[发明专利]驾驶环境模型的训练方法及驾驶环境信息的预测方法

说明书

本申请涉及一种驾驶环境模型的训练方法及装置、驾驶环境信息的预测方法及装置、计算机设备、存储介质和计算机程序产品。所述方法包括：构建初始环境模型，初始环境模型包含多个单体模型；获取各单体模型对应的训练样本集，并通过各训练样本集训练对应的单体模型，得到训练后的环境模型；将测试样本输入至训练后的环境模型，得到各训练后的单体模型对应的下一时刻的驾驶环境预测信息；测试样本包含当前时刻的驾驶环境样本信息和当前决策动作样本信息；计算各下一时刻的驾驶环境预测信息的差异度，并在差异度小于预设阈值的情况下，将训练后的环境模型确定为驾驶环境模型。采用本方法能够节约训练驾驶环境模型的过程中真实驾驶数据的使用量。

技术领域

本申请涉及智能车辆技术领域，特别是涉及一种驾驶环境模型的训练方法及装置、驾驶环境信息的预测方法及装置、计算机设备、存储介质和计算机程序产品。

背景技术

随着人工智能技术在智能交通和车辆领域的应用，智能车辆逐渐进入人们的视野。一般来说，智能车辆的自动驾驶软件系统可以分为感知、定位、决策和控制四个模块。其中，决策模块相当于智能车辆的大脑，对于实现高级别自动驾驶乃至无人驾驶起到至关重要的作用。

由于在真实环境中对决策算法进行测试和训练的成本较高，因此，一般会结合在虚拟环境中利用驾驶环境模型进行测试和训练。驾驶环境模型可以根据当前时刻的驾驶环境信息(如目标车辆自身的驾驶状态信息、驾驶环境中其他车辆、行人、红绿灯、路况等信息)、以及目标车辆的当前决策动作信息(如变道、刹车、转弯等)，预测出目标车辆执行当前决策动作后的驾驶环境信息(也即得到下一时刻的驾驶环境预测信息)，以便根据该预测信息生成下一时刻的模拟环境，或者可以直接根据该预测信息得出是否发生碰撞等事故，以测试目标车辆的决策算法是否安全可靠。

由于驾驶环境模型的预测结果直接影响决策算法的测试和训练效果，故驾驶环境模型的预测准确度非常重要。相关技术中，为了保障驾驶环境模型的预测准确度，在驾驶环境模型的训练过程中需要使用大量真实的驾驶数据，然而真实的驾驶数据获取难度较大、且获取成本较高，特别是危险驾驶、极端驾驶等场景的真实驾驶数据难以获取。亟需一种能节约真实驾驶数据使用量的驾驶环境模型的训练方法。

发明内容

基于此，有必要针对上述技术问题，提供一种能够节约真实驾驶数据使用量的驾驶环境模型的训练方法及装置、驾驶环境信息的预测方法及装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种驾驶环境模型的训练方法。所述方法包括：

构建初始环境模型，所述初始环境模型包含多个并行的、结构相同的单体模型，各所述单体模型的初始参数不同；

获取各所述单体模型对应的训练样本集，并通过各所述训练样本集训练对应的单体模型，得到训练后的环境模型；所述训练样本集中每个训练样本包含当前时刻的驾驶环境样本信息、当前决策动作样本信息、以及下一时刻的驾驶环境样本信息；

将测试样本输入至所述训练后的环境模型，得到各训练后的单体模型对应的下一时刻的驾驶环境预测信息；所述测试样本包含当前时刻的驾驶环境样本信息和当前决策动作样本信息；

计算各所述下一时刻的驾驶环境预测信息的差异度，并在所述差异度小于预设阈值的情况下，将所述训练后的环境模型确定为驾驶环境模型。

在其中一个实施例中，所述获取各所述单体模型对应的训练样本集，包括：

获取初始训练样本集；

针对每个所述单体模型，对所述初始训练样本集进行有放回的随机采样，将采样得到的预设数量的训练样本组成的集合确定为所述单体模型对应的训练样本集。

在其中一个实施例中，所述计算各所述下一时刻的驾驶环境预测信息的差异度，包括：

根据各所述下一时刻的驾驶环境预测信息计算方差，将得到的方差值确定为差异度。