训练方法、预测方法、装置、电子设备以及自动驾驶车辆.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113467875A(43)申请公布日2021.10.01(21)申请号202110740516.X(22)申请日2021.06.29(71)申请人阿波罗智能技术（北京）有限公司地址100085北京市海淀区上地十街10号1幢1层105(72)发明人蔺甜甜(74)专利代理机构中科专利商标代理有限责任公司11021代理人吕朝蕙(51)Int.Cl.G06F9/451(2018.01)权利要求书3页说明书12页附图5页(54)发明名称训练方法、预测方法、装置、电子设备以及自动驾驶车辆(57)摘要本公开公开了用于训练渲染效率优化模型的方法、预测方法、装置、电子设备、存储介质、自动驾驶车辆以及计算机程序产品，涉及人工智能技术领域，尤其涉及智能交通和自动驾驶技术领域。用于训练渲染效率优化模型的方法具体实现方案为：获取训练样本，其中，训练样本包括渲染效率数据和与渲染效率数据对应的标签，渲染效率数据表征影响人机界面的渲染效率的数据，标签表征用于优化人机界面的渲染效率所需执行的操作；以及利用训练样本训练神经网络模型，得到渲染效率优化模型。CN113467875ACN113467875A权利要求书1/3页1.一种用于训练渲染效率优化模型的方法，包括：获取训练样本，其中，所述训练样本包括渲染效率数据和与所述渲染效率数据对应的标签，所述渲染效率数据表征影响人机界面的渲染效率的数据，所述标签表征用于优化所述人机界面的渲染效率所需执行的操作；以及利用所述训练样本训练神经网络模型，得到所述渲染效率优化模型。2.根据权利要求1所述的方法，其中，所述获取训练样本，包括：根据渲染效率影响条件，确定用于优化所述人机界面的渲染效率所需执行的操作和影响渲染效率的参数；根据所述参数，获取所述渲染效率数据；将所述用于优化所述人机界面的渲染效率所需执行的操作确定为与所述渲染效率数据对应的标签；以及根据所述渲染效率数据和与所述渲染效率数据对应的标签，得到所述训练样本。3.根据权利要求1或2所述的方法，其中，所述渲染效率数据包括以下至少一项：载入资源的时长、渲染资源的体积、与渲染效果相关的数据、与地图信息相关的数据和与数据包相关的数量。4.根据权利要求3所述的方法，其中，所述载入资源的时长包括目标文件的加载时长和/或所述目标文件的解析时长；其中，所述与渲染效果相关的数据包括以下至少一项：纹理数据、着色器数据和光照数据；其中，所述与地图信息相关的数据包括以下至少一项：斑马线的数量、停止线的数量、交通信号灯的数量、道路的数量、路口的数量、绿化带的数量和目标区域的面积；其中，所述与数据包相关的数量包括以下至少一项：接收数据包的数量、发送数据包的数量、收发的数据包的数量均值和收发的数据包的数量方差。5.根据权利要求1～4中任一项所述的方法，其中，所述标签包括以下至少一项：预先加载目标文件的时间、删除所述目标文件的时间和需要加载的所述目标文件的层级细节。6.根据权利要求1～5中任一项所述的方法，其中，所述利用所述训练样本训练神经网络模型，得到所述渲染效率优化模型，包括：将所述渲染效率数据输入所述神经网络模型，得到与所述渲染效率数据对应的预测结果；基于损失函数，利用所述标签和与所述渲染效率数据对应的预测结果，得到输出值；根据所述输出值，调整所述神经网络模型的模型参数，直至所述输出值收敛；以及将在所述输出值的收敛情况下得到的神经网络模型确定为所述渲染效率优化模型。7.根据权利要求1～6中任一项所述的方法，其中，所述人机界面为无人驾驶设备的人机界面。8.一种预测方法，包括：获取目标渲染效率数据；以及将所述目标渲染效率数据输入渲染效率优化模型，得到与所述目标渲染效率数据对应的预测结果，其中，所述渲染效率优化模型是利用根据权利要求1～7中任一项所述的方法训练的。2CN113467875A权利要求书2/3页9.根据权利要求8所述的方法，还包括：执行与所述目标渲染效率数据对应的预测结果所表征的操作，得到渲染效率优化结果。10.根据权利要求9所述的方法，还包括：根据所述渲染效率优化结果，确定效果评估值；以及根据所述效果评估值和效果评估阈值，得到评估结果，其中，所述评估结果用于评估所述操作的可行性。11.根据权利要求10所述的方法，其中，所述效果评估值包括帧率均值和/或帧率方差，所述效果评估阈值包括帧率均值阈值和/或帧率方差阈值，其中，所述帧率均值是目标渲染区间内的实时帧率的平均值，所述帧率方差是所述目标渲染区间内的实时帧率的方差；所述根据所述效果评估值和效果评估阈值，得到评估结果，包括：在确定所述帧率均值大于或等于帧率均值阈值和/或所述帧率方差小于或等于帧率方差阈值的情况下，得到所述评估结果是所述操作具有可行性；以及在确定所述