【技術實現步驟摘要】
本專利技術屬于智能駕駛，具體涉及一種自動駕駛的場景類型識別方法、裝置及計算機可讀存儲介質。
技術介紹
1、為了實現更廣泛的汽車機器人功能，有必要針對性地對認知模塊進行設計開發，其中場景理解是認知的一部分。場景理解負責根據感知、地圖、定位的環境和自車數據，識別自車所處場地屬于哪一類人為定義的場景，支持決策規劃模塊針對特定場景執行相應的決策規劃控制任務。
2、場景理解的第1階段功能需要實現場景類型識別，場景類型包括場地類型(如收費站或停車場)、任務階段類型(如收費站場景中判斷自車是到達了車道入口選擇階段還是通過欄桿階段)，不同的場景有不同的場地，不同場地有不同的任務階段，不同任務階段有不同的狀態和任務。場景理解的第2階段功能是理解自車所處場景，以及該場景下的所需完成的任務以及執行流程；第3階段功能是檢查自車任務完成情況、判斷是否執行下一任務；第4階段功能是在任務完成后更新認知場景完成場景切換，并下發指令到決策規劃模塊完成功能切換，如由城市道路場景功能切換至高速道路場景功能。
3、目前，用于高速域、城市域、泊車域“三域融通”、汽車機器人功能開發的場景理解方法，仍無明確公開的成熟的技術方案呈現。已知的l2++級泊車場景理解方案采用定位和地圖信息進行場景理解，不具有泛化性，僅適用于預先設定的場景，使用范圍有限，無法進行無地圖、輕地圖和無預設定信息的場景理解。
技術實現思路
1、本專利技術實施例所要解決的技術問題在于，提供一種自動駕駛的場景類型識別方法、裝置及計算機可讀
2、為解決上述技術問題，本專利技術提供一種自動駕駛的場景類型識別方法，包括：
3、當車輛進入某一場景時，基于自車定位獲取所述場景的地圖標注數據，并根據所述地圖標注數據得到場景類型；
4、如果未獲得所述場景的地圖標注數據，則獲取對所述場景感知的圖像數據并進行識別，得到識別出的場景類型；
5、如果圖像識別的置信度不滿足預設要求，則將所述圖像數據通過預訓練的bev深度預測模型得到二維圖像像素點的深度信息，并形成所述場景的深度分布，再將所述深度分布轉換到bev空間，得到所述場景的環視bev數據；將所述環視bev數據輸入到預訓練的場景類型識別模型，得到識別出的場景類型。
6、通過上述步驟可知，本專利技術實施例使用地圖場景標注、圖像識別、bev感知三個機制實現在有地圖場景標注信息和無地圖、輕地圖場景標注信息兩種情況下的場景類型識別，提高了場景識別的可靠性；同時通過三個機制串行的方式盡可能以最小的算力實現場景理解功能，最大程度確保場景理解功能可生成場景屬性結果。
7、優選地，所述bev深度預測模型在訓練時，采用利用根號3細分曲面算法補充了深度信息的像素點與具有lidar點云深度信息的像素點作為訓練樣本。
8、優選地，所述利用根號3細分曲面算法補充深度信息，具體包括：
9、將獲取的lidar點云數據中任一lidar點和與其最近的兩個lidar點相連，形成一個由多個三角形面拼接而成的多面體；
10、使用根號3細分曲面算法對所述多面體的三角形表面進行多次細分，得到表征二維圖像所有像素點三維輪廓的近似曲面網格；
11、根據所述近似曲面網格，計算每一個像素點的深度信息。
12、優選地，使用根號3細分曲面算法對所述多面體的三角形表面進行多次細分，具體包括：每次細分時，對每個三角形插入一個新頂點，將新頂點作為原三角形的重心，新頂點與原三角形的三個頂點相連，得到了3個新的三角形，再去掉原三角形的三條邊。
13、優選地，所述根據所述近似曲面網格，計算每一個像素點的深度信息，具體包括：對每一個像素點確定其在所述近似曲面網格中對應的三角形，利用所述三角形的頂點信息和所述像素點在所述三角形內的位置，通過插值方法估算所述像素點的深度信息。
14、本專利技術還提供一種自動駕駛的場景類型識別裝置，包括：
15、地圖場景標注識別模塊，用于當車輛進入某一場景時，基于自車定位獲取所述場景的地圖標注數據，并根據所述地圖標注數據得到場景類型；
16、圖像識別模塊，用于如果未獲得所述場景的地圖標注數據，則獲取對所述場景感知的圖像數據并進行識別，得到識別出的場景類型；
17、bev識別模塊，用于如果圖像識別的置信度不滿足預設要求，則將所述圖像數據通過預訓練的bev深度預測模型得到二維圖像像素點的深度信息，并形成所述場景的深度分布，再將所述深度分布轉換到bev空間，得到所述場景的環視bev數據；將所述環視bev數據輸入到預訓練的場景類型識別模型，得到識別出的場景類型。
18、優選地，所述bev深度預測模型在訓練時，采用利用根號3細分曲面算法補充了深度信息的像素點與具有lidar點云深度信息的像素點作為訓練樣本。
19、優選地，所述利用根號3細分曲面算法補充深度信息，具體包括：
20、將獲取的lidar點云數據中任一lidar點和與其最近的兩個lidar點相連，形成一個由多個三角形面拼接而成的多面體；
21、使用根號3細分曲面算法對所述多面體的三角形表面進行多次細分，得到表征二維圖像所有像素點三維輪廓的近似曲面網格；
22、根據所述近似曲面網格，計算每一個像素點的深度信息。
23、優選地，使用根號3細分曲面算法對所述多面體的三角形表面進行多次細分，具體包括：每次細分時，對每個三角形插入一個新頂點，將新頂點作為原三角形的重心，新頂點與原三角形的三個頂點相連，得到了3個新的三角形，再去掉原三角形的三條邊。
24、本專利技術還提供一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質包括存儲的計算機程序；其中，所述計算機程序在運行時控制所述計算機可讀存儲介質所在的設備執行所述的自動駕駛的場景類型識別方法。
25、實施本專利技術具有如下有益效果：使用地圖場景標注、圖像識別、bev感知三個機制實現在有地圖場景標注信息和無地圖、輕地圖場景標注信息兩種情況下的場景類型識別，提高了場景識別的可靠性；同時通過三個機制串行的方式盡可能以最小的算力實現場景理解功能，最大程度確保場景理解功能可生成場景屬性結果。對bev感知方法進行了改進，使用根號3細分曲面算法對二維圖像的像素點深度信息進行補充，使得最終的bev深度分布預測結果的還原度更高。本專利技術可為決策規劃模塊提供場景類別信息，使得決策規劃模塊可更好地完成特定場景下的任務，提高點到點的自動駕駛能力，以及為高速、城市、泊車場景的“三域融通”提供前提條件和認知基礎，提升用戶乘坐體驗。
本文檔來自技高網...【技術保護點】
1.一種自動駕駛的場景類型識別方法，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，所述BEV深度預測模型在訓練時，采用利用根號3細分曲面算法補充了深度信息的像素點與具有LiDAR點云深度信息的像素點作為訓練樣本。
3.根據權利要求2所述的方法，其特征在于，所述利用根號3細分曲面算法補充深度信息，具體包括：
4.根據權利要求3所述的方法，其特征在于，使用根號3細分曲面算法對所述多面體的三角形表面進行多次細分，具體包括：每次細分時，對每個三角形插入一個新頂點，將新頂點作為原三角形的重心，新頂點與原三角形的三個頂點相連，得到了3個新的三角形，再去掉原三角形的三條邊。
5.根據權利要求3所述的方法，其特征在于，所述根據所述近似曲面網格，計算每一個像素點的深度信息，具體包括：對每一個像素點確定其在所述近似曲面網格中對應的三角形，利用所述三角形的頂點信息和所述像素點在所述三角形內的位置，通過插值方法估算所述像素點的深度信息。
6.一種自動駕駛的場景類型識別裝置，其特征在于，包括：
7.根據權利要求6所述的
8.根據權利要求7所述的裝置，其特征在于，所述利用根號3細分曲面算法補充深度信息，具體包括：
9.根據權利要求8所述的裝置，其特征在于，使用根號3細分曲面算法對所述多面體的三角形表面進行多次細分，具體包括：每次細分時，對每個三角形插入一個新頂點，將新頂點作為原三角形的重心，新頂點與原三角形的三個頂點相連，得到了3個新的三角形，再去掉原三角形的三條邊。
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質包括存儲的計算機程序；其中，所述計算機程序在運行時控制所述計算機可讀存儲介質所在的設備執行如權利要求1～5任一項所述的自動駕駛的場景類型識別方法。
...【技術特征摘要】
1.一種自動駕駛的場景類型識別方法，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，所述bev深度預測模型在訓練時，采用利用根號3細分曲面算法補充了深度信息的像素點與具有lidar點云深度信息的像素點作為訓練樣本。
3.根據權利要求2所述的方法，其特征在于，所述利用根號3細分曲面算法補充深度信息，具體包括：
4.根據權利要求3所述的方法，其特征在于，使用根號3細分曲面算法對所述多面體的三角形表面進行多次細分，具體包括：每次細分時，對每個三角形插入一個新頂點，將新頂點作為原三角形的重心，新頂點與原三角形的三個頂點相連，得到了3個新的三角形，再去掉原三角形的三條邊。
5.根據權利要求3所述的方法，其特征在于，所述根據所述近似曲面網格，計算每一個像素點的深度信息，具體包括：對每一個像素點確定其在所述近似曲面網格中對應的三角形，利用所述三角形的頂點信息和所述像素點在所述三角形內的位置，通過插值方法估算所述像...
【專利技術屬性】
技術研發人員：徐宇宏，杭宸，鐘斌，夏鋅，葉子亮，黨東方，
申請(專利權)人：廣州汽車集團股份有限公司，
類型：發明
國別省市：
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。