【嘉勤点评】百度发明的应用于无人驾驶技术的车道线检测模型的训练方法，基于路况要素、要素语义来对于人工智能模型进行训练，能够有效降低路况图像中车道线检测识别的计算复杂度，提升车道线检测识别的效率以及检测识别效果。
集微网消息，在国内自动驾驶领域，百度的自动驾驶技术不断取得突破，截止2021年，其Apollo路况测试已经突破1300万公里，而在2021年Guidehouse发布的报告中，Apollo也是唯一一个连续两年位列全球自动驾驶榜单的中国公司。
在自动驾驶领域，自动驾驶车辆如果想要进行正常的行驶，就必须要对于路况等环境进行检测，例如检测车道线、红绿灯以及交通信号牌等。在相关技术中，针对路况图像中要素的语义分割方法逻辑，无法直接应用到车道线的检测分割中。这就使得例如车道线检测分割的计算复杂度高，且无法满足实时性的要求。
为此，百度在2021年4月28日申请了一项名为“车道线检测模型的训练方法、装置、电子设备及存储介质”的发明专利（申请号：202110470476.1），申请人为北京百度网讯科技有限公司。
在该专利中，发明了一种基于人工智能的车道线检测模型的训练方法，根据目前该专利公开的相关资料，让我们一起来看看这项方案吧。
如上图，为该专利中发明的车道线检测模型的训练方法的示意图，首先，系统需要获取多个样本的路况图像，并对于这些图像进行标注，这些图像可以通过智能交通场景来获取，每个图像的车道线信息也被标注出来，用于训练人工智能模型。
其次，确定与样本路况图像对应的多个要素以及与多要素对应的要素语义，在交通场景下，要素例如为路况图像中的天空、树木、道路等，要素语义包括天空、数目、道路等要素类型和要素特征。因为该方案中的人工智能模型是针对多个样本路况图像分别进行图像解析，从而实现要素的语义分割方法逻辑和车道线的检测识别的融合应用。
最后，根据多个样本路况图像、多个要素、多个要素语义以及多个标注的车道线信息训练初始的人工智能模型，以得到车道线检测模型。使得训练得到的车道线检测模型能够有效地建模出智能交通场景中的车道线的图像特征，并能够有效地满足实时性要求较高的应用场景。
如上图，为搭载上述方案的车道线检测模型的训练装置硬件环境示意图，主要包括：获取模块301、确定模块302和训练模块303。获取模块可以获得路况的样本图像，并对其中的图像进行标注；确定模块用于得到路况对应的多个要素和要素语义；当上述两个模块准备好相应的数据后，训练模块就可以训练人工智能模型，以得到车道线检测模型。
以上就是百度发明的应用于无人驾驶技术的车道线检测模型的训练方法，该方案基于路况要素、要素语义来对于人工智能模型进行训练，以得到车道线检测模型，能够有效降低路况图像中车道线检测识别的计算复杂度，提升车道线检测识别的效率以及检测识别效果。
关于嘉勤
深圳市嘉勤知识产权代理有限公司由曾在华为等世界500强企业工作多年的知识产权专家、律师、专利代理人组成，熟悉中欧美知识产权法律理论和实务，在全球知识产权申请、布局、诉讼、许可谈判、交易、运营、标准专利协同创造、专利池建设、展会知识产权、跨境电商知识产权、知识产权海关保护等方面拥有丰富的经验。
（校对/holly）
