CN115687764B - 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置 - Google Patents
车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置 Download PDFInfo
- Publication number
- CN115687764B CN115687764B CN202211356096.6A CN202211356096A CN115687764B CN 115687764 B CN115687764 B CN 115687764B CN 202211356096 A CN202211356096 A CN 202211356096A CN 115687764 B CN115687764 B CN 115687764B
- Authority
- CN
- China
- Prior art keywords
- track
- vehicle
- sample
- evaluation
- evaluation value
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 145
- 238000013210 evaluation model Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 title claims abstract description 44
- 239000013598 vector Substances 0.000 claims abstract description 161
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 18
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000003993 interaction Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本公开提供了车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置,涉及人工智能技术领域,尤其涉及自动驾驶、智慧交通、神经网络等领域。具体实现方案为:将样本轨迹和环境数据输入待训练的车辆轨迹评估模型,样本轨迹包括多个轨迹节点;在待训练的车辆轨迹评估模型中利用样本轨迹,确定各个轨迹节点的特征向量;并利用环境数据,确定权重向量;利用权重向量和各个轨迹节点的特征向量,确定各个轨迹节点的评估值;利用各个轨迹节点的评估值,确定样本轨迹的评估值;以及,利用样本轨迹的评估值和样本轨迹的标签确定损失函数,利用损失函数调整车辆轨迹评估模型的参数,以得到训练后的车辆轨迹评估模型。本公开能够提高车辆轨迹评估的准确性。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及自动驾驶、智慧交通、神经网络等领域。
背景技术
轨迹规划(或称为速度规划)技术为主车预测出多条车辆轨迹,并对各条车辆轨迹进行评估,根据评估值为主车进行车辆轨迹推荐。其中,主车可以是自动驾驶车辆或非自动驾驶车辆。
如何提高车辆轨迹评估的精度,是需要解决的问题。
发明内容
本公开提供了一种车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置。
根据本公开的一方面,提供了一种车辆轨迹评估模型的训练方法,包括:
将样本轨迹和环境数据输入待训练的车辆轨迹评估模型,其中,样本轨迹包括多个轨迹节点;
在待训练的车辆轨迹评估模型中利用该样本轨迹,确定各个轨迹节点的特征向量;并利用该环境数据,确定权重向量;
利用该权重向量和各个轨迹节点的特征向量,确定各个该轨迹节点的评估值;
利用各个轨迹节点的评估值,确定该样本轨迹的评估值;以及,
利用该样本轨迹的评估值和该样本轨迹的标签确定损失函数,利用该损失函数调整该车辆轨迹评估模型的参数,以得到训练后的车辆轨迹评估模型。
根据本公开的另一方面,提供了一种车辆轨迹评估方法,包括:
将环境数据和待评估的车辆轨迹输入车辆轨迹评估模型,由该车辆轨迹评估模型输出该待评估的车辆轨迹的评估值,该车辆轨迹评估模型利用上述任一方法训练得到。
根据本公开的另一方面,提供了一种车辆轨迹评估模型的训练装置,包括:
输入模块,用于将样本轨迹和环境数据输入待训练的车辆轨迹评估模型,其中,该样本轨迹包括多个轨迹节点;
第一确定模块,用于在该待训练的车辆轨迹评估模型中利用该样本轨迹,确定各个轨迹节点的特征向量;并利用该环境数据,确定权重向量;
第二确定模块,用于利用该权重向量和各个该轨迹节点的特征向量,确定各个该轨迹节点的评估值;
第三确定模块,用于利用各个该轨迹节点的评估值,确定该样本轨迹的评估值;以及,
调整模块,用于利用该样本轨迹的评估值和该样本轨迹的标签确定损失函数,利用该损失函数调整该车辆轨迹评估模型的参数,以得到训练后的车辆轨迹评估模型。
根据本公开的另一方面,提供了一种车辆轨迹评估装置,包括:
轨迹评估模块,用于将环境数据和待评估的车辆轨迹输入车辆轨迹评估模型,由该车辆轨迹评估模型输出该待评估的车辆轨迹的评估值,该车辆轨迹评估模型利用上述任一装置训练得到。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开中任一实施例的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,该计算机指令用于使该计算机执行根据本公开中任一实施例的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现根据本公开中任一实施例的方法。
本公开实施例提出的车辆轨迹评估模型的训练方法,通过将车辆轨迹和环境数据作为轨迹评估需要考虑的因素,在模型训练的过程中调整车辆轨迹评估模型的参数,提高了训练得到的车辆轨迹评估模型的精度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开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
