CN113799793A - 一种基于数据驱动的实现预测模型自动化迭代的系统 - Google Patents
一种基于数据驱动的实现预测模型自动化迭代的系统 Download PDFInfo
- Publication number
- CN113799793A CN113799793A CN202010471824.2A CN202010471824A CN113799793A CN 113799793 A CN113799793 A CN 113799793A CN 202010471824 A CN202010471824 A CN 202010471824A CN 113799793 A CN113799793 A CN 113799793A
- Authority
- CN
- China
- Prior art keywords
- behavior data
- network model
- target network
- processor
- road
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
- B60W60/00272—Planning or execution of driving tasks using trajectory prediction for other traffic participants relying on extrapolation of current movement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/04—Generating or distributing clock signals or signals derived directly therefrom
- G06F1/14—Time supervision arrangements, e.g. real time clock
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
- B60W2050/0034—Multiple-track, 2D vehicle model, e.g. four-wheel model
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Filters That Use Time-Delay Elements (AREA)
Abstract
本发明实施例公开一种基于数据驱动的实现预测模型自动化迭代的系统,系统包括处理器和云端,处理器基于观测到的每个道路参与者的运动轨迹对每个道路参与者的行为数据进行标注得到对应的标注信息,实现自动标注,然后将筛选出的第一行为数据和对应的标注信息发送至云端,云端在确定满足预设自动触发条件时提取训练样本对初始网络模型训练得到目标网络模型,实现自动触发模型训练,然后自动触发评测并在评测结果满足模型更新要求时,将目标网络模型发送至处理器,达到目标网络模型的自动化部署,处理器在接收到目标网络模型后自动将预测模型更新为目标网络模型,可见无论是数据标注、模型训练、模型测评还是模型更新都无需人工参与,自动化程度高。
Description
技术领域
本发明涉及智能驾驶技术领域,具体而言,涉及一种基于数据驱动的实现预测模型自动化迭代的系统。
背景技术
在自动驾驶场景中,提前预知道路参与者的运动轨迹,有利于自身的安全驾驶,例如在无人车自动驾驶场景中,通过在无人车上设置的预测模型对道路参与者的未来运动轨迹进行预测,随着道路场景的复杂度不断升高,需要时常对预测模型进行更新。
目前预测模型的更新方式为:开发人员对大量的道路参与者的行为数据进行离线标注得到标注信息,然后开发人员基于道路参与者的行为数据以及对应的标注信息进行模型训练以及评测得到新的预测模型,然后开发人员将新的预测模型通过网络传输或硬盘连接的方式更新至无人车。
可见上述预测模型的更新方式,需要人工进行数据标注以及人工触发模型训练和模型更新,对人的依赖性较高,使得人工成本较大,自动化程度低。
发明内容
本发明提供了一种基于数据驱动的实现预测模型自动化迭代的系统,无需人工参与,大大减少人工成本,自动化程度高。具体的技术方案如下。
第一方面,本发明提供了一种基于数据驱动的实现预测模型自动化迭代的系统,所述系统包括处理器和云端,所述处理器设置有预测模型,所述预测模型用于预测道路参与者的未来运动轨迹;
所述处理器获取每个道路参与者的行为数据,其中,所述行为数据包括当前时刻的环境静态地图信息以及安装于自身的采集设备采集的当前时刻之前的道路参与者的历史运动轨迹,基于自身的传感器所观测到的每个道路参与者的运动轨迹对每个道路参与者的行为数据进行标注得到对应的标注信息,从每个道路参与者的行为数据中筛选出符合预设筛选要求的第一行为数据,将所述第一行为数据和对应的标注信息发送至所述云端;
所述云端将接收到的第一行为数据和对应的标注信息存储至原始数据库中,根据预设的特征提取方法对所述第一行为数据进行特征提取得到特征提取量,将所述特征提取量和对应的标注信息作为训练样本存储至训练样本库中,当满足预设自动触发条件时,提取所述训练样本库中在上一次提取训练样本之后存储的训练样本对初始网络模型进行训练得到目标网络模型,其中,所述目标网络模型用于使得道路参与者的行为数据与对应的未来运动轨迹相关联,根据预设评测方式对所述目标网络模型进行评测得到评测结果,当所述评测结果满足模型更新要求时,将所述目标网络模型发送至所述处理器;
