CN111443621B - 一种模型生成方法、模型生成装置及电子设备 - Google Patents

Abstract

本申请适用于信息技术领域，提供了一种模型生成方法，模型生成装置及电子设备。该方法包括：针对每个智能车辆等级，根据与所述智能车辆等级相关联的特征指标及特征约束条件，设定模拟智能车辆；将各个智能车辆等级下所设定得到的模拟智能车辆按照预设的数量比例输入至预设的交通流仿真系统中，得到交通流仿真结果；对所述交通流仿真结果进行分析，以筛查出与各个智能车辆等级相关联的特征指标中的目标特征指标；基于所述目标特征指标生成智能车辆仿真模型。本申请方案通过对各等级的智能车辆的特征指标进行筛查，保留每个等级下的部分特征指标，简化了模拟智能车辆的生成过程，降低了模拟智能车辆的生成难度，提升了模拟智能车辆的生成效率。

Description

一种模型生成方法、模型生成装置及电子设备

技术领域

本申请属于信息技术领域，尤其涉及一种模型生成方法、模型生成装置、电子设备及计算机可读存储介质。

背景技术

随着自动驾驶技术的发展，智能车辆越来越多，未来势必将会在一长段时期内呈现传统车辆与智能车辆混行的交通状况。基于此，交通流仿真系统所面向的载具对象也将由单一的传统车辆转换为传统车辆及智能车辆。考虑到智能车辆有等级的区分，且不同等级的智能车辆所关注特征指标不同，因而，如何更高效的对不同等级的智能车辆进行模拟，成为当前亟待解决的问题。

发明内容

本申请提供了一种模型生成方法、模型生成装置、电子设备及计算机可读存储介质，可简化各个等级的模拟智能车辆的生成过程，降低模拟智能车辆的生成难度，提升模拟智能车辆的生成效率。

第一方面，本申请提供了一种模型生成方法，包括：

针对每个智能车辆等级，根据与上述智能车辆等级相关联的特征指标及特征约束条件，设定模拟智能车辆；

将各个智能车辆等级下所设定得到的模拟智能车辆按照预设的数量比例输入至预设的交通流仿真系统中，得到交通流仿真结果；

对上述交通流仿真结果进行分析，以筛查出与各个智能车辆等级相关联的特征指标中的目标特征指标；

基于上述目标特征指标生成智能车辆仿真模型。

第二方面，本申请提供了一种模型生成装置，包括：

车辆设定单元，用于针对每个智能车辆等级，根据与上述智能车辆等级相关联的特征指标及特征约束条件，设定模拟智能车辆；

结果获取单元，用于将各个智能车辆等级下所设定得到的模拟智能车辆按照预设的数量比例输入至预设的交通流仿真系统中，得到交通流仿真结果；

指标筛查单元，用于对上述交通流仿真结果进行分析，以筛查出与各个智能车辆等级相关联的特征指标中的目标特征指标；

模型生成单元，用于基于上述目标特征指标生成智能车辆仿真模型。

第三方面，本申请提供了一种电子设备，上述电子设备包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器执行上述计算机程序时实现如上述第一方面的方法的步骤。

第四方面，本申请提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机程序，上述计算机程序被处理器执行时实现如上述第一方面的方法的步骤。

第五方面，本申请提供了一种计算机程序产品，上述计算机程序产品包括计算机程序，上述计算机程序被一个或多个处理器执行时实现如上述第一方面的方法的步骤。

由上可见，通过本申请方案，可对各个等级的智能车辆的特征指标进行筛查，保留每个等级下的部分特征指标，并基于每个等级下所保留的部分特征指标来生成智能车辆仿真模型，通过该智能车辆仿真模型可实现智能车辆的快速模拟，使得各个等级的模拟智能车辆的生成过程得以简化，不仅能够降低模拟智能车辆的生成难度，而且还可提升模拟智能车辆的生成效率。可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的模型生成方法的实现流程示意图；

