CN111891134B - 自动驾驶处理系统和片上系统、监测处理模块的方法 - Google Patents

Abstract

本文中描述了自动驾驶处理系统和片上系统、监测处理模块的方法。该自动驾驶处理系统包括：自动驾驶处理模块，被配置为接收输入数据流，并且基于深度学习模型来对输入数据流进行处理，以生成处理结果；故障检测模块，被配置为生成控制信号和故障检测激励数据流，并且从自动驾驶处理模块接收处理结果；以及多路选择模块，被配置为接收自动驾驶数据流、控制信号和故障检测激励数据流，并且基于控制信号来选择性地将自动驾驶数据流或故障检测激励数据流输出到自动驾驶处理模块，作为输入数据流，其中故障检测模块被配置为将接收到的故障检测激励数据流的处理结果与对应于故障检测激励数据流的预定结果进行比较，并且响应于比较而确定是否发生故障。

Description

自动驾驶处理系统和片上系统、监测处理模块的方法

技术领域

本公开的实施例主要涉及自动驾驶领域，并且更具体地，涉及用于自动驾驶的处理系统和包括该处理系统的片上系统，以及监测该处理系统中包括的处理模块的方法。

背景技术

近年来，自动驾驶相关技术逐渐崭露头角。交通工具、特别是车辆的自动驾驶能力越来越令人期待。在自动驾驶能力中，系统安全能力是最重要的性能。

在自动驾驶的实施方案中，已提出采用片上系统(SoC)作为主控制部件。自动驾驶SoC的功能安全在系统安全能力中起到至关重要的作用。自动驾驶SoC一般地包括多个子系统或模块。作为示例，多个模块中的至少一部分例如为知识产权(IP)核或模块。各个模块的功能安全直接影响自动驾驶SoC的功能安全。

因此，期望提供改进的功能安全的自动驾驶模块或自动驾驶SoC。

发明内容

根据本公开的实施例，提供了自动驾驶处理系统、用于自动驾驶的片上系统和用于监测自动驾驶处理模块的方法，其能够提供具有改进的功能安全的系统和方法。

在本公开的第一方面，提供了一种自动驾驶处理系统。该自动驾驶处理系统包括：自动驾驶处理模块，被配置为接收输入数据流，并且基于深度学习模型来对所述输入数据流进行处理，以生成处理结果；故障检测模块，被配置为生成控制信号和故障检测激励数据流，并且从所述自动驾驶处理模块接收所述处理结果；以及多路选择模块，被配置为接收自动驾驶数据流以及来自所述故障检测模块的所述控制信号和所述故障检测激励数据流，并且基于所述控制信号来选择性地将所述自动驾驶数据流或所述故障检测激励数据流输出到所述自动驾驶处理模块，作为所述自动驾驶处理模块的所述输入数据流，其中所述故障检测模块进一步被配置为将从所述自动驾驶处理模块接收到的所述故障检测激励数据流的处理结果与对应于所述故障检测激励数据流的预定结果进行比较，并且响应于所述比较而确定在所述自动驾驶处理模块中是否发生故障。

在本公开的第二方面，提供了一种用于自动驾驶的片上系统。该片上系统包括上面所述的自动驾驶处理系统。

在本公开的第三方面，提供了一种用于监测自动驾驶处理模块的方法。该方法包括：基于控制信号来选择性地将自动驾驶数据流或故障检测激励数据流作为输入数据流而输入到所述自动驾驶处理模块，所述自动驾驶处理模块被配置为基于深度学习模型来对所述输入数据流进行处理以生成处理结果；从所述自动驾驶处理模块接收所述故障检测激励数据流的处理结果；以及将所述故障检测激励数据流的处理结果与对应于所述故障检测激励数据流的预定结果进行比较，并且响应于所述比较而确定在所述自动驾驶处理模块中是否发生故障。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质。该计算机指令用于使计算机执行上述方法。

根据本公开的另一方面，提供了一种计算机程序产品。该计算机程序产品包括计算机程序，所述计算机程序在被处理器执行时实现上述方法。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标注表示相同或相似的元素，并且在附图中：

图1示出了本公开的实施例能够在其中实现的示例环境的框图；

图2示出了根据本公开的实施例的自动驾驶SoC的框图；

图3示出了根据本公开的实施例的自动驾驶处理系统的框图；

图4示出了根据本公开的实施例的自动驾驶处理模块的处理任务的示意图；

图5示出了根据本公开的实施例的自动驾驶处理模块的处理任务的示意图；以及

图6示出了根据本公开的实施例的用于监测自动驾驶处理模块的方法的流程图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

