CN116279589A - 自动驾驶决策模型的训练方法、车辆控制方法和装置 - Google Patents

Abstract

本公开提供了一种自动驾驶决策模型的训练方法、车辆控制方法和装置，涉及人工智能技术领域，尤其涉及深度学习、强化学习、自动驾驶、智能交通技术领域。具体实现方案为：获取第一交通场景中车辆的第一车辆状态信息和第一环境信息；使用自动驾驶决策模型对第一车辆状态信息和第一环境信息进行多次处理，得到第一交通场景下针对车辆的多个第一控制策略；其中，自动驾驶决策模型是根据第二交通场景中车辆的第二车辆状态信息和第二环境信息训练得到的；根据多个第一控制策略训练初始评价模型，得到目标评价模型；以及根据目标评价模型对自动驾驶决策模型进行训练。

Description

自动驾驶决策模型的训练方法、车辆控制方法和装置

技术领域

本公开涉及人工智能技术领域，尤其涉及深度学习、强化学习、自动驾驶、智能交通技术领域，具体涉及一种自动驾驶决策模型的训练方法和装置、一种车辆控制方法、装置、电子设备、存储介质及自动驾驶车辆。

背景技术

当自动驾驶车辆在某一交通场景中行驶时，需要根据车辆状态信息和周边环境信息来实时地做出决策，提供针对自动驾驶车辆的控制策略，以便根据控制策略对自动驾驶车辆的行驶状态进行控制。

针对某一交通场景下的路况，车辆往往不只有一种正确的驾驶方式。但是，相关技术在根据车辆状态信息和周边环境信息做出决策时，只能提供单一的控制策略，而非最佳的控制策略，使得自动驾驶车辆在应对该交通场景下的路况时表现欠佳。

发明内容

本公开提供了一种自动驾驶决策模型的训练方法和装置、一种车辆控制方法、装置、电子设备、存储介质及自动驾驶车辆。

根据本公开的一方面，提供了一种自动驾驶决策模型的训练方法，包括：获取第一交通场景中车辆的第一车辆状态信息和第一环境信息；使用自动驾驶决策模型对第一车辆状态信息和第一环境信息进行多次处理，得到第一交通场景下针对车辆的多个第一控制策略；其中，自动驾驶决策模型是根据第二交通场景中车辆的第二车辆状态信息和第二环境信息训练得到的；根据多个第一控制策略训练初始评价模型，得到目标评价模型；以及根据目标评价模型对自动驾驶决策模型进行训练。

根据本公开的另一方面，提供了一种车辆控制方法，包括：获取交通场景中车辆的车辆状态信息和环境信息；利用自动驾驶决策模型处理车辆状态信息和环境信息，得到交通场景下针对车辆的控制策略；其中，自动驾驶决策模型是根据以上所述的自动驾驶决策模型的训练方法训练得到的；以及基于控制策略对车辆进行控制。

根据本公开的另一方面，提供了一种自动驾驶决策模型的训练装置，包括：第一获取模块，用于获取第一交通场景中车辆的第一车辆状态信息和第一环境信息；第一处理模块，用于使用自动驾驶决策模型对第一车辆状态信息和第一环境信息进行多次处理，得到第一交通场景下针对车辆的多个第一控制策略；其中，自动驾驶决策模型是根据第二交通场景中车辆的第二车辆状态信息和第二环境信息训练得到的；第一训练模块，用于根据多个第一控制策略训练初始评价模型，得到目标评价模型；以及第二训练模块，用于根据目标评价模型对自动驾驶决策模型进行训练。

根据本公开的另一方面，提供了一种车辆控制装置，包括：第三获取模块，用于获取交通场景中车辆的车辆状态信息和环境信息；第三处理模块，用于利用自动驾驶决策模型处理车辆状态信息和环境信息，得到交通场景下针对车辆的控制策略；其中，自动驾驶决策模型是根据以上所述的自动驾驶决策模型的训练装置训练得到的；以及控制模块，用于基于控制策略对车辆进行控制。

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；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开提供的方法。

根据本公开的另一方面，提供了一种自动驾驶车辆，包括根据本公开实施例的电子设备。

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，该计算机指令用于使计算机执行根据本公开提供的方法。

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，所述计算机程序在被处理器执行时实现根据本公开提供的方法。

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可以应用车辆控制方法和装置的示例性系统架构；

图2是根据本公开实施例的自动驾驶决策模型的训练方法的流程图；

图3A、图3B和图3C是根据本公开实施例的自动驾驶决策模型的训练过程的示意图；

图4是根据本公开实施例的车辆控制方法的流程图；

图5是根据本公开实施例的自动驾驶决策模型的训练装置的框图；

图6是根据本公开实施例的车辆控制装置的框图；

图7是根据本公开实施例的自动驾驶车辆的示意图；以及

图8是用来实现本公开实施例的自动驾驶决策模型的训练方法和车辆控制方法的电子设备的框图。

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。

图1是根据本公开实施例的可以应用车辆控制方法和装置的示例性系统架构。

需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括传感器101、102、103，网络104和服务器105。网络104用以在传感器101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。

传感器101、102、103可以通过网络104与服务器105交互，以接收或发送消息等。

传感器101、102、103可以是集成在车辆106上的功能元件，例如红外传感器、超声波传感器、毫米波雷达、信息采集装置、图像采集设备等等。传感器101、102、103可以用于采集车辆106周围环境信息和车辆状态信息。

服务器105也可以是集成在车辆106上，但是并不局限于此，也可以设置在能够与车载终端建立通信的远端，可以具体实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。

服务器105可以是提供各种服务的服务器。在服务器105上可以安装有例如地图类应用、信息处理类应用等。服务器105可以对接收到的数据进行分析等处理，并将处理结果反馈给车辆106。

例如，服务器105通过网络104接收来自传感器101、102、103传输的车辆状态信息和周围环境信息。将周围环境信息和车辆状态信息输入自动驾驶决策模型中，得到针对车辆的控制策略，并基于控制策略对车辆106进行控制。

需要说明的是，本公开实施例所提供的车辆控制方法一般可以由服务器105执行。相应地，本公开实施例所提供的车辆控制装置也可以设置于服务器105中。但是并不局限于此。本公开实施例所提供的车辆控制方法一般也可以由车辆106执行。相应地，本公开实施例所提供的车辆控制装置也可以设置于车辆106中。

应该理解，图1中的传感器、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的传感器、网络和服务器。

应注意，以下方法中各个操作的序号仅作为该操作的表示以便描述，而不应被看作表示该各个操作的执行顺序。除非明确指出，否则该方法不需要完全按照所示顺序来执行。

图2是根据本公开实施例的自动驾驶决策模型的训练方法的流程图。

如图2所示，自动驾驶决策模型的训练方法200包括操作S210～S240。

在操作S210，获取第一交通场景中车辆的第一车辆状态信息和第一环境信息。

在操作S220，使用自动驾驶决策模型对第一车辆状态信息和第一环境信息进行多次处理，得到第一交通场景下针对车辆的多个第一控制策略。

在操作S230，根据多个第一控制策略训练初始评价模型，得到目标评价模型。

在操作S240，根据目标评价模型对自动驾驶决策模型进行训练。

根据本公开的实施例，第一车辆状态信息和第一环境信息例如是基于传感器探测到的第一交通场景中车辆的状态信息和车辆周边的环境信息。

车辆状态信息例如包括但不限于车辆的位置信息、行驶速度和加速度、行驶方向、转向角度以及车辆与周边车辆之间的距离等。

环境信息例如包括但不限于周边环境内的车辆的状态信息、周边行人的状态信息、周边环境内的道路信息和周边的障碍物信息等。周边环境内的车辆的状态信息例如包括周边车辆的位置信息、行驶速度和加速度、行驶方向、转向角度等。周边行人的状态信息例如包括行人的行走状态、行进方向、行走速度等。周边环境的道路信息例如包括车道线信息、道路之间的连接信息、道路的属性信息(例如包括道路的类型、方向、长度等)、交通标志信息和信号灯的状态信息等。周边的障碍物信息例如包括但不限于障碍物的位置、大小、移动状态和移动方向等。

根据本公开的实施例，自动驾驶决策模型例如是根据第二交通场景中车辆的第二车辆状态信息和第二环境信息通过监督学习训练而得到的。通过监督学习来训练得到自动驾驶决策模型，可以避免模型输出不合理的控制策略。

第二车辆状态信息和第二环境信息例如是基于传感器探测到的第二交通场景中车辆的状态信息和车辆周边的环境信息。第二车辆状态信息和第二环境信息分别与第一车辆状态信息和第一环境信息具有相同或类似的定义，这里不再赘述。

在本公开实施例中，使用自动驾驶决策模型对某一交通场景中车辆的车辆状态信息和环境信息进行处理，可以得到该交通场景下针对车辆的控制策略。控制策略可以用于指示车辆的待执行的操作(或者动作)，例如执行加速、减速、转向或者变道等操作中的一项或多项。在一些实施例中，控制策略还可以指示车辆的待选择的控制模式或者控制系统，例如选择紧急制动控制系统或者转向控制系统等。基于控制策略，可以对车辆进行控制，从而实现车辆的自动驾驶。

例如，使用自动驾驶决策模型对第一车辆状态信息和第一环境信息进行多次处理，可以得到第一交通场景下针对车辆的多个第一控制策略。多个第一控制策略均可以用于控制车辆执行相应的操作，以便车辆能够应对第一交通场景下的路况条件。

示例性地，当车辆在第一交通场景中行驶时，可以获取第一交通场景中车辆的第一车辆状态信息和第一环境信息。如果检测到车辆前方的道路上有障碍物，使用自动驾驶决策模型对第一车辆状态信息和第一环境信息进行多次处理，可以得到多个第一控制策略。多个第一控制策略例如包括超车、缓刹避让、横向避让和紧急停车等。

可以理解，上述多个第一控制策略均可以控制车辆执行相应的操作，以避免车辆与障碍物发生碰撞。但是，对于车辆来说，这些第一控制策略所对应的操作复杂程度以及风险级别是各不相同的。相应地，基于这些第一控制策略对车辆的行驶状态进行控制，所取得的效果也是不同的。

这里，操作复杂程度是指基于控制策略，车辆所需执行的操作的数量或者车辆所需执行的操作的复杂难易程度。风险级别表征了基于控制策略控制车辆之后，对车辆正常行驶造成的影响。其中，对车辆正常行驶影响越大，风险级别越高。

例如，从风险层面考虑，超车使车辆存在违规风险和碰撞风险，而紧急停车使车辆存在追尾风险。相比于缓刹避让和横向避让来说，超车和紧急停车对应的风险级别更高。

例如，从操作复杂程度考虑，超车需要控制车辆执行更多的操作或者动作。相比于其他控制策略，超车对应的操作复杂程度较高。

在保证驾驶安全的前提下，综合考虑风险级别和操作复杂程度两个层面，相比于超车和紧急停车，缓刹避让和横向避让是当前路况下较佳的控制策略。相应地，采用缓刹避让和横向避让对车辆的行驶状态进行控制，可以使得车辆在应对该交通场景下的路况时表现更佳。

为了使得自动驾驶决策模型能够针对同一交通场景下的路况做出更加合理、可靠的决策，例如，在上述检测到有障碍物的示例中，模型能够输出缓刹避让或者横向避让的控制策略来控制车辆以避免车辆与障碍物发生碰撞，本公开实施例可以使用多个第一控制策略来训练初始评价模型，以便利用训练得到的目标评价模型来优化自动驾驶决策模型。

在本公开实施例中，目标评价模型用于对自动驾驶决策模型输出的针对同一交通场景下的不同控制策略的优劣进行评价。可以基于策略的强化学习算法例如近端策略优化算法(Proximal Policy Optimization，PPO)，根据目标评价模型输出的评价结果来优化自动驾驶决策模型，从而使得优化后的自动驾驶决策模型能够输出更加合理、可靠的控制策略。

根据本公开的实施例，在模型训练过程中，通过利用自动驾驶决策模型输出的多个控制策略来训练得到目标评价模型，使得目标评价模型能够针对同一交通场景下的不同控制策略的优劣进行评价。之后，基于强化学习算法，利用目标评价模型对自动驾驶决策模型进行优化训练，使得自动驾驶决策模型能够输出同一交通场景下更合理的控制策略，从而提高了自动驾驶决策模型输出结果的合理性和可靠性。相比于相关技术中只能提供单一的控制策略的方案，本公开的方案使得模型能够提供适用于交通场景的最佳控制策略，并赋予了模型较大的灵活性，使得模型能够自如地应对不同的交通场景。

根据本公开的实施例，根据多个第一控制策略训练初始评价模型，得到目标评价模型可以包括如下操作。

例如，可以对多个第一控制策略进行排序，得到排序结果。之后，基于排序结果，对初始评价模型进行训练，得到目标评价模型。

正如前文所介绍的，多个第一控制策略所对应的操作复杂程度以及风险级别是各不相同的。而基于这些第一控制策略对车辆的行驶状态进行控制，所取得的效果也是不同的。为了使初始评价模型能够更好地学习各个控制策略的优劣，从而能够准确地对同一交通场景下的不同控制策略进行评价，可以对多个第一控制策略进行优劣排序，并基于排序结果对初始评价模型进行训练，以得到目标评价模型。

例如，可以根据控制策略所对应的操作复杂程度和风险级别来对多个第一控制策略进行排序。在对控制策略进行排序过程中，如果控制策略的风险级别越低，该控制策略的排序越靠前。如果控制策略的操作复杂程度越小，该控制策略的排序越靠前。其中，控制策略的排序越靠前，意味着在同一交通场景下利用该控制策略控制车辆会更合理、更可靠。

另外，为了保证车辆的安全驾驶，基于风险级别的排序结果优先于基于操作复杂程度的排序结果。例如，当两个控制策略的操作复杂程度相近时，如果某一个控制策略的风险级别小于另一个控制策略的风险级别，则可以将该控制策略排在另一个控制策略之前。

在一些实施例中，还可以根据用户的输入，确定各个控制策略的操作复杂程度值和风险级别值。其中，操作复杂程度值和风险级别值均可以在0～1之间取值。这样，可以将复杂程度值和风险级别值相乘，并根据相乘后的结果对各个控制策略进行排序。在一个示例中，还可以设定复杂程度值和风险级别值各自的权重系数，然后根据复杂程度值、风险级别值以及各自对应的权重系数来对各个控制策略进行排序。

沿用上述多个第一控制策略例如包括超车、缓刹避让、横向避让和紧急停车的示例。根据以上所述的排序方式对超车、缓刹避让、横向避让和紧急停车进行优劣排序，可以得到如下排序结果：缓刹避让≥横向避让>紧急停车>超车。

在一些实施例中，还可以根据风险级别对多个第一控制策略进行排序。利用风险级别进行排序的方式与以上描述的过程类似，这里不再赘述。

需要说明的是，除了操作复杂程度和风险级别之外，本公开还可以根据其他排序条件来对多个第一控制策略进行优劣排序，具体可以根据实际需要设定，这里不做限定。

根据上述排序结果可以对初始评价模型进行训练，得到目标评价模型。

例如，基于排序结果，从多个第一控制策略中确定具有关联关系的第一样本控制策略和第二样本控制策略。

接下来，使用初始评价模型分别处理第一样本控制策略和第二样本控制策略，得到与第一样本控制策略对应的第一评价参数以及与第二样本控制策略对应的第二评价参数。

接下来，根据第一评价参数和第二评价参数，确定评价参数损失。之后，根据评价参数损失，调整初始评价模型的参数，得到目标评价模型。

例如，针对排序结果：缓刹避让≥横向避让>紧急停车>超车，可以基于该排序结果，从超车、缓刹避让、横向避让和紧急停车中确定多个样本控制策略对。该样本控制策略对包括具有关联关系的第一样本控制策略和第二样本控制策略。其中，关联关系表征了第一样本控制策略和第二样本控制策略的优劣顺序。

例如，可以将缓刹避让和横向避让作为第一控制策略对，将横向避让和紧急停车作为第二控制策略对，将紧急停车和超车作为第三控制策略对。

针对每个控制策略对，使用初始评价模型分别处理该控制策略对中的第一样本控制策略和第二样本控制策略，得到与第一样本控制策略对应的第一评价参数以及与第二样本控制策略对应的第二评价参数。

例如，利用初始评价模型分别处理第一控制策略对中的缓刹避让和横向避让，得到与缓刹避让对应的第一评价参数和横向避让对应第二评价参数。类似地，可以得到其他控制策略对中各个控制策略的评价参数。

之后，针对每个控制策略对，根据该控制策略对对应的第一评价参数和第二评价参数，确定评价参数损失。然后，根据评价参数损失，调整初始评价模型的参数，得到目标评价模型。

根据本公开的实施例，通过利用自动驾驶决策模型输出的多个控制策略来训练得到目标评价模型，使得目标评价模型能够针对同一交通场景下的不同控制策略的优劣进行评价，以便确定在该交通场景下的更合理的控制策略，从而有利于后续提高自动驾驶决策模型输出结果的合理性和可靠性。

根据本公开的实施例，在获取目标评价模型之后，可以根据目标评价模型对自动驾驶决策模型进行训练。

例如，获取第三交通场景中车辆的第三车辆状态信息和第三环境信息。其中，第三车辆状态信息和第三环境信息是基于传感器探测到的第三交通场景中车辆的状态信息和车辆周边的环境信息。第三车辆状态信息和第三环境信息分别与第一车辆状态信息和第一环境信息具有相同或类似的定义，这里不再赘述。

接下来，使用自动驾驶决策模型对第三车辆状态信息和第三环境信息进行处理，得到第三交通场景下针对车辆的第三控制策略。之后，使用目标评价模型对第三控制策略进行处理，得到与第三控制策略对应的目标评价参数。

目标评价参数用于评价第三控制策略的优劣。如果第三控制策略越接近最佳的控制策略，目标评价参数将会越大；反之亦然。根据目标评价参数来调整自动驾驶决策模型的参数，有利于获得更加优质的自动驾驶决策模型。

根据本公开的实施例，以上所述的自动驾驶决策模型可以采用如下方式训练得到。

首先，获取第二交通场景中车辆的第二车辆状态信息和第二环境信息，以及第二交通场景下针对车辆的控制策略标签。

第二车辆状态信息和第二环境信息是基于传感器探测到的第二交通场景中车辆的状态信息和车辆周边的环境信息。第二车辆状态信息和第二环境信息分别与第一车辆状态信息和第一环境信息具有相同或类似的定义，这里不再赘述。

控制策略标签是基于驾驶员在第二交通场景下实际的驾驶数据来确定的。驾驶数据例如包括驾驶员的操作数据以及车辆的运行数据等。

接下来，将第二车辆状态信息和第二环境信息输入初始深度学习模型，得到第二交通场景下针对车辆的第二控制策略。

之后，根据第二控制策略和控制策略标签，确定控制策略损失。之后，根据控制策略损失，调整初始深度学习模型的参数，得到自动驾驶决策模型。

在本公开的实施例中，通过监督学习来训练得到自动驾驶决策模型，可以避免模型输出不合理的控制策略。

图3A、图3B和图3C是根据本公开实施例的自动驾驶决策模型的训练过程的示意图。下面参考图3A至图3C对本公开的方案进行示例说明。

图3A示意性示出了初始深度学习模型的训练过程。如图3A所示，获取第二交通场景中车辆的第二车辆状态信息和第二环境信息310之后，将第二车辆状态信息和第二环境信息310输入初始深度学习模型，得到第二交通场景下针对车辆的第二控制策略312。接下来，根据第二控制策略312和控制策略标签314，确定控制策略损失316。之后，根据控制策略损失316来调整初始深度学习模型的参数，得到自动驾驶决策模型。自动驾驶决策模型可以用于对某一交通场景中车辆的车辆状态信息和环境信息进行处理，可以得到该交通场景下针对车辆的控制策略。

图3B示意性示出了初始评价模型的训练过程。如图3B所示，获取第一交通场景中车辆的第一车辆状态信息和第一环境信息320之后，可以将第一车辆状态信息和第一环境信息320输入上述得到的自动驾驶决策模型中，得到第一交通场景下针对车辆的多个第一控制策略322。之后，对多个第一控制策略322进行优劣排序，得到排序结果323。

接下来，基于排序结果323，从多个第一控制策略322中确定多个样本控制策略对。每个样本控制策略对包括具有关联关系的第一样本控制策略322_1和第二样本控制策略322_2。

接下来，使用初始评价模型分别处理各个样本控制策略对中的第一样本控制策略322_1和第二样本控制策略322_2，得到与第一样本控制策略322_1对应的第一评价参数325_1以及与第二样本控制策略322_2对应的第二评价参数325_2。

接下来，针对每个控制策略对，根据该控制策略对对应的第一评价参数325_1和第二评价参数325_2，确定评价参数损失326。然后，根据评价参数损失326，调整初始评价模型的参数，得到目标评价模型。

图3C示意性示出了自动驾驶决策模型的优化过程。如图3C所示，获取第三交通场景中车辆的第三车辆状态信息和第三环境信息330。之后，使用上述获得的自动驾驶决策模型对第三车辆状态信息和第三环境信息330进行处理，得到第三交通场景下针对车辆的第三控制策略332。

接下来，使用上述获得的目标评价模型对第三控制策略332进行处理，得到与第三控制策略332对应的目标评价参数335。之后，可以根据目标评价参数335调整自动驾驶决策模型的参数。

根据本公开的实施例，在模型训练过程中，通过利用自动驾驶决策模型输出的多个控制策略来训练得到目标评价模型，使得目标评价模型能够针对同一交通场景下的不同控制策略的优劣进行评价。之后，基于强化学习算法，利用目标评价模型对自动驾驶决策模型进行优化训练，使得自动驾驶决策模型能够输出同一交通场景下更合理的控制策略，从而提高了自动驾驶决策模型输出结果的合理性和可靠性。

图4是根据本公开实施例的车辆控制方法的流程图。

如图4所示，车辆控制方法400可以包括操作S410～S430。

在操作S410，获取交通场景中车辆的车辆状态信息和环境信息。

在操作S420，利用自动驾驶决策模型处理车辆状态信息和环境信息，得到交通场景下针对车辆的控制策略。

在操作S430，基于控制策略对车辆进行控制。

根据本公开的实施例，自动驾驶决策模型是根据以上实施例中描述的自动驾驶决策模型的训练方法训练得到的。将某一交通场景中车辆的车辆状态信息和环境信息输入自动驾驶决策模型中，可以得到该交通场景下针对车辆的最佳控制策略。基于该最佳控制策略，可以对该车辆进行控制，从而实现车辆的自动驾驶。

在本公开实施例的方案中，通过利用以上方式训练得到的自动驾驶决策模型来根据车辆状态信息和环境信息进行决策，得到针对车辆的最佳控制策略，可以提高控制策略的合理性和可靠性，从而提高了对车辆的控制效果。

图5是根据本公开实施例的自动驾驶决策模型的训练装置的框图。

如图5所示，自动驾驶决策模型的训练装置500包括第一获取模块510、第一处理模块520、第一训练模块530和第二训练模块540。

第一获取模块510用于获取第一交通场景中车辆的第一车辆状态信息和第一环境信息。

第一处理模块520用于使用自动驾驶决策模型对第一车辆状态信息和第一环境信息进行多次处理，得到第一交通场景下针对车辆的多个第一控制策略；其中，自动驾驶决策模型是根据第二交通场景中车辆的第二车辆状态信息和第二环境信息训练得到的。

第一训练模块530用于根据多个第一控制策略训练初始评价模型，得到目标评价模型。

第二训练模块540用于根据目标评价模型对自动驾驶决策模型进行训练。

根据本公开的实施例，第一训练模块530包括：排序子模块、训练子模块。排序子模块用于对多个第一控制策略进行排序，得到排序结果；以及训练子模块用于基于排序结果，对初始评价模型进行训练，得到目标评价模型。

根据本公开的实施例，训练子模块包括：第一确定单元、处理单元、第二确定单元和调整单元。第一确定单元用于基于排序结果，从多个第一控制策略中确定具有关联关系的第一样本控制策略和第二样本控制策略；处理单元用于使用初始评价模型分别处理第一样本控制策略和第二样本控制策略，得到与第一样本控制策略对应的第一评价参数以及与第二样本控制策略对应的第二评价参数；第二确定单元用于根据第一评价参数和第二评价参数，确定评价参数损失；以及调整单元用于根据评价参数损失，调整初始评价模型的参数，得到目标评价模型。

根据本公开的实施例，第二训练模块540包括：获取子模块、第一处理子模块、第二处理子模块和调整子模块。获取子模块用于获取第三交通场景中车辆的第三车辆状态信息和第三环境信息；第一处理子模块用于使用自动驾驶决策模型对第三车辆状态信息和第三环境信息进行处理，得到第三交通场景下针对车辆的第三控制策略；第二处理子模块用于使用目标评价模型对第三控制策略进行处理，得到与第三控制策略对应的目标评价参数；以及调整子模块用于根据目标评价参数调整自动驾驶决策模型的参数。

根据本公开的实施例，自动驾驶决策模型的训练装置500还包括：第二获取模块、第二处理模块、确定模块和调整模块。第二获取模块用于获取第二交通场景中车辆的第二车辆状态信息和第二环境信息，以及第二交通场景下针对车辆的控制策略标签；第二处理模块用于将第二车辆状态信息和第二环境信息输入初始深度学习模型，得到第二交通场景下针对车辆的第二控制策略；确定模块用于根据第二控制策略和控制策略标签，确定控制策略损失；以及调整模块用于根据控制策略损失，调整初始深度学习模型的参数，得到自动驾驶决策模型。

图6是根据本公开实施例的车辆控制装置的框图。

如图6所示，车辆控制装置600包括第三获取模块610、第三处理模块620和控制模块630。

第三获取模块610用于获取交通场景中车辆的车辆状态信息和环境信息。

第三处理模块620用于利用自动驾驶决策模型处理车辆状态信息和环境信息，得到交通场景下针对车辆的控制策略。其中，自动驾驶决策模型是根据以上实施例中的自动驾驶决策模型的训练装置训练得到的。

控制模块630用于基于控制策略对车辆进行控制。

需要说明的是，装置部分实施例中各模块/单元/子单元等的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与方法部分实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似，在此不再赘述。

本公开的技术方案中，所涉及的数据(例如包括但不限于用户个人信息)的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，且不违背公序良俗。

在本公开的技术方案中，在获取或采集相关数据之前，均获取了数据归属者的授权或同意。

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、一种计算机程序产品以及一种自动驾驶车辆。

根据本公开的实施例，一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如本公开实施例的方法。

根据本公开的实施例，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，计算机指令用于使计算机执行如本公开实施例的方法。

根据本公开的实施例，一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如本公开实施例的方法。

根据本公开的实施例，一种自动驾驶车辆，该自动驾驶车辆可以包括以上任意实施例的电子设备。该电子设备可以设置于自动驾驶车辆中，也可以设置在远端，本公开对此不做限定。该电子设备可在其处理器执行时能够实现上述实施例所描述的方法。

图7是根据本公开实施例的自动驾驶车辆的示意图。

如图7所示，本公开还提供了一种示例自动驾驶车辆700，自动驾驶车辆700可以包括以上任意实施例的电子设备。自动驾驶车辆700可以根据电子设备输入的控制策略来控制自动驾驶车辆700的运动。可以理解，该电子设备可以设置于自动驾驶车辆700中，也可以设置在远端，本公开对此不做限定。

在一些实施例中，自动驾驶车辆700还可以包括感测装置，以获得用于自动驾驶的各种感测数据。感测装置的示例包括但不限于雷达、摄像头、全球定位系统(GPS，GlobalPosition System)、北斗定位系统或者其他定位系统，以及诸如角度传感器、速度传感器、接近度传感器之类的各种传感器。

图8示出了可以用来实施本公开的实施例的示例电子设备800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8所示，电子设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储电子设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

电子设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许电子设备800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801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801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801执行上文所描述的各个方法和处理，例如自动驾驶决策模型的训练方法和车辆控制方法。例如，在一些实施例中，自动驾驶决策模型的训练方法和车辆控制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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的自动驾驶决策模型的训练方法和车辆控制方法的一个或多个步骤。备选地，在其他实施例中，计算单元801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决策模型的训练方法和车辆控制方法。

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。

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)、复杂可编程逻辑设备(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。

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 (16)

1.一种自动驾驶决策模型的训练方法，包括：

获取第一交通场景中车辆的第一车辆状态信息和第一环境信息；

使用自动驾驶决策模型对所述第一车辆状态信息和所述第一环境信息进行多次处理，得到第一交通场景下针对所述车辆的多个第一控制策略；其中，所述自动驾驶决策模型是根据第二交通场景中车辆的第二车辆状态信息和第二环境信息训练得到的；

根据所述多个第一控制策略训练初始评价模型，得到目标评价模型；以及

根据所述目标评价模型对所述自动驾驶决策模型进行训练。

2.根据权利要求1所述的方法，其中，所述根据所述多个第一控制策略训练初始评价模型，得到目标评价模型包括：

对所述多个第一控制策略进行排序，得到排序结果；以及

基于所述排序结果，对所述初始评价模型进行训练，得到所述目标评价模型。

3.根据权利要求2所述的方法，其中，所述基于所述排序结果，对所述初始评价模型进行训练，得到所述目标评价模型包括：

基于所述排序结果，从所述多个第一控制策略中确定具有关联关系的第一样本控制策略和第二样本控制策略；

使用所述初始评价模型分别处理所述第一样本控制策略和所述第二样本控制策略，得到与所述第一样本控制策略对应的第一评价参数以及与所述第二样本控制策略对应的第二评价参数；

根据所述第一评价参数和所述第二评价参数，确定评价参数损失；以及

根据所述评价参数损失，调整所述初始评价模型的参数，得到所述目标评价模型。

4.根据权利要求1至3中任一项所述的方法，其中，所述根据所述目标评价模型对所述自动驾驶决策模型进行训练包括：

获取第三交通场景中车辆的第三车辆状态信息和第三环境信息；

使用所述自动驾驶决策模型对所述第三车辆状态信息和所述第三环境信息进行处理，得到第三交通场景下针对所述车辆的第三控制策略；

使用所述目标评价模型对所述第三控制策略进行处理，得到与所述第三控制策略对应的目标评价参数；以及

根据所述目标评价参数调整所述自动驾驶决策模型的参数。

5.根据权利要求1至4中任一项所述的方法，还包括：

获取第二交通场景中车辆的第二车辆状态信息和第二环境信息，以及所述第二交通场景下针对车辆的控制策略标签；

将所述第二车辆状态信息和所述第二环境信息输入初始深度学习模型，得到所述第二交通场景下针对所述车辆的第二控制策略；

根据所述第二控制策略和所述控制策略标签，确定控制策略损失；以及

根据所述控制策略损失，调整所述初始深度学习模型的参数，得到所述自动驾驶决策模型。

6.一种车辆控制方法，包括：

获取交通场景中车辆的车辆状态信息和环境信息；

利用自动驾驶决策模型处理所述车辆状态信息和所述环境信息，得到所述交通场景下针对所述车辆的控制策略；其中，所述自动驾驶决策模型是根据权利要求1至5中任一项所述的方法训练得到的；以及

基于所述控制策略对所述车辆进行控制。

7.一种自动驾驶决策模型的训练装置，包括：

第一获取模块，用于获取第一交通场景中车辆的第一车辆状态信息和第一环境信息；

第一处理模块，用于使用自动驾驶决策模型对所述第一车辆状态信息和所述第一环境信息进行多次处理，得到第一交通场景下针对所述车辆的多个第一控制策略；其中，所述自动驾驶决策模型是根据第二交通场景中车辆的第二车辆状态信息和第二环境信息训练得到的；

第一训练模块，用于根据所述多个第一控制策略训练初始评价模型，得到目标评价模型；以及

第二训练模块，用于根据所述目标评价模型对所述自动驾驶决策模型进行训练。

8.根据权利要求7所述的装置，其中，所述第一训练模块包括：

排序子模块，用于对所述多个第一控制策略进行排序，得到排序结果；以及

训练子模块，用于基于所述排序结果，对所述初始评价模型进行训练，得到所述目标评价模型。

9.根据权利要求8所述的装置，其中，所述训练子模块包括：

第一确定单元，用于基于所述排序结果，从所述多个第一控制策略中确定具有关联关系的第一样本控制策略和第二样本控制策略；

处理单元，用于使用所述初始评价模型分别处理所述第一样本控制策略和所述第二样本控制策略，得到与所述第一样本控制策略对应的第一评价参数以及与所述第二样本控制策略对应的第二评价参数；

第二确定单元，用于根据所述第一评价参数和所述第二评价参数，确定评价参数损失；以及

调整单元，用于根据所述评价参数损失，调整所述初始评价模型的参数，得到所述目标评价模型。

10.根据权利要求7至9中任一项所述的装置，其中，所述第二训练模块包括：

获取子模块，用于获取第三交通场景中车辆的第三车辆状态信息和第三环境信息；

第一处理子模块，用于使用所述自动驾驶决策模型对所述第三车辆状态信息和所述第三环境信息进行处理，得到第三交通场景下针对所述车辆的第三控制策略；

第二处理子模块，用于使用所述目标评价模型对所述第三控制策略进行处理，得到与所述第三控制策略对应的目标评价参数；以及

调整子模块，用于根据所述目标评价参数调整所述自动驾驶决策模型的参数。

11.根据权利要求7至10中任一项所述的装置，还包括：

第二获取模块，用于获取第二交通场景中车辆的第二车辆状态信息和第二环境信息，以及所述第二交通场景下针对车辆的控制策略标签；

第二处理模块，用于将所述第二车辆状态信息和所述第二环境信息输入初始深度学习模型，得到所述第二交通场景下针对所述车辆的第二控制策略；

确定模块，用于根据所述第二控制策略和所述控制策略标签，确定控制策略损失；以及

调整模块，用于根据所述控制策略损失，调整所述初始深度学习模型的参数，得到所述自动驾驶决策模型。

12.一种车辆控制装置，包括：

第三获取模块，用于获取交通场景中车辆的车辆状态信息和环境信息；

第三处理模块，用于利用自动驾驶决策模型处理所述车辆状态信息和所述环境信息，得到所述交通场景下针对所述车辆的控制策略；其中，所述自动驾驶决策模型是根据权利要求7至11中任一项所述的装置训练得到的；以及

控制模块，用于基于所述控制策略对所述车辆进行控制。

13.一种电子设备，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至6中任一项所述的方法。

14.一种自动驾驶车辆，包括如权利要求13所述的电子设备。

15.一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至6中任一项所述的方法。

16.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1至6中任一项所述的方法。

Images