【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; ...
【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:
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。