CN117389937B - 一种车辆避障数据的计算方法、计算机及可读存储介质 - Google Patents
一种车辆避障数据的计算方法、计算机及可读存储介质 Download PDFInfo
- Publication number
- CN117389937B CN117389937B CN202311684222.5A CN202311684222A CN117389937B CN 117389937 B CN117389937 B CN 117389937B CN 202311684222 A CN202311684222 A CN 202311684222A CN 117389937 B CN117389937 B CN 117389937B
- Authority
- CN
- China
- Prior art keywords
- data
- chip
- computer
- computing
- calculation
- 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
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 146
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000004044 response Effects 0.000 claims abstract description 32
- 239000013598 vector Substances 0.000 claims description 92
- 238000004590 computer program Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims 2
- 238000012545 processing Methods 0.000 abstract description 61
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000007667 floating Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F15/00—Digital computers in general; Data processing equipment in general
- G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/955—Hardware or software architectures specially adapted for image or video understanding using specific electronic processors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Computer Hardware Design (AREA)
- Transportation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及智能驾驶技术领域。本发明公开了一种车辆避障数据的计算方法、计算机及可读存储介质,该方法包括:通过从车载和路侧两个源头获取传感器采集的避障数据。然后评估不同类型计算芯片的处理能力,根据芯片的计算性能指标,将大量的避障数据划分成多个数据子集;再根据芯片的适用类型和计算性能指标,将不同的数据子集分配给车载计算芯片和路侧计算芯片,由它们并行处理得到避障判断结果;最后,车载计算结果和路侧计算结果集中到中央计算芯片,做出最终的避障决策指令,对车辆进行控制;采用分布式处理架构,避免了全部数据集中处理的时延问题,可以提升对避障数据的实时响应能力,增强了车辆的主动安全性。
Description
技术领域
本发明涉及智能驾驶技术领域,尤其是涉及一种车辆避障数据的计算方法、计算机及可读存储介质。
背景技术
随着汽车智能驾驶和辅助驾驶技术的发展,车辆障碍识别技术已成为车辆智慧交通系统的重要组成部分。通过车辆障碍识别技术,能够检测和识别到车辆面临的各种障碍物,如人、其他车辆、障碍物等,并采取自动制动等措施来避免潜在的碰撞风险。
由于车辆障碍识别需要实时地感知和分析车辆周围的环境信息,所以需要在短时间内对大规模的传感器数据进行处理,若将采集到的数据直接使用处理芯片和算法进行集中式计算,可能会导致计算时间过长,从而延迟了避障的响应,可能会导致车辆与障碍物发生碰撞或无法避免潜在的危险情况。
发明内容
本申请提供了一种车辆避障数据的计算方法、计算机及可读存储介质,用于从车载和路侧两个源头获取传感器采集的避障数据。然后评估不同类型计算芯片的处理能力,根据芯片的计算性能指标,将大量的避障数据划分成多个数据子集;再根据芯片的适用类型和计算性能指标,将不同的数据子集分配给车载计算芯片和路侧计算芯片,由它们并行处理得到避障判断结果;最后,车载计算结果和路侧计算结果集中到中央计算芯片,做出最终的避障决策指令,对车辆进行控制;采用分布式处理架构,避免了全部数据集中处理的时延问题,可以提升对避障数据的实时响应能力,增强了车辆的主动安全性。
第一方面,本申请提供了一种车辆避障数据的计算方法,该方法包括:
计算机获取车载传感器和路侧传感器中的避障数据;
该计算机对计算芯片的计算能力进行评估得到计算性能指标值,该计算芯片包含车载计算芯片和路侧计算芯片;
该计算机根据该计算性能指标值将该避障数据动态划分为数据子集;
该计算机根据该计算性能指标值和芯片适用类型将该数据子集分配给该计算芯片,使得该车载计算芯片完成计算得到车载计算数据,该路侧计算芯片完成计算得到路侧计算数据;
该计算机将该车载计算数据和该路侧计算数据输入到中央计算芯片中得到最终决策;
该计算机根据该最终决策对车辆进行控制。
通过采用上述技术方案,通过从车载和路侧两个源头获取传感器采集的避障数据。然后评估不同类型计算芯片的处理能力,根据芯片的计算性能指标,将大量的避障数据划分成多个数据子集;再根据芯片的适用类型和计算性能指标,将不同的数据子集分配给车载计算芯片和路侧计算芯片,由它们并行处理得到避障判断结果;最后,车载计算结果和路侧计算结果集中到中央计算芯片,做出最终的避障决策指令,对车辆进行控制;采用分布式处理架构,避免了全部数据集中处理的时延问题,可以提升对避障数据的实时响应能力,增强了车辆的主动安全性。
结合第一方面的一些实施例,在一些实施例中,该计算机根据该计算性能指标值将该避障数据动态划分为数据子集的步骤,该步骤具体包括:
该计算机根据该计算性能指标值计算每个计算芯片的性能占比排名;
该计算机根据该避障数据中的不同数据的大小和类型计算该不同数据的特征复杂度;
该计算机根据该性能占比排名和该特征复杂度对该避障数据进行划分为数据子集,使得该数据子集的特征复杂度与该计算芯片的性能占比排名匹配。
通过采用上述技术方案,通过评估各计算芯片的性能指标,计算出性能占比排名,并分析避障数据中的不同类型数据的大小和特征复杂度,再根据芯片性能排名和数据复杂度之间的匹配关系,将原始避障数据划分为多个数据子集,每个子集的复杂度都与对应的芯片性能相适应,可以尽可能地发挥各个计算芯片的能力,同时平衡它们的计算负载,提升分布式处理的效率。
结合第一方面的一些实施例,在一些实施例中,该计算机根据该计算性能指标值和芯片适用类型将该数据子集分配给该计算芯片的步骤,该步骤具体包括:
该计算机根据该计算性能指标值和该芯片适用类型确定计算芯片向量;
该计算机根据数据子集的数据类型、数据大小和计算复杂度确定数据子集特征向量;
该计算机根据该计算芯片向量和数据子集特征向量确定该计算芯片与该数据子集之间的匹配规则;
该计算机根据该匹配规则计算第一计算芯片与所有数据子集之间的置信度,该第一计算芯片为任一计算芯片;
该计算机将最大置信度所对应的第一数据子集分配给该第一计算芯片。
通过采用上述技术方案,通过根据芯片性能指标和适用类型确定其计算能力向量,然后根据数据子集的类型、大小和复杂度特征确定其特征向量,基于这两类向量的数据,学习出数据子集与计算芯片之间的匹配规则,针对每一个计算芯片,计算它与所有数据子集的匹配置信度,选择置信度最高的数据子集与该芯片进行分配,通过这种匹配机制实现了数据到芯片的自动高效分配,优化了芯片计算资源的利用,提高了计算速度。
结合第一方面的一些实施例,在一些实施例中,该计算机将最大置信度所对应的数据子集分配给该第一计算芯片的步骤之后,该步骤还包括:
该计算机统计该计算芯片与不同数据子集的历史任务运行数据,该历史任务运行数据包括计算效率和响应速度;
当该计算效率超过预设效率阈值或该响应速度超过该预设速度阈值时,该计算机根据该计算芯片向量和数据子集特征向量确定新匹配规则;
该计算机将该新匹配规则加入匹配规则中。
通过采用上述技术方案,在数据子集与计算芯片匹配分配之后,提出了一种运行反馈机制来持续优化匹配规则,通过统计任务运行的数据,如计算效率和响应速度,当指标效果较好时,则重新学习匹配规则以进行更新,能够使匹配规则随着实际运行数据不断演化,持续优化数据到芯片的映射方案,使分布式计算网络更智能化。
结合第一方面的一些实施例,在一些实施例中,该计算机将最大置信度所对应的数据子集分配给该第一计算芯片的步骤之后,该步骤还包括:
当该计算机检测到该第一计算芯片存在故障时,该计算机对剩余的该计算芯片对应的该置信度进行排名;
当该第一数据子集是由车载传感器采集得到时,该计算机将该第一数据子集分配给置信度排名最高且空闲的车载计算芯片。
通过采用上述技术方案,能够解决计算芯片故障的容错问题,当检测到某计算芯片故障时,会对剩余芯片的置信度重新排序,并将原本分配给故障芯片的数据子集重新分配给置信度最高且空闲的芯片,使得单个芯片故障不致影响整体避障计算,提高了系统的健壮性。
结合第一方面的一些实施例,在一些实施例中,该计算机根据该最终决策对车辆进行控制的步骤之后,该步骤还包括:
该计算机对全部计算芯片的负载率进行监测;
若存在当前计算芯片的该负载率大于预设负载阈值,则该计算机停止将该数据子集分配给该当前计算芯片,该当前计算芯片为任一计算芯片。
通过采用上述技术方案,通过监测各计算芯片的负载率来实现负载均衡,当检测到某芯片负载过高时,会停止继续向该芯片分配新的数据子集,能够防止出现计算芯片过载的情况,保证所有芯片负载合理,提高资源利用效率,也降低了芯片过载的风险。
结合第一方面的一些实施例,该计算机将该车载计算数据和该路侧计算数据输入到中央计算芯片中得到最终决策的步骤,该步骤具体包括:
该计算机将该该车载计算数据和该路侧计算数据通过车路协同专用网络传送给该中央计算芯片。
通过采用上述技术方案,通过采用车路协同专用网络来进行数据的传输与交互,能够提供确定性的低延迟通信服务,满足车辆避障的安全关键应用对实时性和可靠性的要求。
第二方面,本申请实施例提供一种车辆智能避障的计算系统,该计算系统包括计算机,该计算机包括:获取数据模块,评估模块,划分模块,分配模块,输入模块,控制模块。
获取数据模块,获取车载传感器和路侧传感器中的避障数据;
评估模块,对计算芯片的计算能力进行评估得到计算性能指标值,该计算芯片包含车载计算芯片和路侧计算芯片;
划分模块,根据该计算性能指标值将该避障数据动态划分为数据子集;
分配模块,根据该计算性能指标值和芯片适用类型将该数据子集分配给该计算芯片,使得该车载计算芯片完成计算得到车载计算数据,该路侧计算芯片完成计算得到路侧计算数据;
输入模块,将该车载计算数据和该路侧计算数据输入到中央计算芯片中得到最终决策;
控制模块,根据该最终决策对车辆进行控制。
第三方面,本申请实施例提供了一种计算机,该计算机包括:一个或多个处理器和存储器;该存储器与该一个或多个处理器耦合,该存储器用于存储计算机程序代码,该计算机程序代码包括计算机指令,该一个或多个处理器调用该计算机指令以使得该计算机执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,包括指令,当上述指令在计算机上运行时,使得上述计算机执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
本申请实施例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:
1.本申请通过从车载和路侧两个源头获取传感器采集的避障数据。然后评估不同类型计算芯片的处理能力,根据芯片的计算性能指标,将大量的避障数据划分成多个数据子集;再根据芯片的适用类型和计算性能指标,将不同的数据子集分配给车载计算芯片和路侧计算芯片,由它们并行处理得到避障判断结果;最后,车载计算结果和路侧计算结果集中到中央计算芯片,做出最终的避障决策指令,对车辆进行控制;采用分布式处理架构,避免了全部数据集中处理的时延问题,可以提升对避障数据的实时响应能力,增强了车辆的主动安全性。
2.本申请通过评估各计算芯片的性能指标,计算出性能占比排名,并分析避障数据中的不同类型数据的大小和特征复杂度,再根据芯片性能排名和数据复杂度之间的匹配关系,将原始避障数据划分为多个数据子集,每个子集的复杂度都与对应的芯片性能相适应,可以尽可能地发挥各个计算芯片的能力,同时平衡它们的计算负载,提升分布式处理的效率。
3.本申请通过根据芯片性能指标和适用类型确定其计算能力向量,然后根据数据子集的类型、大小和复杂度特征确定其特征向量,基于这两类向量的数据,学习出数据子集与计算芯片之间的匹配规则,针对每一个计算芯片,计算它与所有数据子集的匹配置信度,选择置信度最高的数据子集与该芯片进行分配,通过这种匹配机制实现了数据到芯片的自动高效分配,优化了芯片计算资源的利用,提高了计算速度。
附图说明
图1是本申请实施例中一种车辆避障数据的计算系统的交互场景示意图。
图2是本申请实施例中一种车辆避障数据的计算方法的一个流程示意图。
图3是本申请实施例中一种车辆避障数据的计算方法的另一个流程示意图。
图4是本申请实施例中一种车辆避障数据的计算系统的功能模块结构示意图。
图5是本申请实施例中一种车辆避障数据的计算系统的实体装置结构示意图。
具体实施方式