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例的一分布式集群处理场景的示意图;
图2是根据本公开实施例的一个应用场景示意图;
图3是根据本公开实施例的车辆轨迹评估模型训练方法的流程示意图;
图4是根据本公开实施例的基于专家特征层提取轨迹节点信息的示意图;
图5是根据本公开实施例的利用环境数据确定权重向量的示意图;
图6是根据本公开一实施例的折线子图模型的结构示意图;
图7是根据本公开一实施例的车辆轨迹评估模型的结构及输入输出数据的示意图;
图8是根据本公开实施例的车辆轨迹评估方法的流程示意图;
图9是根据本公开一实施例的车辆轨迹评估模型的训练装置900的结构示意图;
图10是根据本公开一实施例的车辆轨迹评估模型的训练装置1000的结构示意图;
图11是根据本公开一实施例的车辆轨迹评估装置1100的结构示意图;
图12是根据本公开一实施例的车辆轨迹评估装置1200的结构示意图;
图13示出了可以用来实施本公开的实施例的示例电子设备1300的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
如何在车辆的多条备选车辆轨迹(或称为速度轨迹)中选取最优的车辆轨迹(如最接近人类驾驶的轨迹),成为日趋重要的问题。以自动驾驶车辆的轨迹规划为例,自动驾驶车辆的轨迹规划采用AT采样、规则剪枝、模型评估等流程生成最优的车辆轨迹。在模型评估的过程中,可以使用预先训练的车辆轨迹评估模型,对每条备选车辆轨迹进行评估。
本公开提出一种车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置,可以应用于人工智能技术领域的自动驾驶、智慧交通、神经网络等领域。
根据本公开的实施例,图1是根据本公开实施例的一分布式集群处理场景的示意图,该分布式集群系统为集群系统的一个示例,示例性的描述了可以利用该分布式集群系统进行模型训练,本公开不限于单机或多机上的模型训练,采用分布式的处理可以进一步提高模型训练的精度。如图1所示,在该分布式集群系统100中包括多个节点(如服务器集群101、服务器102、服务器集群103、服务器104、服务器105,服务器105还可以连接电子设备,如手机1051及台式机1052),多个节点间,以及多个节点与连接的电子设备间可以共同执行一个或多个模型训练任务。可选地,该分布式集群系统中的多个节点可以采用数据并行的关系进行模型训练,则多个节点可以基于相同的训练方式执行模型训练任务;若该分布式集群系统中的多个节点采用的是模型并行的模型训练方式,则多个节点可以基于不同的训练方式执行模型训练任务。可选地,在每一轮关系提取模型训练完成后,多个节点之间都可以进行数据交换(如数据同步)。
图2是根据本公开实施例的一个应用场景示意图。如图2所示,服务器210在完成车辆轨迹评估模型的训练之后,将车辆轨迹评估模型部署到自动驾驶车辆220中;自动驾驶车辆220在生成备选的车辆轨迹之后,基于其部署的车辆轨迹评估模型对备选轨迹进行评估。
为了提高车辆轨迹评估的精度,本公开实施例提出了一种车辆轨迹评估模型的训练方法,能够融合道路、环境等非结构信息,从而提高车辆轨迹评估的精度。图3是根据本公开实施例的车辆轨迹评估模型训练方法的流程示意图,该方法可以应用于模型训练装置,例如,该装置可以部署于单机、多机或集群系统中的终端或服务器或其它处理设备执行的情况下,可以实现图片、图文、视频等各类应用场景的搜索等处理。其中,终端可以为用户设备(UE,User Equipment)、移动设备、个人数字处理(PDA,Personal Digital Assistant)手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该方法还可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图3所示,该车辆轨迹评估模型的训练方法包括:
S310、将样本轨迹和环境数据输入待训练的车辆轨迹评估模型,其中,样本轨迹包括多个轨迹节点;
S320、在待训练的车辆轨迹评估模型中利用该样本轨迹,确定各个轨迹节点的特征向量;并利用该环境数据,确定权重向量;
S330、利用该权重向量和各个轨迹节点的特征向量,确定各个轨迹节点的评估值;
S340、利用各个轨迹节点的评估值,确定该样本轨迹的评估值;以及,
S350、利用该样本轨迹的评估值和样本轨迹的标签确定损失函数,利用该损失函数调整车辆轨迹评估模型的参数,以得到训练后的车辆轨迹评估模型。
采用本公开实施例训练的车辆轨迹评估模型,将车辆轨迹和环境数据作为轨迹评估需要考虑的因素;由于环境数据中包含车道、障碍物、道路拓扑等信息,这些信息的加入能够提高车辆轨迹评估的精度,从而评估出全局最优的车辆轨迹。
上述评估值可以用于表征轨迹节点或车辆轨迹的优劣程度。在一些实施方式中,评估值可以采用代价(cost)表示。例如,轨迹节点的代价越小,表示该轨迹节点越好。采用样本轨迹中各个轨迹节点的代价,可以确定出该样本轨迹的代价;一个样本轨迹的代价越小,表示该样本轨迹越好。或者,轨迹节点的代价越大,表示该轨迹节点越好;样本轨迹的代价越大,表示样本轨迹越好。
在一些实施方式中,可以采用车辆轨迹评估模型中的专家特征层,确定轨迹节点的特征向量。该特征向量可以包括多维度特征,用于表征多个车辆行驶数据,如舒适度、交通规则、通行效率等要求。如图4所示的示例,采用专家特征层提取样本轨迹中各个轨迹节点的信息,得到各个轨迹节点的特征向量,该特征向量可以包含目标、限速、加速度、横向加速度、跟车、前方碰撞时间(TTC,Time-To-Collision)、超车、后方TTC、左侧避让、左侧TTC、右侧避让和右侧TTC等车辆行驶数据中的至少之一。因此,轨迹节点的特征向量能够从多个维度表征轨迹节点的质量。
在一些实施方式中,环境数据可以用于表征以样本轨迹的起点为基准的预设范围内的道路环境。例如,以样本轨迹的起点为中心的预设范围的道路环境,该道路环境可以包括车道线(Lane)、障碍物轨迹(Obstacle)和停车线(Stopline)中的至少之一。在以样本轨迹的起点为基准的预设范围内的环境数据中,存在与主车交互的数据、并对主车的行驶行为存在直接影响,因此,将该环境数据作为轨迹评估的一个考虑因素,能够提高评估的准确性。