如以上提及的，自动驾驶SoC的功能安全在自动驾驶系统安全中起到关键作用。自动驾驶SoC一般地包括自动驾驶模块，其基于深度学习模型来进行数据处理，并且也可以被称为人工智能(AI)模块。由于AI算法在自动驾驶的感知、规划、控制中应用得越来越多，其大算力、低延迟等的要求对传统的芯片功能安全提出了挑战。

在常规方案中，在自动驾驶模块中采用逻辑内建自测(LBIST)、错误检查和纠正(ECC)等方案来确保功能安全。该方案的系统安全能力通常达到汽车安全完整性水平(ASIL)B级别。然而，期望在不影响自动驾驶模块的大算力、低延迟等要求的情况下进一步提高自动驾驶的ASIL级别。此外，期望确保自动驾驶SoC的整个系统的功能安全的安全措施。该安全措施可能需要覆盖自动驾驶SoC的软硬件错误，并且还需要覆盖AI算法缺陷以进一步提高系统安全能力。

根据本公开的实施例，提供了一种具有改进的功能安全的自动驾驶处理系统，该自动驾驶处理系统作为自动驾驶SoC的子系统被包括在自动驾驶SoC中。在该自动驾驶处理系统中，多路选择模块被配置为接收自动驾驶数据流以及来自故障检测模块的控制信号和故障检测激励数据流，并且基于控制信号来选择性地将自动驾驶数据流和故障检测激励数据流之一输出到自动驾驶处理模块。自动驾驶处理模块被配置为基于深度学习模型对接收到的自动驾驶数据流和故障检测激励数据流之一进行处理以生成处理结果，并且故障检测模块被配置为将从自动驾驶处理模块接收到的故障检测激励数据流的处理结果与对应于故障检测激励数据流的预定结果进行比较，以确定在自动驾驶处理模块中是否发生故障。以此方式，在不影响自动驾驶处理模块的大算力、低延迟等的要求的情况下，可以通过较不复杂的检测方案来迅速确定自动驾驶处理模块中是否发生故障。由此，可以提高自动驾驶处理系统的数据处理速度和安全处理速度，从而得到确保功能安全并且具有提高的处理速度的自动驾驶SoC。

图1示出了本公开的实施例能够在其中实现的示例环境的示意图。在一些实施例中，该示例环境可以是车辆。参考图1，该示例环境可以包括自动驾驶SoC 100、微控制单元(MCU)102、摄像系统104以及光探测和测距(LIDAR)系统106。

自动驾驶SoC 100是用于自动驾驶的主控制部件。自动驾驶SoC 100可以从摄像系统104接收图像数据，并且从LIDAR系统106接收LIDAR数据。自动驾驶SoC 100可以将从车辆接收到的感测数据作为自动驾驶数据流，并且对自动驾驶数据流进行处理。自动驾驶SoC100可以至少部分地基于深度学习模型来对接收到的数据进行处理，以生成处理信息。自动驾驶SoC 100可以将处理信息发送到MCU 102。

MCU 102是用于自动驾驶的辅控制部件。MCU 102可以基于接收到的处理信息来控制车辆的各个部件。MCU 102可以从车辆的各个部件接收状态信息，并且MCU 102可以基于状态信息生成控制信号，以控制车辆的各个部件，或者可以请求自动驾驶SoC 100处理状态信号来生成控制信号，以控制车辆的各个部件。

应当理解的是，图1所示的示例环境可以进一步包括其他感测系统和接口系统，这些系统与自动驾驶SoC 100和/或MCU 102电耦合。自动驾驶SoC 100可以从其他感测系统和接口系统中的至少一部分接收输入信号并且处理输入信号。MCU 102也可以从其他感测系统和接口系统中的至少一部分接收输入信号并且处理输入信号。

本公开的示例实施例将在下文中参照附图详细描述。

图2示出了根据本公开的实施例的自动驾驶SoC的框图。参考图2，自动驾驶SoC100可以包括自动驾驶处理系统200。在一些实施例中，自动驾驶处理系统200被配置为至少部分地基于AI算法来对输入的数据进行处理，以生成处理结果。在一些实施例中，自动驾驶处理系统200被配置作为自动驾驶SoC 100的AI子系统。在一些实施例中，自动驾驶处理系统200被配置为至少部分地基于深度学习模型来对输入的数据进行处理，以生成处理结果。在一些实施例中，自动驾驶处理系统200被配置为从如图1所示的摄像系统104和/或LIDAR系统106接收至少一部分的自动驾驶数据流。稍后将参考图3进一步详细描述根据本公开的实施例的自动驾驶处理系统200。

参考图2，在一些实施例中，自动驾驶SoC 100进一步包括应用处理(AP)系统202，AP系统202可以包括中央处理单元(CPU)。在一些实施例中，AP系统202被配置为从自动驾驶处理系统200接收处理结果，并且对该处理结果进行信息处理，以生成应用处理信息。在一些实施例中，自动驾驶SoC 100将该应用处理信息发送到如图1所示的MCU 102，以生成用于控制车辆的各个部件的控制信号。在一些实施例中，AP系统202被配置为从自动驾驶SoC100中包括的其他子系统接收信号，并且对接收到的信号进行信息处理。

参考图2，在一些实施例中，自动驾驶SoC 100进一步包括安全系统204，安全系统204可以与自动驾驶处理系统200和AP系统202分离地并且独立地被设置。在一些实施例中，安全系统204被配置为从自动驾驶处理系统200接收警报信号，并且基于警报信号来执行预定处理。在一些实施例中，该预定处理包括警示用户、初始化自动驾驶处理系统200、启用冗余系统等。在一些实施例中，安全系统204被配置为接收在自动驾驶SoC 100内生成的内部信号，并且确定该内部信号是否符合正常标准。在一些实施例中，安全系统204被配置为接收从自动驾驶SoC 100输出的应用处理信息，并且确定该应用处理信息是否符合正常标准。在一些实施例中，安全系统204被配置为响应于不符合正常标准而执行安全处理，包括降低车辆的速度、沿空旷道路行驶、重新启动系统、启用冗余系统等。

在一些实施例中，AP系统202包括检验模块。在一些实施例中，安全系统204包括检验模块。在一些实施例中，检验模块被配置为从自动驾驶处理系统200接收处理结果，并且确定该处理结果是否符合预定安全标准。在一些实施例中，检验模块被配置为响应于确定处理结果不符合预定安全标准而执行安全处理。在此情况下，自动驾驶处理系统200被配置作为执行者(Doer)，并且检验模块被配置作为检验者(Checker)。在一些实施例中，检验模块被配置为从AP系统202接收应用处理信息，并且确定该应用处理信息是否符合预定安全标准。在一些实施例中，检验模块被配置为响应于确定应用处理信息不符合预定安全标准而执行安全处理。在此情况下，AP系统202被配置作为Doer，并且检验模块被配置作为Checker。在一些实施例中，确定是否符合预定安全标准包括确定车辆是否处于危害场景，诸如车辆将要发生碰撞、行驶到错误道路等。在一些实施例中，检验模块被配置为响应于确定车辆处于危害场景而执行紧急处理。在一些实施例中，执行紧急处理包括紧急制动车辆、靠边停止车辆等。

在一些实施例中，作为Checker的检验模块被配置为确定Doer的操作是否符合预定安全标准。在一些实施例中，检验模块被配置为响应于确定Doer的操作不符合预定安全标准而执行紧急处理。在一些实施例中，检验模块被配置为执行紧急处理使得自动驾驶SoC100进入安全模式。在一些实施例中，检验模块被配置为在安全模式中禁止来自AP系统202的应用处理信息从自动驾驶SoC 100输出。在一些实施例中，检验模块被配置为在安全模式中输出安全模式信息以作为自动驾驶SoC 100的输出。

在一些实施例中，自动驾驶处理系统200被配置作为Doer，并且被包括在AP系统202或安全系统204中的检验模块被配置作为Checker。在一些实施例中，AP系统202被配置作为Doer，并且被包括在安全系统204中的检验模块被配置作为Checker。Doer被配置为执行用于自动驾驶SoC 100的算法。作为示例，Doer被配置为执行AI算法。Checker被配置为检查危害场景，诸如车辆将要发生碰撞、行驶到错误道路等。响应于确定处于危害场景，Checker接管自动驾驶SoC的操作，并且执行紧急操作，诸如紧急制动车辆、靠边停止车辆等，同时使得Doer的操作不再起作用。以此方式，Checker能够弥补由于Doer的错误而造成的危害，该错误例如包括软硬件错误以及AI算法错误等。此外，以此方式，Doer和Checker的策略允许Doer的安全级别较低，以降低Doer的设计复杂性和成本，并且通过配置安全级别较高的独立冗余的Checker来使自动驾驶SoC的安全级别达到较高标准。作为示例，Checker的安全级别可以达到ASIL D级别。以此方式，Checker可以弥补自动驾驶SoC中的缺陷，诸如针对预期功能安全要求的缺陷、AI算法等的算法缺陷，从而使得自动驾驶SoC的系统安全能力达到ASIL D级别。

