发明内容
为了克服现有技术中存在的问题,本公开提供一种智能驾驶方法、装置及存储介质。
为了实现上述目的,本公开第一方面提供一种智能驾驶方法,包括:
确定预设的人工智能感知模型的第一置信度,所述人工智能感知模型用于根据传感器信息输出路况信息,所述第一置信度表示所述人工智能感知模型输出正确的路况信息的概率;
当所述第一置信度大于或等于第一预设阈值时,获取所述人工智能感知模型根据所述传感器信息输出的路况信息作为目标路况信息;
确定预设的人工智能决策模型的第二置信度,所述人工智能决策模型用于根据所述目标路况信息输出决策信息,所述第二置信度表示所述人工智能决策模型输出正确的决策信息的概率;
若所述第二置信度小于第二预设阈值,则显示所述目标路况信息;
将接收到的对所述目标路况信息的第一人工决策信息作为目标决策信息,所述目标决策信息用于对所述车辆进行控制。
本公开第二方面提供一种智能驾驶装置,包括:
第一确定模块,用于确定预设的人工智能感知模型的第一置信度,所述人工智能感知模型用于根据传感器信息输出路况信息,所述第一置信度表示所述人工智能感知模型输出正确的路况信息的概率;
第一获取模块,用于当所述第一置信度大于或等于第一预设阈值时,获取所述人工智能感知模型根据所述传感器信息输出的路况信息作为目标路况信息;
第二确定模块,用于确定预设的人工智能决策模型对所述目标路况信息的第二置信度,所述人工智能决策模型用于根据所述目标路况信息输出决策信息,所述第二置信度表示所述人工智能决策模型输出正确的决策信息的概率;
第一显示模块,用于若所述第二置信度小于第二预设阈值,则显示所述目标路况信息;
第二获取模块,用于将接收到的对所述目标路况信息的第一人工决策信息作为目标决策信息,所述目标决策信息用于对所述车辆进行控制。
本公开第三方面提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开第一方面所述方法的步骤。
本公开第四方面提供一种智能驾驶装置,包括:本公开第三方面所述的计算机可读存储介质;以及一个或者多个处理器,用于执行所述计算机可读存储介质中的程序。
采用上述技术方案,至少可以达到如下技术效果:
基于预设的人工智能感知模型的置信度和预设的人工智能决策模型的置信度来确定是否触发人工介入决策,可以使当通过人工智能难以做出可靠决策时,自适应地触发人工介入决策来确保得到可靠的决策结果,基于可靠的决策结果对车辆进行控制,可以提升车辆行驶的安全性。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,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,都属于本公开保护的范围。
需要说明的是,本公开的说明书和权利要求书以及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必理解为描述特定的顺序或先后次序。
图1是根据本公开一示例性实施例示出的一种智能驾驶方法的流程图,如图1所示,该方法包括以下步骤:
在步骤S11中,确定预设的人工智能感知模型的第一置信度,人工智能感知模型用于根据传感器信息输出路况信息。
在本公开的实施例中,第一置信度表示人工智能感知模型输出正确的路况信息的概率,其中,第一置信度越高,则表明人工智能感知模型输出正确的路况信息的概率越大,因而可认为人工智能感知模型输出的路况信息的可靠性越高。
值得说明的是,对于第一置信度的评价,可以采用不同的评价方法,例如相似度、分类概率等。
此外,人工智能感知模型可以是卷积神经网络(Convolutional Neural Network,CNN)模型。
在一种实施方式中,传感器信息可以通过设置在车辆上适当位置的采集装置采集,其中,采集装置可以包括但不限于:雷达、毫米波传感器、超声波传感器、GPS定位器、图像采集器等等。相应地,传感器信息可以包括但不限于声音、距离、图像等信息。
在步骤S12中,当第一置信度大于或等于第一预设阈值时,获取人工智能感知模型根据传感器信息输出的路况信息作为目标路况信息。
当第一置信度大于或等于第一预设阈值时,可以认为人工智能感知模型根据传感器信息输出的路况信息的可靠性较高,因此可以触发人工智能进行感知,即获取人工智能感知模型根据传感器信息输出的路况信息作为目标路况信息。
在本公开的实施例中,路况信息可以包括但不限于车辆周围的行人、其余车辆、车道线以及交通标识等信息。
在步骤S13中,确定预设的人工智能决策模型的第二置信度,人工智能决策模型用于根据目标路况信息输出决策信息。
在本公开的实施例中,第二置信度表示人工智能决策模型根据目标路况信息输出正确的决策信息的概率,其中,第二置信度越高,表明人工智能决策模型输出正确的决策信息的概率越大,因而可以认为人工智能决策模型输出的决策信息的可靠性越高。
值得说明的是,对于第二置信度的评价,可以采用不同的评价方法,例如相似度、分类概率等。
此外,人工智能决策模型可以是循环神经网络(Recurrent Neural Network,RNN)模型。
在步骤S14中,若第二置信度小于第二预设阈值,则显示目标路况信息。
在步骤S15中,将接收到的对目标路况信息的第一人工决策信息作为目标决策信息,目标决策信息用于对车辆进行控制。
若第二置信度小于第二预设阈值,则可以认为人工智能决策模型根据目标路况信息输出的决策信息的可靠性较低,为了保证决策信息的可靠性,此时可以触发人工介入决策,即可以向目标用户展示目标路况信息,由目标用户根据目标路况信息进行决策并输入相应的决策信息(即第一人工决策信息)。在接收到对目标路况信息的第一人工决策信息后,可以将第一人工决策信息作为目标决策信息,并根据该目标决策信息来对车辆进行控制,例如控制车辆加速、减速以及转弯等等。其中,第一决策信息可以包括但不限于车辆的加速度、速度、行驶方向等等,目标用户可以包括但不限于驾乘者、远程监控车辆的客服人员、操控人员等等。
在一种实施方式中,可以采用构建抽象化图像的方式对目标路况信息进行显示。示例地,可以根据目标路况信息确定路况参数(例如包括但不限于车辆周围的障碍物与车辆之间的相对位置关系以及车辆前方的车道线、交通标识等),并将路况参数发送给目的端(例如,车载显示设备、远程监控设备、目标用户携带的手机以及佩戴的头盔等),由目的端根据路况参数重建路况图像并向目标用户展示该路况图像,以便目标用户根据该路况图像进行决策。这样,相对于向目的端直接传输路况图像的方式,可以减少带宽,提高传输速率。
采用上述智能驾驶方法,基于预设的人工智能感知模型的置信度和预设的人工智能决策模型的置信度来确定是否触发人工介入决策,可以使在通过人工智能难以做出可靠决策时,自适应地触发人工介入决策来确保得到可靠的决策结果,基于可靠的决策结果对车辆进行控制,可以提升车辆行驶的安全性。
在另一个实施例中,如图2所示,在接收到对目标路况信息的第一人工决策信息后,还可以利用目标路况信息和第一人工决策信息更新人工智能决策模型,以优化和提升该人工智能决策模型的性能,以便在下一次得到相同或相类似的目标路况信息时,提升人工智能决策模型根据目标路况信息输出的决策信息的可靠性,进一步减少人工介入,达到节省人力的目的。具体地,可以将目标路况信息和第一人工决策信息作为数据样本对来训练人工智能决策模型。
在另一个实施例中,如图2所示,若第二置信度大于或等于第二预设阈值,则可以认为人工智能决策模型输出的决策信息的可靠性较高,此时可以触发人工智能决策,即获取人工智能决策模型根据目标路况信息输出的决策信息作为目标决策信息,并利用该目标决策信息对车辆进行控制。
在另一个实施例中,如图2所示,当第一置信度小于第一预设阈值时,可以认为人工智能感知模型输出的路况信息的可靠性较低,此时可以触发人工介入感知和决策,即可以向目标用户展示传感器信息,由目标用户根据采集到的传感器信息判断路况并基于判断结果进行决策,且输入判断结果(人工感知信息)和决策信息(即第二人工决策信息)。在接收到对传感器信息的人工感知信息和第二人工决策信息后,可以将第二人工决策信息作为目标决策信息,根据该目标决策信息对车辆进行控制,例如,控制车辆加速、减速、转弯等等。其中,第二决策信息可以包括但不限于车辆的速度、加速度、行驶方向等等,目标用户可以包括但不限于驾乘者、远程监控车辆的客服人员、操控人员等等。
在一种实施方式中,为了便于人工感知和决策,显示传感器信息的方式可以包括增强现实(Augmented Reality,AR)、虚拟现实(Virtual Reality,VR)以及混合现实(MixedReality,MR)等方式,以辅助目标用户感知和决策。
在另一个实施例中,如图2所示,为了进一步提升人工智能感知模型和人工智能决策模型的性能,还可以利用传感器信息和接收到的人工感知信息更新人工智能感知模型,以及利用人工感知信息和第二人工决策信息更新人工智能决策模型。具体地,对于人工智能感知模型,可以将传感器信息和人工感知信息标注为数据样本对来训练人工智能感知模型;对于人工智能决策模型,可以将人工感知信息和第二人工决策信息作为数据样本对来训练人工智能决策模型。
采用上述方法,基于人工智能感知模型的第一置信度和人工智能决策模型的第二置信度,在第一置信度小于第一预设阈值时,触发人工介入感知和决策;而在第一置信度大于或等于第一预设阈值而第二置信度小于第二预设阈值时,触发人工介入决策,通过自适应地引入两级人工介入机制来确保得到可靠的决策结果,进而解决了目前仅依靠人工智能难以确保车辆行驶安全性的问题。并且,通过人工介入数据来更新人工智能感知模型和人工智能决策模型,可以优化和提升人工智能的性能,以提高人工智能感知结果和人工智能决策结果的可靠性,在进一步确保车辆行驶安全性的同时,可以进一步减少人工介入,达到节省人力的目的。
值得说明的是,本公开上述实施例所示的智能驾驶方法可以优选地应用于云端服务器。
图3是根据本公开一示例性实施例示出的一种智能驾驶装置的框图,如图3所示,该装置300可以包括:
第一确定模块301,用于确定预设的人工智能感知模型的第一置信度,所述人工智能感知模型用于根据传感器信息输出路况信息,所述第一置信度表示所述人工智能感知模型输出正确的路况信息的概率;
第一获取模块302,用于当所述第一置信度大于或等于第一预设阈值时,获取所述人工智能感知模型根据所述传感器信息输出的路况信息作为目标路况信息;
第二确定模块303,用于确定预设的人工智能决策模型的第二置信度,所述人工智能决策模型用于根据所述目标路况信息输出决策信息,所述第二置信度表示所述人工智能决策模型输出正确的决策信息的概率;
第一显示模块304,用于若所述第二置信度小于第二预设阈值,则显示所述目标路况信息;
第二获取模块305,用于将接收到的对所述目标路况信息的第一人工决策信息作为目标决策信息,所述目标决策信息用于对车辆进行控制。
在另一个实施例中,如图4所示,该装置300还包括:
第一更新模块306,用于利用所述目标路况信息和所述第一人工决策信息更新所述人工智能决策模型。
在另一个实施例中,如图4所示,该装置300还包括:
第三获取模块307,用于若所述第二置信度大于或等于所述第二预设阈值,则获取所述人工智能决策模型根据所述目标路况信息输出的决策信息作为目标决策信息。
在另一个实施例中,如图4所示,该装置300还包括:
第二显示模块308,用于当所述第一置信度小于所述第一预设阈值时,显示所述传感器信息;
第四获取模块309,用于接收对所述传感器信息的人工感知信息和第二人工决策信息并将所述第二人工决策信息作为目标决策信息。
在另一个实施例中,如图4所示,该装置300还包括:
第二更新模块310,用于利用所述传感器信息和所述人工感知信息更新所述人工智能感知模型;
第三更新模块311,用于利用所述人工感知信息和所述第二人工决策信息更新所述人工智能决策模型。
在另一个实施例中,如图4所示,所述第一显示模块304包括:
第一确定子模块341,用于根据所述目标路况信息确定路况参数;
第一显示子模块342,用于将所述路况参数发送给目的端,以指示所述目的端根据所述路况参数生成并显示路况图像。
在另一个实施例中,所述显示所述传感器信息的方式包括:增强现实、虚拟现实和混合现实。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
采用上述智能驾驶装置,基于人工智能感知模型的第一置信度和人工智能决策模型的第二置信度,在第一置信度小于第一预设阈值时,触发人工介入感知和决策;而在第一置信度大于或等于第一预设阈值而第二置信度小于第二预设阈值时,触发人工介入决策,通过自适应地引入两级人工介入机制来确保得到可靠的决策结果,进而解决了目前仅依靠人工智能难以确保车辆行驶安全性的问题。并且,通过人工介入数据来更新人工智能感知模型和人工智能决策模型,可以优化和提升人工智能的性能,以提高人工智能感知结果和人工智能决策结果的可靠性,在进一步确保车辆行驶安全性的同时,可以进一步减少人工介入,达到节省人力的目的。
本公开实施例还提供了一种车辆,所述车辆可以包括信息采集装置和本公开上述实施例提供的智能驾驶装置。
本公开实施例还提供了一种智能驾驶系统,参见图5,该智能驾驶系统可以包括:云端服务器500、显示设备600以及位于现场的车辆控制装置700。
云端服务器500包括智能驾驶装置510。显示设备600可以例如是显示屏、虚拟现实头盔、增强现实头盔等等。车辆控制装置700可以为车辆、手机、电脑等终端,其可以包括信息采集装置710和决策执行装置720,其中,信息采集装置710可以例如是图像采集器、超声波传感器、毫米波传感器、GPS定位器、雷达等等,其可用于采集车辆周围环境的传感器信息。其中,传感器信息可以例如包括但不限于声音、图像、距离等信息。
在车辆的行驶过程中,信息采集装置710可以通过有线(例如,电缆、电网)或者无线(例如,蓝牙、WIFI)的方式将采集到的传感器信息发送给云端服务器500,由云端服务器500的智能驾驶装置510对传感器信息进行分析得到路况信息并根据路况信息进行决策,将决策信息发送给车辆控制装置700的决策执行装置720,由决策执行装置720根据决策信息对车辆进行控制。其中,路况信息可以包括但不限于:车辆周围的行人、其余车辆、车道线、交通标识等信息。决策信息可以例如包括控制车辆加速、减速、转弯等信息。
其中,参见图6,该智能驾驶装置510可以包括处理器522,其数量可以为一个或多个,以及存储器532,用于存储可由处理器522执行的计算机程序。存储器532中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器522可以被配置为执行该计算机程序,以执行上述的智能驾驶方法。
另外,该智能驾驶装置510还可以包括电源组件526和通信组件550,该电源组件526可以被配置为执行智能驾驶装置510的电源管理,该通信组件550可以被配置为实现智能驾驶装置510的通信,例如,有线或无线通信。此外,该智能驾驶装置510还可以包括输入/输出(I/O)接口558。智能驾驶装置510可以操作基于存储在存储器532的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的智能驾驶方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器532,上述程序指令可由智能驾驶装置510的处理器522执行以完成上述的智能驾驶方法。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。