自动驾驶的实验教学方法、车辆模型及其系统

摘要

本发明实施例涉及人工智能实验教学技术领域，尤其涉及一种自动驾驶的实验教学方法、车辆模型及其系统。该实验教学系统包括实验教学车辆模型、道路模型、训练服务器以及终端设备；在处于数据采集模式时，所述终端设备用于提供用户控制指令；所述实验教学车辆模型用于采集在移动过程中的图像信息和传感器数据；所述训练服务器用于通过训练数据对机器学习模型进行训练。在处于自动行驶模式时，所述训练服务器用于提供训练完成的机器学习模型；所述实验教学车辆模型用于通过所述训练完成的机器学习模型在所述道路模型中模拟自动驾驶。该系统通过车辆模型和道路模型等，模拟了自动驾驶的实现过程，有利于学生全面的学习并了解其具体应用。

说明书

【技术领域】

本发明涉及人工智能实验教学技术领域，尤其涉及一种自动驾驶的实验教学方法、车辆模型及其系统。

【背景技术】

随着人工智能技术的不断发展，开始被广泛应用到各个不同的领域。相关技术人员的需求激增，人工智能技术相关的学习课程也随之而得到了广泛的开展，如许多高校都增设了相关的专业。

但是人工智能是一个交叉性很强的学科，涉及计算机、大数据、电子信息工程、物联网等各个领域。现有与人工智能相关的实验实训方案缺乏真实的实验教学设备。其通常依赖于线上服务器实现，主要是对人工智能相关算法的实验训练过程，偏向于计算机软件领域，容易导致学生仅偏重算法的学习，而不清楚如何在实际场景中应用人工智能技术。

因此，迫切需要提供综合性的实训实验设备或者系统，帮助学生学习和了解人工智能技术如何在实际场景中应用。

【发明内容】

本发明实施例旨在提供一种自动驾驶的实验教学方法、车辆模型及其系统，能够解决现有实验教学方法偏重于计算机软件领域，不利于学生全面学习人工智能技术的缺陷。

为解决上述技术问题，本发明实施例提供以下技术方案：一种实验教学车辆模型。其中，所述实验教学车辆模型在数据采集模式和自动行驶模式两种驱动模式之间切换，包括：

设置有至少一组驱动机构的模型主体；

若干个传感器；所述传感器由所述模型主体搭载，用于采集一种或多种传感器数据；

至少一个图像采集设备，所述图像采集设备设置在所述模型主体上，用于采集图像信息；

驱动板，所述驱动板具有至少一个用于接收用户控制指令的通信接口；

模型处理器，所述模型处理器和驱动板设置在所述模型主体内，通过串口通信连接；

在处于数据采集模式时，所述驱动板用于根据所述用户控制指令，驱动所述模型主体移动；并且

获取在所述模型主体移动过程中采集获得的所述图像信息和所述传感器数据并作为训练数据，提供至外部的训练服务器；

在处于自动行驶模式时，所述模型处理器加载训练完成的机器学习模型，并且根据当前采集的图像信息和传感器数据，输出对应的自动控制指令；

所述驱动板用于根据所述自动控制指令，驱动所述模型主体移动。

可选地，还包括：集成有串口芯片的串口模块；

所述串口模块设置有分别用于与所述驱动板和所述模型处理器插接的连接座；所述连接座的形状为L字型的板状结构。

可选地，所述传感器包括三轴加速度传感器以及光照传感器。

可选地，所述车辆模型还包括无线通信模块；所述无线通信模块用于与外部的终端设备通信连接，接收来自所述终端设备的用户控制指令和/或向所述终端设备提供所述自动控制指令、所述传感器数据和所述图像信息。

可选地，所述车辆模型还包括客户端模块；

所述客户端模块用于形成具有展示所述图像信息、展示传感器数据、展示所述自动控制指令以及采集所述用户控制指令中的一种或多种功能的客户端。

为解决上述技术问题，本发明实施例还提供以下技术方案：一种实验教学系统，其中，包括如上所述的实验教学车辆模型、道路模型、训练服务器以及终端设备；

在处于数据采集模式时，

所述终端设备用于向处于数据采集模式的所述实验教学车辆模型提供用户控制指令；

所述实验教学车辆模型用于根据所述用户控制指令在所述道路模型中移动，并且采集在移动过程中的图像信息和传感器数据；

所述训练服务器用于接收所述图像信息和传感器数据作为训练数据，并通过所述训练数据，对机器学习模型进行训练；

在处于自动行驶模式时，

所述训练服务器用于提供训练完成的机器学习模型；

所述实验教学车辆模型用于根据所述训练完成的机器学习模型输出的自动控制指令，在所述道路模型中模拟自动驾驶。

可选地，所述终端设备包括设置有若干个用于采集用户控制指令的采集装置的遥控设备；所述采集装置包括：麦克风、摇杆、触摸屏以及按键；所述用户控制指令的形式包括语音、触摸动作以及按键操作。

可选地，所述终端设备还包括智能移动终端；所述智能移动终端用于采集一种或者多种形式的用户控制指令，并且展示所述自动控制指令、所述传感器数据和所述图像信息；

所述用户控制指令的形式包括语音、触摸动作以及按键操作。

为解决上述技术问题，本发明实施例还提供以下技术方案：一种自动驾驶的实验教学方法，应用于如上所述的实验教学车辆模型，其中，所述方法包括：

在数据采集模式时，

根据用户控制指令，驱动所述实验教学车辆模型移动；

通过所述传感器和图像采集设备，获取所述实验教学车辆模型在移动过程中的传感器数据和图像信息；

将所述传感器数据和图像信息作为训练数据，上传至训练服务器；

在自动行驶模式时，

加载所述训练服务器训练完成的机器学习模型；

通过所述机器学习模型，计算输出与当前采集获得的传感器数据和图像信息对应的自动控制指令；

根据所述自动控制指令，驱动所述实验教学车辆模型移动。

可选地，所述方法还包括：展示所述实验教学车辆模型在移动过程中的传感器数据、图像信息以及自动控制指令中的一种或多种。

与现有技术相比较，本发明实施例的自动驾驶的实验教学系统，通过车辆模型和道路模型等多种装置的配合，模拟了人工智能技术在自动驾驶汽车中的具体应用和实现情况，提供了真实的应用案例，能够很好的弥补现有实训实验设备缺乏的问题，有利于学生全面的学习人工智能技术并将其投入到实际应用中。

【附图说明】

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。

图1为本发明实施例的实验教学系统的应用场景的示意图；

图2为本发明实施例提供的实验教学车辆模型的功能框图；

图3a为本发明实施例提供的驾驶控制界面的示意图；

图3b为本发明实施例提供的信息展示页面的示意图；

图4为本发明实施例提供的实验教学方法的方法流程图；

图5a为本发明实施例提供的训练服务器训练模型的方法流程图；

图5b为本发明实施例提供的智能移动终端与车辆模型之间的交互过程的示意图；

图5c为本发明实施例提供的车辆模型与终端设备之间的交互过程的示意图。

【具体实施方式】

为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。需要说明的是，当元件被表述“固定于”另一个元件，它可以直接在另一个元件上、或者其间可以存在一个或多个居中的元件。当一个元件被表述“连接”另一个元件，它可以是直接连接到另一个元件、或者其间可以存在一个或多个居中的元件。本说明书所使用的术语“上”、“下”、“内”、“外”、“底部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。

除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本说明书中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。

此外，下面所描述的本发明不同实施例中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

图1为本发明实施例提供的实验教学系统的应用场景。如图1所示，在该应用场景中，包括实验教学车辆模型11、道路模型12、训练服务器13、终端设备14以及通信网络15。

其中，实验教学车辆模型11是搭载有传感器、控制装置、驱动机构等一系列相关的功能组件，用以模拟自动驾驶的车辆模型(以下简称车辆模型)。

该实验教学车辆模型11可以根据实际情况的需要，选择使用合适的尺寸，形状或者驱动力的模型。例如，典型的平板小车以便于对运行情况进行观察和替换车辆模型中的一个或者多个功能组件。

为满足人工智能的实验教学需要，该车辆模型11具有数据采集模式和自动行驶模式两种，分别用于采集训练数据和模拟基于机器学习模型的自动驾驶。

道路模型12是提供给车辆模型11行驶，用于模拟车辆实际行驶场景的仿真道路，例如包含红绿灯，导流线和引导箭头等道路标志的仿真道路。该道路模型12可以根据实验教学项目的实际情况进行调整和设置，具有与教学项目相匹配的尺寸、大小或者结构即可。

训练服务器13是可以执行相应的神经网络算法，利用训练数据对预先设置好或者选定的模型进行训练，进而获得可实际使用的机器学习模型的电子计算平台。

其可以是任何合适类型、数量或者架构形式组建的单个服务器或者服务器集群，只需要具有满足和匹配神经网络模型训练的运算能力即可。例如，部署在云端的分布式服务器集群。在本实施例中，为陈述方便，将训练完成，模型参数已经确定的模型称为“机器学习模型”。

训练服务器13具体可以采用任何合适的神经网络算法进行模型的训练以提供给车辆模型。例如，如图5a所示，训练服务器训练模型的步骤可以包括：

511、接收图像信息及其相关传感器信息作为训练数据。

512、对训练数据进行图片标注操作。

513、进行模型训练，确定模型的一个或者多个参数。

514、对训练完毕后获得的模型进行校验，以确定其是否具有足够的准确度等。

515、将通过校验后的机器学习模型下发到车辆模型。

终端设备14可以是任何类型的，用于实现用户与车辆模型之间的交互的用户侧设备。终端设备14可以采集并提供用户控制指令。该用户控制指令表达了用户期望的车辆模型在道路模型中的移动方向，速度等相关参数。

在一些实施例中，该终端设备14可以是与车辆模型11匹配使用的遥控器、遥控手柄以及相类似的遥控设备。

根据不同应用情景，遥控设备14上可以装设有相应的用于采集用户控制指令的采集装置，如麦克风、摇杆、触摸屏以及按键等，支持以语音、按键动作等多种不同形式体现的用户控制指令。

在另一些实施例中，该终端设备14还可以是一些可以被广泛应用于日常生活中多种场合的通用型智能移动终端，包括智能手机、平板电脑、智能可穿戴设备以及其他类似的智能终端设备。该智能终端设备14可以通过运行移动应用软件等类似的方式，实现用户对车辆模型的控制。

对于这些通用型的智能移动终端，通常具有触摸屏、LED屏或者LCD屏等类似的显示设备。由此，还可以以合适的形式，将车辆模型在自动行驶模式中的自动控制指令、传感器数据和图像信息等数据信息向用户展示，以达到更好的教学效果。

例如，如图5b所示，智能移动终端与车辆模型之间的交互过程可以包括如下步骤：

521、智能移动终端启动相应的移动应用软件，并通过WiFi与车辆模型通信连接。

522、智能移动终端接收由车辆模型上传的速度、方向以及电量等相关数据信息。

523、智能移动终端向车辆模型下发用户控制指令，包括车辆模型的行进速度、行进方向等指令。

524、车辆模型的驱动板基于接收到的用户控制指令，控制驱动机构中的电机和舵机转动，以使车辆模型执行所述用户控制指令。

通信网络15可以是基于任何类型的数据传输原理，用于建立两个节点之间的数据传输信道的无线通信网络，例如位于特定信号频段的蓝牙网络、WiFi网络、无线蜂窝网络或者其结合。

图1所示的一个或者多个设备，如车辆模型11，道路模型12中的信号灯模型，训练服务器13和终端设备14等可以通过自身配置的通信模块或者类似的硬件设备，作为节点加入到通信网络15中，实现不同设备之间的数据或者信息的交互。

应当说明的是，图1所示的应用场景仅用于示例性说明。本领域技术人员可以根据实际情况的需要，添加或者减省其中的一个或者多个元素，而不限于图1所示。

在系统的实际使用过程中，车辆模型11具有数据采集模式和自动行驶模式两种不同的使用模式。其中，数据采集模式是指车辆模型11在受遥控或者其他来自车辆模型外部的用户控制指令的控制下移动的状态。而自动行驶模式是指车辆模型11根据人工智能算法，自行决定车辆模型如何移动的状态。

由此，在数据采集模式时，用户可以通过终端设备14控制车辆模型11在道路模型12中行驶。行驶过程中，车辆模型11通过搭载的各种传感器及类似的设备采集得到的数据会作为训练数据上传到训练服务器13中，用于进行模型的训练。

而在自动行驶模式下，车辆模型11加载由训练服务器13训练完成的机器学习模型，并通过该机器学习模型和传感器采集到的相关数据信息，在场地模型12中自动行驶，模拟在人工智能技术下的自动驾驶。

当然，在自动行驶模式下的车辆模型11也可以随时通过终端设备14切入人工干预或者通过具有合适用户交互装置的终端设备14(如平板电脑)，向用户反馈自动驾驶相关的数据信息(如机器学习模型的计算结果)。

图2为本发明实施例提供的实验教学车辆模型11的结构示意图。如图2所示，该车辆模型11在模型主体的基础上，至少可以包括：至少一组驱动机构、若干个传感器112、至少一个图像采集设备113、驱动板114和模型处理器115等的功能模块。

模型主体是该车辆模型11的主体结构。其具体可以采用任何合适类型、尺寸、结构或者材质，只需要能够满足实验需要即可。针对不同的实验教学项目，可以设计相应结构的模型主体，本发明对模型主体的具体实现不作限制。

该驱动机构是设置在模型主体上，用于驱动模型主体移动的动力设备、转向设备以及行走设备等。具体可以根据实验的需要或者实际情况，选择使用任何合适类型或者种类的驱动机构，例如电力驱动的四轮车辆或者履带式车辆。

所述传感器112是由所述模型主体搭载，用以采集车辆模型11自身或者周边相关环境信息，以使车辆模型11具有满足使用需要的感知能力的设备。传感器112采集获得的传感器数据可以被提供到驱动板114之中。

根据实际情况的需要，可以在模型主体相应的位置，设置相应数量和种类的传感器112。例如，三轴加速度传感器、激光雷达以及光照传感器。

所述图像采集设备113是设置在所述模型主体上，用于采集图像信息的相机、摄影机等设备。其可以是采集各种不同图像信息的设备，具有相应的分辨率等。

所述驱动板114和模型处理器115组成了车辆模型11的中枢控制装置。两者设置在所述模型主体内部，通过串口通信连接。

其中，所述驱动板114主要用于根据指令控制驱动机构，使车辆模型能够沿相应的方向和速度移动，并作为传感器数据、图像信息等相关数据的数据交互中枢。

所述模型处理器115则主要用于执行人工智能算法，根据输入的传感器数据和图像信息等，输出相应的控制指令以实现车辆模型的自动驾驶。

当然，基于驱动板114和模型处理器115两者所侧重的逻辑运算程序的区别，驱动板114和模型处理器115可以使用不同类型的处理器实现。例如，驱动板114可以是树莓派等通用型的处理器。而模型处理器115则可以选择使用TX2等，专用于机器学习模型计算的GPU类型的处理器。

在较佳的实施例中，实验教学车辆模型11还包括集成有串口芯片的串口模块116。所述驱动板114和所述模型处理器115分别插接在串口模块116的连接座上，通过该串口模块116实现串口通信连接。

所述串口模块116整体的形状是一个呈L字型的板状结构。在L型结构上使用1.25mm间距的连接座作为连接结构，所述驱动板114和所述模型处理器115分别插接在对应的连接座上。

通过所述L型结构的串口模块，可以方便驱动板和模型处理器之间的通信连接。同时，也可以使得线材可以顺着模型处理器(TX2)走线，方便完成线材的收纳。

在一些实施例中，车辆模型11还可以包括无线通信模块117。该无线通信模块117可以作为一个独立的功能模块独立设置在模型主体上。当然，无线通信模块117也可以整合设置在驱动板上，作为驱动板的其中一个功能单元，作为用于接收用户控制指令的通信接口。

通过无线通信模块117可以实现与训练服务器13，终端设备14等其他装置的通信连接，并据此传输指令或者数据信息

具体的，无线通信模块117可以是蓝牙模块、WiFi模块或者其他类型无线通信模块，具体取决于实际应用的需要(如终端设备14等外部设备所支持的通信方式)。

在实际使用过程中，车辆模型11可以通过所述无线通信模块117与外部的终端设备14通信连接，在数据采集模式下，接收来自所述终端设备的用户控制指令，并据此驱动车辆模型移动。而在自动行驶模式下，则可以向所述终端设备14反馈由模型处理器115生成的自动控制指令、各个传感器113采集到的传感器数据以及图像采集设备114采集得到的图像信息，以使得自动驾驶的实现过程能够形象的向用户(如学生)展示，取得良好的实验教学效果。

在另一些实施例中，如图2所示，所述车辆模型11还可以进一步包括客户端模块118。客户端模块118用于维护或者提供一个客户端。外部设备14通过运行或者加载该客户端，使自动控制指令、传感器数据以及图像信息中的一个或者多个能够以合适的形式或者格式向用户展示或者便于用户输入用户控制指令。

该客户端模块118既可以由驱动板114所维护或者提供，也可以由模型处理器115或者其他专门的处理器模块所维护或者提供。客户端模块118可以提供任何合适形式的客户端，例如移动应用(APP)或者网页。

终端设备14可以安装并启用相应的移动应用软件，打开由客户端模块118维护或者形成的客户端。在数据采集模式下，客户端可以在智能手机上展示类似于如图3a所示的驾驶控制界面，以使用户可以方便的输入用户控制指令，使车辆模型11沿特定的方向和速度行驶。

另外，在自动行驶模式下，客户端则可以在智能手机上展示类似于如图3b所示的信息展示页面，分别在多个不同的页面展示相应的自动控制指令、传感器数据以及图像信息等，令用户可以方便的查看车辆模型在模拟自动驾驶时机器学习模型的总体运行情况，能够达到更好的教学效果。

在实际应用过程中，如图5c所示，车辆模型与终端设备之间的交互操作包括如下步骤：

531、遥控设备(如蓝牙手柄等)可以在车辆模型上电以后，通过蓝牙的方式与车辆模型通信连接。

532、用户可以通过遥控设备选择启用数据采集模式还是自动驾驶模式。在执行数据采集模式时，执行步骤533至535。在执行自动驾驶模式时，执行步骤536至。

533、采集车辆模型行驶过程中的道路的图像信息以及车辆模型自身的传感器信息。

534、采集获得图像信息和传感器信息上传到训练服务器以及网页端。

535、用户可以通过其他的终端设备，例如个人电脑等，通过启动网页端来查看道路的图像信息等。

536、通过遥控设备等，在可供选择的候选模型中选定合适的模型。

537、使用选定的模型，计算与当前输入的传感器数据和图像信息相对应的输出结果并模拟自动驾驶。

538、用户可以通过其他的终端设备(如个人电脑等)启动网页端来查看机器学习模型的输出结果。

本发明实施例提供的车辆模型，采用分离式的设置方式，将用于车辆控制的驱动板和运行相应机器学习模型的模型处理器。两者之间通过设置有高速串口的L型串口模块连接，便于走线和两者之间的通信连接。

整个车辆模型中的各个功能模块均采用模块化设计，相互之间组合拆卸方便并且通信稳定，具有很好的易用性。

进一步地，还提供有网页或者类似的客户端服务，为用户提供实时采集的图像信息等输入信息和机器学习模型的输出结果。

通过这样的方式，可以令学生等用户更直观的了解到整个人工智能的具体运作过程，不同输入所对应的模型输出结果，具有更好的教学效果。

进一步地，车辆模型还可以在驱动板上整合WiFi模块等类似的通信模块。通过该通信模块与智能手机等终端设备进行通信，令用户可以通过触控操作，语音控制等多种方式控制车辆模型行驶，为用户在实验教学中的操作和使用提供便利。

基于本发明实施例提供的车辆模型，本发明实施例还提供了一种本发明实施例提供的自动驾驶的实验教学方法。该实验教学方法包括了车辆模型在数据采集模式和自动行驶模式两个阶段。

其中，如图4所示，在数据采集模式时，该实验教学方法包括如下步骤：

110、根据用户控制指令，驱动所述实验教学车辆模型移动。

“用户控制指令”是指用户通过遥控设备或者智能移动终端等的终端设备向车辆模型发送的指令。具体可以采用多种不同的形式，如语音等方式向车辆模型下发控制指令，以丰富用户对车辆模型的操作控制方式。

120、通过所述传感器和图像采集设备，获取所述实验教学车辆模型在移动过程中的传感器数据和图像信息。

这些传感器数据和图像信息具体是指各类传感器分别采集的车辆模型的速度，行驶轨迹、剩余电量等的数据信息以及图像采集设备拍摄获得的行驶路线上各种类型交通标志等的图像。

130、将所述传感器数据和图像信息作为训练数据，上传至训练服务器。

传感器数据和图像信息表明了车辆模型当前的路面情况和相应的行驶方式。由此可以通过通信网络上传至训练服务器，作为训练数据使用。

而在自动行驶模式时，该实验教学方法包括如下步骤：

210、加载所述训练服务器训练获得的机器学习模型。

机器学习模型是训练服务器利用训练数据，对预先设定好的神经网络模型进行学习和训练，确定相应的模型参数后获得的模型。该机器学习模型也可以通过通信网络，从训练服务器下发到车辆模型。

220、通过所述机器学习模型，计算输出与当前采集获得的传感器数据和图像信息对应的自动控制指令。

车辆模型的模型处理器可以以传感器数据和图像信息为输入，执行机器学习模型，并输出在当前输入信息代表下的环境情况所应当执行动作。例如，在输入的图像信息为拍摄到红灯时，机器学习模型能够根据先前训练的结果，输出停止行驶的自动控制指令。

230、根据所述自动控制指令，驱动所述实验教学车辆模型移动。

在自动行驶模式下，车辆模型11由机器学习模型的输出结果进行控制，实现自动驾驶模拟。这样，学生等类似的用户就可以直观的观察或者理解人工智能算法在自动驾驶等场景下的具体应用。

在一些实施例中，在自动行驶模式时，还可以在智能终端设备等外部的终端设备上展示所述实验教学车辆模型在移动过程中的传感器数据、图像信息以及自动控制指令中的一种或多种。

传感器数据、图像信息以及自动控制指令等相关数据信息的具体展示形式可以根据实际情况的需要而设计或者确定。通过这样的方式，可以有效的帮助学生在人工智能的实验教学过程中，充分直观的理解机器学习模型的具体运行情况，也可以通过输入的数据信息和输出的自动控制指令来分析机器学习模型是否输出了正确指令，并可以据此对机器学习模型进行相应的调整或者校正。

以下结合图1所示的系统应用场景和图4所示的实验教学方法，详细描述本发明实施例提供的实验教学系统的具体使用流程。在本实施中，车辆模型使用电力驱动的方式。

首先，在车辆模型上电后，模型处理器自动启动系统，车辆模型在采集数据模式下运行。车辆模型可以连接到蓝牙手柄或者智能手机等终端设备，由用户通过蓝牙手柄等终端设备控制车辆模型沿设定的轨迹开始进行道路图片的采集。

在车辆模型根据用户通过蓝牙手柄等输出的用户控制指令被遥控行驶时，搭载在车辆模型上的图像采集设备和相关的传感器会相应的采集道路图片和保存小车行驶的速度和方向数据，并实时发送到训练服务器上，由训练服务器完成模型的训练。

然后，在训练服务器中训练完成的模型会被下发到模型处理器，用户可以通过蓝牙手柄或者自动切换车辆模型为自动行驶模式。在该自动行驶模式下，车辆模型通过训练好的机器学习模型，结合当前采集到的图像和传感器数据信息进行自动驾驶。

例如，车辆模型可以识别场地模型中的红绿灯以及交通标志等，并依据机器学习模型做出相应的停车、启动或者转向等的动作。

另外，还可以为系统设置专用的移动应用软件(APP)，用以进一步的丰富操作的手段和设备。例如，智能手机等类似的智能移动终端可以运行该专用的移动应用软件，通过整合在驱动板上的WiFi模块进行通信，下发用户控制指令以控制车辆模型行驶，并且接收并展示由驱动板发送的车辆模型的电量、速度等信息。

在具备支持语音功能的硬件设备的智能移动终端上，该移动应用还可以设置有语音控制模式，使用户可以便捷的通过语音的方式控制车辆模型行驶。

总结而言，车辆模型可以通过车载摄像头等类似的图像采集设备采集行驶过程中的图片信息，并将采集到的图片信息主动上传到训练服务器。

训练服务器利用车辆模型上传的数据集合，采用特定的神经网络算法进行模型的训练。训练完成后，模型或者已经确定的模型参数自动反馈到车辆模型中。

由车辆模型利用训练完成的模型进行实时推理，在模拟的交通道路场景中实现自动驾驶，包括利用摄像头自动识别红绿灯，行人模型，交通标志后，进行相应的停止、后退、前进、加速以及转向等动作。

本域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，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，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件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。

本领域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。所述的计算机软件可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。

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；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明，它们没有在细节中提供；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范围。