【技术实现步骤摘要】
本专利技术涉及交通场景评估，具体涉及一种交通场景的评估系统。
技术介绍
1、近年来自动驾驶技术发展迅速，受到了人们的广泛关注。和传统的通过人来驾驶车辆相比，自动驾驶可以完成人类驾驶员难以胜任的驾驶任务(如长距离高速运输任务等)。在自动驾驶中，使用深度学习技术训练感知模型通常需要大量的点云数据。由这些点云数据构成的数据集的采集困难，标注成本高，且会存在大量的冗余，降低数据集的质量。交通场景评估技术为自动驾驶3d目标检测数据集的优化带来了新的解决思路，即通过对场景数据复杂度和多样性的分析，选取数据集中最具有价值的场景样本，在有限的资源下利用这些样本在自动驾驶任务上取得更好的效果。
2、对于场景数据复杂度，其分为感知复杂度和统计复杂度两类。现有对于场景感知复杂度的分析其主要是针对检测任务中回归不确定性的分析。不确定性可以分为两种类型：任意不确定性和认知不确定性。任意不确定性捕获观察中固有的噪声，这可能是传感器噪声或运动噪声等。这类不确定性不能通过增加数据而减少。另一方面，认知不确定性解释了模型参数的不确定性——反映了所使用的模型对...
【技术保护点】
1.一种交通场景的评估系统，其特征在于，包括：
2.如权利要求1所述的评估系统，其特征在于，所述场景帧的感知复杂度为所述场景帧中多个所述检测框的感知复杂度的平均值；
3.如权利要求2所述的评估系统，其特征在于，所述μkb和所述σkb的表达式为：
4.如权利要求3所述的评估系统，其特征在于，所述混合高斯网络子模型的回归损失函数L为：L＝Lloc(l，xi，yi)+λθsmoothL1(θ-θt)；
5.如权利要求4所述的评估系统，其特征在于，所述Lloc(l，xi，yi)的表达式为：
6.如权利要求1所述的评估...
【技术特征摘要】
1.一种交通场景的评估系统，其特征在于，包括：
2.如权利要求1所述的评估系统，其特征在于，所述场景帧的感知复杂度为所述场景帧中多个所述检测框的感知复杂度的平均值；
3.如权利要求2所述的评估系统，其特征在于，所述μkb和所述σkb的表达式为：
4.如权利要求3所述的评估系统，其特征在于，所述混合高斯网络子模型的回归损失函数l为：l＝lloc(l，xi，yi)+λθsmoothl1(θ-θt)；
5.如权利要求4所述的评估系统，其特征在于，所述lloc(l，xi，yi)的表达式为：
6.如权利要求1所述的评估系统，其特征在于，还包括：
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。