CN112161633B - 数据处理方法、装置、设备以及存储介质 - Google Patents

Abstract

本申请公开了一种数据处理方法、装置、设备以及存储介质，涉及自动驾驶领域。具体实现方案为：获取第一路段的地图信息和模型参数，所述第一路段为车辆将要经过的路段；获取第一路段的传感数据，所述传感数据为所述车辆上的传感器获取的传感数据；根据所述地图信息和所述模型参数，对所述传感数据进行优化处理，得到优化后的传感数据，所述优化后的传感数据用于控制所述车辆在所述第一路段上自动驾驶。能够减小由于车辆上的传感器在第一路段上的检查效果不佳导致对自动驾驶产生的不利影响，提高自动驾驶的准确性和安全性。

Description

数据处理方法、装置、设备以及存储介质

技术领域

本申请涉及数据处理中的自动驾驶领域，尤其涉及一种数据处理方法、装置、设备以及存储介质。

背景技术

目前的车辆中的自动驾驶系统，通常是通过传感器获取车辆周围环境的感知数据，然后自动驾驶系统对感知数据进行处理，以指导车辆的自动驾驶。但是，针对一些路段环境，部分传感器的检测效果较差。例如在高速和城市快速路中常见的隧道环境，当车辆上安装了毫米波雷达或摄像头时，毫米波雷达或摄像头在隧道内的检测效果较差，导致采集的传感数据不够准确。

因此，在一些路段中，如果车辆上的传感器的检测效果都不佳，会对车辆的自动驾驶产生不利的影响。

发明内容

本申请提供了一种数据处理方法、装置、设备以及存储介质。

根据本申请的第一方面，提供了一种数据处理方法，包括：

获取第一路段的地图信息和模型参数，所述第一路段为车辆将要经过的路段；

获取第一路段的传感数据，所述传感数据为所述车辆上的传感器获取的传感数据；

根据所述地图信息和所述模型参数，对所述传感数据进行优化处理，得到优化后的传感数据，所述优化后的传感数据用于控制所述车辆在所述第一路段上自动驾驶。

根据本申请的第二方面，提供了一种数据处理方法，包括：

获取多组训练样本，每组训练样本中包括一个样本路段的样本地图信息、样本模型参数、样本传感数据和样本优化传感数据；

针对每组训练样本，将所述训练样本中的样本地图信息、样本模型参数、样本传感数据输入至预设模型，得到训练输出传感数据；

根据所述训练输出传感数据和所述样本优化传感数据，对所述预设模型的参数进行调整，直至所述训练输出传感数据和所述样本优化传感数据之间的误差小于或等于预设误差时，得到训练完成的预设模型。

根据本申请的第三方面，提供了一种数据处理装置，包括：

第一获取模块，用于获取第一路段的地图信息和模型参数，所述第一路段为车辆将要经过的路段；

第二获取模块，用于获取第一路段的传感数据，所述传感数据为所述车辆上的传感器获取的传感数据；

处理模块，用于根据所述地图信息和所述模型参数，对所述传感数据进行优化处理，得到优化后的传感数据，所述优化后的传感数据用于控制所述车辆在所述第一路段上自动驾驶。

根据本申请的第四方面，提供了一种数据处理装置，包括：

获取模块，用于获取多组训练样本，每组训练样本中包括一个样本路段的样本地图信息、样本模型参数、样本传感数据和样本优化传感数据；

处理模块，用于针对每组训练样本，将所述训练样本中的样本地图信息、样本模型参数、样本传感数据输入至预设模型，得到训练输出传感数据；

训练模块，用于根据所述训练输出传感数据和所述样本优化传感数据，对所述预设模型的参数进行调整，直至所述训练输出传感数据和所述样本优化传感数据之间的误差小于或等于预设误差时，得到训练完成的预设模型。

根据本申请的第五方面，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第一方面或第二方面中任一项所述的方法。

根据本申请的第六方面，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第一方面或第二方面中任一项所述的方法。

根据本申请的第七方面，提供了一种计算机程序产品，所述程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面或第二方面中任一项所述的方法。

本申请实施例提供的数据处理方法、装置、设备以及存储介质，获取第一路段的地图信息和模型参数，并获取第一路段的传感数据，其中第一路段为车辆将要经过的路段，该传感数据为车辆上的传感器获取的传感数据，根据地图信息和模型参数，能够获取第一路段的多项道路信息以及路段特征，并获知车辆在第一路段行驶时的传感数据可能在哪些方面出现偏差；然后，根据地图信息和模型参数，对传感数据进行优化处理，得到优化后的传感数据，由于优化后的传感数据是根据地图信息和模型参数对原始的传感数据进行优化处理的，因此优化后的传感数据比原始采集的传感数据更为精准，采用优化后的传感数据控制车辆在第一路段上自动驾驶，能够减小由于车辆上的传感器在第一路段上的检查效果不佳导致对自动驾驶产生的不利影响，提高自动驾驶的准确性和安全性。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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，不构成对本申请的限定。其中：

