CN111800143A - It云辅助通用无损数据压缩 - Google Patents
It云辅助通用无损数据压缩 Download PDFInfo
- Publication number
- CN111800143A CN111800143A CN202010229868.4A CN202010229868A CN111800143A CN 111800143 A CN111800143 A CN 111800143A CN 202010229868 A CN202010229868 A CN 202010229868A CN 111800143 A CN111800143 A CN 111800143A
- Authority
- CN
- China
- Prior art keywords
- data set
- vehicle
- cloud platform
- data
- target environment
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
- H03M7/55—Compression Theory, e.g. compression of random number, repeated compression
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/04—Protocols for data compression, e.g. ROHC
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/024—Guidance services
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
由信息技术(IT)云平台辅助的数据序列处理的方法包括:经由被布置在穿过目标环境的第一交通工具上的第一传感器而检测目标环境。方法还包括:经由被布置在第一交通工具上的第一电子控制器而将指示所检测的目标环境的特征的已处理的第一数据集通信到IT云平台。方法附加地包括:在IT云平台上,将已处理的第一数据集与驻留在IT云平台上的IT云数据集合并,以生成指示目标环境的特征的组合数据集。还公开了由IT云平台辅助的数据序列处理系统。
Description
技术领域
本公开涉及由信息技术(IT)云平台辅助的通用无损数据压缩,用于机动交通工具的数据收集和处理系统。对象数据收集和处理系统以及通用无损数据压缩可涉及但不必须涉及自主交通工具。
背景技术
交通工具自动化涉及机电一体化、人工智能和多智能体系统的使用,用于交通工具环境的感知和引导,以辅助交通工具操作者。此类特征和采用其的交通工具可被标识为智慧的或智能的。使用自动化用于复杂任务(尤其是导航)的交通工具可被称为半自主的。因此,仅依赖于自动化的交通工具被称为机器人的或自主的。当前,制造商和研究人员为汽车和其它交通工具添加了各种自动化功能。
交通工具中的自主通常被分为不同的等级,诸如,等级1—驾驶员辅助—其中,交通工具在具体情况下可自主地控制转向或速度,以辅助驾驶员;等级2—部分自动化—其中,交通工具在具体情况下可自主地控制转向和速度两者,以辅助驾驶员;等级3—条件性自动化—其中,交通工具在正常环境条件下可自主地控制转向和速度两者,但要求驾驶员监督;等级4—高度自动化—其中,交通工具在正常环境条件下可自主地完成规定行程,而不要求驾驶员监督;以及等级5—完全自主—其中,交通工具在任何环境条件下可自主地完成规定行程。
交通工具自主要求越来越复杂的感知系统,包括:各种光学设备和大量传感器,以检测环绕主交通工具的物体和其它障碍物;以及内置处理器和软件,用于解释所捕获的数据。交通工具感知系统到信息技术(IT)云平台的连接使多个交通工具能够对于可配置系统资源和数据的共享池具有同时和通用访问,用于对象交通工具的可靠控制和操作。为了实现交通工具自动化,要求数据处理资源的管理,以有效地存储、处理和传输大量所捕获的数据。
在信号处理中,减小数据文件大小的过程(即,比特率减小)通常被称为数据压缩。压缩是有用的,因为其减少了存储、处理和传输数据所要求的资源。在数据传输的上下文中,数据压缩被识别为源编码—在存储或传输数据之前在数据源处进行的编码。数据压缩涉及使用比原始表示更少的比特而编码信息。压缩可为有损的或无损的。无损压缩总体上通过识别和消除统计冗余而减少比特。在无损压缩中没有信息丢失。通过比较,有损压缩通过移除不必要或更不重要的信息而减少比特,但总体上导致信息丢失。
发明内容
由信息技术(IT)云平台辅助的数据序列处理的方法包括:经由被布置在穿过目标环境的第一交通工具上的第一传感器而检测目标环境。方法还包括:经由被布置在第一交通工具上的第一电子控制器而将指示所检测的目标环境的特征的已处理的第一数据集通信到IT云平台。方法附加地包括:在IT云平台上,将已处理的第一数据集与驻留在IT云平台上的IT云数据集合并,以生成指示目标环境的特征的组合数据集。
方法还可包括:将组合数据集从IT云平台传输到被布置在穿过目标环境并且具有处理器或编码器以及第二电子控制器或解码器的第二交通工具中的交通工具通信单元,并且经由交通工具通信单元而将组合数据集通信到处理器和电子控制器中的每个。附加地,方法可包括:经由交通工具通信单元而将组合数据集通信到处理器和电子控制器中的每个。
方法附加地可包括:根据预定标准,在IT云平台上分类或细化组合数据集;以及在将组合数据集传输到第二交通工具之前,根据预定标准,将分类后的组合数据集与原始第二数据集关联或匹配。
方法还可包括:经由被布置在第二交通工具上并且与处理器通信的第二传感器(诸如,摄像头)而检测目标环境。附加地,方法可包括:经由第二传感器而将从所检测的目标环境收集的原始第二数据集通信到处理器。此外,方法可包括:使用组合数据集,经由处理器或编码器而执行原始第二数据集的在线实时无损压缩。
根据方法,原始第二数据集的在线无损压缩可包括:采用具有上下文树数据结构的上下文树加权(CTW)压缩算法,所述上下文树数据结构具有至少一个上下文节点和上下文缓冲数据结构。
采用CTW压缩算法可包括:通过使用组合数据集,单独地经由处理器和第二电子控制器中的每个,确定原始第二数据集中的在给定当前上下文的情况下的符号出现的加权概率,以生成增强的上下文树数据结构。
CTW压缩算法可使用根据以下数学表达式限定的对于每个子上下文的符号(例如,作为单独和相同分布的符号(IID)序列的一部分)的出现概率的基于样本的估测量,本文详细阐述了对于所述数学表达式的参数和变量:
根据方法,执行原始第二数据集的在线无损压缩可包括:响应于相对更高的所确定的概率,生成相对更短的比特编码序列;以及响应于更低的所确定的概率,生成相对更长的比特编码序列。
