检测模型的训练方法、可行使区域的确定方法和装置制造方法及图纸

本申请提出一种检测模型的训练方法、可行使区域的确定方法和装置，方法包括：获取至少一个车载相机采集的至少一个图像，和各个图像的标注信息，根据至少一个图像和对应的标注信息中的映射参数的真值，执行第一训练任务以对检测模型的第一网络训练，根据训练得到的第一网络输出的各个图像对应的映射参数的预测值对各个图像进行修正，根据至少一个修正后的图像和对应的标注信息中的真值障碍物接地线，执行第二训练任务，以对检测模型的第二网络训练。本申请通过执行两个训练任务分别对检测模型的第一网络和第二网络进行训练，实现端到端的深度学习，使得在同一个检测模型中进行车载相机自标定和进行障碍物的接地线检测，提高了模型训练的效果。模型训练的效果。模型训练的效果。

【技术实现步骤摘要】
检测模型的训练方法、可行使区域的确定方法和装置


[0001]本申请涉及自动驾驶
，尤其涉及检测模型的训练方法、可行使区域的确定方法和装置。

技术介绍

[0002]近些年，随着汽车制造厂商对智能车辆技术的研发，各种级别的辅助驾驶技术得到了快速发展。而对周围环境中的障碍物进行感知是实现车辆自动导航的关键技术之一，也是实现自动驾驶、自动泊车的关键能力之一。
[0003]智能泊车可以分为两大类：自动泊车（APA，Automatic Parking Assistance）和自主泊车（AVP，Automatic Valet Parking）。自动泊车是指，驾驶员驾驶车辆来到停车位旁边，由自动驾驶系统控制车辆自动泊入目标车位的过程。自主泊车则是在自动泊车的基础上增加了一定距离的无人驾驶寻库功能，驾驶员只需驾驶车辆来到停车场入口，车辆便自动寻找车位并泊入车位的过程。
[0004]而在进行智能泊车的过程中，车辆需要实时感知周围环境中的障碍物，以确定可行驶区域（Freespace），并基于可行使区域做出路径规划。因此，如何提高可行使区域确定的准确性是需要解决的技术问题。

技术实现思路

[0005]为克服相关技术中存在的问题，本申请提供一种检测模型的训练方法、可行使区域的确定方法和装置，通过端到端的深度学习，提高了模型训练的效果。
[0006]根据本申请实施例的一方面，提供一种检测模型的训练方法，包括：获取训练样本；所述训练样本包括至少一个车载相机采集的至少一个图像，和所述至少一个图像的标注信息；其中，图像和车载相机一一对应；根据所述至少一个图像和所述至少一个图像的标注信息中的映射参数的真值，执行第一训练任务，以对所述检测模型的第一网络训练；根据训练后的所述第一网络输出的各个所述图像对应的映射参数的预测值对各个所述图像进行修正；根据至少一个修正后的图像和所述至少一个修正后的图像对应的标注信息中的真值障碍物接地线，执行第二训练任务，以对所述检测模型的第二网络训练。
[0007]根据本申请实施例的一方面，提供一种可行使区域的确定方法，包括：获取至少一个车载相机采集的至少一个图像；将所述至少一个图像输入训练得到的检测模型的第一网络，得到所述第一网络输出的所述至少一个图像对应的映射参数；根据所述映射参数对所述至少一个图像进行修正；将修正后的至少一个图像输入训练得到的检测模型的第二网络，得到所述至少一个图像中包括的障碍物的接地线；
根据所述障碍物的接地线，确定所述车辆的可行使区域；其中，所述检测模型的第一网络和第二网络是采用前述方法实施例所述的检测模型训练方法训练得到的。
[0008]根据本申请实施例的一方面，提供一种检测模型的训练装置，包括：获取模块，用于执行获取训练样本；所述训练样本包括至少一个车载相机采集的至少一个图像，和所述至少一个图像的标注信息；其中，图像和车载相机一一对应；第一训练模块，用于执行根据所述至少一个图像和所述至少一个图像的标注信息中的映射参数的真值，执行第一训练任务，以对所述检测模型的第一网络训练；修正模块，用于执行根据训练后的所述第一网络输出的各个所述图像对应的映射参数的预测值对各个所述图像进行修正；第二训练模块，用于执行根据至少一个修正后的图像和所述至少一个修正后的图像对应的标注信息中的真值障碍物接地线，执行第二训练任务，以对所述检测模型的第二网络训练。
[0009]根据本申请实施例的一方面，提供一种可行使区域的确定装置，包括：获取模块，用于获取至少一个车载相机采集的至少一个图像；第一识别模块，用于将所述至少一个图像输入训练得到的检测模型的第一网络，得到所述第一网络输出的所述至少一个图像对应的映射参数；修正模块，用于根据所述映射参数对所述至少一个图像进行修正；第二识别模块，用于将修正后的至少一个图像输入训练得到的检测模型的第二网络，得到所述至少一个图像中包括的障碍物的接地线；确定模块，用于根据所述障碍物的接地线，确定所述车辆的可行使区域；其中，所述检测模型的第一网络和第二网络是采用前述方法实施例所述的检测模型训练装置训练得到的。
[0010]根据本申请实施例的另一方面，提供一种车辆，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：实现前述方法实施例所述方法的步骤。
[0011]根据本申请实施例的另一方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行前述方法实施例所述的步骤。
[0012]本申请的实施例提供的技术方案可以包括以下有益效果：获取训练样本，训练样本包括至少一个车载相机采集的至少一个图像，和至少一个图像的标注信息，根据至少一个图像和至少一个图像的标注信息中的映射参数的真值，执行第一训练任务，以对检测模型的第一网络训练，根据训练后的第一网络输出的各个图像对应的映射参数的预测值对各个图像进行修正，根据至少一个修正后的图像和至少一个修正后的图像对应的标注信息中的真值障碍物接地线，执行第二训练任务，以对检测模型的第二网络训练。本申请通过执行两个训练任务分别对检测模型的第一网络和第二网络进行训练，实现端到端的深度学习，使得能够在同一个检测模型中进行车载相机自标定，以及进行障碍物的接地线检测，提高了模型训练的效果，进而提高了检测效果。
[0013]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
[0014]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0015]图1是根据一示例性实施例示出的一种检测模型的训练方法的流程图；图2是根据一示例性实施例示出的另一种检测模型的训练方法的流程图；图3是本申请实施例提供的一种第一网络的结构示意图；图4是根据一示例性实施例示出的另一种检测模型的训练方法的流程图；图5是本申请实施例提供的另一种第一网络的结构示意图；图6是根据一示例性实施例示出的一种可行使区域的确定方法的流程图；图7A是根据一示例性实施例示出的一种检测模型的结构示意图图7B是根据一示例性实施例示出的一种障碍物接地线集合对应的可行使区域的示意图；图8是根据一示例性实施例示出的一种检测模型的训练装置的结构示意图；图9是根据一示例性实施例示出的一种可行使区域的确定装置的结构示意图；图10是根据一示例性实施例示出的一种车辆的结构示意图。
具体实施方式
[0016]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0017]图1是根据一示例性实施例示出的一种检测模型的训练方法的流程图，如图1所示，包括以下步骤：步骤101，获取训练样本，训练样本包括至少一个车载相机采集的至少本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种检测模型的训练方法，其特征在于，包括：获取训练样本；所述训练样本包括至少一个车载相机采集的至少一个图像，和所述至少一个图像的标注信息；其中，图像和车载相机一一对应；根据所述至少一个图像和所述至少一个图像的标注信息中的映射参数的真值，执行第一训练任务，以对所述检测模型的第一网络训练；根据训练后的所述第一网络输出的各个所述图像对应的映射参数的预测值对各个所述图像进行修正；根据至少一个修正后的图像和所述至少一个修正后的图像对应的标注信息中的真值障碍物接地线，执行第二训练任务，以对所述检测模型的第二网络训练。2.根据权利要求1所述的方法，其特征在于，所述映射参数为车载相机的内外参数，所述根据所述至少一个图像和所述至少一个图像的标注信息中的映射参数的真值，包括：将所述至少一个图像输入所述检测模型的第一网络，得到所述第一网络输出的各个所述图像对应的内外参数的预测值；根据所述至少一个图像对应的内外参数的预测值和所述至少一个图像标注的内外参数的真值间的差异，确定第一损失函数；根据所述第一损失函数，对所述第一网络进行训练。3.根据权利要求2所述的方法，其特征在于，所述第一网络包括顺序连接的至少一个第一特征提取层和前馈神经网络层，所述将所述至少一个图像输入所述检测模型的第一网络，得到所述第一网络输出的各个所述图像对应的内外参数的预测值，包括：针对每一个所述图像，将所述图像输入所述至少一个第一特征提取层进行特征提取，得到第一目标特征图；其中，前层的第一特征提取层输出的特征图的尺寸，大于后层的第一特征提取层输出的特征图的尺寸；将所述第一目标特征图输入所述前馈神经网络层进行特征处理，得到所述图像对应的内外参数的预测值。4.根据权利要求2所述的方法，其特征在于，所述根据所述至少一个图像对应的内外参数的预测值和所述至少一个图像标注的内外参数的真值间的差异，确定第一损失函数，包括：针对每一个图像，根据所述图像对应的内外参数中各个参数的预测值和真值间的差异，确定第一子损失函数；将所述至少一个第一子损失函数进行加权相加，得到所述第一损失函数。5.根据权利要求1所述的方法，其特征在于，所述映射参数为车载相机的重映射参数，所述根据所述至少一个图像和所述至少一个图像的标注信息中的映射参数的真值，执行第一训练任务，以对所述检测模型的第一网络训练，包括：将所述至少一个图像输入所述检测模型的第一网络，得到所述至少一个图像对应的重映射参数的预测值；其中，重映射参数指示了图像坐标系下各个位置坐标与车辆坐标系中各个位置坐标间的映射关系；根据所述至少一个图像对应的重映射参数的预测值和所述至少一个图像标注的重映射参数的真值间的差异，确定第二损失函数；根据所述第二损失函数，对所述第一网络进行训练。
6.根据权利要求5所述的方法，其特征在于，所述第一网络包括顺序连接的至少一个第二特征提取层和至少一个上采样卷积层，所述将所述至少一个图像输入所述检测模型的第一网络，得到所述至少一个图像对应的重映射参数的预测值，包括：针对每一个所述图像，将所述图像输入所述至少一个第二特征提取层进行特征提取，得第二目标特征图；其中，前层的第二特征提取层输出的特征图的尺寸，大于后层的第二特征提取层输出的特征图的尺寸；将所述第二目标特征图输入所述至少一个上采样卷积层，得到所述图像对应的重映射参数的预测值。7.根据权利要求5所...

【专利技术属性】
技术研发人员：万韶华，
申请(专利权)人：小米汽车科技有限公司，
类型：发明
国别省市：