[发明专利]用于自动驾驶车辆的动态模型的自动化训练数据提取方法

权利要求书

1.一种训练自动驾驶车辆的动态模型的计算机实施的方法，包括：

从训练数据源提取第一组训练数据，所述第一组训练数据表示对于第一组特征的驾驶统计数据，其中，从所述训练数据源提取所述第一组训练数据包括：对于所述第一组特征中的每个特征确定多个等距值范围，以及从对于相应特征的多个值范围中的每一个中选择值；

对于所述第一组特征，基于所述第一组训练数据训练动态模型；

基于比较来自所述动态模型的所述第一组特征的每个特征的实际未来状态与期望未来状态，确定作为所述第一组特征的子集的第二组特征，所述第二组特征中的每个特征均表示其性能得分低于预定阈值的特征；以及

对于所述第二组特征中的每个特征，

检索与所述第二组特征的对应特征相关联的第二组训练数据，以及

使用所述第二组训练数据重新训练所述动态模型。

2.根据权利要求1所述的方法，还包括：

迭代地执行检索所述第二组训练数据并重新训练所述动态模型，直到相应的性能得分高于所述预定阈值或迭代次数达到预定迭代值。

3.根据权利要求1所述的方法，其中，所述第一组特征中的每个特征均表示多个驾驶参数中的一个，包括速度、加速度、角速度、油门、制动和转向角、U形转弯、左转或右转。

4.根据权利要求1所述的方法，其中，所述第一组训练数据包括多个特征场景，每个特征场景均表示对于所述第一组特征的所选的值的组合。

5.根据权利要求1所述的方法，其中，所述动态模型基于在多个受控特征场景下、由所述动态模型已针对其被训练的自动驾驶车辆生成的驾驶统计数据进行评估，每个受控特征场景均表示所述第一组特征的所选的值的组合。

6.根据权利要求5所述的方法，还包括：

从所述多个受控特征场景确定与所述第一组特征的每个特征相关联的一组受控特征场景；

将所述一组受控特征场景中的每一个作为输入应用到所述动态模型；

将所述动态模型对于所述输入的输出与所述自动驾驶车辆响应于所述输入的groundtruth值进行比较；

计算所述第一组特征的每个特征的均方根误差；

计算所述第一组特征的每个特征的性能得分；以及

基于所述性能得分确定所述第二组特征。

7.根据权利要求1所述的方法，其中，所述动态模型是使用来自所述训练数据源的所述第一组训练数据训练的多个动态模型中的一个，并且其中，所述动态模型是基于推断性能获得最高分数的模型。

8.根据权利要求7所述的方法，其中，所述动态模型是由线性回归、多层感知器MLP或递归神经网络RNN之一表示的神经网络模型。

9.根据权利要求1所述的方法，其中，所述训练数据源存储从由人类驾驶员驾驶的多种车辆收集的驾驶统计数据，其中，所述驾驶统计数据包括指示由所述车辆的传感器在不同时间点发出的驾驶命令和捕获的所述车辆的响应的信息。

10.一种存储有指令的非暂时性机器可读介质，所述指令在由处理器执行时致使所述处理器执行训练自动驾驶车辆的动态模型的操作，所述操作包括：

从训练数据源提取第一组训练数据，所述第一组训练数据表示对于第一组特征的驾驶统计数据，其中，从所述训练数据源提取所述第一组训练数据包括：对于所述第一组特征中的每个特征确定多个等距值范围，以及从对于相应特征的多个值范围中的每一个中选择值；

对于所述第一组特征，基于所述第一组训练数据训练动态模型；

基于比较来自所述动态模型的所述第一组特征的每个特征的实际未来状态与期望未来状态，确定作为所述第一组特征的子集的第二组特征，所述第二组特征中的每个特征均表示其性能得分低于预定阈值的特征；以及

对于所述第二组特征中的每个特征，

检索与所述第二组特征的对应特征相关联的第二组训练数据，以及

使用所述第二组训练数据重新训练所述动态模型。