一种车辆驾驶方法、装置及系统与流程

1.本技术涉及车联网技术领域，尤其涉及一种车辆驾驶方法、装置及系统。


背景技术：

2.车联网技术领域中，当车辆支持自动驾驶功能时，车辆会在自动驾驶过程中实时地拍摄周边环境图像，并将周边环境图像输入环境识别模型，以识别出车辆周围存在的障碍物、车道线及通行空间等信息，进而基于这些信息自动指导车辆下一步的通行。然而，特殊的天气或光照等气象条件，会对车辆拍摄的图像质量造成一定的影响。在这种场景下，如果环境识别模型的鲁棒性不好，意味着环境识别模型适应异常气象条件的能力越差，环境识别模型针对于异常气象条件下所拍摄的周边环境图像的识别效果也就越差，不利于车辆自动驾驶功能的准确实施，甚至还可能会使车辆的自动驾驶出错。因此，准确评测环境识别模型的鲁棒性，对于车辆自动驾驶功能的准确实施具有至关重要的作用。
3.现有技术通常在将环境识别模型提供给车辆之前先评测环境识别模型。也即是说，在训练得到环境识别模型之后，先使用专用的鲁棒性检测工具检测环境识别模型对预设图像库中的图像的识别效果，并根据这些图像的识别效果确定环境识别模型的鲁棒性是否达到预设的鲁棒性要求，在确定达到预设的鲁棒性要求时再将环境识别模型提供给车辆，而车辆在接收到环境识别模型后，则会一直使用该环境识别模型执行自动驾驶。然而，预设图像库中的图像较为有限，无法涵盖车辆通行过程中可能会出现的全部环境，因此，当车辆在一个预设图像库中未出现过的环境下行驶时，该环境识别模型实际上并不能很好地适用于车辆的当前环境。也即是说，现有方案中的鲁棒性评测方法实际上并不利于车辆自动驾驶功能的准确实施。


技术实现要素：

4.本技术提供一种车辆驾驶方法、装置及系统，用以提高车辆驾驶策略(如自动驾驶策略)实施的准确性。
5.第一方面，本技术提供一种车辆驾驶方法，该方法适用于车辆驾驶装置，该方法包括：车辆驾驶装置获取车辆拍摄当前通行区域所得到的环境图像，使用该环境图像评测当前驾驶策略下的环境识别模型的模型鲁棒性，当模型鲁棒性低于预设的鲁棒性阈值时，调整当前驾驶策略。其中，环境识别模型用于在当前驾驶策略下感知当前通行区域内的周边环境，感知的感知结果用于指导车辆在当前通行区域内通行。
6.在上述设计中，通过利用车辆通行过程中的环境图像有针对性地评测环境识别模型的模型鲁棒性，能使鲁棒性评测结果准确表征出环境识别模型对当前通行环境的适用程度，有效提高模型鲁棒性的评测质量。且，通过在当前驾驶策略所采用的环境识别模型不再适用于当前环境时及时调整当前驾驶策略，还能尽量采用合适的驾驶策略指导车辆通行，有助于提高当前驾驶策略实施的准确性。
7.在一种可能地设计中，车辆驾驶装置使用环境图像评测当前驾驶策略下的环境识
别模型的模型鲁棒性之前，还可以先确定当前通行区域内存在的目标环境噪声类型，并确定当前通行区域受到目标环境噪声类型对应的噪声攻击。该设计相当于为评测环境识别模型的操作添加了一个执行条件，即在确定当前通行区域受到攻击时才评测环境识别模型，在未受到攻击时可以不评测环境识别模型，以尽量节省不必要的资源浪费。
8.在一种可能地设计中，车辆驾驶装置可以通过如下任一方式评测当前通行策略下的环境识别模型的模型鲁棒性：
9.方式一，车辆驾驶装置从预设图像库中获取与环境图像的相似度不低于预设的相似度阈值的目标预设图像，并将环境图像和目标预设图像一起作为基准图像，使用基准图像评测环境识别模型的模型鲁棒性。如此，通过使用与环境图像具有相同环境条件的目标预设图像一起来评测环境识别模型的模型鲁棒性，能有效增加评测的样本数量，有助于提高评测结果的可信度。
10.方式二，车辆驾驶装置直接将环境图像作为基准图像，并使用基准图像评测环境识别模型的模型鲁棒性，而可以不再浪费资源存储预设图像和查询目标预设图像，以提高鲁棒性的评测效率。
11.方式三，车辆驾驶装置从预设图像库中获取与环境图像的相似度不低于预设的相似度阈值的目标预设图像，并将目标预设图像作为基准图像，使用基准图像评测环境识别模型的模型鲁棒性，而不再使用环境图像，以减少待分析的数据量，提高鲁棒性评测的效率。
12.在一种可能地设计中，车辆驾驶装置使用基准图像评测环境识别模型的模型鲁棒性，包括：车辆驾驶装置先确定当前通行区域内存在的目标环境噪声类型，并生成符合目标环境噪声类型的各个噪声信息，各个噪声信息分别对应不同的噪声等级；然后，车辆驾驶装置重复执行如下操作，直至各个噪声信息均被遍历到为止，获得分别对应各个噪声信息的各个扰动图像：在各个噪声信息中遍历未被遍历过的噪声信息，将遍历到的噪声信息添加到基准图像上，得到一个对应的扰动图像；之后，车辆驾驶装置根据环境识别模型，对基准图像和各个扰动图像进行识别，以确定环境识别模型能准确识别出的扰动图像，进而确定识别出的扰动图像所对应的最大噪声等级。在该设计中，通过使用当前环境中的目标噪声类型对应的噪声信息加扰基准图像以得到扰动图像，能使环境识别模型对扰动图像的识别能力准确表征环境识别模型对当前环境中的噪声变动的适应能力，有助于提高评测结果的准确性。
13.在一种可能地设计中，车辆驾驶装置可以通过如下方式确定环境识别模型的模型鲁棒性低于预设的鲁棒性阈值：车辆驾驶装置获取预设的噪声等级，并确定能准确识别出的扰动图像所对应的最大噪声等级小于该预设的噪声等级。其中，预设的噪声等级用于指示需要环境识别模型能准确识别的扰动图像所对应的最大噪声等级。如此，通过对当前驾驶策略采用的环境识别模型当前所能识别出的最大噪声等级和所需识别的最大噪声等级，能在环境识别模型对当前环境变动的适应能力无法达到需求时，及时调整当前驾驶策略，有效提高当前驾驶策略实施的准确性。
14.在一种可能地设计中，基准图像包含至少两个图像的情况下，车辆驾驶装置根据环境识别模型，对基准图像和各个扰动图像进行识别，确定环境识别模型能准确识别出的扰动图像，包括：车辆驾驶装置先根据环境识别模型，确定出每个基准图像对应的各个扰动
图像相对于每个基准图像的识别准确度，再针对于各个噪声信息中的每个噪声信息，根据添加该噪声信息的至少两个扰动图像相对于各自基准图像的识别准确度，确定出该噪声信息对应的识别准确度，若识别准确度不低于预设的准确度阈值，则确定添加该噪声信息的至少两个扰动图像为环境识别模型能准确识别出的扰动图像。在该设计中，通过以噪声信息为基准，判断环境识别模型对每个噪声信息扰动的适应能力，有助于找到环境识别模型所能适应的最大噪声等级。
15.在一种可能地设计中，目标环境噪声类型可以包括如下任一内容：使用噪声分类模型归类环境图像得到的目标环境噪声类型；解析当前通行区域的天气预报信息，获得的目标环境噪声类型；从导航地图的动态图层中获取的目标环境噪声类型；从服务器请求的目标环境噪声类型。在该设计中，通过提供几种确定目标环境噪声类型的方式，有助于根据实际需求选择最佳的方式执行确定目标噪声类型的操作，有效提高鲁棒性评测的灵活性。
16.在一种可能地设计中，车辆驾驶装置可以通过如下任一操作调整当前驾驶策略，：
17.操作一，车辆驾驶装置对环境图像进行去噪处理后输入环境识别模型。该方式能通过提高输入给环境识别模型的环境图像的图像质量，以相对改善环境识别模型的识别效果，且不停用环境识别模型，操作相对简单，便于实现。
18.操作二，车辆驾驶装置采用不同于当前驾驶策略下的环境识别模型的另一环境识别模型完成当前驾驶策略。该方式通过提前预置多个环境识别模型，能在当前使用的环境识别模型不再适用当前环境时，灵活至切换另一环境识别模型继续当前驾驶策略，有助于维持车辆的平稳驾驶，提高车主的行车体验。
19.操作三，车辆驾驶装置切换至手动驾驶策略。该方式能通过退出自动驾驶模型，且提示车主接管驾驶操作来实现，有助于实现自动驾驶策略和手动驾驶策略的灵活切换。
20.操作四，车辆驾驶装置采取紧急措施，例如紧急制动。该方式有助于在当前环境差到不适合车辆行驶时紧急停车，待到环境变好的时候再重新启用环境识别模型，有助于保护车主的行车安全。
21.第二方面，本技术提供一种车辆驾驶装置，包括处理器和存储器，处理器和存储器相连，存储器用于存储计算机程序，当存储器中存储的计算机程序被处理器执行时，使得车辆驾驶装置执行：获取车辆拍摄当前通行区域所得到的环境图像，使用环境图像评测当前驾驶策略下的环境识别模型的模型鲁棒性，当模型鲁棒性低于预设的鲁棒性阈值时，调整当前驾驶策略。其中，环境识别模型用于在当前驾驶策略下感知当前通行区域内的周边环境，感知的感知结果用于指导车辆在当前通行区域内通行。
22.在一种可能地设计中，当存储器中存储的计算机程序被处理器执行时，使得车辆驾驶装置还可以执行：在使用环境图像评测当前驾驶策略下的环境识别模型的模型鲁棒性之前，确定当前通行区域内存在的目标环境噪声类型，并确定当前通行区域受到目标环境噪声类型对应的噪声攻击。
23.在一种可能地设计中，当存储器中存储的计算机程序被处理器执行时，使得车辆驾驶装置具体执行：将环境图像作为基准图像，使用基准图像评测环境识别模型的模型鲁棒性；或者，从预设图像库中获取与环境图像的相似度不低于预设的相似度阈值的目标预设图像，将目标预设图像和环境图像作为基准图像，使用基准图像评测环境识别模型的模型鲁棒性；或者，从预设图像库中获取与环境图像的相似度不低于预设的相似度阈值的目
标预设图像，将目标预设图像作为基准图像，使用基准图像评测环境识别模型的模型鲁棒性。
24.在一种可能地设计中，当存储器中存储的计算机程序被处理器执行时，使得车辆驾驶装置具体执行：先确定当前通行区域内存在的目标环境噪声类型，并生成符合目标环境噪声类型的各个噪声信息，各个噪声信息对应不同噪声等级；然后，重复执行如下操作，直至各个噪声信息均被遍历到为止，获得分别对应各个噪声信息的各个扰动图像：在各个噪声信息中遍历未被遍历过的噪声信息，将遍历到的噪声信息添加到基准图像上，得到一个对应的扰动图像；之后，根据环境识别模型，对基准图像和各个扰动图像进行识别，确定环境识别模型能准确识别出的扰动图像，进而确定识别出的扰动图像所对应的最大噪声等级。
25.在一种可能地设计中，当存储器中存储的计算机程序被处理器执行时，使得车辆驾驶装置具体执行：获取预设的噪声等级，并确定识别出的扰动图像所对应的最大噪声等级小于预设的噪声等级。其中，预设的噪声等级用于指示需要环境识别模型能准确识别的扰动图像所对应的最大噪声等级。
26.在一种可能地设计中，当存储器中存储的计算机程序被处理器执行时，使得车辆驾驶装置具体执行：在基准图像包含至少两个的情况下，根据环境识别模型，确定每个基准图像对应的各个扰动图像相对于每个基准图像的识别准确度，并针对于各个噪声信息中的每个噪声信息，执行如下操作：根据添加噪声信息的至少两个扰动图像相对于各自基准图像的识别准确度，确定噪声信息对应的识别准确度，若识别准确度不低于预设的准确度阈值，则确定至少两个扰动信息为环境识别模型能准确识别出的扰动信息。
27.在一种可能地设计中，目标环境噪声类型可以包括如下任一内容：使用噪声分类模型归类环境图像得到目标环境噪声类型；解析当前通行区域的天气预报信息，获得目标环境噪声类型；从导航地图的动态图层中获取目标环境噪声类型；从服务器请求目标环境噪声类型。
28.在一种可能地设计中，当存储器中存储的计算机程序被处理器执行时，使得车辆驾驶装置调整所述当前驾驶策略，包括如下任一内容：对环境图像进行去噪处理后输入环境识别模型；采用不同于当前驾驶策略下的环境识别模型的另一环境识别模型完成当前驾驶策略；切换至手动驾驶策略；采取紧急措施。
29.在一种可能地设计中，车辆驾驶装置可以为车辆或服务器。
30.第三方面，本技术提供一种车辆驾驶装置，包括执行上述第一方面中任一项设计所对应的方法的模块/单元。这些模块/单元可以通过硬件实现，也可以通过硬件执行相应的软件实现。
31.第四方面，本技术提供一种车辆驾驶装置，该装置包括处理器和通信接口，其中，通信接口用于接收来自上述第二方面所述的车辆驾驶装置之外的其它通信装置的信号并传输至处理器或将来自处理器的信号发送给上述第二方面所述的车辆驾驶装置之外的其它通信装置，处理器通过逻辑电路或执行代码指令用于实现如第一方面任一项所述的方法。
32.第五方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被运行时，实现如上述第一方面任一项所述的方法。
33.第六方面，本技术提供一种芯片，包括处理器和接口；所述处理器用于通过接口读取指令以执行如上述第一方面任一项所述的方法。
34.第七方面，本技术提供了一种计算机程序产品，该计算机程序产品包括计算机程序，当该计算机程序在计算机上运行时，使得所述计算机可以执行如上述第一方面任一项所述的方法。
35.第八方面，本技术提供一种车联网系统，该系统包括车辆和服务器，车辆用于拍摄当前通行区域的环境图像，并将环境图像发送给服务器，服务器用于执行上述第一方面任一项所述的方法，在确定要调节车辆的当前驾驶策略时，向车辆发送驾驶策略调整指示，车辆还用于根据该驾驶策略调整指示调整当前驾驶策略。
36.上述第二方面至第八方面中任一方面中的设计的有益效果，可以参照上述第一方面中相应设计的有益效果，本技术对此不再一一赘述。
附图说明
37.图1为本技术实施例适用的一种可能的系统架构示意图；
38.图2示例性示出业界常用的一种模型鲁棒性评测方法示意图；
39.图3示例性示出业界常用的另一种模型鲁棒性评测方法示意图；
40.图4示例性示出本技术实施例提供的一种车辆的硬件架构示意图；
41.图5示例性示出本技术实施例一提供的一种车辆驾驶方法的流程示意图；
42.图6示例性示出本技术实施例二提供的一种车辆驾驶方法的流程示意图；
43.图7示例性示出本技术实施例提供的一种鲁棒性评测的流程示意图；
44.图8示例性示出本技术实施例提供的一种添加不同气象类型的扰动图像示意图；
45.图9示例性示出本技术实施例提供的一种车辆驾驶装置的结构示意图；
46.图10示例性示出本技术实施例提供的另一种车辆驾驶装置的结构示意图。
具体实施方式
47.需要说明的是，本技术实施例中的车辆驾驶方案可以应用于车联网，如车-万物(vehicle to everything，v2x)、车间通信长期演进技术(long term evolution-vehicle，lte-v)、车辆-车辆(vehicle-vehicle，v2v)等。例如可以应用于车辆，或者车辆中具有驾驶功能的其它装置。该其它装置包括但不限于：车载终端、车载控制器、车载模块、车载模组、车载部件、车载芯片、车载单元、车载雷达或车载摄像头等其它传感器，车辆可通过该车载终端、车载控制器、车载模块、车载模组、车载部件、车载芯片、车载单元、车载雷达或摄像头，实施本技术提供的车辆驾驶方法。当然，本技术实施例中的车辆驾驶方案还可以用于除了车辆之外的其它智能终端，或设置在除了车辆之外的其它智能终端中，或设置于该智能终端的部件中。该智能终端可以为智能运输设备、智能家居设备、机器人等其他终端设备。例如包括但不限于智能终端或智能终端内的控制器、芯片、雷达或摄像头等其它传感器、以及其它部件等。该智能终端可以通过连接车辆实施本技术提供的车辆驾驶方法。
48.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。应理解，下文所描述的实施例仅仅是本技术的一部分实施例，而不是全部的实施例。
49.图1为本技术实施例适用的一种可能的系统架构示意图，如图1所示的系统架构包
括服务器110和车辆120。其中，服务器110可以是指具有处理功能的装置、器件或芯片，诸如可以包括主机或处理器等实体设备，也可以包括虚拟机或容器等虚拟设备，还可以包括芯片或集成电路。在车联网中，服务器110通常可以为车联网服务器，也称为云服务器、云、云端、云端服务器或云端控制器等，该车联网服务器可以是单个服务器，也可以是由多个服务器构成的服务器集群，具体不作限定。车辆120可以是具有自动驾驶功能的任意车辆，包括但不限于轿车、货车、卡车、摩托车、公共汽车、船、飞机、直升飞机、割草机、娱乐车、游乐场车辆、施工设备、电车、高尔夫球车、火车和手推车等。车辆120通常还可以在服务器110上进行注册，以便获取服务器110所提供的各项服务，诸如语音服务、导航服务、航班查询服务或语音播报服务等。
50.应理解，本技术实施例对系统架构中服务器110的数量和车辆120的数量均不作限定。通常情况下，一台服务器110可以同时与多台车辆120连接(例如图1所示意的同时与3台车辆120连接)。此外，本技术实施例所适用的系统架构中除了包括服务器110和车辆120以外，还可以包括其它设备，如核心网设备、无线中继设备和无线回传设备等，对此本技术实施例也不作限定。以及，本技术实施例中的服务器110可以将所有的功能集成在一个独立的物理设备上，也可以将不同功能分别部署在多个独立的物理设备上，对此本技术实施例也不作限定。
51.在介绍具体的实施方式之前，先对下文中涉及到的部分术语进行介绍。
52.(1)自动驾驶。
53.本技术实施例中，当车辆支持自动驾驶功能时，车辆中可以存储有自动驾驶地图，该自动驾驶地图可以是服务器提前发送给车辆且周期更新的，也可以是车辆自行采集数据构建的，车辆可以使用本地存储的自动驾驶地图完成自动驾驶。在实施中，自动驾驶可以由车辆中的自动驾驶系统(automated driving systems，ads)完成，整个流程主要包括如下四个阶段：定位阶段，是指ads在车辆的行驶过程中调用车载摄像头拍摄周边环境图像，并获取车载定位模块定位出的当前位置信息，先根据当前位置信息从自动驾驶地图中找到车辆当前所在区域的局部地图，再将周边环境图像与局部地图进行匹配，以确定出车辆在局部地图中的准确位置；感知阶段，是指ads调用车载摄像头和激光雷达等传感器部件感知周围环境获得传感器信息，并感知传感器信息以获知周围环境中存在的动静态对象及属性；决策和规划阶段，是指ads根据定位阶段定位出的准确位置，从自动驾驶地图中找到一条从当前位置行驶至目的地的目标路线，且在车辆的行驶过程中，ads还利用感知阶段感知的动静态对象及属性，确定出车辆在当前位置处的具体通行方式，包括如何避开障碍物等；控制阶段，是指ads按照决策出的目标路线和车辆行驶在每个位置处时的具体通行方式，控制车辆自动驾驶至目的地。
54.(2)环境识别模型。
55.本技术实施例中的环境识别模型主要应用于自动驾驶的感知阶段，用于对与视觉相关的环境信息进行感知，如车载摄像头拍摄的周边环境图像。在实施中，ads会将车载摄像头拍摄的周边环境图像输入环境识别模型，并获取环境识别模型的输出结果，该输出结果用于指示周边环境中存在的目标对象及位置等，用作规划车辆具体通行方式的一个参照。其中，环境感知模型可以包括如下任一模型：特征识别模型，也称为特征识别算法，用于对周边环境图像中的图像特征进行提取，并将提取到的图像特征与预先设置的目标对象的
图像特征进行对比，以确定出周边环境中存在的目标对象及位置；深度识别模型，也称为分类识别模型，是使用预先标注好对象及位置的大量的环境图像训练初始神经网络而得到的，在使用时，将周边环境图像输入训练好的深度识别模型后，即可直接获取深度识别模型输出的目标对象及位置。
56.(3)模型鲁棒性。
57.本技术实施例中的模型鲁棒性是指模型适应异常环境的能力，换句话说，即适应环境变动的能力。在自动驾驶领域中，车辆在通行过程中可能会面临各种各样的天气和环境条件，而环境识别模型在设计和训练时，不可能遍历所有的环境图像，因此环境识别模型对于没有遍历过的那部分环境图像的识别效果可能会出现波动，波动程度越小，则说明环境识别模型的模型鲁棒性越强。例如，当车辆在执行自动驾驶的过程中出现下雨天气时，雨量变化对于环境识别模型的识别效果影响越小，则表明环境识别模型的模型鲁棒性越强，即使当前雨量发生较大变动，环境识别模型的识别结果也仍能保持不变，也即是说，环境识别模型能适用于在当前下雨环境下的自动驾驶。然而，如果雨量变化很小就导致环境识别模型的识别结果发生变化，则表明环境识别模的模型鲁棒性较差，当前雨量发生非常细微的变动，可能就会让环境识别模型的识别结果出错。在这种情况下，如果继续使用该环境识别模型，则很可能会由于环境识别模型的识别结果不准确而导致车辆自动驾驶的过程出错，无法保证车辆通行的安全性。因此，在自动驾驶领域中对环境识别模型进行鲁棒性评测，对于维持车辆通行的安全性至关重要。
58.下面先示例性介绍两种业界常用的模型鲁棒性评测方法。
59.图2示例性示出业界常用的一种模型鲁棒性评测方法示意图，如图2所示，该方法主要依赖于现有的一组指定噪声集合来对模型鲁棒性进行测评，具体实现过程包括：首先，获取一些噪声非常小甚至可以忽略不计的标准图像；然后，使用现有的一组指定噪声集合对这些标准图像进行加扰，分别得到这些标准图像被每种噪声加扰的攻击图像，其中，指定噪声集合中可以包括但不限于如图2所示意的高斯噪声、泊松噪声、脉冲噪声、散焦噪声、玻璃噪声、运动噪声、变焦噪声、下雪噪声、霜冻噪声、加雾噪声、亮度噪声、对比度噪声、弹性噪声、像素噪声及图像压缩噪声等；之后，根据待评测模型对这些标准图像的识别效果和对这些攻击图像的识别效果，确定该组指定噪声集合对待评测模型的识别效果的影响程度，该影响程度可用于表征待评测模型的模型鲁棒性：当指定噪声集合对待评测模型的识别效果的影响程度越不明显时，表明待评测模型对标准图像在该种指定噪声集合变动下的适应能力越强，待评测模型的模型鲁棒性越好；当指定噪声集合对待评测模型的识别效果的影响程度越明显时，表明待评测模型对标准图像在该种指定噪声集合变动下的适应能力越弱，待评测模型的模型鲁棒性越差。
60.根据上述内容可知，图2所示意的评测方法实际上是使用提前获取的标准图像对预先指定好的一组噪声集合进行综合评测，其评测结果既无法表征待评测模型在某一种噪声类型下的模型鲁棒性，也不能保证对非噪声集合中出现的噪声类型有效，还无法适用于除标准图像所指示的环境以外的其它环境。且，该种评测方法还是离线执行的，也即是说，当应用在自动驾驶领域时，会先按照该种评测方式评测出环境识别模型的模型鲁棒性，再在确定模型鲁棒性较好时发送给车辆进行使用。显然，该种评测结果并不能适用于自动驾驶过程中可能会出现的全部环境条件，不利于车辆自动驾驶的准确实施。
61.图3示例性示出业界常用的另一种模型鲁棒性评测方法示意图，如图3所示，该种评测方法不需要指定噪声集合，而是利用神经网络找到使待评测模型的识别结果不出错的最大距离，作为待评测模型的最大安全半径。具体实现过程如下：先获取一个指定的待评测模型和标准图像，使用待评测模型识别标准图像得到标准图像的标签(如图3中的“标签1”)，然后按照噪声由小到大的顺序不断在标准图像上添加扰动，使用待评测模型识别添加扰动后的攻击图像的标签；随着噪声的增大，识别得到的标签会逐渐远离标准图像的标签，直至添加到某一噪声扰动使得待评测模型将攻击图像识别为其余标签(如图3中的“标签2”或“标签3”)时，即找到了待评测模型在其余标签下的决策边界；将各个其它标签的决策边界所对应的噪声扰动幅度中的最小值作为待评测模型的最大安全半径(如图3中所示，“标签2”对应的扰动幅度“r
2”明显小于“标签3”对应的扰动幅度“r
3”，因此最大安全半径为r2)，也即是说，只要在标准图像上增加的噪声扰动处于最大安全半径内，待评测模型就能识别出和标准图像一样的识别结果。
62.根据上述内容可知，图3所示意的评测方法实际上是提供了一种模型鲁棒性的认证手段，即通过计算标准图像到与其最近的不同标签的攻击图像的距离来评判待评测模型的鲁棒性，换句话说，即通过在标准图像的基础上找到一个使标准图像失真的最小噪声。然而，神经网络的计算过程非常复杂，且计算量比较大，在具有激活函数的神经网络上求解最小失真是一个非线性复杂程度的非确定性(non-deterministic polynomial，np)完全问题，在计算上是十分棘手的。目前，虽然在一些小而浅的简单神经网络上已经能求得最小失真，但当扩展到中型或者大型神经网络时，最小失真无法通过直接求解的方式来得到，导致该种评测方式可能无法解析出最大安全半径。因此，在将该种评测方式应用在自动驾驶领域时，不仅环境识别模型的评测效率较低，还可能由于无法确定最大安全半径而导致车辆长时间无法获得环境识别模型，不利于车辆实施自动驾驶策略。此外，该种评测方式也是使用指定的环境图像综合衡量各个噪声，以找到一个最优的最大安全半径，也无法解决上述图2中的评测方法所存在的那些技术问题。
63.有鉴于此，本技术提供一种车辆驾驶方法，该方法利用车辆在当前通行区域中拍摄的环境图像来评测当前驾驶策略所采用的环境识别模型的模型鲁棒性，以针对性地确定出当前驾驶策略所采用的环境识别模型是否足以应对当前的行车环境，进而帮助自动驾驶系统做出是否要调整当前驾驶策略的决策。
64.下面将结合附图对本技术作进一步地详细描述。应理解，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。需要说明的是，在本技术的描述中，“至少一个”是指一个或多个，其中，多个是指两个或两个以上。鉴于此，本技术实施例中也可以将“多个”理解为“至少两个”。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
65.需要说明的是，本技术实施例中的车辆驾驶方法可以在车辆侧执行，也可以在服务器侧执行，下面示例性地以在车辆侧执行车辆驾驶方法为例进行介绍。
66.图4示例性示出本技术实施例提供的一种车辆的硬件架构示意图。
67.应理解，图示车辆400仅是一个范例，并且车辆400可以具有比图中所示出的更多的或者更少的部件，可以组合两个或更多的部件，或者可以具有不同的部件配置。图中所示
出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
68.如图4所示，车辆400可以包括处理器410，存储器420，收发器430，至少一个摄像器440、以及至少一个显示屏450等。
69.下面结合图4对车辆400的各个部件进行具体的介绍：
70.处理器410可以包括一个或多个处理单元，例如，可以包括应用处理器(application processor，ap)，调制解调处理器，图形处理器(graphics processing unit，gpu)，图像信号处理器(image signal processor，isp)，控制器，存储器，视频编解码器，数字信号处理器(digital signal processor，dsp)，基带处理器，和/或神经网络处理器(neural-network processing unit，npu)等。其中，不同的处理单元可以是独立的器件，也可以集成在一个或多个处理器中。处理器410可以运行本技术实施例提供的车辆驾驶方法，比如可以响应于当前环境，在环境识别模型不再适合当前环境时采取相应地措施，诸如在显示屏450上给出提醒。当处理器410集成不同的器件，比如集成cpu和gpu时，cpu和gpu可以配合执行本技术实施例提供的车辆驾驶方法，比如车辆驾驶方法中的部分算法由cpu执行，另一部分算法由gpu执行，以得到较快的处理效率。
71.在一些实施例中，存储器420可包含指令(例如，程序逻辑)，指令可被处理器410执行来执行车辆400的各种功能，包括以上描述的车辆驾驶功能。存储器420也可包含额外的指令，包括向车辆的推进系统、传感器系统、控制系统和外围设备中的一个或多个发送数据、从其接收数据、与其交互和/或对其进行控制的指令。除了指令以外，存储器420还可存储数据，例如自动驾驶地图、路线信息，车辆的位置、方向、速度以及其它这样的车辆数据，以及其他信息。这种信息可在车辆400的自动驾驶模式、半自动驾驶模式和/或手动驾驶模式的操作期间被处理器410或车辆400中的其它部件使用。
72.收发器430在发送信息时可以为发送单元或发射器，在接收信息时可以为接收单元或接收器，此收发器、发射器或接收器可以为射频电路。或者，收发器430也可以是输入和/或输出接口、管脚或电路等，用于向车辆400的用户提供信息或从其接收信息。可选地，收发器430可包括在车辆400的外围设备的集合内的一个或多个输入/输出设备，例如无线通信系统、触摸屏、麦克风和扬声器，处理器410可基于收发器430从各种子系统(例如，推进系统、传感器系统和控制系统)以及从用户接口接收的输入来控制车辆400的功能。
73.摄像器440可以包括用于感知周围环境的各类传感器，诸如相机传感器和雷达传感器等。其中，相机传感器可以包括用于获取车辆400所处环境的图像的任何相机，诸如静态相机传感器、动态相机传感器、红外线相机传感器、或可见光相机传感器等。雷达传感器可以包括长距雷达(long range radar，lrr)、中距雷达(middle rangeradar，mrr)和短距雷达(short range radar，srr)等。
74.显示屏450用于显示图像，视频等。显示屏450包括显示面板。显示面板可以采用液晶显示屏(liquid crystal display，lcd)，有机发光二极管(organic light-emitting diode，oled)，有源矩阵有机发光二极体或主动矩阵有机发光二极体(active-matrix organic light emitting diode的，amoled)，柔性发光二极管(flex light-emitting diode，fled)，miniled，microled，micro-oled，量子点发光二极管(quantum dot light emitting diodes，qled)等。显示屏194可以是一个一体的柔性显示屏，也可以采用两个刚
性屏以及位于两个刚性屏之间的一个柔性屏组成的拼接的显示屏。示例性地，当处理器410运行本技术实施例提供的车辆驾驶方法，处理器410可以在确定当前驾驶策略不适合当前环境时，在显示屏420上提示用户切换驾驶策略。
75.尽管图4中未示出，车辆400还可以包括定位装置、传动装置、制动装置、转向单元等，在此不予赘述。
76.下面基于图4所示意的车辆架构，介绍在车辆侧实现车辆驾驶方法的具体实现过程。
77.【实施例一】
78.基于图4所示意的车辆架构，图5示例性示出本技术实施例提供的一种车辆驾驶方法的流程示意图，该方法适用于各种车辆，例如图4所示意的车辆400。需要说明的是，本技术中的车辆驾驶方法可以周期执行，下面以其中一个周期为例，介绍车辆驾驶方法在每个周期中的具体实现过程。如图5所示，该流程包括如下步骤：
79.步骤501，车辆获取拍摄当前通行区域所得到的环境图像。
80.示例性地，在车辆400中，处理器410可以维持一个计时器，每当计时器计时到预设的计时时长时，处理器410即可调用摄像器440拍摄当前通行区域，并获得摄像器440拍摄得到的环境图像，进而基于环境图像启动当前周期内的模型鲁棒性评测。且，处理器410在每次调用摄像器440时，还可以控制摄像器440连续拍摄多张环境图像，通过使用多张环境图像评测环境识别模型的模型鲁棒性，有助于提高评测结果的准确度和说服力。
81.步骤502，车辆使用环境图像评测当前驾驶策略下的环境识别模型的模型鲁棒性。
82.在上述步骤502中，当前驾驶策略可以是自动驾驶策略，也可以是需要用到环境识别模型感知周边环境的其它驾驶策略，具体不作限定。
83.具体实施中，环境识别模型可以存储于存储器420，处理器410可以通过访问存储器420获得环境识别模型，进而可以基于从摄像器440中获取的环境图像和从存储器420中获取的环境识别模型，通过如下任一方式评测环境识别模型的模型鲁棒性：
84.一种实施方式中，处理器410可以先确定当前通行区域内存在的环境噪声类型，然后分别使用该种环境噪声类型对应的不同噪声等级的噪声信息对环境图像进行加扰得到扰动图像，之后将环境图像和扰动图像输入环境识别模型，获得环境图像的识别结果和扰动图像的识别结果，通过比较扰动图像的识别结果和环境图像的识别结果的差异程度，确定出环境识别模型能准确识别出的扰动图像所对应的最大噪声等级，该最大噪声等级即为环境识别模型在当前环境下的模型鲁棒性，用于表征环境识别模型对当前环境中噪声变化的最大的适应能力。其中，环境噪声可以是能影响到环境识别模型的识别结果的任意环境元素，例如气象。该实施方式可以在车辆的通行过程中实时利用当前拍摄到的环境图像评测模型的鲁棒性，评测结果的准确度较高。关于该种实施方式的具体实现过程请参照如下实施例二，此处先不作具体介绍。
85.另一种实施方式中，存储器420的本地还可以存储有环境识别模型在各种环境类型下的模型鲁棒性评测结果，处理器410在从摄像器440中获得当前通行区域的环境图像后，可以先判断该环境图像所属的目标环境类型，然后直接从存储器420的本地获取环境识别模型在目标环境类型下的模型鲁棒性评测结果。其中，环境识别模型在任一环境类型下的评测结果可以由环境识别模型在该种环境类型下所能准确识别的最大噪声等级来表征，
可以是服务器预先使用属于该环境类型的大量图像评测环境识别模型得到并下发给车辆的，同一环境类型下的图像可以包含道路类型一致、环境噪声类型一致，且环境噪声类型的噪声信息差异不大的图像，这些图像可以是从网络上查询得到的，也可以是委托专门的采集车辆采集真实的道路环境得到的，还可以是通过与第三方设备的交互得到的，具体不作限定。该实施方式可以直接获取预先存储的鲁棒性评测结果，而不需要实时评测，有助于提高车辆驾驶的处理效率。
86.步骤503，车辆判断环境识别模型的模型鲁棒性是否低于预设的鲁棒性阈值，若是，则执行步骤504，若否，则执行步骤501。
87.在上述步骤504中，预设的鲁棒性阈值可以存储于存储器420，预设的鲁棒性阈值用于指示需要环境识别模型所具有的对环境变动的最低适应能力，可以由需要环境识别模型能准确识别出的扰动图像所对应的最大噪声等级来表征。如此，处理器410在根据环境图像确定出环境识别模型当前能准确识别出的扰动图像所对应的最大噪声等级后，还可以从存储器420获取需要环境识别模型能准确识别的扰动图像所对应的最大噪声等级，进而判断能准确识别出的最大噪声等级是否小于需要准确识别出最大噪声等级，若是，则说明环境识别模型对当前环境变动的适应能力达不到最低适应能力的要求，当前驾驶策略不再适用于当前环境，需要采取措施调整当前驾驶策略。若否，则说明环境识别模型对当前环境变动的适应能力能达到最低适应能力的要求，该环境识别模型在当前环境下仍能具有较好的适应效果，可以继续使用当前驾驶策略。因此，处理器410可以结束当前周期的鲁棒性评测，并等待计时器计时到预设的计时时长后，重新拍摄新的环境图像，以启动下一周期的鲁棒性评测。
88.步骤504，车辆调整当前驾驶策略。
89.示例性地，假设当前驾驶策略为自动驾驶策略，则处理器410会在通行过程中调用摄像器440拍摄周边环境图像，将摄像器440拍摄到的周边环境图像输入存储在存储器420的环境识别模型中，并获取环境识别模型感知并输出的周边环境图像中的障碍物、车道线及通行空间等信息，利用这些信息决策出一种能避开障碍物且不违规的安全通行方式，按照该安全通行方式控制车辆通行。其中，用于自动驾驶的周边环境图像和用于评测模型鲁棒性的环境图像可以相同，也可以不同，具体不作限定。在这种情况下，处理器410如果确定用于自动驾驶策略的环境识别模型对当前环境变动的适应能力不再满足最低适应能力的要求，则可以通过如下任一操作调整当前驾驶策略：
90.操作一，处理器410在自动驾驶策略中添加图像处理模块，使用图像处理模块对周边环境图像进行去噪声处理后，再将去噪声后的周边环境图像输入环境识别模型进行识别。其中，图像处理模块可以以软件或硬件形式存在。当以软件形式存在时，图像处理模块具体可以是指存储在存储器420中的一段程序代码，处理器410通过调用该程序代码实现对图像处理模块的添加操作。当以硬件形式存在时，图像处理模块可以分别连接摄像器440和存储器420，在默认情况下，图像处理模块未被启用，处理器410直接将摄像器440拍摄的周边环境图像输入至存储器420中存储的环境识别模型，当图像处理模块被启用后，处理器410先将摄像器440拍摄的周边环境图像发送给图像处理模块进行去噪声处理，再将去噪声后的周边环境图像输入至存储器420中存储的环境识别模型。该操作通过提高输入给环境识别模型的环境图像的图像质量，以相对改善环境识别模型的识别效果，且还能不停用环
境识别模型，操作相对简单，便于实现。
91.操作二，处理器410采用不同于当前自动驾驶策略下的环境识别模型的另一环境识别模型完成当前自动驾驶策略，例如在自动驾驶策略中启用适合当前环境的另一环境识别模型。在实施中，存储器420的本地还可以存储有多个环境识别模型，且每个环境识别模型可以具有对应的适用类型标签，适用类型标签用于指示所适用的道路类型、气象类型及噪声值。如此，在确定当前环境识别模型不再适用于当前环境时，处理器410可以在自动驾驶策略中停止使用该环境识别模型，并从存储器420本地存储的多个环境识别模型中找到适用于当前通行区域的道路类型、气象类型及噪声值的目标环境识别模型，在自动驾驶策略中启动该目标环境识别模型。此外，在启用目标环境识别模型之前，处理器410还可以针对于目标环境识别模型执行上述的模型鲁棒性评测过程，在评测确定目标环境识别模型的模型鲁棒性满足预设的鲁邦性阈值要求后再执行启用操作，以确保只启用对当前环境变动的适应能力满足最低适应能力的要求的目标环境识别模型。该操作通过提前预置多个环境识别模型，能在当前使用的环境识别模型不适用当前环境时灵活至切换另一环境识别模型继续当前驾驶策略，有助于维持车辆的平稳驾驶，提高车主的行车体验。
92.操作三，处理器410切换至手动驾驶策略。在实施中，当存储器420的本地只存储有当前环境识别模型，或者存储器420本地存储的全部环境识别模型都不适用于当前环境时，处理器420可以停止自动驾驶策略，即退出自动驾驶模型，并可以通过显示屏450提示车主接管驾驶操作，以切换至手动驾驶模式，实现自动驾驶策略和手动驾驶策略的灵活切换。
93.操作四，处理器410采取紧急措施，例如紧急制动。在实施中，如果发现环境识别模型在当前环境下的模型鲁棒性非常差，意味着当前环境中的环境噪声可能已经差到不适合车辆行驶，因此处理器410可以直接紧急制动停车，等到环境变好的时候，用户重新启动车辆后，再重新启用环境识别模型进行自动驾驶，提高车主行车的安全性。
94.在上述四种操作中，操作一是通过提高输入给环境识别模型的周边环境图像的图像质量来相对改善环境识别模型的识别效果，但并未停用环境识别模型，而操作二至操作四则是直接停用环境识别模型。应理解，上述内容只是示例性介绍几种调整当前驾驶策略的可能方式，凡是能够通过调整当前驾驶策略以提高当前驾驶策略对当前环境的适应能力的方案都在本技术的保护范围内，本技术对此不再一一列举。
95.在上述实施例一中，由于车辆在环境识别模型的鲁棒性达不到要求时会调整车辆的当前驾驶策略，因此，只要当前驾驶策略下的环境识别模型可用，则意味着环境识别模型的鲁棒性能达到要求，也即是说，认为环境识别模型对当前环境下的环境图像的识别结果仍然是准确的。在这种情况下，通过以当前的环境图像作为基准图像，而不是以现有技术中的标准图像为基准图像，能参照当前环境下的真实气象条件找到环境识别模型在当前环境下所能适应的最大扰动，该最大扰动情况能准确体现环境识别模型在当前环境下的真实鲁棒性。由此可知，在上述实施例一中的方案相当于在车辆的通行过程中设置了一个完整的鲁棒性评测流程，通过利用车辆通行过程中的环境图像有针对性地评测环境识别模型的鲁棒性，能使鲁棒性评测结果准确表征出环境识别模型对当前通行环境的适用程度，该方式下评测的模型鲁棒性比较准确，有助于为驾驶策略的准确实施提供一种参照。且，通过在确定当前驾驶策略中的环境识别模型不适用于当前环境时及时调整当前驾驶策略，还能尽量采用适合当前环境的驾驶策略指导车辆的通行，有效提高实施当前驾驶策略的准确性。
96.下面示例性地以环境噪声是指气象为例，基于实施例二进一步介绍车辆驾驶方法的具体实现过程。应理解，下文中的“气象”也可以替换为其它任意类型的环境噪声。
97.【实施例二】
98.基于图4所示意的车内架构，图6示例性示出本技术实施例二提供的一种车辆驾驶方法的流程示意图，该方法适用于各种车辆，例如图4所示意的车辆400。如图6所示，该流程包括如下步骤：
99.步骤601，车辆获取拍摄当前通行区域所得到的环境图像。
100.步骤602，车辆确定当前通行区域内存在的目标气象类型。
101.在上述步骤602中，气象类型可以包括但不限于：雨、雪、雾、霜等。
102.本技术实施例中，处理器410可以通过如下任一方式确定当前通行区域内存在的气象类型：
103.方式一，存储器420中还可以存储有气象分类模型，处理器410通过将环境图像输入存储器420中存储的气象分类模型，以归类得到环境图像所属的气象类型。其中，气象分类模型可以是根据预先标注有气象类型的大量的环境图像训练得到的，气象分类模型具有一定的鲁棒性，即能在一定的异常拍摄条件下准确识别出正确的气象类型。
104.方式二，处理器410解析当前通行区域的天气预报信息获得气象类型，例如处理器410在出发之前提前获取将通过区域的天气预报信息，以预估可能会出现的气象类型，或者处理器410在行车的过程中实时或周期地获取当前正通过区域的天气预报信息，以实时解析当前已经出现的气象类型等。其中，天气预报信息可以是处理器420通过收发器430从服务器侧请求得到的，也可以是通过解析车辆400中的语音模块收听的广播信息得到的，还可以是通过收发器430与第三方设备交互获知的，第三方设备例如可以包括与该车辆处于同一区域的其它车辆或该车辆当前所通过的路侧单元等。
105.方式三，存储器420中还可以存储有导航地图，处理器410从存储器420中获取导航地图后，解析导航地图的动态图层以获知当前通行区域的气象类型。其中，导航地图具体可以是指自动驾驶地图，通常由服务器下发给车辆400中的收发器430，进而存储在存储器420中，且还可以实时更新。导航地图中包括静态图层和动态图层：静态图层是对真实道路的映射，包括道路、车道及车道线等；动态图层是对道路环境的映射，包括每条道路上的当前天气情况，如能见度值、气象类型和气象类型下的噪声值等。示例来说，当气象类型为下雨时，气象类型下的噪声值用于指示雨量，如可以是小雨、中雨、大雨等指示性信息，也可以是具体的雨量值，不作限定。
106.方式四，处理器410通过收发器430向服务器请求当前通行区域的气象类型。而服务器在接收到请求后，可以通过网络或与第三方设备交互等方式获得车辆当前通行区域的气象类型并返回给收发器430。
107.应理解，上述内容只是示例性介绍几种获取气象类型的可能方式，本技术并不限定只能使用这几种方式获得气象类型。凡是能够获得车辆当前通行区域的气象类型的方式都在本技术的保护范围内，本技术对此不作具体限定。
108.示例性地，如果当前通行区域内存在多个气象类型，则处理器410可以从多个气象类型中选择气象环境最为严峻的气象类型作为目标气象类型，而可以不考虑其它气象类型，以便在节省资源的基础上利用当前最严峻的气象环境进行鲁棒性评测。例如，当同时存
在下雨、下雪和起雾这三种气象时，如果雨量等级为小雨，雪量等级为小雪，起雾等级为中雾，则起雾的气象环境明显比下雨和下雪的气象环境更为严峻，因此处理器410可以将起雾作为目标气象类型。当然，在其它方案中，处理器410也可以将多个气象类型都作为目标气象类型，以便利用综合的气象环境进行鲁棒性评测。
109.步骤603，车辆判断当前通行区域是否受到目标气象类型对应的噪声攻击，若是，则执行步骤604，若否，则执行步骤601。
110.示例性地，存储器420中还可以存储有各种气象类型对应的临界噪声等级，任一气象类型对应的临界噪声等级用于指示该气象类型下的需要检测模型鲁棒性的最小噪声等级，例如以下雨为例，下雨的临界噪声等级与会影响到环境识别模型的识别结果的最小雨量相关，例如可以是最小雨量的具体数值，也可以是用于指示最小雨量的标识信息，如毛毛雨、小雨、中雨或大雨等。在这种情况下，处理器410在确定出当前通行区域内存在的目标气象类型后，还可以获取当前通行区域在目标气象类型下的当前噪声等级，以及从存储器420中获取目标气象类型对应的临界噪声等级，如果当前噪声等级大于或等于该临界噪声等级，则说明当前通行区域内的气象特征非常明显(例如下大雨、下大雪或起大雾等)，该气象特征下拍摄的图像质量较差，导致当前环境对环境识别模型的识别效果造成影响，这种情况下，可以认为当前通行区域受到目标气象类型对应的噪声攻击，处理器410需要对环境识别模型在当前环境下的模型鲁棒性进行评测。相反的，如果当前噪声等级小于该临界噪声等级，则说明当前通行区域内的气象特征比较轻微(例如毛毛雨等)，该气象特征下拍摄的图像质量受当前环境的干扰较小，基本不会对环境识别模型的识别效果造成影响，这种情况下，可以认为当前通行区域未受到目标气象类型对应的噪声攻击，处理器410可以无需额外浪费资源检测环境识别模型的模型鲁邦性。
111.在上述示例中，如果处理器410是按照上述方式一获得气象类型，则存储器420中存储的气象分类模型还可以是采用同时标注有气象类型和噪声值的环境图像训练得到的，如此，在将当前环境图像输入存储器420中存储的气象分类模型后，气象分类模型会同时输出气象类型和对应的噪声等级。或者，存储器420中还可以存储有每种气象类型对应的噪声识别模型，处理器410先将环境图像输入存储器420中存储的气象分类模型以获得目标气象类型，再将环境图像输入存储器420中存储的目标气象类型对应的噪声识别模型以获得噪声等级。如果处理器410是按照上述方式二至方式四获得气象类型，则处理器410可以直接通过解析收发器430或语音模块所获取到的天气预报信息、或查询动态图层、或通过收发器430向服务器请求等方式同时获得气象类型和噪声等级，也可以先通过解析收发器430或语音模块所获取到的天气预报信息、或查询动态图层、或通过收发器430向服务器请求等方式获得气象类型，再通过解析收发器430或语音模块所获取到的天气预报信息中与气象类型相关的信息、或查询动态图层中与气象类型相关的地图元素、或通过收发器430向服务器请求等方式获得噪声值，具体不作限定。
112.需要说明的是，上述步骤603是一个可选步骤。该步骤相当于为评测环境识别模型的操作添加了一个执行条件，即在确定当前通行区域受到攻击时才评测环境识别模型，在未受到攻击时不评测环境识别模型，该方式有助于节省不必要的资源浪费。在另一种情况下，处理器410也可以按照周期方式直接评测鲁棒性，而可以不用在评测前先分析是否受到攻击。
113.步骤604，车辆将环境图像作为基准图像，分别使用目标气象类型下的各个噪声等级对应的噪声信息加扰基准图像，获得各个扰动图像。
114.在一种可选地实施方式中，存储器420中还可以存储有预设图像库，预设图像库中存储有多张预设图像。处理器410在使用噪声信息加扰基准图像之前，还可以从存储器420存储的预设图像库中找到与环境图像的相似度不小于预设的相似度阈值的目标预设图像，将目标预设图像也作为基准图像。具体实现过程可以参照如下步骤：
115.步骤一，处理器410确定当前通行区域的道路类型和目标气象类型的当前噪声等级。其中，道路类型包括但不限于：高速路、公路、城市道路、厂矿道路、林区道路、乡村小路、匝道或路口等。例如，假设摄像器440连续拍摄得到5张环境图像，则由于5张环境图像是连续拍摄的，因此这5张环境图像的道路类型和目标气象类型的当前噪声等级基本一致，因此处理器410可以从这5张环境图像中任意选择其中一张环境图像进行识别，以获得道路类型和当前噪声等级。
116.步骤二，处理器410从存储器420中获取预设图像库，根据当前通行区域的道路类型和目标气象类型的当前噪声等级查询预设图像库，从预设图像库中找到具有相同道路类型且与目标气象类型的当前噪声等级差别不大的目标预设图像。
117.示例性地，在存储器420中，预设图像库中的预设图像可以按照道路类型进行分区存储。在实施中，处理器410可以先根据当前通行区域的道路类型从存储器420的预设图像库中找到该道路类型对应的分区，再确定该分区中的每个预设图像对应的气象类型和对应气象类型下的噪声等级，然后从该分区中找到对应气象类型与当前通行区域的目标气象类型相同、且对应气象类型下的噪声等级与目标气象类型的当前噪声等级的差值小于预设的差值阈值的那部分目标预设图像。其中，预设图像对应的气象类型和对应气象类型下的噪声等级可以是预先标注在预设图像上的固有属性，以便处理器410能通过直接读取存储器420的各个分区中每个预设图像的固有属性快速确定每个预设图像是否满足要求；当然，也可以是处理器410通过将存储器420的各个分区中的每个预设图像输入存储器420中的气象分类模型而获取的，以节省预设图像库所占用的资源。
118.步骤三，处理器410将环境图像和目标预设图像作为基准图像。例如，假设处理器410从存储器420的预设图像库中获取到5张满足要求的预设图像，则处理器410可以将摄像器440拍摄到的5张环境图像和这5张预设图像一起作为基准图像，即，共得到10张基准图像。
119.在上述步骤一至步骤三中，通过使用与环境图像具有相同道路条件和相同气象条件的目标预设图像一起来评测环境识别模型的模型鲁棒性，能有效增加评测的样本数量，有助于提高评测结果的可信度。
120.应理解，上述步骤一至步骤三是可选步骤。在实际操作中，处理器410也可以直接将摄像器440拍摄的环境图像作为基准图像，而不再浪费存储器420的资源存储预设图像，也可以不再浪费处理器410的咨询查询目标预设图像，以提高鲁棒性评测的效率。或者，处理器410还可以只将与环境图像相似的目标预设图像作为基准图像，而不再使用环境图像，以减少待分析的数据量，提高鲁棒性评测的效率。
121.本技术实施例中，在获得扰动图像时，处理器410可以先生成目标气象类型下的n个噪声等级对应的n个噪声信息，然后依次遍历n个噪声信息，在遍历每个噪声信息时，将该
噪声信息添加到基准图像上，得到基准图像对应的一张扰动图像，如此，当n个噪声信息都遍历完成后，处理器410可以获得每张基准图像对应的n张扰动图像。其中，n为大于或等于2的整数。在这种情况下，任一基准图像对应的n张扰动图像都是对该基准图像施加不同程度的n个攻击而得到的，随着施加的噪声等级增大，基准图像受目标气象类型的攻击也加大，扰动图像的图像质量也会相应变差。
122.举例来说，图7示例性示出本技术实施例提供的一种鲁棒性评测的流程示意图，在该示例中，车辆当前通行区域的目标气象类型为“雾”，图7中(a)示意出原始未加“雾”的基准图像，图7中(b)示意出在基准图像中添加噪声等级为0.1的“雾”后得到的扰动图像，图7中(c)示意出在基准图像中添加噪声等级为0.2的“雾”后得到的扰动图像，图7中(d)示意出在基准图像中添加噪声等级为0.3的“雾”后得到的扰动图像，图7中(e)示意出在基准图像中添加噪声等级为0.4的“雾”后得到的扰动图像，图7中(f)示意出在基准图像中添加噪声等级为0.5的“雾”后得到的扰动图像，图7中(g)示意出在基准图像中添加噪声等级为0.6的“雾”后得到的扰动图像，图7中(h)示意出在基准图像中添加噪声等级为0.7的“雾”后得到的扰动图像，图7中(i)示意出在基准图像中添加噪声等级为0.8的“雾”后得到的扰动图像，图7中(j)示意出在基准图像中添加噪声等级为0.9的“雾”后得到的扰动图像。根据图7中(a)至图7中(j)可知，当添加“雾”的噪声等级越大，获得的扰动图像中的雾越明显，扰动图像越不清晰。
123.需要说明的是，上述图7只是以添加“雾”这种气象类型的扰动为例进行介绍，其它的气象类型也可以直接参照图7中的方式添加扰动。例如图8示例性示出本技术实施例提供的一种添加不同气象类型的扰动图像示意图，其中，图8中(a)示意出原始未加扰动的基准图像，图8中(b)示意出在基准图像中添加“雨”这种扰动后得到的扰动图像，图8中(c)示意出在基准图像中添加“雪”这种扰动后得到的扰动图像，图8中(d)示意出在基准图像中添加“雾”这种扰动后得到的扰动图像。可见，同一噪声等级中，雾对于基准图像的扰动程度相对于雨和雪对于基准图像的扰动程度来说可能会更加严重。
124.步骤605，车辆根据环境识别模型，对基准图像和各个扰动图像进行识别，确定环境识别模型能准确识别出的扰动图像所对应的最大噪声等级。
125.具体实施中，假设处理器410将5张环境图像和5张目标预设图像一起作为10张基准图像，则处理器410可以按照如下步骤确定环境识别模型的最大噪声等级：
126.步骤一，处理器410针对于10张基准图像中的每张基准图像进行如下分析：将该基准图像和该基准图像对应的n张扰动图像输入环境识别模型，获得该基准图像的识别结果和10张扰动图像的识别结果，采用预设的相似度算法计算10张扰动图像中的每张扰动图像的识别结果与该基准图像的识别结果的相似度，获得每张扰动图像相对于基准图像的识别准确度。其中，预设的相似度算法可以由本领域技术人员根据经验进行设置，例如可以采用欧几里得度量算法、皮尔逊相关系数算法、余弦相似度算法或基于map-reduce的相似度计算算法等。
127.步骤二，处理器410从10
×
n张扰动图像中获取添加了同一噪声等级对应的噪声信息的10张扰动图像，根据这10张扰动图像的识别准确度，确定该噪声等级对应的识别准确度，若确定该识别准确度不低于预设的准确度阈值，则确定环境识别模型能准确识别出这10张扰动图像。其中，噪声等级对应的识别准确度，例如可以是这10张扰动图像的识别准确
度的平均值或加权平均值。
128.其中，预设的准确度阈值用于指示能让环境识别模型具有较好识别结果的最小准确度，该阈值可以由本领域技术人员根据经验进行设置。通常情况下，当扰动图像的识别结果相对于基准图像的识别结果的准确度在0.5以上时，环境识别模型就能将扰动图像识别至基准图像的识别结果一侧，因此，预设的准确度阈值可以设置为0.5以上的一个值。然而，考虑到预设的准确度阈值设置的越低，环境识别模型找到的临界扰动图像的识别结果和识别基准图像的识别结果的差异可能也越大，因此，为保证临界扰动图像也能具有较好的识别效果，优选的可以将预设的准确度阈值设置为0.7附近的一个值，以便于处理器410在当前环境变差至开始影响环境识别模型的识别效果就及时停用环境识别模型，而不是在环境识别模型不可用之后再停用环境识别模型。
129.继续参照图7中(a)至图7中(j)所示，假设预设的准确度阈值为0.7，添加噪声等级为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9的“雾”的这9类扰动图像(例如每类扰动图像中包括添加同一噪声等级的10张扰动图像)，相对于基准图像的平均识别准确度分别为0.95、0.9、0.8、0.6、0.45、0.3、0.2、0.15、0.1，则：这9个平均识别准确度中不小于0.7的平均识别准确度包括0.95、0.9和0.8，意味着，添加噪声等级0.1、0.2和0.3的“雾”的那些扰动图像属于环境识别模型能够准确识别的扰动图像。
130.步骤三，处理器410确定能准确识别出的扰动图像所对应的最大噪声等级，该最大噪声等级所对应的那些扰动图像对应为使环境识别模型的准确度满足预设的准确度要求的临界扰动图像，该最大噪声等级能用于表征环境识别模型的模型鲁棒性。
131.理论上来说，当添加的噪声等级越大时，扰动图像越不清晰，环境识别模型对扰动图像的识别准确度也就越差。例如，随着添加“雾”的噪声等级逐渐增大，噪声等级对应的识别准确度也逐渐降低，噪声等级的识别准确度和噪声等级之间存在正相关的对应关系。在这种情况下，上述步骤三中所确定出的最大噪声等级，实际上也即是识别准确度不小于预设的准确度阈值的那些噪声等级中具有最小识别准确度的噪声等级。例如，继续参照图7中(a)至图7中(j)所示，9个平均识别准确度中不小于0.7的最小准确度为0.8，准确度0.8对应噪声等级0.3，也即是说，环境识别模型在当前环境下最大能对添加0.3噪声等级的“雾”的环境图像进行准确分析，若当前环境中的“雾”的噪声等级增大至0.3以上，则环境识别模型就不可用了，或者说环境识别模型就大概率会识别出和不添加“雾”的环境图像不一样的识别结果，因此，该最大噪声等级也称为环境识别模型的安全半径。当安全半径较大时，即使在当前环境中添加了较大的“雾”，环境识别模型也仍能相对准确地识别出原始环境图像一样的识别结果，环境识别模型的模型鲁棒性较好。当安全半径较小时，当前环境中可能再添加一点“雾”，环境识别模型就会识别出与原始环境图像不一样的识别结果，环境识别模型的模型鲁棒性较差。
132.示例性地，考虑到噪声等级的识别准确度会随着噪声等级的增大而减小，因此，处理器410还可以按照噪声等级由小到大的顺序依次分析n个噪声等级，在分析每个噪声等级时，先使用该噪声等级分别加扰10张基准图像中得到10张扰动图像，并根据这10张扰动图像计算出该噪声等级对应的识别准确度，判断该识别准确度是否小于预设的准确度阈值，如果不小于，则继续对比该噪声等级大的下一噪声等级执行上述分析，如果小于，则说明当前已经达到了识别准确度的临界边界，可以将比该噪声等级小的上一个噪声等级作为安全
半径，而不用再分析后面的噪声等级。如此，该示例不仅能提高确定安全半径的效率，还能尽量节省计算资源。
133.步骤606，车辆判断环境识别模型能准确识别出的扰动图像所对应的最大噪声等级是否小于预设的噪声等级，若是，则执行步骤607，若否，执行步骤601。
134.其中，预设的噪声等级用于指示希望或需要环境识别模型能准确识别出的扰动图像所对应的最大噪声等级，可以由本领域技术人员根据经验进行设置，也可以由用户根据实际的场景需求进行设置，具体不作限定。
135.示例性地，为提高鲁棒性分析的精细程度，处理器410还可以针对于不同的气象类型设置有不同的预设的噪声等级，例如针对于“雾”设置0.6的预设的噪声等级，针对于“雨”设置0.5的预设的噪声等级，针对于“雪”设置0.4的预设的噪声等级，这些气象类型和各自对应的预设的噪声等级可以存储在存储器420中。在实施中，继续参照图7中(a)至图7中(j)所示，如果处理器410确定环境识别模型的安全半径为0.3，则对比该安全半径0.3和“雾”对应的预设的噪声等级0.6可知，环境识别模型在当前环境下最大能识别加0.3噪声等级的“雾”的环境图像，而“雾”对应的预设的噪声等级要求环境识别模型能识别加0.6噪声等级及以下的“雾”的环境图像，显然，环境识别模型对当前环境变动的适应能力低于预设的适应能力要求，环境识别模型不再适用于当前的行车环境。相反的，如果环境识别模型的安全半径为0.8，则说明环境识别模型在当前环境下最大能识别加0.8噪声等级的“雾”的环境图像，显然也就能准确识别加预设的噪声等级0.6的“雾”的环境图像，即环境识别模型对当前环境变动的适应能力满足预设的适应能力要求，可继续使用环境识别模型执行当前驾驶策略。
136.步骤607，车辆调整当前驾驶策略。
137.在上述实施例二中，通过使用当前环境图像评测环境识别模型在当前环境内存在的目标噪声类型下的模型鲁棒性，而不是使用预先指定好的标准图像评测环境识别模型在指定噪声集合或各类噪声下的综合模型鲁棒性，不仅能保证评测结果对当前环境中的目标噪声类型有效，还能适用于车辆的当前通行环境，有助于车辆当前驾驶策略的准确实施。且，上述实施例二通过划分噪声等级计算环境识别模型最大能使用的噪声等级，作为环境识别模型的安全半径，而不是使用神经网络计算使环境识别模型失真的最优解，不仅计算方式更为简单，还能确保计算得到安全半径，有助于降低在车辆通行中增加鲁棒性评测而对车辆通行所产生的影响。
138.需要说明的是，上述实施例一和实施例二只是以在车辆侧执行车辆驾驶方法为例进行介绍，本技术中的车辆驾驶方法还可以由服务器执行，具体实现包括：车辆400中的处理器410获取摄像器440拍摄当前通行区域所得到的环境图像，通过收发器430上报给服务器，服务器根据环境图像确定车辆当前驾驶策略下使用的环境识别模型的模型鲁棒性，若模型鲁棒性低于预设的鲁棒性阈值，则向收发器430下发驾驶策略调整指令，处理器410从收发器430获取该驾驶策略调整指令后，根据该驾驶策略调整指令调整当前驾驶策略。其中，驾驶策略调整指令可以只包含一个指示，处理器410根据该指示自行确定如何调整当前驾驶策略，或者，驾驶策略调整指令中也可以包含具体的调整方式，处理器410按照该指示中的调整方式执行响应的调整操作，具体不作限定。
139.需要说明的是，上述各个信息的名称仅仅是作为示例，随着通信技术的演变，上述
任意信息均可能改变其名称，但不管其名称如何发生变化，只要其含义与本技术上述信息的含义相同，则均落入本技术的保护范围之内。
140.上述主要从各个网元之间交互的角度对本技术提供的方案进行了介绍。可以理解的是，上述实现各网元为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本发明能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
141.根据前述方法，图9示例性示出本技术实施例提供的一种车辆驾驶装置的结构示意图，如图9所示，该车辆驾驶装置900可以为车辆或服务器，该车辆驾驶装置900可以包括依次连接的图像获取单元910、鲁棒性评测单元950和驾驶策略调整单元960，图像获取单元910用于获取车辆当前通行区域内的环境图像后发送给鲁棒性评测单元950，鲁棒性评测单元950用于使用该环境图像评测当前驾驶策略下的环境识别模型的模型鲁棒性，驾驶策略调整单元960用于在评测得到的模型鲁棒性低于预设的鲁棒性阈值时，调整车辆的当前驾驶策略。其中，环境识别模型用于在当前驾驶策略下感知当前通行区域内的周边环境，感知的感知结果用于指导车辆在当前通行区域内通行。
142.本技术实施例中，当车辆驾驶装置900为车辆时，图像获取单元910具体可以是车辆中的摄像器，诸如车载摄像头，图像获取单元910通过拍摄车辆的当前通行区域得到环境图像。当车辆驾驶装置900为服务器时，图像获取单元910具体可以是服务器中的收发单元，收发单元接收车辆中的收发器发送的环境图像，该环境图像为车辆中的摄像器拍摄当前通行区域而得到的。
143.在一种可选地实施方式中，该车辆驾驶装置900还可以包括环境感知单元920，环境感知单元920连接鲁棒性评测单元950，环境感知单元920可以先感知当前通行区域内存在的目标环境噪声类型，并判断当前通行区域是否受到目标环境噪声类型对应的噪声攻击，将判断结果发送给鲁棒性评测单元950，鲁棒性评测单元950在确定受到噪声攻击时，使用该环境图像评测当前驾驶策略下的环境识别模型的模型鲁棒性。
144.在实施中，环境感知单元920可以通过多种方式感知目标环境噪声类型，例如：
145.一种方式下，环境感知单元920还可以连接图像获取单元910，环境感知单元920从图像获取单元910中获取拍摄到的环境图像，并将环境图像输入噪声分类模型，以归类得到目标环境噪声类型。
146.另一种方式下，环境感知单元920可以获取车辆当前通行区域的天气预报信息，通过解析该天气预报信息以获得目标环境噪声类型。
147.又一种方式下，环境感知单元920可以从导航地图的动态图层中获取目标环境噪声类型。
148.再一种方式下，环境感知单元920还可以连接服务器，通过向服务器发送获取请求，以从服务器请求得到目标环境噪声类型。
149.在一种可选地实施方式中，鲁棒性评测单元950具体用于：将环境图像作为基准图像，使用基准图像评测环境识别模型的模型鲁棒性；或者，从预设图像库中获取与环境图像
的相似度不低于预设的相似度阈值的目标预设图像，将目标预设图像、或目标预设图像和环境图像作为基准图像，使用基准图像评测环境识别模型的模型鲁棒性。
150.在一种可选地实施方式中，该车辆驾驶装置900还可以包括噪声产生单元930和图像生成单元940，噪声产生单元930连接环境感知单元920和图像生成单元940，图像生成单元940还连接图像获取单元910和鲁棒性评测单元950。在实施中，环境感知单元920还可以将确定出的当前通行区域内存在的目标环境噪声类型发送给噪声产生单元930；噪声产生单元930生成符合目标环境噪声类型的各个噪声信息后发送给图像生成单元940，其中，各个噪声信息对应不同噪声等级；图像生成单元940从图像获取单元910获得拍摄的环境图像，以及从噪声产生单元930获得各个噪声信息，重复执行如下操作，直至各个噪声信息均被遍历到为止，获得分别对应各个噪声信息的各个扰动图像：在各个噪声信息中遍历未被遍历过的噪声信息，将遍历到的噪声信息添加到基准图像上，得到一个对应的扰动图像，图像生成单元940将基准图像和生成的各个扰动图像发送给鲁棒性评测单元950；鲁邦性评测单元950根据环境识别模型，对基准图像和各个扰动图像进行识别，确定环境识别模型能准确识别出的扰动图像，并确定识别出的扰动图像所对应的最大噪声等级。
151.在一种可选地实施方式中，鲁邦性评测单元950具体用于：获取预设的噪声等级，并确定识别出的扰动图像所对应的最大噪声等级小于预设的噪声等级。其中，预设的噪声等级用于指示需要环境识别模型能准确识别的扰动图像所对应的最大噪声等级。
152.在一种可选地实施方式中，基准图像包含至少两个的情况下，鲁邦性评测单元950可以具体用于：根据环境识别模型，确定每个基准图像对应的各个扰动图像相对于每个基准图像的识别准确度，再针对于各个噪声信息中的每个噪声信息，执行如下操作：根据添加噪声信息的至少两个扰动图像相对于各自基准图像的识别准确度，确定噪声信息对应的识别准确度，若识别准确度不低于预设的准确度阈值，则确定至少两个扰动图像为环境识别模型能准确识别出的扰动图像。
153.在一种可选地实施方式中，驾驶策略调整单元960具体用于：对环境图像进行去噪处理后输入环境识别模型，或者采用不同于当前驾驶策略下的环境识别模型的另一环境识别模型完成当前驾驶策略，或者切换至手动驾驶策略，或者采取紧急措施。
154.应理解，以上车辆驾驶装置900的单元的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。例如，图像获取单元910可以由上述图4的收发器430实现，环境感知单元920、噪声产生单元930、图像生成单元940、鲁棒性评测单元950和驾驶策略调整单元960可以由上述图4的处理器410实现。
155.需要说明的是，上述图9只是以车辆为例介绍车辆驾驶装置的结构，当车辆驾驶装置为服务器时，服务器也可以具有如图9所示意的环境感知单元920、噪声产生单元930、图像生成单元940、鲁棒性评测单元950和驾驶策略调整单元960，且还可以具有收发单元，收发单元用于接收车辆发送的环境数据后发送给图像生成单元940，以及用于将驾驶策略调整单元960生成的驾驶策略调整指令发送给车辆。
156.根据前述方法，图10为本技术实施例提供的一种车辆驾驶装置的结构示意图，如图10所示，该装置可以为车辆或服务器，也可以为芯片或电路，比如可设置于车辆中的芯片或电路，再比如可设置于服务器中的芯片或电路。
157.进一步的，该车辆驾驶装置1001还可以进一步包括总线系统，其中，处理器1002、
存储器1004、通信接口1003可以通过总线系统相连。
158.应理解，上述处理器1002可以是一个芯片。例如，该处理器1002可以是现场可编程门阵列(field programmable gate array，fpga)，可以是专用集成芯片(application specific integrated circuit，asic)，还可以是系统芯片(system on chip，soc)，还可以是中央处理器(central processor unit，cpu)，还可以是网络处理器(network processor，np)，还可以是数字信号处理电路(digital signal processor，dsp)，还可以是微控制器(micro controller unit，mcu)，还可以是可编程控制器(programmable logic device，pld)或其他集成芯片。
159.在实现过程中，上述方法的各步骤可以通过处理器1002中的硬件的集成逻辑电路或者软件形式的指令完成。结合本技术实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器1002中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1004，处理器1002读取存储器1004中的信息，结合其硬件完成上述方法的步骤。
160.应注意，本技术实施例中的处理器1002可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
161.可以理解，本技术实施例中的存储器1004可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synchlink dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，dr ram)。应注意，本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
162.该车辆驾驶装置1001对应上述方法中的车辆的情况下，该车辆驾驶装置1001可以包括处理器1002、通信接口1003和存储器1004。该存储器1004用于存储指令，该处理器1002用于执行该存储器1004存储的指令，以实现如上图1至图8中所示的任一项或任多项对应的
方法中车辆的相关方案，或执行上述实施例一或实施例二中车辆所执行的方法。例如，执行实施例一时，该车辆驾驶装置1001可以执行：通过通信接口1003获取摄像器拍摄当前通行区域所得到的环境图像，通过处理器1002使用该环境图像评测当前驾驶策略下的环境识别模型的模型鲁棒性，当模型鲁棒性低于预设的鲁棒性阈值时，调整车辆的当前驾驶策略。其中，环境识别模型用于在当前驾驶策略下感知当前通行区域内的周边环境，感知的感知结果用于指导车辆在当前通行区域内通行。
163.该车辆驾驶装置1001对应上述方法中的服务器的情况下，该车辆驾驶装置1001可以包括处理器1002、通信接口1003和存储器1004。该存储器1004用于存储指令，该处理器1002用于执行该存储器1004存储的指令，以实现如上图1至图8中所示的任一项或任多项对应的方法中服务器的相关方案，或执行上述实施例一或实施例二中车辆所执行的方法。例如，执行实施例一时，该车辆驾驶装置1001可以执行：通过通信接口1003获取车辆中的摄像器拍摄当前通行区域所得到的环境图像，通过处理器1002使用该环境图像评测当前驾驶策略下的环境识别模型的模型鲁棒性，当模型鲁棒性低于预设的鲁棒性阈值时，生成驾驶策略调整指令，通过通信接口1003将驾驶策略调整指令发送给车辆，以指示车辆调整当前驾驶策略。其中，环境识别模型用于在当前驾驶策略下感知当前通行区域内的周边环境，感知的感知结果用于指导车辆在当前通行区域内通行。
164.该车辆驾驶装置1001所涉及的与本技术实施例提供的技术方案相关的概念，解释和详细说明及其他步骤请参见前述方法或其他实施例中关于这些内容的描述，此处不做赘述。
165.根据本技术实施例提供的方法，本技术还提供一种计算机程序产品，该计算机程序产品包括：计算机程序代码，当该计算机程序代码在计算机上运行时，使得该计算机执行图1至图8所示实施例中任意一个实施例的方法。
166.根据本技术实施例提供的方法，本技术还提供一种计算机可读存储介质，该计算机可读介质存储有程序代码，当该程序代码在计算机上运行时，使得该计算机执行图1至图8所示实施例中任意一个实施例的方法。
167.根据本技术实施例提供的方法，本技术还提供一种车辆，该车辆可以包括摄像器和处理器，其中，摄像器用于拍摄当前通行区域获得环境图像，处理器用于执行如上图1至图8中所示的任一项或任多项对应的方法中车辆所执行的步骤。
168.根据本技术实施例提供的方法，本技术还提供一种车联网系统，其包括前述的车辆和服务器。
169.上述实施例可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取
的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，高密度数字视频光盘(digital video disc，dvd))、或者半导体介质(例如，固态硬盘(solid state drive，ssd))等。
170.显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。