一种自动驾驶规划模型的优化方法、装置、设备及介质与流程

1.本技术涉及计算机数据处理技术领域，尤其涉及一种自动驾驶规划模型的优化方法、装置、设备及介质。


背景技术：

2.随着智能驾驶技术的发展，智能驾驶车辆在行驶过程中可以利用平台，例如云控平台处的自动驾驶规划模型去生成驾驶策略，目前自动驾驶规划模型训练迭代优化通常是利用单车在驾驶过程中搭载传感器，通过传感器采集传感器感知范围内的包括其他车辆交通数据的环境数据，然后利用传感器采集的环境数据去检验迭代优化后的自动驾驶规划模型，即利用自车数据回灌的方法离线针对自动驾驶规划模型进行模型的在环测试、迭代优化；由于针对同一场景的自动驾驶规划模型进行测试，需要多辆车重复在同一区域内往复驾驶测试，以采集足够数量的相同场景下的环境数据，耗费时间长，从而无法对自动驾驶规划模型进行快速更新迭代。
3.基于此，如何提供一种自动驾驶规划模型的优化的方法以令自动驾驶决策规划算法可以快速进行迭代优化成为亟待解决的技术问题。


技术实现要素：

4.本说明书实施例提供一种自动驾驶规划模型的优化方法、装置及设备，以解决现有的模型的优化方法存在的优化迭代慢的问题。
5.为解决上述技术问题，本说明书实施例是这样实现的：
6.本说明书实施例提供的一种自动驾驶规划模型的优化方法，所述方法可以包括：
7.平台获取路侧设备上报的交通数据；
8.从所述交通数据中确定与预设交通场景识别规则相匹配的目标交通数据；
9.确定所述目标交通数据所涉及的目标车辆；
10.获取所述目标车辆在指定时间段内的人工驾驶数据；所述指定时间段至少包括所述路侧设备获取所述交通数据的第一时刻，以及所述第一时刻之后的预设时间范围；
11.利用所述路侧设备上报的交通数据以及所述人工驾驶数据针对自动驾驶规划模型进行优化；所述自动驾驶规划模型为用于针对自动驾驶车辆的行车状态进行规划的模型。
12.本说明书实施例提供的一种自动驾驶规划模型的优化装置，所述装置可以包括：
13.交通数据获取模块，用于平台获取路侧设备上报的交通数据；
14.目标交通数据确定模块，用于从所述交通数据中确定与预设交通场景识别规则相匹配的目标交通数据；
15.目标车辆确定模块，用于确定所述目标交通数据所涉及的目标车辆；
16.人工驾驶数据获取模块，用于获取所述目标车辆在指定时间段内的人工驾驶数据；所述指定时间段至少包括所述路侧设备获取所述交通数据的第一时刻，以及所述第一
时刻之后的预设时间范围；
17.模型优化模块，用于利用所述路侧设备上报的交通数据以及所述人工驾驶数据针对自动驾驶规划模型进行优化；所述自动驾驶规划模型为用于针对自动驾驶车辆的行车状态进行规划的模型。
18.本说明书实施例提供的一种自动驾驶规划模型的优化设备，所述设备可以包括：
19.至少一个处理器；以及，
20.与所述至少一个处理器通信连接的存储器；其中，
21.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
22.获取路侧设备上报的交通数据；
23.从所述交通数据中确定与预设交通场景识别规则相匹配的目标交通数据；
24.确定所述目标交通数据所涉及的目标车辆；
25.获取所述目标车辆在指定时间段内的人工驾驶数据；所述指定时间段至少包括所述路侧设备获取所述交通数据的第一时刻，以及所述第一时刻之后的预设时间范围；
26.利用所述路侧设备上报的交通数据以及所述人工驾驶数据针对自动驾驶规划模型进行优化；所述自动驾驶规划模型为用于针对自动驾驶车辆的行车状态进行规划的模型。
27.本说明书实施例提供的一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现一种自动驾驶规划模型的优化方法。
28.本说明书中至少一个实施例能够达到以下有益效果：通过平台获取路侧设备上报的交通数据，以从交通数据中确定与预设交通场景识别规则相匹配的目标交通数据，从而确定目标交通数据所涉及的目标车辆，以获取目标车辆处于预设交通场景下的指定时间段内，人工驾驶所述目标车辆的人工驾驶数据，从而利用人工驾驶数据以及交通数据针对自动驾驶规划模型进行优化。由于用于训练自动驾驶规划模型的数据可以利用平台通过路侧设备获取，而无需利用车辆通过搭载传感器去采集，且路侧设备可以在较短时间内获取大量不同预设交通场景下的交通数据，从而减少交通数据的采集时间，同时从交通数据中确定满足预设交通场景识别规则的目标交通数据所涉及的目标车辆，以从所述交通数据中获取所述目标车辆在指定时间段内的人工驾驶数据，从而减少人工驾驶数据的获取时间，进而提高自动驾驶规划模型的优化效率。
附图说明
29.为了更清楚地说明本说明书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简单地介绍，显而易见地，下面描述中的附图仅仅是本技术中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
30.图1是本说明书实施例提供的一种自动驾驶规划模型的优化方法的流程示意图；
31.图2是本说明书实施例提供的一种自动驾驶规划模型的优化装置的结构示意图；
32.图3是本说明书实施例提供的一种自动驾驶规划模型的优化设备的结构示意图。
具体实施方式
33.为使本说明书一个或多个实施例的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书一个或多个实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书一个或多个实施例保护的范围。
34.以下结合附图，详细说明本说明书各实施例提供的技术方案。
35.现有技术中，自动驾驶规划模型训练迭代优化通常是利用单车在自动驾驶过程中搭载传感器，通过传感器采集传感器感知范围内的包括其他车辆交通数据的环境数据，然后利用传感器采集的环境数据去检验迭代优化后的自动驾驶规划模型，即利用自车数据回灌的方法离线针对自动驾驶规划模型进行模型的在环测试、迭代优化；由于针对同一场景的自动驾驶规划模型进行测试，需要多辆车重复在同一区域内往复驾驶测试，以采集足够数量的相同场景下的环境数据，耗费时间长，从而无法对自动驾驶规划模型进行快速更新迭代。
36.为了解决现有技术中的缺陷，本方案给出了以下实施例：
37.图1为本说明书实施例提供的一种自动驾驶规划模型的优化方法的流程示意图。从程序角度而言，流程的执行主体可以为搭载于应用服务器的程序或应用客户端。
38.如图1所示，该流程可以包括以下步骤：
39.步骤102：平台获取路侧设备上报的交通数据。
40.在本说明书实施例中，所述平台可以是云控平台，当然也可以是其他可以用于接收交通数据的平台，在此不做具体限定。
41.在本说明书实施例中，所述路侧设备可以包括用于获取车辆运行的视频数据的设备，例如摄像头，还可以包括雷达设备以及路侧计算单元(roadside computingunit，英文简称rcu)等其他可以用于获取车辆运行数据的设备，所述路侧设备可以获取路侧设备感知范围内的交通数据，并可以将获取的交通数据上报到云控平台。
42.在本说明书实施例中，所述交通数据可以包括路侧感知设备感知范围内的车辆的运行数据。
43.在本说明书实施例中，平台通过路侧设备可以在短时间内获取大量的交通数据，以便于后续利用大量的交通数据针对自动驾驶规划模型进行优化并验证优化后的自动驾驶规划模型。
44.步骤104：从所述交通数据中确定与预设交通场景识别规则相匹配的目标交通数据。
45.在本说明书实施例中，所述预设交通场景识别规则为交通场景识别规则中的任意一种，在实际应用中可以通过判断路侧感知设备内的车辆的运行数据是否满足预设交通场景识别规则，从而从所述交通数据中确定出满足不同预设交通场景识别规则的目标交通数据，以便于后续得到不同交通场景的驾驶数据，进而训练优化不同交通场景的自动驾驶规划模型。
46.在实际应用中，所述交通场景识别规则可以包括：左车道超车识别规则、右车道超车识别规则、驶出匝道识别规则、左车道变道识别规则、右车道变道识别规则等，本领域技
术人员可以理解的，所述交通场景识别规则还可以包括其他交通场景识别规则，在此不做具体限定。
47.步骤106：确定所述目标交通数据所涉及的目标车辆。
48.在本说明书实施例中，所述目标交通数据可以为所述目标车辆的运行数据，所述目标车辆处于路侧设备的感知范围内。
49.步骤108：获取所述目标车辆在指定时间段内的人工驾驶数据；所述指定时间段至少包括所述路侧设备获取所述交通数据的第一时刻，以及所述第一时刻之后的预设时间范围。
50.在本说明书实施例中，假设目标车辆没有处于交通场景下或没有发生交通场景事件时，则所述车辆通常可以以预设的速度、预设的加速度行驶，所述车辆可以包括目标车辆。
51.在本说明书实施例中，所述指定时间段可以是所述目标车辆处于预设交通场景的时间段，所述预设时间范围可以根据预设交通场景持续的时间具体设定，也可以设定为具体定值，在此不做具体限定；所述人工驾驶数据可以是在指定时间段内人工驾驶所述目标车辆的数据，所述人工驾驶数据可以包括：目标车辆在指定时间段内车辆位置数据、车辆速度数据、车辆加速度数据等，可以理解的，所述人工驾驶数据也可以从交通数据中确定。
52.在本说明书实施例中，可以获取相同的预设交通场景下的目标车辆的人工驾驶数据，以便于后续利用相同的预设交通场景下的目标车辆的人工驾驶数据针对自动驾驶规划模型进行预设交通场景的进行训练，在实际应用中，可以分别利用不同的预设交通场景下的目标车辆的人工驾驶数据去训练不同交通场景下的自动驾驶规划模型。
53.步骤110：利用所述路侧设备上报的交通数据以及所述人工驾驶数据针对自动驾驶规划模型进行优化；所述自动驾驶规划模型为用于针对自动驾驶车辆的行车状态进行规划的模型。
54.在本说明书实施例中，可以利用人工驾驶数据作为自动驾驶规划模型的输出目标，以路侧设备上报的交通数据作为自动驾驶规划模型的训练数据，输入到到自动驾驶规划模型中得到自动驾驶数据，并将自动驾驶数据与人工驾驶数据比较，从而训练自动驾驶规划模型。
55.应当理解，本说明书一个或多个实施例所述的方法其中部分步骤的顺序可以根据实际需要相互交换，或者其中的部分步骤也可以省略或删除。
56.图1中的方法，通过平台获取路侧设备上报的交通数据，以从交通数据中确定出与预设交通场景识别规则相匹配的目标交通数据，从而确定目标交通数据所涉及的目标车辆，以获取目标车辆在处于预设交通场景下的指定时间段内，人工驾驶所述目标车辆的人工驾驶数据，从而利用人工驾驶数据以及交通数据针对自动驾驶规划模型进行优化。由于用于训练自动驾驶规划模型的数据可以利用平台通过路侧设备获取，而无需利用车辆通过搭载传感器去采集，且路侧设备可以在较短时间内获取大量不同预设交通场景下的交通数据，从而减少交通数据的采集时间，同时从交通数据中确定满足预设交通场景识别规则的目标交通数据所涉及的目标车辆，以从所述交通数据中获取所述目标车辆在指定时间段内的人工驾驶数据，从而减少人工驾驶数据的获取时间，进而更进一步提高自动驾驶规划模型的优化效率。
57.基于图1的方法，本说明书实施例还提供了该方法的一些具体实施方式，下面进行说明。
58.可选的，所述路侧设备上报的交通数据，具体可以包括：
59.路侧设备获取的路测设备感知范围内的车辆的运行数据，所述运行数据具体可以包括：车辆位置数据、车辆速度数据、车辆加速度数据、车辆航向角数据中的至少一种。
60.在本说明书实施例中，还提供了从所述交通数据中确定与预设交通场景识别规则相匹配的目标交通数据的实现方式。
61.具体的，所述从所述交通数据中确定与预设交通场景识别规则相匹配的目标交通数据，具体可以包括：
62.判断所述车辆的运行数据是否满足预设交通场景识别规则，得到判断结果；所述车辆为所述路侧设备感知范围内的任一车辆；所述预设交通场景识别规则包括：左车道超车识别规则、右车道超车识别规则、驶出匝道识别规则、左车道变道识别规则、右车道变道识别规则中的任意一种。
63.若所述判断结果表示所述车辆的交通数据满足预设交通场景识别规则，则
64.将所述车辆的交通数据确定为与所述预设交通场景识别规则相匹配的目标交通数据。
65.在实际应用中，不同的预设交通场景识别规则不同，且规则对应的识别的数据也不同，通常可以针对路侧设备感知范围内的任一车辆的运行数据去判断车辆的运行数据是否满足预设交通场景识别规则，从而根据满足预设交通场景识别规则的目标交通数据去确定发生交通场景事件的目标车辆。
66.在本说明书实施例中，例如，左车道变道识别规则可以表示为：车辆的航向角相较于上一时刻向左发生偏转，后某一时刻所述车辆的航向角相较于上一时刻偏转较小或偏转小于预设阈值，且车辆位置由第一车道变道到第二车道；在实际应用中，预设交通场景识别规则可以根据需要进行具体设定，在此不做赘述。
67.在本说明书实施例中，路侧设备上报的交通数据通常包含了路侧设备感知范围内的所有车辆的运行数据，本领域技术人员可以理解的，也包含了对目标车辆的运行没有影响的冗余数据，而减少冗余数据，可有效提高优化自动驾驶规划模型的训练数据的质量，从而提高自动驾驶规划模型的准确率。
68.基于此，所述利用所述路侧设备上报的交通数据以及所述人工驾驶数据针对自动驾驶规划模型进行优化之前，还可以包括：
69.从所述交通数据中确定所述目标车辆所涉及的交通场景的相关交通数据，所述相关交通数据具体包括：所述目标车辆的运行数据，位于所述目标车辆预设范围内的指定车辆的运行数据以及所述指定车辆与所述目标车辆的相对运行数据。
70.所述利用所述路侧设备上报的交通数据以及所述人工驾驶数据针对自动驾驶规划模型进行优化，具体可以包括：
71.利用所述目标车辆所涉及的交通场景的相关交通数据，以及所述人工驾驶数据针对适用于所述交通场景的自动驾驶规划模型进行优化。
72.在本说明书实施例中，所述预设范围可以根据需要具体进行设定，例如，假设目标车辆所涉及的交通场景为左车道变道，则预设范围可以包括目标车辆当前车道中距离目标
车辆第一预设距离内的范围，以及在左侧车道中距离目标车辆第二预设距离内的范围；本领域技术人员可以理解的不同的交通场景可以设置不同的预设范围，在此不做具体限定。
73.在本说明书实施例中，所述指定车辆为在预设范围内的可能影响目标车辆运行的车辆。
74.在本说明书实施例中，目标车辆所涉及的交通场景的相关交通数据可以包括影响目标车辆运行的指定车辆的运行数据，以及，目标车辆的运行数据，且还可以包括根据目标车辆的运行数据以及指定车辆的运行数据计算得到的目标车辆相对于指定车辆的运行数据。
75.在本说明书实施例中，通过选取与目标车辆所涉及的交通的相关交通数据，以减少冗余数据，从而有效提高优化自动驾驶规划模型的训练数据的质量，进而提高优化的自动驾驶规划模型的准确率。
76.在本说明书实施例中，通常在相同交通场景下不同的驾驶员也会有不同的驾驶操作，例如，针对同一交通场景，有的驾驶员的踩刹车和油门的力度大，而有的驾驶员踩刹车和油门的力度小，从而使得相同交通场景下的人工驾驶数据存在较大差异。
77.基于此，所述利用所述路侧设备上报的交通数据以及所述人工驾驶数据针对自动驾驶规划模型进行优化之前，还可以包括：
78.针对所述目标车辆在所述指定时间段内的所述人工驾驶数据进行聚类，得到多种类型的聚类后人工驾驶数据。
79.确定指定类型的聚类后人工驾驶数据所适用的指定自动驾驶规划模型；所述指定类型的聚类后人工驾驶数据为多种类型的聚类后人工驾驶数据中的任意一种。
80.确定所述指定类型的聚类后人工驾驶数据所涉及的指定目标车辆；所述指定类型的聚类后人工驾驶数据是在所述指定时间段内人工驾驶所述指定目标车辆产生的数据。
81.根据所述指定目标车辆在所述指定时间段内的车辆位置数据确定指定路侧设备；所述指定目标车辆在所述指定时间段内位于所述指定路侧设备的感知范围内。
82.平台获取所述指定路侧设备上报的指定交通数据。
83.所述利用所述路侧设备上报的交通数据以及所述人工驾驶数据针对自动驾驶规划模型进行优化，具体可以包括：
84.利用所述指定类型的聚类后人工驾驶数据，以及所述指定交通数据针对所述指定自动驾驶规划模型进行优化。
85.在本说明书实施例中，所述指定时间段可以为目标车辆处于交通场景中的时间段，可以理解的不同的目标车辆所涉及的指定时间段可以不同。
86.在实际应用中，可以针对所述目标车辆在所述指定时间段内的所述人工驾驶数据进行聚类，从而将人工驾驶数据划分成不同驾驶类型的驾驶数据，例如激进型、保守型，当然也可以划分成其他驾驶类型的驾驶数据，在此不做具体限定。所述指定类型的聚类后人工驾驶数据可以为激进型人工驾驶数据，也可以为保守型人工驾驶数据，当然也可以是其他驾驶类型的人工驾驶数据。所述指定自动驾驶规划模型可以是经过预训练的与指定类型的聚类后人工驾驶数据相适应的，需要进一步进行优化的模型。
87.在本说明书实施例中，可以分别利用不同指定类型的聚类后人工驾驶数据，以及相对应的指定交通数据针对指定自动驾驶规划模型进行优化，以便于用户可以选择不同类
型的自动驾驶规划模型，从而提升用户自动驾驶的体验感。
88.在实际应用中，通常需要判断自动驾驶规划模型是否优化完成，以防止模型过拟合。
89.基于此，所述利用路侧设备上报的交通数据以及所述人工驾驶数据针对自动驾驶规划模型进行优化，具体可以包括：
90.利用所述自动驾驶规划模型针对所述交通数据进行处理，得到所述目标车辆的自动驾驶数据。
91.根据所述人工驾驶数据以及所述自动驾驶数据，确定所述自动驾驶规划模型的精度。
92.若所述自动驾驶规划模型的精度小于预设精度，则调整模型参数，直至所述自动驾驶规划模型的精度大于或等于所述预设精度。
93.在本说明书实施例中，所述根据所述人工驾驶数据以及所述自动驾驶数据，确定所述自动驾驶规划模型的精度具体可以包括：利用优化后的自动驾驶模型针对路侧设备上报的交通数据进行处理得到自动驾驶数据；同时可以获取预设数量的人工驾驶数据，并可以针对预设数据的人工驾驶数据进行滤波清洗，以清洗掉极值数据和无效数据；所述滤波处理方法可以包括：均值滤波，点云滤波或卡尔曼滤波中的一种或多种，然后可以针对滤波清洗后的人工驾驶数据求平均值，从而将所述自动驾驶数据与滤波清洗后的人工驾驶数据的平均值进行比较，若自动驾驶数据与所述平均值之间的差值越小则说明自动驾驶规划模型的精度越高。
94.在本说明书实施例中，可以通过自动驾驶数据与所述平均值之间的差值表示所述自动规划模型的精度，若所述自动驾驶规划模型的精度小于预设精度，则需要继续调整自动驾驶规划模型的参数。
95.在实际应用中，通常可以通过判断当前优化调整后的自动驾驶规划模型输出的自动驾驶数据与所述平均值之间的差值，是否小于上次优化调整后的自动驾驶规划模型输出的自动驾驶数据与所述平均值之间的差值；若小于则判断所数自动驾驶规划模型的参数优化调整的方向正确，从而指导自动驾驶规划模型的优化。
96.在实际应用中，具有数据上传功能的车辆可以实时上报车辆的车辆行驶数据，从而可以通过具有数据上传功能的车辆得到更多且更加准确的车辆行驶数据，进而提高自动驾驶规划模型优化的精度以及效率。
97.基于此，所述方法，还可以包括：
98.所述平台获取具有数据上传功能的车辆上报的车辆行驶数据；所述车辆行驶数据包括车辆驾驶参数以及车辆位置数据。
99.从所述交通数据中确定与预设交通场景识别规则相匹配的目标交通数据，具体可以包括：
100.从所述交通数据以及所述车辆行驶数据中确定与预设交通场景识别规则相匹配的目标交通数据。
101.在本说明书实施例中，具有数据上传功能的车辆可以将车辆的车辆行驶数据上报至车辆总线，平台可以通过与车辆总线通信从而获取车辆行驶数据，所述车辆行驶数据可以包括：车辆位置数据以及车辆位置定位时刻，所述车辆位置定位时刻可以是车辆定位到
车辆位置数据所对应的车辆位置时的时刻。
102.在实际应用中，路侧设备上报的交通数据可以包括，路侧设备获取的路侧感知设备感知范围内的车辆的运行数据，以及路侧设备获取所述车辆运行数据的时刻；所述交通数据具体可以包括车辆位置数据。
103.在本说明书实施例中，假设路侧设备获取所述车辆运行数据的时刻与车辆位置定位时刻为同一时刻，且车辆上报的车辆行驶数据中携带的车辆位置数据与路侧设备上报的交通数据中携带的车辆位置数据表示的车辆位置相同，则说明所述车辆行驶数据与所述交通数据所对应的车辆为同一车辆，因此可以结合车辆行驶数据以及交通数据去判断车辆行驶数据以及交通数据是否满足预设交通场景识别规则，从而从所述交通数据以及所述车辆行驶数据中确定与预设交通场景识别规则相匹配的目标交通数据。
104.基于同样的思路，本说明书实施例还提供了上述方法对应的装置。图2为本说明书实施例提供的对应于图1的一种自动驾驶规划模型的优化装置的结构示意图。如图2所示，该装置可以包括：
105.交通数据获取模块202，用于平台获取路侧设备上报的交通数据；
106.目标交通数据确定模块204，用于从所述交通数据中确定与预设交通场景识别规则相匹配的目标交通数据；
107.目标车辆确定模块206，用于确定所述目标交通数据所涉及的目标车辆；
108.人工驾驶数据获取模块208，用于获取所述目标车辆在指定时间段内的人工驾驶数据；所述指定时间段至少包括所述路侧设备获取所述交通数据的第一时刻，以及所述第一时刻之后的预设时间范围；
109.模型优化模块210，用于利用所述路侧设备上报的交通数据以及所述人工驾驶数据针对自动驾驶规划模型进行优化；所述自动驾驶规划模型为用于针对自动驾驶车辆的行车状态进行规划的模型。
110.基于图2的装置，本说明书实施例还提供了该方法的一些具体实施方案，下面进行说明。
111.可选的，所述目标交通数据确定模块204，具体可以用于：
112.判断所述车辆的运行数据是否满足预设交通场景识别规则，得到判断结果；所述车辆为所述路侧设备感知范围内的任一车辆；所述预设交通场景识别规则包括：左车道超车识别规则、右车道超车识别规则、驶出匝道识别规则、左车道变道识别规则、右车道变道识别规则中的任意一种。
113.若所述判断结果表示所述车辆的交通数据满足预设交通场景识别规则，则
114.将所述车辆的交通数据确定为与所述预设交通场景识别规则相匹配的目标交通数据。
115.可选的，图2中的装置，还可以包括：
116.相关交通数据确定模块，用于从所述交通数据中确定所述目标车辆所涉及的交通场景的相关交通数据，所述相关交通数据具体可以包括：所述目标车辆的运行数据，位于所述目标车辆预设范围内的指定车辆的运行数据以及所述指定车辆与所述目标车辆的相对运行数据。
117.所述模型优化模块210，具体可以用于：
118.利用所述目标车辆所涉及的交通场景的相关交通数据，以及所述人工驾驶数据针对适用于所述交通场景的自动驾驶规划模型进行优化。
119.可选的，图2中的装置，还可以包括：
120.聚类模块，用于针对所述目标车辆在所述指定时间段内的所述人工驾驶数据进行聚类，得到多种类型的聚类后人工驾驶数据。
121.指定模型确定模块，用于确定指定类型的聚类后人工驾驶数据所适用的指定自动驾驶规划模型；所述指定类型的聚类后人工驾驶数据为多种类型的聚类后人工驾驶数据中的任意一种。
122.指定目标车辆确定模快，用于确定所述指定类型的聚类后人工驾驶数据所涉及的指定目标车辆；所述指定类型的聚类后人工驾驶数据是在所述指定时间段内人工驾驶所述指定目标车辆产生的数据；
123.指定路侧设备确定模块，用于根据所述指定目标车辆在所述指定时间段内的车辆位置数据确定指定路侧设备；所述指定目标车辆在所述指定时间段内位于所述指定路侧设备的感知范围内；
124.指定交通数据获取模块，用于平台获取所述指定路侧设备上报的指定交通数据；
125.所述模型优化模块210，具体可以用于：
126.利用所述指定类型的聚类后人工驾驶数据，以及所述指定交通数据针对所述指定自动驾驶规划模型进行优化。
127.可选的，模型优化模块210，具体可以用于：
128.利用所述自动驾驶规划模型针对所述交通数据进行处理，得到所述目标车辆的自动驾驶数据。
129.根据所述人工驾驶数据以及所述自动驾驶数据，确定所述自动驾驶规划模型的精度。
130.若所述自动驾驶规划模型的精度小于预设精度，则调整自动驾驶规划模型参数，直至所述自动驾驶规划模型的精度大于或等于所述预设精度。
131.可选的，图2中的装置，还可以包括：
132.车辆行驶数据获取模块，用于所述平台获取具有数据上传功能的车辆上报的车辆行驶数据；所述车辆行驶数据包括车辆驾驶参数以及车辆位置数据。
133.所述目标交通数据确定模块204，具体可以用于：
134.从所述交通数据以及所述车辆行驶数据中确定与预设交通场景识别规则相匹配的目标交通数据。。
135.基于同样的思路，本说明书实施例还提供了上述方法对应的设备。
136.图3为本说明书实施例提供的对应于图1的一种自动驾驶规划模型的优化设备的结构示意图。如图3所示，设备300可以包括：
137.至少一个处理器310；以及，
138.与所述至少一个处理器通信连接的存储器330；其中，
139.所述存储器330存储有可被所述至少一个处理器310执行的指令320，所述指令被所述至少一个处理器310执行，以使所述至少一个处理器310能够：
140.平台获取路侧设备上报的交通数据。
141.从所述交通数据中确定与预设交通场景识别规则相匹配的目标交通数据。
142.确定所述目标交通数据所涉及的目标车辆。
143.获取所述目标车辆在指定时间段内的人工驾驶数据；所述指定时间段至少包括所述路侧设备获取所述交通数据的第一时刻，以及所述第一时刻之后的预设时间范围。
144.利用所述路侧设备上报的交通数据以及所述人工驾驶数据针对自动驾驶规划模型进行优化；所述自动驾驶规划模型为用于针对自动驾驶车辆的行车状态进行规划的模型。
145.基于同样的思路，本说明书实施例还提供了上述方法对应的计算机可读介质。计算机可读介质上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现上述自动驾驶规划模型的优化方法：
146.平台获取路侧设备上报的交通数据。
147.从所述交通数据中确定与预设交通场景识别规则相匹配的目标交通数据。
148.确定所述目标交通数据所涉及的目标车辆。
149.获取所述目标车辆在指定时间段内的人工驾驶数据；所述指定时间段至少包括所述路侧设备获取所述交通数据的第一时刻，以及所述第一时刻之后的预设时间范围。
150.利用所述路侧设备上报的交通数据以及所述人工驾驶数据针对自动驾驶规划模型进行优化；所述自动驾驶规划模型为用于针对自动驾驶车辆的行车状态进行规划的模型。
151.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于图3所示的自动驾驶规划模型的优化设备而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
152.在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmablelogicdevice,pld)(例如现场可编程门阵列(field programmablegatearray，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardwaredescriptionlanguage，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advancedbooleanexpressionlanguage)、ahdl(altera hardwaredescriptionlanguage)、confluence、cupl(cornelluniversity programminglanguage)、hdcal、jhdl(javahardwaredescriptionlanguage)、lava、lola、myhdl、palasm、rhdl(rubyhardwaredescriptionlanguage)等，目前最普遍使用的是vhdl(very-high-speedintegratedcircuithardware descriptionlanguage)与verilog。本领
域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
153.控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specificintegratedcircuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc625d、atmelat91sam、microchippic18f26k20以及siliconelabsc8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
154.上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
155.为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本技术时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
156.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
157.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
158.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
159.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
160.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
161.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。
162.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
163.还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
164.本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
165.本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
166.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种自动驾驶规划模型的优化方法，其特征在于，所述方法包括：平台获取路侧设备上报的交通数据；从所述交通数据中确定与预设交通场景识别规则相匹配的目标交通数据；确定所述目标交通数据所涉及的目标车辆；获取所述目标车辆在指定时间段内的人工驾驶数据；所述指定时间段至少包括所述路侧设备获取所述交通数据的第一时刻，以及所述第一时刻之后的预设时间范围；利用所述路侧设备上报的交通数据以及所述人工驾驶数据针对自动驾驶规划模型进行优化；所述自动驾驶规划模型为用于针对自动驾驶车辆的行车状态进行规划的模型。2.根据权利要求1所述方法，其特征在于，所述路侧设备上报的交通数据，具体包括：路侧设备获取的路测设备感知范围内的车辆的运行数据，所述运行数据具体包括：车辆位置数据、车辆速度数据、车辆加速度数据、车辆航向角数据中的至少一种。3.根据权利要求2所述方法，其特征在于，所述从所述交通数据中确定与预设交通场景识别规则相匹配的目标交通数据，具体包括：判断所述车辆的运行数据是否满足预设交通场景识别规则，得到判断结果；所述车辆为所述路侧设备感知范围内的任一车辆；所述预设交通场景识别规则包括：左车道超车识别规则、右车道超车识别规则、驶出匝道识别规则、左车道变道识别规则、右车道变道识别规则中的任意一种；若所述判断结果表示所述车辆的交通数据满足预设交通场景识别规则，则将所述车辆的交通数据确定为与所述预设交通场景识别规则相匹配的目标交通数据。4.根据权利要求1所述方法，其特征在于，所述利用所述路侧设备上报的交通数据以及所述人工驾驶数据针对自动驾驶规划模型进行优化之前，还包括：从所述交通数据中确定所述目标车辆所涉及的交通场景的相关交通数据，所述相关交通数据具体包括：所述目标车辆的运行数据，位于所述目标车辆预设范围内的指定车辆的运行数据以及所述指定车辆与所述目标车辆的相对运行数据；所述利用所述路侧设备上报的交通数据以及所述人工驾驶数据针对自动驾驶规划模型进行优化，具体包括：利用所述目标车辆所涉及的交通场景的相关交通数据，以及所述人工驾驶数据针对适用于所述交通场景的自动驾驶规划模型进行优化。5.根据权利要求1所述方法，其特征在于，所述利用所述路侧设备上报的交通数据以及所述人工驾驶数据针对自动驾驶规划模型进行优化之前，还包括：针对所述目标车辆在所述指定时间段内的所述人工驾驶数据进行聚类，得到多种类型的聚类后人工驾驶数据；确定指定类型的聚类后人工驾驶数据所适用的指定自动驾驶规划模型；所述指定类型的聚类后人工驾驶数据为多种类型的聚类后人工驾驶数据中的任意一种；确定所述指定类型的聚类后人工驾驶数据所涉及的指定目标车辆；所述指定类型的聚类后人工驾驶数据是在所述指定时间段内人工驾驶所述指定目标车辆产生的数据；根据所述指定目标车辆在所述指定时间段内的车辆位置数据确定指定路侧设备；所述指定目标车辆在所述指定时间段内位于所述指定路侧设备的感知范围内；平台获取所述指定路侧设备上报的指定交通数据；
所述利用所述路侧设备上报的交通数据以及所述人工驾驶数据针对自动驾驶规划模型进行优化，具体包括：利用所述指定类型的聚类后人工驾驶数据，以及所述指定交通数据针对所述指定自动驾驶规划模型进行优化。6.根据权利要求1所述方法，其特征在于，所述利用路侧设备上报的交通数据以及所述人工驾驶数据针对自动驾驶规划模型进行优化，具体包括：利用所述自动驾驶规划模型针对所述交通数据进行处理，得到所述目标车辆的自动驾驶数据；根据所述人工驾驶数据以及所述自动驾驶数据，确定所述自动驾驶规划模型的精度；若所述自动驾驶规划模型的精度小于预设精度，则调整自动驾驶规划模型参数，直至所述自动驾驶规划模型的精度大于或等于所述预设精度。7.根据权利要求1或2所述方法，其特征在于，所述方法，还包括：所述平台获取具有数据上传功能的车辆上报的车辆行驶数据；所述车辆行驶数据包括车辆驾驶参数以及车辆位置数据；从所述交通数据中确定与预设交通场景识别规则相匹配的目标交通数据，具体包括：从所述交通数据以及所述车辆行驶数据中确定与预设交通场景识别规则相匹配的目标交通数据。8.一种自动驾驶规划模型的优化装置，其特征在于，所述装置包括：交通数据获取模块，用于平台获取路侧设备上报的交通数据；目标交通数据确定模块，用于从所述交通数据中确定与预设交通场景识别规则相匹配的目标交通数据；目标车辆确定模块，用于确定所述目标交通数据所涉及的目标车辆；人工驾驶数据获取模块，用于获取所述目标车辆在指定时间段内的人工驾驶数据；所述指定时间段至少包括所述路侧设备获取所述交通数据的第一时刻，以及所述第一时刻之后的预设时间范围；模型优化模块，用于利用所述路侧设备上报的交通数据以及所述人工驾驶数据针对自动驾驶规划模型进行优化；所述自动驾驶规划模型为用于针对自动驾驶车辆的行车状态进行规划的模型。9.一种自动驾驶规划模型的优化设备，其特征在于，所述设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：获取路侧设备上报的交通数据；从所述交通数据中确定与预设交通场景识别规则相匹配的目标交通数据；确定所述目标交通数据所涉及的目标车辆；获取所述目标车辆在指定时间段内的人工驾驶数据；所述指定时间段至少包括所述路侧设备获取所述交通数据的第一时刻，以及所述第一时刻之后的预设时间范围；利用所述路侧设备上报的交通数据以及所述人工驾驶数据针对自动驾驶规划模型进
行优化；所述自动驾驶规划模型为用于针对自动驾驶车辆的行车状态进行规划的模型。10.一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现权利要求1至7中任一项所述的自动驾驶规划模型的优化方法。

技术总结
本说明书实施例公开了一种自动驾驶规划模型的优化方法、装置、设备及介质。该方法包括：通过平台获取路侧设备上报的交通数据，然后从交通数据中确定与预设交通场景识别规则相匹配的目标交通数据，以确定目标交通数据所涉及的目标车辆，从而获取目标车辆在指定时间段内的人工驾驶数据，以利用人工驾驶数据以及交通数据针对自动驾驶规划模型进行优化。由于无需利用车辆通过搭载传感器去采集交通数据，且路侧设备可以在较短时间内获取大量不同预设交通场景下的交通数据，从而有效减少交通数据的采集时间，进而提高自动驾驶规划模型的优化效率。化效率。化效率。


技术研发人员：杨轩
受保护的技术使用者：云控智行科技有限公司
技术研发日：2022.12.30
技术公布日：2023/6/3