不确定性检测模型的训练、不确定性的检测方法及装置制造方法及图纸

本发明专利技术实施例提供了一种不确定性检测模型的训练、不确定性的检测方法及装置，该方法包括：获取车辆在行驶时，对处于运动状态的障碍物采集的多帧感知数据，针对每帧感知数据检测障碍物的多个属性，根据多个属性计算检测障碍物时存在的不确定性，作为真实值，加载不确定性检测模型，以单个属性形成的时间序列作为样本、真实值作为标签，训练不确定性检测模型，本实施例综合多个属性可计算精确的不确定性的真实值，提供了训练的标签，实现了自监督训练不确定性检测模型的模式，使得加载不确定性检测模型的车辆可以在自动驾驶的过程中准确地计算检测障碍物单个属性时存在的不确定性，为自动驾驶的决策提供新的信息，提高自动驾驶的安全性。的安全性。的安全性。

【技术实现步骤摘要】
不确定性检测模型的训练、不确定性的检测方法及装置


[0001]本专利技术实施例涉及自动驾驶的
，尤其涉及一种不确定性检测模型的训练、不确定性的检测方法及装置。

技术介绍

[0002]自动驾驶技术在近年来随着通信技术的发展更进一步成为引人注目的项目之一，智慧交通智慧城市等概念的兴起更是给人们的思维带来了更多的突破。
[0003]自动驾驶技术的整个系统框架从功能性上可以分为以下几大部分：车外环境及道路感知部分、路径规划部分、车内系统行为决策部分。可以看出，自动驾驶技术很多部分依赖车外环境及道路感知部分，在车辆单体感知外部环境的部分，又可以分为前车运动状态检测、行人与障碍物检测、和可行驶区域检测等等。
[0004]由于自动驾驶感知的障碍物多是路上处于运动状态，受限于传感器的精度、检测的算法等因素，使得检测这些障碍物的误差较大，从而影响自动驾驶的决策，自动驾驶的风险性较高。

技术实现思路

[0005]本专利技术实施例提出了一种不确定性检测模型的训练、不确定性的检测方法及装置，以解决自动驾驶检测障碍物的误差较大、导致自动驾驶的风险性较高的问题。
[0006]第一方面，本专利技术实施例提供了一种不确定性检测模型的训练方法，包括：
[0007]获取车辆在行驶时，对处于运动状态的障碍物采集的多帧感知数据；
[0008]针对每帧所述感知数据检测所述障碍物的多个属性；
[0009]根据多个所述属性计算检测所述障碍物时存在的不确定性，作为真实值；
[0010]加载不确定性检测模型，所述不确定性检测模型用于计算检测所述障碍物单个所述属性时存在的不确定性；
[0011]以单个所述属性形成的时间序列作为样本、所述真实值作为标签，训练所述不确定性检测模型。
[0012]第二方面，本专利技术实施例还提供了一种不确定性的检测方法，应用于车辆，所述方法包括：
[0013]对处于运动状态的障碍物采集多帧感知数据；
[0014]针对每帧所述感知数据检测所述障碍物的单个属性；
[0015]加载如第一方面所述的方法训练的不确定性检测模型，所述不确定性检测模型用于计算检测所述障碍物单个所述属性时存在的不确定性；
[0016]将单个所述属性形成的时间序列输入所述不确定性检测模型中，计算检测所述障碍物单个所述属性时存在的不确定性。
[0017]第三方面，本专利技术实施例还提供了一种不确定性检测模型的训练装置，包括：
[0018]感知数据获取模块，用于获取车辆在行驶时，对处于运动状态的障碍物采集的多
帧感知数据；
[0019]多属性检测模块，用于针对每帧所述感知数据检测所述障碍物的多个属性；
[0020]真实值计算模块，用于根据多个所述属性计算检测所述障碍物时存在的不确定性，作为真实值；
[0021]模型加载模块，用于加载不确定性检测模型，所述不确定性检测模型用于计算检测所述障碍物单个所述属性时存在的不确定性；
[0022]模型训练模块，用于以单个所述属性形成的时间序列作为样本、所述真实值作为标签，训练所述不确定性检测模型。
[0023]第四方面，本专利技术实施例还提供了一种不确定性的检测装置，应用于车辆，所述装置包括：
[0024]感知数据采集模块，用于对处于运动状态的障碍物采集多帧感知数据；
[0025]单属性检测模块，用于针对每帧所述感知数据检测所述障碍物的单个属性；
[0026]模型加载模块，用于加载如第一方面所述的方法训练的不确定性检测模型；
[0027]不确定性检测模块，用于将单个所述属性形成的时间序列输入所述不确定性检测模型中，计算检测所述障碍物单个所述属性时存在的不确定性。
[0028]第五方面，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：
[0029]一个或多个处理器；
[0030]存储器，用于存储一个或多个程序，
[0031]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不确定性检测模型的训练方法或者如第二方面所述的不确定性的检测方法。
[0032]第六方面，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不确定性检测模型的训练方法或者如第二方面所述的不确定性的检测方法。
[0033]在本实施例中，获取车辆在行驶时，对处于运动状态的障碍物采集的多帧感知数据，针对每帧感知数据检测障碍物的多个属性，根据多个属性计算检测障碍物时存在的不确定性，作为真实值，加载不确定性检测模型，不确定性检测模型用于计算检测障碍物单个属性时存在的不确定性，以单个属性形成的时间序列作为样本、真实值作为标签，训练不确定性检测模型，本实施例综合多个属性可计算精确的不确定性的真实值，提供了训练的标签，实现了自监督训练不确定性检测模型的模式，使得加载不确定性检测模型的车辆可以在自动驾驶的过程中准确地计算检测障碍物单个属性时存在的不确定性，为自动驾驶的决策提供新的信息，提高自动驾驶的安全性。
附图说明
[0034]图1为本专利技术实施例一提供的一种不确定性检测模型的训练方法的流程图；
[0035]图2是本专利技术实施例二提供的一种不确定性的检测方法的流程图；
[0036]图3为本专利技术实施例二提供的一种车辆的结构示意图；
[0037]图4为本专利技术实施例三提供的一种不确定性检测模型的训练装置的结构示意图；
[0038]图5为本专利技术实施例四提供的一种不确定性的检测装置的结构示意图；
[0039]图6为本专利技术实施例五提供的一种计算机设备的结构示意图。
具体实施方式
[0040]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。
[0041]实施例一
[0042]图1为本专利技术实施例一提供的一种不确定性检测模型的训练方法的流程图，本实施例可适用于训练用于计算检测障碍物时的不确定性检测模型的情况，该方法可以由不确定性检测模型的训练装置来执行，该不确定性检测模型的训练装置可以由软件和/或硬件实现，可配置在计算机设备中，例如，服务器、工作站、个人电脑，等等，具体包括如下步骤：
[0043]步骤101、获取车辆在行驶时，对处于运动状态的障碍物采集的多帧感知数据。
[0044]本实施例中的车辆可支持自动驾驶(含远程控制)，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。
[0045]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(Driver Assistance)、L2部分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种不确定性检测模型的训练方法，其特征在于，包括：获取车辆在行驶时，对处于运动状态的障碍物采集的多帧感知数据；针对每帧所述感知数据检测所述障碍物的多个属性；根据多个所述属性计算检测所述障碍物时存在的不确定性，作为真实值；加载不确定性检测模型，所述不确定性检测模型用于计算检测所述障碍物单个所述属性时存在的不确定性；以单个所述属性形成的时间序列作为样本、所述真实值作为标签，训练所述不确定性检测模型。2.根据权利要求1所述的方法，其特征在于，所述根据多个所述属性计算检测所述障碍物时存在的不确定性，作为真实值，包括：按照每个所述属性与检测所述障碍物时存在的不确定性之间的相关性，将每个所述属性映射为相关值；对所述相关值进行融合，获得检测所述障碍物时存在的不确定性，作为真实值。3.根据权利要求2所述的方法，其特征在于，所述属性包括如下的至少一种：所述感知数据的帧数，所述障碍物的长度，所述障碍物与所述车辆之间的距离，所述障碍物的速度；其中，所述帧数与所述不确定性负相关，所述长度与所述不确定性正相关，所述距离与所述不确定性正相关，所述速度与所述不确定性正相关。4.根据权利要求3所述的方法，其特征在于，所述按照每个所述属性与检测所述障碍物时存在的不确定性之间的相关性，将每个所述属性映射为相关值，包括：计算所述帧数与预设的第一常数之间的第一比值；以自然数为底、所述第一比值的负数为指数，计算相关值；计算所述长度与预设的第二常数之间的第二比值；以自然数为底、所述第二比值为指数，计算相关值；计算所述距离与预设的第三常数之间的第三比值；以自然数为底、所述第三比值为指数，计算相关值；计算所述速度与预设的第四常数之间的第四比值；以自然数为底、所述第四比值为指数，计算相关值。5.根据权利要求2所述的方法，其特征在于，所述对所述相关值进行融合，获得检测所述障碍物时存在的不确定性，作为真实值，包括：对每个所述相关值乘以与所述属性对应的权重，作为调权相关性；将所有所述调权相关性与预设的基准系数之间的和值设置检测所述障碍物时存在的不确定性，作为真实值。6.根据权利要求1
‑
5中任一项所述的方法，其特征在于，所述以单个所述属性形成的时间序列作为样本、所述真实值作为标签，训练所述不确定性检测模型，包括：将单个所述属性形成的时间序列输入所述不确定性检测模型中，计算检测所述障碍物单个所述属性时的不确定性，作为预测值；计算所述预测值与所述真实性之间的差异，作为损失值；根据所述损失值更新所述不确定性检测模型；
判断是否满足预设的停止条件；若是，则确定所述不确定性检测模型训练完成；若否，则返回执行所述将单个所述属性输入所述不确定性检测模型中，计算检测所述障碍物单个所述属性时的不确定性，作为预测值。7.根据权利要求6所述的方法，其特征在于，所述计算所述预测值与所述真实性之间的差异，作为损失值，作为损失值，包括：若所述真实值与所述预测值符合概率分布，则对所述真实值与所述预测值之间的比值取对数，获得第一参考值；计算所述真实值与所述第一参考值之间的乘积，作为第二参考值；以检测所述障碍物单个所述属性时的不确定性作为变量，对所述第二参考值求积分，作为损失值。8.根据权利要求6所述的方法，其特征在于，所述计算所述预测值与所述真实性之间的差异，作为损失值，包括：若所述真实值与所述预测值符合拉普拉斯分布，则计算所述真实值在拉普拉斯分布中的第一平均值，计算所述预测值在拉普拉斯分布中的第二平均值；对所述第二平均值与所述第一平均值之间的比值取...

【专利技术属性】
技术研发人员：葛琦，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：