所述处理器接收所述目标网络模型,并将所述预测模型更新为所述目标网络模型。
可选的,所述处理器将自身的传感器所观测到的每个道路参与者的运动轨迹作为每个道路参与者的行为数据对应的标注信息。
可选的,所述处理器基于所述预测模型预测得到每个道路参与者的行为数据对应的未来运动轨迹,针对每个道路参与者,计算该道路参与者的行为数据对应的未来运动轨迹与自身的传感器所观测到的该道路参与者的运动轨迹之间的差异,将所述差异大于预设差异的道路参与者的行为数据作为第一行为数据;
或者,
所述处理器根据每个道路参与者的行为数据对应的标注信息,确定每个道路参与者的行为数据对应的行为类别,将所述行为类别为预设类别的道路参与者的行为数据作为第一行为数据;
或者,
所述处理器判断每个道路参与者的类型,将所述类型为预设类型的道路参与者的行为数据作为第一行为数据。
可选的,所述预设类别为变道行为或超车行为。
可选的,所述预设类型为大型车辆、行人或两轮车。
可选的,所述处理器在将所述第一行为数据和对应的标注信息发送至所述云端之前,存储所述第一行为数据和对应的标注信息。
可选的,当所述训练样本库中在上一次提取训练样本之后存储的训练样本的数量达到预设数量阈值时,所述云端提取所述训练样本库中在上一次提取训练样本之后存储的训练样本对初始网络模型进行训练得到目标网络模型;
或者,
当上一次提取训练样本的时刻与当前时刻之间的时长达到预设时长时,所述云端提取所述训练样本库中在上一次提取训练样本之后存储的训练样本对初始网络模型进行训练得到目标网络模型。
可选的,所述云端基于所述目标网络模型对待预测数据集中的每个待预测道路参与者的行为数据进行预测得到对应的未来运动轨迹;
根据每个待预测道路参与者的行为数据对应的未来运动轨迹与自身的传感器所观测到的每个待预测道路参与者的运动轨迹,计算得到所述目标网络模型的评测指标的大小;
计算所述目标网络模型的评测指标相对于所述预测模型的评测指标的涨幅量;
当所述涨幅量满足预设涨幅要求时,将所述目标网络模型发送至所述处理器。
可选的,所述道路参与者包括车辆和/或行人。
由上述内容可知,本发明实施例中处理器基于自身的传感器所观测到的每个道路参与者的运动轨迹对每个道路参与者的行为数据进行标注得到对应的标注信息,实现了自动标注得到标注信息而不是人工离线标注,然后将筛选出的第一行为数据和对应的标注信息发送至云端,云端在确定满足预设自动触发条件时,就提取训练样本库中在上一次提取训练样本之后存储的训练样本对初始网络模型进行训练得到目标网络模型,实现了在满足预设自动触发条件时就可以自动触发模型训练,然后在得到目标网络模型后,自动触发评测,并在评测结果满足模型更新要求时,将目标网络模型发送至处理器,达到目标网络模型的自动化部署,最后处理器在接收到目标网络模型后,即可自动将预测模型更新为目标网络模型,综上可见,无论是数据标注、模型训练、模型测评还是模型更新都无需人工参与,大大减少人工成本,自动化程度高。当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
本发明实施例的创新点包括:
1、处理器基于自身的传感器所观测到的每个道路参与者的运动轨迹对每个道路参与者的行为数据进行标注得到对应的标注信息,实现了自动标注得到标注信息而不是人工离线标注。
2、当满足预设自动触发条件时,就可以提取训练样本库中在上一次提取训练样本之后存储的训练样本对初始网络模型进行训练得到目标网络模型,因此,本发明实施例在满足预设自动触发条件时,就可以自动触发模型训练,无需人工参与,大大减少人工成本,自动化程度高。
3、在得到目标网络模型后,自动触发评测,并在目标网络模型的评测指标相对于预测模型的评测指标的涨幅量满足预设涨幅要求,即目标网络模型的性能优于待更新的预测模型时,将目标网络模型发送至处理器,达到目标网络模型的自动化部署,无需人工参与,大大减少人工成本,自动化程度高。
4、处理器在接收到目标网络模型后,即可自动将预测模型更新为目标网络模型,无需人工参与,大大减少人工成本,自动化程度高。
5、本发明实施例提供的一种基于数据驱动的实现预测模型自动化迭代的系统,仅需一名开发人员即可完成对预测模型的自动更新,大大提高了研发人效,减小了研发成本。
6、在得到目标网络模型后,自动触发评测,并在目标网络模型的评测指标相对于预测模型的评测指标的涨幅量满足预设涨幅要求,即目标网络模型的性能优于待更新的预测模型时,将目标网络模型发送至处理器,达到目标网络模型的自动化部署,无需人工参与,大大减少人工成本,自动化程度高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例。对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于数据驱动的实现预测模型自动化迭代的系统的结构示意图。
图1中,10处理器,20云端。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明实施例及附图中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含的一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本发明实施例公开了一种基于数据驱动的实现预测模型自动化迭代的系统,能够自动化进行预测模型的更新,无需人工参与,大大减少人工成本,自动化程度高。下面对本发明实施例进行详细说明。
图1为本发明实施例提供的一种基于数据驱动的实现预测模型自动化迭代的系统的结构示意图。参见图1,本发明实施例提供的一种基于数据驱动的实现预测模型自动化迭代的系统包括处理器10和云端20,处理器10和云端20通信连接,处理器10设置有预测模型,预测模型用于预测道路参与者的未来运动轨迹,其中,道路参与者包括车辆和/或行人。
本发明实施例中为了提高自动化程度,通过处理器10自动获取每个道路参与者的行为数据并在线进行标注,其中,行为数据包括当前时刻的环境静态地图信息以及安装于自身的采集设备采集的当前时刻之前的道路参与者的历史运动轨迹。
在一种实现方式中,处理器10获取每个道路参与者的行为数据的方式可以为:自身安装有采集设备和定位系统,例如摄像机和全球定位系统,因此,自身在行驶过程中可以实时对采集范围进行采集并对自身位置进行定位,基于实时采集得到的图像以及自身的实时位置信息可以得到当前时刻的环境静态地图信息以及每个道路参与者的运动轨迹,其中,环境静态地图信息可以包括道路标线信息和道路指示牌信息,例如:斑马线和红路灯信息。
在另一种实现方式中,处理器10获取每个道路参与者的行为数据的方式可以为:自身安装有采集设备、定位系统和高精度地图,例如摄像机、全球定位系统和高精度地图,因此,自身在行驶过程中可以实时对采集范围进行采集并对自身位置进行定位,基于实时采集得到的图像、自身的实时位置信息以及高精度地图可以得到当前时刻的环境静态地图信息以及每个道路参与者的运动轨迹。
由于对道路参与者的行为数据进行标注的方式就是使用观测到的真实的运动轨迹进行标注,而随着时间的推移,自身的传感器自然可以观测到各个道路参与者的真实的运动轨迹,也就是说,预测模型在当前时刻给出的预测结果,可在未来时刻直接观测到真值,即可以极低成本观测到其预测的预测结果是否真实发生、是否正确以及在多大程度上是正确的。例如:自身为无人车,自身的传感器为车辆传感器,当预测模型根据当前时刻t0已知的环境静态地图信息与t0前累积观测到的道路参与者的历史运动轨迹,做出相邻车道某车辆将会在未来时刻t1移动至自车正前方5米的预测,随着时间推移,在真实t1时刻,车辆传感器可直接观测到相邻车道某辆车的真实的运动轨迹。此时,就可以基于自身的传感器所观测到的每个道路参与者的运动轨迹对每个道路参与者的行为数据进行标注得到对应的标注信息,示例性的,处理器10将自身的传感器所观测到的每个道路参与者的运动轨迹作为每个道路参与者的行为数据对应的标注信息。
需要说明的是,本发明实施例提供的一种基于数据驱动的实现预测模型自动化迭代的系统可以应用于无人车领域、机器人领域以及其他可实现自动驾驶的领域,当应用于无人车领域时,上述处理器10可以为车载处理器,安装于自身的采集设备可以是自车的采集设备,自身的传感器可以为自车的车辆传感器。
由于处理器10的计算能力有限,在对道路参与者的行为数据进行标注后,需要将行为数据和对应的标注信息发送至云端进行处理,又由于并不是每个道路参与者的行为数据都是对模型训练有价值的,因此可以从道路参与者的行为数据中选取对模型训练有价值的数据进行处理,即从每个道路参与者的行为数据中筛选出符合预设筛选要求的第一行为数据,然后将第一行为数据和对应的标注信息发送至云端20,示例性的,可以通过数据筛选器筛选出第一行为数据。
为了避免数据丢失,处理器10在将第一行为数据和对应的标注信息发送至云端20之前,还可以存储第一行为数据和对应的标注信息。
其中,筛选出第一行为数据的方式有多种,包括但不限于以下几种:
第一种:
处理器10基于预测模型预测得到每个道路参与者的行为数据对应的未来运动轨迹,针对每个道路参与者,计算该道路参与者的行为数据对应的未来运动轨迹与自身的传感器所观测到的该道路参与者的运动轨迹之间的差异,将差异大于预设差异的道路参与者的行为数据作为第一行为数据。
由于如果通过预测模型预测得到的某一道路参与者的未来运动轨迹与所观测到的该道路参与者的运动轨迹之间的差异较大,就说明预测模型还不能够对该道路参与者的未来运动轨迹进行较为准确的预测。因此,这些差异较大的道路参与者的行为数据就是对模型训练有价值的数据,可以通过这些差异较大的道路参与者的行为数据训练新的预测模型,当训练完成后,新的预测模型就可以对这些差异较大的道路参与者的未来运动轨迹进行准确的预测。
因此,在处理器10筛选第一行为数据时,可以基于预测模型预测得到每个道路参与者的行为数据对应的未来运动轨迹,然后再与观测到的运动轨迹进行对比,将差异较大的作为第一行为数据,即针对每个道路参与者,计算该道路参与者的行为数据对应的未来运动轨迹与自身的传感器所观测到的该道路参与者的运动轨迹之间的差异,将差异大于预设差异的道路参与者的行为数据作为第一行为数据。
