数据处理方法、模型训练及推理方法、自主移动设备及存储介质与流程
本申请实施例涉及自动驾驶,尤其涉及一种数据处理方法、模型训练及推理方法、自主移动设备及存储介质。
背景技术:
1、在自动驾驶领域,可利用环境目标识别模型识别车辆周围的交通信号灯、行人、车辆等环境目标,以用于实现自动驾驶控制。然而,目前的环境目标识别模型的识别精度有待提升。
技术实现思路
1、有鉴于此,本申请实施例提供一种数据处理方法、模型训练及推理方法、自主移动设备及存储介质,以解决上述问题。
2、根据本申请实施例的第一方面,提供了一种数据处理方法,包括:获取第一模型针对第一样本集的第一识别结果;基于所述第一识别结果与第二识别结果的差异,确定第一特征信息,所述第一特征信息与所述第一模型对所述第一样本集的错误识别相关;所述第二识别结果包括第二模型对所述第一样本集的输出结果,所述第二模型的推理准确率高于所述第一模型的推理准确率;基于所述第一特征信息,得到第二样本集,所述第二样本集用于对所述第一模型进行训练。
3、根据本申请实施例的第二方面,提供了一种模型训练方法,包括:获取第二样本集,所述第二样本集通过如第一方面所述的数据处理方法得到;利用所述第二样本集对第一模型进行训练,得到训练后的第一模型;所述训练后的第一模型用于实现自动驾驶场景中对环境目标的识别。
4、根据本申请实施例的第三方面,提供了一种模型推理方法,包括:目标模型获取目标图像,所述目标图像包括车辆所处空间域的环境目标;所述目标模型基于所述目标图像,输出对所述车辆所处空间域的环境目标的识别结果;其中,所述目标模型基于如第二方面所述的模型训练方法得到。
5、根据本申请实施例的第四方面,提供了一种自主移动设备,包括:感知系统,所述感知系统包括多种传感器,用于采集所述自主移动设备所在环境的信息,生成感知数据;驾驶系统,包括转向子系统、加速子系统和减速子系统,以控制所述自主移动设备的驾驶行为;控制系统,所述控制系统与所述感知系统和所述驾驶系统通过通信总线通信连接,所述控制系统用于基于所述感知数据,利用如第三方面所述的模型推理方法,得到对所处空间域的环境目标的识别结果,并根据所处空间域的环境目标的识别结果,向所述驾驶系统发送驾驶操作指令,以通过所述驾驶系统控制所述自主移动设备的驾驶行为;所述模型推理方法所应用的模型基于如第二方面所述的模型训练方法得到;所述模型训练方法所应用的第二样本集基于如第一方面所述的数据处理方法得到。
6、根据本申请实施例的第五方面,提供了一种电子设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如第一方面、第二方面及第三方面所述的方法对应的操作。
7、根据本申请实施例的第六方面,提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面、第二方面及第三方面所述的方法。
8、上述技术方案中,可基于第一模型与第二模型的识别结果的差异,直接得到第一模型错误识别的样本,相比于人工抽检或简单规则筛选的方式,效率更高,可靠性更强,有利于从大规模样本中高效地筛选出错误识别的样本。
9、进一步的,上述技术方案中,在得到错误识别的样本之后,并非直接利用错误识别的样本对第一模型重新进行增强训练,而是基于错误识别的样本确定出导致样本被错误识别的特征信息,该特征信息是导致样本被错误识别的共性特征,也是第一模型识别能力较为薄弱的特征。那么,通过从样本库中进一步检索与该特征信息匹配的样本,用于对第一模型进行定向训练,可针对性提升第一模型对具有特定特征的样本的识别能力。
1.一种数据处理方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,基于所述第一识别结果与第二识别结果的差异,确定第一特征信息,包括:
3.根据权利要求2所述的方法,其特征在于,所述根据所述目标样本集,确定第一特征信息,包括:
4.根据权利要求3所述的方法,其特征在于,所述标签信息包括一个或多个类型的特征信息;所述标签信息基于模型推理方式得到,或者,所述标签信息基于预先标注得到。
5.根据权利要求3所述的方法,其特征在于,根据所述目标样本集的标签信息,确定第一特征信息,包括:
6.根据权利要求1所述的方法,其特征在于,基于所述第一特征信息,得到第二样本集,包括:
7.一种模型训练方法,其特征在于,包括:
8.一种模型推理方法,其特征在于,包括:
9.一种自主移动设备,包括:
10.一种电子设备,其特征在于,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
11.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有至少一条程序代码,所述程序代码由处理器加载并执行以实现如权利要求1至8中任一项所述的方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com