应当理解的是，AP系统202和/或安全系统204可以进一步被配置为执行本领域公知的其他信号处理。此外，在一些实施例中，自动驾驶SoC 100可以进一步包括其他子系统。在一些实施例中，其他子系统包括存储器控制系统、音频处理系统、图像处理系统、输入输出系统等。

根据本公开的实施例，针对自动驾驶处理系统200可以采用冗余机制。在一些实施例中，自动驾驶SoC 100进一步包括冗余自动驾驶处理系统。冗余自动驾驶处理系统被配置为接收自动驾驶数据流，并且基于深度学习模型来对自动驾驶数据流进行处理，以生成冗余处理结果。以此方式，当确定自动驾驶处理系统200发生故障时，响应于对应的警报信号，冗余自动驾驶处理系统被启用，以继续执行用于自动驾驶的处理。以此方式，提高车辆的自动驾驶的系统安全能力。

图3示出了根据本公开的实施例的自动驾驶处理系统的框图。参考图3，自动驾驶处理系统200包括自动驾驶处理模块300、故障检测模块302和多路选择模块304。在一些实施例中，从自动驾驶处理模块300的输出的处理结果传输到如图2所示的AP系统202，以用于在AP系统202中进行处理。

自动驾驶处理模块300被配置为接收输入数据流，并且基于深度学习模型来对输入数据流进行处理，以生成处理结果。在一些实施例中，自动驾驶处理模块300是自动驾驶AI模块。在一些实施例中，作为示例，该模块是SoC的IP核。在一些实施例中，自动驾驶处理模块300被配置为至少部分地基于AI算法来执行用于自动驾驶的感知、规划和控制处理中的至少一部分的处理，以生成感知、规划和控制处理中的至少一部分的处理结果。在一些实施例中，自动驾驶处理模块300输出障碍物的识别、环境识别、行驶信息、路径选择、车辆状态信息等中的至少一种的处理结果。在一些实施例中，自动驾驶处理模块300可以是本领域已知的自动驾驶SoC的AI模块。

故障检测模块302被配置为生成控制信号和故障检测激励数据流，并且从自动驾驶处理模块300接收处理结果。在一些实施例中，故障检测模块302与自动驾驶处理模块300分离地设置在自动驾驶处理系统200中，如图3所示。应当理解的是，本公开的实施例不限于此，在其他实施例中，故障检测模块302被包括在自动驾驶处理模块300中，并且独立于自动驾驶处理模块300的深度学习模型而进行操作，使得自动驾驶处理模块300输出除了处理结果之外的控制信号和故障检测激励数据流。

多路选择模块304被配置为接收自动驾驶数据流以及来自故障检测模块302的控制信号和故障检测激励数据流，并且基于控制信号来选择性地将自动驾驶数据流或故障检测激励数据流输出到自动驾驶处理模块300，以作为自动驾驶处理模块300的输入数据流。在一些实施例中，多路选择模块304从如图1所示的摄像系统104和/或LIDAR系统106接收自动驾驶数据流。在一些实施例中，多路选择模块304进一步被配置为在控制信号具有第一逻辑水平时将自动驾驶数据流输出到自动驾驶处理模块300，以作为输入数据流，并且在控制信号具有不同于第一逻辑水平的第二逻辑水平时将故障检测激励数据流输出到自动驾驶处理模块300，以作为输入数据流。在一些实施例中，多路选择模块304进一步被配置为接收其他类型的控制信号，以例如用于启用或禁用多路选择模块304、改变输出输入数据流的频率等。

在一些实施例中，在正常数据流处理期间，自动驾驶处理模块300被配置为接收自动驾驶数据流，以生成针对自动驾驶数据流的处理结果。在一些实施例中，在故障检测处理期间，自动驾驶处理模块300被配置为接收故障检测激励数据流，以生成针对故障检测激励数据流的处理结果。

故障检测模块302进一步被配置为将从自动驾驶处理模块300接收到的故障检测激励数据流的处理结果与对应于故障检测激励数据流的预定结果进行比较，并且响应于该比较而确定在自动驾驶处理模块300中是否发生故障。在一些实施例中，故障检测模块302将至少一个故障检测激励数据流和与其相对应的至少一个预定结果相关联地存储在存储器中。在一些实施例中，故障检测模块302被配置为通过查找表格来确定与输出的故障检测激励数据流相对应的至少一个预定结果。在一些实施例中，预定结果包括自动驾驶的感知、规划和控制处理中的至少一部分处理的处理结果。

在一些实施例中，故障检测模块302进一步被配置为响应于故障检测激励数据流的处理结果与预定结果之间的差异在预定范围内，确定在自动驾驶处理模块300中没有发生故障。在一些实施例中，故障检测模块302进一步被配置为响应于确定在自动驾驶处理模块300中没有发生故障，生成控制信号，以使得多路选择模块304基于控制信号将自动驾驶数据流输出到自动驾驶处理模块300。在一些实施例中，故障检测模块302进一步被配置为响应于故障检测激励数据流的处理结果与预定结果之间的差异超出预定范围，确定在自动驾驶处理模块300中发生故障，并且生成警报信号。在一些实施例中，该警报信号传输到如图2所示的安全系统204。

在一些实施例中，故障检测激励数据流的处理结果与预定结果的集合进行比较，以确定故障检测激励数据流的处理结果是否符合该集合中的至少一个预定结果。在一些实施例中，故障检测激励数据流的处理结果与至少一个预定结果进行比较，以确定故障检测激励数据流的处理结果的特征与至少一个预定结果的特征的相关性。应当理解的是，可以使用本领域已知的方法来比较故障检测激励数据流的处理结果和预定结果。

在根据本公开的实施例的自动驾驶处理系统200中，自动驾驶数据流和故障检测激励数据流之一被输入到自动驾驶处理模块300，以生成输入的数据流的处理结果。以此方式，不需要改变已存在或设计的自动驾驶处理模块300，例如自动驾驶SoC的AI模块。此外，基于控制信号的选择，将故障检测激励数据流插入到一系列自动驾驶数据流中的相邻数据流之间，以用于自动驾驶处理模块300进行处理。以此方式，不增加自动驾驶处理模块的处理负担，不引起自动驾驶处理模块的复杂的运算，并且降低自动驾驶处理模块的设计复杂度。此外，故障检测模块302针对自动驾驶处理模块300而独立地设置在自动驾驶SoC的同一子系统中，例如自动驾驶处理系统200。以此方式，能够独立地并且快速地确定自动驾驶处理模块的软硬件故障，并且增加自动驾驶处理模块的安全能力。以此方式，与现有的采用LBIST和ECC的安全措施的SoC能够达到的ASIL B级别相比，根据本公开的实施例的自动驾驶SoC能够达到ASIL D级别，以提高自动驾驶车辆的系统安全能力。

根据本公开的实施例，针对自动驾驶处理模块300可以采用冗余机制。在一些实施例中，自动驾驶处理系统200进一步包括冗余自动驾驶处理模块。冗余自动驾驶处理模块被配置为接收输入数据流，并且基于深度学习模型来对输入数据流进行处理，以生成冗余处理结果。以此方式，当确定自动驾驶处理模块300发生故障时，响应于对应的警报信号，冗余自动驾驶处理模块被启用，以继续执行用于自动驾驶的处理。以此方式，提高车辆的自动驾驶的系统安全能力。

图4示出了根据本公开的实施例的自动驾驶处理模块的处理任务的示意图。参考图4，在自动驾驶处理模块300以周期T1处理输入数据流的过程中，自动驾驶处理模块300定期地或者以周期T2周期性地处理故障检测激励数据流。以此方式，能够确保自动驾驶处理模块300的功能安全。

在一些实施例中，故障检测模块302进一步被配置为以第一周期生成控制信号和故障检测激励数据流，使得多路选择模块304基于控制信号以与第一周期相对应的周期将故障检测激励数据流输出到自动驾驶处理模块300，以从自动驾驶处理模块300接收故障检测激励数据流的处理结果。在一些实施例中，该周期等于第一周期。在此情况下，该第一周期等于图4中所示的周期T2。在替代实施例中，该周期是第一周期的分数或倍数。以此方式，故障检测模块302能够定期地监测自动驾驶处理模块300中是否发生故障。

