本公开实施例公开了一种轨迹预测网络模型的训练方法和装置、介质、设备，其中，方法包括：确定多条轨迹对应的多个预设锚点集；基于所述多个预设锚点集，确定所述多条轨迹对应的第一分类结果；基于所述第一分类结果对所述多条轨迹进行数据抽取，得到具有预设轨迹类型的样本轨迹集合；基于所述样本轨迹集合对轨迹预测网络模型进行训练。测网络模型进行训练。测网络模型进行训练。
【技术实现步骤摘要】
轨迹预测网络模型的训练方法和装置、介质、设备
[0001]本公开涉及计算机视觉技术，尤其是一种轨迹预测网络模型的训练方法和装置、介质、设备。
技术介绍
[0002]车辆轨迹预测是自动驾驶中的一个重要部分，是实现自动驾驶规划与决策的前提。现有技术中一般采用深度学习方法，例如，采用轨迹预测网络模型对车辆轨迹进行预测，进而得到预测的车辆未来行驶轨迹。轨迹预测网络模型的获得，通常需要采用大量的具有标注信息的样本数据对初始模型进行训练，该具有标注信息的样本数据需要人工进行标注，人工校验的效率较低，且人力成本较高，此外，初始模型的训练不可避免的会依赖样本数据的丰富性，对训练后模型的性能有影响。
技术实现思路
[0003]本公开的实施例提供了一种轨迹预测网络模型的训练方法和装置、介质、设备。
[0004]根据本公开实施例的一个方面，提供了一种轨迹预测网络模型的训练方法，包括：
[0005]确定多条轨迹对应的多个预设锚点集；
[0006]基于所述多个预设锚点集，确定所述多条轨迹对应的第一分类结果；
[0007]基于所述第一分类结果对所述多条轨迹进行数据抽取，得到具有预设轨迹类型的样本轨迹集合；
[0008]基于所述样本轨迹集合对轨迹预测网络模型进行训练。
[0009]根据本公开实施例的另一方面，提供了一种轨迹预测网络模型的训练装置，包括：
[0010]锚点确定模块，用于确定多条轨迹对应的多个预设锚点集；
[0011]数据分类模块，用于基于所述锚点确定模块确定的多个预设锚点集，确定所述多条轨迹对应的第一分类结果；
[0012]数据抽取模块，用于基于所述数据分类模块确定的第一分类结果对所述多条轨迹进行数据抽取，得到具有预设轨迹类型的样本轨迹集合；
[0013]模型训练模块，用于基于所述数据抽取模块确定的样本轨迹集合对轨迹预测网络模型进行训练。
[0014]根据本公开实施例的又一方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任一实施例所述的轨迹预测网络模型的训练方法。
[0015]根据本公开实施例的还一方面，提供了一种电子设备，所述电子设备包括：
[0016]处理器；
[0017]用于存储所述处理器可执行指令的存储器；
[0018]所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述任一实施例所述的轨迹预测网络模型的训练方法。
[0019]基于本公开上述实施例提供的一种轨迹预测网络模型的训练方法和装置、介质、设备，通过预设锚点集对多条轨迹进行分类，实现了对轨迹的自动分类，相比于人工校验，本实施例提高了数据挖掘过程的自动化程度，减少了人工标注分类结果的成本；此外，通过基于第一分类结果对多条轨迹进行数据抽取，平衡了不同轨迹类别的轨迹在对轨迹预测网络模型的训练中的比例，提升了轨迹预测网络模型对不同轨迹的预测性能。
[0020]下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
附图说明
[0021]通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0022]图1是本公开一示例性实施例提供的轨迹预测网络模型的训练方法的流程示意图。
[0023]图2是本公开另一示例性实施例提供的轨迹预测网络模型的训练方法的流程示意图。
[0024]图3是本公开图2所示的实施例中步骤206的一流程示意图。
[0025]图4是本公开图3所示的实施例中步骤2062的一流程示意图。
[0026]图5是本公开图1所示的实施例中步骤102的一流程示意图。
[0027]图6是本公开图1所示的实施例中步骤103的一流程示意图。
[0028]图7是本公开又一示例性实施例提供的轨迹预测网络模型的训练方法的流程示意图。
[0029]图8是本公开一示例性实施例提供的轨迹预测网络模型的训练装置的结构示意图。
[0030]图9是本公开另一示例性实施例提供的轨迹预测网络模型的训练装置的结构示意图。
[0031]图10是本公开一示例性实施例提供的电子设备的结构图。
具体实施方式
[0032]下面，将参考附图详细地描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。
[0033]应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
[0034]本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
[0035]还应理解，在本公开实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
[0036]还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
[0037]另外，本公开中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0038]还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
[0039]同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
[0040]以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
[0041]对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
[0042]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0043]本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种轨迹预测网络模型的训练方法，包括：确定多条轨迹对应的多个预设锚点集；基于所述多个预设锚点集，确定所述多条轨迹对应的第一分类结果；基于所述第一分类结果对所述多条轨迹进行数据抽取，得到具有预设轨迹类型的样本轨迹集合；基于所述样本轨迹集合对轨迹预测网络模型进行训练。2.根据权利要求1所述的方法，还包括：基于训练后的轨迹预测网络模型对所述多条轨迹进行轨迹类型预测，得到轨迹预测结果；基于所述轨迹预测结果，确定是否对所述训练后的轨迹预测网络模型进行二次训练。3.根据权利要求2所述的方法，其中，所述基于所述轨迹预测结果，确定是否对所述训练后的轨迹预测网络模型进行二次训练，包括：确定是否存在至少一条所述轨迹对应的轨迹预测结果与所述第一分类结果不匹配；响应于存在至少一条所述轨迹对应的轨迹预测结果与所述第一分类结果不匹配，将至少一条所述轨迹作为预设锚点加入所述多个预设锚点集，对所述训练后的轨迹预测网络模型进行二次训练。4.根据权利要求3所述的方法，其中，所述将至少一条所述轨迹作为预设锚点加入所述多个预设锚点集，对所述训练后的轨迹预测网络模型进行二次训练，包括：基于所述第一分类结果，通过至少一条所述轨迹对所述预设锚点集和所述多条轨迹进行更新，得到更新后的预设锚点集和更新后的多条轨迹；基于所述更新后的预设锚点集，对所述更新后的多条轨迹进行分类，确定第二分类结果；基于所述第二分类结果对所述多条轨迹进行数据抽取，得到更新后的样本轨迹集合；基于所述更新后的样本轨迹集合，对所述训练后的轨迹预测网络模型进行二次训练。5.根据权利要求4所述的方法，其中，所述基于所述第一分类结果，将至少一条所述轨迹对所述预设锚点集和所述多条轨迹进行更新，得到更新后的预设锚点集和更新后的多条轨迹，包括：基于至少一条所述轨迹中每条所述轨迹的第一分类结果，确定每条所述轨迹对应的预设轨迹类型；基于所述预设轨迹类型，将至少一条所述轨迹作为预设锚点加入到对应的所述预设锚点集中，或为至少一条所述轨迹建立新的预设锚点集，得到所述更新后的预设锚点集；从所述多条轨迹中删除至少一条所述轨迹，得到所述更新后的多条轨迹。6.根据权利要求1
‑
5任一所述的方法，其中，所述基于所述多个预设锚点集，确定所述多条轨迹对应的第一分类结果，包括：确定所述多条轨迹中每条所...
【专利技术属性】
技术研发人员：陈嘉杰，周贺龙，张骞，任伟强，
申请(专利权)人：北京地平线信息技术有限公司，
类型：发明
国别省市：
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。