CN113343461A - 自动驾驶车辆的仿真方法、装置、电子设备及存储介质 - Google Patents
自动驾驶车辆的仿真方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113343461A CN113343461A CN202110632631.5A CN202110632631A CN113343461A CN 113343461 A CN113343461 A CN 113343461A CN 202110632631 A CN202110632631 A CN 202110632631A CN 113343461 A CN113343461 A CN 113343461A
- Authority
- CN
- China
- Prior art keywords
- information
- scene
- vehicle
- scene information
- simulation
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000006399 behavior Effects 0.000 claims description 42
- 238000002372 labelling Methods 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种自动驾驶车辆的仿真方法、装置、电子设备及存储介质,其中,方法包括:采集道路环境信息、车辆状态信息和/或驾驶行为信息,并基于道路环境信息、车辆状态信息和/或驾驶行为信息生成场景信息;判断场景信息是否属于预设的场景数据库中的场景信息;若属于预设的场景数据库中的场景信息,则标注场景信息,并基于标注后的场景信息和预设的车辆动力学模型进行仿真,以得到车辆的仿真控制信号。由此,实现可扩展、批量化、自动化的自动驾驶场景数据库,提高自动驾驶车辆的稳定性。
Description
技术领域
本申请涉及车辆技术领域,特别涉及一种自动驾驶车辆的仿真方法、装置、电子设备及存储介质。
背景技术
近年来,自动驾驶技术呈现快速发展趋势,但自动驾驶系统目前仍存在较大不稳定性,需要通过海量的数据和驾驶场景库来构建虚拟场景,以进行全面严格的测试评价。
目前,数据采集和维护成本较高,自动驾驶场景库的搭建缺乏基础数据,多数自动驾驶厂商都在用虚拟测试技术的仿真平台对自动驾驶车辆进行专项测试、组合测试、随机测试等,仍然没有将场景库与自动驾驶开发、测试以及运营系统应用起来,从数据收集到仿真测试用例的自动化处理、驾驶场景库搭建能力任然不足,有待解决。
申请内容
本申请提供一种自动驾驶车辆的仿真方法、装置、电子设备及存储介质,实现可扩展、批量化、自动化的自动驾驶场景数据库,提高自动驾驶车辆的稳定性。
本申请第一方面实施例提供一种自动驾驶车辆的仿真方法,包括以下步骤:
采集道路环境信息、车辆状态信息和/或驾驶行为信息,并基于所述道路环境信息、所述车辆状态信息和/或所述驾驶行为信息生成场景信息;
判断所述场景信息是否属于预设的场景数据库中的场景信息;以及
若属于预设的场景数据库中的场景信息,则标注所述场景信息,并基于标注后的所述场景信息和预设的车辆动力学模型进行仿真,以得到车辆的仿真控制信号。
可选地,还包括:
若不属于预设的场景数据库中的场景信息,则基于所述场景信息构建新的场景数据库的同时,标注所述场景信息。
可选地,还包括:
根据所述车辆的仿真控制信号控制所述车辆运行,得到车辆的实际运行信息;
根据所述实际运行信息修正所述预设的车辆动力学模型。
可选地,所述基于所述道路环境信息、所述车辆状态信息和/或所述驾驶行为信息生成场景信息,包括:
对所述道路环境信息、所述车辆状态信息和/或所述驾驶行为信息进行分类得到分类结果;
分别从所述道路环境信息、所述车辆状态信息和/或所述驾驶行为信息中提取相应的特征数据;
根据所述分类结果和所述特征数据生成所述场景信息。
可选地,所述标注所述场景信息,包括:
通过识别算法构建伴随评价和修正网络对所述场景信息进行图像标注;
通过雷达和图像数据融合算法对图像标注后的场景信息进行融合标注。
本申请第二方面实施例提供一种自动驾驶车辆的仿真装置,包括:
生成模块,用于采集道路环境信息、车辆状态信息和/或驾驶行为信息,并基于所述道路环境信息、所述车辆状态信息和/或所述驾驶行为信息生成场景信息;
判断模块,用于判断所述场景信息是否属于预设的场景数据库中的场景信息;以及
仿真模块,用于若属于预设的场景数据库中的场景信息,则标注所述场景信息,并基于标注后的所述场景信息和预设的车辆动力学模型进行仿真,以得到车辆的仿真控制信号。
可选地,还包括:
