CN113442948A - 基于云端推理服务的自动驾驶方法、装置和计算机设备 - Google Patents
基于云端推理服务的自动驾驶方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN113442948A CN113442948A CN202110780671.4A CN202110780671A CN113442948A CN 113442948 A CN113442948 A CN 113442948A CN 202110780671 A CN202110780671 A CN 202110780671A CN 113442948 A CN113442948 A CN 113442948A
- Authority
- CN
- China
- Prior art keywords
- cloud
- reasoning
- control information
- local
- server
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000006870 function Effects 0.000 claims description 57
- 238000012545 processing Methods 0.000 claims description 50
- 238000003062 neural network model Methods 0.000 claims description 48
- 238000004590 computer program Methods 0.000 claims description 45
- 230000007613 environmental effect Effects 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 19
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000008447 perception Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/408—Radar; Laser, e.g. lidar
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/20—Ambient conditions, e.g. wind or rain
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种基于云端推理服务的自动驾驶方法、装置、计算机设备和存储介质。所述方法包括:获取自动驾驶车辆所处的当前环境信息以及所述自动驾驶车辆的当前行驶信息;将所述当前环境信息以及当前行驶信息发送至本地推理服务器和云端推理服务器;接收来自所述本地推理服务器和所述云端推理服务器的当前控制信息;基于所述当前控制信息,控制所述自动驾驶车辆运行。采用本方法能够提高自动驾驶车辆的行驶稳定性。
Description
技术领域
本申请涉及自动驾驶技术领域,特别是涉及一种基于云端推理服务的自动驾驶方法、装置、计算机设备和存储介质。
背景技术
在自动驾驶中,人工智能起到重要作用。深度学习是人工智能在自动驾驶领域最重要的解决方案之一,尤其在感知方面。深度学习推理引擎的设计目的就是要让深度学习模型推理的速度加快,深度学习模型推理由GPU或AI芯片完成。当前,自动驾驶的感知模块实现以深度学习方法为主,深度学习需要通过车载激光雷达和摄像头等传感器信息作为输入,通过神经元网络计算获得输出即感知结果,神经元网络计算的过程也叫做推理过程。
现在自动驾驶的感知模块实现以深度学习方法为主,需要通过车载激光雷达和摄像头等传感器信息作为输入,通过神经元网络计算获得输出即感知结果。现有技术中,自动驾驶车辆的计算平台通常设置在车身内部,可能会因为软件或硬件的原因使服务器推理过程失败或硬件崩溃,并导致自动驾驶车辆运行可靠性差的缺陷。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高自动驾驶车辆运行可靠性的基于云端推理服务的自动驾驶方法、装置、计算机设备和存储介质。
一种基于云端推理服务的自动驾驶方法,所述方法包括:
获取所述自动驾驶车辆所处的当前环境信息以及所述自动驾驶车辆的当前行驶信息;
将所述当前环境信息以及当前行驶信息发送至本地推理服务器和云端推理服务器;
接收来自所述本地推理服务器和所述云端推理服务器的当前控制信息;
基于所述当前控制信息,控制所述自动驾驶车辆运行。
在其中一个实施例中,还包括:当所述自动驾驶车辆处于自动驾驶状态时,利用车载环境信息采集装置采集所述自动驾驶车辆的当前环境信息;以及
利用设置在所述自动驾驶车辆上的各传感设备采集对应的数据信息,基于所述数据信息生成所述自动驾驶车辆的当前行驶信息。
在其中一个实施例中,还包括:利用设置在所述自动驾驶车辆上的图像采集装置,采集所述自动驾驶车辆的周围环境的图像信息;
利用设置在所述自动驾驶车辆上的激光雷达系统,采集所述自动驾驶车辆的周围环境的点云数据;
对所述图像信息以及点云数据进行分析,得到所述自动驾驶车辆的当前环境信息。
在其中一个实施例中,所述当前控制信息由所述本地推理服务器和所述云端推理服务器对所述当前环境信息以及所述当前行驶信息进行推理来获得。
在其中一个实施例中,还包括:分别接收所述本地推理服务器发送的本地控制信息和所述云端推理服务器发送的云端控制信息;
基于接收到的本地控制信息和云端控制信息,生成当前控制信息;所述本地控制信息是本地推理服务器对所述当前环境信息和当前行驶信息进行推理处理生成的控制信息;所述云端控制信息是云端推理服务器对所述当前环境信息和当前行驶信息进行推理处理生成的控制信息。
在其中一个实施例中,还包括:在预设时间范围内,若同时接收到本地推理服务器发送的本地控制信息和云端推理服务器发送的云端控制信息,将所述云端控制信息作为当前控制信息。
在其中一个实施例中,还包括:在预设时间范围内,若只接收到本地推理服务器发送的本地控制信息,未接收到云端推理服务器发送的云端控制信息,所述本地控制信息作为当前控制信息。
在其中一个实施例中,还包括:将云端推理服务器的推理失败次数增加一次,根据云端推理服务器的推理失败次数判定云端推理服务功能是否失效。
在其中一个实施例中,还包括:在预设时间范围内,若只接收到云端推理服务器发送的云端控制信息,未接收到本地推理服务器发送的本地控制信息,将所述云端控制信息作为当前控制信息;
将本地推理服务器的推理失败次数增加一次,根据本地推理服务器的推理失败次数判定本地推理服务功能是否失效。
在其中一个实施例中,还包括:在预设时间范围内,若未接收到本地推理服务器发送的本地控制信息且未接收到云端推理服务器发送的云端控制信息,生成采用保守驾驶模式行驶的指令作为当前控制信息;
将云端推理服务器的推理失败次数和本地推理服务器的推理失败次数均增加一次,根据云端推理服务器的推理失败次数判定云端推理服务功能是否失效,根据本地推理服务器的推理失败次数判定本地推理服务功能是否失效。
在其中一个实施例中,还包括:判断云端推理服务器的推理失败次数是否达到预设的云端推理服务失效阈值;
若云端推理服务器的推理失败次数达到预设的云端推理服务失效阈值,判定云端推理服务已失效。
在其中一个实施例中,还包括:判断本地推理服务器的推理失败次数是否达到预设的本地推理服务失效阈值;
若本地推理服务器的推理失败次数达到预设的本地推理服务失效阈值,判定本地推理服务已失效。
在其中一个实施例中,还包括:若本地推理服务失效,尝试重新启动云端推理服务功能;
若云端推理服务失效,尝试重新启动本地推理服务功能,控制所述自动驾驶车辆使用保守驾驶模式直至云端推理服务恢复;所述保守驾驶模式是对所述自动驾驶车辆的行驶参数上限作出限制的驾驶模式;
若本地推理服务和云端推理服务均已失效,控制所述自动驾驶车辆采用保守驾驶模式进行行驶。
一种基于云端推理服务的自动驾驶方法,所述方法包括:
接收所述自动驾驶车辆发送的当前环境信息和当前行驶信息;
将所述当前环境信息和所述当前行驶信息导入云端推理神经网络模型中进行推理处理,生成云端控制信息;
将所述云端控制信息发送至所述自动驾驶车辆。
在其中一个实施例中,还包括:获取所述自动驾驶车辆在预设时间范围内的历史环境信息、历史行驶信息和历史控制信息作为训练集;
以所述历史环境信息和所述历史行驶信息作为神经网络模型的输入,以所述历史控制信息作为神经网络模型的输出,对神经网络模型进行训练获取云端推理神经网络模型。
在其中一个实施例中,还包括:接收所述自动驾驶车辆发送的注册云端推理服务信息;
根据所述注册云端推理服务信息判断所述自动驾驶车辆是否符合云端推理注册标准,若所述自动驾驶车辆符合云端推理注册标准,建立与所述自动驾驶车辆之间的云端推理服务关系。
一种基于云端推理服务的自动驾驶装置,所述装置包括:
获取模块,用于获取自动驾驶车辆所处的当前环境信息以及所述自动驾驶车辆的当前行驶信息;
发送模块,用于将所述当前环境信息以及当前行驶信息发送至本地推理服务器和云端推理服务器;
接收模块,用于接收来自所述本地推理服务器和所述云端推理服务器的当前控制信息;
控制模块,用于基于所述当前控制信息,控制所述自动驾驶车辆运行。
一种基于云端推理服务的自动驾驶装置,所述装置包括:
接收模块,用于接收所述自动驾驶车辆发送的当前环境信息和当前行驶信息;
生成模块,用于将所述当前环境信息和所述当前行驶信息导入云端推理神经网络模型中进行推理处理,生成云端控制信息;
发送模块,用于将所述云端控制信息发送至所述自动驾驶车辆。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取所述自动驾驶车辆所处的当前环境信息以及所述自动驾驶车辆的当前行驶信息;
将所述当前环境信息以及当前行驶信息发送至本地推理服务器和云端推理服务器;
接收来自所述本地推理服务器和所述云端推理服务器的当前控制信息;
基于所述当前控制信息,控制所述自动驾驶车辆运行。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
接收所述自动驾驶车辆发送的当前环境信息和当前行驶信息;
将所述当前环境信息和所述当前行驶信息导入云端推理神经网络模型中进行推理处理,生成云端控制信息;
将所述云端控制信息发送至所述自动驾驶车辆。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取所述自动驾驶车辆所处的当前环境信息以及所述自动驾驶车辆的当前行驶信息;
将所述当前环境信息以及当前行驶信息发送至本地推理服务器和云端推理服务器;
接收来自所述本地推理服务器和所述云端推理服务器的当前控制信息;
基于所述当前控制信息,控制所述自动驾驶车辆运行。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
接收所述自动驾驶车辆发送的当前环境信息和当前行驶信息;
将所述当前环境信息和所述当前行驶信息导入云端推理神经网络模型中进行推理处理,生成云端控制信息;
将所述云端控制信息发送至所述自动驾驶车辆。
上述基于云端推理服务的自动驾驶方法、装置、计算机设备和存储介质,获取自动驾驶车辆所处的当前环境信息以及自动驾驶车辆的当前行驶信息。将当前环境信息以及当前行驶信息发送至本地推理服务器和云端推理服务器进行推理处理,获取对应的当前控制信息,基于当前控制信息,控制自动驾驶车辆运行。通过本地推理服务器和云端推理服务器同时对当前环境信息和当前行驶信息进行推理处理,根据本地推理服务器和云端推理服务器的处理结果生成当前控制信息,提高了自动驾驶车辆行驶的可靠性。
附图说明
图1为一个实施例中基于云端推理服务的自动驾驶方法的应用环境图;
图2为一个实施例中基于云端推理服务的自动驾驶方法的流程示意图;
图3为一个实施例中本地推理服务器和云端推理服务器进行推理处理步骤的流程示意图;
图4为另一个实施例中本地推理服务器和云端推理服务器进行推理处理步骤的流程示意图;
图5为一个实施例中获取当前控制信息步骤的流程示意图;
图6为一个实施例中自动控制车辆根据当前控制信息进行对应操作的流程示意图;
图7为另一个实施例中基于云端推理服务的自动驾驶方法的流程示意图;
图8为一个实施例中基于云端推理服务的自动驾驶装置的结构框图;
图9为另一个实施例中基于云端推理服务的自动驾驶装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的基于云端推理服务的自动驾驶方法,可以应用于如图1所示的应用环境中。其中,自动驾驶车辆102通过无线网络与云端推理服务器101进行通信。其中,自动驾驶车辆102可以但不限于是各种轿车、面包车、卡车等,云端推理服务器101可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种基于云端推理服务的自动驾驶方法,以该方法应用于图1中的自动驾驶车辆102为例进行说明,包括以下步骤:
步骤202,获取所述自动驾驶车辆所处的当前环境信息以及所述自动驾驶车辆的当前行驶信息。
其中,当前环境信息是自动驾驶车辆在当前运行时利用设置在自动驾驶车辆上的图像采集装置,采集的周围环境的图像信息;和利用设置在自动驾驶车辆上的激光雷达系统,采集的自动驾驶车辆周围环境的激光雷达点云数据。当前行驶信息是利用设置在自动驾驶车辆上的各传感设备采集对应的数据信息;传感器设备包括光传感器、运动传感器以及其他传感器。
具体地,通过车载环境信息采集装置采集所述自动驾驶车辆的当前环境信息,车载环境信息采集装置包括图像采集装置和激光雷达系统。图像采集装置是用于拍摄自动驾驶车辆行驶时周边路面信息的摄像头;激光雷达系统用于采集自动驾驶车辆周围环境的激光雷达点云数据。
步骤204,将所述当前环境信息以及当前行驶信息发送至本地推理服务器和云端推理服务器。
其中,本地推理服务器是设置于自动驾驶车辆车身内部的服务器,用于根据当前环境信息以及当前行驶信息进行推理处理,获取本地控制信息。云端推理服务器是与自动驾驶车辆通过无线通信方式连接的服务器,用于接收当前环境信息以及当前行驶信息,并进行推理处理,获取云端控制信息。通常,本地推理服务器限于自动驾驶车辆的车身空间以及电力消耗,其运算推理能力低于不受场地和电力因素限制的云端推理服务器。
具体地,在获取当前环境信息以及当前行驶信息以后,分别同时将当前环境信息以及当前行驶信息发送至本地推理服务器和云端推理服务器进行推理处理。
步骤206,接收来自所述本地推理服务器和所述云端推理服务器的当前控制信息;
具体地,本地推理服务器和云端推理服务器在接收到当前环境信息以及当前行驶信息以后,分别根据自身的推理处理算法对当前环境信息和当前行驶信息进行推理处理,自动驾驶车辆根据本地推理服务器和云端推理服务器的推理处理情况,获取对应的当前控制信息,作为控制自动驾驶车辆行驶的控制指令。
步骤208,基于所述当前控制信息,控制所述自动驾驶车辆运行。
具体地,自动驾驶车辆根据生成的当前控制信息,生成控制自动驾驶车辆行驶的控制指令,根据控制指令控制自动驾驶车辆的行驶方向和行驶速度,从而实现对自动驾驶车辆行驶的控制。
上述基于云端推理服务的自动驾驶方法中,获取自动驾驶车辆所处的当前环境信息以及自动驾驶车辆的当前行驶信息。将当前环境信息以及当前行驶信息发送至本地推理服务器和云端推理服务器进行推理处理,获取对应的当前控制信息,基于当前控制信息,控制自动驾驶车辆运行。通过本地推理服务器和云端推理服务器同时对当前环境信息和当前行驶信息进行推理处理,根据本地推理服务器和云端推理服务器的处理结果生成当前控制信息,提高了自动驾驶车辆行驶的可靠性。
在一个实施例中,所述获取所述自动驾驶车辆所处的当前环境信息以及所述自动驾驶车辆的当前行驶信息包括:
当所述自动驾驶车辆处于自动驾驶状态时,利用车载环境信息采集装置采集所述自动驾驶车辆的当前环境信息;以及
利用设置在所述自动驾驶车辆上的各传感设备采集对应的数据信息,基于所述数据信息生成所述自动驾驶车辆的当前行驶信息。
具体地,车载环境信息采集装置设置于自动驾驶车辆的车身上,车载环境信息采集装置用于采集自动驾驶车辆的当前环境信息。车载环境信息采集装置包括不少于一个摄像头和激光雷达系统,摄像头用于实时拍摄自动驾驶车辆车身周围的路面环境信息作为自动驾驶车辆的周围环境的图像信息;激光雷达系统用于采集自动驾驶车辆的周围环境的点云数据。自动驾驶车辆还安装有多种传感器设备,包括光传感器、运动传感器以及其他传感器,用于采集自动驾驶车辆的当前行驶信息。
本实施例中,通过自动驾驶车辆车身安装的车载环境信息采集装置采集自动驾驶车辆的当前环境信息,以及通过自动驾驶车辆上的各传感设备采集对应的数据信息,实现了用于推理运算的信息的获取,为车辆自动驾驶的实现提供了信息支持。
在一个实施例中,所述利用车载环境信息采集装置采集所述自动驾驶车辆的当前环境信息包括:
利用设置在所述自动驾驶车辆上的图像采集装置,采集所述自动驾驶车辆的周围环境的图像信息;
利用设置在所述自动驾驶车辆上的激光雷达系统,采集所述自动驾驶车辆的周围环境的点云数据;
对所述图像信息以及点云数据进行分析,得到所述自动驾驶车辆的当前环境信息。
具体地,自动驾驶车辆的车载环境信息采集装置包括图像采集装置和激光雷达系统,图像采集装置是不少于一个摄像头,用于实时拍摄自动驾驶车辆车身周围的路面环境信息作为自动驾驶车辆的周围环境的图像信息。激光雷达系统用于采集自动驾驶车辆的周围环境的点云数据。最后,根据获取的周围环境的图像信息和周围环境的点云数据进行分析处理,提取需要的部分作为自动驾驶车辆的当前环境信息。
本实施例中,通过设置在自动驾驶车辆上的图像采集装置,采集自动驾驶车辆的周围环境的图像信息;通过设置在自动驾驶车辆上的激光雷达系统,采集自动驾驶车辆的周围环境的点云数据,实现了自动驾驶车辆对推理处理所需信息的获取。
