CN114118276A - 一种网络训练的方法、控制方法以及装置 - Google Patents

Abstract

本说明书公开了一种网络训练的方法、控制方法以及装置，首先，获取训练样本。其次，将训练样本输入到策略网络中，得到采集设备在第一历史时刻需要执行的第一行驶策略，并确定第一行驶策略对应的评价值。而后，基于第一行驶策略，确定采集设备在第二历史时刻需要执行的第二行驶策略，并确定第二行驶策略对应的评价值，以及基于第一行驶策略，确定采集设备在第二历史时刻对应的惩罚值。最后，根据第二行驶策略对应的评价值和惩罚值，确定针对第一行驶策略的期望评价值，并以第一行驶策略对应的评价值向期望评价值逼近为优化目标，对策略网络进行训练。本方法可以降低了无人设备与周围障碍物发生碰撞的概率，保证了无人设备的安全行驶。

Description

一种网络训练的方法、控制方法以及装置

技术领域

本说明书涉及无人驾驶技术领域，尤其涉及一种网络训练的方法、控制方法以及装置。

背景技术

目前，无人设备在交通情况复杂的道路上会遇到许多的障碍物，无人设备往往根据自身的状态数据，以及无人设备的周围的环境信息，基于预先设定的规则来完成躲避障碍物。

但在实际应用中，由于交通参与者的意图以及行为过于复杂，为了避免无人设备与障碍物发生碰撞，制定出的规则会变得越来越复杂，甚至会相互矛盾。基于此，无人设备根据预先设定的规则来躲避障碍物的成功率并不高，存在与周围其他障碍物碰撞的可能，安全性较低。

因此，无人设备如何根据周围交通参与者的交互情况，确定出合理的行驶策略，则是一个亟待解决的问题。

发明内容

本说明书提供一种网络训练的方法、装置、存储介质及电子设备，以部分的解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供了一种网络训练的方法，包括：

获取稀疏异常样本，所述稀疏异常样本包含有采集设备发生异常状态时观测出的观测信息；

通过待训练的状态映射网络，确定所述稀疏异常样本中包含的观测信息对应的环境特征，与所述状态映射网络包含的聚类中心所对应的环境特征之间的偏差，作为所述稀疏异常样本对应的偏差；

根据所述稀疏异常样本对应的偏差，调整所述状态映射网络包含的聚类中心，以对所述状态映射网络进行训练；

获取训练样本集，所述训练样本集包含的训练样本中包含有采集设备在第一历史时刻时观测出的观测信息；

将所述训练样本输入到策略网络中，得到所述采集设备在所述第一历史时刻需要执行的第一行驶策略，并确定所述第一行驶策略对应的评价值；

基于所述第一行驶策略，预测所述采集设备在第二历史时刻所观测到的观测信息，作为预测观测信息，并根据所述预测观测信息，确定所述采集设备在位于所述第一历史时刻之后的第二历史时刻需要执行的第二行驶策略；

根据所述预测观测信息，确定所述第二行驶策略对应的评价值，以及将所述预测观测信息输入到训练后的状态映射网络中，以确定所述采集设备在所述第二历史时刻对应的惩罚值；

根据所述第二行驶策略对应的评价值和所述惩罚值，确定针对所述第一行驶策略的期望评价值，并以所述第一行驶策略对应的评价值向所述期望评价值逼近为优化目标，对所述策略网络进行训练。

可选地，确定所述第一行驶策略对应的评价值，具体包括：

将所述采集设备在第一历史时刻时观测出的观测信息，以及所述第一行驶策略输入到评价网络中，确定所述第一行驶策略对应的评价值。

可选地，根据所述预测观测信息，确定所述采集设备在位于所述第一历史时刻之后的第二历史时刻需要执行的第二行驶策略，具体包括：

将所述预测观测信息输入到策略辅助网络中，得到所述第二行驶策略，所述策略辅助网络与所述策略网络的网络结构相同，所述策略辅助网络在网络训练过程中的参数调整步长，小于所述策略网络在网络训练过程中的参数调整步长；

根据所述预测观测信息，确定所述第二行驶策略对应的评价值，具体包括：

将所述预测观测信息，以及所述第二行驶策略输入到评价辅助网络中，确定所述第二行驶策略对应的评价值，所述评价辅助网络与所述评价网络的网络结构相同，所述评价辅助网络在网络训练过程中的参数调整步长，小于所述评价网络在网络训练过程中的参数调整步长。

可选地，根据所述预测观测信息，确定所述采集设备在位于所述第一历史时刻之后的第二历史时刻需要执行的第二行驶策略，具体包括：

将所述预测观测信息输入到所述策略辅助网络中，得到所述采集设备在所述第二历史时刻对应的各第二行驶策略，以及所述各第二行驶策略对应的概率；

根据所述第二行驶策略对应的评价值和所述惩罚值，确定针对所述第一行驶策略的期望评价值，具体包括：

根据所述各第二行驶策略对应的评价值、所述各第二行驶策略对应的概率以及所述惩罚值，确定针对所述第一行驶策略的期望评价值。

可选地，根据所述各第二行驶策略对应的评价值、所述各第二行驶策略对应的概率以及所述惩罚值，确定针对所述第一行驶策略的期望评价值，具体包括：

根据所述各第二行驶策略对应的评价值、所述各第二行驶策略对应的概率、所述惩罚值以及折扣因子，确定针对所述第一行驶策略的期望评价值，其中，针对所述第一历史时刻之后的每个其他历史时刻，若是所述第一历史时刻距离该其他历史时刻越远，该其他历史时刻对应的行驶策略的评价值在所述折扣因子的作用下，对所述第一行驶策略的期望评价值的影响越小。

可选地，根据所述各第二行驶策略对应的评价值、所述各第二行驶策略对应的概率以及所述惩罚值，确定针对所述第一行驶策略的期望评价值，具体包括：

根据所述各第二行驶策略对应的评价值、所述各第二行驶策略对应的概率、所述惩罚值，以及确定出的所述预测观测信息对应的奖励值，确定针对所述第一行驶策略的期望评价值，其中，若所述采集设备在所述第二历史时刻时行驶越通畅，所述奖励值越大。

可选地，确定所述预测观测信息对应的奖励值，具体包括：

根据所述预测观测信息，确定所述采集设备在所述第二历史时刻时对应的速度信息、所述采集设备在所述第二历史时刻时对应的速度变化量，以及所述采集设备在所述第二历史时刻时与周围障碍物之间的距离；

根据所述采集设备在所述第二历史时刻时对应的速度信息、所述采集设备在所述第二历史时刻时对应的速度变化量，以及所述采集设备在所述第二历史时刻时与周围障碍物之间的距离中的至少一种，确定所述预测观测信息对应的奖励值。

