一种云路协同的自动驾驶模型训练、调取方法及系统技术方案

本发明专利技术公开了本发明专利技术实施例提供的云路协同的自动驾驶模型训练、调取方法及系统，其中云路协同的自动驾驶模型训练方法及系统，将车载传感设备与路侧设备、云端服务器进行整合，同时结合驾驶员的介入信息使车载系统能够自适应进行训练，可以针对个人或路段等因素进行个性化的训练与优化，不需要人为介入即可持续提升自动驾驶模型的识别效果；本发明专利技术提供的云路协同的自动驾驶模型调取方法及系统，根据车辆的定位及导航路径结合历史轨迹范围及历史轨迹频率确定的预设范围，选择优先调取更具个性化的路侧设备或优先调取更具泛化能力的云端服务器的自动驾驶模型进行自动驾驶指导，可以达到更加精确的自动驾驶识别效果，可给用户更好的驾驶体验。更好的驾驶体验。更好的驾驶体验。

【技术实现步骤摘要】
一种云路协同的自动驾驶模型训练、调取方法及系统


[0001]本专利技术涉及自动驾驶
，具体涉及一种云路协同的自动驾驶模型训练、调取方法及系统。

技术介绍

[0002]在当前的自动驾驶环境中，深度学习在感知与决策部分承担着非常重要的职责，其中对于深度学习的模型的训练决定着识别效果与决策效果，进而影响自动驾驶的整体体验。传统的模型训练方法，是通过开发人员采集数据，在开发阶段进行数据清洗，数据标注，模型训练，训练好模型后部署到终端汽车上。这个流程中一旦车量产出厂，模型的更新就只能依赖OTA手段进行更新，并不能针对个人或者路段等因素进行个性化的训练与优化。现有的技术中，对于数据个性化的使用都没有被重视起来，对于自动驾驶而言，用户的场景通常是比较个人化的，对于经常行驶的路段，控制与感知的算法精度如果不能有明显的提升那么实际的驾驶体验不会有提升。

技术实现思路

[0003]因此，本专利技术要解决的技术问题在于克服现有自动驾驶技术中在不能很好的针对个人或者路段等因素进行个性化的训练与优化的缺陷，从而提供一种云路协同的自动驾驶模型训练、调本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种云路协同的自动驾驶模型训练方法，其特征在于，包括如下步骤：车载传感设备将采集的车辆状态数据通过车联网协议实时发送至路侧设备；路侧设备对车载传感设备新上传的数据与之前已经储存的数据合并为数据集，并对该数据集进行预处理；车载控制器控制将预处理后的数据集在路侧设备进行自动驾驶模型训练更新，或控制将预处理后的数据集传输至云端服务器进行自动驾驶模型训练更新；当基于预处理后的数据集在路侧设备对自动驾驶模型进行训练更新时，将更新后的模型上传至云端服务器；当云端服务器进行自动驾驶模型训练更新时，将预处理后的数据集通过以太网传输至云端服务器，与云端服务器中的数据集一起训练自动驾驶模型，将更新后的自动驾驶模型反馈至路侧设备。2.根据权利要求1所述的云路协同的自动驾驶模型训练方法，其特征在于，车载传感设备新上传的数据包括：驾驶员对之前已有自动驾驶模型指导下形成行驶行为的介入数据。3.根据权利要求2所述的云路协同的自动驾驶模型训练方法，其特征在于，预处理的过程包括根据驾驶员的介入数据进行真值标注及数据清洗。4.一种云路协同的自动驾驶模型调取方法，其特征在于，包括以下步骤：获取车辆定位或车辆的导航路径；当车辆定位或车辆的导航路径在预设范围时，调取路侧设备中的自动驾驶模型对车辆进行自动驾驶行为指导，当不在所述预设范围内时，调取云端服务器中的自动驾驶模型对车辆进行自动驾驶行为指导，所述自动驾驶模型基于权利要求1-3任一所述的云路协同的自动驾驶模型训练方法得到。5.根据权利要求4所述的云路协同的自动驾驶模型调取方法，其特征在于，所述预设范围根据车辆的历史轨迹范围及历史轨迹频率确定。6.一种...

【专利技术属性】
技术研发人员：包哈达，王磊，冉雪峰，潘晏涛，
申请(专利权)人：国汽智控北京科技有限公司，
类型：发明
国别省市：