在一些实施例中，多路选择模块304进一步被配置为以第二周期从外部接收自动驾驶数据流，第二周期小于第一周期。在一些实施例中，第二周期等于第一周期的分数。在一些实施例中，多路选择模块304以与第二周期相对应的周期将自动驾驶数据流输出到自动驾驶处理模块300。在一些实施例中，该周期等于第二周期。在此情况下，该第二周期等于图4中所示的周期T1。以此方式，根据特定场景，调节第一周期使得自动驾驶处理模块300主要处理自动驾驶数据流，从而不影响车辆的自动驾驶。在一些实施例中，第二周期等于第一周期的五分之一，使得针对自动驾驶处理模块300的输入数据流，每四个自动驾驶数据流插入一个故障检测激励数据流，以利用该故障检测激励数据流代替第五个自动驾驶数据流，作为输入数据流，如图4所示。

应当理解的是，本公开的实施例不限于此，在其他实施例中，该分数可以被设置为其他值，使得针对自动驾驶处理模块300的输入数据流，每若干个自动驾驶数据流插入一个故障检测激励数据流，即，在自动驾驶处理模块300的处理任务中，每若干个自动驾驶数据流的处理任务插入故障检测激励数据流的处理任务。

在一些实施例中，故障检测模块302输出这样的故障检测激励数据流，使得对应于该故障检测激励数据流的预定结果与先前接收到的自动驾驶数据流的处理结果的差异在预定范围内。在一些实施例中，对应于要输出的故障检测激励数据流的预定结果符合先前接收到的自动驾驶数据流的处理结果。以此方式，AP系统202接收到的处理结果中不存在异常值。在替代实施例中，故障检测模块302输出这样的故障检测激励数据流，使得对应于该故障检测激励数据流的预定结果包括标记，该标记使得AP系统202不处理该故障检测激励数据流的预定结果。以此方式，针对自动驾驶处理模块300的插入故障检测不影响AP系统202的信息处理。

图5示出了根据本公开的实施例的自动驾驶处理模块的处理任务的示意图。参考图5，在自动驾驶处理模块300处理输入数据流的过程中，在预定情况下，自动驾驶处理模块300处理代替自动驾驶数据流而插入的故障检测激励数据流。在一些实施例中，在可疑情况下，触发检测，使得自动驾驶处理模块300处理故障检测激励数据流，如图5所示。以此方式，能够在最短时间内弥补自动驾驶处理模块300的故障或缺陷。

在一些实施例中，故障检测模块302进一步被配置为从自动驾驶处理模块300接收自动驾驶数据流的处理结果，并且确定该处理结果是否超过阈值。在一些实施例中，该阈值是与在先前周期内的自动驾驶数据流的处理结果的相应特征值偏离的值。在一些实施例中，故障检测模块302被配置为响应于确定自动驾驶数据流的处理结果的波动超过阈值，生成控制信号和故障检测激励数据流，使得多路选择模块304基于控制信号将故障检测激励数据流输出到自动驾驶处理模块300，并且从自动驾驶处理模块300接收故障检测激励数据流的处理结果。

如图5所示，在自动驾驶处理模块300的处理任务中，在所示时间范围内的起始三个自动驾驶数据流的处理任务之后，故障检测模块302发现波动超过阈值的可疑情况，并且在处理任务中插入故障检测激励数据流的处理任务。在故障检测模块302确定没有故障发生之后，自动驾驶处理模块300继续执行七个自动驾驶数据流的处理任务。随后故障检测模块302发现波动超过阈值的可疑情况，并且在处理任务中插入故障检测激励数据流的处理任务。在故障检测模块302确定没有故障发生之后，自动驾驶处理模块300继续执行两个自动驾驶数据流的处理任务，然后故障检测模块302在处理任务中插入故障检测激励数据流的处理任务。应当理解的是，上述数值仅是示例性的而不是限制性的，该数值可以根据实际情况而变化。以此方式，故障检测模块302能够实时监测自动驾驶数据流的处理结果，并且在可疑情况下启动针对自动驾驶处理模块300的故障检测，从而能够迅速地发现故障情况，以允许使用更长的时间来应对故障情况，提高自动驾驶的系统安全能力。

图6示出了根据本公开的实施例的用于监测自动驾驶处理模块的方法的流程图。该自动驾驶处理模块是上面描述的自动驾驶处理模块300。

参考图6，在框602处，基于控制信号来选择性地将自动驾驶数据流或故障检测激励数据流作为输入数据流而输入到自动驾驶处理模块，该自动驾驶处理模块被配置为基于深度学习模型来对输入数据流进行处理以生成处理结果。在一些实施例中，在正常数据流处理期间，控制信号被设置使得自动驾驶数据流作为输入数据流而被输入到自动驾驶处理模块，以生成自动驾驶数据流的处理结果。在一些实施例中，在故障检测处理期间，控制信号被设置使得故障检测激励数据流作为输入数据流而被输入到自动驾驶处理模块，以生成故障检测激励数据流的处理结果。

在框604处，从自动驾驶处理模块接收故障检测激励数据流的处理结果。在一些实施例中，还从自动驾驶处理模块接收自动驾驶数据流的处理结果。

在框606，将故障检测激励数据流的处理结果与对应于故障检测激励数据流的预定结果进行比较，并且响应于该比较而确定在自动驾驶处理模块中是否发生故障。在一些实施例中，确定在自动驾驶处理模块中是否发生故障包括：响应于故障检测激励数据流的处理结果与预定结果之间的差异在预定范围内，确定在自动驾驶处理模块中没有发生故障；以及响应于该差异超出预定范围，确定在自动驾驶处理模块中发生故障。

在一些实施例中，周期性地设置控制信号，使得将故障检测激励数据流输入到自动驾驶处理模块，以生成故障检测激励数据流的处理结果。在一些实施例中，从自动驾驶处理模块接收自动驾驶数据流的处理结果，并且确定自动驾驶数据流的处理结果的波动是否超过阈值。在一些实施例中，响应于确定自动驾驶数据流的处理结果的波动超过阈值，设置控制信号使得将故障检测激励数据流输入到自动驾驶处理模块，以生成故障检测激励数据流的处理结果。

应当理解的是，用于实施本公开的实施例的方法可以采用一个或多个编程语言的任何组合来编写，以适用于SoC架构。此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。

虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (18)

1.一种自动驾驶处理系统，包括：

自动驾驶处理模块，被配置为接收输入数据流，并且基于深度学习模型来对所述输入数据流进行处理，以生成处理结果；

故障检测模块，被配置为以第一周期生成控制信号和故障检测激励数据流，并且从所述自动驾驶处理模块接收所述处理结果；以及

多路选择模块，被配置为以第二周期从外部接收自动驾驶数据流以及来自所述故障检测模块的所述控制信号和所述故障检测激励数据流，基于所述控制信号以与所述第一周期相对应的周期将所述故障检测激励数据流输出到所述自动驾驶处理模块，并且以与所述第二周期相对应的周期将所述自动驾驶数据流输出到所述自动驾驶处理模块，作为所述自动驾驶处理模块的所述输入数据流，所述第二周期小于所述第一周期，

其中所述故障检测模块进一步被配置为将从所述自动驾驶处理模块接收到的所述故障检测激励数据流的处理结果与对应于所述故障检测激励数据流的预定结果进行比较，并且响应于所述比较而确定在所述自动驾驶处理模块中是否发生故障，

其中当所述故障检测模块发现所述自动驾驶数据流的处理结果的波动超过阈值的可疑情况时，所述自动驾驶处理模块在所述自动驾驶数据流的处理任务中插入所述故障检测激励数据流的处理任务。

2.根据权利要求1所述的自动驾驶处理系统，其中所述故障检测模块进一步被配置为：

响应于所述故障检测激励数据流的处理结果与所述预定结果之间的差异在预定范围内，确定在所述自动驾驶处理模块中没有发生故障。

3.根据权利要求2所述的自动驾驶处理系统，其中所述故障检测模块进一步被配置为：

响应于确定在所述自动驾驶处理模块中没有发生故障，生成所述控制信号，以使得所述多路选择模块基于所述控制信号将所述自动驾驶数据流输出到所述自动驾驶处理模块。

4.根据权利要求1所述的自动驾驶处理系统，其中所述故障检测模块进一步被配置为：

响应于所述故障检测激励数据流的处理结果与所述预定结果之间的差异超出预定范围，确定在所述自动驾驶处理模块中发生故障；以及

生成警报信号。

5.根据权利要求1所述的自动驾驶处理系统，其中所述故障检测模块进一步被配置为：

从所述自动驾驶处理模块接收所述自动驾驶数据流的处理结果；

响应于确定所述自动驾驶数据流的处理结果的波动超过阈值，生成所述控制信号和所述故障检测激励数据流，使得所述多路选择模块基于所述控制信号将所述故障检测激励数据流输出到所述自动驾驶处理模块；以及

从所述自动驾驶处理模块接收所述故障检测激励数据流的处理结果。

6.根据权利要求1至5中任一项所述的自动驾驶处理系统，其中所述多路选择模块进一步被配置为：

在所述控制信号具有第一逻辑水平时将所述自动驾驶数据流输出到所述自动驾驶处理模块，以作为所述输入数据流；以及

在所述控制信号具有不同于所述第一逻辑水平的第二逻辑水平时将所述故障检测激励数据流输出到所述自动驾驶处理模块，以作为所述输入数据流。

7.一种用于自动驾驶的片上系统，包括：

根据权利要求1至6中任一项所述的自动驾驶处理系统。

8.根据权利要求7所述的片上系统，进一步包括：

应用处理系统，被配置为从所述自动驾驶处理系统的所述自动驾驶处理模块接收所述处理结果，并且对所述处理结果进行处理，以生成应用处理信息。

9.根据权利要求8所述的片上系统，其中所述应用处理系统包括检验模块，所述检验模块被配置为从所述自动驾驶处理系统的所述自动驾驶处理模块接收所述处理结果，并且响应于确定所述处理结果不符合预定标准而执行安全处理。

10.根据权利要求7所述的片上系统，进一步包括：

安全系统，被配置为从所述自动驾驶处理系统的所述故障检测模块接收警报信号，并且基于所述警报信号来执行预定处理。

11.根据权利要求10所述的片上系统，其中所述安全系统进一步包括检验模块，其中所述检验模块被配置为从所述自动驾驶处理系统的所述自动驾驶处理模块接收所述处理结果，并且响应于确定所述处理结果不符合预定标准而执行安全处理。

12.根据权利要求7所述的片上系统，其中所述自动驾驶处理系统进一步包括：

冗余自动驾驶处理模块，被配置为接收所述自动驾驶数据流，并且基于所述深度学习模型来对所述自动驾驶数据流进行处理，以生成冗余处理结果。

13.根据权利要求7所述的片上系统，进一步包括：

冗余自动驾驶处理系统，被配置为接收所述自动驾驶数据流，并且基于所述深度学习模型来对所述自动驾驶数据流进行处理，以生成冗余处理结果。

14.一种用于监测自动驾驶处理模块的方法，所述方法包括：

基于控制信号，以与第一周期相对应的周期将自动驾驶数据流输入到所述自动驾驶处理模块，并且以与第二周期相对应的周期将故障检测激励数据流作为输入数据流输入到所述自动驾驶处理模块，所述自动驾驶处理模块被配置为基于深度学习模型来对所述输入数据流进行处理以生成处理结果，所述第二周期小于所述第一周期；

从所述自动驾驶处理模块接收所述故障检测激励数据流的处理结果；以及

将所述故障检测激励数据流的处理结果与对应于所述故障检测激励数据流的预定结果进行比较，并且响应于所述比较而确定在所述自动驾驶处理模块中是否发生故障，

其中当发现所述自动驾驶数据流的处理结果的波动超过阈值的可疑情况时，所述自动驾驶处理模块在所述自动驾驶数据流的处理任务中插入所述故障检测激励数据流的处理任务。

15.根据权利要求14所述的方法，其中确定在所述自动驾驶处理模块中是否发生故障包括：

响应于所述故障检测激励数据流的处理结果与所述预定结果之间的差异在预定范围内，确定在所述自动驾驶处理模块中没有发生故障；以及

响应于所述差异超出所述预定范围，确定在所述自动驾驶处理模块中发生故障。

16.根据权利要求14所述的方法，其中

在正常数据流处理期间，所述控制信号被设置使得所述自动驾驶数据流作为所述输入数据流而被输入到所述自动驾驶处理模块，以生成所述自动驾驶数据流的处理结果；以及

在故障检测处理期间，所述控制信号被设置使得所述故障检测激励数据流作为所述输入数据流而被输入到所述自动驾驶处理模块，以生成所述故障检测激励数据流的处理结果。

17.根据权利要求14所述的方法，进一步包括：

周期性地设置所述控制信号，使得将所述故障检测激励数据流输入到所述自动驾驶处理模块，以生成所述故障检测激励数据流的处理结果。

18.根据权利要求14所述的方法，进一步包括：

从所述自动驾驶处理模块接收所述自动驾驶数据流的处理结果；以及

响应于确定所述自动驾驶数据流的处理结果的波动超过阈值，设置所述控制信号使得将所述故障检测激励数据流输入到所述自动驾驶处理模块，以生成所述故障检测激励数据流的处理结果。

Images