CN118277829A - 自动驾驶功能触发分析方法、可读存储介质及服务器 - Google Patents
自动驾驶功能触发分析方法、可读存储介质及服务器 Download PDFInfo
- Publication number
- CN118277829A CN118277829A CN202410389805.3A CN202410389805A CN118277829A CN 118277829 A CN118277829 A CN 118277829A CN 202410389805 A CN202410389805 A CN 202410389805A CN 118277829 A CN118277829 A CN 118277829A
- Authority
- CN
- China
- Prior art keywords
- automatic driving
- analysis
- function
- triggering
- trigger
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 224
- 238000003860 storage Methods 0.000 title abstract description 18
- 230000001960 triggered effect Effects 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims description 237
- 238000001514 detection method Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 32
- 230000007613 environmental effect Effects 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 15
- 238000002864 sequence alignment Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 9
- 230000008447 perception Effects 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 5
- 239000002699 waste material Substances 0.000 abstract description 3
- 238000004590 computer program Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 101100439262 Caenorhabditis elegans cfp-1 gene Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及自动驾驶技术领域,具体提供一种自动驾驶功能触发分析方法、可读存储介质及服务器,旨在解决如何提升自动驾驶数据功能触发分析的效率和准确性的问题。为此目的,本申请获取自动驾驶数据中触发自动驾驶功能的触发时间范围内的连续多帧触发数据信息,根据连续多帧触发数据信息,应用训练好的功能触发分析模型对自动驾驶功能是否正确触发进行分析,获得分析结果。通过上述配置方式,本申请能够实现基于功能触发分析模型对自动驾驶功能是否正确触发进行分析,通过模型预测的方式获得分析结果,能够避免人工分析的人力资源浪费以及主观性强的问题,能够大幅提升分析过程的效率和准确性,有效减少分析过程的人力资源的投入。
Description
技术领域
本申请涉及自动驾驶技术领域,具体提供一种自动驾驶功能触发分析方法、可读存储介质及服务器。
背景技术
随着自动驾驶技术的成熟以及量产车数据越来越多,自动驾驶功能的开发及badcase(异常情况)的解决越来越从基础功能常见问题的开发及解决转向高级功能及cornercase(极端情况)的解决,这就需要大量的分析量产车中导致AEB(Autonomous EmergencyBraking,自动紧急刹车系统)等功能触发的数据找到其触发原因以用于提升自动驾驶能力。
而为了分析大量的数据,就需要大量的人力去利用可视化和场景数据做根因分析。这样不仅需要占用大量的人力资源,去进行人工查看和人工分析,存在效率低难以满足大量数据的数据分析需求。同时由于人力观察的主观因素较多,也会存在同一条数据不同人可能给出不同结论的问题。
相应地,本领域需要一种新的自动驾驶数据功能触发分析方案来解决上述问题。
发明内容
为了克服上述缺陷,提出了本申请,以提供解决或至少部分地解决如何提升自动驾驶数据功能触发分析的效率和准确性的问题。
在第一方面,本申请提供一种自动驾驶功能触发分析方法,所述方法包括:
获取所述自动驾驶数据中触发自动驾驶功能的触发时间范围内的连续多帧触发数据信息;
