CN115994436A - 一种无人设备数据处理的方法及装置 - Google Patents
一种无人设备数据处理的方法及装置 Download PDFInfo
- Publication number
- CN115994436A CN115994436A CN202111219290.5A CN202111219290A CN115994436A CN 115994436 A CN115994436 A CN 115994436A CN 202111219290 A CN202111219290 A CN 202111219290A CN 115994436 A CN115994436 A CN 115994436A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- determining
- positioning model
- adjustment
- 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
- 238000003672 processing method Methods 0.000 title description 3
- 238000000034 method Methods 0.000 claims abstract description 84
- 238000012545 processing Methods 0.000 claims abstract description 41
- 230000008859 change Effects 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 28
- 238000003860 storage Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 16
- 230000000007 visual effect Effects 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 15
- 230000006872 improvement Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本说明书公开了一种无人设备数据处理的方法及装置,获取各数据集,数据集包括无人设备采集的传感器数据以及状态数据。再将各数据集中的传感器数据以及状态数据输入到待调整的定位模型中,确定无人设备的估计轨迹。其次,确定估计轨迹与无人设备的轨迹真值之间在各预设数据维度下的数据偏差,以及确定定位模型在确定估计轨迹时的鲁棒数据。而后,根据数据偏差以及鲁棒数据,确定定位模型在各数据集对应的各项模型指标。最后,根据各项模型指标,确定针对定位模型的模型调整策略,并根据调整策略,对定位模型进行调整。本方法可以通过定位模型在多个维度的模型指标,来判断定位模型在实际应用时的好坏,以提高确定出的定位模型的好坏的准确性。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种无人设备数据处理的方法及装置。
背景技术
视觉惯性里程计(Visual Inertial Odometry,VIO)算法是一种融合相机和惯性测量单元(Inertial measurement unit,IMU)信息,计算设备在空间中位姿的算法,被广泛应用于自动驾驶、增强现实等领域。
在实际应用中,为了判断VIO算法在应用时的好坏,通常是将估计轨迹上的无人设备在每个时刻对应的位姿与真实轨迹上的无人设备在每个时刻对应的位姿之间的差值,作为判断VIO算法在实际应用时的好坏的依据。而仅根据估计轨迹与真实轨迹之间的位姿的偏差,可能导致确定出的VIO算法的好坏的准确性较低。
因此,如何能够提高确定出的VIO算法的好坏的准确性,则是一个亟待解决的问题。
发明内容
本说明书提供一种无人设备数据处理的方法及装置,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种无人设备数据处理的方法,所述方法应用于无人驾驶领域,包括:
获取各数据集,所述数据集包括无人设备采集的传感器数据以及状态数据;
将各数据集中的传感器数据以及状态数据输入到待调整的定位模型中,确定所述无人设备的估计轨迹;
确定所述估计轨迹与所述无人设备的轨迹真值之间在各预设数据维度下的数据偏差,以及确定所述定位模型在确定所述估计轨迹时的鲁棒数据,所述鲁棒数据用于反映所述定位模型在确定所述无人设备的估计轨迹的过程中,不参考所述无人设备采集的传感器数据的情况;
根据所述数据偏差以及所述鲁棒数据,确定所述定位模型在各数据集对应的各项模型指标;
根据所述各项模型指标,确定针对所述定位模型的模型调整策略,并根据所述调整策略,对所述定位模型进行调整。
可选地,确定所述估计轨迹与所述无人设备的轨迹真值之间在各预设数据维度下的数据偏差,具体包括:
针对每个时刻,确定在所述估计轨迹中所述无人设备在该时刻对应的位姿信息,与在所述轨迹真值中所述无人设备在该时刻对应的位姿信息之间的位姿偏差,作为该时刻对应的位姿偏差;
针对每个预设的时间段,确定在所述估计轨迹中所述无人设备在该时间段的位姿变化量,与在所述轨迹真值中所述无人设备在该时间段的位姿变化量之间的位姿变化量偏差,作为该时间段对应的位姿变化量偏差;
根据每个时间对应的位姿偏差,以及每个时间段对应的位姿变化量偏差,确定所述估计轨迹与所述轨迹真值之间在位姿维度下的数据偏差。
可选地,确定所述估计轨迹与所述轨迹真值之间在各预设数据维度下的数据偏差,具体包括:
根据基于所述轨迹真值确定出的世界坐标系下所述无人设备的行驶速度以及位姿信息,确定以所述无人设备为坐标原点的设备坐标系下,所述无人设备的真实行驶速度;
确定基于所述估计轨迹确定出的所述设备坐标系下所述无人设备的行驶速度,与所述真实行驶速度之间的速度偏差;
根据所述速度偏差,确定所述估计轨迹与所述轨迹真值之间在速度维度下的数据偏差。
可选地,确定所述定位模型在确定所述估计轨迹时的鲁棒数据,具体包括:
确定所述定位模型在确定所述无人设备的估计轨迹的过程中,不参考所述无人设备采集的传感器数据的次数,作为数据跳过次数;
根据所述数据跳过次数,确定所述定位模型在确定所述估计轨迹时的鲁棒数据,其中,若是所述数据跳过次数越大,所述定位模型在确定所述估计轨迹时所基于的传感器数据处理算法的鲁棒性越差。
可选地,确定所述定位模型在确定所述估计轨迹时的鲁棒数据,具体包括:
确定所述定位模型在确定所述估计轨迹时,跳过符合预设条件的连续的传感器数据,并重新选择用于确定所述无人设备估计轨迹的传感器数据的次数,作为数据重置次数;
根据所述数据重置次数,确定所述定位模型在确定所述估计轨迹时的鲁棒数据,其中,若是所述数据重置次数越大,所述定位模型在确定所述估计轨迹时所基于的传感器数据处理算法的鲁棒性越差。
可选地,确定所述定位模型在确定所述估计轨迹时的鲁棒数据,具体包括:
针对每个时刻,根据所述估计轨迹中该时刻对应的轨迹点,以及位于该时刻之前的其他时刻对应的轨迹点,确定所述定位模型在确定所述无人设备在该时刻对应的轨迹点的置信度,作为该时刻对应的置信度;
根据各个时刻对应的置信度,确定所述定位模型在确定所述估计轨迹时的鲁棒数据。
可选地,在确定所述定位模型在确定所述估计轨迹时的鲁棒数据之前,所述方法还包括:
确定所述定位模型在确定所述无人设备的估计轨迹的过程中所涉及的各计算时长以及资源消耗量;
根据所述各计算时长以及所述资源消耗量,确定所述定位模型在确定所述估计轨迹时的模型运算信息;
根据所述数据偏差以及所述鲁棒数据,确定所述定位模型在各数据集对应的各项模型指标,具体包括:
根据所述数据偏差、所述鲁棒数据以及所述模型运算信息,确定所述定位模型在各数据集对应的各项模型指标。
可选地,根据所述各计算时长以及所述资源消耗量,确定所述定位模型确定所述估计轨迹时的模型运算信息,具体包括:
将所述定位模型在确定所述无人设备的估计轨迹的过程中涉及的各计算时长,按照时长从小到大的顺序进行排列,得到时长排序结果;
从所述时长排序结果中,确定出位于设定排位之后的计算时长;
根据确定出的位于设定排位之后的计算时长,以及所述资源消耗量,确定所述模型运算信息。
可选地,根据所述各项模型指标,确定针对所述定位模型的模型调整策略,并根据所述调整策略,对所述定位模型进行调整,具体包括:
根据所述各项模型指标,确定所述定位模型对应的可视化图表;
根据所述定位模型对应的可视化图表,确定针对所述定位模型的模型调整策略,并根据所述调整策略,对所述定位模型进行调整。
可选地,将各数据集中的传感器数据以及状态数据输入到待调整的定位模型中,确定所述无人设备的估计轨迹,具体包括:
针对每轮调整,将各数据集中的传感器数据以及状态数据输入到上一轮调整完成后的定位模型中,以确定所述上一轮调整完成后的定位模型所输出的所述无人设备的估计轨迹;
确定所述估计轨迹与所述无人设备的轨迹真值之间在各预设数据维度下的数据偏差,以及确定所述定位模型在确定所述估计轨迹时的鲁棒数据,具体包括:
根据所述估计轨迹与所述无人设备的轨迹真值,确定所述上一轮调整完成后的定位模型在各预设数据维度下针对各数据集的数据偏差,作为所述上一轮调整完成后的定位模型对应的数据偏差,以及确定所述上一轮调整完成后的定位模型确定所述估计轨迹时针对各数据集的鲁棒数据,作为所述上一轮调整完成后的定位模型对应的鲁棒数据;
根据所述数据偏差以及所述鲁棒数据,确定所述定位模型在各数据集对应的各项模型指标,具体包括:
根据所述上一轮调整对应的数据偏差以及鲁棒数据,确定所述上一轮调整对应的各项模型指标;
根据所述各项模型指标,确定针对所述定位模型的模型调整策略,具体包括:
根据所述上一轮调整对应的各项模型指标,以及该轮调整对应的各项模型指标,确定经过上一轮调整后,所述定位模型在各数据集对应的各项模型指标的变化量;
根据所述变化量,确定针对该轮调整的模型调整策略,并根据所述模型调整策略,在该轮调整中对所述定位模型进行调整。
可选地,根据所述变化量,确定针对该轮调整的模型调整策略,具体包括:
针对每项模型指标,根据经过上一轮调整后,所述定位模型在各数据集对应的该项模型指标的变化量,确定该项模型指标的变化量均值;
确定各项模型指标中,变化量均值位于设定变化量均值区间的模型指标的数量,作为第一数量;
根据所述第一数量,确定针对该轮调整的模型调整策略。
可选地,根据所述变化量,确定针对该轮调整的模型调整策略,具体包括:
针对每项模型指标,根据经过上一轮调整后所述定位模型在各数据集对应的该项模型指标的变化量,确定该项模型指标的变化量位于设定变化量区间的数据集数量,作为第二数量;
若所述第二数量大于设定的数据集数量阈值,确定该模型指标为优化模型指标;
根据各项模型指标中优化模型指标的数量,确定针对该轮调整的模型调整策略。
可选地,根据所述变化量,确定针对该轮调整的模型调整策略,具体包括:
针对每个数据集,根据经过上一轮调整后,所述定位模型在该数据集对应的各项模型指标的变化量,确定各项模型指标的变化量位于设定变化量区间的模型指标的数量,作为第三数量;
若所述第三数量大于设定的模型指标数量阈值,确定该数据集为优化数据集;
根据所述各数据集中优化数据集的数量,确定针对该轮调整的模型调整策略。
本说明书提供了一种无人设备数据处理的装置,所述装置应用于无人驾驶领域,包括:
获取模块,用于获取各数据集,所述数据集包括无人设备采集的传感器数据以及状态数据;
输入模块,用于将各数据集中的传感器数据以及状态数据输入到待调整的定位模型中,确定所述无人设备的估计轨迹;
第一确定模块,用于确定所述估计轨迹与所述无人设备的轨迹真值之间在各预设数据维度下的数据偏差,以及确定所述定位模型在确定所述估计轨迹时的鲁棒数据,所述鲁棒数据用于反映所述定位模型在确定所述无人设备的估计轨迹的过程中,不参考所述无人设备采集的传感器数据的情况;
第二确定模块,用于根据所述数据偏差以及所述鲁棒数据,确定所述定位模型在各数据集对应的各项模型指标;
调整模块,用于根据所述各项模型指标,确定针对所述定位模型的模型调整策略,并根据所述调整策略,对所述定位模型进行调整。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述无人设备数据处理的方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述无人设备数据处理的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的无人设备数据处理的方法中,获取各数据集,数据集包括无人设备采集的传感器数据以及状态数据。再将各数据集中的传感器数据以及状态数据输入到待调整的定位模型中,确定无人设备的估计轨迹。其次,确定估计轨迹与无人设备的轨迹真值之间在各预设数据维度下的数据偏差,以及确定定位模型在确定估计轨迹时的鲁棒数据,鲁棒数据用于反映定位模型在确定无人设备的估计轨迹的过程中,不参考无人设备采集的传感器数据的情况。而后,根据数据偏差以及鲁棒数据,确定定位模型在各数据集对应的各项模型指标。最后,根据各项模型指标,确定针对定位模型的模型调整策略,并根据调整策略,对定位模型进行调整。
从上述方法中可以看出,本方法可以根据估计轨迹与无人设备的轨迹真值之间在各预设数据维度下的数据偏差,以及确定定位模型在确定估计轨迹时的鲁棒数据,确定针对定位模型的模型调整策略。相比于现有技术来说,本方法可以确定出定位模型在确定估计轨迹时的鲁棒数据,并结合数据偏差,来判断定位模型在实际应用时的好坏。也就是说,本方法可以通过定位模型在多个维度的模型指标,来判断定位模型在实际应用时的好坏,以提高确定出的定位模型的好坏的准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中一种无人设备数据处理的方法的流程示意图;
图2为本说明书实施例提供的一种调整定位模型的方法的示意图;
图3为本说明书实施例提供的一种模型调整系统的示意图;
图4为本说明书提供的一种无人设备数据处理的装置的示意图;
图5为本说明书提供的一种对应于图1的电子设备的示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中一种无人设备数据处理的方法的流程示意图,包括以下步骤:
S100:获取各数据集,所述数据集包括无人设备采集的传感器数据以及状态数据。
在本说明书实施例中,对无人设备数据处理的执行主体可以是服务器,也可以是诸如台式电脑等电子设备,为了便于描述,下面仅以服务器为执行主体,对本说明书提供的无人设备数据处理的方法进行说明。
在本说明书实施例中,服务器可以获取各数据集,这里提到的数据集包括无人设备采集的传感器数据以及状态数据。这里提到的数据集可以用于表征无人设备行驶一条完整的行驶轨迹所采集的传感器数据的数据集。这里提到的传感器数据可以是通过无人设备上设置的诸如摄像机、激光雷达、惯性测量单元等传感器获取到的传感器数据,例如,摄像机获取到的图像数据、激光雷达获取到的点云数据、惯性测量单元获取到的姿态数据等。这里提到的状态数据可以用于表征无人设备在各个时刻下自身的状态数据,例如,无人设备的位置数据、无人设备的姿态数据以及无人设备的速度数据等。
在本说明书提到的无人设备可以是指无人机、无人车、机器人、自动配送设备等能够实现自动驾驶的设备。基于此,应用本说明书提供的无人设备数据处理的方法的无人设备可以用于执行配送领域的配送任务,如,使用无人设备进行快递、物流、外卖等配送的业务场景。
S102:将各数据集中的传感器数据以及状态数据输入到待调整的定位模型中,确定所述无人设备的估计轨迹。
在本说明书实施例中,服务器可以将各数据集中的传感器数据以及状态数据输入到待调整的定位模型中,确定无人设备的估计轨迹。这里提到的估计轨迹中包含无人设备在各个时刻的位姿信息以及速度信息,可以用于表征预估出的无人设备的行驶轨迹。
本说明书实施例中,定位模型可以有多种形式,例如,视觉惯性里程计(Visual-Inertial Odometry,VIO)、多状态约束下的Kalman滤波器(Multi-State ConstraintKalman Filter,MSCKF)等,本说明书不对定位模型进行具体的限定。
S104:确定所述估计轨迹与所述无人设备的轨迹真值之间在各预设数据维度下的数据偏差,以及确定所述定位模型在确定所述估计轨迹时的鲁棒数据,所述鲁棒数据用于反映所述定位模型在确定所述无人设备的估计轨迹的过程中,不参考所述无人设备采集的传感器数据的情况。
在本说明书实施例中,服务器可以确定估计轨迹与无人设备的轨迹真值之间在各预设数据维度下的数据偏差,以及确定定位模型在确定估计轨迹时的鲁棒数据,鲁棒数据用于反映定位模型在确定无人设备的估计轨迹的过程中,不参考无人设备采集的传感器数据的情况。这里提到的轨迹真值中包含无人设备在各个时刻的真实的位姿信息以及速度信息,可以用于表征无人设备真实的行驶轨迹。
在本说明书实施例中,服务器可以针对每个时刻,确定在估计轨迹中无人设备在该时刻对应的位姿信息,与在轨迹真值中无人设备在该时刻对应的位姿信息之间的位姿偏差,作为该时刻对应的位姿偏差。这里提到的位姿信息包括无人设备的位置以及无人设备的姿态。
具体的,服务器可以先将估计轨迹与轨迹真值进行对齐,确定估计轨迹中无人设备在每个时刻对应的位置信息,都能在对齐后的轨迹真值中找到无人设备在该时刻对应的位置信息,确定估计轨迹与轨迹真值在同一时刻对应的无人设备的位置信息之间的位置偏差,作为该时刻对应的位置偏差。再根据各个时刻对应的位置偏差,确定出估计轨迹与轨迹真值之间的平均位置偏差。具体可以参考如下公式:
在上述公式中,Pi可以用于表示无人设备在估计轨迹中第i个时刻的位置。可以用于表示无人设备在轨迹真值中第i个时刻的位置。可以用于表示无人设备在估计轨迹与轨迹真值中第i个时刻的位置偏差。N可以用于表示有N个时刻的位置偏差。从上述公式中可以看出,该公式可以用于表示估计轨迹与轨迹真值之间的平均位置偏差。
同样的,服务器可以确定估计轨迹中无人设备在每个时刻对应的姿态信息,都能在对齐后的轨迹真值中找到无人设备在该时刻对应的姿态信息,确定估计轨迹与轨迹真值在同一时刻对应的无人设备的姿态信息之间的姿态偏差,作为该时刻对应的姿态偏差。再根据各个时刻对应的姿态偏差,确定出估计轨迹与轨迹真值之间的平均姿态偏差。具体可以参考如下公式:
在上述公式中,Ri可以用于表示无人设备在估计轨迹中第i个时刻的姿态。可以用于表示无人设备在轨迹真值中第i个时刻的姿态的转置。可以用于表示无人设备在估计轨迹与轨迹真值中第i个时刻的姿态偏差。N可以用于表示有N个时刻的姿态偏差。从上述公式中可以看出,该公式可以用于表示估计轨迹与轨迹真值之间的平均姿态偏差。
服务器可以根据估计轨迹与轨迹真值之间的平均位置偏差,以及估计轨迹与轨迹真值之间的平均姿态偏差,确定估计轨迹与轨迹真值之间的位姿偏差。
需要说明的是,服务器还可以根据估计轨迹中无人设备在每个时刻对应的位置信息,确定出估计轨迹的轨迹长度,并将估计轨迹的轨迹长度与轨迹真值的轨迹长度进行计算,确定估计轨迹与轨迹真值之间的轨迹长度偏差。
针对每个预设的时间段,确定在估计轨迹中无人设备在该时间段的位姿变化量,与在轨迹真值中无人设备在该时间段的位姿变化量之间的位姿变化量偏差,作为该时间段对应的位姿变化量偏差。这里提到的位姿变化量可以用于表示在预设的时间段内无人设备从时间段开头到时间段结尾的位置变化量以及姿态变化量。值得一提的是,服务器还可以根据预设的轨迹长度来确定无人设备从轨迹开头到轨迹结尾的位置变化量以及姿态变化量。
具体的,服务器可以确定估计轨迹与轨迹真值在同一时间段内对应的无人设备的移动距离之间的距离偏差,作为该时间段对应的距离偏差。再根据各个时刻对应的距离偏差,确定出估计轨迹与轨迹真值之间的平均距离偏差。具体可以参考如下公式:
在上述公式中,δPi可以用于表示无人设备在估计轨迹中第i个时间段的移动距离。可以用于表示无人设备在轨迹真值中第i个时间段的移动距离。可以用于表示无人设备在估计轨迹与轨迹真值中第i个时间段的距离偏差。N可以用于表示有N个时间段的距离偏差。从上述公式中可以看出,该公式可以用于表示估计轨迹与轨迹真值之间的平均距离偏差。
同样的,服务器可以确定估计轨迹与轨迹真值在同一时间段内对应的无人设备的旋转角度变化量之间的旋转角度偏差,作为该时间段对应的旋转角度偏差。再根据各个时刻对应的旋转角度偏差,确定出估计轨迹与轨迹真值之间的平均旋转角度偏差。具体可以参考如下公式:
在上述公式中,δRi可以用于表示无人设备在估计轨迹中第i个时间段的旋转角度变化量。可以用于表示无人设备在轨迹真值中第i个时间段的旋转角度变化量的转置。可以用于表示无人设备在估计轨迹与轨迹真值中第i个时间段的旋转角度偏差。N可以用于表示有N个时间段的旋转角度偏差。从上述公式中可以看出,该公式可以用于表示估计轨迹与轨迹真值之间的平均旋转角度偏差。
需要说明的是,无人设备的旋转角度包括:横滚角、俯仰角以及偏航角,由于横滚角与俯仰角都可以从传感器中直接获取到的,因此,无人设备在估计轨迹中的旋转角度变化量主要是根据估计出的偏航角确定的。为了突出无人设备在估计轨迹中的偏航角的影响,服务器可以在确定位姿变化量偏差时,参考估计轨迹与轨迹真值之间的平均偏航角偏差。具体可以参考如下公式:
在上述公式中,δRi[2]可以用于表示无人设备在估计轨迹中第i个时间段的偏航角变化量。可以用于表示无人设备在轨迹真值中第i个时间段的偏航角变化量的转置。可以用于表示无人设备在估计轨迹与轨迹真值中第i个时间段的偏航角偏差。N可以用于表示有N个时间段的偏航角偏差。从上述公式中可以看出,该公式可以用于表示估计轨迹与轨迹真值之间的平均偏航角偏差。
服务器可以根据估计轨迹与轨迹真值之间的平均距离偏差、估计轨迹与轨迹真值之间的平均旋转角度偏差,以及估计轨迹与轨迹真值之间的平均偏航角偏差,确定估计轨迹与轨迹真值之间的位姿变化量偏差。
在本说明书实施例中,服务器可以根据每个时间对应的位姿偏差,以及每个时间段对应的位姿变化量偏差,确定估计轨迹与轨迹真值之间在位姿维度下的数据偏差。
在上述过程中可以看出,服务器可以根据估计轨迹与轨迹真值之间的位姿偏差、估计轨迹与轨迹真值之间的位姿变化量偏差,以及估计轨迹与轨迹真值之间的轨迹长度偏差,确定估计轨迹与轨迹真值之间在位姿维度下的数据偏差。
在实际的导航业务中,需要稳定的无人设备行驶速度以满足导航业务要求,但是,在定位模型进行调整的过程中,为了满足估计轨迹与轨迹真值之间的数据偏差较小,无人设备在估计轨迹中的行驶速度可能出现突变,以使得估计轨迹贴近于轨迹真值,从而导致行驶速度变化不稳定。因此,服务器还需要根据估计轨迹确定出的无人设备的行驶速度与真实行驶速度之间的速度偏差,确定估计轨迹与轨迹真值之间的数据偏差,以提高确定出的定位模型的好坏的准确性。
在本说明书实施例中,由于,服务器获取到的是在世界坐标系下的轨迹真值对应的真实行驶速度,而服务器通过定位模型确定出的是在设备坐标系下的估计轨迹对应的行驶速度。因此,服务器可以根据基于轨迹真值确定出的世界坐标系下无人设备的行驶速度以及位姿信息,确定以无人设备为坐标原点的设备坐标系下,无人设备的真实行驶速度。这里提到的世界坐标系可以是北东地坐标系(North East Down,NED)、地球中心坐标系,(Earth-Centered,Earth-Fixed,ECEF)等,本说明书不对世界坐标系进行具体的限定。确定无人设备的真实行驶速度,具体可以参考如下公式:
Vbody=RT*Vned
在上述公式中,Vbody可以用于表示无人设备在设备坐标系下的真实行驶速度。Vned可以用于表示无人设备在世界坐标系下的真实行驶速度。RT可以用于表示无人设备在世界坐标系下的位姿信息的转置。从上述公式中可以看出,该公式可以用于表示无人设备在设备坐标系下的真实行驶速度。
其次,确定基于估计轨迹确定出的设备坐标系下无人设备的行驶速度,与真实行驶速度之间的速度偏差。最后,根据速度偏差,确定估计轨迹与轨迹真值之间在速度维度下的数据偏差。
在上述过程中可以看出,服务器还可以根据每个时间对应的位姿偏差、每个时间段对应的位姿变化量偏差以及速度偏差,确定估计轨迹与轨迹真值之间的数据偏差,从多个维度来判断估计轨迹与轨迹真值之间的数据偏差,以提高确定出的定位模型的好坏的准确性。
在实际应用中,无人设备采集的传感器数据可能较差,定位模型会将无法识别的较差的传感器数据跳过,对下一个传感器数据进行处理。但是,定位模型中的传感器数据处理算法的效果越好,无法识别的较差的传感器数据也就越少。因此,服务器还可以根据定位模型在处理传感器数据的过程中,跳过传感器数据的次数,确定定位模型在应用时算法的鲁棒性以及稳定性,来判断定位模型的好坏。
在本说明书实施例中,服务器可以确定定位模型在确定无人设备的估计轨迹的过程中,不参考无人设备采集的传感器数据的次数,作为数据跳过次数。根据数据跳过次数,确定定位模型在确定估计轨迹时的鲁棒数据,其中,若是数据跳过次数越大,定位模型在确定估计轨迹时所基于的传感器数据处理算法的鲁棒性越差。
需要说明的是,这里提到的不参考无人设备采集的传感器数据,可以是不参考无人设备采集的全部种类的传感器数据,也可以是不参考无人设备采集的部分种类的传感器数据。例如,服务器可以不参考无人设备采集的图像数据,通过IMU数据确定估计轨迹。
在本说明书实施例中,服务器可以在定位模型确定估计轨迹时,跳过符合预设条件的连续的传感器数据,并重新选择用于确定无人设备估计轨迹的传感器数据的次数,作为数据重置次数。这里提到的预设条件可以是指设定的时间,也可以是指设定的数据跳过次数。也就是说,若定位模型确定估计轨迹时,连续跳过的传感器数据的数据跳过次数大于设定的数据跳过次数,服务器将定位模型进行重置,以无人设备在当前的位置作为原点,重新选择用于确定无人设备估计轨迹的传感器数据。
再根据数据重置次数,确定定位模型在确定估计轨迹时的鲁棒数据,其中,若是数据重置次数越大,定位模型在确定估计轨迹时所基于的传感器数据处理算法的鲁棒性越差。
在实际应用中,数据跳过次数以及数据重置次数仅能衡量定位模型在处理传感器数据方面的效果,无法确定出定位模型在整体上确定出的估计轨迹的准确性。因此,服务器可以确定定位模型确定出的估计轨迹中各个时刻对应的定位点的置信度,以此来确定定位模型确定出的估计轨迹是否准确。
在本说明书实施例中,服务器可以针对每个时刻,根据估计轨迹中该时刻对应的轨迹点,以及位于该时刻之前的其他时刻对应的轨迹点,确定定位模型在确定无人设备在该时刻对应的轨迹点的置信度,作为该时刻对应的置信度。根据各个时刻对应的置信度,确定定位模型在确定估计轨迹时的鲁棒数据。
具体的,服务器可以根据位于该时刻之前的其他时刻对应的轨迹点的位姿信息以及速度信息,确定出该时刻之前的其他时刻对应的轨迹点对应的协方差,再根据估计轨迹中该时刻对应的轨迹点的位姿信息以及速度信息,结合该时刻之前的其他时刻对应的轨迹点对应的协方差,确定出该时刻对应的轨迹点对应的协方差。若协方差矩阵求解出的正值越大(正值的范围为0-1),定位模型确定无人设备在该时刻对应的轨迹点的置信度越高。服务器可以根据各个时刻对应的置信度,确定出估计轨迹对应的平均置信度,再根据估计轨迹对应的平均置信度,确定定位模型在确定估计轨迹时的鲁棒数据。
在上述过程中可以看出,服务器还可以根据数据跳过次数、数据重置次数以及平均置信度,确定定位模型确定估计轨迹时的鲁棒数据,从多个维度来判断定位模型确定估计轨迹时的鲁棒数据,以提高确定出的定位模型的好坏的准确性。
在实际应用中,无人设备采集每个时刻对应的传感器数据,若定位模型对每个时刻对应的传感器数据的处理速度较慢,可能导致无法准确、及时的确定出无人设备在当前的位姿信息,并且,定位模型需要应用到无人设备中,定位模型在确定估计轨迹时所消耗的资源量越少,说明定位模型的计算效率越高。因此,服务器可以确定出定位模型在确定估计轨迹时所消耗的资源量以及计算时长,以确定定位模型在性能方面的强弱。
在本说明书实施例中,服务器可以确定定位模型在确定无人设备的估计轨迹的过程中所涉及的各计算时长以及资源消耗量。再根据各计算时长以及资源消耗量,确定定位模型在确定估计轨迹时的模型运算信息。这里提到的资源可以是IO资源、内存资源、CPU资源等计算机相关的资源。
具体的,服务器可以确定出的定位模型在确定无人设备的估计轨迹的过程中各个时刻的计算时长以及资源消耗量,得到每个时刻对应的平均计算时长以及平均资源消耗量,确定定位模型确定估计轨迹时的模型运算信息。
进一步的,服务器还可以将定位模型在确定无人设备的估计轨迹的过程中涉及的各计算时长,按照时长从小到大的顺序进行排列,得到时长排序结果。其次,从时长排序结果中,确定出位于设定排位之后的计算时长。最后,根据确定出的位于设定排位之后的计算时长,以及资源消耗量,确定模型运算信息。
在实际应用中,为了保证定位模型可以按时完成对传感器数据的处理,服务器可以从时长排序结果中,确定出排位靠后的计算时长,例如,99%排位的计算时长。再根据确定出的排位靠后的计算时长,平均计算时长以及平均资源消耗量,确定模型运算信息。也就是说,可以保证定位模型在处理传感器数据的过程中,处理传感器数据较慢的情况下仍然满足业务要求。
S106:根据所述数据偏差以及所述鲁棒数据,确定所述定位模型在各数据集对应的各项模型指标。
在本说明书实施例中,服务器可以根据数据偏差以及鲁棒数据,确定定位模型在各数据集对应的各项模型指标。这里提到的各项模型指标可以是指通过数据偏差确定出的位置偏差指标、姿态偏差指标、距离偏差指标、旋转角度偏差指标、偏航角偏差指标、轨迹长度偏差指标等,通过鲁棒数据确定出的数据跳过指标、数据重置指标以及置信度指标等,通过模型运算信息确定出的计算时长指标、资源消耗指标、设定排位计算时长指标等。
S108:根据所述各项模型指标,确定针对所述定位模型的模型调整策略,并根据所述调整策略,对所述定位模型进行调整。
在本说明书实施例中,服务器可以根据各项模型指标,确定针对定位模型的模型调整策略,并根据调整策略,对定位模型进行调整。具体如何调整定位模型,如图2所示。
图2为本说明书实施例提供的一种调整定位模型的方法的示意图。
在图2中,服务器先获取无人设备的轨迹真值对应的位姿信息以及行驶速度信息,并保存在文件中,文件中的每一行数据为各个时刻对应的位姿信息以及行驶速度信息。例如,位置(x、y、z)、姿态四元数(x、y、z、w)、行驶速度(Vx、Vy、Vz)等。这里提到的四元数可以用于表征无人设备的姿态。
再根据获取到的无人设备采集的传感器数据以及状态数据,通过定位模型确定估计轨迹对应的输出结果,并保存在文件中,文件中的每一行数据为各个时刻对应的估计轨迹对应的各项模型指标。
最后,将估计轨迹与轨迹真值对齐,以确定出定位模型的数据偏差,并根据估计轨迹的输出结果,计算鲁棒数据以及模型运算信息。服务器可以根据数据偏差、鲁棒数据以及模型运算信息,确定针对定位模型的模型调整策略。
进一步的,服务器根据数据偏差、鲁棒数据以及模型运算信息,确定定位模型对应的可视化图表。再根据定位模型对应的可视化图表,确定针对定位模型的模型调整策略,并根据调整策略,对定位模型进行调整。这里提到的可视化图表可以用于帮助开发人员直观的分析和定位,定位模型中需要进行调整的部分。可视化图表中可以包含有单一维度的数据信息,也可以包含有多种维度的数据信息,可视化图表中包含的具体的数据信息可以根据开发人员的实际需求确定。
例如,估计轨迹与轨迹真值对齐后的3D图,可以直观的看出定位模型确定出的估计轨迹与轨迹真值之间的数据偏差。再例如,计算时长与资源消耗量对应的折线图,可以直观的看出定位模型确定估计轨迹时的模型运算信息的变化。再例如,行驶速度与真实行驶速度对应的速度匹配图,可以直观的看出无人设备在哪个时刻发生了较大的速度偏差。
在实际应用中,对定位模型进行调整,通常将调整后的定位模型与调整前的定位模型在单个数据集中进行运行,得到运行结果,并通过对运行结果的对比分析,继续对定位模型进行调整,直到定位模型在该数据集中的运行结果达到要求。但是,这种方法可能出现调整后的定位模型在该数据集上的运行结果较为优秀,在其他数据集上的运行结果较差的情况。由于数据集的数量较多,依次确定定位模型在其他数据集中的运行结果达到要求的工作较为繁琐,并且,可能出现部分调整后的定位模型并不合理,大大降低了定位模型进行优化的效率。
基于此,服务器可以通过每轮调整的定位模型在多个数据集中的各项模型指标的变化量,准确快速的判断出每轮调整的定位模型实际应用时,在各数据集中的各项模型指标是否有提升,从而,确定每轮调整的定位模型是否有效,以提高定位模型进行优化的效率。
在本说明书实施例中,服务器可以针对每轮调整,将各数据集中的传感器数据以及状态数据输入到上一轮调整完成后的定位模型中,以确定上一轮调整完成后的定位模型所输出的无人设备的估计轨迹。
其次,根据估计轨迹与无人设备的轨迹真值,确定上一轮调整完成后的定位模型在各预设数据维度下针对各数据集的数据偏差,作为上一轮调整完成后的定位模型对应的数据偏差,以及确定上一轮调整完成后的定位模型确定估计轨迹时针对各数据集的鲁棒数据,作为上一轮调整完成后的定位模型对应的鲁棒数据。
而后,根据上一轮调整对应的数据偏差以及鲁棒数据,确定上一轮调整对应的各项模型指标。
最后,根据上一轮调整对应的各项模型指标,以及该轮调整对应的各项模型指标,确定经过上一轮调整后,定位模型在各数据集对应的各项模型指标的变化量,再根据变化量,确定针对该轮调整的模型调整策略,并根据模型调整策略,在该轮调整中对定位模型进行调整。
在实际应用中,由于数据集的数量较多,服务器可以通过各数据集对应的每项模型指标,计算出各数据集对应的每项模型指标的变化量均值,快速的确定出每轮调整完成后的定位模型的运行结果,相比于每轮调整完成前的定位模型的运行结果是否更为优异。
在本说明书实施例中,服务器可以针对每项模型指标,根据经过上一轮调整后,定位模型在各数据集对应的该项模型指标的变化量,确定该项模型指标的变化量均值。确定各项模型指标中,变化量均值位于设定变化量均值区间的模型指标的数量,作为第一数量。根据第一数量,确定针对该轮调整的模型调整策略。
由于,不同的模型指标的变化量均值的数值正负会有不同的含义,例如,位置偏差指标的变化量均值若为正值,则说明经过上一轮调整后,定位模型确定出的位置偏差更大,该轮调整的定位模型的模型指标下降。而置信度指标的变化量均值若为正值,则说明经过上一轮调整后,定位模型确定出的置信度更高,该轮调整的定位模型的模型指标提升。因此,不同的模型指标对应有不同的设定的变化量均值区间。因此,根据各项模型指标的变化量均值以及各项模型指标对应的变化量均值区间,确定出经过上一轮调整后,定位模型对应的各项模型指标中有提升的模型指标的数量。最后,根据有提升的模型指标的数量,确定出对该轮调整的定位模型的调整是否有效。
在实际应用中,经过上一轮调整后,定位模型在不同的数据集中的运行结果中,可能出现个别的数据集的运行结果的数值偏差非常大,导致得到的各项模型指标的变化量均值并不准确。因此,服务器可以确定每项模型指标在大多数的数据集中是否有提升,以避免个别的数据集的模型指标的数值偏差较大,对整体数据集的变化量均值造成不良影响。
在本说明书实施例中,服务器可以针对每项模型指标,根据经过上一轮调整后,定位模型在各数据集对应的该项模型指标的变化量,确定该项模型指标的变化量位于设定变化量区间的数据集数量,作为第二数量。若第二数量大于设定的数据集数量阈值,确定该模型指标为优化模型指标。根据各项模型指标中优化模型指标的数量,确定针对该轮调整的模型调整策略。
需要说明的是,不同的模型指标的提升对定位模型的影响不同,定位模型更加关注确定出的定位数据的准确性。也就是说,定位模型的位姿偏差指标,相比于资源消耗指标更为重要。因此,服务器可以根据预先设定的不同的模型指标对应的不同的模型指标权重,再根据各项优化模型指标以及模型指标权重,确定针对该轮调整的模型调整策略。
进一步的,服务器可以设定有多个设定变化量区间,用于区分模型指标的提升程度,模型指标的不同提升程度对应有不同的模型指标权重。也就是说,服务器可以根据不同的模型指标,模型指标的不同提升程度以及模型指标权重,确定针对该轮调整的模型调整策略。
在实际应用中,服务器还可以根据上一轮调整完成后的定位模型在单个数据集对应的模型指标的提升情况,确定该轮调整的定位模型在该数据集中的调整是否有效,再确定各数据集中进行有效调整的数据集数量,确定对该轮调整的定位模型的调整是否有效。
在本说明书实施例中,服务器可以针对每个数据集,根据经过上一轮调整后,定位模型在该数据集对应的各项模型指标的变化量,确定各项模型指标的变化量位于设定变化量区间的模型指标的数量,作为第三数量。若第三数量大于设定的模型指标数量阈值,确定该数据集为优化数据集。根据各数据集中优化数据集的数量,确定针对该轮调整的模型调整策略。
由于,很难保证调整后的定位模型在每个数据集对应的各项模型指标都有提升。因此,调整后的定位模型在大多数的数据集对应的各项模型指标中有提升,就可以认为对该轮调整的定位模型的调整是有效的。也就是说,若优化数据集的数量大于设定阈值,服务器可以确定对该轮调整的定位模型的调整是有效的,进而,对定位模型进行下一轮的模型调整。
在本说明书实施例中,服务器可以将每轮调整的定位模型对应的模型配置以及各数据集对应的各项模型指标,存储到运行结果文件。其次,针对每轮调整,根据运行结果文件中存储的不同模型调整策略对该轮调整的定位模型进行调整后,在各数据集对应的各项模型指标,确定不同模型调整策略对该轮调整的定位模型进行调整后,在各数据集对应的各项模型指标的变化量。最后,根据不同模型调整策略对该轮调整的定位模型进行调整后,在各数据集对应的各项模型指标的变化量,确定针对定位模型的最优的模型调整策略。
在本说明书实施例中,服务器可以根据变化量,生成针对该轮调整的定位模型的指标对照表。在指标对照表中,根据预先设定的各变化量区间对应的标注颜色,对变化量进行标注。将标注后的指标对照表向开发人员进行展示。这里提到的标注后的指标对照表可以通过标注颜色,帮助开发人员直观的分析和定位,定位模型中需要进行调整的部分以及有提升的部分。例如,提升较大的模型指标所在的单元格颜色为绿色,下降较大的模型指标所在的单元格颜色为蓝色等。再例如,将不满足预先设定的要求的模型指标所在的单元格的字体标红,以使开发人员重点关注。指标对照表中可以包含有多种维度的数据信息,指标对照表中包含的具体的数据信息可以根据开发人员的实际需求确定。
在本说明书实施例中,服务器可以通过模型调整系统,确定针对该轮调整的模型调整策略,并根据模型调整策略,在该轮调整中对定位模型进行调整。具体如图3所示。
图3为本说明书实施例提供的一种模型调整系统的示意图。
在图3中,用于调整定位模型的模型调整系统包括数据管理模块、模型管理模块、模型运行模块、结果展示模块。数据管理模块包含有数据采集子模块、数据配置子模块、真值获取子模块。数据采集子模块用于获取无人设备行驶一条完整的行驶轨迹所采集的传感数据,作为数据集。由于,采集到的传感数据为原始数据。因此,需要数据配置子模型来管理获取数据集的传感器的内外参的配置,以得到可以用于定位模型运行的数据。真值获取子模块用于从数据集中提取真实的行驶轨迹,包含有无人设备在各个时刻的真实的位姿信息以及速度信息。
模型管理模块包含有模型版本管理子模块、参数配置管理子模块。模型版本管理子模块用于管理定位模型的不同代码版本。参数配置管理子模块用于管理定位模型中的不同的参数配置。其中,同一代码版本的定位模型可能对应有不同的参数配置。
模型运行模型包含有模型运行子模块、运行结果子模块、结果保存子模块。模型运行子模块用于在单个数据集上运行定位模型。运行结果子模块用于得到定位模型在单个数据集上运行后的运行结果。结果保存子模块用于保存定位模型在单个数据集上运行后的运行结果。由于,数据集数量较多,因此可以设置多个模型运行模块并行运行,以提高定位模型进行优化的效率。
结果展示模块包含有报表生成子模块、报表展示子模块。报表生成子模块用于生成各数据集上的指标对照表。报表展示子模块用于向开发人员进行指标对照表展示,以使开发人员根据指标对照表判断定位模型的改进情况。
从上述过程中可以看出,本方法可以通过定位模型在多个维度的模型评估指标,来判断定位模型在实际应用时的好坏。首先,通过估计轨迹与轨迹真值之间的位姿偏差、估计轨迹与轨迹真值之间的位姿变化量偏差,以及估计轨迹与轨迹真值之间的速度偏差,从多个方面确定出定位模型确定出的估计轨迹与轨迹真值之间的数据偏差。其次,通过数据跳过次数、数据重置次数,以及估计轨迹对应的平均置信度,从多个方面确定出定位模型确定估计轨迹时的鲁棒数据。而后,通过各计算时长以及资源消耗量,从多个方面确定出定位模型确定估计轨迹时的模型运算信息。最后,根据数据偏差、鲁棒数据以及模型运算信息,在多个维度的模型评估指标下,确定定位模型在实际应用时的好坏,进一步提高了判断定位模型在实际应用时的好坏的准确性。
并且,本方法可以根据上一轮调整对应的各项模型指标,以及该轮调整对应的各项模型指标,确定经过上一轮调整后,定位模型在各数据集对应的各项模型指标的变化量,再确定针对定位模型的模型调整策略。根据上一轮调整完成后的定位模型在多个数据集中的各项模型指标的变化量,通过多种方式对该轮调整的定位模型实际应用时,在各数据集中的各项模型指标是否有提升进行判断,避免对各项模型指标的提升效果进行误判,以提高定位模型进行优化的效率以及准确性。
以上为本说明书的一个或多个实施例提供的无人设备数据处理的方法,基于同样的思路,本说明书还提供了相应的无人设备数据处理的装置,如图4所示。
图4为本说明书提供的一种无人设备数据处理的装置示意图,所述装置应用于无人驾驶领域,包括:
获取模块400,用于获取各数据集,所述数据集包括无人设备采集的传感器数据以及状态数据;
输入模块402,用于将各数据集中的传感器数据以及状态数据输入到待调整的定位模型中,确定所述无人设备的估计轨迹;
第一确定模块404,用于确定所述估计轨迹与所述无人设备的轨迹真值之间在各预设数据维度下的数据偏差,以及确定所述定位模型在确定所述估计轨迹时的鲁棒数据,所述鲁棒数据用于反映所述定位模型在确定所述无人设备的估计轨迹的过程中,不参考所述无人设备采集的传感器数据的情况;
第二确定模块406,用于根据所述数据偏差以及所述鲁棒数据,确定所述定位模型在各数据集对应的各项模型指标;
调整模块408,用于根据所述各项模型指标,确定针对所述定位模型的模型调整策略,并根据所述调整策略,对所述定位模型进行调整。
可选地,所述第一确定模块404具体用于,针对每个时刻,确定在所述估计轨迹中所述无人设备在该时刻对应的位姿信息,与在所述轨迹真值中所述无人设备在该时刻对应的位姿信息之间的位姿偏差,作为该时刻对应的位姿偏差,针对每个预设的时间段,确定在所述估计轨迹中所述无人设备在该时间段的位姿变化量,与在所述轨迹真值中所述无人设备在该时间段的位姿变化量之间的位姿变化量偏差,作为该时间段对应的位姿变化量偏差,根据每个时间对应的位姿偏差,以及每个时间段对应的位姿变化量偏差,确定所述估计轨迹与所述轨迹真值之间在位姿维度下的数据偏差。
可选地,所述第一确定模块404具体用于,根据基于所述轨迹真值确定出的世界坐标系下所述无人设备的行驶速度以及位姿信息,确定以所述无人设备为坐标原点的设备坐标系下,所述无人设备的真实行驶速度,确定基于所述估计轨迹确定出的所述设备坐标系下所述无人设备的行驶速度,与所述真实行驶速度之间的速度偏差,根据所述速度偏差,确定所述估计轨迹与所述轨迹真值之间在速度维度下的数据偏差。
可选地,所述第一确定模块404具体用于,确定所述定位模型在确定所述无人设备的估计轨迹的过程中,不参考所述无人设备采集的传感器数据的次数,作为数据跳过次数,根据所述数据跳过次数,确定所述定位模型在确定所述估计轨迹时的鲁棒数据,其中,若是所述数据跳过次数越大,所述定位模型在确定所述估计轨迹时所基于的传感器数据处理算法的鲁棒性越差。
可选地,所述第一确定模块404具体用于,确定所述定位模型在确定所述估计轨迹时,跳过符合预设条件的连续的传感器数据,并重新选择用于确定所述无人设备估计轨迹的传感器数据的次数,作为数据重置次数,根据所述数据重置次数,确定所述定位模型在确定所述估计轨迹时的鲁棒数据,其中,若是所述数据重置次数越大,所述定位模型在确定所述估计轨迹时所基于的传感器数据处理算法的鲁棒性越差。
可选地,所述第一确定模块404具体用于,针对每个时刻,根据所述估计轨迹中该时刻对应的轨迹点,以及位于该时刻之前的其他时刻对应的轨迹点,确定所述定位模型在确定所述无人设备在该时刻对应的轨迹点的置信度,作为该时刻对应的置信度,根据各个时刻对应的置信度,确定所述定位模型在确定所述估计轨迹时的鲁棒数据。
可选地,所述第一确定模块404具体用于,确定所述定位模型在确定所述无人设备的估计轨迹的过程中所涉及的各计算时长以及资源消耗量,根据所述各计算时长以及所述资源消耗量,确定所述定位模型在确定所述估计轨迹时的模型运算信息,根据所述数据偏差、所述鲁棒数据以及所述模型运算信息,确定所述定位模型在各数据集对应的各项模型指标。
可选地,所述第一确定模块404具体用于,将所述定位模型在确定所述无人设备的估计轨迹的过程中涉及的各计算时长,按照时长从小到大的顺序进行排列,得到时长排序结果,从所述时长排序结果中,确定出位于设定排位之后的计算时长,根据确定出的位于设定排位之后的计算时长,以及所述资源消耗量,确定所述模型运算信息。
可选地,所述调整模块408具体用于,根据所述各项模型指标,确定所述定位模型对应的可视化图表,根据所述定位模型对应的可视化图表,确定针对所述定位模型的模型调整策略,并根据所述调整策略,对所述定位模型进行调整。
可选地,所述调整模块408具体用于,针对每轮调整,将各数据集中的传感器数据以及状态数据输入到上一轮调整完成后的定位模型中,以确定所述上一轮调整完成后的定位模型所输出的所述无人设备的估计轨迹,根据所述估计轨迹与所述无人设备的轨迹真值,确定所述上一轮调整完成后的定位模型在各预设数据维度下针对各数据集的数据偏差,作为所述上一轮调整完成后的定位模型对应的数据偏差,以及确定所述上一轮调整完成后的定位模型确定所述估计轨迹时针对各数据集的鲁棒数据,作为所述上一轮调整完成后的定位模型对应的鲁棒数据,根据所述上一轮调整对应的数据偏差以及鲁棒数据,确定所述上一轮调整对应的各项模型指标,根据所述上一轮调整对应的各项模型指标,以及该轮调整对应的各项模型指标,确定经过上一轮调整后,所述定位模型在各数据集对应的各项模型指标的变化量,根据所述变化量,确定针对该轮调整的模型调整策略,并根据所述模型调整策略,在该轮调整中对所述定位模型进行调整。
可选地,所述调整模块408具体用于,针对每项模型指标,根据经过上一轮调整后,所述定位模型在各数据集对应的该项模型指标的变化量,确定该项模型指标的变化量均值,确定各项模型指标中,变化量均值位于设定变化量均值区间的模型指标的数量,作为第一数量,根据所述第一数量,确定针对该轮调整的模型调整策略。
可选地,所述调整模块408具体用于,针对每项模型指标,根据经过上一轮调整后所述定位模型在各数据集对应的该项模型指标的变化量,确定该项模型指标的变化量位于设定变化量区间的数据集数量,作为第二数量,若所述第二数量大于设定的数据集数量阈值,确定该模型指标为优化模型指标,根据各项模型指标中优化模型指标的数量,确定针对该轮调整的模型调整策略。
可选地,所述调整模块408具体用于,针对每个数据集,根据经过上一轮调整后,所述定位模型在该数据集对应的各项模型指标的变化量,确定各项模型指标的变化量位于设定变化量区间的模型指标的数量,作为第三数量,若所述第三数量大于设定的模型指标数量阈值,确定该数据集为优化数据集,根据所述各数据集中优化数据集的数量,确定针对该轮调整的模型调整策略。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的一种无人设备数据处理的方法。
本说明书还提供了图5所示的一种对应于图1的电子设备的示意结构图。如图5所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的无人设备数据处理的方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (16)
1.一种无人设备数据处理的方法,其特征在于,所述方法应用于无人驾驶领域,包括:
获取各数据集,所述数据集包括无人设备采集的传感器数据以及状态数据;
将各数据集中的传感器数据以及状态数据输入到待调整的定位模型中,确定所述无人设备的估计轨迹;
确定所述估计轨迹与所述无人设备的轨迹真值之间在各预设数据维度下的数据偏差,以及确定所述定位模型在确定所述估计轨迹时的鲁棒数据,所述鲁棒数据用于反映所述定位模型在确定所述无人设备的估计轨迹的过程中,不参考所述无人设备采集的传感器数据的情况;
根据所述数据偏差以及所述鲁棒数据,确定所述定位模型在各数据集对应的各项模型指标;
根据所述各项模型指标,确定针对所述定位模型的模型调整策略,并根据所述调整策略,对所述定位模型进行调整。
2.如权利要求1所述的方法,其特征在于,确定所述估计轨迹与所述无人设备的轨迹真值之间在各预设数据维度下的数据偏差,具体包括:
针对每个时刻,确定在所述估计轨迹中所述无人设备在该时刻对应的位姿信息,与在所述轨迹真值中所述无人设备在该时刻对应的位姿信息之间的位姿偏差,作为该时刻对应的位姿偏差;
针对每个预设的时间段,确定在所述估计轨迹中所述无人设备在该时间段的位姿变化量,与在所述轨迹真值中所述无人设备在该时间段的位姿变化量之间的位姿变化量偏差,作为该时间段对应的位姿变化量偏差;
根据每个时间对应的位姿偏差,以及每个时间段对应的位姿变化量偏差,确定所述估计轨迹与所述轨迹真值之间在位姿维度下的数据偏差。
3.如权利要求1或2所述的方法,其特征在于,确定所述估计轨迹与所述轨迹真值之间在各预设数据维度下的数据偏差,具体包括:
根据基于所述轨迹真值确定出的世界坐标系下所述无人设备的行驶速度以及位姿信息,确定以所述无人设备为坐标原点的设备坐标系下,所述无人设备的真实行驶速度;
确定基于所述估计轨迹确定出的所述设备坐标系下所述无人设备的行驶速度,与所述真实行驶速度之间的速度偏差;
根据所述速度偏差,确定所述估计轨迹与所述轨迹真值之间在速度维度下的数据偏差。
4.如权利要求1所述的方法,其特征在于,确定所述定位模型在确定所述估计轨迹时的鲁棒数据,具体包括:
确定所述定位模型在确定所述无人设备的估计轨迹的过程中,不参考所述无人设备采集的传感器数据的次数,作为数据跳过次数;
根据所述数据跳过次数,确定所述定位模型在确定所述估计轨迹时的鲁棒数据,其中,若是所述数据跳过次数越大,所述定位模型在确定所述估计轨迹时所基于的传感器数据处理算法的鲁棒性越差。
5.如权利要求1所述的方法,其特征在于,确定所述定位模型在确定所述估计轨迹时的鲁棒数据,具体包括:
确定所述定位模型在确定所述估计轨迹时,跳过符合预设条件的连续的传感器数据,并重新选择用于确定所述无人设备估计轨迹的传感器数据的次数,作为数据重置次数;
根据所述数据重置次数,确定所述定位模型在确定所述估计轨迹时的鲁棒数据,其中,若是所述数据重置次数越大,所述定位模型在确定所述估计轨迹时所基于的传感器数据处理算法的鲁棒性越差。
6.如权利要求1所述的方法,其特征在于,确定所述定位模型在确定所述估计轨迹时的鲁棒数据,具体包括:
针对每个时刻,根据所述估计轨迹中该时刻对应的轨迹点,以及位于该时刻之前的其他时刻对应的轨迹点,确定所述定位模型在确定所述无人设备在该时刻对应的轨迹点的置信度,作为该时刻对应的置信度;
根据各个时刻对应的置信度,确定所述定位模型在确定所述估计轨迹时的鲁棒数据。
7.如权利要求1所述的方法,其特征在于,在确定所述定位模型在确定所述估计轨迹时的鲁棒数据之前,所述方法还包括:
确定所述定位模型在确定所述无人设备的估计轨迹的过程中所涉及的各计算时长以及资源消耗量;
根据所述各计算时长以及所述资源消耗量,确定所述定位模型在确定所述估计轨迹时的模型运算信息;
根据所述数据偏差以及所述鲁棒数据,确定所述定位模型在各数据集对应的各项模型指标,具体包括:
根据所述数据偏差、所述鲁棒数据以及所述模型运算信息,确定所述定位模型在各数据集对应的各项模型指标。
8.如权利要求7所述的方法,其特征在于,根据所述各计算时长以及所述资源消耗量,确定所述定位模型确定所述估计轨迹时的模型运算信息,具体包括:
将所述定位模型在确定所述无人设备的估计轨迹的过程中涉及的各计算时长,按照时长从小到大的顺序进行排列,得到时长排序结果;
从所述时长排序结果中,确定出位于设定排位之后的计算时长;
根据确定出的位于设定排位之后的计算时长,以及所述资源消耗量,确定所述模型运算信息。
9.如权利要求1所述的方法,其特征在于,根据所述各项模型指标,确定针对所述定位模型的模型调整策略,并根据所述调整策略,对所述定位模型进行调整,具体包括:
根据所述各项模型指标,确定所述定位模型对应的可视化图表;
根据所述定位模型对应的可视化图表,确定针对所述定位模型的模型调整策略,并根据所述调整策略,对所述定位模型进行调整。
10.如权利要求1~9任一项所述的方法,其特征在于,将各数据集中的传感器数据以及状态数据输入到待调整的定位模型中,确定所述无人设备的估计轨迹,具体包括:
针对每轮调整,将各数据集中的传感器数据以及状态数据输入到上一轮调整完成后的定位模型中,以确定所述上一轮调整完成后的定位模型所输出的所述无人设备的估计轨迹;
确定所述估计轨迹与所述无人设备的轨迹真值之间在各预设数据维度下的数据偏差,以及确定所述定位模型在确定所述估计轨迹时的鲁棒数据,具体包括:
根据所述估计轨迹与所述无人设备的轨迹真值,确定所述上一轮调整完成后的定位模型在各预设数据维度下针对各数据集的数据偏差,作为所述上一轮调整完成后的定位模型对应的数据偏差,以及确定所述上一轮调整完成后的定位模型确定所述估计轨迹时针对各数据集的鲁棒数据,作为所述上一轮调整完成后的定位模型对应的鲁棒数据;
根据所述数据偏差以及所述鲁棒数据,确定所述定位模型在各数据集对应的各项模型指标,具体包括:
根据所述上一轮调整对应的数据偏差以及鲁棒数据,确定所述上一轮调整对应的各项模型指标;
根据所述各项模型指标,确定针对所述定位模型的模型调整策略,具体包括:
根据所述上一轮调整对应的各项模型指标,以及该轮调整对应的各项模型指标,确定经过上一轮调整后,所述定位模型在各数据集对应的各项模型指标的变化量;
根据所述变化量,确定针对该轮调整的模型调整策略,并根据所述模型调整策略,在该轮调整中对所述定位模型进行调整。
11.如权利要求10所述的方法,其特征在于,根据所述变化量,确定针对该轮调整的模型调整策略,具体包括:
针对每项模型指标,根据经过上一轮调整后,所述定位模型在各数据集对应的该项模型指标的变化量,确定该项模型指标的变化量均值;
确定各项模型指标中,变化量均值位于设定变化量均值区间的模型指标的数量,作为第一数量;
根据所述第一数量,确定针对该轮调整的模型调整策略。
12.如权利要求10所述的方法,其特征在于,根据所述变化量,确定针对该轮调整的模型调整策略,具体包括:
针对每项模型指标,根据经过上一轮调整后所述定位模型在各数据集对应的该项模型指标的变化量,确定该项模型指标的变化量位于设定变化量区间的数据集数量,作为第二数量;
若所述第二数量大于设定的数据集数量阈值,确定该模型指标为优化模型指标;
根据各项模型指标中优化模型指标的数量,确定针对该轮调整的模型调整策略。
13.如权利要求10所述的方法,其特征在于,根据所述变化量,确定针对该轮调整的模型调整策略,具体包括:
针对每个数据集,根据经过上一轮调整后,所述定位模型在该数据集对应的各项模型指标的变化量,确定各项模型指标的变化量位于设定变化量区间的模型指标的数量,作为第三数量;
若所述第三数量大于设定的模型指标数量阈值,确定该数据集为优化数据集;
根据所述各数据集中优化数据集的数量,确定针对该轮调整的模型调整策略。
14.一种无人设备数据处理的装置,其特征在于,所述装置应用于无人驾驶领域,包括:
获取模块,用于获取各数据集,所述数据集包括无人设备采集的传感器数据以及状态数据;
输入模块,用于将各数据集中的传感器数据以及状态数据输入到待调整的定位模型中,确定所述无人设备的估计轨迹;
第一确定模块,用于确定所述估计轨迹与所述无人设备的轨迹真值之间在各预设数据维度下的数据偏差,以及确定所述定位模型在确定所述估计轨迹时的鲁棒数据,所述鲁棒数据用于反映所述定位模型在确定所述无人设备的估计轨迹的过程中,不参考所述无人设备采集的传感器数据的情况;
第二确定模块,用于根据所述数据偏差以及所述鲁棒数据,确定所述定位模型在各数据集对应的各项模型指标;
调整模块,用于根据所述各项模型指标,确定针对所述定位模型的模型调整策略,并根据所述调整策略,对所述定位模型进行调整。
15.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~13任一项所述的方法。
16.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~13任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111219290.5A CN115994436A (zh) | 2021-10-20 | 2021-10-20 | 一种无人设备数据处理的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111219290.5A CN115994436A (zh) | 2021-10-20 | 2021-10-20 | 一种无人设备数据处理的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115994436A true CN115994436A (zh) | 2023-04-21 |
Family
ID=85989148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111219290.5A Pending CN115994436A (zh) | 2021-10-20 | 2021-10-20 | 一种无人设备数据处理的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115994436A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110962839A (zh) * | 2019-12-18 | 2020-04-07 | 厦门大学 | 无人驾驶电动汽车轨迹跟踪和横向稳定性综合控制方法 |
CN111709517A (zh) * | 2020-06-12 | 2020-09-25 | 武汉中海庭数据技术有限公司 | 一种基于置信度预测系统的冗余融合定位增强的方法和装置 |
CN112286206A (zh) * | 2020-11-17 | 2021-01-29 | 苏州智加科技有限公司 | 自动驾驶的模拟方法、系统、设备、可读存储介质及平台 |
CN112949756A (zh) * | 2021-03-30 | 2021-06-11 | 北京三快在线科技有限公司 | 一种模型训练以及轨迹规划的方法及装置 |
US20210178600A1 (en) * | 2019-12-12 | 2021-06-17 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Robust Optimization for Trajectory-Centric ModelBased Reinforcement Learning |
CN113419546A (zh) * | 2021-08-24 | 2021-09-21 | 新石器慧通(北京)科技有限公司 | 一种无人车的控制方法、装置、介质及电子设备 |
-
2021
- 2021-10-20 CN CN202111219290.5A patent/CN115994436A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210178600A1 (en) * | 2019-12-12 | 2021-06-17 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Robust Optimization for Trajectory-Centric ModelBased Reinforcement Learning |
CN110962839A (zh) * | 2019-12-18 | 2020-04-07 | 厦门大学 | 无人驾驶电动汽车轨迹跟踪和横向稳定性综合控制方法 |
CN111709517A (zh) * | 2020-06-12 | 2020-09-25 | 武汉中海庭数据技术有限公司 | 一种基于置信度预测系统的冗余融合定位增强的方法和装置 |
CN112286206A (zh) * | 2020-11-17 | 2021-01-29 | 苏州智加科技有限公司 | 自动驾驶的模拟方法、系统、设备、可读存储介质及平台 |
CN112949756A (zh) * | 2021-03-30 | 2021-06-11 | 北京三快在线科技有限公司 | 一种模型训练以及轨迹规划的方法及装置 |
CN113419546A (zh) * | 2021-08-24 | 2021-09-21 | 新石器慧通(北京)科技有限公司 | 一种无人车的控制方法、装置、介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111238450B (zh) | 视觉定位方法及装置 | |
JP2021119507A (ja) | 車線の決定方法、車線測位精度の評価方法、車線の決定装置、車線測位精度の評価装置、電子デバイス、コンピュータ可読記憶媒体、及びプログラム | |
CN112905831B (zh) | 物体在虚拟场景中的坐标获取方法、系统及电子设备 | |
CN111797906B (zh) | 基于视觉和惯性里程定位的方法及装置 | |
CN111062372B (zh) | 一种预测障碍物轨迹的方法及装置 | |
CN113674424B (zh) | 一种电子地图绘制的方法及装置 | |
CN109813338A (zh) | 飞控陀螺仪的校准方法、装置、电子设备及存储介质 | |
CN109691185A (zh) | 一种定位方法、装置、终端和可读存储介质 | |
CN115979262B (zh) | 飞行器的定位方法、装置、设备及存储介质 | |
CN115994436A (zh) | 一种无人设备数据处理的方法及装置 | |
CN116012483A (zh) | 一种图像渲染的方法、装置、存储介质及电子设备 | |
CN110222056A (zh) | 一种定位方法、系统及设备 | |
CN116558545A (zh) | 一种传感器数据的标定方法及装置 | |
CN111798489B (zh) | 一种特征点跟踪方法、设备、介质及无人设备 | |
CN116300842A (zh) | 一种无人设备控制方法、装置、存储介质及电子设备 | |
CN116134488A (zh) | 点云标注方法、装置、计算机设备和存储介质 | |
CN111737285B (zh) | 基于地理空间分析的建筑查询并标注处理方法、装置 | |
CN116358532B (zh) | 回环检测方法、装置、存储介质以及车辆 | |
CN109324797B (zh) | 一种桌面图标生成方法、计算机可读存储介质及终端设备 | |
CN116721118B (zh) | 一种基于点云的飞行器安全降落点的选择方法及装置 | |
CN114383621B (zh) | 基于网格地图的轨迹纠偏方法、电子设备和存储介质 | |
CN116740114B (zh) | 一种基于凸包检测的目标物边界拟合方法及装置 | |
CN111881959B (zh) | 一种标识图像差异的方法及装置 | |
CN117649758A (zh) | 校验路侧感知设备精确度的方法、装置、存储介质和设备 | |
CN117786454A (zh) | 传感器数据的特征值计算方法、自动驾驶方法和装置 |
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 |