图2是本申请实施例提供的模型生成装置的结构框图；

图3是本申请实施例提供的电子设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

随着自动驾驶技术的发展，智能车辆越来越多。目前，行业内已基于智能车辆的智能程度对智能车辆的等级进行了划分，具体分为五个等级，此处对各个等级进行简单介绍：

一级智能车辆，其驾驶系统只能进行车道保持或加减速操作，其它驾驶操作仍由驾驶员手动完成。

二级智能车辆，其驾驶系统能够进行方向控制和加减速等多项操作，其它驾驶操作仍由驾驶员手动完成。

三级智能车辆，其驾驶系统可以完成生产厂商设计工况下的所有操作，但驾驶员仍需保持警惕，在驾驶系统发出接管提示时对车辆进行接管。

四级智能车辆，其驾驶系统可以完成生产厂商设计工况下的所有操作，除了某些极特殊情况，一般无需驾驶员进行干预。

五级智能车辆，其驾驶系统可以在所有路段下实现完全自动驾驶，任何时候均无需驾驶员进行干预。

然而，目前的交通流仿真系统，仍主要仅面向传统车辆（也即非智能车辆）进行模拟，或者是面向简单区分的传统车辆及智能车辆进行模拟，并没有考虑到不同等级智能车辆之间的差异。并且，交通流仿真系统中，需要输入大量的模拟车辆（包括模拟智能车辆及模拟传统车辆），如果对各个车辆进行独立模拟，则会导致成本过高。基于此，本申请实施例提出了一种模型生成方法、模型生成装置、电子设备及计算机可读存储介质，可对各个等级的智能车辆的特征指标进行筛查，保留每个等级下的部分特征指标，并基于保留下的特征指标生成智能车辆仿真模型，后续可直接基于智能车辆仿真模型实现智能车辆的模拟，使得各个等级的模拟智能车辆的生成过程得以简化，不仅能够降低模拟智能车辆的生成难度，而且还可提升模拟智能车辆的生成效率。为了说明本申请实施例所提出的技术方案，下面通过具体实施例来进行说明。

下面对本申请实施例提供的一种模型生成方法进行描述。请参阅图1，该模型生成方法包括：

步骤101，针对每个智能车辆等级，根据与上述智能车辆等级相关联的特征指标及特征约束条件，设定模拟智能车辆；

在本申请实施例中，用户可预先根据各个智能车辆等级，设定与各个智能车辆等级相关联的特征指标及特征约束条件。其中，特征约束条件是用来约束对应的智能车辆等级下的特征指标的取值范围。一般来说，不同智能车辆等级所对应的特征指标不同；相应地，不同智能车辆等级所对应的特征约束条件也不同。在特征约束条件的约束下，与各个智能车辆等级相关联的特征指标有着特定的特征指标值范围，因而，可基于该特征指标值范围，设定得到属于对应智能车辆等级的模拟智能车辆。

可选地，用户可设定一特征指标集合。考虑到当前的智能车辆等级共分为五级，因而，上述特征指标集合可以表示为｛cha₁,cha₂,cha₃,cha₄,cha₅｝。其中，下角标数字用于表示所属的智能车辆等级，以cha₁为例，其表示与一级智能车辆相关联的特征指标。当然，用户也可以再设定一特征约束条件集合，该特征约束条件集合中的每一元素分别对应上述特征指标集合中的每一元素，用以表示特征约束条件集合中的元素对特征指标集合中的对应元素的约束。或者，用户也可直接在上述特征指标集合中集成特征约束条件，在这种情况下，以cha₁为例，其可表示与一级智能车辆相关联的特征指标及特征约束条件。

可选地，考虑到对于某一智能车辆等级来说，其所关联的特征指标可能有一项以上。因而，上述特征指标集合中的每一个元素还可包含一项以上子元素，每一子元素对应一特征指标。

在一些实施例中，考虑到一级智能车辆的驾驶系统仅可作为辅助驾驶，驾驶员在驾驶一级智能车辆时，其驾驶操作基本与驾驶传统车辆保持一致。因而，为了简化对一级智能车辆的模拟流程，可视传统车辆等价于一级智能车辆。也即，此处可直接采用传统车辆的仿真模型得到对传统车辆的模拟结果（也即模拟传统车辆），并将该模拟结果视为属于一级智能车辆的模拟结果（也即属于一级智能车辆的模拟智能车辆）。

在一些实施例中，考虑到二级智能车辆的驾驶系统可进行方向控制及加减速操作，因而，对于二级智能车辆来说，本申请实施例中可考虑车辆的高级驾驶辅助系统（Advanced Driving Assistance System，ADAS）性能，具体表现在对前车碰撞的预警及对车道偏离的预警。基于此，电子设备可将预警指标设定为二级智能车辆所关联的特征指标，上述预警指标用于描述智能车辆发出事故预警，该预警指标还可包括前车碰撞预警子指标及车道偏离预警子指标，其中，前车碰撞预警子指标可具体用于描述车辆的前车识别功能对车辆追尾（也即前车碰撞）事故的降低程度，车道偏离预警子指标可具体用于描述车道偏离时车辆内的自动提示对车辆侧向事故的降低程度。相应地，与二级智能车辆相关联的特征约束条件可以为：基于上述预警指标所得的事故率低于预设事故率。其中，考虑到预警指标可包括前车碰撞预警子指标及车道偏离预警子指标，因而，该特征约束条件可被细化为：前车碰撞概率低于预设的前车碰撞概率，以及车道偏离概率低于预设的车道偏离概率。该特征约束条件被记作二级条件。也即，针对二级智能车辆来说，所要设定的特征指标为前车碰撞预警子指标及车道偏离预警子指标，其中，对前车碰撞预警子指标所设定的值（也即前车碰撞预警子指标值）需要使得该车辆的前车碰撞概率低于预设的前车碰撞概率，且对前车碰撞预警子指标所设定的值（也即前车碰撞预警子指标值）需要使得该车辆的前车碰撞概率低于预设的前车碰撞概率，方能够满足对二级智能车辆的模拟要求。因而，对于二级智能车辆，上述步骤101可具体表现为：确定符合上述二级条件的预警指标值范围；基于上述预警指标值范围，由用户或电子设备设定属于二级智能车辆的模拟智能车辆。

在一些实施例中，考虑到三级智能车辆的驾驶系统发出接管提示时，需要驾驶员对车辆进行接管，若驾驶员未接管，或者驾驶员接管不及时，则可能导致出现事故；当然，三级智能车辆在自动驾驶的过程中，由于自动驾驶技术的不完善，也可能出现自动驾驶事故。基于此，电子设备可将自动驾驶事故率指标P₁、驾驶员未接管概率指标P₂及驾驶员接管所需时间指标T₁设定为三级智能车辆所关联的特征指标。相应地，与三级智能车辆相关联的特征约束条件为：基于自动驾驶事故率指标及驾驶员接管所需时间指标所计算而得的事故率低于预设事故率，其中，事故率的计算公式由上述驾驶员接管所需时间指标而确定。其中，当车辆行驶速度较慢（物体碰撞时间大于T₁）时，认为驾驶员有足够时间接管车辆，且接管车辆后可避免发生事故，此时，事故率计算公式为：事故率=自动驾驶事故率指标P₁*驾驶员未接管概率指标P₂；反之，当车辆行驶速度较快（物体碰撞时间小于或等于T₁）时，认为驾驶员已没有足够时间接管车辆，也即，驾驶员即便作出接管行为，车辆也无法回避事故，此时，事故率计算公式为：事故率=自动驾驶事故率指标P₁。该特征约束条件被记作三级条件。因而，对于三级智能车辆，上述步骤101可具体表现为：在不同的驾驶员接管所需时间指标值下，确定符合上述三级条件的自动驾驶事故率指标值范围及驾驶员未接管概率指标值范围，并基于上述自动驾驶事故率指标值范围及驾驶员未接管概率指标值范围，以及对应的驾驶员接管所需时间指标值，由用户或智能设备设定属于三级智能车辆的模拟智能车辆。

在一些实施例中，考虑到四级智能车辆仅在某些极特殊情况下要求驾驶员进行接管，其它情况均可自动驾驶，且其自动驾驶主要依赖于车辆所安装的用于识别障碍物的各个传感器（例如摄像头、毫米波雷达、激光雷达和/或车用无线通信技术（vehicle toeverything，V2X）传感器等），因而，对于四级智能车辆来说，本申请实施例中可考虑车辆的传感器性能及驾驶员的接管情况。基于此，电子设备可将传感器识别指标及驾驶员接管所需时间指标T₁设定为四级智能车辆所关联的特征指标，其中，上述传感器识别指标包括识别距离子指标、识别时间子指标及识别精度子指标，上述识别精度子指标用于表示传感器对障碍物的识别准确率P₃。相应地，与四级智能车辆相关联的特征约束条件为：基于上述传感器识别指标及上述驾驶员接管所需时间指标所计算而得的事故率低于预设事故率，具体为在识别距离子指标及识别时间子指标所指示的识别范围内，事故率低于预设事故率；当车辆行驶速度较慢（物体碰撞时间大于T₁）时，驾驶员有可能接管车辆，此时事故率计算公式为：事故率= (1-P₃)*(1-P₄)；其中，P4=(S_effect/S_max)*100%，S_effect为有效距离，可基于车速及驾驶员反应时间而得，该驾驶员反应时间通常为经验值，仅作为示例，考虑到驾驶员反应时间的正态分布均值为0.5秒，此处可取驾驶员反应时间为0.5秒，则该S_effect=车速*0.5秒；S_max为传感器最大识别距离。该特征约束条件被记作四级条件。因而，对于四级智能车辆，上述步骤101可具体表现为：确定符合上述四级条件的传感器识别指标值范围及驾驶员接管所需时间指标值范围，并基于上述传感器识别指标值范围及驾驶员接管所需时间指标值范围，由用户或智能设备设定属于四级智能车辆的模拟智能车辆。

在一些实施例中，考虑到五级智能车辆不再要求驾驶员接管，可实现完全的自动驾驶，而自动驾驶主要依赖于车辆所安装的用于识别障碍物的各个传感器（例如摄像头、毫米波雷达、激光雷达和/或V2X传感器等），因而，对于五级智能车辆来说，本申请实施例中可考虑车辆的传感器性能。基于此，电子设备可将传感器识别指标设定为五级智能车辆所关联的特征指标，其中，上述传感器识别指标包括识别距离子指标、识别时间子指标及识别精度子指标，上述识别精度子指标用于表示传感器对障碍物的识别准确率P₃。相应地，与五级智能车辆相关联的特征约束条件为：基于上述传感器识别指标所计算而得的事故率低于预设事故率，具体为在识别距离子指标及识别时间子指标所指示的识别范围内，事故率低于预设事故率；事故率计算公式为：事故率=1-P₃。该特征约束条件被记作五级条件。因而，对于五级智能车辆，上述步骤101可具体表现为：确定符合上述五级条件的传感器识别指标值范围，并基于上述传感器识别指标值范围，由用户或智能设备设定属于五级智能车辆的模拟智能车辆。

当然，针对各个智能车辆等级，用户也可自定义其它特征指标及其它特征约束条件，此处不作限定。需要说明的是，与上述智能车辆等级相关联的特征指标值可以是先验的，也可以是后验的，此处不作限定。例如，在先验的情况下，可以是预先获取到传统车辆的事故率，并基于传统车辆的事故率确定预设事故率，之后结合各智能车辆等级的特征约束条件来设定与各智能车辆等级相关联的特征指标的取值范围；或者，在后验的情况下，可以是随机设定与各智能车辆等级相关联的特征指标的取值，得到属于各智能车辆等级的若干模拟智能车辆，然后将这些模拟智能车辆与模拟传统车辆一并输入至交通流仿真系统，通过将各模拟智能车辆的事故率与模拟传统车辆的事故率进行比对，去除掉不符合特征约束条件的模拟智能车辆，即可得到不同智能车辆等级下，各个符合对应的特征约束条件的特征指标的取值。

步骤102，将各个智能车辆等级下所设定得到的模拟智能车辆按照预设的数量比例输入至预设的交通流仿真系统中，得到交通流仿真结果；

在本申请实施例中，每一智能车辆等级下，均可根据用户需求设定得到若干模拟智能车辆。但是，考虑到这些模拟智能车辆的生成是为了对交通流进行仿真，因而，此处可以按照预设的数量比例将各个智能车辆等级下所设定得到的模拟智能车辆输入至预设的交通流仿真系统中。

可选地，上述预设的数量比例可以是根据用户的需求进行设定，也即，用户可自行输入其所需要的属于各个智能车辆等级的模拟智能车辆的数量比例；或者，上述预设的数量比例也可通过真实的交通数据而得，例如，可从交通中心中调用得到该数量比例。仅作为示例，该预设的数量比例可以通过如下方式确定：先确定待仿真行驶区域，也即该交通流仿真系统要对哪一区域的交通流进行仿真；随后，获取预设时间段内，上述待仿真行驶区域中属于各个智能车辆等级的智能车辆的数量；最后，基于上述数量确定属于各个智能车辆等级的智能车辆的数量比例，作为上述预设的数量比例。当然，也可以采用其它方式得到预设的数量比例，此处不作限定。在将各个智能车辆等级下所设定得到的模拟智能车辆按照预设的数量比例输入至预设的交通流仿真系统后，该交通流仿真系统开始进行交通流仿真，并可定制化显示交通流数据，例如车辆数量、拥堵状况和/或事故状况等，本申请实施例不对其仿真时长作出限定。最终，电子设备可得到交通流仿真系统所输出的交通流仿真结果。

步骤103，对上述交通流仿真结果进行分析，以筛查出与各个智能车辆等级相关联的特征指标中的目标特征指标。

在本申请实施例中，用户所设定的特征指标并不一定都对智能车辆的模拟起到了关键作用，因而，为了基于最小的数据量实现对各个不同等级的智能车辆的模拟，电子设备可对上述交通流仿真结果进行分析。

在一种应用场景下，将重要的特征指标确定为目标特征指标，则上述步骤103可以具体为：先通过预设的交通平台，获取待仿真行驶区域在实际生活中的交通流结果，也即交通流实际结果；随后结合预设的主成分分析算法及随机效用回归算法确定与各个智能车辆等级相关联的特征指标中的主成分作为目标特征指标。

在另一种应用场景下，将有助于提高车辆及交通性能的特征指标确定为目标特征指标，则上述步骤103具体为：先通过预设的交通平台，获取待仿真行驶区域在实际生活中的交通流结果，也即交通流实际结果；随后可基于车流量、车速和/或事故率等参数将交通流仿真结果与交通流实际结果进行比对，通常来说，在交通流仿真结果与交通流实际结果之间的差异不存在显著变化时，认为存在有特征指标未能起到关键性作用；只有基于交通流仿真结果下所得到的实际车流量、车速和/或事故率等参数与交通流实际结果下所得到的对应参数相比有所提升时，才认为存在有指标参数能够提高车辆及交通性能；此时，再结合预设的主成分分析算法及随机效用回归算法确定与各个智能车辆等级相关联的特征指标中的主成分作为目标特征指标。通过上述过程，可筛查出与各个智能车辆等级相关联的特征指标中的目标特征指标。

步骤104，基于目标特征指标生成智能车辆仿真模型。

在本申请实施例中，电子设备可根据这些目标特征指标在智能车辆混行条件下构建得到最小化的智能车辆仿真模型，后续在需要时即可由该智能车辆仿真模型快速生成属于各个不同智能车辆等级的模拟智能车辆。考虑到每个智能车辆等级最后所关联的目标特征指标不同，因而，可以理解为是针对每个智能车辆等级均对应生成一智能车辆仿真模型。这样一来，在需要设定某一智能车辆等级下的模拟智能车辆时，电子设备可直接通过该智能车辆等级的智能车辆仿真模型进行模拟。

由上可见，本申请实施例中，可对各个等级的智能车辆的特征指标进行筛查，保留每个等级下较为重要的部分特征指标，后续可直接基于每个等级下所保留的部分特征指标来生成智能车辆仿真模型，通过该智能车辆仿真模型实现智能车辆的快速模拟，可定制化生成满足交通流仿真系统及用户需求的模拟智能车辆，能够帮助交通流仿真系提供更加真实的模拟出在智能车辆混行条件下的交通流状况。上述过程可使各个等级的模拟智能车辆的生成过程得以简化，不仅能够降低模拟智能车辆的生成难度，而且还可提升模拟智能车辆的生成效率。

对应于上文所提供的模型生成方法，本申请实施例还提供了一种模型生成装置。如图2所示，本申请实施例中的模型生成装置200包括：

车辆设定单元201，用于针对每个智能车辆等级，根据与上述智能车辆等级相关联的特征指标及特征约束条件，设定模拟智能车辆；

结果获取单元202，用于将各个智能车辆等级下所设定得到的模拟智能车辆按照预设的数量比例输入至预设的交通流仿真系统中，得到交通流仿真结果；

指标筛查单元203，用于对上述交通流仿真结果进行分析，以筛查出与各个智能车辆等级相关联的特征指标中的目标特征指标；

模型生成单元204，用于基于上述目标特征指标生成智能车辆仿真模型。

可选地，上述模型生成装置200还包括：

区域确定单元，用于确定待仿真行驶区域；

数量获取单元，用于获取预设时间段内，上述待仿真行驶区域中属于各个智能车辆等级的智能车辆的数量；

比例确定单元，用于基于上述数量确定属于各个智能车辆等级的智能车辆的数量比例，作为上述预设的数量比例。

可选地，与二级智能车辆相关联的特征指标为预警指标，上述预警指标用于描述智能车辆发出事故预警；与二级智能车辆相关联的特征约束条件为二级条件，上述二级条件为：基于上述预警指标所得的事故率低于预设事故率；上述车辆设定单元201包括：

第一确定子单元，用于针对二级智能车辆，确定符合上述二级条件的预警指标值范围；

第一设定子单元，用于基于上述预警指标值范围，设定属于二级智能车辆的模拟智能车辆。

可选地，与三级智能车辆相关联的特征指标为自动驾驶事故率指标、驾驶员未接管概率指标及驾驶员接管所需时间指标；与三级智能车辆相关联的特征约束条件为三级条件，上述三级条件为：基于自动驾驶事故率指标及驾驶员接管所需时间指标所计算而得的事故率低于预设事故率，其中，事故率的计算公式由上述驾驶员接管所需时间指标而确定；上述车辆设定单元201包括：

第二确定子单元，用于针对三级智能车辆，在不同的驾驶员接管所需时间指标值下，确定符合上述三级条件的自动驾驶事故率指标值范围及驾驶员未接管概率指标值范围；

第二设定子单元，用于基于上述自动驾驶事故率指标值范围及驾驶员未接管概率指标值范围，以及对应的驾驶员接管所需时间指标值，设定属于三级智能车辆的模拟智能车辆。

可选地，与四级智能车辆相关联的特征指标为传感器识别指标及驾驶员接管所需时间指标，上述传感器识别指标包括识别距离子指标、识别时间子指标及识别精度子指标，上述识别精度子指标用于表示传感器对障碍物的识别准确率；与四级智能车辆相关联的特征约束条件为四级条件，上述四级条件为：基于上述传感器识别指标及上述驾驶员接管所需时间指标所计算而得的事故率低于预设事故率；上述车辆设定单元201包括：

第三确定子单元，用于针对四级智能车辆，确定符合上述四级条件的传感器识别指标值范围及驾驶员接管所需时间指标值范围；

第三设定子单元，用于基于上述传感器识别指标值范围及驾驶员接管所需时间指标值范围，设定属于四级智能车辆的模拟智能车辆。

可选地，与五级智能车辆相关联的特征指标为传感器识别指标，上述传感器识别指标包括识别距离子指标、识别时间子指标及识别精度子指标，上述识别精度子指标用于表示传感器对障碍物的识别准确率；与五级智能车辆相关联的特征约束条件为五级条件，上述五级条件为：基于上述传感器识别指标所计算而得的事故率低于预设事故率；上述车辆设定单元201包括：

第四确定子单元，用于针对五级智能车辆，确定符合上述五级条件的传感器识别指标值范围；

第四设定子单元，用于基于上述传感器识别指标值范围，设定属于五级智能车辆的模拟智能车辆。

可选地，指标筛查单元203，包括：

交通流实际结果获取子单元，用于通过预设的交通平台，获取交通流实际结果；

交通流结果比对子单元，用于将上述交通流仿真结果与上述交通流实际结果进行比对；

目标特征指标确定子单元，用于基于比对结果，采用预设的主成分分析算法及随机效用回归算法确定与各个智能车辆等级相关联的特征指标中的目标特征指标。

由上可见，本申请实施例中，模型生成装置可对各个等级的智能车辆的特征指标进行筛查，保留每个等级下较为重要的部分特征指标，后续可直接基于每个等级下所保留的部分特征指标来生成智能车辆仿真模型，通过该智能车辆仿真模型可实现智能车辆的快速模拟，可定制化生成满足交通流仿真系统及用户需求的模拟智能车辆，能够帮助交通流仿真系提供更加真实的模拟出在智能车辆混行条件下的交通流状况。上述过程可使各个等级的模拟智能车辆的生成过程得以简化，不仅能够降低模拟智能车辆的生成难度，而且还可提升模拟智能车辆的生成效率。

对应于上文所提供的模型生成方法，本申请实施例还提供了一种电子设备，请参阅图3，本申请实施例中的电子设备3包括：存储器301，一个或多个处理器302（图3中仅示出一个）及存储在存储器301上并可在处理器上运行的计算机程序。其中：存储器301用于存储软件程序以及单元，处理器302通过运行存储在存储器301的软件程序以及单元，从而执行各种功能应用以及数据处理，以获取上述预设事件对应的资源。具体地，处理器302通过运行存储在存储器301的上述计算机程序时实现以下步骤：

针对每个智能车辆等级，根据与上述智能车辆等级相关联的特征指标及特征约束条件，设定模拟智能车辆；

将各个智能车辆等级下所设定得到的模拟智能车辆按照预设的数量比例输入至预设的交通流仿真系统中，得到交通流仿真结果；

对上述交通流仿真结果进行分析，以筛查出与各个智能车辆等级相关联的特征指标中的目标特征指标；

基于上述目标特征指标生成智能车辆仿真模型。

假设上述为第一种可能的实施方式，则在上述第一种可能的实施方式作为基础而提供的第二种可能的实施方式中，与二级智能车辆相关联的特征指标为预警指标，上述预警指标用于描述智能车辆发出事故预警；与二级智能车辆相关联的特征约束条件为二级条件，上述二级条件为：基于上述预警指标所得的事故率低于预设事故率；则针对二级智能车辆，上述根据与上述智能车辆等级相关联的特征指标及特征约束条件，设定模拟智能车辆，包括：

确定符合上述二级条件的预警指标值范围；

基于上述预警指标值范围，设定属于二级智能车辆的模拟智能车辆。

在上述第一种可能的实施方式作为基础而提供的第三种可能的实施方式中，与三级智能车辆相关联的特征指标为自动驾驶事故率指标、驾驶员未接管概率指标及驾驶员接管所需时间指标；与三级智能车辆相关联的特征约束条件为三级条件，上述三级条件为：基于自动驾驶事故率指标及驾驶员接管所需时间指标所计算而得的事故率低于预设事故率，其中，事故率的计算公式由上述驾驶员接管所需时间指标而确定；则针对三级智能车辆，上述根据与上述智能车辆等级相关联的特征指标及特征约束条件，设定模拟智能车辆，包括：

在不同的驾驶员接管所需时间指标值下，确定符合上述三级条件的自动驾驶事故率指标值范围及驾驶员未接管概率指标值范围；

基于上述自动驾驶事故率指标值范围及驾驶员未接管概率指标值范围，以及对应的驾驶员接管所需时间指标值，设定属于三级智能车辆的模拟智能车辆。

在上述第一种可能的实施方式作为基础而提供的第四种可能的实施方式中，与四级智能车辆相关联的特征指标为传感器识别指标及驾驶员接管所需时间指标，上述传感器识别指标包括识别距离子指标、识别时间子指标及识别精度子指标，上述识别精度子指标用于表示传感器对障碍物的识别准确率；与四级智能车辆相关联的特征约束条件为四级条件，上述四级条件为：基于上述传感器识别指标及上述驾驶员接管所需时间指标所计算而得的事故率低于预设事故率；则针对四级智能车辆，上述根据与上述智能车辆等级相关联的特征指标及特征约束条件，设定模拟智能车辆，包括：

确定符合上述四级条件的传感器识别指标值范围及驾驶员接管所需时间指标值范围；

基于上述传感器识别指标值范围及驾驶员接管所需时间指标值范围，设定属于四级智能车辆的模拟智能车辆。

在上述第一种可能的实施方式作为基础而提供的第五种可能的实施方式中，与五级智能车辆相关联的特征指标为传感器识别指标，上述传感器识别指标包括识别距离子指标、识别时间子指标及识别精度子指标，上述识别精度子指标用于表示传感器对障碍物的识别准确率；与五级智能车辆相关联的特征约束条件为五级条件，上述五级条件为：基于上述传感器识别指标所计算而得的事故率低于预设事故率；则针对五级智能车辆，上述根据与上述智能车辆等级相关联的特征指标及特征约束条件，设定模拟智能车辆，包括：

确定符合上述五级条件的传感器识别指标值范围；

基于上述传感器识别指标值范围，设定属于五级智能车辆的模拟智能车辆。

在上述第一种可能的实施方式作为基础而提供的第六种可能的实施方式中，上述对上述交通流仿真结果进行分析，以筛查出与各个智能车辆等级相关联的特征指标中的目标特征指标，包括：

通过预设的交通平台，获取交通流实际结果；

将上述交通流仿真结果与上述交通流实际结果进行比对；

基于比对结果，采用预设的主成分分析算法及随机效用回归算法确定与各个智能车辆等级相关联的特征指标中的目标特征指标。

在上述第一种可能的实施方式作为基础，或者上述第二种可能的实施方式作为基础，或者上述第三种可能的实施方式作为基础，或者上述第四种可能的实施方式作为基础，或者上述第五种可能的实施方式作为基础，或者上述第六种可能的实施方式作为基础而提供的第七种可能的实施方式中，在上述将各个智能车辆等级下所设定得到的模拟智能车辆按照预设的数量比例输入至预设的交通流仿真系统中，得到交通流仿真结果之前，处理器302通过运行存储在存储器301的上述计算机程序时还实现以下步骤：

确定待仿真行驶区域；

获取预设时间段内，上述待仿真行驶区域中属于各个智能车辆等级的智能车辆的数量；

基于上述数量确定属于各个智能车辆等级的智能车辆的数量比例，作为上述预设的数量比例。

应当理解，在本申请实施例中，所称处理器302可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器 (DigitalSignal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器301可以包括只读存储器和随机存取存储器，并向处理器302 提供指令和数据。存储器301的一部分或全部还可以包括非易失性随机存取存储器。例如，存储器301还可以存储设备类别的信息。

由上可见，在本申请实施例中，电子设备可对各个等级的智能车辆的特征指标进行筛查，保留每个等级下较为重要的部分特征指标，后续可直接基于每个等级下所保留的部分特征指标来生成智能车辆仿真模型，通过该智能车辆仿真模型实现智能车辆的快速模拟，可定制化生成满足交通流仿真系统及用户需求的模拟智能车辆，能够帮助交通流仿真系提供更加真实的模拟出在智能车辆混行条件下的交通流状况。上述过程可使各个等级的模拟智能车辆的生成过程得以简化，不仅能够降低模拟智能车辆的生成难度，而且还可提升模拟智能车辆的生成效率。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，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单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者外部设备软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关联的硬件来完成，上述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读存储介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机可读存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括是电载波信号和电信信号。

以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种模型生成方法，其特征在于，包括：

针对每个智能车辆等级，根据与所述智能车辆等级相关联的特征指标及特征约束条件，设定模拟智能车辆；

将各个智能车辆等级下所设定得到的模拟智能车辆按照预设的数量比例输入至预设的交通流仿真系统中，得到交通流仿真结果；

对所述交通流仿真结果进行分析，以筛查出与各个智能车辆等级相关联的特征指标中的目标特征指标；

基于所述目标特征指标生成智能车辆仿真模型；

其中，所述对所述交通流仿真结果进行分析，以筛查出与各个智能车辆等级相关联的特征指标中的目标特征指标，包括：

通过预设的交通平台，获取交通流实际结果；

将所述交通流仿真结果与所述交通流实际结果进行比对；

基于比对结果，采用预设的主成分分析算法及随机效用回归算法确定与各个智能车辆等级相关联的特征指标中的目标特征指标。

2.如权利要求1所述的模型生成方法，其特征在于，与二级智能车辆相关联的特征指标为预警指标，所述预警指标用于描述智能车辆发出事故预警；与二级智能车辆相关联的特征约束条件为二级条件，所述二级条件为：基于所述预警指标所得的事故率低于预设事故率；则针对二级智能车辆，所述根据与所述智能车辆等级相关联的特征指标及特征约束条件，设定模拟智能车辆，包括：

