CN109886198B - 一种信息处理方法、装置及存储介质 - Google Patents
一种信息处理方法、装置及存储介质 Download PDFInfo
- Publication number
- CN109886198B CN109886198B CN201910130654.9A CN201910130654A CN109886198B CN 109886198 B CN109886198 B CN 109886198B CN 201910130654 A CN201910130654 A CN 201910130654A CN 109886198 B CN109886198 B CN 109886198B
- Authority
- CN
- China
- Prior art keywords
- lane
- sample set
- lane change
- vehicle
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明实施例提出一种信息处理方法、装置及存储介质,其中,所述方法包括:对车辆在行驶车道上的实际行驶情况进行图像采集,根据采集结果得到第一场景信息;对车辆在行驶车道上的行驶情况进行模拟仿真后进行图像采集,根据采集结果得到第二场景信息;根据所述第一场景信息和所述第二场景信息得到第一样本集;从所述第一样本集中过滤掉与实际驾驶场景不匹配的部分样本,得到第二样本集;根据所述第二样本集得到车辆变道模型,根据所述车辆变道模型进行变道选择。采用本发明实施例能提高车辆变道的准确性。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种信息处理方法、装置及存储介质。
背景技术
信息处理的一种应用场景是在车辆自动驾驶中,为了实现车辆自动行驶的运动规划,需要对车辆运动的轨迹进行评价。车辆变道是运动轨迹中重要的一环。相关技术中是根据驾驶员的经验对如何选择车道以进行车辆变道进行决策。为了提高决策的准确性引入了仿真技术。
然而,车辆变道的决策是否准确还依赖于场景采集的准确性,比如驾驶场景采集的不全面,或者真实的用户和通过智能设备实现自动驾驶过程中二者在场景的识别上是有差异的,从而导致同一个场景得出不一样的识别结果,这些都会影响车辆变道决策的准确性,导致变道准确率下降,最终难以保证在实际驾驶过程中变道结果的可行性和安全性。
发明内容
本发明实施例提供一种信息处理方法、装置及存储介质,以解决现有技术中的一个或多个技术问题。
第一方面,本发明实施例提供了一种信息处理方法,包括:
对车辆在行驶车道上的实际行驶情况进行图像采集,根据采集结果得到第一场景信息;
对车辆在行驶车道上的行驶情况进行模拟仿真后进行图像采集,根据采集结果得到第二场景信息;
根据所述第一场景信息和所述第二场景信息得到第一样本集;
从所述第一样本集中过滤掉与实际驾驶场景不匹配的部分样本,得到第二样本集;
根据所述第二样本集得到车辆变道模型,根据所述车辆变道模型进行变道选择。
一种实施方式中,从所述第一样本集中过滤掉与实际驾驶场景不匹配的部分样本,包括:
根据所述实际驾驶场景中目测能达到的视距能力,得到距离参数;
从所述第一样本集中查询到与所述距离参数匹配的目标样本;
将所述目标样本保留在所述第一样本集中,删除所述目标样本之外的样本,得到更新后的第一样本集。
一种实施方式中,所述方法还包括:
删除所述目标样本之外的样本后,获取至少两个变道策略;
根据所述至少两个变道策略对所述车辆在行驶车道上的行驶情况进行模拟仿真,得到至少两个仿真模型。
一种实施方式中,所述方法还包括:
加载所述至少两个仿真模型;
将所述至少两个仿真模型运行于车辆行驶于同一条行驶路线的行驶情况中,得到对应所述同一条行驶路线的至少两个仿真结果;
根据所述至少两个仿真结果,从所述更新后的第一样本集中过滤掉不符合样本精确度分析的部分样本,得到所述第二样本集。
一种实施方式中,根据所述至少两个仿真结果,从所述更新后的第一样本集中过滤掉不符合样本精确度分析的部分样本,得到所述第二样本集,包括:
根据所述至少两个仿真结果得到分析策略;
根据所述分析策略,对所述更新后的第一样本集中的目标样本进行分析,将不符合精确度分析指标的部分样本从所述第一样本集中删除。
一种实施方式中,根据所述第二样本集得到车辆变道模型,根据所述车辆变道模型进行变道选择,包括:
将根据实际驾驶行为建模得到的变道关系模型作为所述车辆变道模型;
将所述第二样本集输入所述变道关系模型,对构成所述变道关系模型的第一神经网络中不同子神经网络采用不同的第一学习率,得到更新后的变道关系模型;
根据所述更新后的变道关系模型进行变道选择。
一种实施方式中,根据所述第二样本集得到车辆变道模型,包括:
将根据模拟仿真驾驶行为后建模得到的变道仿真模型作为所述车辆变道模型;
将所述第二样本集输入所述变道仿真模型,对构成所述变道仿真模型的第二神经网络中不同子神经网络采用不同的第二学习率,得到更新后的变道仿真模型;
根据所述更新后的变道仿真模型进行变道选择。
第二方面,本发明实施例提供了一种信息处理装置,所述装置包括:
第一采集单元,用于对车辆在行驶车道上的实际行驶情况进行图像采集,根据采集结果得到第一场景信息;
第二采集单元,用于对车辆在行驶车道上的行驶情况进行模拟仿真后进行图像采集,根据采集结果得到第二场景信息;
样本处理单元,用于根据所述第一场景信息和所述第二场景信息得到第一样本集;
过滤单元,用于从所述第一样本集中过滤掉与实际驾驶场景不匹配的部分样本,得到第二样本集;
变道选择单元,用于根据所述第二样本集得到车辆变道模型,根据所述车辆变道模型进行变道选择。
一种实施方式中,所述过滤单元,进一步用于:
根据所述实际驾驶场景中目测能达到的视距能力,得到距离参数;
从所述第一样本集中查询到与所述距离参数匹配的目标样本;
将所述目标样本保留在所述第一样本集中,删除所述目标样本之外的样本,得到更新后的第一样本集。
一种实施方式中,所述装置还包括:
删除单元,用于删除所述目标样本之外的样本后,获取至少两个变道策略;
仿真处理单元,用于根据所述至少两个变道策略对所述车辆在行驶车道上的行驶情况进行模拟仿真,得到至少两个仿真模型。
一种实施方式中,所述装置还包括:
加载单元,用于加载所述至少两个仿真模型;
第一处理单元,用于将所述至少两个仿真模型运行于车辆行驶于同一条行驶路线的行驶情况中,得到对应所述同一条行驶路线的至少两个仿真结果;
第二处理单元,用于根据所述至少两个仿真结果,从所述更新后的第一样本集中过滤掉不符合样本精确度分析的部分样本,得到所述第二样本集。
一种实施方式中,所述第二处理单元,进一步用于:
根据所述至少两个仿真结果得到分析策略;
根据所述分析策略,对所述更新后的第一样本集中的目标样本进行分析,将不符合精确度分析指标的部分样本从所述第一样本集中删除。
一种实施方式中,所述变道选择单元,进一步用于:
将根据实际驾驶行为建模得到的变道关系模型作为所述车辆变道模型;
将所述第二样本集输入所述变道关系模型,对构成所述变道关系模型的第一神经网络中不同子神经网络采用不同的第一学习率,得到更新后的变道关系模型;
根据所述更新后的变道关系模型进行变道选择。
一种实施方式中,所述变道选择单元,进一步用于:
将根据模拟仿真驾驶行为后建模得到的变道仿真模型作为所述车辆变道模型;
将所述第二样本集输入所述变道仿真模型,对构成所述变道仿真模型的第二神经网络中不同子神经网络采用不同的第二学习率,得到更新后的变道仿真模型;
根据所述更新后的变道仿真模型进行变道选择。
第三方面,本发明实施例提供了一种信息处理装置,所述装置的功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中,所述装置的结构中包括处理器和存储器,所述存储器用于存储支持所述装置执行任一上述信息处理方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。所述装置还可以包括通信接口,用于与其他设备或通信网络通信。
第四方面,本发明实施例提供了一种计算机可读存储介质,用于存储信息处理装置所用的计算机软件指令,其包括用于执行任一上述信息处理方法所涉及的程序。
上述技术方案中的一个技术方案具有如下优点或有益效果:
本发明实施例通过对车辆在行驶车道上的实际行驶情况进行图像采集,根据采集结果得到第一场景信息,对车辆在行驶车道上的行驶情况进行模拟仿真后进行图像采集,根据采集结果得到第二场景信息。根据所述第一场景信息和所述第二场景信息得到第一样本集,从所述第一样本集中过滤掉与实际驾驶场景不匹配的部分样本,得到第二样本集。根据所述第二样本集得到车辆变道模型,根据所述车辆变道模型进行变道选择。由于场景信息是对实际行驶情况和模拟仿真的结合所得到的,因此场景信息的覆盖更全面。而且,用于车辆变道模型的样本集已经过滤掉与实际驾驶场景不匹配的样本,从而更符合实际驾驶场景,则由此得到的车辆变道模型更准确,提高了变道决策的准确性,从而提供了变道准确率,可以保证在实际驾驶过程中变道结果的可行性和安全性。
上述概述仅仅是为了说明书的目的,并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外,通过参考附图和以下的详细描述,本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本发明公开的一些实施方式,而不应将其视为是对本发明范围的限制。
图1示出根据本发明实施例的信息处理方法的流程图。
图2示出根据本发明实施例的分别采用单一驾驶和单一仿真所进行的场景采集示意图。
图3示出根据本发明实施例的过滤流程图。
图4示出根据本发明实施例一样本过滤的场景图。
图5根据本发明实施例的多仿真模拟的流程图。
图6示出根据本发明实施例一多仿真模拟的场景图。
图7示出根据本发明实施例的信息处理装置的结构框图。
图8根据本发明实施例的信息处理装置的结构框图。
具体实施方式
在下文中,仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样,在不脱离本发明的精神或范围的情况下,可通过各种不同方式修改所描述的实施例。因此,附图和描述被认为本质上是示例性的而非限制性的。
相关技术中,对于用于车辆变道决策的车辆变道模型,要么纯基于历史驾驶数据进行有监督学习,要么是纯基于仿真进行学习,相关技术的处理所存在的问题是:数据需求量大、数据质量难以保证,导致场景覆盖不全;人和自动驾驶本身的限制之间的差异造成场景不一致,人的车辆变道决策不可显式准确获得。
将基于专业司机的驾驶行为得到的信息作为历史数据,根据该历史数据进行有监督的学习之后,还可以通过仿真来进一步提高模型效果,解决坏例(badcase)和边角案例(corner case)。bad case是样本中不符合实际驾驶场景的部分样本,而corner case是极端值的特例情形,即车辆位于车道边界的情况。
图1示出根据本发明实施例的信息处理方法的流程图。如图1所示,该流程包括:
步骤101、对车辆在行驶车道上的实际行驶情况进行图像采集,根据采集结果得到第一场景信息。
步骤102、对车辆在行驶车道上的行驶情况进行模拟仿真后进行图像采集,根据采集结果得到第二场景信息。
步骤103、根据所述第一场景信息和所述第二场景信息得到第一样本集。
步骤104、从所述第一样本集中过滤掉与实际驾驶场景不匹配的部分样本,得到第二样本集。
步骤105、根据所述第二样本集得到车辆变道模型,根据所述车辆变道模型进行变道选择。
一个实施方式中,对车辆在行驶车道上的实际行驶情况进行图像采集,根据采集结果得到的第一场景信息,是以每帧为单位,采集车辆在任一车道上行驶所得到的信息。具体的,该信息除了包括车辆周边的环境信息、车辆行驶路线、障碍物信息(静态或动态的障碍物信息),还包括专业司机的驾驶行为。其中,对于驾驶过程中的驾驶行为进行特征提取可以得到特征信息,比如,加速度、速度、限速等。对如加速度、速度、限速等特征信息进行识别后加标签,得到如左变道、右变道或直行的标签信息。第一场景信息至少包括车辆周边的环境信息、车辆行驶路线、障碍物信息(静态或动态的障碍物信息)、及由分析专业司机的驾驶行为所得到的特征信息和标签信息。
一实施方式中,对车辆在行驶车道上的行驶情况进行模拟仿真后进行图像采集,根据采集结果得到第二场景信息,也包括上述几类信息,即:第二场景信息至少包括车辆周边的环境信息、车辆行驶路线、障碍物信息(静态或动态的障碍物信息)、及由分析专业司机的驾驶行为所得到的特征信息和标签信息。
本发明实施例中,是在真人驾驶过程中采集得到第一场景信息,以及与通过机器仿真模拟驾驶过程中采集得到第二场景信息,将第一场景信息和第二场景信息相融合得到最终的场景信息,这相比采用单一的真人驾驶或仿真所得到的场景信息而言,本发明实施例中场景信息(第一场景信息和第二场景信息的融合)更为精确和全面。具体的,若采用单一的真人驾驶,是根据采集的历史数据建模的深度学习过程,可仅通过离线的历史数据来模型得到的学习结果不可能是完美的,容易出现bad case和corner case;若采用单一的仿真,由于没有参照行为,场景的真实性和丰富程度有限,探索空间和效率太低,不容易收敛,无法达到真实道路上的车辆驾驶效果。本发明实施例兼顾了这两种方式,从而使得场景数据的采集更为精确和全面,与真实道路上的车辆驾驶场景更匹配。
可由于人类和机器对同一事物感知能力的不同有所差异,比如,仿真模拟驾驶过程中的距离,可以在符合配置要求的情况下想看多远看多远。而真人驾驶过程中的距离,通常是人类肉眼可见的距离,那么这就出现了人类和机器在感知上的差异性,需要过滤部分场景,得到符合视距能力的场景,并将该场景作为新样本。具体来说,针对已有的样本(第一样本集),感知有可能是不准的,比如,可能感知模块本身就有异常,如有heading、speed错误、位置跳变等噪声,那可能噪声就会影响感知结果,导致感知不准确。又如,仿真里,障碍物很远就能看到,在真实的世界中,很远的障碍物车辆上的传感器感知不到,这部分与实际驾驶场景不相符合,需要过滤掉这部分场景,也就是说,对于感知不准确的,都需要过滤掉,以匹配实际驾驶场景。
图2示出根据本发明实施例的分别采用单一驾驶和单一仿真所进行的场景采集示意图。本发明实施例中采用单一驾驶(场景11)和单一仿真(场景12)对同一车道(车道1)进行场景采集,如图2所示,场景11中车辆以肉眼112进行驾驶过程中的图像采集,感知到距离D1处存在障碍物111;场景12中车辆以采集设备122进行仿真模拟驾驶过程中的图像采集,感知到距离D2处存在障碍物121,D2>D1。可见,真人驾驶过程中的感知距离,通常是人类肉眼可见的距离,远远小于仿真模拟驾驶过程中机器所感知的距离。
如何解决该人机感知上的差异性,本发明实施例还需要继续过滤掉不匹配的场景,即从由第一场景信息和第二场景信息融合所构成的第一样本集中,过滤掉部分感知上不匹配的场景,以提高场景的准确率。过滤后得到的第二样本集,其场景的准确率远远超出第一样本集,那么在确保场景采集的准确性后,根据第二样本集得到车辆变道模型,再根据该车辆变道模型进行变道选择就更准确,从而提供了变道准确率,可以保证在实际驾驶过程中变道结果的可行性和安全性。
图3示出根据本发明实施例的过滤流程图,如图3所示,从第一样本集中过滤掉与实际驾驶场景不匹配的部分样本,包括:
步骤201、根据所述实际驾驶场景中目测能达到的视距能力,得到距离参数。
步骤202、从所述第一样本集中查询到与所述距离参数匹配的目标样本。
步骤203、将所述目标样本保留在所述第一样本集中,删除所述目标样本之外的样本,得到更新后的第一样本集。
图4示出根据本发明实施例一样本过滤的场景图,如图4所示的示例中,第一样本集21中包含:对车辆在行驶车道上的实际行驶情况进行图像采集得到的第一场景信息。第一样本集21中还包含:对车辆在行驶车道上的行驶情况进行模拟仿真后进行图像采集所得到的第二场景信息。其中,输入距离参数到第一样本集中,距离参数由实际驾驶场景中目测能达到的视距能力得到。在第一样本集中根据距离参数进行样本匹配,从第一样本集中查询到与距离参数匹配的目标样本包括:以样本211为代表的第一目标样本和以样本212为代表的第二目标样本。样本213为代表的第三目标样本是与距离参数不相匹配的目标样本。将第一目标样本和第二目标样本保留在第一样本集中,删除第三目标样本,得到更新后的第一样本集,更新后的第一样本集以22进行标识,仅包括以样本211为代表的第一目标样本和以样本212为代表的第二目标样本。
通过上述处理,可以得到符合用户实际驾驶场景中符合用户视距能力的场景,以根据该符合用户视距能力的场景进行后续的仿真模拟。
一实施方式中,设置多个仿真模型对同一场景进行模拟,以进一步进行样本筛选,对样本进行优化,以得到最终的新样本(第二样本集),第二样本集为消除二义性的准确结果集。图5示出根据本发明实施例的多仿真模拟的流程图,如图5所示,包括:
步骤301、删除所述目标样本之外的样本后,获取至少两个变道策略。
步骤302、根据所述至少两个变道策略对所述车辆在行驶车道上的行驶情况进行模拟仿真,得到至少两个仿真模型。
步骤303、加载所述至少两个仿真模型。
步骤304、将所述至少两个仿真模型运行于车辆行驶于同一条行驶路线的行驶情况中,得到对应所述同一条行驶路线的至少两个仿真结果。
步骤305、根据所述至少两个仿真结果,从所述更新后的第一样本集中过滤掉不符合样本精确度分析的部分样本,得到所述第二样本集。
图6示出根据本发明实施例一多仿真模拟的场景图,如图6所示的示例中,针对更新后的第一样本集进行为例进行说明,更新后的第一样本集为图5中以样本211为代表的第一目标样本和以样本212为代表的第二目标样本所构成的样本集。根据多个变道策略(左变道、右变道或直行或其他)对车辆在行驶车道上的行驶情况进行模拟仿真,得到多个仿真模型(左变道、右变道或直行或其他模型)。加载多个仿真模型,多个仿真模型分别以仿真模型31-仿真模型35所表示,这些仿真模型都是针对对同一个场景(车辆行驶于同一条行驶路线的行驶情况,如车辆在当前车道中行驶)运行,从而得到对应同一条行驶路线的多个仿真结果。根据多个仿真结果,从上述更新后的第一样本集中过滤掉不符合样本精确度分析的部分样本,得到第二样本集。
通过上述处理,可以在仿真中同时运行多个仿真模型,多次迭代,组合不同的模型获得最优的决策组合样本集。比如,正常时某个线路/场景只跑一次,对应一个仿真模型。而本示例是多次尝试,比如本身决策是向右,可以给定一个决策是“向左”的尝试可能,这就是另一个仿真模型了。这样的处理决策是为了判断本身决策“向右”是否准确。多个仿真模型,在同一个线路上跑,可使用的决策不同。根据决策(或称为评价体系)对样本进行评价,最终得到消除二义性的准确结果集(第二样本集),也就是说,将符合实际驾驶场景的合格数据形成一个新的样本集。第二样本集中包含场景特征向量和标签。进一步的,对于错误行为可以通过引入参考策略(修正策略)来标注正确行为。
一实施方式中,根据至少两个仿真结果,从更新后的第一样本集中过滤掉不符合样本精确度分析的部分样本,得到第二样本集,包括:根据至少两个仿真结果得到分析策略;根据分析策略,对更新后的第一样本集中的目标样本进行分析,将不符合精确度分析指标的部分样本从所述第一样本集中删除。
一实施方式中,根据第二样本集得到车辆变道模型,根据车辆变道模型进行变道选择,包括:将根据实际驾驶行为建模得到的变道关系模型作为所述车辆变道模型;将第二样本集输入所述变道关系模型,对构成变道关系模型的第一神经网络中不同子神经网络采用不同的第一学习率,得到更新后的变道关系模型。对于学习率有限制和选择两种方式。采用不同的学习率,重新调整变道关系模型以达到最优,之后,根据更新后的变道关系模型进行变道选择。
一实施方式中,根据第二样本集得到车辆变道模型,包括:将根据模拟仿真驾驶行为后建模得到的变道仿真模型作为所述车辆变道模型;将所述第二样本集输入所述变道仿真模型,对构成所述变道仿真模型的第二神经网络中不同子神经网络采用不同的第二学习率,对于学习率有限制和选择两种方式。采用不同的学习率,重新调整变道仿真模型以达到最优,之后,根据更新后的变道仿真模型进行变道选择。
通过上述处理,对基于第二样本集得到的模型关系类模型“变道关系模型”、或仿真类模型“变道仿真模型”,限制和选择对模型不同组成部分采用不同的学习率,实现了重新调整该模型以达到最优的技术效果。
图7示出根据本发明实施例的信息处理装置的结构框图,如图7所示,装置包括:第一采集单元51,用于对车辆在行驶车道上的实际行驶情况进行图像采集,根据采集结果得到第一场景信息;第二采集单元52,用于对车辆在行驶车道上的行驶情况进行模拟仿真后进行图像采集,根据采集结果得到第二场景信息;样本处理单元53,用于根据所述第一场景信息和所述第二场景信息得到第一样本集;过滤单元54,用于从所述第一样本集中过滤掉与实际驾驶场景不匹配的部分样本,得到第二样本集;变道选择单元55,用于根据所述第二样本集得到车辆变道模型,根据所述车辆变道模型进行变道选择。
一实施方式中,过滤单元,进一步用于:根据所述实际驾驶场景中目测能达到的视距能力,得到距离参数;从所述第一样本集中查询到与所述距离参数匹配的目标样本;将所述目标样本保留在所述第一样本集中,删除所述目标样本之外的样本,得到更新后的第一样本集。
一实施方式中,所述装置还包括:删除单元,用于删除所述目标样本之外的样本后,获取至少两个变道策略;仿真处理单元,用于根据所述至少两个变道策略对所述车辆在行驶车道上的行驶情况进行模拟仿真,得到至少两个仿真模型。
一实施方式中,装置还包括:加载单元,用于加载所述至少两个仿真模型;第一处理单元,用于将所述至少两个仿真模型运行于车辆行驶于同一条行驶路线的行驶情况中,得到对应所述同一条行驶路线的至少两个仿真结果;第二处理单元,用于根据所述至少两个仿真结果,从所述更新后的第一样本集中过滤掉不符合样本精确度分析的部分样本,得到所述第二样本集。
一实施方式中,所述第二处理单元,进一步用于:根据所述至少两个仿真结果得到分析策略;根据所述分析策略,对所述更新后的第一样本集中的目标样本进行分析,将不符合精确度分析指标的部分样本从所述第一样本集中删除。
一实施方式中,所述变道选择单元,进一步用于:将根据实际驾驶行为建模得到的变道关系模型作为所述车辆变道模型;将所述第二样本集输入所述变道关系模型,对构成所述变道关系模型的第一神经网络中不同子神经网络采用不同的第一学习率,得到更新后的变道关系模型;根据所述更新后的变道关系模型进行变道选择。
一实施方式中,所述变道选择单元,进一步用于:将根据模拟仿真驾驶行为后建模得到的变道仿真模型作为所述车辆变道模型;将所述第二样本集输入所述变道仿真模型,对构成所述变道仿真模型的第二神经网络中不同子神经网络采用不同的第二学习率,得到更新后的变道仿真模型;根据所述更新后的变道仿真模型进行变道选择。
本发明实施例各装置中的各模块的功能可以参见上述方法中的对应描述,在此不再赘述。
图8示出根据本发明实施例的信息处理装置的结构框图。如图8所示,该装置包括:存储器910和处理器920,存储器910内存储有可在处理器920上运行的计算机程序。处理器920执行计算机程序时实现上述实施例中的自动驾驶方法。存储器910和处理器920的数量可以为一个或多个。
该装置还包括:通信接口930,用于与外界设备进行通信,进行数据交互传输。
存储器910可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器910、处理器920和通信接口930独立实现,则存储器910、处理器920和通信接口930可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(ISA,Industry Standard Architecture)总线、外部设备互连(PCI,PeripheralComponent)总线或扩展工业标准体系结构(EISA,ExtendedIndustry StandardComponent)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器910、处理器920及通信接口930集成在一块芯片上,则存储器910、处理器920及通信接口930可以通过内部接口完成相互间的通信。
本发明实施例提供了一种计算机可读存储介质,其存储有计算机程序,该程序被处理器执行时实现上述实施例中任一所述的方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器,磁盘或光盘等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (16)
1.一种信息处理方法,其特征在于,所述方法包括:
对车辆在行驶车道上的实际行驶情况进行图像采集,根据采集结果得到第一场景信息;
对车辆在行驶车道上的行驶情况进行模拟仿真后进行图像采集,根据采集结果得到第二场景信息;
根据所述第一场景信息和所述第二场景信息得到第一样本集;
从所述第一样本集中过滤掉与实际驾驶场景不匹配的部分样本得到第二样本集,所述与实际驾驶场景不匹配的部分样本至少包括不符合视距的场景;
根据所述第二样本集得到车辆变道模型,根据所述车辆变道模型进行变道选择。
2.根据权利要求1所述的方法,其特征在于,从所述第一样本集中过滤掉与实际驾驶场景不匹配的部分样本,包括:
根据所述实际驾驶场景中目测能达到的视距能力,得到距离参数;
从所述第一样本集中查询到与所述距离参数匹配的目标样本;
将所述目标样本保留在所述第一样本集中,删除所述目标样本之外的样本,得到更新后的第一样本集。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
删除所述目标样本之外的样本后,获取至少两个变道策略;
根据所述至少两个变道策略对所述车辆在行驶车道上的行驶情况进行模拟仿真,得到至少两个仿真模型。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
加载所述至少两个仿真模型;
将所述至少两个仿真模型运行于车辆行驶于同一条行驶路线的行驶情况中,得到对应所述同一条行驶路线的至少两个仿真结果;
根据所述至少两个仿真结果,从所述更新后的第一样本集中过滤掉不符合样本精确度分析的部分样本,得到所述第二样本集。
5.根据权利要求4所述的方法,其特征在于,根据所述至少两个仿真结果,从所述更新后的第一样本集中过滤掉不符合样本精确度分析的部分样本,得到所述第二样本集,包括:
根据所述至少两个仿真结果得到分析策略;
根据所述分析策略,对所述更新后的第一样本集中的目标样本进行分析,将不符合精确度分析指标的部分样本从所述第一样本集中删除。
6.根据权利要求1至5任一项所述的方法,其特征在于,根据所述第二样本集得到车辆变道模型,根据所述车辆变道模型进行变道选择,包括:
将根据实际驾驶行为建模得到的变道关系模型作为所述车辆变道模型;
将所述第二样本集输入所述变道关系模型,对构成所述变道关系模型的第一神经网络中不同子神经网络采用不同的第一学习率,得到更新后的变道关系模型;
根据所述更新后的变道关系模型进行变道选择。
7.根据权利要求1至5任一项所述的方法,其特征在于,根据所述第二样本集得到车辆变道模型,包括:
将根据模拟仿真驾驶行为后建模得到的变道仿真模型作为所述车辆变道模型;
将所述第二样本集输入所述变道仿真模型,对构成所述变道仿真模型的第二神经网络中不同子神经网络采用不同的第二学习率,得到更新后的变道仿真模型;
根据所述更新后的变道仿真模型进行变道选择。
8.一种信息处理装置,其特征在于,所述装置包括:
第一采集单元,用于对车辆在行驶车道上的实际行驶情况进行图像采集,根据采集结果得到第一场景信息;
第二采集单元,用于对车辆在行驶车道上的行驶情况进行模拟仿真后进行图像采集,根据采集结果得到第二场景信息;
样本处理单元,用于根据所述第一场景信息和所述第二场景信息得到第一样本集;
过滤单元,用于从所述第一样本集中过滤掉与实际驾驶场景不匹配的部分样本得到第二样本集,所述与实际驾驶场景不匹配的部分样本至少包括不符合视距的场景;
变道选择单元,用于根据所述第二样本集得到车辆变道模型,根据所述车辆变道模型进行变道选择。
9.根据权利要求8所述的装置,其特征在于,所述过滤单元,进一步用于:
根据所述实际驾驶场景中目测能达到的视距能力,得到距离参数;
从所述第一样本集中查询到与所述距离参数匹配的目标样本;
将所述目标样本保留在所述第一样本集中,删除所述目标样本之外的样本,得到更新后的第一样本集。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
删除单元,用于删除所述目标样本之外的样本后,获取至少两个变道策略;
仿真处理单元,用于根据所述至少两个变道策略对所述车辆在行驶车道上的行驶情况进行模拟仿真,得到至少两个仿真模型。
11.根据权利要求10所述的装置,其特征在于,所述装置还包括:
加载单元,用于加载所述至少两个仿真模型;
第一处理单元,用于将所述至少两个仿真模型运行于车辆行驶于同一条行驶路线的行驶情况中,得到对应所述同一条行驶路线的至少两个仿真结果;
第二处理单元,用于根据所述至少两个仿真结果,从所述更新后的第一样本集中过滤掉不符合样本精确度分析的部分样本,得到所述第二样本集。
12.根据权利要求11所述的装置,其特征在于,所述第二处理单元,进一步用于:
根据所述至少两个仿真结果得到分析策略;
根据所述分析策略,对所述更新后的第一样本集中的目标样本进行分析,将不符合精确度分析指标的部分样本从所述第一样本集中删除。
13.根据权利要求8至12任一项所述的装置,其特征在于,所述变道选择单元,进一步用于:
将根据实际驾驶行为建模得到的变道关系模型作为所述车辆变道模型;
将所述第二样本集输入所述变道关系模型,对构成所述变道关系模型的第一神经网络中不同子神经网络采用不同的第一学习率,得到更新后的变道关系模型;
根据所述更新后的变道关系模型进行变道选择。
14.根据权利要求8至12任一项所述的装置,其特征在于,所述变道选择单元,进一步用于:
将根据模拟仿真驾驶行为后建模得到的变道仿真模型作为所述车辆变道模型;
将所述第二样本集输入所述变道仿真模型,对构成所述变道仿真模型的第二神经网络中不同子神经网络采用不同的第二学习率,得到更新后的变道仿真模型;
根据所述更新后的变道仿真模型进行变道选择。
15.一种信息处理装置,其特征在于,所述装置包括:
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时,使得所述一个或多个处理器实现如权利要求1至7中任一项所述的方法。
16.一种计算机可读存储介质,其存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910130654.9A CN109886198B (zh) | 2019-02-21 | 2019-02-21 | 一种信息处理方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910130654.9A CN109886198B (zh) | 2019-02-21 | 2019-02-21 | 一种信息处理方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109886198A CN109886198A (zh) | 2019-06-14 |
CN109886198B true CN109886198B (zh) | 2021-09-28 |
Family
ID=66928803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910130654.9A Active CN109886198B (zh) | 2019-02-21 | 2019-02-21 | 一种信息处理方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886198B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705101A (zh) * | 2019-09-30 | 2020-01-17 | 深圳市商汤科技有限公司 | 网络训练方法、车辆行驶方法及相关产品 |
CN112672942B (zh) * | 2020-03-23 | 2022-01-14 | 华为技术有限公司 | 一种车辆换道方法及相关设备 |
CN111680362B (zh) * | 2020-05-29 | 2023-08-11 | 北京百度网讯科技有限公司 | 一种自动驾驶仿真场景获取方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107121115A (zh) * | 2017-05-16 | 2017-09-01 | 郑州大学 | 基于gps运动摄像机数据确定道路圆曲线半径及行车视距的方法 |
EP3315997A1 (en) * | 2016-10-25 | 2018-05-02 | Openworks Engineering Ltd. | Acquisition and/or tracking of remote object |
CN108108750A (zh) * | 2017-12-12 | 2018-06-01 | 清华大学苏州汽车研究院(吴江) | 基于深度学习和单目视觉的距离空间重建方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8880272B1 (en) * | 2012-03-16 | 2014-11-04 | Google Inc. | Approach for estimating the geometry of roads and lanes by using vehicle trajectories |
US9813512B2 (en) * | 2015-04-20 | 2017-11-07 | Agverdict, Inc. | Systems and methods for efficiently generating a geospatial data map for use in agricultural operations |
CN108205922A (zh) * | 2016-12-19 | 2018-06-26 | 乐视汽车(北京)有限公司 | 一种自动驾驶决策方法及系统 |
JP6642413B2 (ja) * | 2016-12-27 | 2020-02-05 | トヨタ自動車株式会社 | 車両走行制御装置 |
CN108803623B (zh) * | 2017-10-22 | 2021-12-21 | 深圳瑞尔图像技术有限公司 | 一种自动驾驶车辆个性化行车的方法和行车合法化的系统 |
CN109060370B (zh) * | 2018-06-29 | 2019-12-10 | 奇瑞汽车股份有限公司 | 对自动驾驶车辆进行车辆测试的方法及装置 |
CN109100155B (zh) * | 2018-07-09 | 2020-06-16 | 长安大学 | 一种无人车在环快速仿真测试系统和方法 |
CN109345512A (zh) * | 2018-09-12 | 2019-02-15 | 百度在线网络技术(北京)有限公司 | 汽车图像的处理方法、装置及可读存储介质 |
-
2019
- 2019-02-21 CN CN201910130654.9A patent/CN109886198B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3315997A1 (en) * | 2016-10-25 | 2018-05-02 | Openworks Engineering Ltd. | Acquisition and/or tracking of remote object |
CN107121115A (zh) * | 2017-05-16 | 2017-09-01 | 郑州大学 | 基于gps运动摄像机数据确定道路圆曲线半径及行车视距的方法 |
CN108108750A (zh) * | 2017-12-12 | 2018-06-01 | 清华大学苏州汽车研究院(吴江) | 基于深度学习和单目视觉的距离空间重建方法 |
Non-Patent Citations (2)
Title |
---|
Identifying Curve Reaction Point Using NDS Data;Shauna Hallmark等;《2015 IEEE 18th International Conference on Intelligent Transportation Systems》;20151102;第2237-2242页 * |
基于支持向量回归的视距计算模型建立和应用;陈雨人等;《中国公路学报》;20180415;第31卷(第4期);第105-113页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109886198A (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109813328B (zh) | 一种驾驶路径规划方法、装置及车辆 | |
CN109886198B (zh) | 一种信息处理方法、装置及存储介质 | |
CN109697860A (zh) | 车位检测和跟踪系统及方法及车辆 | |
US20220048536A1 (en) | Method and device for testing a driver assistance system | |
CN110390248A (zh) | 用于操作技术系统的方法、设备、产品和计算机程序 | |
CN109703569B (zh) | 一种信息处理方法、装置及存储介质 | |
CN111091739B (zh) | 自动驾驶场景的生成方法、装置和存储介质 | |
CN106707293A (zh) | 用于车辆的障碍物识别方法和装置 | |
CN110069408A (zh) | 自动驾驶车辆感知系统测试方法及装置 | |
CN113907663B (zh) | 障碍物地图构建方法、清洁机器人及存储介质 | |
CN108509891A (zh) | 图像标注方法、装置、存储介质及电子设备 | |
US11636684B2 (en) | Behavior model of an environment sensor | |
CN111914665A (zh) | 一种人脸遮挡检测方法、装置、设备及存储介质 | |
CN111338232A (zh) | 自动驾驶仿真方法及装置 | |
CN111126154A (zh) | 路面元素的识别方法、装置、无人驾驶设备和存储介质 | |
CN109948449B (zh) | 一种信息处理方法、装置及存储介质 | |
CN116664498A (zh) | 车位检测模型的训练方法、车位检测方法、装置和设备 | |
CN114861793A (zh) | 一种信息处理方法、装置及存储介质 | |
CN115438945A (zh) | 基于电力设备巡检的风险识别方法、装置、设备及介质 | |
KR20230104592A (ko) | 센서 데이터의 주석을 다는 방법 및 시스템 | |
CN113085861A (zh) | 自动驾驶车辆的控制方法及装置、自动驾驶车辆 | |
CN111143423A (zh) | 动态场景标注数据挖掘方法、装置以及终端 | |
CN114996311A (zh) | 车辆数据的处理方法、装置、存储介质和车辆 | |
EP4338054A1 (en) | Tools for performance testing autonomous vehicle planners | |
CN117461025A (zh) | 自主车辆规划器性能测试工具 |
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 |