CN107451611A - 一种新能源无人车车载深度学习模型更新方法 - Google Patents

Abstract

一种新能源无人车车载深度学***台可根据上传的道路信息重新生成深度学习模型，重新生成的深度学习模型被光纤和充电桩回传至无人车的车载硬盘，更新车载深度学习模型，相比现有技术，数据传输效率更高、成本较低，深度学习模型更新方法更方便、效率更高。

Description

一种新能源无人车车载深度学习模型更新方法

技术领域

本发明涉及无人驾驶技术领域，具体涉及一种新能源无人车车载深度学习模型更新方法和***。

背景技术

深度学***台上需要大规模分布式地执行深度学习程序，生成深度学习模型，搭载了精确的深度学习模型的无人车可提升对环境的识别性能。而精确的深度学习模型的生成并不容易，需要充分分析车载传感器采集的海量道路信息。目前，如何更新车载的深度学习模型是亟需解决的问题。

更新车载的深度学***台或者，通过无线通讯网络，如4G网络，实时将传感器采集的海量道路信息上传至无人车云平台；而现有的模型下载方法通常是通过车载硬盘拷贝或无线通讯网络定期更新车载的深度学习模型。

卸载车载硬盘上传数据的方法人为干预过多、效率较低，而且每天拆卸硬盘也易对硬盘造成损坏；无线通信网络上传数据和下载深度学习模型的方法，因；无线通信网络数据带宽往往较小，例如，4G网络速度只有100Mbps，海量的数据上传需要较长的时间，数据传输效率低，而且，在无线通信网络未能覆盖的地方，有可能导致数据无法正常上传，出现数据漏传的现象，另外，利用无线通信网络上传海量的数据往往需要较大的一笔费用。

发明内容

本申请提供一种新能源无人车车载深度学***台重新生成深度学习模型，再将生成好的深度学习模型回传无人车，更新车载深度学习模型，深度学习模型更新更方便、效率更高。

一种实施例中提供一种新能源无人车车载深度学习模型更新方法，该方法适用的新能源无人车的充电枪接入口包括：电能输入接口和第一数据接口，相应地，充电枪设置有对应的电能输出接口和第二数据接口，该方法包括：

充电枪连接步骤，所述充电枪接入口与充电桩的充电枪相连接，新能源无人车通过所述电能输入接口和电能输出接口获得充电的同时，还通过所述第一数据接口输出车载传感器采集的、存储于车载硬盘中的道路信息；

车载数据上传步骤，充电桩通过所述第二数据接口获取所述第一数据接口输出的道路信息，充电桩将获取的所述道路信息通过光纤上传至无人车云平台；

模型生成步骤，无人车云平台根据接收到的道路信息，重新生成深度学习模型；

模型下载步骤，无人车云平台将生成的深度学习模型数据通过光纤传输至充电桩，充电桩再通过充电枪将重新生成的深度学习模型数据传输至车载硬盘，从而更新车载深度学习模型。

在一些实施例，所述模型下载步骤还包括：

无人车云平台还可通过无线通信网络将重新生成的深度学习模型数据下载至车载硬盘，从而更新车载深度学习模型。

在一些实施例，所述第一数据接口还输出新能源无人车编号信息。

在一些实施例，所述道路信息上传步骤包括：

充电桩获取新能源无人车编号信息和新能源无人车传感器采集的道路信息；

充电桩将获取的所述新能源无人车编号信息通过光纤上传至无人车云平台；

无人车云平台根据所述新能源无人车编号信息，生成注册信息或查询注册信息，并向充电桩反馈已注册信息；

充电桩接收到已注册信息后，将获取的所述道路信息通过光纤上传至无人车云平台；

无人车云平台根据所述注册信息，存储所述道路信息。

依据上述实施例，由于本申请在新能源无人车的充电枪接入口与充电桩的充电枪相连接后，利用充电桩和光纤上传车载传感器采集的道路信息，使得无人车在充电的时候，无人车平台可根据上传的道路信息重新生成深度学习模型，重新生成的深度学习模型被光纤和充电桩回传至无人车的车载硬盘，更新车载深度学习模型，相比现有技术，数据传输效率更高、成本较低，深度学习模型更新方法更方便、效率更高。

附图说明

图1为一种实施例的新能源无人车充电枪接入口示意图；

图2为一种实施例的充电枪接口示意图；

图3为本申请提供的一种新能源无人车车载深度学习模型更新方法流程图；

图4为本申请提供的新能源无人车车载深度学习模型更新状态示意图；

图5为一种实施例的新能源无人车车载深度学习模型更新过程示意图。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。

另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。

由于新能源无人车在驾驶过程中，每秒都将采集海量的数据，这些海量的数据需要上传到无人车云平台被用来生成出更好的深度学***台，在无人车云平台生成好新的深度学习模型后，又利用光纤和充电桩将新的深度学习模型回传给无人车，从而更新车载深度学习模型。

实施例一：

本申请一种新能源无人车车载深度学习模型更新方法，参考图1和图2，该方法适用的新能源无人车的充电枪接入口包括：电能输入接口12和第一数据接口11，相应地，充电枪设置有对应的电能输出接口32和第二数据接口31。在一些实施例，为防止充电时的强电对数据传输造成干扰，电能输入接口12与第一数据接口11之间还设置有第一屏蔽层13，电能输入接口32与第二数据接口31之间还设置有第二屏蔽层33。

参考图3和图4，该方法包括：

充电枪连接步骤100，充电枪接入口与充电桩的充电枪相连接，新能源无人车通过电能输入接口12获得充电的同时，通过第一数据接口11输出车载硬盘中存储的、车载传感器采集的道路信息；

道路信息上传步骤200，充电桩获取该道路信息后，将获取的该道路信息传输至无人车云平台；

模型生成步骤300，无人车云平台根据接收到的道路信息，利用深度学习模型生成算法重新生成深度学习模型；

模型下载步骤400，无人车云平台将重新生成的深度学习模型数据通过光纤传输至充电桩，充电桩再通过充电枪将重新生成的深度学习模型数据传输至车载硬盘，从而更新车载深度学习模型。

在一些实施例，车载传感器采集的道路信息包括：无人车在行驶过程中收集到的图像数据，例如，行车记录仪监控视频。

在一些实施例，第一数据接口11还输出新能源无人车编号信息至充电桩。第一数据接口11输出至充电桩的数据的格式为：

<编号信息，时间，数据类型，注释>

其中，编号信息是为了区分不同的无人车，无人车云平台通过新能源无人车编号信息区分不同无人车上传的数据；时间为当前上传的数据的收集时间，方便区分不同时间收集到的数据；数据类型可以是图像数据，文本数据，激光雷达数据，GPS数据等等；注释是对文件的深入解释。

在一个实施例，道路信息上传步骤200包括：

充电桩获取新能源无人车编号信息和新能源无人车传感器采集的道路信息；

充电桩将获取的所述新能源无人车编号信息通过光纤上传至无人车云平台；

无人车云平台根据所述新能源无人车编号信息，生成注册信息或查询注册信息，并向充电桩反馈已注册信息；

充电桩接收到已注册信息后，将获取的所述道路信息通过光纤上传至无人车云平台；

无人车云平台根据所述注册信息，存储所述道路信息。

需要指出的是，同一个新能源无人车编号信息只需生成一次注册信息，在生成了注册信息后，同一个新能源无人车编号信息再上传，服务器将根据新能源无人车编号信息，自动查询并匹配相应的注册信息。

在一些实施例，模型生成步骤300包括：

读取上传的数据，上传的数据主要包括无人车编号信息和无人车在行驶过程中车载传感器采集到的图像数据；

得到上传的数据后，使用卷积网络提取图像数据中的特征，比如点、曲线等等；

再使用激活网络去激活有用的特征，降低特征的数量以便降低计算量；

使用有用的特征对图像进行分类，生成相应的标签；

比对生成标签的值与预设的标签的值，并使用差值对网络进行反馈学习；

不断的重复以上步骤，进行重复训练，直到神经网络的性能不再提高。

如图5所示，为一种实施例的新能源无人车车载深度学习模型更新过程示意图，具体包括：

首先，新能源无人车的充电枪接入口与充电桩的充电枪相连接后，新能源无人车通过电能输入接口12获得充电桩充电的同时，还通过第一数据接口11输出车载硬盘中存储的道路信息至充电桩；

其次，充电桩在获取道路信息后，将获取道路信息传输至无人车云平台；

再次，无人车云平台根据接收到的道路信息，利用生成深度模型算法重新生成模型；

最后，无人车云平台将重新生成的模型数据通过光纤传输至充电桩，充电桩再通过充电枪将重新的模型数据传输至车载硬盘，从而更新车载深度学习模型。

由于为了便于计费，现有的充电桩通常通过光纤与计算机或计费用的服务器相连接，本申请所用的光纤并不需要重新铺设，不会额外增加成本，与现有的车载深度学习模型更新方案相比，本申请的车载深度学习模型更新方法和***数据传输效率更高、成本较低。

实施例二：

由于下载车载深度学***台还没有重新生成好深度学***台还可通过无线通信网络将重新生成的模型数据下载至车载硬盘，从而更新车载深度学习模型。

在一些实施例，无线通信网络包括移动通信网络或WIFI网络。

本领域技术人员可以理解，上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现，也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘、光盘、硬盘等，通过计算机执行该程序以实现上述功能。例如，将程序存储在设备的存储器中，当通过处理器执行存储器中程序，即可实现上述全部或部分功能。另外，当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中，通过下载或复制保存到本地设备的存储器中，或对本地设备的***进行版本更新，当通过处理器执行存储器中的程序时，即可实现上述实施方式中全部或部分功能。

以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims (4)

1.一种新能源无人车车载深度学习模型更新方法，其特征在于，该方法适用的新能源无人车的充电枪接入口包括：电能输入接口和第一数据接口，相应地，充电枪设置有对应的电能输出接口和第二数据接口，该方法包括：

充电枪连接步骤，所述充电枪接入口与充电桩的充电枪相连接，新能源无人车通过所述电能输入接口和电能输出接口获得充电的同时，还通过所述第一数据接口输出车载传感器采集的、存储于车载硬盘中的道路信息；

车载数据上传步骤，充电桩通过所述第二数据接口获取所述第一数据接口输出的道路信息，充电桩将获取的所述道路信息通过光纤上传至无人车云平台；

模型生成步骤，无人车云平台根据接收到的道路信息，重新生成深度学习模型；

模型下载步骤，无人车云平台将生成的深度学习模型数据通过光纤传输至充电桩，充电桩再通过充电枪将重新生成的深度学习模型数据传输至车载硬盘，从而更新车载深度学习模型。

2.如权利要求1所述的方法，其特征在于，所述模型下载步骤还包括：

无人车云平台还可通过无线通信网络将重新生成的深度学习模型数据下载至车载硬盘，从而更新车载深度学习模型。

3.如权利要求1所述的方法，其特征在于，所述第一数据接口还输出新能源无人车编号信息。

4.如权利要求3所述的方法，其特征在于，所述道路信息上传步骤包括：

充电桩获取新能源无人车编号信息和新能源无人车传感器采集的道路信息；

充电桩将获取的所述新能源无人车编号信息通过光纤上传至无人车云平台；

无人车云平台根据所述新能源无人车编号信息，生成注册信息或查询注册信息，并向充电桩反馈已注册信息；

充电桩接收到已注册信息后，将获取的所述道路信息通过光纤上传至无人车云平台；

无人车云平台根据所述注册信息，存储所述道路信息。