生成式可解释的路径规划方法及设备与流程

1.本发明属于路径规划技术领域，具体涉及一种生成式可解释的路径规划方法及设备。


背景技术：

2.在自动驾驶或路径规划领域中，由于一些外界条件的变化，导致需要对已经拟定的道路进行重新规划。例如，在车辆行驶过程中，发现正在行驶的路线a有突发交通事故导致的道路堵塞，路线b有学校放学也可能导致交通堵塞，那么自动驾驶模型可能会重新规划道路c为最终路线。
3.另一方面，深度生成式模型可以被用于路径生成，由于它一次性生成的效率比较高，非常适合道路的瞬时重新规划。但模型通常只做最后的决策，并不判断做决策的原因，因此可能产生不需要的路径重规划。例如上述例子中，自动驾驶使用者希望在途中路经学校接孩子放学，那么在这种情况下，自动驾驶使用者并不知道系统为何重新规划到道路c，因此其决策可能无法满足自动驾驶使用者的需求。
4.现有的生成路线的算法，直接给出路线生成结果，并不能解释为何生成该结果，以及为何需要对路径进行重规划。


技术实现要素：

5.为了解决上述技术问题，本发明提出了一种生成式可解释的路径规划方法及设备。
6.为了达到上述目的，本发明的技术方案如下：
7.一方面，本发明公开一种生成式可解释的路径规划方法，包括：
8.步骤s1：准备训练样本，训练样本包括：若干真实路径样本、条件样本以及语义样本；
9.步骤s2：构建具有语义层的深度生成式模型，深度生成式模型能够生成路径及对应该生成路径的语义解释；
10.步骤s3：使用训练样本训练深度生成式模型，并利用优化算法进行优化，得到训练后的深度生成式模型；
11.步骤s4：当进行路径规划时，将给定条件输入训练后的深度生成式模型，输出规划路径及对应该规划路径的语义解释。
12.在上述技术方案的基础上，还可做如下改进：
13.作为优选的方案，在步骤s1中，每个真实路径样本均对应有若干语义样本。
14.作为优选的方案，深度生成式模型为cgan模型、vae模型、diffusion模型中的一种。
15.作为优选的方案，深度生成式模型为cgan模型，且其包括：
16.具有语义层的生成器，用于通过条件样本和语义样本训练生成器，使其能够生成
新的生成路径及对应生成路径的语义解释；
17.判别器，用于判别输入路径为真实路径或生成路径，并反向优化生成器。
18.作为优选的方案，优化算法为梯度下降法或adam算法。
19.另一方面，本发明公开一种生成式可解释的路径规划设备，包括：
20.训练样本准备模块，用于准备训练样本，训练样本包括：若干真实路径样本、条件样本以及语义样本；
21.模型构建模块，用于构建具有语义层的深度生成式模型，深度生成式模型能够生成路径及对应该生成路径的语义解释；
22.训练模块，用于使用训练样本训练深度生成式模型，并利用优化算法进行优化，得到训练后的深度生成式模型；
23.路径规划模块，用于当进行路径规划时，将给定条件输入训练后的深度生成式模型，输出规划路径及对应该规划路径的语义解释。
24.作为优选的方案，在训练样本准备模块中，每个真实路径样本均对应有若干语义样本。
25.作为优选的方案，深度生成式模型包括：
26.具有语义层的生成器，用于通过条件样本和语义样本训练生成器，使其能够生成新的生成路径及对应生成路径的语义解释；
27.判别器，用于判别输入路径为真实路径或生成路径，并反向优化生成器。
28.作为优选的方案，深度生成式模型为cgan模型、vae模型、diffusion模型中的一种。
29.作为优选的方案，优化算法为梯度下降法或adam算法。
30.本发明一种生成式可解释的路径规划方法及设备具有以下有益效果：
31.第一，本发明在深度生成式模型添加语义层，使深度生成式模型生成的结果能够被语义信息表达，以此在给出决策的同时，给出决策的理由。
32.第二，尤其在路径重新规划时，不仅输出新的规划路径，并对规划路径的产生原因进行解释，能够让使用者更易理解重规划背后的逻辑，进而及时反馈给模型是否需要该变化。
附图说明
33.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
34.图1为本发明实施例提供的路径规划方法的流程图。
35.图2为本发明实施例提供的具有语义层的生成器的架构图。
36.图3为本发明实施例提供的判别器的架构图。
37.图4为本发明实施例提供的cgan网络架构图。
具体实施方式
38.下面结合附图详细说明本发明的优选实施方式。
39.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0040]“包括”元件的表述是“开放式”表述，该“开放式”表述仅仅是指存在对应的部件或步骤，不应当解释为排除附加的部件或步骤。
[0041]
为了达到本发明的目的，一种生成式可解释的路径规划方法及设备的其中一些实施例中，如图1所示，路径规划方法包括：
[0042]
步骤s1：准备训练样本，训练样本包括：若干真实路径样本、条件样本以及语义样本，每个真实路径样本均对应有若干语义样本；
[0043]
步骤s2：构建具有语义层的深度生成式模型，深度生成式模型能够生成路径及对应该生成路径的语义解释；
[0044]
步骤s3：使用训练样本训练深度生成式模型，并利用优化算法进行优化，得到训练后的深度生成式模型，其中：优化算法为梯度下降法；
[0045]
步骤s4：当进行路径规划时，将给定条件输入训练后的深度生成式模型，输出规划路径及对应该规划路径的语义解释。
[0046]
本发明在深度生成式模型中添加语义层，使得生成模型具备可解释性。
[0047]
进一步，深度生成式模型为cgan模型，其包括：
[0048]
具有语义层的生成器，用于通过条件样本和语义样本训练生成器，使其能够生成新的生成路径及对应生成路径的语义解释；
[0049]
判别器，用于判别输入路径为真实路径或生成路径，并反向优化生成器。
[0050]
生成器、判别器的网络架构采用resnet。
[0051]
为了便于理解，下面对本发明的每个步骤进行详细阐述。
[0052]
步骤s1：准备训练样本。
[0053]
训练样本包括：n个真实路径样本n个条件样本以及若干语义样本，每个真实路径样本xi和条件样本di均对应有m个语义样本
[0054]
步骤s2：构建具有语义层的深度生成式模型，深度生成式模型为cgan模型，包含一个生成器g
θ
和一个判别器d
φ
，如图2-4所示。
[0055]
上述判别器d
φ
的训练目标是鉴定给定图片是生成路径图片还是真实路径图片，优化目标为：
[0056][0057]
其中，z～pz(z)是一个从先验噪声分布中采样的随机噪声；
[0058]
生成器g
θ
的训练目标是尽可能地使得生成路径图片接近真实路径图片，且优化目标为：
[0059]
[0060]
联合的优化目标基于min-max策略：
[0061][0062]
上述优化过程中，生成器g
θ
和判别器d
φ
分别采用神经网络进行拟合，采用性能不错的resnet网络来构建上述网络。
[0063]
由于在生成器中额外添加了一层语义层，以此提供生成的可解释性。在推断生成的时候，即使没有给定的语义信息，也可以从中间层获取语义信息。
[0064]
进一步，上述生成器g
θ
可改写为在生成推断的时候，当给定噪声z和条件di时，可以得到生成的中间语义信息和最终的输出
[0065]
步骤s3：使用训练样本训练深度生成式模型，并利用优化算法进行优化，得到训练后的深度生成式模型，其中：优化算法为梯度下降法。
[0066]
给定训练步数n_iters，batch大小b，对每一步训练iter:1～n_iters：
[0067]
采样b个条件样本真实路径样本的噪声和语义样本
[0068]
计算并上升判别器d
φ
的梯度：
[0069][0070]
采样b个噪声
[0071]
计算并下降生成器的梯度：
[0072][0073]
计算并下降拟合语义信息的梯度：
[0074][0075]
上述梯度回传采用随机梯度下降法。
[0076]
得到训练完成的深度生成式模型的d
φ
，和
[0077]
步骤s4：当进行路径规划时，将给定条件d0输入训练后的深度生成式模型，输出噪声样本z0～pz(z)，规划路径及对应该规划路径的语义解释
[0078]
因此，在路径重规划时，我们只需要输入当前条件di，便可得到重新规划好的新路径以及为什么要这么规划的原因例如，车辆在路线a上行驶过程中，深度生成式模型输入当前路况、天气等条件信息，生成重新规划的路径b，并给出生成的语义解释信息：道路拥堵、路面积水。根据该生成结果，车辆使用者可以根据自身情况确认是否需要更换后的行驶路线。
[0079]
值得注意的是，上述深度生成式模型不仅可以为cgan模型，还可以为vae模型、diffusion模型等。
[0080]
上述优化算法不仅可以为梯度下降法，还可以为adam算法。
[0081]
上述生成器、判别器的网络架构不仅可以采用resnet，还可以采用unet或普通cnn等。
[0082]
此外，本发明实施例还公开一种生成式可解释的路径规划设备，包括：
[0083]
训练样本准备模块，用于准备训练样本，训练样本包括：若干真实路径样本、条件样本以及语义样本，每个真实路径样本均对应有若干语义样本；
[0084]
模型构建模块，用于构建具有语义层的深度生成式模型，深度生成式模型能够生成路径及对应该生成路径的语义解释；
[0085]
训练模块，用于使用训练样本训练深度生成式模型，并利用优化算法进行优化，得到训练后的深度生成式模型；
[0086]
路径规划模块，用于当进行路径规划时，将给定条件输入训练后的深度生成式模型，输出规划路径及对应该规划路径的语义解释。
[0087]
进一步，深度生成式模型为cgan模型，其包括：
[0088]
具有语义层的生成器，用于通过条件样本和语义样本训练生成器，使其能够生成新的生成路径及对应生成路径的语义解释；
[0089]
判别器，用于判别输入路径为真实路径或生成路径，并反向优化生成器。
[0090]
上述深度生成式模型不仅可以为cgan模型，还可以为vae模型、diffusion模型等，优化算法为梯度下降法或adam算法。
[0091]
路径规划设备的具体内容与路径规划方法相似，在此不再赘述。
[0092]
本发明一种生成式可解释的路径规划方法及设备具有以下有益效果：
[0093]
第一，本发明在深度生成式模型添加语义层，使深度生成式模型生成的结果能够被语义信息表达，以此在给出决策的同时，给出决策的理由。
[0094]
第二，尤其在路径重新规划时，不仅输出新的规划路径，并对规划路径的产生原因进行解释，能够让使用者更易理解重规划背后的逻辑，进而及时反馈给模型是否需要该变化。
[0095]
应当理解，这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如软盘、cd-rom、硬盘驱动器或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被该机器执行时，该机器变成实践本发明的设备。
[0096]
以上显示和描述了本发明的基本原理和主要特征和本发明的优点，本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，本发明要求保护范围由所附的权利要求书及其等效物界定。

技术特征：
1.生成式可解释的路径规划方法，其特征在于，包括：步骤s1：准备训练样本，所述训练样本包括：若干真实路径样本、条件样本以及语义样本；步骤s2：构建具有语义层的深度生成式模型，所述深度生成式模型能够生成路径及对应该生成路径的语义解释；步骤s3：使用训练样本训练深度生成式模型，并利用优化算法进行优化，得到训练后的深度生成式模型；步骤s4：当进行路径规划时，将给定条件输入训练后的深度生成式模型，输出规划路径及对应该规划路径的语义解释。2.根据权利要求1所述的路径规划方法，其特征在于，在所述步骤s1中，每个真实路径样本均对应有若干语义样本。3.根据权利要求1所述的路径规划方法，其特征在于，所述深度生成式模型为cgan模型、vae模型、diffusion模型中的一种。4.根据权利要求1所述的路径规划方法，其特征在于，所述深度生成式模型为cgan模型，且其包括：具有语义层的生成器，用于通过条件样本和语义样本训练生成器，使其能够生成新的生成路径及对应生成路径的语义解释；判别器，用于判别输入路径为真实路径或生成路径，并反向优化生成器。5.根据权利要求1所述的路径规划方法，其特征在于，所述优化算法为梯度下降法或adam算法。6.生成式可解释的路径规划设备，其特征在于，包括：训练样本准备模块，用于准备训练样本，所述训练样本包括：若干真实路径样本、条件样本以及语义样本；模型构建模块，用于构建具有语义层的深度生成式模型，所述深度生成式模型能够生成路径及对应该生成路径的语义解释；训练模块，用于使用训练样本训练深度生成式模型，并利用优化算法进行优化，得到训练后的深度生成式模型；路径规划模块，用于当进行路径规划时，将给定条件输入训练后的深度生成式模型，输出规划路径及对应该规划路径的语义解释。7.根据权利要求6所述的路径规划设备，其特征在于，在所述训练样本准备模块中，每个真实路径样本均对应有若干语义样本。8.根据权利要求6所述的路径规划设备，其特征在于，所述深度生成式模型为cgan模型、vae模型、diffusion模型中的一种。9.根据权利要求6所述的路径规划设备，其特征在于，所述深度生成式模型为cgan模型，且其包括：具有语义层的生成器，用于通过条件样本和语义样本训练生成器，使其能够生成新的生成路径及对应生成路径的语义解释；判别器，用于判别输入路径为真实路径或生成路径，并反向优化生成器。10.根据权利要求6所述的路径规划设备，其特征在于，所述优化算法为梯度下降法或
adam算法。

技术总结
本发明公开一种生成式可解释的路径规划方法及设备，路径规划方法包括：步骤S1：准备训练样本，训练样本包括：若干真实路径样本、条件样本以及语义样本；步骤S2：构建具有语义层的深度生成式模型，深度生成式模型能够生成路径及对应该生成路径的语义解释；步骤S3：使用训练样本训练深度生成式模型，并利用优化算法进行优化，得到训练后的深度生成式模型；步骤S4：当进行路径规划时，将给定条件输入训练后的深度生成式模型，输出规划路径及对应该规划路径的语义解释。本发明在深度生成式模型添加语义层，使深度生成式模型生成的结果能够被语义信息表达，以此在给出决策的同时，给出决策的理由。由。由。


技术研发人员：何弢 严骏驰 廖文龙 杜星波
受保护的技术使用者：上海酷移机器人有限公司
技术研发日：2023.07.14
技术公布日：2023/10/15