CN109598066B - 预测模块的效果评估方法、装置、设备和存储介质 - Google Patents
预测模块的效果评估方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN109598066B CN109598066B CN201811480577.1A CN201811480577A CN109598066B CN 109598066 B CN109598066 B CN 109598066B CN 201811480577 A CN201811480577 A CN 201811480577A CN 109598066 B CN109598066 B CN 109598066B
- Authority
- CN
- China
- Prior art keywords
- data
- obstacle
- vehicle
- prediction module
- simulation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明实施例公开了一种预测模块的效果评估方法、装置、设备和存储介质。该方法包括:将车辆在目标场景下道路实际行驶过程中的感知数据和车辆运动状态数据作为预测模块的输入,得到所述预测模块预测的障碍物仿真数据;根据所述车辆在目标场景下道路实际行驶过程中的障碍物实际数据和障碍物仿真数据,确定所述预测模块在目标场景下的仿真测试评估结果。本发明实施例的技术方案实现了针对不同场景实际行驶过程中的数据对预测模块进行离线仿真测试,提高了预测模块的评估效率。
Description
技术领域
本发明实施例涉及自动驾驶技术,尤其涉及一种预测模块的效果评估方法、装置、设备和存储介质。
背景技术
在自动驾驶车辆道路测试过程中,车辆的预测模块是基于车辆感知算法输出的结果,在车辆在自动驾驶时,实时性的对车辆周边的行人,环境车辆等障碍物运动状态进行预测。预测模块的输出与车辆的决策规划控制模块进行交互,便于决策规划控制模块生成安全可靠的驾驶行为。目前,在对车辆的预测模块进行效果评估时,通常是在车辆出厂前对预测模块的预测数据进行效果评估,而对于车辆实际行驶过程中,预测模块的评估十分低效。
发明内容
本发明实施例提供了一种预测模块的效果评估方法、装置、设备和存储介质,能够针对不同场景实际行驶过程中的数据对预测模块进行离线仿真测试,提高了预测模块的评估效率。
第一方面,本发明实施例提供了一种预测模块的效果评估方法,该方法包括:
将车辆在目标场景下道路实际行驶过程中的感知数据和车辆运动状态数据作为预测模块的输入,得到所述预测模块预测的障碍物仿真数据;
根据所述车辆在目标场景下道路实际行驶过程中的障碍物实际数据和障碍物仿真数据,确定所述预测模块在目标场景下的仿真测试评估结果。
第二方面,本发明实施例还提供了一种预测模块的效果评估装置,该装置包括:
仿真数据获取模块,用于将车辆在目标场景下道路实际行驶过程中的感知数据和车辆运动状态数据作为预测模块的输入,得到所述预测模块预测的障碍物仿真数据;
测试评估模块,用于根据所述车辆在目标场景下道路实际行驶过程中的障碍物实际数据和障碍物仿真数据,确定所述预测模块在目标场景下的仿真测试评估结果。
第三方面,本发明实施例还提供了一种设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任意实施例所述的预测模块的效果评估方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任意实施例所述的预测模块的效果评估方法。
本发明实施例的方案,通过目标场景下道路实时行驶过程中的感知数据和车辆运动状态数据,预测车辆周围障碍物的仿真数据,并基于障碍物的实际数据和仿真数据对预测模块进行效果评估。能够实现针对不同场景实际行驶过程中的数据对预测模块进行离线仿真测试,提高了预测模块的评估效率。
附图说明
图1是本发明实施例一提供的一种预测模块的效果评估方法的流程图;
图2是本发明实施例二提供的一种预测模块的效果评估方法的流程图;
图3是本发明实施例三提供的一种预测模块的效果评估装置的结构示意图;
图4是本发明实施例四提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的预测模块的效果评估方法的流程图,本实施例可适用于对自动驾驶车辆的预测障碍物运动状态的预测模块进行性能测试的情况,该方法可以由本发明实施例提供的预测模块的效果评估装置或设备来执行,该装置可采用硬件和/或软件的方式实现。如图1所示,具体包括如下步骤:
S101,将车辆在目标场景下道路实际行驶过程中的感知数据和车辆运动状态数据作为预测模块的输入,得到预测模块预测的障碍物仿真数据。
其中,本发明实施例中的车辆可以是自动驾驶车辆,也可以是需要进行障碍物信息预测的其他车辆等。目标场景可以是指要测试预测模块仿真测试评估效果的特定场景,该场景可以是车辆实际行驶过程中会遇到的场景,例如,可以包括变道场景、路口场景、避让场景和隐患场景等。可以通过多种不同目标场景来对预测模块进行仿真测试评估,进而通过多场景的仿真测试结果准确得到该预测模块的评估效果。道路实际行驶过程中的感知数据可以是车辆在行驶过程中采集到的周围环境的感知数据,具体的获取方式由很多,本发明实施例对此不进行限定。例如,可以是在车辆上配置摄像头,由摄像头在车辆行驶过程中采集道路的实际环境图像作为感知数据;也可以是在车辆上配置雷达激光设备,由雷达激光设备在车辆行驶过程中采集道路的实际环境点云数据作为感知数据;还可以在车辆上配置的各种传感器(如距离传感器、声音传感器、速度传感器等),由各种传感器在车辆行驶过程中来采集道路中的相关传感数据作为感知数据等。
车辆的运动状态可以是指自动驾驶车辆在道路实际运行过程中行驶状态,如,加速行驶、减速行驶、超速行驶、匀速行驶、转弯行驶、变道行驶等,其可以是从车辆的预测规划控制模块的输出结果中获取的,也可以是通过车辆上安装的速度检测模块检测到的车辆实际运行状态。道路上的障碍物可以是指车辆驾驶道路上除本车辆之外的物体,包括静态障碍物和动态障碍物。其中,静态障碍物可以包括停止的行人、环境车辆、树木、路岩等;动态障碍物可以包括行走的行人、行驶的车辆等。障碍物仿真数据可以是预测模块通过仿真测试得到的障碍物的运动状态数据,可以包括障碍物与该车辆仿真交互时长、障碍物仿真轨迹、障碍物仿真航向和障碍物仿真坐标中的至少一个。
可选的,在本发明实施例中,预测模块是基于输入的车辆在目标场景下道路实际行驶过程中的感知数据和车辆运动状态数据来预测障碍物仿真数据的模块,具体的,根据感知数据和运动状态数据来预测仿真数据的方式有很多。例如,可以是采用预先训练好的神经网络预测模型进行预测,具体的将感知数据和车辆的运动状态数据输入预先训练的神经网络模型中,该模型会结合模型训练时的样本数据和预测算法,对障碍物的仿真数据进行预测。其中,该神经网络模型可以是在车辆处于不同行驶场景时采集大量训练样本,采用训练样本和相关的神经网络算法对预设初始模型进行训练,最终得到用于预测障碍物仿真数据的神经网络预测模型。其中,训练样本中包含不同场景下的道路实际行驶过程中的感知数据、与该感知数据对应时刻的车辆运动状态数据以及当时道路中的障碍物实际数据。还可以预测模块根据输入的感知数据和车辆运动状态数据,按照相关的预测算法逻辑来确定目标场景下道路上的障碍物,进而确定障碍物的仿真数据。
具体的,根据车辆在目标场景下道路实际行驶过程中的感知数据和车辆运动状态数据,确定障碍物仿真交互时长的预测算法逻辑可以是:通过感知数据和车辆运动状态数据判断车辆和障碍物处于某种相对状态的时间长度,例如,可以是并排行驶的时间长度,也可以是超车过程的时间长度等。可以通过摄像头采集到的连续的图像感知数据和/或激光雷达设备采集的点云感知数据,结合车辆运行状态数据来确定障碍物仿真交互时长;也可以是通过传感器检测到的障碍物到车辆的距离感知数据和车辆的运行状态数据来确定障碍物仿真交互时长等。根据车辆在目标场景下道路实际行驶过程中的感知数据和车辆运动状态数据,确定障碍物仿真轨迹或障碍物仿真航向的预测算法逻辑可以是:根据摄像头连续采集到的图像感知数据和/或雷达激光设备连续采集到的点云感知数据确定障碍物在连续感知数据中的连续位置,并结合车辆运行的连续行驶轨迹或行驶航向,确定障碍物的仿真轨迹或仿真航向,例如,障碍物在感知数据中的位置保持不变,则障碍物的仿真轨迹和仿真航向和行驶车辆是一致的。根据车辆在目标场景下道路实际行驶过程中的感知数据和车辆运动状态数据确定障碍物仿真坐标的预测算法逻辑可以是:根据车辆当前位置坐标、感知数据中障碍物的位置信息以及感知数据中的位置与实际位置之间的转换关系,来确定障碍物的实际坐标位置。
可选的,为了提高预测出的目标场景下的障碍物仿真数据的准确性,可以是先确定感知数据和车辆运动状态数据中最符合目标场景的至少一个时间段,然后将车辆在目标场景下道路实际行驶过程中的感知数据和车辆运动状态数据,以及至少一个目标时间段作为预测模块的输入,得到预测模块预测的在至少一个时间段内的障碍物仿真数据。具体的,确定最符合目标场景的至少一个时间段,可以是测试人员通过查看感知数据分析后确定的,例如,可以是测试人员通过看摄像头采集到的图像感知数据,找到最符合目标场景的连续几帧图像,将这连续几帧图像对应的时间段作为一个目标时间段;还可以检测装置对获取的感知数据和车辆运动状态进行分析,从而确定最符合目标场景的至少一个目标时间段,例如,可以是检测装置检测到感知数据中存在红绿灯且车辆开始减速行驶,则将该时刻认为路口场景开始时刻,若检测到感知数据中没有红绿灯,且车辆开始加速行驶,则将该时刻认为路口场景结束时刻。在确定出感知数据和车辆运动状态数据中与目标场景最符合的至少一个时间段后,将车辆在目标场景下道路实际行驶过程中的感知数据和车辆运动状态数据,以及至少一个目标时间段作为预测模块的输入,预测模块会根据输入,预测出这至少一个目标时间段内对应的障碍物的仿真数据。
需要说明的是,由于实际道路中存在的障碍物可能有多个,本发明实施例可以是预测目标场景下道路实际行驶过程中的感知数据范围内的所有障碍物的仿真数据;也可以是预测对行驶车辆来说存在安全隐患的障碍物的仿真数据;还可以是预测对行驶车辆来说距离最近的障碍物的仿真数据等。
S102,根据车辆在目标场景下道路实际行驶过程中的障碍物实际数据和障碍物仿真数据,确定预测模块在目标场景下的仿真测试评估结果。
其中,障碍物的实际数据可以是障碍物在目标场景下的实际运动状态数据,可以包括障碍物与该车辆实际交互时长、障碍物实际轨迹、障碍物实际航向和障碍物实际坐标中的至少一个。可选的,障碍物实际数据的确定方法可以是测试人员通过分析车辆在目标场景下道路实际行驶过程中的感知数据和车辆运动状态数据,确定的障碍物的实际数据;也可以是预测模块在预测障碍物仿真数据后,车辆上的检测模块还会获取障碍物的实际数据,例如,预测模块预测出障碍物未来3秒的障碍物仿真数据,检测模块在未来3秒内获取障碍物的实际数据。
可选的,在本发明实施例中,确定预测模块在目标场景下的仿真测试评估结果时,可以是分别将障碍物仿真数据中的车辆仿真交互时长、障碍物仿真轨迹、障碍物仿真航向和障碍物仿真坐标中的至少一个,与障碍物实际数据中对应的车辆实际交互时长、障碍物实际轨迹、障碍物实际航向和障碍物实际坐标中的至少一个进行比较,确定障碍物仿真数据与障碍物实际数据之间的相似程度,作为预测模块在该目标场景下的仿真测试评估结果,如可以是相似程度越高,则预测模块在该目标场景下的仿真测试结果越准确。还可以是分别为障碍物数据中车辆交互时长、障碍物轨迹、障碍物航向和障碍物坐标设置不同的权重值(如可以是依据障碍物数据在决策规划控制模块控制车辆行驶过程中所起的重要程度来为不同的类型的数据设置不同的权重值);然后再计算障碍物仿真数据与障碍物实际数据之间的加权相似程度,根据加权相似程度作为预测模块在该目标场景下的仿真测试评估结果。
可选的,根据车辆在目标场景下道路实际行驶过程中的障碍物实际数据和障碍物仿真数据,确定预测模块在目标场景下的仿真测试评估结果时,还可以是通过对障碍物的实际数据和仿真数据计算障碍物实际位置和障碍物仿真位置之间的距离均值,然后再根据车辆在目标场景下道路实际行驶过程中的障碍物实际位置和障碍物仿真位置之间的距离均值,确定预测模块在目标场景下的仿真测试评估结果。
具体的,由于感知数据是连续的,因此S101中确定的障碍物仿真数据中的障碍物仿真坐标也是连续的多个坐标,可以是先通过障碍物仿真数据中的障碍物的各仿真坐标和障碍物实际数据中的障碍物的各实际坐标,分别计算各仿真坐标与其对应的实际坐标之间的距离,确定出障碍物实际位置和障碍物仿真位置之间的距离均值,然后根据确定的距离均值确定预测模块在目标场景下的仿真测试评估结果,如距离均值越小,说明预测模块在目标场景下的仿真测试评估效果越好。
可选的,为了提高预测模块在目标场景下的仿真测试评估结果的准确性,可以是通过多组车辆在目标场景下道路实际行驶过程中的障碍物实际数据和障碍物仿真数据,分别确定多次预测模块在目标场景下的仿真测试评估结果,根据多次确定的仿真测试结果,分析得出预测模块在该目标场景下的最终仿真测试评估结果。
本实施例提供了一种预测模块的效果评估方法,通过目标场景下道路实时行驶过程中的感知数据和车辆运动状态数据,预测车辆周围障碍物的仿真数据,并基于障碍物的实际数据和仿真数据对预测模块进行效果评估。能够实现针对不同场景实际行驶过程中的数据对预测模块进行离线仿真测试,提高了预测模块的评估效率。
实施例二
图2是本发明实施例二提供的一种预测模块的效果评估方法的流程图,该方法在上述实施例的基础上进一步的优化,具体给出了预先确定车辆当前所属场景的具体情况介绍。如图2所示,该方法包括:
S201,根据车辆在道路实际行驶过程中的感知数据,确定障碍物数量、障碍物类型和道路信息中的至少一个。
其中,障碍物的数量可以是指在获取的感知数据范围内存在的障碍物的数量,例如,若感知数据为摄像头拍摄到的图像感知数据,则障碍物数量可以是拍摄图像中存在的障碍物数量。障碍物类型可以是按照障碍物的状态进行分类,如分为静态类型和动态类型;还可以是按照障碍物的大小进行分类,如分为大型障碍物和小型障碍物;还可以是按照障碍物的危险程度进行分类,如分为危险障碍物和可忽略障碍物等。道路信息可以是指感知数据中能够显示出的道路周围的一些信息,如红路灯信息、地面上的到路线信息、路边指示牌信息等等。
示例性的,通常情况下,车辆在道路实际行驶过程中,一段路程会出现多种不同的目标场景,例如,车辆行驶到路口时处于路口场景、遇到行人时处于避让场景、与前方车辆车距较小时处于隐患场景等。因此,在向预测模块输入感知数据前先要确定输入的感知数据对应的目标场景,且这些可能是车辆在行驶一段路程的过程中都可以遇到的。因此,可以先根据车辆在道路实际行驶过程中的感知数据,确定出感知数据中所对应的各目标场景。可选的,可以是先根据车辆在道路实际行驶过程中的感知数据,确定障碍物数量、障碍物类型和道路信息中的至少一个。具体的,可以是对感知数据进行分析,确定出感知数据中可能是障碍物的区域,然后根据该区域的具体特征,确定障碍物的数量和障碍物的类型;通过分析感知数据中的是否存在道路线的特征、路标特征或红路灯等道路信息的特征区域,若存在,则分析该区域中的特征数据,确定感知数据中的道路信息。
可选的,还可以是预先通过大量的感知数据作为训练样本,训练能够确定障碍物信息和道路信息的神经网络模型。在对预测模块进行评估时,通过训练好的神经网络模型来确定输入的感知数据中的障碍物数量、障碍物类型以及道路信息中的至少一个。
S202,根据车辆在道路实际行驶过程中的障碍物数量、障碍物类型和道路信息,以及车辆运动状态数据,确定车辆所处的场景。
可选的,根据车辆在道路实际行驶过程中的障碍物数量、障碍物类型和道路信息,以及车辆运动状态数据,确定车辆所处场景时,可以是采用预先训练好的场景确定模型进行车辆所处场景的确定,具体的将车辆在道路实际行驶过程中的障碍物数量、障碍物类型和道路信息,以及车辆运动状态数据输入预先训练的场景确定模型中,该模型会结合模型训练时的样本数据和预测算法,对车辆所处的场景进行预测。其中,该神经网络模型可以是采集大量训练样本,采用训练样本和相关的神经网络算法对预设初始模型进行训练,最终得到用于预测车辆所处场景的场景确定模型。其中,训练样本中包含多组障碍物数量、障碍物类型、道路信息、车辆运动状态数据以及对应的车辆所处的场景的训练样本。
可选的,根据车辆在道路实际行驶过程中的障碍物数量、障碍物类型和道路信息,以及车辆运动状态数据,确定车辆所处场景时,还可以是预先基于不同的场景确定该场景对应的关于障碍物数量、障碍物类型和道路信息,以及车辆运动状态等数据中至少一种信息,为该场景设置至少一种判定条件。根据S201确定的障碍物数量、障碍物类型和道路信息,以及车辆运动状态数据,以及各场景的判定条件,来确定当前车辆可能处于的场景。其中,各场景的判断条件可以包括但不限于以下几种:路口场景的判定条件可以是道路信息为红路灯信息、经过路口区域、车辆运动状态处于减速运动状态等;变道场景的判定条件可以是该车的道路信息中车道发生变化,且新车道在原车道左/右的相邻车道;隐患场景的判定条件可以是障碍物类型为危险型障碍物且车辆运动状态处于加速运动状态;超速场景的判定条件可以是车辆运动状态对应的速度超过道路信息中显示的限速最大速度值等等。
可选的,确定出车辆所处场景后,为了后续更准确的对该目标场景的预测结果进行准确评估,可以是再确定车辆处于该场景的时间段。可选的,由于车辆在道路上行驶过程中,各场景可能存在一定的关联关系,例如,当前车辆处于隐患场景的话,可能车辆就会进行避让,此时车辆即将处于避让场景。因此,根据确定的车辆所处场景可以多个,可以分别确定车辆处于各场景时对应的时间段。
S203,将车辆在目标场景下道路实际行驶过程中的感知数据和车辆运动状态数据作为预测模块的输入,得到预测模块预测的障碍物仿真数据。
可选的,当车辆在目标场景下的道路实际行驶过程中的感知数据是多个目标场景下的感知数据,或者是感知数据中目标场景只占其中的一小部分时,可以是确定出目标场景对应的至少一个目标时间段,将车辆在目标场景下道路实际行驶过程中的感知数据和车辆运动状态数据,以及至少一个目标时间段作为预测模块的输入,得到预测模块预测的在至少一个时间段内的障碍物仿真数据。从而保证预测的障碍仿真数据的准确性和全面性。
S204,根据车辆在目标场景下道路实际行驶过程中的障碍物实际数据和障碍物仿真数据,确定预测模块在目标场景下的仿真测试评估结果。
本实施例提供了一种预测模块的效果评估方法,通过车辆道路实时行驶过程中的感知数据确定出车辆所处的目标场景,根据车辆在目标场景下的感知数据和车辆运动状态数据,预测车辆周围障碍物的仿真数据,并基于障碍物的实际数据和仿真数据对预测模块进行效果评估。能够自动确定感知数据中对应的目标场景,对该目标场景下预测模块的预测效果进行评估,进一步提高了预测模块的评估的准确性和全面性。
实施例三
图3是本发明实施例三提供的一种预测模块的效果评估装置的结构示意图,该装置可执行本发明任意实施例所提供的预测模块的效果评估方法,具备执行方法相应的功能模块和有益效果。如图3所示,该装置包括:
仿真数据获取模块301,用于将车辆在目标场景下道路实际行驶过程中的感知数据和车辆运动状态数据作为预测模块的输入,得到所述预测模块预测的障碍物仿真数据;
测试评估模块302,用于根据所述车辆在目标场景下道路实际行驶过程中的障碍物实际数据和障碍物仿真数据,确定所述预测模块在目标场景下的仿真测试评估结果。
本实施例提供了一种预测模块的效果评估装置,通过目标场景下道路实时行驶过程中的感知数据和车辆运动状态数据,预测车辆周围障碍物的仿真数据,并基于障碍物的实际数据和仿真数据对预测模块进行效果评估。能够实现针对不同场景实际行驶过程中的数据对预测模块进行离线仿真测试,提高了预测模块的评估效率。
进一步地,上述仿真数据获取模块301具体用于:
将车辆在目标场景下道路实际行驶过程中的感知数据和车辆运动状态数据,以及至少一个目标时间段作为预测模块的输入,得到所述预测模块预测的在至少一个时间段内的障碍物仿真数据。
进一步地,上述障碍物仿真数据包括障碍物仿真交互时长、障碍物仿真轨迹、障碍物仿真航向和障碍物仿真坐标中的至少一个。
进一步的,上述装置还包括场景确定模块,用于:
根据车辆在道路实际行驶过程中的感知数据,确定障碍物数量、障碍物类型和道路信息中的至少一个;
根据所述车辆在道路实际行驶过程中的障碍物数量、障碍物类型和道路信息,以及车辆运动状态数据,确定所述车辆所处的场景。
进一步的,上述测试评估模块302具体用于:
根据所述车辆在目标场景下道路实际行驶过程中的障碍物实际位置和障碍物仿真位置之间的距离均值,确定所述预测模块在目标场景下的仿真测试评估结果。
实施例四
图4为本发明实施例四提供的一种设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性设备40的框图。图4显示的设备40仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。如图4所示,该设备40以通用计算设备的形式表现。该设备40的组件可以包括但不限于:一个或者多个处理器或者处理单元401,系统存储器402,连接不同系统组件(包括系统存储器402和处理单元401)的总线403。
总线403表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备40典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备40访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器402可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)404和/或高速缓存存储器405。设备40可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统406可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线403相连。系统存储器402可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块407的程序/实用工具408,可以存储在例如系统存储器402中,这样的程序模块407包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块407通常执行本发明所描述的实施例中的功能和/或方法。
设备40也可以与一个或多个外部设备409(例如键盘、指向设备、显示器410等)通信,还可与一个或者多个使得用户能与该设备交互的设备通信,和/或与使得该设备40能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口411进行。并且,设备40还可以通过网络适配器412与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图4所示,网络适配器412通过总线403与设备40的其它模块通信。应当明白,尽管图中未示出,可以结合设备40使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元401通过运行存储在系统存储器402中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的预测模块的效果评估方法。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时可实现上述实施例所述的预测模块的效果评估方法。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于:电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
上述实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员应该明白,上述的本发明实施例的各模块或各操作可以用通用的计算装置来实现,它们可以集中在单个计算装置上,或者分布在多个计算装置所组成的网络上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或操作制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间的相同或相似的部分互相参见即可。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种预测模块的效果评估方法,其特征在于,包括:
通过对感知数据和车辆运动状态进行分析,确定符合目标场景的至少一个目标时间段;
将车辆在目标场景下道路实际行驶过程中的感知数据和车辆运动状态数据,以及至少一个目标时间段作为预测模块的输入,得到所述预测模块预测的在至少一个时间段内的障碍物仿真数据;其中,所述预测模块为预先训练好的神经网络预测模型;
根据所述车辆在目标场景下道路实际行驶过程中的障碍物实际数据和障碍物仿真数据,确定所述预测模块在目标场景下的仿真测试评估结果。
2.根据权利要求1所述的方法,其特征在于,所述障碍物仿真数据包括障碍物仿真交互时长、障碍物仿真轨迹、障碍物仿真航向和障碍物仿真坐标中的至少一个。
3.根据权利要求1所述的方法,其特征在于,将车辆在目标场景下道路实际行驶过程中的感知数据和车辆运动状态数据作为预测模块的输入之前,还包括:
根据车辆在道路实际行驶过程中的感知数据,确定障碍物数量、障碍物类型和道路信息中的至少一个;
根据所述车辆在道路实际行驶过程中的障碍物数量、障碍物类型和道路信息,以及车辆运动状态数据,确定所述车辆所处的场景。
4.根据权利要求1所述的方法,其特征在于,根据所述车辆在目标场景下道路实际行驶过程中的障碍物实际数据和障碍物仿真数据,确定所述预测模块在目标场景下的仿真测试评估结果,包括:
根据所述车辆在目标场景下道路实际行驶过程中的障碍物实际位置和障碍物仿真位置之间的距离均值,确定所述预测模块在目标场景下的仿真测试评估结果。
5.一种预测模块的效果评估装置,其特征在于,包括:
仿真数据获取模块,用于将车辆在目标场景下道路实际行驶过程中的感知数据和车辆运动状态数据作为预测模块的输入,得到所述预测模块预测的障碍物仿真数据;其中,所述预测模块为预先训练好的神经网络预测模型;
测试评估模块,用于根据所述车辆在目标场景下道路实际行驶过程中的障碍物实际数据和障碍物仿真数据,确定所述预测模块在目标场景下的仿真测试评估结果;
其中,所述仿真数据获取模块具体用于:
通过对所述感知数据和所述车辆运动状态进行分析,确定符合所述目标场景的至少一个目标时间段;
将车辆在目标场景下道路实际行驶过程中的感知数据和车辆运动状态数据,以及至少一个目标时间段作为预测模块的输入,得到所述预测模块预测的在至少一个时间段内的障碍物仿真数据。
6.根据权利要求5所述的装置,其特征在于,所述障碍物仿真数据包括障碍物仿真交互时长、障碍物仿真轨迹、障碍物仿真航向和障碍物仿真坐标中的至少一个。
7.根据权利要求5所述的装置,其特征在于,还包括场景确定模块,用于:
根据车辆在道路实际行驶过程中的感知数据,确定障碍物数量、障碍物类型和道路信息中的至少一个;
根据所述车辆在道路实际行驶过程中的障碍物数量、障碍物类型和道路信息,以及车辆运动状态数据,确定所述车辆所处的场景。
8.根据权利要求5所述的装置,其特征在于,所述测试评估模块具体用于:
根据所述车辆在目标场景下道路实际行驶过程中的障碍物实际位置和障碍物仿真位置之间的距离均值,确定所述预测模块在目标场景下的仿真测试评估结果。
9.一种预测模块的效果评估设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的预测模块的效果评估方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-4中任一所述的预测模块的效果评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811480577.1A CN109598066B (zh) | 2018-12-05 | 2018-12-05 | 预测模块的效果评估方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811480577.1A CN109598066B (zh) | 2018-12-05 | 2018-12-05 | 预测模块的效果评估方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109598066A CN109598066A (zh) | 2019-04-09 |
CN109598066B true CN109598066B (zh) | 2023-08-08 |
Family
ID=65961235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811480577.1A Active CN109598066B (zh) | 2018-12-05 | 2018-12-05 | 预测模块的效果评估方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109598066B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287529B (zh) * | 2019-05-23 | 2023-01-31 | 杭州飞步科技有限公司 | 测试方法、装置、设备以及存储介质 |
CN110346767A (zh) * | 2019-05-31 | 2019-10-18 | 上海思致汽车工程技术有限公司 | 一种针对汽车变道辅助功能的测试方法和装置 |
CN110807238B (zh) * | 2019-08-26 | 2022-11-18 | 腾讯科技(深圳)有限公司 | 一种仿真模型校准方法及相关设备 |
CN111127701B (zh) * | 2019-12-24 | 2022-02-11 | 武汉光庭信息技术股份有限公司 | 车辆失效场景检测方法及系统 |
US20210276587A1 (en) * | 2020-03-05 | 2021-09-09 | Uber Technologies, Inc. | Systems and Methods for Autonomous Vehicle Systems Simulation |
CN111381517B (zh) * | 2020-03-20 | 2024-03-19 | 阿里巴巴集团控股有限公司 | 一种仿真方法、系统和存储介质 |
CN111597940B (zh) * | 2020-05-07 | 2023-10-03 | 北京百度网讯科技有限公司 | 渲染模型的评估方法、装置、电子设备及可读存储介质 |
CN111597707B (zh) * | 2020-05-14 | 2023-09-29 | 北京百度网讯科技有限公司 | 仿真场景的处理方法、装置、设备以及存储介质 |
CN111767651B (zh) * | 2020-06-28 | 2023-07-25 | 北京百度网讯科技有限公司 | 指标预测模型的构建方法、指标预测方法和装置 |
CN112256589B (zh) * | 2020-11-11 | 2022-02-01 | 腾讯科技(深圳)有限公司 | 一种仿真模型的训练方法、点云数据的生成方法及装置 |
CN112560258B (zh) * | 2020-12-10 | 2023-02-21 | 中国第一汽车股份有限公司 | 一种测试方法、装置、设备及存储介质 |
CN112540365B (zh) * | 2020-12-10 | 2022-07-12 | 中国第一汽车股份有限公司 | 一种评估方法、装置、设备及存储介质 |
CN112766595B (zh) * | 2021-01-29 | 2023-09-29 | 北京电子工程总体研究所 | 一种指挥控制装置、方法、系统、计算机设备及介质 |
CN115236997B (zh) * | 2021-05-27 | 2023-08-25 | 上海仙途智能科技有限公司 | 预测控制方法、装置、设备及计算机可读存储介质 |
CN113408070B (zh) * | 2021-06-22 | 2023-09-26 | 南方科技大学 | 发动机参数的确定方法、装置、设备及存储介质 |
CN113722566A (zh) * | 2021-08-18 | 2021-11-30 | 南斗六星系统集成有限公司 | 一种自动驾驶车辆功能稳定性评定的方法 |
CN113468678B (zh) * | 2021-09-02 | 2021-12-24 | 北京赛目科技有限公司 | 一种自动驾驶算法准确度的计算方法及装置 |
CN113608187B (zh) * | 2021-09-17 | 2023-04-07 | 沈阳铁路信号有限责任公司 | 一种模拟铁路障碍物生成的方法 |
CN114357814B (zh) * | 2022-03-21 | 2022-05-31 | 禾多科技(北京)有限公司 | 自动驾驶仿真测试方法、装置、设备和计算机可读介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010173616A (ja) * | 2009-02-02 | 2010-08-12 | Nissan Motor Co Ltd | 車両走行支援装置及び車両走行支援方法 |
CN107153363A (zh) * | 2017-05-08 | 2017-09-12 | 百度在线网络技术(北京)有限公司 | 无人驾驶汽车的仿真测试方法及装置、设备与可读介质 |
CN107450511A (zh) * | 2017-06-28 | 2017-12-08 | 百度在线网络技术(北京)有限公司 | 评估车辆控制模型的方法、装置、设备和计算机存储介质 |
CN107492113A (zh) * | 2017-06-01 | 2017-12-19 | 南京行者易智能交通科技有限公司 | 一种视频图像中运动目标位置预测模型训练方法、位置预测方法及轨迹预测方法 |
CN206772594U (zh) * | 2016-12-14 | 2017-12-19 | 特路(北京)科技有限公司 | 自动驾驶车辆避让动态障碍物能力的测试场 |
CN107678306A (zh) * | 2017-10-09 | 2018-02-09 | 驭势(上海)汽车科技有限公司 | 动态场景信息录制和仿真回放方法、装置、设备及介质 |
CN107843440A (zh) * | 2017-10-30 | 2018-03-27 | 青岛慧拓智能机器有限公司 | 一种自动驾驶车辆性能测试系统及方法 |
CN108304782A (zh) * | 2017-01-13 | 2018-07-20 | 福特全球技术公司 | 生成用于训练和验证检测模型的模拟传感器数据 |
CN108549366A (zh) * | 2018-05-04 | 2018-09-18 | 同济大学 | 智能汽车道路行驶与虚拟测试平行映射实验方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4055656B2 (ja) * | 2003-05-30 | 2008-03-05 | トヨタ自動車株式会社 | 衝突予測装置 |
US10496766B2 (en) * | 2015-11-05 | 2019-12-03 | Zoox, Inc. | Simulation system and methods for autonomous vehicles |
-
2018
- 2018-12-05 CN CN201811480577.1A patent/CN109598066B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010173616A (ja) * | 2009-02-02 | 2010-08-12 | Nissan Motor Co Ltd | 車両走行支援装置及び車両走行支援方法 |
CN206772594U (zh) * | 2016-12-14 | 2017-12-19 | 特路(北京)科技有限公司 | 自动驾驶车辆避让动态障碍物能力的测试场 |
CN108304782A (zh) * | 2017-01-13 | 2018-07-20 | 福特全球技术公司 | 生成用于训练和验证检测模型的模拟传感器数据 |
CN107153363A (zh) * | 2017-05-08 | 2017-09-12 | 百度在线网络技术(北京)有限公司 | 无人驾驶汽车的仿真测试方法及装置、设备与可读介质 |
CN107492113A (zh) * | 2017-06-01 | 2017-12-19 | 南京行者易智能交通科技有限公司 | 一种视频图像中运动目标位置预测模型训练方法、位置预测方法及轨迹预测方法 |
CN107450511A (zh) * | 2017-06-28 | 2017-12-08 | 百度在线网络技术(北京)有限公司 | 评估车辆控制模型的方法、装置、设备和计算机存储介质 |
CN107678306A (zh) * | 2017-10-09 | 2018-02-09 | 驭势(上海)汽车科技有限公司 | 动态场景信息录制和仿真回放方法、装置、设备及介质 |
CN107843440A (zh) * | 2017-10-30 | 2018-03-27 | 青岛慧拓智能机器有限公司 | 一种自动驾驶车辆性能测试系统及方法 |
CN108549366A (zh) * | 2018-05-04 | 2018-09-18 | 同济大学 | 智能汽车道路行驶与虚拟测试平行映射实验方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109598066A (zh) | 2019-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598066B (zh) | 预测模块的效果评估方法、装置、设备和存储介质 | |
CN111133485B (zh) | 自主交通工具的对象预测优先级排序系统和方法 | |
CN109520744B (zh) | 自动驾驶车辆的驾驶性能测试方法和装置 | |
US20210213961A1 (en) | Driving scene understanding | |
US20200209874A1 (en) | Combined virtual and real environment for autonomous vehicle planning and control testing | |
US11783568B2 (en) | Object classification using extra-regional context | |
CN112133089B (zh) | 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置 | |
US10849543B2 (en) | Focus-based tagging of sensor data | |
CN111680362B (zh) | 一种自动驾驶仿真场景获取方法、装置、设备及存储介质 | |
JP7266627B2 (ja) | 早期警報方法、装置、電子機器、記録媒体及びコンピュータプログラム製品 | |
US11458991B2 (en) | Systems and methods for optimizing trajectory planner based on human driving behaviors | |
US11398150B2 (en) | Navigation analysis for a multi-lane roadway | |
JP6418574B2 (ja) | 危険度推定装置、危険度推定方法及び危険度推定用コンピュータプログラム | |
US11415992B2 (en) | Resource prioritization based on travel path relevance | |
CN112487905B (zh) | 一种车辆周边行人危险等级预测方法及系统 | |
CN114415628A (zh) | 自动驾驶测试方法及装置、电子设备和存储介质 | |
CN111178286B (zh) | 姿态轨迹预测方法、装置及电子设备 | |
CN112519765A (zh) | 车辆控制方法、装置、设备和介质 | |
CN113688760A (zh) | 自动驾驶的数据识别方法、装置、计算机设备和存储介质 | |
CN114475656A (zh) | 行驶轨迹预测方法、装置、电子设备以及存储介质 | |
CN114444208A (zh) | 自动驾驶系统的可靠性确定方法、装置、设备及介质 | |
US20220383736A1 (en) | Method for estimating coverage of the area of traffic scenarios | |
CN112447065B (zh) | 一种轨迹规划方法及装置 | |
CN111381575B (zh) | 自动测试方法、装置、服务器、电子设备及存储介质 | |
KR102531281B1 (ko) | 센싱부를 활용한 통행객체 정보 생성 방법 및 시스템 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |