本申请实施例涉及车辆驾驶控制，特别涉及一种多车协同进化自动驾驶算法的量化评估方法及系统。
背景技术：
1、自动驾驶是指通过车载传感系统感知道路环境，并根据感知所获取的信息，通过对车辆驾驶进行控制，使车辆能够自主决策和操作的技术。以电动化、智能化、网络化、共享化为趋势的汽车“新四化”，正不断催生着自动驾驶领域的技术革新。传感器技术、计算能力和人工智能算法的改进，使得车辆能够更好地感知环境、分析数据并做出准确的决策。但其仍然面临一些挑战和风险。例如，复杂的交通环境、天气条件和人类行为的不确定性等因素可能影响自动驾驶系统的性能和安全性，即环境的改变会严重影响汽车自动驾驶的表现情况。
2、长尾场景在现实中出现概率低，但风险程度高，自动驾驶车辆在面对陌生长尾场景时的响应能力成为了评判自动驾驶优劣的重要参考。现有的单车训练模型存在迭代效率低、习得经验单一的弊端，因此，构建一种基于多车异地训练的车-云协同联邦式平台的方法具有重要意义。
技术实现思路
1、本申请实施例提供一种多车协同进化自动驾驶算法的量化评估方法及系统，有效解决自动驾驶在长尾事件处理方面的短板，根据评价结果对联邦平台的融合模型不断优化。
2、为解决上述技术问题，第一方面，本申请实施例提供一种多车协同进化自动驾驶算法的量化评估方法，包括以下步骤：首先，多车搭载本地模型在不同训练场景进行模型训练，分别得到各车训练后的本地模型的权重；然后，将各车训练后的本地模型的权重融合，生成融合模型；接下来，将融合模型的权重共享至各车，各车基于下发的融合模型和本地模型，分别对本地模型进行更新，生成本地个性化融合模型；然后，将多车的训练场景互换，并将各车搭载本地个性化融合模型分别置于新的训练场景中进行测试，分别得到各车的测试数据；接下来，对各车的测试数据进行评估分类，得到分类结果；最后，对分类结果进行量化加权输出，得到量化评价结果。
3、在一些示例性实施例中，多车搭载本地模型在不同训练场景进行模型训练，分别得到各车训练后的本地模型的权重，包括以下步骤：首先，多车搭载本地模型在不同训练场景进行模型训练；然后，训练者根据当前训练效果不断调整参与训练的车辆的本地模型，得到训练后的本地模型；最后，收集各车的各项权重，将各车训练后的本地模型的权重上传至联邦式学习平台。
4、在一些示例性实施例中，通过联邦式学习平台将各车训练后的本地模型的权重融合，生成融合模型，包括以下步骤：步骤一、聚合服务器选定多车多场景训练下所建立模型的结构和超参数，并初始化模型的权重，生成初始融合模型；步骤二、聚合服务器将初始融合模型的权重共享给各车；步骤三、各车基于共享的初始融合模型，利用本地保存的私有数据训练微调本地模型，并计算本地模型的权重更新；步骤四、聚合服务器从各车收集本地模型的权重更新，根据业务需求采用不同的算法进行模型聚合，得到全局模型及聚合结果；步骤五、聚合服务器基于聚合结果更新全局模型的参数，迭代步骤二至步骤五，直至迭代完成，生成存储于联邦式学习平台中的融合模型；迭代完成包括全局模型收敛、达到最大迭代次数、超过最长训练时间中的一种或多种。
5、在一些示例性实施例中，通过聚合服务器将融合模型的权重共享至各车，使各车基于下发的融合模型与本地模型，分别调整本地模型的各项权重，以实现对本地模型的更新，生成本地个性化融合模型。
6、在一些示例性实施例中，训练场景包括十字路口、弯道、超车以及各类极限工况；新的训练场景与各车搭载本地模型进行模型训练时的训练场景为不同的场景。
7、在一些示例性实施例中，在对各车的测试数据进行评估分类时，将各车的测试数据融合作为多车训练结果，并对多车训练结果进行评估分类，得到分类结果；测试数据包括车辆速度、加速度以及横向偏移量。
8、在一些示例性实施例中，对分类结果进行量化加权输出，得到量化评价结果，包括：首先，将分类结果传入到加权量化输出层；然后，将每一种分类标签赋予不同的加权系数，相乘得对应量化值；最后，对所有场景的测试数据的量化值求和后输出，得到量化评价结果。
9、在一些示例性实施例中，基于评估指标和分类机制，对各车的测试数据进行评估分类；评估指标包括：最大偏移量、最大横向加速度、车辆居中保持控制时长、避障换道场景中的障碍物应急响应效率、碰撞监测、换道用时以及对其他智能体突发变化行为的应急响应效率；分类机制为基于监督学习的循环迭代方法构建的不同场景的分类机制；分类机制的构建过程，包括以下步骤：首先，获取各个训练场景中标准数据集，要求标准数据集涵盖各类表现情况的真实的驾驶情形；然后，建立关键评估指标与分类结果的映射关系；最后，基于各场景不同的映射关系，分别构建分类机制。
10、在一些示例性实施例中，量化评价结果用于表征联邦平台的融合模型下传后在各场景中的表现优劣，从而实现对融合模型的量化评价。
11、第二方面，本申请实施例还提供了一种多车协同进化自动驾驶算法的量化评估系统，包括：依次连接的多车多场景训练模块、融合模型生成模块、本地模型更新模块、场景互换与模型测试模块、评估分类模块以及量化结果输出模块；其中，多车多场景训练模块用于将多车搭载本地模型，使其在不同训练场景进行模型训练，分别得到各车训练后的本地模型的权重；融合模型生成模块用于将各车训练后的本地模型的权重融合，生成融合模型；本地模型更新模块用于将融合模型的权重共享至各车，各车基于下发的融合模型和本地模型，分别对本地模型进行更新，生成本地个性化融合模型；场景互换与模型测试模块用于将多车的训练场景互换，并将各车搭载本地个性化融合模型分别置于新的训练场景中进行测试，分别得到各车的测试数据；评估分类模块用于对各车的测试数据进行评估分类，得到分类结果；量化结果输出模块用于对分类结果进行量化加权输出，得到量化评价结果。
12、本申请实施例提供的技术方案至少具有以下优点。
13、本申请实施例提供一种多车协同进化自动驾驶算法的量化评估方法及系统，该方法包括以下步骤：首先，多车搭载本地模型在不同训练场景进行模型训练，分别得到各车训练后的本地模型的权重；然后，将各车训练后的本地模型的权重融合，生成融合模型；接下来，将融合模型的权重共享至各车，各车基于下发的融合模型和本地模型，分别对本地模型进行更新，生成本地个性化融合模型；然后，将多车的训练场景互换，并将各车搭载本地个性化融合模型分别置于新的训练场景中进行测试，分别得到各车的测试数据；接下来，对各车的测试数据进行评估分类，得到分类结果；最后，对分类结果进行量化加权输出，得到量化评价结果。
14、本申请提出一种多车协同进化自动驾驶算法的量化评估方法，通过依托自主构建的多车异地训练的车-云协同联邦式平台，完成对多车协同模型的融合，并根据真实道路数据进行有效量化评估。该方法能够有效指导自动驾驶算法的不断优化，而且能够有效解决自动驾驶在长尾事件处理方面的短板，根据评价结果对联邦平台的融合模型不断优化。
1.一种多车协同进化自动驾驶算法的量化评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多车协同进化自动驾驶算法的量化评估方法，其特征在于，多车搭载本地模型在不同训练场景进行模型训练，分别得到各车训练后的本地模型的权重，包括以下步骤：
3.根据权利要求1所述的多车协同进化自动驾驶算法的量化评估方法，其特征在于，通过联邦式学习平台将各车训练后的本地模型的权重融合，生成融合模型，包括以下步骤：
4.根据权利要求1所述的多车协同进化自动驾驶算法的量化评估方法，通过聚合服务器将所述融合模型的权重共享至各车，使各车基于下发的融合模型与本地模型，分别调整本地模型的各项权重，以实现对本地模型的更新，生成本地个性化融合模型。
5.根据权利要求1所述的多车协同进化自动驾驶算法的量化评估方法，其特征在于，所述训练场景包括十字路口、弯道、超车以及各类极限工况；所述新的训练场景与各车搭载本地模型进行模型训练时的训练场景为不同的场景。
6.根据权利要求1所述的多车协同进化自动驾驶算法的量化评估方法，其特征在于，在对各车的测试数据进行评估分类时，将各车的测试数据融合作为多车训练结果，并对多车训练结果进行评估分类，得到分类结果；
7.根据权利要求1所述的多车协同进化自动驾驶算法的量化评估方法，其特征在于，对所述分类结果进行量化加权输出，得到量化评价结果，包括：
8.根据权利要求1所述的多车协同进化自动驾驶算法的量化评估方法，其特征在于，基于评估指标和分类机制，对各车的测试数据进行评估分类；
9.根据权利要求1所述的多车协同进化自动驾驶算法的量化评估方法，其特征在于，所述量化评价结果用于表征联邦平台的融合模型下传后在各场景中的表现优劣，从而实现对融合模型的量化评价。
10.一种多车协同进化自动驾驶算法的量化评估系统，其特征在于，包括：依次连接的多车多场景训练模块、融合模型生成模块、本地模型更新模块、场景互换与模型测试模块、评估分类模块以及量化结果输出模块；其中，