-
公开(公告)号：CN111507372A
公开(公告)日：2020-08-07
申请号：CN202010071586.6
申请日：2020-01-21
Applicant: 斯特拉德视觉公司
Abstract: 本发明提供了一种用于学习传感器融合网络的方法，该传感器融合网络用于执行协同驾驶的自动驾驶车辆的传感器融合。该方法包括以下步骤：学习设备(a)将(i)包括所述自动驾驶车辆、m个协同驾驶车辆以及第二虚拟车辆的驾驶图像，和(ii)所述m个协同驾驶车辆的n个传感器的传感器状态信息输入到传感器融合网络，以生成传输n个传感器的传感器值的传感器融合概率，(b)将道路行驶视频输入至检测网络，以检测第二虚拟车辆、行人和车道并输出附近的对象信息，将传感器值和所述附近对象信息输入到驾驶网络，以生成移动方向概率并驱动该自动驾驶车辆，以及(c)获取交通状况信息，产生反馈并学习传感器融合网络。
-
公开(公告)号：CN111507159A
公开(公告)日：2020-08-07
申请号：CN202010069505.9
申请日：2020-01-21
Applicant: 斯特拉德视觉公司
Abstract: 本发明提供通过利用置信度分数来既节省计算能力又实现更好的自动驾驶性能的方法和装置，该置信度分数与对象检测处理并行地生成并表示对象检测的可信度，该方法的特征在于，包括：步骤(a)，计算装置通过设置于目标车辆的至少一个图像传感器，获取与所述目标车辆的周边有关的至少一个环境图像；步骤(b)，所述计算装置使CNN对所述环境图像适用至少一次CNN运算，而生成与所述环境图像有关的初始对象信息及初始置信度信息；以及步骤(c)，所述计算装置通过与周边对象中至少一部之间的V2X通信及强化学习智能体的支援，参照所述初始对象信息及所述初始置信度信息，生成与所述环境图像有关的最终对象信息。
-
公开(公告)号：CN111507151A
公开(公告)日：2020-08-07
申请号：CN202010015507.X
申请日：2020-01-07
Applicant: 斯特拉德视觉公司
Abstract: 本申请公开为了提示对于自动行驶的理论根据而支援使得至少一个管理者能够评价一个以上的客体检测器的一个以上的检测过程的方法。即，公开一种方法，其特征在于，包括：(a)计算装置使包含于之前完成学习的客体检测CNN(Convolutional Neural Network)的一个以上卷积层对输入于其的一个以上的参照图像适用一个以上卷积运算以生成一个以上的参照卷积特征图后，使包含于所述客体检测CNN的一个以上的ROI(region of interest)池化层池化对应于所述参照卷积特征图上的ROI的值中至少一部分生成参照ROI池化的特征图的步骤；以及(b)所述计算装置使代表选择单元参照关于所述参照图像上的所述ROI中包含的客体的类的信息分类所述参照ROI池化的特征图后，按每个类生成至少一个代表特征图的步骤。
-
公开(公告)号：CN111497939A
公开(公告)日：2020-08-07
申请号：CN202010064861.1
申请日：2020-01-20
Applicant: 斯特拉德视觉公司
IPC: B62D15/02
Abstract: 本发明公开一种通过使用参考图而将自主行驶模块的转向意图更准确地传递给转向装置的方法，该方法包括如下步骤：(a)如果获取到在当前时间点由所述自主行驶模块输入的对象意图转向信号，则计算装置使信号调整模块将所述参考图作为参考而选择出与所述对象意图转向信号对应的特定参考转向基准值；以及(b)所述计算装置：[i]将所述特定参考转向基准值作为参考而调整所述对象意图转向信号，从而生成对象调整转向信号；以及[ii]将该对象调整转向信号传输到所述转向装置，从而支持所述转向装置使所述对象车辆旋转特定转向角，所述特定转向角与所述对象意图转向信号对应。
-
公开(公告)号：CN111497864A
公开(公告)日：2020-08-07
申请号：CN202010069697.3
申请日：2020-01-21
Applicant: 斯特拉德视觉公司
Abstract: 本发明公开了一种利用V2X应用程序向人传递当前驾驶意图信号的方法及装置。该方法使驾驶意图信号传递装置执行以下步骤：步骤(a)，通过周围环境视频图像来检出位于自动驾驶车辆的附近前方区域中的行人，以及通过虚拟人行横道来确定行人是否横穿道路；步骤(b)，当确定行人横穿道路时，参照特定行人的移动轨迹，并预测与行人预期路径相对应的横穿轨迹，通过参照驾驶信息与横穿轨迹来设定自动驾驶车辆的驾驶计划，以及根据驾驶计划使自动驾驶车辆驾驶；以及步骤(c)，通过参照凝视模式来确定特定行人是否正在注意自动驾驶车辆，当确定特定行人未在注意自动驾驶车辆时，通过外部显示器以及外部扬声器，将驾驶意图传递给行人与周围的驾驶员。
-
Patent Agency Ranking
公开(公告)号：CN111493443A
公开(公告)日：2020-08-07
申请号：CN202010073407.2
申请日：2020-01-22
Applicant: 斯特拉德视觉公司
Abstract: 本申请公开了一种利用智能头盔来监控双轮车盲区的方法及装置，所述方法包括以下步骤：(a)若获取与智能头盔相对应的第一盲区的视频图像，则指示对象检测器检测视频图像上的对象，并确认位于第一盲区的第一对象；以及(b)通过参照从安装在智能头盔上的GPS传感器、加速传感器及地磁传感器中的至少一部分中获取的传感器信息来判断智能头盔方向及双轮车行驶方向后，通过参照智能头盔方向和双轮车行驶方向来确认与第一对象中的双轮车相对应的位于第二盲区的第二对象，并通过安装在所述智能头盔上的平视显示器来显示第二对象，或通过扬声器的声音警报来表示第二对象位于第二盲区。
-
公开(公告)号：CN111488880A
公开(公告)日：2020-08-04
申请号：CN201911055501.9
申请日：2019-10-31
Applicant: 斯特拉德视觉公司
Abstract: 本发明涉及用于提高利用边缘损失来检测事件的分割性能的方法装置。提供一种用于提高分割性能的学习方法，该分割性能用于检测行人事件、汽车事件、掉下事件、掉落事件等事件。所述方法包括以下步骤：所述学习装置(a)使k个卷积层生成k个编码特征映射；(b)使(k-1)个反卷积层依次生成(k-1)个解码特征映射，所述学习装置使h个掩膜层参考从与其对应的h个反卷积层输出的h个基本解码特征映射以及从所述h个基本解码特征映射中提取边缘部分来生成的h个边缘特征映射；以及(c)使h个边缘损失层参考所述边缘部分和与其对应的GT来生成h个边缘损失。另外，所述方法可以增加检测交通标志、地标和道路标志的程度。
-
公开(公告)号：CN111488879A
公开(公告)日：2020-08-04
申请号：CN201910998759.6
申请日：2019-10-21
Applicant: 斯特拉德视觉公司
Abstract: 本发明公开利用双嵌入构成的用于提高分割性能的方法及装置。所述学习方法包括：学习装置(i)使相似度卷积层对从神经网络输出的特征进行相似度卷积运算生成相似度嵌入特征的步骤；(ii)使相似度损失层参考从所述相似度嵌入特征抽样的两点之间的相似度及对应于其的GT标签图像生成相似度损失的步骤；(iii)使距离卷积层对所述相似度嵌入特征进行距离卷积运算生成距离嵌入特征的步骤；(iv)使距离损失层为了增大实例分类的平均值之间的相互分类之差且减小所述实例分类的分类内离散值而生成距离损失的步骤；以及(v)反向传播所述相似度损失及所述距离损失中的至少一个的步骤。本发明能够更明确地识别各分类且更准确地提取各分类的至少一个边缘部分以准确地识别客体。
-
公开(公告)号：CN111488786A
公开(公告)日：2020-08-04
申请号：CN201911291795.5
申请日：2019-12-16
Applicant: 斯特拉德视觉公司
Abstract: 本发明涉及一种基于能够根据客体尺度转换模式的CNN的监视用客体检测器的学习方法。本发明提供一种学习方法，包括以下步骤：学习装置(a)使卷积层对图像应用卷积运算而输出特征图，并且使RPN输出图像内的ROI；(b)使池化层按相应尺度池化特征图上的各个ROI区域，从而使第1FC层输出第二特征向量，并且使第2FC层输出类信息和回归信息；以及(c)使损失层参照类信息、回归信息及与类信息、回归信息对应的GT来生成类损失和回归损失。
-
公开(公告)号：CN111462130A
公开(公告)日：2020-07-28
申请号：CN201911309931.9
申请日：2019-12-18
Applicant: 斯特拉德视觉公司
Abstract: 本发明涉及使用车道掩码检测车道线的方法及装置。所述方法包括：(a)(i)对输入图像适用第一卷积运算生成最终特征图，(ii)生成了分割得分图及嵌入特征图的状态下，学习装置获取最终特征图、分割得分图及嵌入特征图的步骤；(b)车道掩蔽层(i)从最终特征图上识别对应于包含在输入图像的车道线的一个以上的车道线后补，(ii)对与车道线后补对应的一个以上的区域赋予加权值以在最终特征图上生成车道掩码，(iii)生成掩蔽的特征图的步骤；(c)生成车道特征图的步骤；(d)生成softmax得分图，生成车道参数的步骤；(e)(i)生成柔性最大值损失值，(ii)生成直线拟合损失值，(iii)反向传播柔性最大值损失值及直线拟合损失值以学习第一FC层、第二FC层及卷积层的参数的步骤。
-
-
-
-
-
-
-
-
-
Search Results
234
records
(took 0.088 seconds)
