CN111597940A - 渲染模型的评估方法、装置、电子设备及可读存储介质 - Google Patents
渲染模型的评估方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111597940A CN111597940A CN202010377828.4A CN202010377828A CN111597940A CN 111597940 A CN111597940 A CN 111597940A CN 202010377828 A CN202010377828 A CN 202010377828A CN 111597940 A CN111597940 A CN 111597940A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- determining
- value
- rendering
- rendering model
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
Abstract
本申请公开了一种渲染模型的评估方法、装置、电子设备及可读存储介质,涉及自动驾驶技术领域。具体实现方案为:获取渲染图像;所述渲染图像中模拟障碍物是基于路测数据对待评估的障碍物渲染模型进行渲染得到;识别所述渲染图像中每类模拟障碍物的数量;对所述路测数据进行分析,得到每类真实障碍物的数量;根据所述每类模拟障碍物的数量和所述每类真实障碍物的数量,确定所述待评估的障碍物渲染模型的可信信息。本申请中方案,可以实现准确分析障碍物渲染模型的渲染结果,从而提高评估效果。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及自动驾驶技术领域。
背景技术
自动驾驶技术领域中,目前配置在无人车上的人机界面(Human MachineInterface,HMI)装置,可结合高精地图将满足可视化区域的障碍物(包含但不限于建筑物、车道线、行人、自行车、小汽车、大巴、卡车等)渲染模型通过实时采集的路测数据进行渲染。为了保证自动驾驶的安全性,需要测试障碍物渲染模型是否及时准确,以评估其可靠性。
目前在评估障碍物渲染模型时,常通过人工方式用肉眼去观察模型渲染的障碍物类型和数量是否正确。但由于人肉眼的局限性,无法准确辨别障碍物渲染模型的渲染结果,造成评估效果差。
发明内容
本申请实施例提供一种渲染模型的评估方法、装置、电子设备及可读存储介质,以解决现有方式评估障碍物渲染模型时的评估效果差的问题。
为了解决上述技术问题,本申请是这样实现的:
第一方面,本申请实施例提供了一种渲染模型的评估方法,包括:
获取渲染图像;其中,所述渲染图像中模拟障碍物是基于路测数据对待评估的障碍物渲染模型进行渲染得到;
识别所述渲染图像中每类模拟障碍物的数量;
对所述路测数据进行分析,得到每类真实障碍物的数量;
根据所述每类模拟障碍物的数量和所述每类真实障碍物的数量,确定所述待评估的障碍物渲染模型的可信信息。
这样,相比于现有人工评估方式,可以实现准确分析障碍物渲染模型的渲染结果,从而提高评估效果。
第二方面,本申请实施例提供了一种渲染模型的评估装置,包括:
第一获取模块,用于获取渲染图像;其中,所述渲染图像中模拟障碍物是基于路测数据对待评估的障碍物渲染模型进行渲染得到;
识别模块,用于识别所述渲染图像中每类模拟障碍物的数量;
分析模块,用于对所述路测数据进行分析,得到每类真实障碍物的数量;
第一确定模块,用于根据所述每类模拟障碍物的数量和所述每类真实障碍物的数量,确定所述待评估的障碍物渲染模型的可信信息。
第三方面,本申请实施例还提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的渲染模型的评估方法。
第四方面,本申请实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行如上所述的渲染模型的评估方法。
上述申请中的一个实施例具有如下优点或有益效果:可以实现准确分析障碍物渲染模型的渲染结果,从而提高评估效果。因为采用了获取渲染图像;所述渲染图像中模拟障碍物是基于路测数据对待评估的障碍物渲染模型进行渲染得到;识别所述渲染图像中每类模拟障碍物的数量;对所述路测数据进行分析,得到每类真实障碍物的数量;根据所述每类模拟障碍物的数量和所述每类真实障碍物的数量,确定所述待评估的障碍物渲染模型的可信信息的技术手段,所以克服了现有方式评估障碍物渲染模型时的评估效果差的技术问题,进而达到提高评估效果的技术效果。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请实施例的渲染模型的评估方法的流程图;
图2是本申请实施例中障碍物渲染模型的工作流程图;
图3是本申请具体实例中模型评估过程的流程图;
图4是用来实现本申请实施例的渲染模型的评估方法的评估装置的框图;
图5是用来实现本申请实施例的渲染模型的评估方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。说明书以及权利要求中“和/或”表示所连接对象的至少其中之一。
请参见图1,图1是本申请实施例提供的一种渲染模型的评估方法的流程图,该方法应用于电子设备,如图1所示,该方法包括如下步骤:
步骤101:获取渲染图像。
本实施例中,该渲染图像中模拟障碍物是基于路测数据对待评估的障碍物渲染模型进行渲染得到。该渲染图像的数量可为一个或者多个。该路测数据可由车对一切(vehicle to X,V2X)采集模块、传感器、摄像机等采集得到。该障碍物渲染模型可渲染的障碍物包含但不限于以下至少一项:建筑物、车道线、行人、自行车、小汽车、大巴、卡车等。
可选的,该渲染图像可是从HMI装置的显示界面上截屏得到,也可是从本地存储的渲染图像集中提取得到。
一种实施方式中,如图2所示,本申请实施例中障碍物渲染模型的工作流程可包括:首先HMI装置的服务端监听定位&高精地图、道路数据的感知模块、路测程序的PNC模块、V2X采集模块等,获得路测数据;然后该服务端将路测数据实时传递至HMI装置;最后HMI装置借助渲染软件开发工具包SDK,基于获取的路测数据对障碍物渲染模型进行渲染,得到渲染图像,并在显示界面上进行显示。
步骤102:识别渲染图像中每类模拟障碍物的数量。
本实施例中,此步骤可采用现有图像识别方式或者利用现有图像识别工具(比如图像识别软件开发工具包(Software Development Kit,SDK)),识别渲染图像中模拟障碍物的类型以及每类模拟障碍物的数量。之后,可对识别结果进行存储以便使用。
步骤103:对路测数据进行分析,得到每类真实障碍物的数量。
步骤104:根据每类模拟障碍物的数量和每类真实障碍物的数量,确定待评估的障碍物渲染模型的可信信息。
可理解的,由于渲染图像中模拟障碍物是基于路测数据渲染得到,因此在理想情况下,识别渲染图像得到的模拟障碍物的类型以及每类模拟障碍物的数量,与分析路测数据得到的真实障碍物的类型以及每类真实障碍物的数量应该是完全一致的。但由于障碍物渲染模型可能有不准确和无法被及时调度等问题,故而可能会出现模拟障碍物的类型与真实障碍物的类型不一致,和/或每类真实障碍物的数量与对应模拟障碍物的数量不一致的情况。此情况下可根据得到的每类模拟障碍物的数量和每类真实障碍物的数量,对待评估的障碍物渲染模型进行评估。
为了保证评估结果的可信性,在对待评估的障碍物渲染模型进行评估时,所获取的渲染图像优选为一时间段内渲染得到的图像,即多个渲染图像。此时在基于多个渲染图像的识别结果进行评估时,可以分别基于每个渲染图像的识别结果进行评估后,结合每个渲染图像对应的评估结果得到待评估的障碍物渲染模型的评估结果,也可以同时基于多个渲染图像的识别结果,直接对待评估的障碍物渲染模型进行评估,对此本实施例不进行限制。
一种实施方式中,上述可信信息可选为可信结果,比如在每类真实障碍物的数量与对应模拟障碍物的数量满足一定条件下,确定待评估的障碍物渲染模型可信,否则确定待评估的障碍物渲染模型不可信。另一种实施方式中,上述可信信息可选为不可信值,该不可信值是根据每类真实障碍物的数量和对应模拟障碍物的数量的差值计算得到。
本申请实施例的评估方法,通过获取渲染图像,该渲染图像中模拟障碍物是基于路测数据对待评估的障碍物渲染模型进行渲染得到,识别该渲染图像中每类模拟障碍物的数量,对该路测数据进行分析,得到每类真实障碍物的数量,并根据每类模拟障碍物的数量和每类真实障碍物的数量,确定待评估的障碍物渲染模型的可信信息,可以实现准确分析障碍物渲染模型的渲染结果,从而提高评估效果。
进一步的,相比于人工评估方式,本申请实施例中的评估方法还可以不受道路场景规模、复杂度(比如包括的障碍物类型多样、障碍物数量繁多)、变化大小(比如在交通路口或者车道上,周围变化的物体如行人和车辆等,前后变化较大)等因素的限制,从而可以定性且准确的评估障碍物渲染模型的可用性,实现定性评估模型好坏。
本申请实施例中,上述步骤104中确定待评估的障碍物渲染模型的可信信息的过程可包括:
针对每类真实障碍物,分别执行以下过程:计算所述真实障碍物的数量与第一模拟障碍物的数量的差值绝对值,其中,所述第一模拟障碍物与所述真实障碍物的类型相同;计算所述差值绝对值与所述真实障碍物的数量的比值;
根据计算得到的每类真实障碍物对应的比值,确定所述待评估的障碍物渲染模型的可信信息。
这样,可以借助真实障碍物与对应模拟障碍物的数量差异,准确实现模型评估。
一种实施方式中,可在计算得到的每类真实障碍物对应的比值都小于预设阈值的情况下,确定待评估的障碍物渲染模型可信,否则确定待评估的障碍物渲染模型不可信。另一种实施方式中,可在计算得到的每类真实障碍物对应的比值中某些比值的小于预设阈值的情况下,确定待评估的障碍物渲染模型可信,否则确定待评估的障碍物渲染模型不可信。
可选的,在上述可信信息为不可信值的情况下,上述根据计算得到的每类真实障碍物对应的比值,确定待评估的障碍物渲染模型的可信信息的过程可包括:将计算得到的每类真实障碍物对应的比值之和,确定为待评估的障碍物渲染模型的不可信值;或者,将计算得到的每类真实障碍物对应的比值的均值,确定为待评估的障碍物渲染模型的不可信值。在确定不可信值之后,若该不可信值处于预设不可信值区间时,则可确定待评估的障碍物渲染模型的可信;或者,若该不可信值没有处于预设不可信值区间时,则可确定待评估的障碍物渲染模型的不可信。由此,可以采用数值计算方式,简便且准确的确定渲染模型的可信性。
需指出的,该不可信值表示待评估的障碍物渲染模型的不可信程度,即不可信值越小,表示待评估的障碍物渲染模型越可信。在理想情况下,不可信值为0时,即真实障碍物的数量与对应模拟障碍物的数量一致时,模型的可信程度最高。
例如图3所示,本申请具体实例中模型评估过程可包括:首先在HMI装置运行期间,定周期的比如通过adb命令截取显示界面上渲染图像,该渲染图像中模拟障碍物是基于路测数据对待评估的障碍物渲染模型进行渲染得到,并将截取图像以时间戳格式命名,并保存在本地;然后,结束HMI装置运行后,调用预先训练的图像识别工具对保存的渲染图像进行识别,分析每个时间点的渲染图像上模拟障碍物的类型和每类模拟障碍物的数据,并对每个渲染图像的识别结果进行保存,该识别结果可作为统计值;比如,该识别结果可采用如下预定格式进行保存:用户名;障碍物类型1该类型1对应数量;障碍物类型2该类型2对应数量;……;比如,XXX;car 18;bus 5;building 4;同时,从自动驾驶计算节点模块,解析HMI运行期间内的感知、V2X等模块的日志log,以截取的HMI第一个渲染图像和最后一个渲染图像对应的时间戳为日志的起始点,获取对应的路测数据,分析日志每个时间点的真实障碍物的类型和每类真实障碍物的数据,并将分析结果作为真值;最后,针对每类真实障碍物,基于真值和统计值的差值绝对值与真值的比值,确定模型的不可信值。
本申请实施例中,由于模型调用延迟等原因可能会影响模型渲染效果,影响用户体验,因此为了兼顾模型渲染效果,在确定待评估的障碍物渲染模型的可信信息的前提下,所述评估方法还可包括:
获取所述渲染图像对应的预设时间段内渲染图像的帧率平均值;该帧率平均值可是通过adb命令对预设时间段内帧率结果计算平均值得到;
根据所述帧率平均值,确定所述待评估的障碍物渲染模型的帧率可靠信息;
根据所述可信信息和所述帧率可靠信息,确定所述待评估的障碍物渲染模型是否可靠。
这样,结合可信信息和帧率可靠信息对待评估的障碍物渲染模型进行评估,可以从模型准确性和模型渲染效果两个角度来评估模型是否可靠,从而提高评估效果。
一种实施方式中,上述帧率可靠信息可选为帧率可靠结果,比如帧率平均值接近预设阈值(比如16.67,理想状态每秒展示60帧时人眼感受不到卡顿,1000ms/60帧,即每帧绘制时间不应超过16.67ms),确定帧率可靠,否则确定帧率不可靠。另一种实施方式中,上述帧率可靠信息可选为帧率可靠值,该帧率可靠值可基于帧率平均值与预设阈值的比值得到。
可选的,上述根据所述帧率平均值,确定所述待评估的障碍物渲染模型的帧率可靠信息的过程可包括:将所述帧率平均值与预设阈值(比如16.67)的比值,确定为所述待评估的障碍物渲染模型的帧率可靠值。
进一步的在上述可信信息为不可信值的情况下,上述根据所述可信信息和所述帧率可靠信息,确定所述待评估的障碍物渲染模型是否可靠的过程可包括:当所述不可信值处于预设不可信值区间,且所述帧率可靠值处于预设可靠值区间时,确定所述待评估的障碍物渲染模型可靠;或者,当所述不可信值没有处于预设不可信值区间,和/或所述帧率可靠值没有处于预设可靠值区间时,确定所述待评估的障碍物渲染模型不可靠。其中该预设不可信值区间和预设可靠值区间可以基于实际需要预先设置。由此,可以采用数值比较方式,简便且准确的评估渲染模型的好坏。
请参见图4,图4是本申请实施例提供的一种渲染模型的评估装置的结构示意图,如图4所示,该评估装置40包括:
