CN110929431B - 一种车辆行驶决策模型的训练方法及装置 - Google Patents

Abstract

本说明书公开了一种车辆行驶决策模型的训练方法及装置，本说明书通过历史数据训练第一决策模型，对训练好的第一决策模型加扰得到第二决策模型；获取当前的车辆状态信息和当前的环境信息，并将当前的车辆状态信息和当前的环境信息分别输入到第一决策模型和第二决策模型，得到第一决策模型输出的第一行驶决策，和第二决策模型输出的第二行驶决策；根据第一行驶决策和第二行驶决策，确定用于训练第三决策模型的标签；并根据标签，以当前的车辆状态信息和当前的环境信息为输入，对待训练的第三决策模型进行训练。本说明书训练的第三决策模型降低了对历史数据的依赖，能够输出适应于车辆所处的环境和车辆行驶状态的行驶决策，模型的泛化性较强。

Description

一种车辆行驶决策模型的训练方法及装置

技术领域

本说明书涉及无人驾驶技术领域，尤其涉及一种车辆行驶决策模型的训练方法及装置。

背景技术

目前，车辆的智能化作为人工智能技术的重要组成部分，在社会生产、生活中的作用日益凸显，成为引导交通技术发展的主要方向之一。

在现有技术中，无人车及具有辅助驾驶功能的车辆（以下统称“车辆”）多采用预设的决策模型，根据对车辆所处的环境的分析，得出与该环境相适应的行驶决策，使得车辆能够根据该行驶决策行驶。可见，决策模型的训练决定了决策模型所输出的行驶决策的准确性。

当前，在决策模型的训练过程中，需要根据大量的已知专家数据对模型进行训练。专家数据一般包括各个时间点的车辆的动作以及车辆所处的环境，可以以车辆当前时刻的动作和车辆当前所处环境为输入，以下一时刻车辆的动作为标签，对模型进行训练。

然而，在实际操作过程中，由于专家数据的获取比较复杂，获取之后还需要人工筛选专家数据以及对专家数据做标签等处理，导致工作量很大。而且，如果仅根据专家数据对模型进行训练，会使得训练的决策模型对专家数据的依赖性较强，影响决策模型训练效果，导致该模型泛化性较差，使得该训练后的决策模型无法输出适应于车辆所处的环境和车辆行驶状态的行驶决策，危及车辆的行驶安全。在车辆处于交通状况较为复杂的环境中时，上述弊端将更加明显。

发明内容

本说明书实施例提供一种车辆行驶决策模型的训练方法及装置，以部分解决上述现有技术存在的问题。

本说明书实施例采用下述技术方案：

本说明书提供的一种车辆行驶决策模型的训练方法，包括：

根据历史数据，对待训练的第一决策模型进行训练，得到训练后的第一决策模型；所述第一决策模型用于根据输入的车辆状态信息和环境信息输出第一行驶决策；

对所述训练后的第一决策模型加扰，得到第二决策模型；所述第二决策模型用于根据输入的车辆状态信息和环境信息输出第二行驶决策；

获取当前的车辆状态信息和当前的环境信息；

将所述当前的车辆状态信息和所述当前的环境信息分别输入到所述训练后的第一决策模型和所述第二决策模型，得到第一行驶决策和第二行驶决策；

根据所述第一行驶决策和所述第二行驶决策，确定用于训练第三决策模型的标签；

以所述当前的车辆状态信息和所述当前的环境信息作为输入，根据所述标签，对待训练的第三决策模型进行训练。

可选的，根据历史数据，对待训练的第一决策模型进行训练，具体包括：

将历史数据中包含的指定历史时刻的车辆状态信息和所述指定历史时刻的环境信息输入待训练的第一决策模型，得到所述待训练的第一决策模型输出的预测轨迹；其中，所述预测轨迹为在所述指定历史时刻之后指定时间段内的行驶轨迹，所述预测轨迹包含若干轨迹点，不同的轨迹点对应于所述指定时间段中不同的时刻。根据所述预测轨迹中的各轨迹点、所述各轨迹点对应的置信度、所述历史数据中包含的所述指定历史时刻之后的各时刻的车辆状态信息，确定所述预测轨迹与所述历史数据中包含的所述指定历史时刻之后的各时刻所述车辆的实际轨迹的差异；其中，针对每个轨迹点，该轨迹点对应的置信度，与该轨迹点对应的时刻距离所述指定历史时刻的时间长度呈负相关。以差异最小化为训练目标，对所述待训练的第一决策模型进行训练，得到训练后的第一决策模型。

可选的，对所述训练后的第一决策模型加扰，得到第二决策模型，具体包括：调整所述训练后的第一决策模型中的至少一个模型参数，得到调整后的模型，作为第二决策模型。

可选的，根据所述第一行驶决策和所述第二行驶决策，确定用于训练第三决策模型的标签，具体包括：在仿真环境下对所述第一行驶决策和所述第二行驶决策进行测试，得到所述第一行驶决策和所述第二行驶决策分别对应的评分；根据所述第一行驶决策的评分和所述第二行驶决策的评分，从所述第一行驶决策和所述第二行驶决策中，选择作为训练第三决策模型的标签的决策。

可选的，根据所述第一行驶决策的评分和所述第二行驶决策的评分，从所述第一行驶决策和所述第二行驶决策中，选择作为训练第三决策模型的标签的决策，具体包括：根据所述第一行驶决策的评分和所述第二行驶决策的评分，确定所述第一行驶决策和所述第二行驶决策分别对应的选择概率；其中，所述选择概率与评分呈正相关；根据所述选择概率，从所述第一行驶决策和所述第二行驶决策中，选择作为训练第三决策模型的标签的决策。

可选的，以所述当前的车辆状态信息和所述当前的环境信息作为输入，根据所述标签，对待训练的第三决策模型进行训练，具体包括：将所述当前的车辆状态信息和所述当前的环境信息输入待训练的第三决策模型，得到所述待训练的第三决策模型输出的第三行驶决策；根据所述第三行驶决策、所述用于训练第三决策模型的标签，确定所述第三行驶决策的奖励；以奖励最大化为训练目标，对所述待训练的第三决策模型进行训练，得到训练后的第三决策模型。

可选的，所述车辆状态信息包括车辆位姿；所述环境信息包括车辆感知的环境中各障碍物的状态信息。

可选的，所述第三决策模型为强化学习模型。

可选的，所述方法还包括：当要确定车辆的行驶轨迹时，获取所述车辆监测到的自身的车辆状态信息和环境信息；将监测到的所述车辆状态信息和环境信息输入到训练后的第三决策模型中，得到所述训练后的第三决策模型输出的行驶决策；根据所述训练后的第三决策模型输出的行驶决策，对所述车辆进行控制。

本说明书提供的一种车辆行驶决策模型的训练装置，包括：

预训练模块，用于根据历史数据，对待训练的第一决策模型进行训练，得到训练后的第一决策模型；所述第一决策模型用于根据输入的车辆状态信息和环境信息输出第一行驶决策；

加扰模块，用于对所述训练后的第一决策模型加扰，得到第二决策模型；所述第二决策模型用于根据输入的车辆状态信息和环境信息输出第二行驶决策；

获取模块，用于获取当前的车辆状态信息和当前的环境信息；

输入模块，用于将所述当前的车辆状态信息和所述当前的环境信息分别输入到所述训练后的第一决策模型和所述第二决策模型，得到第一行驶决策和第二行驶决策；

选择模块，用于根据所述第一行驶决策和所述第二行驶决策，确定用于训练第三决策模型的标签；

训练模块，用于以所述当前的车辆状态信息和所述当前的环境信息作为输入，根据所述标签，对待训练的第三决策模型进行训练。

本说明书提供的一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述车辆行驶决策模型的训练方法。

本说明书提供的一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述车辆行驶决策模型的训练方法。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

本说明书实施例通过历史数据预训练一个决策模型，并对该决策模型加扰得到另一个决策模型，根据两个模型输出的行驶决策确定标签，通过确定的标签训练车辆行驶决策模型，即第三决策模型，该种训练方式降低了第三决策模型对历史数据的依赖，当车辆处于交通状况较为复杂的环境中时，也能输出适应于车辆所处的环境和车辆行驶状态的行驶决策，使得第三决策模型的泛化性较强。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1为本说明书实施例提供的一种车辆行驶决策模型的训练方法的流程示意图；

图2为本说明书实施例提供的一种车辆行驶决策模型的训练过程示意图；

图3为本说明书实施例提供的第一决策模型训练时输出的预测轨迹与历史数据中的实际轨迹的示意图；

图4为本说明书实施例提供的一种车辆行驶决策模型的训练装置的结构示意图；

图5为本说明书实施例提供的电子设备的结构示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图1为本说明书提供的一种车辆行驶决策模型的训练方法的流程示意图，该流程示意图包括：

S100：根据历史数据，对待训练的第一决策模型进行训练，得到训练后的第一决策模型；第一决策模型用于根据输入的车辆状态信息和环境信息输出第一行驶决策。

历史数据可为驾驶专家在不同路况环境下驾驶车辆时的车辆状态等数据，比如，通过专家的驾驶，在超车环境下，车辆所处的状态为加速、改变方向等。车辆状态信息可包括车辆位姿（如，车辆所处的位置、车辆姿态、车辆的朝向等）、车辆速率等。环境信息可包括车辆感知的环境中各障碍物的状态信息、交通信号灯信息、行驶路况信息等，其中，障碍物可为动态障碍物（如，其他车辆、行人）和静态障碍物（如，栏杆），障碍物的状态信息可为障碍物的位姿、外形等。

S102：对训练后的第一决策模型加扰，得到第二决策模型；第二决策模型用于根据输入的车辆状态信息和环境信息输出第二行驶决策。

由于第一决策模型是通过历史数据训练得到的，因此，第一决策模型对历史数据的依赖性较强。将第一决策模型训练后，可对第一决策模型随机加扰，得到第二决策模型。由于第二决策模型是对第一决策模型随机加扰得到的，因此，第二决策模型可在一定程度上脱离对历史数据的依赖。

其中，对训练后的第一决策模型加扰的方式可为调整训练后的第一决策模型中的至少一个模型参数，得到调整后的模型，作为第二决策模型。具体的，可以调整第一决策模型中原有的模型参数（比如，在一个模型参数的指定邻域范围内随机调整该模型参数），也可以直接删掉模型中的部分模型参数，还可以在模型中增加部分模型参数。具体采用哪种加扰方式，本说明书实施例对此不作限制。

S104：获取当前的车辆状态信息和当前的环境信息。

当前的车辆状态信息可通过车辆上安装的各传感器得知，还可直接从该车辆的控制系统中获取。当前的环境信息也可通过车辆自身的传感器或者控制系统获取，另外，环境信息还可通过云端设备基于车辆所处的位置来确定。总之，获取当前的车辆状态信息和当前的环境信息的方式有多种，本说明书实施例对此不作限制。

S106：将当前的车辆状态信息和当前的环境信息分别输入到训练后的第一决策模型和第二决策模型，得到第一行驶决策和第二行驶决策。

如图2所示，将当前的车辆状态信息和当前的环境信息输入到训练后的第一决策模型，得到第一行驶决策。另外，将当前的车辆状态信息和当前的环境信息输入到第二决策模型，得到第二行驶决策。

S108：根据第一行驶决策和第二行驶决策，确定用于训练第三决策模型的标签。

如前所述，通过训练后的第一决策模型输出的第一行驶决策对历史数据依赖性较强，通过第二决策模型输出的第二行驶决策的随机性更大，将第一行驶决策（依赖性强）和第二行驶决策（随机性大）混合，该种方式增加了用于训练第三决策模型的标签的多样性，降低了对历史数据的依赖。

S110：以当前的车辆状态信息和当前的环境信息作为输入，根据标签，对待训练的第三决策模型进行训练。

通过第一行驶决策和第二行驶决策确定用于训练第三决策模型的标签，并以当前的车辆状态信息和当前的环境信息作为输入，对待训练的第三决策模型进行训练，降低了第三决策模型对历史数据的依赖，提高了第三决策模型的泛化性。

本说明书实施例中的行驶决策（如，第一行驶决策、第二行驶决策等）均可以行驶轨迹的形式体现，其中行驶轨迹可由多个轨迹点顺次相连构成。另外，对于步骤S100的具体实现方式，在第一决策模型的训练过程中，引入了置信度。具体如下：将历史数据中包含的指定历史时刻的车辆状态信息和指定历史时刻的环境信息输入待训练的第一决策模型，得到待训练的第一决策模型输出的预测轨迹。其中，预测轨迹为在指定历史时刻之后指定时间段内的行驶轨迹，预测轨迹包含若干轨迹点，不同的轨迹点对应于指定时间段中不同的时刻。根据预测轨迹中的各轨迹点、各轨迹点对应的置信度、历史数据中包含的指定历史时刻之后指定时间段内的各时刻的车辆状态信息（主要包括车辆位姿），确定预测轨迹与历史数据中包含的指定历史时刻之后的各时刻车辆的实际轨迹的差异。其中，针对每个轨迹点，该轨迹点对应的置信度，与该轨迹点对应的时刻距离指定历史时刻的时间长度呈负相关。以差异最小化为训练目标，对待训练的第一决策模型进行训练，得到训练后的第一决策模型。

如图3所示，历史数据中包含的指定历史时刻之后的各时刻车辆的实际轨迹用轨迹点P1（t1时刻）、P2（t2时刻）、P3（t3时刻）、P4（t4时刻）、P5（t5时刻）、P6（t6时刻）表示；待训练的第一决策模型输出的预测轨迹用轨迹点P1’（t1时刻）、P2’（t2时刻）、P3’（t3时刻）、P4’（t4时刻）、P5’（t5时刻）、P6’（t6时刻）表示；预测轨迹的各轨迹点对应的置信度分别用λ1（t1时刻）、λ2（t2时刻）、λ3（t3时刻）、λ4（t4时刻）、λ5（t5时刻）、λ6（t6时刻）表示。由于t1距离指定历史时刻最近，因此，置信度对应值的大小为：λ1>λ2>λ3>λ4>λ5>λ6。预测轨迹与历史数据中包含的指定历史时刻之后的各时刻车辆的实际轨迹的差异可为：ΔP=λ1（P1’-P1）²+λ2（P2’-P2）²+λ3（P3’-P3）²+λ4（P4’-P4）²+λ5（P5’-P5）²+λ6（P6’-P6）²，当然，差异还可用其他方式表示，本说明书实施例对此不作限制。确定差异ΔP后，以差异最小化为训练目标，对待训练的第一决策模型进行训练，得到训练后的第一决策模型。

在第一决策模型的训练过程中引入了置信度，置信度对应数值的设置考虑到距离指定历史时刻越近，预测轨迹的真实性越高，通过该种方式对各轨迹点加入置信度，能够加快第一决策模型的训练速度。

通过上述的方式训练好第一决策模型后，需要根据第一决策模型输出的第一行驶决策，以及对第一决策模型加扰后形成的第二决策模型输出的第二行驶决策，确定训练第三决策模型的标签。具体的实现方式可以为：在仿真环境下对第一决策模型输出的第一行驶决策和第二决策模型输出的第二行驶决策进行测试，得到第一行驶决策和第二行驶决策分别对应的评分。评分的获取方式可为：在仿真环境下，使车辆分别按照第一行驶决策和第二行驶决策行驶，根据车辆行驶的轨迹以及与障碍物的交互程度（即，环境信息）等分别对第一行驶决策和第二行驶决策打分，轨迹越平滑和/或与越少的障碍物碰撞，则相应的评分越高。并根据第一行驶决策的评分和第二行驶决策的评分，从第一行驶决策和第二行驶决策中，选择作为训练第三决策模型的标签的决策。本说明书实施例中的仿真环境既可为真实仿真环境，也可为虚拟仿真环境。

进一步的，可先根据第一行驶决策的评分和第二行驶决策的评分，确定第一行驶决策和第二行驶决策分别对应的选择概率；其中，选择概率与评分呈正相关。并根据选择概率，从第一行驶决策和第二行驶决策中，选择作为训练第三决策模型的标签的决策。由此可见，若某行驶决策的评分越高，则该行驶决策被选择的概率也高，但并不是行驶决策的评分越高，就一定会被选择。该种选择策略能够避免仅选择评分高的行驶决策导致的训练模型出现过拟合的问题。

