CN111199087A - 场景识别方法和装置 - Google Patents
场景识别方法和装置 Download PDFInfo
- Publication number
- CN111199087A CN111199087A CN201811289005.5A CN201811289005A CN111199087A CN 111199087 A CN111199087 A CN 111199087A CN 201811289005 A CN201811289005 A CN 201811289005A CN 111199087 A CN111199087 A CN 111199087A
- Authority
- CN
- China
- Prior art keywords
- data
- scene
- simulation
- identifiable
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004088 simulation Methods 0.000 claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明实施例提出一种场景识别方法和装置,方法包括:获取仿真场景的场景数据;采用至少一个识别模型对场景数据进行处理,查找场景数据中是否包含与识别模型对应的可识别数据;若基于场景数据查找到可识别数据,则将可识别数据转换为标签信息;将标签信息记录在仿真场景上。本发明实施例通过识别模型查找到标签信息并记录到仿真场景上,能够实现对不同仿真场景的分类和标记,以便于用户通过标签信息快速筛选出所需的仿真场景。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其涉及一种场景识别方法和装置。
背景技术
在现有的车辆驾驶策略验证中,根据驾驶策略的不同,往往只需要针对对应的自动驾驶模拟场景进行验证即可。然而,现有的自动驾驶模拟场景数量过多,且无法得知哪些场景是用户所需要的验证场景。因此为了保证驾驶策略的效果,需要对所有场景进行车辆驾驶策略的验证。但是由于场景过多且数据过于庞大,这种对所有场景进行车辆驾驶策略的方式不仅需要耗费大量的时间,而且还会产生不必要的资源浪费。
在背景技术中公开的上述信息仅用于加强对本发明的背景的理解,因此其可能包含没有形成为本领域普通技术人员所知晓的现有技术的信息。
发明内容
本发明实施例提供一种场景识别方法和装置,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场景识别方法,包括:
获取仿真场景的场景数据;
采用至少一个识别模型对所述场景数据进行处理,查找所述场景数据中是否包含与所述识别模型对应的可识别数据;
若基于所述场景数据查找到所述可识别数据,则将所述可识别数据转换为标签信息;
将所述标签信息记录在所述仿真场景上。
在一个实施方式中,采用至少一个识别模型对所述场景数据进行处理,查找所述场景数据中是否包含与所述识别模型对应的可识别数据,包括:
根据所述识别模型的种类,筛选出所述场景数据中的车辆行驶数据和/或地图环境数据;
所述识别模型对所述车辆行驶数据和/或地图环境数据进行处理,查找所述车辆行驶数据和/或所述地图环境数据中是否包含与所述识别模型对应的可识别数据。
在一个实施方式中,获取仿真场景的场景数据之前,还包括:
根据预设时间间隔对仿真场景进行切分,将所述仿真场景切分为多个时间节点;
获取所述仿真场景的每个所述时间节点处对应的所述场景数据。
在一个实施方式中,所述仿真场景为根据车辆实际行驶过程采集的数据所构建的,或所述仿真场景为根据自定义虚拟数据所构建的。
在一个实施方式中,当所述识别模型对所述地图环境数据进行处理时,若基于所述场景数据查找到所述可识别数据,则将所述可识别数据转换为标签信息,包括:
若基于所述地图环境数据查找到所述可识别数据,则将所述可识别数据转换为地图环境标签信息。
在一个实施方式中,当所述识别模型对所述车辆行驶数据和所述地图环境数据进行处理时,若基于所述场景数据查找到所述可识别数据,则将所述可识别数据转换为标签信息,包括:
若基于所述车辆行驶数据和所述地图环境数据查找到所述可识别数据,则将所述可识别数据转换为车辆行为标签信息和/或地图环境标签信息。
第二方面,本发明实施例提供了一种场景识别装置,包括:
获取模块,用于获取仿真场景的场景数据;
识别模块,用于采用至少一个识别模型对所述场景数据进行处理,查找所述场景数据中是否包含与所述识别模型对应的可识别数据;
标签模块,用于若基于所述场景数据查找到所述可识别数据,则将所述可识别数据转换为标签信息;
记录模块,用于将所述标签信息记录在所述仿真场景上。
在一个实施方式中,所述识别模块包括:
筛选子模块,用于根据所述识别模型的种类,筛选出所述场景数据中的车辆行驶数据和/或地图环境数据;
查找子模块,用于通过所述识别模型对所述车辆行驶数据和/或地图环境数据进行处理,查找所述车辆行驶数据和/或所述地图环境数据中是否包含与所述识别模型对应的可识别数据。
在一个实施方式中,还包括:
切分模块,用于根据预设时间间隔对仿真场景进行切分,将所述仿真场景切分为多个时间节点;
节点获取模块,用于获取所述仿真场景的每个所述时间节点处的所述场景数据。
第三方面,本发明实施例提供了一种场景识别的终端,包括:
所述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,场景识别的终端的结构中包括处理器和存储器,所述存储器用于存储支持场景识别的终端执行上述第一方面中场景识别方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。场景识别的终端还可以包括通信接口,用于场景识别的终端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,用于存储场景识别的终端所用的计算机软件指令,其包括用于执行上述第一方面中场景识别方法为场景识别的终端所涉及的程序。
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:通过识别模型查找到标签信息并记录到仿真场景上,能够实现对不同仿真场景的分类和标记,以便于用户通过标签信息快速筛选出所需的仿真场景。
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为本发明实施方式提供的场景识别方法的流程图。
图2为本发明实施方式提供的场景识别方法的步骤S200的具体流程图。
图3为本发明另一实施方式提供的场景识别方法的流程图。
图4为本发明实施方式提供的场景识别装置的结构示意图。
图5为本发明实施方式提供的场景识别装置的识别模块的结构示意图。
图6为本发明另一实施方式提供的场景识别装置的识别模块的结构示意图。
图7为本发明实施方式提供的场景识别终端结构示意图。
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。
本发明实施例提供了一种场景识别方法,如图1所示,包括以下步骤:
S100:获取仿真场景的场景数据。场景数据可以理解为仿真场景中的任何数据。例如,场景中的环境数据、场景中的地图数据、场景中的车辆行为数据等。
S200:采用至少一个识别模型对场景数据进行处理,查找场景数据中是否包含与识别模型对应的可识别数据。当采用多个识别模型时,各识别模型用于识别不同类型的可识别数据。
S300:若基于场景数据查找到可识别数据,则将可识别数据转换为标签信息。将可识别数据转换为标签信息可以理解为,将数据格式所表示的信息转换为能够直观体现的标签信息。标签信息可以为文字或代码。例如,通过识别道路的识别模型从场景数据中查找到了道路信息数据,则将道路信息数据转换为道路标签信息。道路标签信息可以为体现具体道路类型的信息(具体为十字路口、高速、人行道、直线道路等),也可以泛指道路信息。
S400:将标签信息记录在仿真场景上。这样可以便于用户对仿真场景进行筛选,可根据标签信息直接找到所需的场景。
在一个实施例中,由于一个仿真场景中包括了道路、周边环境、车辆、地图等若干不同类别的数据,因此优选的采用多个不同类型的识别模型对场景数据进行处理,从而能够一次性从一个场景中获得更多的标签信息。从而更加全面的对场景进行识别和标记。
在一个实施例中,采用至少一个识别模型对场景数据进行处理,查找场景数据中是否包含与识别模型对应的可识别数据,如图2所示,包括:
S210:根据识别模型的种类,筛选出场景数据中的车辆行驶数据和/或地图环境数据。地图环境数据可以理解为仿真场景中的整个地图数据(道路信息、坐标信息等)、仿真场景中出现的所有环境元素(路障、人行道、红绿灯、植物、行人、车辆等)。车辆行驶数据可以理解为仿真场景中主车的行驶轨迹、行驶行为(刹车、减速、变道、超车等)等。
S220:识别模型对车辆行驶数据和/或地图环境数据进行处理,查找车辆行驶数据和/或地图环境数据中是否包含与识别模型对应的可识别数据。
在一个实施例中,获取仿真场景的场景数据之前,如图3所示,还包括:
S10:根据预设时间间隔对仿真场景进行切分,将仿真场景切分为多个时间节点。
S20:获取仿真场景的每个时间节点处对应的场景数据。
需要说明的是,时间间隔可根据仿真场景的整体时间或根据需求进行选择。为了能够更全面的给仿真场景记录标签信息,以供用户测试车辆行驶策略使用,优选的将时间节点尽可能多的进行切分。从而能够精确的识别出仿真场景中不同时间点会出现的标签信息。
在一个应用示例中,选取一个仿真场景,根据该仿真场景中车辆行驶数据可以得知,该车辆进行一次仿真行驶的时间使5分钟(300秒)。预设时间间隔为0.5秒,则该仿真场景按时间切分的方式被切分为600个时间节点。基于仿真场景的场景数据,获取600个时间节点处各自所对应的场景数据。通过一百个不同类别的识别模型分别对每个时间节点处的场景数据进行处理,若从时间节点的场景数据中找到了可识别数据,则将该可识别数据转换为标签信息并携带对应的时间节点信息进行记录。当600个时间节点均通过100个识别模型处理后,即可按时间顺序得知该仿真场景中的每一个时间节点上分别包含有哪些标签信息。以便于用户能够根据需要更加准确的筛选出所需的仿真场景。
在一个实施例中,仿真场景为根据车辆实际行驶过程采集的数据所构建的,或仿真场景为根据自定义虚拟数据所构建的。
在一个实施例中,当识别模型对地图环境数据进行处理时,若基于场景数据查找到可识别数据,则将可识别数据转换为标签信息,包括:
若基于地图环境数据查找到可识别数据,则将可识别数据转换为地图环境标签信息。即可以在仿真场景中识别出道路信息、道路周边环境元素信息等。本实施例可应用于通过虚拟数据构建的仿真场景中。即实现在没有车辆仿真行驶数据的仿真场景中,识别出场景中的固有环境信息。
在一个实施例中,当识别模型对车辆行驶数据和地图环境数据进行处理时,若基于场景数据查找到可识别数据,则将可识别数据转换为标签信息,包括:
若基于车辆行驶数据和地图环境数据查找到可识别数据,则将可识别数据转换为车辆行为标签信息和/或地图环境标签信息。本实施例可应用于需要获取仿真场景中不同时间节点处所对应的标签信息的需求中。
在一个应用示例中,当识别模型为道路识别模型时,道路识别模型根据车辆行驶数据得知车辆行驶的第一分钟到第三分钟时车辆在直线道路上行驶,根据地图环境数据得知车辆行驶的第三分钟开始,车辆的两侧出现了其他车辆。并根据地图环境数据得知第一至三分钟道路的坐标信息,和第三分钟开始左右两侧道路的坐标信息。从而道路识别模型识别出在该仿真场景的第三分钟时间节点位置处有道路交叉的数据,并将道路交叉的数据转换为十字路口标签信息。
在一个应用示例中,由于仿真场景中包含的原始数据很多,若通过识别模型对所有数据均进行识别,可能会增加识别时间。因此可以先对仿真场景中的原始数据进行数据清洗,通过ETL(Extract Transform Load,数据仓库)技术对存储在数据仓库中的原始数据按预设的筛选规则进行清洗。从中筛选出关键数据作为场景数据(例如,驾驶行为类数据、驾驶环境类数据、地图类数据等)。
当通过各识别模型对场景数据进行识别后,可将识别出的标签信息记录到数据仓库中。当用户搜索场景时,可按时间节点的先后顺序对场景的标签信息进行搜索,也可以对同一个时间节点上所包含的所有标签信息进行搜索。从而精准的筛选出所需的仿真场景。
本发明实施例提供了一种场景识别装置,如图4所示,包括:
获取模块10,用于获取仿真场景的场景数据。
识别模块20,用于采用至少一个识别模型对场景数据进行处理,查找场景数据中是否包含与识别模型对应的可识别数据。
标签模块30,用于若基于场景数据查找到可识别数据,则将可识别数据转换为标签信息。
记录模块40,用于将标签信息记录在仿真场景上。
在一个实施例中,如图5所示,识别模块20包括:
筛选子模块21,用于根据识别模型的种类,筛选出场景数据中的车辆行驶数据和/或地图环境数据。
查找子模块22,用于通过识别模型对车辆行驶数据和/或地图环境数据进行处理,查找车辆行驶数据和/或地图环境数据中是否包含与识别模型对应的可识别数据。
在一个实施例中,如图6所示,还包括:
切分模块50,用于根据预设时间间隔对仿真场景进行切分,将仿真场景切分为多个时间节点。
节点获取模块60,用于获取仿真场景的每个时间节点处的场景数据。
本发明实施例提供了一种场景识别的终端,如图7所示,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场景识别方法。存储器910和处理器920的数量可以为一个或多个。
通信接口930,用于存储器910和处理器920与外部进行通信。
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、以及通信接口930独立实现,则存储器910、处理器920以及通信接口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 Interconnect)总线或扩展工业标准体系结构(EISA,Extended IndustryStandard Component)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7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以及通信接口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如实施例一包括的任一所述的场景识别方法。
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 (11)
1.一种场景识别方法,其特征在于,包括:
获取仿真场景的场景数据;
采用至少一个识别模型对所述场景数据进行处理,查找所述场景数据中是否包含与所述识别模型对应的可识别数据;
若基于所述场景数据查找到所述可识别数据,则将所述可识别数据转换为标签信息;
将所述标签信息记录在所述仿真场景上。
2.如权利要求1所述的方法,其特征在于,采用至少一个识别模型对所述场景数据进行处理,查找所述场景数据中是否包含与所述识别模型对应的可识别数据,包括:
根据所述识别模型的种类,筛选出所述场景数据中的车辆行驶数据和/或地图环境数据;
所述识别模型对所述车辆行驶数据和/或地图环境数据进行处理,查找所述车辆行驶数据和/或所述地图环境数据中是否包含与所述识别模型对应的可识别数据。
3.如权利要求1所述的方法,其特征在于,获取仿真场景的场景数据之前,还包括:
根据预设时间间隔对仿真场景进行切分,将所述仿真场景切分为多个时间节点;
获取所述仿真场景的每个所述时间节点处对应的所述场景数据。
4.如权利要求1所述的方法,其特征在于,所述仿真场景为根据车辆实际行驶过程采集的数据所构建的,或所述仿真场景为根据自定义虚拟数据所构建的。
5.如权利要求2所述的方法,其特征在于,当所述识别模型对所述地图环境数据进行处理时,若基于所述场景数据查找到所述可识别数据,则将所述可识别数据转换为标签信息,包括:
若基于所述地图环境数据查找到所述可识别数据,则将所述可识别数据转换为地图环境标签信息。
6.如权利要求2所述的方法,其特征在于,当所述识别模型对所述车辆行驶数据和所述地图环境数据进行处理时,若基于所述场景数据查找到所述可识别数据,则将所述可识别数据转换为标签信息,包括:
若基于所述车辆行驶数据和所述地图环境数据查找到所述可识别数据,则将所述可识别数据转换为车辆行为标签信息和/或地图环境标签信息。
7.一种场景识别装置,其特征在于,包括:
获取模块,用于获取仿真场景的场景数据;
识别模块,用于采用至少一个识别模型对所述场景数据进行处理,查找所述场景数据中是否包含与所述识别模型对应的可识别数据;
标签模块,用于若基于所述场景数据查找到所述可识别数据,则将所述可识别数据转换为标签信息;
记录模块,用于将所述标签信息记录在所述仿真场景上。
8.如权利要求7所述的装置,其特征在于,所述识别模块包括:
筛选子模块,用于根据所述识别模型的种类,筛选出所述场景数据中的车辆行驶数据和/或地图环境数据;
查找子模块,用于通过所述识别模型对所述车辆行驶数据和/或地图环境数据进行处理,查找所述车辆行驶数据和/或所述地图环境数据中是否包含与所述识别模型对应的可识别数据。
9.如权利要求7所述的装置,其特征在于,还包括:
切分模块,用于根据预设时间间隔对仿真场景进行切分,将所述仿真场景切分为多个时间节点;
节点获取模块,用于获取所述仿真场景的每个所述时间节点处的所述场景数据。
10.一种场景识别终端,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时,使得所述一个或多个处理器实现如权利要求1至6中任一项所述的方法。
11.一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6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811289005.5A CN111199087A (zh) | 2018-10-31 | 2018-10-31 | 场景识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811289005.5A CN111199087A (zh) | 2018-10-31 | 2018-10-31 | 场景识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111199087A true CN111199087A (zh) | 2020-05-26 |
Family
ID=70745803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811289005.5A Pending CN111199087A (zh) | 2018-10-31 | 2018-10-31 | 场景识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111199087A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528477A (zh) * | 2020-12-03 | 2021-03-19 | 安徽江淮汽车集团股份有限公司 | 道路场景仿真方法、设备、存储介质及装置 |
CN113361386A (zh) * | 2021-06-03 | 2021-09-07 | 苏州智加科技有限公司 | 虚拟场景的处理方法、装置、设备及存储介质 |
CN114114953A (zh) * | 2020-08-26 | 2022-03-01 | 比亚迪股份有限公司 | 仿真场景的创建方法、装置、计算机设备及介质 |
CN115145246A (zh) * | 2022-06-27 | 2022-10-04 | 小米汽车科技有限公司 | 控制器的测试方法、装置、车辆、存储介质及芯片 |
CN116204791A (zh) * | 2023-04-25 | 2023-06-02 | 山东港口渤海湾港集团有限公司 | 车辆行为预测场景数据集的构建和管理方法及其系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130279759A1 (en) * | 2011-01-18 | 2013-10-24 | Rtc Vision Ltd. | System and method for improved character recognition in distorted images |
CN103455677A (zh) * | 2013-09-04 | 2013-12-18 | 广东电网公司电力调度控制中心 | 环境仿真方法和系统 |
CN106707293A (zh) * | 2016-12-01 | 2017-05-24 | 百度在线网络技术(北京)有限公司 | 用于车辆的障碍物识别方法和装置 |
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 |
US20180059672A1 (en) * | 2016-08-29 | 2018-03-01 | Baidu Usa Llc | Method and system to construct surrounding environment for autonomous vehicles to make driving decisions |
CN108375977A (zh) * | 2018-01-24 | 2018-08-07 | 济南浪潮高新科技投资发展有限公司 | 一种基于雾节点的城市环境自动驾驶方法 |
US20180267538A1 (en) * | 2017-03-15 | 2018-09-20 | Toyota Jidosha Kabushiki Kaisha | Log-Based Vehicle Control System Verification |
-
2018
- 2018-10-31 CN CN201811289005.5A patent/CN111199087A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130279759A1 (en) * | 2011-01-18 | 2013-10-24 | Rtc Vision Ltd. | System and method for improved character recognition in distorted images |
CN103455677A (zh) * | 2013-09-04 | 2013-12-18 | 广东电网公司电力调度控制中心 | 环境仿真方法和系统 |
US20180059672A1 (en) * | 2016-08-29 | 2018-03-01 | Baidu Usa Llc | Method and system to construct surrounding environment for autonomous vehicles to make driving decisions |
CN106707293A (zh) * | 2016-12-01 | 2017-05-24 | 百度在线网络技术(北京)有限公司 | 用于车辆的障碍物识别方法和装置 |
US20180157920A1 (en) * | 2016-12-01 | 2018-06-07 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for recognizing obstacle of vehicle |
US20180267538A1 (en) * | 2017-03-15 | 2018-09-20 | Toyota Jidosha Kabushiki Kaisha | Log-Based Vehicle Control System Verification |
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 |
CN108375977A (zh) * | 2018-01-24 | 2018-08-07 | 济南浪潮高新科技投资发展有限公司 | 一种基于雾节点的城市环境自动驾驶方法 |
Non-Patent Citations (1)
Title |
---|
北京科技人才研究会编著: "《交通信息技术 第2版》", 同济大学出版社, pages: 109 - 110 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114114953A (zh) * | 2020-08-26 | 2022-03-01 | 比亚迪股份有限公司 | 仿真场景的创建方法、装置、计算机设备及介质 |
CN114114953B (zh) * | 2020-08-26 | 2024-02-27 | 比亚迪股份有限公司 | 仿真场景的创建方法、装置、计算机设备及介质 |
CN112528477A (zh) * | 2020-12-03 | 2021-03-19 | 安徽江淮汽车集团股份有限公司 | 道路场景仿真方法、设备、存储介质及装置 |
CN112528477B (zh) * | 2020-12-03 | 2024-03-08 | 安徽江淮汽车集团股份有限公司 | 道路场景仿真方法、设备、存储介质及装置 |
CN113361386A (zh) * | 2021-06-03 | 2021-09-07 | 苏州智加科技有限公司 | 虚拟场景的处理方法、装置、设备及存储介质 |
CN113361386B (zh) * | 2021-06-03 | 2022-11-15 | 苏州智加科技有限公司 | 虚拟场景的处理方法、装置、设备及存储介质 |
CN115145246A (zh) * | 2022-06-27 | 2022-10-04 | 小米汽车科技有限公司 | 控制器的测试方法、装置、车辆、存储介质及芯片 |
CN116204791A (zh) * | 2023-04-25 | 2023-06-02 | 山东港口渤海湾港集团有限公司 | 车辆行为预测场景数据集的构建和管理方法及其系统 |
CN116204791B (zh) * | 2023-04-25 | 2023-08-11 | 山东港口渤海湾港集团有限公司 | 车辆行为预测场景数据集的构建和管理方法及其系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111199087A (zh) | 场景识别方法和装置 | |
CN109255181B (zh) | 一种基于多模型的障碍物分布仿真方法、装置以及终端 | |
CN111582189B (zh) | 交通信号灯识别方法、装置、车载控制终端及机动车 | |
CN112307978B (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
CN112055172B (zh) | 一种监控视频的处理方法、装置以及存储介质 | |
EP3633551A1 (en) | Obstacle distribution simulation method, device and terminal based on a probability graph | |
CN109377694A (zh) | 社区车辆的监控方法及系统 | |
CN115830399B (zh) | 分类模型训练方法、装置、设备、存储介质和程序产品 | |
JP7121454B2 (ja) | 統計に基づく障害物位置シミュレーション方法、装置及び端末 | |
CN112052907A (zh) | 基于图像边缘信息的目标检测方法、装置及存储介质 | |
CN109766799B (zh) | 车位识别模型训练方法及装置和车位识别方法及装置 | |
CN111143423B (zh) | 动态场景标注数据挖掘方法、装置以及终端 | |
CN113591543B (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
CN111126336B (zh) | 样本采集方法、装置及设备 | |
CN110555344A (zh) | 车道线识别方法、装置、电子设备、存储介质 | |
CN112699781A (zh) | 车灯状态检测方法、装置、计算机设备和可读存储介质 | |
CN112686125A (zh) | 车辆类型的确定方法及装置、存储介质、电子装置 | |
CN111123734A (zh) | 用于无人车的复杂场景测试方法、装置及存储介质 | |
Talmi et al. | Basics for Autonomous Driving-Smart Testing and Validation Solutions | |
CN116664658B (zh) | 一种障碍物检测方法、装置及终端设备 | |
CN111127301B (zh) | 坐标转换方法和装置 | |
CN114677661A (zh) | 一种路侧标识识别方法、装置和电子设备 | |
CN114372410A (zh) | 路口碰撞事故仿真场景构建方法及装置、设备、存储介质 | |
CN112883911A (zh) | 一种无牌车辆判别方法、装置以及电子设备 | |
Jukić et al. | Validation of Machine Learning-Based Lane Lines Detection Methods Using Different Datasets |
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 |