CN111666714A - 自动驾驶仿真场景识别的方法及装置 - Google Patents

自动驾驶仿真场景识别的方法及装置 Download PDF

Info

Publication number
CN111666714A
CN111666714A CN202010503755.9A CN202010503755A CN111666714A CN 111666714 A CN111666714 A CN 111666714A CN 202010503755 A CN202010503755 A CN 202010503755A CN 111666714 A CN111666714 A CN 111666714A
Authority
CN
China
Prior art keywords
scene
layer
features
clustering
autonomous 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.)
Granted
Application number
CN202010503755.9A
Other languages
English (en)
Other versions
CN111666714B (zh
Inventor
于飞飞
王智杰
董芳芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010503755.9A priority Critical patent/CN111666714B/zh
Publication of CN111666714A publication Critical patent/CN111666714A/zh
Application granted granted Critical
Publication of CN111666714B publication Critical patent/CN111666714B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供一种自动驾驶仿真场景识别的方法及装置，涉及智能交通领域，具体包括：以自动驾驶仿真场景中的自动驾驶车辆的行驶相关数据和自动驾驶车辆周围的环境数据为输入，利用包括编码层和聚类层的深度学习分类模型对仿真场景进行分类，编码层可以将场景特征处理为统一维度的向量，避免后续因为场景特征维度不统一导致的分类不准确，聚类层可以无监督的将场景特征分类为合理场景或异常场景，因此具有较高的效率和较高的准确度。

Description

自动驾驶仿真场景识别的方法及装置
技术领域
本申请涉及数据处理技术领域的智能交通，尤其涉及一种自动驾驶仿真场景识别的方法及装置。
背景技术
在自动驾驶领域中，自动驾驶算法在应用于自动驾驶车辆之前，通常需要进行仿真测试。
现有技术中，在自动驾驶仿真环境中，在对自动驾驶车辆的驾驶算法进行验证时，通常需要人工判定该驾驶算法在仿真中是否会出现不合理场景，例如基于该驾驶算法行驶的自动驾驶车辆是否出现与障碍物碰撞等现象，进而可以判定该驾驶算法的鲁棒性。
但是通过人工判定仿真中是否有不合理场景的方式，效率低且容易出错。
发明内容
本申请实施例提供一种自动驾驶仿真场景识别的方法及装置，以解决现有技术中判定仿真中是否有不合理场景效率低且容易出错的技术问题。
本申请实施例第一方面提供一种自动驾驶仿真场景识别的方法，包括：
获取自动驾驶仿真中的场景特征；所述场景特征包括一段时间内的下述数据：自动驾驶车辆的行驶相关数据以及所述自动驾驶车辆周围的环境数据；
将所述场景特征输入分类模型；所述分类模型为基于场景样本特征训练得到的，所述分类模型包括编码层和聚类层，所述编码层用于将所述场景特征处理为统一维度的向量，所述聚类层用于将来自所述编码层的统一维度的向量聚类；
利用所述分类模型将所述场景特征分类为合理场景或异常场景。
本申请实施例第二方面提供一种自动驾驶仿真场景识别的装置，包括：
处理模块，用于获取自动驾驶仿真中的场景特征；所述场景特征包括一段时间内的下述数据：自动驾驶车辆的行驶相关数据以及所述自动驾驶车辆周围的环境数据；
所述处理模块，还用于将所述场景特征输入分类模型；所述分类模型为基于场景样本特征训练得到的，所述分类模型包括编码层和聚类层，所述编码层用于将所述场景特征处理为统一维度的向量，所述聚类层用于将来自所述编码层的统一维度的向量聚类；
所述处理模块，还用于利用所述分类模型将所述场景特征分类为合理场景或异常场景。
本申请实施例第三方面提供一种电子设备，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前述第一方面任一项所述的方法。
本申请实施例第四方面提供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如前述第一方面中任一项所述的方法。
本申请实施例第五方面提供一种自动驾驶仿真场景识别的方法，包括：
将场景样本特征输入神经网络模型包括的第一编码层；所述神经网络模型包括：所述第一编码层、第一解码层和第一聚类层；
利用所述第一编码层将所述样本特征压缩为第一维度的向量；
利用所述第一解码层解码所述第一维度的向量，得到还原特征；
在所述还原特征与所述场景样本特征不满足损失函数的情况下，调整所述第一维度，直到所述还原特征与所述场景样本特征满足所述损失函数时，确定目标维度；
利用所述第一聚类层对所述目标维度的向量进行聚类，预测所述场景样本特征为合理场景或异常场景；
调整所述第一聚类层的参数，直到所述第一聚类层预测的结果与所述场景样本特征的实际情况一致，得到分类模型，所述分类模型用于将自动驾驶仿真中的场景特征分类为合理场景或异常场景；所述场景特征包括一段时间内的下述数据：自动驾驶车辆的行驶相关数据以及所述自动驾驶车辆周围的环境数据。
综上所述，本申请实施例相对于现有技术的有益效果：
本申请实施例中提供了一种自动驾驶仿真场景识别的方法及装置，可以基于分类模型(也可以称为深度学习分离模型)，将场景特征分类为合理场景或异常场景，相较于人工分类，本申请实施例具有较高的效率和较高的准确度。具体的，本申请实施例中，是以自动驾驶仿真场景中的自动驾驶车辆的行驶相关数据和自动驾驶车辆周围的环境数据为输入，利用包括编码层和聚类层的分类模型对仿真场景进行分类，编码层可以将场景特征处理为统一维度的向量，避免后续因为场景特征维度不统一导致的分类不准确，聚类层可以无监督的将场景特征分类为合理场景或异常场景，因此具有较高的效率和较高的准确度。
附图说明
图1为本申请实施例提供的仿真场景识别的方法适用的系统架构示意图；
图2为本申请实施例提供的仿真场景识别的方法的流程示意图；
图3为本申请实施例提供的一种聚类过程示意图；
图4为本申请实施例提供的自编码神经网络架构示意图；
图5为本申请实施例提供的仿真场景识别装置的结构示意图；
图6是用来实现本申请实施例的仿真场景识别的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。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
本申请实施例的自动驾驶仿真场景识别方法可以应用于对车辆的自动驾驶算法的仿真场景中，车辆可以是无人驾驶的车辆，也可以是有人驾驶且有辅助驾驶功能的车辆，车辆具体可以包括轿车、越野车、货车等，本申请实施例对车辆不作具体限定。
在自动驾驶仿真环境中，可以有两种实现方式，一种是基于真实路测数据的回放，即logsim跑法；另一种是人工编辑新的场景，即worldsim跑法。无论是上述哪种跑法均会面临一个共同的问题：障碍物会与仿真主车交互不合理现象(或着称为异常现象)。
经研究，产生异常现象的原因是：对于同样一批场景，仿真系统支持主车可以采取新的自动驾驶算法重跑场景，但是障碍物只能按照原始日志播放，仿真系统不会对障碍车行为进行干预，这样会导致主车与障碍物发生碰撞等不合理现象。目前每天会产生大量路测场景，全部由人工判别场景是否合理，人力成本极高。
基于此，本申请实施例利用自编码神经网络和聚类算法，对合理场景以及不合理场景(即异常场景)进行自动分类，从而提升自动驾驶仿真环境对自动驾驶算法验证能力，具有较高的效率和较高的准确度。
本申请实施例所描述的合理场景可以是符合交通规则的、安全等的场景。
本申请实施例所描述的异常场景可以是不符合交通规则、不安全等的场景，例如，存在碰撞、不合理刹车、变道不合理、不及时变道、分岔路不合理选择、压线、超速等的场景。
本申请实施例所描述的自动驾驶车辆的周围障碍物可以是车辆、行人、自行车、电动车、摩托车等任意可能影响车辆行驶的对象。
本申请实施例所描述的分类模型可以是基于深度学习的神经网络模型等，分类模型可以是基于包含仿真场景的样本数据训练得到的，利用分类模型可以将自动驾驶仿真场景中的场景特征分类为合理场景或异常场景。训练分类模型可以在服务器或终端中实现，后续实施例将详细说明，在此不再赘述。
如图1所示，图1为本申请实施例提供的方法所适用的应用场景架构示意图。
一种可能的实现方式中，本申请实施例可以在服务器12中利用场景样本特征和神经网络模型训练得到分类模型，终端设备11可以从服务器12中获取该分类模型，进而，终端设备11可以以自动驾驶仿真场景中的自动驾驶车辆的行驶相关数据和自动驾驶车辆周围的环境数据为输入，利用包括编码层和聚类层的分类模型对仿真场景进行分类。
一种可能的实现方式中，可以在终端设备11中利用场景样本特征和神经网络模型训练得到分类模型，进而，终端设备11可以以自动驾驶仿真场景中的自动驾驶车辆的行驶相关数据和自动驾驶车辆周围的环境数据为输入，利用包括编码层和聚类层的分类模型对仿真场景进行分类。
一种可能的实现方式中，本申请实施例的自动驾驶仿真中的自动驾驶车辆周围的环境数据为真实路测数据。真实路测数据可以是自动驾驶车辆(也可以称为车辆)在行驶中采集的。
示例性的，可以在车辆上设置车载终端(或称为：车联网终端或者车辆到一切(vehicle to everything，简称：V2X)通信装置等)和摄像头，通过所设置的车载终端，车辆可以与其他车辆进行车与车(vehicle to vehicle，简称：V2V)通信，与其他行人进行车与行人(vehicle to pedestrian，简称：V2P)通信，与其他路侧基础设备进行车与基础设施(vehicle to infrastructure，简称：V2I)通信，或者通信网络进行车与网络(vehicle tonetwork，简称：V2N)通信等。通过所设置的摄像头，可以采集车辆周围的环境信息，采集的环境数据可以存储在存储设备中，后续可以从存储设备中获取车辆周围的环境数据。
如图2所示，图2为本申请实施例提供的自动驾驶仿真场景识别的方法的流程示意图。该方法具体可以包括：
S101：获取自动驾驶仿真中的场景特征；所述场景特征包括一段时间内的下述数据：自动驾驶车辆的行驶相关数据以及所述自动驾驶车辆周围的环境数据。
本申请实施例中，自动驾驶车辆的行驶相关数据，可以包括自动驾驶车辆的速度数据、位置数据、朝向数据等与驾驶相关的数据。自动驾驶车辆的行驶相关数据可以是自动驾驶车辆的真实路测数据，也可以是基于自定义的自动驾驶算法计算得到的，本申请实施例对自动驾驶车辆的行驶相关数据不做具体限定。
本申请实施例中，自动驾驶车辆周围的环境数据可以是自动驾驶车辆周围环境中的车辆、行人等任意物体的数据，例如可以是自动驾驶车辆周围环境中的物体的速度数据、位置数据、朝向数据等，本申请实施例对此不做具体限定。自动驾驶车辆周围的环境数据可以是自动驾驶车辆的真实路测数据，等，本申请实施例对自动驾驶车辆周围的环境数据不做具体限定。
本申请实施例中，一段时间的具体时长可以根据实际应用场景设置，本申请实施例对此不做具体限定。
示例性的，自动驾驶仿真中的场景特征可以是X秒的视频数据，可以将该X秒的视频数据中按1秒采样，得到X组帧数据，作为自动驾驶仿真场景中的场景特征。可以理解，场景特征的具体内容可以根据实际应用场景设定，本申请实施例对此不做具体限定。
S102：将所述场景特征输入分类模型；所述分类模型为基于场景样本特征训练得到的，所述分类模型包括编码层和聚类层，所述编码层用于将所述场景特征处理为统一维度的向量，所述聚类层用于将来自所述编码层的统一维度的向量聚类。
由于场景特征的大小和维度等可能不一致，如果对不同维度的场景特征进行聚类，容易发生聚类错误。因此，本申请实施例分类模型中可以包括编码层(encoder)和聚类层，编码层可以将场景特征处理为统一维度的向量，进而聚类层可以将来自编码层的统一维度的向量聚类，从而得到准确的聚类结果。
示例性的，编码层可以将场景特征进行压缩降维，形成表示向量。聚类层可以基于k-means算法实现，将该表示向量作为聚类层的输入，并将聚类个数设定为2。其中聚类过程示意图如图3所示(为了方便示意，图3中用2维向量进行表示)。进而基于表示向量进行聚类，将场景分类为合理场景和异常场景。
可以理解，具体应用中，编码层的具体实现以及聚类层具体采用的聚类算法均可以根据实际应用场景确定，本申请实施例对此不做具体限定。
S103：利用所述分类模型将所述场景特征分类为合理场景或异常场景。
本申请实施例中，分类模型可以基于编码层和聚类层，实现无监督的将场景特征分类为合理场景或异常场景。
综上所述，本申请实施例中提供了一种仿真场景识别的方法，可以基于分类模型，将场景特征分类为合理场景或异常场景，相较于人工分类，本申请实施例具有较高的效率和较高的准确度。具体的，本申请实施例中，是以自动驾驶仿真场景中的自动驾驶车辆的行驶相关数据和自动驾驶车辆周围的环境数据为输入，利用包括编码层和聚类层的分类模型对仿真场景进行分类，编码层可以将场景特征处理为统一维度的向量，避免后续因为场景特征维度不统一导致的分类不准确，聚类层可以无监督的将场景特征分类为合理场景或异常场景，因此具有较高的效率和较高的准确度。
在图2对应的实施例的基础上，一种可能的实现方式中，所述自动驾驶车辆周围的环境数据包括：所述自动驾驶车辆的周围障碍物的行驶相关数据、以及所述自动驾驶车辆与所述周围障碍物之间的距离。
本申请实施例中，自动驾驶车辆周围的障碍物的行驶相关数据，可以为障碍物的行驶速度、障碍物的朝向、自动驾驶车辆与周围障碍物之间的距离等，基于障碍物的行驶相关数据以及自动驾驶车辆与周围障碍物之间的距离，可以较好的反映自动行驶车辆与周围障碍物之间是否存在碰撞等，从而可以得到较为准确的场景分类。
在图2对应的实施例的基础上，一种可能的实现方式中，所述自动驾驶车辆周围的环境数据为真实路测数据，所述自动驾驶车辆的行驶相关数据为人工编辑的自动驾驶算法产生的数据。
本申请实施例中，自动驾驶车辆周围的环境数据为真实路测数据，自动驾驶车辆的行驶相关数据为人工编辑的自动驾驶算法产生的数据，从而可以实现将人工编辑的自动驾驶算法在实际的路况中的验证，从而可以真实的验证自动驾驶算法。
示例性的，所述自动驾驶仿真中的场景特征具体包括：自动驾驶车辆速度，障碍物速度，自动驾驶车辆与障碍物距离，障碍物类型，自动驾驶车辆朝向，障碍物朝向。
可能的实现方式中，对于自动驾驶仿真中的场景特征，可以进行最大值最小值归一化等处理，实现去噪，使得后续的分类更加准确。
在图2对应的实施例的基础上，一种可能的实现方式中，利用场景样本特征和神经网络模型训练得到所述分类模型；所述神经网络模型包括：第一编码层、第一解码层和第一聚类层。
本申请实施例中，用于训练分类模型的神经网络模型中需要包括编码层、解码层和聚类层，解码层可以用于验证编码层中编码后的向量维度是否与原始输入特征吻合。训练后的分类模型中，由于编码层的输出结果已通过验证，所以分类模型中可以不需要设置解码层，从而可以简化分类模型的架构。可以理解，分类模型中也可以包括解码层，以便于结合实际情况便捷的调整分类模型的参数，本申请实施例对此不做具体限定。
示例性的，所述利用场景样本特征和神经网络模型训练得到所述分类模型，包括：将所述场景样本特征输入所述第一编码层；利用所述第一编码层将所述样本特征压缩为第一维度的向量；利用所述第一解码层解码所述第一维度的向量，得到还原特征；在所述还原特征与所述场景样本特征不满足损失函数的情况下，调整所述第一维度，直到所述还原特征与所述场景样本特征满足所述损失函数时，确定目标维度；利用所述第一聚类层对所述目标维度的向量进行聚类，预测所述场景样本特征为合理场景或异常场景；调整所述第一聚类层的参数，直到所述第一聚类层预测的结果与所述场景样本特征的实际情况一致。
示例性的，图4示出了一种自编码神经网络架构示意图。在编码层和解码层中均可以包含多个神经网络层，例如，在编码层中可以包括第一层(Conv1/BN)、第二层(Conv2/BN/max-pool)、第三层(Conv3/BN)、第四层(Conv4/BN)、最大池化层(Max-pool)、最后一层(embedding)。解码层中可以包括第五层(Conv5/BN)、第六层(Conv6/BN/up-sampling)、第七层(Conv7/BN)、第八层(Conv8/up-sampling)。
编码层，即encoder层，可以对输入特征(input)进行编码，对其进行压缩降维，形成一个表示向量，该特征向量可以设置在embedding层(encoder的最后一层)。
解码层，即decoder层，会从embedding层得到表示向量并进行重新学习，使其输出还原为特征输入。
针对具体的编码层与解码层，图4示例性的示出了一维时序卷积作为基础模型，其中设计4层编码层以及4层解码层。针对连续值变量和离散值变量分别使用最小均方误差和交叉熵类别误差作为损失函数，以及使用梯度下降算法进行模型参数更新，使得解码层的还原特征与场景样本特征满足该损失函数时，确定该还原特征对应的维度为编码层的目标维度。
进而，所述利用所述分类模型将所述场景特征分类为合理场景或异常场景，包括：利用所述分类模型的编码层将所述场景特征压缩为所述目标维度的向量；利用所述分类模型的聚类层对所述目标维度的向量聚类，以将所述场景特征分类为合理场景或异常场景。
一种可能的实现方式中，如果在分类中，得到自动驾驶仿真中的场景特征为异常场景，可以认为自动驾驶仿真中对自动驾驶车辆设置的自动驾驶算法不合理，可以舍弃该自动驾驶算法。
一种可能的实现方式中，得到自动驾驶仿真中的场景特征为异常场景，可以认为自动驾驶仿真中对自动驾驶车辆设置的自动驾驶算法不合理，可以调整该自动驾驶算法，以得到最终的能分类为合理场景的自动驾驶算法，从而可以增强自动驾驶算法的鲁棒性。
综上，本申请实施例能有效提高自动驾驶仿真对自动驾驶新算法的评估能力。当新的自动驾驶算法在仿真场景中进行验证时，滤除异常场景，针对性提升合理场景下自动驾驶算法能力。此外，不同于传统上对自动驾驶合理场景和不合理场景分类主要是通过人工标注，本申请实施例的无监督识别方法也可有效降低人力成本。
图5为本申请提供的自动驾驶仿真场景识别的装置一实施例的结构示意图。如图5所示，本实施例提供的自动驾驶仿真场景识别的装置包括：
处理模块51，用于获取自动驾驶仿真中的场景特征；所述场景特征包括一段时间内的下述数据：自动驾驶车辆的行驶相关数据以及所述自动驾驶车辆周围的环境数据；
所述处理模块51，还用于将所述场景特征输入分类模型；所述分类模型为基于场景样本特征训练得到的，所述分类模型包括编码层和聚类层，所述编码层用于将所述场景特征处理为统一维度的向量，所述聚类层用于将来自所述编码层的统一维度的向量聚类；
所述处理模块51，还用于利用所述分类模型将所述场景特征分类为合理场景或异常场景。
一种可能的实现方式中，所述自动驾驶车辆周围的环境数据包括：所述自动驾驶车辆的周围障碍物的行驶相关数据、以及所述自动驾驶车辆与所述周围障碍物之间的距离。
一种可能的实现方式中，所述处理模块，还用于：
利用场景样本特征和神经网络模型训练得到所述分类模型；所述神经网络模型包括：第一编码层、第一解码层和第一聚类层。
一种可能的实现方式中，述处理模块，具体用于：
将所述场景样本特征输入所述第一编码层；
利用所述第一编码层将所述样本特征压缩为第一维度的向量；
利用所述第一解码层解码所述第一维度的向量，得到还原特征；
在所述还原特征与所述场景样本特征不满足损失函数的情况下，调整所述第一维度，直到所述还原特征与所述场景样本特征满足所述损失函数时，确定目标维度；
利用所述第一聚类层对所述目标维度的向量进行聚类，预测所述场景样本特征为合理场景或异常场景；
调整所述第一聚类层的参数，直到所述第一聚类层预测的结果与所述场景样本特征的实际情况一致。
一种可能的实现方式中，所述处理模块，具体用于：
利用所述分类模型的编码层将所述场景特征压缩为所述目标维度的向量；
利用所述分类模型的聚类层对所述目标维度的向量聚类，以将所述场景特征分类为合理场景或异常场景。
一种可能的实现方式中，所述自动驾驶车辆周围的环境数据为真实路测数据，所述自动驾驶车辆的行驶相关数据为人工编辑的自动驾驶算法产生的数据。
一种可能的实现方式中，所述自动驾驶仿真中的场景特征具体包括：自动驾驶车辆速度，障碍物速度，自动驾驶车辆与障碍物距离，障碍物类型，自动驾驶车辆朝向，障碍物朝向。
本申请实施例中提供了一种仿真场景识别的方法及装置，可以基于分类模型，将场景特征分类为合理场景或异常场景，相较于人工分类，本申请实施例具有较高的效率和较高的准确度。具体的，本申请实施例中，是以自动驾驶仿真场景中的自动驾驶车辆的行驶相关数据和自动驾驶车辆周围的环境数据为输入，利用包括编码层和聚类层的分类模型对仿真场景进行分类，编码层可以将场景特征处理为统一维度的向量，避免后续因为场景特征维度不统一导致的分类不准确，聚类层可以无监督的将场景特征分类为合理场景或异常场景，因此具有较高的效率和较高的准确度。
本申请各实施例提供的仿真场景识别的装置可用于执行如前述各对应的实施例所示的方法，其实现方式与原理相同，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6所示，是根据本申请实施例的仿真场景识别的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6所示，该电子设备包括：一个或多个处理器601、存储器602，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6中以一个处理器601为例。
存储器602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仿真场景识别的方法。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仿真场景识别的方法。
存储器602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仿真场景识别的方法对应的程序指令/模块(例如，附图5所示的处理模块51)。处理器601通过运行存储在存储器602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仿真场景识别的方法。
存储器602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仿真场景识别的电子设备的使用所创建的数据等。此外，存储器602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602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至仿真场景识别的电子设备。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。
仿真场景识别的方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与仿真场景识别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604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)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，可以基于分类模型，将场景特征分类为合理场景或异常场景，相较于人工分类，本申请实施例具有较高的效率和较高的准确度。具体的，本申请实施例中，是以自动驾驶仿真场景中的自动驾驶车辆的行驶相关数据和自动驾驶车辆周围的环境数据为输入，利用包括编码层和聚类层的分类模型对仿真场景进行分类，编码层可以将场景特征处理为统一维度的向量，避免后续因为场景特征维度不统一导致的分类不准确，聚类层可以无监督的将场景特征分类为合理场景或异常场景，因此具有较高的效率和较高的准确度。
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 (17)

1.一种自动驾驶仿真场景识别的方法，其特征在于，所述方法包括：
获取自动驾驶仿真中的场景特征；所述场景特征包括一段时间内的下述数据：自动驾驶车辆的行驶相关数据以及所述自动驾驶车辆周围的环境数据；
将所述场景特征输入分类模型；所述分类模型为基于场景样本特征训练得到的，所述分类模型包括编码层和聚类层，所述编码层用于将所述场景特征处理为统一维度的向量，所述聚类层用于将来自所述编码层的统一维度的向量聚类；
利用所述分类模型将所述场景特征分类为合理场景或异常场景。
2.根据权利要求1所述的方法，其特征在于，所述自动驾驶车辆周围的环境数据包括：所述自动驾驶车辆的周围障碍物的行驶相关数据、以及所述自动驾驶车辆与所述周围障碍物之间的距离。
3.根据权利要求1所述的方法，其特征在于，还包括：
利用场景样本特征和神经网络模型训练得到所述分类模型；所述神经网络模型包括：第一编码层、第一解码层和第一聚类层。
4.根据权利要求3所述的方法，其特征在于，所述利用场景样本特征和神经网络模型训练得到所述分类模型，包括：
将所述场景样本特征输入所述第一编码层；
利用所述第一编码层将所述样本特征压缩为第一维度的向量；
利用所述第一解码层解码所述第一维度的向量，得到还原特征；
在所述还原特征与所述场景样本特征不满足损失函数的情况下，调整所述第一维度，直到所述还原特征与所述场景样本特征满足所述损失函数时，确定目标维度；
利用所述第一聚类层对所述目标维度的向量进行聚类，预测所述场景样本特征为合理场景或异常场景；
调整所述第一聚类层的参数，直到所述第一聚类层预测的结果与所述场景样本特征的实际情况一致。
5.根据权利要求4所述的方法，其特征在于，所述利用所述分类模型将所述场景特征分类为合理场景或异常场景，包括：
利用所述分类模型的编码层将所述场景特征压缩为所述目标维度的向量；
利用所述分类模型的聚类层对所述目标维度的向量聚类，以将所述场景特征分类为合理场景或异常场景。
6.根据权利要求1所述的方法，其特征在于，所述自动驾驶车辆周围的环境数据为真实路测数据，所述自动驾驶车辆的行驶相关数据为人工编辑的自动驾驶算法产生的数据。
7.根据权利要求1所述的方法，其特征在于，所述自动驾驶仿真中的场景特征具体包括：自动驾驶车辆速度，障碍物速度，自动驾驶车辆与障碍物距离，障碍物类型，自动驾驶车辆朝向，障碍物朝向。
8.一种自动驾驶仿真场景识别的装置，其特征在于，包括：
处理模块，用于获取自动驾驶仿真中的场景特征；所述场景特征包括一段时间内的下述数据：自动驾驶车辆的行驶相关数据以及所述自动驾驶车辆周围的环境数据；
所述处理模块，还用于将所述场景特征输入分类模型；所述分类模型为基于场景样本特征训练得到的，所述分类模型包括编码层和聚类层，所述编码层用于将所述场景特征处理为统一维度的向量，所述聚类层用于将来自所述编码层的统一维度的向量聚类；
所述处理模块，还用于利用所述分类模型将所述场景特征分类为合理场景或异常场景。
9.根据权利要求8所述的装置，其特征在于，所述自动驾驶车辆周围的环境数据包括：所述自动驾驶车辆的周围障碍物的行驶相关数据、以及所述自动驾驶车辆与所述周围障碍物之间的距离。
10.根据权利要求8所述的装置，其特征在于，所述处理模块，还用于：
利用场景样本特征和神经网络模型训练得到所述分类模型；所述神经网络模型包括：第一编码层、第一解码层和第一聚类层。
11.根据权利要求10所述的装置，其特征在于，所述处理模块，具体用于：
将所述场景样本特征输入所述第一编码层；
利用所述第一编码层将所述样本特征压缩为第一维度的向量；
利用所述第一解码层解码所述第一维度的向量，得到还原特征；
在所述还原特征与所述场景样本特征不满足损失函数的情况下，调整所述第一维度，直到所述还原特征与所述场景样本特征满足所述损失函数时，确定目标维度；
利用所述第一聚类层对所述目标维度的向量进行聚类，预测所述场景样本特征为合理场景或异常场景；
调整所述第一聚类层的参数，直到所述第一聚类层预测的结果与所述场景样本特征的实际情况一致。
12.根据权利要求10所述的装置，其特征在于，所述处理模块，具体用于：
利用所述分类模型的编码层将所述场景特征压缩为所述目标维度的向量；
利用所述分类模型的聚类层对所述目标维度的向量聚类，以将所述场景特征分类为合理场景或异常场景。
13.根据权利要求8所述的装置，其特征在于，所述自动驾驶车辆周围的环境数据为真实路测数据，所述自动驾驶车辆的行驶相关数据为人工编辑的自动驾驶算法产生的数据。
14.根据权利要求8所述的装置，其特征在于，所述自动驾驶仿真中的场景特征具体包括：自动驾驶车辆速度，障碍物速度，自动驾驶车辆与障碍物距离，障碍物类型，自动驾驶车辆朝向，障碍物朝向。
15.一种电子设备，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如权利要求1-7任一项所述的方法的指令。
16.一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，计算机指令用于使所述计算机执行如权利要求1-7任一项所述的方法。
17.一种自动驾驶仿真场景识别的方法，其特征在于，包括：
将场景样本特征输入神经网络模型包括的第一编码层；所述神经网络模型包括：所述第一编码层、第一解码层和第一聚类层；
利用所述第一编码层将所述样本特征压缩为第一维度的向量；
利用所述第一解码层解码所述第一维度的向量，得到还原特征；
在所述还原特征与所述场景样本特征不满足损失函数的情况下，调整所述第一维度，直到所述还原特征与所述场景样本特征满足所述损失函数时，确定目标维度；
利用所述第一聚类层对所述目标维度的向量进行聚类，预测所述场景样本特征为合理场景或异常场景；
调整所述第一聚类层的参数，直到所述第一聚类层预测的结果与所述场景样本特征的实际情况一致，得到分类模型，所述分类模型用于将自动驾驶仿真中的场景特征分类为合理场景或异常场景；所述场景特征包括一段时间内的下述数据：自动驾驶车辆的行驶相关数据以及所述自动驾驶车辆周围的环境数据。
CN202010503755.9A 2020-06-05 2020-06-05 自动驾驶仿真场景识别的方法及装置 Active CN111666714B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010503755.9A CN111666714B (zh) 2020-06-05 2020-06-05 自动驾驶仿真场景识别的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010503755.9A CN111666714B (zh) 2020-06-05 2020-06-05 自动驾驶仿真场景识别的方法及装置

Publications (2)

Publication Number Publication Date
CN111666714A true CN111666714A (zh) 2020-09-15
CN111666714B CN111666714B (zh) 2023-07-28

Family

ID=72386518

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010503755.9A Active CN111666714B (zh) 2020-06-05 2020-06-05 自动驾驶仿真场景识别的方法及装置

Country Status (1)

Country Link
CN (1) CN111666714B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033527A (zh) * 2021-05-27 2021-06-25 北京三快在线科技有限公司 一种场景识别方法、装置、存储介质及无人设备
CN114120645A (zh) * 2021-11-25 2022-03-01 北京航空航天大学 一种自然行驶环境下交通场景的提取方法
CN114299758A (zh) * 2021-12-30 2022-04-08 阿波罗智联(北京)科技有限公司 车辆控制方法及装置、设备、介质和产品
CN114332520A (zh) * 2022-03-14 2022-04-12 中汽信息科技(天津)有限公司 基于深度学习的异常驾驶行为识别模型构建方法
CN114550121A (zh) * 2022-02-28 2022-05-27 重庆长安汽车股份有限公司 一种基于聚类的自动驾驶换道场景分类方法及识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921200A (zh) * 2018-06-11 2018-11-30 百度在线网络技术（北京）有限公司 用于对驾驶场景数据进行分类的方法、装置、设备和介质
CN110147827A (zh) * 2019-04-25 2019-08-20 北京航空航天大学 一种基于iaalo-svm与相似性度量的故障预测方法
CN110502852A (zh) * 2019-08-27 2019-11-26 上海汽车集团股份有限公司 一种自动驾驶仿真测试场景的生成方法及生成系统
CN110503743A (zh) * 2019-08-12 2019-11-26 浙江吉利汽车研究院有限公司 一种自动驾驶车辆的异常检测方法、装置和设备
CN110597086A (zh) * 2019-08-19 2019-12-20 深圳元戎启行科技有限公司 仿真场景生成方法和无人驾驶系统测试方法
CN110750311A (zh) * 2019-10-18 2020-02-04 北京汽车研究总院有限公司 数据分类方法、装置和设备
WO2020079066A1 (en) * 2018-10-16 2020-04-23 Five AI Limited Autonomous vehicle planning and prediction

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921200A (zh) * 2018-06-11 2018-11-30 百度在线网络技术（北京）有限公司 用于对驾驶场景数据进行分类的方法、装置、设备和介质
WO2020079066A1 (en) * 2018-10-16 2020-04-23 Five AI Limited Autonomous vehicle planning and prediction
CN110147827A (zh) * 2019-04-25 2019-08-20 北京航空航天大学 一种基于iaalo-svm与相似性度量的故障预测方法
CN110503743A (zh) * 2019-08-12 2019-11-26 浙江吉利汽车研究院有限公司 一种自动驾驶车辆的异常检测方法、装置和设备
CN110597086A (zh) * 2019-08-19 2019-12-20 深圳元戎启行科技有限公司 仿真场景生成方法和无人驾驶系统测试方法
CN110502852A (zh) * 2019-08-27 2019-11-26 上海汽车集团股份有限公司 一种自动驾驶仿真测试场景的生成方法及生成系统
CN110750311A (zh) * 2019-10-18 2020-02-04 北京汽车研究总院有限公司 数据分类方法、装置和设备

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033527A (zh) * 2021-05-27 2021-06-25 北京三快在线科技有限公司 一种场景识别方法、装置、存储介质及无人设备
CN114120645A (zh) * 2021-11-25 2022-03-01 北京航空航天大学 一种自然行驶环境下交通场景的提取方法
CN114120645B (zh) * 2021-11-25 2023-01-10 北京航空航天大学 一种自然行驶环境下交通场景的提取方法
CN114299758A (zh) * 2021-12-30 2022-04-08 阿波罗智联(北京)科技有限公司 车辆控制方法及装置、设备、介质和产品
CN114550121A (zh) * 2022-02-28 2022-05-27 重庆长安汽车股份有限公司 一种基于聚类的自动驾驶换道场景分类方法及识别方法
CN114332520A (zh) * 2022-03-14 2022-04-12 中汽信息科技(天津)有限公司 基于深度学习的异常驾驶行为识别模型构建方法
CN114332520B (zh) * 2022-03-14 2022-06-17 中汽信息科技(天津)有限公司 基于深度学习的异常驾驶行为识别模型构建方法

Also Published As

Publication number Publication date
CN111666714B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN111666714B (zh) 自动驾驶仿真场景识别的方法及装置
CN111860155B (zh) 一种车道线的检测方法及相关设备
CN113240909B (zh) 车辆监测方法、设备、云控平台和车路协同系统
US11962664B1 (en) Context-based data valuation and transmission
CN112419722B (zh) 交通异常事件检测方法、交通管控方法、设备和介质
CN111680362A (zh) 一种自动驾驶仿真场景获取方法、装置、设备及存储介质
CN112132113A (zh) 车辆再识别的方法、装置、训练方法以及电子设备
CN112069279B (zh) 地图数据更新方法、装置、设备及可读存储介质
CN111652153A (zh) 场景自动识别方法、装置、无人车及存储介质
CN114610628A (zh) 场景库建立及测试方法、装置、设备、介质及程序产品
CN113392793A (zh) 用于识别车道线的方法、装置、设备、存储介质以及无人车
CN111523515A (zh) 自动驾驶车辆环境认知能力评价方法、设备及存储介质
CN111859181A (zh) 跨区域的出行推荐方法、装置、电子设备及存储介质
CN114170516A (zh) 一种基于路侧感知的车辆重识别方法、装置及电子设备
CN113467875A (zh) 训练方法、预测方法、装置、电子设备以及自动驾驶车辆
CN115635961A (zh) 样本数据生成方法及应用其的轨迹预测方法、装置
CN115641359A (zh) 确定对象的运动轨迹的方法、装置、电子设备和介质
CN111667706A (zh) 车道级路面状况识别方法、路况提示方法和装置
CN111597986A (zh) 用于生成信息的方法、装置、设备和存储介质
CN111681417A (zh) 交通路口渠化调整方法和装置
CN115782919A (zh) 信息感知方法、装置及电子设备
KR20230098030A (ko) 온보드 데이터 처리 방법, 장치, 전자기기 및 저장매체
CN114973656A (zh) 交通交互性能的评估方法、装置、设备、介质和产品
CN115366920A (zh) 用于自动驾驶车辆的决策方法及装置、设备和介质
CN114721692A (zh) 自动驾驶模型的升级系统、方法及装置

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