CN112114969A - 数据处理方法、装置、电子设备和存储介质 - Google Patents

数据处理方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN112114969A
CN112114969A CN202011007021.8A CN202011007021A CN112114969A CN 112114969 A CN112114969 A CN 112114969A CN 202011007021 A CN202011007021 A CN 202011007021A CN 112114969 A CN112114969 A CN 112114969A
Authority
CN
China
Prior art keywords
data processing
processing result
processor
sensor information
processors
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.)
Withdrawn
Application number
CN202011007021.8A
Other languages
English (en)
Inventor
王衍
李文栋
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 Zhilian Beijing Technology 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 CN202011007021.8A priority Critical patent/CN112114969A/zh
Publication of CN112114969A publication Critical patent/CN112114969A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00Arrangements for program control, e.g. control units
    • G06F9/06Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46Multiprogramming arrangements
    • G06F9/50Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/505Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本申请公开了数据处理方法、装置、电子设备和存储介质,涉及深度学习技术领域。具体实现方案为第一系统获取传感器信息,其中,所述第一系统运行在硬件平台的第一处理器上;所述第一系统向第二系统传输所述传感器信息,其中,所述第二系统运行在所述硬件平台的第二处理器上;所述第二系统针对所述传感器信息执行数据处理,得到数据处理结果;所述第二系统向第一系统发送所述数据处理结果;所述第一系统响应所述数据处理结果。本公开可以降低单一处理器的负载。

Description

数据处理方法、装置、电子设备和存储介质
技术领域
本公开涉及数据处理技术领域,尤其涉及深度学习技术领域。
背景技术
目前随着数据处理技术的发展,智能设备上硬件平台上需要执行的数据处理也越来越多。但目前硬件平台上都是一个处理器执行数据的全部处理,例如:CPU获取数据信息,再由CPU进行数据处理,以及由CPU响应数据处理结果,例如:在车载硬件平台(如TIJacinto 6系列的硬件平台)上都是由该硬件平台中的CPU获取数据信息,并执行数据处理,以及响应数据处理结果。
发明内容
本公开提供了一种数据处理方法、装置、电子设备和存储介质。
根据本公开的一方面,提供了一种数据处理方法,包括:
第一系统获取传感器信息,其中,所述第一系统运行在硬件平台的第一处理器上;
所述第一系统向第二系统传输所述传感器信息,其中,所述第二系统运行在所述硬件平台的第二处理器上;
所述第二系统针对所述传感器信息执行数据处理,得到数据处理结果;
所述第二系统向第一系统发送所述数据处理结果;
所述第一系统响应所述数据处理结果。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开提供的数据处理方法。
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,所述计算机指令用于使所述计算机执行本公开提供的数据处理方法。
根据本公开的技术方案由于第一系统获取传感器信息由第二系统执行数据处理之后再由第一系统响应数据处理结果,且第一系统和第二系统运行在不同的处理器,从而可以降低单一处理器的负载。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开提供的一种数据处理方法的流程图;
图2是本公开提供的一种数据处理的示意图;
图3是本公开提供的一种数据处理的实验数据示意图;
图4是本公开提供的一种数据处理的实验数据示意图;
图5是本公开提供的一种数据处理的实验数据示意图;
图6是本公开提供的一种数据处理的实验数据示意图;
图7是本公开提供的一种数据处理装置的结构图;
图8是用来实现本公开实施例的数据处理方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
请参见图1,图1是本公开提供的一种数据处理方法的流程图,如图1所示,包括以下步骤:
步骤S101、第一系统获取传感器信息,其中,所述第一系统运行在硬件平台的第一处理器上。
其中,上述第一系统可以是硬件平台操作系统,例如:安卓(Android)系统或者IOS系统等。
上述硬件平台可以是车载硬件平台,例如:智能车辆的控制平台,如TI Jacinto 6系列的硬件平台,本公开中对此不作限定,例如:还可以是其他智能设备的硬件平台。
本公开中,硬件平台上包括第一处理器和第二处理器,其中,第一处理器可以是CPU,第二处理器可以包括一个或者多个处理器,例如:第二处理器可以包括一个或者多个数字信号处理器(Digital Signal Processor,DSP),以及还可以包括一个或者多个嵌入式视频引擎(Embedded Video Engine,EVE)。
上述传感器信息可以包括摄像头采集的图像信息,或者可以包括麦克风采集的语音信息,具体对此不作限定,例如:还可以包括红外传感器、超声波传感器、姿态传感器采集的数据信息。
步骤S102、所述第一系统向第二系统传输所述传感器信息,其中,所述第二系统运行在所述硬件平台的第二处理器上。
其中,上述第一系统向第二系统传输所述传感器信息可以是连续向第二系统传输传感器信息,例如:针对摄像头的图像信息,按照采集的频率传输至第二系统。或者,还可以是周期性或者由事件触发向第二系统传输传感器信息。
上述第二系统可以是实时操作系统(real-time operating system,RTOS)。
步骤S103、所述第二系统针对所述传感器信息执行数据处理,得到数据处理结果。
上述数据处理可以包括一项或者多项数据处理,例如:人脸检测、手势检测、人脸识别、驾驶员监测、障碍识别、目标跟踪等数据处理。
由于第二系统运行在第二处理器,这样可以利用第二处理器的资源执行数据处理。
步骤S104、所述第二系统向第一系统发送所述数据处理结果。
第二系统向第一系统发送数据处理结果可以是实时发送,例如:只要产生数据处理结果,立即向第一系统发送,或者,第二系统可以是周期性向第一系统发送数据处理结果等,对此不作限定,例如:还可以是根据不同业务需求针对不同的数据处理结果采用不同的发送方式。
步骤S105、所述第一系统响应所述数据处理结果。
上述第一系统响应所述数据处理结果可以是,第一系统基于数据处理结果执行相关的操作,例如:生成温度、声音、速度、转向等等的控制指令,并发送控制指令至相应的模块执行。
本公开中,通过上述步骤可以实现第一系统获取传感器信息由第二系统执行数据处理之后再由第一系统响应数据处理结果,且第一系统和第二系统运行在不同的处理器上,从而可以降低单一处理器的负载,以提高硬件平台的工作效率。例如:第一处理器为CPU的情况下,可以降低CPU的负载,提高工作效率。
需要说明的是,上述方法可以应用于电子设备,该电子设备可以包括:车载设备(例如:自动驾驶汽车)、机器人等电子设备。
作为一种可选的实施方式,所述第二处理器包括多个处理器,所述第二系统针对所述传感器信息执行数据处理,得到数据处理结果,包括:
所述第二系统通过所述多个处理器中的第一部分处理器对所述传感器信息执行第一数据处理,以得到第一处理结果;
所述第二系统通过所述多个处理器中的第二部分处理器对所述第一处理结果执行第二数据处理,以得到第二处理结果,所述数据处理结果包括所述第二处理结果。
上述第二处理器包括多个处理器可以是,第二处理器包括DSP和EVE,另外,上述第二系统可以是运行在这多个处理器上,例如:第二系统可以控制这多个处理器执行相关的数据处理。
上述对所述第一处理结果执行第二数据处理可以是,对第一处理结果的部分或者全部进行第二数据处理。例如:第一数据处理包括人脸检测和手势检测,这样第二系统可以通过第二部分处理器对人脸识别的处理结果进一步执行人脸识别和驾驶员监测。
该实施方式中,由于可以通过不同的处理器对传感器信息进行不同的数据处理,这样使得硬件平台上的处理器的负载得到均衡,以进一步提高硬件平台的工作效率。
可选的,所述第一处理结果包括多个处理结果,所述第二系统通过所述多个处理器中的第二部分处理器对所述第一处理结果执行第二数据处理,以得到第二处理结果,包括:
所述第二系统通过所述多个处理器中的第二部分处理器对所述第一处理结果包括的第一部分处理结果执行第二数据处理,以得到第二处理结果;
所述第二系统针对所述传感器信息执行数据处理,得到数据处理结果还包括:
所述第二系统将所述第二处理结果与所述第一处理结果包括的第二部分处理结果进行合并,以得到所述数据处理结果。
其中,上述第一部分处理结果可以是第一处理结果中需要由第二处理器执行数据处理的结果,而上述第二部分处理结果可以是直接由第一系统响应的处理结果。
例如:如2所示,第一部分处理器包括EVE,第二部分处理器包括DSP,EVE对图像的人脸框执行人脸关键点检测(即上述的人脸检测),以及对图像的手势框执行手势关键点检测(即上述的手势检测),之后通过相应的IPC输出,其中,IPC可以表示进程间通信;之后,DSP基于人脸检测结果执行人脸识别和驾驶员监测。最后如图3所示,对处理结果进行融合,并发送给第一系统。
该实施方式中,可以实现第一处理器处理的一部分处理结果可以直接合并发送给第一系统,而另一部分处理结果由第二处理器进一步提高再合并,从而可以进一步保证各处理器之间的负载均衡,以进一步提高硬件平台的处理效率。
还需要说明的是,本公开中任一处理器执行的一项数据处理,从输入至输出这个流程可以称作管线,如图2所示,EVE和DSP上的数据处理分别可以称作管线1和管线2。
需要说明的是,本公开中并不限定为上述实施方式的数据处理,例如:还可以是第二处理器中各处理器执行不同的数据处理,且这些数据处理的处理结果可以直接发送给第一系统,由第一系统进行响应。
例如:DSP执行人脸检测、人脸识别和驾驶员监测,EVE执行手势检测。
可选的,上述第一处理器可以包括多个处理器,且每个处理器执行上述第一数据处理器中的不同处理,例如:包括多个EVE,一个EVE执行人脸检测,另一个EVE执行手势检测。且上述第二处理器也可以包括多个处理器,且每个处理器执行上述第二数据处理中的不同处理,例如:包括多个DSP,一个DSP执行人脸识别,另一个DSP执行驾驶员监测。
也就是说,可以将第一数据处理的管线拆分为多个独立的子管线,以及可以将第二数据处理的管线拆分为多个独立的子管线,且这些子管线可以是并行执行。
作为一种可选的实施方式,所述第二系统针对所述传感器信息执行数据处理,得到数据处理结果,包括:
所述第二系统针对所述传感器信息执行深度学习处理,以得到数据处理结果,其中,所述深度学习处理包括多个数据处理,不同数据处理采用不同的深度学习模型,且所述多个数据处理的深度学习模型采用同一个或多个深度学习推理库。
上述多个数据处理可以包括上述实施方式中第一数据处理和第二数据处理,例如:通过深度学习执行人脸检测、手势检测、人脸识别和驾驶员监测等。
上述不同数据处理采用不同的深度学习模型可以是,每个数据处理均采用对应的深度学习模型进行处理,例如:通过不同的深度习模型分别执行人脸检测、手势检测、人脸识别和驾驶员监测。
上述多个数据处理的深度学习模型采用同一个深度学习推理库可以是,各深度学习模型的函数、代码等内容出自于同一个深度学习推理库,这样可以降低深度学习推理库的使用个数。
上述多个数据处理的深度学习模型采用同多个深度学习推理库可以是,不同深度学习模型采用不同的深度学习推理库,或者可以是,部分深度学习模型采用同一个深度学习模型推理库,另一个部分深度学习模型采用不同的深度学习模型推理库。例如:如图2所示,包括2个学习模型推理库,其中,分别用于DSP上的数据处理和EVE上的数据处理。
该实施方式中,由于不同数据处理采用不同的深度学习模型,这样可以降低模型的复杂度,且还可以避免单一处理器计算量过高的问题。
进一步的,上述多个数据处理中部分或者全部数据处理还可以并列执行,以进一步提高工作效率。
作为一种可选的实施方式,第一系统和第二系统之间的数据传输可以按照预先定义的通信协议进行传输。例如:上述传感器信息、处理结果、控制指令可以按照预先定义的通信协议进行传输。
该通信协议中可以定义具体的通信规则,如定义消息长度、类型、包头、字段等内容,即采用自定义的规则来传输数据。且具体可以根据场景、业务需求进行定义。
该实施方式中,由于第一系统和第二系统之间的数据传输可以按照预先定义的通信协议进行传输,这样可以进一步提高硬件平台的工作效率,因为,可以预先定义的通信协议进行传输,可以降低甚至避免第一系统和第二系统之间的数据格式的转换。
另外,本公开中第二系统可以由第一系统调度,例如:如图2所示,第一系统的APP可以包括双系统调度,以及摄像头读写、生命周期管理器等内容。
在图2所示的实施例中,摄像头采集图像201,第一系统再将图像帧传输给第二系统202,第二系统通过EVE执行图像采集203,并通过EVE执行第一数据处理204,具体包括手势识别和人脸检测,第二系统通过DSP执行计算调度205,并通过DSP执行第二处理数据206,具体包括人脸识别和驾驶员监测,之后将数据融合,以将结果发送给第一系统207。
需要说明的是,图2是以TI构架为例,其中,TIDL DSP lib表示用于DSP执行数据处理的深度学习推理库,TIDL EVE lib表示用于DSP执行数据处理的深度学习推理库。
根据本公开的技术方案由于第一系统获取传感器信息由第二系统执行数据处理之后再由第一系统响应数据处理结果,且第一系统和第二系统运行在不同的处理器,从而可以降低单一处理器的负载。
下面分别以硬件平台为TI J6,以及第一处理器为CPU,第二处理器包括DSP和EVE进行实验数据说明,具体以“人脸识别”、“驾驶员检测”、“多模交互”三个车载图像识别功能进行测试数据说明下,其中,多模交互可以包括图像识别车载场景,例如:可以是用户的姿态,如点头、手势等与车机之间的交互等场景。
其中,图3所示展示了这三个场景中CPU执行数据处理和由DSP执行数据处理的单帧耗时比较,通过图3可以可知,采用DSP执行数据处理的单帧耗时比采用CPU执行数据处理的单帧耗时要短。
其中,图4所示展示了这三个场景中CPU执行数据处理和由DSP执行数据处理的CPU使用率比较,通过图4可以可知,采用DSP执行数据处理的CPU使用率比采用CPU执行数据处理的CPU使用率比要低很多。
其中,图5和图6展示了多种检测时CPU执行数据处理和由DSP和EVE执行数据处理的单帧耗时比较,图5中501、502、503和504分别表示人脸检测、人脸关键点检测、手势检测和活体检测,图6中601、602、603和604分别表示人脸检测、人脸关键点检测、手势检测和活体检测。通过图5和图6可以可知,采用DSP和EVE执行数据处理的单帧耗时比采用CPU执行数据处理的单帧耗时要短。
请参见图7,图7是本公开提供的一种数据处理装置,如图7所示,数据处理装置700包括:
获取模块701,用于第一系统获取传感器信息,其中,所述第一系统运行在硬件平台的第一处理器上;
传输模块702,用于所述第一系统向第二系统传输所述传感器信息,其中,所述第二系统运行在所述硬件平台的第二处理器上;
执行模块703,用于所述第二系统针对所述传感器信息执行数据处理,得到数据处理结果;
发送模块704,用于所述第二系统向第一系统发送所述数据处理结果;
响应模块705,用于所述第一系统响应所述数据处理结果。
可选的,所述第二处理器包括多个处理器,所述执行模块703包括:
第一执行单元,用于所述第二系统通过所述多个处理器中的第一部分处理器对所述传感器信息执行第一数据处理,以得到第一处理结果;
第二执行单元,用于所述第二系统通过所述多个处理器中的第二部分处理器对所述第一处理结果执行第二数据处理,以得到第二处理结果,所述数据处理结果包括所述第二处理结果。
可选的,所述第一处理结果包括多个处理结果,所述第二执行单元用于所述第二系统通过所述多个处理器中的第二部分处理器对所述第一处理结果包括的第一部分处理结果执行第二数据处理,以得到第二处理结果;
所述执行模块703还包括:
合并单元,用于所述第二系统将所述第二处理结果与所述第一处理结果包括的第二部分处理结果进行合并,以得到所述数据处理结果。
可选的,所述执行模块703用于所述第二系统针对所述传感器信息执行深度学习处理,以得到数据处理结果,其中,所述深度学习处理包括多个数据处理,不同数据处理采用不同的深度学习模型,且所述多个数据处理的深度学习模型采用同一个或多个深度学习推理库。
本实施例提供的装置能够实现图1所示的方法实施例中实现的各个过程,且可以达到相同有益效果,为避免重复,这里不再赘述。
如图8所示,是根据本公开实施例的数据处理方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,车载设备(例如:自动驾驶汽车)、机器人、计算机和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,该电子设备包括:一个或多个处理器801、存储器802,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。
存储器802即为本公开所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本公开所提供的数据处理方法。本公开的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本公开所提供的数据处理方法。
存储器802作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本公开实施例中的数据处理方法对应的程序指令/模块(例如,附图7所示的获取模块701、传输模块702、执行模块703、发送模块704和响应模块705)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的数据处理方法。
存储器802可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据数据处理方法的电子设备的使用所创建的数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器802可选包括相对于处理器801远程设置的存储器,这些远程存储器可以通过网络连接至数据处理方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
数据处理方法的电子设备还可以包括:输入装置803和输出装置808。处理器801、存储器802、输入装置803和输出装置808可以通过总线或者其他方式连接,图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息,以及产生与数据处理方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置808可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本公开的技术方案由于通过云端和边缘设备的影子文件进行数据同步,这样可以实现在网络不稳定或者离线的情况下,边缘设备可以使用影子文件中的数据执行工作,以提高边缘设备的工作性能。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。

Claims (10)

1.一种数据处理方法,包括:
第一系统获取传感器信息,其中,所述第一系统运行在硬件平台的第一处理器上;
所述第一系统向第二系统传输所述传感器信息,其中,所述第二系统运行在所述硬件平台的第二处理器上;
所述第二系统针对所述传感器信息执行数据处理,得到数据处理结果;
所述第二系统向第一系统发送所述数据处理结果;
所述第一系统响应所述数据处理结果。
2.根据权利要求1所述的方法,其中,所述第二处理器包括多个处理器,所述第二系统针对所述传感器信息执行数据处理,得到数据处理结果,包括:
所述第二系统通过所述多个处理器中的第一部分处理器对所述传感器信息执行第一数据处理,以得到第一处理结果;
所述第二系统通过所述多个处理器中的第二部分处理器对所述第一处理结果执行第二数据处理,以得到第二处理结果,所述数据处理结果包括所述第二处理结果。
3.根据权利要求2所述的方法,其中,所述第一处理结果包括多个处理结果,所述第二系统通过所述多个处理器中的第二部分处理器对所述第一处理结果执行第二数据处理,以得到第二处理结果,包括:
所述第二系统通过所述多个处理器中的第二部分处理器对所述第一处理结果包括的第一部分处理结果执行第二数据处理,以得到第二处理结果;
所述第二系统针对所述传感器信息执行数据处理,得到数据处理结果还包括:
所述第二系统将所述第二处理结果与所述第一处理结果包括的第二部分处理结果进行合并,以得到所述数据处理结果。
4.根据权利要求1至3中任一项所述的方法,其中,所述第二系统针对所述传感器信息执行数据处理,得到数据处理结果,包括:
所述第二系统针对所述传感器信息执行深度学习处理,以得到数据处理结果,其中,所述深度学习处理包括多个数据处理,不同数据处理采用不同的深度学习模型,且所述多个数据处理的深度学习模型采用同一个或多个深度学习推理库。
5.一种数据处理装置,包括:
获取模块,用于第一系统获取传感器信息,其中,所述第一系统运行在硬件平台的第一处理器上;
传输模块,用于所述第一系统向第二系统传输所述传感器信息,其中,所述第二系统运行在所述硬件平台的第二处理器上;
执行模块,用于所述第二系统针对所述传感器信息执行数据处理,得到数据处理结果;
发送模块,用于所述第二系统向第一系统发送所述数据处理结果;
响应模块,用于所述第一系统响应所述数据处理结果。
6.根据权利要求5所述的装置,其中,所述第二处理器包括多个处理器,所述执行模块包括:
第一执行单元,用于所述第二系统通过所述多个处理器中的第一部分处理器对所述传感器信息执行第一数据处理,以得到第一处理结果;
第二执行单元,用于所述第二系统通过所述多个处理器中的第二部分处理器对所述第一处理结果执行第二数据处理,以得到第二处理结果,所述数据处理结果包括所述第二处理结果。
7.根据权利要求6所述的装置,其中,所述第一处理结果包括多个处理结果,所述第二执行单元用于所述第二系统通过所述多个处理器中的第二部分处理器对所述第一处理结果包括的第一部分处理结果执行第二数据处理,以得到第二处理结果;
所述执行模块还包括:
合并单元,用于所述第二系统将所述第二处理结果与所述第一处理结果包括的第二部分处理结果进行合并,以得到所述数据处理结果。
8.根据权利要求5至7中任一项所述的装置,其中,所述执行模块用于所述第二系统针对所述传感器信息执行深度学习处理,以得到数据处理结果,其中,所述深度学习处理包括多个数据处理,不同数据处理采用不同的深度学习模型,且所述多个数据处理的深度学习模型采用同一个或多个深度学习推理库。
9.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
CN202011007021.8A 2020-09-23 2020-09-23 数据处理方法、装置、电子设备和存储介质 Withdrawn CN112114969A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011007021.8A CN112114969A (zh) 2020-09-23 2020-09-23 数据处理方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011007021.8A CN112114969A (zh) 2020-09-23 2020-09-23 数据处理方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN112114969A true CN112114969A (zh) 2020-12-22

Family

ID=73801135

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011007021.8A Withdrawn CN112114969A (zh) 2020-09-23 2020-09-23 数据处理方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN112114969A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113051218A (zh) * 2021-03-30 2021-06-29 联想(北京)有限公司 一种处理器、数据处理方法及电子设备
WO2023125065A1 (zh) * 2021-12-28 2023-07-06 Oppo广东移动通信有限公司 数据处理方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679009A (zh) * 2017-10-27 2018-02-09 中国航空无线电电子研究所 基于异构多核架构的通用化软硬件平台
CN110154896A (zh) * 2018-03-16 2019-08-23 北京航空航天大学 一种检测障碍物的方法以及设备
CN110794819A (zh) * 2019-11-13 2020-02-14 深圳市路畅智能科技有限公司 一种手势按键融合的智能汽车无线驾驶控制系统
CN111447561A (zh) * 2020-03-16 2020-07-24 北京百度网讯科技有限公司 车辆的图像处理系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679009A (zh) * 2017-10-27 2018-02-09 中国航空无线电电子研究所 基于异构多核架构的通用化软硬件平台
CN110154896A (zh) * 2018-03-16 2019-08-23 北京航空航天大学 一种检测障碍物的方法以及设备
CN110794819A (zh) * 2019-11-13 2020-02-14 深圳市路畅智能科技有限公司 一种手势按键融合的智能汽车无线驾驶控制系统
CN111447561A (zh) * 2020-03-16 2020-07-24 北京百度网讯科技有限公司 车辆的图像处理系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113051218A (zh) * 2021-03-30 2021-06-29 联想(北京)有限公司 一种处理器、数据处理方法及电子设备
WO2023125065A1 (zh) * 2021-12-28 2023-07-06 Oppo广东移动通信有限公司 数据处理方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
US20210210091A1 (en) Method, device, and storage medium for waking up via speech
CN110660390B (zh) 智能设备唤醒方法、智能设备及计算机可读存储介质
CN111860167B (zh) 人脸融合模型获取及人脸融合方法、装置及存储介质
CN112235417B (zh) 调试指令的发送方法、装置
CN111967568A (zh) 深度学习模型的适配方法、装置及电子设备
CN112382294B (zh) 语音识别方法、装置、电子设备和存储介质
CN111367488B (zh) 语音设备及语音设备的交互方法、设备、存储介质
CN112158199B (zh) 巡航控制方法、装置、设备、车辆及介质
CN112114969A (zh) 数据处理方法、装置、电子设备和存储介质
CN111275190A (zh) 神经网络模型的压缩方法及装置、图像处理方法及处理器
CN111443801B (zh) 人机交互方法、装置、设备及存储介质
CN110737557A (zh) 电子控制单元的调试方法、装置、电子设备及存储介质
CN111966212A (zh) 基于多模态的交互方法、装置、存储介质及智能屏设备
CN113844463B (zh) 基于自动驾驶系统的车辆控制方法、装置及车辆
JP2021152947A (ja) 無人運転車両の制御方法、装置及び電子機器
US20210139052A1 (en) Task scheduling method, apparatus, device, and computer readable storage medium
CN112101545A (zh) 蒸馏系统的训练方法、装置、设备及存储介质
Zhao et al. Web-based interactive drone control using hand gesture
CN112382292A (zh) 基于语音的控制方法和装置
CN111767059A (zh) 深度学习模型的部署方法、装置、电子设备和存储介质
CN111610850A (zh) 一种基于无人机进行人机交互的方法
CN113447059B (zh) 自动驾驶汽车传感器的检测方法、装置及电子设备
CN113780045A (zh) 用于训练距离预测模型的方法和装置
CN114475631B (zh) 驾驶数据处理方法装置、设备、自动驾驶车辆介质及产品
CN112578713B (zh) 车辆信息处理方法、装置、设备和存储介质

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: 20211015

Address after: 100176 101, floor 1, building 1, yard 7, Ruihe West 2nd Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing

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

Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085

Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
WW01 Invention patent application withdrawn after publication

Application publication date: 20201222