CN116503029B - 用于自动驾驶的模块数据协同处理方法及系统 - Google Patents

用于自动驾驶的模块数据协同处理方法及系统 Download PDF

Info

Publication number
CN116503029B
CN116503029B CN202310764529.XA CN202310764529A CN116503029B CN 116503029 B CN116503029 B CN 116503029B CN 202310764529 A CN202310764529 A CN 202310764529A CN 116503029 B CN116503029 B CN 116503029B
Authority
CN
China
Prior art keywords
module
time
task
collaborative
index
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.)
Active
Application number
CN202310764529.XA
Other languages
English (en)
Other versions
CN116503029A (zh
Inventor
张慧林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Cetc Satellite Navigation System Co ltd
Original Assignee
Beijing Cetc Satellite Navigation System Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Cetc Satellite Navigation System Co ltd filed Critical Beijing Cetc Satellite Navigation System Co ltd
Priority to CN202310764529.XA priority Critical patent/CN116503029B/zh
Publication of CN116503029A publication Critical patent/CN116503029A/zh
Application granted granted Critical
Publication of CN116503029B publication Critical patent/CN116503029B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/101—Collaborative creation, e.g. joint development of products or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了用于自动驾驶的模块数据协同处理方法及系统，涉及数据处理领域，其中，所述方法包括：当车载控制系统接收第一处理任务，定位协同模块；生成多个时间轮；通过对多个时间轮进行预测，得到多个时间指数；得到预设协同指数；根据多个时间指数进行协同适应度计算，当适应度指数不满足预设适应度指数，以预设协同指数为目标对协同模块进行分析，输出任务控制参数，并根据任务控制参数进行任务控制。解决了现有技术中针对自动驾驶的模块数据协同处理适应度低、精确度不足、时效性低，导致自动驾驶的模块数据协同处理效果不佳的技术问题。达到了提升自动驾驶的模块数据协同处理的质量和效率等技术效果。

