CN113119999B - 自动驾驶特征的确定方法、装置、设备、介质及程序产品 - Google Patents

Abstract

本申请公开了自动驾驶特征的确定方法、装置、设备、介质及程序产品，涉及人工智能领域中的自动驾驶技术。具体实现方案为：获取多个驾驶场景的场景信息，以及自动驾驶系统在每个所述驾驶场景中的驾驶行为信息，驾驶行为信息包括自动驾驶系统做出的决策以及决策对应的执行结果；根据多个驾驶场景的场景信息和各自对应的驾驶行为信息，确定自动驾驶系统的自动驾驶特征。通过上述过程确定出的自动驾驶特征可以表征自动驾驶系统所采用的自动驾驶策略的特点，因此，地图根据自动驾驶特征能够向自动驾驶系统提供更加准确的决策预判信息，提高自动驾驶的安全性。

Description

自动驾驶特征的确定方法、装置、设备、介质及程序产品

技术领域

本申请涉及人工智能领域中的自动驾驶技术，尤其涉及一种自动驾驶特征的确定方法、装置、设备、介质及程序产品。

背景技术

在自动驾驶场景中，地图可以基于导航路线、路况等信息为自动驾驶系统提供决策预判信息。例如，地图可以提前在合适的距离向自动驾驶系统提供准备变道的信号。

而不同的自动驾驶系统采用的驾驶策略不同。例如，在变道场景中，一些自动驾驶系统采取较为激进的策略，能够快速完成变道操作；另一些自动驾驶系统的策略较为保守，即使目标车道的后向有缓慢行驶的车辆，也要等后方车辆超过后再完成变道。地图如果针对不同的自动驾驶系统均提供相同的决策预判信息，则可能导致驾驶隐患。因此，地图需要获知不同自动驾驶系统各自的自动驾驶特征，并根据自动驾驶特征向不同的自动驾驶系统提供不同的决策预判信息，从而保证自动驾驶的安全性。

然而，如何确定出自动驾驶系统的自动驾驶特征以指导地图进行决策预判，是亟待解决的技术问题。

发明内容

本申请提供了一种自动驾驶特征的确定方法、装置、设备、介质及程序产品。

根据本申请的第一方面，提供了一种自动驾驶特征的确定方法，包括：

获取多个驾驶场景的场景信息，以及自动驾驶系统在每个所述驾驶场景中的驾驶行为信息，所述驾驶行为信息包括所述自动驾驶系统做出的决策以及所述决策对应的执行结果；

根据所述多个驾驶场景的场景信息和各自对应的所述驾驶行为信息，确定所述自动驾驶系统的自动驾驶特征，所述自动驾驶特征用于地图为所述自动驾驶系统提供决策预判信息。

根据本申请的第二方面，提供了一种自动驾驶特征的确定装置，包括：

获取模块，用于获取多个驾驶场景的场景信息，以及自动驾驶系统在每个所述驾驶场景中的驾驶行为信息，所述驾驶行为信息包括所述自动驾驶系统做出的决策以及所述决策对应的执行结果；

确定模块，用于根据所述多个驾驶场景的场景信息和各自对应的所述驾驶行为信息，确定所述自动驾驶系统的自动驾驶特征，所述自动驾驶特征用于地图为所述自动驾驶系统提供决策预判信息。

根据本申请的第三方面，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中任一项所述的方法。

根据本申请的第四方面，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，其中，所述计算机指令用于使所述计算机执行第一方面中任一项所述的方法。

根据本申请的第五方面，提供了一种计算机程序产品，所述计算机程序产品包括：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所述的方法。

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自动驾驶控制过程的示意图；

图2为本申请实施例提供的一种应用场景的示意图；

图3为本申请实施例提供的一种自动驾驶特征的确定方法的流程示意图；

图4为本申请实施例提供的另一种自动驾驶特征的确定方法的流程示意图；

图5为本申请实施例提供的一种自动驾驶特征的确定过程的示意图；

图6为本申请实施例提供的另一种自动驾驶特征的确定过程的示意图；

图7为本申请实施例提供的一种自动驾驶特征的确定装置的结构示意图；

图8为本申请实施例提供的一种电子设备的结构示意图。

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。

随着自动驾驶技术的发展，车辆的自动驾驶系统与地图逐步建立更深层次的联系。地图可以为自动驾驶系统提供环境感知辅助信息、决策预判信息等。为了便于理解，下面结合图1进行描述。

图1为本申请实施例提供的自动驾驶控制过程的示意图。如图1所示，自动驾驶系统包括感知单元、规划决策单元和控制单元。其中，车辆中设置有多种传感器，包括但不限于：雷达、摄像头、红外等。感知单元用于对传感器采集到的传感数据进行感知，得到车辆周围的障碍物信息和道路环境信息。规划决策单元用于对感知到的障碍物信息和道路环境信息进行分析，规划得到行驶路径，并在行驶过程中生成决策信息。控制单元用于将决策信息转化为刹车、油门或者转向等控制信号，并将控制信号输出给车辆的车控单元，以控制车辆按照规划路径行驶。

由于地图(尤其是高精地图)中包含详细的车道线、交通标志、交通信号等、车道限高、车道限速等道路信息，还包含与交通安全相同的一些道路属性信息，例如GPS信号消失区域、道路施工状态等。因此，在车辆自动驾驶过程中，地图可以向自动驾驶系统提供一些自动驾驶辅助信息。

如图1所示，在感知阶段，地图可以向自动驾驶系统提供环境感知信息。示例性的，地图可以告知车辆的当前位置、所在车道、以及所在车道的限速、限高等信息。示例性的，地图还可以延伸传感器的感知范围，提前告知车辆前方的道路信息及交通状况信息。示例性的，传感器在复杂路况或者恶劣天气条件下，可能会遇到感知性能下降的情况，地图可以及时提供环境感知信息，以作为传感器的辅助和补充。

继续参见图1，在规划和决策阶段，地图还可以向自动驾驶系统提供决策预判信息，以帮助自动驾驶系统做出合理的规划和决策。示例性的，在车辆前方具有低速限制时，提前在合适的距离向自动驾驶系统提供准备减速的信号。在车辆需要变道时，提前合适的距离向自动驾驶系统提供准备变道的信号。

而不同的自动驾驶系统采用的驾驶策略不同。例如，在变道场景中，一些自动驾驶系统采取较为激进的策略，能够快速完成变道操作；另一些自动驾驶系统的策略较为保守，即使目标车道的后向有缓慢行驶的车辆，也要等后方车辆超过后再完成变道。这样，自动驾驶策略的不同会导致地图无法向自动驾驶系统提供最优的决策预判信息。如果地图针对不同的自动驾驶系统均提供相同的决策预判信息，例如，在变道场景中，针对不同的自动驾驶系统均提前相同的距离提供准备变道信号，则可能导致驾驶隐患。

因此，地图需要获取不同自动驾驶系统各自的自动驾驶特征，并根据自动驾驶特征向不同的自动驾驶系统提供不同的决策预判信息，从而保证自动驾驶的安全性。

一些相关技术中，可以为自动驾驶系统划分等级，通过等级的不同来指示自动驾驶能力的不同。示例性的，可以根据自动驾驶系统对车辆的把控程度，将自动驾驶系统划分为L0-L5等级。其中，L0为驾驶员人工驾驶。L1为辅助驾驶，自动驾驶系统有时能够帮助驾驶员完成某些驾驶任务，且只能帮助完成一项驾驶操作。驾驶员需要监控驾驶环境并准备随时接管。L2为局部自动驾驶，自动驾驶系统有多项功能，能同时控制车速和车道。驾驶员需要监控驾驶环境并准备随时接管。L3为有条件自动驾驶，在条件许可的情况下，车辆可以完成所有的驾驶动作，并具备提醒驾驶者功能。驾驶者无需监控驾驶环境，可以分心，但不可以睡觉，需要随时能够接管车辆，以便随应对可能出现的人工智能应对不了的情况。L4为高度自动驾驶，在特定场景下实现完全自动驾驶，驾驶者可以有，也可以没有。L5为完全自动驾驶，在任何场景实现自动驾驶。但是，按照上述划分方式，不同的等级表征的是自动驾驶系统对车辆的操控程度，或者说是自动驾驶能力的高低，而并不能表征自动驾驶系统采用的自动驾驶策略之间的差异性。因此，上述等级无法指导地图向自动驾驶系统输出准确的决策预判信息。

可见，如何确定自动驾驶系统的自动驾驶特征，以指导地图向自动驾驶系统输出准确的决策预判信息，是亟待解决的技术问题。

为此，本申请提供一种自动驾驶特征的确定方法、装置、设备、介质及程序产品，应用于人工智能领域中的自动驾驶技术。

本申请实施例中，自动驾驶特征表征的是自动驾驶系统采用的自动驾驶策略的特点，或者说自动驾驶系统的决策特点，可用于指导地图向自动驾驶系统提供更优的决策预判信息，以保证自动驾驶的安全性。

需要说明的是，本申请实施例中的地图可以为下述中的任一：高清地图、普通地图、在线地图、离线地图、云端地图、车机地图等。

图2为本申请实施例提供的一种应用场景的示意图。如图2所示，该应用场景中包括自动驾驶系统和自动驾驶特征的确定装置。自动驾驶特征的确定装置可用于执行本申请提供的自动驾驶特征的确定方法。自动驾驶特征的确定装置通过与自动驾驶系统的交互，分析得到自动驾驶系统的自动驾驶特征。该自动驾驶特征可用于指导地图为自动驾驶系统提供更加准确的决策预判信息。

其中，自动驾驶特征的确定装置可以为软件和/或硬件的形式。自动驾驶特征的确定装置可以包括多个单元。这些单元可以集成设置，例如可以集成在一个电子设备中。这些单元还可以分离设置，例如可以设置在不同的电子设备中。上述的电子设备可以为服务器、计算机、终端设备等。

本申请技术方案中，自动驾驶特征的确定装置可以获取至少一个驾驶场景的场景信息，以及自动驾驶系统在每个驾驶场景中的驾驶行为信息，驾驶行为信息包括自动驾驶系统做出的决策以及决策对应的执行结果；进而，自动驾驶特征的确定装置根据所述至少一个驾驶场景的场景信息和各自对应的驾驶行为信息，确定出自动驾驶系统的自动驾驶特征。通过上述过程确定出的自动驾驶特征可以表征自动驾驶系统所采用的自动驾驶策略的特点，因此，地图根据自动驾驶特征能够向自动驾驶系统提供更加准确的决策预判信息，提高自动驾驶的安全性。

下面结合几个具体的实施例对本申请的技术方案进行详细描述。下面几个实施例可以相互结合，对于相同或者相似的内容在某些实施例中可能不再重复描述。

图3为本申请实施例提供的一种自动驾驶特征的确定方法的流程示意图。本实施例的方法可以由图2中的自动驾驶特征的确定装置执行。本实施例的方法可用于确定图2所示的自动驾驶系统的自动驾驶特征。

如图3所示，本实施例的方法包括：

S301：获取多个驾驶场景的场景信息，以及自动驾驶系统在每个所述驾驶场景中的驾驶行为信息，所述驾驶行为信息包括所述自动驾驶系统做出的决策以及所述决策对应的执行结果。

其中，本实施例中的驾驶场景包括但不限于：直线驾驶场景、转弯场景、让道场景、变道场景、泊车场景、加速场景、减速场景等。

每个驾驶场景的场景信息是用于描述该驾驶场景的信息，包括但不限于：该驾驶场景中的道路信息、主车的行驶状态信息、障碍物的状态信息等。这些场景信息可以是由传感器采集得到的，和/或，由地图提供的。

将每个驾驶场景的场景信息输入自动驾驶系统，自动驾驶系统根据每个驾驶场景的场景信息，可以得到每个驾驶场景中的驾驶行为信息。本实施例中的驾驶行为信息包括自动驾驶系统做出的决策以及该决策对应的执行结果。

一些场景中，本实施例的方法可以采用在线的自动驾驶系统。具体的，自动驾驶系统部署在车辆中，车辆在真实驾驶场景中自动驾驶。该场景中，可以根据车载传感器采集的传感数据获取该驾驶场景的场景信息。可以根据车辆的实际驾驶情况确定自动驾驶系统在驾驶场景中的驾驶行为信息。

另一些场景中，本实施例的方案还可以采用离线的自动驾驶系统。该场景中，可以模拟生成驾驶场景的场景信息，将场景信息输入自动驾驶系统，根据自动驾驶系统的输出数据确定其在驾驶场景中的驾驶行为信息。

S302：根据所述多个驾驶场景的场景信息和各自对应的所述驾驶行为信息，确定所述自动驾驶系统的自动驾驶特征，所述自动驾驶特征用于地图为所述自动驾驶系统提供决策预判信息。

本实施例中的自动驾驶特征用于表征自动驾驶系统所采用的自动驾驶策略的特点，或者说表征自动驾驶系统的决策特点。

可选的，自动驾驶特征可以包括下述中的至少一项：决策的激进程度、决策的执行成功率、决策执行过程与人工驾驶过程的相似度。

其中，决策的激进程度指示的是自动驾驶系统做出的决策偏激进的程度或者偏保守的程度。例如，在变道场景中，若自动驾驶系统做出的是偏激进的决策，则表现为快速完成变道操作；若自动驾驶系统做出的是偏保守的决策，则可能表现为在其后方有缓慢行驶的车辆时也不变道，只有在后方车辆超过后再变道。

决策的执行成功率指示的自动驾驶系统做出的决策能够被成功执行的概率或者比例。示例性的，由于一些决策需要在指定时间内完成，若在执行时间内未完成，则认为决策执行失败。例如，对于偏保守的自动驾驶系统，若地图向自动驾驶系统提供的决策预判信息较晚时，可能导致决策执行失败。

决策执行过程与人工驾驶过程的相似度指示的是决策执行过程是否符合人工驾驶习惯，比如，若根据人工驾驶习惯在某些场景中不适合超车或者加速，但是自动驾驶系统做出了超车或者加速的决策，则认为决策执行过程与人工驾驶习惯的相似度较低。

由于驾驶行为信息中包括了自动驾驶系统做出的决策以及决策的执行结果，因此，根据多个驾驶场景的场景信息和各自对应的驾驶行为信息，可以分析得到能够表征自动驾驶系统的决策特点的自动驾驶特征，比如，上述的决策的激进程度、决策的执行成功率、决策执行过程与人工驾驶过程的相似度等。

这样，确定出自动驾驶系统的自动驾驶特征之后，这些自动驾驶特征可用于指导地图向自动驾驶系统提供更加准确的决策预判信息。

示例性的，在变道场景中，若某个自动驾驶系统对应的决策激进程度较高(即较为激进)，则地图可以提前较短的距离向自动驾驶系统输出变道信号。若某个自动驾驶系统对应的决策激进程度较低(即较为保守)，则地图可以提前较长的距离向自动驾驶系统输出变道信号。

示例性的，若某个自动驾驶系统对应的决策执行的成功率较低，则地图可以提前较长的距离向自动驾驶系统输出决策预判信息，或者调整向自动驾驶系统输出决策预判信息的策略，以提高自动驾驶系统的决策执行的成功率。

示例性的，若某个自动驾驶系统对应的决策执行过程与人工驾驶过程的相似度较低，则地图可以调整向自动驾驶系统输出决策预判信息的策略，以使自动驾驶系统的决策执行过程更加符合人类驾驶习惯。

本实施例提供的自动驾驶特征的确定方法，包括：获取多个驾驶场景的场景信息，以及自动驾驶系统在每个所述驾驶场景中的驾驶行为信息，所述驾驶行为信息包括所述自动驾驶系统做出的决策以及所述决策对应的执行结果；根据所述多个驾驶场景的场景信息和各自对应的所述驾驶行为信息，确定所述自动驾驶系统的自动驾驶特征。通过上述过程确定出的自动驾驶特征可以表征自动驾驶系统所采用的自动驾驶策略的特点，因此，地图根据自动驾驶特征能够向自动驾驶系统提供更加准确的决策预判信息，提高自动驾驶的安全性。

图4为本申请实施例提供的另一种自动驾驶特征的确定方法的流程示意图。在上述实施例的基础上，本实施例针对图3所示实施例中的S302的具体实现方式进行更详细的描述。如图4所示，本实施例的方法包括：

S401：获取多个驾驶场景的场景信息，以及自动驾驶系统在每个所述驾驶场景中的驾驶行为信息，所述驾驶行为信息包括所述自动驾驶系统做出的决策以及所述决策对应的执行结果。

应理解，S401的实现方式与S301类似，此处不作赘述。

S402：针对所述多个驾驶场景中的任意驾驶场景，根据所述驾驶场景的场景信息及其对应的所述驾驶行为信息，确定所述自动驾驶系统在所述驾驶场景下的自动驾驶特征。

也就是说，分别确定自动驾驶系统在每个驾驶场景下的自动驾驶特征。例如，分别确定出自动驾驶系统在直线驾驶场景、转弯场景、让道场景、变道场景、泊车场景、加速场景、减速场景下的自动驾驶特征。

一种可能的实现方式中，可以根据驾驶场景的场景信息，获取自动驾驶系统做出决策时的主车状态信息，其中，主车状态信息包括下述中的一项或多项：主车车速、主车与障碍物之间的距离、主车与障碍物之间的相对速度等。进而，根据主车状态信息以及驾驶行为信息，确定自动驾驶系统在驾驶场景下的自动驾驶特征。具体的，根据主车状态信息，可以确定出自动驾驶系统做出决策的激进程度，还可以确定出自动驾驶系统的决策执行过程是否符合人类驾驶习惯。根据驾驶行为信息，可以得知出自动驾驶系统的决策执行结果，当同一驾驶场景存在多组数据时，还可以统计出自动驾驶系统在该驾驶场景下的决策执行成功率。

举例而言，以变道场景为例，可以根据变道场景的场景信息，获取自动驾驶系统在做出变道决策时的主车状态信息，例如：主车车速、主车与同车道障碍物之间的距离、主车与同车道障碍物之间的相对速度、主车与目标车道障碍物之间的距离、主车与目标车道障碍物之间的相对速度等。根据这些主车状态信息，可以确定出自动驾驶系统的变道决策的激进程度，还可以确定出自动驾驶系统的变道决策是否符合人类驾驶习惯。另外，由于驾驶行为信息中包括了变道决策的执行结果，因此当变道场景存在多组数据时，可以统计得到自动驾驶系统的变道决策的执行成功率。

S403：根据所述自动驾驶系统在所述多个驾驶场景下的自动驾驶特征，确定所述自动驾驶系统的自动驾驶特征。

也就是说，对多个驾驶场景下的自动驾驶特征进行综合，得到自动驾驶系统的自动驾驶特征。

一种可能的实现方式中，可以为每种驾驶场景预设权重。获取多个驾驶场景对应的权重，并根据多个驾驶场景对应的权重，对多个驾驶场景下的自动驾驶特征进行加权计算，确定出自动驾驶系统的自动驾驶特征。这样，最终确定的自动驾驶特征能够表征多种驾驶场景的自动驾驶策略的特点。

本实施例中，通过针对每个驾驶场景，确定出该驾驶场景下的自动驾驶特征，并对多个驾驶场景下的自动驾驶特征进行加权计算，得到综合后的自动驾驶特征，使得自动驾驶特征能够表征多种驾驶场景下的决策特点，从而提高自动驾驶特征的准确性。

在上述实施例的基础上，下面结合一个具体的实施例，对本申请技术方案进行更详细的描述。

图5为本申请实施例提供的一种自动驾驶特征的确定过程的示意图。本实施例中，自动驾驶特征的确定装置可以包括：场景仿真平台和特征提取模型。其中，场景仿真平台用于获取多个驾驶场景的场景信息以及自动驾驶系统在每个驾驶场景中的驾驶行为信息。也就是说，场景仿真平台可以执行图3中的S301，或者执行图4中的S401。特征提取模型用于根据多个驾驶场景的场景信息和各自对应的驾驶行为信息，确定自动驾驶系统的自动驾驶特征。也就是说，特征提取模型可以执行图3中的S302，或者执行图4中的S402和S403。

需要说明的是，本实施例中，针对多个驾驶场景中的每个驾驶场景，场景仿真平台的处理过程是类似的。下面仅以一个驾驶场景的处理过程为例进行描述。

本实施例中，每个驾驶场景包括多个连续的子场景。相应的，自动驾驶系统在每个驾驶场景中的驾驶行为信息包括：自动驾驶系统在每个子场景中做出的决策以及决策对应的执行结果。下面结合图5对场景仿真平台对每个驾驶场景的处理过程进行介绍。

如图5所示，场景仿真平台的处理过程包括：获取第1个子场景的场景信息。将第1个子场景的场景信息输入自动驾驶系统，获取自动驾驶系统根据第1个子场景的场景信息输出的第1个决策。模拟执行第1个决策，得到第1个决策的执行结果。根据第1个决策的执行结果，更新第1个子场景的场景信息，得到第2个子场景的场景信息。

然后，将第2个子场景的场景信息输入自动驾驶系统，获取自动驾驶系统根据第2个子场景的场景信息输出的第2个决策。模拟执行第2个决策，得到第2个决策的执行结果。根据第2个决策的执行结果，更新第2个子场景的场景信息，得到第3个子场景的场景信息。

重复执行上述过程，直至当前驾驶场景中的多个子场景遍历完成。

一种可能的实现方式中，在对第i个子场景的场景信息进行更新得到第i+1个子场景的场景信息时，还可以通过调整第i个子场景中的环境变量，实现对第i个子场景的场景信息进行更新。其中，环境变量可以包括障碍物的运动参数等，即，可以调整障碍物的运动状态。i为大于或者等于1的整数。

也就是说，上述更新过程可以包括：确定第i个子场景中的目标障碍物，以及目标障碍物的运动参数，根据第i个决策的执行结果以及所述目标障碍物的运动参数，更新第i个子场景的场景信息，得到第i+1个子场景的场景信息。

本实施例中，场景仿真平台在从自动驾驶系统接收到决策后，根据决策模拟车辆的操作，得到决策的执行结果，进而根据决策的执行结果对本轮场景信息进行更新，以生成新一轮的场景信息。通过采用上述过程，使得生成的场景信息是连续的，从而能够模拟出车辆的连续行驶的场景，保证了场景模拟的真实性。

一种可能的实现方式中，获取第1个子场景的场景信息，可以包括：获取第1个子场景的传感数据，对所述传感数据进行感知处理，得到第一个子场景的场景信息。

可选的，上述的传感数据可以是模拟生成的。示例性的，利用场景仿真工具对第1个子场景进行模拟，生成第1个子场景的传感数据。

可选的，还可以获取真实道路中车辆在第1个子场景中采集的传感数据。

该实现方式中，由于子场景的场景信息并不是原始的传感数据，而是对传感数据进行感知处理后的，因此，子场景的场景信息是可以被自动驾驶系统的规划决策单元识别和处理的。因此，可以将子场景的场景信息输入自动驾驶系统的规划决策单元，获取规划决策单元根据子场景的场景信息输出的决策。

本实施例中，通过采用感知处理后的场景信息，使得场景信息可以直接输入到自动驾驶系统的规划决策单元，而无需经过自动驾驶系统的感知单元，可以避免由于不同自动驾驶系统的感知单元采用不同的感知技术而导致的感知偏差，从而避免不同自动驾驶系统的感知能力差异对自动驾驶特征造成影响。使用感知后的场景信息，能够避免传感器感知、天气等因素的影响，保证确定出的驾驶特征的准确性。

继续参见图5，场景仿真平台将本轮的场景信息输入至自动驾驶系统，并从自动驾驶系统接收到决策后，一方面，模拟执行决策得到执行结果，并根据执行结果对本轮的场景信息进行更新以生成新一轮的场景信息。另一方面，将本轮的场景信息、自动驾驶系统基于本轮的场景信息做出的决策、以及决策的执行结果同步至特征提取模型，以便特征提取模型对上述数据进行分析得到自动驾驶特征。

图5中展示了场景仿真平台与自动驾驶系统、特征提取模型的交互过程。通过上述交互过程使得特征提取模型获取到了多个驾驶场景的场景信息以及自动驾驶系统在每个驾驶场景中的驾驶行为信息。

针对每个驾驶场景，特征提取模型可以记录每一轮的子场景对应的场景信息、决策以及决策的执行结果，并在该驾驶场景的多个子场景模拟完成之后，根据收集的多个子场景的数据，分析得到该驾驶场景下的自动驾驶特征。

当多个驾驶场景模拟完成之后，对多个驾驶场景各自对应的自动驾驶特征进行综合分析，确定出综合后的自动驾驶特征。该自动驾驶特征即可表征自动驾驶系统在多个驾驶场景中的决策特点。

图6为本申请实施例提供的另一种自动驾驶特征的确定过程的示意图。如图6所示，在图5所示实施例的基础上，自动驾驶特征的确定装置得到自动驾驶特征之后，可以将自动驾驶特征存储到数据库中。

其中，该数据库可以部署在自动驾驶特征的确定装置中，或者部署在其他设备中。该数据库还可以是云端数据库。数据库中用于存储不同自动驾驶系统的自动驾驶特征。

可选的，针对某个自动驾驶系统，自动驾驶特征的确定装置采用本申请实施例提供的方案，确定出该自动驾驶系统的自动驾驶特征之后，可以将该自动驾驶系统的标识、版本号以及自动驾驶特征推送到数据库中进行存储。

这样，地图可以根据车辆的自动驾驶系统的标识和版本号从数据库中获取该自动驾驶系统对应的自动驾驶特征。其中，地图可以是云端地图也可以是车端地图。

例如，云端地图需要为某个自动驾驶系统提供决策预判信息时，可以根据该自动驾驶系统的标识和版本号，从数据库中获取该自动驾驶系统对应的自动驾驶特征。进而，云端地图可以根据自动驾驶特征向该自动驾驶系统提供准确的决策预判信息。

例如，在车端地图进行更新的时候，车端地图也可以根据车辆的自动驾驶系统的标识和版本号，从数据库中获取该自动驾驶系统对应的自动驾驶特征。进而，车端地图可以根据自动驾驶特征向该自动驾驶系统提供更加准确的决策预判信息。

下面结合一个具体的应用场景进行举例说明。

以变道场景为例。举例而言，以自动驾驶系统A和自动驾驶系统B为例，假设自动驾驶系统A采用的自动驾驶策略较为激进，而自动驾驶系统B采用的自动驾驶策略较为保守。在变道场景中，自动驾驶系统A在接收到地图提供的变道预判信息时，会快速完成变道。自动驾驶系统B在接收到地图提供的变道预判信息时，会缓慢完成变道，比如当后方有车辆时，会先减速等待后方车辆超过后再完成变道。

在现有技术中，由于地图无法获取每个自动驾驶系统采用的自动驾驶策略的特点，因此，地图可以会根据默认的自动驾驶策略提供变道预判信息，例如，提前相同的距离(例如200米)向自动驾驶系统A和自动驾驶系统B输出变道预判信息。这样可能导致由于地图提供的变道预判信息不准确，导致变道失败或者导致驾驶隐患。

而本申请实施例中，可以采用图3至图6任一实施例的方法确定出自动驾驶系统A和自动驾驶系统B的自动驾驶特征。这样，地图根据自动驾驶系统A的自动驾驶特征，可以识别出自动驾驶系统A采用的自动驾驶策略较为激进，因此，地图可以提前较短的距离(例如150米)向自动驾驶系统A输出变道预判信息。地图根据自动驾驶系统B的自动驾驶特征，可以识别出自动驾驶系统B采用的自动驾驶策略较为保守，因此，地图可以提前较远的距离(例如300米)向自动驾驶系统B输出变道预判信息。

可见，本申请实施例中，通过确定出自动驾驶系统的自动驾驶特征，使得地图可以根据自动驾驶特征向自动驾驶系统提供符合其策略特点的决策预判信息，从而自动驾驶系统接收到的是更加准确的决策预判信息，保证自动驾驶的安全性。

图7为本申请实施例提供的一种自动驾驶特征的确定装置的结构示意图。本实施例的装置可以为软件和/或硬件的形式。如图7所示，本实施例提供的自动驾驶特征的确定装置700可以包括：获取模块701和确定模块702。

其中，获取模块701，用于获取多个驾驶场景的场景信息，以及自动驾驶系统在每个所述驾驶场景中的驾驶行为信息，所述驾驶行为信息包括所述自动驾驶系统做出的决策以及所述决策对应的执行结果；

确定模块702，用于根据所述多个驾驶场景的场景信息和各自对应的所述驾驶行为信息，确定所述自动驾驶系统的自动驾驶特征，所述自动驾驶特征用于地图为所述自动驾驶系统提供决策预判信息。

一种可能的实现方式中，所述确定模块702包括：

第一确定单元，用于针对所述多个驾驶场景中的任意驾驶场景，根据所述驾驶场景的场景信息及其对应的所述驾驶行为信息，确定所述自动驾驶系统在所述驾驶场景下的自动驾驶特征；

第二确定单元，用于根据所述自动驾驶系统在所述多个驾驶场景下的自动驾驶特征，确定所述自动驾驶系统的自动驾驶特征。

一种可能的实现方式中，所述第一确定单元包括：

第一获取子单元，用于根据所述驾驶场景的场景信息，获取所述自动驾驶系统做出所述决策时的主车状态信息，所述主车状态信息包括下述中的至少一项：主车车速、主车与障碍物之间的距离、主车与障碍物之间的相对速度；

第一确定子单元，用于根据所述主车状态信息以及所述驾驶行为信息，确定所述自动驾驶系统在所述驾驶场景下的自动驾驶特征。

一种可能的实现方式中，所述第二确定单元包括：

第二获取子单元，用于获取所述多个驾驶场景对应的权重；

第二确定子单元，用于根据所述多个驾驶场景对应的权重，对所述多个驾驶场景下的自动驾驶特征进行加权计算，确定出所述自动驾驶系统的自动驾驶特征。

一种可能的实现方式中，每个所述驾驶场景包括多个连续的子场景，所述驾驶行为信息包括所述自动驾驶系统在每个所述子场景中做出的决策以及所述决策对应的执行结果；所述获取模块701包括：

第一获取单元，用于针对所述多个驾驶场景中的任意驾驶场景，将第i个子场景的场景信息输入所述自动驾驶系统，获取所述自动驾驶系统根据所述第i个子场景的场景信息输出的第i决策；

执行单元，用于模拟执行所述第i决策，得到所述第i决策的执行结果；

更新单元，用于根据所述第i决策的执行结果，更新所述第i个子场景的场景信息，得到第i+1个子场景的场景信息；

其中，其中，所述i依次取1、2、……、N，所述N为大于1的整数。

一种可能的实现方式中，所述更新单元包括：

第三确定子单元，用于确定所述第i个子场景中的目标障碍物，以及所述目标障碍物的运动参数；

更新子单元，用于根据所述第i决策的执行结果以及所述目标障碍物的运动参数，更新所述第i个子场景的场景信息，得到第i+1个子场景的场景信息。

一种可能的实现方式中，所述i为1，所述获取模块701还包括：第二获取单元；所述第二获取单元用于：

获取第一个子场景的传感数据；

对所述传感数据进行感知处理，得到所述第一个子场景的场景信息。

一种可能的实现方式中，所述自动驾驶系统包括感知单元和规划决策单元；所述第一获取单元具体用于：

将所述第i个子场景的场景信息输入所述自动驾驶系统的所述规划决策单元。

一种可能的实现方式中，所述第二获取单元具体用于：

模拟生成所述第一个子场景的传感数据；或者，

获取真实道路中车辆在所述第一个子场景中采集的传感数据。

一种可能的实现方式中，所述自动驾驶特征包括下述中的至少一项：决策的激进程度、决策的执行成功率、决策执行过程与人工驾驶过程的相似度。

本实施例提供的自动驾驶特征的确定装置，可用于执行上述任意方法实施例的技术方案，其实现原理和技术效果类似，此处不作赘述。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

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，计算机程序产品包括：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8示出了可以用来实施本申请的实施例的示例电子设备的示意性框图。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8所示，电子设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如方法XXX。例如，在一些实施例中，方法XXX可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM803并由计算单元801执行时，可以执行上文描述的方法XXX的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法XXX。

本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。

用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

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 (18)

1.一种自动驾驶特征的确定方法，包括：

获取多个驾驶场景的场景信息，以及自动驾驶系统在每个所述驾驶场景中的驾驶行为信息，所述驾驶行为信息包括所述自动驾驶系统做出的决策以及所述决策对应的执行结果；

针对所述多个驾驶场景中的任意驾驶场景，根据所述驾驶场景的场景信息及其对应的所述驾驶行为信息，确定所述自动驾驶系统在所述驾驶场景下的自动驾驶特征；

根据所述自动驾驶系统在所述多个驾驶场景下的自动驾驶特征，确定所述自动驾驶系统的自动驾驶特征，所述自动驾驶特征用于地图为所述自动驾驶系统提供决策预判信息；所述自动驾驶特征用于表征自动驾驶系统的决策特点；

其中，每个所述驾驶场景包括多个连续的子场景，所述驾驶行为信息包括所述自动驾驶系统在每个所述子场景中做出的决策以及所述决策对应的执行结果；

针对所述多个驾驶场景中的任意驾驶场景，获取所述驾驶场景的场景信息，以及自动驾驶系统在所述驾驶场景中的驾驶行为信息，包括：

将第i个子场景的场景信息输入所述自动驾驶系统，获取所述自动驾驶系统根据所述第i个子场景的场景信息输出的第i决策；

模拟执行所述第i决策，得到所述第i决策的执行结果；

根据所述第i决策的执行结果，更新所述第i个子场景的场景信息，得到第i+1个子场景的场景信息；

其中，所述i依次取1、2、……、N，所述N为大于1的整数。

2.根据权利要求1所述的方法，其中，根据所述驾驶场景的场景信息及其对应的所述驾驶行为信息，确定所述自动驾驶系统在所述驾驶场景下的自动驾驶特征，包括：

根据所述驾驶场景的场景信息，获取所述自动驾驶系统做出所述决策时的主车状态信息，所述主车状态信息包括下述中的至少一项：主车车速、主车与障碍物之间的距离、主车与障碍物之间的相对速度；

根据所述主车状态信息以及所述驾驶行为信息，确定所述自动驾驶系统在所述驾驶场景下的自动驾驶特征。

3.根据权利要求1所述的方法，其中，根据所述自动驾驶系统在所述多个驾驶场景下的自动驾驶特征，确定所述自动驾驶系统的自动驾驶特征，包括：

获取所述多个驾驶场景对应的权重；

根据所述多个驾驶场景对应的权重，对所述多个驾驶场景下的自动驾驶特征进行加权计算，确定出所述自动驾驶系统的自动驾驶特征。

4.根据权利要求1所述的方法，其中，根据所述第i决策的执行结果，更新所述第i个子场景的场景信息，得到第i+1个子场景的场景信息，包括：

确定所述第i个子场景中的目标障碍物，以及所述目标障碍物的运动参数；

根据所述第i决策的执行结果以及所述目标障碍物的运动参数，更新所述第i个子场景的场景信息，得到第i+1个子场景的场景信息。

5.根据权利要求1所述的方法，所述i为1，所述方法还包括：

获取第一个子场景的传感数据；

对所述传感数据进行感知处理，得到所述第一个子场景的场景信息。

6.根据权利要求5所述的方法，所述自动驾驶系统包括感知单元和规划决策单元；将第i个子场景的场景信息输入所述自动驾驶系统，包括：

将所述第i个子场景的场景信息输入所述自动驾驶系统的所述规划决策单元。

7.根据权利要求5所述的方法，其中，获取第一个子场景的传感数据，包括：

模拟生成所述第一个子场景的传感数据；或者，

获取真实道路中车辆在所述第一个子场景中采集的传感数据。

8.根据权利要求1至3任一项所述的方法，所述自动驾驶特征包括下述中的至少一项：决策的激进程度、决策的执行成功率、决策执行过程与人工驾驶过程的相似度。

9.一种自动驾驶特征的确定装置，包括：

获取模块，用于获取多个驾驶场景的场景信息，以及自动驾驶系统在每个所述驾驶场景中的驾驶行为信息，所述驾驶行为信息包括所述自动驾驶系统做出的决策以及所述决策对应的执行结果；

确定模块，用于根据所述多个驾驶场景的场景信息和各自对应的所述驾驶行为信息，确定所述自动驾驶系统的自动驾驶特征，所述自动驾驶特征用于地图为所述自动驾驶系统提供决策预判信息；所述自动驾驶特征用于表征自动驾驶系统的决策特点；

其中，每个所述驾驶场景包括多个连续的子场景，所述驾驶行为信息包括所述自动驾驶系统在每个所述子场景中做出的决策以及所述决策对应的执行结果；所述获取模块包括：

第一获取单元，用于针对所述多个驾驶场景中的任意驾驶场景，将第i个子场景的场景信息输入所述自动驾驶系统，获取所述自动驾驶系统根据所述第i个子场景的场景信息输出的第i决策；

执行单元，用于模拟执行所述第i决策，得到所述第i决策的执行结果；

更新单元，用于根据所述第i决策的执行结果，更新所述第i个子场景的场景信息，得到第i+1个子场景的场景信息；

其中，其中，所述i依次取1、2、……、N，所述N为大于1的整数；

所述确定模块包括：

第一确定单元，用于针对所述多个驾驶场景中的任意驾驶场景，根据所述驾驶场景的场景信息及其对应的所述驾驶行为信息，确定所述自动驾驶系统在所述驾驶场景下的自动驾驶特征；

第二确定单元，用于根据所述自动驾驶系统在所述多个驾驶场景下的自动驾驶特征，确定所述自动驾驶系统的自动驾驶特征。

10.根据权利要求9所述的装置，其中，所述第一确定单元包括：

第一获取子单元，用于根据所述驾驶场景的场景信息，获取所述自动驾驶系统做出所述决策时的主车状态信息，所述主车状态信息包括下述中的至少一项：主车车速、主车与障碍物之间的距离、主车与障碍物之间的相对速度；

第一确定子单元，用于根据所述主车状态信息以及所述驾驶行为信息，确定所述自动驾驶系统在所述驾驶场景下的自动驾驶特征。

11.根据权利要求9所述的装置，其中，所述第二确定单元包括：

第二获取子单元，用于获取所述多个驾驶场景对应的权重；

第二确定子单元，用于根据所述多个驾驶场景对应的权重，对所述多个驾驶场景下的自动驾驶特征进行加权计算，确定出所述自动驾驶系统的自动驾驶特征。

12.根据权利要求9所述的装置，其中，所述更新单元包括：

第三确定子单元，用于确定所述第i个子场景中的目标障碍物，以及所述目标障碍物的运动参数；

更新子单元，用于根据所述第i决策的执行结果以及所述目标障碍物的运动参数，更新所述第i个子场景的场景信息，得到第i+1个子场景的场景信息。

13.根据权利要求9所述的装置，所述i为1，所述获取模块还包括：第二获取单元；所述第二获取单元用于：

获取第一个子场景的传感数据；

对所述传感数据进行感知处理，得到所述第一个子场景的场景信息。

14.根据权利要求13所述的装置，所述自动驾驶系统包括感知单元和规划决策单元；所述第一获取单元具体用于：

将所述第i个子场景的场景信息输入所述自动驾驶系统的所述规划决策单元。

15.根据权利要求13所述的装置，其中，所述第二获取单元具体用于：

模拟生成所述第一个子场景的传感数据；或者，

获取真实道路中车辆在所述第一个子场景中采集的传感数据。

16.根据权利要求9至11任一项所述的装置，所述自动驾驶特征包括下述中的至少一项：决策的激进程度、决策的执行成功率、决策执行过程与人工驾驶过程的相似度。

17.一种电子设备，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至8中任一项所述的方法。

18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1至8中任一项所述的方法。