CN117885760A - 一种自动驾驶能力确定方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种自动驾驶能力确定方法、装置、设备及存储介质。该方法包括：基于自动驾驶能力分析策略，从聚合行车数据表中，获取在待分析启动时段内的目标聚合行车数据。根据所述目标聚合行车数据，确定在所述待分析启动时段内由自动驾驶模式主动切换至人工驾驶模式的目标模式切换次数。根据所述目标模式切换次数和所述待分析启动时段对应的行驶总距离，确定自动驾驶能力指标，并基于所述自动驾驶能力指标确定自动驾驶能力，以简化确定自动驾驶能力的流程，降低确定自动驾驶能力的成本，同时提高确定自动驾驶能力的准确度。

Description

一种自动驾驶能力确定方法、装置、设备及存储介质

技术领域

本发明涉及自动驾驶技术领域，尤其涉及一种自动驾驶能力确定方法、装置、设备及存储介质。

背景技术

MPI是具备自动驾驶功能的车辆，在进行自动驾驶过程中每公里需要人工接管次数，其用来衡量自动驾驶能力的一种指标。

传统的MPI指标统计主要是采用分层建立数据仓库的方式，将数据分为原始层、明细层和汇聚层，最终从数据汇聚层统计指标导入应用层。然而，针对单纯统计MPI指标来说，操作太繁琐，而且成本比较大。

发明内容

本发明提供了一种自动驾驶能力确定方法、装置、设备及存储介质，以简化确定自动驾驶能力的流程，降低确定自动驾驶能力的成本，同时提高确定自动驾驶能力的准确度。

根据本发明的一方面，提供了一种自动驾驶能力确定方法，该方法包括：

基于自动驾驶能力分析策略，从聚合行车数据表中，获取在待分析启动时段内的目标聚合行车数据，其中，所述目标聚合行车数据至少包括一个从属聚合行车数据，所述从属聚合行车数据至少包括驾驶模式类型信息、行驶距离信息和行车数据标识信息，所述驾驶模式类型包括自动驾驶模式和人工驾驶模式；

根据所述目标聚合行车数据，确定在所述待分析启动时段内由自动驾驶模式主动切换至人工驾驶模式的目标模式切换次数；

根据所述目标模式切换次数和所述待分析启动时段对应的行驶总距离，确定自动驾驶能力指标，并基于所述自动驾驶能力指标确定自动驾驶能力。

根据本发明的另一方面，提供了一种自动驾驶能力确定装置，该装置包括：

聚合行车数据获取模块，用于基于自动驾驶能力分析策略，从聚合行车数据表中，获取在待分析启动时段内的目标聚合行车数据，其中，所述目标聚合行车数据至少包括一个从属聚合行车数据，所述从属聚合行车数据至少包括驾驶模式类型信息、行驶距离信息和行车数据标识信息，所述驾驶模式类型包括自动驾驶模式和人工驾驶模式；

模式切换次数确定模块，用于根据所述目标聚合行车数据，确定在所述待分析启动时段内由自动驾驶模式主动切换至人工驾驶模式的目标模式切换次数；

自动驾驶能力确定模块，用于根据所述目标模式切换次数和所述待分析启动时段对应的行驶总距离，确定自动驾驶能力指标，并基于所述自动驾驶能力指标确定自动驾驶能力。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

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计算机程序，所述计算机程序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本发明任一实施例所述的自动驾驶能力确定方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的自动驾驶能力确定方法。

本发明实施例的技术方案，通过基于自动驾驶能力分析策略，从聚合行车数据表中，获取在待分析启动时段内的目标聚合行车数据。根据所述目标聚合行车数据，确定在所述待分析启动时段内由自动驾驶模式主动切换至人工驾驶模式的目标模式切换次数。根据所述目标模式切换次数和所述待分析启动时段对应的行驶总距离，确定自动驾驶能力指标，并基于所述自动驾驶能力指标确定自动驾驶能力，解决了仅统计自动驾驶能力指标操作繁琐的问题，可以降低确定自动驾驶能力的成本，同时提高确定自动驾驶能力的准确度。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例一提供的自动驾驶能力确定方法的流程图；

