距离检测模型的训练方法、距离检测方法、设备和介质与流程

1.本技术涉及自动驾驶的感知技术领域，特别是涉及距离检测模型的训练方法、距离检测方法、设备和介质。


背景技术：

2.自动驾驶系统的核心可以概述为感知、规划和控制三个部分。感知是指自动驾驶系统从环境中采集信息并从中提取相关知识的能力，其中，环境感知特指对于环境的场景理解能力，例如，检测障碍物与自动驾驶车辆之间的距离。
3.目前自动驾驶系统对激光雷达、相机和毫米波雷达等多种传感器采集的数据进行融合，直接输出障碍物与自动驾驶车辆之间的距离。通过该方法输出的距离可能会存在偶然的误差，导致自动驾驶系统对距离检测的置信度较低。


技术实现要素：

4.基于此，提供距离检测模型的训练方法、距离检测方法、设备和介质，提高自动驾驶系统对距离检测的置信度。
5.第一方面，提供一种距离检测模型的训练方法，所述方法包括：
6.获取距离检测区间并进行分段，得到至少两个子区间；
7.获取样本数据以及各个所述子区间的中心点，其中，所述样本数据包括当前车辆与障碍物之间的真实距离和至少一个预测距离；
8.根据所述真实距离与各个所述中心点，得到对应的真实偏移量；
9.根据各个所述预测距离与各个所述中心点，得到对应的预测偏移量；
10.根据检测损失对距离检测模型进行迭代训练，以获得训练后的距离检测模型，其中，所述检测损失包括偏移量损失，所述偏移量损失根据各个所述真实偏移量和所述预测偏移量获得。
11.结合第一方面，在第一方面的第一种可实施方式中，所述检测损失还包括概率损失，其中，所述概率损失获取方式包括：
12.获取所述真实距离分别位于各个所述子区间的真实概率；
13.获取所述预测距离分别位于各个所述子区间的预测概率；
14.根据各个所述真实概率与预测概率，获得概率损失。
15.结合第一方面，在第一方面的第二种可实施方式中，所述预测距离的获取方式包括：
16.获取当前车辆与障碍物之间的至少一个待处理距离，对各个所述待处理距离进行偏移补偿，得到对应的预测距离；
17.对各个所述预测距离进行评估，得到对应的距离置信度；
18.将各个所述距离置信度进行对比，得到最大距离置信度，并将所述最大距离置信度对应的预测距离进行输出。
19.结合第一方面，在第一方面的第三种可实施方式中，所述对各个所述待处理距离进行偏移补偿，得到对应的预测距离的步骤，包括：
20.获取所述待处理距离分别位于各个所述子区间内的检测概率；
21.根据所述待处理距离和各个所述子区间的中心点，得到对应的检测偏移量；
22.对各个所述检测概率、中心点和检测偏移量进行归一化处理，得到所述待处理距离在所述距离检测区间的概率分布；
23.对所述概率分布进行加权计算，得到所述概率分布的数学期望以及包括所述数学期望的预测距离。
24.结合第一方面，在第一方面的第四种可实施方式中，所述对各个所述预测距离进行评估，得到对应的距离置信度的步骤，包括：
25.对所述概率分布进行加权计算，得到所述概率分布的距离方差；
26.根据所述距离方差，得到所述距离置信度，其中，所述距离方差与所述距离置信度成反比。
27.结合第一方面，在第一方面的第五种可实施方式中，所述获取距离检测区间并进行分段，得到至少两个子区间的步骤，包括：
28.对所述距离检测区间进行线性增长离散化，得到至少一个距离段；
29.获取各个所述距离段的最大检测距离，其中，获取各个所述距离段的最大检测距离的数学表达为：
[0030][0031]
其中，d
min
为预设的最小检测距离阈值，d
max
为预设的最大检测距离阈值，d为所述距离段的总数，i为所述距离段的序号，dc为第i个距离段的最大检测距离；
[0032]
根据第i-1个距离段和第i个距离段的最大检测距离，得到第i个子区间。
[0033]
结合第一方面，在第一方面的第六种可实施方式中，所述根据检测损失对所述距离检测模型进行迭代训练的步骤中，采用的损失函数包括：
[0034][0035]
其中，yi为所述真实距离在第i个子区间与对应中心点的真实偏移量，为所述预测距离在第i个子区间与对应中心点的预测偏移量，l1为在第i个子区间对应的所述偏移量损失。
[0036]
结合第一方面，在第一方面的第七种可实施方式中，所述根据检测损失对所述距离检测模型进行迭代训练的步骤中，采用的损失函数包括：
[0037][0038]
其中，d为所述子区间的总数，i为所述子区间的序号，pi为所述真实距离位于第i
个子区间的真实概率，为所述预处理距离位于第i个子区间的预测概率，l2为所述概率损失。
[0039]
结合第一方面，在第一方面的第八种可实施方式中，所述对所述概率分布进行加权计算，得到所述概率分布的数学期望的数学表达为：
[0040][0041]
其中，d为所述子区间的总数，i为所述子区间的序号，为所述预处理距离位于第i个子区间的检测概率，d
max
为预设的最大检测距离阈值，d
min
为预设的最小检测距离阈值，为所述预处理距离在第i个子区间与对应中心点的检测偏移量，为所述概率分布的数学期望。
[0042]
结合第一方面，在第一方面的第九种可实施方式中，所述对所述概率分布进行加权计算，得到所述概率分布的距离方差的数学表达为：
[0043][0044]
其中，d为所述子区间的总数，i为所述子区间的序号，为所述预处理距离位于第i个子区间的检测概率，d
max
为预设的最大检测距离阈值，d
min
为预设的最小检测距离阈值，为所述预处理距离在第i个子区间与对应中心点的检测偏移量，为所述概率分布的数学期望，为所述概率分布的距离方差。
