CN111178454A - 自动驾驶数据的标注方法、云端控制平台及存储介质 - Google Patents
自动驾驶数据的标注方法、云端控制平台及存储介质 Download PDFInfo
- Publication number
- CN111178454A CN111178454A CN202010009227.8A CN202010009227A CN111178454A CN 111178454 A CN111178454 A CN 111178454A CN 202010009227 A CN202010009227 A CN 202010009227A CN 111178454 A CN111178454 A CN 111178454A
- Authority
- CN
- China
- Prior art keywords
- data
- data set
- automatic driving
- perception
- scene
- 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
Links
- 238000002372 labelling Methods 0.000 title claims abstract description 59
- 230000008447 perception Effects 0.000 claims abstract description 112
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000003062 neural network model Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 230000001953 sensory effect Effects 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 abstract description 15
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000007405 data analysis Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013496 data integrity verification Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种自动驾驶数据的标注方法、云端控制平台及存储介质;其中,该自动驾驶数据的标注方法包括:根据自动驾驶数据的数据来源将所述自动驾驶数据划分为至少一个数据子集和感知数据集,以分类存储所述感知数据集和所述至少一个数据子集;然后对所述感知数据集进行数据标注,以使得根据数据标注结果构建与场景相关的感知数据集;将所述与场景相关的感知数据集与所述至少一个数据子集进行融合并生成标注数据集。本申请实现了对自动驾驶数据的自动标注,为自动驾驶车辆的测试公开了数据基础,以利用相关数据分析驾驶场景,如根据感知数据判断当前自动驾驶车辆是否正常行驶。
Description
技术领域
本申请涉及数据标注技术领域,具体而言,涉及一种自动驾驶数据的标注方法、云端控制平台及存储介质。
背景技术
现有智能网联云平台会采集大量自动驾驶车辆的车辆状态、车辆位置、车辆驾驶、驾驶路况等数据,目前这些数据通常仅被用于车辆监控方面而难以被使用在自动驾驶车辆的测试中,例如,难以被用于确定自动驾驶车辆是否正常行驶。
发明内容
本申请实施例的目的在于公开一种自动驾驶数据的标注方法、云端控制平台及存储介,用以将采集到的大量自动驾驶数据进行数据标注,从而为自动驾驶车辆的测试公开数据基础的技术效果。
为了解决上述技术问题,本申请采用了如下技术方案:
本申请第一方面公开了一种自动驾驶数据的标注方法,该方法应用于云端控制平台中,该方法包括:
根据自动驾驶数据的数据来源将自动驾驶数据划分为至少一个数据子集和感知数据集,以分类存储感知数据集和至少一个数据子集;
对感知数据集进行数据标注,以使得根据数据标注结果构建与场景相关的感知数据集;
将与场景相关的感知数据集与至少一个数据子集进行融合并生成标注数据集。
在一些可选的实施方式中,将与场景相关的感知数据集与至少一个数据子集进行融合并生成标注数据集之后,自动驾驶数据的标注方法还包括:
按照预设神经网络模型对标注数据集进行机器学习和训练,生成自动驾驶场景数据库。
在一些可选的实施方式中,对感知数据集进行数据标注之前,方法还包括:
按照预设校验规则校验感知数据集,以生成校验后的感知数据集;
按照预设位置序列化规则对校验后的感知数据集进行序列化处理。
在一些可选的实施方式中,按照预设校验规则校验感知数据集,包括:
对感知数据集进行数据一致性校验、数据完整性校验、数据有效性校验、数据重复性校验中的至少一项。
在一些可选的实施方式中,按照预设位置序列化规则对校验后的感知数据集进行序列化处理,包括:
按照地理坐标与时间轴的对应关系生成主线轴;
根据位置和时间关系将校验后的感知数据集对应在主线轴上。
在一些可选的实施方式中,对感知数据集进行数据标注,包括:
对感知数据集进行目标识别,以得到至少一个数据标签;
根据至少一个数据标签对感知数据集进行数据标注。
在一些可选的实施方式中,将与场景相关的感知数据集与至少一个数据子集进行融合并生成标注数据集之前,自动驾驶数据的标注还包括:
将至少一个数据子集标注为异常数据集和正常数据集中一种。
在一些可选的实施方式中,将与场景相关的感知数据集与至少一个数据子集进行融合并生成标注数据集之后,自动驾驶数据的标注方法还包括:
将标注数据集导入自动驾驶预警模型,以训练自动驾驶预警模型。
在一些可选的实施方式中,根据自动驾驶数据的数据来源将自动驾驶数据划分为至少一个数据子集和感知数据集之前,自动驾驶数据的标注还包括:
从至少一个数据源处获取自动驾驶数据,自动驾驶数据包括目标车辆的车身数据、目标车辆的决策数据、目标车辆的控制数据、目标车辆的故障数据中的至少一项。
本申请第二方面公开了一种云端控制平台,云端控制平台包括划分模块、标注模块、融合模块:
划分模块,用于根据自动驾驶数据的数据来源将自动驾驶数据划分为至少一个数据子集和感知数据集,以分类存储感知数据集和至少一个数据子集;
标注模块,用于对感知数据集进行数据标注,以使得根据数据标注结果构建与场景相关的感知数据集;
融合模块,用于将与场景相关的感知数据集与至少一个数据子集进行融合并生成标注数据集。
本申请第三方面公开了另一种云端控制平台,包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行如上任一项的自动驾驶数据的标注方法。
本申请第四方面公开了一种存储介质,其上存储有计算机程序,计算机程序被处理器执行时,执行如本申请第一方面的自动驾驶数据的标注方法。
与现有现有技术相比,本申请的技术方案至少具备如下优点:
1.本申请公开的自动驾驶数据的标注方法,根据自动驾驶数据的数据来源将自动驾驶数据划分为至少一个数据子集和感知数据集,以分类存储感知数据集和至少一个数据子集;然后对感知数据集进行数据标注,以使得根据数据标注结果构建与场景相关的感知数据集;将与场景相关的感知数据集与至少一个数据子集进行融合并生成标注数据集,从而通过对自动驾驶数据的感知数据集分类存储,并构建成与场景相关的感知数据集,最后将与场景相关的感知数据集与数据子集进行融合,生成能反映驾驶场景的相关数据的标注数据集,实现对自动驾驶数据的自动标注,为自动驾驶车辆的测试公开了数据基础,以利用相关数据分析驾驶场景,如根据感知数据判断当前自动驾驶车辆是否正常行驶。
2.本申请按照预设神经网络模型对标注数据集进行机器学习和训练,生成自动驾驶场景数据库,以提高标注数据集的数据价值度、可用范围。
3.本申请按照预设校验规则校验感知数据集,以生成校验后的感知数据集,以保证感知数据集的准确性及可用性;并按照预设位置序列化规则对校验后的感知数据集进行序列化处理,以便数据的标注。
4.本申请将至少一个数据子集标注为异常数据集和正常数据集中一种,以根据标注后的数据子集快速判断自动驾驶车辆是否正常行驶。
5.通过将标注数据集导入自动驾驶预警模型,以训练自动驾驶预警模型,以提高自动驾驶预警模型的预警准确度,进而减少自动驾驶车辆的出错率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例一公开的自动驾驶数据的标注方法的流程示意图;
图2为本申请实施例二公开的自动驾驶数据的标注方法的流程示意图;
图3为本申请实施例三公开的自动驾驶数据的标注方法的流程示意图;
图4为本申请实施例四公开的自动驾驶数据的标注方法的流程示意图;
图5为本申请实施例五公开的自动驾驶数据的标注方法的流程示意图;
图6为本申请实施例六公开的云端控制平台的结构示意图;
图7为本申请实施例七公开的云端控制平台的结构示意图;
图8为本申请实施例四公开的一种自动驾驶数据的标注框架结示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参阅图1,图1是本申请实施例公开的一种自动驾驶数据的标注方法的流程示意图,该方法应用于云端控制平台中。如图1所示,该包括包括步骤:
101、根据自动驾驶数据的数据来源将自动驾驶数据划分为至少一个数据子集和感知数据集,以分类存储感知数据集和至少一个数据子集。
在本申请实施例中,安装在自动驾驶车辆上的采集装置实时采集车辆自身或周围的自动驾驶数据,将该自动驾驶数据发送给云端控制平台进行分析处理,并定期更新。
具体的,云端控制平台根据自动驾驶数据的数据来源进行划分,如划分为感知数据和至少一个数据子集,并将数据分类存储,具体地,可将数据划分为管理数据、数据分析、基础数据、网联车数据和智能车数据这五类数据,再在这五类数据中进一步划分,得到多个数据子集,如将智能车数据划分为感知数据、车身状态、决策控制数据、控制反馈数据和故障信息。
在申请实施例中,数据来源可依据数据类型进行划分,如来自不同方位的数据、感知数据、决策数据、规划数据、控制数据、位置信息、并线盲区辅助信息、车辆状态信息、碰撞信息、障碍物信息等等,该车辆状态信息如发动机运行状态信息、行驶速度、空气质量等。感知数据可以是通过传感器对感知范围内的道路环境进行侦测得到的数据。如倒车雷达、摄像头采集得到的数据。采集装置包括摄像头、雷达传感器以及组合导航系统等等。
102、对感知数据集进行数据标注,以使得根据数据标注结果构建与场景相关的感知数据集;
在本申请实施例中,步骤102可根据数据的不同来源,自动标注数据的属性信息,如将来自GPS的数据自动标注为车辆位置数据,将来自胎压传感器的数据自动标注为车辆状态数据-胎压数据,从而根据自动标注的数据的属性信息,将数据划分为不同的数据子集。
此外,本步骤对感知数据集进行数据标注,从而根据数据标注结果构建与自动驾驶车辆当前场景相关的感知数据集,例如,当自动驾驶车辆位于十字路口时,则将红绿灯信息、周围车辆信息及行人信息进行标注,形成与当前场景相关的感知数据集,以便于了解当前车辆的驾驶状态。
103、将与场景相关的感知数据集与至少一个数据子集进行融合并生成标注数据集。
感知数据反应了自动驾驶车辆周围的环境状态,其由自动驾驶车辆正常行驶过程中由自动驾驶车辆上的各类传感器采集而获取,比如摄像头采集到的视频图像数据、激光传感器采集到的激光点云数据、定位传感器获取到的GPS数据、惯性测量传感器采集到的角速度和加速度等。本申请将与场景相关的感知数据集与至少一个数据子集进行融合,从而可以用于各种车辆的自动驾驶场景测试,以及自动驾驶大数据分析等,其中融合后生成的标注数据集反映了当前自动驾驶车辆的相关数据,可用于分析车辆所处的场景时车辆行驶状态和车辆自身的状态,从而确定在当前场景下车辆是否正常行驶。
示例性地,在测试环境感知系统时,为了避免自动驾驶车辆发生碰撞,利用待测试的自动驾驶车辆来采集感知数据,并结合其他数据子集生成用于判断当前自动驾驶车辆是否有碰撞风险的标注数据集。具体地,通过距离传感器采集车辆与其他车辆的距离,并结合当前车辆的行驶方向及速度判断自动驾驶车辆是否有碰撞风险。
在本申请实施例中,可选地,可对感知数据进行障碍物标注,主要为从感知数据中标注出障碍物的名称、位置、尺寸等信息,以使得自动驾驶车辆可以根据障碍物标注结果进行合理的路线规划,并按照规划好的路线控制自动驾驶车辆行驶。
本申请实施例的自动驾驶数据的标注方法,根据自动驾驶数据的数据来源将自动驾驶数据划分为至少一个数据子集和感知数据集,以分类存储感知数据集和至少一个数据子集;然后对感知数据集进行数据标注,以使得根据数据标注结果构建与场景相关的感知数据集;将与场景相关的感知数据集与至少一个数据子集进行融合并生成标注数据集,从而通过对自动驾驶数据的感知数据集分类存储,并构建成与场景相关的感知数据集,最后将与场景相关的感知数据集与数据子集进行融合,生成能反映驾驶场景的相关数据的标注数据集,实现对自动驾驶数据的自动标注,为自动驾驶车辆的测试公开了数据基础,以利用相关数据分析驾驶场景,如根据感知数据判断当前自动驾驶车辆是否正常行驶。从而保证了自动驾驶车辆测试过程的安全性,并保证具有较低的测试成本。
实施例二
