CN114880183A - 自动驾驶性能评价模型训练、性能评价方法、装置及介质 - Google Patents

自动驾驶性能评价模型训练、性能评价方法、装置及介质 Download PDF

Info

Publication number
CN114880183A
CN114880183A CN202210554243.4A CN202210554243A CN114880183A CN 114880183 A CN114880183 A CN 114880183A CN 202210554243 A CN202210554243 A CN 202210554243A CN 114880183 A CN114880183 A CN 114880183A
Authority
CN
China
Prior art keywords
evaluation
data
automatic driving
target
driving performance
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.)
Pending
Application number
CN202210554243.4A
Other languages
English (en)
Inventor
李颖
张正龙
吴振昕
刘涛
赵朋刚
迟霆
赵思佳
周忠贺
赵悦岑
杨渊泽
耿家宝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
FAW Group Corp
Original Assignee
FAW Group Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by FAW Group Corp filed Critical FAW Group Corp
Priority to CN202210554243.4A priority Critical patent/CN114880183A/zh
Publication of CN114880183A publication Critical patent/CN114880183A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/26—Functional testing
    • G06F11/263—Generation of test inputs, e.g. test vectors, patterns or sequences ; with adaptation of the tested hardware for testability with external testers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明实施例公开了一种自动驾驶性能评价模型训练、性能评价方法、装置及介质。自动驾驶性能评价模型训练方法，具体包括：确定自动驾驶性能评价的至少一个预设评价场景，并在各预设评价场景中确定自动驾驶性能评价的目标评价场景；根据目标评价场景，确定与目标评价场景对应的历史标准安全性评价数据以及历史标准舒适性评价数据；将历史标准安全性评价数据和历史标准舒适性评价数据，输入至自动驾驶性能评价模型，以对自动驾驶性能评价模型进行训练。本发明实施例的技术方案能够从多维度对自动驾驶的性能进行评价，有效提升自动驾驶性能。

Description

自动驾驶性能评价模型训练、性能评价方法、装置及介质
技术领域
本发明实施例涉及自动驾驶技术领域，尤其涉及一种自动驾驶性能评价模型训练、性能评价方法、装置、电子设备及存储介质。
背景技术
随着社会生产的发展，自动驾驶车辆将成为未来交通的重要参与者，在自动驾驶技术的开发过程中需要进行大量的测试、评价和验证，准确可靠的安全性评价是自动驾驶汽车推广应用的基础，并且随着自动驾驶技术研究的深入，车上人员舒适性逐渐成为除安全性外的另一关注重点。
然而，当前对于自动驾驶的评价研究大多只考虑其单方面的表现情况，为达到车辆的安全性目标而选择较为激进的行车方案，或者为了实现自动驾驶成员的舒适性要求而减缓自动驾驶车辆应对不同工况场景的操作灵敏度，均不利于自动驾驶汽车的进一步研究。也即，目前对于自动驾驶的大部分研究均只关注了自动驾驶技术在某一项性能上的表现，没有形成一个较为全面的性能评价体系。
发明内容
本发明实施例提供一种自动驾驶性能评价模型训练、性能评价方法、装置、电子设备及存储介质，能够从多维度对自动驾驶的性能进行评价，有效提升自动驾驶性能。
根据本发明的一方面，提供了一种自动驾驶性能评价模型训练方法，包括：
确定自动驾驶性能评价的至少一个预设评价场景，并在各所述预设评价场景中确定自动驾驶性能评价的目标评价场景；
根据所述目标评价场景，确定与所述目标评价场景对应的历史标准安全性评价数据以及历史标准舒适性评价数据；
将所述历史标准安全性评价数据和所述历史标准舒适性评价数据，输入至自动驾驶性能评价模型，以对所述自动驾驶性能评价模型进行训练。
根据本发明的另一方面，提供了一种自动驾驶性能评价方法，包括：
确定自动驾驶性能评价的至少一个预设评价场景，并在各所述预设评价场景中确定自动驾驶性能评价的目标评价场景；
根据所述目标评价场景，确定与所述目标评价场景对应的安全性评价实测数据以及舒适性评价实测数据；
将所述实测安全性评价数据和所述实测舒适性评价数据，输入至预先训练完成的自动驾驶性能评价模型中，通过所述自动驾驶性能评价模型得到自动驾驶性能评价结果数据；
根据所述自动驾驶性能评价结果数据，确定与所述目标评价场景对应的自动驾驶性能评价结果。
根据本发明的另一方面，提供了一种自动驾驶性能评价模型训练装置，包括：
评价场景确定模块，用于确定自动驾驶性能评价的至少一个预设评价场景，并在各所述预设评价场景中确定自动驾驶性能评价的目标评价场景；
评价数据确定模块，用于根据所述目标评价场景，确定与所述目标评价场景对应的历史标准安全性评价数据以及历史标准舒适性评价数据；
模型训练模块，用于将所述历史标准安全性评价数据和所述历史标准舒适性评价数据，输入至自动驾驶性能评价模型，以对所述自动驾驶性能评价模型进行训练。
根据本发明的另一方面，提供了一种自动驾驶性能评价装置，包括：
性能评价场景确定模块，用于确定自动驾驶性能评价的至少一个预设评价场景，并在各所述预设评价场景中确定自动驾驶性能评价的目标评价场景；
性能评价实测数据确定模块，用于根据所述目标评价场景，确定与所述目标评价场景对应的安全性评价实测数据以及舒适性评价实测数据；
性能评价结果数据获取模块，用于将所述实测安全性评价数据和所述实测舒适性评价数据，输入至预先训练完成的自动驾驶性能评价模型中，通过所述自动驾驶性能评价模型得到自动驾驶性能评价结果数据；
性能评价结果确定模块，用于根据所述自动驾驶性能评价结果数据，确定与所述目标评价场景对应的自动驾驶性能评价结果。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的自动驾驶性能评价模型训练方法，或者执行本发明任一实施例所述的自动驾驶性能评价方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的自动驾驶性能评价模型训练方法，或者执行时实现本发明任一实施例所述的自动驾驶性能评价方法。
本发明实施例的技术方案，通过确定自动驾驶性能评价的至少一个预设评价场景，并在各预设评价场景中确定自动驾驶性能评价的目标评价场景，以根据目标评价场景确定与目标评价场景对应的历史标准安全性评价数据以及历史标准舒适性评价数据，从而将历史标准安全性评价数据和历史标准舒适性评价数据输入至自动驾驶性能评价模型，对自动驾驶性能评价模型进行训练，进而通过训练完成的自动驾驶性能评价模型确定自动驾驶性能评价结果，实现自动驾驶性能评价，解决了现有的自动驾驶性能评价只能从单方面进行评价的问题，能够从多维度对自动驾驶的性能进行评价，有效提升自动驾驶性能。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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是本发明实施例一提供的一种自动驾驶性能评价模型训练方法的流程图；
图2是本发明实施例二提供的一种自动驾驶性能评价模型训练方法的流程图；
图3是本发明实施例三提供的一种自动驾驶性能评价方法的流程图；
图4是本发明实施例三提供的一种自动驾驶性能评价方法的示例流程图；
图5是本发明实施例三提供的自动驾驶性能评价模型的结构示意图；
图6是本发明实施例四提供的一种自动驾驶性能评价模型训练装置的示意图；
图7是本发明实施例五提供的一种自动驾驶性能评价装置的示意图；
图8是实现本发明实施例的自动驾驶性能评价模型训练方法，或者自动驾驶性能评价方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是本发明实施例一提供的一种自动驾驶性能评价模型训练方法的流程图，本实施例可适用于从多维度评价自动驾驶性能的情况，该方法可以由自动驾驶性能评价模型训练装置执行，该装置可以通过软件和/或硬件的方式实现，并一般可以直接集成在执行本方法的电子设备中，该电子设备可以是终端设备，也可以是服务器设备，本发明实施例并不对执行自动驾驶性能评价模型训练方法的电子设备的类型进行限定。具体的，如图1所示，该自动驾驶性能评价模型训练方法具体可以包括如下步骤：
S110、确定自动驾驶性能评价的至少一个预设评价场景，并在各所述预设评价场景中确定自动驾驶性能评价的目标评价场景。
其中，预设评价场景可以是预先设置的任意能够对自动驾驶性能进行评价的场景，例如可以是车道保持辅助系统测试场景，也可以是车辆前方障碍物测试场景等，本发明实施例对此并不进行限制。目标评价场景可以是在预设评价场景中确定的任意一个目标场景。
在本发明实施例中，确定自动驾驶性能评价的至少一个预设评价场景，并在各预设评价场景中确定自动驾驶性能评价的目标评价场景。可以理解的是，预设评价场景可以是一个，也可以是多个，本发明实施例对此并不进行限制。在只有一个预设评价场景的情况下，该预设评价场景即为目标评价场景。在有多个预设评价场景的情况下，多个预设评价场景中的任意一个都可以作为目标评价场景。
S120、根据所述目标评价场景，确定与所述目标评价场景对应的历史标准安全性评价数据以及历史标准舒适性评价数据。
其中，历史标准安全性评价数据可以是在自动驾驶性能评价之前，通过测试得到的，能够作为标准的，安全性评价数据。示例性的，历史标准安全性评价数据可以是，根据达到安全性要求的，与当前正在进行自动驾驶性能评价的车辆型号相同的车辆，在目标评价场景下进行实验测试得到的安全性评价数据。
其中，历史标准舒适性评价数据可以是在自动驾驶性能评价之前，通过测试得到的，能够作为标准的，舒适性评价数据。示例性的，历史标准舒适性评价数据可以是，根据达到舒适性要求的，与当前正在进行自动驾驶性能评价的车辆型号相同的车辆，在目标评价场景下进行实验测试得到的舒适性评价数据。
在本发明实施例中，在确定自动驾驶性能评价的至少一个预设评价场景，并在各预设评价场景中确定自动驾驶性能评价的目标评价场景之后，可以进一步根据目标评价场景，确定与目标评价场景对应的历史评价安全性评价数据以及历史标准舒适性评价数据。可以理解的是，不同的评价场景，可以对应不同的历史评价安全性评价数据和历史标准舒适性评价数据。
S130、将所述历史标准安全性评价数据和所述历史标准舒适性评价数据，输入至自动驾驶性能评价模型，以对所述自动驾驶性能评价模型进行训练。
其中，自动驾驶性能评价模型可以是任意能够评价自动驾驶性能的机器学习模型，例如可以是BP(back propagation，一种按照误差逆向传播算法训练的多层前馈神经网络)神经网络等，本发明实施例对此并不进行限制。
在本发明实施例中，在根据目标评价场景确定与目标评价场景对应的历史标准安全性评价数据以及历史标准舒适性评价数据之后，可以进一步将历史标准安全性评价数据和历史标准舒适性评价数据，输入至自动驾驶性能评价模型，以对自动驾驶性能评价模型进行训练。
本实施例的技术方案，通过确定自动驾驶性能评价的至少一个预设评价场景，并在各预设评价场景中确定自动驾驶性能评价的目标评价场景，以根据目标评价场景确定与目标评价场景对应的历史标准安全性评价数据以及历史标准舒适性评价数据，从而将历史标准安全性评价数据和历史标准舒适性评价数据输入至自动驾驶性能评价模型，对自动驾驶性能评价模型进行训练，解决了现有的自动驾驶性能评价只能从单方面进行评价的问题，能够从多维度对自动驾驶的性能进行评价，有效提升自动驾驶性能。
实施例二
图2是本发明实施例二提供的一种自动驾驶性能评价模型训练方法的流程图，本实施例是对上述各技术方案的进一步细化，给出了根据目标评价场景，确定与目标评价场景对应的历史标准安全性评价数据以及历史标准舒适性评价数据，以及将历史标准安全性评价数据和历史标准舒适性评价数据，输入至自动驾驶性能评价模型，以对自动驾驶性能评价模型进行训练的多种具体可选的实现方式。本实施例中的技术方案可以与上述一个或多个实施例中的各个可选方案结合。如图2所示，该方法可以包括如下步骤：
S210、确定自动驾驶性能评价的至少一个预设评价场景，并在各所述预设评价场景中确定自动驾驶性能评价的目标评价场景。
S220、根据所述目标评价场景，确定与所述目标评价场景对应的目标安全性评价指标以及目标舒适性评价指标。
其中，目标安全性评价指标可以是在目标评价场景中，能够用于评价该场景下安全性的指标。示例性的，目标安全性评价指标可以是是否碰撞、碰撞危险系数、相对速度、相对加速度、相对位置或间距等，本发明实施例对此并不进行限制。目标舒适性评价指标可以是在目标评价场景中，能够用于评价该场景下舒适性的指标。示例性的，目标舒适性评价指标可以是车辆加速度、加速度梯度、侧向加速度或噪音强度等，本发明实施例对此并不进行限制。
在本发明实施例中，在确定自动驾驶性能评价的至少一个预设评价场景，并在各预设评价场景中确定自动驾驶性能评价的目标评价场景之后，可以进一步根据目标评价场景，确定与目标评价场景对应的目标安全性评价指标以及目标舒适性评价指标。可以理解的是，不同的评价场景，可以对应不同的目标安全性评价指标和目标舒适性评价指标。
S230、根据所述目标安全性评价指标，确定与所述目标评价场景对应的历史标准安全性评价指标数据和历史标准安全性评价结果数据。
其中，历史标准安全性评价指标数据可以是在自动驾驶性能评价之前，通过测试得到的，能够作为标准的，安全性评价指标的数据。历史标准安全性评价结果数据可以是在自动驾驶性能评价之前，通过测试得到的，能够作为标准的，安全性评价结果的数据。示例性的，历史标准安全性评价结果数据可以是表征安全性能优秀的结果数据，也可以表征安全性能良好的结果数据等，本发明实施例对此并不进行限制。
在本发明实施例中，在根据目标评价场景确定与目标评价场景对应的目标安全性评价指标以及目标舒适性评价指标之后，可以进一步根据目标安全性评价指标，确定与目标评价场景对应的历史标准安全性评价指标数据和历史标准安全性评价结果数据。
S240、根据所述目标舒适性评价指标，确定与所述目标评价场景对应的历史标准舒适性评价指标数据和历史标准舒适性评价结果数据。
其中，历史标准舒适性评价指标数据可以是在自动驾驶性能评价之前，通过测试得到的，能够作为标准的，舒适性评价指标的数据。历史标准舒适性评价结果数据可以是在自动驾驶性能评价之前，通过测试得到的，能够作为标准的，舒适性评价结果的数据。示例性的，历史标准舒适性评价结果数据可以是表征舒适性能优秀的结果数据，也可以是表征舒适性能良好的结果数据等，本发明实施例对此并不进行限制。
在本发明实施例中，在根据目标评价场景确定与目标评价场景对应的目标安全性评价指标以及目标舒适性评价指标之后，可以进一步根据目标舒适性评价指标，确定与目标评价场景对应的历史标准舒适性评价指标数据和历史标准舒适性评价结果数据。
需要说明的是，图2仅是一种实现方式的示意图，步骤S230和步骤S240并没有先后顺序关系，可以先实施步骤S230，再实施步骤S240，也可以先实施步骤S240，再实施步骤S230，还可以两者并行实施或择一实施。
S250、根据所述历史标准安全性评价结果数据和所述历史标准舒适性评价结果数据确定标准性能评价结果数据。
其中，标准性能评价结果数据可以是能够作为标准的，自动驾驶性能评价结果的数据。
在本发明实施例中，在确定历史标准安全性评价结果数据和历史标准舒适性评价结果数据之后，可以进一步根据历史标准安全性评价结果数据和历史标准舒适性评价结果数据确定标准性能评价结果数据。
S260、将所述历史标准安全性评价指标数据和所述历史标准舒适性评价指标数据，输入至自动驾驶性能评价模型，通过所述自动驾驶性能评价模型得到输出性能评价结果数据。
其中，输出性能评价结果数据可以是由自动驾驶性能评价模型根据历史标准安全性评价指标数据和历史标准舒适性评价指标数据，输出得到的自动驾驶性能评价结果的数据。
在本发明实施例中，在确定历史标准安全性评价指标数据和历史标准舒适性评价指标数据之后，可以进一步将历史标准安全性评价指标数据和历史标准舒适性评价指标数据输入至自动驾驶性能评价模型，通过自动驾驶性能评价模型得到输出性能评价结果数据。
需要说明的是，图2仅是一种实现方式的示意图，步骤S250和步骤S260并没有先后顺序关系，可以先实施步骤S250，再实施步骤S260，也可以先实施步骤S260，再实施步骤S250，还可以两者并行实施或择一实施。
S270、在所述输出性能评价结果数据未收敛于所述标准性能评价结果数据的情况下，调整所述自动驾驶性能评价模型的模型参数，直至所述输出性能评价结果数据收敛于所述标准性能评价结果数据，结束所述自动驾驶性能评价模型的训练。
在本发明实施例中，在确定输出性能评价结果数据和标准性能评价结果数据之后，进一步判断输出性能评价结果数据是否收敛于标准性能评价结果数据，并在输出性能评价结果数据未收敛于标准性能评价结果数据时，调整自动驾驶性能评价模型的模型参数，直至输出性能评价结果数据收敛于标准性能评价结果数据时，结束自动驾驶性能评价模型的训练。
可以理解的是，在调整自动驾驶性能评价模型的模型参数之后，可以返回执行将历史标准安全性评价指标数据和历史标准舒适性评价指标数据，输入至自动驾驶性能评价模型，通过自动驾驶性能评价模型得到输出性能评价结果数据的操作，并进一步判断最新得到的输出性能评价结果数据是否收敛于标准性能评价结果数据。
本实施例的技术方案，通过确定自动驾驶性能评价的至少一个预设评价场景，并在各预设评价场景中确定自动驾驶性能评价的目标评价场景，根据目标评价场景确定目标安全性评价指标以及目标舒适性评价指标，并根据目标安全性评价指标确定历史标准安全性评价指标数据和历史标准安全性评价结果数据，根据目标舒适性评价指标确定历史标准舒适性评价指标数据和历史标准舒适性评价结果数据，以根据历史标准安全性评价结果数据和历史标准舒适性评价结果数据确定标准性能评价结果数据，并将历史标准安全性评价指标数据和历史标准舒适性评价指标数据，输入至自动驾驶性能评价模型，通过自动驾驶性能评价模型得到输出性能评价结果数据，从而判断输出性能评价结果数据是否收敛于标准性能评价结果数据，并在输出性能评价结果数据未收敛于标准性能评价结果数据时，调整自动驾驶性能评价模型的模型参数，直至输出性能评价结果数据收敛于标准性能评价结果数据，结束自动驾驶性能评价模型的训练，解决了现有的自动驾驶性能评价只能从单方面进行评价的问题，能够从多维度对自动驾驶的性能进行评价，有效提升自动驾驶性能。
实施例三
图3是本发明实施例三提供的一种自动驾驶性能评价方法的流程图，本实施例可适用于从多维度评价自动驾驶性能的情况，该方法可以由自动驾驶性能评价装置执行，该装置可以通过软件和/或硬件的方式实现，并一般可以直接集成在执行本方法的电子设备中，该电子设备可以是终端设备，也可以是服务器设备，本发明实施例并不对执行自动驾驶性能评价方法的电子设备的类型进行限定。具体的，如图3所示，该自动驾驶性能评价方法具体可以包括如下步骤：
S310、确定自动驾驶性能评价的至少一个预设评价场景，并在各所述预设评价场景中确定自动驾驶性能评价的目标评价场景。
S320、根据所述目标评价场景，确定与所述目标评价场景对应的安全性评价实测数据以及舒适性评价实测数据。
其中，安全性评价实测数据可以是对自动驾驶的安全性进行评价得到的实际测试数据。舒适性评价实测数据可以是对自动驾驶的舒适性进行评价得到的实际测试数据。可以理解的是，安全性评价实测数据和舒适性评价实测数据可以是实时获取得到的，也可以是在测试数据数据库中获取得到的，本发明实施例对此并不进行限制。
在本发明实施例中，在确定自动驾驶性能评价的至少一个预设评价场景，并在各预设评价场景中确定自动驾驶性能评价的目标评价场景之后，可以进一步根据目标评价场景确定与目标评价场景对应的安全性评价实测数据以及舒适性评价实测数据。可以理解的是，不同的评价场景，可以对应不同的安全性评价实测数据和舒适性评价实测数据。
可选的，根据目标评价场景，确定与目标评价场景对应的安全性评价实测数据以及舒适性评价实测数据，可以包括：根据目标评价场景，确定与目标评价场景对应的目标安全性评价指标以及目标舒适性评价指标；根据目标安全性评价指标，确定与目标评价场景对应的安全性评价实测数据；根据目标舒适性评价指标，确定与目标评价场景对应的舒适性评价实测数据。
具体的，在确定自动驾驶性能评价的至少一个预设评价场景，并在各预设评价场景中确定自动驾驶性能评价的目标评价场景之后，可以进一步根据目标评价场景确定与目标评价场景对应的目标安全性评价指标以及目标舒适性评价指标，并根据目标安全性评价指标确定与目标场景对应的安全性评价实测数据，根据目标舒适性评价指标确定与目标评价场景对应的舒适性评价实测数据。
S330、将所述实测安全性评价数据和所述实测舒适性评价数据，输入至预先训练完成的自动驾驶性能评价模型中，通过所述自动驾驶性能评价模型得到自动驾驶性能评价结果数据。
其中，自动驾驶性能评价结果数据可以是由自动驾驶性能评价模型根据实测安全性评价数据和实测舒适性评价数据，输出得到的评价结果数据。
在本发明实施例中，在根据目标评价场景确定与目标评价场景对应的安全性评价实测数据以及舒适性评价实测数据之后，可以进一步将安全性评价实测数据和舒适性评价实测数据，输入至预先训练完成的自动驾驶性能评价模型中，以通过自动驾驶性能评价模型得到自动驾驶性能评价结果数据。
S340、根据所述自动驾驶性能评价结果数据，确定与所述目标评价场景对应的自动驾驶性能评价结果。
在本发明实施例中，在将安全性评价实测数据和舒适性评价实测数据，输入至预先训练完成的自动驾驶性能评价模型中，通过自动驾驶性能评价模型得到自动驾驶性能评价结果数据之后，可以进一步根据自动驾驶性能评价结果数据确定与目标评价场景对应的自动驾驶性能评价结果。
本实施例的技术方案，通过确定自动驾驶性能评价的至少一个预设评价场景，并在各预设评价场景中确定自动驾驶性能评价的目标评价场景，根据目标评价场景确定安全性评价实测数据以及舒适性评价实测数据，将实测安全性评价数据和实测舒适性评价数据，输入至预先训练完成的自动驾驶性能评价模型中，通过自动驾驶性能评价模型得到自动驾驶性能评价结果数据，从而根据自动驾驶性能评价结果数据确定与目标评价场景对应的自动驾驶性能评价结果，解决了现有的自动驾驶性能评价只能从单方面进行评价的问题，能够从多维度对自动驾驶的性能进行评价，有效提升自动驾驶性能。
为了使本领域技术人员更好地理解本发明实施例自动驾驶性能评价方法，下面采用一个具体示例进行说明，图4是本发明实施例三提供的一种自动驾驶性能评价方法的示例流程图，如图4所示，该方法具体包括以下内容：
第一步，从多个预设评价场景中确定进行性能评价的目标评价场景。具体的，可以根据不同测试需求选择不同目标评价场景。
第二步，获取目标评价场景所对应的安全性评价指标和历史标准安全性评价结果。其中，安全性评价指标可以包括是否碰撞、碰撞危险系数、相对速度、相对加速度、相对位置和间距等，安全性评价指标可以根据不同评价场景确定。历史标准安全性评价结果可以是由达到安全性要求的同型号自动驾驶车辆在相同场景下进行实验测试得到的对应指标的标准安全性评价结果。
第三步，获取目标评价场景所对应的舒适性评价指标和历史标准舒适性评价结果。其中，舒适性评价指标可以包括车辆加速度、加速度梯度、侧向加速度或噪音强度等，舒适性评价指标可以根据不同评价场景确定。历史标准舒适性评价结果可以是由同型号车辆在相同场景下进行实验测试得到对应指标的标准舒适性评价结果。
第四步，获取目标评价场景安全性评价指标和舒适性评价指标所对应的实测数据。其中，实测数据可以是在目标评价场景下经过多次测试得到的数据。可选的，在获取目标评价场景安全性评价指标和舒适性评价指标所对应的实测数据之后，可以进一步对实测数据中的错误数据进行EMD(empirical mode decomposition，经验模态分解)滤波处理，以删除明显错误数据，并根据就近填充规则对缺失数据进行填补。
第五步，建立自动驾驶性能评价模型，将与评价指标对应的历史标准安全性评价结果和历史标准舒适性评价结果作为输入，性能评价结果作为输出，对自动驾驶性能评价模型进行训练。在完成自动驾驶性能评价模型的训练之后，将实测数据作为输入，可以通过自动驾驶性能评价模型得到目标评价场景的性能评价分值，根据性能评价分值确定自动驾驶安全性和舒适性的综合评价结果。示例性的，图5是本发明实施例三提供的自动驾驶性能评价模型的结构示意图，如图5所示，自动驾驶性能评价模型可以是3层BP神经网络。具体的，自动驾驶性能评价模型可以包括输入层、隐含层和输出层。其中，xq表示与评价指标相对应的输入数据，wi,j表示输入层与隐含层之间的权重,wj,k表示隐含层与输出层之间的权重,ym表示输出性能评价结果。
上述技术方案，性能评价结果更具有针对性，可以依据不同测试需求选择不同的安全性评价指标和舒适性评价指标，可以针对不同场景做出最符合该场景测试需求的安全性和舒适性的综合性能评价，能够有效提升自动驾驶性能研究；性能评价结果更全面，将不同测试需求所对应的安全性评价与舒适性评价相结合，可以在保证安全自动驾驶的前提下兼顾舒适性需求，评价结果的参考价值更高。
实施例四
图6是本发明实施例四提供的一种自动驾驶性能评价模型训练装置的示意图，如图6所示，所述装置包括：评价场景确定模块610、评价数据确定模块620以及模型训练模块630，其中：
评价场景确定模块610，用于确定自动驾驶性能评价的至少一个预设评价场景，并在各所述预设评价场景中确定自动驾驶性能评价的目标评价场景；
评价数据确定模块620，用于根据所述目标评价场景，确定与所述目标评价场景对应的历史标准安全性评价数据以及历史标准舒适性评价数据；
模型训练模块630，用于将所述历史标准安全性评价数据和所述历史标准舒适性评价数据，输入至自动驾驶性能评价模型，以对所述自动驾驶性能评价模型进行训练。
本实施例的技术方案，通过确定自动驾驶性能评价的至少一个预设评价场景，并在各预设评价场景中确定自动驾驶性能评价的目标评价场景，以根据目标评价场景确定与目标评价场景对应的历史标准安全性评价数据以及历史标准舒适性评价数据，从而将历史标准安全性评价数据和历史标准舒适性评价数据输入至自动驾驶性能评价模型，对自动驾驶性能评价模型进行训练，解决了现有的自动驾驶性能评价只能从单方面进行评价的问题，能够从多维度对自动驾驶的性能进行评价，有效提升自动驾驶性能。
可选的，评价数据确定模块620，可以具体用于：根据目标评价场景，确定与目标评价场景对应的目标安全性评价指标以及目标舒适性评价指标；根据目标安全性评价指标，确定与目标评价场景对应的历史标准安全性评价数据；根据目标舒适性评价指标，确定与目标评价场景对应的历史标准舒适性评价数据。
可选的，历史标准安全性评价数据可以包括：历史标准安全性评价指标数据和历史标准安全性评价结果数据；历史标准舒适性评价数据可以包括：历史标准舒适性评价指标数据和历史标准舒适性评价结果数据；相应的，模型训练模块630，可以具体用于：在将历史标准安全性评价数据和历史标准舒适性评价数据，输入至自动驾驶性能评价模型之前，根据历史标准安全性评价结果数据和历史标准舒适性评价结果数据确定标准性能评价结果数据。
可选的，模型训练模块630，还可以具体用于：将历史标准安全性评价指标数据和历史标准舒适性评价指标数据，输入至自动驾驶性能评价模型，通过自动驾驶性能评价模型得到输出性能评价结果数据；在输出性能评价结果数据未收敛于标准性能评价结果数据的情况下，调整自动驾驶性能评价模型的模型参数，直至输出性能评价结果数据收敛于标准性能评价结果数据，结束自动驾驶性能评价模型的训练。
本发明实施例所提供的自动驾驶性能评价模型训练装置可执行本发明任意实施例所提供的自动驾驶性能评价模型训练方法，具备执行方法相应的功能模块和有益效果。
实施例五
图7是本发明实施例五提供的一种自动驾驶性能评价装置的示意图，如图7所示，所述装置包括：性能评价场景确定模块710、性能评价实测数据确定模块720、性能评价结果数据获取模块730以及性能评价结果确定模块740，其中：
性能评价场景确定模块710，用于确定自动驾驶性能评价的至少一个预设评价场景，并在各所述预设评价场景中确定自动驾驶性能评价的目标评价场景；
性能评价实测数据确定模块720，用于根据所述目标评价场景，确定与所述目标评价场景对应的安全性评价实测数据以及舒适性评价实测数据；
性能评价结果数据获取模块730，用于将所述实测安全性评价数据和所述实测舒适性评价数据，输入至预先训练完成的自动驾驶性能评价模型中，通过所述自动驾驶性能评价模型得到自动驾驶性能评价结果数据；
性能评价结果确定模块740，用于根据所述自动驾驶性能评价结果数据，确定与所述目标评价场景对应的自动驾驶性能评价结果。
本实施例的技术方案，通过确定自动驾驶性能评价的至少一个预设评价场景，并在各预设评价场景中确定自动驾驶性能评价的目标评价场景，根据目标评价场景确定安全性评价实测数据以及舒适性评价实测数据，将实测安全性评价数据和实测舒适性评价数据，输入至预先训练完成的自动驾驶性能评价模型中，通过自动驾驶性能评价模型得到自动驾驶性能评价结果数据，从而根据自动驾驶性能评价结果数据确定与目标评价场景对应的自动驾驶性能评价结果，解决了现有的自动驾驶性能评价只能从单方面进行评价的问题，能够从多维度对自动驾驶的性能进行评价，有效提升自动驾驶性能。
可选的，性能评价实测数据确定模块720，可以具体用于：根据目标评价场景，确定与目标评价场景对应的目标安全性评价指标以及目标舒适性评价指标；根据目标安全性评价指标，确定与目标评价场景对应的安全性评价实测数据；根据目标舒适性评价指标，确定与目标评价场景对应的舒适性评价实测数据。
本发明实施例所提供的自动驾驶性能评价装置可执行本发明任意实施例所提供的自动驾驶性能评价方法，具备执行方法相应的功能模块和有益效果。
实施例六
图8示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图8所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如自动驾驶性能评价模型训练方法，或者自动驾驶性能评价方法。
在一些实施例中，自动驾驶性能评价模型训练方法，或者自动驾驶性能评价方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的自动驾驶性能评价模型训练方法的一个或多个步骤，或者可以执行上文描述的自动驾驶性能评价方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行自动驾驶性能评价模型训练方法，或者自动驾驶性能评价方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种自动驾驶性能评价模型训练方法，其特征在于，包括：
确定自动驾驶性能评价的至少一个预设评价场景，并在各所述预设评价场景中确定自动驾驶性能评价的目标评价场景；
根据所述目标评价场景，确定与所述目标评价场景对应的历史标准安全性评价数据以及历史标准舒适性评价数据；
将所述历史标准安全性评价数据和所述历史标准舒适性评价数据，输入至自动驾驶性能评价模型，以对所述自动驾驶性能评价模型进行训练。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标评价场景，确定与所述目标评价场景对应的历史标准安全性评价数据以及历史标准舒适性评价数据，包括：
根据所述目标评价场景，确定与所述目标评价场景对应的目标安全性评价指标以及目标舒适性评价指标；
根据所述目标安全性评价指标，确定与所述目标评价场景对应的历史标准安全性评价数据；
根据所述目标舒适性评价指标，确定与所述目标评价场景对应的历史标准舒适性评价数据。
3.根据权利要求1或2所述的方法，其特征在于，所述历史标准安全性评价数据包括：历史标准安全性评价指标数据和历史标准安全性评价结果数据；
所述历史标准舒适性评价数据包括：历史标准舒适性评价指标数据和历史标准舒适性评价结果数据；
在所述将所述历史标准安全性评价数据和所述历史标准舒适性评价数据，输入至自动驾驶性能评价模型之前，还包括：
根据所述历史标准安全性评价结果数据和所述历史标准舒适性评价结果数据确定标准性能评价结果数据。
4.根据权利要求3所述的方法，其特征在于，所述将所述历史标准安全性评价数据和所述历史标准舒适性评价数据，输入至自动驾驶性能评价模型，以对所述自动驾驶性能评价模型进行训练，包括：
将所述历史标准安全性评价指标数据和所述历史标准舒适性评价指标数据，输入至自动驾驶性能评价模型，通过所述自动驾驶性能评价模型得到输出性能评价结果数据；
在所述输出性能评价结果数据未收敛于所述标准性能评价结果数据的情况下，调整所述自动驾驶性能评价模型的模型参数，直至所述输出性能评价结果数据收敛于所述标准性能评价结果数据，结束所述自动驾驶性能评价模型的训练。
5.一种自动驾驶性能评价方法，其特征在于，包括：
确定自动驾驶性能评价的至少一个预设评价场景，并在各所述预设评价场景中确定自动驾驶性能评价的目标评价场景；
根据所述目标评价场景，确定与所述目标评价场景对应的安全性评价实测数据以及舒适性评价实测数据；
将所述实测安全性评价数据和所述实测舒适性评价数据，输入至预先训练完成的自动驾驶性能评价模型中，通过所述自动驾驶性能评价模型得到自动驾驶性能评价结果数据；
根据所述自动驾驶性能评价结果数据，确定与所述目标评价场景对应的自动驾驶性能评价结果。
6.根据权利要求5所述的方法，其特征在于，所述根据所述目标评价场景，确定与所述目标评价场景对应的安全性评价实测数据以及舒适性评价实测数据，包括：
根据所述目标评价场景，确定与所述目标评价场景对应的目标安全性评价指标以及目标舒适性评价指标；
根据所述目标安全性评价指标，确定与所述目标评价场景对应的安全性评价实测数据；
根据所述目标舒适性评价指标，确定与所述目标评价场景对应的舒适性评价实测数据。
7.一种自动驾驶性能评价模型训练装置，其特征在于，包括：
评价场景确定模块，用于确定自动驾驶性能评价的至少一个预设评价场景，并在各所述预设评价场景中确定自动驾驶性能评价的目标评价场景；
评价数据确定模块，用于根据所述目标评价场景，确定与所述目标评价场景对应的历史标准安全性评价数据以及历史标准舒适性评价数据；
模型训练模块，用于将所述历史标准安全性评价数据和所述历史标准舒适性评价数据，输入至自动驾驶性能评价模型，以对所述自动驾驶性能评价模型进行训练。
8.一种自动驾驶性能评价装置，其特征在于，包括：
性能评价场景确定模块，用于确定自动驾驶性能评价的至少一个预设评价场景，并在各所述预设评价场景中确定自动驾驶性能评价的目标评价场景；
性能评价实测数据确定模块，用于根据所述目标评价场景，确定与所述目标评价场景对应的安全性评价实测数据以及舒适性评价实测数据；
性能评价结果数据获取模块，用于将所述实测安全性评价数据和所述实测舒适性评价数据，输入至预先训练完成的自动驾驶性能评价模型中，通过所述自动驾驶性能评价模型得到自动驾驶性能评价结果数据；
性能评价结果确定模块，用于根据所述自动驾驶性能评价结果数据，确定与所述目标评价场景对应的自动驾驶性能评价结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的自动驾驶性能评价模型训练方法，或者能够执行权利要求5-6中任一项所述的自动驾驶性能评价方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-4中任一项所述的自动驾驶性能评价模型训练方法，或者实现权利要求5-6中任一项所述的自动驾驶性能评价方法。
CN202210554243.4A 2022-05-19 2022-05-19 自动驾驶性能评价模型训练、性能评价方法、装置及介质 Pending CN114880183A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210554243.4A CN114880183A (zh) 2022-05-19 2022-05-19 自动驾驶性能评价模型训练、性能评价方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210554243.4A CN114880183A (zh) 2022-05-19 2022-05-19 自动驾驶性能评价模型训练、性能评价方法、装置及介质

Publications (1)

Publication Number Publication Date
CN114880183A true CN114880183A (zh) 2022-08-09

Family

ID=82678130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210554243.4A Pending CN114880183A (zh) 2022-05-19 2022-05-19 自动驾驶性能评价模型训练、性能评价方法、装置及介质

Country Status (1)

Country Link
CN (1) CN114880183A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116957344A (zh) * 2023-09-20 2023-10-27 清华大学苏州汽车研究院（相城） 自动紧急制动系统的安全性评价方法、装置、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116957344A (zh) * 2023-09-20 2023-10-27 清华大学苏州汽车研究院（相城） 自动紧急制动系统的安全性评价方法、装置、设备及介质
CN116957344B (zh) * 2023-09-20 2023-12-08 清华大学苏州汽车研究院（相城） 自动紧急制动系统的安全性评价方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN113870334B (zh) 深度检测方法、装置、设备以及存储介质
CN115147687A (zh) 学生模型训练方法、装置、设备及存储介质
CN115145812A (zh) 测试用例生成方法、装置、电子设备和存储介质
CN113360711A (zh) 视频理解任务的模型训练和执行方法、装置、设备及介质
CN114880183A (zh) 自动驾驶性能评价模型训练、性能评价方法、装置及介质
CN114897312A (zh) 驾驶行为评分方法、装置、设备及存储介质
CN115481694B (zh) 一种训练样本集的数据增强方法、装置、设备及存储介质
CN116605230A (zh) 一种车辆驾驶模式切换方法、装置、电子设备及存储介质
CN116363444A (zh) 模糊分类模型训练方法、识别模糊图像的方法及装置
CN115544653A (zh) 刚度仿真测试方法、装置、电子设备以及存储介质
CN114987515A (zh) 驾驶策略的确定方法、装置及自动驾驶车辆
CN115496157A (zh) 分类模型训练方法、装置、电子设备及存储介质
CN114999665A (zh) 数据处理方法、装置、电子设备及存储介质
CN114037052A (zh) 检测模型的训练方法、装置、电子设备及存储介质
CN113360798B (zh) 泛滥数据识别方法、装置、设备和介质
CN116662788B (zh) 一种车辆轨迹处理方法、装置、设备和存储介质
CN115828730A (zh) 一种模型训练方法、波束跟踪方法、装置、设备及介质
CN114581751B (zh) 图像识别模型的训练方法和图像识别方法、装置
CN117592618A (zh) 一种活跃用户预测方法、装置、服务器和存储介质
CN117314245A (zh) 用户出行活跃度确定方法、装置、设备及介质
CN117312815A (zh) 智能体策略网络训练方法、装置、电子设备及存储介质
CN117787416A (zh) 目标博弈决策模型的构建方法、装置、电子设备及介质
CN118082849A (zh) 一种轮胎状态识别方法、装置、设备以及存储介质
CN116662649A (zh) 一种课程推荐方法、装置、设备及介质
CN116662194A (zh) 软件质量度量方法、装置、设备及介质

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