风险数据识别、物体检测及模型优化方法、装置和系统与流程

1.本公开涉及自动驾驶技术领域，特别涉及风险数据识别、物体检测及模型优化方法、装置和系统。


背景技术：

2.自动驾驶技术中的感知系统，负责利用车辆上装载的各种传感器采集的数据检测车辆周围的物体，为自动驾驶的安全实现提供重要依据。为了提高感知系统的检测精准度，需要确定出容易存在漏检或误检风险的传感器采集数据，即风险数据，进而解决找出的问题(风险数据)，以提高感知系统的检测精准度。
3.传统方法往往是通过测试获取风险数据，包括真实路况测试和仿真路况测试等。而好多风险场景的发生概率较低，导致无论真实还是仿真路况测试都无法完全找出潜在的风险场景，即风险数据的发现概率低；而且真实路况测试和仿真路况测试往往需要消耗较多时间与人力成本，使得风险数据挖掘的周期长、成本高。


技术实现要素：

4.鉴于上述问题，提出了本公开以便提供一种克服上述问题或者至少部分地解决上述问题的风险数据识别、模型优化和物体检测方法及装置和系统。
5.第一方面，本公开实施例提供一种风险数据识别方法，包括：
6.将传感器实时采集的数据输入物体检测模型进行物体检测，获取所述数据和物体检测模型输出的检测结果；
7.若确定所述数据的紊乱程度高于设定条件，和/或，所述检测结果中的检测准确率低于设定准确率阈值，将所述数据确定为风险数据。
8.第二方面，本公开实施例提供一种物体检测模型优化方法，包括：
9.获取传感器实时采集的数据，利用物体检测模型根据获取的数据进行物体检测，根据获取的数据和对应的物体检测结果确定该数据是否为风险数据；
10.若是，获取风险数据的物体检测真值，由风险数据和其物体检测真值构成一条样本数据，填加到样本集中；
11.判断当前的样本集是否满足预设的模型优化条件；
12.若是，利用当前的样本集优化所述物体检测模型，得到优化后物体检测模型；
13.若否，获取传感器实时采集的新数据，返回所述利用物体检测模型根据获取的数据进行物体检测步骤。
14.第三方面，本公开实施例提供一种物体检测方法，包括：
15.利用优化后的物体检测模型根据获取的数据进行物体检测，确定所述车辆周围的物体信息，所述优化后的物体检测模型是按照上述物体检测模型优化方法优化的。
16.第四方面，本公开实施例提供一种风险数据识别装置，包括：
17.获取模块，用于将传感器实时采集的数据输入物体检测模型进行物体检测，获取
所述数据和物体检测模型输出的检测结果；
18.风险数据确定模块，用于确定所述获取模块获取的数据的紊乱程度高于设定条件，和/或，所述检测结果中的检测准确率低于设定准确率阈值，将所述数据确定为风险数据。
19.第五方面，本公开实施例提供一种物体检测模型优化装置，包括：
20.风险数据确定模块，用于获取传感器实时采集的数据，利用物体检测模型根据获取的数据进行物体检测，根据获取的数据和对应的物体检测结果确定该数据是否为风险数据；
21.样本集获取模块，用于获取所述风险数据确定模块确定的风险数据的物体检测真值，由风险数据和其物体检测真值构成一条样本数据，填加到样本集中；
22.判断模块，用于判断当前的样本集是否满足预设的模型优化条件；
23.优化模块，用于当所述判断模块判断为是时，利用当前的样本集优化所述物体检测模型，得到优化后物体检测模型；相应的，
24.风险数据确定模块，还用于，当所述判断模块判断为否时，获取传感器实时采集的新数据，返回所述利用物体检测模型根据获取的数据进行物体检测步骤。
25.第六方面，本公开实施例提供一种自动驾驶感知系统，其中，包括传感器和物体检测装置，所述传感器装载于自动驾驶的车辆上；
26.所述传感器，用于按照设定时间间隔实时采集数据；
27.所述物体检测装置，用于利用优化后的物体检测模型根据所述传感器实时采集的数据进行物体检测，确定所述车辆周围的物体信息，所述优化后的物体检测模型是按照上述物体检测模型优化方法优化的。
28.第七方面，本公开实施例提供一种具备物体检测功能的计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述风险数据识别方法，或实现上述物体检测模型优化方法，或实现上述物体检测方法。
29.本公开实施例提供的上述技术方案的有益效果至少包括：
30.(1)本公开实施例提供的风险数据识别方法，将传感器实时采集的数据输入物体检测模型进行物体检测，获取数据和物体检测模型输出的检测结果；若确定数据的紊乱程度高于设定条件，和/或，检测结果中的检测准确率低于设定准确率阈值，将数据确定为风险数据。在物体检测过程中，从用于物体检测的传感器实时采集的数据中确定风险数据，省去了真实路况测试或仿真路况测试的测试成本和测试时间，降低了风险数据识别成本，提高了识别效率。将紊乱程度高于设定条件的数据确定为风险数据，是通过不确定性分析的方法确定风险数据；根据检测结果中的检测准确率确定风险数据，是通过规则的方法确定风险数据。将满足任一条件或同时满足上述两种条件的数据确定为风险数据，使得风险数据的确定过程简单，且确定的风险数据合理性强。
31.(2)本公开实施例提供的物体检测模型优化方法，在循环利用物体检测模型根据传感器实时采集的数据进行物体检测过程中，每完成一次物体的检测，便根据采集数据和物体检测结果确定该数据是否为风险数据；若是风险数据，将风险数据和物体检测真值作为一条样本数据，加入样本集中；直至样本集满足预设的模型优化条件，利用得到的样本集优化物体检测模型。传统的模型优化为问题驱动，即在遇到问题时再解决具体问题，实现模
型的优化；本公开实施例提供的模型优化方法为数据驱动，在物体检测的同时发现风险数据，查找出容易误判或漏检的场景，因为风险数据的发现触发模型的优化，快速修复问题，提升了模型优化的速度。
32.(3)本公开实施例提供的物体检测方法，在车辆自动驾驶过程中，获取传感器实时采集的数据，利用当前优化后的物体检测模型根据获取的数据进行物体检测，确定车辆周围的物体信息。在循环利用物体检测模型根据传感器实时采集的数据进行物体检测过程中，每完成一次物体的检测，便根据采集数据和物体检测结果确定该数据是否为风险数据；若是风险数据，将风险数据和物体检测真值作为一条样本数据，加入样本集中；直至样本集满足预设的模型优化条件，利用得到的样本集优化物体检测模型；利用优化后的模型进行后续的物体检测步骤，形成了物体检测、风险数据挖掘和模型优化的闭环模式，风险数据发现的成本低，效率高，模型优化效率高，提高了最终物体检测的准确度。
33.本公开的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本公开而了解。本公开的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
34.下面通过附图和实施例，对本公开的技术方案做进一步的详细描述。
附图说明
35.附图用来提供对本公开的进一步理解，并且构成说明书的一部分，与本公开的实施例一起用于解释本公开，并不构成对本公开的限制。在附图中：
36.图1为本公开实施例一中风险数据识别方法的流程图；
37.图2为本公开实施例二中物体检测模型优化方法的流程图；
38.图3为本公开实施例三中物体检测方法的流程图；
39.图4为现有技术挖掘风险数据及解决风险问题的示例图；
40.图5为本公开实施例中风险数据识别装置的结构示意图；
41.图6为本公开实施例中物体检测模型优化装置的结构示意图；
42.图7为本公开实施例中物体检测系统的结构示意图。
具体实施方式
43.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
44.为了解决现有技术中存在的风险数据发现概率低且耗时长、成本高的问题，本公开实施例提供风险数据识别、物体检测及模型优化方法、装置和系统，能够快速有效的识别风险数据，且识别成本低。
45.实施例一
46.本公开实施例一提供一种风险数据识别方法，其流程如图1所示，包括如下步骤：
47.步骤s11：将传感器实时采集的数据输入物体检测模型进行物体检测，获取所述数据和物体检测模型输出的检测结果。
48.感知系统是自动驾驶的眼睛，负责利用检测模型根据车辆上装载的各种传感器实时采集的数据感知车辆周围的物件，为自动驾驶的安全实现提供重要依据。
49.上述检测模型可以包括物体检测模型、分割模型和融合模型。物体检测模型分为点云检测模型和图像检测模型，点云检测模型利用雷达或激光雷达实时采集的点云数据进行物体检测，将点云数据进行聚类，检测每一类的点云数据对应的物体检测结果，包括物体的类型和尺寸；图像检测模型利用视觉传感器采集的图像数据进行物体检测，将每帧图像数据中的像素点进行聚类，检测每一类的像素点对应的物体检测结果，包括物体的类型和尺寸。相应的，分割模型分为点云分割模型和图像分割模型，点云分割模型用于根据点云数据和点云检测模型输出的结果，得到每一个目标点云对应的物体检测结果；图像分割模型，用于根据图像数据和图像检测模型输出的结果，得到每一个目标像素点对应的物体检测结果；融合模型，用于根据图像数据与点云数据检测的结果，即分割模型输出的结果，及前后帧图像的检测结果，融合成一个最终结果。
50.在一个实施例中，可以包括，将传感器实时采集的点云数据输入点云检测模型和点云分割模型进行物体检测，获取点云检测模型的检测结果、点云分割模型的检测结果及点云数据；将视觉传感器实时采集的图像数据输入图像检测模型和图像分割模型进行物体检测，获取图像检测模型的检测结果、图像分割模型的检测结果和图像数据。
51.步骤s12：若确定数据的紊乱程度高于设定条件，和/或，检测结果中的检测准确率低于设定准确率阈值，将所述数据确定为风险数据。
52.具体的，确定数据满足设定条件，包括确定数据至少满足下述一项条件：
53.(1)确定数据的紊乱程度高于设定条件。
54.数据的排列越紊乱，则越容易发生漏检或误检，通过对数据紊乱程度的学习，确定数据的紊乱程度高于设定条件，可将数据确定为风险数据。例如，通过贝叶斯深度学习模型确定表征数据的紊乱程度的熵；确定数据的熵高于预设熵阈值。
55.(2)确定检测结果中的检测准确率低于设定准确率阈值。
56.点云检测模型、点云分割模型、图像检测模型和图像分割模型在检测物体的过程中，同时会确定检测准确率。具体的，检测结果中的检测准确率，包括单个物体的检测准确率和总体检测准确率。确定数据对应的检测结果中的检测准确率低于设定准确率阈值，可以包括执行下述至少一项：
57.(1)确定检测结果中的总体检测准确率低于设定准确率第一阈值。
58.(2)确定检测结果中的各物体检测准确率中至少有一个低于设定准确率第二阈值。
59.(3)根据检测结果中的各物体检测准确率，确定检测准确率低于设定准确率第二阈值的物体和检测准确率不低于设定准确率第二阈值的物体的比值，确定该比值高于设定比值阈值。
60.(4)确定检测结果中的各物体检测准确率的平均值低于设定准确率第二阈值。
61.本公开实施例一提供的风险数据识别方法，将传感器实时采集的数据输入物体检测模型进行物体检测，获取数据和物体检测模型输出的检测结果；若确定数据的紊乱程度高于设定条件，和/或，检测结果中的检测准确率低于设定准确率阈值，将数据确定为风险数据。至少包含下述有益效果：
62.(1)在物体检测过程中，从用于物体检测的传感器实时采集的数据中确定风险数据，省去了真实路况测试或仿真路况测试的测试成本和测试时间，降低了风险数据识别成本，提高了识别效率。
63.(2)将紊乱程度高于设定条件的数据确定为风险数据，是通过不确定性分析的方法确定风险数据；根据检测结果中的检测准确率确定风险数据，是通过规则的方法确定风险数据。将满足任一条件或同时满足上述两种条件的数据确定为风险数据，使得风险数据的确定过程简单，且确定的风险数据合理性强。
64.实施例二
65.本公开实施例二提供一种物体检测模型优化方法，其流程如图2所示，包括如下步骤：
66.步骤s21：获取传感器实时采集的数据。
67.步骤s22：利用物体检测模型根据获取的数据进行物体检测。
68.步骤s23：根据获取的数据和对应的物体检测结果确定该数据是否为风险数据。
69.自动驾驶的感知系统，需要在车辆的自动驾驶过程中，获取车辆上装载的各传感器实时采集的数据，利用物体检测模型根据获取的数据实时进行物体检测，为安全驾驶提供保证。
70.具体包括，获取雷达或激光雷达传感器实时采集的点云数据，利用点云检测模型和点云分割模型根据实时获取的点云数据进行物体检测；获取视觉传感器实时采集的图像数据，利用图像检测模型和图像分割模型根据实时获取的图像数据进行物体检测；利用融合模型根据点云分割模型和图像分割模型的输出结果融合得到最终的物体检测结果。
71.其中，本实施例二包含的模型优化方法，具体指点云检测模型、点云分割模型、图像检测模型和图像分割模型的优化，融合模型因为其输入数据不是传感器采集的数据，故不能通过由风险数据得到的样本集进行优化。
72.故，步骤s23根据获取的数据和对应的物体检测结果确定该数据是否为风险数据，具体包括：根据获取的雷达或激光雷达传感器采集的点云数据和对应的点云检测模型和点云分割模型输出的物体检测结果，确定点云据是否为风险数据；根据获取的视觉传感器采集的图像数据和对应的图像检测模型和图像分割模型输出的物体检测结果，确定图像数据是否为风险数据。
73.在一个实施例中，可以包括，根据获取的数据和对应的物体检测结果，确定该数据满足至少一项下述条件时，将该数据确定为风险数据：
74.(1)该数据的紊乱程度高于设定条件；
75.(2)该数据对应的物体检测结果中的检测准确率低于设定准确率阈值。
76.步骤s23确定为是时，执行步骤s25；步骤s23确定为否时，执行步骤s24。
77.步骤s24：获取传感器实时采集的新数据。
78.步骤s23确定为否时，确定数据不是风险数据，继续获取传感器实时采集的新数据，返回步骤s22，利用物体检测模型根据获取的数据进行物体检测。
79.步骤s25：获取风险数据的物体检测真值，由风险数据和其物体检测真值构成一条样本数据，填加到样本集中。
80.步骤s23确定为是时，确定数据为风险数据，获取风险数据的物体检测真值，具体
的，风险数据的真值，即风险数据对应的车辆周围物体的真实信息，可以通过获取人工标注信息的方式来获取风险数据的物体检测真值；也可以是获取其他更优的模型检测结果作为风险数据的物体检测真值。
81.步骤s26：判断当前的样本集是否满足预设的模型优化条件。
82.具体可以包括：
83.判断执行利用物体检测模型根据获取的数据进行物体检测步骤，即执行步骤s22的次数是否大于设定的次数阈值；或，
84.判断距离开始执行利用物体检测模型根据获取的数据进行物体检测步骤的时间间隔，即当前时间距离本次模型优化过程中首次执行步骤s22的时间间隔是否超过设定的时间阈值；或，
85.判断当前的样本集中的样本数是否大于设定的样本数阈值。
86.步骤s26判断时是时，执行步骤s27；步骤s26判断为否时，返回步骤s24。
87.步骤s27：利用当前的样本集优化物体检测模型，得到优化后物体检测模型。
88.本公开实施例二提供的物体检测模型优化方法，在循环利用物体检测模型根据传感器实时采集的数据进行物体检测过程中，每完成一次物体的检测，便根据采集数据和物体检测结果确定该数据是否为风险数据；若是风险数据，将风险数据和物体检测真值作为一条样本数据，加入样本集中；直至样本集满足预设的模型优化条件，利用得到的样本集优化物体检测模型。除了在风险数据的确定过程中具有实施例一中的有效效果，还至少具有下述有益效果：
89.传统的模型优化为问题驱动，即在遇到问题时再解决具体问题，实现模型的优化；本公开实施例二提供的模型优化方法为数据驱动，在物体检测的同时发现风险数据，查找出容易误判或漏检的场景，因为风险数据的发现触发模型的优化，快速修复问题，提升了模型优化的速度。
90.实施例三
91.本公开实施例三提供一种物体检测方法，其流程如图3所示，包括如下步骤：
92.步骤s31：获取传感器实时采集的数据。
93.步骤s32：利用当前的物体检测模型根据获取的数据进行物体检测，得到物体检测结果。
94.步骤s33：根据获取的数据和对应的物体检测结果确定该数据是否为风险数据。
95.步骤s33确定为是时，执行步骤s35；步骤s33确定为否时，执行步骤s34。
96.步骤s34：获取传感器实时采集的新数据。
97.步骤s33确定为否时，确定数据不是风险数据，继续获取传感器实时采集的新数据，返回步骤s32，利用物体检测模型根据获取的数据进行物体检测。
98.步骤s35：获取风险数据的物体检测真值，由风险数据和其物体检测真值构成一条样本数据，填加到样本集中。
99.步骤s33确定为是时，确定数据为风险数据，获取风险数据的物体检测真值。
100.步骤s36：判断当前的样本集是否满足预设的模型优化条件。
101.步骤s36判断时是时，执行步骤s37；步骤s36判断为否时，返回步骤s34。
102.步骤s37：利用当前的样本集优化物体检测模型，得到优化后物体检测模型。
103.当前样本集中包含的样本条数足够多时，利用当前的样本集优化物体检测模型，可以是只利用当前样本集优化相应的模型；当前样本集中包含的样本条数不够多时，利用当前的样本集优化物体检测模型，可以是将当前的样本集与历史训练数据结合对相应模型进行优化。
104.若判断当前的样本集满足预设的模型优化条件，完成模型的优化后继续执行步骤s34，获取传感器实时采集的新数据，返回步骤s32，利用当前的物体检测模型根据获取的数据进行物体检测步骤，直至获取不到传感器实时采集的数据。
105.若判断当前的样本集不满足预设的模型优化条件，直接继续执行步骤s34，获取传感器实时采集的新数据，返回步骤s32，利用当前的物体检测模型根据获取的数据进行物体检测步骤，直至获取不到传感器实时采集的数据。
106.具体的，上述实施例二或实施例三中与实施例一相同的步骤，具体见实施例一中所述，此处不再赘述。
107.参见图4所示，提高自动驾驶感知系统精准度的传统方法是通过大量测试(包括真实路况测试和仿真路况测试)找到当前系统的问题，进而分析问题，解决问题。
108.这种问题驱动模式除了具有风险数据的发现概率低，且风险数据挖掘的周期长、成本高等缺点外，因为即使发现了问题，还需要分析问题和解决问题的链路，无法有效的系统化解决遇到的问题，所以还具有问题解决周期冗长的缺点。
109.本公开实施例三提供的物体检测方法，在车辆自动驾驶过程中，获取传感器实时采集的数据，利用当前优化后的物体检测模型根据获取的数据进行物体检测，确定车辆周围的物体信息。在循环利用物体检测模型根据传感器实时采集的数据进行物体检测过程中，每完成一次物体的检测，便根据采集数据和物体检测结果确定该数据是否为风险数据；若是风险数据，将风险数据和物体检测真值作为一条样本数据，加入样本集中；直至样本集满足预设的模型优化条件，利用得到的样本集优化物体检测模型；利用优化后的模型进行后续的物体检测步骤，形成了物体检测、风险数据挖掘和模型优化的闭环模式，风险数据发现的成本低，效率高，模型优化效率高，提高了最终物体检测的准确度。
110.在一个实施例中，上述方法还包括，确定数据为风险数据后，获取风险数据的风险等级，将风险数据和风险等级构成一条样本数据，填加到风险等级样本集中；在优化物体检测模型时，利用当前的风险等级样本集优化当前的风险识别模型。优化后的风险识别模型用于风险数据的风险等级评估，且随着优化次数的增多，风险识别模型的风险等级识别能力越来越强，可以逐渐减少对人工标注的依赖，最终可以实现合理的进行风险数据的风险等级评估。
111.基于同一发明构思，本公开实施例还提供一种物体检测方法，包括：
112.在车辆自动驾驶过程中，获取所述车辆上装载的传感器实时采集的数据；
113.利用优化后的物体检测模型根据获取的数据进行物体检测，确定所述车辆周围的物体信息，所述优化后的物体检测模型是按照上述物体检测模型优化方法优化的。
114.具体的，本发明实施例中的上述车辆可以为各种类型的自动驾驶车辆，例如，物流自动驾驶车辆、公共服务自动驾驶车辆、医疗服务自动驾驶车辆和终端服务自动驾驶车辆等。
115.其中，物流自动驾驶车辆是指物流场景中使用的车辆，例如可以是带自动分拣功
能的物流车辆、带冷藏保温功能的物流车辆、带测量功能的物流车辆。
116.例如，对于物流车辆，可以带有自动化的分拣装置，该分拣装置可以在物流车辆到达目的地后自动把货物取出并搬送、分拣、存放。主要实现货物取出、搬运、分拣以及存放等逻辑控制。
117.又例如，针对冷链物流场景，物流车辆还可以带有冷藏保温装置，该冷藏保温装置可以实现运输的水果、蔬菜、水产品、冷冻食品以及其它易腐烂的食品进行冷藏或保温，使之处于合适的温度环境，解决易腐烂食品的长途运输问题。主要用于根据食品(或物品)性质、易腐性、运输时间、当前季节、气候等信息动态、自适应计算冷餐或保温的合适温度，根据该合适温度对冷藏保温装置进行自动调节，这样在车辆运输不同食品或物品时运输人员无需手动调整温度，将运输人员从繁琐的温度调控中解放出来，提高冷藏保温运输的效率。
118.又例如，在大多物流场景中，是根据包裹体积和/或重量进行收费的，而物流包裹的数量非常庞大，单纯依靠快递员对包裹体积和/或重量进行测量，效率非常低，人工成本较高。因此，在一些物流车辆中，增设了测量装置，可自动测量物流包裹的体积和/或重量，并计算物流包裹的费用。主要用于识别物流包裹的类型，确定物流包裹的测量方式，如进行体积测量还是重量测量或者是同时进行体积和重量的组合测量，并可根据确定的测量方式完成体积和/或重量的测量，以及根据测量结果完成费用计算。
119.其中，公共服务自动驾驶车辆是指提供某种公共服务的车辆，例如可以是消防车、除冰车、洒水车、铲雪车、垃圾处理车辆、交通指挥车辆等。
120.例如，对于自动驾驶的消防车，其主要任务是针对火灾现场进行合理的灭火任务，至少需要实现火灾状况的识别、灭火方案的规划以及对灭火装置的自动控制等逻辑。
121.又例如，对于除冰车，其主要任务是清除路面上结的冰雪，至少需要实现路面上冰雪状况的识别、根据冰雪状况制定除冰方案，如哪些路段需要采取除冰，哪些路段无需除冰，是否采用撒盐方式、撒盐克数等，以及在确定除冰方案的情况下对除冰装置的自动控制等逻辑。
122.其中，医疗服务自动驾驶车辆是指能够提供一种或多种医疗服务的自动驾驶车辆，该种车辆可提供消毒、测温、配药、隔离等医疗服务，主要实现消毒需求的识别以及对消毒装置的控制，以使消毒装置为病人进行消毒，或者对病人位置的识别，控制测温装置自动贴近病人额头等位置为病人进行测温，或者，用于实现对病症的判断，根据判断结果给出药方并需要实现对药品/药品容器的识别，以及对取药机械手的控制，使之按药方为病人抓取药品，等等。
123.其中，终端服务自动驾驶车辆是指可代替一些终端设备面向用户提供某种便利服务的自助型的自动驾驶车辆，例如这些车辆可以为用户提供打印、考勤、扫描、开锁、支付、零售等服务。
124.例如，在一些应用场景中，用户经常需要到特定位置去打印或扫描文档，费时费力。于是，出现一种可以为用户提供打印/扫描服务的终端服务车辆，这些服务车辆可以与用户终端设备互联，用户通过终端设备发出打印指令，服务车辆响应打印指令，自动打印用户所需的文档并可自动将打印出的文档送至用户位置，用户无需去打印机处排队，可极大地提高打印效率。或者，可以响应用户通过终端设备发出的扫描指令，移动至用户位置，用户将待扫描的文档放置的服务车辆的扫描工具上完成扫描，无需到打印/扫描机处排队，省
时省力。
125.又例如，随着新零售业务的开展，越来越多的电商借助于自助售货机将商品销售送到了各大办公楼、公共区，但这些自助售货机被放置在固定位置，不可移动，用户需要到该自助售货机跟前才能购买所需商品，便利性还是较差。于是出现了可提供零售服务的自助驾驶车辆，这些服务车辆可以承载商品自动移动，并可提供对应的自助购物类app或购物入口，用户借助于手机等终端通过app或购物入口可以向提供零售服务的自动驾驶车辆进行下单，该订单中包括待购买的商品名称、数量以及用户位置，该车辆收到下单请求之后，可以确定当前剩余商品是否具有用户购买的商品以及数量是否足够，在确定具有用户购买的商品且数量足够的情况下，可携带这些商品自动移动至用户位置，将这些商品提供给用户，进一步提高用户购物的便利性，节约用户时间，让用户将时间用于更为重要的事情上。
126.随着自动驾驶领域的发展，其他任何类型的自动驾驶车辆也都适用于本发明公开的实施例。
127.基于同一发明构思，本公开实施例还提供一种风险数据识别装置，其结构如图5所示，包括：
128.获取模块51，用于将传感器实时采集的数据输入物体检测模型进行物体检测，获取所述数据和物体检测模型输出的检测结果；
129.风险数据确定模块52，用于确定获取模块51获取的数据的紊乱程度高于设定条件，和/或，所述检测结果中的检测准确率低于设定准确率阈值，将所述数据确定为风险数据。
130.基于同一发明构思，本公开实施例还提供一种物体检测模型优化装置，其结构如图6所示，包括：
131.风险数据确定模块61，用于获取传感器实时采集的数据，利用物体检测模型根据获取的数据进行物体检测，根据获取的数据和对应的物体检测结果确定该数据是否为风险数据；
132.样本集获取模块62，用于获取风险数据确定模块61确定的风险数据的物体检测真值，由风险数据和其物体检测真值构成一条样本数据，填加到样本集中；
133.判断模块63，用于判断当前的样本集是否满足预设的模型优化条件；
134.优化模块64，用于当判断模块63判断为是时，利用当前的样本集优化所述物体检测模型，得到优化后物体检测模型；相应的，
135.风险数据确定模块61，还用于，当判断模块63判断为否时，获取传感器实时采集的新数据，返回所述利用物体检测模型根据获取的数据进行物体检测步骤。
136.基于同一发明构思，本公开实施例还提供一种物体检测系统，其结构如图7所示，包括物体检测装置71、样本集获取装置72、判断装置73和优化装置74；
137.物体检测模型71，用于获取传感器实时采集的数据，利用当前的物体检测模型根据获取的数据进行物体检测，得到物体检测结果；
138.样本集获取装置72，用于根据物体检测模型71获取的数据和对应的物体检测结果确定该数据为风险数据时，获取风险数据的物体检测真值，由风险数据和其物体检测真值构成一条样本数据，填加到样本集中；
139.判断模块73，用于判断样本集获取装置72得到的当前的样本集是否满足预设的模
型优化条件；
140.优化装置74，用于当判断装置73判断为是时，利用当前的样本集优化所述物体检测模型，得到优化后物体检测模型，相应的，物体检测模型71还用于，获取传感器实时采集的新数据，返回所述利用当前的物体检测模型根据获取的数据进行物体检测步骤，直至获取不到传感器实时采集的数据；
141.物体检测模型71，还用于，当判断装置73判断为否时，获取传感器实时采集的新数据，返回所述利用当前物体检测模型根据获取的数据进行物体检测步骤，直至获取不到传感器实时采集的数据。
142.基于同一发明构思，本公开实施例还提供一种自动驾驶感知系统，其中，包括传感器和物体检测装置，传感器装载于自动驾驶的车辆上；
143.所述传感器，用于按照设定时间间隔实时采集数据；
144.所述物体检测装置，用于利用优化后的物体检测模型根据所述传感器实时采集的数据进行物体检测，确定所述车辆周围的物体信息，所述优化后的物体检测模型是按照上述物体检测模型优化方法优化的。
145.关于上述实施例中的装置和系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
146.基于同一发明构思，本公开实施例还提供一种计算机可读存储介质，其上存储有计算机指令，当该指令被处理器执行时实现上述交通问题确定方法。
147.基于同一发明构思，本公开实施例还提供一种服务器，包括：存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述交通问题确定方法。
148.除非另外具体陈述，术语比如处理、计算、运算、确定、显示等等可以指一个或更多个处理或者计算系统、或类似设备的动作和/或过程，所述动作和/或过程将表示为处理系统的寄存器或存储器内的物理(如电子)量的数据操作和转换成为类似地表示为处理系统的存储器、寄存器或者其他此类信息存储、发射或者显示设备内的物理量的其他数据。信息和信号可以使用多种不同的技术和方法中的任何一种来表示。例如，在贯穿上面的描述中提及的数据、指令、命令、信息、信号、比特、符号和码片可以用电压、电流、电磁波、磁场或粒子、光场或粒子或者其任意组合来表示。
149.应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
150.在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本公开处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本公开单独的优选实施方案。
151.本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和
软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。
152.结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、移动磁盘、cd-rom或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于asic中。该asic可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。
153.对于软件实现，本技术中描述的技术可用执行本技术所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。
154.上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。