增强局部感知注意力的模型训练方法、预测方法和装置

本公开的实施例涉及智能汽车，具体地，涉及适用于一种增强局部感知注意力的模型训练方法、预测方法和装置。

背景技术：

1、随着国家相关政策的颁布和汽车产业的升级，研究驾驶意图识别方法顺应了汽车领域电气化、智能化的发展趋势。先进的驾驶意图识别方法，提高车辆的智能化水平，能够有效避免部分碰撞事故。

2、为了降低机动车交通事故数量，保护驾乘人员的生命财产，研究驾驶意图识别方法成为了汽车行业潮流。现有的制动意图识别方式主要是通过传统transformer算法进行预测。但是，传统transformer算法中的“点积”形式的注意力机制对数据局部变化的趋势不敏感，使得算法预测精度不高。

技术实现思路

1、本文中描述的实施例提供了一种增强局部感知注意力的模型训练方法、预测方法和装置，克服了上述问题。

2、第一方面，根据本公开的内容，提供了一种增强局部感知注意力的模型训练方法，应用于预设网络模型，预设网络模型包括：embedding模块、编码器模块和解码器模块，embedding模块用于进行数据高维映射，编码器模块用于对高维映射数据进行局部感知捕捉，解码器模块用于对局部感知捕捉数据进行低维映射；

3、包括：

4、获取模型训练样本，模型训练样本中包括：时间序列交互信息，时间序列交互信息用于描述训练车辆行驶时不同时间点采集的肌电信号数据和训练车辆的行驶状态数据；

5、将模型训练样本输入预设网络模型的embedding模块，得到高维空间表征数据；

6、将高维空间表征数据输入预设网络模型的编码器模块，得到局部感知表征数据；

7、将局部感知表征数据输入预设网络模型的解码器模块，得到训练车辆行驶时的制动意图预测结果；

8、采用预设损失函数，基于制动意图预测结果对预设网络模型进行训练，得到制动意图预测模型。

9、第二方面，根据本公开的内容，提供了一种驾驶制动意图预测方法，包括：

10、获取预测车辆的当前行驶信息，当前行驶信息中包括：预测车辆行驶时不同时间点采集的肌电信号数据和预测车辆的行驶状态数据；

11、将预测车辆的当前行驶信息输入制动意图预测模型，基于制动意图预测模型的输出结果确定预测车辆的制动意图预测结果；

12、其中，制动意图预测模型为第一方面中的方法所训练生成的制动意图预测模型。

13、第三方面，根据本公开的内容，提供了一种增强局部感知注意力的模型训练装置，应用于预设网络模型，预设网络模型包括：embedding模块、编码器模块和解码器模块，embedding模块用于进行数据高维映射，编码器模块用于对高维映射数据进行局部感知捕捉，解码器模块用于对局部感知捕捉数据进行低维映射；

14、包括：

15、第一获取模块，用于获取模型训练样本，模型训练样本中包括：时间序列交互信息，时间序列交互信息用于描述训练车辆行驶时不同时间点采集的肌电信号数据和训练车辆的行驶状态数据；

16、第一输入模块，用于将模型训练样本输入预设网络模型的embedding模块，得到高维空间表征数据；

17、第二输入模块，用于将高维空间表征数据输入预设网络模型的编码器模块，得到局部感知表征数据；

18、第三输入模块，用于将局部感知表征数据输入预设网络模型的解码器模块，得到训练车辆行驶时的制动意图预测结果；

19、训练模块，用于采用预设损失函数，基于制动意图预测结果对预设网络模型进行训练，得到制动意图预测模型。

20、第四方面，根据本公开的内容，提供了一种驾驶制动意图预测装置，包括：

21、第二获取模块，用于获取预测车辆的当前行驶信息，当前行驶信息中包括：预测车辆行驶时不同时间点采集的肌电信号数据和预测车辆的行驶状态数据；

22、确定模块，用于将预测车辆的当前行驶信息输入制动意图预测模型，基于制动意图预测模型的输出结果确定预测车辆的制动意图预测结果；

23、其中，制动意图预测模型为第一方面中的方法所训练生成的制动意图预测模型。

24、第五方面，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，处理器执行计算机程序时实现如以上任意一个实施例中增强局部感知注意力的模型训练方法的步骤，或者，实现如以上任意一个实施例中驾驶制动意图预测方法的步骤。

25、第六方面，提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如以上任意一个实施例中增强局部感知注意力的模型训练方法的步骤，或者，实现如以上任意一个实施例中驾驶制动意图预测方法的步骤。

26、本申请实施例提供的驾驶意图预测模型的训练方法，应用于预设网络模型，预设网络模型包括：embedding模块、编码器模块和解码器模块，embedding模块用于进行数据高维映射，编码器模块用于对高维映射数据进行局部感知捕捉，解码器模块用于对局部感知捕捉数据进行低维映射；包括：获取模型训练样本，模型训练样本中包括：时间序列交互信息，时间序列交互信息用于描述训练车辆行驶时不同时间点采集的肌电信号数据和训练车辆的行驶状态数据；将模型训练样本输入预设网络模型的embedding模块，得到高维空间表征数据；将高维空间表征数据输入预设网络模型的编码器模块，得到局部感知表征数据；将局部感知表征数据输入预设网络模型的解码器模块，得到训练车辆行驶时的制动意图预测结果；采用预设损失函数，基于制动意图预测结果对预设网络模型进行训练，得到制动意图预测模型。如此，通过增强预测模型对局部数据变化趋势的敏感性，有效提升模型预测精度，大幅度提高行车安全。

27、上述说明仅是本申请实施例技术方案的概述，为了能够更清楚了解本申请实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本申请实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

技术特征：

1.一种增强局部感知注意力的模型训练方法，其特征在于，应用于预设网络模型，所述预设网络模型包括：embedding模块、编码器模块和解码器模块，所述embedding模块用于进行数据高维映射，所述编码器模块用于对高维映射数据进行局部感知捕捉，所述解码器模块用于对局部感知捕捉数据进行低维映射；

2.根据权利要求1所述的方法，其特征在于，所述编码器模块包括：第一编码单元、第二编码单元、第三编码单元、第四编码单元、第五编码单元和第六编码单元；

3.根据权利要求2所述的方法，其特征在于，所述将所述高维空间表征数据输入所述预设网络模型的编码器模块，得到局部感知表征数据，包括：

4.根据权利要求3所述的方法，其特征在于，所述将所述高维空间表征数据输入所述编码器模块的所述第一编码单元，得到第一局部表征数据，包括：

5.根据权利要求4所述的方法，其特征在于，所述将所述多头注意力拼接数据输入所述第一编码单元中的前馈层后再经所述第一编码单元的线性层处理，得到所述第一局部表征数据之前，还包括：

6.一种驾驶制动意图预测方法，其特征在于，包括：

7.一种增强局部感知注意力的模型训练装置，其特征在于，应用于预设网络模型，所述预设网络模型包括：embedding模块、编码器模块和解码器模块，所述embedding模块用于进行数据高维映射，所述编码器模块用于对高维映射数据进行局部感知捕捉，所述解码器模块用于对局部感知捕捉数据进行低维映射；

8.根据权利要求7所述的装置，其特征在于，所述编码器模块包括：第一编码单元、第二编码单元、第三编码单元、第四编码单元、第五编码单元和第六编码单元；

9.根据权利要求8所述的装置，其特征在于，所述第二输入模块，具体用于：

10.一种驾驶制动意图预测装置，其特征在于，包括：

技术总结
本公开提供一种增强局部感知注意力的模型训练方法、预测方法和装置，包括：获取模型训练样本；将模型训练样本输入预设网络模型的Embedding模块，得到高维空间表征数据；将高维空间表征数据输入预设网络模型的编码器模块，得到局部感知表征数据；将局部感知表征数据输入预设网络模型的解码器模块，得到训练车辆行驶时的制动意图预测结果；采用预设损失函数，基于制动意图预测结果对预设网络模型进行训练，得到制动意图预测模型。从而，通过增强预测模型对局部数据变化趋势的敏感性，有效提升模型预测精度，大幅度提高行车安全。

技术研发人员：杨为,姜孔明,刘丙军,王庆林,唐小林,禇志刚,卢少波
受保护的技术使用者：重庆大学
技术研发日：
技术公布日：2024/9/23