CN115062076B - 一种自动驾驶全量化数据采集方法及*** - Google Patents
一种自动驾驶全量化数据采集方法及*** Download PDFInfo
- Publication number
- CN115062076B CN115062076B CN202210766765.0A CN202210766765A CN115062076B CN 115062076 B CN115062076 B CN 115062076B CN 202210766765 A CN202210766765 A CN 202210766765A CN 115062076 B CN115062076 B CN 115062076B
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- platform
- original data
- end platform
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种自动驾驶全量化数据采集方法及***,包括信号采集设备、车端平台、云端平台和本地研发平台;所述信号采集设备用于采集原始数据;车端平台用于接收信号采集设备采集的车身数据和道路感知数据;所述云端平台用于对原始数据进行数据筛选;所述本地研发平台用于为车端平台提供在不同情况下的原始数据采集策略,以及为云端平台针对不同类型原始数据的提供不同的数据筛选模型。本发明可以全量化自动驾驶车辆数据采集,包括感知数据及车辆信号采集,并且针对车辆不同部位采取不同的采集方法,还通过本地研发平台、云端平台、车端平台进行联动采集处车端并将采集后的原始数据将传送到云端平台,针对实际所需,云端平台可进行数据筛选。
Description
技术领域
本发明涉及自动驾驶数据处理领域,特别是涉及一种自动驾驶全量化数据采集方法及***。
背景技术
车辆数据采集是自动驾驶研发中重要的一环,采集的数据主要包括图像数据、激光雷达数据、毫米波雷达数据、超声波雷达数据和整车运动参数数据,这些数据可以为算法工程师提供数据输入样本,并应用模型进行训练输出有效的感知结果,应用于自动驾驶研发。
随着自动驾驶科技水平的发展,对车辆数据采集要求越来越高。面对大量数据采集任务,如何实现对车辆数据进行高效且全方面的采集,成为现阶段车企不得不思考的问题。现阶段的车载终端在后台实时不间断的采集用户数据和车辆数据,并实时将采集的数据打包传送到后台服务器。大量的数据采集项与高频率的采集将产生大量冗余数据信息,会增加CPU负荷和通信带宽,影响车辆性能,另外将车载终端收集到的数据传送到后台服务器也会增加流量消耗。
传统的自动驾驶测试车辆利用摄像头、激光雷达等传感器采集自动驾驶相关数据,获取其原始数据并对这些原始数据进行分析处理,这种方法针对车辆的某些部位无法进行采集,从而导致采集的车辆数据不够全面。
发明内容
为解决上述技术问题,本发明提出了一种自动驾驶全量化数据采集方法及***。
本发明的目的通过以下技术方案实现:
一种自动驾驶全量化数据采集***,包括信号采集设备、车端平台、云端平台和本地研发平台;
所述信号采集设备用于采集原始数据,原始数据包括车身数据和道路感知数据;所述信号采集设备包括摄像头、激光雷达、毫米波雷达和超声波雷达;所述车身数据包括挡位信息、底盘信息和轮胎信息;
车端平台用于接收信号采集设备采集的车身数据和道路感知数据,并根据车身数据和道路感知数据控制不同信号采集设备的开启,以再最少信号采集设备开启的情况下得到完成的原始数据;
所述云端平台用于接收车端平台转发的原始数据,并对原始数据进行数据筛选;
所述本地研发平台用于为车端平台提供在不同情况下的原始数据采集策略,以及为云端平台针对不同类型原始数据的提供不同的数据筛选模型。
进一步的改进,所述数据筛选的方法如下:
1)对于重复数据:进行数据去重、切片、去帧处理
2)对于摄像头的镜头脏污的情况:进行图像质量分析,删除不合格的图像,并将补充删除图像的雷达信息;
3)利用已部署的数据筛选模型及采集策略进行特殊数据挖掘。
进一步的改进,进行数据所述切片处理的方式为采用切片算法对连续视频帧阶跃提取,避免数据冗余;去重的方法为去掉相似度高的数据。
进一步的改进,所述数据筛选模型包括摄像头数据筛选模型、激光雷达数据筛选模型、毫米波雷达数据筛选和超声波雷达数据筛选模型,以及数据综合处理模型;所述摄像头数据筛选模型、激光雷达数据筛选模型、毫米波雷达数据筛选和超声波雷达数据筛选模型均为训练好的神经网络模型,并分别对摄像头数据、激光雷达数据、毫米波雷达数据、以及超声波雷达数据进行数据筛选;所述数据综合处理模型也为训练好的神经网络模型,用于将摄像头数据筛选模型、激光雷达数据筛选模型、毫米波雷达数据筛选和超声波雷达数据筛选模型的输出综合得到车辆情况和道路情况,以实时提供驾驶策略。
一种自动驾驶全量化数据采集方法,包括如下步骤:
步骤一、本地研发平台为车端平台提供在不同情况下的原始数据采集策略,以及为云端平台针对不同类型原始数据的提供不同的数据筛选模型;
步骤二、车端平台收集信号采集设备采集的原始数据,并实时根据采集的原始数据调整原始数据采集策略,以再最少信号采集设备开启的情况下得到完成的原始数据;
步骤三、车端平台将收集的原始数据传输到云端平台,云端平台针对不同的数据采用不同点的数据筛选模型进行数据筛选处理,然后将处理结果输送到数据综合处理模型实时提供自动驾驶策略。
与现有技术相比,本发明专利具有以下有益效果:
1.实现全量化自动驾驶车辆数据采集,包括感知数据及车辆信号采集。
2.针对车辆不同部位采取不同的采集方法。
3.通过本地研发平台、云端平台、车端平台进行联动采集处理。
4.车端采集后的原始数据将传送到云端平台,针对实际所需,云端平台可进行数据筛选。
附图说明
利用附图对本发明做进一步说明,但附图中的内容不构成对本发明的任何限制。
图1为本发明的***结构示意图;
图2为本发明方法的流程示意图。
具体实施方式
为了使发明的目的、技术方案及优点更加清楚明白,以下结合附图及实例,对本发明进行进一步的详细说明。
一种自动驾驶全量化数据采集方法及装置,实施步骤如下:
感知数据及车辆信号采集:车端平台利用设备进行采集,针对不同情况采用不同措施以获得车辆完整信息数据。
1)设备:包括摄像头、激光雷达、毫米波雷达、超声波雷达等传感器。
2)对车身(挡位、底盘、轮胎等)信号的采集。
3)保存采集到的车身数据及道路感知数据。
数据筛选:将车辆采集后的原始数据发送给云端平台,云端平台针对不同的数据进行数据筛选。
1)大量重复数据:进行数据去重、切片、去帧等处理,减少数据冗余,提升数据质量,切片算法对连续视频帧阶跃提取,避免数据冗余;去重为去掉相似度高的数据
2)摄像头的镜头脏污等情况:进行图像质量分析,具体采用自研深度学习分类模型。
3)数据挖掘:利用已部署的算法模型及采集策略进行特殊数据挖掘。
数据存储:将处理好的数据压缩后远程存储到云平台的内存中。
数据处理:获取筛选后的数据针对不同的数据选择相应的模型进行训练。
数据应用:将训练好的模型应用到车端平台进行数据采集,从而提高采集精度和效率。
本地研发平台可为云端平台提供算法模型便于提高云端平台的训练能力,也可为车端平台提供采集策略,使采集过程更加高效,提高车辆性能。
最后应当说明的是,以上实施例仅用于说明本发明的技术方案而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细说明,本领域的普通技术人员应当了解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (2)
1.一种自动驾驶全量化数据采集***,其特征在于,包括信号采集设备、车端平台、云端平台和本地研发平台;
所述信号采集设备用于采集原始数据,原始数据包括车身数据和道路感知数据;所述信号采集设备包括摄像头、激光雷达、毫米波雷达和超声波雷达;所述车身数据包括挡位信息、底盘信息和轮胎信息;
车端平台用于接收信号采集设备采集的车身数据和道路感知数据,并根据车身数据和道路感知数据控制不同信号采集设备的开启,以再最少信号采集设备开启的情况下得到完整的原始数据;
所述云端平台用于接收车端平台转发的原始数据,并对原始数据进行数据筛选;
所述本地研发平台用于为车端平台提供在不同情况下的原始数据采集策略,以及为云端平台针对不同类型原始数据的提供不同的数据筛选模型;所述数据筛选的方法如下:
1)对于重复数据:进行数据去重、切片、去帧处理
2)对于摄像头的镜头脏污的情况:进行图像质量分析,删除不合格的图像,并将补充删除图像的雷达信息;
3)利用已部署的数据筛选模型及采集策略进行特殊数据挖掘;进行数据所述切片处理的方式为采用切片算法对连续视频帧阶跃提取,避免数据冗余;去重的方法为去掉相似度高的数据;所述数据筛选模型包括摄像头数据筛选模型、激光雷达数据筛选模型、毫米波雷达数据筛选和超声波雷达数据筛选模型,以及数据综合处理模型;所述摄像头数据筛选模型、激光雷达数据筛选模型、毫米波雷达数据筛选和超声波雷达数据筛选模型均为训练好的神经网络模型,并分别对摄像头数据、激光雷达数据、毫米波雷达数据、以及超声波雷达数据进行数据筛选;所述数据综合处理模型也为训练好的神经网络模型,用于将摄像头数据筛选模型、激光雷达数据筛选模型、毫米波雷达数据筛选和超声波雷达数据筛选模型的输出综合得到车辆情况和道路情况,以实时提供驾驶策略。
2.一种采用权利要求1所述自动驾驶全量化数据采集***的自动驾驶全量化数据采集方法,其特征在于,包括如下步骤:
步骤一、本地研发平台为车端平台提供在不同情况下的原始数据采集策略,以及为云端平台针对不同类型原始数据的提供不同的数据筛选模型;
步骤二、车端平台收集信号采集设备采集的原始数据,并实时根据采集的原始数据调整原始数据采集策略,以再最少信号采集设备开启的情况下得到完成的原始数据;
步骤三、车端平台将收集的原始数据传输到云端平台,云端平台针对不同的数据采用不同点的数据筛选模型进行数据筛选处理,然后将处理结果输送到数据综合处理模型实时提供自动驾驶策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210766765.0A CN115062076B (zh) | 2022-07-01 | 2022-07-01 | 一种自动驾驶全量化数据采集方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210766765.0A CN115062076B (zh) | 2022-07-01 | 2022-07-01 | 一种自动驾驶全量化数据采集方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115062076A CN115062076A (zh) | 2022-09-16 |
CN115062076B true CN115062076B (zh) | 2023-08-29 |
Family
ID=83204109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210766765.0A Active CN115062076B (zh) | 2022-07-01 | 2022-07-01 | 一种自动驾驶全量化数据采集方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115062076B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107846576B (zh) * | 2017-09-30 | 2019-12-10 | 北京大学 | 用于视觉特征数据编解码的方法及*** |
CN110395262A (zh) * | 2019-08-07 | 2019-11-01 | 安徽江淮汽车集团股份有限公司 | 驾驶行为数据采集***及方法 |
CN114117133A (zh) * | 2021-10-11 | 2022-03-01 | 云度新能源汽车有限公司 | 一种自动驾驶数据收集方法和*** |
-
2022
- 2022-07-01 CN CN202210766765.0A patent/CN115062076B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115062076A (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108109385B (zh) | 一种输电线防外破的车辆识别与危险行为判别***与方法 | |
CN109657552B (zh) | 基于迁移学习实现跨场景冷启动的车型识别装置与方法 | |
CN110263706B (zh) | 一种雾霾天气车载视频动态目标检测和识别的方法 | |
CN110763685B (zh) | Dfb半导体激光器芯片表面缺陷的人工智能检测方法及其装置 | |
CN113378890A (zh) | 一种基于改进YOLO v4的轻量级行人车辆检测方法 | |
CN112633120B (zh) | 一种基于半监督学习的智能路侧感知***的模型训练方法 | |
CN113436184B (zh) | 基于改进孪生网络的电力设备图像缺陷判别方法及*** | |
CN113159166A (zh) | 基于边缘计算的嵌入式图像识别检测方法、***、介质及设备 | |
CN110599459A (zh) | 基于深度学习的地下管网风险评估云*** | |
CN111178438A (zh) | 一种基于ResNet101的天气类型识别方法 | |
CN115062076B (zh) | 一种自动驾驶全量化数据采集方法及*** | |
CN111753885A (zh) | 一种基于深度学习的隐私增强数据处理方法和*** | |
CN113139615A (zh) | 一种基于嵌入式设备的无人驾驶环境目标检测方法 | |
CN115984723A (zh) | 道路破损检测方法、***、装置、存储介质及计算机设备 | |
CN115546191A (zh) | 一种基于改进RetinaNet的绝缘子缺陷检测方法及设备 | |
CN115240090A (zh) | 一种基于边缘计算的无人机目标检测*** | |
CN115439954A (zh) | 一种基于云端大模型的数据闭环方法 | |
CN111488889B (zh) | 一种用于图像边缘提取的智能图像处理仪 | |
CN114353880A (zh) | 一种耐张绝缘子串风致振动在线监测***及方法 | |
CN114792375A (zh) | 一种基于视听信息融合的地形分类方法 | |
CN115101092B (zh) | 一种基于btpnet21的施工环境声音自动分类模型的分类方法 | |
CN203876655U (zh) | 一种车载红外夜间行人检测*** | |
CN113627269B (zh) | 基于解耦分类和回归特征最优层技术的害虫目标检测方法 | |
WO2023037494A1 (ja) | モデル訓練装置、制御方法、及び非一時的なコンピュータ可読媒体 | |
CN118097321A (zh) | 基于CNN和Transformer的车辆图像增强方法及*** |
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 | ||
GR01 | Patent grant |