一种无人驾驶自动化模型训练数据的生产方法技术

本发明专利技术提供了一种无人驾驶自动化模型训练数据的生产方法，包括如下步骤：（1）构建道路场景；（2）多车同时自动驾驶；（3）车辆行驶数据收集；（4）模型训练；（5）模型迭代升级；（6）场景回归验证；（7）回到（1）。本发明专利技术通过构建封闭式道路场景大大降低了建设成本且灵活度高，同时在封闭的道路上更容易复现难复现的长尾问题和相同驾驶场景。在获取数据之后，不需要人工进行数据标注，节省了大量人工标注成本且能够对升级后的模型起到一个快速验证的作用。对升级后的模型起到一个快速验证的作用。对升级后的模型起到一个快速验证的作用。

【技术实现步骤摘要】
一种无人驾驶自动化模型训练数据的生产方法


[0001]本专利技术涉及一种模型训练数据的生产方法，更具体的是涉及一种无人驾驶自动化模型训练数据的生产方法。

技术介绍

[0002]随着汽车工业的发展与变革，车辆技术也在面临不断的发展，汽车为人们缩短了目的地的距离，从电力时代奔驰三轮车到福特专利技术汽车生产流水线让汽车走进千家万户，随着科技的发展带动汽车产业变革，以自动驾驶为基础的新交通生态体系面临重构。自动驾驶系统要求有足够的能力，在没有司机干预的情况下，安全地处理所有的突发情况。实际中，突发的异常情况总是发生，同时这些异常情况经常是比较复杂少见的，即自动驾驶的“长尾问题”，对于无人驾驶领域，避免长尾问题是亟待解决的难题。其中数据收集是解决“长尾问题”的关键因素，数据收集是激发主动学习的重要环节，也是机器学习周期运行良好的重要基础。
[0003]目前为了获得模型训练所需的数据，在无人驾驶领域传统数据收集的形式是首先需要依赖铺设相当长的真实道路，收集大量真实场景下无人驾驶运行的数据，然后再对采集的数据进行人工标注，从而实现有监督的机器学习模型训练。然而铺设用于无人驾驶的专有道路，建设投入成本高，利用人工对数据进行标注人工成本高，且在真实道路行驶时，发现的“长尾问题”难以复现。

技术实现思路

[0004]为解决现有技术的不足，现提供一种无人驾驶自动化模型训练数据的生产方法，包括如下步骤：
[0005]S1:构建道路场景；
[0006]S2:多辆无人驾驶汽车进入S1所构建的道路场景中同时驾驶，所述无人驾驶汽车安装有感知设备；
[0007]S3:无人驾驶汽车通过感知设备将行驶过程中的数据进行储存；
[0008]S4:将S3储存的数据经过数据处理后进行模型训练；
[0009]S5:基于S4模型训练的结果，对模型进行迭代升级；
[0010]S6:使用相同的场景，回归验证模型迭代升级的效果；
[0011]S7:回到S1；
[0012]所述S1中的道路场景为封闭式道路场景。
[0013]优选的，所述封闭式道路场景包括直线形式场景、车辆转弯场景与交叉路口。
[0014]优选的，所述感知设备包括激光雷达、定位系统与摄像头。
[0015]优选的，所述S3中的储存方式包括利用感知设备感知到的真实数据通过无人驾驶汽车车内存储设备进行存储或者通过网络传输的方式利用云端服务器进行存储。
[0016]优选的，所述的无人驾驶汽车为智能化程度达到L2级以上。
[0017]有益效果：
[0018](1)区别于传统的依赖铺设相当长的真实道路以获得模型训练所需要的数据的方式，本专利技术通过构建封闭式道路场景大大降低了建设成本且灵活度高，同时在封闭的道路上更容易复现难复现的长尾问题和相同驾驶场景。
[0019](2)本方法在获取数据之后，不需要人工进行数据标注，节省了大量人工标注成本。
[0020](3)本方法通过收集数据进行模型训练，再将训练结果进行模型升级，最后在相同的驾驶环境下对升级后的模型进行回归验证，能够对升级后的模型起到一个快速验证的作用。
附图说明
[0021]图1是实施例中封闭道路示意图。
[0022]图2是实施例中数据处理流程图。
具体实施方式
[0023]为了加深对本专利技术的理解，下面将结合实施例和附图对本专利技术作进一步详述，该实施例仅用于解释本专利技术，并不构成对本专利技术保护范围的限定。
[0024]一种无人驾驶自动化模型训练数据的生产方法，包括两部分：产品侧、技术侧。
[0025]一、产品侧
[0026](1)建设如图1所示的封闭式道路场景，图1中椭圆形轮廓为封闭道路，该封闭式场景对路的形态没有固定的要求，但需要同时满足封闭与支持多辆无人驾驶车辆同时行驶两个要求，其中封闭式道路场景包括直线形式场景、车辆转弯场景与交叉路口。
[0027](2)图1中多边形小块为无人驾驶车辆，所有在封闭式道路中行驶的无人驾驶车辆驾驶能力均要达到智能汽车等级L2以上。
[0028]通过构建封闭式道路场景大大降低了建设成本且灵活度高，同时在封闭的道路上更容易复现难复现的长尾问题和相同驾驶场景。
[0029]二、技术侧
[0030]本专利技术处理流程图如图2所述主要包括：道路场景构建、多车同时自动驾驶、车辆行驶数据收集、模型训练、模型迭代升级、场景回归验证，具体步骤如下：
[0031](1)道路场景构建：结合自动驾驶相关技术，构建机器学习模型要处理的不同道路场景；
[0032](2)多车同时自动驾驶：使多辆具有L2以上的无人驾驶车辆在封闭道路上同时驾驶；
[0033](3)车辆行驶数据收集：通过无人驾驶车辆所装配的感知设备获取模型所需要的数据，其中感知设备包括激光雷达、定位系统与摄像头；
[0034](4)模型训练：将步骤(3)中收集到的数据经过数据处理后进行模型训练；
[0035](5)模型迭代升级：基于模型训练的结果，对模型进行迭代升级，更新无人驾驶车辆的车载系统；
[0036](6)场景回归验证：使用相同的场景，回归验证模型迭代升级的效果；
[0037](7)循环(1)～(6)。
[0038]在获取数据之后通过模型训练，不需要人工进行数据标注，节省了大量人工标注成本。本方法通过收集数据进行模型训练，再将训练结果进行模型升级，最后在相同的驾驶环境下对升级后的模型进行回归验证，能够对升级后的模型起到一个快速验证的作用。
[0039]作为进一步改进，以上所述仅为本专利技术的较佳实施例而已，并不用以限制本专利技术，凡在本专利技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人驾驶自动化模型训练数据的生产方法，其特征在于，包括如下步骤：S1:构建道路场景；S2:多辆无人驾驶汽车进入S1所构建的道路场景中同时驾驶，所述无人驾驶汽车安装有感知设备；S3:无人驾驶汽车通过感知设备将行驶过程中的数据进行储存；S4:将S3储存的数据经过数据处理后进行模型训练；S5:基于S4模型训练的结果，对模型进行迭代升级；S6:使用相同的场景，回归验证模型迭代升级的效果；S7:回到S1；所述S1中的道路场景为封闭式道路场景。2.根据权利要求1所述的一种无人驾驶自动化模型训练数据的生产方法，其特征在于，所述...

【专利技术属性】
技术研发人员：刘生，昶向威，王劲，
申请(专利权)人：中智行苏州科技有限公司，
类型：发明
国别省市：