CN113538734A - 用于处理驾驶数据的方法、装置、电子设备及存储介质 - Google Patents
用于处理驾驶数据的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113538734A CN113538734A CN202110874393.9A CN202110874393A CN113538734A CN 113538734 A CN113538734 A CN 113538734A CN 202110874393 A CN202110874393 A CN 202110874393A CN 113538734 A CN113538734 A CN 113538734A
- Authority
- CN
- China
- Prior art keywords
- parameter
- driving
- data
- scenario
- parameters
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012545 processing Methods 0.000 title claims abstract description 34
- 238000004590 computer program Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 238000007418 data mining Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 14
- 102100029768 Histone-lysine N-methyltransferase SETD1A Human genes 0.000 description 9
- 101000865038 Homo sapiens Histone-lysine N-methyltransferase SETD1A Proteins 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 101100218322 Arabidopsis thaliana ATXR3 gene Proteins 0.000 description 3
- 102100032742 Histone-lysine N-methyltransferase SETD2 Human genes 0.000 description 3
- 101100149326 Homo sapiens SETD2 gene Proteins 0.000 description 3
- LZHSWRWIMQRTOP-UHFFFAOYSA-N N-(furan-2-ylmethyl)-3-[4-[methyl(propyl)amino]-6-(trifluoromethyl)pyrimidin-2-yl]sulfanylpropanamide Chemical compound CCCN(C)C1=NC(=NC(=C1)C(F)(F)F)SCCC(=O)NCC2=CC=CO2 LZHSWRWIMQRTOP-UHFFFAOYSA-N 0.000 description 3
- 101100533304 Plasmodium falciparum (isolate 3D7) SETVS gene Proteins 0.000 description 3
- 101150117538 Set2 gene Proteins 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种用于处理驾驶数据的方法、装置、电子设备及存储介质,涉及自动驾驶技术领域,尤其涉及与自动驾驶数据相关的数据处理技术。实现方案为:一种用于处理驾驶数据的方法,包括:将车辆驾驶数据聚类以生成至少一个数据集合,所述至少一个数据集合分别对应于相应驾驶场景,并且分别包括用于表征所述相应驾驶场景的多个场景参数;从多个场景参数之中选择相互关联的第一参数和第二参数;以及基于第一参数和第二参数构建用于确定自动驾驶在相应驾驶场景中的相应控制参数的二维参数空间。
Description
技术领域
本公开涉及自动驾驶技术领域,尤其涉及与自动驾驶数据相关的数据处理技术,具体涉及一种用于处理驾驶数据的方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
近年来,自动驾驶技术快速发展,保证自动驾驶过程中的安全性是自动驾驶技术之中重要的研究方向之一,其也体现了自动驾驶能力的优劣。在自动驾驶技术中,往往需要进行场景设计来对真实世界进行模拟,使得自动驾驶车辆能够应对各种各样的场景变化。因此,场景设计中的真实程度,也即场景真实度,可能关乎到最终的自动驾驶能力。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种用于处理驾驶数据的方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
根据本公开的一方面,提供了一种用于处理驾驶数据的方法,包括:将车辆驾驶数据聚类以生成至少一个数据集合,所述至少一个数据集合分别对应于相应驾驶场景,并且分别包括用于表征所述相应驾驶场景的多个场景参数;从所述多个场景参数之中选择相互关联的第一参数和第二参数;以及基于所述第一参数和所述第二参数构建用于确定自动驾驶在所述驾驶场景中的相应控制参数的二维参数空间。
根据本公开的另一方面,提供了一种用于处理驾驶数据的装置,包括:聚类模块,被配置为将车辆驾驶数据聚类以生成至少一个数据集合,所述至少一个数据集合分别对应于相应驾驶场景,并且分别包括用于表征所述相应驾驶场景的多个场景参数;参数确定模块,被配置为从所述多个场景参数之中选择相互关联的第一参数和第二参数;以及构建模块,被配置为基于所述第一参数和所述第二参数构建用于确定自动驾驶在所述驾驶场景中的相应控制参数的二维参数空间。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有能够被所述至少一个处理器执行的指令,所述指令在被所述至少一个处理器执行时,使所述至少一个处理器执行如上所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行如上所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现如上所述的方法。
根据本公开的一个或多个实施例,可以提升用于自动驾驶的场景设计中的场景真实度,继而改善自动驾驶能力。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开实施例的用于处理驾驶数据的方法的流程图。
图2示出了用于解释根据本公开实施例的用于处理驾驶数据的方法的示意图。
图3A至3D示出了根据本公开实施例的二维参数空间构建的概念性示意图。
图4示出了根据本公开实施例的修正参数空间的可信参数边界的方法的流程图。
图5示出了根据本公开一个实施例的用于处理驾驶数据的装置的框图。
图6示出了根据本公开另一个实施例的用于处理驾驶数据的装置的框图。
图7示出了能够应用于本公开实施例的电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
在相关技术中,场景真实度可涉及场景的设计合理性和数据合理性,其中对于数据合理性而言,需要尽可能使关于场景的参数描述与真实世界更为相似,由此来提升场景真实度,并继而改善自动驾驶能力。
针对上述问题,根据本公开的一方面,提供了一种用于处理驾驶数据的方法。下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开实施例的用于处理驾驶数据的方法100的流程图。图2示出了用于解释该方法100的示意图。下文将结合图2的示例对图1所示的方法100进行详细解释。
如图1所示,根据本公开实施例的方法100的流程图可以包括如下步骤:
S102,将车辆驾驶数据聚类以生成至少一个数据集合,所述至少一个数据集合分别对应于相应驾驶场景,并且分别包括用于表征相应驾驶场景的多个场景参数;
S104,从多个场景参数之中选择相互关联的第一参数和第二参数;以及
S106,基于第一参数和第二参数构建用于确定自动驾驶在相应驾驶场景中的相应控制参数的二维参数空间。
根据本公开的用于处理驾驶数据的方法,通过基于车辆驾驶数据来构建用于确定自动驾驶的数据合理性的二维参数空间,能够提升用于自动驾驶的场景设计中的场景真实度,继而改善自动驾驶能力。
在步骤S102中,车辆驾驶数据可以是指由驾驶员驾驶车辆时所获取的驾驶数据。车辆上可以安装有各种传感器,诸如LiDAR(激光雷达)、GNSS(全球导航卫星***)等。通过相应的传感器可以获取到车辆的实时驾驶数据,例如自身的行驶速度、与其他车辆的距离等(在下文中,也称为驾驶数据的参数,即驾驶数据可以是实时采集到的这些参数的值)。
根据一些实施例,将车辆驾驶数据聚类以生成至少一个数据集合可以包括:根据第一级驾驶场景对车辆驾驶数据进行聚类以生成至少一个驾驶场景类簇,所述至少一个驾驶场景类簇分别包含相应的车辆驾驶数据;以及针对所述至少一个驾驶场景类簇中的一个或多个,根据第二级驾驶场景对驾驶场景类簇所包含的车辆驾驶数据进行聚类以生成所述至少一个数据集合,其中所述第二级驾驶场景是所述第一级驾驶场景之下的子场景。
以此方式,通过借助于基于驾驶场景对驾驶数据进行划分来选取针对不同场景而言的用于构建二维参数空间的最佳参数,由此能够覆盖各种各样的场景并相应提升场景真实度。
第一级驾驶场景可以是指车辆行驶过程中所展现的行驶行为。例如,驾驶场景可以包括直行、跟随、切入(也即超车)、变道等。相应地,针对各种不同的第一级驾驶场景,也能够通过传感器来获取在相应的驾驶场景下的驾驶数据。由传感器采集到的驾驶数据在被处理而落盘存储之后可以带有能够指示场景的事件标签,因此可以基于该事件标签来执行驾驶数据的聚类。事件标签可以例如使用正则表达式来表示。
如图2的示例所示,例如对车辆驾驶数据进行聚类生成了三个驾驶场景类簇。举例而言,第一至第三驾驶场景类簇201至203可以分别是“切入”、“直行”和“变道”的驾驶场景。第一驾驶场景类簇201可以包含与该场景(“切入”)相对应的多个车辆驾驶数据DATA1-1至DATA1-n,其中n是大于1的自然数。类似地,第二驾驶场景类簇202可以包含与该场景(“直行”)相对应的多个车辆驾驶数据DATA2-1至DATA2-n,且第三驾驶场景类簇203可以包含与该场景(“变道”)相对应的多个车辆驾驶数据DATA3-1至DATA3-n,其中n是大于1的自然数。这里,可以理解的是,图2仅以示例的方式示出了三个驾驶场景类簇。然而,通过聚类所获得的驾驶场景类簇的数量可以是根据实际获取的车辆驾驶数据而变化的。
考虑到每一种驾驶场景可以包括至少一个子场景,例如以切入的驾驶场景为例,其可以包括快速切入、慢速切入、切入后减速等子场景,因此可以对场景进一步划分。因此,第二级驾驶场景可以是第一级驾驶场景之下的子场景。
如图2的示例所示,可以针对第一驾驶场景类簇201,筛选出所述多个车辆驾驶数据DATA1-1至DATA1-n之中的属于同一子场景的车辆驾驶数据。如上所述,以切入的第一级驾驶场景为例,其可以包括例如快速切入、慢速切入、切入后减速等子场景,即第二级驾驶场景。图2的示例示出了在车辆驾驶数据DATA1-1至DATA1-n之中筛选出车辆驾驶数据DATA1-1至DATA1-5,这些数据属于慢速切入的子场景,因此可以被选择作为一个数据集合,例如示出为数据集合SET1。类似地,还可以筛选出车辆驾驶数据DATA1-10至DATA1-11,其属于快速切入的子场景,因此可以被选择作为一个数据集合,例如示出为数据集合SET2。这里,图2仅以示例的方式示出了所筛选出的两个数据集合。然而,所筛选出的数据集合的数量可以是根据实际获取的车辆驾驶数据而变化的。此外,可以对第二驾驶场景类簇202和第三驾驶场景类簇203重复与上述类似的过程,从而使得针对第一至第三驾驶场景类簇201至203之中的至少一个,按照第二级驾驶场景对车辆驾驶数据进行筛选以形成数据集合。
如上所示例的,数据集合SET1可以包括车辆驾驶数据DATA1-1至DATA1-5,而数据集合SET2可以包括车辆驾驶数据DATA1-10至DATA1-11。由于车辆驾驶数据可以是由多个参数所构成的,例如如上所述的,该参数可以是车辆(下文称为测试车辆)自身的行驶速度,如纵向速度和横向速度;与其他车辆(下文称为目标车辆)的距离,如纵向距离和横向距离,等等。再例如,该参数还可以是目标车辆的纵向速度或横向速度、测试车辆与目标车辆之间的方位角、测试车辆与目标之间的纵向或横向速度差等。作为参考,实际应用中,所述参数可以在几十个的量级上,例如80个。下文中,该参数也被称为场景参数。因此,数据集合SET1可以包括用于表征“慢速切入”子场景的多个场景参数,而数据集合SET2可以包括用于表征“快速切入”子场景的多个场景参数。
上述筛选过程可以是基于场景参数来进行的。对于每种子场景而言,筛选条件可以被预先确定,例如测试车辆与目标车辆之间的速度差应为多少、方位角应为多少等等。基于此,当驾驶数据满足该预先确定的筛选条件时,即可将其认为是属于该子场景。筛选条件也可以用正则表达式来表示。
根据一些实施例,所述车辆驾驶数据可以是从车辆驾驶源数据之中,以优先保证第一级驾驶场景的召回率的数据挖掘方式来获取的。
这里,车辆驾驶源数据可以是指如上所述的经过处理而落盘存储的车辆驾驶数据。优先保证第一级驾驶场景的召回率可以是指关于驾驶场景的高召回率,即对于驾驶源数据之中的边角情况或临界情况也需要将其召回,从而最大化地保证这些极限情况下的安全性。例如,切入和变道因存在临界情况而不易区分(如两车的纵向距离为多少时将其归属为切入或变道),因此,高召回率可涉及到将上述两种场景均保留下来。以此方式,高召回率的数据挖掘方式能够保证尽量完整地保留驾驶源数据所涉及到的各种场景,便于改善极限情况下的安全性。
在步骤S104中,假设数据集合SET1和数据集合SET2均包括80个场景参数,对于数据集合SET1,可以从80个参数中选择相互关联的两个参数,类似地,对于数据集合SET2,也可以从80个参数中选择相互关联的两个参数。在本公开被实施为构建二维参数空间的情况下,多个参数之中被选择的参数的数量可以与空间维度“二”相对应。
根据一些实施例,还可以在选择参数之前检查数据集合SET1之中是否存在被误归类到同一子场景(“慢速切入”)的驾驶数据。类似地,还可以检查数据集合SET2之中是否存在被误归类到同一子场景(“快速切入”)的驾驶数据。以此方式,通过设置额外的检查步骤,能够在数据挖掘过程中的召回率与准确率之间取得折衷,避免出现因准确率过低而导致影响参数空间构建的情况。
以数据集合SET1为例,如果检查出存在被误归类到同一子场景(“慢速切入”)的驾驶数据,例如是DATA1-2,则接下来确定该被误归类到同一子场景的驾驶数据DATA1-2在数据集合SET1中的比例,例如此时的错误率是20%,意味着准确率为80%。假设预先设置了90%的准确率(即10%的错误率)标准,这表明此时80%的准确率(即20%的错误率)不达标,因此需要重新进行数据挖掘(例如调整挖掘算法以重新迭代)来将车辆驾驶数据重新聚类,使得错误率能够降低到预定的标准之下,并重新生成数据集合SET1。
根据一些实施例,两个参数之间的相关系数可以大于预定值,且两个参数可以满足正态分布。两个参数之间的相关系数大于预定值也可以理解为两个参数之间是强相关的。两个参数之间的相关系数及这两个参数是否为强相关可以通过本领域已知的相关性公式来确定,在此不再赘述。参数满足正态分布可以便于使用统计学方法来构建后续的参数空间。通过该方式选择参数可以确定出能够清晰表征对应场景的参数。
在步骤S106中,由于所选择的两个参数满足正态分布,可以利用例如计算其均值和方差来构建二维参数空间。该二维参数空间以统计学方法反映了驾驶数据的数据合理性,可以被用于确定自动驾驶在对应场景中的相应控制参数。在场景设计中,可以将所使用的数据与该参数空间的可信参数边界进行比较,如果其落入参数空间的可信参数边界的范围内,则表示数据是合理的,由此能够提升场景真实度。
下面将结合图3A至3D描述构建二维参数空间的方法。需说明的是,图3A至3D旨在简明扼要地说明根据本公开实施例的二维参数空间构建方法,为避免混淆本公开构思的主旨,图中省略了具体数值的示出,而仅以概念性的示意图进行解释和说明。
如图3A所示,坐标系的横轴可以表示测试车辆与目标车辆之间的纵向速度差,即第一参数Δv,其单位例如可以是km/h;坐标系的纵轴可以表示测试车辆与目标车辆之间的纵向距离差,即第二参数Δd,其单位例如可以是m。如上所述,第一参数和第二参数可以是强相关的,且满足正态分布。如所述,图中省略了具体数值的示出。
构建二维参数空间可以包括计算第一参数和第二参数的均值和方差,并且基于均值和方差在二维参数空间中确定可信参数边界。图3A示出了关于第一参数和第二参数的若干个测量点,以圆形图案表示。菱形图案表示关于这些测量点的均值μ,且在坐标系中位于该菱形图案的均值μ之上的三角形图案和之下的矩形图案分别表示均值±方差的结果,即μ+σ和μ-σ。可以理解的是,在对均值和方差进行相应线性回归处理后,可以获得相应的拟合曲线以便于后续的数据处理。此外,根据实际需要,也可以增大方差。图3B示出了三倍方差的情形,即,线301、线302、线303可分别对应于μ、μ+3σ和μ-3σ的情形(以线性回归的拟合曲线示出)。图3C示出了交换自变量与因变量之后的结果。类似地,线301’、线302’、线303’也分别对应于μ、μ+3σ和μ-3σ的情形。图3D示出了将图3B和图3C的结果组合之后形成的二维参数空间的可信参数边界。实线所表示的线310可以是将图3B中的线302和303与图3C中的线302’和303’组合所形成的,其代表与μ±3σ对应的可信参数边界。考虑不同的实际需要,也可以进一步增大方差σ以构建具有不同范围的多个可信参数边界。例如,可以取μ±5σ、μ±8σ等。
以上结合图3示例性地说明了根据本公开实施例的二维参数空间的构建过程。可以理解的是,对于统计学方法中已知的概念、公式等在此并未赘述,旨在避免混淆本公开构思的主旨。如上所述,该二维参数空间以统计学方法反映了驾驶数据的数据合理性,可以被用于确定自动驾驶在相应场景中的相应控制参数。在场景设计中,可以将所使用的数据与该二维参数空间进行比较,如果其落入参数空间的的可信参数边界的范围内,则表示数据是合理的。由此能够提升场景真实度。
根据一些实施例,该二维参数空间的可信参数边界也适用于作为衡量自动驾驶能力的度量标准。为此,可以将参数空间的可信参数边界通过例如代码写成一个度量标准,作为用于衡量自动驾驶能力的量化指标。换言之,通过自动驾驶所取得的驾驶数据如果落入参数空间的的可信参数边界范围内,则表示自动驾驶能力达标。
图4示出了根据本公开实施例的修正二维参数空间的可信参数边界的方法400的流程图。修正二维参数空间的可信参数边界可以是在初始构建的二维参数空间的的可信参数边界基础上调整边界的范围。如图4所示,方法400可以包括场景搭建的步骤S402、结果比对的步骤S404、以及边界固化的步骤S406。
步骤S402可以包括:通过仿真获取第一参数和第二参数的具有导致发生车辆碰撞可能性的至少一个参数组合。
首先,可以利用仿真软件将第一参数(如图3所示的Δv,例如0~50km/h)和第二参数(如图3所示的Δd,例如0~200m)以一定的步长(例如对于Δv和Δd分别是5km/h和20m)进行排列组合从而形成若干参数组合。然后,可以确定所述若干参数组合之中的可能会发生碰撞的参数组合,并将代表这样的参数组合的碰撞点映射到参数空间中。
步骤S404可以包括:确定所述至少一个参数组合之中的每个参数组合是否能够由自动驾驶来避免(即自动驾驶能力可以使该碰撞点豁免)。该过程可以例如通过人工分析和推理进行判断。
步骤S406可以包括:如果确定所述至少一个参数组合之中存在这样的特定参数组合,则可以基于该特定参数组合在二维参数空间中的位置来调整二维参数空间的边界的范围。
例如,假设映射在二维参数空间的可信参数边界内的某一参数组合(即碰撞点)实际被确定为是可以被自动驾驶能力所豁免的,则意味着这样的碰撞点是不合理的,不应出现在参数空间的可信参数边界之内,因此需要下调参数空间的可信参数边界以使其范围减小。
以此方式,通过在构建参数空间之后进一步对其可信参数边界进行修正,能够优化所构建的参数空间的可信参数边界以获得更理想的边界范围。
如前所述,根据本公开实施例的方法,通过使用车辆驾驶数据来构建用于自动驾驶的二维参数空间,能够提升自动驾驶的场景设计中的场景真实度,继而改善自动驾驶能力。特别是,在该方法中通过借助于基于驾驶场景对驾驶数据进行划分来选取针对不同场景而言的用于构建二维参数空间的最佳参数,由此能够覆盖各种各样的场景并相应提升场景真实度。
根据本公开的另一方面,还提供了一种用于处理驾驶数据的装置。图5示出了根据本公开一个实施例的用于处理驾驶数据的装置500的框图。如图5所示,该装置500可以包括:聚类模块502,被配置为将车辆驾驶数据聚类以生成至少一个数据集合,所述至少一个数据集合分别对应于相应驾驶场景,并且分别包括用于表征所述相应驾驶场景的多个场景参数;参数确定模块504,被配置为从多个场景参数之中选择相互关联的第一参数和第二参数;以及构建模块506,被配置为基于第一参数和第二参数构建用于确定自动驾驶在所述相应驾驶场景中的相应控制参数的二维参数空间。
根据一些实施例,第一参数与第二参数之间的相关系数大于预定值,且第一参数和第二参数满足正态分布。
根据一些实施例,二维参数空间的可信参数边界可以进一步被配置为适用于作为衡量自动驾驶能力的度量标准。
上述模块502、504及506所执行的操作与参考图1、图2及图3A至3D所描述的步骤S102、S104及S106相对应,因此不再赘述其细节。
图6示出了根据本公开另一个实施例的用于处理驾驶数据的装置600的框图。图6所示的模块602、604及606可以分别对应于图5所示的模块502、504及506。除此之外,装置600还可以包括进一步的功能模块605和608,且模块602、606还可以包括进一步的子功能单元或模块,如下将具体说明。
根据一些实施例,聚类模块602可以包括第一聚类单元6020,被配置为根据第一级驾驶场景对车辆驾驶数据进行聚类以生成至少一个驾驶场景类簇,所述至少一个驾驶场景类簇分别包含相应的车辆驾驶数据;以及第二聚类单元6022,被配置为针对所述至少一个驾驶场景类簇中的一个或多个,根据第二级驾驶场景对驾驶场景类簇所包含的车辆驾驶数据进行聚类以生成所述至少一个数据集合,其中第二级驾驶场景是第一级驾驶场景之下的子场景。
根据一些实施例,车辆驾驶数据是从驾驶源数据之中,以优先保证第一级驾驶场景的召回率的数据挖掘方式来获取的。
根据一些实施例,装置600还可以包括检查模块605,所述检查模块605包括:第一子模块6050,被配置为检查所述至少一个数据集合之中是否存在被误归类的车辆驾驶数据;第二子模块6052,被配置为响应于检查出存在被误归类的车辆驾驶数据,确定被误归类的车辆驾驶数据在与其对应的数据集合中的比例;以及第三子模块6054,被配置为响应于所述比例等于或高于预定阈值,通知聚类模块602将车辆驾驶数据重新聚类以使所述比例低于所述预定阈值,并重新生成所述至少一个数据集合。
根据一些实施例,构建模块606还可以包括:计算模块6060,被配置为计算第一参数和第二参数的均值和方差;以及边界确定模块6062,被配置为基于所述均值和所述方差在所述二维参数空间中确定可信参数边界。
根据一些实施例,装置600还可以包括修正模块608,所述修正模块608包括:仿真模块6080,被配置为通过仿真获取第一参数和第二参数的具有导致发生车辆碰撞可能性的至少一个参数组合;映射模块6082,被配置为将所述至少一个参数组合映射到二维参数空间中;以及调整模块6084,被配置为响应于确定所述至少一个参数组合之中的特定参数组合能够由自动驾驶避免,基于所述特定参数组合在所述二维参数空间中的位置来调整可信参数边界。
结合图6描述的各个模块所执行的操作可以对应于参考图1至图4所描述的各个方法步骤,因此不再赘述其细节。
根据本公开的另一方面,还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行如上所述的方法。
根据本公开的另一方面,还提供了一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现如上所述的方法。
根据本公开的另一方面,还提供了一种电子设备,包括至少一个处理器;以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有能够被所述至少一个处理器执行的指令,所述指令在被所述至少一个处理器执行时,使所述至少一个处理器执行如上所述的方法。
参考图7,将描述可以应用于本公开的电子设备700的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705,包括:输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向电子设备700输入信息的任何类型的设备,输入单元706可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如用于处理驾驶数据的方法。例如,在一些实施例中,用于处理驾驶数据的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的用于处理驾驶数据的方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行用于处理驾驶数据的方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用,均符合相关法律法规的规定,且不违背公序良俗。本公开的意图是,应以使无意或未经授权的使用访问风险最小化的方式来管理和处理个人信息数据。通过限制数据收集并在不再需要时删除数据,从而将风险降到最低。需要说明的是,本申请中与人员有关的所有信息,均在人员知情且同意的情况下收集。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、***和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (19)
1.一种用于处理驾驶数据的方法,包括:
将车辆驾驶数据聚类以生成至少一个数据集合,所述至少一个数据集合分别对应于相应驾驶场景,并且分别包括用于表征所述相应驾驶场景的多个场景参数;
从所述多个场景参数之中选择相互关联的第一参数和第二参数;以及
基于所述第一参数和所述第二参数构建用于确定自动驾驶在所述相应驾驶场景中的相应控制参数的二维参数空间。
2.如权利要求1所述的方法,其中,所述将车辆驾驶数据聚类以生成至少一个数据集合包括:
根据第一级驾驶场景对所述车辆驾驶数据进行聚类以生成至少一个驾驶场景类簇,所述至少一个驾驶场景类簇分别包含相应的车辆驾驶数据;以及
针对所述至少一个驾驶场景类簇中的一个或多个,根据第二级驾驶场景对所述驾驶场景类簇所包含的车辆驾驶数据进行聚类以生成所述至少一个数据集合,其中所述第二级驾驶场景是所述第一级驾驶场景之下的子场景。
3.如权利要求2所述的方法,其中,所述车辆驾驶数据是从车辆驾驶源数据之中,以优先保证所述第一级驾驶场景的召回率的数据挖掘方式来获取的。
4.如权利要求1至3中任一项所述的方法,其中,在从所述多个场景参数之中选择相互关联的第一参数和第二参数之前,所述方法还包括:
检查所述至少一个数据集合之中是否存在被误归类的车辆驾驶数据;
响应于检查出存在被误归类的车辆驾驶数据,确定被误归类的车辆驾驶数据在与其对应的数据集合中的比例;以及
响应于所述比例等于或高于预定阈值,将所述车辆驾驶数据重新聚类以使所述比例低于所述预定阈值,并重新生成所述至少一个数据集合。
5.如权利要求1至4中任一项所述的方法,其中,所述第一参数与所述第二参数之间的相关系数大于预定值,且所述第一参数和所述第二参数满足正态分布。
6.如权利要求1至5中任一项所述的方法,其中,所述构建用于确定自动驾驶的相应控制参数的二维参数空间包括:
计算所述第一参数和所述第二参数的均值和方差;以及
基于所述均值和所述方差在所述二维参数空间中确定可信参数边界。
7.如权利要求6所述的方法,还包括:
通过仿真获取所述第一参数和所述第二参数的具有导致发生车辆碰撞可能性的至少一个参数组合;
将所述至少一个参数组合映射到所述二维参数空间中;以及
响应于确定所述至少一个参数组合之中的特定参数组合能够由所述自动驾驶避免,基于所述特定参数组合在所述二维参数空间中的位置来调整所述可信参数边界。
8.如权利要求1至7中任一项所述的方法,其中,所述二维参数空间的可信参数边界进一步被配置为适用于作为衡量所述自动驾驶的能力的度量标准。
9.一种用于处理驾驶数据的装置,包括:
聚类模块,被配置为将车辆驾驶数据聚类以生成至少一个数据集合,所述至少一个数据集合分别对应于相应驾驶场景,并且分别包括用于表征所述相应驾驶场景的多个场景参数;
参数确定模块,被配置为从所述多个场景参数之中选择相互关联的第一参数和第二参数;以及
构建模块,被配置为基于所述第一参数和所述第二参数构建用于确定自动驾驶在所述相应驾驶场景中的相应控制参数的二维参数空间。
10.如权利要求9所述的装置,所述聚类模块包括:
第一聚类单元,被配置为根据第一级驾驶场景对所述车辆驾驶数据进行聚类以生成至少一个驾驶场景类簇,所述至少一个驾驶场景类簇分别包含相应的车辆驾驶数据;以及
第二聚类单元,被配置为针对所述至少一个驾驶场景类簇中的一个或多个,根据第二级驾驶场景对所述驾驶场景类簇所包含的车辆驾驶数据进行聚类以生成所述至少一个数据集合,其中所述第二级驾驶场景是所述第一级驾驶场景之下的子场景。
11.如权利要求10所述的装置,其中,所述车辆驾驶数据是从车辆驾驶源数据之中,以优先保证所述第一级驾驶场景的召回率的数据挖掘方式来获取的。
12.如权利要求9至11中任一项所述的装置,还包括检查模块,所述检查模块包括:
第一子模块,检查所述至少一个数据集合之中是否存在被误归类的车辆驾驶数据;
第二子模块,被配置为响应于检查出存在被误归类的车辆驾驶数据,确定被误归类的车辆驾驶数据在与其对应的数据集合中的比例;以及
第三子模块,被配置为响应于所述比例等于或高于预定阈值,通知所述聚类模块将所述车辆驾驶数据重新聚类以使所述比例低于所述预定阈值,并重新生成所述至少一个数据集合。
13.如权利要求9至12中任一项所述的装置,其中,所述第一参数与所述第二参数之间的相关系数大于预定值,且所述第一参数和所述第二参数满足正态分布。
14.如权利要求9至13中任一项所述的装置,其中,所述构建模块包括:
计算模块,被配置为计算所述第一参数和所述第二参数的均值和方差;以及
边界确定模块,被配置为基于所述均值和所述方差在所述二维参数空间中确定可信参数边界。
15.如权利要求14所述的装置,还包括修正模块,所述修正模块包括:
仿真模块,被配置为通过仿真获取所述第一参数和所述第二参数的具有导致发生车辆碰撞可能性的至少一个参数组合;
映射模块,被配置为将所述至少一个参数组合映射到所述二维参数空间中;以及
调整模块,被配置为响应于确定所述至少一个参数组合之中的特定参数组合能够由所述自动驾驶避免,基于所述特定参数组合在所述二维参数空间中的位置来调整所述可信参数边界。
16.如权利要求9至15中任一项所述的装置,其中,所述二维参数空间的可信参数边界进一步被配置为适用于作为衡量自动驾驶能力的度量标准。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器,
其中,所述存储器存储有能够被所述至少一个处理器执行的指令,所述指令在被所述至少一个处理器执行时,使所述至少一个处理器执行如权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行如权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110874393.9A CN113538734A (zh) | 2021-07-30 | 2021-07-30 | 用于处理驾驶数据的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110874393.9A CN113538734A (zh) | 2021-07-30 | 2021-07-30 | 用于处理驾驶数据的方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113538734A true CN113538734A (zh) | 2021-10-22 |
Family
ID=78121668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110874393.9A Pending CN113538734A (zh) | 2021-07-30 | 2021-07-30 | 用于处理驾驶数据的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113538734A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113903102A (zh) * | 2021-10-29 | 2022-01-07 | 广汽埃安新能源汽车有限公司 | 调整信息获取方法、调整方法、装置、电子设备及介质 |
CN115828638A (zh) * | 2023-01-09 | 2023-03-21 | 西安深信科创信息技术有限公司 | 一种自动驾驶测试场景脚本生成方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188797A (zh) * | 2019-04-26 | 2019-08-30 | 同济大学 | 一种基于贝叶斯优化的智能汽车快速测试方法 |
CN111783226A (zh) * | 2020-06-29 | 2020-10-16 | 北京百度网讯科技有限公司 | 生成自动驾驶场景度量参数的方法、装置、电子设备和存储介质 |
CN112396093A (zh) * | 2020-10-29 | 2021-02-23 | 中国汽车技术研究中心有限公司 | 驾驶场景分类方法、装置、设备及可读存储介质 |
CN112559371A (zh) * | 2020-12-24 | 2021-03-26 | 北京百度网讯科技有限公司 | 一种自动驾驶测试方法、装置及电子设备 |
-
2021
- 2021-07-30 CN CN202110874393.9A patent/CN113538734A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188797A (zh) * | 2019-04-26 | 2019-08-30 | 同济大学 | 一种基于贝叶斯优化的智能汽车快速测试方法 |
CN111783226A (zh) * | 2020-06-29 | 2020-10-16 | 北京百度网讯科技有限公司 | 生成自动驾驶场景度量参数的方法、装置、电子设备和存储介质 |
CN112396093A (zh) * | 2020-10-29 | 2021-02-23 | 中国汽车技术研究中心有限公司 | 驾驶场景分类方法、装置、设备及可读存储介质 |
CN112559371A (zh) * | 2020-12-24 | 2021-03-26 | 北京百度网讯科技有限公司 | 一种自动驾驶测试方法、装置及电子设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113903102A (zh) * | 2021-10-29 | 2022-01-07 | 广汽埃安新能源汽车有限公司 | 调整信息获取方法、调整方法、装置、电子设备及介质 |
CN113903102B (zh) * | 2021-10-29 | 2023-11-17 | 广汽埃安新能源汽车有限公司 | 调整信息获取方法、调整方法、装置、电子设备及介质 |
CN115828638A (zh) * | 2023-01-09 | 2023-03-21 | 西安深信科创信息技术有限公司 | 一种自动驾驶测试场景脚本生成方法、装置及电子设备 |
CN115828638B (zh) * | 2023-01-09 | 2023-05-23 | 西安深信科创信息技术有限公司 | 一种自动驾驶测试场景脚本生成方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109781119B (zh) | 一种激光点云定位方法和*** | |
EP3620823B1 (en) | Method and device for detecting precision of internal parameter of laser radar | |
CN113408141A (zh) | 一种自动驾驶测试方法、装置及电子设备 | |
CN113538734A (zh) | 用于处理驾驶数据的方法、装置、电子设备及存储介质 | |
CN112579464A (zh) | 自动驾驶算法的校验方法、装置、设备以及存储介质 | |
CN114179832A (zh) | 用于自动驾驶车辆的变道方法 | |
CN113467875A (zh) | 训练方法、预测方法、装置、电子设备以及自动驾驶车辆 | |
CN112699765A (zh) | 评估视觉定位算法的方法、装置、电子设备及存储介质 | |
JP7391125B2 (ja) | 自動運転特徴の特定方法、装置、設備、媒体及びコンピュータプログラム | |
CN112559371A (zh) | 一种自动驾驶测试方法、装置及电子设备 | |
CN114092660A (zh) | 高精地图生成方法、装置及用于生成地图的车辆 | |
CN111709665B (zh) | 车辆安全性的评估方法和装置 | |
CN117671013A (zh) | 点云定位方法、智能设备及计算机可读存储介质 | |
CN113160589A (zh) | 车辆预警方法及装置、电子设备、计算机可读存储介质 | |
CN117109623A (zh) | 一种智能穿戴式导航交互方法、***及介质 | |
CN109598925A (zh) | 出租车车辆聚集报警方法、终端设备及存储介质 | |
CN116088538A (zh) | 车辆轨迹信息生成方法、装置、设备和计算机可读介质 | |
CN114655250A (zh) | 用于自动驾驶的数据生成方法及装置 | |
CN111210297B (zh) | 一种上车点的划分方法及装置 | |
CN114742935A (zh) | 处理地图数据的方法、装置、电子设备和介质 | |
CN114394111A (zh) | 用于自动驾驶车辆的变道方法 | |
CN114282776A (zh) | 车路协同评估自动驾驶安全性的方法、装置、设备和介质 | |
CN114413929A (zh) | 定位信息的校验方法、装置、***、无人车及存储介质 | |
CN113762397A (zh) | 检测模型训练、高精度地图更新方法、设备、介质及产品 | |
CN113052397A (zh) | 上车信息的确定方法、装置、电子设备和存储介质 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Chen Long Inventor after: Yang Yang Inventor after: Liu Gengyuan Inventor before: Liu Gengyuan |