[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

说明书

在一个实施方式中，一种训练自动驾驶车辆(ADV)的动态模型的方法包括以下操作：从训练数据源接收第一组训练数据，第一组训练数据表示对于第一组特征的驾驶统计数据；对于第一组特征，基于第一组训练数据训练动态模型；基于评估动态模型，确定作为第一组特征的子集的第二组特征，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。该方法还法包括以下操作：对于第二组特征中的每个特征，检索与第二组特征的对应特征相关联的第二组训练数据，以及使用第二组训练数据重新训练动态模型。

技术领域

本公开的实施方式总体涉及操作自动驾驶车辆。更具体地，本公开的实施方式涉及训练自动驾驶车辆的动态模型的方法。

背景技术

以自动驾驶模式运行(例如，无人驾驶)的车辆可将乘员、尤其是驾驶员从一些驾驶相关的职责中解放出来。当以自动驾驶模式运行时，车辆可使用车载传感器导航到各个位置，从而允许车辆在最少人机交互的情况下或在没有任何乘客的一些情况下行驶。

自动驾驶车辆(ADV)依靠各种模块来规划轨迹和控制致动器命令。在这些模块中使用的过程和算法通常需要测试，或响应于改变的驾驶环境而调整。动态模型描述了ADV的动态特征，并可以基于车辆的当前状态和致动器指令预测ADV的未来状态。动态模型可用在模拟器中以微调致动器和设计控制算法，用于实时自动驾驶。

动态模型可以实施在深度神经网络(DNN)中，其推断精度和鲁棒性很大程度上取决于如何训练动态模型和使用什么训练数据。

训练数据可以手动选择，或者可以用对机器学习模型的内容选中(on select)来供应。两种方法都不理想。内容选中的训练数据可能是不平衡的，这将有损训练模型的性能，而手动选择训练数据是耗时的和低效的。另一方面，训练动态模型的过程在生成鲁棒的和具有高推断精度的动态模型中也是关键的。

发明内容

在本公开的一方面，提供了一种训练自动驾驶车辆(ADV)的动态模型的计算机实施的方法，包括：

从训练数据源接收第一组训练数据，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；

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；

基于评估所述动态模型，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。

在本公开的另一方面，提供了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(ADV)的动态模型的操作，所述操作包括：

从训练数据源接收第一组训练数据，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；

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；

基于评估所述动态模型，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。

在本公开的又一方面，提供了一种数据处理系统，包括：

处理器；以及