车辆行驶控制方法、装置、设备、车辆及介质与流程

1.本公开涉及车辆工程技术领域，尤其涉及一种车辆行驶控制方法、装置、设备、车辆及介质。


背景技术：

2.车辆行驶过程中，通常需要借助模型对采集的车辆行驶数据进行处理，以根据模型的输出确定车辆的行驶控制策略。在对模型进行训练时，通常需要对海量的历史路采数据进行标注，并将标注后的历史路采数据输入神经网络模型中，完成对模型的训练，然而由于采集到历史路采数据存在重复场景，不仅导致标注的工作量较大，而且通过标注后的这些重复场景等的低价值路采数据，作为训练样本训练得到的模型的准确性较低。


技术实现要素：

3.为克服相关技术中存在的问题，本公开提供一种车辆行驶控制方法、装置、设备、车辆及介质。
4.根据本公开实施例的第一方面，提供一种车辆行驶控制方法，包括：获取车辆在行驶过程中的车辆行驶数据；将所述车辆行驶数据输入到预先训练得到的行驶分析模型中，以得到所述行驶分析模型输出的目标行驶信息，其中，所述行驶分析模型是通过对历史行驶样本数据进行筛选，并通过筛选得到的目标行驶样本数据对初始分析模型训练得到的，所述目标行驶样本数据是所述历史行驶样本数据中置信度低于置信度阈值的数据；根据所述目标行驶信息控制所述车辆行驶。
5.可选地，所述行驶分析模型是通过如下方式训练得到的：将所述历史行驶样本数据输入到初始标注模型中，得到所述初始标注模型输出的针对各历史行驶样本数据的初始标注结果；根据所述历史行驶样本数据以及对应的所述初始标注结果，得到每一所述历史行驶样本数据的置信度；将所述置信度低于所述置信度阈值的历史行驶样本数据作为筛选后的目标行驶样本数据；根据所述目标行驶样本数据对所述初始分析模型进行训练，得到所述行驶分析模型。
6.可选地，所述根据所述历史行驶样本数据以及对应的所述初始标注结果，得到每一所述历史行驶样本数据的置信度，包括：将所述历史行驶样本数据以及对应的所述初始标注结果分别输入到所述初始分析模型和参考分析模型，得到所述初始分析模型输出的第一分析结果和所述参考分析模型输出的第二分析结果，其中，所述历史行驶样本数据是从训练得到所述参考分析模型的历史行驶数据集中选取的；
确定所述第一分析结果与所述第二分析结果之间的差异值，并根据所述差异值确定所述历史行驶样本数据的置信度，其中，所述置信度与所述差异值呈反比。
7.可选地，所述根据所述历史行驶样本数据以及对应的所述初始标注结果，得到每一所述历史行驶样本数据的置信度，包括：从所述历史行驶样本数据中确定测试行驶样本数据，并将所述测试行驶样本数据输入到触发器中，得到所述触发器输出的触发结果，所述触发器中包括设置有不同触发规则的子触发器；将触发结果满足触发条件对应的测试行驶样本数据作为训练样本，对初始分类模型进行训练，得到目标分类模型，其中，所述触发条件为所述触发结果与所述初始标注结果不匹配和/或触发时长超出预设触发时长阈值；以所述目标分类模型替换所述触发结果满足所述触发条件对应的子触发器，并将替换后得到的触发器作为触发模型；将所述历史行驶样本数据输入到所述触发模型中，得到所述触发模型输出的分类触发结果；根据所述分类触发结果与所述初始标注结果，得到每一所述历史行驶样本数据的置信度。
8.可选地，所述根据所述历史行驶样本数据以及对应的所述初始标注结果，得到每一所述历史行驶样本数据的置信度，包括：从所述历史行驶样本数据中确定测试行驶样本数据，并将所述测试行驶样本数据输入到触发器中，得到所述触发器输出的触发结果，所述触发器中包括设置有不同触发规则的子触发器；将所述测试行驶样本数据输入到初始主动学习模型，得到所述初始主动学习模型输出的初始样本评分结果；根据所述触发结果和所述初始样本评分结果，对所述初始主动学习模型进行训练，得到训练后的主动学习模型；将所述历史行驶样本数据输入到所述训练后的主动学习模型，得到所述训练后的主动学习模型输出的目标样本评分结果；根据所述目标样本评分结果以及对应的所述初始标注结果，得到每一所述历史行驶样本数据的置信度。
9.可选地，所述根据所述目标行驶样本数据对所述初始分析模型进行训练，得到所述行驶分析模型，包括：对所述目标行驶样本数据进行切片处理，得到切片样本数据，其中，切片处理过程中的帧数是由标注频率和标注时长确定的；获取标注后的切片样本数据，并根据标注后的所述切片样本数据对所述初始分析模型进行训练，得到所述行驶分析模型。
10.根据本公开实施例的第二方面，提供一种车辆行驶控制装置，包括：获取模块，被配置为获取车辆在行驶过程中的车辆行驶数据；输入模块，被配置为将所述车辆行驶数据输入到预先训练得到的行驶分析模型中，以得到所述行驶分析模型输出的目标行驶信息，其中，所述行驶分析模型是通过对历史
行驶样本数据进行筛选，并通过筛选得到的目标行驶样本数据对初始分析模型训练得到的，所述目标行驶样本数据是所述历史行驶样本数据中置信度低于置信度阈值的数据；控制模块，被配置为根据所述目标行驶信息控制所述车辆行驶。
11.可选地，所述装置包括训练模块，被配置为：将所述历史行驶样本数据输入到初始标注模型中，得到所述初始标注模型输出的针对各历史行驶样本数据的初始标注结果；根据所述历史行驶样本数据以及对应的所述初始标注结果，得到每一所述历史行驶样本数据的置信度；将所述置信度低于所述置信度阈值的历史行驶样本数据作为筛选后的目标行驶样本数据；根据所述目标行驶样本数据对所述初始分析模型进行训练，得到所述行驶分析模型。
12.可选地，所述训练模块，被配置为：将所述历史行驶样本数据以及对应的所述初始标注结果分别输入到所述初始分析模型和参考分析模型，得到所述初始分析模型输出的第一分析结果和所述参考分析模型输出的第二分析结果，其中，所述历史行驶样本数据是从训练得到所述参考分析模型的历史行驶数据集中选取的；确定所述第一分析结果与所述第二分析结果之间的差异值，并根据所述差异值确定所述历史行驶样本数据的置信度，其中，所述置信度与所述差异值呈反比。
13.可选地，所述训练模块，被配置为：从所述历史行驶样本数据中确定测试行驶样本数据，并将所述测试行驶样本数据输入到触发器中，得到所述触发器输出的触发结果，所述触发器中包括设置有不同触发规则的子触发器；将触发结果满足触发条件对应的测试行驶样本数据作为训练样本，对初始分类模型进行训练，得到目标分类模型，其中，所述触发条件为所述触发结果与所述初始标注结果不匹配和/或触发时长超出预设触发时长阈值；以所述目标分类模型替换所述触发结果满足所述触发条件对应的子触发器，并将替换后得到的触发器作为触发模型；将所述历史行驶样本数据输入到所述触发模型中，得到所述触发模型输出的分类触发结果；根据所述分类触发结果与所述初始标注结果，得到每一所述历史行驶样本数据的置信度。
14.可选地，所述训练模块，被配置为：从所述历史行驶样本数据中确定测试行驶样本数据，并将所述测试行驶样本数据输入到触发器中，得到所述触发器输出的触发结果，所述触发器中包括设置有不同触发规则的子触发器；将所述测试行驶样本数据输入到初始主动学习模型，得到所述初始主动学习模型输出的初始样本评分结果；根据所述触发结果和所述初始样本评分结果，对所述初始主动学习模型进行训
练，得到训练后的主动学习模型；将所述历史行驶样本数据输入到所述训练后的主动学习模型，得到所述训练后的主动学习模型输出的目标样本评分结果；根据所述目标样本评分结果以及对应的所述初始标注结果，得到每一所述历史行驶样本数据的置信度。
15.可选地，所述训练模块包括训练子模块，被配置为：对所述目标行驶样本数据进行切片处理，得到切片样本数据，其中，切片处理过程中的帧数是由标注频率和标注时长确定的；获取标注后的切片样本数据，并根据标注后的所述切片样本数据对所述初始分析模型进行训练，得到所述行驶分析模型。
16.根据本公开实施例的第三方面，提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：获取车辆在行驶过程中的车辆行驶数据；将所述车辆行驶数据输入到预先训练得到的行驶分析模型中，以得到所述行驶分析模型输出的目标行驶信息，其中，所述行驶分析模型是通过对历史行驶样本数据进行筛选，并通过筛选得到的目标行驶样本数据对初始分析模型训练得到的，所述目标行驶样本数据是所述历史行驶样本数据中置信度低于置信度阈值的数据；根据所述目标行驶信息控制所述车辆行驶。
17.根据本公开实施例的第四方面，提供一种车辆，所述车辆包括第三方面所述的电子设备。
18.根据本公开实施例的第五方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现第一方面中任一项所述车辆行驶控制方法的步骤。
19.本公开的实施例提供的技术方案可以包括以下有益效果：通过获取车辆在行驶过程中的车辆行驶数据；将车辆行驶数据输入到预先训练得到的行驶分析模型中，以得到行驶分析模型输出的目标行驶信息，行驶分析模型是通过对历史行驶样本数据进行筛选，并通过筛选得到的目标行驶样本数据对初始分析模型训练得到的，目标行驶样本数据是历史行驶样本数据中置信度低于置信度阈值的数据；根据目标行驶信息控制车辆行驶。通过从历史行驶样本数据中筛选置信度低于置信度阈值的目标行驶样本数据对初始分析模型进行训练，不仅模型较小利于在车辆端布置，并且可以提高训练得到的行驶分析模型的召回率和准确率等模型性能，进而提高了车辆行驶控制的准确性和安全性。
20.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
21.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
22.图1是根据一示例性实施例示出的一种车辆行驶控制方法的流程图。
23.图2是根据一示例性实施例示出的一种行驶分析模型训练方法的流程图。
24.图3是根据一示例性实施例示出的一种车辆行驶控制装置的框图。
25.图4是根据一示例性实施例示出的一种用于车辆行驶控制的装置的框图。
具体实施方式
26.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
27.需要说明的是，本技术中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
28.图1是根据一示例性实施例示出的一种车辆行驶控制方法的流程图，如图1所示，该方法应用于车载终端中，例如车道偏移系统，自动驾驶系统或者自动泊车系统等，该方法包括以下步骤。
29.在步骤s11中，获取车辆在行驶过程中的车辆行驶数据。
30.其中，车辆行驶数据为流式离散数据，即在时间分布和数量上，随着车辆的行驶按照预设间隔时长或者按照车辆行驶状态改变而无限产生的一系列路采动态数据。
31.在本公开实施例中，车辆行驶数据可以是车载摄像头采集的图像数据，例如，在车辆行驶过程中采集到的道路图像数据，或者行驶环境中周围其他道路参与者的图像数据。也可以是车载传感器采集的车辆控制数据，例如，车辆的速度传感器采集车速数据，或者车载传感器采集的车辆转向数据。
32.在步骤s12中，将所述车辆行驶数据输入到预先训练得到的行驶分析模型中，以得到所述行驶分析模型输出的目标行驶信息。
33.其中，所述行驶分析模型是通过对历史行驶样本数据进行筛选，并通过筛选得到的目标行驶样本数据对初始分析模型训练得到的，所述目标行驶样本数据是所述历史行驶样本数据中置信度低于置信度阈值的数据。
34.其中，由于历史行驶样本数据中置信度高于等于置信度阈值的数据为准确度较高的数据，在模型训练时，模型能够较快拟合，难以准确地对损失函数进行计算，也就难以准确得出模型的参数；而历史行驶样本数据中置信度低于置信度阈值的数据为，模型拟合过程中拟合较为困难，可以准确地对损失函数进行计算，进而准确得出模型的参数，从而可以提高模型的召回率和准确性。
35.示例地，如车辆行驶数据为车辆转向数据，在训练初始分析模型时，需要从历史转向样本数据中筛选出目标转向样本数据，例如，确定历史转向样本数据中的转向角度变化量或者曲率，并确定历史转向样本数据对应的预测转向数据，进而计算历史转向样本数据的转向角度变化量与预测转向数据中转向角变化量的差值，将差值大于等于设定阈值对应的历史转向样本数据确定为目标转向样本数据，而将差值小于设定阈值对应的历史转向样本数据确定为非目标转向样本数据。
36.本公开实施例中，若车辆行驶数据为车辆的转向数据，则行驶分析模型输出的目标行驶信息为用于控制车辆转向的角度变化量、曲率或者用于施加在车辆转向柱上的转向助力参数，例如转向助力参数可以包括转向助力大小和转向助力施加时长。
37.若车辆行驶数据为摄像头采集的路面图像，则行驶分析模型输出的目标行驶信息可以为路面标识识别结果，或者路面障碍物识别结果。
38.在步骤s13中，根据所述目标行驶信息控制所述车辆行驶。
39.本公开实施例中，可以根据目标行驶信息以及车辆当前的行驶状态，确定车辆的行驶策略，进而根据该行驶策略控制车辆行驶。
40.上述技术方案通过获取车辆在行驶过程中的车辆行驶数据；将车辆行驶数据输入到预先训练得到的行驶分析模型中，以得到行驶分析模型输出的目标行驶信息，行驶分析模型是通过对历史行驶样本数据进行筛选，并通过筛选得到的目标行驶样本数据对初始分析模型训练得到的，目标行驶样本数据是历史行驶样本数据中置信度低于置信度阈值的数据；根据目标行驶信息控制车辆行驶。通过从历史行驶样本数据中筛选置信度低于置信度阈值的目标行驶样本数据对初始分析模型进行训练，不仅模型较小利于在车辆端布置，并且可以提高训练得到的行驶分析模型的召回率和准确率等模型性能，进而提高了车辆行驶控制的准确性和安全性。
41.在上述实施例的基础上，图2是根据一示例性实施例示出的一种行驶分析模型训练方法的流程图，如图2所示，可选地，该方法包括以下步骤。
42.在步骤s21中，将历史行驶样本数据输入到初始标注模型中，得到初始标注模型输出的针对各历史行驶样本数据的初始标注结果。
43.示例地，针对历史行驶样本数据可以标注采集到的视频中目标对象所处位置和类型进行标注，也可以对驾驶数据中车辆行驶决策进行标注，得到初始标注结果。
44.在步骤s22中，根据历史行驶样本数据以及对应的初始标注结果，得到每一历史行驶样本数据的置信度。
45.在其中一种实施方式中，所述根据所述历史行驶样本数据以及对应的所述初始标注结果，得到每一所述历史行驶样本数据的置信度，包括：将所述历史行驶样本数据以及对应的所述初始标注结果分别输入到所述初始分析模型和参考分析模型，得到所述初始分析模型输出的第一分析结果和所述参考分析模型输出的第二分析结果，其中，所述历史行驶样本数据是从训练得到所述参考分析模型的历史行驶数据集中选取的。
46.本公开实施例中，参考分析模型为离线模型，初始分析模型训练后作为车载行驶分析模型在车端部署，参考分析模型通过历史行驶数据集中大量的行驶数据进行训练得到，参考分析模型输出的结果精确度高。初始分析模型为提高召回率和运行效率，部分地牺牲了准确性。
47.确定所述第一分析结果与所述第二分析结果之间的差异值，并根据所述差异值确定所述历史行驶样本数据的置信度，其中，所述置信度与所述差异值呈反比。
48.示例地，若初始分析模型为目标位置预测模型，则第一分析结果和第二分析结果均为目标位置，差异值是针对目标位置的检测框的重合度；若初始分析模型为轨迹预测模型，则第一分析结果和第二分析结果均为目标障碍物未来的轨迹，差异值是针对目标障碍
物的轨迹的相似度。
49.在其中一种实施方式中，所述根据所述历史行驶样本数据以及对应的所述初始标注结果，得到每一所述历史行驶样本数据的置信度，包括：从所述历史行驶样本数据中确定测试行驶样本数据，并将所述测试行驶样本数据输入到触发器中，得到所述触发器输出的触发结果，所述触发器中包括设置有不同触发规则的子触发器。
50.在一种实施方式中，设置有不同触发规则的子触发器可以是串联的。任一历史行驶样本数据逐个输入到子触发器，在该历史行驶样本数据未触发该规则的子触发器的情况下，该子触发器继续读取下一个历史行驶样本数据，而未能触发该子触发器的历史行驶样本数据继续向下传递到下一个子触发器，直到触发任一触发器后，该历史行驶样本数据不再继续向下传递，得到触发结果。这样，可以快速对历史行驶样本数据进行触发处理。
51.在另一种实施方式中，设置有不同触发规则的子触发器可以是并联的。任一历史行驶样本数据分别输入到每一个子触发器，确定是否能够触发该规则的子触发器，在所有子触发器均输出了触发结果的情况下，继续读取下一历史行驶样本数据。这样可以针对任一历史行驶样本数据确定是否能够触发不同的规则，提高触发操作的精确性。
52.本公开实施例中，触发器中包括人工定义的针对任一数据进行类型区分的触发规则，例如测试行驶样本数据针对车辆处于左转灯点亮的情况下，或者车辆处于方向盘向左存在转动角度的情况下的数据，触发规则可以是车辆左转行驶、车辆掉头行驶、车辆向左变道行驶、检测异常等，当测试行驶样本数据按顺序逐个通过不同触发规则的子触发器时，若满足触发规则，该测试行驶样本数据被打上该触发器的标签。例如，在该测试行驶样本数据触发了触发规则为车辆左转行驶的子触发器时，对该测试行驶样本数据打上左转标签，进而根据触发标签和子触发时长得到触发结果，其中，子触发时长为测试行驶样本数据输入子触发器的时间点到得到触发标签的时间点。
53.将触发结果满足触发条件对应的测试行驶样本数据作为训练样本，对初始分类模型进行训练，得到目标分类模型，其中，所述触发条件为所述触发结果与所述初始标注结果不匹配和/或触发时长超出预设触发时长阈值。
54.本公开实施例中，触发时长为子触发器对应的子触发时长的总和。触发标签与初始标注结果中的标签不同即触发结果与所述初始标注结果不匹配。其中，在子触发器输出的触发标签与初始标注结果中标签不同的占比达到预设阈值时，确定该子触发器准确性较低。
55.其中，将训练样本及该样本对应的初始标注结果输入到初始分类模型，对初始分类模型进行训练。
56.以所述目标分类模型替换所述触发结果满足所述触发条件对应的子触发器，并将替换后得到的触发器作为触发模型。
57.示例地，触发时长未超出预设触发时长阈值的子触发器被保留，而触发时长超出预设触发时长阈值的子触发器被替换为训练得到的目标分类模型。
58.将所述历史行驶样本数据输入到所述触发模型中，得到所述触发模型输出的分类触发结果。其中，触发分类结果为触发器针对历史行驶样本数据的触发标签和/或分类器针对历史行驶样本数据的分类结果。
59.根据所述分类触发结果与所述初始标注结果，得到每一所述历史行驶样本数据的置信度。
60.本公开实施例中，对比分类触发结果与初始标注结果，得到每一历史行驶样本数据的置信度。
61.在其中一种实施方式中，所述根据所述历史行驶样本数据以及对应的所述初始标注结果，得到每一所述历史行驶样本数据的置信度，包括：从所述历史行驶样本数据中确定测试行驶样本数据，并将所述测试行驶样本数据输入到触发器中，得到所述触发器输出的触发结果，所述触发器中包括设置有不同触发规则的子触发器。
62.将所述测试行驶样本数据输入到初始主动学习模型，得到所述初始主动学习模型输出的初始样本评分结果。
63.根据所述触发结果和所述初始样本评分结果，对所述初始主动学习模型进行训练，得到训练后的主动学习模型。
64.将所述历史行驶样本数据输入到所述训练后的主动学习模型，得到所述训练后的主动学习模型输出的目标样本评分结果。
65.根据所述目标样本评分结果以及对应的所述初始标注结果，得到每一所述历史行驶样本数据的置信度。
66.确定历史行驶样本数据的目标样本评分结果与对应的所述初始标注结果的一致性，例如，初始标注结果表征车辆为左转向行驶，历史行驶样本数据的评分结果中左转评分越高，越接近于初始标注中的左转标注，则针对历史行驶样本数据的左转置信度越高。
67.其中，历史行驶样本数据的目标样本评分结果与对应的初始标注结果的一致性越高，历史行驶样本数据的置信度越高。
68.在步骤s22中，将所述置信度低于所述置信度阈值的候选行驶信息对应的历史行驶样本数据作为筛选后的目标行驶样本数据。
69.本公开实施例中，将置信度大于等于置信度阈值的候选行驶信息对应的历史行驶样本数据剔除，将置信度低于置信度阈值的候选行驶信息对应的历史行驶样本数据作为筛选后的目标行驶样本数据。
70.在步骤s23中，根据所述目标行驶样本数据对所述初始分析模型进行训练，得到所述行驶分析模型。
71.在该步骤中，所述根据所述目标行驶样本数据对所述初始分析模型进行训练，得到所述行驶分析模型，包括：对所述目标行驶样本数据进行切片处理，得到切片样本数据，其中，切片处理过程中的帧数是由标注频率和标注时长确定的。
72.本公开实施例中，根据标注频率和标注时长，确定切片处理过程中的帧数，并根据该帧数从目标行驶样本数据中将在当前帧之前采集的历史行驶样本数据、当前帧之后采集的历史行驶样本数据和当前帧的历史行驶样本数据切取出来，得到切片样本数据。
73.例如，下游标注的标注频率2 hz，标注时长为5 s，为给每帧数据打上标签，例如该转向数据是否为左转，或者数据的置信度是高还是低，将在当前帧之前采集的5*2-1帧的在先数据，以及在当前帧之后采集的5*2帧的在后数据以及当前帧，共20帧数据，从目标行驶
样本数据中切取出来。
74.获取标注后的切片样本数据，并根据标注后的所述切片样本数据对所述初始分析模型进行训练，得到所述行驶分析模型。
75.将切取出来的目标行驶样本数据送往下游进行标注，再获取标注完成后的切片样本数据，其中可以通过人工标注的方式对切片数据进行标注，也可以根据切片样本数据对应的历史行驶样本数据，对切片样本数据进行自动标注，进而将标注完成后的切片样本数据输入初始分析模型中，得到所述行驶分析模型。
76.基于相同的构思，本公开还提供一种车辆行驶控制装置，用于执行上述方法实施例提供的车辆行驶控制方法的部分或全部步骤，该装置300可以以软件、硬件或者两者相结合的方式实现车辆行驶控制方法。图3是根据一示例性实施例示出的一种车辆行驶控制装置的框图，参见图3所示，所述装置300包括：获取模块310、输入模块320和控制模块330。
77.其中，获取模块310被配置为获取车辆在行驶过程中的车辆行驶数据；输入模块320被配置为将所述车辆行驶数据输入到预先训练得到的行驶分析模型中，以得到所述行驶分析模型输出的目标行驶信息，其中，所述行驶分析模型是通过对历史行驶样本数据进行筛选，并通过筛选得到的目标行驶样本数据对初始分析模型训练得到的，所述目标行驶样本数据是所述历史行驶样本数据中置信度低于置信度阈值的数据；控制模块330被配置为根据所述目标行驶信息控制所述车辆行驶。
78.上述装置通过从历史行驶样本数据中筛选置信度低于置信度阈值的目标行驶样本数据对初始分析模型进行训练，不仅模型较小利于在车辆端布置，并且可以提高训练得到的行驶分析模型的召回率和准确率等模型性能，进而提高了车辆行驶控制的准确性和安全性。
79.可选地，所述装置300包括训练模块，被配置为：将所述历史行驶样本数据输入到参考分析模型中，得到所述参考分析模型输出的候选行驶信息和每一候选行驶信息的置信度，其中，所述历史行驶样本数据是从训练得到所述参考分析模型的历史行驶数据集中选取的；将所述置信度低于所述置信度阈值的候选行驶信息对应的历史行驶样本数据作为筛选后的目标行驶样本数据；根据所述目标行驶样本数据对所述初始分析模型进行训练，得到所述行驶分析模型。
80.可选地，所述训练模块包括选取子模块，被配置为：将所述历史行驶样本数据输入到初始标注模型中，得到所述初始标注模型输出的针对各历史行驶样本数据的初始标注结果；根据所述历史行驶样本数据以及对应的所述初始标注结果，得到每一所述历史行驶样本数据的置信度；将所述置信度低于所述置信度阈值的历史行驶样本数据作为筛选后的目标行驶样本数据；根据所述目标行驶样本数据对所述初始分析模型进行训练，得到所述行驶分析模型。
81.可选地，所述训练模块，被配置为：
将所述历史行驶样本数据以及对应的所述初始标注结果分别输入到所述初始分析模型和参考分析模型，得到所述初始分析模型输出的第一分析结果和所述参考分析模型输出的第二分析结果，其中，所述历史行驶样本数据是从训练得到所述参考分析模型的历史行驶数据集中选取的；确定所述第一分析结果与所述第二分析结果之间的差异值，并根据所述差异值确定所述历史行驶样本数据的置信度，其中，所述置信度与所述差异值呈反比。
82.可选地，所述训练模块，被配置为：从所述历史行驶样本数据中确定测试行驶样本数据，并将所述测试行驶样本数据输入到触发器中，得到所述触发器输出的触发结果，所述触发器中包括设置有不同触发规则的子触发器；将触发结果满足触发条件对应的测试行驶样本数据作为训练样本，对初始分类模型进行训练，得到目标分类模型，其中，所述触发条件为所述触发结果与所述初始标注结果不匹配和/或触发时长超出预设触发时长阈值；以所述目标分类模型替换所述触发结果满足所述触发条件对应的子触发器，并将替换后得到的触发器作为触发模型；将所述历史行驶样本数据输入到所述触发模型中，得到所述触发模型输出的分类触发结果；根据所述分类触发结果与所述初始标注结果，得到每一所述历史行驶样本数据的置信度。
83.可选地，所述训练模块，被配置为：从所述历史行驶样本数据中确定测试行驶样本数据，并将所述测试行驶样本数据输入到触发器中，得到所述触发器输出的触发结果，所述触发器中包括设置有不同触发规则的子触发器；将所述测试行驶样本数据输入到初始主动学习模型，得到所述初始主动学习模型输出的初始样本评分结果；根据所述触发结果和所述初始样本评分结果，对所述初始主动学习模型进行训练，得到训练后的主动学习模型；将所述历史行驶样本数据输入到所述训练后的主动学习模型，得到所述训练后的主动学习模型输出的目标样本评分结果；根据所述目标样本评分结果以及对应的所述初始标注结果，得到每一所述历史行驶样本数据的置信度。
84.可选地，所述训练模块包括训练子模块，被配置为：对所述目标行驶样本数据进行切片处理，得到切片样本数据，其中，切片处理过程中的帧数是由标注频率和标注时长确定的；获取标注后的切片样本数据，并根据标注后的所述切片样本数据对所述初始分析模型进行训练，得到所述行驶分析模型。
85.关于上述实施例中的装置，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。
86.此外值得说明的是，为描述的方便和简洁，说明书中所描述的实施例均属于优选
实施例，其所涉及的部分并不一定是本发明所必须的，例如，输入模块320和控制模块330，在具体实施时可以是相互独立的装置也可以是同一个装置，本公开对此不作限定。
87.根据本公开实施例还提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：获取车辆在行驶过程中的车辆行驶数据；将所述车辆行驶数据输入到预先训练得到的行驶分析模型中，以得到所述行驶分析模型输出的目标行驶信息，其中，所述行驶分析模型是通过对历史行驶样本数据进行筛选，并通过筛选得到的目标行驶样本数据对初始分析模型训练得到的，所述目标行驶样本数据是所述历史行驶样本数据中置信度低于置信度阈值的数据；根据所述目标行驶信息控制所述车辆行驶。
88.本公开的实施例还提供一种车辆，所述车辆包括上述电子设备，用于控制车辆行驶。
89.本公开的实施例还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现上述中任一项所述车辆行驶控制方法的步骤。
90.图4是根据一示例性实施例示出的一种用于车辆行驶控制的装置400的框图。例如，装置400可以是车道偏移系统，自动驾驶系统或者自动泊车系统等的控制器。
91.参照图4，装置400可以包括以下一个或多个组件：处理组件402，存储器404，电力组件406，多媒体组件408，音频组件410，输入/输出（i/ o）接口412，传感器组件414，以及通信组件416。
92.处理组件402通常控制装置400的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件402可以包括一个或多个处理器420来执行指令，以完成上述车辆行驶控制的方法的全部或部分步骤。此外，处理组件402可以包括一个或多个模块，便于处理组件402和其他组件之间的交互。例如，处理组件402可以包括多媒体模块，以方便多媒体组件408和处理组件402之间的交互。
93.存储器404被配置为存储各种类型的数据以支持在装置400的操作。这些数据的示例包括用于在装置400上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器404可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（sram），电可擦除可编程只读存储器（eeprom），可擦除可编程只读存储器（eprom），可编程只读存储器（prom），只读存储器（rom），磁存储器，快闪存储器，磁盘或光盘。
94.电力组件406为装置400的各种组件提供电力。电力组件406可以包括电源管理系统，一个或多个电源，及其他与为装置400生成、管理和分配电力相关联的组件。
95.多媒体组件408包括在所述装置400和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器（lcd）和触摸面板（tp）。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒
体组件408包括一个前置摄像头和/或后置摄像头。当装置400处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
96.音频组件410被配置为输出和/或输入音频信号。例如，音频组件410包括一个麦克风（mic），当装置400处于操作模式，如记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器404或经由通信组件416发送。在一些实施例中，音频组件410还包括一个扬声器，用于输出音频信号。
97.输入/输出（i/ o）接口412为处理组件402和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
98.传感器组件414包括一个或多个传感器，用于为装置400提供各个方面的状态评估。例如，传感器组件414可以检测到装置400的打开/关闭状态，组件的相对定位，例如所述组件为装置400的显示器和小键盘，传感器组件414还可以检测装置400或装置400一个组件的位置改变，用户与装置400接触的存在或不存在，装置400方位或加速/减速和装置400的温度变化。传感器组件414可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件414还可以包括光传感器，如cmos或ccd图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件414还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
99.通信组件416被配置为便于装置400和其他设备之间有线或无线方式的通信。装置400可以接入基于通信标准的无线网络，如wifi，2g，3g，4g或者5g，或它们的组合。在一个示例性实施例中，通信组件416经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件416还包括近场通信（nfc）模块，以促进短程通信。例如，在nfc模块可基于射频识别（rfid）技术，红外数据协会（irda）技术，超宽带（uwb）技术，蓝牙（bt）技术和其他技术来实现。
100.在示例性实施例中，装置400可以被一个或多个应用专用集成电路（asic）、数字信号处理器（dsp）、数字信号处理设备（dspd）、可编程逻辑器件（pld）、现场可编程门阵列（fpga）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述车辆行驶控制方法。
101.在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器404，上述指令可由装置400的处理器420执行以完成上述车辆行驶控制方法。例如，所述非临时性计算机可读存储介质可以是rom、随机存取存储器（ram）、cd-rom、磁带、软盘和光数据存储设备等。
102.在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的车辆行驶控制方法的代码部分。
103.本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求
指出。
104.应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。