CN116954209A - 一种模型训练方法、装置、存储介质及电子设备 - Google Patents
一种模型训练方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116954209A CN116954209A CN202210410175.4A CN202210410175A CN116954209A CN 116954209 A CN116954209 A CN 116954209A CN 202210410175 A CN202210410175 A CN 202210410175A CN 116954209 A CN116954209 A CN 116954209A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- track
- target equipment
- target
- network
- 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 76
- 238000012549 training Methods 0.000 title claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims description 48
- 238000004590 computer program Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 230000004888 barrier function Effects 0.000 abstract 9
- 230000000875 corresponding effect Effects 0.000 description 40
- 230000006870 function Effects 0.000 description 34
- 238000010586 diagram Methods 0.000 description 16
- 230000001276 controlling effect Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008450 motivation Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本说明书公开了一种模型训练方法、装置、存储介质及电子设备。本说明书提供的模型训练方法中,将障碍物以不同的障碍物类型进行区分,包括指定类型的障碍物以及非指定类型的障碍物,然后,根据满足风险条件的障碍物的障碍物类型来确定以策略网络输出的轨迹控制目标设备行驶所对应的奖励值,当满足风险条件的障碍物的障碍物类型不同时,所确定出的奖励值也不同,进而,在以奖励值最大为目标更新策略网络中的参数时,更新后的策略网络会倾向于输出的轨迹会指导目标设备优先避让对目标设备的行驶影响较高的障碍物。
Description
技术领域
本说明书涉及自动驾驶技术领域,尤其涉及一种模型训练方法、装置、存储介质及电子设备。
背景技术
随着科技的发展,自动驾驶技术逐渐普及。
自动驾驶设备的行驶依赖于搭载在其自身的自动驾驶系统,为了保证行驶安全,自动驾驶设备在行驶的过程中需要以避让周围的障碍物为目的实现对自身的控制。例如,在纵向上作出超过障碍物的先行决策,或指示自动驾驶设备在障碍物之后行驶的让行决策,等等。
但是,在实际的行车过程中,若以所感知到的所有障碍物都不加区分地进行避让,往往会由于避让对自动驾驶设备行驶影响较小的障碍物而限缩自动驾驶设备可选的控制量的范围,从而导致难以实现对自动驾驶设备较为理想的控制。
发明内容
本说明书提供一种模型训练以及自动驾驶设备的控制方法、装置、存储介质及电子设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种模型训练方法,包括:
针对所述目标设备周围的每个障碍物,根据该障碍物在第一时刻的位置,确定该障碍物的障碍物类别,其中,所述障碍物类别包括指定类别和非指定类别;
将所述目标设备的状态数据输入待训练的策略网络,得到所述策略网络输出的所述目标设备在第一时刻后的轨迹;
根据所述策略网络输出的轨迹,预测所述目标设备在第一时刻后与障碍物之间的位置关系;
根据所预测出的所述位置关系,以及各障碍物的障碍物类别,确定以所述轨迹指导所述目标设备行驶对应的奖励值,并以所述奖励值最大为目标,更新所述策略网络中的参数。
可选地,确定该障碍物的障碍物类别,具体包括:
确定第一时刻该障碍物在指定方向上与所述目标设备之间的相对位置;
将在指定方向上位于所述目标设备前方的障碍物确定为指定类别的障碍物;将在指定方向上位于所述目标设备后方的障碍物确定为非指定类别的障碍物。
可选地,所述状态数据包括第一状态数据和第二状态数据,其中,所述第一状态数据所基于的坐标系为第一坐标系,所述第二状态数据所基于的坐标系为第二坐标系;
将所述目标设备的状态数据输入待训练的策略网络,得到所述策略网络输出的所述目标设备在第一时刻后的轨迹,具体包括:
将第一状态数据输入所述策略网络的第一特征提取子网,得到所提取出的第一状态特征;将第二状态数据输入所述策略网络的第一特征提取子网,得到所提取出的第二状态特征;
将所述第一状态特征和所述第二状态特征输入所述策略网络的融合特征子网,得到所述融合特征子网输出的所述目标设备在第一时刻后的轨迹。
可选地,确定以所述轨迹指导所述目标设备行驶对应的奖励值,具体包括:
当预测出指定类型的障碍物满足预先设定的风险条件时,将第一奖励值作为以所述轨迹指导所述目标设备行驶对应的奖励值;当预测出非指定类型的障碍物满足预先设定的风险条件时,将第二奖励值作为以所述轨迹指导所述目标设备行驶对应的奖励值;其中,所述第一奖励值小于所述第二奖励值。
可选地,确定以所述轨迹指导所述目标设备行驶对应的奖励值,具体包括:
将所述目标设备的在第一时刻的状态数据,以及所述策略网络输出的所述目标设备在第一时刻后的轨迹输入至评价网络,得到所述评价网络输出的以所述目标设备在第一时刻后的轨迹指导所述目标设备行驶对应的奖励值;
更新所述策略网络中的参数之前,所述方法还包括:
通过所述评价网络,确定以样本轨迹指导所述目标设备行驶所对应的预测奖励值;
获取以所述样本轨迹指导所述目标设备行驶所对应的标准奖励值,以所述预测奖励值和所述标准奖励值之间的差异最小为目标,更新所述评价网络中的参数。
可选地,更新所述策略网络中的参数,具体包括:
当评价网络中的参数满足指定条件时,将第一时刻所述目标设备的状态数据,以及所述策略网络输出的所述目标设备在第一时刻后的轨迹输入所述评价网络,得到所述评价网络输出的以所述轨迹指导所述目标设备行驶对应的奖励值;
以所述评价网络输出的奖励值最大为目标,更新所述策略网络中的参数。
本说明书提供了一种自动驾驶设备的控制方法,包括:
获取当前时刻目标设备的状态数据;
将所述状态数据输入策略网络,得到所述策略网络输出的所述目标设备未来的轨迹,其中,所述策略网络为通过如上所述任一训练得到的;
根据所述轨迹对所述目标设备进行控制。
可选地,根据所述轨迹对所述目标设备进行控制,具体包括:
获取目标设备周围的障碍物在未来的预测位置数据;
根据所述预测位置数据以及所述轨迹,针对每个障碍物,确定出所述目标设备对该障碍物的行驶决策,并以所确定出的行驶决策对所述目标设备进行控制。
本说明书提供了一种模型训练装置,包括:
类别确定模块,用于针对所述目标设备周围的每个障碍物,根据该障碍物在第一时刻的位置,确定该障碍物的障碍物类别,其中,所述障碍物类别包括指定类别和非指定类别;
轨迹确定模块,用于将所述目标设备的行驶状态数据输入待训练的策略网络,得到所述策略网络输出的所述目标设备在第一时刻后的轨迹;
位置预测模块,用于根据所述策略网络输出的轨迹,预测所述目标设备在第一时刻后与障碍物之间的位置关系;
参数更新模块,用于根据所预测出的所述位置关系,以及各障碍物的障碍物类别,确定以所述轨迹指导所述目标设备行驶对应的奖励值,并以所述奖励值最大为目标,更新所述策略网络中的参数。
本说明书提供了一种自动驾驶设备的控制装置,包括:
状态获取模块,用于获取当前时刻目标设备的状态数据。
轨迹确定模块,用于将所述状态数据输入策略网络,得到所述策略网络输出的所述目标设备未来的轨迹,其中,所述策略网络为通过如上所述任一所述方法训练得到的;
设备控制模块,用于根据所述轨迹对所述目标设备进行控制。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述模型训练以及自动驾驶设备的控制方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述模型训练以及自动驾驶设备的控制方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的模型训练以及自动驾驶设备的控制方法中,将障碍物以不同的障碍物类型进行区分,包括指定类型的障碍物以及非指定类型的障碍物,然后,根据满足风险条件的障碍物的障碍物类型来确定以策略网络输出的轨迹控制目标设备行驶所对应的奖励值,当满足风险条件的障碍物的障碍物类型不同时,所确定出的奖励值也不同,进而,在以奖励值最大为目标更新策略网络中的参数时,更新后的策略网络会倾向于输出的轨迹会指导目标设备优先避让对目标设备的行驶影响较高的障碍物。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中一种模型训练方法的流程示意图;
图2为本说明书提供的一种障碍物的位置-时刻图的示意图;
图3为本说明书提供的一种策略网络的结构示意图;
图4为本说明书提供的一种策略网络及评价网络的结构示意图;
图5为本说明书提供的一种自动驾驶设备的控制方法的流程示意图;
图6为本说明书提供的一种模型训练装置的示意图;
图7为本说明书提供的一种自动驾驶设备的控制装置的示意图;
图8为本说明书提供的一种自动驾驶设备的结构示意图。
具体实施方式
如上所示,在现有技术中,在控制自动驾驶设备时,会以对其感知到的所有障碍物都进行避让为目标,但是,在实际行车环境中通常存在着一些对自动驾驶设备行驶影响较小的障碍物,例如与目标设备的车道方向相反的障碍物等等,在此情形下,出于对这些影响力较小的障碍物进行避让的动机而限缩自动驾驶设备可选的控制量的范围,往往导致难以实现对自动驾驶设备较为理想的控制。
举例而言,当自动驾驶设备按照车道线行驶时,位于自动驾驶设备后方的障碍物会根据自动驾驶设备的行为变化对障碍物自身进行控制。因此,在驾驶过程中,仅需考虑避让位于自动驾驶设备自身前方的障碍物,而无需以对自身后方的障碍物进行避让为约束,或将对自身后方的障碍物进行避让作为优先度较低的约束,即可保证行驶时的安全。
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中一种模型训练方法的流程示意图,具体包括以下步骤:
S100:针对所述目标设备周围的每个障碍物,根据该障碍物在第一时刻的位置,确定该障碍物的障碍物类别,其中,所述障碍物类别包括指定类别和非指定类别。
本说明书实施例中,所述目标设备为自动驾驶设备,具体的,所述自动驾驶设备可包括无人驾驶的车辆以及具有辅助驾驶功能的车辆。无人车可以是应用于配送领域的配送车。
本说明书实施例中,在所述目标设备的行驶过程中,需要以自动驾驶算法对其进行控制,使得在保证所述目标设备的安全下控制所述目标设备的行驶,其中,本说明书所提供的模型训练方法用于对控制所述目标设备的自动驾驶算法中的至少部分机器学习模型进行训练。本说明书实施例中,并不对所述自动驾驶算法以及所述机器学习模型的模型结构进行限制,示例性的,所述机器学习模型可以由多层感知机(Multilayer Perceptron,MLP)或卷积神经网络等现有的机器学习模型构成。
本说明书实施例中,所要训练的机器学习模型为强化学习模型。
本说明书实施例提供的模型训练方法,可以服务器执行,也可以由电子设备执行,所述电子设备可以为笔记本电脑、手机、平板电脑等,本说明书对此不不作限制,当然,执行本说明书所述的模型训练方法的电子设备也可以为所述目标设备本身。为方便描述,本说明书服务器为执行主体,示例性地对本说明书提供的模型训练方法进行说明。
本说明书实施例中所称的障碍物可以包括动态障碍物和静态障碍物,也可以仅包括动态障碍物或静态障碍物中的一种。其中,所述动态障碍物指除目标设备自身以外的其他交通参与者,包括车辆、行人等,而静态障碍物则指一般来说不存在运动可能的障碍物,例如,电线杆,广告牌等,仅示例性的,本说明书以下所述的障碍物仅包括动态障碍物。
出于对障碍物进行避让的动机,需要先确定出目标设备周围的障碍物。本说明书实施例中,可以将位于目标设备的第一距离内的障碍物视作目标设备周围的障碍物,例如距离目标设备20米的障碍物,当然,可以将任何距离范围视作目标设备的周围。再例如,还可以将与所述目标设备处于同一环境的障碍物视作目标设备周围的障碍物,例如与目标设备在同一车道上的各障碍物。可以看出,目标设备周围的障碍物可以通过任一现有方式确定,本说明书对此不作限定。
需要说明的是,本说明书提供的模型训练方法仅需要对目标设备周围的障碍物予以考虑,因此,以下将目标设备周围的障碍物简称为障碍物。
针对所确定出的每个位于目标设备周围的障碍物,需要确定其在第一时刻所处的位置,其中,所述第一时刻为历史上某一时刻。本说明书并不对确定障碍物位置的方式进行限定,而仅作为示例,可以通过收集障碍物自身所搭载的定位设备来确定障碍物在第一时刻的位置,当然,还可以在指定位置搭载有诸如激光雷达等探测设备,从而通过所述探测设备确定出障碍物与探测设备之间的相对位置,等等。
如上所述,本说明书实施例提供的模型训练方法,旨在通过目标设备避让的优先度,将障碍物划分为优先度较高的指定类型的障碍物,以及优先度较低的非指定类型的障碍物,并对策略网络进行更新,使得更新后的策略网络会倾向于输出指导目标设备优先避让指定类型的障碍物的轨迹。
因此,可以根据障碍物所在的位置,将障碍物的障碍物类别确定为指定类别和非指定类别。
具体的,可以根据障碍物所在的绝对位置,或障碍物与目标设备之间的相对位置来确定障碍物的障碍物类别,本说明书对此不作限制。
例如,可以将在第一时刻位于指定车道上的障碍物确定为指定类别的障碍物,并将障碍物确定为非指定类别的障碍物,其中,本说明书实施例并不限定如何确定指定车道,仅示例性的,所述指定车道可以为目标设备所在的车道或与目标设备同一方向的车道。
再例如,可以将在第一时刻位于目标设备第二距离内的障碍物确定为指定类别的障碍物,并将障碍物确定为非指定类别的障碍物,从而使得控制目标设备时更优先考虑对于目标设备距离较近的障碍物进行避让,其中,所述第二距离小于第一距离。
另一实施例中,还可以将在第一时刻在指定方向上位于所述目标设备前方的障碍物确定为指定类别的障碍物,并将在指定方向上位于所述目标设备后方的障碍物确定为非指定类别的障碍物,而在指定方向上与所述目标设备位置相同的障碍物可以确定为指定类别的障碍物,也可以确定为非指定类别的障碍物,本说明书对此不作限制。更进一步的,所述指定方向可以为第一时刻所述目标设备所在车道的行驶方向,也可以为所述目标设备第一时刻的速度方向。
仅示例性的,以下以将在第一时刻在所述目标设备所在车道的行驶方向上位于所述目标设备前方的障碍物确定为指定类别的障碍物,并且将在第一时刻在所述目标设备所在车道的行驶方向上位于所述目标设备后方的障碍物确定为非指定类别的障碍物为例,对本说明书进行说明。
S102:将所述目标设备的状态数据输入待训练的策略网络,得到所述策略网络输出的所述目标设备在第一时刻后的轨迹。
对于某一特定时刻,可以通过目标设备的状态数据来对目标设备在该时刻的行驶状态进行描述,在本说明书一个实施例中,可以定义第一时刻j的状态数据为sj,由于可以采用上述任一方式描述目标设备的行驶状态,本说明书实施例对于sj所包含的具体特征信息不作限定。
本说明书一实施例中,目标设备在第一时刻的状态数据可以包括所述目标设备在第一时刻上的速度、加速度、方向盘转角等,也可以包括目标设备周围的障碍物的位置,例如目标设备周围的障碍物相对于所述目标设备的距离,当然还可以包括障碍物的速度、加速度、方向盘转角等等。
本说明书一实时中,可以获取对障碍物在第一时刻后的行驶状态进行预测所预测出的障碍物在第一时刻后的行驶信息,因此,所述状态数据中所包括的障碍物的信息可以并不仅仅包括障碍物在第一时刻的信息,还可以包括障碍物第一时刻后的行驶信息,例如障碍物在未来时刻的位置数据等等。
然后,可以将sj输入待训练的策略网络,得到所述策略网络输出的所述目标设备在第一时刻后的轨迹aj,更进一步的,本说明书一实施例中,所述轨迹aj可以由第一时刻后的若干个轨迹点来描述,其中,每个轨迹点中可以至少包括在所述轨迹aj的指导下,所述目标设备行驶至各轨迹点的时刻。
可以理解的,在得到所述轨迹aj后,可以以所述轨迹aj指导所述目标设备行驶,直至第一时刻j的下一时刻j+1,因此,也可以将第一时刻j的下一时刻j+1之间的时长称作以所述轨迹对所述目标设备的控制时长。
本说明书实施例中,将所述j+1时刻称作第二时刻。
S104:根据所述策略网络输出的轨迹,预测所述目标设备在第一时刻后与障碍物之间的位置关系。
如前所述,所述策略网络输出的轨迹可以用于指导目标设备行驶,所述轨迹中可以包括指示目标设备何时、以何种状态、沿该轨迹行驶至何处的信息,具体的,目标轨迹中可以包括各轨迹点的位置,还可以目标设备行驶至各轨迹点时的状态信息,所述状态信息可以包括目标设备行驶至该轨迹点的时刻、速度、加速度等等。
以下,本说明书实施例提供两种方式,根据所述策略网络输出的轨迹,预测所述目标设备在第一时刻后与障碍物之间的位置关系:
第一种,可以将所述策略网络输出的轨迹输入相对位置预测网络,并得到所述相对位置预测网络输出的所述目标设备在第一时刻后与障碍物之间的位置关系。本说明书实施例中,所述相对位置预测网络可以通过诸如多层感知机(Multilayer Perceptron,MLP),卷积神经网络等现有的机器学习模型构成,本说明书对此不作限制。
第二种,可以获取目标设备周围的障碍物在第一时刻后的预测位置数据,根据所述预测位置数据,以及所述策略网络输出的所述目标设备在第一时刻后的轨迹,预测所述目标设备在第一时刻后与障碍物之间的位置关系。本说明书实施例中并不限定障碍物的预测位置数据如何获取,例如可以通过上游用于对障碍物的位置进行预测的模块得到的。
以下,本说明书以通过上述第二种方式预测目标设备在第一时刻后与障碍物之间的位置关系为例,对本说明书提供的模型训练方法进行说明。
需要说明的是,采用上述任一方式所预测出的目标设备在第一时刻后与障碍物的位置关系可以为目标设备在第一时刻至第三时刻期间的位置关系,其中,所述第三时刻可以为第二时刻,也可以为第二时刻后的时刻,本说明书实施例对此不作限制,仅示例性的,以所述第三时刻为第二时刻后的时刻为例进行说明。
本说明书一实时例中,可以仅预测目标设备在某一指定方向上与障碍物之间的位置关系,例如车道线方向,此时,所获取到的障碍物的预测位置数据可以如图2所示的位置-时间图。
其中,位置-时间图中的S轴即表示在指定方向上相对于目标设备第一时刻所在的位置的位移,T轴则表示相对于第一时刻所经过的时间,而四边形B、四边形C以及四边形D则分别表示所预测出的障碍物B、障碍物C以及障碍物D的位置。而曲线A则是策略网络所输出的目标设备A的轨迹在位置-时间图中的投影。
S106:根据所预测出的所述位置关系,以及各障碍物的障碍物类别,确定以所述轨迹指导所述目标设备行驶对应的奖励值,并以所述奖励值最大为目标,更新所述策略网络中的参数。
在确定出目标设备与障碍物之间的位置关系之后,则可以根据障碍物的障碍物类别,确定以所述轨迹指导所述目标设备行驶对应的奖励值。
其中,当预测出指定类型的障碍物满足预先设定的风险条件时,可以将第一奖励值作为以所述轨迹指导所述目标设备行驶对应的奖励值;当预测出非指定类型的障碍物满足预先设定的风险条件时,可以将第二奖励值作为以所述轨迹指导所述目标设备行驶对应的奖励值;需要说明的是,所述第一奖励值小于所述第二奖励值。
示例性的,当预测障碍物在第一时刻后与目标设备之间距离小于第三距离时,可以判断障碍物满足风险条件,其中,本说明书一实施例中,所述第三距离可以为0m,即将在预测中与目标设备相碰撞的障碍物确定为满足风险条件的障碍物,以下,仅示例性的,本说明书实施例中以将在预测中与目标设备相碰撞的障碍物确定为满足风险条件的障碍物为例进行说明。
以图2为例,可以看出,在控制策略输出的轨迹A的指导下,目标设备会与障碍物D同时位于同一位置,即,与障碍物D相撞。若障碍物D为指定类型的障碍物,则所确定出的以所述轨迹A对所述目标设备进行指导的奖励值,相对于障碍物D为非指定类型的障碍物所确定出的以所述轨迹A对所述目标设备进行指导的奖励值来说更小。
然后,则可以以所述奖励值最大为目标,更新策略网络中的参数。
本说明书一实施例中,基于预先构建的奖励函数r,当预测出指定类型的障碍物与所述目标设备同时处于同一位置时,所确定出的所述奖励函数r的数值小于当预测出非指定类型的障碍物与所述目标设备同时处于同一位置时所确定出的所述奖励函数的数值,则当预测出指定类型的障碍物与所述目标设备同时处于同一位置时,基于所述奖励函数r所确定出的奖励值相较于当预测出非指定类型的障碍物与所述目标设备同时处于同一位置时所确定出的奖励值也就更大。
具体的,在确定出策略网络输出的所述目标设备在第一时刻后的轨迹aj之后,可以确定出在所述轨迹aj的指导下目标设备在第二时刻j+1的状态数据sj+1。
接着,则可以基于预先设定的奖励函数r,确定出目标设备自sj变化至sj+1对应的奖励函数r的数值,所确定出的奖励函数r的数值用于描述用于指导所述目标设备行驶的轨迹的优劣性,奖励函数r的数值越高,则说明在奖励函数r的评价下,策略网络所输出的轨迹越好。本说明书实施例中,当预测出指定类型的障碍物与所述目标设备同时处于同一位置时,所确定出的所述奖励函数r的数值小于当预测出非指定类型的障碍物与所述目标设备同时处于同一位置时所确定出的所述奖励函数r的数值。
需要说明的是,所述轨迹对应的奖励函数r的数值与所述轨迹对应的奖励值正相关。在本说明书一个实施例中,可以直接将奖励函数r的数值作为所确定出的奖励值。
本说明书一实施例中,所述奖励函数r可以包括若干个奖励项,并且奖励函数r可以为各奖励项之和,当然,此时所确定出的每一奖励项的数值越高,说明在该奖励项的评价下策略网络输出的轨迹越好。在此情形下,所述奖励函数r可以至少包括第一奖励项rsafe。
当预测出指定类型的障碍物与所述目标设备同时处于同一位置时,所确定出的所述第一奖励项rsafe的数值小于当预测出非指定类型的障碍物与所述目标设备同时处于同一位置时所确定出的所述第一奖励项rsafe的数值。示例性的,可以定义当预测出指定类型的障碍物与所述目标设备同时处于同一位置时,所述rsafe=-100,当预测出非指定类型的障碍物与所述目标设备同时处于同一位置时,所述rsafe=0,而若预测出指定类型的障碍物与所述目标设备同时处于同一位置,并且非指定类型的障碍物与所述目标设备同时处于同一位置,则所述rsafe可以与当预测出指定类型的障碍物与所述目标设备同时处于同一位置时所述第一奖励项rsafe的数值相等。
当然,以上仅作为示例,本说明书对于奖励函数r的设定不作限定。
基于上述如图1所述的方法,将障碍物以不同的障碍物类型进行区分,包括指定类型的障碍物以及非指定类型的障碍物,然后,根据满足风险条件的障碍物的障碍物类型来确定以策略网络输出的轨迹控制目标设备行驶所对应的奖励值,当满足风险条件的障碍物的障碍物类型不同时,所确定出的奖励值也不同,进而,在以奖励值最大为目标更新策略网络中的参数时,更新后的策略网络会倾向于输出的轨迹会指导目标设备优先避让对目标设备的行驶影响较高的障碍物。
本说明书一实施例中,可以根据避让的优先度,将障碍物以不同的障碍物类型进行区分,包括优先避让的指定类型的障碍物,以及避让优先度较低的非指定类型的障碍物,然后,通过构建奖励函数,在确定以策略网络输出的轨迹控制目标设备行驶所对应的奖励值时,若预测在所述轨迹的指导下控制的目标设备与指定类型的障碍物发生碰撞,则相对于预测在所述轨迹的指导下控制的目标设备与非指定类型的障碍物发生碰撞,所确定出的奖励值会更小,进而,在以奖励值最大为目标更新策略网络中的参数时,更新后的策略网络会倾向于输出指导目标设备优先避让指定类型的障碍物的轨迹。
在构建奖励函数r时,所构建出的奖励函数r的奖励项除了可以包括上述第一奖励项rsafe,还可以包括第二奖励项rpass和/或第三奖励项rsoft,仅示例性的:
可以看出,上述rpass可以用于表示目标设备在所述轨迹对应的控制时长(即第一时刻和第二时刻之间的时长)内,在所述轨迹的指导下行驶所得到在通行效率方面上的优劣。其中,所述v可以用于表征目标设备在第二时刻的行驶速度,vmax则可以为预先为所述目标设备设定的最大行驶速度,本说明书实施例并不限制如何设定所述目标设备的最大行驶速度的具体数值。在上述公式中可以看出,目标设备在第二时刻的行驶速度越大,通行效率方面上的奖励值越大。
示例性的,可以定义所述rsoft:
其中,rsoft可以用于表示目标设备在所述轨迹对应的控制时长(即第一时刻和第二时刻之间的时长)内,在所述轨迹的指导下行驶所得到在通行效率方面上的优劣,|Δv|可以用于表示目标设备第一时刻和第二时刻的速度的差值。通常来说,由于第一时刻和第二时刻之间的时长较短,可以将|Δv|视作第一时长到第二时长期间的加速度。可以用于表示目标设备第一时刻和第二时刻的方向盘转角的差值。通常来说,由于第一时刻和第二时刻之间的时长较短,可以将/>视作第一时长到第二时长期间的方向盘转角变化率。
从rsoft的表达式中可以看出,第一时刻和第二时刻期间,目标设备的速度以及方向盘转角的变化越大,表明目标设备在所述轨迹的指导下行驶时,平稳性越差,所以rsoft越小,相应的,目标设备的速度以及方向盘转角的变化越小,表明目标设备在设定历史时刻按照控制参数进行行驶时,平稳性越好,rsoft越大。
当然,以上仅为示例,本说明书并不对奖励函数的定义作限制。
以下,本说明书示例性提供一种策略网络的网络结构。
如图3所示,所述策略网络可以包括第一特征子网、第二特征子网,以及融合特征子网。其中,所述第一特征提取子网的输入为第一状态数据,并输出所提取出的第一状态特征,所述第二特征提取子网的输入为第二状态数据,并输出所提取出的第二状态特征,所述融合特征子网的输入为第一状态特征和第二状态特征,并通过所述融合特征子网输出目标设备在第一时刻后的轨迹。其中,所述第一状态数据和所述第二状态数据均为目标设备在第一时刻的状态数据。
其中,第一特征子网、第二特征子网,以及融合特征子网中的任一可以为诸如多层感知机(Multilayer Perceptron,MLP),卷积神经网络等现有的机器学习模型构成,本说明书对此不作限制。
本说明书实施例中,为了丰富状态数据中所包含的信息,所述状态数据中可以包括在两个坐标系下的数据,其中,所述第一状态数据所基于的坐标系为第一坐标系,所述第二状态数据所基于的坐标系为第二坐标系。
仅示例性的,所述第一坐标系可以为弗莱纳(Frenet)坐标系,所述第二坐标系可以为世界坐标系。
由于对应的奖励值最大的轨迹在后续全程的行驶过程中往往并不是最优的轨迹,因此,正如目前常见的强化学习模型的训练方法,本说明书实施例中,还可以利用评价网络来辅助策略网络的训练。
如图4所示,在得到策略网络输出的轨迹之后,可以将所述轨迹以及状态数据输入评价网络,得到评价网络输出的qj:
qj=q(sj,aj;w)
在上述公式中,sj为目标设备在第一时刻j的状态数据,aj为策略网络所输出的第一时刻j后的目标设备的轨迹。w可以用于表征评价网络的模型参数。qj可以为以所述策略网络输出的轨迹指导目标设备行驶对应的奖励值。其中,qj可以是指状态-动作价值函数,用于表征目标设备从第一时刻j到行驶完成全部的行驶轨迹的累计奖励函数的数值的期望。
需要说明的是,上述公式中虽然并未体现设定第一时刻j之后的所有状态数据sj,…,sj+t与以及所有轨迹aj,…,aj+t。但是,由于qj所求的是期望,qj本身就可以用于表征未来一段时间的累计奖励函数的数值的期望,隐含了设定第一时刻j之后的所有状态数据sj,…,sj+t与轨迹aj,…,aj+t。
由于评价网络输出的奖励值qj代表目标设备从第一时刻j到行驶完成全部的行驶轨迹的累计奖励值的期望,因此,奖励值qj越高,则代表在评价网络的评价下,认为以策略网络输出的第一时刻j的轨迹的指导下,目标设备在第一时刻j后的全程行驶过程中具有更高的行驶质量。
本说明书实施例中,可以先采用任一现有方式先对评价网络中的参数w进行更新,例如可以采用深度确定策略梯度算法(Deep Deterministic Policy Gradient,DDPG)、双延迟确定性策略梯度算法(Twin Delayed Deep Deterministic policy gradient,TD3)更新评价网络中的参数w,并在评价网络中的参数满足指定条件时,以将第一时刻所述目标设备的状态数据,以及所述策略网络输出的所述目标设备在第一时刻后的轨迹输入所述评价网络,得到所述评价网络输出的针对所述轨迹的奖励值qj,然后所述评价网络输出的针对所述轨迹的奖励值qj最大为目标,更新所述策略网络中的参数。
本说明书一实施例中,可以先获取样本轨迹,然后通过所述评价网络,确定以样本轨迹指导所述目标设备行驶所对应的预测奖励值,接着,获取以所述样本轨迹指导所述目标设备行驶所对应的标准奖励值,以所述预测奖励值和所述标准奖励值之间的差异最小为目标,更新所述评价网络中的参数。
本说明书一实施例中,所述标准奖励值可以为通过奖励函数r,根据从控制前的第三时刻目标设备的状态数据,以及控制后的第四时刻目标设备的状态数据,接计算出来的针对以所述样本轨迹对目标设备进行控制对应的奖励函数r的数值。
本说明书实施例对于所述指定条件不作限制,示例性的,可以在评价网络中的参数的更新次数达到指定次数时,根据所述评价网络所输出的奖励值qj更新所述策略网络中的参数,然后将评价网络的参数的更新次数重置为0。
还可以在当前评价网络中的参数的数值相比于最近一次基于评价网络输出的奖励值qj对策略网络进行更新时的数值之间的差值大于指定的参数变化阈值时,根据所述评价网络所输出的奖励值qj更新所述策略网络中的参数,等等。
此外,在采用上述任一方式对策略网络进行训练之后,本说明书还提供了如图5所示的自动驾驶设备的控制方法,包括:
S500:获取当前时刻目标设备的状态数据。
S502:将所述状态数据输入策略网络,得到所述策略网络输出的所述目标设备在第一时刻后的轨迹。
在目标设备实际的行驶过程中,根据所述状态数据的数据类型不同,可以采用不同的方式来获取当前时刻目标设备的状态数据。
具体的,对于目标设备自身的行驶数据,诸如当前目标设备的位置、速度、方向盘转角等,可以直接通过传感器获取,而对于目标设备周围的障碍物的状态数据,则可以通过目标设备上所搭载的诸如激光雷达等探测设备来获取,本说明书一实施例中,当所述状态数据包括目标设备周围的障碍物在未来的位置时,则可以获取目标设备的自动驾驶算法所包括的上游模块预测出的障碍物在未来的位置。可以看出,对于不同类型的状态数据可以通过不同方式获取,本说明书在此不再赘述。
然后,可以将所述状态数据输入策略网络,得到所述策略网络输出的所述目标设备在未来的轨迹。
所述策略网络输出的所述目标设备在未来的轨迹可以用于指导目标设备行驶,所述轨迹中可以包括指示目标设备何时、以何种状态、沿该轨迹行驶至何处的信息,具体的,目标轨迹中可以包括各轨迹点的位置,还可以目标设备行驶至各轨迹点时的状态信息,所述状态信息可以包括目标设备行驶至该轨迹点的时刻、速度、加速度等等。
S504:根据所述轨迹对所述目标设备进行控制。
然后,可以根据所述轨迹对所述目标设备进行控制。
以下,本说明书示例两种根据所述轨迹对所述目标设备进行控制的方式:
第一种,可以根据目标设备自身当前的行驶状态(例如位置、速度、方向盘转角等),以及沿所述轨迹行驶时,目标设备在未来时刻所要达到的行驶状态来确定目标设备在未来时段内的控制量(例如油门开度、方向盘变化量等),从而实现以所述轨迹对所述目标进行控制。
第二种,可以先获取目标设备周围的障碍物在未来的预测位置数据,根据所述预测位置数据以及所述轨迹,针对每个障碍物,确定出所述目标设备对该障碍物的行驶决策,并以所确定出的行驶决策对所述目标设备进行控制。而具体的,所述行驶决策可以包括先行决策和让行决策。针对每个障碍物来说,若沿所述轨迹行驶时,目标设备在未来位于该障碍物前方,则所确定出的针对该障碍物的行驶决策为先行决策,即,控制所述目标设备在该碍物的前方行驶,而若沿所述轨迹行驶时,目标设备在未来位于该障碍物后行驶,则所确定出的针对该障碍物的行驶决策为让行决策,即,控制所述目标设备在该障碍物的后方行驶。在此情形下,所述目标设备并不沿着所述策略网络所确定出的轨迹行驶,而是根据上述行驶决策来重新确定目标设备行驶所沿着的另一轨迹(即目标轨迹),在此情形下,本说明书对于确定目标轨迹的方式不作限定。
更进一步的,在通过上述第二种方式控制目标设备时,所获取到的障碍物在未来的预测位置数据可以为如图2所示的位置-时刻图,基于图2可以确定出针对障碍物B的先行决策以及基于障碍物C的让行决策,对于障碍物D所作的行驶决策则可以是先行决策或让行决策中任一。当然,在采用本说明书上述任一模型训练方法对所述策略网络进行训练之后,所得到的策略网络输出的轨迹通常不会如图2中与障碍物D同时处于同一位置。
以上为本说明书的一个或多个实施例提供的模型训练以及自动驾驶设备的控制方法,基于同样的思路,本说明书还提供了相应的模型训练装置,如图7所示,以及自动驾驶设备的控制装置,如图7所示。
图6为本说明书提供的一种模型训练装置示意图,该装置包括:
类别确定模块600,用于针对所述目标设备周围的每个障碍物,根据该障碍物在第一时刻的位置,确定该障碍物的障碍物类别,其中,所述障碍物类别包括指定类别和非指定类别。
轨迹确定模块602,用于将所述目标设备的行驶状态数据输入待训练的策略网络,得到所述策略网络输出的所述目标设备在第一时刻后的轨迹。
位置预测模块604,用于根据所述策略网络输出的轨迹,预测所述目标设备在第一时刻后与障碍物之间的位置关系。
参数更新模块606,用于根据所预测出的所述位置关系,以及各障碍物的障碍物类别,确定以所述轨迹指导所述目标设备行驶对应的奖励值,并以所述奖励值最大为目标,更新所述策略网络中的参数。
可选地,所述类别确定模块600具体用于,确定第一时刻该障碍物在指定方向上与所述目标设备之间的相对位置;将在指定方向上位于所述目标设备前方的障碍物确定为指定类别的障碍物;将在指定方向上位于所述目标设备后方的障碍物确定为非指定类别的障碍物。
可选地,所述状态数据包括第一状态数据和第二状态数据,其中,所述第一状态数据所基于的坐标系为第一坐标系,所述第二状态数据所基于的坐标系为第二坐标系;所述轨迹确定模块602具体用于,将第一状态数据输入所述策略网络的第一特征提取子网,得到所提取出的第一状态特征;将第二状态数据输入所述策略网络的第一特征提取子网,得到所提取出的第二状态特征;将所述第一状态特征和所述第二状态特征输入所述策略网络的融合特征子网,得到所述融合特征子网输出的所述目标设备在第一时刻后的轨迹。
可选地,所述参数更新模块606具体用于,当预测出指定类型的障碍物满足预先设定的风险条件时,将第一奖励值作为以所述轨迹指导所述目标设备行驶对应的奖励值;当预测出非指定类型的障碍物满足预先设定的风险条件时,将第二奖励值作为以所述轨迹指导所述目标设备行驶对应的奖励值;其中,所述第一奖励值小于所述第二奖励值。
可选地,所述参数更新模块606具体用于,将所述目标设备的在第一时刻的状态数据,以及所述策略网络输出的所述目标设备在第一时刻后的轨迹输入至评价网络,得到所述评价网络输出的以所述目标设备在第一时刻后的轨迹指导所述目标设备行驶对应的奖励值;通过所述评价网络,确定以样本轨迹指导所述目标设备行驶所对应的预测奖励值;获取以所述样本轨迹指导所述目标设备行驶所对应的标准奖励值,以所述预测奖励值和所述标准奖励值之间的差异最小为目标,更新所述评价网络中的参数。
可选地,所述参数更新模块606具体用于,当评价网络中的参数满足指定条件时,将第一时刻所述目标设备的状态数据,以及所述策略网络输出的所述目标设备在第一时刻后的轨迹输入所述评价网络,得到所述评价网络输出的以所述轨迹指导所述目标设备行驶对应的奖励值;以所述评价网络输出的奖励值最大为目标,更新所述策略网络中的参数。
图7为本说明书提供的一种自动驾驶设备的控制装置示意图,该装置包括:
状态获取模块700,用于获取当前时刻目标设备的状态数据。
轨迹确定模块702,用于将所述状态数据输入策略网络,得到所述策略网络输出的所述目标设备未来的轨迹,其中,所述策略网络为通过如上所述任一所述方法训练得到的。
设备控制模块704,用于根据所述轨迹对所述目标设备进行控制。
可选地,所述设备控制模块704具体用于,获取目标设备周围的障碍物在未来的预测位置数据;根据所述预测位置数据以及所述轨迹,针对每个障碍物,确定出所述目标设备对该障碍物的行驶决策,并以所确定出的行驶决策对所述目标设备进行控制。
需要说明的是,本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述模型训练以及自动驾驶设备的控制方法。
本说明书还提供了图8所示的自动驾驶设备的结构示意图。如图8所示,在硬件层面,该自动驾驶设备包括处理器、内部总线、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述模型训练以及自动驾驶设备的控制方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (12)
1.一种模型训练方法,其特征在于,包括:
针对目标设备周围的每个障碍物,根据该障碍物在第一时刻的位置,确定该障碍物的障碍物类别,其中,所述障碍物类别包括指定类别和非指定类别;
将所述目标设备的状态数据输入待训练的策略网络,得到所述策略网络输出的所述目标设备在第一时刻后的轨迹;
根据所述策略网络输出的轨迹,预测所述目标设备在第一时刻后与障碍物之间的位置关系;
根据所预测出的所述位置关系,以及各障碍物的障碍物类别,确定以所述轨迹指导所述目标设备行驶对应的奖励值,并以所述奖励值最大为目标,更新所述策略网络中的参数。
2.如权利要求1所述的方法,其特征在于,确定该障碍物的障碍物类别,具体包括:
确定第一时刻该障碍物在指定方向上与所述目标设备之间的相对位置;
将在指定方向上位于所述目标设备前方的障碍物确定为指定类别的障碍物;将在指定方向上位于所述目标设备后方的障碍物确定为非指定类别的障碍物。
3.如权利要求1所述的方法,其特征在于,所述状态数据包括第一状态数据和第二状态数据,其中,所述第一状态数据所基于的坐标系为第一坐标系,所述第二状态数据所基于的坐标系为第二坐标系;
将所述目标设备的状态数据输入待训练的策略网络,得到所述策略网络输出的所述目标设备在第一时刻后的轨迹,具体包括:
将第一状态数据输入所述策略网络的第一特征提取子网,得到所提取出的第一状态特征;将第二状态数据输入所述策略网络的第一特征提取子网,得到所提取出的第二状态特征;
将所述第一状态特征和所述第二状态特征输入所述策略网络的融合特征子网,得到所述融合特征子网输出的所述目标设备在第一时刻后的轨迹。
4.如权利要求1所述的方法,其特征在于,确定以所述轨迹指导所述目标设备行驶对应的奖励值,具体包括:
当预测出指定类型的障碍物满足预先设定的风险条件时,将第一奖励值作为以所述轨迹指导所述目标设备行驶对应的奖励值;当预测出非指定类型的障碍物满足预先设定的风险条件时,将第二奖励值作为以所述轨迹指导所述目标设备行驶对应的奖励值;其中,所述第一奖励值小于所述第二奖励值。
5.如权利要求1所述的方法,其特征在于,确定以所述轨迹指导所述目标设备行驶对应的奖励值,具体包括:
将所述目标设备的在第一时刻的状态数据,以及所述策略网络输出的所述目标设备在第一时刻后的轨迹输入至评价网络,得到所述评价网络输出的以所述目标设备在第一时刻后的轨迹指导所述目标设备行驶对应的奖励值;
更新所述策略网络中的参数之前,所述方法还包括:
通过所述评价网络,确定以样本轨迹指导所述目标设备行驶所对应的预测奖励值;
获取以所述样本轨迹指导所述目标设备行驶所对应的标准奖励值,以所述预测奖励值和所述标准奖励值之间的差异最小为目标,更新所述评价网络中的参数。
6.如权利要求5所述的方法,其特征在于,更新所述策略网络中的参数,具体包括:
当评价网络中的参数满足指定条件时,将第一时刻所述目标设备的状态数据,以及所述策略网络输出的所述目标设备在第一时刻后的轨迹输入所述评价网络,得到所述评价网络输出的以所述轨迹指导所述目标设备行驶对应的奖励值;
以所述评价网络输出的奖励值最大为目标,更新所述策略网络中的参数。
7.一种自动驾驶设备的控制方法,其特征在于,包括:
获取当前时刻目标设备的状态数据;
将所述状态数据输入策略网络,得到所述策略网络输出的所述目标设备未来的轨迹,其中,所述策略网络为通过如权利要求1~5任一所述方法训练得到的;
根据所述轨迹对所述目标设备进行控制。
8.如权利要求7所述的方法,其特征在于,根据所述轨迹对所述目标设备进行控制,具体包括:
获取目标设备周围的障碍物在未来的预测位置数据;
根据所述预测位置数据以及所述轨迹,针对每个障碍物,确定出所述目标设备对该障碍物的行驶决策,并以所确定出的行驶决策对所述目标设备进行控制。
9.一种模型训练装置,其特征在于,所述装置具体包括:
类别确定模块,用于针对目标设备周围的每个障碍物,根据该障碍物在第一时刻的位置,确定该障碍物的障碍物类别,其中,所述障碍物类别包括指定类别和非指定类别;
轨迹确定模块,用于将所述目标设备的行驶状态数据输入待训练的策略网络,得到所述策略网络输出的所述目标设备在第一时刻后的轨迹;
位置预测模块,用于根据所述策略网络输出的轨迹,预测所述目标设备在第一时刻后与障碍物之间的位置关系;
参数更新模块,用于根据所预测出的所述位置关系,以及各障碍物的障碍物类别,确定以所述轨迹指导所述目标设备行驶对应的奖励值,并以所述奖励值最大为目标,更新所述策略网络中的参数。
10.一种自动驾驶设备的控制装置,其特征在于,所述装置具体包括:
状态获取模块,用于获取当前时刻目标设备的状态数据;
轨迹确定模块,用于将所述状态数据输入策略网络,得到所述策略网络输出的所述目标设备未来的轨迹,其中,所述策略网络为通过如权利要求1~5任一所述方法训练得到的;
设备控制模块,用于根据所述轨迹对所述目标设备进行控制。
11.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~8任一项所述的方法。
12.一种自动驾驶设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210410175.4A CN116954209A (zh) | 2022-04-19 | 2022-04-19 | 一种模型训练方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210410175.4A CN116954209A (zh) | 2022-04-19 | 2022-04-19 | 一种模型训练方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116954209A true CN116954209A (zh) | 2023-10-27 |
Family
ID=88447888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210410175.4A Pending CN116954209A (zh) | 2022-04-19 | 2022-04-19 | 一种模型训练方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116954209A (zh) |
-
2022
- 2022-04-19 CN CN202210410175.4A patent/CN116954209A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10591929B2 (en) | Prioritized constraints for a navigational system | |
CN112306059B (zh) | 一种控制模型的训练方法、控制方法以及装置 | |
CN111114543B (zh) | 一种轨迹预测方法及装置 | |
CN110262486B (zh) | 一种无人驾驶设备运动控制方法及装置 | |
CN111007858B (zh) | 车辆行驶决策模型的训练方法、行驶决策确定方法及装置 | |
CN111190427A (zh) | 一种轨迹规划的方法及装置 | |
CN111076739B (zh) | 一种路径规划的方法及装置 | |
CN111208838A (zh) | 一种无人驾驶设备的控制方法及装置 | |
CN113968243B (zh) | 一种障碍物轨迹预测方法、装置、设备及存储介质 | |
CN112987760B (zh) | 一种轨迹规划方法、装置、存储介质及电子设备 | |
CN111338360B (zh) | 一种规划车辆行驶状态的方法及装置 | |
CN111062372B (zh) | 一种预测障碍物轨迹的方法及装置 | |
CN110942181A (zh) | 一种障碍物轨迹预测的方法及装置 | |
CN113296541A (zh) | 一种基于未来碰撞风险的无人设备控制方法及装置 | |
CN113110526A (zh) | 一种模型训练的方法、无人驾驶设备的控制方法及装置 | |
CN112947495B (zh) | 模型训练的方法、无人驾驶设备的控制方法以及装置 | |
CN113485383B (zh) | 一种无人驾驶设备的控制方法及控制装置 | |
CN111123957B (zh) | 一种轨迹规划的方法及装置 | |
CN113033527A (zh) | 一种场景识别方法、装置、存储介质及无人设备 | |
CN114019971B (zh) | 一种无人设备控制方法、装置、存储介质及电子设备 | |
CN114167857B (zh) | 一种无人驾驶设备的控制方法及装置 | |
CN116954209A (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN113848913B (zh) | 一种无人驾驶设备的控制方法及控制装置 | |
CN115047864A (zh) | 模型训练的方法、无人设备的控制方法以及装置 | |
WO2022088658A1 (zh) | 一种行人穿行意图估计方法、装置、设备和汽车 |
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 |