[发明专利]基于迭代搜索优化哈希算法的自动驾驶系统域自适应方法

说明书

本发明属于自动驾驶技术领域，公开了一种基于迭代搜索优化哈希算法的自动驾驶系统域自适应方法，获取目标图像，对获取的图像提取特征，利用深度学习目标函数创建哈希码；将数据集进行n次迭代以得到最终的哈希码标签；将所生成的哈希码标签带入ILS迭代局部搜索来强化精度，进而得到最终的检测结果。本发明采用深度学习更注重行人细节的检测，准确率更高，提高了可行性；采取预局部迭代搜索的方法提高了容错率，更好的完成了鲁棒性及容错率与可行性两方面的需求。

技术领域

本发明属于自动驾驶技术领域，尤其涉及一种基于迭代搜索优化哈希算法的自动驾驶系统域自适应方法。

背景技术

目前，业内常用的现有技术是这样的：

在现今自动驾驶技术领域，为了达到使车辆可以自主判断实时的路况信息，需要提前使自动驾驶系统对于路况信息集进行自主学习，以减少其在陌生路段出现危险的风险。“域自适应”则是今年自动驾驶算法的热点技术。

在：“域自适应”的技术领域存在以下两个主要的任务领域：

1)域适应的可能性。简单来说，就是满足哪些条件才有可能实现域自适应学习。这对模型的学习能力、源域和目标域的相关性(比如硅谷和重庆的路面差异)、算法的误差界分析(源域和目标域必须同时满足最小近似误差)、学习任务的先验知识等，这四个问题的妥善解决，才能有效帮助机器进行域自适应学习。

2)鲁棒性。在域自适应学习中，训练样本和测试样本之间的分布不一致，因此导致源域上训练的模型往往不适用于目标域的学习。而域自适应学习的鲁棒性则能够度量算法对训练样本改变的敏感程度，从而克服目标域泛化误差界的“扰动”。

不同的算法采取不同的方式以力求完成以上两个任务，但是经过多次试验，仍然存在以下问题：

一是多种源域数据本身之间具有偏差，比如伯克利的数据集BDD100K覆盖了不同的时间、光照、天气和地理位置，甚至包含了GPS和IMU以及对应的时间戳信息；

二是多种源域数据间类别存在偏差。比如滴滴D2-City数据集中，将注释了包围框和跟踪ID的道路对象分为12个不同的类别，而伯克利的数据集BDD100K中的GT框标签则只有10个类别。

可以总结得出结论，由于数据源自身的复杂性以及源与源差异巨大，导致现今自动驾驶的“域自适应”技术很难普遍的达成算法可能性与鲁棒性两种需求。

现有自适应域技术的具体方法包括：

(1)基于中间检测的方法：

这种方法需要通过计算机视觉中的检测方法检测与驾驶相关的各种目标，包括标志线，交通标志，信号灯，其他车辆，行人等等。将这些目标检测出来之后，通过一种方法将其合并到最终的决策，对于“域自适应”得出统一的结果。

这种方法的缺点在于，为了进行自动驾驶，算法必须将所有的信息考虑在内。而由于现有测试集的复杂多样，图片或视频集大部分信息都是无用信息，即对无人车的驾驶没有帮助，考虑全部的信息显然会增加算法的复杂程度。并且由于需得出统一决策，很难使的达成的结果适用于每一种差别巨大的数据集。

(2)直接映射方法：

这种方法的输入时当前无人车视场中的图像，输出是当前的转向角度，中间使用一个ConvNet进行学习。这种方法相对操作简单。

这种方法的缺陷是其对无人车驾驶场景的抽象能力极为有限，在面对复杂的驾驶情况时难以做出决策，而现今测试数据集又有着纷繁复杂的特点。

不同的驾驶人在面对相同情况时可能做出不同的决策。因此，训练数据中很可能会存在冲突的现象发生，使得这一学习过程称为了一个病态问题。例如：当前方出现车辆时，有的人会选择超车，有的人会选择跟车。