CN114676844A - 用于自动驾驶的方法、装置、设备、计算机可读存储介质 - Google Patents

Abstract

根据本公开的示例实施例，提供了一种用于自动驾驶的方法、装置、设备、计算机可读存储介质和计算机程序产品。涉及人工智能领域，尤其涉及自动驾驶和深度学习技术领域。具体实现方案为：获取与车辆的参数和外部环境相关联的数据，数据根据用于目标场景的采集策略而被采集；基于所获取的数据，生成用于目标场景的自动驾驶模型；以及通过对自动驾驶模型进行测试，更新采集策略。根据本公开的实施例，由此，可以高效、系统、规范地进行数据收集和应用，提高研发效率，进而提升用户对产品的体验。

Description

用于自动驾驶的方法、装置、设备、计算机可读存储介质

技术领域

本公开涉及人工智能领域，并且更具体地，涉及用于自动驾驶的方法、装置、设备、计算机可读存储介质和计算机程序产品。

背景技术

随着自动驾驶技术在生活中的普及，需要高效率地实现从自动驾驶数据的收集到应用的流程，从而满足研发需求并且提高用户对自动驾驶产品的体验。但是，目前已有的自动驾驶研发平台通常使用分离的数据采集、数据存储、数据处理、模型训练和模型测试功能，各功能之间缺乏联系，不利于将企业已采集的实车试验数据等快速转换为有价值的自动驾驶模型。因此，如何解决数据自动采集、数据传输与分类存储、数据平台化标注、模型训练、测试与结果展示中的资源和工具链的共享和统一管理，有效缩减自动驾驶汽车的研发成本和周期，提高企业的自动驾驶研发能力，是当今的任务主题。

发明内容

根据本公开的示例实施例，提供了一种用于自动驾驶的方法、装置、设备、计算机可读存储介质和计算机程序产品。

在本公开的第一方面中，提供了一种用于自动驾驶的方法，包括：获取与车辆的参数和外部环境相关联的数据，数据根据用于目标场景的采集策略而被采集；基于所获取的数据，生成用于目标场景的自动驾驶模型；以及通过对自动驾驶模型进行测试，更新采集策略。

在本公开的第二方面中，提供了一种用于自动驾驶的装置，包括：数据获取模块，被配置为获取与车辆的参数和外部环境相关联的数据，所述数据根据用于目标场景的采集策略而被采集；模型生成模块，被配置为基于所获取的所述数据，生成用于所述目标场景的自动驾驶模型；以及第一策略更新模块，被配置为通过对所述自动驾驶模型进行测试，更新所述采集策略。

在本公开的第三方面中，提供了一种电子设备，包括一个或多个处理器；以及存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现根据本公开的第一方面的方法。

在本公开的第四方面中，提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的第一方面的方法。

在本公开的第五方面中，提供了一种计算机程序产品，包括计算机程序指令，该计算机程序指令被处理器实现如本公开的第一方面的方法。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素。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示出了本公开的多个实施例能够在其中实现的示例环境的示意图；

图2示出了根据本公开的一些实施例的用于自动驾驶的过程的示例的流程图；

图3示出了根据本公开的一些实施例的更新采集策略的过程的示例的流程图；

图4示出了根据本公开的实施例的用于自动驾驶的装置的示意框图；以及

图5示出了能够实施本公开的多个实施例的计算设备的框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

在本公开的实施例的描述中，术语“模型”可以从训练数据中学习到相应的输入与输出之间的关联，从而在训练完成后基于训练得到的参数集对给定的输入进行处理以生成对应的输出。“模型”有时也可以被称为“神经网络”、“学习模型”、“学习网络”或“网络”。这些术语在本文中可互换地使用。

如以上提及的，在传统方案中，缺少能够完全实现自动驾驶数据从采集到应用的闭环流程。各功能的分离会导致收集的海量数据无法及时被清洗、标注和分类。并且与外部第三方数据标注机构合作面临数据隐私泄露风险和标注结果差异。此外，模型的训练和测试在外部平台或线下进行导致缺乏严格和持续的管理，易造成数据与应用的脱节。上述缺陷最终降低整体研发效率并且进而影响用户对自动驾驶产品的体验。

本公开的示例实施例提出了一种用于自动驾驶的方案。在该方案中，首先在不同的场景中，根据不同的数据采集策略获取车辆自身的参数和车辆的外部环境数据。然后根据所获取的数据，生成用于相应的场景的自动驾驶模型。最后对自动驾驶模型进行测试，确定所缺少的数据，来更新数据采集策略。根据本公开的实施例，可以实现从数据收集到应用的闭环系统，并且通过对模型的测试进一步发现所需要的数据以应用在下一轮的数据采集中。由此，可以高效、系统、规范地进行数据收集和应用，提高研发效率，进而提升用户对产品的体验。

图1示出了本公开的多个实施例能够在其中实现的示例环境100的示意图。应当理解，图1所示出的环境100仅仅是示例性的，而不应当构成对本公开所描述的实现的功能和范围的任何限制。如图1所示，环境100包括行驶在道路中的车辆110。在图1的示例中，车辆110可以是可以承载人和/或物并且通过发动机等动力系统移动的任何类型的车辆，包括但不限于轿车、卡车、巴士、电动车、摩托车、房车、火车等等。在一些实施例中，环境100中的一个或多个车辆110可以是具有一定自动驾驶能力的车辆，这样的车辆也被称为无人驾驶车辆。在一些实施例中，车辆110也可以是不具有自动驾驶能力的车辆。虽然图示为一个车辆110，但这只是示例性的，可以存在不同数目的车辆110，本公开在此不做限制。

车辆110可以通信地耦合到计算设备130。虽然被示出为单独的实体，但计算设备130可以被嵌入在车辆110中。计算设备130也可以车辆110外部的实体，并且可以经由无线网络与车辆110通信。计算设备130可以是任何具有计算能力的设备。作为非限制性示例，计算设备130可以是任意类型的固定计算设备、移动计算设备或便携式计算设备，包括但不限于台式计算机、膝上型计算机、笔记本计算机、上网本计算机、平板计算机、多媒体计算机、移动电话等；计算设备130的全部组件或一部分组件可以分布在云端。计算设备130至少包含处理器、存储器以及其他通常存在于通用计算机中的组件，以便实现计算、存储、通信、控制等功能。

计算设备130中可以包括采策略130和自动驾驶模型140。采集策略是指导车辆110进行数据采集的依据。虽然图示为一个采集策略140，但计算设备130可以包括多个采集策略，其中每个采集策略对应于相应的车辆110所处的场景(例如不同天气、不同路况、不同驾驶场景等)。

计算设备130可以在服务器端配置多个采集策略的列表，使用无线网络通过T-box发送至车辆110。然后车辆110可以离线地根据该采集策略的列表中的各个采集策略140在不同场景下自动执行数据120的采集。计算设备130也可以在线实时地将采集策略发送给车辆110以进行数据120的采集，本公开在此不做限制。

在一些实施例中，车辆110可以通过其自身的传感器获取车辆110所处物理环境的图像或者视频作为数据120。例如在诸如L3级自动驾驶的场景中，可以经由一个前向广角摄像头和四个鱼眼摄像头采集图像或者视频。图像或者视频也可以是通过任何适当的方式获取的。车辆110还可以经由传感器获取车身状态数据，例如刹车、油门的控制情况、方向盘转角、雨刷器档位等作为数据120。

备选地，在一些实施例中，车辆110还可以经由智能交通系统中的其他设备获取图像作为数据120。例如，车辆110可以与车辆周围的路侧相机通信以获取包括车辆110自身的图像和视频作为数据120，或者通过与智能信号灯的通信来获取信号灯的状态作为数据120。

计算设备130可以从车辆110获取所采集的数据120。在一些实施例中，计算设备130可以实时地从车辆110获取数据120。例如，当车辆110不具备大容量存储硬盘，对数据120采集后默认实时上传至云端进行存储。在数据上传或城中可以通过加密SDK技术对数据进行加密处理，并以断点续传形式进行数据传输。还可以通过其他合适的方式进行数据120的传输，本公开在此不做限制。

备选地，在一些实施例中，当车辆110采集数据时网络环境不佳或存在其他传输限制时，车辆110可以首先将所采数据写入eMMC中执行数据缓存。待满足上传条件时，车辆110按数据优先级和时间先后顺序依次上传缓存数据。完成上传的缓存数据即刻擦除，以腾出空间供后续任务使用。

计算设备130可以利用所获取的数据120来生成自动驾驶模型150。计算设备130还可以对自动驾驶模型150进行测试，并且根据测试结果来更新采集策略140。这将在下文结合图2至图3进行详细描述。

图2示出了根据本公开的一些实施例的用于自动驾驶的过程200的示例的流程图。过程200可以由计算设备130来实现。

在210，计算设备130获取与车辆110的参数和外部环境相关联的数据120。如上所述的，数据120由车辆110根据用于目标场景的采集策略140而被采集。采集策略130可以包括如下中的至少一项：引起数据被采集的采集触发条件、采集数据的传感器的类型、采集数据的持续时间、采集数据的频率和采集数据的优先级。

在一些实施例中，目标场景可以为下雨场景。用于该下雨场景的采集策略140可以包括：采集触发条件为雨刷器开启10秒以上；采用超声波传感器(测距)、带有鱼眼镜头的传感器(采集图像)以及记录油门刹车状态的传感器(车辆自身参数)；采集时间为直到雨刷器停止10s以上，采集频率为10Hz；采集数据的优先级为雨天数据采集任务的优先级高于例如高速场景的数据采集任务。则当雨刷器开启10s以上时，用于下雨场景的采集策略140被触发，从而数据120根据该采集策略140被采集。随后，计算设备110可以根据如上所述的实时地或者稍后从车辆110获取车辆110的油门刹车状态和外部图像和距离信息作为数据120。上述采集数据的优先级仅仅是示例性的，如果用于不同的目标场景的多个采集策略被触发，则可以仅执行其中优先级最高的采集任务。也可以执行其中优先级较高的前几个采集任务，本公开在此不做限制。

备选地，在一些实施例中，目标场景可以为高速场景。用于该高速场景的采集策略140可以包括：采集触发条件为10秒内的平均速度大于100km/h；采用超声波传感器(测距)、带有鱼眼镜头的传感器(采集图像)以及惯性传感器IMU(车辆自身参数)；采集时间为直到10秒内的平均速度小于80km/h，采集频率20Hz。

上述目标场景和采集策略仅仅是示例性的，其中目标场景包括但不限于雨天场景、泊车场景、换道场景、跟驰场景、城市场景、农村场景、山地场景和高速场景等。也可以创建混合的场景，例如雨天高速场景等。还可以根据后续训练模型需要、故障分析和用户需求设置不同的采集策略，本公开在此不做限制。

请注意，上述数字仅仅是示例性的，可以针对目标场景和模型需要设置不同的数字，本公开在此不做限制。

在220，计算设备130基于所获取的数据120，生成用于目标场景的自动驾驶模型150。例如，计算设备130根据要生成的模型来选择相关联的数据120，然后通过该数据120训练模型来获取自动驾驶模型150。

在一个示例中，上述数据120在被采集时，已经被分类(或打上标签)，例如标签为其目标场景，例如雨天场景、泊车场景、换道场景、跟驰场景、城市场景和高速场景等。

在一些实施例中，在计算设备130获取该带标签的数据120后，可以通过合适的算法对所采集的图片、视频、声音数据进行特征分析以对其进行再分类(使其具有附加的标签)。备选地，在一些实施例中，可以通过人工再对数据进行再分类。由此，不同的数据120可以具有不同的标签，也即数据120被分类，这便于数据120的后续查询和使用。

附加地或者备选地，计算设备140还可以将数据120分类为未处理、有效、无效三种类型。其中未处理是指数据120未被清洗或者标注。有效是指数据120经过清洗和标注。无效是指数据的类型、质量等未达到相应的要求。上述清洗和标注可以由人工或者机器执行，本公开在此不做限制。其中，数据标注可以是通过基于Web方式的点/线标注、图像分类、对象检测框、图像语义分割、视频标注、3D立方体标注、点云数据注释等标注工具而被完成。例如，可以由标注人员在界面内通过上述各种标注工具来进行，而不允许标注人员进行任何形式的数据下载。这实现了对数据的隐私性的保护。这仅仅是示例性的，还可以通过现有的或者将来开发的各种模型和算法实现对数据的标注，本公开不旨在限制。

数据120可以是包括如下中的至少一项：手动驾驶数据、自动驾驶数据、场地测试数据、真实道路数据和交通事故数据。由于场地测试数据量有限且测试环境与真实路段的偏差性，通过在用户签订协议的情况下使用海量用户的真实道路数据可以进一步提升后续模型训练的准确性。

为了生成自动驾驶模型150，计算设备130可以首先从数据120中确定训练数据。然后获取与训练数据相对应的第一标注数据。最后利用第一标注数据来训练预先构建的初始模型，以获得自动驾驶模型150。

在一个实施例中，计算设备130可以首先确定要生成的自动驾驶模型150的类型，例如雨天辅助行驶模型。然后从数据120中获取标签为雨天的数据作为训练数据。接着，计算设备130可以例如通过上述有效分类的标签来获取该训练数据的第一标注数据。计算设备130然后选取合适的初始模型，初始训练模型包括但不限于支持向量机(SVM)模型，贝叶斯模型，随机森林模型，各种深度学习/神经网络模型，诸如卷积神经网络(CNN)、循环神经网络(RNN)等。最后计算设备130通过上述训练数据、第一标注数据和预先构建的初始训练模型来获取用于雨天辅助行驶的自动驾驶模型。计算设备130还可以将模型状态、收敛程度等信息在实时日志结果中呈现，以供研发人员把控训练进度。

备选地，在一些实施例中，计算设备130还可以利用其他途径获取的数据来训练模型或者使用上述数据120来完善相应的自动驾驶模型，本公开在此不做限制。

附加地或者备选地，上述数据120还可以被检索和分析，以用于故障诊断、以及保险、售后等多方对事故场景回传数据评估后的责任认定。计算设备130可以根据筛选项检索并下载到所需的数据后，对其中鱼眼图片、广角图片进行连续帧播放以实现可视化的人工查阅。同时辅以日志文件，定位至具体时点车端记录的事件、故障码等状态数据，为查阅需求提供更多信息。

在230，计算设备130通过对自动驾驶模型进行测试，更新采集策略。将结合图3进一步描述该匹配过程。图3示出了根据本公开的一些实施例的更新采集策略的过程300的示例的流程图。

在310，计算设备130从数据中确定测试数据。测试数据不同于训练数据。例如，计算设备130可以根据待测试的自动驾驶模型150所涉及的使用场景，根据标签从数据120中确定测试数据。该测试数据与上述训练该自动驾驶模型150所使用的训练数据不同。

在一些实施例中，可以将所选取的数据120中的一部分作为训练数据，将剩下的数据作为测试数据。备选地，在一些实施例中，还可以从外部获取其他数据作为测试数据，本公开在此不做限制。

在320，计算设备130获取与测试数据相对应的第二标注数据。例如，计算设备130可以例如通过上述有效分类的标签来获取该测试数据的第二标注数据。对于从外部获取的测试数据，计算设备130可以对其进行标注来获取第二标注数据。

在330，计算设备130基于第二标注数据，确定自动驾驶模型的测试结果。例如，在获取第二标注数据后，计算设备130可以对不同版本的自动驾驶模型150进行测试以得出分数作为结果。分数结果可以直观地指示不同领域、不同维度指标下的各版本模型表现情况。

在340，计算设备130基于测试结果，更新采集策略。例如，计算设备130可以根据模型的测试结果确定训练模型所需要的数据，从而将该类型的数据的采集策略加入到原始的采集策略中来更新采集策略。

在一些实施例中，计算设备130对用于雨天的自动驾驶模型进行测试后发现解测试结果分数偏低。并且计算设备130确定分数偏低是由于路面反光引起的。则计算设备130可以配置收集存在积水或者积雪的反光路面的图像数据，并且利用该配置信息来更新采集策略。随后，在收集完数据后，计算设备130可以利用该数据进一步训练模型以完善模型。

附加地或者备选地，计算设备130还可以根据用户的需求和研发人员对故障的分析来更新采集策略。

本公开提出用于自动驾驶的数据采集到应用的方法，将数据采集、数据存储和传输、数据分类管理、数据安全、数据清洗标注、数据训练、数据测试和问题反馈等环节进行整合。可以用户无感知的情况下，实现数据的自动采集，并且完成对数据的处理。根据最终模型的测试结果作为新一轮数据收集的需求，可以不断地改善模型的缺陷。由此，可以高效、系统、规范地进行数据收集和应用，提高研发效率，进而提升用户对产品的体验。

图4示出了根据本公开的实施例的用于自动驾驶的装置400的示意框图。如图4所示，装置400包括：数据获取模块410，被配置为获取与车辆的参数和外部环境相关联的数据，数据根据用于目标场景的采集策略而被采集；模型生成模块420，被配置为基于所获取的数据，生成用于目标场景的自动驾驶模型；以及第一策略更新模块430，被配置为通过对自动驾驶模型进行测试，更新采集策略。

在一些实施例中，模型生成模块420可以包括：第一数据确定模块，被配置为从数据中确定训练数据，第一标注数据获取模块，被配置为获取与训练数据相对应的第一标注数据；模型训练模块，被配置为利用第一标注数据来训练预先构建的初始模型，以获得自动驾驶模型。

在一些实施例中，第一策略更新模块430可以包括：第二数据确定模块，被配置为从数据中确定测试数据，测试数据不同于训练数据；第二标注数据获取模块，被配置为获取与测试数据相对应的第二标注数据；测试模块，被配置为基于第二标注数据，确定自动驾驶模型的测试结果；以及第二策略更新模块，被配置为块基于测试结果，更新采集策略。

在一些实施例中，其中采集策略包括如下中的至少一项：引起数据被采集的采集触发条件、采集数据的传感器的类型、采集数据的持续时间、采集数据的频率和采集数据的优先级。

在一些实施例中，其中数据包括如下中的至少一项：手动驾驶数据、自动驾驶数据、场地测试数据、真实道路数据和交通事故数据。

在一些实施例中，其中目标场景包括如下中的至少一项：雨天场景、泊车场景、换道场景、跟驰场景、城市场景、农村场景、山地场景和高速场景。

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，例如过程200和300。例如，在一些实施例中，过程200和300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过程200和300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)而被配置为执行过程200和300。

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，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)

1.一种用于自动驾驶的方法，包括：

获取与车辆的参数和外部环境相关联的数据，所述数据根据用于目标场景的采集策略而被采集；

基于所获取的所述数据，生成用于所述目标场景的自动驾驶模型；以及

通过对所述自动驾驶模型进行测试，更新所述采集策略。

2.根据权利要求1所述的方法，其中基于所获取的所述数据，生成用于所述目标场景的自动驾驶模型包括：

从所述数据中确定训练数据，

获取与所述训练数据相对应的第一标注数据；

利用所述第一标注数据来训练预先构建的初始模型，以获得所述自动驾驶模型。

3.根据权利要求2所述的方法，其中通过对所述自动驾驶模型进行测试，更新所述采集策略包括：

从所述数据中确定测试数据，所述测试数据不同于所述训练数据；

获取与所述测试数据相对应的第二标注数据；

基于所述第二标注数据，确定所述自动驾驶模型的测试结果；以及

基于所述测试结果，更新所述采集策略。

4.根据权利要求1至3中任一项所述的方法，其中采集策略包括如下中的至少一项：引起所述数据被采集的采集触发条件、采集所述数据的传感器的类型、采集所述数据的持续时间、采集所述数据的频率和采集所述数据的优先级。

5.根据权利要求1至3中任一项所述的方法，其中所述数据包括如下中的至少一项：手动驾驶数据、自动驾驶数据、场地测试数据、真实道路数据和交通事故数据。

6.根据权利要求1至3中任一项所述的方法，其中所述目标场景包括如下中的至少一项：雨天场景、泊车场景、换道场景、跟驰场景、城市场景、农村场景、山地场景和高速场景。

7.一种用于自动驾驶的装置，包括：

数据获取模块，被配置为获取与车辆的参数和外部环境相关联的数据，所述数据根据用于目标场景的采集策略而被采集；

模型生成模块，被配置为基于所获取的所述数据，生成用于所述目标场景的自动驾驶模型；以及

第一策略更新模块，被配置为通过对所述自动驾驶模型进行测试，更新所述采集策略。

8.根据权利要求7所述的装置，其中所述模型生成模块包括：

第一数据确定模块，被配置为从所述数据中确定训练数据，

第一标注数据获取模块，被配置为获取与所述训练数据相对应的第一标注数据；

模型训练模块，被配置为利用所述第一标注数据来训练预先构建的初始模型，以获得所述自动驾驶模型。

9.根据权利要求8所述的装置，其中所述第一策略更新模块包括：

第二数据确定模块，被配置为从所述数据中确定测试数据，所述测试数据不同于所述训练数据；

第二标注数据获取模块，被配置为获取与所述测试数据相对应的第二标注数据；

测试模块，被配置为基于所述第二标注数据，确定所述自动驾驶模型的测试结果；以及

第二策略更新模块，被配置为块基于所述测试结果，更新所述采集策略。

10.根据权利要求7至9中任一项所述的装置，其中采集策略包括如下中的至少一项：引起所述数据被采集的采集触发条件、采集所述数据的传感器的类型、采集所述数据的持续时间、采集所述数据的频率和采集所述数据的优先级。

11.根据权利要求7至9中任一项所述的装置，其中所述数据包括如下中的至少一项：手动驾驶数据、自动驾驶数据、场地测试数据、真实道路数据和交通事故数据。

12.根据权利要求7至9中任一项所述的装置，其中所述目标场景包括如下中的至少一项：雨天场景、泊车场景、换道场景、跟驰场景、城市场景、农村场景、山地场景和高速场景。

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。

Images