通过上述的方式确定训练第三决策模型的标签后，需要对第三决策模型进行训练，具体可包括：将当前的车辆状态信息和当前的环境信息输入待训练的第三决策模型，得到待训练的第三决策模型输出的第三行驶决策，并根据第三行驶决策、用于训练第三决策模型的标签，确定第三行驶决策的奖励，最后以奖励最大化为训练目标，对待训练的第三决策模型进行训练，得到训练后的第三决策模型。

具体的，可根据第三行驶决策、用于训练第三决策模型的标签、用于训练第三决策模型的标签对应的评分、在仿真环境下车辆按照标签行驶时的环境信息、当前的车辆状态信息、当前的环境信息等多个类型确定第三行驶决策的奖励，可预设各类型对应的奖励，然后以奖励最大化为训练目标，对待训练的第三决策模型进行训练。其中的第三决策模型可以为强化学习模型。当然，也可以采用其他模型，本说明书实施例对此不作限制。

训练好第三决策模型后，可将其用于确定车辆的行驶轨迹。当要确定车辆的行驶轨迹时，获取车辆监测到的自身的车辆状态信息和环境信息，并将监测到的车辆状态信息和环境信息输入到训练后的第三决策模型中，得到训练后的第三决策模型输出的行驶决策。根据训练后的第三决策模型输出的行驶决策，对车辆进行控制。

本说明书实施例先通过历史数据预训练一个决策模型，并对该决策模型加扰得到另一个决策模型，根据两个模型输出的行驶决策确定标签，通过确定的标签训练车辆行驶决策模型，即第三决策模型。该种训练方式降低了第三决策模型对历史数据的依赖，采用较少的历史数据获取更多的训练样本标签，使训练样本中的数据更具多样性，采用该种方式训练出的第三决策模型，在线上实际应用时，能够在车辆处于交通状况较为复杂的环境中时，也能输出适应于车辆所处的环境和车辆行驶状态的行驶决策，使得第三决策模型的泛化性较强。另外，在用历史数据预训练决策模型的过程中，通过置信度度量轨迹，加快了该模型训练的速度。

本说明书提供的上述车辆行驶决策模型的训练过程具体可应用于针对无人车的行驶决策模型的训练。无人车可以为无人配送车。该无人配送车可以应用于使用无人配送车进行配送的领域，如，使用无人配送车进行快递、外卖等配送的场景。具体的，在上述的场景中，可使用多个无人配送车所构成的自动驾驶车队进行配送。

以上为本说明书实施例提供的车辆行驶决策模型的训练方法，基于同样的思路，本说明书还提供了相应的装置、存储介质和电子设备。

图4为本说明书实施例提供的一种车辆行驶决策模型的训练装置的结构示意图，所述装置包括：

预训练模块200，用于根据历史数据，对待训练的第一决策模型进行训练，得到训练后的第一决策模型；所述第一决策模型用于根据输入的车辆状态信息和环境信息输出第一行驶决策；

加扰模块202，用于对所述训练后的第一决策模型加扰，得到第二决策模型；所述第二决策模型用于根据输入的车辆状态信息和环境信息输出第二行驶决策；

获取模块204，用于获取当前的车辆状态信息和当前的环境信息；

输入模块206，用于将所述当前的车辆状态信息和所述当前的环境信息分别输入到所述训练后的第一决策模型和所述第二决策模型，得到第一行驶决策和第二行驶决策；

选择模块208，用于根据所述第一行驶决策和所述第二行驶决策，确定用于训练第三决策模型的标签；

训练模块210，用于以所述当前的车辆状态信息和所述当前的环境信息作为输入，根据所述标签，对待训练的第三决策模型进行训练。

可选的，所述预训练模块200，具体用于将历史数据中包含的指定历史时刻的车辆状态信息和所述指定历史时刻的环境信息输入待训练的第一决策模型，得到所述待训练的第一决策模型输出的预测轨迹；其中，所述预测轨迹为在所述指定历史时刻之后指定时间段内的行驶轨迹，所述预测轨迹包含若干轨迹点，不同的轨迹点对应于所述指定时间段中不同的时刻；根据所述预测轨迹中的各轨迹点、所述各轨迹点对应的置信度、所述历史数据中包含的所述指定历史时刻之后的各时刻的车辆状态信息，确定所述预测轨迹与所述历史数据中包含的所述指定历史时刻之后的各时刻所述车辆的实际轨迹的差异；其中，针对每个轨迹点，该轨迹点对应的置信度，与该轨迹点对应的时刻距离所述指定历史时刻的时间长度呈负相关；以差异最小化为训练目标，对所述待训练的第一决策模型进行训练，得到训练后的第一决策模型。

可选的，所述加扰模块202，具体用于调整所述训练后的第一决策模型中的至少一个模型参数，得到调整后的模型，作为第二决策模型。

可选的，所述选择模块208，具体用于在仿真环境下对所述第一行驶决策和所述第二行驶决策进行测试，得到所述第一行驶决策和所述第二行驶决策分别对应的评分；根据所述第一行驶决策的评分和所述第二行驶决策的评分，从所述第一行驶决策和所述第二行驶决策中，选择作为训练第三决策模型的标签的决策。

可选的，所述选择模块208，具体用于根据所述第一行驶决策的评分和所述第二行驶决策的评分，确定所述第一行驶决策和所述第二行驶决策分别对应的选择概率；其中，所述选择概率与评分呈正相关；根据所述选择概率，从所述第一行驶决策和所述第二行驶决策中，选择作为训练第三决策模型的标签的决策。

可选的，所述训练模块210，具体用于将所述当前的车辆状态信息和所述当前的环境信息输入待训练的第三决策模型，得到所述待训练的第三决策模型输出的第三行驶决策；根据所述第三行驶决策、所述用于训练第三决策模型的标签，确定所述第三行驶决策的奖励；以奖励最大化为训练目标，对所述待训练的第三决策模型进行训练，得到训练后的第三决策模型。

可选的，所述装置还包括决策模块212，具体用于：当要确定车辆的行驶轨迹时，获取所述车辆监测到的自身的车辆状态信息和环境信息；将监测到的所述车辆状态信息和环境信息输入到训练后的第三决策模型中，得到所述训练后的第三决策模型输出的行驶决策；根据所述训练后的第三决策模型输出的行驶决策，对所述车辆进行控制。

本说明书还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可用于执行上述图1提供的一种车辆行驶决策模型的训练方法。

基于图1所示的车辆行驶决策模型的训练方法，本说明书实施例还提供了图5所示的电子设备的结构示意图。如图5，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的车辆行驶决策模型的训练方法。

当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (11)

1.一种车辆行驶决策模型的训练方法，其特征在于，包括：

根据历史数据，对待训练的第一决策模型进行训练，得到训练后的第一决策模型；所述第一决策模型用于根据输入的车辆状态信息和环境信息输出第一行驶决策；

对所述训练后的第一决策模型加扰，得到第二决策模型；所述第二决策模型用于根据输入的车辆状态信息和环境信息输出第二行驶决策；

获取当前的车辆状态信息和当前的环境信息；

将所述当前的车辆状态信息和所述当前的环境信息分别输入到所述训练后的第一决策模型和所述第二决策模型，得到第一行驶决策和第二行驶决策；

根据所述第一行驶决策和所述第二行驶决策，确定用于训练第三决策模型的标签；

以所述当前的车辆状态信息和所述当前的环境信息作为输入，根据所述标签，对待训练的第三决策模型进行训练。

2.如权利要求1所述的方法，其特征在于，根据历史数据，对待训练的第一决策模型进行训练，具体包括：

将历史数据中包含的指定历史时刻的车辆状态信息和所述指定历史时刻的环境信息输入待训练的第一决策模型，得到所述待训练的第一决策模型输出的预测轨迹；其中，所述预测轨迹为在所述指定历史时刻之后指定时间段内的行驶轨迹，所述预测轨迹包含若干轨迹点，不同的轨迹点对应于所述指定时间段中不同的时刻；

根据所述预测轨迹中的各轨迹点、所述各轨迹点对应的置信度、所述历史数据中包含的所述指定历史时刻之后的各时刻的车辆状态信息，确定所述预测轨迹与所述历史数据中包含的所述指定历史时刻之后的各时刻所述车辆的实际轨迹的差异；其中，针对每个轨迹点，该轨迹点对应的置信度，与该轨迹点对应的时刻距离所述指定历史时刻的时间长度呈负相关；

以差异最小化为训练目标，对所述待训练的第一决策模型进行训练，得到训练后的第一决策模型。

3.如权利要求1所述的方法，其特征在于，对所述训练后的第一决策模型加扰，得到第二决策模型，具体包括：

调整所述训练后的第一决策模型中的至少一个模型参数，得到调整后的模型，作为第二决策模型。

4.如权利要求1所述的方法，其特征在于，根据所述第一行驶决策和所述第二行驶决策，确定用于训练第三决策模型的标签，具体包括：

在仿真环境下对所述第一行驶决策和所述第二行驶决策进行测试，得到所述第一行驶决策和所述第二行驶决策分别对应的评分；

根据所述第一行驶决策的评分和所述第二行驶决策的评分，从所述第一行驶决策和所述第二行驶决策中，选择作为训练第三决策模型的标签的决策。

5.如权利要求4所述的方法，其特征在于，根据所述第一行驶决策的评分和所述第二行驶决策的评分，从所述第一行驶决策和所述第二行驶决策中，选择作为训练第三决策模型的标签的决策，具体包括：

根据所述第一行驶决策的评分和所述第二行驶决策的评分，确定所述第一行驶决策和所述第二行驶决策分别对应的选择概率；其中，所述选择概率与评分呈正相关；

根据所述选择概率，从所述第一行驶决策和所述第二行驶决策中，选择作为训练第三决策模型的标签的决策。

6.如权利要求1所述的方法，其特征在于，以所述当前的车辆状态信息和所述当前的环境信息作为输入，根据所述标签，对待训练的第三决策模型进行训练，具体包括：

将所述当前的车辆状态信息和所述当前的环境信息输入待训练的第三决策模型，得到所述待训练的第三决策模型输出的第三行驶决策；

根据所述第三行驶决策、所述用于训练第三决策模型的标签，确定所述第三行驶决策的奖励；

以奖励最大化为训练目标，对所述待训练的第三决策模型进行训练，得到训练后的第三决策模型；所述第三决策模型为强化学习模型。

7.如权利要求1所述的方法，其特征在于，所述车辆状态信息包括车辆位姿；

所述环境信息包括车辆感知的环境中各障碍物的状态信息。

8.如权利要求1所述的方法，其特征在于，所述方法还包括：

当要确定车辆的行驶轨迹时，获取所述车辆监测到的自身的车辆状态信息和环境信息；

将监测到的所述车辆状态信息和环境信息输入到训练后的第三决策模型中，得到所述训练后的第三决策模型输出的行驶决策；

根据所述训练后的第三决策模型输出的行驶决策，对所述车辆进行控制。

9.一种车辆行驶决策模型的训练装置，其特征在于，包括：

预训练模块，用于根据历史数据，对待训练的第一决策模型进行训练，得到训练后的第一决策模型；所述第一决策模型用于根据输入的车辆状态信息和环境信息输出第一行驶决策；

加扰模块，用于对所述训练后的第一决策模型加扰，得到第二决策模型；所述第二决策模型用于根据输入的车辆状态信息和环境信息输出第二行驶决策；

获取模块，用于获取当前的车辆状态信息和当前的环境信息；

输入模块，用于将所述当前的车辆状态信息和所述当前的环境信息分别输入到所述训练后的第一决策模型和所述第二决策模型，得到第一行驶决策和第二行驶决策；

选择模块，用于根据所述第一行驶决策和所述第二行驶决策，确定用于训练第三决策模型的标签；

训练模块，用于以所述当前的车辆状态信息和所述当前的环境信息作为输入，根据所述标签，对待训练的第三决策模型进行训练。

10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-8任一项所述的方法。

11.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1-8任一项所述的方法。

Images