[发明专利]基于深度学习的自动驾驶方法、装置和电子设备

说明书

本发明实施例提供了一种基于深度学习的自动驾驶方法、装置和电子设备，通过深度学习识别模型基于车辆的前方环境图像输出两种识别结果，第一识别结果标记出车道线，第二识别结果标记每一车道线对应的车道标识。结合第一识别结果和第二识别结果，可以对第一识别结果中每一车道线标记出车道标识，进而在第一识别结果中确定不同车道线所在的线。车道线所在的线为持续的连线，因而可以在任何路况下准确控制车辆行驶在车道内。同时，基于语义分割的第一识别结果识别的车道线具有较高的准确性，误识别率较低，第一识别结果与第二识别结果的结合能够弥补第二识别结果中对车道线的误识别，提高识别结果的准确性，从而有利于准确指导车辆沿着车道行驶。

技术领域

本发明涉及计算机技术领域，尤其是涉及一种基于深度学习的自动驾驶方法、装置和电子设备。

背景技术

自动驾驶和智慧交通可以减少城市拥堵、改善交通状况、减少人为操作失误或者疲劳驾驶而导致的交通事故，还可以解放人类的双手，创造出时间上的第“25”小时，把通勤时间留给人们去思考问题或者读书看报。高精地图是自动驾驶的重要组成部分，车道线是高精地图最重要的要素，视频和图像以成本低及可视化效果好成为高精地图车道线大规模生产的重要数据源。可变化车道的分割线均为单虚线，所以正确进行非连续车道线的实例分割对于高级驾驶辅助系统(AdvancedDriverAssistanceSystems)至关重要。

目前虽然能区分出车道线和路面，但是车道线之间是无差别的，尤其一些车道线是单虚线的情况下，无法区分出虚线中的各短线属于哪一车道线，导致车辆无法识别出其所在车道的车道线，从而无法控制车辆沿着其所在的车道线行驶。例如，由于无法识别各车道线所在线，会将单虚线中实线断开的部分识别为路面，从而导致车辆行驶到这部分路段时无法依据其所在的车道线的位置控制自身沿着车道线行驶，甚至会参照其它车道线控制车的位置，从而导致车辆从当前车道驶出，带来安全隐患。可见，现有技术对车道的识别结果无法准确区分不同的车道线所在的线，导致对车道线的识别结果无法准确指导车辆沿着车道行驶。

发明内容

本发明实施例提供一种基于深度学习的自动驾驶方法、装置和电子设备，用以解决现有技术对车道的识别结果无法准确区分不同的车道线所在的线，导致对车道线的识别结果无法准确指导车辆沿着车道行驶的问题。

针对以上技术问题，第一方面，本发明实施例提供一种基于深度学习的自动驾驶方法，包括：

在行驶过程中获取的前方环境图像；

将所述前方环境图像输入深度学习识别模型，得到由所述深度学习识别模型通过语义分割任务确定的第一识别结果，以及通过实例分割任务确定的第二识别结果；其中，所述第一识别结果中包括所述前方环境图像中的车道线，所述第二识别结果中包括所述前方环境图像中每一车道线对应的车道标识；

根据所述前方环境图像中每一车道线对应的车道标识确定所述第一识别结果中每一车道线对应的车道标识，按照所述第一识别结果中每一车道线对应的车道标识获得距离当前车辆最近的左车道线所在的行车控制线和距离当前车辆最近的右车道线所在的行车控制线；

根据所述左车道线所在的行车控制线和所述右车道线所在的行车控制线控制所述车辆沿车道行驶。

可选地，所述将所述前方环境图像输入深度学习识别模型，得到由所述深度学习识别模型通过语义分割任务确定的第一识别结果，以及通过实例分割任务确定的第二识别结果，包括：

将所述前方环境图像输入深度学习识别模型，由所述深度学习识别模型中的共享特征提取模块对所述前方环境图像进行特征提取，得到共享特征；

由所述识别模型将所述共享特征分别输入所述识别模型中的语义分割模块和实例分割模块，得到由所述语义分割模块执行所述语义分割任务输出的所述第一识别结果和由所述实例分割模块执行所述实例分割任务输出的所述第二识别结果。