CN116820805A - 域控算力模型的资源分配方法、装置、设备及存储介质 - Google Patents
域控算力模型的资源分配方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116820805A CN116820805A CN202310801452.9A CN202310801452A CN116820805A CN 116820805 A CN116820805 A CN 116820805A CN 202310801452 A CN202310801452 A CN 202310801452A CN 116820805 A CN116820805 A CN 116820805A
- Authority
- CN
- China
- Prior art keywords
- model
- driving
- unit
- environment
- intelligent automobile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013468 resource allocation Methods 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 186
- 238000013507 mapping Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000008447 perception Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009133 cooperative interaction Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 102000037983 regulatory factors Human genes 0.000 description 1
- 108091008025 regulatory factors Proteins 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请提供一种域控算力模型的资源分配方法、装置、设备及存储介质,包括:识别智能汽车的第一驾驶场景;其中,第一驾驶场景用于表征智能汽车当前的驾驶环境;根据第一驾驶场景从至少一个算法模型中确定至少一个目标算法模型,并向目标算法模型中的至少一个模型单元分配运算资源;其中,模型单元用于通过运算资源实现智能汽车的自动驾驶;运算资源表征用于运行模型单元的运算单元的数量。本申请实现了基于驾驶场景对目标算法模型的可靠切换,使得目标算法模型能够根据分配到的运算资源进行自动驾驶,保证了智能汽车在任何驾驶环境下的自动驾驶的安全性和可靠性。
Description
技术领域
本申请涉及智能驾驶技术领域,尤其涉及一种域控算力模型的资源分配方法、装置、设备及存储介质。
背景技术
智能驾驶通常是采用大算力的域控算力模型实现,域控算力模型由多个独立的运算单元组成,每一运算单元运行独立的操作***,例如,域控算力模型具有四个运算单元(如orin,一种算力芯片)的自动驾驶域控制器,那么该域控算力模型即具有四个操作***,各个运算单元之间通信连接。
现有的智能汽车通常是对算法模型中的模型单元提供预先设定好的运算资源,然而,发明人发现,当前的自动驾驶通常是采用指定的算法模型,并调用该算法模型中的模型单元通过预先分配好的运算资源实现自动驾驶,一旦智能汽车所在的驾驶环境出现变化,将会导致该算法模型难以实现较为复杂的驾驶场景下的自动驾驶,导致智能汽车的自动驾驶的安全性和可靠性低下。
发明内容
本申请提供一种域控算力模型的资源分配方法、装置、设备及存储介质,用以解决当前的智能汽车一旦出现驾驶环境的变化,很容易导致算法模型中的一些模型单元分配的运算资源不足,而另一些模型单元分配到的运算资源过剩的情况发生,导致算法模型出现作业停止,进而造成智能汽车的自动驾驶出现卡顿的情况的问题。
第一方面,本申请提供一种域控算力模型的资源分配方法,所述域控算力模型包括至少一个运算单元;所述运算单元用于对智能汽车的至少一个算法模型提供运算资源;所述算法模型用于实现智能汽车的自动驾驶;
所述方法包括:
识别所述智能汽车的第一驾驶场景;其中,所述第一驾驶场景用于表征智能汽车当前的驾驶环境;
根据所述第一驾驶场景从至少一个所述算法模型中确定至少一个目标算法模型,并向所述目标算法模型中的至少一个模型单元分配运算资源;其中,所述模型单元用于通过所述运算资源实现所述智能汽车的自动驾驶;所述运算资源表征用于运行模型单元的运算单元的数量。
上述方案中,识别所述智能汽车的第一驾驶场景,包括:
接收车机终端发送的模式指令,提取所述模式指令中的第一驾驶场景;其中,所述模式指令是用户在车机上操作所生成的指令信息;或
采集环境信息,并根据所述环境信息确定所述智能汽车的第一驾驶场景;其中,所述环境信息包括智能汽车周围的车辆密度、智能汽车周围环境的能见度和智能汽车所在道路的复杂度。
上述方案中,根据所述环境信息确定所述智能汽车的第一驾驶场景,包括:
调用预置的分类模型根据所述环境信息,确定所述第一驾驶场景包括拥堵环境以及拥堵参数、低能见度环境以及低能见度参数、复杂环境以及复杂参数中的一种或几种环境及参数;其中,所述分类模型是用于确定第一驾驶场景的神经网络模型;所述拥堵参数用于表征驾驶环境的拥堵程度;所述低能见度参数用于表征驾驶环境的能见度;所述复杂参数用于表征驾驶环境的复杂程度。
上述方案中,根据所述环境信息确定所述智能汽车的第一驾驶场景,包括:
若确定所述车辆密度超过预置的密度阈值,则确定所述第一驾驶场景包括拥堵环境;
若确定所述能见度低于预置的能见度阈值,则确定所述第一驾驶场景包括低能见度环境;
若确定所述复杂度高于预置的复杂度阈值,则确定所述第一驾驶场景包括复杂环境。
上述方案中,所述算法模型包括N个模型单元;
所述运算资源的级别包括:M个优先级;第N优先级表征由第N数量的运算单元提供的运算资源;其中,所述M是大于1的自然数,N是大于1、且小于或等于M的自然数;从第一优先级对应的运算单元的数量,到第M优先级对应的运算单元的数量依次递减。
上述方案中,所述至少一个算法模型包括:
至少一个基础模型,所述基础模型用于实现智能汽车的汽车驾驶自动化功能;
至少一个保底安全模型,所述保底安全模型用于在实现智能汽车的自动驾驶时,对指定位置的障碍物进行感知和预测;
至少一个拥堵模型,所述拥堵模型用于在第一驾驶场景中包括拥堵环境时,实现智能汽车的自动驾驶;
至少一个低能见度模型,所述低能见度模型用于在第一驾驶场景中包括低能见度环境时,实现智能汽车的自动驾驶;
至少一个复杂模型,所述复杂模型用于在第一驾驶场景中包括复杂环境时,实现智能汽车的自动驾驶。
上述方案中,根据所述第一驾驶场景从至少一个所述算法模型中确定至少一个目标算法模型,包括:
将所述基础模型或所述基础模型和所述保底安全模型作为目标算法模型;
若确定所述第一驾驶场景包括拥堵环境,则将所述拥堵模型作为所述目标算法模型;
若确定所述第一驾驶场景包括低能见度环境,则将所述低能见度模型作为所述目标算法模型;
若确定所述第一驾驶场景包括复杂环境,则将所述复杂环境模型作为所述目标算法模型。
上述方案中,向所述目标算法模型中的至少一个模型单元分配运算资源,包括:
向所述目标算法模型的关键单元分配第一优先级的运算资源,并向所述目标算法模型的关联单元分配第二优先级的运算资源;其中,所述关键单元是算法模型是所述算法模型中算力消耗最大的模型单元;所述关联单元是依赖所述关键单元的模型单元;
若所述目标算法模型中具有Q个辅助单元,则所述辅助单元分配第P优先级的运算资源;其中,所述辅助单元是依赖所述关联单元的模型单元;P=Q+2,P是大于2、且小于或等于M的自然数。
上述方案中,向所述目标算法模型的关键单元分配第一优先级的运算资源之前,所述方法还包括:
从所述算法模型中获取映射规则,根据所述第一驾驶场景从所述映射规则获取至少一个第一类型的模型单元;其中,所述第一类型的模型单元是在实现与第一驾驶场景对应的自动驾驶时算力消耗最大的模型单元;
从所述算法模型中获取与每一第一类型的模型单元之间具有依赖关系的第二类型的模型单元;
若确定目标模型单元的类型包括第一类型,则确定所述目标模型单元为关键单元;若确定目标模型单元的类型包括第二类型、且不包括第一类型,则确定所述目标模型单元为关联单元;其中,所述目标模型单元是算法模型中的一个模型单元。
上述方案中,识别所述智能汽车的第一驾驶场景之前,所述方法还包括:
获取至少一个第二驾驶场景;其中,所述第一驾驶场景用于表征智能汽车历史上的驾驶环境;
获取算法模型在每一所述第二驾驶场景下的历史信息;其中,所述历史信息记载了算法模型中每一模型单元进行业务处理的数据量;所述业务处理是模型单元用于实现自动驾驶所处理的事务;
根据每一第二驾驶场景下的历史信息得到映射规则,并将所述映射规则载入所述算法模型中;其中,所述映射规则记载有每一第二驾驶场景对应的第一类型的模型单元。
上述方案中,根据每一第二驾驶场景下的历史信息得到映射规则,包括:
计算每一所述第二驾驶场景的历史信息中各模型单元的数据量,与所述算法模型的所有模型单元的数据量的总量的比值,得到每一所述第二驾驶场景下的每一模型单元的数据比例;
若确定目标驾驶场景下的一个数据比例大于预置的优先阈值,则将超过所述优先阈值的数据比例对应的模型单元的类型为第一类型,并所述第一类型的模型单元与所述目标驾驶场景之间构建映射关系;其中,所述目标驾驶场景是至少一个第二驾驶场景中的一个;
汇总每一所述第二驾驶场景的映射关系得到映射规则。
上述方案中,向所述目标算法模型中的至少一个模型单元分配运算资源之后,所述方法还包括:
控制所述算法模型中的各模型单元,根据各所述模型单元分配到的运算资源依次进行业务处理,以实现所述智能汽车的自动驾驶;其中,所述业务处理是模型单元用于实现自动驾驶中的指定功能所处理的事务,所述指定功能是实现自动驾驶的一个程序步骤。
第二方面,本申请提供一种域控算力模型的资源分配装置,所述域控算力模型包括至少一个运算单元;所述运算单元用于对智能汽车的算法模型提供运算资源;所述算法模型用于实现智能汽车的自动驾驶;
所述装置包括:
采集模块,用于识别所述智能汽车的第一驾驶场景;其中,所述第一驾驶场景用于表征智能汽车当前的驾驶环境;
分配模块,用于根据所述第一驾驶场景从至少一个所述算法模型中确定至少一个目标算法模型,并向所述目标算法模型中的至少一个模型单元分配运算资源;其中,所述模型单元用于通过所述运算资源实现所述智能汽车的自动驾驶;所述运算资源表征用于运行模型单元的运算单元的数量。
第三方面,本申请提供一种计算机设备,包括:处理器以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求上述的资源分配方法。
第四方面,本申请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,所述计算机执行指令被处理器执行时用于实现上述的资源分配方法。
第五方面,本申请提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述的资源分配方法。
本申请提供的一种域控算力模型的资源分配方法、装置、设备及存储介质,通过识别所述智能汽车的驾驶场景,以确定智能汽车当前处于何种驾驶环境。
通过根据所述第一驾驶场景从至少一个所述算法模型中确定至少一个目标算法模型,以确保目标算法模型与当前的驾驶环境是匹配的,进而实现了基于驾驶场景对目标算法模型的可靠切换;通过向所述目标算法模型中的至少一个模型单元分配运算资源,使得该目标算法模型能够根据分配到的运算资源进行自动驾驶,保证了智能汽车在任何驾驶环境下的自动驾驶的安全性和可靠性,避免了当前出现的一旦驾驶环境出现变化,目前的自动驾驶的算法模型,因难以实现较为复杂的驾驶场景下的自动驾驶,导致智能汽车的自动驾驶的安全性和可靠性低下的问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种应用场景示意图;
图2为本申请实施例提供的一种资源分配方法的实施例1的流程图;
图3为本申请实施例提供的一种资源分配方法的实施例2的流程图;
图4为本发明提供的一种资源分配装置的程序模块示意图;
图5为本发明计算机设备中计算机设备的硬件结构示意图。
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申请构思的范围,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
