CN114647954A - 仿真场景生成方法、装置、计算机设备及存储介质 - Google Patents
仿真场景生成方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114647954A CN114647954A CN202210379357.XA CN202210379357A CN114647954A CN 114647954 A CN114647954 A CN 114647954A CN 202210379357 A CN202210379357 A CN 202210379357A CN 114647954 A CN114647954 A CN 114647954A
- Authority
- CN
- China
- Prior art keywords
- drive test
- driving
- information
- time
- avoidance
- 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 114
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000012360 testing method Methods 0.000 claims abstract description 265
- 230000033001 locomotion Effects 0.000 claims abstract description 80
- 230000008569 process Effects 0.000 claims abstract description 54
- 239000012634 fragment Substances 0.000 claims abstract description 19
- 230000006399 behavior Effects 0.000 claims description 38
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 42
- 230000009471 action Effects 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 235000015243 ice cream Nutrition 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification 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
- 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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种仿真场景生成方法、装置、计算机设备及存储介质,该方法包括:获取事故路测数据,并从事故路测数据中分别提取车辆状态信息、地图信息和交通参与者的运动信息;根据车辆状态信息获取人工驾驶时刻;将路测车辆处于自动驾驶状态及目标行驶时段时所对应的车辆状态信息和地图信息作为第一行驶信息,以及将路测车辆处于人工驾驶状态时所对应的车辆状态信息和地图信息作为第二行驶信息;目标行驶时段的结束时刻为人工驾驶时刻;根据第一行驶信息、第二行驶信息和交通参与者的运动信息,判断在路测过程中是否发生避让事件;若是,则从事故路测数据中提取与避让事件相对应的数据片段,并基于数据片段生成避让仿真场景。
Description
技术领域
本申请涉及自动驾驶技术领域,尤其涉及一种仿真场景生成方法、装置、计算机设备及存储介质。
背景技术
在大规模应用自动驾驶算法之前,需要对自动驾驶算法进行测试,以确保算法能够安全地应对车辆在实际行驶过程中可能遇到的各种危险场景。当车辆在实际道路上行驶时,行驶环境复杂,车辆会面对一些容易与其他交通参与者发生碰撞的场景。为测试自动驾驶算法对于该场景的应对策略是否妥当,可利用仿真系统模拟避让仿真场景,并获取自动驾驶算法在该场景下对车辆的控制情况,以判断算法能否控制车辆避让该交通参与者,进而避免碰撞。
为提高避让仿真场景的真实性,可利用事故路测数据进行场景构建。然而,事故路测数据的数据量十分庞大,加之其中对于自动驾驶技术有价值的场景比例较小且类型零散,因此无法将完整的事故路测数据直接用于仿真。现有技术一般是通过安全员上报事故路测数据、人工审核分类、人工配置仿真时间和人工配置结果评价标准来生成避让仿真场景,各个环节均需人工参与,存在场景转化效率低的问题。随着路测规模的不断扩大,亟需提供一种能够高效生成避让仿真场景的方案。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一,特别是现有技术中场景转化效率低的技术缺陷。
第一方面,本申请实施例提供了一种仿真场景生成方法,所述方法包括:
获取事故路测数据,并从所述事故路测数据中分别提取车辆状态信息、地图信息和交通参与者的运动信息;
根据所述车辆状态信息获取人工驾驶时刻,所述人工驾驶时刻为路测车辆切换至人工驾驶状态的时刻;
将所述路测车辆处于自动驾驶状态及目标行驶时段时所对应的车辆状态信息和地图信息作为第一行驶信息,以及将所述路测车辆处于所述人工驾驶状态时所对应的车辆状态信息和地图信息作为第二行驶信息;所述目标行驶时段的结束时刻为所述人工驾驶时刻;
根据所述第一行驶信息、所述第二行驶信息和所述交通参与者的运动信息,判断在路测过程中是否发生避让事件;若是,则从所述事故路测数据中提取与所述避让事件相对应的数据片段,并基于所述数据片段生成避让仿真场景。
在其中一个实施例中,根据所述第一行驶信息、所述第二行驶信息和所述交通参与者的运动信息,判断在路测过程中是否发生避让事件的步骤,包括:
