基于个例大数据的自动驾驶预测方法和计算机设备

摘要

本发明提供了一种基于个例大数据的自动驾驶预测方法，方法包括：提供与目标路段相关联的多个预测算法模型；获取传感器的感测数据；根据感测数据获取当前自动驾驶车辆的场景数据；根据当前自动驾驶车辆的场景数据从多个预测算法模型中获取最优的预测算法模型；加载最优的预测算法模型；利用最优的预测算法模型对当前自动驾驶车辆的场景数据进行运算得到预测数据；根据预测数据得到控制指令；控制自动驾驶车辆依照控制指令行驶。此外，本发明还提供一种应用于自动驾驶车辆的计算机设备。本发明利用基于个例大数据的自动驾驶预测方法提升了自动驾驶车辆驶过程中对障碍物运动轨迹预测的准确性，使得自动驾驶车辆在行驶过程中有更稳定的表现。

说明书

技术领域

本发明涉及自动驾驶领域，尤其涉及一种基于个例大数据的自动驾驶预测方法和计算机设备。

背景技术

目前，市面上常见的能够实现的全程不需要人类驾驶员参与就能够完成行驶任务的是L4级别的自动驾驶车辆。对于L4级别的自动驾驶车辆来说预测行驶过程中遇到的每个障碍物的运动轨迹对完成行驶任务很重要。现有L4级别的自动驾驶车辆使用的预测方法是基于机器学习算法或基于预设规则的AI算法。例如，AI算法通过收集大量障碍物运动的数据，把数据都综合在一起训练一个AI模型。在实际应用中，由于道路情况的多种多样，例如，不同地形、不同路口形状、不同的当地人开车风格，导致一个通用的AI算法很难全面的处理各种各样的路况。

因此，如何使L4级别的自动驾驶车辆能够在各种各样的道路情况下对障碍物的轨迹进行快速准确的预测是亟需解决的问题。

发明内容

本发明提供一种基于个例大数据的自动驾驶预测方法和计算机设备，使L4级别的自动驾驶车辆能够在各种各样的道路情况下对障碍物的轨迹进行准确的预测。

第一方面，本发明实施例提供一种基于个例大数据的自动驾驶预测方法，基于个例大数据的自动驾驶预测方法包括：

提供与目标路段相关联的多个预测算法模型，多个预测算法模型中每一预测算法模型为利用自动驾驶车辆在目标路段中的子路段的相应的场景下经过多次路测构建的算法模型；

获取传感器的感测数据，感测数据包括自动驾驶车辆的当前位置、周围环境数据和行驶数据；

根据感测数据获取当前自动驾驶车辆的场景数据；

根据当前自动驾驶车辆的场景数据从预测算法模型中获取最优的预测算法模型；

加载最优的预测算法模型；

利用最优的预测算法模型对当前自动驾驶车辆的场景数据进行运算得到预测数据；

根据预测数据得到控制指令；

控制自动驾驶车辆依照控制指令行驶。

第二方面，本发明实施例提供一种应用于自动驾驶车辆的计算机设备，计算机设备包括存储器和处理器，存储器用于储存基于个例大数据的自动驾驶预测方法的程序指令，处理器用于执行程序指令，以实现上述的基于个例大数据的自动驾驶预测方法。

上述，通过基于个例大数据的自动驾驶预测方法通过提供与目标路段相关联的多个预测算法模型使得自动驾驶车辆能够对行驶道路上的每一段道路，进行分割，并匹配出与该路段场景最为接近的模型，并根据上述预测算法模型对该路段上的所有障碍物的运动轨迹进行预测，实现了在各种不同的道路情况下，自动驾驶车辆能够根据现有的道路情况匹配的对应路段的预测算法模型从而更快的计算出障碍物的运动轨迹，减少自动驾驶车辆的运算量，提升自动驾驶车辆的反应速度，使得自动驾驶车辆能够更好的应对各种各样的道路情况。

附图说明

图1为本发明第一实施例提供的基于个例大数据的自动驾驶预测方法流程图。

图2为本发明第二实施例提供的基于个例大数据的自动驾驶预测方法的第一子流程图。

图3为本发明第二实施例提供的各路段示意图。

图4为本发明第二实施例提供的基于个例大数据的自动驾驶预测方法的第二子流程图。

图5为本发明第二实施例提供的基于个例大数据的自动驾驶预测方法的第三子流程图。

图6为本发明第二实施例提供的基于个例大数据的自动驾驶预测方法的第四子流程图。

图7为本发明第二实施例提供的基于个例大数据的自动驾驶预测方法的第五子流程图。

图8为本发明第三实施例提供的基于个例大数据的自动驾驶预测方法子流程图。

图9为本发明第一实施例提供的计算机设备内部结构示意图。

图10为本发明第一实施例提供自动驾驶车辆示意图。

图中各元件标号。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做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。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

请结合参看图1，其为本发明第一实施例提供的基于个例大数据的自动驾驶预测方法流程图。第一实施例提供的基于个例大数据的自动驾驶预测方法具体包括下面步骤。

步骤S101，提供与目标路段相关联的多个预测算法模型。其中，多个预测算法模型中每一预测算法模型为利用自动驾驶车辆在目标路段中的子路段在相应的场景下经过多次路测构建的算法模型。目标路段是自动驾驶车辆进行大量路测的路段，例如，自动驾驶车辆在上海市嘉定区的宝安公路进行路测，宝安公路即为目标路段。基于个例大数据的自动驾驶预测方法将宝安公路划分为多个路段，例如十字路口、丁字路口和直行路段等子路段，来应用构建适应该路段的算法模型。预测算法模型是由自动驾驶车辆在宝安公路进行多次的路测，采集十字路口、丁字路口和直行路段的信息构建的与宝安公路中十字路口、丁字路口和直行路段相匹配的算法模型。

具体地，基于个例大数据的自动驾驶预测方法提供与上海市嘉定区的宝安公路相关联的多个预测算法模型。

步骤S102，获取传感器的感测数据。其中，感测数据包括自动驾驶的车辆当前位置、周围环境数据和行驶数据。具体地，感测数据包括自动驾驶车辆当前位置，例如，上海市嘉定区的宝安公路某十字路口；周围环境数据，例如，行驶方向的正前方有红绿灯，当前行驶方向为西南方向；行驶数据，例如，自动驾驶车辆行驶到该位置时进行减速操作，速度限制在30千米每小时。

步骤S103，根据感测数据获取当前自动驾驶车辆的场景数据。场景数据为表示一个具体的场景的特征数据。具体地，根据步骤102中描述的十字路口以及红绿灯为十字路口场景的特征数据。自动驾驶车辆可以根据十字路口以及红绿灯确认当前所在的场景为十字路口场景200。

步骤S104，根据当前自动驾驶车辆的场景数据从多个预测算法模型中获取最优的预测算法模型。具体地，自动驾驶车辆从多个预测算法模型中找到与十字路口场景相匹配的预测算法模型，作为当前的最优的预测算法模型。

步骤S105，加载最优的预测算法模型。具体地，请结合参看图3，自动驾驶车辆行驶到十字路口，加载十字路口场景200的预测算法模型。

步骤S106，利用最优的预测算法模型对当前自动驾驶车辆的场景数据进行运算得到预测数据。具体地，预测数据包括自动驾驶车辆在十字路口场景200中遇到的障碍物的预测轨迹数据以及车辆在该场景中的预测速度等数据。

步骤S107，根据预测数据得到控制指令。控制指令包括自动驾驶车辆的速度，行驶方向等，控制自动驾驶车辆行驶的各种指令。具体地，自动驾驶车辆根据当前场景中的障碍物的预测轨迹数据以及预测速度等计算出自动驾驶车辆的速度，行驶方向等。

步骤S108，控制自动驾驶车辆依照控制指令行驶。具体地，自动驾驶车辆根据计算出自动驾驶车辆的速度，行驶方向等控制指令行驶。

在上述实施例中，自动驾驶车辆根据感知到的感测数据确认自动驾驶车辆当前所在的场景，并根据该场景匹配出最适合该场景的预测算法模型。自动驾驶车辆根据该预测算法模型计算出该场景中障碍物的运动轨迹，使自动驾驶车辆能够以更快的速度计算出障碍物的运动轨迹，提升自动驾驶车辆对环境的适应力，使自动驾驶车辆能够以更优化的路径完成自动驾驶车辆的行驶任务，提升自动驾驶车辆乘客的乘车体验。

请结合参看图2，其为本发明第二实施例提供的基于个例大数据的自动驾驶预测方法的第一子流程图。第二实施例提供的基于个例大数据的自动驾驶预测方法与第一实施例提供的基于个例大数据的自动驾驶预测方法的差异在于利用路测数据构建预测算法模型，第二实施例提供的基于个例大数据的自动驾驶预测方法还包括下面步骤。

步骤S201，利用自动驾驶车辆在子路段进行多次路测得到路测数据。

其中，子路段包括路口和/或非路口的感兴趣路段。子路段可以是十字路口，丁字路口和直行路段等，这里的说明仅做示例不做限定。请结合参看图3，自动驾驶车辆在上海市嘉定区的宝安公路某十字路口场景200进行多次路测，以采集大量的当前十字路口场景200的路测数据；自动驾驶车辆在上海市嘉定区的宝安公路某丁字路口场景300进行多次路测，以采集大量的当前丁字路口场景300的路测数据；自动驾驶车辆在上海市嘉定区的宝安公路直行路段场景400进行多次路测，以采集大量的当前直行路段场景400的路测数据。

步骤S202，根据路测数据构建出各种不同的场景数据。其中，场景数据包括时间、位置、物体、天气中的两者或者多者的组合。具体地，上午8:00时，天气晴朗，自动驾驶车辆经过该十字路口场景200时，采集到8:00，十字路口，周围是同向行驶的车辆，天气晴等数据。进一步地，十字路口的场景数据包括时间、位置、周围物体、天气中的两者或者多者的组合。具体数据由实际情况确定，这里仅做示例说明，不做限定。

步骤S203，根据场景数据下的多次路测数据获得相应的场景。具体地，根据十字路口场景200的多次时间、位置、周围物体、天气统计出相应的场景特点数据来代表该场景。

步骤S204，根据相应的场景构建出对应的预测算法模型。具体地，根据相应的时间、位置、周围物体、天气构建出与场景相对应的预测算法模型。

步骤S205，将场景数据与预测算法模型一一进行关联，形成与子路段相关联的预测算法模型。具体地，十字路口场景200与十字路口相关联的预测算法模型通过相同的特征数据对应起来。

在上述实施例中，利用多次的路测数据构建场景，并根据场景构建出对应的预测算法模型，实现了自动驾驶车辆对障碍物轨迹预测的精细化分析，利用更符合当前路段的算法对障碍物的轨迹进行预测节省了自动驾驶车辆的算力，提升自动驾驶车辆对环境的适应力。

请结合参看图4，其为本发明第二实施例提供的步骤S201的子步骤流程图。步骤S201，利用最优的预测算法模型对当前自动驾驶车辆的场景数据进行运算得到预测数据。其中，预测算法模型包括与子路段相关联的一个或者多个障碍物嫁接模型，障碍物嫁接模型用于表示具有特定行为的某种障碍物在一个子路段的运动轨迹，步骤S201具体包括下面步骤。

步骤S401，当检测到当前自动驾驶车辆的场景数据中存在障碍物数据时，根据障碍物数据匹配出相对应的一个或者多个障碍物嫁接模型，障碍物数据包括用于表示障碍物类型的类型数据、用于表示障碍物行为特征的行为数据、障碍物所在的子路段。

步骤S402，根据对应的一个或者多个障碍物嫁接模型获取预测数据。

在上述实施例中，通过障碍物嫁接模型实现了自动驾驶车辆对障碍物轨迹预测的精细化分析，一旦检测到具体的障碍物就可以将现有模型中与该障碍物特征接近的障碍物运动轨迹嫁接给当前障碍物，从而以更少的算力计算障碍物的预测轨迹，提升了自动驾驶车辆躲避障碍物的反应速度。

请结合参看图5，其为本发明第二实施例提供的步骤S401的子步骤流程图。步骤S401，根据障碍物数据匹配出相对应的障碍物嫁接模型。步骤S401具体包括下面步骤。

步骤S501，匹配出与障碍物所在的子路段相关的一个或者多个障碍物嫁接模型。具体地，自动驾驶车辆根据十字路口的信息匹配出与障碍物所在的十字路口相关的多个障碍物嫁接模型，例如，行人模型，车辆模型以及红绿灯模型。

步骤S502，从与子路段相关的一个或者多个障碍物嫁接模型中匹配出与类型数据相关的一个或者多个障碍物嫁接模型。具体地，自动驾驶车辆根据行人的信息匹配出与障碍物所在的十字路口的行人的相关的多个障碍物嫁接模型，例如，过马路行人模型，等待过马路行人模型。

步骤S503，从与类型数据相关的一个或者多个障碍物嫁接模型中匹配出与行为数据相关的一个或者多个障碍物嫁接模型。具体地，自动驾驶车辆根据行人的速度信息匹配出与障碍物所在的十字路口的行人的速度相关的多个障碍物嫁接模型，例如，过马路行人模型。

在上述实施例中，根据障碍物类型的类型数据、用于表示障碍物行为特征的行为数据、障碍物所在的子路段等数据，筛选出当前环境中与障碍物最为匹配的障碍物轨迹嫁接模型嫁接到当前障碍物上。减少了自动驾驶车辆的算力，提升自动驾驶车辆的识别性能，从而更快的处理各种障碍物信息。

请结合参看图6，其为本发明第二实施例提供的基于个例大数据的自动驾驶预测方法的第四子流程图。第二实施例提供的基于个例大数据的自动驾驶预测方法与第一实施例提供的基于个例大数据的自动驾驶预测方法的差异在于预测算法模型包括与路口相关联的一个或者多个路口预测算法模型，第二实施例提供的基于个例大数据的自动驾驶预测方法，具体包括下面步骤。

步骤S601，当自动驾驶车辆在非目标路段行驶且行驶到非目标路段的路口时，感知当前的路口的场景数据。具体地，自动驾驶车辆感知当前路口的道路情况，路口可能是十字路口，丁字路口或者其他实际道路中存在的路口。在本实施例中，自动驾驶车感知的当前路口为十字路口。

步骤S602，判断是否存在与当前的路口的场景数据相匹配的路口预测算法模型。具体地，自动驾驶车辆判断是否存在与十字路口场景数据相匹配的路口预测算法模型。

步骤S603，当存在与当前的路口的场景数据相匹配的路口预测算法模型时，利用路口预测算法模型对当前的路口的场景数据进行预测得到预测数据。具体地，当存在与十字路口的场景数据相匹配的路口预测算法模型时，自动驾驶车辆利用路口预测算法模型对十字路口的场景数据进行预测得到预测数据。例如，当自动驾驶车辆行驶到当前路口时，提前加载该路口的路口预测算法模型，进入路口模式，根据该十字路口感知到的行人数据，预测出行人在该十字路口的行人的预测轨迹。

在一些可行的实施例中，环境相似的子路段可以共用同一个预测算法模型，有效提升算法的利用率。

上述实施例中，每个路口算法预测模型只对应一种场景的路口，需要计算的数据大大减少，从而大大降低了算法计算的难度。当自动驾驶车辆行驶到当前路口时，提前加载该路口的路口预测算法模型，进入路口模式，节省算力，减少延迟。

请结合参看图7，其为本发明第二实施例提供的基于个例大数据的自动驾驶预测方法的第五子流程图。第二实施例提供的基于个例大数据的自动驾驶预测方法与第一实施例提供的基于个例大数据的自动驾驶预测方法的差异在于预测算法模型包括与非路口的感兴趣路段相关联的一个或者多个路段预测算法模型，第二实施例提供的基于个例大数据的自动驾驶预测方法，具体包括下面步骤。

步骤S701，当自动驾驶车辆在非目标路段行驶且行驶到非目标路段的感兴趣路段时，感知当前的非路口的感兴趣路段的场景数据。具体地，自动驾驶车感知当前非路口的感兴趣路段的道路情况，路口可能是平地直行路段、上坡直行路段、下坡直行路段或者其他实际道路中存在的直行路段。在本实施例中，自动驾驶车感知的当前路段为平地直行路段。平地直行路段为当前非路口的感兴趣路段的道路。

步骤S702，判断是否存在与当前的非路口的感兴趣路段的场景数据相匹配的路段预测算法模型。具体地，自动驾驶车辆判断是否存在与平地直行路段的场景数据相匹配的路段预测算法模型。

步骤S703，当存在与当前的非路口的感兴趣路段的场景数据相匹配的路段预测算法模型时，利用路段预测算法模型对当前的非路口的感兴趣路段的场景数据进行预测得到预测数据。具体地，当存在与平地直行路段的场景数据相匹配的路段预测算法模型时，自动驾驶车辆利用路段预测算法模型对平地直行路段的场景数据进行预测得到预测数据。例如，当自动驾驶车辆行驶到当前路段时，提前加载该路段的路段预测算法模型，进入路段模式，根据在该平地直行路段感知到的车辆数据，预测出车辆在该平地直行路段的车辆的预测数据为沿当前道路直行，小概率车辆换道，速度为50千米每小时。

上述实施例中，每个路段算法预测模型只对应一种场景的路段，需要计算的数据大大减少，从而大大降低了算法计算的难度。当自动驾驶车辆行驶到当前路段时，提前加载该路段的路段预测算法模型，进入路段模式，节省算力，减少延迟。

请结合参看图8，其为本发明第三实施例提供的基于个例大数据的自动驾驶预测方法子流程图。第三实施例提供的基于个例大数据的自动驾驶预测方法与第二实施例提供的基于个例大数据的自动驾驶预测方法的差异在于，当感知到某个对象时，利用与某个对象相关联的对象预测算法模型预测出某个对象的预测数据。第三实施例提供的基于个例大数据的自动驾驶预测方法，具体包括下面步骤。

步骤S901，获取某个对象的行为数据，某个对象的行为数据包括某个对象在路口和/或感兴趣路段的行为数据。具体地，自动驾驶车辆获取其他行驶车辆的行驶数据，例如，车辆在直行路段行驶的直行速度，车辆在十字路口转弯时的转弯速度，车辆在直线上坡时的爬坡速度等。

步骤S902，根据某个对象的行为数据构建对象预测算法模型。根据步骤S901描述的车辆在十字路口转弯时的转弯速度，车辆在直线上坡时的爬坡速度等车辆在路口和感兴趣路段的行为数据构建车辆预测算法模型。

在一些可行的实施例中，环境相似中的车辆与行人可以共用同一个预测算法模型，提升了算法的利用率。

在上述实施例中，通过对单独的对象构建对象预测模型，增加了算法内容的丰富性，使得预测算法模型拥有更多可参考的模型数据，提升自动驾驶车辆的计算性能，通过障碍物模型匹配，节省了大量处理感知分析障碍物的算力，提升自动驾驶车辆在实际行驶中的安全性能。

本发明还提供了一种应用于自动驾驶车辆100的计算机设备900，请结合参看图9和图10，其为本发明第一实施例提供的自动驾驶车辆示意图。计算机设备900包括存储器901和处理器902，存储器901用于储存基于个例大数据的自动驾驶预测方法的程序指令，处理器902用于执行程序指令，以实现上述的基于个例大数据的自动驾驶预测方法。

请结合参看图9，其为第一实施例提供的计算机设备900的内部结构示意图。计算机设备900包括存储器901和处理器902。 其中，存储器901至少包括一种类型的可读存储介质，该可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、磁性存储器、磁盘、光盘等。存储器901在一些可行的实施例中，可以是计算机设备900的内部存储单元，例如计算机设备900的硬盘。存储器901在另一些可行的实施例中，也可以是计算机设备900的外部存储设备，例如计算机设备900上配备的插接式硬盘，智能存储卡（SmartMedia Card， SMC），安全数字卡（Secure Digital， SD），闪存卡（Flash Card）等。进一步地，存储器901还可以既包括计算机设备900的内部存储单元也包括外部存储设备。存储器901不仅可以用于存储安装于计算机设备900的应用软件及各类数据，例如基于个例大数据的自动驾驶预测方法等，还可以用于暂时地存储已经输出或者将要输出的数据。

处理器902在一些可行的实施例中，可以是中央处理器（Central ProcessingUnit， CPU）、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器901中存储的程序代码或处理数据。具体地，处理器902执行基于个例大数据的自动驾驶预测方法的程序代码以控制计算机设备900实现基于个例大数据的自动驾驶预测方法。

进一步地，计算机设备900还可以包括总线903可以是外设部件互连标准总线(peripheral component interconnect，简称PCI)或扩展工业标准结构总线(extendedindustry standard architecture，简称EISA)等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

进一步地，计算机设备900还可以包括显示组件904。显示组件904可以是LED（Light Emitting Diode，发光二极管）显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示组件904也可以适当的称为显示装置或显示单元，用于显示在计算机设备900中处理的信息以及用于显示可视化的用户界面。

进一步地，计算机设备900还可以包括通信组件905，通信组件905可选的可以包括有线通信组件和/或无线通信组件（如WI-FI通信组件、蓝牙通信组件等），通常用于在计算机设备900与其他计算机设备之间建立通信连接。

图9仅示出了具有组件901-905以及实现基于个例大数据的自动驾驶预测方法的程序指令的计算机设备900，本领域技术人员可以理解的是，图9示出的结构并不构成对计算机设备900的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。上述实施例中已经详细描述计算机设备900，处理器902执行基于个例大数据的自动驾驶预测方法的程序指令以控制计算机设备900实现基于个例大数据的自动驾驶预测方法的详细过程。在此不再赘述。

在上述实施例，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

该计算机程序产品包括一个或多个程序指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。该计算机设备可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该程序指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，该程序指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考上述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，该单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

该作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机 设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、流动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

应用于自动驾驶车辆的计算机设备900的具体结构参照上述实施例，由于应用于自动驾驶车辆的计算机设备900采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再赘述。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘且本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

以上所列举的仅为本发明较佳实施例而已， 当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属于本发明所涵盖的范围。