CN112802343A - 面向虚拟算法验证的通用虚拟传感数据采集方法及系统 - Google Patents
面向虚拟算法验证的通用虚拟传感数据采集方法及系统 Download PDFInfo
- Publication number
- CN112802343A CN112802343A CN202110184777.8A CN202110184777A CN112802343A CN 112802343 A CN112802343 A CN 112802343A CN 202110184777 A CN202110184777 A CN 202110184777A CN 112802343 A CN112802343 A CN 112802343A
- Authority
- CN
- China
- Prior art keywords
- sensor
- model
- virtual
- data
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
- G06F16/275—Synchronous replication
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
一种面向虚拟算法验证的通用虚拟传感器模型建模方法,通过建立模型指标,采用基于MCMC方法的新型建模技术,建立真实分布模型,并建立可以纳入虚拟仿真平台的虚拟传感器模型。简化了数据采集阶段的操作,数据的分类和处理可以自动化实现,提升数据采集效率。本发明建立的虚拟传感器模型能够反映真实环境下特定目标状态条件下传感器对其检测概率、分类能力、运动状态检测精度,赋予虚拟测试中虚拟传感器符合真实情况的失效能力,便于验证规划、控制算法在传感器失效等极端场景下的鲁棒性、有效性。
Description
技术领域
本发明涉及的是一种自动驾驶领域的车载传感器虚拟仿真技术,具体是一种用于智能网联汽车规划控制算法验证的通用虚拟传感器建模方法及系统,适用于不同类型的外感传感器设备。
背景技术
智能汽车算法的测试需要覆盖足够多的场景,特别是危害性大的场景。基于实车实验无法完全覆盖危害性大的测试场景,因此虚拟测试成为应对此挑战的主流形式。现有虚拟测试软件中的虚拟传感器无法反映真实传感器的特征,具体为传感器由于自然交通环境的复杂性导致的对于周围感知目标的检测存在误差无法体现。比如检测目标的漏检、误检以及目标量测报文的统计学误差。目前基于传感器物理模型建模(如IPG CarMaker/PreScan中的传感器模型)虽然便于建立不同型号、不同参数的虚拟传感器模型,但是其对于真实复杂环境对于量测的干扰无法建模。基于当前的传感器模型开展自动驾驶算法/ADAS算法的仿真,将无法充分体现传感器可能发生的漏检、误检、检测误差等,无法充分验证自动驾驶算法/ADAS算法的鲁棒性。
发明内容
本发明针对现有技术存在的上述不足,提出一种面向虚拟算法验证的通用虚拟传感器模型建模方法,基于传感器的输出特性,建立包括传感器对典型目标检测概率、分类能力、运动状态检测精度等统计分布模型的虚拟传感器模型,对自动驾驶算法/ADAS算法的设计提供指导。
本发明是通过以下技术方案实现的:
本发明涉及一种面向虚拟算法验证的通用虚拟传感器模型建模方法,包括以下步骤:
步骤1、传感器与目标真实数据同步采集系统采集真实传感器数据,利用时间戳及插值算法实现传感器数据及真实状态数据时间上的同步,存储于数据库。
所述的传感器指搭载于自动驾驶车辆上的感知传感器,包括但不限于视觉感知系统、毫米波雷达、激光雷达等。
所述的目标指城市交通工况中常见的交通参与者,包括但不限于其他车辆、行人、骑行者等。
步骤2、基于传感器监控区域预划分网格对采集传感器数据及真实状态数据进行统计学空间分组,即将目标处于单个网格中的数据存于一组中,然后采用机器学习模型(MCMC)计算毫米波雷达在特定复杂环境下目标的检测概率、分类能力、运动状态检测精度统计学模型,具体包括:
2.1)基于对外感传感器(如视觉感知系统、毫米波雷达等)感知范围的预划分网格(1mX1m),对采集的传感器量测数据-真值对依空间分布划分到各个对应网格中,以模拟真实目标在各个网格中的重复检测实验数据。
2.2)采用马尔科夫链蒙特卡洛方法计算毫米波雷达在包含路灯柱、道路围栏、地面金属反射物的自然交通环境时①传感器对于处于其理论检测范围内的目标,成功检测到并给出量测报文的概率,随目标在传感器检测范围中不同位置的分布,具体为:pD=f(s,x),其中:s为传感器的位置、朝向角即其内参,x为处于其理论检测范围内的目标的位置、速度、形状大小即材质;②传感器对于目标处于传感器检测区域内不同区域分类置信度,具体为:p(y|x)其中 x为传感器感知数据,y为类别,基于数据x得到分类为y的条件概率;③传感器对于目标处于传感器检测区域内不同区域状态检测误差均值及协方差矩阵,具体为: 其中:xi,i=1,…,M为M个样本数据,为样本均值,S为样本协方差。
步骤3、基于步骤2得到的传感器各项性能的统计学模型后,进一步将其适配为成熟虚拟仿真环境可用的虚拟传感器模型其中:pD(x)为传感器对于目标的检测概率分布,为传感器对于目标动力学状态检测误差模型,此处利用高斯分布建模。对于目标的分类能力为独立的量测,其数学表征与分类能力模型相同,即传感器的目标分类能力p(y|x)其中x为传感器感知数据,y为类别,基于数据x得到分类为y的条件概率。