本申请以下实施例中所使用的术语只是为了描述特定实施例的目的,而并非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样,单数表达形式“一个”、“一种”、“该”、“上述”、“该”和“这一”旨在也包括复数表达形式,除非其上下文中明确地有相反指示。还应当理解,本申请中使用的术语“和/或”是指并包含一个或多个所列出项目的任何或所有可能组合。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为暗示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征,在本申请实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
如图1所示,为本申请实施例中一种车辆避障数据的计算系统的一个交互场景示意图。在计算系统中包含安装在红绿灯上或路边的变电箱上的路侧传感器,安装在车辆上的车载传感器,处理车载避障数据的车载计算芯片和处理路侧避障数据的路侧计算芯片,对避障数据进行分配和传递的计算机,和对车载计算芯片计算得到的车载计算数据,和路侧计算芯片计算得到的路侧计算数据进行集中处理的中央计算芯片,通过对传感器采集的避障数据进行分析和处理,使得车辆能够检测到周围环境中的危险,遇到行人时采集紧急制动措施,
当前的车载环境感知系统多采用将雷达、摄像头等多传感数据集中处理的方案。例如在复杂城市环境下,汽车同时采集图像、点云、经纬度等数据,全部传输到车载计算单元集中处理。但海量数据的特征提取和环境建模运算量巨大,集中式计算结构难以做到毫秒级响应,这样当车辆遇到突发事件时,系统反应不够迅速,导致自动制动系统的启动不够及时,使事故发生的概率提高。
本方案采用分布式计算结构,车载传感器采集的数据分别由车载计算芯片和路侧计算芯片进行预处理,并行提取不同类型数据的环境特征,大大减少了单个处理节点的计算负载。例如,车载摄像头获取图像在车载计算芯片上做视觉分析,雷达和摄像头的数据在路侧计算芯片做点云处理,处理结果汇集到中央计算芯片,进行多源数据融合实现整体环境感知。这样可以充分利用分布式计算资源,利用数据并行性,将响应时间从几百毫秒缩短到数十毫秒。当车辆遇突发情形时,可以更快速做出判断,启动避障制动,降低事故概率。
上述是本申请实施例中一种车辆避障数据的计算系统的一个交互场景示意图,下面结合图2,对本申请中车辆避障数据的计算方法的方案进行描述:
如图2所示,为本申请实施例中一种车辆避障数据的计算方法的一个流程示意图。
S201、计算机获取车载传感器和路侧传感器中的避障数据。
计算机将连接车载传感器和路侧传感器,实时接收它们采集的避障数据。车载传感器可以包括摄像头、毫米波雷达、激光雷达等,用于检测车辆周边存在的各种障碍物;路侧传感器如架设在路灯杆上的摄像头,可以提供车辆外部环境的信息。
计算机通过管理传感器的连接状态、采集参数设置,并通过数字接口以一定频率持续获取传感器输出的数据流。获取到的数据需要进行格式化和打包处理,组织成带有时间戳的标准数据帧,方便后续处理时快速解析。
例如来自激光雷达的点云数据会被处理成包含位置、距离、反射强度等信息的标准化帧格式数据,获取到的数据会输入到后续的数据处理流水线进行分析。
S202、该计算机对计算芯片的计算能力进行评估得到计算性能指标值。
计算机通过实时监测连接的车载计算芯片和路侧计算芯片的运行状态,评估其当前的计算性能。评估时通过采集芯片的利用率、剩余内存、温度等参数,结合芯片的类型、主频、核心数量等固有指标,使用性能评估算法模型计算得到一个或一组综合的计算性能指标。
例如以浮点运算数量每秒十亿次浮点运算为指标评估GPU芯片的算力,也可以采用在线测试的方法,使用标准化数据向芯片提交运算任务,测量实际运行时间获得性能指标,此处不作限定。
评估结果可以实时更新,反映芯片的当前状态。如果检测到性能低于预期,可以采取切换备用芯片等策略优化。
S203、该计算机根据该计算性能指标值将该避障数据动态划分为数据子集。
在评估各个计算芯片的计算性能后,计算机会根据每个芯片的计算能力指标计算出一个相对的性能占比排名,排名越高表示计算能力越强。
计算机会分析采集到的不同类型的避障数据,考察每个数据的大小和处理算法复杂度等特征,给每个数据计算一个复杂度指数作为特征向量,指数越高表示数据处理难度越大。
计算机会将原始避障数据进行划分,生成多个数据子集,划分的原则是将计算负载适中的数据子集匹配给对应排名的计算芯片。
S204、该计算机根据该计算性能指标值和芯片适用类型将该数据子集分配给该计算芯片。
计算机根据各计算芯片的性能指标和适用类型,生成表示其计算能力的向量,同时对每个待处理的数据子集,利用其类型、大小和复杂度等特征构建表示其属性的特征向量。
计算机会收集历史的向量样本数据,通过相关分析学习出向量之间的匹配关系,建立数据子集与计算芯片的匹配规则库,这些匹配规则可以是若干关联规则的集合。对新的计算芯片向量和数据子集向量,计算机根据匹配规则计算置信度,即其匹配的可能性。
计算机会选择与给定计算芯片的置信度最高的数据子集,将其分配给该芯片进行后续处理,以实现数据到计算资源的最佳分配。其中匹配规则库可以不断增量更新。
S205、该计算机将该车载计算数据和该路侧计算数据输入到中央计算芯片中得到最终决策。
在车载计算芯片和路侧计算芯片完成对各自数据子集的并行处理后,会输出包含避障判断结果的计算数据。
计算机收集这些分布式计算的中间结果,提交给中央计算芯片进行汇总。中央计算芯片负责对这些分布式计算的中间结果的融合处理,综合判断车辆是否需要进行避障。
例如同时考量图像识别结果和激光雷达障碍检测结果,做出触发避障制动的决策。计算机则负责将结果通过车路协同专用网络可靠传输给中央芯片,并将其最终决策输出给计算机。
S206、该计算机根据该最终决策对车辆进行控制。
在获得中央计算芯片的避障决策后,计算机将结果转换为车辆的控制指令并实现执行。
例如对于制动避障决策,计算机会发送启用自动刹车的指令;对于转向避障,则输出改变方向的电控指令,计算机通过电子接口按照协议准确可靠地向底层车身系统传输指令,最终实现车辆的避障控制,降低事故风险。
在上述实施例中,通过从车载和路侧两个源头获取传感器采集的避障数据。然后评估不同类型计算芯片的处理能力,根据芯片的计算性能指标,将大量的避障数据划分成多个数据子集;再根据芯片的适用类型和计算性能指标,将不同的数据子集分配给车载计算芯片和路侧计算芯片,由它们并行处理得到避障判断结果;最后,车载计算结果和路侧计算结果集中到中央计算芯片,做出最终的避障决策指令,对车辆进行控制;采用分布式处理架构,避免了全部数据集中处理的时延问题,可以提升对避障数据的实时响应能力,增强了车辆的主动安全性。
上述方案主要是计算机对采集到的避障数据进行计算并对车辆做出决策的方案,下文对完成更加具体的计算机对采集到的避障数据进行计算的方案进行描述。
上述是本申请实施例中一种车辆避障数据的计算方法的一个流程示意图,下面结合图3,对本申请中加具体的计算机对避障数据进行计算的方案进行描述:
如图3所示,本申请实施例中一种车辆避障数据的计算方法的另一个流程示意图。
S301、计算机获取车载传感器和路侧传感器中的避障数据。
可以理解的是,该步骤与步骤S201类似,此处不再赘述。
S302、该计算机对计算芯片的计算能力进行评估得到计算性能指标值。
可以理解的是,该步骤与步骤S202类似,此处不再赘述。
S303、该计算机根据该计算性能指标值计算每个计算芯片的性能占比排名。
在完成了步骤S201中对多源传感器数据的采集和步骤S202中对各计算芯片计算性能的评估后,计算机需要根据步骤S202得到的各芯片的计算性能指数,使用排名算法对所有连接的计算芯片进行排序。排序标准是计算性能指数的大小,指数越大表示计算能力越强,在排序中的位置也越靠前。计算机会生成一个动态更新的计算芯片计算力排名表,为后续的任务分配提供依据。
例如,计算机向一块车载GPU芯片发送了包含100万个数据的矩阵运算测试代码,每个数据进行n次浮点数计算,计算结束后发现总耗时是0.5秒。那么计算机可以评估该GPU的浮点运算速度大约是每秒200n万次。重复几次测试后,计算机给该GPU评估出一个综合指数为98的计算性能指数。
S304、该计算机根据该避障数据中的不同数据的大小和类型计算该不同数据的特征复杂度。
在获取到各路传感器的避障数据之后,计算机需要分析不同避障数据的复杂度特征,复杂度特征可以从数据量大小和处理难度两个维度衡量。
例如,点云数据量一般较大,需要进行耗时的点云配准处理;而车载摄像头图像数据量较小,但需要复杂的目标识别算法,计算机综合考虑数据的类型和特点,给每个避障数据计算一个特征复杂度指数,计算机统计每个避障数据的数据量大小、处理算法的复杂度和处理时间,并对每个参数赋予一定的权重数值,最终统计出一个特征复杂度指数。
在一些实施例中,采集到的避障数据有图像数据和雷达数据。其中图像数据大小是640*480像素场景,算法复杂度较高;雷达数据是10000个点的点云,数据量大但处理相对简单。最后计算机评估图像数据复杂度指数为8.5,雷达数据复杂度指数为7.2。
S305、该计算机根据该性能占比排名和该特征复杂度对该避障数据进行划分为数据子集。
计算机对所有的避障数据进行划分,例如,若某个车载芯片的性能指数为98,若让车载芯片处理避障数据中复杂度最高的数据,该车载芯片也能在很短时间内处理完,而其他部分芯片由于性能指数不高,处理时间较长,导致该车载芯片处于空闲状态,所以需要将复杂度最高的数据加上部分其他数据拼接为新的数据子集再分配给该车载芯片。
例如将激光点云数据切分成多段,其中的部分段分给排名第5的车载芯片,而将摄像头数据作为一个整体,交给排名第3的自主计算芯片,从而可以提高总体处理效率。
S306、该计算机根据该计算性能指标值和该芯片适用类型确定计算芯片向量。
计算机对每个计算芯片的性能指标和适用类型信息进行整合,为每个芯片生成一个计算能力向量来表示。向量元素包括处理器主频、内存带宽、延迟、能效等参数以及一个编码来表示芯片类型,如CPU、GPU、DSP等。通过合理反映不同计算芯片的算力水平和特长倾向,来完成芯片与数据之间的相互分配。例如,浮点计算速度快的GPU计算芯片向量与支持并行计算的DSP计算芯片向量会有差异,计算机对计算芯片向量实时更新,以反映计算芯片的当前状态。
在一些实施例中,计算芯片向量如下所示:车载GPU计算芯片:[1600MHz,512GB/s,10ms,300W,GPU];车载CPU计算芯片:[3.2GHz,100GB/s,20ms,150W,CPU]。其中,计算芯片向量元素分别表示:主频,内存带宽,延迟,功耗,芯片类型。
S307、该计算机根据数据子集的数据类型、数据大小和计算复杂度确定数据子集特征向量。
对待分配的每个数据子集,计算机都需要生成表示其特征的向量。向量元素可以包括数据类型如点云或图像,数据大小即数据规模,以及之前评估得到的处理复杂度指数,也可以加入特征的维度等其他元素,此处不作限定。
例如一个图像处理数据子集的特征向量为[图像,1024*768,复杂度7.8]。
在一些实施例中,数据子集特征向量如下所示:图像数据子集,[Image,1920x1080,模式识别 8.5],点云数据子集:[PointCloud,10万点,坐标变换,7.2]。数据子集向量元素分别表示:数据类型,数据大小,主要算法,复杂度指数。
S308、该计算机根据该计算芯片向量和数据子集特征向量确定该计算芯片与该数据子集之间的匹配规则。
计算机首先收集历史的计算芯片向量和数据子集特征向量样本,对历史的计算芯片向量和数据子集特征向量样本进行关联规则学习,进行频繁项集的生成,找出向量组合样本中频繁共现的向量组合,对频繁项集进行关联规则生成,设置置信度阈值,提取满足阈值的关联规则。
例如,{GPU向量} ≥ {图像数据向量}(置信度=0.8),对生成的关联规则进行剪枝处理,并删除冗余和非关联的规则,得到强关联规则,将得到的关联规则构建成关联规则库,作为计算芯片与数据子集匹配的知识。
在一些实施例中,如果向量A={GPU,>1000MHz} 且 向量B={Image, 模式识别} 则匹配度=0.8。如果向量C={CPU,<100GB/s} 且 向量D={PointCloud,>10000点} 则匹配度=0.6,计算机将上述高置信度关联规则构建为匹配规则知识库。
计算机将输入两类向量后,可以建立匹配模型或规则,来确定哪些数据子集与哪些计算芯片适配。例如可以构建向量距离的度量来判断契合度,距离越近匹配度越高。也可以训练神经网络,学习向量之间的复杂映射关系。匹配规则的优化目标是尽可能提高计算性能和效率。计算机需要持续通过新的向量组合来更新规则,以提高分配决策的智能化程度。
S309、该计算机根据该匹配规则计算第一计算芯片与所有数据子集之间的置信度。
对于新的数据子集向量E和计算芯片向量F,在匹配规则知识库中找与之类似的已知向量,由关联关系得到匹配度,例如向量E={Image,目标跟踪}与向量B类似,向量F={GPU,1200MHz}与向量A类似,则可判断匹配度为0.8。
S310、该计算机将最大置信度所对应的第一数据子集分配给该第一计算芯片。
在计算出某计算芯片与所有数据子集的置信度后,计算机会进行排序,找出其中置信度最大,也就是匹配度最高的数据子集。然后将这个最匹配的子集分配给该计算芯片进行后续处理。
例如,如果GPU计算芯片与数据子集A的匹配置信度最高,计算机会将数据子集A发送给GPU计算芯片,使得GPU计算芯片对这个数据子集进行处理,能够使得每个芯片得到最适合其处理能力的数据子集,从而提升总体的计算性能和效率。
S311、该计算机将该车载计算数据和该路侧计算数据输入到中央计算芯片中得到最终决策。
可以理解的是,该步骤与步骤S205类似,此处不再赘述。
S312、该计算机根据该最终决策对车辆进行控制。
可以理解的是,该步骤与步骤S206类似,此处不再赘述。
上述计算机对避障数据进行计算的具体方案,在完成避障数据的计算后,还需要对方案进行优化,其中具体包括:需要对决定数据与芯片之间分配关系的匹配规则进行更新与优化。
以下是对匹配规则进行更新与优化的方案,该方案包括S313~S315。
S313、该计算机统计该计算芯片与不同数据子集的历史任务运行数据,该历史任务运行数据包括计算效率和响应速度。
在对数据子集进行计算任务分配后,计算机会持续收集各计算芯片处理不同数据子集的历史运行指标,主要包括计算效率和响应速度两个个方面。
计算效率可以由每次任务的实际运算量除以理论运算量得到,响应速度是指任务平均响应时间,这些运行指标反映了任务执行的性能。
计算机可以建立所有计算芯片与数据子集的映射关系表,统计收集各任务的运行指标。
在一些实施例中,计算机统计了5个计算芯片,比如GPU1、GPU2、CPU1、CPU2、FPGA,处理3类数据子集,比如图像子集A、B和点云子集C的历史运行数据,涵盖计算效率和响应速度2个指标。结果如下:GPU1处理A数据:效率0.85,响应时间50ms;GPU2处理A数据:效率0.80,响应时间60ms;CPU1处理B数据:效率0.75,响应时间80ms;CPU2处理C数据:效率0.70,响应时间120ms;FPGA处理C数据:效率0.90,响应时间100ms。
S314、当该计算机效率超过预设效率阈值或该响应速度超过该预设速度阈值时,该计算机根据该计算芯片向量和数据子集特征向量确定新匹配规则。
在获取足够的历史运行数据后,计算机会分析所有任务的运行指标,如对某计算芯片和数据子集,发现其计算效率或响应速度超过预先设置的阈值,则说明此时的匹配效果良好。
计算机此时会调用该计算芯片和数据子集的向量,重新学习它们之间的匹配规则,以获得一个更新后的新匹配规则。
在一些实施例中,计算机发现GPU1处理图像子集A的计算效率0.85高于阈值0.80,则调用GPU1的向量[并行计算]和A的向量[图像,模式识别],构建新规则:如果计算芯片=[并行计算]且数据子集=[图像,模式识别],则匹配度=0.9,同时,FPGA处理点云子集C的效率0.90也高于阈值0.85,则生成新规则:如果计算芯片=[pipeline架构]且数据子集=[点云,配准],则匹配度=0.95。
S315、该计算机将该新匹配规则加入匹配规则中。
在一些实施例中,计算机将上面新生成的2条匹配规则,加入到现有匹配规则集中,原有规则有10条,现在形成新的匹配规则库,提供更准确的计算芯片与数据子集匹配依据,指导后续任务的分配,从而不断改进系统性能。
在上述实施例中,在数据子集与计算芯片匹配分配之后,提出了一种运行反馈机制来持续优化匹配规则,通过统计任务运行的数据,如计算效率和响应速度,当指标效果较好时,则重新学习匹配规则以进行更新,能够使匹配规则随着实际运行数据不断演化,持续优化数据到芯片的映射方案,使分布式计算网络更智能化。
上述是对决定数据与芯片之间分配关系的匹配规则进行更新与优化的方案,在计算系统长期使用的过程中,计算芯片有可能出现故障,所以还需要确定出现芯片故障时重新确定计算芯片的方案。
以下是出现芯片故障时重新确定计算芯片的方案,该方案包括S316~S317。
S316、当该计算机检测到该第一计算芯片存在故障时,该计算机对剩余的该计算芯片对应的该置信度进行排名。
在计算系统长期运行过程中,计算机需要实时监控所有计算芯片的工作状态。一旦检测到某计算芯片出现故障,如CPU计算芯片报错、卡死等,计算机将立即标记该芯片已故障。
然后计算机会从匹配规则中计算所有剩余正常计算芯片与各数据子集的置信度,对这些置信度进行排序,得到一个更新后的计算芯片-数据子集匹配置信度排名表,该排名反映了排除故障芯片后的剩余计算资源与数据子集的匹配程度。
S317、当该第一数据子集是由车载传感器采集得到时,该计算机将该第一数据子集分配给置信度排名最高且空闲的车载计算芯片。
对于最初分配给现已故障的计算芯片处理的重要数据子集,如来自车载传感器的数据集,计算机将根据更新后的置信度排名表重新分配。
计算机先判断该数据子集的源头,如果判定其来自车载传感器,则计算机会将该数据子集分配给置信度最高的空闲车载计算芯片,若该数据子集来自路侧传感器,则计算机将其分配给置信度最高的空闲路侧计算芯片,通过这样的故障容错机制,可以避免单点故障造成车载数据处理失败。
在上述实施例中,能够解决计算芯片故障的容错问题,当检测到某计算芯片故障时,会对剩余芯片的置信度重新排序,并将原本分配给故障芯片的数据子集重新分配给置信度最高且空闲的芯片,使得单个芯片故障不致影响整体避障计算,提高了系统的健壮性。
上述是出现芯片故障时重新确定计算芯片的方案,在计算系统的长期使用过程中,部分计算芯片可能出现计算过载的情况,所以还需要确定实现确保计算芯片负载均衡的方案。
以下是实现确保计算芯片负载均衡的方案,该方案包括S318~S319。
S318、该计算机对全部计算芯片的负载率进行监测。
计算机实时监控连接的各个计算芯片的负载情况,通过采集每个计算芯片的利用率、CPU使用率、内存占用率、缓存命中率等指标,结合不同类型芯片的最大处理能力,计算出当前时刻每个芯片的负载率。
负载率反映了芯片的工作强度,计算机通过设置一个固定的监测周期,定期收集各计算芯片的负载数据。同时也可以建立运算量阈值,当芯片处理运算量超过阈值时触发负载率计算,负载率的监测可以判断出计算资源是否过载或闲置。
S319、若存在当前计算芯片的负载率大于预设负载阈值,则该计算机停止将该数据子集分配给该当前计算芯片,该当前计算芯片为任一计算芯片。
在监测每个计算芯片的负载率后,计算机会将负载率与预设的负载阈值进行比较,如果发现某计算芯片的当前负载率高于阈值,说明该计算芯片已经过载,再向其分配数据子集将导致处理效率下降。
此时计算机会立即停止继续向该过载的计算芯片分配待处理的数据子集,以防其负载继续增加。计算机会将待分配的数据子集转移给其他负载率在阈值以下的计算芯片,从而实现负载的平衡和资源的合理利用。
在上述实施例中,通过监测各计算芯片的负载率来实现负载均衡,当检测到某计算芯片负载过高时,会停止继续向该芯片分配新的数据子集,能够防止出现计算芯片过载的情况,保证所有计算芯片负载合理,提高资源利用效率,也降低了芯片过载的风险。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
下面从模块角度介绍本申请实施例中的系统:
请参阅图4,为本申请实施例中提供的一种车辆避障数据的计算系统的功能模块结构示意图,该计算系统包括计算机,该计算机包括:
获取数据模块401,计算机获取车载传感器和路侧传感器中的避障数据。
评估模块402,该计算机对计算芯片的计算能力进行评估得到计算性能指标值,该计算芯片包含车载计算芯片和路侧计算芯片。
划分模块403,该计算机根据该计算性能指标值将该避障数据动态划分为数据子集。
分配模块404,该计算机根据该计算性能指标值和芯片适用类型将该数据子集分配给该计算芯片,使得该车载计算芯片完成计算得到车载计算数据,该路侧计算芯片完成计算得到路侧计算数据。
输入模块406,该计算机将该车载计算数据和该路侧计算数据输入到中央计算芯片中得到最终决策。
控制模块406,该计算机根据该最终决策对车辆进行控制。
在一些实施例中,该划分模块403具体包括:
第一计算模块4031,根据该计算性能指标值计算每个计算芯片的性能占比排名。
第二计算模块4032,根据该避障数据中的不同数据的大小和类型计算该不同数据的特征复杂度。
子集划分模块4032,根据该性能占比排名和该特征复杂度对该避障数据进行划分为数据子集,使得该数据子集的特征复杂度与该计算芯片的性能占比排名匹配。
统计模块4033,统计该计算芯片与不同数据子集的历史任务运行数据,该历史任务运行数据包括计算效率和响应速度。
规则确定模块4034,当效率超过预设效率阈值或该响应速度超过该预设速度阈值时,根据该计算芯片向量和数据子集特征向量确定新匹配规则。
加入模块4035,将该新匹配规则加入匹配规则中。
排名模块4036,当检测到该第一计算芯片存在故障时,对剩余的该计算芯片对应的该置信度进行排名。
子集分配模块4037,当该第一数据子集是由车载传感器采集得到时,将该第一数据子集分配给置信度排名最高且空闲的车载计算芯片。
在一些实施例中,该分配模块404具体包括:
第一确定模块4041,根据该计算性能指标值和该芯片适用类型确定计算芯片向量。
第二确定模块4042,根据数据子集的数据类型、数据大小和计算复杂度确定数据子集特征向量。
规则确定模块4043,根据该计算芯片向量和数据子集特征向量确定该计算芯片与该数据子集之间的匹配规则。
置信度计算模块4044,根据该匹配规则计算第一计算芯片与所有数据子集之间的置信度,该第一计算芯片为任一计算芯片。
分配模块4045,将最大置信度所对应的第一数据子集分配给该第一计算芯片。
在一些实施例中,该计算机还包括:
负载监测模块407,对全部计算芯片的负载率进行监测。
停止分配模块408,若存在当前计算芯片的该负载率大于预设负载阈值,则停止将该数据子集分配给该当前计算芯片,该当前计算芯片为任一计算芯片。
上面从模块化功能实体的角度对本申请实施例中的系统进行描述,下面从硬件处理的角度对本发明申请实施例中的系统进行描述,请参阅图5,为本申请实施例提供的计算机的实体装置结构示意图。
需要说明的是,图5示出的系统的结构仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,系统包括中央处理单元(CentralProcessingUnit,CPU)501,其可以根据存储在只读存储器(Read-OnlyMemory,ROM)502中的程序或者从存储部分508加载到随机访问存储器(RandomAccessMemory,RAM)503中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM503中,还存储有系统操作所需的各种程序和数据。CPU501、ROM502以及RAM503通过总线504彼此相连。输入/输出(Input/Output,I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括摄像头、红外传感器等的输入部分506;包括液晶显示器(LiquidCrystalDisplay,LCD)以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN(LocalAreaNetwork,局域网)卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本发明中限定的各种功能。
需要说明的是,本发明实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。九三级可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(ErasableProgrammableReadOnlyMemory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(CompactDiscRead-OnlyMemory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
具体的,本实施例的系统包括处理器和存储器,存储器上存储有计算机程序,计算机程序被处理器执行时,实现上述实施例提供的计算方法。
作为另一方面,本发明还提供了一种计算机可读的存储介质,该存储介质可以是上述实施例中描述的计算机中所包含的;也可以是单独存在,而未装配入该系统中。上述存储介质承载有一个或者多个计算机程序,当上述一个或者多个计算机程序被一个该计算机的处理器执行时,使得该计算机实现上述实施例中提供的方法。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
上述实施例中所用,根据上下文,术语“当…时”可以被解释为意思是“如果…”或“在…后”或“响应于确定…”或“响应于检测到…”。类似地,根据上下文,短语“在确定…时”或“如果检测到(所陈述的条件或事件)”可以被解释为意思是“如果确定…”或“响应于确定…”或“在检测到(所陈述的条件或事件)时”或“响应于检测到(所陈述的条件或事件)”。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时,全部或部分地产生按照本申请实施例该的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如DVD)、或者半导体介质(例如固态硬盘)等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
Claims (8)
1.一种车辆智能避障的计算方法,其特征在于,所述方法包括:
计算机获取车载传感器和路侧传感器中的避障数据;
所述计算机对计算芯片的计算能力进行评估得到计算性能指标值,所述计算芯片包含车载计算芯片和路侧计算芯片;
所述计算机根据所述计算性能指标值计算每个计算芯片的性能占比排名;
所述计算机根据所述避障数据中的不同数据的大小和类型计算所述不同数据的特征复杂度;
所述计算机根据所述性能占比排名和所述特征复杂度对所述避障数据进行划分为数据子集,使得所述数据子集的特征复杂度与所述计算芯片的性能占比排名匹配;
所述计算机根据所述计算性能指标值和所述芯片适用类型确定计算芯片向量,所述计算性能指标值包括主频、内存带宽、延迟数据和功耗,所述计算芯片向量包括主频、内存带宽、延迟、功耗和芯片类型;
所述计算机根据数据子集的数据类型、数据大小和计算复杂度确定数据子集特征向量,所述数据子集特征向量包括数据类型,数据大小和计算复杂度;
所述计算机根据所述计算芯片向量和数据子集特征向量确定所述计算芯片与所述数据子集之间的匹配规则;
所述匹配规则的确定步骤具体包括:所述计算机收集历史计算芯片向量和历史数据子集特征向量样本;所述计算机对所述历史计算芯片向量和所述历史数据子集特征向量样本进行关联规则学习,得到关联规则;所述计算机提取满足置信度阈值的关联规则,作为匹配规则;
所述计算机根据所述匹配规则计算第一计算芯片与所有数据子集之间的置信度,所述第一计算芯片为任一计算芯片;
所述计算机将最大置信度所对应的第一数据子集分配给所述第一计算芯片,使得所述车载计算芯片完成计算得到车载计算数据,所述路侧计算芯片完成计算得到路侧计算数据;
所述计算机将所述车载计算数据和所述路侧计算数据输入到中央计算芯片中得到最终决策;
所述计算机根据所述最终决策对车辆进行控制。
2.根据权利要求1所述的方法,其特征在于,所述计算机将最大置信度所对应的数据子集分配给所述第一计算芯片的步骤之后,所述方法还包括:
所述计算机统计所述计算芯片与不同数据子集的历史任务运行数据,所述历史任务运行数据包括计算效率和响应速度;
当所述计算效率超过预设效率阈值或响应速度超过预设速度阈值时,所述计算机根据所述计算芯片向量和数据子集特征向量确定新匹配规则;
所述计算机将所述新匹配规则加入匹配规则中。
3.根据权利要求1所述的方法,其特征在于,所述计算机将最大置信度所对应的数据子集分配给所述第一计算芯片的步骤之后,所述方法还包括:
当所述计算机检测到所述第一计算芯片存在故障时,所述计算机对剩余的所述计算芯片对应的所述置信度进行排名;
当所述第一数据子集是由车载传感器采集得到时,所述计算机将所述第一数据子集分配给置信度排名最高且空闲的车载计算芯片。
4.根据权利要求1所述的方法,其特征在于,所述计算机根据所述最终决策对车辆进行控制的步骤之后,所述方法还包括:
所述计算机对全部计算芯片的负载率进行监测;
若存在当前计算芯片的所述负载率大于预设负载阈值,则所述计算机停止将所述数据子集分配给所述当前计算芯片,所述当前计算芯片为任一计算芯片。
5.根据权利要求1所述的方法,其特征在于,所述计算机将所述车载计算数据和所述路侧计算数据输入到中央计算芯片中得到最终决策的步骤,具体包括:
所述计算机将所述车载计算数据和所述路侧计算数据通过车路协同专用网络传送给所述中央计算芯片。
6.一种车辆智能避障的计算系统,所述计算系统包括计算机,其特征在于,所述计算机包括:
获取数据模块,获取车载传感器和路侧传感器中的避障数据;
评估模块,对计算芯片的计算能力进行评估得到计算性能指标值,所述计算芯片包含车载计算芯片和路侧计算芯片;
第一计算模块,根据所述计算性能指标值计算每个计算芯片的性能占比排名;
第二计算模块,根据所述避障数据中的不同数据的大小和类型计算所述不同数据的特征复杂度;
子集划分模块,根据所述性能占比排名和所述特征复杂度对所述避障数据进行划分为数据子集,使得所述数据子集的特征复杂度与所述计算芯片的性能占比排名匹配;
第一确定模块,根据所述计算性能指标值和所述芯片适用类型确定计算芯片向量,所述计算性能指标值包括主频、内存带宽、延迟数据和功耗,所述计算芯片向量包括主频、内存带宽、延迟、功耗和芯片类型;
第二确定模块,根据数据子集的数据类型、数据大小和计算复杂度确定数据子集特征向量,所述数据子集特征向量包括数据类型,数据大小和计算复杂度;
规则确定模块,根据所述计算芯片向量和数据子集特征向量确定所述计算芯片与所述数据子集之间的匹配规则,所述匹配规则的确定步骤具体包括:所述计算机收集历史计算芯片向量和历史数据子集特征向量样本;所述计算机对所述历史计算芯片向量和所述历史数据子集特征向量样本进行关联规则学习,得到关联规则;所述计算机提取满足置信度阈值的关联规则,作为匹配规则;
置信度计算模块,根据所述匹配规则计算第一计算芯片与所有数据子集之间的置信度,所述第一计算芯片为任一计算芯片;
分配模块,将最大置信度所对应的第一数据子集分配给所述第一计算芯片;
输入模块,将所述车载计算数据和所述路侧计算数据输入到中央计算芯片中得到最终决策;
控制模块,根据所述最终决策对车辆进行控制。
7.一种计算机,其特征在于,包括:一个或多个处理器和存储器;
所述存储器与所述一个或多个处理器耦合,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,所述一个或多个处理器调用所述计算机指令以使得所述计算机执行如权利要求1-5中任一项所述的方法。
8.一种计算机可读存储介质,包括指令,其特征在于,当所述指令在计算机上运行时,使得所述计算机执行如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311684222.5A CN117389937B (zh) | 2023-12-11 | 2023-12-11 | 一种车辆避障数据的计算方法、计算机及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311684222.5A CN117389937B (zh) | 2023-12-11 | 2023-12-11 | 一种车辆避障数据的计算方法、计算机及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117389937A CN117389937A (zh) | 2024-01-12 |
CN117389937B true CN117389937B (zh) | 2024-03-08 |
Family
ID=89439551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311684222.5A Active CN117389937B (zh) | 2023-12-11 | 2023-12-11 | 一种车辆避障数据的计算方法、计算机及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117389937B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10366290B2 (en) * | 2016-05-11 | 2019-07-30 | Baidu Usa Llc | System and method for providing augmented virtual reality content in autonomous vehicles |
CN110398953A (zh) * | 2018-04-25 | 2019-11-01 | 长沙智能驾驶研究院有限公司 | 智能驾驶系统、方法及计算机可读存储介质 |
CN107491072B (zh) * | 2017-09-05 | 2021-03-30 | 百度在线网络技术(北京)有限公司 | 车辆避障方法和装置 |
CN113313154A (zh) * | 2021-05-20 | 2021-08-27 | 四川天奥空天信息技术有限公司 | 一体化融合多传感器自动驾驶智能感知装置 |
CN111731278B (zh) * | 2020-05-29 | 2021-10-08 | 广东中科臻恒信息技术有限公司 | 一种基于车载单元、路侧单元的自动驾驶视觉检测系统 |
CN114428504A (zh) * | 2022-01-18 | 2022-05-03 | 上汽通用五菱汽车股份有限公司 | 无人驾驶车辆避障方法、系统、电子设备及存储介质 |
CN115027504A (zh) * | 2022-07-19 | 2022-09-09 | 重庆长安汽车股份有限公司 | 自动驾驶车辆的安全控制方法及装置 |
CN115123298A (zh) * | 2022-06-15 | 2022-09-30 | 北京航空航天大学 | 适用于双桥转向无驾驶室矿用作业车辆的主动感知系统 |
CN111469836B (zh) * | 2020-02-28 | 2022-12-20 | 广东中科臻恒信息技术有限公司 | 基于车载单元和路侧单元的避障方法、设备、存储介质 |
CN116129641A (zh) * | 2023-02-13 | 2023-05-16 | 中南大学 | 一种基于多端协同辨识的车辆安全态势计算方法及系统 |
CN116142236A (zh) * | 2023-02-28 | 2023-05-23 | 亿咖通(湖北)技术有限公司 | 一种车辆控制方法、系统、电子设备及存储介质 |
CN117037115A (zh) * | 2023-08-09 | 2023-11-10 | 新疆大学 | 一种基于机器视觉的自动驾驶避障系统及方法 |
CN117201567A (zh) * | 2023-11-06 | 2023-12-08 | 理工雷科智途(北京)科技有限公司 | 一种井工矿场景感知融合技术的出入罐笼控制系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112406892B (zh) * | 2020-11-03 | 2022-11-18 | 上海大学 | 一种智能网联汽车感知决策模块功能安全和网络安全内生保障方法 |
-
2023
- 2023-12-11 CN CN202311684222.5A patent/CN117389937B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10366290B2 (en) * | 2016-05-11 | 2019-07-30 | Baidu Usa Llc | System and method for providing augmented virtual reality content in autonomous vehicles |
CN107491072B (zh) * | 2017-09-05 | 2021-03-30 | 百度在线网络技术(北京)有限公司 | 车辆避障方法和装置 |
CN110398953A (zh) * | 2018-04-25 | 2019-11-01 | 长沙智能驾驶研究院有限公司 | 智能驾驶系统、方法及计算机可读存储介质 |
CN111469836B (zh) * | 2020-02-28 | 2022-12-20 | 广东中科臻恒信息技术有限公司 | 基于车载单元和路侧单元的避障方法、设备、存储介质 |
CN111731278B (zh) * | 2020-05-29 | 2021-10-08 | 广东中科臻恒信息技术有限公司 | 一种基于车载单元、路侧单元的自动驾驶视觉检测系统 |
CN113313154A (zh) * | 2021-05-20 | 2021-08-27 | 四川天奥空天信息技术有限公司 | 一体化融合多传感器自动驾驶智能感知装置 |
CN114428504A (zh) * | 2022-01-18 | 2022-05-03 | 上汽通用五菱汽车股份有限公司 | 无人驾驶车辆避障方法、系统、电子设备及存储介质 |
CN115123298A (zh) * | 2022-06-15 | 2022-09-30 | 北京航空航天大学 | 适用于双桥转向无驾驶室矿用作业车辆的主动感知系统 |
CN115027504A (zh) * | 2022-07-19 | 2022-09-09 | 重庆长安汽车股份有限公司 | 自动驾驶车辆的安全控制方法及装置 |
CN116129641A (zh) * | 2023-02-13 | 2023-05-16 | 中南大学 | 一种基于多端协同辨识的车辆安全态势计算方法及系统 |
CN116142236A (zh) * | 2023-02-28 | 2023-05-23 | 亿咖通(湖北)技术有限公司 | 一种车辆控制方法、系统、电子设备及存储介质 |
CN117037115A (zh) * | 2023-08-09 | 2023-11-10 | 新疆大学 | 一种基于机器视觉的自动驾驶避障系统及方法 |
CN117201567A (zh) * | 2023-11-06 | 2023-12-08 | 理工雷科智途(北京)科技有限公司 | 一种井工矿场景感知融合技术的出入罐笼控制系统及方法 |
Non-Patent Citations (1)
Title |
---|
基于传感器信息融合的智能小车避障设计;刘怿恒;欧亚军;;电子世界;20120615(11);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117389937A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598066B (zh) | 预测模块的效果评估方法、装置、设备和存储介质 | |
US20220035733A1 (en) | Method and apparatus for checking automatic driving algorithm, related device and storage medium | |
CN112639495A (zh) | 一种电池检测的方法和装置 | |
KR102246462B1 (ko) | 지능형 엣지 기반 도로교통 상황인지 방법 | |
KR102233723B1 (ko) | 자율 주행 차량의 운행 패턴 관리 서버 및 그것의 운행 패턴 해석 방법 | |
CN111949037A (zh) | 一种网联车自动驾驶系统及方法 | |
CN115909740A (zh) | 车路协同实现方法、装置、计算机设备及存储介质 | |
CN117389937B (zh) | 一种车辆避障数据的计算方法、计算机及可读存储介质 | |
CN113593221A (zh) | 信息价值评估式驾驶系统、网联车辆系统和数据传输方法 | |
US20230060383A1 (en) | System and method of off-board-centric autonomous driving computation | |
Shanshan et al. | An evaluation system based on user big data management and artificial intelligence for automatic vehicles | |
CN111524389A (zh) | 车辆驾驶方法和装置 | |
CN113911139B (zh) | 车辆控制方法、装置和电子设备 | |
CN112435468B (zh) | 车辆分流方法及装置 | |
CN116909202B (zh) | 车云协同自动驾驶车辆控制方法、装置、设备及介质 | |
CN117270913B (zh) | 地图更新方法、装置、电子设备和存储介质 | |
CN115640106B (zh) | 一种面向多无人机指挥控制的人机功能分配方法及系统 | |
CN116720803B (zh) | 一种基于智能设备的云配送任务处理方法及系统 | |
CN114756026B (zh) | 一种实验环境安全检查的巡视控制系统 | |
CN113570846B (zh) | 一种交通警情态势分析研判方法、设备及可读存储介质 | |
CN117765735B (zh) | 交通管控方法、装置、计算机设备和存储介质 | |
CN117610971B (zh) | 一种高速公路机电系统健康指数评估方法 | |
US11935000B2 (en) | Methods and Internet of Things systems for LNG management linked with warehousing, transportation, and smart terminals | |
CN118296447A (zh) | 车辆危险预警分级方法、装置及存储介质 | |
CN118274846A (zh) | 用于道路隐患排查的无人机群协同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 |