方法附加地可包括:例如,在第二交通工具已离开目标环境之后,经由交通工具通信单元而将增强的上下文树数据结构通信到IT云平台。
根据方法,IT云平台可包括组合数据集的长期存储。
还公开了由IT云平台辅助并且采用上文描述的方法的数据序列处理系统。
本发明还公开了以下技术方案。
1. 由信息技术(IT)云平台辅助的数据序列处理的方法,所述方法包括:
经由被布置在穿过目标环境的第一交通工具上的第一传感器而检测所述目标环境;
经由被布置在所述第一交通工具上的第一电子控制器而将指示所检测的目标环境的特征的已处理的第一数据集通信到所述IT云平台;以及
在所述IT云平台上,将所述已处理的第一数据集与驻留在所述IT云平台上的IT云数据集合并,以生成指示所述目标环境的所述特征的组合数据集。
2. 根据技术方案1所述的方法,还包括:将所述组合数据集从所述IT云平台传输到被布置在穿过所述目标环境并且具有处理器和第二电子控制器的第二交通工具中的交通工具通信单元,并且经由所述交通工具通信单元而将所述组合数据集通信到所述处理器和所述电子控制器中的每个。
3. 根据技术方案2所述的方法,还包括:在将所述组合数据集传输到所述第二交通工具之前,根据预定标准,在所述IT云平台上分类所述组合数据集。
4. 根据技术方案2所述的方法,还包括:
经由被布置在所述第二交通工具上并且与所述处理器通信的第二传感器而检测所述目标环境;
经由所述第二传感器而将从所检测的目标环境收集的原始第二数据集通信到所述处理器;以及
使用来自所述IT云平台的所述组合数据集,经由所述处理器而执行所述原始第二数据集的在线无损压缩。
5. 根据技术方案4所述的方法,其中,所述原始第二数据集的所述在线无损压缩包括:采用具有上下文树数据结构的上下文树加权(CTW)压缩算法,所述上下文树数据结构具有至少一个上下文节点和上下文缓冲数据结构。
6. 根据技术方案5所述的方法,其中,采用所述CTW压缩算法包括:通过使用所述组合数据集,单独地经由所述处理器和所述第二电子控制器中的每个,确定所述原始第二数据集中的在给定当前上下文的情况下的符号出现的加权概率,以生成增强的上下文树数据结构。
7. 根据技术方案6所述的方法,其中,所述CTW压缩算法使用根据以下数学表达式限定的所述符号的出现概率的基于样本的估测量:
8. 根据技术方案6所述的方法,其中,执行所述原始第二数据集的所述在线无损压缩包括:
响应于相对更高的所确定的概率,生成相对更短的比特编码序列;以及
响应于更低的所确定的概率,生成相对更长的比特编码序列。
9. 根据技术方案6所述的方法,还包括:经由所述交通工具通信单元而将所述增强的上下文树数据结构通信到所述IT云平台。
10. 根据技术方案1所述的方法,其中,所述IT云平台包括所述组合数据集的长期存储。
11. 数据序列处理系统,包括:
信息技术(IT)云平台;
第一传感器,被布置在穿过目标环境的第一交通工具上,被配置为检测目标环境;以及
第一电子控制器,被布置在所述第一交通工具上,以将指示所检测的目标环境的特征的已处理的第一数据集通信到所述IT云平台;
其中,所述IT云平台被配置为将所述已处理的第一数据集与驻留在所述IT云平台上的IT云数据集合并,并且由此生成指示所述目标环境的所述特征的组合数据集。
12. 根据技术方案11所述的系统,其中,所述IT云平台还被配置为:将所述组合数据集传输到被布置在穿过所述目标环境并且具有处理器和第二电子控制器的第二交通工具中的交通工具通信单元,以及其中,所述交通工具通信单元被配置为将所述组合数据集通信到所述处理器和所述第二电子控制器中的每个。
13. 根据技术方案12所述的系统,其中,所述IT云平台附加地被配置为:在将所述组合数据集传输到所述第二交通工具之前,根据预定标准,分类所述组合数据集。
14. 根据技术方案12所述的系统,还包括:第二传感器,被布置在所述第二交通工具上,并且与所述处理器通信,其中,所述第二传感器被配置为检测所述目标环境,并且将所述目标环境通信到所述处理器,即,从所检测的目标环境收集的原始第二数据集,其中,所述处理器被配置为使用来自所述IT云平台的所述组合数据集而执行所述原始第二数据集的在线无损压缩。
15. 根据技术方案14所述的系统,其中,所述处理器包括具有上下文树数据结构的上下文树加权(CTW)压缩算法,所述上下文树数据结构具有至少一个上下文节点和上下文缓冲数据结构,以执行所述原始第二数据集的所述在线无损压缩。
16. 根据技术方案15所述的系统,其中,所述CTW压缩算法被配置为:通过使用所述组合数据集,单独地经由所述处理器和所述第二电子控制器中的每个,确定所述原始第二数据集中的在给定当前上下文的情况下的符号出现的加权概率,以生成增强的上下文树数据结构。
17. 根据技术方案16所述的系统,其中,所述CTW压缩算法使用根据以下数学表达式限定的对于每个子上下文的所述符号的出现概率的基于样本的估测量:
18. 根据技术方案16所述的系统,其中,所述处理器附加地被配置为执行所述原始第二数据集的所述在线无损压缩,用于:
响应于相对更高的所确定的概率,生成相对更短的比特编码序列;以及
响应于更低的所确定的概率,生成相对更长的比特编码序列。
19. 根据技术方案16所述的系统,其中,所述交通工具通信单元进一步被配置为将所述增强的上下文树数据结构通信到所述IT云平台。
20. 根据技术方案11所述的系统,其中,所述IT云平台包括所述组合数据集的长期存储。
当与所附附图和所附权利要求结合时,本公开的上文的特征和优点以及其它特征和优点将从用于执行所描述的公开的(多个)实施例和(多个)最佳模式的以下详细描述中容易地显而易见。
附图说明
图1是根据本公开的离开地形的第一自主机动交通工具和进入地形的第二自主机动交通工具的平面视图,每个交通工具采用信息收集系统,所述信息收集系统与由信息技术(IT)云平台辅助的数据序列处理系统通信。
图2是根据本公开的图1中显示的数据序列处理系统的在线操作的示意描绘。
图3是由数据序列处理系统采用的压缩算法上下文树数据结构的描绘,以无损地编码(压缩)和解码(解压缩)由第二交通工具收集的原始数据,其由图4中显示的符号xt示例。
图4是用于在压缩算法中使用的上下文树数据结构的每个节点处的符号xt的出现的评估的描绘。
图5是根据本公开的由图1-4中显示的IT云平台辅助的数据序列处理的方法的流程图。
具体实施方式
参考附图,其中,类似的附图标记指代类似的部件,图1显示了第一机动交通工具10的示意图,其被描绘为自主交通工具。如本文使用的,术语“自主”总体上指代机电一体化、人工智能和多智能体系统的使用,以在控制对象交通工具的方面上为交通工具操作者提供不同等级的辅助。此类自动化可包括整个辅助范围,从交通工具系统在具体情况下自主地控制转向或速度,以辅助操作者,直到并且包括避免操作者参与的全自动化。
