机器学习训练方法、装置、服务器和介质制造方法及图纸

本发明专利技术实施例公开了一种机器学习训练方法、装置、服务器和介质，其中，该方法包括：确定被识别对象的类型和初始状态，并向承载被识别对象的移动装置发送移动指令；在被识别对象移动的过程中，利用位置固定的采集装置按照设定的频率采集被识别对象的图像数据；根据被识别对象的初始状态、移动速度和移动方向，和/或采集装置与被识别对象之间的距离，确定每一帧图像数据所对应的被识别对象的实时状态；将被识别对象的图像数据作为输入值，将被识别对象的类型和实时状态作为期望输出值，进行机器学习训练。本发明专利技术实施例解决了机器学习训练过程中采用人工标注训练数据而导致训练效率较低的问题，提高了机器学习训练的效率，降低了人力成本。

【技术实现步骤摘要】
机器学习训练方法、装置、服务器和介质
本专利技术实施例涉及计算机
，尤其涉及一种机器学习训练方法、装置、服务器和介质。
技术介绍
随着人工智能技术的发展，机器学习在智能驾驶领域得到了广泛的应用。例如，在无人驾驶技术中，可以利用机器学习对行车过程中的障碍物进行识别、预测障碍物运动状态或者提供行车导航等。然而，目前用于机器学习的训练数据都需要进行人工标注，例如，采集完样本数据后，基于数据处理工具对样本数据中各种障碍物的状态进行人工标注，然后再进行机器学习训练。尤其是对障碍物的识别精度要求较高时，对障碍物在各个状态下的标注信息要求更加细致和全面，对应的采集数据量随之增加，此时，更需要投入大量的人力物力进行数据标记，获取到与障碍物相关的真值数据，从而用于机器学习。由此可见，训练数据的人工标注，不仅导致机器学习训练的效率较低而且成本高昂。
技术实现思路
本专利技术实施例提供一种机器学习训练方法、装置、服务器和介质，以提高机器学习训练效率。第一方面，本专利技术实施例提供了一种机器学习训练方法，该方法包括：确定被识别对象的类型和初始状态，并向承载所述被识别对象的移动装置发送移动指令，其中，所述移动指令包括移动速度和移动方向；在所述被识别对象移动的过程中，利用位置固定的采集装置按照设定的频率采集所述被识别对象的图像数据；根据所述被识别对象的初始状态、移动速度和移动方向，和/或所述采集装置与所述被识别对象之间的距离，确定每一帧图像数据所对应的被识别对象的实时状态；将所述被识别对象的图像数据作为输入值，将所述被识别对象的类型和实时状态作为期望输出值，进行机器学习训练。第二方面，本专利技术实施例还提供了一种机器学习训练装置，该装置包括：初始数据确定模块，用于确定被识别对象的类型和初始状态，并向承载所述被识别对象的移动装置发送移动指令，其中，所述移动指令包括移动速度和移动方向；图像数据采集模块，用于在所述被识别对象移动的过程中，利用位置固定的采集装置按照设定的频率采集所述被识别对象的图像数据；实时状态确定模块，用于根据所述被识别对象的初始状态、移动速度和移动方向，和/或所述采集装置与所述被识别对象之间的距离，确定每一帧图像数据所对应的被识别对象的实时状态；训练模块，用于将所述被识别对象的图像数据作为输入值，将所述被识别对象的类型和实时状态作为期望输出值，进行机器学习训练。第三方面，本专利技术实施例还提供了一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本专利技术任一实施例所述的机器学习训练方法。第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本专利技术任一实施例所述的机器学习训练方法。本专利技术实施例通过确定被识别对象的类型和初始状态，并向承载被识别对象的移动装置发送移动指令；在被识别对象移动的过程中，利用位置固定的采集装置按照设定的频率采集被识别对象的图像数据，进而根据被识别对象的运动状态和/或与采集装置的距离，确定每一帧图像数据所对应的被识别对象的实时状态；最终将被识别对象的图像数据作为输入值，将被识别对象的类型和实时状态作为期望输出值，进行机器学习训练。本专利技术实施例解决了机器学习训练过程中采用人工标注训练数据而导致训练效率较低的问题，以训练数据在采集过程中便自动标注的方式提高了机器学习训练的效率，降低了人力成本。附图说明图1是本专利技术实施例一提供的机器学习训练方法的流程图；图2是本专利技术实施例二提供的机器学习训练方法的流程图；图3是本专利技术实施例三提供的机器学习训练方法的流程图；图4是本专利技术实施例四提供的机器学习训练装置的结构示意图；图5是本专利技术实施例五提供的一种服务器的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。实施例一图1是本专利技术实施例一提供的机器学习训练方法的流程图，本实施例可适用于无人驾驶技术所涉及的机器学习训练的情况，该方法可以由机器学习训练装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在服务器上。如图1所示，该方法可以包括：S110、确定被识别对象的类型和初始状态，并向承载被识别对象的移动装置发送移动指令，其中，移动指令包括移动速度和移动方向。本实施例中的被识别对象包括车辆行驶过程中可能遇到的所有类型的障碍物，例如，各种汽车、自行车、摩托车、行人(本实施例中使用部署的假人代替)、树木、交通标示牌、锥型桶和垃圾桶等。在采集训练数据之前，首先在固定场地适应性部署至少一个被识别对象，然后记录被识别对象的类型以及当前相对于参考标准的初始状态，其中，参考标准可以选择为固定场地中设置的采集装置。当承载被识别对象的移动装置接收到移动指令后，带动被识别对象同时移动，从而模拟车辆在行驶过程中可能遇到的被识别对象的任意状态。被识别对象的移动速度可以和移动装置的移动速度相同，也可以存在差异，与实际设置的运动模式有关，本实施例不做具体限定，可以优选选择设置被识别对象与移动装置实时同步运动。此外，移动装置包括任意的可自动化控制的移动设备，移动指令可以是由服务器或者终端控制的自动发送，也可以是由工作人员人工控制发送。S120、在被识别对象移动的过程中，利用位置固定的采集装置按照设定的频率采集被识别对象的图像数据。采集装置预先设置在距离被识别对象一定距离的固定位置处，按照设定的频率采集图像数据作为训练数据，同时将采集的数据实时传输至服务器。由于被识别对象处于可移动状态，利用位置固定的采集装置进行图像数据采集，可以保证采集到被识别对象在任意运动状态下的图像数据，从而保证训练数据采集的全面性。相比于现有技术中大多采用将包含障碍物的车辆实际行驶环境数据作为训练数据，本实施例采用部署被识别对象与基于移动指令控制其移动的方式构建数据采集环境，使得与被识别对象相关的训练数据具有可调控性，而非如同真实的环境中被识别对象的实际状态决定了训练数据不具有可调控性。并且，本方案中训练数据的采集更具有针对性，即可以在被识别对象的实时移动过程中，高效采集全面的训练数据。可选的，采集装置至少包括相机、激光雷达或毫米波雷达；相应的，图像数据包括二维图像数据或激光点云数据。采集装置包括但不限相机、激光雷达或毫米波雷达。所有的车辆适用的具有数据采集功能的传感器，尤其是无人车上可用的传感器，均可以作为采集装置。这样可以方便后续直接将训练好的识别模型下发到车辆系统上，基于车辆上传感器采集的图像数据进行障碍物识别。采集的图像数据类型与具体的采集装置相关。S130、根据被识别对象的初始状态、移动速度和移动方向，和/或采集装置与被识别对象之间的距离，确定每一帧图像数据所对应的被识别对象的实时状态。如果被识别对象与移动装置同步移动，则移动指令中的移动对象和移动方向即被识别对象的移动速度和移动方向；如果被识别对象与移动装置的移动速度不同，便需要依据预先设置的运动模式中的差值，基于移动指令得到被识别对象的实际移动速度。然后，结合被识别对象的初始状态、移动方向、对本文档来自技高网...

【技术保护点】
1.一种机器学习训练方法，其特征在于，包括：确定被识别对象的类型和初始状态，并向承载所述被识别对象的移动装置发送移动指令，其中，所述移动指令包括移动速度和移动方向；在所述被识别对象移动的过程中，利用位置固定的采集装置按照设定的频率采集所述被识别对象的图像数据；根据所述被识别对象的初始状态、移动速度和移动方向，和/或所述采集装置与所述被识别对象之间的距离，确定每一帧图像数据所对应的被识别对象的实时状态；将所述被识别对象的图像数据作为输入值，将所述被识别对象的类型和实时状态作为期望输出值，进行机器学习训练。

【技术特征摘要】
1.一种机器学习训练方法，其特征在于，包括：确定被识别对象的类型和初始状态，并向承载所述被识别对象的移动装置发送移动指令，其中，所述移动指令包括移动速度和移动方向；在所述被识别对象移动的过程中，利用位置固定的采集装置按照设定的频率采集所述被识别对象的图像数据；根据所述被识别对象的初始状态、移动速度和移动方向，和/或所述采集装置与所述被识别对象之间的距离，确定每一帧图像数据所对应的被识别对象的实时状态；将所述被识别对象的图像数据作为输入值，将所述被识别对象的类型和实时状态作为期望输出值，进行机器学习训练。2.根据权利要求1所述的方法，其特征在于，所述采集装置至少包括相机、激光雷达或毫米波雷达；相应的，所述图像数据包括二维图像数据或激光点云数据。3.根据权利要求1所述的方法，其特征在于，所述移动装置包括部署在所述被识别对象底部的可控机械转轮装置，所述可控机械转轮装置固定于地面上；相应的，所述移动指令为旋转指令，包括旋转角速度和旋转方向。4.根据权利要求3所述的方法，其特征在于，根据所述被识别对象的初始状态、移动速度和移动方向，和/或所述采集装置与所述被识别对象之间的距离，确定每一帧图像数据所对应的被识别对象的实时状态，包括：根据所述被识别对象的初始状态、旋转角速度和旋转方向，以及每一帧图像数据的采集时间，确定采集每一帧图像数据时所述被识别对象相对所述初始状态的旋转变化量；基于所述旋转变化量确定每一帧图像所对应的被识别对象的实时状态。5.根据权利要求1所述的方法，其特征在于，所述移动装置包括部署在所述被识别对象底部的可移动承载装置；相应的，所述移动指令为行进指令，包括行进轨迹、行进速度和行进方向。6.根据权利要求5所述的方法，其特征在于，根据所述被识别对象的初始状态、移动速度和移动方向，和/或所述采集装置与所述被识别对象之间的距离，确定每一帧图像数据所对应的被识别对象的实时状态，包括：根据所述被识别...

【专利技术属性】
技术研发人员：胡太群，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京,11