一种分布式异构自动驾驶仿真测试方法、系统和设备与流程

1.本发明涉及自动驾驶技术领域，具体涉及一种基于多嵌入式gpu与x86cpu的分布式异构自动驾驶仿真测试方法、系统和设备。


背景技术：

2.在自动驾驶仿真测试领域，模拟器可以看作是自动驾驶软件系统的“软件集成工具”，所有的软件模块都可以在模拟器环境中运行，处理模块的输入数据，并产生模块的输出数据，模拟器具有极大提高系统开发效率的作用，还可以测试和验证极端场景下车辆的表现，是孵化人工智能和场景驱动的重要先决条件。域控制器作为自动驾驶系统的计算平台，承担接收传感器数据并进行处理、输出安全控制指令的使命，一般包含x86 cpu、gpu、mcu等多种计算单元，由于arm架构的嵌入式gpu具有功耗低、效率高的特点，在域控制器中的应用越来越多。目前在使用嵌入式gpu的方案中，一般使用网线将一个嵌入式gpu与x86 cpu连接，一方面，以太网的连接方式限制了大规模数据的传输带宽和延时，另一方面，对于多嵌入式gpu与x86架构的硬件在环仿真缺乏较好的测试方案。


技术实现要素：

3.为了解决上述背景技术中提到的至少一个问题，本发明提供了一种分布式异构自动驾驶仿真测试方法、系统和设备，既能够提高点对点通信的带宽，降低通信延时，又能在优化自动驾驶系统不同模块算法的同时，可以采样和跟踪各个设备上计算资源的占用情况，便于大算力自动驾驶域控制器的任务编排和计算资源分配。
4.本发明实施例提供的具体技术方案如下：
5.第一方面，提供一种分布式异构自动驾驶仿真测试方法，包括：
6.使用pcie线将嵌入式gpu与x86 cpu连接，将所述嵌入式gpu与所述x86 cpu连接到同一个局域网，其中，所述嵌入式gpu的数量为多个；
7.在所述嵌入式gpu和所述x86 cpu上分别部署自动驾驶系统；
8.在所述x86 cpu上安装自动驾驶的模拟器，并配置所述模拟器与所述自动驾驶系统的接口；
9.在所述模拟器上创建集群，将所述模拟器与所述自动驾驶系统连接到同一个所述局域网；
10.在所述集群上创建仿真场景，并启动所述自动驾驶系统的程序；
11.在所述仿真场景中设置所述自动驾驶系统的任务，测试所述自动驾驶系统的算法性能。
12.作为上述方案的一种优选，所述使用pcie线将嵌入式gpu与x86 cpu连接包括：
13.所述pcie线包括第一pcie线和第二pcie线，使用所述第一pcie线分别将所述嵌入式gpu连接到pcie扩展设备；
14.使用所述第二pcie线将所述pcie扩展设备与所述x86 cpu连接。
15.作为上述方案的一种优选，所述使用pcie线将嵌入式gpu与x86 cpu连接还包括：
16.将所述嵌入式gpu配置为endpoint模式，将x86 cpu配置为root模式，并配置所述嵌入式gpu和所述x86 cpu的ip地址。
17.作为上述方案的一种优选，所述在所述嵌入式gpu和所述x86 cpu上分别部署自动驾驶系统包括：
18.在所述x86 cpu的所述自动驾驶系统中部署规划决策及控制模块相关算法程序，在所述嵌入式gpu的所述自动驾驶系统中部署感知模块相关算法程序。
19.作为上述方案的一种优选，所述感知模块包括处理图像数据、处理激光雷达数据和传感器数据融合，其中，使用深度学习模型来处理图像数据和处理激光雷达数据。
20.作为上述方案的一种优选，所述在所述嵌入式gpu和所述x86 cpu上分别部署自动驾驶系统包括：
21.在所述x86 cpu的所述自动驾驶系统中部署规划决策、控制模块以及感知模块的传感器数据融合相关算法程序，在所述嵌入式gpu的所述自动驾驶系统中部署感知模块的处理图像数据、处理激光雷达数据相关算法程序，其中，使用深度学习模型来处理图像数据和处理激光雷达数据。
22.作为上述方案的一种优选，所述配置所述模拟器与所述自动驾驶系统的接口包括：
23.配置所述模拟器与通信中间件的接口，其中，所述通信中间件安装在所述嵌入式gpu和所述x86 cpu的操作系统上。
24.作为上述方案的一种优选，所述在所述集群上创建仿真场景包括：
25.在所述集群上创建仿真场景中的天气、交通状况、行人及障碍物信息，配置地图和车辆模型信息，配置所述车辆模型需要搭载的传感器信息。