由此,针对每个道路参与者,通过计算该道路参与者的行为数据对应的未来运动轨迹与自身的传感器所观测到的该道路参与者的运动轨迹之间的差异,并将差异大于预设差异的道路参与者的行为数据作为第一行为数据的方式达到从道路参与者的行为数据中筛选出对模型训练有价值的数据的目的。
第二种:
处理器10根据每个道路参与者的行为数据对应的标注信息,确定每个道路参与者的行为数据对应的行为类别,将行为类别为预设类别的道路参与者的行为数据作为第一行为数据。
由于道路参与者的行为有多类,其中某些行为类别是较为重要的,如果通过预测模型预测得到的某一道路参与者的未来运动轨迹不准确,进一步导致无法准确得到该道路参与者的行为类别是否为重要的行为类别,则有可能造成交通事故,也就是说,重要的行为类别对应的道路参与者的行为数据就是对模型训练有价值的数据。
因此,在处理器10筛选第一行为数据时,可以将重要的行为类别的道路参与者的行为数据作为第一行为数据,即根据每个道路参与者的行为数据对应的标注信息,确定每个道路参与者的行为数据对应的行为类别,在确定了行为类别后,将行为类别为预设类别的道路参与者的行为数据作为第一行为数据,示例性的,预设类别为变道行为或超车行为。
由此,通过根据每个道路参与者的行为数据对应的标注信息,确定每个道路参与者的行为数据对应的行为类别,将行为类别为预设类别的道路参与者的行为数据作为第一行为数据的方式,达到从道路参与者的行为数据中筛选出对模型训练有价值的数据的目的。
第三种:
处理器10判断每个道路参与者的类型,将类型为预设类型的道路参与者的行为数据作为第一行为数据。
由于道路参与者的类型有多种,某些类型的道路参与者的运动轨迹可能对其他道路参与者的运动轨迹产生影响,例如:在行驶时,大部分车辆会远离大型车辆,因此,大型车辆的运动轨迹可能会影响其他车辆的运动轨迹;或者,行人和两轮车作为弱势群体,大部分车辆会避让行人和两轮车从而改变运动轨迹,因此,对其他道路参与者的运动轨迹产生影响的某些类型的道路参与者的行为数据就是对模型训练有价值的数据。
因此,在处理器10筛选第一行为数据时,可以判断每个道路参与者的类型,将类型为预设类型的道路参与者的行为数据作为第一行为数据,示例性的,预设类型为大型车辆、行人或两轮车。
由此,通过判断每个道路参与者的类型,将类型为预设类型的道路参与者的行为数据作为第一行为数据的方式,达到从道路参与者的行为数据中筛选出对模型训练有价值的数据的目的。
云端20接收处理器10发送的第一行为数据和对应的标注信息,并将接收到的第一行为数据和对应的标注信息存储至原始数据库中。为了对预测模型进行更新,需要生成新的预测模型,为了生成新的预测模型,就需要训练模型所使用的训练样本,因此,可以根据预设的特征提取方法对第一行为数据进行特征提取得到特征提取量,将特征提取量和对应的标注信息作为训练样本存储至训练样本库中。其中,开发人员可以根据需求随时更换特征提取方法。
由于每次从处理器10发送的第一行为数据和对应的标注信息的数量是有限的,众所周知,模型训练是需要大量的训练样本的,如果仅通过一次或几次存到训练样本库中的训练样本进行模型训练是无法得到较好的训练结果的,因此,可以设定预设自动触发条件,当满足预设自动触发条件时,提取训练样本库中在上一次提取训练样本之后存储的训练样本对初始网络模型进行训练得到目标网络模型,其中,目标网络模型用于使得作为训练样本的特征提取量和对应的标注信息相关联,又由于特征提取量是道路参与者的行为数据的表征量,标注信息是未来运动轨迹的标注量,因此,目标网络模型用于使得道路参与者的行为数据与对应的未来运动轨迹相关联。
由此,当满足预设自动触发条件时,就可以提取训练样本库中在上一次提取训练样本之后存储的训练样本对初始网络模型进行训练得到目标网络模型,因此,本发明实施例在满足预设自动触发条件时,就可以自动触发模型训练,无需人工参与,大大减少人工成本,自动化程度高。
其中,预设自动触发条件可以为:训练样本库中在上一次提取训练样本之后存储的训练样本的数量达到预设数量阈值,或者,上一次提取训练样本的时刻与当前时刻之间的时长达到预设时长。
当训练样本库中在上一次提取训练样本之后存储的训练样本的数量达到预设数量阈值时,说明训练样本的数量已经达到可以进行模型训练的数据量,此时,云端20提取训练样本库中在上一次提取训练样本之后存储的训练样本对初始网络模型进行训练得到目标网络模型。
当上一次提取训练样本的时刻与当前时刻之间的时长达到预设时长时,说明训练样本的数量随着时间增长越来越多,已经达到可以进行模型训练的数据量,此时,云端20提取训练样本库中在上一次提取训练样本之后存储的训练样本对初始网络模型进行训练得到目标网络模型。
如果要更新预测模型,则需要新的预测模型相比待更新的预测模型有优势,因此,在得到目标网络模型后,需要根据预设评测方式对目标网络模型进行评测得到评测结果,当评测结果满足模型更新要求时,将目标网络模型发送至处理器10。
其中,云端20根据预设评测方式对目标网络模型进行评测得到评测结果,当评测结果满足模型更新要求时,将目标网络模型发送至处理器10的方式可以为:
云端20基于目标网络模型对待预测数据集中的每个待预测道路参与者的行为数据进行预测得到对应的未来运动轨迹;
根据每个待预测道路参与者的行为数据对应的未来运动轨迹与自身的传感器所观测到的每个待预测道路参与者的运动轨迹,计算得到目标网络模型的评测指标的大小;
计算目标网络模型的评测指标相对于预测模型的评测指标的涨幅量;
当涨幅量满足预设涨幅要求时,将目标网络模型发送至处理器10。
通常通过评测指标的涨幅量来评测目标网络模型的性能是否优于待更新的预测模型,因此,需要计算得到目标网络模型的评测指标的大小,即云端20基于目标网络模型对待预测数据集中的每个待预测道路参与者的行为数据进行预测得到对应的未来运动轨迹,然后根据每个待预测道路参与者的行为数据对应的未来运动轨迹与自身的传感器所观测到的每个待预测道路参与者的运动轨迹,计算得到目标网络模型的评测指标的大小。
示例性的,待预测数据集可以为训练样本库中的所有训练样本的集合,也可以为其他专门用于评测的训练样本的集合,本发明实施例对此并不做任何限制。评测指标可以包括模型预测准确率和/或模型预测绝对误差。
在计算得到目标网络模型的评测指标的大小后,即可计算目标网络模型的评测指标相对于预测模型的评测指标的涨幅量,当涨幅量满足预设涨幅要求时,说明目标网络模型的性能优于待更新的预测模型,此时,可以将目标网络模型发送至处理器10。
由此,在得到目标网络模型后,自动触发评测,并在目标网络模型的评测指标相对于预测模型的评测指标的涨幅量满足预设涨幅要求,即目标网络模型的性能优于待更新的预测模型时,将目标网络模型发送至处理器10,达到目标网络模型的自动化部署,无需人工参与,大大减少人工成本,自动化程度高。
由于目标网络模型的性能优于待更新的预测模型时,云端20才会将目标网络模型发送至处理器10,因此,处理器10只要接收到目标网络模型,就可对预测模型进行更新,即将预测模型更新为目标网络模型。由此,处理器10在接收到目标网络模型后,即可自动将预测模型更新为目标网络模型,无需人工参与,大大减少人工成本,自动化程度高。
由上述内容可知,本发明实施例中处理器10基于自身的传感器所观测到的每个道路参与者的运动轨迹对每个道路参与者的行为数据进行标注得到对应的标注信息,实现了自动标注得到标注信息而不是人工离线标注,然后将筛选出的第一行为数据和对应的标注信息发送至云端20,云端20在确定满足预设自动触发条件时,就提取训练样本库中在上一次提取训练样本之后存储的训练样本对初始网络模型进行训练得到目标网络模型,实现了在满足预设自动触发条件时就可以自动触发模型训练,然后在得到目标网络模型后,自动触发评测,并在评测结果满足模型更新要求时,将目标网络模型发送至处理器10,达到目标网络模型的自动化部署,最后处理器10在接收到目标网络模型后,即可自动将预测模型更新为目标网络模型,综上可见,无论是数据标注、模型训练、模型测评还是模型更新都无需人工参与,大大减少人工成本,自动化程度高。
并且,本发明实施例提供的一种基于数据驱动的实现预测模型自动化迭代的系统,仅需一名开发人员即可完成对预测模型的自动更新,大大提高了研发人效,减小了研发成本。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解:实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (9)
1.一种基于数据驱动的实现预测模型自动化迭代的系统,其特征在于,所述系统包括处理器和云端,所述处理器设置有预测模型,所述预测模型用于预测道路参与者的未来运动轨迹;
所述处理器获取每个道路参与者的行为数据,其中,所述行为数据包括当前时刻的环境静态地图信息以及安装于自身的采集设备采集的当前时刻之前的道路参与者的历史运动轨迹,基于自身的传感器所观测到的每个道路参与者的运动轨迹对每个道路参与者的行为数据进行标注得到对应的标注信息,从每个道路参与者的行为数据中筛选出符合预设筛选要求的第一行为数据,将所述第一行为数据和对应的标注信息发送至所述云端;
所述云端将接收到的第一行为数据和对应的标注信息存储至原始数据库中,根据预设的特征提取方法对所述第一行为数据进行特征提取得到特征提取量,将所述特征提取量和对应的标注信息作为训练样本存储至训练样本库中,当满足预设自动触发条件时,提取所述训练样本库中在上一次提取训练样本之后存储的训练样本对初始网络模型进行训练得到目标网络模型,其中,所述目标网络模型用于使得道路参与者的行为数据与对应的未来运动轨迹相关联,根据预设评测方式对所述目标网络模型进行评测得到评测结果,当所述评测结果满足模型更新要求时,将所述目标网络模型发送至所述处理器;
所述处理器接收所述目标网络模型,并将所述预测模型更新为所述目标网络模型。
2.如权利要求1所述的系统,其特征在于,所述处理器将自身的传感器所观测到的每个道路参与者的运动轨迹作为每个道路参与者的行为数据对应的标注信息。
3.如权利要求1所述的系统,其特征在于,所述处理器基于所述预测模型预测得到每个道路参与者的行为数据对应的未来运动轨迹,针对每个道路参与者,计算该道路参与者的行为数据对应的未来运动轨迹与自身的传感器所观测到的该道路参与者的运动轨迹之间的差异,将所述差异大于预设差异的道路参与者的行为数据作为第一行为数据;
或者,
所述处理器根据每个道路参与者的行为数据对应的标注信息,确定每个道路参与者的行为数据对应的行为类别,将所述行为类别为预设类别的道路参与者的行为数据作为第一行为数据;
或者,
所述处理器判断每个道路参与者的类型,将所述类型为预设类型的道路参与者的行为数据作为第一行为数据。
4.如权利要求3所述的系统,其特征在于,所述预设类别为变道行为或超车行为。
5.如权利要求3所述的系统,其特征在于,所述预设类型为大型车辆、行人或两轮车。
6.如权利要求1所述的系统,其特征在于,所述处理器在将所述第一行为数据和对应的标注信息发送至所述云端之前,存储所述第一行为数据和对应的标注信息。
7.如权利要求1所述的系统,其特征在于,当所述训练样本库中在上一次提取训练样本之后存储的训练样本的数量达到预设数量阈值时,所述云端提取所述训练样本库中在上一次提取训练样本之后存储的训练样本对初始网络模型进行训练得到目标网络模型;
或者,
当上一次提取训练样本的时刻与当前时刻之间的时长达到预设时长时,所述云端提取所述训练样本库中在上一次提取训练样本之后存储的训练样本对初始网络模型进行训练得到目标网络模型。
8.如权利要求1所述的系统,其特征在于,所述云端基于所述目标网络模型对待预测数据集中的每个待预测道路参与者的行为数据进行预测得到对应的未来运动轨迹;
根据每个待预测道路参与者的行为数据对应的未来运动轨迹与自身的传感器所观测到的每个待预测道路参与者的运动轨迹,计算得到所述目标网络模型的评测指标的大小;
计算所述目标网络模型的评测指标相对于所述预测模型的评测指标的涨幅量;
当所述涨幅量满足预设涨幅要求时,将所述目标网络模型发送至所述处理器。
9.如权利要求1所述的系统,其特征在于,所述道路参与者包括车辆和/或行人。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010471824.2A CN113799793B (zh) | 2020-05-29 | 2020-05-29 | 一种基于数据驱动的实现预测模型自动化迭代的系统 |
DE112020003091.1T DE112020003091T5 (de) | 2020-05-29 | 2020-06-03 | System zum Realisieren einer automatischen Iteration vom Vorhersagemodell auf der Grundlage eines Datenbetriebs |
PCT/CN2020/094133 WO2021237768A1 (zh) | 2020-05-29 | 2020-06-03 | 一种基于数据驱动的实现预测模型自动化迭代的系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010471824.2A CN113799793B (zh) | 2020-05-29 | 2020-05-29 | 一种基于数据驱动的实现预测模型自动化迭代的系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113799793A true CN113799793A (zh) | 2021-12-17 |
CN113799793B CN113799793B (zh) | 2023-05-12 |
Family
ID=78745307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010471824.2A Active CN113799793B (zh) | 2020-05-29 | 2020-05-29 | 一种基于数据驱动的实现预测模型自动化迭代的系统 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN113799793B (zh) |
DE (1) | DE112020003091T5 (zh) |
WO (1) | WO2021237768A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742236A (zh) * | 2022-04-24 | 2022-07-12 | 重庆长安汽车股份有限公司 | 一种环境车辆行为预测模型训练方法及系统 |
CN116665025A (zh) * | 2023-07-31 | 2023-08-29 | 福思(杭州)智能科技有限公司 | 数据闭环方法和系统 |
CN116721399A (zh) * | 2023-07-26 | 2023-09-08 | 之江实验室 | 一种量化感知训练的点云目标检测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182695A (zh) * | 2017-12-29 | 2018-06-19 | 纳恩博(北京)科技有限公司 | 目标跟踪模型训练方法及装置、电子设备和存储介质 |
US20180374359A1 (en) * | 2017-06-22 | 2018-12-27 | Bakhi.com Times Technology (Beijing) Co., Ltd. | Evaluation framework for predicted trajectories in autonomous driving vehicle traffic prediction |
US20190147610A1 (en) * | 2017-11-15 | 2019-05-16 | Uber Technologies, Inc. | End-to-End Tracking of Objects |
US20190382007A1 (en) * | 2018-06-15 | 2019-12-19 | Uber Technologies, Inc. | Multi-Task Machine-Learned Models for Object Intention Determination in Autonomous Driving |
DE102019134048A1 (de) * | 2019-12-11 | 2020-03-26 | FEV Group GmbH | Verfahren zur Vorhersage eines Verhaltens von Fußgängern |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9573592B2 (en) * | 2014-12-23 | 2017-02-21 | Toyota Motor Engineering & Manufacturing North America, Inc. | Risk mitigation for autonomous vehicles relative to oncoming objects |
US11008000B2 (en) * | 2017-06-20 | 2021-05-18 | Motional Ad Llc | Risk processing for vehicles having autonomous driving capabilities |
CN109969172B (zh) * | 2017-12-26 | 2020-12-01 | 华为技术有限公司 | 车辆控制方法、设备及计算机存储介质 |
US10824155B2 (en) * | 2018-08-22 | 2020-11-03 | Ford Global Technologies, Llc | Predicting movement intent of objects |
CN109878512A (zh) * | 2019-01-15 | 2019-06-14 | 北京百度网讯科技有限公司 | 自动驾驶控制方法、装置、设备及计算机可读存储介质 |
CN109878515B (zh) * | 2019-03-12 | 2021-03-16 | 百度在线网络技术(北京)有限公司 | 预测车辆轨迹的方法、装置、存储介质和终端设备 |
CN111137282A (zh) * | 2019-12-04 | 2020-05-12 | 宝能汽车有限公司 | 车辆的碰撞预测方法、装置、车辆和电子设备 |
-
2020
- 2020-05-29 CN CN202010471824.2A patent/CN113799793B/zh active Active
- 2020-06-03 DE DE112020003091.1T patent/DE112020003091T5/de active Pending
- 2020-06-03 WO PCT/CN2020/094133 patent/WO2021237768A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180374359A1 (en) * | 2017-06-22 | 2018-12-27 | Bakhi.com Times Technology (Beijing) Co., Ltd. | Evaluation framework for predicted trajectories in autonomous driving vehicle traffic prediction |
US20190147610A1 (en) * | 2017-11-15 | 2019-05-16 | Uber Technologies, Inc. | End-to-End Tracking of Objects |
CN108182695A (zh) * | 2017-12-29 | 2018-06-19 | 纳恩博(北京)科技有限公司 | 目标跟踪模型训练方法及装置、电子设备和存储介质 |
US20190382007A1 (en) * | 2018-06-15 | 2019-12-19 | Uber Technologies, Inc. | Multi-Task Machine-Learned Models for Object Intention Determination in Autonomous Driving |
DE102019134048A1 (de) * | 2019-12-11 | 2020-03-26 | FEV Group GmbH | Verfahren zur Vorhersage eines Verhaltens von Fußgängern |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742236A (zh) * | 2022-04-24 | 2022-07-12 | 重庆长安汽车股份有限公司 | 一种环境车辆行为预测模型训练方法及系统 |
CN116721399A (zh) * | 2023-07-26 | 2023-09-08 | 之江实验室 | 一种量化感知训练的点云目标检测方法及装置 |
CN116721399B (zh) * | 2023-07-26 | 2023-11-14 | 之江实验室 | 一种量化感知训练的点云目标检测方法及装置 |
CN116665025A (zh) * | 2023-07-31 | 2023-08-29 | 福思(杭州)智能科技有限公司 | 数据闭环方法和系统 |
CN116665025B (zh) * | 2023-07-31 | 2023-11-14 | 福思(杭州)智能科技有限公司 | 数据闭环方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
DE112020003091T5 (de) | 2022-03-31 |
CN113799793B (zh) | 2023-05-12 |
WO2021237768A1 (zh) | 2021-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179585B (zh) | 自动驾驶车辆的场地测试方法及装置 | |
CN112816954B (zh) | 一种基于真值的路侧感知系统评测方法和系统 | |
KR102618445B1 (ko) | 도로 상황 예측 방법, 도로 상황 예측 모델을 구축하는 방법, 대응되는 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램 제품 | |
CN113642633B (zh) | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 | |
CN110146097B (zh) | 自动驾驶导航地图的生成方法、系统、车载终端及服务器 | |
CN111292540B (zh) | 用于求取确定的状态信息的方法、控制装置和系统 | |
CN113706737B (zh) | 基于自动驾驶车辆的路面巡检系统及方法 | |
CN113799793A (zh) | 一种基于数据驱动的实现预测模型自动化迭代的系统 | |
CN110717433A (zh) | 一种基于深度学习的交通违规分析方法及装置 | |
US11181918B2 (en) | Moving traffic obstacle detection and avoidance | |
CN108021858A (zh) | 移动客体识别方法及客体流量分析方法 | |
CN110782120B (zh) | 一种交通流模型的评测方法、系统、设备及介质 | |
CN108898520B (zh) | 基于轨迹数据的学生安全监控方法和系统 | |
CN104065920A (zh) | 一种车辆监控跟踪方法、系统及服务器 | |
Wang et al. | Realtime wide-area vehicle trajectory tracking using millimeter-wave radar sensors and the open TJRD TS dataset | |
CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
CN111081063B (zh) | 创建观察数据、求取车道数量的方法及相关的系统、服务器单元和控制器 | |
KR102562757B1 (ko) | 노면표시 정보의 예측 및 인식방법 및 도로 유지관리 방법 | |
CN115148025B (zh) | 一种交通目标轨迹预测方法及可读存储介质 | |
US11682298B2 (en) | Practical method to collect and measure real-time traffic data with high accuracy through the 5G network and accessing these data by cloud computing | |
CN113703015B (zh) | 数据处理方法、装置、设备及介质 | |
CN114241373A (zh) | 一种端到端的车辆行为检测方法、系统、设备及存储介质 | |
Balamurugan et al. | The future of India creeping up in building a smart city: intelligent traffic analysis platform | |
CN114116854A (zh) | 轨迹数据处理方法、装置、设备和存储介质 | |
CN106781470B (zh) | 城市道路的运行速度的处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |