CN116819964A - 模型优化方法、模型优化装置、电子设备、车辆和介质 - Google Patents
模型优化方法、模型优化装置、电子设备、车辆和介质 Download PDFInfo
- Publication number
- CN116819964A CN116819964A CN202310735894.8A CN202310735894A CN116819964A CN 116819964 A CN116819964 A CN 116819964A CN 202310735894 A CN202310735894 A CN 202310735894A CN 116819964 A CN116819964 A CN 116819964A
- Authority
- CN
- China
- Prior art keywords
- vehicle control
- result
- control model
- reasoning
- vehicle
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000011156 evaluation Methods 0.000 claims abstract description 130
- 238000012805 post-processing Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开涉及一种模型优化方法、模型优化装置、电子设备、车辆和介质，所述方法包括：采集第一车辆数据；分别采用第一推理接口和第二推理接口对第一车辆数据进行推理得到第一推理结果和第二推理结果，第一推理结果是将第一车辆数据输入到车辆控制模型进行推理得到的，第二推理结果是将第一车辆数据输入到车辆控制模型进行推理，并对推理结果进行后处理得到的；将第一推理结果和第二推理结果分别与车辆控制辅助参数进行比较得到第一评测结果和第二评测结果；根据第一评测结果和第二评测结果确定车辆控制模型的优化对象为车辆控制模型或者车辆控制模型的后处理过程。该方法可以使得模型评价指标更能反映实际车辆性能，使得优化目标更加明确。
Description
技术领域
本公开涉及自动驾驶技术领域，尤其涉及一种模型优化方法、模型优化装置、电子设备、车辆和介质。
背景技术
在计算机深度学习技术领域，训练一个模型的时候，通常会将数据集划分为训练集和评测集，通过在训练集上训练模型，通过在评测集上比较训练好的不同模型在设置好的评价指标上的表现来判断模型的好坏，这是学术界通常使用的方式。
在自动驾驶技术领域的实际情况是，模型在训练好之后会经过模型的转换(如基于计算机编程语言python写的权重文件转为车端可用的文件)，计算机编程语言的转换不仅是形式上的转换，也包含用不同编程语言实现深度学习中的经常用到的卷积算子，这样一顿操作会给模型的精度带来一定的影响，因此，基于前面所说的模型评测，不能最直接的反映交付给下游模型的表现，并且，很多任务在模型权重之外，会有一定的后处理工作，我们在实际发现问的时候不一定能确认是模型问题还是后处理问题。
发明内容
为克服相关技术中存在的问题，本公开提供一种模型优化方法、模型优化装置、电子设备、车辆和介质。
根据本公开实施例的第一方面，提供一种模型优化方法，所述方法包括以下步骤：
采集第一车辆数据；
分别采用第一推理接口和第二推理接口对所述第一车辆数据进行推理，得到第一推理结果和第二推理结果；其中，所述第一推理结果是将所述第一车辆数据输入到车辆控制模型进行推理得到的，所述第二推理结果是将所述第一车辆数据输入到所述车辆控制模型进行推理，并对所述推理结果进行后处理得到的；
将所述第一推理结果和所述第二推理结果分别与车辆控制辅助参数进行比较，得到第一评测结果和第二评测结果；
根据所述第一评测结果和所述第二评测结果，确定所述车辆控制模型的优化对象；其中，所述优化对象为所述车辆控制模型或者所述车辆控制模型的后处理过程。
在本公开的一个实施例之中，所述方法还包括：
采集第二车辆数据；
采用所述第二车辆数据对原始车辆控制模型进行训练；
将训练后的所述原始车辆控制模型转换成所述车辆控制模型，以在车辆中应用所述车辆控制模型。
在本公开的一个实施例之中，所述车辆控制辅助参数是基于所述训练后的原始车辆控制模型得到的。
在本公开的一个实施例之中，所述根据所述第一评测结果和所述第二评测结果，确定所述车辆控制模型的优化对象，包括：
将所述第一评测结果与所述第二评测结果进行比较；
根据所述第一评测结果与所述第二评测结果之间的差异，确定所述车辆控制模型的优化对象。
在本公开的一个实施例之中，所述根据所述第一评测结果与所述第二评测结果之间的差异，确定所述车辆控制模型的优化对象，包括：
响应于所述第一评测结果的准确率优于所述第二评测结果的准确率，且所述第一评测结果的准确率与所述第二评测结果的准确率的差值大于或等于第一阈值，确定所述车辆控制模型的优化对象为所述车辆控制模型的后处理过程；
响应于所述第一评测结果与所述第二评测结果的准确率的差值小于所述第一阈值，确定所述车辆控制模型的优化对象为所述车辆控制模型。
在本公开的一个实施例之中，所述车辆控制模型的后处理过程包括以下至少一种：
对所述车辆控制模型的输出结果进行过滤筛选；
对所述车辆控制模型的输出结果进行格式转换；
对所述车辆控制模型的输出结果进行校准。
根据本公开实施例的第二方面，提供一种模型优化装置，所述装置包括：
第一采集模块，用于采集第一车辆数据；
推理模块，用于分别采用第一推理接口和第二推理接口对所述第一车辆数据进行推理，得到第一推理结果和第二推理结果；其中，所述第一推理结果是将所述第一车辆数据输入到车辆控制模型进行推理得到的，所述第二推理结果是将所述第一车辆数据输入到所述车辆控制模型进行推理，并对所述推理结果进行后处理得到的；
评测模块，用于将所述第一推理结果和所述第二推理结果分别与车辆控制辅助参数进行比较，得到第一评测结果和第二评测结果；
优化模块，用于根据所述第一评测结果和所述第二评测结果，确定所述车辆控制模型的优化对象；其中，所述优化对象为所述车辆控制模型或者所述车辆控制模型的后处理过程。
在本公开的一个实施例之中，所述装置还包括：
第二采集模块，用于采集第二车辆数据；
训练模块，用于采用所述第二车辆数据对原始车辆控制模型进行训练；
转换模块，用于将训练后的所述原始车辆控制模型转换成所述车辆控制模型，以在车辆中应用所述车辆控制模型。
在本公开的一个实施例之中，所述车辆控制辅助参数是基于所述训练后的原始车辆控制模型得到的。
在本公开的一个实施例之中，所述优化模块具体用于：
将所述第一评测结果与所述第二评测结果进行比较；
根据所述第一评测结果与所述第二评测结果之间的差异，确定所述车辆控制模型的优化对象。
在本公开的一个实施例之中，所述优化模块具体用于：
响应于所述第一评测结果的准确率优于所述第二评测结果的准确率，且所述第一评测结果的准确率与所述第二评测结果的准确率的差值大于或等于第一阈值，确定所述车辆控制模型的优化对象为所述车辆控制模型的后处理过程；
响应于所述第一评测结果与所述第二评测结果的准确率的差值小于所述第一阈值，确定所述车辆控制模型的优化对象为所述车辆控制模型。
在本公开的一个实施例之中，所述车辆控制模型的后处理过程包括以下至少一种：
对所述车辆控制模型的输出结果进行过滤筛选；
对所述车辆控制模型的输出结果进行格式转换；
对所述车辆控制模型的输出结果进行校准。
根据本公开实施例的第三方面，提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用并执行所述存储器存储的可执行指令，以实现第一方面实施例所提供的模型优化方法。
根据本公开实施例的第四方面，提供了一种车辆，所述车辆包括上述的电子设备。
根据本公开实施例的第五方面，提供一种计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行第一方面实施例所提供的模型优化方法。
根据本公开实施例的第六方面，提供一种计算机程序产品，当计算机程序产品中的指令处理器执行时，执行第一方面实施例所提供的模型优化方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
通过本公开的实施例，在采集到第一车辆数据之后，分别采用第一推理接口和第二推理接口对第一车辆数据进行推理，得到第一推理结果和第二推理结果，其中，第一推理结果是将第一车辆数据输入到车辆控制模型进行推理得到的，第二推理结果是将第一车辆数据输入到车辆控制模型进行推理，并对推理结果进行后处理得到的；然后将第一推理结果和第二推理结果分别与车辆控制辅助参数进行比较，得到第一评测结果和第二评测结果；最后根据第一评测结果和第二评测结果，确定车辆控制模型的优化对象为车辆控制模型或者车辆控制模型的后处理过程。由此，本公开的模型优化方法是提出以落地为目的的模型优化方案，使得模型的评价指标更能反映实际车辆性能，以及将后处理前后的评测结果进行对标评测，使得算法的优化目标更加明确，提升了迭代效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据本公开实施例的模型优化方法的流程图；
图2是根据本公开一个实施例的模型优化方法的流程图；
图3是根据本公开实施例的模型优化装置的方框示意图；
图4是根据一示例性实施例示出的一种车辆的框图。
具体实施方式
这里将详细地对本公开一些实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。本文所描述的方法、装置和/或系统的各种改变、变型及等同物将在理解本公开之后变得显而易见。例如，本文所描述的操作的顺序仅仅为示例，且并非受限于本文中所阐述的那些顺序，而是除了必须以特定顺序进行的操作之外，如在理解本公开之后变得显而易见的那样可进行改变。另外，为提升清楚性和简洁性，对本领域中已知的特征的描述可被省略。
以下本公开的一些实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
下面参考附图描述本公开实施例的模型优化方法、模型优化装置、电子设备、车辆和介质。
图1是根据本公开实施例的模型优化方法的流程图。
需要说明的是，本公开实施例的模型优化方法的执行主体为模型优化装置，该模型优化装置可被配置于电子设备中，以使该电子设备可以执行模型优化的功能。其中，该电子设备可以设置在车辆中。
如图1所示，本公开实施例的模型优化方法，包括以下步骤：
S101，采集第一车辆数据。
其中，车辆数据可以为车辆的图像数据、语音数据等。例如，可以通过车载摄像头采集车辆的图像数据；通过车载录音设备采集语音数据。
在该实施例中，第一车辆数据为评测数据。
S102，分别采用第一推理接口和第二推理接口对第一车辆数据进行推理，得到第一推理结果和第二推理结果；其中，第一推理结果是将第一车辆数据输入到车辆控制模型进行推理得到的，第二推理结果是将第一车辆数据输入到车辆控制模型进行推理，并对推理结果进行后处理得到的。
需要说明的是，在本公开实施例中，需要在车端设置两个推理接口，分别为第一推理接口和第二推理接口；其中，第一推理接口是基于车辆控制模型的推理接口，第二推理接口是基于车辆控制模型+后处理的接口。
在执行步骤S102之前，需要先得到车辆控制模型。作为一种获取车辆控制模块的可实现过程，包括：采集第二车辆数据，之后采用第二车辆数据对原始车辆控制模型进行训练，以得到训练后的原始车辆控制模型，最后将训练后的原始车辆控制模块转换成车辆控制模型，由此便可得到车辆控制模型。其中，该实施例中的第二车辆数据为训练数据。
在通过步骤S101采集得到第一车辆数据之后，将第一车辆数据输入到第一推理接口，以采用第一推理接口在车端应用车辆控制模型以对第一车辆数据进行推理，即可得到第一推理结果；同时，将第一车辆数据输入到第二推理接口，以采用第二推理接口在车端应用车辆控制模型进行推理后，并对推理后得到的结果进行后处理，即可得到第二推理结果。
S103，将第一推理结果和第二推理结果分别与车辆控制辅助参数进行比较，得到第一评测结果和第二评测结果。
在执行步骤S103之前，需要先得到车辆控制辅助参数。作为一种车辆控制辅助参数的获取方式是，基于训练后的原始车辆控制模型得到车辆控制辅助参数，即真值。
在通过步骤S102得到第一推理结果和第二推理结果之后，将第一推理结果与车辆控制辅助参数进行比较，以得到第一评测结果；同时，将第二推理结果与车辆控制辅助参数进行比较，以得到第二评测结果。
S104，根据第一评测结果和第二评测结果，确定车辆控制模型的优化对象；其中，优化对象为车辆控制模型或者车辆控制模型的后处理过程。
在步骤S104中，在通过步骤S103得到第一评测结果和第二评测结果之后，将第一评测结果与第二评测结果进行比较，根据第一评测结果与第二评测结果之间的差异，确定车辆控制模型的优化对象。
其中，在第一评测结果的准确率优于第二评测结果的准确率，且第一评测结果的准确率与第二评测结果的准确率的差值大于或等于第一阈值(该实施例中的第一阈值可以根据实际需要进行设置，具体这里不进行限定)时，确定车辆控制模型的优化对象为车辆控制模型的后处理过程，此时可以向后处理工程师发送需要对车辆控制模型的后处理进行优化处理的第一提示信息。后处理工程师在看到第一提示信息后，通过在车辆控制模型的后处理中通过添加优化处理如对车辆控制模型的输出结果进行过滤筛选、对车辆控制模型的输出结果进行格式转换、对车辆控制模型的输出结果进行校准中的至少一种，以实现对车辆控制模型的后处理的优化。
在第一评测结果的准确率与第二评测结果的准确率的差值小于第一阈值时，确定车辆控制模型的优化对象为车辆控制模型，此时向模型工程师发送需要对车辆控制模型进行优化处理的第二提示信息。模型工程师在看到第二提示信息后，对车辆控制模型进行优化。
由此，本公开的模型优化方法是提出以落地为目的的模型优化方案，使得模型的评价指标更能反映实际车辆性能，以及将后处理前后的评测结果进行对标评测，使得算法的优化目标更加明确，提升了迭代效率。
为使本领域技术人员更清楚地了解本公开的模型优化方法，下面结合图2对本公开的模型优化方法进行说明，如图2所示，所述方法包括以下步骤：
S201，模型训练。具体是采用第二车辆数据(即训练数据)对原始车辆控制模型进行训练。
S202，模型转换。具体是对训练后的原始车辆控制模型进行转换。
S203，转换成车辆控制模型。其中，所述车辆控制模型是可以直接在车辆中应用的模型。
S204，选择第一推理接口。
S205，采用评测数据在车端进行推理。
S206，得到第一推理结果。
S207，如果需要进行车辆控制模块推理后再后处理。
S208，选择第二推理接口。
S209，采用评测数据在车端进行推理。
S210，得到第二推理结果。
S211，将第一推理结果与真值进行比较，得到第一评测结果。
S212，将第二推理结果与真值进行比较，得到第二评测结果。
S213，确定优化对象。
综上所述，根据本公开实施例的模型优化方法，先采集第一车辆数据，然后分别采用第一推理接口和第二推理接口对第一车辆数据进行推理，得到第一推理结果和第二推理结果，其中，第一推理结果是将第一车辆数据输入到车辆控制模型进行推理得到的，第二推理结果是将第一车辆数据输入到车辆控制模型进行推理，并对推理结果进行后处理得到的，最后将第一推理结果和第二推理结果分别与车辆控制辅助参数进行比较，得到第一评测结果和第二评测结果，并根据第一评测结果和第二评测结果，确定车辆控制模型的优化对象为车辆控制模型或者车辆控制模型的后处理过程。由此，本公开的模型优化方法是提出以落地为目的的模型优化方案，使得模型的评价指标更能反映实际车辆性能；将后处理前后的评测结果进行对标评测，使得算法的优化目标更加明确，提升了迭代效率。
图3是根据本公开实施例的模型优化装置的方框示意图。
如图3所示，本公开实施例的模型优化装置300，包括：第一采集模块310、推理模块320、评测模块330和优化模块340。
其中，第一采集模块310用于采集第一车辆数据。推理模块320用于分别采用第一推理接口和第二推理接口对第一车辆数据进行推理，得到第一推理结果和第二推理结果；其中，第一推理结果是将第一车辆数据输入到车辆控制模型进行推理得到的，第二推理结果是将第一车辆数据输入到车辆控制模型进行推理，并对推理结果进行后处理得到的。评测模块330用于将第一推理结果和第二推理结果分别与车辆控制辅助参数进行比较，得到第一评测结果和第二评测结果。优化模块340用于根据第一评测结果和第二评测结果，确定车辆控制模型的优化对象；其中，优化对象为车辆控制模型或者车辆控制模型的后处理过程。
在本公开的一个实施例之中，上述装置还包括：
第二采集模块，用于采集第二车辆数据；
训练模块，用于采用第二车辆数据对原始车辆控制模型进行训练；
转换模块，用于将训练后的原始车辆控制模型转换成车辆控制模型，以在车辆中应用车辆控制模型。
在本公开的一个实施例之中，车辆控制辅助参数是基于训练后的原始车辆控制模型得到的。
在本公开的一个实施例之中，优化模块340具体用于：
将第一评测结果与第二评测结果进行比较；
根据第一评测结果与第二评测结果之间的差异，确定车辆控制模型的优化对象。
在本公开的一个实施例之中，优化模块340具体用于：
响应于第一评测结果的准确率优于第二评测结果的准确率，且第一评测结果的准确率与第二评测结果的准确率的差值大于或等于第一阈值，确定车辆控制模型的优化对象为车辆控制模型的后处理过程；
响应于第一评测结果与第二评测结果的准确率的差值小于第一阈值，确定车辆控制模型的优化对象为车辆控制模型。
在本公开的一个实施例之中，车辆控制模型的后处理过程包括以下至少一种：
对车辆控制模型的输出结果进行过滤筛选；
对车辆控制模型的输出结果进行格式转换；
对车辆控制模型的输出结果进行校准。
需要说明的是，本公开实施例的模型优化装置中未披露的细节，请参考本公开实施例的模型优化方法中所披露的细节，具体这里不再赘述。
根据本公开实施例的模型优化装置，通过第一采集模块采集第一车辆数据，通过推理模块分别采用第一推理接口和第二推理接口对第一车辆数据进行推理，得到第一推理结果和第二推理结果，第一推理结果是将第一车辆数据输入到车辆控制模型进行推理得到的，第二推理结果是将第一车辆数据输入到车辆控制模型进行推理，并对推理结果进行后处理得到的，通过评测模块将第一推理结果和第二推理结果分别与车辆控制辅助参数进行比较，得到第一评测结果和第二评测结果，通过优化模块根据第一评测结果和第二评测结果，确定车辆控制模型的优化对象为车辆控制模型或者车辆控制模型的后处理过程。由此，该装置使得模型的评价指标更能反映实际车辆性能，以及优化目标更加明确，提升了迭代效率。
基于上述实施例，本公开还提出了一种电子设备。
本公开实施例的电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用并执行存储器存储的可执行指令，以实现上述的模型优化方法。
本公开实施例的电子设备，通过使用上述的模型优化方法，能够使得模型的评价指标更能反映实际车辆性能，以及优化目标更加明确，提升了迭代效率。
基于上述实施例，本公开还提出了一种车辆。
本发公开实施例的车辆，包括上述的电子设备。
图4是根据一示例性实施例示出的一种车辆的框图。例如，车辆400可以是混合动力车辆，也可以是非混合动力车辆、电动车辆、燃料电池车辆或者其他类型的车辆。车辆400可以是自动驾驶车辆、半自动驾驶车辆或者非自动驾驶车辆。
参照图4，车辆400可包括各种子系统，例如，信息娱乐系统410、感知系统420、决策控制系统430、驱动系统440以及计算平台450。其中，车辆400还可以包括更多或更少的子系统，并且每个子系统都可包括多个部件。另外，车辆400的每个子系统之间和每个部件之间可以通过有线或者无线的方式实现互连。
在一些实施例中，信息娱乐系统410可以包括通信系统，娱乐系统以及导航系统等。
感知系统420可以包括若干种传感器，用于感测车辆400周边的环境的信息。例如，感知系统420可包括全球定位系统(全球定位系统可以是GPS系统，也可以是北斗系统或者其他定位系统)、惯性测量单元(inertial measurement unit，IMU)、激光雷达、毫米波雷达、超声雷达以及摄像装置。
决策控制系统430可以包括计算系统、整车控制器、转向系统、油门以及制动系统。
驱动系统440可以包括为车辆400提供动力运动的组件。在一个实施例中，驱动系统440可以包括引擎、能量源、传动系统和车轮。引擎可以是内燃机、电动机、空气压缩引擎中的一种或者多种的组合。引擎能够将能量源提供的能量转换成机械能量。
车辆400的部分或所有功能受计算平台450控制。计算平台450可包括至少一个处理器451和存储器452，处理器451可以执行存储在存储器452中的指令453。
处理器451可以是任何常规的处理器，诸如商业可获得的CPU。处理器还可以包括诸如图像处理器(Graphic Process Unit，GPU)，现场可编程门阵列(Field ProgrammableGate Array，FPGA)、片上系统(System on Chip，SOC)、专用集成芯片(ApplicationSpecific Integrated Circuit，ASIC)或它们的组合。
存储器452可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
除了指令453以外，存储器452还可存储数据，例如道路地图，路线信息，车辆的位置、方向、速度等数据。存储器452存储的数据可以被计算平台450使用。
在本公开实施例中，处理器451可以执行指令453，以完成上述的模型优化方法的全部或部分步骤。
基于上述实施例，本公开还提出了一种计算机可读存储介质。
在本公开的实施例中，计算机可读存储介质上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的模型优化方法的步骤。
本公开实施例的计算机可读存储介质，通过执行上述的模型优化方法，使得模型的评价指标更能反映实际车辆性能，以及优化目标更加明确，提升了迭代效率。
基于上述实施例，本公开还提出了一种计算机程序产品。
在本公开的实施例中，当本公开实施例的计算机程序产品中的指令处理器执行时，执行本公开提供的模型优化方法的步骤。
本公开实施例的计算机程序产品，通过执行上述的模型优化方法，使得模型的评价指标更能反映实际车辆性能，以及优化目标更加明确，提升了迭代效率。
本公开的实施例提供的技术方案可以包括以下有益效果：
通过本公开的实施例，在采集到第一车辆数据之后，分别采用第一推理接口和第二推理接口对第一车辆数据进行推理，得到第一推理结果和第二推理结果，其中，第一推理结果是将第一车辆数据输入到车辆控制模型进行推理得到的，第二推理结果是将第一车辆数据输入到车辆控制模型进行推理，并对推理结果进行后处理得到的；然后将第一推理结果和第二推理结果分别与车辆控制辅助参数进行比较，得到第一评测结果和第二评测结果；最后根据第一评测结果和第二评测结果，确定车辆控制模型的优化对象为车辆控制模型或者车辆控制模型的后处理过程。由此，本公开的模型优化方法是提出以落地为目的的模型优化方案，使得模型的评价指标更能反映实际车辆性能，以及将后处理前后的评测结果进行对标评测，使得算法的优化目标更加明确，提升了迭代效率。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
另外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本公开各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种模型优化方法，其特征在于，所述方法包括以下步骤：
采集第一车辆数据；
分别采用第一推理接口和第二推理接口对所述第一车辆数据进行推理，得到第一推理结果和第二推理结果；其中，所述第一推理结果是将所述第一车辆数据输入到车辆控制模型进行推理得到的，所述第二推理结果是将所述第一车辆数据输入到所述车辆控制模型进行推理，并对所述推理结果进行后处理得到的；
将所述第一推理结果和所述第二推理结果分别与车辆控制辅助参数进行比较，得到第一评测结果和第二评测结果；
根据所述第一评测结果和所述第二评测结果，确定所述车辆控制模型的优化对象；其中，所述优化对象为所述车辆控制模型或者所述车辆控制模型的后处理过程。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
采集第二车辆数据；
采用所述第二车辆数据对原始车辆控制模型进行训练；
将训练后的所述原始车辆控制模型转换成所述车辆控制模型，以在车辆中应用所述车辆控制模型。
3.根据权利要求2所述的方法，其特征在于，所述车辆控制辅助参数是基于所述训练后的原始车辆控制模型得到的。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述第一评测结果和所述第二评测结果，确定所述车辆控制模型的优化对象，包括：
将所述第一评测结果与所述第二评测结果进行比较；
根据所述第一评测结果与所述第二评测结果之间的差异，确定所述车辆控制模型的优化对象。
5.根据权利要求4所述的方法，其特征在于，所述根据所述第一评测结果与所述第二评测结果之间的差异，确定所述车辆控制模型的优化对象，包括：
响应于所述第一评测结果的准确率优于所述第二评测结果的准确率，且所述第一评测结果的准确率与所述第二评测结果的准确率的差值大于或等于第一阈值，确定所述车辆控制模型的优化对象为所述车辆控制模型的后处理过程；
响应于所述第一评测结果与所述第二评测结果的准确率的差值小于所述第一阈值，确定所述车辆控制模型的优化对象为所述车辆控制模型。
6.根据权利要求5所述的方法，其特征在于，所述车辆控制模型的后处理过程包括以下至少一种：
对所述车辆控制模型的输出结果进行过滤筛选；
对所述车辆控制模型的输出结果进行格式转换；
对所述车辆控制模型的输出结果进行校准。
7.一种模型优化装置，其特征在于，包括：
第一采集模块，用于采集第一车辆数据；
推理模块，用于分别采用第一推理接口和第二推理接口对所述第一车辆数据进行推理，得到第一推理结果和第二推理结果；其中，所述第一推理结果是将所述第一车辆数据输入到车辆控制模型进行推理得到的，所述第二推理结果是将所述第一车辆数据输入到所述车辆控制模型进行推理，并对所述推理结果进行后处理得到的；
评测模块，用于将所述第一推理结果和所述第二推理结果分别与车辆控制辅助参数进行比较，得到第一评测结果和第二评测结果；
优化模块，用于根据所述第一评测结果和所述第二评测结果，确定所述车辆控制模型的优化对象；其中，所述优化对象为所述车辆控制模型或者所述车辆控制模型的后处理过程。
8.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器的可执行指令的存储器；
其中，所述处理器被配置为调用并执行所述存储器存储的可执行指令，以实现如权利要求1-6中任一项所述的模型优化方法。
9.一种车辆，其特征在于，包括：如权利要求8所述的电子设备。
10.一种计算机可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1-6中任一项所述的模型优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310735894.8A CN116819964B (zh) | 2023-06-20 | 2023-06-20 | 模型优化方法、模型优化装置、电子设备、车辆和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310735894.8A CN116819964B (zh) | 2023-06-20 | 2023-06-20 | 模型优化方法、模型优化装置、电子设备、车辆和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116819964A true CN116819964A (zh) | 2023-09-29 |
| CN116819964B CN116819964B (zh) | 2024-02-06 |
Family
ID=88140386
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310735894.8A Active CN116819964B (zh) | 2023-06-20 | 2023-06-20 | 模型优化方法、模型优化装置、电子设备、车辆和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116819964B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0446066A2 (en) * | 1990-03-09 | 1991-09-11 | Hitachi, Ltd. | Method of and system for evaluating and modifying knowledge |
| CN112215357A (zh) * | 2020-09-29 | 2021-01-12 | 三一专用汽车有限责任公司 | 模型优化方法、装置、设备和计算机可读存储介质 |
| CN113128686A (zh) * | 2020-01-16 | 2021-07-16 | 华为技术有限公司 | 模型训练方法及装置 |
| CN113989239A (zh) * | 2021-10-28 | 2022-01-28 | 山东新一代信息产业技术研究院有限公司 | 基于c/s架构的烟火检测系统及烟火检测方法、设备、介质 |
| WO2022042113A1 (zh) * | 2020-08-28 | 2022-03-03 | Oppo广东移动通信有限公司 | 数据处理方法、装置、电子设备及存储介质 |
| WO2022105579A1 (zh) * | 2020-11-19 | 2022-05-27 | 腾讯科技（深圳）有限公司 | 一种基于自动驾驶的控制方法、装置、车辆以及相关设备 |
| CN114648116A (zh) * | 2022-03-29 | 2022-06-21 | 小米汽车科技有限公司 | 模型量化方法、装置、车辆及存储介质 |
| CN114999527A (zh) * | 2022-05-27 | 2022-09-02 | 深圳亿嘉和科技研发有限公司 | 一种变压器异常检测模型训练和部署方法及装置 |
| CN115374944A (zh) * | 2022-10-26 | 2022-11-22 | 小米汽车科技有限公司 | 模型推理方法、装置、电子设备和存储介质 |
| WO2023024578A1 (zh) * | 2021-08-25 | 2023-03-02 | 华为云计算技术有限公司 | 一种配置决策装置的方法、装置及相关设备 |
| CN115951587A (zh) * | 2023-03-10 | 2023-04-11 | 苏州浪潮智能科技有限公司 | 自动驾驶控制方法、装置、设备、介质及自动驾驶车辆 |
| CN115984274A (zh) * | 2023-03-20 | 2023-04-18 | 菲特（天津）检测技术有限公司 | 一种车辆外观检测模型、构建方法及检测方法 |
| CN116027673A (zh) * | 2023-03-29 | 2023-04-28 | 中国电子科技集团公司第二十九研究所 | 一种基于模糊神经网络的装备控制自主决策方法 |
-
2023
- 2023-06-20 CN CN202310735894.8A patent/CN116819964B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0446066A2 (en) * | 1990-03-09 | 1991-09-11 | Hitachi, Ltd. | Method of and system for evaluating and modifying knowledge |
| CN113128686A (zh) * | 2020-01-16 | 2021-07-16 | 华为技术有限公司 | 模型训练方法及装置 |
| WO2022042113A1 (zh) * | 2020-08-28 | 2022-03-03 | Oppo广东移动通信有限公司 | 数据处理方法、装置、电子设备及存储介质 |
| CN112215357A (zh) * | 2020-09-29 | 2021-01-12 | 三一专用汽车有限责任公司 | 模型优化方法、装置、设备和计算机可读存储介质 |
| WO2022105579A1 (zh) * | 2020-11-19 | 2022-05-27 | 腾讯科技（深圳）有限公司 | 一种基于自动驾驶的控制方法、装置、车辆以及相关设备 |
| WO2023024578A1 (zh) * | 2021-08-25 | 2023-03-02 | 华为云计算技术有限公司 | 一种配置决策装置的方法、装置及相关设备 |
| CN113989239A (zh) * | 2021-10-28 | 2022-01-28 | 山东新一代信息产业技术研究院有限公司 | 基于c/s架构的烟火检测系统及烟火检测方法、设备、介质 |
| CN114648116A (zh) * | 2022-03-29 | 2022-06-21 | 小米汽车科技有限公司 | 模型量化方法、装置、车辆及存储介质 |
| CN114999527A (zh) * | 2022-05-27 | 2022-09-02 | 深圳亿嘉和科技研发有限公司 | 一种变压器异常检测模型训练和部署方法及装置 |
| CN115374944A (zh) * | 2022-10-26 | 2022-11-22 | 小米汽车科技有限公司 | 模型推理方法、装置、电子设备和存储介质 |
| CN115951587A (zh) * | 2023-03-10 | 2023-04-11 | 苏州浪潮智能科技有限公司 | 自动驾驶控制方法、装置、设备、介质及自动驾驶车辆 |
| CN115984274A (zh) * | 2023-03-20 | 2023-04-18 | 菲特（天津）检测技术有限公司 | 一种车辆外观检测模型、构建方法及检测方法 |
| CN116027673A (zh) * | 2023-03-29 | 2023-04-28 | 中国电子科技集团公司第二十九研究所 | 一种基于模糊神经网络的装备控制自主决策方法 |
Non-Patent Citations (3)
| Title |
|---|
| NING ZHANG等: "A lightweight object detection algorithm based on YOLOv3 for vehicle and pedestrian detection", 2021 IEEE ASIA-PACIFIC CONFERENCE ON IMAGE PROCESSING, ELECTRONICS AND COMPUTERS (IPEC), pages 742 - 745 * |
| 柳广照等: "越野车激光雷达障碍物检测系统研究", 信息记录材料, vol. 23, no. 06, pages 206 - 209 * |
| 高建东: "基于YOLOv3模型压缩的车辆和行人检测算法研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, no. 02, pages 035 - 406 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116819964B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210124344A1 (en) | Perception System Diagnosis Using Predicted Sensor Data And Perception Results | |
| CN111413958B (zh) | 用于确定自动驾驶中的驾驶路径的系统和方法 | |
| CN115878494B (zh) | 自动驾驶软件系统的测试方法、装置、车辆及存储介质 | |
| CN116626670B (zh) | 自动驾驶模型的生成方法、装置、车辆及存储介质 | |
| CN116091894A (zh) | 模型训练方法、车辆控制方法、装置、设备、车辆及介质 | |
| CN113298250A (zh) | 用于定位和对象检测的神经网络 | |
| US20230153623A1 (en) | Adaptively pruning neural network systems | |
| US10891951B2 (en) | Vehicle language processing | |
| CN116819964B (zh) | 模型优化方法、模型优化装置、电子设备、车辆和介质 | |
| CN115657647B (zh) | 故障确定方法、装置、车辆及存储介质 | |
| CN115223015A (zh) | 模型训练方法、图像处理方法、装置和车辆 | |
| CN115098821A (zh) | 轨迹参考曲率确定方法、装置、设备、介质及程序 | |
| EP3947089B1 (en) | An on-board control system for operating a vehicle | |
| CN117128976B (zh) | 道路中心线的获取方法、装置、车辆和存储介质 | |
| CN115900771B (zh) | 信息确定的方法、装置、车辆及存储介质 | |
| CN116070780B (zh) | 轨迹预测算法的评价方法、装置、介质及车辆 | |
| CN116781449B (zh) | 网络的配置方法、装置、车辆及存储介质 | |
| CN116659529B (zh) | 数据检测方法、装置、车辆及存储介质 | |
| CN116108041B (zh) | 车辆测试数据的确定方法、装置、车辆和存储介质 | |
| CN116499488B (zh) | 目标融合方法、装置、车辆及存储介质 | |
| CN115891942B (zh) | 车辆制动方法、装置、车辆、存储介质及芯片 | |
| CN117087669B (zh) | 车辆速度跟踪控制方法、装置、车辆及存储介质 | |
| CN115123252B (zh) | 车辆控制方法、装置、车辆及存储介质 | |
| CN117152700A (zh) | 数据处理方法、装置、车辆和存储介质 | |
| CN116385825A (zh) | 模型联合训练方法、装置及车辆 |
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 |