CN114489714A - 一种车载数据处理方法、装置、电子设备及存储介质 - Google Patents
一种车载数据处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114489714A CN114489714A CN202111595724.1A CN202111595724A CN114489714A CN 114489714 A CN114489714 A CN 114489714A CN 202111595724 A CN202111595724 A CN 202111595724A CN 114489714 A CN114489714 A CN 114489714A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- user behavior
- difference
- update
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000006399 behavior Effects 0.000 claims description 73
- 238000012549 training Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 6
- 238000002372 labelling Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/06—Automatic manoeuvring for parking
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/043—Identity of occupants
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Security & Cryptography (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本公开提供了一种车载数据处理方法、装置、电子设备及存储介质,涉及人工智能技术领域,尤其涉及物联网、自主泊车、自动驾驶等领域。具体实现方案为:将采集的用户行为数据与车载数据进行比对,得到差异数据,所述差异数据用于表征所述车载数据中与用户行为相关且未覆盖的场景数据;上报所述差异数据;响应数据更新操作,通过所述差异数据得到的下载数据包更新所述车载数据。采用本公开,可以提高自动驾驶场景下行驶的准确率。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及物联网、自主泊车、自动驾驶等领域。
背景技术
随着技术的发展,可以通过人工智能实现软/硬件的性能优化处理,所适用的应用场景多种多样,比如涉及自主泊车、自动驾驶等应用场景的软/硬件设计中都可以采用人工智能技术,以提高软/硬件的处理速度及处理准确率。
以自动驾驶为例,车载数据的采集需要覆盖真实场景中的方方面面,然而,实际情况是:通过专门的采集车所采集的数据并不全面,不仅成本高,且不精确,换言之,包含各类真实场景特征的数据全面性与否、数据是否足够准确、会影响到软/硬件的处理速度及处理准确率,比如,影响自动驾驶场景下行驶的准确率,从而带来安全隐患。
发明内容
本公开提供了一种车载数据处理方法、装置、电子设备以及存储介质。
根据本公开的一方面,提供了一种车载数据处理方法,包括:
将采集的用户行为数据与车载数据进行比对,得到差异数据,所述差异数据用于表征所述车载数据中与用户行为相关且未覆盖的场景数据;
上报所述差异数据;
响应数据更新操作,通过所述差异数据得到的下载数据包更新所述车载数据。
根据本公开的另一方面,提供了一种车载数据处理装置,包括:
比对单元,用于将采集的用户行为数据与车载数据进行比对,得到差异数据,所述差异数据用于表征所述车载数据中与用户行为相关且未覆盖的场景数据;
上报单元,用于上报所述差异数据;
数据更新单元,用于响应数据更新操作,通过所述差异数据得到的下载数据包更新所述车载数据。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开任意一实施例所提供的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使该计算机执行本公开任意一项实施例所提供的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现本公开任意一项实施例所提供的方法。
采用本公开,将采集的用户行为数据与车载数据进行比对,得到差异数据,所述差异数据用于表征所述车载数据中与用户行为相关且未覆盖的场景数据;上报所述差异数据;响应数据更新操作,通过所述差异数据得到的下载数据包更新所述车载数据。采用本公开,可以提高自动驾驶场景下行驶的准确率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开实施例的一车辆与云端通信的应用场景示意图;
图2是根据本公开实施例的车载数据处理方法的流程示意图;
图3是根据本公开实施例的应用示例中车载数据处理框架的示意图;
图4是根据本公开实施例的车载数据处理装置的组成结构示意图;
图5是用来实现本公开实施例的车载数据处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。本文中术语“第一”、“第二”表示指代多个类似的技术用语并对其进行区分,并不是限定顺序的意思,或者限定只有两个的意思,例如,第一特征和第二特征,是指代有两类/两个特征,第一特征可以为一个或多个,第二特征也可以为一个或多个。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
根据本公开的实施例,图1是根据本公开实施例的一车辆与云端通信的应用场景示意图,包括:后台服务器100、多个车辆(如车辆107-车辆108),以及用于该后台服务器与该多个车辆间通信的“云”106。该后台服务器一侧可以采用该分布式集群系统,示例性的描述了可以利用该分布式集群系统进行基于该多个车辆上报的差异数据进行模型训练。如图1所示,在该分布式集群系统中包括多个节点(如服务器集群101、服务器102、服务器集群103、服务器104、服务器105),多个节点间可以共同执行一个或多个模型训练任务。可选地,该分布式集群系统中的多个节点可以基于相同的训练方式执行该模型训练任务,该多个节点也可以基于不同的训练方式执行该模型训练任务。可选地,在每一轮模型训练完成后,多个节点之间都可以进行数据交换(如数据同步)。
根据本公开的实施例,提供了一种车载数据处理方法,图2是根据本公开实施例的车载数据处理方法的流程示意图,该方法可以应用于车载数据处理装置,例如,该装置可以部署于单机、多机或集群系统中的终端或服务器或其它处理设备执行的情况下,可以实现车载数据处理等处理。其中,终端可以为用户设备(UE,User Equipment)、移动设备、个人数字处理(PDA,Personal Digital Assistant)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该方法还可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图2所示,包括:
S201、车辆将采集的用户行为数据与车载数据进行比对,得到差异数据,该差异数据用于表征该车载数据中与用户行为相关且未覆盖的场景数据。
S202、车辆上报该差异数据给后台服务器。
S203、车辆响应数据更新操作,通过该差异数据得到的下载数据包更新该车载数据。
S201-S203的一示例中,该车辆可以为车主自驾的车辆,包括自动驾驶车辆或其他具备智能驾驶的车辆,该车主自驾的车辆可以通过上述自动采集方式,在任一车辆模式(如处于车辆行驶状态或处于自主泊车状态等模式)采集到该用户行为数据。该车辆将所采集的该用户行为数据与车载数据(如使用自动驾驶模型得到的模型输出数据)进行比对,可以得到该差异数据(该差异数据用于表征该模型输出数据中与用户行为相关且未覆盖的场景数据)。该车辆上报该差异数据给后台服务器,以便该后台服务器可以将该差异数据作为训练样本数据(或者说,利用该差异数据来完善已有的训练样本数据库)对自动驾驶模型进行模型训练,训练后得到更新模型。得到更新模型后可以触发数据更新操作,该车辆响应该数据更新操作,可以通过从该后台服务器得到的下载数据包(如训练后得到的该更新模型、或者基于该更新模型直接得到的更新数据),通过该下载数据包来更新该车载数据。
采用本公开,可以将采集的用户行为数据与车载数据进行比对,得到差异数据,由于该差异数据可以表征该车载数据中与用户行为相关且未覆盖的场景数据,因此,上报该差异数据给后台服务器后,该后台服务器可以基于该差异数据对自动驾驶模型进行模型训练,训练后得到更新模型。在响应数据更新操作后,从该后台服务器下载到通过该差异数据得到的下载数据包,以便于更新车载数据,由于更新模型相比之前的自动驾驶模型场景数据更全面,性能更好,从而,提高了自动驾驶场景下行驶的准确率,也避免了安全隐患。
一实施方式中,将采集的用户行为数据与车载数据进行比对,得到差异数据,包括:在车辆行驶状态下根据该车载数据(如使用自动驾驶模型得到的模型输出数据)进行决策,得到第一决策数据(比如基于第一决策得到的第一决策数据)。识别出该车辆行驶状态下车辆周边存在障碍物的情况下,采集第一用户行为数据(比如基于第二决策得到的第一用户行为数据,该第二决策不同于本实施方式中的该第一决策),比对得到:该第一用户行为数据与该第一决策数据不匹配的情况下,将该第一用户行为数据、和/或与该第一用户行为数据相关联的数据(如当前环境信息和/或驾驶状态信息等)确定为该差异数据。采用本实施方式,在使用该自动驾驶模型无法识别出障碍物(如车辆行驶道路上是否存在突然闯入的人或事物、想要从车辆行驶道路的当前车道变道至其他车道是否存在其他车辆等)的情况下,可以自动采集真实的用户行为数据(即与该自动驾驶模型决策不同的决策所得到的第一用户行为数据),而无需配备专门的采集车去采集数据,从而降低了成本,而且,将真实的用户行为数据、和/或与该真实的用户行为数据相关联的数据确定为上述差异数据,后续可以更好的完善该自动驾驶模型,完善该自动驾驶模型后得到的更新模型再部署到车辆上,势必提高自动驾驶场景下行驶的准确率,也避免了安全隐患。
一实施方式中,将采集的用户行为数据与该车载数据(如使用自动驾驶模型得到的模型输出数据)进行比对,得到差异数据,包括:在自主泊车状态下根据该车载数据进行决策,得到第二决策数据(比如基于第二决策得到的第二决策数据)。识别出该自主泊车状态下存在停车位的情况下,采集第二用户行为数据(比如基于第三决策得到的第二用户行为数据,该第三决策不同于本实施方式中的该第二决策),比对得到:该第二用户行为数据与该第二决策数据不匹配的情况下,将该第二用户行为数据、和/或与该第二用户行为数据相关联的数据(如当前环境信息和/或驾驶状态信息等)确定为该差异数据。采用本实施方式,在使用该自动驾驶模型无法识别出停车位(如停车场存在停车位,用户可以自主泊车,但是使用该自动驾驶模型无法识别出停车位,给出了不可以自主泊车的决策)的情况下,可以自动采集真实的用户行为数据(即与该自动驾驶模型决策不同的决策所得到的第二用户行为数据),而无需配备专门的采集车去采集数据,从而降低了成本,而且,将真实的用户行为数据、和/或与该真实的用户行为数据相关联的数据确定为上述差异数据,后续可以更好的完善该自动驾驶模型,完善该自动驾驶模型后得到的更新模型再部署到车辆上,势必提高自动驾驶场景下行驶的准确率,也避免了安全隐患。
一实施方式中,上报差异数据,包括:一种方式是,将该差异数据中用以标识用户和/或车辆身份的信息进行删除处理,得到目标数据,上传该目标数据;另一种方式是,将该差异数据中用以标识用户和/或车辆身份的信息进行删除处理及加密处理,得到目标数据,上传该目标数据。采用本实施方式,考虑用户的个人和/或车辆的信息安全,先对该差异数据进行预处理(删除处理、加密处理等)后再予以上传,提高了信息传输的安全性,保护用户隐私。
一实施方式中,还包括:基于差异数据执行模型训练得到更新模型的情况下,接收用户提示信息,根据该用户提示信息,触发数据更新操作。采用本实施方式,通过该用户提示信息,可以提示用户(如自动驾驶车辆的车主)更新数据,从而让用户第一时间获知数据发生了更新,减少了数据更新的延时,提高了自动驾驶场景下行驶的准确率,也避免了安全隐患。
一实施方式中,响应数据更新操作,通过差异数据得到的下载数据包更新车载数据,包括:一种方式是,在该下载数据包为该更新模型的情况下,加载该更新模型以得到更新数据,根据该更新数据来更新车载数据;另一种方式是,在该下载数据包为基于该更新模型得到更新数据的情况下,根据该更新数据来更新车载数据。采用本实施方式,下载数据包是多种多样的,可以是更新模型,也可以是根据更新模型得到的更新数据,从而,可以根据用户需求来定制不同的服务。
下面对上述本公开实施例提供的车载数据处理方法进行示例说明。
为了收集用于自动驾驶模型训练的样本数据,可以根据不同的用户需求,配备专门的采集车采集特定场景的数据,例如雨/雪天气、高速/地下停车场等不同类型地点、汽车/三轮车/自行车/行人/锥桶等,之后通过人工方式进行样本数据的标注,以进行针对性的模型识别训练。配备专门的采集车成本很高,受限于成本,实际上,通过采集车所采集的样本数据无法满足并覆盖人类生活中所有场景的用户需求,导致训练得到的自动驾驶模型受限于数据采集和人工标注的规模,多种场景缺失,无法无限的接近真实场景;数据采集成本高昂,数据不全面也不足够精确,严重制约了自动驾驶算法模型的准确率和召回率。在自动驾驶场景中,为了提高自动驾驶模型的准确率和召回率,需要实现低成本的数据采集,且数据需要满足用户需求以适应多种场景。
图3是根据本公开实施例的应用示例中车载数据处理框架的示意图本应用示例中,如图3所示,在用户(即自动驾驶车辆的车主)基于人工智能技术实现自动驾驶的过程中,后台服务器可以启动自动驾驶模拟系统,该驾驶模拟系统可以部署在自动驾驶车辆上,当用户行为与该自动驾驶模拟系统的决策不一致时,进行自动的数据采集->回传云端->自动化的数据筛选挖掘->自动机器学习标注(包括自动的发送数据以实现后续的数据标注、及自动的数据标注)->人工核查(可选,图中未显示)->模型自动训练->模型自动评测->人工评测(可选,图中未显示)->模型发布到车辆,以极低的成本实现大规模泛化场景的自动采集和模型训练,从而使自动驾驶模型无限接近于真实世界场景,主要包括以下内容:
