模型训练和车道线预测方法、设备及自动驾驶车辆技术

本公开提供了一种模型训练和车道线预测方法、设备及自动驾驶车辆，涉及人工智能技术领域，尤其涉及深度学习、图像处理和自动驾驶领域。具体实现方案为：基于样本图像中的车道线像素集合进行曲线拟合，得到所述样本图像中的车道线所对应的多项式的标注参数；基于所述多项式的标注参数，得到所述样本图像的标注数据；基于所述样本图像以及所述样本图像的标注数据，训练得到车道线预测模型。训练得到车道线预测模型。训练得到车道线预测模型。

【技术实现步骤摘要】
模型训练和车道线预测方法、设备及自动驾驶车辆


[0001]本公开涉及人工智能
，尤其涉及深度学习、图像处理和自动驾驶领域。

技术介绍

[0002]车道线识别是自动驾驶场景的一种重要感知技术。为了应用识别到的车道线信息，往往需要将识别到的车道线矢量化为用多项式表征的曲线。当前的车道线矢量化方案，一般包括图像感知识别和识别结果后处理两个阶段，处理过程比较繁琐。

技术实现思路

[0003]本公开提供了一种模型训练和车道线预测方法、设备及自动驾驶车辆。
[0004]根据本公开的一方面，提供了一种模型训练方法，包括：
[0005]基于样本图像中的车道线像素集合进行曲线拟合，得到样本图像中的车道线所对应的多项式的标注参数；
[0006]基于多项式的标注参数，得到样本图像的标注数据；
[0007]基于样本图像以及样本图像的标注数据，训练得到车道线预测模型。
[0008]根据本公开的另一方面，提供了一种车道线预测方法，包括：
[0009]获取待预测图像；
[0010]基于车道线预测模型对待预测图像进行处理，得到预测数据；
[0011]其中，预测数据包括待预测图像中的车道线所对应的多项式的参数；其中，车道线预测模型是基于本公开任一实施例提供的模型训练方法训练得到的。
[0012]根据本公开的一方面，提供了一种模型训练装置，包括：
[0013]参数获取模块，用于基于样本图像中的车道线像素集合进行曲线拟合，得到样本图像中的车道线所对应的多项式的标注参数；
[0014]数据获取模块，用于基于多项式的标注参数，得到样本图像的标注数据；
[0015]模型训练模块，用于基于样本图像以及样本图像的标注数据，训练得到车道线预测模型。
[0016]根据本公开的另一方面，提供了一种车道线预测装置，包括：
[0017]图像获取模块，用于获取待预测图像；
[0018]图像处理模块，用于基于车道线预测模型对待预测图像进行处理，得到预测数据；
[0019]其中，预测数据包括待预测图像中的车道线所对应的多项式的参数；其中，车道线预测模型是基于本公开任一实施例提供的模型训练装置训练得到的。
[0020]根据本公开的另一方面，提供了一种电子设备，包括：
[0021]至少一个处理器；以及
[0022]与该至少一个处理器通信连接的存储器；其中，
[0023]该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。
[0024]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开任一实施例中的方法。
[0025]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。
[0026]根据本公开的另一方面，提供了一种自动驾驶车辆，包括本公开任一实施例提供的电子设备。
[0027]根据本公开的技术，训练得到的车道线预测模型能够直接基于车道线图像输出用于表征车道线的多项式的参数，提高车道线矢量化的效率。
[0028]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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
[0029]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0030]图1是根据本公开一个实施例提供的模型训练方法的示意图；
[0031]图2是根据本公开实施例中车道线预测模型的示意图；
[0032]图3是根据本公开一个实施例提供的车道线预测方法的示意图；
[0033]图4是根据本公开一个实施例提供的模型训练装置的示意图；
[0034]图5是根据本公开另一个实施例提供的模型训练装置的示意图；
[0035]图6是根据本公开一个实施例提供的车道线预测装置的示意图；
[0036]图7是根据本公开另一个实施例提供的车道线预测装置的示意图；
[0037]图8是用来实现本公开实施例的模型训练方法或车道线预测方法的电子设备的框图。
具体实施方式
[0038]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0039]图1示出了根据本公开一个实施例的模型训练方法的示意图。如图1所示，该方法包括：
[0040]步骤S110，基于样本图像中的车道线像素集合进行曲线拟合，得到样本图像中的车道线所对应的多项式的标注参数；
[0041]步骤S120，基于多项式的标注参数，得到样本图像的标注数据；
[0042]步骤S130，基于样本图像以及样本图像的标注数据，训练得到车道线预测模型。
[0043]示例性地，在本公开实施例中，样本图像可以指用于训练车道线预测模型的图像。样本图像可以包括车道线图像。样本图像中的车道线像素集合可以包括样本图像中的多个像素点。这些像素点为车道线所在的像素点。可以通过人工标注的方式确定这些像素点。
[0044]示例性地，可以将车道线像素集合中各像素点拟合为一条曲线，例如三次多项式曲线。该曲线对应的三次多项式例如是：
[0045]y＝ax3+bx2+cx+d。
[0046]该多项式的参数(也可以称为曲线的参数)包括a、b、c和d。示例性地，多项式的参数也可以表示为(a,b,c,d)。这些参数或者基于这些参数确定的多项式可以用于表征样本图像中的车道线。
[0047]在本公开实施例中，标注参数可以指样本图像中车道线像素集合拟合得到的曲线的参数，即样本图像中车道线所对应的多项式的实际参数。
[0048]示例性地，可以将多项式的标注参数作为样本图像的标注数据。可以理解，基于样本图像及其标注数据训练得到的车道线预测模型，可以用于基于样本图像输出其中的车道线所对应的多项式的参数。因此，该车道线预测模型为端到端模型。基于该模型对待预测图像进行处理，能够直接得到待预测图像的车道线矢量化结果，无需对模型输出的结果再进行曲线拟合。从而，提高了车道线矢量化的效率。
[0049]作为一种示例性的实施方式，步骤S130，基于样本图像以及样本图像的标注数据，训练得到车道线预测模型，可以包括：
[0050]基于预设模型对样本图像进行处理，得到与样本图像对应的预测数据；其中，预测数据包括多项式的预测参数；
[0051]基于多项式的标注参数与预测参数之间的欧式距离，得到第一损失函数；
[0052]根据第一损失函数，调整预设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，包括：基于样本图像中的车道线像素集合进行曲线拟合，得到所述样本图像中的车道线所对应的多项式的标注参数；基于所述多项式的标注参数，得到所述样本图像的标注数据；基于所述样本图像以及所述样本图像的标注数据，训练得到车道线预测模型。2.根据权利要求1所述的方法，其中，基于所述样本图像以及所述样本图像的标注数据，训练得到车道线预测模型，包括：基于预设模型对所述样本图像进行处理，得到与所述样本图像对应的预测数据；其中，所述预测数据包括所述多项式的预测参数；基于所述多项式的标注参数与所述预测参数之间的欧式距离，得到第一损失函数；根据所述第一损失函数，调整所述预设模型的参数，并在所述第一损失函数符合预设条件的情况下，将所述预设模型作为所述车道线预测模型。3.根据权利要求2所述的方法，其中，基于所述多项式的标注参数，得到所述样本图像的标注数据，包括：将所述多项式的标注参数和所述车道线的标注线型作为所述样本图像的标注数据；相应地，所述预测数据还包括预测线型；所述基于所述多项式的参数与所述预测参数之间的欧式距离，得到第一损失函数，包括：将所述多项式的标注参数与所述预测参数之间的欧式距离作为第二损失函数；基于所述标注线型和所述预测线型确定第一交叉熵，作为第三损失函数；根据所述第二损失函数和所述第三损失函数，得到所述第一损失函数。4.根据权利要求3所述的方法，其中，所述预测数据还包括所述预测参数的置信度；所述根据所述第二损失函数和所述第三损失函数，得到所述第一损失函数，包括：基于所述多项式的标注参数、所述预测参数以及所述置信度得到第二交叉熵，作为第四损失函数；基于所述第二损失函数、所述第三损失函数和所述第四损失函数，得到所述第一损失函数。5.一种车道线预测方法，包括：获取待预测图像；基于车道线预测模型对所述待预测图像进行处理，得到预测数据；其中，所述预测数据包括所述待预测图像中的车道线所对应的多项式的参数；其中，所述车道线预测模型是基于权利要求1
‑
4中任一项所述的方法训练得到的。6.根据权利要求5所述的方法，其中，所述基于车道线预测模型对所述待预测图像进行处理，得到预测数据，包括：基于所述车道线预测模型中的卷积网络对所述待预测图像进行特征提取，得到所述待预测图像的特征信息；基于所述车道线预测模型中的第一解码器对所述特征信息进行解码，得到所述待预测图像中的车道线所对应的多项式的参数。7.根据权利要求6所述的方法，其中，所述基于车道线预测模型对所述待预测图像进行处理，得到预测数据，还包括：
基于所述车道线预测模型中的第二解码器对所述特征信息进行解码，得到所述车道线的线型。8.根据权利要求6或7所述的方法，其中，所述基于车道线预测模型对所述待预测图像进行处理，得到预测数据，还包括：基于所述车道线预测模型中的第三解码器对所述特征信息进行解码，得到所述多项式的参数的置信度。9.根据权利要求8所述的方法，还包括：在所述多项式的参数的置信度大于等于预设阈值的情况下，将基于所述多项式的参数表征的车道线确定为有效车道线。10.一种模型训练装置，包括：参数获取模块，用于基于样本图像中的车道线像素集合进行曲线拟合，得到所述样本图像中的车道线所对应的多项式的标注参数；数据获取模块，用于基于所述多项式的标注参数，得到所述样本图像的标注数据；模型训练模块，用于基于所述样本图像以及所述样本图像的标注数据，训练得到车道线预测模型。...

【专利技术属性】
技术研发人员：何雷，
申请(专利权)人：阿波罗智能技术北京有限公司，
类型：发明
国别省市：