本公开实施例可以首先确定环境数据,例如,将以样本轨迹的起点为基准的预设范围内的道路环境(包括多个车道线、障碍物轨迹和停车线等)进行抽象,以得到N1条折线(Polyline),每条折线采用M1个第一向量表示,每个第一向量包含Z1个特征;其中N1、M1和Z1为正整数;
将N1条折线对应的第一向量的特征进行组合,得到该环境数据,环境数据为尺寸是N1*M1*Z1的矩阵。
通过对道路环境进行抽象,能够将拓扑结构等非结构化的信息转换为矩阵来表示,便于车辆轨迹评估模型对环境数据进行处理。
本公开实施例中,车辆轨迹评估模型可以包括折线子图模型和全局图模型,其中,折线子图模型可以由多层感知机(MLP,Multilayer Perceptron)结构实现,全局图模型可以采用图神经网络(GNN,GraphNeural Network)实现。
如图5所示,在一些实施方式中,车辆轨迹评估模型利用环境数据确定权重向量,可以包括:
采用待训练的车辆轨迹评估模型中的多层感知机(MLP)结构,对环境数据进行处理,以得到N1个第二向量,每个第二向量对应一条折线;
采用待训练的车辆轨迹评估模型中的图神经网络,对N1个第二向量构成的特征矩阵进行自注意力计算,得到第三向量;
将第三向量进行聚合,得到权重向量,权重向量的维度与轨迹节点的特征向量的维度相同。
通过采用MLP结构、图神经网络(GNN)等对环境数据进行处理,能够将环境数据映射为与轨迹节点的特征向量维度相同的向量,便于后续对特征向量的处理。
图6是根据本公开一实施例的折线子图模型的结构示意图,该折线子图模型采用MLP结构,能够将一组输入向量映射到一组输出向量。如图6所示,本实施例的MLP结构包括三个隐藏层和一个最大池化层(max-pooling),三个隐藏层包括图6所示的层1、层2、层3,不同层之间是全连接的(也就是上一层的任何一个神经元与下一层的所有神经元都有连接)。将尺寸为N1*M1*Z1的环境数据输入折线子图模型,每个隐藏层将输入的向量映射为一个输出向量,并将输出向量输出至下一层中;最大池化层对输入的向量进行降维处理,得到N1个第二向量,每个第二向量可以包含Z1’个特征。每个第二向量对应一条折线(Polyline)。
进一步地,采用图神经网络(GNN)可以对N1个第二向量构成的特征矩阵进行自注意力计算,得到第三向量。
例如,图神经网络(GNN)采用注意力(Attention)机制,可以获取环境组件之间的相互作用。采用图神经网络(GNN)对输入数据进行计算的方式可以采用式(1)表示:
GNN(P)=Softmax(PQPK)Pv (1)
其中,P表示N1个第二向量构成的特征矩阵;
PQ、PK、Pv分别表示特征矩阵各个元素的线性组合(或称为线性投影);
GNN(P)表示对N1个第二向量构成的特征矩阵进行自注意力计算得到的第三向量。
进一步地,对第三向量进行聚合,得到权重向量,权重向量的维度与轨迹节点的特征向量的维度相同。例如,轨迹节点的特征向量的维度为i,即轨迹节点的特征向量包含i个表征车辆行驶数据的元素,每个元素可以表征一个对应的车辆行驶数据,作为该车辆行驶数据的评估分数。
上述权重向量能够表征样本轨迹对应的环境特征,采用该权重向量和样本轨迹中各个轨迹节点的特征向量,能够确定出各个样本轨迹的评估值。例如,权重向量的维度与轨迹节点的特征向量的维度相同,也就是权重向量中包含的元素个数与轨迹节点的特征向量包含的元素个数相同,权重向量的每个元素可以作为对应的特征向量包含的元素的权重,为特征向量的各个元素赋予不同的权重,从而实现对特征向量中各个元素的加权求和,得到轨迹节点的评估值(如代价)。
例如,针对各个轨迹节点,将权重向量与该轨迹节点的特征向量做点乘,得到该轨迹节点的评估值。其中,点乘是指长度相等的两个向量的对应元素分别相乘,再将乘积相加,得到一个标量。
将权重向量与轨迹节点的特征向量做点乘,得到轨迹节点的评估值的方式可以采用式子(2)表示:
Cnj=∑iwifi (2)
其中,wi表示权重向量中的第i个元素;
fi表示轨迹节点的特征向量中的第i个元素;
Cnj表示轨迹节点的评估值。
采用上述方式,可以分别确定出样本轨迹中各个轨迹节点的评估值,再综合所有轨迹节点的评估值,可以得到样本轨迹的评估值。例如,采用式子(3)表示确定样本轨迹的评估值的方式:
Ctraj=∑jwjCnj (3)
其中,Cnj表示样本轨迹中第j个轨迹节点的评估值;
wj表示权重向量中的第i个元素;
Ctraj表示样本轨迹的评估值。
由于样本轨迹中包括多个轨迹节点,因此,综合各个轨迹节点的评估值,就能够比较准确地表征整个样本轨迹的评估值。将整个轨迹的评估拆分成对轨迹中各个轨迹节点的评估,能够简化评估算法,便于实施。
图7是根据本公开一实施例的车辆轨迹评估模型的结构及输入输出数据的示意图。如图7所示,将样本轨迹和环境数据输入车辆轨迹评估模型,其中样本轨迹多个轨迹节点。车辆轨迹评估模型中的专家特征层提取样本轨迹中各个轨迹节点的特征向量,该特征向量能够表征轨迹节点对应的多个车辆行驶数据。环境数据可以由多条折线对应的第一向量表示,每条折线可以对应多个第一向量;车辆轨迹评估模型中的多层感知机(MLP)对环境数据进行处理,得到多个第二向量;车辆轨迹评估模型中的图神经网络(GNN)对第二向量进行自注意力计算,从而获取环境数据中不同数据之间的相互作用,得到第三向量;再采用车辆轨迹评估模型中的向量聚合层,对第三向量进行聚合,得到权重向量,使权重向量的维度与轨迹节点的特征向量的维度相同。之后,采用车辆轨迹评估模型中的点乘层,对权重向量和各个轨迹节点的特征向量分别做点乘,以确定各个轨迹节点的评估值。最后,采用节点聚合层,对各个轨迹节点的评估值进行加权求和,得到样本轨迹的评估值。
本公开实施例可以利用样本轨迹的评估值和样本轨迹的标签计算损失函数,在每次迭代时,采用正样本轨迹和负样本轨迹作为输入车辆轨迹评估模型的一组样本。例如,正样本轨迹的标签为正标签,负样本轨迹的标签为负标签。
在正样本轨迹的评估值不符合正标签、并且负样本轨迹的评估值不符合负标签的情况下,利用正样本轨迹的评估值与负样本轨迹的评估值之差确定损失函数。
以样本轨迹的评估值是[0,10]范围内的整数为例,如果车辆轨迹评估模型预测出样本轨迹的评估值为0,则认为车辆轨迹评估模型对该样本轨迹的预测结果是:该样本轨迹最优;如果车辆轨迹评估模型预测出样本轨迹的评估值为10,则认为车辆轨迹评估模型对该样本轨迹的预测结果是:该样本轨迹最差。
本公开实施例可以采用真实的人类驾驶轨迹作为正样本轨迹,即认为人类驾驶轨迹最优;采用随机生成的驾驶轨迹作为负样本轨迹,即认为随机生成的驾驶轨迹最差。为正样本轨迹设置正标签,如将正样本轨迹的标签设置为“1”;为负样本轨迹设置负标签,如将负样本轨迹的标签设置为“0”。
在训练车辆轨迹评估模型时,将[正样本轨迹,负样本轨迹]输入车辆轨迹评估模型,由车辆轨迹评估模型输出正样本轨迹的评估值和为负样本轨迹的评估值。
例如,如果车辆轨迹评估模型输出的正样本轨迹的评估值为6,负样本轨迹的评估值为3,由于评估值越小代表轨迹越好,则该结果说明车辆轨迹评估模型预测出负样本轨迹优于正样本轨迹,因此正样本轨迹的评估值不符合预先标注的正标签、负样本轨迹的评估值不符合预先标注的负标签,这种情况下,可以根据正样本轨迹的评估值与该负样本轨迹的评估值之差确定该损失函数。
如果车辆轨迹评估模型输出的正样本轨迹的评估值为2,负样本轨迹的评估值为8,由于评估值越小代表轨迹越好,则该结果说明车辆轨迹评估模型预测出正样本轨迹优于负样本轨迹,因此正样本轨迹的评估值符合预先标注的正标签、负样本轨迹的评估值符合预先标注的负标签,这种情况下,可以将损失函数确定为0。
例如,损失函数可以采用以下式子(4)确定:
L=max(f(human)-f(random),0) (4);
其中,L表示损失函数;
max()表示取最大值;
f(human)表示对正样本轨迹的评估值;
f(random)表示对负样本轨迹的评估值。
损失函数的值与正样本轨迹的评估值与负样本轨迹的评估值之差相关,二者的差越大,对应的损失函数越大;采用这种方式确定损失函数,能够快速模型的收敛,提高模型的训练速度。
以上损失函数的确定方式仅为一种示例。本公开实施例也可以采用其他的损失函数确定方式,例如,将多个(如大于或等于3个)样本轨迹输入车辆轨迹评估模型,由车辆轨迹评估模型确定各个样本轨迹的评估值,并根据该评估值对多个样本轨迹进行排序;将排序结果与多个样本轨迹真实的优劣程度做比较,根据比较结果确定损失函数。本公开实施例对损失函数的确定方式不做限制。
根据本公开实施例的车辆轨迹评估模型的训练方法,本公开实施例还提出一种车辆轨迹评估方法,图8是根据本公开实施例的车辆轨迹评估方法的流程示意图,该方法可以应用于车辆轨迹评估装置。例如,该装置可以部署于单机、多机或集群系统中的终端或服务器或其它处理设备执行的情况下,可以实现图片、图文、视频等各类应用场景的搜索等处理。其中,终端可以为用户设备(UE,User Equipment)、移动设备、个人数字处理(PDA,Personal Digital Assistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该方法还可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图8所示,该车辆轨迹评估方法包括:
S810、将环境数据和待评估的车辆轨迹输入车辆轨迹评估模型,由该车辆轨迹评估模型输出该待评估的车辆轨迹的评估值,该车辆轨迹评估模型利用上述任一方法训练得到。
在一些实施方式中,该环境数据,用于表征以待评估的车辆轨迹的起点为基准的预设范围内的道路环境。
在一些实施方式中,该道路环境包括车道线、障碍物轨迹和停车线中的至少之一。
需要说明的是,本公开实施例获取环境数据的方法,包括:
将该待评估的车辆轨迹的起点为基准的预设范围内的道路环境进行抽象,以得到N2条折线,每条折线采用M2个第四向量表示,每个第四向量包含Z2个特征;该N2、M2和Z2为正整数;
将N2条折线对应的第四向量的特征进行组合,得到该环境数据,该环境数据为尺寸是N2*M2*Z2的矩阵。
本公开实施例提出的轨迹评估方法,还可以根据该评估值进行车辆轨迹推荐。
本公开实施例提出的车辆轨迹评估方法能够将车辆轨迹和环境数据作为轨迹评估需要考虑的因素。能够提高车辆轨迹评估的精度,从而评估出全局最优的车辆轨迹。进一步地,还可以为主车推荐全局最优的车辆轨迹。
本公开实施例还提出一种车辆轨迹评估模型的训练装置,图9是根据本公开一实施例的车辆轨迹评估模型的训练装置900的结构示意图,包括:
输入模块910,用于将样本轨迹和环境数据输入待训练的车辆轨迹评估模型,其中,该样本轨迹包括多个轨迹节点;
第一确定模块920,用于在该待训练的车辆轨迹评估模型中利用该样本轨迹,确定各个该轨迹节点的特征向量;并利用该环境数据,确定权重向量;
第二确定模块930,用于利用该权重向量和各个轨迹节点的特征向量,确定各个轨迹节点的评估值;
第三确定模块940,用于利用各个轨迹节点的评估值,确定该样本轨迹的评估值;以及,
调整模块950,用于利用该样本轨迹的评估值和该样本轨迹的标签确定损失函数,利用该损失函数调整该车辆轨迹评估模型的参数,以得到训练后的车辆轨迹评估模型。
在一些实施方式中,该轨迹节点的特征向量表征该轨迹节点对应的多个车辆行驶数据。
在一些实施方式中,该环境数据,用于表征以该样本轨迹的起点为基准的预设范围内的道路环境。
在一些实施方式中,该道路环境包括车道线、障碍物轨迹和停车线中的至少之一。
图10是根据本公开一实施例的车辆轨迹评估模型的训练装置1000的结构示意图,如图10所示,在一些实施方式中,该车辆轨迹评估模型的训练装置1000,还包括:
第一抽象模块1060,用于将该样本轨迹的起点为基准的预设范围内的道路环境进行抽象,以得到N1条折线,每条折线采用M1个第一向量表示,每个该第一向量包含Z1个特征;该N1、M1和Z1为正整数;
第一组合模块1070,用于将N1条折线对应的第一向量的特征进行组合,得到该环境数据,该环境数据为尺寸是N1*M1*Z1的矩阵。
在一些实施方式中,该第一确定模块920,用于:
采用该待训练的车辆轨迹评估模型中的多层感知机结构,对该环境数据进行处理,以得到N1个第二向量,每个该第二向量对应一条该折线;
采用该待训练的车辆轨迹评估模型中的图神经网络,对该N1个第二向量构成的特征矩阵进行自注意力计算,得到第三向量;
将该第三向量进行聚合,得到该权重向量,该权重向量的维度与该轨迹节点的特征向量的维度相同。
在一些实施方式中,该第二确定模块930,用于针对各个轨迹节点,将该权重向量与该轨迹节点的特征向量做点乘,得到该轨迹节点的评估值。
在一些实施方式中,该第三确定模块940,用于采用该待训练的车辆轨迹评估模型中的节点聚合层,将各个该轨迹节点的评估值加权求和,得到该样本轨迹的评估值。
在一些实施方式中,该样本轨迹包括正样本轨迹和负样本轨迹,该正样本轨迹的标签为正标签,该负样本轨迹的标签为负标签;
该调整模块950,用于在该正样本轨迹的评估值不符合该正标签、并且该负样本轨迹的评估值不符合该负标签的情况下,利用该正样本轨迹的评估值与该负样本轨迹的评估值之差确定该损失函数。
本公开实施例还提出一种车辆轨迹评估装置,图11是根据本公开一实施例的车辆轨迹评估装置1100的结构示意图,包括:
轨迹评估模块1110,用于将环境数据和待评估的车辆轨迹输入车辆轨迹评估模型,由该车辆轨迹评估模型输出该待评估的车辆轨迹的评估值,该车辆轨迹评估模型利用上述任一装置训练得到。
在一些实施方式中,该环境数据,用于表征以该待评估的车辆轨迹的起点为基准的预设范围内的道路环境。
在一些实施方式中,该道路环境包括车道线、障碍物轨迹和停车线中的至少之一;
图12是根据本公开一实施例的车辆轨迹评估装置1200的结构示意图,如图12所示,在一些实施方式中,该车辆轨迹评估装置1200还包括:
第二抽象模块1220,用于将该待评估的车辆轨迹的起点为基准的预设范围内的道路环境进行抽象,以得到N2条折线,每条折线采用M2个第四向量表示,每个第四向量包含Z2个特征;该N2、M2和Z2为正整数;
第二组合模块1230,用于将N2条折线对应的第四向量的特征进行组合,得到该环境数据,该环境数据为尺寸是N2*M2*Z2的矩阵。
在一些实施方式中,还包括,推荐模块1240,用于根据该评估值进行车辆轨迹推荐。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图13示出了可以用来实施本公开的实施例的示例电子设备1300的示意性框图。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/或者要求的本公开的实现。
如图13所示,设备1300包括计算单元1301,其可以根据存储在只读存储器(ROM)1302中的计算机程序或者从存储单元1308加载到随机访问存储器(RAM)1303中的计算机程序,来执行各种适当的动作和处理。在RAM 1303中,还可存储设备1300操作所需的各种程序和数据。计算单元1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。
设备1300中的多个部件连接至I/O接口1305,包括:输入单元1306,例如键盘、鼠标等;输出单元1307,例如各种类型的显示器、扬声器等;存储单元1308,例如磁盘、光盘等;以及通信单元1309,例如网卡、调制解调器、无线通信收发机等。通信单元1309允许设备1300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。
计算单元1301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。计算单元1301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计算单元、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。计算单元1301执行上文所描述的各个方法和处理,例如车辆轨迹评估模型的训练方法和车辆轨迹评估方法。例如,在一些实施例中,车辆轨迹评估模型的训练方法和车辆轨迹评估方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1308。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1302和/或通信单元1309而被载入和/或安装到设备1300上。当计算机程序加载到RAM 1303并由计算单元1301执行时,可以执行上文描述的车辆轨迹评估模型的训练方法和车辆轨迹评估方法的一个或多个步骤。备选地,在其他实施例中,计算单元1301可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车辆轨迹评估模型的训练方法和车辆轨迹评估方法。
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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码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。
在本公开的上下文中,机器可读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程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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。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,可以在计算机上实施此处描述的系统和技术,该计算机具有: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计算机。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)和互联网。
计算机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,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
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,本公开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,只要能够实现本公开公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (22)
1.一种车辆轨迹评估模型的训练方法,包括:
将样本轨迹和环境数据输入待训练的车辆轨迹评估模型,其中,所述样本轨迹包括多个轨迹节点;
在所述待训练的车辆轨迹评估模型中利用所述样本轨迹,确定各个所述轨迹节点的特征向量;并利用所述环境数据,确定权重向量;所述轨迹节点的特征向量表征所述轨迹节点对应的多个车辆行驶数据;
利用所述权重向量和各个所述轨迹节点的特征向量,确定各个所述轨迹节点的评估值;所述权重向量所包含的元素表征对应的特征向量包含的元素的权重;
利用各个所述轨迹节点的评估值,确定所述样本轨迹的评估值;以及,
利用所述样本轨迹的评估值和所述样本轨迹的标签确定损失函数,利用所述损失函数调整所述车辆轨迹评估模型的参数,以得到训练后的车辆轨迹评估模型;
所述利用所述权重向量和各个所述轨迹节点的特征向量,确定各个所述轨迹节点的评估值,包括:针对各个轨迹节点,将所述权重向量与所述轨迹节点的特征向量做点乘,得到所述轨迹节点的评估值。
2.根据权利要求1所述的方法,其中,所述环境数据,用于表征以所述样本轨迹的起点为基准的预设范围内的道路环境。
3.根据权利要求2所述的方法,其中,所述道路环境包括车道线、障碍物轨迹和停车线中的至少之一;
所述方法还包括:
将所述以所述样本轨迹的起点为基准的预设范围内的道路环境进行抽象,以得到N1条折线,每条所述折线采用M1个第一向量表示,每个所述第一向量包含Z1个特征;所述N1、M1和Z1为正整数;
将所述N1条折线对应的第一向量的特征进行组合,得到所述环境数据,所述环境数据为尺寸是N1*M1*Z1的矩阵。
4.根据权利要求3所述的方法,其中,所述利用所述环境数据,确定权重向量,包括:
采用所述待训练的车辆轨迹评估模型中的多层感知机结构,对所述环境数据进行处理,以得到N1个第二向量,每个所述第二向量对应一条所述折线;
采用所述待训练的车辆轨迹评估模型中的图神经网络,对所述N1个第二向量构成的特征矩阵进行自注意力计算,得到第三向量;
将所述第三向量进行聚合,得到所述权重向量,所述权重向量的维度与所述轨迹节点的特征向量的维度相同。
5.根据权利要求4所述的方法,其中,所述利用各个所述轨迹节点的评估值,确定所述样本轨迹的评估值,包括:
采用所述待训练的车辆轨迹评估模型中的节点聚合层,将各个所述轨迹节点的评估值加权求和,得到所述样本轨迹的评估值。
6.根据权利要求5所述的方法,其中,所述样本轨迹包括正样本轨迹和负样本轨迹,所述正样本轨迹的标签为正标签,所述负样本轨迹的标签为负标签;
所述利用所述样本轨迹的评估值和所述样本轨迹的标签确定损失函数,包括:
在所述正样本轨迹的评估值不符合所述正标签、并且所述负样本轨迹的评估值不符合所述负标签的情况下,利用所述正样本轨迹的评估值与所述负样本轨迹的评估值之差确定所述损失函数。
7.一种车辆轨迹评估方法,包括:
将环境数据和待评估的车辆轨迹输入车辆轨迹评估模型,由所述车辆轨迹评估模型输出所述待评估的车辆轨迹的评估值,所述车辆轨迹评估模型利用所述权利要求1-6中任一所述的方法训练得到。
8.根据权利要求7所述的方法,其中,所述环境数据,用于表征以所述待评估的车辆轨迹的起点为基准的预设范围内的道路环境。
9.根据权利要求8所述的方法,其中,所述道路环境包括车道线、障碍物轨迹和停车线中的至少之一;
所述方法还包括:
将所述以所述待评估的车辆轨迹的起点为基准的预设范围内的道路环境进行抽象,以得到N2条折线,每条所述折线采用M2个第四向量表示,每个所述第四向量包含Z2个特征;所述N2、M2和Z2为正整数;
将所述N2条折线对应的第四向量的特征进行组合,得到所述环境数据,所述环境数据为尺寸是N2*M2*Z2的矩阵。
10.根据权利要求7-9中任一所述的方法,还包括,根据所述评估值进行车辆轨迹推荐。
11.一种车辆轨迹评估模型的训练装置,包括:
输入模块,用于将样本轨迹和环境数据输入待训练的车辆轨迹评估模型,其中,所述样本轨迹包括多个轨迹节点;
第一确定模块,用于在所述待训练的车辆轨迹评估模型中利用所述样本轨迹,确定各个所述轨迹节点的特征向量;并利用所述环境数据,确定权重向量;所述轨迹节点的特征向量表征所述轨迹节点对应的多个车辆行驶数据;
第二确定模块,用于针对各个轨迹节点,将所述权重向量与所述轨迹节点的特征向量做点乘,得到所述轨迹节点的评估值;所述权重向量所包含的元素表征对应的特征向量所包含的元素的权重;
第三确定模块,用于利用各个所述轨迹节点的评估值,确定所述样本轨迹的评估值;以及,
调整模块,用于利用所述样本轨迹的评估值和所述样本轨迹的标签确定损失函数,利用所述损失函数调整所述车辆轨迹评估模型的参数,以得到训练后的车辆轨迹评估模型。
12.根据权利要求11所述的装置,其中,所述环境数据,用于表征以所述样本轨迹的起点为基准的预设范围内的道路环境。
13.根据权利要求12所述的装置,其中,所述道路环境包括车道线、障碍物轨迹和停车线中的至少之一;
所述装置还包括:
第一抽象模块,用于将所述以所述样本轨迹的起点为基准的预设范围内的道路环境进行抽象,以得到N1条折线,每条所述折线采用M1个第一向量表示,每个所述第一向量包含Z1个特征;所述N1、M1和Z1为正整数;
第一组合模块,用于将所述N1条折线对应的第一向量的特征进行组合,得到所述环境数据,所述环境数据为尺寸是N1*M1*Z1的矩阵。
14.根据权利要求13所述的装置,其中,所述第一确定模块,用于:
采用所述待训练的车辆轨迹评估模型中的多层感知机结构,对所述环境数据进行处理,以得到N1个第二向量,每个所述第二向量对应一条所述折线;
采用所述待训练的车辆轨迹评估模型中的图神经网络,对所述N1个第二向量构成的特征矩阵进行自注意力计算,得到第三向量;
将所述第三向量进行聚合,得到所述权重向量,所述权重向量的维度与所述轨迹节点的特征向量的维度相同。
15.根据权利要求14所述的装置,其中,所述第三确定模块,用于采用所述待训练的车辆轨迹评估模型中的节点聚合层,将各个所述轨迹节点的评估值加权求和,得到所述样本轨迹的评估值。
16.根据权利要求15所述的装置,其中,所述样本轨迹包括正样本轨迹和负样本轨迹,所述正样本轨迹的标签为正标签,所述负样本轨迹的标签为负标签;
所述调整模块,用于在所述正样本轨迹的评估值不符合所述正标签、并且所述负样本轨迹的评估值不符合所述负标签的情况下,利用所述正样本轨迹的评估值与所述负样本轨迹的评估值之差确定所述损失函数。
17.一种车辆轨迹评估装置,包括:
轨迹评估模块,用于将环境数据和待评估的车辆轨迹输入车辆轨迹评估模型,由所述车辆轨迹评估模型输出所述待评估的车辆轨迹的评估值,所述车辆轨迹评估模型利用所述权利要求11-16中任一所述的装置训练得到。
18.根据权利要求17所述的装置,其中,所述环境数据,用于表征以所述待评估的车辆轨迹的起点为基准的预设范围内的道路环境。
19.根据权利要求18所述的装置,其中,所述道路环境包括车道线、障碍物轨迹和停车线中的至少之一;
所述装置还包括:
第二抽象模块,用于将所述以所述待评估的车辆轨迹的起点为基准的预设范围内的道路环境进行抽象,以得到N2条折线,每条所述折线采用M2个第四向量表示,每个所述第四向量包含Z2个特征;所述N2、M2和Z2为正整数;
第二组合模块,用于将所述N2条折线对应的第四向量的特征进行组合,得到所述环境数据,所述环境数据为尺寸是N2*M2*Z2的矩阵。
20.根据权利要求17-19中任一所述的装置,还包括,
推荐模块,用于根据所述评估值进行车辆轨迹推荐。
21.一种电子设备,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指令,所述指令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1-10中任一项所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211356096.6A CN115687764B (zh) | 2022-11-01 | 2022-11-01 | 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211356096.6A CN115687764B (zh) | 2022-11-01 | 2022-11-01 | 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115687764A CN115687764A (zh) | 2023-02-03 |
CN115687764B true CN115687764B (zh) | 2023-12-01 |
Family
ID=85048848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211356096.6A Active CN115687764B (zh) | 2022-11-01 | 2022-11-01 | 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115687764B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116558541B (zh) * | 2023-07-11 | 2023-09-22 | 新石器慧通(北京)科技有限公司 | 模型训练方法和装置、轨迹预测方法和装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3027627A1 (en) * | 2017-07-13 | 2019-01-13 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for trajectory determination |
CN111123934A (zh) * | 2019-12-25 | 2020-05-08 | 深圳深岚视觉科技有限公司 | 轨迹评估方法、轨迹评估装置及移动机器人 |
CN111145552A (zh) * | 2020-01-06 | 2020-05-12 | 重庆大学 | 基于5g网络的车辆动态换道轨迹的规划方法 |
CN111931905A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法 |
CN112215337A (zh) * | 2020-09-30 | 2021-01-12 | 江苏大学 | 一种基于环境注意力神经网络模型的车辆轨迹预测方法 |
CN113204920A (zh) * | 2021-05-12 | 2021-08-03 | 紫清智行科技(北京)有限公司 | 基于支持向量机的智能车换道舒适性评估及其轨迹规划方法和装置 |
CN114543829A (zh) * | 2022-02-25 | 2022-05-27 | 北京百度网讯科技有限公司 | 模型训练方法、导航轨迹的推荐方法、装置及车辆 |
CN114596553A (zh) * | 2022-03-11 | 2022-06-07 | 阿波罗智能技术(北京)有限公司 | 模型训练方法、轨迹预测方法、装置及自动驾驶车辆 |
CN114967676A (zh) * | 2022-04-12 | 2022-08-30 | 苏州感测通信息科技有限公司 | 基于强化学习的模型预测控制轨迹跟踪控制系统及方法方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11467591B2 (en) * | 2019-05-15 | 2022-10-11 | Baidu Usa Llc | Online agent using reinforcement learning to plan an open space trajectory for autonomous vehicles |
DE102019209736A1 (de) * | 2019-07-03 | 2021-01-07 | Robert Bosch Gmbh | Verfahren zur Bewertung möglicher Trajektorien |
-
2022
- 2022-11-01 CN CN202211356096.6A patent/CN115687764B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3027627A1 (en) * | 2017-07-13 | 2019-01-13 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for trajectory determination |
CN111123934A (zh) * | 2019-12-25 | 2020-05-08 | 深圳深岚视觉科技有限公司 | 轨迹评估方法、轨迹评估装置及移动机器人 |
CN111145552A (zh) * | 2020-01-06 | 2020-05-12 | 重庆大学 | 基于5g网络的车辆动态换道轨迹的规划方法 |
CN111931905A (zh) * | 2020-07-13 | 2020-11-13 | 江苏大学 | 一种图卷积神经网络模型、及利用该模型的车辆轨迹预测方法 |
CN112215337A (zh) * | 2020-09-30 | 2021-01-12 | 江苏大学 | 一种基于环境注意力神经网络模型的车辆轨迹预测方法 |
CN113204920A (zh) * | 2021-05-12 | 2021-08-03 | 紫清智行科技(北京)有限公司 | 基于支持向量机的智能车换道舒适性评估及其轨迹规划方法和装置 |
CN114543829A (zh) * | 2022-02-25 | 2022-05-27 | 北京百度网讯科技有限公司 | 模型训练方法、导航轨迹的推荐方法、装置及车辆 |
CN114596553A (zh) * | 2022-03-11 | 2022-06-07 | 阿波罗智能技术(北京)有限公司 | 模型训练方法、轨迹预测方法、装置及自动驾驶车辆 |
CN114967676A (zh) * | 2022-04-12 | 2022-08-30 | 苏州感测通信息科技有限公司 | 基于强化学习的模型预测控制轨迹跟踪控制系统及方法方法 |
Non-Patent Citations (2)
Title |
---|
Neural Network-Based Trajectory Optimization for Unmanned Aerial Vehicles;Joseph F. Horn等;JGCD;全文 * |
基于时间序列的目标车辆轨迹预测算法;孙影;王铁;;汽车实用技术(第06期);第31-33页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115687764A (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230229919A1 (en) | Learning to generate synthetic datasets for training neural networks | |
US10275719B2 (en) | Hyper-parameter selection for deep convolutional networks | |
CN111602144A (zh) | 生成指令序列以控制执行任务的代理的生成神经网络系统 | |
CN109766557B (zh) | 一种情感分析方法、装置、存储介质及终端设备 | |
US20220121934A1 (en) | Identifying neural networks that generate disentangled representations | |
CN113361710B (zh) | 学生模型训练方法、图片处理方法、装置及电子设备 | |
US20210383225A1 (en) | Self-supervised representation learning using bootstrapped latent representations | |
TW201633181A (zh) | 用於經非同步脈衝調制的取樣信號的事件驅動型時間迴旋 | |
CN111782840A (zh) | 图像问答方法、装置、计算机设备和介质 | |
JP2022078310A (ja) | 画像分類モデル生成方法、装置、電子機器、記憶媒体、コンピュータプログラム、路側装置およびクラウド制御プラットフォーム | |
CN113191241A (zh) | 一种模型训练方法及相关设备 | |
CN115687764B (zh) | 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置 | |
US20230289572A1 (en) | Neural network structure determining method and apparatus | |
CN114715145B (zh) | 一种轨迹预测方法、装置、设备及自动驾驶车辆 | |
CN114543829A (zh) | 模型训练方法、导航轨迹的推荐方法、装置及车辆 | |
CN114639233B (zh) | 一种拥堵状态预测方法、装置、电子设备及存储介质 | |
CN116861262A (zh) | 一种感知模型训练方法、装置及电子设备和存储介质 | |
CN113961765B (zh) | 基于神经网络模型的搜索方法、装置、设备和介质 | |
CN113344121B (zh) | 训练招牌分类模型和招牌分类的方法 | |
CN110705695B (zh) | 搜索模型结构的方法、装置、设备和存储介质 | |
CN115545738A (zh) | 一种推荐方法及相关装置 | |
CN113408564A (zh) | 图处理方法、网络训练方法、装置、设备以及存储介质 | |
CN114596552B (zh) | 信息处理方法、训练方法、装置、设备、车辆及介质 | |
CN114742280B (zh) | 路况预测方法及相应的模型训练方法、装置、设备及介质 | |
CN115630687B (zh) | 模型训练方法、交通流量预测方法和装置 |
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 |