[发明专利]目标检测模型的多平台部署架构、车辆及方法

说明书

本申请涉及车辆智能驾驶技术领域，特别涉及一种目标检测模型的多平台部署架构、车辆及方法，其中，包括：前处理模块用于将输入的三维点云信息映射到二维图像上；输入模型用于输入任意神经网络模型描述格式的目标检测模型；平台专属模型，其中，利用嵌入式平台提供的部署工具将目标检测模型转换为嵌入式平台支持的平台专属模型，实现目标检测模型在嵌入式平台上的部署；推理模块用于调用部署在待部署平台上的目标检测模型对二维图像进行推理，得到三维点云信息对应的目标检测结果。由此，解决了相关技术中目标检测模型的部署方案具有局限性导致部署效率低下、降低了自动驾驶的安全性和可靠性等问题。

技术领域

本申请涉及车辆智能驾驶技术领域，特别涉及一种目标检测模型的多平台部署架构、车辆及方法。

背景技术

目标检测作为一项感知技术，令自动驾驶的汽车能够获取周围的建筑物、车辆、行人等信息，从而为后续的规划与控制提供有效的数据，并且在高速行驶的汽车中，对整个感知决策过程的实时性的要求是比较高的。

深度神经网络是一种多层无监督神经网络，并且将上一层的输出特征作为下一层的输入进行特征学习，通过逐层特征映射后，将现有空间样本的特征映射到另一个特征空间，以此来学习对现有输入具有更好的特征表达。

相关技术中，用于目标检测的模型部署方案，在嵌入式硬件平台的种类上和支持的深度学习训练框架种类上无法做到平衡，而支持多种嵌入式硬件平台模型部署的方案对于输入模型的训练框架要求唯一，使得应用在高速的自动驾驶领域局限性比较高，未能够充分考虑深度学习训练框架的多样性，或不同平台上部署模型的不一致问题，因此在部署的环节中往往耗时极高，限制了算法应用在自动驾驶领域的速度，无法满足对整体模型部署的优化以及自动驾驶平台对于实时性的高要求。

发明内容

本申请提供一种目标检测模型的多平台部署架构、车辆及方法，以解决相关技术中目标检测模型的部署方案无法平衡嵌入式硬件平台的种类和深度学习训练框架种类，应用局限性较高，导致部署效率低下、难以达到自动驾驶平台的高实时性、降低了自动驾驶的安全性和可靠性等问题。

本申请第一方面实施例提供一种目标检测模型的多平台部署架构，包括以下步骤：前处理模块，用于将输入的三维点云信息映射到二维图像上；输入模型，用于输入任意神经网络模型描述格式的目标检测模型；平台专属模型，其中，利用嵌入式平台提供的部署工具将目标检测模型转换为所述嵌入式平台支持的平台专属模型，实现所述目标检测模型在所述嵌入式平台上的部署；推理模块，用于调用部署在所述待部署平台上的所述目标检测模型对所述二维图像进行推理，得到所述三维点云信息对应的目标检测结果。

可选地，目标检测模型包括第一检测模型和第二检测模型，所述嵌入式平台包括第一平台和第二平台，其中，所述第一检测模型和所述第二检测模型为深度学习训练框架不同的模型，所述第一平台和所述第二平台为不同类型的平台。

可选地，若所述嵌入式平台为第一平台，利用所述第一平台的部署工具库，将所述第一检测模型或所述第二检测模型转换为目标模型，并在转换时添加模型量化参数和预设参数，使得所述目标模型运行在数字信号处理器，并使得所述目标模型的部分网络层运行在应用程序接口上，实现所述第一检测模型或所述第二检测模型在所述第一平台上的部署。

可选地，所述第一检测模型和所述第二检测模型各自的神经网络架构不同。

可选地，若所述嵌入式平台为第二平台，根据所述第二模型提供的导出函数将所述第二模型转换为静态第一模型，并对所述静态第一模型进行量化转换为模型文件，加载所述模型文件，实现所述第二检测模型在所述第二平台上的部署。

可选地，还包括：后处理模块，用于滤除所述目标检测结果中类别置信度小于置信度阈值的结果，并滤除相同目标的重复检测框。

可选地，所述前处理模块、推理模块和所述后处理模块通过线程并行运行。