请参阅图2,图2是本申请实施例提供的一种自动驾驶数据的标注方法的流程示意图。如图2所示,该方法包括步骤:
201、根据自动驾驶数据的数据来源将自动驾驶数据划分为至少一个数据子集和感知数据集,以分类存储感知数据集和至少一个数据子集;
202、对感知数据集进行数据标注,以使得根据数据标注结果构建与场景相关的感知数据集;
203、将与场景相关的感知数据集与至少一个数据子集进行融合并生成标注数据集;
204、按照预设神经网络模型对标注数据集进行机器学习和训练,生成自动驾驶场景数据库。
在本申请实施例中,当生成标注数据集后,将标注数据集输入预设神经网络模型中,以生成自动驾驶场景数据库,从而提高标注数据集的数据价值度、可用范围。训练时,可根据预设神经网络模型的输出结果对每次训练后的神经网络模型进行评估,当评估结果不达标时,则调整神经网络模型的相关连接参数,对神经网络模型继续训练,直至收敛时,得到自动驾驶场景数据库,以利用该自动驾驶场景数据库对后续的自动驾驶数据进行自动标注。其中,本实施例采用的训练数据至少超过百亿个参数,且越多越好。
在本申请实施例中,作为一种可选的实施方式,步骤202可以包括子步骤:
对感知数据集进行目标识别,以得到至少一个数据标签;
根据至少一个数据标签对感知数据集进行数据标注。
该可选的实施方式能够根据打完标签的感知数据建立不同的应用场景,例如不同天气,行驶到不同地点的路况情况。建立应用场景例如,识别到路上车很多、有行人在穿行、当前位置结合时间信息等,形成多要素关联关系,建立应用场景可能是上下班高峰路口。同理,如果识别到停车场以及正在停车或上下车的人,可以建立停车场的场景。
实施例三
请参阅图3,图3是本申请实施例提供的一种自动驾驶数据的标注方法的流程示意图。如图3所示,该方法包括步骤:
301、从至少一个数据源处获取自动驾驶数据,自动驾驶数据包括目标车辆的车身数据、目标车辆的决策数据、目标车辆的控制数据、目标车辆的故障数据中的至少一项。
302、根据自动驾驶数据的数据来源将自动驾驶数据划分为至少一个数据子集和感知数据集,以分类存储感知数据集和至少一个数据子集;
303、对感知数据集进行数据标注,以使得根据数据标注结果构建与场景相关的感知数据集;
304、将与场景相关的感知数据集与至少一个数据子集进行融合并生成标注数据集;
305、按照预设神经网络模型对标注数据集进行机器学习和训练,生成自动驾驶场景数据库。
在本申请实施例中,云端控制平台能够对采集于多个数据终端的数据进行处理,具有处理多源数据的能力。
实施例四
请参阅图4,图4是本申请实施例提供的一种自动驾驶数据的标注方法的流程示意图。如图4所示,该方法包括步骤:
401、从至少一个数据源处获取自动驾驶数据,自动驾驶数据包括目标车辆的车身数据、目标车辆的决策数据、目标车辆的控制数据、目标车辆的故障数据中的至少一项。
402、根据自动驾驶数据的数据来源将自动驾驶数据划分为至少一个数据子集和感知数据集,以分类存储感知数据集和至少一个数据子集;
403、按照预设校验规则校验感知数据集,以生成校验后的感知数据集;
404、按照预设位置序列化规则对校验后的感知数据集进行序列化处理;
405、对感知数据集进行数据标注,以使得根据数据标注结果构建与场景相关的感知数据集;
406、将与场景相关的感知数据集与至少一个数据子集进行融合并生成标注数据集;
407、按照预设神经网络模型对标注数据集进行机器学习和训练,生成自动驾驶场景数据库。
示例性地,请参图8,图8是本申请实施例提供的一种自动驾驶数据的标注框架示意图。如图8所示,该自动驾驶数据的标注框架中包括数据校验模块、场景标签化工具模块、训练库生产工具模块,数据分析模块,其中:
数据校验模块可接收实时上传的驾驶数据和感知数据并对驾驶数据和感知数据进行数据校验,当驾驶数据和感知数据校验完毕后,驾驶数据和感知数据被场景标签化工具模块标签化,进而标签化后的驾驶数据和感知数据经过训练库生产工具模块处理并生成自动驾驶场景数据库。
在本申请实施例中,可选地,自动驾驶场景数据库中数据可以通过数据接口向第三方系统提供,也可以被数据分析模块获取以进行进一步地分析。通过数据分析模块,能够提高驾驶数据和感知数据的分析深度,从而挖掘驾驶数据和感知数据中的价值和提高驾驶数据和感知数的应用范围。
在本申请实施例中,对采集的感知数据先进行数据的校验,以提高数据的准确性,以及减少冗余数据的处理;并对校验后的感知数据进行位置序列化处理,以便数据的标注。序列化是将对象的状态信息转换为可以存储或传输的形式的过程。在序列化期间,对象将其当前状态写入到临时或持久性存储区。以后,可以通过从存储区中读取或反序列化对象的状态,重新创建该对象。此外,序列化使其他代码可以查看或修改,那些不序列化便无法访问的对象实例数据。
在本申请实施例中,可选地,按照预设校验规则校验感知数据集可以包括对感知数据集进行数据一致性校验、数据完整性校验、数据有效性校验、数据重复性校验中的至少一项进行校验,从而使得到的数据完整、有效且简洁。
在本申请实施例中,作为一种可选的实施方式,步骤404可以包括子步骤:
按照地理坐标与时间轴的对应关系生成主线轴;
根据位置和时间关系将校验后的感知数据集对应在主线轴上。
在该可选的实施方式中,对检验后的感知数据进行位置序列化处理,可以经纬度的地理坐标与时间轴形成的对应关系生成主线轴,然后将摄像头或雷达采集的感知数据以位置和时间关系对应到该主线轴上,如将周围车辆在某一时刻的位置信息标注在主线轴上,从而用于获取当前场景各个物体的状态信息。
在本申请实施例中,作为一种可选的实施方式,在步骤406之前,自动驾驶数据的标注方法还可包括步骤:
将至少一个数据子集标注为异常数据集和正常数据集中一种。
在该可选的实施方式中,将至少一个数据子集标注为异常数据集和正常数据集中一种,可使得步骤406是将与场景相关的感知数据集与至少一个数据子集的种类进行融合,进而可使得生成两种不同的标注数据集,进而使得标注数据集能够针对不同的使用场景。例如,将以异常标准数据集用于分析异常驾驶,正常标准数据集用于分析正常驾驶。
具体地,通存储在云端控制平台中故障码表能够判断目标车辆向云端控制平台上传的自动驾驶数据是否为目标车辆正常自动驾驶状态下的驾驶数据,若否,则云端控制平台将该驾驶数据标注为异常驾驶数据,若是,则云端控制平台将该驾驶数据标注为正常驾驶数据。进一步地,车辆和云端控制平台之间会定义各种数据集协议也能够将驾驶数据划分而形成的数据子集标注为异常数据集和正常数据集。
实施例五
请参阅图5,图5是本申请实施例提供的一种自动驾驶数据的标注方法的流程示意图。如图5所示,该方法包括步骤:
501、根据自动驾驶数据的数据来源将自动驾驶数据划分为至少一个数据子集和感知数据集,以分类存储感知数据集和至少一个数据子集;
