CN109711349A - 用于生成控制指令的方法和装置 - Google Patents

Abstract

本申请实施例公开了用于生成控制指令的方法和装置。该方法的一具体实施方式包括获取无人驾驶汽车的多个摄像头拍摄的多个图像序列；将多个图像序列分别输入至预先训练的控制指令生成模型，得到多个控制指令序列；对多个控制指令序列进行融合，得到目标控制指令序列。该实施方式降低了生成目标控制指令序列的计算量，提高了目标控制指令序列的生成效率，缩短了目标控制指令序列的生成时长，从而有助于实现对无人驾驶汽车的实时控制。

Description

用于生成控制指令的方法和装置

技术领域

本申请实施例涉及无人驾驶技术领域，具体涉及用于生成控制指令的方法和装置。

背景技术

无人驾驶汽车是一种新型的智能汽车，主要通过控制装置(即，车载智能大脑)对汽车中各个部分进行精准的控制与计算分析，并最终通过ECU(Electronic Control Unit，电子控制单元)发出指令来分别控制无人驾驶汽车中的不同设备，从而实现汽车的全自动运行，达到汽车无人驾驶的目的。

为了达到汽车无人驾驶的目的，需要预先获取无人驾驶汽车的行驶环境数据，并基于行驶环境数据生成控制指令，以实现根据控制指令对无人驾驶汽车的行驶过程的控制。

目前，常用的控制指令生成方式主要包括以下两种。其一，根据无人驾驶汽车的单个摄像头拍摄的单个图像序列生成控制指令序列。其二，首先将无人驾驶汽车的多个摄像头拍摄多个图像序列进行融合重建，然后根据融合重建后的图像序列生成控制指令序列。

发明内容

本申请实施例提出了用于生成控制指令的方法和装置。

第一方面，本申请实施例提供了一种用于生成控制指令的方法，包括：获取无人驾驶汽车的多个摄像头拍摄的多个图像序列；将多个图像序列分别输入至预先训练的控制指令生成模型，得到多个控制指令序列；对多个控制指令序列进行融合，得到目标控制指令序列。

在一些实施例中，控制指令生成模型包括卷积神经网络和长短期记忆网络。

在一些实施例中，将多个图像序列分别输入至预先训练的控制指令生成模型，得到多个控制指令序列，包括：将图像序列输入至卷积神经网络，得到图像序列的特征向量序列；将特征向量序列输入至长短期记忆网络，得到控制指令序列。

在一些实施例中，控制指令生成模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本集合中的训练样本包括样本图像序列和对应的样本控制指令序列；对于训练样本集合中的训练样本，将该训练样本中的样本图像序列作为输入，将该训练样本中的样本控制指令序列作为输出，训练得到控制指令生成模型。

在一些实施例中，对多个控制指令序列进行融合，得到目标控制指令序列，包括：对多个控制指令序列进行时间滤波和/或空间滤波，得到目标控制指令序列。

在一些实施例中，对多个控制指令序列进行时间滤波和/或空间滤波，得到目标控制指令序列，包括：对于多个控制指令序列中每个时间点的多个控制指令，对该时间点的多个控制指令进行数量统计和/或类别权重分析，以及基于该时间点的多个控制指令对应的统计分析结果对该时间点的多个控制指令进行时间滤波，得到该时间点的目标控制指令。

在一些实施例中，对多个控制指令序列进行时间滤波和/或空间滤波，得到目标控制指令序列，还包括：对于多个控制指令序列中的控制指令序列，对该控制指令序列中的控制指令进行数量统计和/或类别权重分析，以及基于该控制指令序列对应的统计分析结果对该控制指令序列进行空间滤波，得到该控制指令序列对应的目标控制指令序列。

第二方面，本申请实施例提供了一种用于生成控制指令的装置，包括：图像获取单元，被配置成获取无人驾驶汽车的多个摄像头拍摄的多个图像序列；指令生成单元，被配置成将多个图像序列分别输入至预先训练的控制指令生成模型，得到多个控制指令序列；指令融合单元，被配置成对多个控制指令序列进行融合，得到目标控制指令序列。

在一些实施例中，控制指令生成模型包括卷积神经网络和长短期记忆网络。

在一些实施例中，指令生成单元包括：特征生成子单元，被配置成将图像序列输入至卷积神经网络，得到图像序列的特征向量序列；指令生成子单元，被配置成将特征向量序列输入至长短期记忆网络，得到控制指令序列。

在一些实施例中，控制指令生成模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本集合中的训练样本包括样本图像序列和对应的样本控制指令序列；对于训练样本集合中的训练样本，将该训练样本中的样本图像序列作为输入，将该训练样本中的样本控制指令序列作为输出，训练得到控制指令生成模型。

在一些实施例中，指令融合单元包括：指令滤波子单元，被配置成对多个控制指令序列进行时间滤波和/或空间滤波，得到目标控制指令序列。

在一些实施例中，指令滤波子单元包括：时间滤波模块，被配置成对于多个控制指令序列中每个时间点的多个控制指令，对该时间点的多个控制指令进行数量统计和/或类别权重分析，以及基于该时间点的多个控制指令对应的统计分析结果对该时间点的多个控制指令进行时间滤波，得到该时间点的目标控制指令。

在一些实施例中，指令滤波子单元还包括：空间滤波模块，被配置成对于多个控制指令序列中的控制指令序列，对该控制指令序列中的控制指令进行数量统计和/或类别权重分析，以及基于该控制指令序列对应的统计分析结果对该控制指令序列进行空间滤波，得到该控制指令序列对应的目标控制指令序列。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于生成控制指令的方法和装置，首先获取无人驾驶汽车的多个摄像头拍摄的多个图像序列；然后将多个图像序列分别输入至预先训练的控制指令生成模型，以得到多个控制指令序列；最后对多个控制指令序列进行融合，以得到目标控制指令序列。与现有技术中基于单个摄像头拍摄的单个图像序列生成控制指令序列的方式相比，多个摄像头拍摄多个图像序列，多个图像序列具有信息冗余，基于多个摄像头拍摄的多个图像序列生成目标控制指令序列，提高了生成的目标控制指令序列的安全性。与现有技术中基于融合重建后的图像序列生成控制指令序列的方式相比，避免了对多个摄像头拍摄的多个图像序列进行融合重建的巨大计算量，仅对生成的多个控制指令序列进行融合，降低了生成目标控制指令序列的计算量，提高了目标控制指令序列的生成效率，缩短了目标控制指令序列的生成时长，从而有助于实现对无人驾驶汽车的实时控制。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性***架构；

图2是根据本申请的用于生成控制指令的方法的一个实施例的流程图；

图3是图2所提供的用于生成控制指令的方法的一个应用场景的示意图；

图4是根据本申请的用于生成控制指令的方法的又一个实施例的流程图；

图5是根据本申请的用于生成控制指令的装置的一个实施例的结构示意图；

图6是适于用来实现本申请实施例的电子设备的计算机***的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于生成控制指令的方法或用于生成控制指令的装置的实施例的示例性***架构100。

如图1所示，***架构100中可以包括摄像头101、102、103，网络104和服务器105。网络104用以在摄像头101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

摄像头101、102、103可以是安装在无人驾驶汽车上的摄像头，其可以实时拍摄无人驾驶汽车的行驶环境的图像或视频，并实时发送到服务器105。

服务器105可以是提供各种服务的服务器，例如，无人驾驶汽车的车载智能大脑。车载智能大脑可以对从摄像头101、102、103获取到的多个图像序列等数据进行分析等处理，并生成处理结果(例如目标控制指令序列)。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的用于生成控制指令的方法一般由服务器105执行，相应地，用于生成控制指令的装置一般设置于服务器105中。

应该理解，图1中的摄像头、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的摄像头、网络和服务器。

继续参考图2，其示出了根据本申请的用于生成控制指令的方法的一个实施例的流程200。该用于生成控制指令的方法，包括以下步骤：

步骤201，获取无人驾驶汽车的多个摄像头拍摄的多个图像序列。

在本实施例中，用于生成控制指令的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式从无人驾驶汽车上安装的多个摄像头获取其拍摄的多个图像序列。通常，无人驾驶汽车的车顶上可以安装多个摄像头，用来对无人驾驶汽车的行驶环境进行拍摄。其中，一个摄像头可以拍摄一个图像序列。作为示例，在无人驾驶汽车的车顶的前方、后方、左方和右方可以分别安装至少一个摄像头。其中，一个摄像头可以覆盖无人驾驶汽车的行驶环境中的至少部分区域。这里，一个图像序列可以是一个摄像头对其当前覆盖区域进行拍摄所得到的视频中的多帧图像。例如，摄像头可以每隔0.1秒拍摄一帧图像，那么3秒的视频就可以包含30帧图像。

步骤202，将多个图像序列分别输入至预先训练的控制指令生成模型，得到多个控制指令序列。

在本实施例中，对于多个图像序列中的每个图像序列，上述执行主体可以将该图像序列输入至控制指令生成模型，以得到该图像序列对应的控制指令序列。其中，控制指令序列可以是未来一段时间的控制指令序列，用来对无人驾驶汽车未来一段时间的驾驶行为进行控制。一个控制指令序列可以包括多组控制指令。每组控制指令可以包括横向控制指令和纵向控制指令。横向控制指令可以对无人驾驶汽车的转向进行控制。纵向控制指令可以对无人驾驶汽车的速度进行控制。例如，一个控制指令序列可以包含25组控制指令，对无人驾驶汽车未来0.5秒的驾驶行为进行控制，相邻两组控制指令之间相隔0.02秒。

在本实施例中，控制指令生成模型可以用于生成控制指令序列，表征图像序列与控制指令序列之间的对应关系。

在本实施例的一些可选的实现方式中，控制指令生成模型可以是本领域技术人员对大量样本图像序列和对应的样本控制指令序列进行统计分析，而得到的存储有多个样本图像序列与对应的样本控制指令序列的对应关系表。此时，上述执行主体可以将图像序列与对应关系表中的样本图像序列逐一进行匹配，若存在一个样本图像序列与图像序列匹配(相同或相似度高于预设相似度阈值)，那么可以从对应关系表中查找出该样本图像序列对应的样本控制指令序列，作为与图像序列对应的控制指令序列。

在本实施例的一些可选的实现方式中，控制指令生成模型可以是利用各种机器学习方法和训练样本对现有的机器学习模型(例如各种神经网络等)进行有监督训练而得到的。通常，控制指令生成模型可以是端到端的神经网络。例如，控制指令生成模型可以包括CNN(Convolutional Neural Network，卷积神经网络)和LSTM(Long Short-Term Memory，长短期记忆网络)。此时，对于多个图像序列中的每个图像序列，上述执行主体可以首先将该图像序列输入至CNN，得到图像序列的特征向量序列；然后将特征向量序列输入至LSTM，得到控制指令序列。其中，CNN的输出可以作为LSTM的输入。特征向量序列可以对图像序列具有的特征以向量的形式进行描述。

通常，控制指令生成模型可以通过如下步骤训练得到：

首先，获取训练样本集合。

其中，训练样本集合中的每个训练样本可以包括样本图像序列和对应的样本控制指令序列。与样本图像序列对应的样本控制指令序列可以是本领域技术人员对样本图像序列进行分析后根据经验确定出来的。

然后，对于训练样本集合中的训练样本，将该训练样本中的样本图像序列作为输入，将该训练样本中的样本控制指令序列作为输出，训练得到控制指令生成模型。

这里，可以利用训练样本集合对现有的机器学习模型(例如CNN与LSTM级联而成的模型)进行有监督地训练，从而得到控制指令生成模型。其中，现有的机器学习模型可以是未经训练或未训练完成的机器学习模型。监督信息可以是与样本图像序列对应的样本控制指令序列。

步骤203，对多个控制指令序列进行融合，得到目标控制指令序列。

在本实施例中，上述执行主体可以对多个控制指令序列进行融合，从而得到目标控制指令序列。随后，上述执行主体可以将目标控制指令序列发送至无人驾驶汽车的控制***(如ECU)。此时，无人驾驶汽车的控制***可以对无人驾驶汽车中的多个设备进行控制，以使无人驾驶车按照目标控制指令序列的指示自主行驶。

具体地，若存在N(N为大于1的正整数)个摄像头，就可以拍摄N个图像序列，生成N个控制指令序列。若每一个控制指令序列包括M(M为大于1的正整数)组控制指令，相邻两组控制指令之间相隔1，那么第i(i为正整数，且1≤i≤N)个摄像头对应的控制指令序列A_i可以表示为{aⁱ _t+1,aⁱ _t+2,aⁱ _t+3,...,aⁱ _t+j,...,aⁱ _t+M}，N个控制指令序列A可以表示为{A₁,A₂,A₃,...,A_i,...,A_N}。目标控制指令序列可以表示为{a_t+1,a_t+2,a_t+3,...,a_t+j,...,a_t+M}。其中，t是当前时间点，第i个摄像头对应控制指令序列A_i中的t+j(j为正整数，且1≤j≤M)时间点的控制指令是aⁱ _t+j。

在本实施例中，上述执行主体可以通过多种方式对多个控制指令序列进行融合，以得到目标控制指令序列。例如，上述执行主体可以统计相同类别的控制指令序列的数量，并将数量最多的类别的控制指令序列作为目标控制指令序列。又例如，上述执行主体可以计算多个控制指令序列中的任意两个控制指令序列之间的相似度，若存在一个控制指令序列与至少预设数目个控制指令序列之间的相似度高于预设相似度阈值，则可以将该控制指令序列作为目标控制指令序列。

继续参见图3，图3是图2所提供的用于生成控制指令的方法的一个应用场景的示意图。在图3所示的应用场景中，无人驾驶汽车的摄像头310、320、330可以分别对无人驾驶汽车的周围环境进行拍摄，得到图像序列301、302、303，并实时发送至无人驾驶汽车的车载智能大脑340。车载智能大脑340可以将图像序列301、302、303分别输入至控制指令生成模型304，以得到控制指令序列305、306、307。随后，车载智能大脑340可以对控制指令序列305、306、307进行融合，以得到目标控制指令序列308。最后，车载智能大脑340可以将目标控制指令序列308发送至无人驾驶汽车的控制***350。控制***350可以对无人驾驶汽车中的各种设备进行控制，以使无人驾驶车按照目标控制指令序列308的指示自主行驶。

本申请实施例提供的用于生成控制指令的方法，首先获取无人驾驶汽车的多个摄像头拍摄的多个图像序列；然后将多个图像序列分别输入至预先训练的控制指令生成模型，以得到多个控制指令序列；最后对多个控制指令序列进行融合，以得到目标控制指令序列。与现有技术中基于单个摄像头拍摄的单个图像序列生成控制指令序列的方式相比，多个摄像头拍摄多个图像序列，多个图像序列具有信息冗余，基于多个摄像头拍摄的多个图像序列生成目标控制指令序列，提高了生成的目标控制指令序列的安全性。与现有技术中基于融合重建后的图像序列生成控制指令序列的方式相比，避免了对多个摄像头拍摄的多个图像序列进行融合重建的巨大计算量，仅对生成的多个控制指令序列进行融合，降低了生成目标控制指令序列的计算量，提高了目标控制指令序列的生成效率，缩短了目标控制指令序列的生成时长，从而有助于实现对无人驾驶汽车的实时控制。

进一步参考图4，其示出了根据本申请的用于生成控制指令的方法的又一个实施例的流程400。该用于生成控制指令的方法，包括以下步骤：

步骤401，获取无人驾驶汽车的多个摄像头拍摄的多个图像序列。

步骤402，将多个图像序列分别输入至预先训练的控制指令生成模型，得到多个控制指令序列。

在本实施例中，步骤401-402的具体操作与图2所示的实施例中步骤201-202的操作基本相同，在此不再赘述。

步骤403，对多个控制指令序列进行时间滤波和/或空间滤波，得到目标控制指令序列。

在本实施例中，用于生成控制指令的方法的执行主体(例如图1所示的服务器105)可以对多个控制指令序列进行时间滤波和/或空间滤波，以得到目标控制指令序列。这里，上述执行主体可以基于多个控制指令序列生成控制指令矩阵。其中，控制指令矩阵的一个元素对应一个控制指令。控制指令矩阵的每一行元素对应每一个控制指令序列。控制指令矩阵的每一列元素对应多个控制指令序列中的每一个时间点的控制指令。时间滤波可以是对控制指令矩阵的每个时间点的控制指令进行滤波。空间滤波可以是对每一个控制指令序列或每一个控制指令邻域内的控制指令进行滤波。

在本实施例的一些可选的实现方式中，对于多个控制指令序列中每个时间点的多个控制指令，上述执行主体可以首先对该时间点的多个控制指令进行数量统计和/或类别权重分析，以得到统计分析结果；然后基于统计分析结果对该时间点的多个控制指令进行时间滤波，得到该时间点的目标控制指令。其中，控制指令可以被划分为不同的类别，包括但不限于前进类别、后退类别、停止类别、左转类别、右转类别等等。不同类别的控制指令对应不同的类别权重。例如，上述执行主体可以统计该时间点的多个控制指令中各个类别的控制指令的数量，并将数量最多的类别的控制指令作为该时间点的目标控制指令。又例如，上述执行主体可以首先统计该时间点的多个控制指令中各个类别的控制指令的数量，然后计算各个类别的控制指令的数量与该类别对应的类别权重的乘积，并将乘积最大的类别的控制指令作为该时间点的目标控制指令。

在本实施例的一些可选的实现方式中，对于多个控制指令序列中的控制指令序列，上述执行主体可以首先对该控制指令序列中的控制指令进行数量统计和/或类别权重分析，以得到统计分析结果；然后基于统计分析结果对该控制指令序列进行空间滤波，得到该控制指令序列对应的目标控制指令序列。例如，上述执行主体可以统计该控制指令序列中各个类别的控制指令的数量，并分析数量最少的类别的控制指令的合理性，若不合理，则过滤掉该控制指令序列中该类别的控制指令。又例如，上述执行主体可以首先该控制指令序列中各个类别的控制指令的数量，然后计算各个类别的控制指令的数量与该类别对应的类别权重的乘积，并分析乘积最小的类别的控制指令的合理性，若不合理，则过滤掉该控制指令序列中该类别的控制指令。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于生成控制指令的方法的流程400突出了对多个控制指令序列进行融合的步骤。由此，通过时间滤波和/或空间滤波对多个控制指令序列进行过滤，得到目标控制指令序列，提高了所生成的目标控制指令序列的准确度。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于生成控制指令的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于生成控制指令的装置500可以包括：图像获取单元501、指令生成单元502和指令融合单元503。其中，图像获取单元501，被配置成获取无人驾驶汽车的多个摄像头拍摄的多个图像序列；指令生成单元502，被配置成将多个图像序列分别输入至预先训练的控制指令生成模型，得到多个控制指令序列；指令融合单元503，被配置成对多个控制指令序列进行融合，得到目标控制指令序列。

在本实施例中，用于生成控制指令的装置500中：图像获取单元501、指令生成单元502和指令融合单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，控制指令生成模型包括卷积神经网络和长短期记忆网络。

在本实施例的一些可选的实现方式中，指令生成单元502包括：特征生成子单元(图中未示出)，被配置成将图像序列输入至卷积神经网络，得到图像序列的特征向量序列；指令生成子单元(图中未示出)，被配置成将特征向量序列输入至长短期记忆网络，得到控制指令序列。

在本实施例的一些可选的实现方式中，控制指令生成模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本集合中的训练样本包括样本图像序列和对应的样本控制指令序列；对于训练样本集合中的训练样本，将该训练样本中的样本图像序列作为输入，将该训练样本中的样本控制指令序列作为输出，训练得到控制指令生成模型。

在本实施例的一些可选的实现方式中，指令融合单元503包括：指令滤波子单元(图中未示出)，被配置成对多个控制指令序列进行时间滤波和/或空间滤波，得到目标控制指令序列。

在本实施例的一些可选的实现方式中，指令滤波子单元包括：时间滤波模块(图中未示出)，被配置成对于多个控制指令序列中每个时间点的多个控制指令，对该时间点的多个控制指令进行数量统计和/或类别权重分析，以及基于该时间点的多个控制指令对应的统计分析结果对该时间点的多个控制指令进行时间滤波，得到该时间点的目标控制指令。

在本实施例的一些可选的实现方式中，指令滤波子单元还包括：空间滤波模块(图中未示出)，被配置成对于多个控制指令序列中的控制指令序列，对该控制指令序列中的控制指令进行数量统计和/或类别权重分析，以及基于该控制指令序列对应的统计分析结果对该控制指令序列进行空间滤波，得到该控制指令序列对应的目标控制指令序列。

下面参考图6，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器105)的计算机***600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图6所示，计算机***600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有***600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括图像获取单元、指令生成单元和指令融合单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，图像获取单元还可以被描述为“获取无人驾驶汽车的多个摄像头拍摄的多个图像序列的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取无人驾驶汽车的多个摄像头拍摄的多个图像序列；将多个图像序列分别输入至预先训练的控制指令生成模型，得到多个控制指令序列；对多个控制指令序列进行融合，得到目标控制指令序列。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (16)

1.一种用于生成控制指令的方法，包括：

获取无人驾驶汽车的多个摄像头拍摄的多个图像序列；

将所述多个图像序列分别输入至预先训练的控制指令生成模型，得到所述多个控制指令序列；

对所述多个控制指令序列进行融合，得到目标控制指令序列。

2.根据权利要求1所述的方法，其中，所述控制指令生成模型包括卷积神经网络和长短期记忆网络。

3.根据权利要求2所述的方法，其中，所述将所述多个图像序列分别输入至预先训练的控制指令生成模型，得到所述多个控制指令序列，包括：

将所述图像序列输入至所述卷积神经网络，得到所述图像序列的特征向量序列；

将所述特征向量序列输入至所述长短期记忆网络，得到所述控制指令序列。

4.根据权利要求1-3之一所述的方法，其中，所述控制指令生成模型通过如下步骤训练得到：

获取训练样本集合，其中，所述训练样本集合中的训练样本包括样本图像序列和对应的样本控制指令序列；

对于所述训练样本集合中的训练样本，将该训练样本中的样本图像序列作为输入，将该训练样本中的样本控制指令序列作为输出，训练得到所述控制指令生成模型。

5.根据权利要求1所述的方法，其中，所述对所述多个控制指令序列进行融合，得到目标控制指令序列，包括：

对所述多个控制指令序列进行时间滤波和/或空间滤波，得到目标控制指令序列。

6.根据权利要求5所述的方法，其中，所述对所述多个控制指令序列进行时间滤波和/或空间滤波，得到目标控制指令序列，包括：

对于所述多个控制指令序列中每个时间点的多个控制指令，对该时间点的多个控制指令进行数量统计和/或类别权重分析，以及基于该时间点的多个控制指令对应的统计分析结果对该时间点的多个控制指令进行时间滤波，得到该时间点的目标控制指令。

7.根据权利要求5或6所述的方法，其中，所述对所述多个控制指令序列进行时间滤波和/或空间滤波，得到目标控制指令序列，还包括：

对于所述多个控制指令序列中的控制指令序列，对该控制指令序列中的控制指令进行数量统计和/或类别权重分析，以及基于该控制指令序列对应的统计分析结果对该控制指令序列进行空间滤波，得到该控制指令序列对应的目标控制指令序列。

8.一种用于生成控制指令的装置，包括：

图像获取单元，被配置成获取无人驾驶汽车的多个摄像头拍摄的多个图像序列；

指令生成单元，被配置成将所述多个图像序列分别输入至预先训练的控制指令生成模型，得到所述多个控制指令序列；

指令融合单元，被配置成对所述多个控制指令序列进行融合，得到目标控制指令序列。

9.根据权利要求8所述的装置，其中，所述控制指令生成模型包括卷积神经网络和长短期记忆网络。

10.根据权利要求9所述的装置，其中，所述指令生成单元包括：

特征生成子单元，被配置成将所述图像序列输入至所述卷积神经网络，得到所述图像序列的特征向量序列；

指令生成子单元，被配置成将所述特征向量序列输入至所述长短期记忆网络，得到所述控制指令序列。

11.根据权利要求8-10之一所述的装置，其中，所述控制指令生成模型通过如下步骤训练得到：

获取训练样本集合，其中，所述训练样本集合中的训练样本包括样本图像序列和对应的样本控制指令序列；

对于所述训练样本集合中的训练样本，将该训练样本中的样本图像序列作为输入，将该训练样本中的样本控制指令序列作为输出，训练得到所述控制指令生成模型。

12.根据权利要求8所述的装置，其中，所述指令融合单元包括：

指令滤波子单元，被配置成对所述多个控制指令序列进行时间滤波和/或空间滤波，得到目标控制指令序列。

13.根据权利要求9所述的装置，其中，所述指令滤波子单元包括：

时间滤波模块，被配置成对于所述多个控制指令序列中每个时间点的多个控制指令，对该时间点的多个控制指令进行数量统计和/或类别权重分析，以及基于该时间点的多个控制指令对应的统计分析结果对该时间点的多个控制指令进行时间滤波，得到该时间点的目标控制指令。

14.根据权利要求13所述的装置，其中，所述指令滤波子单元还包括：

空间滤波模块，被配置成对于所述多个控制指令序列中的控制指令序列，对该控制指令序列中的控制指令进行数量统计和/或类别权重分析，以及基于该控制指令序列对应的统计分析结果对该控制指令序列进行空间滤波，得到该控制指令序列对应的目标控制指令序列。

15.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

16.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。