CN112990375B - 一种模型训练方法、装置、存储介质及电子设备 - Google Patents
一种模型训练方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112990375B CN112990375B CN202110468540.2A CN202110468540A CN112990375B CN 112990375 B CN112990375 B CN 112990375B CN 202110468540 A CN202110468540 A CN 202110468540A CN 112990375 B CN112990375 B CN 112990375B
- Authority
- CN
- China
- Prior art keywords
- sample
- samples
- training
- prediction model
- target object
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种模型训练方法、装置、存储介质及电子设备,本说明书实施例根据输入预测模型的第一样本集中的每个样本所对应的目标物的预测轨迹,对第一样本集中的样本进行筛选,得到训练样本。然后,根据训练样本对该预测模型进行训练。将第一样本集中除训练样本之外的样本重新确定为第一样本集,并不断迭代上述的训练过程,直到满足训练停止条件为止。在此方法中,在对预测模型进行训练时,只采用筛选出的训练样本训练该预测模型,而不是采用第一样本集中的所有样本训练该预测模型,这样可以减小预测模型训练过程中的计算量。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种模型训练方法、装置、存储介质及电子设备。
背景技术
随着技术的发展,机器学习模型广泛应用于各个领域。以自动驾驶领域为例,通常采用预测模型对无人设备周围的各障碍物进行轨迹预测,以保证无人设备能安全行驶。而预测模型能够实现轨迹预测的功能,就需要输入与轨迹相关的样本数据对该预测模型进行训练。
现有技术中,在利用预测模型对各障碍物的轨迹进行预测之前,需要先获取大量障碍物的历史运动轨迹数据,作为样本数据。然后,将所有样本数据输入待训练的预测模型中,根据输入的样本数据对该预测模型进行训练,得到训练完成的预测模型。然后,通过训练完成的预测模型对各障碍物的轨迹进行预测。
但是,现有技术中对预测模型进行训练时输入的样本数据量过大,导致该预测模型训练时存在计算量较大的问题。
发明内容
本说明书实施例提供一种模型训练方法、装置、存储介质及电子设备,以部分解决上述现有技术存在的问题。
本说明书实施例采用下述技术方案:
本说明书提供的一种模型训练方法,包括:
获取待输入预测模型的第一样本集;其中,所述第一样本集中包含至少一个样本,并且所述样本为目标物的历史运动轨迹;
针对所述第一样本集中的每个样本,将该样本输入所述预测模型,通过所述预测模型,对该样本所对应的目标物的轨迹进行预测,得到该样本所对应的目标物的预测轨迹;
根据针对每个样本得到的预测轨迹,从所述第一样本集中筛选出符合筛选条件的样本,作为训练样本;
根据筛选出的各训练样本,对所述预测模型进行训练;
确定所述第一样本集中除所述训练样本以外的样本,作为待选样本;
将所述待选样本构成的集合重新确定为第一样本集,并从重新确定的第一样本集中重新筛选出训练样本,根据重新筛选出的训练样本,继续对所述预测模型进行训练,直至满足训练停止条件。
可选地,针对所述第一样本集中的每个样本,将该样本输入所述预测模型之前,所述方法还包括:
获取待输入预测模型的第二样本集;其中,所述第二样本集的样本数量小于所述第一样本集的样本数量;
将所述第二样本集输入所述预测模型,对所述预测模型进行训练,得到训练后的预测模型;
将该样本输入所述预测模型,具体包括:
将该样本输入训练后的预测模型。
可选地,根据针对每个样本得到的预测轨迹,从所述第一样本集中筛选出符合筛选条件的样本,具体包括:
针对每个样本,根据该样本得到的预测轨迹,确定该样本所对应的目标物的预测轨迹与该样本所对应目标物的真实运动轨迹之间的差异;
根据所述差异,从所述第一样本集中筛选出符合筛选条件的样本。
可选地,根据所述差异,从所述第一样本集中筛选出符合筛选条件的样本,具体包括:
若该样本所对应的目标物的预测轨迹与该样本所对应目标物的真实运动轨迹之间的差异大于第一阈值,确定该样本为符合筛选条件的样本;和/或,若该样本所对应的目标物的预测轨迹与该样本所对应目标物的真实运动轨迹之间的差异小于第二阈值,确定该样本为符合筛选条件的样本;其中,所述第二阈值大于所述第一阈值。
可选地,根据所述差异,从所述第一样本集中筛选出符合筛选条件的样本,具体包括:
根据每个样本所对应的目标物的预测轨迹与各自所对应的目标物的真实运动轨迹之间的差异大小,将所述第一样本集中的样本进行排序;
根据排序结果,确定排序中处于中间位置的样本,作为中心样本;
根据需要从所述第一样本集中筛选样本的预设数量,确定所述中心样本在排序中的邻域;
将所述邻域包含的样本确定为符合筛选条件的样本。
可选地,根据筛选出的各训练样本,对所述预测模型进行训练,具体包括:
针对筛选出的每个训练样本,将该训练样本输入所述预测模型中,通过所述预测模型输出该训练样本所对应的目标物的待优化的预测轨迹;
以所述待优化的预测轨迹与该样本所对应的目标物的真实运动轨迹之间的差异最小化为训练目标,对所述预测模型中的模型参数进行调整。
可选地,满足训练停止条件,具体包括:
当从所述第一样本集中筛选出的所有训练样本的样本数量达到预设的数量阈值时,确定满足训练停止条件。
本说明书提供的一种模型训练装置,包括:
获取模块,获取待输入预测模型的第一样本集;其中,所述第一样本集中包含至少一个样本,并且所述样本为目标物的历史运动轨迹;
预测模块,用于针对所述第一样本集中的每个样本,将该样本输入所述预测模型,通过所述预测模型,对该样本所对应的目标物的轨迹进行预测,得到该样本所对应的目标物的预测轨迹;
筛选模块,用于根据针对每个样本得到的预测轨迹,从所述第一样本集中筛选出符合筛选条件的样本,作为训练样本;
模型训练模块,用于根据筛选出的各训练样本,对所述预测模型进行训练;
确定模块,用于确定所述第一样本集中除所述训练样本以外的样本,作为待选样本;
迭代训练模块,用于将所述待选样本构成的集合重新确定为第一样本集,并从重新确定的第一样本集中重新筛选出训练样本,根据重新筛选出的训练样本,继续对所述预测模型进行训练,直至满足训练停止条件。
本说明书提供的一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的模型训练方法。
本说明书提供的一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的模型训练方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
本说明书实施例根据输入预测模型的第一样本集中的每个样本所对应的目标物的预测轨迹,对第一样本集中的样本进行筛选,得到训练样本。然后,根据训练样本对该预测模型进行训练。将第一样本集中除训练样本之外的样本重新确定为第一样本集,并不断迭代上述的训练过程,直到满足训练停止条件为止。在此方法中,在对预测模型进行训练时,只采用筛选出的训练样本训练该预测模型,而不是采用第一样本集中的所有样本训练该预测模型,这样可以减小预测模型训练过程中的计算量。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书实施例一提供的模型训练流程示意图;
图2为本说明书实施例二提供的模型训练流程示意图;
图3为本说明书实施例提供的模型训练装置结构示意图;
图4为本说明书实施例提供的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书实施例一提供的模型训练流程示意图,包括:
S100:获取待输入预测模型的第一样本集;其中,所述第一样本集中包含至少一个样本,并且所述样本为目标物的历史运动轨迹。
在本说明书实施例中,预测模型可以对目标物未来的运动轨迹进行预测,目标物是需要进行运动轨迹预测的物体。在自动驾驶领域中,目标物可以是无人设备周围的各障碍物,比如:行人、有人驾驶车辆等。其中,本说明书中所述的无人设备可包括无人车和无人机,所述的无人设备可用于物流配送领域,既包括外卖、配送等即时配送领域,也包括其他非即时配送领域。
在本说明书实施例中,先获取每个目标物的历史运动轨迹,作为样本,并将所有目标物的历史运动轨迹所构成的集合作为第一样本集。然后,可以将第一样本集输入预测模型中,对每个目标物未来的运动轨迹进行预测。
