CN113887306A - 驾驶场景感知检测方法、装置、电子设备及存储介质 - Google Patents
驾驶场景感知检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113887306A CN113887306A CN202111023708.5A CN202111023708A CN113887306A CN 113887306 A CN113887306 A CN 113887306A CN 202111023708 A CN202111023708 A CN 202111023708A CN 113887306 A CN113887306 A CN 113887306A
- Authority
- CN
- China
- Prior art keywords
- perception
- scene
- result
- driving scene
- uncertainty
- 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.)
- Pending
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种驾驶场景感知检测方法、装置、电子设备及存储介质,该方法包括:获取驾驶场景数据的场景特征;将所述场景特征输入到感知检测模型中,得到有感知检测模型输出的感知结果和感知结果对应的不确定性度,所述感知结果表征驾驶场景中是否存在感知事件的结果;所述不确定性度表征驾驶场景中存在感知事件的可信度。本发明提供的驾驶场景感知检测方法、***、电子设备及存储介质,通过将场景特征输入到感知检测模型中,由感知检测模型将感知结果的不确定性和感知结果同步输出,可以为后续工作使用感知结果时能够同步提供对应感知结果的可信程度,有利用后续工作做出更优的决策逻辑。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其涉及一种驾驶场景感知检测方法、***、电子设备及存储介质。
背景技术
自动驾驶场景中有很多感知任务,如2D/3D目标检测、通用障碍物检测、车道线检测、交通标志牌检测、路面标志检测、关键点检测、可行驶区域分割、单目深度估计、光流估计等。
如今主流都是基于深度学习的监督方法来实现,但对感知任务进行分析的网络模型输出的感知结果往往具有一定程度的不确定性,且可信程度不一,同时不同感知任务之间也存在一定相关性,但目前无法表现出来。
发明内容
针对现有技术存在的问题,本发明提供一种驾驶场景感知检测方法、***、电子设备及存储介质。
第一方面,本发明提供一种驾驶场景感知检测方法,包括:
获取驾驶场景数据的场景特征;
将所述场景特征输入到感知检测模型中,得到有感知检测模型输出的感知结果和感知结果对应的不确定性度,所述感知结果表征驾驶场景中是否存在感知事件的结果;所述不确定性度表征驾驶场景中存在感知事件的可信度;
其中,所述感知检测模型为将根据驾驶场景样本的场景特征和样本的感知结果作为输入,通过机器学习训练得到的,用于判断驾驶场景数据的感知结果和不确定性度的模型;
所述感知检测模型包括匹配层和处理层,所述匹配层用于根据驾驶场景数据的场景特征,确定不同感知任务类型下的场景特征;所述处理层用于根据不同感知任务类型下的场景特征,确定不同感知任务类型下的感知结果和不确定性度。
在一个实施例中,所述将所述场景特征输入到感知检测模型中,得到有感知检测模型输出的感知结果和感知结果对应的不确定性度,包括:
将驾驶场景数据的场景特征输入到匹配层,由所述匹配层根据不同感知任务类型,确定对应的场景特征;
将不同感知任务类型下的场景特征输入到处理层,由所述处理层根据不同感知任务类型下的场景特征,确定不同感知任务类型下的感知结果和不确定性度。
在一个实施例中,所述方法还包括感知检测模型的获取步骤,所述获取步骤包括:
建立初始神经网络模型,为所述初始神经网络模型配置初始损失值和损失值与预测结果、预测结果的不确定性度的关系式;
