自动驾驶辅助系统用线路板及其方法
文献发布时间:2024-04-18 19:58:53
技术领域
本申请涉及自动驾驶辅助领域,且更为具体地,涉及一种自动驾驶辅助系统用线路板及其方法。
背景技术
随着汽车的发展和普及,越来越多的车辆应用在人们的日常生活当中。传统的驾驶系统主要依赖于人类驾驶员的操作和决策能力来驾驶车辆。驾驶员通过感知道路环境、判断交通状况、做出驾驶决策并执行操作,以确保车辆安全行驶。然而,人类驾驶员的行为具有一定的不确定性,例如在紧急情况下的反应时间、判断错误等,这可能导致事故的发生。此外,人类驾驶员在长时间驾驶或疲劳状态下容易出现注意力不集中、反应迟钝等问题,导致驾驶错误和事故发生的风险增加。并且,人类驾驶员的感知和决策能力受到生理和心理因素的限制,他们可能无法同时关注多个信息源,对复杂的交通环境做出准确的判断和决策。
因此,期望一种自动驾驶辅助系统用线路板。
发明内容
有鉴于此,本申请提出了一种自动驾驶辅助系统用线路板及其方法,其可以帮助车辆自动判断道路上的障碍物类型,以对于自动驾驶进行辅助优化,从而帮助做出相应的驾驶决策,提高行驶的安全性、舒适性和效率,并减少人为错误和事故的风险。
根据本申请的一方面,提供了一种自动驾驶辅助系统用线路板,其包括:
摄像头,用于采集障碍物图像;
执行器模块,用于控制车辆的各种执行器;以及
中央处理模块,所述中央处理模块可通信连接于所述摄像头和所述执行器模块,所述中央处理模块用于对所述障碍物图像进行处理以进行障碍物的类型识别,且用于驱动所述执行器模块。
根据本申请的另一方面,提供了一种自动驾驶辅助方法,其包括:
获取由摄像头采集的障碍物图像;
基于执行器模块控制车辆的各种执行器;以及
通过可通信地连接于所述摄像头和所述执行器模块的中央处理模块对所述障碍物图像进行处理以进行障碍物的类型识别,并通过所述中央处理模块驱动所述执行器模块。
根据本申请的实施例,该线路板包括:摄像头,用于采集障碍物图像;执行器模块,用于控制车辆的各种执行器;以及,中央处理模块,所述中央处理模块可通信连接于所述摄像头和所述执行器模块,所述中央处理模块用于对所述障碍物图像进行处理以进行障碍物的类型识别,且用于驱动所述执行器模块。通过这样的方式,可以帮助车辆自动判断道路上的障碍物类型,从而帮助做出相应的驾驶决策,提高行驶的安全性、舒适性和效率。
根据下面参考附图对示例性实施例的详细说明,本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面,并且用于解释本申请的原理。
图1示出根据本申请的实施例的自动驾驶辅助系统用线路板的框图。
图2示出根据本申请的实施例的自动驾驶辅助系统用线路板中所述中央处理模块的框图。
图3示出根据本申请的实施例的自动驾驶辅助系统用线路板中所述障碍物多尺度特征融合单元的框图。
图4示出根据本申请的实施例的自动驾驶辅助方法的流程图。
图5示出根据本申请的实施例的自动驾驶辅助方法的子步骤S130的架构示意图。
图6示出根据本申请的实施例的自动驾驶辅助方法的应用场景图。
实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
自动驾驶辅助系统是一种利用计算机技术和传感器技术来实现对车辆的部分或完全控制的系统,它可以提高驾驶安全性和效率,降低能耗和污染。自动驾驶辅助系统的核心功能之一是障碍物识别,即能够根据摄像头采集的图像来判断道路上是否存在障碍物,以及障碍物的类型、位置、速度等信息,从而做出相应的控制策略。然而,障碍物识别是一项具有挑战性的任务,因为摄像头采集的图像会受到光照、遮挡、噪声等因素的影响,导致障碍物的特征不明显或不稳定,难以对于障碍物的类型进行有效地识别检测。
针对上述技术问题,本申请的技术构思为通过摄像头采集障碍物图像,并在后端引入图像处理和分析算法来进行所述障碍物图像的分析,以进行障碍物的类型识别,从而做出相应的控制策略。这样,能够帮助车辆自动判断道路上的障碍物类型,以对于自动驾驶进行辅助优化,从而帮助做出相应的驾驶决策,提高行驶的安全性、舒适性和效率,并减少人为错误和事故的风险。
图1示出根据本申请的实施例的自动驾驶辅助系统用线路板的框图示意图。如图1所示,根据本申请实施例的自动驾驶辅助系统用线路板100,包括:摄像头110,用于采集障碍物图像;执行器模块120,用于控制车辆的各种执行器;以及,中央处理模块130,所述中央处理模块130可通信连接于所述摄像头110和所述执行器模块120,所述中央处理模块130用于对所述障碍物图像进行处理以进行障碍物的类型识别,且用于驱动所述执行器模块120。
其中,参照图2,所述中央处理模块130,包括:障碍物特征提取单元131,用于通过基于深度神经网络模型的图像特征提取器对所述障碍物图像进行特征提取以得到障碍物浅层特征图、障碍物中层特征图和障碍物深层特征图;障碍物多尺度特征融合单元132,用于融合所述障碍物浅层特征图、所述障碍物中层特征图和所述障碍物深层特征图以得到障碍物多尺度特征;以及,障碍物类型检测单元133,用于基于所述障碍物多尺度特征,确定所述障碍物的类型标签。
应可以理解,所述中央处理模块130包括障碍物特征提取单元131、障碍物多尺度特征融合单元132和障碍物类型检测单元133三个主要单元。障碍物特征提取单元131的主要功能是将障碍物图像转换为障碍物的浅层特征图、中层特征图和深层特征图,这些特征图捕捉了不同层次的障碍物特征,例如边缘、纹理、形状等。障碍物多尺度特征融合单元132的主要功能是将不同层次的特征图进行组合和整合,以提高对障碍物特征的表示能力和表达能力,通过多尺度特征的融合,可以更全面地描述障碍物的特征信息。障碍物类型检测单元133的主要功能是利用多尺度特征表示来确定障碍物的类型标签,例如行人、车辆、交通标志等。通过输入多尺度特征到分类器中,该单元能够对障碍物进行准确的分类,为系统的决策和规划提供重要的信息。综合来说,障碍物特征提取单元131负责提取障碍物图像的特征,障碍物多尺度特征融合单元132将不同层次的特征进行融合,而障碍物类型检测单元133根据多尺度特征确定障碍物的类型标签,这些单元协同工作,为自动驾驶辅助系统提供了对障碍物的全面理解和分类能力。
具体地,在本申请的技术方案中,首先,获取由摄像头采集的障碍物图像。接着,使用在图像的隐含特征提取方面具有优异表现性能的卷积神经网络模型来进行所述障碍物图像的特征挖掘,特别地,考虑到障碍物在图像中可能具有不同的尺度和细节,使用单一尺度的特征提取可能无法充分捕捉到障碍物的各种特征信息。因此,在本申请的技术方案中,将所述障碍物图像通过基于金字塔网络的图像特征提取器以得到障碍物浅层特征图、障碍物中层特征图和障碍物深层特征图,以此在不同的层次上对障碍物进行建模和描述。具体来说,所述障碍物浅层特征图通常具有较高的分辨率,可以捕捉到障碍物的细节信息,例如边缘、纹理等。这些细节信息对于区分不同类型的障碍物是非常重要的。所述障碍物中层特征图具有中等的分辨率和语义信息,可以捕捉到障碍物的形状、轮廓等特征。这些特征对于识别障碍物的整体结构和形状起着关键作用。所述障碍物深层特征图具有较低的分辨率,但具有更高级的语义信息,可以捕捉到障碍物的高级特征,例如物体的类别、姿态等。这些高级特征对于更准确地识别和分类障碍物非常重要。
相应地,在所述障碍物特征提取单元131中,所述深度神经网络模型为金字塔网络。值得一提的是,金字塔网络(Pyramid Network)是一种用于计算机视觉任务的神经网络架构。金字塔网络的主要思想是通过多尺度的特征表示来提高图像分割的准确性。它利用金字塔结构将输入图像分解为不同尺度的子图像,并在每个尺度上构建一个子网络来提取特征。这些子网络可以共享参数,以减少计算量和内存占用。金字塔网络的结构类似于金字塔,底部是原始图像,顶部是最小尺度的子图像。每个尺度的子网络都会产生一个特征图,然后通过上采样或插值操作将其与较大尺度的特征图进行融合。最终,金字塔网络通过级联或融合多个尺度的特征图来生成最终的预测结果。金字塔网络在图像分割任务中表现出色,特别是在处理具有不同尺度对象的复杂场景时。它能够有效地捕捉到不同尺度的上下文信息,并在预测时进行准确的像素级别分类。需要注意的是,金字塔网络只是计算机视觉中的一种网络架构,还有其他许多用于不同任务的网络架构,如卷积神经网络(Convolutional Neural Network,CNN)、循环神经网络(Recurrent Neural Network,RNN)等。
应可以理解,不同层次和尺度的特征图包含了有关于障碍物的不同层次语义信息和细节特征信息。因此,为了将障碍物的不同层次和尺度的特征信息进行有效的整合和融合,在本申请的技术方案中,进一步使用级联融合模块结构来融合所述障碍物浅层特征图、所述障碍物中层特征图和所述障碍物深层特征图以得到更具表征能力的障碍物多尺度特征图。应可以理解,所述级联融合模块可以通过逐层融合和组合,将低级特征与高级特征进行交互和增强。这样,可以使得特征表达更加鲁棒和有区分度,能够更好地捕捉到障碍物的关键特征,有助于提高障碍物识别的准确性和鲁棒性。
进一步地,为了进一步增强有关于障碍物的多尺度特征之间的关联性和表征能力,以提高障碍物识别的准确性和鲁棒性,在本申请的技术方案中,需要将所述障碍物多尺度特征图通过特征自相关关联强化模块以得到自相关强化障碍物多尺度特征图。应可以理解,所述特征自相关关联强化模块可以通过计算所述障碍物多尺度特征图中不同位置之间的相关性来捕捉有关障碍物特征之间的关系,从而帮助系统更好地理解障碍物的内部结构和组成部分之间的关联关系,以提供更准确和全面的障碍物表征,从而提高障碍物识别的准确性。
相应地,如图3所示,所述障碍物多尺度特征融合单元132,包括:障碍物多尺度特征级联融合子单元1321,用于使用级联融合模块结构来融合所述障碍物浅层特征图、所述障碍物中层特征图和所述障碍物深层特征图以得到障碍物多尺度特征图;以及,自相关特征强化子单元1322,用于将所述障碍物多尺度特征图通过特征自相关关联强化模块以得到自相关强化障碍物多尺度特征图作为所述障碍物多尺度特征。应可以理解,障碍物多尺度特征融合单元132包括障碍物多尺度特征级联融合子单元1321和自相关特征强化子单元1322两个子单元。障碍物多尺度特征级联融合子单元1321的目标是通过级联融合模块结构来融合障碍物的浅层特征图、中层特征图和深层特征图,以生成障碍物的多尺度特征图。级联融合模块结构可以将来自不同层次的特征图进行逐层级联,以获得更丰富的特征表示,通过融合不同尺度的特征图,可以提高对障碍物的表示能力和区分度。自相关特征强化子单元1322的作用是通过特征自相关关联强化模块,将障碍物的多尺度特征图进一步处理,以得到自相关强化的障碍物多尺度特征图。特征自相关关联强化模块可以通过计算特征图中不同位置之间的相关性,将相关性较高的特征进行强化,从而提高特征的表达能力和鲁棒性,这样可以更好地捕捉障碍物的内在结构和上下文信息。综合来说,障碍物多尺度特征级联融合子单元1321用于将不同层次的特征图级联融合,得到多尺度特征图,而自相关特征强化子单元1322用于进一步强化多尺度特征图,以提高特征的表达能力和鲁棒性。这样的设计可以帮助网络更好地理解和表示障碍物的多尺度特征,从而提高视觉任务的准确性和性能。
其中,所述自相关特征强化子单元1322,包括:第一卷积编码二级子单元,用于对所述障碍物多尺度特征图通过所述特征自相关关联强化模块的第一卷积层以得到第一特征图;第二卷积编码二级子单元,用于将所述第一特征图通过所述特征自相关关联强化模块的第二卷积层以得到第二特征图;特征图展开二级子单元,用于将所述第二特征图沿通道维度的各个特征矩阵展开为特征向量以得到第一特征向量的序列;余弦相似度计算二级子单元,用于计算所述第一特征向量的序列中的任意两个第一特征向量之间的余弦相似度以得到余弦相似性特征图;归一化二级子单元,用于将所述余弦相似性特征图通过Softmax函数进行归一化处理以得到归一化余弦相似性特征图;相似度映射二级子单元,用于将所述归一化余弦相似性特征图与所述余弦相似性特征图进行按位置点乘以得到相似度映射优化特征图;第一反卷积编码二级子单元,用于将所述相似度映射优化特征图通过所述特征自相关关联强化模块的第一反卷积层以得到第一反卷积特征图;第一逐元素和计算二级子单元,用于计算所述第一反卷积特征图和所述第一特征图的逐元素和以得到第一融合特征图;第二反卷积编码二级子单元,用于将所述第一融合特征图通过所述特征自相关关联强化模块的第二反卷积层以得到第二反卷积特征图;以及,第二逐元素和计算二级子单元,用于计算所述第二反卷积特征图和所述障碍物多尺度特征图的逐元素和以得到所述自相关强化障碍物多尺度特征图。
继而,再将所述自相关强化障碍物多尺度特征图通过分类器以得到分类结果,所述分类结果用于表示障碍物的类型标签。具体地,所述分类器的分类标签为障碍物的类型标签,因此,在得到所述分类结果后,可以基于所述分类结果来进行障碍物的类型识别,从而做出相应的控制策略。这样,能够帮助车辆自动判断道路上的障碍物类型,以对于自动驾驶进行辅助优化,从而帮助做出相应的驾驶决策,提高行驶的安全性、舒适性和效率,并减少人为错误和事故的风险。
相应地,所述障碍物类型检测单元133,用于:将所述自相关强化障碍物多尺度特征图通过分类器以得到分类结果,所述分类结果用于表示障碍物的类型标签。应可以理解,障碍物类型检测单元133的作用是将经过自相关强化的障碍物多尺度特征图输入到分类器中,以获得对障碍物类型的分类结果。分类器是一种机器学习模型,它学习从输入数据中提取特征,并将其映射到不同的类别或标签。分类器的主要功能是通过学习从输入特征到输出类别的映射关系,对输入数据进行分类。在自动驾驶辅助系统中,分类器用于将自相关强化的障碍物多尺度特征图映射到不同的障碍物类型标签,例如行人、车辆、交通标志等。
分类器可以采用不同的机器学习算法来实现,包括但不限于支持向量机(SVM)、决策树、随机森林、神经网络等。这些算法可以根据具体任务的需求和数据的特点进行选择。训练分类器的过程涉及使用已标注的训练数据集来学习分类器的参数和决策边界,使其能够准确地将输入特征映射到正确的类别。训练数据集通常包含已知类别的样本和对应的标签。通过优化分类器的参数,使其在训练数据上达到较高的分类准确率。一旦分类器训练完成,就可以将自相关强化的障碍物多尺度特征图输入到分类器中,得到障碍物的类型标签。这些标签可以指示障碍物是何种类型,从而为自动驾驶辅助系统的决策和规划提供重要的信息,例如避让行人、保持与车辆的安全距离等。换言之,分类器在自动驾驶辅助系统中起到将输入特征映射到不同类别标签的作用,用于识别和分类障碍物的类型,为系统的决策和行为生成提供必要的信息。
分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
进一步地,在本申请的技术方案中,所述的自动驾驶辅助系统用线路板,其还包括用于对所述基于金字塔网络的图像特征提取器、所述级联融合模块结构、所述特征自相关关联强化模块和所述分类器进行训练的训练模块。应可以理解,训练模块在自动驾驶辅助系统中的作用是对所述基于金字塔网络的图像特征提取器、级联融合模块结构、特征自相关关联强化模块和分类器进行训练。它是系统的一个关键组件,用于学习和优化网络的参数,以使系统能够准确地执行特定的任务。训练模块的主要功能包括以下几个方面:1.数据准备:训练模块负责准备用于训练的数据集。这可能涉及收集和标注大量的图像数据,以及将其划分为训练集和验证集。2.网络初始化:训练模块初始化基于金字塔网络的图像特征提取器、级联融合模块结构、特征自相关关联强化模块和分类器的初始参数。这些参数通常是随机初始化的。3.前向传播:训练模块通过将训练数据输入到网络中,实现网络的前向传播过程。这意味着数据从输入层经过各个层次的处理,最终生成预测结果。4.计算损失:训练模块计算预测结果与真实标签之间的损失或误差。损失函数通常根据具体任务的要求而定,例如交叉熵损失函数用于分类任务,均方误差损失函数用于回归任务等。5.反向传播:训练模块通过反向传播算法计算损失函数对网络参数的梯度。这些梯度表示了网络参数对于损失的贡献程度,可以用于更新网络参数。6.参数优化:训练模块使用优化算法(如随机梯度下降)根据梯度信息来更新网络参数,使损失函数逐渐减小。这个过程被称为参数优化或模型训练。7.迭代训练:训练模块通过多次迭代的训练过程,不断调整网络参数,使网络能够逐渐学习到更好的特征表示和预测能力。通过训练模块的训练过程,自动驾驶辅助系统可以逐渐提高对图像特征的提取能力和判断准确性,从而在实际应用中更可靠地实现障碍物检测、分类和决策等功能。
在一个示例中,所述训练模块,包括:训练数据采集单元,用于获取训练数据,所述训练数据包括训练障碍物图像,以及,所述障碍物的类型标签的真实值;训练障碍物图像特征提取单元,用于将所述训练障碍物图像通过所述基于金字塔网络的图像特征提取器以得到训练障碍物浅层特征图、训练障碍物中层特征图和训练障碍物深层特征图;训练障碍物图像多尺度特征融合单元,用于使用所述级联融合模块结构来融合所述训练障碍物浅层特征图、所述训练障碍物中层特征图和所述训练障碍物深层特征图以得到训练障碍物多尺度特征图;训练障碍物多尺度特征自相关关联强化单元,用于将所述训练障碍物多尺度特征图通过所述特征自相关关联强化模块以得到训练自相关强化障碍物多尺度特征图;分类损失单元,用于将所述训练自相关强化障碍物多尺度特征图通过所述分类器以得到分类损失函数值;以及,模型训练单元,用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于金字塔网络的图像特征提取器、所述级联融合模块结构、所述特征自相关关联强化模块和所述分类器进行训练,其中,在所述训练的每次权重矩阵迭代时,基于所述训练自相关强化障碍物多尺度特征图展开后得到的训练自相关强化障碍物多尺度特征向量进行权重矩阵的优化。
其中,所述分类损失单元,用于:通过所述分类器以如下训练分类公式对所述训练自相关强化障碍物多尺度特征图进行处理以生成训练分类结果;其中,所述训练分类公式为:
特别地,在本申请的技术方案中,所述训练障碍物浅层特征图、所述训练障碍物中层特征图和所述训练障碍物深层特征图用于表达所述训练障碍物图像的基于金字塔网络的不同尺度和不同深度的图像语义特征,由此,在使用级联融合模块结构后,所述训练障碍物多尺度特征图可以在其特征矩阵空间分布维度上表达多尺度和多深度图像语义特征,而在通道维度上表达基于金字塔网络的卷积神经网络模型的跨尺度-深度通道分布,这样,将所述训练障碍物多尺度特征图通过特征自相关关联强化模块后,得到的所述训练自相关强化障碍物多尺度特征图可以对于所述训练障碍物多尺度特征图的沿通道的特征向量进一步基于多尺度和多深度图像语义特征空间维度分布来进行自相关关联强化,从而提升所述训练自相关障碍物多尺度特征图在通道维度上的特征整体空间分布关联效果,也就是,提升了所述训练自相关强化障碍物多尺度特征图的通道维度上的表达效果。
但同时,这也使得所述训练自相关强化障碍物多尺度特征图在整体的特征图分布维度上,在特征矩阵内的多尺度-多深度图像语义特征空间分布和特征矩阵间的跨尺度-深度特征通道分布上均具有分布维度关联密集的特征表示,导致在所述训练自相关强化障碍物多尺度特征图通过分类器进行分类回归训练时,所述分类器的权重矩阵的训练效率降低。
基于此,本申请的申请人在将所述训练自相关强化障碍物多尺度特征图通过分类器进行分类回归的训练时,首先将所述训练自相关强化障碍物多尺度特征图展开为自相关强化障碍物多尺度特征向量,在基于所述训练自相关强化障碍物多尺度特征向量进行分类器的权重矩阵的优化。
相应地,在一个具体示例中,在所述训练的每次权重矩阵迭代时,以如下优化公式对基于所述训练自相关强化障碍物多尺度特征图展开后得到的训练自相关强化障碍物多尺度特征向量进行权重矩阵的优化以得到优化训练自相关强化障碍物多尺度特征图;其中,所述优化公式为:
其中,
也就是,考虑到在进行基于待分类的训练自相关强化障碍物多尺度特征向量
综上,基于本申请实施例的自动驾驶辅助系统用线路板100被阐明,其可以帮助车辆自动判断道路上的障碍物类型,以对于自动驾驶进行辅助优化,从而帮助做出相应的驾驶决策,提高行驶的安全性、舒适性和效率,并减少人为错误和事故的风险。
如上所述,根据本申请实施例的所述自动驾驶辅助系统用线路板100可以实现在各种终端设备中,例如具有自动驾驶辅助算法的服务器等。在一个示例中,自动驾驶辅助系统用线路板100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该自动驾驶辅助系统用线路板100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该自动驾驶辅助系统用线路板100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该自动驾驶辅助系统用线路板100与该终端设备也可以是分立的设备,并且该自动驾驶辅助系统用线路板100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图4示出根据本申请的实施例的自动驾驶辅助方法的流程图。如图4所示,根据本申请实施例的自动驾驶辅助方法,其包括:S110,获取由摄像头采集的障碍物图像;S120,基于执行器模块控制车辆的各种执行器;以及,S130,通过可通信地连接于所述摄像头和所述执行器模块的中央处理模块对所述障碍物图像进行处理以进行障碍物的类型识别,并通过所述中央处理模块驱动所述执行器模块。
图5示出根据本申请的实施例的自动驾驶辅助方法的子步骤S130的系统架构的示意图。如图5所示,在一种可能的实现方式中,通过可通信地连接于所述摄像头和所述执行器模块的中央处理模块对所述障碍物图像进行处理以进行障碍物的类型识别,并通过所述中央处理模块驱动所述执行器模块,包括:通过基于深度神经网络模型的图像特征提取器对所述障碍物图像进行特征提取以得到障碍物浅层特征图、障碍物中层特征图和障碍物深层特征图;融合所述障碍物浅层特征图、所述障碍物中层特征图和所述障碍物深层特征图以得到障碍物多尺度特征;以及,基于所述障碍物多尺度特征,确定所述障碍物的类型标签。
这里,本领域技术人员可以理解,上述自动驾驶辅助方法中的各个步骤的具体操作已经在上面参考图1到图3的自动驾驶辅助系统用线路板的描述中得到了详细介绍,并因此,将省略其重复描述。
图6示出根据本申请的实施例的自动驾驶辅助方法的应用场景图。如图6所示,在该应用场景中,首先,获取由摄像头采集的障碍物图像(例如,图6中所示意的D),然后,将所述障碍物图像输入至部署有自动驾驶辅助算法的服务器(例如,图6中所示意的S)中,其中,所述服务器能够使用所述自动驾驶辅助算法对所述障碍物图像进行处理以得到用于表示障碍物的类型标签的分类结果。
附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
- 一种辅助自动驾驶的座椅及其自动驾驶方法
- 线路板的板边设计方法、线路板的设计方法及线路板
- 自动驾驶和驾驶辅助系统、自动驾驶辅助装置、自动驾驶车辆、自动驾驶和驾驶辅助方法、自动驾驶辅助方法、自动驾驶方法、自动驾驶辅助程序和自动驾驶程序
- 自动驾驶辅助装置、自动驾驶辅助系统、自动驾驶辅助方法及自动驾驶辅助程序