CN112463347B - 一种云路协同的自动驾驶模型训练、调取方法及系统 - Google Patents

Abstract

本发明公开了本发明实施例提供的云路协同的自动驾驶模型训练、调取方法及系统，其中云路协同的自动驾驶模型训练方法及系统，将车载传感设备与路侧设备、云端服务器进行整合，同时结合驾驶员的介入信息使车载系统能够自适应进行训练，可以针对个人或路段等因素进行个性化的训练与优化，不需要人为介入即可持续提升自动驾驶模型的识别效果；本发明提供的云路协同的自动驾驶模型调取方法及系统，根据车辆的定位及导航路径结合历史轨迹范围及历史轨迹频率确定的预设范围，选择优先调取更具个性化的路侧设备或优先调取更具泛化能力的云端服务器的自动驾驶模型进行自动驾驶指导，可以达到更加精确的自动驾驶识别效果，可给用户更好的驾驶体验。

Description

一种云路协同的自动驾驶模型训练、调取方法及系统

技术领域

本发明涉及自动驾驶技术领域，具体涉及一种云路协同的自动驾驶模型训练、调取方法及系统。

背景技术

在当前的自动驾驶环境中，深度学习在感知与决策部分承担着非常重要的职责，其中对于深度学习的模型的训练决定着识别效果与决策效果，进而影响自动驾驶的整体体验。传统的模型训练方法，是通过开发人员采集数据，在开发阶段进行数据清洗，数据标注，模型训练，训练好模型后部署到终端汽车上。这个流程中一旦车量产出厂，模型的更新就只能依赖OTA手段进行更新，并不能针对个人或者路段等因素进行个性化的训练与优化。现有的技术中，对于数据个性化的使用都没有被重视起来，对于自动驾驶而言，用户的场景通常是比较个人化的，对于经常行驶的路段，控制与感知的算法精度如果不能有明显的提升那么实际的驾驶体验不会有提升。

发明内容

因此，本发明要解决的技术问题在于克服现有自动驾驶技术中在不能很好的针对个人或者路段等因素进行个性化的训练与优化的缺陷，从而提供一种云路协同的自动驾驶模型训练、调取方法及系统。

为达到上述目的，本发明提供如下技术方案：

第一方面，本发明实施例提供一种云路协同的自动驾驶模型训练方法，包括如下步骤：

车载传感设备将采集的车辆状态数据通过车联网协议实时发送至路侧设备；

路侧设备对车载传感设备新上传的数据与之前已经储存的数据合并为数据集，并对该数据集进行预处理；

车载控制器控制将预处理后的数据集在路侧设备进行自动驾驶模型训练更新，或控制将预处理后的数据集传输至云端服务器进行自动驾驶模型训练更新；

当基于预处理后的数据集在路侧设备对自动驾驶模型进行训练更新时，将更新后的模型上传至云端服务器；

当云端服务器进行自动驾驶模型训练更新时，将预处理后的数据集通过以太网传输至云端服务器，与云端服务器中的数据集一起训练自动驾驶模型，将更新后的自动驾驶模型反馈至路侧设备。

在一实施例中，车载传感设备新上传的数据包括：驾驶员对之前已有自动驾驶模型指导下形成行驶行为的介入数据。

在一实施例中，预处理的过程包括根据驾驶员的介入数据进行真值标注及数据清洗。

在一实施例中，将低分辨的高光谱图像输入到空间重构网络后，依次进行空间下采样、空间特征提取和空间信息重构处理。

第二方面，本发明实施例提供一种云路协同的自动驾驶模型调取方法，包括以下步骤：

获取车辆定位或车辆的导航路径；

当车辆定位或车辆的导航路径在预设范围时，调取路侧设备中的自动驾驶模型对车辆进行自动驾驶行为指导，当不在所述预设范围内时，调取云端服务器中的自动驾驶模型对车辆进行自动驾驶行为指导，所述自动驾驶模型基于第一方面所述的云路协同的自动驾驶模型训练方法得到。

在一实施例中，所述预设范围根据车辆的历史轨迹范围及历史轨迹频率确定。

第三方面，本发明实施例提供一种云路协同的自动驾驶模型训练系统，包括：车载传感设备、车载控制器及云端服务器，其中：

车载传感设备，用于将采集的车辆状态数据通过车联网协议实时发送至路侧设备；

路侧设备，用于对车载传感设备新上传的数据与之前已经储存的数据合并为数据集，并对该数据集进行预处理；

车载控制器，用于控制将预处理后的数据集在路侧设备进行自动驾驶模型训练更新，或控制将预处理后的数据集传输至云端服务器进行自动驾驶模型训练更新；

路侧设备还用于基于预处理后的数据集在路侧设备对自动驾驶模型进行训练更新，并将更新后的模型上传至云端服务器；

云端服务器，用于获取路侧设备预处理后的数据集并将其已存储的数据集一起训练自动驾驶模型，将更新后的自动驾驶模型反馈至路侧设备。

第四方面，发明实施例提供一种云路协同的自动驾驶模型调取系统，包括：

车辆位置信息获取模块，用于获取车辆定位或车辆的导航路径；

自动驾驶模型调取模块，用于当车辆定位或车辆的导航路径在预设范围时，调取路侧设备中的自动驾驶模型对车辆进行自动驾驶行为指导，当不在所述预设范围内时，调取云端服务器中的自动驾驶模型对车辆进行自动驾驶行为指导，所述自动驾驶模型基于第一方面所述的云路协同的自动驾驶模型训练方法得到。

第五方面，本发明实施例提供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指令，所述计算机指令用于使所述计算机执行本发明实施例第二个方面所述的云路协同的自动驾驶模型调取方法。

第六方面，本发明实施例提供一种终端，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行本发明实施例第二个方面所述的云路协同的自动驾驶模型调取方法。

本发明技术方案，具有如下优点：

1、本发明实施例提供的云路协同的自动驾驶模型训练方法及系统，将能车载传感设备将采集的车辆状态及路侧设备存储的道路数据进行融合，可以针对个人或者路段等因素进行个性化的训练与优化，路侧设备可以通过路侧的车联网协议接收车辆状态数据结合自己的本地数据集进行模型更新，可以节省数据传输的宽带，同时与云端服务器的强力计算进行整合提高了计算效率，其训练过程结合驾驶员的介入信息使车载系统能够自适应进行训练，不需要人为的介入即可持续提升自动驾驶模型的识别效果，实用性强，可以提升驾驶体验。

2、本发明实施例提供的云路协同的自动驾驶模型调取方法及系统，根据车辆的定位及导航路径结合历史轨迹范围及历史轨迹频率确定的预设范围，选择优先调取更具个性化的路侧设备终端的自动驾驶模型，还是优先调取更具泛化能力的云端服务器的自动驾驶模型进行自动驾驶指导，可以达到更加精确的自动驾驶识别效果，可以给用户更好的驾驶体验。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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的附图。

图1为本发明实施例中提供的云路协同的自动驾驶模型训练方法的一个示例的流程图；

图2为本发明实施例中云路协同的自动驾驶模型调取方法的一个示例的流程图；

图3为本发明实施例中提供的云路协同的自动驾驶模型调取系统的一个具体示例的模块组成图；

图4为本发明实施例提供的终端一个具体示例的组成图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

实施例1

本发明实施例提供一种云路协同的自动驾驶模型训练方法，如图1所示，该方法包括如下步骤：

步骤S11：车载传感设备将采集的车辆状态数据通过车联网协议实时发送至路侧设备。

步骤S12：路侧设备对车载传感设备新上传的数据与之前已经储存的数据合并为数据集，并对该数据集进行预处理。

步骤S13：车载控制器控制将预处理后的数据集在路侧设备进行自动驾驶模型训练更新，或控制将预处理后的数据集传输至云端服务器进行自动驾驶模型训练更新；

步骤S141：当基于预处理后的数据集在路侧设备对自动驾驶模型进行训练更新时，将更新后的模型上传至云端服务器；

步骤S142：当云端服务器进行自动驾驶模型训练更新时，将预处理后的数据集通过以太网传输至云端服务器，与云端服务器中的数据集一起训练自动驾驶模型，将更新后的自动驾驶模型反馈至路侧设备。

本发明实施例提供的云路协同的自动驾驶模型训练方法，将能车载传感设备将采集的车辆状态及路侧设备存储的道路数据进行融合，基于该融合数据可以针对个人或者路段等因素进行个性化的训练与优化，同时机器学习的识别效果很大程度取决于数据的量与多样性，而对于汽车终端来说，制约数据量的条件是网络宽带，本发明实施例将数据通过路侧设备与汽车的车联网协议（例如是v2i网络协议）进行传输，提供了传输效率，然后使用路侧部署的计算节点，对汽车上传的数据与之前路侧存储的数据合并为一个数据集，进行数据的预处理。

本发明实施例经过路侧设备对数据进行预处理后，数据量会下降很多，可以更加快速的将数据传输给云端服务器进行任务调度，然后与云端的数据集一起训练新的模型，再将模型反馈到路侧设备；如果路侧设备拥有的计算节点足够强力，可以承担一部分模型的训练工作，此时路侧设备可以通过路侧的车联网协议接收车辆状态数据结合自己的本地数据集进行进行模型更新，可以节省数据传输的宽带，仅需将任务处理结果的交互信息与云端服务器进行传输即可。

本发明实施例提供的车载传感设备新上传的数据包括：驾驶员对之前已有自动驾驶模型指导下形成行驶行为的介入数据；预处理的过程包括根据驾驶员的介入数据进行真值标注及数据清洗。

实际应用中协同车载传感设备与驾驶员是否介入的这个因素对采集到的数据的真值进行判断，比如其他多个传感器识别到了有障碍物，而图像设备采集的数据没有识别到，对应的就认为图像识别模型对于该物体的识别效果不好，可以结合传感器数据对该图像的原始数据进行标记，将该数据传输给自动驾驶模型进行进一步训练。当有驾驶员介入时，以驾驶员的判断为真值，将一些传感数据的错误信息进行标注，然后将这些错误数据进行处理，就可以提升自动驾驶模型的识别精度。

在一具体实施例中，对于模型更新的部分，可以使用动态加载技术通过编写通用的接口，使得车载系统可以插扩式对模块进行自由加载与卸载，配合生命周期管理，与远程下载平台，可以通过生命周期对系统资源进行调配与管理，使得应用程序可以更简单地进行扩展与维护，在汽车终端处于合适的状态时，通过动态加载即可重新加载识别模块与自动驾驶模型。

与上述方法对应的，本发明实施例还提供一种云路协同的自动驾驶模型训练系统，包括：车载传感设备、车载控制器及云端服务器，其中车载传感设备，用于将采集的车辆状态数据通过车联网协议实时发送至路侧设备；路侧设备，用于对车载传感设备新上传的数据与之前已经储存的数据合并为数据集，并对该数据集进行预处理；车载控制器，用于控制将预处理后的数据集在路侧设备进行自动驾驶模型训练更新，或控制将预处理后的数据集传输至云端服务器进行自动驾驶模型训练更新；路侧设备还用于基于预处理后的数据集在路侧设备对自动驾驶模型进行训练更新，并将更新后的模型上传至云端服务器；云端服务器，用于获取路侧设备预处理后的数据集并将其已存储的数据集一起训练自动驾驶模型，将更新后的自动驾驶模型反馈至路侧设备。

本发明实施例提供的云路协同的自动驾驶模型训练方法及系统，将能车载传感设备将采集的车辆状态及路侧设备存储的道路数据进行融合，可以针对个人或者路段等因素进行个性化的训练与优化，路侧设备可以通过路侧的车联网协议接收车辆状态数据结合自己的本地数据集进行进行模型更新，可以节省数据传输的宽带，同时与云端服务器的强力计算进行整合提高了计算效率，其训练过程结合驾驶员的介入信息使车载系统能够自适应进行训练，不需要人为的介入即可持续提升自动驾驶模型的识别效果，实用性强，可以提升驾驶体验。

实施例2

本发明实施例提供一种云路协同的自动驾驶模型调取方法，如图2所示，包括：

步骤S21：获取车辆定位或车辆的导航路径。

步骤S22：当车辆定位或车辆的导航路径在预设范围时，调取路侧设备中的自动驾驶模型对车辆进行自动驾驶行为指导，当不在所述预设范围内时，调取云端服务器中的自动驾驶模型对车辆进行自动驾驶行为指导。

本发明实施例中，所述预设范围根据车辆的历史轨迹范围及历史轨迹频率确定，例如车辆定位是车主的家地点和工作地点之间必经的路线，或者周末经常活动的路线，则优选调取路侧设备中的自动驾驶模型，如果不是车主经常活动的路线，例如是其他城市的自驾游，则调取路侧设备终端的自动驾驶模型。

由于路侧设备主要针对目标车辆特定轨迹范围的内数据采集和预处理，云端服务器是接收所有路侧设备上传的模型或预处理的数据，因此云端服务器比路侧设备中存储的自动驾驶模型更具泛化性，而路侧设备存储的自动驾驶模型相比云端服务器更具个性化，因此在车辆在实施自动驾驶模式时，需要首先获取车辆定位或车辆的导航路径，是车辆经常活动的范围，如果是车载控制器则优先调取更具个性化的路侧设备终端的自动驾驶模型，如果不是车辆经常活动的范围则优先调取更具泛化能力的云端服务器的自动驾驶模型。

与上述云路协同的自动驾驶模型调取方法相对应的，本发明实施例还提一种云路协同的自动驾驶模型调取系统，如图3所示，包括：

车辆位置信息获取模块21，用于获取车辆定位或车辆的导航路径；该模块为集成定位和导航功能的功能模块，此模块执行实施例1中的步骤S21所描述的方法，在此不再赘述。

自动驾驶模型调取模块22，用于当车辆定位或车辆的导航路径在预设范围时，调取路侧设备中的自动驾驶模型对车辆进行自动驾驶行为指导，当不在所述预设范围内时，调取云端服务器中的自动驾驶模型对车辆进行自动驾驶行为指导。此模块执行实施例1中的步骤S22所描述的方法，在此不再赘述。

本发明实施例提供的云路协同的自动驾驶模型调取方法及系统，根据车辆的定位及导航路径结合历史轨迹范围及历史轨迹频率确定的预设范围，选择优先调取更具个性化的路侧设备终端的自动驾驶模型，还是优先调取更具泛化能力的云端服务器的自动驾驶模型进行自动驾驶指导，可以达到更加精确的自动驾驶识别效果，可以给用户更好的驾驶体验。

实施例3

本发明实施例提供一种终端，如图4所示，该设备可以包括处理器51和存储器52，其中处理器51和存储器52可以通过总线或者其他方式连接，图4以通过总线连接为例。

存储器52作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例2中的云路协同的自动驾驶模型调取方法。

存储器52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；存储数据区可存储处理器51所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、企业内网、移动通信网及其组合。

一个或者多个模块存储在存储器52中，当被处理器51执行时，执行实施例2中的云路协同的自动驾驶模型调取方法。

上述终端具体细节可以对应参阅实施例2中对应的相关描述和效果进行理解，此处不再赘述。

本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）、随机存储记忆体（Random Access Memory，RAM）、快闪存储器（Flash Memory）、硬盘（Hard Disk Drive，缩写：HDD）或固态硬盘（Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (8)

1.一种云路协同的自动驾驶模型训练方法，其特征在于，包括如下步骤：

车载传感设备将采集的车辆状态数据通过车联网协议实时发送至路侧设备；

路侧设备对车载传感设备新上传的数据与之前已经储存的数据合并为数据集，并对该数据集进行预处理；

车载控制器控制将预处理后的数据集在路侧设备进行自动驾驶模型训练更新；所述预处理的过程包括根据驾驶员的介入数据进行真值标注及数据清洗；

当基于预处理后的数据集在路侧设备对自动驾驶模型进行训练更新时，将更新后的模型上传至云端服务器。

2.根据权利要求1所述的云路协同的自动驾驶模型训练方法，其特征在于，车载传感设备新上传的数据包括：驾驶员对之前已有自动驾驶模型指导下形成行驶行为的介入数据。

3.根据权利要求2所述的云路协同的自动驾驶模型训练方法，其特征在于，预处理的过程包括根据驾驶员的介入数据进行真值标注及数据清洗。

4.一种云路协同的自动驾驶模型调取方法，其特征在于，包括以下步骤：

获取车辆定位或车辆的导航路径；

当车辆定位或车辆的导航路径在预设范围时，调取路侧设备中的自动驾驶模型对车辆进行自动驾驶行为指导，当不在所述预设范围内时，调取云端服务器中的自动驾驶模型对车辆进行自动驾驶行为指导，所述自动驾驶模型基于权利要求1-3任一所述的云路协同的自动驾驶模型训练方法得到，所述预设范围根据车辆的历史轨迹范围及历史轨迹频率确定。

5.一种云路协同的自动驾驶模型训练系统，其特征在于，包括：车载传感设备、车载控制器及云端服务器，其中：

车载传感设备，用于将采集的车辆状态数据通过车联网协议实时发送至路侧设备；

路侧设备，用于对车载传感设备新上传的数据与之前已经储存的数据合并为数据集，并对该数据集进行预处理；

车载控制器，用于控制将预处理后的数据集在路侧设备进行自动驾驶模型训练更新；

路侧设备还用于基于预处理后的数据集在路侧设备对自动驾驶模型进行训练更新，并将更新后的模型上传至云端服务器；

云端服务器，用于获取路侧设备预处理后的数据集并将其已存储的数据集一起训练自动驾驶模型，将更新后的自动驾驶模型反馈至路侧设备。

6.一种云路协同的自动驾驶模型调取系统，其特征在于，包括：

车辆位置信息获取模块，用于获取车辆定位或车辆的导航路径；

自动驾驶模型调取模块，用于当车辆定位或车辆的导航路径在预设范围时，调取路侧设备中的自动驾驶模型对车辆进行自动驾驶行为指导，当不在所述预设范围内时，调取云端服务器中的自动驾驶模型对车辆进行自动驾驶行为指导，所述自动驾驶模型基于权利要求1-3任一所述的云路协同的自动驾驶模型训练方法得到，所述预设范围根据车辆的历史轨迹范围及历史轨迹频率确定。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求4所述的方法。

8.一种终端，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求4所述的方法。

Images