CN112926135A - 场景信息确定方法、装置、设备、存储介质和程序产品 - Google Patents
场景信息确定方法、装置、设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN112926135A CN112926135A CN202110231548.7A CN202110231548A CN112926135A CN 112926135 A CN112926135 A CN 112926135A CN 202110231548 A CN202110231548 A CN 202110231548A CN 112926135 A CN112926135 A CN 112926135A
- Authority
- CN
- China
- Prior art keywords
- target
- scene
- host vehicle
- driving algorithm
- parameter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 89
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 14
- 238000012360 testing method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 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
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Aviation & Aerospace Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Economics (AREA)
- Automation & Control Theory (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开公开了一种场景信息确定方法、装置、设备、存储介质和程序产品，涉及计算机技术领域，尤其涉及自动驾驶技术领域。具体实现方案为：获取待判别问题场景对应的目标时刻，其中，障碍车的仿真轨迹和第一主车的仿真轨迹在所述目标时刻存在目标交点；计算所述障碍车的实际轨迹中在所述目标时刻的位置和所述目标交点的第一距离差值；在所述第一距离差值小于第一预设差值的情况下，将所述待判别问题确定为目标问题场景。这样，可以自动识别目标问题场景，无须人工确定，提升了目标问题场景的确认效率和准确率。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及自动驾驶技术领域。
背景技术
在自动驾驶领域中，通常需要对自动驾驶算法的迭代进行测试验证，而现有技术中通常在仿真器中进行仿真测试，从而实现对自动驾驶算法的迭代的测试验证，这样，通过仿真测试可以在测试过程中准确的发现问题，且当前通常通过人工对检测出的场景信息进行确认。
发明内容
本公开提供了一种场景信息确定方法、装置、设备以及存储介质。
根据本公开的一方面，提供了一种场景信息确定方法，包括：
获取待判别问题场景对应的目标时刻，其中，障碍车的仿真轨迹和第一主车的仿真轨迹在所述目标时刻存在目标交点；
计算所述障碍车的实际轨迹中在所述目标时刻的位置和所述目标交点的第一距离差值；
在所述第一距离差值小于第一预设差值的情况下，将所述待判别问题确定为目标问题场景。
根据本公开的另一方面，提供了一种场景信息确定装置，包括：
第一获取模块，用于获取待判别问题场景对应的目标时刻，其中，障碍车的仿真轨迹和第一主车的仿真轨迹在所述目标时刻存在目标交点；
第一计算模块，用于计算所述障碍车的实际轨迹中在所述目标时刻的位置和所述目标交点的第一距离差值；
确定模块，用于在所述第一距离差值小于第一预设差值的情况下，将所述待判别问题确定为目标问题场景。
根据本公开的技术方案，获取待判别问题场景对应的目标时刻，其中，障碍车的仿真轨迹和第一主车的仿真轨迹在所述目标时刻存在目标交点；
计算所述障碍车的实际轨迹中在所述目标时刻的位置和所述目标交点第一距离差值；在所述第一距离差值小于第一预设差值的情况下，将所述待判别问题确定为目标问题场景。这样，可以自动识别目标问题场景，无须人工确定，提升了目标问题场景的确认效率和准确率。
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
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开提供的一种场景信息确定方法的流程图之一；
图2是本公开提供的一种场景信息确定方法的流程图之二；
图3是本公开提供的一种场景信息确定装置的结构示意图之一；
