CN113177077B - 用于自动驾驶的异常事件确定方法、装置及电子设备 - Google Patents
用于自动驾驶的异常事件确定方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113177077B CN113177077B CN202110474034.4A CN202110474034A CN113177077B CN 113177077 B CN113177077 B CN 113177077B CN 202110474034 A CN202110474034 A CN 202110474034A CN 113177077 B CN113177077 B CN 113177077B
- Authority
- CN
- China
- Prior art keywords
- event
- abnormal
- time point
- target time
- time
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Abstract
本公开提供了一种用于自动驾驶的异常事件确定方法、装置、电子设备、计算机可读存储介质及计算机程序产品,涉及自动驾驶、深度学习等人工智能技术领域。该方法的一具体实施方式包括:获取基于目标时间点之前的行车数据确定的目标时间点的第一事件;获取基于目标时间点之前和之后的行车数据确定的目标时间点的第二事件,目标时间点为行车数据采集过程中的任意时间点;响应于第一事件与第二事件在事件内容上的差异符合预设要求,将第一事件确定为异常事件。该实施方式通过基于离线感知结果以对比的方式确定在线感知结果中的异常部分,提升了异常事件的确定准确性。
Description
技术领域
本公开涉及数据处理技术领域,具体涉及自动驾驶、深度学习等人工智能技术领域,尤其涉及一种用于自动驾驶的异常事件确定方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
随着电子信息化、智能化的发展,高安全性的自动驾驶是本领域技术人员为实现智能交通的重点研究方向。自动驾驶的实现由多方面实现,正确避障和针对不同情况采取合理的行车操作是其中较为重要的两个方面。
以避障为例,需要自动驾驶车辆正确计算行车路径上的障碍物的速度,并结合周围行车环境做出合理的避障操作。在测试过程中会产生大量各种类型的异常和错误操作,而如何从中筛选出当前最关心、最有价值的异常是本领域技术人员研究的重点。
发明内容
本公开提供了一种用于自动驾驶的异常事件确定方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
第一方面,本公开实施例提出了一种用于自动驾驶的异常事件确定方法,包括:获取基于目标时间点之前的行车数据确定的目标时间点的第一事件;获取基于目标时间点之前和之后的行车数据确定的目标时间点的第二事件,目标时间点为行车数据采集过程中的任意时间点;响应于第一事件与第二事件在事件内容上的差异符合预设要求,将第一事件确定为异常事件。
第二方面,本公开实施例提出了一种用于自动驾驶的异常事件确定装置,包括:在线感知结果获取单元,被配置成获取基于目标时间点之前的行车数据确定的目标时间点的第一事件;离线感知结果获取单元,被配置成获取基于目标时间点之前和之后的行车数据确定的目标时间点的第二事件,目标时间点为行车数据采集过程中的任意时间点;异常事件确定单元,被配置成响应于第一事件与第二事件在事件内容上的差异符合预设要求,将第一事件确定为异常事件。
第三方面,本公开实施例提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的用于自动驾驶的异常事件确定方法。
第四方面,本公开实施例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,该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的用于自动驾驶的异常事件确定方法。
第五方面,本公开实施例提供了一种包括计算机程序的计算机程序产品,该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的用于自动驾驶的异常事件确定方法。
本公开实施例提供的用于自动驾驶的异常事件确定方法,首先,获取基于目标时间点之前的行车数据确定的目标时间点的第一事件;然后,获取基于目标时间点之前和之后的行车数据确定的目标时间点的第二事件,目标时间点为行车数据采集过程中的任意时间点;接着,当第一事件与第二事件在事件内容上的差异符合预设要求时,将此时的第一事件确定为异常事件。
本公开基于离线感知结果(基于目标时间点之前和之后的行车数据进行分析)以对比的方式来确定在线感知结果(基于目标时间点之前的行车数据进行分析)中的异常部分,借助离线感知算法能够结合历史和未来的行车数据做出更准确的分析的特性,提升了确定出的异常事件的准确性。
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
