CN117830978A - 模型训练方法、分岔车道预测方法、装置、电子设备 - Google Patents
模型训练方法、分岔车道预测方法、装置、电子设备 Download PDFInfo
- Publication number
- CN117830978A CN117830978A CN202311605771.9A CN202311605771A CN117830978A CN 117830978 A CN117830978 A CN 117830978A CN 202311605771 A CN202311605771 A CN 202311605771A CN 117830978 A CN117830978 A CN 117830978A
- Authority
- CN
- China
- Prior art keywords
- bifurcation
- target vehicle
- model
- lane
- information
- 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 66
- 238000012549 training Methods 0.000 title claims abstract description 45
- 230000004927 fusion Effects 0.000 claims description 91
- 238000004088 simulation Methods 0.000 claims description 52
- 238000000605 extraction Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 29
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000011217 control strategy Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000027455 binding Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 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
- 230000009870 specific binding Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本公开提供了模型训练方法、分岔车道预测方法、装置、电子设备,涉及自动驾驶技术领域,尤其涉及模型训练、车道预测等技术领域。具体实现方案为:获取目标车辆在第一位置处的样本输入信息;将所述样本输入信息输入预设模型,得到所述预设模型输出的所述目标车辆所对应的预测分岔车道;基于所述目标车辆所对应的预测分岔车道、所述目标车辆行驶的分岔车道,训练所述预设模型,得到目标模型。
Description
技术领域
本公开涉及自动驾驶技术领域,尤其涉及模型训练、车道预测等技术领域。
背景技术
在分岔车道选择的场景下,通常自动驾驶车辆可以通过已配置的处理规则对分岔车道进行预测。然而在这样的场景下,处理规则之间有可能会存在冲突,或者也有可能存在有些情况没有能够匹配的处理规则,这就会导致自动驾驶车辆反应不及时或判断错误,从而产生安全问题;另外,为了能匹配更多的情况就需要增加处理规则的数量,这样会导致计算量的增加进而降低处理效率。因此,如何在不增加处理规则的情况下,保证分岔车道的预测准确性,并保证自动驾驶车辆的安全性,就成为需要解决的问题。
发明内容
本公开提供了一种用于模型训练方法、分岔车道预测方法、装置、设备以及存储介质。
根据本公开的一方面,提供了一种模型训练方法,包括:
获取目标车辆在第一位置处的样本输入信息,其中,所述第一位置位于分岔点前、且与所述分岔点之间的距离小于或等于预设距离,所述样本输入信息包括:所述目标车辆所在区域内的道路相关样本信息、所述目标车辆的样本信息;
将所述样本输入信息输入预设模型,得到所述预设模型输出的所述目标车辆所对应的预测分岔车道,其中,所述目标车辆所对应的预测分岔车道为预测所述目标车辆通过所述分岔点后行驶的车道;
基于所述目标车辆所对应的预测分岔车道、所述目标车辆行驶的分岔车道,训练所述预设模型,得到目标模型。
根据本公开的另一方面,提供了一种分岔车道预测方法,包括:
在目标车辆与分岔点的距离小于或等于预设距离的情况下,获取所述目标车辆所在区域内的当前道路相关信息、所述目标车辆的当前信息;
将所述目标车辆所在区域内的当前道路相关信息、所述目标车辆的当前信息输入目标模型,得到所述目标模型输出的所述目标车辆所对应的预测分岔车道,其中,所述目标车辆所对应的预测分岔车道为预测所述目标车辆通过所述分岔点后行驶的车道,所述目标模型为基于所述模型训练方法得到的。
根据本公开的另一方面,提供了一种模型训练装置,包括:
样本信息获取模块,用于获取目标车辆在第一位置处的样本输入信息,其中,所述第一位置位于分岔点前、且与所述分岔点之间的距离小于或等于预设距离,所述样本输入信息包括:所述目标车辆所在区域内的道路相关样本信息、所述目标车辆的样本信息;
分岔车道预测模块,用于将所述样本输入信息输入预设模型,得到所述预设模型输出的所述目标车辆所对应的预测分岔车道,其中,所述目标车辆所对应的预测分岔车道为预测所述目标车辆通过所述分岔点后行驶的车道;
目标模型训练模块,用于基于所述目标车辆所对应的预测分岔车道、所述目标车辆行驶的分岔车道,训练所述预设模型,得到目标模型。
根据本公开的另一方面,提供了一种分岔车道预测装置,包括:
道路相关信息获取模块,用于在目标车辆与分岔点的距离小于或等于预设距离的情况下,获取所述目标车辆所在区域内的当前道路相关信息、所述目标车辆的当前信息;
目标模型预测模块,用于将所述目标车辆所在区域内的当前道路相关信息、所述目标车辆的当前信息输入目标模型,得到所述目标模型输出的所述目标车辆所对应的预测分岔车道,其中,所述目标车辆所对应的预测分岔车道为预测所述目标车辆通过所述分岔点后行驶的车道,所述目标模型为基于所述模型训练方法得到的。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开中任一实施例的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,该计算机指令用于使该计算机执行根据本公开中任一实施例的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现根据本公开中任一实施例的方法。
根据本公开的另一方面,提供了一种车辆,该车辆包括上述一方面实施例的电子设备。
通过采用上述方案,可以将获取到的样本输入信息输入预设模型,得到所述预设模型输出的所述目标车辆所对应的预测分岔车道;基于所述目标车辆所对应的预测分岔车道、所述目标车辆行驶的分岔车道,训练所述预设模型,得到目标模型。如此,可以在不增加处理规则的情况下,使得到的目标模型预测的分岔车道更加准确,提升所述目标车辆的安全性。
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是根据本公开一实施例的模型训练方法的流程示意图;
图2是根据本公开另一实施例的模型训练方法的流程示意图;
图3是根据本公开另一实施例的模型训练方法的流程示意图;
图4是根据本公一实施例的模型训练方法的场景示意图;
图5是根据本公开一实施例的模型训练方法的流程示意图;
图6是根据本公开一实施例的模型训练装置的组成结构示意图;
图7是根据本公开另一实施例的模型训练装装置的组成结构示意图;
图8是根据本公开一实施例的分岔车道预测装置的组成结构示意图;
图9是用来实现本公开实施例的电子设备的框图。
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。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。
本公开一方面实施例提供了一种模型训练方法,如图1所示,包括:
S101,获取目标车辆在第一位置处的样本输入信息,其中,所述第一位置位于分岔点前、且与所述分岔点之间的距离小于或等于预设距离,所述样本输入信息包括:所述目标车辆所在区域内的道路相关样本信息、所述目标车辆的样本信息。
S102,将所述样本输入信息输入预设模型,得到所述预设模型输出的所述目标车辆所对应的预测分岔车道,其中,所述目标车辆所对应的预测分岔车道为预测所述目标车辆通过所述分岔点后行驶的车道。
S103,基于所述目标车辆所对应的预测分岔车道、所述目标车辆行驶的分岔车道,训练所述预设模型,得到目标模型。
所述目标车辆可以是自动驾驶车辆,或无人驾驶车辆。
上述模型训练方法可以由电子设备实现。所述电子设备可以为终端或服务器。示例性的,该电子设备可以是设置在目标车辆中的车载终端、或其他具备计算能力的终端设备。示例性的,该电子设备可以是能够与目标车辆进行数据传输的服务器;该服务器可以为单个服务器、或者可以为服务器集群中的一个或多个服务器、或可以为分布式系统的服务器(或可以称为计算节点)。应理解,以上仅为能够执行本实施例提供的模型训练方法的执行主体的示例性说明,实际处理中可以不限于以上示例中提到的设备,只要能够执行本实施例提供的模型训练方法的装置或设备,均在本实施例的保护范围内。
通过采用上述方案,可以将获取到的所述样本输入信息输入预设模型,得到所述预设模型输出的所述目标车辆所对应的预测分岔车道;基于所述目标车辆所对应的预测分岔车道、所述目标车辆行驶的分岔车道,训练所述预设模型,得到目标模型。如此,可以在不增加处理规则的情况下,使训练得到的目标模型预测的分岔车道更加准确,提升所述目标车辆的安全性。
在一些可能的实施方式中,结合图2对获取目标车辆在第一位置处的样本输入信息的处理进行说明,包括:
S201、获取在仿真场景下的所述目标车辆相关的仿真行驶数据;
S202、从所述目标车辆相关的仿真行驶数据中,获取目标车辆在第一位置处的样本输入信息。
所述获取在仿真场景下的所述目标车辆相关的仿真行驶数据,可以是:基于目标车辆的仿真属性参数,通过仿真平台提供的仿真场景进行目标车辆的仿真行驶,获取在仿真场景下的所述目标车辆相关的仿真行驶数据。其中,所述仿真场景包括以下至少之一:仿真道路场景、一个或多个障碍物的仿真参数。
所述从所述目标车辆相关的仿真行驶数据中,获取目标车辆在第一位置处的样本输入信息,可以是:通过打点功能从所述目标车辆相关的仿真行驶数据中,获取所述目标车辆在与分岔点的距离小于或等于预设距离的N个位置中每个位置处的目标车辆所在区域内的道路相关仿真信息、每个位置处的目标车辆的运动仿真参数;基于所述每个位置处的目标车辆所在区域内的道路相关仿真信息、每个位置处的目标车辆的运动仿真参数,得到N个位置分别对应的样本输入信息;将所述N个位置分别对应的样本输入信息中任意之一,作为目标车辆在第一位置处的样本输入信息,N为正整数。
以N个位置中任意之一为第n个位置为例(n为大于或等于1、小于或等于N的整数)来说,基于所述每个位置处的目标车辆所在区域内的道路相关仿真信息、每个位置处的目标车辆的运动仿真参数,得到N个位置分别对应的样本输入信息,包括:将第n个位置处的目标车辆所在区域内的道路相关仿真信息作为第n个位置处的目标车辆所在区域内的道路相关样本信息;将第n个位置处的目标车辆的运动仿真参数作为第n个位置处的目标车辆的样本信息;将第n个位置处的目标车辆所在区域内的道路相关样本信息、第n个位置处的目标车辆的样本信息,作为第n个位置对应的样本输入信息。
所述第n个位置处的目标车辆的运动仿真参数,可以包括:所述第n个位置处的目标车辆的速度和/或加速度。可选的,所述第n个位置处的目标车辆的运动仿真参数,还可以包括:所述目标车辆在第n个位置之前的一个或多个位置处的目标车辆的速度和/或加速度。
另外,所述方法还可以包括:获取在仿真场景下的所述目标车辆的仿真属性参数,将所述目标车辆的仿真属性参数作为所述目标车辆的属性样本参数;其中,所述目标车辆的仿真属性参数包括以下至少之一:所述目标车辆的仿真大小、所述目标车辆的仿真类型、所述目标车辆的仿真标识。
所述目标车辆的仿真大小,可以是:所述目标车辆的包围框的尺寸大小,或者所述目标车辆的外形尺寸的大小。
所述目标车辆的仿真类型,可以是:卡车、小客车、大客车中的任意之一。以上仅为示例性说明,这里不做穷举。
将第n个位置处的目标车辆的运动仿真参数作为第n个位置处的目标车辆的样本信息,可以包括:将所述第n个位置处的运动仿真参数作为第n个位置处的所述目标车辆的运动样本信息,将第n个位置处的所述目标车辆的运动样本信息、所述目标车辆的属性样本参数,作为第n个位置处的目标车辆的样本信息。
所述分岔点为分岔道路的交汇处。所述分岔点也可以称为分岔路口。
所述第一位置位于分岔点前、且与所述分岔点之间的距离小于或等于预设距离,可以是:在所述目标车辆未通过所述分岔点的情况下,所述目标车辆所处的第一位置与分岔点之间的距离小于或等于预设距离,其中,所述预设距离可以根据实际情况设定。例如所述预设距离可以是60米,也可以更长或者更短,这里不再进穷举。
所述目标车辆所在区域可以是:以所述目标车辆所在第一位置为中点的指定半径范围内所覆盖的区域,其中,所述指定半径大于所述预设距离。所述指定半径可以根据实际情况设定,例如所述指定半径可以是200米,也可以更长或者更短,只要大于所述预设距离就在本申请的保护范围内,这里不再进行穷举。
应理解的是,本申请实施例下文中以N个位置中任意一个位置(即第一位置)处的样本输入信息为例进行训练预设模型的相关说明,实际处理中,前述N个位置中的其他位置处的样本输入信息也可以用于训练预设模型,但由于每个位置处的样本输入信息用于训练预设模型的处理都是相同的,因此下文不再一一赘述。
所述第一位置处的样本输入信息所对应的标签为所述目标车辆行驶的分岔车道。还应指出的是,在一次仿真处理中,目标车辆行驶的分岔车道应仅有一个,因此,不论采用一次仿真处理中N个位置中的哪个位置处的样本输入信息训练预设模型,这些位置处的样本输入信息所对应的标签应为相同的,即均为所述目标车辆行驶的分岔车道。
通过采用上述方案,可以通过在仿真场景下获取到的所述目标车辆相关的仿真行驶数据,得到所述目标车辆在第一位置处的样本输入信息。如此,可以降低样本输入信息的获取成本,提升了所述目标模型的训练效率。
在一些可能的实施方式中,所述目标车辆所在区域内的道路相关样本信息,包括:所述目标车辆所在区域内的道路状态样本信息、多个候选分岔车道的样本信息,其中,所述多个候选分岔车道在所述目标车辆所在区域内的所述分岔点之后。
所述多个候选分岔车道的样本信息,可以包括以下至少之一:每个所述候选分岔车道中车道线的长度样本信息、每个所述候选分岔车道中车道线的宽度样本信息、每个所述候选分岔车道的标识的样本信息,每个所述候选分岔车道宽度的样本信息、每个所述候选分岔车道的车道类型的样本信息。
所述车道类型,可以包括以下任意之一:公交车道、人行横道、行车道、高速路车道,这里不再进行穷举。
所述多个候选分岔车道在所述目标车辆所在区域内的所述分岔点之后,可以是:所述多个候选分岔车道中的每个候选分岔车道,在所述目标车辆所在区域内的所述分岔点之后且与所述分岔点相连,其中,不同的候选分岔车道所对应的行驶方向不同。
应理解,所述目标车辆所在区域内的道路相关样本信息所包含的内容,与目标车辆所在区域内的道路相关仿真信息的内容相同,因此本实施例不再对目标车辆所在区域内的道路相关仿真信息进行重复说明。
本实施方式中,所述将样本输入信息输入预设模型,得到所述预设模型输出的所述目标车辆所对应的预测分岔车道,可以包括:将所述目标车辆所在区域内的道路状态样本信息、所述目标车辆的样本信息输入预设模型中的融合子模型,得到所述融合子模型输出的融合特征;将所述多个候选分岔车道的样本信息输入预设模型中的特征提取子模型,得到所述特征提取子模型输出的所述多个候选分岔车道的特征;将所述融合特征、所述多个候选分岔车道的特征输入所述预设模型中的分岔车道预测子模型,得到所述分岔车道预测子模型输出的所述目标车辆所对应的预测分岔车道。
所述融合子模型,可以是:由注意力(Attention)机制和/或图卷积网络(GraphConvolutional Networks,GCN)构成的融合网络。
所述特征提取子模型,可以是:卷积神经网络(Convolutional Neural Networks,CNN)。
所述多个候选分岔车道的特征,可以是:多个候选分岔车道的特征向量。其中,所述多个候选分岔车道的特征向量与所述融合特征的维度数量相同,例如,所述多个候选分岔车道的特征向量和所述融合特征的维度数量都为256维,或者所述多个候选分岔车道的特征向量和所述融合特征的维度数量都为64维,二者的维度数量可以根据实际情况设定,这里不再进行穷举。
所述分岔车道预测子模型,可以包括以下至少之一:注意力机制,归一化函数。
所述将融合特征、所述多个候选分岔车道的特征输入所述预设模型中的分岔车道预测子模型,得到所述分岔车道预测子模型输出的所述目标车辆所对应的预测分岔车道,可以是:将所述融合特征、所述多个候选分岔车道的特征输入所述分岔车道预测子模型;所述分岔车道预测子模型基于注意力机制对所述融合特征、所述多个候选分岔车道的特征进行注意力计算,得到注意力计算结果;所述分岔车道预测子模型基于归一化函数对所述注意力计算结果进行归一化处理,得到每个候选分岔车道所对应的目标车辆的行驶概率;所述分岔车道预测子模型从所述每个候选分岔车道所对应的目标车辆的行驶概率中选取行驶概率最高的候选分岔车道,将行驶概率最高的候选分岔车道作为所述目标车辆所对应的预测分岔车道。
本实施方式中,所述基于所述目标车辆所对应的预测分岔车道、所述目标车辆行驶的分岔车道,训练所述预设模型,得到目标模型,包括:基于所述目标车辆所对应的预测分岔车道、所述目标车辆行驶的分岔车道,确定目标损失;在所述目标损失满足收敛条件的情况下,得到训练后的预设模型,将所述训练后的预设模型作为目标模型。其中,所述收敛条件,可以是以下至少之一:所述目标损失等于零;所述目标损失小于或等于阈值;训练的迭代次数达到预设次数等等。其中,所述目标损失可以是分类损失。
通过采用上述方案,可以在所述目标车辆所在区域内的道路相关样本信息中包括更多维度的信息,具体为所述目标车辆所在区域内的道路状态样本信息、多个候选分岔车道的样本信息。如此,通过增加更多维度的样本内容,可以使训练得到的目标模型预测的目标车辆所对应的分岔车道更加准确,提升了所述目标模型预测的准确性。
在一些可能的实施方式中,所述目标车辆所在区域内的道路状态样本信息,包括以下至少之一:所述目标车辆所在区域内的多个车道的样本信息;所述目标车辆所在区域内的一个或多个障碍物的样本信息;所述多个候选分岔车道中的每个所述候选分岔车道与目标车道的距离,其中,所述目标车道为所述目标车辆通过分岔区域后所要到达的车道,所述分岔区域为包含所述多个候选分岔车道的区域。
所述多个车道的样本信息中每个车道的样本信息,可以包括以下至少之一:每个车道中车道线的长度样本信息、每个车道中车道线的宽度样本信息、每个车道的标识的样本信息,每个车道宽度的样本信息、每个车道的车道类型的样本信息。
所述多个候选分岔车道中的每个候选分岔车道与目标车道的距离是与目标车道绑定的,两者具体的绑定方式可以是:将所述多个候选分岔车道中的每个候选分岔车道的标识、所述每个候选分岔车道与目标车道的距离,与所述目标车道的标识进行绑定。
可选的,所述每个候选分岔车道与目标车道的距离,可以是:所述每个候选分岔车道的参考位置与所述目标车道的参考位置之间的距离,其中,所述参考位置可以是所述车道中车道线的起点、中点、终点中的任意之一,也可以是所述车道的其他位置,这里不再进行穷举。
可选的,所述每个候选分岔车道与目标车道的距离,可以是:所述每个候选分岔车道与所述目标车道的参考距离值,其中,所述参考距离值可以为所述候选分岔车道与所述目标车道之间的车道数量。例如,在所述候选分岔车道与所述目标车道相邻的情况下,所述候选分岔车道与所述目标车道的参考距离值为1;在所述候选分岔车道与所述目标车道不相邻,且所述候选分岔车道与所述目标车道之间存在一个车道的情况下,所述候选分岔车道与所述目标车道的参考距离值为2,以此类推,可以得到所述每个候选分岔车道与所述目标车道的参考距离值,这里不再进行赘述。
任意一个障碍物的样本信息,可以是以下至少之一:所述目标车辆在第一位置处时,所述障碍物的速度和/或加速度、所述障碍物的大小、所述障碍物的类型。可选的,所述障碍物的样本信息,还可以包括:所述目标车辆在第一位置处之前的一个或多个位置处,所述障碍物的速度和/或加速度。
所述障碍物的大小,可以是:所述障碍物检测框的尺寸、或所述障碍物的外形尺寸。
所述障碍物的类型,可以是:静态障碍物的类型、和/或者动态障碍物的类型。例如,静态障碍物的类型,可以是栅栏、树木、隔离带中的任意之一;动态障碍物的类型可以是:车辆、自行车、行人中的任意之一,为了简洁,这里不再一一进行赘述。
所述目标车道可以为预先设置的,比如,在仿真场景下预先设置本次目标车辆经过包含多个候选分岔车道的分岔区域后所要到达的车道,将该车道作为目标车道。
通过采用上述方案,可以在所述目标车辆所在区域内的道路状态样本信息中包括更多维度的信息,具体为所述目标车辆所在区域内的多个车道的样本信息、所述目标车辆所在区域内的一个或多个障碍物的样本信息、所述多个候选分岔车道中的每个所述候选分岔车道与目标车道的距离。如此,在样本中增加与实际行驶场景相似的内容,比如障碍物的样本信息等,可以进一步提升训练后的目标模型预测目标车辆所对应的分岔车道的准确性。
在一些可能的实施方式中,所述将所述样本输入信息输入预设模型,得到所述预设模型输出的所述目标车辆所对应的预测分岔车道,包括:将所述目标车辆所在区域内的道路状态样本信息、所述目标车辆的样本信息输入所述预设模型中的融合子模型,得到所述融合子模型输出的融合特征;将所述多个候选分岔车道的样本信息输入所述预设模型中的特征提取子模型,得到所述特征提取子模型输出的所述多个候选分岔车道的特征;将所述融合特征、所述多个候选分岔车道的特征输入所述预设模型中的分岔车道预测子模型,得到所述分岔车道预测子模型输出的所述目标车辆所对应的预测分岔车道。
所述将目标车辆所在区域内的道路状态样本信息、所述目标车辆的样本信息输入所述预设模型中的融合子模型,得到所述融合子模型输出的融合特征,可以是:将所述目标车辆所在区域内的多个车道的样本信息、所述目标车辆所在区域内的一个或多个障碍物的样本信息、所述多个候选分岔车道中的每个所述候选分岔车道与目标车道的距离、所述目标车辆的样本信息输入所述预设模型中的融合子模型,得到所述融合子模型输出的融合特征。
本实施方式中,所述基于所述目标车辆所对应的预测分岔车道、所述目标车辆行驶的分岔车道,训练所述预设模型,得到目标模型的处理,与前述实施例相同,这里不再赘述。
下面结合图3和图4对本申请一实施例提供的模型训练方法进行一种示例性说明,包括:
S301、将所述目标车辆所在区域内的道路状态样本信息、所述目标车辆的样本信息输入所述预设模型中的融合子模型,得到所述融合子模型输出的融合特征。
前述实施例已经说明,所述目标车辆所在区域内的道路状态样本信息中包括以下至少之一:所述目标车辆所在区域内的多个车道的样本信息、所述目标车辆所在区域内的一个或多个障碍物的样本信息、所述多个候选分岔车道中的每个所述候选分岔车道与目标车道的距离。
结合图4来说,将所述目标车辆所在区域内的道路状态样本信息、所述目标车辆的样本信息输入所述预设模型中的融合子模型,得到所述融合子模型输出的融合特征,具体可以包括:
将上述目标车辆的样本信息、目标车辆所在区域内的道路状态样本信息中的一个或多个障碍物的样本信息,共同作为道路参与者样本信息;将上述目标车辆所在区域内的道路状态样本信息中的目标车辆所在区域内的多个车道的样本信息、每个候选分岔车道与目标车道的距离作为车道输入样本信息;将道路参与者样本信息、车道输入样本信息输入融合子模型,得到所述融合子模型输出的融合特征。
再结合图4来说,将道路参与者样本信息、车道输入样本信息输入融合子模型,得到所述融合子模型输出的融合特征,包括:基于注意力机制将道路参与者样本信息中的目标车辆的样本信息、每个障碍物的样本信息,与车道输入样本信息中的多个车道的样本信息、每个候选分岔车道与目标车道的距离进行融合,得到道路参与者与车道的融合结果;基于图卷积网络对道路参与者与车道的融合结果以及车道输入样本信息中的多个车道的样本信息、每个候选分岔车道与目标车道的距离进行融合,得到车道融合结果;基于注意力机制将车道融合结果、车道输入样本信息中的多个车道的样本信息和每个候选分岔车道与目标车道的距离,道路参与者样本信息中的目标车辆的样本信息和每个障碍物的样本信息进行融合,得到车道与道路参与者的融合结果;基于注意力机制将车道与道路参与者的融合结果、道路参与者样本信息中的目标车辆的样本信息和每个障碍物的样本信息进行融合,得到道路参与者间的融合结果;将该道路参与者间的融合结果作为融合特征。
S302、将所述多个候选分岔车道的样本信息输入所述预设模型中的特征提取子模型,得到所述特征提取子模型输出的所述多个候选分岔车道的特征。
S303、将所述融合特征、所述多个候选分岔车道的特征输入所述预设模型中的分岔车道预测子模型,得到所述分岔车道预测子模型输出的所述目标车辆所对应的预测分岔车道。
具体的,结合图4来说,将所述融合特征、所述多个候选分岔车道的特征输入分岔车道预测子模型;所述分岔车道预测子模型基于注意力机制对所述融合特征、所述多个候选分岔车道的特征进行计算,得到所述注意力计算结果;将所述注意力计算结果进行归一化处理,得到每个候选分岔车道所对应的目标车辆的行驶概率;所述分岔车道预测子模型从所述每个候选分岔车道所对应的目标车辆的行驶概率中选取行驶概率最高的候选分岔车道,将行驶概率最高的候选分岔车道作为所述目标车辆所对应的预测分岔车道。比如,图4中示意出候选车道1~候选车道4,上述将所述每个候选分岔车道的所述目标车辆的通行概率中,概率值最高的候选分岔车道,作为所述目标车辆所对应的预测分岔车道,可以是从将候选车道1~候选车道4分别对应的所述目标车辆的通行概率中,概率值最高的候选分岔车道,作为所述目标车辆所对应的预测分岔车道。
在采用上述方案得到目标模型之后,该目标模型可以替换系统中原有的用于预测分岔车道的规则,而保留系统的其他处理规则以进行其他相关处理。
举例来说,在得到所述目标模型之后,所述方法还包括:将所述分岔道路场景作为所述目标模型适用的场景;在分岔道路场景下,基于所述目标模型预测所述目标车辆所对应的分岔车道。进一步还可以包括:将所述目标车辆所对应的分岔车道作为其他处理规则的输入内容,基于所述其他处理规则对所述目标车辆所对应的分岔车道进行后续处理。所述其他处理规则可以是预先配置的。
通过采用上述方案,可以将所述目标车辆所在区域内的道路状态样本信息、所述目标车辆的样本信息输入所述预设模型中的融合子模型得到融合特征;将所述多个候选分岔车道的样本信息输入所述预设模型中的特征提取子模型得到多个候选分岔车道的特征;将所述融合特征、所述多个候选分岔车道的特征输入所述预设模型中的分岔车道预测子模型得到所述目标车辆所对应的预测分岔车道。如此,可以将所述目标车辆所在区域内的道路状态样本信息、所述目标车辆的样本信息进行融合,提升了预测数据的准确性,并且通过对所述多个候选分岔车道的样本信息进一步得到的所述多个候选分岔车道的特征、所述融合特征来预测所述目标车辆所对应的分岔车道,可以进一步提升所以目标模型预测的准确性。
本公开另一方面实施例提供了一种分岔车道预测方法,如图5所示,包括:
S501,在目标车辆与分岔点的距离小于或等于预设距离的情况下,获取所述目标车辆所在区域内的当前道路相关信息、所述目标车辆的当前信息。
S502,将所述目标车辆所在区域内的当前道路相关信息、所述目标车辆的当前信息输入目标模型,得到所述目标模型输出的所述目标车辆所对应的预测分岔车道,其中,所述目标车辆所对应的预测分岔车道为预测所述目标车辆通过所述分岔点后行驶的车道。
所述目标车辆可以是自动驾驶车辆,或称为无人驾驶车辆。
上述分岔车道预测方法可以由电子设备实现。所述电子设备可以为终端或服务器。示例性的,该电子设备可以是设置在目标车辆中的车载终端。示例性的,该电子设备可以是能够与目标车辆进行数据传输的服务器;该服务器可以为单个服务器、或者可以为服务器集群中的一个或多个服务器、或可以为分布式系统的服务器(或可以称为计算节点)。应理解,以上仅为能够执行本实施例提供的分岔车道预测方法的执行主体的示例性说明,实际处理中可以不限于以上示例中提到的设备,只要能够执行本实施例提供的分岔车道预测方法的装置或设备,均在本实施例的保护范围内。
通过采用上述方案,可以将获取到的所述目标车辆所在区域内的当前道路相关信息、所述目标车辆的当前信息输入目标模型得到所述目标车辆所对应的预测分岔车道。如此,可以使用所述目标模型得到所述目标车辆所对应的预测分岔车道,避免了通过处理规则对所述目标车辆所对应的分岔车道进行预测,可能存在的处理规则之间存在冲突,或者没有能够匹配的处理规则,导致目标车辆反应不及时或判断错误,从而产生安全问题,以及处理规则的数量的增加,导致计算量的增加进而降低处理效率的问题,提升了预测所述目标车辆所对应的分岔车道的效率、准确率,以及所述目标车辆的安全性。
所述获取所述目标车辆所在区域内的当前道路相关信息,可以是:获取所述目标车辆的采集单元当前采集周期采集到的所述目标车辆所在区域内的当前道路相关信息。其中,所述采集周期的时长可以是一帧或多针的时长,例如,所述一帧的时长可以是0.1秒,也可以更长或者更短,这里不再赘述。所述采集单元,可以是:图像采集设备、雷达设备、惯性传感器中的任意至少之一。
可选的,所述目标车辆所在区域内的当前道路相关信息,还可以包括:获取所述目标车辆在当前采集周期之前,K个采集周期中每个采集周期采集到的所述目标车辆历史所在区域内的历史道路相关信息,K为正整数。
所述当前道路相关信息与上述道路相关样本信息相同,这里不再进行赘述。
所述目标车辆的当前信息的获取方式,可以是获取所述目标车辆的采集单元当前采集周期采集到的所述目标车辆的当前运动参数。所述目标车辆的当前运动参数,与所述目标车辆的运动仿真参数相似,这里不再进行赘述。
可选地,所述目标车辆的当前信息还可以包括所述目标车辆的属性参数,所述目标车辆的属性参数,与所述目标车辆的仿真属性参数相同,这里不再进行赘述。
在一些可能的实施方式中,所述目标车辆所在区域内的当前道路相关信息,包括:所述目标车辆所在区域内的当前道路状态信息、多个候选分岔车道的信息,其中,所述多个候选分岔车道在所述目标车辆所在区域内的所述分岔点之后。
所述当前道路状态信息,与上述道路状态样本信息所相同,这里不再进行赘述。
所述多个候选分岔车道的信息,与上述多个候选分岔车道的样本信息所相同,这里不再进行赘述。
本实施方式中,将所述目标车辆所在区域内的当前道路相关信息、所述目标车辆的当前信息输入目标模型,得到所述目标模型输出的所述目标车辆所对应的预测分岔车道,包括:将所述目标车辆所在区域内的当前道路状态信息、所述目标车辆的当前信息输入目标模型中的融合子模型,得到所述融合子模型输出的融合特征;将所述多个候选分岔车道的信息输入目标模型中的特征提取子模型,得到所述特征提取子模型输出的所述多个候选分岔车道的特征;将所述融合特征、所述多个候选分岔车道的特征输入所述目标模型中的分岔车道预测子模型,得到所述分岔车道预测子模型输出的所述目标车辆所对应的预测分岔车道。
通过采用上述方案,可以在所述目标车辆所在区域内的当前道路相关信息中包括更多维度的信息,具体为所述目标车辆所在区域内的当前道路状态信息、多个候选分岔车道的信息。如此,通过增加更多维度的数据信息的内容,可以使所述目标模型预测的所述目标车辆所对应的分岔车道更加准确,提升了所述目标车辆的安全性。
在一些可能的实施方式中,所述目标车辆所在区域内的当前道路状态信息,包括以下至少之一:所述目标车辆所在区域内的多个车道的信息;所述目标车辆所在区域内的一个或多个障碍物的信息;所述多个候选分岔车道中的每个所述候选分岔车道与目标车道的距离,其中,所述目标车道为所述目标车辆通过分岔区域后所要到达的车道,所述分岔区域为包含所述多个候选分岔车道的区域。
所述目标车道,可以是:所述目标车辆本次的路径规划中经过包含多个候选分岔车道的分岔区域后所要到达的车道,将该车道作为目标车道。
所述多个车道的信息,与上述多个车道的样本信息相同,这里不再进行赘述。
所述障碍物的信息,与上述障碍物的样本信息相同,这里不再进行赘述。
所述多个候选分岔车道中的每个所述候选分岔车道与目标车道的距离,与上述多个候选分岔车道中的每个所述候选分岔车道与目标车道的距离相同,这里不再进行赘述。
通过采用上述方案,可以在所述目标车辆所在区域内的当前道路状态信息中包括更多维度的信息,具体为所述目标车辆所在区域内的多个车道的信息、所述目标车辆所在区域内的一个或多个障碍物的信息、所述多个候选分岔车道中的每个所述候选分岔车道与目标车道的距离。如此,通过增加更多维度的数据信息的内容,可以提升目标模型预测的所述目标车辆所对应的分岔车道的准确性,提升了所述目标车辆的安全性。
在一些可能的实施方式中,所述将目标车辆所在区域内的当前道路相关信息、所述目标车辆的当前信息输入目标模型,得到所述目标模型输出的所述目标车辆所对应的预测分岔车道,包括:将所述目标车辆所在区域内的当前道路状态信息、所述目标车辆的当前信息输入所述目标模型中的融合子模型,得到所述融合子模型输出的融合特征;将所述多个候选分岔车道的信息输入所述目标模型中的特征提取子模型,得到所述特征提取子模型输出的所述多个候选分岔车道的特征;将所述融合特征、所述多个候选分岔车道的特征输入所述目标模型中的分岔车道预测子模型,得到所述分岔车道预测子模型输出的所述目标车辆所对应的预测分岔车道。
所述将所述目标车辆所在区域内的当前道路状态信息、所述目标车辆的当前信息输入所述目标模型中的融合子模型,得到所述融合子模型输出的融合特征,可以是:将所述目标车辆所在区域内的多个车道的信息、所述目标车辆所在区域内的一个或多个障碍物的信息、所述多个候选分岔车道中的每个所述候选分岔车道与目标车道的距离、所述目标车辆的当前信息输入所述目标模型中的融合子模型,得到所述融合子模型输出的融合特征。
所述将目标车辆所在区域内的当前道路相关信息、所述目标车辆的当前信息输入目标模型,得到所述目标模型输出的所述目标车辆所对应的预测分岔车道之后,还可以包括:判断所述目标车辆是否未通过所述分岔点、且目标车辆与分岔点的距离是否小于或等于预设距离,若未通过所述分岔点、且目标车辆与分岔点的距离小于或等于预设距离,则继续获取所述目标车辆所在区域内的下一个周期的道路相关信息、所述目标车辆的下一个周期的信息,将所所述目标车辆所在区域内的下一个周期的道路相关信息、所述目标车辆的下一个周期的信息输入目标模型,得到所述目标模型输出的所述目标车辆所对应的预测分岔车道;否则,结束所述目标模型的预测。
本实施方式中,在得到所述分岔车道预测子模型输出的所述目标车辆所对应的预测分岔车道之后,所述方法还包括:基于所述目标车辆所对应的预测分岔车道,生成所述目标车辆的控制策略;基于所述目标车辆的控制策略控制所述目标车辆。
所述基于所述目标车辆所对应的预测分岔车道,生成所述目标车辆的控制策略,可以包括下之一:判断当前周期的目标车辆所对应的预测分岔车道与上一周期的目标车辆所对应的预测分岔车道是否相同,在当前周期的目标车辆所对应的预测分岔车道与上一周期的目标车辆所对应的预测分岔车道相同的情况下,不生成所述目标车辆的控制策略;在当前周期的目标车辆所对应的预测分岔车道与上一周期的目标车辆所对应的预测分岔车道不同的情况下,基于当前周期的所述目标车辆所对应的预测分岔车道,生成所述目标车辆的控制策略。
通过采用上述方案,可以将所述目标车辆所在区域内的当前道路状态信息、所述目标车辆的当前信息输入所述目标模型中的融合子模型得到融合特征;将所述多个候选分岔车道的信息输入所述目标模型中的特征提取子模型得到多个候选分岔车道的特征;将所述融合特征、所述多个候选分岔车道的特征输入所述目标模型中的分岔车道预测子模型得到所述目标车辆所对应的预测分岔车道。如此,可以将所述目标车辆所在区域内的当前道路状态信息、所述目标车辆的当前信息进行融合,提升了预测数据的准确性,并且通过对所述多个候选分岔车道的信息进一步得到的所述多个候选分岔车道的特征、所述融合特征来预测所述目标车辆所对应的分岔车道,可以进一步提升目标模型预测的所述目标车辆所对应的分岔车道的准确性,提升了所述目标车辆的安全性。
本公开另一方面实施例提供了一种模型训练装置,如图6所示,包括:
样本信息获取模块601,用于获取目标车辆在第一位置处的样本输入信息,其中,所述第一位置位于分岔点前、且与所述分岔点之间的距离小于或等于预设距离,所述样本输入信息包括:所述目标车辆所在区域内的道路相关样本信息、所述目标车辆的样本信息;
分岔车道预测模块602,用于将所述样本输入信息输入预设模型,得到所述预设模型输出的所述目标车辆所对应的预测分岔车道,其中,所述目标车辆所对应的预测分岔车道为预测所述目标车辆通过所述分岔点后行驶的车道;
目标模型训练模块603,用于基于所述目标车辆所对应的预测分岔车道、所述目标车辆行驶的分岔车道,训练所述预设模型,得到目标模型。
所述目标车辆所在区域内的道路相关样本信息,包括:所述目标车辆所在区域内的道路状态样本信息、多个候选分岔车道的样本信息,其中,所述多个候选分岔车道在所述目标车辆所在区域内的所述分岔点之后。
所述目标车辆所在区域内的道路状态样本信息,包括以下至少之一:所述目标车辆所在区域内的多个车道的样本信息;所述目标车辆所在区域内的一个或多个障碍物的样本信息;所述多个候选分岔车道中的每个所述候选分岔车道与目标车道的距离,其中,所述目标车道为所述目标车辆通过分岔区域后所要到达的车道,所述分岔区域为包含所述多个候选分岔车道的区域。
所述分岔车道预测模块,用于将所述目标车辆所在区域内的道路状态样本信息、所述目标车辆的样本信息输入所述预设模型中的融合子模型,得到所述融合子模型输出的融合特征;将所述多个候选分岔车道的样本信息输入所述预设模型中的特征提取子模型,得到所述特征提取子模型输出的所述多个候选分岔车道的特征;将所述融合特征、所述多个候选分岔车道的特征输入所述预设模型中的分岔车道预测子模型,得到所述分岔车道预测子模型输出的所述目标车辆所对应的预测分岔车道。
如图7所示,所述模型训练装置还包括:
仿真行驶数据获取模块701,用于获取在仿真场景下的所述目标车辆相关的仿真行驶数据;
样本信息获取模块,用于从所述目标车辆相关的仿真行驶数据中,获取所述目标车辆在所述第一位置处的所述样本输入信息。
本公开另一方面实施例提供了一种分岔车道预测装置,如图8所示,包括:
信息获取模块801,用于在目标车辆与分岔点的距离小于或等于预设距离的情况下,获取所述目标车辆所在区域内的当前道路相关信息、所述目标车辆的当前信息;
目标模型预测模块802,用于将所述目标车辆所在区域内的当前道路相关信息、所述目标车辆的当前信息输入目标模型,得到所述目标模型输出的所述目标车辆所对应的预测分岔车道,其中,所述目标车辆所对应的预测分岔车道为预测所述目标车辆通过所述分岔点后行驶的车道。
所述目标车辆所在区域内的当前道路相关信息,包括:所述目标车辆所在区域内的当前道路状态信息、多个候选分岔车道的信息,其中,所述多个候选分岔车道在所述目标车辆所在区域内的所述分岔点之后。
所述目标车辆所在区域内的当前道路状态信息,包括以下至少之一:所述目标车辆所在区域内的多个车道的信息;所述目标车辆所在区域内的一个或多个障碍物的信息;所述多个候选分岔车道中的每个所述候选分岔车道与目标车道的距离,其中,所述目标车道为所述目标车辆通过分岔区域后所要到达的车道,所述分岔区域为包含所述多个候选分岔车道的区域。
所述目标模型预测模块,用于将所述目标车辆所在区域内的当前道路状态信息、所述目标车辆的当前信息输入所述目标模型中的融合子模型,得到所述融合子模型输出的融合特征;将所述多个候选分岔车道的信息输入所述目标模型中的特征提取子模型,得到所述特征提取子模型输出的所述多个候选分岔车道的特征;将所述融合特征、所述多个候选分岔车道的特征输入所述目标模型中的分岔车道预测子模型,得到所述分岔车道预测子模型输出的所述目标车辆所对应的预测分岔车道。
本公开实施例的装置的各模块、子模块的具体功能和示例的描述,可以参见上述方法实施例中对应步骤的相关描述,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本公开的实施例的示例电子设备900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,个人数字助理、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9所示,电子设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许电子设备900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901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901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901执行上文所描述的各个方法和处理。例如,在一些实施例中,各个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908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元901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、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (22)
1.一种模型训练方法,包括:
获取目标车辆在第一位置处的样本输入信息,其中,所述第一位置位于分岔点前、且与所述分岔点之间的距离小于或等于预设距离,所述样本输入信息包括:所述目标车辆所在区域内的道路相关样本信息、所述目标车辆的样本信息;
将所述样本输入信息输入预设模型,得到所述预设模型输出的所述目标车辆所对应的预测分岔车道,其中,所述目标车辆所对应的预测分岔车道为预测所述目标车辆通过所述分岔点后行驶的车道;
基于所述目标车辆所对应的预测分岔车道、所述目标车辆行驶的分岔车道,训练所述预设模型,得到目标模型。
2.根据权利要求1所述的方法,其中,所述目标车辆所在区域内的道路相关样本信息,包括:所述目标车辆所在区域内的道路状态样本信息、多个候选分岔车道的样本信息,其中,所述多个候选分岔车道在所述目标车辆所在区域内的所述分岔点之后。
3.根据权利要求2所述的方法,其中,所述目标车辆所在区域内的道路状态样本信息,包括以下至少之一:
所述目标车辆所在区域内的多个车道的样本信息;
所述目标车辆所在区域内的一个或多个障碍物的样本信息;
所述多个候选分岔车道中的每个所述候选分岔车道与目标车道的距离,其中,所述目标车道为所述目标车辆通过分岔区域后所要到达的车道,所述分岔区域为包含所述多个候选分岔车道的区域。
4.根据权利要求2或3所述的方法,其中,所述将样本输入信息输入预设模型,得到所述预设模型输出的所述目标车辆所对应的预测分岔车道,包括:
将所述目标车辆所在区域内的道路状态样本信息、所述目标车辆的样本信息输入所述预设模型中的融合子模型,得到所述融合子模型输出的融合特征;
将所述多个候选分岔车道的样本信息输入所述预设模型中的特征提取子模型,得到所述特征提取子模型输出的所述多个候选分岔车道的特征;
将所述融合特征、所述多个候选分岔车道的特征输入所述预设模型中的分岔车道预测子模型,得到所述分岔车道预测子模型输出的所述目标车辆所对应的预测分岔车道。
5.根据权利要求1-3任一项所述的方法,其中,所述获取目标车辆在第一位置处的样本输入信息,包括:
获取在仿真场景下的所述目标车辆相关的仿真行驶数据;
从所述目标车辆相关的仿真行驶数据中,获取所述目标车辆在所述第一位置处的所述样本输入信息。
6.一种分岔车道预测方法,包括:
在目标车辆与分岔点的距离小于或等于预设距离的情况下,获取所述目标车辆所在区域内的当前道路相关信息、所述目标车辆的当前信息;
将所述目标车辆所在区域内的当前道路相关信息、所述目标车辆的当前信息输入目标模型,得到所述目标模型输出的所述目标车辆所对应的预测分岔车道,其中,所述目标车辆所对应的预测分岔车道为预测所述目标车辆通过所述分岔点后行驶的车道,所述目标模型为基于权利要求1至5任一项得到的。
7.根据权利要求6所述的方法,其中,所述目标车辆所在区域内的当前道路相关信息,包括:所述目标车辆所在区域内的当前道路状态信息、多个候选分岔车道的信息,其中,所述多个候选分岔车道在所述目标车辆所在区域内的所述分岔点之后。
8.根据权利要求7所述的方法,其中,所述目标车辆所在区域内的当前道路状态信息,包括以下至少之一:
所述目标车辆所在区域内的多个车道的信息;
所述目标车辆所在区域内的一个或多个障碍物的信息;
所述多个候选分岔车道中的每个所述候选分岔车道与目标车道的距离,其中,所述目标车道为所述目标车辆通过分岔区域后所要到达的车道,所述分岔区域为包含所述多个候选分岔车道的区域。
9.根据权利要求7或8所述的方法,其中,所述将目标车辆所在区域内的当前道路相关信息、所述目标车辆的当前信息输入目标模型,得到所述目标模型输出的所述目标车辆所对应的预测分岔车道,包括:
将所述目标车辆所在区域内的当前道路状态信息、所述目标车辆的当前信息输入所述目标模型中的融合子模型,得到所述融合子模型输出的融合特征;
将所述多个候选分岔车道的信息输入所述目标模型中的特征提取子模型,得到所述特征提取子模型输出的所述多个候选分岔车道的特征;
将所述融合特征、所述多个候选分岔车道的特征输入所述目标模型中的分岔车道预测子模型,得到所述分岔车道预测子模型输出的所述目标车辆所对应的预测分岔车道。
10.一种模型训练装置,包括:
样本信息获取模块,用于获取目标车辆在第一位置处的样本输入信息,其中,所述第一位置位于分岔点前、且与所述分岔点之间的距离小于或等于预设距离,所述样本输入信息包括:所述目标车辆所在区域内的道路相关样本信息、所述目标车辆的样本信息;
分岔车道预测模块,用于将所述样本输入信息输入预设模型,得到所述预设模型输出的所述目标车辆所对应的预测分岔车道,其中,所述目标车辆所对应的预测分岔车道为预测所述目标车辆通过所述分岔点后行驶的车道;
目标模型训练模块,用于基于所述目标车辆所对应的预测分岔车道、所述目标车辆行驶的分岔车道,训练所述预设模型,得到目标模型。
11.根据权利要求10所述的装置,其中,所述目标车辆所在区域内的道路相关样本信息,包括:所述目标车辆所在区域内的道路状态样本信息、多个候选分岔车道的样本信息,其中,所述多个候选分岔车道在所述目标车辆所在区域内的所述分岔点之后。
12.根据权利要求11所述的装置,其中,所述目标车辆所在区域内的道路状态样本信息,包括以下至少之一:
所述目标车辆所在区域内的多个车道的样本信息;
所述目标车辆所在区域内的一个或多个障碍物的样本信息;
所述多个候选分岔车道中的每个所述候选分岔车道与目标车道的距离,其中,所述目标车道为所述目标车辆通过分岔区域后所要到达的车道,所述分岔区域为包含所述多个候选分岔车道的区域。
13.根据权利要求11或12所述的装置,其中,所述分岔车道预测模块,用于将所述目标车辆所在区域内的道路状态样本信息、所述目标车辆的样本信息输入所述预设模型中的融合子模型,得到所述融合子模型输出的融合特征;将所述多个候选分岔车道的样本信息输入所述预设模型中的特征提取子模型,得到所述特征提取子模型输出的所述多个候选分岔车道的特征;将所述融合特征、所述多个候选分岔车道的特征输入所述预设模型中的分岔车道预测子模型,得到所述分岔车道预测子模型输出的所述目标车辆所对应的预测分岔车道。
14.根据权利要求10-12任一项所述的装置,其中,所述装置还包括:
仿真行驶数据获取模块,用于获取在仿真场景下的所述目标车辆相关的仿真行驶数据;
样本信息获取模块,用于从所述目标车辆相关的仿真行驶数据中,获取所述目标车辆在所述第一位置处的所述样本输入信息。
15.一种分岔车道预测装置,包括:
信息获取模块,用于在目标车辆与分岔点的距离小于或等于预设距离的情况下,获取所述目标车辆所在区域内的当前道路相关信息、所述目标车辆的当前信息;
目标模型预测模块,用于将所述目标车辆所在区域内的当前道路相关信息、所述目标车辆的当前信息输入目标模型,得到所述目标模型输出的所述目标车辆所对应的预测分岔车道,其中,所述目标车辆所对应的预测分岔车道为预测所述目标车辆通过所述分岔点后行驶的车道,所述目标模型为基于权利要求1至5任一项得到的。
16.根据权利要求15所述的装置,其中,所述目标车辆所在区域内的当前道路相关信息,包括:所述目标车辆所在区域内的当前道路状态信息、多个候选分岔车道的信息,其中,所述多个候选分岔车道在所述目标车辆所在区域内的所述分岔点之后。
17.根据权利要求16所述的装置,其中,所述目标车辆所在区域内的当前道路状态信息,包括以下至少之一:
所述目标车辆所在区域内的多个车道的信息;
所述目标车辆所在区域内的一个或多个障碍物的信息;
所述多个候选分岔车道中的每个所述候选分岔车道与目标车道的距离,其中,所述目标车道为所述目标车辆通过分岔区域后所要到达的车道,所述分岔区域为包含所述多个候选分岔车道的区域。
18.根据权利要求16或17所述的装置,其中,所述目标模型预测模块,用于将所述目标车辆所在区域内的当前道路状态信息、所述目标车辆的当前信息输入所述目标模型中的融合子模型,得到所述融合子模型输出的融合特征;将所述多个候选分岔车道的信息输入所述目标模型中的特征提取子模型,得到所述特征提取子模型输出的所述多个候选分岔车道的特征;将所述融合特征、所述多个候选分岔车道的特征输入所述目标模型中的分岔车道预测子模型,得到所述分岔车道预测子模型输出的所述目标车辆所对应的预测分岔车道。
19.一种电子设备,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1-5中任一项所述的方法。
20.一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1-5中任一项所述的方法。
21.一种计算机程序产品,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1-5中任一项所述的方法。
22.一种车辆,包括如权利要求19所述的电子设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311605771.9A CN117830978A (zh) | 2023-11-28 | 2023-11-28 | 模型训练方法、分岔车道预测方法、装置、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311605771.9A CN117830978A (zh) | 2023-11-28 | 2023-11-28 | 模型训练方法、分岔车道预测方法、装置、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117830978A true CN117830978A (zh) | 2024-04-05 |
Family
ID=90506747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311605771.9A Pending CN117830978A (zh) | 2023-11-28 | 2023-11-28 | 模型训练方法、分岔车道预测方法、装置、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117830978A (zh) |
-
2023
- 2023-11-28 CN CN202311605771.9A patent/CN117830978A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113264066B (zh) | 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 | |
CN113753077A (zh) | 预测障碍物的运动轨迹的方法、装置及自动驾驶车辆 | |
CN112526999B (zh) | 速度规划方法、装置、电子设备和存储介质 | |
CN115221722A (zh) | 自动驾驶车辆的仿真测试方法、模型训练方法和设备 | |
CN113859264A (zh) | 车辆控制方法、装置、电子设备及存储介质 | |
CN116092055A (zh) | 训练方法、获取方法、装置、设备及自动驾驶车辆 | |
CN115675534A (zh) | 车辆轨迹预测方法、装置、电子设备及存储介质 | |
CN114543829A (zh) | 模型训练方法、导航轨迹的推荐方法、装置及车辆 | |
CN116499487B (zh) | 一种车辆的路径规划方法、装置、设备及介质 | |
CN114998863B (zh) | 目标道路识别方法、装置、电子设备以及存储介质 | |
CN114179805B (zh) | 一种行驶方向确定方法、装置、设备以及存储介质 | |
CN117830978A (zh) | 模型训练方法、分岔车道预测方法、装置、电子设备 | |
CN114581869A (zh) | 确定目标对象位置的方法、装置、电子设备和存储介质 | |
CN114620055B (zh) | 道路数据处理方法、装置、电子设备及自动驾驶车辆 | |
CN114572233B (zh) | 基于模型集合的预测方法、电子设备及自动驾驶车辆 | |
CN114584949B (zh) | 车路协同确定障碍物属性值的方法、设备及自动驾驶车辆 | |
CN116168366B (zh) | 点云数据生成方法、模型训练方法、目标检测方法和装置 | |
CN116842392B (zh) | 轨迹预测方法及其模型的训练方法、装置、设备及介质 | |
CN112907949B (zh) | 交通异常的检测方法、模型的训练方法及装置 | |
CN114407916B (zh) | 车辆控制及模型训练方法、装置、车辆、设备和存储介质 | |
CN114158119B (zh) | 行驶方向的识别方法、装置、电子设备和介质 | |
CN115031750B (zh) | 阻断路段的状态确定方法、装置及计算机程序产品 | |
CN116279589A (zh) | 自动驾驶决策模型的训练方法、车辆控制方法和装置 | |
CN115649184A (zh) | 车辆控制指令的生成方法、装置及设备 | |
CN115837919A (zh) | 自动驾驶车辆的交互行为决策方法、装置及自动驾驶车辆 |
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 |