CN113297667B - 一种智能驾驶数据闭环的方法及系统 - Google Patents
一种智能驾驶数据闭环的方法及系统 Download PDFInfo
- Publication number
- CN113297667B CN113297667B CN202110484833.XA CN202110484833A CN113297667B CN 113297667 B CN113297667 B CN 113297667B CN 202110484833 A CN202110484833 A CN 202110484833A CN 113297667 B CN113297667 B CN 113297667B
- Authority
- CN
- China
- Prior art keywords
- target data
- data
- platform
- local server
- scene
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 114
- 238000012360 testing method Methods 0.000 claims abstract description 103
- 238000004088 simulation Methods 0.000 claims abstract description 97
- 238000012549 training Methods 0.000 claims abstract description 71
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000002372 labelling Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims description 20
- 238000011161 development Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 19
- 230000008447 perception Effects 0.000 claims description 13
- 230000003068 static effect Effects 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 8
- 238000013439 planning Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 abstract description 6
- 238000010276 construction Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000013523 data management Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- 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
- H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
-
- 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
-
- 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
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Aviation & Aerospace Engineering (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种智能驾驶数据闭环的方法及系统,其包括以下步骤:从预设场景中提取目标数据上传至云端数据平台;周期性访问所述云端数据平台,将所述云端数据平台中新增的所述目标数据下载至本地服务器,并在所述本地服务器对所述目标数据进行标注或者对所述目标数据进行处理形成仿真测试场景;使用标注后的所述目标数据在所述本地服务器进行算法训练,或者使用所述仿真测试场景在所述本地服务器进行自动化仿真测试。本发明涉及一种智能驾驶数据闭环的方法及系统,可以使用本地服务器上的软件对目标数据进行标注和算法训练,以及对目标数据进行处理和仿真测试,初建和运维投入成本较低,不会出现软件与云平台不兼容的现象。
Description
技术领域
本发明涉及智能驾驶技术领域,特别涉及一种智能驾驶数据闭环的方法及系统。
背景技术
目前,智能化是汽车行业发展的重要趋势,智能驾驶车辆是具有自主行驶能力的车辆,除了能够完成常规的汽车驾驶动作外,还具有针对交通场景的环境感知、行为决策、运动规划、车辆控制、自动避障等类人行为能力。在车辆运行过程中,通过对车端数据的采集,然后用于测试和训练,可以驱动智能驾驶算法升级迭代。
相关技术中,目前,多个公司都在主推通过云端数据闭环方案来实现算法的训练和升级迭代,其主要是通过将数据采集到云端,并将相应的感知训练算法软件和仿真测试软件部署到云端,从而在云端实现算法训练和智能驾驶仿真测试功能。
但是,将感知训练算法软件和仿真测试软件部署到云端进行算法训练和测试的方式需要在云端搭建云训练、云测试等环境,初建和运维投入成本较高,同时,部分软件不支持云平台部署,导致部分工作需要转移到线下开展,影响算法训练和测试的效率。
因此,有必要设计一种新的智能驾驶数据闭环的方法及系统,以克服上述问题。
发明内容
本发明实施例提供一种智能驾驶数据闭环的方法及系统,以解决相关技术中在云端搭建云训练、云测试等环境,初建和运维投入成本较高,同时,部分软件不支持云平台部署,导致部分工作需要转移到线下开展,影响算法训练和测试效率的问题。
第一方面,提供了一种智能驾驶数据闭环的方法,其包括以下步骤:从预设场景中提取目标数据上传至云端数据平台;周期性访问所述云端数据平台,将所述云端数据平台中新增的所述目标数据下载至本地服务器,并在所述本地服务器对所述目标数据进行标注或者对所述目标数据进行处理形成仿真测试场景;使用标注后的所述目标数据在所述本地服务器进行算法训练,或者使用所述仿真测试场景在所述本地服务器进行自动化仿真测试。
一些实施例中,所述从预设场景中提取目标数据上传至云端数据平台,包括:根据车端设定的边缘算法,按照预设条件筛选出所述预设场景;从所述预设场景中提取所述目标数据,并通过车联网将所述目标数据上传至云端数据平台。
一些实施例中,在所述从预设场景中提取目标数据上传至云端数据平台之后,还包括:所述云端数据平台对所述目标数据打上时间标签并进行分类管理。
一些实施例中,所述周期性访问所述云端数据平台,将所述云端数据平台中新增的所述目标数据下载至本地服务器,并在所述本地服务器对所述目标数据进行标注或者对所述目标数据进行处理形成仿真测试场景,包括:本地服务器周期性访问所述云端数据平台,根据所述目标数据的时间标签识别出新增的所述目标数据,将新增的所述目标数据下载至所述本地服务器,并在所述本地服务器对所述目标数据进行标注;本地服务器周期性访问所述云端数据平台,根据所述目标数据的时间标签识别出新增的所述目标数据,将新增的所述目标数据下载至所述本地服务器,并在所述本地服务器对所述目标数据进行处理形成仿真测试场景。
一些实施例中,所述在所述本地服务器对所述目标数据进行标注,包括:对所述目标数据进行抽帧,并对抽出的所述目标数据进行预标注;对预标注后的所述目标数据进行人工标注和人工质检。
一些实施例中,所述在所述本地服务器对所述目标数据进行处理形成仿真测试场景,包括:根据所述目标数据中的车辆速度、交通参与者与车辆的相对速度、以及交通参与者的类型,生成交通流文件;根据所述目标数据中的道路信息、GPS位置点,结合高精度地图生成静态场景文件;根据生成的所述交通流文件和所述静态场景文件形成仿真测试场景。
一些实施例中,周期性访问所述云端数据平台,将所述云端数据平台中新增的所述目标数据下载至本地服务器,并在所述本地服务器对所述目标数据进行标注之后,还包括:将标注后的所述目标数据上传至所述云端数据平台的标注数据集,所述标注数据集至少包括训练集和算法评估数据集。
一些实施例中,所述使用标注后的所述目标数据在所述本地服务器进行算法训练,包括:在所述本地服务器上部署算法训练环境;将日志文件中的已训练数据信息与所述训练集中的数据信息进行对比,选出待训练的所述目标数据;将待训练的所述目标数据导入所述算法训练环境中进行算法训练;使用所述算法评估数据集进行算法评估,并生成评估报告。
第二方面,提供了一种智能驾驶数据闭环的系统,其包括:采集车辆,其用于从预设场景中提取目标数据上传至云端数据平台;数据标注平台,其用于周期性访问所述云端数据平台,将所述云端数据平台中新增的所述目标数据下载至本地,并对所述目标数据进行标注;场景提取平台,其用于周期性访问所述云端数据平台,将所述云端数据平台中新增的所述目标数据下载至本地,并对所述目标数据进行处理形成仿真测试场景;算法训练平台,其用于使用标注后的所述目标数据进行算法训练;仿真测试平台,其用于使用所述仿真测试场景进行自动化仿真测试。
一些实施例中,所述系统还包括:算法开发平台,其用于开发感知算法,并将感知算法发送至所述算法训练平台,或者用于开发决策规划控制算法,并将决策规划控制算法发送至所述仿真测试平台。
本发明提供的技术方案带来的有益效果包括:
本发明实施例提供了一种智能驾驶数据闭环的方法及系统,由于从预设场景中提取的目标数据存储于云端数据平台,使用目标数据时,可以将云端数据平台中新增的目标数据下载至本地服务器,在本地服务器中对目标数据进行标注,并且可以在本地服务器使用标注后的目标数据进行算法训练,在本地服务器对目标数据进行处理可以形成仿真测试场景,并且可以在本地服务器使用仿真测试场景进行仿真测试,因此,不需要将算法训练软件和仿真测试软件部署到云端,可以使用本地服务器上的软件对目标数据进行标注和算法训练,以及对目标数据进行处理和仿真测试,初建和运维投入成本较低,不会出现软件与云平台不兼容的现象。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明实施例提供的一种智能驾驶数据闭环的系统的示意图;
图2为本发明实施例提供的一种智能驾驶数据闭环的系统的算法开发平台的示意图;
图3为本发明实施例提供的一种智能驾驶数据闭环的系统的场景提取平台的示意图;
图4为本发明实施例提供的一种智能驾驶数据闭环的系统的数据标注平台的示意图;
图5为本发明实施例提供的一种智能驾驶数据闭环的系统的算法训练平台的示意图;
图6为本发明实施例提供的一种智能驾驶数据闭环的系统的仿真测试平台的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中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的一部分实施例,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的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。
本发明实施例提供了一种智能驾驶数据闭环的方法及系统,其能解决相关技术中在云端搭建云训练、云测试等环境,初建和运维投入成本较高,同时,部分软件不支持云平台部署,导致部分工作需要转移到线下开展,影响算法训练和测试效率的问题。
本发明实施例提供的一种智能驾驶数据闭环的方法,其可以包括以下步骤:
步骤101:从预设场景中提取目标数据上传至云端数据平台。
步骤102:周期性访问所述云端数据平台,将所述云端数据平台中新增的所述目标数据下载至本地服务器,并在所述本地服务器对所述目标数据进行标注或者对所述目标数据进行处理形成仿真测试场景。
步骤103:使用标注后的所述目标数据在所述本地服务器进行算法训练,或者使用所述仿真测试场景在所述本地服务器进行自动化仿真测试。
以下结合具体实施例作进一步详细说明。
在一些实施例中,本发明实施例提供的一种智能驾驶数据闭环的方法可以用于感知算法训练,其具体步骤如下:
步骤201:从预设场景中提取目标数据上传至云端数据平台。
进一步,于步骤201中,所述从预设场景中提取目标数据上传至云端数据平台,可以包括:根据车端设定的边缘算法,按照预设条件筛选出所述预设场景,所述预设场景优选有价值的感知场景;从所述预设场景中提取所述目标数据,其中目标数据可以是视频或者图片数据,并通过车联网将所述目标数据上传至云端数据平台进行保存。
在一些实施例中,于步骤201之后,在所述从预设场景中提取目标数据上传至云端数据平台之后,还可以包括:所述云端数据平台对所述目标数据打上时间标签并进行分类管理,按大类分可以有感知数据管理、功能场景数据管理;其中感知数据也可以细分为普通感知数据、误识别数据、漏识别数据,普通感知数据、误识别数据或者漏识别数据还可以继续往下按目标物进行细分,如红绿灯、行人、非机动车、道路标线等等;场景数据也可以按场景来分类管理,具体分类可以包括跟车、循线行驶、左转、右转、简单变道等等。
步骤202:周期性访问所述云端数据平台,将所述云端数据平台中新增的所述目标数据下载至本地服务器,并在所述本地服务器对所述目标数据进行标注。
具体的,于步骤202中,所述周期性访问所述云端数据平台,将所述云端数据平台中新增的所述目标数据下载至本地服务器,并在所述本地服务器对所述目标数据进行标注,可以包括:本地服务器周期性访问所述云端数据平台,也即本地服务器上设有可以周期性访问云端数据平台的软件,根据所述目标数据的时间标签可以识别出新增的所述目标数据,然后可以将新增的所述目标数据下载至所述本地服务器,并在所述本地服务器对所述目标数据进行标注。
进一步,于步骤202中,所述在所述本地服务器对所述目标数据进行标注,可以包括:对所述目标数据进行抽帧,例如:对于通过隧道的场景,由于场景变化较小(每帧数据的特征接近),采用固定步长的方式进行抽帧,如在每间隔20帧抽取一帧;对于通过识别红绿灯的场景,会通过算法分别抽取整个数据流中若干帧的红灯状态、绿灯状态、黄灯状态的数据;抽帧完成之后,可以对抽出的所述目标数据进行预标注,也即通过自动化的程序对所述目标数据进行标注,其中,标注内容可以包括行人、车辆、红绿灯等交通静态参与者和交通动态参与者;预标注完成之后可以将所述目标数据流转到标注工具端,对预标注后的所述目标数据进行人工标注流程,然后可以对人工标注完成的目标数据进行人工质检。
在一些可选的实施例中,于步骤202之后,还可以包括:将标注完成且质检通过的目标数据上传至所述云端数据平台的标注数据集进行统一存储和管理,其中,所述标注数据集至少包括训练集和算法评估数据集,将上述质检通过的目标数据随机抽取90%存储至训练集(其中,训练集中可以既包括已经训练过的目标数据,也包括未训练过的目标数据),10%存储至算法评估数据集。
步骤203:使用标注后的所述目标数据在所述本地服务器进行算法训练。
进一步,所述使用标注后的所述目标数据在所述本地服务器进行算法训练,可以包括:算法开发人员在所述本地服务器上部署算法训练环境;本地服务器上的程序通过访问log文件(也就是日志文件),可以获知日志文件中记录的算法训练时间,以及已完成训练的数据信息,将日志文件中的已训练数据信息与所述训练集中的数据信息进行对比,可以筛选出待训练的所述目标数据(也就是所述训练集中没有经过训练的目标数据),对于新的算法训练模型,无log文件,则将训练集中的全部目标数据下载至本地服务器;将待训练的所述目标数据导入所述算法训练环境中进行算法训练;当完成所有训练并且达到预设的时间节点时,本地服务器访问云端数据平台,下载算法评估数据集的全集,并使用所述算法评估数据集进行算法评估,生成评估报告。
在一些实施例中,于步骤203之后,根据评估报告,如果评估报告显示感知识别率指标达成预期值,算法人员可以对模型进行算法剪枝和加速等处理,处理完成后再进行一轮精度评估,当精度损失在可接受范围内时,可上传至云端数据平台,用于车辆OTA(Over-the-Air Technology,空中下载技术)升级。
在另一些实施例中,本发明实施例提供的一种智能驾驶数据闭环的方法还可以用于规划决策算法测试和迭代,其具体步骤如下:
步骤301:从预设场景中提取目标数据上传至云端数据平台。
进一步,于步骤301中,所述从预设场景中提取目标数据上传至云端数据平台,可以包括:根据车端设定的边缘算法,按照预设条件筛选出所述预设场景,所述预设场景可以包括特定条件场景和功能失效场景;从所述预设场景中提取所述目标数据,其中目标数据可以是视频和感知融合后的数据,并通过车联网将所述目标数据上传至云端数据平台进行保存。
在一些实施例中,于步骤301之后,在所述从预设场景中提取目标数据上传至云端数据平台之后,还可以包括:所述云端数据平台对所述目标数据打上时间标签并进行分类管理。
步骤302:周期性访问所述云端数据平台,将所述云端数据平台中新增的所述目标数据下载至本地服务器,并在所述本地服务器对所述目标数据进行处理形成仿真测试场景。
在一些实施例中,于步骤302中,所述周期性访问所述云端数据平台,将所述云端数据平台中新增的所述目标数据下载至本地服务器,并在所述本地服务器对所述目标数据进行处理形成仿真测试场景,可以包括:本地服务器周期性访问所述云端数据平台,具体的,本地设置场景提取平台,场景提取平台的服务器上设置可以周期性访问所述云端数据平台的软件,根据所述目标数据的时间标签识别出新增的所述目标数据,将新增的所述目标数据下载至所述本地服务器,并在所述本地服务器对所述目标数据进行处理形成仿真测试场景。
进一步,所述在所述本地服务器对所述目标数据进行处理形成仿真测试场景,可以包括以下步骤:根据所述目标数据中的本车辆速度、交通参与者与本车辆的相对速度、以及交通参与者的类型,通过仿真场景生成软件生成OpenScenario格式的交通流文件;根据所述目标数据中的道路信息、GPS位置点,结合高精度地图通过仿真场景生成软件生成OpenDrive格式的静态场景文件;根据一组数据处理生成的一组所述交通流文件和一组所述静态场景文件形成一组场景。
进一步,于步骤302之后,还可以包括将处理好的所述仿真测试场景上传至云端数据平台,进行统一存储和管理。
步骤303:使用所述仿真测试场景在所述本地服务器进行自动化仿真测试。
在一些实施例中,于步骤303中,所述使用所述仿真测试场景在所述本地服务器进行自动化仿真测试,可以包括:算法开发人员可以通过局域网内的客户端登录算法开发平台,通过算法开发平台将用于仿真的算法发布到本地的仿真测试平台用于仿真测试,其中仿真测试平台可以包括测试应用CPU服务器和场景仿真应用GPU服务器,同时,场景仿真应用GPU服务器上部署有场景仿真软件,测试应用CPU服务器上部署有车辆动力学软件、交通流生成软件、自动化测试管理软件;算法开发人员可以通过客户端访问云端数据平台,并将所述仿真测试场景下载到本地的仿真测试平台,自动化测试管理软件可以调度车辆动力学软件、交通流生成软件和场景仿真软件,并使用所述仿真测试场景进行自动化仿真测试,生成测试报告。
进一步,于步骤303之后,算法开发人员可以根据仿真测试结果对仿真算法进行迭代,当确定算法能够通过所有仿真测试场景时,将仿真算法传递到场地和道路测试环节,场地和道路测试通过后,上传车联网云端数据平台,用于车辆OTA升级。
参见图1所示,本发明实施例还提供了一种智能驾驶数据闭环的系统,其可以包括:采集车辆,其用于从预设场景中提取目标数据上传至云端数据平台;数据标注平台,其用于周期性访问所述云端数据平台,将所述云端数据平台中新增的所述目标数据下载至本地,也即下载至数据标注平台中,并在所述数据标注平台对所述目标数据进行标注;场景提取平台,其用于周期性访问所述云端数据平台,将所述云端数据平台中新增的所述目标数据下载至本地也即下载至场景提取平台,并在所述场景提取平台对所述目标数据进行处理形成仿真测试场景,本实施例中,系统中既存在场景提取平台又存在数据标注平台,在其他实施例中,所述系统中既可以存在场景提取平台,没有场景提取平台的情形,也可以存在数据标注平台,没有场景提取平台的情形;算法训练平台,其用于使用标注后的所述目标数据在本地进行算法训练;仿真测试平台,其用于使用所述仿真测试场景在本地进行自动化仿真测试,本实施例中,系统既存在算法训练平台又存在仿真测试平台,在其他实施例中,所述系统中既可以存在算法训练平台,没有仿真测试平台的情形,也可以存在仿真测试平台,没有算法训练平台的情形;所述数据标注平台与所述算法训练平台并存于所述系统中,所述场景提取平台与所述仿真测试平台并存于所述系统中,也就是说,当系统中存在数据标注平台时,系统中也存在算法训练平台,使得算法训练平台和数据标注平台能够联合使用进行算法训练,当系统中存在场景提取平台时,系统中也存在仿真测试平台,使得场景提取平台与仿真测试平台能够联合使用进行仿真测试,本系统按工作内容划分为不同的工作平台,使得应用部署更合理,工作更加高效,在成本不提升的情况下,提高了效率。
进一步,所述系统还可以包括:算法开发平台,其用于开发感知算法,并将感知算法发送至所述算法训练平台,或者用于开发决策规划控制算法,并将决策规划控制算法发送至所述仿真测试平台,当系统需要进行算法训练时,算法开发人员可以通过客户端登录算法开发平台完成感知算法或者决策规划控制算法的开发,并通过算法开发平台将感知算法发送至算法训练平台,以便于后续在算法训练平台上形成算法训练环境,通过算法开发平台将决策规划控制算法发送至仿真测试平台,以便于后续在算法训练平台上形成仿真测试环境。
参见图2所示,具体的,算法开发平台可以包括至少一个CPU应用服务器和至少一个数据管理存储服务器,其中,CPU应用服务器上可以部署有架构设计、需求开发、编程、建模、代码测试、集成、代码编译等用于算法开发的软件,数据管理存储服务器用于存储开发产生的数据文件。
参见图3所示,在一些实施例中,所述场景提取平台可以包括CPU服务器,其中CPU服务器上部署有数据清洗软件、场景提取软件、仿真场景生成软件,数据清洗软件用于对从云端数据平台下载的目标数据进行初步处理;由于采集过程中,原始数据存在数据无效、传感器漏检、传感器前期处理精度不足等各类问题,需要通过测试程序校验数据格式的规范性,数据取值的合理性(数据是否溢出,是否为空值,是否是重复数据),对于程序测试到的不符合规范和取值范围的数据条目,依次进行筛选清除、插值补充、滤波去噪,以保证入库数据的有效性;场景提取软件用于将清洗后的数据取为有效的场景,根据场景定义及场景特征,对采集到的数据进行提取,确定数据中每个场景的类型,起始时间、结束时间,场景特征等,形成场景片段,其中场景片段中包含本车辆速度、交通参与者与本车辆的相对速度、以及交通参与者的类型;仿真场景生成软件用于将场景提取软件生成的场景片段,转化为用于智能驾驶场景仿真的模型文件,也即,仿真场景生成软件可以进行如下步骤:根据所述目标数据中的车辆速度、交通参与者与车辆的相对速度、以及交通参与者的类型,生成交通流文件;根据所述目标数据中的道路信息、GPS位置点,结合高精度地图生成静态场景文件;根据生成的所述交通流文件和所述静态场景文件形成仿真测试场景。开发人员可以通过局域网内的客户端登录CPU服务器设置数据处理的时序,以及查看场景生成结果。
参见图4所示,进一步,所述数据标注平台可以包括数据筛选GPU服务器、预标注GPU服务器、人工标注GPU服务器和人工质检CPU服务器,其中数据筛选GPU服务器上部署有数据筛选软件进行数据抽帧,预标注GPU服务器上部署有预标注软件进行数据预标注,人工标注GPU服务器上部署有人工标注软件进行人工标注,人工质检CPU服务器上部署有人工质检软件对标注完成的数据进行人工质检。
参见图5所示,在一些实施例中,所述算法训练平台可以包括多个GPU服务器,在GPU服务器上可以进行神经网络训练和评估,通过局域网内的客户端可以对算法训练任务进行管理和进度查看。
参见图6所示,本实施例中,所述仿真测试平台包括测试应用CPU服务器和场景仿真应用GPU服务器,同时,场景仿真应用GPU服务器上部署有场景仿真软件,测试应用CPU服务器上部署有车辆动力学软件、交通流生成软件、自动化测试管理软件;算法开发人员可以通过客户端访问云端数据平台,并将所述仿真测试场景下载到本地的仿真测试平台,自动化测试管理软件可以调度车辆动力学软件、交通流生成软件和场景仿真软件,并使用所述仿真测试场景进行自动化仿真测试,生成测试报告。
其中,数据标注平台、场景提取平台、算法训练平台、仿真测试平台和算法开发平台均部署与企业局域网内,通过局域网进行数据的传输和通信,企业局域网通过网络专线与云端数据平台连接,进行数据传输。
本发明实施例提供的一种智能驾驶数据闭环的方法及系统的原理为:
由于从预设场景中提取的目标数据存储于云端数据平台,使用目标数据时,可以将云端数据平台中新增的目标数据下载至本地服务器,在本地服务器中对目标数据进行标注,并且可以在本地服务器使用标注后的目标数据进行算法训练,在本地服务器对目标数据进行处理可以形成仿真测试场景,并且可以在本地服务器使用仿真测试场景进行仿真测试,因此,不需要将算法训练软件和仿真测试软件部署到云端,可以使用本地服务器上的软件对目标数据进行标注和算法训练,以及对目标数据进行处理和仿真测试,初建和运维投入成本较低,不会出现软件与云平台不兼容的现象;同时,以低成本的方式实现了自动驾驶数据闭环,构建了数据驱动智能驾驶算法升级迭代的平台和流程。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种智能驾驶数据闭环的方法,其特征在于,其包括以下步骤:
从预设场景中提取目标数据上传至云端数据平台;
周期性访问所述云端数据平台,将所述云端数据平台中新增的所述目标数据下载至本地服务器,并在所述本地服务器对所述目标数据进行标注或者对所述目标数据进行处理形成仿真测试场景;
使用标注后的所述目标数据在所述本地服务器进行算法训练,或者使用所述仿真测试场景在所述本地服务器进行自动化仿真测试;
所述在所述本地服务器对所述目标数据进行处理形成仿真测试场景,包括:
根据所述目标数据中的车辆速度、交通参与者与车辆的相对速度、以及交通参与者的类型,生成交通流文件;
根据所述目标数据中的道路信息、GPS位置点,结合高精度地图生成静态场景文件;
根据生成的所述交通流文件和所述静态场景文件形成仿真测试场景。
2.如权利要求1所述的智能驾驶数据闭环的方法,其特征在于,所述从预设场景中提取目标数据上传至云端数据平台,包括:
根据车端设定的边缘算法,按照预设条件筛选出所述预设场景;
从所述预设场景中提取所述目标数据,并通过车联网将所述目标数据上传至云端数据平台。
3.如权利要求1所述的智能驾驶数据闭环的方法,其特征在于:在所述从预设场景中提取目标数据上传至云端数据平台之后,还包括:
所述云端数据平台对所述目标数据打上时间标签并进行分类管理。
4.如权利要求1所述的智能驾驶数据闭环的方法,其特征在于:所述周期性访问所述云端数据平台,将所述云端数据平台中新增的所述目标数据下载至本地服务器,并在所述本地服务器对所述目标数据进行标注或者对所述目标数据进行处理形成仿真测试场景,包括:
本地服务器周期性访问所述云端数据平台,根据所述目标数据的时间标签识别出新增的所述目标数据,将新增的所述目标数据下载至所述本地服务器,并在所述本地服务器对所述目标数据进行标注;
本地服务器周期性访问所述云端数据平台,根据所述目标数据的时间标签识别出新增的所述目标数据,将新增的所述目标数据下载至所述本地服务器,并在所述本地服务器对所述目标数据进行处理形成仿真测试场景。
5.如权利要求4所述的智能驾驶数据闭环的方法,其特征在于:所述在所述本地服务器对所述目标数据进行标注,包括:
对所述目标数据进行抽帧,并对抽出的所述目标数据进行预标注;
对预标注后的所述目标数据进行人工标注和人工质检。
6.如权利要求1所述的智能驾驶数据闭环的方法,其特征在于,周期性访问所述云端数据平台,将所述云端数据平台中新增的所述目标数据下载至本地服务器,并在所述本地服务器对所述目标数据进行标注之后,还包括:
将标注后的所述目标数据上传至所述云端数据平台的标注数据集,所述标注数据集至少包括训练集和算法评估数据集。
7.如权利要求6所述的智能驾驶数据闭环的方法,其特征在于,所述使用标注后的所述目标数据在所述本地服务器进行算法训练,包括:
在所述本地服务器上部署算法训练环境;
将日志文件中的已训练数据信息与所述训练集中的数据信息进行对比,选出待训练的所述目标数据;
将待训练的所述目标数据导入所述算法训练环境中进行算法训练;
使用所述算法评估数据集进行算法评估,并生成评估报告。
8.一种智能驾驶数据闭环的系统,其特征在于,其包括:
采集车辆,其用于从预设场景中提取目标数据上传至云端数据平台;
数据标注平台,其用于周期性访问所述云端数据平台,将所述云端数据平台中新增的所述目标数据下载至本地,并对所述目标数据进行标注;
场景提取平台,其用于周期性访问所述云端数据平台,将所述云端数据平台中新增的所述目标数据下载至本地,并对所述目标数据进行处理形成仿真测试场景;
算法训练平台,其用于使用标注后的所述目标数据进行算法训练;
仿真测试平台,其用于使用所述仿真测试场景进行自动化仿真测试;
所述对所述目标数据进行处理形成仿真测试场景,包括:
根据所述目标数据中的车辆速度、交通参与者与车辆的相对速度、以及交通参与者的类型,生成交通流文件;
根据所述目标数据中的道路信息、GPS位置点,结合高精度地图生成静态场景文件;
根据生成的所述交通流文件和所述静态场景文件形成仿真测试场景。
9.如权利要求8所述的智能驾驶数据闭环的系统,其特征在于,所述系统还包括:
算法开发平台,其用于开发感知算法,并将感知算法发送至所述算法训练平台,或者用于开发决策规划控制算法,并将决策规划控制算法发送至所述仿真测试平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110484833.XA CN113297667B (zh) | 2021-04-30 | 2021-04-30 | 一种智能驾驶数据闭环的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110484833.XA CN113297667B (zh) | 2021-04-30 | 2021-04-30 | 一种智能驾驶数据闭环的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113297667A CN113297667A (zh) | 2021-08-24 |
CN113297667B true CN113297667B (zh) | 2022-09-02 |
Family
ID=77320723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110484833.XA Active CN113297667B (zh) | 2021-04-30 | 2021-04-30 | 一种智能驾驶数据闭环的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113297667B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511827B (zh) * | 2021-11-30 | 2024-04-12 | 重庆长安汽车股份有限公司 | 一种智能辅助驾驶的车云感知闭环处理方法 |
CN115439954A (zh) * | 2022-08-29 | 2022-12-06 | 上海寻序人工智能科技有限公司 | 一种基于云端大模型的数据闭环方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111782543A (zh) * | 2020-07-20 | 2020-10-16 | 王天宝 | 一种在云端进行的评测方法、相关设备及系统 |
CN112287566A (zh) * | 2020-11-24 | 2021-01-29 | 北京亮道智能汽车技术有限公司 | 一种自动化驾驶场景库生成方法、系统及电子设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10373072B2 (en) * | 2016-01-08 | 2019-08-06 | International Business Machines Corporation | Cognitive-based dynamic tuning |
CN109446371A (zh) * | 2018-11-09 | 2019-03-08 | 苏州清研精准汽车科技有限公司 | 一种智能汽车仿真测试场景库生成方法及测试系统和方法 |
US20200409369A1 (en) * | 2019-06-25 | 2020-12-31 | Uatc, Llc | System and Methods for Autonomous Vehicle Testing |
CN111783230A (zh) * | 2020-07-02 | 2020-10-16 | 北京赛目科技有限公司 | 一种自动驾驶算法的仿真测试方法及装置 |
-
2021
- 2021-04-30 CN CN202110484833.XA patent/CN113297667B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111782543A (zh) * | 2020-07-20 | 2020-10-16 | 王天宝 | 一种在云端进行的评测方法、相关设备及系统 |
CN112287566A (zh) * | 2020-11-24 | 2021-01-29 | 北京亮道智能汽车技术有限公司 | 一种自动化驾驶场景库生成方法、系统及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113297667A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111338973B (zh) | 基于场景的自动驾驶仿真测试评价服务云平台及应用方法 | |
CN105956268B (zh) | 应用于无人驾驶汽车的测试场景构建方法和装置 | |
CN111179585B (zh) | 自动驾驶车辆的场地测试方法及装置 | |
US10255168B2 (en) | Method and device for generating test cases for autonomous vehicles | |
CN113297667B (zh) | 一种智能驾驶数据闭环的方法及系统 | |
CN109204389B (zh) | 一种地铁设备故障诊断和自愈方法、系统 | |
CN113343461A (zh) | 自动驾驶车辆的仿真方法、装置、电子设备及存储介质 | |
CN109948804A (zh) | 跨平台拖拽式深度学习建模与训练方法及装置 | |
Alzraiee et al. | Detecting of pavement marking defects using faster R-CNN | |
CN111258974A (zh) | 一种车辆离线场景数据处理方法及系统 | |
CN113268244A (zh) | 一种自动驾驶场景库的脚本生成方法、装置及电子设备 | |
CN110610169A (zh) | 图片标注方法和装置、存储介质及电子装置 | |
WO2021146906A1 (zh) | 测试场景仿真方法、装置、计算机设备和存储介质 | |
CN115878681A (zh) | 自动驾驶数据的获取方法及装置、存储介质及电子装置 | |
US11816543B2 (en) | System and method for using knowledge gathered by a vehicle | |
KR20220008492A (ko) | 딥러닝 모델 기반 자동차 부품검사 서비스 제공 방법 | |
CN114724140A (zh) | 一种基于yolo v3的草莓成熟度检测方法、装置 | |
CN114078242A (zh) | 基于自动驾驶的感知决策模型升级方法及系统 | |
CN110716778A (zh) | 应用兼容性测试方法、装置及系统 | |
JP2023095812A (ja) | 車載データ処理方法、装置、電子デバイス、記憶媒体、及びプログラム | |
CN115857685A (zh) | 一种感知算法数据闭环方法及相关装置 | |
CN112766481B (zh) | 神经网络模型的训练方法、装置及图像检测的方法 | |
CN111830937B (zh) | 车辆故障识别模型的构建、识别方法及装置、管理系统 | |
CN113085861A (zh) | 自动驾驶车辆的控制方法及装置、自动驾驶车辆 | |
CN110796024B (zh) | 一种针对失效样本的自动驾驶视觉感知测试方法和装置 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220126 Address after: 430000 No. n3010, 3rd floor, R & D building, building n, Artificial Intelligence Science Park, Wuhan Economic and Technological Development Zone, Hubei Province Applicant after: Lantu Automobile Technology Co.,Ltd. Address before: 430056 No. 1 Dongfeng Avenue, Wuhan economic and Technological Development Zone, Hubei, Wuhan Applicant before: Dongfeng Motor GROUP Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |