CN114379581B - 基于自动驾驶下的算法迭代系统及方法 - Google Patents
基于自动驾驶下的算法迭代系统及方法 Download PDFInfo
- Publication number
- CN114379581B CN114379581B CN202111432481.XA CN202111432481A CN114379581B CN 114379581 B CN114379581 B CN 114379581B CN 202111432481 A CN202111432481 A CN 202111432481A CN 114379581 B CN114379581 B CN 114379581B
- Authority
- CN
- China
- Prior art keywords
- information
- data
- scene
- automatic driving
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000002372 labelling Methods 0.000 claims abstract description 3
- 238000012216 screening Methods 0.000 claims abstract description 3
- 238000012360 testing method Methods 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000002618 waking effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 32
- 238000010586 diagram Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 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
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
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
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/65—Updates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
- B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Security & Cryptography (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明提出一种基于自动驾驶下的算法迭代系统及方法,该系统包括:所述信息采集模块,用于获取道路场景信息,并通过CAN网络将道路场景信息发送给数据处理模块;自动驾驶域控制器,用于对道路场景信息进行数据处理,以判断车辆当前所处场景模式,并记录下当前场景模式下的场景数据以及与场景数据对应的行驶数据;云服务平台,用于分别对所有的场景数据和场景数据对应的行驶数据依次进行存储、筛选、标注、分类,以制成数据集,得到训练后的最终自动驾驶算法模型,以使车辆的OTA模块根据训练后的最终自动驾驶算法模型进行升级。本发明提出的基于自动驾驶下的算法迭代系统,能够实现自动驾驶相关数据的捕获、学习以及优化更新,从而不断完善自动驾驶功能。
Description
技术领域
本发明涉及自动驾驶技术领域,特别涉及一种基于自动驾驶下的算法迭代系统及方法。
背景技术
随着人民生活水平的不断提高,汽车已成为人们生活和工作不可缺少的交通工具之一,近年来,汽车发展具有越来越强的智能性,尤其是自动驾驶功能,给人们带来了极大的便利。
现今市面上每推出一款新车都搭配有L2级或以上的自动驾驶辅助功能,且自动驾驶配置率在新车销量中占比达到了三成,未来占比会更高。随着搭配高级自动驾驶功能的汽车数量不断增加,每天在道路上行驶的智能汽车都会产生大量的数据,例如:自动驾驶车辆油门、方向和刹车动作所对应的全部摄像头/毫米波雷达/超声波雷达等即时数据,而这一部分数据目前均未被应用到自动驾驶功能中,导致现有自动驾驶功能在路况较为复杂的情况下均需要驾驶员强制介入,具有较大的使用局限性。
发明内容
