风险提示方法、车辆、设备及程序产品与流程

本公开涉及汽车，具体而言，涉及一种风险提示方法、车辆、电子设备及计算机程序产品。

背景技术：

1、自动驾驶技术作为汽车领域中的一项创新技术，其对于汽车工业、社会发展、出行体系都具有较大影响。为了提升车辆在自动驾驶过程中的安全性，通常会对一些未发生的紧急情况进行风险预测，从而对驾驶员进行提示，因此，针对自动驾驶过程的风险预测的精度要求也随之提高。

技术实现思路

1、本公开实施例至少提供一种风险提示方法、车辆、电子设备及计算机程序产品，可以提升风险预测模型的预测精度，从而提高风险提示信息的准确性以及行车安全性。

2、本公开实施例提供了一种风险提示方法，应用于车辆，所述方法包括：

3、获取目标车辆处于自动驾驶状态下的目标自动驾驶数据；

4、将所述目标自动驾驶数据输入至预先训练好的风险预测模型进行风险预测，得到风险预测结果；所述风险预测模型基于样本数据集进行训练得到，所述样本数据集包括多个样本数据，每个样本数据具有相应的样本标签，至少部分样本数据的样本标签通过对驾驶员进行风险询问得到；

5、基于所述风险预测结果，生成风险提示信息，所述风险提示信息用于对目标驾驶员进行风险提示。

6、本公开实施例中，风险预测模型基于样本数据集进行训练得到，由于至少部分样本数据的样本标签通过对驾驶员进行风险询问得到，应当理解，对驾驶员进行风险询问能够准确了解自动驾驶的情况，这样即可使得样本标签的精度较高，从而可以提升风险预测模型的预测精度，进而提高风险提示信息的准确性以及行车安全性。

7、此外，目前构建样本数据集通常是采用人工标注或者额外训练自动标注模型来对样本数据进行数据标注，相较于上述数据标注的方案，本实施例中通过对驾驶员进行风险询问得到样本标签，可以降低人工标注所耗费的人力成本以及训练标注模型所耗费的训练资源。

8、一种可选的实施方式中，所述获取目标车辆处于自动驾驶状态下的目标自动驾驶数据之前，所述方法还包括：

9、获取所述目标车辆处于自动驾驶状态下的自动驾驶数据；

10、对所述自动驾驶数据进行风险检测，得到所述自动驾驶数据的检测风险等级；

11、向服务器发送第一自动驾驶数据；所述第一自动驾驶数据是指检测风险等级大于目标等级的自动驾驶数据；所述第一自动驾驶数据用于生成样本数据集，所述样本数据集用于对预先构建的神经网络模型进行训练得到所述风险预测模型。

12、本公开实施例中，检测风险等级大于目标等级说明该第一自动驾驶数据的风险较高，由于第一自动驾驶数据用于生成样本数据集，且样本数据集用于对预先构建的神经网络模型进行训练得到风险预测模型，如此，有利于提升风险预测模型的风险预测的准确性。

13、一种可选的实施方式中，所述方法还包括：

14、向驾驶员输出风险问询信息，所述风险问询信息通过对所述第一自动驾驶数据进行风险问询处理生成；

15、获取所述驾驶员针对所述风险问询信息的反馈信息，并向所述服务器发送所述反馈信息；所述反馈信息用于生成与所述第一自动驾驶数据对应的第一标签数据，所述第一自动驾驶数据以及对应的第一标签数据用于生成所述样本数据集。

16、本公开实施例中，目标车辆可以向驾驶员输出风险问询信息，如此，可以使得驾驶员能够针对性的对第一自动驾驶数据对应的驾驶情况进行评估和反馈，有利于提升反馈信息的时效性以及准确性。此外，反馈信息用于生成与第一自动驾驶数据对应的第一标签数据，可以提升第一标签数据的准确性，从而提升样本数据集的准确性。

17、一种可选的实施方式中，所述方法还包括：

18、向所述服务器发送第二自动驾驶数据；所述第二自动驾驶数据是指检测风险等级不大于所述目标等级的自动驾驶数据；所述第二自动驾驶数据的检测风险等级用于确定与所述第二自动驾驶数据对应的第二标签数据，所述第一自动驾驶数据以及对应的第一标签数据，以及所述第二自动驾驶数据对应的第二标签数据，用于生成所述样本数据集。

19、本公开实施例中，向服务器发送检测风险等级不大于目标等级的第二自动驾驶数据，这样，第一自动驾驶数据以及对应的第一标签数据，以及所述第二自动驾驶数据对应的第二标签数据，可以提升样本数据集的样本多样性以及丰富性。此外，第二自动驾驶数据的检测风险等级用于确定与所述第二自动驾驶数据对应的第二标签数据，如此，可以提升第二标签数据的准确性。

20、一种可选的实施方式中，所述自动驾驶数据包括行驶环境数据以及驾驶员的状态数据，所述行驶环境数据包括车辆状态数据、感知数据以及道路数据中的至少一种；其中，每种数据对应不同的检测规则；所述对所述自动驾驶数据进行风险检测，得到所述自动驾驶数据的检测风险等级，包括：

21、针对所述自动驾驶数据中的每种数据，基于与所述数据对应的检测规则对所述数据进行数据检测，得到所述数据的检测结果；所述检测结果用于反映所述数据对应的风险程度；

22、基于各个检测结果，确定所述自动驾驶数据的检测风险等级。

23、本公开实施例中，针对每种数据，对其进行数据检测，得到该种数据的检测结果，如此，可以提高数据检测的检测粒度，从而有助于提高自动驾驶数据的检测风险等级的准确性。

24、一种可选的实施方式中，所述生成风险提示信息之后，所述方法还包括：

25、确定所述风险提示信息的风险程度是否大于目标程度，若是，将所述目标自动驾驶数据以及所述风险提示信息进行存储；所述目标自动驾驶数据以及所述风险提示信息用于对所述样本数据集进行样本数据的补充，得到补充后的数据集，所述补充后的数据集用于对所述风险预测模型进行参数调整。

26、本公开实施例中，若风险提示信息的风险程度大于目标程度，则对目标自动驾驶数据以及风险提示信息进行存储，进而基于存储的数据对样本数据集进行样本数据的补充，如此来扩充样本数据集的规模，这样，可以进一步提升风险预测模型的预测精度。

27、本公开实施例还提供了另一种风险提示方法，应用于服务器，所述方法包括：

28、获取样本数据集，所述样本数据集包括多个样本数据，每个所述样本数据具有相应的样本标签，至少部分所述样本数据的样本标签通过对驾驶员进行风险询问得到；

29、基于所述样本数据集对预先构建的神经网络模型进行训练，得到训练好的风险预测模型；所述风险预测模型用于部署到目标车辆进行风险预测，以生成风险提示信息，所述风险提示信息用于对所述目标驾驶员进行风险提示。

30、本公开实施例中，由于样本数据集中的至少部分样本数据的样本标签通过对驾驶员进行风险询问得到，应当理解，对驾驶员进行风险询问能够准确了解自动驾驶的情况，这样即可提升样本标签的精度，从而基于样本数据集对神经网络进行训练得到风险预测模型时，可以提升风险预测模型的预测精度，进而目标车辆基于风险预测模型进行风险预测时，有助于提高风险提示信息的准确性以及行车安全性。

31、一种可选的实施方式中，所述样本数据集通过以下方式生成：

32、接收目标车辆发送的第一自动驾驶数据，并生成与所述第一自动驾驶数据对应的风险问询信息；所述第一自动驾驶数据包括所述目标车辆处于自动驾驶状态下的行驶环境数据以及驾驶员的状态数据；所述第一自动驾驶数据的检测风险等级大于目标等级；

33、接收所述目标车辆的驾驶员针对所述风险问询信息的反馈信息，并基于所述反馈信息生成针对所述第一自动驾驶数据的第一标签数据；

34、基于所述第一自动驾驶数据以及对应的第一标签数据，生成所述样本数据集；其中，所述第一自动驾驶数据对应所述样本数据，所述第一自动驾驶数据对应的第一标签数据对应所述样本数据的样本标签。

35、本公开实施例中，第一自动驾驶数据的检测风险等级大于目标等级，说明第一自动驾驶数据的风险较高，将第一自动驾驶数据输入到视觉语言模型，得到与第一自动驾驶数据对应的风险问询信息，从而可以接收驾驶员针对风险问询信息的反馈信息，并基于反馈信息生成第一自动驾驶数据的第一标签数据，如此，可以提升样本数据集的丰富性以及准确性。

36、一种可选的实施方式中，所述基于所述反馈信息生成针对所述第一自动驾驶数据的第一标签数据，包括：

37、确定所述反馈信息的评估风险等级，在所述评估风险等级与所述检测风险等级匹配的情况下，基于所述反馈信息生成针对所述第一自动驾驶数据的第一标签数据。

38、本公开实施例中，若反馈信息的评估风险等级与检测风险等级匹配，说明车辆检测风险等级与目标驾驶员评估的风险等级比较接近，则基于反馈信息生成第一自动驾驶数据的第一标签数据，这样，可以提升第一标签数据的准确性。

39、一种可选的实施方式中，所述方法还包括：

40、在所述评估风险等级与所述检测风险等级不匹配的情况下，将所述第一自动驾驶数据删除。

41、本公开实施例中，若评估风险等级与检测风险等级不匹配，说明车辆检测风险等级与驾驶员评估的风险等级相差较大，则第一自动驾驶数据不符合样本数据的要求，因此，通过将第一自动驾驶数据进行删除，可以提高样本数据集的样本质量，从而有利于提升风险预测模型的预测精度。

42、一种可选的实施方式中，所述方法还包括：

43、接收目标车辆发送的第二自动驾驶数据，所述第二自动驾驶数据包括所述目标车辆处于自动驾驶状态下的行驶环境数据以及驾驶员的状态数据，所述第二自动驾驶数据的检测风险等级不大于所述目标等级；

44、根据所述第二自动驾驶数据的检测风险等级，确定所述第二自动驾驶数据对应的第二标签数据；

45、所述基于所述第一自动驾驶数据以及对应的第一标签数据，生成所述样本数据集，包括：

46、基于所述第一自动驾驶数据以及对应的第一标签数据，以及所述第二自动驾驶数据对应的第二标签数据，生成所述样本数据集。

47、本公开实施例中，这样，基于第一自动驾驶数据以及对应的第一标签数据，以及第二自动驾驶数据对应的第二标签数据，生成样本数据集，由于第二自动驾驶数据的检测风险等级不大于目标等级，说明第二自动驾驶数据的风险较低，如此，可以提升样本数据集的完整性和丰富性。

48、一种可选的实施方式中，所述风险问询信息基于视觉语言模型对所述第一自动驾驶数据进行风险问询处理得到，其中，所述视觉语言模型通过以下方法训练得到：

49、构建初始视觉语言模型、驾驶提示词以及驾驶知识数据库；

50、基于所述预设的驾驶提示词对所述初始视觉语言模型进行提示学习，以使得所述初始视觉语言模型能够基于所述驾驶知识数据库输出风险问询信息，得到所述视觉语言模型。

51、本公开实施例中，基于构建出的驾驶提示词对初始视觉语言模型进行提示学习，以使得初始视觉语言模型能够基于驾驶知识数据库输出风险问询信息，得到视觉语言模型，如此，有助于提升视觉语言模型的适用性和准确性。

52、本公开实施例还提供一种车辆，所述车辆包括控制器，所述控制器包括：

53、存储器，被配置成存储指令；以及

54、处理器，被配置成从所述存储器调用所述指令以及在执行所述指令时能够实现上述任一项所述的风险提示方法。

55、本公开实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述任一种可能的风险提示方法。

56、本公开实施例还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器运行时执行如上述任一种可能的风险提示方法。

57、关于上述车辆、电子设备及计算机程序产品的效果描述参见上述风险提示方法的说明，这里不再赘述。

58、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开的技术方案。

59、为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。