(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 202210228550.3 (22)申请日 2022.03.09 (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 郑欣悦　柳长春　潘屹峰　李一贤　 (74)专利代理 机构 中科专利商标代理有限责任 公司 11021 专利代理师 吴晓兵 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/40(2022.01) G06V 10/75(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 信息处理方法、 训练方法、 装置、 设备、 车辆 及介质 (57)摘要 本公开提供了一种信息处理方法、 深度学习 模型的训练方法、 装置、 电子设备、 自动驾驶车 辆、 存储介质以及程序产品， 涉及人工智能技术 领域， 尤其涉及自动驾驶技术领域。 具体实现方 案为： 利用 深度学习模型处理掩码的目标图谱， 得到目标对象的特征向量； 基于目标对象的特征 向量， 得到目标对象的目标特征信息； 以及利用 目标对象的初始特征信息和目标特征信息， 训练 深度学习模型， 得到目标深度学习模型， 目标对 象的初始特征信息包括目标对象的未掩码的特 征信息。 权利要求书3页 说明书12页 附图6页 CN 114596552 A 2022.06.07 CN 114596552 A 1.一种深度学习模型的训练方法， 包括： 利用深度学习模型处理掩码的目标图谱， 得到目标对象的特征向量， 其中， 所述掩码的 目标图谱包括多个节点， 所述节点用于表征对 象， 所述多个节点彼此之间的连接边用于表 征多个对 象彼此之间的关联关系， 所述多个节点中的目标节点的特征信息被掩码， 所述 目 标节点与所述多个对象中的所述目标对象相匹配； 基于所述目标对象的特 征向量， 得到所述目标对象的目标 特征信息； 以及 利用所述目标对象的初始特征信息和所述目标特征信息， 训练所述深度学习模型， 得 到目标深度学习模型， 其中， 所述 目标对象的初始特征信息包括所述 目标对象的未掩码的 特征信息。 2.根据权利要求1所述的方法， 其中， 所述深度学习模型包括特 征提取模块； 所述方法还 包括： 利用所述特征提取模块提取所述目标对象的信 息， 得到所述目标对象的初始第 一特征 信息； 利用所述特征提取模块提取目标关联对象的信 息， 得到第 二特征信 息， 其中， 所述目标 关联对象包括所述多个对象中除所述目标对象外的其 他对象； 掩码所述目标对象的初始第一特 征信息， 得到所述目标对象的第一特 征信息； 以及 基于所述第一特 征信息和所述第二特 征信息， 生成所述掩码后的目标图谱。 3.根据权利要求1所述的方法， 其中， 所述深度学习模型包括特 征提取模块； 所述方法还 包括： 掩码所述目标对象的信息中的部分信息， 得到所述目标对象的目标信息； 利用所述特 征提取模块 提取所述目标对象的目标信息， 得到第三特 征信息； 利用所述特征提取模块提取目标关联对象的信 息， 得到第 二特征信 息， 其中， 所述目标 关联对象包括所述多个对象中除所述目标对象外的其 他对象； 以及 基于所述第三特 征信息和所述第二特 征信息， 生成所述掩码后的目标图谱。 4.根据权利要求3所述的方法， 其中， 所述掩码所述目标对象的信息中的部分信息， 得 到所述目标对象的目标信息包括： 掩码所述目标对象的信 息中与目标时间信 息相匹配的部分信 息， 得到所述目标对象的 目标信息 。 5.根据权利要求2至4中任一项所述的方法， 还 包括： 基于预定位置信息和预定时间信息， 确定多个对象； 以及 确定所述多个对象各自的信息 。 6.根据权利要求1至 5中任一项所述的方法， 其中， 所述深度学习模型包括图神经网络； 所述利用所述深度学习模型处理掩码的目标图谱， 得到所述目标对象的特征向量包 括： 将所述掩码的目标图谱输入至所述图神经网络中， 得到所述目标对象的特 征向量。 7.根据权利要求5所述的方法， 其中， 所述多个对象中的至少一个对象包括动态障碍 物； 所述多个对象中的至少一个对象的信息包括 不同时刻的多个 状态信息 。 8.一种信息处 理方法， 包括：权　利　要　求　书 1/3 页 2 CN 114596552 A 2将待处理对象的历史信 息输入至目标深度 学习模型中， 得到所述待处理对象的特征向 量； 以及 基于所述待处 理对象的特 征向量， 生成所述待处 理对象在未来时刻的目标对象信息， 其中， 所述目标深度学习模型 是利用根据权利要求1至7任一项所述方法训练得到的。 9.一种深度学习模型的训练装置， 包括： 处理模块， 用于利用深度 学习模型处理掩码的目标图谱， 得到目标对象的特征向量， 其 中， 所述掩码的目标图谱包括多个节 点， 所述节 点用于表征对象， 所述多个节 点彼此之 间的 连接边用于表征多个对象彼此之间的关联关系， 所述多个节点中的目标节点的特征信息被 掩码， 所述目标节点与所述多个对象中的所述目标对象相匹配； 输出模块， 用于基于所述目标对象的特征向量， 得到所述目标对象的目标特征信 息； 以 及 训练模块， 用于利用所述目标对象的初始特征信息和所述目标特征信息， 训练所述深 度学习模 型， 得到目标深度学习模型， 其中， 所述目标对象的初始特征信息包括所述目标对 象的未掩码的特 征信息。 10.根据权利要求9所述的装置， 其中， 所述深度学习模型包括特 征提取模块； 所述装置还 包括： 第一提取模块， 用于利用所述特征提取模块提取所述目标对象的信息， 得到所述目标 对象的初始第一特 征信息； 第二提取模块， 用于利用所述特征提取模块提取目标关联对象的信息， 得到第二特征 信息， 其中， 所述目标关联对象包括所述多个对象中除所述目标对象外的其 他对象； 第一掩码模块， 用于掩码所述目标对象的初始第一特征信息， 得到所述目标对象的第 一特征信息； 以及 第一生成模块， 用于基于所述第一特征信息和所述第二特征信息， 生成所述掩码后的 目标图谱。 11.根据权利要求10所述的装置， 其中， 所述深度学习模型包括特 征提取模块； 所述装置还 包括： 第二掩码模块， 用于掩码所述目标对象的信息中的部分信息， 得到所述目标对象的目 标信息； 第三提取模块， 用于利用所述特征提取模块提取所述目标对象的目标信息， 得到第三 特征信息； 第四提取模块， 用于利用所述特征提取模块提取目标关联对象的信息， 得到第二特征 信息， 其中， 所述目标关联对象包括所述多个对象中除所述目标对象外的其 他对象； 以及 第二生成模块， 用于基于所述第三特征信息和所述第二特征信息， 生成所述掩码后的 目标图谱。 12.根据权利要求1 1所述的装置， 其中， 所述第二掩码模块包括： 掩码单元， 用于掩码所述目标对象的信息中与目标时间信息相匹配的部分信息， 得到 所述目标对象的目标信息 。 13.根据权利要求10 至12中任一项所述的装置， 还 包括： 第一确定模块， 用于基于预定位置信息和预定时间信息， 确定多个对象； 以及权　利　要　求　书 2/3 页 3 CN 114596552 A 3