将驾驶场景样本的场景特征和样本的真值结果输入到所述初始神经网络模型中,根据样本的真值结果、初始损失值和损失值与预测结果、预测结果的不确定性度的关系式确定预测结果和预测结果对应的不确定性度;
根据所述预测结果和所述真值结果确定校准损失值,根据所述校准损失值对初始损失值进行校准,确定损失值满足预设条件时的已优化的神经网络模型作为感知检测模型。
在一个实施例中,所述损失值与预测结果、预测结果的不确定性度的关系式包括:
其中,Lloc为损失值,μ*为样本的真值结果,μ为预测结果,Σ为多感知任务下的不确定性度的协方差矩阵,T是矩阵转置。
第二方面,本发明提供一种驾驶场景感知检测装置,包括:
获取模块,用于获取驾驶场景数据的场景特征;
处理模块,用于将所述场景特征输入到感知检测模型中,得到有感知检测模型输出的感知结果和感知结果对应的不确定性度,所述感知结果表征驾驶场景中是否存在感知事件的结果;所述不确定性度表征驾驶场景中存在感知事件的可信度;
其中,所述感知检测模型为将根据驾驶场景样本的场景特征和样本的感知结果作为输入,通过机器学习训练得到的,用于判断驾驶场景数据的感知结果和不确定性度的模型;
所述感知检测模型包括匹配层和处理层,所述匹配层用于根据驾驶场景数据的场景特征,确定不同感知任务类型下的场景特征;所述处理层用于根据不同感知任务类型下的场景特征,确定不同感知任务类型下的感知结果和不确定性度。
第三方面,本发明提供一种电子设备,包括存储器和存储有计算机程序的存储器,所述处理器执行所述程序时实现第一方面所述驾驶场景感知检测方法的步骤。
第四方面,本发明提供一种处理器可读存储介质,所述处理器可读存储介质存储有计算机程序,所述计算机程序用于使所述处理器执行第一方面所述驾驶场景感知检测方法的步骤。
本发明提供的驾驶场景感知检测方法、***、电子设备及存储介质,通过将场景特征输入到感知检测模型中,由感知检测模型将感知结果的不确定性和感知结果同步输出,可以为后续工作使用感知结果时能够同步提供对应感知结果的可信程度,有利用后续工作做出更优的决策逻辑。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的驾驶场景感知检测方法的流程示意图;
图2是本发明提供的驾驶场景感知检测装置的结构示意图;
图3是本发明提供的电子设备的结构示意图;
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图3描述本发明的驾驶场景感知检测方法、***、电子设备及存储介质。
图1示出了本发明一种驾驶场景感知检测方法的流程示意图,参见图1,该方法包括:
11、获取驾驶场景数据的场景特征;
12、将场景特征输入到感知检测模型中,得到有感知检测模型输出的感知结果和感知结果对应的不确定性度,感知结果表征驾驶场景中是否存在感知事件的结果;不确定性度表征驾驶场景中存在感知事件的可信度;其中,感知检测模型为将根据驾驶场景样本的场景特征和样本的感知结果作为输入,通过机器学习训练得到的,用于判断驾驶场景数据的感知结果和不确定性度的模型;
感知检测模型包括匹配层和处理层,匹配层用于根据驾驶场景数据的场景特征,确定不同感知任务类型下的场景特征;处理层用于根据不同感知任务类型下的场景特征,确定不同感知任务类型下的感知结果和不确定性度。
针对步骤11-步骤12,需要说明的是,在本发明中,自动驾驶场景中有很多感知任务,如2D/3D目标检测、通用障碍物检测、车道线检测、交通标志牌检测、路面标志检测、关键点检测、可行驶区域分割、单目深度估计、光流估计等。
不同的感知任务对应不同的感知结果。例如2D目标检测,其对应的感知结果是在画面上对目标进行2D框标注,生成2D框所依据的数据为得到的感知结果。
但对感知任务进行分析的网络模型输出的感知结果往往具有一定程度的不确定性,且可信程度不一。为此,在本发明中,对感知任务进行分析的感知检测模型为将根据驾驶场景样本的场景特征和样本的感知结果作为输入,通过机器学习训练得到的,用于判断驾驶场景数据的感知结果和不确定性度的模型。
在本发明中,对感知任务进行分析所依据的数据是驾驶场景数据的场景特征。为此,需要获取驾驶场景数据,并提取到场景特征。然后将场景特征输入到感知检测模型中。例如对于2D/3D目标检测、通用障碍物检测、车道线检测、交通标志牌检测、路面标志检测等感知任务,其驾驶场景数据可为驾驶车辆周围的视频图像。
需要说明的是,用户在自动驾驶过程中会产生大量的驾驶场景数据,这些驾驶场景数据事先会人工标注有对应的感知结果。将这些驾驶场景数据作为样本,将样本提取出对应的场景特征,将场景特征和感知结果输入到初始的神经网络模型中进行训练,得到感知检测模型。
在本发明中,该感知检测模型包括匹配层和处理层,匹配层用于根据驾驶场景数据的场景特征,确定不同感知任务类型下的场景特征;处理层用于根据不同感知任务类型下的场景特征,确定不同感知任务类型下的感知结果和不确定性度。
对此,需要说明的是,由于自动驾驶场景中有很多感知任务,不同的感知任务可能依据的场景特征不同。例如车道线检测,所依据的场景特征是车道线的特征;目标检测,所依据的场景特征是目标物的特征。
为此,需要匹配层根据驾驶场景数据的场景特征,确定不同感知任务类型下的场景特征。然后需要处理层根据不同感知任务类型下的场景特征,确定不同感知任务类型下的感知结果和不确定性度。
本发明提供的驾驶场景感知检测方法,通过将场景特征输入到感知检测模型中,由感知检测模型将感知结果的不确定性和感知结果同步输出,可以为后续工作使用感知结果时能够同步提供对应感知结果的可信程度,有利用后续工作做出更优的决策逻辑。
在上述方法的进一步说明中,主要是对将场景特征输入到感知检测模型中,得到有感知检测模型输出的感知结果和感知结果对应的不确定性度的处理过程进行解释说明,具体如下:
将驾驶场景数据的场景特征输入到匹配层,由匹配层根据不同感知任务类型,确定对应的场景特征;
将不同感知任务类型下的场景特征输入到处理层,由处理层根据不同感知任务类型下的场景特征,确定不同感知任务类型下的感知结果和不确定性度。
对此,需要说明的是,在本发明中,由于自动驾驶场景中有很多感知任务,不同的感知任务可能依据的场景特征不同。例如车道线检测,所依据的场景特征是车道线的特征;目标检测,所依据的场景特征是目标物的特征。
为此,需要匹配层根据驾驶场景数据的场景特征,确定不同感知任务类型下的场景特征。然后需要处理层根据不同感知任务类型下的场景特征,确定不同感知任务类型下的感知结果和不确定性度。
本发明进一步的方法,采用匹配层和处理层对不同感知任务对应的场景特征进行分工处理合作,能够加快处理速度。
在上述方法的进一步说明中,主要是对感知检测模型的获取过程进行解释说明,具体如下:
建立初始神经网络模型,为初始神经网络模型配置初始损失值和损失值与预测结果、预测结果的不确定性度的关系式;
将驾驶场景样本的场景特征和样本的真值结果输入到初始神经网络模型中,根据样本的真值结果、初始损失值和损失值与预测结果、预测结果的不确定性度的关系式确定预测结果和预测结果对应的不确定性度;
根据预测结果和所述真值结果确定校准损失值,根据校准损失值对初始损失值进行校准,确定损失值满足预设条件时的已优化的神经网络模型作为感知检测模型。
对此,需要说明的是,在对模型训练的过程中,首先要构建初始状态的神经网络模型,为该神经网络模型配置初始的损失值,该损失值是真值与预测值进行比较所得到的数值;还为神经网络模型配置损失值与预测结果、预测结果的不确定性度的关系式。该关系式表征损失值、感知结果(训练样本的真值)、预测结果和预测结果的不确定性度的关联。在这里,由于感知结果属于真值,为此,将这种关联称为损失值与预测结果、预测结果的不确定性度的关系式。
将驾驶场景样本的场景特征和样本的真值结果输入到初始神经网络模型中,然后对样本数据进行挨个分析,根据样本的真值结果、初始损失值和损失值与预测结果、预测结果的不确定性度的关系式确定预测结果和预测结果对应的不确定性度。
根据预测结果和真值结果之间的比较完成计算,可以确定新的损失值,该损失值作为校准损失值。然后根据校准损失值对初始损失值进行校准,校准后的损失值应用于下一次的计算过程中,直到多次校准之后的损失值能够满足预设条件(例如足够收敛),此时得到的已优化的神经网络模型可以作为本方法的感知检测模型。
另外,需要进一步的解释说明,本发明所配置的损失值与预测结果、预测结果的不确定性度的关系式包括:
其中,Lloc为损失值,μ*为样本的真值结果,μ为预测结果,Σ为多感知任务下的不确定性度的协方差矩阵,T是矩阵转置。其中,该协方差矩阵不仅能反映各真值结果的不确定性,同时可以表征不同真值结果之间的相关性。
本发明的进一步方法,通过适用于多感知任务的检测,建立损失值与预测结果、预测结果的不确定性度的关系式,能够训练得到输出感知结果和不确定性度的感知检测模型,可以为后续工作使用感知结果时能够同步提供对应感知结果的可信程度,有利用后续工作做出更优的决策逻辑。
下面对本发明提供的驾驶场景感知检测装置进行描述,下文描述的驾驶场景感知检测装置与上文描述的驾驶场景感知检测方法可相互对应参照。
图2示出了本发明提供的一种驾驶场景感知检测装置的结构示意图,参见图,该装置包括获取模块21和处理模块22,其中:
获取模块21,用于获取驾驶场景数据的场景特征;
处理模块22,用于将场景特征输入到感知检测模型中,得到有感知检测模型输出的感知结果和感知结果对应的不确定性度,感知结果表征驾驶场景中是否存在感知事件的结果;不确定性度表征驾驶场景中存在感知事件的可信度;
其中,感知检测模型为将根据驾驶场景样本的场景特征和样本的感知结果作为输入,通过机器学习训练得到的,用于判断驾驶场景数据的感知结果和不确定性度的模型;
感知检测模型包括匹配层和处理层,匹配层用于根据驾驶场景数据的场景特征,确定不同感知任务类型下的场景特征;处理层用于根据不同感知任务类型下的场景特征,确定不同感知任务类型下的感知结果和不确定性度。
在上述装置的进一步说明中,该处理模块具体用于:
将驾驶场景数据的场景特征输入到匹配层,由所述匹配层根据不同感知任务类型,确定对应的场景特征;
将不同感知任务类型下的场景特征输入到处理层,由所述处理层根据不同感知任务类型下的场景特征,确定不同感知任务类型下的感知结果和不确定性度。
在上述装置的进一步说明中,该装置还包括构建模块,用于:
建立初始神经网络模型,为所述初始神经网络模型配置初始损失值和损失值与预测结果、预测结果的不确定性度的关系式;
将驾驶场景样本的场景特征和样本的真值结果输入到所述初始神经网络模型中,根据样本的真值结果、初始损失值和损失值与预测结果、预测结果的不确定性度的关系式确定预测结果和预测结果对应的不确定性度;
根据所述预测结果和所述真值结果确定校准损失值,根据所述校准损失值对初始损失值进行校准,确定损失值满足预设条件时的已优化的神经网络模型作为感知检测模型。
在上述装置的进一步说明中,所述损失值与预测结果、预测结果的不确定性度的关系式包括:
其中,Lloc为损失值,μ*为样本的真值结果,μ为预测结果,Σ为多感知任务下的不确定性度的协方差矩阵,T是矩阵转置。
由于本发明实施例所述装置与上述实施例所述方法的原理相同,对于更加详细的解释内容在此不再赘述。
需要说明的是,本发明实施例中可以通过硬件处理器(hardware processor)来实现相关功能模块。
本发明提供的驾驶场景感知检测装置,通过将场景特征输入到感知检测模型中,由感知检测模型将感知结果的不确定性和感知结果同步输出,可以为后续工作使用感知结果时能够同步提供对应感知结果的可信程度,有利用后续工作做出更优的决策逻辑。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)31、通信接口(Communication Interface)32、存储器(memory)33和通信总线34,其中,处理器31,通信接口32,存储器33通过通信总线34完成相互间的通信。处理器31可以调用存储器33中的计算机程序,以执行驾驶场景感知检测方法的步骤,例如包括:获取驾驶场景数据的场景特征;将场景特征输入到感知检测模型中,得到有感知检测模型输出的感知结果和感知结果对应的不确定性度,感知结果表征驾驶场景中是否存在感知事件的结果;不确定性度表征驾驶场景中存在感知事件的可信度;
其中,感知检测模型为将根据驾驶场景样本的场景特征和样本的感知结果作为输入,通过机器学习训练得到的,用于判断驾驶场景数据的感知结果和不确定性度的模型;
感知检测模型包括匹配层和处理层,匹配层用于根据驾驶场景数据的场景特征,确定不同感知任务类型下的场景特征;处理层用于根据不同感知任务类型下的场景特征,确定不同感知任务类型下的感知结果和不确定性度。
此外,上述的存储器33中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的驾驶场景感知检测方法,该方法包括:获取驾驶场景数据的场景特征;将场景特征输入到感知检测模型中,得到有感知检测模型输出的感知结果和感知结果对应的不确定性度,感知结果表征驾驶场景中是否存在感知事件的结果;不确定性度表征驾驶场景中存在感知事件的可信度;
其中,感知检测模型为将根据驾驶场景样本的场景特征和样本的感知结果作为输入,通过机器学习训练得到的,用于判断驾驶场景数据的感知结果和不确定性度的模型;
感知检测模型包括匹配层和处理层,匹配层用于根据驾驶场景数据的场景特征,确定不同感知任务类型下的场景特征;处理层用于根据不同感知任务类型下的场景特征,确定不同感知任务类型下的感知结果和不确定性度。
另一方面,本申请实施例还提供一种处理器可读存储介质,所述处理器可读存储介质存储有计算机程序,所述计算机程序用于使所述处理器执行上述各实施例提供的驾驶场景感知检测方法,例如包括:获取驾驶场景数据的场景特征;将场景特征输入到感知检测模型中,得到有感知检测模型输出的感知结果和感知结果对应的不确定性度,感知结果表征驾驶场景中是否存在感知事件的结果;不确定性度表征驾驶场景中存在感知事件的可信度;
其中,感知检测模型为将根据驾驶场景样本的场景特征和样本的感知结果作为输入,通过机器学习训练得到的,用于判断驾驶场景数据的感知结果和不确定性度的模型;
感知检测模型包括匹配层和处理层,匹配层用于根据驾驶场景数据的场景特征,确定不同感知任务类型下的场景特征;处理层用于根据不同感知任务类型下的场景特征,确定不同感知任务类型下的感知结果和不确定性度。
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种驾驶场景感知检测方法,其特征在于,包括:
获取驾驶场景数据的场景特征;
将所述场景特征输入到感知检测模型中,得到有感知检测模型输出的感知结果和感知结果对应的不确定性度,所述感知结果表征驾驶场景中是否存在感知事件的结果;所述不确定性度表征驾驶场景中存在感知事件的可信度;
其中,所述感知检测模型为将根据驾驶场景样本的场景特征和样本的感知结果作为输入,通过机器学习训练得到的,用于判断驾驶场景数据的感知结果和不确定性度的模型;
所述感知检测模型包括匹配层和处理层,所述匹配层用于根据驾驶场景数据的场景特征,确定不同感知任务类型下的场景特征;所述处理层用于根据不同感知任务类型下的场景特征,确定不同感知任务类型下的感知结果和不确定性度。
2.根据权利要求1所述的驾驶场景感知检测方法,其特征在于,所述将所述场景特征输入到感知检测模型中,得到有感知检测模型输出的感知结果和感知结果对应的不确定性度,包括:
将驾驶场景数据的场景特征输入到匹配层,由所述匹配层根据不同感知任务类型,确定对应的场景特征;
将不同感知任务类型下的场景特征输入到处理层,由所述处理层根据不同感知任务类型下的场景特征,确定不同感知任务类型下的感知结果和不确定性度。
3.根据权利要求1所述的驾驶场景感知检测方法,其特征在于,所述方法还包括感知检测模型的获取步骤,所述获取步骤包括:
建立初始神经网络模型,为所述初始神经网络模型配置初始损失值和损失值与预测结果、预测结果的不确定性度的关系式;
将驾驶场景样本的场景特征和样本的真值结果输入到所述初始神经网络模型中,根据样本的真值结果、初始损失值和损失值与预测结果、预测结果的不确定性度的关系式确定预测结果和预测结果对应的不确定性度;
根据所述预测结果和所述真值结果确定校准损失值,根据所述校准损失值对初始损失值进行校准,确定损失值满足预设条件时的已优化的神经网络模型作为感知检测模型。
5.一种驾驶场景感知检测装置,其特征在于,包括:
获取模块,用于获取驾驶场景数据的场景特征;
处理模块,用于将所述场景特征输入到感知检测模型中,得到有感知检测模型输出的感知结果和感知结果对应的不确定性度,所述感知结果表征驾驶场景中是否存在感知事件的结果;所述不确定性度表征驾驶场景中存在感知事件的可信度;
其中,所述感知检测模型为将根据驾驶场景样本的场景特征和样本的感知结果作为输入,通过机器学习训练得到的,用于判断驾驶场景数据的感知结果和不确定性度的模型;
所述感知检测模型包括匹配层和处理层,所述匹配层用于根据驾驶场景数据的场景特征,确定不同感知任务类型下的场景特征;所述处理层用于根据不同感知任务类型下的场景特征,确定不同感知任务类型下的感知结果和不确定性度。
6.根据权利要求5所述的驾驶场景感知检测装置,其特征在于,所述处理模块具体用于:
将驾驶场景数据的场景特征输入到匹配层,由所述匹配层根据不同感知任务类型,确定对应的场景特征;
将不同感知任务类型下的场景特征输入到处理层,由所述处理层根据不同感知任务类型下的场景特征,确定不同感知任务类型下的感知结果和不确定性度。
7.根据权利要求5所述的驾驶场景感知检测装置,其特征在于,所述装置还包括构建模块,用于:
建立初始神经网络模型,为所述初始神经网络模型配置初始损失值和损失值与预测结果、预测结果的不确定性度的关系式;
将驾驶场景样本的场景特征和样本的真值结果输入到所述初始神经网络模型中,根据样本的真值结果、初始损失值和损失值与预测结果、预测结果的不确定性度的关系式确定预测结果和预测结果对应的不确定性度;
根据所述预测结果和所述真值结果确定校准损失值,根据所述校准损失值对初始损失值进行校准,确定损失值满足预设条件时的已优化的神经网络模型作为感知检测模型。
9.一种电子设备,包括处理器和存储有计算机程序的存储器,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4任一项所述驾驶场景感知检测方法的步骤。
10.一种处理器可读存储介质,其特征在于,所述处理器可读存储介质存储有计算机程序,所述计算机程序用于使所述处理器执行权利要求1至4任一项所述驾驶场景感知检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111023708.5A CN113887306A (zh) | 2021-08-31 | 2021-08-31 | 驾驶场景感知检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111023708.5A CN113887306A (zh) | 2021-08-31 | 2021-08-31 | 驾驶场景感知检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887306A true CN113887306A (zh) | 2022-01-04 |
Family
ID=79011692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111023708.5A Pending CN113887306A (zh) | 2021-08-31 | 2021-08-31 | 驾驶场景感知检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887306A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100491A (zh) * | 2022-08-25 | 2022-09-23 | 山东省凯麟环保设备股份有限公司 | 一种面向复杂自动驾驶场景的异常鲁棒分割方法与*** |
WO2023160538A1 (zh) * | 2022-02-25 | 2023-08-31 | 维沃移动通信有限公司 | 感知方法、装置及通信设备 |
-
2021
- 2021-08-31 CN CN202111023708.5A patent/CN113887306A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023160538A1 (zh) * | 2022-02-25 | 2023-08-31 | 维沃移动通信有限公司 | 感知方法、装置及通信设备 |
CN115100491A (zh) * | 2022-08-25 | 2022-09-23 | 山东省凯麟环保设备股份有限公司 | 一种面向复杂自动驾驶场景的异常鲁棒分割方法与*** |
CN115100491B (zh) * | 2022-08-25 | 2022-11-18 | 山东省凯麟环保设备股份有限公司 | 一种面向复杂自动驾驶场景的异常鲁棒分割方法与*** |
US11954917B2 (en) | 2022-08-25 | 2024-04-09 | Shandong Kailin Environmental Protection Equipment Co., Ltd. | Method of segmenting abnormal robust for complex autonomous driving scenes and system thereof |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109426801B (zh) | 一种车道线实例检测方法和装置 | |
CN110020592B (zh) | 物体检测模型训练方法、装置、计算机设备及存储介质 | |
CN109145680B (zh) | 一种获取障碍物信息的方法、装置、设备和计算机存储介质 | |
CN108171203B (zh) | 用于识别车辆的方法和装置 | |
CN110363220B (zh) | 行为类别检测方法、装置、电子设备和计算机可读介质 | |
CN113887306A (zh) | 驾驶场景感知检测方法、装置、电子设备及存储介质 | |
CN110046706B (zh) | 模型生成方法、装置及服务器 | |
CN108805016B (zh) | 一种头肩区域检测方法及装置 | |
CN110706261A (zh) | 车辆违章检测方法、装置、计算机设备和存储介质 | |
CN111639653B (zh) | 一种误检图像确定方法、装置、设备和介质 | |
CN112418345B (zh) | 细粒度小目标快速识别的方法和装置 | |
CN113688957A (zh) | 一种基于多模型融合的目标检测方法、装置、设备及介质 | |
CN108256454B (zh) | 一种基于cnn模型的训练方法、人脸姿态估测方法及装置 | |
CN109543647A (zh) | 一种道路异常识别方法、装置、设备及介质 | |
KR20210152269A (ko) | 딥러닝 모델 학습 방법 및 이를 수행하기 위한 컴퓨팅 장치 | |
US11164327B2 (en) | Estimation of human orientation in images using depth information from a depth camera | |
CN111783812B (zh) | 违禁图像识别方法、装置和计算机可读存储介质 | |
CN111915618A (zh) | 基于峰值响应增强的实例分割算法、计算设备 | |
CN110738080A (zh) | 一种识别改装机动车的方法、装置和电子设备 | |
CN110866428A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN114219936A (zh) | 目标检测方法、电子设备、存储介质和计算机程序产品 | |
CN115713669B (zh) | 一种基于类间关系的图像分类方法、装置、存储介质及终端 | |
CN114842287B (zh) | 深度引导变形器的单目三维目标检测模型训练方法及装置 | |
CN115311522A (zh) | 用于自动驾驶的目标检测方法及装置、电子设备及介质 | |
CN113702931B (zh) | 一种车载雷达的外参标定方法、装置及存储介质 |
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 |