自动驾驶方法及系统与流程

1.本发明涉及自动驾驶技术领域，尤其涉及一种自动驾驶方法及系统。

背景技术：

2.目前，自动驾驶车辆面临的安全风险主要发生在车辆无法对当前路况做出正确驾驶判断时。现有应对风险的方法主要有两类：一类是人类驾驶员在危险即将到来前主动接管车辆；另一类是自动驾驶车辆在判断当前路况超出其处理能力时主动要求人类驾驶员接管，主要有两种情况：1)感知层的算法如深度学习算法(cnn(convolutional neutral network，卷积神经网络)、rnn(recurrent neural network，循环神经网络))对周围环境的识别准确率(置信度)低于一定阈值时提示人类驾驶员主动接管车辆；2)决策层的模糊推理、贝叶斯网络、神经网络和强化学习等算法置信度低于某一阈值时主动提醒人类驾驶员接管车辆。
3.然而，现有的应对自动驾驶车辆安全风险的处理方法，存在如下缺点：1)人类驾驶员很难一直保持全神贯注准备随时接管车辆的状态；2)自动驾驶车辆对当前路况判断存在假阴性的问题，即真实路况已超出其处理能力，但自动驾驶车辆仍按照其学习过的某种路况模式进行驾驶，从而导致发生交通事故。

技术实现要素：

4.针对现有技术存在的问题，本发明实施例提供一种自动驾驶方法及系统。
5.第一方面，本发明提供一种自动驾驶方法，应用于第一边缘计算服务器，包括：
6.接收自动驾驶车辆实时发送的路况图像，并获取所述路况图像对应的哈希值；
7.分别获取所述路况图像对应的哈希值与训练图像哈希值数据库中存储的每个哈希值之间的汉明距离；
8.基于所述汉明距离与预设阈值之间的比较结果，确定对应的自动驾驶操作。
9.可选地，所述基于所述汉明距离与预设阈值之间的比较结果，确定对应的自动驾驶操作，包括：
10.若确定所述汉明距离中的最小值小于或等于预设阈值，则允许所述自动驾驶车辆按照预先训练的驾驶策略进行自动驾驶；或者，
11.若确定所述汉明距离中的最小值大于预设阈值，则向所述自动驾驶车辆发送需要人类驾驶员接管车辆或自动停车的指令。
12.可选地，所述训练图像哈希值数据库中存储有第一覆盖区域的训练图像对应的第一哈希值数据集，所述第一为所述第一边缘计算服务器所连接的。
13.可选地，所述训练图像哈希值数据库中还存储有第二覆盖区域的训练图像对应的第二哈希值数据集；其中，所述第二哈希值数据集是数据中心基于各覆盖区域的道路固定属性确定出与所述第一覆盖区域之间存在相似路况的第二后，从所述第二对应的第二边缘计算服务器获取并发送给所述第一边缘计算服务器的。
14.可选地，所述道路固定属性包括车道线、道路边缘、道路隔离物和红绿灯中的任一个或其组合。
15.可选地，在确定所述汉明距离中的最小值大于预设阈值之后，所述方法还包括：
16.将所述路况图像发送给自动驾驶公司进行场景补充训练，并基于所述路况图像对应的哈希值，对所述训练图像哈希值数据库进行补充更新。
17.第二方面，本发明还提供一种自动驾驶系统，包括：
18.数据中心以及多个边缘计算服务器；
19.所述数据中心包括高精度地图数据库、地段匹配服务器、训练图像交换服务器；
20.所述边缘计算服务器包括图像传输接口服务器、训练图像哈希值数据库和图像相似度计算服务器；
21.所述数据中心与所述边缘计算服务器之间通过图像传输接口服务器进行数据传输；
22.所述地段匹配服务器用于以单个覆盖区域作为基本读取单元读取所述高精度地图数据库中不同地理区域并进行路况相似度比较；
23.所述训练图像交换服务器用于若所述地段匹配服务器确定两个覆盖区域之间存在相似路况，则通过所述图像传输接口服务器将所述两个对应的训练图像哈希值数据库进行互传互备；
24.所述图像相似度计算服务器用于执行如上所述第一方面所述的自动驾驶方法的步骤。
25.第三方面，本发明还提供一种自动驾驶装置，应用于第一边缘计算服务器，包括：
26.接收单元，用于接收自动驾驶车辆实时发送的路况图像，并获取所述路况图像对应的哈希值；
27.获取单元，用于分别获取所述路况图像对应的哈希值与训练图像哈希值数据库中存储的每个哈希值之间的汉明距离；
28.确定单元，用于基于所述汉明距离与预设阈值之间的比较结果，确定对应的自动驾驶操作。
29.第四方面，本发明还提供一种电子设备，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程序时实现如上所述第一方面所述的自动驾驶方法的步骤。
30.第五方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上所述第一方面所述的自动驾驶方法的步骤。
31.本发明提供的自动驾驶方法及系统，通过边缘计算服务器对自动驾驶车辆采集的路况图像求取哈希值，并与训练图像哈希值数据库中的每个哈希值分别计算汉明距离，基于汉明距离与预设阈值之间的比较结果，来判断自动驾驶车辆当前是否处于未训练过场景的不安全状态，从而确定对应的自动驾驶操作，有效提升了自动驾驶车辆的安全性。
附图说明
32.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一
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。
33.图1是本发明提供的自动驾驶方法的流程示意图；
34.图2是本发明提供的自动驾驶系统的基本架构示意图；
35.图3是本发明提供的数据中心的拓扑结构示意图；
36.图4是本发明提供的边缘计算服务器的拓扑结构示意图；
37.图5是本发明提供的自动驾驶装置的结构示意图；
38.图6是本发明提供的电子设备的实体结构示意图。
具体实施方式
39.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
40.为了降低自动驾驶车辆的安全风险，本发明提供一种解决方案，可以显著降低因为自动驾驶车辆在遭遇事先没有训练过的路况时因假阴性判断而导致的交通事故，并在相似路段实现了共享训练，同时，通过对发现的未训练场景进行补充训练来显著提升车辆自动驾驶能力。
41.图1为本发明提供的自动驾驶方法的流程示意图，该方法应用于第一边缘计算服务器，如图1所示，该方法包括如下步骤：
42.步骤100、接收自动驾驶车辆实时发送的路况图像，并获取路况图像对应的哈希值；
43.具体地，本发明实施例中，路况图像可以是自动驾驶车辆行驶过程中，由车载传感器所采集的实时路况图像。其中，路况图像可以是一张或多张，车载传感器可以是摄像头、激光雷达或毫米波雷达等。
44.自动驾驶车辆处于(例如5ggnb(next generation node b，下一代节点b))覆盖区域范围内时，可以实时将车载传感器采集的二维图像或深度图等图像类信息通过5g(the 5th generation mobile communication，第五代移动通信系统)网络rtmp(real time messaging protocol，实时消息传输协议)协议上传到与该建立通信连接的边缘计算服务器mec(mobile edge computing，移动边缘计算)server，即第一边缘计算服务器，第一边缘计算服务器接收到上述图像后，可以通过哈希算法计算出上述图像所分别对应的哈希值。
45.上述哈希算法可以是均值哈希(ahash)算法、差异哈希算法(dhash)或感知哈希算法(phash)等其中的任一种，在此不做具体限制，只要与训练图像哈希值数据库中的哈希值获取算法一致即可。
46.可选地，考虑到ahash算法相比其他哈希算法具有更快的计算速度，可以采用ahash算法来快速处理所获得的路况图像。
47.步骤101、分别获取路况图像对应的哈希值与训练图像哈希值数据库中存储的每个哈希值之间的汉明距离；
48.具体地，第一边缘计算服务器在接收到路况图像并计算出路况图像对应的哈希值后，可以将该哈希值分别与第一边缘计算服务器的训练图像哈希值数据库中存储的每个哈希值之间计算汉明距离(hamming distance)，所得到的汉明距离的大小可用于表征该路况图像分别与每一张训练图像之间差异度的大小。
49.其中，上述训练图像为自动驾驶车辆历史训练场景的路况图像，训练图像哈希值数据库中存储有训练图像对应的哈希值。
50.步骤102、基于汉明距离与预设阈值之间的比较结果，确定对应的自动驾驶操作。
51.具体地，两个哈希值之间的汉明距离越大，表明这两个哈希值所对应的图像之间相似度越低，由此，第一边缘计算服务器可通过上述计算出的汉明距离与预设阈值之间的比较结果，来判断自动驾驶车辆当前所处路况环境与其之前训练学习的路况环境之间的相似度，以评估车辆自动驾驶的安全风险，从而确定对应的自动驾驶操作，例如确定是否需要人类驾驶员接管车辆或自动停车，等等。其中，预设阈值可以根据实际需要进行设置，在此不做限制。
52.本发明实施例提供的自动驾驶方法，通过边缘计算服务器对自动驾驶车辆采集的路况图像求取哈希值，并与训练图像哈希值数据库中的每个哈希值分别计算汉明距离，基于汉明距离与预设阈值之间的比较结果，来判断自动驾驶车辆当前是否处于未训练过场景的不安全状态，从而确定对应的自动驾驶操作，有效提升了自动驾驶车辆的安全性。
53.可选地，所述基于汉明距离与预设阈值之间的比较结果，确定对应的自动驾驶操作，包括：
54.若确定汉明距离中的最小值小于或等于预设阈值，则允许自动驾驶车辆按照预先训练的驾驶策略进行自动驾驶；或者，
55.若确定汉明距离中的最小值大于预设阈值，则向自动驾驶车辆发送需要人类驾驶员接管车辆或自动停车的指令。
56.具体地，计算图像的哈希值后，再计算两张图像哈希值的汉明距离，可以比较两张图像的相似度，本发明实施例中，两张图像的汉明距离小于或等于某一预设阈值，则确定这两张图像为相似图像。
57.若历史训练图像中存在与自动驾驶车辆实时上传的路况图像相似的图像，即该路况图像对应的哈希值与训练图像哈希值数据库中存储的每个哈希值之间计算汉明距离后，得到的多个汉明距离中的最小值小于或等于预设阈值，则表明自动驾驶车辆以前学习的路况与当前所处的路况高度相似，可以按照之前训练学习到的驾驶策略进行自动驾驶。
58.否则，若历史训练图像中不存在与自动驾驶车辆实时上传的路况图像相似的图像，即该路况图像对应的哈希值与训练图像哈希值数据库中存储的每个哈希值之间计算汉明距离后，得到的多个汉明距离中的最小值大于预设阈值，则表明车辆当前所处的路况与之前训练时遇到的路况相比均有着明显不同，继续驾驶会存在安全风险，在这种情况下，第一边缘计算服务器可以通过向自动驾驶车辆发出需要人类驾驶员接管车辆或自动停车的指令。
59.可选地，第一边缘计算服务器也可以在计算出每个汉明距离后均与预设阈值进行比较，若确定某个汉明距离小于或等于预设阈值，则停止后续汉明距离的计算，确定自动驾驶车辆以前学习的路况与当前所处的路况高度相似，可以按照之前训练学习到的驾驶策略
进行自动驾驶；否则，直到所有汉明距离都计算完成，确定所有汉明距离均大于预设阈值，则确定车辆当前所处的路况与之前训练时遇到的路况相比均有着明显不同，继续驾驶会存在安全风险。
60.需要说明的是，若自动驾驶车辆实时发送的路况图像为一组路况图像，例如多个车载摄像头分别在某时刻采集的车辆行驶方向前方、左方和右方的图像，则需要确定这三张图像在历史训练图像中均存在与之相似的图像，才可以确定自动驾驶车辆以前学习的路况与当前所处的路况高度相似，从而可以按照之前训练学习到的驾驶策略进行自动驾驶，否则确定自动驾驶车辆当前处于未训练过场景的不安全状态，继续驾驶会存在安全风险。
61.本发明实施例提供的自动驾驶方法，通过将在覆盖下行驶的自动驾驶车辆上传的路况图像上传到边缘计算服务器，与之前自动驾驶车辆的训练图像进行相似度判定，只有在与之前训练图像相似的情况下才能保持自动驾驶状态，否则提示人类驾驶员接管车辆或自动停车，从而实现了各类驾驶场景训练类别的充分覆盖，减少了自动驾驶算法因过拟合造成的对某类未训练过场景的错误决策。
62.可选地，所述训练图像哈希值数据库中存储有第一覆盖区域的训练图像对应的第一哈希值数据集，第一为第一边缘计算服务器所连接的。
63.具体地，本发明实施例中，训练图像哈希值数据库中可以仅存储其所属边缘计算服务器(即第一边缘计算服务器)连接的(即第一)覆盖区域内的训练图像对应的哈希值数据集(即第一哈希值数据集)，以降低图像相似度计算所造成的响应时延。
64.可选地，所述训练图像哈希值数据库中还存储有第二覆盖区域的训练图像对应的第二哈希值数据集；其中，第二哈希值数据集是数据中心基于各覆盖区域的道路固定属性确定出与第一覆盖区域之间存在相似路况的第二后，从第二对应的第二边缘计算服务器获取并发送给第一边缘计算服务器的。
65.具体地，本发明实施例中，训练图像哈希值数据库中还可以存储有第二覆盖区域内的训练图像对应的第二哈希值数据集，其中，第二为与第一存在相似路况的，从而实现基于相似路况共享训练图像哈希值来提高自动驾驶车辆行驶连续性的目的。
66.可选地，数据中心可以通过以下方法步骤确定存在相似路况的并共享训练图像哈希值：
67.步骤一、统计每个覆盖的地理区域；
68.数据中心的地段匹配服务器定期统计每个覆盖的经纬度边际和id(identifier，标识)，并以为粒度存储到队列a里。
69.步骤二、寻不同覆盖区域之间的相似路况；
70.地段匹配服务器从队列a的队首到队尾向后依次两两匹配做顺序查，对于两个不同的根据经纬度边际信息在数据中心的高精度地图数据库中提取出各自覆盖的街区，比较两个街区中是否存在相似的道路固定属性组合，其中，道路固定属性包括车道线、道路边缘、道路隔离物和红绿灯中的任一个或其组合。
71.例如，若两个街区中的道路固定属性组合满足如下一个或多个：车道线、道路边缘、道路隔离物和红绿灯在分属两个街区中的某两个地段相似；车道线、道路边缘和红绿灯在分属两个街区中的某两个地段相似，且均无道路隔离物；车道线和道路边缘在分属两个
街区中的某两个地段相似，且均无道路隔离物和红绿灯；车道线、道路边缘和道路隔离物在分属两个街区中的某两个地段相似，且均无红绿灯，则确定这两个间存在相似路况，将两个的id信息发送给数据中心的训练图像交换服务器。
72.步骤三、对于存在相似路况的两个进行训练图像哈希值共享。
73.训练图像交换服务器根据一个id a信息到对应的边缘计算服务器的图像传输接口服务器，获取该对应边缘计算服务器存储的训练图像哈希值数据集，将该哈希值数据集传给另一个id b信息对应的边缘计算服务器的图像传输接口服务器，并由该图像传输接口服务器将前述哈希值数据集存储至所在边缘计算服务器的训练图像哈希值数据库中。相应地，采用前述相同流程将id b对应边缘计算服务器存储的训练图像哈希值数据集存储至id a对应边缘计算服务器的训练图像哈希值数据库中。
74.本发明实施例提供的自动驾驶方法，对于两个覆盖区域存在路况相似的情况，说明自动驾驶车辆采用的算法在二者之中的任意相似路况下都对这两个对应的边缘计算服务器存储的该相似路况下训练图像哈希值数据集包含的驾驶场景完全适配，因此将这两个边缘计算服务器存储的训练图像哈希值数据集进行互传互备(为避免因查询属于该相似路况下的训练图像增加响应时延，同时考虑到单个覆盖区域有限，可采用全量互传互备)可以提高车辆自动驾驶连续性。
75.可选地，在确定汉明距离中的最小值大于预设阈值之后，所述方法还包括：
76.将路况图像发送给自动驾驶公司进行场景补充训练，并基于路况图像对应的哈希值，对训练图像哈希值数据库进行补充更新。
77.具体地，若确定历史训练图像中不存在与自动驾驶车辆实时上传的路况图像相似的图像，即该路况图像对应的哈希值与训练图像哈希值数据库中存储的每个哈希值之间计算汉明距离后，得到的多个汉明距离中的最小值大于预设阈值，则表明车辆当前所处的路况与之前训练时遇到的路况相比均有着明显不同，则第一边缘计算服务器除了可以通过向自动驾驶车辆发出需要人类驾驶员接管车辆或自动停车的指令以外，还可以后续将该路况图像通过固网发送给自动驾驶公司进行场景补充训练后在线升级程序包来提高车辆自动驾驶安全性。并且，基于该路况图像对应的哈希值对训练图像哈希值数据库进行同步补充更新。
78.本发明实施例提供的自动驾驶方法，通过对发现的未训练场景进行补充训练和补充更新训练图像哈希值数据库，可显著提升车辆自动驾驶能力，并实现各类驾驶场景训练类别的充分覆盖。
79.下面对本发明提供的自动驾驶系统进行描述，下文描述的自动驾驶系统与上文描述的自动驾驶方法可相互对应参照。
80.图2为本发明提供的自动驾驶系统的基本架构示意图，如图2所示，该系统包括：数据中心200以及多个边缘计算服务器210，其中边缘计算服务器210与220之间建立通信连接，为220覆盖区域范围内的自动驾驶车辆230提供自动驾驶操作支持。
81.图3为本发明提供的数据中心200的拓扑结构示意图，如图3所示，数据中心200包括高精度地图数据库300、地段匹配服务器310、训练图像交换服务器320。
82.图4为本发明提供的边缘计算服务器210的拓扑结构示意图，如图4所示，边缘计算服务器210包括图像传输接口服务器400、训练图像哈希值数据库410和图像相似度计算服
务器420，数据中心200与边缘计算服务器210之间通过图像传输接口服务器400进行数据传输。
83.具体地，高精度地图数据库300用于存储国内各个城市每条街道的街景信息(如红绿灯、车道线、道路边缘或道路隔离物等)和地理信息(如经纬度)。
