CN110795813A - 一种交通仿真方法及装置 - Google Patents
一种交通仿真方法及装置 Download PDFInfo
- Publication number
- CN110795813A CN110795813A CN201910748582.4A CN201910748582A CN110795813A CN 110795813 A CN110795813 A CN 110795813A CN 201910748582 A CN201910748582 A CN 201910748582A CN 110795813 A CN110795813 A CN 110795813A
- Authority
- CN
- China
- Prior art keywords
- global
- traffic
- road section
- test
- image
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明例涉及数据处理技术领域,尤其涉及一种交通仿真方法及装置,方法包括:根据交通仿真测试需求,获取与测试需求对应的测试路段的全局路段数据,全局路段数据至少包括测试路段的全局图像,全局图像是对测试路段的交通实景进行拍摄得到的图像,全局图像的拍摄范围至少包括了测试路段的全部区域;根据测试路段的全局路段数据确定全局路段数据中的交通要素;根据全局路段数据中的交通要素确定测试需求对应的全局交通仿真场景;根据确定的全局交通仿真场景进行交通仿真。通过包括全局图像的仿真数据可以准确的确定交通实景中的交通要素,该全局仿真交通场景能够更好的还原测试路段的交通实景,得到更优的仿真结果以及更好的仿真效果。
Description
技术领域
本申请实施例涉及数据处理技术领域,尤其涉及一种交通仿真方法及装置。
背景技术
随着科技的迅猛发展,计算机的功能日益强大,现实中的交通可通过计算机复现,实现交通仿真。交通仿真是智能交通运输系统的一个重要组成部分,是计算机技术在交通工程领域的一个重要应用,它可以动态地、逼真地仿真交通流和交通事故等各种交通现象,复现交通流的时空变化,深入地分析车辆、驾驶员和行人、道路以及交通的特征,有效地进行交通规划、交通组织与管理、交通能源节约与物资运输流量合理化等方面的研究。同时,交通仿真通过虚拟现实技术手段,能够非常直观地表现出路网上车辆的运行情况,对某个位置交通是否拥堵、道路是否畅通、有无出现交通事故等,在计算机上经济有效且没有风险的仿真出来。
现有技术中实现交通仿真的方案主要通过仿真软件平台,人工编辑和设置各种交通场景,构造出可能出现的场景,或者、通过仿真软件,随机动态产生障碍车辆、自动驾驶车辆和行人等交通要素生成交通场景。
但是现有技术中通过仿真软件平台,人工编辑和设置各种交通场景与真实的交通场景差距较大;通过仿真软件,随机动态产生障碍车辆、自动驾驶车辆和行人等交通要素生成交通场景虽能够大量产生各种交通场景,但由于随机性较大,与真实情况差异大。
综上所述,现有技术中不能提供一种与实际的交通路况数据的匹配度高的交通仿真方法。
发明内容
本申请实施例提供一种交通仿真方法及装置,以解决现有技术中不能提供一种与实际交通路况数据的匹配度高的交通仿真方法的问题。
一方面,本申请实施例提供了一种交通仿真方法,包括:
根据交通仿真测试需求,获取与所述测试需求对应的测试路段的全局路段数据,所述全局路段数据至少包括所述测试路段的全局图像,所述全局图像是对所述测试路段的交通实景进行拍摄得到的图像,所述全局图像的拍摄范围至少包括了所述测试路段的全部区域;
根据所述测试路段的全局路段数据确定所述全局路段数据中的交通要素;
根据所述全局路段数据中的交通要素确定所述测试需求对应的全局交通仿真场景;
根据确定的全局交通仿真场景进行交通仿真。
一方面,本申请实施例提供一种交通仿真装置,包括:
获取单元,用于根据交通仿真测试需求,获取与所述测试需求对应的测试路段的全局路段数据,所述全局路段数据至少包括所述测试路段的全局图像,所述全局图像是对所述测试路段的交通实景进行拍摄得到的图像,所述全局图像的拍摄范围至少包括了所述测试路段的全部区域;
交通要素确定单元,用于根据所述测试路段的全局路段数据确定所述全局路段数据中的交通要素;
仿真场景确定单元,用于根据所述全局路段数据中的交通要素确定所述测试需求对应的全局交通仿真场景;
仿真单元,用于根据确定的全局交通仿真场景进行交通仿真。
进一步地,所述全局图像是对所述测试路段的交通实景进行拍摄得到的图像,具体包括:
所述全局图像是至少通过设置在所述测试路段的路侧采集设备和/或航拍飞行器对所述测试路段的交通实景进行拍摄得到的。
进一步地,所述全局图像包括:对所述测试路段的交通实景进行多次连续拍摄后进行图像拼接得到的,其中拼接的图像的拍摄范围包括了所述测试路段的部分区域。
进一步地,所述获取单元具体用于:
将每次拍摄得到的图像作为子图像,并将多个子图像进行拼接,得到第一拼接图像;
若确定所述第一拼接图像的覆盖范围未能覆盖全部测试路段,则根据多个子图像进行插值计算,得到多个插值子图像;
将多个子图像以及多个插值子图像进行拼接,得到第二拼接图像,将所述第二拼接图像作为所述全局图像。
进一步地,当所述全局图像包括所述路侧采集设备拍摄得到的第一全局图像以及所述航拍飞行器拍摄得到的第二全局图像,且所述第一全局图像与所述第二全局图像之间满足:时间戳匹配、图像特征点匹配,以及地理位置属性信息匹配。
进一步地,当所述全局图像包括通过设置在所述测试路段的路侧采集设备拍摄的图像时,所述全局路段数据还包括:
所述测试路段的路侧采集设备采集的激光点云数据以及所述测试路段的路侧采集设备采集的地理位置坐标信息。
进一步地,所述交通要素确定单元具体用于:
根据所述第一全局图像确定第一交通要素;
根据所述第二全局图像确定第二交通要素;
对所述第一交通要素以及所述第二交通要素进行去重,根据去重后的交通要素作为所述全局路段数据中的交通要素。
一方面,本申请实施例还提供一种交通仿真系统,所述系统包括数据采集设备、数据处理设备以及仿真设备;
所述数据采集设备根据交通仿真测试需求,获取与所述测试需求对应的测试路段的全局路段数据,所述全局路段数据至少包括所述测试路段的全局图像,所述全局图像是对所述测试路段的交通实景进行拍摄得到的图像,所述全局图像的拍摄范围至少包括了所述测试路段的全部区域;
所述数据处理设备用于根据所述测试路段的全局路段数据确定所述全局路段数据中的交通要素;
所述仿真设备用于根据所述全局路段数据中的交通要素确定所述测试需求对应的全局交通仿真场景。
一方面,本申请实施例还提供一种计算机设备,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交通仿真方法的步骤。
一方面,本申请实施例还提供一种计算机可读存储介质,其存储有可由计算机设备执行的计算机程序,当所述程序在计算机设备上运行时,使得所述计算机设备执行交通仿真方法的步骤。
在确定了交通仿真测试需求后,需要获取仿真数据,在本申请实施例中,测试需求对应测试路段,仿真数据为该测试路段的仿真数据,且获取的仿真数据是该测试路段的全局图像,全局图像是对该测试路段的交通实景进行拍摄得到的,且全局图像的拍摄范围至少包括了测试路段的全部区域;通过包括全局图像的仿真数据可以准确的确定交通实景中的交通要素,并通过确定的各交通要素确定了测试需求对应的全局交通仿真场景,该全局仿真交通场景能够更好的还原测试路段的交通实景,并根据确定的全局交通仿真场景进行交通仿真,得到更优的仿真结果以及更好的仿真效果。与现有技术中的交通仿真的方法相比,获取的仿真数据与测试路段的真实交通数据的匹配度高,且通过全局图像来确定仿真数据能够更好更直观的获取交通要素,所以通过本申请实施例中的交通仿真方法,能够有效的提高交通仿真的效率,并且达到更好的交通仿真结果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种应用场景架构图;
图2为本申请实施例提供的一种交通仿真方法的流程示意图;
图3为本申请实施例提供的一种测试路段的全局图像示意图;
图4为本申请实施例提供的一种激光点云图像示意图;
图5为本申请实施例提供的一种交通要素的变化情况示意图;
图6为本申请实施例提供的一种交通要素运动趋势示意图;
图7为本申请实施例提供的测试路段A的全局图像示意图;
图8为本申请实施例提供的测试路段A的全局图像对应的交通仿真场景示意图;
图9为本申请实施例提供的一种测试自动驾驶的驾驶能力的交通仿真方法示意图;
图10为本申请实施例提供的测试路段B的全局图像示意图;
图11为本申请实施例提供的测试路段B的全局图像对应的交通仿真场景示意图;
图12为本申请实施例提供的一种交通仿真装置的结构示意图;
图13为本申请实施例提供的一种电子设备结构示意图;
图14为本申请实施例提供的一种交通仿真系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为便于对本申请实施例的理解,下面先对几个概念进行简单介绍:
仿真:仿真是用模型复现实际系统中发生的本质过程,并通过对系统模型的实验来研究存在或设计中的系统。
交通仿真:交通仿真指用仿真技术来研究交通行为,是一门对交通运动随时间和空间的变化进行跟踪描述的技术。其含有随机特性,可以是微观的,也可以是宏观的,并且涉及描述交通运输系统在一定期间实时运动的数学模型。
测试路段:需要进行交通仿真的路段。
全局图像:图像中包括需要进行交通仿真的路段的所有信息,例如需要进行交通仿真路段的车辆信息、行人信息以及交通设施信息等。
路测采集设备:安装在路侧,能够获取测试路段的交通数据信息的设备,例如路侧采集设备可以安装在路侧,采用DSRC(Dedicated Short Range Communication,专用短程通信技术),与测试路段的车辆进行通讯,实现车辆身份识别、电子扣分、信息采集等的装置。
航拍飞行器:指的是通过飞行等技术手段进行俯向拍摄的设备,例如无人机或者卫星设备。
在具体实践过程中,本申请的申请人发现,现有技术中通常是使用有限的采集车辆,实地采集交通路况,然后将数据上传平台二次加工后转换成仿真软件的输入数据。例如,仿真测试需求的测试路段为路段A到路段B,则通过有限的采集车辆,在从路段A驾驶到路段B,同时进行交通路况信息的采集,在行驶到路段B后,将采集的交通路况信息上传到加工平台转换为仿真软件的输入数据,然后进行交通仿真。但是现有技术中,通过有限个采集车辆进行交通路况采集时,由于采集车辆也在测试路段当中,所以采集车辆采集的测试路段的交通路况信息是不全面的,例如,当测试路段发生堵塞,采集车辆采集的路况信息中只能采集到有限视角内的各个车辆的运动信息,不能采集到所有测试路段的车辆、行人以及交通设施的信息,所以导致现有技术中采集的交通信息与实际的测试路段的交通信息的匹配度低,导致交通仿真的结果与实际测试路段的交通信息的匹配度也低。
基于上述问题,本申请的申请人构思了一种交通仿真方法,能够根据交通仿真测试需求,获取与测试需求对应的测试路段的全局路段数据,全局路段数据中至少包括对测试路段的交通实景进行拍摄得到的全局图像,通过全局图像能够迅速确定测试路段的交通信息状况,与现有技术相比,通过全局图像确定的测试路段的交通信息与实际的测试路段的交通信息的匹配度高,并且通过全局图像的方式能够同时确定全局图像拍摄范围内的所有交通信息,提高了交通仿真的效率。
本申请实施例中的交通仿真方法可以应用于如图1所示的应用场景,在该应用场景中包括数据采集设备101,服务器102以及显示设备103,其中数据采集设备101指的是可以获取测试路段的交通信息的设备,交通信息中至少包括测试路段的全局图像,数据采集设备101至少具有拍摄全局图像的功能,例如卫星设备,摄像设备以及航拍飞行器等等,数据采集设备101可以在接收到交通仿真测试指令后,开始获取测试路段的全局路段数据,也可以在接收到交通仿真测试指令前,持续获取测试路段的全局路段数据。
数据采集设备101在获取到测试路段的全局路段数据后,将全局路段数据发送给服务器102,服务器102与数据采集设备101通过无线网络连接,服务器102是一台服务器或若干台服务器组成的服务器集群或云计算中心。
服务器102在获取到数据采集设备101发送的全局路段数据后,服务器102根据全局路段数据确定了全局路段数据中的交通要素,并根据全局路段数据中的交通要素确定测试需求对应的全局交通仿真场景;根据确定的全局交通仿真场景进行交通仿真,并在显示设备103中显示交通仿真的过程与结果。
值得说明的是,本发明实施例中的架构图是为了更加清楚地说明本发明实施例中的技术方案,并不构成对本发明实施例提供的技术方案的限制,对于其它的应用场景架构和业务应用,本发明实施例提供的技术方案对于类似的问题,同样适用。
基于图1所示的应用场景图,本申请实施例提供了一种交通仿真方法,该方法的流程可以由交通仿真装置执行,如图2所示,包括以下步骤:
步骤S201,根据交通仿真测试需求,获取与所述测试需求对应的测试路段的全局路段数据,所述全局路段数据至少包括所述测试路段的全局图像,所述全局图像是对所述测试路段的交通实景进行拍摄得到的图像,所述全局图像的拍摄范围至少包括了所述测试路段的全部区域。
具体的,在本申请实施例中,交通仿真测试需求指的是需要进行交通仿真测试,交通仿真测试是对现有系统或未来系统的交通运行状况进行再现或预先把握,从而对复杂的交通现象进行解释、分析、找出问题的症结,最终对所研究的交通系统进行优化。示例性的,交通仿真测试可以进行微观交通仿真测试,例如对交通流的描述是以单个车辆为基本单元的,微观交通仿真测试能够将车辆在道路上的跟车、超车及车道变换等微观行为都能得到较真实的反映;交通仿真测试也可以是中观交通仿真测试,对交通系统的要素及行为的细节描述程度较高。例如,中观交通仿真测试对交通流的描述往往是以若干辆车构成的队列为单元的,能够描述队列在路段和节点的流入流出行为。进一步地,交通仿真测试也可以是宏观交通仿真测试以及交通规划仿真测试,宏观交通仿真测试对交通系统的要素及行为的细节描述处于一个较低的程度。例如,交通流可以通过流量、速度、密度关系等一些集聚性的宏观模型来描述。对于车辆的车道变换之类的细节行为不描述。而交通规划仿真测试基于交通规划模型,对区域内出行者的出行行为进行仿真,用以评价现状和规划的道路网络、公交线网的总体性能等。
在本申请实施例中,交通仿真测试需求可以是交通仿真测试的微观测试需求、宏观测试需求等,也可以是指交通仿真测试的地理位置要求等等。在确定了交通仿真测试需求后,获取与测试需求对应的测试路段的全局路段数据。在本申请实施例中,测试需求不同,对应的测试路段可能相同,也可能不同;例如,微观测试需求和宏观测试需求对应的测试路段相同,而不同的地理位置要求的测试需求,对应的测试路段不同。
在本申请实施例中,获取的全局路段数据至少包括了测试路段的全局图像,全局图像指的是可以包括测试路段全部交通状况信息的图像,测试路段的全部交通状况信息至少包括测试路段中的车辆信息,测试路段中的行人信息以及测试路段的交通设施信息等等,测试路段的交通设施信息又包括测试路段的信号灯,测试路段的交通指示线等,还可以包括测试路段的绿化信息以及周围建筑信息。示例性的如图3所示,图3为一种示例性的测试路段的全局图像,该全局图像中的测试路段为一个十字路口,全局图像中包括车辆信息,行人信息,交通指示线以及周围建筑信息等。
在本申请实施例中,全局图像是对测试路段的交通实景进行拍摄得到的,本申请实施例中定义的全局图像的拍摄范围至少包括了测试路段的全部区域,本申请实施例中定义的全局图像不仅只一张图像,还包括多张连续拍摄的图像合成的图像,例如,在本申请实施例中,测试路段为路段A到路段B的区域,一张图像仅能包括路段A到路段B的一部分,所以需要多张图像拼接,才能得到全局图像。
一种可选的实施例中,若多张连续拍摄的图像拼接的图像的图像范围小于测试路段的范围,则需要进行插值操作,利用多张连续拍摄的图像进行插值操作,得到插值图像,然后利用插值图像以及多张连续拍摄的图像拼接成为全局图像。
具体的,在本申请实施例中,将每次拍摄得到的图像作为子图像,并将多个子图像进行拼接,得到第一拼接图像;若确定第一拼接图像的覆盖范围未能覆盖全部测试路段,则根据多个子图像进行插值计算,得到多个插值子图像;将多个子图像以及多个插值子图像进行拼接,得到第二拼接图像,将第二拼接图像作为全局图像。
在本申请实施例中,全局图像是至少通过设置在测试路段的路侧采集设备和/或航拍飞行器对测试路段的交通实景进行拍摄得到的。路侧采集设备能够获取测试路段的交通数据信息的设备,还可以与测试路段的车辆进行通讯,实现车辆身份识别、电子扣分、信息采集等信息交互,例如路侧采集设备设置在测试路段的信号灯上,能够拍摄测试路段的全局图像,并且还能够与车辆进行通讯,获取车辆信息。航拍飞行器可以是无人机或者卫星设备,通过飞行在测试路段的上方,获取该测试路段的全局图像。
在本申请实施例中,若全局图像是通过设置在测试路段的路侧采集设备对测试路段的交通实景进行拍摄得到的,路侧采集设备还可以采集该测试路段的激光点云数据,通过激光点云数据可以采集测试路段的车辆信息、交通设备、建筑物信息以及绿化信息等,示例性的如图4所示,通过激光点云数据可以获得测试路段的建筑物信息、绿化信息、交通指示线信息以及车辆信息。
在本申请实施例中,路侧采集设备除了能够采集激光点云数据外,还可以采集地理位置坐标信息,一种可选的实施例中,路侧采集设备通过与车辆通讯获取车辆的地理位置坐标信息。
在本申请实施例中,若全局图像是通过航拍飞行器拍摄得到对测试路段的交通实景进行拍摄得到的,在获取到全局图像后,根据航拍飞行器的内外参数、航拍飞行器的姿态信息(例如俯仰角、翻滚角以及偏航角等)、航拍飞行器经纬度坐标和距地面高度等信息对全局图像进行校正配准。
在本申请实施例中,若全局图像是通过设置在测试路段的路侧采集设备以及航拍飞行器对测试路段的交通实景进行拍摄得到的,则为了保证拍摄到的图像能够进行拼接,要求路侧采集设备拍摄得到的第一全局图像以及航拍飞行器拍摄得到的第二全局图像之间满足时间戳匹配,图像特征点匹配以及地理位置属性信息匹配。具体的,路侧采集设备拍摄得到的第一全局图像的时间戳为8:00,则要求航拍飞行器拍摄得到的第二全局图像的时间戳也为8:00,即保证是同一时间获取的测试路段的全局图像,并且第一全局图像与第二全局图像需要满足图像特征点匹配,即第一全局图像上的特征点与第二全局图像上的特征点匹配,在本申请实施例中,特征点指的是具有特征意义的像素点,例如可以为十字路口的中间位置点,也可以为某辆车的位置点。进一步地,第一全局图像与第二全局图像还需要满足地理位置信息匹配,即第一全局图像与第二全局图像拍摄的测试路段的范围是一致的。
可选的,在本申请实施例中,若全局图像拍摄的频率较高,为了能够更好的使第一全局图像以及第二全局图像时间匹配的精度,可以采用毫米级的时间戳作为匹配标准,例如使用Unix时间戳,用Unix时间戳可以将2019年7月30日16:11:24第228毫秒实际表示为564474284.228。
步骤S202,根据所述测试路段的全局路段数据确定所述全局路段数据中的交通要素。
具体的,在本申请实施例中,交通要素可以分为交通对象以及交通设施,交通对象指的是参与交通的对象,例如车辆,行人等,车辆又可以分为机动车以及非机动车;交通设施指的是在测试路段中构成交通场景的设施,例如交通信息灯或者交通指示线等等。
在本申请实施例中,在获取了全局路段数据后,首先可以通过全局图像确定交通要素,一种可选的实施例中,可以通过人工判断的方式确定交通要素;另一种可选的实施例中,为了提高确定交通要素的效率以及准确性,还可以通过交通要素识别模型来确定全局图像中的交通要素。交通要素识别模型是通过交通要素训练样本进行训练得到的,交通要素训练样本至少包括交通对象训练样本以及交通设施训练样本。
一种可选的实施例中,交通要素识别模型是通过卷积神经网络以及交通要素训练样本确定的,卷积神经网络中至少包括卷积层、池化层、全连接层以及归一化层,卷积层以及池化层的数量可以根据训练深度以及训练时间进行调整。将全局图像作为输入层,输入层是整个卷积神经网络的输入,在处理图像的卷积神经网络中,输入层代表了一张图片的像素矩阵。比如,三维矩阵就可以代表一张图片。其中三维矩阵的长和宽代表了图像的大小,而三维矩阵的深度代表了图像的色彩通道。比如黑白图片的深度为1,而在RGB色彩模式下,图像的深度为3。卷积层中每一个节点的输入只是上一层神经网络的一小块,这个小块常用的大小有3×3或者5×5。卷积层试图将神经网络中的每一小块进行更加深入地分析从而得到抽象程度更高的特征。一般来说,通过卷积层处理过的节点矩阵会变得更深。池化层(不会改变三维矩阵的深度,但是它可以缩小矩阵的大小。池化操作可以认为是将一张分辨率较高的图片转化为分辨率较低的图片。通过池化层,可以进一步缩小最后全连接层中节点的个数,从而达到减少整个神经网络中参数的目的。在经过多轮卷积层和池化层的处理之后,在卷积神经网络的最后一般会是由1到2个全连接层来给出最后的分类结果。经过几轮卷积层和池化层的处理之后,可以认为图像中的信息已经被抽象成了信息含量更高的特征。可以将卷积层和池化层看成自动图像特征提取的过程。在特征提取完成之后,仍然需要使用全连接层来完成分类任务。归一化层主要用于分类问题,通过归一化层,可以得到当前样例属于不同种类的概率分布情况,也就是说属于哪种交通要素。
一种可选的实施例中,分别对路侧采集设备拍摄得到的第一全局图像以及航拍飞行器拍摄得到的第二全局图像进行交通要素的识别,即分别根据第一全局图像以及交通要素识别模型确定第一交通要素,根据第二全局图像以及交通要素识别模型确定第二交通要素。
由于第一全局图像与第二全局图像中的交通路况信息会有重叠,所以在本申请实施例中,在确定了第一交通要素以及第二交通要素后,对第一交通要素以及第二交通要素进行去重操作,将去重操作后的第一交通要素以及第二交通要素作为全局路段数据中的交通要素。
可选的,在本申请实施例中,除了第一全局图像以及第二全局图像以外,还包括激光点云数据,可以通过激光点云数据的三维重建获得第三交通要素,对第一交通要素、第二交通要素以及第三交通要素进行去重操作,将去重操作后的第一交通要素、第二交通要素以及第三交通要素作为全局路段数据中的交通要素。
例如,第一全局图像、第二全局图像以及激光点云数据覆盖的范围有重叠时,得到的交通要素也有重复,第一全局图像中有车辆A,第二全局图像中也有车辆A,激光点云数据中也有车辆A,则需要对车辆A进行去重操作,保留任一个车辆A为交通要素。
可选的,在本申请实施例中,全局路段数据还包括地理位置坐标信息,该地理位置坐标信息可以作为属性信息匹配到各交通要素中,例如,确定出的交通要素为车辆,则可以将车辆的地理位置坐标信息与车辆匹配。
步骤S203,根据所述全局路段数据中的交通要素确定所述测试需求对应的全局交通仿真场景。
在本申请实施例中,在确定了全局路段数据中的交通要素后,就可以构建全局交通仿真场景。一种可选的实施例中,若测试需求的时间较短,通过静态的全局图像就可以构建全局仿真场景,例如,测试需求为获取当前时刻的测试路段的全局路段数据,并根据该全局路段数据构建全局仿真场景,则可以通过当前时刻的路侧采集设备以及航拍飞行器获取测试路段的全局图像,并将全局图像映射为全局交通仿真场景,即全局图像中的车辆作为全局交通仿真场景中的车辆,全局图像中的行人作为全局交通仿真场景中的行人,且全局交通仿真场景中的行人与车辆的相对位置关系与全局图像中行人与车辆的相对位置关系相同。
另一种可选的实施例中,通过设定时长内的多张全局图像确定各全局图像中的交通要素,并通过各交通要素的变化情况构成设定时长内的全局交通仿真场景,该全局交通仿真场景是动态的。例如,设定时长为3分钟,全局图像每10秒钟进行一次拍摄,则在3分钟内,一共进行了18次拍摄,得到至少18张全局图像,通过18张全局图像中的各交通要素的变化情况确定动态全局交通仿真场景。具体的,在本申请实施例中,交通要素的变化情况指的是交通对象的变化情况,可以为行人的变化情况以及车辆的变化情况。如图5所示,在3分钟内,车辆A在第一次拍摄时,在测试路段的最左侧车道的第一地理位置上行驶,车辆A在第二次拍摄时,在测试路段的最左侧车道的第二地理位置上行驶,车辆A在第三次拍摄时,在测试路段的最左侧车道的第三地理位置上行驶,则可以通过第三地理位置、第二地理位置以及第一地理能够确定车辆A的行驶车速;车辆A在第四次拍摄时,在测试路段的中间车道的第四地理位置上行驶,则可以确定车辆A进行了一次变道;以此类推,可以得到车辆A在3分钟内在测试路段行驶轨迹。
在本申请实施例中,可以通过交通要素在不同时刻的地理位置信息,确定交通要素的运动趋势,该运动趋势可以为未来运动趋势以及过去运动状态,例如,如图6所示,测试路段中车辆B在全局图像上的地理位置为地理位置1,地理位置2以及地理位置3,则可以预测车辆B的未来运动趋势为地理位置4,地理位置4不在该全局图像中,也可以虚拟车辆B在过去的运动状态为地理位置5,地理位置5也不在该全局图像中。
步骤S204,根据确定的全局交通仿真场景进行交通仿真。
在本申请实施例中,在确定了全局交通仿真场景后,就可以进行交通仿真,交通仿真的应用场景有多种,例如确定交通信号等的切换时间,确定一条新修道路是否需要进行分流等等,还可以进行自动驾驶车辆的测试。具体的,在确定了全局交通仿真场景后,将全局交通仿真场景中的真实车辆替换为自动驾驶车辆,监控和评估自动驾驶车辆在仿真系统中的驾驶行为,从而达到评估自动驾驶决策、规划和控制的能力。
另一种可选的实施例中,交通仿真还可以应用于评测自动驾驶车辆能够降低交通拥堵能力,在确定了全局交通仿真场景后,将多辆真实车替换为自动驾驶车辆,对投入自动驾驶车辆的交通状况与未投入自动驾驶车辆的交通状况做比较,监测和评估自动驾驶车辆对交通状况的影响。
还有另一种可选的实施例,交通仿真应用于预测新城市交通状况,在确定了城市A的全局交通仿真场景后,将全局交通仿真场景中的车辆及障碍物等信息通过坐标转移变换等技术,迁移到城市B中运行,观察在城市B的道路条件下,是否会出现拥堵等行为,从而为城市B的规划或交通预测提供客观真实的反馈数据。
为了更好的解释本申请实施例,下面结合一种具体的实施场景描述本申实施例提供的一种交通仿真方法,在本申请实施例中,交通仿真测试需求为评测自动驾驶车辆的驾驶能力,按照交通仿真测试需求,需要确定的测试路段的交通状况应较为复杂,包括较多的行人,车辆等信息。按照交通仿真测试需求,确定了测试路段A为与测试需求对应的测试路段,确定了测试路段后,获取测试路段的全局路段数据,在本申请实施例中,通过无人机飞行覆盖测试路段获取测试路段的全局图像,全局图像的示意图为图7所示,通过全局图像以及交通要素识别模型确定了图7中的车辆、行人、交通指示线、测试路段的建筑信息以及绿化信息。
根据确定的交通要素确定了测试路段的车辆、行人以及测试路段的建筑信息以及绿化信息后,可以将全局图像映射为全局交通仿真场景,如图8所示,图8中的车辆、行人以及测试路段的建筑信息以及绿化信息与图7实际拍摄的全局图像一一对应。然后将全局交通仿真场景中的一个车辆替换为自动驾驶车辆,如图9所示,以此来评估自动驾驶决策、规划和控制的能力。
为了更好的解释本申请实施例,下面结合一种具体的实施场景描述本申实施例提供的一种交通仿真方法,在本申请实施例中,交通仿真测试需求为测试路段B在晚高峰期间的拥堵程度,按照交通仿真测试需求,需要确定的测试路段B的采集数据时间为晚7:00,获取测试路段B在的全局路段数据,在本申请实施例中,通过设置在测试路段B的路侧采集设备——全景摄像设备来获取测试路段的全局图像,全局图像的示意图为图10所示,通过全局图像以及交通要素识别模型确定了图10中的交通要素——车辆。
根据确定的交通要素确定了测试路段的车辆后,可以将全局图像映射为全局交通仿真场景,如图11所示,图11中的车辆与图10实际拍摄的全局图像中的车辆一一对应,根据图11中的车辆来确定测试路段B的拥堵情况。
基于上述实施例,参阅图12所示,本发明实施例提供一种交通仿真装置1200,包括:
获取单元1201,用于根据交通仿真测试需求,获取与所述测试需求对应的测试路段的全局路段数据,所述全局路段数据至少包括所述测试路段的全局图像,所述全局图像是对所述测试路段的交通实景进行拍摄得到的图像,所述全局图像的拍摄范围至少包括了所述测试路段的全部区域;
交通要素确定单元1202,用于根据所述测试路段的全局路段数据确定所述全局路段数据中的交通要素;
仿真场景确定单元1203,用于根据所述全局路段数据中的交通要素确定所述测试需求对应的全局交通仿真场景;
仿真单元1204,用于根据确定的全局交通仿真场景进行交通仿真。
进一步地,所述全局图像是对所述测试路段的交通实景进行拍摄得到的图像,具体包括:
所述全局图像是至少通过设置在所述测试路段的路侧采集设备和/或航拍飞行器对所述测试路段的交通实景进行拍摄得到的。
进一步地,所述全局图像包括:对所述测试路段的交通实景进行多次连续拍摄后进行图像拼接得到的,其中拼接的图像的拍摄范围包括了所述测试路段的部分区域。
进一步地,所述获取单元1201具体用于:
将每次拍摄得到的图像作为子图像,并将多个子图像进行拼接,得到第一拼接图像;
若确定所述第一拼接图像的覆盖范围未能覆盖全部测试路段,则根据多个子图像进行插值计算,得到多个插值子图像;
将多个子图像以及多个插值子图像进行拼接,得到第二拼接图像,将所述第二拼接图像作为所述全局图像。
进一步地,当所述全局图像包括所述路侧采集设备拍摄得到的第一全局图像以及所述航拍飞行器拍摄得到的第二全局图像,且所述第一全局图像与所述第二全局图像之间满足:时间戳匹配、图像特征点匹配,以及地理位置属性信息匹配。
进一步地,当所述全局图像包括通过设置在所述测试路段的路侧采集设备拍摄的图像时,所述全局路段数据还包括:
所述测试路段的路侧采集设备采集的激光点云数据以及所述测试路段的路侧采集设备采集的地理位置坐标信息。
进一步地,所述交通要素确定单元1202具体用于:
根据所述第一全局图像确定第一交通要素;
根据所述第二全局图像确定第二交通要素;
对所述第一交通要素以及所述第二交通要素进行去重,根据去重后的交通要素作为所述全局路段数据中的交通要素。
基于相同的技术构思,本申请实施例提供了一种计算机设备,如图13所示,包括至少一个处理器1301,以及与至少一个处理器连接的存储器1302,本申请实施例中不限定处理器1301与存储器1302之间的具体连接介质,图13中处理器1301和存储器1302之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
在本申请实施例中,存储器1302存储有可被至少一个处理器1301执行的指令,至少一个处理器1301通过执行存储器1302存储的指令,可以执行前述交通仿真方法中所包括的步骤。
其中,处理器1301是计算机设备的控制中心,可以利用各种接口和线路连接终端设备的各个部分,通过运行或执行存储在存储器1302内的指令以及调用存储在存储器1302内的数据,从而获得客户端地址。可选的,处理器1301可包括一个或多个处理单元,处理器1301可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1301中。在一些实施例中,处理器1301和存储器1302可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
处理器1301可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器1302作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器1302可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器1302是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器1302还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
基于相同的技术构思,本申请实施例提供了一种计算机可读存储介质,其存储有可由计算机设备执行的计算机程序,当所述程序在计算机设备上运行时,使得所述计算机设备执行交通仿真方法的步骤。
本申请实施例中的交通仿真方法可以应用于如图14所示的交通仿真系统,在该交通仿真中包括数据采集设备1401,数据处理设备1402以及仿真设备1403,在本申请实施例中,数据采集设备1401至少具有拍摄全局图像的功能,例如卫星设备,摄像设备以及航拍飞行器等等,数据采集设备1401可以在接收到交通仿真测试指令后,开始获取测试路段的全局路段数据,也可以在接收到交通仿真测试指令前,持续获取测试路段的全局路段数据。
数据采集设备1401可以通过有线网络、无线网络与数据处理设备1402之间进行交互,也可以通过数据采集设备1401的独立硬件存储设备获取全局路段数据,并通过数据处理设备1402进行处理;数据处理设备1402根据全局路段数据确定了全局路段数据中的交通要素。
仿真设备1403用于进行仿真,根据全局路段数据中的交通要素确定所述测试需求对应的全局交通仿真场景,根据确定的全局交通仿真场景进行交通仿真。
在本申请实施例中,数据采集设备1401,数据处理设备1402以及仿真设备1403可以位于同一设备内,也可以位于不同设备内,本申请实施例不做限定。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (11)
1.一种交通仿真方法,其特征在于,所述方法包括:
根据交通仿真测试需求,获取与所述测试需求对应的测试路段的全局路段数据,所述全局路段数据至少包括所述测试路段的全局图像,所述全局图像是对所述测试路段的交通实景进行拍摄得到的图像,所述全局图像的拍摄范围至少包括了所述测试路段的全部区域;
根据所述测试路段的全局路段数据确定所述全局路段数据中的交通要素;
根据所述全局路段数据中的交通要素确定所述测试需求对应的全局交通仿真场景;
根据确定的全局交通仿真场景进行交通仿真。
2.根据权利要求1所述的方法,其特征在于,所述全局图像是对所述测试路段的交通实景进行拍摄得到的图像,具体包括:
所述全局图像是至少通过设置在所述测试路段的路侧采集设备和/或航拍飞行器对所述测试路段的交通实景进行拍摄得到的。
3.根据权利要求2所述的方法,其特征在于,所述全局图像包括:对所述测试路段的交通实景进行多次连续拍摄后进行图像拼接得到的,其中拼接的图像的拍摄范围包括了所述测试路段的部分区域。
4.根据权利要求3所述的方法,其特征在于,所述全局图像是对所述测试路段的交通实景进行多次连续拍摄后进行图像拼接得到的,包括:
将每次拍摄得到的图像作为子图像,并将多个子图像进行拼接,得到第一拼接图像;
若确定所述第一拼接图像的覆盖范围未能覆盖全部测试路段,则根据多个子图像进行插值计算,得到多个插值子图像;
将多个子图像以及多个插值子图像进行拼接,得到第二拼接图像,将所述第二拼接图像作为所述全局图像。
5.根据权利要求2所述的方法,其特征在于,当所述全局图像包括所述路侧采集设备拍摄得到的第一全局图像以及所述航拍飞行器拍摄得到的第二全局图像,且所述第一全局图像与所述第二全局图像之间满足:时间戳匹配、图像特征点匹配,以及地理位置属性信息匹配。
6.根据权利要求2所述的方法,其特征在于,当所述全局图像包括通过设置在所述测试路段的路侧采集设备拍摄的图像时,所述全局路段数据还包括:
所述测试路段的路侧采集设备采集的激光点云数据以及所述测试路段的路侧采集设备采集的地理位置坐标信息。
7.根据权利要求5所述的方法,其特征在于,所述根据所述测试路段的全局路段数据确定所述全局路段数据中的交通要素,包括:
根据所述第一全局图像确定第一交通要素;
根据所述第二全局图像确定第二交通要素;
对所述第一交通要素以及所述第二交通要素进行去重,根据去重后的交通要素作为所述全局路段数据中的交通要素。
8.一种交通仿真装置,其特征在于,所述装置包括:
获取单元,用于根据交通仿真测试需求,获取与所述测试需求对应的测试路段的全局路段数据,所述全局路段数据至少包括所述测试路段的全局图像,所述全局图像是对所述测试路段的交通实景进行拍摄得到的图像,所述全局图像的拍摄范围至少包括了所述测试路段的全部区域;
交通要素确定单元,用于根据所述测试路段的全局路段数据确定所述全局路段数据中的交通要素;
仿真场景确定单元,用于根据所述全局路段数据中的交通要素确定所述测试需求对应的全局交通仿真场景;
仿真单元,用于根据确定的全局交通仿真场景进行交通仿真。
9.一种交通仿真系统,其特征在于,所述系统包括数据采集设备、数据处理设备以及仿真设备;
所述数据采集设备根据交通仿真测试需求,获取与所述测试需求对应的测试路段的全局路段数据,所述全局路段数据至少包括所述测试路段的全局图像,所述全局图像是对所述测试路段的交通实景进行拍摄得到的图像,所述全局图像的拍摄范围至少包括了所述测试路段的全部区域;
所述数据处理设备用于根据所述测试路段的全局路段数据确定所述全局路段数据中的交通要素;
所述仿真设备用于根据所述全局路段数据中的交通要素确定所述测试需求对应的全局交通仿真场景,根据确定的全局交通仿真场景进行交通仿真。
10.一种计算机设备,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,其特征在于,所述处理器执行所述程序时实现权利要求1~7任一权利要求所述方法的步骤。
11.一种计算机可读存储介质,其特征在于,其存储有可由计算机设备执行的计算机程序,当所述程序在计算机设备上运行时,使得所述计算机设备执行权利要求1~7任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910748582.4A CN110795813A (zh) | 2019-08-14 | 2019-08-14 | 一种交通仿真方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910748582.4A CN110795813A (zh) | 2019-08-14 | 2019-08-14 | 一种交通仿真方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110795813A true CN110795813A (zh) | 2020-02-14 |
Family
ID=69427024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910748582.4A Pending CN110795813A (zh) | 2019-08-14 | 2019-08-14 | 一种交通仿真方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110795813A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110995548A (zh) * | 2020-03-04 | 2020-04-10 | 杭州云动智能汽车技术有限公司 | 一种测试边界工况下v2x协议有效性的方法 |
CN111754777A (zh) * | 2020-07-10 | 2020-10-09 | 清华大学 | 无人驾驶和有人驾驶混行交通流的微观交通仿真方法 |
CN111781855A (zh) * | 2020-07-15 | 2020-10-16 | 北京领骏科技有限公司 | 一种交通在环自动驾驶仿真系统 |
CN111818322A (zh) * | 2020-03-31 | 2020-10-23 | 同济大学 | 基于虚拟现实技术的沉浸式行人交通行为实验平台及方法 |
CN112446958A (zh) * | 2020-11-13 | 2021-03-05 | 山东产研信息与人工智能融合研究院有限公司 | 基于激光点云的道路交通事故辅助处理方法及系统 |
CN112488010A (zh) * | 2020-12-05 | 2021-03-12 | 武汉中海庭数据技术有限公司 | 基于无人机点云数据的高精度目标提取方法及系统 |
CN112598819A (zh) * | 2020-12-17 | 2021-04-02 | 北京百度网讯科技有限公司 | 自动驾驶系统的测试方法、装置、电子设备及存储介质 |
CN113341935A (zh) * | 2021-06-24 | 2021-09-03 | 中国第一汽车股份有限公司 | 一种车辆测试方法、装置、测试设备、系统及存储介质 |
CN114494439A (zh) * | 2022-01-25 | 2022-05-13 | 襄阳达安汽车检测中心有限公司 | Hil仿真测试中摄像头位姿校准方法、装置、设备及介质 |
CN116311935A (zh) * | 2023-03-20 | 2023-06-23 | 冉林甫 | 一种基于大数据的智慧城市交通管理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101123722A (zh) * | 2007-09-25 | 2008-02-13 | 北京智安邦科技有限公司 | 全景视频智能监控方法和系统 |
CN103985254A (zh) * | 2014-05-29 | 2014-08-13 | 四川川大智胜软件股份有限公司 | 一种用于大场景交通监视的多视点视频融合及交通参数采集方法 |
CN105956268A (zh) * | 2016-04-29 | 2016-09-21 | 百度在线网络技术(北京)有限公司 | 应用于无人驾驶汽车的测试场景构建方法和装置 |
WO2017113818A1 (zh) * | 2015-12-31 | 2017-07-06 | 深圳市道通智能航空技术有限公司 | 一种无人机及其全景拼接方法、装置和系统 |
CN109407547A (zh) * | 2018-09-28 | 2019-03-01 | 合肥学院 | 面向全景视觉感知的多摄像头在环仿真测试方法与系统 |
CN109640032A (zh) * | 2018-04-13 | 2019-04-16 | 河北德冠隆电子科技有限公司 | 基于人工智能多要素全景监控检测五维预警系统 |
CN109902430A (zh) * | 2019-03-13 | 2019-06-18 | 上海车右智能科技有限公司 | 交通场景生成方法、装置、系统、计算机设备和存储介质 |
-
2019
- 2019-08-14 CN CN201910748582.4A patent/CN110795813A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101123722A (zh) * | 2007-09-25 | 2008-02-13 | 北京智安邦科技有限公司 | 全景视频智能监控方法和系统 |
CN103985254A (zh) * | 2014-05-29 | 2014-08-13 | 四川川大智胜软件股份有限公司 | 一种用于大场景交通监视的多视点视频融合及交通参数采集方法 |
WO2017113818A1 (zh) * | 2015-12-31 | 2017-07-06 | 深圳市道通智能航空技术有限公司 | 一种无人机及其全景拼接方法、装置和系统 |
CN105956268A (zh) * | 2016-04-29 | 2016-09-21 | 百度在线网络技术(北京)有限公司 | 应用于无人驾驶汽车的测试场景构建方法和装置 |
US20170316127A1 (en) * | 2016-04-29 | 2017-11-02 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for constructing testing scenario for driverless vehicle |
CN109640032A (zh) * | 2018-04-13 | 2019-04-16 | 河北德冠隆电子科技有限公司 | 基于人工智能多要素全景监控检测五维预警系统 |
CN109407547A (zh) * | 2018-09-28 | 2019-03-01 | 合肥学院 | 面向全景视觉感知的多摄像头在环仿真测试方法与系统 |
CN109902430A (zh) * | 2019-03-13 | 2019-06-18 | 上海车右智能科技有限公司 | 交通场景生成方法、装置、系统、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
江竹等: "基于机器学习的中观交通仿真器模型参数标定", 《系统仿真学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110995548A (zh) * | 2020-03-04 | 2020-04-10 | 杭州云动智能汽车技术有限公司 | 一种测试边界工况下v2x协议有效性的方法 |
CN111818322A (zh) * | 2020-03-31 | 2020-10-23 | 同济大学 | 基于虚拟现实技术的沉浸式行人交通行为实验平台及方法 |
CN111754777A (zh) * | 2020-07-10 | 2020-10-09 | 清华大学 | 无人驾驶和有人驾驶混行交通流的微观交通仿真方法 |
CN111781855A (zh) * | 2020-07-15 | 2020-10-16 | 北京领骏科技有限公司 | 一种交通在环自动驾驶仿真系统 |
CN111781855B (zh) * | 2020-07-15 | 2023-10-13 | 北京领骏科技有限公司 | 一种交通在环自动驾驶仿真系统 |
CN112446958B (zh) * | 2020-11-13 | 2023-07-28 | 山东产研信息与人工智能融合研究院有限公司 | 基于激光点云的道路交通事故辅助处理方法及系统 |
CN112446958A (zh) * | 2020-11-13 | 2021-03-05 | 山东产研信息与人工智能融合研究院有限公司 | 基于激光点云的道路交通事故辅助处理方法及系统 |
CN112488010A (zh) * | 2020-12-05 | 2021-03-12 | 武汉中海庭数据技术有限公司 | 基于无人机点云数据的高精度目标提取方法及系统 |
CN112598819A (zh) * | 2020-12-17 | 2021-04-02 | 北京百度网讯科技有限公司 | 自动驾驶系统的测试方法、装置、电子设备及存储介质 |
CN112598819B (zh) * | 2020-12-17 | 2022-07-01 | 北京百度网讯科技有限公司 | 自动驾驶系统的测试方法、装置、电子设备及存储介质 |
CN113341935A (zh) * | 2021-06-24 | 2021-09-03 | 中国第一汽车股份有限公司 | 一种车辆测试方法、装置、测试设备、系统及存储介质 |
CN114494439A (zh) * | 2022-01-25 | 2022-05-13 | 襄阳达安汽车检测中心有限公司 | Hil仿真测试中摄像头位姿校准方法、装置、设备及介质 |
CN114494439B (zh) * | 2022-01-25 | 2023-08-15 | 襄阳达安汽车检测中心有限公司 | Hil仿真测试中摄像头位姿校准方法、装置、设备及介质 |
CN116311935A (zh) * | 2023-03-20 | 2023-06-23 | 冉林甫 | 一种基于大数据的智慧城市交通管理方法 |
CN116311935B (zh) * | 2023-03-20 | 2024-03-15 | 湖北省规划设计研究总院有限责任公司 | 一种基于大数据的智慧城市交通管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110795813A (zh) | 一种交通仿真方法及装置 | |
CN111179585B (zh) | 自动驾驶车辆的场地测试方法及装置 | |
KR102652023B1 (ko) | 실시간 교통 정보 제공 방법 및 장치 | |
CN112015847B (zh) | 一种障碍物的轨迹预测方法、装置、存储介质及电子设备 | |
Katsamenis et al. | TraCon: A novel dataset for real-time traffic cones detection using deep learning | |
CN113343461A (zh) | 自动驾驶车辆的仿真方法、装置、电子设备及存储介质 | |
CN102509310A (zh) | 一种结合地理信息的视频追踪分析方法及系统 | |
CN106791613A (zh) | 一种基于3dgis和视频相结合的智能监控系统 | |
US20220318464A1 (en) | Machine Learning Data Augmentation for Simulation | |
Nubert et al. | Traffic density estimation using a convolutional neural network | |
CN115357006A (zh) | 基于数字孪生的智能网联汽车虚实测试方法、设备及介质 | |
CN111753634A (zh) | 交通事件检测方法和设备 | |
CN109376664A (zh) | 机器学习训练方法、装置、服务器和介质 | |
Xu et al. | Reliability of gan generated data to train and validate perception systems for autonomous vehicles | |
CN115186473A (zh) | 一种基于平行智能的场景感知建模与验证方法 | |
CN114898243A (zh) | 基于视频流的交通场景解析方法以及装置 | |
CN112765302B (zh) | 位置信息的处理方法、装置及计算机可读介质 | |
CN110874610A (zh) | 一种使用机器学习的人类驾驶行为建模系统 | |
CN111951598A (zh) | 一种车辆跟踪监测方法、装置及系统 | |
CN111179610B (zh) | 一种交通信号设备的控制方法及装置 | |
Liu et al. | A survey on autonomous driving datasets: Statistics, annotation quality, and a future outlook | |
CN113409194A (zh) | 泊车信息获取方法及装置、泊车方法及装置 | |
CN111816022A (zh) | 一种模拟场景的仿真方法、装置、存储介质以及电子设备 | |
CN113902047B (zh) | 图像元素匹配方法、装置、设备以及存储介质 | |
CN115857685A (zh) | 一种感知算法数据闭环方法及相关装置 |
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 |