CN108960432A - 决策规划方法、装置及计算机可读存储介质 - Google Patents

Abstract

本发明公开了一种决策规划方法，包括：云端接收车载系统群体中的各个车载系统发送的检测信息；所述云端对所述检测信息进行预处理，获得处理后的检测信息；所述云端将处理后的检测信息输入训练好的第一深度学习模型中，生成决策规划信息，其中，所述第一深度学习模型基于已标注检测信息及对应标注的决策规划信息训练得到；所述云端将所述决策规划信息发送至对应的车载系统。本发明还公开了一种决策规划装置、计算机可读存储介质。本发明能够根据需要扩大进行决策规划时环境检测的范围，针对更广的范围的环境信息进行决策规划，获得更加完善合理的决策规划结果。

Description

决策规划方法、装置及计算机可读存储介质

技术领域

本发明涉及汽车技术领域，尤其涉及一种决策规划方法、装置及计算机可读存储介质。

背景技术

在生活水平逐步提高的同时，人们的工作节奏也在加快，机动车的数量迅速增加，汽车已经成为了家庭用品的刚需产品。在现有技术中，人们在驾驶汽车时，一般通过由驾驶员根据驾驶经验和所处环境或者由车载系统基于自身采集的环境信息来进行行驶的决策规划，在现有技术中，只能针对车辆当前所处位置附近较小范围的采集的环境信息来进行决策规划，决策规划结果具有一定的局限性。

发明内容

本发明的主要目的在于提供一种决策规划方法、装置及计算机可读存储介质，旨在解决现有技术只能针对车辆当前所处位置附近较小范围的采集的环境信息来进行决策规划，决策规划结果具有一定的局限性。的问题。

为实现上述目的，本发明提供一种决策规划方法，所述决策规划方法包括：

云端接收车载系统群体中的各个车载系统发送的检测信息；

所述云端对所述检测信息进行预处理，获得处理后的检测信息；

所述云端将处理后的检测信息输入训练好的第一深度学习模型中，生成决策规划信息，其中，所述第一深度学习模型基于已标注检测信息及对应标注的决策规划信息训练得到；

所述云端将所述决策规划信息发送至对应的车载系统。

优选地，所述深度学习评估模型的训练过程包括：

所述第一深度学习模型的训练过程包括：

所述云端获取多个不同的检测信息，构建用于训练模型的训练集；

所述云端获取用户对各个检测信息标注的决策规划信息；

所述云端将所述训练集中的检测信息作为模型的输入，将对应标注的决策规划信息作为模型的输出，训练得到所述第一深度学习模型。

优选地，所述云端接收车载系统群体中的各个车载系统发送的检测信息的步骤之后包括：

所述云端接收各个车载系统基于驾驶员的驾驶选择发送的决策规划选择信息；

所述云端根据所述选择信息及所述决策规划信息对所述第一深度学习决策模型进行优化，获得第二深度学习模型，以供进行决策规划。

优选地，所述环境检测信息至少包括识别的目标类型信息或识别的目标距离信息。

优选地，所述云端接收车载系统群体中的各个车载系统发送的检测信息的步骤之前包括：

所述车载系统基于利用图像采集设备采集的图像数据识别存在目标的目标信息，并确定各个目标的目标距离；

所述车载系统基于所述目标信息和所述目标距离生成检测信息，并将所述检测信息发送至所述云端。

为实现上述目的，本发明还提供一种决策规划装置，其中，所述决策规划装置至少包括存储器、处理器以及存储在所述存储器上的决策规划程序，所述决策规划程序被所述处理器执行时实现以下步骤：

云端接收车载系统群体中的各个车载系统发送的检测信息；

所述云端对所述检测信息进行预处理，获得处理后的检测信息；

所述云端将处理后的检测信息输入训练好的第一深度学习模型中，生成决策规划信息，其中，所述第一深度学习模型基于已标注检测信息及对应标注的决策规划信息训练得到；

所述云端将所述决策规划信息发送至对应的车载系统。

优选地，所述决策规划程序被所述处理器执行时还实现以下步骤：

所述云端获取多个不同的检测信息，构建用于训练模型的训练集；

所述云端获取用户对各个检测信息标注的决策规划信息；

所述云端将所述训练集中的检测信息作为模型的输入，将对应标注的决策规划信息作为模型的输出，训练得到所述第一深度学习模型。

优选地，所述决策规划程序被所述处理器执行时还实现以下步骤：

所述云端接收各个车载系统基于驾驶员的驾驶选择发送的决策规划选择信息；

所述云端根据所述选择信息及所述决策规划信息对所述第一深度学习决策模型进行优化，获得第二深度学习模型，以供进行决策规划。

优选地，所述决策规划程序被所述处理器执行时还实现以下步骤：

所述车载系统基于利用图像采集设备采集的图像数据识别存在目标的目标信息，并确定各个目标的目标距离；

所述车载系统基于所述目标信息和所述目标距离生成检测信息，并将所述检测信息发送至所述云端。

本发明提供一种决策规划方法，包括：云端接收车载系统群体中的各个车载系统发送的检测信息；所述云端对所述检测信息进行预处理，获得处理后的检测信息；所述云端将处理后的检测信息输入训练好的第一深度学习模型中，生成决策规划信息，其中，所述第一深度学习模型基于已标注检测信息及对应标注的决策规划信息训练得到；所述云端将所述决策规划信息发送至对应的车载系统。通过上述方式，利用训练好的深度学习模型对车载系统群体中各个车载系统发送的检测信息进行分析处理，生成决策规划信息，基于群体中的各个车载系统发送的检测信息，可以确定更大范围的环境状态，从而可以根据需要针对更广的范围的环境信息进行决策规划，获得更加完善合理的决策规划结果。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的装置所属终端结构示意图；

图2为本发明决策规划方法第一实施例的流程示意图；

图3为本发明决策规划方法第二实施例的流程示意图；

图4为本发明决策规划方法第三实施例的流程示意图；

图5为本发明决策规划方法第四实施例的流程示意图。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在现有技术中，只能针对车辆当前所处位置附近较小范围的采集的环境信息来进行决策规划，决策规划结果具有一定的局限性。

为了解决上述技术问题，本发明提供一种决策规划方法，在本方法中，云端先接收车载系统群体中的各个车载系统发送的检测信息，然后对所述检测信息进行预处理，获得处理后的检测信息，再将处理后的检测信息输入训练好的第一深度学习模型中，生成决策规划信息，其中，所述第一深度学习模型基于已标注检测信息及对应标注的决策规划信息训练得到；所述云端将所述决策规划信息发送至对应的车载系统。通过上述方式，利用训练好的深度学习模型对车载系统群体中各个车载系统发送的检测信息进行分析处理，生成决策规划信息，基于群体中的各个车载系统发送的检测信息，可以确定更大范围的环境状态，从而可以根据需要针对更广的范围的环境信息进行决策规划，获得更加完善合理的决策规划结果。

如图1所示，图1是本发明实施例方案涉及的硬件运行环境的系统结构示意图。

本发明实施例终端可以是PC，也可以是智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、便携计算机等具有显示功能的可移动式终端设备。

如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

可选地，终端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及决策规划程序。

在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的决策规划程序，并执行以下操作：

云端接收车载系统群体中的各个车载系统发送的检测信息；

所述云端对所述检测信息进行预处理，获得处理后的检测信息；

所述云端将处理后的检测信息输入训练好的第一深度学习模型中，生成决策规划信息，其中，所述第一深度学习模型基于已标注检测信息及对应标注的决策规划信息训练得到；

所述云端将所述决策规划信息发送至对应的车载系统。

进一步地，处理器1001可以调用存储器1005中存储的决策规划程序，还执行以下操作：

所述云端获取多个不同的检测信息，构建用于训练模型的训练集；

所述云端获取用户对各个检测信息标注的决策规划信息；

所述云端将所述训练集中的检测信息作为模型的输入，将对应标注的决策规划信息作为模型的输出，训练得到所述第一深度学习模型。

进一步地，处理器1001可以调用存储器1005中存储的决策规划程序，还执行以下操作：

所述云端接收各个车载系统基于驾驶员的驾驶选择发送的决策规划选择信息；

所述云端根据所述选择信息及所述决策规划信息对所述第一深度学习决策模型进行优化，获得第二深度学习模型，以供进行决策规划。

进一步地，处理器1001可以调用存储器1005中存储的决策规划程序，还执行以下操作：

所述车载系统基于利用图像采集设备采集的图像数据识别存在目标的目标信息，并确定各个目标的目标距离；

所述车载系统基于所述目标信息和所述目标距离生成检测信息，并将所述检测信息发送至所述云端。

参照图2，图2为本发明决策规划方法第一实施例流程示意图。

在生活水平逐步提高的同时，人们的工作节奏也在加快，机动车的数量迅速增加，汽车已经成为了家庭用品的刚需产品。在现有技术中，人们在驾驶汽车时，一般通过由驾驶员根据驾驶经验和所处环境或者由车载系统基于自身采集的环境信息来进行行驶的决策规划，在现有技术中，只能针对车辆当前所处位置附近较小范围的采集的环境信息来进行决策规划，决策规划结果具有一定的局限性。本发明提供一种基于群体智能技术，可以应用汽车技术领域，利用训练好的深度学习模型对车载系统群体中各个车载系统发送的检测信息进行分析处理，生成决策规划信息，从而可以根据需要针对更广的范围的环境信息进行决策规划，获得更加完善的决策规划结果。本实施例的实现过程包括以下步骤：

步骤S10，云端接收车载系统群体中的各个车载系统发送的检测信息，其中，所述环境检测信息至少包括识别的目标类型信息或识别的目标距离信息；

在本实施例中，决策规划指的是制定行车策略，包括行车速度，方向以及行车路径等信息的确定。云端为决策规划制定服务器，云端存储着用于生产决策规划信息的深度学习模型，用于接收车载系统群体中各个车载系统发送的检测信息，将检测信息进行预处理时候输入深度学习模型，生成与各个车载系统当前所处位置匹配的行车决策规划信息。车载系统群体指的是所有与云端通信获取决策规划信息的车载系统的集合体。车载系统群体中的各个车载系统可以分布在不同区域位置，集合附近预设范围内所有车载系统的检测信息可以获得对应位置预设范围的整体交通状态，进行更加完善的决策规划。可以在车辆上配置车载摄像头或者车载激光雷达等图像获取设备，来采集车辆所在位置附近预设范围内的图像数据，基于图像数据发送检测信息至云端，环境检测信息至少包括识别的目标类型信息或识别的目标距离信息，还可以包括目标的地理位置信息等。车载系统获取采集到环境图像后，识别图像中存在的目标以及目标类型，以及目标类型与本车之间的距离。目标类型包括人物、车辆、建筑物或者路障等。可以通过图像位置和尺寸及显像原理来确定目标与本车之间的距离。在本实施例中，可以预先训练得到深度学习图像检测模型，将采集到的图像数据输入到深度学习图像检测模型中进行处理，获得所述检测信息。

步骤S20，所述云端对所述检测信息进行预处理，获得处理后的检测信息；

基于上述步骤，在获得检测信息时，对检测信息进行预处理，获得处理后的检测信息。在本实施例中，预处理包括简单缩放、逐样本均值消减以及特征标准化等处理过程。其中，简单缩放指的是通过对数据的每一个维度的值进行重新调节(这些维度可能是相互独立的)，使得最终的数据向量落在[0,1]或[-1,1]的区间内(根据数据情况而定)，以满足应用需求；逐样本均值消减，也称为移除直流分量(remove DC)，当数据时平稳的(stationary)，即数据每一个维度的统计都服从相同分布，可以考虑在每个样本上减去数据的统计平均值(逐样本计算，即分别计算各样本的均值，然后各样本减去其对应的均值)；特征标准化的目的是使数据集中所有特征都具有零均值和单位方差，即数据的每一个维度具有零均值和单位方差，这也是比较常见的一种归一化方法，比如，使用SVM时候也要进行类似处理。在实际应用中，特征标准化的具体做法是：首先计算每一个维度上数据的均值(使用全体数据计算)，之后在每一个维度上都减去该均值。下一步便是在数据的每一维度上除以该维度上数据的标准差。在本实施例中，对利用车载摄像头或者激光雷达等设备获得车内空间的图像数据进行上述预处理后获得处理后的数据，即处理后的检测信息。

步骤S30，所述云端将处理后的检测信息输入训练好的第一深度学习模型中，生成决策规划信息，其中，所述第一深度学习模型基于已标注检测信息及对应标注的决策规划信息训练得到；

步骤S40，所述云端将所述决策规划信息发送至对应的车载系统。

在本实施例中，可以预先利用多个车载系统采集到足够多的不同环境信息以及驾驶员在该环境中实际的驾驶决策规划选择数据，并基于环境信息生成检测信息，基于驾驶员的决策规划选择数据或经验对不同的检测信息进行标注，标注的信息为于环境信息匹配的决策规划信息，例如，行驶速度、方向或轨迹等。标注完成时，将检测信息作为深度学习网络模型的输入，对应标注的决策规划信息作为深度学习网络模型的输出，训练得到用于进行决策规划的第一深度学习模型。并将第一深度学习模型存储在预设位置。在实际决策规划过程中，在获得处理后的检测信息时，将处理后的检测信息输入第一深度学习模型，进行前向传播，确定模型中各层生成的特征映射图，对特征映射图进行加权处理，生成决策规划信息。当然，在本实施例中，各个车载系统也可以将采集到的原始图像数据发送至云端，由云端处理得到检测信息，基于检测信息生成决策规划信息。车载系统接收到云端发送的决策规划信息时，可以基于决策规划信息控制车辆的行驶，实现无人驾驶，也可以将决策规划信息显示出来或者进行语音提示，驾驶员可以基于提示信息进行驾驶。在本实施例中，基于群体中不同的车载系统发送的检测信息，除了近距离的行驶规划决策，如躲避障碍物，还可以获得各个车辆更大范围内的交通状态，更合理地进行路径规划，例如，可以规避前方的拥堵路段，从而提高用户体验。

在本实施例中，云端接收车载系统群体中的各个车载系统发送的检测信息；所述云端对所述检测信息进行预处理，获得处理后的检测信息；所述云端将处理后的检测信息输入训练好的第一深度学习模型中，生成决策规划信息，其中，所述第一深度学习模型基于已标注检测信息及对应标注的决策规划信息训练得到；所述云端将所述决策规划信息发送至对应的车载系统。通过上述方式，利用训练好的深度学习模型对车载系统群体中各个车载系统发送的检测信息进行分析处理，生成决策规划信息，基于群体中的各个车载系统发送的检测信息，可以确定更大范围的环境状态，从而可以根据需要针对更广的范围的环境信息进行决策规划，获得更加完善合理的决策规划结果。

进一步地，参照图3，图3为本发明决策规划方法第二实施例流程示意图，基于上述本发明决策规划方法实施例，提出本发明的第二实施例。

在本实施例中，在本实施例中，所述第一深度学习模型的训练过程包括：

步骤S50，所述云端获取多个不同的检测信息，构建用于训练模型的训练集；

步骤S60，所述云端获取用户对各个检测信息标注的决策规划信息；

步骤S70，所述云端将所述训练集中的检测信息作为模型的输入，将对应标注的决策规划信息作为模型的输出，训练得到所述第一深度学习模型。

基于上述实施例，在本实施例中，在需要训练时，可以预先利用多个车载系统采集到足够多的不同环境图像数据，以及驾驶员在该环境中实际的驾驶决策规划选择数据，构建用于训练模型的训练集。在获得训练集的检测信息时，基于驾驶员的决策规划选择数据或经验对不同的检测信息进行标注，标注的信息为于环境信息匹配的决策规划信息，例如，行驶速度、方向或轨迹等。标注完成时，将检测信息作为深度学习网络模型的输入，对应标注的决策规划信息作为深度学习网络模型的输出，训练得到用于进行决策规划的第一深度学习模型。并将第一深度学习模型存储在预设位置。

在本实施例中，云端接收车载系统群体中的各个车载系统发送的检测信息；所述云端对所述检测信息进行预处理，获得处理后的检测信息；所述云端将处理后的检测信息输入训练好的第一深度学习模型中，生成决策规划信息，并将所述决策规划信息发送至对应的车载系统，其中，所述第一深度学习模型基于已标注检测信息及对应标注的决策规划信息训练得到。通过上述方式，可以获得决策规划结果可靠的深度学习决策规划模型

进一步地，参照图4，图4为本发明决策规划方法第三实施例流程示意图，基于上述本发明决策规划方法实施例，提出本发明的第三实施例。

基于上述实施例，在本实施例中，步骤S10之后还包括：

步骤80，所述云端接收各个车载系统基于驾驶员的驾驶选择发送的决策规划选择信息；

步骤S90，所述云端根据所述选择信息及所述决策规划信息对所述第一深度学习决策模型进行优化，获得第二深度学习模型，以供进行决策规划。

基于上述实施例，本实施例提供一种基于驾驶员在驾驶过程中对于不同环境时实际采取的行车策略，及决策规划选择对已有的第一深度学习模型进行优化的方法。具体地，每个车载系统将检测信息发送至云端后，基于驾驶员的具体驾驶策略或操作发送决策规划选择信息至云端。用户的驾驶策略或操作包括保持现有的当前的行驶状态(包括保持当前的行驶速度或者方向等)、转弯、加速行驶、减速行驶或停车等。云端接收到车载系统发送的决策规划信息时，利用当前接收到的决策规划信息对对应的检测信息进行标注，将带标注的检测信息添加到新的训练集中，当新的训练集中新增的检测信息数量到达预设数量时，利用新的训练集中的数据对第一深度学习模型进行优化，获得第二深度学习模型。在本实施例中，可以将新的训练集中的检测信息输入第一深度学习模型中，将获得的输出结果与检测信息对应标注的决策规划选择信息对比，逐步调整第一深度学习模型的参数，使得输出结果逐步决策规划选择信息。此外，先把检测信息输入到第一深度学习模型中处理，得到对应的决策规划信息，利用用户的决策选择信息对第一深度学习模型的决策规划信息进行校正，获得校正决策规划信息，将检测信息作为输入，将校正决策规划信息作为输出，在第一深度学习模型的基础上进行训练，获得第二深度学习模型。

在本实施例中，所述云端接收各个车载系统基于驾驶员的驾驶选择发送的决策规划选择信息；所述云端根据所述选择信息及所述决策规划信息对所述第一深度学习决策模型进行优化，获得第二深度学习模型，以供进行决策规划。通过上述方式，可以基于用户在驾驶过程中实际的决策规划选择信息对第一深度学习模型进行优化，获得更加准确可靠的第二深度学习模型。

进一步地，参照图5，图5为本发明决策规划方法第四实施例流程示意图。基于上述实施例，提出本发明的第四实施例。

基于上述实施例，在本实施例中，步骤S10之前还包括：

步骤S100，所述车载系统基于利用图像采集设备采集的图像数据识别存在目标的目标信息，并确定各个目标的目标距离；

步骤S110，所述车载系统基于所述目标信息和所述目标距离生成检测信息，并将所述检测信息发送至所述云端。

基于上述实施例，在实施例中，图像采集设备包括车载摄像头或车载激光雷达等设备，可以预先利用多个车载系统采集到足够多的不同环境图像数据，例如在汽车行驶或者停止的时候，利用车载摄像头拍摄图像或者车载激光雷达采集点云数据，基于几何原理或者成像的缩放原理确定各个目标在图像中的位置以及在图像中的成像尺寸确定目标距离本车的距离，当然，在本实施例中，目标距离也可以在采集图像时利用车载激光雷达测得，基于目标的类型以及目标的距离等信息对目标信息对图像数据进行标注，将图像数据作为深度学习模型的输入，标注的目标信息作为模型的输出，训练得到深度学习目标检测模型，并将深度学习目标检测模型存储在车载系统或者云端。若深度学习目标检测模型存储在车载系统，车载系统利用图像采集设备采集了图像数据后，将采集到的图像数据输入训练好的深度学习目标检测模型中，获得图像中存在的目标信息和目标距离。然后再基于目标信息和目标距离生成检测信息，并将检测信息发送至云端。基于第一实施例，云端接收到检测信息时，进行预处理，再将预处理后的检测信息输入到第一深度学习模型中，生成决策规划信息。

在本实施例中，所述车载系统基于利用图像采集设备采集的图像数据识别存在目标的目标信息，并确定各个目标的目标距离；所述车载系统基于所述目标信息和所述目标距离生成检测信息，并将所述检测信息发送至所述云端。通过上述方式，车载系统可以采集周围环境的图像，基于采集的图像检测识别存在的目标，获得目标信息和目标距离，并基于目标信息和目标距离发送检测信息至云端，以供云端基于检测信息生成决策规划信息。

此外，本发明实施例还提出一种决策规划装置。

本发明决策规划装置至少包括存储器、处理器以及存储在所述存储器上的决策规划程序，所述决策规划程序被处理器执行时实现如上所述的决策规划方法的步骤。

其中，在所述处理器上运行的决策规划程序被执行时所实现的方法可参照本发明决策规划方法各个实施例，此处不再赘述。

此外，本发明实施例还提出一种计算机可读存储介质。

本发明计算机可读存储介质上存储有决策规划程序，所述决策规划程序被处理器执行时实现如上所述的决策规划方法的步骤。

其中，在所述处理器上运行的决策规划程序被执行时所实现的方法可参照本发明决策规划方法各个实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种决策规划方法，其特征在于，所述决策规划方法包括：

云端接收车载系统群体中的各个车载系统发送的检测信息；

所述云端对所述检测信息进行预处理，获得处理后的检测信息；

所述云端将处理后的检测信息输入训练好的第一深度学习模型中，生成决策规划信息，其中，所述第一深度学习模型基于已标注检测信息及对应标注的决策规划信息训练得到；

所述云端将所述决策规划信息发送至对应的车载系统。

2.如权利要求1所述的决策规划方法，其特征在于，所述第一深度学习模型的训练过程包括：

所述云端获取多个不同的检测信息，构建用于训练模型的训练集；

所述云端获取用户对各个检测信息标注的决策规划信息；

所述云端将所述训练集中的检测信息作为模型的输入，将对应标注的决策规划信息作为模型的输出，训练得到所述第一深度学习模型。

3.如权利要求1所述的决策规划方法，其特征在于，所述云端接收车载系统群体中的各个车载系统发送的检测信息的步骤之后包括：

所述云端接收各个车载系统基于驾驶员的驾驶选择发送的决策规划选择信息；

所述云端根据所述选择信息及所述决策规划信息对所述第一深度学习决策模型进行优化，获得第二深度学习模型，以供进行决策规划。

4.如权利要求1所述的决策规划方法，其特征在于，所述环境检测信息至少包括识别的目标类型信息或识别的目标距离信息。

5.如权利要求1所述的决策规划方法，其特征在于，所述云端接收车载系统群体中的各个车载系统发送的检测信息的步骤之前包括：

所述车载系统基于利用图像采集设备采集的图像数据识别存在目标的目标信息，并确定各个目标的目标距离；

所述车载系统基于所述目标信息和所述目标距离生成检测信息，并将所述检测信息发送至所述云端。

6.一种决策规划装置，其特征在于，所述决策规划装置至少包括存储器、处理器以及存储在所述存储器上的决策规划程序，所述决策规划程序被所述处理器执行时实现以下步骤：

云端接收车载系统群体中的各个车载系统发送的检测信息；

所述云端对所述检测信息进行预处理，获得处理后的检测信息；

所述云端将处理后的检测信息输入训练好的第一深度学习模型中，生成决策规划信息，其中，所述第一深度学习模型基于已标注检测信息及对应标注的决策规划信息训练得到；

所述云端将所述决策规划信息发送至对应的车载系统。

7.如权利要求6所述的决策规划装置，其特征在于，所述决策规划程序被所述处理器执行时还实现以下步骤：

所述云端获取多个不同的检测信息，构建用于训练模型的训练集；

所述云端获取用户对各个检测信息标注的决策规划信息；

所述云端将所述训练集中的检测信息作为模型的输入，将对应标注的决策规划信息作为模型的输出，训练得到所述第一深度学习模型。

8.如权利要求6所述的决策规划装置，其特征在于，所述决策规划程序被所述处理器执行时还实现以下步骤：

所述云端接收各个车载系统基于驾驶员的驾驶选择发送的决策规划选择信息；

所述云端根据所述选择信息及所述决策规划信息对所述第一深度学习决策模型进行优化，获得第二深度学习模型，以供进行决策规划。

9.如权利要求6所述的决策规划装置，其特征在于，所述决策规划程序被所述处理器执行时还实现以下步骤：

所述车载系统基于利用图像采集设备采集的图像数据识别存在目标的目标信息，并确定各个目标的目标距离；

所述车载系统基于所述目标信息和所述目标距离生成检测信息，并将所述检测信息发送至所述云端。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有决策规划程序，所述决策规划程序被处理器执行时实现如权利要求1至5中任一项所述的决策规划方法的步骤。