环境自适应方法、装置、介质及路侧感知与计算系统与流程

1.本发明涉及车联网与人工智能技术领域，尤其涉及一种环境自适应方法、装置、介质及路侧感知与计算系统。


背景技术：

2.在车联网与智能交通的应用中，单一的感知设备，比如激光雷达、毫米波雷达、摄像机等均存在各自的短板，难以适用于所有场景。
3.现有的路侧感知与计算系统将从不同感知设备获取到的数据进行智能融合，以实现优势互补。具体地，首先在传感器的感知范围内进行基准点的标定，找到多传感器之间的坐标系转换关系，实现不同传感器间的空间同步；再通过设置唯一的时钟源为各设备提供相同的基准时间，各设备根据基准时间校准各自系统的时钟时间，以实现不同设备间的时间同步；然后对来自不同传感器的、已经实现时空同步的数据进行融合；最后，利用机器视觉、点云分割、目标检测、分类与跟踪等算法实现目标物的提取或交通事件的检测，形成结构化数据。不同设备使用的算法存在差异，但一般相同设备在不同部署环境、不同光照条件、不同能见度、不同气象条件下均采用的是同一套算法，设备适用性较差，一旦部署位置、光照条件、气候条件发生了变化时准确率就急剧劣化，更无法兼顾特异性场景。


技术实现要素：

4.本发明实施例提供了一种环境自适应方法、装置、介质及路侧感知与计算系统，以解决现有技术在路侧感知与计算系统中采用同一套算法时存在的设备适用性差、准确率易劣化、无法兼顾特异性场景的问题。
5.一种环境自适应方法，所述方法包括：
6.遍历路侧计算设备的计算需求，对同一计算需求部署多组算法；
7.根据设备的环境因子对不同计算需求对应的多组算法配置算法策略；
8.在配置完成后，获取待计算需求，运行所述待计算需求对应的多组算法，得到每一组算法对应的算法结果及置信度；
9.根据所述多组算法的算法结果及置信度获取所述待计算需求的计算结果。
10.可选地，所述环境因子包括设备部署因子和天气因子；
11.所述根据设备的环境因子对不同计算需求对应的多组算法配置算法策略包括：
12.针对每一计算需求，获取所述计算需求对应的多组算法；
13.遍历每一组算法，根据设备部署因子和天气因子配置所述算法对应的算法策略；
14.其中，每个算法对应的算法策略包括算法参数集和算法权重。
15.可选地，在根据设备的环境因子对不同计算需求对应的多组算法配置算法策略之前，所述方法包括：
16.对所述设备的环境因子分别设置阈值区间；
17.在训练同一计算需求对应的多组算法时，对所述环境因子按照不同的阈值区间进
行组合，得到至少一个环境因子组合集；
18.根据环境因子组合集对预设的训练样本进行分类，得到每一个环境因子组合集对应的训练样本子集；
19.针对每一环境因子组合集，采用对应的训练样本子集对每一组算法进行训练和参数调优。
20.可选地，在完成对算法的训练和参数调优之后，所述方法包括：
21.针对每一环境因子组合集，计算每一组算法的算法结果的平均准确率；
22.根据所述平均准确率获取所述算法的算法权重；
23.其中，平均准确率越高，算法权重越大。
24.可选地，在针对每一环境因子组合集，计算每一组算法的算法结果的平均准确率之后，所述方法还包括：
25.遍历每一组算法，比较算法结果的平均准确率与预设准确率阈值；
26.若所述平均准确率小于所述预设准确率阈值时，获取路侧感知设备从实际环境采集的感知信息；
27.采用所述感知信息对所述算法进行适应性训练。
28.可选地，所述设备部署因子包括设备安装高度、设备俯仰角；
29.所述天气因子包括光照量化指标、能见度量化指标、气象类型。
30.可选地，当所述待计算需求为目标分类时，所述根据所述多组算法的算法结果及置信度获取所述待计算需求的计算结果包括：
31.计算每一组算法的选举因子，其中选举因子为算法对应的置信度和算法权重之间的乘积；
32.若待计算需求对应的多组算法输出的目标类型均不相同时，获取数值最大的选举因子对应的算法作为目标算法，选举得到的目标类型为所述目标算法输出的目标类型，选举得到的置信度为所述目标算法对应的置信度；
33.若待计算需求对应的多组算法输出的目标类型不完全相同时，将输出相同目标类型的多个算法的选举因子进行相加，得到选举因子和值，比较不同目标类型的选举因子和值，获取数值最大的选举因子和值对应的目标类型作为选举得到的目标类型，选举得到的置信度为选举因子和值与所述目标类型对应算法的算法权重之和的比值。
34.一种环境自适应装置，所述装置包括：
35.部署模块，用于遍历路侧计算设备的计算需求，对同一计算需求部署多组算法；
36.配置模块，用于根据设备的环境因子对不同计算需求对应的多组算法配置算法策略；
37.计算模块，用于在配置完成后，获取待计算需求，运行所述待计算需求对应的多组算法，得到每一组算法对应的算法结果及置信度；
38.获取模块，用于根据所述多组算法的算法结果及置信度获取所述待计算需求的计算结果。
39.一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程序，所述计算机程序被处理器执行时实现如上所述的环境自适应方法。
40.一种路侧感知与计算系统，包括存储器、处理器以及存储在所述存储器中并可在
所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的环境自适应方法。
41.本发明实施例通过遍历路侧计算设备的计算需求，对同一计算需求部署多组算法；根据设备的环境因子对不同计算需求对应的多组算法配置算法策略；在配置完成后，获取待计算需求，运行所述待计算需求对应的多组算法，得到算法结果及置信度；根据所述多组算法的算法结果及置信度获取所述待计算需求的计算结果。本发明针对每个计算需求配置算法组合，通过部署多组计算目标相同的不同算法，以应对不同的设备部署环境或者天气环境，并且优先采信与实际环境更匹配的算法，有效地解决了现有技术在路侧感知与计算系统中采用同一套算法时存在的设备适用性差、准确率易劣化、无法兼顾特异性场景的问题。
附图说明
42.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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性的前提下，还可以根据这些附图获得其他的附图。
43.图1是本发明一实施例提供的环境自适应方法的流程图；
44.图2是本发明一实施例提供的环境自适应方法中步骤s102的流程图；
45.图3是本发明一实施例提供的环境自适应方法中算法训练和参数调优的实现流程图；
46.图4是本发明一实施例提供的环境自适应方法中获取待计算需求的计算结果的实现流程图；
47.图5是本发明一实施例提供的环境自适应装置的结构示意图；
48.图6是本发明一实施例提供的路侧感知与计算系统的组成示意图；
49.图7是本发明一实施例中计算机设备的一示意图。
具体实施方式
50.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，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。
51.本发明实施例对路侧计算设备在不同部署环境下的全天候自适应能力进行优化，通过遍历路侧计算设备的计算需求，对同一计算需求部署多组算法；根据设备的环境因子对不同计算需求对应的多组算法配置算法策略；在配置完成后，获取待计算需求，运行所述待计算需求对应的多组算法，得到算法结果及置信度；根据所述多组算法的算法结果及置信度获取所述待计算需求的计算结果；从而有效地解决了现有技术在路侧感知与计算系统中采用同一套算法时存在的设备适用性差、准确率易劣化、无法兼顾特异性场景的问题，有效地提高了不同部署环境、不同光照条件、不同能见度、不同气象条件下路侧感知与计算系统对交通参与者、障碍物等目标物检测、分类和跟踪的准确率及交通事件检测的准确率。
52.以下对本实施例提供的环境自适应方法进行详细的描述。如图1所示，所述环境自适应方法包括：
53.在步骤s101中，遍历路侧计算设备的计算需求，对同一计算需求部署多组算法。
54.在这里，所述路侧计算设备是路侧感知与计算系统的重要组成。为了给智能网联车辆提供超视距的路况感知能力，所述路侧计算设备对路侧布设的感知设备采集的信息进行时空同步和信息融合，并对交通参与者、障碍物等目标物进行提取、分类和跟踪，对交通事件进行检测等，形成结构化的数据。所述感知设备包括但不限于激光雷达、毫米波雷达、摄像机等。路侧计算设备将上述功能分拆为多个细粒度的计算需求。
55.本发明实施例在路侧计算设备针对同一计算需求部署多组算法。同一计算需求的每组算法的计算目标相同，但在不同的部署环境下或者不同的光照、能见度、气象条件下，各组算法的计算准确率各有优势。本发明针对每个计算需求配置算法组合，通过部署多组计算目标相同的不同算法，能够有效应对设备部署环境不同或者天气环境发生变化时，采用单一算法准确率劣化的问题。
56.在步骤s102中，根据设备的环境因子对不同计算需求对应的多组算法配置算法策略。
57.在这里，所述设备的环境因子根据不同的计算需求存在差异，包括但不限于设备部署因子和天气因子。所述设备部署因子在设备部署完成后即基本固定，不会发生变化，包括但不限于设备安装高度、设备俯仰角。所述天气因子实时发生变化，包括但不限于光照量化指标、能见度量化指标、气象类型。天气因子可通过路侧部署的感知设备获取，也可以从第三方气象平台获取。
58.作为本发明的一个优选示例，如图2所示，步骤s102中所述的根据设备的环境因子对不同计算需求对应的多组算法配置算法策略包括：
59.在步骤s201中，针对每一计算需求，获取所述计算需求对应的多组算法。
60.在步骤s202中，遍历每一组算法，根据设备部署因子和天气因子配置所述算法对应的算法策略。
61.在这里，本发明实施例结合输入的环境因子为每个算法适配与当前环境因子组合相匹配的算法策略，其中，每个算法对应的算法策略包括算法参数集和算法权重。针对同一计算需求的多组算法的算法策略集合构成了该计算需求的算法组合配置策略。
62.可选地，为了避免算法策略频繁变化，本发明实施例对各个环境因子分别设置了kq个阈值区间，q表示环境因子的编号。因此，当设备部署因子或者天气因子对应的阈值区间发生变化时，本发明实施例才会触发算法策略的调整。
63.在这里，为了降低算法训练的复杂度，kq不宜设置太高。对某个计算需求而言，如果某个环境因子对计算结果的准确度影响较小，所述环境因子对应的kq可以为1。
64.其中所述算法策略中的算法参数集和算法权重，通过对算法进行训练和参数调优得到。本发明实施例在针对不同计算需求部署多组算法之后，还在不同环境因子的作用下对每一计算需求对应的多组算法进行训练和参数调优。如图3所示，所述对每一计算需求对应的多组算法进行训练和参数调优包括：
65.在步骤s301中，对所述设备的环境因子分别设置阈值区间。
66.其中，阈值区间根据不同环境因子的实际应用而设置，此处不作限制。
67.在步骤s302中，在训练同一计算需求对应的多组算法时，对所述环境因子按照不同的阈值区间进行组合，得到至少一个环境因子组合集。
68.本发明实施例对预设的环境因子按照各自的阈值区间进行组合，形成不同的环境因子组合集。比如环境因子a有阈值区间a1，环境因子b有阈值区间b1、阈值区间b2，那么其两者所形成的环境因子组合集包括阈值区间a1、阈值区间b1、阈值区间b2、阈值区间a1+阈值区间b1、阈值区间a1+阈值区间b2。
69.在步骤s303中，根据环境因子组合集对预设的训练样本进行分类，得到每一个环境因子组合集对应的训练样本子集。
70.在这里，所述预设的训练样本是用于训练的数据样本集合。本发明实施例将所述训练样本按照环境因子组合集进行分类，将所述训练样本划分为若干个子集，得到每一个环境因子组合集对应的训练样本子集，用于对在对应的所述环境因子组合集影响下的算法进行训练和参数调优。
71.在步骤s304中，针对每一环境因子组合集，采用对应的训练样本子集对每一组算法进行训练和参数调优。
72.在这里，一组环境因子组合集，对应一种具体环境状态的应用场景，比如不同部署环境、不同光照、能见度、气象条件决定的环境状态。所述环境因子组合集对应的训练样本子集表示在所述具体环境状态下感知设备采集到的数据。对于同一计算需求，本发明实施例针对每一环境因子组合集，采用对应的训练样本子集对每一组算法进行训练和参数调优，得到所述具体环境状态下每一组算法的计算结果。
73.可选地，作为本发明的一个优选示例，在完成对算法的训练和参数调优之后，所述方法包括：
74.在步骤s305中，针对每一环境因子组合集，计算每一组算法的算法结果的平均准确率。
75.在这里，对于一个计算需求，在不同的环境因子组合集下，每组算法每运算一次输出一个算法结果，本发明实施例计算算法结果的准确率，然后根据若干次算法运行后得到的算法结果的准确率求取平均准确率。在具体的环境因子组合集下，一个计算需求下的每一组算法均对应一个平均准确率。
76.在步骤s306中，根据所述平均准确率获取所述算法的算法权重。
77.针对同一计算需求，本发明实施例比较所述计算需求下的若干组算法对应的平均准确率，按准确率高低进行排序，然后赋予对应的算法权重。在这里，所述算法权重用作路侧计算设备响应计算需求并输出响应结果的一个判断因素。其中，平均准确率越高，算法权重越大，以保证优先采信该环境下训练过程中准确率更高的算法的计算结果。
78.可选地，由于实际运行环境的特异性，路侧感知与计算系统在某些部署环境的某些天气环境下，算法结果的平均准确度低于预期，可从实际环境采集的数据对算法进行适应性训练，对特异性环境下的算法组合配置策略进行进一步的调优。作为本发明的一个优选示例，在步骤s305针对每一环境因子组合集，计算每一组算法的算法结果的平均准确率之后，所述方法还包括：
79.在步骤s307中，遍历每一组算法，比较算法结果的平均准确率与预设准确率阈值。
80.其中所述预设准确率阈值用作是否触发适应性训练的判断标准，可根据实际应用
设定，此处不做限制。一组算法对应一个预设准确率阈值，不同组算法对应的预设准确率阈值可相同可不相同。
81.在步骤s308中，若所述平均准确率小于所述预设准确率阈值时，获取路侧感知设备从实际环境采集的感知信息。
82.在这里，若所述平均准确率小于所述预设准确率阈值时，表明路侧感知与计算系统在某些部署环境的某些天气环境下，计算结果的平均准确度低于预期，此时触发适应性训练，从实际环境中采集感知信息。
83.在步骤s309中，采用所述感知信息对所述算法进行适应性训练。
84.本发明实施例利用上述从实际环境采集的感知信息对算法进行适应性训练，对特异性环境下的算法组合配置策略进行进一步的调优，以便采用个性化的算法组合配置策略来提升特异性场景下的计算结果的准确率，再将训练的成果下发进行算法部署，以保证算法组合配置策略与实际场景更匹配。
85.在这里，适应性训练的成果包括而不限于新的算法组合、新的环境因子阈值区间划分、新的算法参数集以及新的算法权重配比，实现对所有路侧计算设备上部署的算法组合配置策略的维护管理，以保证当路侧计算设备从故障中恢复或者更换新设备时，能够快速获取匹配的算法组合配置策略。
86.在步骤s103中，在配置完成后，获取待计算需求，运行所述待计算需求对应的多组算法，得到每一组算法结果及置信度。
87.在这里，在配置完成后，每个算法均已适配与当前环境因子组合相匹配的算法策略。对于待计算需求，本发明实施例调用所述待计算需求对应的多组算法，以路侧感知与计算系统中的感知设备的实际采集数据或者上一计算环节的输出数据作为算法输入，执行算法。每一组算法运行后会输出一个算法结果，以及置信度。所述算法置信度是指所述算法结果对应的置信度。
88.在步骤s104中，根据所述多组算法的算法结果及置信度获取所述待计算需求的计算结果。
89.在这里，本发明实施例针对算法输出的算法结果及置信度、算法权重，选举出最终计算结果及置信度。
90.可选地，以下以目标分类为例进行说明。作为本发明的一个优选示例，如图4所示，当所述待计算需求为目标分类时，步骤s104所述的根据所述多组算法的算法结果及置信度获取所述待计算需求的计算结果包括：
91.在步骤s401中，计算每一组算法的选举因子，其中选举因子为算法对应的置信度和算法权重之间的乘积。
92.在这里，假设存在一系列目标物，并且结合环境因子为目标分类这个待计算需求匹配了n组算法，且对应的算法组合配置策略为(算法i,算法参数集i,算法权重i)，i表示算法编号，i＝1～n。对其中一个目标物进行分类时，采用这n组算法及配套的算法参数集得到计算结果(目标类型i，置信度i)，所述目标类型i表示算法i计算出来的所述目标物所属的分类，所述置信度i为所述算法i计算出所述目标物所属分类的可信程度。计算每组算法的选举因子vi＝置信度i*算法权重i。
93.在步骤s402中，若待计算需求对应的多组算法输出的目标类型均不相同时，获取
数值最大的选举因子对应的算法作为目标算法，选举得到的目标类型为所述目标算法输出的目标类型，选举得到的置信度为所述目标算法对应的置信度。
94.在这里，如果所有算法计算出来的目标类型都不相同，数值最大的选举因子vi对应的算法计算出的目标类型i即为选举出来的目标类型，而该算法计算出的置信度i即为选举出来的置信度。
95.在步骤s403中，若待计算需求对应的多组算法输出的目标类型不完全相同时，将输出相同目标类型的多个算法的选举因子进行相加，得到选举因子和值，比较不同目标类型的选举因子和值，获取数值最大的选举因子和值对应的目标类型作为选举得到的目标类型，选举得到的置信度为选举因子和值与所述目标类型对应算法的算法权重之和的比值。
96.在这里，如果其中有多组算法计算出来的目标类型相同，将计算出相同目标类型的多组算法的vi相加获得选举因子和值v
sum,j
(j为目标类型编号)，并将不同目标类型的选举因子和值v
sum,j
进行比较，其中数值最大的选举因子和值v
sum,j
对应的目标类型j即为选举出来的目标类型，而选举出来的置信度＝v
sum,j
/计算结果为目标类型j的算法的算法权重之和。
97.示例性地，假设存在一目标分类，匹配了3个算法：
98.算法1的算法权重为0.6，计算出来的目标类型为a，置信度为0.95；
99.算法2的算法权重为0.1，计算出来的目标类型为a，置信度为0.8；
100.算法3的算法权重为0.3，而计算出来的目标类型为b，置信度为0.85。
101.那么目标类型为a对应的选举因子和值v
sum,a
＝0.6*0.95+0.1*0.8＝0.65；目标类型为b对应的选举因子和值v
sum,b
＝0.3*0.85＝0.255。经比较v
sum,a
》v
sum,b
，所以最终选举的目标类型为a，置信度＝v
sum,a
/(0.6+0.1)＝0.93，作为待计算需求的计算结果。
102.综上所述，本发明实施例通过遍历路侧计算设备的计算需求，对同一计算需求部署多组算法；根据设备的环境因子对不同计算需求对应的多组算法配置算法策略；在配置完成后，获取待计算需求，运行所述待计算需求对应的多组算法，得到每一组算法的算法结果及置信度；根据所述多组算法的算法结果及其对应的置信度获取所述待计算需求的计算结果。本发明针对每个计算需求配置算法组合，通过部署多组计算目标相同的不同算法，以应对不同的设备部署环境或者天气环境，并且优先采信与实际环境更匹配的算法，有效地解决了现有技术在路侧感知与计算系统中采用同一套算法时存在的设备适用性差、准确率易劣化、无法兼顾特异性场景的问题。
103.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
104.在一实施例中，本发明还提供一种环境自适应装置，该环境自适应装置与上述实施例中环境自适应方法一一对应。如图5所示，该环境自适应装置包括部署模块51、配置模块52、计算模块53、获取模块54。各功能模块详细说明如下：
105.部署模块51，用于遍历路侧计算设备的计算需求，对同一计算需求部署多组算法；
106.配置模块52，用于根据设备的环境因子对不同计算需求对应的多组算法配置算法策略；
107.计算模块53，用于在配置完成后，获取待计算需求，运行所述待计算需求对应的多
组算法，得到每一组算法对应的算法结果及置信度；
108.获取模块54，用于根据所述多组算法的算法结果及置信度获取所述待计算需求的计算结果。
109.可选地，所述环境因子包括设备部署因子和天气因子；
110.所述配置模块52包括：
111.获取单元，用于针对每一计算需求，获取所述计算需求对应的多组算法；
112.配置单元，用于遍历每一组算法，根据设备部署因子和天气因子配置所述算法对应的算法策略；
113.其中，每个算法对应的算法策略包括算法参数集和算法权重。
114.可选地，在根据设备的环境因子对不同计算需求对应的多组算法配置算法策略之前，所述装置包括训练和调优模块，所述训练和调优模块55用于：
115.对所述设备的环境因子分别设置阈值区间；
116.在训练同一计算需求对应的多组算法时，对所述环境因子按照不同的阈值区间进行组合，得到至少一个环境因子组合集；
117.根据环境因子组合集对预设的训练样本进行分类，得到每一个环境因子组合集对应的训练样本子集；
118.针对每一环境因子组合集，采用对应的训练样本子集对每一组算法进行训练和参数调优。
119.可选地，所述训练和调优模块还用于：在完成对算法的训练和参数调优之后，
120.针对每一环境因子组合集，计算每一组算法的算法结果的平均准确率；
121.根据所述平均准确率获取所述算法的算法权重；
122.其中，平均准确率越高，算法权重越大。
123.可选地，所述训练和调优模块还用于：
124.遍历每一组算法，比较算法结果的平均准确率与预设准确率阈值；
125.若所述平均准确率小于所述预设准确率阈值时，获取路侧感知设备从实际环境采集的感知信息；
126.采用所述感知信息对所述算法进行适应性训练。
127.可选地，所述设备部署因子包括设备安装高度、设备俯仰角；
128.所述天气因子包括光照量化指标、能见度量化指标、气象类型。
129.可选地，当所述待计算需求为目标分类时，所述获取模块54包括：
130.计算单元，用于计算每一组算法的选举因子，其中选举因子为算法对应的置信度和算法权重之间的乘积；
131.第一获取单元，用于若待计算需求对应的多组算法输出的目标类型均不相同时，获取数值最大的选举因子对应的算法作为目标算法，选举得到的目标类型为所述目标算法输出的目标类型，选举得到的置信度为所述目标算法对应的置信度；
132.第二获取单元，用于若待计算需求对应的多组算法输出的目标类型不完全相同时，将输出相同目标类型的多个算法的选举因子进行相加，得到选举因子和值，比较不同目标类型的选举因子和值，获取数值最大的选举因子和值对应的目标类型作为选举得到的目标类型，选举得到的置信度为选举因子和值与所述目标类型对应算法的算法权重之和的比
值。
133.关于环境自适应装置的具体限定可以参见上文中对于环境自适应方法的限定，在此不再赘述。上述环境自适应装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于存储器中，以便于处理器调用执行以上各个模块对应的操作。
134.可选地，作为本发明的一个优选示例，图6为本发明实施例提供的路侧感知与计算系统，包括：路侧计算设备、v2x平台、激光雷达、毫米波雷达、视频摄像机、时钟同步设备、路侧通信单元rsu、智能网联车辆/车载单元obu。
135.其中，所述路侧计算设备为了给智能网联车辆提供超视距的路况感知能力，对路侧布设的感知设备采集的信息进行时空同步和信息融合，并对交通参与者、障碍物等目标物进行提取、分类和跟踪，对交通事件进行检测等，形成结构化的数据。路侧计算设备将上述功能分拆为多个细粒度的计算需求，而每个计算需求又可由多种不同的算法同时实现，每个算法的计算目标相同，但在不同的部署环境下或者不同的光照、能见度、气象条件下，计算的准确率各有优势。本发明实施例在路侧计算设备针对同一计算需求可部署多组算法，并通过配置模块52、计算模块53、获取模块54相互配合，对待计算需求采用与当前实际环境最相匹配的算法，实现不同部署环境下全天候自适应能力。
136.所述v2x平台由部署模块51、训练和调优模块构成，用于对路侧计算设备上部署的算法进行训练和部署。此外v2x还可以通过3g/4g/5g等通信方式，向智能网联车辆/车载单元obu提供包括道路状况信息及交通诱导信息等在内的信息。
137.所述路侧布设的感知设备包括但不限于激光雷达、毫米波雷达、摄像机等。所述激光雷达用于获得待测目标物的相关信息，包括但不限于距离、方位、速度、形状。所述毫米波雷达用于获取单个待测目标物的距离、方位、相对速度信息，以及检测车流平均速度、车流量、车道占用率、排队长度和时间分析。所述视频摄像机用于获取待测目标物的音视频信息。
138.所述始终同步设备用于通过设置唯一的时钟源为系统内各设备提供相同的基准时间，并辅助系统内各设备根据提供的基准时间校准各自的时钟时间，实现时间同步。
139.所述路侧通信单元rsu支持通过c-v2x通信方式，用于向智能网联车辆/车载单元obu提供包括道路结构化信息、交通参与者信息、障碍物信息、交通事件信息、标志标牌信息、信号灯灯态信息、感知共享消息、路侧协调消息等在内的多种信息。
140.所述智能网联车辆/车载单元obu支持通过c-v2x通信方式，用于从附近的路侧设备rsu或其他智能网联车辆/车载单元obu获取包括道路状况信息、其他交通参与者信息及交通诱导信息等在内的信息；并支持通过3g/4g/5g通信方式从v2x平台，用于获取包括道路状况信息及交通诱导信息等在内的信息；还支持通过can总线获取自车辆行驶数据，包括当前车速、行驶方向等；以及支持通过内置的gnss功能实时获取车辆的当前位置，支持向附近的智能网联设备广播自车状态和行驶意图。
141.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据
库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种环境自适应方法。
142.在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
143.遍历路侧计算设备的计算需求，对同一计算需求部署多组算法；
144.根据设备的环境因子对不同计算需求对应的多组算法配置算法策略；
145.在配置完成后，获取待计算需求，运行所述待计算需求对应的多组算法，得到每一组算法对应的算法结果及置信度；
146.根据所述多组算法的算法结果及置信度获取所述待计算需求的计算结果。
147.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
148.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、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单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
149.以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。