CN113272838A - 虚拟场景生成方法、装置、计算机设备和存储介质 - Google Patents
虚拟场景生成方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113272838A CN113272838A CN202080007602.3A CN202080007602A CN113272838A CN 113272838 A CN113272838 A CN 113272838A CN 202080007602 A CN202080007602 A CN 202080007602A CN 113272838 A CN113272838 A CN 113272838A
- Authority
- CN
- China
- Prior art keywords
- track
- target
- driving
- virtual scene
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 101
- 230000007613 environmental effect Effects 0.000 claims abstract description 88
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 56
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 230000006399 behavior Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000003491 array Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Traffic Control Systems (AREA)
Abstract
一种虚拟场景生成方法,包括:建立初始虚拟场景,所述初始虚拟场景包括环境车辆和目标车辆;获取多维数组,将所述多维数组输入到已训练的轨迹生成模型中,输出所述环境车辆的行驶轨迹,所述轨迹生成模型的参数是基于已训练的轨迹判别模型训练得到,所述轨迹判别模型的参数是以真实行驶轨迹大数据和虚拟行驶轨迹大数据作为输入,所述真实行驶轨迹大数据和虚拟行驶轨迹大数据对应的标签作为预期输出,输入轨迹判别模型训练得到;将所述环境车辆的行驶轨迹加入所述初始虚拟场景,得到第一目标虚拟场景,所述第一目标虚拟场景用于测试目标车辆的行驶轨迹规划算法。
Description
技术领域
本申请涉及无人驾驶技术领域,特别是涉及一种虚拟场景生成方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展,出现了无人驾驶技术。无人驾驶技术是基于无人驾驶算法自动规划无人车的行车路线,并基于行车路线对无人车进行控制,使得无人车能够达到预定目标地点。无人驾驶技术能够有效提高交通系统的效率和人们出行的安全性,给人们的生活带来便捷。
传统技术中,主要是利用真实路测采集的数据来构建虚拟场景,基于构建的虚拟场景测试无人驾驶算法。然而,根据真实路测时采集的数据来进行真实场景的复现和回放,这种虚拟场景生成方式单一,真实路测时采集的数据仅仅用于复现真实场景,数据的利用率低。
发明内容
本申请实施例提供一种虚拟场景生成方法、装置、服务器和非易失性计算机可读存储介质,可以提高数据的利用率。
一种虚拟场景生成方法,包括:
建立初始虚拟场景,初始虚拟场景包括环境车辆和目标车辆;
获取多维数组,将多维数组输入到已训练的轨迹生成模型中,输出环境车辆的行驶轨迹,轨迹判别模型的参数是以真实行驶轨迹大数据和虚拟行驶轨迹大数据作为输入,真实行驶轨迹大数据和虚拟行驶轨迹大数据对应的标签作为预期输出,输入轨迹判别模型训练得到;
将环境车辆的行驶轨迹加入初始虚拟场景,得到第一目标虚拟场景,第一目标虚拟场景用于测试目标车辆的行驶轨迹规划算法。
一种虚拟场景生成装置,包括:
初始虚拟场景建立模块,用于建立初始虚拟场景,初始虚拟场景包括环境车辆和目标车辆;
行驶轨迹获取模块,用于获取多维数组,将多维数组输入到已训练的轨迹生成模型中,输出环境车辆的行驶轨迹,轨迹生成模型的参数是基于已训练的轨迹判别模型训练得到,轨迹判别模型的参数是以真实行驶轨迹大数据和虚拟行驶轨迹大数据作为输入,真实行驶轨迹大数据和虚拟行驶轨迹大数据对应的标签作为预期输出,输入轨迹判别模型训练得到;
第一目标虚拟场景确定模块,用于将环境车辆的行驶轨迹加入初始虚拟场景,得到第一目标虚拟场景,第一目标虚拟场景用于测试目标车辆的行驶轨迹规划算法。
一方面,提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行以下步骤:
建立初始虚拟场景,初始虚拟场景包括环境车辆和目标车辆;
获取多维数组,将多维数组输入到已训练的轨迹生成模型中,输出环境车辆的行驶轨迹,轨迹生成模型的参数是基于已训练的轨迹判别模型训练得到,轨迹判别模型的参数是以真实行驶轨迹大数据和虚拟行驶轨迹大数据作为输入,真实行驶轨迹大数据和虚拟行驶轨迹大数据对应的标签作为预期输出,输入轨迹判别模型训练得到;
将环境车辆的行驶轨迹加入初始虚拟场景,得到第一目标虚拟场景,第一目标虚拟场景用于测试目标车辆的行驶轨迹规划算法。
一方面,提供了一个或多个存储有计算机可读指令的非易失性存储介质,所述计算机可读指令被一个或多个处理器执行时,使得所述一个或多个处理器执行以下步骤:
建立初始虚拟场景,初始虚拟场景包括环境车辆和目标车辆;
获取多维数组,将多维数组输入到已训练的轨迹生成模型中,输出环境车辆的行驶轨迹,轨迹生成模型的参数是基于已训练的轨迹判别模型训练得到,轨迹判别模型的参数是以真实行驶轨迹大数据和虚拟行驶轨迹大数据作为输入,真实行驶轨迹大数据和虚拟行驶轨迹大数据对应的标签作为预期输出,输入轨迹判别模型训练得到;
将环境车辆的行驶轨迹加入初始虚拟场景,得到第一目标虚拟场景,第一目标虚拟场景用于测试目标车辆的行驶轨迹规划算法。
上述虚拟场景生成方法、装置、计算机设备和存储介质,通过建立初始虚拟场景,初始虚拟场景包括环境车辆和目标车辆;获取多维数组,将多维数组输入到已训练的轨迹生成模型中,输出环境车辆的行驶轨迹,轨迹生成模型的参数是基于已训练的轨迹判别模型训练得到,轨迹判别模型的参数是以真实行驶轨迹大数据和虚拟行驶轨迹大数据作为输入,真实行驶轨迹大数据和虚拟行驶轨迹大数据对应的标签作为预期输出,输入轨迹判别模型训练得到;将环境车辆的行驶轨迹加入初始虚拟场景,得到第一目标虚拟场景,第一目标虚拟场景用于测试目标车辆的行驶轨迹规划算法。充分利用真实路测时采集的数据训练轨迹生成模型,通过已训练的轨迹生成模型可以生成与真实行驶轨迹类似但不完全相同的行驶轨迹,将生成的行驶轨迹输入到虚拟场景中,可以建立与真实场景类似但不完全相同的目标虚拟场景,从而可以辅助测试无人车的行驶轨迹规划算法。
附图说明
为了更好地描述和说明这里公开的那些申请的实施例和/或示例,可以参考一幅或多幅附图。用于描述附图的附加细节或示例不应当被认为是对所公开的发明、目前描述的实施例和/或示例以及目前理解的这些申请的最佳模式中的任何一者的范围的限制。
图1为一个实施例中虚拟场景生成方法的应用环境示意图。
图2为一个实施例中虚拟场景生成方法的流程图。
图3为一个实施例中训练轨迹判别模型的流程图。
图4为一个实施例中训练轨迹生成模型的流程图。
图5为一个实施例中生成目标真实行驶轨迹的流程图。
图6为另一个实施例中虚拟场景生成方法的流程图。
图7为一个实施例中测试行驶轨迹规划的流程图。
图8为一个实施例中虚拟场景生成装置的结构框图。
图9为一个实施例中服务器的内部结构示意图。
图10为一个实施例中终端的内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
可以理解,本申请实施例中所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一控件称为第二控件,第一控件和第二控件两者都是控件,但其不是同一控件。
图1为一个实施例中虚拟场景生成方法的应用环境图。如图1所示,该应用环境包括终端110和服务器120,其中终端110具体可以是台式终端或移动终端,移动终端具体可以是手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以是单个服务器也可以是服务器集群,终端110和服务器120通过网络进行通信。
具体地,终端110可以向服务器120发送真实行驶轨迹大数据。基于真实行驶轨迹大数据,服务器120可以训练轨迹生成模型。输入一组多维数组至已训练的轨迹生成模型,可以输出行驶轨迹。服务器120可以建立包括环境车辆和目标车辆的初始虚拟场景,将轨迹生成模型输出的行驶轨迹作为环境车辆的行驶轨迹输入至初始虚拟场景,得到目标虚拟场景。目标车辆基于行驶轨迹规划算法可以在目标虚拟场景中行驶。服务器120可以将目标虚拟场景发送至终端110进行展示。也可以在终端110上建立包括环境车辆和目标车辆的初始虚拟场景,在终端110上输入一组多维数组至已训练的轨迹生成模型得到环境车辆的行驶轨迹,将环境车辆的行驶轨迹输入至初始虚拟场景,得到目标虚拟场景。
可以理解,上述应用场景仅是一种示例,并不构成对本申请数据处理方法的限制,例如,本申请提供的数据处理方法还可以是在终端中执行的。
图2为一个实施例中虚拟场景生成方法的流程图。如图2所示,一种虚拟场景生成方法,以应用于图1中的服务器或终端上为例进行说明,具体包括:
S202,建立初始虚拟场景,初始虚拟场景包括环境车辆和目标车辆。
其中,目标车辆是指虚拟的无人驾驶车辆。环境车辆是指位于目标车辆周围的虚拟车辆。初始虚拟场景是指包括各种模型的虚拟环境,模型包括环境车辆、目标车辆、交通灯、指示牌等等。在初始虚拟场景中,环境车辆可以无行驶行为,保持静止,环境车辆也可以有初始行驶行为。
具体地,可以获取路测数据,根据路测数据中任意一个时间点的数据建立初始虚拟场景。路测数据是指真实场景(现实场景)中,无人驾驶汽车的传感器实时采集到的传感器数据。无人驾驶汽车的传感器可以将采集到的数据上传至服务器或终端。也可以获取现有的虚拟场景,将现有的虚拟场景转换为初始虚拟场景。现有的虚拟场景可以是已用于测试无人驾驶车辆的行驶轨迹规划算法的虚拟场景。将现有的虚拟场景转换为初始虚拟场景具体可以是将环境车辆重置为待设置行驶轨迹状态。
S204,获取多维数组,将多维数组输入到已训练的轨迹生成模型中,输出环境车辆的行驶轨迹,轨迹生成模型的参数是基于已训练的轨迹判别模型训练得到,轨迹判别模型的参数是以真实行驶轨迹大数据和虚拟行驶轨迹大数据作为输入,真实行驶轨迹大数据和虚拟行驶轨迹大数据对应的标签作为预期输出,输入轨迹判别模型训练得到。
其中,轨迹生成模型是用于生成环境车辆的行驶轨迹。环境车辆的行驶轨迹是指环境车辆相对于目标车辆的行驶轨迹。行驶轨迹由若干个顺序排列的轨迹点组成,各个轨迹点携带时间信息和位置信息。位置信息包括经度和纬度。各个轨迹点按照时间先后顺序排列。各个轨迹点的时间间隔相同。
轨迹判别模型是基于预先历史已有的行驶轨迹和初始轨迹生成模型训练得到的机器学习模型。在进行轨迹判别模型训练时,采用的是有监督的训练方法。以真实行驶轨迹大数据作为输入,真实行驶轨迹大数据对应的标签作为预期输出,进行轨迹判别模型训练,以虚拟行驶轨迹大数据作为输入,虚拟行驶轨迹大数据对应的标签作为预期输出,进行轨迹判别模型训练。虚拟行驶轨迹大数据是初始轨迹生成模型的输出数据。当达到训练完成条件时,得到已训练的轨迹判别模型,该训练完成条件可以是训练达到最大迭代次数或者模型的损失值小于预设阈值中的至少一种。其中,真实行驶轨迹对应的标签表明行驶轨迹为真,虚拟行驶轨迹对应的标签表明行驶轨迹为假。在使用时,轨迹判别模型的输入数据是行驶轨迹,输出数据是行驶轨迹为真的概率。轨迹生成模型的参数是基于已训练的轨迹判别模型训练得到的机器学习模型,训练目标是让生成的虚拟行驶轨迹输入轨迹判别模型,输出的概率越接近真实行驶轨迹大数据对应的标签。在使用时,轨迹生成模型的输入数据是一个多维数组,输出数据是虚拟行驶轨迹。
具体地,可以随机生成一个预设长度的多维数组,将多维数组输入到已训练的轨迹生成模型中,输出环境车辆的行驶轨迹。
在一个实施例中,每一段行驶轨迹可以用二维矩阵来表示,矩阵的行表示不同的时间点,矩阵的列表示每个时间点车辆的位置信息,比如经度、纬度。行驶轨迹也可以用一维序列来表示,序列中第一和第二个数字表示第一个轨迹点的经度和维度,序列中第三和第四个数字表示第二个轨迹点的经度和维度,依次类推。在设计初始轨迹生成模型时,可以设置行驶轨迹的输出格式。在使用时输入至已训练的轨迹生成模型的多维数组的维度和在训练时输入至轨迹生成模型的多维训练数组的维度和每个维度的长度需要保持一致。
S206,将环境车辆的行驶轨迹加入初始虚拟场景,得到第一目标虚拟场景,第一目标虚拟场景用于测试目标车辆的行驶轨迹规划算法。
具体地,通过已训练的轨迹生成模型生成环境车辆的行驶轨迹后,可以将生成的有效的行驶轨迹加入到初始虚拟场景中的环境车辆。由于生成的环境车辆的行驶轨迹为环境车辆相对于目标车辆的行驶轨迹,因此需要获取初始虚拟场景中目标车辆的位置信息,根据初始虚拟场景中目标车辆的位置信息将模型生成的行驶轨迹转换为适应该初始虚拟场景的行驶轨迹,将转换后的行驶轨迹加入到初始虚拟场景中的环境车辆,进而得到目标虚拟场景。行驶轨迹规划算法可以根据目标虚拟场景中各个模型的状态信息动态规划目标车辆的行驶轨迹,根据目标车辆的行驶轨迹可以验证和测试行驶轨迹规划算法。目标虚拟场景可以辅助行驶轨迹规划算法的开发和改进,可以一定程度上替代用真实环境进行算法测试的方式,减少算法的开发和改进成本。
由于可以生成大量的多维数组,进而通过已训练的轨迹生成模型可以生成大量行驶轨迹,从而可以得到大量的目标虚拟场景。那么利用已训练的轨迹生成模型可以随时生成目标虚拟场景,随时验证和测试行驶轨迹规划算法,提高算法开发和改进效率。
在一个实施例中,可以训练专门用于生成正常行驶行为对应的行驶轨迹的轨迹生成模型,也可以训练专门用于生成异常行驶行为对应的行驶轨迹的轨迹生成模型。具体可以将真实轨迹大数据进行分类,分为正常行驶行为对应的真实行驶轨迹大数据和异常行驶行为对应的真实行驶轨迹大数据。正常行驶行为对应的真实行驶轨迹大数据是未发生交通事故或没有违反交通规则的真实行驶轨迹大数据。正常行驶行为对应的真实行驶轨迹大数据是发生交通事故或违反交通规则的真实行驶轨迹大数据。利用正常行驶行为对应的真实行驶轨迹大数据训练用于生成正常行驶行为对应的行驶轨迹的轨迹生成模型。利用异常行驶行为对应的真实行驶轨迹大数据训练用于生成异常行驶行为对应的行驶轨迹的轨迹生成模型。在使用时,可以根据需要选择相应的轨迹生成模型,有针对性地测试行驶轨迹规划算法,进一步提高算法开发和改进效率。
上述虚拟场景生成方法,通过建立初始虚拟场景,初始虚拟场景包括环境车辆和目标车辆;获取多维数组,将多维数组输入到已训练的轨迹生成模型中,输出环境车辆的行驶轨迹,轨迹生成模型的参数是基于已训练的轨迹判别模型训练得到,轨迹判别模型的参数是以真实行驶轨迹大数据和虚拟行驶轨迹大数据作为输入,真实行驶轨迹大数据和虚拟行驶轨迹大数据对应的标签作为预期输出,输入轨迹判别模型训练得到;将环境车辆的行驶轨迹加入初始虚拟场景,得到第一目标虚拟场景,第一目标虚拟场景用于测试目标车辆的行驶轨迹规划算法。充分利用路测数据训练轨迹生成模型,通过已训练的轨迹生成模型可以生成与真实行驶轨迹类似但不完全相同的行驶轨迹,将生成的行驶轨迹输入到虚拟场景中,可以建立与真实场景类似但不完全相同的目标虚拟场景,从而可以辅助测试无人车的行驶轨迹规划算法。
在一个实施例中,如图3所示,步骤S202,也就是建立初始虚拟场景之前,还包括:
S302,建立初始轨迹生成模型,轨迹生成模型的输入为多维数组,输出为虚拟行驶轨迹。
其中,虚拟行驶轨迹是指在计算机设备上生成的行驶轨迹。虚拟行驶轨迹是相对于真实行驶轨迹而言的。真实行驶轨迹是指真实环境中真实环境车辆相对于真实无人驾驶车辆的行驶轨迹,可以通过相关的仪器设备采集得到。
具体地,可以设计一个初始轨迹生成模型,该初始轨迹生成模型的输入数据为多维数组,输出数据为虚拟行驶轨迹。初始轨迹生成模型的参数可以是随机设置的。初始轨迹生成模型的参数也可以是技术人员根据机器学习的先验知识设置的,以缩短初始轨迹生成模型的训练时间。
S304,获取多个多维训练数组,将各个多维训练数组输入到初始轨迹生成模型,输出各个多维训练数组对应的虚拟行驶轨迹,虚拟行驶轨迹对应第一标签。
S306,获取多组目标真实行驶轨迹,目标真实行驶轨迹对应第二标签。
其中,多维训练数组是用于训练初始轨迹生成模型的输入数据。目标真实行驶轨迹为真实场景中真实车辆交互比较多的真实行驶轨迹,例如A车突然减速导致B车也不得不跟着减速以防止追尾,又如旁边车道的A车从B车前方并道导致B车减速。
具体地,可以生成多个用于训练的维度和每一维的长度一致的多维训练数组。将各个多维训练数组分别输入到初始轨迹生成模型,初始轨迹生成模型分别输出各个多维训练数组各自对应的虚拟行驶轨迹。由于初始轨迹生成模型的参数并不是最优的,初始轨迹生成模型输出的虚拟行驶轨迹显然与真实行驶轨迹差距较大。因此,可以设置虚拟行驶轨迹对应的标签和真实行驶轨迹对应的标签为互斥标签。例如,真实行驶轨迹对应的标签为1,虚拟行驶轨迹对应的标签为0。
S308,将各组目标真实行驶轨迹和各组虚拟行驶轨迹分别输入到初始轨迹判别模型,输出各组目标真实行驶轨迹的轨迹判别结果和各组虚拟行驶轨迹的轨迹判别结果。
具体地,可以设计一个初始轨迹判别模型。初始轨迹判别模型的参数可以是随机设置的。初始轨迹判别模型的参数也可以是技术人员根据机器学习的先验知识设置的,以缩短初始轨迹判别模型的训练时间。将各组目标真实行驶轨迹分别输入到初始轨迹判别模型,初始轨迹判别模型分别输出各组目标真实行驶轨迹的轨迹判别结果,将各组虚拟行驶轨迹分别输入到初始轨迹判别模型,初始轨迹判别模型分别输出各组虚拟行驶轨迹的轨迹判别结果。轨迹判别结果可以是行驶轨迹为真的概率。
S310,当各组目标真实行驶轨迹的轨迹判别结果和各组虚拟行驶轨迹的轨迹判别结果达到预设训练完成条件时,得到已训练的轨迹判别模型。
具体地,可以将虚拟行驶轨迹的轨迹判别结果和第一标签进行对比,得到第一对比结果,将目标真实行驶轨迹的轨迹判别结果和第二标签进行对比,得到第二对比结果,根据第一对比结果和第二对比结果对初始轨迹判别模型的参数进行调整。比如,将虚拟行驶轨迹的轨迹判别结果和第一标签进行相减,得到第一差异计算结果,将目标真实行驶轨迹的轨迹判别结果和第二标签进行相减,得到第二差异计算结果,然后根据第一差异计算结果和第二差异结果对初始轨迹判别模型的参数进行调整。例如,第一标签的标签数值为0,虚拟行驶轨迹的轨迹判别结果为0.4,那么第一差异计算结果为-log(1-0.4)=0.510,第二标签的标签数值为1,目标真实行驶轨迹的轨迹判别结果为0.9,那么第二差异计算结果为-log(0.9)=0.105,可以取第一差异计算结果和第二差异计算结果的平均值0.306对初始轨迹判别模型的参数进行调整。也可以通过随机梯度下降法对初始轨迹判别模型的参数进行调整。其中,训练完成条件用于判断模型是否训练完成。该训练完成条件是预先根据需要进行设置的,包括训练次数达到最大的迭代此时或者差异计算结果小于设定的值中的至少一种。
上述实施例中,通过真实行驶轨迹和对应的标签,以及虚拟行驶轨迹和对应的标签进行模型训练,当达到训练完成条件时,得到已训练的轨迹判别模型。
在一个实施例中,如图4所示,步骤S310,也就是当各组目标真实行驶轨迹的轨迹判别结果和各组虚拟行驶轨迹的轨迹判别结果达到预设训练完成条件时,得到已训练的轨迹判别模型,包括:
S402,将各组目标真实行驶轨迹的轨迹判别结果和各组虚拟行驶轨迹的轨迹判别结果输入到第一目标损失函数中计算,得到第一目标损失值。
S404,当第一目标损失值未超过第一预设阈值时,达到预设训练完成条件,得到已训练的轨迹判别模型。
其中,目标损失函数用于衡量模型的轨迹判别训练结果的好坏,通过损失值来体现。通常来说损失值越小,轨迹判别训练结果就越好,训练得到的模型就越准确。
具体地,第一预设阈值是预先设置好的损失值,是可以根据需要进行设置的。当第一目标损失值超过预设阈值时,可以使用第一目标损失值对初始轨迹判别模型的模型参数进行调整,得到更新的初始轨迹判别模型。然后重新获取到目标真实轨迹大数据和虚拟轨迹大数据对更新的初始轨迹判别模型进行训练。直到模型训练得到的第一目标损失值未超过第一预设阈值时,将最后一次训练时的轨迹判别模型作为已训练的轨迹判别模型。
在一个实施例中,第一目标损失函数是根据需要设置的损失函数,比如,可以是交叉熵损失函数,该交叉熵损失函数可以如下所示:
其中,yi表示第i个行驶轨迹对应的标签。当第i个行驶轨迹为虚拟行驶轨迹时,第i个行驶轨迹对应的标签为0。当第i个行驶轨迹为目标真实行驶轨迹时,第i个行驶轨迹对应的标签为1。pi表示第i个行驶轨迹对应的轨迹判别结果。
上述实施例中,通过第一目标损失函数的目标值来判读是否符合训练完成条件,当第一目标损失值未超过第一预设阈值时,达到预设训练完成条件,能够提高训练得到的轨迹判别模型的准确性。
在一个实施例中,还包括:逐步调整初始轨迹生成模型的参数,将各个多维训练数组输入到每次调整后的初始轨迹生成模型,将每次调整后的初始轨迹模型的输出数据输入到已训练的轨迹判别模型,输出各个多维训练数组对应的轨迹判别结果;将各个多维训练数组对应的轨迹判别结果输入到第二目标损失函数中计算,得到第二目标损失值;当第二目标损失值未超过第二预设阈值时,将最后一次调整后的参数作为轨迹生成模型的目标参数,得到已训练的轨迹判别模型。具体地,当训练好轨迹判别模型后,可以根据已训练的轨迹判别模型训练初始轨迹生成模型。可以通过随机梯度下降法对初始轨迹判别模型的参数进行调整。将各个多维训练数组输入到每次调整后的初始轨迹生成模型,将每次调整后的初始轨迹模型的输出数据输入到已训练的轨迹判别模型,输出各个多维训练数组对应的轨迹判别结果;将各个多维训练数组对应的轨迹判别结果输入到第二目标损失函数中计算,得到第二目标损失值。当第二目标损失值超过第二预设阈值时,可以使用第二目标损失值对初始轨迹生成模型的模型参数进行调整,得到更新的初始轨迹生成模型。然后重新获取到多维训练数组对更新的初始轨迹生成模型进行训练。直到模型训练得到的第二目标损失值未超过第二预设阈值时,将最后一次训练时调整后的参数作为轨迹生成模型的目标参数,得到已训练的轨迹判别模型。
在一个实施例中,第二目标损失函数是根据需要设置的损失函数,比如,可以是交叉熵损失函数,该交叉熵损失函数可以如下所示,它的目的是让多维训练数组对应的虚拟行驶轨迹被判别为真的概率pi变大:
其中,M表示多维训练数组的总数目。pj表示第j个多维训练数组对应的轨迹判别结果。
上述实施例中,根据已训练的轨迹判别模型训练轨迹生成模型,可以让训练得到的轨迹生成模型生成的虚拟行驶轨迹被判别为真实行驶轨迹的概率接近1,以假乱真。
在一个实施例中,如图5所示,步骤S306,也就是获取多组目标真实行驶轨迹之前,还包括:
S502,获取行驶数据,对行驶数据进行划分得到多组候选行驶数据。
具体地,无人驾驶车辆在进行实际路测时会通过多个不同功能的传感器实时采集记录大量的数据,包括无人驾驶车辆本身的状态以及周围环境的状态,其中无人驾驶车辆本身的状态包括本身的形状、大小、位置、速度,周围环境的状态包括周围环境车辆的形状、大小、位置、速度,周围交通灯的位置等信息。可以将实时采集到的数据根据时间进行整合得到行驶数据,行驶数据包括各个时间点无人驾驶车辆的状态和周围环境的状态。在获取到行驶数据后,需要对行驶数据进行筛选处理,筛选出无人驾驶车辆和周围真实车辆之间存在影响轨迹行为的片段,比如前方真实车辆突然减速导致无人驾驶车辆也不得不跟着减速以防止追尾,又如旁边车道的真实车辆从无人驾驶车辆前方并道导致主车减速。在筛选之前,可以对行驶数据进行预处理,将行驶数据划分为多组候选行驶数据,提高筛选效率。行驶数据划分具体可以是根据时间信息划分,划分为若干组时间长度一致的候选行驶数据,也可以是根据位置信息划分,划分为若干组行驶距离相同的候选行驶数据。划分后,还可以对候选行驶数据进行滤除,进一步提高筛选效率。候选行驶数据滤除具体可以是滤除不存在环境车辆的候选行驶数据。
S504,根据预设条件对多组候选行驶数据进行筛选得到多组目标行驶数据,预设条件是基于真实车辆之间的影响轨迹行为设置的。
S506,分别从各组目标行驶数据中提取真实车辆的行驶轨迹,根据提取的行驶轨迹确定目标真实行驶轨迹,得到多组目标真实行驶轨迹。
具体地,无人驾驶车辆在进行实际路测时会实时采集记录大量的数据,包括无人驾驶车辆本身的状态以及周围环境的状态,其中周围环境的状态包括周围环境车辆的形状大小、位置、速度,周围交通灯的位置等信息。可以根据需要设置筛选条件,将筛选条件编写成一个返回逻辑判断值的数学函数,只要把候选行驶数据输入进去,如果函数返回为真,那么这个候选行驶数据就是目标行驶数据。可以从目标行驶数据中提取无人驾驶车辆的行驶轨迹和环境车辆的行驶轨迹,根据提取的行驶轨迹确定目标真实行驶轨迹。具体可以是将环境车辆的行驶轨迹的行驶轨迹减去无人驾驶车辆的行驶轨迹得到目标真实行驶轨迹。
上述实施例中,获取行驶数据,对行驶数据进行划分得到多组候选行驶数据;根据预设条件对对多组候选行驶数据进行筛选得到多组目标行驶数据,预设条件是基于真实车辆之间的影响轨迹行为设置的;分别从各组目标行驶数据中提取真实车辆的行驶轨迹,根据提取的行驶轨迹确定目标真实行驶轨迹,得到多组目标真实行驶轨迹。从行驶数据中得到目标真实行驶轨迹,方便后续将目标真实行驶轨迹作为训练数据训练轨迹生成模型。
在一个实施例中,如图6所示,虚拟场景生成方法还包括:
S602,获取环境车辆和目标车辆的当前状态。
S604,基于预设算法,根据环境车辆和目标车辆的当前状态确定环境车辆的目标状态。
S606,将环境车辆的目标状态更新至初始虚拟场景,得到第二目标虚拟场景。
具体地,利用真实数据来构建初始虚拟场景,可以在真实数据的基础上,给环境车辆添加一些智能行为。例如,真实数据中,某一辆真实环境车辆在无人驾驶车辆左侧车道上匀速向前行驶。但是在目标虚拟环境中,需要改变和调试目标车辆的行驶轨迹规划算法,例如,此时目标车辆开始从环境车辆的右前方并入左侧车道。如果环境车辆完全依照真实数据中的行为驾驶,那么很有可能在并道的过程中,环境车辆会追尾目标车辆。因此,可以给环境车辆加入防止追尾的智能行为,那么目标车辆并道的过程中环境车辆会根据相对位置和速度去主动减速,从而避免追尾的可能。给环境车辆添加智能行为具体可以是基于预设算法,例如自适应巡航算法、防止追尾算法,根据环境车辆的当前状态、目标车辆的当前状态来实时计算出下一个时间点环境车辆的目标状态,将实时计算得到的环境车辆的目标状态更新至初始虚拟场景中,得到另一个目标虚拟场景。这样一来,基于同一份真实数据,技术人员可以灵活调整主车的规划算法,进而大大提高对数据的利用率。
在一个实施例中,如图7所示,还包括:
S702,获取目标车辆基于行驶轨迹规划算法在目标虚拟场景中的目标行驶轨迹,目标虚拟场景包括第一目标虚拟场景和第二目标虚拟场景中的至少一种;
S704,获取环境车辆在目标虚拟场景的目标行驶轨迹。
S706,当目标车辆的目标行驶轨迹和环境车辆的目标行驶轨迹相交时,生成反馈信息发送至预设终端。
S708,接收预设终端发送的调整后的行驶轨迹规划算法。
S710,基于调整后的行驶轨迹规划算法重新规划目标车辆的目标行驶轨迹。
其中,目标车辆的目标行驶轨迹和环境车辆的目标行驶轨迹相交是指目标车辆的目标行驶轨迹和环境车辆的目标行驶轨迹中同一时间点对应的轨迹点重合。
具体地,目标虚拟场景可以用于测试行驶轨迹规划算法。可以获取目标车辆基于行驶轨迹规划算法在第一目标虚拟场景或者第二目标虚拟场景中的目标行驶轨迹,获取环境车辆在第一目标虚拟场景或者第二目标虚拟场景中的目标行驶轨迹。当检测到目标车辆的目标行驶轨迹和环境车辆的目标行驶轨迹在同一目标虚拟场景中相交时,表明目标车辆和环境车辆在第一目标虚拟场景或者第二目标虚拟场景中发送碰撞,显然行驶轨迹规划算法存在漏洞。此时,可以根据相交的目标行驶轨迹生成反馈信息,发送至技术人员对应的终端,以便技术人员及时调试行驶轨迹规划算法。进一步的,可以接收技术人员通过终端发送的调整后的行驶轨迹规划算法,在第一目标虚拟场景或者第二目标虚拟场景中基于调整后的行驶轨迹规划算法重新规划目标车辆的目标行驶轨迹,测试调整后的行驶轨迹规划算法是否解决了先前的漏洞。
应该理解的是,虽然上述流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图8为一个实施例中虚拟场景生成装置的结构框图。如图8所示,一种虚拟场景生成装置,包括初始虚拟场景建立模块802、行驶轨迹获取模块804和第一目标虚拟场景确定模块806。其中:
初始虚拟场景建立模块802,用于建立初始虚拟场景,初始虚拟场景包括环境车辆和目标车辆。
行驶轨迹获取模块804,用于获取多维数组,将多维数组输入到已训练的轨迹生成模型中,输出环境车辆的行驶轨迹,轨迹生成模型的参数是基于已训练的轨迹判别模型训练得到,轨迹判别模型的参数是以真实行驶轨迹大数据和虚拟行驶轨迹大数据作为输入,真实行驶轨迹大数据和虚拟行驶轨迹大数据对应的标签作为预期输出,输入轨迹判别模型训练得到。
第一目标虚拟场景确定模块806,用于将环境车辆的行驶轨迹加入初始虚拟场景,得到第一目标虚拟场景,第一目标虚拟场景用于测试目标车辆的行驶轨迹规划算法。
在一个实施例中,虚拟场景生成装置还包括:
训练模块,用于获取多个多维训练数组,将各个多维训练数组输入到初始轨迹生成模型,输出各个多维训练数组对应的虚拟行驶轨迹,虚拟行驶轨迹对应第一标签;获取多组目标真实行驶轨迹,目标真实行驶轨迹对应第二标签;将各组目标真实行驶轨迹和各组虚拟行驶轨迹分别输入到初始轨迹判别模型,输出各组目标真实行驶轨迹的轨迹判别结果和各组虚拟行驶轨迹的轨迹判别结果;当各组目标真实行驶轨迹的轨迹判别结果和各组虚拟行驶轨迹的轨迹判别结果达到预设训练完成条件时,得到已训练的轨迹判别模型。
在一个实施例中,训练模块还用于将各组目标真实行驶轨迹的轨迹判别结果和各组虚拟行驶轨迹的轨迹判别结果输入到第一目标损失函数中计算,得到第一目标损失值;当第一目标损失值未超过预设阈值时,达到预设训练完成条件,得到已训练的轨迹判别模型。
在一个实施例中,虚拟场景生成装置还包括:
筛选模块,用于获取路测数据,对路测数据进行划分得到多个路测数据段;根据预设条件对对多个路测数据段进行筛选得到多个目标路测数据段,预设条件是基于真实车辆之间的影响轨迹行为设置的;分别从各个目标路测数据段中提取真实车辆的行驶轨迹,根据提取的行驶轨迹确定目标真实行驶轨迹,得到多组目标真实行驶轨迹。
在一个实施例中,虚拟场景生成装置还包括:
第二目标虚拟场景确定模块,用于获取环境车辆和目标车辆的当前状态;基于预设算法,根据环境车辆和目标车辆的当前状态确定环境车辆的目标状态;将环境车辆的目标状态更新至初始虚拟场景,得到第二目标虚拟场景。
在一个实施例中,虚拟场景生成装置还包括:
算法测试模块,用于获取目标车辆基于行驶轨迹规划算法在目标虚拟场景中的目标行驶轨迹,目标虚拟场景包括第一目标虚拟场景和第二目标虚拟场景中的至少一种;获取环境车辆在目标虚拟场景的目标行驶轨迹;当目标车辆的目标行驶轨迹和环境车辆的目标行驶轨迹相交时,生成反馈信息发送至预设终端;接收预设终端发送的调整后的行驶轨迹规划算法;基于调整后的行驶轨迹规划算法重新规划目标车辆的目标行驶轨迹。
关于虚拟场景生成装置的具体限定可以参见上文中对于虚拟场景生成方法的限定,在此不再赘述。上述虚拟场景生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一些实施例中,提供了一种计算机设备,该计算机设备可以是图1中的服务器120,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种虚拟场景生成方法。
在一些实施例中,提供了一种计算机设备,该计算机设备可以是图1中的终端110,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和输入设备。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种虚拟场景生成方法。该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图9和图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述虚拟场景生成方法的步骤。此处虚拟场景生成方法的步骤可以是上述各个实施例的虚拟场景生成方法中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述虚拟场景生成方法的步骤。此处虚拟场景生成方法的步骤可以是上述各个实施例的虚拟场景生成方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (16)
1.一种虚拟场景生成方法,其特征在于,包括:
建立初始虚拟场景,所述初始虚拟场景包括环境车辆和目标车辆;
获取多维数组,将所述多维数组输入到已训练的轨迹生成模型中,输出所述环境车辆的行驶轨迹,所述轨迹生成模型的参数是基于已训练的轨迹判别模型训练得到,所述轨迹判别模型的参数是以真实行驶轨迹大数据和虚拟行驶轨迹大数据作为输入,所述真实行驶轨迹大数据和虚拟行驶轨迹大数据对应的标签作为预期输出,输入轨迹判别模型训练得到;
将所述环境车辆的行驶轨迹加入所述初始虚拟场景,得到第一目标虚拟场景,所述第一目标虚拟场景用于测试目标车辆的行驶轨迹规划算法。
2.根据权利要求1所述的方法,其特征在于,所述建立初始虚拟场景之前,所述方法还包括:
建立初始轨迹生成模型,所述轨迹生成模型的输入为多维数组,输出为虚拟行驶轨迹;
获取多个多维训练数组,将各个多维训练数组输入到所述初始轨迹生成模型,输出各个多维训练数组对应的虚拟行驶轨迹,所述虚拟行驶轨迹对应第一标签;
获取多组目标真实行驶轨迹,所述目标真实行驶轨迹对应第二标签;
将各组目标真实行驶轨迹和各组虚拟行驶轨迹分别输入到初始轨迹判别模型,输出所述各组目标真实行驶轨迹的轨迹判别结果和各组虚拟行驶轨迹的轨迹判别结果;
当所述各组目标真实行驶轨迹的轨迹判别结果和各组虚拟行驶轨迹的轨迹判别结果达到预设训练完成条件时,得到所述已训练的轨迹判别模型。
3.根据权利要求2所述的方法,其特征在于,所述当所述各组目标真实行驶轨迹的轨迹判别结果和各组虚拟行驶轨迹的轨迹判别结果达到预设训练完成条件时,得到所述已训练的轨迹判别模型,包括:
将所述各组目标真实行驶轨迹的轨迹判别结果和各组虚拟行驶轨迹的轨迹判别结果输入到第一目标损失函数中计算,得到第一目标损失值;
当所述第一目标损失值未超过第一预设阈值时,达到预设训练完成条件,得到所述已训练的轨迹判别模型。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
逐步调整所述初始轨迹生成模型的参数,将各个多维训练数组输入到每次调整后的初始轨迹生成模型,将每次调整后的初始轨迹模型的输出数据输入到所述已训练的轨迹判别模型,输出各个多维训练数组对应的轨迹判别结果;
将所述各个多维训练数组对应的轨迹判别结果输入到第二目标损失函数中计算,得到第二目标损失值;
当第二目标损失值未超过第二预设阈值时,将最后一次调整后的参数作为轨迹生成模型的目标参数,得到已训练的轨迹判别模型。
5.根据权利要求2所述的方法,其特征在于,所述获取多组目标真实行驶轨迹之前,所述方法还包括:
获取行驶数据,对所述行驶数据进行划分得到多组候选行驶数据;
根据预设条件对对所述多组候选行驶数据进行筛选得到多组目标行驶数据,所述预设条件是基于真实车辆之间的影响轨迹行为设置的;
分别从各组目标行驶数据中提取真实车辆的行驶轨迹,根据提取的行驶轨迹确定目标真实行驶轨迹,得到多组目标真实行驶轨迹。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述环境车辆和目标车辆的当前状态;
基于预设算法,根据所述环境车辆和目标车辆的当前状态确定所述环境车辆的目标状态;
将所述环境车辆的目标状态更新至所述初始虚拟场景,得到第二目标虚拟场景。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述方法还包括:
获取所述目标车辆基于行驶轨迹规划算法在目标虚拟场景中的目标行驶轨迹,所述目标虚拟场景包括第一目标虚拟场景和第二目标虚拟场景中的至少一种;
获取所述环境车辆在所述目标虚拟场景的目标行驶轨迹;
当所述目标车辆的目标行驶轨迹和所述环境车辆的目标行驶轨迹相交时,生成反馈信息发送至预设终端;
接收所述预设终端发送的调整后的行驶轨迹规划算法;
基于所述调整后的行驶轨迹规划算法重新规划所述目标车辆的目标行驶轨迹。
8.一种虚拟场景生成装置,其特征在于,包括:
初始虚拟场景建立模块,用于建立初始虚拟场景,所述初始虚拟场景包括环境车辆和目标车辆;
行驶轨迹获取模块,用于获取多维数组,将所述多维数组输入到已训练的轨迹生成模型中,输出所述环境车辆的行驶轨迹,所述轨迹生成模型的参数是基于已训练的轨迹判别模型训练得到,所述轨迹判别模型的参数是以真实行驶轨迹大数据和虚拟行驶轨迹大数据作为输入,所述真实行驶轨迹大数据和虚拟行驶轨迹大数据对应的标签作为预期输出,输入轨迹判别模型训练得到;
第一目标虚拟场景确定模块,用于将所述环境车辆的行驶轨迹加入所述初始虚拟场景,得到第一目标虚拟场景,所述第一目标虚拟场景用于测试目标车辆的行驶轨迹规划算法。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
训练模块,用于建立初始轨迹生成模型,所述轨迹生成模型的输入为多维数组,输出为虚拟行驶轨迹;获取多个多维训练数组,将各个多维训练数组输入到所述初始轨迹生成模型,输出各个多维训练数组对应的虚拟行驶轨迹,所述虚拟行驶轨迹对应第一标签;获取多组目标真实行驶轨迹,所述目标真实行驶轨迹对应第二标签;将各组目标真实行驶轨迹和各组虚拟行驶轨迹分别输入到初始轨迹判别模型,输出所述各组目标真实行驶轨迹的轨迹判别结果和各组虚拟行驶轨迹的轨迹判别结果;当所述各组目标真实行驶轨迹的轨迹判别结果和各组虚拟行驶轨迹的轨迹判别结果达到预设训练完成条件时,得到所述已训练的轨迹判别模型。
10.根据权利要求9所述的装置,其特征在于,所述训练模块还用于将所述各组目标真实行驶轨迹的轨迹判别结果和各组虚拟行驶轨迹的轨迹判别结果输入到第一目标损失函数中计算,得到第一目标损失值;当所述第一目标损失值未超过第一预设阈值时,达到预设训练完成条件,得到所述已训练的轨迹判别模型。
11.根据权利要求9所述的装置,其特征在于,所述装置还包括:
逐步调整初始轨迹生成模型的参数,将各个多维训练数组输入到每次调整后的初始轨迹生成模型,将每次调整后的初始轨迹模型的输出数据输入到已训练的轨迹判别模型,输出各个多维训练数组对应的轨迹判别结果;
将各个多维训练数组对应的轨迹判别结果输入到第二目标损失函数中计算,得到第二目标损失值;
当第二目标损失值未超过第二预设阈值时,将最后一次调整后的参数作为轨迹生成模型的目标参数,得到已训练的轨迹判别模型。
12.根据权利要求9所述的装置,其特征在于,所述装置还包括:
筛选模块,用于获取行驶数据,对所述行驶数据进行划分得到多组候选行驶数据;根据预设条件对对所述多组候选行驶数据进行筛选得到多组目标行驶数据,所述预设条件是基于真实车辆之间的影响轨迹行为设置的;分别从各组目标行驶数据中提取真实车辆的行驶轨迹,根据提取的行驶轨迹确定目标真实行驶轨迹,得到多组目标真实行驶轨迹。
13.根据权利要求8所述的装置,其特征在于,所述装置还包括:
第二目标虚拟场景确定模块,用于获取所述环境车辆和目标车辆的当前状态;基于预设算法,根据所述环境车辆和目标车辆的当前状态确定所述环境车辆的目标状态;将所述环境车辆的目标状态更新至所述初始虚拟场景,得到第二目标虚拟场景。
14.根据权利要求8-13任一项所述的装置,其特征在于,所述装置还包括:
算法测试模块,用于获取所述目标车辆基于行驶轨迹规划算法在目标虚拟场景中的目标行驶轨迹,所述目标虚拟场景包括第一目标虚拟场景和第二目标虚拟场景中的至少一种;获取所述环境车辆在所述目标虚拟场景的目标行驶轨迹;当所述目标车辆的目标行驶轨迹和所述环境车辆的目标行驶轨迹相交时,生成反馈信息发送至预设终端;接收所述预设终端发送的调整后的行驶轨迹规划算法;基于所述调整后的行驶轨迹规划算法重新规划所述目标车辆的目标行驶轨迹。
15.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
16.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2020/091014 WO2021232229A1 (zh) | 2020-05-19 | 2020-05-19 | 虚拟场景生成方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113272838A true CN113272838A (zh) | 2021-08-17 |
Family
ID=77227971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080007602.3A Pending CN113272838A (zh) | 2020-05-19 | 2020-05-19 | 虚拟场景生成方法、装置、计算机设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113272838A (zh) |
WO (1) | WO2021232229A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113342704A (zh) * | 2021-08-06 | 2021-09-03 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、设备以及计算机可读存储介质 |
CN114162146A (zh) * | 2022-02-09 | 2022-03-11 | 苏州浪潮智能科技有限公司 | 行驶策略模型训练方法以及自动驾驶的控制方法 |
CN115601393A (zh) * | 2022-09-29 | 2023-01-13 | 清华大学(Cn) | 轨迹生成方法、装置、设备和存储介质 |
CN117237575A (zh) * | 2023-11-10 | 2023-12-15 | 光轮智能(北京)科技有限公司 | 室内场景生成方法、控制装置及可读存储介质 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114563014B (zh) * | 2021-12-15 | 2023-08-04 | 武汉中海庭数据技术有限公司 | 一种基于仿真图像的OpenDrive地图自动化检测方法 |
CN114444165A (zh) * | 2021-12-20 | 2022-05-06 | 广东三维家信息科技有限公司 | 台面的生成方法、装置、电子设备及存储介质 |
CN114371015B (zh) * | 2022-01-04 | 2024-06-04 | 一汽解放汽车有限公司 | 自动驾驶测试方法、装置、计算机设备、存储介质 |
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 |
CN114569775B (zh) * | 2022-04-07 | 2023-05-23 | 广州海洁尔医疗设备有限公司 | 手术室用的杀菌控制方法及系统 |
CN114757355B (zh) * | 2022-04-08 | 2024-04-02 | 中国科学技术大学 | 轨迹数据集差异性度量方法、系统、设备及存储介质 |
CN114637882B (zh) * | 2022-05-17 | 2022-08-19 | 深圳市华世智能科技有限公司 | 基于计算机图形技术生成带标记样本的方法 |
CN115661338A (zh) * | 2022-09-28 | 2023-01-31 | 深圳市东昂科兴技术有限公司 | 核电重大设备的虚拟拆装培训方法与装置 |
CN116650789B (zh) * | 2023-08-02 | 2023-11-17 | 深圳市心流科技有限公司 | 一种基于触控数据和陀螺仪数据实现的专注力训练方法 |
CN117456611B (zh) * | 2023-12-22 | 2024-03-29 | 拓世科技集团有限公司 | 一种基于人工智能的虚拟人物训练方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110955972A (zh) * | 2019-11-28 | 2020-04-03 | 苏州智加科技有限公司 | 虚拟场景生成方法、装置、计算机设备及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012207269A1 (de) * | 2012-05-02 | 2013-11-07 | Kuka Laboratories Gmbh | Fahrerloses Transportfahrzeug und Verfahren zum Betreiben eines fahrerlosen Transportfahrzeugs |
CN109557904B (zh) * | 2018-12-06 | 2020-07-10 | 百度在线网络技术(北京)有限公司 | 一种测试方法、装置、设备和介质 |
CN109597317B (zh) * | 2018-12-26 | 2022-03-18 | 广州小鹏汽车科技有限公司 | 一种基于自学习的车辆自动驾驶方法、系统及电子设备 |
CN110223515B (zh) * | 2019-06-17 | 2021-01-01 | 北京航空航天大学 | 一种车辆轨迹生成方法 |
CN110793784B (zh) * | 2019-09-16 | 2021-10-26 | 腾讯科技(深圳)有限公司 | 自动驾驶车辆的测试方法、装置、存储介质及电子装置 |
CN110864913B (zh) * | 2019-11-28 | 2021-09-03 | 苏州智加科技有限公司 | 车辆测试方法、装置、计算机设备及存储介质 |
CN110991095B (zh) * | 2020-03-05 | 2020-07-03 | 北京三快在线科技有限公司 | 一种车辆行驶决策模型的训练方法及装置 |
-
2020
- 2020-05-19 WO PCT/CN2020/091014 patent/WO2021232229A1/zh active Application Filing
- 2020-05-19 CN CN202080007602.3A patent/CN113272838A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110955972A (zh) * | 2019-11-28 | 2020-04-03 | 苏州智加科技有限公司 | 虚拟场景生成方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
KRAJEWSKI ET AL: "《Data-Driven Maneuver Modeling using Generative Adversarial Networksand Variational Autoencoders for Safety Validation of Highly Automated Vehicles》", 《2018 21ST INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC)》 * |
朱宇等: "《基于蒙特卡洛模拟的无人车高速公路变道》", 《中国公路学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113342704A (zh) * | 2021-08-06 | 2021-09-03 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、设备以及计算机可读存储介质 |
CN114162146A (zh) * | 2022-02-09 | 2022-03-11 | 苏州浪潮智能科技有限公司 | 行驶策略模型训练方法以及自动驾驶的控制方法 |
CN114162146B (zh) * | 2022-02-09 | 2022-04-29 | 苏州浪潮智能科技有限公司 | 行驶策略模型训练方法以及自动驾驶的控制方法 |
CN115601393A (zh) * | 2022-09-29 | 2023-01-13 | 清华大学(Cn) | 轨迹生成方法、装置、设备和存储介质 |
CN115601393B (zh) * | 2022-09-29 | 2024-05-07 | 清华大学 | 轨迹生成方法、装置、设备和存储介质 |
CN117237575A (zh) * | 2023-11-10 | 2023-12-15 | 光轮智能(北京)科技有限公司 | 室内场景生成方法、控制装置及可读存储介质 |
CN117237575B (zh) * | 2023-11-10 | 2024-02-06 | 光轮智能(北京)科技有限公司 | 室内场景生成方法、控制装置及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021232229A1 (zh) | 2021-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113272838A (zh) | 虚拟场景生成方法、装置、计算机设备和存储介质 | |
CN113033030B (zh) | 一种基于真实道路场景的拥堵模拟方法及系统 | |
CN110364008B (zh) | 路况确定方法、装置、计算机设备和存储介质 | |
Jahangiri et al. | Red-light running violation prediction using observational and simulator data | |
Jia et al. | Long short‐term memory and convolutional neural network for abnormal driving behaviour recognition | |
CN112133089A (zh) | 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置 | |
WO2022078077A1 (zh) | 驾驶风险的预警方法、装置、计算设备及存储介质 | |
CN112307978A (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
EP4191464A1 (en) | Method for constructing simulation traffic flow and simulation device | |
CN113706220A (zh) | 用户画像确定、用户需求预测方法以及数据处理系统 | |
CN113383283B (zh) | 感知信息处理方法、装置、计算机设备和存储介质 | |
CN112233428A (zh) | 车流量预测方法、装置、存储介质及设备 | |
CN113867367B (zh) | 测试场景的处理方法、装置及计算机程序产品 | |
CN116135640A (zh) | 一种车辆防碰撞预警方法、系统及车辆 | |
Putatunda et al. | Travel time prediction in real time for GPS taxi data streams and its applications to travel safety | |
US20230177959A1 (en) | Vehicle accident prediction system, vehicle accident prediction method, vehicle accident prediction program, and learned model creation system | |
CN112164223B (zh) | 基于云平台的智能交通信息处理方法及装置 | |
Hu et al. | Detecting socially abnormal highway driving behaviors via recurrent graph attention networks | |
CN112849144A (zh) | 车辆控制方法、装置及存储介质 | |
CN116630978A (zh) | 长尾数据获取方法、装置、系统、设备和存储介质 | |
CN116563801A (zh) | 交通事故检测方法、装置、电子设备和介质 | |
CN115520216A (zh) | 行车状态判断方法、装置、计算机设备和存储介质 | |
CN115203823A (zh) | 模拟驾驶测试方法、装置、计算机设备和存储介质 | |
CN115270400A (zh) | 用于自动驾驶仿真的测试场景构建方法及可读存储介质 | |
CN112818847A (zh) | 车辆检测方法、装置、计算机设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210817 |