本說明書公開了一種模型訓(xùn)練以及確定無人車運(yùn)動策略方法及裝置，通過在歷史上采集到的各連續(xù)幀圖像中確定若干組連續(xù)兩幀圖像作為各訓(xùn)練樣本，并針對每個訓(xùn)練樣本，確定第二圖像的包圍框作為標(biāo)注，然后通過預(yù)處理模型，確定預(yù)處理結(jié)果，進(jìn)而通過檢測模型，確定該訓(xùn)練樣本的第一圖像的預(yù)測結(jié)果以及后處理結(jié)果，通過分類層確定檢測結(jié)果，并以檢測結(jié)果和標(biāo)注之間差異最小為優(yōu)化目標(biāo)，對該待訓(xùn)練的檢測模型的進(jìn)行訓(xùn)練。本方法通過對各訓(xùn)練樣本中的第一圖像的各障礙物實(shí)例進(jìn)行預(yù)測，進(jìn)而更新第二圖像的各障礙物實(shí)例的至少部分待選包圍框，最后通過分類層確定第二圖像的各障礙物實(shí)例的包圍框，作為檢測結(jié)果，不需要人工調(diào)整參數(shù)，準(zhǔn)確率較高。

技術(shù)領(lǐng)域

本說明書涉及無人駕駛技術(shù)領(lǐng)域，尤其涉及一種模型訓(xùn)練以及確定無人車運(yùn)動策略方法及裝置。

背景技術(shù)

目前，為了保證無人車的行駛安全，在無人車的行駛過程中，通常會檢測無人車周圍的障礙物實(shí)例，并根據(jù)該無人車周圍的障礙物實(shí)例的位置，確定無人車的運(yùn)動策略以避障。

一般的，無人車上可設(shè)置有采集圖像的傳感器，在需要確定運(yùn)動策略時，首先可將最近一段時間各時刻采集的圖像進(jìn)行圖像檢測，并將各時刻的檢測結(jié)果進(jìn)行關(guān)聯(lián)，以實(shí)現(xiàn)對各圖像中的障礙物實(shí)例的檢測與追蹤，基于各時刻的檢測結(jié)果以及各圖像中相同障礙物實(shí)例的關(guān)聯(lián)關(guān)系，后續(xù)可確定該無人車的運(yùn)動策略。

現(xiàn)有技術(shù)中，常見的對各圖像中的障礙物實(shí)例進(jìn)行檢測與追蹤的方法是基于卡爾曼濾波算法和匈牙利匹配算法構(gòu)建的模型實(shí)現(xiàn)的。

具體的，首先將當(dāng)前圖像進(jìn)行圖像檢測，得到當(dāng)前圖像的檢測結(jié)果，之后將該檢測結(jié)果輸入到基于卡爾曼濾波算法和匈牙利匹配算法構(gòu)建的模型中，預(yù)測當(dāng)前圖像的下一幀圖像的檢測結(jié)果。并將當(dāng)前圖像的下一幀圖像進(jìn)行圖像檢測得到的下一幀圖像的檢測結(jié)果，與根據(jù)當(dāng)前圖像預(yù)測出的檢測結(jié)果進(jìn)行相似度匹配，確定各圖像中相同障礙物實(shí)例的關(guān)聯(lián)關(guān)系，后續(xù)則可基于該關(guān)聯(lián)關(guān)系與檢測結(jié)果確定無人車的運(yùn)動策略。

但是，現(xiàn)有技術(shù)在實(shí)現(xiàn)對障礙物實(shí)例的檢測與追蹤的過程中，對于卡爾曼濾波算法的參數(shù)的調(diào)整，以及在相似度匹配時特征的選擇，需要根據(jù)人為經(jīng)驗(yàn)進(jìn)行設(shè)置，導(dǎo)致準(zhǔn)確率較低。

發(fā)明內(nèi)容

本說明書提供一種模型訓(xùn)練以及確定無人車運(yùn)動策略方法及裝置，以部分的解決現(xiàn)有技術(shù)存在的上述問題。

本說明書采用下述技術(shù)方案：

本說明書提供了一種檢測模型的訓(xùn)練方法，包括：

根據(jù)歷史上采集到的各連續(xù)幀圖像，確定若干組連續(xù)兩幀圖像，將每組圖像，作為訓(xùn)練樣本，所述訓(xùn)練樣本中的前一幀作為第一圖像，后一幀作為第二圖像；

針對每個訓(xùn)練樣本，將該訓(xùn)練樣本包含的第二圖像中，預(yù)先標(biāo)注的各障礙物實(shí)例的包圍框，作為該訓(xùn)練樣本的標(biāo)注；

將該訓(xùn)練樣本輸入訓(xùn)練完成的預(yù)處理模型，通過所述預(yù)處理模型，確定所述第一圖像中各障礙物實(shí)例的包圍框，以及確定所述第二圖像中的各障礙物實(shí)例的各待選包圍框，作為預(yù)處理結(jié)果；

將該訓(xùn)練樣本的預(yù)處理結(jié)果，輸入待訓(xùn)練的檢測模型，確定所述第一圖像中各障礙物實(shí)例的包圍框的預(yù)測結(jié)果，并根據(jù)所述預(yù)測結(jié)果，更新所述第二圖像中的各障礙物實(shí)例的至少部分待選包圍框，作為后處理結(jié)果；

將該訓(xùn)練樣本的后處理結(jié)果，輸入所述預(yù)處理模型的分類層，得到該訓(xùn)練樣本包含的第二圖像中各障礙物實(shí)例的包圍框，作為檢測結(jié)果；

以該訓(xùn)練樣本的檢測結(jié)果以及該訓(xùn)練樣本的標(biāo)注之間差異最小為優(yōu)化目標(biāo)，調(diào)整所述待訓(xùn)練的檢測模型的模型參數(shù)，所述預(yù)處理模型以及所述檢測模型用于在確定無人車運(yùn)動策略時，確定所述無人車環(huán)境圖像中的各障礙物實(shí)例。

可選地，所述預(yù)處理模型包括卷積層和分類層；