具体实施方式

以下结合附图对本发明的示范性实施例作出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本发明实施例的车端数据处理方法的主要流程的示意图，如图1所示，本发明实施例的车端数据处理方法包括：

步骤S101、获取车辆自动驾驶过程中产生的车端数据。

示例性地，自动驾驶车辆上设置有车端运行控制设备，所述车端运行控制设备可控制车辆的行驶进程。在自动驾驶车辆行驶过程中，存在不同的运行场景，包括正常场景和故障场景。正常场景比如：正常行驶、停车、启动、临时停车(等红灯)等，故障场景比如：碰撞、闯红灯、急停(突然熄火)、超速、刹车失灵等。

在该步骤中，可实时接收车辆自动驾驶过程中产生的车端数据。其中，所述车辆自动驾驶过程中产生的车端数据可包括：正常场景下的车端数据或者异常场景下的车端数据。

步骤S102、基于车端数据类型，调用对应的场景检测模型对所述车端数据进行检测，确定场景检测结果；所述场景检测模型用于对自动驾驶过程中的场景进行检测，场景检测结果包括第一类检测结果和第二类检测结果，第一类检测结果用于表示检测出异常场景，第二类检测结果用于表示未检测出所述异常场景。

示例性地，所述场景检测模型用于对自动驾驶过程中的场景进行实时检测，场景包括正常场景和异常场景。在该步骤中，所述车端运行控制设备中预先配置有场景检测模型，基于获得的车端数据类型，调用所述场景检测模型对从所述车辆自动驾驶过程中产生的车端数据进行实时检测，得到场景检测结果，包括：第一类检测结果、第二类检测结果。

进一步地，所述第一类检测结果用于表示检测出异常场景，即：发生故障，所述第二类检测结果用于表示未检测出所述异常场景，即：未发生故障。

步骤S103、将与第一类检测结果相对应的车端数据进行保存，并将除所述与第一类检测结果相对应的车端数据之外的车端数据删除。

在该步骤中，所述第一类检测结果用于表示检测出所述异常场景，其对应的是“发生故障”场景的车端数据；所述第二类检测结果用于表示未检测出所述异常场景，其对应的是“未发生故障”场景的车端数据。本发明中，实时保存“发生故障”场景下的车端数据，删除“未发生故障”场景下的车端数据。

在本发明实施例中，通过对现场传输数据进行场景模型检测，能够实时检测出问题数据并仅对需要的车端数据进行保存，不仅降低了人力及网络资源成本、节约存储资源，而且提高了自动驾驶算法更新迭代的效率。

图2是根据本发明实施例二的车端数据处理方法的详细流程的示意图。本发明实施例的车端数据处理方法可由数据处理装置执行。如图2所示，本发明实施例的车端数据处理方法包括：

步骤S201、将车端数据发送至数据处理装置。

在此步骤中，将自动驾驶车辆行驶过程中产生的车端数据发送至所述数据处理装置。

示例性地，所述车端数据可以包括以下至少一类或多类数据的组合：定位信息、感知交通灯信息、感知障碍物信息、规划控制轨迹信息、底盘信息等。进一步，为了便于区分不同时刻产生的车端数据，可在发送车端数据的同时发送其对应的序列号。例如，某次发送的车端数据可包括：序列号1，定位信息，感知交通灯信息，感知障碍物信息，规划控制轨迹信息，底盘信息；序列号2，定位信息，感知交通灯信息，感知障碍物信息，规划控制轨迹信息，底盘信息。

步骤S202、数据处理装置接收车端数据，并将其保存。

在此步骤中，所述数据处理装置接收到所述车端数据后，将所述车端数据保存。

进一步地，在存储所述车端数据时，可以根据车端数据的类别进行存储。比如，将同一类别的车端数据存储在同一地图(MAP)对象中，将不同类别的车端数据存储在不同的MAP对象中。其中，MAP是一种根据关键码值(Key value)而直接进行访问的数据结构，本质上是键值对的集合，存储形式一般为[key，value]。比如，定位信息类数据的存储方式可以为：[序列号1，定位信息1，序列号2，定位信息2，……]；规划控制轨迹信息类数据的存储方式可以为：[序列号1，规划控制轨迹信息1，序列号2，规划控制轨迹信息2，……]。

步骤S203、数据处理装置接收触发指令。

在此步骤中，所述数据处理装置在接收所述车端数据的同时接收触发指令。

进一步地，所述触发指令可以包括场景的检测信息。所述场景可以包括以下一种或多种：碰撞场景、闯红灯场景、超速场景等，根据检测需要从所述场景中进行选择。

进一步地，所述数据处理装置通过读取功能接收触发指令。

步骤S204、在接收到所述触发指令后，所述数据处理装置解析出所述触发指令携带的车端数据标识，获取与所述触发指令携带的车端数据标识相对应的车端数据。

在此步骤中，所述数据处理装置在接收到所述触发指令后，立即对触发指令进行解析，以解析出所述触发指令携带的车端数据标识，然后，再根据所述车端数据标识，调取所需要的车端数据。

示例性地，所述车端数据标识包括：序列号、车端数据的类别标识。

进一步地，所述车端数据的序列号可以为帧号。

进一步地，所述触发指令用于指示对第几帧的场景进行检测，其可包括：车端数据标识。比如，触发指令指示对第5帧的闯红灯场景进行检测。所述数据处理装置在接收到对第5帧的闯红灯场景进行检测的指令后，立即对该指令进行解析，解析的结果为对第5帧的闯红灯场景进行检测的指令携带的车端数据标识，包括：PCT-4、OB-6、LC-10。其中，PNC-4代表：序列号为4、车端数据的类别标识为规划控制轨迹信息；OB-6代表：序列号为6、车端数据的类别标识为感知障碍物信息；LC-10代表：序列号为10、车端数据的类别标识为定位信息。然后，根据解析得到的车端数据标识，从规划控制轨迹信息存储区调取第4帧的规划控制轨迹信息，从感知障碍物信息存储区调取第6帧的感知障碍物信息，从定位信息存储区调取第10帧的定位信息。

步骤S205、数据处理装置判断获取车端数据是否成功。

在此步骤中，通过所述数据处理装置判断调取所需要的车端数据是否成功，若是，执行步骤S206；若否，执行步骤S209。

需要指出的是，步骤S201至步骤S205是“获取车辆自动驾驶过程中产生的车端数据”的一种可选实施方式。在本发明的另一些实施例中，还可以在接收到车端数据后，立即获取车端数据，或者在满足定时触发条件时获取车端数据。

步骤S206、数据处理装置基于场景检测模型和所述车端数据，确定场景检测结果。

在此步骤中，所述场景检测模型用于对自动驾驶过程中的场景进行检测。在所述数据处理装置获得所需要的车端数据后，将模型所需的车端数据输入场景检测模型，运行所述场景检测模型的算法以对车端数据进行检测，检测完成后获得场景检测结果。示例性地，所述场景检测模型可包括碰撞场景检测模型、超速场景检测模型、闯红灯场景检测模型等等。

其中，场景检测结果包括第一类检测结果或者第二类检测结果，第一类检测结果用于表示检测出异常场景，第二类检测结果用于表示未检测出所述异常场景。所述数据处理装置基于所述场景检测模型和所需要的车端数据，确定所述场景检测结果为第一类检测结果或者第二类检测结果。

进一步地，所述场景检测模型为提前构建的不同场景下的检测算法，检测算法中存储的信息包括：模型检测所需的参数、模型检测的判断条件等。比如，超速场景检测模型存储的信息包括：序列号、速度信息、定位信息、规划控制轨迹信息等模型检测所需的参数，超速判断条件。具体实施时，模型检测所需的参数的值可通过步骤S204获得。示例性地，所述超速判断条件可以为：当速度超过多少时算超速。

进一步地，根据实际的检测需求，如需进行连续检测，所述数据处理装置可获得所需要的连续的车端数据，基于所述场景检测模型和连续的车端数据，运行模型算法进行检测，得到所述场景检测结果后输出连续的检测结果。

步骤S207、根据所述场景检测结果对所述车端数据设置类别标签。

在此步骤中，可针对不同的场景预先配置相应的类别标签。比如，针对碰撞场景，配置如下标签：“TCS”、“NTCS”。其中，“TCS”表示该时间点发生碰撞，“NTCS”表示该时间点未发生碰撞。比如，针对超速场景，配置如下标签：“TSD”、“NTSD”。其中，“TSD”表示该时间点超速，“NTSD”表示该时间点未超速。比如，针对闯红灯场景，配置如下标签：“TRDL”、“NTRDL”。其中，“TRDL”表示该时间点闯红灯，“NTRDL”表示该时间点未闯红灯。在所述数据处理装置基于所述场景检测模型和所需要的车端数据，确定所述场景检测结果为第一类检测结果或者第二类检测结果后，可根据得到的检测结果从预先配置的类别标签中选取与之对应的标签，以对所述场景检测结果对应的车端数据进行标记。

步骤S208、根据所述类别标签将与第一类检测结果相对应的车端数据进行保存，并将除所述与第一类检测结果相对应的车端数据之外的车端数据删除。

在此步骤中，所述数据处理装置根据类别标签对车端数据进行筛选。例如，若类别标签为“TCS”，表明该时间点发生碰撞，即步骤S207中碰撞场景检测结果为第一类检测结果，进而将与所述碰撞场景的第一类检测结果相对应的车端数据进行保存；若类别标签为“NTCS”，表明该时间点未发生碰撞，即步骤S207中碰撞场景检测结果为第二类检测结果，进而将与所述碰撞场景的第二类检测结果相对应的车端数据删除。

进一步地，所述数据处理装置在通过步骤S208对车端数据进行筛选后，可将保存的车端数据写入硬盘进行物理存储。

步骤S209、结束此次处理流程并上报错误信息。

在此步骤中，若所述数据处理装置未能成功地获取所需要的车端数据，则结束此次处理流程并上报错误信息。

进一步地，本发明实施例的方法还可包括以下步骤：在步骤S208之后，可将保存的车端数据回传至云端数据库，以根据回传的车端数据对自动驾驶算法进行优化。

在本发明实施例中，通过提前配置的模型库实时检测各种场景，并基于检测结果对车端数据进行筛选，进而能够实时检测出问题数据并仅对需要的车端数据进行保存，不仅降低了人力及网络资源成本、节约存储资源，而且提高了自动驾驶算法更新迭代的效率。

以下以碰撞场景为例，对图2所示流程作进一步说明。

步骤A、所述数据处理装置接收车端数据，并将其保存。

示例性地，所述车端数据可包括：序列号1，定位信息，感知交通灯信息，感知障碍物信息，规划控制轨迹信息，底盘信息等。

步骤B、所述数据处理装置接收触发指令。比如，所述数据处理装置接收到的触发指令为：对第5帧的碰撞场景进行检测。

步骤C、在所述数据处理装置接收到所述对第5帧的碰撞场景进行检测的指令后，立即对该指令进行解析，所述数据处理装置解析出所述对第5帧的碰撞场景进行检测的指令携带的车端数据标识，包括：OB-5、LC-6。其中，OB-5代表：序列号为5、车端数据的类别标识为感知障碍物信息；LC-6代表：序列号为6、车端数据的类别标识为定位信息。然后，所述数据处理装置从感知障碍物信息存储区调取第5帧的感知障碍物信息，从定位信息存储区调取第6帧的定位信息。

步骤D、所述数据处理装置判断获取所需的车端数据成功后，执行步骤E；若否，上报错误信息。

步骤E、所述数据处理装置基于碰撞场景检测模型和所需的车端数据，运行所述碰撞场景检测模型的算法进行检测。

其中，所述碰撞场景检测模型中保存了模型检测所需的参数、模型检测的判断条件。比如，所述碰撞场景检测模型检测所需的参数包括：感知障碍物信息、定位信息，所述模型检测的判断条件为：检测自动驾驶车辆polygon与障碍物polygon是否有交集。在获取到对第5帧碰撞场景检测所需的车端数据后，可运行碰撞场景检测模型。在所述碰撞场景检测模型的算法检测运行完毕后，获得所述碰撞场景的检测结果，以确定第5帧是否发生碰撞。

步骤F、所述数据处理装置根据所述碰撞场景的检测结果，从预先配置的类别标签中选取针对碰撞场景的类别标签：“TCS”或“NTCS”，以对所述碰撞场景的检测结果对应的车端数据进行标记。

比如，若检测出发生了碰撞，可将对应的车端数据标记为“TCS”；若检测出未发生碰撞，将对应的车端数据标记为“NTCS”。进一步地，所述数据处理装置将所述类别标签为“TCS”的车端数据进行保存。其中，所述类别标签为“TCS”的车端数据包括：第5帧感知障碍物信息、第6帧定位信息。而对于所述类别标签为“NTCS”的车端数据，所述数据处理装置可将其删除。

在本发明实施例中，通过以上步骤能够实时检测碰撞场景，并基于检测结果对车端数据进行筛选，进而能够实时检测出问题数据并仅对需要的车端数据进行保存，不仅降低了人力及网络资源成本、节约存储资源，而且提高了自动驾驶算法更新迭代的效率。

图3是根据本发明实施例三的车端数据处理装置的主要模块的示意图。如图3所示，本发明实施例的车端数据处理装置300包括：获取模块301、评估模块302、数据处理模块303。

获取模块301，用于获取车辆自动驾驶过程中产生的车端数据。

示例性地，自动驾驶车辆上设置有车端运行控制设备，所述车端运行控制设备可控制车辆的行驶进程。在自动驾驶车辆行驶过程中，存在不同的运行场景，包括正常场景和故障场景。正常场景比如：正常行驶、停车、启动、临时停车(等红灯)等，故障场景比如：碰撞、闯红灯、急停(突然熄火)、超速、刹车失灵等。

获取模块301可实时接收车辆自动驾驶过程中产生的车端数据。其中，所述车辆自动驾驶过程中产生的车端数据可包括：正常场景下的车端数据或者异常场景下的车端数据。

评估模块302，用于基于所述车端数据类型，调用对应的场景检测模型对所述车端数据进行检测，确定场景检测结果。其中，所述场景检测模型用于对自动驾驶过程中的场景进行检测，场景检测结果包括第一类检测结果和第二类检测结果，第一类检测结果用于表示检测出异常场景，第二类检测结果用于表示未检测出所述异常场景。

示例性地，所述场景检测模型用于对自动驾驶过程中的场景进行实时检测，场景包括正常场景和异常场景。在该模块中，所述车端运行控制设备中预先配置有场景检测模型，所述评估模块302基于获得的车端数据类型，调用所述场景检测模型对从所述车辆自动驾驶过程中产生的车端数据进行实时检测，得到场景检测结果，包括：第一类检测结果、第二类检测结果。

进一步地，所述第一类检测结果用于表示检测出异常场景，即：发生故障，所述第二类检测结果用于表示未检测出所述异常场景，即：未发生故障。

数据处理模块303，用于将与第一类检测结果相对应的车端数据进行保存，并将除所述与第一类检测结果相对应的车端数据之外的车端数据删除。

在该模块中，所述第一类检测结果用于表示检测出所述异常场景，其对应的是“发生故障”场景的车端数据；所述第二类检测结果用于表示未检测出所述异常场景，其对应的是“未发生故障”场景的车端数据。本发明中，数据处理模块303实时保存“发生故障”场景下的车端数据，删除“未发生故障”场景下的车端数据。

在本发明实施例中，通过获取模块获得车辆自动驾驶过程中产生的车端数据，通过评估模块基于获得的车端数据类型，调用所述场景检测模型对从所述车辆自动驾驶过程中产生的车端数据进行实时检测并获得场景检测结果，通过数据处理模块保存与第一类检测结果对应的车端数据并删除其余车端数据，能够实时检测出问题数据并仅对需要的车端数据进行保存，不仅降低了人力及网络资源成本、节约存储资源，而且提高了自动驾驶算法更新迭代的效率。

图4示出了可以应用本发明实施例的车端数据处理装置的示例性系统架构400。

如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的各类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果反馈给终端设备。

需要说明的是，本发明实施例所提供的车端数据处理方法一般由服务器405执行，相应地，车端数据处理装置一般设置于服务器405中。

应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图5，其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、评估模块和数据处理模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“向所连接的服务端发送数据获取请求的模块”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取车辆自动驾驶过程中产生的车端数据；基于所述车端数据类型，调用对应的场景检测模型对所述车端数据进行检测，确定场景检测结果；所述场景检测模型用于对自动驾驶过程中的场景进行检测，场景检测结果包括第一类检测结果和第二类检测结果，第一类检测结果用于表示检测出异常场景，第二类检测结果用于表示未检测出所述异常场景；将与第一类检测结果相对应的车端数据进行保存，并将除所述与第一类检测结果相对应的车端数据之外的车端数据删除。

根据本发明实施例的技术方案，能够降低人力及网络资源成本、节约存储资源并提高自动驾驶算法更新迭代的效率的技术效果。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。