本发明涉及自动驾驶,尤其涉及一种自动驾驶场景分类方法、电子设备、车辆及存储介质。
背景技术:
1、近年来汽车智能化技术发展迅速,辅助驾驶技术与部分自动驾驶技术已进入到产业化阶段。自动驾驶场景识别技术是智能驾驶辅助系统与无人驾驶车辆进行环境感知的关键基础技术,对自动驾驶场景的准确识别有利于自动驾驶汽车安全稳定地驾驶。而对自动驾驶场景的识别依赖于前期对自动驾驶场景的分类,同时随着深度学习模型在自动驾驶领域的应用越来越大众化,因此选择一个合适的自动驾驶场景分类架构尤其重要。然而,高效神经网络的实现通常不仅需要架构技能还需要专业领域的知识,在不停的迭代过程中使用我们的知识探索合理的解决方案。神经网络的形式和结构会根据具体需要而有所不同,所以针对不同的任务和不同需求需要设定特定的结构。一般的情况下,专家们会利用他们过去的经验或技术知识以试错的方式来创建和设计神经网络,因此寻找合适的架构是一项耗时且容易出错的任务。传统自动驾驶场景分类模型的分类效率低以及分类结果准确性低,且模型部署耗时长。
技术实现思路
1、本发明提供一种自动驾驶场景分类方法、电子设备、车辆及存储介质,用以解决现有技术中自动驾驶场景分类模型的分类效率低以及分类结果准确性低,且模型部署耗时长的缺陷。
2、本发明提供一种自动驾驶场景分类方法,包括:
3、获取自动驾驶感知数据;
4、输入所述自动驾驶感知数据至自动驾驶场景分类模型,以输出所述自动驾驶感知数据的场景分类结果;
5、其中,所述自动驾驶场景分类模型基于预设基线场景分类模型搜索优化得到。
6、根据本发明提供的一种自动驾驶场景分类方法所述自动驾驶场景分类模型基于预设基线场景分类模型搜索优化得到,包括:
7、将预设基线场景分类模型转换为超网;
8、基于多个搜索维度构建渐进式搜索空间;
9、基于构建的渐进式搜索空间对所述超网进行训练,得到自动驾驶场景分类模型。
10、根据本发明提供的一种自动驾驶场景分类方法,所述基于多个搜索维度构建渐进式搜索空间,包括:
11、根据多个预设卷积核尺寸对所述预设基线场景分类模型进行卷积核扩充,得到第一搜索空间;
12、根据多个预设深度搜索对所述预设基线场景分类模型进行深度扩充,并保持卷积核尺寸与所述预设基线场景分类模型一致,得到第二搜索空间;
13、根据多个预设宽度和深度组合对,对所述预设基线场景分类模型进行宽度和深度组合对扩充,并保持卷积核尺寸与所述预设基线场景分类模型一致,得到第三搜索空间;
14、根据多个卷积核尺寸、以及多个预设宽度和深度组合对,对所述预设基线场景分类模型进行卷积核、以及宽度和深度组合对扩充,得到第四搜索空间。根据本发明提供的一种自动驾驶场景分类方法,所述基于构建的渐进式搜索空间对所述超网进行训练,包括:
15、基于所述第一搜索空间对所述预设基线场景分类模型对应的超网进行训练得到,得到第一中间超网;
16、基于所述第二搜索空间对所述第一中间超网进行训练得到,得到第二中间超网;
17、基于所述第三搜索空间对所述第二中间超网进行训练得到,得到第三中间超网;
18、基于所述第四搜索空间对所述第三中间超网进行训练得到,得到自动驾驶场景分类模型。
19、根据本发明提供的一种自动驾驶场景分类方法,所述基于构建的渐进式搜索空间对所述超网进行训练,还包括:
20、获取约束条件,对所述约束条件对应的区间进行均匀采样,随机生成多个子约束条件;
21、根据所述多个子约束条件随机生成满足各个子约束条件的子网;
22、对所述满足各个子约束条件的子网分别进行基础训练和进化训练,得到最优超网。
23、根据本发明提供的一种自动驾驶场景分类方法,所述对所述满足各个子约束条件的子网进行基础训练,包括:
24、确定第一训练学习率和第一训练数据集;
25、基于所述第一训练学习率和第一训练数据集对所述满足各个子约束条件的子网进行损失计算;
26、根据损失计算结果更新各个子网的权重参数,直至所述各个子网收敛,得到多个收敛子网。
27、根据本发明提供的一种自动驾驶场景分类方法,所述对所述满足各个子约束条件的子网进行进化训练,包括:
28、确定第二训练学习率和第二训练数据集,所述第二训练学习率小于所述第一训练学习率,所述第二训练数据集小于所述第一训练数据集;
29、根据所述第二训练学习率和第二训练数据集对所述多个收敛子网进行训练;
30、根据各个收敛子网的损失值对每个收敛子网进行参数优化;
31、若训练轮数未达到预设轮数,在每轮训练后,计算每个收敛子网中各层的梯度,对所述梯度按照从大到小排序,将排序靠前的预设数量的层随机替换为排序靠后的层,替换后的收敛子网需要满足对应子约束条件;
32、直到所述训练轮数达到预设轮数,将损失值最小的收敛子网作为最优子网。
33、本发明还提供一种自动驾驶场景分类系统,包括:
34、获取模块,用于获取自动驾驶感知数据;
35、分类模块,用于输入所述自动驾驶感知数据至自动驾驶场景分类模型,以输出所述自动驾驶感知数据的场景分类结果;
36、其中,所述自动驾驶场景分类模型基于预设基线场景分类模型搜索优化得到。
37、本发明还提供一种电子设备,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程序时实现如上述任一种所述自动驾驶场景分类方法。
38、本发明还提供一种车辆,包括上述所述的电子设备。
39、本发明还提供一种非暂态可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一项所述自动驾驶场景分类方法。
40、本发明提供的一种自动驾驶场景分类方法,包括:获取自动驾驶感知数据;输入自动驾驶感知数据至自动驾驶场景分类模型,以输出自动驾驶感知数据的场景分类结果;其中,自动驾驶场景分类模型基于预设基线场景分类模型搜索优化得到。通过基于预设基线场景分类模型搜索优化得到的自动驾驶场景分类模型,提高分类效率和分类结果准确性,减少模型部署耗时。
1.一种自动驾驶场景分类方法,其特征在于,包括:
2.根据权利要求1所述的自动驾驶场景分类方法,其特征在于,所述自动驾驶场景分类模型基于预设基线场景分类模型搜索优化得到,包括:
3.根据权利要求2所述的自动驾驶场景分类方法,其特征在于,所述基于多个搜索维度构建渐进式搜索空间,包括:
4.根据权利要求3所述的自动驾驶场景分类方法,其特征在于,所述基于构建的渐进式搜索空间对所述超网进行训练,包括:
5.根据权利要求4所述的自动驾驶场景分类方法,其特征在于,所述基于构建的渐进式搜索空间对所述超网进行训练,还包括:
6.根据权利要求5所述的自动驾驶场景分类方法,其特征在于,所述对所述满足各个子约束条件的子网进行基础训练,包括:
7.根据权利要求6所述的自动驾驶场景分类方法,其特征在于,所述对所述满足各个子约束条件的子网进行进化训练,包括:
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述自动驾驶场景分类方法。
9.一种车辆,其特征在于,包括如权利要求8所述的电子设备。
10.一种非暂态可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述自动驾驶场景分类方法。