CN114721692A - 自动驾驶模型的升级系统、方法及装置 - Google Patents
自动驾驶模型的升级系统、方法及装置 Download PDFInfo
- Publication number
- CN114721692A CN114721692A CN202210485708.5A CN202210485708A CN114721692A CN 114721692 A CN114721692 A CN 114721692A CN 202210485708 A CN202210485708 A CN 202210485708A CN 114721692 A CN114721692 A CN 114721692A
- Authority
- CN
- China
- Prior art keywords
- model
- automatic driving
- upgrading
- sensor data
- time period
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000002159 abnormal effect Effects 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 16
- 230000004044 response Effects 0.000 claims abstract description 7
- 230000005856 abnormality Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 abstract description 17
- 230000001960 triggered effect Effects 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Stored Programmes (AREA)
Abstract
本公开提供了自动驾驶模型的升级系统、方法及装置，涉及计算机技术领域，尤其涉及自动驾驶、智能交通技术领域。具体实现方案为：响应于接收到自动驾驶异常消息，创建模型升级任务，下发至由空闲智能车辆构成的车辆群组，模型升级任务由多个子任务构成，以使空闲智能车辆分别对模型升级任务包含的不同子任务进行处理；汇总各个子任务的处理结果，基于汇总结果确定升级后的自动驾驶模型。可见，当出现自动驾驶异常时即可触发自动驾驶模型的训练升级，并且将模型升级任务由云端迁移到空闲的智能车辆，多个空闲智能车辆利用空闲算力对不同子任务进行并行处理，极大提高模型升级速度，从而及时高效的提高自动驾驶性能以及自动驾驶安全性。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及自动驾驶、智能交通技术领域。
背景技术
目前，在自动驾驶领域，基于深度学习的模型在感知与决策部分承担非常重要的职责，直接影响自动驾驶的整体体验。
发明内容
本公开提供了一种自动驾驶模型的升级系统、方法及装置。
根据本公开的第一方面，提供了一种自动驾驶模型的升级系统，包括：云服务器、多个智能车辆，其中，所述智能车辆配置有自动驾驶模型；
所述云服务器用于，响应于接收到来自任一所述智能车辆的自动驾驶异常消息，创建针对所述自动驾驶模型的模型升级任务，并将所述模型升级任务下发至由多个空闲智能车辆构成的车辆群组，所述模型升级任务由多个子任务构成；
所述空闲智能车辆，用于分别对所述模型升级任务包含的不同子任务进行处理；
所述云服务器还用于，汇总各个所述子任务的处理结果，基于汇总结果确定升级后的自动驾驶模型。
根据本公开的第二方面，提供了一种自动驾驶模型的升级方法，应用于升级系统的云服务器，所述升级系统还包括多个智能车辆，其中，所述智能车辆配置有自动驾驶模型，所述方法包括：
响应于接收到来自任一所述智能车辆的自动驾驶异常消息，创建针对所述自动驾驶模型的模型升级任务，并将所述模型升级任务下发至由多个空闲智能车辆构成的车辆群组，所述模型升级任务由多个子任务构成，以使所述空闲智能车辆分别对所述模型升级任务包含的不同子任务进行处理；
汇总各个所述子任务的处理结果，基于汇总结果确定升级后的自动驾驶模型。
根据本公开的第三方面，提供了一种自动驾驶模型的升级装置，所述装置包括：
