的类别；
第二识别单元，用于利用第二识别模型识别实时图像中的指定障碍物；
判断单元，用于根据所述障碍物对应的类别判断所述指定障碍物中是否存在目标障碍物；
验证单元，用于若存在，利用所述目标障碍物的历史分类结果验证所述目标障碍物是否为可过滤障碍物；
过滤单元，用于若是，则将所述目标障碍物过滤，以便自动驾驶车辆直接通过。
为了实现上述目的，根据本发明的第三方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述第一方面的自动驾驶车辆的障碍物识别方法。
为了实现上述目的，根据本发明的第四方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述第一方面的自动驾驶车辆的障碍物识别方法。
借由上述技术方案，本发明提供的一种自动驾驶车辆的障碍物识别方法及装置，可以获取到自动驾驶车辆上传的实时图像，然后利用第一识别模型对所述实时图像中的障碍物进行识别，识别出实时图像中所述障碍物对应的类别，这样，不仅可以清晰的知道图像中障碍物所在的位置，还可以知道对应位置处各障碍物对应的类别，同时，还可以利用第二识别模型识别出所述实时图像中所有障碍物中的指定障碍物，进而，可以通过将所述指定障碍物与识别出的所述障碍物对应的类别进行对应，可以得到所述指定障碍物在所述实时图像中的位置分布，进而可以清晰的判断出所述指定障碍物中是否存在目标障碍物，若判断出存在所述目标障碍物，则可以获取到所述目标障碍物的历史分类结果，进而可以利用所述历史分类结果验证出所述目标障碍物是否为可过滤障碍物，这样，由于其结合了历史的分类结果进行验证，而并非单次的判断结果，因此对于在判断所述目标障碍物是否可过滤障碍物时的精准度有所提升，进一步的，若判断出所述目标障碍物为可过滤障碍物，则可以将所述目标障碍物进行过滤，以便自动驾驶车辆可以直接通过，防止了自动驾驶车辆由于识别精准度低而造成的车辆堵塞情况。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种自动驾驶车辆的障碍物识别方法流程图；
图2示出了本发明实施例提供的另一种自动驾驶车辆的障碍物识别方法流程图；
图3示出了本发明实施例提供的一种自动驾驶车辆的障碍物识别装置的组成框图；
图4示出了本发明实施例提供的另一种自动驾驶车辆的障碍物识别装置的组成框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
在科技发展越来越好的情况下，越来越多的在过去觉得不可能的技术，现在也越来越成熟，例如自动驾驶技术，但在自动驾驶技术越来越成熟的同时，对于自动驾驶车辆行驶过程中会出现的一些问题也要进行考虑，例如普通车辆在行驶时，是由人来观察以及感知周围情况，但自动驾驶车辆的情况下，只能依靠车辆本身的传感器以及雷达来识别周围的障碍物，从而针对障碍物做出躲避或者临时停车等待等情况，这样才可以更好的应用自动驾驶车辆，但一般在自动驾驶过程中识别周围障碍物时，可能会存在一些介于动态和静态之间的障碍物，例如绿植，其在有风的时候可能是动态的，其他时候可能是静态的，且目前大多的感知技术只是单单利用传统的激光雷达的原始数据像素分割技术，但激光雷达最重要的就是反射强度，如果遇见特殊情况，比如风把周边绿植突然吹到道路中，则此时激光雷达就会把绿植判定为障碍物，从而可能导致车辆急刹，造成车辆堵塞等，但此时车辆是可以通过的，因此传统的方法可能会由于识别精度低从而造成车辆堵塞等情况。为此，本发明实施例提供了一种自动驾驶车辆的障碍物识别方法，可以提升自动驾驶车辆的识别精度，从而防止车辆堵塞等情况。
其具体执行步骤如图1所示，包括：
101、利用第一识别模型识别实时图像中的障碍物对应的类别。
该步骤中，在自动驾驶车辆行驶过程中，若遇到障碍物，则所述自动驾驶车辆可以实时利用自身摄像头将情况拍摄下来，然后将拍摄下来的实时图像实时上传至后台进行处理，后台在接收到所述实时图像之后，可以先获取到预先训练好的第一识别模型，进而可以利用所述第一识别模型对所述实时图像进行识别，获得所述实时图像中障碍物对应的类别，以便后续对所述障碍物进行处理，从而可以针对所述障碍物的处理结果给出对所述自动驾驶车辆的具体行驶建议。
其中，所述第一识别模型可以是FCN全卷积网络模型，其是一种端到端的网络分割方法，让网络做像素级别的预测从而直接得到分类，其网络中所有的层都是卷积层，还可以接受任意尺寸的输入图像。
其中，所述实时图像中的障碍物可以包括行人、车辆以及路边花朵和绿植等。
其中，所述实时图像中可以包括例如天空这样的空白区域以及多个障碍物等。
102、利用第二识别模型识别实时图像中的指定障碍物。
该步骤中，在利用第一识别模型识别实时图像中的障碍物对应的类别之后，还可以获取到预先训练好的第二识别模型，然后利用所述第二识别模型识别出所述实时图像中的指定障碍物。
具体的，可以是使用基于Kinect的障碍物检测方法，即利用Kinect传感器获取所述实时图像的环境深度图像，然后再获取到图像像素点与空间三维坐标的对应关系，进而通过所述对应关系进行处理，识别出所述实时图像中的指定障碍物，还可以是先获取到所述第二识别模型中的点云分类模型以及障碍物检测模型，然后利用点云分类模型以及所述障碍物检测模型共同识别出所述实时图像中的指定障碍物。
其中，所述第二识别模型可以是点云分类网络，例如pointnet++网络，其可以获得图像中障碍物的具体点云分布情况。
其中，所述指定障碍物可以是所述实时图像中除汽车、行人等已知障碍物之外的其他类别不明确的未知障碍物，其所述指定障碍物中可以包含多种障碍物，例如其可以同时包括花朵以及绿植。
103、根据障碍物对应的类别判断指定障碍物中是否存在目标障碍物。
该步骤中，在确定出所述指定障碍物以及所述障碍物对应的类别以后，可以将所述指定障碍物与所述障碍物对应的类别进行对比的方式，例如所述指定障碍物对应的类别有车辆、行人、以及绿植和花朵等，通过对比可以发现其不属于车辆和行人，其可能为绿植和花朵，还可以是通过所述第二识别模型获取到所述指定障碍物的点云分布情况，然后通过所述指定障碍物的点云分布情况与所述对应位置处的障碍物类别进行对应的方式，判断出所述指定障碍物中是否存在目标障碍物，若不存在，则可以直接通过或针对其他障碍物做出躲避，或返回步骤101重新获取实时图像，若存在，则可以执行步骤104。
其中，所述目标障碍物可以是不确定所述自动驾驶车辆是否可以通过的障碍物，其需要进行具体确认识别。
104、利用目标障碍物的历史分类结果验证目标障碍物是否为可过滤障碍物。
该步骤中，在确定出所述指定障碍物中存在目标障碍物之后，可以在数据库中搜索到所述目标障碍物在历史时间段内的历史分类结果，然后将所述目标障碍物的历史分类结果进行综合计算，进而得到计算结果，然后根据所述计算结果验证所述目标障碍物是否为可过滤障碍物，若是，则可以执行步骤105，若否则可以返回步骤101或进行临时停车或躲避。
其中，所述可过滤障碍物可以为不影响所述自动驾驶车辆通过的目标障碍物。
其中，所述历史分类结果是在历史时间段内验证出的所述目标障碍物的分类结果，其可以包括多次识别结果，所述历史分类结果可以包括目标障碍物的历史类别、目标障碍物的被识别次数以及目标障碍物的历史运动速度。
105、将所述目标障碍物过滤。
该步骤中，在验证出所述目标障碍物为可过滤障碍物之后，则可以证明其不影响所述自动驾驶车辆的通行，则可以将所述目标障碍物过滤掉，进而，可以向所述自动驾驶车辆发出直接通过指定，所述自动驾驶车辆可以接收所述直接通过指令，然后通过即可。
基于上述图1的实现方式可以看出，本发明提供的一种自动驾驶车辆的障碍物识别方法，可以在自动驾驶车辆行驶过程中遇到障碍物的情况下利用自身摄像头实时拍摄到带有障碍物的图像，然后将拍摄到的实时图像上传到后台进行识别，后台在接收到所述实时图像之后，可以利用预先训练好的第一识别模型对所述实时图像进行识别，这样，在知道所述障碍物位置的同时，还可以清晰的识别出所述实时图像中对应位置处的障碍物对应的类别，在利用所述第一识别模型识别所述实时图像中的障碍物类别的同时，为了提高识别精度以及减少实现复杂度，还可以利用训练好的第二识别模型识别出所述实时图像中的指定障碍物，进一步的，在得出指定障碍物之后，可以根据障碍物对应的类别判断指定所述障碍物中是否存在目标障碍物，若判断出存在，为了提高识别精度，可以获取到所述目标障碍物在历史时间段内的历史分类结果，而不是只根据一次的分类结果来验证，然后结合所述历史分类结果对所述目标障碍物进行验证，验证其是否为可过滤障碍物，若结合所述目标障碍物的历史分类结果验证出所述目标障碍物确实为可过滤障碍物，则可以直接将所述目标障碍物过滤掉，进而所述自动驾驶车辆可以直接通过，这样，可以通过对所述实时图像通过不同的模型进行识别验证，进而将两种模型识别出的结果进行融合，确认出目标障碍物，进而，再进一步结合所述目标障碍物的历史分类结果进行进一步验证，这样大大提高对目标障碍物的识别精度，解决了识别精度低的情况造成的车辆堵塞等情况。
进一步的，作为对图1所示实施例的细化及扩展，本发明实施例还提供了另一种自动驾驶车辆的障碍物识别方法，如图2所示，其具体步骤如下：
201、获取自动驾驶车辆上传的实时图像以及预先训练好的第一识别模型。
该步骤中，可以获取到所述自动驾驶车辆上传的实时图像以及预先训练好的第一识别模型，以便后续利用所述第一训练模型对所述实时图像进行识别。
202、将实时图像进行截取，得到所述实时图像的样本图像。
其中，所述样本图像为实时图像中除空白区域外的只包含障碍物的部分。
该步骤中，在获取到所述实时图像之后，由于所述实时图像中的障碍物一般位于所述实时图像中的下半部分，上半部分大多为天空以及其他不属于障碍物的，这部分图像不仅不会在识别图像时起到帮助，还有可能会引起干扰，因此可以将所述实时图像进行截取，得到所述实时图像的样本图像，这样也有利于提升后续对于所述实时图像进行识别时的精准度。
203、将样本图像输入至训练好的第一识别模型中，识别出所述样本图像中障碍物对应的类别。
该步骤中，在得到所述实时图像的样本图像之后，可以将所述样本图像作为输入，输入至所述第一识别模型中，经过所述第一识别模型的卷积层对所述样本图像的特征提取，可以输出所述样本图像中障碍物对应的类别。
204、利用第二识别模型识别实时图像中的指定障碍物。
205、根据障碍物对应的类别判断指定障碍物中是否存在目标障碍物。
206、利用目标障碍物的历史分类结果验证目标障碍物是否为可过滤障碍物。
207、将所述目标障碍物过滤。
其中，步骤204至步骤207的描述，可以参照步骤101至步骤105的描述，并且可以达到相同的技术效果和解决相同的技术问题，在此不再赘述。
下面，将结合具体实施方式对上述各步骤的内容进行进一步说明。
在一些可能的实施方式中，204包括：
确定所述第二识别模型中的预先训练好的点云分类模型以及障碍物检测模型；
将所述实时图像输入至预先训练好的点云分类模型中，得到所述实时图像中各个障碍物的点云分布情况；
将所述实时图像输入至预先训练好的障碍物检测模型中，检测出所述实时图像中的指定障碍物，所述指定障碍物为所述实时图像中除已知障碍物外的未知障碍物；
在所述实时图像中各个障碍物的点云分布情况中确定出所述指定障碍物的点云分布情况。
该步骤中，在得到所述实时图像之后，可以先确定出所述第二识别模型中的点云分类模型以及障碍物检测模型，然后可以在所述实时图像中随机选择一个初始采样点，然后依次利用FPS(最远点采样)进行点云采样，直到采集到目标点数，进一步的可以以采样点为中心，利用Ball Query划分出一个区域，然后将里面包含的点云划分成组，进而可以利用点云分类模型对点云进行局部的全局特征提取，最终可以得到实时图像中各个障碍物分类以及对应类别的点云分布情况，在利用所述点云分类模型得到所述各个障碍物的点云分布情况的同时，可以将所述实时图像输入至预先训练好的障碍物检测模型中，先检测出所述实时图像中的指定障碍物，进而可以在所述实时图像中各个障碍物的点云分布情况中确定出所述指定障碍物的点云分布情况，这样后续就可以直接根据所述指定障碍物的点云分布情况与所述障碍物的类别来判断所述指定障碍物中是否存在目标障碍物，而不需要在后续利用所有障碍物的点云分布情况与所述障碍物的类别进行全部对应，再筛选出指定障碍物，进而再判断出所述指定障碍物中是否存在目标障碍物，大大减少了整体实现方法的复杂度。
在一些可能的实施方式中，205包括：
将所述指定障碍物的点云分布情况投射到所述实时图像中的对应位置处，得到所述实时图像中的指定障碍物的分布情况；
将所述实时图像中指定障碍物的分布情况与所述障碍物对应的类别进行对应，判断出所述指定障碍物中是否存在目标障碍物。
该步骤中，在得到所述指定障碍物的点云分布情况之后，可以将所述指定障碍物的点云分布情况投射到所述实时图像中的对应位置处，得到在所述实时图像中的所述指定障碍物的分布情况，然后将所述实时图像中所述指定障碍物的分布情况与所述障碍物的类别进行对应，示例性的，例如通过所述第一识别模型得到的所述实时图像A中的A1处对应的类别分别为A1处上半部分为绿植，A1处下半部分为汽车，然后将所述指定障碍物的点云分布情况投射到所述实时图像A中的位置A1处，得到在所述实时图像A中的所述指定障碍物的分布情况为百分之80的点分布于图像中A1处绿植所在部分，百分之20的点分布于图像中A1处汽车所在部分，则此时可以判断出所述指定障碍物中包括目标障碍物，例如绿植，这样还可以更直观的了解到所述指定障碍物在所述实时图像中的具体分布情况。
在一些可能的实施方式中，206包括：
确定所述目标障碍物在历史时间段内的历史分类结果，并确定所述历史分类结果中是否存在所述目标障碍物的历史运动速度；
若存在，则将所述历史分类结果中的历史类别和所述历史运动速度分别与所述历史分类结果中的目标障碍物的被识别次数进行计算，得到所述目标障碍物为可过滤障碍物的第一概率以及第二概率；
基于所述第一概率以及所述第二概率，确定所述目标障碍物是否为可过滤障碍物。
该步骤中，在验证所述目标障碍物是否为可过滤障碍物时，可以在数据库中获取到所述目标障碍物在历史时间段内的历史分类结果，然后利用所述历史分类结果来进行验证，具体的，可以是先确定出所述历史分类结果中是否存在所述目标障碍物的历史运动速度，例如绿植在有风的时候会被风吹到路面，从而产生运动速度，但在没有风的时候又是静止的，没有速度，若确定出所述历史分类结果中存在所述目标障碍物的历史运动速度，则可以先获取到所述历史分类结果中的目标障碍物的历史类别以及所述目标障碍物的被识别次数，然后将所述历史类别中为可过滤障碍物的类别次数除以所述被识别次数，得到目标障碍物为可过滤障碍物的第一概率，进一步的，则可以获取到历史分类结果中的目标障碍物的历史运动速度，然后用所述历史运动速度除以所述被识别次数，得到所述目标障碍物为可过滤障碍物的第二概率，然后可以基于所述第一概率和所述第二概率，确定出所述目标障碍物是否为可过滤障碍物，这样，通过结合所述历史分类结果来进行进一步的验证，而并非只采取单次的分类结果，因此，可以大大提升识别方法的精准度。
示例性的，若所述被识别次数为5，五次识别中的类别分别为第一次为绿植，第二次类别为绿植，第三次为汽车，第四次为汽车，第五次为绿植，则可以确定出有3次类别为绿植，总共被识别次数为5，则可以用3除以5，得到为绿植的概率为0.6，即得到目标障碍物为可过滤障碍物的第一概率为0.6，进一步的，若所述目标障碍物的历史运动速度为五次识别时速度都是相反的，则可以用5除以5，得到所述目标障碍物的速度相似度为1。
在一些可能的实施方式中，206中基于所述第一概率以及所述第二概率，确定所述目标障碍物是否为可过滤障碍物，包括：
确定所述第一概率与所述第二概率的乘积值；
确定所述乘积值是否达到指定阈值；
若达到，则确定所述目标障碍物为可过滤障碍物。
该步骤中，在得到所述目标障碍物为可过滤障碍物的第一概率以及第二概率之后，可以将所述第一概率以及所述第二概率进行乘积，得到所述第一概率以及所述第二概率的乘积值，进而将所述乘积值与指定阈值进行比较，若未达到指定阈值，则可以确定所述目标障碍物为不可过滤障碍物，则自动驾驶车辆可以对所述目标障碍物进行躲避或临时等待，若达到了指定阈值，则可以确定所述目标障碍物为可过滤障碍物，所述自动驾驶车辆可以将其过滤掉，进而直接通过，防止了由于识别精度低而造成的车辆堵塞情况。
示例性的，若所述第一概率与所述第二概率的乘积值为0.6，所述指定阈值为0.25，则此时可以确定所述目标障碍物为可过滤障碍物。
在一些可能的实施方式中，在206中的在确定所述历史分类结果中是否存在所述目标障碍物的历史运动速度之后，所述方法还包括：
若不存在，则将所述历史分类结果中的历史类别与所述被识别次数进行计算，得到所述目标障碍物为可过滤障碍物的第三概率；
确定所述第三概率是否达到指定阈值；
若达到，则确定所述目标障碍物为可过滤障碍物。
该步骤中，若通过查看所述目标障碍物的历史分类结果发现，所述目标障碍物的历史分类结果中不存在所述目标障碍物的历史运动速度，则可以直接根据所述历史分类结果中的历史类别与所述被识别次数进行计算，得到所述目标障碍物为可过滤障碍物的第三概率，然后将所述第三概率与所述指定阈值进行比较，确定所述第三阈值是否达到所述指定阈值即可，在一定程度上减少验证时的计算步骤，最终，若所述第三阈值达到了指定阈值，例如所述第三概率为0.4，所述指定阈值为0.25，则可以确定所述目标障碍物为可过滤障碍物，此时，自动驾驶车辆可以直接通过。
进一步的，作为对上述图1所示方法的实现，本发明实施例还提供了一种自动驾驶车辆的障碍物识别装置，用于对上述图1所示的方法进行实现。该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。如图3所示，该装置包括：
第一识别单元301，用于利用第一识别模型识别实时图像中的障碍物对应的类别；
第二识别单元302，用于利用第二识别模型识别实时图像中的指定障碍物；
判断单元303，用于根据所述第一识别单元301识别出的障碍物对应的类别判断所述第二识别单元302识别出的指定障碍物中是否存在目标障碍物；
验证单元304，用于若所述判断单元303判断出存在，利用所述目标障碍物的历史分类结果验证所述目标障碍物是否为可过滤障碍物；
过滤单元305，用于若所述验证单元304验证出是，则将所述目标障碍物过滤，以便自动驾驶车辆直接通过。
进一步的，作为对上述图2所示方法的实现，本发明实施例还提供了另一种自动驾驶车辆的障碍物识别装置，用于对上述图2所示的方法进行实现。该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。如图4所示，该装置包括：
第一识别单元301，用于利用第一识别模型识别实时图像中的障碍物对应的类别；
第二识别单元302，用于利用第二识别模型识别实时图像中的指定障碍物；
判断单元303，用于根据所述第一识别单元301识别出的障碍物对应的类别判断所述第二识别单元302识别出的指定障碍物中是否存在目标障碍物；
验证单元304，用于若所述判断单元303判断出存在，利用所述目标障碍物的历史分类结果验证所述目标障碍物是否为可过滤障碍物；
过滤单元305，用于若所述验证单元304验证出是，则将所述目标障碍物过滤，以便自动驾驶车辆直接通过。
一种可选的实施方式中，所述第一识别单元301包括：
获取模块3011，用于获取自动驾驶车辆上传的实时图像以及预先训练好的第一识别模型；
截取模块3012，用于将所述获取模块3011获取到的实时图像进行截取，得到所述实时图像的样本图像，所述样本图像为实时图像中除空白区域外的只包含障碍物的部分；
第一输入模块3013，用于将所述截取模块3012截取到的样本图像输入至所述获取模块3011获取到的训练好的第一识别模型中，识别出所述样本图像中障碍物对应的类别。
一种可选的实施方式中，所述第二识别单元302包括：
第一确定模块3021，用于确定所述第二识别模型中的预先训练好的点云分类模型以及障碍物检测模型；
第二输入模块3022，用于将所述实时图像输入至所述第一确定模块3021确定出的预先训练好的点云分类模型中，得到所述实时图像中各个障碍物的点云分布情况；
第三输入模块3023，用于将所述实时图像输入至所述第一确定模块3021确定出的预先训练好的障碍物检测模型中，检测出所述实时图像中的指定障碍物，所述指定障碍物为所述实时图像中除已知障碍物外的未知障碍物；
第二确定模块3024，用于在所述第二输入模块3022得到的实时图像中各个障碍物的点云分布情况中确定出所述第三输入模块3023检测出的指定障碍物的点云分布情况。
一种可选的实施方式中，所述判断单元303包括：
投射模块3031，用于将所述指定障碍物的点云分布情况投射到所述实时图像中的对应位置处，得到所述实时图像中的指定障碍物的分布情况；
第一判断模块3032，用于将所述投射模块3031得到的实时图像中指定障碍物的分布情况与所述障碍物对应的类别进行对应，判断出所述指定障碍物中是否存在目标障碍物。
一种可选的实施方式中，所述验证单元304包括：
第三确定模块3041，用于确定所述目标障碍物在历史时间段内的历史分类结果，并确定所述历史分类结果中是否存在所述目标障碍物的历史运动速度；
第一计算模块3042，用于若所述第三确定模块3041确定出存在，则将所述历史分类结果中的历史类别和所述历史运动速度分别与所述历史分类结果中的目标障碍物的被识别次数进行计算，得到所述目标障碍物为可过滤障碍物的第一概率以及第二概率；
第四确定模块3043，用于基于所述计算模块3042计算出的第一概率以及所述第二概率，确定所述目标障碍物是否为可过滤障碍物。
一种可选的实施方式中，所述第四确定模块3043具体用于：
确定所述第一概率与所述第二概率的乘积值；
确定所述乘积值是否达到指定阈值；
若达到，则确定所述目标障碍物为可过滤障碍物。
一种可选的实施方式中，在通过所述验证单元304中的第三确定模块3041确定所述历史分类结果中是否存在所述目标障碍物的历史运动速度之后，所述验证单元304还包括：
第二计算模块3044，用于若不存在，则将所述历史分类结果中的历史类别与所述被识别次数进行计算，得到所述目标障碍物为可过滤障碍物的第三概率；
第五确定模块3045，用于确定所述第二计算模块3044计算出的第三概率是否达到指定阈值；
第六确定模块3046，用于若所述第五确定模块3045确定出达到，则确定所述目标障碍物为可过滤障碍物。
进一步的，本发明实施例还提供一种存储介质，所述存储介质用于存储计算机程序，其中，所述计算机程序运行时控制所述存储介质所在设备执行上述图1-2中所述的自动驾驶车辆的障碍物识别方法。
进一步的，本发明实施例还提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述图1-2中所述的自动驾驶车辆的障碍物识别方法。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述，构造这类***所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
此外，存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、模型接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、***或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种自动驾驶车辆的障碍物识别方法，其特征在于，所述方法包括：
利用第一识别模型识别实时图像中的障碍物对应的类别；
利用第二识别模型识别实时图像中的指定障碍物；
根据所述障碍物对应的类别判断所述指定障碍物中是否存在目标障碍物；
若存在，利用所述目标障碍物的历史分类结果验证所述目标障碍物是否为可过滤障碍物；
若是，则将所述目标障碍物过滤，以便自动驾驶车辆直接通过。
2.根据权利要求1所述的方法，其特征在于，所述利用第一识别模型识别实时图像中的障碍物对应的类别，包括：
获取自动驾驶车辆上传的实时图像以及预先训练好的第一识别模型；
将所述实时图像进行截取，得到所述实时图像的样本图像，所述样本图像为实时图像中除空白区域外的只包含障碍物的部分；
将所述样本图像输入至训练好的第一识别模型中，识别出所述样本图像中障碍物对应的类别。
3.根据权利要求2所述的方法，其特征在于，利用第二识别模型识别实时图像中的指定障碍物，包括：
确定第二识别模型中的预先训练好的点云分类模型以及障碍物检测模型；
将所述实时图像输入至预先训练好的点云分类模型中，得到所述实时图像中各个障碍物的点云分布情况；
将所述实时图像输入至预先训练好的障碍物检测模型中，检测出所述实时图像中的指定障碍物，所述指定障碍物为所述实时图像中除已知障碍物外的未知障碍物；
在所述实时图像中各个障碍物的点云分布情况中确定出所述指定障碍物的点云分布情况。
4.根据权利要求3所述的方法，其特征在于，根据所述障碍物对应的类别判断所述指定障碍物中是否存在目标障碍物，包括：
将所述指定障碍物的点云分布情况投射到所述实时图像中的对应位置处，得到所述实时图像中的指定障碍物的分布情况；
将所述实时图像中指定障碍物的分布情况与所述障碍物对应的类别进行对应，判断出所述指定障碍物中是否存在目标障碍物。
5.根据权利要求1所述的方法，其特征在于，所述若存在，利用所述目标障碍物的历史分类结果验证所述目标障碍物是否为可过滤障碍物，包括：
确定所述目标障碍物在历史时间段内的历史分类结果，并确定所述历史分类结果中是否存在所述目标障碍物的历史运动速度；
若存在，则将所述历史分类结果中的历史类别和所述历史运动速度分别与所述历史分类结果中的目标障碍物的被识别次数进行计算，得到所述目标障碍物为可过滤障碍物的第一概率以及第二概率；
基于所述第一概率以及所述第二概率，确定所述目标障碍物是否为可过滤障碍物。
6.根据权利要求5所述的方法，其特征在于，所述基于所述第一概率以及所述第二概率，确定所述目标障碍物是否为可过滤障碍物，包括：
确定所述第一概率与所述第二概率的乘积值；
确定所述乘积值是否达到指定阈值；
若达到，则确定所述目标障碍物为可过滤障碍物。
7.根据权利要求5所述的方法，其特征在于，在确定所述历史分类结果中是否存在所述目标障碍物的历史运动速度之后，所述方法还包括：
若不存在，则将所述历史分类结果中的历史类别与所述被识别次数进行计算，得到所述目标障碍物为可过滤障碍物的第三概率；
确定所述第三概率是否达到指定阈值；
若达到，则确定所述目标障碍物为可过滤障碍物。
8.一种自动驾驶车辆的障碍物识别装置，其特征在于，所述装置包括：
第一识别单元，用于利用第一识别模型识别实时图像中的障碍物对应的类别；
第二识别单元，用于利用第二识别模型识别实时图像中的指定障碍物；
判断单元，用于根据所述障碍物对应的类别判断所述指定障碍物中是否存在目标障碍物；
验证单元，用于若存在，利用所述目标障碍物的历史分类结果验证所述目标障碍物是否为可过滤障碍物；
过滤单元，用于若是，则将所述目标障碍物过滤，以便自动驾驶车辆直接通过。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如权利要求1至权利要求7中任意一项所述的自动驾驶车辆的障碍物识别方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行如权利要求1至权利要求7中任意一项所述的自动驾驶车辆的障碍物识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210710731.XA CN115100628A (zh) | 2022-06-22 | 2022-06-22 | 一种自动驾驶车辆的障碍物识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210710731.XA CN115100628A (zh) | 2022-06-22 | 2022-06-22 | 一种自动驾驶车辆的障碍物识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115100628A true CN115100628A (zh) | 2022-09-23 |
Family
ID=83293154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210710731.XA Pending CN115100628A (zh) | 2022-06-22 | 2022-06-22 | 一种自动驾驶车辆的障碍物识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115100628A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024124546A1 (zh) * | 2022-12-16 | 2024-06-20 | 华为技术有限公司 | 一种自动泊车的方法、装置以及车辆 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120081542A1 (en) * | 2010-10-01 | 2012-04-05 | Andong University Industry-Academic Cooperation Foundation | Obstacle detecting system and method |
| US20170369051A1 (en) * | 2016-06-28 | 2017-12-28 | Toyota Motor Engineering & Manufacturing North America, Inc. | Occluded obstacle classification for vehicles |
| CN109817021A (zh) * | 2019-01-15 | 2019-05-28 | 北京百度网讯科技有限公司 | 一种激光雷达路侧盲区交通参与者避让方法和装置 |
| CN111291697A (zh) * | 2020-02-19 | 2020-06-16 | 北京百度网讯科技有限公司 | 用于识别障碍物的方法和装置 |
| CN112462368A (zh) * | 2020-11-25 | 2021-03-09 | 中国第一汽车股份有限公司 | 一种障碍物检测方法、装置、车辆及存储介质 |
| CN114494075A (zh) * | 2022-02-14 | 2022-05-13 | 北京路凯智行科技有限公司 | 基于三维点云的障碍物识别方法、电子设备和存储介质 |
| CN114475660A (zh) * | 2022-02-28 | 2022-05-13 | 苏州挚途科技有限公司 | 自动驾驶车辆防碰撞的方法、装置及电子设备 |
-
2022
- 2022-06-22 CN CN202210710731.XA patent/CN115100628A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120081542A1 (en) * | 2010-10-01 | 2012-04-05 | Andong University Industry-Academic Cooperation Foundation | Obstacle detecting system and method |
| US20170369051A1 (en) * | 2016-06-28 | 2017-12-28 | Toyota Motor Engineering & Manufacturing North America, Inc. | Occluded obstacle classification for vehicles |
| CN109817021A (zh) * | 2019-01-15 | 2019-05-28 | 北京百度网讯科技有限公司 | 一种激光雷达路侧盲区交通参与者避让方法和装置 |
| CN111291697A (zh) * | 2020-02-19 | 2020-06-16 | 北京百度网讯科技有限公司 | 用于识别障碍物的方法和装置 |
| CN112462368A (zh) * | 2020-11-25 | 2021-03-09 | 中国第一汽车股份有限公司 | 一种障碍物检测方法、装置、车辆及存储介质 |
| CN114494075A (zh) * | 2022-02-14 | 2022-05-13 | 北京路凯智行科技有限公司 | 基于三维点云的障碍物识别方法、电子设备和存储介质 |
| CN114475660A (zh) * | 2022-02-28 | 2022-05-13 | 苏州挚途科技有限公司 | 自动驾驶车辆防碰撞的方法、装置及电子设备 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024124546A1 (zh) * | 2022-12-16 | 2024-06-20 | 华为技术有限公司 | 一种自动泊车的方法、装置以及车辆 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113119963B (zh) | 智能超声***、车辆后方碰撞警告装置及其控制方法 | |
| CN112069643B (zh) | 一种自动驾驶仿真场景生成方法及装置 | |
| US20220048536A1 (en) | Method and device for testing a driver assistance system | |
| JP2019149150A (ja) | 点群データを処理するための方法及び装置 | |
| CN108133484B (zh) | 基于场景分割的自动驾驶处理方法及装置、计算设备 | |
| CN109871787B (zh) | 一种障碍物检测方法及装置 | |
| JP2021165080A (ja) | 車両制御装置、車両制御方法及び車両制御用コンピュータプログラム | |
| CN114596712B (zh) | 一种车辆跟驰控制方法和*** | |
| KR102493930B1 (ko) | 강화학습 기반 신호 제어 장치 및 신호 제어 방법 | |
| JP2017538915A (ja) | 測位・マッピング方法及び測位・マッピングシステム | |
| US11423661B2 (en) | Object recognition apparatus | |
| CN115100628A (zh) | 一种自动驾驶车辆的障碍物识别方法及装置 | |
| CN114675295A (zh) | 一种障碍物判定的方法、装置、设备及存储介质 | |
| CN114202936A (zh) | 一种交通指挥机器人及其控制方法 | |
| CN113008249A (zh) | 移动机器人的避让点检测方法、避让方法以及移动机器人 | |
| CN115792945B (zh) | 一种浮空障碍物检测方法、装置和电子设备、存储介质 | |
| US20230258813A1 (en) | LiDAR Free Space Data Generator and LiDAR Signal Processing Method Using Multi-Modal Noise Filtering Scheme | |
| CN112489466B (zh) | 交通信号灯识别方法和装置 | |
| CN113917453A (zh) | 一种基于雷达和视频的多传感器融合方法 | |
| 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 | |
| CN112163471A (zh) | 一种拥堵检测的方法和装置 | |
| CN116381698B (zh) | 道路遗撒物的检测方法、装置及电子设备 | |
| CN116541715B (zh) | 目标检测方法、模型的训练方法、目标检测***及装置 | |
| CN116229420A (zh) | 一种道路物体识别方法及装置 | |
| US20240203107A1 (en) | Obstacle identification method, vehicle-mounted device and storage medium |
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: 314500 988 Tong Tong Road, Wu Tong Street, Tongxiang, Jiaxing, Zhejiang Applicant after: United New Energy Automobile Co.,Ltd. Address before: 314500 988 Tong Tong Road, Wu Tong Street, Tongxiang, Jiaxing, Zhejiang Applicant before: Hozon New Energy Automobile Co., Ltd. |
|
| TA01 | Transfer of patent application right |
Effective date of registration: 20240710 Address after: Room 209, 2nd Floor, Building 2, No. 602 Tongpu Road, Putuo District, Shanghai, 200062 Applicant after: Nezha Zhihe New Energy Vehicle Technology (Shanghai) Co.,Ltd. Country or region after: China Address before: 314500 988 Tong Tong Road, Wu Tong Street, Tongxiang, Jiaxing, Zhejiang Applicant before: United New Energy Automobile Co.,Ltd. Country or region before: China |