[發(fā)明專利]一種多模態(tài)軌跡預(yù)測模型的訓(xùn)練方法

在審

• 申請?zhí)枺?/td>: 202110984214.7
• 申請日: 2021-08-25
• 公開（公告）號: CN113722675A
• 公開（公告）日: 2021-11-30
• 發(fā)明（設(shè)計(jì)）人: 大方;張雨;何潤林
• 申請（專利權(quán)）人: 北京輕舟智航科技有限公司
• 主分類號: G06F17/18
• 分類號: G06F17/18;G06K9/62
• 代理公司: 北京慧誠智道知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 11539
• 代理人: 李楠

本發(fā)明實(shí)施例涉及一種多模態(tài)軌跡預(yù)測模型的訓(xùn)練方法，所述方法包括：獲取第一訓(xùn)練?測試數(shù)據(jù)對作為當(dāng)前訓(xùn)練?測試數(shù)據(jù)對；第一訓(xùn)練?測試數(shù)據(jù)對包括第一訓(xùn)練軌跡張量τ和第一測試軌跡張量τ^*；將τ輸入多模態(tài)軌跡預(yù)測模型進(jìn)行軌跡預(yù)測生成多模態(tài)軌跡預(yù)測參數(shù)集合θ；將τ^*和θ帶入高斯混合模型概率分布函數(shù)P(τ^*|θ)進(jìn)行計(jì)算生成第一概率p；將p帶入負(fù)對數(shù)似然損失函數(shù)L(p)進(jìn)行計(jì)算生成第一損失值；將第一損失值加入第一損失值序列；對多模態(tài)軌跡預(yù)測模型的收斂狀態(tài)進(jìn)行識別生成第一識別狀態(tài)；第一識別狀態(tài)為尚未收斂則對模型進(jìn)行調(diào)制并迭代訓(xùn)練直到收斂為止。通過本發(fā)明方法，可對多模態(tài)軌跡預(yù)測模型的學(xué)習(xí)訓(xùn)練過程進(jìn)行監(jiān)督和跟蹤。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，特別涉及一種多模態(tài)軌跡預(yù)測模型的訓(xùn)練方法。

背景技術(shù)

軌跡預(yù)測(trajectory prediction)是自動駕駛技術(shù)中的重要組成部分。軌跡預(yù)測中存在單模態(tài)和多模態(tài)的區(qū)別，所謂多模態(tài)是指在已知路況和地圖的情況下，對車輛的軌跡預(yù)測產(chǎn)生的預(yù)測結(jié)果不止一個(gè)，也就是說在給定的路況下一輛車可能會有不止一個(gè)可能的未來運(yùn)動軌跡。比如接近路口的車輛，在沒有明顯開始轉(zhuǎn)向動作之前，都保留著轉(zhuǎn)向行駛和繼續(xù)直行兩種可能性。在與這些車輛互動時(shí)需要對所有可能性會造成的安全風(fēng)險(xiǎn)進(jìn)行考慮，因此軌跡預(yù)測算法不但要對各種可能性都分別給出預(yù)測軌跡，還要對每個(gè)軌跡的可能性(概率)進(jìn)行估計(jì)。

多模態(tài)軌跡預(yù)測的形式，尤其是對每個(gè)預(yù)測軌跡的概率進(jìn)行估計(jì)這個(gè)任務(wù)，對有監(jiān)督的機(jī)器學(xué)習(xí)模型訓(xùn)練提出了挑戰(zhàn)。因?yàn)樵谝粋€(gè)路測場景中，多種可能軌跡中最終會發(fā)生的可能性最多只有一種，也就是說無法從真值中得到所有預(yù)測軌跡概率的監(jiān)督參考信息。

發(fā)明內(nèi)容

本發(fā)明的目的，就是針對現(xiàn)有技術(shù)的缺陷，提供一種多模態(tài)軌跡預(yù)測模型的訓(xùn)練方法、電子設(shè)備及計(jì)算機(jī)可讀存儲介質(zhì)，將多模態(tài)軌跡預(yù)測模型輸出的每個(gè)軌跡模態(tài)視為一個(gè)正態(tài)分布，并基于高斯混合模型的正態(tài)分布概率函數(shù)對多模態(tài)軌跡預(yù)測模型的輸出概率進(jìn)行計(jì)算，使用負(fù)對數(shù)函數(shù)作為損失函數(shù)對預(yù)測軌跡與概率進(jìn)行監(jiān)督，同時(shí)依照最大似然法規(guī)則對模型的收斂狀態(tài)進(jìn)行跟蹤。通過本發(fā)明方法，可以對任意有監(jiān)督的多模態(tài)軌跡預(yù)測模型的學(xué)習(xí)訓(xùn)練過程進(jìn)行監(jiān)督和跟蹤，并且監(jiān)督與跟蹤的對象不再僅僅局限于預(yù)測軌跡本身，還包括了多模態(tài)的預(yù)測軌跡概率。

為實(shí)現(xiàn)上述目的，本發(fā)明實(shí)施例第一方面提供了一種多模態(tài)軌跡預(yù)測模型的訓(xùn)練方法，所述方法包括：

獲取第一訓(xùn)練-測試數(shù)據(jù)對作為當(dāng)前訓(xùn)練-測試數(shù)據(jù)對；所述第一訓(xùn)練-測試數(shù)據(jù)對包括第一訓(xùn)練軌跡張量τ和第一測試軌跡張量τ^*；

將所述當(dāng)前訓(xùn)練-測試數(shù)據(jù)對的所述第一訓(xùn)練軌跡張量τ輸入多模態(tài)軌跡預(yù)測模型進(jìn)行軌跡預(yù)測，生成多模態(tài)軌跡預(yù)測參數(shù)集合θ；

將所述當(dāng)前訓(xùn)練-測試數(shù)據(jù)對的所述第一測試軌跡張量τ^*和所述多模態(tài)軌跡預(yù)測參數(shù)集合θ，帶入預(yù)設(shè)的高斯混合模型概率分布函數(shù)P(τ^*|θ)進(jìn)行計(jì)算，生成對應(yīng)的第一概率p；

將所述第一概率p帶入預(yù)設(shè)的負(fù)對數(shù)似然損失函數(shù)L(p)進(jìn)行計(jì)算，生成對應(yīng)的第一損失值；并將所述第一損失值加入第一損失值序列；

根據(jù)所述第一損失值序列對所述多模態(tài)軌跡預(yù)測模型的收斂狀態(tài)進(jìn)行識別，生成第一識別狀態(tài)；

若所述第一識別狀態(tài)為尚未收斂，則對所述多模態(tài)軌跡預(yù)測模型進(jìn)行參數(shù)調(diào)制，并獲取下一對所述第一訓(xùn)練-測試數(shù)據(jù)對作為當(dāng)前訓(xùn)練-測試數(shù)據(jù)對進(jìn)行迭代訓(xùn)練，直到所述第一識別狀態(tài)為收斂成功為止。

優(yōu)選的，所述多模態(tài)軌跡預(yù)測參數(shù)集合θ包括多個(gè)第一模態(tài)軌跡預(yù)測參數(shù)組；所述第一模態(tài)軌跡預(yù)測參數(shù)組包括第一模態(tài)軌跡張量μ_i，第一模態(tài)軌跡概率w_i和第一模態(tài)協(xié)方差矩陣Σ_i；i的取值從1到N，N為所述第一模態(tài)軌跡預(yù)測參數(shù)組的總數(shù)；且