1、车主上车启动自动驾驶车辆,自动驾驶模拟系统(该系统中部署有自动驾驶模型)自动启动。
2、车主人工驾驶车辆,一种情况中,车主在直行过程中遇到路边突然闯入的足球,但是该自动驾驶模型的决策设置为直行,且未能识别到此障碍物(足球),因此,自动驾驶模型仍然输出:保持车速继续直行,此时,车主采取紧急制动,车主的真实行为与自动驾驶模型输出的决策产生了较大差异,并被自动驾驶系统捕获到,作为差异数据;另一种情况中,车主在高速路上直行,根据该自动驾驶模拟系统的提示要向左边变道并开启转向灯,此时,用户从后视镜看到在本车的左后方有一个后车突然加速,也就是说,此时无法向左边变道,但是该自动驾驶模型的决策设置为向左边变道,未能识别到此障碍物(后车),因此,自动驾驶模型仍然输出:向左边变道,此时,车主打转向灯并右转,车主的真实行为与自动驾驶模型输出的决策产生了较大差异,并被自动驾驶系统捕获到,作为差异数据;又一种情况中,车主想要停车,进入停车场后找停车位,在本车的右侧存在停车位,但是该自动驾驶模型的决策设置为不可以自主泊车,且未能识别到该停车位,因此,自动驾驶模型仍然输出:不可以自主泊车,此时,车主直接在该停车位自主泊车,车主的真实行为与自动驾驶模型输出的决策产生了较大差异,并被自动驾驶系统捕获到,作为差异数据。
3、自动驾驶系统自动将步骤2中的此类事件发生时的环境信息、驾驶状态等数据自动脱敏(即考虑个人信息安全和车辆信息安全,需要把涉及个人信息安全和车辆信息安全等信息删除,只保留与用户相关的场景数据)、自动加密(将只保留与用户相关的场景数据进行加密)后,通过车载网络自动回传到自动驾驶云端训练平台。
4、自动驾驶云端训练平台自动对回传数据进行筛选(考虑到回传的数据量大,会包含一些无效数据,比如:对提高模型训练性能不相关的非核心关键数据)和挖掘后,提取回传数据中的核心关键数据(比如不同场景的数据、分类数据、如前广角数据等多视角的数据等),通过该核心关键数据可以更好的完善模型训练,将该核心关键数据自动化分发到数据标注平台。
5、数据标注平台采用强化深度学习的方法先对数据进行自动化的标注,再进行人工的快速核查,以提高人工标注效率。
6、利用云端的大规模AI训练平台集群,对数据进行全自动化的迭代训练,训练得到经多次迭代后的自动驾驶模型(即对自动驾驶模型完善后得到的更新模型)。
7、对该自动驾驶模型自动加载大规模的场景库数据,进行自动化的模型评测,通过评估模型的准确率和召回率指标来评估模型性能的提升情况。
8、在自动驾驶模型的准确率和召回率指标显著提升时,经过更大规模的实车泛化测试验证,发布到OTA远程升级系统,通过该OTA远程升级系统可以将下载包(如上述实施方式中涉及的更新模型和更新数据),下载到车辆侧的自动驾驶系统中,之后,车辆收到提示信息,触发数据更新操作,之后执行步骤9。
9、车辆检测到云端具有更新版本的模型后,提醒用户确认,用户确认后自动下载并部署更新到车辆上,以提升自动驾驶能力。
采用本应用示例,充分利用道路上行驶的海量车辆,利用用户行为与自动驾驶模拟系统的差异,有针对性的自动采集模型训练数据,以极低成本和几何级的速度,快速的提高了自动驾驶模型的泛化能力,从而提高了自动驾驶场景下行驶的准确率,也避免了安全隐患。
根据本公开的实施例,提供了一种车载数据处理装置,图4是根据本公开实施例的车载数据处理装置的组成结构示意图,如图4所示,车载数据处理装置400包括:比对单元401,用于将采集的用户行为数据与车载数据进行比对,得到差异数据,所述差异数据用于表征所述车载数据中与用户行为相关且未覆盖的场景数据;上报单元402,用于上报所述差异数据;数据更新单元403,用于响应数据更新操作,通过所述差异数据得到的下载数据包更新所述车载数据。
一实施方式中,所述比对单元,用于在车辆行驶状态下根据所述车载数据进行决策,得到第一决策数据;识别出所述车辆行驶状态下车辆周边存在障碍物的情况下,采集第一用户行为数据;比对得到所述第一用户行为数据与所述第一决策数据不匹配的情况下,将所述第一用户行为数据、和/或与所述第一用户行为数据相关联的数据确定为所述差异数据。
一实施方式中,所述比对单元,用于在自主泊车状态下根据所述车载数据进行决策,得到第二决策数据;识别出所述自主泊车状态下存在停车位的情况下,采集第二用户行为数据;比对得到所述第二用户行为数据与所述第二决策数据不匹配的情况下,将所述第二用户行为数据、和/或与所述第二用户行为数据相关联的数据确定为所述差异数据。
一实施方式中,所述上报单元,用于将所述差异数据中用以标识用户和/或车辆身份的信息进行删除处理,得到目标数据,上传所述目标数据;或者,将所述差异数据中用以标识用户和/或车辆身份的信息进行删除处理及加密处理,得到目标数据,上传所述目标数据。
一实施方式中,还包括信息接收单元,用于基于所述差异数据执行模型训练得到更新模型的情况下,接收用户提示信息;根据所述用户提示信息,触发所述数据更新操作。
一实施方式中,所述数据更新单元,用于在所述下载数据包为所述更新模型的情况下,加载所述更新模型以得到更新数据,根据所述更新数据来更新所述车载数据;或者,在所述下载数据包为基于所述更新模型得到更新数据的情况下,根据所述更新数据来更新所述车载数据。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如车载数据处理方法。例如,在一些实施例中,车载数据处理方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的车载数据处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车载数据处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种车载数据处理方法,包括:
将采集的用户行为数据与车载数据进行比对,得到差异数据,所述差异数据用于表征所述车载数据中与用户行为相关且未覆盖的场景数据;
上报所述差异数据;
响应数据更新操作,通过所述差异数据得到的下载数据包更新所述车载数据。
2.根据权利要求1所述的方法,其中,所述将采集的用户行为数据与车载数据进行比对,得到差异数据,包括:
在车辆行驶状态下根据所述车载数据进行决策,得到第一决策数据;
识别出所述车辆行驶状态下车辆周边存在障碍物的情况下,采集第一用户行为数据;
比对得到所述第一用户行为数据与所述第一决策数据不匹配的情况下,将所述第一用户行为数据、和/或与所述第一用户行为数据相关联的数据确定为所述差异数据。
3.根据权利要求1所述的方法,其中,所述将采集的用户行为数据与车载数据进行比对,得到差异数据,包括:
在自主泊车状态下根据所述车载数据进行决策,得到第二决策数据;
识别出所述自主泊车状态下存在停车位的情况下,采集第二用户行为数据;
比对得到所述第二用户行为数据与所述第二决策数据不匹配的情况下,将所述第二用户行为数据、和/或与所述第二用户行为数据相关联的数据确定为所述差异数据。
4.根据权利要求1-3中任一项所述的方法,其中,所述上报所述差异数据,包括:
将所述差异数据中用以标识用户和/或车辆身份的信息进行删除处理,得到目标数据,上传所述目标数据;或者,
将所述差异数据中用以标识用户和/或车辆身份的信息进行删除处理及加密处理,得到目标数据,上传所述目标数据。
5.根据权利要求1-3中任一项所述的方法,还包括:
基于所述差异数据执行模型训练得到更新模型的情况下,接收用户提示信息;
根据所述用户提示信息,触发所述数据更新操作。
6.根据权利要求5所述的方法,其中,所述响应数据更新操作,通过所述差异数据得到的下载数据包更新所述车载数据,包括:
在所述下载数据包为所述更新模型的情况下,加载所述更新模型以得到更新数据,根据所述更新数据来更新所述车载数据;或者,
在所述下载数据包为基于所述更新模型得到更新数据的情况下,根据所述更新数据来更新所述车载数据。
7.一种车载数据处理装置,包括:
比对单元,用于将采集的用户行为数据与车载数据进行比对,得到差异数据,所述差异数据用于表征所述车载数据中与用户行为相关且未覆盖的场景数据;
上报单元,用于上报所述差异数据;
数据更新单元,用于响应数据更新操作,通过所述差异数据得到的下载数据包更新所述车载数据。
8.根据权利要求7所述的装置,其中,所述比对单元,用于:
在车辆行驶状态下根据所述车载数据进行决策,得到第一决策数据;
识别出所述车辆行驶状态下车辆周边存在障碍物的情况下,采集第一用户行为数据;
比对得到所述第一用户行为数据与所述第一决策数据不匹配的情况下,将所述第一用户行为数据、和/或与所述第一用户行为数据相关联的数据确定为所述差异数据。
9.根据权利要求7所述的装置,其中,所述比对单元,用于:
在自主泊车状态下根据所述车载数据进行决策,得到第二决策数据;
识别出所述自主泊车状态下存在停车位的情况下,采集第二用户行为数据;
比对得到所述第二用户行为数据与所述第二决策数据不匹配的情况下,将所述第二用户行为数据、和/或与所述第二用户行为数据相关联的数据确定为所述差异数据。
10.根据权利要求7-9中任一项所述的装置,其中,所述上报单元,用于:
将所述差异数据中用以标识用户和/或车辆身份的信息进行删除处理,得到目标数据,上传所述目标数据;或者,
将所述差异数据中用以标识用户和/或车辆身份的信息进行删除处理及加密处理,得到目标数据,上传所述目标数据。
11.根据权利要求7-9中任一项所述的装置,还包括信息接收单元,用于:
基于所述差异数据执行模型训练得到更新模型的情况下,接收用户提示信息;
根据所述用户提示信息,触发所述数据更新操作。
12.根据权利要求11所述的装置,其中,所述数据更新单元,用于:
在所述下载数据包为所述更新模型的情况下,加载所述更新模型以得到更新数据,根据所述更新数据来更新所述车载数据;或者,
在所述下载数据包为基于所述更新模型得到更新数据的情况下,根据所述更新数据来更新所述车载数据。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111595724.1A CN114489714A (zh) | 2021-12-24 | 2021-12-24 | 一种车载数据处理方法、装置、电子设备及存储介质 |
EP22211790.5A EP4203442A1 (en) | 2021-12-24 | 2022-12-06 | On-board data processing method and device, electronic device and storage medium |
US18/063,590 US20230205513A1 (en) | 2021-12-24 | 2022-12-08 | On-board data processing method, electronic device and storage medium |
KR1020220178271A KR20230098030A (ko) | 2021-12-24 | 2022-12-19 | 온보드 데이터 처리 방법, 장치, 전자기기 및 저장매체 |
JP2022203005A JP2023095812A (ja) | 2021-12-24 | 2022-12-20 | 車載データ処理方法、装置、電子デバイス、記憶媒体、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111595724.1A CN114489714A (zh) | 2021-12-24 | 2021-12-24 | 一种车载数据处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114489714A true CN114489714A (zh) | 2022-05-13 |
Family
ID=81495992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111595724.1A Pending CN114489714A (zh) | 2021-12-24 | 2021-12-24 | 一种车载数据处理方法、装置、电子设备及存储介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230205513A1 (zh) |
EP (1) | EP4203442A1 (zh) |
JP (1) | JP2023095812A (zh) |
KR (1) | KR20230098030A (zh) |
CN (1) | CN114489714A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116620331B (zh) * | 2023-07-19 | 2023-10-13 | 禾多科技(北京)有限公司 | 车辆控制方法、装置、电子设备和计算机可读介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112829747A (zh) * | 2021-02-23 | 2021-05-25 | 国汽(北京)智能网联汽车研究院有限公司 | 一种驾驶行为决策方法、装置及存储介质 |
KR20210076886A (ko) * | 2020-06-04 | 2021-06-24 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 주차 모델 생성 방법 및 장치, 전자 장치 및 저장 매체 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112052776B (zh) * | 2020-09-01 | 2021-09-10 | 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 |
-
2021
- 2021-12-24 CN CN202111595724.1A patent/CN114489714A/zh active Pending
-
2022
- 2022-12-06 EP EP22211790.5A patent/EP4203442A1/en active Pending
- 2022-12-08 US US18/063,590 patent/US20230205513A1/en not_active Abandoned
- 2022-12-19 KR KR1020220178271A patent/KR20230098030A/ko unknown
- 2022-12-20 JP JP2022203005A patent/JP2023095812A/ja active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210076886A (ko) * | 2020-06-04 | 2021-06-24 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 주차 모델 생성 방법 및 장치, 전자 장치 및 저장 매체 |
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 |
CN112829747A (zh) * | 2021-02-23 | 2021-05-25 | 国汽(北京)智能网联汽车研究院有限公司 | 一种驾驶行为决策方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
KR20230098030A (ko) | 2023-07-03 |
JP2023095812A (ja) | 2023-07-06 |
EP4203442A1 (en) | 2023-06-28 |
US20230205513A1 (en) | 2023-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
US10642268B2 (en) | Method and apparatus for generating automatic driving strategy | |
US10346564B2 (en) | Dynamic virtual object generation for testing autonomous vehicles in simulated driving scenarios | |
JP7371157B2 (ja) | 車両監視方法、装置、電子機器、記憶媒体、コンピュータプログラム、クラウド制御プラットフォームおよび車路連携システム | |
WO2019070473A1 (en) | DATA PROCESSING SYSTEM WITH AUTOMATIC LEARNING ENGINE FOR PROVIDING DRIVING DATA ANALYSIS AND VEHICLE CONTROL FUNCTIONS | |
CN109510851A (zh) | 地图数据的构建方法和设备 | |
CN111127949B (zh) | 车辆高危路段预警方法、装置及存储介质 | |
CN113155173B (zh) | 感知性能评测方法、装置、电子装置和存储介质 | |
US10789535B2 (en) | Detection of road elements | |
CN110147085B (zh) | 一种自动驾驶的测试方法、测试装置及测试系统 | |
CN110782670A (zh) | 基于数据融合的场景还原方法、车辆云平台及存储介质 | |
CN114880842A (zh) | 轨迹预测模型的自动化迭代方法、电子设备和存储介质 | |
CN112069279A (zh) | 地图数据更新方法、装置、设备及可读存储介质 | |
CN114399916A (zh) | 一种数字孪生智慧城市交通的虚拟红绿灯控制提醒方法 | |
US20210107530A1 (en) | Distributed in-vehicle realtime sensor data processing as a service | |
CN114120650A (zh) | 用于生成测试结果的方法、装置 | |
CN115601983A (zh) | 交通信号灯的周期时长确定方法、装置、设备和存储介质 | |
CN115098079A (zh) | 雷达检测模型确定方法、系统、电子设备及可读存储介质 | |
CN109191831A (zh) | 车辆通行的控制方法、装置和服务器 | |
EP4203442A1 (en) | On-board data processing method and device, electronic device and storage medium | |
CN109308806A (zh) | 一种交通工具的行驶检测方法及服务器 | |
CN112509321A (zh) | 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质 | |
CN116817950A (zh) | 路径规划方法、装置、设备、系统、存储介质和程序产品 | |
CN113593256B (zh) | 基于城市管理的无人机智能驱离控制方法、系统及云平台 | |
CN114596704A (zh) | 交通事件处理方法、装置、设备及存储介质 |
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 |