CN115766861A - 用于车软件升级的自动驾驶数据闭环***、方法和介质 - Google Patents

Abstract

本发明公开了一种用于车软件升级的自动驾驶数据闭环***、方法和介质。该***包括：通过车端的数据采集模块采集智能车辆对应的车端数据，并通过部署在云端平台的数据服务模块、模型训练模块、仿真验证模块和智能***升级模块，基于车端数据获取模型测试结果符合预设模型验证标准的目标模型，进而将目标模型发送到智能车辆，以控制智能车辆进行软件升级。本实施例的技术方案，通过将数据服务模块、模型训练模块、仿真验证模块和智能***升级模块部署在云端平台，可以使车端数据在各模块中通用流转，可以加快数据循环速度，且可以减少数据的上传和下载次数，可以降低网络带宽和流量压力。

Description

用于车软件升级的自动驾驶数据闭环***、方法和介质

技术领域

本发明涉及自动驾驶技术领域，尤其涉及一种用于车软件升级的自动驾驶数据闭环***、方法和介质。

背景技术

数据是数字化时代的全新生产要素，数据与算法和算力的融合，正在促进人工智能行业的快速发展。智能车辆软件在落地应用的过程中，会面临大量的极端场景，这些极端场景正是影响智能车辆安全的主要因素。解决极端场景下的车辆安全问题，离不开大量数据的支持，因此，构建自动驾驶数据闭环***，以高效地采集和利用数据，以及提升数据循环速度，成为促进智能车辆软件迭代升级的关键要素。

目前，现有的自动驾驶数据闭环***，通常包括算法开发平台、场景提取平台、数据标注平台、算法训练平台、仿真测试平台以及客户端等多个子模块，其中，算法开发平台、场景提取平台、数据标注平台、算法训练平台和仿真测试平台等子模块部署在本地服务器。然而，对于现有技术，在使用范围方面，数据闭环流程仅限于车路协同、数据采集、算法训练、仿真测试等某一个小环节，在不同的小环节中，数据异构且不能通用流转，无法贯穿整个自动驾驶数据闭环***的运行，限制了智能车辆软件落地应用的速度。此外，在环境部署方面，在本地服务器上进行模型的开发和训练，需要频繁上传和下载云端的采集数据集，极大的浪费了网络流量和带宽。

发明内容

本发明提供了一种用于车软件升级的自动驾驶数据闭环***、方法和介质，可以使车端数据在云端平台各个模块中自动化完成数据格式转换，在各模块中通用流转，可以加快数据循环速度，且可以减少数据的上传和下载次数，可以降低网络带宽和流量压力。

根据本发明的一方面，提供了一种用于车软件升级的自动驾驶数据闭环***，包括部署在智能车辆的数据采集模块，以及部署在云端平台的数据服务模块、模型训练模块、仿真验证模块和智能***升级模块；

所述数据采集模块与所述数据服务模块连接，用于根据当前采集规则，采集所述智能车辆对应的车端数据，并发送所述车端数据到所述数据服务模块；

所述数据服务模块分别与所述模型训练模块和所述仿真验证模块连接，用于对所述车端数据进行数据标注，以获取训练数据集，发送所述训练数据集到所述模型训练模块；以及对所述车端数据进行场景提取，以获取场景数据集，发送所述场景数据集到所述仿真验证模块；

所述模型训练模块与所述仿真验证模块连接，用于获取初始算法模型，并基于所述训练数据集对所述初始算法模型进行训练，获取训练完成的目标模型，并发送所述目标模型到所述仿真验证模块；

所述仿真验证模块与所述智能***升级模块连接，用于基于所述场景数据集对所述目标模型进行模型测试，并在检测到模型测试结果符合预设模型验证标准时，发送所述目标模型到所述智能***升级模块；

所述智能***升级模块，用于将所述目标模型发送到所述智能车辆，以控制所述智能车辆进行软件升级。

可选的，所述数据服务模块，还用于在检测到当前数据采集需求存在更新时，根据更新后的数据采集需求，获取更新采集规则，并发送所述更新采集规则到所述数据采集模块；

所述数据采集模块，还用于根据所述更新采集规则，获取所述智能车辆对应的更新车端数据，并发送所述更新车端数据到所述数据服务模块。

可选的，所述数据服务模块，还用于执行数据清洗、数据诊断、数据挖掘、数据可视化、数据检索、数据评价和数据审计中的至少一项操作。

可选的，所述数据服务模块，包括数据存储单元；

所述数据存储单元，用于对所述训练数据集和所述场景数据集进行存储。

可选的，所述模型训练模块，包括数据集抽取单元、算法开发单元、任务训练单元和模型工厂单元；

所述数据集抽取单元与所述任务训练单元连接，用于从所述数据存储单元中抽取训练数据集，并发送所述训练数据集到所述任务训练单元；

所述算法开发单元与所述任务训练单元连接，用于响应于对初始算法模型的配置指令，获取初始算法模型，发送所述初始算法模型到所述任务训练单元；

所述任务训练单元与所述模型工厂单元连接，用于响应于对模型训练任务的配置指令，生成模型训练任务，并根据所述模型训练任务，基于所述训练数据集对所述初始算法模型进行训练，获取训练完成的目标模型，发送所述目标模型到所述模型工厂单元；

所述模型工厂单元，用于响应于目标模型对应的版本配置指令，获取所述目标模型对应的版本信息，并生成所述目标模型与所述版本信息之间的映射关系，将所述目标模型与所述版本信息之间的映射关系存储到预设数据库。

可选的，所述智能***升级模块，包括升级控制网关和文件下载网关；

所述升级控制网关与所述文件下载网关连接，用于在检测到所述智能车辆对应的软件升级指令时，从预设数据库中获取所述目标模型对应的版本信息；以及获取所述智能车辆对应的当前版本信息，并在检测到所述当前版本信息与所述目标模型对应的版本信息不相同时，生成所述智能车辆对应的升级文件分发指令，发送所述智能车辆对应的升级文件分发指令到所述文件下载网关；

所述文件下载网关，用于在接收到所述智能车辆对应的升级文件分发指令时，将所述目标模型发送到所述智能车辆，以控制所述智能车辆进行软件升级。

根据本发明的另一方面，提供了一种用于车软件升级的自动驾驶数据闭环方法，应用于本发明任一实施例所述的用于车软件升级的自动驾驶数据闭环***，包括：

通过数据采集模块根据当前采集规则获取智能车辆对应的车端数据，并通过数据服务模块，对所述车端数据进行数据标注，以获取训练数据集，以及对所述车端数据进行场景提取，以获取场景数据集；

通过模型训练模块获取初始算法模型，并基于所述训练数据集对所述初始算法模型进行训练，获取训练完成的目标模型；

通过仿真验证模块基于所述场景数据集对所述目标模型进行模型测试，并在检测到模型测试结果符合预设模型验证标准时，通过智能***升级模块将所述目标模型发送到所述智能车辆，以控制所述智能车辆进行软件升级。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的用于车软件升级的自动驾驶数据闭环方法。

本发明实施例的技术方案，通过数据采集模块根据当前采集规则获取智能车辆对应的车端数据，并通过数据服务模块，对车端数据进行数据标注，以获取训练数据集，以及对车端数据进行场景提取，以获取场景数据集；之后，通过模型训练模块获取初始算法模型，并基于训练数据集对初始算法模型进行训练，获取训练完成的目标模型；进一步的，通过仿真验证模块基于场景数据集对目标模型进行模型测试，并在检测到模型测试结果符合预设模型验证标准时，通过智能***升级模块将目标模型发送到智能车辆，以控制智能车辆进行软件升级，通过将数据服务模块、模型训练模块、仿真验证模块和智能***升级模块部署在云端平台，可以使车端数据在云端平台各个模块中自动化完成数据格式转换，在各模块中通用流转，可以加快数据循环速度，且可以减少数据的上传和下载次数，可以降低网络带宽和流量压力。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1A是根据本发明实施例一提供的一种用于车软件升级的自动驾驶数据闭环***的结构示意图；

图1B是根据本发明实施例一提供的一种数据采集闭环的流程示意图；

图1C是根据本发明实施例一提供的一种数据服务模块的结构示意图；

图1D是根据本发明实施例一提供的另一种数据服务模块的结构示意图；

图1E是根据本发明实施例一提供的一种模型训练模块的结构示意图；

图1F是根据本发明实施例一提供的另一种模型训练模块的结构示意图；

图1G是根据本发明实施例一提供的一种智能***升级模块的结构示意图；

图1H是根据本发明实施例一提供的另一种智能***升级模块的结构示意图；

图1I是根据本发明实施例一提供的另一种用于车软件升级的自动驾驶数据闭环***的部署结构示意图；

图1J是根据本发明实施例一提供的一种自动驾驶数据闭环的流程示意图；

图2A是根据本发明实施例二提供的一种用于车软件升级的自动驾驶数据闭环方法的流程图；

图2B是根据本发明实施例二提供的一种模型测试的流程示意图；

图2C是根据本发明实施例二提供的一种模型研发和测试的流程示意图；

图2D是根据本发明实施例二提供的一种全链路闭环的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“目标”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1A为本发明实施例一提供了一种用于车软件升级的自动驾驶数据闭环***的结构示意图，用于车软件升级的自动驾驶数据闭环***100，可以包括部署在智能车辆110的数据采集模块111，以及部署在云端平台120的数据服务模块121、模型训练模块122、仿真验证模块123和智能***升级模块124。其中，智能车辆110，可以是安装有智能车辆软件的车辆。

所述数据采集模块111与所述数据服务模块121连接，用于根据当前采集规则，采集所述智能车辆110对应的车端数据，并发送所述车端数据到所述数据服务模块121。其中，当前采集规则，可以是当前对车端数据的采集规则，例如，采集周期、特定场景数据、传感器数据等，可以由数据服务模块121下发。车端数据的数据类型，可以包括图像数据、点云数据、视频数据、总线数据和日志数据等。数据采集模块111可以采用无线传输、硬盘快递和Web/App(Application，应用程序)导入等方式，将车端数据发送到数据服务模块121。

具体的，数据采集模块111，可以使用数据采集应用程序对智能车辆110上部署的各类型传感器，例如，激光雷达传感器、毫米波雷达传感器、摄像头等，以及总线上的数据进行采集，以获取车端数据，并可以按照数据类型和预先设置的数据类型优先级，将该车端数据上传至云端平台120的数据服务模块121。

所述数据服务模块121分别与所述模型训练模块122和所述仿真验证模块123连接，用于对所述车端数据进行数据标注，以获取训练数据集，发送所述训练数据集到所述模型训练模块122；以及对所述车端数据进行场景提取，以获取场景数据集，发送所述场景数据集到所述仿真验证模块123；

其中，数据服务模块121，可以用于接收数据采集模块111发送的车端数据，并对车端数据进行分类、存储、处理和抽取等操作，以为其他模块提供数据支持。

在本实施例中，数据服务模块121可以先对车端数据进行预处理，例如，数据解析、解包、脱敏和清洗等，并对预处理后的车端数据进行数据标注和场景提取，以生成训练模型使用的训练数据集，以及仿真验证使用的场景数据集。进一步的，可以将训练数据集发送到模型训练模块122，并可以将场景数据集发送到仿真验证模块123。

需要说明的是，数据服务模块121，可以预先配置有数据上传实时监测程序，当数据采集模块111每日完成所有数据上传之后，可以由程序脚本自动触发数据标注和场景提取，以完成对上传数据的处理，生成模型训练需要的标注数据集和仿真验证需要的场景数据集。其中，所有的数据处理均可以由算法程序自动化完成，在数据处理完成生成数据集后，也可以由脚本自动化完成模型增量训练和测试，即人工可以不进行任何干预，就可完成从数据采集、处理到数据增量训练、验证的整体流程。

上述设置的好处在于，通过后台实时监控数据的来源，并自动化触发数据处理、数据模型训练到模型仿真验证的全过程，不仅可以解放人力资源，还可以加快数据流通速度，从而可以为智能车辆110的量产运营落地提供更有力的保障。

所述模型训练模块122与所述仿真验证模块123连接，用于获取初始算法模型，并基于所述训练数据集对所述初始算法模型进行训练，获取训练完成的目标模型，并发送所述目标模型到所述仿真验证模块123。

其中，初始算法模型，可以包括基于机器学习算法构建的不具备任何功能的算法模型，也可以是此前训练得到的历史模型，历史模型可以存储在数据服务模块121的数据中心中。

在本实施例中，模型训练模块122，可以通过算法创建、导入和算法版本配置，以创建初始算法模型。之后，可以采用训练数据集对该初始算法模型进行有监督训练，以获取训练完成的目标模型，并将该目标模型发送到仿真验证模块123。或者，可以从数据服务模块121中查找得到历史模型，以及历史模型对应的历史训练数据集，之后，可以基于当前的训练数据集和历史训练数据集，共同对该历史模型进行迭代训练，以获取目标模型。

所述仿真验证模块123与所述智能***升级模块124连接，用于基于所述场景数据集对所述目标模型进行模型测试，并在检测到模型测试结果符合预设模型验证标准时，发送所述目标模型到所述智能***升级模块124。

需要说明的是，在数据驱动下，在将生成的目标模型下发到实车进行测试之前，对目标模型进行仿真验证也是至关重要的一个环节。仿真验证不仅可以实现工况按需构造，提升测试场景覆盖度，从而提升实车测试的安全系数，还可以降低智能驾驶***测试和回归的时间和成本，并且可以基于大规模测试结果，提升对算法版本的量化评估水平。

在本实施例中，仿真验证模块123，可以用于检测目标模型的可用性和可靠性；例如，可以基于场景数据集对目标模型进行模型在环、软件在环、硬件在环、车辆在环等一系列模型测试，以验证模型是否能够适应不同的驾驶场景。若目标模型成功通过了一系列模型测试，则可以确定模型测试结果符合预设模型验证标准，可以将目标模型发送到智能***升级模块124。其中，模型测试，可以由仿真测试、虚实结合测试和测试评价三部分组成。

可选的，在完成模型测试后，仿真验证模块123还可以根据模型测试结果自动生成目标模型对应的测试报告和模型评估报告。其中，测试报告和模型评估报告的报告模板可以预先设置。

上述设置的好处在于，基于部署在云端平台120的仿真验证模块123，可以通过使用仿真技术，快速建立出车辆驾驶各类型场景，甚至包括危险的驾驶场景，从而可以避免实车采集中面临的由天气、车辆等因素导致的采集周期长、场景采集安全性差的问题。

在本实施例中，区别于现有技术中将训练和仿真平台搭建到本地服务器，通过将模型训练模块122和仿真验证模块123部署在云端平台120，一方面能够应对在智能车辆110运营中数据集越来越庞大，导致本机存储空间不足的问题；另一方面可以降低数据在云端和本地之间频繁下载上传过程中对网络带宽的占用和对网络流量的消耗。

所述智能***升级模块124，用于将所述目标模型发送到所述智能车辆110，以控制所述智能车辆110进行软件升级。

在本实施例中，智能***升级模块124可以在目标模型评估完成后，将目标模型下发至智能车辆110，以控制该智能车辆110进行智能车辆软件的远程升级。

上述设置的好处在于，通过智能***升级模块124，可以在后期智能驾驶车辆规模化运营后，对智能车辆110批量进行模型、软件的升级迭代管理，可以不断提升智能车辆的安全性和可靠性。

在本实施例中，区别于现有技术中数据闭环集中在某一个方面的小闭环体系，可以实现从数据采集、数据处理、模型训练、仿真测试到智能车辆软件升级的全流程数据闭环。其次，从数据驱动的角度出发，由数据串联整个***，可以加快数据循环速度，有助于解决智能车辆110面对的“数据长尾”问题，能够提升智能车辆110对复杂场景、多极限场景、问题场景的覆盖度，进而可以提升智能车辆110的安全性和可靠性。

本发明实施例的技术方案，通过数据采集模块根据当前采集规则获取智能车辆对应的车端数据，并通过数据服务模块，对车端数据进行数据标注，以获取训练数据集，以及对车端数据进行场景提取，以获取场景数据集；之后，通过模型训练模块获取初始算法模型，并基于训练数据集对初始算法模型进行训练，获取训练完成的目标模型；进一步的，通过仿真验证模块基于场景数据集对目标模型进行模型测试，并在检测到模型测试结果符合预设模型验证标准时，通过智能***升级模块将目标模型发送到智能车辆，以控制智能车辆进行软件升级，通过将数据服务模块、模型训练模块、仿真验证模块和智能***升级模块部署在云端平台，可以使车端数据在云端平台各个模块中自动化完成数据格式转换，可以在各模块中通用流转，可以加快数据循环速度，且可以减少数据的上传和下载次数，可以降低网络带宽和流量压力。

可选的，所述数据服务模块121，还用于在检测到当前数据采集需求存在更新时，根据更新后的数据采集需求，获取更新采集规则，并发送所述更新采集规则到所述数据采集模块111；

所述数据采集模块111，还用于根据所述更新采集规则，获取所述智能车辆110对应的更新车端数据，并发送所述更新车端数据到所述数据服务模块121。

在本实施例中，可以将自动驾驶数据闭环的整体流程，按照各子环节划分为多个子数据闭环，典型的，可以包括数据采集闭环。其中，数据采集闭环流程可以如图1B所示，首先，智能车辆110可以通过车端部署的数据采集模块111，收集车上传感器数据和部分场景标签信息，并可以通过车载以太网将收集数据上传至云端部署的数据服务模块121。然后，数据服务模块121可以对数据采集模块111上传的车端数据进行存储和计算(例如，数据清洗、数据脱敏等)，并将计算后的车端数据应用到模型训练和仿真验证。

在数据应用过程中，可能产生新的数据采集需求，例如，采集典型场景的数据；此时，数据服务模块121可以获取更新后的数据采集需求，并将更新后的数据采集需求，转化为更新采集规则；进一步的，数据服务模块121可以将更新采集规则下发至数据采集模块111。最终，数据采集模块111可以基于获取的更新采集规则，完成典型场景数据的采集，并将采集的典型场景数据上传到数据服务模块121。由此，基于车端采集上传、云端数据应用、更新下载采集需求和完成数据采集，可以形成数据采集闭环。

可选的，所述数据服务模块121，还用于执行数据清洗、数据诊断、数据挖掘、数据可视化、数据检索、数据评价和数据审计中的至少一项操作。

在一个具体的例子中，数据服务模块121的结构可以如图1C所示，其中，数据服务模块121的功能可以包括数据存储和核心服务；核心服务，可以用于获取数据、评价数据和处理数据；获取数据，可以包括数据采集、数据缓存和数据检索等；评价数据，可以包括数据评价和数据审计等；处理数据，可以包括数据清洗、数据标注、数据分析、数据挖掘、数据诊断、数据可视化和场景提取等。

可选的，如图1D所示，所述数据服务模块121，可以包括数据存储单元1211；所述数据存储单元1211，用于对所述训练数据集和所述场景数据集进行存储。

在一个具体的例子中，如图1C所示，数据存储单元1211可以包括不同类型的数据库，以存储不同类型数据。例如，数据存储单元1211可以包括原始数据库、仿真数据库、数据标注库、场景数据库、场景库数据集、静态模型数据库、算法模型数据库等。在本实施例中，数据采集模块111采集的车端数据、数据服务模块121处理后的数据(例如、训练数据集、场景数据集等)、模型训练模块122生成的各类型算法模型，以及仿真验证模块123获取的仿真验证结果、验证报告等，均可以存储到数据存储单元1211，同时，数据存储单元1211可以接受各模块的数据检索请求，并可以将与数据检索请求匹配的存储数据反馈至对应模块。

可选的，如图1E所示，所述模型训练模块122，可以包括数据集抽取单元1221、算法开发单元1222、任务训练单元1223和模型工厂单元1224；

所述数据集抽取单元1221与所述任务训练单元1223连接，用于从所述数据存储单元1211中抽取训练数据集，并发送所述训练数据集到所述任务训练单元1223；具体的，数据集抽取单元1221可以从数据存储单元1211中，检索得到当前模型训练所需要使用的训练数据集。

所述算法开发单元1222与所述任务训练单元1223连接，用于响应于对初始算法模型的配置指令，获取初始算法模型，发送所述初始算法模型到所述任务训练单元1223；在本实施例中，用户可以选择进行代码导入或者代码在线编辑，以向算法开发单元1222发送对初始算法模型的配置指令。算法开发单元1222在接收到对初始算法模型的配置指令之后，可以基于配置信息构建不具备任何功能的机器学习模型，以作为当前的初始算法模型，或者从数据服务模块121中查找得到对应的历史模型，以作为当前的初始算法模型，并可以将该初始算法模型发送到任务训练单元1223进行模型训练。

所述任务训练单元1223与所述模型工厂单元1224连接，用于响应于对模型训练任务的配置指令，生成模型训练任务，并根据所述模型训练任务，基于所述训练数据集对所述初始算法模型进行训练，获取训练完成的目标模型，发送所述目标模型到所述模型工厂单元1224。

在本实施例中，用户可以选择配置模型训练任务信息，例如，模型训练终止条件、使用的训练数据集等，以生成对模型训练任务的配置指令发送到任务训练单元1223，任务训练单元1223可以根据用户设置的模型训练任务信息，生成模型训练任务；或者，任务训练单元1223可以根据预先设置的模型训练任务信息，自动生成模型训练任务。

之后，任务训练单元1223可以按照该模型训练任务，使用对应的训练数据集对该初始算法模型进行模型训练，直至获取训练完成的目标模型。此外，任务训练单元1223还可以为模型训练任务分配训练资源和指定训练规则，并可以对模型训练过程进行全程可视化监测。

所述模型工厂单元1224，用于响应于目标模型对应的版本配置指令，获取所述目标模型对应的版本信息，并生成所述目标模型与所述版本信息之间的映射关系，将所述目标模型与所述版本信息之间的映射关系存储到预设数据库。其中，目标模型对应的版本配置指令，可以是用户对目标模型配置版本信息的指令。

在本实施例中，模型工厂单元1224可以根据目标模型对应的版本配置指令，获取目标模型对应的版本信息，并生成目标模型和对应的版本信息之间的映射关系存储到数据存储单元1211的预设数据库中。此外，模型工厂单元1224还可以对目标模型进行推理，并对模型推理结果进行管理。

在一个具体的例子中，模型训练模块122的结构可以如图1F所示；其中，可以包括数据部分、算法/模型、训练框架、训练任务和训练管理，算法/模型的类型可以包括感知类、决策规划类和控制类，训练任务可以包括评测指标、任务规划和算法评测，训练管理可以包括训练监测、过程可视化、日志生成和报告导出等功能。

此外，模型训练模块122可以预先设置典型的训练框架，例如，TensorFlow、Pytorch等，支持算法代码的导入和在线编辑，通过配置训练任务，以完成模型训练过程和模型推理过程。在模型训练过程中，可以提供实时的可视化训练监测结果和训练日志，完成模型训练后，可以支持训练日志及报告导出。

可选的，如图1G所示，所述智能***升级模块124，可以包括升级控制网关1241和文件下载网关1242；

所述升级控制网关1241与所述文件下载网关1242连接，用于在检测到所述智能车辆110对应的软件升级指令时，从预设数据库中获取所述目标模型对应的版本信息；以及获取所述智能车辆110对应的当前版本信息，并在检测到所述当前版本信息与所述目标模型对应的版本信息不相同时，生成所述智能车辆110对应的升级文件分发指令，发送所述智能车辆110对应的升级文件分发指令到所述文件下载网关1242；

所述文件下载网关1242，用于在接收到所述智能车辆110对应的升级文件分发指令时，将所述目标模型发送到所述智能车辆110，以控制所述智能车辆110进行软件升级。

在本实施例中，智能***升级模块124，可以定期收集智能车辆110的软件版本信息和云端推荐软件版本信息，以在判断智能车辆110需要进行软件升级时，对智能车辆110的智能驾驶软件的文件进行下载，以及进行软件版本更新。

在一个具体的例子中，智能***升级模块124的结构可以如图1H所示，智能***升级模块124在数据驱动闭环中起着承上启下的作用，一方面需要获取云端智能车辆110的当前配置信息，另一方面，需要为待升级的智能车辆110下发更新请求和升级包。其中，智能***升级模块124可以包括升级控制网关1241和文件下载网关1242，升级控制网关1241，用于承担与云端进行通信，以完成包括车型、组件、版本、升级任务等控制信息的获取，文件下载网关1242，用于负责向智能车辆110分发升级文件(目标模型)。

在本实施例的一个具体的实施方式中，用于车软件升级的自动驾驶数据闭环***100的部署结构可以如图1I所示。其中，自动驾驶数据闭环的流程可以如图1J所示；首先，数据采集模块111将从智能车辆110采集的车端数据通过无线传输、硬盘快递、Web/App导入等方式上传至数据中心，即数据存储单元1211，数据中心由数据服务模块121负责管理。数据服务模块121将获取的车端数据进行分级和分类存储，然后对车端数据进行数据解析、解包、脱敏和清洗，而后进一步对处理后的数据进行标注和挖掘，以生成模型训练使用的训练数据集和仿真验证使用的场景数据集，并将该训练数据集和场景数据集存储到数据中心。

之后，模型训练模块122可以从数据中心中抽取训练数据集完成算法训练，以获取目标模型，训练过程中生成的模型也会定期在数据中心中备份。进一步的，仿真验证模块123可以获取训练完成的目标模型，并从数据中心中抽取测试用的场景数据集，完成以仿真在环测试为主的多种测试，测试后还可以提供对模型的评估结果和测试报告。最后，当确定目标模型符合验证标准，则可以通过智能***升级模块124将目标模型更新到智能车辆软件中，以完成对车端软件的更新迭代，从而完成由车端数据采集，到数据驱动智能车辆110升级的完整的由数据驱动的自动驾驶数据闭环。

需要说明的是，在当前环境下，智能车软件在人员、采集车辆、天气、场景构建方面都存在一定难点。例如，在人员方面，每台采集车均需要配置司机、数据采集人员，才能进行有效场景的收集；在采集车方面，采集场景周期长，同样场景难以复现，且安全系数较低的场景无法实车采集；在天气方面，对于出现极端天气的低频场景，采集困难，周期更长；在场景处理方面，极端场景开发周期长，且在车端云端验证都比较困难。这些因素导致采集的时间和人员成本急剧增加，难以覆盖全部极限场景，由此带给智能车辆110的安全隐患难以消除，从而严重制约着智能驾驶技术工程化落地。

针对上述问题，在本实施例中，通过构建一种用于智能车软件迭代升级的自动驾驶数据闭环***，以高效收集和使用数据，可以提高数据循环速度，从而可以提升智能车辆110的安全性，使智能车辆110尽快满足量产条件。

实施例二

图2A为本发明实施例二提供了一种用于车软件升级的自动驾驶数据闭环方法的流程图。本实施例可适用于基于自动驾驶数据闭环对智能车辆软件进行迭代升级的情况，该方法可以由本发明实施例一所述的用于车软件升级的自动驾驶数据闭环***执行。如图2A所示，该方法包括：

S210、通过数据采集模块根据当前采集规则获取智能车辆对应的车端数据，并通过数据服务模块，对所述车端数据进行数据标注，以获取训练数据集，以及对所述车端数据进行场景提取，以获取场景数据集。

其中，数据标注，可以包括机器视觉标注、视频标注、连续多帧标注、点云标注和语音标注中的至少一项。机器视觉标注，可以包括车道线、行人、车辆等目标分类的标注；视频标注，可以包括抽帧、内容提取等；连续多帧标注可以包括目标跟踪；点云标注，可以包括目标分类、车道线识别等；语音标注，可以包括语义、词性的标注等。

S220、通过模型训练模块获取初始算法模型，并基于所述训练数据集对所述初始算法模型进行训练，获取训练完成的目标模型。

在一个具体的例子中，模型训练，可以包括数据调度、算法开发、任务训练和模型工厂四个步骤；其中，数据调度步骤与数据服务模块121进行交互，完成对训练数据集的抽取；算法开发步骤，提供算法创建、导入、算法版本配置等功能；任务训练步骤支持镜像配置、任务调度、资源监控等功能；模型工厂步骤支持模型评估、模型压缩、模型版本配置等功能。在模型生成后，可以将以上过程数据持久化存储到对应数据库中，由数据服务模块121统一调度管理。通过以上步骤，模型训练模块122可以完成从算法训练到模型生成的全套流程。

S230、通过仿真验证模块基于所述场景数据集对所述目标模型进行模型测试，并在检测到模型测试结果符合预设模型验证标准时，通过智能***升级模块将所述目标模型发送到所述智能车辆，以控制所述智能车辆进行软件升级。

其中，模型测试，可以包括仿真测试、虚实结合测试和测试评价；仿真测试，可以包括模型仿真测试、软件仿真测试、硬件在环测试、车辆在环测试和驾驶员在环测试中的至少一项。

在一个具体的例子中，模型测试的流程可以如图2B所示。其中，模型测试主要由仿真测试、虚实结合测试和测试评价三部分组成；仿真测试从模型、代码、控制器、车辆、驾驶员依次对应模型仿真测试(MiL)、软件仿真测试(SiL)、硬件在环测试(HiL)、车辆在环测试(ViL)和驾驶员在环测试(DiL)。虚实结合测试主要与车辆在环测试和驾驶员在环测试相结合，以丰富车辆动力学和驾驶员模型，从而为测试评价提供模型参考。测试评价作为对整体测试的作业评价，若评价通过，则可以将整车的代码以及相关算法、模型，通过智能***升级模块124升级到智能车辆110；若评价未通过，则需要迭代更新算法模型。

其中，预设模型验证标准，可以是预先设置的用于判断模型是否可以通过测试评价的条件信息。若模型的模型测试结果符合预设模型验证标准，则可以确定模型成功通过测试评价。

在本实施例中，仿真验证模块123可以从模型、软件、硬件、车辆、驾驶员流程依次完成对智能车辆软件不同粒度层级的测试，测试的指标可以在测试评价中进行配置，指标可以包括法律法规、功能正确性、驾驶体验性、经济性、安全性等多个方面。测试评价可以根据以上流程的测试给出对应的评价结果，只有通过测试评价的模型才有可能被下载更新到智能车辆软件中。

在本实施例的一个具体的实施方式中，模型研发和测试流程可以如图2C所示。首先，通过数据服务模块121进行数据采集、数据脱敏和数据清洗，并对处理后的数据进行数据标注和场景生成。之后，在研发流程中，数据标注后生成的训练数据集经过模型训练模块122，完成从数据集抽取、创建训练任务、提交算法、执行训练、模型推理评估一系列步骤后，最终生成模型。

进一步的，在测试流程中，数据处理后生成的场景数据集经过仿真验证模块123，完成从模型提取、创建仿真任务、自动化测试、仿真评估一系列步骤后，最终生成评估报告。

在本实施例中，如图2D所示，在数据的驱动下，车端、云端可以共同打通从数据采集、数据上传、数据存储、数据计算、模型训练、仿真验证到智能***升级的全链路闭环设计。

本发明实施例的技术方案，通过数据采集模块根据当前采集规则获取智能车辆对应的车端数据，并通过数据服务模块，对车端数据进行数据标注，以获取训练数据集，以及对车端数据进行场景提取，以获取场景数据集；进一步的，通过模型训练模块获取初始算法模型，并基于训练数据集对初始算法模型进行训练，获取训练完成的目标模型；最后，通过仿真验证模块基于场景数据集对目标模型进行模型测试，并在检测到模型测试结果符合预设模型验证标准时，通过智能***升级模块将目标模型发送到智能车辆，以控制智能车辆进行软件升级；通过将数据服务模块、模型训练模块、仿真验证模块和智能***升级模块部署在云端平台，可以使车端数据在云端平台各个模块中自动化完成数据格式转换，在各模块中通用流转，可以加快数据循环速度，且可以减少数据的上传和下载次数，可以降低网络带宽和流量压力。

需要说明的是，本实施例的技术方案中，所涉及的用户个人信息的获取、存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

实施例三

本发明实施例三还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明实施例二所述的用于车软件升级的自动驾驶数据闭环方法。

在一些实施例中，用于车软件升级的自动驾驶数据闭环方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元。在一些实施例中，计算机程序的部分或者全部可以经由ROM和/或通信单元而被载入和/或安装到电子设备上。当计算机程序加载到RAM并由处理器执行时，可以执行上文描述的用于车软件升级的自动驾驶数据闭环方法的一个或多个步骤。备选地，在其他实施例中，处理器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车软件升级的自动驾驶数据闭环方法。

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。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。

在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的***和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。

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，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种用于车软件升级的自动驾驶数据闭环***，其特征在于，包括部署在智能车辆的数据采集模块，以及部署在云端平台的数据服务模块、模型训练模块、仿真验证模块和智能***升级模块；

所述数据采集模块与所述数据服务模块连接，用于根据当前采集规则，采集所述智能车辆对应的车端数据，并发送所述车端数据到所述数据服务模块；

所述数据服务模块分别与所述模型训练模块和所述仿真验证模块连接，用于对所述车端数据进行数据标注，以获取训练数据集，发送所述训练数据集到所述模型训练模块；以及对所述车端数据进行场景提取，以获取场景数据集，发送所述场景数据集到所述仿真验证模块；

所述模型训练模块与所述仿真验证模块连接，用于获取初始算法模型，并基于所述训练数据集对所述初始算法模型进行训练，获取训练完成的目标模型，并发送所述目标模型到所述仿真验证模块；

所述仿真验证模块与所述智能***升级模块连接，用于基于所述场景数据集对所述目标模型进行模型测试，并在检测到模型测试结果符合预设模型验证标准时，发送所述目标模型到所述智能***升级模块；

所述智能***升级模块，用于将所述目标模型发送到所述智能车辆，以控制所述智能车辆进行软件升级。

2.根据权利要求1所述的***，其特征在于，所述数据服务模块，还用于在检测到当前数据采集需求存在更新时，根据更新后的数据采集需求，获取更新采集规则，并发送所述更新采集规则到所述数据采集模块；

所述数据采集模块，还用于根据所述更新采集规则，获取所述智能车辆对应的更新车端数据，并发送所述更新车端数据到所述数据服务模块。

3.根据权利要求2所述的***，其特征在于，所述数据服务模块，还用于执行数据清洗、数据诊断、数据挖掘、数据可视化、数据检索、数据评价和数据审计中的至少一项操作。

4.根据权利要求1所述的***，其特征在于，所述数据服务模块，包括数据存储单元；

所述数据存储单元，用于对所述训练数据集和所述场景数据集进行存储。

5.根据权利要求4所述的***，其特征在于，所述模型训练模块，包括数据集抽取单元、算法开发单元、任务训练单元和模型工厂单元；

所述数据集抽取单元与所述任务训练单元连接，用于从所述数据存储单元中抽取训练数据集，并发送所述训练数据集到所述任务训练单元；

所述算法开发单元与所述任务训练单元连接，用于响应于对初始算法模型的配置指令，获取初始算法模型，发送所述初始算法模型到所述任务训练单元；

所述任务训练单元与所述模型工厂单元连接，用于响应于对模型训练任务的配置指令，生成模型训练任务，并根据所述模型训练任务，基于所述训练数据集对所述初始算法模型进行训练，获取训练完成的目标模型，发送所述目标模型到所述模型工厂单元；

所述模型工厂单元，用于响应于目标模型对应的版本配置指令，获取所述目标模型对应的版本信息，并生成所述目标模型与所述版本信息之间的映射关系，将所述目标模型与所述版本信息之间的映射关系存储到预设数据库。

6.根据权利要求5所述的***，其特征在于，所述智能***升级模块，包括升级控制网关和文件下载网关；

所述升级控制网关与所述文件下载网关连接，用于在检测到所述智能车辆对应的软件升级指令时，从预设数据库中获取所述目标模型对应的版本信息；以及获取所述智能车辆对应的当前版本信息，并在检测到所述当前版本信息与所述目标模型对应的版本信息不相同时，生成所述智能车辆对应的升级文件分发指令，发送所述智能车辆对应的升级文件分发指令到所述文件下载网关；

所述文件下载网关，用于在接收到所述智能车辆对应的升级文件分发指令时，将所述目标模型发送到所述智能车辆，以控制所述智能车辆进行软件升级。

7.一种用于车软件升级的自动驾驶数据闭环方法，其特征在于，应用于权利要求1-6中任一项所述的用于车软件升级的自动驾驶数据闭环***，包括：

通过数据采集模块根据当前采集规则获取智能车辆对应的车端数据，并通过数据服务模块，对所述车端数据进行数据标注，以获取训练数据集，以及对所述车端数据进行场景提取，以获取场景数据集；

通过模型训练模块获取初始算法模型，并基于所述训练数据集对所述初始算法模型进行训练，获取训练完成的目标模型；

通过仿真验证模块基于所述场景数据集对所述目标模型进行模型测试，并在检测到模型测试结果符合预设模型验证标准时，通过智能***升级模块将所述目标模型发送到所述智能车辆，以控制所述智能车辆进行软件升级。

8.根据权利要求7所述的方法，其特征在于，所述数据标注，包括机器视觉标注、视频标注、连续多帧标注、点云标注和语音标注中的至少一项。

9.根据权利要求7所述的方法，其特征在于，所述模型测试，包括仿真测试、虚实结合测试和测试评价；所述仿真测试，包括模型仿真测试、软件仿真测试、硬件在环测试、车辆在环测试和驾驶员在环测试中的至少一项。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求7-9中任一项所述的用于车软件升级的自动驾驶数据闭环方法。

Images