[发明专利]一种基于自监督学习的提升路侧传感器精度的方法及系统

说明书

本发明提供一种基于自监督学习的提升路侧传感器精度的方法及系统，其中，该方法包括：在目标区域的道路上安装多个边缘计算设备及多组标准组件，其中，每组标准组件包括多个标准路侧传感器；对于每组数据采集组件，调整数据采集组件的工作参数；对于每个边缘计算设备，建立精度提升模型，基于边缘计算设备对应的多组数据采集组件采集的历史数据及边缘计算设备对应的至少一组标准组件采集的历史数据，生成多个训练样本，基于多个训练样本对精度提升模型进行训练；对于每个边缘计算设备，基于训练后的精度提升模型对边缘计算设备对应的多组数据采集组件采集的实时数据进行数据校准，具有提高现有路侧传感器精度，降低提升改造的成本的优点。

技术领域

本发明涉及数据处理领域，特别涉及一种基于自监督学习的提升路侧传感器精度的方法及系统。

背景技术

路侧感知就是利用摄像机、毫米波雷达、激光雷达等传感器，并结合路侧边缘计算，其最终目的是实现对该路段的交通参与者、路况等的瞬时智能感知。路侧感知能拓展自动驾驶车辆和驾驶员感知范围，并通过V2X车路协同技术实现人-车-路-云的一体化运行监测，第一时间发现道路通行异常，实现车路协同、车云协同，区域路云协同等智能应用，满足自动驾驶车辆、社会车辆智能出行需求，同时它能使监管机构变得更加高效灵活，从而建立一个响应速度更快、更加灵活的监管环境。

现有路侧传感器（摄像机，雷达） 性能层次不齐，对于实际交通感知的准确度较低，然而这些设备已经布置在路侧，很难随意更换。现有的技术，通过提高后端服务器的算力来改善识别感知精度 ，这种方法对后续的算力要求极高、成本高、网络传输要求高，而且后端服务器的需要较高等级的维护和环境（空调等）。

因此，需要提供一种基于自监督学习的提升路侧传感器精度的方法及系统，用于提高现有路侧传感器精度，降低提升改造的成本。

发明内容

本说明书实施例之一提供一种基于自监督学习的提升路侧传感器精度的方法，所述方法包括：在目标区域的道路上安装多个边缘计算设备，其中，每个所述边缘计算设备对应有至少一组数据采集组件，所述数据采集组件包括多个现有路侧传感器；在所述目标区域的道路上安装多组标准组件，其中，每组所述标准组件包括多个标准路侧传感器，每个所述边缘计算设备对应有至少一组所述标准组件；对于每组所述数据采集组件，调整所述数据采集组件的工作参数；对于每个所述边缘计算设备，建立精度提升模型，基于所述边缘计算设备对应的多组数据采集组件采集的历史数据及所述边缘计算设备对应的至少一组所述标准组件采集的历史数据，生成多个训练样本，基于多个所述训练样本对所述精度提升模型进行训练；对于每个所述边缘计算设备，基于训练后的精度提升模型对所述边缘计算设备对应的多组数据采集组件采集的实时数据进行数据校准。

在一些实施例中，调整所述数据采集组件的工作参数，包括：测试所述数据采集组件包括的多个现有路侧传感器的稳定性；测试所述数据采集组件包括的多个现有路侧传感器的测量范围；测试所述数据采集组件包括的多个现有路侧传感器的输出结果；基于所述稳定性、所述输出结果和/或所述测量范围，调整所述数据采集组件的工作参数。

在一些实施例中，所述数据采集组件至少包括图像采集装置及雷达。

在一些实施例中，所述基于所述稳定性、所述输出结果和/或所述测量范围，调整所述数据采集组件的工作参数，包括：基于所述测量范围，调整所述图像采集装置的角度和/或位置及所述雷达的角度和/或位置。

在一些实施例中，所述基于所述测量范围，调整所述图像采集装置的角度和/或位置及所述雷达的角度和/或位置，包括；对于所述图像采集装置，获取所述图像采集装置的预设采集范围，确定所述图像采集装置的实际采集范围，基于所述图像采集装置的预设采集范围和所述图像采集装置的实际采集范围之间的偏差，调整所述图像采集装置的角度和/或位置；对于所述雷达，获取所述雷达的预设采集范围，确定所述雷达的实际采集范围，基于所述雷达的预设采集范围和所述雷达的实际采集范围之间的偏差，调整所述雷达的角度和/或位置。