根据所述连续多帧触发数据信息,应用预设的训练好的功能触发分析模型,对触发所述自动驾驶功能是否为正确触发进行分析,获得分析结果;
其中,所述分析结果包括正确触发所述自动驾驶功能和错误触发所述自动驾驶功能。
在上述自动驾驶功能触发分析方法的一个技术方案中,所述触发数据信息包括所述自动驾驶数据中的环境目标的目标信息;
所述目标信息包括所述环境目标的位置信息、尺寸信息和速度信息中的至少一种。
在上述自动驾驶功能触发分析方法的一个技术方案中,所述环境目标包括环境感知目标和感知融合目标;
所述环境感知目标为自动驾驶传感器感知获得的环境目标;
所述感知融合目标为多个自动驾驶传感器获得环境目标进行融合后结果。
在上述自动驾驶功能触发分析方法的一个技术方案中,所述触发数据信息还包括触发的所述自动驾驶功能的功能类型和触发目标的数据源类型。
在上述自动驾驶功能触发分析方法的一个技术方案中,所述根据所述连续多帧触发数据信息,应用预设的训练好的功能触发分析模型,对触发所述自动驾驶功能是否为正确触发进行分析,获得分析结果,包括:
根据所述自动驾驶数据进行大模型目标检测,获取环境目标的多帧大模型目标检测结果;
将所述多帧大模型目标检测结果和所述多帧触发数据信息进行时序对齐;
根据时序对齐后的所述多帧大模型目标检测结果和所述多帧触发数据信息,应用预设的训练好的功能触发分析模型,对触发所述自动驾驶功能是否为正确触发进行分析,获得分析结果。
在上述自动驾驶功能触发分析方法的一个技术方案中,所述根据时序对齐后的所述多帧大模型目标检测结果和所述多帧触发数据信息,应用预设的训练好的功能触发分析模型,对触发所述自动驾驶功能是否为正确触发进行分析,获得分析结果,包括:
根据时序对齐后的所述多帧大模型目标检测结果和所述多帧触发数据信息分别进行特征编码和位置编码,以分别获得特征编码结果和位置编码结果;
根据所述特征编码结果和所述位置编码结果,对触发所述自动驾驶功能是否为正确触发进行分析,获得分析结果。
在上述自动驾驶功能触发分析方法的一个技术方案中,所述根据所述特征编码结果和所述位置编码结果,对触发所述自动驾驶功能是否为正确触发进行分析,获得分析结果,包括:
根据所述特征编码结果和所述位置编码结果,进行基于至少一个编码器的特征提取,获取特征提取结果;
根据所述特征提取结果,基于多层感知机,获取所述分析结果。
在上述自动驾驶功能触发分析方法的一个技术方案中,所述方法还包括根据以下步骤训练所述功能触发分析模型:
应用训练数据集,对所述功能触发分析模型进行训练,获得训练好的功能触发分析模型;
其中,所述训练数据集中的训练数据包含正确触发所述自动驾驶功能的标签或错误触发所述自动驾驶功能的标签。
在上述自动驾驶功能触发分析方法的一个技术方案中,所述功能触发分析模型为多个;
所述根据所述连续多帧触发数据信息,应用预设的训练好的功能触发分析模型,对触发所述自动驾驶功能是否为正确触发进行分析,获得所述分析结果,包括:
设置滑动窗口,所述滑动窗口的窗口长度小于所述触发时间范围;
针对每个功能触发分析模型,根据多个滑动窗口内的分析结果,获取所述功能触发分析模型的分析结果;
根据多个所述功能触发分析模型的分析结果,获取所述自动驾驶功能是否正确触发的分析结果。
在上述自动驾驶功能触发分析方法的一个技术方案中,所述方法还包括:
通过多折交叉验证的方法,训练多个所述功能触发分析模型。
在上述自动驾驶功能触发分析方法的一个技术方案中,所述方法还包括根据以下步骤获取所述功能触发分析模型的所述分析结果:
应用所述功能触发分析模型,对触发所述自动驾驶功能是否为正确触发进行分析,获得正确触发所述自动驾驶功能的置信度和错误触发所述自动驾驶功能的置信度;
当正确触发所述自动驾驶功能的置信度大于预设的置信度阈值时,确定所述分析结果为正确触发所述自动驾驶功能;
当错误触发所述自动驾驶功能的置信度大于所述置信度阈值时,确定所述分析结果为错误触发所述自动驾驶功能。
在第二方面,提供一种计算机可读存储介质,该计算机可读存储介质其中存储有多条程序代码,所述程序代码适于由处理器加载并运行以执行上述自动驾驶功能触发分析方法的技术方案中任一项技术方案所述的自动驾驶功能触发分析方法。
在第三方面,提供一种服务器,述服务器包括:
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,所述存储器中存储有计算机程序,所述计算机程序被所述至少一个处理器执行时实现上述自动驾驶功能触发分析方法的技术方案中任一项技术方案所述的自动驾驶功能触发分析方法。
方案1.一种自动驾驶功能触发分析方法,其特征在于,所述方法包括:
获取所述自动驾驶数据中触发自动驾驶功能的触发时间范围内的连续多帧触发数据信息;
根据所述连续多帧触发数据信息,应用预设的训练好的功能触发分析模型,对触发所述自动驾驶功能是否为正确触发进行分析,获得分析结果;
其中,所述分析结果包括正确触发所述自动驾驶功能和错误触发所述自动驾驶功能。
方案2.根据方案1所述的自动驾驶功能触发分析方法,其特征在于,所述触发数据信息包括所述自动驾驶数据中的环境目标的目标信息;
所述目标信息包括所述环境目标的位置信息、尺寸信息和速度信息中的至少一种。
方案3.根据方案2所述的自动驾驶功能触发分析方法,其特征在于,所述环境目标包括环境感知目标和感知融合目标;
所述环境感知目标为自动驾驶传感器感知获得的环境目标;
所述感知融合目标为多个自动驾驶传感器获得环境目标进行融合后结果。
方案4.根据方案2或3所述的自动驾驶功能触发分析方法,其特征在于,
所述触发数据信息还包括触发的所述自动驾驶功能的功能类型和触发目标的数据源类型。
方案5.根据方案1至4中任一项所述的自动驾驶功能触发分析方法,其特征在于,
所述根据所述连续多帧触发数据信息,应用预设的训练好的功能触发分析模型,对触发所述自动驾驶功能是否为正确触发进行分析,获得分析结果,包括:
根据所述自动驾驶数据进行大模型目标检测,获取环境目标的多帧大模型目标检测结果;
将所述多帧大模型目标检测结果和所述多帧触发数据信息进行时序对齐;
根据时序对齐后的所述多帧大模型目标检测结果和所述多帧触发数据信息,应用预设的训练好的功能触发分析模型,对触发所述自动驾驶功能是否为正确触发进行分析,获得分析结果。
方案6.根据方案5所述的自动驾驶功能触发分析方法,其特征在于,
所述根据时序对齐后的所述多帧大模型目标检测结果和所述多帧触发数据信息,应用预设的训练好的功能触发分析模型,对触发所述自动驾驶功能是否为正确触发进行分析,获得分析结果,包括:
根据时序对齐后的所述多帧大模型目标检测结果和所述多帧触发数据信息分别进行特征编码和位置编码,以分别获得特征编码结果和位置编码结果;
根据所述特征编码结果和所述位置编码结果,对触发所述自动驾驶功能是否为正确触发进行分析,获得分析结果。
方案7.根据方案6所述的自动驾驶功能触发分析方法,其特征在于,
所述根据所述特征编码结果和所述位置编码结果,对触发所述自动驾驶功能是否为正确触发进行分析,获得分析结果,包括:
根据所述特征编码结果和所述位置编码结果,进行基于至少一个编码器的特征提取,获取特征提取结果;
根据所述特征提取结果,基于多层感知机,获取所述分析结果。
方案8.根据方案1至7中任一项所述的自动驾驶功能触发分析方法,其特征在于,所述方法还包括根据以下步骤训练所述功能触发分析模型:
应用训练数据集,对所述功能触发分析模型进行训练,获得训练好的功能触发分析模型;
其中,所述训练数据集中的训练数据包含正确触发所述自动驾驶功能的标签或错误触发所述自动驾驶功能的标签。
方案9.根据方案1至7中任一项所述的自动驾驶功能触发分析方法,其特征在于,所述功能触发分析模型为多个;
所述根据所述连续多帧触发数据信息,应用预设的训练好的功能触发分析模型,对触发所述自动驾驶功能是否为正确触发进行分析,获得所述分析结果,包括:
设置滑动窗口,所述滑动窗口的窗口长度小于所述触发时间范围;
针对每个功能触发分析模型,根据多个滑动窗口内的分析结果,获取所述功能触发分析模型的分析结果;
根据多个所述功能触发分析模型的分析结果,获取所述自动驾驶功能是否正确触发的分析结果。
方案10.根据方案9所述的自动驾驶功能触发分析方法,其特征在于,所述方法还包括:
通过多折交叉验证的方法,训练多个所述功能触发分析模型。
方案11.根据方案1至10中任一项所述的自动驾驶功能触发分析方法,其特征在于,所述方法还包括根据以下步骤获取所述功能触发分析模型的所述分析结果:
应用所述功能触发分析模型,对触发所述自动驾驶功能是否为正确触发进行分析,获得正确触发所述自动驾驶功能的置信度和错误触发所述自动驾驶功能的置信度;
当正确触发所述自动驾驶功能的置信度大于预设的置信度阈值时,确定所述分析结果为正确触发所述自动驾驶功能;
当错误触发所述自动驾驶功能的置信度大于所述置信度阈值时,确定所述分析结果为错误触发所述自动驾驶功能。
方案12.一种计算机可读存储介质,其中存储有多条程序代码,其特征在于,所述程序代码适于由处理器加载并运行以执行方案1至11中任一项所述的自动驾驶功能触发分析方法。
方案13.一种服务器,其特征在于,所述服务器包括:
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,所述存储器中存储有计算机程序,所述计算机程序被所述至少一个处理器执行时实现方案1至11中任一项所述的自动驾驶功能触发分析方法。
本申请上述一个或多个技术方案,至少具有如下一种或多种
有益效果:
在实施本申请的技术方案中,本申请获取自动驾驶数据中触发自动驾驶功能的触发时间范围内的连续多帧触发数据信息,根据连续多帧触发数据信息,应用训练好的功能触发分析模型对自动驾驶功能是否正确触发进行分析,获得分析结果。通过上述配置方式,本申请能够实现基于功能触发分析模型对自动驾驶数据中自动驾驶功能是否正确触发进行分析,通过模型预测的方式获得分析结果,能够避免人工分析的人力资源浪费以及主观性强的问题,能够大幅提升分析过程的效率和准确性,有效减少分析过程的人力资源的投入。从而实现将分析后的自动驾驶数据应用于自动驾驶功能的开发、训练、测试、更新升级等过程中,以提升自动驾驶能力。
附图说明
参照附图,本申请的公开内容将变得更易理解。本领域技术人员容易理解的是:这些附图仅仅用于说明的目的,而并非意在对本申请的保护范围组成限制。其中:
