CN110827326B - 模拟人车冲突场景模型生成方法、装置、设备和存储介质 - Google Patents
模拟人车冲突场景模型生成方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN110827326B CN110827326B CN201911113245.4A CN201911113245A CN110827326B CN 110827326 B CN110827326 B CN 110827326B CN 201911113245 A CN201911113245 A CN 201911113245A CN 110827326 B CN110827326 B CN 110827326B
- Authority
- CN
- China
- Prior art keywords
- track
- walking
- simulated
- running
- vehicle
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
-
- 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模拟人车冲突场景模型生成方法、装置、设备和存储介质。所述方法包括:获取目标模拟对象的初始行走轨迹,基于采集的行人样本轨迹模拟目标模拟对象的行走参数,其中,所述行走参数为行走速度或行走方向;基于初始行走轨迹和模拟的行走参数确定目标模拟对象在模拟人车冲突场景中的模拟行走轨迹;于至少一个真实人车冲突场景中,提取确定至少一个测试车行驶轨迹,基于至少一个测试车行驶轨迹和目标模拟对象的模拟行走轨迹确定测试车在模拟人车冲突场景中的模拟行驶轨迹;基于目标模拟对象的模拟行走轨迹和所述模拟行驶轨迹,生成模拟人车冲突场景。以实现真实地反应出城市交通里人车冲突的场景。
Description
技术领域
本发明实施例涉及交通管理技术,尤其涉及一种模拟人车冲突场景模型方法、装置、设备和存储介质。
背景技术
随着自动驾驶技术的迅猛发展,在日常城市交通中,人车冲突一直以来都是各项交通冲突研究的重点和难点。由于行人运动具有高度的随机性,在人车冲突形成时,自动驾驶汽车需要能够估计行人的意图和轨迹,从而采取适当的措施,避免事故发生,因此,在自动驾驶算法的开发和验证阶段,提供大量且有意义的虚拟人车冲突场景具有重大意义。
目前,在人车冲突场景构建中,对于行人轨迹的建模,基于简单的物理假设模型,一种是在仿真实验前,人为设计好运动轨迹,在仿真阶段行人只能遵循此预定义的轨迹移动;另一种是,只是预定义行人的初始位置,朝向,并假定好行人的运动速度和遵循的物理模型。基于真实轨迹的简单统计模型,从国际公开发布的数据集,或是自家采集、标注整理得到的数据集来获得大量真实行人轨迹,然后对某一时间段内,对该时间段内的速度,统计其速度平均值及该时间段内的行人的某一行走方向,根据平均值及该时间段内的行人的某一行走方向,进行建模。对于测试车的初始状态通常采用自定义测试车的初始状态的方式,进行模拟人车冲突场景。
应用上述方法模拟的人车冲突场景,由于在应用基于简单的物理假设模型进行行人轨迹的确定时,无法反应出真实城市交通里行人的运动特点,基于真实轨迹的简单统计模型进行行人轨迹的确定,虽然取材于真实行人轨迹,并能产生出巨量的测试样本,但对行人轨迹本身的速度和方向未能深入的提取和描述,且采用自定义测试车的初始状态的方式,使人车冲突场景过于局限,无法真实地反应出城市交通里人车冲突的情况,无法迁移推广到更多的应用场景。
发明内容
本发明实施例提供一种模拟人车冲突场景模型方法、装置、设备和存储介质,以实现真实地反应出城市交通里人车冲突的场景。
第一方面,本发明实施例提供了一种模拟人车冲突场景模型生成方法,该方法包括:
获取目标模拟对象的初始行走轨迹,基于采集的行人样本轨迹模拟所述目标模拟对象的行走参数,其中,所述行走参数为行走速度或行走方向;
基于所述初始行走轨迹和模拟的行走参数确定所述目标模拟对象在模拟人车冲突场景中的模拟行走轨迹;
于至少一个真实人车冲突场景中,提取确定至少一个测试车行驶轨迹,基于所述至少一个测试车行驶轨迹和所述目标模拟对象的所述模拟行走轨迹确定所述测试车在模拟人车冲突场景中的模拟行驶轨迹;
基于所述目标模拟对象的所述模拟行走轨迹和所述模拟行驶轨迹,生成所述模拟人车冲突场景。
第二方面,本发明实施例还提供了一种模拟人车冲突场景模型生成装置,该装置包括:
目标模拟对象行走参数模拟模块,用于获取目标模拟对象的初始行走轨迹,基于采集的行人样本轨迹模拟所述目标模拟对象的行走参数,其中,所述行走参数为行走速度或行走方向;
目标模拟对象模拟行走轨迹确定模块,用于基于所述初始行走轨迹和模拟的行走参数确定所述目标模拟对象在模拟人车冲突场景中的模拟行走轨迹;
测试车模拟行驶轨迹确定模块,用于于至少一个真实人车冲突场景中,提取确定至少一个测试车行驶轨迹,基于所述至少一个测试车行驶轨迹和所述目标模拟对象的所述模拟行走轨迹确定所述测试车在模拟人车冲突场景中的模拟行驶轨迹;
模拟人车冲突场景生成模块,用于基于所述目标模拟对象的所述模拟行走轨迹和所述模拟行驶轨迹,生成所述模拟人车冲突场景。
第三方面,本发明实施例还提供了一种设备,该设备包括:
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本发明实施例中任一所述的一种模拟人车冲突场景模型生成方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,其中,计算机可执行指令在由计算机处理器执行时用于实现本发明实施例中任一所述的一种模拟人车冲突场景模型生成方法。
本发明通过获取目标模拟对象的初始行走轨迹,基于对布置在城市各处的路侧固定摄像头采集的交通视频中的目标对象进行跟踪获取行人样本轨迹,基于行人样本轨迹模拟目标模拟对象的行走速度或行走方向;基于初始行走轨迹和模拟的行走参数确定目标模拟对象在模拟人车冲突场景中的模拟行走轨迹;于至少一个真实人车冲突场景中,提取确定至少一个测试车行驶轨迹,基于至少一个测试车行驶轨迹和目标模拟对象的模拟行走轨迹确定测试车在模拟人车冲突场景中的模拟行驶轨迹;基于目标模拟对象的模拟行走轨迹和模拟行驶轨迹,生成模拟人车冲突场景,以实现真实地反应出城市交通里人车冲突的场景的效果。
附图说明
图1是本发明实施例一中的一种模拟人车冲突场景模型生成方法的流程图;
图2是本发明实施例二中的一种模拟人车冲突场景模型生成方法的流程图;
图3是本发明实施例三中的一种模拟人车冲突场景模型生成方法的流程图;
图4是本发明实施例四中的一种模拟人车冲突场景模型生成方法的流程图;
图5是本发明实施例五中的一种模拟人车冲突场景模型生成装置的结构示意图;
图6是本发明实施例六中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一种模拟人车冲突场景模型生成方法的流程图,本实施例可适用于模拟人车冲突场景的情况,该方法可以由模拟人车冲突场景模型生成装置来执行,该可以模拟人车冲突场景模型生成装置由软件和/或硬件来实现,具体包括如下步骤:
S110、获取目标模拟对象的初始行走轨迹,基于采集的行人样本轨迹模拟所述目标模拟对象的行走参数,其中,所述行走参数为行走速度或行走方向。
其中,行人样本轨迹为基于对布置在城市各处的路侧固定摄像头采集的交通视频中的目标对象进行跟踪获取的。
示例性的,目标模拟对象是从采集的交通视频中的目标对象选取的,确定目标模拟对象后,目标模拟对象在交通视频中的行走轨迹为目标模拟对象的初始行走轨迹。基于采集的行人样本轨迹,模拟目标模拟对象的行走速度和行走方向,具体的,通过对采集的交通视频中的行人真实历史行走轨迹进行学习,得到的目标模拟对象的模拟行走速度和模拟行走方向。
在上述技术方案中,获取目标模拟对象的初始行走轨迹,基于采集的行人样本轨迹模拟所述目标模拟对象的行走参数,其中,所述行走参数为行走速度或行走方向,这样设置的好处在于,由于行人样本轨迹是在交通视频中真实采集获取的,目标模拟对象的行走速度或行走方向也是基于现实中真实行人的行走速度和行走方向确定的,而不是自定义的行走速度和行走方向,因此可真实的反映出真实城市交通里行人的运动特点,提高了人车冲突场景模拟的真实性。
在上述技术方案的基础上,该方法还包括:对行人样本轨迹进行预处理,其中,所述预处理包括剔除跟踪错误和跟踪间歇性丢失的行人样本轨迹。
其中,对摄像头采集的交通视频中,确定一个跟踪目标,在交通视频中进行跟踪,以得到在交通视频中该跟踪目标的行人样本轨迹。跟踪错误的行人样本轨迹为由于跟踪目标错误、中断等问题导致的行人样本轨迹错误,示例性的,跟踪错误可以是在交通视频中,两个行人的行走轨迹重叠后,行人在分开后,对跟踪目标识别错误,导致在后续跟踪过程中识别的行人轨迹不属于原跟踪对象导致的跟踪错误的情况,例如,在交通视频中,确定了A和B两个跟踪目标,在跟踪过程中发现,某一市场路口,A和B重叠,在该市场分开后,A和B两个跟踪目标发生错乱,则后续跟踪中就把跟踪目标A和B进行了交换。
跟踪间歇性丢失的行人样本轨迹是部分轨迹丢失的样本轨迹,示例性的,在交通视频中,对跟踪目标跟踪过程中,某一地方没有摄像头或者摄像头被障碍物遮挡,这样在这一时段内,无法确定跟踪目标在交通视频中的行走轨迹,例如,在交通视频中,确定了A跟踪目标,在跟踪过程中,在某一市场路口,这里没有摄像头或者摄像头被建筑物遮挡,无法采集到A在市场路口的行走轨迹,则A在这个市场路口的行走轨迹丢失。
在上述技术方案中,对行人样本轨迹进行预处理,这样设置的好处在于,将采集的行人样本轨迹中跟踪错误和跟踪间歇性丢失的行人样本轨迹剔除,保证了目标模拟对象的初始行走轨迹的完整性,以确保模拟目标模拟对象的行走参数的准确性。
S120、基于所述初始行走轨迹和模拟的行走参数确定所述目标模拟对象在模拟人车冲突场景中的模拟行走轨迹。
其中,通过模拟得到的至少一个行走参数替换初始行走轨迹中的对应行走参数,可得到目标模拟对象在模拟人车冲突场景中的模拟行走轨迹。其中,初始行走轨迹中被替换的行走参数可以是行走方向和行走速度中的至少一项。
可选的,根据所述初始行走轨迹中的初始行走速度和模拟行走方向确定所述模拟行走轨迹;或者,根据所述初始行走轨迹中的初始行走方向和模拟行走速度确定所述模拟行走轨迹。
示例性的,初始行走速度是目标模拟对象的初始行走轨迹中目标模拟对象的真实行走速度,根据目标模拟对象的初始行走速度和模拟行走方向确定目标模拟对象的模拟行走轨迹,其中,模拟行走轨迹为目标模拟对象基于真实行走速度沿模拟行走方向进行运动得到。
示例性的,初始行走方向是根据目标模拟对象的初始行走轨迹中目标模拟对象的真实行走方向,根据目标模拟对象的初始行走方向和模拟行走速度确定目标模拟对象的模拟行走轨迹,其中,模拟行走轨迹为目标模拟对象基于模拟行走速度沿真实行走方向进行运动得到。
在上述技术方案的基础上,通过模拟得到的模拟行走速度替换初始行走轨迹中的初始行走速度,或者基于模拟得到的模拟行走方向替换初始行走轨迹中的初始行走方向,可确定模拟行走轨迹,这样设置的好处在于,保留目标模拟对象的部分真实行走参数,并学习大量行人的行走参数,提供了更多的人车冲突场景模拟的模拟情况,丰富了模拟人车冲突场景模型,以使的模拟行走轨迹可保留其真实性,且反映大量行人的行走趋势,提高了模拟人车冲突场景模型的有效性。
S130、于至少一个真实人车冲突场景中,提取确定至少一个测试车行驶轨迹,基于所述至少一个测试车行驶轨迹和所述目标模拟对象的所述模拟行走轨迹确定所述测试车在模拟人车冲突场景中的模拟行驶轨迹。
示例性的,从真实人车冲突场景中,提取并确定至少一个测试车的行驶轨迹,根据已经确定的目标模拟对象的模拟行走轨迹,以及从真实人车冲突场景中获取的测试车的行驶轨迹,将目标模拟对象的模拟行走轨迹和测试车行驶轨迹进行人车碰撞模拟,根据模拟结果,对模拟结果进行筛选,最终确定出测试车在模拟人车冲突场景中的模拟行驶轨迹。
需要说明的是,确定的测试车的模拟人车冲突场景中的模拟行驶轨迹中的测试车的数量可以为一个,也可以给多个,增大测试车数量可为模拟人车冲突场景模型提供更多的测试车的样本数量,丰富模拟人车冲突场景模型。
在上述技术方案的基础上,于至少一个真实人车冲突场景中,提取确定至少一个测试车行驶轨迹,这样设置的好处在于,从真实人车冲突场景中,提取确定测试车的行驶轨迹,确保了在模拟人车冲突场景模型中测试车的行驶轨迹的真实性,能够很好的反映出真实城市中发生人车冲突时车辆的行驶轨迹。
在上述技术方案的基础上,基于所述至少一个测试车行驶轨迹和所述目标模拟对象的所述模拟行走轨迹确定所述测试车在模拟人车冲突场景中的模拟行驶轨迹,这样设置的好处在于,根据已经确定的目标模拟对象的模拟行走轨迹,以及从真实人车冲突场景中获取的测试车的行驶轨迹,将目标模拟对象的模拟行走轨迹和测试车行驶轨迹进行人车碰撞模拟,通过模拟结果,对模拟结果进行筛选,最终确定出测试车在模拟人车冲突场景中的模拟行驶轨迹,以使的模拟行驶轨迹可保留其真实性,保留在模拟人车冲突场景模型中测试车的行驶轨迹的真实性,能够很好的反映出真实城市中发生人车冲突时车辆的行驶轨迹。最终确定出的测试车在模拟人车冲突场景中的模拟行驶轨迹的真实性,真实地反映了真实城市中发生人车冲突时车辆的行驶轨迹。
S140、基于所述目标模拟对象的所述模拟行走轨迹和所述模拟行驶轨迹,生成所述模拟人车冲突场景。
示例性的,根据之前确定的目标模拟对象的模拟行走轨迹和测试车的模拟行驶轨迹,在模拟人车冲突场景模型中,对其进行模拟,即可自动生成人车冲突场景模拟。
在上述技术方案的基础上,基于所述目标模拟对象的所述模拟行走轨迹和所述模拟行驶轨迹,生成所述模拟人车冲突场景,这样设置的好处在于,通过确定的目标模拟对象的模拟行走轨迹和测试车的模拟行驶轨迹,在模拟人车冲突场景模型中即可自动生成人车冲突场景模拟,真实的反映了真实城市中的人车冲突场景,可直观形象的反映出真实城市中的人车冲突场景的发生过程。
本实施例的技术方案,通过获取目标模拟对象的初始行走轨迹,基于对布置在城市各处的路侧固定摄像头采集的交通视频中的目标对象进行跟踪获取行人样本轨迹,基于行人样本轨迹模拟目标模拟对象的行走速度或行走方向;基于初始行走轨迹和模拟的行走参数确定目标模拟对象在模拟人车冲突场景中的模拟行走轨迹;在至少一个真实人车冲突场景中,提取确定至少一个测试车行驶轨迹,基于至少一个测试车行驶轨迹和目标模拟对象的模拟行走轨迹确定测试车在模拟人车冲突场景中的模拟行驶轨迹;基于目标模拟对象的模拟行走轨迹和模拟行驶轨迹,生成模拟人车冲突场景,以使得模拟行走轨迹可保留其真实性,且反映大量行人的行走趋势,筛选能够与模拟目标对象的模拟行走轨迹发生人车碰撞的测试车的行驶轨迹,以实现真实地反应出城市交通里人车冲突的场景,提高了模拟人车冲突场景模型的真实性、可靠性和有效性。
实施例二
图2为本发明实施例一提供的一种模拟人车冲突场景模型生成方法的流程图,本发明实施例二是在上述实施例的基础上,针对步骤110中基于采集的行人样本轨迹模拟所述目标模拟对象的行走参数,进一步进行细化,具体步骤包括:
S210、获取目标模拟对象的初始行走轨迹,基于采集的行人样本轨迹,对行人样本轨迹进行聚类处理,根据聚类处理结果学习行人的行走参数,其中,所述行走参数为行走速度和行走方向。
可选的,聚类处理包括空间位置聚类和速度聚类。其中,空间位置聚类是对预处理后的行人样本轨迹中行人行走的方向按方向类别进行聚类;速度聚类是对预处理后行人样本轨迹中行人行走的速度按速度的值进行聚类。例如,在行人样本轨迹中行人在某一位置时下一时刻的位置在前一位置的正前、正左和正右等正方向,也有在前一位置的左前、左后、右前和右后等倾斜位置的,按行走位置的不同,将空间位置分为正前、正左、正右、左前、左后、右前和右后等不同的空间位置的聚类,得到空间位置聚类结果;在采集的行人样本轨迹中行人在一段距离内是步行还是跑步,其中,步行可以是匀速步行或加速步行,跑步可以是匀速跑步还是加速跑步,根据行走速度的不同,则在下一时刻的速度可能与当期时刻的速度不同,将速度分为不同的速度值等不同的聚类,得到速度聚类结果。其中,行人的速度可以是对行人样本轨迹中的空间坐标值对时间求导,得到行人样本轨迹中的瞬时速度序列,可选的,对瞬时速度序列进行滤波处理,以得到平滑的瞬时速度序列。
在上述技术方案的基础上,基于采集的行人样本轨迹,对行人样本轨迹进行聚类处理,这样设置的好处在于,对行人的空间位置和速度分别进行聚类,根据聚类结果可知道行人在行走过程中对空间位置和速度的倾向,为后面模拟目标模拟对象的行走参数提供数据支撑,保证了目标模拟对象的行走参数的准确性。
S220、在网格化的预设区域中,基于对行人样本轨迹的聚类结果和目标模拟对象的初始行走轨迹,模拟目标模拟对象的行走参数,其中,预设区域为发生人车冲突的空间区域,将该预设区域划分为M×N的网格区域,其中,M和N分别为大于等于2的正整数。其中,预设区域的网络划分方向可以是沿道路方向和道路垂直方向,M和N可根据模拟精度设置。
示例性的,设置一个M×N的网格区域,该网格区域为发生人车冲突的空间区域,例如,该网格区域可以是在人行横道上与机动车发生人车冲突的区域,以在水平面中,人行横道的方向为纵向方向,机动车行驶方向为横向方向为例,这样网格区域的大小为5*3m,其中,5m为双道机动车道的宽度,3m为人行横道的宽度。将设置的网格区域进行坐标标定,即可确定行人和机动车在网格区域内的位置,例如,将5*3m的网格区域的左下角的小网格的左下角的顶点作为原点,人行横道方向为Y轴方向,机动车行驶方向为X轴方向,每一个小网格可以为边长为1cm的正方形,以此来进行行人和机动车在网格区域内的位置坐标。
在上述技术方案的基础上,设置网格化的预设区域的好处在于,可以根据设置的网格化的预设区域,确定目标模拟对象在发生人车冲突区域中的位置,确保真实的反映出发生人车冲突的位置,便于对行人和机动车的轨迹进行精确模拟。
S230、基于所述初始行走轨迹和模拟的行走参数确定所述目标模拟对象在模拟人车冲突场景中的模拟行走轨迹。
S240、于至少一个真实人车冲突场景中,提取确定至少一个测试车行驶轨迹,基于所述至少一个测试车行驶轨迹和所述目标模拟对象的所述模拟行走轨迹确定所述测试车在模拟人车冲突场景中的模拟行驶轨迹。
S250、基于所述目标模拟对象的所述模拟行走轨迹和所述模拟行驶轨迹,生成所述模拟人车冲突场景。
本实施例的技术方案,通过对行人样本轨迹进行空间位置聚类和速度聚类处理,并设置网格化的预设区域,基于对行人样本轨迹的聚类结果和目标模拟对象的初始行走轨迹,模拟目标模拟对象的行走参数,以使得根据聚类结果可知道行人在行走过程中对空间位置和速度的倾向,为后面模拟目标模拟对象的行走参数提供数据支撑,保证了目标模拟对象的行走参数的准确性。并且可通过设置的网格化的预设区域,确定目标模拟对象在发生人车冲突区域中的位置,确保真实的反映出发生人车冲突的位置,便于对行人和机动车的轨迹进行精确模拟。以实现真实地反应出城市交通里人车冲突的场景,提高了模拟人车冲突场景模型的真实性、可靠性和有效性。
实施例三
图3为本发明实施例一提供的一种模拟人车冲突场景模型生成方法的流程图,本发明实施例三是在上述实施例的基础上,针对步骤112中在网格化的预设区域中,基于对行人样本轨迹的聚类结果和目标模拟对象的初始行走轨迹,模拟目标模拟对象的行走参数,进一步进行细化,具体步骤包括:
S310、获取目标模拟对象的初始行走轨迹,基于采集的行人样本轨迹,对行人样本轨迹进行聚类处理,根据聚类处理结果学习行人的行走参数,其中,所述行走参数为行走速度和行走方向。
S320、在网格化的预设区域中确定目标模拟对象的初始行走轨迹中的初始位置;基于目标模拟对象的初始行走轨迹中的当前位置,依据空间位置聚类结果,将各轨迹点投射到所述网格化的预设区域内,对网格化的预设区域内的方向类别进行分布统计,确定各个方向的概率密度大小,确定当前位置的下一位置的行走方向。
示例性的,目标模拟对象的初始行走轨迹中的初始位置是其最初出现在划分的网格化的预设区域里的网格位置,然后每一次推断下一时刻行走方向时,将基于目标模拟对象的当前位置,判断其所处的网格,再在网格内部,按正前、正左、正右、左前、左后、右前和右后划分方向变量,按照这些方向变量在网格里的出现频数来计算方向的分布规律。也即是说,得到各个方向在当前网格化的预设区域里的概率大小(即空间位置分布统计结果),它将作为在推断下一时刻速度方向时,随机采样所遵循的分布规律。例如,目标模拟对象A最开始出现在设置的网格区域的位置为(2,3),那目标模拟对象A的初始位置即为(2,3),在空间位置分布统计结果中,在初始位置后向下一位置行走中,当前网格里各个方向的统计结果可能为:正前方向的概率为50%,正左方向的概率为20%,左前方向的概率为10%,右前方向的概率为20%,具体在仿真模拟对下一时刻的状态进行推断时,将按照上述概率分布进行一次随机采样。如果随机采样的结果是正左方向,那么目标模拟对象A在当前位置的下一位置的行走方向即为正左方向,目标模拟对象A的模拟行走方向即为从当前位置向正左方向行走。以此类推,按时间步骤连续进行多次采样,便可得到目标模拟对象A在模拟行走轨迹中的连续行走方向情况。
在上述技术方案的基础上,通过空间位置分布统计结果确定目标模拟对象的模拟行走方向,这样设置的好处在于,通过空间位置聚类中大多数行人的在上一时刻的位置的基础上,通过随机采样,得到下一位置的行走方向,进而确定目标模拟对象的模拟行走方向,这里不是简单按照把空间位置分布统计结果中概率最大的结果作为目标模拟对象的模拟行走方向,而是在每次模拟时,通过在空间位置分布统计结果中进行随机采样,这样对于当次模拟,目标模拟对象的模拟行走方向都与其他次仿真模拟时的模拟行走方向并不会一致,这真实地反映了真实城市交通里目标模拟对象行走方向的多模态特性和随机性,提高了人车冲突场景的仿真模拟的逼真程度。
S330、在网格化的预设区域中确定目标模拟对象的初始行走轨迹中的初始位置处的初始速度;根据速度聚类结果,将速度聚类结果中的各速度进行速度区间等级划分,确定相邻速度区间的转移概率,确定所述目标模拟对象的初始行走轨迹中的当前行走速度的下一时刻的行走速度。
示例性的,确定相邻速度区间的转移概率中的相邻是指时间上的相邻,由目标模拟对象在网格化的预设区域中的初始位置和初始位置处的初始速度开始,向下一时刻的速度进行推断。基于目标模拟对象的初始行走轨迹中的当前位置的当前速度,根据速度聚类结果中的速度区间等级划分结果,对相邻区间的转移分布进行统计。如,速度可按1千米/时的区间从0到10对目标模拟对象速度(包括步行和慢跑)进行划分。具体的,对于3千米/时,可以统计其在接下来时刻出现各个速度等级的频率,得到由3千米/时这个速度等级在推断下一时刻速度时的转移规律。同理可以统计出由其它各个速度等级(0,1,2,…)向下一时刻转移的分布规律。有此所有速度的转移分布,便可在任意时刻随机采样出下一时刻的行走速度大小。不断执行采样的操作,根据当前时刻和下一时刻的行走速度得到目标模拟对象的模拟行走速度在整个模拟行走轨迹中的连续变化情况。例如,目标模拟对象A最开始出现在设置的网格区域的(2,3)位置时的初始速度为3千米/时,在速度区间等级划分结果中,在速度为3千米/时的速度值的下一个速度中,速度仍为3千米/时的概率为50%,速度为4千米/时的概率为20%,速度为2千米/时的概率为10%,速度为5千米/时的概率为20%。此时,按照上述转移规律,对下一时刻的速度进行一次随机采样,假如随机采样的结果是4千米/时,那么目标模拟对象A的当前时刻的速度的下一时刻的模拟行走速度即为4千米/时。以此类推,不断按照上述步骤进行随机时间采样,可生成目标模拟对象A在各时刻的模拟行走速度。
在上述技术方案的基础上,通过速度区间等级划分结果确定目标模拟对象的模拟行走速度,这样设置的好处在于,通过速度聚类中大多数行人的在上一时刻的位置和速度的基础上,通过随机采样,得到下一位置的行走速度,这里不是简单按照在速度区间等级划分结果中速度转移分布中概率最大的结果作为目标模拟对象的模拟行走速度,而是在每次模拟时,通过速度转移分布规律进行随机采样,这样对于当次模拟,目标模拟对象的模拟行走速度与其它次仿真模拟时的模拟行走速度情况并不会一致,这充分地反映了真实城市交通里模拟对象行走速度的多模态特性和随机性,提高了人车冲突场景仿真模拟的逼真程度。
S340、基于所述初始行走轨迹和模拟的行走参数确定所述目标模拟对象在模拟人车冲突场景中的模拟行走轨迹。
S350、于至少一个真实人车冲突场景中,提取确定至少一个测试车行驶轨迹,基于所述至少一个测试车行驶轨迹和所述目标模拟对象的所述模拟行走轨迹确定所述测试车在模拟人车冲突场景中的模拟行驶轨迹。
S360、基于所述目标模拟对象的所述模拟行走轨迹和所述模拟行驶轨迹,生成所述模拟人车冲突场景。
本实施例的技术方案,通过空间位置聚类和速度聚类结果确定目标模拟对象的模拟行走参数,通过随机采样,以使得根据聚类结果可知道行人在行走过程中的空间位置和速度,确定目标模拟对象在网格区域中各位置的模拟行走方向和模拟行走速度,为后面模拟目标模拟对象的模拟行走轨迹提供数据支撑,保证了目标模拟对象的模拟行走轨迹的准确性,这里不是仅依据在空间位置聚类结果和速度聚类结果中概率密度值最大的结果作为目标模拟对象的模拟行走方向和模拟行走速度,而是在每次模拟时,通过空间位置聚类结果和速度聚类结果中进行随机采样,这样当前模拟时,目标模拟对象的模拟行走方向和模拟行走速度都与其他仿真模拟时的目标模拟对象的模拟行走方向和模拟行走速度不完全一致,真实的反映了真实城市交通里目标模拟对象的模拟行走轨迹,提高了人车冲突场景的模拟结果的准确度。
实施例四
图4为本发明实施例一提供的一种模拟人车冲突场景模型生成方法的流程图,本发明实施例四是在上述实施例的基础上,针对步骤130进行进一步细化,具体步骤包括:
S410、获取目标模拟对象的初始行走轨迹,基于采集的行人样本轨迹,对行人样本轨迹进行聚类处理,根据聚类处理结果学习行人的行走参数,其中,所述行走参数为行走速度和行走方向。
S420、在网格化的预设区域中确定所述目标模拟对象的初始行走轨迹的初始位置;基于目标模拟对象的初始行走轨迹中的当前位置,依据空间位置聚类结果,将各轨迹点投射到所述网格化的预设区域内,对网格化的预设区域内的方向类别进行分布统计,确定各个方向的概率密度大小,确定当前位置的下一位置的行走方向。
S430、在网格化的预设区域中确定所述目标模拟对象的初始行走轨迹中的初始位置处的初始速度;根据速度聚类结果,将速度聚类结果中的各速度进行速度区间等级划分,确定相邻速度区间的转移概率,确定所述目标模拟对象的初始行走轨迹中的当前行走速度的下一时刻的行走速度;根据所述当前行走速度和所述当前行走速度的下一时刻的行走速度确定所述目标模拟对象的模拟行走速度。
S440、基于所述初始行走轨迹和模拟的行走参数确定所述目标模拟对象在模拟人车冲突场景中的模拟行走轨迹。
S450、于至少一个真实人车冲突场景中,基于指定规模数量的行驶轨迹和目标模拟对象的模拟行走轨迹进行人车碰撞模拟,确定模拟结果,其中每一个行驶轨迹对应一组行驶参数,行驶参数包括测试车行驶轨迹中的行驶距离和行驶速度。
S460、基于所述模拟结果对所述指定数量的行驶轨迹进行筛选。
S470、根据筛选出的行驶轨迹的行驶参数模拟新的行驶轨迹,并基于筛选出的行驶轨迹和所述新的行驶轨迹进行迭代的人车碰撞模拟,直到模拟结果达到预设条件或者满足预设模拟次数。
示例性的,从真实人车冲突场景中,提取指定数量的测试车的行驶轨迹,这里的指定数量可以根据模拟的需要,自行决定,例如,可以是10个、也可以是20个等等,其中,每一条行驶轨迹都有一组对应的行驶距离和行驶速度的行驶参数,将选取一定数量的测试车行驶轨迹和目标模拟对象的模拟行走轨迹进行人车碰撞模拟,得到模拟结果,根据模拟的结果,对测试车的行驶轨迹按一定规则进行筛选,根据筛选出的行驶轨迹的行驶参数和更新规则,模拟新的行驶轨迹,按先前的指定数量进行补齐,例如,从真实人车冲突场景中,提取确定了10个测试车行驶轨迹,即提取确定了10组行驶参数,通过筛选后,保留了8组,淘汰了2组,那么根据筛选出的8组行驶轨迹的行驶参数和更新规则,模拟2组新的行驶轨迹,保证进行模拟的测试车行驶轨迹维持10组,基于筛选出的行驶轨迹和新的行驶轨迹进行重复迭代的人车碰撞模拟,直到模拟结果达到预设条件或者满足预设模拟次数为止,这里的预设条件可以是模拟的测试车与行人发生人车碰撞的次数达到预定的次数,例如,预设条件为在100测模拟中发生人车碰撞的次数为80次,若在模拟时,有一组测试测行驶轨迹在100次的模拟人车碰撞时,发生人车碰撞的次数达到了80次,那么模拟终止;这里的预设模拟次数是预设一个模拟的次数,当模拟次数达到预设模拟次数时,模拟终止,例如,预设模拟测试为300次,当模拟测试达到300次的时候,模拟终止。然后按筛选规则,筛选出一个或多个测试车的行驶轨迹作为模拟行驶轨迹。
在上述技术方案的基础上,基于人车碰撞模拟得到的模拟结果对行驶轨迹进行筛选,并更新行驶轨迹,这样设置的好处在于,通过模拟结果将符合要求的行驶轨迹保留,根据保留的行驶轨迹的行驶参数模拟新的行驶轨迹,将保留的行驶轨迹和新的行驶轨迹进行迭代的人车碰撞模拟,选出符合要求的至少一个测试车行驶轨迹,保证最终得到行驶轨迹为有效的模拟行驶轨迹,以便提高模拟人车冲突场景的有效性,通过学习提高自动驾驶车辆的对人车碰撞的处理能力,避免人车碰撞情况的发生,保证人民的生命安全。
可选的,基于模拟结果对行驶轨迹进行筛选,可以是筛选得到发生人车碰撞的时间范围小于预设时间范围的行驶轨迹,和/或,筛选得到在预设时间范围内发生人车碰撞的次数大于预设次数的行驶轨迹。
示例性的,可以是根据测试车行驶轨迹中发生人车碰撞的时间范围与预设时间范围的比较,和/或,测试车在预设时间范围内发生人车碰撞的次数与预设次数的比较来进行筛选,得到发生人车碰撞的时间范围小于预设时间范围的行驶轨迹,和/或,得到在预设时间范围内发生人车碰撞的次数大于预设次数的行驶轨迹,这里的发生人车碰撞的时间范围是在一定范围时间内,可能会发生人车碰撞,预设时间范围可以是根据发生人车碰撞的时间范围进行预先设置的,例如,在模拟人车碰撞过程中,可能没有发生人车碰撞,但是在一定时间范围内,可能该模拟结果就会改变,即就会发生人车碰撞,所以可以预先设置一个预设时间范围,在预设时间范围之内的发生人车碰撞的测试车行驶轨迹被保留,未在预设时间范围之内的发生人车碰撞的测试车行驶轨迹被淘汰,比如,预设设置了一个预设时间范围0-60秒,在模拟人车碰撞过程中,测试车和行人未发生人车碰撞,但是在0-60秒内,可能测试车和行人就会发生人车碰撞,那么在未发生人车碰撞后的0-60秒之内发生人车碰撞的测试车行驶轨迹被保留,未在0-60秒之内的发生人车碰撞的测试车行驶轨迹被淘汰;这里的预设次数是根据在预设时间范围内发生人车碰撞的次数预先设置的,例如,在模拟的过程中,在预设时间范围内发生人车碰撞的次数大于预设次数,则将在预设时间范围内发生人车碰撞的次数大于预设次数的测试车行驶轨迹进行保留,将在预设时间范围内发生人车碰撞的次数不大于预设次数的测试车行驶轨迹进行淘汰,比如,预设设置了一个预设次数80次,预设时间范围为0-60秒,则在100次模拟人车碰撞过程中,在0-60秒内发生人车碰撞的次数大于80次的测试车行驶轨迹进行保留,将在0-60秒内发生人车碰撞的次数不大于80次的测试车行驶轨迹进行淘汰。
在上述技术方案的基础上,通过发生人车碰撞的时间范围和预设时间范围内发生人车碰撞的次数中的至少一项对行驶轨迹进行筛选,这样设置的好处在于,筛选能够与模拟目标对象的模拟行走轨迹发生人车碰撞的行驶轨迹,以保证形成的模拟人车冲突场景的有效性。
可选的,根据更新规则,模拟新的行驶轨迹,更新规则可以是从筛选出的行驶轨迹中确定至少两个目标行驶轨迹,将目标行驶轨迹的行驶距离和行驶速度转换为二进制编码;将至少两个行驶距离的二进制编码中的任意编码进行交叉互换,并将生成的新的二进制编码转换为新的行驶距离;将至少两个行驶速度二进制编码中的任意编码进行交叉互换,并将生成的新的二进制编码转换为新的行驶速度;根据任一新的形式速度和任一新的行驶距离生成新的行驶轨迹。
示例性的,从筛选得到发生人车碰撞的时间范围小于预设时间范围的行驶轨迹中,按照发生人车碰撞的时间范围从小到大进行排序,或者,筛选得到在预设时间范围内发生人车碰撞的次数大于预设次数的行驶轨迹中,按照在预设时间范围内发生人车碰撞的次数从大到小进行排序,根据排序,将指定数量中缺少的数量,从排序中选取与缺少数量等数量的测试车行驶轨迹,选取出来的与缺少数量等数量的测试车行驶轨迹即为目标行驶轨迹,将选取出来的多个测试车行驶轨迹的行驶速度和行驶距离的数值分别转换为二进制编码,将多个选取出来的测试车行驶轨迹的行驶速度的二进制编码进行任意之间的交叉互换,生成新的二进制编码的行驶速度,同时,将多个选取出来的测试车行驶轨迹的行驶距离的二进制编码进行任意之间的交叉互换,生成新的二进制编码的行驶距离,并将生成的新的二进制编码的行驶距离,将生成的新的二进制编码的行驶速度和生成的新的二进制编码的行驶距离再转换为十进制数值,生成新的行驶速度和新的行驶距离,根据任一新的行驶速度和任一新的行驶距离生成新的行驶轨迹,这里的行驶距离为目标行驶轨迹在发生人车碰撞前测试车距行人的一段预设距离,这个距离根据人车碰撞模拟的需要可以自行定义,这里的行驶速度为目标行驶轨迹在发生人车碰撞前测试车距行人的行驶距离处的速度,这个速度是根据行驶距离对时间求导而得到的,同时,这里的行驶距离也可以根据行驶速度对时间求积而获的。
在上述技术方案的基础上,通过将筛选出至少两个目标行驶轨迹的行驶距离和行驶速度转换为二进制编码,并分别对行驶距离和行驶速度转换中二进制编码中的任意编码进行交叉互换,生成新的行驶速度和新的行驶轨迹,这样设置的好处在于,从保留下来的测试车行驶轨迹中生成新的行驶轨迹,避免了行驶轨迹的行驶距离和行驶速度因太多的变量因素而变化较大,缩小了测试车行驶轨迹的行驶距离和行驶速度的变化,同时也保证了在模拟过程中的行驶轨迹维持在一个相同的数量,保证了模拟结果的可靠性,提高了模拟结果的准确率。
S480、基于所述目标模拟对象的所述模拟行走轨迹和所述模拟行驶轨迹,生成所述模拟人车冲突场景。
本实施例的技术方案,通过将目标模拟对象的模拟行走轨迹与选取出来的行驶参数进行人车碰撞模拟,对模拟结果进行筛选,筛选出符合要求的测试车的模拟行驶轨迹迭代进行人车碰撞模拟,保证最终得到行驶轨迹为有效的模拟行驶轨迹,以便提高模拟人车冲突场景的有效性,通过学习提高自动驾驶车辆的对人车碰撞的处理能力,避免人车碰撞情况的发生,保证人民的生命安全。
实施例五
图5为本发明实施例二提供的一种模拟人车冲突场景模型生成装置的结构图,该模拟人车冲突场景模型生成装置包括:目标模拟对象行走参数模拟模块510,目标模拟对象模拟行走轨迹确定模块520、测试车模拟行驶轨迹确定模块530和模拟人车冲突场景生成模块540。
其中,目标模拟对象行走参数模拟模块510,用于获取目标模拟对象的初始行走轨迹,基于采集的行人样本轨迹模拟所述目标模拟对象的行走参数,其中,所述行走参数为行走速度或行走方向;目标模拟对象模拟行走轨迹确定模块520,用于基于所述初始行走轨迹和模拟的行走参数确定所述目标模拟对象在模拟人车冲突场景中的模拟行走轨迹;测试车模拟行驶轨迹确定模块530,用于于至少一个真实人车冲突场景中,提取确定至少一个测试车行驶轨迹,基于所述至少一个测试车行驶轨迹和所述目标模拟对象的所述模拟行走轨迹确定所述测试车在模拟人车冲突场景中的模拟行驶轨迹;模拟人车冲突场景生成模块540,用于基于所述目标模拟对象的所述模拟行走轨迹和所述模拟行驶轨迹,生成所述模拟人车冲突场景。
在上述技术方案的基础上,该模拟人车冲突场景模型生成装置还包括:
行人样本轨迹获取模块,用于获取行人样本轨迹,其中,所述行人样本轨迹为基于对布置在城市各处的路侧固定摄像头采集的交通视频中的目标对象进行跟踪获取的。
行人样本轨迹预处理模块,用于对所述行人样本轨迹进行预处理,其中所述预处理包括剔除跟踪错误和跟踪间歇性丢失的行人样本轨迹。
在上述技术方案的基础上,目标模拟对象行走参数模拟模块510包括:
聚类处理单元,用于对所述行人样本轨迹进行聚类处理。
目标模拟对象的行走参数模拟单元,用于在网格化的预设区域中,基于对所述行人样本轨迹的聚类结果和所述目标模拟对象的初始行走轨迹,模拟所述目标模拟对象的行走参数,其中,所述预设区域为发生人车冲突的空间区域,所述预设区域被划分为M×N的网格区域,其中,M和N分别为大于等于2的正整数。
可选的,聚类处理包括空间位置聚类,目标模拟对象的行走参数模拟单元,还用于在网格化的预设区域中确定所述目标模拟对象的初始行走轨迹的初始位置;基于目标模拟对象的初始行走轨迹中的当前位置,依据空间位置聚类结果,将各轨迹点投射到所述网格化的预设区域内,对网格化的预设区域内的方向类别进行分布统计,确定各个方向的概率密度大小,确定当前位置的下一位置的行走方向。
可选的,聚类处理包括速度聚类,目标模拟对象的行走参数模拟单元,还用于在网格化的预设区域中确定所述目标模拟对象的初始行走轨迹中的初始位置处的初始速度;根据速度聚类结果,将速度聚类结果中的各速度进行速度区间等级划分,确定相邻速度区间的转移概率,确定所述目标模拟对象的初始行走轨迹中的当前行走速度的下一时刻的行走速度;根据所述当前行走速度和所述当前行走速度的下一时刻的行走速度确定所述目标模拟对象的模拟行走速度。
在上述技术方案的基础上,目标模拟对象模拟行走轨迹确定模块520,还用于根据所述初始行走轨迹中的初始行走速度和模拟行走方向确定所述模拟行走轨迹;或者,根据所述初始行走轨迹中的初始行走方向和模拟行走速度确定所述模拟行走轨迹。
在上述技术方案的基础上,测试车模拟行驶轨迹确定模块530还包括:
人车碰撞模拟结果确定单元,用于基于指定数量的行驶轨迹和所述目标模拟对象的所述模拟行走轨迹进行人车碰撞模拟,确定模拟结果,其中每一个行驶轨迹对应一组行驶参数,所述行驶参数包括所述测试车行驶轨迹中的行驶距离和行驶速度。
指定数量的行驶轨迹筛选单元,用于基于所述模拟结果对所述指定数量的行驶轨迹进行筛选。
人车碰撞模拟迭代单元,用于根据筛选出的行驶轨迹的行驶参数模拟新的行驶轨迹,并基于所述筛选出的行驶轨迹和所述新的行驶轨迹进行迭代的人车碰撞模拟,直到所述模拟结果达到预设条件或者满足预设模拟次数。
可选的,所述模拟结果包括发生人车碰撞的时间范围和在预设时间范围内发生人车碰撞的次数。
在上述技术方案的基础上,指定数量的行驶轨迹筛选单元还用于筛选得到发生人车碰撞的时间范围小于预设时间范围的行驶轨迹,和/或,筛选得到在预设时间范围内发生人车碰撞的次数大于预设次数的行驶轨迹。
在上述技术方案的基础上,人车碰撞模拟迭代单元还用于从筛选出的行驶轨迹中确定至少两个目标行驶轨迹,将目标行驶轨迹的行驶距离和行驶速度转换为二进制编码;将至少两个行驶距离的二进制编码中的任意编码进行交叉互换,并将生成的新的二进制编码转换为新的行驶距离;将至少两个行驶速度二进制编码中的任意编码进行交叉互换,并将生成的新的二进制编码转换为新的行驶速度;根据任一新的形式速度和任一新的行驶距离生成新的行驶轨迹。
本实施例的技术方案,通过目标模拟对象行走参数模拟模块,获取目标模拟对象的初始行走轨迹,基于行人样本轨迹获取模块对布置在城市各处的路侧固定摄像头采集的交通视频中的目标对象进行跟踪获取行人样本轨迹,基于行人样本轨迹利用目标模拟对象行走参数模拟模块模拟目标模拟对象的行走速度或行走方向;利用目标模拟对象模拟行走轨迹确定模块基于初始行走轨迹和模拟的行走参数确定目标模拟对象在模拟人车冲突场景中的模拟行走轨迹;利用测试车模拟行驶轨迹确定模块在至少一个真实人车冲突场景中,提取确定至少一个测试车行驶轨迹,基于至少一个测试车行驶轨迹和目标模拟对象的模拟行走轨迹确定测试车在模拟人车冲突场景中的模拟行驶轨迹;利用模拟人车冲突场景生成模块基于目标模拟对象的模拟行走轨迹和模拟行驶轨迹,生成模拟人车冲突场景。以使得模拟行走轨迹可保留其真实性,且反映大量行人的行走趋势,筛选能够与模拟目标对象的模拟行走轨迹发生人车碰撞的测试车的行驶轨迹,以实现真实地反应出城市交通里人车冲突的场景,提高了模拟人车冲突场景模型的真实性、可靠性和有效性。
实施例六
图6为本发明实施例三提供的一种设备的结构示意图,如图6所示,该设备包括处理器30、存储器31、输入装置32和输出装置33;设备中处理器30的数量可以是一个或多个,图6中以一个处理器30为例;设备中的处理器30、存储器31、输入装置32和输出装置33可以通过总线或其他方式连接,图6中以通过总线连接为例。
存储器31作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的一种模拟人车冲突场景模型生成方法对应的程序指令/模块(例如,目标模拟对象行走参数模拟模块510,目标模拟对象模拟行走轨迹确定模块520、测试车模拟行驶轨迹确定模块530和模拟人车冲突场景生成模块540)。处理器30通过运行存储在存储器31中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的一种模拟人车冲突场景模型生成方法。
存储器31可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器31可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器31可进一步包括相对于处理器30远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置32可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入,例如键盘和鼠标等。输出装置33可包括显示屏等显示设备。
实施例七
本发明实施例四还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种模拟人车冲突场景模型生成方法。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的一种模拟人车冲突场景模型生成方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述模拟人车冲突场景模型生成装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (11)
1.一种模拟人车冲突场景模型生成方法,其特征在于,包括:
获取目标模拟对象的初始行走轨迹,基于采集的行人样本轨迹模拟所述目标模拟对象的行走参数,其中,所述行走参数为行走速度或行走方向;
基于所述初始行走轨迹和模拟的行走参数确定所述目标模拟对象在模拟人车冲突场景中的模拟行走轨迹;
于至少一个真实人车冲突场景中,提取确定至少一个测试车行驶轨迹,基于所述至少一个测试车行驶轨迹和所述目标模拟对象的所述模拟行走轨迹确定所述测试车在模拟人车冲突场景中的模拟行驶轨迹;
基于所述目标模拟对象的所述模拟行走轨迹和所述模拟行驶轨迹,生成所述模拟人车冲突场景;
其中,所述基于所述至少一个测试车行驶轨迹和所述目标模拟对象的所述模拟行走轨迹确定所述测试车在模拟人车冲突场景中的模拟行驶轨迹,包括:
基于指定数量的行驶轨迹和所述目标模拟对象的所述模拟行走轨迹进行人车碰撞模拟,确定模拟结果,其中每一个行驶轨迹对应一组行驶参数,所述行驶参数包括所述测试车行驶轨迹中的行驶距离和行驶速度;
基于所述模拟结果对所述指定数量的行驶轨迹进行筛选;
根据筛选出的行驶轨迹的行驶参数模拟新的行驶轨迹,并基于所述筛选出的行驶轨迹和所述新的行驶轨迹进行迭代的人车碰撞模拟,直到所述模拟结果达到预设条件或者满足预设模拟次数。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取行人样本轨迹,其中,所述行人样本轨迹为基于对布置在城市各处的路侧固定摄像头采集的交通视频中的目标对象进行跟踪获取的;
对所述行人样本轨迹进行预处理,其中所述预处理包括剔除跟踪错误和跟踪间歇性丢失的行人样本轨迹。
3.根据权利要求1所述的方法,其特征在于,所述基于采集的行人样本轨迹模拟所述目标模拟对象的行走参数,包括:
对所述行人样本轨迹进行聚类处理;
在网格化的预设区域中,基于对所述行人样本轨迹的聚类结果和所述目标模拟对象的初始行走轨迹,模拟所述目标模拟对象的行走参数,其中,所述预设区域为发生人车冲突的空间区域,所述预设区域被划分为M×N的网格区域,其中,M和N分别为大于等于2的正整数。
4.根据权利要求3所述的方法,其特征在于,所述聚类处理包括空间位置聚类;其中,所述在网格化的预设区域,基于对所述行人样本轨迹的聚类结果,模拟所述目标模拟对象的行走参数,包括:
在网格化的预设区域中确定所述目标模拟对象的初始行走轨迹的初始位置;
基于目标模拟对象的初始行走轨迹中的当前位置,依据空间位置聚类结果,将各轨迹点投射到所述网格化的预设区域内,对网格化的预设区域内的方向类别进行分布统计,确定各个方向的概率密度大小,确定当前位置的下一位置的行走方向;
根据所述当前位置和所述当前位置的及其下一位置的行走方向确定所述目标模拟对象的模拟行走方向。
5.根据权利要求3所述的方法,其特征在于,所述聚类处理包括速度聚类;其中,所述在网格化的预设区域,基于对所述行人样本轨迹的聚类结果,模拟所述目标模拟对象的行走参数,包括:
在网格化的预设区域中确定所述目标模拟对象的初始行走轨迹中的初始位置处的初始速度;
根据速度聚类结果,将速度聚类结果中的各速度进行速度区间等级划分,确定相邻速度区间的转移概率,确定所述目标模拟对象的初始行走轨迹中的当前行走速度的下一时刻的行走速度;
根据所述当前行走速度和所述当前行走速度的下一时刻的行走速度确定所述目标模拟对象的模拟行走速度。
6.根据权利要求4或5所述的方法,其特征在于,所述基于所述初始行走轨迹和模拟的行走参数确定所述目标模拟对象在模拟人车冲突场景中的模拟行走轨迹,包括:
根据所述初始行走轨迹中的初始行走速度和模拟行走方向确定所述模拟行走轨迹;或者,
根据所述初始行走轨迹中的初始行走方向和模拟行走速度确定所述模拟行走轨迹。
7.根据权利要求1所述的方法,其特征在于,所述模拟结果包括发生人车碰撞的时间范围和在预设时间范围内发生人车碰撞的次数;所述基于所述模拟结果对所述指定数量的行驶轨迹进行筛选,包括:
筛选得到发生人车碰撞的时间范围小于预设时间范围的行驶轨迹,和/或,
筛选得到在预设时间范围内发生人车碰撞的次数大于预设次数的行驶轨迹。
8.根据权利要求1所述的方法,其特征在于,根据筛选出的行驶轨迹的行驶参数模拟新的行驶轨迹,包括:
从所述筛选出的行驶轨迹中确定至少两个目标行驶轨迹,将所述目标行驶轨迹的行驶距离和行驶速度转换为二进制编码;
将至少两个行驶距离的二进制编码中的任意编码进行交叉互换,并将生成的新的二进制编码转换为新的行驶距离;
将至少两个行驶速度二进制编码中的任意编码进行交叉互换,并将生成的新的二进制编码转换为新的行驶速度;
根据任一所述新的行驶速度和任一所述新的行驶距离生成新的行驶轨迹。
9.一种模拟人车冲突场景模型生成装置,其特征在于,包括:
目标模拟对象行走参数模拟模块,用于获取目标模拟对象的初始行走轨迹,基于采集的行人样本轨迹模拟所述目标模拟对象的行走参数,其中,所述行走参数为行走速度或行走方向;
目标模拟对象模拟行走轨迹确定模块,用于基于所述初始行走轨迹和模拟的行走参数确定所述目标模拟对象在模拟人车冲突场景中的模拟行走轨迹;
测试车模拟行驶轨迹确定模块,用于于至少一个真实人车冲突场景中,提取确定至少一个测试车行驶轨迹,基于所述至少一个测试车行驶轨迹和所述目标模拟对象的所述模拟行走轨迹确定所述测试车在模拟人车冲突场景中的模拟行驶轨迹;
模拟人车冲突场景生成模块,用于基于所述目标模拟对象的所述模拟行走轨迹和所述模拟行驶轨迹,生成所述模拟人车冲突场景;
所述测试车模拟行驶轨迹确定模块,包括:
人车碰撞模拟结果确定单元,用于基于指定数量的行驶轨迹和所述目标模拟对象的所述模拟行走轨迹进行人车碰撞模拟,确定模拟结果,其中每一个行驶轨迹对应一组行驶参数,所述行驶参数包括所述测试车行驶轨迹中的行驶距离和行驶速度;
指定数量的行驶轨迹筛选单元,用于基于所述模拟结果对所述指定数量的行驶轨迹进行筛选;
人车碰撞模拟迭代单元,用于根据筛选出的行驶轨迹的行驶参数模拟新的行驶轨迹,并基于所述筛选出的行驶轨迹和所述新的行驶轨迹进行迭代的人车碰撞模拟,直到所述模拟结果达到预设条件或者满足预设模拟次数。
10.一种电子设备,其特征在于,所述设备包括:
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权利要求1-8中任一所述的模拟人车冲突场景模型生成方法。
11.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-8中任一所述的模拟人车冲突场景模型生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113245.4A CN110827326B (zh) | 2019-11-14 | 2019-11-14 | 模拟人车冲突场景模型生成方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113245.4A CN110827326B (zh) | 2019-11-14 | 2019-11-14 | 模拟人车冲突场景模型生成方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110827326A CN110827326A (zh) | 2020-02-21 |
CN110827326B true CN110827326B (zh) | 2023-05-02 |
Family
ID=69555264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911113245.4A Active CN110827326B (zh) | 2019-11-14 | 2019-11-14 | 模拟人车冲突场景模型生成方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110827326B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111458154A (zh) * | 2020-04-01 | 2020-07-28 | 清华大学苏州汽车研究院(吴江) | 基于自动驾驶整车在环人车冲突场景的测试系统和方法 |
CN114495551B (zh) * | 2021-12-31 | 2023-06-23 | 上海人工智能创新中心 | 轨迹规划方法、装置、设备和计算机可读存储介质 |
WO2023193424A1 (zh) * | 2022-04-07 | 2023-10-12 | 哈尔滨工业大学(深圳) | 人机共存环境中遵循行人规范的移动机器人全局导航方法 |
CN114648877B (zh) * | 2022-05-13 | 2022-08-09 | 北京理工大学前沿技术研究院 | 一种无信号交叉口车辆通行方法、系统、设备和存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034012B (zh) * | 2010-12-30 | 2013-02-20 | 长安大学 | 一种汽车碰撞行人事故分析计算与模拟再现计算机系统 |
CN106023244A (zh) * | 2016-04-13 | 2016-10-12 | 南京邮电大学 | 基于最小二乘法轨迹预测及智能避障模型的行人跟踪方法 |
CN109969172B (zh) * | 2017-12-26 | 2020-12-01 | 华为技术有限公司 | 车辆控制方法、设备及计算机存储介质 |
CN109523574B (zh) * | 2018-12-27 | 2022-06-24 | 联想(北京)有限公司 | 一种行走轨迹预测方法和电子设备 |
CN109635793A (zh) * | 2019-01-31 | 2019-04-16 | 南京邮电大学 | 一种基于卷积神经网络的无人驾驶行人轨迹预测方法 |
CN110134124B (zh) * | 2019-04-29 | 2022-04-29 | 北京小马慧行科技有限公司 | 车辆行驶的控制方法、装置、存储介质和处理器 |
-
2019
- 2019-11-14 CN CN201911113245.4A patent/CN110827326B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110827326A (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110827326B (zh) | 模拟人车冲突场景模型生成方法、装置、设备和存储介质 | |
CN101587622B (zh) | 基于视频图像智能分析的森林烟火检测与识别方法及设备 | |
CN104680557A (zh) | 视频序列图像中的异常行为智能检测方法 | |
US20210374971A1 (en) | Object tracking method and apparatus, storage medium, and electronic device | |
CN104657740A (zh) | 用于分割用于车辆的驾驶员辅助系统的环境模型的占用栅格的方法和设备 | |
CN111554105B (zh) | 一种复杂交通路口的智能流量识别与统计方法 | |
CN109388663A (zh) | 一种面向社会安全领域的大数据智能分析平台 | |
CN115017742A (zh) | 自动驾驶测试场景生成方法、装置、设备及存储介质 | |
CN114972911A (zh) | 自动驾驶感知算法模型的输出数据收集处理方法及设备 | |
Xie et al. | Development of a comprehensive framework for video-based safety assessment | |
CN113111838A (zh) | 行为识别方法及装置、设备和存储介质 | |
Coscia et al. | Point-based path prediction from polar histograms | |
CN114842285A (zh) | 路侧泊位号码识别方法以及装置 | |
Agarwal et al. | Camera-based smart traffic state detection in india using deep learning models | |
CN117130010A (zh) | 用于无人驾驶的障碍物感知方法、系统及无人驾驶汽车 | |
CN112613496A (zh) | 一种行人重识别方法、装置、电子设备及存储介质 | |
CN113178074A (zh) | 应用于车辆的交通流机器学习建模系统及其方法 | |
CN112084968A (zh) | 基于空中监控视频的语义表征方法、系统及电子设备 | |
CN103839278A (zh) | 一种前景检测方法及装置 | |
Delavarian et al. | Multi‐camera multiple vehicle tracking in urban intersections based on multilayer graphs | |
CN115761551A (zh) | 一种自动驾驶仿真场景生成方法、装置、设备及介质 | |
Katariya et al. | A pov-based highway vehicle trajectory dataset and prediction architecture | |
CN115114786A (zh) | 一种用于交通流仿真模型的评估方法、系统和存储介质 | |
CN114511825A (zh) | 一种区域占用检测方法、装置、设备及存储介质 | |
CN111860383A (zh) | 一种群体异常行为识别方法、装置、设备及存储介质 |
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 |