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开可以应用于其中的示例性系统架构;
图2为本公开实施例提供的一种用于自动驾驶的异常事件确定方法的流程图;
图3为本公开实施例提供的另一种用于自动驾驶的异常事件确定方法的流程图;
图4为本公开实施例提供的一种异常事件使用方法的流程示意图;
图5为本公开实施例提供的一种用于自动驾驶的异常事件确定装置的结构框图;
图6为本公开实施例提供的一种适用于执行用于自动驾驶的异常事件确定方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
图1示出了可以应用本公开的用于自动驾驶的异常事件确定方法、装置、电子设备及计算机可读存储介质的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括自动驾驶车辆101、离线感知服务器102、网络103和数据挖掘服务器104。
其中,自动驾驶车辆101上设置有用于采集各式行车数据的传感器,其车载终端可以运行在线感知算法对各传感器采集到的行车数据进行实时分析,网络103用以在自动驾驶车辆101与离线感知服务器102、数据挖掘服务器104,以及数离线感知服务器102与数据挖掘服务器104之间提供通信链路的介质,网络103可以根据实际需求表现为有线、无线等各种连接类型;离线感知服务器102则可以根据收集到的全量行车数据对过程中的每个时间点结合该时间点的未来行车数据进行更准确的事后分析。数据挖掘服务器104则用于通过对在线感知算法的分析结果和离线感知算法的分析结果进行处理,找到更准确的异常事件,从结合实际需求进行筛选。
上述各部分所负责执行的操作均可以通过运行于其中的应用程序来执行,例如运行在自动驾驶车辆101上车载终端中的在线感知应用、运行在离线感知服务器102上的离线感知应用,等等。
离线感知服务器102和数据挖掘服务器104,可以表现为硬件也可以表现为软件。当离线感知服务器102和数据挖掘服务器104为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器;当离线感知服务器102和数据挖掘服务器104为软件时,可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。
以提供异常行车事件挖掘服务的数据挖掘服务器104为例,其通过运行在其上的异常数据挖掘类应用时可实现如下效果:首先,通过网络103分别从自动驾驶车辆101和离线感知服务器102中接收到第一事件和第二事件;然后,当第一事件与第二事件在事件内容上的差异符合预设要求时,将此时的第一事件确定为异常事件。进一步的,数据挖掘服务器104还可以将确定出的异常事件进行归类存储,甚至还可以用其训练深度学习模型。
需要指出的是,第一事件和第二事件除可以从自动驾驶车辆101和离线感知服务器102中实时获取到之外,也可以通过各种方式预先存储在数据挖掘服务器104本地。因此,当数据挖掘服务器104检测到本地已经存储有这些数据时(例如开始处理之前留存的待处理数据挖掘任务),可选择直接从本地获取这些数据,在此种情况下,示例性系统架构100也可以不包括自动驾驶车辆101、离线感知服务器102和网络103。
进一步的,用于得到第一事件在线感知操作也可以不由自动驾驶车辆101自行完成,也可以借助外部的其它拥有分析和运算能力的装置,例如云端数据分析服务器等。但需要明确的是,用于分析得到第一事件的在线感知操作,和用于分析得到第二事件的离线感知操作存在差异的原因,是由于在线感知操作仅使用目标时间点之前的行车数据,而离线感知操作则是在已获取到全量行车数据的情况下,同时结合目标时间点之前和之后的行车数据。
本公开后续各实施例所提供的用于自动驾驶的异常事件确定方法一般由拥有较强运算能力、较多运算资源的数据挖掘服务器104来执行,相应地,用于自动驾驶的异常事件确定装置一般也设置于数据挖掘服务器104中。
应该理解,图1中的自动驾驶车辆、离线感知服务器、网络和数据挖掘服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的自动驾驶车辆、离线感知服务器、网络和数据挖掘服务器。
请参考图2,图2为本公开实施例提供的一种用于自动驾驶的异常事件确定方法的流程图,其中流程200包括以下步骤:
步骤201:获取基于目标时间点之前的行车数据确定的目标时间点的第一事件;
本步骤旨在由用于自动驾驶的异常事件确定方法的执行主体(例如图1所示的服务器105)获取到在线感知算法对实时行车数据进行分析后得出的第一事件,在线感知算法的核心原理为:基于目标时间点之前的行车数据确定目标时间点发生的第一事件,该目标时间点可以为行车数据采集过程中的任意时间点。
步骤202:获取基于目标时间点之前和之后的行车数据确定的目标时间点的第二事件;
本步骤旨在由上述执行主体获取到离线感知算法对全量行车数据进行分析后得出的第二事件,区别于在线感知算法,离线感知算法建立在能够获取到全量行车数据的基础上,其核心原理为:基于目标时间点之前和之后的行车数据确定的目标时间点的第二事件。
第一事件和第二事件均是基于行车数据分析得到的事件,包括自动驾驶应用所面临各种实际情况所执行的各种操作、发现的各种异常、警报等等。
为加深对在线感知算法和离线感知算法的理解,此处举例说明:
假定一辆用于测试的自动驾驶车辆在外行驶一整天,途中内置在车载终端上的在线感知算法将对实时行车数据分析得到的第一事件,而离线感知算法则基于这一整天的所有行车数据进行分析得到第二事件。
以上午10:01:00这一时刻为例,第一事件包括基于对10:01:00这一时刻之前所采集到的行车数据进行分析后得到的自动驾驶操作指示,例如发现存在被间歇性遮挡的移动障碍物,并基于对其移动轨迹的预测执行了刹车操作;第二事件则包括基于10:01:00这一时刻之前和之后所采集到的行车数据进行分析后得到的自动驾驶操作指示,但后来发现该移动障碍物很快自行停止,因此不需再采取刹车操作。那么经对比发现,第一事件和第二事件在相同的时间点给出了不同的操作指示,是因为该移动障碍物被间歇性遮挡造成了在线感知算法的误判,而在能够获取到未来行车数据的情况下则消除了因遮挡造成的误判。形象的来说,在线感知算法相当于实时分析,离线感知算法相当于事后分析。
需要说明的是,流程200中虽然将步骤202置于步骤201之后,但步骤201与步骤202之间并不依赖和因果关系,仅为一种采用依次执行两步骤分别得到两个结果的表示方式,在可以同时执行多个步骤时,也可以将步骤201和步骤202表示为并列的执行顺序。
步骤203:响应于第一事件与第二事件在事件内容上的差异符合预设要求时,将第一事件确定为异常事件;
在分别通过步骤201和步骤202获取到第一事件和第二事件的基础上,本步骤旨在将在事件内容上与第二事件存在差异且差异符合预设要求的第一事件,确定为异常事件。
基于上面对得到第二事件所采用的离线感知算法的机制的描述可知,第二事件相当于事后分析得到的,因此准确性通常得以有效保障。因此,同一时间点上与第二事件的时间内容不同的第一事件,应当可以判断出是在线感知算法因无法获取到未来数据所呈现的差异,例如误判、下发了不正确的操作指示等。
其中,此处所指的异常事件对应两个条件,其一,第一事件的事件内容与第二事件的事件内容存在差异;其二,存在的差异符合预设要求。也就是说,并非所有存在差异的第一事件都属于异常事件,而是所有存在差异中的差异符合要求的部分第一事件才能够被称为异常事件。换句话来说,若所有存在差异的第一事件被称为异常事件,那么其中差异符合预设要求的部分则可以被称为目标异常事件或高价值异常事件。即有目的从中筛选出当前关注的、有需求或者重要的部分。
具体的,以尽可能筛选出对乘客乘车体验影响较大位列,该预设要求可以包括以下至少一项:预测碰撞时间的时间差大于预设时间差、车道变更指令所指示的变更幅度大于预设幅度、刹车耗时的时间差大于预设时长。其中,异常事件与第二时间如果在各自预测的碰撞时间的差异较大,也就意味着自动驾驶车辆可能会在在线感知算法的控制下进行急刹车或急转弯,会极大的影响用户的乘车体验,车道变更幅度也是类似。
本公开实施例提供的用于自动驾驶的异常事件确定方法,基于离线感知结果(基于目标时间点之前和之后的行车数据进行分析)以对比的方式来确定在线感知结果(基于目标时间点之前的行车数据进行分析)中的异常部分,借助离线感知算法能够结合历史和未来的行车数据做出更准确的分析的特性,提升了确定出的异常事件的准确性。
请参考图3,图3为本公开实施例提供的另一种用于自动驾驶的异常事件确定方法的流程图,其中流程300包括以下步骤:
步骤301:获取基于目标时间点之前的行车数据确定的目标时间点的第一事件;
步骤302:获取基于目标时间点之前和之后的行车数据确定的目标时间点的第二事件;
以上步骤301-302与如图2所示的步骤201-202一致,相同部分内容请参见上一实施例的相应部分,此处不再进行赘述。
步骤303:将对应于相同时间点的第二事件和第一事件生成关联事件组;
本步骤旨在以时间点为关联点,将对应相同时间点的第二事件和第一事件组织成关联事件组,以事件组的形式不仅方便正确存储,也便于后续调用。其中,关联事件组中的第一事件和第二事件的关联本质上属于形成了一个对应关系,该对应关系可以具体表示为键值对、正则表达式等形式。
步骤304:根据属于同一关联事件组中的第一事件和第二事件的事件内容,确定事件内容的差异是否符合预设要求;
在步骤303的基础上,本步骤旨在由上述执行主体以关联事件组为单位,分别判断每个关联事件组中的第一事件与第二事件的事件内容是否相同,并将不同且不同程度符合预设要求的第一事件确定为异常事件。
步骤305:将与第二事件的事件内容存在符合预设要求的差异的第一事件,确定为异常事件。
即本步骤建立在第一事件与第二事件在事件内容上存在差异、且差异符合预设要求的情况下,此时将符合这种情况的第一事件确定为异常事件。
为加深对步骤304具体如何判别差异,以及不同的事件内容差异将具体确定出何种的异常事件,此处还通过下述例子进行展开说明,该例子提供了一种急刹异常事件的确定方式,包括如下步骤:
获取第一事件所指示刹车操作对应的第一刹车耗时;
获取第二事件所指示刹车操作对应的第二刹车耗时;
响应于在分别执行刹车操作后均未产生碰撞事件、且第一刹车耗时与第二刹车耗时的时间差大于预设时长,将第一事件确定为急刹异常事件。
上述例子比较的是刹车耗时之间的差异,以及该差异对应的时长差是否大于预设时长,即获取到第一事件和第二事件分别指示进行的刹车操作的刹车耗时,并在均未产生碰撞事件但第一刹车耗时明显差别与第二刹车耗时的情况,判别出第一事件所指示的刹车操作存在刹车过急(一般不会存在刹车过缓的情况)的情况,而此种操作会明显影响乘客的乘车体验,为尽可能的提升乘客的乘车体验,将此类异常事件确定为目标异常时间筛选出来无疑有助于进行针对性的解决。
上述例子中的第二事件也指示进行刹车操作,但考虑到也可能存在第二事件根本就未指示进行刹车操作的情况,还可以在第二事件未指示进行刹车操作时,将第一事件确定为错误事件,以通过错误事件纠正在线感知算法。
在上述任意实施例的基础上,考虑到如何让挖掘出的目标异常事件更加充分发挥作用,本公开通过图4提供了两种具体的使用方式,其流程400包括如下步骤:
步骤401:获取异常事件;
步骤402:将异常事件作为训练样本训练预设的异常诊断模型;
本分支给出的使用方式为将异常事件作为此类异常的针对性训练样本来训练异常诊断模型,从而借助训练好的异常诊断模型更高效的识别此类异常。以上面具体给出的急刹异常事件为例,可训练出相对应的急刹异常诊断模型,以尽可能的通过精准识别存在的错误急刹现象来减少不必要的急刹对乘客乘车体验的影响。
步骤403:利用标注有正确结果的异常事件更新在线感知算法。
本分支给出的使用方式为将标注有正确结果的异常事件作为算法更新数据来更新在线感知算法的算法细节,以期通过更新尽量减少同类型异常事件的发生几率、提升在线感知的准确性。
为加深理解,本公开还结合一个具体应用场景,给出了一种具体的实现方案:
假定将离线感知算法分析出的第二事件作为“正确答案”、将在线感知算法分析出的第一时间作为“实际答案”,并通过比对发现与“正确答案”不同的“实际答案”数为10000个。
在此基础上,结合尽量减少急刹车、急转弯的乘客乘车体验提升需求,设定单位时间速度降幅大于预设幅度、单位时间内角速度变换程度大于预设角度为筛选的预设要求,从10000个的全量异常事件中,供筛选出单位时间速度降幅大于预设幅度的200个,单位时间内角速度变换程度大于预设角度的400个;
以200个存在单位时间速度降幅大于预设幅度问题的异常事件作为第一训练样本,训练得到急刹车诊断模型;
以400个存在单位时间内角速度变换程度大于预设角度问题的异常事件作为第二训练样本,训练得到急转弯诊断模型。
可以看出,相比于原先的全量10000个异常事件,基于实际需求筛选出的200/400个不仅减少了样本数量,也提升了针对性,得以让后续操作更加聚焦于关注的异常。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于自动驾驶的异常事件确定装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于自动驾驶的异常事件确定装置500可以包括:在线感知单元501、离线感知单元502、异常事件确定单元503。其中,在线感知单元501,被配置成利用目标时间点之前的行车数据确定目标时间点的第一事件;离线感知单元502,被配置成利用目标时间点之前和之后的行车数据确定目标时间点的第二事件,目标时间点为行车数据采集过程中的任意时间点;异常事件确定单元503,被配置成响应于第一事件与第二事件在事件内容上的差异符合预设要求,将第一事件确定为异常事件。
在本实施例中,用于自动驾驶的异常事件确定装置500中:在线感知单元501、离线感知单元502、异常事件确定单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-203的相关说明,在此不再赘述
在本实施例的一些可选的实现方式中,用于自动驾驶的异常事件确定装置500还可以包括:
关联事件组生成单元,被配置成在将对应相同时间点且事件内容不同的第一事件确定为异常事件之前,将对应于相同时间点的第二事件和第一事件生成关联事件组;
组内事件差异内容确定单元,被配置成根据属于同一关联事件组中的第一事件和第二事件的事件内容,确定事件内容的差异是否符合预设要求。
在本实施例的一些可选的实现方式中,预设要求包括以下至少一项:预测碰撞时间的时间差大于预设时间差、车道变更指令所指示的变更幅度大于预设幅度、刹车耗时的时间差大于预设时长。
在本实施例的一些可选的实现方式中,响应于预设要求包括刹车耗时的时间差大于预设时长,异常事件确定单元被进一步配置成:
获取第一事件所指示刹车操作对应的第一刹车耗时;
获取第二事件所指示刹车操作对应的第二刹车耗时;
响应于在分别执行刹车操作后均未产生碰撞事件、且第一刹车耗时与第二刹车耗时的时间差大于预设时长,将第一事件确定为急刹异常事件。
在本实施例的一些可选的实现方式中,用于自动驾驶的异常事件确定装置中还可以包括:
错误事件确定单元,被配置成响应于在异常事件所处时间点对应的第二事件未指示进行刹车操作,将第一事件确定为错误事件。
在本实施例的一些可选的实现方式中,用于自动驾驶的异常事件确定装置中还可以包括:
