CN114356931A - 数据处理方法、装置、存储介质、处理器及电子装置 - Google Patents
数据处理方法、装置、存储介质、处理器及电子装置 Download PDFInfo
- Publication number
- CN114356931A CN114356931A CN202111679532.9A CN202111679532A CN114356931A CN 114356931 A CN114356931 A CN 114356931A CN 202111679532 A CN202111679532 A CN 202111679532A CN 114356931 A CN114356931 A CN 114356931A
- Authority
- CN
- China
- Prior art keywords
- data
- result
- point cloud
- verification
- frame
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种数据处理方法、装置、存储介质、处理器及电子装置。其中,该方法包括:基于采集的目标数据集构建场景数据库,其中,所述场景数据库以数据帧为最小存储管理单元;获取查询请求,并按照所述查询请求从所述场景数据库筛选得到查询结果,其中,所述查询请求中携带的信息包括:多维度特征条件;对所述查询结果进行数据校验,得到校验结果;对所述校验结果进行数据处理,得到目标处理结果。本发明解决了由于自动驾驶中点云场景数据库存储管理单元不合适、场景数据缺乏校验和精细处理造成目标检测准确性差、目标跟踪能力弱的技术问题。
Description
技术领域
本发明涉及自动驾驶领域,具体而言,涉及一种数据处理方法、装置、存储介质、处理器及电子装置。
背景技术
近年来自动驾驶技术发展迅速,产生了大量汽车行驶场景数据。由于驾驶场景的复杂性,采集的驾驶场景数据十分有必要按照场景条件管理和存储。另一方面,从技术的角度来说,场景数据库是智能网联汽车研发和测试的基础数据资源,是评估智能网联汽车功能安全的重要案例库,是重新定义智能网联汽车功能安全水平的关键数据基础。因此,构建合适的场景数据库并对场景数据进行合理的处理和利用对于自动驾驶领域有着重要意义。
目前,在场景数据的相关技术中形成了完善的数据采集规范、数据处理流程、特征提取方法、场景数据库结构规范、测试用例数据格式、驾驶场景虚拟仿真测试方法等基本理论体系。基于这些理论形成的特征场景数据挖掘方法一般包括:场景数据采集模块、场景数据库建立模块、特征场景查询模块、特征场景获取模块等。其中在建立场景数据库时对场景数据的分类以便后续查询、获取和处理数据,分类依据包括:自然条件(天气、光线等),道路类型(路面状态、车道线类型等),交通参与者(车辆、行人位置速度等),环境类型(高速、小区、商场、乡村等)等。可见,建立场景数据库的技术已经相对成熟,但由于现实驾驶场景十分复杂,技术需求多种多样,对场景数据库的建立仍有优化空间。相应地,对场景数据的管理、分析、校验和进一步处理方法需要不断完善。
因此,如何建立合适的场景数据库并对场景数据进行处理能够提高目标检测准确性和目标跟踪能力进而优化自动驾驶技术成为目前的关键问题。针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种数据处理方法、装置、存储介质、处理器及电子装置,以至少解决由于自动驾驶中点云场景数据库存储管理单元不合适、场景数据缺乏校验和精细处理造成目标检测准确性差、目标跟踪能力弱的技术问题。
根据本发明其中一实施例,提供了一种数据处理方法,其特征在于,包括:
基于采集的目标数据集构建场景数据库,其中,场景数据库以数据帧为最小存储管理单元;获取查询请求,并按照查询请求从场景数据库筛选得到查询结果,其中,查询请求中携带的信息包括:多维度特征条件;对查询结果进行数据校验,得到校验结果;对校验结果进行数据处理,得到目标处理结果。
可选地,基于目标数据集构建场景数据库包括:控制数据采集设备对目标行驶路段进行道路数据采集,生成第一数据集,控制数据采集设备对目标行驶路段进行环境数据采集,生成第二数据集,以及控制数据采集设备对目标行驶路段进行障碍数据和场景数据采集,生成第三数据集,其中,数据采集设备具备自动驾驶功能和雷达探测功能;对第一数据集和第二数据集进行数据解析,得到解析结果,并基于解析结果获取数据采集设备的运动状态信息,其中,解析结果包括:雷达点云数据、图像数据、定位数据、地图数据,运动状态信息包括:数据采集设备的运动轨迹、行驶速度、行驶加速度、朝向角;对第三数据集进行数据标注,得到目标行驶路段上障碍物的属性信息,其中,属性信息包括:障碍物的位置、外观、类别、运动状态;以数据帧为单位,对第一数据集、第二数据集、第三数据集、解析结果、运动状态信息以及属性信息进行关联存储,构建场景数据库。
可选地,按照查询请求从场景数据库筛选得到查询结果包括:对查询请求进行解析,得到多维度特征条件;从场景数据库筛选得到符合多维度特征条件的查询结果,其中,查询结果包括:多个点云帧对应的点云数据。
可选地,对查询结果进行数据校验,得到校验结果包括:对多个点云帧对应的点云数据进行多重数据校验,得到校验结果,其中,多重数据校验包括:单帧点云质量校验、数据大小校验、坐标系校验、时间校验。
可选地,对校验结果进行数据处理,得到目标处理结果包括:对校验结果进行单帧数据裁剪,得到裁剪结果,其中,单帧数据裁剪用于从校验结果中保留感兴趣的点云区域;对裁剪结果进行多帧数据融合,得到融合结果,其中,多帧数据融合用于将感兴趣的点云区域拼接至同一个坐标系下;对融合结果进行数据过滤,得到目标处理结果,其中,数据过滤用于筛选出感兴趣的点云区域内的障碍物类别。
可选地,对裁剪结果进行多帧数据融合,得到融合结果包括:当用于采集目标数据集的数据采集设备配置有多个子雷达时,将多个子雷达在当前时刻分别采集到的点云数据转换到同一个车身坐标系下,得到单帧点云数据;将多个子雷达在当前时刻的相邻时刻分别采集到的点云数据,先从相邻时刻的雷达坐标系转换到世界坐标系,再从世界坐标系转换到当前时刻的雷达坐标系,得到转换后点云数据;对单帧点云数据与转换后点云数据进行拼接融合,得到融合结果。
根据本发明其中一实施例,还提供了一种数据处理装置,包括:
场景数据库构建模块,用于基于采集的目标数据集构建场景数据库,其中,场景数据库以数据帧为最小存储管理单元;筛选模块,用于获取查询请求,并按照查询请求从场景数据库筛选得到查询结果,其中,查询请求中携带的信息包括:多维度特征条件;数据校验模块,用于对查询结果进行数据校验,得到校验结果;数据处理模块,用于对校验结果进行数据处理,得到目标处理结果。
可选地,场景数据库构建模块包括:采集单元,用于控制数据采集设备对目标行驶路段进行道路数据采集,生成第一数据集,控制数据采集设备对目标行驶路段进行环境数据采集,生成第二数据集,以及控制数据采集设备对目标行驶路段进行障碍数据和场景数据采集,生成第三数据集,其中,数据采集设备具备自动驾驶功能和雷达探测功能;数据解析单元,用于对第一数据集和第二数据集进行数据解析,得到解析结果,并基于解析结果获取数据采集设备的运动状态信息,其中,解析结果包括:雷达点云数据、图像数据、定位数据、地图数据,运动状态信息包括:数据采集设备的运动轨迹、行驶速度、行驶加速度、朝向角;标注单元,用于对第三数据集进行数据标注,得到目标行驶路段上障碍物的属性信息,其中,属性信息包括:障碍物的位置、外观、类别、运动状态;存储构建单元,用于以数据帧为单位,对第一数据集、第二数据集、第三数据集、解析结果、运动状态信息以及属性信息进行关联存储,构建场景数据库。
可选地,筛选模块,还用于:对查询请求进行解析,得到多维度特征条件;从场景数据库筛选得到符合多维度特征条件的查询结果,其中,查询结果包括:多个点云帧对应的点云数据。
可选地,校验模块,还用于:对多个点云帧对应的点云数据进行多重数据校验,得到校验结果,其中,多重数据校验包括:单帧点云质量校验、数据大小校验、坐标系校验、时间校验。
可选地,数据处理模块包括:剪裁单元,用于对校验结果进行单帧数据裁剪,得到裁剪结果,其中,单帧数据裁剪用于从校验结果中保留感兴趣的点云区域;融合单元,对裁剪结果进行多帧数据融合,得到融合结果,其中,多帧数据融合用于将感兴趣的点云区域拼接至同一个坐标系下;过滤单元,对融合结果进行数据过滤,得到目标处理结果,其中,数据过滤用于筛选出感兴趣的点云区域内的障碍物类别。
可选地,融合单元,还用于:当用于采集目标数据集的数据采集设备配置有多个子雷达时,将多个子雷达在当前时刻分别采集到的点云数据转换到同一个车身坐标系下,得到单帧点云数据;将多个子雷达在当前时刻的相邻时刻分别采集到的点云数据,先从相邻时刻的雷达坐标系转换到世界坐标系,再从世界坐标系转换到当前时刻的雷达坐标系,得到转换后点云数据;对单帧点云数据与转换后点云数据进行拼接融合,得到融合结果。
根据本发明其中一实施例,还提供了一种非易失性存储介质,其特征在于,存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行前述任一项中的数据处理方法。
根据本发明其中一实施例,还提供了一种处理器,其特征在于,处理器用于运行程序,其中,程序被设置为运行时执行前述任一项中的数据处理方法。
根据本发明其中一实施例,还提供了一种电子装置,包括存储器和处理器,其特征在于,存储器中存储有计算机程序,处理器被设置为运行计算机程序以执行前述任一项中的数据处理方法。
在本发明实施例中,采用基于采集的目标数据集构建以数据帧为最小存储管理单元的场景数据库,按照获取的查询请求从场景数据库筛选得到包含多维度特征条件的查询结果的方式,通过对查询结果进行数据校验得到校验结果,对校验结果进行数据处理得到目标处理结果,达到了构建合适的场景数据库便于对汽车行驶场景数据按照场景条件进行存储和管理,并通过对数据进行查询、校验和处理(包括剪裁、融合和过滤)实现提高数据分析能力以满足实际应用需求的目的,从而实现了提高自动驾驶目标检测精度和目标跟踪能力的技术效果,进而解决了由于自动驾驶中点云场景数据库存储管理单元不合适、场景数据缺乏校验和精细处理造成目标检测准确性差、目标跟踪能力弱的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明其中一实施例的数据处理方法的流程图;
图2是根据本发明其中一实施例的一种数据处理装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种数据处理方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
该方法实施例可以在车辆中包含存储器和处理器的电子装置或者类似的运算装置中执行。以运行在车辆的电子装置上为例,车辆的电子装置可以包括一个或多个处理器(处理器可以包括但不限于中央处理器(CPU)、图形处理器(GPU)、数字信号处理(DSP)芯片、微处理器(MCU)、可编程逻辑器件(FPGA)、神经网络处理器(NPU)、张量处理器(TPU)、人工智能(AI)类型处理器等的处理装置)和用于存储数据的存储器。和用于存储数据的存储器。可选地,上述汽车的电子装置还可以包括用于通信功能的传输设备、输入输出设备以及显示设备。本领域普通技术人员可以理解,上述结构描述仅为示意,其并不对上述车辆的电子装置的结构造成限定。例如,车辆的电子装置还可包括比上述结构描述更多或者更少的组件,或者具有与上述结构描述不同的配置。
存储器可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的信息处理方法对应的计算机程序,处理器通过运行存储在存储器内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的信息处理方法。存储器可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
显示设备可以例如触摸屏式的液晶显示器(LCD)和触摸显示器(也被称为“触摸屏”或“触摸显示屏”)。该液晶显示器可使得用户能够与移动终端的用户界面进行交互。在一些实施例中,上述移动终端具有图形用户界面(GUI),用户可以通过触摸触敏表面上的手指接触和/或手势来与GUI进行人机交互,此处的人机交互功能可选的包括如下交互:创建网页、绘图、文字处理、制作电子文档、游戏、视频会议、即时通信、收发电子邮件、通话界面、播放数字视频、播放数字音乐和/或网络浏览等、用于执行上述人机交互功能的可执行指令被配置/存储在一个或多个处理器可执行的计算机程序产品或可读存储介质中。
在本实施例中提供了一种运行于上述车辆的电子装置的数据处理方法,图1是根据本发明其中一实施例的数据处理方法的流程图,如图1所示,该方法包括如下步骤:
步骤S10,基于采集的目标数据集构建场景数据库,其中,场景数据库以数据帧为最小存储管理单元;
步骤S12,获取查询请求,并按照查询请求从场景数据库筛选得到查询结果,其中,查询请求中携带的信息包括:多维度特征条件;
步骤S14,对查询结果进行数据校验,得到校验结果;
步骤S16,对校验结果进行数据处理,得到目标处理结果。
在本发明实施例中,采用基于采集的目标数据集构建以数据帧为最小存储管理单元的场景数据库,按照获取的查询请求从场景数据库筛选得到包含多维度特征条件的查询结果的方式,通过对查询结果进行数据校验得到校验结果,对校验结果进行数据处理得到目标处理结果,达到了构建合适的场景数据库便于对汽车行驶场景数据按照场景条件进行存储和管理,并通过对数据进行查询、校验和处理(包括剪裁、融合和过滤)实现提高数据分析能力以满足实际应用需求的目的,从而实现了提高自动驾驶目标检测精度和目标跟踪能力的技术效果,进而解决了由于自动驾驶中点云场景数据库存储管理单元不合适、场景数据缺乏校验和精细处理造成目标检测准确性差、目标跟踪能力弱的技术问题。
可选地,在步骤S10中,基于目标数据集构建场景数据可以包括以下执行步骤:
步骤S101,控制数据采集设备对目标行驶路段进行道路数据采集,生成第一数据集,控制数据采集设备对目标行驶路段进行环境数据采集,生成第二数据集,以及控制数据采集设备对目标行驶路段进行障碍数据和场景数据采集,生成第三数据集,其中,数据采集设备具备自动驾驶功能和雷达探测功能;
步骤S102,对第一数据集和第二数据集进行数据解析,得到解析结果,并基于解析结果获取数据采集设备的运动状态信息,其中,解析结果包括:雷达点云数据、图像数据、定位数据、地图数据,运动状态信息包括:数据采集设备的运动轨迹、行驶速度、行驶加速度、朝向角;
步骤S103,对第三数据集进行数据标注,得到目标行驶路段上障碍物的属性信息,其中,属性信息包括:障碍物的位置、外观、类别、运动状态;
步骤S104,以数据帧为单位,对第一数据集、第二数据集、第三数据集、解析结果、运动状态信息以及属性信息进行关联存储,构建场景数据库。
上述控制数据采集设备可以为装配自动驾驶采集车辆或者使用搭载自动驾驶系统并安装雷达、摄像头、高精度定位设备等相关传感器的车辆,即该车辆具备自动驾驶功能和雷达探测功能。该车辆能够对目标行驶路段进行数据采集并筛选生成对应的数据集,包括:对道路数据采集生成第一数据集,对环境数据采集生成第二数据集,对障碍物数据和场景数据采集生成第三数据集。
上述数据解析过程的解析对象是:由目标行驶路段的道路数据生成的第一数据集和由目标行驶路段的环境数据生成的第二数据集。解析结果是目标行驶路段的主要信息,包括:雷达点云数据、图像数据、定位数据、地图数据。将解析结果进一步处理得到该车辆的运动状态信息,包括:数据采集设备的运动轨迹、行驶速度、行驶加速度、朝向角。
上述数据标注过程可以是人工标注或者半自动标注,其中,半自动标注可以是通过深度学习算法进行标注框预测,再进行人工二次校验的标注方法。该数据标注过程的结果是得到障碍物的属性信息,包括:障碍物的位置、外观、类别、运动状态。
上述关联存储的关联关系存在于上述操作得到的所有第一数据集、第二数据集、第三数据集、解析结果、运动状态信息以及属性信息之间,且存储单位为数据帧。通过该关联存储方法构建出场景数据库。
表1
表1是根据本发明其中一可选实施例的场景数据库属性条目和说明的示意图。如表1所示,使用MySQL软件(或其他软件)构建场景数据库,该场景数据库以数据帧为最小单元存储数据,数据库属性包括每帧数据的基本信息和上述操作得到的所有第一数据集、第二数据集、第三数据集、解析结果、运动状态信息以及属性信息。
具体地,数据库属性中每帧数据的基本信息包括:id(每帧数据唯一的编号,作为数据的主键,该编号一般是时间戳或包含时间戳的字符串)、date(数据采集日期,格式为YYYYMMDD)和vehicle(采集车辆)。
具体地,上述第一数据集可以是道路数据采集原始数据包,包括:各个传感器的原始数据、定位信息、控制器局域网络数据(例如,车辆控制信号和车身位姿信息等)、高精地图数据和传感器标定信息等。例如,数据库属性中的BagPath(原始数据包的路径,即第一数据集的路径)、Localization(定位信息路径)calib_dir(标定文件路径)、lidar_scheme(雷达配置)和HdmapMask(高精地图路径)等。
具体地,上述第二数据集可以是目标行驶路段的环境数据筛选生成的,包括:当时的天气、地面干湿情况、行驶路段等信息。例如,数据库属性中的map(地图名)、route(路线名)、weather(天气)和road_condition(路况,主要指地面干湿情况)等。
具体地,上述第三数据集可以是障碍物数据和场景数据筛选生成的,其中,障碍物数据包括:目标障碍物的类型、位置、相对速度、运动状态等;场景数据包括:获直行、拐弯、十字路口、掉头、匝道、隧道等。
具体地,上述解析结果可以是各激光雷达点云数据、各摄像头图像数据、定位数据、地图数据等主要信息。例如,数据库属性中的LidarMain(主雷达点云路径)、LidarTailLeft(后左雷达点云路径)、LidarTailRight(后右雷达点云路径)、LidarHeadMid(头中雷达点云路径)、MergePointCloudEgo(融合后点云路径)和Camera(各摄像头数据路径)等。
具体地,上述运动状态信息可以是自车运动轨迹、自车速度、自车加速度、朝向角等信息。例如,数据库属性中的Vehicle_status(自车运动轨迹、自车速度、自车加速度、朝向角等信息)。
具体地,上述数据标注得到的障碍物属性信息(表中未列出)包括:障碍物信息(方位、朝向、尺寸、形状等)、障碍物类别(大车、小车、行人、非机动车及其他不明障碍物等)、障碍物运动状态(运动方向、速度、加速度、角速度、轨迹等)。
由于上述场景数据库构建方法以数据帧为最小管理单元,每数据帧的场景信息加入所含障碍物的类型、运动状态、数量等,增加场景特征描述的维度,为数据筛选提供了更丰富的条件,进而便于后续数据的处理和应用。
可选地,在步骤S12中,按照查询请求从场景数据库筛选得到查询结果可以包括以下执行步骤:
步骤S121,对查询请求进行解析,得到多维度特征条件;
步骤S122,从场景数据库筛选得到符合多维度特征条件的查询结果,其中,查询结果包括:多个点云帧对应的点云数据。
上述查询请求可以为实际使用过程中对指定项数据的获取需求,例如,指定项数据可以为问题原因、数据类型、采集日期等。对该获取需求进行解析得到多维度特征条件。根据该多维度特征条件从场景数据库筛选得到符合条件的所有点云帧,该所有点云帧中每一帧点云对应的信息作为查询结果被导出。
在本发明的其中一可选实施例中,上述多维度特征条件的筛选项包括:
(1)自然场景特征,包括但不限于:天气(晴、雨、雾、雪、尘等)等;
(2)道路场景特征,包括但不限于:普通城市道路、十字路口、快速路、园区内部路、坡道、桥下、匝道、隧道、环岛、国道、省道、乡道等;
(3)行驶场景特征,包括但不限于:直行、左转、右转、掉头等;
(4)障碍物场景特征,包括但不限于:汽车、卡车、行人、自行车/电动车、公交车、拖车、工程车、警车、救护车、消防车、洒水车、可推拉物体、锥桶、动物、临时交通路障、婴儿推车、其他等类别;运动、停止、暂时停止等运动状态;
(5)自车驾驶状态特征,包括但不限于:急停、加速、转弯等;
(6)特殊问题场景特征,包括但不限于:某种障碍物漏检、静止障碍物出现速度等。
例如,实际应用过程中需要分析智能网联汽车“在雨天通过十字路口左转遇到洒水车时”的数据,就需要通过上述(1)自然场景特征从场景数据库中筛选得到“雨天”的全部点云帧数据集D1,然后对数据集D1进行上述(2)道路场景特征中“十字路口”的筛选得到点云帧数据集D2,再对数据集D2进行上述(3)行驶场景特征中“左转”的筛选得到点云帧数据集D3,接着对数据集D3进行上述(4)障碍物场景特征中“洒水车”的筛选得到点云帧数据集D4,最后将数据集D4作为查询结果导出。
通过上述多维度查询结果,可以在大量的场景数据中更精确地筛选出实际使用时需要获取的数据,便于更有针对性地完成数据的分析和处理。
可选地,在步骤S14中,对查询结果进行数据校验,得到校验结果可以包括以下执行步骤:
步骤S141,对多个点云帧对应的点云数据进行多重数据校验,得到校验结果,其中,多重数据校验包括:单帧点云质量校验、数据大小校验、坐标系校验、时间校验。
为保证查询所得点云数据的质量,进行上述多重数据校验,该多重数据校验过程可以通过包含多个校验单元的校验模块完成,包括:单帧点云质量校验、数据大小校验、坐标系校验、时间校验。多重校验通过的点云数据作为校验结果导出。
在本发明的其中一可选实施例中,对查询所得的点云数据进行四重数据校验,包括:
(1)单帧点云质量校验:对于查询所得多个点云的融合点云进行校验。具体方法为:由于点云属性包括点云三维坐标(x、y、z)、反射强度i、时间戳t和雷达编号sensor_id,获取某一个子雷达的点云数据,通过该子雷达的sensor_id可以校验其存储位置是否正确;获取各子雷达融合后的点云数据,通过各子雷达的sensor_id可以校验该帧融合后的点云数据是否存在丢失某个或某几个子雷达的情况。
(2)数据大小校验:对于查询结果的数据文件大小进行校验。具体方法为:由于三维点云数据文件的大小与该文件保存的点云数量成正相关,正常情况下,在保存的点云数量一定时,该数据文件大小会在一个确定的合理范围内波动,因此,根据该确定的合理范围对数据文件的大小进行校验可以确定该数据文件中是否存在点云异常保存情况。
(3)坐标系校验:对于查询所得点云所在的坐标系进行校验。具体方法为:在自动驾驶中,三维点云数据涉及的坐标系有雷达坐标系、自车坐标系和世界坐标系。通常雷达发送的三维点云数据默认在雷达坐标系下,但实际应用中系统会根据需要将三维点云数据在雷达坐标系、自车坐标系和世界坐标系三者中进行转换。因此,对三维点云数据的坐标信息进行校验可以确定某次取用的多个三维点云数据是否存在坐标系异常。
(4)时间校验:对于查询所得多个点云帧对应数据的时间戳进行校验。具体方法为:获取某个点云帧对应的各子雷达、图像、定位、标注结果等数据,通过判断该点云帧内的多个数据对应的时间戳是否相同或差值在一定阈值内可以校验该点云帧是否存在时间异常。
通过上述多重数据校验,可以提高查询结果中数据的质量,至少在单帧点云质量、数据大小、坐标系和时间方面保证了数据在一定程度内的高质量。
可选地,在步骤S16中,对校验结果进行数据处理,得到目标处理结果可以包括以下执行步骤:
步骤S161,对校验结果进行单帧数据裁剪,得到裁剪结果,其中,单帧数据裁剪用于从校验结果中保留感兴趣的点云区域;
步骤S162,对裁剪结果进行多帧数据融合,得到融合结果,其中,多帧数据融合用于将感兴趣的点云区域拼接至同一个坐标系下;
步骤S163,对融合结果进行数据过滤,得到目标处理结果,其中,数据过滤用于筛选出感兴趣的点云区域内的障碍物类别。
可选地,在步骤S162中,对裁剪结果进行多帧数据融合,得到融合结果可以包括以下执行步骤:
步骤S1621,当用于采集目标数据集的数据采集设备配置有多个子雷达时,将多个子雷达在当前时刻分别采集到的点云数据转换到同一个车身坐标系下,得到单帧点云数据;
步骤S1622,将多个子雷达在当前时刻的相邻时刻分别采集到的点云数据,先从相邻时刻的雷达坐标系转换到世界坐标系,再从世界坐标系转换到当前时刻的雷达坐标系,得到转换后点云数据;
步骤S1623,对单帧点云数据与转换后点云数据进行拼接融合,得到融合结果。
上述单帧数据裁剪可以对校验结果中每一帧点云数据进行裁剪,其结果是将校验结果中实际使用过程中感兴趣的点云区域保留下来。上述多帧数据融合可以包含两个步骤:将裁剪保留下来的点云区域拼接至同一个坐标系下生成融合后的完整点云;对于融合后的该完整点云可以根据需要融合相邻时间戳的另一完整点云,这一融合过程中需要将前述另一完整点云从对应时刻的雷达坐标系先转换到世界坐标系,再转换到该完整点云当前时刻的雷达坐标系,然后再将二者进行拼接融合。上述数据过滤主要针对障碍物类型场景的过滤,其结果是筛选出实际使用过程中感兴趣的点云区域内的障碍物类别,从而排除其他类别障碍物的干扰。
在本发明的其中一可选实施例中,对校验结果进行数据处理,包括:数据剪裁、数据融合和数据过滤。具体地,数据处理过程是这样实现的:
(1)对于校验结果中进行单帧三维点云数据的裁剪,剪裁方法包括但不限于:
a、水平剪裁:以自车为中心,根据点云到自车的距离将所有点云剪裁为三个点云区域,包括:近距点云(点云到自车距离小于30米)、中距点云(点云到自车距离在30米到50米之间)、中远距点云(点云到自车距离在50米到70米之间)和远距点云(点云到自车距离大于70米)。
b、高度剪裁:以自车为中心(Z轴坐标0点),根据点云高度坐标(z)进行裁剪。
特别地,对于融合点云,根据子雷达编号sensor_id筛选所需的子雷达,并根据实际需要对各子雷达分别作不同条件的裁剪。
例如,某一数据采集车辆配置有7个子雷达,编号为N1~N7,在实际使用中需要对子雷达N3和N4的点云数据进行剪裁,具体方式如下:
获取子雷达N3对应10个点云数据,编号为N3001~N3010,坐标信息为N3001(10,2),N3002(35,3),N3003(2,6),N3004(55,1),N3005(75,1),N3006(3,4),N3007(60,5),N3008(40,5),N3009(7,2),N3010(11,3)。其中坐标信息的格式为(在水平方向与自车中心距离坐标,Z方向高度坐标),单位为米。
获取子雷达N4对应10个点云数据,编号为N4001~N4010,坐标信息为N4001(35,1),N4002(5,1),N4003(75,2),N4004(10,2),N4005(40,3),N4006(55,6),N4007(6,7),N4008(45,5),N4009(7,4),N4010(60,3)。其中坐标信息的格式为(在水平方向与自车中心距离坐标,Z方向高度坐标),单位为米。
对以上点云数据进行水平剪裁,属于近距点云的有:N3001、N3003、N3006、N3009、N3010、N4002、N4004、N4007和N4009;属于中距点云的有:N3002、N3008、N4001、N4005和N4008;属于中远距点云的有:N3004、N3007、N4006和N4010;属于远距点云的有:N3005和N4003。
对以上点云数据进行高度剪裁,留下Z坐标不超过3的点云,剪裁结果为:N3001、N3002、N3004、N3005、N3009、N3010、N4001、N4002、N4003、N4004、N4005和N4010。
(2)对于剪裁结果进行多帧数据融合,例如:某一数据采集车辆配置有7个子雷达,分别在两个相邻的时刻t1和t2采集到的点云数据如下:
子雷达N1在自车坐标系下,t1时刻采集到点云数据Dt11,t2时刻采集到点云数据Dt21;
子雷达N2在雷达坐标系下,t1时刻采集到点云数据Dt12,t2时刻采集到点云数据Dt22;
子雷达N3在世界坐标系下,t1时刻采集到点云数据Dt13,t2时刻采集到点云数据Dt23;
子雷达N4在自车坐标系下,t1时刻采集到点云数据Dt14,t2时刻采集到点云数据Dt24;
子雷达N5在自车坐标系下,t1时刻采集到点云数据Dt15,t2时刻采集到点云数据Dt25;
子雷达N6在雷达坐标系下,t1时刻采集到点云数据Dt16,t2时刻采集到点云数据Dt26;
子雷达N7在世界坐标系下,t1时刻采集到点云数据Dt17,t2时刻采集到点云数据Dt27;
首先,将7个子雷达在t1时刻采集到的点云数据Dt11~Dt17转换到同一个车身坐标系下,并将它们融合成一个t1时刻的单帧完整点云Dt1r;同理,将7个子雷达在t2时刻采集到的点云数据Dt21~Dt27转换到同一个车身坐标系下,并将它们融合成一个得到t2时刻的单帧完整点云Dt2r。
其次,将t2时刻的单帧完整点云数据Dt2r从t2时刻的雷达坐标系转换到世界坐标系,再从世界坐标系转换到t1时刻的雷达坐标系,得到转换后的点云数据Dt2r’。
最后,将t1时刻的单帧完整点云数据Dt1r与转换后的t2时刻点云数据Dt2r’在t1时刻的雷达坐标系下进行拼接融合,得到融合结果Dt12r。
(3)对于处理后的三维点云数据进行过滤。
数据过滤主要是针对障碍物类型场景进行过滤。通常单帧数据对应的天气、道路、自车驾驶状态等场景条件是唯一的,但其对应的障碍物往往是多类别、多数量的。实际应用中需要某种或某几种特定类别的障碍物数据时,就需要对障碍物类型场景进行过滤,保留感兴趣的障碍物类别,从而排除其他类别障碍物的干扰,更好地进行目标检测及评估。
例如,实际应用中需验证目标检测模型在雨天的普通城市道路上对远距离小型障碍物的检测情况。据此,设定场景筛选条件:雨天&普通城市道路,通过对场景数据库的查询得到筛选结果;经过数据校验提高筛选结果的质量,得到校验结果;对校验结果中的数据帧进行上述数据裁剪、数据融合操作后,返回远距离的多帧融合点云;读取步骤S103中的数据标注结果,该标注结果包含障碍物属性信息,根据该障碍物属性信息对前述操作返回的远距离多帧融合点云进行障碍物过滤,保存包含自行车、摩托车等小型障碍物的数据帧,得到数据过滤结果;最后返回的过滤结果即“在雨天的普通城市道路上远距离点云中包含自行车、摩托车等小型障碍物的数据帧”。
在本实施例中还提供了一种数据处理装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图2是根据本发明其中一实施例的一种数据处理装置的结构框图,如图2所示,该装置包括:场景数据库构建模块21,用于基于采集的目标数据集构建场景数据库,其中,场景数据库以数据帧为最小存储管理单元;筛选模块22,用于获取查询请求,并按照查询请求从场景数据库筛选得到查询结果,其中,查询请求中携带的信息包括:多维度特征条件;数据校验模块23,用于对查询结果进行数据校验,得到校验结果;数据处理模块24,用于对校验结果进行数据处理,得到目标处理结果。
可选地,场景数据库构建模块21包括:采集单元211(图中未画出),用于控制数据采集设备对目标行驶路段进行道路数据采集,生成第一数据集,控制数据采集设备对目标行驶路段进行环境数据采集,生成第二数据集,以及控制数据采集设备对目标行驶路段进行障碍数据和场景数据采集,生成第三数据集,其中,数据采集设备具备自动驾驶功能和雷达探测功能;数据解析单元212(图中未画出),用于对第一数据集和第二数据集进行数据解析,得到解析结果,并基于解析结果获取数据采集设备的运动状态信息,其中,解析结果包括:雷达点云数据、图像数据、定位数据、地图数据,运动状态信息包括:数据采集设备的运动轨迹、行驶速度、行驶加速度、朝向角;标注单元213(图中未画出),用于对第三数据集进行数据标注,得到目标行驶路段上障碍物的属性信息,其中,属性信息包括:障碍物的位置、外观、类别、运动状态;存储构建单元214(图中未画出),用于以数据帧为单位,对第一数据集、第二数据集、第三数据集、解析结果、运动状态信息以及属性信息进行关联存储,构建场景数据库。
可选地,筛选模块22还用于:对查询请求进行解析,得到多维度特征条件;从场景数据库筛选得到符合多维度特征条件的查询结果,其中,查询结果包括:多个点云帧对应的点云数据。
可选地,校验模块23还用于:对多个点云帧对应的点云数据进行多重数据校验,得到校验结果,其中,多重数据校验包括:单帧点云质量校验、数据大小校验、坐标系校验、时间校验。
可选地,数据处理模块24包括:剪裁单元241(图中未画出),用于对校验结果进行单帧数据裁剪,得到裁剪结果,其中,单帧数据裁剪用于从校验结果中保留感兴趣的点云区域;融合单元242(图中未画出),对裁剪结果进行多帧数据融合,得到融合结果,其中,多帧数据融合用于将感兴趣的点云区域拼接至同一个坐标系下;过滤单元243(图中未画出),对融合结果进行数据过滤,得到目标处理结果,其中,数据过滤用于筛选出感兴趣的点云区域内的障碍物类别。
可选地,融合单元242(图中未画出)还用于:当用于采集目标数据集的数据采集设备配置有多个子雷达时,将多个子雷达在当前时刻分别采集到的点云数据转换到同一个车身坐标系下,得到单帧点云数据;将多个子雷达在当前时刻的相邻时刻分别采集到的点云数据,先从相邻时刻的雷达坐标系转换到世界坐标系,再从世界坐标系转换到当前时刻的雷达坐标系,得到转换后点云数据;对单帧点云数据与转换后点云数据进行拼接融合,得到融合结果。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种非易失性存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
步骤S1,基于采集的目标数据集构建场景数据库,其中,场景数据库以数据帧为最小存储管理单元;
步骤S2,获取查询请求,并按照查询请求从场景数据库筛选得到查询结果,其中,查询请求中携带的信息包括:多维度特征条件;
步骤S3,对查询结果进行数据校验,得到校验结果;
步骤S4,对校验结果进行数据处理,得到目标处理结果。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种处理器,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
步骤S1,基于采集的目标数据集构建场景数据库,其中,场景数据库以数据帧为最小存储管理单元;
步骤S2,获取查询请求,并按照查询请求从场景数据库筛选得到查询结果,其中,查询请求中携带的信息包括:多维度特征条件;
步骤S3,对查询结果进行数据校验,得到校验结果;
步骤S4,对校验结果进行数据处理,得到目标处理结果。
本发明的实施例还提供了一种电子装置,该电子装置包括存储器和处理器,存储器中存储有计算机程序,处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,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单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以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全部或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(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种数据处理方法,其特征在于,包括:
基于采集的目标数据集构建场景数据库,其中,所述场景数据库以数据帧为最小存储管理单元;
获取查询请求,并按照所述查询请求从所述场景数据库筛选得到查询结果,其中,所述查询请求中携带的信息包括:多维度特征条件;
对所述查询结果进行数据校验,得到校验结果;
对所述校验结果进行数据处理,得到目标处理结果。
2.根据权利要求1所述的数据处理方法,其特征在于,基于所述目标数据集构建所述场景数据库包括:
控制数据采集设备对目标行驶路段进行道路数据采集,生成第一数据集,控制所述数据采集设备对所述目标行驶路段进行环境数据采集,生成第二数据集,以及控制所述数据采集设备对所述目标行驶路段进行障碍数据和场景数据采集,生成第三数据集,其中,所述数据采集设备具备自动驾驶功能和雷达探测功能;
对所述第一数据集和所述第二数据集进行数据解析,得到解析结果,并基于解析结果获取所述数据采集设备的运动状态信息,其中,所述解析结果包括:雷达点云数据、图像数据、定位数据、地图数据,所述运动状态信息包括:所述数据采集设备的运动轨迹、行驶速度、行驶加速度、朝向角;
对所述第三数据集进行数据标注,得到所述目标行驶路段上障碍物的属性信息,其中,所述属性信息包括:所述障碍物的位置、外观、类别、运动状态;
以所述数据帧为单位,对所述第一数据集、所述第二数据集、所述第三数据集、所述解析结果、所述运动状态信息以及所述属性信息进行关联存储,构建所述场景数据库。
3.根据权利要求1所述的数据处理方法,其特征在于,按照所述查询请求从所述场景数据库筛选得到所述查询结果包括:
对所述查询请求进行解析,得到所述多维度特征条件;
从所述场景数据库筛选得到符合所述多维度特征条件的所述查询结果,其中,所述查询结果包括:多个点云帧对应的点云数据。
4.根据权利要求3所述的数据处理方法,其特征在于,对所述查询结果进行数据校验,得到所述校验结果包括:
对所述多个点云帧对应的点云数据进行多重数据校验,得到所述校验结果,其中,所述多重数据校验包括:单帧点云质量校验、数据大小校验、坐标系校验、时间校验。
5.根据权利要求1或4所述的数据处理方法,其特征在于,对所述校验结果进行数据处理,得到所述目标处理结果包括:
对所述校验结果进行单帧数据裁剪,得到裁剪结果,其中,所述单帧数据裁剪用于从所述校验结果中保留感兴趣的点云区域;
对所述裁剪结果进行多帧数据融合,得到融合结果,其中,所述多帧数据融合用于将所述感兴趣的点云区域拼接至同一个坐标系下;
对所述融合结果进行数据过滤,得到所述目标处理结果,其中,所述数据过滤用于筛选出所述感兴趣的点云区域内的障碍物类别。
6.根据权利要求5所述的数据处理方法,其特征在于,对所述裁剪结果进行多帧数据融合,得到所述融合结果包括:
当用于采集所述目标数据集的数据采集设备配置有多个子雷达时,将所述多个子雷达在当前时刻分别采集到的点云数据转换到同一个车身坐标系下,得到单帧点云数据;
将所述多个子雷达在所述当前时刻的相邻时刻分别采集到的点云数据,先从所述相邻时刻的雷达坐标系转换到世界坐标系,再从所述世界坐标系转换到所述当前时刻的雷达坐标系,得到转换后点云数据;
对所述单帧点云数据与所述转换后点云数据进行拼接融合,得到所述融合结果。
7.一种数据处理装置,其特征在于,包括:
场景数据库构建模块,用于基于采集的目标数据集构建场景数据库,其中,所述场景数据库以数据帧为最小存储管理单元;
筛选模块,用于获取查询请求,并按照所述查询请求从所述场景数据库筛选得到查询结果,其中,所述查询请求中携带的信息包括:多维度特征条件;
数据校验模块,用于对所述查询结果进行数据校验,得到校验结果;
数据处理模块,用于对所述校验结果进行数据处理,得到目标处理结果。
8.一种非易失性存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至6任一项中所述的数据处理方法。
9.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序被设置为运行时执行所述权利要求1至6任一项中所述的数据处理方法。
10.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6任一项中所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111679532.9A CN114356931A (zh) | 2021-12-31 | 2021-12-31 | 数据处理方法、装置、存储介质、处理器及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111679532.9A CN114356931A (zh) | 2021-12-31 | 2021-12-31 | 数据处理方法、装置、存储介质、处理器及电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114356931A true CN114356931A (zh) | 2022-04-15 |
Family
ID=81104789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111679532.9A Pending CN114356931A (zh) | 2021-12-31 | 2021-12-31 | 数据处理方法、装置、存储介质、处理器及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114356931A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117194414A (zh) * | 2023-08-02 | 2023-12-08 | 江苏优探智能科技有限公司 | 自动驾驶数据处理系统和自动驾驶数据处理方法 |
-
2021
- 2021-12-31 CN CN202111679532.9A patent/CN114356931A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117194414A (zh) * | 2023-08-02 | 2023-12-08 | 江苏优探智能科技有限公司 | 自动驾驶数据处理系统和自动驾驶数据处理方法 |
CN117194414B (zh) * | 2023-08-02 | 2024-05-14 | 江苏优探智能科技有限公司 | 自动驾驶数据处理系统和自动驾驶数据处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921200B (zh) | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 | |
CN112789619B (zh) | 一种仿真场景的构建方法、仿真方法以及设备 | |
CN110785719A (zh) | 在自动驾驶车辆中用于经由交叉时态验证的即时物体标记的方法和系统 | |
CN110869559A (zh) | 用于自动驾驶车辆中的集成的全局式与分布式学习的方法和系统 | |
CN110753953A (zh) | 用于自动驾驶车辆中经由交叉模态验证的以物体为中心的立体视觉的方法和系统 | |
CN110782120B (zh) | 一种交通流模型的评测方法、系统、设备及介质 | |
CN111179300A (zh) | 障碍物检测的方法、装置、系统、设备以及存储介质 | |
CN116685874A (zh) | 摄像机-激光雷达融合对象检测系统和方法 | |
US20240017747A1 (en) | Method and system for augmenting lidar data | |
CN113962141A (zh) | 一种目标检测模型自动化迭代方法、设备及存储介质 | |
US11875680B2 (en) | Systems and methods for augmenting perception data with supplemental information | |
US20220161830A1 (en) | Dynamic Scene Representation | |
CN115357006A (zh) | 基于数字孪生的智能网联汽车虚实测试方法、设备及介质 | |
CN113887376A (zh) | 目标检测方法、装置、介质及设备 | |
Bai et al. | A survey and framework of cooperative perception: From heterogeneous singleton to hierarchical cooperation | |
Shi et al. | An integrated traffic and vehicle co-simulation testing framework for connected and autonomous vehicles | |
CN114356931A (zh) | 数据处理方法、装置、存储介质、处理器及电子装置 | |
Liu et al. | A survey on autonomous driving datasets: Data statistic, annotation, and outlook | |
US20220172295A1 (en) | Systems, methods, and devices for aggregating and quantifying telematics data | |
He et al. | Vi-map: Infrastructure-assisted real-time hd mapping for autonomous driving | |
CN115311867B (zh) | 隧道场景的定位方法、装置、计算机设备、存储介质 | |
US20220172606A1 (en) | Systems and Methods for Extracting Data From Autonomous Vehicles | |
CN112698372A (zh) | 时空数据处理方法、装置、电子设备及存储介质 | |
CN112732446A (zh) | 一种任务处理方法、装置及存储介质 | |
Yazgan et al. | Collaborative perception datasets in autonomous driving: A survey |
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 |