01.核心部门

1、感知部门

• 职责：

  • 负责通过传感器（如摄像头、激光雷达、毫米波雷达等）收集车辆周围环境信息
  • 并对数据进行处理，识别道路、行人、车辆、障碍物等

• 传感器数据采集：

  • 实时采集车辆传感器数据，并上传到中心系统进行存储和处理

  • 调度系统需要处理海量数据传输任务，确保数据传输的稳定性和实时性

• 数据预处理与标注：

  • 感知数据的预处理任务，比如噪声过滤、数据清洗等操作，以及标注任务的分发和调度

• 模型训练任务：

  • 在数据集上训练深度学习模型，以提高感知算法的精度这类任务通常会在分布式GPU集群上并行调度

2、决策部门

• 职责：基于感知部门提供的环境信息，做出路径规划和行为决策，决定车辆的行驶路线、避让障碍、停车等行为

• 路径规划计算：分布式调度系统需要调度多个规划算法的计算任务（如Dijkstra算法、A算法），同时处理动态交通状况下的实时路径优化

• 仿真测试：仿真环境中运行决策算法的测试任务，这些任务通常会并发执行，并要求系统具备高效的调度能力和任务重试机制

• 多目标决策评估：评估不同驾驶策略下的多目标决策（如安全、舒适、效率等）的权衡，需要调度大量的测试任务

3、控制部门

职责：根据决策部门的输出，精确控制车辆的转向、加速、刹车等操作，确保车辆平稳、安全地执行计划路线 任务调度：

• 实时控制指令调度：车辆行驶过程中，调度系统需要确保控制指令能够低延迟、高优先级地调度和执行，特别是在网络不稳定的情况下，必须具备故障切换和指令重发机制
• 多车辆协同控制：在自动驾驶车队中，调度系统负责分布式调度多辆车之间的协同控制任务，如保持队形、避免碰撞等

4、仿真测试部门

职责：负责搭建自动驾驶系统的虚拟仿真环境，测试系统在不同场景下的表现，确保算法和控制策略的安全性与可靠性 任务调度：

• 仿真任务分发：基于场景库，分布式调度系统会分发大量的场景测试任务，如在复杂城市路况或恶劣天气条件下的自动驾驶仿真
• 结果汇总与分析：调度系统还需要调度仿真结果的汇总与分析任务，自动生成测试报告并传送至决策或控制部门以进行模型改进
• 硬件在环测试：调度系统需要调度自动驾驶车辆和硬件模拟器之间的任务交互，确保实际控制算法可以与硬件紧密耦合

5、高精地图部门

职责：负责生成和维护车辆行驶所需的高精度地图数据，确保车辆在高精度地图的指导下准确导航 任务调度：

• 地图数据更新：当环境变化时（如新增道路或障碍），调度系统需要及时调度地图数据的更新任务
• 地图数据同步与分发：对地图数据进行区域化分片，并通过调度系统同步到多个终端和测试车，确保最新的地图数据随时可用
• 数据一致性检查：调度系统调度任务来检查不同版本的地图数据之间的差异，确保数据一致性

6、数据平台部门

职责：管理自动驾驶过程中生成的海量数据，包括数据存储、清洗、分析和归档 任务调度：

• 数据采集与上传：调度车辆上传行驶过程中产生的大量传感器数据，并保证数据的完整性和正确上传
• 数据清洗与分类：自动调度数据清洗任务，如去重、去噪和数据格式转换
• 数据存储与查询：针对不同业务部门的需求，调度数据查询任务，并优化数据存储与访问的效率

7、运营与安全部门

职责：监控车辆的运行状态、进行安全评估，处理自动驾驶系统中的异常情况 任务调度：

• 异常任务处理：调度系统需支持分布式调度异常事件处理任务，如事故分析、硬件故障修复等
• 远程监控与干预：调度系统可以调度远程监控任务，并在必要时下发远程控制指令以保障车辆安全

02.数据流程

1、数据采集

输入: 传感器数据（摄像头、激光雷达、GPS等） 输出: 原始数据（视频、图像、点云等） 处理重点:

• 场景覆盖：采集多种驾驶场景下的数据，包括不同天气、时间、道路条件
• 数据质量：确保采集的数据足够清晰、准确

调度系统的作用:

• 调度自动驾驶车队，根据指定的场景要求（如特定城市街道、恶劣天气条件等）采集数据
• 确保数据的时间戳同步和传输稳定，解决弱网或断网情况下的数据上传

2、视频抽帧

输入: 采集的视频数据 输出: 关键帧图像 处理重点:

• 帧选择：从视频中抽取具有代表性的帧，减少无效帧存储和计算量
• 帧间差异检测：根据物体运动或场景变化程度选择抽帧点

调度系统的作用:

• 调度任务执行视频帧抽取工作，在多节点分布式处理
• 确保抽帧结果及时上传并集成到后续的标注和挖掘工作中

3、数据标注

输入: 抽帧后的图像数据 输出: 已标注的数据集（如图像中的车辆、行人、交通标志等对象的边界框、类别） 处理重点:

• 自动/手动标注：结合自动化标注工具和人工标注，确保准确性
• 一致性检查：确保跨不同数据集的标注标准和格式统一

调度系统的作用:

• 分配标注任务，管理标注的工作量和进度
• 协调标注人员和自动化标注工具之间的工作，优化标注效率

4、数据挖掘

输入: 已标注的图像数据 输出: 高价值的子数据集（例如特定场景下的驾驶数据） 处理重点:

• 数据筛选：挖掘特殊场景数据（如车辆避让行人、复杂路口等），为模型提供针对性样本
• 数据增强：通过图像旋转、缩放、裁剪等手段生成更多样的数据，以提升模型的鲁棒性

调度系统的作用:

• 自动化筛选特定场景或事件的数据，基于标签和特征提取出的特定子集
• 执行数据增强任务，确保挖掘到的关键数据得到最大化利用

5、模型训练

输入: 经过筛选和增强的高质量数据集 输出: 训练好的模型（如物体检测、路径规划模型等） 处理重点:

• 模型选择：根据任务选择合适的模型结构（如YOLO、RCNN等），并使用优化算法（如Adam、SGD）进行训练
• 分布式训练：针对数据量大、模型复杂的场景，利用分布式计算加速训练过程
• 超参数调优：调整超参数以获得最佳的模型效果

调度系统的作用:

• 分配模型训练任务到多个节点上执行，确保资源的最优利用
• 自动化的超参数搜索调优，平衡模型的训练精度和效率

6、模型评估与反馈

输入: 训练后的模型和验证集 输出: 模型评估结果（如准确率、召回率、损失函数值） 处理重点:

• 模型性能测试：在测试集和验证集上测试模型的泛化能力，分析模型错误案例
• 反馈与优化：根据模型的表现，反馈到数据挖掘阶段进行进一步的数据挖掘，或反馈到标注阶段进行更精准的标注

调度系统的作用:

• 执行自动化模型评估任务，自动生成评估报告
• 反馈调度数据挖掘或重新标注任务，优化数据集，形成闭环

7、数据闭环

模型反馈后再挖掘、再训练 输入: 模型评估结果和反馈数据 输出: 优化后的数据集或重新训练的模型 处理重点:

• 数据再挖掘：根据模型评估结果，进一步挖掘特定场景数据（如模型表现较差的场景）进行重新训练
• 新数据采集：若现有数据不足以提升模型性能，调度自动驾驶车队采集新的数据，或从历史数据中挖掘未使用的数据
• 持续迭代：通过数据与模型的迭代优化，逐步提升系统的整体性能

调度系统的作用:

• 根据模型的反馈结果，调度新的数据挖掘任务或重新采集任务
• 自动化调度系统中的数据更新与模型更新过程，确保系统持续进化