CN114355793B - 用于车辆仿真评测的自动驾驶规划模型的训练方法及装置 - Google Patents
用于车辆仿真评测的自动驾驶规划模型的训练方法及装置 Download PDFInfo
- Publication number
- CN114355793B CN114355793B CN202111602240.5A CN202111602240A CN114355793B CN 114355793 B CN114355793 B CN 114355793B CN 202111602240 A CN202111602240 A CN 202111602240A CN 114355793 B CN114355793 B CN 114355793B
- Authority
- CN
- China
- Prior art keywords
- sub
- vehicle control
- control decision
- evaluation result
- planning model
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 174
- 238000012549 training Methods 0.000 title claims abstract description 95
- 238000004088 simulation Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000006399 behavior Effects 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000012854 evaluation process Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000036632 reaction speed Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本公开提供了一种用于车辆仿真评测的自动驾驶规划模型的训练方法及装置、设备和介质,涉及人工智能技术领域,尤其涉及自动驾驶和模拟仿真技术领域。实现方案为:获取目标路况场景的状态特征数据;将所述状态特征数据输入自动驾驶规划模型,并获取所述自动驾驶规划模型所输出的第一车辆控制决策;对所述目标路况场景下车辆执行所述第一车辆控制决策进行仿真测评,以得到所述第一车辆控制决策的针对目标路况场景的第一测评结果,所述第一测评结果用于指示车辆执行所述第一车辆控制决策的行驶行为是否满足预设条件;基于所述第一测评结果,获取所述第一车辆控制决策的第一奖励值;以及基于所述第一奖励值对所述自动驾驶规划模型进行调参。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及自动驾驶和模拟仿真技术领域,具体涉及一种用于车辆仿真评测的自动驾驶规划模型的训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
当前使用最广泛的自动驾驶规划算法主要基于深度学习和规则,需要依赖大量场景数据作为训练输入。真实世界中的道路复杂度和障碍物的行为类型非常丰富,只有模型通过仿真验证,得到来自复杂场景的反馈后才有可能得到改进。目前,尚没有自动驾驶领域的可信评价体系,能够面向专业用户提供仿真评测环境,协助研究人员训练出可信的自动驾驶规划模型。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种用于车辆仿真评测的自动驾驶规划模型的训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种用于车辆仿真评测的自动驾驶规划模型的训练方法,包括:获取目标路况场景的状态特征数据;将所述状态特征数据输入自动驾驶规划模型,并获取所述自动驾驶规划模型所输出的第一车辆控制决策;对所述目标路况场景下车辆执行所述第一车辆控制决策进行仿真测评,以得到所述第一车辆控制决策的针对目标路况场景的第一测评结果,所述第一测评结果用于指示车辆执行所述第一车辆控制决策的行驶行为是否满足预设条件;基于所述第一测评结果,获取所述第一车辆控制决策的第一奖励值;以及基于所述第一奖励值对所述自动驾驶规划模型进行调参。
根据本公开的另一方面,提供了一种用于车辆仿真评测的自动驾驶规划模型的训练装置,包括:第一获取单元,被配置用于获取目标路况场景的状态特征数据;第二获取单元,被配置用于将所述状态特征数据输入自动驾驶规划模型,并获取所述自动驾驶规划模型所输出的第一车辆控制决策;仿真测评单元,被配置用于对所述目标路况场景下车辆执行所述第一车辆控制决策进行仿真测评,以得到所述第一车辆控制决策的针对目标路况场景的第一测评结果,所述第一测评结果用于指示车辆执行所述第一车辆控制决策的行驶行为是否满足预设条件;第三获取单元,被配置用于基于所述第一测评结果,获取所述第一车辆控制决策的第一奖励值;以及调参单元,被配置用于基于所述第一奖励值对所述自动驾驶规划模型进行调参。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述用于车辆仿真评测的自动驾驶规划模型的训练方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行上述用于车辆仿真评测的自动驾驶规划模型的训练方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时能够实现上述用于车辆仿真评测的自动驾驶规划模型的训练方法。
根据本公开的一个或多个实施例,可以获得性能优化的自动驾驶规划模型。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开示例性实施例的用于车辆仿真评测的自动驾驶规划模型的训练方法的流程图;
图2示出了根据本公开示例性实施例的用于车辆仿真评测的自动驾驶规划模型的训练装置的结构框图;
图3示出了根据本公开示例性实施例的用于车辆仿真评测的自动驾驶规划模型的训练平台的架构示意图;
图4示出了根据本公开示例性实施例的用于车辆仿真评测的自动驾驶规划模型的训练平台的工作过程示意图;
图5示出了能够用于实现本公开实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
发明人注意到,自动驾驶规划算法主要基于深度学***台对模型输出结果进行测评,基于仿真测评结果对所述自动驾驶规划模型进行再训练,从而能够获得性能优化的自动驾驶规划模型,提高自动驾驶车辆控制决策的准确度。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开示例性实施例的用于车辆仿真评测的自动驾驶规划模型的训练方法的流程图。如图1所示,所述方法包括:步骤S101、获取目标路况场景的状态特征数据;步骤S102、将所述状态特征数据输入自动驾驶规划模型,并获取所述自动驾驶规划模型所输出的第一车辆控制决策;步骤S103、对所述目标路况场景下车辆执行所述第一车辆控制决策进行仿真测评,以得到所述第一车辆控制决策的针对所述目标路况场景的第一测评结果,所述第一测评结果用于指示车辆执行所述第一车辆控制决策的行驶行为是否满足预设条件;步骤S104、基于所述第一测评结果,获取所述第一车辆控制决策的第一奖励值;以及步骤S105、基于所述第一奖励值对所述自动驾驶规划模型进行调参。由此,能够利用仿真测评平台对模型输出结果进行测评,所生成的仿真测评结果能够为自动驾驶规划模型提供有效反馈,基于仿真测评结果对所述模型进行训练调参,能够提升模型的性能,提高自动驾驶车辆控制决策的准确度。
示例性的,所述目标路况场景的状态特征数据可以是基于实际采集的路况信息数据得到的,例如可以具体包括道路形状数据、周围车辆的运动状态数据、交通指示信号数据等。
示例性的,所述车辆执行所述第一车辆控制决策的行驶行为所需要满足的预设条件可以涵盖车辆是否遵守交规、车辆的实际乘坐体感、车辆行驶安全系数、车辆智能反应速度等维度,例如,所述预设条件可以包括:车辆未闯红灯、车辆未急刹车、车辆为未驶出道路等。
示例性的,可以是基于所述第一奖励值,利用近似点方法(Proximal PointAlgorithm,PPA)对所述自动驾驶规划模型进行调参,可以理解的,也可以是利用其他优化算法进行调参,例如SAC(Soft Actor-Critic)算法,对此不作限定。
根据一些实施例,所述自动驾驶规划模型的训练方法还包括:将所述状态特征数据输入调参后的自动驾驶规划模型,并获取所述调参后的自动驾驶规划模型所输出的第二车辆控制决策;对所述目标路况场景下车辆执行所述第二车辆控制决策进行仿真测评,以得到所述第二车辆控制决策的针对目标路况场景的第二测评结果,所述第二测评结果用于指示车辆执行所述第二车辆控制决策的行驶行为是否满足预设条件;基于所述第二测评结果,获取所述第一车辆控制决策的奖励值;以及基于所述第二奖励值对所述调参后的自动驾驶规划模型再次进行调参。由此,能够实现模型的优化迭代,从而进一步优化自动驾驶规划模型的性能。
示例性的,还可以对每次调参后所得到的自动驾驶规划模型重复执行上述步骤,通过多轮迭代执行仿真测评-模型调参的步骤,能够进一步优化模型的性能。
根据一些实施例,所述目标路况场景包括多个子目标路况场景,所述第一车辆控制决策包括多个子车辆控制决策,每个子车辆控制决策与所述多个子目标路况场景中的一个子目标路况场景对应,所述第一测评结果包括多个子测评结果,每个子测评结果与所述多个子车辆控制决策中的一个子车辆控制决策对应,并且所述步骤S105中基于所述第一奖励值对所述自动驾驶规划模型进行调参包括:响应于已获得所述多个子测评结果中的任意一个子测评结果,基于所得到的子测评结果,获取相应的子车辆控制决策的第一奖励值;以及基于所述子车辆控制决策的第一奖励值对所述自动驾驶规划模型进行调参。由此,能够基于路况场景对模型训练任务进行拆分,从而能够小批量发起不同路况场景下的模型训练任务,可以实现模型训练任务的横向并发,充分利用硬件资源,提高模型训练的效率。
例如,当所述目标路况场景包括左转弯道和右转弯道两个子目标路况场景,则基于所述两个子目标路况场景可以得到相应的两个子车辆控制决策,以及进一步得到两个子测评结果。响应于已获得左转弯道子目标路况场景对应的子测评结果,则可基于所获得的的子测评结果获取相应的第一奖励值,并对所述自动驾驶规划模型进行调参,而无需等待右转弯道子目标路况场景对应的子测评结果得出,从而能够实现基于左转弯道子目标路况场景相应的第一奖励值的调参过程与基于右转弯道子目标路况场景的仿真测评过程并行,由此充分利用硬件资源,提高模型训练的效率。
示例性的,基于所述目标路况场景中每一个子目标路况场景的状态特征数据与所述自动驾驶规划模型的规模,可以确定相应的第一计算单元,所述第一计算单元用于执行基于该子目标路况场景的状态特征数据获取所述自动驾驶规划模型所输出的子车辆控制决策;以及对该子目标路况场景下车辆执行该子车辆控制决策进行仿真测评,得到该子车辆控制决策的子测评结果的步骤。通过为拆分后的模型训练任务分配计算单元,能够实现分布式并行的模型仿真测评。例如,当所述目标路况场景包括直行道和左转弯道两个子目标路况场景,则可以将基于直行道子目标路况场景的仿真测评过程分配给直行道计算单元执行,将基于左转弯道子目标路况场景的仿真测评过程分配给左转弯道计算单元执行,相比于由一个计算单元顺序执行上述两个子目标路况场景的仿真测评过程,能够有效提升模型训练的效率,即通过增加物理层面的计算单元硬件资源来提高模型训练的效率。
示例性的,基于所述第一测评结果中每一个子测评结果与所述自动驾驶规划模型的规模,可以确定相应的第二计算单元,所述第二计算单元用于执行基于该子测评结果获取相应的子车辆控制决策的第一奖励值;以及基于所述子车辆控制决策相应的第一奖励值对所述自动驾驶规划模型进行调参的步骤。通过为拆分后的模型训练任务分配计算单元,能够实现分布式并行的模型调参,通过增加物理层面的计算单元硬件资源来提高模型训练的效率。
示例性的,所述第一计算单元的操作和第二计算单元的操作可以是并行的,由此能够实现分布式并行的模型调参与模型仿真测评,提高模型训练的效率。
示例性的,所述第一计算单元和/或第二计算单元可以是由一个或多个GPU构成的。根据所拆分的模型训练任务的规模,能够为所拆分的模型训练任务分配相应的一个或多个GPU,从而能够通过增加执行模型训练任务的GPU的数量来提高模型训练的效率。
示例性的,所述第一计算单元和/或第二计算单元可以是云计算单元,通过增加执行模型训练任务的云计算单元的数量,能够进一步提高模型训练的效率,使其不受执行模型训练任务的本地计算单元硬件资源的限制。
示例性的,在执行所述自动驾驶规划模型的训练方法的过程中,可以通过异步多线程的方式将所述第一测评结果写入云缓存,所述云缓存例如可以是以redis集群的形式实现的。由此,能够进一步提高模型训练的效率,使其不受执行模型训练任务的本地内存资源的限制。
根据一些实施例,所述自动驾驶规划模型的训练方法还包括:根据预设规则对所述第一测评结果进行筛选,其中,基于筛选后的第一测评结果,获取所述第一车辆控制决策的第一奖励值。所述预设规则可以是根据实际应用场景的需求人工设定的,由此,能够筛选更符合实际应用场景的需求的测评结果,进一步提升模型的性能,提高模型训练的效率。示例性的,所述预设规则可以是根据所述第一测评结果的数据规模进行筛选,例如可以是将数据规模小于一定阈值的第一测评结果作为筛选后的第一测评结果,由此能够节省硬件资源,提高模型训练的效率。
根据一些实施例,所述步骤S103中对所述目标路况场景下车辆执行所述第一车辆控制决策进行仿真测评,以得到所述第一车辆控制决策的针对目标路况场景的第一测评结果包括:对所述目标路况场景下车辆执行所述第一车辆控制决策进行仿真测评,记录相应的车辆特征数据;以及基于所述车辆特征数据,确定所述第一车辆控制决策的测评结果。所述车辆特征数据可以指示所述目标路况场景下车辆执行所述第一车辆控制决策的行驶行为,例如可以具体涵盖车辆是否遵守交规、车辆的实际乘坐体感、车辆行驶安全系数、车辆智能反应速度等维度。基于所记录的车辆特征数据能够生成全面的模型仿真测评报告,从而能够直观展示模型调参的效果,更好地辅助模型优化的工作。
根据一些实施例,所述自动驾驶规划模型的训练方法还包括:获取针对所述自动驾驶规划模型的预设训练规则;并且在所述步骤S105中,基于所述第一奖励值和所述预设训练规则,对所述自动驾驶规划模型进行调参。根据一些实施例,所述预设训练规则包括模型推理规则和/或模型调参规则。由此,能够提供利用预设训练规则来干预模型训练过程的接口,例如,通过获取模型推理规则并基于模型推理规则对所述自动驾驶规划模型进行调参,能够有效优化模型推理性能,使其更符合实际应用场景的需求,再例如,通过获取模型调参规则并基于模型调参规则来对所述自动驾驶规划模型进行调参,能够提升模型训练的效率。
根据本公开的另一方面,还提供一种自动驾驶规划模型的训练装置。图2示出了根据本公开示例性实施例的自动驾驶规划模型的训练装置200的结构框图,如图2所示,所述自动驾驶规划模型的训练装置200包括:第一获取单元201,被配置用于获取目标路况场景的状态特征数据;第二获取单元202,被配置用于将所述状态特征数据输入自动驾驶规划模型,并获取所述自动驾驶规划模型所输出的第一车辆控制决策;仿真测评单元203,被配置用于对所述目标路况场景下车辆执行所述第一车辆控制决策进行仿真测评,以得到所述第一车辆控制决策的针对目标路况场景的第一测评结果,所述第一测评结果用于指示车辆执行所述第一车辆控制决策的行驶行为是否满足预设条件;第三获取单元204,被配置用于基于所述第一测评结果,获取所述第一车辆控制决策的第一奖励值;以及调参单元205,被配置用于基于所述第一奖励值对所述自动驾驶规划模型进行调参。示例性的,可以基于所述目标路况场景中每一个子目标路况场景的状态特征数据与所述自动驾驶规划模型的规模确定第一计算单元,用于执行所述单元202-单元203的操作,还可以基于所述第一测评结果中每一个子测评结果与所述自动驾驶规划模型的规模确定第二计算单元,用于执行所述单元204-单元205的操作。自动驾驶规划模型的训练装置200的单元201-单元205的操作与前面描述的步骤S101-步骤S105的操作类似,在此不作赘述。
根据一些实施例,所述自动驾驶规划模型的训练装置中,所述第二获取单元202被配置用于将所述状态特征数据输入调参后的自动驾驶规划模型,并获取所述调参后的自动驾驶规划模型所输出的第二车辆控制决策,所述仿真测评单元203还被配置用于对所述目标路况场景下车辆执行所述第二车辆控制决策进行仿真测评,以得到所述第二车辆控制决策的针对目标路况场景的第二测评结果,所述第二测评结果用于指示车辆执行所述第二车辆控制决策的行驶行为是否满足预设条件,所述第三获取单元204还被配置用于基于所述第二测评结果,获取所述第一车辆控制决策的第二奖励值,所述调参单元205还被配置用于基于所述第二奖励值对所述调参后的自动驾驶规划模型再次进行调参。
根据一些实施例,所述目标路况场景包括多个子目标路况场景,所述第一车辆控制决策包括多个子车辆控制决策,每个子车辆控制决策与所述多个子目标路况场景中的一个子目标路况场景对应,所述第一测评结果包括多个子测评结果,每个子测评结果与所述多个子车辆控制决策中的一个子车辆控制决策对应,并且,所述调参单元205包括获取子单元,被配置用于响应于已获得所述多个子测评结果中的任意一个子测评结果,基于所得到的子测评结果,获取相应的子车辆控制决策的第一奖励值;以及调参子单元,被配置用于基于所述子车辆控制决策的第一奖励值对所述自动驾驶规划模型进行调参。
根据一些实施例,所述自动驾驶规划模型的训练装置还包括:筛选单元,被配置用于根据预设规则对所述第一测评结果进行筛选,其中,所述第三获取单元204被配置用于基于筛选后的第一测评结果,获取所述第一车辆控制决策的第一奖励值。
根据一些实施例,所述仿真测评单元203包括:记录子单元,被配置用于对所述目标路况场景下车辆执行所述第一车辆控制决策进行仿真测评,记录相应的车辆特征数据;以及确定子单元,被配置用于基于所述车辆特征数据,确定所述第一车辆控制决策的测评结果。
根据一些实施例,所述自动驾驶规划模型的训练装置还包括:第六获取单元,被配置用于获取针对所述自动驾驶规划模型的预设训练规则,其中,所述调参单元205被配置用于基于所述第一奖励值和所述预设训练规则,对所述自动驾驶规划模型进行调参。
根据一些实施例,所述预设训练规则包括模型推理规则和/或模型调参规则。
以下将结合示例,进一步描述本公开示例性实施例。
根据本公开示例性实施例的自动驾驶规划模型的训练方法可以被自动驾驶规划模型的训练平台实现,图3示出了根据本公开示例性实施例的自动驾驶规划模型的训练平台的架构示意图。
参见图3,所述用于车辆仿真评测的自动驾驶规划模型的训练平台主要包括模型训练模块和仿真测评模块。
所述仿真测评模块集成了上述用于车辆仿真评测的自动驾驶规划模型的训练装置200中第一获取单元201、第二获取单元202和仿真测评单元203的功能,可以用于执行步骤S11、从模型仓库中获取待训练的自动驾驶规划模型的模型文件并获取超参,所述超参为所述模型文件相应的初始参数,以及从目标路况场景集中获取目标路况场景的状态特征数据;所述仿真测评模块中的仿真引擎可以用于执行步骤S12、将所述状态特征数据输入自动驾驶规划模型,并获取所述自动驾驶规划模型所输出的第一车辆控制决策;步骤S13、对所述目标路况场景下车辆执行所述第一车辆控制决策进行仿真测评,并记录所述第一车辆控制决策的针对所述目标路况场景的车辆特征数据;以及步骤S14、基于所述车辆特征数据,确定所述第一车辆控制决策的第一测评结果以及仿真测评报告,并将其存入测评结果仓库。
所述模型训练模块可以用于执行步骤S15、根据预设规则对所述测评结果仓库中的第一测评结果进行筛选;步骤S16、基于筛选后的第一测评结果获取所述第一车辆控制决策的第一奖励值;以及步骤S17、基于所述第一奖励值对所述自动驾驶规划模型进行调参,并将调参后的自动驾驶规划模型文件存入模型仓库。
图4示出了根据本公开示例性实施例的用于车辆仿真评测的自动驾驶规划模型的训练平台的工作过程示意图。参见图4,所述用于车辆仿真评测的自动驾驶规划模型的训练平台集成了模型开发用户信息管理、模型训练任务后台管理等功能,其中包括用户注册模块、账号状态模块、开发文档模块、模型管理模块、任务列表模块、报告查询模块等,用于实现用户信息管理和模型训练任务后台管理。
所述平台业务模块中包括新建评测模块和新建训练模块。新建评测任务后则可以执行步骤S21、从模型仓库中选择待训练的自动驾驶规划模型文件并获取超参,所述超参为所述模型文件相应的初始参数,以及从目标路况场景集中选择目标路况场景,获取其状态特征数据,所述仿真模块可以用于执行步骤S22、将所述状态特征数据输入自动驾驶规划模型,并获取所述自动驾驶规划模型所输出的第一车辆控制决策;以及步骤S23、对所述目标路况场景下车辆执行所述第一车辆控制决策进行仿真测评,并记录所述第一车辆控制决策的针对所述目标路况场景的车辆特征数据;所述测评模块可以用于执行步骤S24、基于所述车辆特征数据,确定所述第一车辆控制决策的第一测评结果以及仿真测评报告,并将其存入测评结果仓库,所述仿真测评报告还可以链接至报告查询模块,满足用户的查询需求。
新建训练任务后则可以执行步骤S25、根据预设规则对所述测评结果仓库中的第一测评结果进行筛选;所述训练调参模块可以用于执行步骤S26、基于筛选后的第一测评结果获取所述第一车辆控制决策的第一奖励值;以及步骤S27、获取针对所述自动驾驶规划模型的预设训练规则,基于所述第一奖励值和所述预设训练规则对所述自动驾驶规划模型进行调参,并将调参后的自动驾驶规划模型文件存入模型仓库。
参见图3和图4,通过将调参后的自动驾驶规划模型文件存入模型仓库,以及从所述模型仓库中获取待训练的自动驾驶规划模型文件进行仿真测评,所述模型训练调参过程和模型仿真测评过程可以形成闭环结构,能够实现多轮迭代执行仿真测评-模型调参的步骤,从而能够充分提升模型的性能。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的另一方面,还提供一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的自动驾驶规划模型的训练方法。
根据本公开的另一方面,还提供一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行上述自动驾驶规划模型的训练方法。
根据本公开的另一方面,还提供一种计算机程序产品,包括计算机程序,其中,所述计算机程序再被处理器执行时实现上述自动驾驶规划模型的训练方法。
参考图5,现将描述可以作为本公开的服务器或客户端的电子设备500的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506、输出单元507、存储单元508以及通信单元509。输入单元506可以是能向设备500输入信息的任何类型的设备,输入单元506可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元507可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元508可以包括但不限于磁盘、光盘。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如自动驾驶规划模型的训练方法。例如,在一些实施例中,所述自动驾驶规划模型的训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的自动驾驶规划模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上述自动驾驶规划模型的训练方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、***和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (12)
1.一种用于车辆仿真评测的自动驾驶规划模型的训练方法,包括:
获取目标路况场景的状态特征数据,所述目标路况场景包括多个子目标路况场景;
基于所述多个子目标路况场景中的每个子目标路况场景的状态特征数据的数据规模和所述自动驾驶规划模型的数据规模,确定该子目标路况场景相应的第一计算单元;
将所述状态特征数据输入自动驾驶规划模型,并获取所述自动驾驶规划模型所输出的第一车辆控制决策,所述第一车辆控制决策包括多个子车辆控制决策,每个子车辆控制决策与所述多个子目标路况场景中的一个子目标路况场景对应,其中,每个子目标路况场景相应的子车辆控制决策是利用该子目标路况场景相应的第一计算单元计算得到的;
对所述目标路况场景下车辆执行所述第一车辆控制决策进行仿真测评,以得到所述第一车辆控制决策的针对目标路况场景的第一测评结果,所述第一测评结果用于指示车辆执行所述第一车辆控制决策的行驶行为是否满足预设条件,所述第一测评结果包括多个子测评结果,每个子测评结果与所述多个子车辆控制决策中的一个子车辆控制决策对应,其中,每个子车辆控制决策的子测评结果是利用该子车辆控制决策相应的第一计算单元计算得到的;
基于所述第一测评结果的数据规模对所述多个子测评结果进行筛选;
基于筛选后的每个子测评结果的数据规模和所述自动驾驶规划模型的数据规模,确定每个子测评结果相应的第二计算单元;
基于筛选后的所述第一测评结果,获取所述第一车辆控制决策的第一奖励值,其中,每个子车辆控制决策的第一奖励值是利用该子车辆控制决策相应的第二计算单元计算得到的;以及
基于所述第一奖励值对所述自动驾驶规划模型进行调参,
其中,所述基于所述第一奖励值对所述自动驾驶规划模型进行调参包括:
响应于已获得所述多个子测评结果中的任意一个子测评结果,利用所得到的子测评结果相应的第二计算单元,基于该子测评结果相应的子车辆控制决策的第一奖励值对所述自动驾驶规划模型进行调参。
2.根据权利要求1所述的方法,还包括:
将所述状态特征数据输入调参后的自动驾驶规划模型,并获取所述调参后的自动驾驶规划模型所输出的第二车辆控制决策;
对所述目标路况场景下车辆执行所述第二车辆控制决策进行仿真测评,以得到所述第二车辆控制决策的针对目标路况场景的第二测评结果,所述第二测评结果用于指示车辆执行所述第二车辆控制决策的行驶行为是否满足预设条件;
基于所述第二测评结果,获取所述第一车辆控制决策的第二奖励值;以及
基于所述第二奖励值对所述调参后的自动驾驶规划模型再次进行调参。
3.根据权利要求1或2所述的方法,其中,所述对所述目标路况场景下车辆执行所述第一车辆控制决策进行仿真测评,以得到所述第一车辆控制决策的针对目标路况场景的第一测评结果包括:
对所述目标路况场景下车辆执行所述第一车辆控制决策进行仿真测评,记录相应的车辆特征数据;以及
基于所述车辆特征数据,确定所述第一车辆控制决策的测评结果。
4.根据权利要求1或2所述的方法,还包括:
获取针对所述自动驾驶规划模型的预设训练规则,
其中,基于所述第一奖励值和所述预设训练规则,对所述自动驾驶规划模型进行调参。
5.根据权利要求4所述的方法,其中,所述预设训练规则包括模型推理规则和/或模型调参规则。
6.一种用于车辆仿真评测的自动驾驶规划模型的训练装置,包括:
第一获取单元,被配置用于获取目标路况场景的状态特征数据,所述目标路况场景包括多个子目标路况场景;
所述第一获取单元还被配置用于基于所述多个子目标路况场景中的每个子目标路况场景的状态特征数据的数据规模和所述自动驾驶规划模型的数据规模,确定该子目标路况场景相应的第一计算单元;
第二获取单元,被配置用于将所述状态特征数据输入自动驾驶规划模型,并获取所述自动驾驶规划模型所输出的第一车辆控制决策,所述第一车辆控制决策包括多个子车辆控制决策,每个子车辆控制决策与所述多个子目标路况场景中的一个子目标路况场景对应,其中,每个子目标路况场景相应的子车辆控制决策是利用该子目标路况场景相应的第一计算单元计算得到的;
仿真测评单元,被配置用于对所述目标路况场景下车辆执行所述第一车辆控制决策进行仿真测评,以得到所述第一车辆控制决策的针对目标路况场景的第一测评结果,所述第一测评结果用于指示车辆执行所述第一车辆控制决策的行驶行为是否满足预设条件,所述第一测评结果包括多个子测评结果,每个子测评结果与所述多个子车辆控制决策中的一个子车辆控制决策对应,其中,每个子车辆控制决策的子测评结果是利用该子车辆控制决策相应的第一计算单元计算得到的;
筛选单元,被配置为基于所述第一测评结果的数据规模对所述多个子测评结果进行筛选,以及基于筛选后的每个子测评结果的数据规模和所述自动驾驶规划模型的数据规模,确定每个子测评结果相应的第二计算单元;
第三获取单元,被配置用于基于筛选后的所述第一测评结果,获取所述第一车辆控制决策的第一奖励值,其中,每个子车辆控制决策的第一奖励值是利用该子车辆控制决策相应的第二计算单元计算得到的;以及
调参单元,被配置用于基于所述第一奖励值对所述自动驾驶规划模型进行调参,
其中,所述调参单元被配置为:响应于已获得所述多个子测评结果中的任意一个子测评结果,利用所得到的子测评结果相应的第二计算单元,基于该子测评结果相应的子车辆控制决策的第一奖励值对所述自动驾驶规划模型进行调参。
7.根据权利要求6所述的装置,其中,所述第二获取单元,被配置用于将所述状态特征数据输入调参后的自动驾驶规划模型,并获取所述调参后的自动驾驶规划模型所输出的第二车辆控制决策,
所述仿真测评单元还被配置用于对所述目标路况场景下车辆执行所述第二车辆控制决策进行仿真测评,以得到所述第二车辆控制决策的针对目标路况场景的第二测评结果,所述第二测评结果用于指示车辆执行所述第二车辆控制决策的行驶行为是否满足预设条件,
所述第三获取单元还被配置用于基于所述第二测评结果,获取所述第一车辆控制决策的第二奖励值,
所述调参单元还被配置用于基于所述第二奖励值对所述调参后的自动驾驶规划模型再次进行调参。
8.根据权利要求6或7所述的装置,其中,所述仿真测评单元包括:
记录子单元,被配置用于对所述目标路况场景下车辆执行所述第一车辆控制决策进行仿真测评,记录相应的车辆特征数据;以及
确定子单元,被配置用于基于所述车辆特征数据,确定所述第一车辆控制决策的测评结果。
9.根据权利要求6或7所述的装置,还包括:
第六获取单元,被配置用于获取针对所述自动驾驶规划模型的预设训练规则,
其中,所述调参单元被配置用于基于所述第一奖励值和所述预设训练规则,对所述自动驾驶规划模型进行调参。
10.根据权利要求9所述的装置,其中,所述预设训练规则包括模型推理规则和/或模型调参规则。
11.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行根据权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111602240.5A CN114355793B (zh) | 2021-12-24 | 2021-12-24 | 用于车辆仿真评测的自动驾驶规划模型的训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111602240.5A CN114355793B (zh) | 2021-12-24 | 2021-12-24 | 用于车辆仿真评测的自动驾驶规划模型的训练方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114355793A CN114355793A (zh) | 2022-04-15 |
CN114355793B true CN114355793B (zh) | 2023-12-29 |
Family
ID=81101592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111602240.5A Active CN114355793B (zh) | 2021-12-24 | 2021-12-24 | 用于车辆仿真评测的自动驾驶规划模型的训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114355793B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114818913A (zh) * | 2022-04-22 | 2022-07-29 | 北京百度网讯科技有限公司 | 决策生成方法和装置 |
CN114852098B (zh) * | 2022-05-26 | 2024-07-12 | 重庆长安汽车股份有限公司 | 一种用于自动驾驶算法评价的***、方法及存储介质 |
CN115366920A (zh) * | 2022-08-31 | 2022-11-22 | 阿波罗智能技术(北京)有限公司 | 用于自动驾驶车辆的决策方法及装置、设备和介质 |
CN116118826A (zh) * | 2022-12-27 | 2023-05-16 | 卡斯柯信号有限公司 | 一种列车运营场景通用仿真方法、***、设备及介质 |
CN116206441A (zh) * | 2022-12-30 | 2023-06-02 | 云控智行科技有限公司 | 一种自动驾驶规划模型的优化方法、装置、设备及介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106066644A (zh) * | 2016-06-17 | 2016-11-02 | 百度在线网络技术(北京)有限公司 | 建立智能车辆控制模型的方法、智能车辆控制方法及装置 |
CN109884916A (zh) * | 2019-02-26 | 2019-06-14 | 初速度(苏州)科技有限公司 | 一种自动驾驶仿真评估方法及装置 |
CN111123735A (zh) * | 2018-10-31 | 2020-05-08 | 百度在线网络技术(北京)有限公司 | 自动驾驶仿真运行方法和装置 |
CN111859597A (zh) * | 2019-04-18 | 2020-10-30 | 北京京东尚科信息技术有限公司 | 一种自动驾驶算法的评估方法和*** |
CN113238970A (zh) * | 2021-07-08 | 2021-08-10 | 腾讯科技(深圳)有限公司 | 自动驾驶模型的训练方法、评测方法、控制方法及装置 |
CN113343461A (zh) * | 2021-06-07 | 2021-09-03 | 芜湖雄狮汽车科技有限公司 | 自动驾驶车辆的仿真方法、装置、电子设备及存储介质 |
CN113535569A (zh) * | 2021-07-22 | 2021-10-22 | 中国第一汽车股份有限公司 | 自动驾驶的控制效果确定方法 |
CN113561986A (zh) * | 2021-08-18 | 2021-10-29 | 武汉理工大学 | 自动驾驶汽车决策方法及装置 |
CN113687600A (zh) * | 2021-10-21 | 2021-11-23 | 中智行科技有限公司 | 仿真测试方法、装置、电子设备及存储介质 |
WO2021238303A1 (zh) * | 2020-05-29 | 2021-12-02 | 华为技术有限公司 | 运动规划的方法与装置 |
CN113741464A (zh) * | 2021-09-07 | 2021-12-03 | 电子科技大学 | 一种基于时空数据强化学习的自动驾驶速度控制框架 |
-
2021
- 2021-12-24 CN CN202111602240.5A patent/CN114355793B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106066644A (zh) * | 2016-06-17 | 2016-11-02 | 百度在线网络技术(北京)有限公司 | 建立智能车辆控制模型的方法、智能车辆控制方法及装置 |
CN111123735A (zh) * | 2018-10-31 | 2020-05-08 | 百度在线网络技术(北京)有限公司 | 自动驾驶仿真运行方法和装置 |
CN109884916A (zh) * | 2019-02-26 | 2019-06-14 | 初速度(苏州)科技有限公司 | 一种自动驾驶仿真评估方法及装置 |
CN111859597A (zh) * | 2019-04-18 | 2020-10-30 | 北京京东尚科信息技术有限公司 | 一种自动驾驶算法的评估方法和*** |
WO2021238303A1 (zh) * | 2020-05-29 | 2021-12-02 | 华为技术有限公司 | 运动规划的方法与装置 |
CN113343461A (zh) * | 2021-06-07 | 2021-09-03 | 芜湖雄狮汽车科技有限公司 | 自动驾驶车辆的仿真方法、装置、电子设备及存储介质 |
CN113238970A (zh) * | 2021-07-08 | 2021-08-10 | 腾讯科技(深圳)有限公司 | 自动驾驶模型的训练方法、评测方法、控制方法及装置 |
CN113535569A (zh) * | 2021-07-22 | 2021-10-22 | 中国第一汽车股份有限公司 | 自动驾驶的控制效果确定方法 |
CN113561986A (zh) * | 2021-08-18 | 2021-10-29 | 武汉理工大学 | 自动驾驶汽车决策方法及装置 |
CN113741464A (zh) * | 2021-09-07 | 2021-12-03 | 电子科技大学 | 一种基于时空数据强化学习的自动驾驶速度控制框架 |
CN113687600A (zh) * | 2021-10-21 | 2021-11-23 | 中智行科技有限公司 | 仿真测试方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114355793A (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114355793B (zh) | 用于车辆仿真评测的自动驾驶规划模型的训练方法及装置 | |
US11132211B1 (en) | Neural finite state machines | |
JP7366274B2 (ja) | ニューラル・ネットワークのための適応的探索方法および装置 | |
CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
CN111310814A (zh) | 利用不平衡正负样本对业务预测模型训练的方法及装置 | |
CN112001585A (zh) | 多智能体决策方法、装置、电子设备及存储介质 | |
CN106097043A (zh) | 一种信用数据的处理方法及服务器 | |
CN111311030B (zh) | 基于影响因素检测的用户信用风险预测方法及装置 | |
CN110264270B (zh) | 一种行为预测方法、装置、设备和存储介质 | |
CN109345373A (zh) | 核销风险预警方法、装置、电子设备及计算机可读介质 | |
CN111966361A (zh) | 用于确定待部署模型的方法、装置、设备及其存储介质 | |
CN114493376A (zh) | 一种基于工单数据的任务调度管理方法及*** | |
CN112632380A (zh) | 兴趣点推荐模型的训练方法和推荐兴趣点的方法 | |
CN115034379A (zh) | 一种因果关系确定方法及相关设备 | |
CN114924862A (zh) | 利用整数规划求解器实现的任务处理方法、设备和介质 | |
US20230011128A1 (en) | Query generation from event-based pattern matching | |
CN114818913A (zh) | 决策生成方法和装置 | |
CN114091589A (zh) | 模型训练方法、装置、电子设备及介质 | |
CN111510473B (zh) | 访问请求处理方法、装置、电子设备和计算机可读介质 | |
CN111046156A (zh) | 奖励数据的确定方法、装置和服务器 | |
CN116662815A (zh) | 时间预测模型的训练方法以及相关设备 | |
CN113961765B (zh) | 基于神经网络模型的搜索方法、装置、设备和介质 | |
CN114742644A (zh) | 训练多场景风控***、预测业务对象风险的方法和装置 | |
CN114881170A (zh) | 用于对话任务的神经网络的训练方法和对话任务处理方法 | |
CN116531764B (zh) | 游戏数据处理方法、装置、设备及计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |