推理车道的方法、训练车道推理模型的方法及装置与流程

技术特征：
1.一种推理车道的方法，其特征在于，包括：获取车辆的多种不同类型的传感器的检测结果；对所述检测结果进行坐标系转换，得到位于同一个坐标系下的交通元素数据；使用预设的神经网络模型，基于所述交通元素数据进行车道推理，得到所述车辆的车道。2.根据权利要求1所述的方法，其特征在于，所述交通元素数据为交通元素的轮廓、位置和/或运动轨迹，所述交通元素包括车道标识线、所述车辆周围的其他车辆、行人、道路或交通灯中的一种或多种。3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：根据所述交通元素数据确定环境感知图像，所述环境感知图像用于指示所述车辆周围的环境及所述交通元素，所述环境感知图像包括环视图像或前视图像中的至少一种；其中，所述使用预设的神经网络模型，基于所述交通元素数据进行车道推理，得到所述车辆的车道，包括：使用预设的神经网络模型，基于所述环境感知图像进行车道推理，得到所述车辆的车道。4.根据权利要求1至3中任一项所述的方法，其特征在于，所述使用预设的神经网络模型，基于所述交通元素数据进行车道推理，得到所述车辆的车道，包括：使用预设的神经网络模型，基于所述交通元素数据和车辆的驾驶意图进行车道推理，得到所述车辆的车道，所述车辆的驾驶意图用于指示所述车辆待行驶的路线。5.根据权利要求4所述的方法，其特征在于，所述车辆的驾驶意图为所述车辆待行驶的车道的路线示意图或车辆语义指示，所述车辆语义指示用于指示所述车辆的行驶方向、行驶车道或行驶路口中的至少一种。6.根据权利要求1至5中任一项所述的方法，其特征在于，所述车辆的车道通过所述车道的中心线和所述车道的宽度表示，或者，所述车辆的车道通过路面代价图表示。7.一种训练车道推理模型的方法，其特征在于，包括：获取车辆的多种不同类型的传感器的检测结果；对所述检测结果进行坐标系转换，得到位于同一个坐标系下的交通元素数据；使用车道推理模型，基于所述交通元素数据进行车道推理，得到所述车辆的车道；根据所述车辆的车道，调整所述车道推理模型的参数。8.根据权利要求7所述的方法，其特征在于，所述交通元素数据为交通元素的轮廓、位置和/或运动轨迹，所述交通元素包括车道标识线、所述车辆周围的其他车辆、行人、道路或交通灯中的一种或多种。9.根据权利要求7或8所述的方法，其特征在于，所述方法还包括：根据所述交通元素数据确定环境感知图像，所述环境感知图像用于指示所述车辆周围的环境及所述交通元素，所述环境感知图像包括环视图像或前视图像中的至少一种；其中，所述使用车道推理模型，基于所述交通元素数据进行车道推理，得到所述车辆的车道，包括：使用所述车道推理模型，基于所述环境感知图像进行车道推理，得到所述车辆的车道。10.根据权利要求7至9中任一项所述的方法，其特征在于，所述使用车道推理模型，基
于所述交通元素数据进行车道推理，得到所述车辆的车道，包括：使用所述车道推理模型，基于所述交通元素数据和车辆的驾驶意图进行车道推理，得到所述车辆的车道，所述车辆的驾驶意图用于指示所述车辆待行驶的路线。11.根据权利要求10所述的方法，其特征在于，所述车辆的驾驶意图为所述车辆待行驶的车道的路线示意图或车辆语义指示，所述车辆语义指示用于指示所述车辆的行驶方向、行驶车道或行驶路口中的至少一种。12.根据权利要求7至11中任一项所述的方法，其特征在于，所述车辆的车道通过所述车道的中心线和所述车道的宽度表示，或者，所述车辆的车道通过路面代价图表示。13.一种推理车道的装置，其特征在于，包括：获取单元，用于获取车辆的多种不同类型的传感器的检测结果；转换单元，用于对所述检测结果进行坐标系转换，得到位于同一个坐标系下的交通元素数据；车道推理单元，用于使用预设的神经网络模型，基于所述交通元素数据进行车道推理，得到所述车辆的车道。14.根据权利要求13所述的装置，其特征在于，所述交通元素数据为交通元素的轮廓、位置和/或运动轨迹，所述交通元素包括车道标识线、所述车辆周围的其他车辆、行人、道路或交通灯中的一种或多种。15.