[发明专利]场景识别方法与装置

说明书

本申请公开了一种场景识别方法和装置，能够提高计算速率。该方法包括：获取车辆行驶信息；利用场景识别模型对车辆行驶信息进行处理，以确定多个场景中每个场景的概率，场景识别模型为训练得到的高斯混合模型；在多个场景中，确定概率最高的场景为目标场景。

技术领域

本申请涉及车辆领域，并且更具体地，涉及一种场景识别方法与装置。

背景技术

人工智能(artificial intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能领域的研究包括机器人，自然语言处理，计算机视觉，决策与推理，人机交互，推荐与搜索，AI基础理论等。

在自动驾驶算法还无法实现端到端的全场景覆盖自动驾驶算法的情况下，在遇到不同的场景时，可以利用不同的自动驾驶算法进行处理，以提升对复杂场景的适应能力。因此，需要对车辆行驶的场景进行准确识别。

可以通过人工设置规则进行场景的识别，但是人工成本较高。可以利用神经网络模型对车辆行驶信息进行处理，实现场景识别，但神经网络模型处理所需的时间较长，处理效率较低。

发明内容

本申请提供一种场景识别方法和装置，能够提高场景识别的处理效率。

第一方面，提供一种场景识别方法，该方法包括：获取车辆行驶信息；利用场景识别模型对所述车辆行驶信息进行处理，以确定多个场景中每个场景的概率，所述场景识别模型为训练得到的高斯混合模型；在所述多个场景中，确定概率最高的场景为目标场景。

利用训练得到的高斯混合模型对车辆行驶信息进行处理，确定目标场景，可以降低人工成本，降低进行场景识别所需的时间，提高处理效率。

结合第一方面，在一些可能的实现方式中，所述场景识别模型包括多个子模型，所述多个子模型与所述多个场景一一对应，每个场景对应的子模型用于根据所述车辆行驶信息确定所述场景的概率。

利用高斯混合模型对车辆行驶信息进行处理，可以通过场景识别模型中每个场景对应的子模型计算该场景的概率，从而确定概率最高的场景为目标场景。

结合第一方面，在一些可能的实现方式中，在多个所述场景中的至少一个场景划分为多个子场景的情况下，所述方法还包括：获取第二训练数据集合，所述第二训练数据集合包括训练车辆行驶信息和所述训练车辆行驶信息对应的训练子场景，所述多个子场景包括所述训练子场景；利用所述第二训练数据集合，训练所述多个子场景对应的子模型；根据所述多个子场景对应的子模型，更新所述场景识别模型。

在多个所述场景中的至少一个场景划分为多个子场景的情况下，仅对多个子场景对应的子模型进行训练，即可实现对场景识别模型的更新。也就是说，在多个所述场景中的至少一个场景划分为多个子场景的情况下，不需要对未发生变化的场景对应的子模型重新进行训练，降低了训练所需的时间和成本。

结合第一方面，在一些可能的实现方式中，所述多个子模型中高斯核的数量不同。

不同的子模型可以具有不同的高斯核数量。可以根据场景识别的复杂程度对各个场景对应的子模型中高斯核的数量进行设置。对于复杂度较低的场景，可以减少子模型中高斯核的数量，从而能够降低训练该子模型所需的时间，并降低该子模型的复杂程度，缩短利用该子模型进行概率计算所需的时间，提高场景识别的效率。

结合第一方面，在一些可能的实现方式中，所述车辆行驶信息包括多个物理信息，每个子模型用于对所述车辆行驶信息中所述子模型对应的至少一个所述物理信息进行处理，所述多个子模型中第一子模型与对应的至少一个所述物理信息与第二子模型对应的至少一个所述物理信息不同。