任务创建模块，用于响应于接收到来自任一所述智能车辆的自动驾驶异常消息，创建针对所述自动驾驶模型的模型升级任务，并将所述模型升级任务下发至由多个空闲智能车辆构成的车辆群组，所述模型升级任务由多个子任务构成，以使所述空闲智能车辆分别对所述模型升级任务包含的不同子任务进行处理；
汇总模块，用于汇总各个所述子任务的处理结果，基于汇总结果确定升级后的自动驾驶模型。
根据本公开的第四方面，提供了一种电子设备，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自动驾驶模型的升级方法。
根据本公开的第五方面，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自动驾驶模型的升级方法。
根据本公开的第六方面，提供了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自动驾驶模型的升级方法。
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为本公开实施例提供的自动驾驶模型的升级系统的一种结构示意图；
图2为本公开实施例提供的车辆群组的一种示意图；
图3为本公开实施例提供的车辆群组内部子任务分发的一种示意图；
图4为本公开实施例提供的升级自动驾驶模型的一种示意图；
图5为本公开实施例提供的升级和部署自动驾驶模型的一种示意图；
图6为本公开实施例提供的自动驾驶模型的升级方法的一种流程示意图；
图7是用来实现本公开实施例的自动驾驶模型的升级装置的框图；
图8为本公开实施例提供的电子设备的框图。
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。
目前，在自动驾驶领域，基于深度学习的模型在感知与决策部分承担非常重要的职责，直接影响自动驾驶的整体体验。
相关技术中，在云端进行自动驾驶模型的训练，然后将训练完成的模型部署至智能车辆，从而在自动驾驶过程中，智能车辆的传感器实时采集数据，采集的数据作为模型的输入，模型的输出用于控制智能车辆进行自动驾驶。
然而，训练完成的模型仍然可能不够成熟，导致智能车辆在自动驾驶过程中出现各类异常状况，由于自动驾驶模型在云端的训练需要人工操作来触发，因此，如果出现异常状况，需要等待下一次人工操作来触发模型的升级，那么在下一次人工操作触发模型升级之前，所有的智能车辆仍然会使用不成熟的模型进行自动驾驶，会导致一定的安全隐患。
可见，相关技术中，无法及时高效的升级不成熟的自动驾驶模型，导致智能车辆的自动驾驶性能较差且存在一定的安全隐患。
为了解决上述技术问题，本公开提供了一种自动驾驶模型的升级系统、方法及装置。
本公开的一个实施例中，提供了一种自动驾驶模型的升级系统，包括：云服务器、多个智能车辆，其中，智能车辆配置有自动驾驶模型；
所述云服务器用于，响应于接收到来自任一所述智能车辆的自动驾驶异常消息，创建针对所述自动驾驶模型的模型升级任务，并将所述模型升级任务下发至由多个空闲智能车辆构成的车辆群组，所述模型升级任务由多个子任务构成；
所述空闲智能车辆用于，分别对所述模型升级任务包含的不同子任务进行处理；
所述云服务器还用于，汇总各个所述子任务的处理结果，基于汇总结果确定升级后的自动驾驶模型。
本公开实施例中，当云服务器接收到任一智能车辆发送的自动驾驶异常消息，自动创建模型升级任务，并将模型升级任务下发至空闲智能车辆构成的车辆群组，从而借用空闲智能车辆的空闲算力处理模型升级任务包含的各个子任务，再汇总各个子任务的处理结果，确定升级后的自动驾驶模型。
可见，自动驾驶模型的升级不需要人工来触发，当出现自动驾驶异常时即可触发自动驾驶模型的训练升级，以实现随时随地升级不成熟的自动驾驶模型，并且，将模型升级任务由云端迁移到空闲的智能车辆，多个空闲智能车辆利用空闲算力对不同子任务进行并行处理，能够极大的提高模型升级速度，实现快速优化模型，无需等待人工操作来触发模型升级，从而及时高效的提高自动驾驶性能以及自动驾驶安全性。
下面对本公开实施例提供的自动驾驶模型的升级系统进行详细介绍。
参见图1，图1为本公开实施例提供的自动驾驶模型的升级系统的一种结构示意图。本公开实施例提供的自动驾驶模型的升级系统包括：云服务器和多个智能车辆，智能车辆配置有自动驾驶模型。
本领域技术人员能够理解，自动驾驶模型是经过预先训练的，用于控制智能车辆自动驾驶。然而，即使经过预先训练，在实际应用中，部署在智能车辆的自动驾驶模型仍然可能是不成熟的，可能导致各类异常情况的发生。
本公开实施例提供的自动驾驶模型的升级系统中，智能车辆可以是预先在云服务器完成注册的车辆，智能车辆与云服务器之间可以通过无线通信连接。
如果智能车辆在自动驾驶过程中出现异常状况，可以向云服务器发送自动驾驶异常消息。举例来讲，异常状况可以包括：障碍物规避失灵、出现异常碰撞、出现人工介入等，人工介入可以包括：人工进行方向盘转动或人工刹车等。
云服务器接收到智能车辆发送的自动驾驶异常消息，即可得知智能车辆在自动驾驶过程中出现异常状况，表示智能车辆配置的自动驾驶模型可能是不成熟的，在这种情况下，云服务器即刻创建针对自动驾驶模型的模型升级任务。
创建模型升级任务的过程中，需要获取用于训练自动驾驶模型的样本数据，该样本数据可以预先采集或从公开的自动驾驶样本数据库中获取。
其中，模型升级任务由多个子任务构成。
本公开实施例中，可以将用于训练自动驾驶模型的样本数据拆分为若干份，每份样本数据对应一个子任务。作为一个示例，为了升级某个自动驾驶模型，获取的样本数据为M张图像，若子任务的数目为N，可以将M张图像拆分为N份，每一份样本图像对应一个子任务，相应的，每个子任务即为：使用对应的M/N张图像，训练上述自动驾驶模型。
其中，将一个模型训练任务拆分为多个子任务的方式并不限于此，因此上述方式仅作为一个示例，并不对本公开构成限定。
本公开实施例中，智能车辆的状态可以包括行驶状态和空闲状态，每当智能车辆的状态变更，可以通知云服务器，从而，云服务器可以实时获取各个智能车辆的状态。
此外，智能车辆还可以感知自身预设范围内的其他智能车辆，进而可以创建包含多个空闲智能车辆的车辆群组。
作为一个示例，空闲智能车辆A感知5km之内的其他智能车辆，感知到10辆智能车辆，其中5辆智能车辆的状态为空闲，则空闲智能车辆A可以创建一个车辆群组，包括自身以及其他5辆空闲状态的智能车辆，并将所创建的车辆群组的信息上报至云服务器，车辆群组的信息可以包括车辆群组内空闲智能车辆的标识号和空闲智能车辆的数目等。
参见图2，图2为本公开实施例提供的车辆群组的一种示意图，如图2所示，车辆群组可以有多个，云服务器可以实时获取各个车辆群组的信息。
云服务器可以将模型升级任务下发至车辆群组，车辆群组内的空闲智能车辆分别对模型升级任务包含的不同子任务进行处理。
作为一个示例，参见图3，图3为本公开实施例提供的车辆群组内部子任务分发的一种示意图，如图3所示，车辆群组中包含一个目标车辆，该目标车辆可以是创建该车辆群组的空闲智能车辆，该目标车辆负责与云服务器进行通信。也就是说，云服务器将包含多个子任务的模型升级任务下发到目标车辆，目标车辆进行组内的子任务分发，随后目标车辆获取各个子任务的处理结果并反馈至云服务器。
作为另一个示例，云服务器可以直接对接车辆群组中的每个空闲智能车辆，将各个子任务分别下发到车辆群组内不同的空闲智能车辆，随后收集各个子任务的处理结果。
随后，云服务器汇总各个子任务的处理结果，即可完成模型升级任务，确定升级后的自动驾驶模型。
作为一个示例，模型升级所需的样本数据被拆分为若干份子样本数据，每份子样本数据对应一个子任务，子任务是根据对应的子样本数据对自动驾驶模型进行训练，那么各个子任务的处理结果都包含自动驾驶模型中模型参数值或模型参数的调整量，进而云服务器汇总各个子任务的处理结果，进行平均处理，即可确定最终的模型参数值或模型参数的调整量，得到升级后的自动驾驶模型。
可见，本公开实施例中，自动驾驶模型的升级不需要人工来触发，当出现自动驾驶异常时即可触发自动驾驶模型的训练升级，以实现随时随地升级不成熟的自动驾驶模型；并且，将模型升级任务由云端迁移到空闲的智能车辆，多个空闲智能车辆利用空闲算力对不同子任务进行并行处理，能够极大的提高模型升级速度，实现快速优化模型，无需等待人工操作来触发模型升级，从而及时高效的提高自动驾驶性能以及自动驾驶安全性。
本公开的一个实施例中，自动驾驶异常消息包括：预设时段内采集的各类传感器数据，预设时段包括自动驾驶出现异常的时段。
具体的，智能车辆在自动驾驶过程中，通过搭载的各类传感器采集数据，数据的类型包括图像、视频等。如果自动驾驶出现异常，智能车辆向云服务器发送自动驾驶异常消息，自动驾驶异常消息中可以携带预设时段内各类传感器数据，预设时段包括自动驾驶出现异常的时段。
相应的，云服务器可以将上述预设时段内各类传感器数据作为样本数据，创建针对自动驾驶模型的模型升级任务。
作为一个示例，智能车辆在自动驾驶过程中，在时刻12:10出现异常碰撞，该智能车辆可以将12:00-12:10时段收集的各类传感器数据打包、加密并发送至云服务器，该时段的各类传感器数据能够反映出现异常时智能车辆所在的路况或场景的信息，有可能是较为特殊的场景，例如盘山公路场景等。
以该时段的各类传感器数据作为样本数据，能够针对特定的路况或场景进行针对性训练，更有助于提升自动驾驶模型的性能。
可见，本公开实施例中，将预设时段内采集的各类传感器数据作为样本数据，训练自动驾驶模型，其中预设时段包括自动驾驶出现异常的时段，从而对出现异常状态时智能车辆所处的场景进行针对性训练，能够针对适用性较差的场景进行模型升级，有助于提升在适用性较差的场景下自动驾驶的性能。
本公开的一个实施例中，自动驾驶模型可以包括多个自动驾驶子模型，自动驾驶异常消息可以包括：自动驾驶异常类型和预设时段内采集的各类传感器数据，预设时段包含自动驾驶出现异常的时段。
相应的，创建针对自动驾驶模型的模型升级任务的步骤，具体可以包括：
根据自动驾驶异常类型确定待升级的自动驾驶子模型，作为目标子模型；根据预设的数据分拣规则，从各类传感器数据中选取目标传感器数据，并将目标传感器数据作为样本数据，创建针对目标子模型的模型升级任务；其中，数据分拣规则用于表征升级各个自动驾驶子模型所需要的传感器数据的类型。
本公开实施例中，自动驾驶模型可以包括多个自动驾驶子模型，也就是说，智能车辆内置的深度学习模型可以有多个，各个深度学习模型在自动驾驶中所起的作用也有所不同。
举例来讲，智能车辆内置的自动驾驶子模型可以包括：障碍物规避模型、车道线识别模型、交通灯识别模型、警示牌识别模型、自动泊车模型和/或地锁控制模型等。
相应的，自动驾驶异常类型可以包括：障碍物规避异常、车道线识别异常、交通灯识别异常、警示牌识别异常、自动泊车异常和/或地锁控制异常等。
可见，根据自动驾驶异常类型即可确定需要升级的自动驾驶子模型。作为一个示例，自动驾驶过程中出现障碍物规避异常，可以确定障碍物规避模型是需要升级的模型，记为目标子模型。
由于训练不同的自动驾驶子模型所需要的传感器数据的类型可能不同，因此可以预先设置数据分拣规则，数据分拣规则用于表征升级各个自动驾驶子模型所需要的传感器数据的类型。
其中，传感器数据可以包括：2D鱼眼数据、环视摄像机数据、可行驶区域(freespace)数据、超声波传感器数据和/或红外线传感器数据等。
作为一个示例，参见图4，图4为本公开实施例提供的升级自动驾驶模型的一种示意图，如图4所示，云服务器确定模型升级任务队列，根据数据分拣规则从各类传感器数据中分拣数据，其中，分拣的数据可以包括：2D鱼眼数据、环视摄像机数据、可行驶区域freespace数据、超声波传感器数据和/或红外线传感器数据等，将分拣的目标传感器数据发送至车辆群组，车辆群组根据目标传感器数据训练升级自动驾驶模型，随后将处理结果上报至云服务器。
可见，本公开实施例中，根据自动驾驶异常类型确定需要升级的目标子模型，然后从各类传感器数据中分拣出用于训练目标子模型的目标传感器数据，能够减少数据传输量，进一步提高升级自动驾驶模型的效率。
本公开的一个实施例中，云服务器确定升级后的自动驾驶模型之后，可以将升级后的自动驾驶模型下发到智能车辆。
作为一个示例，云服务器可以通过OTA(Over-the-Air Technology，空中下载技术)升级的方式，将升级后的自动驾驶模型下发到智能车辆。
参见图5，图5为本公开实施例提供的升级和部署自动驾驶模型的一种示意图，如图5所示，云服务器向车辆群组下发模型升级任务，车辆群组处理后上报处理结果，随后云服务器向所有智能车辆部署升级后的自动驾驶模型。
可见，本公开实施例中，在借用空闲智能车辆的空闲算力进行模型升级后，云服务器将升级后的自动驾驶模型下发到智能车辆，从而，智能车辆部署的自动驾驶模型能够快速高效的更新，以替代不成熟的自动驾驶模型，及时高效的提高自动驾驶性能以及自动驾驶安全性。
参见图6，图6为本公开实施例提供的自动驾驶模型的升级方法的一种流程示意图，方法应用于升级系统的云服务器，升级系统还包括多个智能车辆，其中，智能车辆配置有自动驾驶模型，方法包括以下步骤：
S601：响应于接收到来自任一智能车辆的自动驾驶异常消息，创建针对自动驾驶模型的模型升级任务，并将模型升级任务下发至由多个空闲智能车辆构成的车辆群组，模型升级任务由多个子任务构成，以使空闲智能车辆分别对模型升级任务包含的不同子任务进行处理。
S602：汇总各个子任务的处理结果，基于汇总结果确定升级后的自动驾驶模型。
本公开实施例中，当云服务器接收到任一智能车辆发送的自动驾驶异常消息，自动创建模型升级任务，并将模型升级任务下发至空闲智能车辆构成的车辆群组，从而借用空闲智能车辆的空闲算力处理模型升级任务包含的各个子任务，再汇总各个子任务的处理结果，确定升级后的自动驾驶模型。
可见，自动驾驶模型的升级不需要人工来触发，当出现自动驾驶异常时即可触发自动驾驶模型的训练升级，以实现随时随地升级不成熟的自动驾驶模型，并且，将模型升级任务由云端迁移到空闲的智能车辆，多个空闲智能车辆利用空闲算力对不同子任务进行并行处理，能够极大的提高模型升级速度，实现快速优化模型，无需等待人工操作来触发模型升级，从而及时高效的提高自动驾驶性能以及自动驾驶安全性。
本公开的一个实施例中，自动驾驶异常消息包括：预设时段内采集的各类传感器数据；预设时段包括自动驾驶出现异常的时段；
创建针对自动驾驶模型的模型升级任务的步骤，包括：
将各类传感器数据作为样本数据，创建针对自动驾驶模型的模型升级任务。
可见，本公开实施例中，将预设时段内采集的各类传感器数据作为样本数据，训练自动驾驶模型，其中预设时段包括自动驾驶出现异常的时段，从而对出现异常状态时智能车辆所处的场景进行针对性训练，能够针对适用性较差的场景进行模型升级，有助于提升在适用性较差的场景下自动驾驶的性能。
本公开的一个实施例中，自动驾驶模型包括：多个自动驾驶子模型；自动驾驶异常消息包括：自动驾驶异常类型和预设时段内采集的各类传感器数据；预设时段包含自动驾驶出现异常的时段；
创建针对自动驾驶模型的模型升级任务的步骤，包括：
根据自动驾驶异常类型确定待升级的自动驾驶子模型，作为目标子模型；
根据预设的数据分拣规则，从各类传感器数据中选取目标传感器数据，并将目标传感器数据作为样本数据，创建针对目标子模型的模型升级任务；其中，数据分拣规则用于表征升级各个自动驾驶子模型所需要的传感器数据的类型。
可见，本公开实施例中，根据自动驾驶异常类型确定需要升级的目标子模型，然后从各类传感器数据中分拣出用于训练目标子模型的目标传感器数据，能够减少数据传输量，进一步提高升级自动驾驶模型的效率。
本公开的一个实施例中，云服务器确定升级后的自动驾驶模型之后，还包括：将升级后的自动驾驶模型下发到智能车辆。
可见，本公开实施例中，在借用空闲智能车辆的空闲算力进行模型升级后，云服务器将升级后的自动驾驶模型下发到智能车辆，从而，智能车辆部署的自动驾驶模型能够快速高效的更新，以替代不成熟的自动驾驶模型，及时高效的提高自动驾驶性能以及自动驾驶安全性。
参见图7，图7是用来实现本公开实施例的自动驾驶模型的升级装置的框图，包括以下模块：
任务创建模块701，用于响应于接收到来自任一智能车辆的自动驾驶异常消息，创建针对自动驾驶模型的模型升级任务，并将模型升级任务下发至由多个空闲智能车辆构成的车辆群组，模型升级任务由多个子任务构成，以使空闲智能车辆分别对模型升级任务包含的不同子任务进行处理；
汇总模块702，用于汇总各个子任务的处理结果，基于汇总结果确定升级后的自动驾驶模型。
可见，自动驾驶模型的升级不需要人工来触发，当出现自动驾驶异常时即可触发自动驾驶模型的训练升级，以实现随时随地升级不成熟的自动驾驶模型，并且，将模型升级任务由云端迁移到空闲的智能车辆，多个空闲智能车辆利用空闲算力对不同子任务进行并行处理，能够极大的提高模型升级速度，实现快速优化模型，无需等待人工操作来触发模型升级，从而及时高效的提高自动驾驶性能以及自动驾驶安全性。
本公开的一个实施例中，自动驾驶异常消息包括：预设时段内采集的各类传感器数据；预设时段包括自动驾驶出现异常的时段；
任务创建模块，具体用于：
将各类传感器数据作为样本数据，创建针对自动驾驶模型的模型升级任务。
可见，本公开实施例中，将预设时段内采集的各类传感器数据作为样本数据，训练自动驾驶模型，其中预设时段包括自动驾驶出现异常的时段，从而对出现异常状态时智能车辆所处的场景进行针对性训练，能够针对适用性较差的场景进行模型升级，有助于提升在适用性较差的场景下自动驾驶的性能。
本公开的一个实施例中，自动驾驶模型包括：多个自动驾驶子模型；自动驾驶异常消息包括：自动驾驶异常类型和预设时段内采集的各类传感器数据；预设时段包含自动驾驶出现异常的时段；
任务创建模块，具体用于：
根据自动驾驶异常类型确定待升级的自动驾驶子模型，作为目标子模型；
根据预设的数据分拣规则，从各类传感器数据中选取目标传感器数据，并将目标传感器数据作为样本数据，创建针对目标子模型的模型升级任务；其中，数据分拣规则用于表征升级各个自动驾驶子模型所需要的传感器数据的类型。
可见，本公开实施例中，根据自动驾驶异常类型确定需要升级的目标子模型，然后从各类传感器数据中分拣出用于训练目标子模型的目标传感器数据，能够减少数据传输量，进一步提高升级自动驾驶模型的效率。
本公开的一个实施例中，还包括：
下发模块，用于将升级后的自动驾驶模型下发到智能车辆。
可见，本公开实施例中，在借用空闲智能车辆的空闲算力进行模型升级后，云服务器将升级后的自动驾驶模型下发到智能车辆，从而，智能车辆部署的自动驾驶模型能够快速高效的更新，以替代不成熟的自动驾驶模型，及时高效的提高自动驾驶性能以及自动驾驶安全性。
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。
本公开提供了一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行自动驾驶模型的升级方法。
本公开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，计算机指令用于使计算机执行自动驾驶模型的升级方法。
本公开提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现自动驾驶模型的升级方法。
图8示出了可以用来实施本公开的实施例的示例电子设备800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8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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801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801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801执行上文所描述的各个方法和处理，例如自动驾驶模型的升级方法。例如，在一些实施例中，自动驾驶模型的升级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808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的自动驾驶模型的升级方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行自动驾驶模型的升级方法。
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)、复杂可编程逻辑设备(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)
1.一种自动驾驶模型的升级系统，包括：云服务器、多个智能车辆，其中，所述智能车辆配置有自动驾驶模型；
所述云服务器用于，响应于接收到来自任一所述智能车辆的自动驾驶异常消息，创建针对所述自动驾驶模型的模型升级任务，并将所述模型升级任务下发至由多个空闲智能车辆构成的车辆群组，所述模型升级任务由多个子任务构成；
所述空闲智能车辆用于，分别对所述模型升级任务包含的不同子任务进行处理；
所述云服务器还用于，汇总各个所述子任务的处理结果，基于汇总结果确定升级后的自动驾驶模型。
2.根据权利要求1所述的系统，其中，所述自动驾驶异常消息包括：预设时段内采集的各类传感器数据；所述预设时段包括自动驾驶出现异常的时段；
所述创建针对所述自动驾驶模型的模型升级任务的步骤，包括：
将所述各类传感器数据作为样本数据，创建针对所述自动驾驶模型的模型升级任务。
3.根据权利要求1所述的系统，其中，所述自动驾驶模型包括：多个自动驾驶子模型；所述自动驾驶异常消息包括：自动驾驶异常类型和预设时段内采集的各类传感器数据；所述预设时段包含自动驾驶出现异常的时段；
所述创建针对所述自动驾驶模型的模型升级任务的步骤，包括：
根据所述自动驾驶异常类型确定待升级的自动驾驶子模型，作为目标子模型；
根据预设的数据分拣规则，从所述各类传感器数据中选取目标传感器数据，并将所述目标传感器数据作为样本数据，创建针对所述目标子模型的模型升级任务；其中，所述数据分拣规则用于表征升级各个自动驾驶子模型所需要的传感器数据的类型。
4.根据权利要求1所述的系统，所述云服务器还用于，
将升级后的自动驾驶模型下发到所述智能车辆。
5.一种自动驾驶模型的升级方法，应用于升级系统的云服务器，所述升级系统还包括多个智能车辆，其中，所述智能车辆配置有自动驾驶模型，所述方法包括：
响应于接收到来自任一所述智能车辆的自动驾驶异常消息，创建针对所述自动驾驶模型的模型升级任务，并将所述模型升级任务下发至由多个空闲智能车辆构成的车辆群组，所述模型升级任务由多个子任务构成，以使所述空闲智能车辆分别对所述模型升级任务包含的不同子任务进行处理；
汇总各个所述子任务的处理结果，基于汇总结果确定升级后的自动驾驶模型。
6.根据权利要求5所述的方法，其中，所述自动驾驶异常消息包括：预设时段内采集的各类传感器数据；所述预设时段包括自动驾驶出现异常的时段；
所述创建针对所述自动驾驶模型的模型升级任务的步骤，包括：
将所述各类传感器数据作为样本数据，创建针对所述自动驾驶模型的模型升级任务。
7.根据权利要求5所述的方法，其中，所述自动驾驶模型包括：多个自动驾驶子模型；所述自动驾驶异常消息包括：自动驾驶异常类型和预设时段内采集的各类传感器数据；所述预设时段包含自动驾驶出现异常的时段；
所述创建针对所述自动驾驶模型的模型升级任务的步骤，包括：
根据所述自动驾驶异常类型确定待升级的自动驾驶子模型，作为目标子模型；
根据预设的数据分拣规则，从所述各类传感器数据中选取目标传感器数据，并将所述目标传感器数据作为样本数据，创建针对所述目标子模型的模型升级任务；其中，所述数据分拣规则用于表征升级各个自动驾驶子模型所需要的传感器数据的类型。
8.根据权利要求5所述的方法，还包括：
将升级后的自动驾驶模型下发到所述智能车辆。
9.一种自动驾驶模型的升级装置，应用于升级系统的云服务器，所述升级系统还包括多个智能车辆，其中，所述智能车辆配置有自动驾驶模型，所述装置包括：
任务创建模块，用于响应于接收到来自任一所述智能车辆的自动驾驶异常消息，创建针对所述自动驾驶模型的模型升级任务，并将所述模型升级任务下发至由多个空闲智能车辆构成的车辆群组，所述模型升级任务由多个子任务构成，以使所述空闲智能车辆分别对所述模型升级任务包含的不同子任务进行处理；
汇总模块，用于汇总各个所述子任务的处理结果，基于汇总结果确定升级后的自动驾驶模型。
10.根据权利要求9所述的装置，其中，所述自动驾驶异常消息包括：预设时段内采集的各类传感器数据；所述预设时段包括自动驾驶出现异常的时段；
所述任务创建模块，具体用于：
将所述各类传感器数据作为样本数据，创建针对所述自动驾驶模型的模型升级任务。
11.根据权利要求9所述的装置，其中，所述自动驾驶模型包括：多个自动驾驶子模型；所述自动驾驶异常消息包括：自动驾驶异常类型和预设时段内采集的各类传感器数据；所述预设时段包含自动驾驶出现异常的时段；
所述任务创建模块，具体用于：
根据所述自动驾驶异常类型确定待升级的自动驾驶子模型，作为目标子模型；
根据预设的数据分拣规则，从所述各类传感器数据中选取目标传感器数据，并将所述目标传感器数据作为样本数据，创建针对所述目标子模型的模型升级任务；其中，所述数据分拣规则用于表征升级各个自动驾驶子模型所需要的传感器数据的类型。
12.根据权利要求9所述的装置，还包括：
下发模块，用于将升级后的自动驾驶模型下发到所述智能车辆。
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5-8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5-8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5-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210485708.5A CN114721692A (zh) | 2022-05-06 | 2022-05-06 | 自动驾驶模型的升级系统、方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210485708.5A CN114721692A (zh) | 2022-05-06 | 2022-05-06 | 自动驾驶模型的升级系统、方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114721692A true CN114721692A (zh) | 2022-07-08 |
Family
ID=82230311
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210485708.5A Withdrawn CN114721692A (zh) | 2022-05-06 | 2022-05-06 | 自动驾驶模型的升级系统、方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114721692A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115086382A (zh) * | 2022-08-03 | 2022-09-20 | 九识(苏州)智能科技有限公司 | 一种低速自动驾驶车辆分布式算力增强方法 |
-
2022
- 2022-05-06 CN CN202210485708.5A patent/CN114721692A/zh not_active Withdrawn
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115086382A (zh) * | 2022-08-03 | 2022-09-20 | 九识(苏州)智能科技有限公司 | 一种低速自动驾驶车辆分布式算力增强方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109109863B (zh) | 智能设备及其控制方法、装置 | |
| US20220035733A1 (en) | Method and apparatus for checking automatic driving algorithm, related device and storage medium | |
| JP2021152967A (ja) | 車両運転を支援する方法、装置、電子機器記憶媒体及びコンピュータプログラム製品 | |
| CN114120253A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
| CN113071476A (zh) | 自主泊车的方法、装置、设备及自动驾驶车辆 | |
| CN114661574A (zh) | 样本偏差数据的获取方法、装置和电子设备 | |
| CN111666714A (zh) | 自动驾驶仿真场景识别的方法及装置 | |
| CN113467875A (zh) | 训练方法、预测方法、装置、电子设备以及自动驾驶车辆 | |
| CN113129596A (zh) | 行驶数据处理方法、装置、设备、存储介质及程序产品 | |
| CN115221722A (zh) | 自动驾驶车辆的仿真测试方法、模型训练方法和设备 | |
| CN113911139B (zh) | 车辆控制方法、装置和电子设备 | |
| CN114333416A (zh) | 基于神经网络的车辆风险预警方法、设备及自动驾驶车辆 | |
| CN113391627A (zh) | 无人车驾驶模式切换方法、设备、车辆及云端服务器 | |
| CN113052047A (zh) | 交通事件的检测方法、路侧设备、云控平台及系统 | |
| CN113792106A (zh) | 道路的状态更新方法、装置、电子设备及存储介质 | |
| CN112991735A (zh) | 交通流量监测系统的测试方法、装置及设备 | |
| CN114721692A (zh) | 自动驾驶模型的升级系统、方法及装置 | |
| CN116142236A (zh) | 一种车辆控制方法、系统、电子设备及存储介质 | |
| CN115861953A (zh) | 场景编码模型的训练方法、轨迹规划方法及装置 | |
| CN115876183A (zh) | 电子地图的更新方法、设备以及自动驾驶车辆 | |
| CN114987494A (zh) | 驾驶场景处理方法、装置及电子设备 | |
| CN115782919A (zh) | 信息感知方法、装置及电子设备 | |
| CN114559958A (zh) | 一种脱困策略的确定方法、装置、电子设备及存储介质 | |
| JP2023021919A (ja) | 自動運転車両の制御方法、装置、電子機器及び読み取り可能な記憶媒体 | |
| CN114834453A (zh) | 数据处理方法、装置、车辆、设备和存储介质 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220708 |