CN116476853B 泊车模型训练方法、泊车方法、计算机设备和存储介质 （重庆赛力斯凤凰智创科技有限公司）

司根据是否存在障碍物对所述第一训练图像进行训练数据集输入初始模型中，获得预估泊车方2获取第一训练图像，根据是否存在障碍物对所述第一训练图像进行根据所述第二训练图像淘汰障碍物区域以获得训练数据集，将所淘汰所述指示指标大于所述障碍物判断阈值的区块，获取所述泊车区域内像素点的全局坐标作为所述训根据所述行驶方向的损失，采用反向传播算法获得所述初始模型中获取车位环境的第一环境图像，对所述第一环境图像进行区域区分获得第二环境图根据第二环境图像获得环境图像矩阵，对所述环境图像矩阵进行3淘汰指示指标大于障碍物判断阈值的区块，并继续分割指示指获取所述第二环境图像的泊车区域内像素点的全局坐标作为所述输将所述输入数据集输入权利要求1_4中任一项所述的泊车模型训练方法所获得的泊车6.一种计算机设备，包括存储器、处理器及4[0003]现目前的自动泊车功能可以依靠将车位区域的图像输入神经网络模型从而生成[0012]在一个实施例中，所述根据所述第二训练图像淘汰障碍物区域以获得训练数据5理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述泊车模型训练方6[0039]本申请实施例中的模型具体可以为神经网络，神经网络可以是由神经单元组成[0042]神经网络可以被应用于自动驾驶领域，例如用于泊车环境中对泊车路径进行规物点云信息，根据所述雷达点云信息中的障碍物点云信息与所述第一训练图像的重合匹7[0050]示例性地说明，所述初始模型可以采用深度神经网络(DeepNeuralNetwork，个神经元的线性系数定义为上标3代表系数W所在的层数，而下标对应的是输出[0053]在DNN网络模型训练过程中，每一训练图像可以处理为一个训练数据集作为训练标记或者神经网络输出等方式为每个样本添加标签，用以指示该样本中期望的正确的输[0054]通过计算预估泊车方向与真实泊车方向之间的偏差获得8[0056]作为上述实施例的一种实施方式，所述根据所述第二训包括将所述第二训练图像按照空间数据结构划分获[0057]空间数据结构例如四叉树、八叉树、BVH树(BoundingVolumeHierarchyBased[0058]示例性地说明，对通过第二训练图像所得的图像矩阵进行窗口分割获得多个区9[0073]示例性地说明，第L层中各神经节点的损失函数对于激活值的梯度δl可以采用如节点的δl。gg[0084]步骤302，将所述输入数据集输入上述实施例或实施方式中任一项所述的泊车模练设备420对多帧样本图像进行处输出对应的预测标签，并计算预测标签和样本的原始标430维护的训练数据进行目标模型/规则401的训练，也有可能从云端或其他地方获取训练[0099]根据训练设备420训练得到的目标模型/规则401可以应用于不同的系统或设备收发器可以包括输入/输出(Input/Output，I/O)接口或者其他无线或者有线的通信接口[0100]在执行设备420对输入数据进行预处理，或者在执行设备420的计算模块412执行执行设备420是外部存储器，在其它情况下，也可以将数据存储系统450置于执行设备420[0126]将所述输入数据集输入根据前述任一个实施例所述的泊车模型训练方法所获得包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(R