CN115708343A - 从一组载具收集数据的方法 - Google Patents

从一组载具收集数据的方法 Download PDF

Info

Publication number
CN115708343A
CN115708343A CN202210980823.XA CN202210980823A CN115708343A CN 115708343 A CN115708343 A CN 115708343A CN 202210980823 A CN202210980823 A CN 202210980823A CN 115708343 A CN115708343 A CN 115708343A
Authority
CN
China
Prior art keywords
data
value
vehicle
collection
recorded
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
Application number
CN202210980823.XA
Other languages
English (en)
Inventor
M·阿诺德
S·贝伦兹
P·克里默
D·穆勒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aptiv Technologies Ltd
Original Assignee
Aptiv Technologies Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Aptiv Technologies Ltd filed Critical Aptiv Technologies Ltd
Publication of CN115708343A publication Critical patent/CN115708343A/zh
Pending legal-status Critical Current

Links

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
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3848—Data obtained from both position sensors and additional sensors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G07C5/0841—Registering performance data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
    • H04L67/62—Establishing a time schedule for servicing the requests
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Analytical Chemistry (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供从一组载具收集数据的方法。一种在载具(100)中执行的方法，包括：a)从主机***(200)无线下载数据收集目标，所述数据收集目标包括数据价值度量，所述数据价值度量是将数据价值分配给给定时间点的数据段的函数，数据价值表示朝向原子收集目标的进展量；b)在所述载具(100)正在行驶的同时随着时间从所述载具(100)中的数据源(110)收集数据；c)将所收集的数据记录在存储模块(142)中；d)根据数据价值度量，计算记录数据的数据价值；e)基于所计算的数据价值，从所述记录数据中选择在时间窗口内的高价值记录数据片段；f)仅将所选择的高价值记录数据片段无线地上传到主机***(200)。

Description

从一组载具收集数据的方法
技术领域
本公开涉及由进行数据记录的一组载具收集数据并将所记录数据上传到主机收集***的领域。由记录载具记录的数据可以包括由传感器捕获的原始数据、根据原始数据推导的数据(例如对象检测数据)和/或外部数据(例如GPS数据、天气数据等)。在机动车工业中，来自载具的这种数据被收集以用于算法开发和/或验证，例如用于训练神经网络，尤其是在高级驾驶员辅助***(ADAS)中和在自主驾驶领域中。
背景技术
用于ADAS的算法开发和验证的记录数据的已知方法使用配备有所需传感器硬件的单个载具或一组载具，所述传感器硬件通常包括雷达、激光雷达和摄像头。然后，载具的驾驶员围绕保证提供用于开发和验证的有价值和有用的数据的位置驾驶。当各个载具行驶时，使用机动车数据记录装置将传感器数据记录到装备在载具中的硬盘驱动器上，如例如在US6073063A中所公开的。在记录之后，记录载具的硬盘驱动器被带回到收集站点以进一步分发和存储数据。
上述已知的从载具收集数据的方法存在许多缺点，例如直到数据可用的等待时间长、所收集的数据的不确定价值可能不如期望的那样有用、需要在记录之后选择数据、等等。
为了解决上述已知方法的缺点，在机动车工业中存在无线地发送数据而不需要物理访问记录载具的最新趋势。
事件数据记录是用于记录与载具碰撞或事故相关的信息的技术。事件数据记录器安装在载具中，并在碰撞、事故或其它重要事件的关键时刻期间记录数据。所记录的事件数据的量很小。因此，事件数据记录可以容易地从载具无线地发送到中央数据收集和存储***。
US6505106B1还公开了一组载具，各个载具配备有通过蜂窝网络向主服务器发送信息的载具内数据收集***。主服务器包括用于存储从一组载具收集的数据的数据储存库。
边缘计算是一种分布式计算方法，其使计算和数据存储部较近需要它的位置，以改进响应时间并且节省带宽。在自主驾驶领域中，边缘计算被认为是一种有前途的技术，其通过在数据中心和载具之间无线传送数据来将昂贵的计算从载具中的记录平台分流到固定数据中心上。
虽然上面讨论了所有的发展，但是在从一组记录载具向主机数据收集***无线发送数据中仍然存在问题，因为要发送的数据的量是非常重要的，并且即使在5G蜂窝网络中，无线发送受到可用带宽的限制。
因此，需要最小化从一组记录载具无线地发送到主机数据收集***的记录数据的量，例如以允许通过诸如5G网络的蜂窝通信网络实时或几乎实时地上传记录数据和/或具有较多细节的补充记录。
发明内容
本公开涉及一种从载具收集数据并且将所收集的数据的至少一部分无线地上传到主机数据收集***的方法，所述方法包括由所述载具中的载具数据记录装置执行的以下步骤：
a)从所述主机数据收集***无线下载数据收集目标，所述数据收集目标包括数据价值度量，所述数据价值度量是将数据价值分配给对应于给定时间点的数据段的函数，所述数据价值表示实现原子收集目标的进展量；
b)在所述载具正在行驶的同时随着时间从所述载具中的数据源收集数据；
c)将所收集的数据记录在所述载具数据记录装置的存储模块中；
d)根据数据价值度量，随着时间计算记录数据的数据价值；
e)基于所计算的数据价值，从所述记录数据中选择在时间窗口内的要上传的至少一个高价值记录数据片段；
f)仅将所选择的至少一个高价值记录数据片段无线地上传到所述主机数据收集***。
在本公开中，在载具水平上，在存储模块中，来自记录数据的一个或更多个数据段(被称为记录数据片段)被选择作为实现原子收集目标(换言之：个体收集目标)的高价值数据段(换言之：作为相关的数据段)。基于使用从主机收集***下载的数据价值度量计算的数据价值来执行选择。所选择的数据段由记录的时间窗口定义。然后，仅选择的数据段被发送(上传)到主机收集***。这允许显著地减少从记录载具向主机收集***发送的数据的量，而不影响由主机收集***收集的数据的价值。在硬件和功率资源方面，如果数据不感兴趣，则节省例如在云中存储数据和处理数据是昂贵的。早些时候就对哪些数据感兴趣作出决定(换言之：高价值的)以及哪些数据不是有趣的(换言之：低价值)在长期运行中可以节省较多的资源。本公开允许基于对应于数据价值度量的被主机收集***认为感兴趣的预定义事物列表以及定义如何根据不同度量来数据价值平衡的策略，在记录载具中做出上述决定。
在实施方式中，所述第一方法还包括以下步骤：基于所计算的数据价值，从所述记录数据中选择时间窗口内的要删除的至少一个低价值记录数据片段；从所述存储模块中删除所述至少一个低价值记录数据片段。
这允许释放记录载具中的记录模块的存储容量。
在实施方式中，所述数据收集目标包括与具不同原子收集目标相关联的m+1个数据价值度量，m≥0，并且包括定义针对所述m+1个数据价值度量的m+1个相应权重的收集策略，所述方法还包括以下步骤：分别根据所述m+1个数据价值度量计算记录数据随时间的m+1组数据价值；以及根据所述收集策略，通过计算所述m+1组数据价值的加权和来聚集所述m+1组数据价值，以计算所述记录数据随时间的聚集数据价值，并且其中，选择记录数据片段是基于所述记录数据的随时间的所述聚集数据价值来执行的。
主机收集***可能对收集关于某一目录中的事物的信息(换言之：关于不同的方面)感兴趣。对应于原子收集目标的数据价值度量允许测量感兴趣的事物之一。收集目标可以包括对应于不同原子(个体)收集目标的不同数据价值度量。收集策略定义了平衡记录数据中感兴趣的不同事物之间的差异的方式。它将相应的权重赋予不同的数据价值度量(换言之：对不同原子收集目标)。
第一方法还可包括以下步骤：无线地从所述主机收集***下载所述数据收集目标的更新信息，以及根据所述更新信息更新所述数据收集目标。
随着主机收集***的数据收集朝着原子(个体)收集目标进展，数据的价值可能改变。通常，如果主机收集***已经收集了与特定事物或特定场景相关的大量数据，则收集与相同事物或相同场景相关的较多数据本质上具有较少的价值并且与收集关于罕见事物或罕见场景的数据相比具有较少的价值。数据收集目标的更新允许使收集策略和/或数据价值度量适应数据价值随时间的这种变化。
在实施方式中，所述第一方法还包括：
在成功上传所述至少一个高价值记录数据片段之后，无线地从所述主机数据收集***接收奖励值的步骤；
将接收到的奖励值作为奖励输入提供给所述载具数据记录装置的强化学习代理的步骤，所述强化学习代理负责决定是否上传记录数据片段并且负责选择高价值记录数据片段。
在实施方式中，在从所述记录数据中选择了多个要上传的记录数据片段的情况下，所述第一方法还包括以下步骤：
针对要上传的各个记录数据片段计算价值密度；
将所述多个要上传的记录数据片段放入发送优先级队列中，并基于所述价值密度对所述要上传的记录数据片段进行排序。
所述第一方法可还包括以下步骤：
在当前时间确定所述载具能够采取的多条路线；
针对各个路线，生成路线编码，该路线编码针对多个度量将关于所述路线的预测价值的信息编码为数值；
将所述路线编码和独立于所述路线的附加环境信息提供给所述强化学习代理，所述强化学习代理决定是否改变当前路线，并且当适当时选择所确定的路线之一以优化奖励；
当所述载具沿所选路线(即在多条所确定路线中选择的路线，或者在决定不改变当前路线的情况下为当前路线)行驶时，随时间记录来自所述载具中的数据源的数据；
将所记录数据的至少一部分上传到所述主机数据收集***，并且从所述主机数据收集***接收作为回报的奖励；
向所述强化学习代理提供所述奖励。
路径规划允许载具采取可能使记录数据的价值最大化的路径(道路)，而不是随机行驶。因此，考虑到原子收集目标，数据的记录较有效。
本发明还涉及一种从一组记录载具收集数据的方法，所述方法由无线地连接到所述一组记录载具的主机收集***执行，所述方法包括以下步骤：
在数据收集管理模块处，提供数据收集目标，所述数据收集目标包括数据价值度量，所述数据价值度量是将数据价值分配给对应于给定时间点的数据段的函数，所述数据价值表示实现原子收集目标的进展量；
将所述数据收集目标无线下载到所述一组记录载具；
无线地从所述一组记录载具接收记录数据片段；以及
将所接收的记录数据片段存储到存储设施中。
在实施方式中，在提供数据收集目标的步骤中，所述数据收集管理模块提供与不同原子收集目标相关联的m+1个数据价值度量，m≥0，以及定义所述m+1个数据价值度量的m+1个相应权重的收集策略。
所述第二方法可还包括下列步骤：
在所述数据收集管理模块处，依赖于已经从所述一组记录载具接收的所述记录数据片段来更新所述数据收集目标，以及
无线地将所述数据收集目标的更新信息下载到所述一组记录载具。
可以生成数据价值度量以分配归一化的数据价值。
在实施方式中，该方法还包括基于所述数据收集目标计算针对从所述一组记录载具中的载具上传的记录数据片段的虚拟值的步骤，依赖于所述虚拟值生成奖励值的步骤，以及将所述奖励值无线下载到该载具的步骤。
本公开还涉及一种载具数据记录装置，该载具数据记录装置包括：
至少一个接口，所述至少一个接口从载具中的数据源接收记录数据，并且传输记录数据片段以无线地上传到主机数据收集***；
存储模块，所述存储模块存储所述记录数据；
用于执行前述方法的步骤的单元。
本公开还涉及包括上述载具数据记录装置的载具。
本公开还涉及一种主机数据收集***，所述主机数据收集***包括：
第一接口，所述第一接口无线地与一组记录载具接口；
第二接口，所述第二接口与存储设施接口；以及
用于执行前述方法的步骤的单元。
本公开还涉及一种分布式***，所述分布式***包括如上定义的一组记录载具、无线地连接到一组记录载具的如上定义的主机数据收集***。
附图说明
通过阅读参照附图所作的非限制性实施方式的详细说明，本公开的其它特征，目的和优点将变得更加清楚。
图1示出了根据实施方式的用于将数据从记录载具收集到主机收集***中的分布式***。
图2示出了根据实施方式的载具内数据记录装置的功能框图。
图3示出了由载具内数据记录装置执行的从载具收集数据并无线地将所收集的数据的至少一部分上传到主机数据收集***的第一方法和由主机数据收集***执行的从一组载具收集数据的第二方法的流程图。
图4示出了根据实施方式的更新数据收集目标的过程的流程图。
图5表示根据实施方式的根据三个数据价值度量随时间记录数据价值和随时间聚集数据价值。
图6示出了基于图5的聚集数据价值来选择的要上传的记录数据片段和要删除的记录数据片段。
具体实施方式
图1示出了用于通过主机数据收集***200从一组或多个记录载具100收集数据的分布式***。
记录载具100可以例如通过诸如5G网络的移动通信网络300与主机收集***200进行无线通信。
来自各个记录载具100的数据可以包括不同类型的数据或记录数据，例如原始数据、推导数据和/或外部数据。从载具100收集的数据随时间被记录，通常是在载具行驶时进行记录。
原始数据(也称为原子数据或源数据)是未处理的数据。原始数据以非限制性的方式包括来自安装在载具100中的传感器(诸如雷达、激光雷达和摄像头)的传感器数据、GPS数据、速度数据、偏航率数据等。
推导数据包括通过数据处理根据原始数据推导的数据。数据处理可以通过执行处理操作和/或算法(例如机器学习算法或任何其他类型的算法)的载具100中的硬件装置和/或软件装置来执行。一些载具内硬件和软件组件可基于雷达、激光雷达或摄像头数据(具有或不具有传感器融合)、摄像头数据上的语义分割、描述环境信息(在载具环境中)的各个方面的签名的编码、数据结构的计算和/或从对象检测模块或其他算法输出得到的统计信息来执行对象检测。
外部数据包括来自载具100外部的源的数据。这样的数据可以通过经由移动通信网络300对第三方数据提供方的API(用于应用编程接口)调用来获取。这种数据的非限制性示例包括交通数据(例如，交通流量、建筑区域等)、天气服务数据、时间相关数据(例如，国家假日、工作日、周末等)、地图服务数据(例如，道路布局信息、卫星图像、移动网络覆盖等)、通过移动通信网络300的当前传输速率、来自环境源(例如，商店、学校、公共机动车站、公园等)的数据、来自路线服务的数据、来自主机收集***200的数据。
主机收集***200负责提供数据收集目标T0，将其下载到一组记录载具100，并且作为回报，收集由一组记录载具100收集的记录数据片段(也称为“记录数据片段”)。
数据收集目标T0定义一个或更多个原子(个体)收集目标cj，其中j＝0，...，m，并且包括与原子收集目标cj有关的一个或更多个数据价值度量
Figure BDA0003800356200000071
数据价值度量
Figure BDA0003800356200000072
是将数据价值(换言之，数)分配给对应于给定时间点i的数据段(给针对时间i的数据点)的函数，所述数据价值表示实现相应原子收集目标cj的进展量。换言之，各个数据价值度量
Figure BDA0003800356200000073
允许测量朝向原子收集目标cj的进展。其给出关于数据段的价值的提示。原子收集目标cj可以是由给定目标量或数定义的量化目标。下面给出原子收集目标的说明性和非限制性示例：
-特定道路(即高速公路、城市...)上的公里数；
-在特定情景下花费的特定记录时间(即，交通堵塞、白天、黎明、夜晚、周末、高峰...时间所花费的时间的X小时数)；
-特定类别的多个唯一对象(即，自行车、卡车、行人...)；
-多个特定动作(即超车、变道...)；
-多个特定道路场景(即，迂回路线、特定交叉星座、乘客交叉路口、建筑区域、隧道、桥梁...)；
-通过主动学习方法或预测模型选择的多个场景；
-通过离群点检测选择的多个场景(换言之：统计上罕见的检测)和收集非代表性数据点的其他手段(换言之：在给定时间点的单个传感器测量结果或组合)。
可选地，可以以某种方式约束原子收集目标cj以使数据收集多样化。例如，约束可以是跨多个区域(国家、城市...)执行数据收集。另一约束可以是限制沿过去已经记录的路线的数据收集。
原子收集目标cj可以是要执行的代码的形式。
在数据收集目标T0包括与m+1个不同原子收集目标cj(形成原子收集目标cj的组C：C＝{c0,…,cm})有关的m+1个数据价值度量
Figure BDA0003800356200000081
的情况下(m≥0并且价值索引j从0到m)，数据收集目标T0还包括收集策略P，收集策略P定义如何对数据收集目标T0中的不同原子收集目标cj进行加权。策略P可以定义合并多个原子度量或价值度量的方式。收集策略P将要应用的相应的权重
Figure BDA0003800356200000082
赋予不同的数据价值度量
Figure BDA0003800356200000083
换言之，收集策略P为与m+1个原子收集目标cj有关的m+1个数据价值度量
Figure BDA0003800356200000084
定义m+1个相应权重
Figure BDA0003800356200000085
0≤j≤m。收集策略可以被表示为
Figure BDA0003800356200000086
优选地，该组权重
Figure BDA0003800356200000087
使得
Figure BDA0003800356200000088
如先前所解释的，各个收集价值度量
Figure BDA0003800356200000089
是将数据价值分配给记录R中的针对时间i的记录数据点(换言之：分配给针对给定时间点i的数据段)的函数。记录R是由记录载具100捕获的数据集合，并且包含由记录载具100中的传感器提供的原始数据和/或来自记录载具100中的其他数据源的数据(包括推导数据和/或外部数据，如之后解释的)。
此外，具有收集策略P的在所有时间点{t0,...,tn}和原子收集目标{c0,...,cm}上聚集的记录R的价值V(R)(也称为“记录价值”)可以表示为如下算式：
Figure BDA00038003562000000810
另选地，可以针对各个策略加权数据价值度量，以随时间的积分的形式来计算价值V(R)。
在特定实施方式中，收集价值度量
Figure BDA00038003562000000811
可以产生归一化范围(即，[0,..,1.])内的值。在这种情况下，向时间i的记录数据点分配的数据价值包括在0和1之间(包括0和1)。在第一说明性示例中，原子收集目标是超车动作的数量，并且价值度量在发生超车动作时取值1，而在不发生超车动作时取值0。在第二说明性示例中，原子收集目标是自行车的数量，并且价值度量给出表示场景中的自行车的数量的值。该值通过映射函数在0和1之间归一化，基于自行车的最大数量，或者另选地基于平均数量。归一化促进了组合或聚集由不同价值度量计算的数据价值，如稍后解释的。
如将在对在载具侧执行的方法的描述中较详细地解释的，收集策略P用于在时间上聚集分别由针对记录R的m+1个数据价值度量产生的m+1组数据价值，并且因此随时间产生针对记录R的一组全局或聚集数据价值。
可选地，数据收集目标可以由主机收集***200更新，这将在后面描述。当主机收集***收集来自一组载具100的记录数据时，记录数据的价值可以随时间改变。通常，如果***已经收集了与特定原子收集目标有关的大量数据，则通常与相同原子收集目标有关的新数据的价值下降。例如，收集数据以开发为机动车检测器的机器学习模型。如果机动车检测器是新的，则所收集的各个机动车具有大的价值，因为该模型需要训练各个机动车以允许该模型善于检测机动车。当模型已经很好地检测机动车时，收集较多的机动车将不能有效地改进模型。在这种情况下，收集关于所收集的机动车的分布的数据以及收集例如关于罕见机动车的较多数据将是感兴趣的，这有助于开发较好的模型。对于开发机器学习模型而言，数据的价值随时间下降，直到仅可实现模型的轻微改进。在这一点上，通常需要大量的数据来实现仅仅微小的改进。可以依赖于已经收集的数据的量来更新原子价值度量，并且更一般地更新关于收集目标T0的原子价值度量。
在本公开中，“k”表示数据收集目标的更新索引(整数)，k≥0。换言之，按照惯例，连续更新的数据收集目标被标记为Tk(即，T0，T1，...)。
各个记录载具100具有多个数据源(原始数据、推导数据和/或外部数据)110、无线电发送器-接收器120、中央处理单元130和数据记录装置140。
数据源110包括提供原始数据和/或推导数据、可选地外部数据的硬件组件和软件组件。数据源110可以具有不同的类型，例如：
-提供原始数据(例如，雷达数据、激光雷达数据和/或摄像头数据)的传感器(例如，雷达、激光雷达和/或摄像头)，
-用于处理输入数据，包括原始数据，并且输出推导数据的计算器，
-用于根据输入数据执行一个或更多个任务(例如，对象检测)，并输出推导数据的机器学习或算法模块，
-用于通过网络300接收外部数据的功能模块等。
无线电发送器-接收器120具有通过移动通信网络300发送和接收无线电信号(包括信息和/或消息和/或数据)的功能。
记录载具100的所有元件110、120、140连接到控制其操作的中央处理单元130。
数据记录装置140负责收集(换言之：接收)来自载具100中的数据源的数据并向主机收集***200通过移动通信网络300无线地上传(换言之：发送)所收集的数据的至少一部分。其具有用于实现稍后描述的从记录载具100收集数据并无线地将所收集的数据的至少一部分上传到主机数据收集***200的第一方法的硬件单元和软件单元(换言之：硬件组件和软件组件)。
在实施方式中，数据记录装置140和主机收集***200之间的信息交换是通过载具内无线电发射器-接收器120执行的。或者，数据记录装置140可包括无线电发射器-接收器以直接与主机数据收集***200交换信息。
如图2所示，在实施方式中，载具内数据记录装置140具有与载具100接口的输入/输出接口141，以及存储模块或缓冲器142。
此外，载具内数据记录装置140具有执行将在后面描述的由数据记录装置140执行的从载具100收集记录数据的第一方法的步骤的硬件装置和软件装置(换言之：硬件组件和软件组件)。在特定实施方式中，硬件装置和软件装置包括记录数据管理模块143、强化学习代理组件144和中央处理单元(CPU)145。另选地，载具内数据记录装置140可以使用载具100的CPU 130(而不是CPU 145)。
输入/输出接口141与载具100交换信息(例如，来自载具内数据源的数据、经由载具100的发射器-接收器从主机收集***200接收的消息、经由载具100的发射器-接收器上传到主机收集***200的数据等)，如稍后将解释的。例如，输入/输出接口141与载具100中的中央处理单元130通信。
存储模块142负责在存储器中保存从载具100收集的记录数据。在实施方式中，存储模块142具有硬件部分142A，例如缓冲器，该硬件部分是用于保存(至少临时地)来自载具100的记录数据的存储器。可选地，存储模块142还具有软件部分142B，其负责对由存储器142A保存的记录数据采取某些动作。软件部分142B在CPU 145上运行。存储器142A具有提供给强化学习代理组件144的给定存储容量和特定利用属性。存储模块142可以访问与存储在存储器142A中的记录数据有关的记录数据价值估计，如下所述。
强化学习代理组件144是实现强化学习算法的软件组件。其可以在中央处理单元145上运行。
由图2中的框150示意性表示的强化学***衡数据价值的收集策略来决定要上传的数据段和要删除的数据段。
强化学习代理组件144具有对存储模块142的接口并选择要向主机传送收集***200上传(换言之：发送)的记录数据片段和要从存储模块142删除的记录数据片段。在本说明书中，各个所选择(以上传或删除)的数据段被称为记录数据片断。其为记录R的对应于时间窗口的数据段。记录数据片断由记录R的时间范围内的时间窗口定义。在一些实施方式中，记录数据片段的选择(以上传或删除)遵循以下约束中的一项或更多项：
-记录数据片段的最小长度(换言之：记录数据片段的时间窗口的最小持续时间)；
-记录数据片段的最大长度(换言之：记录数据片段的时间窗口的最大持续时间)；
-缓冲器(换言之：在感兴趣区域如隧道之前和之后的时间，例如几秒，如5秒)；
-各个记录数据片段必须是连续的(换言之：各个记录数据片段包括随时间连续的记录数据的一部分)；
-不同的记录数据片段不交叠。
关于要上传的记录数据片段的(时间)长度，可能希望不收集在时间上非常短的信息段，例如仅持续1秒的数据段。例如，记录数据片段必须在超过x秒的时间窗口内，其中x≥10秒，以能够被选择以上传。
在实施方式中，要上传或删除的记录数据片段的选择由强化学习代理组件144基于从主机收集***200下载的数据收集目标T0以自动的方式执行，如稍后在收集数据的方法的描述中所解释的。在另一实施方式中，选择可以由强化学习(RL)代理进行。另选地，固定算法设置阈值和约束以对最好上传还是不上传进行局部优化。
强化学习代理144的目标是最大化对应于所接收的数据收集目标T0的目标函数(换言之：奖励函数)。强化学习代理144尝试最大化一个或更多个接收到的奖励，奖励部分地关联于接收到的数据收集目标。其可以通过接收不同类型的奖励来这样做。以下列表给出了被奖励的动作的说明性和非限制性示例：
i)成功上传记录数据片段(例如相对于上传的记录数据片段的价值密度的大奖励)；
ii)完成上传(用记录数据片段的总价值加权的附加奖励，其提供完成上传而不是在有价值的片段之间切换的激励)；
iii)上传记录数据片段的过程(与上传的数据片段的价值密度成比例的连续小奖励)；
iv)在移动网络300的带宽被限制并且暂时阻止记录数据片段的上传的情况下，为记录缓冲器142A中的记录数据维持良好的价值密度(介质奖励)。
关于以上项目i)、ii)和iii)，可以在完成上传和上传过程之间作出区别。如果仅在上传结束时接收到奖励，则可能较难以将奖励与之前采取的上传数据的动作关联。当随着上传数据也给予小的奖励时，RL代理获得即时奖励，其指示其在正确的轨道上。最后，我们只对完全上传的记录片断感兴趣，这就是为什么模型在成功上传记录数据片断之后收到大的奖励。
数据片的价值密度可以定义为单位时间的数据段的价值。
仅针对已被成功上传的记录数据片段来奖励强化学习代理组件144。不上传任何东西既不给予奖励也不给予惩罚。如果载具100在具有到移动网络300的不良连接的区域中行驶，则载具100不能上传很多数据，并且因此不能收集很多奖励。
此外，并且可选地，所述强化学习代理组件144可以例如在以下情况下被惩罚：
-记录缓冲器可能经历缓冲器溢出(大惩罚，但可选)；
-出现诸如不良移动网络连接的情况(小的惩罚，但可选)；
-将数据片段保持在记录缓冲器142A中，这些数据片段以任何方式被破坏，或者太短而不能满足类似最小连续记录长度的其它最小要求。
可以使用其它类型的奖励/惩罚。
奖励和惩罚可以由主机收集***200和/或记录数据管理模块143提供给强化学习代理组件144。
不是强化学习代理组件144，可以使用实现优化算法的组件。
记录数据管理模块143是管理存储到存储模块142中的记录数据的软件模块。
记录数据管理模块143具有存储当前(有效)数据收集目标Tk的存储器146。
记录数据管理模块143的第一个作用是根据当前数据收集目标T0的一个或更多个数据价值度量和收集策略(当适用时)来计算存储到存储模块142中的记录数据随时间的数据价值。记录数据管理模块143具有用于计算记录数据的数据价值的价值计算组件147。组件147可以是在CPU 145上运行的软件组件。在当前数据收集目标(例如T0)定义了m+1个数据价值度量
Figure BDA0003800356200000131
和将权重
Figure BDA0003800356200000132
赋予数据价值度量
Figure BDA0003800356200000133
的收集策略P的情况下，计算组件143负责分别使用m+1个数据价值度量
Figure BDA0003800356200000134
来计算针对(存储到存储模块142中的)记录数据随时间的m+1组数据价值，然后通过计算分别用相应权重
Figure BDA0003800356200000135
加权的m+1组数据价值的和根据收集策略P来聚集m+1组数据价值，获得记录数据随时间的一组聚集数据价值。在图5中示出了用于记录R的根据三个不同度量计算的三组数据价值和基于策略P的一组聚集数据价值的说明性示例。
记录数据管理模块143的第二个作用是基于强化学习代理组件144执行的决定和选择的结果(换言之：基于来自组件144的输出)，对存储模块142中的记录数据采取上传或删除的一些动作。因此，记录数据管理模块143和强化学习代理组件144协作来执行存储在存储器(例如，缓冲器)142A中的记录数据的管理。在实施方式中，记录数据管理模块143具有两个软件组件来管理记录数据片段的上传和删除的动作：发送优先级队列组件148和垃圾收集器组件149。
发送优先级队列组件148负责控制由存储模块142保存的记录数据片段(记录数据片段)发送以通过移动通信网络300上传到主机收集***200，这里经由载具内发送器-接收器120。组件148可以提供以下特性的至少一部分：
-通过移动网络连接的数据传输速率；
-发送优先级队列，其具有要上传的记录数据片段的排序(换言之：基于相应数据价值密度来发送)；
-完成上传当前要上传的记录数据(换言之：当前在发送队列中的记录数据片段)的剩余时间的估计；
-已经开始的记录数据片段的发送不应被队列中后续的另一段较高价价值密度的数据的发送中断(但这是可选的)；
-在成功地将记录数据片段上传到主机收集***200期间和/或之后，发送优先级队列组件148与记录数据片段的总价值成比例地奖励强化学习代理组件144；
-在将记录数据片段上传到主机收集***200之后，发送优先级队列组件148可接着将所上传的记录数据片段提供到垃圾收集器组件149，以释放缓冲器142A中的容量。
垃圾收集器组件149负责从存储模块142删除记录数据片段(记录数据片断)，以释放其存储容量。记录数据片段可以通过以下情况被明确地登记以删除：
-由于对记录数据片段的低记录数据价值估计，由强化学习代理组件144；
-在将记录数据片段上传到主机收集***200之后，由发送优先级队列组件148；或
-在不能满足记录数据片段的最小长度的要求的情况下，由存储模块142；或
-在缓冲器142A的溢出即将发生的紧急情况下，由存储模块142(在这种情况下，由于不良记录缓冲器管理，强化学习代理组件144将被惩罚)；或
-当记录数据不健康时(这可能在传感器数据流被破坏时发生)。
如图1所示，主机收集***200可包括服务器。主机收集***具有：连接到移动通信网络300的第一接口210，第一接口通过移动通信网络300与无线记录载具100的一组载具接口；和与存储设施400接口的第二接口220。
第一接口210连接到移动网络300。
第二接口220连接到存储设施400。
存储设施400可以是适于存储大量数据的任何类型的存储***。在实施方式中，存储设施400具有用于将数据存储在例如云中的计算机资源。它也可以是负责格式化数据以存储的格式化模块。
存储设施400可以在主机收集***200的外部或在主机收集***200的内部。
此外，主机收集***200具有执行将在后面描述的由主机收集***200执行的从一组载具收集数据的第二方法的步骤的硬件单元和软件单元(换言之：硬件组件和软件组件)。在实施方式中，硬件单元和软件单元包括数据收集管理模块230和控制处理单元(或处理器)240。
数据收集管理模块230是在CPU 240上运行的软件组件。其具有目标提供器231，目标提供器用于提供数据收集目标T0，并且在一些实施方式中，用于更新当前数据收集目标。
数据收集管理模块230还可以包括奖励生成器232，奖励生成器负责基于数据收集目标来计算从记录载具100上传的记录数据片段的虚拟值，根据所述虚拟值来计算奖励值，以及通过移动网络300将所述奖励值无线地下载到所述记录载具100。
现在将参照图3描述根据具体实施方式的在载具100行驶时从记录载具100收集数据并将所收集的数据的至少一部分无线上传到主机数据收集***200的第一方法，以及由主机收集***200执行的从一组记录载具100收集数据的第二方法。下面针对多个记录载具100之一描述第一收集方法。所有记录载具100执行类似的第一方法。
在初始步骤S1中，主机收集***200的数据收集管理模块230提供初始数据收集目标T0。数据收集目标T0包括m+1个数据价值度量
Figure BDA0003800356200000151
数据价值度量用于随时间将数据价值分配给记录数据以测量在实现m+1个相应的原子(个体)收集目标cj中的进展，j范围从0到m。m+1组对应原子收集目标{c0,…,cm}被标记为C。在当前描述的实施方式中，数据价值度量
Figure BDA0003800356200000152
被归一化，并且赋予[0，...，1]范围内的值。此外，数据收集目标T0包括将相应权重
Figure BDA0003800356200000153
赋予数据价值度量
Figure BDA0003800356200000154
的收集策略P。m+1个权重
Figure BDA0003800356200000155
的和等于1。主机收集***200类似于包含数据价值度量
Figure BDA0003800356200000156
和收集策略P的文件。
在步骤S2中，主机收集***200通过移动通信网络300无线地向一组(或多个)载具发送初始数据收集目标T0。在实施方式中，根据来自载具100的请求，数据收集目标T0被发送给各个记录载具100。
在步骤S3中，在载具100中，载具数据记录装置140通过移动网络300从主机收集***200下载(换言之：接收)数据收集目标T0。在本实施方式中，经由载具100的无线电发送器-接收器120和记录装置140的I/O接口141接收数据收集目标T0。
在步骤S4中，当载具100沿路径行驶的同时，载具数据记录装置140随时间从载具100中的数据源收集(换言之：接收)数据。数据随时间的收集形成记录R。
随着来自载具100中的数据源的数据被载具数据记录装置140接收，在步骤S5中，所接收的数据被存储在存储模块142中(这里，在缓冲存储器142A中)。
在步骤S6中，价值计算组件147根据数据价值度量
Figure BDA0003800356200000157
来计算随时间记录在存储器142A中的记录数据的数据价值，j范围从0到m。计算S6的结果包括分别根据m+1个度量
Figure BDA0003800356200000158
的随时间的记录数据的m+1组数据价值
Figure BDA0003800356200000159
图5的a)、b)和c)示出了根据度量1、度量2和度量3的三组数据价值的示例。作为说明性和非限制性的示例，度量1涉及由X1个行人组成的原子收集目标c1，度量2涉及由X2个自行车组成的原子收集目标c2，度量3涉及由X3个机动车组成的原子收集目标c3。
在步骤S7中，计算组件147通过计算m+1组数据价值
Figure BDA0003800356200000161
的加权和来根据收集策略P聚集m+1组数据价值
Figure BDA0003800356200000162
以计算记录数据随时间的全局数据价值，记为VC,P(t)。
基于数据价值度量
Figure BDA0003800356200000163
和收集策略P，载具100计算度量中的每个度量以获得原子数据价值，如图5的a)，b)和c)中示例性示出的，通过加权和来组合(聚集)所计算的价值，并得到针对各个时间点i处的记录R的整体(聚集)价值，如图5的d)中所示。
在步骤S3至S7中，载具100中的数据记录装置140下载收集策略P和数据价值度量cj，例如作为要执行的代码。然后在载具100中运行数据价值度量cj，以归一化的方式根据不同度量随时间得到数据价值。在0(不感兴趣，非常低的值)和1(非常有趣，非常高的值)之间的值随时间被分配给针对各个时间点i的记录数据点。在载具100中计算所有个体数据价值度量cj，然后根据策略P加权以获得随时间的聚集数据价值，该聚集数据价值评估载具100内的记录R。
在第一方法的选择步骤S8中，强化学习代理组件144决定是否上传或删除记录数据片段，并选择记录数据片段以供上传或删除。
基于在步骤S6和S7中计算的数据价值，优选地基于聚集数据价值VC,P(t)，执行记录数据片段(上传和/或删除)的决定和选择。在本实施方式中，各个记录数据片段是连续的，并且由最小长度和最大长度之间的时间窗口定义。此外，不同的所选数据段不交叠。图6示出了要上传的高价值记录数据片段(数据段A)和要删除的低价值记录数据片段(数据段B)的示例。
要上传的记录数据片断包括时间窗口内的高价值记录数据片段。例如，价值阈值是固定的，并且基于该固定的价值阈值执行用于上传的记录缓冲器的子选择。另选地，没有固定的价值阈值，但是选择最有价值的x％的数据以供上传(例如x＝20％)，而与其绝对记录价值无关。更一般地，片段形成算法可以被认为是提取用于上传的候选片段的黑盒。RL代理可以根据片段内容、价值和持续时间决定区分片段优先级。
在所有记录数据都是高价值的情况下，它被整体上传。换言之，在这种情况下，强化学习代理组件144选择所有记录数据R来上传。
要删除的记录数据片断包括时间窗口内的低价值记录数据片段。可以以类似的方式选择要删除的记录数据片段(如上所述)。在数据记录装置140的存储容量足够的情况下，可以决定不删除任何记录数据片段(如果数据具有足够高的价值)。低价值的数据优先被删除，因为保持和处理该数据需要花费金钱和计算手段和精力。
在选择步骤S8之后，数据记录R的一些数据段不属于任何要上传或删除的记录数据片段。它们可以预先保留在记录缓冲器中。即使由于5G带宽限制，这些数据段对于直接上传可能不够有价值，但是如果在记录行驶的不久的将来仅记录低价值数据，则这些数据段在将来仍可能是上传的候选。在记录行驶之后保留在记录缓冲器中的数据仍然是有价值的，并且可以在以后上传。因此，还应当奖励RL代理以在记录缓冲器中保持有价值的数据。RL代理仅需要防止缓冲器溢出。因此，需要删除低价值的片断。这通过针对缓冲器溢出严重地惩罚RL代理而得到鼓励。
强化学习代理模块144作出决定(换言之：确定)上传和删除的内容。在实施方式中，还可以考虑其他因素，如网络可用性、交通、天气或与载具100的环境和/或情况有关的与作出决定相关的任何其他信息。载具100具有有限的保存记录数据的能力和有限的处理和计算能力。此外，由于移动网络300中有限的可用带宽，不可能实时或几乎实时地将非常大量的记录数据从一组记录载具100上传到主机收集***200。记录载具100确定缓冲什么数据和丢弃什么数据。该决定由强化学习代理组件144做出。另选地，可以通过另一种类型的算法或任何方法来进行，其对各个时间点的数据进行评估，以了解作为保存和上传数据的机会的感兴趣的时间窗口在何处。
当正在收集记录数据并将其存储在存储器142A中时，可以实时或几乎实时地执行步骤S6至S8。
在步骤S8中，强化学习代理144输出是否上传/删除的决定和关于要上传的记录数据片段的第一信息、以及可选地，关于要删除的记录数据片段的第二信息。第一信息作为输入提供给发送优先级队列组件148。第二信息作为输入提供给垃圾收集器组件149。
可选地，在步骤S9中，发送优先级队列组件148生成并管理(换言之：控制)要上传的记录数据片段的发送优先级队列，并且在步骤S10中，根据优先级队列来控制要无线地上传的所述记录数据片段的发送。优先级队列是可选的。在步骤S9中，组件148可以计算要上传的各个记录数据片段的价值密度(换言之：单位时间的数据价值)并且通过基于记录数据片段各自的价值密度对记录数据片段进行排序来创建发送优先级队列。因此，要上传的记录数据片段的排序基于记录数据片段的相应数据价值密度。在步骤S10中，通过移动通信网络300，在此经由载具100中的发送器-接收器120，将待上传的记录数据片段以队列的顺序无线地发送至主机收集***200。
在步骤S11中，在垃圾收集器组件149的控制下，从存储器142A中删除要删除的记录数据片段。
此外，在步骤S11中，在成功地发送各个记录数据片段以上传之后，可以在垃圾收集器组件149的控制下从存储器142A中删除已上传的记录数据片段。
在步骤S20中，主机收集***200从记录载具100接收成功上传的记录数据片段。在步骤S21中，主机收集***200将接收到的记录数据片段存储到存储设施400中。
在步骤S22中，奖励生成器232基于数据收集目标T0计算从载具100上传的各个记录数据片段的虚拟值。记录数据片段的虚拟值可以是记录数据片段的价值密度。另选地，可以使用应用于记录数据片断的算式(1)来计算记录数据片断的虚拟值。
然后，在步骤S23中，奖励生成器232可以依赖于上传的记录数据片段的虚拟值来生成针对该上传的记录数据片段的奖励值。例如，奖励值包括与上传的记录数据片段的价值密度成比例的第一奖励部分。此外，奖励值还可以包括与奖励上传记录数据片段的过程的连续小奖励相对应的第二奖励部分。
在步骤S24中，在步骤S23中生成的奖励值通过移动通信网络300从主机收集***200无线下载到载具100。
载具数据记录装置140接收所下载的奖励值(这里经由载具100的发送器-接收器120)，并且在步骤S30中将所接收的奖励值提供给本地强化学习代理组件144，作为针对学习的奖励输入。因此，强化学习代理组件144越来越多地执行选择要上传的记录数据片段并且将其上传的任务。
随着载具100行驶，所有收集的数据可以是用于强化学习代理组件144的改进的新训练数据。载具100行驶的越多，强化学习代理组件144的效率就越高。例如，强化学习代理组件144可以学习校车仅在学校时间发生的相关性，或者可以在特定时间(在去往学校或离开学校的途中)检测到儿童的相关性。
强化学习代理组件144最初被训练成管理记录缓冲器142A，并且有效地决定是否应当上传或可选地删除预先选择的记录数据片断，或者是否不应当采取动作。执行训练以确保数据记录装置140上传有价值的记录数据片段，将相关的记录数据片段保持在缓冲器142A中，防止缓冲器溢出并且可选地删除低价值或有缺陷的记录数据。训练可以使用与推理模式中使用的记录数据类似的历史记录数据作为输入训练数据，奖励功能来确定如前所述的不同类型的奖励/惩罚，并且输出包括由奖励功能确定的不同类型的奖励/惩罚的训练数据。
收集目标T0可以由主机收集***200更新。图4示出根据实施方式的更新收集目标T0的过程。随着主机收集***200从一组载具100收集基于收集目标T0选择的收集数据时，主机收集***200依赖于已经从一组记录载具100接收的记录数据作出更新数据收集目标T0的决定。当前数据收集目标T0的更新反映了与一个或更多个特定原子收集目标有关的记录数据(这里是记录数据片段)的固有价值随时间改变的事实。实际上，当与给定原子收集目标有关的数据段是稀缺的并且收集需求高时，可以预期该数据段的价值是高的，但是随着与相同原子收集目标有关的其它类似数据段已经由主机收集***200收集，该价值变得较低。在第一说明性示例中，初始收集目标T0包括由X0个行人组成的第一原子收集目标c0和由X1个自行车组成的第二原子收集目标c1。如果稍后，主机收集***200已经在从一组载具100上传的记录数据段(片段)中接收了许多行人但很少的自行车，则主机收集***200可以决定在更新的收集目标T1中减小第一原子收集目标c0的权重
Figure BDA0003800356200000191
并增加第二原子收集目标c1的权重
Figure BDA0003800356200000192
在第二说明性示例中，初始收集目标T0包括由X个机动车组成的第一原子收集目标c0。如果稍后，主机收集***200已经在从一组载具100上传的记录数据片段中接收到的许多机动车，则主机收集***200可以决定向第一原子收集目标c0添加约束，例如针对要收集的机动车类型的约束，以仅收集罕见的机动车。或者，数据价值度量本身可以对上述行为建模。
收集目标T0的更新在于依赖于已经从记录载具100收集的记录数据片段来修改收集目标T0的一个或更多个分量。例如，可以更新收集策略P。另选地或附加地，可以从当前收集目标T0中取出一个或更多个原子数据价值度量
Figure BDA0003800356200000193
和/或可以将一个或更多个新的原子数据价值度量
Figure BDA0003800356200000194
添加到当前收集目标T0中。因此，更新可以以非限制性方式包括以下改变中的一个或更多个：
-原子收集目标{c0,…,cm}的一些权重
Figure BDA0003800356200000195
的修改；
-添加与特定原子收集目标cj有关的约束；
-添加新的原子收集目标cm+1；
-删除原子收集目标cj。
为了更新当前数据收集目标T0，主机收集***200分析已经从一组载具100接收的记录数据片段，以跟随朝向当前收集目标T0的进展。然后，在步骤S41中，主机收集***200基于步骤S41中的分析确定要应用于当前收集目标T0的一个或更多个改变。换言之，主机收集***200确定应用于当前收集目标T0的更新。例如，主机收集***200修改原子收集目标{c0,…,cm}的一些权重
Figure BDA0003800356200000201
在步骤S42中，主收集***200将更新信息下载到一组载具100以通知收集目标T0的更新。例如，更新信息包括新的收集策略或新的权重。
在步骤S43中，数据记录装置140无线地下载并经由载具100中的发送器-接收器120接收更新信息，并且在步骤S44中，根据更新信息更新存储在存储器146中的数据收集目标T0。在更新之后，存储在存储器146中的新数据收集目标是T1。
在更新收集目标之后，数据记录装置140使用更新后的收集目标T1继续执行步骤S4到S11和S30至S31。在步骤S20至S24中，主机收集***基于更新后的收集目标T1从一组载具100收集新的记录数据并且奖励载具100。
更新数据收集目标的过程可以执行一次或多次。当需要时，可以频繁地执行收集目标的更新。
在另一实施方式中，载具数据记录装置140还包括如图2所示的路径或路线规划功能151。路径(路线)规划的功能可以集成在强化学习代理组件144中。
路径规划功能151具有两个组件：第一组件是路线编码器，第二组件是路线选择器。第一组件(路线编码器)负责确定多个可能的路径或路线并计算路径或路线编码。路线(路径)编码可以由针对多个度量对路线的价值信息进行编码的数值向量来表示。第二组件(路线或路径选择器)负责决定是否改变当前路线(当适当时)，并且当决定改变路线时，在与由路线编码器确定的路线编码相关联的路线列表中选择路线(路径)，以优化(换言之：最大化)在记录数据的上传期间或之后从主机数据收集***200接收的奖励(这也意味着最小化惩罚)。可选地，路线预选器可以预选有限数量的路线，强化学习代理必须在这些路线中进行决定。在实施方式中，路线选择器通过强化学习来执行选择路线的任务。路线选择器可以考虑独立于路线的附加环境信息。措辞“独立”在此意味着与动态特征(如天气等)相比独立于静态路线特征。由于上传信息，对路线选择器进行奖励。可能非常关注的是具有5G频带可用性，以优化其功能。
在实施方式中，路线编码器和路线选择器是在处理器上运行的软件，以执行在下载数据收集目标之后执行的以下步骤：
在当前时间t0，确定所述载具100能够采取的多条路线(路径)；
针对各个路线，生成路线编码，该路线编码针对多个度量将关于所述路线的预测价值的信息编码为数值；
将所述路线编码和独立于所述路线的附加环境信息提供给所述强化学习代理，所述强化学习代理在操作上决定是否改变当前路线，并且在决定改变路线时选择所确定的路线之一以优化奖励；
当所述载具沿所选路线(即在多条所确定路线中选择的路线，或者在决定不改变当前路线的情况下为当前路线)行驶时，随时间记录来自所述载具中的数据源的数据；
将所记录数据的至少一部分上传到所述主机数据收集***200，并且从所述主机数据收集***200接收作为回报的奖励；
向所述强化学习代理提供所述奖励。
路径规划允许提高高价值的记录数据的量。

Claims (15)

1.一种从载具(100)收集数据并且将所收集的数据的至少一部分无线地上传到主机数据收集***(200)的方法，所述方法包括由所述载具(100)中的载具数据记录装置(140)执行的以下步骤：
a)从所述主机数据收集***(200)无线地下载(S3)数据收集目标(T0)，所述数据收集目标(T0)包括数据价值度量
Figure FDA0003800356190000011
所述数据价值度量是将数据价值分配给对应于给定时间点的数据段的函数，所述数据价值表示实现原子收集目标(cj)的进展量；
b)在所述载具(100)正在行驶的同时随着时间从所述载具(100)中的数据源(110)收集(S4)数据；
c)将所收集的数据记录(S5)在所述载具数据记录装置(140)的存储模块(142)中；
d)根据所述数据价值度量
Figure FDA0003800356190000012
随着时间计算(S6)记录数据的数据价值；
e)基于所计算的数据价值，从所述记录数据(R)中选择(S8)在时间窗口内的要上传的至少一个高价值记录数据片段；
f)仅将所选择的至少一个高价值记录数据片段无线地上传(S10)到所述主机数据收集***(200)。
2.根据权利要求1所述的方法，所述方法还包括：
基于所计算的数据价值，从所述记录数据中选择(S8)时间窗口内的要删除的至少一个低价值记录数据片段；
从所述存储模块(146)中删除(S11)所述至少一个低价值记录数据片段。
3.根据权利要求1或2所述的方法，其中，所述数据收集目标(T0)包括与不同原子收集目标({c0,...,cm})相关的m+1个数据价值度量
Figure FDA0003800356190000013
m≥0，并且包括定义针对所述m+1个数据价值度量
Figure FDA0003800356190000014
的m+1个相应权重
Figure FDA0003800356190000015
的收集策略(P)，所述方法还包括以下步骤：
分别根据所述m+1个数据价值度量
Figure FDA0003800356190000016
计算(S6)所述记录数据随时间的m+1组数据价值；以及
根据所述收集策略(T0)，通过计算所述m+1组数据价值的加权和来聚集(S7)所述m+1组数据价值，以计算所述记录数据随时间的聚集数据价值，
并且其中，选择(S8)记录数据片段是基于所述记录数据随时间的所述聚集数据价值来执行的。
4.根据权利要求1所述的方法，所述方法还包括以下步骤：从所述主机收集***(200)无线地下载(S43)所述数据收集目标(T1)的更新信息，以及根据所述更新信息更新(S44)所述数据收集目标。
5.根据权利要求1所述的方法，所述方法还包括：
在成功上传所述至少一个高价值记录数据片段之后，从所述主机数据收集***(200)无线地接收奖励值的步骤(S30)；
将接收到的奖励值作为奖励输入提供给所述载具数据记录装置(140)的强化学习代理部件(144)的步骤(S31)，所述强化学习代理部件(144)负责决定是否上传记录数据片段并且负责选择高价值记录数据片段。
6.根据权利要求1所述的方法，其中，在从所述记录数据中选择了多个要上传的记录数据片段的情况下，所述方法还包括以下步骤：
针对要上传的各个记录数据片段计算(S10)价值密度；
将所述多个要上传的记录数据片段放入(S10)发送优先级队列中，并基于所述价值密度对所述要上传的记录数据片段进行排序。
7.根据权利要求1所述的方法，所述方法还包括以下步骤：
在当前时间t0，确定所述载具(100)能够采取的多条路线；
针对各个路线，生成路线编码，该路线编码针对多个度量将关于所述路线的预测价值的信息编码为数值；
将所述路线编码和独立于所述路线的附加环境信息提供给所述强化学习代理，所述强化学习代理决定是否改变当前路线，并且当适当时选择所确定的路线之一以优化奖励；
当所述载具沿所选路线行驶时，随时间记录来自所述载具中的数据源的数据；
将所记录数据的至少一部分上传到所述主机数据收集***(200)，并且从所述主机数据收集***(200)接收作为回报的奖励；
向所述强化学习代理提供所述奖励。
8.一种从一组记录载具(100)收集数据的方法，所述方法由无线地连接到所述一组记录载具(100)的主机收集***(200)执行，所述方法包括以下步骤：
在数据收集管理模块(230)处，提供(S1)数据收集目标(T0)，所述数据收集目标(T0)包括数据价值度量
Figure FDA0003800356190000031
所述数据价值度量是将数据价值分配给对应于给定时间点(i)的数据段的函数，所述数据价值表示实现原子收集目标
Figure FDA0003800356190000032
的进展量；
将所述数据收集目标(T0)无线地下载(S2)到所述一组记录载具(100)；
从所述一组记录载具(100)无线地接收(S20)记录数据片段；以及
将所接收的记录数据片段存储(S21)到存储设施(400)中。
9.根据权利要求8所述的方法，其中，在提供数据收集目标(T0)的步骤(S1)中，所述数据收集管理模块(230)提供与不同原子收集目标({c0,...,cm})相关的m+1个数据价值度量
Figure FDA0003800356190000033
m≥0，以及定义针对所述m+1个数据价值度量
Figure FDA0003800356190000034
的m+1个相应权重
Figure FDA0003800356190000035
的收集策略(P)。
10.根据权利要求8或9所述的方法，所述方法还包括以下步骤：
在所述数据收集管理模块(230)处，依赖于已经从所述一组记录载具(100)接收的所述记录数据片段来更新(S40至S41)所述数据收集目标(T0)，以及
将所述数据收集目标(T0)的更新信息无线地下载(S42)到所述一组记录载具(100)。
11.根据权利要求8所述的方法，其中，生成所述数据价值度量以分配归一化的数据价值。
12.根据权利要求8所述的方法，所述方法还包括：
基于所述数据收集目标(T0)计算针对从所述一组记录载具中的载具(100)上传的记录数据片段的虚拟值的步骤(S22)，依赖于所述虚拟值生成奖励值的步骤(S23)，以及将所述奖励值无线地下载到所述载具(100)的步骤(S24)。
13.一种载具数据记录装置(140)，所述载具数据记录装置包括：
至少一个接口(141)，所述至少一个接口从载具(100)中的数据源接收记录数据，并且传输记录数据片段以无线地上传到主机数据收集***(200)；
存储模块(142)，所述存储模块存储所述记录数据；
用于执行根据权利要求1至7中的任一项所述的方法的步骤的单元。
14.一种载具(100)，所述载具包括根据权利要求13所述的载具数据记录装置(140)。
15.一种主机数据采集***(200)，所述主机数据采集***包括：
第一接口(210)，所述第一接口无线地与一组记录载具(100)接口；
第二接口(220)，所述第二接口与存储设施(400)接口；以及
用于执行根据权利要求8至12中的任一项所述的方法的步骤的单元。
CN202210980823.XA 2021-08-18 2022-08-16 从一组载具收集数据的方法 Pending CN115708343A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP21191933.7A EP4138051A1 (en) 2021-08-18 2021-08-18 Method of collecting data from fleet of vehicles
EP21191933.7 2021-08-18

Publications (1)

Publication Number Publication Date
CN115708343A true CN115708343A (zh) 2023-02-21

Family

ID=77693455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210980823.XA Pending CN115708343A (zh) 2021-08-18 2022-08-16 从一组载具收集数据的方法

Country Status (3)

Country Link
US (1) US20230056115A1 (zh)
EP (1) EP4138051A1 (zh)
CN (1) CN115708343A (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11953586B2 (en) * 2020-11-17 2024-04-09 Ford Global Technologies, Llc Battery-powered vehicle sensors
US11951937B2 (en) 2021-03-12 2024-04-09 Ford Global Technologies, Llc Vehicle power management
US11912235B2 (en) 2021-03-12 2024-02-27 Ford Global Technologies, Llc Vehicle object detection
US11916420B2 (en) 2021-03-12 2024-02-27 Ford Global Technologies, Llc Vehicle sensor operation

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6073063A (en) 1997-02-06 2000-06-06 Ford Global Technologies, Inc. Automotive data recording device
US6505106B1 (en) 1999-05-06 2003-01-07 International Business Machines Corporation Analysis and profiling of vehicle fleet data
JP2016119547A (ja) * 2014-12-19 2016-06-30 トヨタ自動車株式会社 車両データのリモート収集システム
US20200076895A1 (en) * 2018-08-31 2020-03-05 Denso Ten Limited Data collection apparatus, on-vehicle device, data collection system, and data collection method
JP6823895B2 (ja) * 2019-02-06 2021-02-03 株式会社 ミックウェア 情報処理装置、情報処理方法およびプログラム
US11095741B2 (en) * 2019-07-11 2021-08-17 Ghost Locomotion Inc. Value-based transmission in an autonomous vehicle
CN113724416B (zh) * 2020-11-12 2023-04-07 广东利通科技投资有限公司 基于车路协同***的车载视频处理方法、装置及存储介质

Also Published As

Publication number Publication date
EP4138051A1 (en) 2023-02-22
US20230056115A1 (en) 2023-02-23

Similar Documents

Publication Publication Date Title
CN115708343A (zh) 从一组载具收集数据的方法
TWI638328B (zh) 電力需求預測裝置、電力供給系統、電力需求預測方法、程式、供給電力管理裝置
AU2009332672B2 (en) Methodology and system for routing optimization in GPS-based navigation, combining dynamic traffic data
US6539300B2 (en) Method for regional system wide optimal signal timing for traffic control based on wireless phone networks
US20190339087A1 (en) Deep reinforcement learning for optimizing carpooling policies
US11301948B2 (en) Parking continuity with unused duration between automated vehicles
CN110969857B (zh) 一种交通信息处理方法及装置
CN112435469B (zh) 车辆预警控制方法、装置、计算机可读介质及电子设备
KR20150128712A (ko) 차량 라우팅 및 교통 관리를 위한 차선 레벨 차량 내비게이션
EP2038788A2 (en) Inferring road speeds for context-sensitive routing
CN110415517B (zh) 一种基于车辆行驶轨迹的道路拥堵精准预警***及方法
CN111353632A (zh) 用于车辆调度和路线选择的***及方法
US20220414450A1 (en) Distributed Multi-Task Machine Learning for Traffic Prediction
JP2020135231A (ja) 交通需要予測装置及び交通需要予測システム
CN111667083B (zh) 网约车预估价确定方法和装置
CN114004077B (zh) 交通仿真转换方法、装置、计算机设备及存储介质
US10635764B2 (en) Method and device for providing vehicle navigation simulation environment
CN111582527A (zh) 行程时间的预估方法、装置、电子设备和存储介质
CN113232671A (zh) 一种计算机实现的方法、存储介质和***
CN116698075A (zh) 路网数据处理方法、装置、电子设备及存储介质
CN116194935B (zh) 用于确定地理区域中的车辆的导航简档的方法和设备
CN112991712B (zh) 预测交通密度的方法、***、计算机设备和存储介质
JP2000057483A (ja) 交通状況予測方法、装置、および交通状況予測プログラムを記録した記録媒体
CN113422797B (zh) 一种用于车联网的更新地图的方法及***
CN114638428A (zh) 一种交通路况预测方法、装置及车辆

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
CB02 Change of applicant information
CB02 Change of applicant information

Country or region after: Luxembourg

Address after: Luxembourg

Applicant after: Aptiv Technology (2) Co.

Address before: Babado J San Michael

Applicant before: Aptiv Technologies Ltd.

Country or region before: Barbados

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240229

Address after: Luxembourg

Applicant after: Aptiv Manufacturing Management Services Co.

Country or region after: Luxembourg

Address before: Luxembourg

Applicant before: Aptiv Technology (2) Co.

Country or region before: Luxembourg

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20240320

Address after: Schaffhausen

Applicant after: APTIV Technology Co.,Ltd.

Country or region after: Switzerland

Address before: Luxembourg

Applicant before: Aptiv Manufacturing Management Services Co.

Country or region before: Luxembourg