[發明專利]自動駕駛車輛環境認知能力評價方法、設備及存儲介質

在審

• 申請號: 202010400859.7
• 申請日: 2020-05-13
• 公開（公告）號: CN111523515A
• 公開（公告）日: 2020-08-11
• 發明（設計）人: 王家梁;郭正東
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 張娜;劉芳

1.一種自動駕駛車輛環境認知能力評價方法，其特征在于，包括：

獲取待分級的交通場景數據，所述交通場景數據包括交通場景的二維圖像數據和/或三維點云數據；

通過交通場景復雜度分類模型，對所述交通場景數據進行處理，以根據所述二維圖像數據和/或所述三維點云數據提取特征向量，并根據所述特征向量對所述交通場景數據進行分級，得到所述交通場景數據對應的目標復雜度等級；

根據所述交通場景數據以及所述交通場景數據對應的目標復雜度等級，評價自動駕駛車輛的環境認知能力。

2.根據權利要求1所述的方法，其特征在于，所述包括交通場景的二維圖像數據和三維點云數據，所述二維圖像數據與所述三維點云數據相對應；

所述通過交通場景復雜度分類模型，對所述交通場景數據進行處理，以根據所述二維圖像數據和/或所述三維點云數據提取特征向量，包括：

通過所述交通場景復雜度分類模型中的殘差網絡子模型對所述二維圖像數據提取第一特征向量，通過所述交通場景復雜度分類模型中的Point-net網絡子模型對所述三維點云數據提取第二特征向量；

將所述第一特征向量和所述第二特征向量進行融合，獲取融合特征向量，作為所述特征向量。

3.根據權利要求2所述的方法，其特征在于，所述根據所述特征向量對所述交通場景數據進行分級，得到所述交通場景數據對應的目標復雜度等級，包括：

對所述特征向量中的每一個維度配置相應的權重；

根據所述特征向量以及所述特征向量中的每一個維度對應的權重，通過所述交通場景復雜度分類模型中的分類器確定所述交通場景數據對應的目標復雜度等級。

4.根據權利要求3所述的方法，其特征在于，所述對所述特征向量中的每一個維度配置相應的權重，包括：

通過所述交通場景復雜度分類模型中的注意力子模型對所述特征向量中的每一個維度配置相應的權重，其中，重要程度越高的維度對應的權重越大，和/或，所來源的交通場景數據質量越好的維度對應的權重越大。

5.根據權利要求3或4所述的方法，其特征在于，所述根據所述特征向量以及所述特征向量中的每一個維度對應的權重，通過所述交通場景復雜度分類模型中的分類器確定所述交通場景數據對應的目標復雜度等級，包括：

根據所述特征向量以及所述特征向量中的每一個維度對應的權重，通過所述分類器確定所述交通場景數據分別屬于多個預設復雜度等級中每一等級的概率，并將其中概率最大的預設復雜度等級作為所述目標復雜度等級。

6.根據權利要求2所述的方法，其特征在于，所述將所述第一特征向量和所述第二特征向量進行融合，獲取融合特征向量，包括：

通過所述交通場景復雜度分類模型的特征融合子模型，將所述第一特征向量和所述第二特征向量進行融合，獲取所述融合特征向量。

7.根據權利要求1所述的方法，其特征在于，所述獲取待分級的交通場景數據，包括：

采用攝像機獲取所述二維圖像數據；和/或

采用激光雷達傳感器獲取所述三維點云數據。

8.根據權利要求1所述的方法，其特征在于，還包括：

獲取訓練數據和初始交通場景復雜度分類模型，所述訓練數據為已標注復雜度等級的交通場景數據；

根據所述訓練數據，對所述初始交通場景復雜度分類模型進行訓練，得到所述交通場景復雜度分類模型。

9.一種自動駕駛車輛環境認知能力評價裝置，其特征在于，包括：

獲取模塊，用于獲取待分級的交通場景數據，所述交通場景數據包括交通場景的二維圖像數據和/或三維點云數據；

處理模塊，用于通過交通場景復雜度分類模型，對所述交通場景數據進行處理，以根據所述二維圖像數據和/或所述三維點云數據提取特征向量，并根據所述特征向量對所述交通場景數據進行分級，得到所述交通場景數據對應的目標復雜度等級；

評價模塊，用于根據所述交通場景數據以及所述交通場景數據對應的目標復雜度等級，評價自動駕駛車輛的環境認知能力。