84.地段匹配服务器310用于以街景信息作为比较关键字，以单个220覆盖区域作为基本读取单元读取高精度地图数据库中不同城市或相同城市的不同地理区域并进行路况相似度比较；
85.训练图像交换服务器320用于若地段匹配服务器310确定两个220覆盖区域之间存在相似路况，则通过图像传输接口服务器400将两个220对应的训练图像哈希值数据库410进行互传互备；
86.图像传输接口服务器400用于响应训练图像交换服务器320的请求，将其所属边缘计算服务器210中存储的训练图像哈希值数据集上传给训练图像交换服务器320，并接收训练图像交换服务器320下发的另一个220所属边缘计算服务器210中存储的训练图像哈希值数据集。
87.训练图像哈希值数据库410用于存储边缘计算服务器210所连接220覆盖区域的训练图像对应的哈希值。
88.图像相似度计算服务器420用于执行上述各实施例提供的任一所述自动驾驶方法的步骤，例如：接收自动驾驶车辆实时发送的路况图像，并获取路况图像对应的哈希值；分别获取路况图像对应的哈希值与训练图像哈希值数据库中存储的每个哈希值之间的汉明距离；基于汉明距离与预设阈值之间的比较结果，确定对应的自动驾驶操作。
89.在此需要说明的是，本发明提供的上述自动驾驶系统，能够实现上述自动驾驶方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
90.下面对本发明提供的自动驾驶装置进行描述，下文描述的自动驾驶装置与上文描述的自动驾驶方法可相互对应参照。
91.图5为本发明提供的自动驾驶装置的结构示意图，该装置应用于第一边缘计算服务器，如图5所示，该装置包括：
92.接收单元500，用于接收自动驾驶车辆实时发送的路况图像，并获取路况图像对应的哈希值；
93.获取单元510，用于分别获取路况图像对应的哈希值与训练图像哈希值数据库中存储的每个哈希值之间的汉明距离；
94.确定单元520，用于基于汉明距离与预设阈值之间的比较结果，确定对应的自动驾驶操作。
95.可选地，所述确定单元520，用于：若确定汉明距离中的最小值小于或等于预设阈值，则允许自动驾驶车辆按照预先训练的驾驶策略进行自动驾驶；或者，若确定汉明距离中的最小值大于预设阈值，则向自动驾驶车辆发送需要人类驾驶员接管车辆或自动停车的指令。
96.可选地，所述训练图像哈希值数据库中存储有第一覆盖区域的训练图像对应的第一哈希值数据集，第一为第一边缘计算服务器所连接的。
97.可选地，所述训练图像哈希值数据库中还存储有第二覆盖区域的训练图像对应的第二哈希值数据集；其中，第二哈希值数据集是数据中心基于各覆盖区域的道路固定属性确定出与第一覆盖区域之间存在相似路况的第二后，从第二对应的第二边缘计算服务器获取并发送给第一边缘计算服务器的。
98.可选地，所述道路固定属性包括车道线、道路边缘、道路隔离物和红绿灯中的任一个或其组合。
99.可选地，所述确定单元520，还用于将路况图像发送给自动驾驶公司进行场景补充训练，并基于路况图像对应的哈希值，对训练图像哈希值数据库进行补充更新。
100.在此需要说明的是，本发明提供的上述自动驾驶装置，能够实现上述自动驾驶方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
101.图6为本发明提供的电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(communications interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行上述各实施例提供的任一所述自动驾驶方法的步骤，例如：接收自动驾驶车辆实时发送的路况图像，并获取路况图像对应的哈希值；分别获取路况图像对应的哈希值与训练图像哈希值数据库中存储的每个哈希值之间的汉明距离；基于汉明距离与预设阈值之间的比较结果，确定对应的自动驾驶操作。
102.此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
103.另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各实施例提供的任一所述自动驾驶方法的步骤，例如：接收自动驾驶车辆实时发送的路况图像，并获取路况图像对应的哈希值；分别获取路况图像对应的哈希值与训练图像哈希值数据库中存储的每个哈希值之间的汉明距离；基于汉明距离与预设阈值之间的比较结果，确定对应的自动驾驶操作。
104.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
105.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上
述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
106.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：

1.一种自动驾驶方法，其特征在于，应用于第一边缘计算服务器，包括：接收自动驾驶车辆实时发送的路况图像，并获取所述路况图像对应的哈希值；分别获取所述路况图像对应的哈希值与训练图像哈希值数据库中存储的每个哈希值之间的汉明距离；基于所述汉明距离与预设阈值之间的比较结果，确定对应的自动驾驶操作。2.根据权利要求1所述的自动驾驶方法，其特征在于，所述基于所述汉明距离与预设阈值之间的比较结果，确定对应的自动驾驶操作，包括：若确定所述汉明距离中的最小值小于或等于预设阈值，则允许所述自动驾驶车辆按照预先训练的驾驶策略进行自动驾驶；或者，若确定所述汉明距离中的最小值大于预设阈值，则向所述自动驾驶车辆发送需要人类驾驶员接管车辆或自动停车的指令。3.根据权利要求1或2所述的自动驾驶方法，其特征在于，所述训练图像哈希值数据库中存储有第一覆盖区域的训练图像对应的第一哈希值数据集，所述第一为所述第一边缘计算服务器所连接的。4.根据权利要求3所述的自动驾驶方法，其特征在于，所述训练图像哈希值数据库中还存储有第二覆盖区域的训练图像对应的第二哈希值数据集；其中，所述第二哈希值数据集是数据中心基于各覆盖区域的道路固定属性确定出与所述第一覆盖区域之间存在相似路况的第二后，从所述第二对应的第二边缘计算服务器获取并发送给所述第一边缘计算服务器的。5.根据权利要求4所述的自动驾驶方法，其特征在于，所述道路固定属性包括车道线、道路边缘、道路隔离物和红绿灯中的任一个或其组合。6.根据权利要求2所述的自动驾驶方法，其特征在于，在确定所述汉明距离中的最小值大于预设阈值之后，所述方法还包括：将所述路况图像发送给自动驾驶公司进行场景补充训练，并基于所述路况图像对应的哈希值，对所述训练图像哈希值数据库进行补充更新。7.一种自动驾驶系统，其特征在于，包括：数据中心以及多个边缘计算服务器；所述数据中心包括高精度地图数据库、地段匹配服务器、训练图像交换服务器；所述边缘计算服务器包括图像传输接口服务器、训练图像哈希值数据库和图像相似度计算服务器；所述数据中心与所述边缘计算服务器之间通过图像传输接口服务器进行数据传输；所述地段匹配服务器用于以单个覆盖区域作为基本读取单元读取所述高精度地图数据库中不同地理区域并进行路况相似度比较；所述训练图像交换服务器用于若所述地段匹配服务器确定两个覆盖区域之间存在相似路况，则通过所述图像传输接口服务器将所述两个对应的训练图像哈希值数据库进行互传互备；所述图像相似度计算服务器用于执行如权利要求1至6任一项所述的自动驾驶方法的步骤。8.一种自动驾驶装置，其特征在于，应用于第一边缘计算服务器，包括：
接收单元，用于接收自动驾驶车辆实时发送的路况图像，并获取所述路况图像对应的哈希值；获取单元，用于分别获取所述路况图像对应的哈希值与训练图像哈希值数据库中存储的每个哈希值之间的汉明距离；确定单元，用于基于所述汉明距离与预设阈值之间的比较结果，确定对应的自动驾驶操作。9.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述自动驾驶方法的步骤。10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述自动驾驶方法的步骤。

技术总结

本发明提供一种自动驾驶方法及系统，该方法应用于第一边缘计算服务器，包括：接收自动驾驶车辆实时发送的路况图像，并获取所述路况图像对应的哈希值；分别获取所述路况图像对应的哈希值与训练图像哈希值数据库中存储的每个哈希值之间的汉明距离；基于所述汉明距离与预设阈值之间的比较结果，确定对应的自动驾驶操作。通过本发明提供的自动驾驶方法及系统，能够有效提升自动驾驶车辆的安全性。能够有效提升自动驾驶车辆的安全性。能够有效提升自动驾驶车辆的安全性。