(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211027330.0 (22)申请日 2022.08.25 (71)申请人 北京小马慧行 科技有限公司 地址 100144 北京市海淀区北清路81号 一 区1号楼16、 17层1701室 (72)发明人 程大治　 (74)专利代理 机构 北京市万慧达律师事务所 11111 专利代理师 徐光耀 (51)Int.Cl. G06V 20/58(2022.01) G06T 7/66(2017.01) G06N 20/00(2019.01) G06N 7/00(2006.01) (54)发明名称 距离检测模型的训练方法、 距离检测方法、 设备和介质 (57)摘要 本申请涉及一种距离检测模 型的训练方法、 距离检测方法、 设备和介质。 所述训练方法包括： 获取距离检测区间并进行分段， 得到至少两个子 区间； 获取样本数据以及各个子区间的中心点， 其中， 样本数据包括当前车辆与障碍物之间的真 实距离和至少一个预测距离； 根据真实距离与各 个中心点， 得到对应的真实偏移量； 根据各个预 测距离与各个中心点， 得到对应的预测偏移量； 根据检测损失对距离检测模型进行迭代训练， 以 获得训练后的距离检测模型， 其中， 检测损失包 括偏移量损失。 距离检测模型对待检测距离进行 偏移补偿后得到的检测距离， 有效避免多个传感 器融合得到的待检测距离出现偶然误差， 从而提 高自动驾驶系统对距离 检测的置信度。 权利要求书3页 说明书17页 附图5页 CN 115482516 A 2022.12.16 CN 115482516 A 1.一种距离检测模型的训练方法， 其特 征在于， 包括： 获取距离检测区间 并进行分段， 得到 至少两个子区间； 获取样本数据以及各个所述子区间的中心点， 其中， 所述样本数据包括当前车辆与障 碍物之间的真实距离和至少一个预测距离； 根据所述真实距离与各个所述中心点， 得到对应的真实偏移量； 根据各个所述预测距离与各个所述中心点， 得到对应的预测偏移量； 根据检测损失对距离检测模型进行迭代训练， 以获得训练后的距离检测模型， 其中， 所 述检测损失包括偏移量损失， 所述偏移 量损失根据各个所述真实偏移量和所述预测偏移 量 获得。 2.根据权利要求1所述的距离检测模型的训练方法， 其特征在于， 所述检测损失还包括 概率损失， 其中， 所述 概率损失的获取 方式包括： 获取所述真实距离分别位于各个所述子区间的真实概 率； 获取所述预测距离分别位于各个所述子区间的预测概 率； 根据各个所述真实概 率与预测概 率， 获得概 率损失。 3.根据权利要求2所述的距离检测模型的训练方法， 其特征在于， 所述预测距离的获取 方式包括： 获取当前车辆与障碍物之间的至少一个待处理距离， 对各个所述待处理距离进行偏移 补偿， 得到对应的预测距离； 对各个所述预测距离进行评估， 得到对应的距离 置信度； 将各个所述距离置信度进行对比， 得到最大距离置信度， 并将所述最大距离置信度对 应的预测距离进行输出。 4.根据权利要求3所述的距离检测模型的训练方法， 其特征在于， 所述对各个所述待处 理距离进行偏移补偿， 得到对应的预测距离的步骤， 包括： 获取所述待处 理距离分别位于各个所述子区间内的检测概 率； 根据所述待处 理距离和各个所述子区间的中心点， 得到对应的检测偏移量； 对各个所述检测概率、 中心点和检测偏移量进行归一化处理， 得到所述待处理距离在 所述距离检测区间的概 率分布； 对所述概率分布进行加权计算， 得到所述概率分布的数学期望以及包括所述数学期望 的预测距离 。 5.根据权利要求4所述的距离检测模型的训练方法， 其特征在于， 所述对各个所述预测 距离进行评估， 得到对应的距离 置信度的步骤， 包括： 对所述概率分布进行加权计算， 得到所述 概率分布的距离方差； 根据所述距离方差， 得到所述距离置信度， 其中， 所述距离方差与所述距离置信度成反 比。 6.根据权利要求1所述的距离检测模型的训练方法， 其特征在于， 所述获取距离检测区 间并进行分段， 得到 至少两个子区间的步骤， 包括： 对所述距离检测区间进行线性增长 离散化， 得到 至少一个距离段； 获取各个所述距离段的最大检测距离， 其中， 获取各个所述距离段的最大检测距离的 数学表达为：权　利　要　求　书 1/3 页 2 CN 115482516 A 2其中， dmin为预设的最小检测距离阈值， dmax为预设的最大检测距离阈值， D为所述距离 段的总数， i 为所述距离段的序号， dc为第i个距离段的最大检测距离； 根据第i‑1个距离段和第i个距离段的最大检测距离， 得到第i个子区间。 7.根据权利要求1所述的距离检测模型的训练方法， 其特征在于， 所述根据检测损失对 所述距离检测模型进行迭代训练的步骤中， 采用的损失函数包括： 其中， yi为所述真实距离在第i个子区间与对应 中心点的真实偏移量， 为所述预测距 离在第i个子区间与对应中心点的预测偏移量， L1为在第i个子区间对应的所述偏移量损 失。 8.根据权利要求2所述的距离检测模型的训练方法， 其特征在于， 所述根据检测损失对 所述距离检测模型进行迭代训练的步骤中， 采用的损失函数包括： 其中， D为所述子区间的总数， i为所述子区间的序号， pi为所述真实距离位于第i个子区 间的真实概 率， 为所述预处 理距离位于第i个子区间的预测概 率， L2为所述 概率损失。 9.根据权利要求4所述的距离检测模型的训练方法， 其特征在于， 所述对所述概率分布 进行加权计算， 得到所述 概率分布的数 学期望的数 学表达为： 其中， D为所述子区间的总数， i为所述子区间的序号， 为所述预处理距离位于第i个 子区间的检测概率， dmax为预设的最大检测距离阈值， dmin为预设的最小检测距离阈值， 为 所述预处理距离在第i个子区间与对应中心点 的检测偏移量， 为所述概率分布的数学期 望。 10.根据权利要求5所述的距离检测模型的训练方法， 其特征在于， 所述对所述概率分 布进行加权计算， 得到所述 概率分布的距离方差的数 学表达为： 其中， D为所述子区间的总数， i为所述子区间的序号， 为所述预处理距离位于第i个 子区间的检测概率， dmax为预设的最大检测距离阈值， dmin为预设的最小检测距离阈值， 为权　利　要　求　书 2/3 页 3 CN 115482516 A 3