KR102595538B1

KR102595538B1 - 샘플 편차 데이터의 획득 방법, 장치 및 전자기기

Info

Publication number: KR102595538B1
Application number: KR1020210074984A
Authority: KR
Inventors: 허우치앙 쭈; 펑페이 웨이; 찌아 송; 찌엔씬 찌앙; 송타오 창
Original assignee: 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드
Priority date: 2020-12-23
Filing date: 2021-06-09
Publication date: 2023-10-30
Also published as: US20210291843A1; KR20210091682A; CN114661574A; EP3882777A3; US11718306B2; JP2022020764A; EP3882777A2

Abstract

본 출원은 샘플 편차 데이터의 획득 방법, 장치 및 전자기기를 개시하며, 인공 지능, 무인 운전, 지능형 교통 및 딥러닝 기술분야에 관한 것이다. 구체적인 구현 방안에 따르면, 샘플 편차 데이터를 획득할 때, 수동 운전 모드에서, 차량의 제1 운전 행위 파라미터, 및 차량의 시뮬레이션 무인 운전 모드에서의 제2 운전 행위 파라미터를 각각 획득하고; 제1 운전 행위 파라미터와 제2 운전 행위 파라미터 사이에 편차 존재 여부를 판단하며, 편차가 존재하면, 차량으로 하여금 기설정 시간 동안의 샘플 편차 데이터를 획득하도록 제어한다. 이렇게 시뮬레이션 무인 운전 모드 운행 메커니즘을 구축하고, 시뮬레이션 무인 운전 모드에서 출력한 운전 행위 파라미터와 실제의 수동 운전 모드에서의 운전 행위 파라미터를 비교하여, 운전 편차 행위에 대한 차량의 자동적인 감시를 구현하며, 편차가 존재할 때 차량을 트리거하여 자동으로 샘플 편차 데이터를 수집하도록 함으로써, 샘플 편차 데이터의 획득 효율을 향상시킨다.

Description

샘플 편차 데이터의 획득 방법, 장치 및 전자기기{METHOD AND APPARATUS FOR ACQUIRING SAMPLE DEVIATION DATA, AND ELECTRONIC DEVICE}

본 출원은 컴퓨터 기술분야에 관한 것으로서, 특히 샘플 편차 데이터의 획득 방법, 장치 및 전자기기에 관한 것이며, 구체적으로는 인공 지능 기술분야, 무인 운전 기술분야, 지능형 교통 기술분야 및 딥러닝 기술분야에 사용될 수 있다.

무인 운전 기술은 점점 성숙되어 이미 무인 운전 차량에 적용되고 있다. 무인 운전 차량은 무인 운전 모델에 기반하여 차량의 주행을 제어한다. 비록 무인 운전 모델을 사용하기 전에 이미 충분한 테스트를 거쳤으나, 실제 운전 환경이 보다 복잡하여 일부 실제 운전 환경에서 무인 운전 모델에서의 차량의 운전 행위와 사람들이 원하는 운전 행위 사이에 편차가 존재할 수 있는데, 이러한 편차는 꼭 고장이나 사고인 것은 아니며, 더 많이는 체험이 좋지 않거나 제어 효율이 보다 낮은 것으로 나타날 수 있다.

무인 운전 모델의 차량에 대한 운전 행위와 사람이 원하는 운전 행위 사이의 편차 발생 확률을 줄이기 위하여, 테스트 인원들은 편차가 존재할 때 차량이 위치한 외부 환경 정보 등의 샘플 편차 데이터를 대량으로 획득하여, 무인 운전 모델을 트레이닝해야 한다. 따라서, 샘플 편차 데이터를 어떻게 고효율적으로 획득할지는 본 기술분야의 통상의 지식을 가진 자들이 시급히 해결해야 할 과제이다.

본 출원의 실시예는 샘플 편차 데이터를 획득할 때, 샘플 편차 데이터의 획득 효율을 향상시키는, 샘플 편차 데이터의 획득 방법, 장치 및 전자기기를 제공한다.

본 출원의 제1 양태에 따르면, 샘플 편차 데이터의 획득 방법을 제공하는데, 상기 샘플 편차 데이터의 획득 방법은,

수동 운전 모드에서, 차량의 제1 운전 행위 파라미터, 및 상기 차량의 시뮬레이션 무인 운전 모드에서의 제2 운전 행위 파라미터를 획득하는 단계;

상기 제1 운전 행위 파라미터와 상기 제2 운전 행위 파라미터 사이에 편차 존재 여부를 판단하는 단계;

편차가 존재하면, 상기 차량으로 하여금 차체 상태 정보와 상기 차량이 위치한 환경 정보를 포함하는 기설정 시간 동안의 샘플 편차 데이터를 획득하도록 제어하는 단계를 포함할 수 있다.

본 출원의 제2 양태에 따르면, 샘플 편차 데이터의 획득 장치를 제공하는데, 상기 샘플 편차 데이터의 획득 장치는,

수동 운전 모드에서, 차량의 제1 운전 행위 파라미터, 및 상기 차량의 시뮬레이션 무인 운전 모드에서의 제2 운전 행위 파라미터를 획득하는 획득 유닛;

상기 제1 운전 행위 파라미터와 상기 제2 운전 행위 파라미터 사이에 편차 존재 여부를 판단하는 제1 처리 유닛;

편차가 존재하면, 상기 차량으로 하여금 차체 상태 정보와 상기 차량이 위치한 환경 정보를 포함하는 기설정 시간 동안의 샘플 편차 데이터를 획득하도록 제어하는 제어 유닛을 포함할 수 있다.

본 출원의 제3 양태에 따르면, 전자기기를 제공하는데,

적어도 하나의 프로세서; 및

상기 적어도 하나의 프로세서와 통신 연결되는 메모리를 포함하되,

상기 메모리에는 상기 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장되며, 상기 명령은 상기 적어도 하나의 프로세서에 의해 실행되어, 상기 적어도 하나의 프로세서로 하여금 상술한 제1 양태에 따른 샘플 편차 데이터의 획득 방법을 수행할 수 있도록 한다.

본 출원의 제4 양태에 따르면, 컴퓨터 명령이 저장된 비일시적 컴퓨터 판독 가능 저장 매체를 제공하는데, 상기 컴퓨터 명령은 컴퓨터로 하여금 상술한 제1 양태에 따른 샘플 편차 데이터의 획득 방법을 수행하도록 한다.

본 출원의 제5 양태에 따르면, 컴퓨터 프로그램을 제공하는데, 상기 컴퓨터 프로그램은 컴퓨터 판독 가능 저장 매체에 저장되며, 전자기기의 적어도 하나의 프로세서는 상기 판독 가능 저장 매체로부터 상기 컴퓨터 프로그램을 판독할 수 있고, 상기 적어도 하나의 프로세서는 상기 컴퓨터 프로그램을 실행하여 전자기기로 하여금 상술한 제1 양태에 따른 샘플 편차 데이터의 획득 방법을 수행하도록 한다.

본 출원의 기술적 해결수단에 따르면, 샘플 편차 데이터를 획득할 때, 수동 운전 모드에서, 차량의 제1 운전 행위 파라미터, 및 차량의 시뮬레이션 무인 운전 모드에서의 제2 운전 행위 파라미터를 각각 획득하고; 제1 운전 행위 파라미터와 제2 운전 행위 파라미터 사이에 편차 존재 여부를 판단하며, 편차가 존재하면, 차량으로 하여금 기설정 시간 동안의 샘플 편차 데이터를 획득하도록 제어한다. 이렇게 시뮬레이션 무인 운전 모드 운행 메커니즘을 구축하고, 시뮬레이션 무인 운전 모드에서 출력한 운전 행위 파라미터와 실제의 수동 운전 모드에서의 운전 행위 파라미터를 비교하여, 운전 편차 행위에 대한 차량의 자동적인 감시를 구현하며, 편차가 존재할 때 차량을 트리거하여 자동으로 샘플 편차 데이터를 수집하도록 함으로써, 샘플 편차 데이터의 획득 효율을 향상시킨다.

본 명세서에서 설명한 내용은 본 출원의 실시예의 관건적이거나 중요한 특징을 나타내기 위한 것이 아니고, 본 출원의 범위를 한정하기 위한 것도 아닌 것을 이해해야 한다. 본 출원의 기타 특징은 아래의 명세서를 통해 더 용이하게 이해될 수 있을 것이다.

첨부 도면은 본 방안을 더 잘 이해하기 위한 것으로, 본 출원을 한정하지 않는다. 여기서,
도 1은 본 출원의 실시예에서 제공하는 아키텍쳐 도면이다.
도 2는 본 출원의 실시예에서 제공하는 샘플 편차 데이터를 획득하는 도면이다.
도 3은 본 출원의 제1 실시예에서 제공하는 샘플 편차 데이터의 획득 방법의 흐름도이다.
도 4는 본 출원의 제2 실시예에서 제공하는 샘플 편차 데이터의 획득 방법의 흐름도이다.
도 5는 본 출원의 제3 실시예에서 제공하는 샘플 편차 데이터의 획득 장치를 나타내는 블록도이다.
도 6은 본 출원의 실시예에서 제공하는 전자기기를 나타내는 블록도이다.

이하, 첨부 도면을 참조하여 본 출원의 예시적인 실시예들을 설명하고자 하며, 이해를 돕기 위해 본 출원의 실시예들의 다양한 세부 사항들이 포함되는데, 이들은 단지 예시적인 것으로 간주되어야 한다. 따라서, 본 출원의 기술 분야의 통상의 지식을 가진 자라면 본 출원의 범위 및 사상을 벗어나지 않으면서 본 명세서에 설명된 실시예들에 대해 다양한 변경 및 수정이 이루어질 수 있다는 것을 이해하여야 한다. 또한, 명확성 및 간결성을 위해, 공지된 기능 및 구조에 대한 설명은 아래 설명에서 생략된다.

본 출원의 실시예에서, "적어도 하나"는 하나 또는 복수를 가리키고, "복수"는 둘 또는 그 이상을 가리킨다. "및/또는"은 관련 상대의 연관 관계를 설명하고, 세 가지 관계가 존재할 수 있다는 것을 나타내는 바, 예를 들어 A 및/또는 B는 A가 단독으로 존재하는 경우, A와 B가 동시에 존재하는 경우, B가 단독으로 존재하는 경우와 같은 세 가지 경우를 나타낼 수 있고, 여기서 A, B는 홀수 또는 복수일 수 있다. 본 출원의 문자 설명에서, 문자 부호 "/"는 일반적으로 앞뒤 관련 대상이 "또는"의 관계임을 나타낸다.

무인 운전 모델의 차량에 대한 운전 행위와 사람들이 원하는 운전 행위 사이의 편차 발생 확률을 줄이기 위하여, 테스트 인원들은 편차가 존재할 때 차량이 위치한 외부 환경 정보 등의 샘플 편차 데이터를 대량으로 획득하여, 무인 운전 모델을 트레이닝해야 한다. 선행기술에서, 샘플 편차 데이터를 획득할 때, 통상적인 방법은, 테스트 인원이 서로 다른 테스트 환경을 구성하고, 서로 다른 테스트 환경에서, 무인 운전 차량이 무인 운전 모델에 기반하여 차량의 주행을 제어하고, 테스트 인원은 상기 무인 운전 차량의 전반적인 주행 과정에서의 전체 운행 데이터를 기록하며; 그 다음, 기록된 전체 운행 데이터에서 편차 발생 시의 운행 데이터를 검색하고, 편차 발생 시의 상기 운행 데이터를 샘플 편차 데이터로 결정함으로써, 샘플 편차 데이터를 획득한다. 그러나, 상기 인공적인 방식을 사용하여 샘플 편차 데이터를 획득하면, 샘플 편차 데이터의 획득 효율이 보다 낮게 된다.

샘플 편차 데이터의 획득 효율을 향상시키기 위하여, 무인 운전 차량이 주행하는 과정에서 편차 발생 시의 편차 데이터를 직접 획득하여, 편차 데이터의 획득 효율을 향상시키는 것을 고려할 수 있다. 그러나, 무인 운전 차량의 주행 과정에서 편차 데이터를 획득할 때, 상기 편차 데이터는 무인 운전 모델에서의 운전 행위와 인류 운전 행위의 차이이므로, 무인 운전 모델에서의 운전 행위와 인류 운전 행위를 각각 획득하여 참조로 하여야 한다. 그러나, 무인 운전 차량이 무인 운전 모드에서 주행할 경우, 인류 운전 행위를 미리 알 수 없으므로, 수동 운전 모드에서 편차 데이터를 획득하는 것을 고려할 수 있다. 예시적으로, 도 1을 참조하면, 도 1은 본 출원의 실시예에서 제공하는 아키텍쳐 도면으로서, 편차 데이터를 획득할 때, 수동 운전 모드에서 인류 운전 행위 데이터를 획득하는 단계(S101); 인류 운전 행위 데이터를 획득하는 동시에 무인 운전 모드에서도 시뮬레이션하여 현재 운전 환경에서의 운전 행위 데이터를 출력하며, 시뮬레이션 무인 운전 모드에서의 운전 행위 데이터를 함께 수집하는 단계(S102);를 수행할 수 있으며, 즉 데이터 수집 과정에서, 무인 운전 차량은 완전히 운전자에 의해 제어되고, 무인 운전 모델은 차량의 제어에 참여하지 않고; 인류 운전 행위 데이터와 시뮬레이션 무인 운전 모드에서의 운전 행위 데이터를 각각 획득한 후, 인류 운전 행위와 차량 시뮬레이션 무인 운전 모드에서의 운전 행위를 비교하는 단계(S103)를 수행할 수 있으며, 차이가 존재할 때, 자동으로 샘플 편차 데이터를 수집하여, 샘플 편차 데이터를 획득하는 단계(SS104)를 수행할 수 있다. 이에 따라, 샘플 편차 데이터의 획득 효율을 향상시킬 수 있다. 차이가 존재하지 않으면, 단계(SS105)를 수행하여 수동 운전 모드에서의 인류 운전 행위 데이터와 무인 운전 모드에서의 운전 행위 데이터를 삭제한다.

상기 구성에 기반하여, 본 출원의 실시예는 인공 지능, 무인 운전, 지능형 교통 및 딥러닝 기술분야에 적용될 수 있는 샘플 편차 데이터의 획득 방법을 제공한다. 구체적인 방안에 따르면, 수동 운전 모드에서, 차량의 제1 운전 행위 파라미터, 및 차량의 시뮬레이션 무인 운전 모드에서의 제2 운전 행위 파라미터를 획득하고; 제1 운전 행위 파라미터와 제2 운전 행위 파라미터 사이에 편차 존재 여부를 판단하며; 편차가 존재하면, 차량으로 하여금 차체 상태 정보와 상기 차량이 위치한 환경 정보를 포함하는 기설정 시간 동안의 샘플 편차 데이터를 획득하도록 제어한다.

예시적으로, 차량의 시뮬레이션 무인 운전 모드에서의 제2 운전 행위 파라미터를 획득할 때, "그림자 모델"의 출력을 통해 차량의 시뮬레이션 무인 운전 모드에서의 제2 운전 행위 파라미터를 획득할 수 있으며 "그림자 모델"은 인류 운전과 함께 실시간으로 운행되는 무인 운전 모델을 나타내기 위한 것이다. 감지, 환경 모델링, 노선 계획, 결책 등의 무인 운전 기능 단계에서, 그림자 모델에 대한 입력과 설정을 모두 차량의 공식적인 무인 운전 모델과 일치하게 유지하여, 공식적인 무인 운전 모델과 완전히 동일한 출력을 형성하도록 한다. 그러나 차량은 완전히 운전자에 의해 제어되고, 그림자 모델은 차량의 제어에 참여하지 않는다.

예시적으로, "그림자 모델"은 고속도로 파일럿(High Way Pilot, 약칭 HWP) 그림자 모델일 수 있고, 교통 체증 보조(Traffic Jam Assistant, 약칭 TJA) 그림자 모델일 수도 있으며, 자동 발렛 파킹(Automated Valet Parking, 약칭 AVP) 그림자 모델 등일 수도 있는 바, 구체적으로 실제 수요에 따라 설정할 수 있으며, 본 출원의 실시예는 여기서 구체적으로 한정하지 않는다. 수동 운전 모드에서, "그림자 모델" 시뮬레이션 무인 운전 모드에서의 운전 행위 파라미터를 통해, 풀 운전 환경에서의 편차 데이터의 수집을 구현할 수 있다.

이 외에, "그림자 모델"은 양산 차량에 널리 적용되어, 시간, 지역, 수량에 제한되지 않으면서 사용자 차량측 데이터를 수집할 수 있으므로, 연구 개발에 필요한 데이터의 수집 에지 크게 확장시켜, 선행기술에서 편차 데이터를 인공적으로 수집할 수 밖에 없는 문제를 해결할 뿐만 아니라; 이러한 형태의 편차 데이터 수집을 통해, 사용자 차량이 일상적으로 운행되는 여러 가지 시나리오에 미칠 수 있으므로, 수집된 편차 데이터의 종류, 범위, 특징의 다양성이 모두 어느 정도 향상되어, 무인 운전 모델의 트레이닝에 실제 사용 시나리오와 가장 일치한 데이터 소스를 제공함으로써, 무인 운전 모델을 트레이닝할 때, 무인 운전 모델의 정확도를 더욱 향상시킬 수 있다.

본 출원의 실시예에서, "그림자 모델"의 출력을 통해 차량의 시뮬레이션 무인 운전 모드에서의 제2 운전 행위 파라미터를 획득하는 것 외에, "그림자 모델"과 유사한 기타 운전 모델의 출력을 통해 차량의 시뮬레이션 무인 운전 모드에서의 제2 운전 행위 파라미터를 획득할 수도 있다는 것을 이해할 수 있으며, 구체적으로 실제 수요에 따라 설정할 수 있으며, 여기서, 본 출원의 실시예는 단지 "그림자 모델"의 출력을 통해 차량의 시뮬레이션 무인 운전 모드에서의 제2 운전 행위 파라미터를 획득하는 예를 들어 설명할 뿐, 본 출원의 실시예가 이에 한정되는 것을 의미하는 것은 아니다.

"그림자 모델"의 출력을 통해 차량의 시뮬레이션 무인 운전 모드에서의 제2 운전 행위 파라미터를 획득할 때, 도 2에 도시된 내용을 참조할 수 있는데, 도 2는 본 출원의 실시예에서 제공하는 샘플 편차 데이터를 획득하는 도면이다. 서로 다른 주행 시나리오에 대하여, 사용되는 "그림자 모델"도 상이한 바, 고속 시나리오에서, 그림자 모델은 주로 HWP 모드를 운행하고, 이에서 출력되는 제2 운전 행위 파라미터와 수동 운전 모드에서의 제1 운전 행위 파라미터를 비교하여, 비교 결과가 일치하지 않을 경우, 자동으로 트리거하여 샘플 편차 데이터를 수집하며; 정체 시나리오에서, 그림자 모델은 주로 TJC 모드를 운행하고, 이에서 출력되는 제2 운전 행위 파라미터와 수동 운전 모드에서의 제1 운전 행위 파라미터를 비교하여, 비교 결과가 일치하지 않을 경우. 자동으로 트리거하여 샘플 편차 데이터를 수집하며; 주차 시나리오에서, 그림자 모델은 주로 AVP 모드를 운행하고, 이에서 출력되는 제2 운전 행위 파라미터와 수동 운전 모드에서의 제1 운전 행위 파라미터를 비교하여, 비교 결과가 일치하지 않을 경우, 자동으로 트리거하여 샘플 편차 데이터를 수집한다. 서로 다른 "그림자 모델"은 차량에 미리 구성될 수 있다는 것을 이해할 수 있다.

본 출원의 실시예에서, 샘플 편차 데이터를 획득할 때, 수동 운전 모드에서, 차량의 제1 운전 행위 파라미터, 및 차량의 시뮬레이션 무인 운전 모드에서의 제2 운전 행위 파라미터를 각각 획득하고; 제1 운전 행위 파라미터와 제2 운전 행위 파라미터 사이에 편차 존재 여부를 판단하며, 편차가 존재하면, 차량으로 하여금 기설정 시간 동안의 샘플 편차 데이터를 획득하도록 제어하는 것을 알 수 있다. 이렇게 시뮬레이션 무인 운전 모드 운행 메커니즘을 구축하고, 시뮬레이션 무인 운전 모드에서 출력한 운전 행위 파라미터와 실제의 수동 운전 모드에서의 운전 행위 파라미터를 비교하여, 운전 편차 행위에 대한 차량의 자동적인 감시를 구현하며, 편차가 존재할 때 차량을 트리거하여 자동으로 샘플 편차 데이터를 수집하도록 함으로써, 샘플 편차 데이터의 획득 효율을 향상시킨다.

이 외에, 본 출원의 기술적 해결수단을 사용하면, 인공적인 개입이 없는 상황에서 차량을 트리거하여 자동으로 샘플 편차 데이터를 수집하도록 할 수 있어, 테스트 인원을 위해 대량의 데이터 실시간 수집, 협업, 선별 비용을 절감할 수 있다. 동시에, 수집한 샘플 편차 데이터의 타깃성이 보다 강하여, 매번 수집한 샘플 편차 데이터가 모두 인류 운전 행위와 차량 시뮬레이션 무인 운전 모드에서의 운전 행위에 꼭 편차가 존재하는 시나리오이도록 확보할 수 있으며, 이후에 대량의 무효 데이터를 선별하는 조작이 불필요하게 되어, 인건비를 절약할 뿐만 아니라, 샘플 편차 데이터의 획득 효율을 향상시킨다.

이하, 구체적인 실시예에 의해 본 출원에서 제공하는 샘플 편차 데이터의 획득 방법을 상세히 설명한다. 이해할 수 있는 것은, 아래의 몇 가지 구체적인 실시예는 서로 결합될 수 있고, 동일하거나 유사한 개념 또는 과정은 일부 실시예에서 반복되는 설명을 생략한다.

실시예 1

도 3은 본 출원의 제1 실시예에서 제공하는 샘플 편차 데이터의 획득 방법의 흐름도이고, 상기 샘플 편차 데이터의 획득 방법은 소프트웨어 및/또는 하드웨어 장치에 의해 수행될 수 있다. 예시적으로, 도 3을 참조하면, 상기 샘플 편차 데이터의 획득 방법은 아래의 단계들을 포함할 수 있다.

단계(S301), 수동 운전 모드에서, 차량의 제1 운전 행위 파라미터, 및 차량의 시뮬레이션 무인 운전 모드에서의 제2 운전 행위 파라미터를 획득한다.

예시적으로, 운전 행위 파라미터는 위치, 자세, 속도, 가속도, 스티어링휠 각도, 기어 등의 파라미터를 포함할 수 있고, 구체적으로는 실제 수요에 따라 설정할 수 있으며, 여기서 운전 행위 파라미터의 구체적인 내용에 대해, 본 출원의 실시예는 추가적으로 한정하지 않는다.

본 출원의 실시예에서, 제1 운전 행위 파라미터는 인류 운전 행위의 운전 행위 파라미터이다. 예시적으로, 차량의 제1 운전 행위 파라미터를 획득할 때, 수동 운전 모드에서 CAN(Controller Area Network) 신호로부터 인류 운전 행위의 운전 행위 파라미터를 획득함으로써, 차량의 제1 운전 행위 파라미터를 획득할 수 있다.

제2 운전 행위 파라미터는 차량의 수동 운전 모드에서, 시뮬레이션 무인 운전 모드에서의 운전 행위 파라미터로서, 즉 차량이 완전히 운전자에 의해 제어되고, 무인 운전 모델은 차량의 제어에 참여하지 않는다. 예시적으로, 차량의 시뮬레이션 무인 운전 모드에서의 제2 운전 행위 파라미터를 획득할 때, "그림자 모델"의 출력을 통해 차량의 시뮬레이션 무인 운전 모드에서의 제2 운전 행위 파라미터를 획득할 수 있으며 "그림자 모델"은 인류 운전과 함께 실시간으로 운행되는 무인 운전 모델을 설명하기 위한 것으로서, 차량의 제2 운전 행위 파라미터를 여유롭게 획득할 수 있다. 여기서, "그림자 모델"에 대한 설명은 상술한 설명을 참조할 수 있으며, 여기서 본 출원의 실시예는 더 이상 설명하지 않는다.

수동 운전 모드에서, 차량의 제1 운전 행위 파라미터, 및 차량의 시뮬레이션 무인 운전 모드에서의 제2 운전 행위 파라미터를 각각 획득한 후, 제1 운전 행위 파라미터와 제2 운전 행위 파라미터 사이에 편차 존재 여부를 판단할 수 있는 바, 즉 아래 단계(S302)를 수행할 수 있다.

단계(S302), 제1 운전 행위 파라미터와 제2 운전 행위 파라미터 사이에 편차 존재 여부를 판단한다.

제1 운전 행위 파라미터와 제2 운전 행위 파라미터 사이에 편차 존재 여부를 판단할 때, 만약 제1 운전 행위 파라미터와 제2 운전 행위 파라미터 사이에 편차가 존재하지 않으면, 상기 제1 운전 행위 파라미터와 제2 운전 행위 파라미터를 차량에 저장할 필요가 없이, 상기 제1 운전 행위 파라미터와 제2 운전 행위 파라미터를 삭제할 수 있으며, 즉 아래 단계(S303)를 수행한다. 이렇게 되면 무효한 데이터를 저장함에 따른 메모리의 점용을 방지할 수 있다. 반대로, 만약 제1 운전 행위 파라미터와 제2 운전 행위 파라미터 사이에 편차가 존재하면, 차량을 제어하여 자동으로 기설정 시간 동안의 샘플 편차 데이터를 획득하도록 할 수 있으며, 즉 아래 단계(S304)를 수행한다.

단계(S303), 편차가 존재하지 않으면 제1 운전 행위 데이터와 제2 운전 행위 데이터를 삭제한다.

단계(S304), 편차가 존재하면 차량으로 하여금 차체 상태 정보와 차량이 위치한 환경 정보를 포함하는 기설정 시간 동안의 샘플 편차 데이터를 획득하도록 제어한다.

예시적으로, 차체 상태 정보는 기어, 휠 속도, IMU(Inertial Measurement Unit) 등의 와이어 제어 피드백 데이터를 포함할 수 있으나, 이에 한정되지 않고; 환경 정보는 앞뒤 광각, 주변 어안, 초음파 등의 센서 데이터를 포함할 수 있으나, 이에 한정되지 않는다. 샘플 편차 데이터는 차체 상태 정보와 차량이 위치한 환경 정보를 포함하는 것 외에, 그림자 모델의 관련 데이터와 시스템의 기본 정보를 더 포함할 수 있다. 여기서, 그림자 모델의 관련 데이터는 포지셔닝, 센싱, 환경 모델링, 계획 등의 그림자 모델 출력 데이터를 포함하고; 시스템의 기본 정보는 시스템 정보, 버전, 구성 파라미터 등을 포함한다.

예시적으로, 기설정 시간 동안은 편차가 존재하는 것으로 결정된 시점 이후의 하나의 시간 동안일 수 있고, 제1 시간 동안과 제2 시간 동안을 포함하는 하나의 시간 동안 일 수도 있는 바, 구체적으로는 실제 수요에 따라 설정할 수 있다.

예시적으로, 본 출원의 실시예에서, 차량으로 하여금 기설정 시간 동안의 샘플 편차 데이터를 획득하도록 제어할 때, 차량을 제어하여 편차가 존재하는 것으로 결정된 시점을 시작 시점으로 하는 제1 시간 동안의 샘플 편차 데이터를 수집하고, 수집된 데이터에서 편차가 존재하는 것으로 결정된 시점 이전의 제2 시간 동안의 샘플 편차 데이터를 추출함으로써, 기설정 시간 동안의 샘플 편차 데이터를 획득할 수 있는데, 상기 샘플 편차 데이터는 제1 시간 동안의 샘플 편차 데이터와 제2 시간 동안의 샘플 편차 데이터를 포함한다.

본 출원의 실시예에서, 편차가 존재하는 것으로 결정할 경우, 제1 시간 동안과 제2 시간 동안을 포함하는 기설정 시간 동안의 샘플 편차 데이터를 획득하는 이유는, 편차가 존재하는 것으로 결정될 때, 그 편차 행위는 이미 존재하기 때문이다. 만약 편차가 존재하는 것으로 결정된 시점을 시작 시점으로 하는 제1 시간 동안의 편차 데이터만 수집하면, 일부 편차 데이터가 획득되지 않으므로, 편차가 존재하는 시점이 결정된 시점에, 그 전으로 하나의 제2 시간 동안만큼 거슬러 올라가, 수집된 데이터로부터 제2 시간 동안의 편차 데이터를 수집하여, 본 차 편차 행위와 대응되는 샘플 편차 데이터를 획득할 수 있으며, 샘플 편차 데이터의 자동적인 수집을 구현할 뿐만 아니라, 샘플 편차 데이터의 완전성을 향상시켜, 문제 진단, 무인 운전 모델 트레이닝의 수요를 만족시킨다.

상기 도 3에 도시된 실시예에 기반하여, 상술한 S302에서 어떻게 제1 운전 행위 파라미터와 제2 운전 행위 파라미터 사이에 편차 존재 여부를 판단하는지를 용이하게 이해할 수 있도록, 아래에서는 도 4에 도시된 실시예2를 통해 어떻게 제1 운전 행위 파라미터와 제2 운전 행위 파라미터 사이에 편차 존재 여부를 어떻게 판단하는지에 대해 상세하게 설명한다.

실시예 2

도 4는 본 출원의 제2 실시예에서 제공하는 샘플 편차 데이터의 획득 방법의 흐름도이다. 상기 샘플 편차 데이터의 획득 방법은 마찬가지로 소프트웨어 및/또는 하드웨어 장치에 의해 수행될 수 있다. 예시적으로, 도 4에 도시된 내용을 참조하면, 상기 샘플 편차 데이터의 획득 방법은 아래의 단계들을 포함할 수 있다.

단계(S401), 수동 운전 모드에서, 차량의 제1 운전 행위 파라미터, 및 차량의 시뮬레이션 무인 운전 모드에서의 제2 운전 행위 파라미터를 획득한다.

본 출원의 실시예에서, 단계(S401)의 관련 구현은 상술한 단계(S301)의 관련 구현과 유사한 바, 상술한 단계(S301)의 관련 구현의 설명을 참조할 수 있으며, 본 출원의 실시예는 여기서 반복된는 설명을 생략한다.

단계(S402), 미리 구축한 편차 행위 규칙을 획득한다.

여기서, 편차 행위 규칙은 수동 운전 모드와 시뮬레이션 무인 운전 모드에서의 차량의 각 운전 행위 및 각 운전 행위에 대응되는 운전 행위 파라미터를 기초로 결정된 것이다.

특별히 설명하면, 본 출원의 실시예에서, 제1 운전 행위 파라미터와 제2 운전 행위 파라미터 사이에 편차 존재 여부를 판단할 때마다, 모두 우선 미리 구축한 편차 행위 규칙을 획득해야 하는 것이 아니라, 처음으로 제1 운전 행위 파라미터와 제2 운전 행위 파라미터 사이에 편차 존재 여부를 판단하기 전에, 미리 구축한 편차 행위 규칙을 획득하면 된다. 상기 편차 행위 규칙이 업데이트된 후에는, 업데이트된 후의 편차 행위 규칙을 다시 획득할 수도 있는데, 구체적으로는 실제 수요에 따라 설정할 수 있다.

일반적인 경우, 미리 구축한 편차 행위 규칙을 획득할 때, 클라우드 서버가 미리 구축한 편차 행위 규칙을 수신할 수 있는데, 만약 차량의 처리 칩의 컴퓨팅 능력이 편차 행위 규칙의 구축을 충분히 지원할 수 있으면, 차량이 미리 편차 행위 규칙을 구축할 수도 있는 바, 구체적으로는 실제 수요에 따라 설정할 수 있다.

각 운전 행위 및 각 운전 행위에 대응되는 운전 행위 파라미터를 기초로 편차 행위 규칙을 구축할 때, 먼저 각 운전 행위를 결정한 다음, 각 운전 행위에 대응되는 운전 행위 파라미터를 기초로 편차 행위 규칙을 구축할 수 있다. 예시적으로, 본 출원의 실시예에서, 7종의 기본 운전 행위를 포함할 수 있으며, 이 7종의 기본 운전 행위는 정차, 추종, 우회, 전진, 후진, 가속 및 감속을 포함할 수 있다. 운전 행위는 상기 7종 기본 운전 행위 중의 하나일 수도 있고, 상기 7종의 기본 운전 행위 중 임의의 두 가지 또는 더 많은 기본 운전 행위의 조합, 예를 들어 "회전 시나리오에서의 급제동", "후진 시나리오에서 가속" 등의 운전 행위일 수도 있는 바, 구체적으로는 실제 수요에 따라 설정할 수 있다. 각 운전 행위에 대하여, 이에 대응되는 운전 행위 파라미터는 서로 다를 수 있다. 예를 들어, 운전 행위 "전진" 및 "후진"에 대하여, 해당 운전 행위가 기어와 관련되면, 이에 대응되는 운전 행위 파라미터는 기어이고; 운전 행위 "제동 멈춤", "추종", "우회"에 대하여, 해당 운전 행위가 속도, 가속도, 스티어링휠 각도와 관련되면, 이에 대응되는 운전 행위 파라미터는 속도, 가속도, 스티어링휠 각도이다.

각 운전 행위에 대하여, 차량의 수동 운전 모드와 시뮬레이션 무인 운전 모드에서, 각 운전 행위에 대응되는 운전 행위 파라미터를 각각 결정할 수 있고, 각 운전 행위에 대응되는 운전 행위 파라미터를 기초로 각 운전 행위가 수동 운전 모드와 시뮬레이션 무인 운전 모드에서, 지속 시간 동안에 편차가 존재하는 조건을 결정할 수 있으며; 각 운전 행위가 수동 운전 모드와 시뮬레이션 무인 운전 모드에서 편차가 존재하는 조건을 조합하여 편차 행위 규칙을 구성함으로써, 상기 편차 행위 규칙을 구축할 수 있다.

예시적으로, 각 운전 행위가 수동 운전 모드와 시뮬레이션 무인 운전 모드에서, 지속 시간 동안에 편차가 존재하는 조건을 결정할 때, 각 운전 행위의 수동 운전 모드에서의 운전 행위 파라미터와 시뮬레이션 무인 운전 모드에서의 운전 행위 파라미터를 비교할 수 있으며; 만약 수동 운전 모드에서의 운전 행위 파라미터와 시뮬레이션 무인 운전 모드에서의 운전 행위 파라미터의 차이값이 기설정값보다 작거나 같으면, 각 운전 행위가 수동 운전 모드와 시뮬레이션 무인 운전 모드에서, 지속 시간 동안에 편차가 존재하지 않는것으로 간주하고; 반대로, 수동 운전 모드에서의 운전 행위 파라미터와 시뮬레이션 무인 운전 모드에서의 운전 행위 파라미터의 차이값이 기설정값보다 크면, 각 운전 행위가 수동 운전 모드와 시뮬레이션 무인 운전 모드에서, 지속 시간 동안에 편차가 존재하는 것으로 간주하여, 각 운전 행위가 지속 시간 동안에 편차가 존재하는 조건을 결정한다.

예시적으로, 본 출원의 실시예에서, 각 운전 행위가 지속 시간 동안에 편차가 존재하는 조건은 [키 데이터] - [시간] - [파라미터] - [운전 행위 유형]으로 추상화될 수 있고, 각 파라미터 사이는 및 또는 관계에 의해 연관될 수 있다. 여기서, 키 데이터는 상기 운전 행위에 대응되는 운전 행위 파라미터를 가리키고, 시간은 비교를 위한 시간 동안을 가리키며, 파라미터는 운전 행위 파라미터의 값을 가리킨다. 편차 조건은 "편차"의 존재 여부 및 샘플 편차 데이터를 수집하도록 트리거하는 것에 도달에 대한 근거가 된다.

본 출원의 실시예에서 따른 각 운전 행위가 수동 운전 모드와 시뮬레이션 무인 운전 모드에서 편차가 존재하는 조건을 쉽게 이해할 수 있도록, 이하 운전 행위가 각각 정차, 추종, 우회, 전진, 후진, 가속 및 감속인 예를 들어, 각 운전 행위가 수동 운전 모드와 시뮬레이션 무인 운전 모드에서 편차가 존재하는 조건을 설명한다.

예시적으로, 운전 행위가 "정차"인 경우, 이에 대응되는 운전 행위 파라미터가 속도이면, 운전 행위 "정차"가 수동 운전 모드와 시뮬레이션 무인 운전 모드에서 편차가 존재하는 조건은 아래와 같을 수 있다.

조건 1, 그림자 모델로부터 출력되는 속도는 t시간에서 지속적으로 0이지만, 수동 운전 모드에서 추출한 차속은 t시간에서 지속적으로 0보다 크다.

조건 2, 그림자 모델로부터 출력되는 속도는 t시간에서 지속적으로 0보다 크지만, 수동 운전 모드에서 추출한 차속은 t시간에서 지속적으로 0이다.

조건 1과 조건 2 중 어느 하나의 조건을 만족할 때, 수동 운전 모드에서의 운전 행위 파라미터와 그림자 모델로부터 출력되는 운전 행위 파라미터의 차이값이 제1 기설정값보다 크면, 운전 행위 "정차"가 수동 운전 모드와 시뮬레이션 무인 운전 모드에서 편차가 존재하는 것으로 결정한다. 여기서, 제1 기설정값은 실제 수요에 따라 설정할 수 있고, 여기서 제1 기설정값에 대하여 본 출원의 실시예에서는 추가적으로 한정하지 않는다.

상기 예시에서, [키 데이터]는 수동 운전 모드에서의 가속도와 그림자 모델로부터 출력되는 가속도이고; [시간]은 비교를 위한 전체 t시간이며; [파라미터]는 0이고; [운전 행위 유형]은 정차이다.

예시적으로, 운전 행위가 "추종"인 경우, 이에 대응되는 운전 행위 파라미터가 스티어링휠 각도이면, 운전 행위 "추종"이 수동 운전 모드와 시뮬레이션 무인 운전 모드에서 편차가 존재하는 조건은 아래와 같을 수 있다.

조건 1, 그림자 모델로부터 출력되는 전방 차량과의 거리, 스티어링휠 각도는 t시간에서 끊임없이 증가하지만, 수동 운전 모드에서 추출한 스티어링휠 각도는 t시간에서 지속적으로 a보다 작다.

조건 2, 그림자 모델로부터 출력되는 전방 차량과의 거리, 스티어링휠 각도는 t시간에서 지속적으로 a보다 작지만, 수동 운전 모드에서 추출한 스티어링휠 각도는 t시간에서 끊임없이 증가한다.

조건 1과 조건 2 중 어느 하나의 조건을 만족할 경우, 수동 운전 모드에서의 운전 행위 파라미터와 시뮬레이션 무인 운전 모드에서의 운전 행위 파라미터의 차이값이 제2 기설정값보다 크면, 운전 행위 "추종"이 수동 운전 모드와 시뮬레이션 무인 운전 모드에서 편차가 존재하는 것으로 결정한다. 여기서, 제2 기설정값은 실제 수요에 따라 설정할 수 있고, 여기서 2 기설정값에 대하여, 본 출원의 실시예에서는 추가적으로 한정하지 않는다.

상기 예시에서, [키 데이터]는 수동 운전 모드에서의 스티어링휠 각도와 그림자 모델로부터 출력되는 스티어링휠 각도이고; [시간]은 비교를 위한 전체 t시간이고; [파라미터]는 a이고; [운전 행위 유형]은 추종이다.

예시적으로, 운전 행위가 "우회"인 경우, 이에 대응되는 운전 행위 파라미터가 스티어링휠 각도이면, 운전 행위 "우회"가 수동 운전 모드와 시뮬레이션 무인 운전 모드에 편차가 존재하는 조건을 아래와 같을 수 있다.

조건 1, 그림자 모델로부터 출력되는 동적 장애물 정보, 스티어링휠 각도는 t시간에서 지속적으로 a보다 작지만, 수동 운전 모드에서 추출한 스티어링휠 각도는 t시간에서 끊임없이 증가한다.

조건2, 그림자 모델로부터 출력되는 동적 장애물 정보, 스티어링휠 각도는 t시간에서 끊임없이 증가하지만, 수동 운전 모드에서 추출한 스티어링휠 각도는 t시간에서 지속적으로 a보다 작다.

조건 1과 조건 2 중 어느 하나의 조건을 만족할 경우, 수동 운전 모드에서의 운전 행위 파라미터와 시뮬레이션 무인 운전 모드에서의 운전 행위 파라미터의 차이값이 제3 기설정값보다 크면, 운전 행위 “우회”가 수동 운전 모드와 시뮬레이션 무인 운전 모드에서 편차가 존재하는 것으로 결정한다. 여기서, 제3 기설정값은 실제 수요에 따라 설정할 수 있고, 여기서 3 기설정값에 대하여, 본 출원의 실시예에서는 추가적으로 한정하지 않는다.

상기 예시에서, [키 데이터]는 수동 운전 모드에서의 스티어링휠 각도와 그림자 모델로부터 출력되는 스티어링휠 각도이고; [시간]은 비교를 위한 전체 t시간이고; [파라미터]는 a이고; [운전 행위 유형]은 우회이다.

예시적으로, 운전 행위가 "전진/후진"인 경우, 이에 대응되는 운전 행위 파라미터가 기어이면, 운전 행위 "전진/후진"이 수동 운전 모드와 시뮬레이션 무인 운전 모드에서 편차가 존재하는 조건은, 그림자 모델로부터 출력되는 기어와 수동 운전 모드에서 추출한 기어가 불일치한 시간이 t시간을 초과하는 것일 수 있다.

상기 예시에서, [키 데이터]는 수동 운전 모드에서의 기어와 그림자 모델로부터 출력되는 방향 기어이고; [시간]은 비교를 위한 전체 t시간이고; [파라미터]는 예를 들어 P 기어, D 기어 또는 R 기어 등과 같은 기어 파라미터 값이고; [운전 행위 유형]은 전진/후진이다.

예시적으로, 운전 행위가 "감속/가속"인 경우, 이에 대응되는 운전 행위 파라미터가 가속도이면, 운전 행위 "감속/가속"이 수동 운전 모드와 시뮬레이션 무인 운전 모드에서 편차가 존재하는 조건은 아래와 같을 수 있다.

조건 1, 그림자 모델로부터 출력되는 가속도는 t시간 내에서 모두 0보다 크지만, 수동 운전 모드에서 추출한 가속도는 t시간에서 지속적으로 △a보다 크다.

조건 2, 그림자 모델로부터 출력되는 가속도는 t시간에서 지속적으로 △a보다 작지만, 수동 운전 모드에서 추출한 가속도는 t시간에서 모두 0보다 크다.

조건 1과 조건 2 중 어느 하나의 조건을 만족할 경우, 인류 운전 행위의 파라미터 정보와 그림자 모델의 운전 행위의 파라미터 정보에 편차가 존재하는 것으로 결정한다.

상기 예시에서, [키 데이터]는 차량 가속도와 모델 출력 가속도이고; [시간]은 비교를 위한 전체 t시간이고; [파라미터]는 △a와 0이고; [운전 행위 유형]은 감속/가속이다.

위에서는 운전 행위가 각각 정차, 추종, 우회, 전진, 후진, 가속 및 감속인 7종의 기본 운전 행위인 경우, 대응되는 편차가 존재하는 조건에 대해 상세히 설명하였다. 운전 행위가 상기 7종의 기초 운전 행위 중 임의의 두 가지 이상의 기본 운전 행위의 조합, 예를 들어 "회전 시나리오에서 급제동", "후진 시나리오에서 가속" 등의 운전 행위인 경우, 이에 대응되는 편차가 존재하는 조건은 임의의 두 가지 또는 더 많은 기본 운전 행위에 대응되는 편차 조건의 조합일 수 있으며, 여기서 임의의 하나의 기본 운전 행위에 대응되는 편차 조건이 편차일 경우, 모두 자동으로 차량을 트리거하여 샘플 편차 데이터를 수집하도록 한다.

이렇게 각 운전 행위와 대응되는, 편차가 존재하는 것을 결정하는 조건을 각각 획득한 후, 각 운전 행위에 대응되는 편차가 존재하는 것을 결정하는 조건 조합은, 본 출원의 편차 행위 규칙을 구성할 수 있고, 이렇게 상기 편차 행위 규칙을 기반으로, 편차가 존재하는 것으로 결정될 경우, 차량을 트리거하여 자동으로 샘플 편차 데이터를 수집하도록 할 수 있다.

미리 구축한 편차 행위 규칙을 획득한 후, 미리 구축한 편차 행위 규칙을 기반으로, 제1 운전 행위 파라미터와 제2 운전 행위 파라미터 사이에 편차 존재 여부를 판단할 수 있으며, 즉 아래 단계(S403)을 수행한다.

단계(S403), 미리 구축한 편차 행위 규칙을 기반으로 제1 운전 행위 파라미터와 제2 운전 행위 파라미터 사이에 편차 존재 여부를 판단한다.

미리 구축한 편차 행위 규칙을 기반으로, 제1 운전 행위 파라미터와 제2 운전 행위 파라미터 사이에 편차 존재 여부를 판단하는 것은, 실질상 제1 운전 행위 파라미터와 제2 운전 행위 파라미터가 편차 행위 조건을 만족하는지 여부를 판단하는 것으로서, 만약 제1 운전 행위 파라미터와 제2 운전 행위 파라미터가 편차 행위 규칙 중 임의의 편차 조건을 만족하면, 아래 단계(S404 - S405)를 수행하고; 반대로 제1 운전 행위 파라미터와 제2 운전 행위 파라미터가 편차 행위 규칙에서의 각 편차 조건을 만족하지 않으면, 아래 단계(S406 - S407)를 수행한다.

단계(S404), 제1 운전 행위 파라미터와 제2 운전 행위 파라미터 사이에 편차가 존재하는 것으로 결정한다.

만약 제1 운전 행위 파라미터와 제2 운전 행위 파라미터가 편차 행위 규칙 중 임의의 편차 조건을 만족하면, 제1 운전 행위 파라미터와 제2 운전 행위 파라미터 사이에 편차가 존재한다고 결정하고; 편차가 존재하는 것으로 결정될 경우, 아래 단계(S405)를 수행한다.

단계(S405), 차량으로 하여금 기설정 시간 동안의 샘플 편차 데이터를 획득하도록 제어하되; 여기서, 샘플 편차 데이터는 차체 상태 정보와 차량이 위치한 환경 정보를 포함한다.

본 출원의 실시예에서, 단계(S405)의 관련 구현은 상술한 단계(S304)의 관련 구현과 유사하므로, 상술한 단계(S304)의 관련 구현에 대한 설명을 참조할 수 있으며, 본 출원의 실시예는 여기서 반복되는 설명을 생략한다.

이렇게 편차 행위 규칙을 통해 제1 운전 행위 파라미터와 제2 운전 행위 파라미터에 편차가 존재하는 것으로 결정될 경우, 자동으로 차량을 트리거하여 기설정 시간 동안의 샘플 편차 데이터를 수집하도록 할 수 있으며, 운전 편차 행위에 대한 차량의 자동적인 감시를 구현하며, 편차가 존재할 때 차량을 트리거하여 자동으로 샘플 편차 데이터를 수집하도록 함으로써, 샘플 편차 데이터의 획득 효율을 향상시킨다.

단계(S406), 제1 운전 행위 파라미터와 제2 운전 행위 파라미터 사이에 편차가 존재하지 않는 것으로 결정한다.

만약 제1 운전 행위 파라미터와 제2 운전 행위 파라미터가 편차 행위 규칙 중 각 편차 조건을 만족하지 않으면, 제1 운전 행위 파라미터와 제2 운전 행위 파라미터 사이에 편차가 존재하지 않는 것으로 결정하고, 편차가 존재하지 않는 것으로 결정될 경우, 아래 단계(SS407)를 수행한다.

단계(S407), 상기 제1 운전 행위 데이터와 제2 운전 행위 데이터를 삭제한다.

제1 운전 행위 파라미터와 제2 운전 행위 파라미터 사이에 편차가 존재하지 않는 것으로 결정될 경우, 상기 제1 운전 행위 파라미터와 제2 운전 행위 파라미터를 삭제함으로써, 무효 데이터를 저장함에 따른 메모리의 점용을 방지할 수 있다.

상술한 어느 실시예에 기반하면, 샘플 편차 데이터를 획득한 후, 클라우드 서버가 샘플 편차 데이터를 획득한 후, 샘플 편차 데이터를 기초로 무인 운전 모델을 최적화하도록, 상기 샘플 편차 데이터를 클라우드 서버로 발송할 수도 있으며, 이에 따라 무인 운전 모델의 정확도를 더욱 향상시킬 수 있다.

예시적으로, 획득한 샘플 편차 데이터를 클라우드 서버로 발송할 때, 만약 수집을 트리거한 시점의 네트워크 조건이 허용하면, 샘플 편차 데이터 수집 과정에서, 수집된 샘플 편차 데이터를 실시간으로 클라우드 서버로 발송할 수 있고; 반대로, 만약 수집을 트리거한 시점의 네트워크 조건이 허용하지 않으면, 수집한 샘플 편차 데이터를 차량에 버퍼링하고, 네트워크 조건이 허용할 때 시간 선후 순서에 따라 차량에 버퍼링된 샘플 편차 데이터를 순차적으로 클라우드 서버로 발송할 수 있는데, 클라우드 서버에 대하여, 이렇게 되면 무인 운전 행위와 인류 운전 행위에 편차가 존재할 때의 샘플 편차 데이터를 자동으로 트리거하여 수집하고 업로드할 수 있다.

이 외에, 클라우드 서버가 수신된 샘플 편차 데이터를 용이하게 분류하여 저장하도록, 제1 운전 행위 파라미터 및/또는 제2 운전 행위 파라미터를 기초로 차량의 운전 행위를 결정하고, 차량의 운전 행위를 샘플 편차 데이터의 라벨 정보로 하여, 함께 클라우드 서버로 발송할 수도 있는 바, 이렇게 되면 클라우드 서버는 차량의 운전 행위를 샘플 편차 데이터의 라벨 정보로 하여, 샘플 편차 데이터를 용이하게 분류하여 저장할 수 있다. 예시적으로, 차량의 운전 행위를 샘플 편차 데이터의 라벨 정보로 하여 함께 클라우드 서버로 발송할 경우, 라벨 정보를 .json 형태의 파일로 기록할 수도 있고; 라벨 정보를 기타 형태의 파일로 기록할 수도 있는 바, 구체적으로는 실제 수요에 따라 설정할 수 있으며, 여기서 본 출원의 실시예는 단지 라벨 정보를 .json 형태의 파일로 기록하는 예를 들어 설명하였으나, 본 출원의 실시예가 이에 한정되는 것을 나타내는 것은 아니다.

실시예 3

도 5는 본 출원의 제3 실시예에서 제공하는 샘플 편차 데이터의 획득 장치(500)를 나타내는 블록도이다. 예시적으로, 도 5를 참조하면, 상기 샘플 편차 데이터의 획득 장치(500)는,

수동 운전 모드에서, 차량의 제1 운전 행위 파라미터, 및 차량의 시뮬레이션 무인 운전 모드에서의 제2 운전 행위 파라미터를 획득하는 획득 유닛(501);

제1 운전 행위 파라미터와 제2 운전 행위 파라미터 사이에 편차 존재 여부를 판단하는 제1 처리 유닛(502);

편차가 존재하면, 차량으로 하여금 차체 상태 정보와 차량이 위치한 환경 정보를 포함하는 기설정 시간 동안의 샘플 편차 데이터를 획득하도록 제어하는 제어 유닛(503)을 포함할 수 있다.

선택적으로, 제어 유닛(503)은 제1 제어 모듈과 제2 제어 모듈을 포함한다.

제1 제어 모듈은, 차량을 제어하여, 편차가 존재하는 것으로 결정된 시점을 시작 시점으로 하는 제1 시간 동안의 샘플 편차 데이터를 수집한다.

제2 제어 모듈은, 이미 수집된 데이터에서 편차가 존재하는 것으로 결정된 시점 이전의 제2 시간 동안의 샘플 편차 데이터를 추출한다.

선택적으로, 제1 처리 유닛(502)은 구체적으로 제1 운전 행위 파라미터와 제2 운전 행위 파라미터가 편차 행위 규칙을 만족하면, 제1 운전 행위 파라미터와 제2 운전 행위 파라미터 사이에 편차가 존재하는 것으로 결정하되; 여기서, 편차 행위 규칙은 수동 운전 모드와 시뮬레이션 무인 운전 모드에서의 차량의 각 운전 행위 및 각 운전 행위에 대응되는 운전 행위 파라미터를 기초로 결정된 것이다.

선택적으로, 상기 샘플 편차 데이터의 획득 장치(500)은 제2 처리 유닛, 제3 처리 유닛 및 제4 처리 유닛을 더 포함한다.

제2 처리 유닛은 차량의 수동 운전 모드와 시뮬레이션 무인 운전 모드에서, 각 운전 행위에 대응되는 운전 행위 파라미터를 각각 결정한다.

제3 처리 유닛은 각 운전 행위에 대응되는 운전 행위 파라미터를 기초로, 각 운전 행위가 수동 운전 모드와 시뮬레이션 무인 운전 모드에서 지속 시간 동안에 편차가 존재하는 조건을 결정한다.

제4 처리 유닛은 각 운전 행위가 수동 운전 모드와 시뮬레이션 무인 운전 모드에서 편차가 존재하는 조건을 기초로, 편차 행위 규칙을 구축한다.

선택적으로, 제3 처리 유닛은 제1 처리 모듈과 제2 처리 모듈을 포함한다.

제1 처리 모듈은 각 운전 행위의 수동 운전 모드에서의 운전 행위 파라미터와, 운전 행위의 시뮬레이션 무인 운전 모드에서의 운전 행위 파라미터를 비교한다.

제2 처리 모듈은 수동 운전 모드에서의 운전 행위 파라미터와 시뮬레이션 무인 운전 모드에서의 운전 행위 파라미터의 차이값이 기설정값보다 크면, 각 운전 행위가 수동 운전 모드와 시뮬레이션 무인 운전 모드에서, 지속 시간 동안에 편차가 존재하는 것으로 결정한다.

선택적으로, 상기 샘플 편차 데이터의 획득 장치(500)는 제1 발송 유닛을 더 포함한다.

제1 발송 유닛은 샘플 편차 데이터를 클라우드 서버로 발송하고; 샘플 편차 데이터는 클라우드 서버로 하여금 샘플 편차 데이터를 기초로 무인 운전 모델을 최적화하도록 지시하기 위한 것이다.

선택적으로, 상기 샘플 편차 데이터의 획득 장치(500)는 제5 처리 유닛과 제2 발송 유닛을 더 포함한다.

제5 처리 유닛은 제1 운전 행위 파라미터 및/또는 제2 운전 행위 파라미터를 기초로 차량의 운전 행위를 결정한다.

제2 발송 유닛은 차량의 운전 행위를 샘플 편차 데이터의 라벨 정보로 하여 클라우드 서버로 발송한다.

본 출원의 실시예에서 제공하는 상기 샘플 편차 데이터의 획득 장치(500)는 상술한 임의의 실시예에 따른 상기 샘플 편차 데이터의 획득 방법의 기술적 해결수단을 수행할 수 있고, 그 구현 원리 및 유리한 효과는 상기 샘플 편차 데이터의 획득 방법의 구현 원리 및 유리한 효과와 유사하여, 상기 샘플 편차 데이터의 획득 방법의 구현 원리 및 유리한 효과를 참조할 수 있으므로, 여기서 더 이상 설명하지 않는다.

본 출원의 실시예에 따르면, 본 출원은 컴퓨터 프로그램을 더 제공하며, 컴퓨터 프로그램은 컴퓨터 판독 가능 저장 매체에 저장되고, 전자기기의 적어도 하나의 프로세서는 판독 가능 저장 매체로부터 컴퓨터 프로그램을 판독할 수 있으며, 적어도 하나의 프로세서는 컴퓨터 프로그램을 실행하여 전자기기로 하여금 상술한 임의의 실시예에서 제공하는 방안을 수행하도록 하고, 이의 구현 원리 및 유리한 효과는 상기 샘플 편차 데이터의 획득 방법의 구현 원리 및 유리한 효과와 유사하여, 상기 샘플 편차 데이터의 획득 방법의 구현 원리 및 유리한 효과를 참조할 수 있으므로, 여기서 더 이상 설명하지 않는다.

본 출원의 실시예에 따르면, 본 출원은 전자기기와 판독 가능 저장매체를 더 제공한다.

도 6은 본 출원의 실시예를 수행할 수 있는 예시적인 전자기기(600)를 나타내는 블록도이다. 전자기기는 랩톱 컴퓨터, 데스크톱 컴퓨터, 워크 스테이션, 개인 정보 단말, 서버, 블레이드 서버, 대형 컴퓨터, 및 기타 적합한 컴퓨터와 같은 다양한 형태의 디지털 컴퓨터를 의미한다. 전자기기는 개인 디지털 처리, 셀폰, 스마트 폰, 웨어러블 기기 및 기타 유사한 컴퓨팅 장치와 같은 다양한 형태의 모바일 장치를 의미할 수도 있다. 본문에 개시된 부재, 이들의 연결 및 관계, 및 이들의 기능은 단지 예시적인 것이며, 본문에 개시된 것 및/또는 요구하는 본 출원의 구현을 한정하려는 의도가 아니다.

도 6에 도시된 바와 같이, 전자기기(600)는 컴퓨팅 유닛(601)를 포함하여, 읽기 전용 메모리(602, ROM)에 저장된 컴퓨터 프로그램 또는 저장 유닛(608)으로부터 랜덤 액세스 메모리(603, RAM)에 로딩된 컴퓨터 프로그램을 기초로, 다양한 적합한 동작 및 처리를 수행할 수 있다. RAM(603)에서, 기기(600)의 조작에 필요한 다양한 프로그램과 데이터를 더 저장할 수 있다. 컴퓨팅 유닛(601), ROM(602) 및 RAM(603)은 버스(604)를 통해 서로 연결된다. 입력/출력(I/O) 인터페이스(605)도 버스(604)에 연결된다.

기기(600)의 복수의 부재는 I/O 인터페이스(605)에 연결되고, 예를 들어 키보드, 마우스 등과 같은 입력 유닛(606); 예를 들어 다양한 유형의 디스플레이, 스피커 등과 같은 출력 유닛(607); 예를 들어 자기 디스크, 광 디스크 등과 같은 저장 유닛(608); 및 예를 들어 네트워크 카드, 모뎀, 무선 통신 트랜시버 등과 같은 통신 유닛(609)을 포함한다. 통신 유닛(609)은 기기(600)가 인터넷과 같은 컴퓨터 네트워크 및/또는 다양한 통신 네트워크를 통해 기타 기기와 정보/데이터를 교환하는 것을 허용한다.

컴퓨팅 유닛(601)은 다양한 처리 및 연산 능력을 갖춘 범용 및/또는 전용 처리 모듈일 수 있다. 컴퓨팅 유닛(601)의 일부 예시로서 중앙 처리 유닛(CPU), 그래픽 처리 유닛(GPU), 다양한 전용 인공지능(AI) 연산 칩, 다양한 기계 학습 모델 알고리즘을 실행하는 컴퓨팅 유닛, 디지털 신호 프로세서(DSP), 및 임의의 적합한 프로세서, 컨트롤러, 마이크로 컨트롤러 등을 포함하지만 이에 한정되는 것은 아니다. 컴퓨팅 유닛(601)은 상술한 각각의 방법 및 처리를 수행하는 바, 예를 들어 샘플 편차 데이터의 획득 방법을 들 수 있다. 예를 들어, 일부 실시예에서, 샘플 편차 데이터의 획득 방법은 컴퓨터 소프트웨어 프로그램으로 구현되어, 명시적으로 저장 유닛(608)과 같은 기계 판독 가능 매체에 저장될 수 있다. 일부 실시예에서, 컴퓨터 프로그램의 부분 또는 전부는 ROM(602) 및/또는 통신 유닛(609)을 통해 기기(600) 상에 로딩 및/또는 설치될 수 있다. 컴퓨터 프로그램이 RAM(603)에 로딩되어 컴퓨팅 유닛(601)에 의해 실행될 때, 상술한 샘플 편차 데이터의 획득 방법의 하나 또는 복수의 단계를 수행할 수 있다. 대안으로서, 기타 실시예에서, 컴퓨팅 유닛(601)은 기타 임의의 적합한 방식(예를 들어, 펌웨어를 통해)을 통해 샘플 편차 데이터의 획득 방법을 수행하도록 구성될 수 있다.

본 명세서에 기재되는 시스템 및 기술의 다양한 실시형태는 디지털 전자 회로 시스템, 집적 회로 시스템, 필드 프로그래머블 어레이(FPGA), 전용 집적 회로(ASIC), 전용 표준 제품(ASSP), 시스템 온 칩 시스템(SOC), 복잡 프로그래머블 논리 장치, 컴퓨터 하드웨어, 펌웨어, 소프트웨어, 및/또는 이들의 조합에서 구현될 수 있다. 이러한 다양한 실시형태는 하나 또는 복수의 컴퓨터 프로그램에서 구현되는 것을 포함할 수 있고, 해당 하나 또는 복수의 컴퓨터 프로그램은 적어도 하나의 프로그래머블 프로세서를 포함하는 프로그래머블 시스템 상에서 실행 및/또는 해석될 수 있으며, 해당 프로그래머블 프로세서는 전용 또는 범용 프로그래머블 프로세서일 수 있고, 저장 시스템, 적어도 하나의 입력장치, 및 적어도 하나의 출력장치로부터 데이터와 명령을 수신할 수 있으며, 데이터와 명령을 해당 저장 시스템, 해당 적어도 하나의 입력장치, 및 해당 적어도 하나의 출력장치로 전송한다.

본 출원의 방법을 실시하기 위한 프로그램 코드는 하나 또는 복수의 프로래밍 언어의 임의의 조합으로 작성될 수 있다. 이러한 프로그램 코드는 범용 컴퓨터, 전용 컴퓨터 또는 기타 프로그래머블 데이터 처리 장치의 프로세서 또는 컨트롤러에 제공되어, 프로그램 코드가 프로세서 또는 컨트롤러에 의해 실행될 때 흐름도 및/또는 블록도에서 규정하는 기능/조작이 실시되도록 할 수 있다. 프로그램 코드는 완전히 기계 상에서 실행되거나, 부분적으로 기계 상에서 실행될 수 있으며, 독립 소프트웨어 패키지로서 부분적으로 기계 상에서 실행되고 부분적으로 원격 기계 상에서 실행되거나 완전히 원격 기계 또는 서버 상에서 실행될 수도 있다.

본 출원의 문맥에서, 기계 판독 가능 매체는 유형의 매체일 수 있고, 명령 수행 시스템, 장치 또는 기기에 의해 사용되거나 명령 수행 시스템, 장치 또는 기기와 결합되어 사용되는 프로그램을 포함하거나 저장할 수 있다. 기계 판독 가능 매체는 기계 판독 가능 신호 매체이거나 기계 판독 가능 저장 매체일 수 있다. 기계 판독 가능 매체는 전자적, 자기적, 광학적, 전자기적, 적외선, 또는 반도체 시스템, 장치 또는 기기, 또는 상술한 내용의 임의의 적합한 조합을 포함할 수 있지만 이에 한정되는 것은 아니다. 기계 판독 가능 저장매체의 더 구체적인 예시로서 하나 또는 복수의 선을 기반으로 하는 전기적 연결, 휴대형 컴퓨터 디스크, 하드 디스크, 랜덤 액세스 메모리(RAM), 읽기 전용 메모리(ROM), 소거 가능 및 프로그래머블 읽기 전용 메모리(EPROM 또는 플래쉬 메모리), 광섬유, 휴대용 컴팩트 읽기 전용 메모리(CD-ROM), 광학 저장 장치, 자기 저장 장치, 또는 상술한 내용의 임의의 조합을 포함한다.

사용자와의 인터랙션을 제공하기 위하여, 컴퓨터 상에서 본 명세서에 기재되는 시스템 및 기술을 실시할 수 있으며, 해당 컴퓨터는 사용자에게 정보를 표시하기 위한 표시장치(예를 들어, CRT(캐소드레이 튜브) 또는 LCD(액정 디스플레이) 모니터); 및 키보드와 지향 장치(예를 들어, 마우스 또는 트랙볼)를 구비하고, 사용자는 해당 키보드와 해당 지향 장치를 통해 입력을 컴퓨터로 제공할 수 있다. 기타 종류의 장치는 사용자와의 인터랙션을 제공할 수도 있다. 예를 들어, 사용자에게 제공되는 피드백은 임의의 형태의 센싱 피드백(예를 들어, 시각적 피드백, 청각적 피드백, 또는 촉각적 피드백)일 수 있고; 임의의 형태(사운드 입력, 음성 입력 또는 촉각 입력)을 통해 사용자로부터의 입력을 수신할 수 있다.

여기에 기재되는 시스템과 기술은 백그라운드 부재를 포함하는 컴퓨팅 시스템(예를 들어, 데이터 서버로서), 또는 중간부재를 포함하는 컴퓨팅 시스템(예를 들어, 응용 서버), 또는 프론트 엔드 부재를 포함하는 컴퓨팅 시스템(예를 들어, 그래픽 유저 인터페이스 또는 인터넷 브라우저를 구비하는 사용자 컴퓨터, 사용자는 해당 그래픽 유저 인터페이스 또는 해당 인터넷 브라우저를 통해 여기에 기재되는 시스템 및 기술의 실시형태와 인터랙션할 수 있다), 또는 이러한 백그라운드 부재, 중간 부재, 또는 프론트 엔드 부재를 포함하는 임의의 조합의 컴퓨팅 시스템에서 실시될 수 있다. 임의의 형태 또는 매체의 디지털 데이터 통신(예를 들어, 통신 네트워크)을 통해 시스템의 부재를 서로 연결시킬 수 있다. 통신 네트워크의 예시로서, 근거리 통신망(LAN), 광역 통신망(WAN) 및 인터넷을 포함한다.

컴퓨터 시스템은 클라이언트와 서버를 포함할 수 있다. 클라이언트와 서버는 일반적으로 서로 멀리 떨어져 있으며, 통상적으로 통신 네트워크를 통해 인터랙션한다. 상응한 컴퓨터 상에서 실행되며 서로 클라이언트 - 서버 관계를 가지는 컴퓨터 프로그램을 통해 클라이언트와 서버의 관계를 생성한다. 서버는 클라우드 서버일 수 있고, 클라우드 컴퓨팅 서버 또는 클라우드 호스트라고도 불리우며, 클라우드 컴퓨팅 서비스 시스템 중의 일 호스트 제품으로서, 기존의 물리 호스트와 가상 사설 서버("Virtual Private Server", 또는 "VPS"로 약칭)에 존재하는 관리 상의 어려움이 크고, 서비스 확장이 약한 흠결을 해결한다. 서버는 분포식 시스템의 서버, 또는 블록 체인이 결합된 서버일 수도 있다.

상술한 다양한 형태의 프로세스를 사용하여 단계를 재배열, 추가 또는 삭제할 수 있다는 것을 이해하여야 한다. 예를 들어, 본 출원에 기재된 각 단계는 병열로 수행될 수 있고 순차적으로 수행될 수도 있고 서로 다른 순서로 수행될 수도 있으며, 본 출원에 개시된 기술적 해결수단이 원하는 결과를 얻을 수만 있다면, 본 명세서에서는 이에 대해 한정하지 않는다.

상술한 구체적인 실시형태는 본 출원의 보호범위에 대한 한정이 아니다. 본 분야의 통상의 지식을 가진 자라면, 설계 요구와 기타 요소를 기초로, 다양한 수정, 조합, 서브 조합 및 대체를 수행할 수 있다는 것 이해하여야 한다. 본 출원의 사상과 원칙 내에서 이루어진 모든 수정, 동등한 치환 및 개선 등은 모두 본 출원의 보호 범위 내에 포함되어야 한다.

Claims

수동 운전 모드에서, 지속 시간 동안에 차량의 제1 운전 행위 파라미터, 및 상기 차량의 시뮬레이션 무인 운전 모드에서의 제2 운전 행위 파라미터를 획득하는 단계;
상기 제1 운전 행위 파라미터와 상기 제2 운전 행위 파라미터를 비교하고, 상기 제1 운전 행위 파라미터와 상기 제2 운전 행위 파라미터 사이에 상기 지속 시간 동안에 지속적으로 편차 존재 여부를 판단하며, 상기 지속 시간 동안은 비교하기 위한 시간 동안이고, 상기 제1 운전 행위 파라미터와 상기 제2 운전 행위 파라미터 사이에 상기 지속 시간 동안에 지속적으로 편차가 존재하면, 편차가 존재하는 것으로 확인하는 단계;
편차가 존재하면, 상기 차량으로 하여금 기설정 시간 동안의 샘플 편차 데이터를 획득하도록 제어하되, 상기 샘플 편차 데이터는 차체 상태 정보와 상기 차량이 위치한 환경 정보를 포함하는 단계;를 포함하고,
상기 차량으로 하여금 기설정 시간 동안의 샘플 편차 데이터를 획득하도록 제어하는 단계는,
상기 차량을 제어하여 편차가 존재하는 것으로 결정된 시점을 시작 시점으로 하는 제1 시간 동안의 샘플 편차 데이터를 수집하고, 이미 수집한 데이터에서 상기 편차가 존재하는 것으로 결정된 시점 이전의 제2 시간 동안의 샘플 편차 데이터를 추출하는 단계를 포함하는 샘플 편차 데이터의 획득 방법.
삭제
제1항에 있어서,
상기 제1 운전 행위 파라미터와 상기 제2 운전 행위 파라미터 사이에 편차 존재 여부를 판단하는 상기 단계는,
상기 제1 운전 행위 파라미터와 상기 제2 운전 행위 파라미터가 편차 행위 규칙을 만족하면, 상기 제1 운전 행위 파라미터와 상기 제2 운전 행위 파라미터 사이에 편차가 존재하는 것으로 결정하되; 상기 편차 행위 규칙은 수동 운전 모드 및 시뮬레이션 무인 운전 모드에서의 상기 차량의 각 운전 행위 및 상기 각 운전 행위에 대응되는 운전 행위 파라미터를 기초로 결정된 것인 단계를 포함하는 샘플 편차 데이터의 획득 방법.
제3항에 있어서, 상기 방법은,
수동 운전 모드와 시뮬레이션 무인 운전 모드에서의 상기 차량의 상기 각 운전 행위에 대응되는 운전 행위 파라미터를 각각 결정하는 단계;
상기 각 운전 행위에 대응되는 운전 행위 파라미터를 기초로, 상기 각 운전 행위가 수동 운전 모드와 시뮬레이션 무인 운전 모드에서, 상기 지속 시간동안에 편차가 존재하는 조건을 결정하는 단계;
상기 각 운전 행위가 수동 운전 모드와 시뮬레이션 무인 운전 모드에서 편차가 존재하는 조건을 기초로, 상기 편차 행위 규칙을 구축하는 단계;를 더 포함하는 샘플 편차 데이터의 획득 방법.
제4항에 있어서,
상기 각 운전 행위에 대응되는 운전 행위 파라미터를 기초로, 상기 각 운전 행위가 수동 운전 모드와 시뮬레이션 무인 운전 모드에서, 상기 지속 시간동안에 편차가 존재하는 조건을 결정하는 상기 단계는,
상기 각 운전 행위의 수동 운전 모드에서의 운전 행위 파라미터와, 상기 각 운전 행위의 시뮬레이션 무인 운전 모드에서의 운전 행위 파라미터를 비교하는 단계;
상기 수동 운전 모드에서의 운전 행위 파라미터와 상기 시뮬레이션 무인 운전 모드에서의 운전 행위 파라미터의 차이값이 기설정값보다 크면, 상기 각 운전 행위가 수동 운전 모드와 시뮬레이션 무인 운전 모드에서, 상기 지속 시간 동안에 편차가 존재하는 것으로 결정하는 단계;를 포함하는 샘플 편차 데이터의 획득 방법.
제1항, 제3항 내지 제5항 중 어느 한 항에 있어서,
상기 샘플 편차 데이터를 클라우드 서버로 발송하되, 상기 샘플 편차 데이터는 상기 클라우드 서버로 하여금 상기 샘플 편차 데이터를 기초로 무인 운전 모델을 최적화하도록 지시하기 위한 것인 단계를 더 포함하는 샘플 편차 데이터의 획득 방법.
제6항에 있어서,
상기 제1 운전 행위 파라미터 및 상기 제2 운전 행위 파라미터 중 적어도 하나를 기초로 상기 차량의 운전 행위를 결정하는 단계;
상기 차량의 운전 행위를 상기 샘플 편차 데이터의 라벨 정보로 하여, 상기 클라우드 서버로 발송하는 단계;를 더 포함하는 샘플 편차 데이터의 획득 방법.
수동 운전 모드에서, 지속 시간 동안에 차량의 제1 운전 행위 파라미터, 및 상기 차량의 시뮬레이션 무인 운전 모드에서의 제2 운전 행위 파라미터를 획득하는 획득 유닛;
상기 제1 운전 행위 파라미터와 상기 제2 운전 행위 파라미터를 비교하는 단계;
상기 제1 운전 행위 파라미터와 상기 제2 운전 행위 파라미터 사이에 상기 지속 시간 동안에 지속적으로 편차 존재 여부를 판단하며, 상기 지속 시간 동안은 비교하기 위한 시간 동안이고, 상기 제1 운전 행위 파라미터와 상기 제2 운전 행위 파라미터 사이에 상기 지속 시간 동안에 지속적으로 편차가 존재하면, 편차가 존재하는 것으로 확인하는 제1 처리 유닛;
편차가 존재하면, 상기 차량으로 하여금 차체 상태 정보와 상기 차량이 위치한 환경 정보를 포함하는 기설정 시간 동안의 샘플 편차 데이터를 획득하도록 제어하는 제어 유닛을 포함하고,
상기 제어 유닛은 제1 제어 모듈과 제2 제어 모듈을 포함하고,
상기 제1 제어 모듈은 상기 차량을 제어하여 편차가 존재하는 것으로 결정된 시점을 시작 시점으로 하는 제1 시간 동안의 샘플 편차 데이터를 수집하고;
상기 제2 제어 모듈은 이미 수집한 데이터에서 상기 편차가 존재하는 것으로 결정된 시점 이전의 제2 시간 동안의 샘플 편차 데이터를 추출하는 샘플 편차 데이터의 획득 장치.
삭제
제8항에 있어서,
상기 제1 처리 유닛은, 구체적으로 상기 제1 운전 행위 파라미터와 상기 제2 운전 행위 파라미터가 편차 행위 규칙을 만족하면, 상기 제1 운전 행위 파라미터와 상기 제2 운전 행위 파라미터 사이에 편차가 존재하는 것으로 결정하되; 상기 편차 행위 규칙은 수동 운전 모드 및 시뮬레이션 무인 운전 모드에서의 상기 차량의 각 운전 행위 및 상기 각 운전 행위에 대응되는 운전 행위 파라미터를 기초로 결정된 것인 샘플 편차 데이터의 획득 장치.
제10항에 있어서,
상기 장치는 제2 처리 유닛, 제3 처리 유닛 및 제4 처리 유닛을 더 포함하고,
상기 제2 처리 유닛은 수동 운전 모드와 시뮬레이션 무인 운전 모드에서의 상기 차량의 상기 각 운전 행위에 대응되는 운전 행위 파라미터를 각각 결정하고;
상기 제3 처리 유닛은 상기 각 운전 행위에 대응되는 운전 행위 파라미터를 기초로, 상기 각 운전 행위가 수동 운전 모드와 시뮬레이션 무인 운전 모드에서, 상기 지속 시간 동안에 편차가 존재하는 조건을 결정하고;
상기 제4 처리 유닛은 상기 각 운전 행위가 수동 운전 모드와 시뮬레이션 무인 운전 모드에서 편차가 존재하는 조건을 기초로, 상기 편차 행위 규칙을 구축하는 샘플 편차 데이터의 획득 장치.
제11항에 있어서,
상기 제3 처리 유닛은 제1 처리 모듈과 제2 처리 모듈을 포함하고,
상기 제1 처리 모듈은 상기 각 운전 행위의 수동 운전 모드에서의 운전 행위 파라미터와, 상기 각 운전 행위의 시뮬레이션 무인 운전 모드에서의 운전 행위 파라미터를 비교하고;
상기 제2 처리 모듈은 상기 수동 운전 모드에서의 운전 행위 파라미터와 상기 시뮬레이션 무인 운전 모드에서의 운전 행위 파라미터의 차이값이 기설정값보다 크면, 상기 각 운전 행위가 수동 운전 모드와 시뮬레이션 무인 운전 모드에서, 상기 지속 시간 동안에 편차가 존재하는 것으로 결정하는 샘플 편차 데이터의 획득 장치.
제8항, 제10항 내지 제12항 중 어느 한 항에 있어서,
상기 장치는 제1 발송 유닛을 더 포함하고,
상기 제1 발송 유닛은 상기 샘플 편차 데이터를 클라우드 서버로 발송하되, 상기 샘플 편차 데이터는 상기 클라우드 서버로 하여금 상기 샘플 편차 데이터를 기초로 무인 운전 모델을 최적화하도록 지시하기 위한 것인 샘플 편차 데이터의 획득 장치.
제13항에 있어서,
상기 장치는 제5 처리 유닛과 제2 발송 유닛을 더 포함하고,
상기 제5 처리 유닛은 상기 제1 운전 행위 파라미터 및 상기 제2 운전 행위 파라미터 중 적어도 하나를 기초로 상기 차량의 운전 행위를 결정하고;
상기 제2 발송 유닛은 상기 차량의 운전 행위를 상기 샘플 편차 데이터의 라벨 정보로 하여 상기 클라우드 서버로 발송하는 샘플 편차 데이터의 획득 장치.
적어도 하나의 프로세서; 및
상기 적어도 하나의 프로세서와 통신 연결되는 메모리를 포함하되,
상기 메모리에는 상기 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장되어 있고, 상기 명령은 상기 적어도 하나의 프로세서에 의해 실행되어, 상기 적어도 하나의 프로세서로 하여금 제1항, 제3항 내지 제5항 중 임의의 한 항에 따른 샘플 편차 데이터의 획득 방법을 수행할 수 있도록 하는 전자기기.
컴퓨터 명령이 저장된 비일시적 컴퓨터 판독 가능 저장매체에 있어서,
상기 컴퓨터 명령은 컴퓨터로 하여금 제1항, 제3항 내지 제5항 중 임의의 한 항에 따른 샘플 편차 데이터의 획득 방법을 수행하도록 하는 비일시적 컴퓨터 판독 가능 저장매체.
컴퓨터 판독 가능 저장매체에 저장된 컴퓨터 프로그램에 있어서,
상기 컴퓨터 프로그램은 프로세서에 의해 실행될 경우, 제1항, 제3항 내지 제5항 중 임의의 한 항에 따른 샘플 편차 데이터의 획득 방법을 구현하는 저장매체에 저장된 컴퓨터 프로그램.