图1是根据本申请的一个实施例的自动驾驶功能触发分析方法的主要步骤流程示意图;
图2是根据本申请实施例的一个实施方式的功能触发分析模型的主要结构示意图;
图3是根据本申请实施例的一个实施方式获取自动驾驶功能分析结果的主要实现方式示意图。
具体实施方式
下面参照附图来描述本申请的一些实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本申请的技术原理,并非旨在限制本申请的保护范围。
在本申请的描述中,“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路,各种合适的感应器,通信端口,存储器,也可以包括软件部分,比如程序代码,也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质,比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合,比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似,可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。
这里先解释本申请涉及到的一些术语。
自动驾驶系统(Automated Driving Systems,ADS),其是指系统在自身的设计运行范围(Operational Domain Design,ODD)内将持续执行全部的动态驾驶任务(DynamicDriving Task,DDT)。即,在规定的适当驾驶场景条件下才允许机器系统全部承担车辆自动操控的任务,即车辆满足ODD条件时系统被激活,该系统代替人类驾驶员作为车辆的驾驶主体。其中,动态驾驶任务DDT是指对车辆进行持续的横向(左、右转向)和纵向运动控制(加速,减速,匀速)以及对车辆行驶环境中的目标和事件进行探测和响应。设计运行范围ODD是指自动驾驶系统可以安全运行的条件,其设置的条件可以包括地理位置、道路类型、速度范围、天气、时间、国家和地方性交通法律法规等。
参阅附图1。如图1所示,本申请实施例中的自动驾驶功能触发分析方法主要包括下列步骤S101-步骤S102:
步骤S101:获取自动驾驶数据中触发自动驾驶功能的触发时间范围内的连续多帧触发数据信息。
在本实施例中,针对回流的自动驾驶数据,可以获取自动驾驶功能触发时间范围内的连续多帧触发数据信息。
一个实施方式中,可以基于预设规则来对自动驾驶设备的运行数据、测试数据等进行回流采集以获得自动驾驶数据。如,触发自动驾驶功能时,回流采集在触发时间范围内的自动驾驶设备的运行数据、测试数据等。
一个实施方式中,自动驾驶设备可以为智能车、机器人等设备。
一个实施方式中,可以将采集的自动驾驶数据回传至云端的服务器。
一个实施方式中,自动驾驶功能可以包括自动紧急刹车功能(AEB,AutonomousEmergency Braking)、车道保持功能、车道偏离报警功能、自适应巡航等。
一个实施方式中,触发数据信息可以为触发的自动驾驶功能的功能类型、触发目标的数据源类型、触发时间范围内的环境目标的目标信息中的一种或多种。
其中,环境目标可以包括环境感知目标和感知融合目标。环境感知目标为自动驾驶传感器感知获得的环境目标;感知融合目标为多个自动驾驶传感器获得的环境目标进行融合后的结果。自动驾驶传感器可以包括激光雷达、毫米波雷达、相机等。
环境目标的目标信息可以包括环境目标的类别信息、位置信息、尺寸信息和速度信息等。
以自动紧急刹车功能为例,功能类型可以包括前车导致刹车、行人导致刹车、自行车导致刹车等。
触发目标的数据源类型可以包括lidar-only(仅激光雷达)、camera-only(仅相机)、lidar-camera(激光雷达-相机)等。
步骤S102:根据连续多帧触发数据信息,应用预设的训练好的功能触发分析模型,对触发自动驾驶功能是否为正确触发进行分析,获得分析结果;其中,分析结果包括正确触发自动驾驶功能和错误触发自动驾驶功能。
在本实施例中,可以构建功能触发分析模型,根据连续多帧触发数据信息,来分析自动驾驶功能是否正确触发,从而获得分析结果。
一个实施方式中,功能触发分析模型可以为基于Transformer架构构建的模型。
一个实施方式中,训练好的功能触发分析模型,可以基于连续多帧触发数据信息,获取正确触发自动驾驶功能或错误触发自动驾驶功能的置信度,从而根据置信度,获取分析结果。具体为,可以设置置信度阈值,当功能触发分析模型获得的正确触发的置信度大于置信度阈值时,则可以认为分析结果为正确触发自动驾驶功能。当功能触发分析模型获得的错误触发的置信度大于置信度阈值时,则可以认为分析结果为错误触发自动驾驶功能。
一个实施方式中,可以构建训练数据集,训练数据中包含正确触发自动驾驶功能的标签或错误触发自动驾驶功能的标签。应用训练数据集对功能触发分析模型进行训练,从而获得训练好的功能触发模型。
一个实施方式中,可以人工对训练数据集中的一部分训练数据进行标签标注,仅需要标注自动驾驶功能是正确触发(TP,Ture Positive)还是错误触发(FP,FalsePositive)即可,无需进行目标级别的标注。通过实验验证,通过人工标注正确触发自动驾驶功能的标签或错误触发自动驾驶功能的标签的方式,构建训练数据集,对功能触发分析模型进行训练,获得训练好的功能触发模型后,基于测试集对训练好的功能触发模型进行测试能够获得TP召回82%,准确率99%,FP召回75%,准确率98%的指标,完全可以达到替代人工分析的水平。
一个实施方式中,分析结果可以作为自动驾驶数据的标签,可以将带有标签的自动驾驶数据应用于自动驾驶功能的开发、训练、测试、评测、更新升级等过程中,以提升自动驾驶能力。
基于上述步骤S101-步骤S102,本申请实施例获取自动驾驶数据中触发自动驾驶功能的触发时间范围内的连续多帧触发数据信息,根据连续多帧触发数据信息,应用训练好的功能触发分析模型对自动驾驶功能是否正确触发进行分析,获得分析结果。通过上述配置方式,本申请实施例能够实现基于功能触发分析模型对自动驾驶数据中自动驾驶功能是否正确触发进行分析,通过模型预测的方式获得分析结果,能够避免人工分析的人力资源浪费以及主观性强的问题,能够大幅提升分析过程的效率和准确性,有效减少分析过程的人力资源的投入。从而实现将分析后的自动驾驶数据应用于自动驾驶功能的开发、训练、测试、更新升级等过程中,以提升自动驾驶能力。
下面对步骤S102作进一步的说明。
在本申请实施例的一个实施方式中,步骤S102可以进一步包括以下步骤S1021至步骤S1023:
步骤S1021:根据自动驾驶数据进行大模型目标检测,获取环境目标的多帧大模型目标检测结果。
在本实施方式中,可以应用大模型(Large Model)基于自动驾驶数据进行目标检测。其中,大模型是指具有大量参数和复杂结构的机器学习模型,能够处理海量数据、完成各种复杂的任务。如,自动驾驶数据回传至云端的服务器,服务器上可以设置有大模型,大模型可以基于回传的自动驾驶数据再进行目标检测,由于大模型具有更复杂的模型结构、参数量也更大,能够获得更为准确地大模型目标检测结果。
步骤S1022:将多帧大模型目标检测结果和多帧触发数据信息进行时序对齐。
在本实施方式中,可以将多帧大模型目标检测结果和多帧触发数据信息进行时序对齐。
步骤S1023:根据时序对齐后的多帧大模型目标检测结果和多帧触发数据信息,应用预设的训练好的功能触发分析模型,对触发自动驾驶功能是否为正确触发进行分析,获得分析结果。
在本实施方式中,步骤S1023可以进一步包括以下步骤S10231和步骤S10232:
步骤S10231:根据时序对齐后的多帧大模型目标检测结果和多帧触发数据信息分别进行特征编码和位置编码,以分别获得特征编码结果和位置编码结果。
在本实施方式中,可以对时序对齐后的多帧大模型目标检测结果和多帧触发数据信息分别进行特征编码和位置编码,以分别获得特征编码结果和位置编码结果。可以参阅附图2,图2是根据本申请实施例的一个实施方式的功能触发分析模型的主要结构示意图。如图2所示,可以将时序对齐后的多帧大模型目标检测结果和多帧触发数据信息分别进行特征编码(TokenEmbedding)和位置编码(PosEmbedding)。其中,AEB_Type为自动驾驶功能的功能类型,Source_Type为触发目标的数据源类型,EHY_OBJ为环境感知目标,Perception_OBJ为感知融合目标,GT_OBJ为大模型目标检测结果。将AEB_Type、Source_Type、EHY_OBJ、Perception_OBJ、GT_OBJ进行时序对齐后,分别获取t1、t2、…、tn时刻的输入数据。由于大模型目标检测结果能够获得更为准确的目标的类别信息、位置信息、尺寸信息、速度信息等,将大模型目标检测结果与回传的触发数据信息进行结合,能够避免由于自动驾驶设备端的检测模型误检测、目标的位置信息检测不准、目标的速度信息检测不准等情况,导致后续的分析结果不准确的问题。
步骤S10232:根据特征编码结果和位置编码结果,对触发自动驾驶功能是否为正确触发进行分析,获得分析结果。
在本实施方式中,步骤S10232可以进一步包括以下步骤S102321和步骤S102322:
步骤S102321:根据特征编码结果和位置编码结果,进行基于至少一个编码器的特征提取,获取特征提取结果。
步骤S102322:根据特征提取结果,基于多层感知机,获取分析结果。
在本实施方式中,可以根据特征编码结果和位置编码结果,进行基于编码器的特征提取,获得特征提取结果。如图2所示,编码器(Encoder)可以为多个(N个),每个编码器具有相同的数据维度,多个编码器的结构能够增加网络深度,提升模型的复杂程度。经过编码器获得的特征提取结果可以基于多层感知机(MLP,Multi-Layer Perceptron),获得分析结果(TP/FP分类)。通过如图2所示的功能触发分析模型来进行自动驾驶数据功能触发分析,其输入数据易于获取,模型结构简单,计算量小,使用方便。
在本申请实施例的另一个实施方式中,可以应用功能触发分析模型对触发自动驾驶功能的是否正确触发进行分析,获得正确触发的自动驾驶功能的置信度和错误触发的自动驾驶功能置信度。当正确触发自动驾驶功能的置信度大于预设的置信度阈值时,可以认为分析结果为正确触发;当错误触发自动驾驶功能的置信度大于置信度阈值时,可以认为分析结果为错误触发。本领域技术人员可以根据实际应用的需要来设置置信度阈值的取值。
在本申请实施例的另一个实施方式中,在应用功能触发分析模型进行自动驾驶数据功能触发分析时,可以部署多个功能触发分析模型。步骤S102可以进一步包括以下步骤S1024至步骤S1026:
步骤S1024:设置滑动窗口,滑动窗口的窗口长度小于触发时间范围。
在本实施方式中,针对自动驾驶功能的触发时间范围可能长短不一、触发数据信息的帧数可能不同的问题,可以设置滑动窗口。可以参阅附图3,图3是根据本申请实施例的一个实施方式获取自动驾驶功能分析结果的主要实现方式示意图。如图3所示,图3中的AEB触发时间即为触发时间范围,可以设置小于触发时间范围的滑动窗口。
步骤S1025:针对每个功能触发分析模型,根据多个滑动窗口内的分析结果,获取功能触发分析模型的分析结果。
在本实施方式中,针对部署的每个功能触发分析模型,可以根据多个滑动窗口内的分析结果来,获取每个功能触发分析模型的分析结果。如图3所示,每个滑动窗口中,均可以基于算法模型(功能触发分析模型)获得分类置信度(即,正确触发自动驾驶功能的置信度和错误触发自动驾驶功能的置信度),综合多个滑动窗口的分类置信度,获得自动驾驶功能是否正确触发的分析结果。
如,滑动窗口为n个,每个滑动窗口的分类置信度为:Ctp_i(第i个滑动窗口的正确触发的置信度),Cfp_i(第i个滑动窗口的错误触发的置信度),i=1、2、…、n。那么该功能触发分析模型的最终的分类置信度则可以通过以下公式(1)和公式(2)获得:
Ctp=(Ctp_1+Ctp_2+…Ctp_n)/n (1)
Cfp=(Cfp_1+Cfp_2+…Cfp_n)/n (2)
其中,Ctp为功能触发分析模型的正确触发的置信度,Cfp为功能触发分析模型的错误触发的置信度。
步骤S1026:根据多个功能触发分析模型的分析结果,获取自动驾驶功能是否正确触发的分析结果。
在本实施方式中,可以结合多个功能触发分析模型的分析结果,获得自动驾驶功能是否正确触发的分析结果。如,可以获取多个功能触发分析模型的分析结果中包含的正确触发的置信度和错误触发的置信度分别求平均值,作为自动驾驶功能是否正确触发的分析结果。又如,可以统计多个功能触发分析模型的分析结果,如相同的分析结果的模型数据大于数量阈值,则将该分析结果作为自动驾驶功能是否正确触发的分析结果。结合多个功能触发模型获得最终的分析结果,能够确保分析结果的鲁棒性。
一个实施方式中,可以采用多折交叉验证的方法对部署的多个功能触发分析模型进行训练。其中,多折交叉验证是指将训练数据集划分为多个大小相似的互斥的数据子集,数据子集尽可能保证数据分布的一致性,每次选择一个数据子集作为测试集,其余作为训练集,对多个功能触发分析模型进行多次训练和测试,能够充分利用训练数据集的数据,能够获得相对稳定的分析结果。
需要指出的是,尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述,但是本领域技术人员可以理解,为了实现本申请的效果,不同的步骤之间并非必须按照这样的顺序执行,其可以同时(并行)执行或以其他顺序执行,这些变化都在本申请的保护范围之内。
本领域技术人员能够理解的是,本申请实现上述一实施例的方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读存储介质不包括电载波信号和电信信号。
进一步,本申请还提供了一种计算机可读存储介质。在根据本申请的一个计算机可读存储介质实施例中,计算机可读存储介质可以被配置成存储执行上述方法实施例的自动驾驶功能触发分析方法的程序,该程序可以由处理器加载并运行以实现上述自动驾驶功能触发分析方法。为了便于说明,仅示出了与本申请实施例相关的部分,具体技术细节未揭示的,请参照本申请实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备,可选的,本申请实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
进一步,本申请还提供一种服务器。在根据本申请的一个服务器实施例中,服务器可以包括至少一个处理器,以及与至少一个处理器通信连接的存储器。其中,存储器中存储有计算机程序,计算机程序被至少一个处理器执行时实现上述任一实施例所述的方法。
一个实施方式中,服务器可以部署在云端,服务器与自动驾驶设备通信连接。
进一步,应该理解的是,由于各个模块的设定仅仅是为了说明本申请的装置的功能单元,这些模块对应的物理器件可以是处理器本身,或者处理器中软件的一部分,硬件的一部分,或者软件和硬件结合的一部分。因此,图中的各个模块的数量仅仅是示意性的。
本领域技术人员能够理解的是,可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本申请的原理,因此,拆分或合并之后的技术方案都将落入本申请的保护范围内。
本申请各实施例中可能涉及的相关用户个人信息,均为严格按照法律法规的要求,遵循合法、正当、必要的原则,基于业务场景的合理目的,处理用户在使用产品/服务过程中主动提供或因使用产品/服务而产生的,以及经用户授权获取的个人信息。
本申请处理的用户个人信息会因具体产品/服务场景而有所不同,需以用户使用产品/服务的具体场景为准,可能会涉及用户的账号信息、设备信息、驾驶信息、车辆信息或其他相关信息。申请人会以高度的勤勉义务对待用户的个人信息及其处理。
本申请非常重视用户个人信息的安全,已采取符合业界标准、合理可行的安全防护措施保护用户的信息,防止个人信息遭到未经授权访问、公开披露、使用、修改、损坏或丢失。
至此,已经结合附图所示的优选实施方式描述了本申请的技术方案,但是,本领域技术人员容易理解的是,本申请的保护范围显然不局限于这些具体实施方式。在不偏离本申请的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本申请的保护范围之内。
Claims (10)
1.一种自动驾驶功能触发分析方法,其特征在于,所述方法包括:
获取所述自动驾驶数据中触发自动驾驶功能的触发时间范围内的连续多帧触发数据信息;
根据所述连续多帧触发数据信息,应用预设的训练好的功能触发分析模型,对触发所述自动驾驶功能是否为正确触发进行分析,获得分析结果;
其中,所述分析结果包括正确触发所述自动驾驶功能和错误触发所述自动驾驶功能。
2.根据权利要求1所述的自动驾驶功能触发分析方法,其特征在于,所述触发数据信息包括所述自动驾驶数据中的环境目标的目标信息;
所述目标信息包括所述环境目标的位置信息、尺寸信息和速度信息中的至少一种。
3.根据权利要求2所述的自动驾驶功能触发分析方法,其特征在于,所述环境目标包括环境感知目标和感知融合目标;
所述环境感知目标为自动驾驶传感器感知获得的环境目标;
所述感知融合目标为多个自动驾驶传感器获得环境目标进行融合后结果。
4.根据权利要求2或3所述的自动驾驶功能触发分析方法,其特征在于,
所述触发数据信息还包括触发的所述自动驾驶功能的功能类型和触发目标的数据源类型。
5.根据权利要求1至4中任一项所述的自动驾驶功能触发分析方法,其特征在于,
所述根据所述连续多帧触发数据信息,应用预设的训练好的功能触发分析模型,对触发所述自动驾驶功能是否为正确触发进行分析,获得分析结果,包括:
根据所述自动驾驶数据进行大模型目标检测,获取环境目标的多帧大模型目标检测结果;
将所述多帧大模型目标检测结果和所述多帧触发数据信息进行时序对齐;
根据时序对齐后的所述多帧大模型目标检测结果和所述多帧触发数据信息,应用预设的训练好的功能触发分析模型,对触发所述自动驾驶功能是否为正确触发进行分析,获得分析结果。
6.根据权利要求5所述的自动驾驶功能触发分析方法,其特征在于,
所述根据时序对齐后的所述多帧大模型目标检测结果和所述多帧触发数据信息,应用预设的训练好的功能触发分析模型,对触发所述自动驾驶功能是否为正确触发进行分析,获得分析结果,包括:
根据时序对齐后的所述多帧大模型目标检测结果和所述多帧触发数据信息分别进行特征编码和位置编码,以分别获得特征编码结果和位置编码结果;
根据所述特征编码结果和所述位置编码结果,对触发所述自动驾驶功能是否为正确触发进行分析,获得分析结果。
7.根据权利要求6所述的自动驾驶功能触发分析方法,其特征在于,
所述根据所述特征编码结果和所述位置编码结果,对触发所述自动驾驶功能是否为正确触发进行分析,获得分析结果,包括:
根据所述特征编码结果和所述位置编码结果,进行基于至少一个编码器的特征提取,获取特征提取结果;
根据所述特征提取结果,基于多层感知机,获取所述分析结果。
8.根据权利要求1至7中任一项所述的自动驾驶功能触发分析方法,其特征在于,所述方法还包括根据以下步骤训练所述功能触发分析模型:
应用训练数据集,对所述功能触发分析模型进行训练,获得训练好的功能触发分析模型;
其中,所述训练数据集中的训练数据包含正确触发所述自动驾驶功能的标签或错误触发所述自动驾驶功能的标签。
9.根据权利要求1至7中任一项所述的自动驾驶功能触发分析方法,其特征在于,所述功能触发分析模型为多个;
所述根据所述连续多帧触发数据信息,应用预设的训练好的功能触发分析模型,对触发所述自动驾驶功能是否为正确触发进行分析,获得所述分析结果,包括:
设置滑动窗口,所述滑动窗口的窗口长度小于所述触发时间范围;
针对每个功能触发分析模型,根据多个滑动窗口内的分析结果,获取所述功能触发分析模型的分析结果;
根据多个所述功能触发分析模型的分析结果,获取所述自动驾驶功能是否正确触发的分析结果。
10.根据权利要求9所述的自动驾驶功能触发分析方法,其特征在于,所述方法还包括:
通过多折交叉验证的方法,训练多个所述功能触发分析模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410389805.3A CN118277829A (zh) | 2024-04-01 | 2024-04-01 | 自动驾驶功能触发分析方法、可读存储介质及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410389805.3A CN118277829A (zh) | 2024-04-01 | 2024-04-01 | 自动驾驶功能触发分析方法、可读存储介质及服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118277829A true CN118277829A (zh) | 2024-07-02 |
Family
ID=91648489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410389805.3A Pending CN118277829A (zh) | 2024-04-01 | 2024-04-01 | 自动驾驶功能触发分析方法、可读存储介质及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118277829A (zh) |
-
2024
- 2024-04-01 CN CN202410389805.3A patent/CN118277829A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102016118902A1 (de) | Kollisionsvermeidung mit durch Kartendaten erweiterten auditorischen Daten | |
CN110737688A (zh) | 驾驶数据分析方法、装置、电子设备和计算机存储介质 | |
EP3940487A1 (en) | Estimation of probability of collision with increasing severity level for autonomous vehicles | |
CN110414375B (zh) | 低空目标的识别方法、装置、存储介质及电子设备 | |
CN113496213A (zh) | 一种目标感知数据的确定方法、装置、系统及存储介质 | |
WO2021063486A1 (en) | Automatic root cause analysis of failures in autonomous vehicle | |
CN112487884A (zh) | 一种交通违法行为检测方法、装置及计算机可读存储介质 | |
US11120308B2 (en) | Vehicle damage detection method based on image analysis, electronic device and storage medium | |
CN117495847B (zh) | 路口检测方法、可读存储介质及智能设备 | |
CN110717436A (zh) | 数据分析方法、装置、电子设备和计算机存储介质 | |
CN111967451B (zh) | 一种道路拥堵检测方法及装置 | |
CN110853364B (zh) | 数据监控方法和装置 | |
CN113903041A (zh) | 文本识别方法、装置、车辆及存储介质 | |
US20190333289A1 (en) | Method and system for preserving and processing vehicle crash data evidence | |
CN118277829A (zh) | 自动驾驶功能触发分析方法、可读存储介质及服务器 | |
Ravishankaran | Impact on how AI in automobile industry has affected the type approval process at RDW | |
CN118035939B (zh) | 感知目标的置信度获取方法及自动驾驶规划控制方法 | |
CN111598009A (zh) | 监控急刹车辆的方法、装置、电子设备和存储介质 | |
CN110765816A (zh) | 车辆压线违章检测方法、装置及电子设备 | |
CN112712097B (zh) | 一种基于开放平台的图像识别方法、装置及用户端 | |
CN116503695B (zh) | 目标检测模型的训练方法、目标检测方法及设备 | |
CN114627651B (zh) | 一种行人保护预警方法、装置、电子设备及可读存储介质 | |
CN117437792B (zh) | 基于边缘计算的实时道路交通状态监测方法、设备及系统 | |
CN111832378A (zh) | 一种车辆超员的识别方法及装置 | |
CN116311110A (zh) | 感知数据的处理方法、装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |