CN107544330A - 自主调校的调度方法及装置 - Google Patents

Abstract

本申请公开了一种自主调校的调度方法及装置。所述方法包括：接收一个或多个车辆的状态监测数据；根据状态监测数据确定每个车辆的待调校项目和调校需求等级；根据调校需求等级从一个或多个车辆中挑选一个或多个试验车辆；对试验车辆发送待调校项目，使试验车辆对对应的待调校项目进行自主调校；根据试验车辆自主调校的结果和调校需求等级确定一个或多个车辆的调度规划；向一个或多个车辆发送调度规划，以使一个或多个车辆按照调度规划进行自主调校。本申请实施例提供的方法及装置通过综合多个车辆的状态和调校历史来确定车辆的调校规划，从而在保证车辆的安全性和可靠性的同时，实现了大规模车辆的调校的快速平顺运营调度。

Description

自主调校的调度方法及装置

技术领域

本申请属于车辆检测技术领域，尤其涉及一种自主调校的调度方法及装置。

背景技术

无人驾驶车辆和传统汽车相比，其配备了更多的智能化部件如激光雷达、测速、压力、温度等传感器***以及各种控制***，无人驾驶汽车高度依赖于这些传感器产生的数据并基于这些数据产生的自动驾驶策略。但车辆中的特定部件由于各种原因如软件升级、部件更换、网络指示(如服务器强制要求)和磨损和/或季节、天气等的各种原因随时间变化等的条件下需要重新调校(包括验证、测试和校准等)。无人驾驶汽车是基于感知输入也就是利用传感器***采集的数据进而实现对无人驾驶车辆的控制，因此对智能部件参数的调校尤其是传感***的调校要求变得非常严格，基本为零错误容许。

一方面，无人驾驶汽车的不间断运行要求车辆能够自主进行校准、测试、故障修复；另一方面，无人驾驶汽车的特征也决定了无法使用传统人工参与的方式来完成，尤其是在部署了大量的共享无人驾驶汽车的情况下。

然而，一个技术挑战在于，大量无人驾驶汽车的校准、测试、故障修复的需求可能发生在相同的时间段。例如，整个无人驾驶汽车车队通过网络升级了新的软件***，同一批次的无人驾驶汽车车队的传感器使用周期到达了相同的校准时间点，一批新投放的无人驾驶汽车车队需要上路前测试等。短时间内突发的校准需求可能造成严重的资源拥堵，例如需要特定校准场所的测试项目会导致大量排队的车辆，再例如大量车辆进行校准而对整个车队的运输承载能力带来大幅度的波动，再例如车辆集中向网络发送校准数据带来的峰值数据传输。这种由脉冲型校准需求带来的车队状态波动既不利于车辆的快速校准也不利于平顺的运载运营。

此外，对于大量集中的调校，另一个直接的挑战在于，如果一次性对所有软件***升级并校准，当新的软件***存在兼容或稳定性问题时，整个车队都面临无法运行的风险。

综上，为应对无人驾驶汽车的频繁、大量而集中的自主调校需求，有必要设计一种可调度且安全可靠的调校方法。

发明内容

本申请实施例提供一种自主调校的调度方法及装置。

第一方面，本申请实施例中提供了一种自主调校的调度方法，包括：

接收一个或多个车辆的状态监测数据；

根据所述状态监测数据确定每个所述车辆的待调校项目和调校需求等级；

根据所述调校需求等级从所述一个或多个车辆中挑选一个或多个试验车辆；

对所述试验车辆发送待调校项目，使所述试验车辆对对应的待调校项目进行自主调校；

根据所述试验车辆自主调校的结果和所述调校需求等级确定所述一个或多个车辆的调度规划；

向所述一个或多个车辆发送所述调度规划，以使所述一个或多个车辆按照所述调度规划进行自主调校。

可选的，所述状态监测数据包括：软件信息、硬件信息、***运行信息、传感器信息、车外环境信息和车内环境信息中的一种或多种。

可选的，所述挑选一个或多个试验车辆包括：根据所述调校需求等级，从所述一个或多个车辆中选取满足一个最小多样性需求的车辆集合，将所述车辆集合中的车辆作为所述试验车辆。

可选的，所述方法还包括：对所述试验车辆的调校结果进行统计分析；

根据统计分析结果确定所述一个或多个车辆的调度规划。

可选的，所述确定每个所述车辆的待调校项目进一步包括：按照全部车辆的所述需要调校的项目的优先级选取所述待调校项目。

可选的，所述确定所述一个或多个车辆的调度规划包括：根据每个所述车辆的位置确定其所属服务区域；根据每个所述服务区域内所有车辆的所述调校需求等级的排序来确定所述调度规划；其中，所述调度规划包括：每个所述车辆进行调校的时间、地点和项目。

可选的，所述计算每个所述车辆的调校需求等级包括：针对每个所述车辆计算所述待调校项目的离散需求等级；利用一组所述车辆计算所述待调校项目的需求概率数据；根据所述离散需求等级和所述需求概率数据确定每个所述车辆的调校需求等级。

可选的，所述方法还包括：采集所述调度规划的执行结果；根据所述执行结果再次计算每个车辆的所述调校需求等级；根据再次计算后的所述调校需求等级更新所述调度规划。

可选的，所述方法还包括：根据每个调校中心的容量动态划分所述服务区域。

第二方面，本申请实施例提供了一种自主调校的调度装置，包括：

接收单元，用于接收一个或多个车辆的状态监测数据；

确定单元，用于根据所述状态监测数据确定每个所述车辆的待调校项目和调校需求等级；

挑选单元，用于根据所述调校需求等级从所述一个或多个车辆中挑选一个或多个试验车辆；

发送单元，用于向所述试验车辆发送待调校项目，使所述试验车辆对对应的待调校项目进行自主调校；

调度规划单元，用于根据所述试验车辆自主调校的结果和所述调校需求等级确定所述一个或多个车辆的调度规划；

调度单元，用于向所述一个或多个车辆发送所述调度规划，以使所述一个或多个车辆按照所述调度规划进行自主调校。

可选的，所述状态监测数据包括：软件信息、硬件信息、***运行信息、传感器信息、车外环境信息和车内环境信息中的一种或多种。

可选的，所述挑选单元包括：最小多样性选取模块，用于根据所述调校需求等级，从所述一个或多个车辆中选取满足一个最小多样性需求的车辆集合，将所述车辆集合中的车辆作为所述试验车辆。

可选的，所述装置还包括：调校结果分析单元，用于对所述历史调校数据中所述试验调校项目的调校结果进行统计分析；调度单元，用于根据统计分析结果确定所述一个或多个车辆的调度规划。

可选的，所述项目确定单元包括：调校项目选取模块，用于按照全部车辆的所述需要调校的项目的优先级选取所述待调校项目。

可选的，所述调度规划单元包括：区域归属模块，用于根据每个所述车辆的位置确定其所属服务区域；区域规划模块，用于根据每个所述服务区域内所有车辆的所述调校需求等级的排序来确定所述调度规划；其中，所述调度规划包括：每个所述车辆进行调校的时间、地点和项目。

可选的，所述确定单元包括：离散需求计算模块，用于针对每个所述车辆计算所述待调校项目的离散需求等级；需求概率计算模块，用于利用一组所述车辆计算所述待调校项目的需求概率数据；等级确定模块，用于根据所述离散需求等级和所述需求概率数据确定每个所述车辆的调校需求等级。

可选的，所述装置还包括：结果采集单元，用于采集所述调度规划的执行结果；需求等级再计算单元，用于根据所述执行结果再次计算每个车辆的所述调校需求等级；调度规划更新单元，用于根据再次计算后的所述调校需求等级更新所述调度规划。

可选的，所述装置还包括：区域划分单元，用于根据每个调校中心的容量动态划分所述服务区域。

在本申请实施例的再一方面，还提供一种电子设备，包括：

存储器以及一个或多个处理器；

其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行，以使所述一个或多个处理器能够实现如上所述的方法。

在本申请实施例的又一方面，还提供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中存储有计算机可执行指令，所述计算机可执行指令被执行后用以实现如上所述的方法。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本申请的一些实施例。

图1是本申请实施例中一个典型的应用场景示意图；

图2是本申请一个实施例提供的自主调校的调度方法的示意图；

图3是本申请另一个实施例提供的基于服务器端的车辆验证调度示意图；

图4是本申请再一个实施例提供的多中心的验证调度示意图；

图5是本申请又一个实施例提供的自主调校的调度装置的框图；

图6是本申请又一个实施例提供的自主调校的调度装置的模块框图；

图7是本申请又一个实施例提供的电子设备结构图；

图8是实现和/或传播本申请技术方案的通用型计算设备的一种示例的结构框图。

具体实施方式

为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而非全部实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

本领域技术人员可以理解，本申请中的“第一”、“第二”等术语仅用于区别不同设备、模块或参数等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。

图1为本申请实施例中的自主调校的调度方法的典型应用场景。如图1所示，在汽车101，104，105处于无人驾驶的行驶过程中，多个传感器(未示出)实时采集汽车101行驶中的各种数据，传感器可以包括激光雷达、双目摄像头、单目摄像头、毫米波雷达、红外雷达、全球定位***(GPS)、惯性测量单元、姿态传感器等，无人驾驶装置根据所采集到的数据，对车辆的驱动***(未示出)，例如转向***，动力***，刹车***，悬挂***进行控制，从而实现车辆在没有驾驶员干预，或较少干预的情况下实现安全的行驶。汽车101，104，105中通过云端102和服务器103更新新的软件***，以进行***的升级，云端和服务器可以对车辆进行调度。车辆、云端以及服务器之间的通信链路可以包括各种连接类型，例如无线通信链路、全球定位***或者光纤电缆等等。下面对本申请实施例中的自主调校的调度方法进行详细说明。

图2是本申请一个实施例提供的自主调校的调度方法示意图。如图2所示，该方法包括以下步骤：

步骤201，接收一个或多个车辆的状态监测数据；

在一个实施例中，车辆包括各种部件，所述各种部件包括软件、传感器、接口等中的一种或者多种。所述的软件包括平台管理软件、轮胎驱动及管理程序、激光雷达驱动软件、摄像机驱动软件和速度控制器软件等中的一种或者多种；所述的传感器包括激光雷达、双目摄像头、单目摄像头、毫米波雷达、红外雷达、全球定位***(GPS)、惯性测量单元、姿态传感器等中的一种或者多种；所述接口包括触摸屏、通信接口、网络接口等中一种或者多种。

在一些实施例中，所述车辆的状态监测数据，包括车辆的传感器、整车部件及车载电子设备的状态，具体的包括软件信息、硬件信息、***运行信息、传感器信息、外部输入信息等中的一种或者多种。所述软件信息包括软件的版本、软件的校验码、软件的用户名和用户密码等中的一种或者多种；所述的硬件信息包括硬件的ID、MAC地址、和物理地址等中的一个或者多个；所述的***运行信息包括***的运行时长、距离上次校准的时长、运行日志或***错误等中的一个或者多个；所述的传感器信息是指传感器采集到的实时数据，例如激光雷达和摄像头采集到的距离数据，GPS采集的到的位置数据等；所述的外部输入信息包括驾驶员或者车主输入的信息、服务器推送的信息、外部监测/传感设备输入的信息、周边其他车辆输入信息、交通管理***输入信息等中的一个或者多个。所述状态能够反映车辆是否需要执行一次调校任务。

上述举例仅仅为了便于理解车辆状态监测数据，并不对车辆监测数据做任何限制，只要是车辆所产生的数据或应用于车辆的数据均应包括在内。需要说明的是所述调校包括校准、验证、检测和/或测试，下文将根据所实际执行的调校任务使用相应的表达方式。

步骤202，根据所述状态监测数据确定每个所述车辆的待调校项目和调校需求等级；

在一个实施例中，根据预设的条件判断是否需要调校。具体的，当状态为软件信息，预设条件为当检测到软件的版本号发生了变化、软件的校验码发生了改变、用户名和用户密码发生了增加、删除或更改，在软件进行升级后，车辆的平台管理软件(用于对整个车辆各部件的管理)读取写入固定位置的各软件模块的版本号，包括平台管理软件、轮胎驱动及管理程序、激光雷达驱动软件、摄像机驱动软件等，若部件的软件版本变更，则认为相关的部件需要进行校准。当状态为硬件信息，比如硬件ID、MAC地址或物理地址，预设条件为当检测到硬件ID、MAC地址或物理地址发生了改变，此时认为硬件发生了改变，则认为该硬件需要进行校准。当状态为***运行信息，预设条件为***运行时长超过第一阈值、距前次校准时长超过第二阈值、日志中累计警告次数超过第三阈值和发生严重错误，比如***运行时长超过7天、距前次校准时长超过3天、日志中累计警告次数超过10次、***发生死机，此时表示对应的部件需要重新校准。当状态信息为传感器信息，预设条件为传感器信息与前次已经校准的在先数据不符或者多个传感器对同一情况的判断不同，具体来说，至少可以根据如下几种传感器信息进行异常检测：(a)测距传感器，针对同一对象，车辆多个传感器独立测量得到的距离正常情况下会有较好的一致性，相互之间的差距在误差允许的范围之内，若判断出某个或某些传感器测距的结果与其它传感器测距结果或其平均值差异超过一定的阈值，则认为该传感器需要重新校准；(b)视觉传感器，针对同一对象，车辆多个视觉传感器独立测量得到的相应的某些区域亮度或色差在正常情况下会有较好的一致性，相互之间的差距在误差允许的范围之内，若判断出某个或某些传感器测量的某些区域亮度或色差与其它传感器测量结果或其平均值差异超过一定的阈值，则认为该传感器需要重新校准。其它类型的传感器数据的异常判断，也采取类似的方式，在此不再赘述。当状态为外部输入信息，预设条件为外部输入信息中的一个或多个包括校准指令或对车辆运行情况的严重警示，比如服务器直接对车辆发出校准指令，交通管理***直接警示车辆的行驶状态存在严重问题，或者来自车辆生产厂商或者车辆运营方，针对特定车辆的使用情况提出校准，比如暴雨过后，大雪过后，或者某辆车发生了小的事故，或者某辆车即将安排一次长途旅行，此时说明外界发现了车辆出现问题，需要重新校准。

在一个实施例中，同一个车辆或多个车辆可能有多个项目需要调校，此时可以根据调校项目的优先级来选取待调校项目，例如涉及到速度控制的调校优先级要大于车内温度控制的调校。

在一个实施例中，调校项目是对传感器的校准。这种类型的调校任务是用于调校当前的传感器性能维持在一个有效的范围之内。由于传感器的持续运行可能带来累计的误差，无人驾驶汽车需要对传感器进行校准。

在另一个实施例中，调校项目是软硬件测试，由于车辆的软件***可能通过网络不断的更新，而新的软件与车辆现有的硬件***是否能够兼容需要进行相应的测试。同时，由于车辆维修、更新换代也可能带来车辆硬件的变动。例如使用一个新的激光传感器来取代旧的传感器。这种测试的目的是验证新的软硬件***的兼容性。此处，***的兼容性是指，在更换了软件或硬件部件之后，两者通过接口进行输入输出的交互，实现对车辆的行驶控制，该控制符合一个预期的性能水平。

在另一个实施例中，调校项目是故障检测，故障检测也是一种无人驾驶汽车的验证任务。由于缺少驾驶员的值守，车辆需要自动进行故障检测，可以通过对各类传感器和控制部件的日志进行分析从而进行故障识别，进而判断车辆是否处于故障状态。

在无人驾驶汽车领域，调校可以分为几种类型：

A：车辆可以自行执行的调校，因为这些调校可以通过自身的传感器以及车载的计算机程序进行不间断的监控。例如胎压的监控，电量的监控，座舱温度的监控，悬挂***的监控等。

B：另外一种调校是需要由服务器或运营中心进行安排和调度的，例如需要使用特定的资源，比如需要一定的参照物，因此需要服务器或运营中心进行规划和安排。再例如，需要服务器通过对比大数据记录，才能发现车辆的潜在问题。再例如，软件升级后的检测和验证，以及黑客攻击后的验证，两者均需要使用到服务器端存储的相关数据，因此需要服务器端的参与。

在一个实施例中，所述验证检测只是一个单纯的对使用历程的计数。例如，检测任务是追踪各类传感器持续运行的时间，车辆轮胎行驶里程，传感器产生的数据量计数，电池充放电次数等。

在另一个实施例中，所述验证检测是一个对车辆状态的判断。例如轮胎气压与一个参考数据之间的差异性，电池电量状态与一个参考数据之间的差异。

在另一个实施例中，所述验证检测的触发是一个对车辆驾驶软件和/或硬件的更新。例如，车辆下载了一种新的无人驾驶算法，车辆更换了一个新的传感器部件，车辆更换了新的悬挂，转向，刹车，油门等相关整车器件。

在另一个实施例中，所述验证检测是对一个未知故障状态的检测。例如，无法执行的自动驾驶算法，无法获得动力输入，轮胎胎压异常，整车部件状态异常，无法识别的传感器数据等。

在另一个实施例中，所述验证检测包括对检测环境的配置，需要调度车辆行驶至特殊地点(包括配套环境)。比如激光雷达或视觉传感器需要特定的环境，从而将验证结果同参考真值数据之间的差异性比较。这包括检测执行的时间，地点，外部工具等环境变量。例如，传感器状态检测执行的时间可以设置在某一时间点，以获得该时间点下的传感器的性能状态。例如图像传感器对光照条件较为敏感，因此在不同时间点下的性能状态有明显不同，因此检测配置可以通过使用特殊的时间点获得某一传感器的状态信息。除此之外，在一些日常行驶的路段，可以通过设置特殊的检测辅助设施，例如反光柱、二维码，测距仪等设施辅助车辆进行检测任务。而自动驾驶算法需要实时在路面复杂交通情况下进行，因此可以通过检测环境的配置保证自动驾驶算法的测试。

在另一个实施例中，验证检测周期包括验证检测执行的频率，每次验证检测执行的时间长度，两次验证检测之间的最长间隔能时间相关的配置。

在另一个实施例中，验证检测结果的数据结构和反馈方法包括如何处理、存储、发送检测的结果。其中，包括对原始数据的处理，压缩，存储，发送。检测报告的发送可以是周期性进行的，也可以是由特定事件触发的。例如，激光雷达的数据量大，因此可以使用较低频率的方法通过无线或有线网络发送。再例如，可以对激光雷达的数据进行处理，而只发送处理后的结果(例如Occupancy Grid Mapping)再进行发送，这样就可以减少发送的数据量。每隔固定时间周期，车辆将上述历程性数据，例如传感器使用时间，轮胎行驶里程，传感器累计的数据通过网络发回服务器。再例如，车辆检测到一个故障，并立即将该故障报告发回服务器，并附着相关的故障原因，传感器数据等信息。

在一个实施例中，服务器根据获得的大量车辆的数据，通过对数据的统计和对比，为每一个车辆计算一个验证需求等级。需求等级是基于预定义原则的方式计算出的离散值，也就是需求等级隶属于一个分类。如下表格所示，共有4级离散的需求等级。根据预定义的准则，服务器能够计算出需求等级的得分。

Table1：离散需求等级的计算

需求等级	验证需求	无人驾驶车辆需求
			1	无需验证	无任何需求
2	限期验证	在预定义时间内完成验证
			3	立即验证	立即执行一次验证
4	立即停止行驶并验证	需要立即停止行驶

例如，假设胎压为p，需求等级为r，则一个计算准则为

再例如，传感器误差为σ，则一个计算准则为

再例如，假设激光雷达信号状态δ＝0代表没有收到激光雷达信号，δ＝1代表收到激光雷达信号。则一个计算准则为

类似的，Δ可以指示车辆软件是否升级，如果经过升级，则车辆需要进行验证，如果没有经过升级，则不需要进行验证。

计算准则也可以通过多个参数的组合来计算，例如

r＝f(p,σ)

其中f是一个根据两个变量计算需求等级的公式。针对某些特殊情况，可以采用预定义准则的方法(rulebasedmethod)，可以将任何一种无人驾驶汽车的状态分配至预定义的一个需求等级中。比如：当关键传感器发生故障，无人驾驶车辆应该立即校准验证。又比如，当***软件升级后，需要判断进行相应的验证。

再例如，一个更新的禁行区域地图的数据更新，就需要车辆立即执行，升级的需要就可以计算得出为4。然而，由于禁行区域是与特定地点相关的，则分布于不同地点的车辆可能最终的得分互不相同。例如，远离禁行区域的车辆计算得分可能是2，接近禁行区域的车辆计算得分为3，在禁行区域内的车辆得分为4。

再例如，由于车型的不同，车辆配备了不同的硬件***。例如服务器或运营中心发现了当前自动驾驶的某一程序存在安全漏洞时，可以根据车型的不同计算离散的需求等级。例如可以高速行驶的无人驾驶汽车对针对安全漏洞的程序升级得分为4，而低速的园区车辆得分为2。

具体的基于一个固定准则的方法可能有很多种，此处不一一列举，其核心在于区分车辆对调校需求紧迫度。

除此之外，服务器可以根据大量的车辆运行状态数据，计算并得出车辆的一个故障状态，并根据该故障状态，计算得出离散的需求等级。例如，服务器可以采集大量的正常运行车辆的传感器数据，路径规划决策，行驶策略的执行数据并进行统计，进而获得一个安全数值区间。如果一个车辆的数据落入安全数值区间，则认为其运行正常；如果一个车辆的数据超出安全数值区间，则认为存在故障。例如，检测到车辆传感器(视觉定位和GPS)的数据之间经常存在偏差，根据偏差的大小和频率，可以对车辆需要验证设定相应的需求等级。又比如，服务器将发现某一车辆同其他车辆在同一路段的速度和加速度存在较大不同，此时，该车辆被标识为潜在的故障车辆。针对每一个验证需求，无人驾驶车辆的行为也有相应的改变。例如需求等级为1，此时无人驾驶汽车无重大验证需求。

在另外一个实施例中，需求等级是一个通过多变量计算得到的连续概率值(probabilitybasedmethod)。例如：

r＝f(x1,x2,x3,…,xN)

其中x1,x2,x3,…,xN是无人驾驶车辆反馈的多个报告变量，每个变量都在一定程度上决定了车辆当前对验证的需求。一种计算方式为，通过一个多项式的方法对需求概率进行计算：

r＝f(x1,x2,x3,…,xN)＝a1x1+a2x2+a3x3+…aNxN

其中a1,a2,a3,…,aN是一组权重值，用来调整各个参数之间对验证需求的贡献。权重值可以通过预先设计的原则来决定，例如平衡每一个因素对验证需求的影响。另外一种方式，可以通过对大量数据的统计，进而通过机器学习的方法确定这些权重值。例如，采集大量车辆的数据，并根据人工的方式对需求概率进行标定。通过优化以下函数，就可以得到相关的权重值

argmin_{a1,a2,a3,…,aN}||r_g-r′_g||

其中r_g是一组车辆的需求等级，r′_g是通过人工标定的车辆需求等级。除了使用上述多项式的方法，也可以使用神经网络的方法计算一个车辆的验证需求概率。通过对车辆进行标定，并将车辆的检测数据作为输入，使用大量数据对网络进行训练。最终可以得到一个用于预测车辆需求概率的神经网络。

如下，一组车辆经过计算得出的需求概率数据如下：

Vehicle 1[0.9]Vehicle 2[0.8]Vehicle 3[0.1]

在另外一个实施例中，将以上两种方法结合起来：由一个基于准则的方法计算出离散的需求等级，然后再计算一个需求概率数据，并将两者结合起来，得到最终的需求等级数值。

在一个实施例中，针对不同的验证项目，例如激光雷达校准或自动驾驶纵向控制算法，验证的需求等级是单独计算的，例如

r₁＝f₁(x1,x2,x3,…,xN)

r₂＝f₂(x1,x2,x3,…,xN)

例如，在使用激光雷达和视觉传感器融合的方法时，x1,x2可以是两个传感器的分别的置信度，

r₁＝f₁(x1,x2)＝ax1+bx2

可以通过二者的置信度计算出一个传感器校准的需求概率。

再例如，一个用于密集地区(UrbanArea)行驶车辆的自动驾驶算法需要更新。则可以根据以上的方式对不同车辆计算出升级需求概率。其中可以被用于计算升级需求概率的包括当前车辆的位置以及历史运行轨迹，从而计算得出在密集地区运行频次较高的车辆，也就是那些需求概率取值较高的车辆。例如，

x1,x2

分别是当前车辆的位置以及过去一段时间通过密集区域的频次，则根据上述多项式或机器学习的方法，计算得到a，b两辆车的升级需求。

ra＝f(x1_a,x2_a),

rb＝f(x1_b,x2_b)

再例如，可以根据软件升级的升级开销来计算升级需求。例如一个软件升级需要去到一个专门的校准和测试中心进行校准和测试，因此软件升级需要车辆行驶额外的里程才能完成升级后的校准和测试。因此，将行驶历程，以及升级所需的数据和流量等产量作为变量，也可以计算出不同的升级需求概率取值。

在一个实施例中，升级需要是按照车辆业务运行维护状况计算得到的。例如在一个由无人驾驶汽车的共享车队中，业务的需求和调度都是通过服务器根据实时的数据完成的。服务器的一个任务就在于分配车辆资源去满足客户的需求。然而，软件升级可能造成车辆暂时的业务停止。因此，升级的需求概率值可以根据对业务的负面影响来计算。例如，x1,x2,x3分别为该车辆当前运力、该地区存量运力、该区域运力需求，则分配一辆无人驾驶汽车带来的运力损失可以通过一个代价公式

l＝g(x1,x2,x3)

来计算，其中g()是一个计算运力损失的代价公式。其具体实现方式可以通过机器学习或预定拟合的模型来实现。此时，则升级需求函数可以使用以下方式得到

或

r＝-log(ag+b)

由以上可知，可以通过对升级需求的具体计算方法的设计，控制车辆软件升级对业务运维造成的压力，从而使得整个车队不至于由于软件升级带来过多的业务下降。

除此之外，车辆的类型，硬件水平，行驶区域，当前路径规划，历史行驶路径，是否存在辅助驾驶员，当前电量水平，当前传感器准确度，当前地理位置，当前车辆所处的环境，均可以作为变量输入到所述的方法中，进而计算出一个软件升级的需求概率。具体的计算方法的推导和优化，可以不断根据需求和数据进行反馈进行改进和调整。

另外一种实施方式为，将以上两种方法结合起来。由一个基于准则的方法计算出离散的升级需求等级，然后再计算一个需求概率数据，并将两者结合起来，得到最终的需求等级数值。

在升级需求等级得到计算之后，服务器就可以按照需求等级的取值进行排序。一种直接的方法是直接按从高到低的排序。服务器可以按照一个比例，或者按照某一设定的阈值，选出优先进行软件升级的车辆列表。

步骤203，根据所述调校需求等级从所述一个或多个车辆中挑选一个或多个试验车辆；

在一个实施例中，服务器根据所述调校需求等级，从一个或多个车辆中挑选一个或多个需求等级高的试验车辆。

在另外一个实施例中，服务器根据所述调校需求等级，从所述一个或多个车辆中选取满足一个最小多样性需求的车辆集合，将所述车辆集合中的车辆作为所述试验车辆。所述最小多样性例如是每种调校项目至少有一辆车对应。

