【技术实现步骤摘要】
本专利技术涉及地理信息，特别涉及一种车道线拟合模型训练方法、车道线预测方法和装置。
技术介绍
1、车道线检测是自动驾驶中必不可少的功能、其可以应用于车道级定位，进而应用于车道偏离预警(lane departure warning，ldw)、车道保持辅助(lane keepingassistance，lka)、以及更高级别的自动驾驶等功能模块，也是构建自动驾驶所需要的高精地图集的主要信息之一。
2、现有的一种车道线检测方案是先获取道路图像作为输入，然后利用卷积神经网络(convolutional neural networks，cnn)或者注意力模型(transformer)等深度学习手段处理输入的道路图像，得到车道线的二值语义分割结果、以及对道路图像中各个像素点的向量表示；之后基于以上两方面的信息来源，运用聚类算法进行聚类，得到车道线的实例分割结果，最后对每个车道线实例进行车道线拟合。
3、然而，上述车道线检测方法至少存在如下问题：1)后处理环节中需要运行聚类算法，但是这类聚类算法往往收敛时间长，不利于车道线的实...
【技术保护点】
1.一种车道线拟合模型的训练方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，通过所述语义分割模型和车道线检测模型，匹配出候选关键点，包括：
3.如权利要求2所述的方法，其特征在于，获取训练样本的图片之后，还包括：
4.如权利要求3所述的方法，其特征在于，通过所述语义分割模型和车道线检测模型，匹配出候选关键点，包括：
5.如权利要求1所述的方法，其特征在于，基于候选关键点，拟合出第一拟合方程式，包括：
6.如权利要求5所述的方法，其特征在于，分别利用每个区域内候选关键点的数据，拟合出每个区域中...
【技术特征摘要】
1.一种车道线拟合模型的训练方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，通过所述语义分割模型和车道线检测模型，匹配出候选关键点，包括：
3.如权利要求2所述的方法，其特征在于，获取训练样本的图片之后，还包括：
4.如权利要求3所述的方法，其特征在于，通过所述语义分割模型和车道线检测模型，匹配出候选关键点，包括：
5.如权利要求1所述的方法，其特征在于，基于候选关键点，拟合出第一拟合方程式，包括：
6.如权利要求5所述的方法，其特征在于，分别利用每个区域内候选关键点的数据，拟合出每个区域中车道线的第一拟合方程式，包括：
7.如权利要求1所述的方法，其特征在于，根据所述第一拟合方程式和候选关键点的数据，生成训练数据，包括：
8.如权利要求7所述的方法，其特征在于，所述训练数据中的各车道线上候选关键点的坐标，通过下述方式确定：
9.如权利要求1-8任一项所述的方法，其特征在于，还包括：
10.如权利要求1-8任一项所述的方法，其特征在于，对预设的网络模型进行训练，得到车道线拟合模型，包括：
11.如权利要求10所述的方法，其特征在于，在训练过程中，使用所述重量网络模型，对所述轻量网络模型进行蒸馏，包括：
...【专利技术属性】
技术研发人员：贾书军，郭瑞瑞，
申请(专利权)人：沈阳美行智能网联汽车技术有限公司，
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。