使用相邻车辆的姿态观察进行路面表征制造技术

本公开提供“使用相邻车辆的姿态观察进行路面表征”。一种计算系统可以基于图像中的第一车辆的宽度、高度和位置而裁剪所述图像。所述计算系统可以基于将所述裁剪的图像以及所述第一车辆的所述宽度、所述高度和所述位置输入深度神经网络中而估计所述第一车辆的姿态。然后，所述计算系统可以基于所述估计的姿态而操作第二车辆。所述计算系统可以根据所述估计的姿态训练模型以识别危险的类型和位置，所述危险是冰、泥、坑洼或其他危险之类的东西。所述模型可以由自主车辆用于识别和躲避危险或提供驾驶辅助警报。

Road surface characterization using attitude observation of adjacent vehicles

【技术实现步骤摘要】
使用相邻车辆的姿态观察进行路面表征
本专利技术涉及用于自主驾驶或提供驾驶员辅助的障碍物识别。
技术介绍
车辆可被配备为在自主模式和乘员导引模式两者下操作。车辆可以被配备有计算装置、网络、传感器和控制器以获取关于车辆环境的信息并基于该信息来操作车辆。车辆的安全且舒适操作可以取决于获取关于车辆环境的准确且及时的信息。车辆传感器可以提供关于在车辆环境中要行进的路线和要避开的对象的数据。车辆的安全且有效的操作可以取决于当车辆在道路上操作时获取关于在车辆环境中的路线和对象的准确且及时的信息。存在用于识别造成碰撞风险的对象的现有机制和/或在规划车辆沿路线的路径时应考虑到这些机制。然而，还有改善对象识别和评估技术的空间。
技术实现思路
本文公开的是一种方法，该方法包括：基于图像中的第一车辆的宽度、高度和中心而裁剪图像以确定图像块；基于将图像块以及第一车辆的宽度、高度和中心输入深度神经网络中而估计第一车辆的3D姿态；以及基于估计的3D姿态而操作第二车辆。估计的3D姿态可以包括第一车辆相对于3D坐标系的估计的3D位置、估计的侧倾、估计的俯仰和本文档来自技高网...

【技术保护点】
1.一种方法，其包括由计算机系统：/n接收训练数据条目，每个条目包括用车辆姿态和危险类型注释的视频片段；/n根据所述训练数据条目训练第一深度神经网络(DNN)以输出车辆姿态估计；以及/n根据所述训练数据条目和所述车辆姿态估计训练第二DNN以分类危险，其中所述第二DNN是递归神经网络。/n

【技术特征摘要】
20181121 US 16/198,3341.一种方法，其包括由计算机系统：
接收训练数据条目，每个条目包括用车辆姿态和危险类型注释的视频片段；
根据所述训练数据条目训练第一深度神经网络(DNN)以输出车辆姿态估计；以及
根据所述训练数据条目和所述车辆姿态估计训练第二DNN以分类危险，其中所述第二DNN是递归神经网络。


2.如权利要求1所述的方法，其还包括根据所述训练数据条目和所述车辆姿态估计训练所述第二DNN以识别所述危险的位置。


3.如权利要求1所述的方法，其还包括根据所述训练数据条目、所述车辆姿态估计以及所述车辆姿态估计的导数训练所述第二DNN以识别所述危险的位置。


4.如权利要求1所述的方法，其中所述车辆姿态估计每个包括x、y、z、俯仰、横摆和侧倾估计。


5.如权利要求1所述的方法，其中根据所述训练数据条目和所述车辆姿态估计训练所述第二DNN以分类所述危险包括：训练所述第二DNN以将所述危险分类为坑洼、冰、泥、砾石、隆起物、不平的路面、污物和杂散物体中的至少一者。


6.如权利要求1所述的方法，其还包括对车辆控制器进行编程以使用所述第一DNN和所述第二DNN来检测危险。


7.一种系统，其包括一个或多个处理装置和能操作地耦合到所述一个或多个处理装置的一个或多个存储器装置，所述一个或多个存储器装置存储可执行代码，所述可执行代码有效地致使所述一个或多个处理装置：
接收训练数据条目，每个条目包括用车辆姿态和危险类型注释的视频片段；
根据所述训练数据条目训练第一深度神经网络(DNN)以输出车辆姿态估计；以及
根据所述训练数据条目和所述车辆姿态估计训练第二DNN以分类危险。


8.如权利要求7所述的系统，其中所述可执行代码...

【专利技术属性】
技术研发人员：古萨姆·肖林格，金尼什·J·简，金塔拉斯·文森特·普斯科里奥斯，勒达·戴勒，
申请(专利权)人：福特全球技术公司，
类型：发明
国别省市：美国;US