26.第二方面，提供一种分布式异构自动驾驶仿真测试系统，所述系统包括：
27.连接模块：用于使用pcie线将嵌入式gpu与x86 cpu连接，将所述嵌入式gpu与所述x86 cpu连接到同一个局域网，其中，所述嵌入式gpu的数量为多个；
28.部署模块：用于在所述嵌入式gpu和所述x86 cpu上分别部署自动驾驶系统；
29.安装模块：用于在所述x86 cpu上安装自动驾驶的模拟器，并配置所述模拟器与所述自动驾驶系统的接口；
30.集群创建模块：用于在所述模拟器上创建集群，将所述模拟器与所述自动驾驶系统连接到同一个所述局域网；
31.仿真场景创建模块：用于在所述集群上创建仿真场景，并启动所述自动驾驶系统的程序；
32.测试模块：用于在所述仿真场景中设置所述自动驾驶系统的任务，测试所述自动驾驶系统的算法性能。
33.第三方面，提供一种计算机设备，包括存储器、处理器及存储在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计算机程序时实现以下步骤：
34.使用pcie线将嵌入式gpu与x86 cpu连接，将所述嵌入式gpu与所述x86 cpu连接到同一个局域网，其中，所述嵌入式gpu的数量为多个；
35.在所述嵌入式gpu和所述x86 cpu上分别部署自动驾驶系统；
36.在所述x86 cpu上安装自动驾驶的模拟器，并配置所述模拟器与所述自动驾驶系统的接口；
37.在所述模拟器上创建集群，将所述模拟器与所述自动驾驶系统连接到同一个所述局域网；
38.在所述集群上创建仿真场景，并启动所述自动驾驶系统的程序；
39.在所述仿真场景中设置所述自动驾驶系统的任务，测试所述自动驾驶系统的算法性能。
40.第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
41.使用pcie线将嵌入式gpu与x86 cpu连接，将所述嵌入式gpu与所述x86 cpu连接到同一个局域网，其中，所述嵌入式gpu的数量为多个；
42.在所述嵌入式gpu和所述x86 cpu上分别部署自动驾驶系统；
43.在所述x86 cpu上安装自动驾驶的模拟器，并配置所述模拟器与所述自动驾驶系统的接口；
44.在所述模拟器上创建集群，将所述模拟器与所述自动驾驶系统连接到同一个所述局域网；
45.在所述集群上创建仿真场景，并启动所述自动驾驶系统的程序；
46.在所述仿真场景中设置所述自动驾驶系统的任务，测试所述自动驾驶系统的算法性能。
47.以上一种分布式异构自动驾驶仿真测试方法、系统和设备，通过使用pcie线连接多个嵌入式gpu与x86 cpu，使各个设备上的自动驾驶系统可以实现点对点通信，相比于传统的以太网通信方式，极大地提高了通信带宽并降低了通信延时；此外，通过本发明的分布式异构自动驾驶仿真测试方法，不止可以完成模拟器算法测试的任务，又可以优化自动驾驶系统不同模块算法，还可以采样和跟踪各个设备上计算资源的占用情况，为大算力自动驾驶域控制器的任务编排和计算资源分配提供极大的帮助。
附图说明
48.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
49.图1为本发明实施例一的方法流程图；
50.图2为本发明实施例一中嵌入式gpu与x86 cpu的连接示意图；
51.图3为本发明实施例二的方法流程图；
52.图4为本发明实施例二中嵌入式gpu与x86 cpu的连接示意图；
53.图5为本发明实施例三的方法流程图；
54.图6为本发明实施例三中嵌入式gpu与x86 cpu的连接示意图；
55.图7为本发明实施例五的系统结构示意图；
56.图8为本发明实施例提供的计算机设备的内部结构图。
具体实施方式
57.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
58.如背景技术所述，目前在使用嵌入式gpu的方案中，嵌入式gpu与x86 cpu连接组合起来的测试方法即分布式异构测试方法，一般使用网线将一台嵌入式gpu与x86 cpu连接，一方面，以太网的连接方式限制了大规模数据的传输带宽和延时，另一方面，对于多嵌入式gpu与x86架构的硬件在环仿真缺乏较好的测试方案。千兆以太网的理论带宽为125mb/s，而pcie(periphera l component interconnect express，一种高速串行计算机扩展总线标准)在提供gb/s级别的带宽的同时具有更低的延时，因此使用pcie更符合车规级域控制器低延时、高带宽的需求。本发明既能够提高点对点通信的带宽，降低通信延时，又能在优化自动驾驶系统不同模块算法的同时，可以采样和跟踪各个设备上计算资源的占用情况，便于大算力自动驾驶域控制器的任务编排和计算资源分配。
59.接下来，详细介绍本发明实施例。
60.实施例一
61.如图1所示，提供一种分布式异构自动驾驶仿真测试方法，包括如下步骤：
62.s11：使用pcie线将嵌入式gpu与x86 cpu连接，将所述嵌入式gpu与所述x86 cpu连接到同一个局域网，其中，所述嵌入式gpu的数量为两个，所述x86 cpu的数量为一个；
63.s21：在所述嵌入式gpu和所述x86 cpu上分别部署自动驾驶系统；
64.s31：在所述x86 cpu上安装自动驾驶的模拟器，并配置所述模拟器与所述自动驾驶系统的接口；
65.s41：在所述模拟器上创建集群，将所述模拟器与所述自动驾驶系统连接到同一个所述局域网；
66.s51：在所述集群上创建仿真场景，并启动所述自动驾驶系统的程序；
67.s61：在所述仿真场景中设置所述自动驾驶系统的任务，测试所述自动驾驶系统的算法性能。
68.如图2所示，所述使用pcie线将嵌入式gpu与x86 cpu连接包括：
69.所述pcie线包括第一pcie线11和第二pcie线12，使用所述第一pcie线分别将两个嵌入式gpu2连接到一台pcie扩展设备3，第一pcie线的数量为四根，其中两两连接一个嵌入式gpu，所述pcie扩展设备为pcie switch，pcieswitch是一种提供扩展或聚合能力，并允许更多的设备连接到一个pcle端口的设备；
70.使用所述第二pcie线将所述pcie扩展设备与所述x86 cpu4连接，第二pcie线的数量为两根。
71.所述使用pcie线将嵌入式gpu与x86 cpu连接还包括：
72.将所述嵌入式gpu配置为endpoint模式，endpoint模式即pcie endpoint模式，也称ep模式，将x86 cpu配置为root模式，root模式即pcie root模式，并配置所述嵌入式gpu和所述x86 cpu的ip地址。
73.所述在所述嵌入式gpu和所述x86 cpu上分别部署自动驾驶系统包括：
74.在所述x86 cpu的所述自动驾驶系统中部署规划决策、控制模块以及感知模块的传感器数据融合相关算法程序，在所述嵌入式gpu的所述自动驾驶系统中部署感知模块的处理图像数据、处理激光雷达数据相关算法程序，其中，使用深度学习模型来处理图像数据和处理激光雷达数据，具体的，在一个嵌入式gpu的所述自动驾驶系统中部署感知模块的处理图像数据相关算法程序，在另一个嵌入式gpu的所述自动驾驶系统中部署处理激光雷达数据相关算法程序。
75.所述配置所述模拟器与所述自动驾驶系统的接口包括：
76.配置所述模拟器与通信中间件的接口，其中，所述通信中间件安装在所述嵌入式gpu和所述x86 cpu的操作系统上。
77.所述在所述集群上创建仿真场景包括：
78.在所述集群上创建仿真场景中的天气、交通状况、行人及障碍物信息，配置地图和车辆模型信息，配置所述车辆模型需要搭载的传感器信息。
79.实施例二
80.如图2所示，提供一种分布式异构自动驾驶仿真测试方法，包括如下步骤：
81.s12：使用pcie线将嵌入式gpu与x86 cpu连接，将所述嵌入式gpu与所述x86 cpu连接到同一个局域网，其中，所述嵌入式gpu的数量为三个，所述x86 cpu的数量为一个；
82.s22：在所述嵌入式gpu和所述x86 cpu上分别部署自动驾驶系统；
83.s32：在所述x86 cpu上安装自动驾驶的模拟器，并配置所述模拟器与所述自动驾驶系统的接口；
84.s42：在所述模拟器上创建集群，将所述模拟器与所述自动驾驶系统连接到同一个所述局域网；
85.s52：在所述集群上创建仿真场景，并启动所述自动驾驶系统的程序；
86.s62：在所述仿真场景中设置所述自动驾驶系统的任务，测试所述自动驾驶系统的算法性能。
87.如图3所示，所述使用pcie线将嵌入式gpu与x86 cpu连接包括：
88.所述pcie线包括第一pcie线11和第二pcie线12，使用所述第一pcie线分别将三个嵌入式gpu2连接到一台pcie扩展设备3，第一pcie线的数量为六根，其中两两连接一个嵌入式gpu，所述pcie扩展设备为pcie switch，pcieswitch是一种提供扩展或聚合能力，并允许更多的设备连接到一个pcle端口的设备；
89.使用所述第二pcie线将所述pcie扩展设备与所述x86 cpu4连接，第二pcie线的数量为两根。
90.所述使用pcie线将嵌入式gpu与x86 cpu连接还包括：
91.将所述嵌入式gpu配置为endpoint模式，endpoint模式即pcie endpoint模式，也称ep模式，将x86 cpu配置为root模式，root模式即pcie root模式，并配置所述嵌入式gpu和所述x86 cpu的ip地址。
92.所述在所述嵌入式gpu和所述x86 cpu上分别部署自动驾驶系统包括：
93.在所述x86 cpu的所述自动驾驶系统中部署规划决策及控制模块相关算法程序，在所述嵌入式gpu的所述自动驾驶系统中部署感知模块相关算法程序，所述感知模块包括处理图像数据、处理激光雷达数据和传感器数据融合，其中，使用深度学习模型来处理图像
数据和处理激光雷达数据，具体的，在一个嵌入式gpu的所述自动驾驶系统中部署感知模块的处理图像数据相关算法程序，在一个嵌入式gpu的所述自动驾驶系统中部署处理激光雷达数据相关算法程序，在一个嵌入式gpu的所述自动驾驶系统中部署传感器数据融合相关算法程序。
94.所述配置所述模拟器与所述自动驾驶系统的接口包括：
95.配置所述模拟器与通信中间件的接口，其中，所述通信中间件安装在所述嵌入式gpu和所述x86 cpu的操作系统上。
96.所述在所述集群上创建仿真场景包括：
97.在所述集群上创建仿真场景中的天气、交通状况、行人及障碍物信息，配置地图和车辆模型信息，配置所述车辆模型需要搭载的传感器信息。
98.实施例三
99.如图4所示，提供一种分布式异构自动驾驶仿真测试方法，包括如下步骤：
100.s13：使用pcie线将嵌入式gpu与x86 cpu连接，将所述嵌入式gpu与所述x86 cpu连接到同一个局域网，其中，所述嵌入式gpu的数量为四个，所述x86 cpu的数量为一个；
101.s23：在所述嵌入式gpu和所述x86 cpu上分别部署自动驾驶系统；
102.s33：在所述x86 cpu上安装自动驾驶的模拟器，并配置所述模拟器与所述自动驾驶系统的接口；
103.s43：在所述模拟器上创建集群，将所述模拟器与所述自动驾驶系统连接到同一个所述局域网；
104.s53：在所述集群上创建仿真场景，并启动所述自动驾驶系统的程序；
105.s63：在所述仿真场景中设置所述自动驾驶系统的任务，测试所述自动驾驶系统的算法性能。
106.如图5所示，所述使用pcie线将嵌入式gpu与x86 cpu连接包括：
107.所述pcie线包括第一pcie线11和第二pcie线12，使用所述第一pcie线分别将四个嵌入式gpu2连接到一台pcie扩展设备3，第一pcie线的数量为八根，其中两两连接一个嵌入式gpu，所述pcie扩展设备为pcie switch，pcieswitch是一种提供扩展或聚合能力，并允许更多的设备连接到一个pc l e端口的设备；
108.使用所述第二pcie线将所述pcie扩展设备与所述x86 cpu4连接，第二pcie线的数量为两根。
109.所述使用pcie线将嵌入式gpu与x86 cpu连接还包括：
110.将所述嵌入式gpu配置为endpoint模式，endpoint模式即pcie endpoint模式，也称ep模式，将x86 cpu配置为root模式，root模式即pcie root模式，并配置所述嵌入式gpu和所述x86 cpu的ip地址。
111.所述在所述嵌入式gpu和所述x86 cpu上分别部署自动驾驶系统包括：
112.在所述x86 cpu的所述自动驾驶系统中部署规划决策及控制模块相关算法程序，在所述嵌入式gpu的所述自动驾驶系统中部署感知模块相关算法程序，所述感知模块包括处理图像数据、处理激光雷达数据和传感器数据融合，其中，使用深度学习模型来处理图像数据和处理激光雷达数据，具体的，在两个嵌入式gpu的所述自动驾驶系统中部署感知模块的处理图像数据相关算法程序，在一个嵌入式gpu的所述自动驾驶系统中部署处理激光雷
达数据相关算法程序，在一个嵌入式gpu的所述自动驾驶系统中部署传感器数据融合相关算法程序。
113.所述配置所述模拟器与所述自动驾驶系统的接口包括：
114.配置所述模拟器与通信中间件的接口，其中，所述通信中间件安装在所述嵌入式gpu和所述x86 cpu的操作系统上。
115.所述在所述集群上创建仿真场景包括：
116.在所述集群上创建仿真场景中的天气、交通状况、行人及障碍物信息，配置地图和车辆模型信息，配置所述车辆模型需要搭载的传感器信息。
117.实施例四
118.提供一种分布式异构自动驾驶仿真测试方法，包括如下步骤：
119.使用pcie线将嵌入式gpu与x86 cpu连接，将所述嵌入式gpu与所述x86 cpu连接到同一个局域网，其中，所述嵌入式gpu的数量为四个，所述x86 cpu的数量为一个，具体的，本实施例使用的嵌入式gpu均为nvidia公司的边缘计算设备jetson agx xavier(以下简称为xavier)，且四个嵌入式gpu分别为xavier-a、xavier-b、xavier-c、xavier-d，使用的cpu型号为intel(r)xeon(r)silver 4210cpu(以下简称intel cpu)，使用的pcie线为pcie3.0，xavier和intel cpu装载的操作系统为ubuntu20.04；
120.在所述xavier和所述intel cpu上分别部署自动驾驶系统，具体的，本实施例使用的自动驾驶系统为开源架构autoware；
121.在所述x86 cpu上安装自动驾驶的模拟器，并配置所述模拟器与所述自动驾驶系统的接口，具体的，本实施例使用的模拟器为lg公司的svl simulator；
122.在所述模拟器上创建集群，将所述模拟器与所述自动驾驶系统连接到同一个所述局域网；
123.在所述集群上创建仿真场景，并启动所述自动驾驶系统的程序；
124.在所述仿真场景中设置所述自动驾驶系统的任务，测试所述自动驾驶系统的算法性能。
125.所述使用pcie线将xavier与intel cpu连接包括：
126.所述pcie线包括第一pcie线和第二pcie线，使用所述第一pcie线分别将四个xavier连接到一台pcie扩展设备，第一pcie线的数量为八根，其中两两连接一个xavier，所述pcie扩展设备为pcie switch，pcie switch是一种提供扩展或聚合能力，并允许更多的设备连接到一个pcle端口的设备；
127.使用所述第二pcie线将所述pcie扩展设备与所述intel cpu连接，第二pcie线的数量为两根。
128.所述使用pcie线将xavier与intel cpu连接还包括：
129.将所述嵌入式gpu配置为endpoint模式，endpoint模式即pcie endpoint模式，也称ep模式，将intel cpu配置为root模式，root模式即pcie root模式，并配置所述xavier和所述intel cpu的ip地址，具体如下表所示：
130.设备ipintelcpu192.168.2.1xavier-a192.168.2.2
xavier-b192.168.2.3xavier-c192.168.2.4xavier-d192.168.2.5
131.所述在所述xavier和所述intel cpu上分别部署自动驾驶系统包括：
132.在所述intel cpu的所述自动驾驶系统中部署规划决策及控制模块相关算法程序，在所述xavier的所述自动驾驶系统中部署感知模块相关算法程序，所述感知模块包括处理图像数据、处理激光雷达数据和传感器数据融合，其中，使用深度学习模型来处理图像数据和处理激光雷达数据，具体的，在两个xavier的所述自动驾驶系统中部署感知模块的处理图像数据相关算法程序，在一个xavier的所述自动驾驶系统中部署处理激光雷达数据相关算法程序，在一个xavier的所述自动驾驶系统中部署传感器数据融合相关算法程序。
133.所述配置所述模拟器与所述自动驾驶系统的接口包括：
134.配置所述模拟器与通信中间件的接口，其中，所述通信中间件安装在所述xavier和所述intel cpu的操作系统上，本实施例使用的通信中间件为ros2(机器人操作系统2，具体是foxy版本)，ros2版本与intel cpu及xavier上的操作系统的内核版本一致，使得intel cpu和xavier可以实现点对点通信，并使得模拟器可以与intel cpu和xavier上的自动驾驶系统通信。
135.所述在所述集群上创建仿真场景包括：
136.在所述集群上创建仿真场景中的天气、交通状况、行人及障碍物信息，配置地图和车辆模型信息，配置所述车辆模型需要搭载的传感器信息，具体的，本实施例在集群中创建自动代客泊车的仿真场景，配置停车场的点云地图用于定位，配置停车场的高精度地图用于导航，使用的车辆模型为awflexus2016rxhybrid，需要配置的主要传感器为：激光雷达、gps、里程计、imu等，在仿真场景中设置交通状况为random traffic，晴天，无行人和障碍物。
137.本实施例中，在所述仿真场景中设置所述自动驾驶系统的任务包括指定自动代客泊车任务的起点和终点，然后测试所述自动驾驶系统的算法性能，在模拟器中可以观察算法的效果，利用性能监测工具可以在intel cpu和xavier五个设备中可以看到系统计算资源的利用率。
138.本实施例的自动驾驶系统的任务选择的是自动代客泊车，在其它实施例中，也可以选择其它任务例如高速车道保持、封闭园区内的物流小车、矿区的自动装载运输卸货、自动驾驶出租车等，上述任务的仿真场景创建步骤与自动代客泊车的仿真场景创建步骤类似，自动驾驶仿真测试的方法步骤也基本相同。
139.实施例五
140.如图7所示，提供一种分布式异构自动驾驶仿真测试系统，所述系统包括：
141.连接模块5：用于使用pcie线将嵌入式gpu与x86 cpu连接，将所述嵌入式gpu与所述x86 cpu连接到同一个局域网，其中，所述嵌入式gpu的数量为多个；
142.部署模块6：用于在所述嵌入式gpu和所述x86 cpu上分别部署自动驾驶系统；
143.安装模块7：用于在所述x86 cpu上安装自动驾驶的模拟器，并配置所述模拟器与所述自动驾驶系统的接口；
144.集群创建模块8：用于在所述模拟器上创建集群，将所述模拟器与所述自动驾驶系
统连接到同一个所述局域网；
145.仿真场景创建模块9：用于在所述集群上创建仿真场景，并启动所述自动驾驶系统的程序；
146.测试模块10：用于在所述仿真场景中设置所述自动驾驶系统的任务，测试所述自动驾驶系统的算法性能。
147.所述连接模块5的所述pcie线包括第一pcie线和第二pcie线，连接模块包括：
148.第一连接模块51；用于使用所述第一pcie线分别将所述嵌入式gpu连接到pcie扩展设备；
149.第二连接模块52；用于使用所述第二pcie线将所述pcie扩展设备与所述x86 cpu连接。
150.所述连接模块5还包括：
151.配置模块53：用于将所述嵌入式gpu配置为endpoint模式，将x86 cpu配置为root模式，并配置所述嵌入式gpu和所述x86 cpu的ip地址。
152.所述部署模块6包括：
153.部署子模块61：用于在所述x86 cpu的所述自动驾驶系统中部署规划决策及控制模块相关算法程序，在所述嵌入式gpu的所述自动驾驶系统中部署感知模块相关算法程序。
154.所述部署子模块的所述感知模块包括处理图像数据、处理激光雷达数据和传感器数据融合，其中，使用深度学习模型来处理图像数据和处理激光雷达数据。
155.或者，所述部署模块包括：
156.部署子模块：用于在所述x86 cpu的所述自动驾驶系统中部署规划决策、控制模块以及感知模块的传感器数据融合相关算法程序，在所述嵌入式gpu的所述自动驾驶系统中部署感知模块的处理图像数据、处理激光雷达数据相关算法程序，其中，使用深度学习模型来处理图像数据和处理激光雷达数据。
157.所述安装模块7的配置所述模拟器与所述自动驾驶系统的接口包括：
158.配置子模块71：用于配置所述模拟器与通信中间件的接口，其中，所述通信中间件安装在所述嵌入式gpu和所述x86 cpu的操作系统上。
159.所述仿真场景创建模块9的所述在所述集群上创建仿真场景包括：
160.创建子模块91：用于在所述集群上创建仿真场景中的天气、交通状况、行人及障碍物信息，配置地图和车辆模型信息，配置所述车辆模型需要搭载的传感器信息。
161.通过以上实施例，本发明通过使用pcie线连接多个嵌入式gpu与x86 cpu，使各个设备上的自动驾驶系统可以实现点对点通信，相比于传统的以太网通信方式，极大地提高了通信带宽并降低了通信延时；此外，通过本发明的分布式异构自动驾驶仿真测试方法，不止可以完成模拟器算法测试的任务，又可以优化自动驾驶系统不同模块算法，还可以采样和跟踪各个设备上计算资源的占用情况，为大算力自动驾驶域控制器的任务编排和计算资源分配提供极大的帮助。
162.实施例六
163.提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
164.使用pcie线将嵌入式gpu与x86 cpu连接，将所述嵌入式gpu与所述x86 cpu连接到
同一个局域网，其中，所述嵌入式gpu的数量为多个；
165.在所述嵌入式gpu和所述x86 cpu上分别部署自动驾驶系统；
166.在所述x86 cpu上安装自动驾驶的模拟器，并配置所述模拟器与所述自动驾驶系统的接口；
167.在所述模拟器上创建集群，将所述模拟器与所述自动驾驶系统连接到同一个所述局域网；
168.在所述集群上创建仿真场景，并启动所述自动驾驶系统的程序；
169.在所述仿真场景中设置所述自动驾驶系统的任务，测试所述自动驾驶系统的算法性能。
170.在一个实施例中，处理器执行计算机程序时，所述使用pcie线将嵌入式gpu与x86 cpu连接包括以下步骤：
171.所述pcie线包括第一pcie线和第二pcie线，使用所述第一pcie线分别将所述嵌入式gpu连接到pcie扩展设备；
172.使用所述第二pcie线将所述pcie扩展设备与所述x86 cpu连接。
173.在一个实施例中，处理器执行计算机程序时，所述使用pcie线将嵌入式gpu与x86 cpu连接还包括以下步骤：
174.将所述嵌入式gpu配置为endpoint模式，将x86 cpu配置为root模式，并配置所述嵌入式gpu和所述x86 cpu的ip地址。
175.在一个实施例中，处理器执行计算机程序时，所述在所述嵌入式gpu和所述x86 cpu上分别部署自动驾驶系统包括以下步骤：
176.在所述x86 cpu的所述自动驾驶系统中部署规划决策及控制模块相关算法程序，在所述嵌入式gpu的所述自动驾驶系统中部署感知模块相关算法程序。
177.在一个实施例中，处理器执行计算机程序时，所述感知模块包括处理图像数据、处理激光雷达数据和传感器数据融合，其中，使用深度学习模型来处理图像数据和处理激光雷达数据。
178.在一个实施例中，处理器执行计算机程序时，所述在所述嵌入式gpu和所述x86 cpu上分别部署自动驾驶系统包括以下步骤：
179.在所述x86 cpu的所述自动驾驶系统中部署规划决策、控制模块以及感知模块的传感器数据融合相关算法程序，在所述嵌入式gpu的所述自动驾驶系统中部署感知模块的处理图像数据、处理激光雷达数据相关算法程序，其中，使用深度学习模型来处理图像数据和处理激光雷达数据。
180.在一个实施例中，处理器执行计算机程序时，所述配置所述模拟器与所述自动驾驶系统的接口包括以下步骤：
181.配置所述模拟器与通信中间件的接口，其中，所述通信中间件安装在所述嵌入式gpu和所述x86 cpu的操作系统上。
182.在一个实施例中，处理器执行计算机程序时，所述在所述集群上创建仿真场景包括以下步骤：
183.在所述集群上创建仿真场景中的天气、交通状况、行人及障碍物信息，配置地图和车辆模型信息，配置所述车辆模型需要搭载的传感器信息。
184.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储分布式存储的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种面向分布式存储的容量均衡优化方法。
185.本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
186.实施例七
187.在一个本实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
188.使用pcie线将嵌入式gpu与x86 cpu连接，将所述嵌入式gpu与所述x86 cpu连接到同一个局域网，其中，所述嵌入式gpu的数量为多个；
189.在所述嵌入式gpu和所述x86 cpu上分别部署自动驾驶系统；
190.在所述x86 cpu上安装自动驾驶的模拟器，并配置所述模拟器与所述自动驾驶系统的接口；
191.在所述模拟器上创建集群，将所述模拟器与所述自动驾驶系统连接到同一个所述局域网；
192.在所述集群上创建仿真场景，并启动所述自动驾驶系统的程序；
193.在所述仿真场景中设置所述自动驾驶系统的任务，测试所述自动驾驶系统的算法性能。
194.在一个实施例中，计算机程序被处理器执行时，所述使用pcie线将嵌入式gpu与x86 cpu连接包括以下步骤：
195.所述pcie线包括第一pcie线和第二pcie线，使用所述第一pcie线分别将所述嵌入式gpu连接到pcie扩展设备；
196.使用所述第二pcie线将所述pcie扩展设备与所述x86 cpu连接。
197.在一个实施例中，计算机程序被处理器执行时，所述使用pcie线将嵌入式gpu与x86 cpu连接还包括以下步骤：
198.将所述嵌入式gpu配置为endpoint模式，将x86 cpu配置为root模式，并配置所述嵌入式gpu和所述x86 cpu的ip地址。
199.在一个实施例中，计算机程序被处理器执行时，所述在所述嵌入式gpu和所述x86 cpu上分别部署自动驾驶系统包括以下步骤：
200.在所述x86 cpu的所述自动驾驶系统中部署规划决策及控制模块相关算法程序，在所述嵌入式gpu的所述自动驾驶系统中部署感知模块相关算法程序。
201.在一个实施例中，计算机程序被处理器执行时，所述感知模块包括处理图像数据、处理激光雷达数据和传感器数据融合，其中，使用深度学习模型来处理图像数据和处理激
光雷达数据。
202.在一个实施例中，计算机程序被处理器执行时，所述在所述嵌入式gpu和所述x86 cpu上分别部署自动驾驶系统包括以下步骤：
203.在所述x86 cpu的所述自动驾驶系统中部署规划决策、控制模块以及感知模块的传感器数据融合相关算法程序，在所述嵌入式gpu的所述自动驾驶系统中部署感知模块的处理图像数据、处理激光雷达数据相关算法程序，其中，使用深度学习模型来处理图像数据和处理激光雷达数据。
204.在一个实施例中，计算机程序被处理器执行时，所述配置所述模拟器与所述自动驾驶系统的接口包括以下步骤：
205.配置所述模拟器与通信中间件的接口，其中，所述通信中间件安装在所述嵌入式gpu和所述x86 cpu的操作系统上。
206.在一个实施例中，计算机程序被处理器执行时，所述在所述集群上创建仿真场景包括以下步骤：
207.在所述集群上创建仿真场景中的天气、交通状况、行人及障碍物信息，配置地图和车辆模型信息，配置所述车辆模型需要搭载的传感器信息。
208.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
209.尽管已描述了本发明实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例中范围的所有变更和修改。
210.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。