[发明专利]姿态角预测模型的训练、姿态角预测方法、装置及设备

权利要求书

1.一种车辆姿态角预测模型的训练方法，其特征在于，所述方法包括：

采集车辆运行数据，所述车辆运行数据包括车速、车辆位置信息以及姿态信息，所述姿态信息包括至少一个欧拉角的角度值；

将所述车辆运行数据分解为目标欧拉角对应的车辆运行数据，所述目标欧拉角分别为每一所述欧拉角；

从所述目标欧拉角对应的车辆运行数据中截取连续第一数量时刻的目标欧拉角对应的车辆运行数据以及连续第二数量时刻的目标欧拉角对应的角度值作为训练样本；所述连续第一数量时刻与所述连续第二数量时刻组成连续时刻；

利用所述训练样本训练初始LSTM时序网络，生成所述目标欧拉角对应的车辆姿态角预测模型。

2.根据权利要求1所述的方法，其特征在于，所述采集车辆运行数据，包括：

获取车载传感器采集的车速以及姿态信息；

获取通过全球定位系统采集的定位数据、摄像头采集的图像数据以及雷达采集的雷达数据；

根据所述图像数据和/或所述雷达数据对所述定位数据进行修正，得到车辆位置信息；所述车速、所述车辆位置信息以及所述姿态信息组成车辆运行数据。

3.根据权利要求1或2所述的方法，其特征在于，在将所述车辆运行数据分解为目标欧拉角对应的车辆运行数据之前，所述方法还包括：

将所述车辆运行数据分割为多个时间段的车辆运行数据；

将各个所述时间段的车辆运行数据进行坐标系对齐，生成对齐后的各个时间段的车辆运行数据，并将对齐后的各个时间段的车辆运行数据重新确定为车辆运动数据。

4.根据权利要求1所述的方法，其特征在于，所述利用所述训练样本训练初始LSTM时序网络，生成所述目标欧拉角对应的车辆姿态角预测模型，包括：

将所述连续第一数量时刻的目标欧拉角对应的车辆运行数据输入初始LSTM时序网络，获得所述连续第二数量时刻的目标欧拉角对应的预测角度值；

根据所述连续第二数量时刻的目标欧拉角对应的预测角度值以及所述连续第二数量时刻的目标欧拉角对应的角度值，计算损失值；

根据所述损失值调整所述初始LSTM时序网络；

重复执行将所述连续第一数量时刻的目标欧拉角对应的车辆运行数据输入初始LSTM时序网络以及后续步骤，直到达到预设条件，生成所述目标欧拉角对应的车辆姿态角预测模型。

5.一种车辆姿态角预测方法，其特征在于，所述方法包括：

获取连续第一数量时刻的车辆实时运行数据，所述车辆实时运行数据包括车速、车辆位置信息以及姿态信息，所述姿态信息包括至少一个欧拉角的角度值；

将所述连续第一数量时刻的车辆实时运行数据输入目标欧拉角对应的车辆姿态角预测模型，获得连续第二数量时刻的目标欧拉角的预测角度值；所述目标欧拉角分别为每一所述欧拉角，所述连续第一数量时刻与所述连续第二数量时刻组成连续时刻，所述目标欧拉角对应的车辆姿态角预测模型是根据权利要求1-4任一项所述的车辆姿态角预测模型的训练方法训练生成的。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

从所述连续第二数量时刻的目标欧拉角的预测角度值中获得当前时刻的目标欧拉角的预测角度值；

根据所述当前时刻的目标欧拉角的预测角度值调整车载投影系统的投影矩阵。

7.一种车辆姿态角预测模型的训练装置，其特征在于，所述装置包括：

采集单元，用于采集车辆运行数据，所述车辆运行数据包括车速、车辆位置信息以及姿态信息，所述姿态信息包括至少一个欧拉角的角度值；

分解单元，用于将所述车辆运行数据分解为目标欧拉角对应的车辆运行数据，所述目标欧拉角分别为每一所述欧拉角；

截取单元，用于从所述目标欧拉角对应的车辆运行数据中截取连续第一数量时刻的目标欧拉角对应的车辆运行数据以及连续第二数量时刻的目标欧拉角对应的角度值作为训练样本；所述连续第一数量时刻与所述连续第二数量时刻组成连续时刻；

训练单元，用于利用所述训练样本训练初始LSTM时序网络，生成所述目标欧拉角对应的车辆姿态角预测模型。