CN113687991A - 一种车辆缺陷的推荐方法及装置 - Google Patents
一种车辆缺陷的推荐方法及装置 Download PDFInfo
- Publication number
- CN113687991A CN113687991A CN202110981350.0A CN202110981350A CN113687991A CN 113687991 A CN113687991 A CN 113687991A CN 202110981350 A CN202110981350 A CN 202110981350A CN 113687991 A CN113687991 A CN 113687991A
- Authority
- CN
- China
- Prior art keywords
- information
- defect
- vehicle
- hardware
- software
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2273—Test methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种车辆缺陷的推荐方法及装置,通过车辆的硬件信息和软件信息分别输入缺陷推荐模型,以输出硬件缺陷信息和软件缺陷信息;将车辆信息输入缺陷推荐模型,以输出车辆缺陷信息;将硬件缺陷信息、软件缺陷信息和车辆缺陷信息展示在用户界面中,以获取用户在用户界面中确认的缺陷信息;将用户确认的缺陷信息和缺陷信息对应的车辆信息反馈给缺陷推荐模型,并更新缺陷推荐模型的决策网络,基于车辆信息自动决策推荐出车辆各部件在不同场景下可能产生的安全缺陷,以帮助设计人员对车辆进行改进,保证车辆驾驶的安全性。
Description
技术领域
本申请涉及自动驾驶技术领域,具体而言,涉及一种车辆缺陷的推荐方法及装置。
背景技术
自动驾驶车辆的实现方案由硬件实现方案和软件实现方案组成,每种实现方案有其自身的局限性和弱点,例如摄像头受光照影响大,逆光或光影复杂的地方难以使用;超声波雷达只能探测10米以内的距离,无法进行远距离探测等。准确分析出自动驾驶车辆的实现方案的局限性和弱点可以避免很多事故,对于自动驾驶车辆安全行驶非常重要。
现有技术中,主要靠人工对实现方案的局限性和弱点进行认识和判断,这样需要时间和经验的积累。
发明内容
有鉴于此,本申请的目的在于提供一种车辆缺陷的推荐方法、控制装置、电子设备及存储介质,可以基于车辆信息自动决策推荐出车辆各部件在不同场景下可能产生的安全缺陷,以帮助设计人员对车辆进行改进,保证车辆驾驶的安全性。
第一方面,本申请实施例提供一种车辆缺陷的推荐方法,推荐方法包括:
将车辆的硬件信息和软件信息分别输入缺陷推荐模型,以输出硬件缺陷信息和软件缺陷信息,硬件缺陷信息为车辆在预设场景中硬件信息产生的安全缺陷,软件缺陷信息为车辆在预设场景中软件信息产生的安全缺陷;
将车辆信息输入缺陷推荐模型,以输出车辆缺陷信息,车辆信息包括车辆的硬件信息和软件信息,车辆缺陷信息为车辆在预设场景中硬件信息和软件信息共同产生的安全缺陷、硬件缺陷信息和软件缺陷信息;
将硬件缺陷信息、软件缺陷信息和车辆缺陷信息展示在用户界面中,以获取用户在用户界面中确认的缺陷信息;
将用户确认的缺陷信息和缺陷信息对应的车辆信息反馈给缺陷推荐模型,并更新缺陷推荐模型的决策网络。
优选地,述将车辆的硬件信息和软件信息分别输入缺陷推荐模型,以输出硬件缺陷信息和软件缺陷信息的步骤之前,还包括:
获取硬件信息和硬件缺陷的第一数据对、软件信息和软件缺陷信息的第二数据对、车辆信息和车辆缺陷信息的第三数据对;将第一数据、第二数据对和第三数据对输入强化学习模型进行训练,以生成缺陷推荐模型。
优选地,获取用户在用户界面中输入的车辆方案,车辆方案为车辆信息、硬件信息或软件信息;将车辆方案输入缺陷推荐模型,以输出对应的缺陷信息;将车辆方案和缺陷信息对应的显示在用户界面中。
优选地,将车辆方案和缺陷信息对应的显示在用户界面中的步骤,具体包括:
获取用户在用户界面对车辆方案的全部或部分的选择;将在预设场景中用户选择的车辆方案产生的安全缺陷输出。
优选地,用户界面上还显示有与车辆方案对应的编辑框,以使用户向车辆方案中添加缺陷信息,以更新用户界面上显示的缺陷信息。
优选地,获取用户添加缺陷信息的编辑框对应的车辆方案和用户添加的缺陷信息,反馈给缺陷推荐模型,并更新缺陷推荐模型的决策网络。
第二方面,本申请实施例还提供一种装置,包括:
第一输入模块,用于将车辆的硬件信息和软件信息分别输入缺陷推荐模型,以输出硬件缺陷信息和软件缺陷信息,硬件缺陷信息为车辆在预设场景中硬件信息产生的安全缺陷,软件缺陷信息为车辆在预设场景中软件信息产生的安全缺陷;
第二输入模块,用于将车辆信息输入缺陷推荐模型,以输出车辆缺陷信息,车辆信息包括车辆的硬件信息和软件信息,车辆缺陷信息为车辆在预设场景中硬件信息和软件信息共同产生的安全缺陷、硬件缺陷信息和软件缺陷信息;
显示模块,用于将硬件缺陷信息、软件缺陷信息和车辆缺陷信息展示在用户界面中,以获取用户在用户界面中确认的缺陷信息;
更新模块,用于将用户确认的缺陷信息和缺陷信息对应的车辆信息反馈给缺陷推荐模型,并更新缺陷推荐模型的决策网络。
优选的,还包括:数据对生成模块,用于获取硬件信息和硬件缺陷的第一数据对、软件信息和软件缺陷信息的第二数据对、车辆信息和车辆缺陷信息的第三数据对;
训练模块,用于将第一数据、第二数据对和第三数据对输入强化学习模型进行训练,以生成缺陷推荐模型。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述处理器执行所述机器可读指令,以执行如上所述车辆缺陷的推荐方法的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如上所述车辆缺陷的推荐方法的步骤。
本申请实施例提供的一种车辆缺陷的推荐方法,将车辆的硬件信息和软件信息分别输入缺陷推荐模型,缺陷推荐模型针对车辆的硬件信息输出硬件缺陷信息,针对车辆的软件信息输出软件缺陷信息,再将车辆的硬件信息和软件信息作为一个完整的车辆信息输入缺陷推荐模型,缺陷推荐模型输出车辆缺陷信息,车辆缺陷信息包括车辆在预设场景中硬件信息和软件信息共同产生的安全缺陷和硬件缺陷信息和软件缺陷信息,将硬件缺陷信息、软件缺陷信息和车辆缺陷信息展示给用户供用户确认,将用户确认的缺陷信息和与缺陷信息对应的车辆信息反馈给缺陷推荐模型,并以此更新缺陷推荐模型的决策网络,实现了车辆信息的缺陷信息的自动决策和推荐,同时能够根据用户的判断和反馈迭代推荐决策,提高了缺陷信息的准确性。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅为本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例所提供的车辆缺陷的推荐方法的流程图;
图2为本申请实施例所提供的车辆缺陷的训练方法的流程图;
图3为本申请实施例所提供的车辆缺陷的获取方法的示意图;
图4为本申请实施例所提供的车辆缺陷的推荐装置的结构示意图;
图5为本申请实施例所提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
自动驾驶车辆的实现方案由硬件实现方案和软件实现方案组成,每种实现方案有其自身的局限性和弱点,例如摄像头受光照影响大,逆光或光影复杂的地方难以使用;超声波雷达只能探测10米以内的距离,无法进行远距离探测等。准确分析出自动驾驶车辆的实现方案的局限性和弱点可以避免很多事故,对于自动驾驶车辆安全行驶非常重要。
现有技术中,主要靠人工对实现方案的局限性和弱点进行认识和判断,这样需要时间和经验的积累。
针对上述问题,本申请实施例提供一种车辆缺陷的推荐方法、装置、电子设备及存储介质,以实现以下至少一方面:基于车辆信息自动决策推荐出车辆各部件在不同场景下可能产生的安全缺陷,以帮助设计人员对车辆进行改进,保证车辆驾驶的安全性,同时根据用户的反馈对缺陷推荐模型进行更新。
为便于对本实施例进行理解,下面对本申请实施例提供的一种车辆缺陷的推荐方法、装置、电子设备及存储介质进行详细介绍。
请参阅图1,为本申请实施例提供的一种车辆缺陷的推荐方法,该推荐方法包括:
S101、将车辆的硬件信息和软件信息分别输入缺陷推荐模型,以输出硬件缺陷信息和软件缺陷信息,硬件缺陷信息为车辆在预设场景中硬件信息产生的安全缺陷,软件缺陷信息为车辆在预设场景中软件信息产生的安全缺陷。
车辆的硬件信息为车辆的硬件设计方案,可以包括车辆的硬件模块设计信息,车辆的硬件模块包括感知系统、自动定位系统、决策系统、运动控制系统。每个硬件模块设计信息包括该模块构成的元器件信息,以及元器件的输入和输出信息、元器件之间的数据流信息以及元器件之间输入和输出的逻辑信息。车辆的软件信息为车辆的软件设计方案,可以包括车辆的软件模块设计信息,车辆的软件模块包括感知融合模块、交通信号识别模块、决策模块、运动控制模块。每个软件模块设计信息包括该模块的操作系统开发信息、模块之间的数据流信息、模块中数据的结构信息以及模块之间数据交互的频率信息等。
这里的缺陷推荐模型是根据标准强化学习模块训练得到的,输入为车辆信息,输出为与车辆信息对应的缺陷信息。这里的缺陷信息为车辆在预设场景行驶时,某一车辆信息产生的安全缺陷。这里可以是整个车辆产生的安全缺陷,也可以是某一元器件的产生的安全缺陷,或某一系统或模块产生的安全缺陷,或者是以上几种的组合。例如,自动驾驶车辆的感知系统为一个激光雷达和一个摄像头组成,则激光雷达的安全缺陷为在雨雪雾等极端天气下感知性能差、采集数据量大,摄像头的安全缺陷为受环境光影响大即弱光情况下成像模糊、测距不准确等问题,而感知系统由激光雷达和摄像头共同协作,除了极端天气下性能差的问题,还会产生时钟同步以及数据校准的问题。
S102、将车辆信息输入缺陷推荐模型,以输出车辆缺陷信息,车辆信息包括车辆的硬件信息和软件信息,车辆缺陷信息为车辆在预设场景中硬件信息和软件信息共同产生的安全缺陷、硬件缺陷信息和软件缺陷信息。
可以理解的是,向缺陷推荐模型输入车辆的硬件信息时,输出的是与硬件信息对应的硬件缺陷信息,软件信息同理。则将硬件信息和软件信息作为车辆信息一个整体输入缺陷推荐模型时,则输出的不仅包括硬件缺陷信息和软件缺陷信息,还包括车辆缺陷信息,这里的车辆缺陷信息为车辆在预设场景中运行时软件信息和硬件信息中模块和系统之间协作过程中产生的安全缺陷。
S103、将硬件缺陷信息、软件缺陷信息和车辆缺陷信息展示在用户界面中,以获取用户在用户界面中确认的缺陷信息。
将前面两个步骤缺陷推荐模型输出的硬件缺陷信息、软件缺陷信息和车辆缺陷信息分别展示在用户界面中,其中缺陷信息与产生这一缺陷的车辆信息对应显示,例如激光雷达的安全缺陷为在雨雪雾等极端天气下感知性能差和采集数据量大。用户可以针对显示在用户界面上的每一条缺陷信息进行确认。
S104、将用户确认的缺陷信息和缺陷信息对应的车辆信息反馈给缺陷推荐模型,并更新缺陷推荐模型的决策网络。
将用户确认的缺陷信息和缺陷信息对应的车辆信息以数据对的形式反馈给缺陷推荐模型进行训练,以更新缺陷推荐模型的决策网络,使缺陷推荐模型下一次决策中的行动获得更大的奖励。其中,缺陷推荐算法就是强化学习中的智能体,用户和车辆的缺陷信息为强化学习的环境,模式选择缺陷信息输出的决策过程为强化学习的动作,而用户对某一车辆信息对应的缺陷信息的确认作为强化学习的奖励。
本申请提供的车辆缺陷的推荐方法,将车辆的硬件信息和软件信息分别输入缺陷推荐模型,缺陷推荐模型针对车辆的硬件信息输出硬件缺陷信息,针对车辆的软件信息输出软件缺陷信息,再将车辆的硬件信息和软件信息作为一个完整的车辆信息输入缺陷推荐模型,缺陷推荐模型输出车辆缺陷信息,车辆缺陷信息包括车辆在预设场景中硬件信息和软件信息共同产生的安全缺陷和硬件缺陷信息和软件缺陷信息,将硬件缺陷信息、软件缺陷信息和车辆缺陷信息展示给用户供用户确认,将用户确认的缺陷信息和与缺陷信息对应的车辆信息反馈给缺陷推荐模型,并以此更新缺陷推荐模型的决策网络,实现了车辆信息的缺陷信息的自动决策和推荐,同时能够根据用户的判断和反馈迭代推荐决策,提高了缺陷信息的准确性。
请参阅图2,为本申请实施例提供的一种车辆缺陷的训练方法,该训练方法包括:
S201、获取硬件信息和硬件缺陷的第一数据对、软件信息和软件缺陷信息的第二数据对、车辆信息和车辆缺陷信息的第三数据对;
S202、将第一数据、第二数据对和第三数据对输入强化学习模型进行训练,以生成缺陷推荐模型。
这里的强化学习模型为标准的深度Q网络(DQN)进行训练,获取现有的车辆信息和对应的缺陷信息生成数据对,输入强化学习模型,以对强化学习模型的损失函数进行优化,从而生成缺陷推荐模型。
具体的,在训练过程中,对数据对进行预设特征的提取,作为中间量,在训练过程中预设特征对模型的决策起到关键的影响作用。
请参阅图3,为本申请实施例提供的一种车辆缺陷的获取方法,该方法包括:
S301、获取用户在用户界面中输入的车辆方案,车辆方案为车辆信息、硬件信息或软件信息;
S302、将车辆方案输入缺陷推荐模型,以输出对应的缺陷信息;
S303、将车辆方案和缺陷信息对应的显示在用户界面中。
用户可以在用户界面中输入车辆方案,这里的车辆方案可以为完整的车辆信息,也可以为硬件信息或软件信息。例如可以输入一个完整的车辆设计方案,也可以输入硬件中的某一系统的设计方案。通过缺陷推荐模型对用户输入的车辆方案进行预测,输出缺陷推荐模型根据用户输入的车辆方案的决策出的缺陷信息,并将车辆方案和缺陷信息对应的显示在用户界面中,用户可以直观的看出每一车辆方案对应的缺陷信息,以便于对车辆设计方案进行调整,从而保证车辆在自动驾驶过程中的安全性。
进一步的,步骤S303将车辆方案和缺陷信息对应的显示在用户界面中的步骤,具体包括:
获取用户在用户界面对车辆方案的全部或部分的选择;
将在预设场景中用户选择的车辆方案产生的安全缺陷输出。
具体的,用户可以在用户界面中对车辆方案进行选择,例如可以选择整个车辆方案,也可以选择具体的系统或模块,还可以选择具体的元器件等不同对象。基于用户在用户界面中对车辆方案的选择,获取对应的缺陷信息,根据缺陷信息中产生安全缺陷的预设场景进行梳理,并以表格的形式输出,其中表格的横坐标为预设场景或车辆方案中的一个,纵坐标为预设场景或车辆方案中的另一个,在表格中显示出对应的安全缺陷内容。
还可以以树状图的形式,在车辆方案下,显示出该车辆方案对应的缺陷信息。
进一步的,用户界面上还显示有与车辆方案对应的编辑框,以使用户向车辆方案中添加缺陷信息,以更新用户界面上显示的缺陷信息。
具体的,用户可以根据需要,对用户界面上显示的缺陷信息进行编辑,以向某一车辆方案添加缺陷信息,实现了对缺陷信息的扩充。
进一步的,还可以获取用户添加缺陷信息的编辑框对应的车辆方案和用户添加的缺陷信息,反馈给缺陷推荐模型,并更新缺陷推荐模型的决策网络。
将用户添加的缺陷信息和该缺陷信息对应的车辆方案以数据对的形式反馈给缺陷推荐模型,以对缺陷推荐模型的决策网络进行更新,使缺陷推荐模型下一次决策中的行动获得更大的奖励。实现了对缺陷推荐模型的缺陷信息的扩充,从而提高了缺陷推荐模型输出缺陷信息的准确性。
在本申请的实施例中,当车辆实现方案初步确定后,用户对其局限性和弱点(即缺陷信息)进行分析。通过缺陷推荐模型对以元器件为代表的独立模块进行分析,并推荐相应的局限性和弱点,用户进行手动点击确认,并将经过用户确认的关于该模块的局限性和弱点反馈给系统。进一步,系统对于硬件实现方案和软件实现方案进行整体分析,例如分析不同模块间的共同作用可能带来的局限性和弱点,并将这些局限性和弱点再次推送给用户,并经由用户确认点击,点击结果又反馈给缺陷推荐模型,以更新模型的决策网络。
进一步的,应用于弱点推荐系统,通过以下步骤实现车辆方案的弱点推荐:
步骤1:把该车辆方案的弱点推荐问题定义为强化学习问题,其中推荐算法(即缺陷推荐模型)是智能体,用户、局限性和弱点构成环境,可能的动作是可能的局限性和弱点,奖赏是用户点击确认/不点击确认。
步骤2:系统先以离线的方式,从用户、局限性和弱点中训练特征。系统以离线的方式用DQN(一种训练深度强化学习的算法)和用户点击确认局限性和弱点来记录数据训练。
步骤3:在线部分,对于新输入的实现方案,系统根据用户、局限性和弱点的相关特征,推荐多个弱点和局限性作为输出。
步骤4:用户通过点击/不点击对推荐出的局限性和弱点进行确认,反馈给智能体,用于更新决策网络。
步骤5:重复执行步骤2-步骤5,不断改进推荐的决策。
具体的,本申请的车辆信息包括硬件信息和软件信息。其中硬件信息包括硬件模块设计信息:将自动驾驶车辆硬件分为感知系统、自动定位系统、决策系统、运动控制系统。其中,感知系统由左右两个摄像头、一个32线激光雷达、前后左右四个毫米波雷达组成,并包括对应的型号及性能参数。自动定位系统由惯性测量单元(IMU)、全球导航卫星系统(GNSS)组件组成,并包括对应的型号及性能参数。决策系统由两个计算平台组成,并包括对应的型号及性能参数。运动控制系统由纵向运动、横向运动的器件组成,并包括对应的型号及性能参数。还包括元器件之间的输入和输出信息、元器件之间的数据流信息以及元器件之间输入和输出的逻辑信息。其中摄像头或激光雷达就是一个元器件。
软件信息包括软件设计信息:将自动驾驶车辆软件分为感知融合模块、交通信号识别模块、决策模块、运动控制模块。还包括操作系统的开发语言,这里可以为linux、C/C++。还包括模块间数据关系,如各个模块间的数据流、数据结构、数据交互频率等。
具体的,离线部分对应用样本训练算法的过程,而在线部分重强调算法已经训练好并且直接使用的过程(即输入解决方案,直接能够给到推荐的弱点和局限性)。
离线部分中假设用户已经将样本对=(解决方案,用户点击确认过的弱点和局限性)给到系统。在线部分对应的是用户输入解决方案到系统,系统推荐出局限性和弱点列表,此时用户从列表中选择并进行点击确认,这样就又形成了新的样本对=(解决方案,其局限性和弱点),又可以给到离线部分。
基于同一发明构思,本申请实施例中还提供了与车辆缺陷的推荐方法对应的车辆缺陷的推荐装置,由于本申请实施例中的虚拟道具的控制装置解决问题的原理与本申请实施例上述虚拟道具的控制方法相似,因此虚拟道具的控制装置的实施可以参见方法的实施,重复之处不再赘述。
请参阅图4,图4为本申请实施例所提供的一种车辆缺陷的推荐装置的结构示意图。如图4中所示,推荐装置600包括:
第一输入模块610,用于将车辆的硬件信息和软件信息分别输入缺陷推荐模型,以输出硬件缺陷信息和软件缺陷信息,硬件缺陷信息为车辆在预设场景中硬件信息产生的安全缺陷,软件缺陷信息为车辆在预设场景中软件信息产生的安全缺陷;
第二输入模块620,用于将车辆信息输入缺陷推荐模型,以输出车辆缺陷信息,车辆信息包括车辆的硬件信息和软件信息,车辆缺陷信息为车辆在预设场景中硬件信息和软件信息共同产生的安全缺陷、硬件缺陷信息和软件缺陷信息;
显示模块630,用于将硬件缺陷信息、软件缺陷信息和车辆缺陷信息展示在用户界面中,以获取用户在用户界面中确认的缺陷信息;
更新模块640,用于将用户确认的缺陷信息和缺陷信息对应的车辆信息反馈给缺陷推荐模型,并更新缺陷推荐模型的决策网络。
在一优选实施例中,还包括:
数据对生成模块,用于获取硬件信息和硬件缺陷的第一数据对、软件信息和软件缺陷信息的第二数据对、车辆信息和车辆缺陷信息的第三数据对;
训练模块,用于将第一数据、第二数据对和第三数据对输入强化学习模型进行训练,以生成缺陷推荐模型。
在一优选实施例中,还包括:
获取模块,用于获取用户在用户界面中输入的车辆方案,车辆方案为车辆信息、硬件信息或软件信息;
推荐模块,用于将车辆方案输入缺陷推荐模型,以输出对应的缺陷信息;将车辆方案和缺陷信息对应的显示在用户界面中。
在一优选实施例中,推荐模块还用于:
获取用户在用户界面对车辆方案的全部或部分的选择;将在预设场景中用户选择的车辆方案产生的安全缺陷输出。
在一优选实施例中,显示模块630还用于:
用户界面上还显示有与车辆方案对应的编辑框,以使用户向车辆方案中添加缺陷信息,以更新用户界面上显示的缺陷信息。
在一优选实施例中,显示模块630还用于:
获取用户添加缺陷信息的编辑框对应的车辆方案和用户添加的缺陷信息,反馈给缺陷推荐模型,并更新缺陷推荐模型的决策网络。
请参阅图5,图5为本申请实施例所提供的一种电子设备的结构示意图。如图5中所示,所述电子设备800包括处理器810、存储器820和总线830。
所述存储器820存储有所述处理器810可执行的机器可读指令,当电子设备800运行时,所述处理器810与所述存储器820之间通过总线830通信,所述机器可读指令被所述处理器810执行时,可以执行如上述实施例中的车辆缺陷的推荐方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时可以执行如上述实施例中的车辆缺陷的推荐方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,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。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,又例如,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。另一点,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通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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实施例方案的目的。
另外,在本申请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,也可以两个或两个以上单元集成在一个单元中。
所述功能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,可以存储在一个处理器可执行的非易失的计算机可读取存储器中。基于这样的理解,本申请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器中,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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种车辆缺陷的推荐方法,其特征在于,所述方法包括:
将车辆的硬件信息和软件信息分别输入缺陷推荐模型,以输出硬件缺陷信息和软件缺陷信息,所述硬件缺陷信息为所述车辆在预设场景中所述硬件信息产生的安全缺陷,所述软件缺陷信息为所述车辆在预设场景中所述软件信息产生的安全缺陷;
将车辆信息输入所述缺陷推荐模型,以输出车辆缺陷信息,所述车辆信息包括所述车辆的硬件信息和软件信息,所述车辆缺陷信息为所述车辆在预设场景中硬件信息和软件信息共同产生的安全缺陷、硬件缺陷信息和软件缺陷信息;
将所述硬件缺陷信息、所述软件缺陷信息和所述车辆缺陷信息展示在用户界面中,以获取用户在所述用户界面中确认的缺陷信息;
将用户确认的缺陷信息和所述缺陷信息对应的车辆信息反馈给所述缺陷推荐模型,并更新所述缺陷推荐模型的决策网络。
2.根据权利要求1所述的方法,其特征在于,所述将车辆的硬件信息和软件信息分别输入缺陷推荐模型,以输出硬件缺陷信息和软件缺陷信息的步骤之前,还包括:
获取硬件信息和硬件缺陷的第一数据对、软件信息和软件缺陷信息的第二数据对、车辆信息和车辆缺陷信息的第三数据对;
将所述第一数据、第二数据对和第三数据对输入强化学习模型进行训练,以生成缺陷推荐模型。
3.根据权利要求1所述的方法,其特征在于,还包括:
获取用户在所述用户界面中输入的车辆方案,所述车辆方案为所述车辆信息、所述硬件信息或所述软件信息;
将所述车辆方案输入所述缺陷推荐模型,以输出对应的缺陷信息;
将所述车辆方案和所述缺陷信息对应的显示在所述用户界面中。
4.根据权利要求3所述的方法,其特征在于,所述将所述车辆方案和所述缺陷信息对应的显示在所述用户界面中的步骤,具体包括:
获取用户在所述用户界面对所述车辆方案的全部或部分的选择;
将在预设场景中用户选择的车辆方案产生的安全缺陷输出。
5.根据权利要求3所述的方法,其特征在于,还包括:
所述用户界面上还显示有与所述车辆方案对应的编辑框,以使用户向所述车辆方案中添加缺陷信息,以更新所述用户界面上显示的缺陷信息。
6.根据权利要求5所述的方法,其特征在于,还包括:
获取用户添加缺陷信息的编辑框对应的车辆方案和用户添加的缺陷信息,反馈给所述缺陷推荐模型,并更新所述缺陷推荐模型的决策网络。
7.一种车辆缺陷的推荐装置,其特征在于,包括:
第一输入模块,用于将车辆的硬件信息和软件信息分别输入缺陷推荐模型,以输出硬件缺陷信息和软件缺陷信息,所述硬件缺陷信息为所述车辆在预设场景中所述硬件信息产生的安全缺陷,所述软件缺陷信息为所述车辆在预设场景中所述软件信息产生的安全缺陷;
第二输入模块,用于将车辆信息输入所述缺陷推荐模型,以输出车辆缺陷信息,所述车辆信息包括所述车辆的硬件信息和软件信息,所述车辆缺陷信息为所述车辆在预设场景中硬件信息和软件信息共同产生的安全缺陷、硬件缺陷信息和软件缺陷信息;
显示模块,用于将所述硬件缺陷信息、所述软件缺陷信息和所述车辆缺陷信息展示在用户界面中,以获取用户在所述用户界面中确认的缺陷信息;
更新模块,用于将用户确认的缺陷信息和所述缺陷信息对应的车辆信息反馈给所述缺陷推荐模型,并更新所述缺陷推荐模型的决策网络。
8.根据权利要求7所述的装置,其特征在于,还包括:
数据对生成模块,用于获取硬件信息和硬件缺陷的第一数据对、软件信息和软件缺陷信息的第二数据对、车辆信息和车辆缺陷信息的第三数据对;
训练模块,用于将所述第一数据、第二数据对和第三数据对输入强化学习模型进行训练,以生成缺陷推荐模型。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1至6任一所述的车辆缺陷的推荐方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至6任一所述的车辆缺陷的推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110981350.0A CN113687991B (zh) | 2021-08-25 | 2021-08-25 | 一种车辆缺陷的推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110981350.0A CN113687991B (zh) | 2021-08-25 | 2021-08-25 | 一种车辆缺陷的推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113687991A true CN113687991A (zh) | 2021-11-23 |
CN113687991B CN113687991B (zh) | 2023-08-22 |
Family
ID=78582417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110981350.0A Active CN113687991B (zh) | 2021-08-25 | 2021-08-25 | 一种车辆缺陷的推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113687991B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150325121A1 (en) * | 2014-05-12 | 2015-11-12 | GM Global Technology Operations LLC | Methods and systems for decision support |
US10134278B1 (en) * | 2016-01-22 | 2018-11-20 | State Farm Mutual Automobile Insurance Company | Autonomous vehicle application |
US20180362031A1 (en) * | 2017-06-20 | 2018-12-20 | nuTonomy Inc. | Risk processing for vehicles having autonomous driving capabilities |
JP2019175272A (ja) * | 2018-03-29 | 2019-10-10 | コスモ石油マーケティング株式会社 | 車両管理装置および車両管理方法 |
US20190356937A1 (en) * | 2018-05-21 | 2019-11-21 | Hulu, LLC | Reinforcement Learning Network For Recommendation System In Video Delivery System |
US20200175124A1 (en) * | 2018-12-03 | 2020-06-04 | International Business Machines Corporation | Detection of vehicle defects |
CN111605555A (zh) * | 2020-05-15 | 2020-09-01 | 腾讯科技(深圳)有限公司 | 车辆驾驶策略的推荐方法、装置、介质及电子设备 |
CN112052776A (zh) * | 2020-09-01 | 2020-12-08 | 中国人民解放军国防科技大学 | 无人车自主驾驶行为优化方法、装置和计算机设备 |
CN112363947A (zh) * | 2020-11-26 | 2021-02-12 | 安徽江淮汽车集团股份有限公司 | 车辆场景模型构建方法、设备、存储介质及装置 |
CN112464461A (zh) * | 2020-11-20 | 2021-03-09 | 北京赛目科技有限公司 | 一种自动驾驶测试场景的构建方法及装置 |
CN113232674A (zh) * | 2021-05-28 | 2021-08-10 | 南京航空航天大学 | 基于决策树和贝叶斯网络的车辆控制方法和装置 |
-
2021
- 2021-08-25 CN CN202110981350.0A patent/CN113687991B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150325121A1 (en) * | 2014-05-12 | 2015-11-12 | GM Global Technology Operations LLC | Methods and systems for decision support |
US10134278B1 (en) * | 2016-01-22 | 2018-11-20 | State Farm Mutual Automobile Insurance Company | Autonomous vehicle application |
US20180362031A1 (en) * | 2017-06-20 | 2018-12-20 | nuTonomy Inc. | Risk processing for vehicles having autonomous driving capabilities |
JP2019175272A (ja) * | 2018-03-29 | 2019-10-10 | コスモ石油マーケティング株式会社 | 車両管理装置および車両管理方法 |
US20190356937A1 (en) * | 2018-05-21 | 2019-11-21 | Hulu, LLC | Reinforcement Learning Network For Recommendation System In Video Delivery System |
US20200175124A1 (en) * | 2018-12-03 | 2020-06-04 | International Business Machines Corporation | Detection of vehicle defects |
CN111605555A (zh) * | 2020-05-15 | 2020-09-01 | 腾讯科技(深圳)有限公司 | 车辆驾驶策略的推荐方法、装置、介质及电子设备 |
CN112052776A (zh) * | 2020-09-01 | 2020-12-08 | 中国人民解放军国防科技大学 | 无人车自主驾驶行为优化方法、装置和计算机设备 |
CN112464461A (zh) * | 2020-11-20 | 2021-03-09 | 北京赛目科技有限公司 | 一种自动驾驶测试场景的构建方法及装置 |
CN112363947A (zh) * | 2020-11-26 | 2021-02-12 | 安徽江淮汽车集团股份有限公司 | 车辆场景模型构建方法、设备、存储介质及装置 |
CN113232674A (zh) * | 2021-05-28 | 2021-08-10 | 南京航空航天大学 | 基于决策树和贝叶斯网络的车辆控制方法和装置 |
Non-Patent Citations (2)
Title |
---|
梁军: "自动驾驶车辆混行集聚MAS控制模型", 《中国公路学报》 * |
王琰: "基于灰色理论的汽车缺陷风险评估模型", 《北京科技大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113687991B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7297846B2 (ja) | 自動運転車両の道路テスト方法、装置、機器及び記憶媒体 | |
CN111122175B (zh) | 测试自动驾驶系统的方法以及装置 | |
CN108921200B (zh) | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 | |
CN111611711B (zh) | 自动驾驶数据处理方法、装置及电子设备 | |
CN110245710B (zh) | 语义分割模型的训练方法、语义分割方法及装置 | |
CN110399644B (zh) | 车辆试验模型建立方法、装置、设备和存储介质 | |
CN112749081B (zh) | 用户界面测试方法及相关装置 | |
CN111090756A (zh) | 基于人工智能的多目标推荐模型的训练方法及装置 | |
CN111652153B (zh) | 场景自动识别方法、装置、无人车及存储介质 | |
CN113012054B (zh) | 基于抠图的样本增强方法和训练方法及其系统和电子设备 | |
CN113093569A (zh) | 自动驾驶的仿真测试方法、装置、设备和存储介质 | |
CN114117740A (zh) | 基于自动驾驶的仿真测试场景生成方法及装置 | |
US20200125356A1 (en) | Automated usage driven engineering | |
CN112270168A (zh) | 对白情感风格预测方法、装置、电子设备及存储介质 | |
JP2016024711A (ja) | 情報提示装置、方法及びプログラム | |
CN111597707B (zh) | 仿真场景的处理方法、装置、设备以及存储介质 | |
CN113687991B (zh) | 一种车辆缺陷的推荐方法及装置 | |
CN112685033A (zh) | 用户界面组件自动生成方法、装置及计算机可读存储介质 | |
CN116057543A (zh) | 自动化机器学习方法及其装置 | |
CN115544817B (zh) | 驾驶场景生成方法、装置、电子设备和计算机可读介质 | |
CN112965917A (zh) | 用于自动驾驶的测试方法、装置、设备和存储介质 | |
CN115344786A (zh) | 一种云资源推荐系统、方法、设备及存储介质 | |
CN114038460A (zh) | 语音指令的推荐方法、装置和电子设备 | |
CN112989219B (zh) | 兴趣点推荐方法、装置、电子设备及存储介质 | |
JP2022184125A (ja) | 改善システム、改善方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 401, Floor 4, No. 66, Zizhuyuan Road, Haidian District, Beijing, 100089 Applicant after: Beijing Saimu Technology Co.,Ltd. Address before: 100082 1501 ZhongGuanCun international innovation building, Haidian District, Beijing Applicant before: Beijing saimu Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |