CN109460016A - 自动驾驶协助方法、驾驶设备、协助设备及可读存储介质 - Google Patents

自动驾驶协助方法、驾驶设备、协助设备及可读存储介质 Download PDF

Info

Publication number
CN109460016A
CN109460016A CN201811039166.9A CN201811039166A CN109460016A CN 109460016 A CN109460016 A CN 109460016A CN 201811039166 A CN201811039166 A CN 201811039166A CN 109460016 A CN109460016 A CN 109460016A
Authority
CN
China
Prior art keywords
automatic pilot
steer
model
steering instructions
scene information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811039166.9A
Other languages
English (en)
Inventor
陈幽涵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Apollo Intelligent Technology Beijing Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201811039166.9A priority Critical patent/CN109460016A/zh
Publication of CN109460016A publication Critical patent/CN109460016A/zh
Priority to JP2019131410A priority patent/JP6835915B2/ja
Priority to US16/514,131 priority patent/US20200081435A1/en
Priority to EP19187243.1A priority patent/EP3620750B1/en
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明提供的自动驾驶协助方法、驾驶设备、协助设备及可读存储介质，通过驾驶设备利用当前自动驾驶模型对采集获得的当前场景信息进行处理，并根据处理结果向协助设备发起协助驾驶请求；接收并执行所述协助设备反馈的驾驶指令，所述驾驶指令用于结合所述当前场景信息对所述当前自动驾驶模型进行优化，以使利用优化后的自动驾驶模型执行下一自动驾驶任务。从而解决驾驶设备在执行自动驾驶任务时，一旦预设的自动驾驶模型无法对场景信息进行处理，其将直接导致驾驶设备无法进行继续执行自动驾驶任务的问题，提高了自动驾驶模型的智能化和适用性。

Description

自动驾驶协助方法、驾驶设备、协助设备及可读存储介质
技术领域
本发明涉及自动驾驶技术，尤其涉及一种自动驾驶协助方法、驾驶设备、协助设备及可读存储介质。
背景技术
随着科技的发展和社会的进步，自动驾驶技术成为交通领域的发展趋势。
在现有技术中，驾驶设备执行自动驾驶任务是通过预设的自动驾驶模型实现的。驾驶设备实时采集当前的场景信息，并利用该自动驾驶模型对场景信息进行处理，以向驾驶设备输出相应的驾驶指令。
但是，由于该自动驾驶模型是预先设置在驾驶设备内的，一旦驾驶设备遇到复杂地形或复杂路面情况时，自动驾驶模型容易出现对场景信息进行处理，导致驾驶设备无法进行继续执行自动驾驶任务的问题。
发明内容
针对上述提及的现有的驾驶设备在执行自动驾驶任务时，一旦预设的自动驾驶模型无法对场景信息进行处理，其将直接导致驾驶设备无法进行继续执行自动驾驶任务的问题，本发明提供了一种自动驾驶协助方法、驾驶设备、协助设备及可读存储介质。
一方面，本发明提供了一种自动驾驶协助方法，包括：
利用当前自动驾驶模型对采集获得的当前场景信息进行处理，并根据处理结果向协助设备发起协助驾驶请求；
接收并执行所述协助设备反馈的驾驶指令，所述驾驶指令用于结合所述当前场景信息对所述当前自动驾驶模型进行优化，以使利用优化后的自动驾驶模型执行下一自动驾驶任务。
在其中一种可选的实施方式中，自动驾驶模型包括深度学习算法模型；
所述驾驶指令具体用于根据当前场景信息和所述驾驶指令，生成训练样本；利用所述训练样本对深度学习算法模型进行训练，以获得训练后的深度学习算法模型；所述训练后的深度学习算法模型为所述优化后的自动驾驶模型。
在其中一种可选的实施方式中，所述利用当前自动驾驶模型对采集获得的当前场景信息进行处理，并根据处理结果向协助设备发起协助驾驶请求，包括：
利用当前自动驾驶模型对采集获得的当前场景信息进行处理，获得处理结果；
确定所述处理结果的置信度；
当所述置信度小于预设阈值时，向协助设备发起协助驾驶请求。
在其中一种可选的实施方式中，当所述置信度大于或等于预设阈值时，根据所述处理结果执行自动驾驶任务。
另一方面，本发明提供了一种自动驾驶协助方法，包括：
接收驾驶设备发起的协助驾驶请求，所述协助驾驶请求是所述驾驶设备在利用当前自动驾驶模型对采集获得的当前场景信息进行处理，并根据处理结果发起的；
接收用户触发的驾驶指令，并向驾驶设备发送所述驾驶指令，以供所述驾驶设备执行驾驶指令；其中，所述驾驶指令用于结合所述当前场景信息对所述当前自动驾驶模型进行优化，以使利用优化后的自动驾驶模型执行下一自动驾驶任务。
在其中一种可选的实施方式中，所述驾驶请求和所述驾驶指令是通过无线移动网络发送至所述驾驶设备的。
在其中一种可选的实施方式中，所述驾驶请求和所述驾驶指令是通过近场通信技术发送至所述驾驶设备的。
再一方面，本发发明提供了一种驾驶设备，包括：
第一处理单元，用于利用当前自动驾驶模型对采集获得的当前场景信息进行处理，并获得处理结果；
第一通信单元，用于根据处理结果向协助设备发起协助驾驶请求；还用于接收所述协助设备反馈的驾驶指令，以供驾驶设备执行所述驾驶指令；其中，所述驾驶指令用于结合所述当前场景信息对所述当前自动驾驶模型进行优化，以使利用优化后的自动驾驶模型执行下一自动驾驶任务。
在其中一种可选的实施方式中，自动驾驶模型包括深度学习算法模型；
所述驾驶指令具体用于根据当前场景信息和所述驾驶指令，生成训练样本；利用所述训练样本对深度学习算法模型进行训练，以获得训练后的深度学习算法模型；所述训练后的深度学习算法模型为所述优化后的自动驾驶模型。
所述利所述第一处理单元所述第一处理单元还用于确定所述处理结果的置信度；当所述置信度小于预设阈值时，所用通信单元向协助设备发起协助驾驶请求。
所述利所述第一处理单元当所述置信度大于或等于预设阈值时，驾驶设备根据所述处理结果执行自动驾驶任务。
再一方面，本发明提供了一种协助设备，包括：
第二通信单元，用于接收驾驶设备发起的协助驾驶请求，所述协助驾驶请求是所述驾驶设备在利用当前自动驾驶模型对采集获得的当前场景信息进行处理，并根据处理结果发起的；
交互单元，用于接收用户触发的驾驶指令；
所述第二通信单元还用于向驾驶设备发送所述驾驶指令，以供所述驾驶设备执行驾驶指令，其中的所述驾驶指令用于结合所述当前场景信息对所述当前自动驾驶模型进行优化，以使利用优化后的自动驾驶模型执行下一自动驾驶任务。
在其中一种可选的实施方式中，所述驾驶指令是所述第二通信单元通过无线移动网络发送至所述驾驶设备的。
在其中一种可选的实施方式中，所述驾驶指令是所述第二通信单元通过近场通信技术发送至所述驾驶设备的。
再一方面，本发明提供了一种驾驶设备，包括：存储器、与所述存储器连接的处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，
所述处理器运行所述计算机程序时执行如前任一项所述的方法。
再一方面，本发明提供了一种协助设备，包括：存储器、与所述存储器连接的处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，
所述处理器运行所述计算机程序时执行如前任一项所述的方法。
再一方面，本发明提供了一种可读存储介质。包括程序，当其在终端上运行时，使得终端执行如前任一项所述的方法。
最后一方面，本发明提供了一种可读存储介质，包括程序，当其在终端上运行时，使得终端执行如前任一项所述的方法。
本发明提供的自动驾驶协助方法、驾驶设备、协助设备及可读存储介质，通过驾驶设备利用当前自动驾驶模型对采集获得的当前场景信息进行处理，并根据处理结果向协助设备发起协助驾驶请求；接收并执行所述协助设备反馈的驾驶指令，所述驾驶指令用于结合所述当前场景信息对所述当前自动驾驶模型进行优化，以使利用优化后的自动驾驶模型执行下一自动驾驶任务。从而解决驾驶设备在执行自动驾驶任务时，一旦预设的自动驾驶模型无法对场景信息进行处理，其将直接导致驾驶设备无法进行继续执行自动驾驶任务的问题，提高了自动驾驶模型的智能化和适用性。
附图说明
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
图1为本发明基于的网络架构示意图；
图2为本发明实施例一提供的一种自动驾驶协助方法的流程示意图；
图3为本发明实施例二提供的一种自动驾驶协助方法的流程示意图；
图4为本发明实施例三提供的一种自动驾驶协助方法的流程示意图；
图5为本发明实施例四提供的一种自动驾驶协助方法的流程示意图；
图6为本发明实施例五提供的一种驾驶设备的结构示意图；
图7为本发明实施例六提供的一种协助设备的结构示意图；
图8为本发明实施例七提供的一种驾驶设备的硬件结构示意图；
图9为本发明实施例八提供的一种协助设备的硬件结构示意图。
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
随着科技的发展和社会的进步，自动驾驶技术成为交通领域的发展趋势。
在现有技术中，驾驶设备执行自动驾驶任务是通过预设的自动驾驶模型实现的。驾驶设备实时采集当前的场景信息，并利用该自动驾驶模型对场景信息进行处理，以向驾驶设备输出相应的驾驶指令。
但是，由于该自动驾驶模型是预先设置在驾驶设备内的，一旦驾驶设备遇到复杂地形或复杂路面情况时，自动驾驶模型容易出现对场景信息进行处理，导致驾驶设备无法进行继续执行自动驾驶任务的问题。
针对上述提及的现有的驾驶设备在执行自动驾驶任务时，一旦预设的自动驾驶模型无法对场景信息进行处理，其将直接导致驾驶设备无法进行继续执行自动驾驶任务的问题，本发明提供了一种自动驾驶协助方法、设备及可读存储介质。需要说明的是，本申请提供评估自动驾驶协助方法、设备及可读存储介质可运用在采用自动驾驶的应用场景中，这些应用场景包括但不限制于：载人无人驾驶场景、非载人无人机器自动执行包括寻路的工程任务的场景等等。
图1为本发明基于的网络架构示意图，如图1所示，本发明基于的网络架构至少包括：驾驶设备1和协助设备2。其中，该驾驶设备1是指架设无人车、无人机、无人机器人等机动设备内的设备或模组。协助设备2是指可与驾驶设备1取得通信连接和进行数据交互的人机交互终端。
图2为本发明实施例一提供的一种自动驾驶协助方法的流程示意图。
如图2所示，该自动驾驶协助方法包括：
步骤101、利用当前自动驾驶模型对采集获得的当前场景信息进行处理，并根据处理结果向协助设备发起协助驾驶请求。
步骤102、接收并执行所述协助设备反馈的驾驶指令，所述驾驶指令用于结合所述当前场景信息对所述当前自动驾驶模型进行优化，以使利用优化后的自动驾驶模型执行下一自动驾驶任务。
需要说明的是，本发明提供的自动驾驶协助方法的执行主体具体可为图1所示的驾驶设备。具体来说，本发明提供了一种自动驾驶协助方法，首先，在执行自动驾驶任务的过程中，驾驶设备需要持续接收机动设备上的采集模块采集的当前场景信息，其中，采集模块包括设置在机动设备上的影像采集设备，还可包括设置在机动设备内的用于感应或测试机动设备运行状态和运行参数的传感器单元。在驾驶设备接收到当前场景信息之后，驾驶设备将该当前场景信息输入当前自动驾驶模型中，这些信息被自动驾驶模型分析处理，并输出处理结果。其中，自动驾驶模型可采用现有的模型架构，可选的其所输出的处理结果包括在该当前场景下的各驾驶指令的匹配度，以及与该当前场景最为匹配的自动驾驶指令。
驾驶设备可根据其处理结果向协助设备发起协助驾驶请求，以使协助设备在接收到驾驶设备发起的协助驾驶请求之后，通过用户触发驾驶指令的方式，向驾驶设备返回相应的驾驶指令。当驾驶设备在接收到该驾驶指令之后，可执行该驾驶指令。
而与现有技术不同的是，在本实施方式中，为了提高驾驶设备的智能性，使其能够识别更多复杂地形。在驾驶设备处于需要向协助设备发起协助驾驶请求的情况下，其可利用接收到的由协助设备反馈的驾驶指令与自身采集获得的当前场景信息对当前的自动驾驶模型进行优化。也就是说，采用协助设备反馈的驾驶指令和采集获得的当前场景信息，对当前自动驾驶模型进行优化所获得的优化后的自动驾驶模型是具备处理前述场景信息的能力的。该优化后的自动驾驶模型可作为驾驶设备在执行一下自动驾驶任务时所采用的自动驾驶模型。需要说明的是，该优化过程可由本申请提供的驾驶设备执行，也可由云端服务器执行，还可由协助设备端执行，本实施例仅以执行主体为驾驶设备为例进行说明。
通过采用这样不停优化的自动驾驶协助方法，从而使得自动驾驶模型能够不停的学习更多复杂的场景信息的处理方式，提高了其对各种复杂地形的驾驭能力和输出能力。
本发明提供的自动驾驶协助方法，通过驾驶设备利用当前自动驾驶模型对采集获得的当前场景信息进行处理，并根据处理结果向协助设备发起协助驾驶请求；接收并执行所述协助设备反馈的驾驶指令，所述驾驶指令用于结合所述当前场景信息对所述当前自动驾驶模型进行优化，以使利用优化后的自动驾驶模型执行下一自动驾驶任务。从而解决驾驶设备在执行自动驾驶任务时，一旦预设的自动驾驶模型无法对场景信息进行处理，其将直接导致驾驶设备无法进行继续执行自动驾驶任务的问题，提高了自动驾驶模型的智能化和适用性。
在实施例一的基础上，图3为本发明实施例二提供的一种自动驾驶协助方法的流程示意图。需要说明的是，本实施例二提供自动驾驶协助方法是以驾驶设备作为深度学习算法模型的优化的执行主体为例的，在其他可选的方案中，对度学习算法模型的优化也可为协助设备、云端服务器等。
如图3所示，该自动驾驶协助方法包括：
步骤201、利用深度学习算法模型对采集获得的当前场景信息进行处理，并根据处理结果向协助设备发起协助驾驶请求。
步骤202、接收并执行所述协助设备反馈的驾驶指令。
步骤203、根据当前场景信息和所述驾驶指令，生成训练样本。
步骤204、利用所述训练样本对深度学习算法模型进行训练，以获得训练后的深度学习算法模型，以使利用训练后的深度学习算法模型执行下一自动驾驶任务。
与实施例一不同的是，在本实施例二中，自动驾驶模型包括深度学习算法模型，该深度学习算法模型具体包括但不限于神经信念网络模型、卷积神经网络模型、递归神经网络模型。在本实施例二中，首先，在执行自动驾驶任务的过程中，驾驶设备需要持续接收机动设备上的采集模块采集的当前场景信息，其中，采集模块包括设置在机动设备上的影像采集设备，还可包括设置在机动设备内的用于感应或测试机动设备运行状态和运行参数的传感器单元。在驾驶设备接收到当前场景信息之后，驾驶设备将该当前场景信息输入深度学习算法模型中，这些信息被深度学习算法模型分析处理，并输出处理结果。其中，深度学习算法模型所输出的处理结果包括在该当前场景下的各驾驶指令的匹配度，以及与该当前场景最为匹配的自动驾驶指令。
驾驶设备可根据其处理结果向协助设备发起协助驾驶请求，以使协助设备在接收到驾驶设备发起的协助驾驶请求之后，通过用户触发驾驶指令的方式，向驾驶设备返回相应的驾驶指令。当驾驶设备在接收到该驾驶指令之后，可执行该驾驶指令。
在本实施方式中，在驾驶设备处于需要向协助设备发起协助驾驶请求的情况下，其可利用接收到的由协助设备反馈的驾驶指令与自身采集获得的当前场景信息对当前的深度学习算法模型进行再次训练。也就是说，在接收到驾驶指令之后，驾驶设备可利用该驾驶指令和当前场景信息生成用于训练深度学习算法模型的训练样本。随后，利用训练样本对深度学习算法模型进行训练，以获得训练后的深度学习算法模型，以使利用训练后的深度学习算法模型执行下一自动驾驶任务。通过采用这样不停使深度学习算法模型学习训练样本的方式，从而使得深度学习算法模型更为完善，也提高了其对各种复杂地形的驾驭能力和输出能力。
本发明提供的自动驾驶协助方法，通过驾驶设备利用当前自动驾驶模型对采集获得的当前场景信息进行处理，并根据处理结果向协助设备发起协助驾驶请求；接收并执行所述协助设备反馈的驾驶指令，所述驾驶指令用于结合所述当前场景信息对所述当前自动驾驶模型进行优化，以使利用优化后的自动驾驶模型执行下一自动驾驶任务。从而解决驾驶设备在执行自动驾驶任务时，一旦预设的自动驾驶模型无法对场景信息进行处理，其将直接导致驾驶设备无法进行继续执行自动驾驶任务的问题，提高了自动驾驶模型的智能化和适用性
在实施例一或实施例二的基础上，图4为本发明实施例三提供的一种自动驾驶协助方法的流程示意图。需要说明的是，本实施例二提供自动驾驶协助方法是以驾驶设备作为深度学习算法模型的优化的执行主体为例的，在其他可选的方案中，对度学习算法模型的优化也可为协助设备、云端服务器等。
如图4所示，该自动驾驶协助方法包括：
步骤301、利用当前自动驾驶模型对采集获得的当前场景信息进行处理，获得处理结果。
步骤302、确定所述处理结果的置信度，并判断所述置信度是否小于预设阈值。
若是，则执行步骤304；若否，则执行步骤303。
步骤303、根据所述处理结果执行自动驾驶任务。
步骤304、向协助设备发起协助驾驶请求。
步骤305、接收并执行所述协助设备反馈的驾驶指令。
步骤306、根据所述驾驶指令和所述当前场景信息对所述当前自动驾驶模型进行优化，以使利用优化后的自动驾驶模型执行下一自动驾驶任务。
与实施例一不同的是，本实施例三提供了一种自动驾驶协助方法，首先，在执行自动驾驶任务的过程中，驾驶设备需要持续接收机动设备上的采集模块采集的当前场景信息，其中，采集模块包括设置在机动设备上的影像采集设备，还可包括设置在机动设备内的用于感应或测试机动设备运行状态和运行参数的传感器单元。在驾驶设备接收到当前场景信息之后，驾驶设备将该当前场景信息输入当前自动驾驶模型中，这些信息被自动驾驶模型分析处理，并输出处理结果。
随后，驾驶装备将确定该处理结果的置信度，当该置信度大于等于预设的阈值时，则将驾驶设备直接处理结果执行自动驾驶任务；否则，将向协助设备发起协助驾驶请求。其中的置信度的预设阈值可例如百分之五十。
与前述实施方式类似的是，驾驶设备可根据其处理结果向协助设备发起协助驾驶请求，以使协助设备在接收到驾驶设备发起的协助驾驶请求之后，通过用户触发驾驶指令的方式，向驾驶设备返回相应的驾驶指令。当驾驶设备在接收到该驾驶指令之后，可执行该驾驶指令。
为了提高驾驶设备的智能性，使其能够识别更多复杂地形。在驾驶设备处于需要向协助设备发起协助驾驶请求的情况下，其可利用接收到的由协助设备反馈的驾驶指令与自身采集获得的当前场景信息对当前的自动驾驶模型进行优化。也就是说，采用协助设备反馈的驾驶指令和采集获得的当前场景信息，对当前自动驾驶模型进行优化所获得的优化后的自动驾驶模型是具备处理前述场景信息的能力的。该优化后的自动驾驶模型可作为驾驶设备在执行一下自动驾驶任务时所采用的自动驾驶模型。通过采用这样不停优化的自动驾驶协助方法，从而使得自动驾驶模型能够不停的学习更多复杂的场景信息的处理方式，提高了其对各种复杂地形的驾驭能力和输出能力。
本发明提供的自动驾驶协助方法，通过驾驶设备利用当前自动驾驶模型对采集获得的当前场景信息进行处理，并根据处理结果向协助设备发起协助驾驶请求；接收并执行所述协助设备反馈的驾驶指令；根据所述驾驶指令和所述当前场景信息对所述当前自动驾驶模型进行优化，以使利用优化后的自动驾驶模型执行下一自动驾驶任务。从而解决驾驶设备在执行自动驾驶任务时，一旦预设的自动驾驶模型无法对场景信息进行处理，其将直接导致驾驶设备无法进行继续执行自动驾驶任务的问题，提高了自动驾驶模型的智能化和适用性。
图5为本发明实施例四提供的一种自动驾驶协助方法的流程示意图。
如图5所示，该自动驾驶协助方法包括：
步骤401、接收驾驶设备发起的协助驾驶请求，所述协助驾驶请求是所述驾驶设备在利用当前自动驾驶模型对采集获得的当前场景信息进行处理，并根据处理结果发起的；
步骤402、接收用户触发的驾驶指令，并向驾驶设备发送所述驾驶指令，以供所述驾驶设备执行驾驶指令；其中，所述驾驶指令用于结合所述当前场景信息对所述当前自动驾驶模型进行优化，以使利用优化后的自动驾驶模型执行下一自动驾驶任务。
需要说明的是，本发明提供的自动驾驶协助方法的执行主体具体可为图1所示的协助设备。具体的，协助驾驶设备可为架设在远端的可与驾驶设备实现远程通信的交互终端，也可为架设在机动设备内的可与驾驶设备实现近场通信的交互设备。其中，执行自动驾驶任务的过程中，驾驶设备会持续采集场景信息，并利用自动驾驶模型对当前场景信息处理，以供执行自动驾驶任务。当其自动驾驶模型所输出的结果触发协助自动驾驶功能时，驾驶设备将向协助设备发起协助驾驶请求。随后，协助设备可与用户取得交互，并将用户触发的驾驶指令发送至驾驶设备，以供其执行，并对其内部署的自动驾驶模型进行优化。其中，交互的方式可包括向用户展示当前场景信息以及接受用户通过硬件设备输入的驾驶指令，其中的硬件设备包括但不限于、键盘、鼠标、触摸屏等等。可选的，驾驶请求和驾驶指令是通过无线移动网络发送至驾驶设备的。可选的驾驶请求和驾驶指令是通过近场通信技术发送至驾驶设备的。
本发明提供的自动驾驶协助方法，通过驾驶设备利用当前自动驾驶模型对采集获得的当前场景信息进行处理，并根据处理结果向协助设备发起协助驾驶请求；接收并执行所述协助设备反馈的驾驶指令，所述驾驶指令用于结合所述当前场景信息对所述当前自动驾驶模型进行优化，以使利用优化后的自动驾驶模型执行下一自动驾驶任务。从而解决驾驶设备在执行自动驾驶任务时，一旦预设的自动驾驶模型无法对场景信息进行处理，其将直接导致驾驶设备无法进行继续执行自动驾驶任务的问题，提高了自动驾驶模型的智能化和适用性。
图6为本发明实施例五提供的一种驾驶设备的结构示意图，如图6所示，该驾驶设备包括：
第一处理单元10，用于利用当前自动驾驶模型对采集获得的当前场景信息进行处理，并获得处理结果；
第一通信单元11，用于根据处理结果向协助设备发起协助驾驶请求；还用于接收所述协助设备反馈的驾驶指令，以供驾驶设备执行所述驾驶指令；其中，所述驾驶指令用于结合所述当前场景信息对所述当前自动驾驶模型进行优化，以使利用优化后的自动驾驶模型执行下一自动驾驶任务。
在其中一种可选的实施方式中，自动驾驶模型包括深度学习算法模型；
所述驾驶指令具体用于根据当前场景信息和所述驾驶指令，生成训练样本；利用所述训练样本对深度学习算法模型进行训练，以获得训练后的深度学习算法模型；所述训练后的深度学习算法模型为所述优化后的自动驾驶模型。
所述利所述第一处理单元10所述第一处理单元10还用于确定所述处理结果的置信度；当所述置信度小于预设阈值时，所用通信单元向协助设备发起协助驾驶请求。
所述利所述第一处理单元10当所述置信度大于或等于预设阈值时，驾驶设备根据所述处理结果执行自动驾驶任务。
所述领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程以及相应的有益效果，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明提供的驾驶设备，通过驾驶设备利用当前自动驾驶模型对采集获得的当前场景信息进行处理，并根据处理结果向协助设备发起协助驾驶请求；接收并执行所述协助设备反馈的驾驶指令，所述驾驶指令用于结合所述当前场景信息对所述当前自动驾驶模型进行优化，以使利用优化后的自动驾驶模型执行下一自动驾驶任务。从而解决驾驶设备在执行自动驾驶任务时，一旦预设的自动驾驶模型无法对场景信息进行处理，其将直接导致驾驶设备无法进行继续执行自动驾驶任务的问题，提高了自动驾驶模型的智能化和适用性。
图7为本发明实施例六提供的一种协助设备的结构示意图，如图7所示，该协助设备包括：
第二通信单元20，用于接收驾驶设备发起的协助驾驶请求，所述协助驾驶请求是所述驾驶设备在利用当前自动驾驶模型对采集获得的当前场景信息进行处理，并根据处理结果发起的；
交互单元21，用于接收用户触发的驾驶指令；
所述第二通信单元20还用于向驾驶设备发送所述驾驶指令，以供所述驾驶设备执行驾驶指令，其中的所述驾驶指令用于结合所述当前场景信息对所述当前自动驾驶模型进行优化，以使利用优化后的自动驾驶模型执行下一自动驾驶任务。
所述驾驶指令是所述第二通信单元20通过无线移动网络发送至所述驾驶设备的。
所述驾驶指令是所述第二通信单元20通过近场通信技术发送至所述驾驶设备的。
所述领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程以及相应的有益效果，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明提供的驾驶设备，通过驾驶设备利用当前自动驾驶模型对采集获得的当前场景信息进行处理，并根据处理结果向协助设备发起协助驾驶请求；接收并执行所述协助设备反馈的驾驶指令，所述驾驶指令用于结合所述当前场景信息对所述当前自动驾驶模型进行优化，以使利用优化后的自动驾驶模型执行下一自动驾驶任务。从而解决驾驶设备在执行自动驾驶任务时，一旦预设的自动驾驶模型无法对场景信息进行处理，其将直接导致驾驶设备无法进行继续执行自动驾驶任务的问题，提高了自动驾驶模型的智能化和适用性。
图8为本发明实施例七提供的一种驾驶设备的硬件结构示意图，如图8所示，如图8所示，该驾驶设备包括：处理器42及存储在存储器41上并可在处理器42上运行的计算机程序，处理器42运行计算机程序时执行上述实施例一至三所述的方法。
图9为本发明实施例八提供的一种协助设备的硬件结构示意图，如图9所示，如图9所示，该协助设备包括：处理器52及存储在存储器51上并可在处理器52上运行的计算机程序，处理器52运行计算机程序时执行上述实施例四所述的方法。
本发明提供了一种可读存储介质，包括程序，当其在终端上运行时，使得终端执行上述实施例一至三所述的方法。
本发明提供了一种可读存储介质，包括程序，当其在终端上运行时，使得终端执行执行上述实施例四所述的方法。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (18)

1.一种自动驾驶协助方法，其特征在于，包括：
利用当前自动驾驶模型对采集获得的当前场景信息进行处理，并根据处理结果向协助设备发起协助驾驶请求；
接收并执行所述协助设备反馈的驾驶指令，所述驾驶指令用于结合所述当前场景信息对所述当前自动驾驶模型进行优化，以使利用优化后的自动驾驶模型执行下一自动驾驶任务。
2.根据权利要求1所述的自动驾驶协助方法，其特征在于，自动驾驶模型包括深度学习算法模型；
所述驾驶指令具体用于根据当前场景信息和所述驾驶指令，生成训练样本；利用所述训练样本对深度学习算法模型进行训练，以获得训练后的深度学习算法模型；所述训练后的深度学习算法模型为所述优化后的自动驾驶模型。
3.根据权利要求1所述的自动驾驶协助方法，其特征在于，所述利用当前自动驾驶模型对采集获得的当前场景信息进行处理，并根据处理结果向协助设备发起协助驾驶请求，包括：
利用当前自动驾驶模型对采集获得的当前场景信息进行处理，获得处理结果；
确定所述处理结果的置信度；
当所述置信度小于预设阈值时，向协助设备发起协助驾驶请求。
4.根据权利要求3所述的自动驾驶协助方法，其特征在于，当所述置信度大于或等于预设阈值时，根据所述处理结果执行自动驾驶任务。
5.一种自动驾驶协助方法，其特征在于，包括：
接收驾驶设备发起的协助驾驶请求，所述协助驾驶请求是所述驾驶设备在利用当前自动驾驶模型对采集获得的当前场景信息进行处理，并根据处理结果发起的；
接收用户触发的驾驶指令，并向驾驶设备发送所述驾驶指令，以供所述驾驶设备执行驾驶指令；其中，所述驾驶指令用于结合所述当前场景信息对所述当前自动驾驶模型进行优化，以使利用优化后的自动驾驶模型执行下一自动驾驶任务。
6.根据权利要求5所述的自动驾驶协助方法，其特征在于，所述驾驶请求和所述驾驶指令是通过无线移动网络发送至所述驾驶设备的。
7.根据权利要求5所述的自动驾驶协助方法，其特征在于，所述驾驶请求和所述驾驶指令是通过近场通信技术发送至所述驾驶设备的。
8.一种驾驶设备，其特征在于，包括：
第一处理单元，用于利用当前自动驾驶模型对采集获得的当前场景信息进行处理，并获得处理结果；
第一通信单元，用于根据处理结果向协助设备发起协助驾驶请求；还用于接收所述协助设备反馈的驾驶指令，以供驾驶设备执行所述驾驶指令；其中，所述驾驶指令用于结合所述当前场景信息对所述当前自动驾驶模型进行优化，以使利用优化后的自动驾驶模型执行下一自动驾驶任务。
9.根据权利要求8所述的驾驶设备，其特征在于，自动驾驶模型包括深度学习算法模型；
所述驾驶指令具体用于根据当前场景信息和所述驾驶指令，生成训练样本；利用所述训练样本对深度学习算法模型进行训练，以获得训练后的深度学习算法模型；所述训练后的深度学习算法模型为所述优化后的自动驾驶模型。
10.根据权利要求8所述的驾驶设备，其特征在于，所述第一处理单元还用于确定所述处理结果的置信度；当所述置信度小于预设阈值时，所用通信单元向协助设备发起协助驾驶请求。
11.根据权利要求10所述的驾驶设备，其特征在于，当所述置信度大于或等于预设阈值时，驾驶设备根据所述处理结果执行自动驾驶任务。
12.一种协助设备，其特征在于，包括：
第二通信单元，用于接收驾驶设备发起的协助驾驶请求，所述协助驾驶请求是所述驾驶设备在利用当前自动驾驶模型对采集获得的当前场景信息进行处理，并根据处理结果发起的；
交互单元，用于接收用户触发的驾驶指令；
所述第二通信单元还用于向驾驶设备发送所述驾驶指令，以供所述驾驶设备执行驾驶指令，其中的所述驾驶指令用于结合所述当前场景信息对所述当前自动驾驶模型进行优化，以使利用优化后的自动驾驶模型执行下一自动驾驶任务。
13.根据权利要求12所述的协助设备，其特征在于，所述驾驶请求和所述驾驶指令是所述第二通信单元通过无线移动网络发送至所述驾驶设备的。
14.根据权利要求12所述的协助设备，其特征在于，所述驾驶请求和所述驾驶指令是所述第二通信单元通过近场通信技术发送至所述驾驶设备的。
15.一种驾驶设备，其特征在于，包括：存储器、与所述存储器连接的处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，
所述处理器运行所述计算机程序时执行权利要求1-4任一项所述的方法。
16.一种协助设备，其特征在于，包括：存储器、与所述存储器连接的处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，
所述处理器运行所述计算机程序时执行权利要求5-7任一项所述的方法。
17.一种可读存储介质，其特征在于，包括程序，当其在终端上运行时，使得终端执行权利要求1-4任一项所述的方法。
18.一种可读存储介质，其特征在于，包括程序，当其在终端上运行时，使得终端执行权利要求5-7任一项所述的方法。
CN201811039166.9A 2018-09-06 2018-09-06 自动驾驶协助方法、驾驶设备、协助设备及可读存储介质 Pending CN109460016A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201811039166.9A CN109460016A (zh) 2018-09-06 2018-09-06 自动驾驶协助方法、驾驶设备、协助设备及可读存储介质
JP2019131410A JP6835915B2 (ja) 2018-09-06 2019-07-16 自動運転支援方法、運転機器、支援機器及びコンピュータ読み取り可能な記憶媒体
US16/514,131 US20200081435A1 (en) 2018-09-06 2019-07-17 Autonomous driving assistance method, driving device, assistance device and readable storage medium
EP19187243.1A EP3620750B1 (en) 2018-09-06 2019-07-19 Autonomous driving assistance method, driving device, assistance device and readable storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811039166.9A CN109460016A (zh) 2018-09-06 2018-09-06 自动驾驶协助方法、驾驶设备、协助设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN109460016A true CN109460016A (zh) 2019-03-12

Family

ID=65606617

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811039166.9A Pending CN109460016A (zh) 2018-09-06 2018-09-06 自动驾驶协助方法、驾驶设备、协助设备及可读存储介质

Country Status (4)

Country Link
US (1) US20200081435A1 (zh)
EP (1) EP3620750B1 (zh)
JP (1) JP6835915B2 (zh)
CN (1) CN109460016A (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11157813B1 (en) * 2020-04-24 2021-10-26 StradVision, Inc. Method and device for on-vehicle active learning to be used for training perception network of autonomous vehicle
EP3904989A1 (en) * 2020-04-29 2021-11-03 von Reventlow, Christian Service robot system, robot and method for operating the service robot
CN118067141B (zh) * 2024-03-25 2024-07-05 腾讯科技（深圳）有限公司 数据处理方法、装置、电子设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9201421B1 (en) * 2013-11-27 2015-12-01 Google Inc. Assisted perception for autonomous vehicles
CN105446338A (zh) * 2015-12-21 2016-03-30 福州华鹰重工机械有限公司 云辅助自动驾驶方法及系统
JP2017033539A (ja) * 2016-05-31 2017-02-09 パナソニックＩｐマネジメント株式会社 運転支援装置、運転支援システム、運転支援方法、運転支援プログラム及び自動運転車両
US20180074493A1 (en) * 2016-09-13 2018-03-15 Toyota Motor Engineering & Manufacturing North America, Inc. Method and device for producing vehicle operational data based on deep learning techniques
CN108281024A (zh) * 2017-01-06 2018-07-13 现代自动车株式会社 自主驾驶系统和自主驾驶方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07108849A (ja) * 1993-10-13 1995-04-25 Hitachi Ltd 車の自動走行制御装置
CN107207010B (zh) * 2015-03-31 2019-10-18 日立汽车系统株式会社 自动驾驶控制装置
KR102137213B1 (ko) * 2015-11-16 2020-08-13 삼성전자 주식회사 자율 주행을 위한 모델 학습 장치 및 방법과 자율 주행 장치
JP6358585B2 (ja) * 2016-04-28 2018-07-18 本田技研工業株式会社 車両制御システム、交通制御システム、車両制御方法、および車両制御プログラム
KR102613790B1 (ko) * 2016-05-25 2023-12-15 주식회사 에이치엘클레무브 주행 학습 기반 자율 주행 시스템 및 방법
US10802484B2 (en) * 2016-11-14 2020-10-13 Baidu Usa Llc Planning feedback based decision improvement system for autonomous driving vehicle
JP2018081763A (ja) * 2016-11-14 2018-05-24 株式会社豊田自動織機 電池モジュール
WO2018170074A1 (en) * 2017-03-14 2018-09-20 Starsky Robotics, Inc. Vehicle sensor system and method of use
US10019654B1 (en) * 2017-06-28 2018-07-10 Accenture Global Solutions Limited Image object recognition
US11435732B2 (en) * 2017-07-12 2022-09-06 Accenture Global Solutions Limited Cognitive and adaptive telemetry
CA3026684A1 (en) * 2017-12-06 2019-06-06 Mehdi MERAI System and method for automatically improving gathering of data using a data gathering device

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9201421B1 (en) * 2013-11-27 2015-12-01 Google Inc. Assisted perception for autonomous vehicles
CN105446338A (zh) * 2015-12-21 2016-03-30 福州华鹰重工机械有限公司 云辅助自动驾驶方法及系统
JP2017033539A (ja) * 2016-05-31 2017-02-09 パナソニックＩｐマネジメント株式会社 運転支援装置、運転支援システム、運転支援方法、運転支援プログラム及び自動運転車両
US20180074493A1 (en) * 2016-09-13 2018-03-15 Toyota Motor Engineering & Manufacturing North America, Inc. Method and device for producing vehicle operational data based on deep learning techniques
CN108281024A (zh) * 2017-01-06 2018-07-13 现代自动车株式会社 自主驾驶系统和自主驾驶方法

Also Published As

Publication number Publication date
EP3620750A1 (en) 2020-03-11
US20200081435A1 (en) 2020-03-12
JP6835915B2 (ja) 2021-02-24
EP3620750B1 (en) 2022-08-31
JP2020042787A (ja) 2020-03-19

Similar Documents

Publication Publication Date Title
CN109460016A (zh) 自动驾驶协助方法、驾驶设备、协助设备及可读存储介质
CN109598184B (zh) 一种多分割任务的处理方法和装置
Fong et al. Collaboration, dialogue, human-robot interaction
CN107139179A (zh) 一种智能服务机器人及工作方法
CN109389042A (zh) 协助驾驶的方法、设备、无人驾驶设备及可读存储介质
CN111026873B (zh) 无人车及其导航方法、装置
WO2021008339A1 (zh) 机器人、基于机器人的清洁方法和计算机可读存储介质
CN112416323B (zh) 控制代码的生成方法、运行方法、装置、设备及存储介质
JP2020126618A (ja) 自律走行ネットワークの検出プロセスを検証する説明可能な人工知能を利用して運転者に潜在的リスクの状況について警告することにより機能的安全性を提供する学習方法及び学習装置、そしてこれを用いたテスティング方法及びテスティング装置｛ｌｅａｒｎｉｎｇ ｍｅｔｈｏｄ ａｎｄ ｌｅａｒｎｉｎｇ ｄｅｖｉｃｅ ｆｏｒ ｐｒｏｖｉｄｉｎｇ ｆｕｎｃｔｉｏｎａｌ ｓａｆｅｔｙ ｂｙ ｗａｒｎｉｎｇ ｄｒｉｖｅｒ ａｂｏｕｔ ｐｏｔｅｎｔｉａｌ ｄａｎｇｅｒｏｕｓ ｓｉｔｕａｔｉｏｎ ｂｙ ｕｓｉｎｇ ｅｘｐｌａｉｎａｂｌｅ ａｉ ｗｈｉｃｈ ｖｅｒｉｆｉｅｓ ｄｅｔｅｃｔｉｏｎ ｐｒｏｃｅｓｓｅｓ ｏｆ ａｕｔｏｎｏｍｏｕｓ ｄｒｉｖｉｎｇ ｎｅｔｗｏｒｋ， ａｎｄ ｔｅｓｔｉｎｇ ｍｅｔｈｏｄ ａｎｄ ｔｅｓｔｉｎｇ ｄｅｖｉｃｅ ｕｓｉｎｇ ｔｈｅ ｓａｍｅ｝
KR100486382B1 (ko) 로봇의 지능 보완 방법 및 시스템, 이에 의한 로봇을이용한 다이나믹 교육 방법 및 시스템
Chen et al. Towards end-to-end embodied decision making via multi-modal large language model: Explorations with gpt4-vision and beyond
CN109088452B (zh) 机器人充电方法及机器人
CN110478911A (zh) 基于机器学习的智能游戏车无人驾驶方法及智能车、设备
CN110517672B (zh) 用户意图识别方法、用户指令执行方法、系统及设备
CN114428844A (zh) 对话管理方法、对话管理系统及设备、存储介质
CN113420606B (zh) 一种基于自然语言和机器视觉实现机器人自主导航的方法
CN110796266A (zh) 基于公共信息的强化学习实现方法、设备及存储介质
Jaladi et al. End-to-end training and testing gamification framework to learn human highway driving
CN113670310B (zh) 视觉语音导航方法、装置、设备及存储介质
Knox et al. Understanding human teaching modalities in reinforcement learning environments: A preliminary report
CN111539292B (zh) 一种用于具现化场景问答任务的动作决策模型及方法
CN111152228B (zh) 一种机器人动作自规划系统
Guo et al. Vision-based autonomous driving for smart city: a case for end-to-end learning utilizing temporal information
CN108415983B (zh) 一种基于交互的智能问题解决方法和装置
CN116499468B (zh) 一种机器人路径规划方法、电子设备以及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20211021

Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085

Applicant after: Apollo Intelligent Technology (Beijing) Co.,Ltd.

Address before: 100085 Baidu Building, 10 Shangdi Tenth Street, Haidian District, Beijing

Applicant before: BAIDU ONLINE NETWORK TECHNOLOGY (BEIJING) Co.,Ltd.

TA01 Transfer of patent application right