S102:针对所述第一样本集中的每个样本,将该样本输入所述预测模型,通过所述预测模型,对该样本所对应的目标物的轨迹进行预测,得到该样本所对应的目标物的预测轨迹。
在本说明书实施例中,在将第一样本集中的每个样本输入预测模型之前,可以先对预测模型中的模型参数进行初始化。也就是,对预测模型进行初步训练。
具体的,可以先获取第二样本集,然后将第二样本集输入预测模型并对预测模型进行初步训练,得到初步训练后的预测模型。其中,初步训练后的预测模型就是对预测模型中的模型参数进行初始化后的预测模型。第二样本集为任意目标物的历史运动轨迹的集合。为了减小预测模型训练过程中的计算量,第二样本集的样本数量应尽量少,因此,第二样本集的样本数量小于第一样本集的样本数量。
在得到训练后的预测模型之后,针对第一样本集中的每个样本,将该样本输入初步训练后的预测模型,通过初步训练后的预测模型,对该样本所对应的目标物的轨迹进行预测,得到该样本所对应的目标物的预测轨迹。
S104:根据针对每个样本得到的预测轨迹,从所述第一样本集中筛选出符合筛选条件的样本,作为训练样本。
在本说明书实施例中,针对每个样本,根据该样本得到的预测轨迹,确定该样本所对应的目标物的预测轨迹与该样本所对应目标物的真实运动轨迹之间的差异。根据每个样本所对应的目标物的预测轨迹与各自所对应目标物的真实运动轨迹之间的差异,从第一样本集中筛选出符合筛选条件的样本,作为训练样本。
S106:根据筛选出的各训练样本,对所述预测模型进行训练。
在本说明书实施例中,在得到筛选出的各训练样本之后,针对每个训练样本,将该训练样本输入预测模型(即,初步训练后的预测模型),通过预测模型输出该训练样本所对应的目标物的待优化的预测轨迹。以待优化的预测轨迹与该样本所对应的目标物的真实运动轨迹之间的差异最小化为训练目标,对预测模型中的模型参数进行调整,得到调整后的预测模型。也就是,根据各训练样本对预测模型进行优化。
S108:确定所述第一样本集中除所述训练样本以外的样本,作为待选样本。
S110:将所述待选样本构成的集合重新确定为第一样本集,并返回步骤S100。
在本说明书实施例中,在根据筛选出的训练样本对预测模型进行训练之后,将筛选出的训练样本从第一样本集中删除,并将第一样本集中其余的样本,作为待选样本。然后,将待选样本构成的集合重新确定为第一样本集,并返回上述步骤S100。
具体的,在将所述待选样本构成的集合重新确定为第一样本集之后,从重新确定的第一样本集中重新筛选出训练样本,根据重新筛选出的训练样本,继续对所述预测模型进行训练,直至满足训练停止条件。
在图1所示的模型训练过程中,可以将步骤S100~步骤S110所示的筛选训练样本的方法作为大循环过程。即,先从第一样本集中筛选出训练样本,再将除训练样本之外的样本作为新的第一样本集,如此往复。也就是,每大循环一次,就从第一样本集中筛选出训练样本。而在步骤S106中,对预测模型进行训练时,采用步骤S104筛选出的每个训练样本,对预测模型进行训练,步骤S106中预测模型训练的过程本身就是一个迭代训练的过程,可视为小循环过程。即,在小循环过程中,训练样本的样本数量决定预测模型训练的次数,即小循环过程的循环次数。总的来说,大循环过程中每筛选出一次训练样本,就需要采用小循环过程对预测模型进行训练。针对预测模型来说,该预测模型训练完成所需训练的总次数取决于每次大循环筛选出的训练样本的样本数量和大循环次数。
基于上述的论述,可以对预测模型的训练停止条件进行设置。
具体的,可以直接设置预测模型训练的总次数,当预测模型训练的总次数达到设置的数值时,就停止训练。
进一步,还可以根据从第一样本集中筛选出的所有训练样本的样本数量(即,每次大循环筛选出的训练样本的样本数量之和),判断是否满足训练停止条件。若从第一样本集中筛选出的所有训练样本的样本数量达到预设的数量阈值时,确定满足训练停止条件。
再进一步,还可以根据筛选训练样本的次数(即,大循环次数),判断是否满足训练停止条件。若筛选训练样本的次数达到预设的次数阈值,确定满足训练停止条件。
通过上述图1所示的方法可见,本说明书先将第一样本集输入预测模型中,通过预测模型得到第一样本集中每个样本所对应的目标物的预测轨迹。根据针对每个样本得到的预测轨迹与各自真实运动轨迹之间的差异,从第一样本集中筛选出符合筛选条件的样本,作为训练样本。只根据训练样本对预测模型进行训练,以此减小预测模型训练过程中的计算量。然后,将第一样本集中除训练样本之外的样本重新作为第一样本集,重复上述训练过程,直到满足训练停止条件。通过上述先筛选训练样本再对预测模型进行训练的训练方式可以不断优化预测模型,使该预测模型输出的预测轨迹的精度更高。
进一步的,在如图1所示的步骤S104中,根据每个样本所对应的目标物的预测轨迹与各自所对应目标物的真实运动轨迹之间的差异,从第一样本集中筛选出符合筛选条件的样本,作为训练样本的方法,可包括:针对每个样本,若该样本所对应的目标物的预测轨迹与该样本所对应目标物的真实运动轨迹之间的差异大于第一阈值,确定该样本为符合筛选条件的样本,并将该样本作为训练样本。和/或,若该样本所对应的目标物的预测轨迹与该样本所对应目标物的真实运动轨迹之间的差异小于第二阈值,确定该样本为符合筛选条件的样本,并将该样本作为训练样本。其中,第二阈值大于第一阈值。
在上述根据差异的阈值筛选训练样本的方法中,训练预测模型的目的是使预测模型针对任意目标物所预测出的预测轨迹尽可能与其真实运动轨迹相接近。因此,针对预测轨迹与真实运动轨迹之间的差异较小的样本,这类样本对预测模型的训练效果没那么明显。相反,预测轨迹与真实运动轨迹之间的差异较大的样本,对预测模型的训练更有价值。所以,在筛选训练样本时,可以选择预测轨迹与真实运动轨迹之间的差异大于第一阈值的样本。
但是,并不是预测轨迹与真实运动轨迹之间的差异越大的样本,对预测模型的训练越有价值。因为,预测轨迹与真实运动轨迹之间的差异较大的样本中,可能有存在噪声的样本或特殊的异常样本(如突然急停等情况的样本)。这类异常样本会影响预测模型的训练。因此,在筛选训练样本时,可以选择预测轨迹与真实运动轨迹之间的差异小于第二阈值的样本。
基于上述对筛选训练样本的分析,在筛选训练样本时,可以选择预测轨迹与真实运动轨迹之间的差异处于第一阈值与第二阈值之间的样本,作为训练样本。
另外,除了上述根据预测轨迹与真实运动轨迹之间的差异的阈值区间,从第一样本集中筛选训练样本的方法之外,还可以根据需要筛选出的训练样本的样本数量,从第一样本集中筛选出训练样本。
具体的,根据每个样本所对应的目标物的预测轨迹与各自所对应的目标物的真实运动轨迹之间的差异大小,将第一样本集中的样本进行排序。根据排序结果,确定排序中处于中间位置的样本,作为中心样本。根据需要从第一样本集中筛选样本的预设数量,确定中心样本在排序中的邻域,并将邻域包含的样本确定为符合筛选条件的样本。简而言之,将每个样本按照差异的大小进行排序后,从排序处于中部的样本中选择出预设数量的样本。
在上述方法中,为了筛选出预测轨迹与真实运动轨迹之间的差异适中的样本,将第一样本集中的所有样本根据差异大小进行排序。然后,根据预设数量从处于中间位置的中心样本开始,获取该中心样本邻近的样本。这样筛选出的训练样本所对应的差异不会偏大也不会偏小。
进一步,可以根据需要从第一样本集中筛选样本的预设数量,以中心样本为基准,前向依次获取预设数量的一半的样本,后向依次获取预设数量的一半的样本。
例如,第一样本集中的样本数量为10,而需要从第一样本集中筛选样本的预设数量为5。将第一样本集中的每个样本排序后,确定处于中间位置的中心样本,向前获取2个样本,向后获取2个样本,最终总获取5个样本(包括中心样本)。
通过上述两个筛选符合筛选条件的样本的方法,可以减少预测模型训练时输入的样本数量,以此降低预测模型训练时的计算量。同时,每次大循环过程筛选出训练样本后,根据符合筛选条件的训练样本,采用小循环过程对预测模型进行优化,使训练完成的预测模型可以对目标物的运动轨迹进行高精度的预测。
上述图1所示的模型训练方法是以模型用于预测目标物运动轨迹为例进行说明的,基于同样的思路,该模型训练方法也可用于训练除用于预测目标物运动轨迹之外的其他模型。
本说明书提供的模型训练方法重点在于:根据输入模型的第一样本集,得到模型输出结果,并将模型输出的结果与样本的标注进行比较。根据比较结果,对第一样本集中的样本进行筛选。根据筛选出的样本对该模型进行训练。然后,将除筛选出的样本之外的样本重新作为第一样本集,并重复上述训练过程,直到满足训练条件。因此,只要是有监督的机器学习模型,都可以采用本说明书提供的模型训练方法,对有监督的机器学习模型进行训练,不需要考虑有监督的机器学习模型具体的用途。
图2为本说明书实施例二提供的模型训练流程示意图,包括:
S200:获取第一样本集;其中,所述第一样本集中包含至少一个样本。
S202:针对所述第一样本集中的每个样本,将该样本输入模型中,通过模型输出该样本对应的结果。
在本说明书实施例中,以有监督的机器学习模型为例,对图2所示的模型训练方法进行说明。其中,步骤S202中的模型可以是任意有监督的机器学习模型。
在本说明书实施例中,在将第一样本集中的每个样本输入模型之前,可以先获取第二样本集,然后将第二样本集输入模型并对模型进行初步训练,得到初步训练后的模型。在得到初步训练后的模型之后,针对第一样本集中的每个样本,将该样本输入初步训练后的模型,通过初步训练后的模型输出该样本对应的结果。其中,第二样本集的样本数量小于第一样本集的样本数量。
S204:根据每个样本对应的结果,从所述第一样本集中筛选出符合筛选条件的样本,作为训练样本。
在本说明书实施例中,针对每个样本,根据该样本对应的结果与该样本的标注,确定该样本对应的结果与该样本的标注之间的差异。根据该样本对应的结果与该样本的标注之间的差异,从第一样本集中筛选出符合筛选条件的样本,作为训练样本。
具体的,针对每个样本,若该样本对应的结果与该样本的标注之间的差异大于第一阈值,确定该样本为符合筛选条件的样本,并将该样本作为训练样本。和/或,若该样本对应的结果与该样本的标注之间的差异小于第二阈值,确定该样本为符合筛选条件的样本,并将该样本作为训练样本。其中,第二阈值大于第一阈值。
此外,除了上述根据差异的阈值筛选训练样本的方法之外,还可以根据需要筛选的训练样本的样本数量,对训练样本进行筛选。
具体的,根据每个样本对应的结果与各自的标注之间的差异大小,将第一样本集中的样本进行排序。根据排序结果,确定排序中处于中间位置的样本,作为中心样本。根据需要从第一样本集中筛选样本的预设数量,确定中心样本在排序中的邻域,并将邻域包含的样本确定为符合筛选条件的样本。
S206:根据筛选出的各训练样本,对所述模型进行训练。
S208:确定所述第一样本集中除所述训练样本以外的样本,作为待选样本。
S210:将所述待选样本构成的集合重新确定为第一样本集,并返回步骤S200。
在本说明书实施例中,将待选样本构成的集合重新确定为第一样本集之后,从重新确定的第一样本集中重新筛选出训练样本,根据重新筛选出的训练样本,继续对所述模型进行训练,直至满足训练停止条件。
其中,上述步骤S206~步骤S210的具体实现方法与实施例一中的步骤S106~步骤S110相同,在此不再赘述。
以上为本说明书实施例提供的模型训练方法,基于同样的思路,本说明书还提供了相应的装置、存储介质和电子设备。
图3为本说明书实施例提供的一种模型训练装置的结构示意图,所述装置包括:
获取模块301,用于获取待输入预测模型的第一样本集;其中,所述第一样本集中包含至少一个样本,并且所述样本为目标物的历史运动轨迹;
预测模块302,用于针对所述第一样本集中的每个样本,将该样本输入所述预测模型,通过所述预测模型,对该样本所对应的目标物的轨迹进行预测,得到该样本所对应的目标物的预测轨迹;
筛选模块303,用于根据针对每个样本得到的预测轨迹,从所述第一样本集中筛选出符合筛选条件的样本,作为训练样本;
模型训练模块304,用于根据筛选出的各训练样本,对所述预测模型进行训练;
确定模块305,用于确定所述第一样本集中除所述训练样本以外的样本,作为待选样本;
迭代训练模块306,用于将所述待选样本构成的集合重新确定为第一样本集,并从重新确定的第一样本集中重新筛选出训练样本,根据重新筛选出的训练样本,继续对所述预测模型进行训练,直至满足训练停止条件。
可选地,针对所述第一样本集中的每个样本,将该样本输入所述预测模型之前,所述预测模块302还用于,获取待输入预测模型的第二样本集;其中,所述第二样本集的样本数量小于所述第一样本集的样本数量;将所述第二样本集输入所述预测模型,对所述预测模型进行训练,得到训练后的预测模型。
可选地,所述预测模块302具体用于,将该样本输入训练后的预测模型。
可选地,所述筛选模块303具体用于,针对每个样本,根据该样本得到的预测轨迹,确定该样本所对应的目标物的预测轨迹与该样本所对应目标物的真实运动轨迹之间的差异;根据所述差异,从所述第一样本集中筛选出符合筛选条件的样本。
可选地,所述筛选模块303具体用于,若该样本所对应的目标物的预测轨迹与该样本所对应目标物的真实运动轨迹之间的差异大于第一阈值,确定该样本为符合筛选条件的样本;和/或,若该样本所对应的目标物的预测轨迹与该样本所对应目标物的真实运动轨迹之间的差异小于第二阈值,确定该样本为符合筛选条件的样本;其中,所述第二阈值大于所述第一阈值。
可选地,所述筛选模块303具体用于,根据每个样本所对应的目标物的预测轨迹与各自所对应的目标物的真实运动轨迹之间的差异大小,将所述第一样本集中的样本进行排序;根据排序结果,确定排序中处于中间位置的样本,作为中心样本;根据需要从所述第一样本集中筛选样本的预设数量,确定所述中心样本在排序中的邻域;将所述邻域包含的样本确定为符合筛选条件的样本。
可选地,所述模型训练模块304具体用于,针对筛选出的每个训练样本,将该训练样本输入所述预测模型中,通过所述预测模型输出该训练样本所对应的目标物的待优化的预测轨迹;以所述待优化的预测轨迹与该样本所对应的目标物的真实运动轨迹之间的差异最小化为训练目标,对所述预测模型中的模型参数进行调整。
可选地,所述迭代训练模块306具体用于,当从所述第一样本集中筛选出的所有训练样本的样本数量达到预设的数量阈值时,确定满足训练停止条件。
本说明书还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可用于执行上述图1提供的模型训练方法。
基于图1所示的运动轨迹的预测方法,本说明书实施例还提供了图4所示的无人设备的结构示意图。如图4,在硬件层面,该无人设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的模型训练方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、***、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (9)
1.一种模型训练方法,其特征在于,包括:
获取待输入预测模型的第一样本集;其中,所述第一样本集中包含至少一个样本,并且所述样本为目标物的历史运动轨迹;
针对所述第一样本集中的每个样本,将该样本输入所述预测模型,通过所述预测模型,对该样本所对应的目标物的轨迹进行预测,得到该样本所对应的目标物的预测轨迹;
根据针对每个样本得到的预测轨迹,从所述第一样本集中筛选出符合筛选条件的样本,作为训练样本;
根据筛选出的各训练样本,对所述预测模型进行训练;
确定所述第一样本集中除所述训练样本以外的样本,作为待选样本;
将所述待选样本构成的集合重新确定为第一样本集,并从重新确定的第一样本集中重新筛选出训练样本,根据重新筛选出的训练样本,继续对所述预测模型进行训练,直至满足训练停止条件;
其中,根据针对每个样本得到的预测轨迹,从所述第一样本集中筛选出符合筛选条件的样本,具体包括:
针对每个样本,根据该样本得到的预测轨迹,确定该样本所对应的目标物的预测轨迹与该样本所对应目标物的真实运动轨迹之间的差异;
根据所述差异,从所述第一样本集中筛选出符合筛选条件的样本。
2.如权利要求1所述的方法,其特征在于,针对所述第一样本集中的每个样本,将该样本输入所述预测模型之前,所述方法还包括:
获取待输入预测模型的第二样本集;其中,所述第二样本集的样本数量小于所述第一样本集的样本数量;
将所述第二样本集输入所述预测模型,对所述预测模型进行训练,得到训练后的预测模型;
将该样本输入所述预测模型,具体包括:
将该样本输入训练后的预测模型。
3.如权利要求1所述的方法,其特征在于,根据所述差异,从所述第一样本集中筛选出符合筛选条件的样本,具体包括:
若该样本所对应的目标物的预测轨迹与该样本所对应目标物的真实运动轨迹之间的差异大于第一阈值,确定该样本为符合筛选条件的样本;和/或,若该样本所对应的目标物的预测轨迹与该样本所对应目标物的真实运动轨迹之间的差异小于第二阈值,确定该样本为符合筛选条件的样本;其中,所述第二阈值大于所述第一阈值。
4.如权利要求1所述的方法,其特征在于,根据所述差异,从所述第一样本集中筛选出符合筛选条件的样本,具体包括:
根据每个样本所对应的目标物的预测轨迹与各自所对应的目标物的真实运动轨迹之间的差异大小,将所述第一样本集中的样本进行排序;
根据排序结果,确定排序中处于中间位置的样本,作为中心样本;
根据需要从所述第一样本集中筛选样本的预设数量,确定所述中心样本在排序中的邻域;
将所述邻域包含的样本确定为符合筛选条件的样本。
5.如权利要求1所述的方法,其特征在于,根据筛选出的各训练样本,对所述预测模型进行训练,具体包括:
针对筛选出的每个训练样本,将该训练样本输入所述预测模型中,通过所述预测模型输出该训练样本所对应的目标物的待优化的预测轨迹;
以所述待优化的预测轨迹与该样本所对应的目标物的真实运动轨迹之间的差异最小化为训练目标,对所述预测模型中的模型参数进行调整。
6.如权利要求1所述的方法,其特征在于,满足训练停止条件,具体包括:
当从所述第一样本集中筛选出的所有训练样本的样本数量达到预设的数量阈值时,确定满足训练停止条件。
7.一种模型训练装置,其特征在于,包括:
获取模块,获取待输入预测模型的第一样本集;其中,所述第一样本集中包含至少一个样本,并且所述样本为目标物的历史运动轨迹;
预测模块,用于针对所述第一样本集中的每个样本,将该样本输入所述预测模型,通过所述预测模型,对该样本所对应的目标物的轨迹进行预测,得到该样本所对应的目标物的预测轨迹;
筛选模块,用于根据针对每个样本得到的预测轨迹,从所述第一样本集中筛选出符合筛选条件的样本,作为训练样本;
模型训练模块,用于根据筛选出的各训练样本,对所述预测模型进行训练;
确定模块,用于确定所述第一样本集中除所述训练样本以外的样本,作为待选样本;
迭代训练模块,用于将所述待选样本构成的集合重新确定为第一样本集,并从重新确定的第一样本集中重新筛选出训练样本,根据重新筛选出的训练样本,继续对所述预测模型进行训练,直至满足训练停止条件;
所述筛选模块,具体用于针对每个样本,根据该样本得到的预测轨迹,确定该样本所对应的目标物的预测轨迹与该样本所对应目标物的真实运动轨迹之间的差异;根据所述差异,从所述第一样本集中筛选出符合筛选条件的样本。
8.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-6任一项所述的方法。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110468540.2A CN112990375B (zh) | 2021-04-29 | 2021-04-29 | 一种模型训练方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110468540.2A CN112990375B (zh) | 2021-04-29 | 2021-04-29 | 一种模型训练方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112990375A CN112990375A (zh) | 2021-06-18 |
CN112990375B true CN112990375B (zh) | 2021-09-24 |
Family
ID=76340594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110468540.2A Active CN112990375B (zh) | 2021-04-29 | 2021-04-29 | 一种模型训练方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990375B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113325855B (zh) * | 2021-08-02 | 2021-11-30 | 北京三快在线科技有限公司 | 基于迁移场景用于预测障碍物轨迹的模型训练方法 |
CN113341883B (zh) * | 2021-08-05 | 2021-11-09 | 山东豪泉软件技术有限公司 | 一种用于机床加工工时预测的方法及设备 |
TWI780881B (zh) * | 2021-08-27 | 2022-10-11 | 緯創資通股份有限公司 | 瑕疵檢測模型的建立方法及電子裝置 |
CN114567697A (zh) * | 2022-03-01 | 2022-05-31 | 恒安嘉新(北京)科技股份公司 | 一种异常电话的识别方法、装置、设备及存储介质 |
CN116661574B (zh) * | 2023-07-13 | 2023-12-12 | 之江实验室 | 一种计算设备散热的方法、装置、存储介质及电子设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108399414B (zh) * | 2017-02-08 | 2021-06-01 | 南京航空航天大学 | 应用于跨模态数据检索领域的样本选择方法及装置 |
CN107798390B (zh) * | 2017-11-22 | 2023-03-21 | 创新先进技术有限公司 | 一种机器学习模型的训练方法、装置以及电子设备 |
CN109214436A (zh) * | 2018-08-22 | 2019-01-15 | 阿里巴巴集团控股有限公司 | 一种针对目标场景的预测模型训练方法及装置 |
CN110889463A (zh) * | 2019-12-10 | 2020-03-17 | 北京奇艺世纪科技有限公司 | 一种样本标注方法、装置、服务器及机器可读存储介质 |
CN111753914B (zh) * | 2020-06-29 | 2024-04-16 | 北京百度网讯科技有限公司 | 模型优化方法和装置、电子设备及存储介质 |
CN112308144A (zh) * | 2020-10-30 | 2021-02-02 | 江苏云从曦和人工智能有限公司 | 一种筛选样本的方法、***、设备及介质 |
-
2021
- 2021-04-29 CN CN202110468540.2A patent/CN112990375B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112990375A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112990375B (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN112766468B (zh) | 一种轨迹预测方法、装置、存储介质及电子设备 | |
CN111190427B (zh) | 一种轨迹规划的方法及装置 | |
CN111208838B (zh) | 一种无人驾驶设备的控制方法及装置 | |
CN111912423B (zh) | 一种预测障碍物轨迹以及模型训练的方法及装置 | |
CN111062372B (zh) | 一种预测障碍物轨迹的方法及装置 | |
CN111238523A (zh) | 一种运动轨迹的预测方法及装置 | |
CN111522245B (zh) | 用于控制无人设备的方法及装置 | |
CN113325855B (zh) | 基于迁移场景用于预测障碍物轨迹的模型训练方法 | |
CN112677993A (zh) | 一种模型训练的方法及装置 | |
CN111797711A (zh) | 一种模型训练的方法及装置 | |
CN117409466B (zh) | 一种基于多标签控制的三维动态表情生成方法及装置 | |
CN112966577B (zh) | 一种模型训练以及信息提供的方法及装置 | |
CN116824331A (zh) | 一种模型训练、图像识别方法、装置、设备及存储介质 | |
CN112734851B (zh) | 一种位姿确定的方法以及装置 | |
CN113343085B (zh) | 一种信息推荐方法、装置、存储介质及电子设备 | |
CN114120273A (zh) | 一种模型训练的方法及装置 | |
CN112925331B (zh) | 一种无人设备控制方法、装置、存储介质及电子设备 | |
CN112949642B (zh) | 一种文字生成方法、装置、存储介质及电子设备 | |
CN114194213A (zh) | 一种目标物轨迹预测方法、装置、存储介质及电子设备 | |
CN114153207A (zh) | 一种无人驾驶设备的控制方法及控制装置 | |
CN113344590A (zh) | 一种模型训练以及投诉率预估的方法及装置 | |
CN113344197A (zh) | 一种识别模型的训练方法、业务执行的方法以及装置 | |
CN116434787B (zh) | 一种语音情感识别的方法、装置、存储介质及电子设备 | |
CN113344186A (zh) | 神经网络架构搜索的方法及图像分类的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |