CN114548248A - 一种自动驾驶汽车行驶数据的分类触发上传方法及系统 - Google Patents

Abstract

本发明提供了一种自动驾驶汽车行驶数据的分类触发上传方法及系统，具体步骤为：对应触发类型设置触发算法；获取车辆行驶数据，车辆行驶数据包括感知信息数据、决策信息数据、执行信息数据；当车辆行驶数据满足任一触发类型的触发条件时，进行分类触发，截取并输出满足触发条件的车辆行驶数据片段及该车辆行驶数据片段对应的分类信息；根据分类信息，对应各触发类型提取车辆行驶数据片段中的关键数据进行打包压缩处理并分类上传至云端。本发明所述的一种自动驾驶汽车行驶数据的分类触发上传方法及系统，根据自车和传感器反馈的数据信息，通过预设多维度的触发和判定条件，对行驶数据进行自动分类触发和上传工作，为自动驾驶工作带来更多数据支持。

Description

一种自动驾驶汽车行驶数据的分类触发上传方法及系统

技术领域

本发明属于自动驾驶数据收集领域，尤其是涉及一种自动驾驶汽车行驶数据的分类触发上传方法及系统。

背景技术

自动驾驶车辆目前处于高速发展、加快落地的时期，众多主机厂已实现L3级自动驾驶车型量产。搭配自动驾驶技术的车辆在量产阶段，出于对自动驾驶算法安全、性能和可靠性多方面考虑，需要对车辆进行大量的道路试验，采集路试数据进行分析研究。但现阶段的道路试验量远远无法满足自动驾驶技术研究的数据量需求，也无法覆盖驾驶过程中可能出现的复杂道路环境。为解决自动驾驶数据的来源问题，可以利用广大的用户端车辆，来获取数据。用户端车辆的大量真实行驶数据可以覆盖绝大多数的行驶场景，包括道路试验难以覆盖的边角场景，既可以用于发现修正自动驾驶系统可能存在的缺陷，也可以用于研究自动驾驶技术的迭代优化。但是用户端车辆的数据量非常庞大，难以全部存储利用，并且数据中包含大量的无效数据，后期再进行数据截取将消耗大量资源。

发明内容

有鉴于此，本发明旨在提出一种自动驾驶汽车行驶数据的分类触发上传方法及系统，以解决用户端车辆的数据量非常庞大，难以全部存储利用，并且数据中包含大量的无效数据，后期再进行数据截取将消耗大量资源的问题。

为达到上述目的，本发明的技术方案是这样实现的：

一方面，本申请提出一种自动驾驶汽车行驶数据的分类触发上传方法，具体步骤如下：

S1、获取车辆行驶数据，对车辆行驶数据进行分类，包括感知信息数据、决策信息数据、执行信息数据；

S2、根据一种或多种车辆行驶数据设定不同的触发类型，每种触发类型结合需要的车辆行驶数据设置触发算法，用于对获取的车辆行驶数据进行分类触发；

S3、当车辆行驶数据满足任一触发类型的触发条件时，进行分类触发，截取并输出满足触发条件的车辆行驶数据片段及该车辆行驶数据片段对应的分类信息；

S4、根据分类信息，对应各触发类型提取车辆行驶数据片段中的关键数据进行打包压缩处理并分类上传至云端。

进一步的，步骤S2中，触发类型包括兴趣目标、兴趣驾驶行为、自定义事件和人车决策规划。

进一步的，所述兴趣目标的触发方法如下：

对应兴趣目标触发设置目标识别算法，所述目标识别算法依据兴趣目标类型来定义，目标识别算法对每一种兴趣目标设置对应的种子触发器，并通过降低筛选原目标物的置信度阈值、提高采样密度来提高目标识别算法的召回率；

获取车辆感知信息数据；

通过车辆感知信息数据进行目标识别算法的分类触发，输出兴趣目标数据结果；

兴趣目标数据结果搜集完成后，对兴趣目标数据结果进行标注，选取出贴近兴趣目标特征的目标样本集，并将贴近兴趣目标特征的目标样本集输入到种子触发器的感知算法中，进行算法迭代训练，形成对目标识别算法优化的数据闭环，在保证高召回率的前提下，提高目标召回准确率；

兴趣目标类型包括目标车辆、目标非机动车行人、标志牌、障碍物、交通信号。

进一步的，所述兴趣驾驶行为的触发方法如下：

设置行为触发算法，行为触发算法依据兴趣驾驶行为类型来对应设置触发数据列表，所述触发数据列表包括触发条件及触发条件的阈值，所述触发条件包括方向盘转角、踏板行程、加速度；

通过车辆感知信息数据、决策信息数据、执行信息数据，获取目标相对位置、自动驾驶系统的动作指令、横纵向运动，进而提取兴趣驾驶行为的触发条件及触发条件对应的数值；

根据触发条件及触发条件对应的数值，确认出吻合触发条件及触发条件的阈值列表的兴趣驾驶行为的起始点和终止点，进而截取兴趣驾驶行为的过程数据；

在获取兴趣驾驶行为的过程数据后，对兴趣驾驶行为的过程数据进行标注，并根据兴趣驾驶行为的过程数据召回率和准确率，对触发条件的阈值进行放宽或收紧；

兴趣驾驶行为类型包括跟驰、换道、避让、转弯、掉头。

进一步的，所述自定义事件的触发方法如下：

设置事件触发算法，对应自定义事件设置对应的阈值触发条件；

通过监控获取的车辆感知信息数据、决策信息数据及执行信息数据并结合阈值触发条件对自定义事件进行分类触发；

自定义事件包括感兴趣的场景、自动驾驶接管类场景、危险事件场景。

进一步的，所述人车决策规划差异的触发方法如下：

人车决策规划差异触发依据人工驾驶模式下车辆实际运动轨迹和自动驾驶系统决策规划轨迹的差异进行触发，该差异包括横向差异性和纵向差异性，根据横向差异性设置横向人车差异算法，根据纵向差异性设置纵向人车差异算法；

获取车辆决策信息数据和执行信息数据，车辆决策信息数据和执行信息数据满足横向人车差异算法或纵向人车差异算法触发条件时，截取并输出对应的差异数据片段及该差异数据片段对应的分类信息。

进一步的，所述横向差异性根据人工驾驶和自动驾驶系统的动作和决策的时间差，包括侧向运动决策差异、侧向运动起始时刻差异、侧向轨迹差异；

纵向差异性包括匀速或近似匀速工况差异性、加减速工况差异性。

进一步的，根据横向差异性设置横向人车差异算法，具体步骤如下：

设置判定横向差异性分类的时间判断阈值参数T-lat1、T-lat2，轨迹差异阈值参数Yt_lc、Yt_dodge、Yt_curve、Yt_turn，加速度阈值Axt；

对于侧向运动决策差异，在人工驾驶状态下，若某一时刻自动驾驶系统决策算法发出变道指令而驾驶员未进行变道或车道内躲闪操作，或某一时刻驾驶员进行变道但自动驾驶系统决策算法未发出变道或车道内躲闪指令，且在此时刻后时间判断阈值T-lat1内未做出侧向运动的一方仍未做出侧向动作或发出相关指令，则横向人车差异算法识别出当前场景为人车侧向运动决策差异，截取并输出对应的差异数据片段及该差异数据片段对应的分类信息，即当人工驾驶动作所示点与自动驾驶系统决策点不在同时出现在T-lat1时间范围内，表示存在侧向运动决策差异；

对于侧向运动起始时刻差异，在人工驾驶状态下，若某一时刻自动驾驶系统决策算法发出变道或车道内躲闪指令而驾驶员未进行变道或躲闪，或者某一时刻驾驶员进行变道或躲闪但自动驾驶系统决策算法未发出变道或躲闪指令，且在此时刻后时间阈值T-lat1内未做出侧向动作的一方做出动作或发出相关指令，若双方的侧向运动的起始时刻时间差异为Tl-diff且Tl-diff大于设定时间判断阈值T-lat2，则横向人车差异算法识别当前场景为人车变道决策差异，截取并输出对应的差异数据片段及该差异数据片段对应的分类信息，即当自动驾驶系统决策点出现在人工驾驶动作所示点的T-lat2到T-lat1的范围内，表示存在侧向运动起始时刻差异；

T_lat1为侧向决策差异性时间判断阈值，若人车变道起始时刻差异大于T_lat1则视为决策性差异，否则视为起始时刻或轨迹差异；

T_lat2为侧向起始时刻差异性时间判断阈值，若人车变道起始时刻差异小于T_lat1且大于T_lat2则视为起始时刻差异；

对于侧向轨迹差异，对于变道场景、车道内躲闪避障场景、曲率半径小于600米的弯道的驾驶场景或驾驶员转弯、调头场景，应当在人工驾驶完成变道操作、通过弯道、完成转弯或调头后分析历史数据，所分析数据范围为变道起始时刻至结束时刻或入弯时刻至出弯时刻或转弯调头起始时刻至结束时刻，需根据车道线距离信息分析人工驾驶与影子模式的局部规划轨迹在侧向上的差异；

①对于变道场景，若人工驾驶与自动驾驶系统变道起始时刻差异小于T-lat2，则分析人工驾驶变道轨迹与距离人工驾驶变道时刻最近的影子模式变道决策时刻所规划的变道轨迹之间的最大侧向位置差异，此时的对比应当将两条轨迹的起始时刻对齐，若超过一定距离轨迹差异阈值Yt_lc则可认定为侧向轨迹差异，截取并输出对应的差异数据片段及该差异数据片段对应的分类信息，此外，若人工驾驶与自动驾驶系统变道方向不同，则不需进行阈值比较，直接截取并输出对应的差异数据片段及该差异数据片段对应的分类信息；

Yt_lc为变道轨迹差异阈值，若一次变道过程中max(y*(t)-y(t))大于Yt_lc则视为侧向运动轨迹差异，y*和y分别为自动驾驶规划变道轨迹侧向位移和实际变道轨迹侧向位移；

②对于车道内躲闪避障场景，若人工驾驶与自动驾驶系统躲闪的起始时刻差异小于T-lat2，则分析人工驾驶躲闪轨迹与距离人工驾驶变道时刻最近的影子模式躲闪决策时刻所规划的躲闪轨迹之间的最大侧向位置差异，此时，将两条轨迹的起始时刻对齐，若超过一定距离阈值Yt_dodge则认定为侧向轨迹差异，截取并输出对应的差异数据片段及该差异数据片段对应的分类信息；

Yt_dodge为车道内躲闪轨迹差异阈值，若在一次躲闪过程中max(y*(t)-y(t))大于Yt_dodge则视为侧向运动轨迹差异，y*和y分别为自动驾驶规划躲闪轨迹侧向位移和实际躲闪轨迹侧向位移；

③对于弯道场景，则分析人工驾驶行驶轨迹与自动驾驶系统行驶轨迹中偏离车道线中心距离，若两者的中心线偏离距离的差异超过一定距离阈值Yt_curve则认定为侧向轨迹差异，截取并输出对应的差异数据片段及该差异数据片段对应的分类信息；

Yt_curve为弯道轨迹差异阈值，当检测到道路曲率半径小于600米时，若max(y*(t)-y(t))大于Yt_curve则视为侧向运动轨迹差异,y*和y分别为自动驾驶规划侧向轨迹和实际行驶侧向轨迹，所述侧向轨迹为自车中线偏离车道中心线距离；

④对于转弯或调头场景，基于高精度定位或SLAM分析人工驾驶行驶历史轨迹与自动驾驶系统在转弯或调头起始时刻所规划轨迹在相同时刻的轨迹点距离，若距离超过一定距离阈值Yt_turn则认定为侧向轨迹差异，截取并输出对应的差异数据片段及该差异数据片段对应的分类信息；

Yt_turn为转弯/调头轨迹差异阈值，当通过转向盘转角和摄像头信息检测到转弯/调头场景，若转弯/调头过程中，同一时刻，坐标点(x,y)*与坐标点(x,y)的相对距离大于Yt_turn则视为侧向运动轨迹差异,(x,y)*和(x,y)分别为大地坐标系下的自动驾驶规划转弯/调头轨迹坐标位置和实际轨迹坐标位置；

根据纵向差异性设置纵向人车差异算法，具体步骤如下：

在人工驾驶处于匀速或近似匀速下，若人工驾驶实际驾驶速度与自动驾驶系统规划的目标速度不一致，自动驾驶系统会接收到实际速度与目标速度差值的反馈进而产生一个较大的加/减速度，而人工驾驶处于近似匀速驾驶状态，加速度应接近于零，因此在近似匀速工况下，若自动驾驶系统规划的目标加速度与实际加速度差异超过加速度阈值Axt，则截取并输出对应的差异数据片段及该差异数据片段对应的分类信息；

在人工驾驶处于加速或减速下，对比自动驾驶系统规划的目标加速度与实际加速度的差异，该差异应包含相位差异以及相位对齐后的加速度幅值差异，若大于加速度阈值Axt，则可认定为纵向加速度差异，截取并输出对应的差异数据片段及该差异数据片段对应的分类信息；

Axt为加速度阈值，若自动驾驶规划的目标纵向加速度Ax*与车辆当前的实际纵向加速度Ax的差值大于Axt，则视为纵向加速度差异。

进一步的，步骤S1中，感知信息数据包括传感器底层感知信息数据、行驶环境信息、融合后目标信息，所述传感器底层感知信息数据包括雷达反射特征、视频图像；

决策信息数据包括车辆自动驾驶系统的预测规划、车辆自动驾驶系统的控制指令信息；

执行信息数据反应车辆真实的驾驶状态，包括转向信息和速度控制信息；

步骤S2中，触发算法包括图像识别算法、数据阈值触发算法。

另一方面，本申请根据上述所述的一种自动驾驶汽车行驶数据的分类触发上传方法提出一种自动驾驶汽车行驶数据的分类触发上传系统，包括与以太网或CAN线连接的输入接口、分类触发模块、数据存储上传模块，所述分类触发模块包括CPU、NPU、GPU，所述数据存储上传模块包括主存储模块、待发送存储模块、上传模块；

所述输入接口用于接受车辆的感知信息数据、决策信息数据及执行信息数据；

所述分类触发模块与输入接口连接监控车辆的感知信息数据、决策信息数据及执行信息数据，用于分类触发截取车辆行驶数据片段及该车辆行驶数据片段对应的分类信息，CPU负责对输入数据进行同步、运算、逻辑判断、截取，NPU及GPU用于加速计算、图像识别算法、训练优化算法；

所述主存储模块用于分类触发截取车辆行驶数据片段及该车辆行驶数据片段对应的分类信息；

所述待发送存储模块与主存储模块连接，并根据分类信息，对应各触发类型提取数据片段中的关键数据进行打包，减少无效的数据量；

所述上传模块对待发送存储模块中打包的信息进行压缩，通过无线形式上传至云端保存。

相对于现有技术，本发明所述的一种自动驾驶汽车行驶数据的分类触发上传方法及系统具有以下有益效果：

(1)本发明所述的一种自动驾驶汽车行驶数据的分类触发上传方法及系统，根据自动驾驶车辆自车和传感器反馈的数据信息，通过预设多维度的触发和判定条件，针对兴趣目标、兴趣驾驶行为、自定义事件和人车决策规划等要素，对行驶数据进行自动分类触发和上传工作，从用户端提供有效数据，为自动驾驶工作带来更多数据支持。

(2)本发明所述的一种自动驾驶汽车行驶数据的分类触发上传方法及系统，加入人车决策规划差异分类触发算法，根据“影子模式”下输出的自动驾驶系统决策规划信息与人工驾驶行为信息，通过预设多维度的触发和判定条件，实现对人车决策规划数据场景的触发，有效获取人车决策规划差异数据，为优化自动驾驶工作提供数据支持。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例所述的一种自动驾驶汽车行驶数据的分类触发上传方法示意图；

图2为本发明实施例所述的目标识别算法流程图；

图3为本发明实施例所述的行为触发算法流程图；

图4为本发明实施例所述的事件触发算法流程图；

图5为本发明实施例所述的人车差异算法流程图；

图6为本发明实施例所述的人工驾驶与自动驾驶系统时刻差异示意图；

图7为本发明实施例所述的人车差异性触发示意图；

图8为本发明实施例所述的一种自动驾驶汽车行驶数据的分类触发上传系统示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。

下面将参考附图并结合实施例来详细说明本发明。

如图1所示，本申请提出一种自动驾驶汽车行驶数据的分类触发上传方法，具体步骤如下：

S1、获取车辆行驶数据，对车辆行驶数据进行分类，包括感知信息数据、决策信息数据、执行信息数据；

S2、根据一种或多种车辆行驶数据设定不同的触发类型，每种触发类型结合需要的车辆行驶数据设置触发算法，用于对获取的车辆行驶数据进行分类触发；

S3、当车辆行驶数据满足任一触发类型的触发条件时，进行分类触发，截取并输出满足触发条件的车辆行驶数据片段及该车辆行驶数据片段对应的分类信息；

S4、根据分类信息，对应各触发类型提取车辆行驶数据片段中的关键数据进行打包压缩处理并分类上传至云端。

步骤S2中，触发类型包括兴趣目标、兴趣驾驶行为、自定义事件和人车决策规划。

如图2所示，所述兴趣目标的触发方法如下：

对应兴趣目标触发设置目标识别算法，所述目标识别算法依据兴趣目标类型来定义，目标识别算法对每一种兴趣目标设置对应的种子触发器，并通过降低筛选原目标物的置信度阈值、提高采样密度来提高目标识别算法的召回率；旨在大范围搜集兴趣目标出现的数据样本；

获取车辆感知信息数据；

通过车辆感知信息数据进行目标识别算法的分类触发，输出兴趣目标数据结果；

兴趣目标数据结果搜集完成后，对兴趣目标数据结果进行标注，选取出贴近兴趣目标特征的目标样本集，并将贴近兴趣目标特征的目标样本集输入到种子触发器的感知算法中，进行算法迭代训练，形成对目标识别算法优化的数据闭环，在保证高召回率的前提下，提高目标召回准确率；

兴趣目标类型包括目标车辆、目标非机动车行人、标志牌、障碍物、交通信号。

各目标类型具备不同的识别特征，如拖挂车辆独特的尾部特征，可作为其分类依据。

如图3所示，所述兴趣驾驶行为的触发方法如下：

设置行为触发算法，行为触发算法依据兴趣驾驶行为类型来对应设置触发数据列表，所述触发数据列表包括触发条件及触发条件的阈值，所述触发条件包括方向盘转角、踏板行程、加速度；

例如，车辆的跟驰行为需要的触发条件包括目标距离、目标速度、本车速度、车间时距、目标置信度等，并且每个触发条件对应设置有触发条件的阈值，根据阈值进行条件判定是否进行触发。

通过车辆感知信息数据、决策信息数据、执行信息数据，获取目标相对位置、自动驾驶系统的动作指令、横纵向运动，进而提取兴趣驾驶行为的触发条件及触发条件对应的数值；

根据触发条件及触发条件对应的数值，确认出吻合触发条件及触发条件的阈值列表的兴趣驾驶行为的起始点和终止点，进而截取兴趣驾驶行为的过程数据；

在获取兴趣驾驶行为的过程数据后，对兴趣驾驶行为的过程数据进行标注，并根据兴趣驾驶行为的过程数据召回率和准确率，对触发条件的阈值进行放宽或收紧；

兴趣驾驶行为类型包括跟驰、换道、避让、转弯、掉头。

如在对换道动作进行触发时，车辆横摆角速度阈值设置偏高，导致召回率低，可适当调整其阈值，进一步分析召回率与准确率变化，直到满足采集需求。

如图4所示，所述自定义事件的触发方法如下：

设置事件触发算法，对应自定义事件设置对应的阈值触发条件；

通过监控获取的车辆感知信息数据、决策信息数据及执行信息数据并结合阈值触发条件对自定义事件进行分类触发；

自定义事件包括感兴趣的场景、自动驾驶接管类场景、危险事件场景。

以自动驾驶接管类场景为例，当想采集自动驾驶系统AEB(自动紧急制动)功能激活的场景时，可对车辆决策信息数据和执行信息数据进行监控，在自动驾驶系统发出AEB激活指令且车辆执行紧急制动动作时，对自动驾驶系统AEB(自动紧急制动)功能激活的场景进行分类触发，截取该片段并输出分类信息。此外，对于一些难以利用条件进行触发的事件，也可采取人工打点的方式触发。

如图5至图7所示，所述人车决策规划差异的触发方法如下：

人车决策规划差异触发依据人工驾驶模式下车辆实际运动轨迹和自动驾驶系统决策规划轨迹的差异进行触发，该差异包括横向差异性和纵向差异性，根据横向差异性设置横向人车差异算法，根据纵向差异性设置纵向人车差异算法；

获取车辆决策信息数据和执行信息数据，车辆决策信息数据和执行信息数据满足横向人车差异算法或纵向人车差异算法触发条件时，截取并输出对应的差异数据片段及该差异数据片段对应的分类信息。

车辆的控制仅由驾驶员操控，车辆的自动驾驶系统不参与车辆的控制，车辆的执行信息数据取决于驾驶员驾驶的动作，自动驾驶系统的决策信息数据仅用于算法的分类触发。

如图5至图7所示，所述横向差异性根据人工驾驶和自动驾驶系统的动作和决策的时间差，包括侧向运动决策差异、侧向运动起始时刻差异、侧向轨迹差异；

纵向差异性包括匀速或近似匀速工况差异性、加减速工况差异性。

如图5至图7所示，根据横向差异性设置横向人车差异算法，具体步骤如下：

设置判定横向差异性分类的时间判断阈值参数T-lat1、T-lat2，轨迹差异阈值参数Yt_lc、Yt_dodge、Yt_curve、Yt_turn，加速度阈值Axt；

对于侧向运动决策差异，在人工驾驶状态下，若某一时刻自动驾驶系统决策算法发出变道指令而驾驶员未进行变道或车道内躲闪操作，或某一时刻驾驶员进行变道但自动驾驶系统决策算法未发出变道或车道内躲闪指令，且在此时刻后时间判断阈值T-lat1内未做出侧向运动的一方仍未做出侧向动作或发出相关指令，则横向人车差异算法识别出当前场景为人车侧向运动决策差异，截取并输出对应的差异数据片段及该差异数据片段对应的分类信息，即当人工驾驶动作所示点与自动驾驶系统决策点不在同时出现在T-lat1时间范围内，表示存在侧向运动决策差异；

对于侧向运动起始时刻差异，在人工驾驶状态下，若某一时刻自动驾驶系统决策算法发出变道或车道内躲闪指令而驾驶员未进行变道或躲闪，或者某一时刻驾驶员进行变道或躲闪但自动驾驶系统决策算法未发出变道或躲闪指令，且在此时刻后时间阈值T-lat1内未做出侧向动作的一方做出动作或发出相关指令，若双方的侧向运动的起始时刻时间差异为Tl-diff且Tl-diff大于设定时间判断阈值T-lat2，则横向人车差异算法识别当前场景为人车变道决策差异，截取并输出对应的差异数据片段及该差异数据片段对应的分类信息，即当自动驾驶系统决策点出现在人工驾驶动作所示点的T-lat2到T-lat1的范围内，表示存在侧向运动起始时刻差异；

T_lat1为侧向决策差异性时间判断阈值，若人车变道起始时刻差异大于T_lat1则视为决策性差异，否则视为起始时刻或轨迹差异；

T_lat2为侧向起始时刻差异性时间判断阈值，若人车变道起始时刻差异小于T_lat1且大于T_lat2则视为起始时刻差异；

对于侧向轨迹差异，对于变道场景、车道内躲闪避障场景、曲率半径小于600米的弯道的驾驶场景或驾驶员转弯、调头场景，应当在人工驾驶完成变道操作、通过弯道、完成转弯或调头后分析历史数据，所分析数据范围为变道起始时刻至结束时刻或入弯时刻至出弯时刻或转弯调头起始时刻至结束时刻，需根据车道线距离信息分析人工驾驶与影子模式的局部规划轨迹在侧向上的差异；

自动驾驶汽车“影子模式”是应用于自动驾驶模式下和人工驾驶模式下的车辆数据的采集方式：在自动驾驶模式下，用户端车辆的自动驾驶系统正常工作，直接采集需求的车辆行驶信息；在人工驾驶模式下，用户端车辆自动驾驶系统除执行系统外，其他模组仍正常工作，自动驾驶系统的感知融合信息、决策规划信息，以及人工驾驶的行为信息等，通过“影子模式”采集。

如图6、图7所示，①对于变道场景，若人工驾驶与自动驾驶系统变道起始时刻差异小于T-lat2，则分析人工驾驶变道轨迹与距离人工驾驶变道时刻最近的影子模式变道决策时刻所规划的变道轨迹之间的最大侧向位置差异，此时的对比应当将两条轨迹的起始时刻对齐，若超过一定距离轨迹差异阈值Yt_lc则可认定为侧向轨迹差异，截取并输出对应的差异数据片段及该差异数据片段对应的分类信息，此外，若人工驾驶与自动驾驶系统变道方向不同，则不需进行阈值比较，直接截取并输出对应的差异数据片段及该差异数据片段对应的分类信息；

Yt_lc为变道轨迹差异阈值，若一次变道过程中max(y*(t)-y(t))大于Yt_lc则视为侧向运动轨迹差异，y*和y分别为自动驾驶规划变道轨迹侧向位移和实际变道轨迹侧向位移；

②对于车道内躲闪避障场景，若人工驾驶与自动驾驶系统躲闪的起始时刻差异小于T-lat2，则分析人工驾驶躲闪轨迹与距离人工驾驶变道时刻最近的影子模式躲闪决策时刻所规划的躲闪轨迹之间的最大侧向位置差异，此时，将两条轨迹的起始时刻对齐，若超过一定距离阈值Yt_dodge则认定为侧向轨迹差异，截取并输出对应的差异数据片段及该差异数据片段对应的分类信息；

Yt_dodge为车道内躲闪轨迹差异阈值，若在一次躲闪过程中max(y*(t)-y(t))大于Yt_dodge则视为侧向运动轨迹差异，y*和y分别为自动驾驶规划躲闪轨迹侧向位移和实际躲闪轨迹侧向位移；

③对于弯道场景，则分析人工驾驶行驶轨迹与自动驾驶系统行驶轨迹中偏离车道线中心距离，若两者的中心线偏离距离的差异超过一定距离阈值Yt_curve则认定为侧向轨迹差异，截取并输出对应的差异数据片段及该差异数据片段对应的分类信息；

Yt_curve为弯道轨迹差异阈值，当检测到道路曲率半径小于600米时，若max(y*(t)-y(t))大于Yt_curve则视为侧向运动轨迹差异,y*和y分别为自动驾驶规划侧向轨迹和实际行驶侧向轨迹，所述侧向轨迹为自车中线偏离车道中心线距离；

④对于转弯或调头场景，基于高精度定位或SLAM分析人工驾驶行驶历史轨迹与自动驾驶系统在转弯或调头起始时刻所规划轨迹在相同时刻的轨迹点距离，若距离超过一定距离阈值Yt_turn则认定为侧向轨迹差异，截取并输出对应的差异数据片段及该差异数据片段对应的分类信息；

Yt_turn为转弯/调头轨迹差异阈值，当通过转向盘转角和摄像头信息检测到转弯/调头场景，若转弯/调头过程中，同一时刻，坐标点(x,y)*与坐标点(x,y)的相对距离大于Yt_turn则视为侧向运动轨迹差异,(x,y)*和(x,y)分别为大地坐标系下的自动驾驶规划转弯/调头轨迹坐标位置和实际轨迹坐标位置；

根据纵向差异性设置纵向人车差异算法，具体步骤如下：

在人工驾驶处于匀速或近似匀速下，若人工驾驶实际驾驶速度与自动驾驶系统规划的目标速度不一致，自动驾驶系统会接收到实际速度与目标速度差值的反馈进而产生一个较大的加/减速度，而人工驾驶处于近似匀速驾驶状态，加速度应接近于零，因此在近似匀速工况下，若自动驾驶系统规划的目标加速度与实际加速度差异超过加速度阈值Axt，则截取并输出对应的差异数据片段及该差异数据片段对应的分类信息；

在人工驾驶处于加速或减速下，对比自动驾驶系统规划的目标加速度与实际加速度的差异，该差异应包含相位差异以及相位对齐后的加速度幅值差异，若大于加速度阈值Axt，则可认定为纵向加速度差异，截取并输出对应的差异数据片段及该差异数据片段对应的分类信息；

Axt为加速度阈值，若自动驾驶规划的目标纵向加速度Ax*与车辆当前的实际纵向加速度Ax的差值大于Axt，则视为纵向加速度差异。

在定义Axt时，根据经验，区别匀速、加速、减速状态进行定义。

以上速度与加速度的对比为进行适当滤波后的实际车速和加速度。

步骤S1中，感知信息数据包括传感器底层感知信息数据、行驶环境信息、融合后目标信息，所述传感器底层感知信息数据包括雷达反射特征、视频图像；

决策信息数据包括车辆自动驾驶系统的预测规划、车辆自动驾驶系统的控制指令信息；

执行信息数据反应车辆真实的驾驶状态，包括转向信息和速度控制信息；

步骤S2中，触发算法包括图像识别算法、数据阈值触发算法。

车辆的感知信息数据、决策信息数据、执行信息数据均采取以太网或CAN通道的方式传输。

在“影子模式”下，不论车辆处于人工驾驶模式还是自动驾驶模式，车辆自动驾驶系统都输出决策信息数据；

步骤S4中，根据分类信息，对应各触发类型提取车辆行驶数据片段中的关键数据进行打包压缩处理并分类上传至云端，具体举例为：

针对兴趣目标信息，只需要打包传感器感知的目标特性信息、图像信息和点云信息；针对兴趣驾驶行为，只需要打包感知目标级和决策规划目标级信息，不需要传感器的原始信息或者图像信息等；针对自定义事件需要打包结构化数据，另外包括原始图片或视频等；针对人车决策规划差异信息，需要将原始图片、点云以及结构化信息全部打包上传，从而分析差异性产生的原因在于感知环节还是决策规划环节。

如图8所示，根据上述所述的一种自动驾驶汽车行驶数据的分类触发上传方法提出一种自动驾驶汽车行驶数据的分类触发上传系统，包括与以太网或CAN线连接的输入接口、分类触发模块、数据存储上传模块，所述分类触发模块包括CPU、NPU、GPU，所述数据存储上传模块包括主存储模块、待发送存储模块、上传模块；

所述输入接口用于接受车辆的感知信息数据、决策信息数据及执行信息数据；

所述分类触发模块与输入接口连接监控车辆的感知信息数据、决策信息数据及执行信息数据，用于分类触发截取车辆行驶数据片段及该车辆行驶数据片段对应的分类信息，CPU负责对输入数据进行同步、运算、逻辑判断、截取，NPU及GPU用于加速计算、图像识别算法、训练优化算法；

所述主存储模块用于分类触发截取车辆行驶数据片段及该车辆行驶数据片段对应的分类信息；

所述待发送存储模块与主存储模块连接，并根据分类信息，对应各触发类型提取数据片段中的关键数据进行打包，减少无效的数据量；

所述上传模块对待发送存储模块中打包的信息进行压缩，通过无线形式上传至云端保存。

所述无线形式包括WiFi、4G\5G，该系统的各模块也可通过云端进行OTA更新，如在分类触发模块中增加分类触发的类型和优化触发算法，以及在数据存储上传模块中更新打包算法。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种自动驾驶汽车行驶数据的分类触发上传方法，其特征在于：具体步骤如下：

S1、获取车辆行驶数据，对车辆行驶数据进行分类，包括感知信息数据、决策信息数据、执行信息数据；

S2、根据一种或多种车辆行驶数据设定不同的触发类型，每种触发类型结合需要的车辆行驶数据设置触发算法，用于对获取的车辆行驶数据进行分类触发；

S3、当车辆行驶数据满足任一触发类型的触发条件时，进行分类触发，截取并输出满足触发条件的车辆行驶数据片段及该车辆行驶数据片段对应的分类信息；

S4、根据分类信息，对应各触发类型提取车辆行驶数据片段中的关键数据进行打包压缩处理并分类上传至云端。

2.根据权利要求1所述的一种自动驾驶汽车行驶数据的分类触发上传方法，其特征在于：步骤S2中，触发类型包括兴趣目标、兴趣驾驶行为、自定义事件和人车决策规划。

3.根据权利要求2所述的一种自动驾驶汽车行驶数据的分类触发上传方法，其特征在于：所述兴趣目标的触发方法如下：

对应兴趣目标触发设置目标识别算法，所述目标识别算法依据兴趣目标类型来定义，目标识别算法对每一种兴趣目标设置对应的种子触发器，并通过降低筛选原目标物的置信度阈值、提高采样密度来提高目标识别算法的召回率；

获取车辆感知信息数据；

通过车辆感知信息数据进行目标识别算法的分类触发，输出兴趣目标数据结果；

兴趣目标数据结果搜集完成后，对兴趣目标数据结果进行标注，选取出贴近兴趣目标特征的目标样本集，并将贴近兴趣目标特征的目标样本集输入到种子触发器的感知算法中，进行算法迭代训练，形成对目标识别算法优化的数据闭环，在保证高召回率的前提下，提高目标召回准确率；

兴趣目标类型包括目标车辆、目标非机动车行人、标志牌、障碍物、交通信号。

4.根据权利要求2所述的一种自动驾驶汽车行驶数据的分类触发上传方法，其特征在于：所述兴趣驾驶行为的触发方法如下：

设置行为触发算法，行为触发算法依据兴趣驾驶行为类型来对应设置触发数据列表，所述触发数据列表包括触发条件及触发条件的阈值，所述触发条件包括方向盘转角、踏板行程、加速度；

通过车辆感知信息数据、决策信息数据、执行信息数据，获取目标相对位置、自动驾驶系统的动作指令、横纵向运动，进而提取兴趣驾驶行为的触发条件及触发条件对应的数值；

根据触发条件及触发条件对应的数值，确认出吻合触发条件及触发条件的阈值列表的兴趣驾驶行为的起始点和终止点，进而截取兴趣驾驶行为的过程数据；

在获取兴趣驾驶行为的过程数据后，对兴趣驾驶行为的过程数据进行标注，并根据兴趣驾驶行为的过程数据召回率和准确率，对触发条件的阈值进行放宽或收紧；

兴趣驾驶行为类型包括跟驰、换道、避让、转弯、掉头。

5.根据权利要求2所述的一种自动驾驶汽车行驶数据的分类触发上传方法，其特征在于：所述自定义事件的触发方法如下：

设置事件触发算法，对应自定义事件设置对应的阈值触发条件；

通过监控获取的车辆感知信息数据、决策信息数据及执行信息数据并结合阈值触发条件对自定义事件进行分类触发；

自定义事件包括感兴趣的场景、自动驾驶接管类场景、危险事件场景。

6.根据权利要求2所述的一种自动驾驶汽车行驶数据的分类触发上传方法，其特征在于：所述人车决策规划差异的触发方法如下：

人车决策规划差异触发依据人工驾驶模式下车辆实际运动轨迹和自动驾驶系统决策规划轨迹的差异进行触发，该差异包括横向差异性和纵向差异性，根据横向差异性设置横向人车差异算法，根据纵向差异性设置纵向人车差异算法；

获取车辆决策信息数据和执行信息数据，车辆决策信息数据和执行信息数据满足横向人车差异算法或纵向人车差异算法触发条件时，截取并输出对应的差异数据片段及该差异数据片段对应的分类信息。

7.根据权利要求6所述的一种自动驾驶汽车行驶数据的分类触发上传方法，其特征在于：所述横向差异性根据人工驾驶和自动驾驶系统的动作和决策的时间差，包括侧向运动决策差异、侧向运动起始时刻差异、侧向轨迹差异；

纵向差异性包括匀速或近似匀速工况差异性、加减速工况差异性。

8.根据权利要求7所述的一种自动驾驶汽车行驶数据的分类触发上传方法，其特征在于：

根据横向差异性设置横向人车差异算法，具体步骤如下：

设置判定横向差异性分类的时间判断阈值参数T-lat1、T-lat2，轨迹差异阈值参数Yt_lc、Yt_dodge、Yt_curve、Yt_turn，加速度阈值Axt；

对于侧向运动决策差异，在人工驾驶状态下，若某一时刻自动驾驶系统决策算法发出变道指令而驾驶员未进行变道或车道内躲闪操作，或某一时刻驾驶员进行变道但自动驾驶系统决策算法未发出变道或车道内躲闪指令，且在此时刻后时间判断阈值T-lat1内未做出侧向运动的一方仍未做出侧向动作或发出相关指令，则横向人车差异算法识别出当前场景为人车侧向运动决策差异，截取并输出对应的差异数据片段及该差异数据片段对应的分类信息，即当人工驾驶动作所示点与自动驾驶系统决策点不在同时出现在T-lat1时间范围内，表示存在侧向运动决策差异；

对于侧向运动起始时刻差异，在人工驾驶状态下，若某一时刻自动驾驶系统决策算法发出变道或车道内躲闪指令而驾驶员未进行变道或躲闪，或者某一时刻驾驶员进行变道或躲闪但自动驾驶系统决策算法未发出变道或躲闪指令，且在此时刻后时间阈值T-lat1内未做出侧向动作的一方做出动作或发出相关指令，若双方的侧向运动的起始时刻时间差异为Tl-diff且Tl-diff大于设定时间判断阈值T-lat2，则横向人车差异算法识别当前场景为人车变道决策差异，截取并输出对应的差异数据片段及该差异数据片段对应的分类信息，即当自动驾驶系统决策点出现在人工驾驶动作所示点的T-lat2到T-lat1的范围内，表示存在侧向运动起始时刻差异；

T_lat1为侧向决策差异性时间判断阈值，若人车变道起始时刻差异大于T_lat1则视为决策性差异，否则视为起始时刻或轨迹差异；

T_lat2为侧向起始时刻差异性时间判断阈值，若人车变道起始时刻差异小于T_lat1且大于T_lat2则视为起始时刻差异；

对于侧向轨迹差异，对于变道场景、车道内躲闪避障场景、曲率半径小于600米的弯道的驾驶场景或驾驶员转弯、调头场景，应当在人工驾驶完成变道操作、通过弯道、完成转弯或调头后分析历史数据，所分析数据范围为变道起始时刻至结束时刻或入弯时刻至出弯时刻或转弯调头起始时刻至结束时刻，需根据车道线距离信息分析人工驾驶与影子模式的局部规划轨迹在侧向上的差异；

①对于变道场景，若人工驾驶与自动驾驶系统变道起始时刻差异小于T-lat2，则分析人工驾驶变道轨迹与距离人工驾驶变道时刻最近的影子模式变道决策时刻所规划的变道轨迹之间的最大侧向位置差异，此时的对比应当将两条轨迹的起始时刻对齐，若超过一定距离轨迹差异阈值Yt_lc则可认定为侧向轨迹差异，截取并输出对应的差异数据片段及该差异数据片段对应的分类信息，此外，若人工驾驶与自动驾驶系统变道方向不同，则不需进行阈值比较，直接截取并输出对应的差异数据片段及该差异数据片段对应的分类信息；

Yt_lc为变道轨迹差异阈值，若一次变道过程中max(y*(t)-y(t))大于Yt_lc则视为侧向运动轨迹差异，y*和y分别为自动驾驶规划变道轨迹侧向位移和实际变道轨迹侧向位移；

②对于车道内躲闪避障场景，若人工驾驶与自动驾驶系统躲闪的起始时刻差异小于T-lat2，则分析人工驾驶躲闪轨迹与距离人工驾驶变道时刻最近的影子模式躲闪决策时刻所规划的躲闪轨迹之间的最大侧向位置差异，此时，将两条轨迹的起始时刻对齐，若超过一定距离阈值Yt_dodge则认定为侧向轨迹差异，截取并输出对应的差异数据片段及该差异数据片段对应的分类信息；

Yt_dodge为车道内躲闪轨迹差异阈值，若在一次躲闪过程中max(y*(t)-y(t))大于Yt_dodge则视为侧向运动轨迹差异，y*和y分别为自动驾驶规划躲闪轨迹侧向位移和实际躲闪轨迹侧向位移；

③对于弯道场景，则分析人工驾驶行驶轨迹与自动驾驶系统行驶轨迹中偏离车道线中心距离，若两者的中心线偏离距离的差异超过一定距离阈值Yt_curve则认定为侧向轨迹差异，截取并输出对应的差异数据片段及该差异数据片段对应的分类信息；

Yt_curve为弯道轨迹差异阈值，当检测到道路曲率半径小于600米时，若max(y*(t)-y(t))大于Yt_curve则视为侧向运动轨迹差异,y*和y分别为自动驾驶规划侧向轨迹和实际行驶侧向轨迹，所述侧向轨迹为自车中线偏离车道中心线距离；

④对于转弯或调头场景，基于高精度定位或SLAM分析人工驾驶行驶历史轨迹与自动驾驶系统在转弯或调头起始时刻所规划轨迹在相同时刻的轨迹点距离，若距离超过一定距离阈值Yt_turn则认定为侧向轨迹差异，截取并输出对应的差异数据片段及该差异数据片段对应的分类信息；

Yt_turn为转弯/调头轨迹差异阈值，当通过转向盘转角和摄像头信息检测到转弯/调头场景，若转弯/调头过程中，同一时刻，坐标点(x,y)*与坐标点(x,y)的相对距离大于Yt_turn则视为侧向运动轨迹差异,(x,y)*和(x,y)分别为大地坐标系下的自动驾驶规划转弯/调头轨迹坐标位置和实际轨迹坐标位置；

根据纵向差异性设置纵向人车差异算法，具体步骤如下：

在人工驾驶处于匀速或近似匀速下，若人工驾驶实际驾驶速度与自动驾驶系统规划的目标速度不一致，自动驾驶系统会接收到实际速度与目标速度差值的反馈进而产生一个较大的加/减速度，而人工驾驶处于近似匀速驾驶状态，加速度应接近于零，因此在近似匀速工况下，若自动驾驶系统规划的目标加速度与实际加速度差异超过加速度阈值Axt，则截取并输出对应的差异数据片段及该差异数据片段对应的分类信息；

在人工驾驶处于加速或减速下，对比自动驾驶系统规划的目标加速度与实际加速度的差异，该差异应包含相位差异以及相位对齐后的加速度幅值差异，若大于加速度阈值Axt，则可认定为纵向加速度差异，截取并输出对应的差异数据片段及该差异数据片段对应的分类信息；

Axt为加速度阈值，若自动驾驶规划的目标纵向加速度Ax*与车辆当前的实际纵向加速度Ax的差值大于Axt，则视为纵向加速度差异。

9.根据权利要求1所述的一种自动驾驶汽车行驶数据的分类触发上传方法，其特征在于：步骤S1中，感知信息数据包括传感器底层感知信息数据、行驶环境信息、融合后目标信息，所述传感器底层感知信息数据包括雷达反射特征、视频图像；

决策信息数据包括车辆自动驾驶系统的预测规划、车辆自动驾驶系统的控制指令信息；

执行信息数据反应车辆真实的驾驶状态，包括转向信息和速度控制信息；

步骤S2中，触发算法包括图像识别算法、数据阈值触发算法。

10.应用权利要求1-9任一所述的一种自动驾驶汽车行驶数据的分类触发上传方法的一种自动驾驶汽车行驶数据的分类触发上传系统，其特征在于：包括与以太网或CAN线连接的输入接口、分类触发模块、数据存储上传模块，所述分类触发模块包括CPU、NPU、GPU，所述数据存储上传模块包括主存储模块、待发送存储模块、上传模块；

所述输入接口用于接受车辆的感知信息数据、决策信息数据及执行信息数据；

所述分类触发模块与输入接口连接监控车辆的感知信息数据、决策信息数据及执行信息数据，用于分类触发截取车辆行驶数据片段及该车辆行驶数据片段对应的分类信息，CPU负责对输入数据进行同步、运算、逻辑判断、截取，NPU及GPU用于加速计算、图像识别算法、训练优化算法；

所述主存储模块用于分类触发截取车辆行驶数据片段及该车辆行驶数据片段对应的分类信息；

所述待发送存储模块与主存储模块连接，并根据分类信息，对应各触发类型提取数据片段中的关键数据进行打包，减少无效的数据量；

所述上传模块对待发送存储模块中打包的信息进行压缩，通过无线形式上传至云端保存。

Images