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
请参阅图1,本申请具体的应用场景为:
域控算力模型11包括至少一个运算单元12;运算单元12用于对智能汽车的算法模型13提供运算资源;算法模型13用于实现智能汽车的自动驾驶;运算单元12是用于提供业务处理的运算功能的计算机模块或计算机控制模块。
运行有域控算力模型的资源分配方法的控制模块14,与域控算力模型11中的每一运算单元12连接,控制模块14还与算法模型13连接;
控制模块14识别智能汽车的第一驾驶场景;其中,第一驾驶场景用于表征智能汽车当前的驾驶环境;
控制模块14根据第一驾驶场景从至少一个算法模型13中确定至少一个目标算法模型,并向目标算法模型中的至少一个模型单元15分配运算资源;其中,模型单元15用于通过运算资源实现智能汽车的自动驾驶;运算资源表征用于运行模型单元的运算单元的数量。
控制模块14与算法模型13中的每一模型单元15连接。模型单元15是用于实现智能汽车的自动驾驶中的一个或多个指定功能的计算机模块或计算机控制模块。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决现有技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
实施例1:
请参阅图2,本申请提供一种域控算力模型的资源分配方法,域控算力模型包括至少一个运算单元;运算单元用于对智能汽车的算法模型提供运算资源;算法模型用于实现智能汽车的自动驾驶;
方法包括:
S201:识别智能汽车的第一驾驶场景;其中,第一驾驶场景用于表征智能汽车当前的驾驶环境。
本步骤中,通过识别智能汽车的驾驶场景,以确定智能汽车当前处于何种驾驶环境。
在一个优选的实施例中,识别智能汽车的第一驾驶场景,包括:
接收车机终端发送的模式指令,提取模式指令中的第一驾驶场景;其中,模式指令是用户在车机上操作所生成的指令信息;或
采集环境信息,并根据环境信息确定智能汽车的第一驾驶场景;其中,环境信息包括智能汽车周围的车辆密度、智能汽车周围环境的能见度和智能汽车所在道路的复杂度。
示例性地,通过在车机终端发送指令页面,用于展示指令按键,指令按键包括:拥堵环境、低能见度环境和复杂环境。
环境信息中的车辆密度是交通密度是指在单位长度车道上,某一瞬时所存在的车辆数,一般用辆/(km·车道数)表示;也可用某个行车方向或某路段单位长度上的车辆数来度量。
能见度是反映大气透明度的一个指标,其定义为具有正常视力的人在当时的天气条件下能够看清目标轮廓的最大距离。
道路的复杂度表征智能汽车处于经常出现行人横穿马路,闯红灯,超车,并道的道路,和/或具有大量的行车标志和交通灯的道路。
进一步地,根据环境信息确定智能汽车的第一驾驶场景,包括:
调用预置的分类模型根据环境信息,确定第一驾驶场景包括拥堵环境以及拥堵参数、低能见度环境以及低能见度参数、复杂环境以及复杂参数中的一种或几种环境及参数;其中,分类模型是用于确定第一驾驶场景的神经网络模型;拥堵参数用于表征驾驶环境的拥堵程度;低能见度参数用于表征驾驶环境的能见度;复杂参数用于表征驾驶环境的复杂程度。
示例性地,可采用Transformer神经网络架构作为分类模型,以实现根据环境信息确定拥堵环境以及拥堵参数、低能见度环境以及低能见度参数、复杂环境以及复杂参数,Transformer是一个基于自注意力机制的全新神经网络架构,擅长处理语言理解任务,所需算力更少,进而把训练速度提升了一个数量级。
也可以采用卷积神经网络作为分类模型,卷积神经网络(Convolutional NeuralNetworks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(FeedforwardNeural Networks),是深度学***移不变分类(shift-invariant classification)。
进一步地,根据环境信息确定智能汽车的第一驾驶场景,包括:
若确定车辆密度超过预置的密度阈值,则确定第一驾驶场景包括拥堵环境;
若确定能见度低于预置的能见度阈值,则确定第一驾驶场景包括低能见度环境;
若确定复杂度高于预置的复杂度阈值,则确定第一驾驶场景包括复杂环境。
示例性地,假设密度阈值为100辆/km,如果发现车辆密度超过该密度阈值,则确定第一驾驶场景包括拥堵环境。
假设能见度阈值为100m,如果确定能见度低于100m,则确定第一驾驶场景包括复杂环境。
假设复杂度阈值包括:一天之内出现10次人横穿马路,闯红灯,超车,并道,和/或平均1km内具有两个或两个以上的行车标识的道路,如果确定道路复杂度高于该复杂度阈值,则确定第一驾驶场景包括复杂环境。
因此,本实例实现了对多种驾驶场景的识别的技术效果,以便于后续智能汽车能够在不同的驾驶环境下进行有针对性的运算资源分配的技术效果。
在一个示例性的实施例中,第一驾驶场景包括至少一个驾驶类型,驾驶类型包括:高速类型、市区类型、郊区类型、山路类型中的一种或几种;密度阈值包括高速密度阈值、市区密度阈值、郊区密度阈值和山路密度阈值中的一种或几种。
能见度阈值包括:高速能见度阈值、市区能见度阈值、郊区能见度阈值和山路能见度阈值中的一种或几种。
复杂阈值包括:高速复杂阈值、市区复杂阈值、郊区复杂阈值和山路复杂阈值中的一种或几种。
当第一驾驶场景的驾驶类型是高速类型时,密度阈值将为高速密度阈值、能见度阈值为高速能见度阈值、复杂阈值为高速复杂阈值,依次类推;以确保智能汽车在不同驾驶类型下,会使用不同阈值的驾驶场景,进而确保智能汽车在多种驾驶类型下的驾驶场景识别和确定,扩大了本申请的适用范围。
S202:根据第一驾驶场景从至少一个算法模型中确定至少一个目标算法模型,并向目标算法模型中的至少一个模型单元分配运算资源;其中,模型单元用于通过运算资源实现智能汽车的自动驾驶;运算资源表征用于运行模型单元的运算单元的数量。
本步骤中,通过根据第一驾驶场景从至少一个算法模型中确定至少一个目标算法模型,以确保目标算法模型与当前的驾驶环境是匹配的,进而实现了基于驾驶场景对目标算法模型的可靠切换;通过向目标算法模型中的至少一个模型单元分配运算资源,使得该目标算法模型能够根据分配到的运算资源进行自动驾驶,保证了智能汽车在任何驾驶环境下的自动驾驶的安全性和可靠性,避免了当前出现的一旦驾驶环境出现变化,目前的自动驾驶的算法模型,因难以实现较为复杂的驾驶场景下的自动驾驶,导致智能汽车的自动驾驶的安全性和可靠性低下的问题。
在一个优选的实施例中,算法模型包括N个模型单元;
运算资源的级别包括:M个优先级;第N优先级表征由第N数量的运算单元提供的运算资源;其中,M是大于1的自然数,N是大于1、且小于或等于M的自然数;从第一优先级对应的运算单元的数量,到第M优先级对应的运算单元的数量依次递减。
示例性地,算法模型的模型单元包括:感知单元、预测单元、规划单元、控制单元;其中,预测单元依赖感知单元,规划单元依赖预测单元,控制单元依赖规划单元。
感知单元用于采集环境信息,于本实施例中,采用相机、雷达等传感器作为感知单元,用以获取环境信息,如障碍物(其他汽车和人也算是障碍物)、车道线等。
预测单元(Motion Prediction)用于解决自动驾驶车辆与周围环境中的其它运动物体(车辆、行人等)的协同交互问题。该模块对感知模块所检测到的运动物体进行未来一段时间内行为意图的预测,并将预测的结果转化为时间维度和空间维度的轨迹。以这些障碍车、行人、非机动车等运动物体的预测轨迹作为输入,自动驾驶车辆可以做出更加合理的驾驶决策,规划出更加合理、安全的车辆运动行为。
规划单元用于基于预测单元的预测,规划出一条避开障碍物并且符合汽车动力学模型的路线,而控制模块需要保证汽车一丝不苟的按照规划的轨迹来行驶。
控制单元用于根据规划单元规划的轨迹,用PID方法或者MPC方法去控制汽车按照规划的路径行驶。
运算资源的级别包括:第一优先级、第二优先级、第三优先级和第四优先级;
第一优先级表征由第一数量的运算单元提供的运算资源;
第二优先级表征由第二数量的运算单元提供的运算资源;
第三优先级表征由第三数量运算单元提供的运算资源;
第四优先级表征由第四数量运算单元提供的运算资源;
其中,第一数量、第二数量、第三数量和第四数量分别为正有理数,第一数量大于第二数量,第二数量大于第三数量,第三数量大于第四数量。
在一个优选的实施例中,至少一个算法模型包括:
至少一个基础模型,基础模型用于实现智能汽车的汽车驾驶自动化功能;
至少一个保底安全模型,保底安全模型用于在实现智能汽车的自动驾驶时,对指定位置的障碍物进行感知和预测;
至少一个拥堵模型,拥堵模型用于在第一驾驶场景中包括拥堵环境时,实现智能汽车的自动驾驶;
至少一个低能见度模型,低能见度模型用于在第一驾驶场景中包括低能见度环境时,实现智能汽车的自动驾驶;
至少一个复杂模型,复杂模型用于在第一驾驶场景中包括复杂环境时,实现智能汽车的自动驾驶。
具体地,至少一个算法模型包括:
至少一个基础模型,基础模型用于实现智能汽车的汽车驾驶自动化功能;
示例性地,基础单元用于根据路况实现智能汽车的汽车驾驶自动化功能包括:L0、L1、L2、L3、L4、L5共六个等级;L0是应急辅助:车辆横向及纵向运动控制均由驾驶员完成,属于纯人工驾驶,汽车只负责执行命令并不进行驾驶干预。L1是部分辅助驾驶:驾驶自动化***在其设计运行条件内能够持续地执行车辆横向或纵向运动控制;驾驶员操作为主,行车电脑为辅助。主要运用的技术包括:车道保持、并线辅助、定速巡航、主动刹车等。实现了某一方面功能的自动,主要是缓解了驾驶员的驾驶疲劳。L2组合辅助驾驶:除上述功能外,还具备部分目标和事件探测与响应的能力。行车电脑为主,驾驶员为辅助。主要运用技术包括:ACC自适应巡航,自动泊车,自动变道等。这是目前绝大多数车企能达到的自动驾驶级别,可以自动完成某些驾驶任务,但仍然需要驾驶员监控行车状况与环境,随时接受车辆行车状况。L3是有条件自动驾驶:驾驶自动化***在其设计运行条件内持续地执行全部动态驾驶任务,动态驾驶任务接管用户能够以适当的方式执行动态驾驶任务接管。主要运用技术:更先进更精细化的传感技术,更智能的行车电脑。这个级别的自动驾驶是通过更快速,更有逻辑性智能的行车电脑通过GPS、雷达、摄像头等传感器获取并处理信息,已经能在某种情况下完全实行自动驾驶任务。但仍然需要驾驶员集中精力,以便应对行车电脑所不能处理的情况。L4是高度自动驾驶:驾驶自动化***在其设计运行条件内持续地执行全部动态驾驶任务和执行动态驾驶任务接管。当***发出接管请求时,若乘客无响应,***具备自动达到最小风险状态的能力。这个级别开始算得上真正的无人驾驶。车辆可以自动作出所有驾驶操作,自主决策,并且驾驶者无需任何操作,但是一般限定在可以及时更新的道路数据信息,有高清的GPS地图作为辅助。L5是完全自动驾驶:驾驶自动化***在任何可行驶条件下持续地执行全部动态驾驶任务和执行动态驾驶任务接管,除去商业和法规因素等限制外,5级驾驶自动化在车辆可行驶环境下没有设计运行条件的限制。无方向盘和油门刹车。主要运用技术是:远程遥控自动驾驶。
至少一个保底安全模型,保底安全模型用于在实现智能汽车的自动驾驶时,对指定位置的障碍物进行感知和预测。
示例性地,保底安全模型用于在实现智能汽车的自动驾驶时,感知智能汽车的指定位置(例如:距离智能汽车1m之内的范围、车底、死角位置)的障碍物(人、车、物体等)进行感知和预测,以确保智能汽车最基础的安全。保底安全模型的关键单元为感知单元,其用于通过超声波雷达和/或相机对超短距离(例如:1m)范围内的障碍物进行感知。保底安全模型的关联单元是预测单元,其用于对感知单元发送的信息进行预测,以确定超短距离内是否具有障碍物。
至少一个拥堵模型,拥堵模型用于在第一驾驶场景中包括拥堵环境时,实现智能汽车的自动驾驶。
至少一个低能见度模型,低能见度模型用于在第一驾驶场景中包括低能见度环境时,实现智能汽车的自动驾驶。
至少一个复杂模型,复杂模型用于在第一驾驶场景中包括复杂环境时,实现智能汽车的自动驾驶。
进一步地,不同的基础模型中的基础算法不同,基础算法是用于实现汽车驾驶自动化功能的计算机代码;智能汽车在实现汽车驾驶自动化功能时,可同时运行两个或两个以上的基础模型,以实现多个等级的驾驶自动化功能的同时实现,确保汽车自动驾驶的可靠性。
不同的保底安全模型中的保底安全算法不同,保底安全算法是在实现智能汽车的自动驾驶时,对指定位置的障碍物进行感知和预测的计算机算法;智能汽车在实现自动驾驶时,可同时运行两个或两个以上的保底安全模型,以实现基于不同的算法对指定位置的障碍物进行感知和预测,进而确保智能汽车的自动驾驶安全。
不同的拥堵模型中的拥堵算法不同,拥堵算法是用于在第一驾驶场景中包括拥堵环境时,实现智能汽车的自动驾驶的计算机算法。智能汽车在实现自动驾驶时,可同时运行两个或两个以上的拥堵模型,以实现基于不同的算法在拥堵环境下对智能汽车进行感知、预测、规划、执行,进而确保智能汽车的自动驾驶的安全性和可靠性。
不同的低能见度模型中的低能见度算法不同,低能见度算法是用于在第一驾驶场景中包括低能见度环境时,实现智能汽车的自动驾驶的计算机算法。智能汽车在实现自动驾驶时,可同时运行两个或两个以上的低能见度模型,以实现基于不同的算法在低能见度环境下对智能汽车进行感知、预测、规划和执行,进而确保智能汽车的自动驾驶的安全性和可靠性。
不同的复杂模型中的复杂算法不同,复杂算法是用于在第一驾驶场景中包括复杂环境时,实现智能汽车的自动驾驶的计算机算法。智能汽车在实现自动驾驶时,可同时运行两个或两个以上的复杂模型,以实现基于不同的算法在复杂环境下对智能汽车进行感知、预测、规划和执行,进而确保智能汽车的自动驾驶的安全性和可靠性。
在一个示例性的实施例中,根据第一驾驶场景从至少一个算法模型中确定至少一个目标算法模型,包括:
将基础模型或基础模型和保底安全模型作为目标算法模型;
若确定第一驾驶场景包括拥堵环境,则将拥堵模型作为目标算法模型;
若确定第一驾驶场景包括低能见度环境,则将低能见度模型作为目标算法模型;
若确定第一驾驶场景包括复杂环境,则将复杂环境模型作为目标算法模型。
在另一个示例性的实施例中,根据第一驾驶场景从至少一个算法模型中确定至少一个目标算法模型,还可包括:
将基础模型或基础模型和保底安全模型作为目标算法模型;
若确定第一驾驶场景包括拥堵环境和拥堵参数,则将拥堵模型作为目标算法模型,并将与拥堵参数对应的权重值***目标算法模型中;其中,权重值是基于拥堵环境的拥堵程度的权值,通过将权重值***目标算法模型中,以调整目标算法模型分配到的运算资源;例如:权重值是0.6,那么,将本应发送给目标算法模型的运算资源(例如:100),转为调整资源(例如:60),并其分配给拥堵模型。
若确定第一驾驶场景包括低能见度环境和低能见度参数,则将低能见度模型作为目标算法模型,并将与低能见度参数对应的权重值***目标算法模型中;其中,权重值是基于低能见度环境的低能见度程度的权值,通过将权重值***目标算法模型中,以调整目标算法模型分配到的运算资源;例如:权重值是0.6,那么,将本应发送给目标算法模型的运算资源(例如:100),转为调整资源(例如:60),并其分配给低能见度模型。
若确定第一驾驶场景包括复杂环境和复杂参数,则将复杂模型作为目标算法模型,并将与复杂参数对应的权重值***目标算法模型中;其中,权重值是基于复杂环境的复杂程度的权值,通过将权重值***目标算法模型中,以调整目标算法模型分配到的运算资源;例如:权重值是0.6,那么,将本应发送给目标算法模型的运算资源(例如:100),转为调整资源(例如:60),并其分配给复杂模型。
在一个优选的实施例中,向目标算法模型中的至少一个模型单元分配运算资源,包括:
向目标算法模型的关键单元分配第一优先级的运算资源,并向目标算法模型的关联单元分配第二优先级的运算资源;其中,关键单元是算法模型是算法模型中算力消耗最大的模型单元;关联单元是依赖关键单元的模型单元;
若目标算法模型中具有Q个辅助单元,则辅助单元分配第P优先级的运算资源;其中,辅助单元是依赖关联单元的模型单元;P=Q+2,P是大于2、且小于或等于M的自然数。
进一步地,向目标算法模型的关键单元分配第一优先级的运算资源之前,方法还包括:
从算法模型中获取映射规则,根据第一驾驶场景从映射规则获取至少一个第一类型的模型单元;其中,第一类型的模型单元是在实现与第一驾驶场景对应的自动驾驶时算力消耗最大的模型单元;
从算法模型中获取与每一第一类型的模型单元之间具有依赖关系的第二类型的模型单元;
若确定目标模型单元的类型包括第一类型,则确定目标模型单元为关键单元;若确定目标模型单元的类型包括第二类型、且不包括第一类型,则确定目标模型单元为关联单元;其中,目标模型单元是算法模型中的一个模型单元。
在一个示例性的实施例中,第一数量为四个运算单元,第二数量为两个运算单元,第三数量为一个运算单元,第四数量为半个运算单元。如果第一驾驶场景包括低能见度环境,并根据映射规则确定与低能见度环境的第一驾驶场景对应的第一类型为感知类型,那么,将感知类型对应的模型单元,即:感知单元作为关键单元,将预测单元为关联单元,并将规划单元和控制单元作为辅助单元。
因此,向感知单元分配由四个运算单元提供的运算资源,使四个运算单元运行感知单元;向预测单元分配由两个运算单元提供的运算资源,使两个运算单元运行预测单元;辅助单元有两个,那么,向规划单元和控制单元分别分配由半个运算单元提供的运算资源,使一个运算单元共同运行规划单元和控制单元。
实施例2:
请参阅图3,本申请提供一种域控算力模型的资源分配方法,域控算力模型包括至少一个运算单元;运算单元用于对智能汽车的至少一个算法模型提供运算资源;算法模型用于实现智能汽车的自动驾驶;
方法包括:
S301:获取至少一个第二驾驶场景;其中,第一驾驶场景用于表征智能汽车历史上的驾驶环境。
本步骤中,第二驾驶场景可包括:拥堵环境、低能见度环境和复杂环境中的一种或几种。
S302:获取算法模型在每一第二驾驶场景下的历史信息;其中,历史信息记载了算法模型中每一模型单元进行业务处理的数据量;业务处理是模型单元用于实现自动驾驶所处理的事务;
示例性地,通过历史数据采集算法或实时监控算法,获取算法模型在每一第二驾驶场景下的历史信息。
历史数据采集算法:通过访问智能汽车的车机、操作***、***日志中的一种或几种,采集算法模型在历史上每一第二驾驶场景下的历史信息。
实时监控算法:在试运行期间,实时监控智能汽车在每一第二驾驶场景下的,算法模型中每一模型单元的数据访问、计算任务和运行状态的实时数据,以作为历史信息。
S303:根据每一第二驾驶场景下的历史信息得到映射规则,并将映射规则载入算法模型中;其中,映射规则记载有每一第二驾驶场景对应的第一类型的模型单元。
在一个优选的实施例中,根据每一第二驾驶场景下的历史信息得到映射规则,包括:
计算每一第二驾驶场景的历史信息中各模型单元的数据量,与算法模型的所有模型单元的数据量的总量的比值,得到每一第二驾驶场景下的每一模型单元的数据比例;
若确定目标驾驶场景下的一个数据比例大于预置的优先阈值,则将超过优先阈值的数据比例对应的模型单元的类型为第一类型,并第一类型的模型单元与目标驾驶场景之间构建映射关系;其中,目标驾驶场景是至少一个第二驾驶场景中的一个;
汇总每一第二驾驶场景的映射关系得到映射规则。
示例性地,假设第二驾驶场景包括低能见度环境,根据历史信息得到的低能见度场景中的感知单元的数据比例是50%,预测单元的数据比例是25%,规划单元的数据比例是15%,控制单元的数据比例是10%,优先阈值是40%,那么,将感知单元的类型设为第一类型。
如果感知单元的数据比例是41%,预测单元的数据比例是41%,规划单元的数据比例是10%,控制单元的数据比例是8%,优先阈值是40%,那么,将感知单元和预测单元的类型分别设为第一类型。
假设感知单元的类型为第一类型,那么将获得映射关系:感知单元-第一类型-低能见度环境。依次类推将得到映射规则:
感知单元-第一类型-低能见度环境;
预测单元-第一类型-拥堵环境;
规划单元-第一类型-复杂环境。
S304:识别智能汽车的第一驾驶场景;其中,第一驾驶场景用于表征智能汽车当前的驾驶环境.
本步骤与实施例1中的S201一致,故在此不做赘述。
S305:根据第一驾驶场景从至少一个算法模型中确定至少一个目标算法模型,并向目标算法模型中的至少一个模型单元分配运算资源;其中,模型单元用于通过运算资源实现智能汽车的自动驾驶;运算资源表征用于运行模型单元的运算单元的数量。
本步骤与实施例1中的S202一致,故在此不做赘述。
S306:控制算法模型中的各模型单元,根据各模型单元分配到的运算资源依次进行业务处理,以实现智能汽车的自动驾驶;其中,业务处理是模型单元用于实现自动驾驶中的指定功能所处理的事务,指定功能是实现自动驾驶的一个程序步骤。
本步骤通过按照算法模型中各模型单元之间的依赖关系,依次运行各模型单元使其进行业务处理,实现智能汽车的自动驾驶。
实施例3:
请参阅图4,本申请提供一种域控算力模型的资源分配装置4,域控算力模型包括至少一个运算单元;运算单元用于对智能汽车的算法模型提供运算资源;算法模型用于实现智能汽车的自动驾驶;
装置包括:
采集模块44,用于识别智能汽车的第一驾驶场景;其中,第一驾驶场景用于表征智能汽车当前的驾驶环境;
分配模块45,用于根据第一驾驶场景从至少一个算法模型中确定至少一个目标算法模型,并向目标算法模型中的至少一个模型单元分配运算资源;其中,模型单元用于通过运算资源实现智能汽车的自动驾驶;运算资源表征用于运行模型单元的运算单元的数量。
可选的,域控算力模型的资源分配装置4,还包括:
场景输入模块41,用于获取至少一个第二驾驶场景;其中,第一驾驶场景用于表征智能汽车历史上的驾驶环境。
信息采集模块42,用于获取算法模型在每一第二驾驶场景下的历史信息;其中,历史信息记载了算法模型中每一模型单元进行业务处理的数据量;业务处理是模型单元用于实现自动驾驶所处理的事务。
规则创建模块43,用于根据每一第二驾驶场景下的历史信息得到映射规则,并将映射规则载入算法模型中;其中,映射规则记载有每一第二驾驶场景对应的第一类型的模型单元。
模型运行模块46,用于控制算法模型中的各模型单元,根据各模型单元分配到的运算资源依次进行业务处理,以实现智能汽车的自动驾驶;其中,业务处理是模型单元用于实现自动驾驶中的指定功能所处理的事务,指定功能是实现自动驾驶的一个程序步骤。
实施例4:
为实现上述目的,本申请还提供一种计算机设备5,包括:处理器52以及与处理器52通信连接的存储器51;存储器存储计算机执行指令;
处理器执行存储器51存储的计算机执行指令,以实现上述的资源分配方法,其中,资源分配装置的组成部分可分散于不同的计算机设备中,计算机设备5可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个应用服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于:可通过***总线相互通信连接的存储器51、处理器52,如图5所示。需要指出的是,图5仅示出了具有组件-的计算机设备,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。本实施例中,存储器51(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器51可以是计算机设备的内部存储单元,例如该计算机设备的硬盘或内存。在另一些实施例中,存储器51也可以是计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器51还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中,存储器51通常用于存储安装于计算机设备的操作***和各类应用软件,例如实施例三的资源分配装置的程序代码等。此外,存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。处理器52在一些实施例中可以是中央处理器(CentralProcessing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52通常用于控制计算机设备的总体操作。本实施例中,处理器52用于运行存储器51中存储的程序代码或者处理数据,例如运行资源分配装置,以实现上述实施例的资源分配方法。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块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)或处理器执行本申请各个实施例方法的部分步骤。应理解,上述处理器可以是中央处理单元(Central Processing Unit,简称CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合申请所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
为实现上述目的,本申请还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机执行指令,程序被处理器52执行时实现相应功能。本实施例的计算机可读存储介质用于存储实现资源分配方法的计算机执行指令,被处理器52执行时实现上述实施例的资源分配方法。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本申请提供一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现上述的资源分配方法。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (15)
1.一种域控算力模型的资源分配方法,其特征在于,所述域控算力模型包括至少一个运算单元;所述运算单元用于对智能汽车的至少一个算法模型提供运算资源;所述算法模型用于实现智能汽车的自动驾驶;
所述方法包括:
识别所述智能汽车的第一驾驶场景;其中,所述第一驾驶场景用于表征智能汽车当前的驾驶环境;
根据所述第一驾驶场景从至少一个所述算法模型中确定至少一个目标算法模型,并向所述目标算法模型中的至少一个模型单元分配运算资源;其中,所述模型单元用于通过所述运算资源实现所述智能汽车的自动驾驶;所述运算资源表征用于运行模型单元的运算单元的数量。
2.根据权利要求1所述的资源分配方法,其特征在于,识别所述智能汽车的第一驾驶场景,包括:
接收车机终端发送的模式指令,提取所述模式指令中的第一驾驶场景;其中,所述模式指令是用户在车机上操作所生成的指令信息;或
采集环境信息,并根据所述环境信息确定所述智能汽车的第一驾驶场景;其中,所述环境信息包括智能汽车周围的车辆密度、智能汽车周围环境的能见度和智能汽车所在道路的复杂度。
3.根据权利要求2所述的资源分配方法,其特征在于,根据所述环境信息确定所述智能汽车的第一驾驶场景,包括:
调用预置的分类模型根据所述环境信息,确定所述第一驾驶场景包括拥堵环境以及拥堵参数、低能见度环境以及低能见度参数、复杂环境以及复杂参数中的一种或几种环境及参数;其中,所述分类模型是用于确定第一驾驶场景的神经网络模型;所述拥堵参数用于表征驾驶环境的拥堵程度;所述低能见度参数用于表征驾驶环境的能见度;所述复杂参数用于表征驾驶环境的复杂程度。
4.根据权利要求2所述的资源分配方法,其特征在于,根据所述环境信息确定所述智能汽车的第一驾驶场景,包括:
若确定所述车辆密度超过预置的密度阈值,则确定所述第一驾驶场景包括拥堵环境;
若确定所述能见度低于预置的能见度阈值,则确定所述第一驾驶场景包括低能见度环境;
若确定所述复杂度高于预置的复杂度阈值,则确定所述第一驾驶场景包括复杂环境。
5.根据权利要求1所述的资源分配方法,其特征在于,所述算法模型包括N个模型单元;
所述运算资源的级别包括:M个优先级;第N优先级表征由第N数量的运算单元提供的运算资源;其中,所述M是大于1的自然数,N是大于1、且小于或等于M的自然数;从第一优先级对应的运算单元的数量,到第M优先级对应的运算单元的数量依次递减。
6.根据权利要求1所述的资源分配方法,其特征在于,所述至少一个算法模型包括:
至少一个基础模型,所述基础模型用于实现智能汽车的汽车驾驶自动化功能;
至少一个保底安全模型,所述保底安全模型用于在实现智能汽车的自动驾驶时,对指定位置的障碍物进行感知和预测;
至少一个拥堵模型,所述拥堵模型用于在第一驾驶场景中包括拥堵环境时,实现智能汽车的自动驾驶;
至少一个低能见度模型,所述低能见度模型用于在第一驾驶场景中包括低能见度环境时,实现智能汽车的自动驾驶;
至少一个复杂模型,所述复杂模型用于在第一驾驶场景中包括复杂环境时,实现智能汽车的自动驾驶。
7.根据权利要求6所述的资源分配方法,其特征在于,根据所述第一驾驶场景从至少一个所述算法模型中确定至少一个目标算法模型,包括:
将所述基础模型或所述基础模型和所述保底安全模型作为目标算法模型;
若确定所述第一驾驶场景包括拥堵环境,则将所述拥堵模型作为所述目标算法模型;
若确定所述第一驾驶场景包括低能见度环境,则将所述低能见度模型作为所述目标算法模型;
若确定所述第一驾驶场景包括复杂环境,则将所述复杂环境模型作为所述目标算法模型。
8.根据权利要求1所述的资源分配方法,其特征在于,向所述目标算法模型中的至少一个模型单元分配运算资源,包括:
向所述目标算法模型的关键单元分配第一优先级的运算资源,并向所述目标算法模型的关联单元分配第二优先级的运算资源;其中,所述关键单元是算法模型是所述算法模型中算力消耗最大的模型单元;所述关联单元是依赖所述关键单元的模型单元;
若所述目标算法模型中具有Q个辅助单元,则所述辅助单元分配第P优先级的运算资源;其中,所述辅助单元是依赖所述关联单元的模型单元;P=Q+2,P是大于2、且小于或等于M的自然数。
9.根据权利要求8所述的资源分配方法,其特征在于,向所述目标算法模型的关键单元分配第一优先级的运算资源之前,所述方法还包括:
从所述算法模型中获取映射规则,根据所述第一驾驶场景从所述映射规则获取至少一个第一类型的模型单元;其中,所述第一类型的模型单元是在实现与第一驾驶场景对应的自动驾驶时算力消耗最大的模型单元;
从所述算法模型中获取与每一第一类型的模型单元之间具有依赖关系的第二类型的模型单元;
若确定目标模型单元的类型包括第一类型,则确定所述目标模型单元为关键单元;若确定目标模型单元的类型包括第二类型、且不包括第一类型,则确定所述目标模型单元为关联单元;其中,所述目标模型单元是算法模型中的一个模型单元。
10.根据权利要求1所述的资源分配方法,其特征在于,识别所述智能汽车的第一驾驶场景之前,所述方法还包括:
获取至少一个第二驾驶场景;其中,所述第一驾驶场景用于表征智能汽车历史上的驾驶环境;
获取算法模型在每一所述第二驾驶场景下的历史信息;其中,所述历史信息记载了算法模型中每一模型单元进行业务处理的数据量;所述业务处理是模型单元用于实现自动驾驶所处理的事务;
根据每一第二驾驶场景下的历史信息得到映射规则,并将所述映射规则载入所述算法模型中;其中,所述映射规则记载有每一第二驾驶场景对应的第一类型的模型单元。
11.根据权利要求10所述的资源分配方法,其特征在于,根据每一第二驾驶场景下的历史信息得到映射规则,包括:
计算每一所述第二驾驶场景的历史信息中各模型单元的数据量,与所述算法模型的所有模型单元的数据量的总量的比值,得到每一所述第二驾驶场景下的每一模型单元的数据比例;
若确定目标驾驶场景下的一个数据比例大于预置的优先阈值,则将超过所述优先阈值的数据比例对应的模型单元的类型为第一类型,并所述第一类型的模型单元与所述目标驾驶场景之间构建映射关系;其中,所述目标驾驶场景是至少一个第二驾驶场景中的一个;
汇总每一所述第二驾驶场景的映射关系得到映射规则。
12.根据权利要求1所述的资源分配方法,其特征在于,向所述目标算法模型中的至少一个模型单元分配运算资源之后,所述方法还包括:
控制所述算法模型中的各模型单元,根据各所述模型单元分配到的运算资源依次进行业务处理,以实现所述智能汽车的自动驾驶;其中,所述业务处理是模型单元用于实现自动驾驶中的指定功能所处理的事务,所述指定功能是实现自动驾驶的一个程序步骤。
13.一种域控算力模型的资源分配装置,其特征在于,所述域控算力模型包括至少一个运算单元;所述运算单元用于对智能汽车的算法模型提供运算资源;所述算法模型用于实现智能汽车的自动驾驶;
所述装置包括:
采集模块,用于识别所述智能汽车的第一驾驶场景;其中,所述第一驾驶场景用于表征智能汽车当前的驾驶环境;
分配模块,用于根据所述第一驾驶场景从至少一个所述算法模型中确定至少一个目标算法模型,并向所述目标算法模型中的至少一个模型单元分配运算资源;其中,所述模型单元用于通过所述运算资源实现所述智能汽车的自动驾驶;所述运算资源表征用于运行模型单元的运算单元的数量。
14.一种计算机设备,其特征在于,包括:处理器以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1至12任一项所述的资源分配方法。
15.一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,所述计算机执行指令被处理器执行时用于实现如权利要求1至12任一项所述的资源分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310801452.9A CN116820805A (zh) | 2023-06-30 | 2023-06-30 | 域控算力模型的资源分配方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310801452.9A CN116820805A (zh) | 2023-06-30 | 2023-06-30 | 域控算力模型的资源分配方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116820805A true CN116820805A (zh) | 2023-09-29 |
Family
ID=88123847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310801452.9A Pending CN116820805A (zh) | 2023-06-30 | 2023-06-30 | 域控算力模型的资源分配方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116820805A (zh) |
-
2023
- 2023-06-30 CN CN202310801452.9A patent/CN116820805A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113165652B (zh) | 使用基于网格的方法检验预测轨迹 | |
WO2022007655A1 (zh) | 一种自动换道方法、装置、设备及存储介质 | |
US20210046910A1 (en) | Emergency braking for autonomous vehicles | |
CN112885145B (zh) | 路口风险预警的方法和装置 | |
US11693405B2 (en) | Systems for implementing fallback behaviors for autonomous vehicles | |
CN112172835B (zh) | 一种车辆预警方法、装置、设备及存储介质 | |
CN113924241B (zh) | 用于自主车辆的追踪消失对象 | |
CN115620540A (zh) | 用于自主驾驶交通工具的批量控制 | |
US20230071836A1 (en) | Scene security level determination method, device and storage medium | |
CN114239927A (zh) | 一种基于深度学习的区域交通事故预警方法及*** | |
CN114644016A (zh) | 车辆自动驾驶决策方法、装置、车载终端和存储介质 | |
CN110658820A (zh) | 无人驾驶车辆的控制方法及装置、电子设备、存储介质 | |
CN114763135A (zh) | 一种车辆行驶控制方法、装置、电子设备及存储介质 | |
CN116820805A (zh) | 域控算力模型的资源分配方法、装置、设备及存储介质 | |
CN114348014A (zh) | 车道偏离预警方法、装置、车辆和介质 | |
CN114154510A (zh) | 自动驾驶车辆的控制方法、装置、电子设备及存储介质 | |
US20230025222A1 (en) | Method and system for ctrolling intelligent network vehicle | |
WO2024009499A1 (ja) | 車載タスク分割システム及び車載タスク分割方法 | |
CN115457679B (zh) | 基于行车监测的互动方法、设备及介质 | |
CN115723776A (zh) | 一种自动驾驶决策方法、装置、设备及存储介质 | |
CN117985006A (zh) | 变道控制方法、装置、车辆、存储介质和程序产品 | |
CN115723786A (zh) | 障碍物的轨迹预测方法及装置、无人驾驶车辆及存储介质 | |
CN117037544A (zh) | 行人通行预警方法、装置、车载终端及存储介质 | |
CN117953609A (zh) | 自动驾驶车辆的事故数据处理方法、装置、设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |