人工智能车辆操作系统的制作方法

本公开的实施例总体上涉及车辆操作系统。更具体地，本公开的实施例涉及一种训练用于车辆操作系统(vos)中的人工智能(ai)模型的方法。

背景技术：

1、在自动模式下运行的车辆(例如无人驾驶车辆)可以减轻车内人员，尤其是驾驶员的一些驾驶相关任务。当车辆在自动模式下运行时，可以使用车载传感器将车辆导航到不同位置，从而车辆行驶时能够尽量减少人机交互，或在没有乘客的情况下行驶。

2、adv(autonomous driving vehicle，自动驾驶车辆)包括许多由车辆操作系统(vehicle operating system，vos)管理的硬件和软件组件，该车辆操作系统可以在一个或多个多处理器单元(microcontroller unit，mpu)和一个或更多微控制器单元(microcontroller unit，mcu)上运行。一种流行的vos是linux，因为它对开发人员非常友好，并且易于迁移、扩展、修订以及升级。

3、vos可以运行各种软件应用和服务来操作adv，包括感知环境、规划轨迹、控制车辆内部温度以及降低功耗。然而，使用ai(artificial intelligence，人工智能)模型可以更有效地执行这些任务。训练ai模型和完善ai模型可能非常耗时。

技术实现思路

技术特征：

1.一种运动中的自动驾驶车辆adv中训练人工智能ai模型的方法，包括：

2.根据权利要求1所述的方法，还包括：

3.根据权利要求1所述的方法，还包括：

4.根据权利要求1所述的方法，其中，所述实时数据是通过所述vos中的系统监视器或通过所述adv中的一个或多个传感器收集的。

5.根据权利要求1所述的方法，其中，所述ai模型是部署到所述adv的所述vos的多个ai模型中的一个ai模型，其中，所述多个ai模型包括功耗降低ai模型、存储寿命延长ai模型、温度预测和控制ai模型、资源管理ai模型、ipc优化ai模型、感知ai模型、定位ai模型，预测ai模型、决策ai模型、规划ai模型以及控制ai模型。

6.根据权利要求5所述的方法，其中，所述多个ai模型中的每一个ai模型为深度学习神经网络。

7.根据权利要求5所述的方法，其中，所述功耗降低ai模型被配置为将任务分类为具有预定等级的任务，其中，所述优先级对应于功耗限制。

8.根据权利要求5所述的方法，其中，所述存储寿命延长ai模型被配置为，当多个路径可用时，选择需要对存储介质进行最小次数写入的路径。

9.根据权利要求5所述的方法，其中，所述温度预测和控制ai模型被配置为，预测应用程序的序列以使多处理器单元mpu的温度达到预定级别，以及调度不同的应用程序序列以避免所述温度达到所述预定级别。

10.根据权利要求5所述的方法，其中，所述ipc优化ai模型被配置为，基于多个因素来选择所述多处理器单元mpu和微控制器单元mcu之间的通信信道，其中，所述多个因素包括所述数据路径中的流量以及与数据传输相关联的任务的优先级。

11.一种自动驾驶车辆adv的车辆操作系统vos，包括：

12.根据权利要求11所述的vos，其中，所述操作还包括：

13.根据权利要求11所述的vos，其中，所述操作还包括：

14.根据权利要求11所述的vos，其中，所述实时数据是通过所述vos中的系统监视器或通过所述adv中的一个或多个传感器收集的。

15.根据权利要求11所述的vos，其中，所述ai模型是部署到所述adv的所述vos的多个ai模型中的一个ai模型，其中，所述多个ai模型包括功耗降低ai模型、存储寿命延长ai模型、温度预测和控制ai模型、资源管理ai模型、ipc优化ai模型、感知ai模型、定位ai模型，预测ai模型、决策ai模型、规划ai模型以及控制ai模型。

16.根据权利要求15所述的vos，其中，所述多个ai模型中的每一个ai模型为深度学习神经网络。

17.根据权利要求15所述的vos，其中，所述功耗降低ai模型被配置为将任务分类为具有预定等级的任务，其中，所述优先级对应于功耗限制。

18.根据权利要求15所述的vos，其中，所述存储寿命延长ai模型被配置为，当多个路径可用时，选择需要对存储介质进行最小次数写入的路径。

19.根据权利要求15所述的vos，其中，所述温度预测和控制ai模型被配置为，预测应用程序的序列以使多处理器单元mpu的温度达到预定级别，以及调度不同的应用程序序列以避免所述温度达到所述预定级别。

20.根据权利要求15所述的vos，其中，所述ipc优化ai模型被配置为，基于多个因素来选择所述多处理器单元mpu和微控制器单元mcu之间的通信信道，其中，所述多个因素包括所述数据路径中的流量以及与数据传输相关联的任务的优先级。

技术总结
一种自动驾驶汽车(ADV)中的车辆操作系统(VOS)可以与云平台通信，以自动训练AI模型。VOS从ADV收集实时数据，并使用AI模型的教师边缘模型基于实时数据生成推断数据，并利用AI模型的学生边缘模型基于实时数据生成第二推断数据(601)。然后VOS获得第一推断数据和第二推断数据之间的一个或多个差异(603)，并基于该一个或多个差异重新训练AI模型的学生边缘模型(605)。实时数据以及重新训练的学生边缘模型被上传到云平台，用于在云平台上升级学生边缘模型和教师边缘模型。升级后的教师边缘模型和学生边缘模型可以通过软件定义过程进行空中(OTA)重新部署。上述训练AI模型的过程可以在闭环中自动重复，无需用户干预。

技术研发人员：寇浩锋,朱晓毅,张满江,潘海伦
受保护的技术使用者：北京百度网讯科技有限公司
技术研发日：
技术公布日：2024/2/25