[发明专利]泊车信息获取方法及装置、泊车方法及装置

说明书

本申请提供了一种泊车信息获取方法及装置、泊车方法及装置，该泊车信息获取方法包括：获取待泊车车辆所处位置的鸟瞰图；将鸟瞰图输入至预先构建的信息获取模型中，得到泊车信息；其中，信息获取模型基于多任务神经网络预先建立得到，多任务神经网络包括共享编码层和多个任务神经网络，多个任务神经网络共享该共享编码层。可见，本申请方案中，预先基于多任务神经网络构建信息获取模型，将鸟瞰图输入至信息获取模型，可以直接得到泊车信息，由于只需运行信息获取模型，占用的计算资源较少，因此无需对信息获取模型进行大量裁剪，从而提高了泊车信息的准确度，以及泊车信息的获取效率。

技术领域

本申请涉及自动驾驶技术领域，尤其涉及一种泊车信息获取方法及装置、泊车方法及装置。

背景技术

在自动驾驶领域中，自主泊车越来越成为智能车辆的标配，自动驾驶车辆基于所获取的泊车信息，规划出泊车路径并控制车辆运动，最终将车辆泊入闲车位。

泊车信息的获取，往往要求自动驾驶车辆的摄像头的视觉感知功能完成包括停车位检测、空车位判断、障碍物识别在内的多个任务，也就是需要在车载计算平台上同时运行多个神经网络模型，由此带来对计算资源的较高要求，然而，车载计算平台往往计算资源有限，不能支持多个神经网络模型实时运行，在实际应用中不得不对各个神经网络模型进行大量裁剪，由此导致所获取的泊车信息的准确度下降。

发明内容

本申请提供了一泊车信息获取方法及装置、泊车方法及装置，目的在于解决对各个神经网络模型进行大量裁剪，由此导致所获取的泊车信息的准确度下降的问题。

为了实现上述目的，本申请提供了以下技术方案：

一种泊车信息获取方法，包括：

获取待泊车车辆所处位置的鸟瞰图；

将所述鸟瞰图输入至预先构建的信息获取模型中，得到泊车信息；其中，所述信息获取模型基于多任务神经网络预先建立得到，所述多任务神经网络包括共享编码层和多个任务神经网络，所述多个任务神经网络共享所述共享编码层。

上述的方法，可选的，所述信息获取模型的构建过程，包括：

获取训练图像集；所述训练图像集中包括多张训练图像，每张训练图像为携带标注信息的鸟瞰图，所述标注信息包括：鸟瞰图中每个像素点对应的道路元素类别，每个库位的库角点标注信息，以及，每个库位的库位属性；

对所述训练图像集中的每张训练图像进行数据增强处理，得到每张训练图像的第一训练图像；

将各张训练图像和各张第一训练图像组成目标图像集；

依据所述目标图像集中的各张图像，对多任务神经网络进行训练，得到信息获取模型。

上述的方法，可选的，所述依据所述目标图像集中的各张图像，对多任务神经网络进行训练，得到信息获取模型，包括：

依据所述目标图像集中的各张图像，确定多个训练集；其中，每个训练集中包括所述目标图像集中至少一张图像；

从多个训练集中选取一个训练集作为目标训练集；

将所述目标训练集中的各张图像输入至多任务神经网络的共享编码层，得到所述目标训练集的第一结果数据；

将所述第一结果数据分别输入至每个任务神经网络的解码层，经每个任务神经网络的解码层中的每个网络层进行处理，得到每个任务神经网络的解码层输出的所述目标训练集的第二结果数据；其中，针对每个任务神经网络的解码层，所述解码层的第N个网络层的输入数据为，对所述解码层的第N-1个网络层的输出结果、和每个其他任务神经网络的解码层中的第N-1个网络层的计算结果进行融合处理后的结果；每个其他任务神经网络模型的解码层中的第N-1个网络层的计算结果为，对其他任务神经网络的解码层中的第N-1个网络层的输出结果进行第一计算的结果；N为大于1的正整数；