如所显示的,第一自主机动交通工具10具有交通工具主体12。交通工具主体12可具有前侧或前端部12-1、左主体侧12-2、右主体侧12-3、后侧或后端部12-4、顶部侧或部段(诸如,顶部)12-5以及底部侧或底盘12-6。第一交通工具10可用于穿过具体地理区域内的道路表面,所述具体地理区域在本文被限定为目标环境14,包括具体景观或地形以及相关联的物理物体。第一交通工具10可包括多个道路轮16。尽管在图1中显示了四个轮16,但也设想了具有更少或更多数量的轮或具有用于穿过目标环境14的道路表面或其它部分的其它器件(诸如,轨道)(未显示)的交通工具。
例如并且如图1中显示的,第一交通工具10可使用第一信息收集系统18,所述第一信息收集系统18可为采用机电一体化、人工智能和多智能体系统的感知和引导系统,以辅助交通工具操作者。信息收集系统18可用于检测第一交通工具10的路径中的各种物体或障碍物。第一信息收集系统18可采用此类特征和各种数据源,用于复杂任务(尤其是导航),以半自主地操作第一交通工具10,或仅依靠自动化,以在机器人或完全自主能力下操作交通工具。
如图1中显示的,作为第一信息收集系统18的一部分,多个第一交通工具传感器20被布置在交通工具主体12上,并且用作数据源,以有助于第一交通工具10的自主操作。因此,第一自主交通工具10可被识别为对于(多个)第一交通工具传感器20的主交通工具。此类第一交通工具传感器20可例如包括被安装到交通工具主体12的声学或光学装置。在图1中显示了经由相应数字20A和20B识别的光学装置的各种实施例。具体地,此类光学装置可为光的发射器20A或收集器/接收器20B。光学装置20的发射器20A或接收器20B实施例可被安装到交通工具主体侧12-1、12-2、12-3、12-4、12-5和12-6中的一个。第一交通工具传感器20被描绘为第一信息收集系统18的一部分,并且可为由交通工具10采用的(多个)其它系统的一部分,诸如,用于显示目标环境14的360度视图。
具体地,如图1中显示的,光学装置20可为激光束源,用于光探测和测距(LIDAR)系统,并且具体地经由数字20A识别。对象光学装置20的其它示例可为用于适应性巡航控制系统的激光传感器或能够生成视频文件的摄像头(也在图1中显示),其具体地经由数字20B识别。总体上,第一交通工具传感器20中的每个被配置为检测目标环境14,例如,包括定位在第一交通工具10外部的物体22。因此,第一交通工具传感器20被配置为捕获从目标环境14收集的原始第一数据集24A。
物体22可为无生命的(诸如,树木、建筑物、道路或交通标志)、动物或人。第一交通工具10附近的目标环境14可包括多个物体(图3中显示),诸如,物体22,关于其的信息可用于辅助对象交通工具10的导航。因此,(多个)传感器20可用于捕获原始图像和视频数据,可经由具体算法而从其提取关于各种物体(例如,物体22)的具体信息。每个第一传感器20还被配置为将所捕获的数据通信到被布置在第一交通工具10上的数据处理器,这将在下文详细描述。
继续参考图1,也可由第二机动交通工具100进入目标环境14。类似于第一机动交通工具10,第二交通工具100可为自主交通工具,如所描绘的,并且具有交通工具主体112,所述交通工具主体112包括类似的相关主体侧和道路轮。此外,第二自主机动交通工具100包括采用多个第二交通工具传感器120的第二信息收集系统118,所述第二交通工具传感器120在结构和功能上类似于由第一信息收集系统18采用的第一交通工具传感器20,如上文描述的。类似于交通工具10中的第一传感器20,第二交通工具传感器120可为由交通工具20采用的(多个)其它系统的一部分,诸如,用于显示目标环境14的360度视图。
根据本公开,在第一自主交通工具10已离开对象地理区域之后,第二自主交通工具100总体上进入目标环境14。类似于(多个)第一传感器20,(多个)第二传感器120被配置为检测目标环境14,包括捕获从目标环境收集的原始第二数据集124A,诸如,视频图像。原始第二数据集124A旨在在有限量的时间内并且在最有效地使用数据存储的情况下在交通工具10内被无损压缩,如将在下文详细描述的。取决于对于累积原始数据的特定应用(诸如,以显示目标环境14的360度视图),还可从原始数据集124A提取各种具体特征,以及为了半自主目的而将原始数据插入到感知算法中。
(多个)第二传感器120还被配置为将从目标环境14收集的原始第二数据集124A传输到被布置在第二交通工具100上的数据处理器,这将在下文详细描述。如图1中显示的,每个信息收集系统18、118分别包括第一处理器26和第二处理器126。如所显示的,处理器26、126操作为被配置为压缩所收集的原始数据的源编码器,并且因此每个操作性地连接并且可被物理地安装到相应第一传感器20和第二传感器120,即,所捕获的原始数据的单独源。处理器26、126中的每个包括有形和非暂时性的存储器。处理器26、126的相应存储器可为参与提供计算机可读数据或处理指令的可记录介质。此类介质可采用许多形式,包括易失性或非易失性介质。处理器26和126可为小型、专用设计的单元,用于执行所收集的原始数据的压缩。处理器26、126中的每个还采用可被实施为电子电路或被保存到非易失性存储器的算法,诸如,现场可编程门阵列(FPGA)。由处理器26、126中的每个产生的压缩数据可被发送到存储装置。因此,所收集的原始数据将不被立即解码,而是在稍后某个时间被解码(例如,用于离线学习)。
附加地,每个信息收集系统18和118包括相应可编程电子控制器28和128。如图2中显示的,控制器28、128可对于相应中央处理单元(CPU)30、130集成,所述中央处理单元(CPU)30、130每个被布置在相应交通工具10、100上。如所描绘的,控制器28、128被布置在相应自主交通工具10、100上,并且操作为解码器,用于从相应的第一处理器26和第二处理器126接收的所捕获的原始数据。控制器28、128也可被配置为使用所捕获的原始数据,用于各种目的,诸如,建立目标环境14的360度视图,以执行感知算法等。控制器28、128中的每个包括有形和非暂时性的存储器。存储器可为参与提供计算机可读数据或处理指令的可记录介质。此类介质可采用许多形式,包括但不限于非易失性介质和易失性介质。由控制器28、128使用的非易失性介质可包括例如光盘或磁盘以及其它永久存储器。控制器28、128中的每个包括可被实施为电子电路的算法(例如,FPGA)或作为被保存到非易失性存储器的算法。
控制器28、128中的每个的存储器的易失性介质可包括例如动态随机存取存储器(DRAM),其可构成主存储器。控制器28、128中的每个可经由传输介质而与相应处理器26、126通信,所述传输介质包括同轴电缆、铜线和光纤,包括将具体控制器联接到单独处理器的系统总线中的线。控制器28、128中的每个的存储器还可包括软盘、硬盘、磁带、其它磁性介质、CD-ROM、DVD、其它光学介质等。控制器28、128可配备有高速主时钟、必需的模数(A/D)和/或数模(D/A)电路系统、输入/输出电路系统和装置(I/O)以及适当的信号调节和/或缓冲电路系统。由控制器28、128要求的或由此可访问的算法可被存储在存储器中,并且自动地执行,以提供所要求的功能。
控制器28、128可被配置(即,被结构化和编程)为接收和处理由相应的第一传感器20和第二传感器120收集的所捕获的原始数据信号。控制器28、128还可执行解码,即,解压缩,并且而后将所捕获的原始数据传递到附加算法,诸如,被构造为生成目标环境14内的物体22和其它物品的360度视图或感知的算法。为了示例性目的,每个CPU 30、130具体地利用相应感知软件30A、130A编程,所述感知软件30A、130A可包括人工智能(AI)算法,所述人工智能(AI)算法被配置为评估来自相应的第一传感器20和第二传感器120的传入数据。此类相应CPU 30、130可被配置为执行数据的附加处理,例如,将若干图像集成到360度视图中,或生成感知算法,用于自主驾驶。感知软件30A、130A总体上将被配置为分析和解释来自相应传感器20、120的物理参数数据。例如,感知软件30A、130A可被配置为限定物体22在XYZ坐标系统(图1中显示)中的定位,并且使用预训练的AI算法而识别物体22。
第一和第二信息收集系统18、118是数据序列处理系统200的一部分,所述数据序列处理系统200还包括被配置为存储和处理IT云数据或数据集212的信息技术(IT)云平台210。总体上,IT云平台是提供商管理的硬件和软件套件。IT范式通常通过因特网而允许对于可配置系统资源和更高等级服务的共享池的通用访问,其可利用最少管理工作而快速地被提供。此外,类似于公共设施,云计算依赖于资源共享,以实现一致性和规模经济。系统200由IT云平台210辅助,以实现所收集的传感器数据(具体地是由(多个)第二传感器120收集的原始第二数据集124A)的通用无损压缩。
为了实现系统200的此类功能,交通工具10、100中的每个被配置为诸如经由相应交通工具通信单元31、131而在IT云平台210与处理器26、126和控制器28、128之间建立通信。相应通信单元31、131被布置在交通工具10、100中,并且具体地被配置为从外部源(诸如,IT云平台210)接收数据,并且将交通工具内的所接收的数据通信到相应处理器26、126和控制器28、128。第一交通工具10和第二交通工具100与IT云平台210之间的必要通信可为蜂窝式的,或经由无线局域网(Wi-Fi),或经由地球轨道卫星220,通过驻留在蜂窝基站(未显示)上的云边缘而有助于所述无线局域网(Wi-Fi),用于减少等待时间。
总体上,数据压缩是有用的,因为其减少了存储、处理和传输数据所要求的资源。计算资源在压缩过程中被消耗,并且通常在所述过程的反向过程(解压缩)中被消耗。数据压缩受到时空复杂度权衡的影响。例如,用于视频的压缩方案可要求昂贵的硬件,用于使视频被足够快地解压缩,以在其被解压缩时被观看,因为在观看视频之前完全解压缩视频的选项可为不方便的,或要求附加的存储空间。抽象地,压缩算法可被看作是序列(通常是八位字节或字节)上的函数。如果所导致的序列比原始序列(以及对于解压缩图的指令)更短,则压缩成功。如由本公开具体设想的,“通用压缩”是源编码,其允许在不预先知道数据源的分布的情况下压缩数据。在信息技术中,数据压缩可为有损的或无损的。
无损压缩是一类数据压缩算法,其允许从压缩数据完美地重建原始数据,即,不使数据降级,这允许压缩被逆转。相反地,可能地使用有损压缩而实现的数据减少量通常显著高于通过无损技术而实现的,但此类压缩是不可逆的。有损压缩经常使用部分数据丢弃的技术,并且仅允许重建原始数据的近似值,以表示内容,这通常导致信息丢失。数据压缩方案的具体设计涉及各种因素之间的权衡,包括压缩程度、所引入的失真量(当使用有损数据压缩时)以及压缩和解压缩数据所要求的计算资源。
无损压缩算法可在IT云平台210的辅助下用于任何所收集的原始信息上。这提供了来自IT云平台210的辅助,并且限定了IT云平台应保留的信息范围以及如何可将该信息集成到无损压缩算法中,以增强算法的性能。例如,除了自主驾驶之外,交通工具上的摄像头还可用于为交通工具操作者提供交通工具环境的360度视图。此数据也可在处理并且为交通工具操作者提供此类360度视图之前被无损压缩和解码。用于实现360度视图的无损压缩数据的此类示例性使用可不涉及自主驾驶。然而,为了方便性和清楚性,本公开的其余部分将主要集中在IT云平台210辅助的通用无损数据压缩的自主交通工具应用上。
第一电子控制器28被配置为从第一交通工具传感器20接收压缩原始第一数据集24A,处理原始第一数据集24A,诸如,通过解码压缩第一数据集24A。第一电子控制器28还被配置为将指示所检测的目标环境14的具体物理参数或特征的已处理的第一数据集24B通信到IT云平台210。IT云平台210被配置为将已处理的第一数据集24B与可已驻留在IT云平台上的IT云数据集212合并(即,组合和集成),并且由此生成指示目标环境14的对象特征的组合数据集212A。此类组合数据集212A由IT云平台210存储作为数字序列或枚举。
组合数据集212A序列中的数字顺序确定了对象数字指代什么,诸如,哪个符号xt以及在什么上下文中(即,环绕符号的数据结构),这将在下文详细描述。每当IT云平台210接收新数据(诸如,已处理的第一数据集24B)时,则新数据与先前存储的数据组合,并且新组合数据集212A将覆写先前被存储在IT云上的组合数据。因此,不同或相同交通工具与目标环境14的先前相遇将用于在IT云平台210上集成此类数据,并且可离线完成。术语“离线”在本文表示的是,IT云平台210上的数据的对象集成可经由在目标环境14中操作的(多个)交通工具而从原始数据收集分开执行,即,在时间上与原始数据收集不同时。
IT云平台210还可被配置为随着第二交通工具穿过目标环境14而将组合数据集212A传输到第二交通工具100。IT云平台210可具体地被配置为经由通信单元131而将组合数据集212A基本上并行地通信到第二处理器126和第二电子控制器128中的每个。第二处理器126与第二电子控制器128之间的交通工具中的通信保留了原始第二数据集124A的压缩的无损特性,并且可经由被布置在交通工具10中的数据网络(未显示)(例如,控域网(CAN总线))执行。具体地,IT云平台210可将组合数据集212A通信到被布置在交通工具10中的中央通信单元131。交通工具中央通信单元131而后可将所接收的组合数据集212A传递到第二处理器126和第二电子控制器128。