第一获取模块41,用于获取渲染图像;其中,所述渲染图像中模拟障碍物是基于路测数据对待评估的障碍物渲染模型进行渲染得到;
识别模块42,用于识别所述渲染图像中每类模拟障碍物的数量;
分析模块43,用于对所述路测数据进行分析,得到每类真实障碍物的数量;
第一确定模块44,用于根据所述每类模拟障碍物的数量和所述每类真实障碍物的数量,确定所述待评估的障碍物渲染模型的可信信息。
可选的,所述第一确定模块44可包括:
执行单元,用于针对每类真实障碍物,分别执行以下过程:计算所述真实障碍物的数量与第一模拟障碍物的数量的差值绝对值,其中,所述第一模拟障碍物与所述真实障碍物的类型相同;计算所述差值绝对值与所述真实障碍物的数量的比值;
确定单元,用于根据计算得到的每类真实障碍物对应的比值,确定所述待评估的障碍物渲染模型的可信信息。
可选的,所述确定单元具体用于:
将计算得到的每类真实障碍物对应的比值之和,确定为所述待评估的障碍物渲染模型的不可信值;
或者,将计算得到的每类真实障碍物对应的比值的均值,确定为所述待评估的障碍物渲染模型的不可信值。
可选的,所述装置还包括:
第二获取模块,用于获取所述渲染图像对应的预设时间段内渲染图像的帧率平均值;
第二确定模块,用于根据所述帧率平均值,确定所述待评估的障碍物渲染模型的帧率可靠信息;
第三确定模块,用于根据所述可信信息和所述帧率可靠信息,确定所述待评估的障碍物渲染模型是否可靠。
可选的,所述第二确定模块具体用于:将所述帧率平均值与预设阈值的比值,确定为所述待评估的障碍物渲染模型的帧率可靠值;
所述第三确定模块具体用于:在所述可信信息为不可信值的情况下,当所述不可信值处于预设不可信值区间,且所述帧率可靠值处于预设可靠值区间时,确定所述待评估的障碍物渲染模型可靠;或者,当所述不可信值没有处于所述预设不可信值区间,和/或所述帧率可靠值没有处于所述预设可靠值区间时,确定所述待评估的障碍物渲染模型不可靠。
可理解的,本申请实施例的评估装置40,可以实现上述图1所示方法实施例中实现的各个过程,以及达到相同的有益效果,为避免重复,这里不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图5所示,是用来实现本申请实施例的渲染模型的评估方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的渲染模型的评估方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的渲染模型的评估方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的渲染模型的评估方法对应的程序指令/模块(例如,附图4所示的第一获取模块41、识别模块42、分析模块45和第一确定模块44)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的渲染模型的评估方法。
存储器502可以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、至少一个功能所需要的应用程序;存储数据区可存储电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。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。
渲染模型的评估方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与渲染模型的评估方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声音输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,可以实现准确分析障碍物渲染模型的渲染结果,从而提高评估效果。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (12)
1.一种渲染模型的评估方法,其特征在于,包括:
获取渲染图像;其中,所述渲染图像中模拟障碍物是基于路测数据对待评估的障碍物渲染模型进行渲染得到;
识别所述渲染图像中每类模拟障碍物的数量;
对所述路测数据进行分析,得到每类真实障碍物的数量;
根据所述每类模拟障碍物的数量和所述每类真实障碍物的数量,确定所述待评估的障碍物渲染模型的可信信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述每类模拟障碍物的数量和所述每类真实障碍物的数量,确定所述待评估的障碍物渲染模型的可信信息,包括:
针对每类真实障碍物,分别执行以下过程:计算所述真实障碍物的数量与第一模拟障碍物的数量的差值绝对值,其中,所述第一模拟障碍物与所述真实障碍物的类型相同;计算所述差值绝对值与所述真实障碍物的数量的比值;
根据计算得到的每类真实障碍物对应的比值,确定所述待评估的障碍物渲染模型的可信信息。
3.根据权利要求2所述的方法,其特征在于,所述根据计算得到的每类真实障碍物对应的比值,确定所述待评估的障碍物渲染模型的可信信息,包括:
将计算得到的每类真实障碍物对应的比值之和,确定为所述待评估的障碍物渲染模型的不可信值;
或者,
将计算得到的每类真实障碍物对应的比值的均值,确定为所述待评估的障碍物渲染模型的不可信值。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述渲染图像对应的预设时间段内渲染图像的帧率平均值;
根据所述帧率平均值,确定所述待评估的障碍物渲染模型的帧率可靠信息;
根据所述可信信息和所述帧率可靠信息,确定所述待评估的障碍物渲染模型是否可靠。
5.根据权利要求4所述的方法,其特征在于,所述根据所述帧率平均值,确定所述待评估的障碍物渲染模型的帧率可靠信息,包括:
将所述帧率平均值与预设阈值的比值,确定为所述待评估的障碍物渲染模型的帧率可靠值;
在所述可信信息为不可信值的情况下,所述根据所述可信信息和所述帧率可靠信息,确定所述待评估的障碍物渲染模型是否可靠,包括:
当所述不可信值处于预设不可信值区间,且所述帧率可靠值处于预设可靠值区间时,确定所述待评估的障碍物渲染模型可靠;或者,当所述不可信值没有处于所述预设不可信值区间,和/或所述帧率可靠值没有处于所述预设可靠值区间时,确定所述待评估的障碍物渲染模型不可靠。
6.一种渲染模型的评估装置,其特征在于,包括:
第一获取模块,用于获取渲染图像;其中,所述渲染图像中模拟障碍物是基于路测数据对待评估的障碍物渲染模型进行渲染得到;
识别模块,用于识别所述渲染图像中每类模拟障碍物的数量;
分析模块,用于对所述路测数据进行分析,得到每类真实障碍物的数量;
第一确定模块,用于根据所述每类模拟障碍物的数量和所述每类真实障碍物的数量,确定所述待评估的障碍物渲染模型的可信信息。
7.根据权利要求6所述的装置,其特征在于,
所述第一确定模块包括:
执行单元,用于针对每类真实障碍物,分别执行以下过程:计算所述真实障碍物的数量与第一模拟障碍物的数量的差值绝对值,其中,所述第一模拟障碍物与所述真实障碍物的类型相同;计算所述差值绝对值与所述真实障碍物的数量的比值;
确定单元,用于根据计算得到的每类真实障碍物对应的比值,确定所述待评估的障碍物渲染模型的可信信息。
8.根据权利要求7所述的装置,其特征在于,
所述确定单元具体用于:
将计算得到的每类真实障碍物对应的比值之和,确定为所述待评估的障碍物渲染模型的不可信值;
或者,
将计算得到的每类真实障碍物对应的比值的均值,确定为所述待评估的障碍物渲染模型的不可信值。
9.根据权利要求6所述的装置,其特征在于,所述装置还包括:
第一获取模块,用于获取所述渲染图像对应的预设时间段内渲染图像的帧率平均值;
第二确定模块,用于根据所述帧率平均值,确定所述待评估的障碍物渲染模型的帧率可靠信息;
第三确定模块,用于根据所述可信信息和所述帧率可靠信息,确定所述待评估的障碍物渲染模型是否可靠。
10.根据权利要求9所述的装置,其特征在于,所述第二确定模块具体用于:将所述帧率平均值与预设阈值的比值,确定为所述待评估的障碍物渲染模型的帧率可靠值;
所述第三确定模块具体用于:在所述可信信息为不可信值的情况下,当所述不可信值处于预设不可信值区间,且所述帧率可靠值处于预设可靠值区间时,确定所述待评估的障碍物渲染模型可靠;或者,当所述不可信值没有处于预设不可信值区间,和/或所述帧率可靠值处于预设可靠值区间时,确定所述待评估的障碍物渲染模型不可靠。
11.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010377828.4A CN111597940B (zh) | 2020-05-07 | 2020-05-07 | 渲染模型的评估方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010377828.4A CN111597940B (zh) | 2020-05-07 | 2020-05-07 | 渲染模型的评估方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111597940A true CN111597940A (zh) | 2020-08-28 |
