CN112836395B - 一种车辆行驶数据模拟方法、装置、电子设备及存储介质 - Google Patents
一种车辆行驶数据模拟方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112836395B CN112836395B CN202110260958.4A CN202110260958A CN112836395B CN 112836395 B CN112836395 B CN 112836395B CN 202110260958 A CN202110260958 A CN 202110260958A CN 112836395 B CN112836395 B CN 112836395B
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- driving
- simulation
- service
- 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.)
- Active
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000010801 machine learning Methods 0.000 claims abstract description 60
- 238000012360 testing method Methods 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 21
- 238000011056 performance test Methods 0.000 claims description 20
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 5
- 239000000446 fuel Substances 0.000 claims description 5
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 claims description 2
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开实施例公开了一种车辆行驶数据模拟方法、装置、电子设备及存储介质，该方法包括：采集车辆在不同物理环境下的行驶数据；将所述行驶数据输入至设定机器学习模型，以通过所述设定机器学习模型进行车辆行驶数据模拟，获得设定数量的车辆行驶仿真数据，其中，所述设定数量大于所述行驶数据的数据量。通过本公开实施例的技术方案，实现了对车辆行驶数据的高度仿真，解决了服务测试数据失真度高、数据量不足等问题。
Description
技术领域
本公开涉及车辆技术领域，尤其涉及一种车辆行驶数据模拟方法、装置、电子设备及存储介质。
背景技术
随着人们生活水平的提升，汽车已经普及到千家万户，汽车的需求量也与日俱增。因此，汽车各种性能的稳定性显得愈发重要。在汽车出厂之前，甚至出厂之后，需要对汽车的各种性能进行有效测试与监控。
由于获取汽车在真实物理环境中的行驶数据成本高昂，且数据量有限，因此通常需要人工模拟各种行驶数据。
人工模拟行驶数据存在如下问题：人力成本较高、效率较低、数据量依然不足以及数据的失真度较高。上述各种问题导致无法满足各类服务上线之前的性能测试以及服务对真实行驶数据的兼容性测试。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种车辆行驶数据模拟方法、装置、电子设备及存储介质。
第一方面，本公开实施例提供了一种车辆行驶数据模拟方法，该方法包括：
采集车辆在不同物理环境下的行驶数据；
将所述行驶数据输入至设定机器学习模型，以通过所述设定机器学习模型进行车辆行驶数据模拟，获得设定数量的车辆行驶仿真数据，其中，所述设定数量大于所述行驶数据的数据量。
第二方面，本公开实施例还提供了一种车辆行驶数据模拟装置，该装置包括：
采集模块，用于采集车辆在不同物理环境下的行驶数据；
获取模块，用于将所述行驶数据输入至设定机器学习模型，以通过所述设定机器学习模型进行车辆行驶数据模拟，获得设定数量的车辆行驶仿真数据，其中，所述设定数量大于所述行驶数据的数据量。
第三方面，本公开实施例还提供了一种设备，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本公开实施例任一所述的车辆行驶数据模拟方法。
第四方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的车辆行驶数据模拟方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点：
通过借助机器学习模型基于采集的车辆在真实环境下的行驶数据，生成更多的车辆行驶仿真数据，实现了车辆行驶仿真数据的高度仿真以及批量生成，提高了数据模拟效率，降低了人工成本，解决了服务测试数据失真度高、数据量不足等问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本公开实施例一所提供的一种车辆行驶数据模拟方法流程示意图；
图2为本公开实施例二所提供的一种车辆行驶数据模拟方法流程示意图；
图3为本公开实施例三所提供的一种车辆行驶数据模拟方法流程示意图；
图4为本公开实施例三所提供的一种基于机器学习技术的车辆行驶数据模拟的分析框架示意图；
图5为本公开实施例四所提供的一种车辆行驶数据模拟装置结构示意图；
图6为本公开实施例五所提供的一种电子设备结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
实施例一
图1为本公开实施例一所提供的一种车辆行驶数据模拟方法流程示意图。该方法可以由车辆行驶数据模拟装置来执行，该装置可以通过软件和/或硬件的形式实现。
如图1所示，本实施例提供的车辆行驶数据模拟方法包括如下步骤：
步骤110、采集车辆在不同物理环境下的行驶数据。
其中，不同物理环境例如具体可以是低温环境(例如冬天的东北部地区)、高温环境(例如夏天的南部地区)、弱网环境(例如隧道、偏远地带)、无网环境、高原、盆地、山川或者河流等环境。驾驶车辆在真实的物理环境下行驶，采集车辆在真正行驶过程中产生的各种行驶数据。
示例性的，所述行驶数据包括下述至少一种：电池温度、电池电流强度、四轮轮胎压力、电机转速、压缩机转速、轮胎侧向加速度、电池电量消耗以及燃油消耗。
进一步的，所述采集车辆在不同物理环境下的行驶数据，包括：
通过车载传感器采集车辆在不同物理环境下的行驶数据。
所述车载传感器包括下述至少一种：
图像传感器(例如行车记录仪)、声音传感器、雷达传感器(例如毫米波雷达)以及北斗定位传感器。其中，北斗定位传感器特指北斗卫星导航***，是中国自行研制的全球卫星导航***，由空面段、地面段和用户段三部分组成，可在全球范围内全天候、全天时为各类用户提供高精度、高可靠定位、导航、授时服务，并具备短报文通信能力，已经初步具备区域导航、定位和授时能力。
除了上述所列车载传感器之外，还可以包括其它的数据采集设备，并不限于传感器，还可以是具体的测量电路等，只要能够检测车辆在行驶过程中的各种性能参数、指标数值(例如网速)均可。
步骤120、将所述行驶数据输入至设定机器学习模型，以通过所述设定机器学习模型进行车辆行驶数据模拟，获得设定数量的车辆行驶仿真数据，其中，所述设定数量大于所述行驶数据的数据量。
采集车辆在不同物理环境下的行驶数据的目的是：一方面作为设定机器学习模型的训练样本，另一方面作为设定机器学习模型进行数据模拟的初始参考标准，或者理解为是设定机器学习模型进行数据模拟的触发数据。例如所述设定机器学习模型的输入是：车辆在不同物理环境下行驶时电池相关的信号数据(例如动力电池容量、行驶中的电池电流、电池电压、最大最小电池功率等)，则所述设定机器学习模型输出的车辆行驶仿真数据也是车辆在不同物理环境下行驶时电池相关的信号数据。所述设定机器学习模型输出的数据量远大于采集到的真实数据。因此，通过设定机器学习模型对车辆行驶数据进行模拟，可以得到车辆在不同物理环境下电池信号数据的极值、中值等。
所述设定机器学习模型输出的车辆行驶仿真数据具体是包括：信号名称(例如电池电压)、信号值(例如5v)、信号间的时间关系(例如*年*月*天10点零1秒时电池电压为5v，*年*月*天10点零2秒时电池电压为5.1v)。
可以理解的是，在采集真实数据时，按照一定的采集频率进行采集，受限于硬件以及软件技术，采集频率不能无限高，而且考虑到成本问题，不能长时间驾驶车辆在真实环境下一直行驶，因此采集到的真实数据的数据量有限，故需进一步借助设定机器学习模型进行车辆行驶数据的模拟操作，从而获得较多的车辆行驶仿真数据。
本实施例的技术方案，通过借助机器学习模型基于采集的车辆在真实环境下的行驶数据，生成更多的车辆行驶仿真数据，实现了车辆行驶仿真数据的高度仿真以及批量模拟，提高了数据模拟效率，降低了人工成本，解决了服务测试数据失真度高、数据量不足等问题。
实施例二
图2为本公开实施例二所提供的一种车辆行驶数据模拟方法的流程示意图。在上述实施例的基础上，本实施例增加了对所述行驶数据的存储操作，以及将所述行驶数据以及所述车辆行驶仿真数据发送至目标服务的操作。通过对所述行驶数据进行存储，可实现对真实行驶数据的积累，通过将所述行驶数据以及所述车辆行驶仿真数据发送至目标服务，实现了使目标服务基于所述行驶数据以及所述车辆行驶仿真数据进行服务性能测试的目的。其中，与上述实施例相同或相似的内容在本实施例不再赘述，相关解释可以参考上述实施例。
如图2所示，所述车辆行驶数据模拟方法包括如下步骤：
步骤210、采集车辆在不同物理环境下的行驶数据。
步骤220a、将所述行驶数据输入至设定机器学习模型，以通过所述设定机器学习模型进行车辆行驶数据模拟，获得设定数量的车辆行驶仿真数据，其中，所述设定数量大于所述行驶数据的数据量。
步骤220b、将所述行驶数据存储至预设分布式文件***。
示例性的，所述预设分布式文件***可以是HDFS(Hadoop Distributed FileSystem，分布式文件***)。HDFS是一款适合运行在通用硬件(commodity hardware)上的分布式文件***，是一个高度容错性的***，能够提供高吞吐量的数据访问，适合大规模数据集上的应用，可以实现流式读取文件***数据的目的。在本实施例的技术方案中，由于采集车辆在不同物理环境下的行驶数据的操作并不是只进行一次，根据各种项目的需求，可能每隔一段时间就会进行一次，车辆在不同物理环境下的真实行驶数据是可信度最高的样本数据，因此需要对车辆在不同物理环境下的真实行驶数据进行积累并进行可靠存储。
步骤230、将所述行驶数据以及所述车辆行驶仿真数据发送至目标服务，以使目标服务基于所述行驶数据以及所述车辆行驶仿真数据进行服务性能测试，并基于测试日志输出分析报告。
示例性的，所述基于测试日志输出分析报告，包括：
识别所述测试日志中的预设关键字段；
确定所述预设关键字段对应的错误含义；
根据所述错误含义生成分析报告；
将所述分析报告输出至与所述错误含义匹配的处理平台。
所述预设关键字段例如是：接口返回异常状态码(包括不限于404、500、502等)，代码的异常捕捉(包括不限于NullPointerException、ArrayIndexOutOfBoundsException、ClassCastException等)和自定义代码异常关键字(包括不限于Fail、Erro、TimeOut等)。其中异常状态码404对应的错误含义为：请求的网页不存在；其中异常状态码500对应的错误含义为：服务内部错误，服务遇到错误，无法完成请求；其中异常状态码502对应的错误含义为：错误网关，服务作为网关或者代理，从上游收到无效响应。
其中，所述目标服务基于所述行驶数据以及所述车辆行驶仿真数据进行服务性能测试，并基于测试日志输出分析报告具体可以理解为：例如期望告警服务能够实现如下功能：如果电池温度信号EBS_T_BATT>＝70，且连续上报时间超过5s，即车辆上报电池温度信号EBS_T_BATT大于等于70℃且持续时间超过5s后电池温度信号没有低于70，则触发告警，告警服务会把上报的电池温度信号、信号值和信号发生时间发送给电池研发平台，以使电池研发平台对线上高温电池做出精准定位和监控，防止更严重问题发生。在告警服务的测试过程中，输入了电池温度信号EBS_T_BATT>＝70，且连续上报时间超过5s的测试数据，告警服务进行了如上所述的告警操作，则通过此次测试，确定告警服务的性能是比较优越的，可以发布到线上正式投入使用。告警服务是否进行了如上所述的告警操作，可通过告警服务输出的测试日志确定。
步骤240、接收服务返回的分析报告，并根据所述分析报告为所述行驶数据以及所述车辆行驶仿真数据分配应用场景。
具体的，如果所述分析报告显示服务的各项性能比较优越，则表示该服务的测试数据质量较好，因此，可以为所述行驶数据以及所述车辆行驶仿真数据分配固定的应用场景，之后若再需要该应用场景下的测试数据时，可以优选采用所述行驶数据以及所述车辆行驶仿真数据。例如在对告警服务进行测试时显示告警服务测试通过，且告警服务上线之后确实能够对高温电池进行有效告警，表示测试数据的质量较好，能够对告警服务的功能进行有效测试，则将告警服务采用的测试数据与应用场景“高温电池告警”建立关联，表示该测试数据较适用于对高温电池告警的应用进行测试。在之后项目的进行过程中，如果再次需要高温电池告警的测试数据时，可以直接调用被分配该应用场景的测试数据。
进一步的，如果通过所述行驶数据以及所述车辆行驶仿真数据对目标服务进行测试且确定测试通过的服务，在线上的表现较好(例如告警服务能够对高温电池进行精准告警)，则将所述行驶数据以及所述车辆行驶仿真数据作为新样本进行存储，以基于所述新样本对所述机器学习模型进行迭代训练。
如果通过所述行驶数据以及所述车辆行驶仿真数据对目标服务进行测试且确定测试通过的服务，在线上的表现较差(例如告警服务不能对高温电池进行有效告警，比如应告警的次数有5次，而告警服务只告警了2次)，则基于设定策略在所述行驶数据以及所述车辆行驶仿真数据的基础上增加新样本作为修正后的训练数据集。具体需要人工介入分析是什么原因导致目标服务的线上表现没有达到设定标准，如果是由于测试数据导致的，则通过人工模拟新增测试数据(即新增样本)，引导服务在测试过程中暴露错误，如果是服务的逻辑问题，则需要调整服务本身的逻辑。
示例性的，所述方法还包括：
根据所述分析报告以及目标服务的线上表现对所述机器学习模型的训练数据集进行修正，以基于修正后的训练数据集对所述机器学习模型进行迭代训练，以使基于迭代训练后的机器学习模型输出的车辆行驶仿真数据进行测试获得的服务的性能达到目标值。
进一步的，所述根据所述分析报告以及目标服务的线上表现对所述机器学习模型的训练数据集进行修正，包括：
如果所述分析报告显示测试通过，且所述目标服务的线上表现达到设定标准(例如告警服务能够对高温电池进行精准告警，比如应告警的次数有5次，告警服务在合适的时间点告警了5次)，则将所述行驶数据以及所述车辆行驶仿真数据作为修正后的训练数据集；
如果所述分析报告显示测试通过，且所述目标服务的线上表现未达到设定标准(例如告警服务不能够对高温电池进行精准告警，比如应告警的次数有5次，告警服务只告警了2次，设定标准告警4次)，则基于设定策略在所述行驶数据以及所述车辆行驶仿真数据的基础上增加新样本作为修正后的训练数据集。
可选的，将修正后的训练数据集存储至预设分布式文件***HDFS，以在后面需要对设定机器学习模型进行迭代训练时读取。
本公开实施例的技术方案，在上述实施例的基础上，增加了对所述行驶数据的存储操作，以及将所述行驶数据以及所述车辆行驶仿真数据发送至目标服务的操作。通过对所述行驶数据进行存储，可实现对行驶数据的积累，通过将所述行驶数据以及所述车辆行驶仿真数据发送至目标服务，实现了使目标服务基于所述行驶数据以及所述车辆行驶仿真数据进行服务性能测试的目的。且进一步根据测试结果以及目标服务的线上表现对训练样本集进行修正，以提高训练样本集的质量，提高机器学习模型迭代训练的效果，使机器学习模型具备较优的数据模拟功能。通过借助机器学习模型基于采集的车辆在真实环境下的行驶数据，生成更多的车辆行驶仿真数据，实现了车辆行驶仿真数据的高度仿真以及批量模拟，提高了数据模拟效率，降低了人工成本，为目标服务的性能测试提供了充足的高质量数据，解决了目标服务上线前的性能测试所需测试数据失真的问题，同时通过提供海量高仿真行驶数据给服务，有助于服务快速定位车辆的故障问题。
实施例三
图3为本公开实施例三所提供的一种车辆行驶数据模拟方法的流程示意图。在上述实施例的基础上，在将所述行驶数据以及所述车辆行驶仿真数据发送至目标服务之前，增加了对所述行驶数据以及所述车辆行驶仿真数据进行数据格式处理的操作，以使处理后的数据格式符合所述目标服务的数据读取规则，使目标服务可以直接读取所述行驶数据以及所述车辆行驶仿真数据，进而进行性能测试，而无需再对所述行驶数据以及所述车辆行驶仿真数据进行格式处理，有助于提高服务性能的测试效率。其中，与上述实施例相同或相似的内容在本实施例不再赘述，相关解释可以参考上述实施例。
如图3所示，所述车辆行驶数据模拟方法包括如下步骤：
步骤310、采集车辆在不同物理环境下的行驶数据。
步骤320a、将所述行驶数据输入至设定机器学习模型，以通过所述设定机器学习模型进行车辆行驶数据模拟，获得设定数量的车辆行驶仿真数据，其中，所述设定数量大于所述行驶数据的数据量。
步骤320b、将所述行驶数据存储至预设分布式文件***。
步骤330、对所述行驶数据以及所述车辆行驶仿真数据进行数据格式处理，以使处理后的数据格式符合所述目标服务的数据读取规则。
示例性的，所述对所述行驶数据以及所述车辆行驶仿真数据进行数据格式处理，包括：
将所述行驶数据以及所述车辆行驶仿真数据输入至汽车总线开发环境CANoe的在线回放模块，以通过所述CANoe的在线回放模块对所述行驶数据以及所述车辆行驶仿真数据进行数据格式处理。
其中，CANoe是德国Vector公司为汽车总线的开发而设计的一款总线开发环境，全称叫CAN open environment，可以模拟车机部件产生的信号上传。在本实施例中，通过CANoe的在线回放模块将对应的信号(例如信号名称-电池温度、信号值-70、信号收集时间)放在表中对应的位置，以使后续待测试的目标服务直接读取，而不是目标服务在接收到测试数据时，由目标服务优先对测试数据进行格式处理，而后在开始测试，预先对测试数据进行格式处理，有助于提高目标服务的测试效率。所述线回放模块Replay Block CAN可以读取Canlog文件(主要包括车机信号名称，信号值，信号收集时间)，模拟车机部件产生信号的行为，然后通过车辆信号解析服务接口将模拟的信号采集分发给目标服务。
具体的，所述将所述行驶数据以及所述车辆行驶仿真数据发送至目标服务，包括：
通过所述CANoe的在线回放模块将所述行驶数据以及所述车辆行驶仿真数据发送至目标服务。
步骤340、将经过数据格式处理后的所述行驶数据以及所述车辆行驶仿真数据发送至目标服务，以使目标服务基于所述行驶数据以及所述车辆行驶仿真数据进行服务性能测试，并基于测试日志输出分析报告。
步骤350、接收服务返回的分析报告，并根据所述分析报告为所述行驶数据以及所述车辆行驶仿真数据分配应用场景。
进一步的，可以参考如图4所示的一种基于机器学习技术的车辆行驶数据模拟的分析框架示意图，通过车辆数据采集***(包括大量的图像传感器、声音传感器、北斗***、毫米波雷达等)收集车辆在低温、高温、弱网、无网、高原和盆地等环境下的行驶数据，行驶数据包括但不限于电池温度、电池电流强度、四轮轮胎压力、电机转速、压缩机转速、轮胎侧向加速度、电池和燃油消耗等，为下一步机器学习模型的训练提供数据样本。将采集的行驶数据存储至HDFS，HDFS中的行驶数据一方面通过CANoe将信号名称、信号值数据以及信号的收集时间输入测试车机模拟数据上报，一方面将行驶数据传入初始的机器学习模型进行训练，如将不同行驶环境下电池相关的信号数据(动力电池容量、行驶中的电池电流、电压、最大最小电池功率等)通过PNGV等效电路模型得到其非线性关系，从而模拟出不同环境下电池信号数据的极值、中值等；或将不同网络环境下的同一批、不同批信号的生成时间和采集时间之间的对应关系赋值给其它信号进行仿真模拟。训练后的机器学习模型可自动生成大量的高度仿真数据(包括信号名称，信号值，信号间的时间关系)，同时通过CANoe的在线回放模块将信号名称、信号值和信号生成时间等数据输入给测试车机模拟车辆各部件的数据收集上报。各服务通过对服务日志的关键字分析(如接口返回状态码、行为发生时间戳、代码捕捉的异常等)，记录不常见和发生错误的场景问题，输出分析报告，同时将这一批上报的模拟数据回传至HDFS进入下一轮机器学习模型的迭代训练中。整套框架一直处于运行中，在运行过程中不断的根据所述分析报告以及目标服务的线上表现对所述机器学习模型的训练数据集进行修正，以基于修正后的训练数据集对所述机器学习模型进行迭代训练，以使基于迭代训练后的机器学习模型输出的车辆行驶仿真数据进行测试获得的服务的性能达到目标值。将修正后的训练数据集存储至预设分布式文件***HDFS，以在后面需要对设定机器学习模型进行迭代训练时读取。为线上服务提供真实的场景数据模拟，提早发现问题、解决问题。
本实施例的技术方案使用了车辆数据采集***和机器学习的模型训练技术。车辆数据采集***收集南北方温度差异数据、隧道弱网无网的数据，同步给机器学习模型进行训练。模型在训练的同时输出大量真实环境下行驶数据的仿真数据，解决了服务上线前的性能测试数据失真问题和测试数据量不足的问题。通过提供海量数据给服务，使服务进行问题快速追踪定位。通过收集车辆真实行驶环境(山川河流、隧道等)数据，使用机器学习训练出可以自动模拟车辆行驶数据的模型，保证服务上线前有大量的数据进行性能测试，解决服务缺少测试数据无法快速测试的痛点。
本实施例的技术方案，在上述实施例的基础上，在将所述行驶数据以及所述车辆行驶仿真数据发送至目标服务之前，增加了对所述行驶数据以及所述车辆行驶仿真数据进行数据格式处理的操作，以使处理后的数据格式符合所述目标服务的数据读取规则，使目标服务可以直接读取所述行驶数据以及所述车辆行驶仿真数据，进而进行性能测试，而无需再对所述行驶数据以及所述车辆行驶仿真数据进行格式处理，有助于提高服务性能的测试效率。
实施例四
图5为本公开实施例四提供的一种车辆行驶数据模拟装置，该装置包括：采集模块510和获取模块520。
其中，采集模块510，用于采集车辆在不同物理环境下的行驶数据；获取模块520，用于将所述行驶数据输入至设定机器学习模型，以通过所述设定机器学习模型进行车辆行驶数据模拟，获得设定数量的车辆行驶仿真数据，其中，所述设定数量大于所述行驶数据的数据量。
在上述技术方案的基础上，采集模块510具体是通过车载传感器采集车辆在不同物理环境下的行驶数据。
在上述各技术方案的基础上，所述车载传感器包括下述至少一种：
图像传感器、声音传感器、雷达传感器以及北斗定位传感器。
在上述各技术方案的基础上，所述行驶数据包括下述至少一种：电池温度、电池电流强度、四轮轮胎压力、电机转速、压缩机转速、轮胎侧向加速度、电池电量消耗以及燃油消耗。
在上述各技术方案的基础上，所述车辆行驶数据模拟装置还包括：
存储模块，用于在所述采集车辆在不同物理环境下的行驶数据之后，将所述行驶数据存储至预设分布式文件***。
在上述各技术方案的基础上，所述预设分布式文件***包括：分布式文件***HDFS发送模块，用于将所述行驶数据以及所述车辆行驶仿真数据发送至目标服务，以使目标服务基于所述行驶数据以及所述车辆行驶仿真数据进行服务性能测试，并基于测试日志输出分析报告；
接收模块，用于接收服务返回的分析报告；
分配模块，用于根据所述分析报告为所述行驶数据以及所述车辆行驶仿真数据分配应用场景。
在上述各技术方案的基础上，所述分析模块包括：
识别单元，用于识别所述测试日志中的预设关键字段；
确定单元，用于确定所述预设关键字段对应的错误含义；
生成单元，用于根据所述错误含义生成分析报告；
输出单元，用于将所述分析报告输出至与所述错误含义匹配的处理平台。
在上述各技术方案的基础上，所述车辆行驶数据模拟装置还包括：
修正模块，用于根据所述分析报告以及目标服务的线上表现对所述机器学习模型的训练数据集进行修正，以基于修正后的训练数据集对所述机器学习模型进行迭代训练，以使基于迭代训练后的机器学习模型输出的车辆行驶仿真数据进行测试获得的服务的性能达到目标值。
在上述各技术方案的基础上，所述修正模块包括：
第一修正单元，用于如果所述分析报告显示测试通过，且所述目标服务的线上表现达到设定标准，则将所述行驶数据以及所述车辆行驶仿真数据作为修正后的训练数据集；
第二修正单元，用于如果所述分析报告显示测试通过，且所述目标服务的线上表现未达到设定标准，则基于设定策略在所述行驶数据以及所述车辆行驶仿真数据的基础上增加新样本作为修正后的训练数据集。
在上述各技术方案的基础上，所述车辆行驶数据模拟装置，还包括：
处理模块，用于在所述将所述行驶数据以及所述车辆行驶仿真数据发送至目标服务之前，对所述行驶数据以及所述车辆行驶仿真数据进行数据格式处理，以使处理后的数据格式符合所述目标服务的数据读取规则。
在上述各技术方案的基础上，所述处理模块具体是将所述行驶数据以及所述车辆行驶仿真数据输入至汽车总线开发环境CANoe的在线回放模块，以通过所述CANoe的在线回放模块对所述行驶数据以及所述车辆行驶仿真数据进行数据格式处理。
在上述各技术方案的基础上，所述发送模块具体是通过所述CANoe的在线回放模块将所述行驶数据以及所述车辆行驶仿真数据发送至目标服务。
本公开实施例的技术方案，通过借助机器学习模型基于采集的车辆在真实环境下的行驶数据，生成更多的车辆行驶仿真数据，实现了车辆行驶仿真数据的高度仿真以及批量生成，提高了数据模拟效率，降低了人工成本，为目标服务的性能测试提供了充足的高质量数据，解决了目标服务上线前的性能测试所需测试数据失真的问题，同时通过提供海量高仿真行驶数据给服务，有助于服务快速定位车辆的故障问题。
本公开实施例所提供的车辆行驶数据模拟装置可执行本公开任意实施例所提供的车辆行驶数据模拟方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
实施例五
下面参考图6，其示出了适于用来实现本公开实施例的电子设备(例如图6中的终端设备或服务器)400的结构示意图。本公开实施例中的终端设备可以包括但不限于笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。
本公开实施例提供的终端与上述实施例提供的车辆行驶数据模拟方法属于同一发明构思，未在本公开实施例中详尽描述的技术细节可参见上述实施例，并且本公开实施例与上述实施例具有相同的有益效果。
实施例六
本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的车辆行驶数据模拟方法。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
采集车辆在不同物理环境下的行驶数据；
将所述行驶数据输入至设定机器学习模型，以通过所述设定机器学习模型进行车辆行驶数据模拟，获得设定数量的车辆行驶仿真数据，其中，所述设定数量大于所述行驶数据的数据量。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，可编辑内容显示单元还可以被描述为“编辑单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (13)
1.一种车辆行驶数据模拟方法，其特征在于，包括：
采集车辆在不同物理环境下的行驶数据，所述行驶数据是按照预设采集频率进行采集的，所述行驶数据包括下述至少一种：电池温度、电池电流强度、四轮轮胎压力、电机转速、压缩机转速、轮胎侧向加速度、电池电量消耗以及燃油消耗；所述物理环境包括下述至少一种：低温环境、高温环境、弱网环境、无网环境、高原、盆地、山川以及河流；
将所述行驶数据输入至设定机器学习模型，以通过所述设定机器学习模型进行车辆行驶数据模拟，获得设定数量的车辆行驶仿真数据，其中，所述设定数量大于所述行驶数据的数据量；
将所述行驶数据以及所述车辆行驶仿真数据发送至目标服务，以使目标服务基于所述行驶数据以及所述车辆行驶仿真数据进行服务性能测试，并基于测试日志输出分析报告；
接收服务返回的分析报告；
根据所述分析报告显示的服务性能测试通过的服务，为所述行驶数据以及所述车辆行驶仿真数据分配应用场景；
其中，所述基于测试日志输出分析报告，包括：识别所述测试日志中的预设关键字段；确定所述预设关键字段对应的错误含义；根据所述错误含义生成分析报告；将所述分析报告输出至与所述错误含义匹配的处理平台。
2.根据权利要求1所述的方法，其特征在于，所述采集车辆在不同物理环境下的行驶数据，包括：
通过车载传感器采集车辆在不同物理环境下的行驶数据。
3.根据权利要求2所述的方法，其特征在于，所述车载传感器包括下述至少一种：
图像传感器、声音传感器、雷达传感器以及北斗定位传感器。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述采集车辆在不同物理环境下的行驶数据之后，还包括：
将所述行驶数据存储至预设分布式文件***。
5.根据权利要求4所述的方法，其特征在于，所述预设分布式文件***包括：分布式文件***HDFS。
6.根据权利要求1所述的方法，其特征在于，还包括：
根据所述分析报告以及目标服务的线上表现对所述机器学习模型的训练数据集进行修正，以基于修正后的训练数据集对所述机器学习模型进行迭代训练，以使基于迭代训练后的机器学习模型输出的车辆行驶仿真数据进行测试获得的服务的性能达到目标值。
7.根据权利要求6所述的方法，其特征在于，所述根据所述分析报告以及目标服务的线上表现对所述机器学习模型的训练数据集进行修正，包括：
如果所述分析报告显示测试通过，且所述目标服务的线上表现达到设定标准，则将所述行驶数据以及所述车辆行驶仿真数据作为修正后的训练数据集；
如果所述分析报告显示测试通过，且所述目标服务的线上表现未达到设定标准，则基于设定策略在所述行驶数据以及所述车辆行驶仿真数据的基础上增加新样本作为修正后的训练数据集。
8.根据权利要求7所述的方法，其特征在于，所述将所述行驶数据以及所述车辆行驶仿真数据发送至目标服务之前，还包括：
对所述行驶数据以及所述车辆行驶仿真数据进行数据格式处理，以使处理后的数据格式符合所述目标服务的数据读取规则。
9.根据权利要求8所述的方法，其特征在于，所述对所述行驶数据以及所述车辆行驶仿真数据进行数据格式处理，包括：
将所述行驶数据以及所述车辆行驶仿真数据输入至汽车总线开发环境CANoe的在线回放模块，以通过所述CANoe的在线回放模块对所述行驶数据以及所述车辆行驶仿真数据进行数据格式处理。
10.根据权利要求9所述的方法，其特征在于，所述将所述行驶数据以及所述车辆行驶仿真数据发送至目标服务，包括：
通过所述CANoe的在线回放模块将所述行驶数据以及所述车辆行驶仿真数据发送至目标服务。
11.一种车辆行驶数据模拟装置，其特征在于，包括：
采集模块，用于采集车辆在不同物理环境下的行驶数据，所述行驶数据是按照预设采集频率进行采集的，所述行驶数据包括下述至少一种：电池温度、电池电流强度、四轮轮胎压力、电机转速、压缩机转速、轮胎侧向加速度、电池电量消耗以及燃油消耗；所述物理环境包括下述至少一种：低温环境、高温环境、弱网环境、无网环境、高原、盆地、山川以及河流；
获取模块，用于将所述行驶数据输入至设定机器学习模型，以通过所述设定机器学习模型进行车辆行驶数据模拟，获得设定数量的车辆行驶仿真数据，其中，所述设定数量大于所述行驶数据的数据量；
发送模块，用于将所述行驶数据以及所述车辆行驶仿真数据发送至目标服务，以使目标服务基于所述行驶数据以及所述车辆行驶仿真数据进行服务性能测试，并基于测试日志输出分析报告；
接收模块，用于接收服务返回的分析报告；
分配模块，用于根据所述分析报告显示的服务性能测试通过的服务，为所述行驶数据以及所述车辆行驶仿真数据分配应用场景；
其中，发送模块包括：
识别单元，用于识别所述测试日志中的预设关键字段；
确定单元，用于确定所述预设关键字段对应的错误含义；
生成单元，用于根据所述错误含义生成分析报告；
输出单元，用于将所述分析报告输出至与所述错误含义匹配的处理平台。
12.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-10中任一项所述的车辆行驶数据模拟方法。
13.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-10中任一项所述的车辆行驶数据模拟方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110260958.4A CN112836395B (zh) | 2021-03-10 | 2021-03-10 | 一种车辆行驶数据模拟方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110260958.4A CN112836395B (zh) | 2021-03-10 | 2021-03-10 | 一种车辆行驶数据模拟方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112836395A CN112836395A (zh) | 2021-05-25 |
| CN112836395B true CN112836395B (zh) | 2024-07-02 |
Family
ID=75930020
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110260958.4A Active CN112836395B (zh) | 2021-03-10 | 2021-03-10 | 一种车辆行驶数据模拟方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112836395B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113705097B (zh) * | 2021-08-30 | 2024-04-02 | 广州文远知行科技有限公司 | 一种车辆模型的构建方法、装置、计算机设备和存储介质 |
| CN114520855B (zh) * | 2021-12-31 | 2024-03-15 | 广州文远知行科技有限公司 | 基于多模块数据的图像帧渲染方法、装置及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104570765A (zh) * | 2014-12-16 | 2015-04-29 | 北京中交兴路车联网科技有限公司 | 一种车辆行驶仿真脚本生成方法及装置 |
| CN110908363A (zh) * | 2019-12-04 | 2020-03-24 | 广州小鹏汽车科技有限公司 | 一种车载终端的数据采集方法和装置 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104517491B (zh) * | 2014-12-16 | 2018-12-04 | 北京中交兴路车联网科技有限公司 | 一种车辆行驶模拟仿真***及方法 |
| US10198693B2 (en) * | 2016-10-24 | 2019-02-05 | International Business Machines Corporation | Method of effective driving behavior extraction using deep learning |
| CN107491073B (zh) * | 2017-09-05 | 2021-04-02 | 百度在线网络技术（北京）有限公司 | 无人驾驶车辆的数据训练方法和装置 |
| CN109446662A (zh) * | 2018-10-31 | 2019-03-08 | 百度在线网络技术（北京）有限公司 | 车辆仿真轨迹的生成方法及装置、计算机设备及存储介质 |
| CN111123731B (zh) * | 2018-10-31 | 2022-12-02 | 阿波罗智能技术(北京)有限公司 | 自动驾驶车辆仿真的方法、装置、存储介质和终端设备 |
| CN111123735B (zh) * | 2018-10-31 | 2022-09-09 | 百度在线网络技术（北京）有限公司 | 自动驾驶仿真运行方法和装置 |
| CN109670233A (zh) * | 2018-12-14 | 2019-04-23 | 南京理工大学 | 基于深度强化学习的多交通信号灯自动控制方法 |
| CN110162008B (zh) * | 2019-05-10 | 2021-05-28 | 中国汽车技术研究中心有限公司 | 一种新能源车辆can总线解析方法 |
| CN110516380B (zh) * | 2019-08-30 | 2023-09-26 | 的卢技术有限公司 | 一种基于车辆行驶仿真数据的深度强化测试方法和*** |
| CN110705101A (zh) * | 2019-09-30 | 2020-01-17 | 深圳市商汤科技有限公司 | 网络训练方法、车辆行驶方法及相关产品 |
| CN111694766B (zh) * | 2020-06-16 | 2024-03-08 | 北京经纬恒润科技股份有限公司 | 一种can数据采集方法及装置 |
-
2021
- 2021-03-10 CN CN202110260958.4A patent/CN112836395B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104570765A (zh) * | 2014-12-16 | 2015-04-29 | 北京中交兴路车联网科技有限公司 | 一种车辆行驶仿真脚本生成方法及装置 |
| CN110908363A (zh) * | 2019-12-04 | 2020-03-24 | 广州小鹏汽车科技有限公司 | 一种车载终端的数据采集方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112836395A (zh) | 2021-05-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112836395B (zh) | 一种车辆行驶数据模拟方法、装置、电子设备及存储介质 | |
| CN114296105B (zh) | 一种定位故障原因确定方法、装置、设备以及存储介质 | |
| CN112561410B (zh) | 道路车辆的排放量确定方法、装置及电子设备 | |
| US20150094013A1 (en) | System and Method for Participants DATA Retrieval Post Accident or Event | |
| CN111198859A (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
| CN115640285B (zh) | 电力异常信息发送方法、装置、电子设备和介质 | |
| CN113934885A (zh) | 一种基于局域网的adas视频数据回灌性能验证***及方法 | |
| CN111371648A (zh) | 针对虚拟网关集群全局故障的监测方法和装置 | |
| CN112102519B (zh) | 一种车辆数据的上传方法和装置 | |
| CN112874378B (zh) | 一种电池采样温度的处理方法、装置、设备及车辆 | |
| CN113140109B (zh) | 一种路测数据处理方法、装置、计算机设备及存储介质 | |
| CN112291121B (zh) | 一种数据处理方法及相关设备 | |
| CN112882948A (zh) | 一种应用的稳定性测试方法、装置、***及存储介质 | |
| CN111198853B (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
| CN115665009B (zh) | Dns根服务器状态监测方法、装置、电子设备及介质 | |
| CN111552620A (zh) | 数据获取方法、装置、终端及存储介质 | |
| CN114499709A (zh) | 天线收音测试方法、装置、电子设备及存储介质 | |
| CN115941432A (zh) | 域名报警信息发送方法、装置、电子设备及计算机可读存储介质 | |
| CN114419788A (zh) | 一种物联网燃气表抄表方法、装置、电子设备及存储介质 | |
| CN110633182B (zh) | 用于监控服务器稳定性的***、方法和装置 | |
| CN110955709A (zh) | 一种数据的处理方法、装置及电子设备 | |
| CN112395695A (zh) | 一种实时建立仿真场景的方法及*** | |
| CN116382597B (zh) | 车辆运行数据存储方法、设备和计算机介质 | |
| CN113393592B (zh) | 基于车载终端的全流程检测方法、装置、设备及介质 | |
| CN112668194B (zh) | 基于页面的自动驾驶场景库信息展示方法、装置和设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |