[發明專利]加速度預測模型訓練方法、加速度預測方法及相關裝置

在審

• 申請號: 202111039744.0
• 申請日: 2021-09-06
• 公開（公告）號: CN113723609A
• 公開（公告）日: 2021-11-30
• 發明（設計）人: 雷雨蒼;楊欣豫;陳世熹;韓旭
• 申請（專利權）人: 廣州文遠知行科技有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 李禮

本發明實施例公開了一種加速度預測模型訓練方法、加速度預測方法及相關裝置，包括：獲取多幀傳感數據，按照預設標注頻率對傳感數據進行標注，以標注物體在已標注的傳感數據的輸出時刻時的位置；采用已標注的傳感數據和位置訓練速度預測模型；將未標注的傳感數據輸入速度預測模型中得到物體在未標注的傳感數據的輸出時刻時的速度；根據傳感數據的輸出時刻和物體的速度標注物體的加速度；采用傳感數據和加速度訓練加速度預測模型，無需基于卡爾曼濾波估計加速度，加速度預測模型建模能力強，泛化能力好，并且按照低于傳感器采集頻率的預設標注頻率對部分傳感數據標注位置，相對于直接對所有傳感數據標注加速度成本低，并且降低了加速度的標注難度。

技術領域

本發明實施例涉及自動駕駛技術領域，尤其涉及一種加速度預測模型訓練方法、加速度預測方法及相關裝置。

背景技術

在自動駕駛的實際應用場景中，自動駕駛車輛不僅需要精確檢測出周圍障礙物的位置與類別等信息，還需要對障礙物的運動狀態進行精確的估計，尤其是對障礙物的加速度估計尤為重要。

在現有技術中，一種方式是基于卡爾曼濾波估計加速度，另一種方式是基于深度學習方法訓練各種模型來預測加速度，上述兩種方式存在以下問題：

1)基于卡爾曼濾波估計加速度，需要對不同場景調整不同參數，過程繁瑣，并且基于卡爾曼濾波由于參數有限，建模能力不足，泛化能力差；

2)深度學習方法在訓練時難以獲得準確的加速度標注來作為訓練標簽，標注成本高。

發明內容

本發明實施例提供一種加速度預測模型訓練方法、加速度預測方法及相關裝置，以解決現有基于卡爾曼濾波估計加速度存在過程繁瑣、參數有限導致泛化能力差，以及基于深度學習方法難以獲得加速度標注導致標注成本高的問題。

第一方面，本發明實施例提供了一種加速度預測模型訓練方法，包括：

獲取多幀傳感數據，所述傳感數據為傳感器移動過程中按照預設采集頻率在預設時長內感知周圍物體后所輸出的數據；

按照預設標注頻率對所述傳感數據進行標注，以標注所感知到的物體在已標注的傳感數據的輸出時刻時的位置，所述標注頻率小于所述采集頻率；

采用已標注的傳感數據和所述位置訓練速度預測模型；

將未標注的傳感數據輸入所述速度預測模型中，得到所述物體在所述未標注的傳感數據的輸出時刻時的速度；

根據所述傳感數據的輸出時刻和所述物體的速度標注所述物體在所述傳感數據的輸出時刻時的加速度；

采用所述傳感數據和所述加速度訓練加速度預測模型。

第二方面，本發明實施例提供了一種加速度預測方法，包括：

在車輛行駛過程中，當車輛上的傳感器在第一時刻對所述車輛周圍的環境進行感知得到第一傳感數據時，將所述第一傳感數據輸入預先訓練的目標檢測跟蹤模型中，得到位于所述車輛周圍的物體的第一運動數據；

獲取所述車輛周圍的物體的第二運動數據，所述第二運動數據為將所述傳感器在第二時刻所輸出的第二傳感數據輸入所述目標檢測跟蹤模型之后所得的數據，所述第二時刻為所述第一時刻之前的時刻；

根據所述第一運動數據和所述第二運動數據提取所述物體在所述第一時刻的運動特征；

將所述運動特征輸入預先訓練的加速度預測模型中得到所述物體在所述第一時刻的加速度；

其中，所述加速度預測模型通過第一方面所述的加速度預測模型訓練方法所訓練。

第三方面，本發明實施例提供了一種加速度預測模型訓練裝置，包括：