CN114116444A - 监控自动驾驶车辆的自主操作的测试数据的系统和方法 - Google Patents
监控自动驾驶车辆的自主操作的测试数据的系统和方法 Download PDFInfo
- Publication number
- CN114116444A CN114116444A CN202111001036.8A CN202111001036A CN114116444A CN 114116444 A CN114116444 A CN 114116444A CN 202111001036 A CN202111001036 A CN 202111001036A CN 114116444 A CN114116444 A CN 114116444A
- Authority
- CN
- China
- Prior art keywords
- driving
- session data
- data
- test
- autonomous vehicle
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000012544 monitoring process Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 71
- 238000011160 research Methods 0.000 claims abstract description 57
- 238000004458 analytical method Methods 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 16
- 238000013500 data storage Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 23
- 239000003795 chemical substances by application Substances 0.000 description 18
- 230000009471 action Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 14
- 230000037406 food intake Effects 0.000 description 12
- 210000004027 cell Anatomy 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 230000005055 memory storage Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000008846 dynamic interplay Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 239000005022 packaging material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004549 pulsed laser deposition Methods 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- 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
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G06F11/3604—Software analysis for verifying properties of programs
- G06F11/3616—Software analysis for verifying properties of programs using software metrics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/40—Data acquisition and logging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
公开了监控自动驾驶车辆的自主操作的测试数据的系统和方法。描述了用于自主车辆测试数据分发和分析的方法。该方法包括:将驾驶会话数据从驾驶站点的计算机上传到驾驶站点的附接到网络的存储器。该方法也包括:将驾驶会话数据从驾驶站点的附接到网络的存储器上传到基于云的存储位置。该方法还包括:将来自基于云的存储位置的驾驶会话数据和工作单元分发到与驾驶站点分离的至少一个研究站点。该方法还包括:由所述至少一个研究站点根据与工作单元相关联的分析/处理任务来处理驾驶会话数据。
Description
技术领域
本公开的某些方面一般而言涉及机器学习,更具体而言,涉及监控自动驾驶车辆的自主操作的测试数据的系统和方法。
背景技术
诸如自动驾驶汽车和机器人之类的自主代理正在迅速演进。自动驾驶汽车依赖于对环境进行感知的各种方式。遗憾的是,自动驾驶汽车用来感知周围环境的各种方式并不完全可靠。此外,因为自动驾驶汽车必须与其他车辆交互,所以出现许多关键问题。例如,一个关键问题是如何使用机器学习来设计自主车辆的车辆控制。
遗憾的是,在涉及车辆之间的复杂交互的情况(例如,受控(自我)车辆并入交通车道中的情况)中,通过机器学习的车辆控制可能是无效的。期望通过选择自我车辆的合适的车辆控制动作而实现的用于车辆控制的机器学习技术。例如,受控(自我)车辆的选择的速度/加速度/转向角可以作为车辆控制动作来应用。自主测试车辆可以根据选择的车辆控制动作来操作。遗憾的是,测试自主车辆在测试运行期间生成巨大数量(例如,100千兆字节(GB))的数据。期望用于在不同研究位置访问此测试数据的系统和方法。
发明内容
描述了用于自主车辆测试数据分发和分析的方法。该方法包括:将驾驶会话数据从驾驶站点的计算机上传到驾驶站点的附接到网络的存储器。该方法也包括:将驾驶会话数据从驾驶站点的附接到网络的存储器上传到基于云的存储位置。该方法还包括:将来自基于云的存储位置的驾驶会话数据和工作单元分发到与驾驶站点分离的至少一个研究站点。该方法还包括:由所述至少一个研究站点根据与工作单元相关联的分析/处理任务来处理驾驶会话数据。
描述了记录有程序代码的非暂时性计算机可读介质,该程序代码用于自主车辆测试数据分发和分析。程序代码由处理器执行。非暂时性计算机可读介质包括:用于将驾驶会话数据从驾驶站点的计算机上传到驾驶站点的附接到网络的存储器的程序代码。非暂时性计算机可读介质也包括:用于将驾驶会话数据从驾驶站点的附接到网络的存储器上传到基于云的存储位置的程序代码。非暂时性计算机可读介质还包括:用于将来自基于云的存储位置的驾驶会话数据和工作单元分发到与驾驶站点分离的至少一个研究站点的程序代码。非暂时性计算机可读介质还包括:用于由所述至少一个研究站点根据与工作单元相关联的分析/处理任务来处理驾驶会话数据的程序代码。
描述了用于自主车辆测试数据分发和分析的系统。该系统包括驾驶站点,该驾驶站点包括附接到网络的存储器和计算机。计算机被配置成响应于测试车辆的会话数据存储模块的插入,而将驾驶会话数据从驾驶站点的计算机上传到附接到网络的存储器。附接到网络的存储器被配置成将驾驶会话数据从驾驶站点的附接到网络的存储器上传到基于云的存储位置。该系统的基于云的存储位置被配置成将驾驶会话数据和工作单元分发到与驾驶站点分离的研究站点。至少两个研究站点被配置成分别根据与由两个研究站点接收的工作单元相关联的分析/处理任务来处理驾驶会话数据。
这已经相当广泛地概述了本公开的特征和技术优势以便可以更好理解下面的详细描述。下面将描述本公开的其他特征和优点。本领域的技术人员应该理解本公开可以容易地被用作修改或设计其他结构以实现本公开的相同目的基础。本领域的技术人员还应该认识到这种等同结构不背离如随附权利要求中阐述的本公开的教导。当连同附图考虑时,根据以下描述,被认为是本公开的特征的新颖特征、关于新颖特征的组织和操作方法二者、以及其他目的和优点将被更好地理解。然而,将被明确理解的是,每幅附图仅被提供用于说明和描述的目的并且不意在定义本公开的限制。
附图说明
当结合附图考虑时,在附图中类似的附图标记自始至终对应地进行标识,根据下面阐述的详细描述,本公开的特征、性质和优点将变得更加清楚。
图1图示出根据本公开的各方面的对使用自主车辆测试数据分发和分析系统的片上系统(SOC)的神经网络进行设计的示例实现方式。
图2是图示出根据本公开的各方面的可使用于自主车辆测试数据分发和分析系统的人工智能(AI)功能模块化的示例性软件架构的框图。
图3是图示出根据本公开的各方面的用于自主车辆测试数据分发和分析系统的硬件实现方式的图。
图4是图示出根据本公开的各方面的实现用于在各个存储器存储位置监控测试数据的状况并且对测试数据运行任务的系统和方法的摄取(ingestion)处理的图。
图5图示出根据本公开的各方面的由基于驾驶堆栈(例如,测试车辆应用模块)操作的测试自主车辆捕获的传感器数据图像。
图6是图示出根据本公开的各方面的用于自主车辆测试数据分发和分析的方法的流程图。
具体实现方式
以下结合附图阐述的详细描述意在作为对各种配置的描述,而不是意在代表可以实践本文描述的概念的唯一配置。详细描述包括以提供对各概念的全面理解为目的的特定细节。然而,对于本领域的技术人员来说,清楚的是,这些概念可以在没有这些特定细节的情况下被实践。在一些情况下,熟知的结构和组件以框图形式示出以避免使这些概念模糊。
基于教导,本领域的技术人员应该理解本公开的范围意在涵盖本公开的任意方面,无论是独立于本公开的任何其他方面实现的方面还是与本公开的任何其他方面结合的方面。例如,可以使用所阐述的任意数量的方面来实现装置或实践方法。此外,本公开的范围意在涵盖使用除本公开阐述的各方面之外的其他结构、功能、或结构和功能实践的此类装置或方法。应该理解的是,本公开所披露的任意方面可以通过权利要求的一个或多个要素来体现。
尽管本文描述了具体的方面,但这些方面的许多变化和排列组合落入本公开的范围内。尽管提到了优选方面的一些好处和优点,但本公开的范围不意在被限制于具体的好处、用途或目标。相反,本公开的各方面意在广泛地适用于不同的技术、系统配置、网络和协议,其中一些在图中和在优选方面的以下描述中以示例方式说明。本公开的详细描述和附图只是说明性的,而不是限制由所附权利要求及其等同物定义的本公开的范围。
诸如自动驾驶汽车和机器人之类的自主代理正在迅速演进。自动驾驶汽车依赖于对环境进行感知的各种方式。遗憾的是,自动驾驶汽车用来感知周围环境的各种方式并不完全可靠。此外,因为自动驾驶汽车必须与其他车辆交互,所以出现许多关键问题。例如,一个关键问题是如何使用机器学习来设计自主车辆的车辆控制。
高速公路上车辆控制的自动化正在迅速推进。这些自动化车辆有望减少交通事故并提高交通效率。具体而言,期望通过选择自我车辆的合适的车辆控制动作而实现的用于车辆控制的机器学习技术。例如,受控(自我)车辆的选择的速度/加速度/转向角可以作为车辆控制动作来应用。遗憾的是,在涉及车辆之间的复杂交互的情况(例如,受控(自我)车辆并入交通车道中的情况)中,通过机器学习的车辆控制可能是无效的。
具体而言,当构建在人类环境中操作的自主代理时,安全是一个关键的问题。尤其对于自主驾驶而言,由于高速、丰富的环境以及与许多交通参与者(包括易受伤害的道路使用者)复杂的动态交互,安全是一个艰巨的挑战。期望通过选择自我车辆的合适的车辆控制动作而实现的用于车辆控制的机器学习技术的测试和验证。例如,自主测试车辆可以根据选择的车辆控制动作来操作。遗憾的是,测试的自主车辆生成巨大数量的数据。
例如,测试自主车辆在测试运行期间生成巨大数量(例如,100千兆字节(GB))的数据。传输如此大量的数据是困难且昂贵的。此外,将数据存储在基于云的存储器中供研究人员使用可能是不切实际的,这是因为根据研究人员的需要,下载和/或处理数据需要巨大数量的时间。因此理想地,数据应该位于研究人员附近。期望在不同研究位置访问此测试数据的系统和方法。
本公开的各方面致力于用于在各个存储器存储位置处监控测试数据的状况并对测试数据运行任务的系统和方法。本公开的各方面提供将相关数据从测试自主车辆分发到研究人员的位置供研究人员快速使用的测试数据管线(pipeline)。当测试自主车辆完成测试运行并进入车库时测试方法开始。在这个示例中,传感器数据存储模块被从测试自主车辆中去除并被插入到在车库处的计算机中。
在本公开的这一方面中,传感器数据被提供给基于云的存储位置并从源站点(例如,测试自主车辆的车库)去除。原始传感器数据可以被存储在基于云的存储位置处。此外,任何不相关的信息可以从传感器数据去除;然而,传感器数据的完整的未过滤版本留在基于云的存储位置处。然后,过滤后的信息被提供给用作分布式计算网络的处理管线。本公开的这一方面致力于在数据管线中收集和快速分发自主车辆测试数据的能力,以便研究人员容易地得到它。
根据本公开的这一方面,处理管线使得每个研究人员(或研究站点)能够接收传感器数据以及处理单元。也就是说,研究人员接收信息并且贡献处理能力以处理摄取的传感器数据。处理(例如,工作)单元可以与具体的分析或处理任务对应。例如,一个研究位置可以负责为传感器数据加索引,以使传感器数据与关键字搜索兼容。这样,指派的工作单元可以是处理传感器数据以加索引。另一个研究位置可以负责对传感器数据执行机器学习任务。一旦研究位置完成工作单元,那么输出然后被推送到基于云的存储位置以及可以使用输出的其他研究位置。
图1图示出上述提及的使用用于自主车辆140的车辆视觉系统的片上系统(SOC)100的自主车辆测试数据分发和分析系统的系统和方法的示例实现方式。根据本公开的某些方面,SOC 100可以包括单个处理器或多核处理器(例如,中央处理单元(CPU)102)。变量(例如,神经信号和突触权重)与计算设备(例如,有权重的神经网络)相关联的系统参数、延迟、频率槽信息和任务信息可以被存储在一个存储块中。存储块可以与神经处理单元(NPU)108、CPU 102、图形处理单元(GPU)104、数字信号处理器(DSP)106、专用存储块118相关联,或者可以跨多个块分布。在处理器(例如,CPU 102)上执行的指令可以从与CPU 102相关联的程序存储器加载或可以从专用存储块118加载。
SOC 100还可以包括被配置成执行特定功能的附加处理块,例如GPU 104、DSP 106和连接块110,连接块110可以包括第四代长期演进(4G LTE)连接、未经许可的Wi-Fi连接、USB连接、连接等。此外,多媒体处理器112结合显示器130可以例如根据图示出车辆视图的显示器130来选择认证的车辆控制动作。
在某些方面,NPU 108可以在CPU 102、DSP 106和/或GPU 104中实现。SOC 100还可以包括传感器处理器114、图像信号处理器(ISP)116和/或导航120,导航120例如可以包括全球定位系统。SOC 100可以基于高级精简指令集机器(ARM)指令集等。在本公开的另一个方面中,SOC 100可以是与自主车辆140通信的服务器计算机。在这种布置中,自主车辆140可以包括SOC 100的处理器和其他特征。
在本公开的这一方面中,加载到自主车辆140的处理器(例如,CPU 102)或NPU 108中的指令可以包括基于由传感器处理器114捕获的图像而将驾驶会话数据从驾驶站点的计算机上传到驾驶站点的附接到网络的存储器的代码。加载到处理器(例如,CPU 102)的指令还可以包括响应于由传感器处理器114捕获的图像而将驾驶会话数据从驾驶站点的附接到网络的存储器上传到基于云的存储位置的代码。加载到处理器(例如,CPU 102)的指令还可以包括将来自基于云的存储位置的驾驶会话数据和工作单元分发到与驾驶站点分离的至少一个研究站点的代码。加载到处理器(例如,CPU 102)的指令还可以包括由所述至少一个研究站点根据与工作单元相关联的分析/处理任务来处理驾驶会话数据的代码。
图2是图示出根据本公开的各方面的可使自主车辆测试数据分发和分析系统的人工智能(AI)功能模块化的软件架构200的框图。使用该架构,规划器/控制器应用202可以被这样设计:其可以使SOC 220的各种处理块(例如CPU 222、DSP 224、GPU 226和/或NPU 228)在规划器/控制器应用202的运行时(run-time)操作期间执行支持计算。虽然图2描述用于自主车辆测试数据分发和分析的软件架构200,但应认识到,车辆测试数据分发和分析不限于自主代理。根据本公开的各方面,车辆测试数据分发和分析功能适用于任何车辆类型。
规划器/控制器应用202可以被配置成调用在用户空间20中定义的功能,用户空间20例如可以提供车辆测试数据分发和分析服务。规划器/控制器应用202可以对与测试数据管线应用程序接口(API)206中定义的库相关联的编译程序代码做出请求。测试数据管线API 206被配置成将测试传感器数据分发到基于云的存储位置,并从源站点(例如,测试自主车辆的车库)去除提供给测试数据管线API 206的测试数据。作为回应,测试数据分析API207的编译代码使得每个研究人员(或研究站点)能够接收传感器数据以及处理单元。也就是说,研究人员接收信息并且贡献处理能力以处理摄取的传感器数据。根据测试数据分析API 207,处理(例如,工作)单元可以与具体的分析或处理任务对应。
运行时引擎208可以是运行时框架的编译代码,运行时引擎208还可以被规划器/控制器应用202访问。规划器/控制器应用202可以使运行时引擎208例如对来自测试自主车辆的传感器数据的车辆测试数据分发和分析采取动作。当自我车辆遭遇安全情况时,运行时引擎208可以接着向运行在SOC 220上的诸如Linux内核212之类的操作系统210发送信号。图2图示出Linux内核212作为用于自主车辆测试数据分发和分析的软件架构。然而应该认识到,本公开的各方面不局限于这个示例性的软件架构。例如,其他内核可以提供软件架构以支持自主车辆测试数据的分发和分析功能。
操作系统210接着可使得在CPU 222、DSP 224、GPU 226、NPU 228或其某种组合上执行计算。CPU 222可由操作系统210直接访问,并且其他处理块可通过驱动器访问,诸如用于DSP 224、GPU 226或NPU 228的驱动器214-218。在图示的示例中,深度神经网络可以被配置成在诸如CPU 222和GPU 226之类的处理块的组合上运行,或者可以在NPU 228(如果存在的话)上运行。
自主车辆中的软件的增长的复杂度使得确保这些自主车辆的可靠性更加困难。例如,尽管改善了总体安全措施,但意外灾难性故障的风险仍然存在。具体而言,当构建在人类环境中操作的自主代理时,安全是关键问题。尤其对于自主驾驶而言,由于高速、丰富的环境以及与许多交通参与者(包括易受伤害的道路使用者)复杂的动态交互,安全是一个艰巨的挑战。期望通过选择自我车辆的合适的车辆控制动作而实现的用于车辆控制的机器学习技术的测试和验证。例如,自主测试车辆可以根据选择的车辆控制动作来操作。遗憾的是,测试的自主车辆生成巨大数量的数据。
例如,测试自主车辆在测试运行期间生成巨大数量(例如,100千兆字节(GB))的数据。传输如此大量的数据是困难且昂贵的。此外,将数据存储在基于云的存储器中供研究人员使用可能是不切实际的,这是因为根据研究人员的需要,下载和/或处理数据需要巨大数量的时间。因此理想地,数据应该位于研究人员附近。期望在不同研究位置访问此测试数据的系统和方法。
本公开的各方面致力于用于在各个存储器存储位置处监控测试数据的状况并对测试数据运行任务的系统和方法。本公开的各方面提供将相关数据从测试自主车辆分发到研究人员的位置供研究人员快速使用的测试数据管线。当测试自主车辆完成测试运行并进入车库时测试方法开始。在这个示例中,传感器数据存储模块被从测试自主车辆去除并被插入到在车库处的计算机中。
根据本公开的这一方面,处理管线使得每个研究人员(或研究站点)能够接收传感器数据以及处理单元。也就是说,研究人员接收信息并且贡献处理能力以处理摄取的传感器数据。处理(例如,工作)单元可以与具体的分析或处理任务对应。例如,一个研究位置可以负责为传感器数据加索引,以使传感器数据与关键字搜索兼容。这样,指派的工作单元可以是处理传感器数据以加索引。另一个研究位置可以负责对传感器数据执行机器学习任务。一旦研究位置完成工作单元,那么输出然后被推送到基于云的存储位置以及可以使用输出的其他研究位置。
图3是图示出根据本公开的各方面的用于自主车辆测试数据分发和分析系统300的硬件实现图。自主车辆测试数据分发和分析系统300可以被配置成通过使用来自起源站点的驾驶测试会话数据的分布式分析和处理来改进自我车辆的测试。自主车辆测试数据分发和分析系统300包括测试代理控制系统301,测试代理控制系统301可以是车辆的组件、机器人设备或其他非自主设备(例如,非自主车辆、共享汽车等)。例如,如图3所示,测试代理控制系统301是测试自主车辆350的组件。本公开的各方面不限于测试代理控制系统301是测试自主车辆350的组件。诸如公共汽车、摩托车或其他类似的非自主车辆之类的其他设备也被预期用于实现测试代理控制系统301。在这个示例中,测试自主车辆350可以是自主的或半自主的;然而,测试自主车辆350的其他配置被预期。
测试代理控制系统301可以用一般地由互连346表示的互连架构来实现。取决于测试代理控制系统301的具体应用和整体设计约束,互连346可以包括任意数量的点对点互连、总线和/或桥。互连346将包括一个或多个处理器和/或硬件模块的各种电路链接在一起,这一个或多个处理器和/或硬件模块由传感器模块302、车辆感知模块310、处理器320、计算机可读介质322、通信模块324、车载单元326、位置模块328、移动模块329、规划器模块330和控制器模块340表示。互连346还可以链接诸如定时源、外围设备、稳压器和电源管理电路之类的各种其他电路,这些都是本领域内熟知的,因此将不再被进一步描述。
测试代理控制系统301包括耦接到传感器模块302、车辆感知模块310、处理器320、计算机可读介质322、通信模块324、车载单元326、位置模块328、移动模块329、规划器模块330和控制器模块340的收发器342。收发器342耦接到天线344。收发器342通过传输介质与各种其他设备通信。例如,收发器342可以经由来自用户或连接的车辆的传输来接收命令。在这个示例中,收发器342可以从/向测试自主车辆350附近的连接的车辆接收/发送车辆感知模块310的信息。
测试代理控制系统301包括与计算机可读介质322耦接的处理器320。处理器320执行处理,该处理包括执行存储在计算机可读介质322上的软件,以提供根据本公开的功能。当由处理器320执行时,软件使测试代理控制系统301执行对于测试自主车辆350的自主车辆测试数据分发和分析或任意模块(例如,302、310、324、328、329、330和/或340)而描述的各种功能。计算机可读介质322也可用于存储在执行软件时由处理器320操纵的数据。
传感器模块302可以经由诸如第一传感器306和第二传感器304之类的不同传感器获得测量结果。第一传感器306可以是用于捕获2D图像的视觉传感器(例如,立体相机或红绿蓝(RGB)相机)。第二传感器304可以是诸如光检测和测距(LIDAR)传感器或无线电检测和测距(RADAR)传感器之类的测距传感器。当然,本公开的各方面不限于前述传感器,其他类型的传感器(例如,热、声纳和/或激光)也被预期用于第一传感器306或第二传感器304。
第一传感器306和第二传感器304的测量结果可以由处理器320、传感器模块302、车辆感知模块310、通信模块324、车载单元326、位置模块328、移动模块329、规划器模块330和/或控制器模块340处理。结合计算机可读介质322,第一传感器306和第二传感器304的测量结果被处理以实现本文描述的功能。在一种配置中,由第一传感器306和第二传感器304捕获的数据可以通过收发器342传输到连接的车辆。第一传感器306和第二传感器304可以耦接到测试自主车辆350或者可以与测试自主车辆350通信。
位置模块328可以确定测试自主车辆350的位置。例如,位置模块328可以使用全球定位系统(GPS)来确定测试自主车辆350的位置。位置模块328可以实现兼容专用短程通信(DSRC)的GPS单元。兼容DSRC的GPS单元包括使测试自主车辆350和/或位置模块328与一个或多个以下DSRC标准(包括其任何衍生或分支)兼容的硬件和软件:EN 12253:2004专用短程通信—使用5.8GHz微波的物理层(审查中(review));EN 12795:2002专用短程通信(DSRC)—DSRC数据链路层:介质访问和逻辑链路控制(审查中);EN 12834:2002专用短程通信—应用层(审查中);EN 13372:2004专用短程通信(DSRC)—用于RTTT应用的DSRC配置文件(审查中);以及EN ISO14906:2004电子收费—应用接口。
通信模块324可以经由收发器342辅助通信。例如,通信模块324可以被配置成经由不同的无线协议来提供通信能力,如5G新空口(NR)、Wi-Fi、长期演进(LTE)、4G、3G等。通信模块324还可以与测试自主车辆350的、不是测试代理控制系统301的模块的其他组件通信。收发器342可以是通过网络接入点360的通信通道。该通信信道可以包括DSRC、LTE、LTE-D2D、mmWave、Wi-Fi(基础架构模式)、Wi-Fi(ad-hoc模式)、可见光通信、电视空白空间通信、卫星通信、全双工无线通信或诸如本文提到的那些之类的任意其他无线通信协议。
测试代理控制系统301还包括用于规划路线的规划器模块330和用于经由用于测试自主车辆350的自主操作的移动模块329控制测试自主车辆350的移动的控制器模块340。在一种配置中,当根据测试自主车辆350的自主级别预期(例如,预测)用户输入将引起碰撞时,控制器模块340可以推翻(override)用户输入。模块可以是运行在处理器320中的软件模块,驻存/存储在计算机可读介质322和/或耦接到处理器320的硬件模块中的软件模块,或其一些组合。
美国国家公路交通安全管理局(“NHTSA”)已经定义了自主车辆的不同“级别”(例如,0级、1级、2级、3级、4级和5级)。例如,如果与另一辆自主车辆相比,自主车辆具有较高的级别编号(例如,与2级或1级相比,3级具有较高的级别编号),那么具有较高级别编号的自主车辆相对于具有较低级别编号的车辆提供自主特征的更大组合和数量。下面简要介绍自主车辆的这些不同级别。
0级:在0级车辆中,安装在车辆中的高级驾驶辅助系统(ADAS)特征集不提供任何车辆控制,但可以向车辆的驾驶员发出警告。0级的车辆不是自主或半自主的车辆。
1级:在1级车辆中,驾驶员准备好在任意时间对自主车辆进行驾驶控制。安装在自主车辆中的ADAS特征集可以以任意组合提供自主特征,比如:自适应巡航控制(“ACC”);具有自动转向的停车辅助;和车道保持辅助(“LKA”)II型。
2级:在2级车辆中,驾驶员有责任检测道路环境中的物体和事件并且在安装在自主车辆中的ADAS特征集未能正确地响应(基于驾驶员的主观判断)的情况下做出响应。安装在自主车辆中的ADAS特征集可以包括加速、制动和转向。在2级车辆中,安装在自主车辆中的ADAS特征集能够在由驾驶员接管后立即停用。
3级:在3级ADAS车辆中,在已知的、有限的环境(诸如高速公路)内,驾驶员能够安全地从驾驶任务转移他的/她的注意力,但仍然必须准备在需要时控制自主车辆。
4级:在4级车辆中,安装在自主车辆中的ADAS特征集能够在除诸如恶劣天气之类的少数环境外的所有环境中控制自主车辆。只有当那样做是安全的时,4级车辆的驾驶员才启用自动系统(其包括安装在车辆中的ADAS特征集)。当启用自动的4级车辆时,对于在接受的规范内安全且一致地操作的自主车辆而言,不需要驾驶员的注意力。
5级:在5级车辆中,除了设置目的地和启动系统外,不涉及人为干预。自动系统能够驾驶到任何其合法驾驶到的位置并做出它自己的决定(其可以基于车辆所在的管辖区而不同)。
高度自主车辆(“HAV”)是3级或更高的自主车辆。相应地,在一些配置中,测试自主车辆350是以下之一:1级自主车辆;2级自主车辆;3级自主车辆;4级自主车辆;5级自主车辆;和HAV。
车辆感知模块310可以与传感器模块302、处理器320、计算机可读介质322、通信模块324、车载单元326、位置模块328、移动模块329、规划器模块330、控制器模块340和收发器342通信。在一种配置中,车辆感知模块310从传感器模块302接收传感器数据。传感器模块302可以从第一传感器306和第二传感器304接收传感器数据。根据本公开的各方面,传感器模块302可以过滤数据以去除噪声,对数据进行编码,对数据进行解码,合并数据,提取帧或执行其他功能。在替代的配置中,车辆感知模块310可以直接从第一传感器306和第二传感器304接收传感器数据。
如图3所示,车辆感知模块310包括测试车辆应用模块312、驾驶日志遥测模块314和会话数据存储模块316。测试车辆应用模块312和驾驶日志遥测模块314可以是相同或不同的人工神经网络(诸如深度卷积神经网络(CNN))的组件。车辆感知模块310不限于CNN。车辆感知模块310从第一传感器306和/或第二传感器304接收数据流。数据流可以包括来自第一传感器306的2D RGB图像和来自第二传感器304的LIDAR数据点。数据流可以包括多个帧,诸如场景的图像帧。
车辆感知模块310的这种配置包括用于在驾驶会话期间操作测试自主车辆350的测试车辆应用模块312(例如,驾驶堆栈)。驾驶会话与由驾驶日志遥测模块314存储的遥测信息和来自传感器模块302的传感器数据一起被编目(catalog),遥测信息和传感器数据被存储在可去除的会话数据存储模块316中。在这个示例中,测试代理控制系统301和测试自主车辆350与站点关联,该站点包括车库机器370、站点的附接到网络的存储器(NAS)380和站点虚拟机390,其在图4所示的摄取处理中被进一步图示。
图4是图示出根据本公开的各方面的摄取处理400的图,该摄取处理400实现用于在各个存储器存储位置处监控测试数据的状况并对测试数据运行任务的系统和方法。在这个示例中,当测试自主车辆350完成测试运行(“会话”)并进入车库时,摄取处理400开始。在这个示例中,会话数据存储模块316被从测试自主车辆350去除并被插入到计算机(例如,车库机器370)中。
在这个示例中,会话数据存储模块316被插入到车库机器370中触发从车库机器370到起源站点402的站点NAS 380的会话数据的上传。在一种配置中,会话数据到站点NAS380中的上传触发到会话数据队列上的消息,该会话数据队列由站点虚拟机390监控。作为响应,站点虚拟机390将来自起源站点402(例如,驾驶站点)数据的会话数据上传到基于云的存储位置430。此外,从起源站点402(例如,车库机器370和/或站点NAS 380)去除会话数据。
原始会话数据可以被存储在基于云的存储位置430处。此外,可以从会话数据中去除任何不相关的信息;然而,会话数据的完整的未过滤版本留在基于云的存储位置430处。过滤后的信息可以被提供给数据管线440。摄取处理400用作用于将过滤后的信息分发给研究站点(例如,站点1、站点2等等)的分布式计算网络。本公开的这个方面致力于通过分布式计算网络收集并且快速分发自主车辆测试数据的能力,以便其他站点(例如,站点1、站点2等等)的研究人员容易地得到它。
摄取处理400提供将来自测试自主车辆的相关数据分发给研究人员位置供研究人员快速使用的测试数据分发。例如,到第一研究站点410的测试数据分发使研究人员(或研究站点)能够接收会话数据以及处理单元。例如,响应于摄取处理400,到第二研究站点420的测试数据和处理单元分发为研究人员提供测试信息以及处理单元,该处理器单元为会话数据的处理贡献处理能力。
处理(例如,工作)单元可以与具体的分析或处理任务对应。例如,第一研究站点410可以负责给会话数据加索引,从而使会话数据与第二研究站点420的附接到网络的存储器内的关键字搜索兼容。这样,指派的工作单元可以是处理会话数据以加索引。第二研究站点420可以负责对会话数据执行机器学习任务。一旦研究站点完成工作单元,那么输出然后被推送到基于云的存储位置430以及诸如数据管线440之类的可以使用输出的其他研究位置。
图5图示出根据本公开的各方面的由基于驾驶堆栈(例如,测试车辆应用模块312)进行操作的测试自主车辆350捕获的传感器数据图像500。为了图示出测试自主车辆350的操作,考虑由在高速公路的直线段502上驾驶的测试自主车辆350的传感器数据图像500示出的简单情境。
在这个示例中,车辆感知模块310(例如,使用LIDAR)确定测试自主车辆350前方的唯一障碍物是在同一方向上行进且距离为100米远的领先汽车510。测试自主车辆350正以10米每秒(m/s)的速度驶向领先汽车510,并能够以5米每二次方秒(m/s2)的速率减速。这意味停车距离为10米,如果速度加倍,那么停车距离将提升到40米。控制器模块340可以提出将自我车辆的速度提高到20米/秒的车辆控制动作。根据图4所示的摄取处理,在这个测试驾驶会话期间捕获的这个传感器数据以及由驾驶日志遥测模块314(例如,使用惯性测量单元(IMU))捕获的遥测信息被存储在会话数据模块中供进行后续处理。
图6是图示出根据本公开的各方面的用于自主车辆测试数据分发和分析的方法的流程图。图6的方法600开始于块602,其中驾驶会话数据被从驾驶站点的计算机上传到驾驶站点的附接到网络的存储器。例如,如图4中所描述的,将会话数据存储模块316插入到车库机器370中触发将会话数据从车库机器370上传到起源站点402的站点NAS 380。在块604,驾驶会话数据被从驾驶站点的附接到网络的存储器上传到基于云的存储位置。例如,如图4所示,将会话数据上传到站点NAS 380中触发到会话数据队列上的消息,会话数据队列由站点虚拟机390监控。作为响应,站点虚拟机390将来自起源站点402(例如,驾驶站点)数据的会话数据上传到基于云的存储位置430。此外,会话数据被从起源站点402(例如,车库机器370和/或站点NAS 380)去除。
再次参考图6,在块606,来自基于云的存储位置的驾驶会话数据和工作单元被分发到与驾驶站点分离的至少一个研究站点。例如,如图4所示,摄取处理400提供将来自测试自主车辆的相关数据分发给研究人员位置供研究人员快速使用的测试数据分发。例如,到第一研究站点410的测试数据分发使研究人员(或研究站点)能够接收会话数据以及处理单元。例如,响应于摄取处理400,到第二研究站点420的测试数据和处理单元分发为研究人员提供测试信息以及处理单元,该处理单元为会话数据的处理贡献处理能力。
在块608,由至少一个研究站点根据与工作单元相关联的分析/处理任务来处理驾驶会话数据。例如,如图4所示,处理(例如,工作)单元可以与具体的分析或处理任务对应。例如,第一研究站点410可以负责对会话数据加索引,从而使会话数据与第二研究站点420的附接到网络的存储器内的关键字搜索兼容。这样,指派的工作单元可以是处理会话数据以加索引。第二研究站点420可以负责对会话数据执行机器学习任务。一旦研究站点完成工作单元,那么输出然后被推送到基于云的存储位置430以及诸如数据管线440之类的可以使用输出的其他研究位置。
方法600还包括将处理后的会话数据从至少一个研究站点上传到基于云的存储位置。方法600还包括将处理后的会话数据从基于云的存储位置分发到至少另一个研究站点。方法600还包括完成测试自主车辆的驾驶会话。方法600还包括从测试自主车辆去除会话数据存储模块。方法600还包括将来自会话数据存储模块的驾驶会话数据存储到驾驶站点的计算机。
该方法还包括由驾驶站点的虚拟机监控与驾驶站点的附接到网络的存储器相关联的消息队列。方法600还包括由驾驶站点的虚拟机响应于消息队列而将驾驶会话数据从驾驶站点的附接到网络的存储器上传到基于云的存储位置。在方法600中,工作单元可以包括对驾驶会话数据中的传感器数据执行机器学习。此外,工作单元可以是对驾驶会话数据执行过滤操作。
本公开的各方面致力于用于在各种存储器存储位置处监控测试数据的状况并对测试数据运行任务的系统和方法。本公开的各方面提供将来自测试自主车辆的相关数据分发到研究人员位置供研究人员快速使用的测试数据管线。
上述方法的各种操作可以通过能够执行相应功能的任意合适的手段执行。手段可以包括各种硬件和/或软件组件和/或模块,包括但不限于电路、专用集成电路(ASIC)或处理器。一般地,在图中图示出操作的地方,那些操作可以具有有着类似编号的对等物手段加功能组件。
如本文所使用的,术语“确定”包含各种各样的动作。例如,“确定”可以包括计算、运算、处理、推导、调查、查找(例如,在表、数据库或其他数据结构中查找)、查明等。此外,“确定”可以包括接收(例如,接收信息)、访问(例如,访问存储器中的数据)等。再者,“确定”可以包括解决、选择、选出、建立等。
如本文所使用的,提及项目列表中的“至少一个”的短语是指那些项目的任意组合,包括单个成员。作为示例,“a、b或c中的至少一个”旨在涵盖:a、b、c、a-b、a-c、b-c和a-b-c。
结合本公开描述的各种说明性逻辑块、模块和电路可以用根据本公开配置的处理器、数字信号处理器(DSP)、ASIC、现场可编程门阵列(FPGA)或其他可编程逻辑器件(PLD)、离散门或晶体管逻辑、离散硬件组件或被设计为执行本文所述的功能的其任意组合来实现或执行。处理器可以是微处理器,但作为替代,处理器可以是按本文所述专门配置的任意商业可用的处理器、控制器、微控制器或状态机。处理器也可以实现为运算设备的组合,例如,DSP和微处理器的组合,多个微处理器,一个或多个微处理器与DSP核结合,或任意其他此类配置。
结合本公开描述的方法或算法的步骤可以以硬件、以由处理器执行的软件模块、或者以二者的组合来直接实现。软件模块可以驻留在本领域已知的任意形式的存储介质中。可使用的存储介质的一些示例包括随机访问存储器(RAM)、只读存储器(ROM)、闪存、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、寄存器、硬盘、可移动盘、CD-ROM等。软件模块可以包括一条指令或许多指令,并且可以分布在几个不同的代码段上、分布在不同的程序中以及跨多个存储介质分布。存储介质可以与处理器耦接,以使处理器可以从存储介质中读取信息并将信息写入存储介质。作为替代,存储介质可以与处理器集成。
本文公开的方法包括用于实现所描述方法的一个或多个步骤或动作。在不背离权利要求的范围的情况下,方法步骤和/或动作可以彼此互换。换句话说,除非指定步骤或动作的具体顺序,否则特定步骤和/或动作的顺序和/或使用可以修改而不背离权利要求的范围。
所描述功能可以以硬件、软件、固件或其任意组合实现。如果以硬件实现,示例硬件配置可以包括设备中的处理系统。处理系统可以以总线架构实现。取决于处理系统的特定应用和整体设计约束,总线可以包括任意数量的互连总线和桥。总线可以将各种电路链接起来,包括处理器、机器可读介质和总线接口。总线接口可以通过总线将例如网络适配器连接到处理系统。网络适配器可以实现信号处理功能。在某些方面,用户接口(例如,键盘、显示器、鼠标、操纵杆等)也可以连接到总线上。总线也可以连接其他各种电路,诸如定时源、外围设备、稳压器、电源管理电路等,这些都是本领域内熟知的,因此将不再进一步描述。
处理器可以负责管理总线和包括执行存储在机器可读介质上的软件在内的处理。根据本公开可特别配置的处理器的示例包括微处理器、微控制器、DSP处理器和其他可执行软件的电路。软件应被广义地解释为指代指令、数据或其任意组合,无论被称为软件、固件、中间件、微代码、硬件描述语言还是其他。举例来说,机器可读介质可以包括RAM、闪存、ROM、可编程只读存储器(PROM)、EPROM、EEPROM、寄存器、磁盘、光盘、硬盘驱动器或任意其他合适的存储介质或其任意组合。机器可读介质可以在计算机程序产品中实现。计算机程序产品可以包括包装材料。
在硬件实现中,机器可读介质可以是与处理器分离的处理系统的一部分。然而,正如本领域技术人员容易理解的那样,机器可读介质或其任意部分可以是处理系统外部的。举例来说,机器可读介质可以包括传输线、由数据调制的载波和/或与设备分离的计算机产品,所有这些都可以由处理器通过总线接口访问。可代替地,或者另外,机器可读介质或其任意部分可以集成到处理器中,诸如可以是高速缓存和/或专用寄存器文件的情况。尽管所讨论的各种组件可以被描述为具有特定的位置,诸如本地组件,但它们也可以以各种方式配置,诸如某些组件被配置成分布式计算系统的一部分。
处理系统可以配置有提供处理器功能的一个或多个微处理器和提供至少一部分的机器可读介质的外部存储器,所有这些通过外部总线架构与其他支持电路链接在一起。可代替地,处理系统可以包括用于实现本文所述的神经元模型和神经系统模型的一个或多个神经形态处理器。作为另一种代替,处理系统可以用将处理器、总线接口、用户接口、支持电路和至少一部分的机器可读介质集成到单个芯片中的ASIC来实现,或者用一个或多个FPGA、PLD、控制器、状态机、门控逻辑、分立硬件组件或任意其他合适的电路来实现,或者用能够执行本公开中描述的各种功能的任意电路组合来实现。本领域的技术人员将认识到如何最好地实现处理系统的所描述功能,这取决于具体的应用和对整个系统施加的总体设计约束。
机器可读介质可包括若干软件模块。软件模块包括当由处理器执行时使处理系统执行各种功能的指令。软件模块可以包括传输模块和接收模块。每个软件模块可以驻留在单个存储设备中,或分布在多个存储设备中。举例来说,当触发事件发生时,软件模块可以从硬盘驱动器加载到RAM。在软件模块的执行期间,处理器可以将一些指令加载到高速缓存中以提高访问速度。然后,一个或多个高速缓存行可以被加载到专用寄存器文件中以便由处理器执行。当提到下面的软件模块的功能时,可以理解,这种功能是由处理器在执行该软件模块的指令时实现的。此外,应该理解的是,本公开的各方面实现了对实现这些方面的处理器、计算机、机器或其他系统的功能的改进。
如果以软件中实现,功能可以作为一个或多个指令或代码在非暂时性计算机可读介质上存储或传输。计算机可读介质包括计算机存储介质和通信介质,这二者包括辅助将计算机程序从一个地方传送到另一个地方的任意介质。存储介质可以是可以被计算机访问的任意可用介质。举例来说,并非限制,这种计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其他光盘存储器、磁盘存储器或其他磁存储设备,或可用于携带或存储指令或数据结构形式的所需程序代码并且可被计算机访问的任意其他介质。此外,任意连接都被恰当地称为计算机可读介质。例如,如果软件是使用同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或诸如红外(IR)、无线电和微波之类的无线技术从网站、服务器或其他远程源传输的,那么同轴电缆、光纤电缆、双绞线、DSL或诸如红外、无线电和微波之类的无线技术被包括在介质的定义中。本文所用的磁盘和光盘包括光盘(CD)、激光盘、光学盘、数字多功能光盘(DVD)、软盘和蓝光光盘,其中磁盘通常磁性地再现数据,而光盘则光学上以激光再现数据。因此,在某些方面,计算机可读介质可以包括非暂时性计算机可读介质(例如,有形介质)。此外,对于其他方面,计算机可读介质可以包括暂时性计算机可读介质(例如,信号)。上述的组合也应包括在计算机可读介质的范围内。
因此,某些方面可以包括用于执行本文所描述操作的计算机程序产品。例如,这样的计算机程序产品可以包括具有在其上存储(和/或编码)的指令的计算机可读介质,该指令可由一个或多个处理器执行以执行本文所描述的操作。对于某些方面,计算机程序产品可以包括包装材料。
此外,应当理解的是,用于执行本文所描述的方法和技术的模块和/或其他适当的构件能够在适用时由用户终端和/或基站来下载和/或以其他方式获得。例如,这样的设备能够耦接到服务器以辅助用于执行本文所描述方法的构件的传送。可代替地,本文所描述的各种方法能够通过存储构件(例如,RAM、ROM、诸如CD或软盘之类的物理存储介质等)提供,如此,用户终端和/或基站在将存储构件耦接或提供给设备时能够获得各种方法。此外,能够利用任意其他合适的技术来向设备提供本文所描述的方法和技术。
应当理解的是,权利要求不限于上述的精确配置和组件。在不背离权利要求范围的情况下,可以对上述方法和装置的布置、操作和细节做出各种修改、改变和变化。
Claims (20)
1.一种用于自主车辆测试数据分发和分析的方法,包括:
将驾驶会话数据从驾驶站点的计算机上传到驾驶站点的附接到网络的存储器;
将驾驶会话数据从驾驶站点的附接到网络的存储器上传到基于云的存储位置;
将来自基于云的存储位置的驾驶会话数据和工作单元分发到与驾驶站点分离的至少一个研究站点;以及
由所述至少一个研究站点根据与工作单元相关联的分析/处理任务来处理驾驶会话数据。
2.根据权利要求1所述的方法,还包括:
将处理后的会话数据从所述至少一个研究站点上传到基于云的存储位置;以及
将处理后的会话数据从基于云的存储位置分发到至少另一个研究站点。
3.根据权利要求1所述的方法,还包括:
完成测试自主车辆的驾驶会话;
从测试自主车辆去除会话数据存储模块;以及
将来自会话数据存储模块的驾驶会话数据存储到驾驶站点的计算机。
4.根据权利要求1所述的方法,其中,上传来自附接到网络的存储器的驾驶会话数据包括:
由驾驶站点的虚拟机监控与驾驶站点的附接到网络的存储器相关联的消息队列;以及
由驾驶站点的虚拟机响应于消息队列来将驾驶会话数据从驾驶站点的附接到网络的存储器上传到基于云的存储位置。
5.根据权利要求4所述的方法,还包括:由驾驶站点的虚拟机删除来自驾驶站点的计算机和/或附接到网络的存储器的驾驶会话数据。
6.根据权利要求1所述的方法,其中,驾驶会话数据包括在测试自主车辆的测试运行期间测量的遥测信息。
7.根据权利要求1所述的方法,其中,驾驶会话数据包括在测试自主车辆的测试运行期间捕获的传感器数据。
8.根据权利要求1所述的方法,其中,工作单元包括对驾驶会话数据中的传感器数据执行机器学习。
9.根据权利要求1所述的方法,其中,工作单元包括对驾驶会话数据的过滤操作。
10.根据权利要求1所述的方法,其中,来自驾驶会话数据中的驾驶传感器数据的原始传感器数据被存储在基于云的存储位置处,并且,在所述至少一个研究站点处从原始传感器数据去除任何不相关的信息。
11.一种记录有程序代码的非暂时性计算机可读介质,该程序代码用于自主车辆测试数据分发和分析,该程序代码由处理器执行并且包括:
用于将驾驶会话数据从驾驶站点的计算机上传到驾驶站点的附接到网络的存储器的程序代码;
用于将驾驶会话数据从驾驶站点的附接到网络的存储器上传到基于云的存储位置的程序代码;
用于将来自基于云的存储位置的驾驶会话数据和工作单元分发到与驾驶站点分离的至少一个研究站点的程序代码;以及
用于由所述至少一个研究站点根据与工作单元相关联的分析/处理任务来处理驾驶会话数据的程序代码。
12.根据权利要求11所述的非暂时性计算机可读介质,还包括:
用于将处理后的会话数据从所述至少一个研究站点上传到基于云的存储位置的程序代码;以及
用于将处理后的会话数据从基于云的存储位置分发到至少另一个研究站点的程序代码。
13.根据权利要求11所述的非暂时性计算机可读介质,还包括:
用于完成测试自主车辆的驾驶会话的程序代码;
用于从测试自主车辆去除会话数据存储模块的程序代码;以及
用于将来自会话数据存储模块的驾驶会话数据存储到驾驶站点的计算机的程序代码。
14.根据权利要求11所述的非暂时性计算机可读介质,其中,用于上传来自附接到网络的存储器的驾驶会话数据的程序代码包括:
用于由驾驶站点的虚拟机监控与驾驶站点的附接到网络的存储器相关联的消息队列的程序代码;以及
用于由驾驶站点的虚拟机响应于消息队列来将驾驶会话数据从驾驶站点的附接到网络的存储器上传到基于云的存储位置的程序代码。
15.根据权利要求14所述的非暂时性计算机可读介质,还包括:用于由驾驶站点的虚拟机删除来自驾驶站点的计算机和/或附接到网络的存储器的驾驶会话数据的程序代码。
16.根据权利要求11所述的非暂时性计算机可读介质,其中,驾驶会话数据包括:在测试自主车辆的测试运行期间测量的遥测信息,在测试自主车辆的测试运行期间捕获的传感器数据。
17.一种用于自主车辆测试数据分发和分析的系统,该系统包括:
驾驶站点,包括附接到网络的存储器和计算机,该计算机被配置成响应于测试车辆的会话数据存储模块的插入,而将驾驶会话数据从驾驶站点的计算机上传到附接到网络的存储器,附接到网络的存储器被配置成将驾驶会话数据从驾驶站点的附接到网络的存储器上传到基于云的存储位置;
基于云的存储位置,被配置成将驾驶会话数据和工作单元分发到与驾驶站点分离的多个研究站点;以及
所述多个研究站点中的至少两个研究站点,被配置成分别根据与由所述多个研究站点中的所述两个研究站点接收的工作单元相关联的分析/处理任务来处理驾驶会话数据。
18.根据权利要求17所述的系统,其中,工作单元包括对驾驶会话数据中的传感器数据执行机器学习。
19.根据权利要求17所述的系统,其中,工作单元包括对驾驶会话数据的过滤操作。
20.根据权利要求17所述的系统,其中,来自驾驶会话数据中的驾驶传感器数据的原始传感器数据被存储在基于云的存储位置处,并且,在所述至少一个研究站点处从原始传感器数据去除任何不相关的信息。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/007,648 | 2020-08-31 | ||
US17/007,648 US11670120B2 (en) | 2020-08-31 | 2020-08-31 | System and method for monitoring test data for autonomous operation of self-driving vehicles |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114116444A true CN114116444A (zh) | 2022-03-01 |
Family
ID=80358778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111001036.8A Pending CN114116444A (zh) | 2020-08-31 | 2021-08-30 | 监控自动驾驶车辆的自主操作的测试数据的系统和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11670120B2 (zh) |
JP (1) | JP2022041934A (zh) |
CN (1) | CN114116444A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274781A (zh) * | 2023-11-21 | 2023-12-22 | 成都合能创越软件有限公司 | 基于双管道信息交错车载实时检测方法及系统 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11488377B1 (en) * | 2022-03-23 | 2022-11-01 | Motional Ad Llc | Adding tags to sensor data via a plurality of models and querying the sensor data |
CN115277442B (zh) * | 2022-06-24 | 2023-07-28 | 重庆长安汽车股份有限公司 | 一种用于智能汽车功能验证的方法及其仿真模型车 |
CN116774679B (zh) * | 2023-08-25 | 2023-11-28 | 北京斯年智驾科技有限公司 | 一种自动驾驶车辆测试方法、系统、装置和存储介质 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100030423A1 (en) * | 1999-06-17 | 2010-02-04 | Paxgrid Telemetric Systems, Inc. | Automotive telemetry protocol |
US9633576B2 (en) * | 2012-12-13 | 2017-04-25 | Alliance Wireless Technologies, Inc. | Vehicle activity information system |
US10496766B2 (en) * | 2015-11-05 | 2019-12-03 | Zoox, Inc. | Simulation system and methods for autonomous vehicles |
DE102016220913A1 (de) * | 2015-11-06 | 2017-05-11 | Ford Global Technologies, Llc | Verfahren und Vorrichtung zur Generierung von Testfällen für autonome Fahrzeuge |
US10118628B2 (en) * | 2017-02-21 | 2018-11-06 | Allstate Insurance Company | Data processing system for guidance, control, and testing autonomous vehicle features and driver response |
US10884902B2 (en) * | 2017-05-23 | 2021-01-05 | Uatc, Llc | Software version verification for autonomous vehicles |
US10262471B2 (en) * | 2017-05-23 | 2019-04-16 | Uber Technologies, Inc. | Autonomous vehicle degradation level monitoring |
US20190101914A1 (en) * | 2017-10-02 | 2019-04-04 | Allstate Insurance Company | Data Processing System with Machine Learning Engine for Providing Driving Data Analysis and Vehicle Control Functions |
US10599546B1 (en) * | 2017-10-25 | 2020-03-24 | Uatc, Llc | Autonomous vehicle testing systems and methods |
US10926723B2 (en) | 2018-01-12 | 2021-02-23 | Intel Corporation | System and method for post-accident vehicle sensor testing |
US10392022B1 (en) * | 2018-02-28 | 2019-08-27 | Calamp Corp. | Systems and methods for driver scoring with machine learning |
CN108492603A (zh) | 2018-04-25 | 2018-09-04 | 济南浪潮高新科技投资发展有限公司 | 一种边缘计算站及基于边缘计算站的自动驾驶方法 |
US11074824B2 (en) * | 2018-12-20 | 2021-07-27 | T-Mobile Usa, Inc. | Smart drive testing for mobile network and radio frequency verification |
US10876844B2 (en) * | 2018-12-26 | 2020-12-29 | Beijing Voyager Technology Co., Ltd. | Systems and methods for loading and tracking maps on a vehicle |
WO2020205655A1 (en) * | 2019-03-29 | 2020-10-08 | Intel Corporation | Autonomous vehicle system |
CN110210806B (zh) | 2019-05-27 | 2023-03-24 | 大连理工大学 | 一种5g边缘计算的云基无人车架构及其控制评价方法 |
CN110460635A (zh) | 2019-07-04 | 2019-11-15 | 华南理工大学 | 一种面向无人驾驶的边缘卸载方法及装置 |
US11095741B2 (en) * | 2019-07-11 | 2021-08-17 | Ghost Locomotion Inc. | Value-based transmission in an autonomous vehicle |
US20210011908A1 (en) * | 2019-07-11 | 2021-01-14 | Ghost Locomotion Inc. | Model-based structured data filtering in an autonomous vehicle |
CN110928658B (zh) | 2019-11-20 | 2024-03-01 | 湖南大学 | 一种车边云协同架构的协同任务迁移系统及算法 |
US11206465B1 (en) * | 2020-03-30 | 2021-12-21 | Lytx, Inc. | Adaptive methods to minimize data storage and data transfer |
US11538293B2 (en) * | 2020-06-29 | 2022-12-27 | EMC IP Holding Company LLC | Preparation of vehicle bulk data for high speed terahertz offloading |
-
2020
- 2020-08-31 US US17/007,648 patent/US11670120B2/en active Active
-
2021
- 2021-08-23 JP JP2021135867A patent/JP2022041934A/ja active Pending
- 2021-08-30 CN CN202111001036.8A patent/CN114116444A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274781A (zh) * | 2023-11-21 | 2023-12-22 | 成都合能创越软件有限公司 | 基于双管道信息交错车载实时检测方法及系统 |
CN117274781B (zh) * | 2023-11-21 | 2024-04-16 | 成都合能创越软件有限公司 | 基于双管道信息交错车载实时检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US20220068050A1 (en) | 2022-03-03 |
JP2022041934A (ja) | 2022-03-11 |
US11670120B2 (en) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114116444A (zh) | 监控自动驾驶车辆的自主操作的测试数据的系统和方法 | |
JP7355877B2 (ja) | 車路協同自動運転の制御方法、装置、電子機器及び車両 | |
US10896122B2 (en) | Using divergence to conduct log-based simulations | |
US11335132B2 (en) | Partial sensor data sharing for connected vehicles | |
US20180113477A1 (en) | Traffic navigation for a lead vehicle and associated following vehicles | |
US11735051B2 (en) | Detection of bicyclists near ego vehicles | |
US10999719B1 (en) | Peer-to-peer autonomous vehicle communication | |
US20210370978A1 (en) | Navigation cost computation for lane changes before a critical intersection | |
US11531842B2 (en) | Invertible depth network for image reconstruction and domain transfers | |
US11687155B2 (en) | Method for vehicle eye tracking system | |
US11745732B2 (en) | Certified control for self-driving cars | |
US20220245387A1 (en) | End-to-end monocular 2d semantic keypoint detector and tracker learning | |
US11935258B2 (en) | Range detection using machine learning combined with camera focus | |
US20230347925A1 (en) | Agent and scenario modeling extracted via an mbse classification on a large number of real-world data samples | |
US20230056475A1 (en) | System and method for a scenario-based event trigger | |
US20230294742A1 (en) | System and method for lane association/transition association with splines | |
US11704385B2 (en) | Traffic light detection auto-labeling and federated learning based on vehicle-to-infrastructure communications | |
US20220355822A1 (en) | Method for enumerating homotopies for maneuvers using a hierarchy of tolerance relations | |
US20230334876A1 (en) | End-to-end learned lane boundary detection based on a transformer | |
US20230351886A1 (en) | Traffic signal understandings and representation for prediction, planning, and control | |
US11875615B2 (en) | Odometry noise model fitting from fleet-scale datasets | |
US11702138B2 (en) | Method for lateral control assistance to enable one-handed driving of a vehicle | |
US20230349720A1 (en) | Synchronizing neighboring tiles in a high definition map | |
US11511751B2 (en) | Merge situation exposure algorithms to maximize exposure time | |
US20220363314A1 (en) | Method for visualizing a steering angle and lateral boundaries for driver assist and safer driving |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221028 Address after: Aichi Prefecture, Japan Applicant after: Toyota Motor Corp. Address before: California, USA Applicant before: Toyota Research Institute, Inc. |
|
TA01 | Transfer of patent application right | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |