CN115700199A - 一种应用于智能驾驶的数据处理方法及装置 - Google Patents

Abstract

本发明公开了一种应用于智能驾驶的数据处理方法及装置，包括：当驾驶员对当前驾驶辅助系统进行干预时，采集干预关联信息；将干预关联信息输入到意图识别模型，获得驾驶员的干预意图信息；检测是否采集到针对干预后的驾驶辅助系统的评价信息，如果是，确定目标干预意图信息；将干预关联信息、目标干预意图信息和驾驶辅助系统的数据信息输入到参数校正模型，获得校正后的关键参数；对校正后的关键参数进行安全验证，若验证通过，基于校正后的关键参数对当前驾驶辅助系统进行调整，获得调整后的驾驶辅助系统。本发明在驾驶安全包络内进行自动驾驶系统的自学习，提升驾驶辅助系统的性能、安全性以及用户体验。

Description

一种应用于智能驾驶的数据处理方法及装置

技术领域

本发明涉及智能驾驶技术领域，特别是涉及一种应用于智能驾驶的数据处理方法及装置。

背景技术

伴随着智能驾驶技术的发展，智能驾驶给人们驾驶车辆提供了许多的便利。现有的应用于智能驾驶领域的驾驶辅助系统多是基于有限状态机实现的一般不超过三级灵敏度固定参数的驾驶辅助系统。但是面对不同驾驶员对舒适度、安全性的不同要求，也经常会出现无法满足所有用户的需求的问题。

随着机器学习技术的发展，出现了基于驾驶员操作数据通过机器学习实现驾驶辅助系统个性化的方法，但是，现有的方法中存在以下的问题：首先，在处理驾驶员数据中，没有考虑驾驶员不当操作甚至“危险驾驶”的影响，这些不当操作可能会导致“个性化”的驾驶辅助系统出现安全隐患。其次，由于驾驶员对驾驶辅助系统的信任程度有限，驾驶员自身的操作风格和驾驶员对ADAS(Advanced Driving Assistance System，先进驾驶辅助系统)的工作期望并不完全相同，直接学习驾驶员的操作数据，可能会加剧驾驶员对ADAS系统的不信任；另外，庞大的未标记的驾驶员操作数据，对于机器学习来说存在样本量过大且特征不明显，这大大降低了自学习效率和准确性；同时，现有的个性化方法没有引入驾驶员的评价信息，无法及时对系统进行针对性的调整和优化，这些都会导致最终的个性化智能驾驶系统往往无法满足驾驶员的需求；现有的个性化方案大多使用机器学习直接输出控制量(如方向盘转角/转矩、油门踏板开度等等)，无法与原有的基于模型开发的智能驾驶系统相融合，使得其安全性、可靠性和鲁棒性均存在问题。

可见，现有的智能驾驶机器学习的处理过程中并不能很好满足用户的个性化需求，同时存在着性能和安全性较差的问题。

发明内容

针对于上述问题，本发明提供一种应用于智能驾驶的数据处理方法及装置，实现了提升驾驶辅助系统的性能、安全性以及用户体验的目的。

为了实现上述目的，本发明提供了如下技术方案：

一种应用于智能驾驶的数据处理方法，包括：

当驾驶员对当前驾驶辅助系统进行干预时，采集干预关联信息，所述干预关联信息包括驾驶员的干预操作信息、车辆环境信息和车辆状态信息；

将所述干预关联信息输入到意图识别模型，获得驾驶员的干预意图信息；

检测是否采集到针对干预后的驾驶辅助系统的评价信息，如果是，确定目标干预意图信息；

将所述干预关联信息、目标干预意图信息和驾驶辅助系统的数据信息输入到参数校正模型，获得校正后的关键参数；

对所述校正后的关键参数进行安全验证，若验证通过，基于所述校正后的关键参数对所述当前驾驶辅助系统进行调整，获得调整后的驾驶辅助系统。

可选地，所述方法还包括：

对所述调整后的驾驶辅助系统进行虚拟运行，获得运行结果，以根据所述运行结果确定所述调整后的驾驶辅助系统的安全性。

可选地，所述方法还包括：

若未采集到针对干预后的驾驶辅助系统的评价信息，基于所述干预意图信息中的意图概率值，确定目标干预意图信息。

可选地，所述方法还包括：

将所述干预意图信息按照与干预意图对应的驾驶辅助子系统的类型进行存储，以使得基于存储后的信息对驾驶辅助系统进行调整。

可选地，所述对所述校正后的关键参数进行安全验证，包括：

获取与所述校正后的关键参数对应的约束函数，所述约束函数中包括各个参数的边界信息；

基于当前车辆环境信息，计算得到与当前车辆环境相对应的安全参数；

基于所述约束函数和所述安全参数，对校正后的关键参数进行安全验证，得到验证结果。

可选地，所述方法还包括：

生成与所述调整后的驾驶辅助系统对应的提示信息，所述提示信息用于提示驾驶员是否对当前驾驶辅助系统进行更新；

若接收到的针对所述提示信息的反馈信息满足更新条件，依据所述调整后的驾驶辅助系统对当前驾驶辅助系统进行更新。

可选地，所述方法还包括：

基于所述评价信息，对所述意图识别模型进行修正，获得修正后的意图识别模型。

一种应用于智能驾驶的数据处理装置，包括：

采集单元，用于当驾驶员对当前驾驶辅助系统进行干预时，采集干预关联信息，所述干预关联信息包括驾驶员的干预操作信息、车辆环境信息和车辆状态信息；

意图识别单元，用于将所述干预关联信息输入到意图识别模型，获得驾驶员的干预意图信息；

确定单元，用于检测是否采集到针对干预后的驾驶辅助系统的评价信息，如果是，确定目标干预意图信息；

参数校正单元，用于将所述干预关联信息、目标干预意图信息和驾驶辅助系统的数据信息输入到参数校正模型，获得校正后的关键参数；

调整单元，用于对所述校正后的关键参数进行安全验证，若验证通过，基于所述校正后的关键参数对所述当前驾驶辅助系统进行调整，获得调整后的驾驶辅助系统。

可选地，所述装置还包括：

虚拟运行单元，用于对所述调整后的驾驶辅助系统进行虚拟运行，获得运行结果，以根据所述运行结果确定所述调整后的驾驶辅助系统的安全性。

可选地，所述装置还包括：

意图确定单元，用于若未采集到针对干预后的驾驶辅助系统的评价信息，基于所述干预意图信息中的意图概率值，确定目标干预意图信息。

可选地，所述装置还包括：

存储单元，用于将所述干预意图信息按照与干预意图对应的驾驶辅助子系统的类型进行存储，以使得基于存储后的信息对驾驶辅助系统进行调整。

可选地，所述调整单元包括：

验证子单元，用于对所述校正后的关键参数进行安全验证，所述验证子单元具体用于：

获取与所述校正后的关键参数对应的约束函数，所述约束函数中包括各个参数的边界信息；

基于当前车辆环境信息，计算得到与当前车辆环境相对应的安全参数；

基于所述约束函数和所述安全参数，对校正后的关键参数进行安全验证，得到验证结果。

可选地，所述装置还包括：

生成单元，用于生成与所述调整后的驾驶辅助系统对应的提示信息，所述提示信息用于提示驾驶员是否对当前驾驶辅助系统进行更新；

更新单元，用于若接收到的针对所述提示信息的反馈信息满足更新条件，依据所述调整后的驾驶辅助系统对当前驾驶辅助系统进行更新。

可选地，所述装置还包括：

模型修正单元，用于基于所述评价信息，对所述意图识别模型进行修正，获得修正后的意图识别模型。

一种存储介质，所述存储介质存储有可执行指令，所述指令被处理器执行时实现如上述中任意一项所述的应用于智能驾驶的数据处理方法。

一种电子设备，包括：

存储器，用于存储程序；

处理器，用于执行所述程序，所述程序具体用于实现如上述中任意一项所述的应用于智能驾驶的数据处理方法。

相较于现有技术，本发明提供了一种应用于智能驾驶的数据处理方法及装置，包括：当驾驶员对当前驾驶辅助系统进行干预时，采集干预关联信息，干预关联信息包括驾驶员的干预操作信息、车辆环境信息和车辆状态信息；将干预关联信息输入到意图识别模型，获得驾驶员的干预意图信息；检测是否采集到针对干预后的驾驶辅助系统的评价信息，如果是，确定目标干预意图信息；将干预关联信息、目标干预意图信息和驾驶辅助系统的数据信息输入到参数校正模型，获得校正后的关键参数；对校正后的关键参数进行安全验证，若验证通过，基于校正后的关键参数对当前驾驶辅助系统进行调整，获得调整后的驾驶辅助系统。本发明在驾驶安全包络内进行自动驾驶系统的自学习，提升驾驶辅助系统的性能、安全性以及用户体验。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种应用于智能驾驶的数据处理方法的流程示意图；