确定符合所述二级条件的预警指标值范围；

基于所述预警指标值范围，设定属于二级智能车辆的模拟智能车辆。

3.如权利要求1所述的模型生成方法，其特征在于，与三级智能车辆相关联的特征指标为自动驾驶事故率指标、驾驶员未接管概率指标及驾驶员接管所需时间指标；与三级智能车辆相关联的特征约束条件为三级条件，所述三级条件为：基于自动驾驶事故率指标及驾驶员接管所需时间指标所计算而得的事故率低于预设事故率，其中，事故率的计算公式由所述驾驶员接管所需时间指标而确定；则针对三级智能车辆，所述根据与所述智能车辆等级相关联的特征指标及特征约束条件，设定模拟智能车辆，包括：

在不同的驾驶员接管所需时间指标值下，确定符合所述三级条件的自动驾驶事故率指标值范围及驾驶员未接管概率指标值范围；

基于所述自动驾驶事故率指标值范围及驾驶员未接管概率指标值范围，以及对应的驾驶员接管所需时间指标值，设定属于三级智能车辆的模拟智能车辆。

4.如权利要求1所述的模型生成方法，其特征在于，与四级智能车辆相关联的特征指标为传感器识别指标及驾驶员接管所需时间指标，所述传感器识别指标包括识别距离子指标、识别时间子指标及识别精度子指标，所述识别精度子指标用于表示传感器对障碍物的识别准确率；与四级智能车辆相关联的特征约束条件为四级条件，所述四级条件为：基于所述传感器识别指标及所述驾驶员接管所需时间指标所计算而得的事故率低于预设事故率；则针对四级智能车辆，所述根据与所述智能车辆等级相关联的特征指标及特征约束条件，设定模拟智能车辆，包括：

确定符合所述四级条件的传感器识别指标值范围及驾驶员接管所需时间指标值范围；

基于所述传感器识别指标值范围及驾驶员接管所需时间指标值范围，设定属于四级智能车辆的模拟智能车辆。

5.如权利要求1所述的模型生成方法，其特征在于，与五级智能车辆相关联的特征指标为传感器识别指标，所述传感器识别指标包括识别距离子指标、识别时间子指标及识别精度子指标，所述识别精度子指标用于表示传感器对障碍物的识别准确率；与五级智能车辆相关联的特征约束条件为五级条件，所述五级条件为：基于所述传感器识别指标所计算而得的事故率低于预设事故率；则针对五级智能车辆，所述根据与所述智能车辆等级相关联的特征指标及特征约束条件，设定模拟智能车辆，包括：

确定符合所述五级条件的传感器识别指标值范围；

基于所述传感器识别指标值范围，设定属于五级智能车辆的模拟智能车辆。

6.如权利要求1至5任一项所述的模型生成方法，其特征在于，在所述将各个智能车辆等级下所设定得到的模拟智能车辆按照预设的数量比例输入至预设的交通流仿真系统中，得到交通流仿真结果之前，还包括：

确定待仿真行驶区域；

获取预设时间段内，所述待仿真行驶区域中属于各个智能车辆等级的智能车辆的数量；

基于所述数量确定属于各个智能车辆等级的智能车辆的数量比例，作为所述预设的数量比例。

7.一种模型生成装置，其特征在于，包括：

车辆设定单元，用于针对每个智能车辆等级，根据与所述智能车辆等级相关联的特征指标及特征约束条件，设定模拟智能车辆；

结果获取单元，用于将各个智能车辆等级下所设定得到的模拟智能车辆按照预设的数量比例输入至预设的交通流仿真系统中，得到交通流仿真结果；

指标筛查单元，用于对所述交通流仿真结果进行分析，以筛查出与各个智能车辆等级相关联的特征指标中的目标特征指标；

模型生成单元，用于基于所述目标特征指标生成智能车辆仿真模型；

其中，指标筛查单元，包括：

交通流实际结果获取子单元，用于通过预设的交通平台，获取交通流实际结果；

交通流结果比对子单元，用于将所述交通流仿真结果与所述交通流实际结果进行比对；

目标特征指标确定子单元，用于基于比对结果，采用预设的主成分分析算法及随机效用回归算法确定与各个智能车辆等级相关联的特征指标中的目标特征指标。

8.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至6任一项所述的方法。

9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。

Images