基于此,本发明的目的是提出一种基于自动驾驶下的算法迭代系统及方法,以解决上述至少一种问题。
根据本发明提出的一种基于自动驾驶下的算法迭代系统,所述系统包括自动驾驶域控制器以及与所述自动驾驶域控制器连接的信息采集模块和云服务平台,其中:
所述信息采集模块用于获取道路场景信息,并通过CAN网络将所述道路场景信息发送给所述数据处理模块;
所述自动驾驶域控制器用于对所述道路场景信息进行数据处理,以判断车辆当前所处场景模式,并记录下当前场景模式下的场景数据以及与所述场景数据对应的行驶数据,所述行驶数据包括油门开度信息、行驶方向信息、制动踏板开度信息;
所述云服务平台用于分别对所有的场景数据和所述场景数据对应的行驶数据依次进行存储、筛选、标注、分类,以制成数据集,并根据所述数据集对初始自动驾驶算法模型进行训练和测试,得到训练后的最终自动驾驶算法模型,以使车辆的OTA模块根据训练后的最终自动驾驶算法模型进行升级。
综上,根据上述的基于自动驾驶下的算法迭代系统,通过主动采集自动驾驶时的即时数据,以进行学习和优化,从而不断完善自动驾驶功能,能够极大地提高自动驾驶功能的适用路况,具有较高的适用性。具体为,通过设置信息采集模块实时采集自动驾驶时的道路场景信息,自动驾驶域控制器在接收到该道路场景信息后分析出当前所处场景模式,并且记录下当前场景模式下的场景数据和行驶数据,行驶数据即包括油门开度信息、行驶方向信息、制动踏板信息等,而后云服务平台将场景数据和场景数据对应的行驶数据进行存储、筛选、标注以及分类,从而制成用于训练和测试自动驾驶算法的数据集,进而得到最终自动驾驶算法模型,使得车辆中的OTA模块能够根据该最终自动驾驶算法进行升级优化,从而使得车辆的自动驾驶功能能够适用于多种路况场景,减少驾驶员的强制介入接管次数,提高了驾驶员对自动驾驶功能的体验感。
进一步地,所述基于自动驾驶下的算法迭代系统还包括车载终端,所述车载终端通过以太网关与所述自动驾驶域控制器连接,所述车载终端还与所述云服务平台通讯连接,所述车载终端用于主动唤醒以太网关,以通过以太网接收所述自动驾驶域控制器发送的场景数据和行驶数据,并将所有的场景数据和行驶数据上传至所述云服务平台。
进一步地,所述信息采集模块还包括分别于所述自动驾驶域控制器通讯连接的场景信息获取单元和人机交互信息获取单元,其中:
所述场景信息获取单元用于获取道路场景信息,所述道路场景信息至少包括车道信息、路况信息、车道标识信息、行人信息;
所述人机交互信息获取单元用于获取整车信息,所述整车信息至少包括导航信息、整车功能设置信息、制动踏板开度信息、油门开度信息、车辆转向角度信息以及车辆速率信息。
进一步地,所述自动驾驶域控制器还包括OTA模块以及分别与所述OTA模块连接的功能算法模块、数据处理模块,其中:
所述功能算法模块用于接收所述道路场景信息和所述整车信息,以根据道路场景信息和整车信息对车辆进行实时的制动、加速、转向控制;
所述数据处理模块用于对接收到的道路场景信息和整车信息进行处理判断,以对满足预设内部场景的即时数据进行打包,得到行驶数据。
进一步地,所述OTA模块通过所述以太网关与所述车载终端连接,所述云服务平台在得到训练后的最终自动驾驶算法模型后,通过所述OTA模块将最终自动驾驶算法模型回传至所述OTA模块,以使所述OTA模块根据最终自动驾驶算法模型进行升级。
本发明另一方面还提供一种基于自动驾驶下的算法迭代方法,该方法通过基于自动驾驶下的算法迭代系统实现,所述方法包括:
信息采集模块获取道路场景信息,并通过CAN网络将道路场景信息发送给数据处理模块;
自动驾驶域控制器对道路场景信息进行数据处理,以判断车辆当前所处场景模式,并记录下当前场景模式下的场景数据以及与场景数据对应的行驶数据,行驶数据包括油门开度信息、行驶方向信息、制动踏板开度信息;
云服务平台分别对所有的场景数据和场景数据对应的行驶数据依次进行存储、筛选、标注、分类,以制成数据集,并根据数据集对初始自动驾驶算法模型进行训练和测试,得到训练后的最终自动驾驶算法模型,以使车辆的OTA模块根据训练后的最终自动驾驶算法模型进行升级。
进一步地,所述方法还包括:
车载终端主动唤醒以太网关,以通过以太网接收自动驾驶域控制器发送的场景数据和行驶数据,并将所有的场景数据和行驶数据上传至云服务平台。
进一步地,所述方法还包括:
场景信息获取单元每隔第一预设时间获取道路场景信息,道路场景信息至少包括车道信息、路况信息、车道标识信息、行人信息;
人机交互信息获取单元每隔第二预设时间获取整车信息,整车信息至少包括导航信息、整车功能设置信息、制动踏板开度信息、油门开度信息、车辆转向角度信息以及车辆速率信息。
进一步地,所述方法包括:
功能算法模块接收道路场景信息和整车信息,以根据道路场景信息和整车信息对车辆进行实时的制动、加速、转向控制;
数据处理模块对接收到的道路场景信息和整车信息进行处理判断,以对满足预设内部场景的即时数据进行打包,得到行驶数据。
进一步地,所述方法包括:
云服务平台在得到训练后的最终自动驾驶算法模型后,通过OTA模块将最终自动驾驶算法模型回传至OTA模块,以使OTA模块根据最终自动驾驶算法模型进行升级。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实施例了解到。
附图说明
图1为本发明第一实施例提出的基于自动驾驶下的算法迭代系统的结构示意图;
图2为本发明第二实施例提出的基于自动驾驶下的算法迭代系统的结构示意图;
图3为本发明第二实施例中的基于自动驾驶下的算法迭代系统的模拟场景图;
图4为本发明第三实施例中提出的基于自动驾驶下的算法迭代方法的流程图。
主要元件符号说明
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是,当元件被称为“固设于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参阅图1,所示为本发明第一实施例中的基于自动驾驶下的算法迭代系统的结构示意图,该系统包括自动驾驶域控制器20以及与所述自动驾驶域控制器20连接的信息采集模块10和云服务平台30,其中:
所述信息采集模块10用于获取道路场景信息,并通过CAN网络将所述道路场景信息发送给所述数据处理模块203,在本实施例中,该道路场景信息至少包括车道线、目标物、功能介入等各种道路场景信息。
所述自动驾驶域控制器20用于对所述道路场景信息进行数据处理,以判断车辆当前所处场景模式,场景模式至少包括直角转弯场景、掉头场景、直线变道场景、上下坡道场景等,并记录下当前场景模式下的场景数据以及与所述场景数据对应的行驶数据,所述行驶数据包括油门开度信息、行驶方向信息、制动踏板开度信息,而后自动驾驶域控制器20将所有的场景数据和该场景信息对应的行驶数据全部打包,通过CAN网络或以太网上传到云服务平台30。
所述云服务平台30再分别对所有的场景数据和所述场景数据对应的行驶数据依次进行存储、筛选、标注、分类,以制得各个场景模式下的数据集,而后将各个场景模式下的数据集输入到对应的初始自动驾驶算法模型中进行训练和测试,从而得到多个场景下优化后的最终自动驾驶算法模型,云服务平台30将多个场景下优化后的最终自动驾驶算法模型依次发送给OTA模块202,以使OTA模块202完成升级优化,从而能够完善自动驾驶功能。
综上,根据上述的基于自动驾驶下的算法迭代系统,通过主动采集自动驾驶时的即时数据,以进行学习和优化,从而不断完善自动驾驶功能,能够极大地提高自动驾驶功能的适用路况,具有较高的适用性。具体为,通过设置信息采集模块10实时采集自动驾驶时的道路场景信息,自动驾驶域控制器20在接收到该道路场景信息后分析出当前所处场景模式,并且记录下当前场景模式下的场景数据和行驶数据,行驶数据即包括油门开度信息、行驶方向信息、制动踏板信息等,而后云服务平台30将场景数据和场景数据对应的行驶数据进行存储、筛选、标注以及分类,从而制成用于训练和测试自动驾驶算法的数据集,进而得到最终自动驾驶算法模型,使得车辆中的OTA模块202能够根据该最终自动驾驶算法进行升级优化,从而使得车辆的自动驾驶功能能够适用于多种路况场景,减少驾驶员的强制介入接管次数,提高了驾驶员对自动驾驶功能的体验感。
请参阅图2,所示为本发明第二实施例中的基于自动驾驶下的算法迭代系统的结构示意图,本实施例中的基于自动驾驶下的算法迭代系统与第一实施例大致相同,其不同之处在于:
所述信息采集模块10还包括分别于所述自动驾驶域控制器20通讯连接的场景信息获取单元101和人机交互信息获取单元102,其中:
所述场景信息获取单元101用于获取道路场景信息,所述道路场景信息至少包括车道信息、路况信息、车道标识信息、行人信息;
所述人机交互信息获取单元102用于获取整车信息,所述整车信息至少包括导航信息、整车功能设置信息、制动踏板开度信息、油门开度信息、车辆转向角度信息以及车辆速率信息。
所述自动驾驶域控制器20还包括OTA模块202以及分别与所述OTA模块202连接的功能算法模块201、数据处理模块203,其中:
所述功能算法模块201用于接收所述道路场景信息和所述整车信息,以根据道路场景信息和整车信息对车辆进行实时的制动、加速、转向控制,从而使得车辆能够保持自动驾驶状态;
所述数据处理模块203用于对接收到的道路场景信息和整车信息进行处理判断,以对满足预设内部场景的即时数据进行打包,得到行驶数据。
示例而非限定,请参阅图3,所示为基于自动驾驶下的算法迭代系统的模拟场景图,场景信息获取单元101具体包括毫米波雷达、超声波雷达、激光雷达、摄像头等,将采集到的车道信息、路况信息等道路场景信息通过CAN或以太网接输入给域控制器,人机交互系统将功能设置和其他车辆信息等传递给域控制器,功能设置和车辆信息即为各种整车信息。
进一步地,云平台包含数据仓库,数据仓库可以将ADCU上传的数据进行存储、筛选、标注、分类,可以将ADAS功能异常触发/退出/介入、驾驶员紧急接管、特定场景数据等信息筛选出来;并将这些Corner case数据进行相关的Benchmark测试,再对内部的算法模型进行优化和测试;通过车载终端50回传数据进行持续的无监督与有监督AI神经网络学习,发现初始自动驾驶算法模型中的问题,持续迭代自动驾驶算法;云平台将优化后的自动驾驶算法软件和新定义的Corner case闭环传递给域控制器进行OTA模块202的升级。
自动驾驶域控制器20中主要包含功能算法模块201、数据处理模块203以及OTA等模块,数据处理模块203通过对接收到的数据进行处理判断,将满足触发条件的有效数据进行采集,包括功能介入、驾驶员接管(用力踩刹车、油门或急打方向盘等)和实时行驶数据(如:自动驾驶车辆油门、方向和刹车动作所对应的全部摄像头/毫米波雷达/超声波雷达等采集的即时数据)进行自动上传至云平台。
进一步地,所述基于自动驾驶下的算法迭代系统还包括车载终端50,所述车载终端50通过以太网关40与所述自动驾驶域控制器20连接,所述车载终端50还与所述云服务平台30通讯连接,所述车载终端50用于主动唤醒以太网关40,以通过以太网接收所述自动驾驶域控制器20发送的场景数据和行驶数据,并将所有的场景数据和行驶数据上传至所述云服务平台30,在本实施例中,云服务平台30对应的即为云平台。
需要说明的是,所述OTA模块202通过所述以太网关40与所述车载终端50连接,所述云服务平台30在得到训练后的最终自动驾驶算法模型后,通过所述OTA模块202将最终自动驾驶算法模型回传至所述OTA模块202,以使所述OTA模块202根据最终自动驾驶算法模型进行升级。
综上,根据上述的基于自动驾驶下的算法迭代系统,通过主动采集自动驾驶时的即时数据,以进行学习和优化,从而不断完善自动驾驶功能,能够极大地提高自动驾驶功能的适用路况,具有较高的适用性。具体为,通过设置信息采集模块10实时采集自动驾驶时的道路场景信息,自动驾驶域控制器20在接收到该道路场景信息后分析出当前所处场景模式,并且记录下当前场景模式下的场景数据和行驶数据,行驶数据即包括油门开度信息、行驶方向信息、制动踏板信息等,而后云服务平台30将场景数据和场景数据对应的行驶数据进行存储、筛选、标注以及分类,从而制成用于训练和测试自动驾驶算法的数据集,进而得到最终自动驾驶算法模型,使得车辆中的OTA模块202能够根据该最终自动驾驶算法进行升级优化,从而使得车辆的自动驾驶功能能够适用于多种路况场景,减少驾驶员的强制介入接管次数,提高了驾驶员对自动驾驶功能的体验感。
请参阅图4,所示为本发明第三实施例中的基于自动驾驶下的算法迭代方法的流程图,该方法通过上述实施例中的基于自动驾驶下的算法迭代系统实现,该方法包括步骤S01至步骤S03,其中:
步骤S01:信息采集模块获取道路场景信息,并通过CAN网络将道路场景信息发送给数据处理模块;
可以理解的,道路采集模块还包括场景信息获取单元和人机交互信息获取单元,场景信息获取单元每隔第一预设时间获取道路场景信息,道路场景信息至少包括车道信息、路况信息、车道标识信息、行人信息;人机交互信息获取单元每隔第二预设时间获取整车信息,整车信息至少包括导航信息、整车功能设置信息、制动踏板开度信息、油门开度信息、车辆转向角度信息以及车辆速率信息。
步骤S02:自动驾驶域控制器对道路场景信息进行数据处理,以判断车辆当前所处场景模式,并记录下当前场景模式下的场景数据以及与场景数据对应的行驶数据,行驶数据包括油门开度信息、行驶方向信息、制动踏板开度信息;
具体的,自动驾驶域控制器包括功能算法模块和OTA模块,通过设置功能算法模块接收道路场景信息和整车信息,以根据道路场景信息和整车信息对车辆进行实时的制动、加速、转向控制;设置数据处理模块对接收到的道路场景信息和整车信息进行处理判断,以对满足预设内部场景的即时数据进行打包,得到行驶数据。
需要说明的是,在获取到行驶数据后,车载终端主动唤醒以太网关,从而通过以太网接收自动驾驶域控制器发送的场景数据和行驶数据,并将所有的场景数据和行驶数据上传至云服务平台。
步骤S03:云服务平台分别对所有的场景数据和场景数据对应的行驶数据依次进行存储、筛选、标注、分类,以制成数据集,并根据数据集对初始自动驾驶算法模型进行训练和测试,得到训练后的最终自动驾驶算法模型,以使车辆的OTA模块根据训练后的最终自动驾驶算法模型进行升级。
可以理解的,云服务平台在得到训练后的最终自动驾驶算法模型后,通过OTA模块将最终自动驾驶算法模型回传至OTA模块,以使OTA模块根据最终自动驾驶算法模型进行升级。
综上,根据上述的基于自动驾驶下的算法迭代方法,通过主动采集自动驾驶时的即时数据,以进行学习和优化,从而不断完善自动驾驶功能,能够极大地提高自动驾驶功能的适用路况,具有较高的适用性。具体为,通过设置信息采集模块实时采集自动驾驶时的道路场景信息,自动驾驶域控制器在接收到该道路场景信息后分析出当前所处场景模式,并且记录下当前场景模式下的场景数据和行驶数据,行驶数据即包括油门开度信息、行驶方向信息、制动踏板信息等,而后云服务平台将场景数据和场景数据对应的行驶数据进行存储、筛选、标注以及分类,从而制成用于训练和测试自动驾驶算法的数据集,进而得到最终自动驾驶算法模型,使得车辆中的OTA模块能够根据该最终自动驾驶算法进行升级优化,从而使得车辆的自动驾驶功能能够适用于多种路况场景,减少驾驶员的强制介入接管次数,提高了驾驶员对自动驾驶功能的体验感。
本领域技术人员可以理解,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于自动驾驶下的算法迭代系统,其特征在于,所述系统包括自动驾驶域控制器以及与所述自动驾驶域控制器连接的信息采集模块和云服务平台,其中:
所述信息采集模块用于获取道路场景信息,并通过CAN网络将所述道路场景信息发送给数据处理模块;
所述自动驾驶域控制器用于对所述道路场景信息进行数据处理,以判断车辆当前所处场景模式,并记录下当前场景模式下的场景数据以及与所述场景数据对应的行驶数据,所述行驶数据包括油门开度信息、行驶方向信息、制动踏板开度信息;
所述云服务平台用于分别对所有的场景数据和所述场景数据对应的行驶数据依次进行存储、筛选、标注、分类,以制成数据集,并根据所述数据集对初始自动驾驶算法模型进行训练和测试,得到训练后的最终自动驾驶算法模型,以使车辆的OTA模块根据训练后的最终自动驾驶算法模型进行升级。
2.根据权利要求1所述的基于自动驾驶下的算法迭代系统,其特征在于,所述基于自动驾驶下的算法迭代系统还包括车载终端,所述车载终端通过以太网关与所述自动驾驶域控制器连接,所述车载终端还与所述云服务平台通讯连接,所述车载终端用于主动唤醒以太网关,以通过以太网接收所述自动驾驶域控制器发送的场景数据和行驶数据,并将所有的场景数据和行驶数据上传至所述云服务平台。
3.根据权利要求2所述的基于自动驾驶下的算法迭代系统,其特征在于,所述信息采集模块还包括分别与所述自动驾驶域控制器通讯连接的场景信息获取单元和人机交互信息获取单元,其中:
所述场景信息获取单元用于获取道路场景信息,所述道路场景信息至少包括车道信息、路况信息、车道标识信息、行人信息;
所述人机交互信息获取单元用于获取整车信息,所述整车信息至少包括导航信息、整车功能设置信息、制动踏板开度信息、油门开度信息、车辆转向角度信息以及车辆速率信息。
4.根据权利要求3所述的基于自动驾驶下的算法迭代系统,其特征在于,所述自动驾驶域控制器还包括OTA模块以及分别与所述OTA模块连接的功能算法模块、数据处理模块,其中:
所述功能算法模块用于接收所述道路场景信息和所述整车信息,以根据道路场景信息和整车信息对车辆进行实时的制动、加速、转向控制;
所述数据处理模块用于对接收到的道路场景信息和整车信息进行处理判断,以对满足预设内部场景的即时数据进行打包,得到行驶数据。
5.根据权利要求4所述的基于自动驾驶下的算法迭代系统,其特征在于,所述OTA模块通过所述以太网关与所述车载终端连接,所述云服务平台在得到训练后的最终自动驾驶算法模型后,通过所述OTA模块将最终自动驾驶算法模型回传至所述OTA模块,以使所述OTA模块根据最终自动驾驶算法模型进行升级。
6.一种基于自动驾驶下的算法迭代方法,该方法通过基于自动驾驶下的算法迭代系统实现,其特征在于,所述方法包括:
信息采集模块获取道路场景信息,并通过CAN网络将道路场景信息发送给数据处理模块;