所述的虚拟真环境仿真是指:IPG CarMaker,PreScan。
本发明涉及一种实现上述方法的系统,包括:目标真实状态数据同步数据采集模块、模型推断模块和虚拟传感器设计模块,其中:目标真实状态数据同步采集模块采集传感器真实量测数据数据并实现与目标真实状态数据的同步,输出同步后数据在不同预划分网格中的数据集至模型推断模块,模型推断模块进行传感器检测概率模型、量测误差模型以及目标分类置信度模型的建模,虚拟传感器设计模块根据模型推断模块输出信息,进行仿真环境中目标的量测的生成,得到虚拟传感器的测量结果。
技术效果
本发明整体解决了现有虚拟传感器模型没有对特定复杂环境下传感器检测概率模型、量测误差模型及目标分类置信度模型的建模,无法反映传感器在真实复杂环境下的检测效果,进而导致依据传感器信息开展的决策、控制算法失效的问题;
与现有技术相比,本发明建立了目前虚拟传感器模型没有纳入考量的模型指标,采用基于MCMC方法的新型建模技术,建立真实分布模型,并建立可以纳入虚拟仿真平台的虚拟传感器模型。
简化了数据采集阶段的操作,数据的分类和处理可以自动化实现,提升数据采集效率。本发明建立的虚拟传感器模型能够反映真实环境下特定目标状态条件下传感器对其检测概率、分类能力、运动状态检测精度,赋予虚拟测试中虚拟传感器符合真实情况的失效能力,便于验证规划、控制算法在传感器失效等极端场景下的鲁棒性、有效性。
附图说明
图1为本发明流程图;
图2为实施例静态测试方案表格示意图;
图3为实施例动态测试流程图;
图4为实施例动态测试方案表格示意图;
图5和图6为实施例多目标状态估计的误差示意图。
具体实施方式
如图1所示,为本实施例涉及一种面向虚拟算法验证的通用虚拟传感器模型建模方法,包括以下步骤:
A、采集真实传感器数据,包括:静态数据采集及动态数据采集,其中:静态测试中测试车辆静止,目标车辆或目标行人静止处于毫米波雷达预划分网格中,持续采集传感器数据,并记录于图2所示“静态测试方案表格”中;动态测试测试车辆静止,目标车辆或目标行人在毫米波雷达监控区域中往复规律性移动,如图3所示,持续采集传感器读数;目标携带GNSS+IMU 作为真值系统同步数据采集,并记录于图4所示动态测试方案表格中。
B、对采集数据进行统计学分组,进一步采用机器学习模型(MCMC)推断毫米波雷达在特定复杂环境下目标的检测概率、分类能力、运动状态检测精度统计学模型,具体包括:
B1基于特定预划分网格即特定目标的多帧实采数据,预设单网格内检测概率模型为单高斯分布,采用MCMC方法拟合得到后验分布模型;得到所有预划分网格检测概率模型之后,采用混合高斯模型对整个传感器监控区域内检测概率模型拟合;
B2基于特定预划分网格即特定目标的多帧实采数据,预设单网格内运动状态检测模型为单高斯分布,采用MCMC方法拟合得到各个网格内的后验分布模型;得到所有预划分网格运动状态检测模型之后,采用插值拟合的方法对整个传感器监控区域内运动状态检测模型拟合;
B3基于特定预划分网格即特定目标的多帧实采数据,预设单网格内分类模型为离散概率分布,直接求取目标在各个网格中的正确分类概率。
C、基于步骤B得到的统计学模型构建可用于成熟虚拟真环境,如IPG Carmaker/PreScan 的虚拟传感器模型,具体包括:
C1虚拟传感器模型检测区域内给定目标的量测数据的生成概率依步骤B中检测概率模型,以近似真实传感器的漏检特定;
C2虚拟传感器模型检测区域内给定目标的量测数据的生成误差依步骤B中运动状态检测精度模型,以近似真实传感器的检测误差;
C3虚拟传感器模型检测区域内给定目标的分类准确率依步骤B中分类置信度模型,以近似真实传感器的分类误差。
经过具体实际实验,在无准确检测概率建模的情况下,车载多目标跟踪系统以预设检测概率参数启动(真实检测概率为0.98,算法采用检测概率为0.70),对多目标状态估计的误差如图5所示。若采用合理的检测概率0.98作为多目标跟踪参数,对多目标状态估计的误差如图6 所示。可以看到若采用符合实际的检测概率,多目标跟踪系统可以实现对多目标状态估计效果的显著提升。同理,若采用符合实际的运动状态检测误差模型及分类模型,多目标跟踪系统的表现也势必得到相应提升。
与现有技术相比,本方法可使得基于虚拟仿真系统对自动驾驶算法/ADAS算法的验证考虑自然驾驶环境的影响,使得算法的验证更完善。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (5)
1.一种面向虚拟算法验证的通用虚拟传感器模型建模方法,其特征在于,包括以下步骤:
步骤1、传感器与目标真实数据同步采集系统采集真实传感器数据,利用时间戳及插值算法实现传感器数据及真实状态数据时间上的同步;
步骤2、基于传感器监控区域预划分网格对采集传感器数据及真实状态数据进行统计学空间分组,即将目标处于单个网格中的数据存于一组中,然后采用机器学习模型计算毫米波雷达在特定复杂环境下目标的检测概率、分类能力、运动状态检测精度统计学模型;
2.根据权利要求1所述的面向虚拟算法验证的通用虚拟传感器模型建模方法,其特征是,所述的传感器指搭载于自动驾驶车辆上的感知传感器,包括视觉感知系统、毫米波雷达、激光雷达。
3.根据权利要求1所述的面向虚拟算法验证的通用虚拟传感器模型建模方法,其特征是,所述的步骤2具体包括:
2.1)基于对外感传感器感知范围的预划分网格,对采集的传感器量测数据-真值对依空间分布划分到各个对应网格中,以模拟真实目标在各个网格中的重复检测实验数据;
2.2)采用马尔科夫链蒙特卡洛方法计算毫米波雷达在包含路灯柱、道路围栏、地面金属反射物的自然交通环境时①传感器对于处于其理论检测范围内的目标,成功检测到并给出量测报文的概率,随目标在传感器检测范围中不同位置的分布,具体为:pD=f(s,x),其中:s为传感器的位置、朝向角即其内参,x为处于其理论检测范围内的目标的位置、速度、形状大小即材质;②传感器对于目标处于传感器检测区域内不同区域分类置信度,具体为:p(y|x)其中x为传感器感知数据,y为类别,基于数据x得到分类为y的条件概率;③传感器对于目标处于传感器检测区域内不同区域状态检测误差均值及协方差矩阵,具体为: 其中:xi,i=1,…,M为M个样本数据,为样本均值,S为样本协方差。
4.根据权利要求3所述的面向虚拟算法验证的通用虚拟传感器模型建模方法,其特征是,所述的步骤3具体包括:
C1虚拟传感器模型检测区域内给定目标的量测数据的生成概率依步骤2中检测概率模型,以近似真实传感器的漏检特定;
C2虚拟传感器模型检测区域内给定目标的量测数据的生成误差依步骤2中运动状态检测精度模型,以近似真实传感器的检测误差;
C3虚拟传感器模型检测区域内给定目标的分类准确率依步骤2中分类置信度模型,以近似真实传感器的分类误差。
5.一种实现上述任一权利要求所述方法的系统,其特征在于,包括:目标真实状态数据同步数据采集模块、模型推断模块和虚拟传感器设计模块,其中:目标真实状态数据同步采集模块采集传感器真实量测数据数据并实现与目标真实状态数据的同步,输出同步后数据在不同预划分网格中的数据集至模型推断模块,模型推断模块进行传感器检测概率模型、量测误差模型以及目标分类置信度模型的建模,虚拟传感器设计模块根据模型推断模块输出信息,进行仿真环境中目标的量测的生成,得到虚拟传感器的测量结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110184777.8A CN112802343B (zh) | 2021-02-10 | 2021-02-10 | 面向虚拟算法验证的通用虚拟传感数据采集方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110184777.8A CN112802343B (zh) | 2021-02-10 | 2021-02-10 | 面向虚拟算法验证的通用虚拟传感数据采集方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112802343A true CN112802343A (zh) | 2021-05-14 |
CN112802343B CN112802343B (zh) | 2022-02-25 |
Family
ID=75815080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110184777.8A Active CN112802343B (zh) | 2021-02-10 | 2021-02-10 | 面向虚拟算法验证的通用虚拟传感数据采集方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112802343B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114091626A (zh) * | 2022-01-19 | 2022-02-25 | 浙江吉利控股集团有限公司 | 真值检测方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001119631A (ja) * | 1999-10-20 | 2001-04-27 | Mitsubishi Electric Corp | 画像処理用ccd検出器 |
CN101868798A (zh) * | 2007-09-20 | 2010-10-20 | 联合工艺公司 | 基于模型的流出支持系统 |
CN104240195A (zh) * | 2014-08-20 | 2014-12-24 | 京东方科技集团股份有限公司 | 一种基于虚拟算法的模型建立方法和系统 |
JP2016062241A (ja) * | 2014-09-17 | 2016-04-25 | 一般財団法人道路交通情報通信システムセンター | 交通情報推定システム、方法、およびプログラム |
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 |
CN110073365A (zh) * | 2017-01-13 | 2019-07-30 | 弗劳恩霍夫应用研究促进协会 | 根据一个或更多个惯性传感器修正取向信息的设备和方法 |
CN112347558A (zh) * | 2020-10-26 | 2021-02-09 | 上海感探号信息科技有限公司 | 一种基于概率波的闭环优化方法、系统、电子设备和介质 |
-
2021
- 2021-02-10 CN CN202110184777.8A patent/CN112802343B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001119631A (ja) * | 1999-10-20 | 2001-04-27 | Mitsubishi Electric Corp | 画像処理用ccd検出器 |
CN101868798A (zh) * | 2007-09-20 | 2010-10-20 | 联合工艺公司 | 基于模型的流出支持系统 |
CN104240195A (zh) * | 2014-08-20 | 2014-12-24 | 京东方科技集团股份有限公司 | 一种基于虚拟算法的模型建立方法和系统 |
JP2016062241A (ja) * | 2014-09-17 | 2016-04-25 | 一般財団法人道路交通情報通信システムセンター | 交通情報推定システム、方法、およびプログラム |
CN110073365A (zh) * | 2017-01-13 | 2019-07-30 | 弗劳恩霍夫应用研究促进协会 | 根据一个或更多个惯性传感器修正取向信息的设备和方法 |
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 |
CN112347558A (zh) * | 2020-10-26 | 2021-02-09 | 上海感探号信息科技有限公司 | 一种基于概率波的闭环优化方法、系统、电子设备和介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114091626A (zh) * | 2022-01-19 | 2022-02-25 | 浙江吉利控股集团有限公司 | 真值检测方法、装置、设备及存储介质 |
CN114091626B (zh) * | 2022-01-19 | 2022-04-22 | 浙江吉利控股集团有限公司 | 真值检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112802343B (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hanke et al. | Generation and validation of virtual point cloud data for automated driving systems | |
KR20200121274A (ko) | 전자 지도를 업데이트하기 위한 방법, 장치 및 컴퓨터 판독 가능한 저장 매체 | |
CN112418245B (zh) | 基于城市环境物理模型的电磁发射点定位方法 | |
CN111123920A (zh) | 一种自动驾驶仿真测试场景生成方法和装置 | |
CN109358526B (zh) | 基于仿真的自动驾驶循迹算法的软件在环测试方法 | |
CN109141446A (zh) | 用于获得地图的方法、装置、设备和计算机可读存储介质 | |
CN112652045A (zh) | 一种面向自动驾驶虚实融合测试的点云融合方法及其应用 | |
CN111458721B (zh) | 一种暴露垃圾的识别定位方法、装置及系统 | |
Hinz | Detection and counting of cars in aerial images | |
CN110188797A (zh) | 一种基于贝叶斯优化的智能汽车快速测试方法 | |
CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和系统 | |
CN112446844B (zh) | 一种基于点云特征提取与配准融合方法 | |
Cai et al. | Analyzing infrastructure lidar placement with realistic lidar simulation library | |
CN113777952A (zh) | 一种实车与虚拟车交互映射的自动驾驶仿真测试方法 | |
CN112802343B (zh) | 面向虚拟算法验证的通用虚拟传感数据采集方法及系统 | |
CN115292913A (zh) | 一种面向车路协同的路测感知仿真系统 | |
CN116719247B (zh) | 一种数字太空仿真系统及方法 | |
CN116817891A (zh) | 一种实时多模态感知的高精地图构建方法 | |
CN116341231A (zh) | 人工增雨催化剂扩散轨迹的模拟方法、装置、服务器和存储介质 | |
CN110134024A (zh) | 车辆自动驾驶虚拟环境中特殊标志物的构建方法 | |
CN111914412B (zh) | 一种基于错误注入器的自动驾驶性能局限测试系统及方法 | |
Hsiang et al. | Development of Simulation-Based Testing Scenario Generator for Robustness Verification of Autonomous Vehicles | |
Ngo | A methodology for validation of a radar simulation for virtual testing of autonomous driving | |
CN114280583A (zh) | 无gps信号下激光雷达定位精度验证方法及系统 | |
CN117553807B (zh) | 基于激光雷达的自动驾驶导航方法及系统 |
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 |