第二处理器126可被配置为使用组合数据集212A而执行原始第二数据集124A的在线(即,实时)无损压缩。根据本公开,术语“在线”表示的是,在数据序列处理系统200的常规操作期间,并且随着第二机动交通工具100在道路上执行常规任务,执行原始第二数据集124A的无损压缩。如此,“在线”在本文与用于数据压缩的“离线”解决方案相比较,所述“离线”解决方案将在时间上与在对象原始数据收集交通工具的常规操作不同时执行。原始第二数据集124A的分析旨在逐帧执行,例如,通过光栅扫描视频图像。总体上,扫描是相继执行的(一个字节接一个字节),并且扫描的排序由相关性进行,即,使扫描排序,使得下个字节与已观察的用于形成上下文的良好限定的字节集高度相关。相关的枚举和计算使用下文详细讨论的树结构。例如,在光栅扫描中,相关字节是当前行中当前字节之前的几个字节,并且先前行中的字节相对于当前字节在类似的位置中。第二处理器126可进一步被配置为使原始第二数据集124A的在线无损压缩的参数移位,以提供增强的压缩起点。通过在给定当前上下文的情况下确定对于当前符号xt的加权概率Pw,执行原始第二数据集124A的压缩。此加权概率Pw从直到最大长度上下文的每个可能的子上下文中的估测概率产生。在其无损压缩之后,将在第二交通工具100内在第二处理器126与控制器128之间传递所收集的原始第二数据集124A,用于在其中进一步处理。可选地,与被通信到相应控制器28或128相反,在经由处理器26或126压缩之后的原始数据可直接被发送到存储装置。在此类情况下,组合数据集212A也必须被保留在存储装置中,使得可从存储装置离线执行无损压缩,例如,以用作改进算法开发中的训练数据。
如图3中显示的,第二处理器126和电子控制器128中的每个可包括上下文树加权(CTW)压缩算法132。CTW压缩算法132包括具有上下文节点136A和上下文缓冲138数据结构的上下文树数据结构134。更具体地,第二处理器126使用来自IT云平台210的组合数据,以使上下文树数据结构134的每个节点中的参数移位,用于原始第二数据集124A的无损压缩。与总体的CTW过程相比,通过增强初始概率估测,根据组合数据的参数对象移位提供了增强的压缩。还在控制器128中执行相同参数移位,由此保留了压缩过程的无损特性。尽管第二处理器126和控制器128这两个装置可基本上同时操作,但控制器128中的解码可在第二处理器中的整个编码已完成之前开始。随着第二处理器126开始编码(即,压缩)和传输压缩比特,在控制器128可开始接收压缩比特并且执行解码之前,第二处理器不需要完成整个数据序列的压缩。因此,控制器128可执行解码,而无需等待接收数据序列的结尾。换言之,此类压缩可实时执行。
上下文缓冲138数据结构被采用,以在给定当前上下文138的情况下经由CTW压缩算法132而执行原始第二数据集124A的在线无损压缩。第二处理器126和电子控制器128中的每个可被配置为单独地确定原始第二数据集124A中当前上下文缓冲(诸如,视频文件图像中的特定像素)之后的符号xt的加权概率Pw。因此,CTW压缩算法132可被配置为通过使用组合数据集212A而确定原始第二数据集124A中的在给定当前上下文138的情况下的符号xt的加权概率Pw,以生成增强或细化的上下文树数据结构134A。增强的上下文树数据结构134A而后可经由交通工具通信单元131而通信到IT云平台210。
具体地,对于给定的上下文138,第二处理器126和电子控制器128中的每个确定基于CTW压缩算法132中的当前值的一组概率(相同组)。对象概率组用于当前符号xt的编码和解码。这些概率的计算基于CTW压缩算法132的每个节点(诸如,节点136A)中的估测概率。而后,根据压缩算法132,计算了CTW压缩算法132的每个节点中的估测概率,所述压缩算法132将所述增强限定为CTW压缩算法考虑组合数据集212A的结果,这使计算移位。一旦完成当前符号xt的编码和解码,则可利用符号xt的附加出现而更新CTW压缩算法132(改变估测概率的相应值的更新)。上下文树数据结构134的此类增强可由以下完成:根据组合数据集212A,在CTW压缩算法132的每个节点中,使第二处理器126和电子控制器128中的每个中的参数移位,以分别编码和解码符号xt。这些参数增强了CTW压缩算法132的每个节点中的估测概率的计算。再次参考图2,表示待编码和解码的整个原始数据。Ck表示压缩比特序列,其长度最初未知,因此其总体上利用变量k表示。
IT云平台210中的组合数据集212A枚举序列旨在被组织为对应于上下文树数据结构134,使得组合数据集212A枚举序列配合到对象上下文树的节点136A中。上下文树数据结构134中的每个上下文节点136A对应于特定上下文138的具体值和长度,其中,各种所分析的上下文可具有不同的(不相等的)长度。此外,每个上下文节点136A包括组合数据集212A枚举序列,并且被表示为变量“r”。通过遵循上下文树数据结构134中的具体上下文路径134-1值,可获得对于所识别的上下文138的每个可能值的相关枚举。除了变量r(从IT云平台210接收的数据)之外,每个节点还具有当前枚举a,所述当前枚举a基于所捕获的原始数据集124A,并且还出现在CTW压缩算法132中。(如果所识别的符号xt的具体值被识别为非常可能的,则对象相关的枚举a总体上可用于压缩处理。
在压缩所识别的符号xt之后,第二处理器126(以及第二电子控制器128,一旦对象控制器已完成所识别的符号的解码)可更新上下文树数据结构134,以将所识别的符号xt的出现合并到枚举中。应注意的是,通过将符号向左移位,并且将符号xt插入在符号xt-1的位置中,上下文缓冲138也与上下文树数据结构134同时被更新。然而,这与本段较不相关,其中,重点在于更新CTW本身中的枚举的原因。总体上为了两个目的而完成更新上下文树数据结构134:1)在原始第二数据与组合数据集212A不良好匹配的情况下,用于细化原始第二数据集124A的压缩;以及2)用于将压缩数据序列(枚举树)发送到IT云平台210,以组合并且用于处理由进入目标环境14的另一(即,下个)交通工具收集的数据。
具体地,组合数据集212A用于评估相关(即,统计高度相关)的上下文138中的每个符号的可能重现(概率)。例如,原始第二数据集124A的相关上下文138中的统计相关性可为可能直接在所识别的符号xt之前的重现符号序列。可通过以下而完成评估:通过逐帧分析由第二传感器120捕获的所收集的原始第二数据集124A,例如,由摄像头120生成的视频文件,以无损压缩所收集的原始第二数据的每个符号xt。上下文树数据结构134中的每个节点计算估测概率,所述估测概率取决于来自IT云平台210的组合数据集212A(在CTW压缩算法132中表示为r)和当前枚举(在CTW压缩算法132中表示为a)两者。实际上,对于待压缩的每个所识别的符号xt,将分析多个可能的上下文138,即,上下文树数据结构134中沿着路径134-1与当前上下文138匹配的节点。此类可能的上下文138之间的差异是其长度。因此,上下文树数据结构134可生成枚举,用于直到长度D(图3中显示)的不同上下文长度。
上下文树数据结构134确保a中枚举之间的算术连接,其中,先前节点136A始终是后续节点136B的枚举总和(如图3中显示的)。然而,组合数据集212A中的r的值不要求遵循上文的关系以保留压缩的无损特性。由于不需要保留先前节点中的r的值相对于后续节点之间的连接,因此数据集24B和212可根据其它标准(例如,存储效率)在IT云平台210上组合。
基本的CTW压缩算法132由Willems、Shtrakov和Tjalkens在1995年开发,并且使用了Krichevsky-Trofimov估测量,其总体上被称为“KT 1981”。在信息论中,给定具有字母A的未知固定源π和来自π的样本范围w,KT 1981估测量产生概率估测Pe或每个符号ai∈A的概率的Pai(w)估测量。Pai估测量总体上被认为是最佳的,因为其渐近地最小化最坏情况缺憾。对于上下文树数据结构134的优点在于,可相继地计算Pai估测量,并且其具有的下限允许我们对于下文的表达式中的所有θ统一使用上限“参数冗余”。对于二进制字母表和具有m个零和n个一的字符串w,KT估测量Pai(w)被限定为:
并且相继计算为如下(其中,Pe(0,0)=1):
CTW压缩算法132包括也由KT 1981提出的不同估测量,并且被称为基于样本的估测量,而代替标准KT 1981估测量Pe,并且根据下文显示的数学表达式而被限定:
在表达式132中,对于直到最大长度上下文的具体子上下文给定的矢量“a”表示因此迄今为止根据由第二交通工具100的第二传感器120收集的具体序列在具体子上下文之后在原始第二数据集124A中观察的内容的枚举。矢量“r”表示在组合数据集212A中观察的枚举,并且表示原始第二数据集124A的压缩中由组合数据集导致的移位。矢量“r”对于上下文树数据结构134中的每个相应上下文节点136A可为唯一的,并且可单独地选择。因此,使用组合数据集212A枚举,是单独和相同分布序列的估测量,其中,ki∈A的出现确切地为ai,其中,ki是来自集合A的符号。其中,ai是矢量a中第i个索引的值,其限定矢量a在具体节点处的实质,并且在上下文树数据结构134的每个节点136A处被评估。
用于上下文树数据结构134中以计算加权概率Pw的方法由第二处理器126用于编码中。枚举a以及移位矢量r(即,组合IT数据集212A)根据CTW压缩算法132而影响每个节点136A中的估测概率。根据0074中的迭代等式,从这些估测概率Pe计算加权概率Pw。加权概率Pw的计算按照Willems等人在1995年的CTW算法执行,并且被给定如下:
函数l接收节点s,并且在上下文树数据结构134中返回其深度。用于压缩(在编码和解码两者中)的加权概率Pw是上下文树数据结构134的根部中的概率。为了计算对象概率Pw,根据上下文138,沿着路径134-1遵循上下文树数据结构134,并且沿着路径使用每个节点中的基于样本的估测量。沿着匹配上下文138的路径134-1使用所有节点136A和136B。当前的基于样本的估测量使用矢量rs,即,包括对于具体上下文的每个节点s从IT云平台210接收的组合信息以及还有基于原始数据as的具体枚举,这对于上下文树数据结构134中的每个节点也是唯一的。
图4示出了被检查的原始第二数据集124A的具体示例。图4中的阴影位置表示具有五个单元长度的具体上下文138。在给定此具体上下文138的情况下,检查紧接在图4中显示的对象上下文之后的第一位置,即,三个无阴影单元或符号xt序列中的第一个。从原始第二数据集124A的整个序列提取这些“下个位置”符号将提供子序列,所述子序列被假定为(对于与具有五个单元长度的对象上下文匹配的具体节点)单独和相同分布的序列。基于样本的估测量在此类假定下提供对象序列的概率的估测,并且因此对应于具体节点136A,并且与图3中显示的上下文树数据结构134中的具体上下文138匹配。
处理器126和电子控制器128因此可根据当前观察的数据序列(即,使用每个节点中的矢量a的原始第二数据集124A)根据CTW压缩算法132而更新所识别的符号xt的出现概率。如上文讨论的,为了计算符号xt的概率Pw,第二处理器126和第二电子控制器128沿着上下文树路径134-1行进。在每个节点中,第二处理器126和第二电子控制器128使用基于样本的估测量,其考虑了在相关上下文中观察的符号xt的先前出现。在对象编码和解码之后,利用附加出现而更新这些节点,并且基于样本的估测量也沿着路径134-1被更新。
使用表达式132中实施的方法,由于来自当前上下文138的相对更高的所确定的概率Pw,因此第二处理器126可被配置为经由原始第二数据集124A的在线无损压缩而生成相对更短的比特编码序列(存储器的编码单元)。并且,可选地,由于来自当前上下文138的相对更低的所确定的概率,因此第二处理器126可生成相对更长的比特编码序列。换言之,如果序列是更有可能的,则其压缩版本将更短,因为确定什么是可能的是源自序列本身。与Willems等人在1995年的CTW算法一样,而后将加权概率Pw插入到算术编码器/解码器,以产生编码/解码序列。
无损压缩原始第二数据集124A随后可从第二处理器126通信或传输到第二电子控制器128。此传输可被实时完成,即,如上文描述的,可根据具体传输协议而传输数据的一部分,而不等待直到整个序列被压缩。第二电子控制器128可依次解码无损压缩原始第二数据集124A,并且处理解码的第二数据集,以使用IT云组合数据集212A而生成增强或更新的上下文树数据结构134A。上下文树数据结构134的更新在每个解码步骤之后基于已解码符号xt完成,这允许更新上下文树数据结构的枚举,并且为下个解码步骤准备。
此外,更新的上下文树数据结构134可从第二交通工具100传输到IT云平台210,并且与组合数据集212A合并,以传递到第二交通工具100之后经过目标环境14的另一自主交通工具。换言之,第二电子控制器128可被配置为随着第二交通工具100离开或在第二交通工具100已离开目标环境14之后将更新的上下文树数据结构134(例如,作为已处理的第二数据集124B的一部分)通信到IT云平台210。使用IT云平台210数据以无损压缩和处理由进入目标环境14的交通工具收集的原始新数据(诸如,第二数据集124A)并且而后将已处理的新数据与IT云数据组合的此循环可重复,用于可经过目标环境14的尽可能多的交通工具。因此,IT云平台210可包括用于长期存储组合数据集212A的规定,以有助于由附加交通工具新收集的数据的无损压缩,所述附加交通工具经过由目标环境14识别的特定地形。
IT云平台210还可被配置为根据预定类别和/或标准(例如,一天中的时间、一周中的某天、一个月中的某天、一年中的四季等)而分类和/或分组组合数据集212A。附加地,可相对于IT云平台210的可用存储容量而选择具体标准和特定标准内的分辨率。因此,可根据此类标准而分类先前存储的IT平台数据集212。而后,可对应地分类由(多个)第一交通工具传感器20收集的第一数据集24A,并且而后与先前存储的IT平台数据212组合。而后可将所导致的已分类的组合数据集212A传输到第二交通工具100。
图5描绘了对于信息收集系统(诸如,如上文相对于图1-4描述的,第二交通工具100的第二信息收集系统118)的数据序列处理的方法300。经由由IT云平台210辅助的数据序列处理系统200,并且利用被编程有相应数据压缩算法的第二处理器126和第二电子控制器128,可执行方法300。方法300在框302中开始,其中,第一交通工具10位于相对于或物理地穿过包括物体22的目标环境14。在框302之后,方法前进到框304,其中,方法包括经由(多个)第一传感器20而检测邻近第一交通工具10的目标环境14。
在框304之后,方法前进到框306。在框306中,方法包括经由第一电子控制器28将指示所检测的目标环境14的特征的已处理的第一数据集24B通信到IT云平台210。在框306之后,方法前进到框308。在框308中,方法包括在IT云平台210上将第一数据集24B与驻留在IT云平台210上的IT云数据集212合并,以生成指示目标环境14的特征的组合数据集212A。在框308之后,方法可进入框310。在框310中,方法包括将组合数据集212A从IT云平台210传输到穿过目标环境14的第二交通工具100(配备有第二处理器126和第二电子控制器128)。在框310中,如上文相对于图1-4描述的,方法还可包括:在将组合数据集传输到第二交通工具100之前,根据预定标准,在IT云平台210上分类组合数据集212A。在框310之后,方法可前进到框312。
在框312中,方法包括经由交通工具通信单元131而将组合数据集212A通信到处理器126和电子控制器128中的每个。在框312之后,方法可前进到框314。在框314中,方法包括经由被布置在第二交通工具100上并且与第二处理器126通信的第二传感器120而检测目标环境14。在框314之后,方法可前进到框316。在框316中,方法包括经由第二传感器120而将从所检测的目标环境14收集的原始第二数据集124A通信到第二处理器126。在框316之后,方法可前进到框318。在框318中,方法包括使用组合数据集212A经由第二处理器126而执行原始第二数据集124A的在线无损压缩。
在框318中,如相对于图1-4描述的,原始第二数据集124A的在线无损压缩可包括:采用具有上下文树数据结构134的CTW压缩算法132,所述上下文树数据结构134具有至少一个上下文节点136A和上下文缓冲138数据结构。采用CTW压缩算法132可包括:使用增强的上下文树数据结构134A而确定在CTW压缩算法的每个上下文节点136A中在原始第二数据集124A中的所识别的符号xt的出现概率。此外,CTW压缩算法132可使用根据以下数学表达式限定的(根据上文描述的数学表达式132限定的)对于每个子上下文的符号序列xt的出现概率的基于样本的估测量:
在框318中执行原始第二数据集124A的在线无损压缩可包括:响应于相应上下文树中的相对更高的所确定的加权概率Pw,生成相对更短的比特编码序列。附加地,在框318中执行原始第二数据集124A的在线无损压缩可包括:响应于相应上下文树中的更低的所确定的加权概率Pw,生成相对更长的比特编码序列。
在框318之后,诸如,在第二交通工具100已离开目标环境14之后,方法可进入框320。在框320中,方法可包括利用增强的上下文树数据结构134A而更新IT云平台210数据,诸如,组合数据集212A。具体地,增强的上下文树数据结构134A可经由交通工具通信单元131而通信到IT云平台210。在框320之后,方法可返回到框308。方法300因此可连续更新和使用IT云平台210数据,以处理和无损压缩由进入目标环境14的交通工具收集的新收集原始数据,诸如,原始第二数据集124A。为了有助于由经过目标环境14的交通工具收集的新收集原始数据的重复无损压缩,方法300可在IT云平台210上采用组合数据集212A的长期存储。
详细描述和附图或图示对于本公开是支持性和描述性的,但本公开的范围仅由权利要求限定。虽然已详细描述了用于执行所要求保护的本公开的最佳模式和其它实施例中的一些,但存在有各种可选设计和实施例,用于实践所附权利要求中限定的本公开。此外,附图中显示的实施例或本描述中提到的各种实施例的特征不必被理解为独立于彼此的实施例。相反地,可能的是,可将在实施例的示例中的一个中描述的特征中的每个与来自其它实施例的其它期望特征中的一个或多个组合,而导致以文字或通过参考附图描述的其它实施例。因此,此类其它实施例落入所附权利要求的范围的框架内。
Claims (10)
1.由信息技术(IT)云平台辅助的数据序列处理的方法,所述方法包括:
经由被布置在穿过目标环境的第一交通工具上的第一传感器而检测所述目标环境;
经由被布置在所述第一交通工具上的第一电子控制器而将指示所检测的目标环境的特征的已处理的第一数据集通信到所述IT云平台;以及
在所述IT云平台上,将所述已处理的第一数据集与驻留在所述IT云平台上的IT云数据集合并,以生成指示所述目标环境的所述特征的组合数据集。
2.根据权利要求1所述的方法,还包括:将所述组合数据集从所述IT云平台传输到被布置在穿过所述目标环境并且具有处理器和第二电子控制器的第二交通工具中的交通工具通信单元,并且经由所述交通工具通信单元而将所述组合数据集通信到所述处理器和所述电子控制器中的每个。
3.根据权利要求2所述的方法,还包括:在将所述组合数据集传输到所述第二交通工具之前,根据预定标准,在所述IT云平台上分类所述组合数据集。
4.根据权利要求2所述的方法,还包括:
经由被布置在所述第二交通工具上并且与所述处理器通信的第二传感器而检测所述目标环境;
经由所述第二传感器而将从所检测的目标环境收集的原始第二数据集通信到所述处理器;以及
使用来自所述IT云平台的所述组合数据集,经由所述处理器而执行所述原始第二数据集的在线无损压缩。
5.根据权利要求4所述的方法,其中,所述原始第二数据集的所述在线无损压缩包括:采用具有上下文树数据结构的上下文树加权(CTW)压缩算法,所述上下文树数据结构具有至少一个上下文节点和上下文缓冲数据结构。
6.根据权利要求5所述的方法,其中,采用所述CTW压缩算法包括:通过使用所述组合数据集,单独地经由所述处理器和所述第二电子控制器中的每个,确定所述原始第二数据集中的在给定当前上下文的情况下的符号出现的加权概率,以生成增强的上下文树数据结构。
8.根据权利要求6所述的方法,其中,执行所述原始第二数据集的所述在线无损压缩包括:
响应于相对更高的所确定的概率,生成相对更短的比特编码序列;以及
响应于更低的所确定的概率,生成相对更长的比特编码序列。
9.根据权利要求6所述的方法,还包括:经由所述交通工具通信单元而将所述增强的上下文树数据结构通信到所述IT云平台。
10.根据权利要求1所述的方法,其中,所述IT云平台包括所述组合数据集的长期存储。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/371,718 US20200314217A1 (en) | 2019-04-01 | 2019-04-01 | It cloud assisted universal lossless data compression |
US16/371718 | 2019-04-01 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111800143A true CN111800143A (zh) | 2020-10-20 |
Family
ID=72603716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010229868.4A Pending CN111800143A (zh) | 2019-04-01 | 2020-03-27 | It云辅助通用无损数据压缩 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20200314217A1 (zh) |
CN (1) | CN111800143A (zh) |
DE (1) | DE102020105610A1 (zh) |
-
2019
- 2019-04-01 US US16/371,718 patent/US20200314217A1/en not_active Abandoned
-
2020
- 2020-03-03 DE DE102020105610.9A patent/DE102020105610A1/de not_active Withdrawn
- 2020-03-27 CN CN202010229868.4A patent/CN111800143A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102020105610A1 (de) | 2020-10-01 |
US20200314217A1 (en) | 2020-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241972B (zh) | 基于深度学习的图像语义分割方法 | |
CN113807350A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN110930409B (zh) | 一种基于深度学习的盐体语义分割方法及语义分割系统 | |
CN112002378B (zh) | 基于几何图神经网络的蛋白质信号肽的预测方法及装置 | |
CN114039901A (zh) | 基于残差网络和循环神经网络混合模型的协议识别方法 | |
CN110633718B (zh) | 用于确定环境图像中的行驶区域的方法和装置 | |
CN115546293B (zh) | 障碍物信息融合方法、装置、电子设备和计算机可读介质 | |
US20230252796A1 (en) | Self-supervised compositional feature representation for video understanding | |
CN114037640A (zh) | 图像生成方法及装置 | |
CN113139446A (zh) | 一种端到端自动驾驶行为决策方法、系统及终端设备 | |
CN115147598A (zh) | 目标检测分割方法、装置、智能终端及存储介质 | |
CN115436920A (zh) | 一种激光雷达标定方法及相关设备 | |
CN115249266A (zh) | 航路点位置预测方法、系统、设备及存储介质 | |
CN110942097A (zh) | 基于单像素探测器的免成像分类方法和系统 | |
CN116861262B (zh) | 一种感知模型训练方法、装置及电子设备和存储介质 | |
US10958293B1 (en) | System and method for near-lossless universal data compression using correlated data sequences | |
CN116206196B (zh) | 一种海洋低光环境多目标检测方法及其检测系统 | |
CN111800143A (zh) | It云辅助通用无损数据压缩 | |
CN116740662A (zh) | 一种基于激光雷达的车轴识别方法及系统 | |
CN115995002A (zh) | 一种网络构建方法及城市场景实时语义分割方法 | |
CN115439692A (zh) | 一种图像处理方法、装置、电子设备及介质 | |
Milli et al. | Multi-Modal Multi-Task (3MT) Road Segmentation | |
Fan et al. | PT-ResNet: Perspective transformation-based residual network for semantic road image segmentation | |
CN112766100A (zh) | 一种基于关键点的3d目标检测方法 | |
CN111369795B (zh) | 一种车流量统计方法、装置、设备及存储介质 |
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 |