System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及人工智能,特别是涉及一种电子设备、机器可读存储介质以及bev特征的提取方法。
技术介绍
1、随着人工智能和计算机视觉技术的快速发展,自动驾驶技术成为了当今汽车行业的热点研究领域。自动驾驶技术的出现,给人们的出行方式带来了革命性的改变。一般自动驾驶技术主要包括以下几个模块:感知模块、决策模块和控制模块。感知模块通过多个传感器(如摄像头、雷达、激光雷达等)获取车辆周围的各种信息,并利用深度学习算法进行特征提取和目标识别。决策模块根据感知模块提供的信息,结合驾驶策略和交通规则,做出准确的路径规划和控制决策。控制模块根据决策模块的输出,控制车辆的加速、制动和转向等动作,实现自主驾驶。
2、感知模块作为自动驾驶技术的第一个环节,其性能往往决定着整个自动驾驶功能的实现准确性和稳定性,当前的基于纯视觉的自动驾驶方案主要有基于单目或者多目前视的目标检测和bev(bird’s eye view,bev)环视检测方案。bev环视目标检测方案因其360°的感知视角使得车辆对周围目标的感知更加完整和精确,以便于下游进行多种决策和规划任务。基于纯视觉的bev检测方案是从组成环视相机的2d图像中学习目标特征并构建bev空间下的目标特征,然后基于bev特征进行下游任务(如目标检测,语义分割,实力分割,底图构建等)。对于从2d的数据中构建3d的特征,主流的方法有显式构建和隐式两种。
3、对于隐式构建bev特征的方法,将目标编码在query中,通过与特征key和特征value的cross attention来得到目标特征从而
技术实现思路
1、本专利技术的一个目的旨在克服现有技术中的至少一个缺陷,提供一种能够提高采样精准性的bev特征的提取方法。
2、特别地,本专利技术提供了一种用于车辆的bev特征的提取方法,包括:
3、对车辆周围环境进行拍摄,并获取拍摄图像上的图像特征;
4、利用图像特征生成第一bev特征;
5、根据车辆所行驶的道路坡度环境对第一bev特征进行修正,以得到第二bev特征,作为最终的bev特征。
6、可选地,利用图像特征生成第一bev特征的步骤包括:
7、对图像特征多个具体特征进行位置编码,生成坐标位置;
8、使用相机参数对投影到图像特征上生成对应的图像初始采样点;
9、对图像初始采样点进行区域特征提取;
10、根据区域采样进行附近点特征的加权融合得到维度为1×c的向量作为第一bev特征。
11、可选地,根据车辆所行驶的道路坡度环境对第一bev特征进行修正的步骤还包括:
12、确定第一bev特征的修正矩阵;
13、通过如下公式对第一bev特征进行修正:
14、
15、其中,为所述第二bev特征,d为修正矩阵,[x,y,z,1]表示第一bev特征,t表示相机参数,x方向是车辆的行驶方向的坐标,y方向是车辆的行驶方向的横向坐标,z方向是竖直方向坐标。
16、可选地,修正矩阵d为:
17、
18、其中,δθy是车辆在y方向的角度偏移值,δh是车辆在竖直方向的偏移值。
19、可选地,确定δθy和δh的步骤为:
20、使用前视相机的图像特征和投影到前视相机平面的位置编码构成的坐标图进行卷积,然后全局平均池化,以输出特定特征;
21、将特定特征用多层感知机进行分类获得最终确定δθy和δh。
22、可选地,前视相机平面的位置编码构成的坐标图的构建公式为:
23、gfront,k=canv(round(tcam·[x,y,z,1]t))
24、其中,gfront,k为前视相机平面的位置编码。
25、可选地,将特定特征用多层感知机进行分类获得最终确定δθy和δh的步骤为:
26、[δθy,δh]=mlp(avgpool(conv[ffront,gfront,k]))
27、其中,mlp为多层感知机,ffront为前视相机的图像特征。
28、可选地,提取方法还包括:
29、利用拍摄图像上的图像特征使用相机参数点云投影到对应的相机视角下,生成点云深度图;
30、将拍摄图像上的图像特征与点云深度图送入使用深度估计网络学习二维图像的深度信息,使用雷达点云生成的深度图进行监督。
31、特别地,本专利技术提供了一种电子设备,包括存储器和处理器,存储器内存储有机器可执行程序,机器可执行程序被处理器执行时用于实现根据上述中任一项的提取方法。
32、特别地,本专利技术提供了一种机器可读存储介质,机器可读存储介质上存储有机器可执行程序,机器可执行程序被处理器执行时实现根据上述中任一项的提取方法。
33、本专利技术的bev特征的提取方法,首先使用通用的2d特征提取网络提取图像特征,利用输出的图像特征可获得第一bev特征,然后进一步对根据车辆所行驶的道路坡度环境对第一bev特征进行修正,这样可以基于车辆的俯仰角可学习机制来让模型自适应学习,根据当前的图像特征来自适应,实现对复杂场景中更准确的特征构建和位置预测,提高bev特征构建的精准性。
34、根据下文结合附图对本专利技术具体实施例的详细描述,本领域技术人员将会更加明了本专利技术的上述以及其他目的、优点和特征。
本文档来自技高网...【技术保护点】
1.一种用于车辆的BEV特征的提取方法,包括:
2.根据权利要求1所述的提取方法,其中,
3.根据权利要求2所述的提取方法,其中,
4.根据权利要求3所述的提取方法,其中,
5.根据权利要求4所述的提取方法,其中,
6.根据权利要求5所述的提取方法,其中,
7.根据权利要求6所述的提取方法,其中,
8.根据权利要求1所述的提取方法,还包括:
9.一种电子设备,包括存储器和处理器,所述存储器内存储有机器可执行程序,所述机器可执行程序被所述处理器执行时用于实现根据权利要求1至8中任一项所述的提取方法。
10.一种机器可读存储介质,所述机器可读存储介质上存储有机器可执行程序,所述机器可执行程序被处理器执行时实现根据权利要求1至8中任一项所述的提取方法。
【技术特征摘要】
1.一种用于车辆的bev特征的提取方法,包括:
2.根据权利要求1所述的提取方法,其中,
3.根据权利要求2所述的提取方法,其中,
4.根据权利要求3所述的提取方法,其中,
5.根据权利要求4所述的提取方法,其中,
6.根据权利要求5所述的提取方法,其中,
7.根据权利要求6所述的提取方法,其中,
【专利技术属性】
技术研发人员:刘天赐,张雨晴,吴晓措,徐高伟,陈大宇,
申请(专利权)人:浙江智马达智能科技有限公司,
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。