CN111597940B CN111597940B (zh) | 2023-10-03 |
Family
ID=72185328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010377828.4A Active CN111597940B (zh) | 2020-05-07 | 2020-05-07 | 渲染模型的评估方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111597940B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528848A (zh) * | 2020-12-11 | 2021-03-19 | 北京百度网讯科技有限公司 | 障碍物检测的测评方法、装置、设备以及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08124080A (ja) * | 1994-10-20 | 1996-05-17 | Honda Motor Co Ltd | 車両の障害物検出装置 |
JP2005337925A (ja) * | 2004-05-27 | 2005-12-08 | Nissan Motor Co Ltd | 車両走行制御システムの悪路走行シミュレーション装置、および、車両走行制御システム作動感度評価装置 |
US20130016216A1 (en) * | 2011-07-15 | 2013-01-17 | Audi Ag | Method for evaluating an object recognition device of a motor vehicle |
CN107843440A (zh) * | 2017-10-30 | 2018-03-27 | 青岛慧拓智能机器有限公司 | 一种自动驾驶车辆性能测试系统及方法 |
US20180130353A1 (en) * | 2016-11-10 | 2018-05-10 | Allstate Solutions Private Limited | Identifying Roadway Obstacles Based on Vehicular Data |
CN109598066A (zh) * | 2018-12-05 | 2019-04-09 | 百度在线网络技术(北京)有限公司 | 预测模块的效果评估方法、装置、设备和存储介质 |
CN109991605A (zh) * | 2019-04-03 | 2019-07-09 | 吉林大学 | 一种智能网联汽车环境感知系统的多雷达数据融合方法 |
CN110727434A (zh) * | 2019-10-21 | 2020-01-24 | 百度在线网络技术(北京)有限公司 | 渲染方法、装置、电子设备及存储介质 |
CN110815202A (zh) * | 2018-08-07 | 2020-02-21 | 杭州海康机器人技术有限公司 | 障碍物检测方法及装置 |
-
2020
- 2020-05-07 CN CN202010377828.4A patent/CN111597940B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08124080A (ja) * | 1994-10-20 | 1996-05-17 | Honda Motor Co Ltd | 車両の障害物検出装置 |
JP2005337925A (ja) * | 2004-05-27 | 2005-12-08 | Nissan Motor Co Ltd | 車両走行制御システムの悪路走行シミュレーション装置、および、車両走行制御システム作動感度評価装置 |
US20130016216A1 (en) * | 2011-07-15 | 2013-01-17 | Audi Ag | Method for evaluating an object recognition device of a motor vehicle |
US20180130353A1 (en) * | 2016-11-10 | 2018-05-10 | Allstate Solutions Private Limited | Identifying Roadway Obstacles Based on Vehicular Data |
CN107843440A (zh) * | 2017-10-30 | 2018-03-27 | 青岛慧拓智能机器有限公司 | 一种自动驾驶车辆性能测试系统及方法 |
CN110815202A (zh) * | 2018-08-07 | 2020-02-21 | 杭州海康机器人技术有限公司 | 障碍物检测方法及装置 |
CN109598066A (zh) * | 2018-12-05 | 2019-04-09 | 百度在线网络技术(北京)有限公司 | 预测模块的效果评估方法、装置、设备和存储介质 |
CN109991605A (zh) * | 2019-04-03 | 2019-07-09 | 吉林大学 | 一种智能网联汽车环境感知系统的多雷达数据融合方法 |
CN110727434A (zh) * | 2019-10-21 | 2020-01-24 | 百度在线网络技术(北京)有限公司 | 渲染方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
黄璐: "基于本体论的无人驾驶车辆场景评估与行为决策方法研究" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528848A (zh) * | 2020-12-11 | 2021-03-19 | 北京百度网讯科技有限公司 | 障碍物检测的测评方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111597940B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111273268B (zh) | 自动驾驶障碍物类型的识别方法、装置及电子设备 | |
CN111739344B (zh) | 一种预警方法、装置及电子设备 | |
EP3862723A2 (en) | Method and apparatus for detecting map quality | |
CN111611711B (zh) | 自动驾驶数据处理方法、装置及电子设备 | |
CN112132113A (zh) | 车辆再识别的方法、装置、训练方法以及电子设备 | |
CN111324945B (zh) | 传感器方案确定方法、装置、设备及存储介质 | |
CN110703732B (zh) | 相关性检测方法、装置、设备及计算机可读存储介质 | |
JP7214702B2 (ja) | 車両列の長さを検出する方法、車両列の長さを検出する装置、電子機器、記憶媒体及びコンピュータプログラム | |
CN110910665A (zh) | 信号灯控制方法、装置以及计算机设备 | |
CN111652153B (zh) | 场景自动识别方法、装置、无人车及存储介质 | |
CN113704116A (zh) | 自动驾驶车辆的数据处理方法、装置、电子设备和介质 | |
CN111339877B (zh) | 盲区的长度检测方法、装置、电子设备及存储介质 | |
CN111597940B (zh) | 渲染模型的评估方法、装置、电子设备及可读存储介质 | |
CN114565908A (zh) | 车道线的检测方法、装置、电子设备及存储介质 | |
CN114238790A (zh) | 用于确定最大感知范围的方法、装置、设备以及存储介质 | |
CN113050501A (zh) | 一种车间虚拟监控系统及服务终端 | |
CN111640301B (zh) | 故障车辆检测方法及包括路侧单元的故障车辆检测系统 | |
CN113011298A (zh) | 截断物体样本生成、目标检测方法、路侧设备和云控平台 | |
CN110798681A (zh) | 成像设备的监测方法、装置和计算机设备 | |
CN113591885A (zh) | 目标检测模型训练方法、设备及计算机存储介质 | |
CN115657494A (zh) | 虚拟对象仿真方法、装置、设备及存储介质 | |
CN110865421A (zh) | 业务模型训练方法、障碍物检测方法、装置和电子设备 | |
CN116225877A (zh) | 一种性能测试方法、装置、电子设备和存储介质 | |
CN112699754B (zh) | 信号灯识别方法、装置、设备以及存储介质 | |
CN110849327B (zh) | 拍摄盲区的长度确定方法、装置以及计算机设备 |
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 |