一种指标确定方法、装置及电子设备与流程

本申请涉及计算机技术中的自动驾驶等人工智能
技术领域：
，尤其涉及一种指标确定方法、装置及电子设备。
背景技术：
：随着自动驾驶技术的不断发展，自动驾驶车辆越来越多，也越来越智能。自动驾驶车辆由于要处理的场景非常复杂多样，因此随着自动驾驶算法的持续迭代自动驾驶算法本身越来越成为一个超复杂的系统，该系统一般分为感知、预测、决策、规划、控制几大模块。在实际开发过程中每个算法模块自身会进行单独迭代，而从用户或产品角度来看关注的是最终车端的实际效果，而非某个模块单独的好坏。通常每个模块单独迭代时会有衡量模块自身算法效果的一系列评价指标，这些指标可以从多维度去评价算法的效果，指标项较多。目前，为了分析出单模块指标和最终车端效果指标之间的关系，并选择出关键的单模块迭代指标，通常采用的方法是通过人工分析自动驾驶车辆急刹的实际case(案例)来得到单模块指标的特征，然后选择出关键指标。技术实现要素：本申请提供一种指标确定方法、装置及电子设备。第一方面，本申请一个实施例提供一种指标确定方法，所述方法包括：确定多个自动驾驶数据片段中每个数据片段的多个第一指标的值；分别对每个第一指标的值进行排序，并分别将每个第一指标的排序后的值分成多个指标值集合；利用所述多个第一指标的指标值集合以及所述多个第一指标的指标值集合的数据片段集的第二指标的值，确定所述多个第一指标与所述第二指标之间的相关系数，其中，目标指标值集合的数据片段集为所述目标指标值集合中指标值对应的数据片段的集合，所述目标指标值集合为所述多个第一指标的指标值集合中任一集合，所述多个自动驾驶数据片段包括所述目标指标值集合的数据片段集；基于所述相关系数，从所述多个第一指标中确定目标指标。在本申请实施例的指标确定方法中，无需人工分析自动驾驶数据以确定目标指标，而是通过确定多个自动驾驶数据片段中每个数据片段的多个第一指标的值，并分别对每个第一指标的值进行排序，并分别将每个第一指标的排序后的值分成多个指标值集合，然后利用的是多个第一指标的指标值集合以及所述多个第一指标的指标值集合的数据片段集的第二指标的值，确定所述多个第一指标与所述第二指标之间的相关系数，依据相关系数来确定目标指标。即在本实施例中，通过上述过程可确定多个第一指标与所述第二指标之间的关联关系，根据关联关系来确定目标指标，可提高确定的目标指标的准确性。第二方面，本申请一个实施例提供一种指标确定装置，所述装置包括：第一确定模块，用于确定多个自动驾驶数据片段中每个数据片段的多个第一指标的值；处理模块，用于分别对每个第一指标的值进行排序，并分别将每个第一指标的排序后的值分成多个指标值集合；第二确定模块，用于利用所述多个第一指标的指标值集合以及所述多个第一指标的指标值集合的数据片段集的第二指标的值，确定所述多个第一指标与所述第二指标之间的相关系数，其中，目标指标值集合的数据片段集为所述目标指标值集合中指标值对应的数据片段的集合，所述目标指标值集合为所述多个第一指标的指标值集合中任一集合，所述多个自动驾驶数据片段包括所述目标指标值集合的数据片段集；第三确定模块，用于基于所述相关系数，从所述多个第一指标中确定目标指标。第三方面，本申请一个实施例还提供一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请各实施例提供的指标确定方法。第四方面，本申请一个实施例还提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请各实施例提供的指标确定方法。第五方面，本申请一个实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本申请各实施例提供的指标确定方法。附图说明附图用于更好地理解本方案，不构成对本申请的限定。其中：图1是本申请提供的一个实施例的指标确定方法的流程示意图；图2是本申请提供的一个实施例的第i个第一指标的100个分类槽的示意图；图3是本申请提供的一个实施例的第i个第一指标与急刹指标之间的相关系数分布图；图4是本申请提供的一个实施例的指标确定装置的结构图；图5是用来实现本申请实施例的指标确定方法的电子设备的框图。具体实施方式以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。如图1所示，根据本申请的实施例，本申请提供一种指标确定方法，可应用于电子设备，方法包括：步骤s101：确定多个自动驾驶数据片段中每个数据片段的多个第一指标的值。多个自动驾驶数据片段为自动驾驶车辆在行驶过程中记录的数据，自动驾驶车辆在整个行驶过程中，可遇到多种行驶事件，例如，在某个路口发生切车，可遇到各种障碍物，例如，在某个路口遇到障碍等，行驶过程中这些数据均可记录在自动驾驶数据中，自动驾驶数据可分成多个自动驾驶数据片段。在本实施例中，首先获取多个自动驾驶数据片段，然后可基于多个自动驾驶数据片段，确定每个数据片段的多个第一指标的值。多个第一指标可以预先确定，在得到多个自动驾驶数据片段后，确定每个数据片段的多个第一指标的值即可。例如，多个第一指标包括8个第一指标，多个自动驾驶数据片段包括60万个数据片段，则对于60万个数据片段中每个数据片段，分别对应有8个第一指标的值，如此，每个第一指标的值包括60万个值。作为一个示例，多个第一指标可以包括位置预测误差指标以及速度预测误差指标，另外，多个第一指标还可以包括路线预测准确率指标以及预测路线召回率等。可选的，上述多个第一指标可均为基于自动驾驶车辆在行驶过程中的障碍物的指标。可选的，位置预测误差指标可以是未来预定时长内的位置预测误差指标、速度预测误差指标可以是预定时长内的速度预测误差指标，比如，预定时长可以包括未来1秒、未来3秒以及未来5秒等，则位置预测误差指标包括未来1秒的位置预测误差指标、未来3秒的位置预测误差指标和未来5秒的位置预测误差指标，速度预测误差指标包括未来1秒的速度预测误差指标、未来3秒的速度预测误差指标和未来5秒的速度预测误差指标。需要说明的是，上述未来是相对当前时间而言的，例如，当前时间为八点整，则未来1秒，是指八点零一秒。例如，自动驾驶车辆在行驶过程中在时间t0遇到障碍物a，障碍物a的速度为v0，位置为p0，在经过1秒后，障碍物的速度为v1，位置为p1，这些实际数据均可记录在自动驾驶数据中，在这时间段内，t0时间遇到障碍物a后即可预测障碍物在1秒后的速度v11和位置p11等，预测的速度和位置也记录在自动驾驶数据中，后续可根据预测的速度和位置与实际的速度和位置进行比对，即可确定位置预测误差指标的值、速度预测误差指标的值等。步骤s102：分别对每个第一指标的值进行排序，并分别将每个第一指标的排序后的值分成多个指标值集合。由于对于每个数据片段，分别对应有多个第一指标的值，则对于某一个第一指标，则包括多个值，且该第一指标的值的数量与数据片段的数量相同，可对每个第一指标的值分别进行排序。例如，若有60万个数据片段，对于指标a，在每个数据片段下，有对应的值，指标a有60万个的值，对于指标b，在每个数据片段下，有对应的值，指标a有60万个的值，如此，可对指标a的值进行排序，以及对指标b的值进行排序，可分别得到每个指标排序后的值。然后对每个第一指标的排序后的值，分成多个指标值集合，也即是，对于每一个第一指标，分别对应有多个指标值集合。例如，对于指标a，有对应的多个指标值集合，对于指标b，有对应的多个指标值集合。举例说明，每个第一指标分别有60万个值，每个第一指标的值均可分别平均分成100个指标值集合，则每个指标值集合中包括6000个指标值。比如，指标a的某个指标值集合中包括了6000个指标a的值，指标b的某个指标值集合中包括了6000个指标b的值。作为一个示例，可按照从大到小的顺序，分别对每个第一指标的值进行排序，即值越大的排在越靠前，如此，可根据从大到小的顺序，分别将每个第一指标的排序后的值分成多个指标值集合，可选的，可按照预设数量，分别将每个第一指标的排序后的值分成多个指标值集合，或者可按照预设集合数量，分别将每个第一指标的排序后的值平均分成多个指标值集合，即每个指标值集合中包括预设数量个指标值(这是在多个数据片段的数量能被预设数量整除的情况下每个指标值集合中包括预设数量个指标值，若不能被整除，则其中一个指标值集合中的指标值的数量为多个数据片段的数量除以预设数量的余数，其余指标值集合的指标值的数量相同，均为多个数据片段的数量除以预设数量的结果向下取整值)，或任一第一指标的多个指标值集合的数量为预设集合数量且指标值集合中的指标值的数量相同(这是在多个数据片段的数量能被预设集合数量整除的情况下相同，若不能被整除，则其中一个指标值集合中的指标值的数量为多个数据片段的数量除以预设集合数量的余数与多个数据片段的数量除以预设集合数量的结果向下取整值之和，其余指标值集合的指标值的数量相同，均为多个数据片段的数量除以预设集合数量的结果向下取整值)。可以理解，值较接近的分在一个集合中。如上举例，对于指标a的60万个值，预设数量为6000个，按照从大到小的顺序排序后，每6000个值形成一个指标值集合，则排在靠前的6000个值作为一个指标值集合，排序在第6001到第12000的值作为一个指标值集合，依次类推，直到排在最后的6000个值作为一个指标值集合，即完成指标a的60万个值的分段，得到100个指标值集合。步骤s103：利用多个第一指标的指标值集合以及多个第一指标的指标值集合的数据片段集的第二指标的值，确定多个第一指标与第二指标之间的相关系数。其中，目标指标值集合的数据片段集为目标指标值集合中指标值对应的数据片段的集合，目标指标值集合为多个第一指标的指标值集合中任一集合，多个自动驾驶数据片段包括目标指标值集合的数据片段集。即任一指标值集合对应的数据片段集均在多个自动驾驶数据片段中。相关系数可表征第一指标和第二指标之间的关联关系。需要说明的是，利用多个第一指标的指标值集合以及多个第一指标的指标值集合的数据片段集的第二指标的值，确定多个第一指标与第二指标之间的相关系数之前，可先确定多个第一指标的指标值集合的数据片段集的第二指标的值。需要说明的是，由于每个第一指标对应有多个指标值集合，上述多个第一指标的指标值集合，可以理解为包括每个第一指标的多个指标值集合，例如，多个第一指标包括指标a和指标b，指标a对应多个指标值集合，指标b对应多个指标值集合，则上述多个第一指标的指标值集合包括指标a对应的多个指标值集合以及指标b对应的多个指标值集合。多个第一指标的指标值集合的数据片段集即包括每个第一指标的多个指标值集合的数据片段集，每个指标值集合分别对应一个数据片段集，而在每个数据片段集上可确定第二指标的一个值，则对于某一个第一指标，第二指标的值的数量与该第一指标的指标值集合的数量相同。例如，指标a的一个指标集合中包括指标a的一个值x和另一个值y，指标a的x值是在数据片段p1上得到的，指标a的y值是在数据片段p2上得到的，则该指标集合对应的数据片段集包括数据片段p1和数据片段p2。如上举例，多个第一指标的指标值集合的数据片段集包括a对应的多个指标值集合分别对应的数据片段集以及指标b对应的多个指标值集合分别对应的数据片段集。作为一个示例，第二指标可以包括但不限于急刹比率，数据片段集的第二指标的值为该数据片段集中发生急刹的数据片段数量与该数据片段集的数据片段数量的比值，例如，一个数据片段集中包括6000个数据片段，有600个数据片段中发生了急刹，则该数据片段集的第二指标的值为300/6000，即为0.05。步骤s104：基于相关系数，从多个第一指标中确定目标指标。利用多个第一指标的指标值集合以及多个第一指标的指标值集合的数据片段集的第二指标的值，确定多个第一指标与第二指标之间的相关系数，即可得到多个相关系数，相关系数的数量与多个第一指标的数量相同，然后根据相关系数，从多个第一指标中确定目标指标。需要说明的是，本实施例的指标确定方法可应用于自动驾驶项目的算法迭代场景。在本申请实施例的指标确定方法中，无需人工分析自动驾驶数据以确定目标指标，而是通过确定多个自动驾驶数据片段中每个数据片段的多个第一指标的值，并分别对每个第一指标的值进行排序，并分别将每个第一指标的排序后的值分成多个指标值集合，然后利用的是多个第一指标的指标值集合以及所述多个第一指标的指标值集合的数据片段集的第二指标的值，确定所述多个第一指标与所述第二指标之间的相关系数，依据相关系数来确定目标指标。即在本实施例中，通过上述过程可确定多个第一指标与所述第二指标之间的关联关系，根据关联关系来确定目标指标，可提高确定的目标指标的准确性。与此同时，可减少人工成本。作为一个示例，基于相关系数，从多个第一指标中确定目标指标，即是完成关键指标的确定，目标指标可以理解为多个第一指标中对第二指标影响较大的指标，与第二指标关联性较大，目标指标的变化能够引起第二指标的明显变化。如此，基于相关系数，从多个第一指标中确定目标指标之后，可从自动驾驶算法中确定目标指标对应的目标算法，可对目标算法进行迭代，从而可提高对自动驾驶车辆的第二指标优化的效果。即通过目标指标，可更好地引导开发人员对算法的迭代等，提高目标算法的优化效果，从而提高车端的第二指标优化的效果。在一个实施例中，利用多个第一指标的指标值集合以及多个第一指标的指标值集合的数据片段集的第二指标的值，确定多个第一指标与第二指标之间的相关系数，包括：利用第i个第一指标的每个指标值集合的第一均值、第i个第一指标的多个指标值集合的第二均值以及第i个第一指标的每个指标值集合的数据片段集的第二指标的值，确定第i个第一指标与第二指标之间的相关系数；其中，多个第一指标的数量为n，n为大于1的整数，多个第一指标包括第i个第一指标，1≤i≤n，第二均值为多个第一均值的均值。上述为确定第i个第一指标与第二指标之间的相关系数的过程，由于第i个第一指标属于多个第一指标，1≤i≤n，即多个第一指标中的任一第一指标均可通过上述过程确定与第二指标之间的相关系数，如此，可确定多个第一指标与第二指标之间的相关系数。在本实施例的确定第一指标与第二指标之间的相关系数的过程中，考虑了该第一指标的每个指标值集合的第一均值、该第一指标的多个指标值集合的第二均值以及该第一指标的每个指标值集合的数据片段集的第二指标的值，如此，可提高得到的相关系数的准确性。在一个实施例中，通过以下公式确定第i个第一指标与第二指标之间的相关系数：其中，mi为第i个第一指标的多个指标值集合的集合数量，ri为第i个第一指标与第二指标之间的相关系数，yij为第i个第一指标的多个指标值集合中第j个指标值集合的第一均值，为第i个第一指标的第二均值，xij为第i个第一指标的多个指标值集合中第j个指标值集合的数据片段集的第二指标的值，为第i个第一指标的多个指标值集合的第二指标的值的均值。如此，通过上述公式计算第一指标与第二指标之间的相关系数，可提高相关系数的准确性。在一个实施例中，基于相关系数，从多个第一指标中确定目标指标，包括：对多个第一指标与第二指标之间的相关系数进行排序；将排序后的相关系数中至少一个相关系数确定为目标指标；其中，至少一个相关系数大于其余相关系数，其余相关系数为多个第一指标与第二指标之间的相关系数中除至少一个相关系数外的系数。由于第一指标与第二指标之间的相关系数的值越大，表示该第一指标和第二指标之间的关联性越强，该第一指标对第二指标的影响越大，从而在本实施例中，是从多个第一指标中选择相关系数较大的至少一个相关系数作为目标指标，即选择与第二指标关联性越强的指标作为目标指标，提高目标指标的准确性，以及确保目标指标与第二指标之间的关联强度。在一个实施例中，确定多个自动驾驶数据片段中每个数据片段的第一指标的值之前，还包括：获取自动驾驶车辆的自动驾驶数据；利用预设时长，对自动驾驶数据进行分段，得到多个自动驾驶数据片段。也即是根据预设时长，对自动驾驶数据进行平均分段，若自动驾驶数据的总时长能够被预设时长整除，则分段得到的每个自动驾驶数据片段的时长相同，若不能被整除，则一个自动驾驶数据片段的时长小于预设时长，为自动驾驶数据的总时长除以预设时长的余数，其余自动驾驶数据片段的时长均相同，且为自动驾驶数据的总时长除以预设时长的结果的向下取整值。例如，预设时长可以为6秒，自动驾驶数据为1000小时的数据，按照6秒切分1000小时的自动驾驶数据，可得到60万个自动驾驶数据片段，每个数据片段的时长为6秒。在本实施例中，按照预设时长，对自动驾驶数据进行切分，得到多个自动驾驶数据片段，通过确定多个自动驾驶数据片段中每个数据片段的多个第一指标的值，并分别对每个第一指标的值进行排序，并分别将每个第一指标的排序后的值分成多个指标值集合，然后利用的是多个第一指标的指标值集合以及所述多个第一指标的指标值集合的数据片段集的第二指标的值，确定所述多个第一指标与所述第二指标之间的相关系数，依据相关系数来确定目标指标，可提高确定的目标指标的准确性。在一个实施例中，确定多个自动驾驶数据片段中每个数据片段的第一指标的值之前，还包括：确定多个参考指标；基于障碍物的多个参考维度，确定在每个参考维度下的参考指标；其中，多个第一指标包括多个参考维度下的参考指标。例如，参考维度有m个，参考指标为h个，可确定在每个参考维度下的参考指标，则多个参考维度的参考指标则包括每个参考维度下的h个参考指标，即包括m乘以h个参考指标，则多个第一指标包括m乘以h个参考指标。在本实施例中，考虑了障碍物的多个参考维度，将多个参考维度下的参考指标作为多个第一指标，如此，可提高统计的第一指标的值的准确性。作为一个示例，多个参考指标可以包括位置预测误差指标以及速度预测误差指标，如此，多个第一指标包括多个参考维度下的位置预测误差指标以及速度预测误差指标，例如，参考维度包括参考维度w1和参考维度w2，则多个第一指标可包括参考维度w1下的位置预测误差指标以及速度预测误差指标，和参考维度w2下的位置预测误差指标以及速度预测误差指标，即多个第一指标包括四个指标。另外，多个参考指标还可以包括路线预测准确率指标以及预测路线召回率等，则多个第一指标还可包括多个参考维度下的路线预测准确率指标以及预测路线召回率。下面以一个具体实施例对上述指标确定方法的过程加以具体说明。从用户或产品视角触发，关注的是整个自动驾驶车辆的行驶效果，一般会从体感、安全、行驶效率、智能度等因素来进行评价，每个因素会有一些确定的指标来衡量，例如体感可以用每公里急刹比率来表征，安全可以用每公里碰撞比率来表征等。整个自动驾驶系统的所有模块都会对最终车辆行驶效果产生影响，提取出单个模块迭代时的关键指标，本质上是分析这些单个模块指标和最终车辆行驶效果指标之间的关联性。因此本申请实施例提出了一种通过大规模数据分析的指标关联性评估的指标确定方法，通过相关系数来衡量单模块指标和最终车辆行驶效果指标之间的相关性，并通过相关系数的排序来提取出最终的关键指标即目标指标。下面以模块自身的第一指标和最终车车辆的急刹指标(可以是急刹比率等)之间的关联性分析为例来阐述上述指标确定方法的过程。以参考指标包括障碍物未来1s、3s、5s的位置预测误差指标和速度预测误差指标为例。首先，对上述每个参考指标在多个维度上进行细粒度的分类，具体维度和类别如下表1所示，每个维度的类别之间相互交叉，交叉之后形成多个参考维度，多个参考维度的参考指标形成多个第一指标。对指标进行更细粒度分类的目的在于能够更加准确细致的了解哪些障碍物的属性会对车辆的急刹指标影响较大。例如，表1中的汽车、关键障碍物、障碍物全生命周期、车辆周围60米内、路口组合形成的一个参考维度，可在该参考维度下的障碍物未来1s的位置预测误差指标即为在汽车、为关键障碍物、障碍物全生命周期、车辆周围60米内以及路口组合形成的参考维度下的位置预测误差指标，为一个第一指标。表1维度类别障碍物类别汽车、非机动车、行人、全部与主车的交互强度关键障碍物、有交互的障碍物、全部时间维度障碍物全生命周期、主车急刹前t秒障碍物范围主车周围z米内、全部障碍物所在区域路口、非路口、全部其中，t可以取8，z可以取60等。然后，对大规模的自动驾驶数据进行切分，切分为多个独立的短场景数据片段。例如1000h的自动驾驶数据按6s切分可以产生60万个自动驾驶数据片段。运行统计算法确定每个数据片段上的第一指标的值，并保存结果。对每个第一指标的值进行排序，等间隔分为100份的分类槽即指标值集合，如图2所示。然后可将据第一指标的值切分后的分类槽对多个自动驾驶数据片段进行分类，即每个分类槽有对应的数据片段集，可确定每个分类槽的数据片段集的急刹指标的值。对于第i个第一指标，可统计第j个分类槽中第i个第一指标的均值作为yij，第j个分类槽中的急刹指标(例如，急刹比率)作为xij，可以使用皮尔逊相关系数来表征第i个第一指标和急刹指标之间的相关性，公式如下：mi为第i个第一指标的多个指标值集合的集合数量，为100，ri为第i个第一指标与急刹指标之间的相关系数，yij为第i个第一指标100指标值集合中第j个指标值集合的第一均值，为第i个第一指标的第二均值，xij为第i个第一指标的100指标值集合中第j个指标值集合数据片段集的第二指标的值，为第i个第一指标的多个指标值集合的急刹指标的值的均值。yi1以第一指标为汽车、关键障碍物、障碍物全生命周期、车辆周围60米内、路口组合形成的一个参考维度的障碍物未来3s的位置预测误差指标为例，该第一指标的第一均值和急刹指标分布如图3所示，如图3所示，横坐标为第一指标的第一均值，纵坐标为急刹指标的值，急刹指标和第一指标趋势上大致呈正相关关系，但关联性并不强，相关系数r＝0.52。对于每个第一指标，得到一个对应的相关系数，根据多个相关系数的排序，可从排序后的相关系数中可得到与急刹指标最为相关的目标指标。综上，在本申请实施的方法中，通过分析模块的指标和车辆效果指标之间的关联性(用相互系数表达)来提取关键的单模块指标即目标指标。以及根据单模块指标的值区间划分，将多个自动驾驶数据片段进行分类，进而建立每一类中单模块指标和车辆效果指标之间的关联性。本申请实施例的方法，一方面避免了因系统自身和所要处理场景的复杂性导致通过算法原理推理关键指标失效的问题，保证了目标指标的选择不受到系统和场景本身复杂性的影响，提高确定的目标指标的准确性。另一方面也解决了人工分析数据所带来的成本问题以及准确性较差的问题，不偏向于部分的较差案列，而是从整体上进行关联性的考量。如此，可提高确定的目标指标的准确性。如图4所示，根据本申请的实施例，本申请还提供一种指标确定装置400，装置包括：第一确定模块401，用于确定多个自动驾驶数据片段中每个数据片段的多个第一指标的值；处理模块402，用于分别对每个第一指标的值进行排序，并分别将每个第一指标的排序后的值分成多个指标值集合；第二确定模块403，用于利用多个第一指标的指标值集合以及多个第一指标的指标值集合的数据片段集的第二指标的值，确定多个第一指标与第二指标之间的相关系数，其中，目标指标值集合的数据片段集为目标指标值集合中指标值对应的数据片段的集合，目标指标值集合为多个第一指标的指标值集合中任一集合，多个自动驾驶数据片段包括目标指标值集合的数据片段集；第三确定模块404，用于基于相关系数，从多个第一指标中确定目标指标。在一个实施例中，利用多个第一指标的指标值集合以及多个第一指标的指标值集合的数据片段集的第二指标的值，确定多个第一指标与第二指标之间的相关系数，包括：利用第i个第一指标的每个指标值集合的第一均值、第i个第一指标的多个指标值集合的第二均值以及第i个第一指标的每个指标值集合的数据片段集的第二指标的值，确定第i个第一指标与第二指标之间的相关系数；其中，多个第一指标的数量为n，n为大于1的整数，多个第一指标包括第i个第一指标，1≤i≤n，第二均值为多个第一均值的均值。在一个实施例中，通过以下公式确定第i个第一指标与第二指标之间的相关系数：其中，mi为第i个第一指标的多个指标值集合的集合数量，ri为第i个第一指标与第二指标之间的相关系数，yij为第i个第一指标的多个指标值集合中第j个指标值集合的第一均值，为第i个第一指标的第二均值，xij为第i个第一指标的多个指标值集合中第j个指标值集合数据片段集的第二指标的值，为第i个第一指标的多个指标值集合的第二指标的值的均值。在一个实施例中，第三确定模块，包括：排序模块，用于对多个第一指标与第二指标之间的相关系数进行排序；确定子模块，用于将排序后的相关系数中至少一个相关系数确定为目标指标；其中，至少一个相关系数大于其余相关系数，其余相关系数为多个第一指标与第二指标之间的相关系数中除至少一个相关系数外的系数。在一个实施例中，上述装置，还包括：数据获取模块，用于获取自动驾驶车辆的自动驾驶数据；分段模块，用于利用预设时长，对自动驾驶数据进行分段，得到多个自动驾驶数据片段。在一个实施例中，上述装置，还包括：参考指标确定模块，用于确定多个参考指标；第一指标确定模块，用于基于障碍物的多个参考维度，确定在每个参考指标下的第一指标；其中，多个第一指标包括多个参考指标下的第一指标。上述各实施例的指标确定装置为实现上述各实施例的指标确定方法的装置，技术特征对应，技术效果对应，在此不再赘述。根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。本申请实施例的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的指标确定方法。本申请实施例的计算机程序产品，包括计算机程序，所述计算机程序用于使计算机执行本申请各实施例提供的指标确定方法。图5示出了可以用来实施本申请的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。如图5所示，电子设备500包括计算单元501，其可以根据存储在只读存储器(rom)502中的计算机程序或者从存储单元508加载到随机访问存储器(ram)503中的计算机程序，来执行各种适当的动作和处理。在ram503中，还可存储电子设备500操作所需的各种程序和数据。计算单元501、rom502以及ram503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。电子设备500中的多个部件连接至i/o接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许电子设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如指标确定方法。例如，在一些实施例中，指标确定方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由rom502和/或通信单元509而被载入和/或安装到设备600上。当计算机程序加载到ram503并由计算单元501执行时，可以执行上文描述的指标确定方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行指标确定方法。本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、互联网和区块链网络。计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务("virtualprivateserver"，或简称"vps")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。当前第1页12