CN112559378B - 自动驾驶算法评估方法和装置、场景库生成方法和装置 - Google Patents
自动驾驶算法评估方法和装置、场景库生成方法和装置 Download PDFInfo
- Publication number
- CN112559378B CN112559378B CN202011566517.9A CN202011566517A CN112559378B CN 112559378 B CN112559378 B CN 112559378B CN 202011566517 A CN202011566517 A CN 202011566517A CN 112559378 B CN112559378 B CN 112559378B
- Authority
- CN
- China
- Prior art keywords
- scene
- simulation
- units
- evaluation
- library
- 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 107
- 238000011156 evaluation Methods 0.000 title claims abstract description 82
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 79
- 238000004088 simulation Methods 0.000 claims abstract description 112
- 238000012360 testing method Methods 0.000 claims abstract description 83
- 230000003238 somatosensory effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 31
- 238000004590 computer program Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000001133 acceleration Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000036461 convulsion Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007433 macroscopic evaluation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- 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)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种用于对自动驾驶算法进行评估的方法、装置、一种生成用于对自动驾驶算法进行评估的场景库的方法、装置、电子设备、介质。本公开涉及自动驾驶和智能交通领域。所述用于对自动驾驶算法进行评估的方法包括：获取评估场景集，其中评估场景集包括多个仿真场景单元场景库中的场景单元覆盖预先采集的道路测试数据的连续时间范围；针对多个仿真场景单元中的每个仿真场景单元，运行待评估的自动驾驶算法，以得到每个仿真场景单元的评估指标；汇总多个仿真场景单元的评估指标，以得到自动驾驶算法的整体评估结果。利用上述方法可以在仿真过程中得到与真实道路具有相同场景分布的仿真环境。
Description
技术领域
本公开涉及自动驾驶和智能交通领域，具体涉及一种用于对自动驾驶算法进行评估的方法、装置、一种生成用于对自动驾驶算法进行评估的场景库的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
在应用自动驾驶技术的过程中，要处理的场景非常复杂多样，因此需要对自动驾驶算法进行不断迭代来适应不同的道路场景。为了在投入使用之前对自动驾驶算法进行准确的评估，在真实的道路测试之前，可以利用仿真的方式预先对自动驾驶算法进行测试。
发明内容
本公开提供了一种用于对自动驾驶算法进行评估的方法、装置、一种生成用于对自动驾驶算法进行评估的场景库的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种用于对自动驾驶算法进行评估的方法，包括：获取评估场景集，其中所述评估场景集包括多个仿真场景单元，所述多个仿真场景单元为场景库中的场景单元的子集，所述场景库中的场景单元覆盖预先采集的道路测试数据的连续时间范围；针对所述多个仿真场景单元中的每个仿真场景单元，运行待评估的自动驾驶算法，以得到每个仿真场景单元的评估指标；汇总所述多个仿真场景单元的评估指标，以得到自动驾驶算法的整体评估结果。
根据本公开的另一方面，提供了一种生成用于对自动驾驶算法进行评估的场景库的方法，包括：获取道路测试数据，其中所述道路测试数据覆盖道路测试过程的连续时间范围；对所述道路测试数据进行切分以获得多个场景单元，其中所述多个场景单元覆盖所述道路测试数据的连续时间范围，并且每个场景单元对应于预定义的多个场景语义中的一种场景语义；基于所述多个场景单元生成所述场景库。
根据本公开的另一方面，提供了一种用于对自动驾驶算法进行评估的装置，包括：获取单元，配置成获取评估场景集 ，其中所述评估场景集包括多个仿真场景单元，所述多个仿真场景单元为场景库中的场景单元的子集，所述场景库中的场景单元覆盖预先采集的道路测试数据的连续时间范围；仿真单元，配置成针对所述多个仿真场景单元中的每个仿真场景单元，运行待评估的自动驾驶算法，以得到每个仿真场景单元的评估指标；汇总单元，配置成汇总所述多个仿真场景单元的评估指标，以得到自动驾驶算法的整体评估结果。
根据本公开的另一方面，提供了一种生成用于对自动驾驶算法进行评估的场景库的装置，包括：测试数据获取单元，配置成获取道路测试数据，其中所述道路测试数据覆盖道路测试过程的连续时间范围；场景划分单元，配置成对所述道路测试数据进行切分以获得多个场景单元，其中所述多个场景单元覆盖所述道路测试数据的连续时间范围，并且每个场景单元对应于预定义的多个场景语义中的一种场景语义；场景库生成单元，配置成基于所述多个场景单元生成所述场景库。
根据本公开的另一方面，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前所述的方法。
根据本公开的另一方面，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前所述的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现如前所述的方法。
根据本公开的一个或多个实施例，通过从覆盖预先采集的道路测试数据的连续时间范围的场景库中选取的评估场景集，可以在仿真过程中得到与真实道路具有相同场景分布的仿真环境，从而可以使得自动驾驶算法的评估结果更具参考价值。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了根据本公开的实施例的用于对自动驾驶算法进行评估的方法的示意性的流程图；
图3示出了根据本公开的实施例的用于从场景库中确定评估场景集的方法的示意性的流程图；
图4示出了根据本公开的实施例的用于生成用于对自动驾驶算法进行评估的场景库的方法的示意性的流程图；
图5示出了根据本公开的基于场景的对自动驾驶算法进行评估的过程的示例；
图6示出了根据本公开的实施例的用于对自动驾驶算法进行评估的装置的示意性框图；
图7示出了根据本公开的实施例的生成用于对自动驾驶算法进行评估的场景库的装置的示意性框图；以及
图8示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围。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。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
在仿真中进行自动驾驶算法测试时，除了针对算法改动进行专项的测试之外，还必须关注算法改动对于驾驶过程整体效果的影响。例如，针对用于提升路口起步速度的算法，在测试时除了关注路口起步场景下算法的表现之外，还需要对加入该算法后整体驾驶过程的影响进行评估，例如在运行数万公里的情况下该算法在用户体验方面的整体表现。
在仿真中进行自动驾驶算法效果的评估通常是基于场景进行的，常用的算法评估方法为基于经验人为设计规则来模拟真实生活中道路上的各类场景，然后在这些场景上来对算法进行评估。然而，人工设计场景的评估存在以下几点明显的缺陷：场景覆盖度低、场景真实度差、场景分布不合理。
为了解决上述问题，本公开提供了一种新的对自动驾驶算法进行评估的方法，能够在仿真过程中更真实地模拟实际道路场景。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中，服务器120可以运行使得能够执行根据本公开的实施例的方法的一个或多个服务或软件应用。在一些实施例中，也可以使用客户端设备101、102、103、104、105和106运行根据本公开的实施例的方法的一个或多个服务或软件应用。
在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务（SaaS）模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机（诸如个人计算机和膝上型计算机）、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如Microsoft Windows、AppleiOS、类UNIX操作系统、Linux或类Linux操作系统（例如Google Chrome OS）；或包括各种移动操作系统，例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理（PDA）等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序（例如电子邮件应用程序）、短消息服务（SMS）应用程序，并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种（包括但不限于TCP/IP、SNA、IPX等）来支持数据通信。仅作为示例，一个或多个网络110可以是局域网（LAN）、基于以太网的网络、令牌环、广域网（WAN）、因特网、虚拟网络、虚拟专用网络（VPN）、内部网、外部网、公共交换电话网（PSTN）、红外网络、无线网络（例如蓝牙、WIFI）和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机（例如PC（个人计算机）服务器、UNIX服务器、中端服务器）、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构（例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池）。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器（VPS，Virtual Private Server）服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
图2示出了根据本公开的实施例的用于对自动驾驶算法进行评估的方法200的示意性的流程图。
方法200可以在客户端设备（例如，图1中所示的客户端设备101~106）处执行，也即，方法200的各个步骤的执行主体可以是图1中所示的客户端设备101~106。在一些实施例中，方法200可以在服务器（例如，图1中所示的服务器120）处执行。在一些实施例中，方法200可以由客户端设备（例如，客户端设备101~106）和服务器（例如，服务器120）相组合地执行。在下文中，以执行主体为服务器为例，详细描述方法200的各个步骤。
如图2所示，在步骤S202中，可以获取评估场景集，其中评估场景集包括多个仿真场景单元，多个仿真场景单元为场景库中的场景单元的子集，场景库中的场景单元覆盖预先采集的道路测试数据的连续时间范围。在一些实施例中，场景库中的场景单元可以覆盖预先采集的道路测试数据的全部连续时间范围。
道路测试数据可以是来源于真实的道路测试数据，如自动驾驶的车辆在真实道路上行驶时采集的数据。在一些实施例中，道路测试数据可以包括车辆在道路上行驶时的行驶数据（如位置、方向、速度、加速度等）、道路上的环境数据（如道路上的障碍物位置、障碍物速度、信号灯数据等）。
在场景库中的多个场景单元覆盖预先采集的道路测试数据的连续时间范围的情况下，可以认为道路测试中产生的所有真实数据都被包括在场景库中。在这种情况下，作为场景库中的场景单元的子集的多个仿真场景单元的场景分布与真实道路上的场景分布可以是相同的。在这种情况下，用于形成评估场景集的多个仿真场景单元能够最大程度上反应真实道路的情况。
在步骤S204中，针对多个仿真场景单元中的每个仿真场景单元，可以运行待评估的自动驾驶算法，以得到每个仿真场景单元的评估指标。
通过部署待评估的自动驾驶算法的运行环境和仿真场景单元的场景数据，可以运行待评估的自动驾驶算法并得到通过运行待评估的自动驾驶算法得到算法各个模块的输出数据，包括感知输出（如障碍物信息和信号灯信息）、预测输出、规划输出、控制输出和动力学模型输出（如自动驾驶的车辆的位置及运行状态等）。通过对算法模块的输出数据进行数据处理可以计算得到每个仿真场景单元指示的场景的评估指标。
在步骤S206中，可以汇总多个仿真场景单元的评估指标，以得到自动驾驶算法的整体评估结果。
其中，每个仿真场景单元的评估指标可以用于表示自动驾驶算法在单个场景中的表现。通过对多个仿真场景单元的评估指标进行汇总，可以得到自动驾驶算法在较长一段里程的驾驶过程中的评估指标的统计结果。
由于数据场景本身就是来自于真实的交通环境，因此当道路测试的数据转换为场景时可以完整的保留交通环境中的各类交通参与者行为的细节信息。当场景运行时以数据回放的方式来给自动驾驶算法灌入环境信息，可以实现较高的场景真实度。
利用本公开的实施例提供的方法，通过从覆盖预先采集的道路测试数据的连续时间范围的场景库中选取的评估场景集，可以在仿真过程中得到与真实道路具有相同场景分布的仿真环境，从而可以使得自动驾驶算法的评估结果更具参考价值。
图3示出了根据本公开的实施例的用于从场景库中确定评估场景集的方法300的示意性的流程图。所确定的评估场景集可以用于上面结合图2描述的方法200以供评估自动驾驶算法。利用图3中示出的方法300，通过在仿真运行能力和指标波动性之间权衡场景抽取的数量，在保证指标稳定的情况下减少仿真运行需要的资源。
方法300可以在客户端设备（例如，图1中所示的客户端设备101~106）处执行，也即，方法300的各个步骤的执行主体可以是图1中所示的客户端设备101~106。在一些实施例中，方法300可以在服务器（例如，图1中所示的服务器120）处执行。在一些实施例中，方法300可以由客户端设备（例如，客户端设备101~106）和服务器（例如，服务器120）相组合地执行。在下文中，以执行主体为服务器为例，详细描述方法300的各个步骤。
在步骤S302中，可以根据仿真运行能力和评估指标波动性，确定所述仿真场景单元的数量。
可以理解的是，在仿真过程中使用的仿真场景单元的数量越多，仿真过程越接近于真实道路测试的过程。然而，考虑到仿真过程能够使用的计算资源是有限的，并且从宏观层面上来看，当抽取的仿真场景单元的数量足够多时，仿真结果的评估指标是趋于稳定的。因此，为了降低仿真运行的成本，在开始仿真之前，可以通过实验确定能够满足指标波动性要求的仿真场景单元的最小数量。例如，针对一个包含300万个场景单元的场景库，可以抽取50万个仿真场景单元用于仿真过程。
在步骤S304中，可以根据所确定的仿真场景单元的数量，从所述场景库中的场景单元中抽取上述数量的场景单元作为评估场景集的多个仿真场景单元。
在一些实施例中，可以对场景库中的场景单元进行均匀抽样，以得到上述数量的场景单元作为评估场景集的多个仿真场景单元。通过均匀抽样的方法，可以使得评估场景集中的场景分布与场景库中的场景分布是一致的。
图4示出了根据本公开的实施例的用于生成用于对自动驾驶算法进行评估的场景库的方法400的示意性的流程图。利用图4中示出的方法400，可以使得所生成的场景库中的场景能够在最大程度上接近真实道路测试的场景，场景库中的场景语义分布与真实道路测试的场景语义分布是一致的，从而使得仿真结果更具实际参考价值。
方法400可以在客户端设备（例如，图1中所示的客户端设备101~106）处执行，也即，方法400的各个步骤的执行主体可以是图1中所示的客户端设备101~106。在一些实施例中，方法400可以在服务器（例如，图1中所示的服务器120）处执行。在一些实施例中，方法400可以由客户端设备（例如，客户端设备101~106）和服务器（例如，服务器120）相组合地执行。在下文中，以执行主体为服务器为例，详细描述方法400的各个步骤。
在步骤S402中，可以获取道路测试数据，其中道路测试数据覆盖道路测试过程的连续时间范围。在一些实施例中，道路测试数据可以覆盖道路测试过程的全部连续时间范围。
在步骤S404中，可以对道路测试数据进行切分以获得多个场景单元，其中多个场景单元覆盖道路测试数据的连续时间范围，并且每个场景单元对应于预定义的多个场景语义中的一种场景语义。在一些实施例中，多个场景单元可以覆盖道路测试数据的连续时间范围。由于每个场景单元对应于一个完整的场景语义，这使得针对每个场景单元的评估结果都是有参考价值的。
其中，上述多个场景语义可以包括：路口直行、路口左转、路口掉头、路口右转、非路口直行、非路口变道。通过合理地定义场景语义的类型，可以对真实道路测试数据进行合适的切分以得到适合用于仿真的场景单元。
在一些实施例中，对道路测试数据进行切分以获得多个场景单元可以包括：切分道路测试数据以使得多个场景单元在时间上彼此不重叠。也就是说，在数据切分时不丢弃原始的道路测试数据中的任何时间片段。在按照场景语义对道路测试数据进行切分时，所有的测试数据都被划分在包括一个完整的场景语义的单元中，而不产生碎片化的无效场景数据。
在步骤S406中，可以基于步骤S404生成的多个场景单元生成场景库。
利用本公开的实施例提供的方法，通过利用真实的道路测试数据得到场景单元，可以实现场景覆盖度较高的场景库。由于道路测试会持续积累大量的路测数据，这些数据也会持续地转换为场景。通过对场景数据的批量处理可以极大地节省人工设计场景的成本，数据场景自身的多样性也保证了宏观评估的场景覆盖度。
利用本公开的实施例提供的方法，利用真实的道路测试数据可以得到场景真实度较高的场景库。由于数据场景本身就是来自于真实的交通环境，因此当道路测试的数据转换为场景时可以完整的保留交通环境中的各类交通参与者行为的细节信息。当场景运行时以数据回放的方式来给自动驾驶算法灌入环境信息，可以实现较高的场景真实度。
利用本公开的实施例提供的方法，可以得到场景分布合理的场景库。在生成道路测试数据场景库的过程中，由于做到了对道路测试数据的完整转换，不存在时间上的重复处理和丢弃，因此场景库中场景的分布自然与真实交通环境中场景的分布一致。在选取宏观评估场景集时，采用了对各个语义场景均匀采样的方式，也保证了宏观评估场景集的分布与真实交通环境一致。因此与人工设计的场景相比，不管在何种粒度的场景划分上数据场景评估集合的分布均更加合理。
图5示出了根据本公开的实施例的基于场景的对自动驾驶算法进行评估的过程500的示例。
如图5所示，在步骤S501中，可以获取真实的道路测试数据。
在步骤S502中，可以按场景语义对道路测试数据进行数据切分，以得到多个数据单元510。
每个数据单元510中包括一个完整的场景语义。例如，如果自动驾驶的车辆产生左转行为，则在对道路测试数据进行切分时，需要使得车辆左转的过程被完整地包括在单个数据单元中。
在一些实施例中，各个数据单元510中的场景语义可以对应于预定义的多个场景语义中的一种场景语义。在一些实现方式中，预定义的多个场景语义可以包括：路口直行、路口左转、路口掉头、路口右转、非路口直行、非路口变道等。通过合理地定义场景语义的类型，可以对真实道路测试数据进行合适的切分。
多个数据单元510的集合可以覆盖道路测试数据的连续时间范围，并且各个数据单元510中包含的测试数据在时间上是彼此不重叠的。在一些实施例中，多个数据单元510的集合可以覆盖道路测试数据的全部连续时间范围。也就是说，在数据切分时不丢弃原始的道路测试数据中的任何时间片段。在按照场景语义对道路测试数据进行切分时，所有的测试数据都被划分在包括一个完整的场景语义的数据单元中，而不产生碎片化的无效数据。由于做到了对道路测试数据的完整转换，不存在时间上的重复处理和丢弃，因此，不管在何种粒度的场景划分上，数据场景评估集合的分布都是与原始的道路测试数据一致的。
在步骤S503中，可以从步骤S502获得的数据单元510生成场景单元520。在一些实施例中，数据单元中的测试数据是流式的时间连续数据。可以通过将数据单元中流式的时间连续数据转换为结构化存储的场景数据用于后续的仿真执行。由于场景单元中的场景数据是通过数据单元中的测试数据转换而来的，在各个数据单元510中包含的测试数据在时间上彼此不重叠的情况下，各个场景单元520中的场景数据在时间上也彼此不重叠。
场景库中的每个场景单元对应于预定义的多个场景语义中的一种场景语义，使得针对每个场景单元的评估结果具有参考性。如前所述，数据单元510包含预定义的一种场景语义，因此，由数据单元510生成的场景单元520相应地也对应于该种场景语义。
在步骤S504中，可以基于步骤S503中确定的场景单元520生成道路测试数据场景库。其中，场景库中包括步骤S503中确定的所有场景单元520。
在步骤S505中，可以对道路测试数据场景库进行抽样以得到评估场景集。其中，评估场景集中包括多个仿真场景单元，多个仿真场景单元为场景库中的场景单元的子集。
在一些实施例中，评估场景集中的仿真场景单元的数量可以是基于用于执行仿真过程的计算设备的仿真运行能力（如运行速度、存储能力等）和评估指标的波动性确定的。可以所确定的仿真场景单元的数量对场景库中的场景单元进行均匀抽样，以得到评估场景集。
在步骤S506中，可以针对评估场景集中的每个场景单元进行仿真评估。
在步骤S5061中，可以在多个仿真场景单元各自的运行环境中，并行地运行待评估的自动驾驶算法。例如，可以在大规模集群中高效地进行场景的批量运行计算，以得到自动驾驶算法的各种输出数据，包括但不限于感知输出、预测输出、规划输出、控制输出和动力学模型输出。
在步骤S5062中，可以利用自动驾驶算法的输出数据进行度量检测。例如，可以利用自动驾驶算法的输出数据计算各个场景单元的仿真结果的评估指标。
在一些实施例中，评估指标可以包括以下各项中的至少一项：体感指标、安全指标、效率指标以及智能性指标。通过合适的评估指标，能够较好地体现出算法运行过程中对用户乘坐体验的影响。
在一些实现方式中，体感指标可以包括每公里急刹次数和每公里急摆次数中的至少一种。
可以根据自动驾驶车辆的加速度和加速度变化率来检测车辆是否发生急刹。在一些示例中，可以将加速度并且加速度变化率/>的行为定义为急刹。
在仿真过程中，可以统计每个场景的急刹次数和行驶公里数作为体感指标，其中i表示仿真场景单元的索引参数，M是表示评估场景集中的仿真场景单元的数量的正整数。
可以通过下式（1）计算每个仿真场景单元中的每公里急刹次数i：
（1）
其中i表示仿真场景单元的索引参数。
可以根据自动驾驶车辆的横摆角速度检测车辆是否发生急摆（也可以称为画龙）。在一些示例中，可以将急摆行为定义为在4s时间内车姿发生3次摆动，一次摆动定义为车辆的横摆角速度且与上一次横摆角速度/>的方向相反。
在仿真过程中，可以统计每个仿真场景的急摆次数和行驶公里数作为体感指标。
可以通过下式（2）计算每个仿真场景单元中的每公里急摆次数i：
（2）
其中i表示仿真场景单元的索引参数。
可以理解的是，上述用于判断车辆是否发生急刹和急摆的规则仅是一种示意性的示例，而不用于限制本公开的范围，本领域技术人员可以根据实际情况改变上述规则。
在一些实现方式中，安全指标可以包括每公里碰撞次数。
可以通过检测自动驾驶车辆的几何包络框与其它交通参与者（如行人或其他车辆）的包络框出现重叠时，可以认为出现碰撞。
在仿真过程中，可以统计每个仿真场景的碰撞次数和行驶公里数之和作为安全指标。
可以通过下式（3）计算每个仿真场景单元中的每公里碰撞次数i：
（3）
其中i表示仿真场景单元的索引参数。
在一些实现方式中，效率指标可以包括平均车速。可以统计每个仿真场景的行驶公里数和运行时间作为效率指标。
可以通过下式（4）计算每个仿真场景单元中的平均车速i：
（4）
其中i表示仿真场景单元的索引参数。
在一些实现方式中，智能性指标可以包括每公里停滞次数和每公里无效变道次数中的至少一个。
停滞（又称为卡死）可以定义为自动驾驶车辆在道路具备可通行条件的情况下出现了停滞不前的现象。其中，可以将车速持续小于0.6m/s的时间超过10s定义为停滞不前。
在仿真过程中，可以统计每个仿真场景的停滞次数和行驶公里数之和作为智能性指标。
可以通过下式（5）计算每个仿真场景单元中的每公里停滞次数i：
（5）
其中i表示仿真场景单元的索引参数。
无效变道次数可以定义为从原车道变道到目标车道，又从目标车道变回原车道，而这中间没有超越任何障碍物。
在仿真过程中，可以统计每个仿真场景的无效变道次数和行驶公里数之和作为智能性指标。
可以通过下式（6）计算每个仿真场景单元中的每公里无效变道次数i：
（6）
其中i表示仿真场景单元的索引参数。
可以理解的是，上述用于判断车辆是否发生停滞的规则仅是一种示意性的示例，而不用于限制本公开的范围，本领域技术人员可以根据实际情况改变上述规则。
在步骤S507中，可以汇总步骤S506中确定的每个仿真场景单元的评估指标，以得到自动驾驶算法的整体评估结果。
在一些实施例中，可以将所有仿真场景单元看作一个整体计算评估指标。
例如，可以基于下式（7）~（12）计算整体评估结果：
（7）
（8）
（9）
（10）
（11）/>
（12）
其中i是仿真场景单元的索引参数，M是仿真场景单元的总数量。
图6示出了根据本公开的实施例的用于对自动驾驶算法进行评估的装置600的示意性框图。如图6所示，用于对自动驾驶算法进行评估的装置600可以包括获取单元610、仿真单元620以及汇总单元630。
获取单元610可以配置成获取评估场景集，其中所述评估场景集包括多个仿真场景单元，所述多个仿真场景单元为场景库中的场景单元的子集，所述场景库中的场景单元覆盖预先采集的道路测试数据的连续时间范围。仿真单元620可以配置成针对所述多个仿真场景单元中的每个仿真场景单元，运行待评估的自动驾驶算法，以得到每个仿真场景单元的评估指标。汇总单元630可以配置成汇总所述多个仿真场景单元的评估指标，以得到自动驾驶算法的整体评估结果。
这里所说的用于对自动驾驶算法进行评估的装置600的上述各单元610~630的操作分别与前面描述的步骤S202~S206的操作类似，在此不再加以赘述。
利用本公开的实施例提供的装置，通过从覆盖预先采集的道路测试数据的连续时间范围的场景库中选取的评估场景集，可以在仿真过程中得到与真实道路具有相同场景分布的仿真环境，从而可以使得自动驾驶算法的评估结果更具参考价值。
图7示出了根据本公开的实施例的生成用于对自动驾驶算法进行评估的场景库的装置700的示意性框图。如图7所示，生成用于对自动驾驶算法进行评估的场景库的装置700可以包括测试数据获取单元710、场景划分单元720以及场景库生成单元730。
测试数据获取单元710可以配置成获取道路测试数据，其中道路测试数据覆盖道路测试过程的连续时间范围。场景划分单元720可以配置成对道路测试数据进行切分以获得多个场景单元，其中多个场景单元覆盖道路测试数据的连续时间范围，并且每个场景单元对应于预定义的多个场景语义中的一种场景语义。场景库生成单元730可以配置成基于多个场景单元生成场景库。
这里所说的用于对自动驾驶算法进行评估的装置700的上述各单元710~730的操作分别与前面描述的步骤S402~S406的操作类似，在此不再加以赘述。
利用本公开的实施例提供的装置，通过利用真实的道路测试数据得到场景单元，可以实现场景覆盖度较高、场景真实度较高以及场景分布合理的场景库。
根据本公开的实施例，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结合图1-图5所述的方法。
根据本公开的实施例，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结合图1-图5所述的方法。
根据本公开的实施例，还提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现结合图1-图5所述的方法。
参考图8，现将描述可以用于实现本公开的实施例的示例性电子设备800的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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/或者要求的本公开的实现。
如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器（ROM）802中的计算机程序或者从存储单元808加载到随机访问存储器（RAM）803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出（I/O）接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806、输出单元807、存储单元808以及通信单元809。输入单元806可以是能向设备800输入信息的任何类型的设备，输入单元806可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元807可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元808可以包括但不限于磁盘、光盘。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如根据本公开的实施例的方法。例如，在一些实施例中，本公开的实施例的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行本公开的实施例的方法。
本文中以上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、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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。
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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (12)
1.一种用于对自动驾驶算法进行评估的方法，包括：
获取评估场景集，其中所述评估场景集包括多个仿真场景单元，所述多个仿真场景单元为场景库中的场景单元的子集，所述场景库中的场景单元覆盖预先采集的道路测试数据的连续时间范围，其中，所述场景库中的每个场景单元对应于预定义的多个场景语义中的一种场景语义，所述道路测试数据包括车辆在道路上行驶时的行驶数据、道路上的环境数据；
针对所述多个仿真场景单元中的每个仿真场景单元，运行待评估的自动驾驶算法，以得到每个仿真场景单元的评估指标；
汇总所述多个仿真场景单元的评估指标，以得到自动驾驶算法的整体评估结果，
其中，所述评估场景集是通过以下步骤从场景库中确定的：
根据仿真运行能力和评估指标波动性，确定所述仿真场景单元的数量；
根据所确定的仿真场景单元的数量，对所述场景库中的场景单元进行均匀抽样，以得到所述数量的场景单元作为所述评估场景集的多个仿真场景单元。
2.如权利要求1所述的方法，其中，所述针对所述多个仿真场景单元中的每个仿真场景单元，运行待评估的自动驾驶算法，包括：
在所述多个仿真场景单元各自的运行环境中，并行地运行所述待评估的自动驾驶算法。
3.如权利要求1至2中任一项所述的方法，其中，所述场景库中的场景单元在时间上彼此不重叠。
4.如权利要求1至2中任一项所述的方法，其中，所述多个场景语义包括：路口直行、路口左转、路口掉头、路口右转、非路口直行、非路口变道。
5.如权利要求1至2中任一项所述的方法，其中，所述评估指标包括以下各项中的至少一项：体感指标、安全指标、效率指标以及智能性指标。
6.如权利要求5所述的方法，其中所述体感指标包括每公里急刹次数和每公里急摆次数。
7.如权利要求5所述的方法，其中，所述安全指标包括每公里碰撞次数。
8.如权利要求5所述的方法，其中，所述效率指标包括平均车速。
9.如权利要求5所述的方法，其中，所述智能性指标包括每公里停滞次数以及每公里无效变道次数。
10.一种用于对自动驾驶算法进行评估的装置，包括：
获取单元，配置成获取评估场景集，其中所述评估场景集包括多个仿真场景单元，所述多个仿真场景单元为场景库中的场景单元的子集，所述场景库中的场景单元覆盖预先采集的道路测试数据的连续时间范围，其中，所述场景库中的每个场景单元对应于预定义的多个场景语义中的一种场景语义，所述道路测试数据包括车辆在道路上行驶时的行驶数据、道路上的环境数据；
仿真单元，配置成针对所述多个仿真场景单元中的每个仿真场景单元，运行待评估的自动驾驶算法，以得到每个仿真场景单元的评估指标；
汇总单元，配置成汇总所述多个仿真场景单元的评估指标，以得到自动驾驶算法的整体评估结果，
其中，所述评估场景集是通过以下步骤从场景库中确定的：根据仿真运行能力和评估指标波动性，确定所述仿真场景单元的数量；根据所确定的仿真场景单元的数量，对所述场景库中的场景单元进行均匀抽样，以得到所述数量的场景单元作为所述评估场景集的多个仿真场景单元。
11.一种电子设备，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权利要求1-9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，其中，所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011566517.9A CN112559378B (zh) | 2020-12-25 | 2020-12-25 | 自动驾驶算法评估方法和装置、场景库生成方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011566517.9A CN112559378B (zh) | 2020-12-25 | 2020-12-25 | 自动驾驶算法评估方法和装置、场景库生成方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112559378A CN112559378A (zh) | 2021-03-26 |
| CN112559378B true CN112559378B (zh) | 2023-12-05 |
Family
ID=75033048
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011566517.9A Active CN112559378B (zh) | 2020-12-25 | 2020-12-25 | 自动驾驶算法评估方法和装置、场景库生成方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112559378B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113064839B (zh) * | 2021-06-03 | 2021-08-31 | 中智行科技有限公司 | 一种系统评测方法及装置 |
| CN113408141B (zh) * | 2021-07-02 | 2024-04-26 | 阿波罗智联(北京)科技有限公司 | 一种自动驾驶测试方法、装置及电子设备 |
| CN113535569B (zh) * | 2021-07-22 | 2022-12-16 | 中国第一汽车股份有限公司 | 自动驾驶的控制效果确定方法 |
| CN113468678B (zh) * | 2021-09-02 | 2021-12-24 | 北京赛目科技有限公司 | 一种自动驾驶算法准确度的计算方法及装置 |
| CN115311885B (zh) * | 2022-07-29 | 2024-04-12 | 上海商汤临港智能科技有限公司 | 一种评测方法、系统、电子设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102006047762A1 (de) * | 2006-10-06 | 2008-04-10 | Siemens Ag | System zum Testen der Funktion eines Computernetzwerkes |
| CN107291972A (zh) * | 2017-03-10 | 2017-10-24 | 清华大学 | 基于多源数据挖掘的汽车智能驾驶系统有效性评价方法 |
| CN109520744A (zh) * | 2018-11-12 | 2019-03-26 | 百度在线网络技术（北京）有限公司 | 自动驾驶车辆的驾驶性能测试方法和装置 |
| WO2020043377A1 (de) * | 2018-08-31 | 2020-03-05 | Robert Bosch Gmbh | Computerimplementiertes simulationsverfahren und anordnung zum testen von steuergeräten |
| CN111625950A (zh) * | 2020-05-20 | 2020-09-04 | 北京百度网讯科技有限公司 | 自动驾驶仿真场景重建方法、装置、设备和介质 |
| CN111680362A (zh) * | 2020-05-29 | 2020-09-18 | 北京百度网讯科技有限公司 | 一种自动驾驶仿真场景获取方法、装置、设备及存储介质 |
| CN111814308A (zh) * | 2020-06-08 | 2020-10-23 | 同济大学 | 一种面向自动驾驶系统的加速测试系统 |
| CN111859597A (zh) * | 2019-04-18 | 2020-10-30 | 北京京东尚科信息技术有限公司 | 一种自动驾驶算法的评估方法和系统 |
| CN112036001A (zh) * | 2020-07-01 | 2020-12-04 | 长安大学 | 自动驾驶测试场景构建方法、装置、设备及可读存储介质 |
-
2020
- 2020-12-25 CN CN202011566517.9A patent/CN112559378B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102006047762A1 (de) * | 2006-10-06 | 2008-04-10 | Siemens Ag | System zum Testen der Funktion eines Computernetzwerkes |
| CN107291972A (zh) * | 2017-03-10 | 2017-10-24 | 清华大学 | 基于多源数据挖掘的汽车智能驾驶系统有效性评价方法 |
| WO2020043377A1 (de) * | 2018-08-31 | 2020-03-05 | Robert Bosch Gmbh | Computerimplementiertes simulationsverfahren und anordnung zum testen von steuergeräten |
| CN109520744A (zh) * | 2018-11-12 | 2019-03-26 | 百度在线网络技术（北京）有限公司 | 自动驾驶车辆的驾驶性能测试方法和装置 |
| CN111859597A (zh) * | 2019-04-18 | 2020-10-30 | 北京京东尚科信息技术有限公司 | 一种自动驾驶算法的评估方法和系统 |
| CN111625950A (zh) * | 2020-05-20 | 2020-09-04 | 北京百度网讯科技有限公司 | 自动驾驶仿真场景重建方法、装置、设备和介质 |
| CN111680362A (zh) * | 2020-05-29 | 2020-09-18 | 北京百度网讯科技有限公司 | 一种自动驾驶仿真场景获取方法、装置、设备及存储介质 |
| CN111814308A (zh) * | 2020-06-08 | 2020-10-23 | 同济大学 | 一种面向自动驾驶系统的加速测试系统 |
| CN112036001A (zh) * | 2020-07-01 | 2020-12-04 | 长安大学 | 自动驾驶测试场景构建方法、装置、设备及可读存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| High-fidelity visual and physical simulation for autonomous vehicles;Shah S 等;Field and Service Robotics;全文 * |
| 危险驾驶工况场景的复杂度评估方法研究;董汉;舒伟;陈超;孙灿;尤超;;汽车工程(第06期);全文 * |
| 基于自然驾驶数据的跟车场景潜在风险评估;朱西产;魏昊舟;马志雄;;中国公路学报(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112559378A (zh) | 2021-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112559378B (zh) | 自动驾驶算法评估方法和装置、场景库生成方法和装置 | |
| EP4033453A1 (en) | Training method and apparatus for target detection model, device and storage medium | |
| CN113408141B (zh) | 一种自动驾驶测试方法、装置及电子设备 | |
| EP3944148A2 (en) | Generation method for classification model, classification method, apparatus, and medium | |
| US11429434B2 (en) | Elastic execution of machine learning workloads using application based profiling | |
| US10834183B2 (en) | Managing idle and active servers in cloud data centers | |
| US20220101199A1 (en) | Point-of-interest recommendation | |
| EP3869404A2 (en) | Vehicle loss assessment method executed by mobile terminal, device, mobile terminal and medium | |
| CN114861910B (zh) | 神经网络模型的压缩方法及装置、设备和介质 | |
| CN115511779B (zh) | 图像检测方法、装置、电子设备和存储介质 | |
| CN115082740B (zh) | 目标检测模型训练方法、目标检测方法、装置、电子设备 | |
| US11182674B2 (en) | Model training by discarding relatively less relevant parameters | |
| US20210269058A1 (en) | Automatic scenario generator using a computer for autonomous driving | |
| US20220227374A1 (en) | Data processing | |
| JP2024507602A (ja) | データ処理方法及び予測モデルをトレーニングするための方法 | |
| US20230018535A1 (en) | Optimizing deployment of machine learning workloads | |
| US11269625B1 (en) | Method and system to identify and prioritize re-factoring to improve micro-service identification | |
| CN113657596A (zh) | 训练模型和图像识别的方法和装置 | |
| CN113139542A (zh) | 目标检测方法、装置、设备和计算机可读存储介质 | |
| US11373056B2 (en) | Context driven model selection | |
| CN115578584B (zh) | 图像处理方法、图像处理模型的构建和训练方法 | |
| US20220126860A1 (en) | Method and apparatus for processing autonomous driving simulation data, and electronic device | |
| CN115331077B (zh) | 特征提取模型的训练方法、目标分类方法、装置、设备 | |
| US11907857B2 (en) | Dynamic selection of parameter threshold values | |
| US20230072913A1 (en) | Classification based on imbalanced dataset |
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 |