在一个实施例中，服务器根据车辆之间的位置选择一部分车辆进行软件升级。选择准则为车辆之间的距离不小于一个预定阈值。这是由于，新的软件***可能带来运行不稳定的因素，如果多辆临近车辆同时进行升级，则新软件***的不稳定性可能造成安全性的下降。根据所述选择方式，进行软件升级的车辆在一定区域内，只能遇到没有软件升级的车辆。即使软件升级带来了一定的不稳定性，但是其他车辆仍然可以依靠旧的软件***进行规避，这就使得车辆之间发生碰撞的概率降低了。

在一个实施例中，服务器根据车辆的周围车辆状况选择进行软件升级的车辆。这是由于，相对于固定建筑物，对移动物体的识别和规避对无人驾驶算法的要求更高。因此，服务器可以选择周围没有其他运行车辆，或者周围只有少数运行车辆的车辆进行软件升级。这样，进行软件升级的车辆就拥有了较为干净的运行环境。进而使得由于软件升级而带来的风险降低了。

在一个实施例中，服务器根据车队的状况，选择一个特定的时间段选择一部分车辆进行升级。例如，选择在夜晚时段，大部分有人和无人驾驶车辆进行停运状态，所以可以选择仍然保持运行的车辆进行软件升级。同样的，这样也可以降低软件升级带来的不稳定性造成的风险。

在一个实施例中，服务器结合调校需求等级以及车辆之间的位置、车辆的周围车辆状况和车队的状况中的一个或多个选择部分车辆。

注意，部分运行车辆的选择也包括以上没有列出的其他方式。通过对车辆的各种状态以及风险的控制，有诸多种方式可以优选出第一批进行软件升级的车辆，此处不一一列举。

步骤204，对所述试验车辆发送待调校项目，使所述试验车辆对对应的待调校项目进行自主调校；

在一个实施例中，服务器对从步骤203中所选出的试验车辆发送待调校项目，试验车辆自主对待调校项目进行调校。

在一个实施例中，自主调校的内容包括：(a)确定自主调校的时间。在一些实施例中，在车辆正常行驶过程中，确定调校时间。例如，当在正常行驶时，若识别出路边存在某些可用于某些部件调校的特殊标识，包括距离标杆、标准图像等，则可立即启动相关部件的调校。在一些实施例中，根据乘客的用车计划，在用车闲暇期间进行调校。(b)确定自主调校的位置以及自主调校项目，并进行自主调校，并自主记录调校结果，结果一般为完成或未完成。

在一些实施例中，距离传感器，例如激光雷达、测距摄像机等需要调校，则车辆在行驶过程中，传感器采集周围路况，若发现前方有50m/100m标杆，可以进行距离传感器的检测。在车辆进入标杆的一端时开始计数，到标杆的另一端结束计数。若得到测量的值或通过测量计算后得出的值和实际距离的差值事先设定的阈值之内，则距离传感器准确。若两者差值超出阈值，则进行调校。对于能够自主调校的参数，***内部进行调校。完成调校和/或验证操作后，在行驶的过程中根据路况、环境或是其他信息继续寻找下一个需要调校的参数。在自动驾驶车辆当中，因传感器的采集数据是控制车辆行为的数据来源，数据的准确性直接影响车量行驶过程中的安全性，因此可以列为不间断调校项。

在一些实施例中，如果待调校的是红绿灯识别传感器，车辆在行驶的过程中遇到带有V2I功能的红绿灯，***通过自动检测车辆正好需要进行新的调校，于是相应的传感器适时对红灯数据进行采集并进行红绿灯判定。将判定的结果同V2I的真值进行比较。通过比较结果来进行调校。

在一些实施例中，如果待调校的是加速和刹车功能，刹车和加速功能相对危险，因此优选在无乘客的时间进行调校，调校行为由云端调度和管理，在校验场所，可以采用预先设定的位置和距离标志，对车辆进行相应的加速和刹车操作，从而检验相应性能，来判断是否需要调校。

在一些实施例中，如果待调校的是视觉传感器，采集标准形状的物体3D图像数据，将采集后的数据或经过计算处理后的数据和已存储的标准的3D物体参数进行比对，若比对的参数值在阈值范围内，则不用调校，若参数范围值大于阈值，则***自动对参数调校，若***无法对大于阈值的参数进行调校，可用请求远程协助调校之后再进行调校或是靠边停车等人为介入调校。

在一个实施例中，还可以利用其它车辆进行调校，云端可以调度若干车辆进行调校，比如调校相对速度、相对加速度、相对距离、会车、并线等等。

在一个实施例中待调校车辆获知周边车辆已完成调校，待调校车辆可以利用已调校测距传感器，比如激光雷达、双目摄像机等，实时测量与已调校车辆之间的距离，并计算出相对已调校车辆的速度和加速度，待调校车辆实际的速度则为已调校车辆的速度+待调校车辆的相对速度，而待调校车辆实际的加速度则为已调校车辆的加速度+待调校车辆的相对加速度。用实际得到的速度和加速度调校车辆的速度传感器和加速度传感器。

在一个实施例中，分别测量已调校车辆和待调校车辆二者之间的相对加速度、相对距离、会车避让转向角度、并线相对距离等，待调校车辆通过V2V或通过服务器获得已调校车辆测量的结果，用于调校自身的传感器。

注意，部分调校项目没有列出。车辆的调校项目众多，涉及车辆的各种传感器、软件、硬件、接口的调校，此处不一一列举。

步骤205，根据所述试验车辆自主调校的结果和所述调校需求等级确定所述一个或多个车辆的调度规划；

对于所述自主调校的结果，在一个实施例中，无人驾驶汽车安装新的软件***，并实施校准和测试。由于无人驾驶汽车的硬件***可能没有改动，所以需要进行校准和测试才能够确认新的软件***的运行稳定性。除了前端的传感器对环境的测量，例如激光雷达的点云图，图像传感器的图像采集，毫米波雷达的回波信号灯，以及后期车辆行驶策略的执行，例如通过油门、刹车、悬挂、转向***的控制意外，中间所有的无人驾驶相关的信号处理，障碍物检测，路径规划，策略执行均由软件***完成。因此，只有通过对升级的软件***进行测试和校准才能确保新的软件***的运行可靠性。测试和校准的内容可以根据升级的相关软件来配置，涉及无人驾驶汽车的控制流程中的每个部分都可能有相关的软件进行升级。针对每个部分的升级，测试和校准的方式也有所不同。在软件升级过程中，车辆下载的软件包中不仅包含了对功能的改进的程序、算法部分，也包含了对该部分功能进行校准的程序、算法、参考数据等信息。这样，一个软件升级也就包含了功能调整以及测试两个部分所需的数据。

在一个实施例中，车辆的各种传感器处理软件进行了升级。例如激光雷达的点云图数据处理，图像传感器的处理方法，毫米波雷达的回波信号处理方法等。此时，一种方法是将旧版的数据处理结果，例如根据激光雷达点云图计算得到的障碍物地图与新版软件的处理结果进行对比。由于外在环境是唯一不变的，因此两者的结果应该保持在较小的误差范围之内。当两者比对的结果符合测试通过标准，例如误差值小于某个阈值时，则认为测试通过。

在一个实施例中，环境感知软件的升级可能带来增强的无人驾驶性能。例如，有一种只能识别障碍物的软件升级到可以识别障碍物种类(人，车，建筑物等)的新型软件。尽管新的软件能够提供更丰富的感知能力，但是其最基本的障碍物存在感知不能低于旧版本的性能。此时，可以将新软件中感知的障碍物种类合并，并与旧版本的障碍物检测进行对比，进而测试新版本软件的基本性能。此时，对比的数据不再是未经处理的传感器数据，而是经过不同算法生成的中间数据，例如障碍物地图中的障碍物位置和数量。类似的，仍然可以将两种结果进行对比进而观察两者之间的误差来判断新软件的可靠性。除此之外，无人驾驶汽车可以通过网络的方式对软件进行测试或校准，例如，无人驾驶汽车将原始图像和障碍物检测地图通过无线网络传送回服务器，服务器通过人工或机器的方法对结果进行检测，当检测结果达到预定义性能时，则返回测试通过的结果。例如，车辆将一帧图像和障碍物种类的分类发送回服务器，由人工对分类的准确度进行确认。只有车辆能够准确识别足够多的障碍物种类之后，测试才能被认为通过。如果存在大量错误识别的情况，则被认为新的软件***不可靠。再例如，车辆升级了一种新型的车道线检测软件***，能够在极端天气，如雨雪夜晚等场景下完成车道线检测。而此时旧版本的软件在此种情况下无法实现车道线检测。此时，车辆可以行驶到特定的测试地点，在进入相关的气象场景时，进行实地行驶测试。如果软件能够清晰识别车道线并完成自主行驶，则表示新的软件通过了测试。

在一个实施例中，路径规划相关的软件也可以需要校准和测试才能进入稳定的运行状态。例如，一种新的紧急情况处理软件被安装到路径规划模块。然而，在正常运行中，紧急情况可能并不时常出现，例如高速公路中突然出现的野生动物等情况。因此，即使整个车队都进行了软件升级，车队的运行情况可能在很长时间内无法检测到改变。因此，选择一部分车辆进行路径规划的测试也是必须的。再例如，基于车道选择的路径规划可能由于高精度地图的改变而改变。高精度地图的升级可能尤其频繁，每一次只升级地图中的某一局部区域。因此，选择一部分车辆对该部分地图进行专门的测试和校准就足以判断新的地图升级是否可信。

在一个实施例中，车辆完成校准和测试之后，将测试和校准的结果反馈回服务器。测试和校准的结果可以是由无人驾驶汽车判断的成功与失败的结果，也就是一个两种状态的指示。其中，如果测试和校准失败，报告中可以指示失败的原因。例如，传感器校准失败，路径规划与参考值存在差异，障碍物识别错误，天气识别错误等原因。

在另外一个实施例中，车辆只把测试与校准的相关数据反馈回服务器。由服务器通过对所有测试结果进行统计，从而判断测试和校准的结果。例如，障碍物种类识别中允许存在一定的误差，所以测试的结果是对所有车辆的误差进行统计，并判断测试是否通过。在一些情况中，测试和校准的结果在部分车辆中存在较大差异，服务器通过对大数据的对比，可以判断新软件***的可靠性并发现个别问题车辆。

根据上述自主调校的结果和步骤202所确定的需求等级确定所述一个或多个车辆的调度规划。

在一个实施例中，服务器根据测试和校准的结果，判断是否进行下一批车辆的软件升级。在得到新软件***的稳定性判断后，服务器可以在未升级的车辆中进一步选择一批车辆进行软件升级。此时，由于具有了一定的数据，在新一批的选择时可以选择更多的车辆或者放宽一部分限制条件。服务器通过上述的迭代方法，逐步完成所有车辆的软件升级。

在一种实施例中，服务器拥有两个或更多类似的软件用于相同的目的。服务器在第一步选择两组或更多组车辆，并控制两组车辆升级不同的软件。然后，服务器搜集两组或更多车辆的升级后的测试和校准结果。服务器通过对比多组车辆的测试和校准结果，能够得出多个类似软件的性能差异。根据该性能差异，服务器选择其中的一个作为最优选升级软件，并在新一轮的车辆选择中升级该软件。通过迭代的过程，最终所有车辆都升级了优选的软件方案。

在一个实施例中，在获得车辆的需求等级数值后，服务器可以使用调度算法进行车辆验证进行调度。

车辆验证任务的调度需要考虑该任务对无人驾驶汽车以及外部资源的需求的情况。在一些验证任务中，车辆可以随时随地执行，并且车辆的验证任务不需要任何外部资源，例如，长期处于关闭状态的无人车重新启动时，需要对GPS，IMU，LIDAR，ImageSensor进行信号接收情况进行验证，以确保无人驾驶算法能够获得相应的数据。再例如车辆对胎压，电池电量，座舱温度的运行监控，例如是否在一个适宜的范围之内，等验证任务。此时，服务器的调度算法只需要计算该车辆是否需要执行一次验证任务即可。如果计算结果是需要执行一次验证任务，则服务器引导车辆立即执行验证并周期性重复该验证任务。

在更多的任务中，验证需要使用特定的外部资源。例如，车辆的传感器校准需要将车辆行驶到固定的校准中心才能实施一次校准，例如LIDAR的精确度校准，图像传感器的图像清晰度校准等。LIDAR***的校准有时候需要人工的校准以及实验的方法，因此导致了这种对特别校准中心的需求。此时，由于可能存在大量需要校准的车辆，如果服务器同时引导车辆进入校准中心进行校准，则会出现大量车辆拥堵在同一校准中心的情况。如果验证需要使用无线网络，大量车辆同时校准也会造成通信网络的拥堵。此外，如果车辆为共享运营车辆，集中的大量车辆进行校准会造成运力的瞬间波动。因此，一个验证的调度为将不同的车辆分配到不同的时间段中完成校准。一种调度方法为，计算当前校准中心的一个容量(capacity),即一定时间内可以承载的校准任务，并根据需求等级的取值进行排序，优先安排需求等级高的车辆进行校准。由于需求等级的计算也包含车辆的运行时间，所以没有被立即执行校准任务的会随着时间的推移，其需求等级数值也会增加，进而被更优先的调度。

在一个实施例中，图3示出了一种基于服务器端的车辆验证调度。其中，三角形是一个校准中心，能够完成各类传感器或车辆的校准。在该校准中心覆盖的范围内，有多辆无人驾驶汽车有校准验证的需求。服务器根据上述的方法，将不同的车辆安排到不同的时间进行校准。

在需求等级为离散的情况下，可能存在大量车辆拥有相同的需求等级。此时可以使用一些经典的调度算法，例如roundrobinscheduling来安排这些车辆进行验证。

不同的调度任务可以产生不同的调度方法。例如，在某些验证任务中，车辆虽然需要特定的校准场所，但是这些场所是安装在车辆可以行使的道路附近，例如在一个十字路口或者高速公路的两侧。车辆的验证任务可以通过inflight的方式完成校准。例如通过一个装备了传感设施的红绿灯路口，车辆只需要记录本地识别的红绿灯信号并与真实的红绿灯状态(例如通过V2I获得)进行对比即可完成红绿灯识别***的验证。显然，这种InFlight的验证任务与上述在特定的校准中心实现的LIDAR校准不同。因此，验证的调度结合具体每个验证任务对车辆所需要的复杂度安排调度频次。对于InFlight的验证任务，调度可以安排更高的验证频次，并且将验证任务结合到路径规划中。在无人车的行驶过程中，只需要保障在固定时间周期内经过特定的地点即可。例如，在一个区域内的50个InFlight校准点，服务器安排的校准任务是每周至少经过1个校准点即可。而验证任务复杂度较高的，则需要安排具体的时间，以及具体的校准中心，以较低的频次进行验证。假设{T_a,b,P_a,b}是a车辆的b验证任务，T是被调度的验证时间，P是被调度的验证地点。调度过程就是在给定r₁,r₂,....,r_n的情况下，限定校准的可用容量C，计算每一组{T_a,b,P_a,b}。例如，一个具体的方式为，校准的可用容量C是一个单位时间内可以用于校准的车辆数。则将r₁,₂,....,r_n按照由大到小排序，在每个单位时间内安排C个当前r值最大的车辆进行验证。注意，在资源受限的情况下调度具有优先级的任务存在很多成熟的调度算法，此处不一一列举，但是本领域人员可以任意应用其他调度方法。

在一个实施例中，验证任务是在一个区域内完成的。区域内包含多个验证中心以及多个待验证的车辆。因此，调度方法包括如何高效的利用多个验证中心的问题。如果大量车辆被安排到相同的验证中心，即使为该中心进行了很好的调度安排，例如避免出现大量车辆同时等待验证的情况。由于该中心的容量受限，也使得多辆车辆处于排队状态。同时，其他验证中心很可能处于空闲状态。在一种实施方式中，调度方法包括对整个运营区域进行子区域划分，一种划分方法为保证每个子区域内至少包含一个验证中心。此后，服务器的调度是针对每个子区域，单独进行一次调度规划。其中规划的车辆为该服务区域以及邻近区域内的车辆的验证任务。此时，验证任务就被分配到多个子区域并独立完成该区域内的调度。这种方法的另外一个结果是，在同一时间，不同子区域内被安排验证的车辆具有不同的验证需求等级。这与不划分子区域的方法不同，因为不划分子区域的调度方法中，只有验证需求等级较高的才会优先被调度进行验证。图4给出了一种所述多中心的验证调度方法。其中多个校准中心可以被用于验证任务，服务器通过调度算法将多辆无人驾驶汽车安排到不同的校准中心完成验证任务。

步骤206，向所述一个或多个车辆发送所述调度规划，以使所述一个或多个车辆按照所述调度规划进行自主调校。

服务器将调度好的调校任务通过网络发送到其他车辆，以使车辆按照所述调度规划完成自主调校。

在此需要说明的是，无人驾驶车辆对校准、测试、故障修复等验证任务的制定是透明的。即，无人驾驶车辆并不需要清楚校准、测试、故障修复任务的调度标准以及方法，其只是按照结构性标准化的方式执行验证任务。例如，无人驾驶车辆只需要按照任务指定的时间，在指定或任意地点内，完成相关的验证任务即可。其具体任务的执行可以根据当前状态进行判断，例如其可以自行安排非交通峰值期间进行某一传感器的校准或某一新算法的测试。同时，服务器也只需要根据任务执行的结果报告获知任务完成情况即可。例如，当传感器校准任务完成后，无人驾驶汽车反馈任务完成报告，服务器在本地存储器更新相应的数据以及算法，例如开启新一轮的计数，当服务器基于检测反馈报告以及本地计数判断需要一次新的校准时，其可以重新规划一次校准任务并发送给无人驾驶车辆。

通过以上所述方法，无人驾驶汽车对的校准、测试、故障修复等验证的判断以及行为变得极为简单和透明，其只要遵循检测任务和校准、测试、故障修复的任务配置执行相应的任务即可。而服务器则可以通过不断累积的、来自大量无人驾驶汽车反馈的数据不断改进调度方法。同时，服务器可以通过接入外部数据对任务的规划和配置进行不断的优化。而外部数据的使用对于无人驾驶汽车来讲则是非常困难的。进而在不增加任何车辆负担的情况下，不断优化整个车队的验证效率。

通过车辆的验证检测，服务器可以收集车辆的当前以及过往状态数据，根据这些数据，服务器可以制定车辆的验证任务调度，最后引导车辆完成验证任务。

步骤207，采集所述调度规划的执行结果；根据所述执行结果再次计算每个车辆的所述调校需求等级；根据再次计算后的所述调校需求等级更新所述调度规划。

参考图5，为本申请一个实施例提供的自主调校的调度装置示意图。如图5所示，该装置包括：

第一接收单元501，用于接收一个或多个车辆的状态监测数据；

确定单元502，用于根据所述状态监测数据确定每个所述车辆的待调校项目和调校需求等级；

挑选单元503，用于根据所述调校需求等级从所述一个或多个车辆中挑选一个或多个试验车辆；

发送单元504，用于向所述试验车辆发送待调校项目，使所述试验车辆对对应的待调校项目进行自主调校；

调度规划单元505，用于根据所述试验车辆自主调校的结果和所述调校需求等级确定所述一个或多个车辆的调度规划；

调度单元506，用于向所述一个或多个车辆发送所述调度规划，以使所述一个或多个车辆按照所述调度规划进行自主调校。

进一步的，所述状态监测数据包括：软件信息、硬件信息、***运行信息、传感器信息、车外环境信息和车内环境信息中的一种或多种。

进一步的，如图6所示，所述挑选单元503包括：最小多样性选取模块601，用于根据所述调校需求等级，从所述一个或多个车辆中选取满足一个最小多样性需求的车辆集合，将所述车辆集合中的车辆作为所述试验车辆。

进一步的，如图6所示，所述调度规划单元505还包括：调校结果分析单元602，用于对所述试验车辆的调校结果进行统计分析；调度单元603，用于根据统计分析结果确定所述一个或多个车辆的调度规划。

进一步的，如图6所示，所述确定单元502包括：调校项目选取模块604，用于按照全部车辆的所述需要调校的项目的优先级选取所述待调校项目。

进一步的，如图6所示，所述调度规划单元505包括：区域归属模块605，用于根据每个所述车辆的位置确定其所属服务区域；区域规划模块606，用于根据每个所述服务区域内所有车辆的所述调校需求等级的排序来确定所述调度规划；其中，所述调度规划包括：每个所述车辆进行调校的时间、地点和项目。

进一步的，如图6所示，所述确定单元502包括：离散需求计算模块607，用于针对每个所述车辆计算所述待调校项目的离散需求等级；需求概率计算模块608，用于利用一组所述车辆计算所述待调校项目的需求概率数据；等级确定模块609，用于根据所述离散需求等级和所述需求概率数据确定每个所述车辆的调校需求等级。

进一步的，所述装置还包括：结果采集单元507，用于采集所述调度规划的执行结果；需求等级再计算单元508，用于根据所述执行结果再次计算每个车辆的所述调校需求等级；调度规划更新单元509，用于根据再次计算后的所述调校需求等级更新所述调度规划。

进一步的，如图6所示，所述调度规划单元505还包括：区域划分单元610，用于根据每个调校中心的容量动态划分所述服务区域。

参考附图7，为本申请一个实施例提供的电子设备示意图。如图7所示，该电子设备700包括：

存储器730以及一个或多个处理器710；

其中，所述存储器730与所述一个或多个处理器710通信连接，所述存储器730中存储有可被所述一个或多个处理器710执行的指令732，所述指令732被所述一个或多个处理器710执行，以使所述一个或多个处理器710执行：

接收一个或多个车辆的状态监测数据；

根据所述状态监测数据确定每个所述车辆的待调校项目和调校需求等级；

根据所述调校需求等级从所述一个或多个车辆中挑选一个或多个试验车辆；

向所述试验车辆发送待调校项目，使所述试验车辆对对应的待调校项目进行自主调校；

根据所述试验车辆自主调校的结果和所述调校需求等级确定所述一个或多个车辆的调度规划；

向所述一个或多个车辆发送所述调度规划，以使所述一个或多个车辆按照所述调度规划进行自主调校。

本申请的一个实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，所述计算机可执行指令被执行后执行以下步骤：

接收一个或多个车辆的状态监测数据；

根据所述状态监测数据确定每个所述车辆的待调校项目和调校需求等级；

根据所述调校需求等级从所述一个或多个车辆中挑选一个或多个试验车辆；

向所述试验车辆发送待调校项目，使所述试验车辆对对应的待调校项目进行自主调校；

根据所述试验车辆自主调校的结果和所述调校需求等级确定所述一个或多个车辆的调度规划；

向所述一个或多个车辆发送所述调度规划，以使所述一个或多个车辆按照所述调度规划进行自主调校。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述装置实施例中的对应描述，在此不再赘述。

尽管此处所述的主题是在结合操作***和应用程序在计算机***上的执行而执行的一般上下文中提供的，但本领域技术人员可以认识到，还可结合其他类型的程序模块来执行其他实现。一般而言，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、组件、数据结构和其他类型的结构。本领域技术人员可以理解，此处所述的本主题可以使用其他计算机***配置来实践，包括手持式设备、多处理器***、基于微处理器或可编程消费电子产品、小型计算机、大型计算机等，也可使用在其中任务由通过通信网络连接的远程处理设备执行的分布式计算环境中。在分布式计算环境中，程序模块可位于本地和远程存储器存储设备的两者中。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对原有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。比如，典型地，本申请的技术方案可通过至少一个如图8所示的通用型计算机节点810来实现和/或传播。在图8中，通用型计算机节点810包括：计算机***/服务器812、外设814和显示设备818；其中，所述计算机***/服务器812包括处理单元820、输入/输出接口822、网络适配器824和存储器830，内部通常通过总线实现数据传输；进一步地，存储器830通常由多种存储设备组成，比如，RAM(RandomAccessMemory，随机存储器)832、缓存834和存储***(一般由一个或多个大容量非易失性存储介质组成)838等；实现本申请技术方案的部分或全部功能的程序840保存在存储器830中，通常以多个程序模块842的形式存在。

而前述的计算机可读取存储介质包括以存储如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方式或技术来实现的物理易失性和非易失性、可移动和不可因东介质。计算机可读取存储介质具体包括，但不限于，U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、可擦除可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM)、闪存或其他固态存储器技术、CD-ROM、数字多功能盘(DVD)、HD-DVD、蓝光(Blue-Ray)或其他光存储设备、磁带、磁盘存储或其他磁性存储设备、或能用于存储所需信息且可以由计算机访问的任何其他介质。以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (10)

1.一种自主调校的调度方法，其特征在于，所述方法包括：

接收一个或多个车辆的状态监测数据；

根据所述状态监测数据确定每个所述车辆的待调校项目和调校需求等级；

根据所述调校需求等级从所述一个或多个车辆中挑选一个或多个试验车辆；

向所述试验车辆发送待调校项目，使所述试验车辆对对应的待调校项目进行自主调校；

根据所述试验车辆自主调校的结果和所述调校需求等级确定所述一个或多个车辆的调度规划；

向所述一个或多个车辆发送所述调度规划，以使所述一个或多个车辆按照所述调度规划进行自主调校。

2.根据权利要求1所述的方法，其特征在于，所述挑选一个或多个试验车辆包括：

根据所述调校需求等级，从所述一个或多个车辆中选取满足一个最小多样性需求的车辆集合，将所述车辆集合中的车辆作为所述试验车辆。

3.根据权利要求1所述的方法，其特征在于，所述确定所述一个或多个车辆的调度规划包括：

根据每个所述车辆的位置确定其所属服务区域；

根据每个所述服务区域内所有车辆的所述调校需求等级的排序来确定所述调度规划；其中，所述调度规划包括：每个所述车辆进行调校的时间、地点和项目。

4.根据权利要求1所述的方法，其特征在于，所述计算每个所述车辆的调校需求等级包括：

针对每个所述车辆计算所述待调校项目的离散需求等级；

利用一组所述车辆计算所述待调校项目的需求概率数据；

根据所述离散需求等级和所述需求概率数据确定每个所述车辆的调校需求等级。

5.根据权利要求1或4所述的方法，其特征在于，所述方法还包括：

采集所述调度规划的执行结果；

根据所述执行结果再次计算每个车辆的所述调校需求等级；

根据再次计算后的所述调校需求等级更新所述调度规划。

6.一种自主调校的调度装置，其特征在于，包括：

接收单元，用于接收一个或多个车辆的状态监测数据；

确定单元，用于根据所述状态监测数据确定每个所述车辆的待调校项目和调校需求等级；

挑选单元，用于根据所述调校需求等级从所述一个或多个车辆中挑选一个或多个试验车辆；

发送单元，用于向所述试验车辆发送待调校项目，使所述试验车辆对对应的待调校项目进行自主调校；

调度规划单元，用于根据所述试验车辆自主调校的结果和所述调校需求等级确定所述一个或多个车辆的调度规划；

调度单元，用于向所述一个或多个车辆发送所述调度规划，以使所述一个或多个车辆按照所述调度规划进行自主调校。

7.根据权利要求10所述的装置，其特征在于，所述装置还包括：

调校结果分析单元，用于对所述历史调校数据中所述试验调校项目的调校结果进行统计分析；

调度单元，用于根据统计分析结果确定所述一个或多个车辆的调度规划。

8.根据权利要求10所述的装置，其特征在于，所述项目确定单元包括：

调校项目选取模块，用于按照全部车辆的所述需要调校的项目的优先级选取所述待调校项目。

9.一种电子设备，其特征在于，包括：

存储器以及一个或多个处理器；

其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行，以使所述一个或多个处理器能够实现如权利要求1-5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中存储有计算机可执行指令，所述计算机可执行指令被执行后用以实现如权利要求1-5中任一项所述的方法。