【技术实现步骤摘要】
驾驶场景分析的模型训练和使用方法、装置、介质及设备
[0001]本申请涉及机器学习
，特别涉及一种驾驶场景分析的模型训练和使用方法、装置、介质及设备。
技术介绍
[0002]随着自动驾驶技术的发展，机器学习和深度学习技术在自动驾驶中的应用越来越广泛，这些基于数据驱动的技术和数据一起构成了自动驾驶的数据闭环。在数据闭环中，我们经常需要对自动驾驶场景进行分析。由于道路路网的多样性以及交通参与者的行为的复杂性，如何使用场景特征表示一个交互程度较高的场景是自动驾驶场景分析中的难题。也是制约自动驾驶交互性长尾问题收集的关键点。
[0003]相关技术中，通过采用以下两种方法来提取场景特征：
[0004](1)根据一帧或者一个序列的前视摄像头拍摄数据进行特征提取和分类。其中，特征提取的方法是利用诸如CNN(Convolutional Neural Network，卷积神经网络)、RNN(Recurrent Neural Network，循环神经网络)之类的深度神经网络对前视图像或者视频信息进行处理，得到高维的场景特征...
【技术保护点】
【技术特征摘要】
1.一种驾驶场景分析的模型训练方法，其特征在于，所述方法包括：获取训练集，所述训练集中的每个训练样本包括一个自动驾驶场景的编码图和多个第一节点特征，所述自动驾驶场景是自动驾驶车辆在一段时间内的感知结果所构成的场景，所述编码图中的节点表示所述感知结果中的交通参与者和静态地图元素，所述编码图中的连线表示各个节点之间的连接关系，所述第一节点特征表示所述节点的特征；创建分析模型；对于每个训练样本，利用所述分析模型中的编码模型对所述编码图进行处理，得到所述自动驾驶场景的场景特征；利用所述分析模型中的解码模型对所述场景特征进行处理，得到各个节点之间的连接关系和各个节点的第二节点特征；根据所述编码图、所述第一节点特征、所述连接关系和所述第二节点特征调整所述分析模型的损失函数；根据所述损失函数训练所述分析模型。2.根据权利要求1所述的驾驶场景分析的模型训练方法，其特征在于，所述利用所述分析模型中的编码模型对所述编码图进行处理，得到所述自动驾驶场景的场景特征，包括：当所述编码模型包括两个图卷积神经网络时，利用所述两个图卷积神经网络对所述编码图进行特征提取，得到所述自动驾驶场景的场景特征。3.根据权利要求1所述的驾驶场景分析的模型训练方法，其特征在于，所述利用所述分析模型中的解码模型对所述场景特征进行处理，得到各个节点之间的连接关系和各个节点的第二节点特征，包括：当所述解码模型包括第一解码分支和第二解码分支时，利用所述第一解码分支中的多层感知机对所述场景特征进行处理，得到各个节点之间的连接关系；利用所述第二解码分支中的多层感知机和卷积神经网络对所述场景特征进行处理，得到各个节点的第二节点特征。4.根据权利要求1所述的驾驶场景分析的模型训练方法，其特征在于，所述根据所述编码图、所述第一节点特征、所述连接关系和所述第二节点特征调整所述分析模型的损失函数，包括：计算所述连接关系和所述编码图中的连接关系的匹配度，并计算所述第一节点特征与所述第二节点特征的匹配度；根据所述匹配度调整所述分析模型的损失函数。5.根据权利要求1至4任一所述的驾驶场景分析的模型训练方法，其特征在于，所述方法还包括：获取所述感知结果；从所述感知结果中提取所述交通参与者的第三节点特征，从所述感知结果中或从高精地图中提取静态地图元素的第四节点特征；利用长短期记忆网络对所述第三节点特征进行处理，得到所述交通参与者的第一节点特征；利用卷积神经网络对所述第四节点特征进行处理，得到所述静态地图元素的第一节点特征。6.一种驾驶场景分析的模型使用方法，其特征在于，所述方法包括：获取自动驾驶车辆在一段时间内的感知结果；
根据所述感知结果生成编码图，所述编码图中的节点表示所述感知结果中的交通参与者和静态地图元素，所述编码图中的连线表示各个...
【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：九识苏州智能科技有限公司，
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。