一种自主预测车道信息模型训练方法及装置制造方法及图纸

技术编号:32647532 阅读:38 留言:0更新日期:2022-03-12 18:32
本发明专利技术实施例公开一种自主预测车道信息模型训练方法及装置,该方法包括:获取历史车辆状态信息、历史车道信息,历史车道信息与历史车辆状态信息相对应,历史车辆状态信息包括历史车辆高精度定位信息和历史车辆运动信息,历史车道信息为车辆经过的车道位置信息;根据历史车辆状态信息、历史车道信息,以及第一损失函数,对第一模型进行训练,第一模型为长短期记忆循环神经网络模型,第一模型用于自主预测车辆即将经过的车道位置信息,第一模型利用随时间反向传播算法进行训练,第一损失函数为最小均方误差损失函数。本公开解决了因车道信息缺失所导致的车道无法匹配问题。息缺失所导致的车道无法匹配问题。息缺失所导致的车道无法匹配问题。

【技术实现步骤摘要】
一种自主预测车道信息模型训练方法及装置


[0001]本专利技术涉及人工智能
,具体而言,涉及一种自主预测车道信息模型训练方法及装置。

技术介绍

[0002]在自动驾驶或车路协同系统中,许多车端的应用模型都需要智能车辆或智能车辆终端明确自车所处的车道,以便自车实时车道位置作为后继模型的起点,车端的应用模型例如,车辆加减速控制模型、车辆换道模型等。
[0003]车辆匹配车道的基本思路是将车辆自身的高精度定位与自车的高精度地图信息进行匹配,因为高精度地图数据比现有的地图数据的数据量要大很多,而且车辆行驶的位置存在很大的不确定性,所以车辆的高精度地图数据一般不会直接存在车辆本地,而是通过车路协同路侧RSU(Road Side Unit路侧单元)下发MAP信息,使得相关高精度地图数据信息传递到自动驾驶的车端。受RSU部署位置、无线信号受环境、多径反射的影响、障碍物遮挡等影响,车载智能终端OBU(On board Unit车载单元)无法实时而连续地收到来自RSU的MAP信息,所以影响了自动驾驶模型中对自车所处车道信息的判断,进而又影响了后继一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自主预测车道信息模型训练方法,其特征在于,所述方法包括:获取历史车辆状态信息、历史车道信息,所述历史车辆状态信息为训练模型的输入数据,所述历史车道信息为训练模型的输出数据,所述历史车道信息与所述历史车辆状态信息相对应,所述历史车辆状态信息包括历史车辆高精度定位信息和历史车辆运动信息,所述历史车道信息为车辆经过的车道位置信息;根据所述历史车辆状态信息、所述历史车道信息,以及第一损失函数,对第一模型进行训练,所述第一模型为长短期记忆循环神经网络模型,所述第一模型用于自主预测车辆即将经过的车道位置信息,所述第一模型利用随时间反向传播算法进行训练,所述第一损失函数为最小均方误差损失函数。2.如权利要求1所述的方法,其特征在于,所述第一模型公式:f
t
=σ
g
(W
f
x
t
+U
f
h
t
‑1+b
f
)i
t
=σ
g
(W
i
x
t
+U
i
h
t
‑1+b
i
)o
t
=σ
g
(W
o
x
t
+U
o
h
t
‑1+b
o
)))其中,x
t
为输入特征向量,h
t
为输出向量,f
t
为用于控制遗忘门的激励向量,i
t
为用于控制输入门的激励向量,o
t
为用于控制输出门的激励向量,为cell输入激励向量,c
t
为cell状态向量,W、U为权重,b为偏移量,σ为激励函数。3.如权利要求1所述的方法,其特征在于,所述车辆高精度定位信息包括车辆的经度、维度、高程,所述车辆运动状态信息包括车辆的x轴速度、y轴速度、z轴速度、x轴加速度、y轴加速度、z轴加速度、横摆角速度、油门踏板开度、制动踏板开度、档位中的至少一种,所述历史车道信息包括车辆经过的车道的经度、维度、高程。4.一种自适应冗余系数模型训练方法,所述自适应冗余系数应用于车道匹配,其特征在于,所述方法包括:获取车辆高精度定位信息、道路曲率、天气湿度,所述车辆高精度定位信息、所述道路曲率、所述天气湿度为训练模型的输入特征向量;通过人工或自动标注方式,获得冗余系数数据,所述冗余系数为训练模型的输出特征向量;根据所述车辆高精度定位信息、所述道路曲率、所述天气湿度、所述冗余系数数据、第二损失函数、所述第一模型,训练所述第二模型,所述第二模型为浅层神经...

【专利技术属性】
技术研发人员:宦涣蔡炎尹伯华蔡慧星
申请(专利权)人:云控智行上海汽车科技有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1