阻塞车识别模型的训练方法、装置及计算机程序产品制造方法及图纸

本公开提供了一种阻塞车识别模型的训练方法、装置、电子设备、存储介质及程序产品，涉及人工智能技术领域，尤其适用于自动驾驶技术领域。具体实现方案为：获取训练样本集，训练样本包括障碍物的运行轨迹中的状态节点的特征，运行轨迹对应的道路节点的特征和表征障碍物是否为阻塞车的状态标签；对状态节点和道路节点进行特征编码，得到状态节点和道路节点各自对应的编码特征；基于两种节点各自对应的编码特征，进行障碍物和道路之间的信息传递，得到状态节点的传递后特征；利用机器学习方法，以传递后特征为输入，以传递后特征对应的状态标签为期望输出，训练得到阻塞车识别模型。本公开提高了模型的准确度以及模型对各阻塞车识别场景的适用性。别场景的适用性。别场景的适用性。

【技术实现步骤摘要】
阻塞车识别模型的训练方法、装置及计算机程序产品


[0001]本公开涉及人工智能
，具体涉及自动驾驶、深度学习
，尤其涉及阻塞车识别模型的训练方法、装置以及阻塞车识别方法、装置、电子设备、存储介质以及计算机程序产品，可用于自动驾驶场景下。

技术介绍

[0002]阻塞车识别任务为对静止车辆进行长停车、排队车的自动识别，以赋予自动驾驶车辆对其周围车辆状态的预测能力。现实情况中，阻塞车识别场景复杂多样，所需判断信号较多，基于人工设计规则的判断方法难以适应场景的多样性，准确度较低。

技术实现思路

[0003]本公开提供了一种阻塞车识别模型的训练方法、装置以及阻塞车识别方法、装置、电子设备、存储介质以及计算机程序产品。
[0004]根据第一方面，提供了一种阻塞车识别模型的训练方法，包括：获取训练样本集，其中，训练样本集中的训练样本包括障碍物的运行轨迹中的状态节点的特征，运行轨迹对应的道路的道路节点的特征，以及表征障碍物是否为阻塞车的状态标签；通过编码模块对状态节点和道路节点进行特征编码，得到状态节点和道路节点各自对应的编码特征；通过局部注意力聚合模块，基于状态节点和道路节点各自对应的编码特征，进行障碍物和道路之间的信息传递，得到状态节点对应的传递后特征；利用机器学习方法，以传递后特征为输入，以传递后特征对应的状态标签为期望输出，训练得到阻塞车识别模型。
[0005]根据第二方面，提供了一种阻塞车识别方法，包括：确定障碍物的运行轨迹中的状态节点的特征和运行轨迹对应的道路的道路节点的特征；通过编码模块对状态节点和道路节点进行特征编码，得到状态节点和道路节点各自对应的编码特征；通过局部注意力聚合模块，基于状态节点和道路节点各自对应的编码特征，进行障碍物和道路之间的信息传递，得到状态节点对应的传递后特征；通过训练后的阻塞车识别模型，基于传递后特征，确定障碍物是否为阻塞车。
[0006]根据第三方面，提供了一种阻塞车识别模型的训练装置，包括：获取单元，被配置成获取训练样本集，其中，训练样本集中的训练样本包括障碍物的运行轨迹中的状态节点的特征，运行轨迹对应的道路的道路节点的特征，以及表征障碍物是否为阻塞车的状态标签；第一编码单元，被配置成通过编码模块对状态节点和道路节点进行特征编码，得到状态节点和道路节点各自对应的编码特征；第一传递单元，被配置成通过局部注意力聚合模块，基于状态节点和道路节点各自对应的编码特征，进行障碍物和道路之间的信息传递，得到状态节点对应的传递后特征；训练单元，被配置成利用机器学习方法，以传递后特征为输入，以传递后特征对应的状态标签为期望输出，训练得到阻塞车识别模型。
[0007]根据第四方面，提供了一种阻塞车识别方法，包括：第一确定单元，被配置成确定障碍物的运行轨迹中的状态节点的特征和运行轨迹对应的道路的道路节点的特征；第二编
码单元，被配置成通过编码模块对状态节点和道路节点进行特征编码，得到状态节点和道路节点各自对应的编码特征；第二传递单元，被配置成通过局部注意力聚合模块，基于状态节点和道路节点各自对应的编码特征，进行障碍物和道路之间的信息传递，得到状态节点对应的传递后特征；第二确定单元，被配置成通过训练后的阻塞车识别模型，基于传递后特征，确定障碍物是否为阻塞车。
[0008]根据第五方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面、第二方面任一实现方式描述的方法。
[0009]根据第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面、第二方面任一实现方式描述的方法。
[0010]根据第七方面，提供了一种计算机程序产品，包括：计算机程序，计算机程序在被处理器执行时实现如第一方面、第二方面任一实现方式描述的方法。
[0011]根据本公开的技术，提供了一种阻塞车识别模型的训练方法，在训练过程中，基于状态节点和道路节点各自对应的编码特征，进行障碍物和道路之间的信息传递，使得最终得到的状态节点的传递后特征，既包括障碍物自身的特征，也包括障碍物所处的道路的特征，提高了阻塞车识别模型所依据的特征数据的丰富度和表现力，从而可以提高模型的准确度以及模型对各阻塞车识别场景的适用性；通过训练后的阻塞车识别模型确定自车周围的障碍物是否为阻塞车，提高了对于阻塞车的识别准确度。
[0012]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0013]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0014]图1是根据本公开的一个实施例可以应用于其中的示例性系统架构图；
[0015]图2是根据本公开的阻塞车识别模型的训练方法的一个实施例的流程图；
[0016]图3是根据本实施例的障碍物子图的示意图；
[0017]图4是根据本实施例的道路子图的示意图；
[0018]图5是根据本实施例的阻塞车识别模型的信息流示意图；
[0019]图6是根据本实施例的阻塞车识别模型的结构示意图；
[0020]图7是根据本实施例的阻塞车识别模型的训练方法的应用场景的示意图；
[0021]图8是根据本实施例的局部注意力聚合模块的特征融合操作的一个实施例的流程图；
[0022]图9是根据本实施例的局部注意力聚合模块的结构示意图；
[0023]图10是根据本公开的阻塞车识别模型的训练方法的又一个实施例的流程图；
[0024]图11是根据本公开的阻塞车识别方法的一个实施例的流程图；
[0025]图12是根据本公开的阻塞车识别方法的又一个实施例的流程图；
[0026]图13是根据本公开的阻塞车识别模型的训练装置的一个实施例的结构图；
[0027]图14是根据本公开的阻塞车识别装置的一个实施例的结构图；
[0028]图15是适于用来实现本公开实施例的计算机系统的结构示意图。
具体实施方式
[0029]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0030]本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
[0031]图1示出了可以应用本公开的阻塞车识别模型的训练方法及装置、阻塞车识别方法及装置的示例性架构100。
[0032]如图1所示，系统架构100可以包括终端设备101、102、103，网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种阻塞车识别模型的训练方法，包括：获取训练样本集，其中，所述训练样本集中的训练样本包括障碍物的运行轨迹中的状态节点的特征，所述运行轨迹对应的道路的道路节点的特征，以及表征所述障碍物是否为阻塞车的状态标签；通过编码模块对所述状态节点和所述道路节点进行特征编码，得到所述状态节点和所述道路节点各自对应的编码特征；通过局部注意力聚合模块，基于所述状态节点和所述道路节点各自对应的编码特征，进行所述障碍物和所述道路之间的信息传递，得到所述状态节点对应的传递后特征；利用机器学习方法，以所述传递后特征为输入，以所述传递后特征对应的状态标签为期望输出，训练得到阻塞车识别模型。2.根据权利要求1所述的方法，其中，所述编码模块包括时序编码模块和上下文编码模块，以及所述通过编码模块对所述状态节点和所述道路节点进行特征编码，得到所述状态节点和所述道路节点各自对应的编码特征，包括：对于每个状态节点，通过所述时序编码模块对该状态节点和该状态节点的历史状态节点进行时序编码，得到每个状态节点对应的、融合历史状态节点的特征的时序编码特征；对于每个道路节点，通过所述上下文编码模块对该道路节点和该道路节点的邻近道路节点进行上下文编码，得到每个道路节点对应的、融合邻近道路节点的特征的上下文编码特征。3.根据权利要求2所述的方法，其中，所述对于每个状态节点，通过所述时序编码模块对该状态节点和该状态节点的历史状态节点进行时序编码，得到每个状态节点对应的、融合历史状态节点的特征的时序编码特征，包括：对于每个状态节点，根据该状态节点和该状态节点对应的预设数量的历史状态节点，生成该状态节点对应的、包括有向状态节点的障碍物子图；通过所述时序编码模块对所述障碍物子图中的状态节点的特征进行时序编码，得到每个状态节点对应的时序编码特征。4.根据权利要求2所述的方法，其中，所述通过局部注意力聚合模块，基于所述状态节点和所述道路节点各自对应的编码特征，进行所述障碍物和所述道路之间的信息传递，得到所述状态节点对应的传递后特征，包括：对于每个道路节点，通过所述局部注意力聚合模块，融合该道路节点的特征和该道路节点邻域的状态节点的时序编码特征，得到该道路节点的第一融合后编码特征；对于每个道路节点，基于所述局部注意力聚合模块，融合该道路节点的第一融合后编码特征和该道路节点邻域的道路节点的第一融合后编码特征，得到该道路节点的第二融合后编码特征；以及所述对于每个道路节点，通过所述上下文编码模块对该道路节点和该道路节点的邻近道路节点进行上下文编码，得到每个道路节点对应的、融合邻近道路节点的特征的上下文编码特征，包括：对于每个道路节点，根据该道路节点和该道路节点对应的预设数量的邻近道路节点，生成该道路节点对应的、包括有向道路节点的道路子图；
通过所述上下文编码模块对所述道路子图中的道路节点对应的第二融合后编码特征进行上下文编码，得到每个道路节点对应的上下文编码特征；以及所述通过局部注意力聚合模块，基于所述状态节点和所述道路节点各自对应的编码特征，进行所述障碍物和所述道路之间的信息传递，得到所述状态节点对应的传递后特征，还包括：对于每个状态节点，基于所述局部注意力聚合模块，融合该状态节点的时序编码特征和该状态节点邻域的道路节点的上下文编码特征，得到每个状态节点对应的传递后特征。5.根据权利要求4所述的方法，其中，所述状态节点的特征和所述道路节点的特征均包括几何特征和属性特征；以及所述局部注意力聚合模块通过如下方式执行特征融合操作：对于待进行特征融合的目标节点，确定所述目标节点对应的指定数量的邻近节点；对于每个邻近节点，通过相对位姿编码器，根据该邻近节点相对于所述目标节点的几何特征，确定该邻近节点对应的融合权重；基于每个邻近节点各自对应的更新后属性特征和融合权重，以及所述目标节点当前对应的融合前特征，得到所述目标节点对应的融合后特征，其中，所述更新后属性特征在各特征融合操作中依次为状态节点的时序编码特征、道路节点的第一融合后编码特征和道路节点的上下文编码特征，所述融合前特征在各特征融合操作中依次为道路节点的属性特征、道路节点的第一融合后编码特征和状态节点的时序编码特征，所述融合后特征在各特征融合操作中依次为道路节点的第一融合后编码特征、道路节点的第二融合后编码特征和状态节点对应的传递后特征。6.根据权利要求5所述的方法，其中，所述基于每个邻近节点各自对应的更新后属性特征和融合权重，以及所述目标节点当前对应的融合前特征，得到所述目标节点对应的融合后特征，包括：对于每个邻近节点，执行如下操作：根据该邻近节点对应的更新后属性特征和融合权重，得到该邻近节点对应的加权后属性特征；结合该邻近节点对应的所述加权后属性特征和所述更新后属性特征，得到该邻近节点的输出特征；以及结合每个邻近节点的输出特征和所述目标节点当前对应的融合前特征，得到所述目标节点对应的融合后特征。7.一种阻塞车识别方法，包括：确定障碍物的运行轨迹中的状态节点的特征和所述运行轨迹对应的道路的道路节点的特征；通过编码模块对所述状态节点和所述道路节点进行特征编码，得到所述状态节点和所述道路节点各自对应的编码特征；通过局部注意力聚合模块，基于所述状态节点和所述道路节点各自对应的编码特征，进行所述障碍物和所述道路之间的信息传递，得到所述状态节点对应的传递后特征；通过训练后的阻塞车识别模型，基于所述传递后特征，确定所述障碍物是否为阻塞车。8.根据权利要求7所述的方法，其中，所述编码模块包括时序编码模块和上下文编码模
块，以及所述通过编码模块对所述状态节点和所述道路节点进行特征编码，得到所述状态节点和所述道路节点各自对应的编码特征，包括：对于每个状态节点，通过所述时序编码模块对该状态节点和该状态节点的历史状态节点进行时序编码，得到每个状态节点对应的、融合历史状态节点的特征的时序编码特征；对于每个道路节点，通过所述上下文编码模块对该道路节点和该道路节点的邻近道路节点进行上下文编码，得到每个道路节点对应的、融合邻近道路节点的特征的上下文编码特征。9.根据权利要求8所述的方法，其中，所述对于每个...

【专利技术属性】
技术研发人员：吕野，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：