CN115563184A - 一种自动驾驶应用数据的处理方法、装置、设备及介质 - Google Patents
一种自动驾驶应用数据的处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115563184A CN115563184A CN202211216947.7A CN202211216947A CN115563184A CN 115563184 A CN115563184 A CN 115563184A CN 202211216947 A CN202211216947 A CN 202211216947A CN 115563184 A CN115563184 A CN 115563184A
- Authority
- CN
- China
- Prior art keywords
- data
- normal
- original
- automatic driving
- database
- 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
Images
Classifications
-
- 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
- G06F16/2471—Distributed queries
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种自动驾驶应用数据的处理方法,其特征在于,方法包括:采集车辆行驶路程中的原始数据;根据预设的数据清洗规则获取正常的原始数据,记录为正常数据;存储原始数据和正常数据至原始数据库;提取原始数据库中的正常数据,预设车辆模块功能信息,将不同车辆模块功能信息关联的正常数据存储至不同的子数据库中,并记录为通用样本数据;在一子数据库中,根据预设的车辆模块种类信息,将不同种类的通用样本数据记录为不同的特有样本数据;对特有样本数据训练,生成自动驾驶应用数据的处理模型数据。本发明中可提高自动驾驶应用数据的处理效率,且兼顾准确性。
Description
技术领域
本申请涉及自动驾驶技术领域,具体涉及一种自动驾驶应用数据的处理方法、装置、设备及介质。
背景技术
数据闭环控制在自动驾驶领域已有一定应用,传统软件厂商通过工程师收集并分析用户使用过程中的异常数据,来解决传统软件设计上的缺陷和漏洞,从而优化产品提升用户体验。然而,当数据闭环系统涉及到的数据种类多、数量大,并且各功能模块使用数据管理和应用软件不同,虽然能解决数据应用环节的兼容性问题,但没有进行数据驱动算法的数据、样本管理。在面对功能架构更为复杂的自动驾驶系统时,无法满足数据快速调用的需求,存在待改进之处。
发明内容
鉴于以上所述现有技术的缺点,本发明提供一种,以解决上述技术问题。
本发明提供一种自动驾驶应用数据的处理方法,所述方法包括:
采集车辆行驶路程中的原始数据;
根据预设的数据清洗规则获取正常的原始数据,记录为正常数据;
存储所述原始数据和正常数据至原始数据库;
提取所述原始数据库中的所述正常数据,预设车辆模块功能信息,将不同所述车辆模块功能信息关联的所述正常数据存储至不同的子数据库中,并记录为通用样本数据;
在一所述子数据库中,根据预设的车辆模块种类信息,将不同种类的所述通用样本数据记录为不同的特有样本数据;
对所述特有样本数据训练,生成自动驾驶应用数据的处理模型数据。
在本发明一实施例中,所述采集车辆行驶路程中的原始数据的步骤之后,包括:
预设数据量阈值,比较所述原始数据的数据量与所述数据量阈值的大小;
当所述原始数据的数据量大于所述数据量阈值,将原始数据通过本地存储后上传至云服务器;
当所述原始数据的数据量小于等于所述数据量阈值,将原始数据通过实时传输上传至云服务器。
在本发明一实施例中,存储所述原始数据和正常数据至原始数据库时,维持所述原始数据和所述正常数据的数据内容和数据格式。
在本发明一实施例中,提取所述原始数据库中的所述正常数据,预设车辆模块功能信息,将不同所述车辆模块功能信息关联的所述正常数据存储至不同的子数据库中,改变所述正常数据的数据格格式,并记录为通用样本数据。
在本发明一实施例中,按照每一所述特有样本数据对应一算法,对所述特有样本数据训练,生成自动驾驶应用数据的处理模型。
在本发明一实施例中,所述对所述特有样本数据训练,生成自动驾驶应用数据的处理模型的步骤之后,包括:
将所述自动驾驶应用数据的处理模型应用于自动驾驶车辆,生成自动驾驶数据。
在本发明一实施例中,所述原始数据包括结构化数据和非结构化数据。
本发明还提出一种路况刷新装置,所述装置包括:
采集单元,用于采集车辆行驶路程中的原始数据;
记录单元,用于根据预设的数据清洗规则获取正常的原始数据,记录为正常数据;
存储单元,用于存储所述原始数据和正常数据至原始数据库;
提取单元,用于提取所述原始数据库中的所述正常数据,预设车辆模块功能信息,将不同所述车辆模块功能信息关联的所述正常数据存储至不同的子数据库中,并记录为通用样本数据;
保存单元,用于在一所述子数据库中,根据预设的车辆模块种类信息,将不同种类的所述通用样本数据记录为不同的特有样本数据;
生成单元,用于对所述特有样本数据训练,生成自动驾驶应用数据的处理模型数据。
本发明还可提出一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现如上述任一项所述的自动驾驶应用数据的处理方法。
本发明还可提出一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被计算机的处理器执行时,使计算机执行上述任一项所述的自动驾驶应用数据的处理方法。
本发明的有益效果:本发明中可提高自动驾驶应用数据的处理效率,且保证了自动驾驶应用数据处理的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术者来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本申请的一示例性实施例示出的自动驾驶应用数据的处理方法的应用环境示意图;
图2是本申请的一示例性实施例示出的自动驾驶应用数据的处理方法的流程图;
图3是图2所示实施例中的步骤S220在一示例性的实施例中的流程图;
图4是一示例性实施例示出的自动驾驶应用数据的处理方法的架构示意图;
图5是本申请的一示例性实施例示出的自动驾驶应用数据的处理装置的框图;
图6示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
以下将参照附图和优选实施例来说明本发明的实施方式,本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
在下文描述中,探讨了大量细节,以提供对本发明实施例的更透彻的解释,然而,对本领域技术人员来说,可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的,在其他实施例中,以方框图的形式而不是以细节的形式来示出公知的结构和设备,以避免使本发明的实施例难以理解。
首先需要说明的是,自动驾驶系统采用先进的通信、计算机、网络和控制技术,对列车实现实时、连续控制。采用现代通信手段,直接面对列车,可实现车地间的双向数据通信,传输速率快,信息量大,后续追踪列车和控制中心可以及时获知前行列车的确切位置,使得运行管理更加灵活,控制更为有效,更加适应列车自动驾驶的需求。自动驾驶系统是指列车驾驶员执行的工作完全自动化的、高度集中控制的列车运行系统。自动驾驶系统具备列车自动唤醒启动和休眠、自动出入停车场、自动清洗、自动行驶、自动停车、自动开关车门、故障自动恢复等功能,并具有常规运行、降级运行、运行中断等多种运行模式。实现全自动运营可以节省能源,优化系统能耗和速度的合理匹配。
图1是本申请的一示例性实施例示出的自动驾驶应用数据的处理方法的实施环境示意图。如图1所示,在一些实施例中,客户端的当前用户,可通过通信网络向服务端发送输入指令。服务端在接收到客户端的输入指令之后,可进行基于汽车平台的代码文件的生成。其中,图1所示的服务端可以是智能手机、车载电脑、平板电脑、笔记本电脑或者可穿戴设备等任意支持安装导航地图软件的终端设备,但并不限于此。图1所示的服务端是服务器,例如可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(ContentDeliveryNetwork,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器,在此也不进行限制。客户端可以通过3G(第三代的移动信息技术)、4G(第四代的移动信息技术)、5G(第五代的移动信息技术)等无线网络与服务端进行通信,本处也不对此进行限制。
在一些实施例中,数据闭环系统涉及到的数据种类多、数量大,并且各功能模块使用数据管理和应用软件不同,虽然能解决数据应用环节的兼容性问题,但没有进行数据驱动算法的数据、样本管理。在面对功能架构更为复杂的自动驾驶系统时,无法满足数据快速调用的需求,存在待改进之处。为解决这些问题,本申请的实施例分别提出一种自动驾驶应用数据的处理方法、一种自动驾驶应用数据的处理装置、一种电子设备、一种计算机可读存储介质以及一种计算机程序产品,以下将对这些实施例进行详细描述。
图2是本申请的一示例性实施例示出的自动驾驶应用数据的处理方法的实施环境示意图。在一些实施例中,该方法可以应用于图1所示的实施环境,并由该实施环境中的客户端具体执行。应理解的是,该方法也可以适用于其它的示例性实施环境,并由其它实施环境中的设备具体执行,本实施例不对该方法所适用的实施环境进行限制。
在一些实施例中,示例性的,本实施例揭示的基于汽车平台的代码文件的生成方法所适用的客户端中可以安装有SDK(SoftwareDevelopmentKit,软件开发工具包,是为特定的软件包、软件框架、操作系统等建立应用软件时的开发工具集合),而本实施例揭示的方法具体实现为该SDK对外提供的一项或多项功能。
请参阅图2,图2是本申请的一示例性实施例示出的目标追踪的处理方法的流程图。该方法可以应用于图1所示的实施环境,并由该实施环境中的智能终端具体执行。应理解的是,该方法也可以适用于其它的示例性实施环境,并由其它实施环境中的设备具体执行,本实施例不对该方法所适用的实施环境进行限制。
示例性的,本实施例揭示的自动驾驶应用数据的处理方法所适用的智能终端中可以安装有导航SDK(SoftwareDevelopmentKit,软件开发工具包,是为特定的软件包、软件框架、操作系统等建立应用软件时的开发工具集合),而本实施例揭示的方法具体实现为该导航SDK对外提供的一项或多项功能。
如图2所示,在一示例性的实施例中,路况刷新方法至少包括步骤S210至步骤S260,详细介绍如下:
步骤S210,采集车辆行驶路程中的原始数据。
在一些实施例中,车辆行驶过程中,启动自动驾驶系统后,可利用自动驾驶功能框架记录各个功能模块数据。各个功能模块包括但不限于融合目标、融合定位模块、总线模块、定位模块和高精地图等数据信息。自动驾驶功能框架可根据不同的集成方式可采用不同的框架,典型的框架实例为ROS(RobotOperatingSystem,机器人操作系统),数据采集的内容可为框架记录的原始数据,原始数据一般为序列化后的二进制数据,序列化的方式一种典型的示例可采用protobuf(protocolbuffers)进行。protobuf是一种与语言无关、平台无关、可扩展的序列化结构数据的方法,它可用于(数据)通信协议、数据存储等。ProtoBuf通过对传输字段的名称、顺序进行预定义,从而在传输结构中只需要顺序的记录每个字段的类型标签和二进制值。所述原始数据包括结构化数据和非结构化数据。结构化数据简单来说就是数据库。结合到典型场景中更容易理解,比如企业ERP(EnterpriseResourcePlanning,企业资源计划)、财务系统、医疗HIS(HospitalInformationSystem,医院信息系统)数据库、教育一卡通、政府行政审批、其他核心数据库等。非结构化数据是数据结构不规则或不完整,没有预定义的数据模型,不方便用数据库二维逻辑表来表现的数据。非结构化数据包括所有格式的办公文档、文本、图片、HTML(HyperTextMarkupLanguage、超文本标记语言)、各类报表、图像和音频/视频信息等等。
步骤S220,根据预设的数据清洗规则获取正常的原始数据,记录为正常数据。
在一些实施例中,数据清洗是指发现并纠正数据文件中可识别的错误的最后一道程序,包括检查数据一致性,处理无效值和缺失值等。与问卷审核不同,录入后的数据清理一般是由计算机而不是人工完成。数据清洗(Datacleaning)–对数据进行重新审查和校验的过程,目的在于删除重复信息、纠正存在的错误,并提供数据一致性。可预设数据清洗规则,根据预设的数据清洗规则,将重复信息、错误信息进行处理,然后获取正常的原始数据,记录为正常数据。
步骤S230,存储所述原始数据和正常数据至原始数据库。
在一些实施例中,数据库系统(DatabaseSystem),是由数据库及其管理软件组成的系统。数据库系统是为适应数据处理的需要而发展起来的一种较为理想的数据处理系统,也是一个为实际可运行的存储、维护和应用系统提供数据的软件系统,是存储介质、处理对象和管理系统的集合体。可存储原始数据和正常数据至原始数据库中。例如,存储所述原始数据和正常数据至原始数据库时,维持所述原始数据和所述正常数据的数据内容和数据格式。
步骤S240,提取所述原始数据库中的所述正常数据,预设车辆模块功能信息,将不同所述车辆模块功能信息关联的所述正常数据存储至不同的子数据库中,并记录为通用样本数据。
在一些实施例中,车辆模块功能可根据感知、预测、决策、规划等进行划分,并且可以根据功能模块需求和版本等信息对数据的字段、内容、时间范围等进行修改,当功能发生较大变更时,子数据库可以重新设计并再次提取数据。并且,可将不同车辆模块功能信息关联的所述正常数据存储至不同的子数据库汇中。例如,可将决策功能关联的正常数据存储至一子数据库中,将规划功能关联的正常数据存储至另一子数据库中。并且可将车辆模块功能信息关联的所述正常数据,记录为通用样本数据。例如,提取所述原始数据库中的所述正常数据,预设车辆模块功能信息,将不同所述车辆模块功能信息关联的所述正常数据存储至不同的子数据库中,改变所述正常数据的数据格格式,并记录为通用样本数据。
步骤S250,在一所述子数据库中,根据预设的车辆模块种类信息,将不同种类的所述通用样本数据记录为不同的特有样本数据。
在一些实施例中,在同一个子数据库中,可按照预设的车辆模块种类信息,将不同种类的通用样本数据记录为不同的特有样本数据。例如,车辆模块种类信息可包括速度、航向角等,将速度对应的通用样本数据记录为速度的特有样本数据,将航向角对应的通用样本数据记录为航向角的特有样本数据。
步骤S260,对所述特有样本数据训练,生成自动驾驶应用数据的处理模型数据。
在一些实施例中,对特有样本数据进行训练,生成自动驾驶应用数据的处理模型数据。通用样本数据一方面会生成并存储共性特征,并对不同算法的数据需求取并集存储,由于下游算法在特征构建上可能经常迭代,通用样本数据仅提供算法特有特征需要的原始数据。特有样本数据只适用于特定算法的训练和评估,并且由于算法开发迭代的特性,可能会经常更新样本生成方法。由于在自动驾驶系统搭建完成后可以不断的获取到数据,因此可以采用定期更新的方式对算法进行迭代,从而提升算法性能。在实际应用时由于受车端平台的限制,需要对模型采用量化加速和软硬件适配等手段才更适合与车端的实时应用。按照每一所述特有样本数据对应一算法,对所述特有样本数据训练,生成自动驾驶应用数据的处理模型。将所述自动驾驶应用数据的处理模型应用于自动驾驶车辆,生成自动驾驶数据。
请参阅图3,在自动驾驶应用数据的处理方法中,对原始数据进行存储的处理步骤。在一些实施例中,可先执行步骤S310,预设数据量阈值。其次可执行步骤S320,可比较原始数据的数据量和数据量阈值的大小,当原始数据的数据量小于等于数据量阈值时,可通过实时传输上传至云服务器。在步骤S330中,当原始数据的数据量大于数据量阈值时,可通过实时传输上传至云服务器。
请参阅图4所示,为一种自动驾驶应用数据的处理装置的框架示意图,在一些实施例中,首先,可对自动驾驶车辆401进行数据采集402处理并记录为原始数据,其次,可对原始数据进行数据上云403处理,即将原始数据上传至云端处理。其次,可通过云端存储的方式,将存储的原始数据进行数据解析404,将原始数据还原为业务数据。其次,可对原始数据进行数据清洗405,并将经过数据清洗405处理后保留的正常数据存储至原始数据库406中。其次,可提取所述原始数据库406中的所述正常数据,预设车辆模块功能信息,将不同所述车辆模块功能信息关联的所述正常数据存储至不同的子数据库407中,并记录为通用样本数据408。在一所述子数据库407中,根据预设的车辆模块种类信息,将不同种类的所述通用样本数据408记录为不同的特有样本数据409。对所述特有样本数据409训练,生成自动驾驶应用数据的处理模型数据412。
请参阅图5所示,本发明提出一种自动驾驶应用数据的处理装置,在一些实施例中,所述自动驾驶应用数据的处理装置包括采集单元801、记录单元802、存储单元803、提取单元804、保存单元805和生成单元806。各功能模块详细说明如下。
其中,采集单元801用于采集车辆行驶路程中的原始数据。记录单元802用于根据预设的数据清洗规则获取正常的原始数据,记录为正常数据。存储单元803用于存储所述原始数据和正常数据至原始数据库。提取单元804用于提取所述原始数据库中的所述正常数据,预设车辆模块功能信息,将不同所述车辆模块功能信息关联的所述正常数据存储至不同的子数据库中,并记录为通用样本数据。保存单元805用于在一所述子数据库中,根据预设的车辆模块种类信息,将不同种类的所述通用样本数据记录为不同的特有样本数据。生成单元806用于对所述特有样本数据训练,生成自动驾驶应用数据的处理模型数据。
关于目标追踪的处理装置的具体限定可以参见上文中对于自动驾驶应用数据的处理方法的限定,在此不再赘述。上述自动驾驶应用数据的处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图6示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。需要说明的是,图6示出的电子设备的计算机系统600仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CentralProcessingUnit,CPU)601,其可以根据存储在只读存储器(Read-OnlyMemory,ROM)602中的程序或者从储存部分608加载到随机访问存储器(RandomAccessMemory,RAM)603中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM603中,还存储有系统操作所需的各种程序和数据。CPU1201、ROM602以及RAM603通过总线604彼此相连。输入/输出(Input/Output,I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CathodeRayTube,CRT)、液晶显示器(LiquidCrystalDisplay,LCD)等以及扬声器等的输出部分607;包括硬盘等的储存部分608;以及包括诸如LAN(LocalAreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入储存部分608。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(ErasableProgrammableReadOnlyMemory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(CompactDiscRead-OnlyMemory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
本申请的另一方面还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被计算机的处理器执行时,使计算机执行如前所述的自动驾驶应用数据的处理方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的,也可以是单独存在,而未装配入该电子设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各个实施例中提供的自动驾驶应用数据的处理方法。
上述实施例仅示例性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种自动驾驶应用数据的处理方法,其特征在于,所述方法包括:
采集车辆行驶路程中的原始数据;
根据预设的数据清洗规则获取正常的原始数据,记录为正常数据;
存储所述原始数据和正常数据至原始数据库;
提取所述原始数据库中的所述正常数据,预设车辆模块功能信息,将不同所述车辆模块功能信息关联的所述正常数据存储至不同的子数据库中,并记录为通用样本数据;
在一所述子数据库中,根据预设的车辆模块种类信息,将不同种类的所述通用样本数据记录为不同的特有样本数据;
对所述特有样本数据训练,生成自动驾驶应用数据的处理模型数据。
2.根据权利要求1所述的自动驾驶应用数据的处理方法,其特征在于,所述采集车辆行驶路程中的原始数据的步骤之后,包括:
预设数据量阈值,比较所述原始数据的数据量与所述数据量阈值的大小;
当所述原始数据的数据量大于所述数据量阈值,将原始数据通过本地存储后上传至云服务器;
当所述原始数据的数据量小于等于所述数据量阈值,将原始数据通过实时传输上传至云服务器。
3.根据权利要求1所述的自动驾驶应用数据的处理方法,其特征在于,存储所述原始数据和正常数据至原始数据库时,维持所述原始数据和所述正常数据的数据内容和数据格式。
4.根据权利要求1所述的自动驾驶应用数据的处理方法,其特征在于,提取所述原始数据库中的所述正常数据,预设车辆模块功能信息,将不同所述车辆模块功能信息关联的所述正常数据存储至不同的子数据库中,改变所述正常数据的数据格格式,并记录为通用样本数据。
5.根据权利要求1所述的自动驾驶应用数据的处理方法,其特征在于,按照每一所述特有样本数据对应一算法,对所述特有样本数据训练,生成自动驾驶应用数据的处理模型。
6.根据权利要求1所述的自动驾驶应用数据的处理方法,其特征在于,所述对所述特有样本数据训练,生成自动驾驶应用数据的处理模型的步骤之后,包括:
将所述自动驾驶应用数据的处理模型应用于自动驾驶车辆,生成自动驾驶数据。
7.根据权利要求1所述的自动驾驶应用数据的处理方法,其特征在于,所述原始数据包括结构化数据和非结构化数据。
8.一种路况刷新装置,其特征在于,所述装置包括:
采集单元,用于采集车辆行驶路程中的原始数据;
记录单元,用于根据预设的数据清洗规则获取正常的原始数据,记录为正常数据;
存储单元,用于存储所述原始数据和正常数据至原始数据库;
提取单元,用于提取所述原始数据库中的所述正常数据,预设车辆模块功能信息,将不同所述车辆模块功能信息关联的所述正常数据存储至不同的子数据库中,并记录为通用样本数据;
保存单元,用于在一所述子数据库中,根据预设的车辆模块种类信息,将不同种类的所述通用样本数据记录为不同的特有样本数据;
生成单元,用于对所述特有样本数据训练,生成自动驾驶应用数据的处理模型数据。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现如权利要求1至7中任一项所述的自动驾驶应用数据的处理方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,当所述计算机程序被计算机的处理器执行时,使计算机执行权利要求1至7中任一项所述的自动驾驶应用数据的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211216947.7A CN115563184A (zh) | 2022-09-30 | 2022-09-30 | 一种自动驾驶应用数据的处理方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211216947.7A CN115563184A (zh) | 2022-09-30 | 2022-09-30 | 一种自动驾驶应用数据的处理方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115563184A true CN115563184A (zh) | 2023-01-03 |
Family
ID=84744745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211216947.7A Pending CN115563184A (zh) | 2022-09-30 | 2022-09-30 | 一种自动驾驶应用数据的处理方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115563184A (zh) |
-
2022
- 2022-09-30 CN CN202211216947.7A patent/CN115563184A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
CN112668588B (zh) | 车位信息生成方法、装置、设备和计算机可读介质 | |
CN113762454A (zh) | 轨迹异常检测方法及装置 | |
CN115392492A (zh) | 面向实体抽取的联邦学习优化方法、系统、设备及终端 | |
CN115588244A (zh) | 一种车联网大数据实时分析方法、装置、设备及介质 | |
CN116431878A (zh) | 向量检索服务方法、装置、设备及其存储介质 | |
CN111913922B (zh) | 二进制结构化日志的生成方法、装置、设备及存储介质 | |
CN114022711A (zh) | 工业标识数据缓存处理方法及装置、介质及电子设备 | |
US20150142709A1 (en) | Automatic learning of bayesian networks | |
CN112148566A (zh) | 计算引擎的监控方法、装置、电子设备及存储介质 | |
CN115563184A (zh) | 一种自动驾驶应用数据的处理方法、装置、设备及介质 | |
CN111861757A (zh) | 一种融资匹配方法、系统、设备和存储介质 | |
CN116957043A (zh) | 模型量化方法、装置、设备及介质 | |
CN115563734A (zh) | 故障容错时间间隔计算方法及装置、电子设备、存储介质 | |
CN111209750A (zh) | 车联网威胁情报建模方法、装置及可读存储介质 | |
CN113673476B (zh) | 人脸识别模型训练方法、装置、存储介质与电子设备 | |
US20230022253A1 (en) | Fast and accurate prediction methods and systems based on analytical models | |
CN114162184A (zh) | 列车运行计划创建方法、装置、设备和存储介质 | |
CN114048104B (zh) | 一种监控方法、装置、设备及存储介质 | |
CN113032469B (zh) | 文本结构化模型训练、医疗文本结构化方法及装置 | |
US20230064674A1 (en) | Iterative training of computer model for machine learning | |
CN110110235B (zh) | 用于推送信息的方法和装置 | |
Kaleem et al. | An Enhanced Requirement Specification Framework for IoT-enabled Intelligent Transportation Systems using Unified Scheme | |
CN115509785A (zh) | 一种自动驾驶评估报告的生成方法、装置、设备及介质 | |
CN115409211A (zh) | 运维处理方法、运维处理装置、电子设备及存储介质 |
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 |