可选地，以所述第一行驶策略对应的评价值向所述期望评价值逼近为优化目标，对所述策略网络进行训练，具体包括：

将所述采集设备在所述第一历史时刻时观测出的观测信息，以及所述第一行驶策略，输入到待训练的评价网络中，确定所述第一行驶策略对应的评价值；

以所述第一行驶策略对应的评价值向所述期望评价值逼近为优化目标，对所述评价网络进行训练，得到训练后评价网络；

通过所述训练后评价网络，对所述策略网络进行训练。

可选地，通过所述训练后评价网络，对所述策略网络进行训练，具体包括：

将所述采集设备在所述第一历史时刻时观测出的观测信息，输入到待训练的策略网络，确定所述采集设备在所述第一历史时刻对应的各第一行驶策略，以及所述各第一行驶策略对应的概率；

将所述采集设备在所述第一历史时刻时观测出的观测信息，以及所述各第一行驶策略，输入到预先训练的评价网络中，确定所述各第一行驶策略对应的评价值；

根据所述各第一行驶策略对应的概率，以及所述各第一行驶策略对应的评价值，确定所述各第一行驶策略对应的评价和值，并以最大化所述评价和值为优化目标，对所述策略网络进行训练。

本说明书提供了一种无人设备的控制方法，包括：

获取无人设备在当前时刻时观测出的观测信息；

将所述观测信息输入到预先训练的策略网络中，确定出所述无人设备在当前时刻需要执行的行驶策略，所述策略网络是通过上述网络训练的方法训练得到的；

根据所述行驶策略，控制所述无人设备进行行驶。

本说明书提供了一种网络训练的装置，包括：

第一获取模块，用于获取稀疏异常样本，所述稀疏异常样本包含有采集设备发生异常状态时观测出的观测信息；

第一确定模块，用于通过待训练的状态映射网络，确定所述稀疏异常样本中包含的观测信息对应的环境特征，与所述状态映射网络包含的聚类中心所对应的环境特征之间的偏差，作为所述稀疏异常样本对应的偏差；

第一训练模块，用于根据所述稀疏异常样本对应的偏差，调整所述状态映射网络包含的聚类中心，以对所述状态映射网络进行训练；

第二获取模块，用于获取训练样本集，所述训练样本集包含的训练样本中包含有采集设备在第一历史时刻时观测出的观测信息；

输入模块，用于将所述训练样本输入到策略网络中，得到所述采集设备在所述第一历史时刻需要执行的第一行驶策略，并确定所述第一行驶策略对应的评价值；

行驶策略确定模块，用于基于所述第一行驶策略，预测所述采集设备在第二历史时刻所观测到的观测信息，作为预测观测信息，并根据所述预测观测信息，确定所述采集设备在位于所述第一历史时刻之后的第二历史时刻需要执行的第二行驶策略；

惩罚值确定模块，用于根据所述预测观测信息，确定所述第二行驶策略对应的评价值，以及将所述预测观测信息输入到训练后的状态映射网络中，以确定所述采集设备在所述第二历史时刻对应的惩罚值；

第二训练模块，用于根据所述第二行驶策略对应的评价值和所述惩罚值，确定针对所述第一行驶策略的期望评价值，并以所述第一行驶策略对应的评价值向所述期望评价值逼近为优化目标，对所述策略网络进行训练。

本说明书提供了一种无人设备的控制装置，包括：

获取模块，用于获取无人设备在当前时刻时观测出的观测信息；

确定模块，用于将所述观测信息输入到预先训练的策略网络中，确定出所述无人设备在当前时刻需要执行的行驶策略，所述策略网络是通过上述网络训练的方法训练得到的；

控制模块，用于根据所述行驶策略，控制所述无人设备进行行驶。

本说明书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实现上述网络训练的方法或无人设备的控制方法。

本说明书提供了一种电子设备，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网络训练的方法或无人设备的控制方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书提供的网络训练的方法中，首先通过获取到的稀疏异常样本，对状态映射网络进行训练，而后获取用于训练策略网络的训练样本，训练样本中包含有采集设备在第一历史时刻时观测出的观测信息。其次，将训练样本输入到策略网络中，得到采集设备在第一历史时刻需要执行的第一行驶策略，并确定第一行驶策略对应的评价值。而后，基于第一行驶策略，预测采集设备在第二历史时刻所观测到的观测信息，作为预测观测信息，并根据预测观测信息，确定采集设备在位于第一历史时刻之后的第二历史时刻需要执行的第二行驶策略，根据预测观测信息，可以进一步地确定出第二行驶策略对应的评价值，以及将预测观测信息输入到训练后的状态映射网络，以确定采集设备在第二历史时刻对应的惩罚值。最后，根据第二行驶策略对应的评价值和惩罚值，确定针对第一行驶策略的期望评价值，并以第一行驶策略对应的评价值向期望评价值逼近为优化目标，对策略网络进行训练。

从上述的网络训练的方法中可以看出，本方法可以通过第二行驶策略对应的评价值和惩罚值，确定针对第一行驶策略的期望评价值，以第一行驶策略对应的评价值向期望评价值逼近为优化目标，对策略网络进行训练。相比于现有技术来说，本方法可以根据无人设备在接下来一段时间内发生异常状况的概率，调整无人设备的第一行驶策略对应的评价值，以此确定出针对第一行驶策略的期望评价值，对策略网络进行训练，使得训练后的策略网络确定出的第一行驶策略较为合理，从而降低了无人设备与周围障碍物发生碰撞的概率，保证了无人设备的安全行驶。

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网络训练的方法的流程示意图；

图2为本说明书实施例提供的网络训练的结构示意图；

图3为本说明书实施例提供的无人设备的控制方法的流程示意图；

图4为本说明书实施例提供的网络训练的装置的结构示意图；

图5为本说明书实施例提供的无人设备的控制装置的结构示意图；

图6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。

在本说明书实施例中，根据当前观测信息确定无人设备的行驶策略之前，需要依赖预先训练好的策略网络，下面将先介绍如何对策略网络进行训练的过程，如图1所示。

图1为本说明书实施例提供的网络训练的方法的流程示意图，具体包括以下步骤：

S100：获取训练样本集，所述训练样本集包含的训练样本中包含有采集设备在第一历史时刻时观测出的观测信息。

在本说明书实施例中，确定网络训练的方法的执行主体可以是服务器，也可以是诸如台式电脑等电子设备，为了便于描述，下面仅以服务器为执行主体，对本说明书提供的网络训练的方法进行说明。

在本说明书实施例中，服务器可以获取训练样本集，该训练样本集中包含的训练样本中包含有采集设备在第一历史时刻时观测出的观测信息。这里提到的采集设备可以是指在策略网络训练的过程中进行数据采集的设备，如有人驾驶的汽车、有人操控的机器人等设备，也可以是指无人设备。采集设备可以装配有多种传感器，例如，摄像机、激光雷达、毫米波雷达等，用来在行驶过程中观测采集设备对应的观测信息，以及观测采集设备周围障碍物对应的观测信息。这里提到的障碍物可以是指采集设备运动过程中周围的车辆、自行车、行人等可以运动的物体，即能够对采集设备运动造成干扰的障碍物。

其中，观测采集设备对应的观测信息可以包括：采集设备的位置数据，采集设备周围的障碍物的位置数据、采集设备的速度数据，采集设备周围的障碍物的速度数据、采集设备的转向角数据、采集设备周围的障碍物的转向角数据、采集设备周围的交通情况(道路限速信息、交通灯状态等)等。服务器可以基于观测到待采集设备周围障碍物对应的观测信息，预测出的障碍物在未来一段时间内的行驶策略。在采集设备运动过程中，周围可能存在多个障碍物，因此，采集设备可以针对周围每个障碍物，观测这些障碍物的观测信息。

在本说明书提到的无人设备可以是指无人车、无人机、机器人、自动配送设备等能够实现自动驾驶的设备。基于此，应用本说明书提供的网络训练的方法的无人设备可以用于执行配送领域的配送任务，如，使用无人设备进行快递、物流、外卖等配送的业务场景。

S102：将所述训练样本输入到策略网络中，得到所述采集设备在所述第一历史时刻需要执行的第一行驶策略，并确定所述第一行驶策略对应的评价值。

在本说明书实施例中，服务器可以将训练样本输入到策略网络中，得到采集设备在第一历史时刻需要执行的第一行驶策略，并确定第一行驶策略对应的评价值。

具体的，服务器可以将采集设备在第一历史时刻时观测出的观测信息输入到待训练的策略网络中，得到采集设备在第一历史时刻需要执行的第一行驶策略。再将采集设备在第一历史时刻时观测出的观测信息，以及第一行驶策略输入到评价网络中，确定第一行驶策略对应的评价值。这里提到的行驶策略可以包含有刹车踏板的深度、油门踏板的深度、方向盘转角等控制无人设备进行行驶的参数。

需要说明的是，上述提到的策略网络可以是已经部署在无人设备中的网络，无人设备在行驶过程中可以使用该策略网络实现对自身的控制，不过为了保证无人设备的安全行驶，可以将实际部署的策略网络做进一步地强化训练，所以，上述提到的待训练的策略网络，可以是指之前已经部署在无人设备上，但需要对其进一步地强化训练的网络。

相应的，上述提到的训练样本可以是指无人设备使用策略网络进行行驶的过程中，基于所产生的观测信息得到的，在这些训练样本中可以包括稠密正常样本和稀疏异常样本，其中，稠密正常样本可以理解为是无人设备正常行驶的样本(因为大部分情况下，无人设备都是正常行驶的，所以，这种情况下所产生的样本数量巨大，所以称之为是稠密正常样本)，而稀疏异常样本则是指无人设备出现诸如急刹、碰撞等异常状况的样本，其中，由于在实际应用中，无人设备出现诸如急刹、碰撞等异常状况的情况较少，所以称之为是稀疏异常样本。

S104：基于所述第一行驶策略，预测所述采集设备在第二历史时刻所观测到的观测信息，作为预测观测信息，并根据所述预测观测信息，确定所述采集设备在位于所述第一历史时刻之后的第二历史时刻需要执行的第二行驶策略。

S106：根据所述预测观测信息，确定所述第二行驶策略对应的评价值，以及将所述预测观测信息输入到训练后的状态映射网络中，以确定所述采集设备在所述第二历史时刻对应的惩罚值。

在实际应用中，若出现采集设备与周围障碍物发生碰撞的情况，发生碰撞的原因不仅仅是当前时刻的行驶策略不合理，还有一部分原因是采集设备按照当前时刻之前的其他时刻确定出的不合理的行驶策略进行行驶后，不断地累加错误，最终导致了采集设备与周围障碍物发生碰撞。基于此，服务器可以通过预测采集设备在未来时刻发生异常状况的概率，确定当前时刻的行驶策略的优劣。

在本说明书实施例中，服务器可以基于第一行驶策略，确定采集设备在第二历史时刻需要执行的第二行驶策略，并确定第二行驶策略对应的评价值，以及基于第一行驶策略，确定采集设备在第二历史时刻对应的惩罚值。这里提到的惩罚值用于反映采集设备在第二历史时刻发生异常状况的概率，该惩罚值可以是预先基于稀疏的异常样本所得到的出现异常状态下的环境特征，与基于所述第一行驶策略得到的所述采集设备在所述第二历史时刻所处环境的环境特征之间的偏差确定出的。这里提到的异常状况可以是指采集设备与周围障碍物发生碰撞或采集设备出现急刹等异常状况。第二历史时刻为位于第一历史时刻之后的时刻。

需要说明的是，第二历史时刻可以是指第一历史时刻的下一时刻，也可以是指第一历史时刻之后的多个时刻。

在实际应用中，由于在策略网络的训练过程中可能出现策略网络的网络参数变化过大，导致策略网络在训练过程中难以进行收敛。为了防止网络参数变化过大，服务器可以将策略网络的网络参数乘以一个固定系数，对策略辅助网络进行网络参数的更新。同样的，服务器可以将评价网络的网络参数乘以一个固定系数，对评价辅助网络进行网络参数的更新。

在本说明书实施例中，服务器可以预测采集设备按照第一行驶策略进行行驶后，在第二历史时刻时观测出的观测信息，作为预测观测信息。其次，将该预测观测信息输入到策略辅助网络中，得到第二行驶策略。

其中，策略辅助网络与策略网络的网络结构相同。策略辅助网络在网络训练过程中的参数调整步长，小于策略网络在网络训练过程中的参数调整步长。也就是说，在开始训练之前，策略网络与策略辅助网络的网络参数是相同的。

最后，将该预测观测信息，以及第二行驶策略输入到评价辅助网络中，确定第二行驶策略对应的评价值。

其中，评价辅助网络与评价网络的网络结构相同。评价辅助网络在网络训练过程中的参数调整步长，小于评价网络在网络训练过程中的参数调整步长。也就是说，在开始训练之前，评价网络与评价辅助网络的网络参数是相同的。

需要说明的是，在训练过程中，策略辅助网络与策略网络可以相互替换。同样的，评价辅助网络与评价网络可以相互替换。

在实际应用中，采集设备出现异常状态时周围环境的环境特征，与采集设备未出现异常状态时周围环境的环境特征之间的差别较大。基于此，服务器可以根据采集设备出现异常状态时周围环境的环境特征，与采集设备未出现异常状态时周围环境的环境特征之间的偏差，判断出采集设备按照行驶策略进行行驶后，出现异常状态的概率。

在本说明书实施例中，服务器可以将上述预测观测信息输入到训练后的状态映射网络中，以通过状态映射网络，确定采集设备在第二历史时刻时观测出的观测信息在环境特征上，与状态映射网络中包含的聚类中心所对应的环境特征之间的偏差，这里提到的聚类中心用于表征处于异常状态下的采集设备周围环境的环境特征。再根据偏差，确定采集设备在第二历史时刻对应的惩罚值。其中，异常状态可以分为两种：采集设备发生碰撞，以及采集设备出现急刹，因此，服务器可以确定出两个聚类中心。具体公式如下：

在上述公式中，

可以用于表征采集设备在第二历史时刻对应的惩罚值。

可以用于表征采集设备在第二历史时刻时观测出的观测信息中的采集设备周围环境的环境特征。c_i可以用于表征状态映射网络中包含的第i个异常状态下的聚类中心所对应的环境特征。d_i可以用于表征第i个异常状态下用于归一化的标准数值。r_i可以用于表征第i个异常状态对应的标准惩罚值，不同的聚类中心对应有不同的标准惩罚值。

从上述公式中可以看出，采集设备在第二历史时刻时观测出的观测信息(即预测观测信息)中的采集设备周围环境的环境特征，与状态映射网络中包含的第i个异常状态下的聚类中心所对应的环境特征之间的偏差越小，惩罚值越大。采集设备在第二历史时刻时观测出的观测信息中的采集设备周围环境的环境特征，与状态映射网络中包含的第i个异常状态下的聚类中心所对应的环境特征之间的偏差越大，惩罚值越小。

其中，服务器可以通过K-均值聚类算法(K-Means)、均值漂移聚类算法(Meanshift)等聚类算法，确定出状态映射网络中包含的聚类中心。本说明书不对聚类算法进行限定。

进一步的，服务器需要对状态映射网络进行训练，以通过训练后的状态映射网络，确定出采集设备在第二历史时刻对应的惩罚值。

具体的，服务器可以先获取上述提到的稀疏异常样本，这里提到的稀疏异常样本包含有采集设备发生异常状态时观测出的观测信息。其次，通过待训练的状态映射网络，确定稀疏异常样本中包含的观测信息在环境特征上，与状态映射网络中包含的聚类中心所对应的环境特征之间的偏差，作为稀疏异常样本对应的偏差。最后，以最小化稀疏异常样本对应的偏差为优化目标，对状态映射网络进行训练。具体公式如下：

在上述公式中，

可以用于表征从各训练样本中选取出一部分训练样本，作为训练样本集D。再确定出训练样本集D中包含有的N个采集设备处于异常状态的稀疏异常样本。最后，确定N个稀疏异常样本中包含的观测信息在环境特征上，与状态映射网络中包含的聚类中心所对应的环境特征之间的偏差的平均值。

可以用于表征基于训练样本集D中包含有的N个采集设备处于异常状态的稀疏异常样本，确定出的N个采集设备处于异常状态的稀疏异常样本对应的聚类中心。

从上述公式中可以看出，以最小化N个采集设备处于异常状态的稀疏异常样本，与N个采集设备处于异常状态的稀疏异常样本对应的聚类中心之间的偏差为优化目标，对状态映射网络进行训练，可以使得确定出的采集设备在第二历史时刻时观测出的观测信息中的采集设备周围环境的环境特征更为准确，合理。

另外，在训练上述状态映射网络的过程中，也可以实现对状态映射网络中包含的聚类中心的不断调整，使之能够更为准确的表达出无人设备(或是采集设备)在处于异常状况下周围环境的环境特征。可以理解为，通过上述方式，每次向状态映射网络中输入一批稀疏异常样本后，即可实现对聚类中心的一次微调，而经过不断的微调，使得训练后的状态映射网络中包含的聚类中心，能够准确的表达出无人设备(或采集设备)在异常状况下周围环境的环境特征。

需要说明的是，在本说明书中，上述提到的稀疏异常样本中包含的观测信息对应的环境特征，可以是将稀疏异常样本中包含的观测信息输入到状态映射网络中后，由状态映射网络自行提取出的，当然，也可以是由其他网络，如策略网络提取出的。如果是由其他网络提取出的，则可以理解成状态映射网络本质上是为了提高其他网络准确提取特征的能力。

进一步地，从上述过程中可以看出，虽然在实际应用中，出现诸如急刹、碰撞等异常状况的次数较少，但是，在本说明书提供的方法中，可以对这些稀疏异常样本进行共性上的特征聚类(即聚类中心)，这样一来，后续无人设备在行驶过程中，可以基于得到的聚类中心，准确的判断出是否存在诸如急刹、碰撞等异常情况，以保证无人设备的安全行驶。

也就是说，即使稀疏异常样本较为稀疏，但是通过对异常样本在共性上进行特征聚类，也能够在一定程度上保证有效地预判出出现异常状况的可能，从而在保证无人设备安全行驶的同时，也能够在一定程度上加速模型的训练过程。

还需说明的是，在本说明书中，服务器可以先对上述状态映射网络进行训练，在通过训练后的状态映射网络，确定上述惩罚值，以实现对上述策略网络的训练，当然，也可以采用联合训练的方式，即，将状态映射网络与上述策略网络进行同时训练。

S108：根据所述第二行驶策略对应的评价值和所述惩罚值，确定针对所述第一行驶策略的期望评价值。

在实际应用中，服务器确定出的采集设备在第一历史时刻对应的第一行驶策略的合理程度，可以根据采集设备按照第一历史时刻对应的第一行驶策略进行行驶后，预测采集设备在行驶后观测出的观测信息来确定。例如，采集设备按照第一历史时刻对应的第一行驶策略进行行驶后，预测采集设备在第二历史时刻时观测出的观测信息在环境特征上，与处于异常状态下的采集设备周围环境的环境特征之间的偏差，确定采集设备与障碍物发生碰撞的概率或采集设备产生急刹的概率，以此来采集设备在所述第二历史时刻对应的惩罚值。并根据惩罚值，以及第二行驶策略对应的评价值，判断第一行驶策略的合理程度。

在本说明书实施例中，服务器可以将上述预测观测信息输入到策略辅助网络中，得到采集设备在第二历史时刻对应的各第二行驶策略，以及各第二行驶策略对应的概率。再根据各第二行驶策略对应的评价值、各第二行驶策略对应的概率以及惩罚值，确定针对第一行驶策略的期望评价值。

在实际应用中，根据预测出的采集设备在第一历史时刻之后的未来时刻观测出的观测信息，确定出的行驶策略对应的评价值，会对采集设备在第一历史时刻的第一行驶策略的评价值产生影响。但是，可能出现较远的未来时刻确定出的行驶策略对应的评价值，对第一历史时刻的第一行驶策略的评价值产生影响较大的情况。基于此，服务器可以通过折扣因子，降低距离第一历史时刻过远的历史时刻的行驶策略对应的评价值，对第一历史时刻的第一行驶策略的评价值的影响程度，从而保证了第一历史时刻的第一行驶策略的评价值的合理性。

在本说明书实施例中，服务器可以根据各第二行驶策略对应的评价值、各第二行驶策略对应的概率、惩罚值以及折扣因子，确定针对第一行驶策略的期望评价值，其中，针对第一历史时刻之后的每个其他历史时刻，若是第一历史时刻距离该其他历史时刻越远，该其他历史时刻对应的行驶策略的评价值在折扣因子的作用下，对第一行驶策略的期望评价值的影响越小。

进一步的，服务器可以根据各第二行驶策略对应的评价值、各第二行驶策略对应的概率、惩罚值，以及确定出的上述预测观测信息对应的奖励值，确定针对第一行驶策略的期望评价值。其中，若采集设备在所述第二历史时刻时行驶越通畅，奖励值越大。这里提到确定奖励值的方式，可以用于理解成根据预测观测信息，来验证采集设备在第一历史时刻时的行驶策略的合理程度。具体如下公式：

在上述公式中，

可以用于表征第一行驶策略的期望评价值。

可以用于表征第二历史时刻的各第二行驶策略对应的评价值。r_t可以用于表征上述预测观测信息对应的奖励值。

可以用于表征采集设备在第二历史时刻对应的惩罚值。γ为折扣因子，用于降低第一历史时刻之后的其他历史时刻的行驶策略对应的评价值，对第一历史时刻的第一行驶策略的评价值的影响。s_t+1可以用于表征采集设备在第二历史时刻时观测出的观测信息。a_t+1可以用于表征采集设备在第二历史时刻时的各第二行驶策略。

可以用于表征采集设备在第二历史时刻时的各第二行驶策略对应的概率。

可以用于表征熵正则化项，可以用于增加策略网络的探索能力，使得策略网络收敛较快。

从上述公式中可以看出，

用于表征采集设备在第二历史时刻时对应的评价和值，具体的，将各第二行驶策略对应的评价值，与各第二行驶策略对应的概率，一一对应进行计算，得到采集设备在第二历史时刻时对应的平均和值。并在折扣因子的作用下，结合惩罚值和奖励值，确定出第一行驶策略对应的期望评价值。

换句话说，采集设备在确定第一行驶策略对应的期望评价值的过程中，不仅考虑了按照第一行驶策略，控制采集设备进行行驶的基础上，未来一段时间内确定出的行驶策略对应的评价值，对第一行驶策略对应的评价值的影响，也进一步地降低距离第一历史时刻过远的历史时刻的行驶策略对应的评价值，对第一历史时刻的第一行驶策略的评价值的影响程度，从而保证了控制参数的合理性。还可以采集设备在第二历史时刻发生异常状况的概率，调整采集设备在第一历史时刻对应的期望评价值。

上述提到的策略网络可以是软更新评价算法(soft actor-critic，SAC)，最大化熵强化学习(Maximum Entropy Reinforcement Learning，MERL)等网络，本说明书不对策略网络的具体形式进行限定。

在本说明书实施例中，服务器根据采集设备在第二历史时刻时观测出的观测信息，确定采集设备在第二历史时刻时对应的速度信息、采集设备在第二历史时刻时对应的速度变化量，以及采集设备在第二历史时刻时与周围障碍物之间的距离。再根据采集设备在第二历史时刻时对应的速度信息、采集设备在第二历史时刻时对应的速度变化量，以及采集设备在第二历史时刻时与周围障碍物之间的距离中的至少一种，确定采集设备在第二历史时刻时观测出的观测信息对应的奖励值。

具体的，服务器可以根据采集设备在第二历史时刻时与周围障碍物之间的距离，确定采集设备与障碍物之间是否发生碰撞。若采集设备在第二历史时刻时与周围障碍物之间的距离小于设定距离阈值，确定采集设备与障碍物之间发生碰撞，降低采集设备在第二历史时刻时观测出的观测信息对应的奖励值。

服务器可以根据采集设备在第二历史时刻时对应的速度信息，确定采集设备在行驶效率方面上的奖励值，采集设备在第二历史时刻时对应的速度越快，采集设备在第二历史时刻时观测出的观测信息对应的奖励值越高。

服务器可以根据采集设备在第二历史时刻时对应的速度变化量，确定采集设备是否出现急刹，若采集设备在第二历史时刻时对应的速度变化量大于设定速度变化量阈值，确定采集设备出现急刹，降低采集设备在第二历史时刻时观测出的观测信息对应的奖励值。

S110：以所述第一行驶策略对应的评价值向所述期望评价值逼近为优化目标，对所述策略网络进行训练。

在本说明书实施例中，服务器可以以第一行驶策略对应的评价值向期望评价值逼近为优化目标，对策略网络进行训练。

具体的，服务器可以将采集设备在第一历史时刻时观测出的观测信息，以及第一行驶策略，输入到待训练的评价网络中，确定第一行驶策略对应的评价值。其次，以第一行驶策略对应的评价值向期望评价值逼近为优化目标，对评价网络进行训练，得到训练后评价网络。最后，通过训练后评价网络，对策略网络进行训练。具体如下公式：

在上述公式中，

可以用于表征从各训练样本中选取出一部分训练样本，作为训练样本集D。再确定出训练样本集D中包含有的N个训练样本。最后，确定出N个训练样本对应的第一行驶策略的评价值，与第一行驶策略的期望评价值之间的偏差的平均值。

可以用于表征第一历史时刻对应的第一行驶策略的评价值。

可以用于表征第一历史时刻对应的第一行驶策略的期望评价值。从上述公式中可以看出，当第一行驶策略的评价值，与第一行驶策略的期望评价值之间的偏差的平均值达到最小时，评价网络的网络参数最优。

在本说明书实施例中，服务器可以将采集设备在第一历史时刻时观测出的观测信息，输入到待训练的策略网络，确定采集设备在第一历史时刻对应的各第一行驶策略，以及各第一行驶策略对应的概率。其次，将采集设备在第一历史时刻时观测出的观测信息，以及各第一行驶策略，输入到预先训练的评价网络中，确定各第一行驶策略对应的评价值。最后，根据各第一行驶策略对应的概率，以及各第一行驶策略对应的评价值，确定各第一行驶策略对应的评价和值，并以最大化评价和值为优化目标，对策略网络进行训练。

其中，服务器还可以根据各第一行驶策略对应的概率，以及各第一行驶策略对应的评价值，确定各第一行驶策略对应的评价值的平均值，并以最大化各第一行驶策略对应的评价值的平均值为优化目标，对策略网络进行训练。具体公式如下：

在上述公式中，

可以用于表征采集设备在第一历史时刻时的各第一行驶策略对应的概率。

可以用于表征熵正则化项，可以用于增加策略网络的探索能力，使得策略网络收敛较快。

可以用于表征第一历史时刻时的各第一行驶策略对应的评价值。s_t可以用于表征采集设备在第一历史时刻时观测出的观测信息。a_t可以用于表征采集设备在第一历史时刻时的各第一行驶策略。

从上述公式中可以看出，服务器可以确定在第一历史时刻时，策略网络确定出的第一行驶策略的优劣，由于上述公式确定出的值为负值，因此，确定出的各第一行驶策略对应的评价值的平均值越大，上述公式确定出的值越小，策略网络确定出的第一行驶策略也就越合理。

在本说明书实施例中，服务器可以通过调整和优化上述策略网络中包含的网络参数，实现策略网络的训练。也就是说，经过多轮的迭代训练，可以使各第一行驶策略对应的评价和值不断增大，并收敛在一个数值范围内，进而完成策略网络的训练过程。

当然，除了以评价和值最大化为优化目标对策略网络进行训练外，还可以以预设的评价和值为优化目标，通过调整策略网络中包含的网络参数，对策略网络进行训练。也就是说，在多轮迭代训练的过程中，需要使评价和值不断的接近该预设的评价和值，当经过多轮迭代训练后，评价和值在该预设的评价和值周围来回浮动，则可以确定完成对策略网络的训练。

通过上述描述可知，由于采集设备出现急刹或发生碰撞时才会生成稀疏异常样本，因此，稀疏异常样本的数量较少，会导致策略网络训练缓慢，难以进行收敛。基于此，服务器可以对各训练样本进行标记，生成稀疏异常样本集，并确定出稀疏异常样本集的聚类中心，用于后续的策略网络训练。

在本说明书实施例中，策略网络需要进行多轮的训练，为了避免每次训练都需要通过评价网络重复确定确定第一行驶策略对应的评价值等数据，服务器可以将采集设备在第一历史时刻时观测出的观测信息、第一行驶策略、采集设备在第二历史时刻时观测出的观测信息、采集设备在第一历史时刻时观测出的观测信息对应的奖励值，以及训练样本对应的标签信息，作为训练样本。这里提到的训练样本对应的标签信息可以是指稠密正常样本、稀疏异常样本。

在本说明书实施例中，服务器可以通过训练样本快速的对状态映射网络、评价网络进行训练，进而，提高策略网络的训练效率。相应的，评价辅助网络、策略辅助网络也可以基于评价网络、策略网络的网络参数进行快速的更新。

在本说明书实施例中，无人设备进行行驶的过程中，可以获取新的训练样本，并基于新的训练样本对策略网络进行训练，如图2所示。

图2为本说明书实施例提供的网络训练的结构示意图。

在图2中，服务器可以从训练样本集中获取一批训练样本，并通过这一批训练样本，对状态映射网络进行优化。再将训练样本输入到策略辅助网络、评价辅助网络，对评价网络进行训练，得到训练后的评价网络。其次，服务器可以通过训练后的评价网络对策略网络进行训练，得到训练后的策略网络。而后，服务器可以将训练后的评价网络的网络参数按照设定的参数调整步长，更新到评价辅助网络，同样的，将训练后的策略网络的网络参数按照设定的参数调整步长，更新到策略辅助网络。

完成策略网络的训练后，可以将其部署到实际的无人设备中，而无人设备在使用该策略网络行驶的过程中，则可以将观测出的观测信息、通过策略网络得到的行驶策略、奖励值等数据，作为新的训练样本，并加入到训练样本集中，以在合适的时机，通过加入新训练样本的训练样本集，再次对策略网络进行训练。

从上述过程中可以看出，本方法可以通过第二行驶策略对应的评价值、奖励值、折扣因子，以及惩罚值，确定针对第一行驶策略的期望评价值，以第一行驶策略对应的评价值向期望评价值逼近为优化目标，对评价网络进行训练，得到训练后的评价网络。再通过训练后的评价网络对策略网络进行训练。

也就是说，本方法可以根据采集设备在接下来一段时间内发生异常状况的概率，调整采集设备的第一行驶策略对应的评价值，以此确定出针对第一行驶策略的期望评价值，使得训练后的策略网络确定出的第一行驶策略较为合理，从而降低了采集设备与周围障碍物发生碰撞的概率，保证了采集设备的安全行驶。

本说明书实施例在策略网络的训练完成后，可以将训练后的策略网络部署到无人设备中，以实现对无人设备的控制，如图3所示。

图3为本说明书实施例提供的无人设备的控制方法的流程示意图，具体包括：

S300：获取无人设备在当前时刻时观测出的观测信息。

S302：将所述观测信息输入到预先训练的策略网络中，确定出所述无人设备在当前时刻需要执行的行驶策略，所述策略网络是通过上述网络训练的方法训练得到的。

S304：根据所述行驶策略，控制所述无人设备进行行驶。

在本说明书实施例中，无人设备可以通过自身设置的各种传感器(如摄像头、激光雷达等)，获取无人设备在当前时刻时观测出的观测信息。而后，将观测信息输入到预先训练的策略网络中，确定出无人设备在当前时刻需要执行的行驶策略。根据行驶策略，控制无人设备进行行驶。

当然，本说明书提供的无人设备的控制方法的执行主体可以是诸如无人设备，也可以是服务器、台式电脑等终端设备。若是以诸如服务器、台式电脑等终端设备为执行主体，则终端设备可以获取到无人设备采集并上传的观测信息，并在确定出在该时刻对应的行驶策略后，可以将确定出的行驶策略返回给无人设备。

以上为本说明书的一个或多个实施例提供的网络训练的方法，基于同样的思路，本说明书还提供了相应的网络训练的装置，如图4所示。

图4为本说明书实施例提供的网络训练装置的结构示意图，具体包括：

第一获取模块401，用于获取稀疏异常样本，所述稀疏异常样本包含有采集设备发生异常状态时观测出的观测信息；

第一确定模块402，用于通过待训练的状态映射网络，确定所述稀疏异常样本中包含的观测信息对应的环境特征，与所述状态映射网络包含的聚类中心所对应的环境特征之间的偏差，作为所述稀疏异常样本对应的偏差；

第一训练模块403，用于根据所述稀疏异常样本对应的偏差，调整所述状态映射网络包含的聚类中心，以对所述状态映射网络进行训练；

第二获取模块404，用于获取训练样本集，所述训练样本集包含的训练样本中包含有采集设备在第一历史时刻时观测出的观测信息；

输入模块405，用于将所述训练样本输入到策略网络中，得到所述采集设备在所述第一历史时刻需要执行的第一行驶策略，并确定所述第一行驶策略对应的评价值；

行驶策略确定模块406，用于基于所述第一行驶策略，预测所述采集设备在第二历史时刻所观测到的观测信息，作为预测观测信息，并根据所述预测观测信息，确定所述采集设备在位于所述第一历史时刻之后的第二历史时刻需要执行的第二行驶策略；

惩罚值确定模块407，用于根据所述预测观测信息，确定所述第二行驶策略对应的评价值，以及将所述预测观测信息输入到训练后的状态映射网络中，以确定所述采集设备在所述第二历史时刻对应的惩罚值；

第二训练模块408，用于根据所述第二行驶策略对应的评价值和所述惩罚值，确定针对所述第一行驶策略的期望评价值，并以所述第一行驶策略对应的评价值向所述期望评价值逼近为优化目标，对所述策略网络进行训练。

可选地，所述输入模块405具体用于，将所述采集设备在第一历史时刻时观测出的观测信息，以及所述第一行驶策略输入到评价网络中，确定所述第一行驶策略对应的评价值。

可选地，所述行驶策略确定模块406具体用于，将所述预测观测信息输入到策略辅助网络中，得到所述第二行驶策略，所述策略辅助网络与所述策略网络的网络结构相同，所述策略辅助网络在网络训练过程中的参数调整步长，小于所述策略网络在网络训练过程中的参数调整步长，将所述预测观测信息，以及所述第二行驶策略输入到评价辅助网络中，确定所述第二行驶策略对应的评价值，所述评价辅助网络与所述评价网络的网络结构相同，所述评价辅助网络在网络训练过程中的参数调整步长，小于所述评价网络在网络训练过程中的参数调整步长。

可选地，所述行驶策略确定模块406具体用于，将所述预测观测信息输入到所述策略辅助网络中，得到所述采集设备在所述第二历史时刻对应的各第二行驶策略，以及所述各第二行驶策略对应的概率，根据所述各第二行驶策略对应的评价值、所述各第二行驶策略对应的概率以及所述惩罚值，确定针对所述第一行驶策略的期望评价值。

可选地，所述第二训练模块408具体用于，根据所述各第二行驶策略对应的评价值、所述各第二行驶策略对应的概率、所述惩罚值以及折扣因子，确定针对所述第一行驶策略的期望评价值，其中，针对所述第一历史时刻之后的每个其他历史时刻，若是所述第一历史时刻距离该其他历史时刻越远，该其他历史时刻对应的行驶策略的评价值在所述折扣因子的作用下，对所述第一行驶策略的期望评价值的影响越小。

可选地，所述第二训练模块408具体用于，根据所述各第二行驶策略对应的评价值、所述各第二行驶策略对应的概率、所述惩罚值，以及确定出的所述预测观测信息对应的奖励值，确定针对所述第一行驶策略的期望评价值，其中，若所述采集设备在所述第二历史时刻时行驶越通畅，所述奖励值越大。

可选地，所述第二训练模块408具体用于，根据所述预测观测信息，确定所述采集设备在所述第二历史时刻时对应的速度信息、所述采集设备在所述第二历史时刻时对应的速度变化量，以及所述采集设备在所述第二历史时刻时与周围障碍物之间的距离，根据所述采集设备在所述第二历史时刻时对应的速度信息、所述采集设备在所述第二历史时刻时对应的速度变化量，以及所述采集设备在所述第二历史时刻时与周围障碍物之间的距离中的至少一种，确定所述预测观测信息对应的奖励值。

可选地，所述第二训练模块408具体用于，将所述采集设备在所述第一历史时刻时观测出的观测信息，以及所述第一行驶策略，输入到待训练的评价网络中，确定所述第一行驶策略对应的评价值，以所述第一行驶策略对应的评价值向所述期望评价值逼近为优化目标，对所述评价网络进行训练，得到训练后评价网络，通过所述训练后评价网络，对所述策略网络进行训练。

可选地，所述第二训练模块408具体用于，将所述采集设备在所述第一历史时刻时观测出的观测信息，输入到待训练的策略网络，确定所述采集设备在所述第一历史时刻对应的各第一行驶策略，以及所述各第一行驶策略对应的概率，将所述采集设备在所述第一历史时刻时观测出的观测信息，以及所述各第一行驶策略，输入到预先训练的评价网络中，确定所述各第一行驶策略对应的评价值，根据所述各第一行驶策略对应的概率，以及所述各第一行驶策略对应的评价值，确定所述各第一行驶策略对应的评价和值，并以最大化所述评价和值为优化目标，对所述策略网络进行训练。

图5为本说明书实施例提供的无人设备的控制装置的结构示意图，具体包括：

获取模块500，用于获取无人设备在当前时刻时观测出的观测信息；

确定模块502，用于将所述观测信息输入到预先训练的策略网络中，确定出所述无人设备在当前时刻需要执行的行驶策略，所述策略网络是通过上述网络训练的方法训练得到的；

控制模块504，用于根据所述行驶策略，控制所述无人设备进行行驶。

本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的网络训练的方法或上述图3提供的无人设备的控制方法。

本说明书还提供了图6所示的电子设备的结构示意图。如图6所述，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所述的网络训练的方法或上述图3提供的无人设备的控制方法。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，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、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 (14)

1.一种网络训练的方法，其特征在于，包括：

获取稀疏异常样本，所述稀疏异常样本包含有采集设备发生异常状态时观测出的观测信息；

通过待训练的状态映射网络，确定所述稀疏异常样本中包含的观测信息对应的环境特征，与所述状态映射网络包含的聚类中心所对应的环境特征之间的偏差，作为所述稀疏异常样本对应的偏差；

根据所述稀疏异常样本对应的偏差，调整所述状态映射网络包含的聚类中心，以对所述状态映射网络进行训练；

获取训练样本集，所述训练样本集包含的训练样本中包含有采集设备在第一历史时刻时观测出的观测信息；

将所述训练样本输入到策略网络中，得到所述采集设备在所述第一历史时刻需要执行的第一行驶策略，并确定所述第一行驶策略对应的评价值；

基于所述第一行驶策略，预测所述采集设备在第二历史时刻所观测到的观测信息，作为预测观测信息，并根据所述预测观测信息，确定所述采集设备在位于所述第一历史时刻之后的第二历史时刻需要执行的第二行驶策略；

根据所述预测观测信息，确定所述第二行驶策略对应的评价值，以及将所述预测观测信息输入到训练后的状态映射网络中，以确定所述采集设备在所述第二历史时刻对应的惩罚值；

根据所述第二行驶策略对应的评价值和所述惩罚值，确定针对所述第一行驶策略的期望评价值，并以所述第一行驶策略对应的评价值向所述期望评价值逼近为优化目标，对所述策略网络进行训练。

2.如权利要求1所述的方法，其特征在于，确定所述第一行驶策略对应的评价值，具体包括：

将所述采集设备在第一历史时刻时观测出的观测信息，以及所述第一行驶策略输入到评价网络中，确定所述第一行驶策略对应的评价值。

3.如权利要求2所述的方法，其特征在于，根据所述预测观测信息，确定所述采集设备在位于所述第一历史时刻之后的第二历史时刻需要执行的第二行驶策略，具体包括：

将所述预测观测信息输入到策略辅助网络中，得到所述第二行驶策略，所述策略辅助网络与所述策略网络的网络结构相同，所述策略辅助网络在网络训练过程中的参数调整步长，小于所述策略网络在网络训练过程中的参数调整步长；

根据所述预测观测信息，确定所述第二行驶策略对应的评价值，具体包括：

将所述预测观测信息，以及所述第二行驶策略输入到评价辅助网络中，确定所述第二行驶策略对应的评价值，所述评价辅助网络与所述评价网络的网络结构相同，所述评价辅助网络在网络训练过程中的参数调整步长，小于所述评价网络在网络训练过程中的参数调整步长。

4.如权利要求3所述的方法，其特征在于，根据所述预测观测信息，确定所述采集设备在位于所述第一历史时刻之后的第二历史时刻需要执行的第二行驶策略，具体包括：

将所述预测观测信息输入到所述策略辅助网络中，得到所述采集设备在所述第二历史时刻对应的各第二行驶策略，以及所述各第二行驶策略对应的概率；

根据所述第二行驶策略对应的评价值和所述惩罚值，确定针对所述第一行驶策略的期望评价值，具体包括：

根据所述各第二行驶策略对应的评价值、所述各第二行驶策略对应的概率以及所述惩罚值，确定针对所述第一行驶策略的期望评价值。

5.如权利要求4所述的方法，其特征在于，根据所述各第二行驶策略对应的评价值、所述各第二行驶策略对应的概率以及所述惩罚值，确定针对所述第一行驶策略的期望评价值，具体包括：

根据所述各第二行驶策略对应的评价值、所述各第二行驶策略对应的概率、所述惩罚值以及折扣因子，确定针对所述第一行驶策略的期望评价值，其中，针对所述第一历史时刻之后的每个其他历史时刻，若是所述第一历史时刻距离该其他历史时刻越远，该其他历史时刻对应的行驶策略的评价值在所述折扣因子的作用下，对所述第一行驶策略的期望评价值的影响越小。

6.如权利要求4或5所述的方法，其特征在于，根据所述各第二行驶策略对应的评价值、所述各第二行驶策略对应的概率以及所述惩罚值，确定针对所述第一行驶策略的期望评价值，具体包括：

根据所述各第二行驶策略对应的评价值、所述各第二行驶策略对应的概率、所述惩罚值，以及确定出的所述预测观测信息对应的奖励值，确定针对所述第一行驶策略的期望评价值，其中，若所述采集设备在所述第二历史时刻时行驶越通畅，所述奖励值越大。

7.如权利要求6所述的方法，其特征在于，确定所述预测观测信息对应的奖励值，具体包括：

根据所述预测观测信息，确定所述采集设备在所述第二历史时刻时对应的速度信息、所述采集设备在所述第二历史时刻时对应的速度变化量，以及所述采集设备在所述第二历史时刻时与周围障碍物之间的距离；

根据所述采集设备在所述第二历史时刻时对应的速度信息、所述采集设备在所述第二历史时刻时对应的速度变化量，以及所述采集设备在所述第二历史时刻时与周围障碍物之间的距离中的至少一种，确定所述预测观测信息对应的奖励值。

8.如权利要求2所述的方法，其特征在于，以所述第一行驶策略对应的评价值向所述期望评价值逼近为优化目标，对所述策略网络进行训练，具体包括：

将所述采集设备在所述第一历史时刻时观测出的观测信息，以及所述第一行驶策略，输入到待训练的评价网络中，确定所述第一行驶策略对应的评价值；

以所述第一行驶策略对应的评价值向所述期望评价值逼近为优化目标，对所述评价网络进行训练，得到训练后评价网络；

通过所述训练后评价网络，对所述策略网络进行训练。

9.如权利要求8所述的方法，其特征在于，通过所述训练后评价网络，对所述策略网络进行训练，具体包括：

将所述采集设备在所述第一历史时刻时观测出的观测信息，输入到待训练的策略网络，确定所述采集设备在所述第一历史时刻对应的各第一行驶策略，以及所述各第一行驶策略对应的概率；

将所述采集设备在所述第一历史时刻时观测出的观测信息，以及所述各第一行驶策略，输入到预先训练的评价网络中，确定所述各第一行驶策略对应的评价值；

根据所述各第一行驶策略对应的概率，以及所述各第一行驶策略对应的评价值，确定所述各第一行驶策略对应的评价和值，并以最大化所述评价和值为优化目标，对所述策略网络进行训练。

10.一种无人设备的控制方法，其特征在于，包括：

获取无人设备在当前时刻时观测出的观测信息；

将所述观测信息输入到预先训练的策略网络中，确定出所述无人设备在当前时刻需要执行的行驶策略，所述策略网络是通过上述权利要求1～9任一项所述的方法训练得到的；

根据所述行驶策略，控制所述无人设备进行行驶。

11.一种网络训练的装置，其特征在于，包括：

第一获取模块，用于获取稀疏异常样本，所述稀疏异常样本包含有采集设备发生异常状态时观测出的观测信息；

第一确定模块，用于通过待训练的状态映射网络，确定所述稀疏异常样本中包含的观测信息对应的环境特征，与所述状态映射网络包含的聚类中心所对应的环境特征之间的偏差，作为所述稀疏异常样本对应的偏差；

第一训练模块，用于根据所述稀疏异常样本对应的偏差，调整所述状态映射网络包含的聚类中心，以对所述状态映射网络进行训练；

第二获取模块，用于获取训练样本集，所述训练样本集包含的训练样本中包含有采集设备在第一历史时刻时观测出的观测信息；

输入模块，用于将所述训练样本输入到策略网络中，得到所述采集设备在所述第一历史时刻需要执行的第一行驶策略，并确定所述第一行驶策略对应的评价值；

行驶策略确定模块，用于基于所述第一行驶策略，预测所述采集设备在第二历史时刻所观测到的观测信息，作为预测观测信息，并根据所述预测观测信息，确定所述采集设备在位于所述第一历史时刻之后的第二历史时刻需要执行的第二行驶策略；

惩罚值确定模块，用于根据所述预测观测信息，确定所述第二行驶策略对应的评价值，以及将所述预测观测信息输入到训练后的状态映射网络中，以确定所述采集设备在所述第二历史时刻对应的惩罚值；

第二训练模块，用于根据所述第二行驶策略对应的评价值和所述惩罚值，确定针对所述第一行驶策略的期望评价值，并以所述第一行驶策略对应的评价值向所述期望评价值逼近为优化目标，对所述策略网络进行训练。

12.一种无人设备的控制装置，其特征在于，所述装置应用于无人驾驶领域，包括：

获取模块，用于获取无人设备在当前时刻时观测出的观测信息；

确定模块，用于将所述观测信息输入到预先训练的策略网络中，确定出所述无人设备在当前时刻需要执行的行驶策略，所述策略网络是通过上述权利要求1～9任一项所述的方法训练得到的；

控制模块，用于根据所述行驶策略，控制所述无人设备进行行驶。

13.一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1～9或10任一项所述的方法。

14.一种电子设备，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1～9或10任一项所述的方法。

Images