CN113885496B - 智能驾驶仿真传感器模型及智能驾驶仿真方法 - Google Patents
智能驾驶仿真传感器模型及智能驾驶仿真方法 Download PDFInfo
- Publication number
- CN113885496B CN113885496B CN202111152339.XA CN202111152339A CN113885496B CN 113885496 B CN113885496 B CN 113885496B CN 202111152339 A CN202111152339 A CN 202111152339A CN 113885496 B CN113885496 B CN 113885496B
- Authority
- CN
- China
- Prior art keywords
- sensor
- intelligent driving
- sensor model
- model
- algorithm
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 75
- 238000001514 detection method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种智能驾驶仿真传感器模型及智能驾驶仿真方法,该模型包括:真值传感器模型和物理传感器模型;真值传感器模型用于验证规划控制算法,物理传感器模型用于验证感知、定位以及规划控制全流程算法;其中,物理传感器模型的工作参数和输出数据噪声特性与实车传感器的工作参数和输出数据噪声特性一致。本发明提供的智能驾驶仿真传感器模型及智能驾驶仿真方法,通过将仿真传感器模型划分为真值传感器模型和物理传感器模型,分别验证不同的智能驾驶算法,可满足用户不同的仿真需求,物理传感器模型基于实车传感器的相关数据构建得到,可有效提高仿真传感器模型的精度,进而提高了智能驾驶仿真精度。
Description
技术领域
本发明涉及智能驾驶技术领域,尤其涉及一种智能驾驶仿真传感器模型及智能驾驶仿真方法。
背景技术
随着智能驾驶技术的不断发展,智能驾驶的安全性得到越来越多的关注,智能驾驶仿真平台能够在仿真场景中利用仿真传感器模型检测的数据对智能驾驶相关的规划控制算法、感知算法进行验证,从而在很大程度上保证了智能驾驶的安全性。在智能驾驶仿真平台中,仿真传感器模型采集的数据会作为待验证算法的输入数据源,因此,仿真传感器模型的可靠性会直接影响整个仿真平台的仿真精度。
一方面,现有的仿真传感器模型由于结构和功能较为固定,对于用户来说,可选择性差,无法根据实际仿真需求选择相应的传感器架构;另一方面,仿真传感器模型的精度有待提高,难以满足实际仿真过程中高仿真精度的需求。
因此,现在亟需一种能满足用户不同仿真需求、精度更高的智能驾驶仿真传感器模型来解决上述问题。
发明内容
本发明提供一种智能驾驶仿真传感器模型及智能驾驶仿真方法,用以解决现有技术中仿真传感器模型难以满足用户不同的仿真需求以及精度低的缺陷。
第一方面,本发明提供一种智能驾驶仿真传感器模型,包括:真值传感器模型和物理传感器模型;所述真值传感器模型用于验证规划控制算法,所述物理传感器模型用于验证感知、定位以及规划控制全流程算法;
其中,所述物理传感器模型的工作参数和输出数据噪声特性与实车传感器的工作参数和输出数据噪声特性一致。
根据本发明提供的智能驾驶仿真传感器模型,所述物理传感器模型包括摄像头传感器、激光雷达传感器、毫米波雷达传感器、超声波雷达传感器、GNSS传感器以及IMU传感器;
所述摄像头传感器和所述激光雷达传感器的工作参数均与实车传感器的工作参数一致,所述毫米波雷达传感器、超声波雷达传感器、GNSS传感器以及IMU传感器的输出数据噪声特性均与实车传感器的输出数据噪声特性一致。
根据本发明提供的智能驾驶仿真传感器模型,所述实车传感器的工作参数包括:实车摄像头传感器的畸变和焦距以及实车激光雷达传感器的激光雷达线束和帧率;
所述实车传感器的输出数据噪声特性包括:毫米波数据、超声波数据、GNSS数据以及IMU数据的噪声特性。
根据本发明提供的智能驾驶仿真传感器模型,所述真值传感器模型包括车道线检测模块、障碍物检测模块、定位模块以及IMU模块。
第二方面,本发明还提供一种智能驾驶仿真方法,该方法包括:
确定待验证的智能驾驶算法;
根据所述待验证的智能驾驶算法,从智能驾驶仿真传感器模型中选定相应的传感器模型;其中,所述智能驾驶仿真传感器模型包括真值传感器模型和物理传感器模型,所述物理传感器模型的工作参数和输出数据噪声特性与实车传感器的工作参数和输出数据噪声特性一致;
根据选定的传感器模型采集的数据,对待验证的智能驾驶算法进行仿真验证。
根据本发明提供的智能驾驶仿真方法,所述待验证的智能驾驶算法为规划控制算法或感知、定位以及规划控制全流程算法;若所述待验证的智能驾驶算法为规划控制算法,则从所述智能驾驶仿真传感器模型中选定真值传感器模型;若所述待验证的智能驾驶算法为感知、定位以及规划控制全流程算法,则从所述智能驾驶仿真传感器模型中选定物理传感器模型。
根据本发明提供的智能驾驶仿真方法,所述物理传感器模型的构建过程包括:
获取实车传感器的工作参数;其中,所述实车传感器的工作参数包括摄像头畸变和焦距以及激光雷达线束和帧率;
根据所述实车传感器的工作参数,构建得到摄像头传感器和激光雷达传感器;
获取实车传感器的输出数据噪声特征;其中,所述实车传感器的输出数据噪声特性包括毫米波数据、超声波数据、GNSS数据以及IMU数据的噪声特性;
根据所述实车传感器的输出数据噪声特性,构建得到毫米波雷达传感器、超声波雷达传感器、GNSS传感器以及IMU传感器。
根据本发明提供的智能驾驶仿真方法,所述物理传感器模型的构建过程还包括:
定期获取实车传感器的工作参数和输出数据噪声特性,并根据定期获取的实车传感器的工作参数和输出数据噪声特性,对所述摄像头传感器、激光雷达传感器、毫米波雷达传感器、超声波雷达传感器、GNSS传感器以及IMU传感器进行更新。
第三方面,本发明还提供一种智能驾驶仿真平台,该平台使用上述任一种所述的智能驾驶仿真方法方法实现智能驾驶仿真功能。
第四方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述智能驾驶仿真方法方法的步骤。
本发明提供的智能驾驶仿真传感器模型及智能驾驶仿真方法,通过将仿真传感器模型划分为真值传感器模型和物理传感器模型,分别用于验证不同的智能驾驶算法,可以满足用户不同的仿真需求,同时,物理传感器模型是基于实车传感器的相关数据构建得到的,可以有效提高仿真传感器模型的精度,进而提高了智能驾驶仿真精度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的智能驾驶仿真传感器模型的结构架构示意图;
图2是本发明提供的物理传感器模型的结构示意图;
图3是本发明提供的真值传感器模型的结构示意图;
图4是本发明提供的智能驾驶仿真方法的实现流程示意图;
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1示出了本发明提供的智能驾驶仿真传感器模型,包括:真值传感器模型110和物理传感器模型120;真值传感器模型110用于验证规划控制算法,物理传感器模型120用于验证感知、定位以及规划控制全流程算法;
其中,物理传感器模型120的工作参数和输出数据噪声特性与实车传感器的工作参数和输出数据噪声特性一致。
具体地,参见附图2,本实施例中物理传感器模型120包括摄像头传感器210、激光雷达传感器220、毫米波雷达传感器230、超声波雷达传感器240、GNSS传感器250以及IMU传感器260;
其中,摄像头传感器210也称为视觉传感器,用于采集仿真场景中车辆周围的图像信息;激光雷达传感器220、毫米波雷达传感器230以及超声波雷达传感器240均用于检测仿真场景中仿真车辆周围的障碍物信息,确定仿真车辆与障碍物的距离;GNSS传感器250用于对仿真车辆进行定位;IMU传感器260以多轴方式组合精密陀螺仪、加速度计和磁力计等惯性测量元件,用于获取仿真车辆的速度、加速度、角度等信息。
需要说明的是,本实施例中提到的摄像头传感器210、激光雷达传感器220、毫米波雷达传感器230、超声波雷达传感器240、GNSS传感器250以及IMU传感器260,由于是应用于智能驾驶仿真环境中的,所以上述传感器均可以理解为实现相应传感器数据仿真采集功能的传感器模型,并非指代实际驾驶环境中的实体传感器。
更重要的是,本实施例中摄像头传感器210和激光雷达传感器220的工作参数均与实车传感器的工作参数一致,毫米波雷达传感器230、超声波雷达传感器240、GNSS传感器250以及IMU传感器260的输出数据噪声特性均与实车传感器的输出数据噪声特性一致。
需要说明的是,本实施例由实车智能驾驶计算单元按照一定的频率采集实车传感器数据并通过网络传输至仿真端或者人工将数据拷贝至仿真端,由仿真端对原始真实数据进行提取分析,得到实车上摄像头的畸变、焦距、激光雷达线束、帧率等实车传感器的工作参数,同时,还可以得到实车传感器输出的毫米波数据、超声波数据、GNSS数据与IMU数据的噪声特性。
在构建物理传感器模型时,摄像头传感器210和激光雷达传感器220的工作参数由上述获得的实车传感器的工作参数决定,毫米波雷达传感器230、超声波雷达传感器240、GNSS传感器250以及IMU传感器260输出数据的噪声特性与上述实车传感器对应的输出数据的噪声特性相匹配,从而构建得到与实车传感器工作参数一致、输出数据的噪声特性一致的物理传感器模型。
更优地,考虑到实际应用过程中,实车传感器的数据会随着采样时间的推移而发生变化,为此,本实施例中物理传感器模型在构建过程中,还可以定期获取实车传感器的工作参数和输出数据噪声特性,并根据定期获取的实车传感器的工作参数和输出数据噪声特性,对摄像头传感器、激光雷达传感器、毫米波雷达传感器、超声波雷达传感器、GNSS传感器以及IMU传感器进行不断的更新,以提高物理传感器模型的精度。
这样,用户可以根据实际工况设置采集间隔时间,定期采集实车传感器的数据,根据实车传感器的数据对物理传感器模型的相关参数进行调整,这样物理传感器模型的精度就能与实车传感器精度尽量保持一致,提升了整体仿真精度。
具体地,参见附图3,本实施例中真值传感器模型110包括车道线检测模块310、障碍物检测模块320、定位模块330以及IMU模块340。
其中,车道线检测模块310依据设置的传感器视场角输出传感器可感知范围内的车道线点坐标(A,B),进一步通过三次多项式拟合可以得到如下拟合方程:
B=C1A+C2A2+C3A3 (1)
其中,C1、C2、C3分别为一次项、二次项和三次项系数。
本实施例中车道线检测模块最多可以输出四条车道线,按从左到右依次排序,如若某条车道线缺失,该车道线所有系数为零,但输出顺序不变。
障碍物检测模块320依据设置的传感器视场角输出传感器可感知范围内障碍物的位置坐标(x,y,z)、状态量(Vx、Vy、θ、L、W、H)、障碍物ID、障碍物类型共11个变量,单个障碍物检测模块最多输出10个障碍物,按从近到远进行排序。
可以理解的是,Vx、Vy分别表示障碍物在x方向的速度分量和y方向的速度分量,θ表示航向角,L、W、H分别为障碍物的长度、宽度和高度,ID表示障碍物的编号。
定位模块330输出仿真车辆后轴中心点在仿真场景中的大地坐标系(X,Y,Z);
IMU模块340根据车辆动力学实时运行状态,输出仿真车辆的速度(VX,VY,VZ)、加速度(AX,AY,AZ)、欧拉角(R,P,Y’)、角速度(WX,WY,WZ)共12个车辆状态量。
可以理解的是,上述真值传感器模型和物理传感器模型的建模,可以基于dSPACE仿真软件实现,当然其他同类型的仿真软件也可以应用于本实施例中以实现仿真传感器模型的搭建功能。
由此可见,本实施例提供的智能驾驶仿真传感器模型中设置了真值传感器模型和物理传感器模型两部分,用户可以根据实际仿真需求选择相应的传感器进行算法验证仿真,增加了算法仿真的覆盖度,同时,由于物理传感器模型是基于实车传感器数据反馈搭建而成的,所以整个仿真传感器模型的仿真精度大大提高。
下面对本发明提供的智能驾驶仿真方法进行描述,下文描述的智能驾驶仿真方法基于上文描述的智能驾驶仿真传感器模型实现。
图4示出了本发明实施例提供的智能驾驶仿真方法,该方法包括:
S410:确定待验证的智能驾驶算法;
S420:根据待验证的智能驾驶算法,从智能驾驶仿真传感器模型中选定相应的传感器模型;其中,智能驾驶仿真传感器模型包括真值传感器模型和物理传感器模型,物理传感器模型的工作参数和输出数据噪声特性与实车传感器的工作参数和输出数据噪声特性一致;
S430:根据选定的传感器模型采集的数据,对待验证的智能驾驶算法进行仿真验证。
具体地,待验证的智能驾驶算法为规划控制算法或感知、定位以及规划控制全流程算法;若待验证的智能驾驶算法为规划控制算法,则从智能驾驶仿真传感器模型中选定真值传感器模型;若待验证的智能驾驶算法为感知、定位以及规划控制全流程算法,则从智能驾驶仿真传感器模型中选定物理传感器模型。
可以理解的是,对感知算法的验证,主要是验证障碍物识别是否准确,在规划控制算法的验证中,“规划”部分主要验证的是决策逻辑是否正确,“控制”部分主要验证的是仿真车辆运行是否能够跟上规划轨迹,上述验证过程均可以采用现有的智能驾驶算法仿真验证方法实现,在此不做过多赘述。
在本实施例中,真值传感器模型主要是将仿真场景中车辆周边的障碍物真实坐标、速度、大小等值直接输送给待验证的规划控制算法,而物理传感器模型则是将激光雷达、摄像头图像等数据输入感知算法,通过感知算法获得障碍物信息,并将障碍物信息进一步输入规划控制算法。
例如,智能驾驶车辆正前方2米处有一障碍物,真值传感器模型输出障碍物坐标为(2,0),而物理传感器模型输出激光雷达、摄像头图像经过感知算法得到障碍物坐标为(2±m,0±n),m、n均为一个很小的偏差值。
由此可见,真值传感器模型可以将仿真场景中没有误差的障碍物信息、车道线信息、定位信息、IMU信息输送给规划控制算法使用,由于其前期没有噪声特性,即真值传感器模型忽略了真实传感器中的噪声特性,因此,本实施例中真值传感器模型更适用于验证单独的规划控制算法。
具体地,本实施例中物理传感器模型的构建过程包括:
首先,获取实车传感器的工作参数;其中,实车传感器的工作参数包括摄像头畸变和焦距以及激光雷达线束和帧率;
然后,根据实车传感器的工作参数,构建得到摄像头传感器和激光雷达传感器;
接着,获取实车传感器的输出数据噪声特征;其中,实车传感器的输出数据噪声特性包括毫米波数据、超声波数据、GNSS数据以及IMU数据的噪声特性;
最后,根据实车传感器的输出数据噪声特性,构建得到毫米波雷达传感器、超声波雷达传感器、GNSS传感器以及IMU传感器。
不难发现,本实施例主要根据实车上的摄像头、激光雷达、毫米波雷达、超声波雷达等实车传感器在不同工况下采集的数据,通过现有的算法计算这些真实数据反应出的特性,比如根据实车上摄像头采集的图片数据可以将摄像头畸变、焦距计算出来,进而利用计算出的摄像头参数可以反馈仿真过程中摄像头传感器的相关参数设置,实车上激光雷达的线束、视场角、频率等信息同样可以利用上述方式获得,通过获得的数据可以指导物理传感器模型中激光雷达传感器的构建。
同时,本实施例还获取实车上的毫米波雷达、超声波雷达、IMU数据以及GNSS数据,通过计算这些真实采集数据的方差、标准差等噪声特性,可以利用获得的上述噪声特性反馈设计物理传感器模型中的毫米波雷达传感器、超声波雷达传感器、GNSS传感器以及IMU传感器。
更优地,考虑到实际应用过程中,实车传感器的数据会随着采样时间的推移而发生变化,为此,本实施例中物理传感器模型的构建过程还可以包括:
定期获取实车传感器的工作参数和输出数据噪声特性,并根据定期获取的实车传感器的工作参数和输出数据噪声特性,对摄像头传感器、激光雷达传感器、毫米波雷达传感器、超声波雷达传感器、GNSS传感器以及IMU传感器进行更新。
这样,用户可以根据实际工况设置采集间隔时间,定期采集实车传感器的数据,根据实车传感器的数据对物理传感器模型的相关参数进行调整,这样物理传感器模型的精度就能与实车传感器精度尽量保持一致,提升了整体仿真精度。
由此可见,本发明实施例提供的智能驾驶仿真方法,通过仿真传感器模型中的真值传感器模型和物理传感器模型,可以验证不同的智能驾驶算法,从而满足用户不同的仿真需求,同时,物理传感器模型是基于实车传感器的相关数据构建得到的,可以有效提高仿真传感器模型的精度,进而提高了整个智能驾驶仿真方法的仿真精度。
此外,本实施例还提供了使用上述智能驾驶仿真方法实现的智能驾驶仿真平台,该智能驾驶仿真平台可以基于上述智能驾驶仿真方法实现完整的智能驾驶仿真功能。
可以理解的是,构建一个完整的智能驾驶仿真平台,主要包括仿真场景和交通流的搭建、仿真传感器建模、数据传输交互以及车辆动力学建模等环节,最后与智能驾驶算法组合起来,可以实现完整的智能驾驶仿真。本实施例主要对仿真传感器建模环节进行改进,设置真值传感器模型和物理传感器模型两部分,通过改进的智能驾驶仿真传感器模型可以满足用户不同的仿真需求,同时,智能驾驶仿真模型中物理传感器模型基于实车传感器的相关数据构建而成,仿真精度得到有效的提高。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行智能驾驶仿真方法,该方法包括:确定待验证的智能驾驶算法;根据待验证的智能驾驶算法,从智能驾驶仿真传感器模型中选定相应的传感器模型;其中,智能驾驶仿真传感器模型包括真值传感器模型和物理传感器模型,物理传感器模型的工作参数和输出数据噪声特性与实车传感器的工作参数和输出数据噪声特性一致;根据选定的传感器模型采集的数据,对待验证的智能驾驶算法进行仿真验证。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的智能驾驶仿真方法,该方法包括:确定待验证的智能驾驶算法;根据待验证的智能驾驶算法,从智能驾驶仿真传感器模型中选定相应的传感器模型;其中,智能驾驶仿真传感器模型包括真值传感器模型和物理传感器模型,物理传感器模型的工作参数和输出数据噪声特性与实车传感器的工作参数和输出数据噪声特性一致;根据选定的传感器模型采集的数据,对待验证的智能驾驶算法进行仿真验证。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的智能驾驶仿真方法,该方法包括:确定待验证的智能驾驶算法;根据待验证的智能驾驶算法,从智能驾驶仿真传感器模型中选定相应的传感器模型;其中,智能驾驶仿真传感器模型包括真值传感器模型和物理传感器模型,物理传感器模型的工作参数和输出数据噪声特性与实车传感器的工作参数和输出数据噪声特性一致;根据选定的传感器模型采集的数据,对待验证的智能驾驶算法进行仿真验证。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种智能驾驶仿真系统,其特征在于,包括:真值传感器模型和物理传感器模型;所述真值传感器模型用于验证规划控制算法,所述物理传感器模型用于验证感知、定位以及规划控制全流程算法;
其中,所述物理传感器模型的工作参数和输出数据噪声特性与实车传感器的工作参数和输出数据噪声特性一致;
其中,真值传感器模型主要是将仿真场景中车辆周边的障碍物真实坐标、速度、大小直接输送给待验证的规划控制算法,而物理传感器模型则是将激光雷达、摄像头图像数据输入感知算法,通过感知算法获得障碍物信息,并将障碍物信息进一步输入规划控制算法;
其中,所述物理传感器模型包括摄像头传感器、激光雷达传感器、毫米波雷达传感器、超声波雷达传感器、GNSS传感器以及IMU传感器;
其中,定期获取实车传感器的工作参数和输出数据噪声特性,并根据定期获取的实车传感器的工作参数和输出数据噪声特性,对摄像头传感器、激光雷达传感器、毫米波雷达传感器、超声波雷达传感器、GNSS传感器以及IMU传感器进行不断的更新;
其中,所述真值传感器模型包括车道线检测模块、障碍物检测模块、定位模块以及IMU模块。
2.根据权利要求1所述的一种智能驾驶仿真系统,其特征在于,所述摄像头传感器和所述激光雷达传感器的工作参数均与实车传感器的工作参数一致,所述毫米波雷达传感器、超声波雷达传感器、GNSS传感器以及IMU传感器的输出数据噪声特性均与实车传感器的输出数据噪声特性一致。
3.根据权利要求2所述的一种智能驾驶仿真系统,其特征在于,所述实车传感器的工作参数包括:实车摄像头传感器的畸变和焦距以及实车激光雷达传感器的激光雷达线束和帧率;
所述实车传感器的输出数据噪声特性包括:毫米波数据、超声波数据、GNSS数据以及IMU数据的噪声特性。
4.一种智能驾驶仿真方法,其特征在于,包括:
确定待验证的智能驾驶算法;
根据所述待验证的智能驾驶算法,从智能驾驶仿真传感器模型中选定相应的传感器模型;其中,所述智能驾驶仿真传感器模型包括真值传感器模型和物理传感器模型,所述物理传感器模型的工作参数和输出数据噪声特性与实车传感器的工作参数和输出数据噪声特性一致;
根据选定的传感器模型采集的数据,对待验证的智能驾驶算法进行仿真验证;
其中,真值传感器模型主要是将仿真场景中车辆周边的障碍物真实坐标、速度、大小直接输送给待验证的规划控制算法,而物理传感器模型则是将激光雷达、摄像头图像数据输入感知算法,通过感知算法获得障碍物信息,并将障碍物信息进一步输入规划控制算法;
其中,所述物理传感器模型包括摄像头传感器、激光雷达传感器、毫米波雷达传感器、超声波雷达传感器、GNSS传感器以及IMU传感器;
其中,所述真值传感器模型包括车道线检测模块、障碍物检测模块、定位模块以及IMU模块;
其中,所述实车传感器的输出数据噪声特性包括毫米波数据、超声波数据、GNSS数据以及IMU数据的噪声特性;
所述物理传感器模型的构建过程还包括:定期获取实车传感器的工作参数和输出数据噪声特性,并根据定期获取的实车传感器的工作参数和输出数据噪声特性,对所述摄像头传感器、激光雷达传感器、毫米波雷达传感器、超声波雷达传感器、GNSS传感器以及IMU传感器进行更新。
5.根据权利要求4所述的一种智能驾驶仿真方法,其特征在于,所述待验证的智能驾驶算法为规划控制算法或感知、定位以及规划控制全流程算法;若所述待验证的智能驾驶算法为规划控制算法,则从所述智能驾驶仿真传感器模型中选定真值传感器模型;若所述待验证的智能驾驶算法为感知、定位以及规划控制全流程算法,则从所述智能驾驶仿真传感器模型中选定物理传感器模型。
6.根据权利要求4所述的一种智能驾驶仿真方法,其特征在于,所述物理传感器模型的构建过程包括:
获取实车传感器的工作参数;其中,所述实车传感器的工作参数包括摄像头畸变和焦距以及激光雷达线束和帧率;
根据所述实车传感器的工作参数,构建得到摄像头传感器和激光雷达传感器;
获取实车传感器的输出数据噪声特征;
根据所述实车传感器的输出数据噪声特性,构建得到毫米波雷达传感器、超声波雷达传感器、GNSS传感器以及IMU传感器。
7.一种智能驾驶仿真平台,其特征在于,所述智能驾驶仿真平台使用如权利要求4至6任一项所述的一种智能驾驶仿真方法。
8.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求4至6任一项所述智能驾驶仿真方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111152339.XA CN113885496B (zh) | 2021-09-29 | 2021-09-29 | 智能驾驶仿真传感器模型及智能驾驶仿真方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111152339.XA CN113885496B (zh) | 2021-09-29 | 2021-09-29 | 智能驾驶仿真传感器模型及智能驾驶仿真方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113885496A CN113885496A (zh) | 2022-01-04 |
CN113885496B true CN113885496B (zh) | 2023-07-21 |
Family
ID=79008144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111152339.XA Active CN113885496B (zh) | 2021-09-29 | 2021-09-29 | 智能驾驶仿真传感器模型及智能驾驶仿真方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113885496B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114077875B (zh) * | 2022-01-19 | 2022-05-20 | 浙江吉利控股集团有限公司 | 信息验证方法、装置、设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111811836A (zh) * | 2020-07-20 | 2020-10-23 | 重庆渝微电子技术研究院有限公司 | 一种高级智能辅助驾驶系统的检测系统及方法 |
CN112597005A (zh) * | 2020-12-14 | 2021-04-02 | 上海宏景智驾信息科技有限公司 | 一种自动驾驶全栈算法闭环仿真测试系统及方法 |
CN113032285B (zh) * | 2021-05-24 | 2021-08-13 | 湖北亿咖通科技有限公司 | 一种高精地图测试方法、装置、电子设备及存储介质 |
CN113033029A (zh) * | 2021-05-24 | 2021-06-25 | 湖北亿咖通科技有限公司 | 自动驾驶仿真方法、装置、电子设备及存储介质 |
-
2021
- 2021-09-29 CN CN202111152339.XA patent/CN113885496B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113885496A (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10976741B2 (en) | Safety and comfort constraints for navigation | |
CN106803271B (zh) | 一种视觉导航无人机的摄像机标定方法及装置 | |
CN111009153B (zh) | 一种轨迹预测模型的训练方法、装置和设备 | |
CN108139225B (zh) | 确定机动车的布局信息 | |
US11499834B2 (en) | Aligning road information for navigation | |
CN109196432A (zh) | 用于自动驾驶车辆的速度控制参数估计方法 | |
US20190049580A1 (en) | Perception device | |
CN107527382B (zh) | 数据处理方法以及装置 | |
CN117141520B (zh) | 一种实时轨迹规划方法、装置和设备 | |
KR20200095379A (ko) | 자체적으로 생성된 정보 및 다른 개체에 의해 생성된 정보를 선택적으로 사용하여 카메라의 오정렬을 보정하는 방법 및 이를 이용한 장치 | |
CN113885496B (zh) | 智能驾驶仿真传感器模型及智能驾驶仿真方法 | |
CN112256037A (zh) | 应用于自动驾驶的控制方法、装置、电子设备及介质 | |
EP3845981B1 (en) | Methods and processors for controlling steering of self-driving car | |
CN111192327B (zh) | 用于确定障碍物朝向的方法和装置 | |
CN113119999A (zh) | 自动驾驶特征的确定方法、装置、设备、介质及程序产品 | |
CN116958452A (zh) | 三维重建方法和系统 | |
CN116295508A (zh) | 一种基于高精地图的路侧传感器标定方法、设备和系统 | |
CN114608592A (zh) | 一种地图的众包方法、系统、设备和存储介质 | |
CN109901589B (zh) | 移动机器人控制方法和装置 | |
CN113469045A (zh) | 无人集卡的视觉定位方法、系统、电子设备和存储介质 | |
CN111857113A (zh) | 可移动设备的定位方法及定位装置 | |
CN114815894A (zh) | 一种路径优化方法、装置、电子设备、无人机及存储介质 | |
CN116150958A (zh) | 车辆测试场景获取方法、系统、电子设备、存储介质 | |
CN115690220A (zh) | 模拟场景的构建方法、计算机设备、存储介质和程序产品 | |
CN117657219A (zh) | 一种十字路口处的自动驾驶车辆控制方法及装置 |
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 |