CN111625950B - 自动驾驶仿真场景重建方法、装置、设备和介质 - Google Patents
自动驾驶仿真场景重建方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN111625950B CN111625950B CN202010432551.0A CN202010432551A CN111625950B CN 111625950 B CN111625950 B CN 111625950B CN 202010432551 A CN202010432551 A CN 202010432551A CN 111625950 B CN111625950 B CN 111625950B
- Authority
- CN
- China
- Prior art keywords
- behavior
- obstacle
- host vehicle
- target
- automatic driving
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000003993 interaction Effects 0.000 claims abstract description 65
- 230000006399 behavior Effects 0.000 claims description 277
- 238000012360 testing method Methods 0.000 claims description 44
- 230000002452 interceptive effect Effects 0.000 claims description 34
- 230000015654 memory Effects 0.000 claims description 19
- 239000012634 fragment Substances 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002730 additional effect Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Computer Hardware Design (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种自动驾驶仿真场景重建方法、装置、设备和介质，涉及自动驾驶仿真技术。具体实现方案为：根据待测的自动驾驶主车和仿真场景中目标障碍物各自的轨迹数据，实时判断所述自动驾驶主车与所述目标障碍物的当前交互行为类型；根据所述当前交互行为类型对应的目标行为模型，并结合所述自动驾驶主车和目标障碍物当前的行为数据，对所述目标障碍物的行为进行重建；其中，所述行为模型用于描述不同交互行为类型中自动驾驶主车与障碍物的交互行为特征。本申请实施例可以根据自动驾驶主车与目标障碍物的交互关系实时选择障碍车的行为模型，对目标障碍物的行为进行实时重建，保证了目标障碍物的智能性，确保了仿真场景的合理性。
Description
技术领域
本申请涉及计算机领域，尤其涉及一种自动驾驶仿真技术，具体涉及一种自动驾驶仿真场景重建方法、装置、设备和介质。
背景技术
目前，自动驾驶仿真场景主要分为两类，人工编辑场景和基于路测数据的重建场景。其中，基于路测数据的重建场景复杂度更高，更符合实际路况，能够更好的验证自动驾驶算法的有效性，提高自动驾驶的迭代效率。
传统的基于路测数据的场景重建是将路测数据进行回放。然而，受限于感知传感器性能、天气因素以及感知算法性能的局限性，路测感知数据的质量随着距离路测自动驾驶主车的距离增大而急剧下降，因此，当仿真中自动驾驶主车与路测时自动驾驶主车的相对位置较远时，仿真中自动驾驶主车周边的障碍物的质量将非常糟糕，存在大量噪声，比如障碍物位置、polygon、速度等属性的跳变。同时，待测试的自动驾驶算法发生变化后，自动驾驶主车和路测主车的相对行为会发生变化，而回放式重建场景中的障碍物并不会根据自动驾驶主车的行为而做出反应。因此，回放式重建场景中存在场景不合理的问题。
发明内容
本申请实施例提供一种自动驾驶仿真场景重建方法、装置、设备和介质，以解决回放式重建场景中存在的场景不合理的问题。
第一方面，本申请实施例提供了一种自动驾驶仿真场景重建方法，包括：
根据待测的自动驾驶主车和仿真场景中目标障碍物各自的轨迹数据，实时判断所述自动驾驶主车与所述目标障碍物的当前交互行为类型；
根据所述当前交互行为类型对应的目标行为模型，并结合所述自动驾驶主车和目标障碍物当前的行为数据，对所述目标障碍物的行为进行重建；
其中，所述行为模型用于描述不同交互行为类型中自动驾驶主车与障碍物的交互行为特征。
第二方面，本申请实施例还提供了一种自动驾驶仿真场景重建装置，包括：
交互行为类型判断模块，用于根据待测的自动驾驶主车和仿真场景中目标障碍物各自的轨迹数据，实时判断所述自动驾驶主车与所述目标障碍物的当前交互行为类型；
重建模块，用于根据所述当前交互行为类型对应的目标行为模型，并结合所述自动驾驶主车和目标障碍物当前的行为数据，对所述目标障碍物的行为进行重建；
其中，所述行为模型用于描述不同交互行为类型中自动驾驶主车与障碍物的交互行为特征。
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本申请任意实施例所述的自动驾驶仿真场景重建方法。
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，所述计算机指令用于使所述计算机执行本申请任意实施例所述的自动驾驶仿真场景重建方法。
根据本申请实施例的技术方案，通过实时对自动驾驶主车与目标障碍物之间的交互行为类型进行判断，然后根据当前交互行为类型确定目标行为模型，最后根据目标行为模型和自动驾驶主车和目标障碍物当前的行为数据，对目标障碍物的行为进行实时的重建，保证了障碍车的智能性，确保了场景的合理性。
应当理解，本部分所描述的内容并非旨在标识本申请实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解，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是根据本申请第一实施例的自动驾驶仿真场景重建方法的流程示意图；
图2是根据本申请第二实施例的自动驾驶仿真场景重建方法的流程示意图；
图3是根据本申请第三实施例的自动驾驶仿真场景重建装置的结构示意图；
图4是用来实现本申请实施例的自动驾驶仿真场景重建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。
图1是根据本申请第一实施例的自动驾驶仿真场景重建方法的流程示意图，本实施例可适用于针对自动驾驶仿真场景中出现的不合理的问题进行实时重建的情况。该方法可由一种仿真场景重建装置来执行，该装置采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如计算机设备或服务器等。如图1所示，该方法具体包括如下：
S101、根据待测的自动驾驶主车和仿真场景中目标障碍物各自的轨迹数据，实时判断所述自动驾驶主车与所述目标障碍物的当前交互行为类型。
具体的，基于路测数据建立好仿真场景后，对自动驾驶主车的算法进行测试，在此过程中，由于待测的主车算法与路测主车的算法存在差别，从而导致经常会出现场景不合理的问题。例如，当前仿真场景中，若障碍物在主车后面，但是实际路测数据中是在左边，那么按照实际路测数据，该障碍物会一直往前走，结果就会撞上主车，这种情况就属于出现了路测数据不合理的现象，需要对此时的仿真场景进行重建，例如让障碍物减速，这样就不会撞上主车。
障碍物可以包括行人、车辆和自行车等路面上出现的移动物体。由于场景中的障碍物有很多，有些障碍物与主车相距较远，或者某些障碍物的行为并不会与主车形成某种交互，或者干扰到主车的行为，那么对于这些障碍物则可以不进行重建，这样，也可以提高场景重建的效率，对目标障碍物进行有针对性的重建。其中，所述目标障碍物就是指位于所述自动驾驶主车的交互空间内的障碍物，而所述交互空间是指主车周围设定范围内的空间，并且在该空间内，障碍物与主车的预测碰撞时间小于预设阈值。也就是说，通过检测发现，若存在一障碍物，其在小于预设阈值的时间内就会与主车发生碰撞，那么就认为该障碍物进入了主车的交互空间，该障碍物就会作为目标障碍物，对该目标障碍物与主车之间的交互行为类型进行实时的判断，直到其离开主车的交互空间为止。至于所述预测碰撞时间，则可以根据路测数据中每个障碍物与主车的相对位置和相对速度以及障碍物的轨迹等数据进行预测得到。
进一步的，自动驾驶主车和目标障碍物各自的轨迹数据，是指每一时刻主车和障碍物的位置信息、速度与加速度信息、车辆位姿信息等与车辆行驶有关的信息。其中，初始时，目标障碍物的轨迹数据可以从路测数据中获取到。
根据自动驾驶主车和目标障碍物各自的轨迹数据，可以确定出主车与目标障碍物之间的相对关系。例如，当前时刻主车和目标障碍物并行行驶，但是下一时刻通过路测数据可知，目标障碍物要向主车所在车道进行变道，因为此时，按照路测数据，目标障碍物的主车方向并没有任何车辆，其是正常进行变道的。但是在当前场景下，在主车正常行驶的情况下，如果目标障碍物变道，则会与主车发生碰撞，出现不合理的问题，需要对目标障碍物进行重建。此时，可以通过不同的方式来重建目标障碍物的行为，例如避让或加速超车等，这些都可以作为不同的交互行为类型，因此，根据自动驾驶主车和目标障碍物各自的轨迹数据，就可以实时判断出自动驾驶主车与目标障碍物的当前交互行为类型，以便后续根据当前交互行为类型对目标障碍物进行重建。其中，交互行为类型包括但不限于减速、避让、超车、跟车、切车等。这些类型可以预先定义，同时，也可以不断进行扩展，本申请对此不作任何限定。
S102、根据所述当前交互行为类型对应的目标行为模型，并结合所述自动驾驶主车和目标障碍物当前的行为数据，对所述目标障碍物的行为进行重建；其中，所述行为模型用于描述不同交互行为类型中自动驾驶主车与障碍物的交互行为特征。
具体的，可以预先统计出不同的交互行为类型对应的交互行为特征，并依据这些特征搭建相应的行为模型。模型是一种抽象的表达，模型中可以通过例如公式或算法来表示一种行为类型的特征。本实施例中，每一种交互行为类型都有其对应的行为模型，来描述相应的交互行为类型中自动驾驶主车与障碍物的交互行为特征。例如，当前仿真场景中，若障碍物在主车后面，但是实际路测数据中该障碍物的前方并没有任何车辆，根据路测数据，该障碍物的加速度大于主车，那么若主车一直往前走就会与主车发生碰撞。在这个例子中，交互行为类型可以是减速，通过让障碍物减速就可以避免碰撞，而减速这种交互行为类型中，其交互行为特征可以包括障碍物的加速度大于主车，并且相对位置为障碍物在主车后方。于是，可以基于该交互行为特征搭建相应的行为模型。
在确定出目标行为模型之后，还需要结合自动驾驶主车和目标障碍物当前的行为数据，才可以重建目标障碍物的行为。因为不同的场景下，同一种交互行为类型的具体参数也是不同的。例如，同样是减速，不同场景下的减速度也并不相同。因此，需要结合主车和目标障碍物此时的行为数据，根据模型确定该如何对其行为进行重建。
因此，在一种具体的实施方式中，可以将自动驾驶主车和目标障碍物当前的行为数据作为目标行为模型的输入，通过目标行为模型计算出当前模型参数；使用所述当前模型参数重建目标障碍物在当前时刻之后的设定时间内的行为。由此可知，本申请实施例中，重建的是场景中障碍物在当前时刻之后的行为，通过重建障碍物未来的行为，来消除当前场景中的不合理问题，保证了障碍物的智能型。
此外，本申请实施例中，在S102判断所述当前交互行为类型之前，所述方法还包括：对所述仿真场景中原始的路测数据进行去噪处理。例如，去除感知噪声，比如跳变或抖动等，使场景相对稳定。
本申请实施例的技术方案，通过实时对自动驾驶主车与目标障碍物之间的交互行为类型进行判断，然后根据当前交互行为类型确定目标行为模型，最后根据目标行为模型和自动驾驶主车和目标障碍物当前的行为数据，对目标障碍物的行为进行实时的重建，保证了障碍车的智能性，确保了场景的合理性。
图2是根据本申请第二实施例的自动驾驶仿真场景重建方法的流程示意图，本实施例在上述实施例的基础上进一步进行优化。如图2所示，该方法具体包括如下：
S201、将所述待测的自动驾驶主车和仿真场景中目标障碍物各自的轨迹数据，实时与预先创建的行为模型库中的至少一个行为模型进行匹配。
S202、将匹配上的行为模型作为目标行为模型，将所述目标行为模型对应的交互行为类型作为当前交互行为类型。
其中，所述行为模型库是预先创建的，包括了各种交互行为类型对应的行为模型。由于行为模型描述了不同交互行为类型中自动驾驶主车与障碍物的交互行为特征，而轨迹数据是主车和障碍物各时刻的行为数据集合，是主车与障碍物之间交互行为的数据体现，因此，通过将轨迹数据与行为模型库中的模型进行匹配，即可确定相匹配的模型即为目标行为模型，其对应的交互行为类型即为当前交互行为类型。
在一种实施方式中，所述行为模型库的创建过程包括：
a.根据获取的路测数据识别每个障碍物；
b.对每个障碍物在场景中的整个生命周期的行为，基于场景进行行为语义分析；
c.按照不同的行为语义对每个障碍物的行为进行切割，得到至少一个行为片段，其中，所述行为片段中至少包括障碍物的行为信息及其与自动驾驶主车的交互行为信息；
d.对所述至少一个行为片段中相同行为类型的行为片段进行特征提取，得到与每种行为类型对应的行为模型；
e.根据所述行为模型创建所述行为模型库。
其中，路测数据可以包括每个障碍物的外形点集、在不同时间戳下对应的位置和行为属性，例如速度、加速度、位置可信度等。生命周期是指障碍物在场景中从出现到消失的整个过程。
语义例如可以包括减速、避让、超车等。可以是利用预先定义的不同行为的模型在路测数据中进行匹配，从而对障碍物的行为进行语义分析，确定出不同的行为片段。其中，每一个行为片段中至少包含了主车和障碍物各自的行为信息，进一步的，也可以包含其他周围障碍物的行为信息。而所述预先定义的不同行为的模型，可以是先对障碍物的行为模式进行人为划分，然后通过抽象归纳或机器学习等数据挖掘方式对模型进行建模，并提取模型对应的模型参数，确定出的不同模型则与不同的行为语义相对应，因此，通过匹配的方式对路测数据进行语义分析，实现按照不同的行为语义对每个障碍物的行为进行切割，得到至少一个行为片段。
通过对路测数据的分割，针对每一种行为，都可以分割得到不同场景下的多个行为片段，通过对这些行为片段进行大数据分析，对至少一个行为片段中相同行为类型的行为片段进行特征提取，得到与每种行为类型对应的行为模型，根据这些行为模型就可以创建出所述行为模型库。因此，由于行为模型是来源于真实路测数据，在保证障碍物智能性的同时，能够尽最大可能保证与路测数据的一致性，进一步确保了场景的合理性。
S203、根据所述当前交互行为类型对应的目标行为模型，并结合所述自动驾驶主车和目标障碍物当前的行为数据，对所述目标障碍物的行为进行重建。
具体的，S203可以包括：将所述自动驾驶主车和目标障碍物当前的行为数据作为所述目标行为模型的输入，通过所述目标行为模型计算出当前模型参数；使用所述当前模型参数重建所述目标障碍物在当前时刻之后的设定时间内的行为。
需要说明的是，在S201中，所述轨迹数据是指当前时刻及当前时刻前后设定时间内的轨迹数据；其中，所述目标障碍物的轨迹数据由所述仿真场景中原始的路测数据或对所述目标障碍物的行为进行重建后的重建数据构成。
在一种具体的实施方式中，可以始终维护一个自动驾驶主车与目标障碍物的轨迹列表，该轨迹列表中记载了当前时刻之前和之后的设定时间内的行为数据(例如，当前时刻之前5S，之后5S)，作为所述轨迹数据。因此，S201中，则可以用轨迹列表中的数据与行为模型库中的各个行为模型进行匹配。
初始时，也即尚未对目标障碍物进行重建时，轨迹列表中记载的都是目标障碍物的原始路测数据以及主车当前的行为数据，此时，可以依据该路测数据和主车的行为数据确定当前交互行为类型，之后按照S203对目标障碍物的行为进行重建。本申请实施例中，可以按照一定的时间间隔对当前交互行为类型进行检测(例如每隔2S)，并进行重建。而每次重建，都会依据当前模型参数更新轨迹列表中目标障碍物在当前时刻之后设定时间内的行为数据，也即对目标障碍物接下来的行为进行调整和重建。因此，当下一次检测当前交互行为类型时，就会根据更新后的轨迹列表来进行。因此，所述目标障碍物的轨迹数据由所述仿真场景中原始的路测数据或对所述目标障碍物的行为进行重建后的重建数据构成。
本申请实施例的技术方案，通过实时对自动驾驶主车与目标障碍物之间的交互行为类型进行判断，然后根据当前交互行为类型确定目标行为模型，最后根据目标行为模型和自动驾驶主车和目标障碍物当前的行为数据，对目标障碍物的行为进行实时的重建，保证了障碍车的智能性，确保了场景的合理性。同时，由于行为模型是来源于真实路测数据，在保证障碍物智能性的同时，能够尽最大可能保证与路测数据的一致性，进一步确保场景的合理性。
图3是根据本申请第三实施例的仿真场景重建装置的结构示意图，本实施例可适用于针对自动驾驶仿真场景中出现的不合理的问题进行实时重建的情况。该装置可实现本申请任意实施例所述的自动驾驶仿真场景重建方法。如图3所示，该装置300具体包括：
交互行为类型判断模块301，用于根据待测的自动驾驶主车和仿真场景中目标障碍物各自的轨迹数据，实时判断所述自动驾驶主车与所述目标障碍物的当前交互行为类型；
重建模块302，用于根据所述当前交互行为类型对应的目标行为模型，并结合所述自动驾驶主车和目标障碍物当前的行为数据，对所述目标障碍物的行为进行重建；
其中，所述行为模型用于描述不同交互行为类型中自动驾驶主车与障碍物的交互行为特征。
可选的，所述交互行为类型判断模块301包括：
匹配单元，用于将所述待测的自动驾驶主车和仿真场景中目标障碍物各自的轨迹数据，实时与预先创建的行为模型库中的至少一个行为模型进行匹配；
交互行为类型确定单元，用于将匹配上的行为模型作为所述目标行为模型，将所述目标行为模型对应的交互行为类型作为所述当前交互行为类型。
可选的，所述轨迹数据是指当前时刻及当前时刻前后设定时间内的轨迹数据；
其中，所述目标障碍物的轨迹数据由所述仿真场景中原始的路测数据或对所述目标障碍物的行为进行重建后的重建数据构成。
可选的，所述重建模块302包括：
模型参数计算单元，用于将所述自动驾驶主车和目标障碍物当前的行为数据作为所述目标行为模型的输入，通过所述目标行为模型计算出当前模型参数；
行为重建单元，用于使用所述当前模型参数重建所述目标障碍物在当前时刻之后的设定时间内的行为。
可选的，所述装置还包括行为模型库创建模块，具体用于：
根据获取的路测数据识别每个障碍物；
对每个障碍物在场景中的整个生命周期的行为，基于场景进行行为语义分析；
按照不同的行为语义对每个障碍物的行为进行切割，得到至少一个行为片段，其中，所述行为片段中至少包括障碍物的行为信息及其与自动驾驶主车的交互行为信息；
对所述至少一个行为片段中相同行为类型的行为片段进行特征提取，得到与每种行为类型对应的行为模型；
根据所述行为模型创建所述行为模型库。
可选的，所述目标障碍物是指位于所述自动驾驶主车的交互空间内的障碍物；
所述交互空间是指主车周围设定范围内的空间，并且在该空间内，障碍物与主车的预测碰撞时间小于预设阈值。
可选的，所述装置还包括：
去燥模块，用于在所述交互行为类型判断模块判断所述当前交互行为类型之前，对所述仿真场景中原始的路测数据进行去噪处理。
本申请实施例提供的仿真场景重建装置300可执行本申请任意实施例提供的自动驾驶仿真场景重建方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。
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4所示，是根据本申请实施例的自动驾驶仿真场景重建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4所示，该电子设备包括：一个或多个处理器401、存储器402，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4中以一个处理器401为例。
存储器402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自动驾驶仿真场景重建方法。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自动驾驶仿真场景重建方法。
存储器402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自动驾驶仿真场景重建方法对应的程序指令/模块(例如，附图3所示的交互行为类型判断模块301和重建模块302)。处理器401通过运行存储在存储器402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自动驾驶仿真场景重建方法。
存储器402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；存储数据区可存储根据实现本申请实施例的自动驾驶仿真场景重建方法的电子设备的使用所创建的数据等。此外，存储器402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402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至实现本申请实施例的自动驾驶仿真场景重建方法的电子设备。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。
实现本申请实施例的自动驾驶仿真场景重建方法的电子设备还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图4中以通过总线连接为例。
输入装置403可接收输入的数字或字符信息，以及产生与实现本申请实施例的自动驾驶仿真场景重建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404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)、互联网和区块链网络。
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，通过实时对自动驾驶主车与目标障碍物之间的交互行为类型进行判断，然后根据当前交互行为类型确定目标行为模型，最后根据目标行为模型和自动驾驶主车和目标障碍物当前的行为数据，对目标障碍物的行为进行实时的重建，保证了障碍车的智能性，确保了场景的合理性。同时，由于行为模型是来源于真实路测数据，在保证障碍物智能性的同时，能够尽最大可能保证与路测数据的一致性，进一步确保场景的合理性。
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，本发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 (14)
1.一种自动驾驶仿真场景重建方法，其特征在于，包括：
根据待测的自动驾驶主车和仿真场景中目标障碍物各自的轨迹数据，实时判断所述自动驾驶主车与所述目标障碍物的当前交互行为类型；
将所述自动驾驶主车和目标障碍物当前的行为数据作为目标行为模型的输入，通过所述目标行为模型计算出当前模型参数；
使用所述当前模型参数重建所述目标障碍物在当前时刻之后的设定时间内的行为；
其中，所述行为模型用于描述不同交互行为类型中自动驾驶主车与障碍物的交互行为特征。
2.根据权利要求1所述的方法，其特征在于，所述根据待测的自动驾驶主车和仿真场景中目标障碍物各自的轨迹数据，实时判断所述自动驾驶主车与所述目标障碍物的当前交互行为类型，包括：
将所述待测的自动驾驶主车和仿真场景中目标障碍物各自的轨迹数据，实时与预先创建的行为模型库中的至少一个行为模型进行匹配；
将匹配上的行为模型作为所述目标行为模型，将所述目标行为模型对应的交互行为类型作为所述当前交互行为类型。
3.根据权利要求2所述的方法，其特征在于，所述轨迹数据是指当前时刻及当前时刻前后设定时间内的轨迹数据；
其中，所述目标障碍物的轨迹数据由所述仿真场景中原始的路测数据或对所述目标障碍物的行为进行重建后的重建数据构成。
4.根据权利要求2所述的方法，其特征在于，所述行为模型库的创建过程包括：
根据获取的路测数据识别每个障碍物；
对每个障碍物在场景中的整个生命周期的行为，基于场景进行行为语义分析；
按照不同的行为语义对每个障碍物的行为进行切割，得到至少一个行为片段，其中，所述行为片段中至少包括障碍物的行为信息及其与自动驾驶主车的交互行为信息；
对所述至少一个行为片段中相同行为类型的行为片段进行特征提取，得到与每种行为类型对应的行为模型；
根据所述行为模型创建所述行为模型库。
5.根据权利要求1所述的方法，其特征在于，所述目标障碍物是指位于所述自动驾驶主车的交互空间内的障碍物；
所述交互空间是指主车周围设定范围内的空间，并且在该空间内，障碍物与主车的预测碰撞时间小于预设阈值。
6.根据权利要求1所述的方法，其特征在于，在判断所述当前交互行为类型之前，所述方法还包括：
对所述仿真场景中原始的路测数据进行去噪处理。
7.一种自动驾驶仿真场景重建装置，其特征在于，包括：
交互行为类型判断模块，用于根据待测的自动驾驶主车和仿真场景中目标障碍物各自的轨迹数据，实时判断所述自动驾驶主车与所述目标障碍物的当前交互行为类型；
重建模块，包括：
模型参数计算单元，用于将所述自动驾驶主车和目标障碍物当前的行为数据作为目标行为模型的输入，通过所述目标行为模型计算出当前模型参数；
行为重建单元，用于使用所述当前模型参数重建所述目标障碍物在当前时刻之后的设定时间内的行为；
其中，所述行为模型用于描述不同交互行为类型中自动驾驶主车与障碍物的交互行为特征。
8.根据权利要求7所述的装置，其特征在于，所述交互行为类型判断模块包括：
匹配单元，用于将所述待测的自动驾驶主车和仿真场景中目标障碍物各自的轨迹数据，实时与预先创建的行为模型库中的至少一个行为模型进行匹配；
交互行为类型确定单元，用于将匹配上的行为模型作为所述目标行为模型，将所述目标行为模型对应的交互行为类型作为所述当前交互行为类型。
9.根据权利要求8所述的装置，其特征在于，所述轨迹数据是指当前时刻及当前时刻前后设定时间内的轨迹数据；
其中，所述目标障碍物的轨迹数据由所述仿真场景中原始的路测数据或对所述目标障碍物的行为进行重建后的重建数据构成。
10.根据权利要求8所述的装置，其特征在于，所述装置还包括行为模型库创建模块，具体用于：
根据获取的路测数据识别每个障碍物；
对每个障碍物在场景中的整个生命周期的行为，基于场景进行行为语义分析；
按照不同的行为语义对每个障碍物的行为进行切割，得到至少一个行为片段，其中，所述行为片段中至少包括障碍物的行为信息及其与自动驾驶主车的交互行为信息；
对所述至少一个行为片段中相同行为类型的行为片段进行特征提取，得到与每种行为类型对应的行为模型；
根据所述行为模型创建所述行为模型库。
11.根据权利要求7所述的装置，其特征在于，所述目标障碍物是指位于所述自动驾驶主车的交互空间内的障碍物；
所述交互空间是指主车周围设定范围内的空间，并且在该空间内，障碍物与主车的预测碰撞时间小于预设阈值。
12.根据权利要求7所述的装置，其特征在于，所述装置还包括：
去燥模块，用于在所述交互行为类型判断模块判断所述当前交互行为类型之前，对所述仿真场景中原始的路测数据进行去噪处理。
13.一种电子设备，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1-6中任一项所述的自动驾驶仿真场景重建方法。
14.一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1-6中任一项所述的自动驾驶仿真场景重建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010432551.0A CN111625950B (zh) | 2020-05-20 | 2020-05-20 | 自动驾驶仿真场景重建方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010432551.0A CN111625950B (zh) | 2020-05-20 | 2020-05-20 | 自动驾驶仿真场景重建方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111625950A CN111625950A (zh) | 2020-09-04 |
| CN111625950B true CN111625950B (zh) | 2023-09-05 |
Family
ID=72270201
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010432551.0A Active CN111625950B (zh) | 2020-05-20 | 2020-05-20 | 自动驾驶仿真场景重建方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111625950B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112558494B (zh) * | 2020-11-20 | 2021-11-30 | 北京赛目科技有限公司 | 一种用于自动驾驶车辆的仿真测试方法及装置 |
| CN112559378B (zh) * | 2020-12-25 | 2023-12-05 | 北京百度网讯科技有限公司 | 自动驾驶算法评估方法和装置、场景库生成方法和装置 |
| CN114692289A (zh) * | 2020-12-31 | 2022-07-01 | 华为技术有限公司 | 自动驾驶算法测试方法及相关设备 |
| CN112345272A (zh) * | 2021-01-11 | 2021-02-09 | 北京赛目科技有限公司 | 一种场景库的自动驾驶仿真测试方法及装置 |
| CN112926135B (zh) * | 2021-03-02 | 2024-01-23 | 北京百度网讯科技有限公司 | 场景信息确定方法、装置、设备、存储介质和程序产品 |
| CN113569378B (zh) * | 2021-06-16 | 2024-01-05 | 阿波罗智联(北京)科技有限公司 | 仿真场景的生成方法、装置、电子设备以及存储介质 |
| CN113570727B (zh) * | 2021-06-16 | 2024-04-16 | 阿波罗智联(北京)科技有限公司 | 场景文件的生成方法、装置、电子设备及存储介质 |
| CN113536612B (zh) * | 2021-09-17 | 2021-12-31 | 北京理工大学 | 一种基于仿真平台的可交互数据集重现方法与系统 |
| CN113888884A (zh) * | 2021-10-27 | 2022-01-04 | 西安建筑科技大学 | 路侧停车检测方法、装置、设备及可读存储介质 |
| CN115221722B (zh) * | 2022-07-28 | 2023-11-17 | 北京百度网讯科技有限公司 | 自动驾驶车辆的仿真测试方法、模型训练方法和设备 |
| CN116882122A (zh) * | 2023-03-17 | 2023-10-13 | 北京百度网讯科技有限公司 | 用于自动驾驶的仿真环境的构建的方法和装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017041223A (ja) * | 2015-08-20 | 2017-02-23 | 国立大学法人東京農工大学 | フィードバック制御シミュレーション装置、制御装置、フィードバック制御シミュレーション方法、及びフィードバック制御シミュレーションプログラム |
| CN109164785A (zh) * | 2018-08-24 | 2019-01-08 | 百度在线网络技术（北京）有限公司 | 自动驾驶车辆的仿真测试方法、装置、设备及存储介质 |
| CN110245406A (zh) * | 2019-06-05 | 2019-09-17 | 腾讯科技（深圳）有限公司 | 行驶仿真方法、装置及存储介质 |
| CN110287529A (zh) * | 2019-05-23 | 2019-09-27 | 杭州飞步科技有限公司 | 测试方法、装置、设备以及存储介质 |
| CN111061167A (zh) * | 2019-12-26 | 2020-04-24 | 清华大学苏州汽车研究院（相城） | 一种面向智能网联示范区的混合现实自动驾驶的测试方法及虚拟测试平台 |
| CN111123732A (zh) * | 2018-10-31 | 2020-05-08 | 百度在线网络技术（北京）有限公司 | 自动驾驶车辆仿真的方法、装置、存储介质和终端设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11169532B2 (en) * | 2019-03-26 | 2021-11-09 | Intel Corporation | Computer-assisted (CA)/autonomous driving (AD) vehicle inference model creation |
-
2020
- 2020-05-20 CN CN202010432551.0A patent/CN111625950B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017041223A (ja) * | 2015-08-20 | 2017-02-23 | 国立大学法人東京農工大学 | フィードバック制御シミュレーション装置、制御装置、フィードバック制御シミュレーション方法、及びフィードバック制御シミュレーションプログラム |
| CN109164785A (zh) * | 2018-08-24 | 2019-01-08 | 百度在线网络技术（北京）有限公司 | 自动驾驶车辆的仿真测试方法、装置、设备及存储介质 |
| CN111123732A (zh) * | 2018-10-31 | 2020-05-08 | 百度在线网络技术（北京）有限公司 | 自动驾驶车辆仿真的方法、装置、存储介质和终端设备 |
| CN110287529A (zh) * | 2019-05-23 | 2019-09-27 | 杭州飞步科技有限公司 | 测试方法、装置、设备以及存储介质 |
| CN110245406A (zh) * | 2019-06-05 | 2019-09-17 | 腾讯科技（深圳）有限公司 | 行驶仿真方法、装置及存储介质 |
| CN111061167A (zh) * | 2019-12-26 | 2020-04-24 | 清华大学苏州汽车研究院（相城） | 一种面向智能网联示范区的混合现实自动驾驶的测试方法及虚拟测试平台 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111625950A (zh) | 2020-09-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111625950B (zh) | 自动驾驶仿真场景重建方法、装置、设备和介质 | |
| CN111694287B (zh) | 无人驾驶仿真场景中的障碍物模拟方法和装置 | |
| CN111081046B (zh) | 一种自动驾驶车辆变道方法、装置、电子设备和介质 | |
| CN111091591A (zh) | 一种碰撞检测方法、装置、电子设备及存储介质 | |
| JP7271467B2 (ja) | 自動運転の制御方法、装置、電子機器及び記憶媒体 | |
| CN111611711B (zh) | 自动驾驶数据处理方法、装置及电子设备 | |
| CN113408141A (zh) | 一种自动驾驶测试方法、装置及电子设备 | |
| KR20210076886A (ko) | 주차 모델 생성 방법 및 장치, 전자 장치 및 저장 매체 | |
| CN111666714B (zh) | 自动驾驶仿真场景识别的方法及装置 | |
| JP7170699B2 (ja) | 交通スキーム制御方法及び装置 | |
| JP7372296B2 (ja) | 自動運転のための速度計画方法、装置、デバイス、媒体及び車両 | |
| CN111275190A (zh) | 神经网络模型的压缩方法及装置、图像处理方法及处理器 | |
| CN111292531A (zh) | 交通信号灯的跟踪方法、装置、设备及存储介质 | |
| CN111783226B (zh) | 生成自动驾驶场景度量参数的方法、装置、电子设备和存储介质 | |
| CN111539347A (zh) | 用于检测目标的方法和装置 | |
| CN112559378A (zh) | 自动驾驶算法评估方法和装置、场景库生成方法和装置 | |
| CN110717933A (zh) | 针对运动物体漏检的后处理方法、装置、设备和介质 | |
| CN111158666A (zh) | 实体归一化处理方法、装置、设备及存储介质 | |
| CN112578788B (zh) | 车辆避障二次规划方法、装置、设备和可读存储介质 | |
| CN110866504B (zh) | 标注数据的获取方法、装置和设备 | |
| CN111597707B (zh) | 仿真场景的处理方法、装置、设备以及存储介质 | |
| CN112528932B (zh) | 用于优化位置信息的方法、装置、路侧设备和云控平台 | |
| CN115203969A (zh) | 自动驾驶仿真场景的控制方法、装置、设备和存储介质 | |
| CN111337898A (zh) | 激光点云的处理方法、装置、设备及存储介质 | |
| CN111858927B (zh) | 数据测试方法、装置、电子设备及存储介质 |
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 |