(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 202211135880.4 (22)申请日 2022.09.19 (71)申请人 吉林大学 地址 130000 吉林省长 春市前进大街269 9 号 (72)发明人 赵睿　王骙　高镇海　高菲　 张天瑶　 (74)专利代理 机构 深圳众邦专利代理有限公司 44545 专利代理师 李茂松 (51)Int.Cl. G06V 10/82(2022.01) G06V 10/764(2022.01) G06V 20/56(2022.01) (54)发明名称 一种考虑不确定性的自动驾驶概率目标检 测方法 (57)摘要 本发明属于自动驾驶技术领域， 具体为一种 考虑不确定性的自动驾驶概率目标检测方法， 包 括步骤1： 基于MC ‑Drop的概率目标检测模型构 建； 步骤2： 基于PDQ的概率目标检测模型质量评 估； 步骤3： 概率目标检测模型敏感性分析； 通过 将YOLOv5模型蒙特卡洛Dropout(MC ‑Drop)方法 和集成方法(En semble)结合， 从而在预测时对输 出标签的不确定程度与对边界框的位置产生不 确定性； 通过引入基于概率的检测质量(PDQ)的 评价指标评估不确定性质量； 通过向MC ‑Drop方 法中引入缓存机制， 大幅减少了MC ‑Drop方法需 要的时间与内存空间。 权利要求书2页 说明书8页 附图5页 CN 115546606 A 2022.12.30 CN 115546606 A 1.一种考虑不确定性的自动驾驶 概率目标检测方法， 其特 征在于： 包括如下步骤： 步骤1： 基于MC ‑Drop的概率目标检测模型构建， 将MC ‑Drop方法与YOLOv5模型结合， 并 为MC‑Drop方法引入缓存机制； 改进后的概率目标检测模型分为两部分： 第一部分为首个 Dropout层之前的网络Cache， 第二部分为首个Dr opout层及其之后的网络Last； 通过在图片 传入M‑YOLOv5模型后， 模型运行一次Cache网络， 运行十 次Last网络进行采样， 通过计算平 均值得到可视化的检测结果， 通过十次采样结果计算预测框坐标的协方差矩阵代表预测框 位置的不确定程度； 步骤2： 基于PDQ的概率目标检测模型质量评估， 通过检测器输出的各个类得分计算标 签不确定性质量， 通过步骤一输出 的协方差矩阵计算预测框位置不确定性质量， 两者结合 可以计算出P DQ得分； 步骤3： 概率目标检测模型敏感性分析， 对Dropout层数量、 添加位置及Dropout概率进 行敏感性分析； 首先保持Dropout概率不变， 对Dropout层数量以及添加位置进行敏感性分 析； 其次保持添加Dropout层位置不变， 对Dropout数量以及Dropout率进行 敏感性分析。 2.根据权利要求1所述的一种考虑不确定性的自动驾驶概率目标检测方法， 其特征在 于： 所述步骤1中， 以YOLOv5 ‑6.0模型为基础， 向其中添加Dropout层以引入随机性； YOLOv5 模型有三级检测头对应三种不同的分辨率， 公开的M ‑YOLOv5算法在YOLOv5每级检测头的C3 模块后加入一个Dropout率为10％的Dropout层； 在每级检测头的末尾加入Dropout层的方 式与在骨干网络或者检测 头中间模块增加Dropout相比， 能够保证模型有一个完整的采样 过程， 从而保证模型预测的准确性； 同时减少Dropout层之后的网络结构， 能够降低采样过 程消耗的时间， 保证模 型的实时性； 在每级检测头 之后都加入Dr opout层而不是在某一级检 测头之后加入能够保证三个检测头得到的采样结果均表现出由于引入Dr opout层带来的随 机性， 防止出现检测头因距离Dropout层较远受到的影 响过小的情况出现； YOLOv5多个模 型 之间有着同样的总体结构， 不同的网络深度， 通过修改模型里的参数改变每个模块的数量 改变网络的深度， 在每个模块后面加入Dropout层而不是模块中， 使 得改进后的模 型对每个 YOLOv5模型都具有适应性。 3.根据权利要求1所述的一种考虑不确定性的自动驾驶概率目标检测方法， 其特征在 于： 所述步骤2中， 通过步骤一构建的概率目标检测模型并设置参数使其采样十次获得预测 框坐标的协方差矩阵和各个类的平均得分； 通过预测框的协方差矩阵、 真实边界框与物体 真实的分割掩码可以获得概率目标检测模型的空间质量， 通过各个类的平均得分与该物体 的真实类标签可以获得标签质量； 将空间质量与标签质量结合可以获得pPDQ， 最终通过 pPDQ与该帧数下检测器检测 到的真阳性、 假阴性、 假阳性的个数获得PDQ得分； 该得分越高 代表概率目标检测器的概 率质量越高。 4.根据权利要求1所述的一种考虑不确定性的自动驾驶概率目标检测方法， 其特征在 于： 所述步骤3具体包括： (1)Dropout层位置的敏感性分析： 为了不破坏YOLOv5有效的采样过程， 该子步骤只在 检测头处的不同模块之后的位置进行敏感性分析； 为了探 究Dropout层位置对各项指标的 影响， 该子步骤 固定Dropout层的数量与Dropout概率， 向原模型中加入一层Dropout层， 并 对三种Dropout率进行 试验； (2)Dropout层数及概率敏感性分析： 该子步骤分别对不同的Dropout层数(一层、 两层权　利　要　求　书 1/2 页 2 CN 115546606 A 2和三层)在不同的Dr opout概率下进行了测试。 该子步骤在测试一层Dropout时， 在第一个检 测头的C3模块后加 入Dropout层； 在测试两层Dropout时， 在第一个及第二个检测头的C3模 块之后加 入Dropout层； 在测试三层Dropout时， 第一个第二个以及第三个检测头的C3模块 后加入Dropout层。权　利　要　求　书 2/2 页 3 CN 115546606 A 3