【技術實現步驟摘要】
本申請涉及自動駕駛，具體而言，涉及一種車輛自動駕駛控制方法及裝置。
技術介紹
1、近年來，自動駕駛技術的迅猛發展與人工智能、計算機視覺和深度學習的進步密切相關。傳統的自動駕駛系統普遍采用cnn(convolutional?neural?networks，卷積神經網絡)或resnet(residual?network，殘差網絡)進行圖像處理和識別，以實現對周圍環境的理解和決策制定。然而，隨著技術的發展，vit(vision?transformer，視覺轉換器)模型憑借其在處理圖像序列數據方面的優越性能，開始受到越來越多研究者和工程師的關注。但vit模型的結構相對復雜，對于需要實時處理大量數據但是計算資源有限的車載系統來說，使用vit模型可能導致數據處理速度較慢和能源消耗較高的問題。另外，在自動駕駛過程中，車輛可能會進入地下車庫、涵洞等衛星導航信號較差的區域，導致無法準確獲取車輛的定位信息，進而影響車輛行駛安全。
2、針對上述的問題，目前尚未提出有效的解決方案。
技術實現思路
1、本申請實施例提供了一種車輛自動駕駛控制方法及裝置，以至少解決相關自動駕駛方案中使用vit模型進行圖像識別時占用資源較多、處理效率較慢的技術問題。
2、根據本申請實施例的一個方面，提供了一種車輛自動駕駛控制方法，包括：獲取車輛實時的位姿信息，并獲取車輛實時的周圍環境圖像；利用目標圖像識別模型對周圍環境圖像進行分析，確定車輛周圍的障礙物信息，其中，目標圖像識別模型是將標準的vit模型中的自
3、可選地，獲取車輛實時的位姿信息，包括：在未檢測到衛星導航信號的情況下，獲取車載終端上的慣性導航系統中的測量參數，并依據測量參數確定車輛實時的位姿信息；在檢測到衛星導航信號的情況下，依據衛星導航信號確定車輛實時的位姿信息，并依據衛星導航信號調整慣性導航系統中的測量參數的累積誤差。
4、可選地，獲取車載終端上的慣性導航系統中的測量參數，并依據測量參數確定車輛實時的位姿信息，包括：獲取車載終端上的慣性導航系統測量得到的目標參數，并依據目標參數確定航位推算信息，其中，目標參數包括以下至少之一：車輛的初始位置、初始航向、行駛速度、行駛時間、加速度、角速度；獲取車載終端的安裝角度信息、非完整性約束支架信息和磁航向修正信息；利用基于相關熵的自適應擴展卡爾曼濾波算法對航位推算信息、安裝角度信息、非完整性約束支架信息和磁航向修正信息進行融合，得到車輛實時的位姿信息。
5、可選地，目標圖像識別模型的訓練過程包括：獲取標準的vit模型，并將vit模型中的自注意力機制替換為performer注意力機制，得到第一模型；對第一模型中的權重進行剪枝，得到第二模型；獲取車輛行駛過程中采集的多張環境圖像，對每張環境圖像進行圖像增強處理，得到多個訓練樣本，并對每個訓練樣本中的障礙物進行標注，作為樣本標簽；將多個訓練樣本劃分為訓練集和驗證集；利用訓練集對第二模型進行迭代訓練，并利用驗證集對第二模型的訓練結果進行驗證，得到目標圖像識別模型。
6、可選地，對第一模型中的權重進行剪枝，得到第二模型，包括：確定第一模型中的各個神經元連接的權重的l1范數；確定l1范數小于預設閾值的權重為目標權重，或，按照l1范數從大到小對各個神經元連接的權重進行排序，確定排序在后的預設比例的權重為目標權重；對目標權重進行剪枝，將目標權重的值調整為0；依據剪枝結果調整模型超參數，得到第二模型。
7、可選地，對每張環境圖像進行圖像增強處理，包括：對于每張環境圖像，隨機生成至少一個第一預設形狀、第一目標大小、第一陰影強度的陰影區域覆蓋在環境圖像上，其中，第一目標大小在第一預設大小范圍內隨機取值，第一陰影強度在預設陰影強度范圍內隨機取值；和/或，隨機選擇環境圖像中的至少一個第二預設形狀、第二目標大小的目標區域，將目標區域填充為黑色，其中，第二目標大小在第二預設大小范圍內隨機取值；和/或，對于環境圖像中的每個像素，利用目標調整系數對像素的亮度進行調整，其中，目標調整系數在預設調整系數范圍內隨機取值。
8、可選地，利用訓練集對第二模型進行迭代訓練，并利用驗證集對第二模型的訓練結果進行驗證，得到目標圖像識別模型，包括：在每個訓練批次中，將訓練批次對應的訓練樣本依次輸入第二模型，得到第二模型的識別結果；依據識別結果和樣本標簽確定目標損失函數，并通過最小化損失函數的方式調整第二模型的模型參數；利用驗證集對訓練后的第二模型進行驗證，得到驗證結果；在迭代訓練達到預設次數，或驗證結果滿足預設收斂條件時，停止模型訓練，并將得到的模型作為目標圖像識別模型。
9、根據本申請實施例的另一方面，還提供了一種車輛自動駕駛控制裝置，包括：獲取模塊，用于獲取車輛實時的位姿信息，并獲取車輛實時的周圍環境圖像；分析模塊，用于利用目標圖像識別模型對周圍環境圖像進行分析，確定車輛周圍的障礙物信息，其中，目標圖像識別模型是將標準的vit模型中的自注意力機制替換為performer注意力機制，并對調整后的模型中的權重進行l1范數剪枝所得到的模型；控制模塊，用于依據位姿信息和障礙物信息調整車輛的行駛方向。
10、根據本申請實施例的另一方面，還提供了一種計算機程序產品，該計算機程序產品包括：計算機程序，其中，計算機程序被處理器執行時實現上述的車輛自動駕駛控制方法。
11、根據本申請實施例的另一方面，還提供了一種電子設備，該電子設備包括：存儲器和處理器，其中，存儲器中存儲有計算機程序，處理器被配置為通過計算機程序執行上述的車輛自動駕駛控制方法。
12、在本申請實施例中，對現有的vit模型進行了改進，通過將標準的vit模型中的自注意力機制替換為performer注意力機制，可以降低注意力計算復雜度，再對調整后的模型進行權重剪枝，可以減少模型計算的參數數量，進一步提升計算效率；在實際車輛自動駕駛控制過程中，可以獲取車輛實時的位姿信息，并獲取車輛實時的周圍環境圖像，然后利用訓練好的目標圖像識別模型對周圍環境圖像進行分析，確定車輛周圍的障礙物信息，之后依據位姿信息和障礙物信息調整車輛的行駛方向，可以保證車輛安全行駛。本申請方案有效解決了相關自動駕駛方案中使用vit模型進行圖像識別時占用資源較多、處理效率較慢的技術問題。
本文檔來自技高網...【技術保護點】
1.一種車輛自動駕駛控制方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，獲取車輛實時的位姿信息，包括：
3.根據權利要求2所述的方法，其特征在于，獲取車載終端上的慣性導航系統中的測量參數，并依據所述測量參數確定所述車輛實時的位姿信息，包括：
4.根據權利要求1所述的方法，其特征在于，所述目標圖像識別模型的訓練過程包括：
5.根據權利要求4所述的方法，其特征在于，對所述第一模型中的權重進行剪枝，得到第二模型，包括：
6.根據權利要求4所述的方法，其特征在于，對每張所述環境圖像進行圖像增強處理，包括：
7.根據權利要求4所述的方法，其特征在于，利用所述訓練集對所述第二模型進行迭代訓練，并利用所述驗證集對所述第二模型的訓練結果進行驗證，得到所述目標圖像識別模型，包括：
8.一種車輛自動駕駛控制裝置，其特征在于，包括：
9.一種計算機程序產品，其特征在于，包括：計算機程序，其中，所述計算機程序被處理器執行時實現權利要求1至7中任意一項所述的車輛自動駕駛控制方法。
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。