CN113762406A - 数据的挖掘方法、装置和电子设备 - Google Patents
数据的挖掘方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113762406A CN113762406A CN202111080591.4A CN202111080591A CN113762406A CN 113762406 A CN113762406 A CN 113762406A CN 202111080591 A CN202111080591 A CN 202111080591A CN 113762406 A CN113762406 A CN 113762406A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- cloud
- analysis result
- data
- scene data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000007418 data mining Methods 0.000 title claims abstract description 51
- 230000007246 mechanism Effects 0.000 claims abstract description 40
- 238000005065 mining Methods 0.000 claims abstract description 24
- 230000008447 perception Effects 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 239000002699 waste material Substances 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing 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
- 238000011161 development 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
- 238000004321 preservation Methods 0.000 description 1
- 238000004088 simulation 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种数据的挖掘方法、装置和电子设备，包括：获取数据采集器发送的驾驶场景数据；分别采用车端自动驾驶模型和云端高精度自动驾驶模型对驾驶场景数据进行分析，得到车端分析结果和云端分析结果；若车端分析结果符合预设数据挖掘机制，或，车端分析结果与云端分析结果不同时，则将得出车端分析结果时的预设时间范围内的目标驾驶场景数据进行保存。本发明的方法能够自动挖掘到目标驾驶场景数据，智能性好，缓解了现有技术通过人工的方式对难例和长尾场景数据进行挖掘，费时费力，智能性不好的技术问题。
Description
技术领域
本发明涉及数据挖掘的技术领域，尤其是涉及一种数据的挖掘方法、装置和电子设备。
背景技术
L2级自动驾驶已大规模量产，更高级别的自动驾驶在推广验证，阻碍更高级别自动驾驶发展的关键问题是难例和长尾场景数据造成的自动驾驶系统不稳定和不可靠。所以，获取难例和长尾场景数据，进而通过难例和长尾场景数据对自动驾驶系统进行全面测试，可以提高自动驾驶系统的稳定性和可靠性。
目前，在对自动驾驶相关的难例和长尾场景数据进行挖掘时，先在车辆上设置多源传感器和数据采集设备，这样，车辆在行驶过程中，多源传感器采集到的海量数据发送至数据采集设备，之后，再由数据采集设备将海量数据进行保存或上传至云端，进而再由相关人员从上述采集到的海量数据中挖掘得到难例和长尾场景数据，以对自动驾驶系统进行全面测试。
综上，现有技术需要通过人工的方式对难例和长尾场景数据进行挖掘，费时费力，智能性不好。
发明内容
有鉴于此，本发明的目的在于提供一种数据的挖掘方法、装置和电子设备，以缓解现有技术通过人工的方式对难例和长尾场景数据进行挖掘，费时费力，智能性不好的技术问题。
第一方面，本发明实施例提供了一种数据的挖掘方法，包括：
获取数据采集器发送的驾驶场景数据；
分别采用车端自动驾驶模型和云端高精度自动驾驶模型对所述驾驶场景数据进行分析，得到车端分析结果和云端分析结果；
若所述车端分析结果符合预设数据挖掘机制，或，所述车端分析结果与所述云端分析结果不同时，则将得出所述车端分析结果时的预设时间范围内的目标驾驶场景数据进行保存。
进一步的，所述车端自动驾驶模型包括：车端感知算法、车端规划算法、车端定位算法和车端控制算法，所述云端高精度自动驾驶模型包括：云端感知算法、云端规划算法、云端定位算法和云端控制算法；
采用车端自动驾驶模型对所述驾驶场景数据进行分析，包括：
采用所述车端感知算法对所述驾驶场景数据进行感知，得到车端感知结果，其中，所述车端感知结果包括：所述驾驶场景数据对应的第一场景类别、所述驾驶场景数据中目标对象的第一位置信息、第一类别信息和第一ID信息；
基于所述车端感知结果，采用所述车端规划算法和所述车端定位算法分别得到车端车辆规划结果、车端车辆定位结果，并基于所述车端车辆规划结果和所述车端车辆定位结果，采用所述车端控制算法得到车端车辆控制结果；
采用云端高精度自动驾驶模型对所述驾驶场景数据进行分析，包括：
采用所述云端感知算法对所述驾驶场景数据进行感知，得到云端感知结果，其中，所述云端感知结果包括：所述驾驶场景数据对应的第二场景类别、所述驾驶场景数据中目标对象的第二位置信息、第二类别信息和第二ID信息；
基于所述云端感知结果，采用所述云端规划算法和所述云端定位算法分别得到云端车辆规划结果、云端车辆定位结果，并基于所述云端车辆规划结果和所述云端车辆定位结果，采用所述云端控制算法得到云端车辆控制结果。
进一步的，所述预设数据挖掘机制为用户设定的对自动驾驶的难例和长尾场景数据进行挖掘的机制。
进一步的，所述预设数据挖掘机制包括：所述车端分析结果中的车端车辆控制结果与驾驶员控制操作不一致、所述车端分析结果中的驾驶场景数据对应的第一场景类别为预定义场景类别、所述车端分析结果中不同车端感知算法的感知结果不同。
进一步的，在得到所述目标驾驶场景数据之后，所述方法还包括：
采用仿真软件对所述目标驾驶场景数据进行扩充，得到扩充的目标驾驶场景数据；
将所述扩充的目标驾驶场景数据进行保存。
进一步的，所述方法还包括：
采用所述目标驾驶场景数据和所述扩充的目标驾驶场景数据对所述车端自动驾驶模型进行测试。
进一步的，所述方法还包括：
若所述车端分析结果不符合预设数据挖掘机制，且，所述车端分析结果与所述云端分析结果相同时，则不保存与所述车端分析结果对应的驾驶场景数据。
进一步的，所述数据采集器至少包括：图像采集装置、激光雷达、毫米波雷达、IMU、GPS、车速信号采集器件、方向盘转角信号采集器件、刹车踏板开合度采集器件、加速踏板开合度采集器件。
第二方面，本发明实施例还提供了一种数据的挖掘装置，包括：
获取单元，用于获取数据采集器发送的驾驶场景数据；
分析单元，用于分别采用车端自动驾驶模型和云端高精度自动驾驶模型对所述驾驶场景数据进行分析，得到车端分析结果和云端分析结果；
保存单元，若所述车端分析结果符合预设数据挖掘机制，或，所述车端分析结果与所述云端分析结果不同时，则将得出所述车端分析结果时的预设时间范围内的目标驾驶场景数据进行保存。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一项所述的方法的步骤。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述机器可运行指令在被处理器调用和运行时，所述机器可运行指令促使所述处理器运行上述第一方面任一项所述的方法。
在本发明实施例中，提供了一种数据的挖掘方法，包括：先获取数据采集器发送的驾驶场景数据；然后，分别采用车端自动驾驶模型和云端高精度自动驾驶模型对驾驶场景数据进行分析，得到车端分析结果和云端分析结果；若车端分析结果符合预设数据挖掘机制，或，车端分析结果与云端分析结果不同时，则将得出车端分析结果时的预设时间范围内的目标驾驶场景数据进行保存。通过上述描述可知，本发明的数据的挖掘方法能够自动挖掘到目标驾驶场景数据，智能性好，缓解了现有技术通过人工的方式对难例和长尾场景数据进行挖掘，费时费力，智能性不好的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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数据的挖掘方法的流程图；
图2为本发明实施例提供的分别采用车端自动驾驶模型和云端高精度自动驾驶模型对驾驶场景数据进行分析的流程图；
图3为本发明实施例提供的对目标驾驶场景数据进行扩充的流程图；
图4为本发明实施例提供的一种数据的挖掘装置的示意图；
图5为本发明实施例提供的一种电子设备的示意图。
具体实施方式
下面将结合实施例对本发明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。
目前，在对自动驾驶相关的难例和长尾场景数据进行挖掘时，都是直接采集海量的自动驾驶的相关数据，当需要对自动驾驶系统进行测试时，再由相关人员从上述采集到的海量数据中挖掘得到难例和长尾场景数据，进而通过难例和长尾场景数据对自动驾驶系统进行全面测试。
基于此，本实施例提供了一种数据的挖掘方法，该方法能够自动挖掘到自动驾驶的难例和长尾场景数据(即目标驾驶场景数据)，智能性好。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种数据的挖掘方法进行详细介绍。
实施例一：
根据本发明实施例，提供了一种数据的挖掘方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种数据的挖掘方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取数据采集器发送的驾驶场景数据；
在本发明实施例中，上述数据采集器至少包括：图像采集装置、激光雷达、毫米波雷达、IMU、GPS、车速信号采集器件、方向盘转角信号采集器件、刹车踏板开合度采集器件、加速踏板开合度采集器件。
上述驾驶场景数据具体可以包括：车辆在行驶过程中拍摄的图像数据、点云数据、车速信号、方向盘转角信号、刹车踏板开合度、加速踏板开合度等，可以为与驾驶相关的各种数据。
步骤S104，分别采用车端自动驾驶模型和云端高精度自动驾驶模型对驾驶场景数据进行分析，得到车端分析结果和云端分析结果；
在本发明实施例中，上述车端自动驾驶模型包括：车端感知算法、车端规划算法、车端定位算法和车端控制算法，上述云端高精度自动驾驶模型包括：云端感知算法、云端规划算法、云端定位算法和云端控制算法。
具体的，利用云端大算力在云端部署了高精度自动驾驶模型，当车端自动驾驶模型对驾驶场景数据进行分析的同时，云端高精度自动驾驶模型也对驾驶场景数据进行分析，进而根据车端分析结果和云端分析结果是否一致确定自动驾驶的难例和长尾场景数据。
步骤S106，若车端分析结果符合预设数据挖掘机制，或，车端分析结果与云端分析结果不同时，则将得出车端分析结果时的预设时间范围内的目标驾驶场景数据进行保存。
上述预设数据挖掘机制可以为用户设定的对自动驾驶的难例和长尾场景数据进行挖掘的机制，还可以为用户设定的对于其它特定数据进行挖掘的机制，本发明实施例对上述预设数据挖掘机制不进行具体限制。
上述难例数据是指对于自动驾驶系统来讲，识别、处理比较困难的驾驶场景数据，上述长尾场景数据是指出现概率比较低的驾驶场景数据。
具体的，当预设数据挖掘机制为用户设定的对自动驾驶的难例和长尾场景数据进行挖掘的机制时，上述目标驾驶场景数据即为难例和长尾场景数据，如此，可以自动挖掘到自动驾驶的难例和长尾场景数据，进而，利用自动驾驶的难例和长尾场景数据对车端自动驾驶模型进行测试，根据测试暴露出的问题对车端自动驾驶模型进行改进，进而提升自动驾驶的稳定性和可靠性。
上述预设时间范围可以为得出车端分析结果时的前预设时间和后预设时间，本发明实施例对上述预设时间范围不进行具体限定。目标驾驶场景数据即为上述预设时间范围内获取的驾驶场景数据。
在本发明实施例中，提供了一种数据的挖掘方法，包括：先获取数据采集器发送的驾驶场景数据；然后，分别采用车端自动驾驶模型和云端高精度自动驾驶模型对驾驶场景数据进行分析，得到车端分析结果和云端分析结果；若车端分析结果符合预设数据挖掘机制，或，车端分析结果与云端分析结果不同时，则将得出车端分析结果时的预设时间范围内的目标驾驶场景数据进行保存。通过上述描述可知，本发明的数据的挖掘方法能够自动挖掘到目标驾驶场景数据，智能性好，缓解了现有技术通过人工的方式对难例和长尾场景数据进行挖掘，费时费力，智能性不好的技术问题。
在本发明的一个可选实施例中，参考图2，上述步骤S104，分别采用车端自动驾驶模型和云端高精度自动驾驶模型对驾驶场景数据进行分析，具体包括：
步骤S201，采用车端感知算法对驾驶场景数据进行感知，得到车端感知结果，其中，车端感知结果包括：驾驶场景数据对应的第一场景类别、驾驶场景数据中目标对象的第一位置信息、第一类别信息和第一ID信息；
步骤S202，基于车端感知结果，采用车端规划算法和车端定位算法分别得到车端车辆规划结果、车端车辆定位结果，并基于车端车辆规划结果和车端车辆定位结果，采用车端控制算法得到车端车辆控制结果；
步骤S203，采用云端感知算法对驾驶场景数据进行感知，得到云端感知结果，其中，云端感知结果包括：驾驶场景数据对应的第二场景类别、驾驶场景数据中目标对象的第二位置信息、第二类别信息和第二ID信息；
步骤S204，基于云端感知结果，采用云端规划算法和云端定位算法分别得到云端车辆规划结果、云端车辆定位结果，并基于云端车辆规划结果和云端车辆定位结果，采用云端控制算法得到云端车辆控制结果。
这样，车端分析结果与云端分析结果不同时的方案，可以具体确定车端的哪一种算法存在问题。例如，若车端分析结果中的车端感知结果与云端分析结果中的云端感知结果不一致时，可以直接定位到车端感知算法存在问题；同理，若车端分析结果中的车端车辆规划结果与云端分析结果中的云端车辆规划结果不一致时，可以直接定位到车端规划算法存在问题；若车端分析结果中的车端车辆定位结果与云端分析结果中的云端车辆定位结果不一致时，可以直接定位到车端定位算法存在问题；若车端分析结果中的车端车辆控制结果与云端分析结果中的云端车辆控制结果不一致时，可以直接定位到车端控制算法存在问题，进而再针对性的对车端存在问题的算法进行测试。也就是本发明的车端分析结果与云端分析结果进行对比的方案可以直接定位到存在问题的层级，便于进行后续的问题分析及测试，简单方便，节省工作量。
在本发明的一个可选实施例中，上述预设数据挖掘机制为用户设定的对自动驾驶的难例和长尾场景数据进行挖掘的机制，预设数据挖掘机制可以包括：车端分析结果中的车端车辆控制结果与驾驶员控制操作不一致(该种机制主要针对的是控制层级，在后续定位存在问题的车端算法时，需要推到感知、规划、定位和决策控制，过程复杂)、车端分析结果中的驾驶场景数据对应的第一场景类别为预定义场景类别(该种机制能够直接定位到车端感知算法存在问题)、车端分析结果中不同车端感知算法的感知结果不同(该种机制也能够直接定位到车端感知算法存在问题)。
下面分别对每种预设数据挖掘机制进行详细介绍：
车端分析结果中的车端车辆控制结果与驾驶员控制操作不一致：在车辆由驾驶员完全操作的状态下或车辆的部分功能由辅助驾驶系统来执行时，自动驾驶控制器通过数据采集器获得真实的驾驶场景数据，并在后台运行车端自动驾驶模型，但不对车辆执行机构进行执行控制，当自动驾驶模型输出的车端车辆控制结果不同于驾驶员实际控制操作，说明车端分析结果中的车端车辆控制结果与驾驶员控制操作不一致，符合预设数据挖掘机制。
车端分析结果中的驾驶场景数据对应的第一场景类别为预定义场景类别：车端感知算法对驾驶场景数据对应的场景进行分类，如果驾驶场景数据对应的第一场景为预定义场景类别，则符合预设数据挖掘机制。例如，预定义场景类别为道路积水场景类别、匝道场景类别、道路结冰场景类别、桥洞场景类别、修路场景类别、隧道场景类别，车端感知算法对驾驶场景数据中的图像数据进行场景识别后，确定其对应的第一场景类别为道路积水场景类别，则符合预设数据挖掘机制。
需要说明的是：本发明实施例对上述预定义场景类别不进行具体限制，还可以包含其它场景类别。
车端分析结果中不同车端感知算法的感知结果不同：对于图像采集装置采集得到的图像，对应的目标检测算法(即车端感知算法)检测得到的检测结果为目标对象为车；而对于激光雷达采集得到的点云数据，对应的目标检测算法(另一车端感知算法)检测得到的检测结果为目标对象为人，即不同车端感知算法对同一目标对象的感知结果不同，符合预设数据挖掘机制。
在本发明的一个可选实施例中，在得到目标驾驶场景数据之后，参考图3，该方法还包括：
步骤S301，采用仿真软件对目标驾驶场景数据进行扩充，得到扩充的目标驾驶场景数据；
步骤S302，将扩充的目标驾驶场景数据进行保存。
发明人考虑到通过步骤S102至步骤S106挖掘的目标驾驶场景数据(难例和长尾场景数据)的数据量较小，为了进一步扩充难例和长尾场景数据的数据量，所以发明人想到采用仿真软件对目标驾驶场景数据进行扩充，进而得到扩充的目标驾驶场景数据，即在仿真环境中孪生出与真实目标驾驶场景数据相关的多样难例和长尾场景数据，进而对其进行保存，后续通过目标驾驶场景数据和扩充的目标驾驶场景数据对车端自动驾驶模型进行测试后，车端自动驾驶模型能够处理现实世界中发生的各种难例和长尾场景数据的效果，进而提升自动驾驶的稳定性和可靠性。
在本发明的一个可选实施例中，该方法还包括：
采用目标驾驶场景数据和扩充的目标驾驶场景数据对车端自动驾驶模型进行测试。
具体的，在得到目标驾驶场景数据和扩充的目标驾驶场景数据后，对其进行分析和分类，进而再对车端自动驾驶模型进行测试，使得车端自动驾驶模型适应更多场景，提升模型的适应力、处理能力和感知效果，达到模型能够处理现实世界中发生的各种难例和长尾场景数据的效果，进而提升自动驾驶的稳定性和可靠性。
在本发明的一个可选实施例中，该方法还包括：
若车端分析结果不符合预设数据挖掘机制，且，车端分析结果与云端分析结果相同时，则不保存与车端分析结果对应的驾驶场景数据。
实施例二：
本发明实施例还提供了一种数据的挖掘装置，该数据的挖掘装置主要用于执行本发明实施例一中所提供的数据的挖掘方法，以下对本发明实施例提供的数据的挖掘装置做具体介绍。
图4是根据本发明实施例的一种数据的挖掘装置的示意图，如图4所示，该装置主要包括：获取单元10、分析单元20和保存单元30，其中：
获取单元，用于获取数据采集器发送的驾驶场景数据；
分析单元，用于分别采用车端自动驾驶模型和云端高精度自动驾驶模型对驾驶场景数据进行分析，得到车端分析结果和云端分析结果；
保存单元，若车端分析结果符合预设数据挖掘机制，或，车端分析结果与云端分析结果不同时，则将得出车端分析结果时的预设时间范围内的目标驾驶场景数据进行保存。
在本发明实施例中，提供了一种数据的挖掘装置，包括：先获取数据采集器发送的驾驶场景数据；然后，分别采用车端自动驾驶模型和云端高精度自动驾驶模型对驾驶场景数据进行分析，得到车端分析结果和云端分析结果；若车端分析结果符合预设数据挖掘机制，或，车端分析结果与云端分析结果不同时，则将得出车端分析结果时的预设时间范围内的目标驾驶场景数据进行保存。通过上述描述可知，本发明的数据的挖掘装置能够自动挖掘到目标驾驶场景数据，智能性好，缓解了现有技术通过人工的方式对难例和长尾场景数据进行挖掘，费时费力，智能性不好的技术问题。
可选地，车端自动驾驶模型包括：车端感知算法、车端规划算法、车端定位算法和车端控制算法，云端高精度自动驾驶模型包括：云端感知算法、云端规划算法、云端定位算法和云端控制算法；分析单元还用于：采用车端感知算法对驾驶场景数据进行感知，得到车端感知结果，其中，车端感知结果包括：驾驶场景数据对应的第一场景类别、驾驶场景数据中目标对象的第一位置信息、第一类别信息和第一ID信息；基于车端感知结果，采用车端规划算法和车端定位算法分别得到车端车辆规划结果、车端车辆定位结果，并基于车端车辆规划结果和车端车辆定位结果，采用车端控制算法得到车端车辆控制结果；采用云端感知算法对驾驶场景数据进行感知，得到云端感知结果，其中，云端感知结果包括：驾驶场景数据对应的第二场景类别、驾驶场景数据中目标对象的第二位置信息、第二类别信息和第二ID信息；基于云端感知结果，采用云端规划算法和云端定位算法分别得到云端车辆规划结果、云端车辆定位结果，并基于云端车辆规划结果和云端车辆定位结果，采用云端控制算法得到云端车辆控制结果。
可选地，预设数据挖掘机制为用户设定的对自动驾驶的难例和长尾场景数据进行挖掘的机制。
可选地，预设数据挖掘机制包括：车端分析结果中的车端车辆控制结果与驾驶员控制操作不一致、车端分析结果中的驾驶场景数据对应的第一场景类别为预定义场景类别、车端分析结果中不同车端感知算法的感知结果不同。
可选地，该装置还用于：采用仿真软件对目标驾驶场景数据进行扩充，得到扩充的目标驾驶场景数据；将扩充的目标驾驶场景数据进行保存。
可选地，该装置还用于：采用目标驾驶场景数据和扩充的目标驾驶场景数据对车端自动驾驶模型进行测试。
可选地，该装置还用于：若车端分析结果不符合预设数据挖掘机制，且，车端分析结果与云端分析结果相同时，则不保存与车端分析结果对应的驾驶场景数据。
可选地，数据采集器至少包括：图像采集装置、激光雷达、毫米波雷达、IMU、GPS、车速信号采集器件、方向盘转角信号采集器件、刹车踏板开合度采集器件、加速踏板开合度采集器件。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
如图5所示，本申请实施例提供的一种电子设备600，包括：处理器601、存储器602和总线，所述存储器602存储有所述处理器601可执行的机器可读指令，当电子设备运行时，所述处理器601与所述存储器602之间通过总线通信，所述处理器601执行所述机器可读指令，以执行如上述数据的挖掘方法的步骤。
具体地，上述存储器602和处理器601能够为通用的存储器和处理器，这里不做具体限定，当处理器601运行存储器602存储的计算机程序时，能够执行上述数据的挖掘方法。
处理器601可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器601中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器601可以是通用处理器，包括中央处理器(CentralProcessing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignalProcessing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602，处理器601读取存储器602中的信息，结合其硬件完成上述方法的步骤。
对应于上述数据的挖掘方法，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述数据的挖掘方法的步骤。
本申请实施例所提供的数据的挖掘装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。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，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，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。
再例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
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，在本申请提供的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，可以存储在一个计算机可读取存储介质中。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介质中，包括若干指令用以使得一台电子设备(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车辆标记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(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
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)
1.一种数据的挖掘方法，其特征在于，包括：
获取数据采集器发送的驾驶场景数据；
分别采用车端自动驾驶模型和云端高精度自动驾驶模型对所述驾驶场景数据进行分析，得到车端分析结果和云端分析结果；
若所述车端分析结果符合预设数据挖掘机制，或，所述车端分析结果与所述云端分析结果不同时，则将得出所述车端分析结果时的预设时间范围内的目标驾驶场景数据进行保存。
2.根据权利要求1所述的方法，其特征在于，所述车端自动驾驶模型包括：车端感知算法、车端规划算法、车端定位算法和车端控制算法，所述云端高精度自动驾驶模型包括：云端感知算法、云端规划算法、云端定位算法和云端控制算法；
采用车端自动驾驶模型对所述驾驶场景数据进行分析，包括：
采用所述车端感知算法对所述驾驶场景数据进行感知，得到车端感知结果，其中，所述车端感知结果包括：所述驾驶场景数据对应的第一场景类别、所述驾驶场景数据中目标对象的第一位置信息、第一类别信息和第一ID信息；
基于所述车端感知结果，采用所述车端规划算法和所述车端定位算法分别得到车端车辆规划结果、车端车辆定位结果，并基于所述车端车辆规划结果和所述车端车辆定位结果，采用所述车端控制算法得到车端车辆控制结果；
采用云端高精度自动驾驶模型对所述驾驶场景数据进行分析，包括：
采用所述云端感知算法对所述驾驶场景数据进行感知，得到云端感知结果，其中，所述云端感知结果包括：所述驾驶场景数据对应的第二场景类别、所述驾驶场景数据中目标对象的第二位置信息、第二类别信息和第二ID信息；
基于所述云端感知结果，采用所述云端规划算法和所述云端定位算法分别得到云端车辆规划结果、云端车辆定位结果，并基于所述云端车辆规划结果和所述云端车辆定位结果，采用所述云端控制算法得到云端车辆控制结果。
3.根据权利要求1所述的方法，其特征在于，所述预设数据挖掘机制为用户设定的对自动驾驶的难例和长尾场景数据进行挖掘的机制。
4.根据权利要求1所述的方法，其特征在于，
所述预设数据挖掘机制包括：所述车端分析结果中的车端车辆控制结果与驾驶员控制操作不一致、所述车端分析结果中的驾驶场景数据对应的第一场景类别为预定义场景类别、所述车端分析结果中不同车端感知算法的感知结果不同。
5.根据权利要求1所述的方法，其特征在于，在得到所述目标驾驶场景数据之后，所述方法还包括：
采用仿真软件对所述目标驾驶场景数据进行扩充，得到扩充的目标驾驶场景数据；
将所述扩充的目标驾驶场景数据进行保存。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
采用所述目标驾驶场景数据和所述扩充的目标驾驶场景数据对所述车端自动驾驶模型进行测试。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若所述车端分析结果不符合预设数据挖掘机制，且，所述车端分析结果与所述云端分析结果相同时，则不保存与所述车端分析结果对应的驾驶场景数据。
8.一种数据的挖掘装置，其特征在于，包括：
获取单元，用于获取数据采集器发送的驾驶场景数据；
分析单元，用于分别采用车端自动驾驶模型和云端高精度自动驾驶模型对所述驾驶场景数据进行分析，得到车端分析结果和云端分析结果；
保存单元，若所述车端分析结果符合预设数据挖掘机制，或，所述车端分析结果与所述云端分析结果不同时，则将得出所述车端分析结果时的预设时间范围内的目标驾驶场景数据进行保存。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有机器可运行指令，所述机器可运行指令在被处理器调用和运行时，所述机器可运行指令促使所述处理器运行上述权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111080591.4A CN113762406A (zh) | 2021-09-15 | 2021-09-15 | 数据的挖掘方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111080591.4A CN113762406A (zh) | 2021-09-15 | 2021-09-15 | 数据的挖掘方法、装置和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113762406A true CN113762406A (zh) | 2021-12-07 |
Family
ID=78795751
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111080591.4A Pending CN113762406A (zh) | 2021-09-15 | 2021-09-15 | 数据的挖掘方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113762406A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114579088A (zh) * | 2021-12-31 | 2022-06-03 | 杭州宏景智驾科技有限公司 | 基于数据挖掘和测试闭环的无人驾驶算法开发方法 |
| CN114627454A (zh) * | 2022-03-18 | 2022-06-14 | 柳州柳工叉车有限公司 | 一种驾驶员举升意图感知方法、装置、设备及介质 |
| CN115359301A (zh) * | 2022-09-06 | 2022-11-18 | 上海寻序人工智能科技有限公司 | 一种基于云端平台的数据挖掘方法 |
| CN117826763A (zh) * | 2024-01-04 | 2024-04-05 | 苏州埃博斯电气有限公司 | 一种基于车联网的汽车信息智能采集管控系统及方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103592903A (zh) * | 2013-08-18 | 2014-02-19 | 北京联合大学 | 一种汽车智能驾驶测试数据远程监测方法及系统 |
| CA2809689A1 (en) * | 2013-03-15 | 2014-09-15 | CAA South Central Ontario | System and method for vehicle data analysis |
| CN107749193A (zh) * | 2017-09-12 | 2018-03-02 | 华为技术有限公司 | 驾驶风险分析及风险数据发送方法及装置 |
| CN109520744A (zh) * | 2018-11-12 | 2019-03-26 | 百度在线网络技术（北京）有限公司 | 自动驾驶车辆的驾驶性能测试方法和装置 |
| CN111399481A (zh) * | 2020-03-30 | 2020-07-10 | 东风汽车集团有限公司 | 一种自动驾驶场景信息收集及远程升级方法及系统 |
| CN111477030A (zh) * | 2020-04-14 | 2020-07-31 | 北京汽车集团有限公司 | 车辆协同避险方法、车端平台、云端平台及存储介质 |
| CN111710158A (zh) * | 2020-05-28 | 2020-09-25 | 深圳市元征科技股份有限公司 | 一种车辆数据处理方法及相关设备 |
| CN111897718A (zh) * | 2020-07-03 | 2020-11-06 | 重庆长安汽车股份有限公司 | 一种基于大数据的车机自动测试方法及存储介质 |
| CN112180921A (zh) * | 2020-09-22 | 2021-01-05 | 安徽江淮汽车集团股份有限公司 | 自动驾驶算法训练系统及方法 |
| CN112614366A (zh) * | 2020-12-11 | 2021-04-06 | 国汽(北京)智能网联汽车研究院有限公司 | 汽车协同决策方法、装置、电子设备及计算机存储介质 |
| WO2021169588A1 (zh) * | 2020-02-24 | 2021-09-02 | 上海商汤临港智能科技有限公司 | 自动驾驶仿真方法和装置、电子设备及存储介质 |
-
2021
- 2021-09-15 CN CN202111080591.4A patent/CN113762406A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2809689A1 (en) * | 2013-03-15 | 2014-09-15 | CAA South Central Ontario | System and method for vehicle data analysis |
| CN103592903A (zh) * | 2013-08-18 | 2014-02-19 | 北京联合大学 | 一种汽车智能驾驶测试数据远程监测方法及系统 |
| CN107749193A (zh) * | 2017-09-12 | 2018-03-02 | 华为技术有限公司 | 驾驶风险分析及风险数据发送方法及装置 |
| CN109520744A (zh) * | 2018-11-12 | 2019-03-26 | 百度在线网络技术（北京）有限公司 | 自动驾驶车辆的驾驶性能测试方法和装置 |
| WO2021169588A1 (zh) * | 2020-02-24 | 2021-09-02 | 上海商汤临港智能科技有限公司 | 自动驾驶仿真方法和装置、电子设备及存储介质 |
| CN111399481A (zh) * | 2020-03-30 | 2020-07-10 | 东风汽车集团有限公司 | 一种自动驾驶场景信息收集及远程升级方法及系统 |
| CN111477030A (zh) * | 2020-04-14 | 2020-07-31 | 北京汽车集团有限公司 | 车辆协同避险方法、车端平台、云端平台及存储介质 |
| CN111710158A (zh) * | 2020-05-28 | 2020-09-25 | 深圳市元征科技股份有限公司 | 一种车辆数据处理方法及相关设备 |
| CN111897718A (zh) * | 2020-07-03 | 2020-11-06 | 重庆长安汽车股份有限公司 | 一种基于大数据的车机自动测试方法及存储介质 |
| CN112180921A (zh) * | 2020-09-22 | 2021-01-05 | 安徽江淮汽车集团股份有限公司 | 自动驾驶算法训练系统及方法 |
| CN112614366A (zh) * | 2020-12-11 | 2021-04-06 | 国汽(北京)智能网联汽车研究院有限公司 | 汽车协同决策方法、装置、电子设备及计算机存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| JIANJUN NI 等: "A Survey on Theories and Applications for Self-Driving Cars Based on Deep Learning Methods", 《APPLIED SCIENCES》, vol. 10, no. 8, 16 April 2020 (2020-04-16), pages 1 - 19 * |
| 张耀隆: "面向自动驾驶的数据平台关键技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 02, 15 February 2020 (2020-02-15), pages 035 - 378 * |
| 许广宏 等: "基于高精地图的自动驾驶中法规分析与应用集成解决方案", 《上海汽车》, 31 December 2020 (2020-12-31), pages 16 - 23 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114579088A (zh) * | 2021-12-31 | 2022-06-03 | 杭州宏景智驾科技有限公司 | 基于数据挖掘和测试闭环的无人驾驶算法开发方法 |
| CN114627454A (zh) * | 2022-03-18 | 2022-06-14 | 柳州柳工叉车有限公司 | 一种驾驶员举升意图感知方法、装置、设备及介质 |
| CN114627454B (zh) * | 2022-03-18 | 2024-02-09 | 柳州柳工叉车有限公司 | 一种驾驶员举升意图感知方法、装置、设备及介质 |
| CN115359301A (zh) * | 2022-09-06 | 2022-11-18 | 上海寻序人工智能科技有限公司 | 一种基于云端平台的数据挖掘方法 |
| CN117826763A (zh) * | 2024-01-04 | 2024-04-05 | 苏州埃博斯电气有限公司 | 一种基于车联网的汽车信息智能采集管控系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113762406A (zh) | 数据的挖掘方法、装置和电子设备 | |
| CN109032103B (zh) | 无人驾驶车辆的测试方法、装置、设备及存储介质 | |
| CN110796007B (zh) | 场景识别的方法与计算设备 | |
| CN106709475B (zh) | 障碍物识别方法及装置、计算机设备及可读存储介质 | |
| WO2021059714A1 (ja) | 占有グリッドマップ生成装置、占有グリッドマップ生成システム、占有グリッドマップ生成方法、およびプログラム | |
| CN111797526A (zh) | 一种仿真测试场景构建方法及装置 | |
| CN112348035B (zh) | 车辆关键点检测方法、装置及电子设备 | |
| CN110341621B (zh) | 一种障碍物检测方法及装置 | |
| CN111627001A (zh) | 图像检测方法及装置 | |
| CN114694123B (zh) | 交通信号灯感知方法、装置、设备及存储介质 | |
| CN114333347A (zh) | 车辆信息融合方法、装置、计算机设备及存储介质 | |
| CN115099051A (zh) | 自动驾驶的仿真测试场景生成方法、装置、车辆及存储介质 | |
| CN111950504A (zh) | 车辆检测方法、装置以及电子设备 | |
| CN113468678B (zh) | 一种自动驾驶算法准确度的计算方法及装置 | |
| CN113743356A (zh) | 数据的采集方法、装置和电子设备 | |
| CN113569812A (zh) | 未知障碍物的识别方法、装置和电子设备 | |
| CN109544648B (zh) | 一种标定方法及装置 | |
| CN111143424B (zh) | 特征场景数据挖掘方法、装置和终端 | |
| CN113642521B (zh) | 红绿灯识别质量的评价方法、装置和电子设备 | |
| CN111177878A (zh) | 衍生仿真场景筛选方法、装置和终端 | |
| CN110032172B (zh) | 一种车辆驾驶控制系统精度检测方法及装置 | |
| CN115249407A (zh) | 指示灯状态识别方法、装置、电子设备、存储介质及产品 | |
| CN111143423B (zh) | 动态场景标注数据挖掘方法、装置以及终端 | |
| CN108733050B (zh) | 信息处理方法以及信息处理装置 | |
| CN116434548A (zh) | 一种车辆数据分析方法、装置及电子设备 |
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 |