图4是本公开提供的一种场景信息确定装置的结构示意图之二；
图5是本公开提供的一种场景信息确定装置的结构示意图之三；
图6是本公开提供的一种场景信息确定装置的结构示意图之四；
图7是本公开提供的一种电子设备的示意性框图。
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。
参见图1，图1为本公开实施例提供的一种场景信息确定方法的流程图，如图1所示，该方法包括以下步骤：
步骤S101、获取待判别问题场景对应的目标时刻，其中，障碍车的仿真轨迹和第一主车的仿真轨迹在所述目标时刻存在目标交点。
其中，待判别问题可以指的是分别运行第一自动驾驶算法和第二自动驾驶算法(可以被认为第一自动驾驶算法的迭代算法)在仿真器运行，将一种算法检测失败，另一种算法检测成功的场景汇集在一起，而上述场景即可被称作为待判别问题场景，另外，待判别问题场景也可以理解为该场景下对应的算法可能存在问题，属于需要重点关注的场景。
例如：当前在进行仿真测试时，通常在仿真器中构建仿真场景，而仿真场景可以为基于数据回放型的场景，如：仿真器中可以生成路上主车、障碍车和仿真主车的仿真轨迹，而路上主车可以指的是在路上实际测试时主车，可以在道路测试时，采集路上主车以及路上主车遇到的其他车辆的数据，这样，可以将路上主车的数据在仿真器中回放，从而生成路上主车的仿真轨迹(由于路上主车在测试时运行的是迭代之前的自动驾驶算法，因此路上主车的仿真轨迹也可以被称为运行旧自动驾驶算法的仿真轨迹，同时，由于路上主车的仿真轨迹是基于采集的数据在仿真器中回放的轨迹，因此，路上主车在仿真器中的仿真轨迹也可以被称作为运行旧自动驾驶算法的仿真主车的仿真轨迹)，同时还可以将路上主车遇到的其他车辆的数据进行回放，从而生成障碍车的回放轨迹(即实际轨迹)，当然，还可以根据结合实际轨迹和新自动驾驶算法预测得到障碍车的仿真轨迹，另外，需要说明的是，路上主车在测试时可以运行旧自动驾驶算法，而可以根据采集到的路上主车的数据对旧自动驾驶算法进行迭代，从而得到新自动驾驶算法，同时根据新自动驾驶算法和采集到的路上主车的数据，可以在仿真器中生成运行新自动驾驶算法的仿真主车的仿真轨迹。
需要说明的是，在仿真器中，如果障碍车的仿真轨迹(即预测轨迹)会对仿真主车的轨迹造成影响时，从而导致仿真主车发生减速、变道或者与障碍车发生碰撞等情况时，上述情况对应的场景即可以被称作为待判别问题场景，而上述情况发生的时刻也可以被称作为待判别问题场景对应的目标时刻。
例如：如果运行新自动驾驶算法的仿真主车的轨迹与障碍车的轨迹存在交叉时，即说明障碍车会与仿真主车发生碰撞，而发生碰撞对应的时刻即为待判别问题场景对应的目标时刻，说明还需要对新自动驾驶算法中该时刻对应的部分进行迭代，从而进一步提高自动驾驶的安全性。
而由于不同的待判别场景与该待判别场景的发生时刻是一一对应的，因此，可以根据待判别场景确定对应的目标时刻，也可以根据目标时刻确定对应的待判别场景。
步骤S102、计算所述障碍车的实际轨迹中在所述目标时刻的位置和所述目标交点的第一距离差值。
其中，在本实施方式中，第一主车可以被理解为上述的仿真主车，障碍车的实际轨迹可以理解为基于采集到的障碍车的实际数据进行回放得到的轨迹，而障碍车的仿真轨迹可以理解为基于新自动驾驶算法预测得到的障碍车的轨迹，而障碍车的仿真轨迹与第一主车的仿真轨迹在目标时刻存在目标交点，可以理解为障碍车的仿真轨迹会对第一主车的仿真轨迹造成影响，从而可以导致第一主车产生降速或者变道等现象。
步骤S103、在所述第一距离差值小于第一预设差值的情况下，将所述待判别问题确定为目标问题场景。
其中，在第一距离差值小于第一预设差值的情况下，说明此事障碍车的轨迹与第一主车之间的轨迹较近，会对第一主车的轨迹造成影响，从而导致第一主车出现降速、变道或者碰撞等现象，因此，可以将该待判别问题确定为目标问题场景，即在目标问题场景下，需要对自动驾驶算法继续进行迭代，以进一步提高安全性。
需要说明的是，当第一距离差值大于或等于第一预设差值时，可以将待判别问题确定为非目标问题场景，这样，后续不需要关注非目标问题场景，从而缩小了目标问题场景的数量，进一步的提高了目标问题场景中高危问题的发现效率，降低了高危问题的漏检概率，从而保证仿真测试的可靠性和完整性较好。
需要说明的是，上述目标问题场景可以被称作为合理问题场景，而非目标问题场景则可以被称作为不合理问题场景。
作为一种可选的实施方式，在所述第一距离差值小于第一预设差值的情况下，将所述待判别问题确定为目标问题场景，包括：
在所述第一距离差值小于第一预设差值的情况下，计算所述第一主车的仿真轨迹和第二主车的仿真轨迹在所述目标时刻的第二距离差值，其中，所述第一主车基于第一自动驾驶算法进行仿真，所述第二主车基于第二自动驾驶算法进行仿真，所述第二自动驾驶算法为所述第一自动驾驶算法的迭代算法；
在所述第二距离差值小于第二预设差值的情况下，将所述待判别问题确定为目标问题场景。
其中，在本实施方式中，第一主车可以被理解为上述的路上主车，第二主车可以被理解为上述的仿真主车，第一自动驾驶算法可以理解为旧自动驾驶算法，第二自动驾驶算法可以理解为新自动驾驶算法，由于仿真主车的仿真轨迹依赖于路上主车的数据生成，当仿真主车与路上主车之间的距离差别较大，从而导致障碍车出现不合理行为，如无减速直接碰撞仿真主车，则此待判别问题场景可以被确定为非目标问题场景，也可以理解为不合理场景，即该场景的真实性和合理性较差。
本实施方式中，可以对目标问题场景进行进一步筛选，从而可以进一步提高目标问题场景的准确度，以及降低目标问题场景的个数，进一步的提高了目标问题场景中高危问题的发现效率，降低了高危问题的漏检概率，从而保证仿真测试的可靠性和完整性较好。
需要说明的是，在所述第二距离差值大于或等于第二预设差值的情况下，将待判别问题确定为非目标问题场景。
另外，在计算第一主车和第二主车的仿真轨迹的第二距离差值，可以计算第一主车和第二主车的横向距离和纵向距离中的至少一项，例如：当横向距离的差值大于主车的车身长度，或者，纵向距离的差值超出车道宽度时，则可以将该场景确定为非目标问题场景。
作为一种可选的实施方式，还包括以下步骤：
在确定多个所述目标问题场景的情况下，获取第一自动驾驶算法在第二主车上运行时，所述第二主车在每一个目标问题场景下的第一参数，以及第二自动驾驶算法在所述第二主车上运行时，所述第二主车在每一个目标问题场景下的第二参数，其中，在相同的目标问题场景下的所述第一参数和所述第二参数一一对应，所述第二自动驾驶算法为所述第一自动驾驶算法的迭代算法；
根据多个所述目标问题场景下的所述第一参数和所述第二参数，对多个所述目标问题场景进行排序。
其中，第一参数和第二参数的类型可以相同，且第一参数和第二参数的具体取值可以相同，也可以不相同。
另外，第一参数和第二参数的具体类型在此不做限定，例如：第一参数和第二参数可以均为速度或者位置坐标等，另外，第一参数和第二参数可以均为是否压线或者是否处于停车状态等。
本实施方式，可以根据第一参数和第二参数的比较结果对目标问题场景进行排序，这样，可以将可能具有高危问题的目标问题场景优先显示，从而可以提高高危问题的发现效率。
需要说明的是，在对多个目标问题场景进行排序的具体方式，可以参见以下实施方式：
作为一种可选的实施方式，所述根据多个所述目标问题场景下的所述第一参数和所述第二参数，对多个所述目标问题场景进行排序，包括：
计算每一个所述目标问题场景下的所述第一参数和所述第二参数的第三差值；
将多个所述目标问题场景按照对应的所述第三差值的大小进行排序。
本实施方式中，可以按照第三差值从大到小的顺序对多个目标问题场景进行排序，这样，可以按照问题严重程度排序的顺序对多个目标问题场景进行排序，提高了高危问题发现的效率；同时，也可以按照第三差值从小到大的顺序对多个目标问题场景进行排序，这样，提高了多个目标问题场景排序方式的多样性和灵活性。
其中，第一参数和第二参数可以为速度，当然，第一参数和第二参数可以为位置坐标等参数。
作为另一种可选的实施方式，所述根据多个所述目标问题场景下的所述第一参数和所述第二参数，对多个所述目标问题场景进行排序，包括：
在多个所述目标问题场景中存在至少两个第一问题场景的情况下，将至少两个所述第一问题场景按照对应的场景维持时长进行排序，其中，所述第一问题场景的所述第一参数和所述第二参数相同。
其中，场景维持时长可以指的是第一问题场景的维持时长，例如：当第一问题场景为压实线场景时，场景维持时长可以指的是压实线的时长；当第一问题场景为停车场景时，场景维持时长可以指的是停车时长。
本实施方式中，当存在第一参数和第二参数相同得到第一问题场景时，可以按照场景维持时长对至少两个第一问题场景进行排序，即为第一参数和第二参数相同的第一问题场景提供了一种排序方案，从而增强了第一问题场景的排序结果的准确度。
需要说明的是，本实施方式可以按照维持时长从高到低的顺序进行排序，这样，可以优先显示持续时间长和出现频次多的问题场景。
这样，本实施例中，获取待判别问题场景对应的目标时刻，其中，障碍车的仿真轨迹和第一主车的仿真轨迹在所述目标时刻存在目标交点；计算所述障碍车的实际轨迹中在所述目标时刻的位置和所述目标交点第一距离差值；在所述第一距离差值小于第一预设差值的情况下，将所述待判别问题确定为目标问题场景。这样，可以自动识别目标问题场景，无须人工确定，提升了目标问题场景的确认效率和准确率。
参见图2，图2为本公开实施例提供的一种场景信息确定具体实施例，具体步骤可以参见图2中所示的各个步骤。
参考图2，图2中回放型场景集可以指的是在仿真器中回放的场景集合，而旧算法可以被理解为第一自动驾驶算法，新算法可以被理解为第二自动驾驶算法，新算法可以被理解为旧算法的迭代算法，通过运行新算法和旧算法，可以将上述两者中一者检测通过，而另一者检测失败的场景汇集，从而得到问题场景集。
另外，还可以对上述问题场景集进行对比分析，当在新算法中失败的场景多于旧算法中失败的场景时，可以将新算法相对旧算法新增的失败的场景理解为新算法引入的问题(也可以理解为新版本引入问题)；当在新算法中失败的场景少于旧算法中失败的场景时，可以将新算法相对旧算法减少的失败的场景理解为新算法改善的问题(也可以理解为新版本改善问题)。
另外，问题发生时间点即可以理解为待判别问题场景对应的目标时刻，关键障碍物可以被理解为障碍车，行为预测可以指的是对障碍车的行为预测(行为预测是否准确可以通过检测障碍车的实际轨迹与目标交点之间的距离差值来确定，第一距离差值小于第一预设差值时可以被理解为预测准确，反之则可以被理解为预测不准确)，若预测准确，则可以计算运行第一自动驾驶算法的第一主车和第二自动驾驶算法的第二主车之间的位置差，若位置差较小，则检测运行第一自动驾驶算法的第一主车和第二自动驾驶算法的第二主车的属性差值(即第一参数和第二参数的差值)，并可以按照属性差值对目标问题场景(即合理场景问题)进行排序；若属性差值相同，则可以按照问题持续时间排序。
另外，当对障碍车的行为预测不准确的时候，可以将该场景确定为不合理场景，同时，当第一主车和第二主车的位置差较大时，同样，可以将对应的场景确定为不合理场景。这样，可以对合理场景进行筛选，从而可以缩小合理场景的数量，进而提高了合理场景中高危问题的发现效率，并降低了高危问题的漏检率。
请参见图3，图3是本公开提供的一种场景信息确定装置的结构示意图，如图3所示，场景信息确定装置300包括：
第一获取模块301，用于获取待判别问题场景对应的目标时刻，其中，障碍车的仿真轨迹和第一主车的仿真轨迹在所述目标时刻存在目标交点；
第一计算模块302，用于计算所述障碍车的实际轨迹中在所述目标时刻的位置和所述目标交点的第一距离差值；
确定模块303，用于在所述第一距离差值小于第一预设差值的情况下，将所述待判别问题确定为目标问题场景。
可选地，参见图4，所述确定模块303包括：
第一计算子模块3031，用于在所述第一距离差值小于第一预设差值的情况下，计算所述第一主车的仿真轨迹和第二主车的仿真轨迹在所述目标时刻的第二距离差值，其中，所述第一主车基于第一自动驾驶算法进行仿真，所述第二主车基于第二自动驾驶算法进行仿真，所述第二自动驾驶算法为所述第一自动驾驶算法的迭代算法；
确定子模块3032，用于在所述第二距离差值小于第二预设差值的情况下，将所述待判别问题确定为目标问题场景。
可选地，参见图5，场景信息确定装置300还包括：
第二获取模块304，用于在确定多个所述目标问题场景的情况下，获取第一自动驾驶算法在第二主车上运行时，所述第二主车在每一个目标问题场景下的第一参数，以及第二自动驾驶算法在所述第二主车上运行时，所述第二主车在每一个目标问题场景下的第二参数，其中，在相同的目标问题场景下的所述第一参数和所述第二参数一一对应，所述第二自动驾驶算法为所述第一自动驾驶算法的迭代算法；
排序模块305，用于根据多个所述目标问题场景下的所述第一参数和所述第二参数，对多个所述目标问题场景进行排序。
可选地，参见图6，所述排序模块305包括：
第二计算子模块3051，用于计算每一个所述目标问题场景下的所述第一参数和所述第二参数的第三差值；
排序子模块3052，用于将多个所述目标问题场景按照对应的所述第三差值的大小进行排序。
可选地，所述排序模块305，还用于在多个所述目标问题场景中存在至少两个第一问题场景的情况下，将至少两个所述第一问题场景按照对应的场景维持时长进行排序，其中，所述第一问题场景的所述第一参数和所述第二参数相同。
本实施例提供的装置能够实现图1和图2所示的方法实施例中实现的各个过程，且可以达到相同有益效果，为避免重复，这里不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。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/或者要求的本公开的实现。
如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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。
计算单元701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701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701执行上文所描述的各个方法和处理，例如场景信息确定方法。例如，在一些实施例中，场景信息确定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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的场景信息确定方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行场景信息确定方法。
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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (13)
1.一种场景信息确定方法，包括：
获取待判别问题场景对应的目标时刻，其中，障碍车的仿真轨迹和第一主车的仿真轨迹在所述目标时刻存在目标交点；
计算所述障碍车的实际轨迹中在所述目标时刻的位置和所述目标交点的第一距离差值；
在所述第一距离差值小于第一预设差值的情况下，将所述待判别问题确定为目标问题场景。
2.根据权利要求1所述的方法，其中，在所述第一距离差值小于第一预设差值的情况下，将所述待判别问题确定为目标问题场景，包括：
在所述第一距离差值小于第一预设差值的情况下，计算所述第一主车的仿真轨迹和第二主车的仿真轨迹在所述目标时刻的第二距离差值，其中，所述第一主车基于第一自动驾驶算法进行仿真，所述第二主车基于第二自动驾驶算法进行仿真，所述第二自动驾驶算法为所述第一自动驾驶算法的迭代算法；
在所述第二距离差值小于第二预设差值的情况下，将所述待判别问题确定为目标问题场景。
3.根据权利要求1所述的方法，还包括：
在确定多个所述目标问题场景的情况下，获取第一自动驾驶算法在第二主车上运行时，所述第二主车在每一个目标问题场景下的第一参数，以及第二自动驾驶算法在所述第二主车上运行时，所述第二主车在每一个目标问题场景下的第二参数，其中，在相同的目标问题场景下的所述第一参数和所述第二参数一一对应，所述第二自动驾驶算法为所述第一自动驾驶算法的迭代算法；
根据多个所述目标问题场景下的所述第一参数和所述第二参数，对多个所述目标问题场景进行排序。
4.根据权利要求3所述的方法，其中，所述根据多个所述目标问题场景下的所述第一参数和所述第二参数，对多个所述目标问题场景进行排序，包括：
计算每一个所述目标问题场景下的所述第一参数和所述第二参数的第三差值；
将多个所述目标问题场景按照对应的所述第三差值的大小进行排序。
5.根据权利要求3所述的方法，其中，所述根据多个所述目标问题场景下的所述第一参数和所述第二参数，对多个所述目标问题场景进行排序，包括：
在多个所述目标问题场景中存在至少两个第一问题场景的情况下，将至少两个所述第一问题场景按照对应的场景维持时长进行排序，其中，所述第一问题场景的所述第一参数和所述第二参数相同。
6.一种场景信息确定装置，包括：
第一获取模块，用于获取待判别问题场景对应的目标时刻，其中，障碍车的仿真轨迹和第一主车的仿真轨迹在所述目标时刻存在目标交点；
第一计算模块，用于计算所述障碍车的实际轨迹中在所述目标时刻的位置和所述目标交点的第一距离差值；
确定模块，用于在所述第一距离差值小于第一预设差值的情况下，将所述待判别问题确定为目标问题场景。
7.根据权利要求6所述的装置，其中，所述确定模块包括：
第一计算子模块，用于在所述第一距离差值小于第一预设差值的情况下，计算所述第一主车的仿真轨迹和第二主车的仿真轨迹在所述目标时刻的第二距离差值，其中，所述第一主车基于第一自动驾驶算法进行仿真，所述第二主车基于第二自动驾驶算法进行仿真，所述第二自动驾驶算法为所述第一自动驾驶算法的迭代算法；
确定子模块，用于在所述第二距离差值小于第二预设差值的情况下，将所述待判别问题确定为目标问题场景。
8.根据权利要求6所述的装置，还包括：
第二获取模块，用于在确定多个所述目标问题场景的情况下，获取第一自动驾驶算法在第二主车上运行时，所述第二主车在每一个目标问题场景下的第一参数，以及第二自动驾驶算法在所述第二主车上运行时，所述第二主车在每一个目标问题场景下的第二参数，其中，在相同的目标问题场景下的所述第一参数和所述第二参数一一对应，所述第二自动驾驶算法为所述第一自动驾驶算法的迭代算法；
排序模块，用于根据多个所述目标问题场景下的所述第一参数和所述第二参数，对多个所述目标问题场景进行排序。
9.根据权利要求8所述的装置，其中，所述排序模块包括：
第二计算子模块，用于计算每一个所述目标问题场景下的所述第一参数和所述第二参数的第三差值；
排序子模块，用于将多个所述目标问题场景按照对应的所述第三差值的大小进行排序。
10.根据权利要求8所述的装置，其中，所述排序模块，还用于在多个所述目标问题场景中存在至少两个第一问题场景的情况下，将至少两个所述第一问题场景按照对应的场景维持时长进行排序，所述第一问题场景的所述第一参数和所述第二参数相同。
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1-5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1-5中任一项所述的方法。
13.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110231548.7A CN112926135B (zh) | 2021-03-02 | 2021-03-02 | 场景信息确定方法、装置、设备、存储介质和程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110231548.7A CN112926135B (zh) | 2021-03-02 | 2021-03-02 | 场景信息确定方法、装置、设备、存储介质和程序产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112926135A true CN112926135A (zh) | 2021-06-08 |
| CN112926135B CN112926135B (zh) | 2024-01-23 |
Family
ID=76173097
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110231548.7A Active CN112926135B (zh) | 2021-03-02 | 2021-03-02 | 场景信息确定方法、装置、设备、存储介质和程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112926135B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113569378A (zh) * | 2021-06-16 | 2021-10-29 | 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 |
| CN117348549A (zh) * | 2023-10-23 | 2024-01-05 | 贵州安大航空锻造有限责任公司 | 混流产线控制方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108549366A (zh) * | 2018-05-04 | 2018-09-18 | 同济大学 | 智能汽车道路行驶与虚拟测试平行映射实验方法 |
| CN111091739A (zh) * | 2018-10-24 | 2020-05-01 | 百度在线网络技术（北京）有限公司 | 自动驾驶场景的生成方法、装置和存储介质 |
| 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 |
| 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 |
| US20200290651A1 (en) * | 2019-03-12 | 2020-09-17 | Baidu Online Network Technology (Beijing) Co., Ltd. | Vehicle Track Prediction Method and Device, Storage Medium and Terminal Device |
| US20200409369A1 (en) * | 2019-06-25 | 2020-12-31 | Uatc, Llc | System and Methods for Autonomous Vehicle Testing |
-
2021
- 2021-03-02 CN CN202110231548.7A patent/CN112926135B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108549366A (zh) * | 2018-05-04 | 2018-09-18 | 同济大学 | 智能汽车道路行驶与虚拟测试平行映射实验方法 |
| CN111091739A (zh) * | 2018-10-24 | 2020-05-01 | 百度在线网络技术（北京）有限公司 | 自动驾驶场景的生成方法、装置和存储介质 |
| 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 |
| US20200290651A1 (en) * | 2019-03-12 | 2020-09-17 | Baidu Online Network Technology (Beijing) Co., Ltd. | Vehicle Track Prediction Method and Device, Storage Medium and Terminal Device |
| US20200409369A1 (en) * | 2019-06-25 | 2020-12-31 | Uatc, Llc | System and Methods for Autonomous Vehicle Testing |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 罗峰;曾侠;: "基于多点预瞄的自动驾驶汽车轨迹跟踪算法", 机电一体化, no. 06 * |
| 赵祥模;承靖钧;徐志刚;王文威;王润民;王冠群;朱宇;汪贵平;周豫;陈南峰: "基于整车在环仿真的自动驾驶汽车室内快速测试平台", 中国公路学报, no. 006 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113569378A (zh) * | 2021-06-16 | 2021-10-29 | 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 |
| 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 |
| CN117348549A (zh) * | 2023-10-23 | 2024-01-05 | 贵州安大航空锻造有限责任公司 | 混流产线控制方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112926135B (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113408141B (zh) | 一种自动驾驶测试方法、装置及电子设备 | |
| CN112965466B (zh) | 自动驾驶系统的还原测试方法、装置、设备及程序产品 | |
| EP4151979A2 (en) | Test method and test apparatus for automatic driving, and storage medium | |
| CN113593218B (zh) | 交通异常事件的检测方法、装置、电子设备及存储介质 | |
| CN112559371B (zh) | 一种自动驾驶测试方法、装置及电子设备 | |
| CN112926135B (zh) | 场景信息确定方法、装置、设备、存储介质和程序产品 | |
| JP2022033927A (ja) | 車両感知システムのテスト方法、装置、機器及び電子機器 | |
| EP4145408A1 (en) | Obstacle detection method and apparatus, autonomous vehicle, device and storage medium | |
| CN115891868A (zh) | 自动驾驶车辆的故障检测方法、装置、电子设备和介质 | |
| CN112862017B (zh) | 点云数据的标注方法、装置、设备和介质 | |
| CN112991735A (zh) | 交通流量监测系统的测试方法、装置及设备 | |
| CN115329597A (zh) | 用于仿真检测高精地图质量的方法、装置和设备 | |
| CN114861321A (zh) | 交通流仿真的问题场景提取方法、装置、设备及介质 | |
| CN114546799A (zh) | 埋点日志校验方法、装置、电子设备、存储介质及产品 | |
| CN114095394A (zh) | 网络节点故障检测方法、装置、电子设备及存储介质 | |
| CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 | |
| CN111767651A (zh) | 指标预测模型的构建方法、指标预测方法和装置 | |
| CN112541708B (zh) | 一种指标确定方法、装置及电子设备 | |
| CN115757782A (zh) | 分类规则的更新方法、装置、电子设备和存储介质 | |
| CN114694138B (zh) | 一种应用于智能驾驶的路面检测方法、装置及设备 | |
| CN114428887B (zh) | 点击数据去噪方法、装置、电子设备及存储介质 | |
| CN115422086A (zh) | 豁免场景的方法、装置、设备以及存储介质 | |
| CN114298967A (zh) | 高精地图数据变更的质量检测方法、装置、设备及存储介质 | |
| CN116749965A (zh) | 一种车速规划方法、装置、电子设备及存储介质 | |
| CN114802279A (zh) | 自动驾驶车辆的asil等级信息确定方法、装置及电子设备 |
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 |