CN116894317A - 数据处理方法、装置、电子设备和介质 - Google Patents

Abstract

本公开提供了一种数据处理方法、装置、电子设备和介质，涉及计算机技术领域，尤其涉及自动驾驶和智能交通领域。实现方案为：获取驾驶场景的驾驶场景数据中的风险信息；基于风险信息确定风险因素集合，风险因素集合包括驾驶场景数据中存在的风险因素；以及基于风险因素集合生成仿真风险场景，仿真风险场景体现风险因素集合中的至少一个风险因素。

Description

数据处理方法、装置、电子设备和介质

相关申请的交叉引用

本申请要求于2022年04月06日提交的美国专利申请17/714,457的优先权，其全部内容通过引用整体结合在本申请中。

技术领域

本公开涉及计算机技术领域，尤其涉及自动驾驶和智能交通领域，具体涉及一种数据处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

在自动驾驶领域，可以通过计算机视觉的方式对车辆周围的信息(如车道线等)进行感测，从而为自动驾驶系统的控制提供参考信息。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种数据处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种数据处理方法，包括：获取驾驶场景的驾驶场景数据中的风险信息；基于所述风险信息确定风险因素集合，所述风险因素集合包括所述驾驶场景数据中存在的风险因素；以及基于所述风险因素集合生成仿真风险场景，所述仿真风险场景体现所述风险因素集合中的至少一个风险因素。

根据本公开的一方面，提供了一种数据处理装置，包括：风险信息获取单元，被配置成获取驾驶场景的驾驶场景数据中的风险信息；风险因素生成单元，被配置成基于所述风险信息确定风险因素集合，所述风险因素集合包括所述驾驶场景数据中存在的风险因素；以及仿真单元，被配置成基于所述风险因素集合生成仿真风险场景，所述仿真风险场景体现所述风险因素集合中的至少一个风险因素。

根据本公开的一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如前所述的方法。

根据本公开的一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行如前所述的方法。

根据本公开的一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现如前所述的方法。

根据本公开的一个或多个实施例，可以通过对驾驶场景数据进行挖掘获取驾驶场景中存在的风险因素，从而能够获取驾驶过程中更全面而准确的风险场景，并会进一步能够利用所获取的风险因素提高自动驾驶中涉及的检测模型的鲁棒性和自动驾驶系统的安全性。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的数据处理方法的示例性的流程图；

图3示出了根据本公开的实施例的获取风险因素集合的示例性过程；

图4示出了根据本公开的实施例的用于生成风险场景的示例性过程；

图5示出了根据本公开的实施例的数据处理装置的示例性框图；

图6示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

在自动驾驶过程中，为了向车辆提供有效的驾驶指示，可以通过各种传感器对车辆周围的信息进行感测。在自动驾驶任务中，可以利用车道线检测的方式识别车辆所在的道路上存在的车道线，从而使得自动驾驶车辆能够行驶在车道线限定的车道内。目前的车道线检测可以是基于卷积神经网络技术实现的。通过对车辆前方的图像进行特征提取，可以找到一定数目的可能的车道线关键点，并可以对关键点进行聚合以生成最终的车道线预测。然而，车道线检测模型的准确度可以受到环境中各种因素的影响，并可能导致车道线检测模型输出错误的车道线识别结果，从而导致车辆偏离当前道路而发生危险。进一步地，车辆驾驶时环境中存在的各种因素可能会导致除了车道线检测模型以外的其他预测模型的准确度受到影响。

相关技术的方法中可能基于预先给定的风险因素的关键词来设计用于对预测模型进行评价的场景。然而，人工给定的风险因素无法涵盖实际中多样化的风险场景。因此，对于自动驾驶系统存在自动挖掘驾驶场景中的风险因素的需要。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行本公开的实施例的方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来获取本公开的实施例中使用的信息，如视频或文本数据。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

图2示出了根据本公开的实施例的数据处理方法的示例性的流程图。可以利用图1中示出的客户端或服务器执行图2中示出的数据处理方法200。

在步骤S202中，获取驾驶场景的驾驶场景数据中的风险信息。其中，驾驶场景数据可以是能够描述针对一段驾驶过程的场景中的各种信息的任何数据。例如，驾驶场景数据可以包括该段驾驶过程中车辆周围的环境信息以及车辆周围其他交通对象(如车辆、行人等)的活动信息。风险信息指的是驾驶场景数据中与驾驶过程中存在的风险有关的任何形式的数据(如图像、文字、音频等)。通过对风险信息进行分析能够获取驾驶场景中的风险因素。

在步骤S204中，基于所获取的风险信息确定风险因素集合。其中，风险因素集合包括驾驶场景数据中存在的风险因素。

在步骤S206中，基于风险因素集合生成仿真风险场景。其中，仿真风险场景可以对应于一定时长的仿真驾驶片段，并且仿真风险场景中体现风险因素集合中的至少一个风险因素。

利用本公开提供的实施例，可以通过对驾驶场景数据进行挖掘获取驾驶场景中存在的风险因素，从而能够获取驾驶过程中更全面而准确的风险场景，并会进一步能够利用所获取的风险因素提高自动驾驶中涉及的检测模型的鲁棒性和自动驾驶系统的安全性。

下面将进一步详细描述本公开的原理。

在步骤S202中，可以获取驾驶场景的驾驶场景数据中的风险信息。

在一些实施例中，驾驶场景数据可以包括对应于驾驶场景的视频。可以从任何公开的视频网站获取驾驶场景的视频，也可以在实车试验时通过图像采集设备采集实车试验过程中的驾驶场景的视频。在一些示例中，驾驶场景的视频可以是从驾驶员的视角进行拍摄的，如利用安装在驾驶座前方的图像采集设备采集的视频。在另一些示例中，驾驶场景的视频也可以是利用安装在车辆顶部的图像采集设备采集的视频。

驾驶场景的视频中可以呈现在一段驾驶过程中车辆周围的信息。例如，驾驶场景的视频中可以包括车辆行驶前方的道路信息(如车道线、转向标志、道路指示牌等)、车辆周围其他交通对象的活动(如周围车辆的速度、方向、车辆周围的行人的行走轨迹等)、车辆周围的环境信息(如天气情况、光照情况等)。

针对驾驶场景的视频，风险信息可以指的是驾驶场景中的风险帧。在本公开的实施例中，风险帧指的是利用预测模型对其图像进行处理时无法得到准确预测结果的图像帧。在一些实现方式中，可以利用车道线检测模型识别驾驶场景的视频中的风险帧。这里使用的车道线检测模型是经训练的车道线检测模型。

可以对视频的视频帧中的车道线进行标注，以得到标注的车道线。例如，可以利用人工的方式标注视频帧中真实存在的车道线所在的位置。进一步地，可以对已标注的视频帧进行车道线检测，以得到预测的车道线。例如，可以利用经训练的车道线检测模型对视频帧的图像信息进行检测，以得到视频帧中预测的车道线的位置。然后，可以对上述标注的车道线和上述预测的车道线进行比较，以确定该视频帧是否是风险帧。其中，当标注的车道线和预测的车道线之间的误差大于预定的误差阈值时，可以认为目前的车道线检测模型无法准确地识别出视频帧中的车道线，因此该视频帧中存在影响车道线检测模型的风险因素，因此可以将该视频帧确定为风险帧。

尽管在上述过程中以车道线检测模型为例描述了风险帧的确定方式，可以理解的是，在不脱离本公开原理的情况下，也可以采用其他预测模型对视频帧进行处理，以识别出视频中具有影响预测模型的准确度的风险因素的风险帧。

在另一些实施例中，驾驶场景数据可以包括描述驾驶场景的文本。例如，可以获取交通事故报告作为上述驾驶场景数据。在交通事故报告中可以包括描述驾驶过程中的场景信息，尤其是导致事故发生的信息。

针对驾驶场景的文本，风险信息可以指的是文本中描述驾驶场景中存在的风险因素的风险文本。例如，对于交通事故报告，可以将导致事故发生的原因的文本信息作为风险文本。

可以利用自然语言处理的方式对文本进行语义分析，以得到文本中描述驾驶场景中存在的风险因素的风险文本作为风险信息。例如，可以利用各种自然语言预处理模型(如Word2Vec、BERT等)提取文本中的语义特征，并进一步对文本的语义特征进行分类，以确定文本中的哪一部分属于风险文本。可以理解的是，在不脱离本公开原理的情况下，本领域技术人员可以利用任何自然语言处理方式识别出文本中描述驾驶场景中存在的风险因素的句子或段落作为风险信息。

在步骤S204中，基于所获取的风险信息确定风险因素集合。其中风险因素集合包括驾驶场景数据中存在的风险因素。

可以从步骤S202中确定的风险信息中提取风险因素，并可以将所提取的至少一个风险因素确定为风险因素集合。其中，风险因素可以包括天气(如雨天、雪天、雾天等)、光照(如黄昏、深夜、路灯亮度等)、道路形态(如弯道、直道、匝道或其他道路形态)、周围物体(行人或车辆)活动中的一项或多项。

对于风险帧形式的风险信息，可以通过对风险帧进行目标检测来得到风险因素集合中的风险因素。例如，可以通过基于机器学习的目标检测模型(如RCNN、YOLO等)实现上述目标检测，以从风险帧中提取对应于风险因素的关键词。在一些实现方式中，可以将从风险帧中识别到的天气信息(如雨天、雪天)、周围交通对象的驾驶行为、光照信息等确定为上述风险因素。

对于风险文本形式的风险信息，可以基于自然语言处理的方式从风险文本中提取风险因素集合中的风险因素。例如，可以利用关键词提取模型(如TFIDF、TextRank、二分类模型等)对风险文本进行关键词提取，从而获取风险文本中对应于风险因素的关键词。

通过从视频数据和文本数据中提取挖掘风险因素，可以实现从大量的真实驾驶场景中识别风险并识别具体存在的风险因素，从而能够获取驾驶过程中可能出现的全面的风险因素。

在步骤S206中，可以基于风险因素集合生成仿真风险场景。其中，仿真风险场景可以对应于一定时长的仿真驾驶片段，并且仿真风险场景中体现风险因素集合中的至少一个风险因素。

在一些实施例中，可以基于风险因素集合中的至少一个风险因素对仿真风险场景进行配置，使得仿真风险场景中包含对应于至少一个风险因素的场景内容。在一些实现方式中，可以从步骤S204中确定的风险因素集合中随机选取一个或多个风险因素，并基于所选取的一个或多个风险因素对仿真风险场景进行配置。利用上述方法，仿真风险场景中可以包括风险因素集合中一个或多个风险因素的任意组合，从而能够生成多样化的风险场景。这样的多样化的风险场景能够进一步用于指导自动驾驶的预测模型(如车道线检测模型)的优化，从而提高自动驾驶的预测模型的准确率。

在一些实现方式中，上述仿真风险场景可以是利用自动驾驶仿真引擎(如Unity、GTA等)生成的。通过基于风险因素配置自动驾驶仿真引擎的参数，可以生成包括风险因素的仿真风险场景。

在另一些实现方式中，上述仿真风险场景可以是通过对真实驾驶场景进行变换生成的。例如，可以对并不具有风险因素的真实驾驶场景进行变换，以在其中加入所选取的风险因素。在一些示例中，可以利用基于机器学习的生成对抗网络对真实驾驶片段进行变换，从而生成具有风险因素的仿真风险场景。

利用上述方法，能够基于风险因素集合生成各种各样的仿真风险场景，从而实现多样化的风险场景的生成。利用这样多样化的风险场景对预测模型进行评价能够提高预测模型针对不同风险因素的鲁棒性。

在一些实施例中，方法200还可以包括对步骤S204中确定的风险因素集合进行更新。

可以通过利用预测模型对仿真风险场景中的视频帧进行检测，以确定当场景中存在所选取的至少一个风险因素时预测模型的表现是否达到预期。通过利用预测模型对仿真风险场景中的视频帧进行检测，可以对从驾驶场景数据中挖掘的风险因素进行更新，从而得到对预测模型的评估更具有价值的更新的风险因素集合。

以预测模型是车道线检测模型为例，可以对仿真风险场景中的视频帧进行车道线标注，以得到标注的仿真车道线。例如，可以通过人工标注的方式对仿真风险场景中的视频帧进行车道线标注，以得到视频帧中仿真车道线的具体位置。又例如，可以确定所述仿真风险场景中的视频帧中车辆在仿真地图上的模拟坐标，并基于车辆的模拟坐标，利用所述仿真地图的车道线信息对所述仿真风险场景中的视频帧进行车道线标注。利用这样的方法，可以基于当前被检测的视频帧中车辆在仿真地图(OpenDRIVE,Lanelet2等格式)上的模拟位置获取仿真地图中对应该模拟位置的车道线信息，并可以利用仿真地图中的车道线信息对当前被检测的视频帧进行自动化的车道线标注。可以对仿真风险场景中的视频帧进行车道线检测，以得到预测的仿真车道线。例如，可以利用训练好的车道线模型对视频帧的图像信息进行处理，以得到视频帧中车道线的预测位置。进一步地，可以基于标注的仿真车道线和预测的仿真车道线之间的误差对风险因素集合进行更新。

在一些实现方式中，可以基于标注的仿真车道线和预测的仿真车道线之间的误差和预定的误差阈值之间的比较结果确定车道线检测模型的表现是否达到预期。例如，当标注的仿真车道线和预测的仿真车道线之间的误差和预定的误差阈值之间的差异小于或等于预定的误差阈值，可以认为车道线检测模型对于当前被检测的仿真风险场景中的风险因素的表现达到期望。相反，当标注的仿真车道线和预测的仿真车道线之间的误差和预定的误差阈值之间差异大于预定的误差阈值，可以认为车道线检测模型对于当前被检测的仿真风险场景中的风险因素的表现不佳。

可以基于预测模型的表现对风险因素集合进行更新。在一些示例中，当标注的仿真车道线和预测的仿真车道线之间的误差和预定的误差阈值之间差异小于或等于预定的误差阈值时，即车道线检测模型的表现达到期望时，可以对风险因素集合进行更新以从风险因素集合中去除当前被检测的仿真风险场景中的风险因素。例如，可以利用演化算法对风险因素集合进行更新，通过不断迭代逐步从风险因素集合中去除车道线检测模型能够达到良好效果的风险因素，并最终得到一组更新的风险因素集合，其中车道线检测模型对于更新的风险因素集合中的风险因素具有较低的检测准确率。

可以理解的是，也可以利用车道线检测模型以外的任何其他自动驾驶系统使用的预测模型对仿真风险场景进行预测。

图3示出了根据本公开的实施例的获取风险因素集合的示例性过程300。

如图3所示，在步骤S301中，可以获取驾驶场景的视频。可以从公开的视频库或在车辆测试阶段采集的视频获取上述驾驶场景的视频。在此不限定驾驶场景的视频的具体来源，只要视频能够体现一段时间内的驾驶过程即可。其中，步骤S301中所获取的驾驶场景的视频是经标注的。例如，可以通过人工的方式标注视频帧中的车道线的真实位置。

在步骤S302中，可以利用预测模型对驾驶场景的视频中的视频帧进行处理，以确定视频中的风险帧。例如，可以利用车道线检测模型对视频帧进行车道线检测，并将车道线检测模型输出的视频帧中的车道线的预测位置和视频帧中标注的车道线的真实位置进行比较。当车道线的预测位置和真实位置之间的差异大于阈值时，可以认为当前被检测的视频帧属于风险帧。

在步骤S303中，可以获取驾驶场景的文本。例如，可以获取交通事故的报告作为驾驶场景的文本。在此不限制驾驶场景的文本的具体来源，只要文本中描述了一段驾驶过程的信息即可。

在步骤S304中，可以对驾驶场景的文本进行文本处理，以得到与驾驶场景中存在的风险因素的风险文本。例如，可以将将文本中描述事故原因的文本段落确定为风险文本。

在步骤S305中，可以基于步骤S302中确定的风险帧和/或步骤S304中确定的风险文本确定风险因素集合。可以通过计算机视觉的方式对风险帧进行处理，以得到对应于风险帧中存在的风险因素的关键词。可以通过自然语言处理的方式对风险文本进行处理，以得到对应于风险文本中存在的风险因素的关键词。进一步地，可以基于所确定的关键词确定风险因素集合。在一些实施例中，可以直接将从风险帧和/或风险文本中提取的所有关键词确定为风险因素集合。在另一些实施例中，可以对从风险帧和/或风险文本中提取的关键词进行筛选，并基于筛选后的关键词确定风险因素集合。在一些示例中，可以基于人工方式对关键词进行筛选。在另一些示例中，可以基于针对大量视频帧和文本进行关键词提取后得到的关键词出现频率进行筛选，例如仅保留出现频率高于预定频率阈值的关键词作为风险因素。

图4示出了根据本公开的实施例的用于生成风险场景的示例性过程400。

如图4所示，在步骤S401中，可以从风险因素集合中选取一个或多个风险因素用于风险场景的配置。在一些示例中，可以随机的从风险因素集合选取一个或多个风险因素用于风险场景的配置，以生成具有随机组合的风险的驾驶场景。

在步骤S402中，可以基于风险因素集合中的一个或多个风险因素生成仿真风险场景。其中仿真风险场景可以包括具有与选取的一个或多个风险因素对应的风险的一个驾驶片段。可以利用自动驾驶仿真引擎或机器学习的方式生成上述仿真风险场景。

在步骤S403中，可以利用预测模型对步骤S402中生成的仿真风险场景进行处理。基于预测模型输出的结果，可以确定在存在风险的场景中预测模型输出的结果是否具有足够的准确度。

在步骤S404中，可以基于预测模型输出的结果对风险因素集合进行更新，以得到更新后的风险因素集合。在一些实施例中，可以利用演化算法基于预测模型的输出结果是否准确来更新风险因素集合。更新后的风险因素集合中包括使得预测模型输出的结果具有低准确度的风险因素。利用更新后的风险因素集合可以有效地生成目前的预测模型难以正确处理的风险场景，从而使得能够为预测模型的进一步优化提供有效的指导，从而增加预测模型的鲁棒性。

在步骤S404执行完毕后，如果尚未达到预定的迭代次数，方法400可以前进到步骤S402，并基于更新后的风险因素集合生成仿真风险场景，并重复步骤S403和步骤S404以实现对于风险因素集合的进一步更新。当达到预定的迭代次数后，可以终止方法400并将最后一次更新后的风险因素集合作为最终的风险因素集合。

图5示出了根据本公开的实施例的数据处理装置的示例性框图。

如图5所示，数据处理装置500可以包括风险信息获取单元510、风险因素生成单元520和仿真单元530。

风险信息获取单元510可以被配置成获取驾驶场景的驾驶场景数据中的风险信息。风险因素生成单元520可以被配置成基于所获取的风险信息确定风险因素集合，其中风险因素集合包括驾驶场景数据中存在的风险因素。仿真单元530可以被配置成基于风险因素集合生成仿真风险场景，仿真风险场景中体现风险因素集合中的至少一个风险因素。

在一些实施例中，驾驶场景数据可以包括对应于驾驶场景的视频。风险信息获取单元可以被配置成：对视频的视频帧中的车道线进行标注，以得到标注的车道线；对视频中的视频帧进行车道线检测，以得到预测的车道线；对标注的车道线和预测的车道线进行比较，以确定视频中的风险帧作为风险信息，其中风险帧中的标注的车道线和预测的车道线之间的误差大于预定的误差阈值。风险因素生成单元可以被配置成：对风险帧进行目标检测，以得到风险因素集合中的风险因素。

在一些实施例中，驾驶场景数据可以包括描述驾驶场景的文本。风险信息获取单元可以被配置成对文本进行语义分析，以得到文本中描述驾驶场景中存在的风险因素的风险文本作为风险信息。风险因素生成单元可以被配置成：从风险文本中提取风险因素集合中的风险因素。

在一些实施例中，风险因素可以包括天气、光照、道路形态、周围物体活动中的至少一项。

在一些实施例中，仿真单元可以被配置成基于风险因素集合中的至少一个风险因素对仿真风险场景进行配置，使得仿真风险场景中包含对应于至少一个风险因素的场景内容。在一些实现方式中，仿真单元可以被配置成随机选取风险因素集合中的至少一个风险因素，并且基于所选取的至少一个风险因素对仿真风险场景进行配置。

在一些实施例中，仿真风险场景可以是利用自动驾驶仿真引擎生成的。

在一些实施例中，仿真风险场景可以是是通过对真实驾驶场景进行变换生成的。

在一些实施例中，数据处理装置还可以包括更新单元。更新单元可以被配置成对仿真风险场景中的视频帧进行车道线标注，以得到标注的仿真车道线；对仿真风险场景中的视频帧进行车道线检测，以得到预测的仿真车道线；以及基于标注的仿真车道线和预测的仿真车道线之间的误差对风险因素集合进行更新。

在一些实施例中，对仿真风险场景中的视频帧进行车道线标注可以包括：确定仿真风险场景中的视频帧中车辆在仿真地图上的模拟坐标，以及基于模拟坐标，利用仿真地图中的车道线信息对仿真风险场景中的视频帧进行车道线标注。

可以利用图5中示出的单元510～530执行图2中示出的步骤S202～S206，在此不再加以赘述。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，还提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行根据本公开的实施例的方法。

根据本公开的实施例，还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据本公开的实施例的方法。

根据本公开的实施例，还提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现根据本公开的实施例的方法。

参考图6，现将描述可以作为本公开的服务器或客户端的电子设备600的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM603中，还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

电子设备600中的多个部件连接至I/O接口605，包括：输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向电子设备600输入信息的任何类型的设备，输入单元606可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元607可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元608可以包括但不限于磁盘、光盘。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙^TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (30)

1.一种数据处理方法，包括：

获取驾驶场景的驾驶场景数据中的风险信息；

基于所述风险信息确定风险因素集合，其中，所述风险因素集合包括所述驾驶场景数据中存在的风险因素；以及

基于所述风险因素集合生成仿真风险场景，其中，所述仿真风险场景体现所述风险因素集合中的至少一个风险因素。

2.如权利要求1所述的数据处理方法，其中，所述驾驶场景数据包括对应于所述驾驶场景的视频。

3.如权利要求2所述的数据处理方法，其中，所述获取驾驶场景的驾驶场景数据中的风险信息包括：

对所述视频的视频帧中的车道线进行标注，以得到标注的车道线；

对所述视频的视频帧进行车道线检测，以得到预测的车道线；以及

对所述标注的车道线和所述预测的车道线进行比较，以确定所述视频中的风险帧作为所述风险信息，其中，所述风险帧中的标注的车道线和预测的车道线之间的误差大于预定的误差阈值。

4.如权利要求3所述的数据处理方法，其中，所述基于所述风险信息确定风险因素集合包括：

对所述风险帧进行目标检测，以得到所述风险因素集合中的风险因素。

5.如权利要求1-4中任一项所述的数据处理方法，其中，所述驾驶场景数据包括描述所述驾驶场景的文本。

6.如权利要求5所述的数据处理方法，其中，所述获取驾驶场景的驾驶场景数据中的风险信息包括：

对所述文本进行语义分析，以得到所述文本中描述驾驶场景中存在的风险因素的风险文本作为所述风险信息。

7.如权利要求6所述的数据处理方法，其中，所述基于所述风险信息确定风险因素集合包括：

从所述风险文本中提取所述风险因素集合中的风险因素。

8.如权利要求1-7任一项所述的数据处理方法，其中，所述风险因素包括天气、光照、道路形态、周围物体活动中的至少一项。

9.如权利要求1所述的数据处理方法，其中，所述基于所述风险因素集合生成仿真风险场景包括：

基于所述风险因素集合中的至少一个风险因素对所述仿真风险场景进行配置，使得所述仿真风险场景中包含对应于所述至少一个风险因素的场景内容。

10.如权利要求9所述的数据处理方法，其中，所述基于所述风险因素集合中的至少一个风险因素对所述仿真风险场景进行配置包括：

随机选取所述风险因素集合中的至少一个风险因素；以及

基于所选取的至少一个风险因素对所述仿真风险场景进行配置。

11.如权利要求9所述的数据处理方法，其中，所述仿真风险场景是利用自动驾驶仿真引擎生成的。

12.如权利要求9所述的数据处理方法，其中，所述仿真风险场景是通过对真实驾驶场景进行变换生成的。

13.如权利要求9所述的数据处理方法，还包括：

对所述仿真风险场景中的视频帧进行车道线标注，以得到标注的仿真车道线；

对所述仿真风险场景中的视频帧进行车道线检测，以得到预测的仿真车道线；以及

基于所述标注的仿真车道线和所述预测的仿真车道线之间的误差对所述风险因素集合进行更新。

14.如权利要求13所述的数据处理方法，其中，所述对所述仿真风险场景中的视频帧进行车道线标注包括：

确定所述仿真风险场景中的视频帧中的车辆在仿真地图上的模拟坐标；以及

基于所述模拟坐标，利用所述仿真地图中的车道线信息对所述仿真风险场景中的视频帧进行车道线标注。

15.一种数据处理装置，包括：

风险信息获取单元，被配置成获取驾驶场景的驾驶场景数据中的风险信息；

风险因素生成单元，被配置成基于所获取的风险信息确定风险因素集合，其中，所述风险因素集合包括所述驾驶场景数据中存在的风险因素；以及

仿真单元，被配置成基于所述风险因素集合生成仿真风险场景，其中，所述仿真风险场景体现所述风险因素集合中的至少一个风险因素。

16.如权利要求15所述的数据处理装置，其中，所述驾驶场景数据包括对应于所述驾驶场景的视频。

17.如权利要求16所述的数据处理装置，其中，所述风险信息获取单元被配置成：

对所述视频的视频帧中的车道线进行标注，以得到标注的车道线；

对所述视频的视频帧进行车道线检测，以得到预测的车道线；以及

对所述标注的车道线和所述预测的车道线进行比较，以确定所述视频中的风险帧作为所述风险信息，其中，所述风险帧中的标注的车道线和预测的车道线之间的误差大于预定的误差阈值。

18.如权利要求17所述的数据处理装置，其中，所述风险因素生成单元被配置成：

对所述风险帧进行目标检测，以得到所述风险因素集合中的风险因素。

19.如权利要求15-18中任一项所述的数据处理装置，其中，所述驾驶场景数据包括描述所述驾驶场景的文本。

20.如权利要求19所述的数据处理装置，其中，所述风险信息获取单元被配置成：

对所述文本进行语义分析，以得到所述文本中描述驾驶场景中存在的风险因素的风险文本作为所述风险信息。

21.如权利要求20所述的数据处理装置，其中，所述风险因素生成单元被配置成：

从所述风险文本中提取所述风险因素集合中的风险因素。

22.如权利要求15-21中任一项所述的数据处理装置，其中，所述风险因素包括天气、光照、道路形态、周围物体活动中的至少一项。

23.如权利要求15所述的数据处理装置，其中，所述仿真单元被配置成：

基于所述风险因素集合中的至少一个风险因素对所述仿真风险场景进行配置，使得所述仿真风险场景中包含对应于所述至少一个风险因素的场景内容。

24.如权利要求23所述的数据处理装置，其中，所述仿真单元被配置成：

随机选取所述风险因素集合中的至少一个风险因素；以及

基于所选取的至少一个风险因素对所述仿真风险场景进行配置。

25.如权利要求23所述的数据处理装置，其中，所述仿真风险场景是利用自动驾驶仿真引擎生成的。

26.如权利要求23所述的数据处理装置，其中，所述仿真风险场景是通过对真实驾驶场景进行变换生成的。

27.如权利要求23所述的数据处理装置，还包括更新单元，所述更新单元被配置成：

对所述仿真风险场景中的视频帧进行车道线标注，以得到标注的仿真车道线；

对所述仿真风险场景中的视频帧进行车道线检测，以得到预测的仿真车道线；以及

基于所述标注的仿真车道线和所述预测的仿真车道线之间的误差对所述风险因素集合进行更新。

28.如权利要求27所述的数据处理装置，其中，对所述仿真风险场景中的视频帧进行车道线标注包括：

确定所述仿真风险场景中的视频帧中的车辆在仿真地图上的模拟坐标；以及

基于所述模拟坐标，利用所述仿真地图中的车道线信息对所述仿真风险场景中的视频帧进行车道线标注。

29.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-14中任一项所述的方法。

30.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行如权利要求1-14中任一项所述的方法。