根据权利要求13或14所述的装置，其特征在于，所述装置还包括叠加单元，用于：根据所述交通元素数据确定环境感知图像，所述环境感知图像用于指示所述车辆周围的环境及所述交通元素，所述环境感知图像包括环视图像或前视图像中的至少一种；其中，所述车道推理单元具体用于：使用预设的神经网络模型，基于所述环境感知图像进行车道推理，得到所述车辆的车道。16.根据权利要求13至15中任一项所述的装置，其特征在于，所述车道推理单元具体用于：使用预设的神经网络模型，基于所述交通元素数据和车辆的驾驶意图进行车道推理，得到所述车辆的车道，所述车辆的驾驶意图用于指示所述车辆待行驶的路线。17.根据权利要求16所述的装置，其特征在于，所述车辆的驾驶意图为所述车辆待行驶的车道的路线示意图或车辆语义指示，所述车辆语义指示用于指示所述车辆的行驶方向、行驶车道或行驶路口中的至少一种。18.根据权利要求13至17中任一项所述的装置，其特征在于，所述车辆的车道通过所述车道的中心线和所述车道的宽度表示，或者，所述车辆的车道通过路面代价图表示。19.一种训练车道推理模型的装置，其特征在于，包括：获取单元，用于获取车辆的多种不同类型的传感器的检测结果；转换单元，用于对所述检测结果进行坐标系转换，得到位于同一个坐标系下的交通元素数据；车道推理单元，用于使用车道推理模型，基于所述交通元素数据进行车道推理，得到所述车辆的车道；调整单元，用于根据所述车辆的车道，调整所述车道推理模型的参数。
20.根据权利要求19所述的装置，其特征在于，所述交通元素数据为交通元素的轮廓、位置和/或运动轨迹，所述交通元素包括车道标识线、所述车辆周围的其他车辆、行人、道路或交通灯中的一种或多种。21.根据权利要求19或20所述的装置，其特征在于，所述装置还包括叠加单元，用于：根据所述交通元素数据确定环境感知图像，所述环境感知图像用于指示所述车辆周围的环境及所述交通元素，所述环境感知图像包括环视图像或前视图像中的至少一种；其中，所述车道推理单元具体用于：使用所述车道推理模型，基于所述环境感知图像进行车道推理，得到所述车辆的车道。22.根据权利要求19至21中任一项所述的装置，其特征在于，所述车道推理单元具体用于：使用所述车道推理模型，基于所述交通元素数据和车辆的驾驶意图进行车道推理，得到所述车辆的车道，所述车辆的驾驶意图用于指示所述车辆待行驶的路线。23.根据权利要求22所述的装置，其特征在于，所述车辆的驾驶意图为所述车辆待行驶的车道的路线示意图或车辆语义指示，所述车辆语义指示用于指示所述车辆的行驶方向、行驶车道或行驶路口中的至少一种。24.根据权利要求19至23中任一项所述的装置，其特征在于，所述车辆的车道通过所述车道的中心线和所述车道的宽度表示，或者，所述车辆的车道通过路面代价图表示。25.一种推理车道的装置，其特征在于，包括处理器和存储器，所述存储器用于存储程序指令，所述处理器用于调用所述程序指令来执行权利要求1至6中任一项所述的方法。26.一种训练车道推理模型的装置，其特征在于，包括处理器和存储器，所述存储器用于存储程序指令，所述处理器用于调用所述程序指令来执行权利要求7至12中任一项所述的方法。27.一种汽车，其特征在于，包括权利要求13至26任一项所述的装置。28.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序指令，当所述程序指令由处理器运行时，实现权利要求1至12中任一项所述的方法。29.一种芯片，其特征在于，所述芯片包括处理器与数据接口，所述处理器通过所述数据接口读取存储器上存储的指令，以执行如权利要求1至12中任一项所述的方法。

技术总结
本申请涉及人工智能领域中自动驾驶领域的环境认知技术，提供了一种推理车道的方法、训练车道推理模型的方法及装置。该方法包括：获取车辆的多种不同类型的传感器的检测结果；对所述检测结果进行坐标系转换，得到位于同一个坐标系下的交通元素数据；使用预设的神经网络模型，基于所述交通元素数据进行车道推理，得到所述车辆的车道。本申请实施例中的方法，有助于降低用于车道推理的神经网络模型的复杂度。杂度。杂度。


技术研发人员：丁洁云 高伟 陶永祥 徐冶 熊健晖 魏龙辉
受保护的技术使用者：华为技术有限公司
技术研发日：2020.07.02
技术公布日：2022/1/21