异常诊断模型训练单元,被配置成将异常事件作为训练样本训练预设的异常诊断模型;
或
在线感知算法更新单元,被配置成利用标注有正确结果的异常事件更新在线感知算法,在线感知算法利用目标时间点之前的行车数据确定目标时间点发生的第一事件,对应的,利用目标时间点之前和之后的行车数据确定目标时间点的第二事件的算法为离线感知算法。
本实施例作为对应于上述方法实施例的装置实施例存在,本实施例提供的用于自动驾驶的异常事件确定装置,基于离线感知结果(基于目标时间点之前和之后的行车数据进行分析)以对比的方式来确定在线感知结果(基于目标时间点之前的行车数据进行分析)中的异常部分,借助离线感知算法能够结合历史和未来的行车数据做出更准确的分析的特性,提升了确定出的异常事件的准确性。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600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/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理,例如用于自动驾驶的异常事件确定方法。例如,在一些实施例中,用于自动驾驶的异常事件确定方法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608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的用于自动驾驶的异常事件确定方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行用于自动驾驶的异常事件确定方法。
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。
用于实施本公开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。
在本公开的上下文中,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,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大,业务扩展性弱的缺陷。
本公开基于离线感知结果(基于目标时间点之前和之后的行车数据进行分析)以对比的方式来确定在线感知结果(基于目标时间点之前的行车数据进行分析)中的异常部分,借助离线感知算法能够结合历史和未来的行车数据做出更准确的分析的特性,提升了确定出的异常事件的准确性。
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 (12)
1.一种用于自动驾驶的异常事件确定方法,包括:
获取基于目标时间点之前的行车数据确定的目标时间点的第一事件;
获取基于所述目标时间点之前和之后的行车数据确定的目标时间点的第二事件,所述目标时间点为行车数据采集过程中的任意时间点;
响应于所述第一事件与所述第二事件在事件内容上的差异符合预设要求,将所述第一事件确定为异常事件;其中,所述预设要求包括以下至少一项:预测碰撞时间的时间差大于预设时间差、车道变更指令所指示的变更幅度大于预设幅度、刹车耗时的时间差大于预设时长。
2.根据权利要求1所述的异常事件确定方法,还包括:
将对应于相同时间点的第二事件和第一事件生成关联事件组;
根据属于同一所述关联事件组中的第一事件和第二事件的事件内容,确定事件内容的差异是否符合所述预设要求。
3.根据权利要求1所述的异常事件确定方法,其中,响应于所述预设要求包括所述刹车耗时的时间差大于预设时长,将与所述第二事件的事件内容存在符合预设要求的差异的第一事件,确定为异常事件,包括:
获取所述第一事件所指示刹车操作对应的第一刹车耗时;
获取所述第二事件所指示刹车操作对应的第二刹车耗时;
响应于在分别执行刹车操作后均未产生碰撞事件、且所述第一刹车耗时与所述第二刹车耗时的时间差大于预设时长,将所述第一事件确定为急刹异常事件。
4.根据权利要求3所述的异常事件确定方法,还包括:
响应于在所述第二事件未指示进行刹车操作,将所述第一事件确定为错误事件。
5.根据权利要求1-4任一项所述的异常事件确定方法,还包括:
将所述异常事件作为训练样本训练预设的异常诊断模型;
或
利用标注有正确结果的异常事件更新在线感知算法,所述在线感知算法利用所述目标时间点之前的行车数据确定所述目标时间点发生的第一事件,对应的,利用所述目标时间点之前和之后的行车数据确定所述目标时间点的第二事件的算法为离线感知算法。
6.一种用于自动驾驶的异常事件确定装置,包括:
在线感知结果获取单元,被配置成获取基于目标时间点之前的行车数据确定的目标时间点的第一事件;
离线感知结果获取单元,被配置成获取基于所述目标时间点之前和之后的行车数据确定的目标时间点的第二事件,所述目标时间点为行车数据采集过程中的任意时间点;
异常事件确定单元,被配置成响应于所述第一事件与所述第二事件在事件内容上的差异符合预设要求,将所述第一事件确定为异常事件;其中,所述预设要求包括以下至少一项:预测碰撞时间的时间差大于预设时间差、车道变更指令所指示的变更幅度大于预设幅度、刹车耗时的时间差大于预设时长。
7.根据权利要求6所述的异常事件确定装置,还包括:
关联事件组生成单元,被配置成在将对应相同时间点且事件内容不同的第一事件确定为异常事件之前,将对应于相同时间点的第二事件和第一事件生成关联事件组;
组内事件差异内容确定单元,被配置成根据属于同一所述关联事件组中的第一事件和第二事件的事件内容,确定事件内容的差异是否符合所述预设要求。
8.根据权利要求6所述的异常事件确定装置,其中,响应于所述预设要求包括所述刹车耗时的时间差大于预设时长,所述异常事件确定单元被进一步配置成:
获取所述第一事件所指示刹车操作对应的第一刹车耗时;
获取所述第二事件所指示刹车操作对应的第二刹车耗时;
响应于在分别执行刹车操作后均未产生碰撞事件、且所述第一刹车耗时与所述第二刹车耗时的时间差大于预设时长,将所述第一事件确定为急刹异常事件。
9.根据权利要求8所述的异常事件确定装置,还包括:
错误事件确定单元,被配置成响应于在所述异常事件所处时间点对应的第二事件未指示进行刹车操作,将所述第一事件确定为错误事件。
10.根据权利要求6-9任一项所述的异常事件确定装置,还包括:
异常诊断模型训练单元,被配置成将所述异常事件作为训练样本训练预设的异常诊断模型;
或
在线感知算法更新单元,被配置成利用标注有正确结果的异常事件更新在线感知算法,所述在线感知算法利用所述目标时间点之前的行车数据确定所述目标时间点发生的第一事件,对应的,利用所述目标时间点之前和之后的行车数据确定所述目标时间点的第二事件的算法为离线感知算法。
11.一种电子设备,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1-5中任一项所述的用于自动驾驶的异常事件确定方法。
12.一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1-5中任一项所述的用于自动驾驶的异常事件确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110474034.4A CN113177077B (zh) | 2021-04-29 | 2021-04-29 | 用于自动驾驶的异常事件确定方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110474034.4A CN113177077B (zh) | 2021-04-29 | 2021-04-29 | 用于自动驾驶的异常事件确定方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113177077A CN113177077A (zh) | 2021-07-27 |
CN113177077B true CN113177077B (zh) | 2023-09-26 |
Family
ID=76925273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110474034.4A Active CN113177077B (zh) | 2021-04-29 | 2021-04-29 | 用于自动驾驶的异常事件确定方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177077B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109448373A (zh) * | 2018-11-09 | 2019-03-08 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
WO2019047593A1 (zh) * | 2017-09-05 | 2019-03-14 | 百度在线网络技术(北京)有限公司 | 处理自动驾驶训练数据的方法和装置 |
CN111311914A (zh) * | 2020-02-26 | 2020-06-19 | 广州小鹏汽车科技有限公司 | 车辆行驶事故监控方法、装置和车辆 |
CN111724615A (zh) * | 2020-06-18 | 2020-09-29 | 北京百度网讯科技有限公司 | 用于控制车辆的方法、装置、设备以及存储介质 |
CN112419722A (zh) * | 2020-11-18 | 2021-02-26 | 百度(中国)有限公司 | 交通异常事件检测方法、交通管控方法、设备和介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11410048B2 (en) * | 2019-05-17 | 2022-08-09 | Honda Motor Co., Ltd. | Systems and methods for anomalous event detection |
-
2021
- 2021-04-29 CN CN202110474034.4A patent/CN113177077B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019047593A1 (zh) * | 2017-09-05 | 2019-03-14 | 百度在线网络技术(北京)有限公司 | 处理自动驾驶训练数据的方法和装置 |
CN109448373A (zh) * | 2018-11-09 | 2019-03-08 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN111311914A (zh) * | 2020-02-26 | 2020-06-19 | 广州小鹏汽车科技有限公司 | 车辆行驶事故监控方法、装置和车辆 |
CN111724615A (zh) * | 2020-06-18 | 2020-09-29 | 北京百度网讯科技有限公司 | 用于控制车辆的方法、装置、设备以及存储介质 |
CN112419722A (zh) * | 2020-11-18 | 2021-02-26 | 百度(中国)有限公司 | 交通异常事件检测方法、交通管控方法、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113177077A (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3940665A1 (en) | Detection method for traffic anomaly event, apparatus, program and medium | |
US20220035733A1 (en) | Method and apparatus for checking automatic driving algorithm, related device and storage medium | |
CN114415628A (zh) | 自动驾驶测试方法及装置、电子设备和存储介质 | |
CN113704116A (zh) | 自动驾驶车辆的数据处理方法、装置、电子设备和介质 | |
CN113011323B (zh) | 通行状态的获取方法、相关装置、路侧设备及云控平台 | |
CN113129596B (zh) | 行驶数据处理方法、装置、设备、存储介质及程序产品 | |
CN115437338A (zh) | 远程诊断方法及装置、电子设备和存储介质 | |
CN115437339A (zh) | 远程诊断方法及装置、电子设备和存储介质 | |
CN112116154A (zh) | 数据处理方法、数据处理装置、存储介质和电子设备 | |
EP4024362A2 (en) | Method and apparatus of failure monitoring for signal lights, electronic device and storage medium | |
CN112991735B (zh) | 交通流量监测系统的测试方法、装置及设备 | |
CN113177077B (zh) | 用于自动驾驶的异常事件确定方法、装置及电子设备 | |
EP3989201B1 (en) | Light state data processing method, apparatus and system | |
CN109032853B (zh) | 用于控制fpga卡组的方法和装置 | |
CN111563046B (zh) | 用于生成信息的方法和装置 | |
CN114416518A (zh) | 测试用例指标的验证方法及装置、电子设备和存储介质 | |
EP3716248A1 (en) | Systems and methods for dynamically detecting moving object trajectory conflict using estimated times of arrival | |
CN114218504A (zh) | 阻断路段识别方法、装置、电子设备及存储介质 | |
CN113386797A (zh) | 用于控制自动驾驶车辆的方法、装置、设备、介质和产品 | |
US20220126860A1 (en) | Method and apparatus for processing autonomous driving simulation data, and electronic device | |
CN116149304B (zh) | 一种车辆诊断系统、方法、设备及存储介质 | |
CN116476851B (zh) | 一种车辆数据的处理方法、装置、电子设备及存储介质 | |
CN113963322B (zh) | 一种检测模型训练方法、装置及电子设备 | |
CN116749965A (zh) | 一种车速规划方法、装置、电子设备及存储介质 | |
CN115587300A (zh) | 一种车辆风险评价方法、装置、设备及介质 |
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 |