用于训练神经卷积网络的方法、用于确定定位位姿的方法、设备和存储介质技术

提出一种用于训练神经卷积网络以确定移动平台的定位位姿的方法，航拍图像训练周期具有步骤：提供移动平台的参考位姿；提供移动平台周围环境的参考位姿的航拍图像；将航拍图像用作神经卷积网络的输入信号；借助神经卷积网络的输出信号确定定位位姿；适配神经卷积网络以最小化定位位姿与参考位姿的偏差；借助地面图像训练周期来训练经训练的神经卷积网络，其分别具有步骤：提供移动平台的参考位姿；提供移动平台周围环境的参考位姿的地面图像；将地面图像用作所训练的神经卷积网络的输入信号；借助神经卷积网络的输出信号确定定位位姿；适配该神经卷积网络以最小化定位位姿与参考位姿的偏差，以提供用于确定定位位姿的神经卷积网络。网络。网络。

【技术实现步骤摘要】
用于训练神经卷积网络的方法、用于确定定位位姿的方法、设备和存储介质


[0001]本专利技术涉及一种用于训练神经卷积网络以便借助该神经卷积网络借助地面图像来确定移动平台的定位位姿的方法。本专利技术还涉及一种用于确定移动平台的定位位姿的方法、一种设备，以及一种机器可读的存储介质。

技术介绍

[0002]精准的定位是至少部分自动化的平台(例如自主运行车辆)的行驶的前提。
[0003]为了借助这种移动平台的周围环境的地面图像来对这种移动平台进行定位，已经进行多个不同的方案，这些方案通常关于该移动平台的周围环境是基于特征的，其中，然后通过高分辨率地图将这些特征分配给移动平台的位姿。

技术实现思路

[0004]但是，使用这种高分辨率地图伴随着经济上的不利。相反，用于借助基于地面图像的回归来确定位姿的基于深度学习的方法具有优点：相应的地图的确定的大小；恒定的询问时间。借助来自直接摄像机位置的单目图像、视频图像序列和深度图像，可以借助这样的方法确定定位。在此，在非常大的地理区域中进行定位在确定位姿的唯一明确性方面位姿是一个挑战。
...

【技术保护点】

【技术特征摘要】
1.一种用于训练神经卷积网络(110)以便借助所述神经卷积网络(110)借助地面图像(140)来确定移动平台的定位位姿(150)的方法(100)，所述方法具有第一多个航拍图像训练周期，其中，每个航拍图像训练周期具有以下步骤：提供所述移动平台的参考位姿(120)(S1)；提供在所述参考位姿(120)中所述移动平台的周围环境的航拍图像(130)(S2)；将所述航拍图像(130)(S3)用作所述神经卷积网络(110)的输入信号；借助所述神经卷积网络(110)的输出信号确定相应的定位位姿(150)(S4)；对所述神经卷积网络(110)进行适配(S5)，以便最小化借助相应的航拍图像(130)所确定的相应的定位位姿(150)与相应的参考位姿(120)的偏差；借助第二多个地面图像训练周期来训练借助所述第一多个航拍图像训练周期所训练的神经卷积网络(110)，其中，每个地面图像训练周期具有以下步骤：提供所述移动平台的参考位姿(120)(S6)；提供在所述参考位姿(120)中的所述移动平台的所述周围环境的地面图像(140)(S7)；将所述地面图像(140)(S8)用作借助所述第一多个航拍图像训练周期所训练的神经卷积网络(110)的输入信号；借助所述神经卷积网络(110)的输出信号确定所述定位位姿(S9)；对所述神经卷积网络(110)进行适配(S10)，以便最小化借助相应的地面图像(140)所确定的相应的定位位姿(150)与相应的参考位姿(120)的偏差，以便提供用于借助地面图像(140)来确定定位位姿(150)的经训练的神经卷积网络(110)。2.根据权利要求1所述的方法(100)，其中，通过以下方式确定所述第一多个航拍图像训练周期：使相应的所确定的定位位姿(150)与相应的参考位姿(120)的偏差小于预先确定的第一值。3.根据权利要求1或2所述的方法(100)，其中，通过以下方式确定所述第二多个地面图像训练周期：使相应的所确定的定位位姿(150)与相应的参考位姿(120)的偏差小于预先确定的第二值。4.根据权利要求1至3中任一项所述的方法(100)，其中，借助卫星、飞机或无人驾驶飞机生成所述移动平台的所述周围环境的所述航拍图像(130)。5.根据权利要求1至4中任一项所述的方法(...

【专利技术属性】
技术研发人员：C，
申请(专利权)人：罗伯特，
类型：发明
国别省市：