[0045]
第二方面，提供一种距离检测方法，所述方法包括：
[0046]
获取当前车辆与障碍物之间的至少一个待检测距离；
[0047]
将各个所述待检测距离输入根据第一方面或者第一方面的任一项可实施方式所述的距离检测模型的训练方法所获得的距离检测模型中，得到所述当前车辆与障碍物之间的检测距离。
[0048]
结合第二方面，在第二方面的第一种可实施方式中，将各个所述待检测距离输入根据第一方面或者第一方面的任一项可实施方式所述的距离检测模型的训练方法所获得的距离检测模型中，得到最高置信度以及所述最高置信度对应的当前车辆与障碍物之间的检测距离。
[0049]
结合第二方面，在第二方面的第二种可实施方式中，所述当前车辆与障碍物之间的至少一个待检测距离的步骤，包括：
[0050]
获取包括当前车辆与障碍物的激光点云图像，并对所述激光点云图像中的当前车辆和障碍物进行标注，得到第一标注图像；
[0051]
获取包括当前车辆与障碍物的相机图像，并对所述相机图像中的当前车辆和障碍物进行标注，得到第二标注图像；
[0052]
将所述第一标注图像和所述第二标注图像进行至少一次匹配，得到对应的所述当前车辆与障碍物之间的待检测距离。
[0053]
第三方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处
理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面或者第一方面的任一项可实施方式所述的距离检测模型的训练方法，或者，实现如第二方面或者第二方面的任一项可实施方式所述的距离检测方法的步骤。
[0054]
第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或者第一方面的任一项可实施方式所述的距离检测模型的训练方法，或者，实现如第二方面或者第二方面的任一项可实施方式所述的距离检测方法的步骤。
[0055]
上述距离检测模型的训练方法、距离检测方法、设备和介质，对获取到的距离检测区间进行分段，得到至少一个子区间；获取各个所述子区间的中心点，并根据当前车辆与障碍物之间的真实距离和各个所述中心点，得到对应的真实偏移量；根据当前车辆与障碍物之间的至少一个预测距离和各个所述中心点，得到对应的预测偏移量；根据包括偏移量损失的检测损失对距离检测模型进行迭代训练，以获得训练后的距离检测模型，其中，所述偏移量损失根据各个所述真实偏移量和所述预测偏移量获得；在应用训练后的距离检测模型时，距离检测模型将距离检测区间进行细分得到至少两个子区间；对所述待检测距离所属的子区间进行预测，以及计算所述待检测距离与各个子区间的中心点的偏移量；并将所述待检测距离与各个中心点的偏移量进行回归和耦合，得到检测距离，有效避免多个传感器融合得到的待检测距离出现偶然误差，从而提高了对距离检测的置信度，以及改善了自动驾驶车辆在路径规划以及决策控制方面存在不及时、不精确等现象。
附图说明
[0056]
图1为一个实施例中距离检测模型的训练方法的流程示意图；
[0057]
图2为另一个实施例中距离检测模型的训练方法的流程示意图；
[0058]
图3为一个实施例中距离检测方法的流程示意图；
[0059]
图4为另一个实施例中距离检测方法的流程示意图；
[0060]
图5为一个实施例中距离检测模型的训练方法应用的系统架构图；
[0061]
图6为一个实施例中距离检测模型的神经网络架构图；
[0062]
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
[0063]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0064]
需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
[0065]
本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产
生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
[0066]
本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”、“纵向”、“横向”、“水平”、“内”、“外”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，亦仅为了便于简化叙述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0067]
目前自动驾驶车辆在检测障碍物与自身的距离时，可采用雷达和相机等多种传感器，并将采集的数据进行融合处理后输出距离，然而这种检测方式输出的距离存在偶然误差，例如，一些输出结果与真实距离的误差较小，一些输出结果与真实距离的误差较大，导致自动驾驶车辆在路径规划以及决策控制方面存在不及时、不精确等现象。因此现有技术对距离检测的置信度有待提高。
[0068]
为此，本技术提出一种距离检测模型的训练方法、距离检测方法、设备和介质，所述训练方法包括：对获取到的距离检测区间进行分段处理，得到至少一个子区间，并获取各个所述子区间的中心点；获取样本数据，其中，所述样本数据包括当前车辆与障碍物之间的真实距离和距离检测模型输出的至少一个预测距离；根据所述真实距离和各个所述中心点，得到对应的真实偏移量，根据所述预测距离和各个所述中心点，得到对应的预测偏移量；根据检测损失对距离检测模型进行迭代训练，以获得训练后的距离检测模型，其中，所述检测损失包括偏移量损失，所述偏移量损失根据各个所述真实偏移量和所述预测偏移量获得。
[0069]
通过获得真实偏移量和预测偏移量之间的偏移量损失，其中，所述偏移量损失的值越大，则距离检测模型输出的预测距离与当前车辆与障碍物之间的真实距离差异越大；通过更新所述距离检测模型中每一层神经网络的权重向量，对距离检测模型的偏移补偿能力进行迭代训练，从而减小所述偏移量损失，以获得训练后的距离检测模型。通过上述训练方式得到距离检测模型，将待检测距离输入至所述距离检测模型中，所述距离检测模型将距离检测区间进行细分得到至少两个子区间；对所述待检测距离所属的子区间进行预测，以及计算所述待检测距离与各个子区间的中心点的偏移量；并将所述待检测距离与各个中心点的偏移量进行回归和耦合，得到检测距离，有效避免多个传感器融合得到的待检测距离出现偶然误差，从而提高了对距离检测的置信度，以及改善了自动驾驶车辆在路径规划以及决策控制方面存在不及时、不精确等现象。
[0070]
在一个实施例中，如图1所示，提供了一种距离检测模型的训练方法，包括以下步骤：
[0071]
s101：获取距离检测区间并进行分段，得到至少两个子区间。
[0072]
所述距离检测区间用于指示当前车辆对周围环境进行检测时达到的检测范围，其中，检测范围根据预设的最大检测距离阈值和最小检测距离阈值进行确定，示例性的说明，预设所述最大检测距离阈值为500米，所述最小检测距离阈值为2米，则所述距离检测区间为[2，500]米。将所述距离检测区间进行分段，可以得到至少两个子区间，示例性的说明，可以将数值为[2，500]米的距离检测区间分为200个子区间。
[0073]
s102：获取样本数据以及各个所述子区间的中心点，其中，所述样本数据包括当前车辆与障碍物之间的真实距离和至少一个预测距离。
[0074]
需要说明的是，通过获取所述子区间的两个端点，再计算两个端点的平均值，可以得到所述子区间的中心点，示例性的说明，假设其中一个所述子区间为[124.64,127.12]米，则该子区间的中心点为：米，则该子区间的中心点为：所述预测距离是根据所述距离检测模型对当前车辆与障碍物之间的待处理距离进行预测得到的，其中，所述待处理距离的获得方式可以有多种。示例性的说明，分别获取包括当前车辆与障碍物的激光点云图像和相机图像，并分别对激光点云图像和相机图像进行标注，从而获得标注后的激光点云图像和标注后的相机图像，再将标注后的激光点云图像和标注后的相机图像进行匹配，得到待处理距离。为了提高精确度，可以增加匹配的次数，从而得到至少一个待处理距离，将各个所述待处理数据输入至所述距离检测模型中，可以得到对应的预测距离。获取所述待处理距离的过程可以在所述距离检测模型中的一个分支中完成，也可以在另一个模型中完成，再输入到本技术的距离检测模型中，本技术对此不做限定。
[0075]
s103：根据所述真实距离与各个所述中心点，得到对应的真实偏移量；
[0076]
s104：根据各个所述预测距离与各个所述中心点，得到对应的预测偏移量；
[0077]
s105：根据检测损失对距离检测模型进行迭代训练，以获得训练后的距离检测模型，其中，所述检测损失包括偏移量损失，所述偏移量损失根据各个所述真实偏移量和所述预测偏移量获得。
[0078]
通过获得真实偏移量和预测偏移量之间的偏移量损失，其中，所述偏移量损失的值越大，则距离检测模型输出的预测距离与当前车辆与障碍物之间的真实距离的差异越大；通过更新所述距离检测模型中每一层神经网络的权重向量，对距离检测模型的偏移补偿能力进行迭代训练，从而逐步减小所述偏移量损失，以获得训练后的距离检测模型。
[0079]
通过上述训练方式得到距离检测模型，将待检测距离输入至所述距离检测模型中，所述距离检测模型将距离检测区间进行细分得到至少两个子区间；对所述待检测距离所属的子区间进行预测，以及计算所述待检测距离与各个子区间的中心点的偏移量；并将所述待检测距离与各个中心点的偏移量进行回归和耦合，得到检测距离，有效避免多个传感器融合得到的待检测距离出现偶然误差，从而提高了对距离检测的置信度，以及改善了自动驾驶车辆在路径规划以及决策控制方面存在不及时、不精确等现象。
[0080]
作为上述实施例的一种具体实现方式，所述根据检测损失对所述距离检测模型进行迭代训练的步骤中，采用的损失函数包括：
[0081][0082]
其中，yi为所述真实距离在第i个子区间与对应中心点的真实偏移量，为所述预测距离在第i个子区间与对应中心点的预测偏移量，l1为在第i个子区间对应的所述偏移量损失。
[0083]
在一个实施例中，如图2所示，所述检测损失还包括概率损失，其中，所述概率损失的获取方式包括：
[0084]
s201：获取所述真实距离分别位于各个所述子区间的真实概率；
[0085]
s202：获取所述预测距离分别位于各个所述子区间的预测概率；
[0086]
s203：根据各个所述真实概率与预测概率，获得概率损失。
[0087]
需要说明的是，在本实施例中，采用one-hot的编码方式，得到所述真实距离分别位于各个所述子区间的真实概率，其中，one-hot编码又称为一位有效编码，主要是采用n位状态寄存器来对n个状态进行编码，每个状态都有独立的寄存器位，并且在任意时候只有一位有效，除了有效位被标记为1，其他位都被标记为0。在本实施例中，所述真实距离位于对应子区间的真实概率为1，位于其他子区间的真实概率为0。
[0088]
在本实施例中，同时对所述距离检测模型的偏移补偿能力和概率预测能力进行迭代训练，以获得训练后的距离检测模型。通过获得真实偏移量和预测偏移量之间的偏移量损失，其中，所述偏移量损失的值越大，则距离检测模型输出的预测距离与当前车辆与障碍物之间的真实距离的差异越大；通过不断更新所述距离检测模型中每一层神经网络的权重向量，对距离检测模型的偏移补偿能力进行迭代训练，从而减小所述偏移量损失。通过获得所述真实概率和所述预测概率之间的概率损失，其中，所述概率损失的值越大，则距离检测模型对预测概率位于所属子区间的预测概率，与所述真实概率的差异越大；通过不断更新所述距离检测模型中每一层神经网络的权重向量，对距离检测模型的概率预测能力进行迭代训练，从而减小所述概率损失，提高对预测距离的概率检测精度。例如，在训练的过程中，可以设置合理的训练次数和学习率，通过迭代训练更新距离检测模型中的神经网络节点的权值及其他参数，并通过准确率、召回率或者f1值来衡量距离检测模型的性能，得到优化的距离检测模型。
[0089]
通过上述训练方式得到距离检测模型，将待检测距离输入至所述距离检测模型中，所述距离检测模型对各个所述待检测距离进行偏移补偿，得到对应的检测距离；对各个检测距离进行概率检测，并将检测后得到的概率进行比较，获得最高概率以及最高概率对应的检测距离；在本实施例中，距离检测模型通过获取所述检测距离位于各个子区间的概率，并进行比较，从而输出概率值最高的检测距离，使得检测距离更加接近当前车辆与障碍物之间的真实距离，进一步提高了对距离检测的置信度，使得所述检测距离更具可信度，改善了自动驾驶车辆在路径规划以及决策控制方面存在不及时、不精确等现象。
[0090]
作为上述实施例的一种具体实现方式，所述根据检测损失对所述距离检测模型进行迭代训练的步骤中，采用的损失函数包括：
[0091][0092]
其中，d为所述子区间的总数，i为所述子区间的序号，pi为所述真实距离位于第i个子区间的真实概率，为所述预处理距离位于第i个子区间的预测概率，l2为所述概率损失。
[0093]
在一个实施例中，所述预测距离的获取方式包括：
[0094]
获取当前车辆与障碍物之间的至少一个待处理距离，对各个所述待处理距离进行偏移补偿，得到对应的预测距离；
[0095]
对各个所述预测距离进行评估，得到对应的距离置信度；
[0096]
将各个所述距离置信度进行对比，得到最大距离置信度，并将所述最大距离置信
度对应的预测距离进行输出。
[0097]
所述距离检测模型通过上述步骤对各个待处理距离进行偏移补偿和置信度计算及对比，从而输出一个置信度最高的预测距离；再将所述真实距离和所述预测距离作为样本数据输入至距离检测模型中进行偏移补偿能力和概率检测能力的训练，使得训练后的距离检测模型在应用时，对待检测距离进行偏移补偿和概率检测后，输出一个置信度最高的检测距离，所述检测距离更接近当前车辆和障碍物之间的真实距离，提高了对距离检测的精度以及置信度。
[0098]
作为上述实施例的一种具体实现方式，所述对各个所述待处理距离进行偏移补偿，得到对应的预测距离的步骤，包括：
[0099]
获取所述待处理距离分别位于各个所述子区间内的检测概率；
[0100]
根据所述待处理距离和各个所述子区间的中心点，得到对应的检测偏移量；
[0101]
对各个所述检测概率、中心点和检测偏移量进行归一化处理，得到所述待处理距离在所述距离检测区间的概率分布；
[0102]
对所述概率分布进行加权计算，得到所述概率分布的数学期望以及包括所述数学期望的预测距离。
[0103]
在本实施例中，可以通过softmax函数执行归一化处理的步骤，进一步的，计算所述概率分布的数学期望的数学表达为：
[0104][0105]
其中，d为所述子区间的总数，i为所述子区间的序号，为所述预处理距离位于第i个子区间的检测概率，d
max
为预设的最大检测距离阈值，d
min
为预设的最小检测距离阈值，为所述预处理距离在第i个子区间与对应中心点的检测偏移量，为所述概率分布的数学期望。
[0106]
作为上述实施例的一种具体实现方式，所述对各个所述预测距离进行评估，得到对应的距离置信度的步骤，包括：
[0107]
对所述概率分布进行加权计算，得到所述概率分布的距离方差；
[0108]
根据所述距离方差，得到所述距离置信度，其中，所述距离方差与所述距离置信度成反比。
[0109]
进一步的，计算所述概率分布的距离方差的数学表达为：
[0110][0111]
其中，d为所述子区间的总数，i为所述子区间的序号，为所述预处理距离位于第i个子区间的检测概率，d
max
为预设的最大检测距离阈值，d
min
为预设的最小检测距离阈值，为所述预处理距离在第i个子区间与对应中心点的检测偏移量，为所述概率分布的数学期望，为所述概率分布的距离方差。
[0112]
作为上述实施例的一种具体实现方式，所述获取距离检测区间并进行分段，得到至少两个子区间的步骤，包括：
[0113]
对所述距离检测区间进行线性增长离散化，得到至少一个距离段；
[0114]
获取各个所述距离段的最大检测距离，其中，获取各个所述距离段的最大检测距离的数学表达为：
[0115][0116]
其中，d
min
为预设的最小检测距离阈值，d
max
为预设的最大检测距离阈值，d为所述距离段的总数，i为所述距离段的序号，dc为第i个距离段的最大检测距离；
[0117]
根据第i-1个距离段和第i个距离段的最大检测距离，得到第i个子区间。
[0118]
需要说明的是，随着距离段的序号增加，每个距离段的检测范围逐步增加，通过上述数学表达得到各个距离段的最大检测距离，相邻的两个最大检测距离形成一个子区间，第一个子区间的最小检测距离为所述最小检测距离阈值，最后一个子区间的最大检测距离为所述最大检测距离阈值，从而得到各个子区间。
[0119]
在另一个实施例中，如图3所示，提供一种距离检测方法，所述方法包括：
[0120]
s301：获取当前车辆与障碍物之间的至少一个待检测距离；
[0121]
s302：将各个所述待检测距离输入根据上述实施例或实施方式中任一项所述的距离检测模型的训练方法所获得的距离检测模型中，得到所述当前车辆与障碍物之间的检测距离。
[0122]
通过上述训练方式对所述距离检测模型的偏移补偿能力进行训练，得到训练后的距离检测模型，将至少一个待检测距离输入至所述距离检测模型中，所述距离检测模型将距离检测区间进行细分得到至少两个子区间；对所述待检测距离所属的子区间进行预测，以及计算所述待检测距离与各个子区间的中心点的偏移量；并将所述待检测距离与各个中心点的偏移量进行回归和耦合，得到检测距离，有效避免多个传感器融合得到的待检测距离出现偶然误差，从而提高了对距离检测的置信度，以及改善了自动驾驶车辆在路径规划以及决策控制方面存在不及时、不精确等现象。
[0123]
在另一个实施例中，如图4所示，所述方法还包括：
[0124]
s401：获取当前车辆与障碍物之间的至少一个待检测距离；
[0125]
s402：将各个所述待检测距离输入根据上述实施例或实施方式中任一项所述的距离检测模型的训练方法所获得的距离检测模型中，得到最高置信度以及所述最高置信度对应的当前车辆与障碍物之间的检测距离。
[0126]
通过上述训练方式对所述距离检测模型的偏移补偿能力和概率检测能力进行训练，得到训练后的距离检测模型。将至少一个待检测距离输入至所述距离检测模型中，所述距离检测模型对各个所述待检测模型进行上述描述的偏移补偿处理，得到对应的检测距离，再计算各个检测距离的置信度，并通过比较获得最高置信度以及所述最高置信度对应的检测距离，使得距离检测模型输出的检测距离更接近当前车辆和障碍物之间的真实距离，进一步避免多个传感器融合得到的待检测距离出现偶然误差，从而进一步提高对距离检测的置信度。
[0127]
作为上述实施例的一种具体实现方式，所述当前车辆与障碍物之间的至少一个待检测距离的步骤，包括：
[0128]
获取包括当前车辆与障碍物的激光点云图像，并对所述激光点云图像中的当前车
辆和障碍物进行标注，得到第一标注图像；
[0129]
获取包括当前车辆与障碍物的相机图像，并对所述相机图像中的当前车辆和障碍物进行标注，得到第二标注图像；
[0130]
将所述第一标注图像和所述第二标注图像进行至少一次匹配，得到对应的所述当前车辆与障碍物之间的待检测距离。
[0131]
需要说明的是，获取所述待处理距离的过程可以在所述距离检测模型中的一个分支中完成，也可以在另一个模型中完成，再输入到本技术的距离检测模型中，本技术对此不做限制。
[0132]
应该理解的是，虽然图1-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0133]
关于距离检测方法的具体限定可以参见上文中对于距离检测模型的训练方法的限定，在此不再赘述。
[0134]
示例性地，本技术提供的距离检测模型的训练方法的应用的系统架构可以如图5所示，该系统架构500包括数据获取设备501、数据库502、训练设备503以及距离检测模型504。在该系统架构500中，数据获取设备501可以用于获取样本数据，其中，所述样本数据包括当前车辆与障碍物之间的真实距离和至少一个预测距离；在数据获取设备501获取到样本数据之后，将样本数据存入数据库502中；训练设备503基于数据库502中维护的样本数据进行训练得到距离检测模型504。
[0135]
需要说明的是，在实际应用中，数据库502中维护的样本数据不一定都来自于数据获取设备501的获取，也有可能是从其他设备接收得到的。另外需要说明的是，训练设备503也不一定完全基于数据库502维护的样本数据进行距离检测模型的训练，也有可能从云端或其他地方获取样本数据进行模型训练，上述描述不应该作为对本技术实施例的限定。根据训练设备503训练得到的距离检测模型504可以应用于不同的系统或设备中，如应用于自动驾驶感知系统或车载终端中。
[0136]
本技术实施例中的距离检测模型504具体可以为神经网络，如图6所示，神经网络架构600包括输入层601、至少一层隐藏层602和输出层603。在距离检测模型的训练方法中，样本数据从输入层601输入，隐藏层602对样本数据中的待处理距离进行偏移补偿和/或概率检测，得到预测距离和/或预测概率，并输出至输出层603，输出层603具有损失函数，具体用于计算基于预测距离与样本数据中的真实距离得到的偏移量损失，和/或，计算基于预测概率与真实概率得到的概率损失。一旦该神经网络的前向传播(如图6由输入层601至输出层603的传播为前向传播)完成，反向传播(如图6由输出层603至输入层601的传播为反向传播)会开始更新各层的权重值以及偏差，以减少偏移量损失和/或概率损失以及通过输出层输出的结果与理想结果之间的误差。
[0137]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构
图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种距离监测模型的训练方法、距离检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0138]
本领域技术人员可以理解，图7中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0139]
在一个实施例中，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0140]
获取距离检测区间并进行分段，得到至少两个子区间；
[0141]
获取样本数据以及各个所述子区间的中心点，其中，所述样本数据包括当前车辆与障碍物之间的真实距离和至少一个预测距离；
[0142]
根据所述真实距离与各个所述中心点，得到对应的真实偏移量；
[0143]
根据各个所述预测距离与各个所述中心点，得到对应的预测偏移量；
[0144]
根据检测损失对距离检测模型进行迭代训练，以获得训练后的距离检测模型，其中，所述检测损失包括偏移量损失，所述偏移量损失根据各个所述真实偏移量和所述预测偏移量获得。
[0145]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0146]
获取所述真实距离分别位于各个所述子区间的真实概率；
[0147]
获取所述预测距离分别位于各个所述子区间的预测概率；
[0148]
根据各个所述真实概率与预测概率，获得概率损失。
[0149]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0150]
获取当前车辆与障碍物之间的至少一个待处理距离，对各个所述待处理距离进行偏移补偿，得到对应的预测距离；
[0151]
对各个所述预测距离进行评估，得到对应的距离置信度；
[0152]
将各个所述距离置信度进行对比，得到最大距离置信度，并将所述最大距离置信度对应的预测距离进行输出。
[0153]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0154]
获取所述待处理距离分别位于各个所述子区间内的检测概率；
[0155]
根据所述待处理距离和各个所述子区间的中心点，得到对应的检测偏移量；
[0156]
对各个所述检测概率、中心点和检测偏移量进行归一化处理，得到所述待处理距离在所述距离检测区间的概率分布；
[0157]
对所述概率分布进行加权计算，得到所述概率分布的数学期望以及包括所述数学期望的预测距离。
[0158]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0159]
对所述概率分布进行加权计算，得到所述概率分布的距离方差；
[0160]
根据所述距离方差，得到所述距离置信度，其中，所述距离方差与所述距离置信度成反比。
[0161]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0162]
对所述距离检测区间进行线性增长离散化，得到至少一个距离段；
[0163]
获取各个所述距离段的最大检测距离，其中，获取各个所述距离段的最大检测距离的数学表达为：
[0164][0165]
其中，d
min
为预设的最小检测距离阈值，d
max
为预设的最大检测距离阈值，d为所述距离段的总数，i为所述距离段的序号，dc为第i个距离段的最大检测距离；
[0166]
根据第i-1个距离段和第i个距离段的最大检测距离，得到第i个子区间。
[0167]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0168]
所述根据检测损失对所述距离检测模型进行迭代训练的步骤中，采用的损失函数包括：
[0169][0170]
其中，yi为所述真实距离在第i个子区间与对应中心点的真实偏移量，为所述预测距离在第i个子区间与对应中心点的预测偏移量，l1为在第i个子区间对应的所述偏移量损失。
[0171]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0172]
所述根据检测损失对所述距离检测模型进行迭代训练的步骤中，采用的损失函数包括：
[0173][0174]
其中，d为所述子区间的总数，i为所述子区间的序号，pi为所述真实距离位于第i个子区间的真实概率，为所述预处理距离位于第i个子区间的预测概率，l2为所述概率损失。
[0175]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0176]
所述对所述概率分布进行加权计算，得到所述概率分布的数学期望的数学表达为：
[0177]
[0178]
其中，d为所述子区间的总数，i为所述子区间的序号，为所述预处理距离位于第i个子区间的检测概率，d
max
为预设的最大检测距离阈值，d
min
为预设的最小检测距离阈值，为所述预处理距离在第i个子区间与对应中心点的检测偏移量，为所述概率分布的数学期望。
[0179]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0180]
所述对所述概率分布进行加权计算，得到所述概率分布的距离方差的数学表达为：
[0181][0182]
其中，d为所述子区间的总数，i为所述子区间的序号，为所述预处理距离位于第i个子区间的检测概率，d
max
为预设的最大检测距离阈值，d
min
为预设的最小检测距离阈值，为所述预处理距离在第i个子区间与对应中心点的检测偏移量，为所述概率分布的数学期望，为所述概率分布的距离方差。
[0183]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0184]
获取当前车辆与障碍物之间的至少一个待检测距离；
[0185]
将各个所述待检测距离输入根据前述任一个实施例所述的距离检测模型的训练方法所获得的距离检测模型中，得到所述当前车辆与障碍物之间的检测距离。
[0186]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0187]
将各个所述待检测距离输入根据前述任一个实施例所述的距离检测模型的训练方法所获得的距离检测模型中，得到最高置信度以及所述最高置信度对应的当前车辆与障碍物之间的检测距离。
[0188]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
[0189]
获取包括当前车辆与障碍物的激光点云图像，并对所述激光点云图像中的当前车辆和障碍物进行标注，得到第一标注图像；
[0190]
获取包括当前车辆与障碍物的相机图像，并对所述相机图像中的当前车辆和障碍物进行标注，得到第二标注图像；
[0191]
将所述第一标注图像和所述第二标注图像进行至少一次匹配，得到对应的所述当前车辆与障碍物之间的待检测距离。
[0192]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0193]
获取距离检测区间并进行分段，得到至少两个子区间；
[0194]
获取样本数据以及各个所述子区间的中心点，其中，所述样本数据包括当前车辆与障碍物之间的真实距离和至少一个预测距离；
[0195]
根据所述真实距离与各个所述中心点，得到对应的真实偏移量；
[0196]
根据各个所述预测距离与各个所述中心点，得到对应的预测偏移量；
[0197]
根据检测损失对距离检测模型进行迭代训练，以获得训练后的距离检测模型，其中，所述检测损失包括偏移量损失，所述偏移量损失根据各个所述真实偏移量和所述预测
偏移量获得。
[0198]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0199]
获取所述真实距离分别位于各个所述子区间的真实概率；
[0200]
获取所述预测距离分别位于各个所述子区间的预测概率；
[0201]
根据各个所述真实概率与预测概率，获得概率损失。
[0202]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0203]
获取当前车辆与障碍物之间的至少一个待处理距离，对各个所述待处理距离进行偏移补偿，得到对应的预测距离；
[0204]
对各个所述预测距离进行评估，得到对应的距离置信度；
[0205]
将各个所述距离置信度进行对比，得到最大距离置信度，并将所述最大距离置信度对应的预测距离进行输出。
[0206]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0207]
获取所述待处理距离分别位于各个所述子区间内的检测概率；
[0208]
根据所述待处理距离和各个所述子区间的中心点，得到对应的检测偏移量；
[0209]
对各个所述检测概率、中心点和检测偏移量进行归一化处理，得到所述待处理距离在所述距离检测区间的概率分布；
[0210]
对所述概率分布进行加权计算，得到所述概率分布的数学期望以及包括所述数学期望的预测距离。
[0211]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0212]
对所述概率分布进行加权计算，得到所述概率分布的距离方差；
[0213]
根据所述距离方差，得到所述距离置信度，其中，所述距离方差与所述距离置信度成反比。
[0214]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0215]
所述获取距离检测区间并进行分段，得到至少两个子区间的步骤，包括：
[0216]
对所述距离检测区间进行线性增长离散化，得到至少一个距离段；
[0217]
获取各个所述距离段的最大检测距离，其中，获取各个所述距离段的最大检测距离的数学表达为：
[0218][0219]
其中，d
min
为预设的最小检测距离阈值，d
max
为预设的最大检测距离阈值，d为所述距离段的总数，i为所述距离段的序号，dc为第i个距离段的最大检测距离；
[0220]
根据第i-1个距离段和第i个距离段的最大检测距离，得到第i个子区间。
[0221]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0222]
所述根据检测损失对所述距离检测模型进行迭代训练的步骤中，采用的损失函数包括：
[0223][0224]
其中，yi为所述真实距离在第i个子区间与对应中心点的真实偏移量，为所述预测距离在第i个子区间与对应中心点的预测偏移量，l1为在第i个子区间对应的所述偏移量损失。
[0225]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0226]
所述根据检测损失对所述距离检测模型进行迭代训练的步骤中，采用的损失函数包括：
[0227][0228]
其中，d为所述子区间的总数，i为所述子区间的序号，pi为所述真实距离位于第i个子区间的真实概率，为所述预处理距离位于第i个子区间的预测概率，l2为所述概率损失。
[0229]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0230]
所述对所述概率分布进行加权计算，得到所述概率分布的数学期望的数学表达为：
[0231][0232]
其中，d为所述子区间的总数，i为所述子区间的序号，为所述预处理距离位于第i个子区间的检测概率，d
max
为预设的最大检测距离阈值，d
min
为预设的最小检测距离阈值，为所述预处理距离在第i个子区间与对应中心点的检测偏移量，为所述概率分布的数学期望。
[0233]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0234]
所述对所述概率分布进行加权计算，得到所述概率分布的距离方差的数学表达为：
[0235][0236]
其中，d为所述子区间的总数，i为所述子区间的序号，为所述预处理距离位于第i个子区间的检测概率，d
max
为预设的最大检测距离阈值，d
min
为预设的最小检测距离阈值，为所述预处理距离在第i个子区间与对应中心点的检测偏移量，为所述概率分布的数学期望，为所述概率分布的距离方差。
[0237]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0238]
获取当前车辆与障碍物之间的至少一个待检测距离；
[0239]
将各个所述待检测距离输入根据前述任一个实施例所述的距离检测模型的训练方法所获得的距离检测模型中，得到所述当前车辆与障碍物之间的检测距离。
[0240]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0241]
将各个所述待检测距离输入根据前述任一个实施例所述的距离检测模型的训练方法所获得的距离检测模型中，得到最高置信度以及所述最高置信度对应的当前车辆与障碍物之间的检测距离。
[0242]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
[0243]
获取包括当前车辆与障碍物的激光点云图像，并对所述激光点云图像中的当前车辆和障碍物进行标注，得到第一标注图像；
[0244]
获取包括当前车辆与障碍物的相机图像，并对所述相机图像中的当前车辆和障碍物进行标注，得到第二标注图像；
[0245]
将所述第一标注图像和所述第二标注图像进行至少一次匹配，得到对应的所述当前车辆与障碍物之间的待检测距离。
[0246]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0247]
本技术实施例提供的距离检测模型的训练设备、介质和距离检测设备、介质具体可以为芯片，芯片包括：处理单元和通信单元，所述处理单元例如可以是处理器，所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使芯片执行前述实施例描述的距离检测模型的训练方法或者距离检测方法。可选地，所述存储单元为所述芯片内的存储单元，如寄存器、缓存等，所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元，如只读存储器(read-only memory，rom)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，ram)等。
[0248]
另外需说明的是，以上所描述的设备实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本技术提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。
[0249]
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本技术可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专
用cpu、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本技术而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、u盘、移动硬盘、rom、ram、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，训练设备，或者电子设备等)执行本技术各个实施例所述的方法。
[0250]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
[0251]
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
[0252]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0253]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。