模型迭代优化方法、车辆、存储介质及程序产品与流程

本技术涉及自动驾驶的，尤其涉及模型迭代优化方法、车辆、存储介质及计算机程序产品。

背景技术：

1、目前，自动驾驶环境感知技术主要依赖摄像头、毫米波雷达、激光雷达等主流传感器。然而，在面对遮挡、恶劣天气、非视距等场景时，上述传感器存在感知盲区。作为一种新兴的补充感知手段，轮端振动补盲感知系统通过分析轮胎传递的振动信号，可实现对路面外部目标（如行人、车辆）的识别与预警，有效弥补了主流传感器的感知局限。

2、在现有的轮端振动补盲感知方案中，其核心识别模型多基于实验室或封闭测试场的样本数据进行离线训练。然而，实际道路工况极其复杂，存在轮胎阻尼随里程衰减、路面坑洼与裂缝等非目标干扰、多目标振动信号叠加等真实场景。受限于此，基于实验室样本训练的模型在真实路况下的识别精度显著下降，容易出现目标漏报或误报等预估偏差。

3、此外，现有技术方案普遍缺乏一套标准化、工程化的机制，来将轮端振动补盲系统的预估结果与主流传感器（如摄像头、毫米波雷达）的成熟识别结果进行有效的在线或准在线比对与校核。这导致系统无法准确、规模化地定位振动感知模型在实际应用中产生的具体错误样本，模型优化的数据闭环难以形成。虽然有方案提出通过采集车集中采集大量原始振动数据回传至云端进行模型训练，但这种方法面临数据量庞大、网络传输与云端存储成本高昂、数据处理周期长等问题，不符合车载嵌入式系统对低带宽、低算力、高实时性的工程约束要求，难以实现量产化落地。

4、因此，如何在真实路况环境下有效、低成本地提升轮端振动补盲模型的识别精度，并建立一套符合车载工程约束的模型迭代优化机制，成为本领域亟待解决的技术问题。

5、上述内容仅用于辅助理解本技术的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

1、本技术的主要目的在于提供一种模型迭代优化方法、车辆、存储介质及计算机程序产品，旨在解决现有技术缺乏低开销、可量产落地的闭环校核与迭代机制，致使振动感知模型无法借助真实路况进行持续优化，难以保证在复杂场景下的识别精度的技术问题。

2、为实现上述目的，本技术提出一种模型迭代优化方法，所述模型迭代优化方法包括：

3、步骤s10：控制轮端振动感知系统识别道路外部目标，输出预估结果；

4、步骤s20：在车辆接近所述道路外部目标时，利用多种环境感知传感器对同一道路外部目标进行融合识别，将融合识别结果作为真值，与所述预估结果进行逐目标比对，生成比对日志；

5、步骤s30：以预设周期对比对日志进行统计，计算振动感知模型的识别准确率；

6、步骤s40：从比对日志中筛选出存在预估偏差的错误数据，形成标准化错误样本集；

7、步骤s50：将所述标准化错误样本集回传至后台服务器，以触发所述服务器对振动感知模型进行集中批量训练优化并生成升级包；

8、步骤s60：接收所述服务器推送的所述升级包，并利用所述升级包完成所述振动感知模型的替换；

9、步骤s70：重复执行步骤s10至s60，直至所述振动感知模型的识别准确率提升幅度低于预设阈值。

10、在一实施例中，所述步骤s20中，当预估结果与真值不一致时，所述比对日志至少包括：轮端振动感知系统的预估结果、环境感知传感器的融合识别真值、预估结果与真值之间的偏差类别及对应的路况工况信息。

11、在一实施例中，所述步骤s40中，所述标准化错误样本集包括偏差振动特征、真值目标类型、工况场景及路面干扰类型。

12、在一实施例中，所述步骤s50中，所述集中批量训练优化的内容包括：调整模型核函数参数、振动特征向量权重及特征分类边界，以修正预估偏差。

13、在一实施例中，所述步骤s50中，所述服务器聚合来自多台车辆的标准化错误样本集进行集中批量训练优化。

14、在一实施例中，所述步骤s60中，所述升级包由所述服务器对优化后模型进行精度校验，并根据校验结果确认模型精度提升后生成。

15、在一实施例中，所述步骤s70中，当连续多轮迭代的识别准确率提升幅度均低于所述预设阈值时，停止迭代并固化当前模型版本。

16、此外，为实现上述目的，本技术还提出一种模型迭代优化装置，所述模型迭代优化装置包括：

17、第一模块，用于控制轮端振动感知系统识别道路外部目标，输出预估结果；

18、第二模块，用于在车辆接近所述道路外部目标时，利用多种环境感知传感器对同一道路外部目标进行融合识别，将融合识别结果作为真值，与所述预估结果进行逐目标比对，生成比对日志；

19、第三模块，用于以预设周期对比对日志进行统计，计算振动感知模型的识别准确率；

20、第四模块，用于从比对日志中筛选出存在预估偏差的错误数据，形成标准化错误样本集；

21、第五模块，用于将所述标准化错误样本集回传至后台服务器，以触发所述服务器对振动感知模型进行集中批量训练优化并生成升级包；

22、第六模块，用于接收所述服务器推送的所述升级包，并利用所述升级包完成所述振动感知模型的替换；

23、第七模块，用于重复执行以上步骤，直至所述振动感知模型的识别准确率提升幅度低于预设阈值。

24、此外，为实现上述目的，本技术还提出一种车辆，所述车辆包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上文所述的模型迭代优化方法的步骤。

25、此外，为实现上述目的，本技术还提出一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的模型迭代优化方法的步骤。

26、此外，为实现上述目的，本技术还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上文所述的模型迭代优化方法的步骤。

27、本技术提出的一个或多个技术方案，至少具有以下技术效果：

28、通过将轮端振动感知系统的预估结果与车载多传感器（摄像头、雷达）融合识别真值进行逐目标比对，生成比对日志，从而准确定位模型的预估偏差；再按预设周期统计准确率、筛选错误数据形成标准化错误样本集并回传后台服务器，触发模型集中批量训练优化与升级；最后接收升级包替换模型并重复迭代，直至精度提升幅度低于阈值后固化。该闭环机制使得振动感知模型能够利用真实路况下的车载传感器真值持续优化，有效提升其在复杂真实路况下的识别精度。

29、其中，仅需在车载端按预设周期统计划算、筛选错误数据后回传标准化样本集，无需传输全量原始振动数据，数据量可控；升级包由后台服务器训练生成后统一推送，车载终端静默替换，不频繁更新，不影响车辆正常行驶，整体方案开销低、工程适配性强。通过比对日志准确定位预估偏差，回传的错误样本集具有明确的优化价值，后台服务器可针对性调整模型参数（如核函数参数、特征权重、分类边界），使每轮迭代的精度提升更加高效，避免了盲目训练。而且设置了精度提升幅度低于预设阈值的终止条件，模型在达到性能上限后自动停止迭代并固化最终版本，避免无意义的持续更新，保障系统稳定。