本发明涉及智能驾驶,尤其是涉及一种车辆避障数据的计算方法、计算机及可读存储介质。
背景技术:
1、随着汽车智能驾驶和辅助驾驶技术的发展,车辆障碍识别技术已成为车辆智慧交通系统的重要组成部分。通过车辆障碍识别技术,能够检测和识别到车辆面临的各种障碍物,如人、其他车辆、障碍物等,并采取自动制动等措施来避免潜在的碰撞风险。
2、由于车辆障碍识别需要实时地感知和分析车辆周围的环境信息,所以需要在短时间内对大规模的传感器数据进行处理,若将采集到的数据直接使用处理芯片和算法进行集中式计算,可能会导致计算时间过长,从而延迟了避障的响应,可能会导致车辆与障碍物发生碰撞或无法避免潜在的危险情况。
技术实现思路
1、本技术提供了一种车辆避障数据的计算方法、计算机及可读存储介质,用于从车载和路侧两个源头获取传感器采集的避障数据。然后评估不同类型计算芯片的处理能力,根据芯片的计算性能指标,将大量的避障数据划分成多个数据子集;再根据芯片的适用类型和计算性能指标,将不同的数据子集分配给车载计算芯片和路侧计算芯片,由它们并行处理得到避障判断结果;最后,车载计算结果和路侧计算结果集中到中央计算芯片,做出最终的避障决策指令,对车辆进行控制;采用分布式处理架构,避免了全部数据集中处理的时延问题,可以提升对避障数据的实时响应能力,增强了车辆的主动安全性。
2、第一方面,本技术提供了一种车辆避障数据的计算方法,该方法包括:
3、计算机获取车载传感器和路侧传感器中的避障数据;
4、该计算机对计算芯片的计算能力进行评估得到计算性能指标值,该计算芯片包含车载计算芯片和路侧计算芯片;
5、该计算机根据该计算性能指标值将该避障数据动态划分为数据子集;
6、该计算机根据该计算性能指标值和芯片适用类型将该数据子集分配给该计算芯片,使得该车载计算芯片完成计算得到车载计算数据,该路侧计算芯片完成计算得到路侧计算数据;
7、该计算机将该车载计算数据和该路侧计算数据输入到中央计算芯片中得到最终决策;
8、该计算机根据该最终决策对车辆进行控制。
9、通过采用上述技术方案,通过从车载和路侧两个源头获取传感器采集的避障数据。然后评估不同类型计算芯片的处理能力,根据芯片的计算性能指标,将大量的避障数据划分成多个数据子集;再根据芯片的适用类型和计算性能指标,将不同的数据子集分配给车载计算芯片和路侧计算芯片,由它们并行处理得到避障判断结果;最后,车载计算结果和路侧计算结果集中到中央计算芯片,做出最终的避障决策指令,对车辆进行控制;采用分布式处理架构,避免了全部数据集中处理的时延问题,可以提升对避障数据的实时响应能力,增强了车辆的主动安全性。
10、结合第一方面的一些实施例,在一些实施例中,该计算机根据该计算性能指标值将该避障数据动态划分为数据子集的步骤,该步骤具体包括:
11、该计算机根据该计算性能指标值计算每个计算芯片的性能占比排名;
12、该计算机根据该避障数据中的不同数据的大小和类型计算该不同数据的特征复杂度;
13、该计算机根据该性能占比排名和该特征复杂度对该避障数据进行划分为数据子集,使得该数据子集的特征复杂度与该计算芯片的性能占比排名匹配。
14、通过采用上述技术方案,通过评估各计算芯片的性能指标,计算出性能占比排名,并分析避障数据中的不同类型数据的大小和特征复杂度,再根据芯片性能排名和数据复杂度之间的匹配关系,将原始避障数据划分为多个数据子集,每个子集的复杂度都与对应的芯片性能相适应,可以尽可能地发挥各个计算芯片的能力,同时平衡它们的计算负载,提升分布式处理的效率。
15、结合第一方面的一些实施例,在一些实施例中,该计算机根据该计算性能指标值和芯片适用类型将该数据子集分配给该计算芯片的步骤,该步骤具体包括:
16、该计算机根据该计算性能指标值和该芯片适用类型确定计算芯片向量;
17、该计算机根据数据子集的数据类型、数据大小和计算复杂度确定数据子集特征向量;
18、该计算机根据该计算芯片向量和数据子集特征向量确定该计算芯片与该数据子集之间的匹配规则;
19、该计算机根据该匹配规则计算第一计算芯片与所有数据子集之间的置信度,该第一计算芯片为任一计算芯片;
20、该计算机将最大置信度所对应的第一数据子集分配给该第一计算芯片。
21、通过采用上述技术方案,通过根据芯片性能指标和适用类型确定其计算能力向量,然后根据数据子集的类型、大小和复杂度特征确定其特征向量,基于这两类向量的数据,学习出数据子集与计算芯片之间的匹配规则,针对每一个计算芯片,计算它与所有数据子集的匹配置信度,选择置信度最高的数据子集与该芯片进行分配,通过这种匹配机制实现了数据到芯片的自动高效分配,优化了芯片计算资源的利用,提高了计算速度。
22、结合第一方面的一些实施例,在一些实施例中,该计算机将最大置信度所对应的数据子集分配给该第一计算芯片的步骤之后,该步骤还包括:
23、该计算机统计该计算芯片与不同数据子集的历史任务运行数据,该历史任务运行数据包括计算效率和响应速度;
24、当该计算效率超过预设效率阈值或该响应速度超过该预设速度阈值时,该计算机根据该计算芯片向量和数据子集特征向量确定新匹配规则;
25、该计算机将该新匹配规则加入匹配规则中。
26、通过采用上述技术方案,在数据子集与计算芯片匹配分配之后,提出了一种运行反馈机制来持续优化匹配规则,通过统计任务运行的数据,如计算效率和响应速度,当指标效果较好时,则重新学习匹配规则以进行更新,能够使匹配规则随着实际运行数据不断演化,持续优化数据到芯片的映射方案,使分布式计算网络更智能化。
27、结合第一方面的一些实施例,在一些实施例中,该计算机将最大置信度所对应的数据子集分配给该第一计算芯片的步骤之后,该步骤还包括:
28、当该计算机检测到该第一计算芯片存在故障时,该计算机对剩余的该计算芯片对应的该置信度进行排名;
29、当该第一数据子集是由车载传感器采集得到时,该计算机将该第一数据子集分配给置信度排名最高且空闲的车载计算芯片。
30、通过采用上述技术方案,能够解决计算芯片故障的容错问题,当检测到某计算芯片故障时,会对剩余芯片的置信度重新排序,并将原本分配给故障芯片的数据子集重新分配给置信度最高且空闲的芯片,使得单个芯片故障不致影响整体避障计算,提高了系统的健壮性。
31、结合第一方面的一些实施例,在一些实施例中,该计算机根据该最终决策对车辆进行控制的步骤之后,该步骤还包括:
32、该计算机对全部计算芯片的负载率进行监测;
33、若存在当前计算芯片的该负载率大于预设负载阈值,则该计算机停止将该数据子集分配给该当前计算芯片,该当前计算芯片为任一计算芯片。
34、通过采用上述技术方案,通过监测各计算芯片的负载率来实现负载均衡,当检测到某芯片负载过高时,会停止继续向该芯片分配新的数据子集,能够防止出现计算芯片过载的情况,保证所有芯片负载合理,提高资源利用效率,也降低了芯片过载的风险。
35、结合第一方面的一些实施例,该计算机将该车载计算数据和该路侧计算数据输入到中央计算芯片中得到最终决策的步骤,该步骤具体包括:
36、该计算机将该该车载计算数据和该路侧计算数据通过车路协同专用网络传送给该中央计算芯片。
37、通过采用上述技术方案,通过采用车路协同专用网络来进行数据的传输与交互,能够提供确定性的低延迟通信服务,满足车辆避障的安全关键应用对实时性和可靠性的要求。
38、第二方面,本技术实施例提供一种车辆智能避障的计算系统,该计算系统包括计算机,该计算机包括:获取数据模块,评估模块,划分模块,分配模块,输入模块,控制模块。
39、获取数据模块,获取车载传感器和路侧传感器中的避障数据;
40、评估模块,对计算芯片的计算能力进行评估得到计算性能指标值,该计算芯片包含车载计算芯片和路侧计算芯片;
41、划分模块,根据该计算性能指标值将该避障数据动态划分为数据子集;
42、分配模块,根据该计算性能指标值和芯片适用类型将该数据子集分配给该计算芯片,使得该车载计算芯片完成计算得到车载计算数据,该路侧计算芯片完成计算得到路侧计算数据;
43、输入模块,将该车载计算数据和该路侧计算数据输入到中央计算芯片中得到最终决策;
44、控制模块,根据该最终决策对车辆进行控制。
45、第三方面,本技术实施例提供了一种计算机,该计算机包括:一个或多个处理器和存储器;该存储器与该一个或多个处理器耦合,该存储器用于存储计算机程序代码,该计算机程序代码包括计算机指令,该一个或多个处理器调用该计算机指令以使得该计算机执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
46、第四方面,本技术实施例提供一种计算机可读存储介质,包括指令,当上述指令在计算机上运行时,使得上述计算机执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
47、本技术实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
48、1.本技术通过从车载和路侧两个源头获取传感器采集的避障数据。然后评估不同类型计算芯片的处理能力,根据芯片的计算性能指标,将大量的避障数据划分成多个数据子集;再根据芯片的适用类型和计算性能指标,将不同的数据子集分配给车载计算芯片和路侧计算芯片,由它们并行处理得到避障判断结果;最后,车载计算结果和路侧计算结果集中到中央计算芯片,做出最终的避障决策指令,对车辆进行控制;采用分布式处理架构,避免了全部数据集中处理的时延问题,可以提升对避障数据的实时响应能力,增强了车辆的主动安全性。
49、2.本技术通过评估各计算芯片的性能指标,计算出性能占比排名,并分析避障数据中的不同类型数据的大小和特征复杂度,再根据芯片性能排名和数据复杂度之间的匹配关系,将原始避障数据划分为多个数据子集,每个子集的复杂度都与对应的芯片性能相适应,可以尽可能地发挥各个计算芯片的能力,同时平衡它们的计算负载,提升分布式处理的效率。
50、3.本技术通过根据芯片性能指标和适用类型确定其计算能力向量,然后根据数据子集的类型、大小和复杂度特征确定其特征向量,基于这两类向量的数据,学习出数据子集与计算芯片之间的匹配规则,针对每一个计算芯片,计算它与所有数据子集的匹配置信度,选择置信度最高的数据子集与该芯片进行分配,通过这种匹配机制实现了数据到芯片的自动高效分配,优化了芯片计算资源的利用,提高了计算速度。