CN112257486B - 算力分配方法、装置、计算机设备和存储介质 - Google Patents
算力分配方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112257486B CN112257486B CN201911334873.5A CN201911334873A CN112257486B CN 112257486 B CN112257486 B CN 112257486B CN 201911334873 A CN201911334873 A CN 201911334873A CN 112257486 B CN112257486 B CN 112257486B
- Authority
- CN
- China
- Prior art keywords
- road surface
- surface information
- backward
- target
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 259
- 239000011664 nicotinic acid Substances 0.000 claims abstract description 23
- 230000003068 static effect Effects 0.000 claims description 129
- 238000013135 deep learning Methods 0.000 claims description 42
- 230000006399 behavior Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008447 perception Effects 0.000 abstract description 12
- 238000012545 processing Methods 0.000 description 20
- 230000000007 visual effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Optics & Photonics (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种算力分配方法、装置、计算机设备和存储介质。所述方法包括：当自动驾驶车辆在规划路径内行驶，通过多个方向的车载传感器获取当前时刻预设范围内每个方向的车载传感器采集的路面信息；再获取自动驾驶车辆当前时刻的驾驶信息；进而将当前时刻预设范围内每个方向的车载传感器采集的路面信息和当前时刻所述驾驶信息输入仿生算力分配模型，确定对所述每个方向的车载传感器采集的路面信息进行运算的下一时刻和下一时刻自动驾驶车辆的驾驶信息。采用本方法能够提高系统可用性、提高感知性能、降低算力成本。
Description
技术领域
本申请涉及自动驾驶技术领域，特别是涉及一种算力分配方法、装置、计算机设备和存储介质。
背景技术
随着信息和控制技术的发展，自动驾驶技术逐步被用户所接受。自动驾驶不仅能将汽车行驶的危险性降到最低，而且能够减轻用户繁重的驾驶任务。因此，自动驾驶技术成为汽车发展的必然趋势。
环境感知模块通过车载传感器探测自动驾驶车辆周围环境，通过深度学习技术实现对车载传感器的感知图像进行识别、分割、测距等等。但是深度学习需要使用算力较大，而且每台自动驾驶车辆使用多台甚至十多台视觉传感器，对车载计算平台是巨大挑战。现有技术中，主要使用高精地图提供的静态目标信息，在有静态目标时才使用相关算力，例如高精地图提示前方较近距离内有红绿灯，才开始使用算力计算能够拍摄到红绿灯的摄像头传回的图像，识别红绿灯，并辨别红绿灯颜色。
然而，目前的方法，存在实用性差或成本高等问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高系统可用性、提高感知性能、降低算力成本的算力分配方法、装置、计算机设备和存储介质。
一种算力分配方法，所述方法包括：
当自动驾驶车辆在规划路径内行驶，通过多个方向的车载传感器获取当前时刻预设范围内每个方向的车载传感器采集的路面信息；
获取自动驾驶车辆当前时刻的驾驶信息；
将当前时刻预设范围内每个方向的车载传感器采集的路面信息和当前时刻所述驾驶信息输入仿生算力分配模型，确定对所述每个方向的车载传感器采集的路面信息进行运算的下一时刻和下一时刻自动驾驶车辆的驾驶信息。
在其中一个实施例中，所述当自动驾驶车辆在规划路径内行驶，通过多个方向的车载传感器获取当前时刻预设范围内每个方向的车载传感器采集的路面信息包括：
通过前向车载传感器获取当前时刻预设范围内的前向路面信息、后向车载传感器获取当前时刻预设范围内的后向路面信息、左侧车载传感器获取当前时刻预设范围内的左侧路面信息以及右侧车载传感器获取当前时刻预设范围内的右侧路面信息。
在其中一个实施例中，所述获取自动驾驶车辆当前时刻的驾驶信息包括：
获取自动驾驶车辆当前时刻的行为信息和速度信息。
在其中一个实施例中，所述将当前时刻预设范围内每个方向的车载传感器采集的路面信息和当前时刻所述驾驶信息输入仿生算力分配模型，确定对所述每个方向的车载传感器采集的路面信息进行运算的下一时刻和下一时刻自动驾驶车辆的驾驶信息包括：
将所述前向路面信息、后向路面信息、左侧路面信息、右侧路面信息、行为信息和速度信息输入所述仿生算力分配模型，输出对所述每个方向的车载传感器采集的路面信息进行运算的下一时刻和下一时刻自动驾驶车辆的驾驶信息。
在其中一个实施例中，所述将所述前向路面信息、后向路面信息、左侧路面信息、右侧路面信息、行为信息和速度信息输入所述仿生算力分配模型，输出对所述每个方向的车载传感器采集的路面信息进行运算的下一时刻和下一时刻自动驾驶车辆的驾驶信息包括：
分别根据所述前向路面信息、后向路面信息、左侧路面信息、右侧路面信息，分别确定所述前向路面信息对应的前向静态目标和前向动态目标、后向路面信息对应的后向静态目标和后向动态目标、左侧路面信息对应的左侧静态目标和左侧动态目标以及右侧路面信息对应的右侧静态目标和右侧动态目标；
分别根据前向静态目标和前向动态目标、后向静态目标和后向动态目标、左侧静态目标和左侧动态目标以及右侧静态目标和右侧动态目标，分别确定所述前向路面信息对应的前向算力需求、后向路面信息对应的后向算力需求、左侧路面信息对应的左侧算力需求以及右侧路面信息对应的右侧算力需求；
分别根据前向算力需求、后向算力需求、左侧算力需求和右侧算力需求，分别确定对所述前向车载传感器采集的前向路面信息进行运算的下一时刻、对所述后向车载传感器采集的后向路面信息进行运算的下一时刻、对所述左侧车载传感器采集的左侧路面信息进行运算的下一时刻和对所述右侧车载传感器采集的右侧路面信息进行运算的下一时刻；
获取所述自动驾驶车辆的预设总算力；
根据行为信息、速度信息所述自动驾驶车辆的预设总算力、前向算力需求、后向算力需求、左侧算力需求和右侧算力需求，确定下一时刻自动驾驶车辆的行为信息和速度信息。
在其中一个实施例中，所述分别根据所述前向路面信息、后向路面信息、左侧路面信息、右侧路面信息，分别确定所述前向路面信息对应的前向静态目标和前向动态目标、后向路面信息对应的后向静态目标和后向动态目标、左侧路面信息对应的左侧静态目标和左侧动态目标以及右侧路面信息对应的右侧静态目标和右侧动态目标包括：
获取深度学习网络；
采用深度学习网络分别对所述前向路面信息、后向路面信息、左侧路面信息、右侧路面信息进行处理，得到所述前向路面信息对应的前向静态目标和前向动态目标、后向路面信息对应的后向静态目标和后向动态目标、左侧路面信息对应的左侧静态目标和左侧动态目标和右侧路面信息对应的右侧静态目标和右侧动态目标。
在其中一个实施例中，所述分别根据前向静态目标和前向动态目标、后向静态目标和后向动态目标、左侧静态目标和左侧动态目标以及右侧静态目标和右侧动态目标，分别确定所述前向路面信息对应的前向算力需求、后向路面信息对应的后向算力需求、左侧路面信息对应的左侧算力需求以及右侧路面信息对应的右侧算力需求包括：
获取采用深度学习网络对所述前向路面信息进行处理所对应的前向网络算力需求、采用深度学习网络对所述后向路面信息进行处理所对应的后向网络算力需求、采用深度学习网络对所述左侧路面信息进行处理所对应的左侧网络算力需求和采用深度学习网络对所述右侧路面信息进行处理所对应的右侧网络算力需求；
分别根据前向网络算力需求、后向网络算力需求、左侧网络算力需求和右侧网络算力需求，分别确定前向静态目标算力需求、后向静态目标算力需求、左侧静态目标算力需求和右侧静态目标算力需求；
识别所述前向动态目标中的至少一个动态目标类型、所述后向动态目标中的至少一个动态目标类型、所述左侧动态目标中的至少一个动态目标类型和所述右侧动态目标中的至少一个动态目标类型；
分别调取所述前向动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数、所述后向动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数、所述左侧动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数和所述右侧动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数；
分别根据所述前向动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数、所述后向动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数、所述左侧动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数和所述右侧动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数，分别确定前向动态目标算力需求、后向动态目标算力需求、左侧动态目标算力需求和右侧动态目标算力需求；
分别将所述前向静态目标算力需求与前向动态目标算力需求进行和计算、将所述后向静态目标算力需求与后向动态目标算力需求进行和计算、将所述左侧静态目标算力需求与左侧动态目标算力需求进行和计算以及将所述右侧静态目标算力需求与右侧动态目标算力需求进行和计算，分别得到前向算力需求、后向算力需求、左侧算力需求和右侧算力需求。
在其中一个实施例中，所述分别根据前向算力需求、后向算力需求、左侧算力需求和右侧算力需求，分别确定对所述前向车载传感器采集的前向路面信息进行运算的下一时刻、对所述后向车载传感器采集的后向路面信息进行运算的下一时刻、对所述左侧车载传感器采集的左侧路面信息进行运算的下一时刻和对所述右侧车载传感器采集的右侧路面信息进行运算的下一时刻包括：
分别获取所述前向算力需求对应的前向需求帧率、后向算力需求对应的后向需求帧率、左侧算力需求对应的左侧需求帧率和右侧算力需求对应的右侧需求帧率；
根据所述当前时刻和前向算力需求对应的前向需求帧率，确定对所述前向车载传感器采集的前向路面信息进行运算的下一时刻；
根据所述当前时刻和后向算力需求对应的后向需求帧率，确定对所述后向车载传感器采集的后向路面信息进行运算的下一时刻；
根据所述当前时刻和左侧算力需求对应的左侧需求帧率，确定对所述左侧车载传感器采集的左侧路面信息进行运算的下一时刻；
根据所述当前时刻和右侧算力需求对应的右侧需求帧率，确定对所述右侧车载传感器采集的右侧路面信息进行运算的下一时刻。
一种算力分配装置，所述装置包括：
第一获取模块，用于当自动驾驶车辆在规划路径内行驶，通过多个方向的车载传感器获取当前时刻预设范围内每个方向的车载传感器采集的路面信息；
第二获取模块，用于获取自动驾驶车辆当前时刻的驾驶信息；
信息确定模块，用于将当前时刻预设范围内每个方向的车载传感器采集的路面信息和当前时刻所述驾驶信息输入仿生算力分配模型，确定对所述每个方向的车载传感器采集的路面信息进行运算的下一时刻和下一时刻自动驾驶车辆的驾驶信息。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上任一项所述方法的步骤。
上述算力分配方法、装置、计算机设备和存储介质，当自动驾驶车辆在规划路径内行驶，通过多个方向的车载传感器获取当前时刻预设范围内每个方向的车载传感器采集的路面信息；再获取自动驾驶车辆当前时刻的驾驶信息；进而将当前时刻预设范围内每个方向的车载传感器采集的路面信息和当前时刻所述驾驶信息输入仿生算力分配模型，确定对所述每个方向的车载传感器采集的路面信息进行运算的下一时刻和下一时刻自动驾驶车辆的驾驶信息。上述方法能够提高系统可用性、提高感知性能、降低算力成本。
附图说明
图1为一个实施例中一种算力分配方法的应用环境图；
图2为一个实施例中一种算力分配方法的流程示意图；
图3为一个实施例中自动驾驶车辆传感器分配示意图；
图4为一个实施例中一种算力分配装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的算力分配方法，可以应用于如图1所示的应用环境中。其中，自动驾驶车辆102通过网络与服务器104进行通信。当自动驾驶车辆102在规划路径内行驶，通过多个方向的车载传感器获取当前时刻预设范围内每个方向的车载传感器采集的路面信息，并将路面信息通过网络传输至服务器104。服务器104获取自动驾驶车辆当前时刻的驾驶信息，进而将当前时刻预设范围内每个方向的车载传感器采集的路面信息和当前时刻所述驾驶信息输入仿生算力分配模型，确定对所述每个方向的车载传感器采集的路面信息进行运算的下一时刻和下一时刻自动驾驶车辆的驾驶信息。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种算力分配方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
步骤S1：当自动驾驶车辆在规划路径内行驶，通过多个方向的车载传感器获取当前时刻预设范围内每个方向的车载传感器采集的路面信息；
步骤S2：获取自动驾驶车辆当前时刻的驾驶信息；
步骤S3：将当前时刻预设范围内每个方向的车载传感器采集的路面信息和当前时刻所述驾驶信息输入仿生算力分配模型，确定对所述每个方向的车载传感器采集的路面信息进行运算的下一时刻和下一时刻自动驾驶车辆的驾驶信息。
具体地，环境感知是自动驾驶系统组成中五大基本模块，包括环境感知、高精定位、决策规划、车辆控制、线控执行，环境感知通过车载传感器探测自动驾驶车辆周围环境，最重要的三类车载传感器是激光雷达传感器、毫米波雷达传感器、视觉传感器。由于道路上大部分目标、交通标识、交通灯、车道线等等均可以通过视觉传感器探测，所以视觉传感器探测技术对于环境感知尤为重要。以视觉传感器为例，在自动驾驶车辆的的多个位置均安装视觉传感器，通过不同位置的视觉传感器可以采集自动驾驶车辆不同方向的路面信息。路面信息包括交通标识、人、车辆等等。驾驶信息可为自动驾驶车辆的行驶速度、行驶方向等。
进一步地，仿生关注力系统表现特性类似于人类驾驶员，驾驶员精力旺盛注意力集中的时候，开车车速较快、加减速转向超车操作频繁，这种情况对应超高算力计算平台的自动驾驶系统；驾驶员精力不旺盛注意力不太集中的时候，开车车速不快、车速平稳、非必须不进行超车换道等操作，这种情况对应拥有普通算力计算平台的自动驾驶系统。本申请中采用的仿生算力模型即模拟人类驾驶员，一方面，用于将有限的算力合理分配，优化并减少环境感知对算力的需求；另一方面，考虑系统算力(系统可以提供的算力)，为决策规划提供合理的行为决策和车速决策，系统算力的约束下，应对各种感知模块算力需求。通过仿生算力模型可提高系统可用性、提高系统适用范围、提高感知性能、降低算力硬件成本，降低系统功耗。
上述算力分配方法，当自动驾驶车辆在规划路径内行驶，通过多个方向的车载传感器获取当前时刻预设范围内每个方向的车载传感器采集的路面信息；再获取自动驾驶车辆当前时刻的驾驶信息；进而将当前时刻预设范围内每个方向的车载传感器采集的路面信息和当前时刻所述驾驶信息输入仿生算力分配模型，确定对所述每个方向的车载传感器采集的路面信息进行运算的下一时刻和下一时刻自动驾驶车辆的驾驶信息。上述方法能够提高系统可用性、提高感知性能、降低算力成本。
在其中一个实施例中，所述步骤S1包括：
步骤S11：通过前向车载传感器获取当前时刻预设范围内的前向路面信息、后向车载传感器获取当前时刻预设范围内的后向路面信息、左侧车载传感器获取当前时刻预设范围内的左侧路面信息以及右侧车载传感器获取当前时刻预设范围内的右侧路面信息。
如图3所示，以视觉传感器为例，在自动驾驶车辆上一共安装8个视觉传感器，前风挡玻璃上安装3个，分别是前视长距、前视中距和前视短距离，用于采集前向路面信息；两侧翼子板上安装2个侧后视中距，两侧B柱上安装2个侧前视中距，用于采集侧向路面信息(即左侧路面信息和右侧路面信息)；车尾部安装1个后视中距，用于采集后向路面信息。
在其中一个实施例中，所述步骤S2包括：
步骤S21：获取自动驾驶车辆当前时刻的行为信息和速度信息。
具体地，行为信息包括沿道路直行、路口或者沿道路的左转，路口或者沿道路右转、路口或者沿道路调头和倒车行驶等。
在其中一个实施例中，所述步骤S3包括：
步骤S31：将所述前向路面信息、后向路面信息、左侧路面信息、右侧路面信息、行为信息和速度信息输入所述仿生算力分配模型，输出对所述每个方向的车载传感器采集的路面信息进行运算的下一时刻和下一时刻自动驾驶车辆的驾驶信息。
在其中一个实施例中，所述步骤S31包括：
步骤S311：分别根据所述前向路面信息、后向路面信息、左侧路面信息、右侧路面信息，分别确定所述前向路面信息对应的前向静态目标和前向动态目标、后向路面信息对应的后向静态目标和后向动态目标、左侧路面信息对应的左侧静态目标和左侧动态目标以及右侧路面信息对应的右侧静态目标和右侧动态目标；
步骤S312：分别根据前向静态目标和前向动态目标、后向静态目标和后向动态目标、左侧静态目标和左侧动态目标以及右侧静态目标和右侧动态目标，分别确定所述前向路面信息对应的前向算力需求、后向路面信息对应的后向算力需求、左侧路面信息对应的左侧算力需求以及右侧路面信息对应的右侧算力需求；
步骤S313：分别根据前向算力需求、后向算力需求、左侧算力需求和右侧算力需求，分别确定对所述前向车载传感器采集的前向路面信息进行运算的下一时刻、对所述后向车载传感器采集的后向路面信息进行运算的下一时刻、对所述左侧车载传感器采集的左侧路面信息进行运算的下一时刻和对所述右侧车载传感器采集的右侧路面信息进行运算的下一时刻；
步骤S314：获取所述自动驾驶车辆的预设总算力；
步骤S315：根据行为信息、速度信息所述自动驾驶车辆的预设总算力、前向算力需求、后向算力需求、左侧算力需求和右侧算力需求，确定下一时刻自动驾驶车辆的行为信息和速度信息。
一、静态目标的类型、每个类型的静态目标对应的算力帧数需求以及帧间隔，如表1所示：
表1静态目标算力配置
二、动态目标类型包括任务场景、行为决策、规划车速、态势估计、可动实物和自动驾驶级别，且每个动态目标类型包括不同的子类型，如表2所示，任务场景包括结构化道路、结构化路口、非结构化道路和非结构化路口。
(1)任务场景–任务场景系数
任务场景是自动驾驶车辆执行行驶任务的场景，若任务场景为道路，则不同的道路条件需要给予的注意力不同。结构化道路设施完善，道路标线清晰，交通参与者大多依据交通法规。在非路口的道路上，参与者大多同向行驶，或快或慢，最为简单，任务场景系数最低。路口有多方来车，且考虑视野问题，任务场景系数为道路的2倍。非结构化道路的道路设施不完善，无道路标线，交通参与者大多随意性较大。在这里行驶要提高注意力，任务场景系数是结构化道路的2倍。
表2任务场景的系数配置
(2)行为决策–关注方向系数
行为决策是自动驾驶车辆采取的行驶决策，包括沿道路直行、路口或者沿道路的左转，路口或者沿道路右转、路口或者沿道路调头和倒车行驶。不同的行驶决策下，不同方向需要的关注力不同。
沿道路直行，最关注的是前向目标，左侧和右侧需要一般关注，后向只有要超车时才会妨碍自车，可能性较小，给予少量关注即可。
路口或者沿道路的左转，最关注的是左侧目标，前向和后向需要一般关注，右侧目标正常情况下妨碍自车的可能性较小，给予少量关注即可。
路口或者沿道路右转，最关注的是右侧目标，前向和后向需要一般关注，左侧目标正常情况下妨碍自车的可能性较小，给予少量关注即可。
路口或者沿道路调头和倒车行驶，最关注的是后向目标，左侧和右侧需要一般关注，前向目标正常情况下妨碍自车的可能性较小，给予少量关注即可。
表3行为决策的系数配置
(3)态势估计–目标威胁系数
态势估计是自动驾驶系统根据环境感知信息对将来周围驾驶环境做出估计。根据碰撞风险进行区分，未来2秒内有碰撞风险的目标是高度威胁目标，需要高度关注，目标威胁系数高；未来5秒以内有碰撞风险的目标是中度威胁目标，需要中度关注，目标威胁系数中；未来10秒内有碰撞风险的目标是低度威胁目标，需要低度关注，目标威胁系数低；未来10秒内都没有碰撞风险的目标是无威胁目标，需要极低的关注度即可，目标威胁系数无。
表4态势估计的系数配置
(4)规划车速–规划车速系数
规划车速是自动驾驶车辆规划执行的行车速度，车速越高需要关注力越高，车速降低则需要关注力就降低。
表5规划车速的系数配置
| 目标威胁系数 | 高 | 中 | 低 | 无 |
| 20kmph | 5 | 2.5 | 1 | 0.5 |
| 40kmph | 10 | 5 | 2 | 1 |
| 60kmph | 15 | 7.5 | 3 | 1.5 |
| 80kmph | 20 | 10 | 4 | 2 |
| 100kmph | 25 | 12.5 | 5 | 2.5 |
| 120kmph | 30 | 15 | 6 | 3 |
(5)可动实物类别–可动实物类别系数
目标类别不同也会影响关注力。
行人速度较低但前后左右都有可能是行驶方向，变化大，需要高度关注；自行车、三轮车速度较低但前、左、右均有可能是行驶方向，变化较大，需要较高度关注；汽车电动车、摩托车速度较快，前、左、右均有可能是行驶方向，但是左右方向转弯角度不大，变化不大，需要一般关注；动物速度较低但前后左右都有可能是行驶方向，变化大，需要高度关注。
表6可动实物的系数配置
(6)自动驾驶级别–自动驾驶级别系数
自动驾驶车辆需要实现的自动驾驶级别不同，对感知的需求也不相同。
L1/L2自动驾驶车辆不需要全向感知，只需根据功能实现感知相应范围即可；L3自动驾驶车辆需要全向感知，配置一套感知传感器，驾驶员会作为备份处理异常情况；L4自动驾驶车辆需要全向感知，配置两套感知传感器，自动处理异常情况；L5自动驾驶车辆需要全向感知，每种场景配置两套感知传感器，自动处理异常情况。
表7自动驾驶级别的系数配置：
| 自动驾驶级别 | 关注方向 | 自动驾驶级别系数 |
| L1/L2 | 场景方向 | 1 |
| L3 | 360° | 1 |
| L4 | 360° | 2 |
| L5 | 360° | 2*N |
进一步地，根据实际情况，前向、后向、左侧和右侧中任意一个方向都可能存在仅有动态目标和静态目标中的一种，或者动态目标和静态目标均不存在，或者动态目标和静态目标均存在。因此，仅需对任意一个方向存在的目标进行记录。例如，前向路面信息包括人、结构化道路和直行，即前向路面信息中不包括静态目标，前向路面信息对应的前向动态目标分别为可动实物(人)、人物场景(结构化道路)和行为决策(直行)。通过前向路面信息对应的前向动态目标，确定前向算力需求，其他方向的以此类推。
进一步地，目前的自动驾驶根据自动化程度分为五个级别，分别为：L1驾驶支援、L2部分自动化、L3有条件自动化、L4高度自动化和L5完全自动化。每个级别的自动驾驶汽车搭载的运行系统所对应的算力(即预设总算力)是不同的，如L2需求10TPS(transactionoperations per second，每秒10万亿次定数运算)。自动驾驶系统的计算单元算力基于硬件，是固定的，因此，可根据自动驾驶车辆的预设总算力和当前各个方向的算力需求，规划自动驾驶汽车下一时刻自动驾驶车辆的行为信息和速度信息
本申请采用的方法相比固定分配算力的方法，根据场景动态分配算力，将算力向更需要关注的方向倾斜，更能提升系统感知能力，让自动驾驶可以在更快的速度和更复杂的场景下运行。基于固定的感知算力，在场景简单的情况下，提升自动驾驶的速度，在场景复杂的情况下降低车辆速度从而减少系统对感知算力的需求。
在其中一个实施例中，所述步骤S311包括：
步骤S3111：获取深度学习网络；
步骤S3112：采用深度学习网络分别对所述前向路面信息、后向路面信息、左侧路面信息、右侧路面信息进行处理，得到所述前向路面信息对应的前向静态目标和前向动态目标、后向路面信息对应的后向静态目标和后向动态目标、左侧路面信息对应的左侧静态目标和左侧动态目标和右侧路面信息对应的右侧静态目标和右侧动态目标。
具体地，自动驾驶车辆采集的各个方向的路面信息需要通过深度学习进行处理，提取各个方向对应的路面目标信息。例前向路面信息经深度学习进行处理，得到前向路面目标信息(即前向静态目标和前向静态目标)，其他方向的以此类推。
在其中一个实施例中，所述步骤S312包括：
步骤S3121：获取采用深度学习网络对所述前向路面信息进行处理所对应的前向网络算力需求、采用深度学习网络对所述后向路面信息进行处理所对应的后向网络算力需求、采用深度学习网络对所述左侧路面信息进行处理所对应的左侧网络算力需求和采用深度学习网络对所述右侧路面信息进行处理所对应的右侧网络算力需求；
步骤S3122：分别根据前向网络算力需求、后向网络算力需求、左侧网络算力需求和右侧网络算力需求，分别确定前向静态目标算力需求、后向静态目标算力需求、左侧静态目标算力需求和右侧静态目标算力需求；
步骤S3123：识别所述前向动态目标中的至少一个动态目标类型、所述后向动态目标中的至少一个动态目标类型、所述左侧动态目标中的至少一个动态目标类型和所述右侧动态目标中的至少一个动态目标类型；
步骤S3124：分别调取所述前向动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数、所述后向动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数、所述左侧动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数和所述右侧动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数；
步骤S3125：分别根据所述前向动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数、所述后向动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数、所述左侧动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数和所述右侧动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数，分别确定前向动态目标算力需求、后向动态目标算力需求、左侧动态目标算力需求和右侧动态目标算力需求；
步骤S3126：分别将所述前向静态目标算力需求与前向动态目标算力需求进行和计算、将所述后向静态目标算力需求与后向动态目标算力需求进行和计算、将所述左侧静态目标算力需求与左侧动态目标算力需求进行和计算以及将所述右侧静态目标算力需求与右侧动态目标算力需求进行和计算，分别得到前向算力需求、后向算力需求、左侧算力需求和右侧算力需求。
具体地，深度学习网络对不同方向的路面信息进行处理所对应的算力需求不同，因此，帧数需求的不同。在本申请中静态目标在通过深度学习网络实现感知时帧数需求固定，而动态目标通过深度学习网络实现感知时帧数需求不同固定，即不同类别的动态目标所对应的算力需求不同。
以感知的前向路面信息为例，计算前向算力需求，具体如下：
(1)前向路面信息包括前向静态目标和前向动态目标，前向算力需求为前向静态目标对应的前向静态目标算力需求与前向动态目标对应的前向动态目标算力需求的和，设ALG_f_d为前向动态目标算力需求，ALG_f_s为前向静态目标算力需求，ALG_f为前向算力需求，因此，ALG_f＝ALG_f_d+ALG_f_s。
如表1所示，前向静态目标包括红绿灯、交通标识、交通标线和道路设施，一般由一个深度学习网络实现感知，且帧数需求固定。设ALG_f_s_net为采用深度学习网络对前向静态目标进行处理所对应的前向静态目标网络算力需求，则
ALG_f_s＝2*ALG_f_s_net。
(2)前向动态目标包括任务场景、行为决策、规划车速、态势估计、可动实物和自动驾驶级别，一般由一个深度学习网络实现感知，帧数需求不固定，但加权系数固定。设ALG_f_d_net为采用深度学习网络对前向动态目标进行处理所对应的前向动态目标网络算力需求，max(可动实物类别系数)：前向可动实物类别中系数最大值，则
ALG_f_d＝max(可动实物类别系数)*任务场景系数*关注方向系数*目标威胁系数*规划车速系数*ALG_f_d_net。
具体地，若前向动态目标包括任务场景(结构化道路)、关注方向(左转)、态势估计(高-20kmph)、可动实物(行人)和规划车速(L3)，其中，结构化道路为任务场景类型中的一个子动态目标，其他的同理。通过查询表2-7，可知ALG_f_d＝1*0.5*5*2*1＝5。需要注意的是，可动实物的类别为自行车或汽车时，而自行车对应的系数为1.5，那么在计算前向动态目标算力需求时，选取可动实物类别中对应系数最高值，即2。此外，若前向动态目标中不包括任务场景，则ALG_f_d＝max(可动实物类别系数)*关注方向系数*目标威胁系数*规划车速系数*ALG_f_d_net(即采用深度学习网络对前向动态目标进行处理所对应的前向动态目标网络算力需求)，即只需将不存在的动态目标进行忽略。
(3)同理后向、左侧、右侧均可用上述公式进行计算，得到后向算力需求ALG_b、左侧算力需求ALG_l和右侧算力需求ALG_r。
后向算力需求ALG_b的计算具体如下：
ALG_b＝ALG_b_d(即后向动态目标算力需求)+ALG_b_s(即后向静态目标算力需求)
ALG_b_s＝2*ALG_b_s_net(即采用深度学习网络对后向静态目标进行处理所对应的后向静态目标网络算力需求)
ALG_b_d＝max(可动实物类别系数)*任务场景系数*关注方向系数*目标威胁系数*规划车速系数*ALG_b_d_net(即采用深度学习网络对后向动态目标进行处理所对应的后向动态目标网络算力需求)。
左侧算力需求ALG_l的计算具体如下：
ALG_l＝ALG_l_d(即左侧动态目标算力需求)+ALG_l_s(即左侧静态目标算力需求)
ALG_l_s＝2*ALG_l_s_net(即采用深度学习网络对左侧静态目标进行处理所对应的左侧静态目标网络算力需求)
ALG_l_d＝max(可动实物类别系数)*任务场景系数*关注方向系数*目标威胁系数*规划车速系数*ALG_f_l_net(即采用深度学习网络对左侧动态目标进行处理所对应的左侧动态目标网络算力需求)。
右侧算力需求ALG_r的计算具体如下：
ALG_r＝ALG_r_d(即右侧动态目标算力需求)+ALG_r_s(即右侧静态目标算力需求)
ALG_r_s＝2*ALG_r_s_net(即采用深度学习网络对右侧静态目标进行处理所对应的右侧静态目标网络算力需求)
ALG_r_d＝max(目标类别系数)*任务场景系数*关注方向系数*目标威胁系数*规划车速系数*ALG_r_d_net(即采用深度学习网络对右侧动态目标进行处理所对应的右侧动态目标网络算力需求)。
(4)自动驾驶车辆的总算力需求ALG_all的计算具体如下：
ALG_all＝自动驾驶级别系数*(ALG_f+ALG_b+ALG_l+ALG_r)
在其中一个实施例中，所述步骤S313包括：
步骤S3131：分别获取所述前向算力需求对应的前向需求帧率、后向算力需求对应的后向需求帧率、左侧算力需求对应的左侧需求帧率和右侧算力需求对应的右侧需求帧率；
步骤S3132：根据所述当前时刻和前向算力需求对应的前向需求帧率，确定对所述前向车载传感器采集的前向路面信息进行运算的下一时刻；
步骤S3133：根据所述当前时刻和后向算力需求对应的后向需求帧率，确定对所述后向车载传感器采集的后向路面信息进行运算的下一时刻；
步骤S3134：根据所述当前时刻和左侧算力需求对应的左侧需求帧率，确定对所述左侧车载传感器采集的左侧路面信息进行运算的下一时刻；
步骤S3135：根据所述当前时刻和右侧算力需求对应的右侧需求帧率，确定对所述右侧车载传感器采集的右侧路面信息进行运算的下一时刻。
具体地，根据计算平台算力和算力规划结果进行算力决策，决定算力的分配，即系统算力应用处理哪些感知数据，并产生相应的数据处理触发信号。
考虑计算平台算力ALG_sys的约束、从算力规划需求ALG_all、自动驾驶车辆行为决策、车辆速度决策三者组合中选择可行方案。由于计算平台算力的约束，车辆行为较复杂的需要选择较低的车速、车辆行为较简单的则可以选择较快车速。最终产生算力分配结果，即每个计算模块需要执行的帧率frame/second，从而得到计算单元下一帧的运算时刻。
根据公式：下一帧运算时刻＝当前帧运算时刻+1/需求帧率，可计算下一时刻触发计算模块进行运算。
ALG_f_framerate：10fps，
ALG_f_ts：1.1s，1.2s，1.3s，1.4s，1.5s，1.6s，1.7s，1.8s，1.9s，2.0s；
ALG_b_framerate：2fps，
ALG_b_ts：1.5s，2.0s；
ALG_l_framerate：5fps，
ALG_l_ts：1.2s，1.4s，1.6s，1.8s，2.0s；
ALG_r_framerate：5fps，
ALG_r_ts：1.2s，1.4s，1.6s，1.8s，2.0s。
环境感知模块按感知触发时间序列触发感知计算，其中，ALG_f_framerate：前向帧率需求，ALG_f_ts：前向触发时间序列，ALG_b_framerate：后向帧率需求，ALG_b_ts：后向触发时间序列，ALG_l_framerate：左侧帧率需求，ALG_l_ts：左侧触发时间序列，ALG_r_framerate：右侧帧率需求，ALG_r_ts：右侧触发时间序列。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种算力分配装置，包括：第一信息获取模块10、第二信息获取模块20和决策信息确定模块30，其中：
第一信息获取模块10，用于当自动驾驶车辆在规划路径内行驶，通过多个方向的车载传感器获取当前时刻预设范围内每个方向的车载传感器采集的路面信息；
第二信息获取模块20，用于获取自动驾驶车辆当前时刻的驾驶信息；
决策信息确定模块30，用于将当前时刻预设范围内每个方向的车载传感器采集的路面信息和当前时刻所述驾驶信息输入仿生算力分配模型，确定对所述每个方向的车载传感器采集的路面信息进行运算的下一时刻和下一时刻自动驾驶车辆的驾驶信息。
在其中一个实施例中，所述第一信息获取模块10包括：
各向路面信息获取模块101，用于通过前向车载传感器获取当前时刻预设范围内的前向路面信息、后向车载传感器获取当前时刻预设范围内的后向路面信息、左侧车载传感器获取当前时刻预设范围内的左侧路面信息以及右侧车载传感器获取当前时刻预设范围内的右侧路面信息。
在其中一个实施例中，所述第二信息获取模块20包括：
驾驶信息获取模块201，用于获取自动驾驶车辆当前时刻的行为信息和速度信息。
在其中一个实施例中，所述决策信息确定模块30包括：
模型处理模块301，用于将所述前向路面信息、后向路面信息、左侧路面信息、右侧路面信息、行为信息和速度信息输入所述仿生算力分配模型，输出对所述每个方向的车载传感器采集的路面信息进行运算的下一时刻和下一时刻自动驾驶车辆的驾驶信息。
在其中一个实施例中，所述模型处理模块301包括：
各向目标确定模块3011，用于分别根据所述前向路面信息、后向路面信息、左侧路面信息、右侧路面信息，分别确定所述前向路面信息对应的前向静态目标和前向动态目标、后向路面信息对应的后向静态目标和后向动态目标、左侧路面信息对应的左侧静态目标和左侧动态目标以及右侧路面信息对应的右侧静态目标和右侧动态目标；
各向算力需求确定模块3012，用于分别根据前向静态目标和前向动态目标、后向静态目标和后向动态目标、左侧静态目标和左侧动态目标以及右侧静态目标和右侧动态目标，分别确定所述前向路面信息对应的前向算力需求、后向路面信息对应的后向算力需求、左侧路面信息对应的左侧算力需求以及右侧路面信息对应的右侧算力需求；
各向时刻确定模块3013，用于分别根据前向算力需求、后向算力需求、左侧算力需求和右侧算力需求，分别确定对所述前向车载传感器采集的前向路面信息进行运算的下一时刻、对所述后向车载传感器采集的后向路面信息进行运算的下一时刻、对所述左侧车载传感器采集的左侧路面信息进行运算的下一时刻和对所述右侧车载传感器采集的右侧路面信息进行运算的下一时刻；
总算力获取模块3014，用于获取所述自动驾驶车辆的预设总算力；
驾驶信息确定模块3015，用于根据行为信息、速度信息所述自动驾驶车辆的预设总算力、前向算力需求、后向算力需求、左侧算力需求和右侧算力需求，确定下一时刻自动驾驶车辆的行为信息和速度信息。
在其中一个实施例中，所述各向目标确定模块3011包括：
网络获取模块3011a，用于获取深度学习网络；
网络处理模块3011b，用于采用深度学习网络分别对所述前向路面信息、后向路面信息、左侧路面信息、右侧路面信息进行处理，得到所述前向路面信息对应的前向静态目标和前向动态目标、后向路面信息对应的后向静态目标和后向动态目标、左侧路面信息对应的左侧静态目标和左侧动态目标和右侧路面信息对应的右侧静态目标和右侧动态目标。
在其中一个实施例中，所述各向算力需求确定模块3012包括：
各向网络算力需求获取模块3012a，用于获取采用深度学习网络对所述前向路面信息进行处理所对应的前向网络算力需求、采用深度学习网络对所述后向路面信息进行处理所对应的后向网络算力需求、采用深度学习网络对所述左侧路面信息进行处理所对应的左侧网络算力需求和采用深度学习网络对所述右侧路面信息进行处理所对应的右侧网络算力需求；
目标算力需求确定模块3012b，用于分别根据前向网络算力需求、后向网络算力需求、左侧网络算力需求和右侧网络算力需求，分别确定前向静态目标算力需求、后向静态目标算力需求、左侧静态目标算力需求和右侧静态目标算力需求；
识别模块3012c，用于识别所述前向动态目标中的至少一个动态目标类型、所述后向动态目标中的至少一个动态目标类型、所述左侧动态目标中的至少一个动态目标类型和所述右侧动态目标中的至少一个动态目标类型；
调取模块3012d，用于分别调取所述前向动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数、所述后向动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数、所述左侧动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数和所述右侧动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数；
动态目标算力需求确定模块3012e，用于分别根据所述前向动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数、所述后向动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数、所述左侧动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数和所述右侧动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数，分别确定前向动态目标算力需求、后向动态目标算力需求、左侧动态目标算力需求和右侧动态目标算力需求；
各向算力需求计算模块3012f，用于分别将所述前向静态目标算力需求与前向动态目标算力需求进行和计算、将所述后向静态目标算力需求与后向动态目标算力需求进行和计算、将所述左侧静态目标算力需求与左侧动态目标算力需求进行和计算以及将所述右侧静态目标算力需求与右侧动态目标算力需求进行和计算，分别得到前向算力需求、后向算力需求、左侧算力需求和右侧算力需求。
在其中一个实施例中，所述各向时刻确定模块3013包括：
各向需求帧率获取模块3013a，用于分别获取所述前向算力需求对应的前向需求帧率、后向算力需求对应的后向需求帧率、左侧算力需求对应的左侧需求帧率和右侧算力需求对应的右侧需求帧率；
前向时刻确定模块3013b，用于根据所述当前时刻和前向算力需求对应的前向需求帧率，确定对所述前向车载传感器采集的前向路面信息进行运算的下一时刻；
后向时刻确定模块3013b，用于根据所述当前时刻和后向算力需求对应的后向需求帧率，确定对所述后向车载传感器采集的后向路面信息进行运算的下一时刻；
左侧时刻确定模块3013c，用于根据所述当前时刻和左侧算力需求对应的左侧需求帧率，确定对所述左侧车载传感器采集的左侧路面信息进行运算的下一时刻；
右侧时刻确定模块3013c，用于根据所述当前时刻和右侧算力需求对应的右侧需求帧率，确定对所述右侧车载传感器采集的右侧路面信息进行运算的下一时刻。
关于一种算力分配装置的具体限定可以参见上文中对于一种算力分配方法的限定，在此不再赘述。上述一种算力分配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计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
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5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。该计算机设备的数据库用于存储相关数据。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算力分配方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
当自动驾驶车辆在规划路径内行驶，通过多个方向的车载传感器获取当前时刻预设范围内每个方向的车载传感器采集的路面信息；
获取自动驾驶车辆当前时刻的驾驶信息；
将当前时刻预设范围内每个方向的车载传感器采集的路面信息和当前时刻所述驾驶信息输入仿生算力分配模型，确定对所述每个方向的车载传感器采集的路面信息进行运算的下一时刻和下一时刻自动驾驶车辆的驾驶信息。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
当自动驾驶车辆在规划路径内行驶，通过多个方向的车载传感器获取当前时刻预设范围内每个方向的车载传感器采集的路面信息；
获取自动驾驶车辆当前时刻的驾驶信息；
将当前时刻预设范围内每个方向的车载传感器采集的路面信息和当前时刻所述驾驶信息输入仿生算力分配模型，确定对所述每个方向的车载传感器采集的路面信息进行运算的下一时刻和下一时刻自动驾驶车辆的驾驶信息。
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，本申请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。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种算力分配方法，其特征在于，所述方法包括：
当自动驾驶车辆在规划路径内行驶，通过多个方向的车载传感器获取当前时刻预设范围内每个方向的车载传感器采集的路面信息；
获取自动驾驶车辆当前时刻的驾驶信息；
将当前时刻预设范围内每个方向的车载传感器采集的路面信息和当前时刻所述驾驶信息输入仿生算力分配模型，确定对所述每个方向的车载传感器采集的路面信息进行运算的下一时刻和下一时刻自动驾驶车辆的驾驶信息；
其中，所述当自动驾驶车辆在规划路径内行驶，通过多个方向的车载传感器获取当前时刻预设范围内每个方向的车载传感器采集的路面信息包括：通过前向车载传感器获取当前时刻预设范围内的前向路面信息、后向车载传感器获取当前时刻预设范围内的后向路面信息、左侧车载传感器获取当前时刻预设范围内的左侧路面信息以及右侧车载传感器获取当前时刻预设范围内的右侧路面信息；
其中，所述获取自动驾驶车辆当前时刻的驾驶信息包括：
获取自动驾驶车辆当前时刻的行为信息和速度信息；
其中，所述将当前时刻预设范围内每个方向的车载传感器采集的路面信息和当前时刻所述驾驶信息输入仿生算力分配模型，确定对所述每个方向的车载传感器采集的路面信息进行运算的下一时刻和下一时刻自动驾驶车辆的驾驶信息包括：将所述前向路面信息、后向路面信息、左侧路面信息、右侧路面信息、行为信息和速度信息输入所述仿生算力分配模型，输出对所述每个方向的车载传感器采集的路面信息进行运算的下一时刻和下一时刻自动驾驶车辆的驾驶信息；
其中，所述将所述前向路面信息、后向路面信息、左侧路面信息、右侧路面信息、行为信息和速度信息输入所述仿生算力分配模型，输出对所述每个方向的车载传感器采集的路面信息进行运算的下一时刻和下一时刻自动驾驶车辆的驾驶信息包括：分别根据所述前向路面信息、后向路面信息、左侧路面信息、右侧路面信息，分别确定所述前向路面信息对应的前向静态目标和前向动态目标、后向路面信息对应的后向静态目标和后向动态目标、左侧路面信息对应的左侧静态目标和左侧动态目标以及右侧路面信息对应的右侧静态目标和右侧动态目标；
分别根据前向静态目标和前向动态目标、后向静态目标和后向动态目标、左侧静态目标和左侧动态目标以及右侧静态目标和右侧动态目标，分别确定所述前向路面信息对应的前向算力需求、后向路面信息对应的后向算力需求、左侧路面信息对应的左侧算力需求以及右侧路面信息对应的右侧算力需求；
分别根据前向算力需求、后向算力需求、左侧算力需求和右侧算力需求，分别确定对所述前向车载传感器采集的前向路面信息进行运算的下一时刻、对所述后向车载传感器采集的后向路面信息进行运算的下一时刻、对所述左侧车载传感器采集的左侧路面信息进行运算的下一时刻和对所述右侧车载传感器采集的右侧路面信息进行运算的下一时刻；
获取所述自动驾驶车辆的预设总算力；
根据行为信息、速度信息所述自动驾驶车辆的预设总算力、前向算力需求、后向算力需求、左侧算力需求和右侧算力需求，确定下一时刻自动驾驶车辆的行为信息和速度信息；
其中，所述分别根据所述前向路面信息、后向路面信息、左侧路面信息、右侧路面信息，分别确定所述前向路面信息对应的前向静态目标和前向动态目标、后向路面信息对应的后向静态目标和后向动态目标、左侧路面信息对应的左侧静态目标和左侧动态目标以及右侧路面信息对应的右侧静态目标和右侧动态目标包括：获取深度学习网络；
采用深度学习网络分别对所述前向路面信息、后向路面信息、左侧路面信息、右侧路面信息进行处理，得到所述前向路面信息对应的前向静态目标和前向动态目标、后向路面信息对应的后向静态目标和后向动态目标、左侧路面信息对应的左侧静态目标和左侧动态目标和右侧路面信息对应的右侧静态目标和右侧动态目标；
其中，其特征在于，所述分别根据前向静态目标和前向动态目标、后向静态目标和后向动态目标、左侧静态目标和左侧动态目标以及右侧静态目标和右侧动态目标，分别确定所述前向路面信息对应的前向算力需求、后向路面信息对应的后向算力需求、左侧路面信息对应的左侧算力需求以及右侧路面信息对应的右侧算力需求包括：获取采用深度学习网络对所述前向路面信息进行处理所对应的前向网络算力需求、采用深度学习网络对所述后向路面信息进行处理所对应的后向网络算力需求、采用深度学习网络对所述左侧路面信息进行处理所对应的左侧网络算力需求和采用深度学习网络对所述右侧路面信息进行处理所对应的右侧网络算力需求；
分别根据前向网络算力需求、后向网络算力需求、左侧网络算力需求和右侧网络算力需求，分别确定前向静态目标算力需求、后向静态目标算力需求、左侧静态目标算力需求和右侧静态目标算力需求；
识别所述前向动态目标中的至少一个动态目标类型、所述后向动态目标中的至少一个动态目标类型、所述左侧动态目标中的至少一个动态目标类型和所述右侧动态目标中的至少一个动态目标类型；
分别调取所述前向动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数、所述后向动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数、所述左侧动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数和所述右侧动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数；
分别根据所述前向动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数、所述后向动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数、所述左侧动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数和所述右侧动态目标中的至少一个动态目标类型中子动态目标对应的子动态目标系数，分别确定前向动态目标算力需求、后向动态目标算力需求、左侧动态目标算力需求和右侧动态目标算力需求；
分别将所述前向静态目标算力需求与前向动态目标算力需求进行和计算、将所述后向静态目标算力需求与后向动态目标算力需求进行和计算、将所述左侧静态目标算力需求与左侧动态目标算力需求进行和计算以及将所述右侧静态目标算力需求与右侧动态目标算力需求进行和计算，分别得到前向算力需求、后向算力需求、左侧算力需求和右侧算力需求。
2.根据权利要求1所述的方法，其特征在于，所述分别根据前向算力需求、后向算力需求、左侧算力需求和右侧算力需求，分别确定对所述前向车载传感器采集的前向路面信息进行运算的下一时刻、对所述后向车载传感器采集的后向路面信息进行运算的下一时刻、对所述左侧车载传感器采集的左侧路面信息进行运算的下一时刻和对所述右侧车载传感器采集的右侧路面信息进行运算的下一时刻包括：分别获取所述前向算力需求对应的前向需求帧率、后向算力需求对应的后向需求帧率、左侧算力需求对应的左侧需求帧率和右侧算力需求对应的右侧需求帧率；
根据所述当前时刻和前向算力需求对应的前向需求帧率，确定对所述前向车载传感器采集的前向路面信息进行运算的下一时刻；
根据所述当前时刻和后向算力需求对应的后向需求帧率，确定对所述后向车载传感器采集的后向路面信息进行运算的下一时刻；
根据所述当前时刻和左侧算力需求对应的左侧需求帧率，确定对所述左侧车载传感器采集的左侧路面信息进行运算的下一时刻；
根据所述当前时刻和右侧算力需求对应的右侧需求帧率，确定对所述右侧车载传感器采集的右侧路面信息进行运算的下一时刻。
3.一种算力分配装置，其特征在于，所述算力分配装置用于实现权利要求1或2所述算力分配方法，所述装置包括：
第一获取模块，用于当自动驾驶车辆在规划路径内行驶，通过多个方向的车载传感器获取当前时刻预设范围内每个方向的车载传感器采集的路面信息；
第二获取模块，用于获取自动驾驶车辆当前时刻的驾驶信息；
信息确定模块，用于将当前时刻预设范围内每个方向的车载传感器采集的路面信息和当前时刻所述驾驶信息输入仿生算力分配模型，确定对所述每个方向的车载传感器采集的路面信息进行运算的下一时刻和下一时刻自动驾驶车辆的驾驶信息。
4.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1或2所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911334873.5A CN112257486B (zh) | 2019-12-23 | 2019-12-23 | 算力分配方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911334873.5A CN112257486B (zh) | 2019-12-23 | 2019-12-23 | 算力分配方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112257486A CN112257486A (zh) | 2021-01-22 |
| CN112257486B true CN112257486B (zh) | 2023-12-29 |
Family
ID=74224321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911334873.5A Active CN112257486B (zh) | 2019-12-23 | 2019-12-23 | 算力分配方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112257486B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114827954A (zh) * | 2022-03-09 | 2022-07-29 | 上智联检测技术(上海)有限公司 | 一种车辆节能方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106843210A (zh) * | 2017-01-24 | 2017-06-13 | 同济大学 | 一种基于仿生学的自动驾驶车辆运行控制方法 |
| CN108227685A (zh) * | 2018-01-08 | 2018-06-29 | 中科开元信息技术(北京)有限公司 | 一种分级遥控无人车辆的实时控制系统 |
| WO2018196827A1 (zh) * | 2017-04-27 | 2018-11-01 | 广州汽车集团股份有限公司 | 车辆的动力分配控制方法、装置及系统 |
| CN109074742A (zh) * | 2016-04-20 | 2018-12-21 | 三菱电机株式会社 | 周边认知装置、周边认知方法和周边认知程序 |
| CN109582022A (zh) * | 2018-12-20 | 2019-04-05 | 驭势科技（北京）有限公司 | 一种自动驾驶策略决策系统与方法 |
| CN109714422A (zh) * | 2018-12-28 | 2019-05-03 | 深圳市易成自动驾驶技术有限公司 | 基于自动驾驶的计算资源共享方法、系统及可读存储介质 |
| CN109714421A (zh) * | 2018-12-28 | 2019-05-03 | 国汽(北京)智能网联汽车研究院有限公司 | 基于车路协同的智能网联汽车运行系统 |
| CN110083163A (zh) * | 2019-05-20 | 2019-08-02 | 三亚学院 | 一种用于自动驾驶汽车的5g c-v2x车路云协同感知方法及系统 |
| CN110103984A (zh) * | 2018-02-01 | 2019-08-09 | 通用汽车环球科技运作有限责任公司 | 使用感知系统措施管理前进路径的自动驾驶复杂度 |
| CN110335488A (zh) * | 2019-07-24 | 2019-10-15 | 深圳成谷科技有限公司 | 一种基于车路协同的车辆自动驾驶方法和装置 |
| CN110398960A (zh) * | 2019-07-08 | 2019-11-01 | 浙江吉利汽车研究院有限公司 | 一种智能驾驶的路径规划方法、装置及设备 |
| CN110543148A (zh) * | 2018-05-28 | 2019-12-06 | 华为技术有限公司 | 一种任务调度方法及装置 |
| CN110544376A (zh) * | 2019-08-19 | 2019-12-06 | 杭州博信智联科技有限公司 | 一种自动驾驶辅助方法和装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9944291B2 (en) * | 2015-10-27 | 2018-04-17 | International Business Machines Corporation | Controlling driving modes of self-driving vehicles |
| CN106128140B (zh) * | 2016-08-11 | 2017-12-05 | 江苏大学 | 车联网环境下行车服务主动感知系统及方法 |
| CN110544389A (zh) * | 2018-05-28 | 2019-12-06 | 上海汽车集团股份有限公司 | 一种自动驾驶管控方法、装置及系统 |
| CN109693668B (zh) * | 2018-12-27 | 2020-12-18 | 驭势科技（北京）有限公司 | 一种自动驾驶车辆速度控制系统与方法 |
| CN109669461B (zh) * | 2019-01-08 | 2020-07-28 | 南京航空航天大学 | 一种复杂工况下自动驾驶车辆决策系统及其轨迹规划方法 |
-
2019
- 2019-12-23 CN CN201911334873.5A patent/CN112257486B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109074742A (zh) * | 2016-04-20 | 2018-12-21 | 三菱电机株式会社 | 周边认知装置、周边认知方法和周边认知程序 |
| CN106843210A (zh) * | 2017-01-24 | 2017-06-13 | 同济大学 | 一种基于仿生学的自动驾驶车辆运行控制方法 |
| WO2018196827A1 (zh) * | 2017-04-27 | 2018-11-01 | 广州汽车集团股份有限公司 | 车辆的动力分配控制方法、装置及系统 |
| CN108227685A (zh) * | 2018-01-08 | 2018-06-29 | 中科开元信息技术(北京)有限公司 | 一种分级遥控无人车辆的实时控制系统 |
| CN110103984A (zh) * | 2018-02-01 | 2019-08-09 | 通用汽车环球科技运作有限责任公司 | 使用感知系统措施管理前进路径的自动驾驶复杂度 |
| CN110543148A (zh) * | 2018-05-28 | 2019-12-06 | 华为技术有限公司 | 一种任务调度方法及装置 |
| CN109582022A (zh) * | 2018-12-20 | 2019-04-05 | 驭势科技（北京）有限公司 | 一种自动驾驶策略决策系统与方法 |
| CN109714421A (zh) * | 2018-12-28 | 2019-05-03 | 国汽(北京)智能网联汽车研究院有限公司 | 基于车路协同的智能网联汽车运行系统 |
| CN109714422A (zh) * | 2018-12-28 | 2019-05-03 | 深圳市易成自动驾驶技术有限公司 | 基于自动驾驶的计算资源共享方法、系统及可读存储介质 |
| CN110083163A (zh) * | 2019-05-20 | 2019-08-02 | 三亚学院 | 一种用于自动驾驶汽车的5g c-v2x车路云协同感知方法及系统 |
| CN110398960A (zh) * | 2019-07-08 | 2019-11-01 | 浙江吉利汽车研究院有限公司 | 一种智能驾驶的路径规划方法、装置及设备 |
| CN110335488A (zh) * | 2019-07-24 | 2019-10-15 | 深圳成谷科技有限公司 | 一种基于车路协同的车辆自动驾驶方法和装置 |
| CN110544376A (zh) * | 2019-08-19 | 2019-12-06 | 杭州博信智联科技有限公司 | 一种自动驾驶辅助方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 无人车的场景理解与自主运动;薛建儒;李庚欣;;无人系统技术(02);第30-39页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112257486A (zh) | 2021-01-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108509832B (zh) | 用于产生虚拟车道的方法和装置 | |
| US10429841B2 (en) | Vehicle control method and apparatus and method and apparatus for acquiring decision-making model | |
| Zakaria et al. | Lane detection in autonomous vehicles: A systematic review | |
| CN112133089A (zh) | 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置 | |
| US20210356968A1 (en) | Scenario identification for validation and training of machine learning based models for autonomous vehicles | |
| CN112706785B (zh) | 一种自动驾驶车辆行驶环境认知目标选择方法、装置及存储介质 | |
| CN113844451B (zh) | 行驶设备控制方法、装置、电子设备及存储介质 | |
| CN110834667B (zh) | 车辆转向控制方法、装置、车辆、终端设备及存储介质 | |
| JP2021534494A (ja) | 自律型車両用のカメラ評価技術 | |
| CN112132040B (zh) | 基于视觉的安全带实时监测方法、终端设备及存储介质 | |
| CN111931683B (zh) | 图像识别方法、装置及计算机可读存储介质 | |
| CN112257486B (zh) | 算力分配方法、装置、计算机设备和存储介质 | |
| US20240355132A1 (en) | Vision-based system training with simulated content | |
| CN110727269A (zh) | 车辆控制方法及相关产品 | |
| CN112417976B (zh) | 一种路面检测识别方法、装置、智能终端及存储介质 | |
| CN113942503A (zh) | 一种车道保持方法和装置 | |
| CN110053554B (zh) | 辅助驾驶方法、辅助驾驶装置及车载无人机 | |
| CN109407662B (zh) | 无人驾驶车辆控制方法及装置 | |
| JP2024056653A (ja) | オブジェクト検出システム | |
| CN115123291B (zh) | 一种基于障碍物识别的行为预测方法及装置 | |
| CN110435658A (zh) | 一种车辆控制方法、装置、车辆和存储介质 | |
| CN116709032A (zh) | 车载摄像头的控制方法、装置及电子设备 | |
| CN116901936A (zh) | 自动泊车方法、装置、设备、介质 | |
| CN112904843B (zh) | 一种自动驾驶场景确定方法、装置、电子设备及存储介质 | |
| US20230377348A1 (en) | Supplementing vision-based system training with simulated content |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 100176 floor 10, building 1, zone 2, yard 9, Taihe 3rd Street, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant after: Beijing National New Energy Vehicle Technology Innovation Center Co.,Ltd. Address before: 100176 1705, block a, building 1, No. 10, Ronghua Middle Road, economic and Technological Development Zone, Daxing District, Beijing Applicant before: BEIJING NEW ENERGY VEHICLE TECHNOLOGY INNOVATION CENTER Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |