CN118035939A - 感知目标的置信度获取方法及自动驾驶规划控制方法 - Google Patents
感知目标的置信度获取方法及自动驾驶规划控制方法 Download PDFInfo
- Publication number
- CN118035939A CN118035939A CN202410207413.0A CN202410207413A CN118035939A CN 118035939 A CN118035939 A CN 118035939A CN 202410207413 A CN202410207413 A CN 202410207413A CN 118035939 A CN118035939 A CN 118035939A
- Authority
- CN
- China
- Prior art keywords
- confidence
- target
- perception
- automatic driving
- model
- 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
- 230000008447 perception Effects 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 96
- 230000004044 response Effects 0.000 claims abstract description 107
- 238000012549 training Methods 0.000 claims abstract description 46
- 230000004927 fusion Effects 0.000 claims abstract description 30
- 238000003860 storage Methods 0.000 claims abstract description 23
- 238000002372 labelling Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 26
- 238000007637 random forest analysis Methods 0.000 claims description 23
- 239000012634 fragment Substances 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010992 reflux Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请涉及自动驾驶技术领域,具体提供一种感知目标的置信度获取方法、自动驾驶规划控制方法、可读存储介质及智能设备,旨在解决如何基于更低的标注成本,估计更为可靠的感知目标置信度,进而为自动驾驶的规划和控制模块提供有效的响应依据的问题。为此目的,本申请应用自动驾驶的回流数据片段,标注正确响应标签和错误响应标签后,构建训练数据集,基于训练数据集对置信度估计模型进行训练,获得训练好的置信度估计模型,应用训练好的置信度估计模型,来估计感知融合结果中感知目标的置信度,能够实现对感知目标的置信度进行准确估计,为自动驾驶的规划和控制过程提供有效的响应依据,提升用户体验,且标注成本更低。
Description
技术领域
本申请涉及自动驾驶技术领域,具体提供一种感知目标的置信度获取方法、自动驾驶规划控制方法、可读存储介质及智能设备。
背景技术
智驾系统像人一样准确识别目标是否真实存在,以及准确估计目标属性(如目标位置、速度、大小、类型、朝向等),是业界一直追求的目标。基于深度学习的感知模型存在一定的误检概率,错误的检出或者错误给出目标的属性往往会导致规划与控制模块采取错误的功能响应(如纵向误刹车、横向误抑制变道等),导致用户体验满意度下降。为了提升规划与控制模块功能响应的准确性,感知模块需提供一个综合的、可靠的目标置信度,为下游功能响应分级提供有效依据。
现有技术中,基于规则的置信度估计方法,一般通过构建几个维度的特征量,并进行特征量加权来综合表征目标的置信度。这种方法的缺点是特征量维度少,且每个维度特征量权重调节困难,导致置信度估计的准确率较低,对智驾功能错误响应指标的改善有限。
现有技术中,基于深度学习的置信度估计方法,一般通过构建复杂的神经网络模型,并进行海量的数据采集,用之训练得到模型。这种方法的缺点是数据采集标注成本较高、迭代周期长,模型可解释性差需要后处理来兜底。
相应地,本领域需要一种新的感知目标的置信度获取方案来解决上述问题。
发明内容
为了克服上述缺陷,提出了本申请,以提供解决或至少部分地解决如何基于更低的标注成本,估计更为可靠的感知目标置信度,进而为自动驾驶的规划和控制模块提供有效的响应依据的问题。
在第一方面,本申请提供一种感知目标的置信度获取方法,所述方法包括:
应用预设的训练好的置信度估计模型,根据自动驾驶的感知融合结果,估计所述感知融合结果中的感知目标的置信度;
其中,所述置信度估计模型为基于训练数据集训练获得的,所述训练数据集包含自动驾驶的回流数据片段,所述回流数据片段包含触发自动驾驶功能响应的回流感知融合结果中的回流感知目标,并包含标注的正确响应标签或错误响应标签。
在上述感知目标的置信度获取方法的一个技术方案中,所述方法还包括根据以下步骤获取所述训练数据集:
针对每条所述回流数据片段,为所述回流数据片段标注正确响应标签或错误响应标签,并获取触发自动驾驶功能响应的触发时间段和所述回流感知目标的触发目标ID;
根据所述触发时间段和所述触发目标ID,获取所述回流感知目标的特征序列;
根据所述特征序列和标注的所述正确响应标签或错误响应标签,生成当前所述回流数据片段对应的训练数据;
根据多条所述训练数据,生成所述训练数据集。
在上述感知目标的置信度获取方法的一个技术方案中,所述获取所述回流感知目标的特征序列,包括:
根据所述触发目标ID,从所述回流感知目标的pb文件中获取所述触发时间段内的所述特征序列。
在上述感知目标的置信度获取方法的一个技术方案中,所述特征序列包括所述回流感知目标的运动一致性特征、关键帧观测一致性特征、关键帧关联质量特征、观测连续性特征、融合优化特征和目标属性特征中的至少一种。
在上述感知目标的置信度获取方法的一个技术方案中,所述方法还包括根据以下步骤对训练完成的所述置信度估计模型进行评测,从而获得训练好的置信度估计模型:
对训练完成的所述置信度估计模型进行评测,获取评测结果;
根据所述评测结果,获得备选模型;
根据所述备选模型,获取所述训练好的置信度估计模型。
在上述感知目标的置信度获取方法的一个技术方案中,所述评测结果包括置信度估计模型的正确响应召回率和错误响应召回率;
所述根据所述评测结果,获得备选模型,包括:
选择所述正确响应召回率大于第一预设值且所述错误响应召回率大于第二预设值的置信度估计模型,作为所述备选模型。
在上述感知目标的置信度获取方法的一个技术方案中,所述选择所述正确响应召回率大于第一预设值且所述错误响应召回率大于第二预设值的置信度估计模型,作为所述备选模型,包括:
当所述错误响应召回率大于第二预设值的置信度估计模型为多个时,选择所述错误响应召回率最大的所述置信度估计模型,作为所述备选模型。
在上述感知目标的置信度获取方法的一个技术方案中,所述根据所述备选模型,获取所述训练好的置信度估计模型,包括:
基于预设规则,对所述备选模型进行仿真验证,选择验证通过的所述备选模型,作为训练好的置信度估计模型。
在上述感知目标的置信度获取方法的一个技术方案中,所述置信度估计模型为随机森林模型;
所述应用预设的训练好的置信度估计模型,根据自动驾驶的感知融合结果,估计所述感知融合结果中的感知目标的置信度,包括:
根据所述感知融合结果,获取所述感知目标的特征序列;
根据所述特征序列,应用训练好的所述随机森林模型,估计所述感知目标的置信度。
在上述感知目标的置信度获取方法的一个技术方案中,所述根据所述特征序列,应用所述随机森林模型,估计所述感知目标的置信度,包括:
基于所述随机森林模型,根据所述特征序列,获取所述随机森林模型中每颗树的置信度结果;
根据所述随机森林模型的所有树的置信度结果,估计所述感知目标的置信度。
在第二方面,本申请提供一种自动驾驶规划控制方法,所述方法包括:
根据上述感知目标的置信度获取方法技术方案中任一项所述的感知目标的置信度获取方法,估计自动驾驶的感知目标的置信度;
根据所述感知目标和所述置信度,进行自动驾驶的规划控制。
在上述自动驾驶规划控制方法的一个技术方案中,所述根据所述感知目标和所述置信度,进行自动驾驶的规划控制,包括:
当所述置信度大于等于预设的第一置信度阈值时,直接对所述感知目标进行自动驾驶功能响应;
当所述置信度小于所述第一置信度阈值大于等于预设的第二置信度阈值时,延迟第一预设时间后,对所述感知目标进行自动驾驶功能响应;
当所述置信度小于所述第二置信度阈值时,不对所述感知目标进行自动驾驶功能响应。
在第三方面,提供一种计算机可读存储介质,该计算机可读存储介质其中存储有多条程序代码,所述程序代码适于由处理器加载并运行以执行上述感知目标的置信度获取方法的技术方案中任一项技术方案所述的感知目标的置信度获取方法或上述自动驾驶规划控制方法的技术方案中任一项技术方案所述的自动驾驶规划控制方法。
在第四方面,提供一种智能设备,所述智能设备包括:
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,所述存储器中存储有计算机程序,所述计算机程序被所述至少一个处理器执行时实现上述感知目标的置信度获取方法的技术方案中任一项技术方案所述的感知目标的置信度获取方法或上述自动驾驶规划控制方法的技术方案中任一项技术方案所述的自动驾驶规划控制方法。
本申请上述一个或多个技术方案,至少具有如下一种或多种有益效果:
在实施本申请的技术方案中,本申请应用自动驾驶的回流数据片段,标注正确响应标签和错误响应标签后,构建训练数据集,基于训练数据集对置信度估计模型进行训练,获得训练好的置信度估计模型,应用训练好的置信度估计模型,来估计感知融合结果中感知目标的置信度。通过上述配置方式,本申请能够实现对感知目标的置信度进行准确估计,进而为自动驾驶的规划和控制过程提供有效的响应依据,避免错误响应的出现,有效提升用户体验。同时,由于本申请的训练数据集是由自动驾驶的回流数据片段构建的,且仅需要标注正确响应标签和错误响应标签,其能够实现高效的数据闭合,且标注成本更低。
附图说明
参照附图,本申请的公开内容将变得更易理解。本领域技术人员容易理解的是:这些附图仅仅用于说明的目的,而并非意在对本申请的保护范围组成限制。其中:
图1是根据本申请的一个实施例的感知目标的置信度获取方法的主要步骤流程示意图;
图2是根据本申请实施例的一个实施方式的训练数据集构建的主要步骤流程示意图;
图3是根据本申请实施例的一个实施方式的置信度估计模型的模型部署的主要步骤流程示意图;
图4是根据本申请的一个实施例的自动驾驶规划控制方法的主要步骤流程示意图;
图5是根据本申请实施例的一个实施方式的自动驾驶规划控制方法的主要实现架构示意图;
图6是根据本申请实施例的一个示例的误刹车被抑制的场景示意图;
图7是根据本申请实施例的另一个示例的误刹车被消除的场景示意图;
图8是根据本申请实施例的第三个示例的误刹车被消除的场景示意图;
图9是根据本申请实施例的第四个示例的抑制误刹车过程的数据闭合迭代结果示意图;
图10是根据本申请的一个实施例的智能设备的存储器和处理器之间的连接关系示意图。
具体实施方式
下面参照附图来描述本申请的一些实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本申请的技术原理,并非旨在限制本申请的保护范围。
在本申请的描述中,“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路,各种合适的感应器,通信端口,存储器,也可以包括软件部分,比如程序代码,也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质,比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合,比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似,可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。
这里先解释本申请涉及到的一些术语。
自动驾驶系统(Automated Driving Systems,ADS),其是指系统在自身的设计运行范围(Operational Domain Design,ODD)内将持续执行全部的动态驾驶任务(DynamicDriving Task,DDT)。即,在规定的适当驾驶场景条件下才允许机器系统全部承担车辆自动操控的任务,即车辆满足ODD条件时系统被激活,该系统代替人类驾驶员作为车辆的驾驶主体。其中,动态驾驶任务DDT是指对车辆进行持续的横向(左、右转向)和纵向运动控制(加速,减速,匀速)以及对车辆行驶环境中的目标和事件进行探测和响应。设计运行范围ODD是指自动驾驶系统可以安全运行的条件,其设置的条件可以包括地理位置、道路类型、速度范围、天气、时间、国家和地方性交通法律法规等。
参阅附图1,图1是根据本申请的一个实施例的感知目标的置信度获取方法的主要步骤流程示意图。如图1所示,本申请实施例中的感知目标的置信度获取方法主要包括下列步骤S101。
步骤S101:应用预设的训练好的置信度估计模型,根据自动驾驶的感知融合结果,估计感知融合结果中的感知目标的置信度。其中,置信度估计模型为基于训练数据集训练获得的,训练数据集包含自动驾驶的回流数据片段,回流数据片段包含触发自动驾驶功能响应的回流感知融合结果中的回流感知目标,并包含标注的正确响应标签或错误响应标签。
在本实施例中,可以基于自动驾驶的回流数据片段构建训练数据集,回流数据片段包括触发自动驾驶功能响应的回流感知目标,并对回流数据片段标注了自动驾驶功能响应的正确响应(TP,True Positive)标签或错误响应(FP,False Positive)标签。基于训练数据集对置信度估计模型进行训练,并应用训练好的置信度估计模型来估计自动驾驶感知融合结果中感知目标的置信度。
一个实施方式中,置信度估计模型为基于深度学习的神经网络模型。
一个实施方式中,置信度估计模型为随机森林模型。应用随机森林模型估计感知目标的置信度,能够实现模型轻量化,使得推理过程不依赖于GPU资源,推理过程耗时更短。
一个实施方式中,可以通过车辆的影子模式来获取回流数据片段。如,2~3天内从数万台量产车辆中获取100~200万公里级别的影子模式的回流数据片段。其中,影子模式是指车辆在实际道路运行过程中进行数据回传以及对车辆的性能进行性能测试的模式。回流数据片段是指车辆在实际道路运行过程中回传的数据。
一个实施方式中,可以人工对回流数据片段是否为正确的自动驾驶响应进行判断,并根据判断结果对回流数据片段进行标注,标注正确响应标签或错误响应标签。
一个实施方式中,可以直接应用实车的回流数据片段来构建训练数据集,无需对回流数据片段进行二次加工和处理,能够有效规避端云不一致、问题复现度低的问题。
一个实施方式中,自动驾驶功能响应可以包括但不限于刹车、变道、减速、转弯等。
基于上述步骤S101,本申请实施例应用自动驾驶的回流数据片段,标注正确响应标签和错误响应标签后,构建训练数据集,基于训练数据集对置信度估计模型进行训练,获得训练好的置信度估计模型,应用训练好的置信度估计模型,来估计感知融合结果中感知目标的置信度。通过上述配置方式,本申请实施例能够实现对感知目标的置信度进行准确估计,进而为自动驾驶的规划和控制过程提供有效的响应依据,避免错误响应的出现,有效提升用户体验。同时,由于本申请的训练数据集是由自动驾驶的回流数据片段构建的,且仅需要标注正确响应标签和错误响应标签,其能够实现高效的数据闭合,且标注成本更低。
在本申请实施例的一个实施方式中,可以根据以下步骤S201至步骤S204来获取训练数据集:
步骤S201:针对每条回流数据片段,为回流数据片段标注正确响应标签或错误响应标签,并获取触发自动驾驶功能响应的触发时间段和回流感知目标的触发目标ID。
在本实施方式中,针对每条回流数据片段,可以为回流数据片段标注正确响应标签和错误响应标签,并获取自动驾驶功能响应的触发开始时间和触发结束时间,从而获取触发时间段,并获取回流感知目标的触发目标ID。
一个实施方式中,车端可以通过pb文件的形式,来存储并回传车端的回流数据片段。其中,pb文件是google提出的一种序列化的数据格式。
步骤S202:根据触发时间段和触发目标ID,获取回流感知目标的特征序列。
在本实施方式中,可以根据触发目标ID,从回流感知目标的pb文件中获取触发时间段内的特征序列。即,可以从pb文件中解析出原始特征量的序列,作为特征序列。
一个实施方式中,特征序列可以包括但不限于回流感知目标的运动一致性特征、关键帧观测一致性特征、关键帧关联质量特征、观测连续性特征、融合优化特征和目标属性特征等。
在本实施方式中,为了更好地区分自动驾驶功能响应是正确响应还是错误响应,可以构建多维度的特征,组成特征序列。如,可以构建30~50维度的特征,组成特征序列。
一个实施方式中,可以通过自动化脚本对回流数据片段进行解析,获得从触发开始时刻到触发结束时刻,回流感知目标的特征序列,并为特征序列增加正确响应标签或错误响应标签后,生成表格型数据集作为训练数据集。
一个示例中,可以参阅表1,表1为特征序列包含的特征分类表。表1中示出了特征序列中包含的不同的特征的分类,以及各个特征分类包含的特征量和用途。其中,x_position表示在x轴方向上的位置、y_position表示在y轴方向上的位置。所有特征量均直接从回流数据片段中提取,未经过离线计算和二次处理,能够规避端云不一致对回流数据片段的影响。
表1 特征序列包含的特征分类表
分类 | 特征量 | 用途 |
运动一致性特征 | 横向运动一致性纵向运动一致性 | 衡量前后帧之间运动状态是否自洽 |
关键帧观测一致性 | x_position,0次多项式拟合x_position,1次多项式拟合x_position,2次多项式拟合y_position,0次多项式拟合y_position,1次多项式拟合y_position,2次多项式拟合 | 衡量参与优化的原始观测的位置是否自洽 |
关键帧关联质量 | 关联分数均值关联分数标准差 | 衡量参与优化的原始观测的位置 |
观测关联质量特征 | 整体关联分数均值整体关联分数标准差Lidar(雷达)关联分数均值lidar关联分数标准差bev front(前视鸟瞰图)关联分数均值bev front关联分数标准差bev rear(后视鸟瞰图)关联分数均值bev rear关联分数标准差 | 衡量各个传感器原始观测的关联是否可靠 |
观测连续性特征 | Lidar观测连续性Bev front观测连续性Bev rear观测连续性整体观测连续性 | 衡量目标生命周期内的观测是否连续 |
融合优化特征 | 优化初始误差优化最终误差优化次数优化退出原因 | 衡量优化过程中的指标是否异常 |
目标属性特征 | 目标类型目标遮挡比例目标跟踪时间目标丢失时间目标群体标签目标有无人标签目标位置目标速度目标航向 | 衡量目标平滑滤波后各类属性是否异常或者相关性 |
步骤S203:根据特征序列和标注的正确响应标签或错误响应标签,生成当前回流数据片段对应的训练数据。
在本实施方式中,可以根据特征序列和标注的正确响应标签和错误响应标签来生成当前回流数据片段对应的训练数据。
步骤S204:根据多条训练数据,生成训练数据集。
在本实施方式中,可以根据多条训练数据,生成训练数据集。
一个实施方式中,可以参阅附图2,图2是根据本申请实施例的一个实施方式的训练数据集构建的主要步骤流程示意图。如图2所示,可以先读取数据列表(回流数据片段);进行数据pb消息(pb文件)下载;单个数据片段解析;获取单个数据片段的功能触发开始时间、结束时间和触发目标id;提取对应时间范围内的特征序列(其中,特征序列存储在目标pb消息中);为每条特征序列增加功能正确响应标签或错误响应标签;判断是否所有的回流数据片段均处理完成,若是,则进行训练数据集存储;若否,则继续对单个数据集进行解析。
在本申请实施例的一个实施方式中,可以根据以下步骤S301至步骤S303对训练完成的所述置信度估计模型进行评测,从而获得训练好的置信度估计模型:
步骤S301:对训练完成的置信度估计模型进行评测,获取评测结果。
在本实施方式中,可以对训练完成的置信度估计模型进行评测,以获得评测结果。
步骤S302:根据评测结果,获得备选模型。
在本实施方式中,评测结果包括置信度估计模型的正确响应召回率(TP recall)和错误响应召回率(FP recall),可以选择正确响应召回率大于第一预设值且错误响应召回率大于第二预设值的置信度估计模型,作为备选模型。其中,错误响应召回率越高越好。
一个实施方式中,第一预设值可以为0.9,第二预设值可以为0.7。
一个实施方式中,当错误响应召回率大于第二预设值的置信度估计模型为多个时,选择错误响应召回率最大的置信度估计模型,作为备选模型。
步骤S303:根据备选模型,获取训练好的置信度估计模型。
在本实施方式中,可以基于预设规则,对备选模型进行仿真验证,选择验证通过的备选模型作为训练好的置信度估计模型。
一个实施方式中,预设规则可以为AEB(Autonomous Emergency Braking,自动紧急刹车系统)法规场景数据集,当AEB法规场景数据集均能正确触发,则可以认为备选模型验证通过。
在本申请实施例的一个实施方式中,置信度估计模型为随机森林模型,步骤S101可以进一步包括以下步骤S1011和步骤S1012:
步骤S1011:根据感知融合结果,获取感知目标的特征序列。
在本实施方式中,可以根据自动驾驶的感知融合结果获得感知目标的特征序列。
一个实施方式中,可以对感知融合结果进行解析获得感知目标的特征序列。
步骤S1012:根据特征序列,应用训练好的随机森林模型,估计感知目标的置信度。
在本实施方式中,步骤S1012可以进一步包括以下步骤S10121和步骤S10122:
步骤S10121:基于随机森林模型,根据特征序列,获取随机森林模型中每颗树的置信度结果。
步骤S10122:根据随机森林模型的所有树的置信度结果,估计感知目标的置信度。
在本实施方式中,在模型部署应用环节,可以基于特征序列,获取随机森林模型每棵树的置信度结果,并结合随机森林模型所有树的置信度结果,来估计感知目标的置信度。
一个实施方式中,可以将所有树的置信度结果求均值,作为感知目标的置信度。
一个实施方式中,可以参阅附图3,图3是根据本申请实施例的一个实施方式的置信度估计模型的模型部署的主要步骤流程示意图。如图3所示,可以根据量产数据判断是否存在影子模式触发数据回流,若是,则对回流数据片段进行功能响应正确性分析,为回流数据片段增加正确响应标签或错误响应标签,从而实现训练数据集自动化生成,基于训练数据集进行随机森林模型置信度分类器(置信度估计模型)训练/评测,训练/评测完成后,进行置信度估计模型的部署,并基于影子模式获取的量产数据对置信度估计模型进行验证。
进一步,本申请还提供一种自动驾驶规划控制方法。
参阅附图4,图4是根据本申请的一个实施例的自动驾驶规划控制方法的主要步骤流程示意图。如图4所示,本申请实施例中的自动驾驶规划控制方法主要包括下列步骤S401和步骤S402。
步骤S401:根据上述感知目标的置信度获取方法实施例中的感知目标的置信度获取方法,估计自动驾驶的感知目标的置信度。
步骤S402:根据感知目标和感知目标的置信度,进行自动驾驶的规划控制。
在本实施例中,步骤S402可以进一步包括以下步骤S4021至步骤S4023:
步骤S4021:当置信度大于等于预设的第一置信度阈值时,直接对感知目标进行自动驾驶功能响应。
步骤S4022:当置信度小于第一置信度阈值大于等于预设的第二置信度阈值时,延迟第一预设时间后,对感知目标进行自动驾驶功能响应。
步骤S4023:当置信度小于第二置信度阈值时,不对感知目标进行自动驾驶功能响应。
在本实施方式,可以根据感知目标的置信度大小来进行自动驾驶的规划控制的分级响应。具体地,当置信度大于第一置信度阈值时,则可以直接进行自动驾驶功能响应。当置信小于第一置信度阈值大于等于第二置信度阈值时,可以延迟第一预设时间后,对感知目标进行自动驾驶功能响应。当置信度小于第二置信度阈值时,可以不对感知目标进行自动驾驶功能响应。
一个实施方式中,可以参阅附图5,图5是根据本申请实施例的一个实施方式的自动驾驶规划控制方法的主要实现架构示意图。如图5所示,可以多个来源的获得的感知目标,作为模型当前检测结果输入至OD(感知目标)融合模型中,分别进行预处理、关联、优化等操作,基于关联cost(分数)特征、优化Loss(损失)特征、其他当前状态特征、位置/朝向拟合损失特征,通过随机森林模型进行推理,估计感知目标的置信度(融合confidence)。针对高置信度,即大于0.48,正常响应;针对中置信度,即0.42~0.48之间,增加debounce(延时)响应;针对低置信度,即小于0.42,则不响应。其中,位置/朝向拟合损失特征是由雷达感知目标、鸟瞰图感知目标、融合感知目标的连续帧位置朝向,进行0/1/2时序拟合获得的。其他当前状态特征基于模型置信度、融合源、类别等因素获得。
下面以第一置信度阈值为0.48,第二置信度阈值为0.42,自动驾驶功能响应为紧急刹车为例,结合图6至图8,对本申请实施例的自动驾驶规划控制方法进行说明。图6是根据本申请实施例的一个示例的误刹车被抑制的场景示意图;图7是根据本申请实施例的另一个示例的误刹车被消除的场景示意图;图8是根据本申请实施例的第三个示例的误刹车被消除的场景示意图。图6至图8中的43605为紧急刹车功能响应编号,矩形框为感知目标,矩形框对应的编号为感知目标id。
现有技术中,自动驾驶规划控制模块一般会结合自身位置与运动量、他车/人位置与运动量,计算碰撞概率,决定是否要刹车。在某些复杂或特定场景下,感知目标其实不存在或者速度位置等状态异常,会导致错误刹车,影响用户使用自动驾驶的体验,更严重地,还可能对用户造成人身伤害。本申请中的自动驾驶规划控制方法则基于感知目标的置信度进行分级响应。感知目标的置信度是目标真实存在或者目标属性准确性的一个综合衡量指标,其取值范围在0~1之间。在紧急刹车分级判定中,针对高置信度的感知目标(置信度大于等于0.48),可以直接进行紧急刹车;针对中置信度的感知目标(置信度大于等于0.42,小于0.48),可以延迟一段时间后进行紧急刹车;针对低置信度的感知目标(置信度小于0.42)可以不进行紧急刹车。
如图6所示,自车左转,左侧误识别出不存在的横穿行人,其置信度小于0.48,大于0.42,判定为中置信度,延迟一段时间进行响应,误刹车被抑制。
如图7所示,前方路边有静止群体行人,误检行人横穿速度,行人横穿速度的置信度小于0.42,判定为低置信度,则不进行响应,消除误刹车。
如图8所示,自车直道直行,右侧静止自行车,横向感知速度异常,横向感知速度的置信度小于0.42,判定为低置信度,则不进行响应,消除误刹车。
另一示例中,参阅附图9,图9是根据本申请实施例的第四个示例的抑制误刹车过程的数据闭合迭代结果示意图。如图9所示,在本示例中,进行了10轮数据闭环迭代,其中第5轮和第10轮使用了本申请的自动驾驶规划控制方法,其他轮则使用rule based(基于规则)的方法实现规划控制。从图9中可以看出在抑制AEB误刹车(FP)上,本申请的自动驾驶规划控制方法具有良好的效果:
第5轮:整体指标从0.3625wkm提升至1.39wkm/fp,单轮迭代提升383%。
第8轮:整体指标从1.63wkm/fp提升至3.32wkm/fp,单轮迭代提升203%。
其中,图9中由于第6轮和第8轮的coapp结果无效,因而第6轮和第8轮的结果被丢弃。
需要说明的是,本申请中所涉及到的“置信度获取”其含义均等同于本领域技术人员所熟知的“置信度估计”。
需要指出的是,尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述,但是本领域技术人员可以理解,为了实现本申请的效果,不同的步骤之间并非必须按照这样的顺序执行,其可以同时(并行)执行或以其他顺序执行,这些变化都在本申请的保护范围之内。
本领域技术人员能够理解的是,本申请实现上述一实施例的方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读存储介质不包括电载波信号和电信信号。
进一步,本申请还提供了一种计算机可读存储介质。在根据本申请的一个计算机可读存储介质实施例中,计算机可读存储介质可以被配置成存储执行上述方法实施例的感知目标的置信度获取方法的程序,该程序可以由处理器加载并运行以实现上述感知目标的置信度获取方法。为了便于说明,仅示出了与本申请实施例相关的部分,具体技术细节未揭示的,请参照本申请实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备,可选的,本申请实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
进一步,本申请还提供了一种计算机可读存储介质。在根据本申请的一个计算机可读存储介质实施例中,计算机可读存储介质可以被配置成存储执行上述方法实施例的自动驾驶规划控制方法的程序,该程序可以由处理器加载并运行以实现上述自动驾驶规划控制方法。为了便于说明,仅示出了与本申请实施例相关的部分,具体技术细节未揭示的,请参照本申请实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备,可选的,本申请实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
进一步,本申请还提供一种智能设备。在根据本申请的一个智能设备实施例中,智能设备可以包括至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器中存储有计算机程序,计算机程序被至少一个处理器执行时实现上述任一实施例所述的方法。本申请所述的智能设备,可以包括驾驶设备、智能车、机器人等设备。参阅附图10,图10是根据本申请的一个实施例的智能设备的存储器和处理器之间的连接关系示意图。图10中示例性的示出了存储器和处理器通过总线通信连接。
在本申请的一些实施例中,智能设备还包括至少一个传感器,传感器用于感知信息。传感器与本申请提到的任何一种类型的处理器通信连接。可选地,智能设备还包括自动驾驶系统,自动驾驶系统用于引导智能设备自行行驶或辅助驾驶。处理器与传感器和/或自动驾驶系统通信,用于完成上述任一实施例所述的方法。
进一步,应该理解的是,由于各个模块的设定仅仅是为了说明本申请的装置的功能单元,这些模块对应的物理器件可以是处理器本身,或者处理器中软件的一部分,硬件的一部分,或者软件和硬件结合的一部分。因此,图中的各个模块的数量仅仅是示意性的。
本领域技术人员能够理解的是,可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本申请的原理,因此,拆分或合并之后的技术方案都将落入本申请的保护范围内。
本申请各实施例中可能涉及的相关用户个人信息,均为严格按照法律法规的要求,遵循合法、正当、必要的原则,基于业务场景的合理目的,处理用户在使用产品/服务过程中主动提供或因使用产品/服务而产生的,以及经用户授权获取的个人信息。
本申请处理的用户个人信息会因具体产品/服务场景而有所不同,需以用户使用产品/服务的具体场景为准,可能会涉及用户的账号信息、设备信息、驾驶信息、车辆信息或其他相关信息。申请人会以高度的勤勉义务对待用户的个人信息及其处理。
本申请非常重视用户个人信息的安全,已采取符合业界标准、合理可行的安全防护措施保护用户的信息,防止个人信息遭到未经授权访问、公开披露、使用、修改、损坏或丢失。
至此,已经结合附图所示的优选实施方式描述了本申请的技术方案,但是,本领域技术人员容易理解的是,本申请的保护范围显然不局限于这些具体实施方式。在不偏离本申请的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本申请的保护范围之内。
Claims (14)
1.一种感知目标的置信度获取方法,其特征在于,所述方法包括:
应用预设的训练好的置信度估计模型,根据自动驾驶的感知融合结果,估计所述感知融合结果中的感知目标的置信度;
其中,所述置信度估计模型为基于训练数据集训练获得的,所述训练数据集包含自动驾驶的回流数据片段,所述回流数据片段包含触发自动驾驶功能响应的回流感知融合结果中的回流感知目标,并包含标注的正确响应标签或错误响应标签。
2.根据权利要求1所述的感知目标的置信度获取方法,其特征在于,所述方法还包括根据以下步骤获取所述训练数据集:
针对每条所述回流数据片段,为所述回流数据片段标注正确响应标签或错误响应标签,并获取触发自动驾驶功能响应的触发时间段和所述回流感知目标的触发目标ID;
根据所述触发时间段和所述触发目标ID,获取所述回流感知目标的特征序列;
根据所述特征序列和标注的所述正确响应标签或错误响应标签,生成当前所述回流数据片段对应的训练数据;
根据多条所述训练数据,生成所述训练数据集。
3.根据权利要求2所述的感知目标的置信度获取方法,其特征在于,
所述获取所述回流感知目标的特征序列,包括:
根据所述触发目标ID,从所述回流感知目标的pb文件中获取所述触发时间段内的所述特征序列。
4.根据权利要求2或3所述的感知目标的置信度获取方法,其特征在于,
所述特征序列包括所述回流感知目标的运动一致性特征、关键帧观测一致性特征、关键帧关联质量特征、观测连续性特征、融合优化特征和目标属性特征中的至少一种。
5.根据权利要求1至3中任一项所述的感知目标的置信度获取方法,其特征在于,所述方法还包括根据以下步骤对训练完成的所述置信度估计模型进行评测,从而获得训练好的置信度估计模型:
对训练完成的所述置信度估计模型进行评测,获取评测结果;
根据所述评测结果,获得备选模型;
根据所述备选模型,获取所述训练好的置信度估计模型。
6.根据权利要求5所述的感知目标的置信度获取方法,其特征在于,所述评测结果包括置信度估计模型的正确响应召回率和错误响应召回率;
所述根据所述评测结果,获得备选模型,包括:
选择所述正确响应召回率大于第一预设值且所述错误响应召回率大于第二预设值的置信度估计模型,作为所述备选模型。
7.根据权利要求6所述的感知目标的置信度获取方法,其特征在于,
所述选择所述正确响应召回率大于第一预设值且所述错误响应召回率大于第二预设值的置信度估计模型,作为所述备选模型,包括:
当所述错误响应召回率大于第二预设值的置信度估计模型为多个时,选择所述错误响应召回率最大的所述置信度估计模型,作为所述备选模型。
8.根据权利要求5所述的感知目标的置信度获取方法,其特征在于,
所述根据所述备选模型,获取所述训练好的置信度估计模型,包括:
基于预设规则,对所述备选模型进行仿真验证,选择验证通过的所述备选模型,作为训练好的置信度估计模型。
9.根据权利要求1至3或6至8中任一项所述的感知目标的置信度获取方法,其特征在于,所述置信度估计模型为随机森林模型;
所述应用预设的训练好的置信度估计模型,根据自动驾驶的感知融合结果,估计所述感知融合结果中的感知目标的置信度,包括:
根据所述感知融合结果,获取所述感知目标的特征序列;
根据所述特征序列,应用训练好的所述随机森林模型,估计所述感知目标的置信度。
10.根据权利要求9所述的感知目标的置信度获取方法,其特征在于,
所述根据所述特征序列,应用所述随机森林模型,估计所述感知目标的置信度,包括:
基于所述随机森林模型,根据所述特征序列,获取所述随机森林模型中每颗树的置信度结果;
根据所述随机森林模型的所有树的置信度结果,估计所述感知目标的置信度。
11.一种自动驾驶规划控制方法,其特征在于,所述方法包括:
根据权利要求1至10中任一项所述的感知目标的置信度获取方法,估计自动驾驶的感知目标的置信度;
根据所述感知目标和所述置信度,进行自动驾驶的规划控制。
12.根据权利要求11所述的自动驾驶规划控制方法,其特征在于,
所述根据所述感知目标和所述置信度,进行自动驾驶的规划控制,包括:
当所述置信度大于等于预设的第一置信度阈值时,直接对所述感知目标进行自动驾驶功能响应;
当所述置信度小于所述第一置信度阈值大于等于预设的第二置信度阈值时,延迟第一预设时间后,对所述感知目标进行自动驾驶功能响应;
当所述置信度小于所述第二置信度阈值时,不对所述感知目标进行自动驾驶功能响应。
13.一种计算机可读存储介质,其中存储有多条程序代码,其特征在于,所述程序代码适于由处理器加载并运行以执行权利要求1至10中任一项所述的感知目标的置信度获取方法或权利要求11至12中任一项所述的自动驾驶规划控制方法。
14.一种智能设备,其特征在于,所述智能设备包括:
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,所述存储器中存储有计算机程序,所述计算机程序被所述至少一个处理器执行时实现权利要求1至10中任一项所述的感知目标的置信度获取方法或权利要求11至12中任一项所述的自动驾驶规划控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410207413.0A CN118035939B (zh) | 2024-02-26 | 2024-02-26 | 感知目标的置信度获取方法及自动驾驶规划控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410207413.0A CN118035939B (zh) | 2024-02-26 | 2024-02-26 | 感知目标的置信度获取方法及自动驾驶规划控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118035939A true CN118035939A (zh) | 2024-05-14 |
CN118035939B CN118035939B (zh) | 2024-07-02 |
Family
ID=91000039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410207413.0A Active CN118035939B (zh) | 2024-02-26 | 2024-02-26 | 感知目标的置信度获取方法及自动驾驶规划控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118035939B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108407808A (zh) * | 2018-04-23 | 2018-08-17 | 安徽车鑫保汽车销售有限公司 | 一种汽车行驶智能预测系统 |
WO2020037500A1 (zh) * | 2018-08-21 | 2020-02-27 | 深圳前海达闼云端智能科技有限公司 | 智能驾驶方法、装置及存储介质 |
US20200409364A1 (en) * | 2019-06-29 | 2020-12-31 | Gm Cruise Holdings Llc | Automatic detection of data for annotation for autonomous vehicle perception |
CN113496213A (zh) * | 2021-06-29 | 2021-10-12 | 中汽创智科技有限公司 | 一种目标感知数据的确定方法、装置、系统及存储介质 |
US20220055663A1 (en) * | 2020-08-21 | 2022-02-24 | Toyota Research Institute, Inc. | Method and system for behavioral cloning of autonomous driving policies for safe autonomous agents |
CN114523985A (zh) * | 2022-04-24 | 2022-05-24 | 新石器慧通(北京)科技有限公司 | 基于传感器的感知结果的无人车运动决策方法及装置 |
CN114612678A (zh) * | 2022-02-23 | 2022-06-10 | 武汉路特斯汽车有限公司 | 视觉感知算法评测方法 |
CN115147796A (zh) * | 2022-07-14 | 2022-10-04 | 小米汽车科技有限公司 | 评测目标识别算法的方法、装置、存储介质及车辆 |
CN117557977A (zh) * | 2023-12-28 | 2024-02-13 | 安徽蔚来智驾科技有限公司 | 环境感知信息获取方法、可读存储介质及智能设备 |
-
2024
- 2024-02-26 CN CN202410207413.0A patent/CN118035939B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108407808A (zh) * | 2018-04-23 | 2018-08-17 | 安徽车鑫保汽车销售有限公司 | 一种汽车行驶智能预测系统 |
WO2020037500A1 (zh) * | 2018-08-21 | 2020-02-27 | 深圳前海达闼云端智能科技有限公司 | 智能驾驶方法、装置及存储介质 |
US20200409364A1 (en) * | 2019-06-29 | 2020-12-31 | Gm Cruise Holdings Llc | Automatic detection of data for annotation for autonomous vehicle perception |
US20220055663A1 (en) * | 2020-08-21 | 2022-02-24 | Toyota Research Institute, Inc. | Method and system for behavioral cloning of autonomous driving policies for safe autonomous agents |
CN113496213A (zh) * | 2021-06-29 | 2021-10-12 | 中汽创智科技有限公司 | 一种目标感知数据的确定方法、装置、系统及存储介质 |
CN114612678A (zh) * | 2022-02-23 | 2022-06-10 | 武汉路特斯汽车有限公司 | 视觉感知算法评测方法 |
CN114523985A (zh) * | 2022-04-24 | 2022-05-24 | 新石器慧通(北京)科技有限公司 | 基于传感器的感知结果的无人车运动决策方法及装置 |
CN115147796A (zh) * | 2022-07-14 | 2022-10-04 | 小米汽车科技有限公司 | 评测目标识别算法的方法、装置、存储介质及车辆 |
CN117557977A (zh) * | 2023-12-28 | 2024-02-13 | 安徽蔚来智驾科技有限公司 | 环境感知信息获取方法、可读存储介质及智能设备 |
Non-Patent Citations (1)
Title |
---|
吴亚蒙;: "基于提升度和置信度特征融合的视觉感知算法", 数码世界, no. 11, 1 November 2017 (2017-11-01), pages 425 - 426 * |
Also Published As
Publication number | Publication date |
---|---|
CN118035939B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230025414A1 (en) | Method for identifying abnormal driving behavior | |
CN108256506B (zh) | 一种视频中物体检测方法及装置、计算机存储介质 | |
CN111508101B (zh) | 通过检测驾驶场景来评估驾驶员的驾驶习惯的方法和装置 | |
US20230409903A1 (en) | Multi-agent simulations | |
EP3940487B1 (en) | Estimation of probability of collision with increasing severity level for autonomous vehicles | |
CN114972911A (zh) | 自动驾驶感知算法模型的输出数据收集处理方法及设备 | |
CN111881197A (zh) | 一种仿真数据转换方法及装置 | |
CN113674317B (zh) | 一种高位视频的车辆跟踪方法及装置 | |
Koenig et al. | Bridging the gap between open loop tests and statistical validation for highly automated driving | |
CN111352414A (zh) | 用于车辆的假目标移除装置和方法及包括该装置的车辆 | |
CN118035939B (zh) | 感知目标的置信度获取方法及自动驾驶规划控制方法 | |
US20230350664A1 (en) | Methods and apparatus for automatically labeling data processing events in autonomous driving vehicles via machine learning | |
Gerber et al. | A study on mitigating hard boundaries of decision-tree-based uncertainty estimates for AI models | |
CN116776288A (zh) | 一种智能驾驶感知模型的优化方法、装置及存储介质 | |
CN116580551A (zh) | 车辆驾驶行为评估方法、装置、设备及存储介质 | |
CN116997890A (zh) | 生成未知不安全场景、改进自动交通工具、计算机系统 | |
Hammit et al. | Radar-vision algorithms to process the trajectory-level driving data in the SHRP2 Naturalistic Driving Study | |
Ravishankaran | Impact on how AI in automobile industry has affected the type approval process at RDW | |
CN112232312A (zh) | 基于深度学习的自动驾驶方法、装置和电子设备 | |
CN112698578A (zh) | 一种自动驾驶模型的训练方法及相关设备 | |
CN115303280B (zh) | 冗余低延迟的车辆行驶道路的识别方法和装置 | |
CN117576926B (zh) | 车辆违规检测方法、设备及存储介质 | |
CN118097610A (zh) | 静态障碍物检测方法、存储介质及智能设备 | |
CN118277829A (zh) | 自动驾驶功能触发分析方法、可读存储介质及服务器 | |
US20230236921A1 (en) | Information processing system, information processing method, and program |
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 |