图2为本发明实施例提供的一种基于驾驶安全包络的自学习智能驾驶辅助系统的学习流程示意图；

图3为本发明实施例提供的一种基于神经网络的驾驶员意图推测的示意图；

图4为本发明实施例提供的一种基于神经网络的自学习模块处理流程的示意图；

图5为本发明实施例提供的一种应用于智能驾驶的数据处理装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。

在本发明实施例中提供了一种应用于智能驾驶的数据处理方法，其本质是驾驶辅助系统自学习的方法，适用于所有需要人工干预或者接管的驾驶辅助系统，针对采集驾驶员干预或接管中的行驶数据，在驾驶安全包络内进行驾驶辅助系统的自学习。可以兼顾驾驶员对驾驶辅助系统的性能驾驶和安全驾驶需求，从而提升用户体验。

参见图1，为本发明实施例提供的一种应用于智能驾驶的数据处理方法的流程示意图，该方法可以包括以下步骤：

S101、当驾驶员对当前驾驶辅助系统进行干预时，采集干预关联信息。

一般情况下，车辆会依据当前的驾驶辅助系统进行自动驾驶，但是在该过程中，驾驶员会对车辆进行干预或接管，当检测到驾驶员对车辆当前的驾驶辅助系统进行干预或者接管时，采集对应的干预关联信息。其中，干预关联信息包括驾驶员的干预操作信息、车辆环境信息和车辆状态信息。具体的，记录驾驶员干预操作信息为记录驾驶员干预时的操作，如加速踏板开度、制动踏板开度以及方向盘转角等信息；车辆环境信息是指干预前后车辆周围的环境信息，如车辆距离障碍物的距离、车道线、车道边界、交通信号灯、交通信号线等外部环境信息；车辆状态信息是指车辆自身状态信息，如车辆自身的车速、姿态、横摆角速度、加速度等。

S102、将干预关联信息输入到意图识别模型，获得驾驶员的干预意图信息。

意图识别模型为基于训练样本训练得到的神经网络模型，其中，每一训练样本均包括标注有驾驶员意图信息的干预关联信息。意图识别模型会根据干预关联信息即驾驶员的干预特征、环境信息以及车辆状态信息等，基于机器学习或者预设的而规则来推测驾驶员干预的意图。例如，驾驶员认为ACC(Adaptive Cruise Control，自适应巡航控制)系统的加速过缓或者太剧烈，ACC跟车距离太近或者太远；LCC(Lane Centering Control，车道居中控制)或者TJA(Traffic Jam Assistant，交通拥堵辅助)在过弯时应适当靠近弯道内侧行驶；智慧躲闪系统偏移量过大过小、LDP(Lane Departure Prevention，车道偏离抑制)或者ELK(Emergency Lane Keeping，紧急车道保持)干预太晚、ALCA(Auto Lane ChangAssist，自动变道辅助)换道太慢等。需要说明的是，干预意图信息包括驾驶员可能的意图和对应该意图的概率。

S103、检测是否采集到针对干预后的驾驶辅助系统的评价信息，如果是，确定目标干预意图信息。

在通过意图识别模型获得了驾驶员的干预意图信息后，可以生成对应的评价选项，以获得驾驶员对干预后的驾驶辅助系统的评价信息，从而便于后续应用于对驾驶辅助系统的更新和调整。

具体的，可以通过按键、语音等交互方式，允许驾驶员在干预后对驾驶辅助系统的表现进行评价，评价的形式包含但不局限于驾驶员的主观性评分、干预的意图等等信息。通过驾驶员的评价可以直接获取驾驶员对辅助驾驶系统的期望，从而有针对的学习，另一方面在训练完成之后的试运行，让驾驶员评估学习的有效性。还可以基于所述评价信息，对所述意图识别模型进行修正，获得修正后的意图识别模型。

需要说明的是，在本发明的另一种实现方式中，若驾驶员没有进行评价，即未采集到针对干预后的驾驶辅助系统的评价信息时，可以基于干预意图信息中的意图概率值，确定目标干预意图信息。例如，如果驾驶员参与评价的积极性不高，对于驾驶员意图较为明显的数据(通过意图识别模型获得的各个意图对应的概率值)，可以把意图识别模型输出的概率值较高的意图作为目标干预意图输入到后续的自学习系统中。

S104、将干预关联信息、目标干预意图信息和驾驶辅助系统的数据信息输入到参数校正模型，获得校正后的关键参数。

S105、对校正后的关键参数进行安全验证，若验证通过，基于校正后的关键参数对当前驾驶辅助系统进行调整，获得调整后的驾驶辅助系统。

将经过评价信息确定的目标干预信息以及对应的干预关联信息、还有相关的驾驶辅助系统的数据信息，通过机器学习或者预设规则对驾驶辅助系统的关键参数进行修正。其中，为了提高自学习的效率，自学习模块可以部署在云端，通过网络将训练好的模型推送到车端。其中，自学习中应用的参数校正模型为基于训练样本训练得到的具有能够获得调整后的参数的神经网络模型。

在一种实现方式中，所述对所述校正后的关键参数进行安全验证，包括：

获取与所述校正后的关键参数对应的约束函数，所述约束函数中包括各个参数的边界信息；

基于当前车辆环境信息，计算得到与当前车辆环境相对应的安全参数；

基于所述约束函数和所述安全参数，对校正后的关键参数进行安全验证，得到验证结果。

具体的，在获得了调整后的关键参数后，为了保证后续参数应用的安全性，需要对这些参数进行安全性验证，在本发明实施例中采用了驾驶安全包络校验模块来实现对参数的安全性校验。其中，驾驶安全包括是评价驾驶是否安全的模块，实际上是一个多维的约束函数，其表现形式除了关键参数的边界，比如ACC跟车的距离上下限、ACC加减速的加速度上下限或加加速度的上下限、LDW(Lane Departure Warning，车道偏离预警)/LDP/ELK报警或干预的边界、智慧躲闪系统的偏置量、ALCA最快的变道时间和允许的横纵向加速度等等，还有根据环境信息和安全模型实时计算得出的允许的方向盘转角、加速踏板和制动踏板的上下限。这些边界条件用于对输入自学习模块数据的限制和自学习的驾驶辅助系统的安全性评估。

在本发明实施例中获得了调整后的驾驶辅助系统，可以对调整后的驾驶辅助系统进行虚拟运行，以及交互确认，来确定是否将调整后的驾驶辅助系统代替当前的驾驶辅助系统。

在本发明实施例中提供了一种应用于智能驾驶的数据处理方法，包括：当驾驶员对当前驾驶辅助系统进行干预时，采集干预关联信息，干预关联信息包括驾驶员的干预操作信息、车辆环境信息和车辆状态信息；将干预关联信息输入到意图识别模型，获得驾驶员的干预意图信息；检测是否采集到针对干预后的驾驶辅助系统的评价信息，如果是，确定目标干预意图信息；将干预关联信息、目标干预意图信息和驾驶辅助系统的数据信息输入到参数校正模型，获得校正后的关键参数；对校正后的关键参数进行安全验证，若验证通过，基于校正后的关键参数对当前驾驶辅助系统进行调整，获得调整后的驾驶辅助系统。本发明在驾驶安全包络内进行自动驾驶系统的自学习，提升驾驶辅助系统的性能、安全性以及用户体验。

在本发明的一种实施方式中，还包括：对所述调整后的驾驶辅助系统进行虚拟运行，获得运行结果，以根据所述运行结果确定所述调整后的驾驶辅助系统的安全性。

具体的，考虑到安全性的需求，经训练后的调整后的驾驶辅助系统不会直接介入控制。而借助虚拟运行平台进行虚拟运行，即通过虚拟运行平台在汽车上实时的输出计算结果，并通过安全包络检查此时输出是否安全。通常，只有经过一段时间虚拟运行而不发生“危险驾驶”的驾驶辅助系统才被允许更新到现有的驾驶辅助系统中。当然，如果不进行虚拟运行模块，而是通过安全包络来检查驾驶辅助系统的关键参数、限制实时的输出结果，也可保证系统的安全性。但此安全性严格依赖于安全包络中原有标定参数上下限的可靠性和输出安全性评估模块的可靠性，为防止该模块运行过程中失效带来的风险，需添加相应的失效逻辑。

在本发明的一种实现方式中，所述方法还包括：

将所述干预意图信息按照与干预意图对应的驾驶辅助子系统的类型进行存储，以使得基于存储后的信息对驾驶辅助系统进行调整。

具体的，根据驾驶员评价系统或者意图识别模型产生的意图标签信息对记录的数据进行分类，并存储到相应的存储区域(如ROM)中，当某一标签的数据量满足需求后即可输入给自学习模块进行训练。其中，分类是按照干预意图和对应的子系统分类，比如ACC系统，驾驶员期望跟车距离更远/更近；驾驶员期望加速更快/更慢；智慧躲闪系统中，躲闪距离更远/更近等等。

在另一种实现方式中，在获得了调整后的驾驶辅助系统，可以根据用户生成的是否进行调整的反馈信息来确定是否对该调整后的驾驶辅助系统进行应用。该过程可以包括：生成与所述调整后的驾驶辅助系统对应的提示信息，所述提示信息用于提示驾驶员是否对当前驾驶辅助系统进行更新；若接收到的针对所述提示信息的反馈信息满足更新条件，依据所述调整后的驾驶辅助系统对当前驾驶辅助系统进行更新。

本发明实施例可适用于允许人工干预的驾驶辅助系统，对于LDW/LDP/ELK来说，可以提前地提醒驾驶员更早或更晚地干预车辆对于LCC/TJA/智慧躲闪系统来说，可以控制车辆相对车道边界/车辆等进行合理的偏置行驶，减轻使用辅助驾驶的心理负担。对于ACC来说，可以根据驾驶员的干预优化跟车距离、加减速的强度和时间。对于ALCA来说，可以根据驾驶员的干预来优化变道决策、轨迹和速度等等。通过引入了驾驶安全包络的概念，从原始数据的处理到自学习后模型的校验，都需通过驾驶安全包络的检验，有效提升了自学习驾驶辅助的安全性。并且，引入了神经网络分别进行驾驶员干预意图的推测和模型关键参数的修正，并且在意图方面引入了驾驶员评价系统，在关键参数修正方面通过驾驶安全包络进行限制，充分发挥神经网络在个性化参数方面和基于模型开发在稳定性可靠性方面的优势，从而实现了安全可靠的个性化自学习智能驾驶辅助系统。

参见图2，其示出了本发明实施例提供的一种基于驾驶安全包络的自学习智能驾驶辅助系统的学习流程示意图，包括：

检测自学习开关是否处于开启状态。当自学习开关处于开启状态，自学习系统才会开始工作。

记录智慧躲闪系统/TJA/LCC工作时驾驶员的干预数据和周围的环境信息。其中干预信息包含加速或制动踏板的开度、方向盘转角、转向灯等等；而环境信息包含此时的车道线在记录数据时需获取驾驶员的身份信息。驾驶员的身份信息可通过用户网络账号或者由FACE ID、指纹和声纹识别等各种生物监测功能获取。本系统并不直接涉及到相关检测功能，只通过网关获取汽车其他系统给出的身份信息输出。若无相关信息输入，驾驶员也可以通过开关或大屏输入设置相应的用户。

参见图3，为本发明实施例提供的一种基于神经网络的驾驶员意图推测示意图，将驾驶员的干预数据、车辆周边的环境、车辆自身的状态信息和辅助驾驶系统控制的输出流输入到驾驶员意图推测模块获取驾驶员可能的意图，并输出相应的概率。

通过交互确认驾驶员干预的意图。若驾驶员不提供相关信息，则根据推测模块输出的置信度决定该段数据是否参与后续的训练。另外，通过交互确认的驾驶员意图也会被记录，以供驾驶员意图推测模块的修正。

将干预数据和驾驶员的意图共同输入驾驶安全包络检查模块进行数据的校验，对对不合安全性评估和法规的数据进行相应处理，重新输入到安全包络检查模块。

将处理过后的数据按干预意图进行分类，存储在系统的ROM中。

直到数据量满足训练的需求，再输入如图4的驾驶辅助系统自学习模块，通过该模块修正功能的相关参数。对于不同子系统的驾驶辅助系统来说，神经网络的输入和输出都有所不同。比如在ACC功能上，无需输入道线、边界的信息。

由于部分参数的修正可能会导致其他场景下不可预知的后果，所以还需对自学习后的辅助驾驶系统进行虚拟状态的试运行，在运行过程中系统会实时输出计算结果输入到驾驶安全包络进行检查，但此时的输出并不直接用于系统的控制。一般来说，只有通过一定时间和距离的基于安全包络的评估之后才会通过交互设备将升级请求发送给驾驶员进行更新。当然，也可通过安全包络来检查驾驶辅助系统的关键参数、限制实时的输出结果，也可保证系统的安全性。但此安全性严格依赖于安全包络中原有标定参数上下限的可靠性和输出安全性评估模块的可靠性，为防止该模块运行过程中失效带来的风险，需添加相应的失效逻辑。

通过驾驶员的满意度评价或一段时间内该功能的干预频率显著下降即完成一次自学习。

基于前述实施例，本发明的实施例还提供了一种应用于智能驾驶的数据处理装置，参见图5，包括：

采集单元10，用于当驾驶员对当前驾驶辅助系统进行干预时，采集干预关联信息，所述干预关联信息包括驾驶员的干预操作信息、车辆环境信息和车辆状态信息；

意图识别单元20，用于将所述干预关联信息输入到意图识别模型，获得驾驶员的干预意图信息；

确定单元30，用于检测是否采集到针对干预后的驾驶辅助系统的评价信息，如果是，确定目标干预意图信息；

参数校正单元40，用于将所述干预关联信息、目标干预意图信息和驾驶辅助系统的数据信息输入到参数校正模型，获得校正后的关键参数；

调整单元50，用于对所述校正后的关键参数进行安全验证，若验证通过，基于所述校正后的关键参数对所述当前驾驶辅助系统进行调整，获得调整后的驾驶辅助系统。

进一步地，所述装置还包括：

虚拟运行单元，用于对所述调整后的驾驶辅助系统进行虚拟运行，获得运行结果，以根据所述运行结果确定所述调整后的驾驶辅助系统的安全性。

进一步地，所述装置还包括：

意图确定单元，用于若未采集到针对干预后的驾驶辅助系统的评价信息，基于所述干预意图信息中的意图概率值，确定目标干预意图信息。

进一步地，所述装置还包括：

存储单元，用于将所述干预意图信息按照与干预意图对应的驾驶辅助子系统的类型进行存储，以使得基于存储后的信息对驾驶辅助系统进行调整。

对应的，所述调整单元包括：

验证子单元，用于对所述校正后的关键参数进行安全验证，所述验证子单元具体用于：

获取与所述校正后的关键参数对应的约束函数，所述约束函数中包括各个参数的边界信息；

基于当前车辆环境信息，计算得到与当前车辆环境相对应的安全参数；

基于所述约束函数和所述安全参数，对校正后的关键参数进行安全验证，得到验证结果。

对应的，所述装置还包括：

生成单元，用于生成与所述调整后的驾驶辅助系统对应的提示信息，所述提示信息用于提示驾驶员是否对当前驾驶辅助系统进行更新；

更新单元，用于若接收到的针对所述提示信息的反馈信息满足更新条件，依据所述调整后的驾驶辅助系统对当前驾驶辅助系统进行更新。

可选地，所述装置还包括：

模型修正单元，用于基于所述评价信息，对所述意图识别模型进行修正，获得修正后的意图识别模型。

本发明实施例提供了一种应用于智能驾驶的数据处理装置，包括：当驾驶员对当前驾驶辅助系统进行干预时，采集单元采集干预关联信息，干预关联信息包括驾驶员的干预操作信息、车辆环境信息和车辆状态信息；意图识别单元将干预关联信息输入到意图识别模型，获得驾驶员的干预意图信息；确定单元检测是否采集到针对干预后的驾驶辅助系统的评价信息，如果是，确定目标干预意图信息；参数校正单元将干预关联信息、目标干预意图信息和驾驶辅助系统的数据信息输入到参数校正模型，获得校正后的关键参数；调整单元对校正后的关键参数进行安全验证，若验证通过，基于校正后的关键参数对当前驾驶辅助系统进行调整，获得调整后的驾驶辅助系统。本发明在驾驶安全包络内进行自动驾驶系统的自学习，提升驾驶辅助系统的性能、安全性以及用户体验。

基于前述实施例，本发明的实施例提供一种存储介质，所述存储介质存储有可执行指令，所述指令被处理器执行时实现如上述中任意一项所述的应用于智能驾驶的数据处理方法。

基于前述实施例，本发明实施例还提供了一种电子设备，包括存储器，用于存储程序；处理器，用于执行所述程序，所述程序具体用于实现如上述中任意一项所述的应用于智能驾驶的数据处理方法。

需要说明的是，上述处理器或CPU可以为特定用途集成电路(ApplicationSpecific Integrated Circuit，ASIC)、数字信号处理器(Digital Signal Processor，DSP)、数字信号处理装置(Digital Signal Processing Device，DSPD)、可编程逻辑装置(Programmable Logic Device，PLD)、现场可编程门阵列(Field Programmable GateArray，FPGA)、中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地，实现上述处理器功能的电子器件还可以为其它，本发明实施例不作具体限定。

需要说明的是，上述计算机存储介质/存储器可以是只读存储器(Read OnlyMemory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory，FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory，CD-ROM)等存储器；也可以是包括上述存储器之一或任意组合的各种终端，如移动电话、计算机、平板设备、个人数字助理等。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理模块中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。

本发明所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。

本发明所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种应用于智能驾驶的数据处理方法，其特征在于，包括：

当驾驶员对当前驾驶辅助系统进行干预时，采集干预关联信息，所述干预关联信息包括驾驶员的干预操作信息、车辆环境信息和车辆状态信息；

将所述干预关联信息输入到意图识别模型，获得驾驶员的干预意图信息；

检测是否采集到针对干预后的驾驶辅助系统的评价信息，如果是，确定目标干预意图信息；

将所述干预关联信息、目标干预意图信息和驾驶辅助系统的数据信息输入到参数校正模型，获得校正后的关键参数；

对所述校正后的关键参数进行安全验证，若验证通过，基于所述校正后的关键参数对所述当前驾驶辅助系统进行调整，获得调整后的驾驶辅助系统。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对所述调整后的驾驶辅助系统进行虚拟运行，获得运行结果，以根据所述运行结果确定所述调整后的驾驶辅助系统的安全性。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

若未采集到针对干预后的驾驶辅助系统的评价信息，基于所述干预意图信息中的意图概率值，确定目标干预意图信息。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述干预意图信息按照与干预意图对应的驾驶辅助子系统的类型进行存储，以使得基于存储后的信息对驾驶辅助系统进行调整。

5.根据权利要求1所述的方法，其特征在于，所述对所述校正后的关键参数进行安全验证，包括：

获取与所述校正后的关键参数对应的约束函数，所述约束函数中包括各个参数的边界信息；

基于当前车辆环境信息，计算得到与当前车辆环境相对应的安全参数；

基于所述约束函数和所述安全参数，对校正后的关键参数进行安全验证，得到验证结果。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

生成与所述调整后的驾驶辅助系统对应的提示信息，所述提示信息用于提示驾驶员是否对当前驾驶辅助系统进行更新；

若接收到的针对所述提示信息的反馈信息满足更新条件，依据所述调整后的驾驶辅助系统对当前驾驶辅助系统进行更新。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

基于所述评价信息，对所述意图识别模型进行修正，获得修正后的意图识别模型。

8.一种应用于智能驾驶的数据处理装置，其特征在于，包括：

采集单元，用于当驾驶员对当前驾驶辅助系统进行干预时，采集干预关联信息，所述干预关联信息包括驾驶员的干预操作信息、车辆环境信息和车辆状态信息；

意图识别单元，用于将所述干预关联信息输入到意图识别模型，获得驾驶员的干预意图信息；

确定单元，用于检测是否采集到针对干预后的驾驶辅助系统的评价信息，如果是，确定目标干预意图信息；

参数校正单元，用于将所述干预关联信息、目标干预意图信息和驾驶辅助系统的数据信息输入到参数校正模型，获得校正后的关键参数；

调整单元，用于对所述校正后的关键参数进行安全验证，若验证通过，基于所述校正后的关键参数对所述当前驾驶辅助系统进行调整，获得调整后的驾驶辅助系统。

9.一种存储介质，其特征在于，所述存储介质存储有可执行指令，所述指令被处理器执行时实现如权利要求1-7中任意一项所述的应用于智能驾驶的数据处理方法。

10.一种电子设备，其特征在于，包括：

存储器，用于存储程序；

处理器，用于执行所述程序，所述程序具体用于实现如权利要求1-7中任意一项所述的应用于智能驾驶的数据处理方法。

Images