自动驾驶的数据识别方法、装置、计算机设备和存储介质制造方法及图纸

本发明专利技术实施例提供了一种自动驾驶的数据识别方法、装置、计算机设备和存储介质，该方法包括：获取在自动驾驶时采集的原始数据，分别确定适用于自动驾驶的学生网络与教师网络，计算学生网络与教师网络之间对原始数据进行预测的差异，作为分布差异，根据分布差异识别对于自动驾驶属于长尾数据的原始数据，作为目标数据，根据学生网络与教师网络之间对于长尾数据的泛化能力的差异，自动挖掘出长尾数据，可以保证挖掘长尾数据的准确性，并且，避免了人工挖掘长尾数据，大大提高了挖掘长尾数据的效率，大大降低了成本。大大降低了成本。大大降低了成本。

【技术实现步骤摘要】
自动驾驶的数据识别方法、装置、计算机设备和存储介质


[0001]本专利技术实施例涉及自动驾驶的
，尤其涉及一种自动驾驶的数据识别方法、装置、计算机设备和存储介质。

技术介绍

[0002]为了确保车辆在自动驾驶的准确决策，车辆会对自身的状态、周围环境进行感知，获取大量的数据，例如，车辆的速度、车辆的姿态、交通流信息、道路状况、交通标志，等等。
[0003]对于决策而言，这些数据通常都有一个基本假设，即该数据是近似服从均匀分布的，但是，在真实路测的环境中，环境数据往往呈现不平衡的现象，存在长尾数据，即出现概率较低、不易采集的环境数据。
[0004]例如，对于交通信号灯，可能会出现交通灯损坏、交通灯被漂浮的障碍物遮挡的情况，也可能出现阴天、雨天、雾天等天气，从而影响图像数据、点云数据的采集，此时采集的数据为长尾数据。
[0005]如果缺失这些长尾数据，在部分场景下自动驾驶的决策将出现问题，可能导致事故的发生，因此，目前是人工去挖掘长尾数据，从而使用普通的数据与长尾数据训练高精度的决策方案。
[0006]但是，长尾数据的数量较少，在自动驾驶中每采集1000小时的数据，可能不到1小时为长尾数据，导致人工挖掘长尾数据的效率较低，成本较高。

技术实现思路

[0007]本专利技术实施例提出了一种自动驾驶的数据识别方法、装置、计算机设备和存储介质，以解决人工挖掘自动驾驶的长尾数据效率较低、成本较高的问题。
[0008]第一方面，本专利技术实施例提供了一种自动驾驶的数据识别方法，包括：
[0009]获取在自动驾驶时采集的原始数据；
[0010]分别确定适用于所述自动驾驶的学生网络与教师网络；
[0011]计算所述学生网络与所述教师网络之间对所述原始数据进行预测的差异，作为分布差异；
[0012]根据所述分布差异识别对于所述自动驾驶属于长尾数据的所述原始数据，作为目标数据。
[0013]第二方面，本专利技术实施例还提供了一种自动驾驶的数据识别装置，包括：
[0014]原始数据获取模块，用于获取在自动驾驶时采集的原始数据；
[0015]网络确定模块，用于分别确定适用于所述自动驾驶的学生网络与教师网络；
[0016]分布差异计算模块，用于计算所述学生网络与所述教师网络之间对所述原始数据进行预测的差异，作为分布差异；
[0017]原始数据识别模块，用于根据所述分布差异识别对于所述自动驾驶属于长尾数据的所述原始数据，作为目标数据。
[0018]第三方面，本专利技术实施例还提供了一种计算机设备，所述计算机设备包括：
[0019]一个或多个处理器；
[0020]存储器，用于存储一个或多个程序，
[0021]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第一方面所述的自动驾驶的数据识别方法。
[0022]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，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的自动驾驶的数据识别方法。
[0023]在本实施例中，获取在自动驾驶时采集的原始数据，分别确定适用于自动驾驶的学生网络与教师网络，计算学生网络与教师网络之间对原始数据进行预测的差异，作为分布差异，根据分布差异识别对于自动驾驶属于长尾数据的原始数据，作为目标数据，根据学生网络与教师网络之间对于长尾数据的泛化能力的差异，自动挖掘出长尾数据，可以保证挖掘长尾数据的准确性，并且，避免了人工挖掘长尾数据，大大提高了挖掘长尾数据的效率，大大降低了成本。
附图说明
[0024]图1为本专利技术实施例一提供的一种自动驾驶的数据识别方法的流程图；
[0025]图2A为本专利技术实施例一提供的一种车辆的结构示意图；
[0026]图2B为本专利技术实施例一提供的一种检测框的示例图；
[0027]图3是本专利技术实施例二提供的一种自动驾驶的数据识别方法的流程图；
[0028]图4为本专利技术实施例三提供的一种自动驾驶的数据识别装置的结构示意图；
[0029]图5为本专利技术实施例四提供的一种计算机设备的结构示意图。
具体实施方式
[0030]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。
[0031]实施例一
[0032]图1为本专利技术实施例一提供的一种自动驾驶的数据识别方法的流程图，本实施例可适用于使用教师网络与学生网络挖掘自动驾驶的长尾数据的情况，该方法可以由自动驾驶的数据识别装置来执行，该自动驾驶的数据识别装置可以由软件和/或硬件实现，可配置在计算机设备中，例如，服务器、个人电脑，等等，具体包括如下步骤：
[0033]步骤101、获取在自动驾驶时采集的原始数据。
[0034]本实施例中的车辆可支持自动驾驶，所谓自动驾驶，可以指车辆本身拥有环境感知、路径规划并且自主实现车辆控制的能力，也就是用电子技术控制车辆进行的仿人驾驶。
[0035]根据对车辆操控任务的把握程度，自动驾驶车辆可以分为L0非自动化(No Automotion)、L1驾驶人辅助(DriverAssistance)、L2部分自动化(Partial Automation)、L3有条件自动化(ConditionalAutomation)、L4高自动化(High Automation)、L5全自动化(FullAutomation)。
[0036]本实施例中自动驾驶的车辆，可以指满足L1
‑
L5中任一要求的车辆，其中，系统在L1
‑
L3起辅助功能，当到达L4，车辆驾驶将交给系统，因此，自动驾驶的车辆可选为满足L4、L5中任一要求的车辆。
[0037]如图2A所示，车辆200可以包括驾驶控制设备201，车身总线202，ECU(ElectronicControlUnit，电子控制单元)203、ECU204、ECU205，传感器206、传感器207、传感器208和执行器件209、执行器件210、执行器件211。
[0038]驾驶控制设备(又称为车载大脑)201负责整个车辆200的总体智能控制。驾驶控制设备201可以是单独设置的控制器，例如，CPU、异构处理器(如GPU、TPU、NPU等)可编程逻辑控制器(ProgrammableLogicController，PLC)、单片机、工业控制机等；也可以是由其他具有输入/输出端口，并具有运算控制功能的电子器件组成的设备；还可以是安装有车辆驾驶控制类应用的计算机设备。驾驶控制设备可以对从车身总线202上接收到的各个ECU发来的数据和/或各个传感器发来的数据进行分析处理，作出相应的决策，并将决策对应的指令发送到车身总线。
[0039]车身总线202可以是用于连接驾驶控制设备201本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动驾驶的数据识别方法，其特征在于，包括：获取在自动驾驶时采集的原始数据；分别确定适用于所述自动驾驶的学生网络与教师网络；计算所述学生网络与所述教师网络之间对所述原始数据进行预测的差异，作为分布差异；根据所述分布差异识别对于所述自动驾驶属于长尾数据的所述原始数据，作为目标数据。2.根据权利要求1所述的方法，其特征在于，所述分别确定适用于所述自动驾驶的学生网络与教师网络，包括：确定一个或多个评价指标；针对同一学习目标分别训练适用于所述自动驾驶的学生网络与教师网络，以在所述评价指标下区分所述学生网络与所述教师网络。3.根据权利要求2所述的方法，其特征在于，所述评价指标包括延时、精确度；所述针对同一学习目标分别训练适用于所述自动驾驶的学生网络与教师网络，以在所述评价指标下区分所述学生网络与所述教师网络，包括：确定数据集，所述数据集包括已标注标签的样本数据；针对指定的学习目标，使用所述数据集训练适用于所述自动驾驶的学生网络；针对所述学习目标，使用所述数据集训练适用于所述自动驾驶的教师网络；其中，所述学生网络的延时低于所述教师网络的延时，所述学生网络的精确度低于所述教师网络的精确度。4.根据权利要求1所述的方法，其特征在于，所述计算所述学生网络与所述教师网络之间对所述原始数据进行预测的差异，作为分布差异，包括：将所述原始数据输入所述学生网络中进行处理，以输出第一检测结果；将所述原始数据输入所述教师网络中进行处理，以输出第二检测结果；以所述第二检测结果作为参考，计算所述第一检测结果相对于所述第二检测结果的差异，作为分布差异。5.根据权利要求4所述的方法，其特征在于，所述第一检测结果包括多个类别与每个所述类别关联的第一概率，所述第二检测结果包括多个所述类别与每个所述类别关联的第二概率；所述以所述第二检测结果作为参考，计算所述第一检测结果相对于所述第二检测结果的差异，作为分布差异，包括：针对每个所述类别，对所述第二概率与所述第一概率之间的比值计算对数；对计算所述第二概率与所述对数之间的乘积，作为所述类别的差异；将所有所述类别对应的所述差异之间的和值设置为所述第一检测结果相对于所述第二检测结果的差异，作为分布差异。6.根据权利要求4所述的方法，其特征在于，所述第一检测结果包括多个第一检测框、每个所述第一检测框关联的多个类别与每个所述类别关联的第一概率，所述第二检测结果包括多个第二检测框、每个所述第二检测框关联的多个所述类别与每个所述类别关联的第二概率；
所述以所述第二检测结果作为参考，计算所述第一检测结果相对于所述第二检测结果的差异，作为分布差异，包括：对所述第一检测框与所述第二检测框进行匹配，作为配对框；针对每个所述配对框中的每个所述类别，对所述第二概率与所述第一概率之间的比值计算对数；对计算所述第二概率与所述对数之间的乘积，作为所述类别的差异；计算所有所述类别对应的所述差异之间的和值，作为所述配对框的差异；将所有所述配对框对应的所述差异之间的和值设置为所述第一检测结果相对于所述第二检测结果的差异，作为分布差异。7.根据权利要求4所述的方法，其特征在于，所述以所述第二检测结果作为参考，计算所述第一检测结果相对于所述第二检测结果的差异，作为分布差异，包括：对所述第一检测结果、所述第二检测结果建立R树结构的空间索引；在所述空间索引...

【专利技术属性】
技术研发人员：夏润，刘传秀，韩旭，
申请(专利权)人：广州文远知行科技有限公司，
类型：发明
国别省市：