【技术实现步骤摘要】
本申请涉及自动驾驶技术，尤其涉及一种车辆控制方法、装置、设备及可读存储介质。
技术介绍
1、自动泊车是自动驾驶领域常见的功能，而车位的检测和定位是实现自动泊车必不可少的一个环节。
2、目前，现有技术中自动泊车的功能通常是配置在车辆中算力较低的芯片上，并利用卷积神经网络(例如yolov5模型)去预测车位的位置，进而根据车位的位置进行自动泊车。但该方式中需要利用车位的角点、入库线和分割线等车位的参数信息实现车位位置的确定，所需的卷积神经网络模型的计算量和参数量较大，导致在算力低的芯片上完成车位检测所需的时间较长。故，亟待提出一种能够满足算力较低的芯片的车位检测模型，能够实现车位的快速检测，进而提高自动泊车控制的效率。
技术实现思路
1、本申请提供一种车辆控制方法、装置、设备及可读存储介质，用以提高车位检测的速度，进而提高自动泊车控制的效率。
2、第一方面，本申请提供一种车辆控制方法，包括：
3、获取车辆所采集的图像；所述图像中包括目标车位；
4、将所述图像输入至角点检测模型，获取所述目标车位的角点的位置；
5、根据所述目标车位的角点的位置，推理所述目标车位的位置；
6、根据所述目标车位的位置，对所述车辆进行泊车控制。
7、可选的，所述角点检测模型包括：输入层、骨干网络、特征拼接网络和检测头；
8、所述输入层，用于对所述图像预处理，并向所述骨干网络层输出预处理后的图像；
9、所述骨
10、所述特征拼接网络，用于采用深度可分离卷积，和/或，分组卷积的卷积方式，对所述第一特征图中与所述目标车位的角点相关的特征进行拼接，得到第二特征图，并向所述检测头输出第二特征图；
11、所述检测头，用于根据所述第二特征图检测所述目标车位的角点的位置，并输出所述角点的位置。
12、可选的，所述骨干网络包括：第一特征提取层，以及，至少两级第一卷积层；
13、所述至少两级第一卷积层，用于对预处理后的图像进行至少两级降维处理；其中，所述至少两级第一卷积层中的至少一级第一卷积层采用分组卷积或深度可分离卷积的方式对图像进行降维处理；
14、所述第一特征提取层，用于从最后一级第一卷积层输出的降维处理后的图像中提取与所述目标车位的角点相关的特征，得到所述第一特征图。
15、可选的，所述特征拼接网络包括：第二卷积层、第一特征拼接层、第二特征提取层和第二特征拼接层；
16、所述第二卷积层，用于采用分组卷积或深度可分离卷积的方式对所述第一特征图进行降维处理；
17、所述第一特征拼接层，用于采用空间金字塔池化的方式对所述降维处理的第一特征图中多个通道的特征进行拼接；
18、所述第二特征提取层，用于从特征拼接后的第一特征图提取与所述目标车位的角点相关的特征进行第二特征提取，得到初始第二特征图；
19、所述第二特征拼接层，用于拼接所述第一特征提取层输出的所述第一特征图，以及，所述初始第二特征图，并对拼接后的图像进行特征提取，得到所述第二特征图。
20、可选的，所述第一特征拼接层包括：至少两个特征提取通道，以及，特征拼接模块；
21、每个所述特征提取通道包括：至少两级卷积核为3*3的滤波器，用于对所述降维处理的第一特征图中多个通道的特征进行多级提取，得到中间特征图；
22、所述特征拼接模块，用于对各特征提取通道输出的中间特征图进行拼接，得到特征拼接后的第一特征图。
23、可选的，所述至少两个特征提取通道中包括：第一特征提取通道和第二特征提取通道；
24、所述第二特征提取通道的第一级滤波器用于基于所述第一特征提取通道的目标滤波器输出的中间特征图进行特征提取，所述目标滤波器为所述第一特征提取通道的任一级滤波器。
25、可选的，所述第一卷积层、所述第一特征提取层、所述第二卷积层，以及，所述第二特征提取层采用下述任意一种卷积结构：
26、mobilenet卷积结构、shufflenet卷积结构、ghost卷积结构、picodet卷积结构。
27、可选的，所述将所述图像输入至角点检测模型，获取所述目标车位的角点的位置，包括：
28、将所述图像输入至剪枝处理后的角点检测模型，获取所述目标车位的角点的位置。
29、第二方面，本申请提供一种车辆控制装置，包括：
30、第一获取模块，用于获取车辆所采集的图像；所述图像中包括目标车位；
31、第二获取模块，用于将所述图像输入至角点检测模型，获取所述目标车位的角点的位置；
32、推理模块，用于根据所述目标车位的角点的位置，推理所述目标车位的位置；
33、控制模块，用于根据所述目标车位的位置，对所述车辆进行泊车控制。
34、第三方面，本申请提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
35、所述存储器存储计算机执行指令；
36、所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面中任一项所述的车辆控制方法。
37、第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面任一项所述的车辆控制方法。
38、第五方面，本申请提供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如第一方面任一项所述的车辆控制方法。
39、第六方面，本申请提供一种芯片，所述芯片上存储有计算机程序，所述计算机程序被所述芯片执行时，实现如第一方面任一项所述的车辆控制方法。
40、本申请提供的车辆控制方法、装置、设备及可读存储介质，基于车辆采集的图像，利用角点检测模型检测到车位的角点位置即可推断出车位的位置，即角点检测模型仅需要进行角点位置的预测，减少了角点检测模型的计算量和参数量，提高了角点检测模型的计算速度，能够满足算力较低的芯片的算力需求，进而提高了车辆泊车控制的效率。
本文档来自技高网...【技术保护点】
1.一种车辆控制方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述角点检测模型包括：输入层、骨干网络、特征拼接网络和检测头；
3.根据权利要求2所述的方法，其特征在于，所述骨干网络包括：第一特征提取层，以及，至少两级第一卷积层；
4.根据权利要求2所述的方法，其特征在于，所述特征拼接网络包括：第二卷积层、第一特征拼接层、第二特征提取层和第二特征拼接层；
5.根据权利要求4所述的方法，其特征在于，所述第一特征拼接层包括：至少两个特征提取通道，以及，特征拼接模块；
6.根据权利要求5所述的方法，其特征在于，所述至少两个特征提取通道中包括：第一特征提取通道和第二特征提取通道；
7.根据权利要求4-6任一项所述的方法，其特征在于，所述第一卷积层、所述第一特征提取层、所述第二卷积层，以及，所述第二特征提取层采用下述任意一种卷积结构：
8.根据权利要求1-6任一项所述的方法，其特征在于，所述将所述图像输入至角点检测模型，获取所述目标车位的角点的位置，包括：
9.一种车
10.一种电子设备，其特征在于，所述电子设备包括：处理器，以及与所述处理器通信连接的存储器；
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至8任一项所述的车辆控制方法。
...【技术特征摘要】
1.一种车辆控制方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述角点检测模型包括：输入层、骨干网络、特征拼接网络和检测头；
3.根据权利要求2所述的方法，其特征在于，所述骨干网络包括：第一特征提取层，以及，至少两级第一卷积层；
4.根据权利要求2所述的方法，其特征在于，所述特征拼接网络包括：第二卷积层、第一特征拼接层、第二特征提取层和第二特征拼接层；
5.根据权利要求4所述的方法，其特征在于，所述第一特征拼接层包括：至少两个特征提取通道，以及，特征拼接模块；
6.根据权利要求5所述的方法，其特征在于，所述至少两个特征提取通道中包括：第一特征提取通道和第二特征提取通...
【专利技术属性】
技术研发人员：王东旭，胡泽军，周涛，万鹏，
申请(专利权)人：浙江吉利控股集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。