自动驾驶域控制器对道路场景信息进行数据处理,以判断车辆当前所处场景模式,并记录下当前场景模式下的场景数据以及与场景数据对应的行驶数据,行驶数据包括油门开度信息、行驶方向信息、制动踏板开度信息;
云服务平台分别对所有的场景数据和场景数据对应的行驶数据依次进行存储、筛选、标注、分类,以制成数据集,并根据数据集对初始自动驾驶算法模型进行训练和测试,得到训练后的最终自动驾驶算法模型,以使车辆的OTA模块根据训练后的最终自动驾驶算法模型进行升级。
7.根据权利要求6所述的基于自动驾驶下的算法迭代方法,其特征在于,所述方法还包括:
车载终端主动唤醒以太网关,以通过以太网接收自动驾驶域控制器发送的场景数据和行驶数据,并将所有的场景数据和行驶数据上传至云服务平台。
8.根据权利要求7所述的基于自动驾驶下的算法迭代方法,其特征在于,所述方法还包括:
场景信息获取单元每隔第一预设时间获取道路场景信息,道路场景信息至少包括车道信息、路况信息、车道标识信息、行人信息;
人机交互信息获取单元每隔第二预设时间获取整车信息,整车信息至少包括导航信息、整车功能设置信息、制动踏板开度信息、油门开度信息、车辆转向角度信息以及车辆速率信息。
9.根据权利要求8所述的基于自动驾驶下的算法迭代方法,其特征在于,所述方法包括:
功能算法模块接收道路场景信息和整车信息,以根据道路场景信息和整车信息对车辆进行实时的制动、加速、转向控制;
数据处理模块对接收到的道路场景信息和整车信息进行处理判断,以对满足预设内部场景的即时数据进行打包,得到行驶数据。
10.根据权利要求9所述的基于自动驾驶下的算法迭代方法,其特征在于,所述方法包括:
云服务平台在得到训练后的最终自动驾驶算法模型后,通过OTA模块将最终自动驾驶算法模型回传至OTA模块,以使OTA模块根据最终自动驾驶算法模型进行升级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111432481.XA CN114379581B (zh) | 2021-11-29 | 2021-11-29 | 基于自动驾驶下的算法迭代系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111432481.XA CN114379581B (zh) | 2021-11-29 | 2021-11-29 | 基于自动驾驶下的算法迭代系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114379581A CN114379581A (zh) | 2022-04-22 |
CN114379581B true CN114379581B (zh) | 2024-01-30 |
Family
ID=81195276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111432481.XA Active CN114379581B (zh) | 2021-11-29 | 2021-11-29 | 基于自动驾驶下的算法迭代系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114379581B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115439954A (zh) * | 2022-08-29 | 2022-12-06 | 上海寻序人工智能科技有限公司 | 一种基于云端大模型的数据闭环方法 |
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 |
CN118475504A (zh) * | 2022-12-07 | 2024-08-09 | 魔门塔(苏州)科技有限公司 | 数据处理方法、装置、计算机设备、车辆和可读存储介质 |
CN116594659B (zh) * | 2023-07-18 | 2023-09-29 | 苏州浪潮智能科技有限公司 | 一种车载域控制器程序优化系统、方法、装置及车辆 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018190026A (ja) * | 2017-04-28 | 2018-11-29 | 株式会社デンソー | 自動運転車両の制御システムおよび制御方法 |
CN109747659A (zh) * | 2018-11-26 | 2019-05-14 | 北京汽车集团有限公司 | 车辆驾驶的控制方法和装置 |
CN110058588A (zh) * | 2019-03-19 | 2019-07-26 | 驭势科技(北京)有限公司 | 一种自动驾驶系统升级的方法、自动驾驶系统及车载设备 |
JP2019182280A (ja) * | 2018-04-13 | 2019-10-24 | 株式会社デンソー | 運転モード切替装置、運転モードの切替方法、コンピュータプログラム |
CN110843794A (zh) * | 2020-01-15 | 2020-02-28 | 北京三快在线科技有限公司 | 驾驶场景理解方法、装置和轨迹规划方法、装置 |
CN111694973A (zh) * | 2020-06-09 | 2020-09-22 | 北京百度网讯科技有限公司 | 自动驾驶场景的模型训练方法、装置、电子设备 |
CN112026782A (zh) * | 2019-06-04 | 2020-12-04 | 广州汽车集团股份有限公司 | 一种基于开关式深度学习网络模型的自动驾驶决策方法及系统 |
CN113264060A (zh) * | 2021-05-28 | 2021-08-17 | 东风汽车集团股份有限公司 | 一种基于云端训练模型的自动驾驶节能系统及方法 |
-
2021
- 2021-11-29 CN CN202111432481.XA patent/CN114379581B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018190026A (ja) * | 2017-04-28 | 2018-11-29 | 株式会社デンソー | 自動運転車両の制御システムおよび制御方法 |
JP2019182280A (ja) * | 2018-04-13 | 2019-10-24 | 株式会社デンソー | 運転モード切替装置、運転モードの切替方法、コンピュータプログラム |
CN109747659A (zh) * | 2018-11-26 | 2019-05-14 | 北京汽车集团有限公司 | 车辆驾驶的控制方法和装置 |
CN110058588A (zh) * | 2019-03-19 | 2019-07-26 | 驭势科技(北京)有限公司 | 一种自动驾驶系统升级的方法、自动驾驶系统及车载设备 |
CN112026782A (zh) * | 2019-06-04 | 2020-12-04 | 广州汽车集团股份有限公司 | 一种基于开关式深度学习网络模型的自动驾驶决策方法及系统 |
CN110843794A (zh) * | 2020-01-15 | 2020-02-28 | 北京三快在线科技有限公司 | 驾驶场景理解方法、装置和轨迹规划方法、装置 |
CN111694973A (zh) * | 2020-06-09 | 2020-09-22 | 北京百度网讯科技有限公司 | 自动驾驶场景的模型训练方法、装置、电子设备 |
CN113264060A (zh) * | 2021-05-28 | 2021-08-17 | 东风汽车集团股份有限公司 | 一种基于云端训练模型的自动驾驶节能系统及方法 |
Non-Patent Citations (1)
Title |
---|
基于卷积神经网络的自动行驶小车研究与设计;钟皇平;王丽君;俞超;;杭州电子科技大学学报(自然科学版)(第06期);46-50 * |
Also Published As
Publication number | Publication date |
---|---|
CN114379581A (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114379581B (zh) | 基于自动驾驶下的算法迭代系统及方法 | |
DE102018121595B4 (de) | Unbeaufsichtigtes anlernen von agenten für autonome fahranwendungen | |
DE102017125421A1 (de) | Objektklassifikationsanpassung anhand einer fahrzeugkommunikation | |
DE102020119541A1 (de) | Detektieren von fahrzeugbetriebsbedingungen | |
CN113343461A (zh) | 自动驾驶车辆的仿真方法、装置、电子设备及存储介质 | |
US10926777B2 (en) | Vehicles and methods of controlling a vehicle to accommodate vehicle cut-in | |
DE102021101426A1 (de) | Erkennung von fahrzeugbetriebsbedingungen | |
DE112019005785T5 (de) | Sensorzusammenführung zur bestimmung der zuverlässigkeit des autonomen fahrzeugbetriebs | |
DE102021131991A1 (de) | Fahrzeugsensorreinigung und -kühlung | |
CN112487884A (zh) | 一种交通违法行为检测方法、装置及计算机可读存储介质 | |
CN111409455A (zh) | 车辆的速度控制方法及装置、电子设备、存储介质 | |
DE102019218613A1 (de) | Objektklassifizierungsverfahren, Objektklassifizierungsschaltung, Kraftfahrzeug | |
CN112287801A (zh) | 车载数据处理方法、装置、服务器和可读存储介质 | |
WO2017102150A1 (de) | Verfahren zum bewerten einer durch zumindest einen sensor eines fahrzeugs erfassten gefahrensituation, verfahren zum steuern einer wiedergabe einer gefahrenwarnung und verfahren zum wiedergeben einer gefahrenwarnung | |
US20230391357A1 (en) | Methods and apparatus for natural language based scenario discovery to train a machine learning model for a driving system | |
DE102020122086A1 (de) | Messen von vertrauen in tiefen neuronalen netzwerken | |
DE102022205746A1 (de) | Ultraschallsystem und -verfahren zur Abstimmung eines Maschinenlernklassifika-tors mit Verwendung in einem Maschinenlernalgorithmus | |
DE102022205744A1 (de) | Ultraschallsystem und Verfahren zum Rekonfigurieren eines in einem Fahrzeug verwendeten Maschinenlernmodells | |
US10953871B2 (en) | Transportation infrastructure communication and control | |
CN111754816A (zh) | 一种移动物体意图识别方法、系统、终端和存储介质 | |
CN116416796A (zh) | 无人驾驶车辆交通事故责任认定方法、装置、介质及设备 | |
US20230162480A1 (en) | Frequency-based feature constraint for a neural network | |
US20220172062A1 (en) | Measuring confidence in deep neural networks | |
US20220188621A1 (en) | Generative domain adaptation in a neural network | |
DE102020134530A1 (de) | Rückaufprallwarnsystem mit temporärem cnn |
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 |