Description

用于自动驾驶的模块数据协同处理方法及系统
技术领域
本发明涉及数据处理领域，具体地，涉及用于自动驾驶的模块数据协同处理方法及系统。
背景技术
随着自动驾驶不断发展，自动驾驶的模块数据协同处理受到人们的广泛关注。现有技术中，存在针对自动驾驶的模块数据协同处理适应度低、精确度不足、时效性低，导致自动驾驶的模块数据协同处理效果不佳的技术问题。
发明内容
本申请提供了用于自动驾驶的模块数据协同处理方法及系统。解决了现有技术中针对自动驾驶的模块数据协同处理适应度低、精确度不足、时效性低，导致自动驾驶的模块数据协同处理效果不佳的技术问题。达到了提高自动驾驶的模块数据协同处理的适应度、精确度、时效性，提升自动驾驶的模块数据协同处理的质量和效率的技术效果。
鉴于上述问题，本申请提供了用于自动驾驶的模块数据协同处理方法及系统。
第一方面，本申请提供了一种用于自动驾驶的模块数据协同处理方法，其中，所述方法应用于一种用于自动驾驶的模块数据协同处理系统，所述方法包括：连接第一车辆的车载控制系统，当所述车载控制系统接收第一处理任务，对所述第一处理任务进行分析，定位协同模块，其中，所述协同模块至少包括两个子模块；对所述协同模块中的各个子模块进行实时任务采集，生成与所述协同模块中各个子模块对应的多个时间轮，所述多个时间轮中每个时间轮均包括对应子模块的实时任务表；通过对多个时间轮进行预测，得到基于所述第一处理任务轮次的多个时间指数；以所述第一处理任务对所述协同模块进行需求分析，得到预设协同指数；根据所述多个时间指数进行协同适应度计算，当适应度指数不满足预设适应度指数，以所述预设协同指数为目标对所述协同模块进行分析，输出任务控制参数；根据所述任务控制参数对所述多个时间轮进行任务控制。
第二方面，本申请还提供了一种用于自动驾驶的模块数据协同处理系统，其中，所述系统包括：任务定位模块，所述任务定位模块用于连接第一车辆的车载控制系统，当所述车载控制系统接收第一处理任务，对所述第一处理任务进行分析，定位协同模块，其中，所述协同模块至少包括两个子模块；实时任务采集模块，所述实时任务采集模块用于对所述协同模块中的各个子模块进行实时任务采集，生成与所述协同模块中各个子模块对应的多个时间轮，所述多个时间轮中每个时间轮均包括对应子模块的实时任务表；预测模块，所述预测模块用于通过对多个时间轮进行预测，得到基于所述第一处理任务轮次的多个时间指数；需求分析模块，所述需求分析模块用于以所述第一处理任务对所述协同模块进行需求分析，得到预设协同指数；任务控制参数输出模块，所述任务控制参数输出模块用于根据所述多个时间指数进行协同适应度计算，当适应度指数不满足预设适应度指数，以所述预设协同指数为目标对所述协同模块进行分析，输出任务控制参数；任务控制模块，所述任务控制模块用于根据所述任务控制参数对所述多个时间轮进行任务控制。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过第一车辆的车载控制系统接收第一处理任务，并根据第一处理任务定位协同模块；通过对协同模块中的各个子模块进行实时任务采集，生成与协同模块中各个子模块对应的多个时间轮；通过对多个时间轮进行预测，获得多个时间指数；以第一处理任务对协同模块进行需求分析，得到预设协同指数；根据多个时间指数进行协同适应度计算，获得适应度指数；当适应度指数不满足预设适应度指数时，以预设协同指数为目标，对协同模块进行分析，输出任务控制参数，并根据任务控制参数对多个时间轮进行任务控制。达到了提高自动驾驶的模块数据协同处理的适应度、精确度、时效性，提升自动驾驶的模块数据协同处理的质量和效率的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例的附图作简单地介绍。明显地，下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1为本申请一种用于自动驾驶的模块数据协同处理方法的流程示意图；
图2为本申请一种用于自动驾驶的模块数据协同处理方法中得到预设协同指数的流程示意图；
图3为本申请一种用于自动驾驶的模块数据协同处理系统的结构示意图。
附图标记说明：任务定位模块11，实时任务采集模块12，预测模块13，需求分析模块14，任务控制参数输出模块15，任务控制模块16。
具体实施方式
本申请通过提供用于自动驾驶的模块数据协同处理方法及系统。解决了现有技术中针对自动驾驶的模块数据协同处理适应度低、精确度不足、时效性低，导致自动驾驶的模块数据协同处理效果不佳的技术问题。达到了提高自动驾驶的模块数据协同处理的适应度、精确度、时效性，提升自动驾驶的模块数据协同处理的质量和效率的技术效果。
实施例一
请参阅附图1，本申请提供一种用于自动驾驶的模块数据协同处理方法，其中，所述方法应用于一种用于自动驾驶的模块数据协同处理系统，所述方法具体包括如下步骤：
步骤S100：连接第一车辆的车载控制系统，当所述车载控制系统接收第一处理任务，对所述第一处理任务进行分析，定位协同模块，其中，所述协同模块至少包括两个子模块；
进一步的，本申请步骤S100还包括：
步骤S110：将所述车载控制系统与车载感知系统连接，基于所述车载感知系统对所述第一车辆的实时驾驶进行感知识别，得到感知数据集；
具体而言，将车载控制系统与车载感知系统进行连接，通过车载感知系统内的多个感知源对第一车辆进行实时驾驶的感知识别，获得感知数据集。其中，所述第一车辆可以为使用所述一种用于自动驾驶的模块数据协同处理系统进行智能化模块数据协同处理系统的任意车辆。所述车载控制系统与所述第一车辆通信连接，具有对第一车辆进行智能化控制的功能。所述车载感知系统与所述第一车辆通信连接，具有对第一车辆进行智能化感知识别的功能。所述车载感知系统包括多个感知源。多个感知源包括第一车辆的定位传感器、速度传感器、加速度传感器、载荷传感器、受力传感器等多个传感器。所述感知数据集包括第一车辆的实时位置、实时行驶方向、实时行驶速度、实时加速度、实时载荷、实时行驶动力参数、实时行驶阻力参数、实时行驶轨迹，以及喇叭、转向灯、仪表盘等汽车信号装置的实时状态参数。
步骤S120：将所述感知数据集输入感知异常识别模型中，输出异常数据集；
进一步的，本申请步骤S120还包括：
步骤S121：搭建全连接神经网络；
步骤S122：利用所述神经网络进行模型预训练，得到预训练模型，所述预训练模型的训练数据包括调用自动驾驶感知样本数据和自动驾驶异常样本数据；
步骤S123：根据所述车载感知系统中的感知源，初始化第一核函数；
步骤S124：利用所述第一核函数对所述预训练模型进行映射训练，输出感知异常识别模型，用于进行感知源的多维异常映射，每个感知源对应一个传感器的数据源。
步骤S130：以所述异常数据集进行反馈控制，生成所述第一处理任务，由所述车载感知系统将所述第一处理任务发送至所述车载控制系统。
具体而言，连接车载感知系统，对车载感知系统进行历史数据调用，获得自动驾驶感知样本数据和自动驾驶异常样本数据，并将自动驾驶感知样本数据和自动驾驶异常样本数据添加至训练数据。基于全连接神经网络，对训练数据进行不断的自我训练学习至收敛状态，获得预训练模型。其中，所述训练数据包括自动驾驶感知样本数据和自动驾驶异常样本数据。所述自动驾驶感知样本数据包括多个历史感知数据集。所述自动驾驶异常样本数据包括多个历史感知数据集对应的多个历史异常数据集。每个历史异常数据集包括每个历史感知数据集中的多个历史异常数据信息。所述全连接神经网络又称多层感知机，全连接神经网络是一种连接方式较为简单的人工神经网络结构。全连接神经网络是一种由输入层、隐藏层、输出层构成的前馈神经网络。且，隐藏层中可以有多个神经元。预训练模型符合全连接神经网络，预训练模型包括输入层、隐藏层、输出层。
进一步，根据车载感知系统内的多个感知源对第一核函数进行初始化，获得初始化之后的第一核函数。
示例性地，多个感知源包括、/>、/>，第一核函数为/>，则，初始化之后的第一核函数为/>，/>。
进一步，根据初始化之后的第一核函数对预训练模型进行映射训练，获得感知异常识别模型。继而，将感知数据集作为输入信息，输入感知异常识别模型，通过感知异常识别模型对感知数据集进行多个感知源的多维异常映射，获得异常数据集。进而，基于异常数据集中的多个异常数据，生成第一处理任务，由车载感知系统将第一处理任务发送至车载控制系统。当车载控制系统接收第一处理任务之后，车载控制系统对第一处理任务进行处理模块定位，获得协同模块。
其中，感知异常识别模型包括根据初始化之后的第一核函数进行映射训练之后的预训练模型。即，感知异常识别模型为满足初始化之后的第一核函数的预训练模型。感知异常识别模型可用于进行多个感知源的多维异常映射，每个感知源对应一个传感器的数据源。所述感知异常识别模型包括输入层、隐藏层、输出层。所述异常数据集包括感知数据集中的多个异常数据。所述第一处理任务包括异常数据集中的多个异常数据对应的多个异常处理任务。每个异常处理任务为每个异常数据对应的反馈控制任务。所述车载控制系统包括多个子模块。多个子模块包括车辆速度控制模块、车辆动力控制模块、车辆信号灯控制模块等多个任务处理模块。且，车载控制系统中的多个子模块与多个感知源具有一一对应关系。所述协同模块包括车载控制系统中，第一处理任务的多个异常处理任务的多个感知源对应的多个子模块。
达到了通过对第一处理任务进行分析，定位第一处理任务对应的协同模块，为后续对第一处理任务进行任务控制奠定基础的技术效果。
步骤S200：对所述协同模块中的各个子模块进行实时任务采集，生成与所述协同模块中各个子模块对应的多个时间轮，所述多个时间轮中每个时间轮均包括对应子模块的实时任务表；
具体而言，分别对协同模块中的各个子模块进行实时任务采集，获得协同模块中的多个子模块对应的多个时间轮。其中，每个时间轮包括协同模块中的每个子模块对应的实时任务表。实时任务表包括协同模块中的每个子模块对应的多个层级。每个层级包括层级时间，以及层级时间对应的层级任务。层级任务包括协同模块中的每个子模块对应的多个已有的需要处理的任务。层级时间包括层级任务中的每个已有的需要处理的任务对应的任务开始时间、任务需求时间。
步骤S300：通过对多个时间轮进行预测，得到基于所述第一处理任务轮次的多个时间指数；
进一步的，本申请步骤S300还包括：
步骤S310：对所述多个时间轮中各个时间轮的实时任务表进行层级识别，得到每个层级时间对应的定时区间；
步骤S320：获取所述第一处理任务对应所处的层级，并根据所述第一处理任务对应所处的层级进行时长预测，得到各个时间轮对应的时长预测结果，其中，所述时长预测结果包括多个时间指数。
具体而言，通过对多个时间轮中各个时间轮的实时任务表进行层级识别，获得每个层级时间对应的定时区间。其中，所述定时区间包括完成每个时间轮中的每个层级的多个已有的需要处理的任务所需要的时间。分别将每个层级对应的多个任务需求时间进行加和，即可获得每个层级时间对应的定时区间。
进一步，基于多个时间轮，对第一处理任务中的多个异常处理任务进行层级匹配，获得第一处理任务中的多个异常处理任务对应的多个匹配层级。多个匹配层级包括在多个时间轮中，第一处理任务的多个异常处理任务对应所处的层级。示例性地，异常处理任务b对应子模块B1。子模块B1对应时间轮B。时间轮B包括实时任务表B2。实时任务表B2包括5个层级。每个层级可以存储的任务的数量为6个。实时任务表B2中已经存储了9个已有的需要处理的任务，则，异常处理任务b为实时任务表B2中的第10个任务，异常处理任务b对应的匹配层级为时间轮B中的第二层级。
进一步，根据多个匹配层级、定时区间对多个时间轮进行预测，获得各个时间轮对应的时长预测结果。其中，时长预测结果包括多个时间指数。每个时间指数包括在每个异常处理任务对应的时间轮中，完成这个时间轮的多个已有的需要处理的任务所需要的总时间。示例性地，在根据多个匹配层级、定时区间对多个时间轮进行预测时，将每个匹配层级对应的时间轮的定时区间进行加和，即可获得各个时间轮对应的时长预测结果。
达到了确定第一处理任务对应的多个时间指数，从而提高自动驾驶的模块数据协同处理的时效性的技术效果。
步骤S400：以所述第一处理任务对所述协同模块进行需求分析，得到预设协同指数；
进一步的，如附图2所示，本申请步骤S400还包括：
步骤S410：根据所述第一处理任务对所述协同模块中各个子模块的协同关系进行识别，将所述各个子模块作为拓扑节点生成协同拓扑网；
步骤S420：基于所述协同拓扑网，生成协同系数矩阵，所述协同系数矩阵中协同系数表征以两个子模块为识别向量对应的时间协同性；
步骤S430：通过对所述协同系数矩阵进行计算，得到预设协同指数。
具体而言，连接车载控制系统，对协同模块中的多个子模块进行关联关系提取，获得协同关系。将协同模块中的多个子模块设置为多个拓扑节点，按照协同关系将多个拓扑节点进行连接，获得协同拓扑网。其中，所述协同关系包括协同模块中的多个子模块对应的关联关系。所述协同拓扑网包括按照协同关系进行连接的多个拓扑节点。每个拓扑节点包括协同模块中的一个子模块。
进一步，基于协同拓扑网，获得协同系数矩阵。协同系数矩阵的行为协同拓扑网中的多个拓扑节点对应的多个子模块。协同系数矩阵的列为协同拓扑网中的多个拓扑节点多个子模块。继而，通过对协同系数矩阵进行协同系数计算，获得协同模块中的每个子模块对应的多个时间协同性需求指数，并将每个子模块对应的多个时间协同性需求指数添加至预设协同指数中。所述预设协同指数包括协同模块中的每个子模块对应的多个时间协同性需求指数。
示例性地，在通过对协同系数矩阵进行协同系数计算时，遍历协同系数矩阵进行子模块的随机组合，获得多个识别向量。每个识别向量包括协同系数矩阵中的任意两个子模块。分别将多个识别向量作为输入信息，输入时间协同性需求模型，通过时间协同性需求模型对多个识别向量进行时间协同性需求分析，获得多个识别向量对应的多个协同系数，并多个识别向量对应的多个协同系数输出为每个子模块对应的多个时间协同性需求指数。其中，协同系数越高，对应的识别向量中的两个子模块的时间协同性需求越强。
基于多个识别向量进行大数据查询，获得多组构建数据。每组构建数据包括历史识别向量、历史协同系数。将多组构建数据中随机的70％的数据信息划分为训练数据集。将多组构建数据中随机的30％的数据信息划分为测试数据集。基于BP神经网络对训练数据集进行交叉监督训练，获得时间协同性需求模型。将测试数据集作为输入信息，输入时间协同性需求模型，通过测试数据集对时间协同性需求模型进行参数更新。BP神经网络是一种按照误差逆向传播算法进行训练的多层前馈神经网络。BP神经网络可以进行正向计算、反向计算。正向计算时，输入信息从输入层经过多层神经元逐层处理，转向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向计算，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差信号最小。时间协同性需求模型包括输入层、隐含层、输出层。
达到了通过对协同模块进行需求分析，获取准确的预设协同指数，从而提高自动驾驶的模块数据协同处理适应度的技术效果。
步骤S500：根据所述多个时间指数进行协同适应度计算，当适应度指数不满足预设适应度指数，以所述预设协同指数为目标对所述协同模块进行分析，输出任务控制参数；
进一步的，本申请步骤S500还包括：
步骤S510：基于所述多个时间指数对所述协同模块中的各个子模块进行时间协同性分析，得到第一协同指数，以所述第一协同指数与所述预设协同指数之间的适应度，获取所述适应度指数；
具体而言，根据多个时间指数，对协同模块中的各个子模块进行时间协同性分析，得到第一协同指数。第一协同指数包括协同模块中的每个子模块对应的多个实际时间协同性指数。示例性地，在对协同模块中的各个子模块进行时间协同性分析时，基于多个识别向量对多个时间指数进行数据提取，获得多组识别时间指数。每组识别时间指数包括多个时间指数中，每个识别向量中的两个子模块对应的两个时间指数。分别将多组识别时间指数输入时间协同性分析模型，获得多组识别时间指数对应的多个实际时间协同性分析系数，并将多个实际时间协同性分析系数输出为多个实际时间协同性指数。每组识别时间指数中的两个时间指数越接近，则，这组识别时间指数的时间协同性越高，对应的实际时间协同性分析系数越大。
基于多组识别时间指数进行历史数据采集，获得多个构建数据集。每个构建数据集包括一组历史识别时间指数，以及这一组历史识别时间指数对应的历史实际时间协同性分析系数。基于BP神经网络，将多个构建数据集进行不断的自我训练学习至收敛状态，即可获得时间协同性分析模型。所述时间协同性分析模型包括输入层、隐含层、输出层。所述时间协同性分析模型具备对输入的多组识别时间指数进行实际时间协同性分析系数匹配的功能。
进一步，分别将第一协同指数中的每个实际时间协同性指数与对应的时间协同性需求指数进行差值计算，获得协同适应度指数，并将协同适应度指数添加至适应度指数中。其中，所述适应度指数包括多个协同适应度指数。每个协同适应度指数包括第一协同指数中的每个实际时间协同性指数与对应的时间协同性需求指数之间的差值的绝对值。
步骤S520：当所述适应度指数不满足所述预设适应度指数，获取第一优化指令，根据所述第一优化指令，以所述预设协同指数为目标，引入第一协同损失函数进行分析，输出任务控制参数。
其中，所述第一协同损失函数的公式有：
；
其中，为所述第一协同损失函数，通过最小化所述第一协同损失函数以达到收敛；
为需要学习的参数，/>表征所述第一协同指数中第i个模块对应的协同系数，表征所述预设协同指数中第i个模块的对应的协同系数；
为基于第i个模块对应时间协同损失函数，/>为基于n个模块对应的损失和函数，/>；
为正则化项，/>为正则化项的权重。
步骤S600：根据所述任务控制参数对所述多个时间轮进行任务控制。
具体而言，分别判断适应度指数中的每个协同适应度指数是否满足预设适应度指数。如果协同适应度指数不满足预设适应度指数，所述一种用于自动驾驶的模块数据协同处理系统自动获取第一优化指令。根据第一优化指令，将预设协同指数设置为目标，引入第一协同损失函数进行分析，输出任务控制参数，并根据任务控制参数对多个时间轮进行任务控制。其中，所述预设适应度指数包括预先设置确定的协同适应度指数阈值。所述第一优化指令是用于表征协同适应度指数不满足预设适应度指数，需要对该协同适应度指数对应的时间轮进行任务控制的指令信息。
其中，所述第一协同损失函数的公式为：
；
其中，为所述第一协同损失函数，通过最小化所述第一协同损失函数以达到收敛；/>为需要学习的参数，/>表征所述第一协同指数中第i个模块对应的协同系数，表征所述预设协同指数中第i个模块的对应的协同系数；/>为基于第i个模块对应时间协同损失函数，/>为基于n个模块对应的损失和函数，/>；/>为正则化项，/>为预先设置确定的正则化项的权重。
达到了通过预设协同指数对协同模块进行分析，输出任务控制参数，从而提高自动驾驶的模块数据协同处理的质量和效率的技术效果。
综上所述，本申请所提供的一种用于自动驾驶的模块数据协同处理方法具有如下技术效果：
1.通过第一车辆的车载控制系统接收第一处理任务，并根据第一处理任务定位协同模块；通过对协同模块中的各个子模块进行实时任务采集，生成与协同模块中各个子模块对应的多个时间轮；通过对多个时间轮进行预测，获得多个时间指数；以第一处理任务对协同模块进行需求分析，得到预设协同指数；根据多个时间指数进行协同适应度计算，获得适应度指数；当适应度指数不满足预设适应度指数时，以预设协同指数为目标，对协同模块进行分析，输出任务控制参数，并根据任务控制参数对多个时间轮进行任务控制。达到了提高自动驾驶的模块数据协同处理的适应度、精确度、时效性，提升自动驾驶的模块数据协同处理的质量和效率的技术效果。
2.通过对协同模块进行需求分析，获取准确的预设协同指数，从而提高自动驾驶的模块数据协同处理适应度。
实施例二
基于与前述实施例中一种用于自动驾驶的模块数据协同处理方法，同样发明构思，本发明还提供了一种用于自动驾驶的模块数据协同处理系统，请参阅附图3，所述系统包括：
任务定位模块11，所述任务定位模块11用于连接第一车辆的车载控制系统，当所述车载控制系统接收第一处理任务，对所述第一处理任务进行分析，定位协同模块，其中，所述协同模块至少包括两个子模块；
实时任务采集模块12，所述实时任务采集模块12用于对所述协同模块中的各个子模块进行实时任务采集，生成与所述协同模块中各个子模块对应的多个时间轮，所述多个时间轮中每个时间轮均包括对应子模块的实时任务表；
