[发明专利]自主跟踪方法及装置、电子设备、存储介质

权利要求书

1.一种自主跟踪方法，其特征在于，包括：

实时获取目标对象的图像信息；

通过所述图像信息获取所述目标对象的三维位置信息；

通过所述三维位置信息计算速度控制量；

根据所述速度控制量对所述目标对象进行跟踪。

2.根据权利要求1所述的自主跟踪方法，其特征在于，实时获取目标对象的图像信息包括：

获取与所述目标对象对应的第一数据集和第二数据集；

其中，所述第一数据集包括预设标识与所述目标对象的相对位置以及速度控制量的真实值，所述第二数据集中包括目标图像和速度控制量的真实值。

3.根据权利要求2所述的自主跟踪方法，其特征在于，通过所述图像信息获取所述目标对象的三维位置信息包括：

将所述图像信息输入一位置获取模型获取所述三维位置信息的预测值。

4.根据权利要求3所述的自主跟踪方法，其特征在于，所述方法还包括：

通过物体检测算法建立用于对所述三维位置信息进行预测的所述位置获取模型。

5.根据权利要求4所述的自主跟踪方法，其特征在于，通过物体检测算法建立用于对所述三维位置信息进行预测的所述位置获取模型包括：

通过所述第一数据集和所述第二数据集对第一神经网络模型进行训练，以建立所述位置获取模型。

6.根据权利要求5所述的自主跟踪方法，其特征在于，通过所述第一数据集和所述第二数据集对第一神经网络模型进行训练，以建立所述位置获取模型包括：

将第二数据集中的所述目标图像作为输入数据；

将所述三维位置信息的预测值作为输出数据；

将第一数据集中的所述相对位置作为监督信号，计算所述相对位置与所述三维位置信息的预测值之间的第一误差；

基于所述第一误差对所述第一神经网络模型进行训练，以得到所述位置获取模型。

7.根据权利要求5所述的自主跟踪方法，其特征在于，所述方法还包括：构建所述第一神经网络模型；

所述构建所述第一神经网络模型包括：

构建所述第一神经网络模型的第零层；其中，第零层包括输入层，所述输入层输入448×448的RGB图像；

构建所述第一神经网络模型的第一层；其中，所述第一层包括卷积层，所述卷积层用于对所述RGB图像进行卷积得到多个特征图；

构建所述第一神经网络模型的第二层；其中，所述第二层包括多个全连接层，用于对所述特征图进行分类，以得到分类结果；

构建所述第一神经网络模型的第三层；其中，所述第三层用于通过所述分类结果得到三维位置信息。

8.根据权利要求2所述的自主跟踪方法，其特征在于，通过所述三维位置信息计算速度控制量包括：

将所述三维位置信息输入一速度控制模型获取所述速度控制量的预测值。

9.根据权利要求8所述的自主跟踪方法，其特征在于，所述方法还包括：

通过机器学习算法获取用于对所述速度控制量进行预测的所述速度控制模型。

10.根据权利要求9所述的自主跟踪方法，其特征在于，通过机器学习算法获取用于对所述速度控制量进行预测的所述速度控制模型包括：

通过所述第一数据集对第二神经网络模型进行训练，以获取所述速度控制模型。

11.根据权利要求10所述的自主跟踪方法，其特征在于，通过所述第一数据集对第二神经网络模型进行训练，以获取所述速度控制模型包括：

将所述第一数据集中的所述相对位置作为输入数据；

将所述速度控制量的预测值作为输出数据；

将第一数据集中速度控制量的真实值作为监督信号，计算所述真实值与所述预测值的第二误差；

基于所述第二误差对所述第二神经网络模型进行训练，以获取所述速度控制模型。