CN116013067A - 车辆数据处理方法、处理器及服务器 - Google Patents

Abstract

本申请提供一种车辆数据处理方法、处理器及服务器。该方法包括：接收车载服务器下发的主动控制指令，确定当前时刻的信号数据以及轨迹变化模型参数；根据信号数据以及轨迹变化模型参数，确定每一物体对应的目标信号数据以及目标参数；对于每一物体，将目标信号数据以及目标参数输入至预设的神经网络模型中，以得到物体在下一时刻预测信号数据；获取物体在下一时刻真实信号数据，并根据真实信号数据和预测信号数据确定误差值；根据误差值以及当前时刻物体的目标信号数据确定梯度信息；将梯度信息发送至车载服务器，以使车载服务器根据梯度信息确定物体在下一时刻的轨迹变化。本申请的方法，可以提高车载服务器处理数据的及时性，并保证用户隐私。

Description

车辆数据处理方法、处理器及服务器

技术领域

本申请涉及数据处理领域，尤其涉及一种车辆数据处理方法、处理器及服务器。

背景技术

随着互联网技术的发展和社会的进步，自动驾驶、无人驾驶等智慧驾驶技术逐渐成为车辆领域的研发的目标，而智慧驾驶技术最重要的基石是数据的处理和交互。

智慧驾驶涉及对行车过程中产生的大量实时数据进行处理和交互，对信号的处理、传输和计算提出了更高的实时性、准确性和鲁棒性要求。现有的车辆数据处理系统一般包括车载服务器、处理器和传感器，车载服务器分别与处理器和传感器通信连接，处理器和传感器一一对应并分别设置在车辆的不同位置节点，处理器和传感器之间通信连接。雷达等传感器采集到电磁信号数据之后，会将电磁信号数据发送至对应位置节点的处理器，处理器会对电磁信号数据进行初步的转换处理，转换为图像、距离、位置等信息数据，之后将信息数据发送至车载服务器，车载服务器会对信息数据进行深入的处理，以预测下一时刻车辆周围物体的轨迹变化。但是，处理器仅是对传感器采集到的数据进行简单的初步处理，车载服务器的数据处理量仍然很大，导致数据处理可能不及时。此外，处理器简单的数据处理基本不会对传感器采集到的数据的真实内容造成改变，导致传感器采集到的数据会在车联网络中直接传输处理，即使存在一定的安全防范技术和措施，用户的隐私也难以得到保证。

因此，需要一种数据处理及时，并且能够保证用户隐私的车辆数据处理方案。

发明内容

本申请提供一种车辆数据处理方法、处理器及服务器，用以解决现有的车辆数据处理方法不及时、难以保证用户隐私的技术问题。

第一方面，本申请提供一种车辆数据处理方法，所述车辆包括：设置在所述车辆不同位置节点的多个处理器，所述位置节点与所述处理器一一对应，所述多个处理器中一个处理器为主动处理器，其他处理器为被动处理器，所述多个处理器互相通信连接，每一所述处理器均分别与车载服务器通信连接，每一所述处理器还均分别与所处的位置节点对应的传感器连接，所述传感器用于采集车辆行驶过程中检测到的物体的信号数据，并将所述信号数据上传至对应的处理器，所述方法包括：

所述主动处理器接收所述车载服务器下发的主动控制指令，确定当前时刻每一所述位置节点对应的信号数据以及轨迹变化模型参数，所述轨迹变化模型参数是所述车载服务器根据所述处理器所处的位置节点下发的；

所述主动处理器根据每一所述位置节点对应的信号数据以及轨迹变化模型参数，确定所述车辆行驶过程中检测到的每一物体，当前时刻分别在每一所述位置节点对应的目标信号数据以及目标参数；

对于每一所述物体，

所述主动处理器将当前时刻所述物体在每一所述位置节点对应的目标信号数据以及目标参数，输入至预设的神经网络模型中，以得到所述物体在下一时刻，每一所述位置节点对应的预测信号数据；

所述主动处理器根据每一所述传感器上传的数据，获取所述物体在下一时刻，每一所述位置节点对应的真实信号数据，并根据所述真实信号数据和所述预测信号数据确定每一所述位置节点对应的信号数据的误差值；

所述主动处理器根据所述信号数据的误差值，以及当前时刻所述物体在每一所述位置节点对应的目标信号数据，确定每一所述位置节点对应的梯度信息；

所述主动处理器将所述梯度信息发送至所述车载服务器，以使所述车载服务器根据所述梯度信息确定所述物体在下一时刻的轨迹变化模型参数，根据当前轨迹变化模型以及所述物体在下一时刻的轨迹变化模型参数，确定所述物体在下一时刻的轨迹变化，将所述物体在下一时刻的轨迹变化发送至车载终端，并将所述物体在下一时刻的轨迹变化模型参数发送至每一所述处理器，以对所述物体的轨迹变化进行迭代更新，所述当前轨迹变化模型，是根据所述物体第一次被传感器检测到时采集的信号数据生成的。

在一种可能的实施方式中，所述接收所述车载服务器下发的主动控制指令，确定当前时刻每一所述位置节点对应的信号数据以及轨迹变化模型参数，具体包括：

在接收到所述车载服务器下发的主动控制指令之后，向每一所述被动处理器发送数据获取请求，以获取当前时刻每一所述被动处理器接收到的信号数据以及轨迹变化模型参数；

根据每一所述被动处理器接收到的信号数据以及轨迹变化模型参数，以及每一所述被动处理器对应的位置节点，生成被动位置节点对应的信号数据以及轨迹变化模型参数；

根据所述主动处理器接收到的服务器下发的轨迹变化模型参数，以及所述主动处理器对应的传感器上传的信号数据，生成主动位置节点对应的信号数据以及轨迹变化模型参数；

根据每一所述被动位置节点对应的信号数据以及轨迹变化模型参数，和所述主动位置节点对应的信号数据以及轨迹变化模型参数，生成每一所述位置节点对应的信号数据以及轨迹变化模型参数。

在一种可能的实施方式中，所述轨迹变化包括：物体编号、速度、加速度、距离、方位角和俯仰角中的一种或多种；

所述轨迹变化模型参数包括：每一预设物体分别在预设的驾驶场景时对应的子参数，所述预设物体包括：行人、非机动车辆、机动车辆、动物中的一种或多种，所述预设的驾驶场景包括：车辆加入或离开场景、行人或动物经过场景、指示灯场景中的一种或多种，所述子参数包括：速度变化速度、加速度变化速度、距离变化速度、方位角变化速度和俯仰角变化速度中的一种或多种。

在一种可能的实施方式中，所述传感器包括毫米波雷达和视觉传感器，所述视觉传感器包括激光雷达和车载摄像机，所述信号数据包括所述激光雷达和车载摄像机采集的图像数据，以及所述毫米波雷达采集的中频接收数据；

相应的，所述根据每一所述位置节点对应的信号数据以及轨迹变化模型参数，确定所述车辆行驶过程中检测到的每一物体，当前时刻分别在每一所述位置节点对应的目标信号数据以及目标参数，具体包括：

根据当前时刻每一所述位置节点对应的激光雷达和车载摄像机上传的图像数据，以及毫米波雷达上传的中频接收数据，确定所述车辆行驶过程中检测到的各个物体以及驾驶场景，并确定每一所述物体对应的物体类型以及物体编号；

根据每一所述物体对应的物体编号，确定每一所述物体当前时刻分别在每一所述位置节点对应的图像数据以及中频接收数据；

根据每一所述物体当前时刻分别在每一所述位置节点对应的图像数据以及中频接收数据，确定每一所述物体当前时刻分别在每一所述位置节点对应的目标信号数据；

根据所述驾驶场景以及每一所述物体对应的物体类型，确定每一所述物体当前时刻分别在每一所述位置节点对应的目标参数。

在一种可能的实施方式中，所述将当前时刻所述物体在每一所述位置节点对应的目标信号数据以及目标参数，输入至预设的神经网络模型中，以得到所述物体在下一时刻，每一所述位置节点对应的预测信号数据，具体包括：

根据当前时刻所述物体在每一所述位置节点对应的目标信号数据，生成信号向量；

根据每一所述位置节点对应的目标参数，生成参数向量；

根据每一所述位置节点对应的信号向量和参数向量生成节点向量组，并将每一所述节点向量组输入至预设的神经网络模型中，以得到预测矩阵，所述预测矩阵包括位置节点，以及每一所述位置节点在下一时刻对应的预测信号数据。

在一种可能的实施方式中，所述根据所述信号数据的误差值，以及当前时刻所述物体在每一所述位置节点对应的目标信号数据，确定每一所述位置节点对应的梯度信息，具体包括：

利用下列公式，确定每一所述位置节点对应的梯度信息：

其中，所述Δω_i表示第i个位置节点对应的梯度信息，所述L_i表示第i个位置节点对应的信号数据的误差值，所述δL_i表示对第i个位置节点对应的信号数据的误差值进行求导，所述X_i表示当前时刻所述物体在第i个位置节点对应的目标信号数据，所述δX_i表示对当前时刻所述物体在第i个位置节点对应的目标信号数据进行求导，所述H表示所述神经网络模型的激励函数，所述δH表示对所述神经网络模型的激励函数进行求导。

