[發明專利]基于聯邦學習的自動駕駛訓練方法、設備及介質

有效

• 申請號: 202010931767.1
• 申請日: 2020-09-04
• 公開（公告）號: CN112052959B
• 公開（公告）日: 2023-08-25
• 發明（設計）人: 董苗波;衣志昊;梁新樂;范力欣
• 申請（專利權）人: 深圳前海微眾銀行股份有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 張志江

本申請公開了一種基于聯邦學習的自動駕駛訓練方法、設備和介質，應用于云端服務器，所述方法包括：在檢測到訓練指令時，獲取預設待訓練模型，將所述預設待訓練模型發送給預設行駛范圍內的各目標車輛；獲取所述各目標車輛基于各自實時本地數據集對所述預設待訓練模型進行訓練后得到的各第一目標模型參數；基于所述各第一目標模型參數，執行預設聯邦流程，并對所述預設待訓練模型進行迭代訓練，得到第二目標模型參數；將所述第二目標模型參數發送給所述目標車輛，以供各所述目標車輛基于所述第二目標模型參數得到各自的目標模型，以實現各自的自動駕駛功能。本申請解決現有技術中難以快速準確獲取有效自動駕駛模型的技術問題。

技術領域

本申請涉及互聯網科技的人工智能技術領域，尤其涉及一種基于聯邦學習的自動駕駛訓練方法、設備及介質。

背景技術

隨著金融科技，尤其是互聯網科技的不斷發展，越來越多的技術(如分布式、區塊鏈Blockchain、人工智能等)應用在互聯網科技領域，但互聯網科技領域業也對技術提出了更高的要求，如互聯網科技領域對基于聯邦學習的自動駕駛訓練也有更高的要求。

近來，自動駕駛技術發展非常迅速，自動駕駛的應用具有降低駕駛工作強度，緩解駕駛疲勞，提升駕駛安全，降低事故率等優點，其中，環境感知是自動駕駛的核心技術之一，自動駕駛通過環境感知的結果進行分析和決策，作為路徑規劃的依據，從而實現自動駕駛，環境感知包括車道檢測、行人檢測、交通標志識別、障礙物檢測等。

目前，環境感知是通過基于深度學習訓練得到的識別目標的模型實現的，但是現有技術中，往往是基于離線數據，通過深度學習即通過離線的方式，訓練得到識別目標的模型，進而再進行各個環境場景的實際應用，而離線訓練得到的模型往往會存在局部性，即離線訓練得到的模型與實際環境不匹配的問題，且離線訓練數據往往是龐大的，導致訓練過程中數據傳輸負載過多，導致模型訓練效率低，也即，現有技術中存在難以快速準確獲取有效自動駕駛模型的技術問題。

發明內容

本申請的主要目的在于提供一種基于聯邦學習的自動駕駛訓練方法、設備和介質，旨在解決現有技術中難以快速準確獲取有效自動駕駛模型的技術問題。

為實現上述目的，本申請提供一種基于聯邦學習的自動駕駛訓練方法，應用于云端服務器，所述基于聯邦學習的自動駕駛訓練方法包括：

在檢測到訓練指令時，獲取預設待訓練模型，將所述預設待訓練模型發送給預設行駛范圍內的各目標車輛；

獲取所述各目標車輛基于各自實時本地數據集對所述預設待訓練模型進行訓練后得到的各第一目標模型參數；

基于所述各第一目標模型參數，執行預設聯邦流程，并對所述預設待訓練模型進行迭代訓練，得到第二目標模型參數；

將所述第二目標模型參數發送給所述目標車輛，以供各所述目標車輛基于所述第二目標模型參數得到各自的目標模型，以實現各自的自動駕駛功能。

可選地，所述在檢測到訓練指令時，獲取預設待訓練模型，將所述預設待訓練模型發送給預設行駛范圍內的各目標車輛的步驟，包括：

在檢測到訓練指令時，根據所述訓練指令中攜帶的區域屬性，從預設模型集合中選取所述預設待訓練模型；

將所述預設待訓練模型發送給預設行駛范圍內的各目標車輛。

可選地，所述在檢測到訓練指令時，根據所述訓練指令中攜帶的區域屬性，從預設模型集合中選取所述預設待訓練模型的步驟，包括：

在檢測到訓練指令時，根據所述訓練指令中攜帶的區域屬性，從預設模型集合中選取預設模型子集合；

根據所述訓練指令中攜帶的時間信息以及車輛類型信息，從預設模型子集合中選取所述預設待訓練模型。