图2是根据本发明实施例二提供的自动驾驶能力确定方法的流程图；

图3是根据本发明实施例三提供的自动驾驶能力确定装置的结构图；

图4是实现本发明实施例的自动驾驶能力确定方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1为本发明实施例一提供了一种自动驾驶能力确定方法的流程图，本实施例可适用于统计MPI指标，也即确定车辆自动驾驶能力的情况，该方法可以由自动驾驶能力确定装置来执行，该自动驾驶能力确定装置可以采用硬件和/或软件的形式实现，该自动驾驶能力确定装置可配置于电子设备中。如图1所示，该方法包括：

S101、基于自动驾驶能力分析策略，从聚合行车数据表中，获取在待分析启动时段内的目标聚合行车数据。

其中，自动驾驶能力分析策略可以是预先定制的分析策略，可以定时启动该分析策略，也可以基于实际需求人工进行触发启动该分析策略。聚合行车数据表用于存储预先构建的目标聚合行车数据，该数据表按照时序顺序存储目标聚合行车数据，通过后台服务暴露响应的接口，提供给前端或者客户端使用。聚合行车数据表可以支持对每辆车进行按日、按周、按月等不同时间粒度进行查询目标聚合行车数据。

在本发明中待分析启动时段可以是指车辆在预设时间粒度内的第几次启动对应的启动时段期间。例如，某天某车辆共三次启动，第一次启动时段为7:00-7:30、第二次启动时段为9:00-9:45，第三次启动时段为10:00-11:00，则待分析启动时段可以是这三次启动时段中的一个或多个。

示例性地，目标聚合行车数据可以是仅将原始行车数据中的驾驶模式类型信息和行车数据标识信息进行聚合获得的行车数据。目标聚合行车数据至少包括一个从属聚合行车数据。也就是说目标聚合行车数据是由一个或多个从属聚合行车数据组成的。所述从属聚合行车数据至少包括驾驶模式类型信息、行驶距离信息和行车数据标识信息，所述驾驶模式类型包括自动驾驶模式和人工驾驶模式。

具体地，将自动驾驶能力分析策略进行分析处理，确定车辆对应的待分析启动时段，进而根据从聚合行车数据表中，获取在待分析启动时段内的目标聚合行车数据。

示例性地，所述基于自动驾驶能力分析策略，从聚合行车数据表中，获取在待分析启动时段内的目标聚合行车数据，包括：

将所述自动驾驶能力分析策略进行分析处理，确定所述待分析启动时段对应的行车数据标识；基于所述行车数据标识，从聚合行车数据表中获取目标聚合行车数据。

需要说明的是，行车数据标识可以是指车辆每次启动时产生行车数据标识。该行车数据标识在车辆每次启动时均会产生，且每次启动对应唯一一个行车数据标识。根据行车数据标识可以找到车辆在相应启动期间内产生的行车数据。

具体地，根据自动驾驶能力分析策略解析获取待分析启动时段对应的行车数据标识，进而根据行车数据标识，从聚合行车数据表中获取目标聚合行车数据。

S102、根据所述目标聚合行车数据，确定在所述待分析启动时段内由自动驾驶模式主动切换至人工驾驶模式的目标模式切换次数。

其中，目标模式切换次数可以是是指车辆在自动驾驶的模式下，车辆由自动驾驶模式主动切换至人工驾驶模式的次数。

具体地，目标聚合行车数据可以包括驾驶模式类型信息，进而根据从属聚合行车数据对应的驾驶模式类型信息，进行统计确定由自动驾驶模式主动切换至人工驾驶模式的目标模式切换次数。

S103、根据所述目标模式切换次数和所述待分析启动时段对应的行驶总距离，确定自动驾驶能力指标，并基于所述自动驾驶能力指标确定自动驾驶能力。

其中，行驶总距离可以是指车辆在待分析启动时段内的行驶距离。所述行驶总距离可以通过目标聚合行车数据进行确定，也可以通过原始行车数据进行确定。

具体地，利用目标模式切换次数和行驶总距离计算自动驾驶能力指标，根据该自动驾驶能力指标确定车辆的自动驾驶能力。

示例性地，所述根据所述目标模式切换次数和所述待分析启动时段对应的行驶总距离，确定自动驾驶能力指标，包括：确定所述待分析启动时段对应的行驶总距离与所述目标模式切换次数之间的商值结果，并将所述商值结果确定为自动驾驶能力指标。

具体来说，计算行驶总距离与目标模式切换次数之间的商值结果，并将这个商值结果确定为自动驾驶能力指标。通过计算商值结果并将其确定为自动驾驶能力指标，可以对自动驾驶能力进行比较和评估。

本发明实施例的技术方案，通过基于自动驾驶能力分析策略，从聚合行车数据表中，获取在待分析启动时段内的目标聚合行车数据。根据所述目标聚合行车数据，确定在所述待分析启动时段内由自动驾驶模式主动切换至人工驾驶模式的目标模式切换次数。根据所述目标模式切换次数和所述待分析启动时段对应的行驶总距离，确定自动驾驶能力指标，并基于所述自动驾驶能力指标确定自动驾驶能力，解决了仅统计自动驾驶能力指标操作繁琐的问题，可以降低确定自动驾驶能力的成本，同时提高确定自动驾驶能力的准确度。

实施例二

图2为本发明实施例二提供的一种自动驾驶能力确定方法的流程图，本实施例在上述各实施例的基础上，对目标聚合行车数据的构建过程进行细化。如图2所示，该方法包括：

S201、响应于聚合行车数据构建指令，确定待构建启动时段，并获取在所述待构建启动时段内的原始行车数据。

其中，聚合行车数据构建指令可以是指目标聚合行车数据的构建指令。待构建启动时段可以是指待进行构建目标聚合行车数据的车辆启动时段。

具体地，分析聚合行车数据构建指令，确定指令中的待构建启动时段。从原始行车数据中获取待构建启动时段对应的原始行车数据。

示例性地，在本发明中，确定待构建启动时段，还可以根据已构建的目标聚合行车数据确定，具体包括：

响应于聚合行车数据构建指令，根据所述聚合行车数据表，确定在聚合行车数据表中的最新聚合行车数据对应的最新车辆启动时段；根据所述最新车辆启动时段，将原始行车数据中所述最新车辆启动时段的下一车辆启动时段，确定为所述待构建启动时段。

具体地，响应于聚合行车数据构建指令，在聚合行车数据表中查询确定，最后存储在聚合行车数据表中的最新聚合行车数据对应的最新车辆启动时段。将原始行车数据中所述最新车辆启动时段的下一车辆启动时段，确定为所述待构建启动时段。据此，根据最新车辆启动时段，确定待构建启动时段，可以确定每个启动时段对应的目标聚合行车数据，以便按照不同时间粒度进行自动驾驶能力指标的统计。

S202、将所述原始行车数据进行数据解析裁剪处理，获得裁剪行车数据。

其中，所述裁剪行车数据至少包括行车数据标识信息、驾驶模式类型信息和行驶距离信息。其中，所述驾驶模式类型信息包括自动驾驶模式和人工驾驶模式；

具体地，根据聚合行车数据构建指令，确定所需裁剪的数据信息，将原始行车数据进行数据解析裁剪处理，即可获得裁剪行车数据。

示例性地，所述将所述原始行车数据进行数据解析剪切处理，获得裁剪行车数据，包括：

确定所述待构建启动时段对应的目标驾驶模式时段序列。针对每个所述从属驾驶模式时段，根据所述从属驾驶模式时段对应的驾驶模式类型信息、行车数据标识信息和行驶距离信息，将所述原始行车数据进行数据解析剪切处理，获得裁剪行车数据。

其中，目标驾驶模式时段序列可以是指在原始行车数据中按照时间顺序由驾驶模式组成的序列。例如，某次启动时段为7:00-10:00，在7:00-8:00时段驾驶模式为自动驾驶，在8:00-9:00时段遇见特殊情况，需要人工介入驾驶模式为人工驾驶，在9:00-10:00时段驾驶模式切换为自动驾驶，则目标驾驶模式时段序列可以为自动驾驶-人工驾驶-自动驾驶。所述目标驾驶模式时段序列包括一个从属驾驶模式时段，所述从属驾驶模式时段包括自动驾驶模式时段和人工驾驶模式时段。例如，在目标驾驶模式时段序列可以为自动驾驶-人工驾驶-自动驾驶时，第一次自动驾驶、人工驾驶以及第二次自动驾驶分别为一个单独的从属驾驶模式时段。

具体地，根据驾驶模型的不同，在原始行车数据中确定待构建启动时段对应的目标驾驶模式时段序列。针对每个从属驾驶模式时段，确定并根据从属驾驶模式时段对应的驾驶模式类型信息、行车数据标识信息和行驶距离信息，将所述原始行车数据进行数据解析剪切处理，获得裁剪行车数据。

正常情况下，车辆每秒产生2条车辆行驶数据，若车辆每次行驶2小时左右，车辆每次产生的原始行驶数据大概有2*60*60*2＝14400条数据。如果通过原始行驶数据计算自动驾驶能力，需要的计算量是很大的，而且耗时很长，通过将原始行车数据进行数据解析剪切处理可以获得裁剪行车数据，保留必要数据，从而减少数据量，提高计算效率，进而提升确定自动驾驶能力的效率。

S203、根据所述裁剪行车数据，构建目标聚合行车数据，并按照启动时段先后顺序，将所述目标聚合行车数据存储至所述聚合行车数据表中。

具体地，解析剪切处理获得的裁剪行车数据包含多类数据信息，将裁剪行车数据进行整合处理，进而可以获得目标聚合行车数据，按照启动时段先后顺序，将目标聚合行车数据存储至上一聚合行车数据之后。

示例性地，所述根据所述裁剪行车数据，构建目标聚合行车数据，包括：将所述裁剪行车数据进行解析处理，确定每个所述从属驾驶模式时段对应的驾驶模式数据、行车数据标识数据和行驶距离数据；针对每个所述从属驾驶模式时段，将所述从属驾驶模式时段对应的所述驾驶模式数据、所述行车数据标识数据和所述行驶距离数据，进行数据聚合处理，获得从属聚合行车数据；根据所述行车数据标识数据，将包含所述行车数据标识数据的所有所述从属聚合行车数据进行聚合处理，获得目标聚合行车数据。

具体地，将裁剪行车数据进行解析分类处理，可以获得从属驾驶模式时段对应的驾驶模式数据、行车数据标识数据和行驶距离数据。将驾驶模式数据、行车数据标识数据和行驶距离数据进行聚合处理，可以获得至少一个从属聚合行车数据。需要说明的是，从属驾驶模式时段与从属聚合行车数据的数量相同，且待构建启动时段对应的所有从属聚合行车数据的行车数据标识数据相同。也就是说，一个从属驾驶模式时段对应的驾驶模式数据、行车数据标识数据和行驶距离数据进行聚合处理，可以获得一个与从属聚合行车数据。将至少一个从属聚合行车数据再次进行聚合处理，此时即可获得目标聚合行车数据。

S204、基于自动驾驶能力分析策略，从聚合行车数据表中，获取在待分析启动时段内的目标聚合行车数据。

S205、根据所述目标聚合行车数据，确定在所述待分析启动时段内由自动驾驶模式主动切换至人工驾驶模式的目标模式切换次数。

S206、根据所述目标模式切换次数和所述待分析启动时段对应的行驶总距离，确定自动驾驶能力指标，并基于所述自动驾驶能力指标确定自动驾驶能力。

本发明技术方案，通过响应于聚合行车数据构建指令，确定待构建启动时段，并获取在所述待构建启动时段内的原始行车数据。将所述原始行车数据进行数据解析裁剪处理，获得裁剪行车数据，其中，所述裁剪行车数据至少包括行车数据标识信息、驾驶模式类型信息和行驶距离信息，其中，所述驾驶模式类型信息包括自动驾驶模式和人工驾驶模式。根据所述裁剪行车数据，构建目标聚合行车数据，并按照启动时段先后顺序，将所述目标聚合行车数据存储至所述聚合行车数据表中，以通过数据聚合，可以得到每辆车每次行驶的总里程和驾驶模式等关键信息，大大缩小行车数据量，有效的缩短了统计接管次数的时长，同时可以提升确定自动驾驶能力的效率。

实施例三

图3为本发明实施例三提供的一种自动驾驶能力确定装置的结构示意图。如图3所示，该装置包括：

聚合行车数据获取模块301，用于基于自动驾驶能力分析策略，从聚合行车数据表中，获取在待分析启动时段内的目标聚合行车数据，其中，所述目标聚合行车数据至少包括一个从属聚合行车数据，所述从属聚合行车数据至少包括驾驶模式类型信息、行驶距离信息和行车数据标识信息，所述驾驶模式类型包括自动驾驶模式和人工驾驶模式；