图1为本申请实施例提供的应用场景示意图；

图2为本申请实施例提供的数据处理方法的流程示意图；

图3为本申请又一实施例提供的应用场景示意图；

图4为本申请实施例提供的获取第一路段的地图信息的示意图；

图5为本申请实施例提供的传感数据的采集范围示意图；

图6为本申请实施例提供的一种数据处理方法的流程示意图；

图7为本申请实施例提供的获取第一样本路段的样本传感数据的示意图；

图8为本申请实施例提供的预设模型训练示意图；

图9为本申请实施例提供的数据处理示意图；

图10为本申请实施例提供的一种数据处理装置的结构示意图；

图11为本申请实施例提供的一种数据处理装置的结构示意图；

图12为本申请实施例提供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。

首先结合附图对本申请的应用场景进行介绍。

图1为本申请实施例提供的应用场景示意图，如图1所示，包括车辆10，车辆10正在道路上行驶。

在车辆10上，安装有传感器，图1中示例了车辆10上安装的毫米波雷达11和摄像头12。毫米波雷达11在车辆行驶过程中可以获取雷达数据，摄像头12在车辆行驶过程中可以获取视觉数据。

车辆10中安装有自动驾驶系统，其中自动驾驶系统中包括感知模块。当毫米波雷达11获取了雷达数据之后，可以将雷达数据发送至感知模块，以及摄像头12获取了视觉数据之后，可以将视觉数据发送至感知模块。感知模块对雷达数据和视觉数据进行感知分析，以获取车辆10前方的环境信息，并根据雷达数据和视觉数据来控制车辆10进行自动驾驶。

目前，通过毫米波雷达11采集的雷达数据和摄像头12采集的视觉数据，能够完成许多道路环境的感知，并实现自动导航和辅助自动驾驶。但是在一些道路环境下，毫米波雷达11和摄像头12的感知效果可能并不佳。

例如在图1中，示例了车辆10即将经过的路段为隧道路段13，隧道路段是高速和城市快速路中一种常见的道路类型。在隧道路段中，毫米波雷达的检测效果较差，而出入隧道时的光线变化、车辆和隧道重影、隧道里的弱光环境也对摄像头12的识别效果产生影响，导致摄像头12的识别效果也较差。

需要说明的是，对于一些路段，毫米波雷达11的检测效果较差而摄像头12的检测效果较好，对于一些路段，毫米波雷达11的检测效果较好而摄像头12的检测效果较差，对于一些路段，毫米波雷达11和摄像头12的检测效果均较差。

例如在图1中示例的隧道路段，毫米波雷达11和摄像头12的检测效果就均较差，当图1中仅仅是以隧道路段为例进行说明。实际上，只要毫米波雷达11和摄像头12其中的一个的检测效果较差时，就会对车辆10的自动驾驶产生不利的影响。

由于车辆10的自动驾驶是通过感知模块对毫米波雷达11采集的雷达数据和摄像头12采集的视觉数据进行感知分析来实现的，毫米波雷达11或者摄像头12的感知效果不佳时，采集的雷达数据和视觉数据也会不准确，将直接影响到车辆10自动驾驶功能的正常使用。例如，轻度不确定的感知结果会造成自动驾驶功能的主动退出，隧道内有事故车辆或低速行驶的车辆阻挡通行时，容易引发车祸等安全事故的发生。

目前针对上述问题，主要的解决方案包括两种。第一种是采取多传感器融合算法，将各个传感器采集的传感数据进行多层次、多空间的信息互补和优化组合，从而获取更多无法从单一感知源获取的有用信息。

这种方案的不足之处在于，由于视觉数据和雷达数据的差异很大，多传感器融合算法很难有效的将多个传感数据结合，同时在一些路段，例如隧道路段上时，视觉数据和雷达数据的分辨率都很低，噪声较大，数据的容错性很难得到保障。

第二种是在硬件上的改进，在车辆中引入激光雷达，例如激光雷达抗干扰性好的特点来获取更高分辨率的感知数据。

这种方案的不足之处在于，激光雷达的成本很高，且激光雷达采集的感知数据较为庞大，对车辆上的车机的算力要求很高，难以真正批量搭载。

为解决上述问题，本申请实施例提供一种数据处理方法，对车辆上的传感数据进行处理，来解决由于车辆上的传感器的感知效果不佳对车辆的自动驾驶产生不利的影响的问题。

下面将结合附图对本申请的方案进行介绍。

图2为本申请实施例提供的数据处理方法的流程示意图，如图2所示，该方法可以包括：

S21，获取第一路段的地图信息和模型参数，所述第一路段为车辆将要经过的路段。

第一路段为车辆将要经过的路段，第一路段的类型可以有多种，本申请实施例中，第一路段主要针对的是车辆上的传感器的检测效果不佳的路段，例如隧道路段。

地图信息可以为电子地图，例如可以为高精电子地图，而第一路段的地图信息为与第一路段相关的地图信息。当车辆要经过第一路段时，会获取这第一路段的地图信息，根据第一路段的地图信息，能够获取第一路段的很多道路信息，例如包括第一路段的路段类型、路段构造、路段结构、路段长度、路段附近的障碍物等数据。

第一路段的模型参数是在确定了第一路段的一些路段特征之后，获取的参数，对于不同的路段，其路段特征可能不同，从而对应的模型参数也不同。路段特征反映了传感器采集传感数据时可能在哪些方面产生偏差，而模型参数就是针对这些偏差进行相应的纠正的。

S22，获取第一路段的传感数据，所述传感数据为所述车辆上的传感器获取的传感数据。

当车辆在进入第一路段时，车辆上的传感器会持续采集传感数据，车辆上的传感器可能有一个或多个，例如可以包括毫米波雷达和摄像头，等等。

S23，根据所述地图信息和所述模型参数，对所述传感数据进行优化处理，得到优化后的传感数据，所述优化后的传感数据用于控制所述车辆在所述第一路段上自动驾驶。

由于在第一路段时，传感器采集的传感数据的效果不佳，因此在获取到地图信息和模型参数之后，会根据地图信息和模型参数，对传感数据进行优化处理。

根据地图信息，能够获取第一路段的各项道路信息，而模型参数是针对第一路段的路段特征来确定的。因此，根据地图信息和模型参数，能够获知传感器采集的传感数据最可能在哪些方面产生偏差，从而针对传感数据进行修正，例如包括传感数据的噪音过滤、失真校准、缺失信号互补、误识别处理等等，最终得到优化后的传感数据。

由于优化后的传感数据相对于原始的传感数据进行了许多处理，其感知的准确度相对于原始的传感数据有较大的提升，因此，采用优化后的传感数据来控制车辆在第一路段上进行自动驾驶，能够克服由于传感器的检测效果不佳导致对自动驾驶产生不利影响的问题。

本申请实施例提供的数据处理方法，获取第一路段的地图信息和模型参数，并获取第一路段的传感数据，其中第一路段为车辆将要经过的路段，该传感数据为车辆上的传感器获取的传感数据，根据地图信息和模型参数，能够获取第一路段的多项道路信息以及路段特征，并获知车辆在第一路段行驶时的传感数据可能在哪些方面出现偏差；然后，根据地图信息和模型参数，对传感数据进行优化处理，得到优化后的传感数据，由于优化后的传感数据是根据地图信息和模型参数对原始的传感数据进行优化处理的，因此优化后的传感数据比原始采集的传感数据更为精准，采用优化后的传感数据控制车辆在第一路段上自动驾驶，能够减小由于车辆上的传感器在第一路段上的检查效果不佳导致对自动驾驶产生的不利影响，提高自动驾驶的准确性和安全性。

下面将结合附图对本申请的方案进行详细介绍。

图3为本申请又一实施例提供的应用场景示意图，如图3所示，包括车辆30和云端服务器300，车辆30上安装有毫米波雷达31和摄像头32，车辆30正在行驶过程中。

可以理解的是，在车辆30上，还安装有定位装置33，定位装置33可以独立设置，也可以设置在车辆30上的某个部件上，对此不作特别限定。

定位装置33可以获取车辆的定位信息，此定位信息在车辆30的自动驾驶过程中是必不可少的，根据定位信息能够获知车辆30所在的位置，从而为车辆30的自动驾驶规划路线。同时，定位装置33也可以向云端服务器300上报这个定位信息。

在图3的示例中，车辆30即将经过第一路段34，第一路段34为隧道路段，此时，定位装置33会获取车辆30的定位信息，该定位信息指示车辆30将要经过的路段为第一路段34。

在获取第一路段34的定位信息之后，会向云端服务器300发送该定位信息，从而云端服务器300能够获取车辆30的位置。然后，云端服务器300根据车辆30的位置，向车辆30发送第一路段34的地图信息和相应的模型参数。

在云端服务器300存储有高精地图，高精地图的范围较大。在云端服务器300向车辆30发送地图信息时，并不需要将所有的高精地图全部发送给车辆30。

图4为本申请实施例提供的获取第一路段的地图信息的示意图，如图4所示，示意了一个较大范围的高精地图40，这个高精地图40可能囊括了多个区县，甚至多个城市。在高精地图40中，除了包括各种建筑物之外，还包括不同的道路，高精地图40存储于云端服务器400中。

当车辆即将经过第一路段41时，车辆401向云端服务器400上报其自身的定位信息，云端服务器400在接收到车辆401上报的定位信息之后，能够迅速在高精地图40上确定车辆401此时所处的位置。如图4中所示，确定的车辆所处的位置为第一路段41。

因此，云端服务器可以将高精地图40中与第一路段41相关的部分，作为第一路段的地图信息42，发送给车辆。在图4中，仅仅是以第一路段的地图作为地图信息为例进行说明，并未展示地图信息包括的具体内容。本领域技术人员可以获知，第一路段的地图信息可以包括第一路段的道路构造、道路材质、障碍物信息、道路长度等等信息。

在获取了第一路段地图信息和模型参数之后，在车辆进入第一路段的过程中，会不断的采集传感数据。例如在图3中，车辆30经过第一路段34，从入口点A到点B直至出口点C的过程中，毫米波雷达31持续采集雷达数据，摄像头32持续采集视觉数据。

在进行优化处理之前，首先车辆30需要对雷达数据和视觉数据进行匹配处理，得到匹配后的传感数据。这是由于，毫米波雷达31采集的雷达数据和摄像头32采集的视觉数据可能存在时间和空间上的不同步。

图5为本申请实施例提供的传感数据的采集范围示意图，如图5所示，车辆30上包括毫米波雷达31和摄像头32，毫米波雷达31和摄像头32在车辆30上的安装位置固定。

车辆30在行驶过程中，毫米波雷达31采集的雷达数据的采集范围位于车辆30的某个区域，摄像头32采集的视觉数据的采集范围也位于车辆30的某个区域，即雷达数据的采集范围相对车辆30的固定的，视觉数据的采集范围相对车辆30也是固定的。

图5中，以车辆位于O点为例，示出了此时毫米波雷达31的采集范围和摄像头32的采集范围，其中，毫米波雷达31的采集范围为地面上的MN区域，摄像头32的采集范围为地面上PQ区域。由于毫米波雷达31和摄像头32的安装位置不同、传感器类型不同等各种原因，毫米波雷达的采集范围和摄像头的采集范围的大小以及具体的区域可能均有差异，不会完全重合。

在图5中，毫米波雷达的采集范围和摄像头的采集范围之间有重合范围即图5中示例的PN区域。可以根据重合范围来对毫米波雷达31采集的雷达数据和摄像头32采集的视觉数据进行匹配处理。

同时，毫米波雷达31和摄像头32采集数据时的频率也可能不同，例如，若毫米波雷达31采集雷达数据达到每秒100帧，摄像头32采集视觉数据达到每秒50帧，则对雷达数据和视觉数据进行匹配时，并不能进行一对一的帧匹配，而是需要将每2帧雷达数据和每1帧视觉数据进行匹配，等等。

图5示例的方案中，仅仅是对传感数据的匹配进行了简要介绍，实际中，可能还涉及不同类型的传感数据之间感知理解、时间匹配等等，此处不进行介绍。

在得到匹配后的传感数据后，可以根据地图信息和模型参数对匹配后的传感数据进行优化处理，得到优化后的传感数据。

在一种可能的实施方式中，可以根据地图信息和模型参数，确定第一路段的感知场景信息，即根据地图信息和模型参数来构建感知场景，感知场景信息即反映了构建的感知场景。通过感知场景信息，能够获知第一路段的路段类型、路段结构、障碍物信息、路段材质等等，以及在第一路段上，毫米波雷达采集的雷达数据可能在哪些方面产生偏差或误检测，摄像头采集的视觉数据可能在哪些方面产生偏差或误检测等等。

然后，可以根据感知场景信息，对匹配后的传感数据进行优化处理，得到优化后的传感数据。由于根据感知场景信息能够获知雷达数据和视觉数据可能在哪些方面产生偏差或误检测，因此，可以针对这些偏差或误检测进行修正，从而得到优化后的传感数据，优化后的传感数据相对于优化前的传感数据，更加的精准。

在另一种可能的实施方式中，可以通过预设模型来进行处理。将地图信息、模型参数和匹配后的传感数据输入至预设模型，得到预设模型输出的优化后的传感数据，其中，预设模型是通过对多组训练样本训练得到的，每组训练样本中包括样本地图信息、样本模型参数、样本传感数据和样本优化传感数据。预设模型的训练过程将在后续实施例中进行详细介绍。

通过上述处理方式，对传感数据进行优化得到优化后的传感数据，由于优化后的传感数据更加精准可靠，因此，能够减小由于车辆上的传感器在第一路段上的检查效果不佳导致对自动驾驶产生的不利影响，提高自动驾驶的准确性和安全性。

下面将介绍预设模型的训练过程。

图6为本申请实施例提供的一种数据处理方法的流程示意图，如图6所示，包括：

S61，获取多组训练样本，每组训练样本中包括一个样本路段的样本地图信息、样本模型参数、样本传感数据和样本优化传感数据。

图6示例的方法的执行主体为云端服务器，云端服务器训练预设模型，然后可以预先发送给车辆，车辆在经过第一路段时，可以直接使用预设模型对采集的传感数据进行优化处理。

在训练预设模型之前，需要获取多组训练样本，每组训练样本中包括一个样本路段的样本地图信息、样本模型参数、样本传感数据和样本优化传感数据。其中，样本路段也可以是车辆上的传感器的检测效果不佳的路段，例如毫米波雷达检测效果不佳或者摄像头检测效果不佳的路段。样本地图信息为云端服务器存储的高精地图中与样本路段相关的地图信息。样本模型参数是与样本路段相对应的模型参数。样本传感数据可以是其他的车辆曾经在经过样本路段时上报的传感数据，而样本优化传感数据可以是对样本传感数据进行标记和修正后的传感数据。

S62，针对每组训练样本，将所述训练样本中的样本地图信息、样本模型参数、样本传感数据输入至预设模型，得到训练输出传感数据。

在获取了多组训练样本之后，针对每组训练样本，可以对其进行预设模型的训练，将样本地图信息、样本模型参数和样本传感数据输入至预设模型，得到训练输出传感数据。

S63，根据所述训练输出传感数据和所述样本优化传感数据，对所述预设模型的参数进行调整，直至所述训练输出传感数据和所述样本优化传感数据之间的误差小于或等于预设误差时，得到训练完成的预设模型。

训练输出传感数据和样本优化传感数据之间有一定的差距，根据训练输出传感数据和样本优化传感数据对预设模型进行调整，直至两者之间的误差小于或等于预设误差时，预设模型训练完成，然后云端服务器可以将训练完成的预设模型下发到车辆。

本申请实施例提供的数据处理方法，通过多组样本路段的详细道路数据，来训练得到预设模型，从而能够采用预设模型对车辆采集的传感数据进行优化处理，对传感数据进行修正优化，增强车辆在第一路段内传感器的感知尊确定，提高第一路段上车辆的自动驾驶功能的安全性和可靠性。

针对多组训练样本中的任意一种第一训练样本，可以首先获取第一样本路段的多个样本传感数据和第一样本路段的样本地图信息。具体的，首先获取第一样本路段的定位信息，然后根据第一样本路段的定位信息，即可获取第一样本路段的多个样本传感数据和第一样本路段的样本地图信息。

其中，根据第一样本路段的定位信息获取第一样本路段的样本地图信息的获取方式，与根据第一路段的定位信息获取第一路段的地图信息的获取方式类似，具体可参见图4实施例的相关说明。

针对第一样本路段的多个样本传感数据，如果已经存在多组车辆上报经过第一样本路段时的第一历史样本传感数据，则可以将这多组车辆上报的第一历史样本传感数据作为第一样本路段的多个样本传感数据。

如果只有较少的车辆上报经过第一样本路段时的第一历史样本传感数据，则需要寻找与第一样本路段类似的第二样本路段，并获取第二样本路段相关的第二历史样本传感数据，作为第一样本路段的多个样本传感数据。下面将结合图7进行说明。

图7为本申请实施例提供的获取第一样本路段的样本传感数据的示意图，如图7所示，包括云端服务器70，云端服务器70内存储有高精地图71和各车辆经过各个路段时上报的历史传感数据。

在图7中，获取第一样本路段72的定位信息之后，云端服务器70能够在高精地图71上确定第一样本路段72的位置如图7中左边示意，并确定第一车辆在经过第一样本路段72时获取的第一历史样本传感数据。

如果此时需要获取10个历史传感数据，但是第一车辆经过第一样本路段72时获取的第一历史样本传感数据只有3个，此时云端服务器70会获取第一样本路段72的路段参数，然后根据路段参数在高精地图71上寻找与第一样本路段72类似的路段，即第二样本路段73，第二样本路段73的路段参数与第一样本路段的路段参数相同，如图7中右边示意。

经过第二样本路段73的第二车辆较多，因此此时云端服务器70能够获取多个第二车辆在经过第二样本路段73时获取的第二历史样本传感数据。

如果经过第一样本路段的第一车辆较多，则多个样本传感数据可以全部是第一车辆在经过所述第一样本路段时获取的第一历史样本传感数据；如果经过第一样本路段的第一车辆较少或者没有，则多个样本传感数据可以部分或全部是第二车辆在经过第二样本路段时获取的第二历史样本传感数据。

在获取了多个样本传感数据之后，就可以根据样本传感数据，获取样本优化传感数据，其中，样本优化传感数据为对样本传感数据进行标注处理后的传感数据，标注可以为人工标注或者机器标注。

在获取了样本传感数据、样本优化传感数据和样本地图信息，就可以获取样本模型参数。具体的，针对每一组样本传感数据、样本优化传感数据和样本地图信息，可以将样本传感数据和样本地图信息输入至感知模型，得到感知模型输出的感知传感数据；然后，根据感知传感数据和样本优化传感数据对感知模型的参数调整，得到训练完成的感知模型；将感知模型的模型参数确定为样本模型参数。

图8为本申请实施例提供的预设模型训练示意图，如图8所示，每组训练样本中包括一个样本路段的样本传感数据、样本优化传感数据和样本地图信息，根据该样本传感数据、样本优化传感数据和样本地图信息可以构建该样本路段的模拟感知场景，即该样本路段的感知模型。

图8中示例了n个训练样本，针对任意训练样本，例如训练样本n中，包括第n个样本路段的样本地图信息、样本优化传感数据以及多个样本传感数据n1、n1、...。

由于每个样本路段都可以进行上述处理，每组训练样本中均包括一个样本路段的样本传感数据、样本优化传感数据和样本地图信息，因此根据每组训练样本，都可以得到该样本路段的模拟感知场景，即该样本路段的感知模型。

在图8中，共示例了n个训练样本分别训练得到模拟感知场景，即模拟感知场景1-模拟感知场景n，对应于感知模型1-感知模型n。

然后，获取这n个感知模型的模型参数，作为样本模型参数，结合相应的样本传感数据、样本优化传感数据和样本地图信息，即可完成预设模型的训练。在预设模型训练完成之后，云端服务器就可以将预设模型同步给车辆的车机上的传感器信号优化模块，用于对传感数据进行优化处理。

下面将结合图9对本申请的方案进行总结介绍。

图9为本申请实施例提供的数据处理示意图，如图9所示，在车辆经过第一路段时，如果车辆上的传感器采集的传感数据效果不佳，车辆会向云端服务器上报自身的定位信息。

云端服务器在获取了车辆上报的定位信息之后，会向车辆下发数据，下发的数据包括第一路段的地图信息和模型参数，同时车辆在行驶于第一路段时，会采集传感数据，例如毫米波雷达采集的雷达数据和摄像头采集的视觉数据。然后，车辆可以对采集的传感数据进行匹配处理，例如包括定位、时钟对齐等处理，之后，得到匹配后的传感数据。

匹配后的传感数据会发送到车辆的优化模块，车辆的优化模块会对匹配后的传感数据进行优化处理，例如可以包括噪音过滤、失真校准、缺失信号互补、误识别处理等等，得到优化后的传感数据。

优化后的传感数据由优化模块发送给车辆的自动驾驶感知模块，自动驾驶感知模块对优化后的传感数据进行感知理解，从而可以生成相应的驾驶指令，控制车辆在第一路段上进行自动驾驶。

在目前的方案中，车辆采集传感数据之后，会直接将传感数据发送到自动驾驶感知模块进行感知理解，从而控制车辆的自动驾驶。而本申请的方案中，在采集传感数据之后，首先通过优化模块对传感数据进行优化处理，得到优化后的传感数据之后再发送给自动驾驶感知模块，使得自动驾驶感知模块对优化后的传感数据感知理解之后再控制车辆的自动驾驶，能够显著提高车辆自动驾驶的准确性和安全性。同时，由于预设模型是预先在云端服务器训练完成并同步到车辆的，利用了云端服务器算力足、处理速度快的特点，也减轻了车辆的车机端的算力压力。

图10为本申请实施例提供的一种数据处理装置的结构示意图，如图10所示，该数据处理装置100包括：

第一获取模块101，用于获取第一路段的地图信息和模型参数，所述第一路段为车辆将要经过的路段；

第二获取模块102，用于获取第一路段的传感数据，所述传感数据为所述车辆上的传感器获取的传感数据；

处理模块103，用于根据所述地图信息和所述模型参数，对所述传感数据进行优化处理，得到优化后的传感数据，所述优化后的传感数据用于控制所述车辆在所述第一路段上自动驾驶。

在一种可能的实施方式中，所述传感数据包括毫米波雷达采集的雷达数据和摄像头采集的视觉数据；所述处理模块103具体用于：

对所述雷达数据和所述视觉数据进行匹配处理，得到匹配后的传感数据；

根据所述地图信息和所述模型参数对所述匹配后的传感数据进行优化处理，得到所述优化后的传感数据。

在一种可能的实施方式中，所述处理模块103具体用于：

根据所述地图信息和所述模型参数，确定所述第一路段的感知场景信息；

根据所述感知场景信息，对所述匹配后的传感数据进行优化处理，得到所述优化后的传感数据。

在一种可能的实施方式中，其中，所述处理模块103具体用于：

将所述地图信息、所述模型参数和所述匹配后的传感数据输入至预设模型，得到所述预设模型输出的所述优化后的传感数据，其中，所述预设模型是通过对多组训练样本训练得到的，每组训练样本中包括样本地图信息、样本模型参数、样本传感数据和样本优化传感数据。

在一种可能的实施方式中，所述第一获取模块101具体用于：

获取所述车辆的定位信息，所述定位信息指示所述车辆将要经过的路段为所述第一路段；

向服务器发送所述定位信息；

从所述服务器接收所述地图信息和所述模型参数。

在一种可能的实施方式中，所述第一路段为隧道路段。

本申请实施例提供的数据处理装置，用于执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

图11为本申请实施例提供的一种数据处理装置的结构示意图，如图11所示，该数据处理装置110包括：

获取模块111，用于获取多组训练样本，每组训练样本中包括一个样本路段的样本地图信息、样本模型参数、样本传感数据和样本优化传感数据；

处理模块112，用于针对每组训练样本，将所述训练样本中的样本地图信息、样本模型参数、样本传感数据输入至预设模型，得到训练输出传感数据；

训练模块113，用于根据所述训练输出传感数据和所述样本优化传感数据，对所述预设模型的参数进行调整，直至所述训练输出传感数据和所述样本优化传感数据之间的误差小于或等于预设误差时，得到训练完成的预设模型。

在一种可能的实施方式中，针对多组训练样本中的任意一组第一训练样本，所述获取模块111具体用于：

获取第一样本路段的多个样本传感数据和所述第一样本路段的样本地图信息；

根据所述样本传感数据，获取所述样本优化传感数据，其中，所述样本优化传感数据为对所述样本传感数据进行标注处理后的传感数据；

根据所述样本传感数据、所述样本地图信息和所述样本优化传感数据，获取所述样本模型参数。

在一种可能的实施方式中，所述获取模块111具体用于：

获取所述第一样本路段的定位信息；

根据所述第一样本路段的定位信息，获取所述第一样本路段的多个样本传感数据和所述第一样本路段的样本地图信息。

在一种可能的实施方式中，所述获取模块111具体用于：

获取多个第一车辆在经过所述第一样本路段时获取的第一历史样本传感数据；或者，

获取多个第二车辆在经过第二样本路段时获取的第二历史样本传感数据，其中，所述第二样本路段的路段参数与所述第一样本路段的路段参数相同。

在一种可能的实施方式中，所述获取模块111具体用于：

将所述样本传感数据和所述样本地图信息输入至感知模型，得到所述感知模型输出的感知传感数据；

根据所述感知传感数据和所述样本优化传感数据对所述感知模型的参数调整，得到训练完成的感知模型；

将所述感知模型的模型参数确定为所述样本模型参数。

本申请实施例提供的数据处理装置，用于执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

根据本申请的实施例，本申请还提供了一种计算机程序产品，程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。

图12为本申请实施例提供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，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备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/或者要求的本申请的实现。

如图12所示，该电子设备包括：一个或多个处理器1201、存储器1202，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1205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12中以一个处理器1201为例。

存储器1202即为本申请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申请所提供的数据处理方法。本申请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申请所提供的数据处理方法。

存储器1202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，如本申请实施例中的数据处理方法对应的程序指令/模块(例如，附图10所示的第一获取模块101、第二获取模块102和处理模块103，或者，附图11所示的获取模块111、处理模块112和训练模块113)。处理器1201通过运行存储在存储器1202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1202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1202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1202可选包括相对于处理器1201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1203和输出装置1204。处理器1201、存储器1202、输入装置1203和输出装置1204可以通过总线或者其他方式连接，图12中以通过总线1205连接为例。

输入装置1203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1204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。

这些计算机程序(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机程序。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。

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，本发申请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，只要能够实现本申请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，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (20)

1.一种数据处理方法，包括：

获取第一路段的地图信息和模型参数，所述第一路段为车辆将要经过的路段；

获取第一路段的传感数据，所述传感数据为所述车辆上的传感器获取的传感数据；

根据所述地图信息和所述模型参数，对所述传感数据进行优化处理，得到优化后的传感数据，所述优化后的传感数据用于控制所述车辆在所述第一路段上自动驾驶；

所述根据所述地图信息和所述模型参数对所述传感数据进行优化处理，得到所述优化后的传感数据，包括：

根据所述地图信息和所述模型参数，确定所述第一路段的感知场景信息；

根据所述感知场景信息，对所述传感数据进行优化处理，得到所述优化后的传感数据。

2.根据权利要求1所述的方法，其中，所述传感数据包括毫米波雷达采集的雷达数据和摄像头采集的视觉数据；所述根据所述感知场景信息，对所述传感数据进行优化处理，得到所述优化后的传感数据之前，还包括：

对所述雷达数据和所述视觉数据进行匹配处理，得到匹配后的传感数据。

3.根据权利要求2所述的方法，其中，所述根据所述感知场景信息，对所述传感数据进行优化处理，得到所述优化后的传感数据，包括：

根据所述感知场景信息，对所述匹配后的传感数据进行优化处理，得到所述优化后的传感数据。

4.根据权利要求2所述的方法，其中，根据所述地图信息和所述模型参数对所述传感数据进行优化处理，得到所述优化后的传感数据，包括：

将所述地图信息、所述模型参数和所述匹配后的传感数据输入至预设模型，得到所述预设模型输出的所述优化后的传感数据，其中，所述预设模型是通过对多组训练样本训练得到的，每组训练样本中包括样本地图信息、样本模型参数、样本传感数据和样本优化传感数据。

5.根据权利要求1-4任一项所述的方法，其中，获取所述第一路段的地图信息和模型参数，包括：

获取所述车辆的定位信息，所述定位信息指示所述车辆将要经过的路段为所述第一路段；

向服务器发送所述定位信息；

从所述服务器接收所述地图信息和所述模型参数。

6.根据权利要求1-4任一项所述的方法，其中，所述第一路段为隧道路段。

7.一种数据处理方法，包括：

获取多组训练样本，每组训练样本中包括一个样本路段的样本地图信息、样本模型参数、样本传感数据和样本优化传感数据；

针对每组训练样本，将所述训练样本中的样本地图信息、样本模型参数、样本传感数据输入至预设模型，得到训练输出传感数据；

根据所述训练输出传感数据和所述样本优化传感数据，对所述预设模型的参数进行调整，直至所述训练输出传感数据和所述样本优化传感数据之间的误差小于或等于预设误差时，得到训练完成的预设模型；

针对多组训练样本中的任意一组第一训练样本，获取所述第一训练样本，包括：

获取第一样本路段的多个样本传感数据和所述第一样本路段的样本地图信息；

根据所述样本传感数据，获取所述样本优化传感数据，其中，所述样本优化传感数据为对所述样本传感数据进行标注处理后的传感数据；

根据所述样本传感数据、所述样本地图信息和所述样本优化传感数据，获取所述样本模型参数；

获取所述第一样本路段的多个样本传感数据，包括：

获取多个第一车辆在经过所述第一样本路段时获取的第一历史样本传感数据；或者，

获取多个第二车辆在经过第二样本路段时获取的第二历史样本传感数据，其中，所述第二样本路段的路段参数与所述第一样本路段的路段参数相同。

8.根据权利要求7所述的方法，其中，获取第一样本路段的多个样本传感数据和所述第一样本路段的样本地图信息，包括：

获取所述第一样本路段的定位信息；

根据所述第一样本路段的定位信息，获取所述第一样本路段的多个样本传感数据和所述第一样本路段的样本地图信息。

9.根据权利要求7或8所述的方法，其中，根据所述样本传感数据、所述样本地图信息和所述样本优化传感数据，获取所述样本模型参数，包括：

将所述样本传感数据和所述样本地图信息输入至感知模型，得到所述感知模型输出的感知传感数据；

根据所述感知传感数据和所述样本优化传感数据对所述感知模型的参数调整，得到训练完成的感知模型；

将所述感知模型的模型参数确定为所述样本模型参数。

10.一种数据处理装置，包括：

第一获取模块，用于获取第一路段的地图信息和模型参数，所述第一路段为车辆将要经过的路段；

第二获取模块，用于获取第一路段的传感数据，所述传感数据为所述车辆上的传感器获取的传感数据；

处理模块，用于根据所述地图信息和所述模型参数，对所述传感数据进行优化处理，得到优化后的传感数据，所述优化后的传感数据用于控制所述车辆在所述第一路段上自动驾驶；

所述处理模块，具体用于：根据所述地图信息和所述模型参数，确定所述第一路段的感知场景信息；根据所述感知场景信息，对所述传感数据进行优化处理，得到所述优化后的传感数据。

11.根据权利要求10所述的装置，其中，所述传感数据包括毫米波雷达采集的雷达数据和摄像头采集的视觉数据；所述处理模块具体用于：

对所述雷达数据和所述视觉数据进行匹配处理，得到匹配后的传感数据。

12.根据权利要求11所述的装置，其中，所述处理模块具体用于：

根据所述感知场景信息，对所述匹配后的传感数据进行优化处理，得到所述优化后的传感数据。

13.根据权利要求11所述的装置，其中，所述处理模块具体用于：

将所述地图信息、所述模型参数和所述匹配后的传感数据输入至预设模型，得到所述预设模型输出的所述优化后的传感数据，其中，所述预设模型是通过对多组训练样本训练得到的，每组训练样本中包括样本地图信息、样本模型参数、样本传感数据和样本优化传感数据。

14.根据权利要求10-13任一项所述的装置，其中，所述第一获取模块具体用于：

获取所述车辆的定位信息，所述定位信息指示所述车辆将要经过的路段为所述第一路段；

向服务器发送所述定位信息；

从所述服务器接收所述地图信息和所述模型参数。

15.根据权利要求10-13任一项所述的装置，其中，所述第一路段为隧道路段。

16.一种数据处理装置，包括：

获取模块，用于获取多组训练样本，每组训练样本中包括一个样本路段的样本地图信息、样本模型参数、样本传感数据和样本优化传感数据；

处理模块，用于针对每组训练样本，将所述训练样本中的样本地图信息、样本模型参数、样本传感数据输入至预设模型，得到训练输出传感数据；

训练模块，用于根据所述训练输出传感数据和所述样本优化传感数据，对所述预设模型的参数进行调整，直至所述训练输出传感数据和所述样本优化传感数据之间的误差小于或等于预设误差时，得到训练完成的预设模型；

其中，针对多组训练样本中的任意一组第一训练样本，所述获取模块具体用于：

获取第一样本路段的多个样本传感数据和所述第一样本路段的样本地图信息；

根据所述样本传感数据，获取所述样本优化传感数据，其中，所述样本优化传感数据为对所述样本传感数据进行标注处理后的传感数据；

根据所述样本传感数据、所述样本地图信息和所述样本优化传感数据，获取所述样本模型参数；

所述获取模块具体用于：

获取多个第一车辆在经过所述第一样本路段时获取的第一历史样本传感数据；或者，

获取多个第二车辆在经过第二样本路段时获取的第二历史样本传感数据，其中，所述第二样本路段的路段参数与所述第一样本路段的路段参数相同。

17.根据权利要求16所述的装置，其中，所述获取模块具体用于：

获取所述第一样本路段的定位信息；

根据所述第一样本路段的定位信息，获取所述第一样本路段的多个样本传感数据和所述第一样本路段的样本地图信息。

18.根据权利要求16或17所述的装置，其中，所述获取模块具体用于：

将所述样本传感数据和所述样本地图信息输入至感知模型，得到所述感知模型输出的感知传感数据；

根据所述感知传感数据和所述样本优化传感数据对所述感知模型的参数调整，得到训练完成的感知模型；

将所述感知模型的模型参数确定为所述样本模型参数。

19.一种电子设备，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1-9中任一项所述的方法。

20.一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1-9中任一项所述的方法。

Images