CN116594659B - 一种车载域控制器程序优化***、方法、装置及车辆 - Google Patents
一种车载域控制器程序优化***、方法、装置及车辆 Download PDFInfo
- Publication number
- CN116594659B CN116594659B CN202310879343.9A CN202310879343A CN116594659B CN 116594659 B CN116594659 B CN 116594659B CN 202310879343 A CN202310879343 A CN 202310879343A CN 116594659 B CN116594659 B CN 116594659B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- domain controller
- interface
- drive test
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 127
- 238000004088 simulation Methods 0.000 claims abstract description 63
- 238000005457 optimization Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 35
- 230000008447 perception Effects 0.000 claims description 58
- 230000015654 memory Effects 0.000 claims description 38
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 230000003287 optical effect Effects 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000007787 solid Substances 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 25
- 230000005540 biological transmission Effects 0.000 description 12
- 238000005259 measurement Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 6
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 229910052802 copper Inorganic materials 0.000 description 3
- 239000010949 copper Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000008187 granular material Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/65—Updates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F13/00—Interconnection of, or transfer of information or other signals between, memories, input/output devices or central processing units
- G06F13/38—Information transfer, e.g. on bus
- G06F13/40—Bus structure
- G06F13/4004—Coupling between buses
- G06F13/4022—Coupling between buses using switching circuits, e.g. switching matrix, connection or expansion network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/76—Adapting program code to run in a different environment; Porting
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2213/00—Indexing scheme relating to interconnection of, or transfer of information or other signals between, memories, input/output devices or central processing units
- G06F2213/0026—PCI express
-
- 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)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种车载域控制器程序优化***、方法、装置及车辆,该***包括:仿真数据信号源及车载域控制器;仿真数据信号源用于获取车辆路测数据,将车辆路测数据转换为车载传感器端口数据,并通过车载域控制器的车载传感器接口将车载传感器端口数据发送至车载域控制器;车载域控制器用于将车载传感器数据作为训练样本,修正自动驾驶程序的参数,以对自动驾驶程序进行迭代优化。上述方案提供的***,通过将车辆路测数据转换为车载域控制器可读的车载传感器端口数据,以使车载域控制器可以在本地进行程序的迭代优化,提高了车载域控制器程序的优化效率。
Description
技术领域
本申请涉及自动驾驶技术领域,尤其涉及一种车载域控制器程序优化***、方法、装置及车辆。
背景技术
自动驾驶车辆的车载域控制器是一种边缘计算嵌入式平台,用于运行自动驾驶程序。其中,已经部署在车载域控制器的自动驾驶程序需要进行迭代优化。
在现有技术中,通常是自动驾驶车辆将路测数据上传至云端服务器,由云端服务器基于得到的路测数据对自动驾驶程序进行迭代优化,并将优化后的自动驾驶程序重新迁移至车载域控制器。
但是,由于云端服务器和车载域控制器是不同的计算平台,程序迁移的过程较为繁琐,降低了车载域控制器程序的优化效率。
发明内容
本申请提供一种车载域控制器程序优化***、装置及车辆,以解决现有技术降低了车载域控制器程序的优化效率等缺陷。
本申请第一个方面提供一种车载域控制器程序优化***,包括:仿真数据信号源及车载域控制器;
所述仿真数据信号源用于获取车辆路测数据,将所述车辆路测数据转换为车载传感器端口数据,并通过所述车载域控制器的车载传感器接口将所述车载传感器端口数据发送至所述车载域控制器;
所述车载域控制器用于将所述车载传感器数据作为训练样本,修正自动驾驶程序的参数,以对所述自动驾驶程序进行迭代优化。
在一种可选的实施方式中,所述仿真数据信号源包括:光网络接口、硬盘接口及PCIe接口;
所述仿真数据信号源,具体用于:
基于所述光网络接口在云端服务器远程获取所述车辆路测数据,和/或基于所述硬盘接口在车辆硬盘设备获取所述车辆路测数据,和/或基于所述PCIe接口获取所述车辆路测数据。
在一种可选的实施方式中,所述自动驾驶程序包括感知域模型和决策域模型,所述车载域控制器,具体用于:
将所述车载传感器数据作为训练样本,修正所述感知域模型的参数,得到优化后的感知域模型;
基于所述优化后的感知域模型,生成优化感知数据;
基于所述优化感知数据,修正所述决策域模型的参数,以得到优化后的决策域模型。
在一种可选的实施方式中,所述车载传感器端口数据包括激光雷达数据,所述仿真数据信号源包括:主控芯片;
所述主控芯片用于根据所述车载域控制器的以太网类型,确定目标以太网拓扑结构,以基于所述目标以太网拓扑结构,向车载域控制器传输所述激光雷达数据。
在一种可选的实施方式中,所述主控芯片设有SGMII接口;所述仿真数据信号源还包括传统以太网PHY芯片;
当所述车载域控制器的以太网类型为传统以太网时,所述目标以太网拓扑结构为通过所述传统以太网PHY芯片,连通所述SGMII接口与车载域控制器的以太网电口。
在一种可选的实施方式中,所述主控芯片设有SMI接口;所述仿真数据信号源还包括车载以太网PHY芯片;
当所述车载域控制器的以太网类型为车载以太网时,所述目标以太网拓扑结构为通过所述车载以太网PHY芯片,连通所述SMI接口与车载域控制器的车载以太网接口。
在一种可选的实施方式中,所述车载传感器端口数据包括图像数据,所述仿真数据信号源包括图像传感器模组;
所述图像传感器模组用于对所述图像数据进行串化处理,以基于同轴线缆向所述车载域控制器传输串化处理后的图像数据。
在一种可选的实施方式中,所述车载域控制器设有Fakra接口;
所述图像传感器模组通过所述Fakra接口向所述车载域控制器传输串化处理后的图像数据。
在一种可选的实施方式中,所述图像传感器模组包括串化器,所述车载域控制器包括解串器。
在一种可选的实施方式中,所述仿真数据信号源包括FPGA,所述串化器连接所述FPGA的MIPI接口;
所述图像数据包括MIPI数据及图像控制信号。
在一种可选的实施方式中,所述图像传感器模组或所述车载域控制器包括图像信号处理器;
当所述图像传感器模组包括所述图像信号处理器时,基于所述图像信号处理器按照所述图像控制信号,对所述MIPI数据进行预处理,并将预处理后的MIPI数据传输至串化器,以基于所述串化器对预处理后的MIPI数据进行串化处理;
当所述车载域控制器包括所述图像信号处理器时,基于所述图像信号处理器按照所述图像控制信号对解串后的MIPI数据进行预处理。
在一种可选的实施方式中,所述图像控制信号包括所述串化器发送的触发信号,所述触发信号用于指定图像帧。
在一种可选的实施方式中,所述车载传感器端口数据包括毫米波雷达数据,所述仿真数据信号源包括:CAN物理层收发器;
所述CAN物理层收发器用于将所述毫米波雷达数据发送至所述车载域控制器的CAN接口;所述车载域控制器的车载传感器接口包括所述CAN接口。在一种可选的实施方式中,所述车辆路测数据至少包括当前车辆实测数据、路测车辆实测数据及前后车实测数据;
所述当前车辆实测数据、路测车辆实测数据及前后车实测数据均为多路传感器时间同步数据。
在一种可选的实施方式中,所述仿真数据信号源包括内存颗粒及固态存储器。
本申请第二个方面提供一种车载域控制器程序优化方法,包括:
获取车辆路测数据;
将所述车辆路测数据转换为车载传感器端口数据;
通过所述车载域控制器的车载传感器接口将所述车载传感器端口数据发送至所述车载域控制器,以使所述车载域控制器将所述车载传感器数据作为训练样本,修正自动驾驶程序的参数,以对所述自动驾驶程序进行迭代优化。
在一种可选的实施方式中,所述获取车辆路测数据,包括:
基于光网络接口在云端服务器远程获取所述车辆路测数据,和/或基于硬盘接口在车辆硬盘设备获取所述车辆路测数据,和/或基于PCIe接口获取所述车辆路测数据。
在一种可选的实施方式中,所述使所述车载域控制器将所述车载传感器数据作为训练样本,修正自动驾驶程序的参数,以对所述自动驾驶程序进行迭代优化,包括:
将所述车载传感器数据作为训练样本,修正所述感知域模型的参数,得到优化后的感知域模型;
基于所述优化后的感知域模型,生成优化感知数据;
基于所述优化感知数据,修正所述决策域模型的参数,以得到优化后的决策域模型。
在一种可选的实施方式中,所述车载传感器端口数据包括激光雷达数据,所述通过所述车载域控制器的车载传感器接口将所述车载传感器端口数据发送至所述车载域控制器,包括:
根据所述车载域控制器的以太网类型,确定目标以太网拓扑结构,以基于所述目标以太网拓扑结构,向车载域控制器传输所述激光雷达数据。
在一种可选的实施方式中,所述根据所述车载域控制器的以太网类型,确定目标以太网拓扑结构,包括:
当所述车载域控制器的以太网类型为传统以太网时,所述目标以太网拓扑结构为通过传统以太网PHY芯片,连通主控芯片的SGMII接口与车载域控制器的以太网电口。
在一种可选的实施方式中,所述根据所述车载域控制器的以太网类型,确定目标以太网拓扑结构,包括:
当所述车载域控制器的以太网类型为车载以太网时,所述目标以太网拓扑结构为通过车载以太网PHY芯片,连通所述主控芯片的SMI接口与车载域控制器的车载以太网接口。
在一种可选的实施方式中,所述车载传感器端口数据包括图像数据,所述通过所述车载域控制器的车载传感器接口将所述车载传感器端口数据发送至所述车载域控制器,包括:
基于图像传感器模组对所述图像数据进行串化处理,以基于同轴线缆向所述车载域控制器传输串化处理后的图像数据。
在一种可选的实施方式中,所述车载域控制器设有Fakra接口;所述基于同轴线缆向所述车载域控制器传输串化处理后的图像数据,包括:
所述图像传感器模组通过所述Fakra接口向所述车载域控制器传输串化处理后的图像数据。
在一种可选的实施方式中,所述图像传感器模组包括串化器,所述车载域控制器包括解串器。
在一种可选的实施方式中,所述图像数据包括MIPI数据及图像控制信号。
在一种可选的实施方式中,所述图像传感器模组或所述车载域控制器包括图像信号处理器,所述方法还包括:
当所述图像传感器模组包括所述图像信号处理器时,基于所述图像信号处理器按照所述图像控制信号,对所述MIPI数据进行预处理,并将预处理后的MIPI数据传输至串化器,以基于所述串化器对预处理后的MIPI数据进行串化处理;
当所述车载域控制器包括所述图像信号处理器时,基于所述图像信号处理器按照所述图像控制信号对解串后的MIPI数据进行预处理。
在一种可选的实施方式中,所述图像控制信号包括所述串化器发送的触发信号,所述触发信号用于指定图像帧。
所述车载传感器端口数据包括毫米波雷达数据,所述通过所述车载域控制器的车载传感器接口将所述车载传感器端口数据发送至所述车载域控制器,包括:
基于CAN物理层收发器将所述毫米波雷达数据发送至所述车载域控制器的CAN接口;所述车载域控制器的车载传感器接口包括所述CAN接口。在一种可选的实施方式中,所述车辆路测数据至少包括当前车辆实测数据、路测车辆实测数据及前后车实测数据;
所述当前车辆实测数据、路测车辆实测数据及前后车实测数据均为多路传感器时间同步数据。
本申请第三个方面提供一种车载域控制器程序优化装置,包括:
获取模块,用于获取车辆路测数据;
转换模块,用于将所述车辆路测数据转换为车载传感器端口数据;
优化模块,用于通过所述车载域控制器的车载传感器接口将所述车载传感器端口数据发送至所述车载域控制器,以使所述车载域控制器将所述车载传感器数据作为训练样本,修正自动驾驶程序的参数,以对所述自动驾驶程序进行迭代优化。
在一种可选的实施方式中,所述获取模块,具体用于:
基于光网络接口在云端服务器远程获取所述车辆路测数据,和/或基于硬盘接口在车辆硬盘设备获取所述车辆路测数据,和/或基于PCIe接口获取所述车辆路测数据。
在一种可选的实施方式中,所述自动驾驶程序包括感知域模型和决策域模型,所述优化模块,具体用于:
将所述车载传感器数据作为训练样本,修正所述感知域模型的参数,得到优化后的感知域模型;
基于所述优化后的感知域模型,生成优化感知数据;
基于所述优化感知数据,修正所述决策域模型的参数,以得到优化后的决策域模型。
在一种可选的实施方式中,所述车载传感器端口数据包括激光雷达数据,所述优化模块,具体用于:
根据所述车载域控制器的以太网类型,确定目标以太网拓扑结构,以基于所述目标以太网拓扑结构,向车载域控制器传输所述激光雷达数据。
在一种可选的实施方式中,所述优化模块,具体用于:
当所述车载域控制器的以太网类型为传统以太网时,所述目标以太网拓扑结构为通过传统以太网PHY芯片,连通主控芯片的SGMII接口与车载域控制器的以太网电口。
在一种可选的实施方式中,所述优化模块,具体用于:
当所述车载域控制器的以太网类型为车载以太网时,所述目标以太网拓扑结构为通过车载以太网PHY芯片,连通所述主控芯片的SMI接口与车载域控制器的车载以太网接口。
在一种可选的实施方式中,所述车载传感器端口数据包括图像数据,所述优化模块,具体用于:
基于图像传感器模组对所述图像数据进行串化处理,以基于同轴线缆向所述车载域控制器传输串化处理后的图像数据。
在一种可选的实施方式中,所述车载域控制器设有Fakra接口;所述优化模块,具体用于:
所述图像传感器模组通过所述Fakra接口向所述车载域控制器传输串化处理后的图像数据。
在一种可选的实施方式中,所述图像传感器模组包括串化器,所述车载域控制器包括解串器。
在一种可选的实施方式中,所述图像数据包括MIPI数据及图像控制信号。
在一种可选的实施方式中,所述图像传感器模组或所述车载域控制器包括图像信号处理器,所述优化模块,还用于:
当所述图像传感器模组包括所述图像信号处理器时,基于所述图像信号处理器按照所述图像控制信号,对所述MIPI数据进行预处理,并将预处理后的MIPI数据传输至串化器,以基于所述串化器对预处理后的MIPI数据进行串化处理;
当所述车载域控制器包括所述图像信号处理器时,基于所述图像信号处理器按照所述图像控制信号对解串后的MIPI数据进行预处理。
在一种可选的实施方式中,所述图像控制信号包括所述串化器发送的触发信号,所述触发信号用于指定图像帧。
在一种可选的实施方式中,所述车载传感器端口数据包括毫米波雷达数据,所述优化模块,具体用于:
基于CAN物理层收发器将所述毫米波雷达数据发送至所述车载域控制器的CAN接口;所述车载域控制器的车载传感器接口包括所述CAN接口。
在一种可选的实施方式中,所述车辆路测数据至少包括当前车辆实测数据、路测车辆实测数据及前后车实测数据;
所述当前车辆实测数据、路测车辆实测数据及前后车实测数据均为多路传感器时间同步数据。
本申请第四个方面提供一种车辆,包括:车辆主体及如上第一个方面以及第一个方面各种可能的设计所述的车载域控制器程序优化***。
本申请第五个方面提供一种电子设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第二个方面以及第二个方面各种可能的设计所述的方法。
本申请第六个方面提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第二个方面以及第二个方面各种可能的设计所述的方法。
本申请技术方案,具有如下优点:
本申请提供一种车载域控制器程序优化***、方法、装置及车辆,该***包括:仿真数据信号源及车载域控制器;仿真数据信号源用于获取车辆路测数据,将车辆路测数据转换为车载传感器端口数据,并通过车载域控制器的车载传感器接口将车载传感器端口数据发送至车载域控制器;车载域控制器用于将车载传感器数据作为训练样本,修正自动驾驶程序的参数,以对自动驾驶程序进行迭代优化。上述方案提供的***,通过将车辆路测数据转换为车载域控制器可读的车载传感器端口数据,以使车载域控制器可以在本地进行程序的迭代优化,提高了车载域控制器程序的优化效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为传统的车载域控制器程序优化流程示意图;
图2为本申请实施例提供的车载域控制器程序优化***的结构示意图;
图3为本申请实施例提供的仿真数据信号源的结构示意图;
图4为本申请实施例提供一种示例性的目标以太网拓扑结构示意图;
图5为本申请实施例提供另一种示例性的目标以太网拓扑结构示意图;
图6为本申请实施例提供的一种示例性的图像数据传输拓扑结构图;
图7为本申请实施例提供的另一种示例性的图像数据传输拓扑结构图;
图8为本申请实施例提供的图像数据传输流程示意图;
图9为本申请实施例提供的毫米波雷达数据传输流程示意图;
图10为本申请实施例提供的仿真数据信号源多机同步逻辑示意图;
图11为本申请实施例提供的车载域控制器程序优化***的交互示意图;
图12为本申请实施例提供的自动驾驶程序优化流程示意图;
图13为本申请实施例提供的车载域控制器程序优化方法的流程示意图;
图14为本申请实施例提供的车载域控制器程序优化装置的结构示意图;
图15为本申请实施例提供的车辆的结构示意图;
图16为本申请实施例提供的电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在以下各实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
车辆路测数据,尤其是车辆在道路测试中实际采集的传感器数据,对自动驾驶的算法(程序)实现有重要的推动作用。自动驾驶算法模型需对这些实际数据进行大量训练、调整,还需评估数据清洗后的有效性,并以此达到最优解。
相较于模拟器的仿真场景数据,路测实采数据对自动驾驶***的训练、优化具有更高的可用性。但是,真实场景中收集数据的成本是比较高的,因此,高效地利用这些原始数据,以此来训练和优化自动驾驶域控制器的软硬件***是自动驾驶仿真、在环测试以及***优化等多领域关注的问题。
自动驾驶技术是一种强AI应用场景,因此自动驾驶的算法与AI计算平台(服务器)有着天然的关联,自动驾驶算法以如下方式演进:首先基于模拟器在AI计算平台仿真和参数配置;进一步将计算平台迁移在车辆上进行实际路况的算法实现;在实际路况中优化计算平台硬件,解决工程化的环境适应性问题(例如环境温度、车辆震动、接口可靠性等对计算平台要求);最后实现低能耗、高可靠面向车辆应用场景的嵌入式计算平台并伴随软件代码和算法的迁移。
现阶段的路测数据应用主要包括以下过程:车辆(包括数据采集车或实际路测车辆)采集数据存储于车载计算平台的存储设备中,该过程一般称为数据“落盘”。运维人员将一段时间的落盘数据上传至云端服务器,称为“上云”。算法工程师在云端对数据进行检查和优化。优化的算法下发至车辆域控制器进行验证,并再次采集数据重复上述优化过程。如图1所示,为传统的车载域控制器程序优化流程示意图,自动驾驶的车载域控制器平台是一种边缘计算嵌入式平台,这种计算平台的应用场景与传统互联网行业以数据中心服务器的场景有差别。传统的互联网行业实现了软硬件的解耦,软件工程师可以远离硬件平台,优化迭代软件,优化后即可验证最终提供服务。相对的,自动驾驶的软件工程师所实现的代码最终需要在域控制器平台上实现车辆控制,而域控制器平台的硬件是个性化的,软件无法与硬件平台解耦。实际车辆的运行状态与软硬件均相关,无法集中大量的软件工程师在车辆测试现场进行开发。
采用云端开发、仿真的数据分析手段,最终仍需要实现下载到车载域控制器中的代码进行前文的数据采集-算法优化-验证算法再采集数据过程。另外,云端和车端是不同的计算平台,出现故障需要多方面排查(例如代码迁移问题,现场硬件或***问题等),自动驾驶域控制器的软硬件是强相关的,另外其软硬件的迭代优化又强依赖于路测实际采集的数据,导致现有技术降低了程序优化效率。
针对上述问题,本申请实施例提供一种车载域控制器程序优化***、方法、装置及车辆,该***包括:仿真数据信号源及车载域控制器;仿真数据信号源用于获取车辆路测数据,将车辆路测数据转换为车载传感器端口数据,并通过车载域控制器的车载传感器接口将车载传感器端口数据发送至车载域控制器;车载域控制器用于将车载传感器数据作为训练样本,修正自动驾驶程序的参数,以对自动驾驶程序进行迭代优化。上述方案提供的***,通过将车辆路测数据转换为车载域控制器可读的车载传感器端口数据,以使车载域控制器可以在本地进行程序的迭代优化,提高了车载域控制器程序的优化效率。
本申请实施例提供了一种车载域控制器程序优化***,用于对车载域控制器当前部署的自动驾驶程序进行迭代优化。如图2所示,为本申请实施例提供的车载域控制器程序优化***的结构示意图,该车载域控制器程序优化***包括:仿真数据信号源及车载域控制器。
其中,仿真数据信号源用于获取车辆路测数据,将车辆路测数据转换为车载传感器端口数据,并通过车载域控制器的车载传感器接口将车载传感器端口数据发送至车载域控制器;车载域控制器用于将车载传感器数据作为训练样本,修正自动驾驶程序的参数,以对自动驾驶程序进行迭代优化。
需要说明的是,由于车载域控制器在正常运行过程中,车载传感器通过相应的车载传感器接口向车载域控制器发送传感器数据,以使车载域控制器基于当前的自动驾驶程序,根据得到传感器数据确定相应的自动驾驶策略,因此车载域控制器只能读取车载传感器数据。
具体地,在通过多种方式得到车辆路测数据后,可以根据当前车辆路测数据的具体类型(如雷达数据和图像数据等),转换为相应的类型的车载传感器端口数据,进而通过相应的车载传感器端口将车载传感器端口数据传输至车载域控制器,以使车载域控制器可以正常读取,进而利用车载传感器数据对自动驾驶程序进行迭代优化,具体可以将车载传感器数据作为训练样本,对自动驾驶程序相关的机器学习模型进行迭代优化。
具体地,在一实施例中,车辆路测数据至少包括当前车辆实测数据、路测车辆实测数据及前后车实测数据;当前车辆实测数据、路测车辆实测数据及前后车实测数据均为多路传感器时间同步数据。
其中,路测车辆为专门用来采集实测数据的车辆。由于不同车辆对传感器有不同种类和数量的需求,因此仿真数据信号源的输出接口需要与车载传感器数量对齐。但是因为不同厂商和车辆的传感器配置不同,因此该半实物仿真数据源(仿真数据信号源)应支持并联属性,实现多传感器时间同步,以支持各种车辆更多数量的传感器信号需求。
在上述实施例的基础上,为了确保获取的车辆路测数据的可靠性,如图3所示,为本申请实施例提供的仿真数据信号源的结构示意图,作为一种可实施的方式,在一实施例中,仿真数据信号源包括:光网络接口。
其中,仿真数据信号源,具体可以基于光网络接口在云端服务器远程获取车辆路测数据,即通过光网络接口读取云端数据。
需要说明的是,云端服务器存储的车辆路测数据至少包括各自动驾驶车辆及路测车辆上云的车辆路测数据。
其中,如图3所示,仿真数据信号源还包括内存颗粒及固态存储器,相应地还包括用于控制内存颗粒的内存控制器。自动驾驶传感器半实物仿真数据信号源以FPGA为***主要处理器,其内部包括ARM处理器资源(一般称Prosessor System)和逻辑资源(Programming Logic),另外该FPGA的内存控制器外部挂载内存,既可以作为FPGA内部的处理器的主要存资源,又可以作为FPGA逻辑资源的缓存(Buffer),另外FPGA也包括存储***镜像的存储器资源和IO接口。该仿真数据信号源还包括电源模块和时钟模块,电源模块用于为整个仿真数据信号源供电,时钟模块用于保证车辆路测数据时间同步,为实现数据的时间同步,仿真数据信号源还包括时间同步信号输出接口及时间同步信号输入接口。为进一步保证该仿真数据信号源的数据通信能力,仿真数据信号源还设有USB接口及I2C UARTSPI接口。实现自动驾驶半实物仿真数据信号源,需要首先对齐目前自动驾驶车辆感知域的主要传感器,包括:激光雷达(Lidar)和图像传感器。其中激光雷达还包括主激光雷达和补盲激光雷达,图像传感器包括前视、环视、特定交通标识跟踪等。上述传感器还具有时间同步的要求。
具体地,在一实施例中,仿真数据信号源包括:硬盘接口(SATA接口);仿真数据信号源,具体可以基于硬盘接口在车辆硬盘设备获取车辆路测数据。
具体地,仿真数据信号源可以通过硬盘接口获取落盘后的车辆路测数据,其中,该车辆硬盘设备的存储数据来源于车辆路测采集传感器数据。
具体地,在一实施例中,仿真数据信号源包括:PCIe接口;仿真数据信号源,具体可以基于PCIe接口获取车辆路测数据。
具体地,可以将云端服务器等平台存储的车辆路测数据存储至PCIe卡,以通过将PCIe卡***仿真数据信号源的PCIe接口的方式,向仿真数据信号源提供车辆路测数据。
在上述实施例的基础上,作为一种可实施的方式,在一实施例中,车载传感器端口数据包括激光雷达数据,仿真数据信号源包括:主控芯片。
其中,主控芯片用于根据车载域控制器的以太网类型,确定目标以太网拓扑结构,以基于目标以太网拓扑结构,向车载域控制器传输激光雷达数据。
需要说明的是,早期自动驾驶车载激光雷达的数据输出接口多为以太网接口,因此多数路测车载域控制器直接或间接通过以太网电口(Copper)接入激光雷达数据。随着激光雷达技术的进步,成本降低,目前逐渐应用于新款量产车型,支持车载以太网(1000Base-T1)接口的激光雷达也进入市场。以太网接口(1000Base-T)与车载以太网(1000Base-T1)的物理层是不同的。为使本申请实施例提供的仿真数据信号源可以适用于各种车载域控制器,可以在仿真数据信号源中设置主控芯片,以基于该主控芯片根据车载域控制器的以太网类型,确定适应其以太网类型的目标以太网拓扑结构,进而基于目标以太网拓扑结构,向车载域控制器传输激光雷达数据,以确保车载域控制器能够正常读取仿真数据信号源向其传输的激光雷达数据。
具体地,在一实施例中,主控芯片设有SGMII接口;仿真数据信号源还包括传统以太网PHY芯片;当车载域控制器的以太网类型为传统以太网时,目标以太网拓扑结构为通过传统以太网PHY芯片,连通SGMII接口与车载域控制器的以太网电口。
其中,主控芯片可以采用MAC芯片。
相应地,在一实施例中,主控芯片设有SMI接口;仿真数据信号源还包括车载以太网PHY芯片;当车载域控制器的以太网类型为车载以太网时,目标以太网拓扑结构为通过车载以太网PHY芯片,连通SMI接口与车载域控制器的车载以太网接口。
示例性的,如图4所示,为本申请实施例提供一种示例性的目标以太网拓扑结构示意图,适用于以太网类型为传统以太网的车载域控制器,该传统以太网PHY芯片(图4中PHY)为支持RGMII接口和SGMII接口的以太网(1000Base-T)PHY芯片,例如Marvell公司的88E1512芯片(车规型号88EA1512),通过主控芯片的SMI接口配置数据通路。当模拟激光雷达由以太网(1000Base-T)电口(Copper)输出激光雷达数据时,配置该PHY接口为SGMII至Copper,此时其SGMII接口至RGMII接口是不连通的。
示例性的,如图5所示,为本申请实施例提供另一种示例性的目标以太网拓扑结构示意图,适用于以太网类型为车载以太网的车载域控制器,即当模拟车载以太网(1000Base-T1)接口的激光雷达时,配置该PHY接口为SGMII至RGMII,此时该PHY芯片的RGMII接口连接另一片支持车载以太网的PHY芯片,例如Marvell公司的88Q2112芯片,可以输出支持车载以太网(1000Base-T1)信息,同时可以通过主控芯片的SMI接口配置车载以太网PHY芯片的模式100Base-T1或1000Base-T1,并配置相应的Master(主)或Slave(从)模式。
具体地,当车辆包括多个激光雷达时,可以根据各激光雷达的以太网类型,平行地复制如图4或5所示的以太网拓扑结构,即可实现该信号源输出多个激光雷达数据,仿真目前车载感知域多激光雷达***。
在上述实施例的基础上,作为一种可实施的方式,在一实施例中,车载传感器端口数据包括图像数据,仿真数据信号源包括图像传感器模组。
其中,图像传感器模组用于对图像数据进行串化处理,以基于同轴线缆向车载域控制器传输串化处理后的图像数据。
具体地,图像数据包括MIPI数据,MIPI数据只能进行短距离的传输,为实现图像数据的长距离传输,基于图像传感器模组对图像数据进行串化处理,以使串化处理后的图像数据可以基于同轴线缆传输至车载域控制器。
具体地,在一实施例中,车载域控制器设有Fakra接口;图像传感器模组通过Fakra接口向车载域控制器传输串化处理后的图像数据。
其中,车载域控制器的Fakra接口即为其摄像头等图像传感器的数据交互接口。
具体地,在一实施例中,图像传感器模组包括串化器,车载域控制器包括解串器。
其中,仿真数据信号源包括FPGA,串化器连接FPGA的MIPI接口;图像数据包括MIPI数据及图像控制信号。
具体地,在一实施例中,图像传感器模组或车载域控制器包括图像信号处理器;当图像传感器模组包括图像信号处理器时,基于图像信号处理器按照图像控制信号,对MIPI数据进行预处理,并将预处理后的MIPI数据传输至串化器,以基于串化器对预处理后的MIPI数据进行串化处理;当车载域控制器包括图像信号处理器时,基于图像信号处理器按照图像控制信号对解串后的MIPI数据进行预处理。
示例性的,如图6所示,为本申请实施例提供的一种示例性的图像数据传输拓扑结构图,采用ISP(图像信号处理器)前置的车载图像采集。如图7所示,为本申请实施例提供的另一种示例性的图像数据传输拓扑结构图,采用ISP(图像信号处理器)后置的车载图像采集,图6和7中的ECU为车载域控制器的核心处理器。车载图像传感器与车载域控制器通常包括如图6和7所示的两种拓扑,两种拓扑的传输和控制链路中均包含一组信号的串化器(Serializer)和解串器(Deserializer),它们作用是将图像数据和/或控制信号串化成为高速信号并通过同轴线缆传输,以及将同轴线缆传输的高速信号解串化。作用是将CMOS传感器输出的MIPI信号转换为传输距离更远,抗干扰能力更强的高速串行信号。
具体地,在一实施例中,图像控制信号包括串化器发送的触发信号,触发信号用于指定图像帧。
其中,如图8所示,为本申请实施例提供的图像数据传输流程示意图,自动驾驶传感器半实物仿真数据信号源模拟车载图像传感器的数据接口实现是将图像数据的MIPI信号转换为高速串行数据链路信号,其中FPGA实现了MIPI接口和MIPI PHY功能,串化器通过MIPI接口连接FPGA,串化器输出高速串行数据链路信号。另一方面,需要由FPGA逻辑实现图像传感器数据流的控制及预处理等功能,其数据流控制功能包括车载域控制器通过高速串行链路的反向控制信号实现触发(传感器曝光)同步等功能,FPGA的数据流控制逻辑即包括接收串化器的触发信号,并输出指定图像帧的功能。
需要说明的是,自动驾驶感知域传感器时间同步是非常重要的,激光雷达和图像传感器需要同步,同一种传感器也需要时间同步,目前同步精度几百μs至几ms。一般地车辆路测采集数据即为同步数据。本申请实施例提供的半实物仿真数据信号源需要将不同传感器数据拆解并分发至各数据接口,需要识别原始数据的同步时间戳。对激光雷达信号,其数据包中包含GPRMC时间信息,根据传感器的发光原理可以精确至某一激光束激发时间,约为几十μs数量级。采集到路测数据中的图像传感器同步信号一般是基于激光雷达时间戳的帧同步触发信号。FPGA逻辑中需要识别该触发标志,并实现车载域控制器经串化器产生的触发信号控制图像数据流。
在上述实施例的基础上,作为一种可实施的方式,在一实施例中,所述车载传感器端口数据包括毫米波雷达数据,所述仿真数据信号源包括:CAN物理层收发器。
其中,所述CAN物理层收发器用于将所述毫米波雷达数据发送至所述车载域控制器的CAN接口;所述车载域控制器的车载传感器接口包括所述CAN接口。
具体地,如图9所示,为本申请实施例提供的毫米波雷达数据传输流程示意图,CANPHY即为CAN物理层收发器。其中,毫米波雷达数据只能基于CAN总线传输,但仿真数据信号源的主要处理器FPGA本身没有CAN接口,即无法直接连接CAN总线,因此在仿真数据信号源中设置CAN物理层收发器,以使FPGA可以基于CAN物理层收发器,将所述毫米波雷达数据发送至所述车载域控制器的毫米波雷达CAN接口。
示例性的,如图10所示,为本申请实施例提供的仿真数据信号源多机同步逻辑示意图,半实物仿真数据信号源支持多机时间同步,其单机包括支持时间同步信号的输入、输出信号,信号脉冲可以在多机同步。这种同步机制支持两种类型应用,一种是如图10域控制器I支持多路传感器,支持同步的多机可以接入域控制器I。另一种应用是域控制器I与域控制器II是两辆需要协同的车辆域控制器,可以基于同步数据对多台控制器协同仿真。
需要说明的是,自动驾驶采集的车辆路测数据需要反复训练和利用,才能不断提高自动驾驶***的性能和可靠性。利用采集到的数据,构建自动驾驶模型需要进行模型训练。模型训练是一个迭代的过程,需要不断将数据输入到模型中,训练出更加准确、可靠的自动驾驶模型。同时,反馈自然界的变化,对模型进行不断的优化,以更好的服务于人们的行车需求。
具体地,在一实施例中,如图11所示,为本申请实施例提供的车载域控制器程序优化***的交互示意图,所述自动驾驶程序包括感知域模型和决策域模型,所述车载域控制器,具体可以将所述车载传感器数据作为训练样本,修正所述感知域模型的参数,得到优化后的感知域模型;基于所述优化后的感知域模型,生成优化感知数据;基于所述优化感知数据,修正所述决策域模型的参数,以得到优化后的决策域模型。其中,如图11所示,车载域控制器包括感知域和决策域,感知域模型应用于感知域,决策域模型应用于决策域,仿真数据信号源主要与车载域控制器感知域通信。车载域控制器感知域预处理的数据回传半实物仿真数据信号源并作为其数据源之一,训练车载域控制器的数据预处理和识别。相应地,基于感知域的信息车载域控制器决策域也可以相应的进行训练,具体训练方式可以根据实际训练需求设定,本申请实施例不做限定。
其中,如图12所示,为本申请实施例提供的自动驾驶程序优化流程示意图,采集到的原始数据(车辆路测数据),经过仿真数据信号源处理后,得到车载传感器端口数据,从而将所述车载传感器数据作为训练样本。感知域模型的优化包括两个部分,一方面感知域预处理和算法参数的优化自身感知数据使用,另一方面通过修改对传感器的控制方式,尝试放弃部分原始数据(例如通过如图11所示的车载传感器控制接口修改感知域采样相机的帧率)。具体可以先基于训练样本,对感知域预处理和算法处理相关程序进行参数优化,然后再评估优化后的评估预处理和算法参数是否达到预设标准,若未达到,则重复基于训练样本,对感知域预处理和算法处理相关程序进行参数优化的步骤,若达到,则进一步对决策域模型进行参数优化处理(决策层处理),其中,决策域模型用于利用优化后的感知域模型提供的感知数据控制应用,因此可以基于优化后的感知域模型生成优化感知数据,进而将优化感知数据作为决策域训练样本,以优化决策域模型的参数,得到优化后的决策域模型,然后评估决策域模型中控制算法控制结果,若其结果表征的模型精度,未达到预设标准,则返回至基于训练样本,对感知域预处理和算法处理相关程序进行参数优化的步骤,直至决策域模型精度达到预设标准,确定完成感知控制***(车载域控制器程序)参数优化。
本申请实施例提供的车载域控制器程序优化***,包括:仿真数据信号源及车载域控制器;仿真数据信号源用于获取车辆路测数据,将车辆路测数据转换为车载传感器端口数据,并通过车载域控制器的车载传感器接口将车载传感器端口数据发送至车载域控制器;车载域控制器用于将车载传感器数据作为训练样本,修正自动驾驶程序的参数,以对自动驾驶程序进行迭代优化。
本申请实施例提供的***,通过提供一种复现路测数据的并具备与车载传感器信号接口一致的路测数据信号源,使其接入车载域控制器的感知信号具备与车载传感器的接入有相同的效果,即将车辆路测数据转换为车载域控制器可读的车载传感器端口数据,以使车载域控制器可以在本地进行程序的迭代优化,提高了车载域控制器程序的优化效率。并且,仿真数据信号源的车辆路测数据获取支持存储设备和网络获取,可以在实验室环境下与车载域控制器组成自动驾驶感知、决策***,是一种以半实物仿真的形式对车载域控制器的性能、算法进行优化,有利于研发人员集中解决问题。并且,该***的开发成本远低于路测车辆试验成本。
本申请实施例提供了一种车载域控制器程序优化方法,用于对车载域控制器当前部署的自动驾驶程序进行迭代优化。本申请实施例的执行主体为电子设备,比如服务器、台式电脑、笔记本电脑、平板电脑及其他可用于对车载域控制器当前部署的自动驾驶程序进行迭代优化的电子设备。
如图13所示,为本申请实施例提供的车载域控制器程序优化方法的流程示意图,该方法包括:
步骤1201,获取车辆路测数据;
步骤1202,将车辆路测数据转换为车载传感器端口数据;
步骤1203,通过车载域控制器的车载传感器接口将车载传感器端口数据发送至车载域控制器,以使车载域控制器将车载传感器数据作为训练样本,修正自动驾驶程序的参数,以对自动驾驶程序进行迭代优化。
具体地,在一实施例中,获取车辆路测数据,包括:
基于光网络接口在云端服务器远程获取车辆路测数据。
具体地,在一实施例中,获取车辆路测数据,包括:
基于硬盘接口在车辆硬盘设备获取车辆路测数据。
具体地,在一实施例中,获取车辆路测数据,包括:
基于PCIe接口获取车辆路测数据。
具体地,在一实施例中,使车载域控制器将所述车载传感器数据作为训练样本,修正自动驾驶程序的参数,以对自动驾驶程序进行迭代优化,包括:
将车载传感器数据作为训练样本,修正感知域模型和决策域模型的参数,以对自动驾驶程序进行迭代优化。
具体地,在一实施例中,车载传感器端口数据包括激光雷达数据,通过车载域控制器的车载传感器接口将车载传感器端口数据发送至车载域控制器,包括:
根据车载域控制器的以太网类型,确定目标以太网拓扑结构,以基于目标以太网拓扑结构,向车载域控制器传输激光雷达数据。
具体地,在一实施例中,根据车载域控制器的以太网类型,确定目标以太网拓扑结构,包括:
当车载域控制器的以太网类型为传统以太网时,目标以太网拓扑结构为通过传统以太网PHY芯片,连通主控芯片的SGMII接口与车载域控制器的以太网电口。
具体地,在一实施例中,根据车载域控制器的以太网类型,确定目标以太网拓扑结构,包括:
当车载域控制器的以太网类型为车载以太网时,目标以太网拓扑结构为通过车载以太网PHY芯片,连通主控芯片的SMI接口与车载域控制器的车载以太网接口。
具体地,在一实施例中,车载传感器端口数据包括图像数据,通过车载域控制器的车载传感器接口将车载传感器端口数据发送至车载域控制器,包括:
基于图像传感器模组对图像数据进行串化处理,以基于同轴线缆向车载域控制器传输串化处理后的图像数据。
具体地,在一实施例中,车载域控制器设有Fakra接口;基于同轴线缆向车载域控制器传输串化处理后的图像数据,包括:
图像传感器模组通过Fakra接口向车载域控制器传输串化处理后的图像数据。
具体地,在一实施例中,图像传感器模组包括串化器,车载域控制器包括解串器。具体地,在一实施例中,图像数据包括MIPI数据及图像控制信号。
具体地,在一实施例中,图像传感器模组或车载域控制器包括图像信号处理器,该方法还包括:
当图像传感器模组包括图像信号处理器时,基于图像信号处理器按照图像控制信号,对MIPI数据进行预处理,并将预处理后的MIPI数据传输至串化器,以基于串化器对预处理后的MIPI数据进行串化处理;
当车载域控制器包括图像信号处理器时,基于图像信号处理器按照图像控制信号对解串后的MIPI数据进行预处理。具体地,在一实施例中,图像控制信号包括串化器发送的触发信号,触发信号用于指定图像帧。
所述车载传感器端口数据包括毫米波雷达数据,所述通过所述车载域控制器的车载传感器接口将所述车载传感器端口数据发送至所述车载域控制器,包括:
基于CAN物理层收发器将所述毫米波雷达数据发送至所述车载域控制器的CAN接口;所述车载域控制器的车载传感器接口包括所述CAN接口。
具体地,在一实施例中,车辆路测数据至少包括当前车辆实测数据、路测车辆实测数据及前后车实测数据;
当前车辆实测数据、路测车辆实测数据及前后车实测数据均为多路传感器时间同步数据。
本申请实施例提供的车载域控制器程序优化方法,通过获取车辆路测数据;将车辆路测数据转换为车载传感器端口数据;通过车载域控制器的车载传感器接口将车载传感器端口数据发送至车载域控制器,以使车载域控制器将车载传感器数据作为训练样本,修正自动驾驶程序的参数,以对自动驾驶程序进行迭代优化。上述方案提供的方法,通过将车辆路测数据转换为车载域控制器可读的车载传感器端口数据,以使车载域控制器可以在本地进行程序的迭代优化,提高了车载域控制器程序的优化效率。
本申请实施例提供了一种车载域控制器程序优化装置,用于执行上述实施例提供的车载域控制器程序优化方法。
如图14所示,为本申请实施例提供的车载域控制器程序优化装置的结构示意图。该车载域控制器程序优化装置130包括:获取模块1301、转换模块1302及优化模块1303。
其中,获取模块,用于获取车辆路测数据;转换模块,用于将车辆路测数据转换为车载传感器端口数据;优化模块,用于通过车载域控制器的车载传感器接口将车载传感器端口数据发送至车载域控制器,以使车载域控制器将车载传感器数据作为训练样本,修正自动驾驶程序的参数,以对自动驾驶程序进行迭代优化。
具体地,在一实施例中,获取模块,具体用于:
基于光网络接口在云端服务器远程获取车辆路测数据。
具体地,在一实施例中,获取模块,具体用于:
基于硬盘接口在车辆硬盘设备获取车辆路测数据。
具体地,在一实施例中,获取模块,具体用于:
基于PCIe接口获取车辆路测数据。
具体地,在一实施例中,所述自动驾驶程序包括感知域模型和决策域模型,所述优化模块,具体用于:
将所述车载传感器数据作为训练样本,修正所述感知域模型的参数,得到优化后的感知域模型;
基于所述优化后的感知域模型,生成优化感知数据;
基于所述优化感知数据,修正所述决策域模型的参数,以得到优化后的决策域模型。
具体地,在一实施例中,车载传感器端口数据包括激光雷达数据,优化模块,具体用于:
根据车载域控制器的以太网类型,确定目标以太网拓扑结构,以基于目标以太网拓扑结构,向车载域控制器传输激光雷达数据。
具体地,在一实施例中,优化模块,具体用于:
当车载域控制器的以太网类型为传统以太网时,目标以太网拓扑结构为通过传统以太网PHY芯片,连通主控芯片的SGMII接口与车载域控制器的以太网电口。
具体地,在一实施例中,优化模块,具体用于:
当车载域控制器的以太网类型为车载以太网时,目标以太网拓扑结构为通过车载以太网PHY芯片,连通主控芯片的SMI接口与车载域控制器的车载以太网接口。
具体地,在一实施例中,车载传感器端口数据包括图像数据,优化模块,具体用于:
基于图像传感器模组对图像数据进行串化处理,以基于同轴线缆向车载域控制器传输串化处理后的图像数据。
具体地,在一实施例中,车载域控制器设有Fakra接口;优化模块,具体用于:
图像传感器模组通过Fakra接口向车载域控制器传输串化处理后的图像数据。
具体地,在一实施例中,图像传感器模组包括串化器,车载域控制器包括解串器。
具体地,在一实施例中,图像数据包括MIPI数据及图像控制信号。
具体地,在一实施例中,图像传感器模组或车载域控制器包括图像信号处理器,优化模块,还用于:
当图像传感器模组包括图像信号处理器时,基于图像信号处理器按照图像控制信号,对MIPI数据进行预处理,并将预处理后的MIPI数据传输至串化器,以基于串化器对预处理后的MIPI数据进行串化处理;
当车载域控制器包括图像信号处理器时,基于图像信号处理器按照图像控制信号对解串后的MIPI数据进行预处理。
具体地,在一实施例中,图像控制信号包括串化器发送的触发信号,触发信号用于指定图像帧。
具体地,在一实施例中,所述车载传感器端口数据包括毫米波雷达数据,所述优化模块,具体用于:
基于CAN物理层收发器将所述毫米波雷达数据发送至所述车载域控制器的CAN接口;所述车载域控制器的车载传感器接口包括所述CAN接口。
具体地,在一实施例中,车辆路测数据至少包括当前车辆实测数据、路测车辆实测数据及前后车实测数据;
当前车辆实测数据、路测车辆实测数据及前后车实测数据均为多路传感器时间同步数据。
关于本实施例中的车载域控制器程序优化装置,其中各个模块执行操作的具体方式已经在有关该***的实施例中进行了详细描述,此处将不做详细阐述说明。
本申请实施例提供的车载域控制器程序优化装置,用于执行上述实施例提供的车载域控制器程序优化装置方法,其实现方式与原理相同,不再赘述。
本申请实施例提供了一种车辆,如图15所示,为本申请实施例提供的车辆的结构示意图,包括:车辆主体及如上述实施例提供的车载域控制器程序优化***。
本申请实施例提供的车辆,通过提供一种复现路测数据的并具备与车载传感器信号接口一致的路测数据信号源,使其接入车载域控制器的感知信号具备与车载传感器的接入有相同的效果,即将车辆路测数据转换为车载域控制器可读的车载传感器端口数据,以使车载域控制器可以在本地进行程序的迭代优化,提高了车载域控制器程序的优化效率。并且,仿真数据信号源的车辆路测数据获取支持存储设备和网络获取,可以在实验室环境下与车载域控制器组成自动驾驶感知、决策***,是一种以半实物仿真的形式对车载域控制器的性能、算法进行优化,有利于研发人员集中解决问题。并且,该***的开发成本远低于路测车辆试验成本。
本申请实施例提供了一种电子设备,用于执行上述实施例提供的车载域控制器程序优化方法。
如图16所示,为本申请实施例提供的电子设备的结构示意图。该电子设备150包括:至少一个处理器151和存储器152。
存储器存储计算机执行指令;至少一个处理器执行存储器存储的计算机执行指令,使得至少一个处理器执行如上实施例提供的车载域控制器程序优化方法。
处理器可以是中央处理器,网络处理器或其组合。其中,处理器还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路,可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件,现场可编程逻辑门阵列,通用阵列逻辑或其任意组合。
其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行实现上述实施例示出的方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据一种小程序落地页的展现的计算机设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器可以包括易失性存储器,例如,随机存取存储器;存储器也可以包括非易失性存储器,例如,快闪存储器,硬盘或固态硬盘;存储器还可以包括上述种类的存储器的组合。
本申请实施例提供的一种电子设备,用于执行上述实施例提供的车载域控制器程序优化方法,其实现方式与原理相同,不再赘述。
本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当处理器执行计算机执行指令时,实现如上任一实施例提供的车载域控制器程序优化方法。
本申请实施例的包含计算机可执行指令的存储介质,可用于存储前述实施例中提供的车载域控制器程序优化方法的计算机执行指令,其实现方式与原理相同,不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,***或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施例方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (19)
1.一种车载域控制器程序优化***,其特征在于,包括:仿真数据信号源及车载域控制器;
所述仿真数据信号源用于获取车辆路测数据,将所述车辆路测数据转换为车载传感器端口数据,并通过所述车载域控制器的车载传感器接口将所述车载传感器端口数据发送至所述车载域控制器;
所述车载域控制器用于将所述车载传感器数据作为训练样本,修正自动驾驶程序的参数,以对所述自动驾驶程序进行迭代优化;
仿真数据信号源包括:光网络接口、硬盘接口及PCIe接口;
所述仿真数据信号源,具体用于:
基于所述光网络接口在云端服务器远程获取所述车辆路测数据,和/或基于所述硬盘接口在车辆硬盘设备获取所述车辆路测数据,和/或基于所述PCIe接口获取所述车辆路测数据。
2.根据权利要求1所述的***,其特征在于,所述自动驾驶程序包括感知域模型和决策域模型,所述车载域控制器,具体用于:
将所述车载传感器数据作为训练样本,修正所述感知域模型的参数,得到优化后的感知域模型;
基于所述优化后的感知域模型,生成优化感知数据;
基于所述优化感知数据,修正所述决策域模型的参数,以得到优化后的决策域模型。
3.根据权利要求1所述的***,其特征在于,所述车载传感器端口数据包括激光雷达数据,所述仿真数据信号源包括:主控芯片;
所述主控芯片用于根据所述车载域控制器的以太网类型,确定目标以太网拓扑结构,以基于所述目标以太网拓扑结构,向车载域控制器传输所述激光雷达数据。
4.根据权利要求3所述的***,其特征在于,所述主控芯片设有SGMII接口;所述仿真数据信号源还包括传统以太网PHY芯片;
当所述车载域控制器的以太网类型为传统以太网时,所述目标以太网拓扑结构为通过所述传统以太网PHY芯片,连通所述SGMII接口与车载域控制器的以太网电口。
5.根据权利要求3所述的***,其特征在于,所述主控芯片设有SMI接口;所述仿真数据信号源还包括车载以太网PHY芯片;
当所述车载域控制器的以太网类型为车载以太网时,所述目标以太网拓扑结构为通过所述车载以太网PHY芯片,连通所述SMI接口与车载域控制器的车载以太网接口。
6.根据权利要求1所述的***,其特征在于,所述车载传感器端口数据包括图像数据,所述仿真数据信号源包括图像传感器模组;
所述图像传感器模组用于对所述图像数据进行串化处理,以基于同轴线缆向所述车载域控制器传输串化处理后的图像数据。
7.根据权利要求6所述的***,其特征在于,所述车载域控制器设有Fakra接口;
所述图像传感器模组通过所述Fakra接口向所述车载域控制器传输串化处理后的图像数据。
8.根据权利要求6所述的***,其特征在于,所述图像传感器模组包括串化器,所述车载域控制器包括解串器。
9.根据权利要求8所述的***,其特征在于,所述仿真数据信号源包括FPGA,所述串化器连接所述FPGA的MIPI接口;
所述图像数据包括MIPI数据及图像控制信号。
10.根据权利要求9所述的***,其特征在于,所述图像传感器模组或所述车载域控制器包括图像信号处理器;
当所述图像传感器模组包括所述图像信号处理器时,基于所述图像信号处理器按照所述图像控制信号,对所述MIPI数据进行预处理,并将预处理后的MIPI数据传输至串化器,以基于所述串化器对预处理后的MIPI数据进行串化处理;
当所述车载域控制器包括所述图像信号处理器时,基于所述图像信号处理器按照所述图像控制信号对解串后的MIPI数据进行预处理。
11.根据权利要求9所述的***,其特征在于,所述图像控制信号包括所述串化器发送的触发信号,所述触发信号用于指定图像帧。
12.根据权利要求1所述的***,其特征在于,所述车载传感器端口数据包括毫米波雷达数据,所述仿真数据信号源包括:CAN物理层收发器;
所述CAN物理层收发器用于将所述毫米波雷达数据发送至所述车载域控制器的CAN接口;所述车载域控制器的车载传感器接口包括所述CAN接口。
13.根据权利要求1所述的***,其特征在于,所述车辆路测数据至少包括当前车辆实测数据、路测车辆实测数据及前后车实测数据;
所述当前车辆实测数据、路测车辆实测数据及前后车实测数据均为多路传感器时间同步数据。
14.根据权利要求1所述的***,其特征在于,所述仿真数据信号源包括内存颗粒及固态存储器。
15.一种车载域控制器程序优化方法,其特征在于,包括:
获取车辆路测数据;
将所述车辆路测数据转换为车载传感器端口数据;
通过所述车载域控制器的车载传感器接口将所述车载传感器端口数据发送至所述车载域控制器,以使所述车载域控制器将所述车载传感器数据作为训练样本,修正自动驾驶程序的参数,以对所述自动驾驶程序进行迭代优化;
所述获取车辆路测数据,包括:
基于光网络接口在云端服务器远程获取所述车辆路测数据,和/或基于硬盘接口在车辆硬盘设备获取所述车辆路测数据,和/或基于PCIe接口获取所述车辆路测数据。
16.一种车载域控制器程序优化装置,其特征在于,包括:
获取模块,用于获取车辆路测数据;
转换模块,用于将所述车辆路测数据转换为车载传感器端口数据;
优化模块,用于通过所述车载域控制器的车载传感器接口将所述车载传感器端口数据发送至所述车载域控制器,以使所述车载域控制器将所述车载传感器数据作为训练样本,修正自动驾驶程序的参数,以对所述自动驾驶程序进行迭代优化;
所述获取模块,具体用于:
基于光网络接口在云端服务器远程获取所述车辆路测数据,和/或基于硬盘接口在车辆硬盘设备获取所述车辆路测数据,和/或基于PCIe接口获取所述车辆路测数据。
17.一种车辆,其特征在于,包括:车辆主体及如权利要求1至14任一项所述的车载域控制器程序优化***。
18.一种电子设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求15所述的方法。
19.一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中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求15所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310879343.9A CN116594659B (zh) | 2023-07-18 | 2023-07-18 | 一种车载域控制器程序优化***、方法、装置及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310879343.9A CN116594659B (zh) | 2023-07-18 | 2023-07-18 | 一种车载域控制器程序优化***、方法、装置及车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116594659A CN116594659A (zh) | 2023-08-15 |
CN116594659B true CN116594659B (zh) | 2023-09-29 |
Family
ID=87594179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310879343.9A Active CN116594659B (zh) | 2023-07-18 | 2023-07-18 | 一种车载域控制器程序优化***、方法、装置及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116594659B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103777631A (zh) * | 2013-12-16 | 2014-05-07 | 北京交控科技有限公司 | 一种自动驾驶的控制***及方法 |
CN107200017A (zh) * | 2017-05-22 | 2017-09-26 | 北京联合大学 | 一种基于深度学习的无人驾驶车辆控制*** |
CN107479532A (zh) * | 2017-08-04 | 2017-12-15 | 安徽江淮汽车集团股份有限公司 | 一种智能汽车的域控制器测试***及方法 |
CN108268960A (zh) * | 2016-12-30 | 2018-07-10 | 乐视汽车(北京)有限公司 | 驾驶轨迹优化*** |
CN109801534A (zh) * | 2019-02-19 | 2019-05-24 | 上海思致汽车工程技术有限公司 | 基于自动驾驶模拟器的驾驶行为硬件在环仿真测试*** |
CN114379581A (zh) * | 2021-11-29 | 2022-04-22 | 江铃汽车股份有限公司 | 基于自动驾驶下的算法迭代***及方法 |
-
2023
- 2023-07-18 CN CN202310879343.9A patent/CN116594659B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103777631A (zh) * | 2013-12-16 | 2014-05-07 | 北京交控科技有限公司 | 一种自动驾驶的控制***及方法 |
CN108268960A (zh) * | 2016-12-30 | 2018-07-10 | 乐视汽车(北京)有限公司 | 驾驶轨迹优化*** |
CN107200017A (zh) * | 2017-05-22 | 2017-09-26 | 北京联合大学 | 一种基于深度学习的无人驾驶车辆控制*** |
CN107479532A (zh) * | 2017-08-04 | 2017-12-15 | 安徽江淮汽车集团股份有限公司 | 一种智能汽车的域控制器测试***及方法 |
CN109801534A (zh) * | 2019-02-19 | 2019-05-24 | 上海思致汽车工程技术有限公司 | 基于自动驾驶模拟器的驾驶行为硬件在环仿真测试*** |
CN114379581A (zh) * | 2021-11-29 | 2022-04-22 | 江铃汽车股份有限公司 | 基于自动驾驶下的算法迭代***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116594659A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110412374B (zh) | 一种基于多传感器的adas hil测试*** | |
CN110456757B (zh) | 一种无人驾驶车辆的整车测试方法及*** | |
CN103530216B (zh) | 一种基于uvm验证方法学的pcie验证*** | |
CN218332314U (zh) | 一种基于智能驾驶域控制器hil仿真测试平台 | |
CN110780608B (zh) | 仿真测试方法及装置 | |
CN105515911A (zh) | Can网络的网关自动测试***及方法 | |
CN111443620A (zh) | 智能车路协同***的测试设备和测试车 | |
CN110572307A (zh) | 一种自动驾驶车辆传感器数据采集测试平台 | |
CN102355011A (zh) | 一种车载电池管理单元的标定***及其标定方法 | |
CN116594659B (zh) | 一种车载域控制器程序优化***、方法、装置及车辆 | |
CN113326670A (zh) | 原型验证***、方法、处理单元、及设备 | |
CN112965470A (zh) | 一种商用车数据中心测试*** | |
CN116540563A (zh) | 一种自动驾驶的仿真测试*** | |
CN115384526A (zh) | 调试***和调试方法 | |
CN113341922B (zh) | 基于lcm的域控制器故障诊断*** | |
WO2022116873A1 (zh) | 仿真测试方法、装置及*** | |
CN214098179U (zh) | 一种用于驾驶辅助***的车载数据采集卡 | |
CN215340823U (zh) | 一种商用车数据中心测试*** | |
CN103746865A (zh) | Can通信***中节点应用层设备仿真测试*** | |
Miki et al. | Porting evaluation framework for self-driving software based on ROS 2 | |
US20240121352A1 (en) | Self-configuring recording device for image data of an imaging sensor device | |
CN103246607A (zh) | 航空相机地址位模式通信接口的仿真测试方法 | |
CN219890472U (zh) | 一种针对卫星载荷数据源成像模拟装置 | |
CN211826926U (zh) | 智能车路协同***的测试设备和测试车 | |
CN113467429B (zh) | 一种基于pcan-usb及adas控制器的实车场景回注***及方法 |
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 |