CN117609793A - 一种目标数据生成方法、装置及设备 - Google Patents

Abstract

本说明书实施例中公开了一种目标数据生成方法、装置及设备。该方案可以包括：获取针对目标车辆所在的预设区域采集到的各个感知数据集合，其中感知数据集合中包含有各个感知设备在预设时刻针对所述目标车辆所在的预设区域采集到的感知数据。根据各个感知数据集合以及预设数据库，生成目标数据集合，其中目标数据集合用于生成训练自动驾驶规划所涉及的深度学习算法时所需使用的输入特征数据，并且目标数据集合中至少包括从感知数据集合中提取出的第一数据，以及，基于感知数据集合中的数据和/或预设数据库中的数据确定出的预设种类的第二数据中的至少一种。该方案，可以降低开发深度学习算法时特征数据的挖掘时间，提升深度学习算法的开发效率。

Description

一种目标数据生成方法、装置及设备

技术领域

本申请涉及数据处理技术领域，尤其涉及一种目标数据生成方法、装置及设备。

背景技术

针对车辆自动驾驶的规划过程可以包括道路级路径规划操作、对车辆周围环境的识别操作、对车辆周围环境动态变化的预测操作、车道级路径决策规划操作以及控制车辆按照车道级路径决策规划进行行驶的操作等多个操作步骤组成。并且，自动驾驶规划的整个规划过程中需要涉及到各种各样的深度学习算法。

目前，自动驾驶规划所涉及的深度学习算法的开发主要依据由各类传感器上传至服务器的原始数据进行训练开发。在基于原始数据对深度学习模型进行训练开发的过程中，首先，由于每一类传感器上传至服务器的原始数据的数据量均是庞大的，深度学习算法从庞大的数据量中挖掘所需的特征数据，势必会耗费大量的数据挖掘时间；其次，不同传感器针对车辆所能感知到的原始数据的数据属性也并非是完全一致的，比如：雷达设备能够感知到车辆的速度信息、加速度信息等，而视频监控设备能够感知到车辆的外观属性信息等，深度学习算法需结合来自多个传感器的原始数据才能挖掘出所需的特征数据，其挖掘过程相对较繁琐；还有，部分用于训练开发深度学习模型的特征数据并不能直接从传感器上报的原始数据中获得，比如：针对车辆所在的具体车道信息的获取过程，需根据传感器采集到的经纬度信息，在高精度地图中查询车辆所在的车道信息，因此针对这些无法从传感器上报的原始数据中直接获取的数据，也需要深度学习算法耗费大量的时间来进行数据挖掘。因此，在现有技术中，基于各类传感器上报的原始数据来对自动驾驶规划所涉及的深度学习算法进行训练开发，其在开发的过程中需耗费大量的时间从原始数据中挖掘出开发深度学习算法所需的特征数据，从而导致深度学习算法的开发周期耗时相对较长。

基于此，如何降低自动驾驶规划所涉及的深度学习算法开发过程中特征数据的挖掘时间，以提升深度学习算法的开发效率，成为了亟待解决的技术问题。

发明内容

本说明书实施例提供的一种目标数据生成方法、装置及设备，可以解决自动驾驶规划所涉及的深度学习算法的开发过程中特征数据挖掘时间耗时较长、算法开发效率较低的技术问题。

为解决上述技术问题，本说明书实施例是这样实现的：

本说明书实施例中提供的一种目标数据生成方法，包括，

获取针对目标车辆所在的预设区域采集到的各个感知数据集合，所述感知数据集合中包含有各个感知设备在预设时刻针对所述目标车辆所在的预设区域采集到的感知数据；

根据各个所述感知数据集合以及预设数据库，生成目标数据集合；所述目标数据集合用于生成训练自动驾驶规划所涉及的深度学习算法时所需使用的输入特征数据；所述目标数据集合中至少包括从所述感知数据集合中提取出的第一数据，以及，基于所述感知数据集合中的数据和/或所述预设数据库中的数据确定出的预设种类的第二数据中的至少一种数据。

本说明书实施例中提供的一种目标数据生成装置，包括，

获取模块，用于获取针对目标车辆所在的预设区域采集到的各个感知数据集合，所述感知数据集合中包含有各个感知设备在预设时刻针对所述目标车辆所在的预设区域采集到的感知数据；

生成模块，用于根据各个所述感知数据集合以及预设数据库，生成目标数据集合；所述目标数据集合用于生成训练自动驾驶规划所涉及的深度学习算法时所需使用的输入特征数据；所述目标数据集合中至少包括从所述感知数据集合中提取出的第一数据，以及，基于所述感知数据集合中的数据和/或所述预设数据库中的数据确定出的预设种类的第二数据中的至少一种数据。

本说明书实施例中提供的一种目标数据生成设备，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：

获取针对目标车辆所在的预设区域采集到的各个感知数据集合，所述感知数据集合中包含有各个感知设备在预设时刻针对所述目标车辆所在的预设区域采集到的感知数据；

根据各个所述感知数据集合以及预设数据库，生成目标数据集合；所述目标数据集合用于生成训练自动驾驶规划所涉及的深度学习算法时所需使用的输入特征数据；所述目标数据集合中至少包括从所述感知数据集合中提取出的第一数据，以及，基于所述感知数据集合中的数据和/或所述预设数据库中的数据确定出的预设种类的第二数据中的至少一种数据。

本说明书中提供的至少一个实施例能够实现以下有益效果：

目标数据集合中各个目标数据内所包含的各类属性的数据，均为从感知设备采集的原始数据以及预设数据库中确定出的能够用于训练自动驾驶规划所涉及的深度学习算法的输入特征数据，或者为确定出的能够用于生成输入特征数据的基础数据，即目标数据集合是基于感知设备采集的原始数据进行提纯后确定出的数据集合，其数据量要远远小于感知设备采集的原始数据的数据量，且目标数据集合中并不存在对于确定输入特征数据无关的干扰数据。从而在根据目标数据集合确定训练自动驾驶规划所涉及的深度学习算法所需使用的输入特征数据时，可以在相对较小数据量的数据范围内查询并提取出输入特征数据或者用于确定输入特征数据的数据，避免耗费大量的时间从海量的原始数据中挖掘出训练深度学习算法所需使用的输入特征数据，以提升确定训练深度学习算法所需使用的输入特征数据的效率，提升深度学习算法的开发效率。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书实施例提供的一种目标数据生成方法的流程示意图；

图2为本说明书实施例提供的目标车辆所在的预设区域的范围示意图；

图3a为本说明书实施例提供的针对车辆行驶轨迹进行平滑处理前的效果示意图；

图3b为本说明书实施例提供的针对车辆行驶轨迹进行平滑处理后的效果示意图；

图4为本说明书实施例提供的对应于图1的一种目标数据生成装置的结构示意图；

图5为本说明书实施例提供的对应于图1的一种目标数据生成设备的结构示意图。

具体实施方式

为使本说明书一个或多个实施例的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书一个或多个实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书一个或多个实施例保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图1为本说明书实施例提供的一种目标数据生成方法的流程示意图。从程序角度而言，该流程的执行主体可以为生成目标数据的设备，或者，生成目标数据的设备处搭载的应用程序。如图1所示，该流程可以包括以下步骤：

步骤102：获取针对目标车辆所在的预设区域采集到的各个感知数据集合，所述感知数据集合中包含有各个感知设备在预设时刻针对所述目标车辆所在的预设区域采集到的感知数据。

本说明书实施例中，目标车辆所在的预设区域可以为在目标车辆所在的道路上，以包含车辆在内，以预设半径所形成的区域。如图2所示，目标车辆所在的预设区域为以道路宽度的距离为宽，以距离目标车辆2前后各100米的距离为长，所形成的预设区域1。

本说明书实施例中，感知设备可以包含有路侧感知设备和车载感知设备，其中路侧感知可以包含有雷达设备、视频监控设备等。感知设备在目标车辆所在的预设区域可以针对目标车辆以及其他道路参与者进行数据采集，即感知设备所采集的感知数据中可以包含有针对目标车辆以及其他道路参与者所采集到的数据。

本说明书实施例中，一个感知数据集合可以为基于同一个采集时刻下各个感知设备所采集到的感知数据所构成的数据集合。

步骤104：根据各个所述感知数据集合以及预设数据库，生成目标数据集合；所述目标数据集合用于生成训练自动驾驶规划所涉及的深度学习算法时所需使用的输入特征数据；所述目标数据集合中至少包括从所述感知数据集合中提取出的第一数据，以及，基于所述感知数据集合中的数据和/或所述预设数据库中的数据确定出的预设种类的第二数据中的至少一种数据。

本说明书实施例中，预设数据库可以为任意一种能够用于确定出训练自动驾驶规划所涉及的深度学习算法时所需使用的输入特征数据的数据库，比如：高精度地图数据库、市政路网数据库等。本说明书对预设数据库不做具体限定。

本说明书实施例中，输入特征数据可以为用于训练深度学习算法的数据，从目标数据集合中可以获取到训练自动驾驶规划所涉及的各类深度学习算法所需使用的输入特征数据。其中，目标数据集合中的数据可以为直接或间接从感知数据集合中获取到的数据；和/或，目标数据集合中的数据可以为直接或间接从预设数据库中获取到的数据；和/或，目标数据集合中的数据可以为根据感知数据集合中的数据以及预设数据库中的数据确定出的数据。

利用图1中的方法，可以从目标数据集合中获取到训练深度学习算法所需使用的输入特征数据，而无需通过繁琐的数据查询及计算过程，并耗费大量的时间从海量的原始数据中挖掘出训练深度学习算法所需使用的输入特征数据。从而可以降低深度学习算法开发过程中特征数据的挖掘时间，提升深度学习算法的开发效率。

基于图1中的方法，本说明书实施例还提供了该方法的一些具体实施方案，下面进行说明。

由于不同感知设备的数据采集频率不同，从而不同感知设备在预设时间段内上传至服务器的感知数据的数量不同，因此，在将不同感知设备在预设时间段内所采集的感知数据进行数据组合的过程中，需针对不同感知设备采集的感知数据进行对齐时间戳处理。基于此，步骤102：获取针对目标车辆所在的预设区域采集到的各个感知数据集合，具体可以包括：

获取各个所述感知设备针对所述目标车辆所在的预设区域进行数据采集时的数据采集频率。

基于最小数据采集频率所对应的所述感知设备针对所述预设区域进行数据采集时的任意一个时间戳，确定各个所述感知设备在所述时间戳所采集到的目标感知数据。

根据所述目标感知数据，生成一个所述感知数据集合。

本说明书实施例中，获取到各个感知设备进行数据采集时的数据采集频率，从各个数据采集频率中确定出最小的数据采集频率，将该最小的数据采集频率所对应的感知设备作为基准感知设备，根据该基准感知设备采集数据时的基准时间戳，确定其他感知设备在该基准时间戳所采集到的感知数据，根据其他感知设备以及基准感知设备分别在该基准时间戳所采集到的感知数据，生成感知数据集合。

需要说明的是，若任意一个目标感知设备在基准时间戳未进行数据采集，则可以根据该目标感知设备所采集的感知数据生成与基准时间戳对应的感知数据。比如：目标感知设备在第1秒采集到感知数据1，在第3秒采集到感知数据2。而基准时间戳为第2秒，则可以根据数据1与数据2生成目标感知设备在第2秒的感知数据。具体的生成方式可以为基于目标感知设备所采集的感知数据进行平均值处理、加权平均值处理或者其他的生成方式，本说明书对其生成方式不做具体限定。

还需要说明的是，各个感知设备在将所采集的感知数据上传至服务器时，需针对各个感知数据进行滤波处理，以去除异常感知数据，从而可以提升上传至服务器的感知数据的准确性，同时也可以避免将异常感知数据上传至服务器，造成对服务器存储资源的浪费。

针对不同感知设备所采集的感知数据中，可能会存在相同数据种类的感知数据，因此在根据各个感知设备在同一时间戳所采集到的感知数据，生成感知数据集合时，可以将不同感知数据中具有相同数据种类的数据进行融合。基于此，所述根据所述目标感知数据，生成一个所述感知数据集合，具体可以包括：

针对所述目标感知数据中的归属于相同数据种类的第一感知数据进行融合处理，得到融合后第一感知数据。

根据所述融合后第一感知数据，以及所述目标感知数据中的未进行融合处理的第二感知数据，生成所述感知数据集合。

本说明书实施例中，感知设备在任意时间戳所采集到的感知数据中均会包含有多个种类的感知数据。比如：雷达设备所采集到的感知数据中可以包含有周围环境的障碍物信息、车辆之间的距离信息、车辆行驶速度信息以及加速度信息等。视频监控设备所采集到的感知数据中可以包含有道路上的交通标志信息、车辆的外观属性信息、行人信息以及道路标记信息等。车载感知设备所采集到的感知数据中可以包含有车辆定位信息、车辆行驶航向角信息、车辆行驶速度以及加速度信息等。当不同感知设备所采集的感知数据中存在种类相同的数据时，可以将种类相同的数据进行融合。比如雷达设备以及车载感知设备均能够采集到车辆行驶速度以及加速度，则可以将其进行融合。最后基于不同感知设备所采集的感知数据中的融合后的数据以及未进行融合处理的数据，生成感知数据集合。

在生成感知数据集合后，可以根据各个感知数据集合生成目标数据集合。基于此，步骤104：所述根据各个所述感知数据集合以及预设数据库，生成目标数据集合，具体可以包括：

提取所述感知数据集合中的第一种类的数据，得到所述目标数据集合中的所述第一数据。

基于所述感知数据集合中的第二种类的数据进行第一预处理，得到所述目标数据集合中的所述预设种类的第二数据，所述第一预处理至少包含计算处理；和/或，

基于所述预设数据库中的第三种类的数据进行第二预处理，得到所述目标数据集合中的所述预设种类的第二数据，所述第二预处理至少包含计算处理和/或查询处理；和/或，

基于所述感知数据集合中的第四种类的数据以及所述预设数据库中的第五种类的数据进行第三预处理，得到所述目标数据集合中的所述预设种类的第二数据，所述第三预处理至少包含计算处理和/或查询处理。

根据所述第一数据以及所述第二数据，生成所述目标数据集合。

本说明书实施例中，一个感知数据集合内包含着在任意一个基准时间戳所采集到的各个种类的感知数据，因此各个感知数据集合对应着各个基准时间戳，由各个基准时间戳可以构成一个基准时间序列。目标数据集合内的任意一个目标数据均包含着在预设时间戳下针对目标车辆生成的各个数据，因此，目标数据集合对应着各个预设时间戳，由各个预设时间戳可以构成一个预设时间序列。

需要说明的是，预设时间序列可以与基准时间序列相同，也可以与基准时间序列不同，若预设时间序列与基准时间序列相同，则可以基于一个基准时间戳对应的感知数据集合，确定出某预设时间戳对应的目标数据；若预设时间序列与基准时间序列相同，则可以基于一个或者多个基准时间戳对应的感知数据集合，确定出某预设时间戳对应的目标数据。

示例性的，假设：各个感知数据集合对应的基准时间序列为1秒、2秒、3秒、4秒、5秒，其各个基准时间戳所对应的感知数据集合分别为：1秒-感知数据集合1、2秒-感知数据集合2、3秒-感知数据集合3、4秒-感知数据集合4、5秒-感知数据集合5。若预设时间序列也为1秒、2秒、3秒、4秒、5秒，其各个预设时间戳所对应的目标数据分别为：1秒-目标数据1、2秒-目标数据2、3秒-目标数据3、4秒-目标数据4、5秒-目标数据5，则可以根据1秒-感知数据集合1确定1秒-目标数据1、2秒-感知数据集合2确定2秒-目标数据2等等，依次类推；若预设时间序列也为1秒、1.5秒、2秒、2.5秒、3秒，其各个预设时间戳所对应的目标数据分别为：1秒-目标数据1、1.5秒-目标数据2、2秒-目标数据3、2.5秒-目标数据4、3秒-目标数据5，则可以根据1秒-感知数据集合1确定1秒-目标数据1、2秒-感知数据集合2确定2秒-目标数据3，以及3秒-感知数据集合3确定3秒-目标数据5，而1.5秒-目标数据2可以根据1秒-感知数据集合1与2秒-感知数据集合2共同来确定，以及2.5秒-目标数据4也可以根据2秒-感知数据集合2与3秒-感知数据集合3共同来确定。

本说明书实施例中，在确定出可以基于第一预设感知数据集合确定第二预设目标数据后，其确定目标数据内数据的方式可以包含以下几种示例类型。需要说明的是，由于在仅依据感知数据集合的情况下，无法确定出全部所需的输入特征数据，因此还需依据相应的预设数据库来确定目标数据中的数据。

示例类型一、直接从感知数据集合中提取出某一感知数据，将该感知数据作为目标数据中的数据，比如：目标数据中的数据为车辆行驶速度、车辆加速度、车辆的经纬度信息以及车辆的外形尺寸信息等，则可以直接从感知数据集合中提取出这些数据。

示例类型二、基于感知数据集合中的两个或多个感知数据，通过计算的方式得到目标数据中的数据。比如：目标数据中的数据为目标车辆与指定车辆之间的速度差，则需从感知数据集合中分别提取出目标车辆与指定车辆的行驶速度，然后再计算出目标车辆与指定车辆之间的行驶速度差。

示例类型三、基于预设数据库中的数据，生成目标数据中的数据。比如：目标数据中的数据为某一路口处的红绿灯切换信息，则需要查询包含有该路口红绿灯信息的相关市政路网数据库，从中确定出该路口的红绿灯切换信息。

示例类型四、基于感知数据集合中的数据以及预设数据库中的数据共同确定出目标数据中的数据。比如：目标数据中的数据为目标车辆所在的车道标志信息，则需要从感知数据集合中提取出目标车辆的经纬度信息，基于目标车辆的经纬度信息在高精度地图数据中查询出该经纬度信息所在的车道信息，然后将查询出的车道信息确定出目标车辆所在的车道标志信息。

需要说明的是，根据感知数据集合和/或预设数据库确定出目标数据中的数据，还可以包含其他的确定方式，在此不再一一赘述。本说明书对于根据感知数据集合和/或预设数据库确定目标数据中的数据的方式不做具体限定。

所述目标数据集合中的任意一个目标数据均包含由车辆属性信息构成的第一字段数据信息、由车辆行驶轨迹信息构成的第二字段数据信息以及由自定义场景信息构成的第三字段数据信息。

所述根据所述第一数据以及所述第二数据，生成所述目标数据集合，具体可以包括：

根据所述第一数据以及所述第二数据，生成针对所述目标车辆的车辆行驶轨迹。

针对所述车辆行驶轨迹进行平滑处理，得到平滑处理后的车辆行驶轨迹。

基于所述平滑处理后的车辆行驶轨迹，生成所述目标数据集合。

本说明书实施例中，目标数据集合中的任意一个目标数据均可以包含有针对目标车辆的车辆属性信息、目标车辆行驶轨迹信息以及目标车辆所在交通场景的自定义场景信息。其中目标车辆行驶轨迹信息可以包含有目标车辆的定位信息、目标车辆的运动学信息、目标车辆周围其他的车辆信息以及目标车辆所在区域处的地图数据信息等。

示例性的，如表一中所示的车辆属性信息、车辆行驶轨迹信息以及自定义场景信息，为针对目标数据所包含的数据提出的一具体实施例。

表一：

需要说明的是，表一中根据目标车辆所处的实际交通场景，可以根据需要填加相应的自定义场景信息。比如：当目标车辆处于换道场景时，填加的自定义场景信息可以为目标车辆处于路口内还是路口外的信息，以及目标车辆的换道时间等信息。

还需要说明的是，表一中目标数据所包含的数据信息，仅是为了便于本领域的技术人员更好的理解本方案，并非是对目标数据中所包含的具体数据信息的限定。

本说明书实施例中，在确定出目标数据集合中的各个目标数据后，就可以根据各个目标数据得到针对目标车辆的车辆行驶轨迹，确定车辆行驶轨迹中是否存在轨迹弯曲度大于预设阈值的区域，针对轨迹弯曲度大于预设阈值的区域进行平滑处理，得到平滑处理后的车辆行驶轨迹。如图3所示，车辆行驶轨迹a中的点位2处的轨迹弯曲度大于预设阈值，点位1及点位3处的轨迹弯曲度均小于预设阈值，则可以根据点位1对应的目标数据1以及点位3对应的目标数据3，对点位2对应的目标数据2进行修正处理，以使点位2处的轨迹弯曲度也小于预设阈值，得到平滑处理后的车辆行驶轨迹b，以及与平滑处理后的车辆行驶轨迹b对应的目标数据集合。

本说明书实施例中，对目标数据集合对应的车辆行驶轨迹进行了平滑处理，从而可以提升基于目标数据集合确定出的用于训练自动驾驶规划所涉及的深度学习算法的输入特征数据的准确性。

本说明书实施例中，针对各个车辆的车辆行驶轨迹所确定出的各个目标数据集合中的目标数据，均具有统一的数据结构格式，在不同的目标数据内针对相同属性的数据均记录在相同的字段位置内，从而在确定训练自动驾驶规划所涉及的深度学习算法的输入特征数据时，可以便捷的从不同目标数据集合的同一字段内提取出相同属性的数据，而无需在杂乱的各个初始感知数据中查询相同属性的数据，以提升挖掘训练自动驾驶规划所涉及的深度学习算法的输入特征数据的便捷性。

在根据感知数据集合确定目标数据时，还需对感知数据集合进行滤波处理，以提升所确定出的目标数据的准确性。基于此，步骤104：所述根据各个所述感知数据集合以及预设数据库，生成目标数据集合之前，还可以包括：

判断所述各个感知数据集合中异常感知数据集合的数量是否大于等于第一预设阈值，得到第一判断结果；所述异常感知数据集合为所述感知数据集合内缺少第一预设类型的感知数据的感知数据集合，和/或，所述异常感知数据集合为所述感知数据集合内的第二预设类型的感知数据为异常数据的感知数据集合。

若所述第一判断结果表示所述异常感知数据集合的数量大于等于所述第一预设阈值，则禁止根据所述各个感知数据集合生成所述目标数据集合。

若所述第一判断结果表示所述异常感知数据集合的数量小于所述第一预设阈值，则针对所述异常感知数据集合进行修正处理，得到修正后感知数据集合。

所述根据各个所述感知数据集合以及预设数据库，生成目标数据集合，具体可以包括：

根据所述各个感知数据集合中的正常感知数据集合、所述修正后感知数据集合以及所述预设数据库，生成所述目标数据集合。

本说明书实施例中，针对目标车辆所确定出的各个感知数据集合中的每一个感知数据集合均分别进行检测处理。其中判断一个感知数据集合是否为异常感知数据集合的标准可以为：若判断出感知数据集合中缺失了某一类型或者多个类型的感知数据，比如，感知数据集合中缺少了车辆的经纬度信息，则判定该感知数据集合为异常感知数据集合；或者若判断出感知数据集合中某一类型或者多个类型的感知数据为异常数据，比如：感知数据集合中的车辆行驶方向为错误信息和/或车辆ID为错误信息，则判定该感知数据集合为异常感知数据集合。需要说明的是，还可以通过其他的判断标准来判定感知数据集合是否为异常感知数据集合，本说明书对判定异常感知数据集合的判断标准不做具体限定。

本说明书实施例中，根据上述判定异常感知数据集合的判断标准，统计针对目标车辆所确定出的各个感知数据集合中异常感知数据集合的数量，若异常感知数据集合的数量大于等于预设阈值，则禁止根据针对目标车辆所确定出的各个感知数据集合确定目标数据集合；若异常感知数据集合的数量小于预设阈值，则根据针对目标车辆所确定出的各个感知数据集合中的正常感知数据集合对异常感知数据集合进行修正处理，得到修正后的感知数据集合。最后根据各个修正后的感知数据集合、各个正常感知数据集合以及预设数据库，生成目标数据集合。

在上述实施例的基础上，本说明书中还包含以下一个或者多个实施例，所述方法还可以包括：

基于所述目标数据集合，生成用于训练所述深度学习算法的样本数据。

根据所述样本数据，训练所述深度学习算法，得到训练后的深度学习算法。

判断所述训练后的深度学习算法的算法性能是否满足预设要求，得到第二判断结果。

若所述第二判断结果表示所述算法性能满足所述预设要求，则将所述目标数据集合确定为第一目标数据集合，所述第一目标数据集合用于获取正样本数据。

若所述第二判断结果表示所述算法性能不满足所述预设要求，则将所述目标数据集合确定为第二目标数据集合，所述第二目标数据集合用于获取负样本数据；所述正样本数据与所述负样本数据均用于训练自动驾驶规划所涉及的深度学习算法。

本说明书实施例中，样本数据可以为从目标数据集合中直接提取出的数据，或者，样本数据也可以为根据目标数据集合中的数据经计算处理后生成的数据。基于所确定出的样本数据对自动驾驶规划所涉及的目标深度学习算法进行训练，得到训练后的目标深度学习算法，针对训练后的目标深度学习算法进行算法性能评测。若评测结果表示目标深度学习算法的算法性能合格，则将用于获取样本数据的目标数据集合确定为用于获取正样本数据的目标数据集合；若评测结果表示目标深度学习算法的算法性能不合格，则将用于获取样本数据的目标数据集合确定为用于获取负样本数据的目标数据集合。

在上述实施例的基础上，本说明书实施例中，从用于获取正样本数据的目标数据集合获取正样本数据，以及从用于获取负样本数据的目标数据集合获取负样本数据，基于正样本数据与负样本数据对目标深度学习算法再次进行训练，以使目标深度学习算法可以向正样本数据的方向继续学习，同时可以阻止第二深度学习算法向负样本数据的方向学习。针对再次训练后的目标深度学习算法进行算法性能评测，根据评测结果获取新正样本数据以及新负样本数据，基于新正样本数据与新负样本数据继续对目标深度学习算法进行训练，如此迭代训练，从而可以提升目标深度学习算法的算法性能。

在上述实施例的基础上，本说明书实施例中，随着服务器处新数据的不断增加，也会生成用于训练目标深度学习算法的新样本数据，基于新样本数据对目标深度学习算法同样进行上述迭代训练，随着针对目标深度学习算法的训练过程，将会积累大量的用于提取正样本数据的目标数据集合，以及用于提取负样本数据的目标数据集合，基于所积累的用于提取正样本数据的目标数据集合，以及用于提取负样本数据的目标数据集合对自动驾驶规划所涉及的其他深度学习算法进行训练，从而可以节省训练自动驾驶规划所涉及的其他深度学习算法的训练时间，提升深度学习算法的训练效率。

针对深度学习算法的算法性能进行评测的方式可以为现有技术中的任意一种评测方法。为了便于本领域的技术人员理解本方案，本说明书中提出了评测深度学习算法的算法性能的一具体实施例。基于此：所述判断所述训练后的深度学习算法的算法性能是否满足预设要求，具体可以包括：

根据所述目标数据集合，构建目标交通场景的场景库数据；所述场景库数据用于反映在所述目标交通场景下的正常车辆行驶轨迹。

在所述目标交通场景下，针对所述训练后的深度学习算法进行测试，得到测试结果数据；所述测试结果数据用于反映在所述目标交通场景下的测试车辆行驶轨迹。

判断所述测试结果数据与所述场景库数据之间的差异程度是否小于等于第二预设阈值，得到所述第二判断结果。

所述若所述第二判断结果表示所述算法性能满足所述预设要求，则将所述目标数据集合确定为第一目标数据集合，具体可以包括：

若所述第二判断结果表示所述差异程度小于等于所述第二预设阈值，则将所述目标数据集合与所述测试结果数据确定为所述第一目标数据集合。

所述若所述第二判断结果表示所述算法性能不满足所述预设要求，则将所述目标数据集合确定为第二目标数据集合，具体可以包括：

若所述第二判断结果表示所述差异程度大于所述第二预设阈值，则将所述目标数据集合与所述测试结果数据确定为所述第二目标数据集合。

本说明书实施例中，任意一个目标数据集合均对应一个目标车辆的一条车辆行驶轨迹。目标交通场景可以为车辆行驶过程中的任意一种交通场景，比如：目标交通场景可以为车辆换道场景、车辆在隧道内通行场景等。根据目标数据集合中的自定义场景信息，选取出与目标交通场景相匹配的场景库数据，其中场景库数据可以为在目标交通场景下的正常车辆行驶轨迹，正常车辆行驶轨迹可以为由驾驶员驾驶车辆在目标交通场景下行驶时所生成的车辆行驶轨迹。

在上述实施例的基础上，本说明书实施例中，在目标交通场景下，基于训练后的深度学习算法，生成针对目标车辆的测试车辆行驶轨迹，其中目标车辆可以为多个车辆，每一个车辆对应着一条测试车辆行驶轨迹。由场景库数据中确定出一条基准车辆行驶轨迹，场景库数据中可以包含有多条正常车辆行驶轨迹，基准车辆行驶轨迹可以为从场景库数据中选取出的任意一条正常车辆行驶轨迹，也可以为基于场景库数据中的多条正常车辆行驶轨迹生成的一条车辆行驶轨迹。将基于训练后的深度学习算法生成的各条测试车辆行驶轨迹分别与基准车辆行驶轨迹进行匹配，根据匹配结果确定出训练后的深度学习算法的算法性能。

为了便于本领域技术人员的理解，本说明书中提出了一种根据测试车辆行驶轨迹与基准车辆行驶轨迹之间的匹配结果，确定深度学习算法的算法性能的方法。具体的，测试结果数据与场景库数据之间的差异程度可以为测试车辆行驶轨迹与基准车辆行驶轨迹之间的非重合区域占比。分别将各条测试车辆行驶轨迹与基准车辆行驶轨迹输入至目标地图内，确定出每一条测试车辆行驶轨迹与基准车辆行驶轨迹之间的非重合区域占比，若非重合区域占比大于等于阈值a的测试车辆行驶轨迹的数量占比大于阈值b，则表示训练后的深度学习算法的算法性能为不合格；若非重合区域占比大于等于阈值a的测试车辆行驶轨迹的数量占比小于等于阈值b，则表示训练后的深度学习算法的算法性能为合格。

在上述实施例的基础上，本说明书实施例中，若判断出训练后的深度学习算法的算法性能为合格状态时，可以将基于训练后的深度学习算法所生成的测试车辆行驶轨迹用于确定正样本数据；若判断出训练后的深度学习算法的算法性能为不合格状态时，可以将基于训练后的深度学习算法所生成的测试车辆行驶轨迹用于确定负样本数据。从而可以基于测试车辆行驶轨迹确定出的正样本数据与负样本数据对训练后的深度学习算法进行迭代训练，以使深度学习算法继续按照正样本数据的方向学习，以及阻止深度学习算法向负样本数据的方向学习，以提升深度学习算法的算法性能。

基于同样的思路，本说明书实施例还提供了上述方法对应的装置。图4为本说明书实施例提供的对应于图1的一种目标数据生成装置的结构示意图。如图4所示，该装置可以包括：

获取模块402，用于获取针对目标车辆所在的预设区域采集到的各个感知数据集合，所述感知数据集合中包含有各个感知设备在预设时刻针对所述目标车辆所在的预设区域采集到的感知数据。

第一生成模块404，用于根据各个所述感知数据集合以及预设数据库，生成目标数据集合；所述目标数据集合用于生成训练自动驾驶规划所涉及的深度学习算法时所需使用的输入特征数据；所述目标数据集合中至少包括从所述感知数据集合中提取出的第一数据，以及，基于所述感知数据集合中的数据和/或所述预设数据库中的数据确定出的预设种类的第二数据中的至少一种数据。

可选的，所述获取模块402，具体可以包括：

获取单元，用于获取各个所述感知设备针对所述目标车辆所在的预设区域进行数据采集时的数据采集频率。

第一确定单元，用于基于最小数据采集频率所对应的所述感知设备针对所述预设区域进行数据采集时的任意一个时间戳，确定各个所述感知设备在所述时间戳所采集到的目标感知数据。

第一生成单元，用于根据所述目标感知数据，生成一个所述感知数据集合。

可选的，所述生成单元，具体可以包括：

第一处理子单元，用于针对所述目标感知数据中的归属于相同数据种类的第一感知数据进行融合处理，得到融合后第一感知数据。

第一生成子单元，用于根据所述融合后第一感知数据，以及所述目标感知数据中的未进行融合处理的第二感知数据，生成所述感知数据集合。

可选的，所述第一生成模块404，具体可以包括：

提取单元，用于提取所述感知数据集合中的第一种类的数据，得到所述目标数据集合中的所述第一数据。

第一处理单元，用于基于所述感知数据集合中的第二种类的数据进行第一预处理，得到所述目标数据集合中的所述预设种类的第二数据，所述第一预处理至少包含计算处理；和/或，

第二处理单元，用于基于所述预设数据库中的第三种类的数据进行第二预处理，得到所述目标数据集合中的所述预设种类的第二数据，所述第二预处理至少包含计算处理和/或查询处理；和/或，

第三处理单元，用于基于所述感知数据集合中的第四种类的数据以及所述预设数据库中的第五种类的数据进行第三预处理，得到所述目标数据集合中的所述预设种类的第二数据，所述第三预处理至少包含计算处理和/或查询处理。

第二生成单元，用于根据所述第一数据以及所述第二数据，生成所述目标数据集合。

可选的，所述目标数据集合中的任意一个目标数据均包含由车辆属性信息构成的第一字段数据信息、由车辆行驶轨迹信息构成的第二字段数据信息以及由自定义场景信息构成的第三字段数据信息；

所述第二生成单元，具体可以包括：

第二生成子单元，用于根据所述第一数据以及所述第二数据，生成针对所述目标车辆的车辆行驶轨迹。

第二处理子单元，用于针对所述车辆行驶轨迹进行平滑处理，得到平滑处理后的车辆行驶轨迹。

第三生成子单元，用于基于所述平滑处理后的车辆行驶轨迹，生成所述目标数据集合。

可选的，所述第一生成模块404之前，还可以包括：

第一判断模块，用于判断所述各个感知数据集合中异常感知数据集合的数量是否大于等于第一预设阈值，得到第一判断结果；所述异常感知数据集合为所述感知数据集合内缺少第一预设类型的感知数据的感知数据集合，和/或，所述异常感知数据集合为所述感知数据集合内的第二预设类型的感知数据为异常数据的感知数据集合。

禁止模块，用于若所述第一判断结果表示所述异常感知数据集合的数量大于等于所述第一预设阈值，则禁止根据所述各个感知数据集合生成所述目标数据集合。

处理模块，用于若所述第一判断结果表示所述异常感知数据集合的数量小于所述第一预设阈值，则针对所述异常感知数据集合进行修正处理，得到修正后感知数据集合；

所述第一生成模块404，具体可以包括：

第三生成单元，用于根据所述各个感知数据集合中的正常感知数据集合、所述修正后感知数据集合以及所述预设数据库，生成所述目标数据集合。

可选的，所述装置还可以包括：

第二生成模块，用于基于所述目标数据集合，生成用于训练所述深度学习算法的样本数据。

训练模块，用于根据所述样本数据，训练所述深度学习算法，得到训练后的深度学习算法。

第二判断模块，用于判断所述训练后的深度学习算法的算法性能是否满足预设要求，得到第二判断结果。

第一确定模块，用于若所述第二判断结果表示所述算法性能满足所述预设要求，则将所述目标数据集合确定为第一目标数据集合，所述第一目标数据集合用于获取正样本数据。

第二确定模块，用于若所述第二判断结果表示所述算法性能不满足所述预设要求，则将所述目标数据集合确定为第二目标数据集合，所述第二目标数据集合用于获取负样本数据；所述正样本数据与所述负样本数据均用于训练自动驾驶规划所涉及的深度学习算法。

可选的，所述第二判断模块，具体可以包括：

构建单元，用于根据所述目标数据集合，构建目标交通场景的场景库数据；所述场景库数据用于反映在所述目标交通场景下的正常车辆行驶轨迹。

测试单元，用于在所述目标交通场景下，针对所述训练后的深度学习算法进行测试，得到测试结果数据；所述测试结果数据用于反映在所述目标交通场景下的测试车辆行驶轨迹。

判断单元，用于判断所述测试结果数据与所述场景库数据之间的差异程度是否小于等于第二预设阈值，得到所述第二判断结果。

所述第一确定模块，具体可以包括：

第二确定单元，用于若所述第二判断结果表示所述差异程度小于等于所述第二预设阈值，则将所述目标数据集合与所述测试结果数据确定为所述第一目标数据集合。

所述第二确定模块，具体可以包括：

第三确定单元，用于若所述第二判断结果表示所述差异程度大于所述第二预设阈值，则将所述目标数据集合与所述测试结果数据确定为所述第二目标数据集合。

基于同样的思路，本说明书实施例还提供了上述方法对应的设备。

图5为本说明书实施例提供的对应于图1的一种目标数据生成设备的结构示意图。如图5所示，设备500可以包括：

至少一个处理器510；以及，

与所述至少一个处理器通信连接的存储器530；其中，

所述存储器530存储有可被所述至少一个处理器510执行的指令520，所述指令被所述至少一个处理器510执行，以使所述至少一个处理器510能够：

获取针对目标车辆所在的预设区域采集到的各个感知数据集合，所述感知数据集合中包含有各个感知设备在预设时刻针对所述目标车辆所在的预设区域采集到的感知数据。

根据各个所述感知数据集合以及预设数据库，生成目标数据集合；所述目标数据集合用于生成训练自动驾驶规划所涉及的深度学习算法时所需使用的输入特征数据；所述目标数据集合中至少包括从所述感知数据集合中提取出的第一数据，以及，基于所述感知数据集合中的数据和/或所述预设数据库中的数据确定出的预设种类的第二数据中的至少一种数据。

应当理解，本说明书一个或多个实施例所述的方法中，部分步骤的顺序可以根据实际需要调整，或者可以省略部分步骤。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于图5所示的设备而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种目标数据生成方法，其特征在于，包括：

获取针对目标车辆所在的预设区域采集到的各个感知数据集合，所述感知数据集合中包含有各个感知设备在预设时刻针对所述目标车辆所在的预设区域采集到的感知数据；

根据各个所述感知数据集合以及预设数据库，生成目标数据集合；所述目标数据集合用于生成训练自动驾驶规划所涉及的深度学习算法时所需使用的输入特征数据；所述目标数据集合中至少包括从所述感知数据集合中提取出的第一数据，以及，基于所述感知数据集合中的数据和/或所述预设数据库中的数据确定出的预设种类的第二数据中的至少一种数据。

2.如权利要求1所述的方法，其特征在于，所述获取针对目标车辆所在的预设区域采集到的各个感知数据集合，具体包括：

获取各个所述感知设备针对所述目标车辆所在的预设区域进行数据采集时的数据采集频率；

基于最小数据采集频率所对应的所述感知设备针对所述预设区域进行数据采集时的任意一个时间戳，确定各个所述感知设备在所述时间戳所采集到的目标感知数据；

根据所述目标感知数据，生成一个所述感知数据集合。

3.如权利要求2所述的方法，其特征在于，所述根据所述目标感知数据，生成一个所述感知数据集合，具体包括：

针对所述目标感知数据中的归属于相同数据种类的第一感知数据进行融合处理，得到融合后第一感知数据；

根据所述融合后第一感知数据，以及所述目标感知数据中的未进行融合处理的第二感知数据，生成所述感知数据集合。

4.如权利要求1所述的方法，其特征在于，所述根据各个所述感知数据集合以及预设数据库，生成目标数据集合，具体包括：

提取所述感知数据集合中的第一种类的数据，得到所述目标数据集合中的所述第一数据；

基于所述感知数据集合中的第二种类的数据进行第一预处理，得到所述目标数据集合中的所述预设种类的第二数据，所述第一预处理至少包含计算处理；和/或，

基于所述预设数据库中的第三种类的数据进行第二预处理，得到所述目标数据集合中的所述预设种类的第二数据，所述第二预处理至少包含计算处理和/或查询处理；和/或，

基于所述感知数据集合中的第四种类的数据以及所述预设数据库中的第五种类的数据进行第三预处理，得到所述目标数据集合中的所述预设种类的第二数据，所述第三预处理至少包含计算处理和/或查询处理；

根据所述第一数据以及所述第二数据，生成所述目标数据集合。

5.如权利要求4所述的方法，其特征在于，所述目标数据集合中的任意一个目标数据均包含由车辆属性信息构成的第一字段数据信息、由车辆行驶轨迹信息构成的第二字段数据信息以及由自定义场景信息构成的第三字段数据信息；

所述根据所述第一数据以及所述第二数据，生成所述目标数据集合，具体包括：

根据所述第一数据以及所述第二数据，生成针对所述目标车辆的车辆行驶轨迹；

针对所述车辆行驶轨迹进行平滑处理，得到平滑处理后的车辆行驶轨迹；

基于所述平滑处理后的车辆行驶轨迹，生成所述目标数据集合。

6.如权利要求1所述的方法，其特征在于，所述根据各个所述感知数据集合以及预设数据库，生成目标数据集合之前，还包括：

判断所述各个感知数据集合中异常感知数据集合的数量是否大于等于第一预设阈值，得到第一判断结果；所述异常感知数据集合为所述感知数据集合内缺少第一预设类型的感知数据的感知数据集合，和/或，所述异常感知数据集合为所述感知数据集合内的第二预设类型的感知数据为异常数据的感知数据集合；

若所述第一判断结果表示所述异常感知数据集合的数量大于等于所述第一预设阈值，则禁止根据所述各个感知数据集合生成所述目标数据集合；

若所述第一判断结果表示所述异常感知数据集合的数量小于所述第一预设阈值，则针对所述异常感知数据集合进行修正处理，得到修正后感知数据集合；

所述根据各个所述感知数据集合以及预设数据库，生成目标数据集合，具体包括：

根据所述各个感知数据集合中的正常感知数据集合、所述修正后感知数据集合以及所述预设数据库，生成所述目标数据集合。

7.如权利要求1所述的方法，其特征在于，所述方法还包括：

基于所述目标数据集合，生成用于训练所述深度学习算法的样本数据；

根据所述样本数据，训练所述深度学习算法，得到训练后的深度学习算法；

判断所述训练后的深度学习算法的算法性能是否满足预设要求，得到第二判断结果；

若所述第二判断结果表示所述算法性能满足所述预设要求，则将所述目标数据集合确定为第一目标数据集合，所述第一目标数据集合用于获取正样本数据；

若所述第二判断结果表示所述算法性能不满足所述预设要求，则将所述目标数据集合确定为第二目标数据集合，所述第二目标数据集合用于获取负样本数据；所述正样本数据与所述负样本数据均用于训练自动驾驶规划所涉及的深度学习算法。

8.如权利要求7所述的方法，其特征在于，所述判断所述训练后的深度学习算法的算法性能是否满足预设要求，具体包括：

根据所述目标数据集合，构建目标交通场景的场景库数据；所述场景库数据用于反映在所述目标交通场景下的正常车辆行驶轨迹；

在所述目标交通场景下，针对所述训练后的深度学习算法进行测试，得到测试结果数据；所述测试结果数据用于反映在所述目标交通场景下的测试车辆行驶轨迹；

判断所述测试结果数据与所述场景库数据之间的差异程度是否小于等于第二预设阈值，得到所述第二判断结果；

所述若所述第二判断结果表示所述算法性能满足所述预设要求，则将所述目标数据集合确定为第一目标数据集合，具体包括：

若所述第二判断结果表示所述差异程度小于等于所述第二预设阈值，则将所述目标数据集合与所述测试结果数据确定为所述第一目标数据集合；

所述若所述第二判断结果表示所述算法性能不满足所述预设要求，则将所述目标数据集合确定为第二目标数据集合，具体包括：

若所述第二判断结果表示所述差异程度大于所述第二预设阈值，则将所述目标数据集合与所述测试结果数据确定为所述第二目标数据集合。

9.一种目标数据生成装置，其特征在于，包括：

获取模块，用于获取针对目标车辆所在的预设区域采集到的各个感知数据集合，所述感知数据集合中包含有各个感知设备在预设时刻针对所述目标车辆所在的预设区域采集到的感知数据；

生成模块，用于根据各个所述感知数据集合以及预设数据库，生成目标数据集合；所述目标数据集合用于生成训练自动驾驶规划所涉及的深度学习算法时所需使用的输入特征数据；所述目标数据集合中至少包括从所述感知数据集合中提取出的第一数据，以及，基于所述感知数据集合中的数据和/或所述预设数据库中的数据确定出的预设种类的第二数据中的至少一种数据。

10.一种目标数据生成设备，其特征在于，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：

获取针对目标车辆所在的预设区域采集到的各个感知数据集合，所述感知数据集合中包含有各个感知设备在预设时刻针对所述目标车辆所在的预设区域采集到的感知数据；

根据各个所述感知数据集合以及预设数据库，生成目标数据集合；所述目标数据集合用于生成训练自动驾驶规划所涉及的深度学习算法时所需使用的输入特征数据；所述目标数据集合中至少包括从所述感知数据集合中提取出的第一数据，以及，基于所述感知数据集合中的数据和/或所述预设数据库中的数据确定出的预设种类的第二数据中的至少一种数据。