CN114661574A - 样本偏差数据的获取方法、装置和电子设备 - Google Patents

Abstract

本申请公开了样本偏差数据的获取方法、装置和电子设备，涉及人工智能、自动驾驶、智能交通以及深度学习技术领域。具体实现方案为：在获取样本偏差数据时，在人工驾驶模式下，分别获取车辆的第一驾驶行为参数，以及车辆在模拟自动驾驶模式下的第二驾驶行为参数；并判断第一驾驶行为参数和第二驾驶行为参数之间是否存在偏差时，并在存在偏差时，控制车辆获取预设时间段内的样本偏差数据。这样通过建立模拟自动驾驶模式运行机制，并将模拟自动驾驶模式下输出的驾驶行为参数与真实的人工驾驶模式下的驾驶行为参数进行比对，实现了车辆对驾驶偏差行为的自动监控，并在存在偏差时触发车辆自动采集样本偏差数据，从而提高了样本偏差数据的获取效率。

Description

样本偏差数据的获取方法、装置和电子设备

技术领域

本申请涉及计算机技术领域，尤其涉及一种样本偏差数据的获取方法、装置和电子设备，具体可用于人工智能技术领域、自动驾驶技术领域、智能交通技术领域以及深度学习技术领域。

背景技术

自动驾驶技术日趋成熟，已经应用到自动驾驶车辆中。自动驾驶车辆基于自动驾驶模型控制车辆行驶。虽然自动驾驶模型在投入使用前，已经做了充分的测试，但由于真实的驾驶环境比较复杂，使得在一些真实的驾驶环境下，自动驾驶模型对车辆的驾驶行为和人类预期的驾驶行为之间可能存在偏差，但这种偏差未必是故障或事故，更多的可能是表现在体验不佳或控制效率较低。

为了降低自动驾驶模型对车辆的驾驶行为和人类预期的驾驶行为之间发生偏差的概率，测试人员需要获取大量存在偏差时车辆所处的外部环境信息等样本偏差数据，用以对自动驾驶模型进行训练。因此，如何高效地获取样本偏差数据是本领域技术人员亟待解决的问题。

发明内容

本申请实施例提供了一种用于样本偏差数据的获取方法、装置和电子设备，在获取样本偏差数据时，提高了样本偏差数据的获取效率。

根据本申请的第一方面，提供了一种样本偏差数据的获取方法，该样本偏差数据的获取方法可以包括：

在人工驾驶模式下，获取车辆的第一驾驶行为参数，以及所述车辆在模拟自动驾驶模式下的第二驾驶行为参数。

判断所述第一驾驶行为参数和所述第二驾驶行为参数之间是否存在偏差。

若存在偏差，则控制所述车辆获取预设时间段内的样本偏差数据；其中，所述样本偏差数据包括车身状态信息和所述车辆所处的环境信息。

根据本申请的第二方面，提供了一种样本偏差数据的获取装置，该样本偏差数据的获取装置可以包括：

获取单元，用于在人工驾驶模式下，获取车辆的第一驾驶行为参数，以及所述车辆在模拟自动驾驶模式下的第二驾驶行为参数。

第一处理单元，用于判断所述第一驾驶行为参数和所述第二驾驶行为参数之间是否存在偏差。

控制单元，用于若存在偏差，则控制所述车辆获取预设时间段内的样本偏差数据；其中，所述样本偏差数据包括车身状态信息和所述车辆所处的环境信息。

根据本申请的第三方面，提供了一种电子设备，该电子设备可以包括：

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上述第一方面所述的样本偏差数据的获取方法。

根据本申请的第四方面，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，其中，所述计算机指令用于使所述计算机执行上述第一方面所述的样本偏差数据的获取方法。

根据本申请的第五方面，提供了一种计算机程序产品，所述程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行上述第一方面所述的样本偏差数据的获取方法。

根据本申请的技术方案，在获取样本偏差数据时，在人工驾驶模式下，分别获取车辆的第一驾驶行为参数，以及车辆在模拟自动驾驶模式下的第二驾驶行为参数；并判断第一驾驶行为参数和第二驾驶行为参数之间是否存在偏差时，并在存在偏差时，控制车辆获取预设时间段内的样本偏差数据。这样通过建立模拟自动驾驶模式运行机制，并将模拟自动驾驶模式下输出的驾驶行为参数与真实的人工驾驶模式下的驾驶行为参数进行比对，实现了车辆对驾驶偏差行为的自动监控，并在存在偏差时触发车辆自动采集样本偏差数据，从而提高了样本偏差数据的获取效率。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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，不构成对本申请的限定。其中：

图1为本申请实施例提供的一种框架示意图；

图2为本申请实施例提供的一种获取样本偏差数据的示意图；

图3是根据本申请第一实施例提供的样本偏差数据的获取方法的流程示意图；

图4是根据本申请第二实施例提供的样本偏差数据的获取方法的流程示意图；

图5是根据本申请第三实施例提供的样本偏差数据的获取装置的示意性框图；

图6是本申请实施例提供的一种电子设备的示意性框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。

在本申请的实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，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，其中A，B可以是单数或者复数。在本申请的文字描述中，字符“/”一般表示前后关联对象是一种“或”的关系。

为了降低自动驾驶模型对车辆的驾驶行为和人类预期的驾驶行为之间发生偏差的概率，测试人员需要获取大量存在偏差时车辆所处的外部环境信息等样本偏差数据，用以对自动驾驶模型进行训练。现有技术中，在获取样本偏差数据时，通常的方法为：测试人员构造不同的测试环境，在不同的测试环境下，自动驾驶车辆基于自动驾驶模型控制车辆行驶，测试人员记录该自动驾驶车辆整个行驶过程中的全量运行数据；之后，再从记录的全量运行数据中查找发生偏差时的运行数据，并将该发生偏差时的运行数据确定为样本偏差数据，从而获取到样本偏差数据。但是，采用上述人工的方式获取样本偏差数据，会导致样本偏差数据的获取效率较低。

为了提高样本偏差数据的获取效率，可以考虑在自动驾驶车辆行驶过程中直接获取发生偏差时的偏差数据，以提高偏差数据的获取效率。但是，在自动驾驶车辆行驶过程中获取偏差数据时，由于该偏差数据是自动驾驶模型下的驾驶行为和人类驾驶行为的差异，需要分别获取自动驾驶模型下的驾驶行为和人类驾驶行为作为参照。但是，自动驾驶车辆在自动驾驶模式下行驶时，无法提前预知人类驾驶行为，因此，可以考虑在人工驾驶模式下获取偏差数据。示例的，请参见图1所示，图1为本申请实施例提供的一种框架示意图，在获取偏差数据时，可以执行S101、在人工驾驶模式下，获取人工驾驶模式下的人类驾驶行为数据；S102、在获取人类驾驶行为数据的同时，自动驾驶模式也会模拟输出当前驾驶环境下的驾驶行为数据，可以一并采集模拟自动驾驶模式下的驾驶行为数据；即在数据采集过程中，自动驾驶车辆完全是由人类驾驶员控制的，自动驾驶模型并不参与车辆的控制；在分别获取到人类驾驶行为数据和模拟自动驾驶模式下的驾驶行为数据后，执行S103、将人类驾驶行为和车辆模拟自动驾驶模式下的驾驶行为进行比较，在存在差异时，执行S204自动采集样本偏差数据，从而获取样本偏差数据，这样就可以提高样本偏差数据的获取效率。若不存在差异，则执行S205清除人工驾驶模式下的人类驾驶行为数据和自动驾驶模式下的驾驶行为数据。

基于上述构思，本申请实施例提供了一种样本偏差数据的获取方法，可应用于人工智能、自动驾驶、智能交通以及深度学习技术领域。具体方案为：在人工驾驶模式下，获取车辆的第一驾驶行为参数，以及车辆在模拟自动驾驶模式下的第二驾驶行为参数；判断第一驾驶行为参数和第二驾驶行为参数之间是否存在偏差；若存在偏差，则控制车辆获取预设时间段内的样本偏差数据；其中，样本偏差数据包括车身状态信息和车辆所处的环境信息。

示例的，在获取车辆在模拟自动驾驶模式下的第二驾驶行为参数时，可以通过“影子模型”的输出获取车辆在模拟自动驾驶模式下的第二驾驶行为参数，“影子模型”用于描述与人类驾驶共同实时运行的自动驾驶模型。在感知、环境建模、路线规划、决策等自动驾驶功能环节，对影子模型的输入和配置均与车端正式自动驾驶模型保持一致，使其形成与正式自动驾驶模型完全相同的输出。但车辆完全是由人类驾驶员控制的，影子模型并不参与车辆的控制。

示例的，“影子模型”可以为高速公路巡航(High Way Pilot，简称HWP)影子模型，也可以为交通拥堵辅助(Traffic Jam Assistant，简称TJA)影子模型，也可以自动代客泊车(Automated Valet Parking，简称AVP)影子模型等，具体可以根据实际需要进行设置，在此，本申请实施例不做具体限制。在人工驾驶模式下，通过“影子模型”模拟自动驾驶模式下的驾驶行为参数，可以实现全驾驶场景下偏差数据的采集。

此外，“影子模型”能够广泛适用于量产车辆，实现不限时间、不限地域、不限数量的用户车端数据采集，极大程度扩大了研发所需数据收集的边界，不仅解决了现有技术中只能人工采集偏差数据的问题；而且通过这种形式的偏差数据采集，能够涉猎到用户车辆日常运行的各类场景，使得采集的偏差数据的种类、范围、特征的多样性都得到了一定程度的提高，为自动驾驶模型训练提供了与真实使用场景最为一致的数据来源，这样在对自动驾驶模型进行训练时，可以进一步提高自动驾驶模型的准确度。

可以理解的是，本申请实施例中，除了通过“影子模型”的输出获取车辆在模拟自动驾驶模式下的第二驾驶行为参数之外，还可以通过其它类似“影子模型”的驾驶模型的输出获取车辆在模拟自动驾驶模式下的第二驾驶行为参数，具体可以根据实际需要进行设置，在此，本申请实施例只是以通过“影子模型”的输出获取车辆在模拟自动驾驶模式下的第二驾驶行为参数为例进行说明，但并不代表本申请实施例仅局限于此。

当通过“影子模型”的输出获取车辆在模拟自动驾驶模式下的第二驾驶行为参数时，可以参见图2所示，图2为本申请实施例提供的一种获取样本偏差数据的示意图，针对不同的行驶场景，采用的“影子模型”不同，在高速场景下，影子模型主要运行HWP模式，并将其输出的第二驾驶行为参数与人工驾驶模式下的第一驾驶行为参数进行比较，并在不一致时，自动触发采集样本偏差数据；在拥堵场景下，影子模型主要运行TJC模式，并将其输出的第二驾驶行为参数与人工驾驶模式下的第一驾驶行为参数进行比较，并在不一致时，自动触发采集样本偏差数据；在泊车场景下，影子模型主要运行AVP模式，并将其输出的第二驾驶行为参数与人工驾驶模式下的第一驾驶行为参数进行比较，并在不一致时，自动触发采集样本偏差数据。可以理解的是，不同的“影子模型”会被提前配置在车辆中。

可以看出，本申请实施例中，在获取样本偏差数据时，在人工驾驶模式下，分别获取车辆的第一驾驶行为参数，以及车辆在模拟自动驾驶模式下的第二驾驶行为参数；并判断第一驾驶行为参数和第二驾驶行为参数之间是否存在偏差时，并在存在偏差时，控制车辆获取预设时间段内的样本偏差数据。这样通过建立模拟自动驾驶模式运行机制，并将模拟自动驾驶模式下输出的驾驶行为参数与真实的人工驾驶模式下的驾驶行为参数进行比对，实现了车辆对驾驶偏差行为的自动监控，并在存在偏差时触发车辆自动采集样本偏差数据，从而提高了样本偏差数据的获取效率。

此外，采用本申请的技术方案，能够在无人工介入的情况下触发车辆自动采集样本偏差数据，为测试人员节省了大量的数据实采、合作、筛选费用。同时，采集的样本偏差数据针对性较强，能够保证每次采集的样本偏差数据均为人类驾驶行为和车辆模拟自动驾驶模式下的驾驶行为存在必偏差的场景，无需在后期进行大量的无效数据筛选操作，不仅节省了人工成本，而且提高了样本偏差数据的获取效率。

下面，将通过具体的实施例对本申请提供的样本偏差数据的获取方法进行详细地说明。可以理解的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

实施例一

图3是根据本申请第一实施例提供的样本偏差数据的获取方法的流程示意图，该样本偏差数据的获取方法可以由软件和/或硬件装置执行。示例的，请参见图3所示，该样本偏差数据的获取方法可以包括：

S301、在人工驾驶模式下，获取车辆的第一驾驶行为参数，以及车辆在模拟自动驾驶模式下的第二驾驶行为参数。

示例的，驾驶行为参数可以包括位置、姿态、速度、加速度、方向盘转角、档位等参数，具体可以根据实际需要进行设置，在此，对于驾驶行为参数具体内容，本申请实施例不做进一步地限制。

在本申请实施例中，第一驾驶行为参数是人类驾驶行为的驾驶行为参数。示例的，在获取车辆的第一驾驶行为参数时，可以在人工驾驶模式下，从CAN信号中获取人类驾驶行为的驾驶行为参数，从而得到获取车辆的第一驾驶行为参数。

第二驾驶行为参数是车辆在人工驾驶模式下，模拟自动驾驶模式下的驾驶行为参数，即车辆完全是由人类驾驶员控制的，自动驾驶模型并不参与车辆的控制。示例的，在获取车辆在模拟自动驾驶模式下的第二驾驶行为参数时，可以通过“影子模型”的输出获取车辆在模拟自动驾驶模式下的第二驾驶行为参数，“影子模型”用于描述与人类驾驶共同实时运行的自动驾驶模型，从容获取到车辆的第二驾驶行为参数。其中，“影子模型”的相关描述可参见上述所示，在此，本申请实施例不再进行赘述。

在人工驾驶模式下，分别获取到车辆的第一驾驶行为参数，以及车辆在模拟自动驾驶模式下的第二驾驶行为参数后，就可以判断第一驾驶行为参数和第二驾驶行为参数之间是否存在偏差，即执行下述S302：

S302、判断第一驾驶行为参数和第二驾驶行为参数之间是否存在偏差。

在判断第一驾驶行为参数和第二驾驶行为参数之间是否存在偏差时，若第一驾驶行为参数和第二驾驶行为参数之间不存在偏差，则无需将该第一驾驶行为数据和第二驾驶行为参数保存在车辆中，可以清除该第一驾驶行为数据和第二驾驶行为数据，即执行下述S303，这样可以避免因存储无效数据导致的内存占用。相反的，若第一驾驶行为参数和第二驾驶行为参数之间存在偏差，则可以控制车辆自动获取预设时间段内的样本偏差数据，即执行下述S304：

S303、若不存在偏差，则清除第一驾驶行为数据和第二驾驶行为数据。

S304、若存在偏差，则控制车辆获取预设时间段内的样本偏差数据；其中，样本偏差数据包括车身状态信息和车辆所处的环境信息。

示例的，车身状态信息可以包括但不限于档位、轮速、IMU等线控反馈数据；环境信息可以包括但不限于前后广角、四周鱼眼、超声波等传感器数据。样本偏差数据除了包括车身状态信息和车辆所处的环境信息之外，还可以进一步包括影子模型的相关数据和系统的基础信息。其中，影子模型的相关数据包括定位、感知、环境建模、规划等影子模型输出数据；系统的基础信息包括系统信息、版本、配置参数等。

示例的，预设时间段可以为确定出存在偏差的时刻之后一个时间段，也可以为包括第一时间段和第二时间段的一个时间段，具体可以根据实际需要进行设置。

示例的，在本申请实施例中，控制车辆获取预设时间段内的样本偏差数据时，可以控制车辆采集以确定出存在偏差的时刻为起始时刻的第一时间段内的样本偏差数据，并从已采集到的数据中提取确定出存在偏差的时刻之前的第二时间段内的样本偏差数据，从而获取到预设时间段内的样本偏差数据，该样本偏差数据包括第一时间段内的样本偏差数据和第二时间段内的样本偏差数据。

在本申请实施例中，在确定出存在偏差时，之所以获取包括第一时间段和第二时间段的预设时间段内的样本偏差数据，原因在于：当确定存在偏差时，其偏差行为已经存在，若仅采集以确定出存在偏差的时刻为起始时刻的第一时间段内的偏差数据，则会导致部分偏差数据未获取到，因此，可以在确定出存在偏差的时刻，向前追溯一个第二时间段，并从已经采集到的数据中提取出第二时间段内的偏差数据，从而得到本次偏差行为对应的样本偏差数据，不仅实现了样本偏差数据的自动采集，而且提高了样本偏差数据的完整性，以满足问题诊断、自动驾驶模型训练的需要。

可以看出，本申请实施例中，在获取样本偏差数据时，在人工驾驶模式下，分别获取车辆的第一驾驶行为参数，以及车辆在模拟自动驾驶模式下的第二驾驶行为参数；并判断第一驾驶行为参数和第二驾驶行为参数之间是否存在偏差时，并在存在偏差时，控制车辆获取预设时间段内的样本偏差数据。这样通过建立模拟自动驾驶模式运行机制，并将模拟自动驾驶模式下输出的驾驶行为参数与真实的人工驾驶模式下的驾驶行为参数进行比对，实现了车辆对驾驶偏差行为的自动监控，并在存在偏差时触发车辆自动采集样本偏差数据，从而提高了样本偏差数据的获取效率。

基于上述图3所示的实施例，为了便于理解在上述S302中，如何判断第一驾驶行为参数和第二驾驶行为参数之间是否存在偏差，下面，将通过下述图4所示的实施例二，对如何判断第一驾驶行为参数和第二驾驶行为参数之间是否存在偏差进行详细的描述。

实施例二

图4是根据本申请第二实施例提供的样本偏差数据的获取方法的流程示意图，该样本偏差数据的获取方法同样可以由软件和/或硬件装置执行。示例的，请参见图4所示，该样本偏差数据的获取方法可以包括：

S401、在人工驾驶模式下，获取车辆的第一驾驶行为参数，以及车辆在模拟自动驾驶模式下的第二驾驶行为参数。

在本申请实施例中，S401的相关实现与上述S301的相关实现类似，可参见上述S301的相关实现的描述，在此，本申请实施例不再进行赘述。

S402、获取预先建立的偏差行为规则。

其中，偏差行为规则是根据车辆在人工驾驶模式下和模拟自动驾驶模式下，各驾驶行为和与各驾驶行为对应的驾驶行为参数确定的。

需要说明的是，在本申请实施例中，不是每一次判断第一驾驶行为参数和第二驾驶行为参数之间是否存在偏差时，均需要先获取预先建立的偏差行为规则，而是在第一次判断第一驾驶行为参数和第二驾驶行为参数之间是否存在偏差之前，获取预先的建立偏差行为规则即可。可以理解的是，在确定该偏差行为规则进行更新后，也可以再次获取更新后的偏差行为规则，具体可以根据实际需要进行设置。

通常情况下，在获取预先建立的偏差行为规则时，可以接收云端服务器预先建立的偏差行为规则，若车辆中的处理芯片的计算能力足够支撑建议偏差行为规则，车辆也可以预先建立偏差行为规则，具体可以根据实际需要进行设置。

在根据各驾驶行为和与各驾驶行为对应的驾驶行为参数建立偏差行为规则时，可以先确定各驾驶行为，再根据各驾驶行为对应的驾驶行为参数建立偏差行为规则。示例的，在本申请实施例中，可以包括7种基础驾驶行为，该7种基础驾驶行为可以包括：停车、跟随、绕行、前进、倒车、加速以及减速。驾驶行为可以为该7种基础驾驶行为中的一种，也可以为该7种基础驾驶行为中任意两种或者更多种基础驾驶行为的组合，例如“转弯场景下急刹”、“倒车场景下加速”等驾驶行为，具体可以根据实际需要进行设置。针对各驾驶行为，其对应的驾驶行为参数可能不同。例如，针对驾驶行为“前进”和“倒车”，该驾驶行为与档位有关，则其对应的驾驶行为参数为档位；针对驾驶行为“刹停”、“跟随”“绕行”、该驾驶行为与速度、加速度、方向盘转角有关，则其对应的驾驶行为参数为速度、加速度、方向盘转角。

针对各驾驶行为，可以分别确定车辆在人工驾驶模式下和模拟自动驾驶模式下，各驾驶行为对应的驾驶行为参数，并根据各驾驶行为对应的驾驶行为参数，确定各驾驶行为在人工驾驶模式下和模拟自动驾驶模式下，持续时间段内存在偏差的条件；各驾驶行为在人工驾驶模式下和模拟自动驾驶模式下存在偏差的条件组合起来可以构成偏差行为规则，从而建立该偏差行为规则。

示例的，在确定各驾驶行为在人工驾驶模式下和模拟自动驾驶模式下，持续时间段内存在偏差的条件时，可以将各驾驶行为在人工驾驶模式下的驾驶行为参数，与模拟自动驾驶模式下的驾驶行为参数进行比较；若人工驾驶模式下的驾驶行为参数和模拟自动驾驶模式下的驾驶行为参数的差值小于或等于预设值，则认为各驾驶行为在人工驾驶模式下和模拟自动驾驶模式下，持续时间段内不存在偏差；相反的，若人工驾驶模式下的驾驶行为参数和模拟自动驾驶模式下的驾驶行为参数的差值大于预设值，则认为各驾驶行为在人工驾驶模式下和模拟自动驾驶模式下，持续时间段内存在偏差，从而确定各驾驶行为在持续时间段内存在偏差的条件。

示例的，在本申请实施例中，各驾驶行为在持续时间段内存在偏差的条件可以被抽象为：[关键数据]-[时间]-[参数]-[驾驶行为类型]的描述形式，各参数间由与或关系进行关联。其中，关键数据是指该驾驶行为对应的驾驶行为参数，时间是指用于比较的时间段，参数是指驾驶行为参数的取值。偏差条件作为“偏差”是否存在且达到触发采集样本偏差数据的依据。

为了便于理解本申请实施例描述的各驾驶行为在人工驾驶模式下和模拟自动驾驶模式下存在偏差的条件，下面，将以驾驶行为分别为停车、跟随、绕行、前进、倒车、加速以及减速为例，描述各驾驶行为在人工驾驶模式下和模拟自动驾驶模式下存在偏差的条件。

示例的，当驾驶行为为“停车”时，其对应的驾驶行为参数为速度，则驾驶行为“停车”在人工驾驶模式下和模拟自动驾驶模式下存在偏差的条件可以为：

条件1、影子模型输出的速度在t时间持续为零，而人工驾驶模式下提取的车速在t时间持续大于零。

条件2、影子模型输出的速度在t时间持续大于零，而人工驾驶模式下提取的车速在t时间持续为零。

条件1和条件2中任一条件满足时，人工驾驶模式下的驾驶行为参数和影子模型输出的驾驶行为参数的差值大于第一预设值，则确定驾驶行为“停车”在人工驾驶模式下和模拟自动驾驶模式下存在偏差。其中，第一预设值可以根据实际需要进行设置，在此，对于第一预设值的取值，本申请实施例不做进一步地限制。

该示例中，[关键数据]为人工驾驶模式下的加速度和影子模型输出的加速度；[时间]为用于比较的整个t时间；[参数]为0；[驾驶行为类型]为停车。

示例的，当驾驶行为为“跟随”时，其对应的驾驶行为参数为方向盘转角，则驾驶行为“跟随”在人工驾驶模式下和模拟自动驾驶模式下存在偏差的条件可以为：

条件1、影子模型输出的与前方车辆的距离，方向盘转角在t时间不短增大，而人工驾驶模式下提取的方向盘转角在t时间持续小于a。

条件2、影子模型输出的前方车辆的距离，方向盘转角在t时间持续小于a，而人工驾驶模式下提取的方向盘转角在t时间不断增大。

条件1和条件2中任一条件满足时，人工驾驶模式下的驾驶行为参数和模拟自动驾驶模式下的驾驶行为参数的差值大于第二预设值，则确定驾驶行为“跟随”在人工驾驶模式下和模拟自动驾驶模式下存在偏差。其中，第二预设值可以根据实际需要进行设置，在此，对于第二预设值的取值，本申请实施例不做进一步地限制。

该示例中，[关键数据]为人工驾驶模式下的方向盘转角和影子模型输出的方向盘转角；[时间]为用于比较的整个t时间；[参数]为a；[驾驶行为类型]为跟随。

示例的，当驾驶行为为“绕行”时，其对应的驾驶行为参数为方向盘转角，则驾驶行为“绕行”在人工驾驶模式下和模拟自动驾驶模式下存在偏差的条件可以为：

条件1、影子模型输出的动态障碍物信息，方向盘转角在t时间持续小于a，而人工驾驶模式下提取的方向盘转角在t时间不断增大。

条件2、影子模型输出的动态障碍物信息，方向盘转角在t时间不断增大，而人工驾驶模式下提取的方向盘转角在t时间持续小于a。

条件1和条件2中任一条件满足时，人工驾驶模式下的驾驶行为参数和模拟自动驾驶模式下的驾驶行为参数的差值大于第三预设值，则确定驾驶行为“绕行”在人工驾驶模式下和模拟自动驾驶模式下存在偏差。其中，第三预设值可以根据实际需要进行设置，在此，对于第三预设值的取值，本申请实施例不做进一步地限制。

该示例中，[关键数据]为人工驾驶模式下的方向盘转角和影子模型输出的方向盘转角；[时间]为用于比较的整个t时间；[参数]为a；[驾驶行为类型]为绕行。

示例的，当驾驶行为为“前进/倒车”时，其对应的驾驶行为参数为档位，则驾驶行为“前进/倒车”在人工驾驶模式下和模拟自动驾驶模式下存在偏差的条件可以为：

影子模型输出的档位与人工驾驶模式下提取的档位不一致超过t时间。

该示例中，[关键数据]为人工驾驶模式下的档位和影子模型输出的方向档位；[时间]为用于比较的整个t时间；[参数]为档位参数值，例如P档、D档或者R档等；[驾驶行为类型]为前进/倒车。

示例的，当驾驶行为为“减速/加速”时，其对应的驾驶行为参数为加速度，则驾驶行为“减速/加速”在人工驾驶模式下和模拟自动驾驶模式下存在偏差的条件可以为：

条件1、影子模型输出的加速度在t时间内均大于0，而人工驾驶模式下提取的加速度持续t时间小于Δa。

条件2、影子模型输出的加速度持续t时间小于Δa，而人工驾驶模式下提取的加速度在t时间内均大于0。

条件1和条件2中任一条件满足时，确定人类驾驶行为的参数信息和影子模型的驾驶行为的参数信息存在偏差。

该示例中，[关键数据]为车辆加速度和模型输出加速度；[时间]为用于比较的整个t时间；[参数]为Δa和0；[驾驶行为类型]为减速/加速。

上述详细描述了当驾驶行为分别为停车、跟随、绕行、前进、倒车、加速以及减速7种基础驾驶行为时，对应的存在偏差的条件。可以理解的是，当驾驶行为为该7种基础驾驶行为中任意两种或者更多种基础驾驶行为的组合，例如“转弯场景下急刹”、“倒车场景下加速”等驾驶行为时，其对应的存在偏差的条件可以为任意两种或者更多种基础驾驶行为对应的偏差条件的组合，其中任一个基础驾驶行为对应的偏差条件偏差时，均会自动触发车辆采集样本偏差数据。

这样在分别得到各驾驶行为对应的确定存在偏差的条件后，各驾驶行为对应的确定存在偏差的条件组合，就可以构成本申请中的偏差行为规则，这样就可以根据该偏差行为规则，确定存在偏差时，触发车辆自动采集样本偏差数据。

在获取到预先建立的偏差行为规则后，就可以根据预先建立的偏差行为规则，判断第一驾驶行为参数和第二驾驶行为参数之间是否存在偏差，即执行下述S403：

S403、根据预先建立的偏差行为规则，判断第一驾驶行为参数和第二驾驶行为参数之间是否存在偏差。

根据预先建立的偏差行为规则，判断第一驾驶行为参数和第二驾驶行为参数之间是否存在偏差，其实质是判断第一驾驶行为参数和第二驾驶行为参数是否满足偏差行为条件，若第一驾驶行为参数和第二驾驶行为参数满足偏差行为规则中的任一偏差条件，则执行下述S404-S405；相反的，若第一驾驶行为参数和第二驾驶行为参数不满足偏差行为规则中的各个偏差条件，则执行下述S406-S407。

S404、确定第一驾驶行为参数和第二驾驶行为参数之间存在偏差。

若第一驾驶行为参数和第二驾驶行为参数满足偏差行为规则中的任一偏差条件，则确定第一驾驶行为参数和第二驾驶行为参数之间存在偏差；并在确定存在偏差时，执行下述S405：

S405、控制控制车辆获取预设时间段内的样本偏差数据；其中，样本偏差数据包括车身状态信息和车辆所处的环境信息。

在本申请实施例中，S405的相关实现与上述S304的相关实现类似，可参见上述S304的相关实现的描述，在此，本申请实施例不再进行赘述。

这样通过偏差行为规则确定出第一驾驶行为参数和第二驾驶行为存在偏差时，自动触发车辆采集预设时间段内的样本偏差数据，实现了车辆对驾驶偏差行为的自动监控，并在存在偏差时触发车辆自动采集样本偏差数据，从而提高了样本偏差数据的获取效率。

S406、确定第一驾驶行为参数和第二驾驶行为参数之间不存在偏差。

若第一驾驶行为参数和第二驾驶行为参数不满足偏差行为规则中的各个偏差条件，则确定第一驾驶行为参数和第二驾驶行为参数之间不存在偏差，并在确定出不存在偏差时，执行下述S405：

S407、清除该第一驾驶行为数据和第二驾驶行为数据。

在确定第一驾驶行为参数和第二驾驶行为参数之间不存在偏差时，通过清除该第一驾驶行为数据和第二驾驶行为数据，这样可以避免因存储无效数据导致的内存占用。

基于上述任一实施例，在获取到样本偏差数据后，还以将样本偏差数据发送给云端服务器，使得云端服务器接收到该样本偏差数据后，基于样本偏差数据对自动驾驶模型进行优化，这样可以进一步提高自动驾驶模型的准确度。

示例的，在将获取到的样本偏差数据发送给云端服务器时，若触发采集时刻的网络条件允许，则在样本偏差数采集过程中，可以实时将采集到的样本偏差数据发送给云端服务器；相反的，若触发采集时刻的网络条件不允许，则可以先将采集到的样本偏差数据缓存在车辆中，并在网络条件允许时，按照时间先后顺序，依次将缓存在车辆中的样本偏差数据发送给云端服务器，对于云端服务器而言，这样可以实现自动驾驶行为与人类驾驶行为存在偏差时的样本偏差数据的自动触发采集和上传。

此外，为了便于云端服务器对接收到的样本偏差数据进行分类存储，还可以根据第一驾驶行为参数，和/或，第二驾驶行为参数，确定车辆的驾驶行为，并将车辆的驾驶行为作为样本偏差数据的标签信息，一并发送给云端服务器，这样云端服务器就可以将车辆的驾驶行为作为样本偏差数据的标签信息，便于对样本偏差数据进行分类存储。示例的，在将车辆的驾驶行为作为样本偏差数据的标签信息，一并发送给云端服务器时，可以将标签信息以.json格式文件记录；也可以将标签信息以其它格式文件记录，具体可以根据实际需要进行设置，在此，本申请实施例只是以标签信息以.json格式文件记录为例进行说明，但并不代表本申请实施例仅局限于此。

实施例三

图5是根据本申请第三实施例提供的样本偏差数据的获取装置500的示意性框图，示例的，请参见图5所示，该样本偏差数据的获取装置500可以包括：

获取单元501，用于在人工驾驶模式下，获取车辆的第一驾驶行为参数，以及车辆在模拟自动驾驶模式下的第二驾驶行为参数。

第一处理单元502，用于判断第一驾驶行为参数和第二驾驶行为参数之间是否存在偏差。

控制单元503，用于若存在偏差，则控制车辆获取预设时间段内的样本偏差数据；其中，样本偏差数据包括车身状态信息和车辆所处的环境信息。

可选的，控制单元503包括第一控制模块和第二控制模块。

第一控制模块，用于控制车辆采集以确定出存在偏差的时刻为起始时刻的第一时间段内的样本偏差数据。

第二控制模块，用于从已采集到的数据中提取确定出存在偏差的时刻之前的第二时间段内的样本偏差数据。

可选的，第一处理单元502，具体若第一驾驶行为参数和第二驾驶行为参数满足偏差行为规则，则确定第一驾驶行为参数和第二驾驶行为参数之间存在偏差；其中，偏差行为规则是根据车辆在人工驾驶模式下和模拟自动驾驶模式下，各驾驶行为和与各驾驶行为对应的驾驶行为参数确定的。

可选的，该样本偏差数据的获取装置500还包括第二处理单元、第三处理单元以及第四处理单元。

第二处理单元，用于分别确定车辆在人工驾驶模式下和模拟自动驾驶模式下，各驾驶行为对应的驾驶行为参数。

第三处理单元，用于根据各驾驶行为对应的驾驶行为参数，确定各驾驶行为在人工驾驶模式下和模拟自动驾驶模式下，持续时间段内存在偏差的条件。

第四处理单元，用于根据各驾驶行为在人工驾驶模式下和模拟自动驾驶模式下存在偏差的条件，建立偏差行为规则。

可选的，第三处理单元包括第一处理模块和第二处理模块。

第一处理模块，用于将各驾驶行为在人工驾驶模式下的驾驶行为参数，与驾驶行为在模拟自动驾驶模式下的驾驶行为参数进行比较。

第二处理模块，用于若人工驾驶模式下的驾驶行为参数和模拟自动驾驶模式下的驾驶行为参数的差值大于预设值，则确定各驾驶行为在人工驾驶模式下和模拟自动驾驶模式下，持续时间段内存在偏差。

可选的，该样本偏差数据的获取装置500还包括第一发送单元。

第一发送单元，用于将样本偏差数据发送给云端服务器；样本偏差数据用于指示云端服务器基于样本偏差数据对自动驾驶模型进行优化。

可选的，该样本偏差数据的获取装置500还包括第五处理单元和第二发送单元。

第五处理单元，用于根据第一驾驶行为参数，和/或，第二驾驶行为参数，确定车辆的驾驶行为。

第二发送单元，用于将车辆的驾驶行为作为样本偏差数据的标签信息，发送给云端服务器。

本申请实施例提供的该样本偏差数据的获取装置500，可以执行上述任一实施例所示的该样本偏差数据的获取方法的技术方案，其实现原理以及有益效果与该样本偏差数据的获取方法的实现原理及有益效果类似，可参见该样本偏差数据的获取方法的实现原理及有益效果，此处不再进行赘述。

根据本申请的实施例，本申请还提供了一种计算机程序产品，程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案，其实现原理以及有益效果与该样本偏差数据的获取方法的实现原理及有益效果类似，可参见该样本偏差数据的获取方法的实现原理及有益效果，此处不再进行赘述。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

图6是本申请实施例提供的一种电子设备600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/或者要求的本申请的实现。

如图6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理，例如样本偏差数据的获取方法。例如，在一些实施例中，样本偏差数据的获取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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM603并由计算单元601执行时，可以执行上文描述的样本偏差数据的获取方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行样本偏差数据的获取方法。

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。

用于实施本申请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。

在本申请的上下文中，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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。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，本发申请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，只要能够实现本申请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，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (17)

1.一种样本偏差数据的获取方法，包括：

在人工驾驶模式下，获取车辆的第一驾驶行为参数，以及所述车辆在模拟自动驾驶模式下的第二驾驶行为参数；

判断所述第一驾驶行为参数和所述第二驾驶行为参数之间是否存在偏差；

若存在偏差，则控制所述车辆获取预设时间段内的样本偏差数据；其中，所述样本偏差数据包括车身状态信息和所述车辆所处的环境信息。

2.根据权利要求1所述的方法，其中，所述控制所述车辆获取预设时间段内的样本偏差数据，包括：

控制所述车辆采集以确定出存在偏差的时刻为起始时刻的第一时间段内的样本偏差数据，并从已采集到的数据中提取所述确定出存在偏差的时刻之前的第二时间段内的样本偏差数据。

3.根据权利要求1所述的方法，其中，所述判断所述第一驾驶行为参数和所述第二驾驶行为参数之间是否存在偏差，包括：

若所述第一驾驶行为参数和所述第二驾驶行为参数满足偏差行为规则，则确定所述第一驾驶行为参数和所述第二驾驶行为参数之间存在偏差；其中，所述偏差行为规则是根据所述车辆在人工驾驶模式下和模拟自动驾驶模式下，各驾驶行为和与所述各驾驶行为对应的驾驶行为参数确定的。

4.根据权利要求3所述的方法，所述方法还包括：

分别确定所述车辆在人工驾驶模式下和模拟自动驾驶模式下，所述各驾驶行为对应的驾驶行为参数；

根据所述各驾驶行为对应的驾驶行为参数，确定所述各驾驶行为在人工驾驶模式下和模拟自动驾驶模式下，持续时间段内存在偏差的条件；

根据所述各驾驶行为在人工驾驶模式下和模拟自动驾驶模式下存在偏差的条件，建立所述偏差行为规则。

5.根据权利要求4所述的方法，其中，所述根据所述各驾驶行为对应的驾驶行为参数，确定所述各驾驶行为在人工驾驶模式下和模拟自动驾驶模式下，持续时间段内存在偏差的条件，包括：

将所述各驾驶行为在人工驾驶模式下的驾驶行为参数，与所述驾驶行为在模拟自动驾驶模式下的驾驶行为参数进行比较；

若所述人工驾驶模式下的驾驶行为参数和所述模拟自动驾驶模式下的驾驶行为参数的差值大于预设值，则确定所述各驾驶行为在人工驾驶模式下和模拟自动驾驶模式下，持续时间段内存在偏差。

6.根据权利要求1-5任一项所述的方法，所述方法还包括：

将所述样本偏差数据发送给云端服务器；所述样本偏差数据用于指示所述云端服务器基于所述样本偏差数据对自动驾驶模型进行优化。

7.根据权利要求6所述的方法，所述方法还包括：

根据所述第一驾驶行为参数，和/或，所述第二驾驶行为参数，确定所述车辆的驾驶行为；

将所述车辆的驾驶行为作为所述样本偏差数据的标签信息，发送给所述云端服务器。

8.一种样本偏差数据的获取装置，包括：

获取单元，用于在人工驾驶模式下，获取车辆的第一驾驶行为参数，以及所述车辆在模拟自动驾驶模式下的第二驾驶行为参数；

第一处理单元，用于判断所述第一驾驶行为参数和所述第二驾驶行为参数之间是否存在偏差；

控制单元，用于若存在偏差，则控制所述车辆获取预设时间段内的样本偏差数据；其中，所述样本偏差数据包括车身状态信息和所述车辆所处的环境信息。

9.根据权利要求8所述的装置，其中，所述控制单元包括第一控制模块和第二控制模块；

所述第一控制模块，用于控制所述车辆采集以确定出存在偏差的时刻为起始时刻的第一时间段内的样本偏差数据；

所述第二控制模块，用于从已采集到的数据中提取所述确定出存在偏差的时刻之前的第二时间段内的样本偏差数据。

10.根据权利要求8所述的装置，其中，

所述第一处理单元，具体若所述第一驾驶行为参数和所述第二驾驶行为参数满足偏差行为规则，则确定所述第一驾驶行为参数和所述第二驾驶行为参数之间存在偏差；其中，所述偏差行为规则是根据所述车辆在人工驾驶模式下和模拟自动驾驶模式下，各驾驶行为和与所述各驾驶行为对应的驾驶行为参数确定的。

11.根据权利要求10所述的装置，所述装置还包括第二处理单元、第三处理单元以及第四处理单元；

所述第二处理单元，用于分别确定所述车辆在人工驾驶模式下和模拟自动驾驶模式下，所述各驾驶行为对应的驾驶行为参数；

所述第三处理单元，用于根据所述各驾驶行为对应的驾驶行为参数，确定所述各驾驶行为在人工驾驶模式下和模拟自动驾驶模式下，持续时间段内存在偏差的条件；

所述第四处理单元，用于根据所述各驾驶行为在人工驾驶模式下和模拟自动驾驶模式下存在偏差的条件，建立所述偏差行为规则。

12.根据权利要求11所述的装置，其中，所述第三处理单元包括第一处理模块和第二处理模块；

所述第一处理模块，用于将所述各驾驶行为在人工驾驶模式下的驾驶行为参数，与所述驾驶行为在模拟自动驾驶模式下的驾驶行为参数进行比较；

所述第二处理模块，用于若所述人工驾驶模式下的驾驶行为参数和所述模拟自动驾驶模式下的驾驶行为参数的差值大于预设值，则确定所述各驾驶行为在人工驾驶模式下和模拟自动驾驶模式下，持续时间段内存在偏差。

13.根据权利要求8-12任一项所述的装置，所述装置还包括第一发送单元；

所述第一发送单元，用于将所述样本偏差数据发送给云端服务器；所述样本偏差数据用于指示所述云端服务器基于所述样本偏差数据对自动驾驶模型进行优化。

14.根据权利要求13所述的装置，所述装置还包括第五处理单元和第二发送单元；

所述第五处理单元，用于根据所述第一驾驶行为参数，和/或，所述第二驾驶行为参数，确定所述车辆的驾驶行为；

所述第二发送单元，用于将所述车辆的驾驶行为作为所述样本偏差数据的标签信息，发送给所述云端服务器。

15.一种电子设备，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1-7中任一项所述的样本偏差数据的获取方法。

16.一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权利要求1-7中任一项所述的样本偏差数据的获取方法。

17.一种计算机程序产品，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1-7中任一项所述的样本偏差数据的获取方法。

Images