CN115995075A - 一种车辆自适应导航方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明公开了一种车辆自适应导航方法、装置、电子设备及存储介质。包括：获取车辆的行驶环境图像；基于预先设置的目标检测模型对行驶环境图像进行目标检测，得到多个类型的检测对象的检测结果；基于多个类型的检测对象的检测结果确定车辆的高架行驶检测结果；根据高架行驶检测结果对车辆进行导航处理。通过对车辆行驶环境图像进行处理，构建训练数据集，采用深度学习算法处理道路行驶环境图像，确定目标检测模型，根据目标检测模型确定高架行驶检测结果，并对车辆进行自适应导航，解决了车辆导航由于不能精确定位处于高架行驶场景而无法自动判断道路的问题，实现了自动实时动态路径规划，提高了车辆导航的准确性以及车辆行驶的安全性。

Description

一种车辆自适应导航方法、装置、电子设备及存储介质

技术领域

本发明涉及车辆控制技术领域，尤其涉及一种车辆自适应导航方法、装置、电子设备及存储介质。

背景技术

随着经济的发展，公路交通建设发展迅速，城乡之间的公路数量越来越多，车辆行驶环境越来越复杂，对于车辆导航的要求越来越高。

车辆导航技术是智能交通***的重要组成部分，一般借助于电子地图实时提供车辆位置、速度、方向以及周围地理环境等导航信息，从而指导驾车者快速、准确和安全地到达目的地。在车辆导航***中，为了能够精确完成导航，需要准确判断车辆是否处于高架区域。对于确定车辆是否处于高架区域，常利用采集公路环境图像信息确定高架入口标识和匝道信息完成判断。基于上述的现有技术方案，采集的数据信息比较局限，使得对于车辆是否处于高架区域的判断的准确性低。

发明内容

本发明实施例提供了一种车辆自适应导航方法、装置、电子设备及存储介质，以解决当前车机***由于单一导航软件不能很好感知高度信息而无法自动判断道路的问题。

根据本发明的一方面，提供了一种车辆自适应导航方法，包括：

获取车辆的行驶环境图像；

基于预先设置的目标检测模型对行驶环境图像进行目标检测，得到多个类型的检测对象的检测结果；

基于多个类型的检测对象的检测结果确定车辆的高架行驶检测结果；

根据高架行驶检测结果对车辆进行导航处理。

可选的，基于预先设置的目标检测模型对行驶环境图像进行目标检测，得到多个类型的检测对象的检测结果，包括：

基于特征提取网络模块对行驶环境图像进行特征提取，得到多层图像特征信息；

基于颈部网络模块对多层图像特征信息进行特征融合处理，得到融合特征信息；

基于各类型检测对象的检测网络模块对融合特征信息进行检测处理，得到多个类型的检测对象的检测结果。

可选的，基于特征提取网络模块对行驶环境图像进行特征提取，得到多层图像特征信息之后，还包括：

将当前时刻的多层图像特征信息与前一时刻的多层图像特征信息进行对应特征信息的融合处理，得到更新后的多层图像特征信息；

相应的，基于颈部网络模块对多层图像特征信息进行特征融合处理，得到融合特征信息，包括：

基于颈部网络模块对更新后的多层图像特征信息进行特征融合处理，得到融合特征信息。

可选的，目标检测模型包括多个并列子模型，任一子模型包括依次连接的特征提取网络模块、颈部网络模块和一个类型检测对象的检测网络模块；

或者，

目标检测模型包括特征提取网络模块、颈部网络模块和多个类型检测对象的检测网络模块，多个类型检测对象的检测网络模块分别与颈部网络模块连接。

可选的，检测对象包括车辆、行人、车道线和指示灯；

基于多个类型的检测对象的检测结果确定车辆的高架行驶检测结果，包括：

基于车辆、行人、车道线和指示灯分别对应的检测结果，确定高架行驶场景置信度；

基于高架行驶场景置信度确定车辆的高架行驶检测结果。

可选的，目标检测模型的训练方法包括：

获取样本图像，样本图像中包括多个类型检测对象的标记信息；

迭代执行以下训练步骤，直到满足训练结束条件，得到训练好的目标检测模型；

将样本图像输入至待训练的目标检测模型中，得到多个类型检测对象训练检测结果；

基于训练检测结果和标记信息得到损失值，基于损失值调节目标检测模型的模型参数。

可选的，多个类型检测对象的标记信息包括各检测对象的标记类型和标记位置信息；

任一类型的检测对象的检测结果包括检测对象的检测类型和检测位置信息；

基于训练检测结果和标记信息得到损失值，包括：

基于标记信息中各检测对象的标记类型和训练检测结果中检测对象的检测类型得到类型损失项；

基于标记信息中各检测对象的标记位置信息和训练检测结果中检测对象的检测位置信息得到位置损失项；

基于类型损失项和位置损失项得到损失值。

根据本发明的另一方面，提供了一种车辆自适应导航装置，包括：

行驶环境图像获取模块，用于获取车辆的行驶环境图像；

检测结果确定模块，用于基于预先设置的目标检测模型对行驶环境图像进行目标检测，得到多个类型的检测对象的检测结果；

高架行驶检测结果确定模块，用于基于多个类型的检测对象的检测结果确定车辆的高架行驶检测结果；

导航处理模块，用于根据高架行驶检测结果对车辆进行导航处理。

根据本发明的另一方面，提供了一种电子设备，电子设备包括：

至少一个处理器；以及

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例的车辆自适应导航方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例的车辆自适应导航方法。

本发明实施例的技术方案，通过对车辆行驶环境图像进行处理，构建训练数据集，采用深度学习算法处理道路行驶环境图像，确定目标检测模型，根据目标检测模型确定高架行驶检测结果，并对车辆进行自适应导航，解决了车辆导航由于不能精确定位处于高架行驶场景而无法自动判断道路的问题，实现了自动实时动态路径规划，提高了车辆导航的准确性以及车辆行驶的安全性。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是本发明实施例一提供的一种车辆自适应导航方法的流程图；

图2是本发明实施例的目标检测模型的结构示意图；

图3是本发明实施例的一种检测模型特征提取和特征融合的示意图；

图4是本发明实施例的一种目标检测模型的示意图；

图5是本发明实施例的一种目标检测模型的示意图；

图6是本发明实施例的目标检测模型的模型训练过程示意图；

图7是本发明实施例的目标检测模型的模型训练过程示意图

图8是本发明实施例二提供的一种车辆自适应导航装置的结构示意图；

图9是实现本发明实施例的车辆自适应导航方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1是本发明实施例一提供的一种车辆自适应导航方法的流程图，本实施例可适用于车辆行驶过程中使用车辆导航的情况，该方法可以由车辆自适应导航方法装置来执行，该车辆自适应导航方法装置可以采用硬件和/或软件的形式实现，该车辆自适应导航方法装置可配置于车辆控制***中。如图1所示，该方法包括：

S110、获取车辆的行驶环境图像。

其中，行驶环境图像具体可以理解为是车辆行驶过程中车辆周围各个方向的环境图像，行驶环境图像可以是单独的图片形式，多个行驶环境图像也可以形成视频，行驶环境图像中的信息包含但不限于车辆、行人、车道、交通标志牌、交通标志标线、建筑物等信息中的一项或多项。车辆的行驶环境图像可以通过信息采集设备进行实时获取，信息采集设备包含但不限于车载摄像头、摄像机等。

具体的，在车辆***启动后，可以直接通过车载摄像头采集车辆行驶过程中的环境图像，采集车辆的前方、后方、左侧、右侧等方向上的道路环境图像。进一步的，通过车辆上的雷达***采集车辆与周围环境中的物体之间的距离信息作为判断车辆行驶场景的辅助信息。

在一些实施例中，在获取车辆的行驶环境图像之后，可以先从行驶环境图像信息中识别高架指示牌，结合车辆***获取的GPS***和地图软件上的位置信息预先判断车辆是否有驶入或者驶出高架区域的趋势，如果车辆有驶入高架区域的趋势，可以进行后续的行驶环境是否处于高架区域的精确判断，如果没有，则不需要启动行驶环境是否处于高架区域的精确判断，可以减少不必要的数据处理。

在本实施例中，通过图像采集设备采集车辆前方、后方、侧方以及地面等环境图像信息，为后续判断车辆行驶场景提供的数据基础，有助于提高车辆行驶场景判断的准确性。

进一步的，对于获取的车辆的行驶环境图像预处理，即进行图像特征提取前的数据处理，主要采用缩放、翻转、均值归一化、色调变化、灰度级插值等方法对图像数据进行处理，消除图像中无关的信息，滤除干扰、噪声、恢复有用的真实信息，增强有关信息的可检测性和最大限度地优化数据，从而提高特征提取的可靠性。

S120、基于预先设置的目标检测模型对行驶环境图像进行目标检测，得到多个类型的检测对象的检测结果。

其中，目标检测模型具体可以理解为是基于深度学习对训练数据集进行学习所获得的检测模型，可以预先对训练数据进行学习和训练，得到对应的目标检测模型。其中，训练数据集包含但不限于车辆的行驶环境图像等。检测对象具体可以理解为是从训练数据集中的行驶环境图像中的识别出的信息，包含但不限于车辆、行人、车道线、指示灯、交通标志牌等。

具体的，通过预先设置的目标检测模型对检测对象进行目标检测，可以是将上述行驶环境图像作为目标检测模型的输入，通过目标检测模型处理，输出多个类型的检测对象所对应的检测结果。

可选的，检测对象包括但不限于车辆、行人、车道线和指示灯。可选的，基于预先设置的目标检测模型对行驶环境图像进行目标检测，得到多个类型的检测对象的检测结果，包括：基于特征提取网络模块对行驶环境图像进行特征提取，得到多层图像特征信息；基于颈部网络模块对多层图像特征信息进行特征融合处理，得到融合特征信息；基于各类型检测对象的检测网络模块对融合特征信息进行检测处理，得到多个类型的检测对象的检测结果。

其中，目标检测模型主要包含特征提取网络、颈部网络模块、检测网络模块等，各模块之间的连接如图2所示，图2是目标检测模型的结构示意图。特征提取网络模块主要用于提取图片中的信息，生成抽象的语义特征的模块，可以根据实际的特征提取需求进行特征提取网络模块参数的微调，使得该特征提取网络模块更能满足实际的特征提取需求，常采用的特征提取网络包含但不限于ResNet、GoogleNet、VGGNet等。颈部网络模块主要用于加强特征提取网络，将特征提取网络模块提取的特征信息进行融合处理。颈部网络将特征提取网络模块产生的输出特征层进行进一步处理，提取出更复杂的特征信息，通过FPN(Feature Pyramid Networks，特征金字塔)对特征信息进行多尺度融合，如图3所示，图3是一种检测模型特征提取和特征融合的示意图。特征融合具体可以理解为是利用不同特性的特征，对这些不同特征进行联合建模的方法，融合的方式包含串行和并行，主要用于提高模型对非线性的建模能力。检测网络模块具体可以理解为是通过检测头网络对融合特征信息进行检测、通过若干卷积层进行预测的模块，通常采用三尺度输出，用于对不同尺寸大小的目标进行检测，如尺寸可以为原输入尺寸1/8、1/16和1/32。头部网络分别对三个尺度的融合特征分别进行大、中、小目标的检测。头部网络的输出一般包括检测边界框、检测边界框偏移量、置信度和类型，且每个尺度输出都有三个不同尺寸的边界框。

具体的，通过预先设置的目标检测模型对环境图像进行目标检测的过程中，采用特征提取网络模块对行驶环境图像进行特征提取，特征提取网络模块生成的特征一般按照stage划分，分别记作C1、C2、C3、C4、C5、C6、C7等，其中数字与stage的编号相同，代表的是分辨率减半的次数，如C2代表stage2输出的特征图，分辨率为输入图片的1/4，C5代表，stage5输出的特征图，分辨率为输入图片的1/32。实际经常使用ResNet、GoogleNet、VGGNet等作为特征提取网络。特征提取网络模块输出行驶环境图像中各个类型的检测对象对应的多层图像特征信息。采用颈部网络模块对多层图像特征信息进行融合，常使用的融合方式为FPN，将多层图像特征信息作为FPN的输入，输出经过融合后的特征，输出的特征一般以P作为编号标记。如FPN的输入是C2、C3、C4、C5、C6，经过融合后，输出为P2、P3、P4、P5、P6。采用各类型检测对象的检测网络模块对融合特征信息进行检测处理，从融合特征信息解耦出图像中检测对象的类型和位置信息，从而得到多个类型的检测对象的检测结果。

可选的，目标检测模型包括多个并列子模型，任一子模型包括依次连接的特征提取网络模块、颈部网络模块和一个类型检测对象的检测网络模块。或者，目标检测模型包括特征提取网络模块、颈部网络模块和多个类型检测对象的检测网络模块，多个类型检测对象的检测网络模块分别与颈部网络模块连接。

具体的，如图4所示，图4是一种目标检测模型的示意图，可以对每一个类型训练一个模型，那么，目标检测模型将包括多个并列子模型，任一子模型包括依次连接的特征提取网络模块、颈部网络模块和一个类型检测对象的检测网络模块；例如对于车辆类型来说，对应的模型为车辆子模型，车辆子模型包含对应的特征提取网络模块、颈部网络模块和车辆的检测网络模块；对于行人类型来说，对应的模型为行人子模型，行人子模型包含对应的特征提取网络模块、颈部网络模块和行人的检测网络模块等等。还可以是如图5所示，图5是一种目标检测模型的示意图，所有类型共享特征提取网络模块、颈部网络模块，那么，目标检测模型包括特征提取网络模块、颈部网络模块和多个类型检测对象的检测网络模块，其中，多个类型检测对象的检测网络模块分别与颈部网络模块连接。

可选的，基于特征提取网络模块对行驶环境图像进行特征提取，得到多层图像特征信息之后，还包括：将当前时刻的多层图像特征信息与前一时刻的多层图像特征信息进行对应特征信息的融合处理，得到更新后的多层图像特征信息。相应的，基于颈部网络模块对多层图像特征信息进行特征融合处理，得到融合特征信息，包括：基于颈部网络模块对更新后的多层图像特征信息进行特征融合处理，得到融合特征信息。

具体的，在得到多层图像特征信息之后，引入时序信息，将当前时刻t对应的多层图像特征信息与前一时刻t-1对应的多层图像特征信息进行融合处理，采用RNN/LSTM/GRU结构对上述两个时刻对应的多层图像特征信息进行融合处理，得到更新后的多层图像特征信息。相应的，颈部网络模块就需要对更新后的多层图像特征信息进行特征融合处理，从而得到对应的融合特征信息。

可选的，目标检测模型的训练方法包括：获取样本图像，样本图像中包括多个类型检测对象的标记信息；迭代执行训练步骤1、步骤2，直到满足训练结束条件，得到训练好的目标检测模型。

步骤1：将样本图像输入至待训练的目标检测模型中，得到多个类型检测对象训练检测结果；

步骤2：基于训练检测结果和标记信息得到损失值，基于损失值调节目标检测模型的模型参数。

其中，损失值由损失函数来计算。损失函数(loss function)可以理解为是用来度量模型的训练检测结果F与标记信息Y的差异程度的运算函数，它是一个非负实值函数，通常使用L(Y,F)来表示。损失值越小，模型的性能就越好。损失函数使用主要是在模型的训练阶段，每个批次的训练数据送入模型后，通过前向传播输出训练检测结果，然后损失函数会计算出模型训练检测结果和标记信息之间的差异值，也就是损失值。得到损失值之后，模型通过反向传播去更新模型中的各个参数，来降低模型训练检测结果和标记信息的损失，使得模型生成的训练检测结果往标记信息方向靠拢，从而达到学习的目的。常采用的损失函数包含但不限于均方误差损失函数、交叉熵损失函数、绝对值损失函数等。

具体的，利用车载摄像头获得车辆行驶过程中车辆周围的道路环境图像，并将这些图像作为目标检测模型训练所需要的样本图像，通过标注工具对道路环境图像进行标注，主要对图像中的车辆、行人、车道线和指示灯等类型检测对象进行标记，建立训练数据集，比如可以突出显示这些检测对象的类型信息和位置信息等。进一步的，可以采用缩放、翻转、均值归一化、色调变化等数据增强手段对图像进行预处理，从而增强训练数据的多样性和清晰度，提高图像的质量，避免因获取的图像信息的不准确而产生的误差。将预处理后的数据迭代执行训练步骤1、步骤2，在执行步骤1后得到多个类型检测对象训练检测结果的情况下，确定训练检测结果和标记信息对应的损失值,根据损失值调节目标检测模型的模型参数。

在不断的调节过程中，当损失值处于收敛的情况下或者是损失值趋近于某个数值的情况下，可以判定当前的训练结果满足训练结束的条件，或者还可以设置训练次数阈值，当迭代执行训练步骤1、步骤2的次数满足训练次数阈值的情况下，可以判定当前的训练结果满足训练结束的条件，结束训练，将当前的模型参数作为目标检测模型的参数，确定训练好的目标检测模型。

可选的，多个类型检测对象的标记信息包括各检测对象的标记类型和标记位置信息；任一类型的检测对象的检测结果包括检测对象的检测类型和检测位置信息；基于训练检测结果和标记信息得到损失值，包括：基于标记信息中各检测对象的标记类型和训练检测结果中检测对象的检测类型得到类型损失项；基于标记信息中各检测对象的标记位置信息和训练检测结果中检测对象的检测位置信息得到位置损失项；基于类型损失项和位置损失项得到损失值。

具体的，目标检测模型包含两类损失，一类是检测类型损失(分类)，另一类是检测位置损失(回归)。这两类损失往往用于检测模型最后一部分，根据模型输出(类型和位置)和实际标注框(类型和位置)分别确定类型损失项和位置损失项，将类型损失项和位置损失项进行融合，得到损失值。其中融合方法可以采用加和算法、加权算法等，此处不做限制。通过损失值的计算以及利用误差反向传播，得到网络模型中每个参数的梯度值，再通过优化算法进行网络参数优化更新，最后输出目标训练模型。

示例性的，参见图6和图7，图6和图7分别为目标检测模型的模型训练过程示意图。

在本实施例中，通过特征提取网络模块、颈部网络模块、检测网络模块等模块完成目标检测模型的训练过程，得到一个具有优异的网络参数的目标训练模型，可以通过训练好的目标检测模型对实时采集的行驶环境图像进行识别和检测，确定多个类型的检测对象的检测结果。在启动目标检测模型之前，可以预先通过对采集到的行驶环境图像进行识别，依据图片中的道路标识牌上的信息、GPS***的信息、地图软件的信息判断车辆是否存在驶入高架区域的趋势，若存在，再启动目标检测模型，检测车辆的行驶环境是否处于高架区域，可以减少不必要的行驶环境图像的检测，有助于提高对车辆的行驶环境的判断的效率。

S130、基于多个类型的检测对象的检测结果确定车辆的高架行驶检测结果。

具体的，通过目标检测模型确定行驶环境图像中的多个类型的检测对象对应的检测结果，依据检测结果判定车辆的行驶环境是否处于高架行驶区域。

可选的，基于多个类型的检测对象的检测结果确定车辆的高架行驶检测结果，包括：基于车辆、行人、车道线和指示灯分别对应的检测结果，确定高架行驶场景置信度；基于高架行驶场景置信度确定车辆的高架行驶检测结果。

其中，置信度具体可以理解是表征在检测过程中检测结果达到某种指定的检测结果的概率或者权重大小。

具体的，根据车辆、行人、车道线和指示灯等类型的检测对象分别对应的检测结果，确定该车辆处于高架行驶场景的置信度，当得到的高架行驶场景置信度满足预先设置的置信度阈值，则判定车辆的高架行驶检测结果为车辆处于高架行驶场景，反之，则判定车辆的高架行驶检测结果为车辆不处于高架行驶场景。

在本实施例中，通过多个类型的检测对象的检测结果确定高架行驶场景置信度，并由置信度判定车辆的高架行驶检测结果。根据多个类型的检测对象的检测结果的综合判定，确定车辆的高架行驶检测结果，提高了车辆的高架行驶检测结果的准确性，有助于提高车辆导航的精确性。

S140、根据高架行驶检测结果对车辆进行导航处理。

具体的，如果高架行驶场景的检测结果表明车辆的行驶环境处于高架区域，则自动对车辆导航进行修正，实时进行路径规划。如果高架行驶场景的检测结果表明车辆的行驶环境不处于高架区域，则不对车辆导航进行修正。

本实施例的技术方案，通过对车辆行驶环境图像进行处理，构建训练数据集，采用深度学习算法处理道路行驶环境图像，确定目标检测模型，根据目标检测模型确定高架行驶检测结果，并对车辆进行导航，解决了当前主要车机***由于单一导航软件不能精确定位是否处于高架行驶场景而无法自动判断道路的问题，实现了自动实时动态路径规划，提高了车辆导航的准确性以及车辆行驶的安全性。

实施例二

图8是本发明实施例二提供的一种车辆自适应导航装置的结构示意图。如图8所示，该装置包括：

行驶环境图像获取模块210，用于获取车辆的行驶环境图像；

检测结果确定模块220，用于基于预先设置的目标检测模型对行驶环境图像进行目标检测，得到多个类型的检测对象的检测结果；

高架行驶检测结果确定模块230，用于基于多个类型的检测对象的检测结果确定车辆的高架行驶检测结果；

导航处理模块240，用于根据高架行驶检测结果对车辆进行导航处理。

可选的，检测结果确定模块220，具体用于：

基于预先设置的目标检测模型对行驶环境图像进行目标检测，得到多个类型的检测对象的检测结果，包括：

基于特征提取网络模块对行驶环境图像进行特征提取，得到多层图像特征信息；

基于颈部网络模块对多层图像特征信息进行特征融合处理，得到融合特征信息；

基于各类型检测对象的检测网络模块对融合特征信息进行检测处理，得到多个类型的检测对象的检测结果。

基于特征提取网络模块对行驶环境图像进行特征提取，得到多层图像特征信息之后，还包括：将当前时刻的多层图像特征信息与前一时刻的多层图像特征信息进行对应特征信息的融合处理，得到更新后的多层图像特征信息；

相应的，基于颈部网络模块对多层图像特征信息进行特征融合处理，得到融合特征信息，包括：基于颈部网络模块对更新后的多层图像特征信息进行特征融合处理，得到融合特征信息。

目标检测模型包括多个并列子模型，任一子模型包括依次连接的特征提取网络模块、颈部网络模块和一个类型检测对象的检测网络模块；或者，目标检测模型包括特征提取网络模块、颈部网络模块和多个类型检测对象的检测网络模块，多个类型检测对象的检测网络模块分别与颈部网络模块连接。

检测对象包括车辆、行人、车道线和指示灯。

目标检测模型的训练方法包括：

获取样本图像，样本图像中包括多个类型检测对象的标记信息；

迭代执行以下训练步骤，直到满足训练结束条件，得到训练好的目标检测模型；

将样本图像输入至待训练的目标检测模型中，得到多个类型检测对象训练检测结果；

基于训练检测结果和标记信息得到损失值，基于损失值调节目标检测模型的模型参数。

多个类型检测对象的标记信息包括各检测对象的标记类型和标记位置信息；

任一类型的检测对象的检测结果包括检测对象的检测类型和检测位置信息；

基于训练检测结果和标记信息得到损失值，包括：

基于标记信息中各检测对象的标记类型和训练检测结果中检测对象的检测类型得到类型损失项；

基于标记信息中各检测对象的标记位置信息和训练检测结果中检测对象的检测位置信息得到位置损失项；

基于类型损失项和位置损失项得到损失值。

可选的，高架行驶检测结果确定模块230，具体用于：

基于多个类型的检测对象的检测结果确定车辆的高架行驶检测结果，包括：基于车辆、行人、车道线和指示灯分别对应的检测结果，确定高架行驶场景置信度；基于高架行驶场景置信度确定车辆的高架行驶检测结果。

本发明实施例所提供的车辆自适应导航方法装置可执行本发明任意实施例所提供的车辆自适应导航方法，具备执行方法相应的功能模块和有益效果。

实施例三

图9是本发明实施例三提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图9所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如车辆自适应导航方法。

在一些实施例中，车辆自适应导航方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的车辆自适应导航方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行车辆自适应导航方法。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的车辆自适应导航方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

实施例四

本发明实施例四还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行一种车辆自适应导航方法，该方法包括：

获取车辆的行驶环境图像；

基于预先设置的目标检测模型对行驶环境图像进行目标检测，得到多个类型的检测对象的检测结果；

基于多个类型的检测对象的检测结果确定车辆的高架行驶检测结果；

根据高架行驶检测结果对车辆进行导航处理。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种车辆自适应导航方法，其特征在于，包括：

获取车辆的行驶环境图像；

基于预先设置的目标检测模型对所述行驶环境图像进行目标检测，得到多个类型的检测对象的检测结果；

基于所述多个类型的检测对象的检测结果确定所述车辆的高架行驶检测结果；

根据所述高架行驶检测结果对所述车辆进行导航处理。

2.根据权利要求1所述的方法，其特征在于，基于预先设置的目标检测模型对所述行驶环境图像进行目标检测，得到多个类型的检测对象的检测结果，包括：

基于特征提取网络模块对所述行驶环境图像进行特征提取，得到多层图像特征信息；

基于颈部网络模块对所述多层图像特征信息进行特征融合处理，得到融合特征信息；

基于各类型检测对象的检测网络模块对所述融合特征信息进行检测处理，得到所述多个类型的检测对象的检测结果。

3.根据权利要求2所述的方法，其特征在于，所述基于特征提取网络模块对所述行驶环境图像进行特征提取，得到多层图像特征信息之后，还包括：

将当前时刻的所述多层图像特征信息与前一时刻的所述多层图像特征信息进行对应特征信息的融合处理，得到更新后的多层图像特征信息；

相应的，基于颈部网络模块对所述多层图像特征信息进行特征融合处理，得到融合特征信息，包括：

基于所述颈部网络模块对所述更新后的多层图像特征信息进行特征融合处理，得到融合特征信息。

4.根据权利要求2所述的方法，其特征在于，所述目标检测模型包括多个并列子模型，任一所述子模型包括依次连接的特征提取网络模块、颈部网络模块和一个类型检测对象的检测网络模块；

或者，

所述目标检测模型包括特征提取网络模块、颈部网络模块和多个类型检测对象的检测网络模块，所述多个类型检测对象的检测网络模块分别与所述颈部网络模块连接。

5.根据权利要求1所述的方法，其特征在于，所述检测对象包括车辆、行人、车道线和指示灯；

所述基于所述多个类型的检测对象的检测结果确定所述车辆的高架行驶检测结果，包括：

基于所述车辆、所述行人、所述车道线和所述指示灯分别对应的检测结果，确定高架行驶场景置信度；

基于所述高架行驶场景置信度确定所述车辆的高架行驶检测结果。

6.根据权利要求1所述的方法，其特征在于，所述目标检测模型的训练方法包括：

获取样本图像，所述样本图像中包括多个类型检测对象的标记信息；

迭代执行以下训练步骤，直到满足训练结束条件，得到训练好的目标检测模型；

将所述样本图像输入至待训练的目标检测模型中，得到所述多个类型检测对象训练检测结果；

基于所述训练检测结果和所述标记信息得到损失值，基于所述损失值调节所述目标检测模型的模型参数。

7.根据权利要求6所述的方法，其特征在于，包括：多个类型检测对象的标记信息包括各所述检测对象的标记类型和标记位置信息；

任一类型的检测对象的检测结果包括所述检测对象的检测类型和检测位置信息；

所述基于所述训练检测结果和所述标记信息得到损失值，包括：

基于所述标记信息中各所述检测对象的标记类型和所述训练检测结果中所述检测对象的检测类型得到类型损失项；

基于所述标记信息中各所述检测对象的标记位置信息和所述训练检测结果中所述检测对象的检测位置信息得到位置损失项；

基于所述类型损失项和所述位置损失项得到所述损失值。

8.一种车辆自适应导航装置，其特征在于，包括：

行驶环境图像获取模块，用于获取车辆的行驶环境图像；

检测结果确定模块，用于基于预先设置的目标检测模型对所述行驶环境图像进行目标检测，得到多个类型的检测对象的检测结果；

高架行驶检测结果确定模块，用于基于所述多个类型的检测对象的检测结果确定所述车辆的高架行驶检测结果；

导航处理模块，用于根据所述高架行驶检测结果对所述车辆进行导航处理。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的车辆自适应导航方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的车辆自适应导航方法。

Images