CN112287566B - 一种自动化驾驶场景库生成方法、系统及电子设备 - Google Patents
一种自动化驾驶场景库生成方法、系统及电子设备 Download PDFInfo
- Publication number
- CN112287566B CN112287566B CN202011328900.0A CN202011328900A CN112287566B CN 112287566 B CN112287566 B CN 112287566B CN 202011328900 A CN202011328900 A CN 202011328900A CN 112287566 B CN112287566 B CN 112287566B
- Authority
- CN
- China
- Prior art keywords
- data
- target
- vehicle
- scene
- target object
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000008447 perception Effects 0.000 claims abstract description 33
- 238000002372 labelling Methods 0.000 claims abstract description 29
- 230000003068 static effect Effects 0.000 claims abstract description 11
- 230000003993 interaction Effects 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 description 11
- 230000007613 environmental effect Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种自动化驾驶场景库生成方法、系统及电子设备，应用于自动化技术领域，该自动化驾驶场景库生成方法可以包括获取车端采集数据，车端采集数据包括基于车端采集的用于反映实际驾驶环境的数据；通过自动化标签生成工具，对车端采集数据中的目标对象进行标注，得到目标级感知数据，目标对象包括动态目标对象和静态目标对象；基于目标级感知数据，对实际驾驶环境中目标对象的驾驶场景进行探测，并标注驾驶场景，得到标注有驾驶场景的场景数据；基于场景数据组成自动化驾驶场景库。如此，能够提高生成自动化驾驶场景库的效率。
Description
技术领域
本发明涉及自动化技术领域，特别是涉及一种自动化驾驶场景库生成方法、系统及电子设备。
背景技术
近年来，自动驾驶技术飞速发展，但自动驾驶系统目前仍存在较大不稳定性，需要通过海量的自动驾驶场景库数据来构建虚拟场景，以进行全面严格的测试验证。
自动化驾驶场景库对自动驾驶功能的开发和测试验证起着至关重要的作用。但目前市场中自动化驾驶场景库的生成还更多基于实际路采数据的人工标签，即通过人工标注的方式对路采数据打标签，如此会使得生成自动化驾驶场景库的效率较低。
发明内容
本发明实施例的目的在于提供一种自动化驾驶场景库生成方法、系统及电子设备，以提高生成自动化驾驶场景库的效率。具体技术方案如下：
第一方面，本发明实施例提供了一种自动化驾驶场景库生成方法，包括：
获取车端采集数据，所述车端采集数据包括基于车端采集的用于反映实际驾驶环境的数据；
通过自动化标签生成工具，对所述车端采集数据中的目标对象进行标注，得到目标级感知数据，所述目标对象包括动态目标对象和静态目标对象；
基于所述目标级感知数据，对所述实际驾驶环境中目标对象的驾驶场景进行探测，并标注所述驾驶场景，得到标注有驾驶场景的场景数据；
基于所述场景数据组成自动化驾驶场景库。
可选的，所述方法还包括：
接收通过用户界面输入的针对所述车端采集数据的环境标签信息；
结合所述环境标签信息和所述场景数据，得到多维度的自动化驾驶场景库。
可选的，所述基于所述目标级感知数据，对所述实际驾驶环境中目标对象的驾驶场景进行探测，包括：
基于所述目标级感知数据，确定所述目标对象的状态变化；
基于所述目标对象的状态变化，确定所述实际驾驶环境中目标对象之间的交互场景，并将所述目标对象之间的交互场景作为所述驾驶场景。
可选的，在所述获取车端采集数据之后，所述方法还包括：
对所述车端采集数据进行预处理，得到符合预设质量标准的采集数据；
所述通过自动化标签生成工具，对所述车端采集数据中的目标对象进行标注，得到目标级感知数据，包括：
通过自动化标签生成工具，对所述符合预设质量标准的采集数据中的目标对象进行标注，得到目标级感知数据。
可选的，在所述基于所述目标级感知数据，对所述实际驾驶环境中目标对象的驾驶场景进行探测，并标注所述驾驶场景，得到标注有驾驶场景的场景数据之后，所述方法还包括：
将所述场景数据转换为预设格式的数据，所述预设格式是根据用户需求确定的。
可选的，所述获取车端采集数据，包括：
通过多个传感器采集数据，并将多个传感器采集的数据进行融合，得到所述车端采集数据。
可选的，所述车端采集数据，包括：基于车端采集的激光雷达点云。
可选的，所述实际驾驶环境中目标对象的驾驶场景包括所述实际驾驶环境中交通参与者之间的交互场景。
第二方面，本发明实施例提供了一种自动化驾驶场景库生成系统，包括：
获取模块，获取车端采集数据，所述车端采集数据包括基于车端采集的用于反映实际驾驶环境的数据；
目标标注模块，通过自动化标签生成工具，对所述车端采集数据中的目标对象进行标注，得到目标级感知数据，所述目标对象包括动态目标对象和静态目标对象；
探测模块，用于基于所述目标级感知数据，对所述实际驾驶环境中目标对象的驾驶场景进行探测，并标注所述驾驶场景，得到标注有驾驶场景的场景数据；
组成模块，用于基于所述场景数据组成自动化驾驶场景库。
第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面所述的方法步骤。
本发明实施例有益效果：
本发明实施例提供的自动化驾驶场景库生成方法、系统及电子设备，可以获取车端采集数据，车端采集数据包括基于车端采集的用于反映实际驾驶环境的数据；通过自动化标签生成工具，对车端采集数据中的目标对象进行标注，得到目标级感知数据，目标对象包括动态目标对象和静态目标对象；基于目标级感知数据，对实际驾驶环境中目标对象的驾驶场景进行探测，并标注驾驶场景，得到标注有驾驶场景的场景数据；基于场景数据组成自动化驾驶场景库。如此，可以实现从车端数据采集到自动化驾驶场景库生成的自动化处理过程，能够提高生成自动化驾驶场景库的效率。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，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实施例。
图1为本发明实施例提供的自动化驾驶场景库生成方法的一种流程图；
图2为本发明实施例中基于目标级感知数据，对实际驾驶环境中目标对象的驾驶场景进行探测的流程图；
图3为本发明实施例提供的自动化驾驶场景库生成方法的另一种流程图；
图4为本发明提供的具体实施例中所采用的自动化生成工具链的结构示意图；
图5为本发明实施例提供的自动化驾驶场景库生成系统的一种结构示意图；
图6为本发明实施例提供的自动化驾驶场景库生成系统的另一种结构示意图；
图7为本发明实施例提供的自动化驾驶场景库生成系统的又一种结构示意图；
图8为本发明实施例提供的自动化驾驶场景库生成系统的再一种结构示意图；
图9为本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供了一种自动化驾驶场景库生成方法，可以包括：
获取车端采集数据，车端采集数据包括基于车端采集的用于反映实际驾驶环境的数据；
通过自动化标签生成工具，对车端采集数据中的目标对象进行标注，得到目标级感知数据，目标对象包括动态目标对象和静态目标对象；
基于目标级感知数据，对实际驾驶环境中目标对象的驾驶场景进行探测，并标注驾驶场景，得到标注有驾驶场景的场景数据；
基于场景数据组成自动化驾驶场景库。
本发明实施例中，通过获取车端采集数据；通过自动化标签生成工具，对车端采集数据中的目标对象进行标注，得到目标级感知数据；基于目标级感知数据，对实际驾驶环境中目标对象的驾驶场景进行探测，并标注驾驶场景，得到标注有驾驶场景的场景数据；基于场景数据组成自动化驾驶场景库。如此，可以实现从车端数据采集到自动化驾驶场景库生成的自动化处理过程，能够提高生成自动化驾驶场景库的效率。
本发明实施例提供的自动化驾驶场景库生成方法可以应用于电子设备，具体地，电子设备可以包括服务器、终端等等。
参见图1，对本发明实施例提供的自动化驾驶场景库生成方法进行详细说明。
S101，获取车端采集数据。
车端采集数据可以包括基于车端采集的用于反映实际驾驶环境的数据。
一种可实现方式中，车端采集数据可以包括分别在多个实际驾驶环境中基于车端采集的数据。
该车端采集数据可以包括驾驶环境中目标对象的位置、姿态等信息。目标对象如车辆、行人、路面信息等。
本发明实施例中可以实时获取车端采集数据，并实时通过自动化标签生成工具，对采集得到的车端采集数据中的目标对象进行标注，得到目标级感知数据。或者，也可以分别在不同的实际驾驶环境中采集数据，并将采集到的数据保存至预设存储位置，在进行后续处理流程时，从该预设存储位置获取该车端采集数据。
一种实现方式中，可以通过多个传感器采集数据，并将多个传感器采集的数据进行融合，得到车端采集数据。
另一种可实现方式中车端采集数据，可以包括：基于车端采集的激光雷达点云。
一种可选的实施例中，在获取车端采集数据之后，还可以包括：
对车端采集数据进行预处理，得到符合预设质量标准的采集数据。
预处理可以包括对车端采集数据进行检测与清洗，以保证数据的完整性、有效性和合理性。
预设质量标准可以根据实际需求确定。具体地，可以根据历史数据统计传感器采集得到的数据所满足的规则，该规则即可以理解为预设质量标准。
具体地，可以将不符合该规则的车端采集数据标注出来或删除，以得到符合预设质量标准的采集数据。
一种可选的实施例中，可以对采集到的车端采集数据进行标准化处理。具体地，可以将通过不同传感器采集到的不同格式的数据，进行数据格式转换，转换为统一格式的数据。例如，统一格式的数据可以包括交通参与者的位置、速度、尺寸以及车道线的相关信息等等。如此，可以便于计算。
S102，通过自动化标签生成工具，对车端采集数据中的目标对象进行标注，得到目标级感知数据。
目标对象包括动态目标对象和静态目标对象。
动态目标对象理解为在驾驶环境中会发生移动等变化的目标对象。例如，动态目标对象可以包括汽车、卡车、行人摩托车、自行车等等。
动态目标对象理解为在驾驶环境中不会发生移动等变化的目标对象。静态目标对象可以包括道路边缘、路面信息、隧道、高速出入口等等。
若在获取车端采集数据之后，还对车端采集数据进行预处理，得到符合预设质量标准的采集数据，则通过自动化标签生成工具，对车端采集数据中的目标对象进行标注，得到目标级感知数据，可以包括：
通过自动化标签生成工具，对符合预设质量标准的采集数据中的目标对象进行标注，得到目标级感知数据。
一种可选的实施例中，在得到目标级感知数据后，可以对该目标级感知数据进行检测与清洗，对不符合质量标准的数据进行标记或剔除，以确保用于后续驾驶场景探测和传感器测评等的数据的完整性、有效性和合理性。
S103，基于目标级感知数据，对实际驾驶环境中目标对象的驾驶场景进行探测，并标注驾驶场景，得到标注有驾驶场景的场景数据。
一种可实现方式中，实际驾驶环境中目标对象的驾驶场景可以包括实际驾驶环境中交通参与者之间的交互场景。例如，切入事件场景、跟随事件场景、变道事件场景等等。
交通参与者可以包括驾驶环境中行驶的车、人等等。
一种可实现方式中，S103中基于目标级感知数据，对实际驾驶环境中目标对象的驾驶场景进行探测，如图2所示，可以包括：
S1031，基于目标级感知数据，确定目标对象的状态变化。
目标级感知数据可以理解为标注有目标对象的数据。本发明实施例中，基于该目标级感知数据可以确定目标对象随着时间的变化而状态发生的变化，即状态变化。
S1032，基于目标对象的状态变化，确定实际驾驶环境中目标对象之间的交互场景，并将目标对象之间的交互场景作为驾驶场景。
目标对象之间不同的状态，可以反映目标对象之间不同的交互场景。当确定目标对象的状态变化后，则可以确定该实际驾驶环境中对目标对象之间的交互场景。
S104，基于场景数据组成自动化驾驶场景库。
如此，可以将场景数据组成自动化驾驶场景库。
本发明实施例中可以实现从车端数据采集到自动化驾驶场景库生成的自动化处理过程，能够提高生成自动化驾驶场景库的效率。且通过自动化形式得到场景数据，能够避免人工标签造成的误差，以精准的获取场景数据。基于多传感器融合方式获得的车端采集数据而得到的目标级数据精确度提升，如此，能够提高基于该目标级感知数据生成的自动化驾驶场景库的质量。
一种可选的实施例中，如图3所示，还可以包括：
S301，接收通过用户界面输入的针对车端采集数据的环境标签信息。
环境标签信息可以包括对环境信息、路面信息、特殊场景等的标注信息。
具体地，电子设备可以向用户提供用户界面，如此，用户可以通过该用户界输入针对该车端采集数据的环境标签信息，电子设备即可以接收到通过该用户界面输入的环境标签信息。
S302，结合环境标签信息和场景数据，得到多维度的自动化驾驶场景库。
如此，可以通过多维度的数据组成自动化驾驶场景库，使得得到的自动化驾驶场景库更加全面、准确。
一种可选的实施例中，在S103：基于目标级感知数据，对实际驾驶环境中目标对象的驾驶场景进行探测，并标注驾驶场景，得到标注有驾驶场景的场景数据之后，还可以包括：
将场景数据转换为预设格式的数据，预设格式是根据用户需求确定的。
预设格式的数据是仿真模拟器支持的格式，例如OpenX系列格式或者用户自定义格式等，其中，OpenX用于完整的仿真测试场景描述。
如此，可以实现自制化开发不同场景描述文件之间的转换工具。用户可以根据自身需求定位预设格式，本发明实施例中可以将场景数据转换为预设格式，如此可以使得用户根据满足自身需求的预设格式进行仿真验证等。
本发明实施例提供了一个具体的实施例，以提供从车端数据采集到模拟仿真场景库的一站式服务。下面进行详细说明。
可以通过自动化生产工具链的形式完成一站式服务流程。如图4所示，自动化生产工具链可以包括场景标签工具模块401、数据质量检测与清洗模块402、目标标注模块403、数据格式提取与格式转换模块404、自动化场景探测模块405和场景库文件转换模块406。例如，电子设备可以包括场景标签工具模块401、数据质量检测与清洗模块402、目标标注模块403、数据格式提取与格式转换模块404、自动化场景探测模块405和场景库文件转换模块406，通过各个模块之间的交互，以实现自动化驾驶场景库生成的自动化处理过程。
场景标签工具模块401，用于接收通过用户界面输入的针对车端采集数据的环境标签信息。
环境标签信息可以包括对环境信息、路面信息、特殊场景等的标注信息。
获得的环境标签信息可以与获取到的车端采集数据进行融合。其中，车端采集数据可以理解为采集的原始数据。
数据质量检测与清洗模块402，用于对获取的车端采集数据进行预处理，得到符合预设质量标准的采集数据。
预处理可以包括对车端采集数据进行检测与清洗，以保证数据的完整性、有效性和合理性。
目标标注模块403，用于通过自动化标签生成工具，对车端采集数据中的目标对象进行标注，得到目标级感知数据。
车端采集数据可以是通过激光雷达等采集的激光雷达点云。
具体地，可以通过自动化标签生成工具，基于通过激光雷达等采集的激光雷达点云对连续驾驶环境中的动态目标对象和静态目标对象进行标注。
对于经过目标标注模块的数据，也即目标级感知数据也可以通过数据质量检测与清洗模块402，以对不符合质量标准的数据进行标记或剔除，以确保用于后续驾驶场景探测和传感器测评等的数据的完整性、有效性和合理性。
数据格式提取与格式转换模块404，用于对采集到的车端采集数据进行标准化处理。具体地，可以将通过不同传感器采集到的不同格式的数据，进行数据格式转换，转换为统一格式的数据。
自动化场景探测模块405，用于基于目标级感知数据，对实际驾驶环境中目标对象的驾驶场景进行探测，并标注驾驶场景，得到标注有驾驶场景的场景数据。
驾驶场景可以包括切入事件场景、跟随事件场景、变道事件场景等等。
可以将得到的场景数据与通过场景标签工具模块得到的环境标签信息结合，得到多维度元素标签的场景库。
场景库文件转换模块406，用于将场景数据转换为预设格式的数据，预设格式是根据用户需求确定的。
具体地，可以根据用户的需求将数据中心的场景数据转换为仿真模拟器支持的格式，如OpenX系列格式或者用户自定义格式等。
如此，可以实现自制化开发不同场景描述文件之间的转换工具。用户可以根据自身需求定位预设格式，本发明实施例中可以将场景数据转换为预设格式，如此可以使得用户根据满足自身需求的预设格式进行仿真验证等。
本发明实施例中，通过自动化生产工具链完成从车端数据采集到模拟仿真场景库的一站式服务，通过公自动化处理流程可以提升生成自动化驾驶场景库的效率。且可以防止由于人工场景标签造成的误差，精准的获取场景数据。以及，多传感器融合技术使获取的目标信息，也即目标级感知数据和自动化驾驶场景库的质量提高，进一步可以加速自动驾驶的测试验证。
对应于上述实施例提供的自动化驾驶场景库生成方法，本发明实施例还提供一种自动化驾驶场景库生成系统，如图5所示，可以包括：
获取模块501，获取车端采集数据，车端采集数据包括基于车端采集的用于反映实际驾驶环境的数据；
目标标注模块502，通过自动化标签生成工具，对车端采集数据中的目标对象进行标注，得到目标级感知数据，目标对象包括动态目标对象和静态目标对象；
探测模块503，用于基于目标级感知数据，对实际驾驶环境中目标对象的驾驶场景进行探测，并标注驾驶场景，得到标注有驾驶场景的场景数据；
组成模块504，用于基于场景数据组成自动化驾驶场景库。
可选的，如图6所示，系统还包括：
接收模块601，用于接收通过用户界面输入的针对车端采集数据的环境标签信息；
结合模块602，用于结合环境标签信息和场景数据，得到多维度的自动化驾驶场景库。
可选的，探测模块503，具体用于基于目标级感知数据，确定目标对象的状态变化；基于目标对象的状态变化，确定实际驾驶环境中目标对象之间的交互场景，并将目标对象之间的交互场景作为驾驶场景。
可选的，如图7所示，系统还包括：预处理模块505，用于在获取车端采集数据之后，对车端采集数据进行预处理，得到符合预设质量标准的采集数据；
目标标注模块502，具体用于通过自动化标签生成工具，对符合预设质量标准的采集数据中的目标对象进行标注，得到目标级感知数据。
可选的，如图8所示，系统还包括：格式转换模块506，用于在基于目标级感知数据，对实际驾驶环境中目标对象的驾驶场景进行探测，并标注驾驶场景，得到标注有驾驶场景的场景数据之后，将场景数据转换为预设格式的数据，预设格式是根据用户需求确定的。
可选的，获取模块501，具体用于通过多个传感器采集数据，并将多个传感器采集的数据进行融合，得到车端采集数据。
可选的，车端采集数据，包括：基于车端采集的激光雷达点云。
可选的，实际驾驶环境中目标对象的驾驶场景包括实际驾驶环境中交通参与者之间的交互场景。
对应于上述实施例提供的自动化驾驶场景库生成方法，本发明实施例还提供了一种电子设备，如图9所示，包括处理器901、通信接口902、存储器903和通信总线904，其中，处理器901，通信接口902，存储器903通过通信总线904完成相互间的通信。
存储器903，用于存放计算机程序；
处理器901，用于执行存储器903上所存放的程序时，实现上述实施例提供的自动化驾驶场景库生成方法的方法步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信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。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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。
对应于上述实施例提供的自动化驾驶场景库生成方法，在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现上述实施例提供的自动化驾驶场景库生成方法的方法步骤。
对应于上述实施例提供的自动化驾驶场景库生成方法，在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例提供的自动化驾驶场景库生成方法的方法步骤。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统、电子设备、计算机可读存储介质以及计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (8)
1.一种自动化驾驶场景库生成方法，其特征在于，包括：
获取车端采集数据，所述车端采集数据包括基于车端采集的用于反映实际驾驶环境的数据，所述车端采集数据通过车端多个传感器采集数据融合得到；
通过自动化标签生成工具，对所述车端采集数据中的目标对象进行标注，得到目标级感知数据，所述目标对象包括动态目标对象和静态目标对象；
基于所述目标级感知数据，对所述实际驾驶环境中目标对象的驾驶场景进行探测，并标注所述驾驶场景，得到标注有驾驶场景的场景数据；
基于所述场景数据组成自动化驾驶场景库；
所述基于所述目标级感知数据，对所述实际驾驶环境中目标对象的驾驶场景进行探测，包括：
基于所述目标级感知数据，确定所述目标对象的状态变化；
基于所述目标对象的状态变化，确定所述实际驾驶环境中目标对象之间的交互场景，并将所述目标对象之间的交互场景作为所述驾驶场景，其中，目标对象之间不同的状态，反映目标对象之间不同的交互场景。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
接收通过用户界面输入的针对所述车端采集数据的环境标签信息；
结合所述环境标签信息和所述场景数据，得到多维度的自动化驾驶场景库。
3.根据权利要求1所述的方法，其特征在于，在所述获取车端采集数据之后，所述方法还包括：
对所述车端采集数据进行预处理，得到符合预设质量标准的采集数据；
所述通过自动化标签生成工具，对所述车端采集数据中的目标对象进行标注，得到目标级感知数据，包括：
通过自动化标签生成工具，对所述符合预设质量标准的采集数据中的目标对象进行标注，得到目标级感知数据。
4.根据权利要求1所述的方法，其特征在于，在所述基于所述目标级感知数据，对所述实际驾驶环境中目标对象的驾驶场景进行探测，并标注所述驾驶场景，得到标注有驾驶场景的场景数据之后，所述方法还包括：
将所述场景数据转换为预设格式的数据，所述预设格式是根据用户需求确定的。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述车端采集数据，包括：基于车端采集的激光雷达点云。
6.根据权利要求1至4任一项所述的方法，其特征在于，所述实际驾驶环境中目标对象的驾驶场景包括所述实际驾驶环境中交通参与者之间的交互场景。
7.一种自动化驾驶场景库生成系统，其特征在于，包括：
获取模块，获取车端采集数据，所述车端采集数据包括基于车端采集的用于反映实际驾驶环境的数据，所述车端采集数据通过车端多个传感器采集数据融合得到；
目标标注模块，通过自动化标签生成工具，对所述车端采集数据中的目标对象进行标注，得到目标级感知数据，所述目标对象包括动态目标对象和静态目标对象；
探测模块，用于基于所述目标级感知数据，对所述实际驾驶环境中目标对象的驾驶场景进行探测，并标注所述驾驶场景，得到标注有驾驶场景的场景数据；
组成模块，用于基于所述场景数据组成自动化驾驶场景库；
所述探测模块，具体用于基于所述目标级感知数据，确定所述目标对象的状态变化；基于所述目标对象的状态变化，确定所述实际驾驶环境中目标对象之间的交互场景，并将所述目标对象之间的交互场景作为所述驾驶场景，其中，目标对象之间不同的状态，反映目标对象之间不同的交互场景。
8.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011328900.0A CN112287566B (zh) | 2020-11-24 | 2020-11-24 | 一种自动化驾驶场景库生成方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011328900.0A CN112287566B (zh) | 2020-11-24 | 2020-11-24 | 一种自动化驾驶场景库生成方法、系统及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112287566A CN112287566A (zh) | 2021-01-29 |
| CN112287566B true CN112287566B (zh) | 2024-05-07 |
Family
ID=74425582
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011328900.0A Active CN112287566B (zh) | 2020-11-24 | 2020-11-24 | 一种自动化驾驶场景库生成方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112287566B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113297667B (zh) * | 2021-04-30 | 2022-09-02 | 岚图汽车科技有限公司 | 一种智能驾驶数据闭环的方法及系统 |
| CN113435498A (zh) * | 2021-06-25 | 2021-09-24 | 上海商汤临港智能科技有限公司 | 数据标注方法、装置、设备及存储介质 |
| CN113435504A (zh) * | 2021-06-25 | 2021-09-24 | 上海商汤临港智能科技有限公司 | 数据标注方法、装置、设备及存储介质 |
| CN113496213B (zh) * | 2021-06-29 | 2024-05-28 | 中汽创智科技有限公司 | 一种目标感知数据的确定方法、装置、系统及存储介质 |
| CN113191030A (zh) * | 2021-07-01 | 2021-07-30 | 北京赛目科技有限公司 | 一种自动驾驶测试场景构建方法及装置 |
| CN113868873A (zh) * | 2021-09-30 | 2021-12-31 | 重庆长安汽车股份有限公司 | 一种基于数据回注的自动驾驶仿真场景扩展方法及系统 |
| CN113778108B (zh) * | 2021-10-09 | 2023-07-21 | 招商局检测车辆技术研究院有限公司 | 一种基于路侧感知单元的数据采集系统及数据处理方法 |
| CN114372351A (zh) * | 2021-12-21 | 2022-04-19 | 海南热带汽车试验有限公司 | 基于真实交通场景的自动驾驶仿真场景自动生成方法 |
| CN114079665B (zh) * | 2022-01-19 | 2022-04-22 | 浙江吉利控股集团有限公司 | 数据采集方法、装置、设备及存储介质 |
| CN115203483B (zh) * | 2022-07-15 | 2024-02-13 | 小米汽车科技有限公司 | 标签管理方法、装置、车辆、存储介质及芯片 |
| CN115687163B (zh) * | 2023-01-05 | 2023-04-07 | 中汽智联技术有限公司 | 场景库构建方法、装置、设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472884A (zh) * | 2018-10-29 | 2019-03-15 | 百度在线网络技术（北京）有限公司 | 无人车数据存储方法、装置、设备及存储介质 |
| CN109726426A (zh) * | 2018-11-12 | 2019-05-07 | 初速度（苏州）科技有限公司 | 一种车辆自动驾驶虚拟环境构建方法 |
| DE102019124419A1 (de) * | 2018-09-14 | 2020-03-19 | Honda Motor Co., Ltd. | Szenenklassifizierung |
| CN111144015A (zh) * | 2019-12-30 | 2020-05-12 | 吉林大学 | 一种自动驾驶汽车虚拟场景库构建方法 |
| CN111178454A (zh) * | 2020-01-03 | 2020-05-19 | 北京汽车集团有限公司 | 自动驾驶数据的标注方法、云端控制平台及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11137763B2 (en) * | 2016-05-30 | 2021-10-05 | Faraday & Future Inc. | Generating and fusing traffic scenarios for automated driving systems |
| US20180211120A1 (en) * | 2017-01-25 | 2018-07-26 | Ford Global Technologies, Llc | Training An Automatic Traffic Light Detection Model Using Simulated Images |
-
2020
- 2020-11-24 CN CN202011328900.0A patent/CN112287566B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102019124419A1 (de) * | 2018-09-14 | 2020-03-19 | Honda Motor Co., Ltd. | Szenenklassifizierung |
| CN109472884A (zh) * | 2018-10-29 | 2019-03-15 | 百度在线网络技术（北京）有限公司 | 无人车数据存储方法、装置、设备及存储介质 |
| CN109726426A (zh) * | 2018-11-12 | 2019-05-07 | 初速度（苏州）科技有限公司 | 一种车辆自动驾驶虚拟环境构建方法 |
| CN111144015A (zh) * | 2019-12-30 | 2020-05-12 | 吉林大学 | 一种自动驾驶汽车虚拟场景库构建方法 |
| CN111178454A (zh) * | 2020-01-03 | 2020-05-19 | 北京汽车集团有限公司 | 自动驾驶数据的标注方法、云端控制平台及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112287566A (zh) | 2021-01-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112287566B (zh) | 一种自动化驾驶场景库生成方法、系统及电子设备 | |
| CN109754594B (zh) | 一种路况信息获取方法及其设备、存储介质、终端 | |
| CN112835806B (zh) | 一种仿真测试平台、方法及存储介质 | |
| CN109087510B (zh) | 交通监测方法及装置 | |
| CN112816954A (zh) | 一种基于真值的路侧感知系统评测方法和系统 | |
| Biagioni et al. | Easytracker: automatic transit tracking, mapping, and arrival time prediction using smartphones | |
| CN110287276A (zh) | 高精地图更新方法、装置及存储介质 | |
| CN111179300A (zh) | 障碍物检测的方法、装置、系统、设备以及存储介质 | |
| CN113343461A (zh) | 自动驾驶车辆的仿真方法、装置、电子设备及存储介质 | |
| CN113155173B (zh) | 感知性能评测方法、装置、电子装置和存储介质 | |
| CN114170448A (zh) | 一种视觉感知算法的评测方法及装置 | |
| CN114120650B (zh) | 用于生成测试结果的方法、装置 | |
| CN114756505A (zh) | 一种自动驾驶场景自识别方法及存储介质 | |
| CN116580271A (zh) | 一种感知融合算法的测评方法、装置、设备及存储介质 | |
| CN117128979A (zh) | 一种多传感器融合方法、装置、电子设备及存储介质 | |
| CN114120071B (zh) | 一种带有对象标注框图像的检测方法 | |
| Yao et al. | Developing operating mode distribution inputs for MOVES with a computer vision–based vehicle data collector | |
| CN116413740B (zh) | 一种激光雷达点云地面检测方法及装置 | |
| CN117079238A (zh) | 道路边沿检测方法、装置、设备及存储介质 | |
| CN116935631A (zh) | 基于雷视融合的异常交通态势检测方法、装置及系统 | |
| CN115482672A (zh) | 车辆逆行检测的方法、装置、终端设备及存储介质 | |
| CN111143423B (zh) | 动态场景标注数据挖掘方法、装置以及终端 | |
| CN116664658B (zh) | 一种障碍物检测方法、装置及终端设备 | |
| CN114999149B (zh) | 交通事故数据快速采集方法、装置、设备、系统及介质 | |
| CN110796024B (zh) | 一种针对失效样本的自动驾驶视觉感知测试方法和装置 |
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 |