CN118506473A - 一种驾驶数据的处理方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明涉及智能驾驶领域，公开了一种驾驶数据的处理方法、装置、计算机设备及存储介质，方法包括：获取目标车辆对应的数据采集规则，其中，数据采集规则是云端服务器根据目标车辆的车型信息确定的；在目标车辆处于运行阶段时，按照数据采集规则采集目标车辆的多个行车数据；分析各个行车数据相对于车辆智能驾驶决策的重要程度，并按照重要程度对各个行车数据进行排序，得到目标回传列表；将目标回传列表中的各个行车数据依次上传至云端服务器，以使云端服务器根据接收到的行车数据生成驾驶决策信息。本发明解决了智能驾驶数据上云过程中数据处理效率低、传输速度慢的问题。

Description

一种驾驶数据的处理方法、装置、计算机设备及存储介质

技术领域

本发明涉及智能驾驶领域，具体涉及一种驾驶数据的处理方法、装置、计算机设备及存储介质。

背景技术

随着智能驾驶技术的持续进步，对车辆运行数据的收集、处理和分析变得至关重要。这些数据不仅为智能驾驶系统的决策提供关键支持，还是系统优化和改进的重要基础。为了满足这一需求，数据闭环链路在智能驾驶行业中应运而生，其中数据上云是这一链路中的关键环节。

然而，当前的数据上云方案在实际应用中暴露出诸多不足和弊端。首先，数据处理效率低下成为了一个显著问题。由于智能驾驶产生的数据量巨大，传统的数据处理方法难以应对，导致处理时间较长，无法满足智能驾驶系统对实时数据的需求。其次，数据传输速度慢也制约了智能驾驶系统的发展。在高速行驶或复杂交通环境下，数据的实时传输尤为重要。但现有的数据上云方案在传输速度上达不到要求，影响了智能驾驶系统的反应速度和决策准确性。

发明内容

有鉴于此，本发明实施例提供了一种驾驶数据的处理方法、装置、计算机设备及存储介质，以解决智能驾驶数据上云过程中数据处理效率低、传输速度慢的问题。

第一方面，本发明实施例提供了一种驾驶数据的处理方法，应用于目标车辆，所述方法包括：

获取所述目标车辆对应的数据采集规则，其中，所述数据采集规则是云端服务器根据所述目标车辆的车型信息确定的；

在所述目标车辆处于运行阶段时，按照所述数据采集规则采集所述目标车辆的多个行车数据；

分析各个所述行车数据相对于车辆智能驾驶决策的重要程度，并按照所述重要程度对各个所述行车数据进行排序，得到目标回传列表；

将所述目标回传列表中的各个所述行车数据依次上传至云端服务器，以使所述云端服务器根据接收到的行车数据生成驾驶决策信息。

进一步的，所述获取所述目标车辆对应的数据采集规则，包括：

向所述云端服务器发送配置获取请求，其中，所述配置获取请求包括所述目标车辆的车型信息；

接收所述云端服务器基于所述配置获取请求反馈的多个采集事件的配置信息，其中，所述采集事件的配置信息是根据所述车型信息确定的；

基于所述采集事件的配置信息生成所述数据采集规则。

进一步的，所述数据采集规则包括事件类型以及事件采集策略；

所述在所述目标车辆处于运行阶段时，按照所述数据采集规则采集所述目标车辆的多个行车数据，包括：

根据所述数据采集规则中的事件类型确定相应的数据采集设备；

控制所述数据采集设备按照所述事件采集策略采集所述目标车辆处于运行阶段的多个原始行车数据；

对所述原始行车数据进行分析，确定所述原始行车数据中与车辆智能驾驶决策关联的行车数据。

进一步的，所述分析各个所述行车数据相对于车辆智能驾驶决策的重要程度，包括：

获取所述车辆智能驾驶决策当前的待优化场景，并确定所述待优化场景对应的场景优先级；

从多个所述行车数据中获取与各个所述待优化场景相关联的行车数据；

按照所述场景优先级确定所述待优化场景所关联行车数据对应的重要程度。

第二方面，本发明实施例提供了一种驾驶数据的处理方法，应用于云端服务器，所述方法包括：

接收来自于目标车辆的行车数据，其中，所述行车数据是所述目标车辆处于运行阶段时，按照数据采集规则进行采集得到的，所述数据采集规则是所述云端服务器根据所述目标车辆的车型信息确定的；

按照所述行车数据的接收时间构建数据队列；

利用预设解析算法，提取所述数据队列中的关键驾驶特征以及交通环境特征；

将所述关键驾驶信息以及所述交通环境特征输入至训练好的数据分析模型，通过所述数据分析模型生成对应的驾驶决策信息，并发送所述驾驶决策信息至所述目标车辆。

进一步的，所述方法还包括：

获取配置请求，其中，所述配置请求包括多个车型信息；

查询所述车型信息当前配置的智能驾驶场景，并获取所述智能驾驶场景对应的采集事件；

获取针对于各个采集事件的配置信息；

将所述车型信息和所述采集事件的配置信息关联存储。

第三方面，本发明实施例提供了一种驾驶数据的处理装置，应用于目标车辆，所述装置包括：

获取模块，用于获取所述目标车辆对应的数据采集规则，其中，所述数据采集规则是云端服务器根据所述目标车辆的车型信息确定的；

采集模块，用于在所述目标车辆处于运行阶段时，按照所述数据采集规则采集所述目标车辆的多个行车数据；

分析模块，用于分析各个所述行车数据相对于车辆智能驾驶决策的重要程度，并按照所述重要程度对各个所述行车数据进行排序，得到目标回传列表；

上传模块，用于将所述目标回传列表中的各个所述行车数据依次上传至云端服务器，以使所述云端服务器根据接收到的行车数据生成驾驶决策信息。

第四方面，本发明实施例提供了一种驾驶数据的处理装置，应用于云端服务器，所述装置包括：

接收模块，用于接收来自于目标车辆的行车数据，其中，所述行车数据是所述目标车辆处于运行阶段时，按照数据采集规则进行采集得到的，所述数据采集规则是所述云端服务器根据所述目标车辆的车型信息确定的；

构建模块，用于按照所述行车数据的接收时间构建数据队列；

提取模块，用于利用预设解析算法，提取所述数据队列中的关键驾驶特征以及交通环境特征；

输入模块，用于将所述关键驾驶信息以及所述交通环境特征输入至训练好的数据分析模型，通过所述数据分析模型生成对应的驾驶决策信息，并发送所述驾驶决策信息至所述目标车辆。

第三方面，本发明实施例提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的方法。

本申请实施例提供的方法具有以下有益效果：

本申请实施例提供的方法通过获取目标车辆对应的数据采集规则，云端服务器根据目标车辆的车型信息精确定制数据采集规则，实现了数据采集的针对性和准确性，为后续的数据处理和分析提供了高质量的数据基础。通过按照数据采集规则采集目标车辆的多个行车数据，确保了数据的实时性和有效性，为智能驾驶决策提供及时的数据支持。通过分析各个行车数据相对于车辆智能驾驶决策的重要程度，并按照重要程度排序，得到了目标回传列表，优化了数据上传的优先级，确保了关键数据能够优先被处理和分析。通过将目标回传列表中的行车数据依次上传至云端服务器，云端服务器能够基于这些数据生成更为精准的驾驶决策信息，从而提高了智能驾驶系统的安全性和效率。

本申请实施例提供的方法通过接收来自于目标车辆的行车数据，云端服务器能够获取到实时、准确的行车数据，为后续的数据分析提供了丰富的数据源。通过按照行车数据的接收时间构建数据队列，保证了数据处理的顺序性和时效性，避免了数据混乱和延迟。通过利用预设解析算法提取数据队列中的关键驾驶特征和交通环境特征，云端服务器能够更快速地识别出对驾驶决策至关重要的信息。通过将关键驾驶信息和交通环境特征输入至训练好的数据分析模型，生成对应的驾驶决策信息，并发送至目标车辆，这一步骤显著提升了智能驾驶决策的智能化和准确性，从而增强了驾驶的安全性。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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是根据本发明一些实施例的驾驶数据的处理方法的流程示意图；

图2是根据本发明一些实施例的另一驾驶数据的处理方法的流程示意图；

图3是根据本发明实施例的驾驶数据的处理装置的结构框图；

图4是根据本发明实施例的另一驾驶数据的处理装置的结构框图；

图5是本发明实施例的计算机设备的硬件结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。

根据本发明实施例，提供了一种驾驶数据的处理方法、装置、计算机设备及存储介质，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

在本实施例中提供了一种驾驶数据的处理方法，应用于目标车辆，图1是根据本发明实施例的一种驾驶数据的处理方法的流程图，如图1所示，该流程包括如下步骤：

步骤S11，获取目标车辆对应的数据采集规则，其中，数据采集规则是云端服务器根据目标车辆的车型信息确定的。

在本申请实施例中，步骤S11包括以下步骤A1-A3：

步骤A1，向云端服务器发送配置获取请求，其中，配置获取请求包括目标车辆的车型信息。

在本申请实施例中，配置获取请求是由目标车辆发出的请求，目的是从云端服务器获取与该车辆型号相匹配的数据采集配置。目标车辆指的是正在运行中的、需要获取数据采集配置的智能驾驶车辆，由于每辆车的车型信息可能不同，所以需要的数据采集配置也会有所不同。车型信息是指目标车辆的具体型号和相关信息，是云端服务器确定数据采集配置的关键因素，不同的车型可能配备不同的传感器和控制系统，因此需要根据车型信息来定制数据采集规则。

步骤A2，接收云端服务器基于配置获取请求反馈的多个采集事件的配置信息，其中，采集事件的配置信息是根据车型信息确定的。

在本申请实施例中，采集事件的配置信息是指云端服务器根据目标车辆的车型信息定制的数据采集配置详情。配置信息可以包括但不限于需要采集的事件类型(如车辆启动、刹车、转向等)，采集频率(即多长时间采集一次数据)，采集事件的提前时间和延后时间(指在特定事件发生前多久开始采集数据，以及事件发生后多久停止采集)，采集事件的优先级(不同事件可能有不同的重要性和紧急程度)，以及采集事件的数据类型(如视频、图像、传感器读数等)。

步骤A3，基于采集事件的配置信息生成数据采集规则。

在本申请实施例中，数据采集规则是根据采集事件的配置信息生成的详细指南，用于指导车端数据采集系统的工作。规则会明确指定在何种条件下触发数据采集，采集哪些类型的数据，数据的格式和质量要求，以及如何存储和传输这些数据。

具体的，首先，解析从云端接收到的配置信息，理解每一项要求的含义和具体参数。其次，根据解析后的配置信息，将要求映射到具体的数据采集操作上。例如，若配置信息中要求采集急刹车事件的数据，则规则映射会指定在车辆的刹车系统检测到急刹车动作时触发数据采集。在生成规则后，可以进行验证过程，可以包括检查规则之间是否存在冲突，以及规则是否能够有效实施。最后，经过验证的数据采集规则会被部署到数据采集系统中，从此刻开始，系统就会按照这些规则来收集和处理行车数据。

步骤S12，在目标车辆处于运行阶段时，按照数据采集规则采集目标车辆的多个行车数据。

在本申请实施例中，数据采集规则涵盖要收集的行车数据类别及其采集方法。数据类别包括车辆状态(如车速、发动机转速、油量、水温等)、驾驶行为(如加速、减速、转向等操作)、故障警告(如发动机故障码、刹车系统故障等)及环境感知数据(如路面状况、天气情况、周围车辆和行人的动态等)。采集策略则决定数据收集的频率、时机和条件，可以是触发式(如急刹车时采集)、定时式(如每分钟采集一次)、条件式(如进入某区域时采集)或实时流式(持续收集并传输数据)。

在本申请实施例中，步骤S12包括以下步骤B1-B3：

步骤B1，根据数据采集规则中的事件类型确定相应的数据采集设备。

在本申请实施例中，数据采集设备是用于捕获和记录行车数据的工具，可以包括车载摄像头、雷达传感器、GPS定位系统等。不同的数据采集设备适用于捕获不同类型的数据，例如，摄像头可以捕获图像和视频数据，雷达传感器可以捕获车辆周围的环境信息，如障碍物距离和速度等。

具体的，首先查看数据采集规则中定义的事件类型。然后，根据这些事件类型的特点和需求，确定需要使用哪些数据采集设备来捕获相关数据。例如，若事件类型是“急刹车”，则需要使用车载的加速度传感器和刹车系统传感器来捕获相关数据。

步骤B2，控制数据采集设备按照事件采集策略采集目标车辆处于运行阶段的多个原始行车数据。

在本申请实施例中，控制数据采集设备主要是由车辆的控制系统或专门的数据采集软件来管理。当特定事件发生时，如急加速、紧急制动或车道偏离等，自动触发相应的数据采集设备。采集的原始行车数据可能包括但不限于：车辆速度、加速度、方向、GPS位置、摄像头捕捉的视频、雷达和传感器读取的环境信息等。这些数据用于分析车辆性能、驾驶员行为以及环境。

步骤B3，对原始行车数据进行分析，确定原始行车数据中与车辆智能驾驶决策关联的行车数据。

在本申请实施例中，与车辆智能驾驶决策关联的行车数据指的是那些能够直接影响到智能驾驶系统做出驾驶决策的数据。这些数据通常与车辆的安全行驶、路径规划、障碍物避免等核心功能紧密相关。具体来说，这类数据可以包括：车辆前方的图像以及周边的图像数据：这些信息对于识别道路状况、交通标志、行人以及其他车辆等至关重要，是智能驾驶系统进行环境感知和决策的基础。车辆周围的目标信息：包括其他车辆、行人、自行车等动态障碍物的位置、速度和方向，这些数据有助于智能驾驶系统预测这些目标的可能行动，并据此做出反应。路面标识线、车道线等：这些数据帮助智能驾驶系统理解道路的几何结构和行驶规则，从而保持车辆在正确的车道内行驶。交通灯信号：识别红绿灯的状态是智能驾驶系统遵守交通规则、安全通过交叉路口的关键。

在本申请实施例中，与车辆智能驾驶决策无关联的行车数据则是指那些虽然被采集但对于智能驾驶决策没有直接影响或者影响小的数据。这些数据可以包括：车辆内部非关键系统的状态数据：例如车载娱乐系统的使用情况、空调温度设置等，这些数据虽然被记录，但通常不参与智能驾驶的决策过程。非关键性的环境数据：比如远处的风景图像、路边建筑物的细节等，这些数据对于智能驾驶的即时决策并不重要。重复或冗余的数据：在某些情况下，可能会采集到大量重复的数据，这些数据在初次分析后可能就不再需要，因此被视为无关联的行车数据。

步骤S13，分析各个行车数据相对于车辆智能驾驶决策的重要程度，并按照重要程度对各个行车数据进行排序，得到目标回传列表。

在本申请实施例中，在分析各个行车数据的重要程度之前，需要采用ZIP数据压缩算法和3DES加密算法，对行车数据进行压缩和加密，存成预设格式的文件，随后将压缩加密后的数据按照重要程度分成不同的组，按照事件的优先程度回传数据。具体通过确定待优化场景及其优先级，筛选出与这些场景相关的行车数据，并根据场景优先级确定数据的重要程度，若场景被认为是高优先级的(例如，因为它涉及到安全问题或是智能驾驶系统的核心功能)，则与该场景相关的行车数据也将被视为高重要性的数据。按重要程度排序行车数据，形成目标回传列表，以确保重要数据优先上云处理。

在本申请实施例中，分析各个行车数据相对于车辆智能驾驶决策的重要程度，包括以下步骤C1-C3：

步骤C1，获取车辆智能驾驶决策当前的待优化场景，并确定待优化场景对应的场景优先级。

在本申请实施例中，首先，通过实际道路测试、用户反馈收集、事故数据分析和系统性能评估等手段，识别出智能驾驶决策中当前存在的待优化场景。这些待优化场景包括但不限于自动驾驶系统在复杂路况下的决策准确性、对非常规交通标志的识别能力、变道逻辑的合理性等。其次，针对这些待优化场景，进行优先级排序。在排序过程中，除了考虑场景的安全性影响、对用户体验的重要性以及技术实现的难易程度等传统因素外，还特别强调场景的稀缺性。稀缺场景，如异形交通标志的识别、复杂变道情况的处理等，由于在实际驾驶中较少遇到，因此其数据的收集和分析对于完善智能驾驶系统的决策逻辑尤为重要。因此，在确定待优化场景的优先级时，给予稀缺场景更高的权重。确保了在数据传输过程中，优先回传那些对提升系统性能更为关键的数据。通过这种优先级设定方式，能够更有效地利用有限的数据传输资源，加速智能驾驶系统的优化进程。

步骤C2，从多个行车数据中获取与各个待优化场景相关联的行车数据。

在本申请实施例中，基于确定的待优化场景，需要识别出哪些行车数据与这些场景直接相关。具体可能涉及到对数据的内容、时间戳、地理位置等属性的分析，以确定数据是否与特定的待优化场景相匹配。识别出与待优化场景相关的数据后，需要从大量的行车数据中筛选出这些数据。筛选过程可以包括使用特定的关键词、数据范围或其他标识符来定位相关数据。

步骤C3，按照场景优先级确定待优化场景所关联行车数据对应的重要程度。

在本申请实施例中，首先确定每个待优化场景的优先级，考虑安全性、频率和用户体验。然后，将行车数据与场景优先级关联，并按重要程度排序。最后，优先上传与高优先级场景相关的数据，确保关键信息得到及时处理。

步骤S14，将目标回传列表中的各个行车数据依次上传至云端服务器，以使云端服务器根据接收到的行车数据生成驾驶决策信息。

在本申请实施例中，对目标回传列表中的所有行车数据进行预处理，预处理过程可以包括：预处理、压缩和加密。按照目标回传列表中的顺序，将行车数据逐一上传到云端服务器。云端服务器接收上传的行车数据后，通过数据分析和机器学习技术处理这些数据，挖掘有价值的信息来生成驾驶决策，如优化驾驶、风险预测或提高效率等，并将决策及时反馈给车辆和相关系统。

在本实施例中提供了一种驾驶数据的处理方法，应用于云端服务器，图2是根据本发明实施例的一种驾驶数据的处理方法的流程图，如图2所示，该流程包括如下步骤：

步骤S21，接收来自于目标车辆的行车数据，其中，行车数据是目标车辆处于运行阶段时，按照数据采集规则进行采集得到的，数据采集规则是云端服务器根据目标车辆的车型信息确定的。

在本申请实施例中，云端服务器预设数据接收接口并确保网络通畅，以接收目标车辆的行车数据。目标车辆按云端定制的数据采集规则实时采集包括车辆状态、环境感知及驾驶行为等数据，并上传至云端。服务器接收数据后，会验证其完整性、有效性和格式，确认无误后存入数据库。同时，服务器会发送接收确认信息，确保数据传输成功，并记录整个接收过程以便后续追踪排查。

步骤S22，按照行车数据的接收时间构建数据队列。

在本申请实施例中，当云端服务器接收到行车数据时，每个数据都会携带一个时间戳，时间戳标识了数据的接收时间。服务器利用这个时间戳，将数据按照接收的先后顺序排列，新接收的数据会被添加到队列的末尾，而较早接收的数据则位于队列的前面。

步骤S23，利用预设解析算法，提取数据队列中的关键驾驶特征以及交通环境特征。

在本申请实施例中，关键驾驶特征包括车速、加速度、转向角度等，反映驾驶员操作和车辆状态。交通环境特征可以包括道路状况、周围车辆和交通信号等外部环境信息。预设解析算法智能提取这些特征，涉及数据的分类、聚类、模式识别等复杂的计算和分析。这些特征用于数据分析和模型训练，帮助云端服务器理解驾驶与环境的关联。

步骤S24，将关键驾驶信息以及交通环境特征输入至训练好的数据分析模型，通过数据分析模型生成对应的驾驶决策信息，并发送驾驶决策信息至目标车辆。

在本申请实施例中，云端服务器将从数据队列中提取的关键驾驶信息和交通环境特征作为输入，传递给一个已经训练好的数据分析模型。数据分析模型通常是一个复杂的机器学习或深度学习模型，经过大量历史数据的训练，能够识别出不同驾驶情况和环境特征下的最优驾驶决策。当模型接收到新的驾驶信息和环境特征时，根据这些输入进行推理分析，预测出在当前环境下最安全的驾驶行为或决策。这个模型也可以是一个分类器、回归模型或者是更复杂的深度学习网络，具体取决于应用场景和所需决策的复杂性。基于数据分析模型的输出，云端服务器会生成具体的驾驶决策信息。这些信息可以是建议的加速或减速指令、转向建议、换道建议、停车或避障指令等。一旦生成了驾驶决策信息，云端服务器会立即通过无线网络将这些信息发送给目标车辆。目标车辆接收到这些信息后，其智能驾驶系统可以据此调整自身的驾驶行为，以更加安全、高效地行驶。这种实时的信息反馈和调整机制是智能驾驶技术中的重要组成部分，允许车辆在不断变化的环境中做出快速而准确的反应。

作为一个示例，假设自动驾驶汽车在自动泊车过程中发生了异常退出。这一事件被自动记录在云端服务器的数据中。云端服务器的系统监控模块立即检测到了这一异常，并触发了自动分析流程。首先，提取异常退出事件发生前后的关键驾驶信息和交通环境特征。其次，这些数据被自动输入到一个预先训练好的数据分析模型中，其中，该模型是一个高级的机器学习算法，已经通过大量的历史数据进行了训练，能够准确地根据输入的驾驶信息和环境特征预测出最优的驾驶决策。再次，数据分析模型自动分析了异常退出时的车辆状态、环境情况，以及之前的驾驶行为，生成了一组优化后的驾驶决策信息。这些信息旨在调整自动泊车的路径规划、速度控制和转向策略，以避免类似的异常退出情况再次发生。一旦生成了优化后的驾驶决策信息，云端服务器通过无线通信网络将这些信息发送到目标车辆。目标车辆的智能驾驶系统在接收到这些信息后，进行自我调整，以确保在未来的自动泊车过程中能够更加稳定、安全地完成任务。通过这个自动化的过程，云端服务器和目标车辆共同实现了一个闭环的反馈和优化机制，使得智能驾驶系统能够在实际运行中不断地自我学习和改进，从而提升整体的驾驶性能和安全性。

在本申请实施例中，方法还包括以下步骤D1-D4：

步骤D1，获取配置请求，其中，配置请求包括多个车型信息。

在本申请实施例中，配置请求可以包括多个车型的信息。由于不同车型在传感器配置、驾驶辅助系统、车辆性能等方面存在差异，因此需要针对每种车型制定特定的数据采集策略。配置请求可以由车辆制造商、智能驾驶系统开发者或其他需要定制数据采集的用户发起。云端服务器根据车型信息准备相应的数据采集配置。

步骤D2，查询车型信息当前配置的智能驾驶场景，并获取智能驾驶场景对应的采集事件。

在本申请实施例中，云端服务器根据接收到的车型信息，去查询这些车型当前所配置的智能驾驶场景。智能驾驶场景可以包括但不限于自动驾驶、自动泊车、自适应巡航、车道保持等。不同的智能驾驶场景对数据采集的需求是不同的，因此需要根据场景来确定需要采集哪些事件。在查询到车型对应的智能驾驶场景后，云端服务器会进一步获取这些场景对应的采集事件。采集事件是指在特定智能驾驶场景下，需要被记录和分析的数据类型或数据事件，例如车辆行驶轨迹、道路状况、交通信号等。

步骤D3，获取针对于各个采集事件的配置信息。

在本申请实施例中，采集事件的具体配置信息可以包括但不限于：需要采集的事件类型(如车辆变道、刹车等)、采集频率(即多长时间采集一次数据)、采集事件的提前时间和延后时间(即在事件发生前多长时间开始采集，以及在事件发生后多长时间停止采集)、采集事件的优先级(用于后续数据上传时的优先级排序)、采集事件的数据类型(如视频、图像、传感器数据等)等。

步骤D4，将车型信息和采集事件的配置信息关联存储。

在本申请实施例中，关联存储意味着在数据库中，车型信息和其对应的数据采集配置信息是相关联的。这样，当某一车型的车辆请求数据采集配置时，云端服务器可以迅速查找到与该车型匹配的配置信息，并将其下发给车辆。这种关联存储不仅提高了数据检索的效率，还确保了数据采集配置的准确性和针对性。

本实施例提供一种驾驶数据的处理装置，应用于目标车辆，如图3所示，包括：

获取模块31，用于获取目标车辆对应的数据采集规则，其中，数据采集规则是云端服务器根据目标车辆的车型信息确定的；

采集模块32，用于在目标车辆处于运行阶段时，按照数据采集规则采集目标车辆的多个行车数据；

分析模块33，用于分析各个行车数据相对于车辆智能驾驶决策的重要程度，并按照重要程度对各个行车数据进行排序，得到目标回传列表；

上传模块34，用于将目标回传列表中的各个行车数据依次上传至云端服务器，以使云端服务器根据接收到的行车数据生成驾驶决策信息。

在本申请一个可选的实施方式中，获取模块31，用于向云端服务器发送配置获取请求，其中，配置获取请求包括目标车辆的车型信息；接收云端服务器基于配置获取请求反馈的多个采集事件的配置信息，其中，采集事件的配置信息是根据车型信息确定的；基于采集事件的配置信息生成数据采集规则。

在本申请一个可选的实施方式中，采集模块32，用于根据数据采集规则中的事件类型确定相应的数据采集设备；控制数据采集设备按照事件采集策略采集目标车辆处于运行阶段的多个原始行车数据；对原始行车数据进行分析，确定原始行车数据中与车辆智能驾驶决策关联的行车数据。

在本申请一个可选的实施方式中，分析模块33，用于获取车辆智能驾驶决策当前的待优化场景，并确定待优化场景对应的场景优先级；从多个行车数据中获取与各个待优化场景相关联的行车数据；按照场景优先级确定待优化场景所关联行车数据对应的重要程度。

本实施例提供一种驾驶数据的处理装置，应用于云端服务器，如图4所示，包括：

接收模块41，用于接收来自于目标车辆的行车数据，其中，行车数据是目标车辆处于运行阶段时，按照数据采集规则进行采集得到的，数据采集规则是云端服务器根据目标车辆的车型信息确定的；

构建模块42，用于按照行车数据的接收时间构建数据队列；

提取模块43，用于利用预设解析算法，提取数据队列中的关键驾驶特征以及交通环境特征；

输入模块44，用于将关键驾驶信息以及交通环境特征输入至训练好的数据分析模型，通过数据分析模型生成对应的驾驶决策信息，并发送驾驶决策信息至目标车辆。

在本申请一个可选的实施方式中，装置还包括：关联模块，用于获取配置请求，其中，配置请求包括多个车型信息；查询车型信息当前配置的智能驾驶场景，并获取智能驾驶场景对应的采集事件；获取针对于各个采集事件的配置信息；将车型信息和采集事件的配置信息关联存储。

请参阅图5，图5是本发明可选实施例提供的一种计算机设备的结构示意图，如图5所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。

处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。

其中，存储器20存储有可由至少一个处理器10执行的指令，以使至少一个处理器10执行实现上述实施例示出的方法。

存储器20可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据一种小程序落地页的展现的计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

存储器20可以包括易失性存储器，例如，随机存取存储器；存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。

该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通信。

本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种驾驶数据的处理方法，应用于目标车辆，其特征在于，包括：

获取所述目标车辆对应的数据采集规则，其中，所述数据采集规则是云端服务器根据所述目标车辆的车型信息确定的；

在所述目标车辆处于运行阶段时，按照所述数据采集规则采集所述目标车辆的多个行车数据；

分析各个所述行车数据相对于车辆智能驾驶决策的重要程度，并按照所述重要程度对各个所述行车数据进行排序，得到目标回传列表；

将所述目标回传列表中的各个所述行车数据依次上传至云端服务器，以使所述云端服务器根据接收到的行车数据生成驾驶决策信息。

2.根据权利要求1所述的方法，其特征在于，所述获取所述目标车辆对应的数据采集规则，包括：

向所述云端服务器发送配置获取请求，其中，所述配置获取请求包括所述目标车辆的车型信息；

接收所述云端服务器基于所述配置获取请求反馈的多个采集事件的配置信息，其中，所述采集事件的配置信息是根据所述车型信息确定的；

基于所述采集事件的配置信息生成所述数据采集规则。

3.根据权利要求2所述的方法，其特征在于，所述数据采集规则包括事件类型以及事件采集策略；

所述在所述目标车辆处于运行阶段时，按照所述数据采集规则采集所述目标车辆的多个行车数据，包括：

根据所述数据采集规则中的事件类型确定相应的数据采集设备；

控制所述数据采集设备按照所述事件采集策略采集所述目标车辆处于运行阶段的多个原始行车数据；

对所述原始行车数据进行分析，确定所述原始行车数据中与车辆智能驾驶决策关联的行车数据。

4.根据权利要求1所述的方法，其特征在于，所述分析各个所述行车数据相对于车辆智能驾驶决策的重要程度，包括：

获取所述车辆智能驾驶决策当前的待优化场景，并确定所述待优化场景对应的场景优先级；

从多个所述行车数据中获取与各个所述待优化场景相关联的行车数据；

按照所述场景优先级确定所述待优化场景所关联行车数据对应的重要程度。

5.一种驾驶数据的处理方法，应用于云端服务器，其特征在于，包括：

接收来自于目标车辆的行车数据，其中，所述行车数据是所述目标车辆处于运行阶段时，按照数据采集规则进行采集得到的，所述数据采集规则是所述云端服务器根据所述目标车辆的车型信息确定的；

按照所述行车数据的接收时间构建数据队列；

利用预设解析算法，提取所述数据队列中的关键驾驶特征以及交通环境特征；

将所述关键驾驶信息以及所述交通环境特征输入至训练好的数据分析模型，通过所述数据分析模型生成对应的驾驶决策信息，并发送所述驾驶决策信息至所述目标车辆。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

获取配置请求，其中，所述配置请求包括多个车型信息；

查询所述车型信息当前配置的智能驾驶场景，并获取所述智能驾驶场景对应的采集事件；

获取针对于各个采集事件的配置信息；

将所述车型信息和所述采集事件的配置信息关联存储。

7.一种驾驶数据的处理装置，应用于目标车辆，其特征在于，所述装置包括：

获取模块，用于获取所述目标车辆对应的数据采集规则，其中，所述数据采集规则是云端服务器根据所述目标车辆的车型信息确定的；

采集模块，用于在所述目标车辆处于运行阶段时，按照所述数据采集规则采集所述目标车辆的多个行车数据；

分析模块，用于分析各个所述行车数据相对于车辆智能驾驶决策的重要程度，并按照所述重要程度对各个所述行车数据进行排序，得到目标回传列表；

上传模块，用于将所述目标回传列表中的各个所述行车数据依次上传至云端服务器，以使所述云端服务器根据接收到的行车数据生成驾驶决策信息。

8.一种驾驶数据的处理装置，应用于云端服务器，其特征在于，所述装置包括：

接收模块，用于接收来自于目标车辆的行车数据，其中，所述行车数据是所述目标车辆处于运行阶段时，按照数据采集规则进行采集得到的，所述数据采集规则是所述云端服务器根据所述目标车辆的车型信息确定的；

构建模块，用于按照所述行车数据的接收时间构建数据队列；

提取模块，用于利用预设解析算法，提取所述数据队列中的关键驾驶特征以及交通环境特征；

输入模块，用于将所述关键驾驶信息以及所述交通环境特征输入至训练好的数据分析模型，通过所述数据分析模型生成对应的驾驶决策信息，并发送所述驾驶决策信息至所述目标车辆。

9.一种计算机设备，其特征在于，包括：

存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1至6中任一项所述的方法。

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上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至6中任一项所述的方法。