构建模块,用于若不属于预设的场景数据库中的场景信息,则基于所述场景信息构建新的场景数据库的同时,标注所述场景信息。
可选地,还包括:
控制模块,用于根据所述车辆的仿真控制信号控制所述车辆运行,得到车辆的实际运行信息;
修正模块,用于根据所述实际运行信息修正所述预设的车辆动力学模型。
可选地,所述生成模块,包括:
分类单元,用于对所述道路环境信息、所述车辆状态信息和/或所述驾驶行为信息进行分类得到分类结果;
提取单元,用于分别从所述道路环境信息、所述车辆状态信息和/或所述驾驶行为信息中提取相应的特征数据;
生成单元,用于根据所述分类结果和所述特征数据生成所述场景信息。
可选地,所述仿真模块,包括:
第一标注单元,用于通过识别算法构建伴随评价和修正网络,并对所述场景信息进行图像标注;
第二标注单元,用于通过雷达和图像数据融合算法对图像标注后的场景信息进行融合标注。
本申请第三方面实施例提供一种电子设备,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,所述指令被设置为用于执行如上述实施例所述的自动驾驶车辆的仿真方法。
本申请第四方面实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上述实施例所述的自动驾驶车辆的仿真方法。
由此,可以采集道路环境信息、车辆状态信息和/或驾驶行为信息,并基于道路环境信息、车辆状态信息和/或驾驶行为信息生成场景信息,并在场景信息属于预设的场景数据库中的场景信息,则标注场景信息,并基于标注后的场景信息和预设的车辆动力学模型进行仿真,以得到车辆的仿真控制信号。由此,实现可扩展、批量化、自动化的自动驾驶场景数据库,提高自动驾驶车辆的稳定性。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请实施例提供的一种自动驾驶车辆的仿真方法的流程图;
图2为根据本申请一个实施例的自动驾驶场景库系统框架示意图;
图3为根据本申请一个实施例的自动驾驶车辆的仿真方法的流程图;
图4为根据本申请实施例的自动驾驶车辆的仿真装置的示例图;
图5为根据本申请实施例的电子设备的示例图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的自动驾驶车辆的仿真方法、装置、电子设备及存储介质。本申请提供了一种自动驾驶车辆的仿真方法,可以采集道路环境信息、车辆状态信息和/或驾驶行为信息,并基于道路环境信息、车辆状态信息和/或驾驶行为信息生成场景信息,并在场景信息属于预设的场景数据库中的场景信息,则标注场景信息,并基于标注后的场景信息和预设的车辆动力学模型进行仿真,以得到车辆的仿真控制信号。由此,实现可扩展、批量化、自动化的自动驾驶场景数据库,提高自动驾驶车辆的稳定性。
具体而言,图1为本申请实施例所提供的一种自动驾驶车辆的仿真方法的流程示意图。
如图1所示,该自动驾驶车辆的仿真方法包括以下步骤:
在步骤S101中,采集道路环境信息、车辆状态信息和/或驾驶行为信息,并基于道路环境信息、车辆状态信息和/或驾驶行为信息生成场景信息。
应当理解的是,自动驾驶车辆数据的采集主要分为三类,道路环境信息、车辆状态信息、驾驶行为信息。道路环境信息可以通过安装在车辆上的摄像头、雷达、GPS(GlobalPositioning System,全球定位系统)等传感器以及V2X(vehicle to X,车用无线通信技术)设备获取;车辆状态信息可以通过车内CAN(Controller Area Network,控制器局域网络)总线获取;驾驶行为信息是在有人驾驶时的车辆控制参数,以及通过车内摄像头监控驾驶员的行为状态,包括脸部的表情特征,还可以监控整个车内空间。
可选地,在一些实施例中,基于道路环境信息、车辆状态信息和/或驾驶行为信息生成场景信息,包括:对道路环境信息、车辆状态信息和/或驾驶行为信息进行分类得到分类结果;分别从道路环境信息、车辆状态信息和/或驾驶行为信息中提取相应的特征数据;根据分类结果和特征数据生成场景信息。
可以理解的是,本申请实施例可以在采集到道路环境信息、车辆状态信息和/或驾驶行为信息后,对道路环境信息、车辆状态信息和/或驾驶行为信息进行分类,预处理,特征数据提取,其中,例如,根据道路环境信息可以进行交通环境识别,根据驾驶行为信息进行驾驶行为分析,根据车辆状态进行信息结构化计算等。
需要说明的是,驾驶场景信息是智能网联汽车研发与测试的基础数据资源,是评价智能网联汽车功能安全的重要依据。驾驶场景测试用例主要通过虚拟仿真环境及工具链进行复现,建设场景信息库是连接场景信息与场景应用的关键桥梁。一般将自动驾驶场景分为三类:功能场景、逻辑场景、具体场景。功能场景主要分为:LDW(Lane DepartureWarning System,车道偏离预警系统)、LKA(Lane Keeping Assist,车道保持辅助)、FCW(Forward Collision Warning,前方碰撞预警系统)、ACC(Adaptive Cruise Control,自适应巡航控制)、AEB(Autonomous Emergency Braking,自动刹车辅助系统)、APA(AutoParking Assist,全自动泊车辅助系统)等,功能场景可以从几个维度进行展开:交通参与者、静态道路要素、天气要素。根据划分好的功能场景,通过对自然驾驶数据的统计分析,可以得到描述场景的相关参数分布,就得到了逻辑场景。对逻辑场景中的参数进行重新采样,确定相应场景关键参数的取值,生成具体场景。
在步骤S102中,判断场景信息是否属于预设的场景数据库中的场景信息。
可以理解的是,预设的场景数据库可以预先进行建立,场景数据库中的场景信息可以为高速公路场景信息、城市道路场景信息、停车场场景信息等,在此不做不做具体限定。
进一步地,在通过步骤S101生成场景信息后,本申请实施例可以将生成的场景信息与预设的场景数据库中的场景信息进行比对,从而判断场景信息是否属于预设的场景数据库中的场景信息。需要说明的是,比对的方式有很多种,例如,图像匹配、数据匹配等,为避免冗余,在此不做详细赘述。
在步骤S103中,若属于预设的场景数据库中的场景信息,则标注场景信息,并基于标注后的场景信息和预设的车辆动力学模型进行仿真,以得到车辆的仿真控制信号。
可以理解的是,自动驾驶领域常见的标注类型通常包括2D框、3D立方体、多边形、图像语义分割、视频标注、3D激光点云标注等。图像语义分割属于人工智能计算机视觉领域的一个重要分支,它结合了图像分类、目标检测和图像分割等技术,主要针对图像进行像素级的分类。语义分割的结果是将图像变成带有一定语义信息的色块。语义分割技术可以识别出每个色块的语义类别,并给每个像素都标注上其对应的标签,从而实现从底层到高层的语义推理过程,最终得到一张具有各个像素语义标注信息的分割图像。这些经过标注后的语义分割图像,可以用于自动驾驶核心算法训练。自动驾驶汽车在行驶的过程中,车载摄像头,或者激光雷达探查到图像后输入到神经网络中,后台经过训练的算法模型就可以自动将图像分割归类,以实现避让行人与车辆等障碍。
可选地,在一些实施例中,标注场景信息,包括:通过识别算法构建伴随评价和修正网络对场景信息进行图像标注;通过雷达和图像数据融合算法对图像标注后的场景信息进行融合标注。
也就是说,本申请实施例可以通过识别算法,构建伴随评价和修正网络,完成图像与标注;通过雷达和图像数据融合算法,实现点云图像联合标注;通过交互式图像分割算法,提高语义分割标注效率。
进一步地,仿真测试是自动驾驶开发中的重要环节,仿真测试是通过传感器仿真、车辆动力学仿真、高级图像处理、交通流仿真、数字仿真、道路建模等技术模拟路测环境,建立现实静态环境与动态交通场景的数学模型,让自动驾驶汽车与算法在虚拟交通场景中进行驾驶测试,以在短时间内实现实际开发中难以达到的测试里程。因此,本申请实施例可以基于标注后的场景信息和预设的车辆动力学模型进行仿真,以得到车辆的仿真控制信号
由此,通过数据采集接口采集自动驾驶和有人驾驶的真实场景数据采集,基于采集的数据进行场景挖掘、特征数据提取及对图像数据进行自动标注,通过车辆动力学模型与仿真数据的结合,生成自动驾驶控制算法,经过持续的算法优化比对,实现自动驾驶车辆控制决策能力的提升。
可选地,在一些实施例中,还包括:若不属于预设的场景数据库中的场景信息,则基于场景信息构建新的场景数据库的同时,标注场景信息。
也就是说,如果是场景库中没有的数据,则进构建的场景数据库,同时进行标注存储。其中,标注的方式与上述方式一致,为避免冗余,在此不做详细赘述。
可选地,在一些实施例中,还包括:根据车辆的仿真控制信号控制车辆运行,得到车辆的实际运行信息;根据实际运行信息修正预设的车辆动力学模型。
具体而言,本申请实施例可以将仿真结果与车辆实际运行状态进行对比分析,进行控制策略评价,根据评价结果,则进行状态标记,并进行持续的状态优化。
进一步地,为使得本领域技术人员进一步了解本申请实施例的自动驾驶车辆的仿真方法,下面结合图2和图3进行详细说明。
如图2所示,图2为本申请实施例的自动驾驶车辆的仿真方法涉及的自动驾驶场景库系统,该自动驾驶场景库系统主要包括:数据采集接口、数据处理模块、数据标注模块、场景数据库系统、仿真子系统组成。
其中,数据采集接口是指连接摄像头、雷达、GPS等传感器及V2X设备,实现车辆周边环境数据、车辆状态数据、驾驶行为数据等的接口;数据处理模块是指对数据进行分类、预处理、特征数据提取、数据存储等;数据标注模块是指通过识别算法,构建伴随评价和修正网络,完成图像与标注;通过雷达和图像数据融合算法,实现点云图像联合标注;通过交互式图像分割算法,提高语义分割标注效率等;场景数据库系统是指对场景类型、场景要素(对象、路况、环境、行为)、体系架构以及场景的测试评价数据进行存储和运用的子系统;仿真子系统是指通过导入相关场景和数据,结合车辆动力学模型生成自动驾驶控制策略、对比分析,进行控制算法优化的子系统。
如图3所示,该自动驾驶车辆的仿真方法,包括以下步骤:
S301,数据采集接口完成数据实时采集。
S302,数据处理模块进行分类、预处理、特征数据提取。
S303,判断是否属于现有场景库,如果是,执行步骤S306,否则,执行步骤S304。
S304,创建新的场景库。
S305,完成新场景库下的数据标注与存储。
S306,完成数据标注并存储。
S307,导入场景库,添加相应的环境参数,结合车辆动力学模型进行仿真。
S308,仿真结果返回到实际自动驾驶中。
S309,判断是否能在相应场景下较好的控制车辆,如果是,执行步骤S310,否则,执行步骤S301。
S310,状态标记并存储结果。
综上,本申请实施例可以通过数据采集接口的实时采集数据,并将数据传输给数据处理模块,通过数据处理模块对场景数据进行分析,进行场景判断,如果属于现有场景,将数据进行标注并添加到现有场景库中;如果是场景库中没有的数据,则进构建新场景,同时进行标注存储;根据场景分类,导入场景库、调用环境参数和交通参与者数据,结合车辆动力学模型,进行仿真;得到仿真测试结果,记录仿真数据,输出车辆控制信号;将仿真结果与车辆实际运行状态进行对比分析,进行控制策略评价,根据评价结果,则进行状态标记,并进行持续的状态优化。
根据本申请实施例提出的自动驾驶车辆的仿真方法,可以采集道路环境信息、车辆状态信息和/或驾驶行为信息,并基于道路环境信息、车辆状态信息和/或驾驶行为信息生成场景信息,并在场景信息属于预设的场景数据库中的场景信息,则标注场景信息,并基于标注后的场景信息和预设的车辆动力学模型进行仿真,以得到车辆的仿真控制信号。由此,实现可扩展、批量化、自动化的自动驾驶场景数据库,提高自动驾驶车辆的稳定性。
其次参照附图描述根据本申请实施例提出的自动驾驶车辆的仿真装置。
图4是本申请实施例的自动驾驶车辆的仿真装置的方框示意图。
如图4所示,该自动驾驶车辆的仿真装置10包括:生成模块100、判断模块200和仿真模块300。
其中,生成模块100用于采集道路环境信息、车辆状态信息和/或驾驶行为信息,并基于道路环境信息、车辆状态信息和/或驾驶行为信息生成场景信息;
判断模块200用于判断场景信息是否属于预设的场景数据库中的场景信息;以及
仿真模块300用于若属于预设的场景数据库中的场景信息,则标注场景信息,并基于标注后的场景信息和预设的车辆动力学模型进行仿真,以得到车辆的仿真控制信号。
可选地,还包括:
构建模块,用于若不属于预设的场景数据库中的场景信息,则基于场景信息构建新的场景数据库的同时,标注场景信息。
可选地,还包括:
控制模块,用于根据车辆的仿真控制信号控制车辆运行,得到车辆的实际运行信息;
修正模块,用于根据实际运行信息修正预设的车辆动力学模型。
可选地,生成模块100包括:
分类单元,用于对道路环境信息、车辆状态信息和/或驾驶行为信息进行分类得到分类结果;
提取单元,用于分别从道路环境信息、车辆状态信息和/或驾驶行为信息中提取相应的特征数据;
生成单元,用于根据分类结果和特征数据生成场景信息。
可选地,仿真模块300包括:
第一标注单元,用于通过识别算法构建伴随评价和修正网络,并对场景信息进行图像标注;
第二标注单元,用于通过雷达和图像数据融合算法对图像标注后的场景信息进行融合标注。
需要说明的是,前述对自动驾驶车辆的仿真方法实施例的解释说明也适用于该实施例的自动驾驶车辆的仿真装置,此处不再赘述。
根据本申请实施例提出的自动驾驶车辆的仿真装置,可以采集道路环境信息、车辆状态信息和/或驾驶行为信息,并基于道路环境信息、车辆状态信息和/或驾驶行为信息生成场景信息,并在场景信息属于预设的场景数据库中的场景信息,则标注场景信息,并基于标注后的场景信息和预设的车辆动力学模型进行仿真,以得到车辆的仿真控制信号。由此,实现可扩展、批量化、自动化的自动驾驶场景数据库,提高自动驾驶车辆的稳定性。
图5为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括:
存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序。
处理器502执行程序时实现上述实施例中提供的自动驾驶车辆的仿真方法。
进一步地,电子设备还包括:
通信接口503,用于存储器501和处理器502之间的通信。
存储器501,用于存放可在处理器502上运行的计算机程序。
存储器501可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器501、处理器502和通信接口503独立实现,则通信接口503、存储器501和处理器502可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。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5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。
可选的,在具体实现上,如果存储器501、处理器502及通信接口503,集成在一块芯片上实现,则存储器501、处理器502及通信接口503可以通过内部接口完成相互间的通信。
处理器502可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供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,该程序被处理器执行时实现如上的自动驾驶车辆的仿真方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或N个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种自动驾驶车辆的仿真方法,其特征在于,包括以下步骤:
采集道路环境信息、车辆状态信息和/或驾驶行为信息,并基于所述道路环境信息、所述车辆状态信息和/或所述驾驶行为信息生成场景信息;
判断所述场景信息是否属于预设的场景数据库中的场景信息;以及
若属于预设的场景数据库中的场景信息,则标注所述场景信息,并基于标注后的所述场景信息和预设的车辆动力学模型进行仿真,以得到车辆的仿真控制信号。
2.根据权利要求1所述的方法,其特征在于,还包括:
若不属于预设的场景数据库中的场景信息,则基于所述场景信息构建新的场景数据库的同时,标注所述场景信息。
3.根据权利要求1所述的方法,其特征在于,还包括:
根据所述车辆的仿真控制信号控制所述车辆运行,得到车辆的实际运行信息;
根据所述实际运行信息修正所述预设的车辆动力学模型。
4.根据权利要求1所述的方法,其特征在于,所述基于所述道路环境信息、所述车辆状态信息和/或所述驾驶行为信息生成场景信息,包括:
对所述道路环境信息、所述车辆状态信息和/或所述驾驶行为信息进行分类得到分类结果;
分别从所述道路环境信息、所述车辆状态信息和/或所述驾驶行为信息中提取相应的特征数据;
根据所述分类结果和所述特征数据生成所述场景信息。
5.根据权利要求1所述的方法,其特征在于,所述标注所述场景信息,包括:
通过识别算法构建伴随评价和修正网络对所述场景信息进行图像标注;
通过雷达和图像数据融合算法对图像标注后的场景信息进行融合标注。
6.一种自动驾驶车辆的仿真装置,其特征在于,包括:
生成模块,用于采集道路环境信息、车辆状态信息和/或驾驶行为信息,并基于所述道路环境信息、所述车辆状态信息和/或所述驾驶行为信息生成场景信息;
判断模块,用于判断所述场景信息是否属于预设的场景数据库中的场景信息;以及
仿真模块,用于若属于预设的场景数据库中的场景信息,则标注所述场景信息,并基于标注后的所述场景信息和预设的车辆动力学模型进行仿真,以得到车辆的仿真控制信号。
7.根据权利要求6所述的装置,其特征在于,还包括:
构建模块,用于若不属于预设的场景数据库中的场景信息,则基于所述场景信息构建新的场景数据库的同时,标注所述场景信息。
8.根据权利要求6所述的装置,其特征在于,还包括:
控制模块,用于根据所述车辆的仿真控制信号控制所述车辆运行,得到车辆的实际运行信息;
修正模块,用于根据所述实际运行信息修正所述预设的车辆动力学模型。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如权利要求1-5任一项所述的自动驾驶车辆的仿真方法。
10.一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,该程序被处理器执行,以用于实现如权利要求1-5任一项所述的自动驾驶车辆的仿真方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110632631.5A CN113343461A (zh) | 2021-06-07 | 2021-06-07 | 自动驾驶车辆的仿真方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110632631.5A CN113343461A (zh) | 2021-06-07 | 2021-06-07 | 自动驾驶车辆的仿真方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113343461A true CN113343461A (zh) | 2021-09-03 |
Family
ID=77474935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110632631.5A Pending CN113343461A (zh) | 2021-06-07 | 2021-06-07 | 自动驾驶车辆的仿真方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343461A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113859264A (zh) * | 2021-09-17 | 2021-12-31 | 阿波罗智联(北京)科技有限公司 | 车辆控制方法、装置、电子设备及存储介质 |
CN114030473A (zh) * | 2021-11-30 | 2022-02-11 | 广州文远知行科技有限公司 | 车辆自动驾驶行为评估方法、装置、设备及存储介质 |
CN114063475A (zh) * | 2021-12-17 | 2022-02-18 | 无锡来达科技有限公司 | 一种基于数据同步的自动驾驶的仿真测试系统 |
CN114079665A (zh) * | 2022-01-19 | 2022-02-22 | 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 |
CN114217539A (zh) * | 2021-10-29 | 2022-03-22 | 北京汽车研究总院有限公司 | 自动驾驶功能的仿真测试方法、装置、车辆及存储介质 |
CN114355793A (zh) * | 2021-12-24 | 2022-04-15 | 阿波罗智能技术(北京)有限公司 | 用于车辆仿真评测的自动驾驶规划模型的训练方法及装置 |
CN114398251A (zh) * | 2021-11-30 | 2022-04-26 | 际络科技(上海)有限公司 | 基于场景数据库的自动驾驶仿真测试方法和系统 |
CN115272994A (zh) * | 2021-09-29 | 2022-11-01 | 上海仙途智能科技有限公司 | 自动驾驶预测模型训练方法、装置、终端及介质 |
CN115402329A (zh) * | 2022-08-30 | 2022-11-29 | 重庆长安汽车股份有限公司 | 一种车辆耗能管理方法、装置、设备及介质 |
CN116244932A (zh) * | 2023-01-28 | 2023-06-09 | 芯华章科技(北京)有限公司 | 对车辆进行安全仿真的方法、电子设备及存储介质 |
CN117708099A (zh) * | 2024-02-05 | 2024-03-15 | 中国科学院自动化研究所 | 矿山自动驾驶感知能力测试场景库构建方法及测试方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446371A (zh) * | 2018-11-09 | 2019-03-08 | 苏州清研精准汽车科技有限公司 | 一种智能汽车仿真测试场景库生成方法及测试系统和方法 |
CN109657355A (zh) * | 2018-12-20 | 2019-04-19 | 安徽江淮汽车集团股份有限公司 | 一种车辆道路虚拟场景的仿真方法及系统 |
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 |
CN112560253A (zh) * | 2020-12-08 | 2021-03-26 | 中国第一汽车股份有限公司 | 驾驶场景的重构方法、装置、设备及存储介质 |
CN112835806A (zh) * | 2021-02-26 | 2021-05-25 | 一汽解放汽车有限公司 | 一种仿真测试平台、方法及存储介质 |
-
2021
- 2021-06-07 CN CN202110632631.5A patent/CN113343461A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446371A (zh) * | 2018-11-09 | 2019-03-08 | 苏州清研精准汽车科技有限公司 | 一种智能汽车仿真测试场景库生成方法及测试系统和方法 |
CN109657355A (zh) * | 2018-12-20 | 2019-04-19 | 安徽江淮汽车集团股份有限公司 | 一种车辆道路虚拟场景的仿真方法及系统 |
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 |
CN112560253A (zh) * | 2020-12-08 | 2021-03-26 | 中国第一汽车股份有限公司 | 驾驶场景的重构方法、装置、设备及存储介质 |
CN112835806A (zh) * | 2021-02-26 | 2021-05-25 | 一汽解放汽车有限公司 | 一种仿真测试平台、方法及存储介质 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113859264A (zh) * | 2021-09-17 | 2021-12-31 | 阿波罗智联(北京)科技有限公司 | 车辆控制方法、装置、电子设备及存储介质 |
CN113859264B (zh) * | 2021-09-17 | 2023-12-22 | 阿波罗智联(北京)科技有限公司 | 车辆控制方法、装置、电子设备及存储介质 |
CN115272994B (zh) * | 2021-09-29 | 2023-07-25 | 上海仙途智能科技有限公司 | 自动驾驶预测模型训练方法、装置、终端及介质 |
CN115272994A (zh) * | 2021-09-29 | 2022-11-01 | 上海仙途智能科技有限公司 | 自动驾驶预测模型训练方法、装置、终端及介质 |
CN114217539A (zh) * | 2021-10-29 | 2022-03-22 | 北京汽车研究总院有限公司 | 自动驾驶功能的仿真测试方法、装置、车辆及存储介质 |
CN114217539B (zh) * | 2021-10-29 | 2024-05-28 | 北京汽车研究总院有限公司 | 自动驾驶功能的仿真测试方法、装置、车辆及存储介质 |
CN114398251A (zh) * | 2021-11-30 | 2022-04-26 | 际络科技(上海)有限公司 | 基于场景数据库的自动驾驶仿真测试方法和系统 |
CN114030473B (zh) * | 2021-11-30 | 2023-01-31 | 广州文远知行科技有限公司 | 车辆自动驾驶行为评估方法、装置、设备及存储介质 |
CN114030473A (zh) * | 2021-11-30 | 2022-02-11 | 广州文远知行科技有限公司 | 车辆自动驾驶行为评估方法、装置、设备及存储介质 |
CN114063475A (zh) * | 2021-12-17 | 2022-02-18 | 无锡来达科技有限公司 | 一种基于数据同步的自动驾驶的仿真测试系统 |
CN114355793A (zh) * | 2021-12-24 | 2022-04-15 | 阿波罗智能技术(北京)有限公司 | 用于车辆仿真评测的自动驾驶规划模型的训练方法及装置 |
CN114355793B (zh) * | 2021-12-24 | 2023-12-29 | 阿波罗智能技术(北京)有限公司 | 用于车辆仿真评测的自动驾驶规划模型的训练方法及装置 |
CN114079665A (zh) * | 2022-01-19 | 2022-02-22 | 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 |
CN115402329A (zh) * | 2022-08-30 | 2022-11-29 | 重庆长安汽车股份有限公司 | 一种车辆耗能管理方法、装置、设备及介质 |
CN116244932A (zh) * | 2023-01-28 | 2023-06-09 | 芯华章科技(北京)有限公司 | 对车辆进行安全仿真的方法、电子设备及存储介质 |
CN117708099A (zh) * | 2024-02-05 | 2024-03-15 | 中国科学院自动化研究所 | 矿山自动驾驶感知能力测试场景库构建方法及测试方法 |
CN117708099B (zh) * | 2024-02-05 | 2024-05-24 | 中国科学院自动化研究所 | 矿山自动驾驶感知能力测试场景库构建方法及测试方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113343461A (zh) | 自动驾驶车辆的仿真方法、装置、电子设备及存储介质 | |
KR102702524B1 (ko) | 운전자 보조 시스템을 테스트하기 위한 방법 및 장치 | |
US20240017747A1 (en) | Method and system for augmenting lidar data | |
JP6700373B2 (ja) | ビデオ動画の人工知能のための学習対象イメージパッケージング装置及び方法 | |
WO2020007589A1 (en) | Training a deep convolutional neural network for individual routes | |
CN115830399B (zh) | 分类模型训练方法、装置、设备、存储介质和程序产品 | |
CN116580271A (zh) | 一种感知融合算法的测评方法、装置、设备及存储介质 | |
CN115291515A (zh) | 一种基于数字孪生的自动驾驶仿真测试系统及评价方法 | |
CN115451987A (zh) | 一种自动驾驶汽车的路径规划学习方法 | |
CN115165398A (zh) | 车辆的行驶功能测试方法、装置、计算设备及介质 | |
CN118038409A (zh) | 车辆可行驶区域检测方法、装置、电子设备及存储介质 | |
CN117744473A (zh) | 一种面向矿山自动驾驶的数据闭环方法与系统 | |
CN112509321A (zh) | 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质 | |
Li | A scenario-based development framework for autonomous driving | |
CN116776288A (zh) | 一种智能驾驶感知模型的优化方法、装置及存储介质 | |
CN116310748A (zh) | 一种自动驾驶场景恢复及自动驾驶原型测试方法和系统 | |
CN114693722B (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
Hamzah et al. | Parking Violation Detection on The Roadside of Toll Roads with Intelligent Transportation System Using Faster R-CNN Algorithm | |
CN115857685A (zh) | 一种感知算法数据闭环方法及相关装置 | |
US20240256419A1 (en) | Tools for performance testing autonomous vehicle planners | |
CN117612140B (zh) | 道路场景的识别方法、装置和存储介质及电子设备 | |
CN115542770B (zh) | 自动驾驶仿真平台的测试方法、装置、电子设备及介质 | |
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 | |
US20240248824A1 (en) | Tools for performance testing autonomous vehicle planners | |
門洋 | A proposal of a test system for automated driving system involving operational environment |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220216 Address after: 241009 South Road, Wuhu economic and Technological Development Zone, Anshan, Anhui Applicant after: Wuhu Sambalion auto technology Co.,Ltd. Address before: 241009 South Road, Wuhu economic and Technological Development Zone, Anshan, Anhui Applicant before: Wuhu Sambalion auto technology Co.,Ltd. Applicant before: CHERY AUTOMOBILE Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210903 |