预测模块13，所述预测模块13用于通过对多个时间轮进行预测，得到基于所述第一处理任务轮次的多个时间指数；
需求分析模块14，所述需求分析模块14用于以所述第一处理任务对所述协同模块进行需求分析，得到预设协同指数；
任务控制参数输出模块15，所述任务控制参数15输出模块用于根据所述多个时间指数进行协同适应度计算，当适应度指数不满足预设适应度指数，以所述预设协同指数为目标对所述协同模块进行分析，输出任务控制参数；
任务控制模块16，所述任务控制模块16用于根据所述任务控制参数对所述多个时间轮进行任务控制。
进一步的，所述系统还包括：
感知识别模块，所述感知识别模块用于将所述车载控制系统与车载感知系统连接，基于所述车载感知系统对所述第一车辆的实时驾驶进行感知识别，得到感知数据集；
异常数据集获取模块，所述异常数据集获取模块用于将所述感知数据集输入感知异常识别模型中，输出异常数据集；
处理任务发送模块，所述处理任务发送模块用于以所述异常数据集进行反馈控制，生成所述第一处理任务，由所述车载感知系统将所述第一处理任务发送至所述车载控制系统。
进一步的，所述系统还包括：
搭建模块，所述搭建模块用于搭建全连接神经网络；
预训练模块，所述预训练模块用于利用所述神经网络进行模型预训练，得到预训练模型，所述预训练模型的训练数据包括调用自动驾驶感知样本数据和自动驾驶异常样本数据；
初始化模块，所述初始化模块用于根据所述车载感知系统中的感知源，初始化第一核函数；
映射训练模块，所述映射训练模块用于利用所述第一核函数对所述预训练模型进行映射训练，输出感知异常识别模型，用于进行感知源的多维异常映射，每个感知源对应一个传感器的数据源。
进一步的，所述系统还包括：
层级识别模块，所述层级识别模块用于对所述多个时间轮中各个时间轮的实时任务表进行层级识别，得到每个层级时间对应的定时区间；
时长预测结果获取模块，所述时长预测结果获取模块用于获取所述第一处理任务对应所处的层级，并根据所述第一处理任务对应所处的层级进行时长预测，得到各个时间轮对应的时长预测结果，其中，所述时长预测结果包括多个时间指数。
进一步的，所述系统还包括：
协同拓扑网生成模块，所述协同拓扑网生成模块用于根据所述第一处理任务对所述协同模块中各个子模块的协同关系进行识别，将所述各个子模块作为拓扑节点生成协同拓扑网；
协同系数矩阵生成模块，所述协同系数矩阵生成模块用于基于所述协同拓扑网，生成协同系数矩阵，所述协同系数矩阵中协同系数表征以两个子模块为识别向量对应的时间协同性；
矩阵计算模块，所述矩阵计算模块用于通过对所述协同系数矩阵进行计算，得到预设协同指数。
进一步的，所述系统还包括：
适应度指数确定模块，所述适应度指数确定模块用于基于所述多个时间指数对所述协同模块中的各个子模块进行时间协同性分析，得到第一协同指数，以所述第一协同指数与所述预设协同指数之间的适应度，获取所述适应度指数；
任务控制参数确定模块，所述任务控制参数确定模块用于当所述适应度指数不满足所述预设适应度指数，获取第一优化指令，根据所述第一优化指令，以所述预设协同指数为目标，引入第一协同损失函数进行分析，输出任务控制参数。
其中，所述第一协同损失函数的公式有：
；
其中，为所述第一协同损失函数，通过最小化所述第一协同损失函数以达到收敛；
为需要学习的参数，/>表征所述第一协同指数中第i个模块对应的协同系数，表征所述预设协同指数中第i个模块的对应的协同系数；
为基于第i个模块对应时间协同损失函数，/>为基于n个模块对应的损失和函数，/>；
为正则化项，/>为正则化项的权重。
本发明实施例所提供的一种用于自动驾驶的模块数据协同处理系统可执行本发明任意实施例所提供的一种用于自动驾驶的模块数据协同处理方法，具备执行方法相应的功能模块和有益效果。
所包括的各个模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
本申请提供了一种用于自动驾驶的模块数据协同处理方法，其中，所述方法应用于一种用于自动驾驶的模块数据协同处理系统，所述方法包括：通过第一车辆的车载控制系统接收第一处理任务，并根据第一处理任务定位协同模块；通过对协同模块中的各个子模块进行实时任务采集，生成与协同模块中各个子模块对应的多个时间轮；通过对多个时间轮进行预测，获得多个时间指数；以第一处理任务对协同模块进行需求分析，得到预设协同指数；根据多个时间指数进行协同适应度计算，获得适应度指数；当适应度指数不满足预设适应度指数时，以预设协同指数为目标，对协同模块进行分析，输出任务控制参数，并根据任务控制参数对多个时间轮进行任务控制。解决了现有技术中针对自动驾驶的模块数据协同处理适应度低、精确度不足、时效性低，导致自动驾驶的模块数据协同处理效果不佳的技术问题。达到了提高自动驾驶的模块数据协同处理的适应度、精确度、时效性，提升自动驾驶的模块数据协同处理的质量和效率的技术效果。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (2)

1.用于自动驾驶的模块数据协同处理方法，其特征在于，所述方法包括：
连接第一车辆的车载控制系统，当所述车载控制系统接收第一处理任务，对所述第一处理任务进行分析，定位协同模块，其中，所述协同模块至少包括两个子模块；
对所述协同模块中的各个子模块进行实时任务采集，生成与所述协同模块中各个子模块对应的多个时间轮，所述多个时间轮中每个时间轮均包括对应子模块的实时任务表；
通过对多个时间轮进行预测，得到基于所述第一处理任务轮次的多个时间指数；
以所述第一处理任务对所述协同模块进行需求分析，得到预设协同指数；
根据所述多个时间指数进行协同适应度计算，当适应度指数不满足预设适应度指数，以所述预设协同指数为目标对所述协同模块进行分析，输出任务控制参数；
根据所述任务控制参数对所述多个时间轮进行任务控制；
所述方法还包括：
将所述车载控制系统与车载感知系统连接，基于所述车载感知系统对所述第一车辆的实时驾驶进行感知识别，得到感知数据集；
将所述感知数据集输入感知异常识别模型中，输出异常数据集；
以所述异常数据集进行反馈控制，生成所述第一处理任务，由所述车载感知系统将所述第一处理任务发送至所述车载控制系统；
所述方法还包括：
搭建全连接神经网络；
利用所述神经网络进行模型预训练，得到预训练模型，所述预训练模型的训练数据包括调用自动驾驶感知样本数据和自动驾驶异常样本数据；
根据所述车载感知系统中的感知源，初始化第一核函数；
利用所述第一核函数对所述预训练模型进行映射训练，输出感知异常识别模型，用于进行感知源的多维异常映射，每个感知源对应一个传感器的数据源；
通过对多个时间轮进行预测，得到基于所述第一处理任务轮次的多个时间指数，方法包括：
对所述多个时间轮中各个时间轮的实时任务表进行层级识别，得到每个层级时间对应的定时区间；
获取所述第一处理任务对应所处的层级，并根据所述第一处理任务对应所处的层级进行时长预测，得到各个时间轮对应的时长预测结果，其中，所述时长预测结果包括多个时间指数；
以所述第一处理任务对所述协同模块进行需求分析，得到预设协同指数，方法包括：
根据所述第一处理任务对所述协同模块中各个子模块的协同关系进行识别，将所述各个子模块作为拓扑节点生成协同拓扑网；
基于所述协同拓扑网，生成协同系数矩阵，所述协同系数矩阵中协同系数表征以两个子模块为识别向量对应的时间协同性；
通过对所述协同系数矩阵进行计算，得到预设协同指数；
以所述预设协同指数为目标对所述协同模块进行分析，输出任务控制参数，方法包括：
基于所述多个时间指数对所述协同模块中的各个子模块进行时间协同性分析，得到第一协同指数，以所述第一协同指数与所述预设协同指数之间的适应度，获取所述适应度指数；
当所述适应度指数不满足所述预设适应度指数，获取第一优化指令，根据所述第一优化指令，以所述预设协同指数为目标，引入第一协同损失函数进行分析，输出任务控制参数；
所述第一协同损失函数的公式有：
；
其中，为所述第一协同损失函数，通过最小化所述第一协同损失函数以达到收敛；
为需要学习的参数，/>表征所述第一协同指数中第i个模块对应的协同系数，/>表征所述预设协同指数中第i个模块的对应的协同系数；
为基于第i个模块对应时间协同损失函数，/>为基于n个模块对应的损失和函数，/>；
为正则化项，/>为正则化项的权重。
2.用于自动驾驶的模块数据协同处理系统，其特征在于，所述系统用于执行权利要求1所述的方法，所述系统包括：
任务定位模块，所述任务定位模块用于连接第一车辆的车载控制系统，当所述车载控制系统接收第一处理任务，对所述第一处理任务进行分析，定位协同模块，其中，所述协同模块至少包括两个子模块；
实时任务采集模块，所述实时任务采集模块用于对所述协同模块中的各个子模块进行实时任务采集，生成与所述协同模块中各个子模块对应的多个时间轮，所述多个时间轮中每个时间轮均包括对应子模块的实时任务表；
预测模块，所述预测模块用于通过对多个时间轮进行预测，得到基于所述第一处理任务轮次的多个时间指数；
需求分析模块，所述需求分析模块用于以所述第一处理任务对所述协同模块进行需求分析，得到预设协同指数；
任务控制参数输出模块，所述任务控制参数输出模块用于根据所述多个时间指数进行协同适应度计算，当适应度指数不满足预设适应度指数，以所述预设协同指数为目标对所述协同模块进行分析，输出任务控制参数；
任务控制模块，所述任务控制模块用于根据所述任务控制参数对所述多个时间轮进行任务控制。
CN202310764529.XA 2023-06-27 2023-06-27 用于自动驾驶的模块数据协同处理方法及系统 Active CN116503029B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310764529.XA CN116503029B (zh) 2023-06-27 2023-06-27 用于自动驾驶的模块数据协同处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310764529.XA CN116503029B (zh) 2023-06-27 2023-06-27 用于自动驾驶的模块数据协同处理方法及系统

Publications (2)

Publication Number Publication Date
CN116503029A CN116503029A (zh) 2023-07-28
CN116503029B true CN116503029B (zh) 2023-09-05

Family

ID=87316980

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310764529.XA Active CN116503029B (zh) 2023-06-27 2023-06-27 用于自动驾驶的模块数据协同处理方法及系统

Country Status (1)

Country Link
CN (1) CN116503029B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116821638B (zh) * 2023-08-31 2023-12-22 北京中电科卫星导航系统有限公司 Ai芯片应用优化设计的数据分析方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108846384A (zh) * 2018-07-09 2018-11-20 北京邮电大学 融合视频感知的多任务协同识别方法及系统
CN108873894A (zh) * 2018-06-11 2018-11-23 上海大学 一种基于多无人艇的目标跟踪协同控制系统和方法
CN113837922A (zh) * 2021-09-26 2021-12-24 安徽寒武纪信息科技有限公司 计算装置、数据处理方法及相关产品
WO2022156520A1 (zh) * 2021-01-25 2022-07-28 国汽智控(北京)科技有限公司 一种云路协同的自动驾驶模型训练、调取方法及系统
CN115131753A (zh) * 2022-04-19 2022-09-30 中山大学·深圳 一种自动驾驶场景下的异构多任务协同系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108873894A (zh) * 2018-06-11 2018-11-23 上海大学 一种基于多无人艇的目标跟踪协同控制系统和方法
CN108846384A (zh) * 2018-07-09 2018-11-20 北京邮电大学 融合视频感知的多任务协同识别方法及系统
WO2022156520A1 (zh) * 2021-01-25 2022-07-28 国汽智控(北京)科技有限公司 一种云路协同的自动驾驶模型训练、调取方法及系统
CN113837922A (zh) * 2021-09-26 2021-12-24 安徽寒武纪信息科技有限公司 计算装置、数据处理方法及相关产品
CN115131753A (zh) * 2022-04-19 2022-09-30 中山大学·深圳 一种自动驾驶场景下的异构多任务协同系统

Also Published As

Publication number Publication date
CN116503029A (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN107255923B (zh) 基于rbf辨识的ica-cmac神经网络的欠驱动无人艇航迹跟踪控制方法
CN112265546B (zh) 基于时空序列信息的网联汽车车速预测方法
CN109131348B (zh) 一种基于生成式对抗网络的智能车驾驶决策方法
Lu et al. Generalized radial basis function neural network based on an improved dynamic particle swarm optimization and AdaBoost algorithm
US5875284A (en) Neuro-fuzzy-integrated data processing system
Pozna et al. Signatures: Definitions, operators and applications to fuzzy modelling
CN116503029B (zh) 用于自动驾驶的模块数据协同处理方法及系统
CN110481536B (zh) 一种应用于混合动力汽车的控制方法及设备
CN111461413B (zh) 一种公路路面使用性能检测系统
CN113537580B (zh) 一种基于自适应图学习的公共交通客流预测方法及系统
CN110309537A (zh) 一种飞行器的智能健康预测方法及系统
CN114357872A (zh) 一种基于stacking模型融合的船舶运动黑箱辨识建模与运动预测方法
CN111967087A (zh) 基于神经网络的网联车辆决策控制模型建立及评估方法
KR950007882B1 (ko) 퍼지 추론 시스템용 멤버쉽 함수 및 퍼지 추론 규정을 자동적으로 발생시키는 장치 및 방법
CN115862319A (zh) 一种面向时空图自编码器的交通流量预测方法
CN112651519A (zh) 一种基于深度学习理论的二次设备故障定位方法及系统
CN118038236A (zh) 一种基于图学习的脉冲图神经网络触觉物体识别方法
Chen et al. Hybrid modeling for vehicle lateral dynamics via AGRU with a dual-attention mechanism under limited data
CN117930847A (zh) 一种基于改进Transformer模型的车辆轨迹预测算法
CN117319232A (zh) 一种基于行为预测的多智能体集群一致性协同控制方法
CN117726254A (zh) 一种基于飞行数据的配送无人机异常检测和处理方法
CN114077883A (zh) 在环境空气预报中基于深度信念网络的数据融合的方法
CN113887570B (zh) 一种基于神经网络的太阳耀斑二分类预测方法
CN115659201A (zh) 物联网气体浓度检测方法及监控系统
CN115562258A (zh) 基于神经网络的机器人社会自适应路径规划方法及系统

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
GR01 Patent grant
GR01 Patent grant