训练方法、预测方法、装置、电子设备以及自动驾驶车辆制造方法及图纸

本公开公开了用于训练渲染效率优化模型的方法、预测方法、装置、电子设备、存储介质、自动驾驶车辆以及计算机程序产品，涉及人工智能技术领域，尤其涉及智能交通和自动驾驶技术领域。用于训练渲染效率优化模型的方法具体实现方案为：获取训练样本，其中，训练样本包括渲染效率数据和与渲染效率数据对应的标签，渲染效率数据表征影响人机界面的渲染效率的数据，标签表征用于优化人机界面的渲染效率所需执行的操作；以及利用训练样本训练神经网络模型，得到渲染效率优化模型。得到渲染效率优化模型。得到渲染效率优化模型。

【技术实现步骤摘要】
训练方法、预测方法、装置、电子设备以及自动驾驶车辆


[0001]本公开涉及人工智能
，尤其涉及智能交通和自动驾驶
，具体涉及用于训练渲染效率优化模型的方法、预测方法、装置、电子设备、存储介质、自动驾驶车辆以及计算机程序产品。

技术介绍

[0002]人机界面是人与计算机之间传递、交换信息的媒介和对话接口，是计算机系统的重要组成部分。显示器或者触摸屏是人机界面的重要部件，用于展示物化信息。
[0003]渲染技术的发展使得人机界面能够以仿真模拟的方式呈现图像信息，使人机交互更为简单化、直观化。但是如何能实时并且趋近真实的呈现图像信息，成为渲染技术发展的一大挑战。

技术实现思路

[0004]本公开提供了一种用于训练渲染效率优化模型的方法、预测方法、装置、电子设备、存储介质、自动驾驶车辆以及计算机程序产品。
[0005]根据本公开的一方面，提供了一种用于训练渲染效率优化模型的方法，包括：获取训练样本，其中，训练样本包括渲染效率数据和与渲染效率数据对应的标签，渲染效率数据表征影响人机界面的渲染效率的数据，标签表征用于优化人机界面的渲染效率所需执行的操作；以及利用训练样本训练神经网络模型，得到渲染效率优化模型。
[0006]根据本公开的另一方面，提供了一种预测方法，包括：获取目标渲染效率数据；以及将目标渲染效率数据输入渲染效率优化模型，得到与目标渲染效率数据对应的预测结果，其中，渲染效率优化模型是利用用于训练渲染效率优化模型的方法训练的。
[0007]根据本公开的另一方面，提供了一种用于训练渲染效率优化模型的装置，包括：第一获取模块，用于获取训练样本，其中，训练样本包括渲染效率数据和与渲染效率数据对应的标签，渲染效率数据表征影响人机界面的渲染效率的数据，标签表征用于优化人机界面的渲染效率所需执行的操作；以及训练模块，用于利用训练样本训练神经网络模型，得到渲染效率优化模型。
[0008]根据本公开的另一方面，提供了一种预测装置，包括：第二获取模块，用于获取目标渲染效率数据；以及预测模块，用于将目标渲染效率数据输入渲染效率优化模型，得到与目标渲染效率数据对应的预测结果，其中，渲染效率优化模型是利用用于训练渲染效率优化模型的方法训练的。
[0009]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如上所述的方法。
[0010]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，所述计算机指令用于使所述计算机执行如上所述的方法。
[0011]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，所述计算机程序在被处理器执行时实现如上所述的方法。
[0012]根据本公开的另一方面，提供了一种自动驾驶车辆，包括如上述所述的电子设备。
[0013]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
[0014]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0015]图1示意性示出了根据本公开实施例的可以应用预测方法及装置的示例性系统架构；
[0016]图2示意性示出了根据本公开实施例的用于训练渲染效率优化模型的方法的流程图；
[0017]图3A示意性示出了根据本公开实施例的人机界面的应用场景图；
[0018]图3B示意性示出了根据本公开实施例的人机界面的显示的信息示意图；
[0019]图4示意性示出了根据本公开实施例的无人驾驶设备行驶的场景图；
[0020]图5示意性示出了根据本公开实施例的预测方法的流程图；
[0021]图6示意性示出了根据本公开另一实施例的用于训练渲染效率优化模型的装置的框图；
[0022]图7示意性示出了根据本公开实施例的预测装置的框图；以及
[0023]图8示意性示出了根据本公开实施例的适于实现用于训练渲染效率优化模型的方法或预测方法的电子设备的框图。
具体实施方式
[0024]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和精神。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。
[0025]在HMI(Human Machine Interface，人机界面)的渲染技术中，效率优化是非常重要的一个方面。在HMI的渲染过程中尤其是无人驾驶设备(例如自动驾驶车辆)中的人机界面的渲染过程中既需要显示高精地图的数据信息，还需要显示实时的路况信息，同时在无人驾驶设备的人机交互界面中，还有大量的提示警示信息需要展示。而所有这些需要渲染的信息会对HMI的渲染硬件造成巨大的渲染压力，挑战车载的渲染硬件性能。
[0026]本公开提供了用于训练渲染效率优化模型的方法、预测方法、装置、电子设备、存储介质、自动驾驶车辆以及计算机程序产品。
[0027]根据本公开的实施例，用于训练渲染效率优化模型的方法可以包括：获取训练样本，其中，训练样本包括渲染效率数据和与渲染效率数据对应的标签，渲染效率数据表征影响人机界面的渲染效率的数据，标签表征用于优化人机界面的渲染效率所需执行的操作；以及利用训练样本训练神经网络模型，得到渲染效率优化模型。
[0028]根据本公开的另一实施例，预测方法可以包括：获取目标渲染效率数据；以及将目标渲染效率数据输入渲染效率优化模型，得到与目标渲染效率数据对应的预测结果，其中，渲染效率优化模型是利用用于训练渲染效率优化模型的方法训练的。
[0029]图1示意性示出了根据本公开实施例的可以应用预测方法及装置的示例性系统架构。
[0030]需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的
技术实现思路
，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如，在另一实施例中，可以应用预测方法及装置的示例性系统架构可以包括终端设备，但终端设备可以无需与服务器进行交互，即可实现本公开实施例提供的预测方法及装置。
[0031]如图1所示，根据该实施例的系统架构100可以包括无人驾驶设备101，网络102和服务器103。网络102用以在无人驾驶设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线和/或无线通信链路等等。
[0032]用户可以使用无人驾驶设备101通过网络102与服务器103交互，以接收或发送消息等。
[0033]无人驾驶设备101可以是四轮轿车、三轮车或者其他无人驾驶本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于训练渲染效率优化模型的方法，包括：获取训练样本，其中，所述训练样本包括渲染效率数据和与所述渲染效率数据对应的标签，所述渲染效率数据表征影响人机界面的渲染效率的数据，所述标签表征用于优化所述人机界面的渲染效率所需执行的操作；以及利用所述训练样本训练神经网络模型，得到所述渲染效率优化模型。2.根据权利要求1所述的方法，其中，所述获取训练样本，包括：根据渲染效率影响条件，确定用于优化所述人机界面的渲染效率所需执行的操作和影响渲染效率的参数；根据所述参数，获取所述渲染效率数据；将所述用于优化所述人机界面的渲染效率所需执行的操作确定为与所述渲染效率数据对应的标签；以及根据所述渲染效率数据和与所述渲染效率数据对应的标签，得到所述训练样本。3.根据权利要求1或2所述的方法，其中，所述渲染效率数据包括以下至少一项：载入资源的时长、渲染资源的体积、与渲染效果相关的数据、与地图信息相关的数据和与数据包相关的数量。4.根据权利要求3所述的方法，其中，所述载入资源的时长包括目标文件的加载时长和/或所述目标文件的解析时长；其中，所述与渲染效果相关的数据包括以下至少一项：纹理数据、着色器数据和光照数据；其中，所述与地图信息相关的数据包括以下至少一项：斑马线的数量、停止线的数量、交通信号灯的数量、道路的数量、路口的数量、绿化带的数量和目标区域的面积；其中，所述与数据包相关的数量包括以下至少一项：接收数据包的数量、发送数据包的数量、收发的数据包的数量均值和收发的数据包的数量方差。5.根据权利要求1～4中任一项所述的方法，其中，所述标签包括以下至少一项：预先加载目标文件的时间、删除所述目标文件的时间和需要加载的所述目标文件的层级细节。6.根据权利要求1～5中任一项所述的方法，其中，所述利用所述训练样本训练神经网络模型，得到所述渲染效率优化模型，包括：将所述渲染效率数据输入所述神经网络模型，得到与所述渲染效率数据对应的预测结果；基于损失函数，利用所述标签和与所述渲染效率数据对应的预测结果，得到输出值；根据所述输出值，调整所述神经网络模型的模型参数，直至所述输出值收敛；以及将在所述输出值的收敛情况下得到的神经网络模型确定为所述渲染效率优化模型。7.根据权利要求1～6中任一项所述的方法，其中，所述人机界面为无人驾驶设备的人机界面。8.一种预测方法，包括：获取目标渲染效率数据；以及将所述目标渲染效率数据输入渲染效率优化模型，得到与所述目标渲染效率数据对应的预测结果，其中，所述渲染效率优化模型是利用根据权利要求1～7中任一项所述的方法训练的。
9.根据权利要求8所述的方法，还包括：执行与所述目标渲染效率数据对应的预测结果所表征的操作，得到渲染效率优化结果。10.根据权利要求9所述的方法，还包括：根据所述渲染效率优化结果，确定效果评估值；以及根据所述效果评估值和效果评估阈值，得到评估结果，其中，所述评估结果用于评估所述操作的可行性。11.根据权利要求10所述的方法，其中，所述效果评估值包括帧率均值和/或帧率方差，所述效果评估阈值包括帧率均值阈值和/或帧率方差阈值，其中，所述帧率均值是目标渲染区间内的实时帧率的平均值，所述帧率方差是所述目标渲染区间内的实时帧率...

【专利技术属性】
技术研发人员：蔺甜甜，
申请(专利权)人：阿波罗智能技术北京有限公司，
类型：发明
国别省市：