基于鸟瞰图特征的地图分割方法、装置和电子设备制造方法及图纸

本发明专利技术提供了一种基于鸟瞰图特征的地图分割方法，涉及地图分割应用的技术领域，包括：获取当前车辆在上一时刻的目标检测结果以及当前时刻在行进方向上采集的图像特征；基于预训练的深度学习模型对图像特征和目标检测结果进行处理，确定当前车辆视角转换后的鸟瞰图特征；将鸟瞰图特征输入预设网络模型，确定鸟瞰图视角下的地图分割结果，缓解地图分割应用中，无法满足现今需求的同时实现精准分割的技术问题。术问题。术问题。

【技术实现步骤摘要】
基于鸟瞰图特征的地图分割方法、装置和电子设备


[0001]本专利技术涉及地图分割应用的
，尤其是涉及一种基于鸟瞰图特征的地图分割方法、装置和电子设备。

技术介绍

[0002]自动驾驶的技术发展已经从规则设计向数据驱动转变，在控制、规划、地图融合和广义感知的各流程模块中都有所体现，其中广义感知模块近乎完全依赖于数据驱动。技术的发展也导致了流程上的融合，同时对算法提出了新的需求：在感知模块中，不再满足于序列化地执行单一推理任务后，在其结果上进行后融合的模式，而是想要设计出端到端的感知模型，能够并行地进行多个任务推理，输出可被后续模块直接利用的信息。
[0003]因此，在地图分割应用中，当前急需一种能够满足现今需求的同时实现精准分割的方法。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于鸟瞰图特征的地图分割方法，缓解地图分割应用中，无法满足现今需求的同时实现精准分割的技术问题。
[0005]第一方面，实施例提供一种基于鸟瞰图特征的地图分割方法，所述方法包括：
[0006]获取当前车辆在上一时刻的目标检测结果以及当前时刻在行进方向上采集的图像特征；
[0007]基于预训练的深度学习模型对所述图像特征和所述目标检测结果进行处理，确定所述当前车辆视角转换后的鸟瞰图特征；
[0008]将所述鸟瞰图特征输入预设网络模型，确定鸟瞰图视角下的地图分割结果。
[0009]在可选的实施方式中，在基于预训练的深度学习模型对所述图像特征和所述目标检测结果进行处理，确定所述当前车辆视角转换后的鸟瞰图特征的步骤之前，所述方法还包括：
[0010]基于每个采集模块的位置信息，确定每个所述采集模块的位置编码；
[0011]根据逆透视变换IPM方式对每个所述采集模块的内参和外参进行编码处理，得到每个所述采集模块的方向编码。
[0012]在可选的实施方式中，在基于预训练的深度学习模型对所述图像特征和所述目标检测结果进行处理，确定所述当前车辆视角转换后的鸟瞰图特征的步骤之前，所述方法还包括：
[0013]将所述目标检测结果按照目标对象的预设类别进行结构化处理以及特征对齐操作，确定地图拓扑先验信息。
[0014]在可选的实施方式中，基于预训练的深度学习模型对所述图像特征和所述目标检测结果进行处理，确定所述当前车辆视角转换后的鸟瞰图特征的步骤，包括：
[0015]将所述方向编码、所述位置编码和所述地图拓扑先验信息输入预训练的深度学习
模型，根据所述方向编码和所述位置编码对所述地图拓扑先验信息进行视角转换，确定鸟瞰图特征。
[0016]在可选的实施方式中，获取当前车辆在上一时刻的目标检测结果以及当前时刻在行进方向上采集的图像特征的步骤，包括：
[0017]获取所述当前车辆在上一时刻行进方向上的目标检测结果；
[0018]通过采集模块采集当前时刻当前车辆在行进方向上的图像序列；
[0019]将所述图像序列输入图像特征提取器，得到所述当前车辆行进方向对应的图像特征。
[0020]在可选的实施方式中，将所述鸟瞰图特征输入预设网络模型，确定鸟瞰图视角下的地图分割结果的步骤，包括：
[0021]根据预设网络模型按照目标对象的预设类别和预设所占空间对所述鸟瞰图特征进行处理，确定地图分割结果。
[0022]在可选的实施方式中，所述预训练深度学习模型包括自注意力机制深度学习模型。
[0023]第二方面，实施例提供一种基于鸟瞰图特征的地图分割装置，所述装置包括：
[0024]获取模块，获取当前车辆在上一时刻的目标检测结果以及当前时刻在行进方向上采集的图像特征；
[0025]确定模块，基于预训练的深度学习模型对所述图像特征和所述目标检测结果进行处理，确定所述当前车辆视角转换后的鸟瞰图特征；
[0026]分割模块，将所述鸟瞰图特征输入预设网络模型，确定鸟瞰图视角下的地图分割结果。
[0027]第三方面，实施例提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述前述实施方式任一项所述的方法的步骤。
[0028]第四方面，实施例提供一种机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现前述实施方式任一项所述的方法的步骤。
[0029]本专利技术实施例提供的一种基于鸟瞰图特征的地图分割方法、装置和电子设备，通过将上一时刻的目标检测结果和当前时刻的车辆行进方向上的图像特征输入到预训练的深度学习模型中进行隐式视角转换，得到当前时刻车辆行进方向上的鸟瞰图特征，将该鸟瞰图特征经过预设网络模型处理，确定出鸟瞰图视角下的更加精准的地图分割结果。
[0030]本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。
[0031]为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0032]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术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
附图是本专利技术的一些实施方式，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。
[0033]图1为本专利技术实施例提供的一种基于鸟瞰图特征的地图分割方法流程图；
[0034]图2为本专利技术实施例提供的另一种基于鸟瞰图特征的地图分割方法流程图；
[0035]图3为本专利技术实施例提供的一种基于鸟瞰图特征的地图分割装置的功能模块图；
[0036]图4为本专利技术实施例提供的一种电子设备的硬件架构示意图。
具体实施方式
[0037]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0038]经专利技术人研究发现，发展而来的感知鸟瞰图(Bird
‑
Eye
‑
View，BEV)新范式，能够给系统带来巨大的提升，相较于传统方法，其能充分利用各路传感器信息，提升感知性能。
[0039]基于此，本专利技术实施例提供的一种基于鸟瞰图特征的地图分割方法，缓解地图分割应用中，无法满足现今需求的同时实现精准分割的技术问题。
[0040]为便于对本实施例进行理解，首先对本专利技术实施例所公开的一种基于鸟瞰图特征的地图分割方法进行详细介绍，该方法可应用于车辆控制器、车机、上位机、服务器等智能控制设备中。
...

【技术保护点】

【技术特征摘要】
1.一种基于鸟瞰图特征的地图分割方法，其特征在于，所述方法包括：获取当前车辆在上一时刻的目标检测结果以及当前时刻在行进方向上采集的图像特征；基于预训练的深度学习模型对所述图像特征和所述目标检测结果进行处理，确定所述当前车辆视角转换后的鸟瞰图特征；将所述鸟瞰图特征输入预设网络模型，确定鸟瞰图视角下的地图分割结果。2.根据权利要求1所述的方法，其特征在于，在基于预训练的深度学习模型对所述图像特征和所述目标检测结果进行处理，确定所述当前车辆视角转换后的鸟瞰图特征的步骤之前，所述方法还包括：基于每个采集模块的位置信息，确定每个所述采集模块的位置编码；根据逆透视变换IPM方式对每个所述采集模块的内参和外参进行编码处理，得到每个所述采集模块的方向编码。3.根据权利要求2所述的方法，其特征在于，在基于预训练的深度学习模型对所述图像特征和所述目标检测结果进行处理，确定所述当前车辆视角转换后的鸟瞰图特征的步骤之前，所述方法还包括：将所述目标检测结果按照目标对象的预设类别进行结构化处理以及特征对齐操作，确定地图拓扑先验信息。4.根据权利要求3所述的方法，其特征在于，基于预训练的深度学习模型对所述图像特征和所述目标检测结果进行处理，确定所述当前车辆视角转换后的鸟瞰图特征的步骤，包括：将所述方向编码、所述位置编码和所述地图拓扑先验信息输入预训练的深度学习模型，根据所述方向编码和所述位置编码对所述地图拓扑先验信息进行视角转换，确定鸟瞰图特征。5.根据权利要求1所述的方法，其特征在于，获取当前车辆在上一时...

【专利技术属性】
技术研发人员：宋丽，刘威，胡骏，程帅，曹斌，
申请(专利权)人：东软睿驰汽车技术大连有限公司，
类型：发明
国别省市：