CN113037576B - 一种故障检测的方法、装置、存储介质及电子设备 - Google Patents
一种故障检测的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113037576B CN113037576B CN202110596544.9A CN202110596544A CN113037576B CN 113037576 B CN113037576 B CN 113037576B CN 202110596544 A CN202110596544 A CN 202110596544A CN 113037576 B CN113037576 B CN 113037576B
- Authority
- CN
- China
- Prior art keywords
- unmanned
- difference
- comprehensive
- sensing result
- unmanned equipment
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0604—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本说明书公开了一种故障检测的方法、装置、存储介质及电子设备,本说明书实施例不再对无人设备上的每个硬件或软件单独进行检测,而是获取多个无人设备当前的综合感知结果,并确定出每个无人设备当前的综合感知结果与其他无人设备当前的综合感知结果的第一差异,根据第一差异检测无人设备是否出现故障。由于综合感知结果并不是某个硬件或软件单独输出的结果,而是综合了所有硬件和软件的最终感知结果,因此,上述方法可基于无人设备最终的感知结果,从整体上检测无人设备是否出现了会影响自动驾驶功能的故障,可降低无人设备的维修成本,提高无人设备的使用效率。
Description
技术领域
本说明书涉及自动驾驶技术领域,尤其涉及一种故障检测的方法、装置、存储介质及电子设备。
背景技术
目前,通常在能够实现自动驾驶功能的无人设备上布置诸多的硬件,并辅以相应的软件,来实现无人设备的感知功能。例如,通过在无人设备上布置激光雷达、毫米波雷达、惯性测量单元、摄像头等硬件,并辅以相应的机器学习模型,实现无人设备对其周围环境的感知。而如何对这些硬件和软件进行故障检测就成为了一个亟待解决的问题。
在现有技术中,对无人设备上的各种硬件和软件进行故障检测时,通常是针对每个硬件和每个软件单独的进行检测,如,单独对激光雷达、毫米波雷达、惯性测量单元、摄像头进行检测,当发现某个硬件或软件故障时,则会发出告警要求维修。
然而,为了保证无人设备的可靠性,无人设备上会存在很多的冗余设计,如,除了作为主用设备的激光雷达以外,还设计了作为冗余设备的激光雷达,或者,对于已经存在作为主用设备的激光雷达和毫米波雷达时,再设计作为冗余设备的其他类型的雷达。
由于冗余设备的存在,当某个主用设备发生故障时,可能其发生的故障本身并不影响自动驾驶功能,但现有技术仍然会发出告警,这无疑提高了无人设备的维修成本,也降低了无人设备的使用效率。
发明内容
本说明书实施例提供一种故障检测的方法、装置、存储介质及电子设备,以部分解决上述现有技术存在的问题。
本说明书实施例采用下述技术方案:
本说明书提供的一种故障检测的方法,包括:
获取当前多个无人设备各自的综合感知结果;其中,针对每个无人设备,该无人设备的综合感知结果为:根据该无人设备自身的各传感器分别获得的单一感知结果处理得到的;
针对每个无人设备,根据该无人设备的综合感知结果以及其他无人设备的综合感知结果,确定该无人设备的综合感知结果与其他无人设备的综合感知结果的第一差异;
根据所述第一差异,检测该无人设备是否出现故障。
可选地,获取当前多个无人设备各自的综合感知结果,具体包括:
针对每个预设区域,获取当前位于该预设区域中的多个无人设备各自的综合感知结果。
可选地,确定该无人设备的综合感知结果与其他无人设备的综合感知结果的第一差异,具体包括:
确定该无人设备的综合感知结果中的静态障碍物感知结果与其他无人设备的综合感知结果中的静态障碍物感知结果的第一差异。
可选地,所述静态障碍物感知结果包括:无人设备感知到的静态障碍物的数量、无人设备感知到的静态障碍物的实际位置、无人设备感知到的静态障碍物与无人设备之间的相对位置、无人设备感知到每个静态障碍物的感知时长中的至少一种。
可选地,确定该无人设备的综合感知结果与其他无人设备的综合感知结果的第一差异,具体包括:
将该无人设备的综合感知结果与其他无人设备的综合感知结果输入预先训练的机器学习模型,获得所述机器学习模型输出的该无人设备的综合感知结果与其他无人设备的综合感知结果的第一差异。
可选地,根据所述第一差异,检测该无人设备是否出现故障,具体包括:
若所述第一差异大于第一设定阈值,确定该无人设备出现故障;
若所述第一差异不大于第一设定阈值,确定该无人设备未出现故障。
可选地,所述方法还包括:
针对每个预设区域,获取历史上位于该预设区域中的多个无人设备各自的综合感知结果;
确定当前位于该预设区域中的多个无人设备各自的综合感知结果与历史上位于该预设区域中的多个无人设备各自的综合感知结果的第二差异;
若所述第二差异大于第二设定阈值,确定该预设区域的环境异常;
若所述第二差异不大于第二设定阈值,确定该预设区域的环境正常。
本说明书提供的一种故障检测的装置,所述装置包括:
获取模块,用于获取当前多个无人设备各自的综合感知结果;其中,针对每个无人设备,该无人设备的综合感知结果为:根据该无人设备自身的各传感器分别获得的单一感知结果处理得到的;
第一差异确定模块,用于针对每个无人设备,根据该无人设备的综合感知结果以及其他无人设备的综合感知结果,确定该无人设备的综合感知结果与其他无人设备的综合感知结果的第一差异;
故障检测模块,用于根据所述第一差异,检测该无人设备是否出现故障。
本说明书提供的一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的故障检测的方法。
本说明书提供的一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的故障检测的方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
本说明书实施例不再对无人设备上的每个硬件或软件单独进行检测,而是获取多个无人设备当前的综合感知结果,并确定出每个无人设备当前的综合感知结果与其他无人设备当前的综合感知结果的第一差异,根据第一差异检测无人设备是否出现故障。由于综合感知结果并不是某个硬件或软件单独输出的结果,而是综合了所有硬件和软件的最终感知结果,因此,上述方法可基于无人设备最终的感知结果,从整体上检测无人设备是否出现了会影响自动驾驶功能的故障,可降低无人设备的维修成本,提高无人设备的使用效率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书实施例提供的故障检测的方法示意图;
图2为本说明书实施例提供的一种故障检测的装置结构示意图;
图3为本说明书实施例提供的电子设备的结构示意图。
具体实施方式
目前,一个无人设备的自动驾驶功能所依赖的感知结果主要是通过该无人设备自身的所有传感器和相应的软件得到的综合感知结果。如,无人设备上的激光雷达、毫米波雷达、惯性测量单元、摄像头等各个独立的硬件先分别输出各自的单一感知结果,再通过软件对各个单一感知结果进行汇总和综合,得到最终的综合感知结果,根据得到的综合感知结果实现轨迹规划等自动驾驶功能。
然而,对于单个的硬件或软件来说,其出现故障或者性能降低时,到底会不会降低综合感知结果的准确性,降低了多少,到底会不会影响自动驾驶功能的实现,会有多大的影响,这是很难量化出来的。这就导致现有技术中只能通过对单个硬件和软件分别进行检测,检测其是否出现故障,只要出现故障就告警维修。
而本说明书实施例以综合感知结果为依据,将多个无人设备的综合感知结果进行比较,甄别出与其他无人设备的综合感知结果的差异较大的无人设备,这种无人设备就是出现了会影响其自动驾驶功能的故障的无人设备。这样就可以实现准确的整体性故障检测。
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书实施例提供的故障检测的方法示意图,包括:
S100:获取当前多个无人设备各自的综合感知结果。
其中,针对每个无人设备,该无人设备的综合感知结果为:根据该无人设备自身的各传感器分别获得的单一感知结果处理得到的。即,针对每个无人设备,该无人设备先通过自身的每个传感器分别获得单一感知结果,再对获得的各单一感知结果进行融合,得到综合感知结果。
在本说明书实施例中,采用图1所示的方法对无人设备进行故障检测的执行主体既可以是包括云端服务器在内的服务器,也可以是无人设备自身。
当由服务器对无人设备进行故障检测时,各无人设备可将自身当前的综合感知结果上传到服务器。如,各无人设备可通过V2X(Vehicle To Everything)网络将自身当前的综合感知结果上传到服务器。
当由无人设备自身进行故障检测时,针对每个无人设备,该无人设备可将自身当前的综合感知结果广播给其他无人设备。如,该无人设备可通过V2V(Vehicle To Vehicle)网络将自身当前的综合感知结果广播给其他无人设备。
本说明书中所述的无人设备具体可以是用于执行配送任务的无人设备,包括无人车和无人机。所述的配送任务包括即时配送任务和非即时配送任务。需要说明的是,所述的无人设备是指可无人驾驶的设备,但这并不意味着无人设备不能载人。
S102:针对每个无人设备,根据该无人设备的综合感知结果以及其他无人设备的综合感知结果,确定该无人设备的综合感知结果与其他无人设备的综合感知结果的第一差异。
本说明书实施例提供的故障检测方法的核心思路是对比多个无人设备当前的综合感知结果,以甄别出其中的异类,这些异类就是出现了会影响自动驾驶功能的故障的无人设备。而一个无人设备的综合感知结果中不仅包含了对该无人设备周围的静态障碍物的感知结果,也包含了对该无人设备周围的动态障碍物的感知结果,由于诸如行人、汽车等动态障碍物可能正在运动或随时可能开始运动,因此,将各无人设备对动态障碍物的感知结果进行对比会影响故障检测的准确性。从而,在本说明书实施例中,在确定一个无人设备的综合感知结果与其他无人设备的综合感知结果的第一差异时,可确定该无人设备的综合感知结果中的静态障碍物感知结果与其他无人设备的综合感知结果中的静态障碍物感知结果的差异,作为第一差异。
在确定一个无人设备与其他无人设备的第一差异时,既可以根据预设的规则确定第一差异,也可以通过机器学习算法确定第一差异。
具体的,根据预设的规则确定第一差异时,可基于无人设备感知到的静态障碍物的数量、无人设备感知到的静态障碍物的实际位置、无人设备感知到的静态障碍物与无人设备之间的相对位置、无人设备感知到的每个静态障碍物的感知时长中的至少一个维度,来确定一个无人设备与其他无人设备之间的第一差异。其中,可基于上述的每个维度分别确定一个差异值,再根据预设的权重以及这些差异值,确定加权平均后的差异值,作为第一差异。
通过机器学习算法确定第一差异时,则可将一个无人设备的综合感知结果(包括静态障碍物感知结果和动态障碍物感知结果)与其他无人设备的综合感知结果直接输入预先训练的机器学习模型,并获得该机器学习模型输出的该无人设备的综合感知结果与其他无人设备的综合感知结果的第一差异。其中,可通过上述机器学习模型自动将输入的综合感知结果中包含的动态障碍物感知结果滤除掉。当然,也可将该无人设备的综合感知结果中的静态障碍物感知结果和其他无人设备的综合感知结果中的静态障碍物感知结果输入预先训练的机器学习模型,并获得该机器学习模型输出的第一差异。上述的机器学习模型可以是随机森林模型,也可以是其他的机器学习模型,本说明书实施例对此不做限定。
S104:根据所述第一差异,检测该无人设备是否出现故障。
由于本说明书实施例提供的故障检测方法的核心思路是对比多个无人设备当前的综合感知结果,以甄别出其中的异类,因此,若一个无人设备的综合感知结果与其他无人设备的综合感知结果之间的第一差异大于第一设定阈值,确定该无人设备出现故障;若上述第一差异不大于第一设定阈值,确定该无人设备未出现故障。
其中,本说明书实施例中所述的多个无人设备上相同类型的硬件和软件的性能是相同或相近的。
例如,四个无人设备A、B、C、D上同类型的硬件和软件的性能均是相同或相近的,则对于A来说,可将A的综合感知结果与B、C、D的综合感知结果进行对比,以确定A的综合感知结果与B、C、D的综合感知结果之间的第一差异,若第一差异大于第一设定阈值,则说明A出现了会影响自动驾驶功能的故障,若第一差异不大于第一设定阈值,则说明A并未出现会影响自动驾驶功能的故障。
另外,当检测出一个无人设备出现了会影响自动驾驶功能的故障时,可发出针对该无人设备的告警信息,该告警信息用于通知用户(此处的用户是指维护人员)对该无人设备出现的故障进行定位和排除。本说明书实施例中对具体如何定位和排除无人设备出现的故障不作限制。
可见,图1所示的故障检测方法不再对无人设备上的每个硬件或软件单独进行检测,而是获取多个无人设备当前的综合感知结果,并确定出每个无人设备当前的综合感知结果与其他无人设备当前的综合感知结果的第一差异,根据第一差异检测无人设备是否出现故障。由于综合感知结果并不是某个硬件或软件单独输出的结果,而是综合了所有硬件和软件的最终感知结果,因此,上述方法可基于无人设备最终的感知结果,从整体上检测无人设备是否出现了会影响自动驾驶功能的故障,当无人设备出现了故障时,但由于冗余设备的存在而不会影响到自动驾驶功能时(即该无人设备与其他无人设备的第一差异并不大于第一设定阈值),则确定该无人设备未出现故障,从而可降低无人设备的维修成本,提高无人设备的使用效率。
进一步的,由于本说明书实施例提供的故障检测方法的核心思路是对比多个无人设备当前的综合感知结果,以甄别出其中的异类,具体是对比多个无人设备当前的综合感知结果中的静态障碍物感知结果,因此,进行对比的多个无人设备之间的距离不宜过远。从而,在图1所示的步骤S100中,获取当前多个无人设备各自的综合感知结果时,可针对预先划分的每个预设区域,获取当前位于该预设区域中的多个无人设备各自的综合感知结果。即,只对比同一个预设区域中的多个无人设备当前各自的综合感知结果。
其中,预先划分各预设区域时,可直接采用划分相同大小的栅格的方式,将电子地图划分为多个栅格,每个栅格作为一个预设区域。当然,还可采用其他方式划分预设区域,如,当要对某个特定的无人设备进行故障检测时,将以该特定的无人设备为中心,半径不超过指定长度的区域作为预设区域,则此时的预设区域就是一个随着该特定的无人设备的位置而改变的动态区域。本说明书实施例对如何划分预设区域不作限制。
除了采用对比同一时刻多个无人设备的综合感知结果的方法来对无人设备进行故障检测以外,本说明书实施例还可对比不同时刻的多个无人设备的综合感知结果,以此为依据来判断某个区域的环境是否出现了异常。
具体的,针对预先划分的每个预设区域,在通过步骤S100获取到当前位于该预设区域中的多个无人设备当前各自的综合感知结果后,还可获取历史上位于该预设区域中的多个无人设备各自的综合感知结果,并确定当前位于该预设区域中的多个无人设备当前各自的综合感知结果与历史上位于该预设区域中的多各无人设备在同一个历史时刻各自的综合感知结果的第二差异。若第二差异大于第二设定阈值,则确定该预设区域的环境异常,若第二差异不大于第二设定阈值,则确定该预设区域的环境正常。
其中,历史上位于该预设区域中的多个无人设备是指:在同一个历史时刻均位于该预设区域中的多个无人设备。而在同一个历史时刻均位于该预设区域中的多个无人设备与当前位于该预设区域中的多个无人设备可以相同,可以部分相同,也可以完全不同。
例如,当前位于某个预设区域中的无人设备为A和B,1个小时之前位于该预设区域中的无人设备为C和D,则获取了A、B当前各自的综合感知结果后,还可获取1个小时之前C、D各自的综合感知结果,并将A、B当前各自的综合感知结果与1个小时之前C、D各自的综合感知结果进行对比,以判断当前时刻该预设区域中的无人设备的综合感知结果与1个小时之前该预设区域中的无人设备的综合感知结果的第二差异是否大于第二设定阈值,若大于,则说明此时该预设区域的环境相比于1个小时之前发生了较大的改变,可能发生环境异常,如突降暴雨、突发交通事故、突发性封路等。
以上为本说明书实施例提供的故障检测的方法,基于同样的思路,本说明书还提供了相应的装置、存储介质和电子设备。
图2为本说明书实施例提供的一种故障检测的装置结构示意图,所述装置包括:
获取模块201,用于获取当前多个无人设备各自的综合感知结果;其中,针对每个无人设备,该无人设备的综合感知结果为:根据该无人设备自身的各传感器分别获得的单一感知结果处理得到的;
第一差异确定模块202,用于针对每个无人设备,根据该无人设备的综合感知结果以及其他无人设备的综合感知结果,确定该无人设备的综合感知结果与其他无人设备的综合感知结果的第一差异;
故障检测模块203,用于根据所述第一差异,检测该无人设备是否出现故障。
可选地,所述获取模块201具体用于,针对每个预设区域,获取当前位于该预设区域中的多个无人设备各自的综合感知结果。
可选地,所述第一差异确定模块202,具体用于确定该无人设备的综合感知结果中的静态障碍物感知结果与其他无人设备的综合感知结果中的静态障碍物感知结果的第一差异。
可选地,所述静态障碍物感知结果包括:无人设备感知到的静态障碍物的数量、无人设备感知到的静态障碍物的实际位置、无人设备感知到的静态障碍物与无人设备之间的相对位置、无人设备感知到每个静态障碍物的感知时长中的至少一种。
可选地,所述第一差异确定模块202,将该无人设备的综合感知结果与其他无人设备的综合感知结果输入预先训练的机器学习模型,获得所述机器学习模型输出的该无人设备的综合感知结果与其他无人设备的综合感知结果的第一差异。
可选地,所述故障检测模块203,具体用于若所述第一差异大于第一设定阈值,确定该无人设备出现故障;若所述第一差异不大于第一设定阈值,确定该无人设备未出现故障。
可选地,所述获取模块201具体用于,针对每个预设区域,获取历史上位于该预设区域中的多个无人设备各自的综合感知结果;
所述装置还包括:
第二差异确定模块204,用于确定当前位于该预设区域中的多个无人设备各自的综合感知结果与历史上位于该预设区域中的多个无人设备各自的综合感知结果的第二差异;
环境检测模块205,用于若所述第二差异大于第二设定阈值,确定该预设区域的环境异常;若所述第二差异不大于第二设定阈值,确定该预设区域的环境正常。
本说明书还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可用于执行上述提供的故障检测的方法。
基于上述提供的故障检测的方法,本说明书实施例还提供了图3所示的电子设备的结构示意图。如图3,在硬件层面,该无人设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述的故障检测的方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (8)
1.一种故障检测的方法,其特征在于,包括:
获取当前多个无人设备各自的综合感知结果;其中,针对每个无人设备,该无人设备的综合感知结果为:根据该无人设备自身的各传感器分别获得的单一感知结果处理得到的;
针对每个无人设备,根据该无人设备的综合感知结果以及其他无人设备的综合感知结果,确定该无人设备的综合感知结果与其他无人设备的综合感知结果的第一差异;
根据所述第一差异,检测该无人设备是否出现故障;
确定该无人设备的综合感知结果与其他无人设备的综合感知结果的第一差异,具体包括:
确定该无人设备的综合感知结果中的静态障碍物感知结果与其他无人设备的综合感知结果中的静态障碍物感知结果的第一差异;
获取当前多个无人设备各自的综合感知结果,具体包括:
针对每个预设区域,获取当前位于该预设区域中的多个无人设备各自的综合感知结果。
2.如权利要求1所述的方法,其特征在于,所述静态障碍物感知结果包括:无人设备感知到的静态障碍物的数量、无人设备感知到的静态障碍物的实际位置、无人设备感知到的静态障碍物与无人设备之间的相对位置、无人设备感知到每个静态障碍物的感知时长中的至少一种。
3.如权利要求1所述的方法,其特征在于,确定该无人设备的综合感知结果与其他无人设备的综合感知结果的第一差异,具体包括:
将该无人设备的综合感知结果与其他无人设备的综合感知结果输入预先训练的机器学习模型,获得所述机器学习模型输出的该无人设备的综合感知结果与其他无人设备的综合感知结果的第一差异。
4.如权利要求1所述的方法,其特征在于,根据所述第一差异,检测该无人设备是否出现故障,具体包括:
若所述第一差异大于第一设定阈值,确定该无人设备出现故障;
若所述第一差异不大于第一设定阈值,确定该无人设备未出现故障。
5.如权利要求1所述的方法,其特征在于,所述方法还包括:
针对每个预设区域,获取历史上位于该预设区域中的多个无人设备各自的综合感知结果;
确定当前位于该预设区域中的多个无人设备各自的综合感知结果与历史上位于该预设区域中的多个无人设备各自的综合感知结果的第二差异;
若所述第二差异大于第二设定阈值,确定该预设区域的环境异常;
若所述第二差异不大于第二设定阈值,确定该预设区域的环境正常。
6.一种故障检测的装置,其特征在于,包括:
获取模块,用于获取当前多个无人设备各自的综合感知结果;其中,针对每个无人设备,该无人设备的综合感知结果为:根据该无人设备自身的各传感器分别获得的单一感知结果处理得到的;
第一差异确定模块,用于针对每个无人设备,根据该无人设备的综合感知结果以及其他无人设备的综合感知结果,确定该无人设备的综合感知结果与其他无人设备的综合感知结果的第一差异;
故障检测模块,用于根据所述第一差异,检测该无人设备是否出现故障;
所述第一差异确定模块,具体用于确定该无人设备的综合感知结果中的静态障碍物感知结果与其他无人设备的综合感知结果中的静态障碍物感知结果的第一差异;
所述获取模块,具体用于针对每个预设区域,获取当前位于该预设区域中的多个无人设备各自的综合感知结果。
7.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-5任一项所述的方法。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1-5任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110596544.9A CN113037576B (zh) | 2021-05-31 | 2021-05-31 | 一种故障检测的方法、装置、存储介质及电子设备 |
PCT/CN2021/139764 WO2022252574A1 (zh) | 2021-05-31 | 2021-12-20 | 一种故障检测的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110596544.9A CN113037576B (zh) | 2021-05-31 | 2021-05-31 | 一种故障检测的方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113037576A CN113037576A (zh) | 2021-06-25 |
CN113037576B true CN113037576B (zh) | 2021-09-07 |
Family
ID=76456140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110596544.9A Active CN113037576B (zh) | 2021-05-31 | 2021-05-31 | 一种故障检测的方法、装置、存储介质及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113037576B (zh) |
WO (1) | WO2022252574A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113037576B (zh) * | 2021-05-31 | 2021-09-07 | 北京三快在线科技有限公司 | 一种故障检测的方法、装置、存储介质及电子设备 |
CN115955432B (zh) * | 2021-10-09 | 2024-04-19 | 北京三快在线科技有限公司 | 一种确定物理链路的方法、装置及电子设备 |
CN114422323A (zh) * | 2021-12-28 | 2022-04-29 | 中国电信股份有限公司 | 一种针对物联网设备的联合监控方法、装置及电子设备 |
CN116776135B (zh) * | 2023-08-24 | 2023-12-19 | 之江实验室 | 一种基于神经网络模型的物理场数据预测方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106463059A (zh) * | 2014-06-06 | 2017-02-22 | 日立汽车系统株式会社 | 障碍物信息管理装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012014222A (ja) * | 2010-06-29 | 2012-01-19 | Mitsubishi Electric Corp | センサ状態判定装置 |
WO2017189361A1 (en) * | 2016-04-29 | 2017-11-02 | Pcms Holdings, Inc. | System and method for calibration of vehicle sensors assisted by inter-vehicle communication |
CN107145088A (zh) * | 2017-05-26 | 2017-09-08 | 山东交通职业学院 | 一种公路巡查无人机图像传输与处理方法 |
US11150099B2 (en) * | 2019-03-18 | 2021-10-19 | International Business Machines Corporation | Detecting vehicular deviation from a specified path |
CN112572465A (zh) * | 2019-09-12 | 2021-03-30 | 中车时代电动汽车股份有限公司 | 一种智能驾驶汽车感知系统故障处理方法 |
JP7382791B2 (ja) * | 2019-10-30 | 2023-11-17 | 株式会社日立製作所 | 異常判定装置、車両支援システム |
US11436876B2 (en) * | 2019-11-01 | 2022-09-06 | GM Global Technology Operations LLC | Systems and methods for diagnosing perception systems of vehicles based on temporal continuity of sensor data |
CN112164049B (zh) * | 2020-09-28 | 2024-07-02 | 广东中科瑞泰智能科技有限公司 | 一种违建监测方法及装置 |
CN112346434A (zh) * | 2020-11-02 | 2021-02-09 | 中国空气动力研究与发展中心 | 一种分布式无人机编队状态信息共享与通信故障检测方法 |
CN113037576B (zh) * | 2021-05-31 | 2021-09-07 | 北京三快在线科技有限公司 | 一种故障检测的方法、装置、存储介质及电子设备 |
-
2021
- 2021-05-31 CN CN202110596544.9A patent/CN113037576B/zh active Active
- 2021-12-20 WO PCT/CN2021/139764 patent/WO2022252574A1/zh active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106463059A (zh) * | 2014-06-06 | 2017-02-22 | 日立汽车系统株式会社 | 障碍物信息管理装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2022252574A1 (zh) | 2022-12-08 |
CN113037576A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113037576B (zh) | 一种故障检测的方法、装置、存储介质及电子设备 | |
US20210107499A1 (en) | Method and system for development and verification of autonomous driving features | |
EP3674161A1 (en) | A failure detection device for an external sensor and a failure detection method for an external sensor | |
CN113791435B (zh) | Gnss信号异常值的检测方法、装置及电子设备、存储介质 | |
CN111126362B (zh) | 一种预测障碍物轨迹的方法及装置 | |
CN113032261B (zh) | 一种仿真测试的方法及装置 | |
CN112013853B (zh) | 一种对无人驾驶设备的轨迹点验证的方法及装置 | |
CN111055851B (zh) | 一种自动驾驶的监控报警系统、客户端、服务器 | |
CN111797711A (zh) | 一种模型训练的方法及装置 | |
CN113109851A (zh) | 一种异常检测方法、装置、存储介质及电子设备 | |
CN111127551A (zh) | 一种目标检测的方法及装置 | |
CN111353417A (zh) | 一种目标检测的方法及装置 | |
CN113296541A (zh) | 一种基于未来碰撞风险的无人设备控制方法及装置 | |
CN112883871B (zh) | 一种模型训练以及确定无人车运动策略方法及装置 | |
CN112818968A (zh) | 一种目标物分类方法及装置 | |
CN111426299B (zh) | 一种基于目标物的景深进行测距的方法及装置 | |
CN116758736A (zh) | 违停检测方法、装置及电子设备 | |
CN112731447B (zh) | 一种障碍物跟踪方法、装置、存储介质及电子设备 | |
CN113642616B (zh) | 一种基于环境数据的训练样本的生成方法及装置 | |
CN112799412A (zh) | 一种无人驾驶设备的控制方法及控制装置 | |
CN112712561A (zh) | 一种建图方法、装置、存储介质及电子设备 | |
CN114590273A (zh) | 一种无人设备的接管类型识别方法、装置 | |
CN118534488A (zh) | 一种碰撞检测的方法、装置及自动车驾驶车辆 | |
CN113850240B (zh) | 一种物流园区车辆违停识别方法及装置 | |
CN116605212B (zh) | 车辆控制方法、装置、计算机设备以及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |