[发明专利]路径规划模型训练方法、路径规划方法、设备和系统

说明书

本公开提供了一种基于自监督学习的路径规划模型训练方法、基于自监督学习的路径规划方法、设备和系统。该路径规划模型训练方法包括：基于第一场景的第一深度图组获取第一自监督标注图像，所述第一自监督标注图像包括所述第一场景内的第一初始路径，并且所述第一深度图组包括彼此对齐的第一彩色图像和第一深度图；以及基于所述第一深度图组、所述第一自监督标注图像、第一指定终点对路径规划模型进行训练。

技术领域

本公开涉及深度学习技术领域，更具体地，涉及一种基于自监督学习的路径规划方法、设备和系统。

背景技术

路径规划功能是自动导航技术的核心功能之一。目前主流的路径规划方法可以分为传统的路径规划方法和基于深度学习的路径规划方法。

传统的路径规划方法可以大致分为两类：基于搜索的方法和基于采样的方法。基于搜索的方法能够基于现有的搜索算法遍历地图，并输出一条规划路线，成熟的基于搜索的算法包括例如A*(A-Star)算法和跳点搜索(Jump Point Search，JSP)算法，这些算法的计算复杂度通常较高。基于采样的算法首先在地图中采用，并在采样集合中进行规划，从而能够有效地平衡规划路径的质量和运算时间之间的矛盾，成熟的基于采样的算法包括例如概率路线图(Probabilistic Roadmaps，PRM)算法和快速扩展随机树*(Rapidly ExploringRandom Tree-Star，RRT*)算法。然而，这些传统的路径规划方法的性能都受限于感知模块的性能。具体而言，如果感知模块输出错误的可通行区域和障碍物信息，那么这些传统的路径规划方法往往会生成不安全的路径或绕远的路径。

随着深度学习的发展，出现了许多基于深度学习的路径规划方法，由于基于深度学习的路径规划方法采用端到端的架构，能够同时优化感知模块和路径规划模块，从而降低感知模块发生错误对路径规划的影响，因此能够有效地解决传统的路径规划方法的缺点。

发明内容

本公开的一方面提供了一种基于自监督学习的路径规划模型训练方法。该路径规划模型训练方法包括：基于第一场景的第一深度图组获取第一自监督标注图像，所述第一自监督标注图像包括第一场景内的第一初始路径，并且所述第一深度图组包括彼此对齐的第一彩色图像和第一深度图；以及基于所述第一深度图组、所述第一自监督标注图像、第一指定终点对路径规划模型进行训练。

本公开的另一方面提供了一种基于自监督学习的路径规划方法。该路径规划方法包括：基于第一场景的第一深度图组获取第一自监督标注图像，所述第一自监督标注图像包括所述第一场景内的第一初始路径，并且所述第一深度图组包括彼此对齐的第一彩色图像和第一深度图；基于所述第一深度图组、所述第一自监督标注图像、第一指定终点对路径规划模型进行训练；以及使用经过训练的路径规划模型在第二场景中进行路径规划。

本公开的另一方面提供了一种基于自监督学习的路径规划模型设备。该路径规划模型训练设备包括：自监督标注生成模块，其被配置为基于第一场景的第一深度图组获取第一自监督标注图像，所述第一自监督标注图像包括所述第一场景内的第一初始规划路径，并且所述第一深度图组包括彼此对齐的第一彩色图像和第一深度图；训练模块，其被配置为基于所述第一深度图组、所述第一自监督标注图像、第一指定终点对路径规划模型进行训练。

本公开的另一方面提供了一种基于自监督学习的路径规划设备。该路劲规划设备包括：自监督标注生成模块，其被配置为基于第一场景的第一深度图组获取第一自监督标注图像，所述第一自监督标注图像包括所述第一场景内的第一初始规划路径，并且所述第一深度图组包括彼此对齐的第一彩色图像和第一深度图；训练模块，其被配置为基于所述第一深度图组、所述第一自监督标注图像、第一指定终点对路径规划模型进行训练；以及应用模块，其被配置为使用经过训练的路径规划模型在第二场景中进行路径规划。

本公开的另一方面提供了一种基于自监督学习的路径规划模型训练设备。该路径规划模型训练设备包括：存储器，其被为存储程序；处理器，其被配置为在执行所述程序时，实现如上所述的基于自监督的路径规划模型训练方法。