可行驶区域生成方法、装置、电子设备和计算机可读介质

摘要

本公开的实施例公开了可行驶区域生成方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：接收目标车辆的驾驶场景数据和对应驾驶场景数据的驾驶场景标签集合；将驾驶场景数据包括的驾驶场景图像序列和驾驶场景标签集合输入至预先训练的边缘驾驶场景生成模型，得到边缘驾驶场景；将边缘驾驶场景包括的至少一个边缘驾驶图像输入至预先训练的驾驶图像识别模型中，得到驾驶图像识别结果；响应于驾驶图像识别结果表征目标车辆处于异常状态，获取目标车辆的驾驶数据；将目标车辆的驾驶数据以及边缘驾驶场景包括的至少一个边缘驾驶图像输入至自定义模型中，得到可行驶区域。该实施方式提高了车辆行驶的安全性。

权利要求

1.一种可行驶区域生成方法，包括：

接收目标车辆的驾驶场景数据和对应所述驾驶场景数据的驾驶场景标签集合，其中，所述驾驶场景数据包括驾驶场景图像序列，所述驾驶场景图像序列包括至少一个驾驶场景图像；

将所述驾驶场景数据包括的驾驶场景图像序列和所述驾驶场景标签集合输入至预先训练的边缘驾驶场景生成模型，得到边缘驾驶场景，其中，所述边缘驾驶场景包括至少一个边缘驾驶图像；

将所述边缘驾驶场景包括的至少一个边缘驾驶图像输入至预先训练的驾驶图像识别模型中，得到驾驶图像识别结果；

响应于所述驾驶图像识别结果表征所述目标车辆处于异常状态，获取所述目标车辆的驾驶数据；

将所述目标车辆的驾驶数据以及所述边缘驾驶场景包括的至少一个边缘驾驶图像输入至自定义模型中，得到可行驶区域。

2.根据权利要求1所述的方法，其中，所述方法还包括：根据所述可行驶区域，控制所述目标车辆进行移动。

3.根据权利要求1所述的方法，其中，所述边缘驾驶场景生成模型是通过以下步骤训练得到的：获取样本集合，其中，所述样本集合中的样本包括样本驾驶场景图像序列和样本驾驶场景标签集合，以及与所述样本驾驶场景图像序列和所述样本驾驶场景标签集合对应的样本边缘驾驶场景；

从所述样本集合中选择样本；

将所述样本输入至初始网络模型，得到对应所述样本的边缘驾驶场景；

确定所述边缘驾驶场景与所述样本包括的样本边缘驾驶场景之间的损失值；

响应于所述损失值大于等于预设阈值，调整所述初始网络模型的网络参数。

4.根据权利要求3所述的方法，其中，所述方法还包括：响应于所述损失值小于所述预设阈值，将所述初始网络模型确定为边缘驾驶场景生成模型。

5.一种可行驶区域生成装置，包括：

接收单元，被配置成接收目标车辆的驾驶场景数据和对应所述驾驶场景数据的驾驶场景标签集合，其中，所述驾驶场景数据包括驾驶场景图像序列，所述驾驶场景图像序列包括至少一个驾驶场景图像；

第一输入单元，被配置成将所述驾驶场景数据包括的驾驶场景图像序列和所述驾驶场景标签集合输入至预先训练的边缘驾驶场景生成模型，得到边缘驾驶场景，其中，所述边缘驾驶场景包括至少一个边缘驾驶图像；

第二输入单元，被配置成将所述边缘驾驶场景包括的至少一个边缘驾驶图像输入至预先训练的驾驶图像识别模型中，得到驾驶图像识别结果；

获取单元，被配置成响应于所述驾驶图像识别结果表征所述目标车辆处于异常状态，获取所述目标车辆的驾驶数据；

第三输入单元，被配置成将所述目标车辆的驾驶数据以及所述边缘驾驶场景包括的至少一个边缘驾驶图像输入至自定义模型中，得到可行驶区域。

6.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至4中任一所述的方法。

7.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1至4中任一所述的方法。

说明书

可行驶区域生成方法、装置、电子设备和计算机可读介质

技术领域

[0001] 本公开的实施例涉及计算机技术领域，具体涉及可行驶区域生成方法、装置、电子设备和计算机可读介质。

背景技术

[0002] 在确定车辆的可行驶区域时，通常需要使用大量的边缘驾驶场景对可行驶区域生成模型进行训练，如何生成边缘驾驶场景成为一项重要的研究课题。目前，在生成边缘驾驶场景时，通常采用的方式为：使用3D仿真技术实现边缘驾驶场景，利用边缘驾驶场景训练可行驶区域生成模型。

[0003] 然而，当采用上述方式生成边缘驾驶场景时，经常会存在如下技术问题：

[0004] 第一，使用3D仿真技术实现的边缘驾驶场景与现实边缘驾驶场景存在较大差距，导致训练出的可行驶区域生成模型生成的可行驶区域中存在障碍物，导致车辆行驶的安全性较低。

[0005] 第二，使用固定的标签集合作为驱动生成边缘驾驶场景时，无法生成所有可能的边缘驾驶场景，导致训练的可行驶区域生成模型无法准确识别车辆行驶时的行驶环境，导致车辆行驶的安全性较低。

[0006] 第三，使用预先训练的扩散模型生成边缘驾驶场景时，由于生成的边缘驾驶场景需要为高分辨率图像或视频，导致在扩散模型中需要使用复杂度较高的函数，造成需要耗费较长的时间生成边缘驾驶场景。

发明内容

[0007] 本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

[0008] 本公开的一些实施例提出了可行驶区域生成方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。

[0009] 第一方面，本公开的一些实施例提供了一种可行驶区域生成方法，该方法包括：接收目标车辆的驾驶场景数据和对应上述驾驶场景数据的驾驶场景标签集合，其中，上述驾驶场景数据包括驾驶场景图像序列，上述驾驶场景图像序列包括至少一个驾驶场景图像；将上述驾驶场景数据包括的驾驶场景图像序列和上述驾驶场景标签集合输入至预先训练的边缘驾驶场景生成模型，得到边缘驾驶场景，其中，上述边缘驾驶场景包括至少一个边缘驾驶图像；将上述边缘驾驶场景包括的至少一个边缘驾驶图像输入至预先训练的驾驶图像识别模型中，得到驾驶图像识别结果；响应于上述驾驶图像识别结果表征上述目标车辆处于异常状态，获取上述目标车辆的驾驶数据；将上述目标车辆的驾驶数据以及上述边缘驾驶场景包括的至少一个边缘驾驶图像输入至自定义模型中，得到可行驶区域。

[0010] 第二方面，本公开的一些实施例提供了一种可行驶区域生成装置，装置包括：接收单元，被配置成接收目标车辆的驾驶场景数据和对应上述驾驶场景数据的驾驶场景标签集合，其中，上述驾驶场景数据包括驾驶场景图像序列，上述驾驶场景图像序列包括至少一个驾驶场景图像；第一输入单元，被配置成将上述驾驶场景数据包括的驾驶场景图像序列和上述驾驶场景标签集合输入至预先训练的边缘驾驶场景生成模型，得到边缘驾驶场景，其中，上述边缘驾驶场景包括至少一个边缘驾驶图像；第二输入单元，被配置成将上述边缘驾驶场景包括的至少一个边缘驾驶图像输入至预先训练的驾驶图像识别模型中，得到驾驶图像识别结果；获取单元，被配置成响应于上述驾驶图像识别结果表征上述目标车辆处于异常状态，获取上述目标车辆的驾驶数据；第三输入单元，被配置成将上述目标车辆的驾驶数据以及上述边缘驾驶场景包括的至少一个边缘驾驶图像输入至自定义模型中，得到可行驶区域。

[0011] 第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

[0012] 第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

[0013] 本公开的上述各个实施例中具有如下有益效果：本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的可行驶区域生成方法，提高了车辆行驶的安全性。具体来说，导致车辆行驶的安全性较低的原因在于：使用3D仿真技术实现的边缘驾驶场景与现实边缘驾驶场景存在较大差距，导致训练出的可行驶区域生成模型生成的可行驶区域中存在障碍物，导致车辆行驶的安全性较低。基于此，本公开的一些实施例的可行驶区域生成方法，首先，接收目标车辆的驾驶场景数据和对应上述驾驶场景数据的驾驶场景标签集合。由此，可以为生成边缘驾驶场景提供数据支持。其次，将上述驾驶场景数据包括的驾驶场景图像序列和上述驾驶场景标签集合输入至预先训练的边缘驾驶场景生成模型，得到边缘驾驶场景。由此，可以使用驾驶场景标签作为驱动，引导边缘驾驶场景的构建，以及使用现实图像生成现实边缘驾驶场景，从而可以使用生成的现实边缘驾驶场景对可行驶区域生成模型进行训练，训练出的可行驶区域生成模型可以准确生成车辆的可行驶区域，提高了车辆行驶的安全性。之后，将上述边缘驾驶场景包括的至少一个边缘驾驶图像输入至预先训练的驾驶图像识别模型中，得到驾驶图像识别结果；响应于上述驾驶图像识别结果表征上述目标车辆处于异常状态，获取上述目标车辆的驾驶数据。由此，为生成可行驶区域提供了数据支持。最后，将上述目标车辆的驾驶数据以及上述边缘驾驶场景包括的至少一个边缘驾驶图像输入至自定义模型中，得到可行驶区域。由此，可以通过生成的现实边缘驾驶场景，使得训练出的可行驶区域生成模型可以准确生成车辆的可行驶区域，提高了车辆行驶的安全性。

附图说明

[0014] 结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

[0015] 图1是根据本公开的可行驶区域生成方法的一些实施例的流程图；

[0016] 图2是根据本公开的可行驶区域生成装置的一些实施例的结构示意图；

[0017] 图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

[0018] 下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

[0019] 另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

[0020] 需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

[0021] 需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

[0022] 本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

[0023] 下面将参考附图并结合实施例来详细说明本公开。

[0024] 图1示出了根据本公开的可行驶区域生成方法的一些实施例的流程100。该可行驶区域生成方法，包括以下步骤：

[0025] 步骤101，接收目标车辆的驾驶场景数据和对应驾驶场景数据的驾驶场景标签集合。

[0026] 在一些实施例中，可行驶区域生成方法的执行主体可以接收目标车辆的驾驶场景数据和对应上述驾驶场景数据的驾驶场景标签集合。实践中，上述执行主体可以接收相关联的用户终端发送的目标车辆的驾驶场景数据和对应上述驾驶场景数据的驾驶场景标签集合。其中，上述相关联的用户终端可以是与上述执行主体有线连接或者无线连接的具有边缘驾驶场景生成权限的终端。上述驾驶场景数据包括驾驶场景图像序列，上述驾驶场景图像序列包括至少一个驾驶场景图像。上述驾驶场景图像序列中的驾驶场景图像可以是上述与上述目标车辆有线连接或者无限连接的驾驶场景采集设备采集的驾驶场景图像。上述驾驶场景采集设备可以是用于采集驾驶场景信息的设备。例如，上述驾驶场景采集设备可以是摄像头或照相机。上述目标车辆可以是进行驾驶场景采集的车辆。上述驾驶场景标签集合中的驾驶场景标签可以是预先设定的用于表征驾驶场景数据中的某一特征的标签。例如，上述驾驶场景标签可以包括但不限于：水泥路面，高速路。

[0027] 可选地，上述驾驶场景标签集合可以是通过以下步骤生成的：

[0028] 第一步，接收目标驾驶场景标签类别信息。

[0029] 在一些实施例中，上述执行主体块可以接收目标终端发送的目标驾驶场景标签类别信息。上述目标终端可以是与上述执行主体有线连接或者无线连接的工作人员的终端。上述目标驾驶场景标签类别信息可以用于表征驾驶场景数据对应的驾驶场景标签的类别。
例如，上述目标驾驶场景标签类别信息可以是但不限于环境类别、驾驶路面类别。

[0030] 第二步，从预设驾驶场景标签集合中选取出预设标签数量的对应上述目标驾驶场景标签类别信息的各个预设驾驶场景标签作为目标驾驶场景标签集合。

[0031] 在一些实施例中，上述执行主体可以从预设驾驶场景标签集合中随机选取出预设标签数量的对应上述目标驾驶场景标签类别信息的各个预设驾驶场景标签作为目标驾驶场景标签集合。其中，上述预设驾驶场景标签集合中的预设驾驶场景标签可以是预先设定的驾驶场景标签。上述预设驾驶场景标签对应有驾驶场景标签类别信息。上述预设标签数量可以是预先设定的选取的预设驾驶场景标签的数量。

[0032] 第三步，将上述目标驾驶场景标签集合包括的各个目标驾驶场景标签按预设排序方式进行排序，以生成目标驾驶场景标签序列。

[0033] 在一些实施例中，上述执行主体可以将上述目标驾驶场景标签集合包括的各个目标驾驶场景标签按预设排序方式进行排序，以生成目标驾驶场景标签序列。其中，上述预设排序方式可以是将各个目标驾驶场景标签按生成的时间顺序进行排序。

[0034] 第四步，确定上述目标驾驶场景标签序列是否满足预设标签生成条件。

[0035] 在一些实施例中，上述执行主体可以确定上述目标驾驶场景标签序列是否满足预设标签生成条件。其中，上述预设标签生存条件可以是目标驾驶场景标签序列中每相邻的两个目标驾驶场景标签的马尔可夫一次转移概率大于等于预设马尔可夫一次转移概率，以及上述目标驾驶场景标签序列的马尔可夫链概率大于等于预设马尔可夫链概率。实践中，可以使用状态转移概率公式确定马尔可夫链概率和马尔可夫一次转移概率。上述预设马尔可夫一次转移概率可以是预先设定的两个目标驾驶场景标签的马尔可夫一次转移概率。例如，上述预设马尔可夫一次转移概率可以是85%。上述预设马尔可夫链概率可以是预先设定的目标驾驶场景标签序列的马尔可夫链概率。例如，上述预设马尔可夫链概率可以是60%。

[0036] 第五步，响应于确定上述目标驾驶场景标签序列满足上述预设标签生成条件，将上述目标驾驶场景标签序列确定为驾驶场景标签集合。

[0037] 在一些实施例中，上述执行主体可以响应于确定上述目标驾驶场景标签序列满足上述预设标签生成条件，将上述目标驾驶场景标签序列确定为驾驶场景标签集合。

[0038] 第六步，使用所确定的驾驶场景标签集合对可行驶区域生成模型进行训练。

[0039] 在一些实施例中，上述执行主体可以使用所确定的驾驶场景标签集合对可行驶区域生成模型进行训练。

[0040] 上述第一步‑第五步中的技术内容作为本公开的一个发明点，解决了背景技术提及的技术问题二“使用固定的标签集合作为驱动生成边缘驾驶场景时，无法生成所有可能的边缘驾驶场景，导致训练的可行驶区域生成模型无法准确识别车辆行驶时的行驶环境，导致车辆行驶的安全性较低”。造成车辆行驶的安全性较低的因素往往如下：使用固定的标签集合作为驱动生成边缘驾驶场景时，无法生成所有可能的边缘驾驶场景，导致训练的可行驶区域生成模型无法准确识别车辆行驶时的行驶环境，导致车辆行驶的安全性较低。如果解决了上述因素，就能达到提高车辆行驶的安全性的效果。为了达到这一效果，第一，接收目标驾驶场景标签类别信息；从预设驾驶场景标签集合中选取出对应上述目标驾驶场景标签类别信息的各个预设驾驶场景标签作为目标驾驶场景标签集合。由此，可以选取出驾驶场景标签类别对应的所有驾驶场景标签。第二，将上述目标驾驶场景标签集合包括的各个目标驾驶场景标签按预设排序方式进行排序，以生成目标驾驶场景标签序列；确定上述目标驾驶场景标签序列是否满足预设标签生成条件。由此，可以通过确定马尔可夫概率确定选取的驾驶场景标签是否满足条件，将满足条件的各个驾驶场景标签确定为驾驶场景标签集合。最后，响应于确定上述目标驾驶场景标签序列满足上述预设标签生成条件，将上述目标驾驶场景标签序列确定为驾驶场景标签集合；使用所确定的驾驶场景标签集合对可行驶区域生成模型进行训练。由此，可以通过选取不同的满足条件的驾驶场景标签集合作为驱动生成边缘驾驶场景，可以使训练的可行驶区域生成模型准确识别车辆行驶时的行驶环境，提高了车辆行驶的安全性。

[0041] 步骤102，将驾驶场景数据包括的驾驶场景图像序列和驾驶场景标签集合输入至预先训练的边缘驾驶场景生成模型，得到边缘驾驶场景。

[0042] 在一些实施例中，上述执行主体可以将上述驾驶场景数据包括的驾驶场景图像序列和上述驾驶场景标签集合输入至预先训练的边缘驾驶场景生成模型，得到边缘驾驶场景。其中上述边缘驾驶场景生成模型可以是预先训练的扩散模型。这里，上述扩散模型可以是一个马尔可夫过程。上述马尔可夫过程对应有状态转移方程。上述马尔可夫过程可以包括加噪声过程、映射过程和编码过程。上述加噪声过程可以是将预先生成的噪声添加至输入的驾驶场景图像中。上述预先生成的噪声可以是满足高斯分布的随机变量。上述映射过程可以是将驾驶场景标签集合中的各个驾驶场景标签映射至连续向量中。上述编码过程可以是将连续向量中的各个驾驶场景标签通过编码方程进行编码。上述编码方程可以是预先设定的编码方程。例如，上述编码方程可以为EMB编码方程。

[0043] 在一些实施例的可选的实现方式中，上述边缘驾驶场景生成模型可以是预定义模型。上述预定义模型包括输入层、像素空间层、语义训练层和噪声对抗层。其中，上述输入层用于输入驾驶场景图像和驾驶场景标签集合。上述像素空间层可以用于接收上述输入层输出的驾驶场景图像，并对接收的驾驶场景图像中的像素进行提取，输出像素特征。上述语义训练层用于接收上述输入层输出的驾驶场景标签集合，并提取上述驾驶场景标签集合中的语义特征作为语义驱动，输出语义特征。上述噪声对抗层可以用于接收像素空间层和语义训练层输出的像素特征和语义特征，并对像素特征和语义特征进行学习对抗噪声，输出进行学习对抗噪声后的像素特征和语义特征。上述噪声对抗层包括预设数量个卷积层。上述预设数量个卷积层中的每个卷积层包括一个3*3卷积核，批处理归一化层和线性修正单元层。上述像素空间层还可以接收噪声对抗层输出的进行学习对抗噪声后的像素特征和语义特征，通过将进行学习对抗噪声后的像素特征和语义特征通过预设函数，输出边缘驾驶场景。上述预设函数可以是预先设定的损失函数。例如，上述损失函数可以是交叉熵损失函数。

[0044] 上述步骤102中的可选的技术内容作为本公开的一个发明点，解决了背景技术提及的技术问题三“使用预先训练的扩散模型生成边缘驾驶场景时，由于生成的边缘驾驶场景需要为高分辨率图像或视频，导致在扩散模型中需要使用复杂度较高的函数，造成需要耗费较长的时间生成边缘驾驶场景”。造成需要耗费较长的时间生成边缘驾驶场景的因素往往如下：使用预先训练的扩散模型生成边缘驾驶场景时，由于生成的边缘驾驶场景需要为高分辨率图像或视频，导致在扩散模型中需要使用复杂度较高的函数，造成需要耗费较长的时间生成边缘驾驶场景。如果解决了上述因素，就能达到减少生成边缘驾驶场景的时间的效果。为了达到这一效果，本公开使用预定义模型，通过将驾驶场景图像通过像素空间层转换为低维像素特征后，进行对抗噪声，从而可以降低计算的复杂度，减少了生成边缘驾驶场景的时间。

[0045] 可选地，上述边缘驾驶场景生成模型可以是通过以下步骤训练得到的：

[0046] 第一步，获取样本集合。

[0047] 在一些实施例中，上述执行主体可以获取样本集合。其中，上述样本集合中的样本包括样本驾驶场景图像序列和样本驾驶场景标签集合，以及与上述样本驾驶场景图像序列和上述样本驾驶场景标签集合对应的样本边缘驾驶场景。

[0048] 第二步，从上述样本集合中选择样本。

[0049] 在一些实施例中，上述执行主体可以从上述样本集合中选择样本。这里，上述执行主体可以随机从上述样本集合中选择样本。

[0050] 第三步，将上述样本输入至初始网络模型，得到对应上述样本的边缘驾驶场景。

[0051] 在一些实施例中，上述执行主体可以将上述样本输入至初始网络模型，得到对应上述样本的边缘驾驶场景。其中，上述初始神经网络可以是能够根据驾驶场景图像序列和驾驶场景标签集合得到边缘驾驶场景的生成模型。上述初始神经网络可以是生成模型。例如，上述初始神经网络模型可以是扩散模型。

[0052] 第四步，确定上述边缘驾驶场景与上述样本包括的样本边缘驾驶场景之间的损失值。

[0053] 在一些实施例中，上述执行主体可以确定上述边缘驾驶场景与上述样本包括的样本边缘驾驶场景之间的损失值。实践中，第一，可以使用基于OpenCV的图像相似度方法确定边缘驾驶场景与样本边缘驾驶场景的相似度。第二，可以将预设相似度与上述相似度的差值确定为上述边缘驾驶场景与上述样本包括的样本边缘驾驶场景之间的损失值。上述预设相似度可以是预先设定的相似度。例如，上述预设相似度可以是1。

[0054] 第五步，响应于上述损失值大于等于预设阈值，调整上述初始网络模型的网络参数。

[0055] 在一些实施例中，上述执行主体可以响应于上述损失值大于等于预设阈值，调整上述初始网络模型的网络参数。这里，对于预设阈值的设定，不作限制。例如，可以对损失值和预设阈值求差值，得到损失差值。在此基础上，利用反向传播、随机梯度下降等方法将误差值从模型的最后一层向前传递，以调整每一层的参数。当然根据需要，也可以采用网络冻结（dropout）的方法，对其中的一些层的网络参数保持不变，不进行调整，对此，不做任何限定。

[0056] 可选地，响应于上述损失值小于上述预设阈值，将上述初始网络模型确定为边缘驾驶场景生成模型。

[0057] 在一些实施例中，上述执行主体可以响应于上述损失值小于上述预设阈值，将上述初始网络模型确定为边缘驾驶场景生成模型。

[0058] 步骤103，将对边缘驾驶场景包括的至少一个边缘驾驶图像输入至预先训练的驾驶图像识别模型中，得到驾驶图像识别结果。

[0059] 在一些实施例中，上述执行主体可以将对上述边缘驾驶场景包括的至少一个边缘驾驶图像输入至预先训练的驾驶图像识别模型中，得到驾驶图像识别结果。其中，上述驾驶图像识别模型可以是预先训练的用于识别边缘驾驶图像中的目标车辆的行驶状态的分类器模型。上述驾驶图像识别模型以至少一个边缘驾驶图像为输入，以驾驶图像识别结果为输出。

[0060] 步骤104，响应于驾驶图像识别结果表征目标车辆处于异常状态，获取目标车辆的驾驶数据。

[0061] 在一些实施例中，上述执行主体可以响应于上述驾驶图像识别结果表征上述目标车辆处于异常状态，获取目标车辆的驾驶数据。其中，上述异常状态可以是目标车辆前方存在障碍物。上述驾驶数据包括目标车辆的行驶速度和行驶性能值。上述行驶性能值可以表征目标车辆的行驶性能。例如，上述行驶性能值可以是目标车辆的发动机动力值。

[0062] 步骤105，将目标车辆的驾驶数据以及边缘驾驶场景包括的至少一个边缘驾驶图像输入至自定义模型中，得到可行驶区域。

[0063] 在一些实施例中，上述执行主体可以将上述目标车辆的驾驶数据以及上述边缘驾驶场景包括的至少一个边缘驾驶图像输入至自定义模型中，得到可行驶区域。其中，上述自定义模型可以是用于预先训练的确定车辆的可行驶区域的神经网络模型。这里，上述自定义模型可以包括障碍物识别子模型和可行驶区域识别子模型。上述障碍物识别子模型可以是用于对边缘驾驶图像中的障碍物进行识别的模型。上述障碍物识别子模型可以包括特征提取层、池化层和输出层。上述特征提取层用于对边缘驾驶图像中的障碍物特征进行提取，输出特征图。上述池化层以上述特征图为输入，用于对提取的相同的障碍物特征进行融合，以对障碍物特征进行降维。上述输出层用于输出边缘驾驶图像中的障碍物信息。上述可行驶区域识别子模型可以是以上述目标车辆的驾驶数据和边缘驾驶图像中的障碍物信息为输入，确定障碍物在边缘驾驶图像的坐标，以及将边缘驾驶图像中不存在障碍物的区域确定为可行驶区域，将可行驶区域为输出的神经网络模型。

[0064] 作为示例，上述可行驶区域识别子模型可以包括但不限于以下至少一项：FCN（Fully Convolutional Networks，全卷机神经网络）模型、Resnet（Residual Network，残差神经网络）模型、VGG（Visual Geometry Group Network，卷积神经网络）模型或GoogLeNet（深度神经网络）模型等。

[0065] 可选地，在步骤105之后，根据上述可行驶区域，控制上述目标车辆进行移动。

[0066] 在一些实施例中，上述执行主体可以根据上述可行驶区域，控制上述目标车辆进行移动。实践中，可以通过有线连接或者无线连接的方式控制上述目标车辆在上述可行驶区域中进行移动。

[0067] 本公开的上述各个实施例中具有如下有益效果：本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的可行驶区域生成方法，提高了车辆行驶的安全性。具体来说，导致车辆行驶的安全性较低的原因在于：使用3D仿真技术实现的边缘驾驶场景与现实边缘驾驶场景存在较大差距，导致训练出的可行驶区域生成模型生成的可行驶区域中存在障碍物，导致车辆行驶的安全性较低。基于此，本公开的一些实施例的可行驶区域生成方法，首先，接收目标车辆的驾驶场景数据和对应上述驾驶场景数据的驾驶场景标签集合。由此，可以为生成边缘驾驶场景提供数据支持。其次，将上述驾驶场景数据包括的驾驶场景图像序列和上述驾驶场景标签集合输入至预先训练的边缘驾驶场景生成模型，得到边缘驾驶场景。由此，可以使用驾驶场景标签作为驱动，引导边缘驾驶场景的构建，以及使用现实图像生成现实边缘驾驶场景，从而可以使用生成的现实边缘驾驶场景对可行驶区域生成模型进行训练，训练出的可行驶区域生成模型可以准确生成车辆的可行驶区域，提高了车辆行驶的安全性。之后，将上述边缘驾驶场景包括的至少一个边缘驾驶图像输入至预先训练的驾驶图像识别模型中，得到驾驶图像识别结果；响应于上述驾驶图像识别结果表征上述目标车辆处于异常状态，获取上述目标车辆的驾驶数据。由此，为生成可行驶区域提供了数据支持。最后，将上述目标车辆的驾驶数据以及上述边缘驾驶场景包括的至少一个边缘驾驶图像输入至自定义模型中，得到可行驶区域。由此，可以通过生成的现实边缘驾驶场景，使得训练出的可行驶区域生成模型可以准确生成车辆的可行驶区域，提高了车辆行驶的安全性。

[0068] 进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种可行驶区域生成装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该可行驶区域生成装置具体可以应用于各种电子设备中。

[0069] 如图2所示，一些实施例的可行驶区域生成装置200包括：接收单元201、第一输入单元202、第二输入单元203、获取单元204和第三输入单元205。其中，接收单元201被配置成接收目标车辆的驾驶场景数据和对应上述驾驶场景数据的驾驶场景标签集合，其中，上述驾驶场景数据包括驾驶场景图像序列，上述驾驶场景图像序列包括至少一个驾驶场景图像；第一输入单元202被配置成将上述驾驶场景数据包括的驾驶场景图像序列和上述驾驶场景标签集合输入至预先训练的边缘驾驶场景生成模型，得到边缘驾驶场景，其中，上述边缘驾驶场景包括至少一个边缘驾驶图像；第二输入单元203被配置成将上述边缘驾驶场景包括的至少一个边缘驾驶图像输入至预先训练的驾驶图像识别模型中，得到驾驶图像识别结果；获取单元204被配置成响应于上述驾驶图像识别结果表征上述目标车辆处于异常状态，获取上述目标车辆的驾驶数据；第三输入单元205被配置成将上述目标车辆的驾驶数据以及上述边缘驾驶场景包括的至少一个边缘驾驶图像输入至自定义模型中，得到可行驶区域。

[0070] 可以理解的是，该可行驶区域生成装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于可行驶区域生成装置200及其中包含的单元，在此不再赘述。

[0071] 下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

[0072] 如图3所示，电子设备300可以包括处理装置301（例如中央处理器、图形处理器等），其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。

[0073] 通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

[0074] 特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。

[0075] 需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD‑ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。

[0076] 在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText Transfer Protocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。

[0077] 上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收目标车辆的驾驶场景数据和对应上述驾驶场景数据的驾驶场景标签集合，其中，上述驾驶场景数据包括驾驶场景图像序列，上述驾驶场景图像序列包括至少一个驾驶场景图像。将上述驾驶场景数据包括的驾驶场景图像序列和上述驾驶场景标签集合输入至预先训练的边缘驾驶场景生成模型，得到边缘驾驶场景，其中，上述边缘驾驶场景包括至少一个边缘驾驶图像。将上述边缘驾驶场景包括的至少一个边缘驾驶图像输入至预先训练的驾驶图像识别模型中，得到驾驶图像识别结果。响应于上述驾驶图像识别结果表征上述目标车辆处于异常状态，获取上述目标车辆的驾驶数据。将上述目标车辆的驾驶数据以及上述边缘驾驶场景包括的至少一个边缘驾驶图像输入至自定义模型中，得到可行驶区域。

[0078] 可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

[0079] 附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

[0080] 描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括接收单元、第一输入单元、第二输入单元、获取单元和第三输入单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，接收单元还可以被描述为“接收目标车辆的驾驶场景数据和对应上述驾驶场景数据的驾驶场景标签集合的单元”。

[0081] 本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。

[0082] 以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。