502、对感知数据集进行数据标注,以使得根据数据标注结果构建与场景相关的感知数据集;
503、将与场景相关的感知数据集与至少一个数据子集进行融合并生成标注数据集;
504、将标注数据集导入自动驾驶预警模型,以训练自动驾驶预警模型。
本申请可进一步通过对标注后的标注数据集对自动驾驶预警模型进行训练,以提前进行自动驾驶问题预警,并提高自动驾驶预警模型的预警准确度,进而减少自动驾驶车辆的出错率。如在自动驾驶车辆行驶到某一路段,根据自动驾驶预警模型预警自动驾驶问题高发地点,提示切换手动驾驶模式。
实施例六
请参阅图6,图6是本申请实施例提供的一种云端控制平台的结构示意图。如图6所示,该云端控制平台包括划分模块601、标注模块602和融合模块603:
划分模块601,用于根据自动驾驶数据的数据来源将自动驾驶数据划分为至少一个数据子集和感知数据集,以分类存储感知数据集和至少一个数据子集;
在本申请实施例中,安装在自动驾驶车辆上的采集装置实时采集车辆自身或周围的自动驾驶数据,将该自动驾驶数据发送给云端控制平台进行分析处理,并定期更新。
具体的,云端控制平台根据自动驾驶数据的数据来源进行划分,如划分为感知数据和至少一个数据子集,并将数据分类存储,具体地,可将数据划分为管理数据、数据分析、基础数据、网联车数据和智能车数据这五类数据,再在这五类数据中进一步划分,得到多个数据子集,如将智能车数据划分为感知数据、车身状态、决策控制数据、控制反馈数据和故障信息。
在本申请实施例中,数据来源可依据数据类型进行划分,如来自不同方位的数据、感知数据、决策数据、规划数据、控制数据、位置信息、并线盲区辅助信息、车辆状态信息、碰撞信息、障碍物信息等等,该车辆状态信息如发动机运行状态信息、行驶速度、空气质量等。感知数据可以是通过传感器对感知范围内的道路环境进行侦测得到的数据。如倒车雷达、摄像头采集得到的数据。采集装置包括摄像头、雷达传感器以及组合导航系统等等。
标注模块602,用于对感知数据集进行数据标注,以使得根据数据标注结果构建与场景相关的感知数据集;
本模块可根据数据的不同来源,自动标注数据的属性信息,如将来自GPS的数据自动标注为车辆位置数据,将来自胎压传感器的数据自动标注为车辆状态数据-胎压数据,从而根据自动标注的数据的属性信息,将数据划分为不同的数据子集。
此外,本步骤对感知数据集进行数据标注,从而根据数据标注结果构建与自动驾驶车辆当前场景相关的感知数据集,例如,当自动驾驶车辆位于十字路口时,则将红绿灯信息、周围车辆信息及行人信息进行标注,形成与当前场景相关的感知数据集,以便于了解当前车辆的驾驶状态。
融合模块603,用于将与场景相关的感知数据集与至少一个数据子集进行融合并生成标注数据集。
在本申请实施例中,感知数据反应了自动驾驶车辆周围的环境状态,其由自动驾驶车辆正常行驶过程中由自动驾驶车辆上的各类传感器采集而获取,比如摄像头采集到的视频图像数据、激光传感器采集到的激光点云数据、定位传感器获取到的GPS数据、惯性测量传感器采集到的角速度和加速度等。本申请将与场景相关的感知数据集与至少一个数据子集进行融合,从而可以用于各种车辆的自动驾驶场景测试,以及自动驾驶大数据分析等,其中融合后生成的标注数据集反映了当前自动驾驶车辆的相关数据,可用于分析车辆所处的场景时车辆行驶状态和车辆自身的状态,从而确定在当前场景下车辆是否正常行驶。
示例性地,在测试环境感知系统时,为了避免自动驾驶车辆发生碰撞,利用待测试的自动驾驶车辆来采集感知数据,并结合其他数据子集生成用于判断当前自动驾驶车辆是否有碰撞风险的标注数据集。具体地,通过距离传感器采集车辆与其他车辆的距离,并结合当前车辆的行驶方向及速度判断自动驾驶车辆是否有碰撞风险。
在本申请实施例中,可选地,可对感知数据进行障碍物标注,主要为从感知数据中标注出障碍物的名称、位置、尺寸等信息,以使得自动驾驶车辆可以根据障碍物标注结果进行合理的路线规划,并按照规划好的路线控制自动驾驶车辆行驶。
本申请实施例公开的云端控制平台,能够根据自动驾驶数据的数据来源将自动驾驶数据划分为至少一个数据子集和感知数据集,以分类存储感知数据集和至少一个数据子集;然后对感知数据集进行数据标注,以使得根据数据标注结果构建与场景相关的感知数据集;将与场景相关的感知数据集与至少一个数据子集进行融合并生成标注数据集,从而通过对自动驾驶数据的感知数据集分类存储,并构建成与场景相关的感知数据集,最后将与场景相关的感知数据集与数据子集进行融合,生成能反映驾驶场景的相关数据的标注数据集,实现对自动驾驶数据的自动标注,为自动驾驶车辆的测试公开了数据基础,以利用相关数据分析驾驶场景,如根据感知数据判断当前自动驾驶车辆是否正常行驶。从而保证了自动驾驶车辆测试过程的安全性,并保证具有较低的测试成本。
实施例七
请参阅图7,图7是本申请实施例提供的一种云端控制平台的结构示意图。如图7所示,该云端控制平台除了包括划分模块601、标注模块602和融合模块603,还包括训练模块,其中:
训练模块,用于按照预设神经网络模型对标注数据集进行机器学习和训练,生成自动驾驶场景数据库。
在本申请实施例中,当生成标注数据集后,将标注数据集输入预设神经网络模型中,以生成自动驾驶场景数据库,从而提高标注数据集的数据价值度、可用范围。训练时,可根据预设神经网络模型的输出结果对每次训练后的神经网络模型进行评估,当评估结果不达标时,则调整神经网络模型的相关连接参数,对神经网络模型继续训练,直至收敛时,得到自动驾驶场景数据库,以利用该自动驾驶场景数据库对后续的自动驾驶数据进行自动标注。其中,本实施例采用的训练数据至少超过百亿个参数,且越多越好。
在本申请实施例中,作为一种可选的实施方式,标注模块602包括识别子模块、标准子模块,其中:
识别子模块,用于对感知数据集进行目标识别,以得到至少一个数据标签
标准子模块,用于根据至少一个数据标签对感知数据集进行数据标。
该可选的实施方式能够根据打完标签的感知数据建立不同的应用场景,例如不同天气,行驶到不同地点的路况情况。建立应用场景例如,识别到路上车很多、有行人在穿行、当前位置结合时间信息等,形成多要素关联关系,建立应用场景可能是上下班高峰路口。同理,如果识别到停车场以及正在停车或上下车的人,可以建立停车场的场景。
在本申请实施实施例中,作为一种可选的实施方式,云端控制平台还可以包括获取模块,其中:
获取模块,用于从至少一个数据源处获取自动驾驶数据,自动驾驶数据包括目标车辆的车身数据、目标车辆的决策数据、目标车辆的控制数据、目标车辆的故障数据中的至少一项。
在本申请实施实施例中,作为一种可选的实施方式,云端控制平台还可以包括校验模块、序列化模块,其中:
校验模块,用于按照预设校验规则校验感知数据集,以生成校验后的感知数据集;
序列化模块,用于按照预设位置序列化规则对校验后的感知数据集进行序列化处理。
在本申请实施例中,对采集的感知数据先进行数据的校验,以提高数据的准确性,以及减少冗余数据的处理;并对校验后的感知数据进行位置序列化处理,以便数据的标注。序列化是将对象的状态信息转换为可以存储或传输的形式的过程。在序列化期间,对象将其当前状态写入到临时或持久性存储区。以后,可以通过从存储区中读取或反序列化对象的状态,重新创建该对象。此外,序列化使其他代码可以查看或修改,那些不序列化便无法访问的对象实例数据。
在本申请实施例中,可选地,按照预设校验规则校验感知数据集可以包括对感知数据集进行数据一致性校验、数据完整性校验、数据有效性校验、数据重复性校验中的至少一项进行校验,从而使得到的数据完整、有效且简洁。
在本申请实施例中,作为一种可选的实施方式,序列化模块607包生成子模块、关联子模块,其中:
生成子模块,用于按照地理坐标与时间轴的对应关系生成主线轴;
关联子模块,用于根据位置和时间关系将校验后的感知数据集对应在主线轴上。
在该可选的实施方式中,对检验后的感知数据进行位置序列化处理,可以经纬度的地理坐标与时间轴形成的对应关系生成主线轴,然后将摄像头或雷达采集的感知数据以位置和时间关系对应到该主线轴上,如将周围车辆在某一时刻的位置信息标注在主线轴上,从而用于获取当前场景各个物体的状态信息。
在本申请实施例中,云端控制平台还可以包括预处理模块,其中:
预处理模块,用于将至少一个数据子集标注为异常数据集和正常数据集中一种。
在该可选的实施方式中,将至少一个数据子集标注为异常数据集和正常数据集中一种,可使得步骤406是将与场景相关的感知数据集与至少一个数据子集的种类进行融合,进而可使得生成两种不同的标注数据集,进而使得标注数据集能够针对不同的使用场景。例如,将以异常标准数据集用于分析异常驾驶,正常标准数据集用于分析正常驾驶。
具体地,通存储在云端控制平台中故障码表能够判断目标车辆向云端控制平台上传的自动驾驶数据是否为目标车辆正常自动驾驶状态下的驾驶数据,若否,则云端控制平台将该驾驶数据标注为异常驾驶数据,若是,则云端控制平台将该驾驶数据标注为正常驾驶数据。进一步地,车辆和云端控制平台之间会定义各种数据集协议也能够将驾驶数据划分而形成的数据子集标注为异常数据集和正常数据集。
实施例八
请参阅图7,图7是本申请实施例公开的云端控制平台的结构示意图。如图7所示,该云端控制平台包括:
处理器702;以及
存储器701,配置用于存储机器可读指令,所述指令在由所述处理器702执行时,使得所述处理器702执行如本申请实施例一至实施例五中任一项实施例所述的自动驾驶数据标注方法中的步骤。
本申请实施例的云端控制平台通过执行自动驾驶数据标注方法,能够生成能反映驾驶场景的相关数据的标注数据集,实现对自动驾驶数据的自动标注,为自动驾驶车辆的测试公开了数据基础,以利用相关数据分析驾驶场景,如根据感知数据判断当前自动驾驶车辆是否正常行驶。
实施例九
本申请实施例公开一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序程序被处理器执行如本申请实施例一至实施例五中任一项实施例所述的自动驾驶数据标注方法中的步骤。
本申请实施例的计算机可读存储介质通过执行自动驾驶数据标注方法,能够生成能反映驾驶场景的相关数据的标注数据集,实现对自动驾驶数据的自动标注,为自动驾驶车辆的测试公开了数据基础,以利用相关数据分析驾驶场景,如根据感知数据判断当前自动驾驶车辆是否正常行驶。
实施例十
本申请施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行如本申请实施例一至实施例五中任一项实施例所述的自动驾驶数据标注方法中的步骤。
本申请实施例的计算机程序产品通过执行自动驾驶数据标注方法,能够生成能反映驾驶场景的相关数据的标注数据集,实现对自动驾驶数据的自动标注,为自动驾驶车辆的测试公开了数据基础,以利用相关数据分析驾驶场景,如根据感知数据判断当前自动驾驶车辆是否正常行驶。
在本申请所公开的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种自动驾驶数据的标注方法,其特征在于,所述方法应用于云端控制平台中,所述方法包括:
根据自动驾驶数据的数据来源将所述自动驾驶数据划分为至少一个数据子集和感知数据集,以分类存储所述感知数据集和所述至少一个数据子集;
对所述感知数据集进行数据标注,以使得根据数据标注结果构建与场景相关的感知数据集;
将所述与场景相关的感知数据集与所述至少一个数据子集进行融合并生成标注数据集。
2.如权利要求1所述的自动驾驶数据的标注方法,其特征在于,将所述与场景相关的感知数据集与所述至少一个数据子集进行融合并生成标注数据集之后,所述方法还包括:
按照预设神经网络模型对所述标注数据集进行机器学习和训练,生成自动驾驶场景数据库。
3.如权利要求1-2任一项所述的自动驾驶数据的标注方法,其特征在于,对所述感知数据集进行数据标注之前,所述方法还包括:
按照预设校验规则校验所述感知数据集,以生成校验后的感知数据集;
按照预设位置序列化规则对所述校验后的感知数据集进行序列化处理。
4.如权利要求3所述的自动驾驶数据的标注方法,其特征在于,按照预设校验规则校验所述感知数据集,包括:
对所述感知数据集进行数据一致性校验、数据完整性校验、数据有效性校验、数据重复性校验中的至少一项;
以及,按照预设位置序列化规则对所述校验后的感知数据集进行序列化处理,包括:
按照地理坐标与时间轴的对应关系生成主线轴;
根据位置和时间关系将所述校验后的感知数据集对应在所述主线轴上。
5.如权利要求1所述的自动驾驶数据的标注方法,其特征在于,对所述感知数据集进行数据标注,所述方法包括:
对所述感知数据集进行目标识别,以得到至少一个数据标签;
根据所述至少一个数据标签对感知数据集进行数据标注。
6.如权利要求1所述的自动驾驶数据的标注方法,其特征在于,将所述与场景相关的感知数据集与所述至少一个数据子集进行融合并生成标注数据集之前,所述方法包括:
将所述至少一个数据子集标注为异常数据集和正常数据集中一种;
以及,将所述与场景相关的感知数据集与所述至少一个数据子集进行融合并生成标注数据集之后,所述方法还包括:
将所述标注数据集导入自动驾驶预警模型,以训练所述自动驾驶预警模型。
7.如权利要求1所述的自动驾驶数据的标注方法,其特征在于,根据自动驾驶数据的数据来源将所述自动驾驶数据划分为至少一个数据子集和感知数据集之前,所述方法还包括:
从至少一个数据源处获取所述自动驾驶数据,所述自动驾驶数据包括目标车辆的车身数据、所述目标车辆的决策数据、所述目标车辆的控制数据、所述目标车辆的故障数据中的至少一项。
8.一种云端控制平台,其特征在于,所述云端控制平台包括划分模块、标注模块、融合模块:
所述划分模块,用于根据自动驾驶数据的数据来源将所述自动驾驶数据划分为至少一个数据子集和感知数据集,以分类存储所述感知数据集和所述至少一个数据子集;
所述标注模块,用于对所述感知数据集进行数据标注,以使得根据数据标注结果构建与场景相关的感知数据集;
所述融合模块,用于将所述与场景相关的感知数据集与所述至少一个数据子集进行融合并生成标注数据集。
9.一种云端控制平台,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如权利要求1-9中任一项所述的自动驾驶数据的标注方法。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1至9中任一项所述的自动驾驶数据的标注方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010009227.8A CN111178454A (zh) | 2020-01-03 | 2020-01-03 | 自动驾驶数据的标注方法、云端控制平台及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010009227.8A CN111178454A (zh) | 2020-01-03 | 2020-01-03 | 自动驾驶数据的标注方法、云端控制平台及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111178454A true CN111178454A (zh) | 2020-05-19 |
Family
ID=70646568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010009227.8A Pending CN111178454A (zh) | 2020-01-03 | 2020-01-03 | 自动驾驶数据的标注方法、云端控制平台及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178454A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783225A (zh) * | 2020-06-28 | 2020-10-16 | 北京百度网讯科技有限公司 | 仿真系统中场景处理的方法及装置 |
CN112115798A (zh) * | 2020-08-21 | 2020-12-22 | 东风汽车集团有限公司 | 驾驶场景中的对象标注方法、装置及存储介质 |
CN112180927A (zh) * | 2020-09-27 | 2021-01-05 | 安徽江淮汽车集团股份有限公司 | 一种自动驾驶时域构建方法、设备、存储介质及装置 |
CN112287566A (zh) * | 2020-11-24 | 2021-01-29 | 北京亮道智能汽车技术有限公司 | 一种自动化驾驶场景库生成方法、系统及电子设备 |
KR20210042866A (ko) * | 2020-06-10 | 2021-04-20 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 자동운전 테스트 데이터 저장 방법, 장치, 전자 기기, 저장 매체 및 프로그램 |
CN113157373A (zh) * | 2021-04-27 | 2021-07-23 | 上海全云互联网科技有限公司 | 一种基于云桌面的内容标注平台及方法 |
CN113191279A (zh) * | 2021-05-07 | 2021-07-30 | 北京百度网讯科技有限公司 | 数据标注方法、装置、设备、存储介质以及计算机程序产品 |
CN113449632A (zh) * | 2021-06-28 | 2021-09-28 | 重庆长安汽车股份有限公司 | 一种基于融合感知的视觉与雷达感知算法优化方法、系统及汽车 |
CN113496213A (zh) * | 2021-06-29 | 2021-10-12 | 中汽创智科技有限公司 | 一种目标感知数据的确定方法、装置、系统及存储介质 |
CN114089773A (zh) * | 2022-01-11 | 2022-02-25 | 深圳佑驾创新科技有限公司 | 自动驾驶车辆的测试方法、装置、设备及存储介质 |
WO2022110978A1 (en) * | 2020-11-24 | 2022-06-02 | Suzhou Zhijia Science & Technologies Co., Ltd. | Method and apparatus for driving data search |
CN114945033A (zh) * | 2022-05-19 | 2022-08-26 | 安徽蔚来智驾科技有限公司 | 车端数据回传方法、车端控制器、云端服务器及车辆 |
CN115272994A (zh) * | 2021-09-29 | 2022-11-01 | 上海仙途智能科技有限公司 | 自动驾驶预测模型训练方法、装置、终端及介质 |
CN117194414A (zh) * | 2023-08-02 | 2023-12-08 | 江苏优探智能科技有限公司 | 自动驾驶数据处理系统和自动驾驶数据处理方法 |
WO2024051248A1 (zh) * | 2022-09-09 | 2024-03-14 | 中国第一汽车股份有限公司 | 一种自动驾驶车辆的数据标记方法及标记装置 |
CN117994427A (zh) * | 2024-01-24 | 2024-05-07 | 武汉博润通文化科技股份有限公司 | 一种图像数据处理方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180059672A1 (en) * | 2016-08-29 | 2018-03-01 | Baidu Usa Llc | Method and system to construct surrounding environment for autonomous vehicles to make driving decisions |
CN108762226A (zh) * | 2018-05-14 | 2018-11-06 | 济南浪潮高新科技投资发展有限公司 | 一种自动驾驶车辆测试方法、装置及系统 |
CN109358614A (zh) * | 2018-08-30 | 2019-02-19 | 深圳市易成自动驾驶技术有限公司 | 自动驾驶方法、系统、装置及可读存储介质 |
US20190113917A1 (en) * | 2017-10-16 | 2019-04-18 | Toyota Research Institute, Inc. | System and method for leveraging end-to-end driving models for improving driving task modules |
CN109747659A (zh) * | 2018-11-26 | 2019-05-14 | 北京汽车集团有限公司 | 车辆驾驶的控制方法和装置 |
CN110579216A (zh) * | 2019-09-12 | 2019-12-17 | 百度在线网络技术(北京)有限公司 | 测试场景库构建方法、装置、电子设备和介质 |
CN110598743A (zh) * | 2019-08-12 | 2019-12-20 | 北京三快在线科技有限公司 | 一种目标对象的标注方法和装置 |
-
2020
- 2020-01-03 CN CN202010009227.8A patent/CN111178454A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180059672A1 (en) * | 2016-08-29 | 2018-03-01 | Baidu Usa Llc | Method and system to construct surrounding environment for autonomous vehicles to make driving decisions |
US20190113917A1 (en) * | 2017-10-16 | 2019-04-18 | Toyota Research Institute, Inc. | System and method for leveraging end-to-end driving models for improving driving task modules |
CN108762226A (zh) * | 2018-05-14 | 2018-11-06 | 济南浪潮高新科技投资发展有限公司 | 一种自动驾驶车辆测试方法、装置及系统 |
CN109358614A (zh) * | 2018-08-30 | 2019-02-19 | 深圳市易成自动驾驶技术有限公司 | 自动驾驶方法、系统、装置及可读存储介质 |
CN109747659A (zh) * | 2018-11-26 | 2019-05-14 | 北京汽车集团有限公司 | 车辆驾驶的控制方法和装置 |
CN110598743A (zh) * | 2019-08-12 | 2019-12-20 | 北京三快在线科技有限公司 | 一种目标对象的标注方法和装置 |
CN110579216A (zh) * | 2019-09-12 | 2019-12-17 | 百度在线网络技术(北京)有限公司 | 测试场景库构建方法、装置、电子设备和介质 |
Non-Patent Citations (1)
Title |
---|
薛建儒;李庚欣;: "无人车的场景理解与自主运动", 无人系统技术 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210042866A (ko) * | 2020-06-10 | 2021-04-20 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 자동운전 테스트 데이터 저장 방법, 장치, 전자 기기, 저장 매체 및 프로그램 |
US11814077B2 (en) | 2020-06-10 | 2023-11-14 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for storing autonomous driving test data and electronic device |
KR102525502B1 (ko) | 2020-06-10 | 2023-04-24 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 자동운전 테스트 데이터 저장 방법, 장치, 전자 기기, 저장 매체 및 프로그램 |
EP3923141A1 (en) * | 2020-06-10 | 2021-12-15 | Beijing Baidu Netcom Science And Technology Co. Ltd. | Method and apparatus for storing autonomous driving test data, electronic device, storage medium and computer program product |
CN111783225A (zh) * | 2020-06-28 | 2020-10-16 | 北京百度网讯科技有限公司 | 仿真系统中场景处理的方法及装置 |
CN112115798A (zh) * | 2020-08-21 | 2020-12-22 | 东风汽车集团有限公司 | 驾驶场景中的对象标注方法、装置及存储介质 |
CN112180927A (zh) * | 2020-09-27 | 2021-01-05 | 安徽江淮汽车集团股份有限公司 | 一种自动驾驶时域构建方法、设备、存储介质及装置 |
WO2022110978A1 (en) * | 2020-11-24 | 2022-06-02 | Suzhou Zhijia Science & Technologies Co., Ltd. | Method and apparatus for driving data search |
CN112287566A (zh) * | 2020-11-24 | 2021-01-29 | 北京亮道智能汽车技术有限公司 | 一种自动化驾驶场景库生成方法、系统及电子设备 |
CN112287566B (zh) * | 2020-11-24 | 2024-05-07 | 北京亮道智能汽车技术有限公司 | 一种自动化驾驶场景库生成方法、系统及电子设备 |
CN113157373A (zh) * | 2021-04-27 | 2021-07-23 | 上海全云互联网科技有限公司 | 一种基于云桌面的内容标注平台及方法 |
CN113191279A (zh) * | 2021-05-07 | 2021-07-30 | 北京百度网讯科技有限公司 | 数据标注方法、装置、设备、存储介质以及计算机程序产品 |
CN113449632A (zh) * | 2021-06-28 | 2021-09-28 | 重庆长安汽车股份有限公司 | 一种基于融合感知的视觉与雷达感知算法优化方法、系统及汽车 |
CN113496213A (zh) * | 2021-06-29 | 2021-10-12 | 中汽创智科技有限公司 | 一种目标感知数据的确定方法、装置、系统及存储介质 |
CN113496213B (zh) * | 2021-06-29 | 2024-05-28 | 中汽创智科技有限公司 | 一种目标感知数据的确定方法、装置、系统及存储介质 |
CN115272994A (zh) * | 2021-09-29 | 2022-11-01 | 上海仙途智能科技有限公司 | 自动驾驶预测模型训练方法、装置、终端及介质 |
CN114089773A (zh) * | 2022-01-11 | 2022-02-25 | 深圳佑驾创新科技有限公司 | 自动驾驶车辆的测试方法、装置、设备及存储介质 |
CN114945033A (zh) * | 2022-05-19 | 2022-08-26 | 安徽蔚来智驾科技有限公司 | 车端数据回传方法、车端控制器、云端服务器及车辆 |
EP4280573A1 (en) * | 2022-05-19 | 2023-11-22 | Anhui NIO Autonomous Driving Technology Co., Ltd. | Method for returning data on vehicle, controller on vehicle, cloud server, and vehicle |
WO2024051248A1 (zh) * | 2022-09-09 | 2024-03-14 | 中国第一汽车股份有限公司 | 一种自动驾驶车辆的数据标记方法及标记装置 |
CN117194414A (zh) * | 2023-08-02 | 2023-12-08 | 江苏优探智能科技有限公司 | 自动驾驶数据处理系统和自动驾驶数据处理方法 |
CN117194414B (zh) * | 2023-08-02 | 2024-05-14 | 江苏优探智能科技有限公司 | 自动驾驶数据处理系统和自动驾驶数据处理方法 |
CN117994427A (zh) * | 2024-01-24 | 2024-05-07 | 武汉博润通文化科技股份有限公司 | 一种图像数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178454A (zh) | 自动驾驶数据的标注方法、云端控制平台及存储介质 | |
CN113642633B (zh) | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 | |
CN110796007B (zh) | 场景识别的方法与计算设备 | |
CN109583415B (zh) | 一种基于激光雷达与摄像机融合的交通灯检测与识别方法 | |
CN108334055B (zh) | 车辆自动驾驶算法的检验方法、装置、设备及存储介质 | |
CN102800207B (zh) | 交通信号检测系统和方法 | |
CN106503653A (zh) | 区域标注方法、装置和电子设备 | |
US10369993B2 (en) | Method and device for monitoring a setpoint trajectory to be traveled by a vehicle for being collision free | |
KR101689805B1 (ko) | Obd, gps 및 블랙박스 영상정보를 이용한 교통사고 현장 재현시스템 및 그 방법 | |
WO2020007589A1 (en) | Training a deep convolutional neural network for individual routes | |
CN108960083B (zh) | 基于多传感器信息融合的自动驾驶目标分类方法及系统 | |
US20230180045A1 (en) | Systems and methods for selecting locations to validate automated vehicle data transmission | |
CN116529784A (zh) | 用于增加激光雷达数据的方法和系统 | |
CN109211255A (zh) | 用于为具有自动车辆系统的机动车规划路线的方法 | |
US20230204378A1 (en) | Detecting and monitoring dangerous driving conditions | |
CN110782670A (zh) | 基于数据融合的场景还原方法、车辆云平台及存储介质 | |
CN117056153A (zh) | 校准和验证驾驶员辅助系统和/或自动驾驶系统的方法、系统和计算机程序产品 | |
CN114077541A (zh) | 验证用于自动驾驶车辆的自动控制软件的方法和系统 | |
US11335136B2 (en) | Method for ascertaining illegal driving behavior by a vehicle | |
CN113343359B (zh) | 一种自动驾驶预期功能安全触发条件评估方法及系统 | |
CN113781471A (zh) | 一种自动驾驶测试场系统及方法 | |
Sathya et al. | Pothole Detection Using YOLOv3 Model | |
US12014555B2 (en) | Vehicle localization based on lane templates | |
CN117008574A (zh) | 一种智能网联汽车高级辅助驾驶系统和自动驾驶系统测试平台 | |
US20230273047A1 (en) | Method and Apparatus for Providing a High-Resolution Digital Map |
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 |