CN116469069A - 用于自动驾驶的场景编码模型训练方法、装置及介质 - Google Patents
用于自动驾驶的场景编码模型训练方法、装置及介质 Download PDFInfo
- Publication number
- CN116469069A CN116469069A CN202310316906.3A CN202310316906A CN116469069A CN 116469069 A CN116469069 A CN 116469069A CN 202310316906 A CN202310316906 A CN 202310316906A CN 116469069 A CN116469069 A CN 116469069A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- scene
- sample data
- masking
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000012549 training Methods 0.000 title claims abstract description 52
- 230000000873 masking effect Effects 0.000 claims abstract description 101
- 238000012545 processing Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 230000004888 barrier function Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 238000004891 communication Methods 0.000 description 23
- 238000005516 engineering process Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004438 eyesight Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本公开提供了一种用于自动驾驶的场景编码模型训练方法、装置及介质,涉及计算机技术领域,尤其涉及人工智能、自动驾驶领域。实现方案为:获取样本数据集;基于至少一个掩码策略,对多个第一样本数据进行处理,以获取多个第二样本数据;将多个第二样本数据输入场景编码模型,以获取场景编码模型输出的分别对应于多个第二样本数据的多个行驶场景编码;以及基于多个行驶场景编码训练场景编码模型。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及人工智能、自动驾驶领域,具体涉及一种用于自动驾驶的场景编码模型训练方法、用于自动驾驶的场景编码方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
基于人工智能的数据处理,已经广泛应用于各个领域。其中,在自动驾驶领域中,基于人工智能对数据进行处理,能够为车辆规划合理的驾驶轨迹。自动驾驶车辆依靠人工智能、视觉计算、雷达、监控装置和全球定位系统等协同合作,不需要人现场实际操控车辆便可以实现车辆的驾驶,是未来智能交通的主要发展方向之一。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种用于自动驾驶的场景编码模型训练方法、用于自动驾驶的场景编码方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种用于自动驾驶的场景编码模型训练方法,包括:获取样本数据集,样本数据集包括对应于多个第一时刻的多个第一样本数据,每个第一样本数据包括该第一样本数据相应的第一时刻对应的第一数据以及相应第一时刻之前的至少一个历史时刻对应的至少一个第二数据,第一数据包括相应第一时刻的车辆行驶状态数据,至少一个第二数据中的每个第二数据包括相应历史时刻的车辆行驶状态数据;基于至少一个掩码策略,对多个第一样本数据进行处理,以获取多个第二样本数据,至少一个掩码策略包括第一掩码策略,第一掩码策略用于对多个第一样本数据中的至少一个第三样本数据中每个第三样本数据的第一数据进行掩码处理;将多个第二样本数据输入场景编码模型,以获取场景编码模型输出的分别对应于多个第二样本数据的多个行驶场景编码;以及基于多个行驶场景编码训练场景编码模型。
根据本公开的另一方面,提供了一种用于自动驾驶的场景编码方法,包括:获取当前时刻的第一数据以及当前时刻之前的至少一个历史时刻对应的至少一个第二数据,第一数据包括当前时刻的车辆行驶状态数据、障碍物状态数据和路网数据中的至少一者,至少一个第二数据中的每个第二数据包括相应历史时刻的车辆行驶状态数据、障碍物状态数据和路网数据中的至少一者;将第一数据和至少一个第二数据输入场景编码模型中,以获得场景编码模型输出的当前时刻的行驶场景编码,其中,场景编码模型根据上述用于自动驾驶的场景编码模型训练方法训练获得。
根据本公开的另一方面,提供了一种用于自动驾驶的场景编码模型训练装置,包括:第一获取单元,被配置为获取样本数据集,样本数据集包括对应于多个第一时刻的多个第一样本数据,每个第一样本数据包括该第一样本数据相应的第一时刻对应的第一数据以及相应第一时刻之前的至少一个历史时刻对应的至少一个第二数据,第一数据包括相应第一时刻的车辆行驶状态数据,至少一个第二数据中的每个第二数据包括相应历史时刻的车辆行驶状态数据;处理单元,被配置为基于至少一个掩码策略,对多个第一样本数据进行处理,以获取多个第二样本数据,至少一个掩码策略包括第一掩码策略,第一掩码策略用于对多个第一样本数据中的至少一个第三样本数据中每个第三样本数据的第一数据进行掩码处理;输入单元,被配置为将多个第二样本数据输入场景编码模型,以获取场景编码模型输出的分别对应于多个第二样本数据的多个行驶场景编码;以及训练单元,被配置为基于多个行驶场景编码训练场景编码模型。
根据本公开的另一方面,提供了一种用于自动驾驶的场景编码装置,包括:第二获取单元,被配置为获取当前时刻的第一数据以及当前时刻之前的至少一个历史时刻对应的至少一个第二数据,第一数据包括当前时刻的车辆行驶状态数据、障碍物状态数据和路网数据中的至少一者,至少一个第二数据中的每个第二数据包括相应历史时刻的车辆行驶状态数据、障碍物状态数据和路网数据中的至少一者;编码单元,被配置为将第一数据和至少一个第二数据输入场景编码模型中,以获得场景编码模型输出的当前时刻的行驶场景编码,其中,场景编码模型根据上述用于自动驾驶的场景编码模型训练方法训练获得。
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上述用于自动驾驶的场景编码模型训练方法或上述用于自动驾驶的场景编码方法。
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,所述计算机指令用于使所述计算机执行上述用于自动驾驶的场景编码模型训练方法或上述用于自动驾驶的场景编码方法。
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,其中,所述计算机程序在被处理器执行时实现上述用于自动驾驶的场景编码模型训练方法或上述用于自动驾驶的场景编码方法。
根据本公开的一个或多个实施例,可以通过至少一种掩码策略,对多个第一样本数据中的一个或多个样本数据中的部分信息进行随机掩码(例如,对样本数据中的第一数据进行随机掩码处理),并基于处理后的样本数据进行模型训练,从而提升模型的鲁棒性,使其能够在接收到第一数据异常的噪声数据时,有更准确的场景编码表达。
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
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开的实施例的用于自动驾驶的场景编码模型训练方法的流程图;
图3示出了根据本公开的实施例的用于自动驾驶的场景编码方法的流程图;
图4示出了根据本公开的实施例的用于自动驾驶的场景编码模型训练装置的结构框图;
图5示出了根据本公开的实施例的用于自动驾驶的场景编码装置的结构框图;
图6示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
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。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。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个要素与另一要素区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括机动车辆110、服务器120以及将机动车辆110耦接到服务器120的一个或多个通信网络130。
在本公开的实施例中,机动车辆110可以包括根据本公开实施例的计算设备和/或被配置以用于执行根据本公开实施例的方法。
服务器120可以运行使得能够对用于自动驾驶的场景编码模型进行训练的方法的一个或多个服务或软件应用。在某些实施例中,服务器120还可以提供其他服务或软件应用,这些服务或软件应用可以包括非虚拟环境和虚拟环境。在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。机动车辆110的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从机动车辆110接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由机动车辆110的一个或多个显示设备来显示数据馈送和/或实时事件。
网络130可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是卫星通信网络、局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(包括例如蓝牙、WiFi)和/或这些与其他网络的任意组合。
系统100还可以包括一个或多个数据库150。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库150中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库150可以驻留在各种位置。例如,由服务器120使用的数据存储库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库150可以是不同的类型。在某些实施例中,由服务器120使用的数据存储库可以是数据库,例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库150中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
机动车辆110可以包括传感器111用于感知周围环境。传感器111可以包括下列传感器中的一个或多个:视觉摄像头、红外摄像头、超声波传感器、毫米波雷达以及激光雷达(LiDAR)。不同的传感器可以提供不同的检测精度和范围。摄像头可以安装在车辆的前方、后方或其他位置。视觉摄像头可以实时捕获车辆内外的情况并呈现给驾驶员和/或乘客。此外,通过对视觉摄像头捕获的画面进行分析,可以获取诸如交通信号灯指示、交叉路口情况、其他车辆运行状态等信息。红外摄像头可以在夜视情况下捕捉物体。超声波传感器可以安装在车辆的四周,用于利用超声波方向性强等特点来测量车外物体距车辆的距离。毫米波雷达可以安装在车辆的前方、后方或其他位置,用于利用电磁波的特性测量车外物体距车辆的距离。激光雷达可以安装在车辆的前方、后方或其他位置,用于检测物体边缘、形状信息,从而进行物体识别和追踪。由于多普勒效应,雷达装置还可以测量车辆与移动物体的速度变化。
机动车辆110还可以包括通信装置112。通信装置112可以包括能够从卫星141接收卫星定位信号(例如,北斗、GPS、GLONASS以及GALILEO)并且基于这些信号产生坐标的卫星定位模块。通信装置112还可以包括与移动通信基站142进行通信的模块,移动通信网络可以实施任何适合的通信技术,例如GSM/GPRS、CDMA、LTE等当前或正在不断发展的无线通信技术(例如5G技术)。通信装置112还可以具有车联网或车联万物(Vehicle-to-Everything,V2X)模块,被配置用于实现例如与其它车辆143进行车对车(Vehicle-to-Vehicle,V2V)通信和与基础设施144进行车辆到基础设施(Vehicle-to-Infrastructure,V2I)通信的车与外界的通信。此外,通信装置112还可以具有被配置为例如通过使用IEEE802.11标准的无线局域网或蓝牙与用户终端145(包括但不限于智能手机、平板电脑或诸如手表等可佩戴装置)进行通信的模块。利用通信装置112,机动车辆110还可以经由网络130接入服务器120。
机动车辆110还可以包括控制装置113。控制装置113可以包括与各种类型的计算机可读存储装置或介质通信的处理器,例如中央处理单元(CPU)或图形处理单元(GPU),或者其他的专用处理器等。控制装置113可以包括用于自动控制车辆中的各种致动器的自动驾驶系统。自动驾驶系统被配置为经由多个致动器响应来自多个传感器111或者其他输入设备的输入而控制机动车辆110(未示出的)动力总成、转向系统以及制动系统等以分别控制加速、转向和制动,而无需人为干预或者有限的人为干预。控制装置113的部分处理功能可以通过云计算实现。例如,可以使用车载处理器执行某一些处理,而同时可以利用云端的计算资源执行其他一些处理。控制装置113可以被配置以执行根据本公开的方法。此外,控制装置113可以被实现为根据本公开的机动车辆侧(客户端)的计算设备的一个示例。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
根据本公开的实施例,如图2所示,提供了一种用于自动驾驶的场景编码模型训练方法,包括:
步骤S201、获取样本数据集,样本数据集包括对应于多个第一时刻的多个第一样本数据,每个第一样本数据包括该第一样本数据相应的第一时刻对应的第一数据以及相应第一时刻之前的至少一个历史时刻对应的至少一个第二数据,第一数据包括相应第一时刻的车辆行驶状态数据,至少一个第二数据中的每个第二数据包括相应历史时刻的车辆行驶状态数据;
步骤S202、基于至少一个掩码策略,对多个第一样本数据进行处理,以获取多个第二样本数据,至少一个掩码策略包括第一掩码策略,第一掩码策略用于对多个第一样本数据中的至少一个第三样本数据中每个第三样本数据的第一数据进行掩码处理;
步骤S203、将多个第二样本数据输入场景编码模型,以获取场景编码模型输出的分别对应于多个第二样本数据的多个行驶场景编码;以及
步骤S204、基于多个行驶场景编码训练场景编码模型。
由此,通过至少一种掩码策略,对多个第一样本数据中的一个或多个样本数据中的部分信息进行随机掩码(例如,对样本数据中的第一数据进行随机掩码处理),并基于处理后的样本数据进行模型训练,从而提升模型的鲁棒性,使其能够在接收到第一数据异常的噪声数据时,有更准确的场景编码表达。
在一些实施例中,样本数据集的原始数据可以来源于历史一段时间车辆所收集的数据,其中,历史数据可以包括历史一段时间内(例如历史数月)通过一个或多个车辆收集的,对于每个车辆的历史数据,可以是按照一定采集频率采集的在该车辆坐标系下的不同时刻的车辆行驶状态数据。
在一些实施例中,每个车辆的不同时刻的历史数据还可以包括在该车辆坐标系下的周围一定区域内的障碍物状态数据和周围一定区域内的路网数据。由此,通过引入障碍物状态数据以及路网数据,能够进一步提升模型编码表示的准确度。
在一些实施例中,车辆行驶状态数据可以包括相应时刻的车辆位置、车辆行驶方向、车辆长度、车辆宽度、车辆类型、行驶速度、加速度、转向信号等数据。
在一些实施例中,障碍物状态数据可以包括相应时刻的周围一定区域内的障碍物的速度、加速度、与相应车辆之间的距离等数据。其中,障碍物例如可以包括其他机动车、非机动车、行人等。路网数据可以包括相应车辆在相应时刻的所在位置的周围一定区域内的路网拓扑数据,例如包括车道线、停止线、人行横道等数据。
在一些实施例中,对于上述原始数据进行整理以获得样本数据集,其中每个第一样本数据包括对应于第一时刻的第一数据,以及第一时刻之前的至少一个历史时刻对应的至少一个第二数据。其中,第一数据可以是相应第一时刻的某一车辆的车辆行驶状态数据,第二数据可以是相应历史时刻的相应车辆的车辆行驶状态数据。
在一些示例性实施例中,一个第一样本数据可以包括该样本数据对应的第一时刻的对应车辆的车辆行驶状态数据,以及该车辆的该第一时刻之前的最近的16个历史时刻相应的16帧车辆行驶状态数据。
在一些实施例中,本公开的场景编码模型可以基于MultiPath++网络、Vectornet网络、Wayformer网络中的至少一者构建。
在一些实施例中,上述用于自动驾驶的场景编码模型训练方法还可以包括:将多个第一样本数据划分为至少一个样本对,至少一个样本对中每个样本对中的两个样本数据对应的车辆行驶场景的相似度符合大于预设值;并且,基于多个行驶场景编码训练场景编码模型可以包括:基于多个行驶场景编码中的至少一个场景编码对中的两个场景编码之间的距离,训练场景编码模型,其中,至少一个场景编码对与至少一个样本对对应。
在一些实施例中,可以首先将多个第一样本数据按照场景相似程度划分为至少一个样本对,其中,每个样本对中的两个样本数据对应的车辆行驶场景的相似度满足预设条件(例如大于预设值)。
在一些实施例中,也可以同时准备一定数量的负样本对,也即将对应的场景不相似的两个样本数据组成一个负样本对,以用于模型训练。
在一些实施例中,可以依次将每个样本对中的每个样本数据输入到场景编码模型中,以获得每个样本数据对应的行驶场景编码,并应用对比学习的训练方法,计算对比损失,并应用对比损失进行模型训练。
由此,通过将样本数据按照场景相似性划分为至少一个样本对,并基于样本对进行对比学习,从而能够进一步提升模型编码表达的准确性。
在一些实施例中,可以在将多个第一样本数据输入模型之前,首先基于至少一个掩码策略对其进行掩码处理,以获得多个第二样本数据。
在一些实施例中,上述掩码策略可以为第一掩码策略,用于对多个第一样本数据中的至少一个第三样本数据中每个的第一数据进行掩码处理。
在一些实施例中,对于上述多个第一样本数据中的每个第一样本数据,可以基于第一预设概率(例如50%)对其第一数据进行随机掩码处理或丢弃处理,从而实现上述的掩码处理。
在一些实施例中,至少一个掩码策略从预设掩码策略集中获得,预设掩码策略集还包括第二掩码策略,第二掩码策略用于对多个第一样本数据中的至少一个第四样本数据中每个第四样本数据的至少一个第二数据进行随机掩码处理。
由此,通过对样本数据中的至少一个第二数据进行随机掩码,从而提升模型的鲁棒性,使其能够在至少一个第二数据存在异常时,有更准确的场景编码表达。
在一些实施例中,可以预先确定一个预设掩码策略集,其中包括多个预设掩码策略(例如包括上述第一掩码策略和第二掩码策略),用于处理第一样本数据的至少一个掩码策略可以从预设掩码策略集中获得。
在一些实施例中,预设掩码策略集中可以包括第二掩码策略,第二掩码策略可以用于对多个第一样本数据中的至少一个第四样本数据中每个的至少一个第二数据进行随机掩码处理。
在一些实施例中,对于上述多个第一样本数据中的每个第一样本数据的至少一个第二数据中的每个第二数据,可以基于第二预设概率(例如50%)对该第二数据进行随机掩码处理或丢弃处理,从而实现上述的掩码处理。
在一些实施例中,至少一个第二数据数量为多个,预设掩码策略集还包括第三掩码策略,第三掩码策略用于对多个第一样本数据中的至少一个第五样本数据中每个第五样本数据的第三数据进行掩码处理,其中,第三数据为该第五样本数据对应的至少一个历史时刻中的最早历史时刻对应的第二数据。
由此,通过对样本数据中的最早历史时刻的第二数据进行随机掩码处理,从而使模型能够进一步平衡对最早历史时刻的第二数据以及第一数据的依赖程度,进一步提升模型的鲁棒性。
在一些实施例中,预设掩码策略集还可以包括上述第三掩码策略。
在一些实施例中,上述掩码策略可以为第三掩码策略,用于对多个第一样本数据中的至少一个第五样本数据中每个的第三数据进行掩码处理。其中,第三数据可以为该第一样本数据中的多个第二数据中的最早历史时刻对应的第二数据。
在一些实施例中,对于上述多个第一样本数据中的每个第一样本数据,可以基于第三预设概率(例如50%)对其第三数据进行随机掩码处理或丢弃处理,从而实现上述的掩码处理。
在一些实施例中,第一数据包括相应第一时刻对应的障碍物状态数据以及路网数据,至少一个第二数据中的每个第二数据包括相应历史时刻的障碍物状态数据以及路网数据。
由此,通过进一步引入障碍物状态数据以及路网数据,能够进一步提升模型编码表示的准确度;同时,通过对障碍物状态数据以及路网数据相应地进行掩码,进一步提升模型的鲁棒性。
在一些实施例中,每个第一数据和第二数据还可以分别包括相应时刻的障碍物状态数据和路网数据。
在一些实施例中,在进行掩码处理时,可以基于相应策略,同时对第一数据和/或第二数据中的车辆行驶状态数据、障碍物状态数据以及路网数据进行掩码处理。
在一些实施例中,在进行掩码处理时,可以基于相应策略,仅对第一数据和/或第二数据中的车辆行驶状态数据、障碍物状态数据以及路网数据中的一者或多者进行掩码处理。
在一些实施例中,在进行掩码处理时,可以基于相应策略,仅对第一数据和/或第二数据中的车辆行驶状态数据进行掩码处理。
由此,能够进一步通过多维度的掩码策略,综合提升模型鲁棒性,进一步提升模型处理异常数据的能力。
在一些实施例中,上述用于自动驾驶的场景编码模型训练方法还可以包括:将多个第一样本数据划分为多个样本批次;并且基于至少一个掩码策略,对多个第一样本数据进行处理,以获取多个第二样本数据可以包括:针对多个样本批次中的每个样本批次,基于预设概率在预设掩码策略集中随机选择至少一个掩码策略,对该样本批次中的样本数据进行处理,以获取经过处理的多个样本批次的样本数据,作为多个第二样本数据。
在一些实施例中,多个第一样本数据可以被划分为多个样本批次,并且可以对每个样本批次,基于预设概率在预设掩码策略集中随机选择至少一个掩码策略,以对该样本批次中的样本数据进行处理。
在一些实施例中,当预设掩码策略集中包括上述三个掩码策略时,针对每个样本批次,可以基于相等的概率(例如1/3)在上述三个掩码策略中随机选择其中一种,并基于所选的掩码策略处理该样本批次中的样本数据。
由此,将样本数据分为多个批次,对每个批次随机选择不同的掩码策略进行处理,以进行模型训练,从而使得模型能够通过多维度的掩码策略,综合提升模型鲁棒性,进一步提升模型处理异常数据的能力。
在一些实施例中,如图3所示,提供了一种用于自动驾驶的场景编码方法,包括:
步骤S301、获取当前时刻的第一数据以及当前时刻之前的至少一个历史时刻对应的至少一个第二数据,第一数据包括当前时刻的车辆行驶状态数据、障碍物状态数据和路网数据中的至少一者,至少一个第二数据中的每个第二数据包括相应历史时刻的车辆行驶状态数据、障碍物状态数据和路网数据中的至少一者;
步骤S302、将第一数据和至少一个第二数据输入场景编码模型中,以获得场景编码模型输出的当前时刻的行驶场景编码,其中,场景编码模型根据上述用于自动驾驶的场景编码模型训练方法训练获得。
在一些实施例中,可以同时将当前时刻的车辆行驶状态数据、障碍物状态数据以及路网数据以及当前时刻之前的至少一个历史时刻(例如当前时刻前的16个历史时刻)中每个历史时刻对应的车辆行驶状态数据、障碍物状态数据以及路网数据同时输入场景编码模型中,从而获得当前时刻该车辆所处行驶场景的行驶场景编码。
由此,通过应用上述模型训练方法,基于至少一种掩码策略,对多个第一样本数据中的一个或多个样本数据中的部分信息进行随机掩码(例如,对样本数据中的第一数据进行随机掩码处理),并基于处理后的样本数据进行模型训练,从而提升模型的鲁棒性,使其能够在接收到第一数据异常的噪声数据时,有更准确的场景编码表达;进而,应用该场景编码表达进行后续的路径规划和决策等操作,能够实现更加精准的规划和决策。
在一些实施例中,如图4所示,提供了一种用于自动驾驶的场景编码模型训练装置400,包括:
第一获取单元410,被配置为获取样本数据集,样本数据集包括对应于多个第一时刻的多个第一样本数据,每个第一样本数据包括该第一样本数据相应的第一时刻对应的第一数据以及相应第一时刻之前的至少一个历史时刻对应的至少一个第二数据,第一数据包括相应第一时刻的车辆行驶状态数据,至少一个第二数据中的每个第二数据包括相应历史时刻的车辆行驶状态数据;
处理单元420,被配置为基于至少一个掩码策略,对多个第一样本数据进行处理,以获取多个第二样本数据,至少一个掩码策略包括第一掩码策略,第一掩码策略用于对多个第一样本数据中的至少一个第三样本数据中每个第三样本数据的第一数据进行掩码处理;
输入单元430,被配置为将多个第二样本数据输入场景编码模型,以获取场景编码模型输出的分别对应于多个第二样本数据的多个行驶场景编码;以及
训练单元440,被配置为基于多个行驶场景编码训练场景编码模型。
其中,用于自动驾驶的场景编码模型训练装置400中的单元410-单元440的操作与上述用于自动驾驶的场景编码模型训练方法中的步骤S201-步骤S204的操作类似,在此不做赘述。
在一些实施例中,至少一个掩码策略从预设掩码策略集中获得,预设掩码策略集还包括第二掩码策略,第二掩码策略用于对多个第一样本数据中的至少一个第四样本数据中每个第四样本数据的至少一个第二数据进行随机掩码处理。
在一些实施例中,至少一个第二数据数量为多个,预设掩码策略集还包括第三掩码策略,第三掩码策略用于对多个第一样本数据中的至少一个第五样本数据中每个第五样本数据的第三数据进行掩码处理,其中,第三数据为该第五样本数据对应的至少一个历史时刻中的最早历史时刻对应的第二数据。
在一些实施例中,上述用于自动驾驶的场景编码模型训练装置还可以包括:第一划分单元,被配置为将多个第一样本数据划分为多个样本批次;并且第一处理单元可以被进一步配置为:针对多个样本批次中的每个样本批次,基于预设概率在预设掩码策略集中随机选择至少一个掩码策略,对该样本批次中的样本数据进行处理,以获取经过处理的多个样本批次的样本数据,作为多个第二样本数据。
在一些实施例中,上述用于自动驾驶的场景编码模型训练装置还可以包括:第二划分单元,被配置为将多个第一样本数据划分为至少一个样本对,至少一个样本对中每个样本对中的两个样本数据对应的车辆行驶场景的相似度符合大于预设值;并且,训练单元可以被进一步配置为:基于多个行驶场景编码中的至少一个场景编码对中的两个场景编码之间的距离,训练场景编码模型,其中,至少一个场景编码对与至少一个样本对对应。
在一些实施例中,第一数据包括相应第一时刻对应的障碍物状态数据以及路网数据,至少一个第二数据中的每个第二数据包括相应历史时刻的障碍物状态数据以及路网数据。
在一些实施例中,如图5所示,提供了一种用于自动驾驶的场景编码装置500,包括:
第二获取单元510,被配置为获取当前时刻的第一数据以及当前时刻之前的至少一个历史时刻对应的至少一个第二数据,第一数据包括当前时刻的车辆行驶状态数据、障碍物状态数据和路网数据中的至少一者,至少一个第二数据中的每个第二数据包括相应历史时刻的车辆行驶状态数据、障碍物状态数据和路网数据中的至少一者;
编码单元520,被配置为将第一数据和至少一个第二数据输入场景编码模型中,以获得场景编码模型输出的当前时刻的行驶场景编码,其中,场景编码模型根据上述用于自动驾驶的场景编码模型训练方法训练获得。
其中,用于自动驾驶的场景编码装置500中的单元510、单元520的操作与上述用于自动驾驶的场景方法中的步骤S301、步骤S302的操作类似,在此不做赘述。
根据本公开的实施例,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。
参考图6,现将描述可以作为本公开的服务器或客户端的电子设备600的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,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6所示,电子设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
电子设备600中的多个部件连接至I/O接口605,包括:输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向电子设备600输入信息的任何类型的设备,输入单元606可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元607可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元608可以包括但不限于磁盘、光盘。通信单元609允许电子设备600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,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元601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601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601执行上文所描述的各个方法和处理,例如上述用于自动驾驶的场景编码模型训练方法或上述用于自动驾驶的场景编码方法。例如,在一些实施例中,上述用于自动驾驶的场景编码模型训练方法或上述用于自动驾驶的场景编码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608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上述用于自动驾驶的场景编码模型训练方法或上述用于自动驾驶的场景编码方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上述用于自动驾驶的场景编码模型训练方法或上述用于自动驾驶的场景编码方法。
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、也可以顺序地或以不同的次序执行,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。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (17)
1.一种用于自动驾驶的场景编码模型训练方法,所述方法包括:
获取样本数据集,所述样本数据集包括对应于多个第一时刻的多个第一样本数据,每个第一样本数据包括该第一样本数据相应的第一时刻对应的第一数据以及相应第一时刻之前的至少一个历史时刻对应的至少一个第二数据,所述第一数据包括相应第一时刻的车辆行驶状态数据,所述至少一个第二数据中的每个第二数据包括相应历史时刻的车辆行驶状态数据;
基于至少一个掩码策略,对所述多个第一样本数据进行处理,以获取多个第二样本数据,所述至少一个掩码策略包括第一掩码策略,所述第一掩码策略用于对所述多个第一样本数据中的至少一个第三样本数据中每个第三样本数据的第一数据进行掩码处理;
将所述多个第二样本数据输入所述场景编码模型,以获取所述场景编码模型输出的分别对应于所述多个第二样本数据的多个行驶场景编码;以及
基于所述多个行驶场景编码训练所述场景编码模型。
2.根据权利要求1所述的方法,其中,所述至少一个掩码策略从预设掩码策略集中获得,所述预设掩码策略集还包括第二掩码策略,所述第二掩码策略用于对所述多个第一样本数据中的至少一个第四样本数据中每个第四样本数据的至少一个第二数据进行随机掩码处理。
3.根据权利要求2所述的方法,其中,所述至少一个第二数据数量为多个,所述预设掩码策略集还包括第三掩码策略,所述第三掩码策略用于对所述多个第一样本数据中的至少一个第五样本数据中每个第五样本数据的第三数据进行掩码处理,其中,所述第三数据为该第五样本数据对应的至少一个历史时刻中的最早历史时刻对应的第二数据。
4.根据权利要求3所述的方法,还包括:
将所述多个第一样本数据划分为多个样本批次;并且
所述基于至少一个掩码策略,对所述多个第一样本数据进行处理,以获取多个第二样本数据包括:
针对所述多个样本批次中的每个样本批次,基于预设概率在所述预设掩码策略集中随机选择至少一个掩码策略,对该样本批次中的样本数据进行处理,以获取经过处理的多个样本批次的样本数据,作为所述多个第二样本数据。
5.根据权利要求1至4中任一项所述的方法,还包括:
将所述多个第一样本数据划分为至少一个样本对,所述至少一个样本对中每个样本对中的两个样本数据对应的车辆行驶场景的相似度符合大于预设值;并且,
所述基于所述多个行驶场景编码训练所述场景编码模型包括:
基于所述多个行驶场景编码中的至少一个场景编码对中的两个场景编码之间的距离,训练所述场景编码模型,其中,所述至少一个场景编码对与所述至少一个样本对对应。
6.根据权利要求1至5中任一项所述的方法,其中,所述第一数据包括相应第一时刻对应的障碍物状态数据以及路网数据,所述至少一个第二数据中的每个第二数据包括相应历史时刻的障碍物状态数据以及路网数据。
7.一种用于自动驾驶的场景编码方法,所述方法包括:
获取当前时刻的第一数据以及所述当前时刻之前的至少一个历史时刻对应的至少一个第二数据,所述第一数据包括所述当前时刻的车辆行驶状态数据、障碍物状态数据和路网数据中的至少一者,所述至少一个第二数据中的每个第二数据包括相应历史时刻的车辆行驶状态数据、障碍物状态数据和路网数据中的至少一者;
将所述第一数据和所述至少一个第二数据输入场景编码模型中,以获得所述场景编码模型输出的所述当前时刻的行驶场景编码,其中,所述场景编码模型根据权利要求1-6中任一项所述的方法训练获得。
8.一种用于自动驾驶的场景编码模型训练装置,所述装置包括:
第一获取单元,被配置为获取样本数据集,所述样本数据集包括对应于多个第一时刻的多个第一样本数据,每个第一样本数据包括该第一样本数据相应的第一时刻对应的第一数据以及相应第一时刻之前的至少一个历史时刻对应的至少一个第二数据,所述第一数据包括相应第一时刻的车辆行驶状态数据,所述至少一个第二数据中的每个第二数据包括相应历史时刻的车辆行驶状态数据;
处理单元,被配置为基于至少一个掩码策略,对所述多个第一样本数据进行处理,以获取多个第二样本数据,所述至少一个掩码策略包括第一掩码策略,所述第一掩码策略用于对所述多个第一样本数据中的至少一个第三样本数据中每个第三样本数据的第一数据进行掩码处理;
输入单元,被配置为将所述多个第二样本数据输入所述场景编码模型,以获取所述场景编码模型输出的分别对应于所述多个第二样本数据的多个行驶场景编码;以及
训练单元,被配置为基于所述多个行驶场景编码训练所述场景编码模型。
9.根据权利要求8所述的装置,其中,所述至少一个掩码策略从预设掩码策略集中获得,所述预设掩码策略集还包括第二掩码策略,所述第二掩码策略用于对所述多个第一样本数据中的至少一个第四样本数据中每个第四样本数据的至少一个第二数据进行随机掩码处理。
10.根据权利要求9所述的装置,其中,所述至少一个第二数据数量为多个,所述预设掩码策略集还包括第三掩码策略,所述第三掩码策略用于对所述多个第一样本数据中的至少一个第五样本数据中每个第五样本数据的第三数据进行掩码处理,其中,所述第三数据为该第五样本数据对应的至少一个历史时刻中的最早历史时刻对应的第二数据。
11.根据权利要求10所述的装置,还包括:
第一划分单元,被配置为将所述多个第一样本数据划分为多个样本批次;并且
所述第一处理单元被进一步配置为:
针对所述多个样本批次中的每个样本批次,基于预设概率在所述预设掩码策略集中随机选择至少一个掩码策略,对该样本批次中的样本数据进行处理,以获取经过处理的多个样本批次的样本数据,作为所述多个第二样本数据。
12.根据权利要求8至11中任一项所述的装置,还包括:
第二划分单元,被配置为将所述多个第一样本数据划分为至少一个样本对,所述至少一个样本对中每个样本对中的两个样本数据对应的车辆行驶场景的相似度符合大于预设值;并且,
所述训练单元被进一步配置为:
基于所述多个行驶场景编码中的至少一个场景编码对中的两个场景编码之间的距离,训练所述场景编码模型,其中,所述至少一个场景编码对与所述至少一个样本对对应。
13.根据权利要求8至12中任一项所述的装置,其中,所述第一数据包括相应第一时刻对应的障碍物状态数据以及路网数据,所述至少一个第二数据中的每个第二数据包括相应历史时刻的障碍物状态数据以及路网数据。
14.一种用于自动驾驶的场景编码装置,所述装置包括:
第二获取单元,被配置为获取当前时刻的第一数据以及所述当前时刻之前的至少一个历史时刻对应的至少一个第二数据,所述第一数据包括所述当前时刻的车辆行驶状态数据、障碍物状态数据和路网数据中的至少一者,所述至少一个第二数据中的每个第二数据包括相应历史时刻的车辆行驶状态数据、障碍物状态数据和路网数据中的至少一者;
编码单元,被配置为将所述第一数据和所述至少一个第二数据输入场景编码模型中,以获得所述场景编码模型输出的所述当前时刻的行驶场景编码,其中,所述场景编码模型根据权利要求1-6中任一项所述的方法训练获得。
15.一种电子设备,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1-7中任一项所述的方法。
16.一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1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310316906.3A CN116469069A (zh) | 2023-03-24 | 2023-03-24 | 用于自动驾驶的场景编码模型训练方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310316906.3A CN116469069A (zh) | 2023-03-24 | 2023-03-24 | 用于自动驾驶的场景编码模型训练方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116469069A true CN116469069A (zh) | 2023-07-21 |
Family
ID=87174358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310316906.3A Pending CN116469069A (zh) | 2023-03-24 | 2023-03-24 | 用于自动驾驶的场景编码模型训练方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116469069A (zh) |
-
2023
- 2023-03-24 CN CN202310316906.3A patent/CN116469069A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113741485A (zh) | 车路协同自动驾驶的控制方法、装置、电子设备及车辆 | |
CN114179832B (zh) | 用于自动驾驶车辆的变道方法 | |
CN114758502B (zh) | 双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆 | |
CN114047760B (zh) | 路径规划方法、装置、电子设备及自动驾驶车辆 | |
CN115019060A (zh) | 目标识别方法、目标识别模型的训练方法及装置 | |
CN115082690B (zh) | 目标识别方法、目标识别模型训练方法及装置 | |
CN114394111B (zh) | 用于自动驾驶车辆的变道方法 | |
CN115675528A (zh) | 基于相似场景挖掘的自动驾驶方法和车辆 | |
CN113074955B (zh) | 控制数据采集的方法、装置、电子设备和介质 | |
CN116469069A (zh) | 用于自动驾驶的场景编码模型训练方法、装置及介质 | |
CN116311943B (zh) | 交叉路口的平均延误时间的估算方法及装置 | |
CN115019278B (zh) | 一种车道线拟合方法、装置、电子设备和介质 | |
CN114179834B (zh) | 车辆停靠方法、装置、电子设备、介质及自动驾驶车辆 | |
CN115583243B (zh) | 确定车道线信息的方法、车辆控制方法、装置和设备 | |
CN116311941B (zh) | 主要车流路径提取方法、装置、设备及介质 | |
CN114333405B (zh) | 用于辅助车辆停车的方法 | |
CN116363604A (zh) | 目标交通事件识别方法、装置、设备及介质 | |
CN115366920A (zh) | 用于自动驾驶车辆的决策方法及装置、设备和介质 | |
CN117707172A (zh) | 自动驾驶车辆的决策方法及装置、车辆、设备和介质 | |
CN116580367A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN117710939A (zh) | 信号灯检测方法、装置、系统及自动驾驶车辆 | |
CN116466685A (zh) | 针对自动驾驶感知算法的评测方法及装置、设备和介质 | |
CN115861953A (zh) | 场景编码模型的训练方法、轨迹规划方法及装置 | |
CN116414845A (zh) | 用于更新地图数据的方法、装置、电子设备和介质 | |
CN116882122A (zh) | 用于自动驾驶的仿真环境的构建的方法和装置 |
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 |