在一个实施例中,所述当前控制信息由所述本地推理服务器和所述云端推理服务器对所述当前环境信息以及所述当前行驶信息进行推理来获得。
具体地,本地推理服务器和云端推理服务器在接收到当前环境信息以及当前行驶信息以后,分别根据自身的推理处理算法对当前环境信息和当前行驶信息进行推理处理,自动驾驶车辆根据本地推理服务器和云端推理服务器的推理处理情况,获取对应的当前控制信息,作为控制自动驾驶车辆行驶的控制指令。
本实施例中,通过本地推理服务器和云端推理服务器对当前环境信息以及当前行驶信息进行推理来获得当前控制信息,提高了当前控制信息的可靠性。
在一个实施例中,所述将所述当前环境信息以及当前行驶信息发送至本地推理服务器和云端推理服务器:
分别接收所述本地推理服务器发送的本地控制信息和所述云端推理服务器发送的云端控制信息;
基于接收到的本地控制信息和云端控制信息,生成当前控制信息;所述本地控制信息是本地推理服务器对所述当前环境信息和当前行驶信息进行推理处理生成的控制信息;所述云端控制信息是云端推理服务器对所述当前环境信息和当前行驶信息进行推理处理生成的控制信息。
具体地,图3为一个实施例中本地推理服务器和云端推理服务器进行推理处理步骤的流程示意图,如图3所示,自动驾驶车辆获取当前环境信息和当前行驶信息,在同一时刻分别将当前环境信息和当前行驶信息发送至本地推理服务器和云端推理服务器进行推理处理。本地推理服务器是车载运算平台,云端推理服务器是通过无线通信方式连接的云端运算平台。自动驾驶车辆根据接收本地控制信息和云端控制信息的具体情况,生成当前控制信息,作为控制自动驾驶车辆行驶的控制指令。其中,本地控制信息由本地运算服务器推理处理获取,云端控制信息由云端运算服务器推理处理获取。
本实施例中,通过分别将当前环境信息和当前行驶信息发送至本地推理服务器和云端推理服务器,并根据接收本地控制信息和云端控制信息的结果,生成当前控制信息,避免了仅通过本地控制信息控制自动驾驶车辆行驶所导致的可靠性低的问题,提高了自动驾驶车辆运行的可靠性。
在一个实施例中,所述根据接收本地控制信息和云端控制信息的结果,生成当前控制信息包括:
在预设时间范围内,若同时接收到本地推理服务器发送的本地控制信息和云端推理服务器发送的云端控制信息,将所述云端控制信息作为当前控制信息。
具体地,图4为另一个实施例中本地推理服务器和云端推理服务器进行推理处理步骤的流程示意图,如图4所示,自动驾驶车辆在将当前环境信息以及当前行驶信息发送至本地推理服务器和云端推理服务器进行推理处理之前,还生成计时器并将计时器与当前行驶信息进行打包发送至本地推理服务器和云端推理服务器。自动驾驶车辆第一次发送当前行驶信息至本地推理服务器和云端推理服务器之前,还需要分别在本地推理服务器和云端推理服务器进行推理服务注册。
如图5所示,自动驾驶车辆在根据接收本地控制信息和云端控制信息的结果,生成当前控制信息时,以预设时间范围作为计时时长并使用计数器进行计数,预设时间范围是在不影响车辆自动驾驶时进行实时计算的情况下允许的最大时间。在计时结束之前,若同时接收到本地推理服务器发送的本地控制信息和云端推理服务器发送的云端控制信息,证明本地推理服务和云端推理服务的功能均正常运行,由于云端推理服务较本地推理服务更加准确,此时将云端控制信息作为当前控制信息。若计数器在计时时,若虽然接收到本地推理服务器发送的本地控制信息和云端推理服务器发送的云端控制信息但不是同时接收到本地推理服务器发送的本地控制信息和云端推理服务器发送的云端控制信息,此时使用本地控制信息作为当前控制信息;若同时接收到本地推理服务器发送的本地控制信息和云端推理服务器发送的云端控制信息,由于云端推理服务较本地推理服务更加准确,此时将云端控制信息作为当前控制信息。
本实施例中,在预设时间范围内作为计时时长,在计时结束以前,若接收到本地推理服务器发送的本地控制信息和云端推理服务器发送的云端控制信息,将云端控制信息作为当前控制信息,通过云端处理服务器的推理处理,获取当前控制信息,提高了推理处理的准确率。
在一个实施例中,所述根据接收本地控制信息和云端控制信息的结果,生成当前控制信息还包括:
在预设时间范围内,若只接收到本地推理服务器发送的本地控制信息,未接收到云端推理服务器发送的云端控制信息,所述本地控制信息作为当前控制信息。
在一个实施例中,所述根据接收本地控制信息和云端控制信息的结果,生成当前控制信息还包括:将云端推理服务器的推理失败次数增加一次,根据云端推理服务器的推理失败次数判定云端推理服务功能是否失效。
具体地,图5为一个实施例中获取当前控制信息步骤的流程示意图,如图5所示,在预设时间范围内,如果没有接收到云端推理服务器发送的云端控制信息,只是接收到本地推理服务器发送的本地控制信息,证明云端推理服务功能出现了故障,此时以本地控制信息作为当前控制信息。并且将云端推理服务器的推理失败次数增加一次,以使得能够根据云端推理服务器的推理失败次数判定云端推理服务功能是否失效。
本实施例中,通过在只接收到本地推理服务器发送的本地控制信息,未接收到云端推理服务器发送的云端控制信息时,以本地控制信息作为当前控制信息,实现了在云端处理服务失效情况下的控制信息的产生,提高了自动驾驶车辆的行驶稳定性。
在一个实施例中,所述根据接收本地控制信息和云端控制信息的结果,生成当前控制信息还包括:
在预设时间范围内,若只接收到云端推理服务器发送的云端控制信息,未接收到本地推理服务器发送的本地控制信息,将所述云端控制信息作为当前控制信息;
将本地推理服务器的推理失败次数增加一次,根据本地推理服务器的推理失败次数判定本地推理服务功能是否失效。
具体地,图5为一个实施例中获取当前控制信息步骤的流程示意图,如图5所示,在预设时间范围内,如果没有接收到本地推理服务器发送的本地控制信息,只接收到云端推理服务器发送的云端控制信息,证明本地推理服务器的推理处理功能出现故障,此时将本地控制信息作为当前控制信息;并且,将本地推理服务器的推理失败次数增加一次,以使得能够根据本地推理服务器的推理失败次数判定本地推理服务功能是否失效。
本实施例中,通过在预设时间范围内,在只接收到云端推理服务器发送的云端控制信息,未接收到本地推理服务器发送的本地控制信息时,将本地控制信息作为当前控制信息,实现了在本地处理服务失效情况下的控制信息的产生,提高了自动驾驶车辆的行驶稳定性。
在一个实施例中,所述根据接收本地控制信息和云端控制信息的结果,生成当前控制信息还包括:
在预设时间范围内,若未接收到本地推理服务器发送的本地控制信息且未接收到云端推理服务器发送的云端控制信息,生成采用保守驾驶模式行驶的指令作为当前控制信息;
将云端推理服务器的推理失败次数和本地推理服务器的推理失败次数均增加一次,根据云端推理服务器的推理失败次数判定云端推理服务功能是否失效,根据本地推理服务器的推理失败次数判定本地推理服务功能是否失效。
具体地,图5为一个实施例中获取当前控制信息步骤的流程示意图,如图5所示,在预设时间范围内,如果同时没有接收到本地推理服务器发送的本地控制信息且未接收到云端推理服务器发送的云端控制信息,说明本地推理服务功能和云端推理服务功能均出现故障,此时生成采用保守驾驶模式行驶的指令作为当前控制信息,控制自动驾驶车辆以保守驾驶模式进行行驶。保守驾驶模式是预设的安全驾驶模式,保守驾驶模式对于自动驾驶车辆的车速、行驶路线等都会作出必要的限制;例如在保守驾驶模式时,自动驾驶车辆会自动进入最安全的道路并采用低于20km/h的速度行驶,必要时还可紧急停车。还需要将云端推理服务器的推理失败次数和本地推理服务器的推理失败次数均增加一次,以使得能够根据云端推理服务器的推理失败次数判定云端推理服务功能是否失效,以及根据本地推理服务器的推理失败次数判定本地推理服务功能是否失效。
本实施例中,通过在预设时间范围内,在没有接收到本地推理服务器发送的本地控制信息且未接收到云端推理服务器发送的云端控制信息时,生成采用保守驾驶模式行驶的指令作为当前控制信息,实现了在云端推理服务和本地推理服务均出现故障时的对自动驾驶车辆的控制,提高了自动驾驶车辆行驶的安全性。
在一个实施例中,所述根据云端推理服务器的推理失败次数判定云端推理服务功能是否失效包括:
判断云端推理服务器的推理失败次数是否达到预设的云端推理服务失效阈值;
若云端推理服务器的推理失败次数达到预设的云端推理服务失效阈值,判定云端推理服务已失效。
具体地,图6为一个实施例中自动控制车辆根据当前控制信息进行对应操作的流程示意图,如图6所示,根据云端推理服务器的推理失败次数判定云端推理服务功能是否失效时,首先判断云端推理服务器的推理失败次数是否达到预设的云端推理服务失效阈值;其中,云端推理服务失效阈值是用以判定云端推理服务是否失效的阈值。如果云端推理服务器的推理失败次数达到预设的云端推理服务失效阈值,则判定云端推理服务已失效,此时以本地推理服务为准。例如,设定云端推理服务失效阈值为5次,当云端推理服务器的推理失败次数小于5次时,判定此时的云端推理服务尚未失效;当云端推理服务器的推理失败次数大于等于5次时,判定此时的云端推理服务已失效。设定本地推理服务失效阈值为5次,当本地推理服务器的推理失败次数小于5次时,判定此时的本地推理服务尚未失效;当本地推理服务器的推理失败次数大于等于5次时,判定此时的本地推理服务已失效。当云端推理服务已失效或本地推理服务已失效时,生成安全驾驶建议,通常是采用未失效的服务器完成推理服务。若云端推理服务和本地推理服务均已失效,此时采用保守驾驶模式行驶,必要时可以停车。
本实施例中,通过根据云端推理服务器的推理失败次数是否达到预设的云端推理服务失效阈值,判断云端推理服务是否失效,实现了对于云端推理服务功能是否失效的准确判定,提高了自动驾驶车辆的行驶可靠性。
在一个实施例中,所述根据本地推理服务器的推理失败次数判定本地推理服务功能是否失效包括:
判断本地推理服务器的推理失败次数是否达到预设的本地推理服务失效阈值;
若本地推理服务器的推理失败次数达到预设的本地推理服务失效阈值,判定本地推理服务已失效。
具体地,图6为一个实施例中自动控制车辆根据当前控制信息进行对应操作的流程示意图,如图6所示,根据本地推理服务器的推理失败次数判断本地推理服务是否失效时,将本地推理服务器的推理失败次数与预设的本地推理服务失效阈值进行对比;其中,本地推理服务失效阈值是预设的用于判断本地推理服务是否失效的阈值。若本地推理服务失败次数达到了预设的本地推理服务失效阈值,则判定本地推理服务已失效。
本实施例中,通过将本地推理服务器的推理失败次数与预设的本地推理服务失效阈值进行对比,在本地推理服务器的推理失败次数达到预设的本地推理服务失效阈值时,判定本地推理服务已失效,实现了对本地推理服务功能是否失效的准确判定,提高了自动驾驶车辆的行驶稳定性。
在一个实施例中,若判定云端推理服务已失效或/和判定本地推理服务已失效还包括:
若本地推理服务失效,尝试重新启动云端推理服务功能;
若云端推理服务失效,尝试重新启动本地推理服务功能,控制所述自动驾驶车辆使用保守驾驶模式直至云端推理服务恢复;所述保守驾驶模式是对所述自动驾驶车辆的行驶参数上限作出限制的驾驶模式;
若本地推理服务和云端推理服务均已失效,控制所述自动驾驶车辆采用保守驾驶模式进行行驶。
具体地,图6为一个实施例中自动控制车辆根据当前控制信息进行对应操作的流程示意图,如图6所示,在判定本地推理服务已失效之后,根据推理服务的失效情况,进行对应的后续处理。如果本地推理服务失效,则尝试重新启动云端推理服务功能,直至云端推理服务功能成功启动。如果云端推理服务失效,则尝试重新启动本地推理服务功能,为了保证自动驾驶车辆的行驶安全,则控制自动驾驶车辆使用保守驾驶模式直至云端推理服务恢复;其中,保守驾驶模式是对自动驾驶车辆的行驶参数上限作出限制的驾驶模式;如果本地推理服务和云端推理服务均已失效,证明自动驾驶车辆继续行驶已经很不安全,此时控制自动驾驶车辆紧急制动停车。
本实施例中,通过在判定本地或云端推理服务功能失效以后,对云端或本地推理服务功能进行重新连接、保守驾驶模式或紧急制动停车,提高了自动驾驶车辆的行驶的安全性。
在一个实施例中,如图7所示,提供了一种基于云端推理服务的自动驾驶方法,以该方法应用于图1中的云端推理服务器101为例进行说明,包括以下步骤:
步骤702,接收所述自动驾驶车辆发送的当前环境信息和当前行驶信息。
其中,当前环境信息是自动驾驶车辆在当前运行时利用设置在自动驾驶车辆上的图像采集装置,采集的周围环境的图像信息;和利用设置在自动驾驶车辆上的激光雷达系统,采集的自动驾驶车辆周围环境的激光雷达点云数据。当前行驶信息是利用设置在自动驾驶车辆上的各传感设备采集对应的数据信息;传感器设备包括光传感器、运动传感器以及其他传感器。
具体地,云端推理服务器实时接收自动驾驶车辆发送的当前环境信息和当前行驶信息。当前环境信息通过车载环境信息采集装置采集,车载环境信息采集装置包括图像采集装置和激光雷达系统。图像采集装置是用于拍摄自动驾驶车辆行驶时周边路面信息的摄像头;激光雷达系统用于采集自动驾驶车辆周围环境的激光雷达点云数据。当前行驶信息是利用设置在自动驾驶车辆上的各传感设备采集对应的数据信息。
步骤704,将所述当前环境信息和所述当前行驶信息导入云端推理神经网络模型中进行推理处理,生成云端控制信息。
具体地,云端推理服务器在获取当前环境信息和当前行驶信息以后,将当前环境信息和当前行驶信息导入云端推理神经网络模型中进行推理处理,生成云端控制信息。其中,云端推理神经网络模型是根据历史数据进行训练生成的。
步骤706,将所述云端控制信息发送至所述自动驾驶车辆。
具体地,云端推理服务器对当前环境信息和当前行驶信息进行推理处理以后,生成云端控制信息,并将云端控制信息通过无线通信方式发送至自动驾驶车辆,以使得自动驾驶车辆能够根据云端控制信息生成当前控制信息,并跟当前控制信息对自动驾驶车辆的行驶进行控制。
上述基于云端推理服务的自动驾驶方法中,云端推理服务器接收自动驾驶车辆发送的当前环境信息以及自动驾驶车辆的当前行驶信息。并通过预先训练的云端推理神经网络模型进行处理,获取对应的云端控制信息,并将云端控制信息发送至自动驾驶车辆,通过云端推理服务器的推理服务,提高了自动驾驶车辆行驶的可靠性。
在一个实施例中,所述云端推理神经网络模型通过以下方法训练获取:获取所述自动驾驶车辆在预设时间范围内的历史环境信息、历史行驶信息和历史控制信息作为训练集;
以所述历史环境信息和所述历史行驶信息作为神经网络模型的输入,以所述历史控制信息作为神经网络模型的输出,对神经网络模型进行训练获取云端推理神经网络模型。
具体地,训练云端推理神经网络模型时,首先获取自动驾驶车辆在预设时间范围内的历史环境信息、历史行驶信息和历史控制信息作为训练集,预设时间范围越长,训练出的云端推理神经网络模型越准确。进行模型训练时,以历史环境信息和历史行驶信息作为神经网络模型的输入,以历史控制信息作为神经网络模型的输出,对神经网络模型进行训练获取云端推理神经网络模型。
本实施例中,通过以自动驾驶车辆在预设时间范围内的历史环境信息、历史行驶信息和历史控制信息作为训练集,并以训练集对神经网络模型进行训练获取云端推理神经网络模型,提高了云端推理服务器进行推理服务的效率和准确率,提高了自动驾驶车辆的行驶可靠性。
在一个实施例中,所述接收所述自动驾驶车辆发送的当前环境信息和当前行驶信息,之前还包括:
接收所述自动驾驶车辆发送的注册云端推理服务信息;
根据所述注册云端推理服务信息判断所述自动驾驶车辆是否符合云端推理注册标准,若所述自动驾驶车辆符合云端推理注册标准,建立与所述自动驾驶车辆之间的云端推理服务关系。
具体地,在云端推理服务器接收自动驾驶车辆发送的当前环境信息和当前行驶信息之前,还包括自动驾驶车辆在云端推理服务器进行注册的前置步骤。云端推理服务器接收自动驾驶车辆发送的注册云端推理服务信息,并根据注册云端推理服务信息判断自动驾驶车辆是否符合云端推理注册标准,若自动驾驶车辆符合云端推理注册标准,建立与自动驾驶车辆之间的云端推理服务关系;否则,不建立与自动驾驶车辆之间的云端推理服务关系。
本实施例中,通过在云端推理服务器接收自动驾驶车辆发送的当前环境信息和当前行驶信息之前,云端推理服务器根据注册云端推理服务信息判断自动驾驶车辆是否符合云端推理注册标准,若自动驾驶车辆符合云端推理注册标准,建立与自动驾驶车辆之间的云端推理服务关系,实现了云端推理服务器与自动驾驶车辆之间的业务往来,提高了自动驾驶车辆的通信安全性。
应该理解的是,虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-7中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种基于云端推理服务的自动驾驶装置,包括:获取模块801、发送模块802、接收模块803和控制模块804,其中:
获取模块801,用于获取自动驾驶车辆所处的当前环境信息以及所述自动驾驶车辆的当前行驶信息;
发送模块802,用于将所述当前环境信息以及当前行驶信息发送至本地推理服务器和云端推理服务器;
接收模块803,用于接收来自所述本地推理服务器和所述云端推理服务器的当前控制信息;
控制模块804,用于基于所述当前控制信息,控制所述自动驾驶车辆运行。
在一个实施例中,所述获取模块801,还用于:当所述自动驾驶车辆处于自动驾驶状态时,利用车载环境信息采集装置采集所述自动驾驶车辆的当前环境信息;以及利用设置在所述自动驾驶车辆上的各传感设备采集对应的数据信息,基于所述数据信息生成所述自动驾驶车辆的当前行驶信息。
在一个实施例中,所述获取模块801,还用于:利用设置在所述自动驾驶车辆上的图像采集装置,采集所述自动驾驶车辆的周围环境的图像信息;利用设置在所述自动驾驶车辆上的激光雷达系统,采集所述自动驾驶车辆的周围环境的点云数据;对所述图像信息以及点云数据进行分析,得到所述自动驾驶车辆的当前环境信息。
在一个实施例中,所述接收模块803,还用于:所述当前控制信息由所述本地推理服务器和所述云端推理服务器对所述当前环境信息以及所述当前行驶信息进行推理来获得。
在一个实施例中,所述发送模块802,还用于:分别接收所述本地推理服务器发送的本地控制信息和所述云端推理服务器发送的云端控制信息;基于接收到的本地控制信息和云端控制信息,生成当前控制信息;所述本地控制信息是本地推理服务器对所述当前环境信息和当前行驶信息进行推理处理生成的控制信息;所述云端控制信息是云端推理服务器对所述当前环境信息和当前行驶信息进行推理处理生成的控制信息。
在一个实施例中,所述接收模块803,还用于:在预设时间范围内,若同时接收到本地推理服务器发送的本地控制信息和云端推理服务器发送的云端控制信息,将所述云端控制信息作为当前控制信息。
在一个实施例中,所述接收模块803,还用于:在预设时间范围内,若只接收到本地推理服务器发送的本地控制信息,未接收到云端推理服务器发送的云端控制信息,所述本地控制信息作为当前控制信息。
在一个实施例中,所述接收模块803,还用于:将云端推理服务器的推理失败次数增加一次,根据云端推理服务器的推理失败次数判定云端推理服务功能是否失效。
在一个实施例中,所述接收模块803,还用于:在预设时间范围内,若只接收到云端推理服务器发送的云端控制信息,未接收到本地推理服务器发送的本地控制信息,将所述云端控制信息作为当前控制信息;将本地推理服务器的推理失败次数增加一次,根据本地推理服务器的推理失败次数判定本地推理服务功能是否失效。
在一个实施例中,所述接收模块803,还用于:在预设时间范围内,若未接收到本地推理服务器发送的本地控制信息且未接收到云端推理服务器发送的云端控制信息,生成采用保守驾驶模式行驶的指令作为当前控制信息;将云端推理服务器的推理失败次数和本地推理服务器的推理失败次数均增加一次,根据云端推理服务器的推理失败次数判定云端推理服务功能是否失效,根据本地推理服务器的推理失败次数判定本地推理服务功能是否失效。
在一个实施例中,所述接收模块803,还用于:判断云端推理服务器的推理失败次数是否达到预设的云端推理服务失效阈值;若云端推理服务器的推理失败次数达到预设的云端推理服务失效阈值,判定云端推理服务已失效。
在一个实施例中,所述接收模块803,还用于:判断本地推理服务器的推理失败次数是否达到预设的本地推理服务失效阈值;若本地推理服务器的推理失败次数达到预设的本地推理服务失效阈值,判定本地推理服务已失效。
在一个实施例中,所述接收模块803,还用于:若本地推理服务失效,尝试重新启动云端推理服务功能;若云端推理服务失效,尝试重新启动本地推理服务功能,控制所述自动驾驶车辆使用保守驾驶模式直至云端推理服务恢复;所述保守驾驶模式是对所述自动驾驶车辆的行驶参数上限作出限制的驾驶模式;若本地推理服务和云端推理服务均已失效,控制所述自动驾驶车辆采用保守驾驶模式进行行驶。
在一个实施例中,如图9所示,提供了一种基于云端推理服务的自动驾驶装置,包括:接收模块901、生成模块902和发送模块903,其中:
接收模块901,用于接收所述自动驾驶车辆发送的当前环境信息和当前行驶信息。
生成模块902,用于将所述当前环境信息和所述当前行驶信息导入云端推理神经网络模型中进行推理处理,生成云端控制信息。
发送模块903,用于将所述云端控制信息发送至所述自动驾驶车辆。
在一个实施例中,所述生成模块902中的云端推理神经网络模型通过以下方法训练获取:获取所述自动驾驶车辆在预设时间范围内的历史环境信息、历史行驶信息和历史控制信息作为训练集;以所述历史环境信息和所述历史行驶信息作为神经网络模型的输入,以所述历史控制信息作为神经网络模型的输出,对神经网络模型进行训练获取云端推理神经网络模型。
在一个实施例中,所述接收模块901,还用于:接收所述自动驾驶车辆发送的注册云端推理服务信息;根据所述注册云端推理服务信息判断所述自动驾驶车辆是否符合云端推理注册标准,若所述自动驾驶车辆符合云端推理注册标准,建立与所述自动驾驶车辆之间的云端推理服务关系。
关于基于云端推理服务的自动驾驶装置的具体限定可以参见上文中对于基于云端推理服务的自动驾驶方法的限定,在此不再赘述。上述基于云端推理服务的自动驾驶装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于云端推理服务的自动驾驶方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取所述自动驾驶车辆所处的当前环境信息以及所述自动驾驶车辆的当前行驶信息;
将所述当前环境信息以及当前行驶信息发送至本地推理服务器和云端推理服务器;
接收来自所述本地推理服务器和所述云端推理服务器的当前控制信息;
基于所述当前控制信息,控制所述自动驾驶车辆运行。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:当所述自动驾驶车辆处于自动驾驶状态时,利用车载环境信息采集装置采集所述自动驾驶车辆的当前环境信息;以及利用设置在所述自动驾驶车辆上的各传感设备采集对应的数据信息,基于所述数据信息生成所述自动驾驶车辆的当前行驶信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:利用设置在所述自动驾驶车辆上的图像采集装置,采集所述自动驾驶车辆的周围环境的图像信息;利用设置在所述自动驾驶车辆上的激光雷达系统,采集所述自动驾驶车辆的周围环境的点云数据;对所述图像信息以及点云数据进行分析,得到所述自动驾驶车辆的当前环境信息。
在一个实施例中,所述当前控制信息由所述本地推理服务器和所述云端推理服务器对所述当前环境信息以及所述当前行驶信息进行推理来获得。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:分别接收所述本地推理服务器发送的本地控制信息和所述云端推理服务器发送的云端控制信息;基于接收到的本地控制信息和云端控制信息,生成当前控制信息;所述本地控制信息是本地推理服务器对所述当前环境信息和当前行驶信息进行推理处理生成的控制信息;所述云端控制信息是云端推理服务器对所述当前环境信息和当前行驶信息进行推理处理生成的控制信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:在预设时间范围内,若同时接收到本地推理服务器发送的本地控制信息和云端推理服务器发送的云端控制信息,将所述云端控制信息作为当前控制信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:在预设时间范围内,若只接收到本地推理服务器发送的本地控制信息,未接收到云端推理服务器发送的云端控制信息,所述本地控制信息作为当前控制信息。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将云端推理服务器的推理失败次数增加一次,根据云端推理服务器的推理失败次数判定云端推理服务功能是否失效。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:在预设时间范围内,若只接收到云端推理服务器发送的云端控制信息,未接收到本地推理服务器发送的本地控制信息,将所述云端控制信息作为当前控制信息;将本地推理服务器的推理失败次数增加一次,根据本地推理服务器的推理失败次数判定本地推理服务功能是否失效。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:在预设时间范围内,若未接收到本地推理服务器发送的本地控制信息且未接收到云端推理服务器发送的云端控制信息,生成采用保守驾驶模式行驶的指令作为当前控制信息;将云端推理服务器的推理失败次数和本地推理服务器的推理失败次数均增加一次,根据云端推理服务器的推理失败次数判定云端推理服务功能是否失效,根据本地推理服务器的推理失败次数判定本地推理服务功能是否失效。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:判断云端推理服务器的推理失败次数是否达到预设的云端推理服务失效阈值;若云端推理服务器的推理失败次数达到预设的云端推理服务失效阈值,判定云端推理服务已失效。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:判断本地推理服务器的推理失败次数是否达到预设的本地推理服务失效阈值;若本地推理服务器的推理失败次数达到预设的本地推理服务失效阈值,判定本地推理服务已失效。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若本地推理服务失效,尝试重新启动云端推理服务功能;若云端推理服务失效,尝试重新启动本地推理服务功能,控制所述自动驾驶车辆使用保守驾驶模式直至云端推理服务恢复;所述保守驾驶模式是对所述自动驾驶车辆的行驶参数上限作出限制的驾驶模式;若本地推理服务和云端推理服务均已失效,控制所述自动驾驶车辆采用保守驾驶模式进行行驶。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
接收所述自动驾驶车辆发送的当前环境信息和当前行驶信息;
将所述当前环境信息和所述当前行驶信息导入云端推理神经网络模型中进行推理处理,生成云端控制信息;
将所述云端控制信息发送至所述自动驾驶车辆。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取所述自动驾驶车辆在预设时间范围内的历史环境信息、历史行驶信息和历史控制信息作为训练集;以所述历史环境信息和所述历史行驶信息作为神经网络模型的输入,以所述历史控制信息作为神经网络模型的输出,对神经网络模型进行训练获取云端推理神经网络模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:接收所述自动驾驶车辆发送的注册云端推理服务信息;根据所述注册云端推理服务信息判断所述自动驾驶车辆是否符合云端推理注册标准,若所述自动驾驶车辆符合云端推理注册标准,建立与所述自动驾驶车辆之间的云端推理服务关系。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取所述自动驾驶车辆所处的当前环境信息以及所述自动驾驶车辆的当前行驶信息;
将所述当前环境信息以及当前行驶信息发送至本地推理服务器和云端推理服务器;
接收来自所述本地推理服务器和所述云端推理服务器的当前控制信息;
基于所述当前控制信息,控制所述自动驾驶车辆运行。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:当所述自动驾驶车辆处于自动驾驶状态时,利用车载环境信息采集装置采集所述自动驾驶车辆的当前环境信息;以及利用设置在所述自动驾驶车辆上的各传感设备采集对应的数据信息,基于所述数据信息生成所述自动驾驶车辆的当前行驶信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:利用设置在所述自动驾驶车辆上的图像采集装置,采集所述自动驾驶车辆的周围环境的图像信息;利用设置在所述自动驾驶车辆上的激光雷达系统,采集所述自动驾驶车辆的周围环境的点云数据;对所述图像信息以及点云数据进行分析,得到所述自动驾驶车辆的当前环境信息。
在一个实施例中,所述当前控制信息由所述本地推理服务器和所述云端推理服务器对所述当前环境信息以及所述当前行驶信息进行推理来获得。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:分别接收所述本地推理服务器发送的本地控制信息和所述云端推理服务器发送的云端控制信息;基于接收到的本地控制信息和云端控制信息,生成当前控制信息;所述本地控制信息是本地推理服务器对所述当前环境信息和当前行驶信息进行推理处理生成的控制信息;所述云端控制信息是云端推理服务器对所述当前环境信息和当前行驶信息进行推理处理生成的控制信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:在预设时间范围内,若同时接收到本地推理服务器发送的本地控制信息和云端推理服务器发送的云端控制信息,将所述云端控制信息作为当前控制信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:在预设时间范围内,若只接收到本地推理服务器发送的本地控制信息,未接收到云端推理服务器发送的云端控制信息,所述本地控制信息作为当前控制信息。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将云端推理服务器的推理失败次数增加一次,根据云端推理服务器的推理失败次数判定云端推理服务功能是否失效。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:在预设时间范围内,若只接收到云端推理服务器发送的云端控制信息,未接收到本地推理服务器发送的本地控制信息,将所述云端控制信息作为当前控制信息;将本地推理服务器的推理失败次数增加一次,根据本地推理服务器的推理失败次数判定本地推理服务功能是否失效。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:在预设时间范围内,若未接收到本地推理服务器发送的本地控制信息且未接收到云端推理服务器发送的云端控制信息,生成采用保守驾驶模式行驶的指令作为当前控制信息;将云端推理服务器的推理失败次数和本地推理服务器的推理失败次数均增加一次,根据云端推理服务器的推理失败次数判定云端推理服务功能是否失效,根据本地推理服务器的推理失败次数判定本地推理服务功能是否失效。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:判断云端推理服务器的推理失败次数是否达到预设的云端推理服务失效阈值;若云端推理服务器的推理失败次数达到预设的云端推理服务失效阈值,判定云端推理服务已失效。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:判断本地推理服务器的推理失败次数是否达到预设的本地推理服务失效阈值;若本地推理服务器的推理失败次数达到预设的本地推理服务失效阈值,判定本地推理服务已失效。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若本地推理服务失效,尝试重新启动云端推理服务功能;若云端推理服务失效,尝试重新启动本地推理服务功能,控制所述自动驾驶车辆使用保守驾驶模式直至云端推理服务恢复;所述保守驾驶模式是对所述自动驾驶车辆的行驶参数上限作出限制的驾驶模式;若本地推理服务和云端推理服务均已失效,控制所述自动驾驶车辆采用保守驾驶模式进行行驶。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
接收所述自动驾驶车辆发送的当前环境信息和当前行驶信息;
将所述当前环境信息和所述当前行驶信息导入云端推理神经网络模型中进行推理处理,生成云端控制信息;
将所述云端控制信息发送至所述自动驾驶车辆。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取所述自动驾驶车辆在预设时间范围内的历史环境信息、历史行驶信息和历史控制信息作为训练集;以所述历史环境信息和所述历史行驶信息作为神经网络模型的输入,以所述历史控制信息作为神经网络模型的输出,对神经网络模型进行训练获取云端推理神经网络模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:接收所述自动驾驶车辆发送的注册云端推理服务信息;根据所述注册云端推理服务信息判断所述自动驾驶车辆是否符合云端推理注册标准,若所述自动驾驶车辆符合云端推理注册标准,建立与所述自动驾驶车辆之间的云端推理服务关系。
本领域普通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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (20)
1.一种基于云端推理服务的自动驾驶方法,其特征在于,所述方法包括:
获取自动驾驶车辆所处的当前环境信息以及所述自动驾驶车辆的当前行驶信息;
将所述当前环境信息以及当前行驶信息发送至本地推理服务器和云端推理服务器;
接收来自所述本地推理服务器和所述云端推理服务器的当前控制信息;
基于所述当前控制信息,控制所述自动驾驶车辆运行。
2.根据权利要求1所述的方法,其特征在于,所述获取所述自动驾驶车辆所处的当前环境信息以及所述自动驾驶车辆的当前行驶信息包括:
当所述自动驾驶车辆处于自动驾驶状态时,利用车载环境信息采集装置采集所述自动驾驶车辆的当前环境信息;以及
利用设置在所述自动驾驶车辆上的各传感设备采集对应的数据信息,基于所述数据信息生成所述自动驾驶车辆的当前行驶信息。
3.根据权利要求2所述的方法,其特征在于,所述利用车载环境信息采集装置采集所述自动驾驶车辆的当前环境信息包括:
利用设置在所述自动驾驶车辆上的图像采集装置,采集所述自动驾驶车辆的周围环境的图像信息;
利用设置在所述自动驾驶车辆上的激光雷达系统,采集所述自动驾驶车辆的周围环境的点云数据;
对所述图像信息以及点云数据进行分析,得到所述自动驾驶车辆的当前环境信息。
4.根据权利要求1所述的方法,其特征在于,所述当前控制信息由所述本地推理服务器和所述云端推理服务器对所述当前环境信息以及所述当前行驶信息进行推理来获得。
5.根据权利要求1所述的方法,其特征在于,所述接收来自所述本地推理服务器和所述云端推理服务器的当前控制信息包括:
分别接收所述本地推理服务器发送的本地控制信息和所述云端推理服务器发送的云端控制信息;
基于接收到的本地控制信息和云端控制信息生成当前控制信息;所述本地控制信息是本地推理服务器对所述当前环境信息和当前行驶信息进行推理处理生成的控制信息;所述云端控制信息是云端推理服务器对所述当前环境信息和当前行驶信息进行推理处理生成的控制信息。
6.根据权利要求5所述的方法,其特征在于,所述基于接收到的本地控制信息和云端控制信息生成当前控制信息包括:
在预设时间范围内,若同时接收到本地推理服务器发送的本地控制信息和云端推理服务器发送的云端控制信息,将所述云端控制信息作为当前控制信息。
7.根据权利要求5所述的方法,其特征在于,所述基于接收到的本地控制信息和云端控制信息生成当前控制信息还包括:
在预设时间范围内,若只接收到本地推理服务器发送的本地控制信息,未接收到云端推理服务器发送的云端控制信息,所述本地控制信息作为当前控制信息。
8.根据权利要求7所述的方法,其特征在于,所述基于接收到的本地控制信息和云端控制信息生成当前控制信息还包括:
将云端推理服务器的推理失败次数增加一次,根据云端推理服务器的推理失败次数判定云端推理服务功能是否失效。
9.根据权利要求5所述的方法,其特征在于,所述基于接收到的本地控制信息和云端控制信息生成当前控制信息还包括:
在预设时间范围内,若只接收到云端推理服务器发送的云端控制信息,未接收到本地推理服务器发送的本地控制信息,将所述云端控制信息作为当前控制信息;
将本地推理服务器的推理失败次数增加一次,根据本地推理服务器的推理失败次数判定本地推理服务功能是否失效。
10.根据权利要求5所述的方法,其特征在于,所述基于接收到的本地控制信息和云端控制信息生成当前控制信息还包括:
在预设时间范围内,若未接收到本地推理服务器发送的本地控制信息且未接收到云端推理服务器发送的云端控制信息,生成采用保守驾驶模式行驶的指令作为当前控制信息;
将云端推理服务器的推理失败次数和本地推理服务器的推理失败次数均增加一次,根据云端推理服务器的推理失败次数判定云端推理服务功能是否失效,根据本地推理服务器的推理失败次数判定本地推理服务功能是否失效。
11.根据权利要求10所述的方法,其特征在于,所述根据云端推理服务器的推理失败次数判定云端推理服务功能是否失效包括:
判断云端推理服务器的推理失败次数是否达到预设的云端推理服务失效阈值;
若云端推理服务器的推理失败次数达到预设的云端推理服务失效阈值,判定云端推理服务已失效。
12.根据权利要求11所述的方法,其特征在于,所述根据本地推理服务器的推理失败次数判定本地推理服务功能是否失效包括:
判断本地推理服务器的推理失败次数是否达到预设的本地推理服务失效阈值;
若本地推理服务器的推理失败次数达到预设的本地推理服务失效阈值,判定本地推理服务已失效。
13.根据权利要求12所述的方法,其特征在于,所述判定云端推理服务已失效或/和判定本地推理服务已失效还包括:
若本地推理服务失效,尝试重新启动云端推理服务功能;
若云端推理服务失效,尝试重新启动本地推理服务功能,控制所述自动驾驶车辆使用保守驾驶模式直至云端推理服务恢复;所述保守驾驶模式是对所述自动驾驶车辆的行驶参数上限作出限制的驾驶模式;
若本地推理服务和云端推理服务均已失效,控制所述自动驾驶车辆采用保守驾驶模式进行行驶。
14.一种基于云端推理服务的自动驾驶方法,其特征在于,所述方法包括:
接收所述自动驾驶车辆发送的当前环境信息和当前行驶信息;
将所述当前环境信息和所述当前行驶信息导入云端推理神经网络模型中进行推理处理,生成云端控制信息;
将所述云端控制信息发送至所述自动驾驶车辆。
15.根据权利要求14所述的方法,其特征在于,所述云端推理神经网络模型通过以下方法训练获取:
获取所述自动驾驶车辆在预设时间范围内的历史环境信息、历史行驶信息和历史控制信息作为训练集;
以所述历史环境信息和所述历史行驶信息作为神经网络模型的输入,以所述历史控制信息作为神经网络模型的输出,对神经网络模型进行训练获取云端推理神经网络模型。
16.根据权利要求14所述的方法,其特征在于,所述接收所述自动驾驶车辆发送的当前环境信息和当前行驶信息,之前还包括:
接收所述自动驾驶车辆发送的注册云端推理服务信息;
根据所述注册云端推理服务信息判断所述自动驾驶车辆是否符合云端推理注册标准,若所述自动驾驶车辆符合云端推理注册标准,建立与所述自动驾驶车辆之间的云端推理服务关系。
17.一种基于云端推理服务的自动驾驶装置,其特征在于,所述装置包括:
获取模块,用于获取自动驾驶车辆所处的当前环境信息以及所述自动驾驶车辆的当前行驶信息;
发送模块,用于将所述当前环境信息以及当前行驶信息发送至本地推理服务器和云端推理服务器;
接收模块,用于接收来自所述本地推理服务器和所述云端推理服务器的当前控制信息;
控制模块,用于基于所述当前控制信息,控制所述自动驾驶车辆运行。
18.一种基于云端推理服务的自动驾驶装置,其特征在于,所述装置包括:
接收模块,用于接收所述自动驾驶车辆发送的当前环境信息和当前行驶信息;
生成模块,用于将所述当前环境信息和所述当前行驶信息导入云端推理神经网络模型中进行推理处理,生成云端控制信息;
发送模块,用于将所述云端控制信息发送至所述自动驾驶车辆。
19.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至16中任一项所述的方法的步骤。
20.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至16中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110780671.4A CN113442948B (zh) | 2021-07-09 | 2021-07-09 | 基于云端推理服务的自动驾驶方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110780671.4A CN113442948B (zh) | 2021-07-09 | 2021-07-09 | 基于云端推理服务的自动驾驶方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113442948A true CN113442948A (zh) | 2021-09-28 |
CN113442948B CN113442948B (zh) | 2024-01-23 |
Family
ID=77815847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110780671.4A Active CN113442948B (zh) | 2021-07-09 | 2021-07-09 | 基于云端推理服务的自动驾驶方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113442948B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114987514A (zh) * | 2022-06-21 | 2022-09-02 | 零束科技有限公司 | 自动驾驶车辆的控制方法及其装置、电子设备 |
US20240036990A1 (en) * | 2021-06-15 | 2024-02-01 | Inspur Suzhou Intelligent Technology Co., Ltd. | Inference service management method, apparatus and system for inference platform, and medium |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101096376B1 (ko) * | 2011-04-06 | 2011-12-20 | 주식회사 엘지유플러스 | 차량 단말 및 이동 단말을 이용하여 차량 운행 데이터 기반의 서비스를 제공하는 방법 및 상기 방법을 사용하는 장치 |
CN108803604A (zh) * | 2018-06-06 | 2018-11-13 | 深圳市易成自动驾驶技术有限公司 | 车辆自动驾驶方法、装置以及计算机可读存储介质 |
US20190061782A1 (en) * | 2017-08-25 | 2019-02-28 | International Business Machines Corporation | Using cloud-based traffic policies to alleviate issues with cross geographic traffic in autonomous vehicles |
KR102123866B1 (ko) * | 2020-02-27 | 2020-06-17 | (유)동아하이테크 | 상용 자율 주행차 시험장의 mec 지원 시스템 |
US20200192358A1 (en) * | 2018-12-12 | 2020-06-18 | Beijing Baidu Netcom Science and Technology Co., Ltd | Method, apparatus, system and storage medium for authorizing autonomous driving function |
CN112249034A (zh) * | 2020-12-14 | 2021-01-22 | 国汽智控(北京)科技有限公司 | 一种汽车大脑系统及车辆驾驶控制方法 |
CN112550313A (zh) * | 2019-09-26 | 2021-03-26 | 通用汽车环球科技运作有限责任公司 | 通过云计算的容错嵌入式汽车应用程序 |
CN112835346A (zh) * | 2019-11-04 | 2021-05-25 | 大众汽车(中国)投资有限公司 | 用于控制车辆的方法和系统、及车载自动驾驶系统 |
-
2021
- 2021-07-09 CN CN202110780671.4A patent/CN113442948B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101096376B1 (ko) * | 2011-04-06 | 2011-12-20 | 주식회사 엘지유플러스 | 차량 단말 및 이동 단말을 이용하여 차량 운행 데이터 기반의 서비스를 제공하는 방법 및 상기 방법을 사용하는 장치 |
US20190061782A1 (en) * | 2017-08-25 | 2019-02-28 | International Business Machines Corporation | Using cloud-based traffic policies to alleviate issues with cross geographic traffic in autonomous vehicles |
CN108803604A (zh) * | 2018-06-06 | 2018-11-13 | 深圳市易成自动驾驶技术有限公司 | 车辆自动驾驶方法、装置以及计算机可读存储介质 |
US20200192358A1 (en) * | 2018-12-12 | 2020-06-18 | Beijing Baidu Netcom Science and Technology Co., Ltd | Method, apparatus, system and storage medium for authorizing autonomous driving function |
CN112550313A (zh) * | 2019-09-26 | 2021-03-26 | 通用汽车环球科技运作有限责任公司 | 通过云计算的容错嵌入式汽车应用程序 |
CN112835346A (zh) * | 2019-11-04 | 2021-05-25 | 大众汽车(中国)投资有限公司 | 用于控制车辆的方法和系统、及车载自动驾驶系统 |
KR102123866B1 (ko) * | 2020-02-27 | 2020-06-17 | (유)동아하이테크 | 상용 자율 주행차 시험장의 mec 지원 시스템 |
CN112249034A (zh) * | 2020-12-14 | 2021-01-22 | 国汽智控(北京)科技有限公司 | 一种汽车大脑系统及车辆驾驶控制方法 |
Non-Patent Citations (1)
Title |
---|
王娟娟;乔颖;王宏安;: "基于图模型的自动驾驶推理任务调度", 计算机研究与发展, no. 08 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20240036990A1 (en) * | 2021-06-15 | 2024-02-01 | Inspur Suzhou Intelligent Technology Co., Ltd. | Inference service management method, apparatus and system for inference platform, and medium |
US11994958B2 (en) * | 2021-06-15 | 2024-05-28 | Inspur Suzhou Intelligent Technology Co., Ltd. | Inference service management method, apparatus and system for inference platform, and medium |
CN114987514A (zh) * | 2022-06-21 | 2022-09-02 | 零束科技有限公司 | 自动驾驶车辆的控制方法及其装置、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113442948B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109866778B (zh) | 具有自动辅助的自主车辆操作 | |
CN110481565B (zh) | 自动驾驶车辆的控制方法和自动驾驶车辆的控制装置 | |
CN113442948B (zh) | 基于云端推理服务的自动驾驶方法、装置和计算机设备 | |
US20150066284A1 (en) | Autonomous vehicle control for impaired driver | |
DE102018117380A1 (de) | Bremsvorhersage und -eingriff | |
MX2015002632A (es) | Monitoreo del operador del vehiculo y ajustes de las operaciones. | |
CN110497914B (zh) | 自动驾驶的驾驶员行为模型开发方法、设备和存储介质 | |
CN110949406B (zh) | 一种智能驾驶系统及方法 | |
US20220089153A1 (en) | Scenario identification in autonomous driving environments | |
CN113366399A (zh) | 基于远程接管的车辆控制方法、装置和计算机设备 | |
CN111260481A (zh) | 信息处理系统、程序及控制方法 | |
GB2562573A (en) | Exhaust gas analysis | |
CN113734193A (zh) | 用于估计接管时间的系统和方法 | |
US20220350336A1 (en) | Platform for path planning system development for automated driving system | |
CN110789515B (zh) | 机动车辆中用于硬件验证的系统和方法 | |
CN116907523A (zh) | 路径规划方法、装置、计算机设备和存储介质 | |
US20210323565A1 (en) | Vehicle control device, automated driving vehicle development system, vehicle control method, and program | |
CN110647146B (zh) | 无人车控制方法、装置、计算机设备和存储介质 | |
US20200201343A1 (en) | Using a long-term recurrent convolutional network to plan a sequence of lateral controls in autonomous driving | |
US20210049377A1 (en) | Fault isolation for perception systems in autonomous/active safety vehicles | |
CN115657647A (zh) | 故障确定方法、装置、车辆及存储介质 | |
CN112498337A (zh) | 一种车辆安全管理方法、装置、系统及存储介质 | |
WO2022257056A1 (zh) | 车辆自动驾驶系统、方法、装置、计算机设备和存储介质 | |
US20230260328A1 (en) | Biometric task network | |
CN112009496B (zh) | 用于自主车辆控制的安全架构 |
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 |