自动驾驶状态判别方法和装置制造方法及图纸

本发明专利技术实施例提出一种自动驾驶状态判别方法和装置。该方法包括：将自动驾驶仿真结果包括的N维数据输入三元组深度网络；利用三元组深度网络对所述N维数据进行降维处理，输出M维数据；其中N大于M，且M和N为正整数；将所述M维数据输入分类网络；利用所述分类网络对所述M维数据进行判别，输出所述自动驾驶仿真结果对应的驾驶状态。本发明专利技术实施例利用三元组深度网络和分类网络对自动驾驶仿真结果进行判别，能够准确地判别自动驾驶仿真的状态，从而能够反馈调整仿真策略。

Method and device of automatic driving state discrimination

【技术实现步骤摘要】
自动驾驶状态判别方法和装置
本专利技术涉及自动驾驶
，尤其涉及一种自动驾驶状态判别方法和装置。
技术介绍
现有一般基于硬规则判别无人车在仿真场景的运行效果。例如：无人车有没有违反交通规则，有没有压实线，超车有没有保留足够安全距离，加速减速太频繁使得的体感不适等。基于硬规则来评估无人车的驾驶行为，虽然可以对硬边界实现精准的判别，但是无法让无人车有效理解一个全局场景。与人类优秀的驾驶员相比，对场景的理解深度不够，可能导致无人车作出的决策太过笨拙而保守。例如，无人车在路口遇到行人会减速停车，即使行人停下让行，无人车也不会做出正常行驶的决策，而是一直等待行人走过才开始行驶。
技术实现思路
本专利技术实施例提供一种自动驾驶状态判别方法和装置，以解决现有技术中的一个或多个技术问题。第一方面，本专利技术实施例提供了一种自动驾驶状态判别方法，包括：将自动驾驶仿真结果包括的N维数据输入三元组深度网络；利用三元组深度网络对所述N维数据进行降维处理，输出M维数据；其中N大于M，且M和N为正整数；将所述M维数据输入分类网络；利用所述分类网络对所述M维数据进行判别，输出所述自动驾驶仿真结果对应的驾驶状态。在一种实施方式中，所述三元组深度网络是通过如下方式训练的：获取各自动驾驶场景包括的正类数据、负类数据和专家数据；利用正类数据、负类数据和专家数据，训练得到所述三元组深度网络，确定所述三元组深度网络的每一层的权值矩阵，所述三元组深度网络的损失函数为余弦损失函数。在一种实施方式中，所述分类网络是通过如下方式训练的：获取各类别对应的训练样本，所述训练样本中包括类别标签；利用各类别对应的训练样本，训练得到softMax多分类网络，确定所述softMax多分类网络的每一层的权值矩阵，所述softMax多分类网络的损失函数为交叉熵损失函数。在一种实施方式中，利用三元组深度网络对所述N维数据进行降维处理，输出M维数据，包括：利用三元组深度网络的权值矩阵对所述N维数据进行降维处理，输出M维数据。在一种实施方式中，利用所述分类网络对所述M维数据进行判别，输出所述自动驾驶仿真结果对应的驾驶状态，包括：利用所述分类网络的权值矩阵对所述M维数据进行判别，输出所述M维数据的类别标签，根据所述M维数据的类别标签得到所述自动驾驶仿真结果对应的驾驶状态。在一种实施方式中，所述驾驶状态包括变道状态、变速状态、体感状态、超车状态中的至少一项。第二方面，本专利技术实施例提供了一种自动驾驶状态判别装置，包括：第一网络输入模块，用于将自动驾驶仿真结果包括的N维数据输入三元组深度网络；第一网络输出模块，用于利用三元组深度网络对所述N维数据进行降维处理，输出M维数据；其中N大于M，且M和N为正整数；第二网络输入模块，用于将所述M维数据输入分类网络；第二网络输出模块，用于利用所述分类网络对所述M维数据进行判别，输出所述自动驾驶仿真结果对应的驾驶状态。在一种实施方式中，所述三元组深度网络是通过如下模块训练的：第一获取模块，用于获取各自动驾驶场景包括的正类数据、负类数据和专家数据；第一训练模块，用于利用正类数据、负类数据和专家数据，训练得到所述三元组深度网络，确定所述三元组深度网络的每一层的权值矩阵，所述三元组深度网络的损失函数为余弦损失函数。在一种实施方式中，所述分类网络是通过如下模块训练的：第二获取模块，用于获取各类别对应的训练样本，所述训练样本中包括类别标签；第二训练模块，用于利用各类别对应训练样本，训练得到softMax多分类网络，确定所述softMax多分类网络的每一层的权值矩阵，所述softMax多分类网络的损失函数为交叉熵损失函数。在一种实施方式中，所述第一网络输出模块还用于利用三元组深度网络的权值矩阵对所述N维数据进行降维处理，输出M维数据。在一种实施方式中，所述第二网络输出模块还用于利用所述分类网络的权值矩阵对所述M维数据进行判别，输出所述M维数据的类别标签，根据所述M维数据的类别标签得到所述自动驾驶仿真结果对应的驾驶状态。在一种实施方式中，所述驾驶状态包括变道状态、变速状态、体感状态、超车状态中的至少一项。第三方面，本专利技术实施例提供了一种自动驾驶状态判别装置，所述装置的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。在一个可能的设计中，所述装置的结构中包括处理器和存储器，所述存储器用于存储支持所述装置执行上述自动驾驶状态判别方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。所述装置还可以包括通信接口，用于与其他设备或通信网络通信。第四方面，本专利技术实施例提供了一种计算机可读存储介质，用于存储自动驾驶状态判别装置所用的计算机软件指令，其包括用于执行上述自动驾驶状态判别方法所涉及的程序。上述技术方案中的一个技术方案具有如下优点或有益效果：利用三元组深度网络和分类网络对自动驾驶仿真结果进行判别，能够准确地判别自动驾驶仿真的状态，从而能够反馈调整仿真策略。上述技术方案中的另一个技术方案具有如下优点或有益效果：在三元组深度网络训练时，利用真实人类的专家数据进行训练，使得三元组深度网络的输出更加符合人类真实的驾驶习惯，后续分类网络的判别结果也更加接近人类的真实的驾驶习惯。因此，判别结果更准确，有利于反馈调整仿真策略。上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本专利技术进一步的方面、实施方式和特征将会是容易明白的。附图说明在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本专利技术公开的一些实施方式，而不应将其视为是对本专利技术范围的限制。图1示出根据本专利技术实施例的自动驾驶状态判别方法的流程图。图2示出根据本专利技术实施例的自动驾驶状态判别方法的流程图。图3示出根据本专利技术实施例的自动驾驶状态判别方法的流程图。图4示出根据本专利技术实施例的自动驾驶状态判别方法中三元组深度网络的训练过程的示意图。图5示出根据本专利技术实施例的自动驾驶状态判别方法中分类网络的训练过程的示意图。图6示出根据本专利技术实施例的自动驾驶状态判别方法中判别过程的示意图。图7示出根据本专利技术实施例的自动驾驶状态判别装置的结构框图。图8示出根据本专利技术实施例的自动驾驶状态判别装置的结构框图。图9示出根据本专利技术实施例的自动驾驶状态判别装置的结构框图。具体实施方式在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本专利技术的精神或范围的情况下，可通过各种不同方式修改所描述的实施例本文档来自技高网...

【技术保护点】
1.一种自动驾驶状态判别方法，其特征在于，包括：/n将自动驾驶仿真结果包括的N维数据输入三元组深度网络；/n利用三元组深度网络对所述N维数据进行降维处理，输出M维数据；其中N大于M，且M和N为正整数；/n将所述M维数据输入分类网络；/n利用所述分类网络对所述M维数据进行判别，输出所述自动驾驶仿真结果对应的驾驶状态。/n

【技术特征摘要】
1.一种自动驾驶状态判别方法，其特征在于，包括：
将自动驾驶仿真结果包括的N维数据输入三元组深度网络；
利用三元组深度网络对所述N维数据进行降维处理，输出M维数据；其中N大于M，且M和N为正整数；
将所述M维数据输入分类网络；
利用所述分类网络对所述M维数据进行判别，输出所述自动驾驶仿真结果对应的驾驶状态。


2.根据权利要求1所述的方法，其特征在于，所述三元组深度网络是通过如下方式训练的：
获取各自动驾驶场景包括的正类数据、负类数据和专家数据；
利用正类数据、负类数据和专家数据，训练得到所述三元组深度网络，确定所述三元组深度网络的每一层的权值矩阵，所述三元组深度网络的损失函数为余弦损失函数。


3.根据权利要求1所述的方法，其特征在于，所述分类网络是通过如下方式训练的：
获取各类别对应的训练样本，所述训练样本中包括类别标签；
利用各类别对应的训练样本，训练得到softMax多分类网络，确定所述softMax多分类网络的每一层的权值矩阵，所述softMax多分类网络的损失函数为交叉熵损失函数。


4.根据权利要求2所述的方法，其特征在于，利用三元组深度网络对所述N维数据进行降维处理，输出M维数据，包括：
利用三元组深度网络的权值矩阵对所述N维数据进行降维处理，输出M维数据。


5.根据权利要求3所述的方法，其特征在于，利用所述分类网络对所述M维数据进行判别，输出所述自动驾驶仿真结果对应的驾驶状态，包括：
利用所述分类网络的权值矩阵对所述M维数据进行判别，输出所述M维数据的类别标签，根据所述M维数据的类别标签得到所述自动驾驶仿真结果对应的驾驶状态。


6.根据权利要求1至5中任一项所述的方法，其特征在于，所述驾驶状态包括变道状态、变速状态、体感状态、超车状态中的至少一项。


7.一种自动驾驶状态判别装置，其特征在于，包括：
第一网络输入模块，用于将自动驾驶仿真结果包括的N维数据输入三元组深度网络；
第一网络输出模块，用于利用三元组深度网络对所述N维数据进行降维处理，输出M维数据...

【专利技术属性】
技术研发人员：张俊飞，罗盾，王静，毛继明，董芳芳，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京;11