CN109376664B - 机器学习训练方法、装置、服务器和介质 - Google Patents

Abstract

本发明实施例公开了一种机器学习训练方法、装置、服务器和介质，其中，该方法包括：确定被识别对象的类型和初始状态，并向承载被识别对象的移动装置发送移动指令；在被识别对象移动的过程中，利用位置固定的采集装置按照设定的频率采集被识别对象的图像数据；根据被识别对象的初始状态、移动速度和移动方向，和/或采集装置与被识别对象之间的距离，确定每一帧图像数据所对应的被识别对象的实时状态；将被识别对象的图像数据作为输入值，将被识别对象的类型和实时状态作为期望输出值，进行机器学习训练。本发明实施例解决了机器学习训练过程中采用人工标注训练数据而导致训练效率较低的问题，提高了机器学习训练的效率，降低了人力成本。

Description

机器学习训练方法、装置、服务器和介质

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种机器学习训练方法、装置、服务器和介质。

背景技术

随着人工智能技术的发展，机器学习在智能驾驶领域得到了广泛的应用。例如，在无人驾驶技术中，可以利用机器学习对行车过程中的障碍物进行识别、预测障碍物运动状态或者提供行车导航等。

然而，目前用于机器学习的训练数据都需要进行人工标注，例如，采集完样本数据后，基于数据处理工具对样本数据中各种障碍物的状态进行人工标注，然后再进行机器学习训练。尤其是对障碍物的识别精度要求较高时，对障碍物在各个状态下的标注信息要求更加细致和全面，对应的采集数据量随之增加，此时，更需要投入大量的人力物力进行数据标记，获取到与障碍物相关的真值数据，从而用于机器学习。

由此可见，训练数据的人工标注，不仅导致机器学习训练的效率较低而且成本高昂。

发明内容

本发明实施例提供一种机器学习训练方法、装置、服务器和介质，以提高机器学习训练效率。

第一方面，本发明实施例提供了一种机器学习训练方法，该方法包括：

确定被识别对象的类型和初始状态，并向承载所述被识别对象的移动装置发送移动指令，其中，所述移动指令包括移动速度和移动方向；

在所述被识别对象移动的过程中，利用位置固定的采集装置按照设定的频率采集所述被识别对象的图像数据；

根据所述被识别对象的初始状态、移动速度和移动方向，和/或所述采集装置与所述被识别对象之间的距离，确定每一帧图像数据所对应的被识别对象的实时状态；

将所述被识别对象的图像数据作为输入值，将所述被识别对象的类型和实时状态作为期望输出值，进行机器学习训练。

第二方面，本发明实施例还提供了一种机器学习训练装置，该装置包括：

初始数据确定模块，用于确定被识别对象的类型和初始状态，并向承载所述被识别对象的移动装置发送移动指令，其中，所述移动指令包括移动速度和移动方向；

图像数据采集模块，用于在所述被识别对象移动的过程中，利用位置固定的采集装置按照设定的频率采集所述被识别对象的图像数据；

实时状态确定模块，用于根据所述被识别对象的初始状态、移动速度和移动方向，和/或所述采集装置与所述被识别对象之间的距离，确定每一帧图像数据所对应的被识别对象的实时状态；

训练模块，用于将所述被识别对象的图像数据作为输入值，将所述被识别对象的类型和实时状态作为期望输出值，进行机器学习训练。

第三方面，本发明实施例还提供了一种服务器，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

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本发明任一实施例所述的机器学习训练方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的机器学习训练方法。

本发明实施例通过确定被识别对象的类型和初始状态，并向承载被识别对象的移动装置发送移动指令；在被识别对象移动的过程中，利用位置固定的采集装置按照设定的频率采集被识别对象的图像数据，进而根据被识别对象的运动状态和/或与采集装置的距离，确定每一帧图像数据所对应的被识别对象的实时状态；最终将被识别对象的图像数据作为输入值，将被识别对象的类型和实时状态作为期望输出值，进行机器学习训练。本发明实施例解决了机器学习训练过程中采用人工标注训练数据而导致训练效率较低的问题，以训练数据在采集过程中便自动标注的方式提高了机器学习训练的效率，降低了人力成本。

附图说明

图1是本发明实施例一提供的机器学习训练方法的流程图；

图2是本发明实施例二提供的机器学习训练方法的流程图；

图3是本发明实施例三提供的机器学习训练方法的流程图；

图4是本发明实施例四提供的机器学习训练装置的结构示意图；

图5是本发明实施例五提供的一种服务器的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1是本发明实施例一提供的机器学习训练方法的流程图，本实施例可适用于无人驾驶技术所涉及的机器学习训练的情况，该方法可以由机器学习训练装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在服务器上。如图1所示，该方法可以包括：

S110、确定被识别对象的类型和初始状态，并向承载被识别对象的移动装置发送移动指令，其中，移动指令包括移动速度和移动方向。

本实施例中的被识别对象包括车辆行驶过程中可能遇到的所有类型的障碍物，例如，各种汽车、自行车、摩托车、行人(本实施例中使用部署的假人代替)、树木、交通标示牌、锥型桶和垃圾桶等。在采集训练数据之前，首先在固定场地适应性部署至少一个被识别对象，然后记录被识别对象的类型以及当前相对于参考标准的初始状态，其中，参考标准可以选择为固定场地中设置的采集装置。当承载被识别对象的移动装置接收到移动指令后，带动被识别对象同时移动，从而模拟车辆在行驶过程中可能遇到的被识别对象的任意状态。

被识别对象的移动速度可以和移动装置的移动速度相同，也可以存在差异，与实际设置的运动模式有关，本实施例不做具体限定，可以优选选择设置被识别对象与移动装置实时同步运动。此外，移动装置包括任意的可自动化控制的移动设备，移动指令可以是由服务器或者终端控制的自动发送，也可以是由工作人员人工控制发送。

S120、在被识别对象移动的过程中，利用位置固定的采集装置按照设定的频率采集被识别对象的图像数据。

采集装置预先设置在距离被识别对象一定距离的固定位置处，按照设定的频率采集图像数据作为训练数据，同时将采集的数据实时传输至服务器。由于被识别对象处于可移动状态，利用位置固定的采集装置进行图像数据采集，可以保证采集到被识别对象在任意运动状态下的图像数据，从而保证训练数据采集的全面性。

相比于现有技术中大多采用将包含障碍物的车辆实际行驶环境数据作为训练数据，本实施例采用部署被识别对象与基于移动指令控制其移动的方式构建数据采集环境，使得与被识别对象相关的训练数据具有可调控性，而非如同真实的环境中被识别对象的实际状态决定了训练数据不具有可调控性。并且，本方案中训练数据的采集更具有针对性，即可以在被识别对象的实时移动过程中，高效采集全面的训练数据。

可选的，采集装置至少包括相机、激光雷达或毫米波雷达；相应的，图像数据包括二维图像数据或激光点云数据。

采集装置包括但不限相机、激光雷达或毫米波雷达。所有的车辆适用的具有数据采集功能的传感器，尤其是无人车上可用的传感器，均可以作为采集装置。这样可以方便后续直接将训练好的识别模型下发到车辆系统上，基于车辆上传感器采集的图像数据进行障碍物识别。采集的图像数据类型与具体的采集装置相关。

S130、根据被识别对象的初始状态、移动速度和移动方向，和/或采集装置与被识别对象之间的距离，确定每一帧图像数据所对应的被识别对象的实时状态。

如果被识别对象与移动装置同步移动，则移动指令中的移动对象和移动方向即被识别对象的移动速度和移动方向；如果被识别对象与移动装置的移动速度不同，便需要依据预先设置的运动模式中的差值，基于移动指令得到被识别对象的实际移动速度。然后，结合被识别对象的初始状态、移动方向、对应于每一帧图像数据的移动时间和与采集装置的距离等描述运动状态的参数，应用运动学相关理论，确定出被识别对象在当前帧图像数据中相对于参考标准的实时状态，该实时状态可用于准确描述被识别对象，例如，当前朝向采集装置的是其正面或者侧面等。其中，由于采集装置按照预设的频率采集图像数据，因此，采集每一帧图像数据的时间便可以确定，进而可以确定被识别对象对应于每一帧图像数据的移动时间，该移动时间包括以初始状态时刻为时间起点的连续移动时间，也包括相邻两次移动状态之间的移动时间间隔。需要说明的是，在确定被识别对象的实时状态过程中，涉及的计算参数可以根据计算需要进行任意组合，例如被识别对象与采集装置之间的距离便属于可选的计算参数，根据实际计算需要确定是否考虑该距离参数。

可选的，在被识别对象与采集装置之间，还布设有遮挡物。

利用遮挡物可以营造出被识别对象被遮挡的状态。在采集处于遮挡状态的被识别对象的图像数据时，同时记录其被遮挡的角度与遮盖面积，作为被识别对象在当前帧图像数据中的实时状态。

需要说明的是，本实施例中，每一帧图像数据与被识别对象的类型及其实时状态之间存在一一对应的关系，并且，采集被识别对象的图像数据与确定每一帧图像数据所对应的被识别对象的实时状态是同步实现的过程，即当前帧图像数据被采集后，被识别对象的当前状态便实时确定，同时，考虑被识别对象的类型也是已知的，因而实现了在图像数据采集的过程中便对被识别对象进行自动标注的效果，无需在采集图像数据后利用标注工具对图像上的被识别对象的类型和实时状态进行人工标注。

S140、将被识别对象的图像数据作为输入值，将被识别对象的类型和实时状态作为期望输出值，进行机器学习训练。

将标注好的图像数据用于机器学习训练，例如，可以训练出障碍物识别模型，根据车辆行驶过程采集的环境图像数据，准确识别出道路上的障碍物信息。

本实施例的技术方案通过确定被识别对象的类型和初始状态，并向承载被识别对象的移动装置发送移动指令；在被识别对象移动的过程中，利用位置固定的采集装置按照设定的频率采集被识别对象的图像数据，进而根据被识别对象的运动状态和/或与采集装置的距离，确定每一帧图像数据所对应的被识别对象的实时状态；最终将被识别对象的图像数据作为输入值，将被识别对象的类型和实时状态作为期望输出值，进行机器学习训练。本发明实施例解决了机器学习训练过程中采用人工标注训练数据而导致训练效率较低的问题，以训练数据在采集过程中便自动标注的方式提高了机器学习训练的效率，降低了人力成本，并且，本实施方案中训练数据的采集具有可调控性，同时也保证了训练数据采集的全面性。

实施例二

图2是本发明实施例二提供的机器学习训练方法的流程图，本实施例是在上述实施例的基础上进一步进行优化。如图2所示，该方法可以包括：

S210、确定被识别对象的类型和初始状态，并向承载被识别对象的移动装置发送移动指令，其中，移动指令为旋转指令，包括旋转角速度和旋转方向。

本实施例中以被识别对象的旋转为例，对机器学习训练方法进行示例性说明。具体的，移动装置包括部署在被识别对象底部的可控机械转轮装置，可控机械转轮装置固定于地面上。移动装置接收到旋转指令后，带动被识别对象一起旋转。

S220、在被识别对象移动的过程中，利用位置固定的采集装置按照设定的频率采集被识别对象的图像数据。

S230、根据被识别对象的初始状态、旋转角速度和旋转方向，以及每一帧图像数据的采集时间，确定采集每一帧图像数据时被识别对象相对初始状态的旋转变化量。

其中，图像数据的采集时间可以是以采集装置开始采集第一帧图像数据的时间作为时间起点，到采集当前帧图像数据的时间，此时，该采集时间相当于被识别对象的持续旋转时间；图像数据的采集时间也可以是当前帧图像数据与上一帧图像数据之间的采集时间间隔，此时，该采集时间相当于被识别对象在两次相邻旋转状态之间的旋转时间间隔。基于旋转角度、旋转方向和旋转相关的时间等参数，应用运动学原理，计算被识别对象的旋转变化量。

S240、基于旋转变化量确定每一帧图像所对应的被识别对象的实时状态。

基于矢量运算，在初始状态的基础上叠加旋转变化量，得到被识别对象当前的实时状态。

S250、将被识别对象的图像数据作为输入值，将被识别对象的类型和实时状态作为期望输出值，进行机器学习训练。

本实施例的技术方案通过确定被识别对象的类型和初始状态，并向承载被识别对象的移动装置发送旋转指令，根据计算得到的被识别对象的旋转变化量，确定被识别对象在每一帧图像数据中的实时状态；将被识别对象的图像数据作为输入值，将被识别对象的类型和实时状态作为期望输出值，进行机器学习训练。本发明实施例解决了机器学习训练过程中采用人工标注训练数据而导致训练效率较低的问题，以训练数据在采集过程中便自动标注的方式提高了机器学习训练的效率，降低了人力成本。

实施例三

图3是本发明实施例三提供的机器学习训练方法的流程图，本实施例是在上述实施例的基础上进一步进行优化。如图3所示，该方法可以包括：

S310、确定被识别对象的类型和初始状态，并向承载被识别对象的移动装置发送移动指令，其中，移动指令为行进指令，包括行进轨迹、行进速度和行进方向。

本实施例中以被识别对象的行进为例，对机器学习训练方法进行示例性说明。本实施例中移动装置包括部署在被识别对象底部的可移动承载装置。移动装置接收到行进指令后，带动被识别对象按照行进轨迹一起行进。

S320、在被识别对象移动的过程中，利用位置固定的采集装置按照设定的频率采集被识别对象的图像数据。

S330、根据被识别对象的初始状态、行进轨迹、行进速度和行进方向，以及采集装置与被识别对象之间的距离和每一帧图像数据的采集时间，确定采集每一帧图像数据时被识别对象相对初始状态的行进变化量。

其中，图像数据的采集时间可以是以采集装置开始采集第一帧图像数据的时间作为时间起点，到采集当前帧图像数据的时间，此时，该采集时间相当于被识别对象的持续行进时间；图像数据的采集时间也可以是当前帧图像数据与上一帧图像数据之间的采集时间间隔，此时，该采集时间相当于被识别对象在两次相邻行进状态之间的行进时间间隔。基于被识别对象的行进速度、行进方向、行进相关的时间以及与采集装置的距离等参数，应用运动学原理，计算被识别对象的行进变化量。

S340、基于行进变化量确定每一帧图像所对应的被识别对象的实时状态。

基于矢量运算，在初始状态的基础上叠加行进变化量，得到被识别对象当前的实时状态。

S350、将被识别对象的图像数据作为输入值，将被识别对象的类型和实时状态作为期望输出值，进行机器学习训练。

可选的，将被识别对象的图像数据作为输入值，将被识别对象的类型和实时状态作为期望输出值，进行机器学习训练，包括：

将被识别对象的任一目标帧图像数据作为输入值；

将被识别对象的类型，和在目标帧图像数据之后采集的至少一帧图像数据各自所对应的被识别对象的实时状态作为预测的期望输出值，进行机器学习训练。

其中，将在目标帧图像数据之后采集图像数据中被识别对象的实时状态作为预测的期望输出值，根据实时状态的变化，可以得到被识别对象的位置变化，即本实施例方案还可以实现预测被识别对象在下一时刻的位置或者行进轨迹的效果。

本实施例的技术方案通过确定被识别对象的类型和初始状态，并向承载被识别对象的移动装置发送进行行进的移动指令，根据计算得到的被识别对象的行进变化量，确定被识别对象在每一帧图像数据中的实时状态；将被识别对象的图像数据作为输入值，将被识别对象的类型和实时状态作为期望输出值，进行机器学习训练。本发明实施例解决了机器学习训练过程中采用人工标注训练数据而导致训练效率较低的问题，以训练数据在采集过程中便自动标注的方式提高了机器学习训练的效率，降低了人力成本；此外，通过本实施例方案中的机器学习训练，不仅可以实现识别车辆行驶过程中的障碍物的效果，还可以实现预测障碍物的位置或者行进轨迹的效果。

实施例四

图4是本发明实施例四提供的机器学习训练装置的结构示意图，本实施例可适用于无人驾驶技术所涉及的机器学习训练的情况。该装置可以采用软件和/或硬件的方式实现，并可集成在服务器上。

如图4所示，本实施例提供的装置包括初始数据确定模块410、图像数据采集模块420、实时状态确定模块430和训练模块440，其中：

初始数据确定模块410，用于确定被识别对象的类型和初始状态，并向承载被识别对象的移动装置发送移动指令，其中，移动指令包括移动速度和移动方向；

图像数据采集模块420，用于在被识别对象移动的过程中，利用位置固定的采集装置按照设定的频率采集被识别对象的图像数据；

实时状态确定模块430，用于根据被识别对象的初始状态、移动速度和移动方向，和/或采集装置与被识别对象之间的距离，确定每一帧图像数据所对应的被识别对象的实时状态；

训练模块440，用于将被识别对象的图像数据作为输入值，将被识别对象的类型和实时状态作为期望输出值，进行机器学习训练。

可选的，采集装置至少包括相机、激光雷达或毫米波雷达；

相应的，图像数据包括二维图像数据或激光点云数据。

可选的，移动装置包括部署在被识别对象底部的可控机械转轮装置，可控机械转轮装置固定于地面上；

相应的，移动指令为旋转指令，包括旋转角速度和旋转方向。

可选的，实时状态确定模块430包括：

旋转变化量确定单元，用于根据被识别对象的初始状态、旋转角速度和旋转方向，以及每一帧图像数据的采集时间，确定采集每一帧图像数据时被识别对象相对初始状态的旋转变化量；

旋转实时状态确定单元，用于基于旋转变化量确定每一帧图像所对应的被识别对象的实时状态。

可选的，移动装置包括部署在被识别对象底部的可移动承载装置；

相应的，移动指令为行进指令，包括行进轨迹、行进速度和行进方向。

可选的，实时状态确定模块430包括：

行进变化量确定单元，用于根据被识别对象的初始状态、行进轨迹、行进速度和行进方向，以及采集装置与被识别对象之间的距离和每一帧图像数据的采集时间，确定采集每一帧图像数据时被识别对象相对初始状态的行进变化量；

行进实时状态确定单元，用于基于行进变化量确定每一帧图像所对应的被识别对象的实时状态。

可选的，训练模块440包括：

输入确定单元，用于将被识别对象的任一目标帧图像数据作为输入值；

输出确定单元，用于将被识别对象的类型，和在目标帧图像数据之后采集的至少一帧图像数据各自所对应的被识别对象的实时状态作为预测的期望输出值，进行机器学习训练。

可选的，在被识别对象与采集装置之间，还布设有遮挡物。

本发明实施例所提供的机器学习训练装置可执行本发明任意实施例所提供的机器学习训练方法，具备执行方法相应的功能模块和有益效果。

实施例五

图5是本发明实施例五提供的一种服务器的结构示意图。图5示出了适于用来实现本发明实施方式的示例性服务器512的框图。图5显示的服务器512仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，服务器512以通用服务器的形式表现。服务器512的组件可以包括但不限于：一个或者多个处理器516，存储装置528，连接不同系统组件(包括存储装置528和处理器516)的总线518。

总线518表示几类总线结构中的一种或多种，包括存储装置总线或者存储装置控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry SubversiveAlliance，ISA)总线，微通道体系结构(Micro Channel Architecture，MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。

服务器512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器512访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储装置528可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)430和/或高速缓存存储器532。服务器512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统534可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘，例如只读光盘(Compact Disc Read-Only Memory，CD-ROM),数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储装置528可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块542的程序/实用工具540，可以存储在例如存储装置528中，这样的程序模块542包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本发明所描述的实施例中的功能和/或方法。

服务器512也可以与一个或多个外部设备514(例如键盘、指向终端、显示器524等)通信，还可与一个或者多个使得用户能与该服务器512交互的终端通信，和/或与使得该服务器512能与一个或多个其它计算终端进行通信的任何终端(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且，服务器512还可以通过网络适配器520与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网(Wide AreaNetwork，WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器520通过总线518与服务器512的其它模块通信。应当明白，尽管图中未示出，可以结合服务器512使用其它硬件和/或软件模块，包括但不限于：微代码、终端驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks，RAID)系统、磁带驱动器以及数据备份存储系统等。

处理器516通过运行存储在存储装置528中的程序，从而执行各种功能应用以及数据处理，例如实现本发明任意实施例所提供的机器学习训练方法，该方法可以包括：

确定被识别对象的类型和初始状态，并向承载所述被识别对象的移动装置发送移动指令，其中，所述移动指令包括移动速度和移动方向；

在所述被识别对象移动的过程中，利用位置固定的采集装置按照设定的频率采集所述被识别对象的图像数据；

根据所述被识别对象的初始状态、移动速度和移动方向，和/或所述采集装置与所述被识别对象之间的距离，确定每一帧图像数据所对应的被识别对象的实时状态；

将所述被识别对象的图像数据作为输入值，将所述被识别对象的类型和实时状态作为期望输出值，进行机器学习训练。

实施例六

本发明实施例六还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的机器学习训练方法，该方法可以包括：

确定被识别对象的类型和初始状态，并向承载所述被识别对象的移动装置发送移动指令，其中，所述移动指令包括移动速度和移动方向；

在所述被识别对象移动的过程中，利用位置固定的采集装置按照设定的频率采集所述被识别对象的图像数据；

根据所述被识别对象的初始状态、移动速度和移动方向，和/或所述采集装置与所述被识别对象之间的距离，确定每一帧图像数据所对应的被识别对象的实时状态；

将所述被识别对象的图像数据作为输入值，将所述被识别对象的类型和实时状态作为期望输出值，进行机器学习训练。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。

计算机可读的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。计算机可读的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——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

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发明操作的计算机程序代码，所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终端上执行。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)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (11)

1.一种机器学习训练方法，其特征在于，包括：

确定被识别对象的类型和初始状态，并向承载所述被识别对象的移动装置发送移动指令，其中，所述移动指令包括移动速度和移动方向；

在所述被识别对象移动的过程中，利用位置固定的采集装置按照设定的频率采集所述被识别对象的图像数据；

根据所述被识别对象的初始状态、移动速度和移动方向，和/或所述采集装置与所述被识别对象之间的距离，确定每一帧图像数据所对应的被识别对象的实时状态；

将所述被识别对象的图像数据作为输入值，将所述被识别对象的类型和实时状态作为期望输出值，进行机器学习训练。

2.根据权利要求1所述的方法，其特征在于，所述采集装置至少包括相机、激光雷达或毫米波雷达；

相应的，所述图像数据包括二维图像数据或激光点云数据。

3.根据权利要求1所述的方法，其特征在于，所述移动装置包括部署在所述被识别对象底部的可控机械转轮装置，所述可控机械转轮装置固定于地面上；

相应的，所述移动指令为旋转指令，包括旋转角速度和旋转方向。

4.根据权利要求3所述的方法，其特征在于，根据所述被识别对象的初始状态、移动速度和移动方向，和/或所述采集装置与所述被识别对象之间的距离，确定每一帧图像数据所对应的被识别对象的实时状态，包括：

根据所述被识别对象的初始状态、旋转角速度和旋转方向，以及每一帧图像数据的采集时间，确定采集每一帧图像数据时所述被识别对象相对所述初始状态的旋转变化量；

基于所述旋转变化量确定每一帧图像所对应的被识别对象的实时状态。

5.根据权利要求1所述的方法，其特征在于，所述移动装置包括部署在所述被识别对象底部的可移动承载装置；

相应的，所述移动指令为行进指令，包括行进轨迹、行进速度和行进方向。

6.根据权利要求5所述的方法，其特征在于，根据所述被识别对象的初始状态、移动速度和移动方向，和/或所述采集装置与所述被识别对象之间的距离，确定每一帧图像数据所对应的被识别对象的实时状态，包括：

根据所述被识别对象的初始状态、行进轨迹、行进速度和行进方向，以及所述采集装置与所述被识别对象之间的距离和每一帧图像数据的采集时间，确定采集每一帧图像数据时所述被识别对象相对所述初始状态的行进变化量；

基于所述行进变化量确定每一帧图像所对应的被识别对象的实时状态。

7.根据权利要求5所述的方法，其特征在于，将所述被识别对象的图像数据作为输入值，将所述被识别对象的类型和实时状态作为期望输出值，进行机器学习训练，包括：

将所述被识别对象的任一目标帧图像数据作为输入值；

将所述被识别对象的类型，和在所述目标帧图像数据之后采集的至少一帧图像数据各自所对应的所述被识别对象的实时状态作为预测的期望输出值，进行机器学习训练。

8.根据权利要求1所述的方法，其特征在于，在所述被识别对象与所述采集装置之间，还布设有遮挡物。

9.一种机器学习训练装置，其特征在于，包括：

初始数据确定模块，用于确定被识别对象的类型和初始状态，并向承载所述被识别对象的移动装置发送移动指令，其中，所述移动指令包括移动速度和移动方向；

图像数据采集模块，用于在所述被识别对象移动的过程中，利用位置固定的采集装置按照设定的频率采集所述被识别对象的图像数据；

实时状态确定模块，用于根据所述被识别对象的初始状态、移动速度和移动方向，和/或所述采集装置与所述被识别对象之间的距离，确定每一帧图像数据所对应的被识别对象的实时状态；

训练模块，用于将所述被识别对象的图像数据作为输入值，将所述被识别对象的类型和实时状态作为期望输出值，进行机器学习训练。

10.一种服务器，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

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1～8中任一所述的机器学习训练方法。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～8中任一所述的机器学习训练方法。

Images