第二方面，本申请提供另一种车辆数据处理方法，所述车辆包括：设置在所述车辆不同位置节点的多个处理器，所述位置节点与所述处理器一一对应，所述多个处理器中一个处理器为主动处理器，其他处理器为被动处理器，所述多个处理器互相通信连接，每一所述处理器均分别与车载服务器通信连接，每一所述处理器还均分别与所处的位置节点对应的传感器连接，所述传感器用于采集车辆行驶过程中检测到的物体的信号数据，并将所述信号数据上传至对应的处理器，所述方法包括：

所述车载服务器分别向每一所述位置节点的处理器发送对应的轨迹变化模型参数，随机选择一个处理器作为主动处理器，并向所述主动处理器发送主动控制指令，以使所述主动处理器在接收到所述主动控制指令之后，确定当前时刻每一所述位置节点对应的信号数据以及轨迹变化模型参数，根据每一所述位置节点对应的信号数据以及轨迹变化模型参数，确定所述车辆行驶过程中检测到的每一物体，当前时刻分别在每一所述位置节点对应的目标信号数据以及目标参数，对于每一所述物体，将当前时刻所述物体在每一所述位置节点对应的目标信号数据以及目标参数，输入至预设的神经网络模型中，以得到所述物体在下一时刻，每一所述位置节点对应的预测信号数据，根据每一所述传感器上传的数据，获取所述物体在下一时刻，每一所述位置节点对应的真实信号数据，并根据所述真实信号数据和所述预测信号数据确定每一所述位置节点对应的信号数据的误差值，根据所述信号数据的误差值，以及当前时刻所述物体在每一所述位置节点对应的目标信号数据，确定每一所述位置节点对应的梯度信息，将所述梯度信息发送至所述车载服务器；

所述车载服务器根据所述梯度信息确定所述物体在下一时刻的轨迹变化模型参数，并根据当前轨迹变化模型以及所述物体在下一时刻的轨迹变化模型参数，确定所述物体在下一时刻的轨迹变化，所述当前轨迹变化模型，是根据所述物体第一次被传感器检测到时采集的信号数据生成的；

所述车载服务器将所述物体在下一时刻的轨迹变化发送至车载终端，并将所述物体在下一时刻的轨迹变化模型参数发送至每一所述处理器，以对所述物体的轨迹变化进行迭代更新。

在一种可能的实施方式中，所述根据所述梯度信息确定所述物体在下一时刻的轨迹变化模型参数，具体包括：

根据当前驾驶场景以及所述物体的物体类型，确定所述物体当前时刻在每一所述位置节点对应的轨迹变化模型参数；

利用下列公式确定所述物体在下一时刻的轨迹变化模型参数：

其中，所述

表示所述物体下一时刻在第i个位置节点对应的轨迹变化模型参数，所述

表示所述物体当前时刻在第i个位置节点对应的轨迹变化模型参数，所述η表示学习率，所述Δω表示第i个位置节点对应的梯度信息。

第三方面，本申请提供一种主动处理器，所述主动处理器为设置在车辆不同位置节点的多个处理器中的一个，所述位置节点与所述处理器一一对应，所述多个处理器中一个处理器为所述主动处理器，其他处理器为被动处理器，所述多个处理器互相通信连接，每一所述处理器还均分别与所处的位置节点对应的传感器连接，所述传感器用于采集车辆行驶过程中检测到的物体的信号数据，并将所述信号数据上传至对应的处理器，所述主动处理器包括：

接收模块，用于接收所述车载服务器下发的主动控制指令，确定当前时刻每一所述位置节点对应的信号数据以及轨迹变化模型参数，所述轨迹变化模型参数是所述车载服务器根据所述处理器所处的位置节点下发的；

第一处理模块，用于根据每一所述位置节点对应的信号数据以及轨迹变化模型参数，确定所述车辆行驶过程中检测到的每一物体，当前时刻分别在每一所述位置节点对应的目标信号数据以及目标参数；对于每一所述物体，将当前时刻所述物体在每一所述位置节点对应的目标信号数据以及目标参数，输入至预设的神经网络模型中，以得到所述物体在下一时刻，每一所述位置节点对应的预测信号数据；根据每一所述传感器上传的数据，获取所述物体在下一时刻，每一所述位置节点对应的真实信号数据，并根据所述真实信号数据和所述预测信号数据确定每一所述位置节点对应的信号数据的误差值；根据所述信号数据的误差值，以及当前时刻所述物体在每一所述位置节点对应的目标信号数据，确定每一所述位置节点对应的梯度信息；将所述梯度信息发送至所述车载服务器，以使所述车载服务器根据所述梯度信息确定所述物体在下一时刻的轨迹变化模型参数，根据当前轨迹变化模型以及所述物体在下一时刻的轨迹变化模型参数，确定所述物体在下一时刻的轨迹变化，将所述物体在下一时刻的轨迹变化发送至车载终端，并将所述物体在下一时刻的轨迹变化模型参数发送至每一所述处理器，以对所述物体的轨迹变化进行迭代更新，所述当前轨迹变化模型，是根据所述物体第一次被传感器检测到时采集的信号数据生成的。

第四方面，本申请提供一种车载服务器，所述车载服务器与多个处理器通信连接，所述处理器分别设置在车辆的不同位置节点，所述位置节点与所述处理器一一对应，所述多个处理器中一个处理器为主动处理器，其他处理器为被动处理器，每一所述处理器还均分别与所处的位置节点对应的传感器连接，所述传感器用于采集车辆行驶过程中检测到的物体的信号数据，并将所述信号数据上传至对应的处理器，所述车载服务器包括：

指令下发模块，用于分别向每一所述位置节点的处理器发送对应的轨迹变化模型参数，随机选择一个处理器作为主动处理器，并向所述主动处理器发送主动控制指令，以使所述主动处理器在接收到所述主动控制指令之后，确定当前时刻每一所述位置节点对应的信号数据以及轨迹变化模型参数，根据每一所述位置节点对应的信号数据以及轨迹变化模型参数，确定所述车辆行驶过程中检测到的每一物体，当前时刻分别在每一所述位置节点对应的目标信号数据以及目标参数，对于每一所述物体，将当前时刻所述物体在每一所述位置节点对应的目标信号数据以及目标参数，输入至预设的神经网络模型中，以得到所述物体在下一时刻，每一所述位置节点对应的预测信号数据，根据每一所述传感器上传的数据，获取所述物体在下一时刻，每一所述位置节点对应的真实信号数据，并根据所述真实信号数据和所述预测信号数据确定每一所述位置节点对应的信号数据的误差值，以及当前时刻所述物体在每一所述位置节点对应的目标信号数据，确定每一所述位置节点对应的梯度信息，将所述梯度信息发送至所述车载服务器；

第二处理模块，用于根据所述梯度信息确定所述物体在下一时刻的轨迹变化模型参数，并根据当前轨迹变化模型以及所述物体在下一时刻的轨迹变化模型参数，确定所述物体在下一时刻的轨迹变化，所述当前轨迹变化模型，是根据所述物体第一次被传感器检测到时采集的信号数据生成的；将所述物体在下一时刻的轨迹变化发送至车载终端，并将所述物体在下一时刻的轨迹变化模型参数发送至每一所述处理器，以对所述物体的轨迹变化进行迭代更新。

第五方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现上述第一方面的方法。

第六方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现上述第二方面的方法。

本申请提供的车辆数据处理方法、处理器及服务器，处理器不再仅是对传感器采集的数据进行简单的初步处理，而是为车载服务器分担了大部分的数据处理工作，大大减轻了车载服务器的数据处理量，使得车载服务器数据处理的及时性大大提高。此外，车载服务器也不再直接对传感器采集到的数据进行处理，而是对处理器上传的梯度信息进行处理，在根据梯度信息处理得到准确的下一时刻的轨迹变化的同时，还保证了行车过程中的用户隐私。

具体的，首先主动处理器可以确定当前时刻每一位置节点对应的信号数据以及轨迹变化模型参数，并据此确定车辆行驶过程中检测到的每一物体，当前时刻分别在每一位置节点对应的目标信号数据以及目标参数。之后，主动处理器可以将当前时刻物体在每一位置节点对应的目标信号数据以及目标参数，输入至预设的神经网络模型中，以得到物体在下一时刻，每一位置节点对应的预测信号数据。基于真实信号数据和预测信号数据确定的误差值，可以确定每一位置节点对应的梯度信息。主动处理器仅需要将每一位置节点对应的梯度信息发送至车载服务器，车载服务器可以根据梯度信息确定物体在下一时刻的轨迹变化模型参数，并据此确定物体在下一时刻的轨迹变化。最后，车载服务器可以将物体在下一时刻的轨迹变化模型参数发送至主动处理器，就可以不断对物体的轨迹变化进行迭代更新，从而提高物体轨迹变化的准确性。通过这样的设置，在现有的处理器的基础上引入联邦学习算法，随机设置一个主动处理器，主动处理器进行数据处理得到每一位置节点对应的梯度信息之后，仅需要将梯度信息发送至车载服务器，车载服务器不再直接对传感器采集到的数据进行处理，保证了行车过程中的用户隐私，提升用户体验。此外，也减少了车载服务器数据处理的工作量，提高了车载服务器数据处理的及时性。

进一步的，主动处理器可以根据物体当前时刻分别在每一位置节点对应的目标信号数据以及目标参数，计算出每一位置节点对应的预测信号数据，还可以利用传感器采集到的数据获得真实信号数据。得到真实信号数据和预测信号数据之后，即可确定误差值，根据误差值确定的梯度信息即为当前时刻的轨迹变化模型参数和下一时刻的轨迹变化模型参数之间的校正值，使得下一时刻的轨迹变化模型参数更加符合真实情况，进一步使根据下一时刻的轨迹变化模型参数确定的下一时刻的轨迹变化更加准确。通过这样的设置，车载服务器不需要直接对传感器采集到的数据进行处理，仅需要对梯度信息进行处理，即可得到准确的下一时刻的轨迹变化，即在保证用户隐私的前提下，还保证了轨迹变化的准确性。进一步的，车载服务器还可以将下一时刻的轨迹变化模型参数再次下发至处理器，从而进行下一轮的轨迹变化模型参数的迭代更新，使得根据更新后的轨迹变化模型参数计算得到的轨迹变化更加准确，更符合真实情况。

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。

图1为现有技术中某一车辆数据处理系统的结构示意图；

图2为本申请一实施例的系统架构图；

图3为本申请一实施例的车辆数据处理方法的流程图；

图4为本申请另一实施例的车辆数据处理方法的流程图；

图5为本申请一实施例的主动处理器的结构示意图；

图6为本申请一实施例的车载服务器的结构示意图。

附图标记：1、车载服务器；2、处理器；21、主动处理器；22、被动处理器；3、传感器；31、毫米波雷达；32、视觉传感器。

通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

首先对本申请所涉及的名词进行解释：

毫米波雷达，是工作在30-300GHz频段的雷达，由于其工作频段比较高，可以轻易获取较宽的频带。此外，由于毫米波的波长较短，毫米波雷达所用天线的尺寸可以很小，可以很方便地安装在车上。同时，较短的波长能够对速度更加敏感，所以在毫米波频段的雷达有着较为优良的分辨率。

联邦学习算法，是2016年由谷歌公司提出的一种新兴人工智能技术。联邦学习允许终端利用本地数据进行训练，构建本地参数模型，并仅与参数服务器共享参数，不共享具体数据。参数服务器聚合多个本地模型的参数，通过多次迭代，可以得到高可信度和高准确率的联邦模型。

激光雷达，是一种基于激光的检测方法，通过高速旋转，激光雷达将每一股激光从LiDAR点发射在车辆周身进行扫描，以此提供实时车身360°的环境信息。由于车辆周围物体的形状各不相同，通过对发射在物体表面上众多无序的点进行组合，激光雷达可以得到探测物体的三维信息。

本申请的车辆数据处理方法、处理器及服务器可用于可应用于港口、高速、物流、矿山、封闭园区、或城市交通等场景，或涉及自动驾驶的场景，均可应用本申请的车辆数据处理方法。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。

图1为现有技术中某一车辆数据处理系统的结构示意图，如图1所示，车辆数据处理系统可以包括车载服务器1、处理器2和传感器3，车载服务器1与处理器2通信连接，处理器2和传感器3一一对应，每组处理器2和传感器3分别设置在车辆的不同位置节点，处理器2和传感器3之间通信连接。雷达等传感器3采集到电磁信号数据之后，会将电磁信号数据发送至对应位置节点的处理器2，处理器2会对电磁信号数据进行初步的转换处理，转换为图像、距离、位置等信息数据，之后将信息数据发送至车载服务器1，车载服务器1会对信息数据进行深入的处理，以预测下一时刻车辆周围物体的轨迹变化。也就是说，车载服务器1根据传感器3当前时刻采集到的车辆周围物体的轨迹变化预测下一时刻车辆周围物体的轨迹变化，并将下一时刻车辆周围物体的轨迹变化发送至车载终端，以供车载终端及时调整车辆行驶参数。

但是，处理器仅是对传感器采集到的数据进行简单的初步处理，车载服务器的数据处理量仍然很大，导致数据处理可能不及时。此外，处理器简单的数据处理基本不会对传感器采集到的数据的真实内容造成改变，导致传感器采集到的数据会在车联网络中直接传输处理，即使存在一定的安全防范技术和措施，用户的隐私也难以得到保证。

基于该技术问题，本申请的发明构思在于：如何提供一种数据处理及时，并且能够保证用户隐私的车辆数据处理方方法。

具体为，处理器不再仅是对传感器采集的数据进行简单的初步处理，而是为车载服务器分担了大部分的数据处理工作，大大减轻了车载服务器的数据处理量，使得车载服务器数据处理的及时性大大提高。此外，车载服务器也不再直接对传感器采集到的数据进行处理，而是对处理器上传的梯度信息进行处理，在根据梯度信息处理得到准确的下一时刻的轨迹变化的同时，还保证了行车过程中的用户隐私。具体的，首先主动处理器可以确定当前时刻每一位置节点对应的信号数据以及轨迹变化模型参数，并据此确定车辆行驶过程中检测到的每一物体，当前时刻分别在每一位置节点对应的目标信号数据以及目标参数。之后，主动处理器可以将当前时刻物体在每一位置节点对应的目标信号数据以及目标参数，输入至预设的神经网络模型中，以得到物体在下一时刻，每一位置节点对应的预测信号数据。基于真实信号数据和预测信号数据确定的误差值，可以确定每一位置节点对应的梯度信息。主动处理器仅需要将每一位置节点对应的梯度信息发送至车载服务器，车载服务器可以根据梯度信息确定物体在下一时刻的轨迹变化模型参数，并据此确定物体在下一时刻的轨迹变化。最后，车载服务器可以将物体在下一时刻的轨迹变化模型参数发送至主动处理器，就可以不断对物体的轨迹变化进行迭代更新，从而提高物体轨迹变化的准确性。通过这样的设置，在现有的处理器的基础上引入联邦学习算法，随机设置一个主动处理器，主动处理器进行数据处理得到每一位置节点对应的梯度信息之后，仅需要将梯度信息发送至车载服务器，车载服务器不再直接对传感器采集到的数据进行处理，保证了行车过程中的用户隐私，提升用户体验。此外，也减少了车载服务器数据处理的工作量，提高了车载服务器数据处理的及时性。进一步的，主动处理器可以根据物体当前时刻分别在每一位置节点对应的目标信号数据以及目标参数，计算出每一位置节点对应的预测信号数据，还可以利用传感器采集到的数据获得真实信号数据。得到真实信号数据和预测信号数据之后，即可确定误差值，根据误差值确定的梯度信息即为当前时刻的轨迹变化模型参数和下一时刻的轨迹变化模型参数之间的校正值，使得下一时刻的轨迹变化模型参数更加符合真实情况，进一步使根据下一时刻的轨迹变化模型参数确定的下一时刻的轨迹变化更加准确。通过这样的设置，车载服务器不需要直接对传感器采集到的数据进行处理，仅需要对梯度信息进行处理，即可得到准确的下一时刻的轨迹变化，即在保证用户隐私的前提下，还保证了轨迹变化的准确性。进一步的，车载服务器还可以将下一时刻的轨迹变化模型参数再次下发至处理器，从而进行下一轮的轨迹变化模型参数的迭代更新，使得根据更新后的轨迹变化模型参数计算得到的轨迹变化更加准确，更符合真实情况。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

图2是本申请一实施例的系统架构图，如图2所示，车辆数据处理系统可以包括车载服务器1、处理器2和传感器3，车载服务器1与处理器2通信连接，处理器2和传感器3一一对应，每组处理器2和传感器3分别设置在车辆的不同位置节点，处理器2和传感器3之间通信连接。处理器2中的一个作为主动处理器21，其余为被动处理器22，传感器3包括毫米波雷达31和视觉传感器32。毫米波雷达31会实时采集车辆行驶过程中检测到的物体的中频接收数据，并发送至对应的处理器2，视觉传感器32会实时采集车辆行驶过程中检测到的物体的图像数据，并发送至对应的处理器2。车载服务器1会分别向每一位置节点的处理器2发送对应的轨迹变化模型参数并随机选择一个处理器作为主动处理器21，向主动处理器21发送主动控制指令。主动处理器21在接收到主动控制指令之后，确定当前时刻每一位置节点对应的信号数据以及轨迹变化模型参数；根据每一位置节点对应的信号数据以及轨迹变化模型参数，确定车辆行驶过程中检测到的每一物体，当前时刻分别在每一位置节点对应的目标信号数据以及目标参数；对于每一物体，主动处理器将当前时刻物体在每一位置节点对应的目标信号数据以及目标参数，输入至预设的神经网络模型中，以得到物体在下一时刻，每一位置节点对应的预测信号数据；根据每一传感器上传的数据，获取物体在下一时刻，每一位置节点对应的真实信号数据，并根据真实信号数据和预测信号数据确定每一位置节点对应的信号数据的误差值；根据信号数据的误差值，以及当前时刻物体在每一位置节点对应的目标信号数据，确定每一位置节点对应的梯度信息，并将梯度信息发送至车载服务器1。车载服务器1根据梯度信息确定物体在下一时刻的轨迹变化模型参数，并将物体在下一时刻的轨迹变化模型参数发送至每一处理器2，以对物体的轨迹变化进行迭代更新。车载服务器1还根据当前轨迹变化模型以及物体在下一时刻的轨迹变化模型参数，确定物体在下一时刻的轨迹变化，并将物体在下一时刻的轨迹变化发送至车载终端。

实施例一

图3是本申请一实施例提供的车辆数据处理方法的流程图，本实施例以执行主体为主动处理器对该车辆数据处理方法进行说明。本实施例的车辆可以包括：设置在车辆不同位置节点的多个处理器，位置节点与处理器一一对应，多个处理器中一个处理器为主动处理器，其他处理器为被动处理器，多个处理器互相通信连接，每一处理器均分别与车载服务器通信连接，每一处理器还均分别与所处的位置节点对应的传感器连接，传感器用于采集车辆行驶过程中检测到的物体的信号数据，并将信号数据上传至对应的处理器。如图3所示，该车辆数据处理方法可以包括以下步骤：

S101：接收车载服务器下发的主动控制指令，确定当前时刻每一位置节点对应的信号数据以及轨迹变化模型参数，轨迹变化模型参数是车载服务器根据处理器所处的位置节点下发的。

在本实施例中，在每一时刻，车载服务器会不断向各个处理器下发轨迹变化模型参数，并随机选择一个处理器作为主动处理器，其他的处理器作为被动处理器。主动控制指令可以是，选择其中一个处理器作为主动处理器的指令。

在本实施例中，在每一时刻，车载服务器会不断向各个处理器下发轨迹变化模型参数，传感器也会向对应的处理器上传信号数据，也就是说，每一位置节点的处理器均会接收到所处位置节点对应的信号数据以及轨迹变化模型参数。在接收到主动控制指令确定主动处理器之后，主动处理器即会获取当前时刻每一位置节点对应的信号数据以及轨迹变化模型参数。

在本实施例中，轨迹变化模型参数可以根据处理器所处的位置节点的具体位置确定，即轨迹变化模型参数在不同的位置节点可以不同。示例性的，轨迹变化模型参数可以首先对应一个初始参数，然后依据各位置节点对应的校正值对初始参数进行校正，即可得到每一位置节点的轨迹变化模型参数。各位置节点对应的校正值，本领域技术人员可以根据具体车辆及位置灵活设置。

在本实施例中，在每一次迭代更新过程中，主动处理器是车载服务器随机选择的，主动处理器的随机性可以提高轨迹变化模型参数的准确性，从而提高物体的轨迹变化的准确性。

在一个可能的实施方式中，上述步骤S101接收车载服务器下发的主动控制指令，确定当前时刻每一位置节点对应的信号数据以及轨迹变化模型参数，可以包括：

S1011：在接收到车载服务器下发的主动控制指令之后，向每一被动处理器发送数据获取请求，以获取当前时刻每一被动处理器接收到的信号数据以及轨迹变化模型参数。

S1012：根据每一被动处理器接收到的信号数据以及轨迹变化模型参数，以及每一被动处理器对应的位置节点，生成被动位置节点对应的信号数据以及轨迹变化模型参数。

S1013：根据主动处理器接收到的服务器下发的轨迹变化模型参数，以及主动处理器对应的传感器上传的信号数据，生成主动位置节点对应的信号数据以及轨迹变化模型参数。

S1014：根据每一被动位置节点对应的信号数据以及轨迹变化模型参数，和主动位置节点对应的信号数据以及轨迹变化模型参数，生成每一位置节点对应的信号数据以及轨迹变化模型参数。

在本实施方式中，在接收到车载服务器下发的主动控制指令之后，主动服务器可以向每一被动处理器发送数据获取请求，以获取当前时刻每一被动处理器接收到的信号数据以及轨迹变化模型参数。主动服务器本身也存储有其所处位置节点对应的信号数据以及轨迹变化模型参数。将获取得到信号数据以及轨迹变化模型参数，和其数据来源的位置节点相对应，即可简单便捷地获得每一位置节点对应的信号数据以及轨迹变化模型参数。

S102：根据每一位置节点对应的信号数据以及轨迹变化模型参数，确定车辆行驶过程中检测到的每一物体，当前时刻分别在每一位置节点对应的目标信号数据以及目标参数。

在本实施例中，每一位置节点对应的信号数据，是传感器采集到的全部数据，需要对其进行数据分类整理，以获取每一物体各自对应的信号数据。每一位置节点对应的轨迹变化模型参数，也包括不同的物体分别在不同的驾驶场景时的模型参数，因此，也需要对其进行数据分类整理，以获取每一物体在当前驾驶场景各自对应的模型参数。

在一个可能的实施方式中，轨迹变化可以包括：物体编号、速度、加速度、距离、方位角和俯仰角中的一种或多种；轨迹变化模型参数可以包括：每一预设物体分别在预设的驾驶场景时对应的子参数，预设物体可以包括：行人、非机动车辆、机动车辆、动物中的一种或多种，预设的驾驶场景可以包括：车辆加入或离开场景、行人或动物经过场景、指示灯场景中的一种或多种，子参数可以包括：速度变化速度、加速度变化速度、距离变化速度、方位角变化速度和俯仰角变化速度中的一种或多种。

在本实施方式中，物体编号可以是主动处理器随机或按顺序生成的编号，代表该物体的唯一索引，根据物体编号可以实现物体对应数据的对齐。速度可以是物体相对车辆的速度，加速度可以是物体相对车辆的加速度，距离可以是物体相对车辆的距离，方位角可以是物体相对车辆的方位角，俯仰角可以是物体相对车辆的俯仰角。

在本实施方式中，轨迹变化模型参数可以是一个参数集合，包括不同物体类型和场景类型下的多组子参数。示例性的，轨迹变化模型参数可以包括：非机动车辆在车辆加入或离开场景下的子参数，机动车辆在车辆加入或离开场景下的子参数，行人在行人经过场景下的子参数，动物在动物经过场景下的子参数，非机动车辆或机动车辆在指示灯场景的子参数等。

在本实施方式中，预设物体和预设的驾驶场景本领域技术人员均可以根据实际灵活设置，在此不做任何限制。同样的，不同物体类型分别在不同场景类型下的子参数，本领域技术人员可以根据实际经验和先验知识灵活设置，在此不做任何限制。每一组子参数均可以包括多个参数数据。

在本实施方式中，本领域技术人员可以根据实际经验和先验知识预先设置不同物体类型分别在不同场景类型下的子参数，以便于实际检测到物体以及驾驶场景时，据此简单便捷地确定物体具体对应的子参数。

在一个可能的实施方式中，传感器可以包括毫米波雷达和视觉传感器，视觉传感器可以包括激光雷达和车载摄像机，信号数据可以包括激光雷达和车载摄像机采集的图像数据，以及毫米波雷达采集的中频接收数据。

相应的，上述步骤S102根据每一位置节点对应的信号数据以及轨迹变化模型参数，确定车辆行驶过程中检测到的每一物体，当前时刻分别在每一位置节点对应的目标信号数据以及目标参数，可以包括：

S1021：根据当前时刻每一位置节点对应的激光雷达和车载摄像机上传的图像数据，以及毫米波雷达上传的中频接收数据，确定车辆行驶过程中检测到的各个物体以及驾驶场景，并确定每一物体对应的物体类型以及物体编号。

S1022：根据每一物体对应的物体编号，确定每一物体当前时刻分别在每一位置节点对应的图像数据以及中频接收数据。

S1023：根据每一物体当前时刻分别在每一位置节点对应的图像数据以及中频接收数据，确定每一物体当前时刻分别在每一位置节点对应的目标信号数据。

S1024：根据驾驶场景以及每一物体对应的物体类型，确定每一物体当前时刻分别在每一位置节点对应的目标参数。

在本实施方式中，中频接收数据可以是中频回波信号，根据中频接收数据可以确定物体与车辆之间的速度、加速度、距离、方位角和俯仰角等信息。激光雷达和车载摄像机相互融合工作，可以获得车辆周围物体的图像数据，根据图像数据可以对不同的物体以及驾驶场景进行区分和识别。

在本实施方式中，毫米波雷达可以通过天线发射电磁波对目标物体进行照射，接收天线可以接收目标反射回波，也就是中频接收数据。主动处理器对中频接收数据进行处理即可获得目标物体的状态信息。毫米波雷达可以在小阵列下产生窄波束和良好的方向性，并且不容易受到环境的多径传播以及地杂波的影响，可以准确识别车辆周围的物体。

在本实施方式中，可以在车辆上多角度布置摄像机和激光雷达相互配合工作，与毫米波雷达在车辆上的相同位置处搭载。处理器通过毫米波雷达上传的中频接收数据可以确定各物体的标定和俯仰坐标等信息，摄像机和激光雷达等视觉传感器依据处理器发送的标定和俯仰坐标，可以确定目标物体，并向处理器回传实时画面。根据实时画面即可确定物体类型、驾驶场景等信息，并为不同的物体赋予物体编号，以便于物体的区别。

在本实施方式中，通过激光雷达和车载摄像机上传的图像数据，以及毫米波雷达上传的中频接收数据，即可简单而又准确地确定车辆行驶过程中检测到的各个物体以及驾驶场景，以及每一物体对应的物体类型，并对每一物体赋予物体编号。根据物体编号即可实现不同物体数据的对齐，简单而又准确地确定各物体分别在每一位置节点对应的目标信号数据，实现数据的分类整理。由于本领域技术人员预先设置了不同物体类型分别在不同场景类型下的轨迹变化模型参数，因此，根据驾驶场景以及每一物体对应的物体类型，即可简单便捷地确定每一物体分别在每一位置节点对应的目标参数。通过这样的设置，可以实现不同物体对应数据的分类整理，以便于后续数据的分类处理，提高了数据处理的及时性和准确性。

S103：对于每一物体，将当前时刻物体在每一位置节点对应的目标信号数据以及目标参数，输入至预设的神经网络模型中，以得到物体在下一时刻，每一位置节点对应的预测信号数据。

在本实施例中，在分类整理出不同物体各自对应的数据之后，即可对于每一物体，分别对数据进行分类处理，以得到每一物体的轨迹变化。

在一个可能的实施方式中，上述步骤S103中的将当前时刻物体在每一位置节点对应的目标信号数据以及目标参数，输入至预设的神经网络模型中，以得到物体在下一时刻，每一位置节点对应的预测信号数据，可以包括：根据当前时刻物体在每一位置节点对应的目标信号数据，生成信号向量；根据每一位置节点对应的目标参数，生成参数向量；根据每一位置节点对应的信号向量和参数向量生成节点向量组，并将每一节点向量组输入至预设的神经网络模型中，以得到预测矩阵，预测矩阵包括位置节点，以及每一位置节点在下一时刻对应的预测信号数据。

在本实施方式中，预设的神经网络模型可以是本领域技术人员根据训练样本预先训练好的，具体的神经网络模型本领域技术人员可以灵活设置，在此不做任何限制，只要神经网络模型能够根据输入的目标信号数据以及目标参数，输出下一时刻的预测信号数据即可。

在本实施方式中，信号向量可以是一个一维的矩阵向量，参数向量也可以是一个一维的矩阵向量，二者维度不同，既能够神经网络模型计算可以得到二维的预测矩阵，预测矩阵的一个维度表示位置节点，另一个维度表示下一时刻预测信号数据。信号向量和参数向量是根据位置节点一组一组输入神经网络模型的，以便于不同位置节点预测信号数据的计算。

在本实施方式中，将目标信号数据转换为信号向量，将目标参数转换为参数向量，并将每一位置节点对应的信号向量和参数向量作为节点向量组，依次输入神经网络模型，可以提高下一时刻预测信号数据计算的简便性和准确性。

S104：根据每一传感器上传的数据，获取物体在下一时刻，每一位置节点对应的真实信号数据，并根据真实信号数据和预测信号数据确定每一位置节点对应的信号数据的误差值。

在本实施例中，根据每一传感器上传的数据，获取物体在下一时刻，每一位置节点对应的真实信号数据的具体实施方式，可以参照物体在当前时刻每一位置节点对应的信号数据的获取方式，即参照步骤S102，在此不做赘述。

在本实施例中，每一位置节点对应的预测信号数据可以组成一个预测矩阵，每一位置节点对应的真实信号数据也可以组成一个数据矩阵，预测矩阵与数据矩阵之间的差值即为误差值，误差值可以是一个误差矩阵。

S105：根据信号数据的误差值，以及当前时刻物体在每一位置节点对应的目标信号数据，确定每一位置节点对应的梯度信息。

在一个可能的实施方式中，上述步骤S105根据信号数据的误差值，以及当前时刻物体在每一位置节点对应的目标信号数据，确定每一位置节点对应的梯度信息，可以包括：

利用下列公式(1)，确定每一位置节点对应的梯度信息：

其中，Δω_i表示第i个位置节点对应的梯度信息，L_i表示第i个位置节点对应的信号数据的误差值，δL_i表示对第i个位置节点对应的信号数据的误差值进行求导，X_i表示当前时刻物体在第i个位置节点对应的目标信号数据，δXi表示对当前时刻物体在第i个位置节点对应的目标信号数据进行求导，H表示神经网络模型的激励函数，δH表示对神经网络模型的激励函数进行求导。

在本实施方式中，激励函数可以是神经网络中隐层和输出层节点的输入和输出之间的函数关系，在神经网络既定的情况下，激励函数是已知的。

在本实施方式中，在确定当前时刻物体在每一位置节点对应的目标信号数据，以及每一位置节点对应的信号数据的误差值之后，利用上述公式(1)即可简单而又准确地确定每一位置节点对应的梯度信息。

S106：将梯度信息发送至车载服务器，以使车载服务器根据梯度信息确定物体在下一时刻的轨迹变化模型参数，根据当前轨迹变化模型以及物体在下一时刻的轨迹变化模型参数，确定物体在下一时刻的轨迹变化，将物体在下一时刻的轨迹变化发送至车载终端，并将物体在下一时刻的轨迹变化模型参数发送至每一处理器，以对物体的轨迹变化进行迭代更新，当前轨迹变化模型，是根据物体第一次被传感器检测到时采集的信号数据生成的。

在本实施例中，车载服务器确定物体在下一时刻的轨迹变化模型参数的具体实施方式，请详见实施例二。

在本实施例中，虽然处理器可以根据传感器上传的数据，获取物体在下一时刻每一位置节点对应的真实信号数据，但是为了保证行车过程中的用户隐私，不能直接将真实信号数据上传至车载服务器。因此，可以利用真实信号数据和预测信号数据确定每一位置节点对应的信号数据的误差值，并利用误差值以及当前时刻物体在每一位置节点对应的目标信号数据，确定梯度信息，利用梯度信息对下一时刻的轨迹变化模型参数进行迭代更新，使得车载服务器仅根据梯度信息即可计算得到物体在下一时刻的轨迹变化。

在本实施例中，当处理器检测到初次出现的物体时，可以将传感器采集到的该物体的信号数据发送至车载服务器，以便车载服务器根据该物体的信号数据建立初始的轨迹变化模型。当前轨迹变化模型可以是初始的轨迹变化模型经过多次轨迹变化模型参数的迭代更新生成的。

在本实施例中，车载服务器可以将物体在下一时刻的轨迹变化发送至车载终端，以便车载终端据此计算或调整下一时刻的行车参数。

在本实施例中，处理器不再仅是对传感器采集的数据进行简单的初步处理，而是为车载服务器分担了大部分的数据处理工作，大大减轻了车载服务器的数据处理量，使得车载服务器数据处理的及时性大大提高。此外，车载服务器也不再直接对传感器采集到的数据进行处理，而是对处理器上传的梯度信息进行处理，在根据梯度信息处理得到准确的下一时刻的轨迹变化的同时，还保证了行车过程中的用户隐私。具体的，首先主动处理器可以确定当前时刻每一位置节点对应的信号数据以及轨迹变化模型参数，并据此确定车辆行驶过程中检测到的每一物体，当前时刻分别在每一位置节点对应的目标信号数据以及目标参数。之后，主动处理器可以将当前时刻物体在每一位置节点对应的目标信号数据以及目标参数，输入至预设的神经网络模型中，以得到物体在下一时刻，每一位置节点对应的预测信号数据。基于真实信号数据和预测信号数据确定的误差值，可以确定每一位置节点对应的梯度信息。主动处理器仅需要将每一位置节点对应的梯度信息发送至车载服务器，车载服务器可以根据梯度信息确定物体在下一时刻的轨迹变化模型参数，并据此确定物体在下一时刻的轨迹变化。最后，车载服务器可以将物体在下一时刻的轨迹变化模型参数发送至主动处理器，就可以不断对物体的轨迹变化进行迭代更新，从而提高物体轨迹变化的准确性。通过这样的设置，在现有的处理器的基础上引入联邦学习算法，随机设置一个主动处理器，主动处理器进行数据处理得到每一位置节点对应的梯度信息之后，仅需要将梯度信息发送至车载服务器，车载服务器不再直接对传感器采集到的数据进行处理，保证了行车过程中的用户隐私，提升用户体验。此外，也减少了车载服务器数据处理的工作量，提高了车载服务器数据处理的及时性。进一步的，主动处理器可以根据物体当前时刻分别在每一位置节点对应的目标信号数据以及目标参数，计算出每一位置节点对应的预测信号数据，还可以利用传感器采集到的数据获得真实信号数据。得到真实信号数据和预测信号数据之后，即可确定误差值，根据误差值确定的梯度信息即为当前时刻的轨迹变化模型参数和下一时刻的轨迹变化模型参数之间的校正值，使得下一时刻的轨迹变化模型参数更加符合真实情况，进一步使根据下一时刻的轨迹变化模型参数确定的下一时刻的轨迹变化更加准确。通过这样的设置，车载服务器不需要直接对传感器采集到的数据进行处理，仅需要对梯度信息进行处理，即可得到准确的下一时刻的轨迹变化，即在保证用户隐私的前提下，还保证了轨迹变化的准确性。进一步的，车载服务器还可以将下一时刻的轨迹变化模型参数再次下发至处理器，从而进行下一轮的轨迹变化模型参数的迭代更新，使得根据更新后的轨迹变化模型参数计算得到的轨迹变化更加准确，更符合真实情况。

实施例二

图4是本申请另一实施例提供的车辆数据处理方法的流程图，本实施例以执行主体为车载服务器对该车辆数据处理方法进行说明。如图4所示，该车辆数据处理方法可以包括以下步骤：

S201：分别向每一位置节点的处理器发送对应的轨迹变化模型参数。

在本实施例中，在每一时刻，车载服务器会不断向各个处理器下发轨迹变化模型参数，轨迹变化模型参数可以根据处理器所处的位置节点的具体位置确定，即轨迹变化模型参数在不同的位置节点可以不同。示例性的，轨迹变化模型参数可以首先对应一个初始参数，然后依据各位置节点对应的校正值对初始参数进行校正，即可得到每一位置节点的轨迹变化模型参数。各位置节点对应的校正值，本领域技术人员可以根据具体车辆及位置灵活设置。

S202：随机选择一个处理器作为主动处理器，并向主动处理器发送主动控制指令，以使主动处理器在接收到主动控制指令之后，确定当前时刻每一位置节点对应的信号数据以及轨迹变化模型参数，根据每一位置节点对应的信号数据以及轨迹变化模型参数，确定车辆行驶过程中检测到的每一物体，当前时刻分别在每一位置节点对应的目标信号数据以及目标参数，对于每一物体，将当前时刻物体在每一位置节点对应的目标信号数据以及目标参数，输入至预设的神经网络模型中，以得到物体在下一时刻，每一位置节点对应的预测信号数据，根据每一传感器上传的数据，获取物体在下一时刻，每一位置节点对应的真实信号数据，并根据真实信号数据和预测信号数据确定每一位置节点对应的信号数据的误差值，根据信号数据的误差值，以及当前时刻物体在每一位置节点对应的目标信号数据，确定每一位置节点对应的梯度信息，将梯度信息发送至车载服务器。

在本实施例中，主动控制指令可以是，选择其中一个处理器作为主动处理器的指令。在每一次迭代更新过程中，主动处理器是车载服务器随机选择的，主动处理器的随机性可以提高轨迹变化模型参数的准确性，从而提高物体的轨迹变化的准确性。

在本实施例中，每一位置节点对应的梯度信息的具体获得方式，请参照上述实施例一的步骤S101-S105，在此不做赘述。

S203：根据梯度信息确定物体在下一时刻的轨迹变化模型参数。

在一个可能的实施方式中，上述步骤S203根据梯度信息确定物体在下一时刻的轨迹变化模型参数，可以包括：根据当前驾驶场景以及物体的物体类型，确定物体当前时刻在每一位置节点对应的轨迹变化模型参数；

利用下列公式(2)确定物体在下一时刻的轨迹变化模型参数：

其中，

表示物体下一时刻在第i个位置节点对应的轨迹变化模型参数，

表示物体当前时刻在第i个位置节点对应的轨迹变化模型参数，η表示学习率，Δω表示第i个位置节点对应的梯度信息。

在本实施方式中，车载服务器可以从主动处理器中获取当前驾驶场景以及物体的物体类型，当前驾驶场景以及物体的物体类型的具体确定方式，请参照上述实施例一的步骤S102，在此不做赘述。

在本实施方式中，首先可以根据当前驾驶场景以及物体的物体类型，确定物体当前时刻在每一位置节点对应的轨迹变化模型参数，及确定需要进行迭代更新的参数。在确定每一位置节点对应的梯度信息，以及当前时刻在每一位置节点对应的轨迹变化模型参数之后，利用上述公式(2)即可简便而又准确地确定物体在下一时刻的轨迹变化模型参数。

S204：根据当前轨迹变化模型以及物体在下一时刻的轨迹变化模型参数，确定物体在下一时刻的轨迹变化，当前轨迹变化模型，是根据物体第一次被传感器检测到时采集的信号数据生成的。

在本实施例中，当处理器检测到初次出现的物体时，可以将传感器采集到的该物体的信号数据发送至车载服务器，以便车载服务器根据该物体的信号数据建立初始的轨迹变化模型。当前轨迹变化模型可以是初始的轨迹变化模型经过多次轨迹变化模型参数的迭代更新生成的。即在当前时刻，当前轨迹变化模型是已知的。

S205：将物体在下一时刻的轨迹变化发送至车载终端，并将物体在下一时刻的轨迹变化模型参数发送至每一处理器，以对物体的轨迹变化进行迭代更新。

在本实施例中，车载服务器可以将物体在下一时刻的轨迹变化发送至车载终端，以便车载终端据此计算或调整下一时刻的行车参数。

在本实施例中，处理器不再仅是对传感器采集的数据进行简单的初步处理，而是为车载服务器分担了大部分的数据处理工作，大大减轻了车载服务器的数据处理量，使得车载服务器数据处理的及时性大大提高。此外，车载服务器也不再直接对传感器采集到的数据进行处理，而是对处理器上传的梯度信息进行处理，在根据梯度信息处理得到准确的下一时刻的轨迹变化的同时，还保证了行车过程中的用户隐私。具体的，首先主动处理器可以确定当前时刻每一位置节点对应的信号数据以及轨迹变化模型参数，并据此确定车辆行驶过程中检测到的每一物体，当前时刻分别在每一位置节点对应的目标信号数据以及目标参数。之后，主动处理器可以将当前时刻物体在每一位置节点对应的目标信号数据以及目标参数，输入至预设的神经网络模型中，以得到物体在下一时刻，每一位置节点对应的预测信号数据。基于真实信号数据和预测信号数据确定的误差值，可以确定每一位置节点对应的梯度信息。主动处理器仅需要将每一位置节点对应的梯度信息发送至车载服务器，车载服务器可以根据梯度信息确定物体在下一时刻的轨迹变化模型参数，并据此确定物体在下一时刻的轨迹变化。最后，车载服务器可以将物体在下一时刻的轨迹变化模型参数发送至主动处理器，就可以不断对物体的轨迹变化进行迭代更新，从而提高物体轨迹变化的准确性。通过这样的设置在现有的处理器的基础上引入联邦学习算法，随机设置一个主动处理器，主动处理器进行数据处理得到每一位置节点对应的梯度信息之后，仅需要将梯度信息发送至车载服务器，车载服务器不再直接对传感器采集到的数据进行处理，保证了行车过程中的用户隐私，提升用户体验。此外，也减少了车载服务器数据处理的工作量，提高了车载服务器数据处理的及时性。进一步的，主动处理器可以根据物体当前时刻分别在每一位置节点对应的目标信号数据以及目标参数，计算出每一位置节点对应的预测信号数据，还可以利用传感器采集到的数据获得真实信号数据。得到真实信号数据和预测信号数据之后，即可确定误差值，根据误差值确定的梯度信息即为当前时刻的轨迹变化模型参数和下一时刻的轨迹变化模型参数之间的校正值，使得下一时刻的轨迹变化模型参数更加符合真实情况，进一步使根据下一时刻的轨迹变化模型参数确定的下一时刻的轨迹变化更加准确。通过这样的设置，车载服务器不需要直接对传感器采集到的数据进行处理，仅需要对梯度信息进行处理，即可得到准确的下一时刻的轨迹变化，即在保证用户隐私的前提下，还保证了轨迹变化的准确性。进一步的，车载服务器还可以将下一时刻的轨迹变化模型参数再次下发至处理器，从而进行下一轮的轨迹变化模型参数的迭代更新，使得根据更新后的轨迹变化模型参数计算得到的轨迹变化更加准确，更符合真实情况。

下面以一个具体的实施例对本申请的车辆数据处理方法进行阐述。

实施例三

在一个具体的实施例中，某车辆开启自动驾驶模式在高速公路上行驶，该车辆上的车辆数据处理系统开始进行车辆数据的实时处理，车辆数据处理系统包括：设置在车辆不同位置节点的多个处理器，位置节点与处理器一一对应，每一处理器均分别与车载服务器通信连接，每一处理器还均分别与所处的位置节点对应的传感器连接。具体的数据处理过程如下：

第一步，车载服务器分别向每一位置节点的处理器发送对应的轨迹变化模型参数，传感器会采集车辆行驶过程中检测到的物体的信号数据，并将信号数据上传至对应位置节点的处理器。

第二步，车载服务器随机选择一个处理器作为主动处理器，并向主动处理器发送主动控制指令。

第三步，主动处理器在接收到主动控制指令之后，确定当前时刻每一位置节点对应的信号数据以及轨迹变化模型参数。

第四步，主动处理器根据每一位置节点对应的信号数据以及轨迹变化模型参数，确定车辆行驶过程中检测到的每一物体，当前时刻分别在每一位置节点对应的目标信号数据以及目标参数。

第五步，对于每一物体，主动处理器将当前时刻物体在每一位置节点对应的目标信号数据以及目标参数，输入至预设的神经网络模型中，以得到物体在下一时刻，每一位置节点对应的预测信号数据。

第六步，主动处理器根据每一传感器上传的数据，获取物体在下一时刻，每一位置节点对应的真实信号数据，并根据真实信号数据和预测信号数据确定每一位置节点对应的信号数据的误差值。

第七步，主动处理器根据信号数据的误差值，以及当前时刻物体在每一位置节点对应的目标信号数据，确定每一位置节点对应的梯度信息，并将梯度信息发送至车载服务器。

第八步，车载服务器根据梯度信息确定物体在下一时刻的轨迹变化模型参数，并将物体在下一时刻的轨迹变化模型参数发送至每一处理器，以对物体的轨迹变化进行迭代更新。

第九步，车载服务器根据当前轨迹变化模型以及物体在下一时刻的轨迹变化模型参数，确定物体在下一时刻的轨迹变化，并将物体在下一时刻的轨迹变化发送至车载终端。

图5为本申请一实施例的主动处理器的结构示意图，如图5所示，该主动处理器包括：接收模块51，用于接收车载服务器下发的主动控制指令，确定当前时刻每一位置节点对应的信号数据以及轨迹变化模型参数，轨迹变化模型参数是车载服务器根据处理器所处的位置节点下发的；第一处理模块52，用于根据每一位置节点对应的信号数据以及轨迹变化模型参数，确定车辆行驶过程中检测到的每一物体，当前时刻分别在每一位置节点对应的目标信号数据以及目标参数；对于每一物体，将当前时刻物体在每一位置节点对应的目标信号数据以及目标参数，输入至预设的神经网络模型中，以得到物体在下一时刻，每一位置节点对应的预测信号数据；根据每一传感器上传的数据，获取物体在下一时刻，每一位置节点对应的真实信号数据，并根据真实信号数据和预测信号数据确定每一位置节点对应的信号数据的误差值；根据信号数据的误差值，以及当前时刻物体在每一位置节点对应的目标信号数据，确定每一位置节点对应的梯度信息；将梯度信息发送至车载服务器，以使车载服务器根据梯度信息确定物体在下一时刻的轨迹变化模型参数，根据当前轨迹变化模型以及物体在下一时刻的轨迹变化模型参数，确定物体在下一时刻的轨迹变化，将物体在下一时刻的轨迹变化发送至车载终端，并将物体在下一时刻的轨迹变化模型参数发送至每一处理器，以对物体的轨迹变化进行迭代更新，当前轨迹变化模型，是根据物体第一次被传感器检测到时采集的信号数据生成的。一个实施方式中，主动处理器具体实现功能的描述可以参见实施例一中的步骤S101-S106，在此不做赘述。

图6为本申请一实施例的车载服务器的结构示意图，如图6所示，该车载服务器包括：指令下发模块61，用于分别向每一位置节点的处理器发送对应的轨迹变化模型参数，随机选择一个处理器作为主动处理器，并向主动处理器发送主动控制指令，以使主动处理器在接收到主动控制指令之后，确定当前时刻每一位置节点对应的信号数据以及轨迹变化模型参数，根据每一位置节点对应的信号数据以及轨迹变化模型参数，确定车辆行驶过程中检测到的每一物体，当前时刻分别在每一位置节点对应的目标信号数据以及目标参数，对于每一物体，将当前时刻物体在每一位置节点对应的目标信号数据以及目标参数，输入至预设的神经网络模型中，以得到物体在下一时刻，每一位置节点对应的预测信号数据，根据每一传感器上传的数据，获取物体在下一时刻，每一位置节点对应的真实信号数据，并根据真实信号数据和预测信号数据确定每一位置节点对应的信号数据的误差值，根据信号数据的误差值，以及当前时刻物体在每一位置节点对应的目标信号数据，确定每一位置节点对应的梯度信息，将梯度信息发送至车载服务器；第二处理模块62，用于根据梯度信息确定物体在下一时刻的轨迹变化模型参数，并根据当前轨迹变化模型以及物体在下一时刻的轨迹变化模型参数，确定物体在下一时刻的轨迹变化，当前轨迹变化模型，是根据物体第一次被传感器检测到时采集的信号数据生成的；将物体在下一时刻的轨迹变化发送至车载终端，并将物体在下一时刻的轨迹变化模型参数发送至每一处理器，以对物体的轨迹变化进行迭代更新。一个实施方式中，车载服务器具体实现功能的描述可以参见实施例二中的步骤S201-S205，在此不做赘述。

本申请的一实施例还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现本申请实施例一中各方法的步骤。

本申请的一实施例还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现本申请实施例二中各方法的步骤。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由所附的权利要求书指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。

Claims (10)

1.一种车辆数据处理方法，其特征在于，所述车辆包括：设置在所述车辆不同位置节点的多个处理器，所述位置节点与所述处理器一一对应，所述多个处理器中一个处理器为主动处理器，其他处理器为被动处理器，所述多个处理器互相通信连接，每一所述处理器均分别与车载服务器通信连接，每一所述处理器还均分别与所处的位置节点对应的传感器连接，所述传感器用于采集车辆行驶过程中检测到的物体的信号数据，并将所述信号数据上传至对应的处理器，所述方法包括：

所述主动处理器接收所述车载服务器下发的主动控制指令，确定当前时刻每一所述位置节点对应的信号数据以及轨迹变化模型参数，所述轨迹变化模型参数是所述车载服务器根据所述处理器所处的位置节点下发的；

所述主动处理器根据每一所述位置节点对应的信号数据以及轨迹变化模型参数，确定所述车辆行驶过程中检测到的每一物体，当前时刻分别在每一所述位置节点对应的目标信号数据以及目标参数；

对于每一所述物体，

所述主动处理器将当前时刻所述物体在每一所述位置节点对应的目标信号数据以及目标参数，输入至预设的神经网络模型中，以得到所述物体在下一时刻，每一所述位置节点对应的预测信号数据；

所述主动处理器根据每一所述传感器上传的数据，获取所述物体在下一时刻，每一所述位置节点对应的真实信号数据，并根据所述真实信号数据和所述预测信号数据确定每一所述位置节点对应的信号数据的误差值；

所述主动处理器根据所述信号数据的误差值，以及当前时刻所述物体在每一所述位置节点对应的目标信号数据，确定每一所述位置节点对应的梯度信息；

所述主动处理器将所述梯度信息发送至所述车载服务器，以使所述车载服务器根据所述梯度信息确定所述物体在下一时刻的轨迹变化模型参数，根据当前轨迹变化模型以及所述物体在下一时刻的轨迹变化模型参数，确定所述物体在下一时刻的轨迹变化，将所述物体在下一时刻的轨迹变化发送至车载终端，并将所述物体在下一时刻的轨迹变化模型参数发送至每一所述处理器，以对所述物体的轨迹变化进行迭代更新，所述当前轨迹变化模型，是根据所述物体第一次被传感器检测到时采集的信号数据生成的。

2.根据权利要求1所述的方法，其特征在于，所述接收所述车载服务器下发的主动控制指令，确定当前时刻每一所述位置节点对应的信号数据以及轨迹变化模型参数，具体包括：

在接收到所述车载服务器下发的主动控制指令之后，向每一所述被动处理器发送数据获取请求，以获取当前时刻每一所述被动处理器接收到的信号数据以及轨迹变化模型参数；

根据每一所述被动处理器接收到的信号数据以及轨迹变化模型参数，以及每一所述被动处理器对应的位置节点，生成被动位置节点对应的信号数据以及轨迹变化模型参数；

根据所述主动处理器接收到的服务器下发的轨迹变化模型参数，以及所述主动处理器对应的传感器上传的信号数据，生成主动位置节点对应的信号数据以及轨迹变化模型参数；

根据每一所述被动位置节点对应的信号数据以及轨迹变化模型参数，和所述主动位置节点对应的信号数据以及轨迹变化模型参数，生成每一所述位置节点对应的信号数据以及轨迹变化模型参数。

3.根据权利要求2所述的方法，其特征在于，所述轨迹变化包括：物体编号、速度、加速度、距离、方位角和俯仰角中的一种或多种；

所述轨迹变化模型参数包括：每一预设物体分别在预设的驾驶场景时对应的子参数，所述预设物体包括：行人、非机动车辆、机动车辆、动物中的一种或多种，所述预设的驾驶场景包括：车辆加入或离开场景、行人或动物经过场景、指示灯场景中的一种或多种，所述子参数包括：速度变化速度、加速度变化速度、距离变化速度、方位角变化速度和俯仰角变化速度中的一种或多种。

4.根据权利要求3所述的方法，其特征在于，所述传感器包括毫米波雷达和视觉传感器，所述视觉传感器包括激光雷达和车载摄像机，所述信号数据包括所述激光雷达和车载摄像机采集的图像数据，以及所述毫米波雷达采集的中频接收数据；

相应的，所述根据每一所述位置节点对应的信号数据以及轨迹变化模型参数，确定所述车辆行驶过程中检测到的每一物体，当前时刻分别在每一所述位置节点对应的目标信号数据以及目标参数，具体包括：

根据当前时刻每一所述位置节点对应的激光雷达和车载摄像机上传的图像数据，以及毫米波雷达上传的中频接收数据，确定所述车辆行驶过程中检测到的各个物体以及驾驶场景，并确定每一所述物体对应的物体类型以及物体编号；

根据每一所述物体对应的物体编号，确定每一所述物体当前时刻分别在每一所述位置节点对应的图像数据以及中频接收数据；

根据每一所述物体当前时刻分别在每一所述位置节点对应的图像数据以及中频接收数据，确定每一所述物体当前时刻分别在每一所述位置节点对应的目标信号数据；

根据所述驾驶场景以及每一所述物体对应的物体类型，确定每一所述物体当前时刻分别在每一所述位置节点对应的目标参数。

5.根据权利要求1-4中任一项所述的方法，其特征在于，所述将当前时刻所述物体在每一所述位置节点对应的目标信号数据以及目标参数，输入至预设的神经网络模型中，以得到所述物体在下一时刻，每一所述位置节点对应的预测信号数据，具体包括：

根据当前时刻所述物体在每一所述位置节点对应的目标信号数据，生成信号向量；

根据每一所述位置节点对应的目标参数，生成参数向量；

根据每一所述位置节点对应的信号向量和参数向量生成节点向量组，并将每一所述节点向量组输入至预设的神经网络模型中，以得到预测矩阵，所述预测矩阵包括位置节点，以及每一所述位置节点在下一时刻对应的预测信号数据。

6.根据权利要求5所述的方法，其特征在于，所述根据所述信号数据的误差值，以及当前时刻所述物体在每一所述位置节点对应的目标信号数据，确定每一所述位置节点对应的梯度信息，具体包括：

利用下列公式，确定每一所述位置节点对应的梯度信息：

其中，所述Δω_i表示第i个位置节点对应的梯度信息，所述L_i表示第i个位置节点对应的信号数据的误差值，所述δL_i表示对第i个位置节点对应的信号数据的误差值进行求导，所述X_i表示当前时刻所述物体在第i个位置节点对应的目标信号数据，所述δX_i表示对当前时刻所述物体在第i个位置节点对应的目标信号数据进行求导，所述H表示所述神经网络模型的激励函数，所述δH表示对所述神经网络模型的激励函数进行求导。

7.一种车辆数据处理方法，其特征在于，所述车辆包括：设置在所述车辆不同位置节点的多个处理器，所述位置节点与所述处理器一一对应，所述多个处理器中一个处理器为主动处理器，其他处理器为被动处理器，每一所述处理器均分别与车载服务器通信连接，每一所述处理器还均分别与所处的位置节点对应的传感器连接，所述传感器用于采集车辆行驶过程中检测到的物体的信号数据，并将所述信号数据上传至对应的处理器，所述方法包括：

所述车载服务器分别向每一所述位置节点的处理器发送对应的轨迹变化模型参数，随机选择一个处理器作为主动处理器，并向所述主动处理器发送主动控制指令，以使所述主动处理器在接收到所述主动控制指令之后，确定当前时刻每一所述位置节点对应的信号数据以及轨迹变化模型参数，根据每一所述位置节点对应的信号数据以及轨迹变化模型参数，确定所述车辆行驶过程中检测到的每一物体，当前时刻分别在每一所述位置节点对应的目标信号数据以及目标参数，对于每一所述物体，将当前时刻所述物体在每一所述位置节点对应的目标信号数据以及目标参数，输入至预设的神经网络模型中，以得到所述物体在下一时刻，每一所述位置节点对应的预测信号数据，根据每一所述传感器上传的数据，获取所述物体在下一时刻，每一所述位置节点对应的真实信号数据，并根据所述真实信号数据和所述预测信号数据确定每一所述位置节点对应的信号数据的误差值，根据所述信号数据的误差值，以及当前时刻所述物体在每一所述位置节点对应的目标信号数据，确定每一所述位置节点对应的梯度信息，将所述梯度信息发送至所述车载服务器；

所述车载服务器根据所述梯度信息确定所述物体在下一时刻的轨迹变化模型参数，并根据当前轨迹变化模型以及所述物体在下一时刻的轨迹变化模型参数，确定所述物体在下一时刻的轨迹变化，所述当前轨迹变化模型，是根据所述物体第一次被传感器检测到时采集的信号数据生成的；

所述车载服务器将所述物体在下一时刻的轨迹变化发送至车载终端，并将所述物体在下一时刻的轨迹变化模型参数发送至每一所述处理器，以对所述物体的轨迹变化进行迭代更新。

8.根据权利要求7所述的方法，其特征在于，所述根据所述梯度信息确定所述物体在下一时刻的轨迹变化模型参数，具体包括：

根据当前驾驶场景以及所述物体的物体类型，确定所述物体当前时刻在每一所述位置节点对应的轨迹变化模型参数；

利用下列公式确定所述物体在下一时刻的轨迹变化模型参数：

其中，所述

表示所述物体下一时刻在第i个位置节点对应的轨迹变化模型参数，所述

表示所述物体当前时刻在第i个位置节点对应的轨迹变化模型参数，所述η表示学习率，所述Δω表示第i个位置节点对应的梯度信息。

9.一种主动处理器，其特征在于，所述主动处理器为设置在车辆不同位置节点的多个处理器中的一个，所述位置节点与所述处理器一一对应，所述多个处理器中一个处理器为所述主动处理器，其他处理器为被动处理器，所述多个处理器互相通信连接，每一所述处理器均分别与车载服务器通信连接，每一所述处理器还均分别与所处的位置节点对应的传感器连接，所述传感器用于采集车辆行驶过程中检测到的物体的信号数据，并将所述信号数据上传至对应的处理器，所述主动处理器包括：

接收模块，用于接收所述车载服务器下发的主动控制指令，确定当前时刻每一所述位置节点对应的信号数据以及轨迹变化模型参数，所述轨迹变化模型参数是所述车载服务器根据所述处理器所处的位置节点下发的；

第一处理模块，用于根据每一所述位置节点对应的信号数据以及轨迹变化模型参数，确定所述车辆行驶过程中检测到的每一物体，当前时刻分别在每一所述位置节点对应的目标信号数据以及目标参数；对于每一所述物体，将当前时刻所述物体在每一所述位置节点对应的目标信号数据以及目标参数，输入至预设的神经网络模型中，以得到所述物体在下一时刻，每一所述位置节点对应的预测信号数据；根据每一所述传感器上传的数据，获取所述物体在下一时刻，每一所述位置节点对应的真实信号数据，并根据所述真实信号数据和所述预测信号数据确定每一所述位置节点对应的信号数据的误差值；根据所述信号数据的误差值，以及当前时刻所述物体在每一所述位置节点对应的目标信号数据，确定每一所述位置节点对应的梯度信息；将所述梯度信息发送至所述车载服务器，以使所述车载服务器根据所述梯度信息确定所述物体在下一时刻的轨迹变化模型参数，根据当前轨迹变化模型以及所述物体在下一时刻的轨迹变化模型参数，确定所述物体在下一时刻的轨迹变化，将所述物体在下一时刻的轨迹变化发送至车载终端，并将所述物体在下一时刻的轨迹变化模型参数发送至每一所述处理器，以对所述物体的轨迹变化进行迭代更新，所述当前轨迹变化模型，是根据所述物体第一次被传感器检测到时采集的信号数据生成的。

10.一种车载服务器，其特征在于，所述车载服务器与多个处理器通信连接，所述处理器分别设置在车辆的不同位置节点，所述位置节点与所述处理器一一对应，所述多个处理器中一个处理器为主动处理器，其他处理器为被动处理器，每一所述处理器还均分别与所处的位置节点对应的传感器连接，所述传感器用于采集车辆行驶过程中检测到的物体的信号数据，并将所述信号数据上传至对应的处理器，所述车载服务器包括：

指令下发模块，用于分别向每一所述位置节点的处理器发送对应的轨迹变化模型参数，随机选择一个处理器作为主动处理器，并向所述主动处理器发送主动控制指令，以使所述主动处理器在接收到所述主动控制指令之后，确定当前时刻每一所述位置节点对应的信号数据以及轨迹变化模型参数，根据每一所述位置节点对应的信号数据以及轨迹变化模型参数，确定所述车辆行驶过程中检测到的每一物体，当前时刻分别在每一所述位置节点对应的目标信号数据以及目标参数，对于每一所述物体，将当前时刻所述物体在每一所述位置节点对应的目标信号数据以及目标参数，输入至预设的神经网络模型中，以得到所述物体在下一时刻，每一所述位置节点对应的预测信号数据，根据每一所述传感器上传的数据，获取所述物体在下一时刻，每一所述位置节点对应的真实信号数据，并根据所述真实信号数据和所述预测信号数据确定每一所述位置节点对应的信号数据的误差值，以及当前时刻所述物体在每一所述位置节点对应的目标信号数据，确定每一所述位置节点对应的梯度信息，将所述梯度信息发送至所述车载服务器；

第二处理模块，用于根据所述梯度信息确定所述物体在下一时刻的轨迹变化模型参数，并根据当前轨迹变化模型以及所述物体在下一时刻的轨迹变化模型参数，确定所述物体在下一时刻的轨迹变化，所述当前轨迹变化模型，是根据所述物体第一次被传感器检测到时采集的信号数据生成的；将所述物体在下一时刻的轨迹变化发送至车载终端，并将所述物体在下一时刻的轨迹变化模型参数发送至每一所述处理器，以对所述物体的轨迹变化进行迭代更新。

Images