模式切换次数确定模块302，用于根据所述目标聚合行车数据，确定在所述待分析启动时段内由自动驾驶模式主动切换至人工驾驶模式的目标模式切换次数；

自动驾驶能力确定模块303，用于根据所述目标模式切换次数和所述待分析启动时段对应的行驶总距离，确定自动驾驶能力指标，并基于所述自动驾驶能力指标确定自动驾驶能力。

本发明实施例的技术方案，通过基于自动驾驶能力分析策略，从聚合行车数据表中，获取在待分析启动时段内的目标聚合行车数据。根据所述目标聚合行车数据，确定在所述待分析启动时段内由自动驾驶模式主动切换至人工驾驶模式的目标模式切换次数。根据所述目标模式切换次数和所述待分析启动时段对应的行驶总距离，确定自动驾驶能力指标，并基于所述自动驾驶能力指标确定自动驾驶能力，解决了仅统计自动驾驶能力指标操作繁琐的问题，可以降低确定自动驾驶能力的成本，同时提高确定自动驾驶能力的准确度。

可选的，聚合行车数据获取模块301，具体用于：

将所述自动驾驶能力分析策略进行分析处理，确定所述待分析启动时段对应的行车数据标识；

基于所述行车数据标识，从聚合行车数据表中获取目标聚合行车数据。

可选地，所述装置还包括：聚合行车数据构建模块。其中，

聚合行车数据构建模块，包括：

原始行车数据获取单元，用于响应于聚合行车数据构建指令，确定待构建启动时段，并获取在所述待构建启动时段内的原始行车数据；

原始行车数据裁剪单元，用于将所述原始行车数据进行数据解析裁剪处理，获得裁剪行车数据，其中，所述裁剪行车数据至少包括行车数据标识信息、驾驶模式类型信息和行驶距离信息，其中，所述驾驶模式类型信息包括自动驾驶模式和人工驾驶模式；

聚合行车数据构建单元，用于根据所述裁剪行车数据，构建目标聚合行车数据，并按照启动时段先后顺序，将所述目标聚合行车数据存储至所述聚合行车数据表中。

可选地，原始行车数据裁剪单元，用于：

确定所述待构建启动时段对应的目标驾驶模式时段序列，其中，所述目标驾驶模式时段序列包括一个从属驾驶模式时段，所述从属驾驶模式时段包括自动驾驶模式时段和人工驾驶模式时段；

针对每个所述从属驾驶模式时段，根据所述从属驾驶模式时段对应的驾驶模式类型信息、行车数据标识信息和行驶距离信息，将所述原始行车数据进行数据解析剪切处理，获得裁剪行车数据。

可选地，聚合行车数据构建单元，具体用于：

将所述裁剪行车数据进行解析处理，确定每个所述从属驾驶模式时段对应的驾驶模式数据、行车数据标识数据和行驶距离数据；

针对每个所述从属驾驶模式时段，将所述从属驾驶模式时段对应的所述驾驶模式数据、所述行车数据标识数据和所述行驶距离数据，进行数据聚合处理，获得从属聚合行车数据；

根据所述行车数据标识数据，将包含所述行车数据标识数据的所有所述从属聚合行车数据进行聚合处理，获得目标聚合行车数据。

可选地，原始行车数据获取单元，具体用于：响应于聚合行车数据构建指令，确定在聚合行车数据表中的最新聚合行车数据对应的最新车辆启动时段；

根据所述最新车辆启动时段，将原始行车数据中所述最新车辆启动时段的下一车辆启动时段，确定为所述待构建启动时段。

可选地，自动驾驶能力确定模块303，具体用于：

确定所述待分析启动时段对应的行驶总距离与所述目标模式切换次数之间的商值结果，并将所述商值结果确定为自动驾驶能力指标。

本发明实施例所提供的自动驾驶能力确定装置可执行本发明任意实施例所提供的自动驾驶能力确定方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，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，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)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/或者要求的本发明的实现。

如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。

处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如方法自动驾驶能力确定。

在一些实施例中，方法自动驾驶能力确定可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的方法自动驾驶能力确定的一个或多个步骤。备选地，在其他实施例中，处理器11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自动驾驶能力确定。

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)、负载可编程逻辑设备(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。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。

在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。

计算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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

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，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种自动驾驶能力确定方法，其特征在于，包括：

基于自动驾驶能力分析策略，从聚合行车数据表中，获取在待分析启动时段内的目标聚合行车数据，其中，所述目标聚合行车数据至少包括一个从属聚合行车数据，所述从属聚合行车数据至少包括驾驶模式类型信息、行驶距离信息和行车数据标识信息，所述驾驶模式类型包括自动驾驶模式和人工驾驶模式；

根据所述目标聚合行车数据，确定在所述待分析启动时段内由自动驾驶模式主动切换至人工驾驶模式的目标模式切换次数；

根据所述目标模式切换次数和所述待分析启动时段对应的行驶总距离，确定自动驾驶能力指标，并基于所述自动驾驶能力指标确定自动驾驶能力。

2.根据权利要求1所述的方法，其特征在于，所述基于自动驾驶能力分析策略，从聚合行车数据表中，获取在待分析启动时段内的目标聚合行车数据，包括：

将所述自动驾驶能力分析策略进行分析处理，确定所述待分析启动时段对应的行车数据标识；

基于所述行车数据标识，从聚合行车数据表中获取目标聚合行车数据。

3.根据权利要求1所述的方法，其特征在于，所述目标聚合行车数据的构建过程包括：

响应于聚合行车数据构建指令，确定待构建启动时段，并获取在所述待构建启动时段内的原始行车数据；

将所述原始行车数据进行数据解析裁剪处理，获得裁剪行车数据，其中，所述裁剪行车数据至少包括行车数据标识信息、驾驶模式类型信息和行驶距离信息，其中，所述驾驶模式类型信息包括自动驾驶模式和人工驾驶模式；

根据所述裁剪行车数据，构建目标聚合行车数据，并按照启动时段先后顺序，将所述目标聚合行车数据存储至所述聚合行车数据表中。

4.根据权利要求3所述的方法，其特征在于，所述将所述原始行车数据进行数据解析剪切处理，获得裁剪行车数据，包括：

确定所述待构建启动时段对应的目标驾驶模式时段序列，其中，所述目标驾驶模式时段序列包括一个从属驾驶模式时段，所述从属驾驶模式时段包括自动驾驶模式时段和人工驾驶模式时段；

针对每个所述从属驾驶模式时段，根据所述从属驾驶模式时段对应的驾驶模式类型信息、行车数据标识信息和行驶距离信息，将所述原始行车数据进行数据解析剪切处理，获得裁剪行车数据。

5.根据权利要求4所述的方法，其特征在于，所述根据所述裁剪行车数据，构建目标聚合行车数据，包括：

将所述裁剪行车数据进行解析处理，确定每个所述从属驾驶模式时段对应的驾驶模式数据、行车数据标识数据和行驶距离数据；

针对每个所述从属驾驶模式时段，将所述从属驾驶模式时段对应的所述驾驶模式数据、所述行车数据标识数据和所述行驶距离数据，进行数据聚合处理，获得从属聚合行车数据；

根据所述行车数据标识数据，将包含所述行车数据标识数据的所有所述从属聚合行车数据进行聚合处理，获得目标聚合行车数据。

6.根据权利要求3所述的方法，其特征在于，所述响应于聚合行车数据构建指令，确定待构建启动时段，包括：

响应于聚合行车数据构建指令，确定在聚合行车数据表中的最新聚合行车数据对应的最新车辆启动时段；

根据所述最新车辆启动时段，将原始行车数据中所述最新车辆启动时段的下一车辆启动时段，确定为所述待构建启动时段。

7.根据权利要求1所述的方法，其特征在于，所述根据所述目标模式切换次数和所述待分析启动时段对应的行驶总距离，确定自动驾驶能力指标，包括：

确定所述待分析启动时段对应的行驶总距离与所述目标模式切换次数之间的商值结果，并将所述商值结果确定为自动驾驶能力指标。

8.一种自动驾驶能力确定装置，其特征在于，包括：

聚合行车数据获取模块，用于基于自动驾驶能力分析策略，从聚合行车数据表中，获取在待分析启动时段内的目标聚合行车数据，其中，所述目标聚合行车数据至少包括一个从属聚合行车数据，所述从属聚合行车数据至少包括驾驶模式类型信息、行驶距离信息和行车数据标识信息，所述驾驶模式类型包括自动驾驶模式和人工驾驶模式；

模式切换次数确定模块，用于根据所述目标聚合行车数据，确定在所述待分析启动时段内由自动驾驶模式主动切换至人工驾驶模式的目标模式切换次数；

自动驾驶能力确定模块，用于根据所述目标模式切换次数和所述待分析启动时段对应的行驶总距离，确定自动驾驶能力指标，并基于所述自动驾驶能力指标确定自动驾驶能力。

9.一种电子设备，其特征在于，所述电子设备包括：

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计算机程序，所述计算机程序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权利要求1-7中任一项所述的自动驾驶能力确定方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的自动驾驶能力确定方法。