基于所述第一行驶信息获取所述路测车辆的预测行驶轨迹,以及基于所述交通参与者的运动信息获取交通参与者的预测运动轨迹;
判断所述交通参与者的预测运动轨迹与所述路测车辆的预测行驶轨迹是否相交,并得到相交判断结果;
基于所述相交判断结果及所述第二行驶信息,判断在路测过程中是否发生所述避让事件。
在其中一个实施例中,基于所述相交判断结果及所述第二行驶信息,判断在路测过程中是否发生所述避让事件的步骤,包括:
基于所述第二行驶信息,判断所述路测车辆处于所述人工驾驶状态时是否存在规避行为,并得到规避判断结果;其中,所述规避行为是能够增大所述路测车辆的行驶轨迹与所述交通参与者的预测运动轨迹之间的距离的行为,或者所述规避行为是能够延迟所述路测车辆的行驶轨迹与所述预测运动轨迹的相交时间的行为;
基于所述规避判断结果及所述相交判断结果,判断在路测过程中是否发生所述避让事件。
在其中一个实施例中,根据所述第一行驶信息、所述第二行驶信息和所述交通参与者的运动信息,判断在路测过程中是否发生避让事件的步骤,还包括:
根据所述第一行驶信息获取所述路测车辆处于所述自动驾驶状态下的第一行驶安全分数;
根据所述第二行驶信息获取所述路测车辆处于所述人工驾驶状态下的第二行驶安全分数,并比较所述第二行驶安全分数与所述第一行驶安全分数,以得到比较结果;
基于所述规避判断结果及所述相交判断结果,判断在路测过程中是否发生所述避让事件的步骤,包括:
基于所述规避判断结果、所述相交判断结果及所述比较结果,判断在路测过程中是否发生所述避让事件。
在其中一个实施例中,从所述事故路测数据中提取与所述避让事件相对应的数据片段,并根据所述数据片段生成避让仿真场景的步骤,包括:
以所述路测车辆的预测行驶轨迹与所述交通参与者的预测运动轨迹相交时所对应的时刻作为第一目标时刻;
根据所述第二行驶信息获取第二目标时刻,并基于所述第一目标时刻和所述第二目标时刻确定场景生成时段;所述第二目标时刻为所述路测车辆的行进方向与所述交通参与者的位置不相交时所对应的最早时刻;
从所述事故路测数据中提取所述场景生成时段所对应的数据片段,并根据所述数据片段生成避让仿真场景。
在其中一个实施例中,基于所述第一目标时刻和所述第二目标时刻确定场景生成时段的步骤,包括:
计算所述第一目标时刻与第一预设值之差,以得到起始时刻;
计算所述第二目标时刻与第二预设值之和,以得到结束时刻;
将所述起始时刻至所述结束时刻所对应的时段确定为所述场景生成时段。
在其中一个实施例中,所述仿真场景生成方法还包括:
将所述人工接管时刻至所述第二目标时刻所对应的时段作为仿真评价时段,并根据所述仿真评价时段配置所述避让仿真场景。
第二方面,本申请实施例提供了一种仿真场景生成装置,所述装置包括:
信息提取模块,用于获取事故路测数据,并从所述事故路测数据中分别提取车辆状态信息、地图信息和交通参与者的运动信息;
人工驾驶时刻获取模块,用于根据所述车辆状态信息获取人工驾驶时刻,所述人工驾驶时刻为路测车辆切换至人工驾驶状态的时刻;
行驶信息获取模块,用于将所述路测车辆处于自动驾驶状态及目标行驶时段时所对应的车辆状态信息和地图信息作为第一行驶信息,以及将所述路测车辆处于所述人工驾驶状态时所对应的车辆状态信息和地图信息作为第二行驶信息;所述目标行驶时段的结束时刻为所述人工驾驶时刻;
仿真场景生成模块,用于根据所述第一行驶信息、所述第二行驶信息和所述交通参与者的运动信息,判断在路测过程中是否发生避让事件;若是,则从所述事故路测数据中提取与所述避让事件相对应的数据片段,并基于所述数据片段生成避让仿真场景。
第三方面,本申请实施例提供了一种存储介质,该存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述任一实施例所述的仿真场景生成方法的步骤。
第四方面,本申请实施例提供了一种计算机设备,该计算机设备包括:一个或多个处理器,以及存储器;
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一个或多个处理器执行时,执行上述任一实施例所述的仿真场景生成方法的步骤。
本申请的仿真场景生成方法、装置、计算机设备及存储介质,可从事故路测数据中提取车辆状态信息、地图信息和交通参与者的运动信息,并根据车辆状态信息获取路测车辆切换至人工驾驶状态的时刻,即人工驾驶时刻。基于人工驾驶时刻,本申请可将路测车辆进入人工驾驶状态前所对应的车辆状态信息和地图信息作为第一行驶信息,将路测车辆进入人工驾驶状态后所对应的车辆状态信息和地图信息作为第二行驶信息,并根据第一行驶信息、第二行驶信息以及交通参与者的运动信息自动判断路测车辆在路测过程中是否发生避让事件。若是,则从事故路测数据中提取与避让事件相对应的数据片段,并据此生成避让仿真场景。
如此,可根据交通参与者的运动信息以及路测车辆进入人工驾驶状态前后所对应的行驶信息,实现避让事件的自动识别以及避让仿真场景的自动生成,从而可大幅度减少场景生成及配置过程中人力参与的程度,进而能提高场景转化效率。同时,使用稳定的自动化算法来构建避让仿真场景,可以保证合法场景的召回率不受人为因素的影响,减少漏判。
附图说明
为了更清楚地说明本申请实施例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,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为一实施例中仿真场景生成方法的流程示意图之一;
图2为一实施例中避让事件的示意图;
图3为一实施例中避让事件判断步骤的流程示意图之一;
图4为一实施例中避让事件判断步骤的流程示意图之二;
图5为一实施例中生成避让仿真场景步骤的流程示意图;
图6为一实施例中仿真场景生成方法的流程示意图之三;
图7为一实施例中仿真场景生成装置的结构示意图;
图8为一实施例中计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
为测试自动驾驶算法在面对一些容易与其他交通参与者发生碰撞的场景(即避让仿真场景)时的应对策略是否妥当,可利用仿真系统模拟避让仿真场景,并获取自动驾驶算法在该场景下对车辆的控制情况,以判断算法能否控制车辆避让该交通参与者,进而避免碰撞。受限于完整事故路测数据的数据量,一般而言,一个仿真场景会从完整的事故路测数据中截取关键时段进行仿真。仿真场景包括运行一次完整仿真所需要的全部数据,包括对应时段的事故路测数据、场景配置的起止时间及评价标准等数据。其中,评价标准用于在仿真过程中,验证车辆的行为是否满足或违反了某些规则,并输出数值化分数。
目前,现有技术在构建避让仿真场景时,一般是通过车上的安全员上报事故路测数据,并由工程师对事故路测数据进行分类和裁剪,以得到避让仿真场景。在这个过程中,需要耗费大量的人力,同时也与自动驾驶的目标——无人驾驶不吻合。而且,受安全员和工程师对于自动驾驶技术的理解影响,避让仿真场景的召回率非常不稳定。随着自动驾驶规模以及路测规模的不断扩大,日益增长的人力需求、人力成本和培训成本都成为了构建避让仿真场景的瓶颈,因此,亟需提供一种能够根据事故路测数据自动识别避让事件,并据此自动生成避让仿真场景的方案,以提高场景转化效率、降低仿真场景构建的成本以及保证合法场景的召回率不受人为因素的影响,减少漏判。
在一个实施例中,本申请实施例提供了一种仿真场景生成方法,该方法可以执行于计算机设备,如服务器。如图1所示,该方法包括如下步骤:
S100,获取事故路测数据,并从事故路测数据中分别提取车辆状态信息、地图信息和交通参与者的运动信息。
其中,事故路测数据是指路测时路测车辆所记录的全部数据,包括但不限于周边障碍物信息、红绿灯信息和路测车辆自身的状态信息等。
地图信息可以包括路测车辆的周边地图信息以及位于路测车辆周边的交通参与者的地图信息,用于分析路测车辆的行驶行为是否正确和合理。其中,交通参与者是指未在语义地图上保存的物体,包括但不限于行人、雪糕筒、除本车外的其他车辆和其他障碍物等。在一个示例中,地图信息可以包括车道位置、车道线类型、车道线位置以及用于对交通进行辅助管理的交通指示牌的内容、停止线的位置、交通信号灯的状态、施工雪糕筒的位置、警示牌的内容和位置等。
在其中一个实施例中,计算机设备可根据语义地图元素,对路测时段内路测车辆的周边进行扫描,以得到路测车辆的周边地图信息以及位于路测车辆周边的交通参与者的地图信息。例如,当路测车辆当前行驶于车道l时,计算机设备可尝试搜索并记录车道l的左右相邻车道ll和lr,以及记录左右车道线的车道线信息(如车道线的类型与长度),以便于后续根据车道线信息判断当前是否允许变道至左车道和/或右车道。计算机设备还可记录车道的来源车道集合{lf}和能够到达的车道{lt},以便于后续判断车道的汇合与分流。计算机设备还可对每一车道对应的指示牌的内容、交通信号灯的状态、经过的停止线的位置、雪糕筒的位置等进行记录。如此,通过对不同时间段下路测车辆以及不同交通参与者所在位置的车道信息进行记录,从而可获取地图信息。
车辆状态信息可以为用于反映路测车辆在各个时刻下的行驶状态的信息,包括但不限于各个时刻下路测车辆的车辆坐标位置、行驶安全分数、路测车辆当前所处的驾驶状态等信息。在其中一个实施例中,车辆状态信息可以包括异常状态信息,该异常状态信息可以是用于反映路测车辆是否发生驾驶异常的状态信息,以辅助对事故路测数据进行筛选和分类。进一步地,异常状态信息可以包括用于反映路测车辆处于人工驾驶状态的信息、用于反映路测车辆急刹的信息、用于反映路测车辆急打方向的信息、用于反映路测车辆内部发生系统错误的信息以及用于反映路测车辆内部存在高传输延迟的信息。
交通参与者的运动信息可以包括交通参与者的位置信息、姿态信息、速度信息、加速度信息和轨迹信息,用于对交通参与者的特点和行为目标进行分析,并据此为路测车辆设定合理的行动目标。在其中一个实施例中,为减少数据处理量以进一步提高场景转化效率,本申请可从事故路测数据中提取关键交通参与者的运动信息。其中,关键交通参与者是指在某一时刻距离路测车辆过近的交通参与者,和/或会与路测车辆在短时间内发生轨迹相交的交通参与者。
本申请实施例中,计算机设备可从完整的事故路测数据中提取地图信息、车辆状态信息和交通参与者的运动信息,并基于所提取的信息执行步骤S200、S300和S400。如此,可去除事故路测数据中多余的信息,将处理的数据量压缩事故路测数据的1/1000,进而可提高计算机设备的运行效率,降低资源占用,以进一步加快场景转换效率。
S200,根据车辆状态信息获取人工驾驶时刻,该人工驾驶时刻为路测车辆切换至人工驾驶状态的时刻。
在路测时,路测车辆可处于自动驾驶状态或者人工驾驶状态。当处于自动驾驶状态时,路测车辆可在自动驾驶算法的控制下行驶;当处于人工驾驶状态时,路测车辆可由安全员人工控制行驶。若路测车辆在路测过程中存在人工驾驶过程,则计算机设备可根据车辆状态信息获取路测车辆切换至人工驾驶状态的时刻,并以此作为人工驾驶时刻。也即,该人工驾驶时刻为路测车辆进入人工驾驶状态的时刻,在一个示例中,该人工驾驶时刻可以为安全员接管路测车辆的时刻。
S300,将路测车辆处于自动驾驶状态及目标行驶时段时所对应的车辆状态信息和地图信息作为第一行驶信息,以及将路测车辆处于人工驾驶状态时所对应的车辆状态信息和地图信息作为第二行驶信息;其中,该目标行驶时段的结束时刻为人工驾驶时刻。
换言之,若人工驾驶时刻为th,则目标行驶时段可以为[ta,th],其中,ta为先于th的某个时刻。可以理解,目标行驶时段的具体时长和/或起始时刻可以根据实际情况确定,本申请对此不作具体限制。
计算机设备可将同时满足以下两个条件的车辆状态信息和地图信息作为第一行驶信息:(1)路测车辆处于自动驾驶状态时所对应的车辆状态信息,以及路测车辆处于自动驾驶状态时所对应的地图信息;(2)路测车辆处于目标行驶时段[ta,th]时所对应的车辆状态信息,以及路测车辆处于目标行驶时段[ta,th]时所对应的地图信息。也即,第一行驶信息包括了路测车辆处于自动驾驶状态及目标行驶时段[ta,th]时所对应的车辆状态信息,以及路测车辆处于自动驾驶状态及目标行驶时段[ta,th]时所对应的地图信息。
计算机设备还可获取路测车辆处于人工驾驶状态时所对应的车辆状态信息和地图信息,并以此作为第二行驶信息。在其中一个实施例中,计算机设备可以以人工驾驶时刻作为人工驾驶时段的起始时刻,并将人工驾驶时段所对应的车辆状态信息和地图信息作为第二行驶信息。可以理解,该人工驾驶时段的具体时长可依据实际情况确定,例如可根据实际人工驾驶时长或者预设的时长阈值来确定,本申请对此不作具体限制。
S400,根据第一行驶信息、第二行驶信息和交通参与者的运动信息,判断在路测过程中是否发生避让事件;若是,则从所述事故路测数据中提取与所述避让事件相对应的数据片段,并基于所述数据片段生成避让仿真场景。
其中,避让事件是指调整路测车辆的行驶参数(如行驶方向、行驶轨迹和/或行驶速度),使得调整后路测车辆距离同一交通参与者更远,或者调整后路测车辆需要通过更长的时间方可到达同一交通参与者所在的位置的事件。在一个示例中,避让事件可如图2所示。
计算机设备在获取到路测车辆进入人工驾驶状态前的行驶信息(即第一行驶信息)、路测车辆进入人工驾驶状态后的行驶信息(即第二行驶信息)以及交通参与者的运动信息的情况下,可根据进入人工驾驶状态前后的行驶信息和交通参与者的运动信息,自动判断自动驾驶算法是否采取了一个令安全员不满意的行为,使得安全员为了提高行驶安全性而人工接管路测车辆,并控制路测车辆对危险物体进行避让,即自动判断路测车辆在路测过程中是否发生避让事件。若路测过程中发生了避让事件,则可从事故路测数据中提取与避让事件相对应的数据片段,并基于数据片段生成避让仿真场景。
在其中一个实施例中,从事故路测数据中提取与避让事件相对应的数据片段,并基于数据片段生成避让仿真场景的步骤,可以包括:提取与避让事件相对应的地图信息片段、车辆状态信息片段和交通参与者的运动信息片段,并根据前述三个信息片段生成避让仿真场景。地图信息、车辆状态信息和交通参与者的运动信息既保留了制作避让仿真场景所必须的数据,又压缩了数据量,因此,根据前述3个信息片段生成避让仿真场景可以更加快速地进行仿真测试,以提高测试效率。
本申请实施例中,可根据交通参与者的运动信息以及路测车辆进入人工驾驶状态前后所对应的行驶信息,实现避让事件的自动识别以及避让仿真场景的自动生成,从而可大幅度减少场景生成及配置过程中人力参与的程度,进而能提高场景转化效率。同时,使用稳定的自动化算法来构建避让仿真场景,可以保证合法场景的召回率不受人为因素的影响,减少漏判。
在一个实施例中,如图3所示,根据第一行驶信息、第二行驶信息和交通参与者的运动信息,判断在路测过程中是否发生避让事件的步骤,包括:
S410,基于第一行驶信息获取路测车辆的预测行驶轨迹,以及基于交通参与者的运动信息,获取交通参与者的预测运动轨迹。
由于第一行驶信息为路测车辆处于自动驾驶状态及目标行驶时段时所对应的车辆状态信息和地图信息,因此,计算机设备根据第一行驶信息所获取的路测车辆的预测行驶轨迹,可以是自动驾驶算法为路测车辆规划的,从当前时刻至未来某时刻的预期行驶轨迹。需要说明的是,该“未来某时刻”可以晚于人工驾驶时刻,换言之,路测车辆的预测行驶轨迹可以包括目标行驶时段所对应的预测行驶轨迹,以及人工驾驶时段所对应的预测行驶轨迹。
交通参与者的预测运动轨迹可以包括经推测得到的,交通参与者从当前时刻至未来某时刻的移动轨迹。前述“未来某时刻”可如上所述,此处不再赘述,交通参与者的预测运动轨迹可以包括目标行驶时段所对应的预测运动轨迹,以及人工驾驶时段所对应的预测运动轨迹。
具体而言,计算机设备可根据交通参与者的运动信息,得到交通参与者的预测运动轨迹。在其中一个实施例中,计算机设备可根据交通参与者的运动信息,获取交通参与者在每一时刻下的瞬间速度和加速度,并可根据连续多个时刻的瞬间速度和加速度预测交通参与者的运动轨迹。
当存在多个交通参与者时,计算机设备可获取每一交通参与者的预测运动轨迹。在其中一个实施例中,为降低计算机设备的数据处理量,以进一步提高场景转化效率,计算机设备可根据每个交通参与者与路测车辆之间的距离或者每个交通参与者的运动信息,从多个交通参与者中确定关键交通参与者,并获取每一关键交通参与者的预测运动轨迹。
S420,判断交通参与者的预测运动轨迹与路测车辆的预测行驶轨迹是否相交,并得到相交判断结果。
其中,本文所述的“相交”可以被理解为路测车辆与交通参与者之间的距离小于预设距离阈值,该预设距离阈值的具体数值可以依据实际情况确定,本申请对此不作具体限制。计算机设备可根据交通参与者的预测运动轨迹与路测车辆的预测行驶轨迹,判断受控于自动驾驶算法的路测车辆是否会在未来某个时刻与交通参与者位置重叠或距离过近。
S430,基于相交判断结果及第二行驶信息,判断在路测过程中是否发生避让事件。
在其中一个实施例中,计算机设备可根据第二行驶信息获取在路测车辆处于人工驾驶状态时,位于路测车辆行驶方向前方的障碍物的信息(下文简称为前方障碍物信息),并结合前方障碍物信息和相交判断结果,判断路测过程中是否发生避让事件。
本实施例中,通过对交通参与者的运动轨迹和路测车辆的行驶轨迹进行预测,从而可根据交通参与者的预测运动轨迹和路测车辆的预测行驶轨迹,判断交通参与者与路测车辆是否已经发生轨迹相交,或者是否在短时间内有可能发生轨迹相交。基于相交判断结果及第二行驶信息,判断在路测过程中是否发生避让事件,进而可提高避让事件的识别准确性。
在一个实施例中,如图4所示,基于所述相交判断结果及所述第二行驶信息,判断在路测过程中是否发生所述避让事件的步骤,包括:
S432,基于第二行驶信息,判断路测车辆处于人工驾驶状态时是否存在规避行为,并得到规避判断结果。
其中,规避行为是指能够增大交通参与者的预测运动轨迹与路测车辆的行驶轨迹之间的距离的行为,或者能够延迟交通参与者的预测运动轨迹与路测车辆的预测行驶轨迹的相交时间的行为。也即,相较于自动驾驶算法控制路测车辆行驶的情况,安全员在接管路测车辆后,通过采取特定的驾驶行为,增大了交通参与者的预测运动轨迹与路测车辆的行驶轨迹之间的距离,或延迟了交通参与者的预测运动轨迹与路测车辆的预测行驶轨迹的相交时间。
若路测车辆持续受控于自动驾驶算法,则路测车辆将会按照预测行驶轨迹继续行驶,因此可根据预测行驶轨迹估计受控于自动驾驶算法的路测车辆与交通参与者之间的相对位置关系或者相交时间。此时,路测车辆的预测行驶轨迹与交通参与者的预测运动轨迹之间的最小距离为第一距离,若路测车辆的预测行驶轨迹与交通参与者的预测运动轨迹相交,则相交时刻为第一时刻
在安全员接管路测车辆后,路测车辆将在安全员的控制下行驶。此时,路测车辆在人工驾驶状态下的实际行驶轨迹与交通参与者的预测运动轨迹之间的最小距离为第二距离。若该实际行驶轨迹与交通参与者的预测运动轨迹相交,则相交时刻为第二时刻。
规避行为是指能够使第二距离大于第一距离的行为,或能够使第二时刻晚于第一时刻的行为。在一个示例中,规避行为包括但不限于是刹车和向侧面避让。
S434,基于规避判断结果及相交判断结果,判断在路测过程中是否发生避让事件。
在其中一个实施例中,若路测车辆处于人工驾驶状态时存在规避行为,且交通参与者的预测运动轨迹与路测车辆的预测行驶轨迹相交,则可确定路测过程中发生避让事件。
本实施例中,通过判断路测车辆处于人工驾驶状态时是否存在规避行为,并根据规避判断结果和相交判断结果判断路测过程中是否发生避让事件,相较于根据前方障碍物信息来判断等方式,本实施例能减少处理的数据量,以进一步提高场景转换效率。
在一个实施例中,根据第一行驶信息、第二行驶信息和交通参与者的运动信息,判断在路测过程中是否发生避让事件的步骤,还包括:根据第一行驶信息获取路测车辆处于自动驾驶状态下的第一行驶安全分数;根据第二行驶信息获取路测车辆处于人工驾驶状态下的第二行驶安全分数,并比较第二行驶安全分数与第一行驶安全分数,以得到比较结果。
基于规避判断结果及相交判断结果,判断在路测过程中是否发生避让事件的步骤,包括:基于规避判断结果、相交判断结果及比较结果,判断在路测过程中是否发生避让事件。
其中,行驶安全分数可用于反映路测车辆在道路上行驶时的危险程度,行驶安全分数越低,则碰撞概率越大。在其中一个实施例中,可采用人工标标注的危险场景数据对深度学习模型进行训练,以使训练后的深度学习模型可以综合交通参与者的位置、速度方向以及所在车道走向,预测路测车辆与交通参与者的碰撞概率,并根据该碰撞概率对不同时刻进行评分,以输出不同时刻所对应的行驶安全分数。
计算机设备可根据规避判断结果、相交判断结果以及人工接管前后的行驶安全分数的比较结果,综合判断路测车辆在路测过程中是否发生避让事件。在其中一个实施例中,计算机设备可根据第一行驶信息、第二行驶信息和交通参与者的运动信息判断下述各条件是否满足:
(1)路测车辆被安全员接管(即路测车辆从自动驾驶状态切换为人工驾驶状态),若安全员接管路测车辆,则表明自动驾驶算法采取了一个令安全员不满意的、危险的驾驶行为,或者路测车辆面对的场景有很多不确定性;
(2)在安全员接管前,路测车辆的预测行驶轨迹与至少一交通参与者的预测运动轨迹相交,至少一交通参与者位于路测车辆的预测行驶轨迹上。若按原本规划的预测行驶轨迹行驶,将会在短时间内出现危险情况;
(3)安全员在接管后完成了至少一次紧急的规避行为,前述规避行为包括但不限于刹车和向侧面避让,使得安全员接管后自动驾驶车辆的实际行驶轨迹相比接管前距离交通参与者更远或与交通参与者在更晚的时刻相交,或者安全员接管后自动驾驶车辆的速度方向延长线相比接管前距离交通参与者更远或在更晚的时刻才会相交;
(4)安全员接管前的行驶安全分数(即第一行驶安全分数)低于安全员接管后的行驶安全分数(即第二行驶安全分数)。
若上述4个条件均满足,则可确定路测过程中发生避让事件,即路测过程中发生避让突然出现的危险车辆并处理不够充分的类型事故。
本实施例中,通过对人工接管前后的行驶分数进行比较,从而可通过该比较结果确定安全员驾驶行为的合理性,以提高避让事件的识别准确性。
在一个实施例中,如图5所示,从事故路测数据中提取与避让事件相对应的数据片段,并根据数据片段生成避让仿真场景的步骤,包括:
S440,以路测车辆的预测行驶轨迹与交通参与者的预测运动轨迹相交时所对应的时刻作为第一目标时刻;
S450,根据第二行驶信息获取第二目标时刻,并基于第一目标时刻和第二目标时刻确定场景生成时段;第二目标时刻为路测车辆的行进方向与交通参与者的位置不相交时所对应的最早时刻;
S460,从事故路测数据中提取场景生成时段所对应的数据片段,并根据数据片段生成避让仿真场景。
计算机设备可对关键时刻进行标注,并根据所标注的关键时刻得到场景生成时段,以基于场景生成时段和事故路测数据生成避让仿真场景。具体而言,计算机设备以路测车辆的预测行驶轨迹与交通参与者的预测运动轨迹相交时所对应的时刻作为第一目标时刻,并可根据路测车辆的行进方向与交通参与者的位置判断路测车辆的轨迹是否避开了交通参与者。在路测车辆的行进方向与交通参与者的位置不相交时,可以确定路测车辆的轨迹已经避开了交通参与者,故将该时刻标注为第二目标时刻。需要说明的是,由于第二行驶信息包括路测车辆处于人工驾驶状态时所对应的车辆状态信息和地图信息,因此,第二目标时刻为路测车辆处于人工驾驶状态时,其行进方向与交通参与者的位置不相交时所对应的最早时刻。例如,在图2的示例中,人工驾驶时刻为路测车辆行驶至位置L1时对应的时刻,第二目标时刻可以是路测车辆行驶至位置L2时对应的时刻。
在得到第一目标时刻和第二目标时刻后,计算机设备可根据第一目标时刻和第二目标时刻确定场景生成时段,并从事故路测数据中提取场景生成时段所对应的数据片段,以根据数据片段生成避让仿真场景。如此,可确保数据片段涵盖了避让事件的整个发生时段,在通过避让仿真场景进行测试时,可对自动驾驶算法进行全面而准确的测试。同时,利用标准化的算法以及场景制作流程可以生成标准化的场景,可以使自动驾驶算法获得更加准确、稳定的评判标准。
在一个实施例中,基于第一目标时刻和第二目标时刻确定场景生成时段的步骤,包括:计算第一目标时刻与第一预设值之差,以得到起始时刻;计算第二目标时刻与第二预设值之和,以得到结束时刻;将起始时刻至结束时刻所对应的时段确定为场景生成时段。
其中,第一预设值的具体数值均可依据实际情况确定,以根据场景特点将场景生成时段的起始时刻调整至路测车辆平稳运行的早于该第一目标时刻的最晚时间点。第二预设值的具体数值均可依据实际情况确定,以确定一适合的解除危险并恢复正常行驶所需的时间。本实施例中,场景生成时段的起始时刻先于第一目标时刻,场景生成时段的结束时刻晚于第二目标时刻,以便于在仿真测试时,为待测自动驾驶算法留出调整时间,使其在第一目标时刻之前先调整至平稳运行状态,以提高测试结果的准确性。
在一个示例中,计算机设备可记录交通参与者出现在路测车辆的预测行驶轨迹上的时刻T0(即第一目标时刻),安全员接管路测车辆的时刻T1(即人工接管时刻),以及安全员采取行动并使路测车辆的轨迹避开该交通参与者的时刻T2(即第二目标时刻)。上述关键时刻均可在计算机设备判断路测过程中是否发生避让事件的过程中得到。在本示例中,第一预设值为2s,第二预设值为4s,因此,场景生成时段的起始时刻Ts可以为(T0-2s),场景生成时段的结束时刻Te可以为(T2+4s)。
在一个实施例中,仿真场景生成方法还包括配置主车行为指示,以确保避让事件能够重现。为了保证受控于自动驾驶算法的车辆的驾驶路线与路测车辆在避让事件发生前的驾驶路线一致,在仿真测试时,可将车辆在关键交通参与者出现前的行驶方向通过远程控制指令进行锁定。
在一个实施例中,仿真场景生成方法还包括:将人工接管时刻至第二目标时刻所对应的时段作为仿真评价时段,并根据仿真评价时段配置避让仿真场景。该仿真评价时段用于测试自动驾驶算法对于关键交通参与者的避让反应时间是否少于人工反应时间。
在其中一个实施例中,计算机设备还可标注期望驾驶行为,以利用该期望驾驶行为配置合适的评价指标。具体而言,计算机设备可按照关键交通参与者的出现时间,将车辆驾驶行为分为两个子行为。其中一个子行为是关键交通参与者出现前的驾驶行为,另一个子行为是关键交通参与者出现后的驾驶行为。计算机设备可根据两个子行为分别评价受控于待测自动驾驶算法的车辆是否对可疑的关键交通参与者进行提前减速避让并规避,以及受控于待测自动驾驶算法的车辆是否在危险情况出现时及时处理并化解危险。在仿真测试时,可以以人工驾驶时刻和第二目标时刻分别作为目标反应时间和处理完成时间,并测试受控于待测自动驾驶算法的车辆能否在人工驾驶时刻至第二目标时刻之间的时段内完成避让。进一步地,计算机设备可为避让仿真场景配置不低于第二行驶安全分数的目标安全分数。在仿真测试的过程中,若受控于待测自动驾驶算法的车辆的行驶安全分数均高于该目标安全分数,则可确认该待测自动驾驶算法能够安全应对避让仿真场景。
在一个实施例中,如图6所示,在完成避让仿真场景的配置后,可对场景配置进行验证。具体而言,计算机设备可以用大规模仿真平台,定期批量运行新生成的仿真场景,使用与事故(即避让事件)发生时相同的自动驾驶算法版本,利用轨迹相似度等算法检测仿真中是否会复现原事故中的问题,也即仿真结果与路测时发生的行驶轨迹吻合。若能复现场景,则进一步验证事故发生时相同的自动驾驶算法版本是否确实不能达到预期的合理评价指标。前述验证结果自动生成报告,并进入场景库。该场景库用于在发布各个版本的自动驾驶算法之前,对各个版本的自动驾驶算法进行仿真,以基于仿真结果分析、评价待测试自动驾驶算法对于该类型场景的处理能力。如此,通过对事故路测数据的筛选进入场景库,快速进行仿真测试,可以对自动驾驶算法的迭代起到更加稳固的保障,避免未经测试的新算法对性能起到负面作用,影响安全员的工作环境或新算法的开发,进而可可更高效地开发出性能更好的自动驾驶算法,并对安全员的安全工作环境起到保障作用。
下面对本申请实施例提供的仿真场景生成装置500进行描述,下文描述的仿真场景生成装置500与上文描述的仿真场景生成方法可相互对应参照。
在一个实施例中,本申请提供了一种仿真场景生成装置500,如图7所示,该装置包括信息提取模块510、人工驾驶时刻获取模块520、行驶信息获取模块530和仿真场景生成模块540。其中:
信息提取模块510,用于获取事故路测数据,并从所述事故路测数据中分别提取车辆状态信息、地图信息和交通参与者的运动信息;
人工驾驶时刻获取模块520,用于根据所述车辆状态信息获取人工驾驶时刻,所述人工驾驶时刻为路测车辆切换至人工驾驶状态的时刻;
行驶信息获取模块530,用于将所述路测车辆处于自动驾驶状态及目标行驶时段时所对应的车辆状态信息和地图信息作为第一行驶信息,以及将所述路测车辆处于所述人工驾驶状态时所对应的车辆状态信息和地图信息作为第二行驶信息;所述目标行驶时段的结束时刻为所述人工驾驶时刻;
仿真场景生成模块540,用于根据所述第一行驶信息、所述第二行驶信息和所述交通参与者的运动信息,判断在路测过程中是否发生避让事件;若是,则从所述事故路测数据中提取与所述避让事件相对应的数据片段,并基于所述数据片段生成避让仿真场景。
在一个实施例中,仿真场景生成模块540包括轨迹预测单元、相交判断单元以及事件判断单元。其中,轨迹预测单元用于基于所述第一行驶信息获取所述路测车辆的预测行驶轨迹,以及基于所述交通参与者的运动信息获取交通参与者的预测运动轨迹。相交判断单元用于判断所述交通参与者的预测运动轨迹与所述路测车辆的预测行驶轨迹是否相交,并得到相交判断结果。第一事件判断单元用于基于所述相交判断结果及所述第二行驶信息,判断在路测过程中是否发生所述避让事件。
在一个实施例中,事件判断单元包括规避判断单元。该规避判断单元用于根据所述第二行驶信息,判断所述路测车辆处于所述人工驾驶状态时是否存在规避行为,并得到规避判断结果。其中,所述规避行为是能够增大所述路测车辆的行驶轨迹与所述交通参与者的预测运动轨迹之间的距离的行为,或者所述规避行为是能够延迟所述路测车辆的行驶轨迹与所述预测运动轨迹的相交时间的行为。该规避判断单元还用于基于所述规避判断结果及所述相交判断结果,判断在路测过程中是否发生所述避让事件。
在其中一个实施例中,第二事件获取单元包括分数比较单元。该分数比较单元用于根据所述第一行驶信息获取所述路测车辆处于所述自动驾驶状态下的第一行驶安全分数,以及根据所述第二行驶信息获取所述路测车辆处于所述人工驾驶状态下的第二行驶安全分数,并比较所述第二行驶安全分数与所述第一行驶安全分数,以得到比较结果。该分数比较单元还用于基于所述规避判断结果、所述相交判断结果及所述比较结果,判断在路测过程中是否发生所述避让事件。
在一个实施例中,场景生成模块包括第一目标时刻获取单元、第二目标时刻获取单元和场景生成单元。该第一目标时刻获取单元用于以所述路测车辆的预测行驶轨迹与所述交通参与者的预测运动轨迹相交时所对应的时刻作为第一目标时刻。第二目标时刻获取单元用于根据所述第二行驶信息获取第二目标时刻,并基于所述第一目标时刻和所述第二目标时刻确定场景生成时段;所述第二目标时刻为所述路测车辆的行进方向与所述交通参与者的位置不相交时所对应的最早时刻。场景生成单元用于从所述事故路测数据中提取所述场景生成时段所对应的数据片段,并根据所述数据片段生成避让仿真场景。
在一个实施例中,场景生成单元包括起始时刻计算单元、结束时刻计算单元和场景生成时段确定单元。该起始时刻计算单元用于计算所述第一目标时刻与第一预设值之差,以得到起始时刻。该结束时刻计算单元用于计算所述第二目标时刻与第二预设值之和,以得到结束时刻。该场景生成时段确定单元用于将所述起始时刻至所述结束时刻所对应的时段确定为所述场景生成时段。
在一个实施例中,所述装置还包括配置模块。该配置模块用于将所述人工接管时刻至所述第二目标时刻所对应的时段作为仿真评价时段,并根据所述仿真评价时段配置所述避让仿真场景。
在一个实施例中,本申请还提供了一种存储介质,所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如上述实施例中任一项所述仿真场景生成方法的步骤。
在一个实施例中,本申请还提供了一种计算机设备,所述计算机设备中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如上述实施例中任一项所述仿真场景生成方法的步骤。
示意性地,如图8所示,图8为本申请实施例提供的一种计算机设备的内部结构示意图,该计算机设备900可以被提供为一服务器。参照图8,计算机设备900包括处理组件902,其进一步包括一个或多个处理器,以及由存储器901所代表的存储器资源,用于存储可由处理组件902的执行的指令,例如应用程序。存储器901中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件902被配置为执行指令,以执行上述任意实施例的文本识别方法。
计算机设备900还可以包括一个电源组件903被配置为执行计算机设备900的电源管理,一个有线或无线网络接口904被配置为将计算机设备900连接到网络,和一个输入输出(I/O)接口905。计算机设备900可以操作基于存储在存储器901的操作系统,例如WindowsServer TM、Mac OS XTM、Unix TM、Linux TM、Free BSDTM或类似。
本领域技术人员可以理解,本申请示出的计算机设备的内部结构,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。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本文中,“一”、“一个”、“所述”、“该”和“其”也可以包括复数形式,除非上下文清楚指出另外的方式。多个是指至少两个的情况,如2个、3个、5个或8个等。“和/或”包括相关所列项目的任何及所有组合。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间可以根据需要进行组合,且相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种仿真场景生成方法,其特征在于,所述方法包括:
获取事故路测数据,并从所述事故路测数据中分别提取车辆状态信息、地图信息和交通参与者的运动信息;
根据所述车辆状态信息获取人工驾驶时刻,所述人工驾驶时刻为路测车辆切换至人工驾驶状态的时刻;
将所述路测车辆处于自动驾驶状态及目标行驶时段时所对应的车辆状态信息和地图信息作为第一行驶信息,以及将所述路测车辆处于所述人工驾驶状态时所对应的车辆状态信息和地图信息作为第二行驶信息;所述目标行驶时段的结束时刻为所述人工驾驶时刻;
根据所述第一行驶信息、所述第二行驶信息和所述交通参与者的运动信息,判断在路测过程中是否发生避让事件;若是,则从所述事故路测数据中提取与所述避让事件相对应的数据片段,并基于所述数据片段生成避让仿真场景。
2.根据权利要求1所述的仿真场景生成方法,其特征在于,根据所述第一行驶信息、所述第二行驶信息和所述交通参与者的运动信息,判断在路测过程中是否发生避让事件的步骤,包括:
基于所述第一行驶信息获取所述路测车辆的预测行驶轨迹,以及基于所述交通参与者的运动信息获取交通参与者的预测运动轨迹;
判断所述交通参与者的预测运动轨迹与所述路测车辆的预测行驶轨迹是否相交,并得到相交判断结果;
基于所述相交判断结果及所述第二行驶信息,判断在路测过程中是否发生所述避让事件。
3.根据权利要求2所述的仿真场景生成方法,其特征在于,基于所述相交判断结果及所述第二行驶信息,判断在路测过程中是否发生所述避让事件的步骤,包括:
基于所述第二行驶信息,判断所述路测车辆处于所述人工驾驶状态时是否存在规避行为,并得到规避判断结果;其中,所述规避行为是能够增大所述路测车辆的行驶轨迹与所述交通参与者的预测运动轨迹之间的距离的行为,或者所述规避行为是能够延迟所述路测车辆的行驶轨迹与所述预测运动轨迹的相交时间的行为;
基于所述规避判断结果及所述相交判断结果,判断在路测过程中是否发生所述避让事件。
4.根据权利要求3所述的仿真场景生成方法,其特征在于,根据所述第一行驶信息、所述第二行驶信息和所述交通参与者的运动信息,判断在路测过程中是否发生避让事件的步骤,还包括:
根据所述第一行驶信息获取所述路测车辆处于所述自动驾驶状态下的第一行驶安全分数;
根据所述第二行驶信息获取所述路测车辆处于所述人工驾驶状态下的第二行驶安全分数,并比较所述第二行驶安全分数与所述第一行驶安全分数,以得到比较结果;
基于所述规避判断结果及所述相交判断结果,判断在路测过程中是否发生所述避让事件的步骤,包括:
基于所述规避判断结果、所述相交判断结果及所述比较结果,判断在路测过程中是否发生所述避让事件。
5.根据权利要求2至4任一项所述的仿真场景生成方法,其特征在于,从所述事故路测数据中提取与所述避让事件相对应的数据片段,并根据所述数据片段生成避让仿真场景的步骤,包括:
以所述路测车辆的预测行驶轨迹与所述交通参与者的预测运动轨迹相交时所对应的时刻作为第一目标时刻;
根据所述第二行驶信息获取第二目标时刻,并基于所述第一目标时刻和所述第二目标时刻确定场景生成时段;所述第二目标时刻为所述路测车辆的行进方向与所述交通参与者的位置不相交时所对应的最早时刻;
从所述事故路测数据中提取所述场景生成时段所对应的数据片段,并根据所述数据片段生成避让仿真场景。
6.根据权利要求5所述的仿真场景生成方法,其特征在于,基于所述第一目标时刻和所述第二目标时刻确定场景生成时段的步骤,包括:
计算所述第一目标时刻与第一预设值之差,以得到起始时刻;
计算所述第二目标时刻与第二预设值之和,以得到结束时刻;
将所述起始时刻至所述结束时刻所对应的时段确定为所述场景生成时段。
7.根据权利要求5所述的仿真场景生成方法,其特征在于,所述方法还包括:
将所述人工接管时刻至所述第二目标时刻所对应的时段作为仿真评价时段,并根据所述仿真评价时段配置所述避让仿真场景。
8.一种仿真场景生成装置,其特征在于,所述装置包括:
信息提取模块,用于获取事故路测数据,并从所述事故路测数据中分别提取车辆状态信息、地图信息和交通参与者的运动信息;
人工驾驶时刻获取模块,用于根据所述车辆状态信息获取人工驾驶时刻,所述人工驾驶时刻为路测车辆切换至人工驾驶状态的时刻;
行驶信息获取模块,用于将所述路测车辆处于自动驾驶状态及目标行驶时段时所对应的车辆状态信息和地图信息作为第一行驶信息,以及将所述路测车辆处于所述人工驾驶状态时所对应的车辆状态信息和地图信息作为第二行驶信息;所述目标行驶时段的结束时刻为所述人工驾驶时刻;
仿真场景生成模块,用于根据所述第一行驶信息、所述第二行驶信息和所述交通参与者的运动信息,判断在路测过程中是否发生避让事件;若是,则从所述事故路测数据中提取与所述避让事件相对应的数据片段,并基于所述数据片段生成避让仿真场景。
9.一种存储介质,其特征在于:所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1至7中任一项所述仿真场景生成方法的步骤。
10.一种计算机设备,其特征在于,包括:一个或多个处理器,以及存储器;
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一个或多个处理器执行时,执行如权利要求1至7中任一项所述仿真场景生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210379357.XA CN114647954A (zh) | 2022-04-12 | 2022-04-12 | 仿真场景生成方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210379357.XA CN114647954A (zh) | 2022-04-12 | 2022-04-12 | 仿真场景生成方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114647954A true CN114647954A (zh) | 2022-06-21 |
Family
ID=81997642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210379357.XA Pending CN114647954A (zh) | 2022-04-12 | 2022-04-12 | 仿真场景生成方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114647954A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115017742A (zh) * | 2022-08-08 | 2022-09-06 | 西安深信科创信息技术有限公司 | 自动驾驶测试场景生成方法、装置、设备及存储介质 |
CN115148028A (zh) * | 2022-06-30 | 2022-10-04 | 北京小马智行科技有限公司 | 依据历史数据构建车辆路测场景的方法、装置及一种车辆 |
-
2022
- 2022-04-12 CN CN202210379357.XA patent/CN114647954A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115148028A (zh) * | 2022-06-30 | 2022-10-04 | 北京小马智行科技有限公司 | 依据历史数据构建车辆路测场景的方法、装置及一种车辆 |
CN115148028B (zh) * | 2022-06-30 | 2023-12-15 | 北京小马智行科技有限公司 | 依据历史数据构建车辆路测场景的方法、装置及一种车辆 |
CN115017742A (zh) * | 2022-08-08 | 2022-09-06 | 西安深信科创信息技术有限公司 | 自动驾驶测试场景生成方法、装置、设备及存储介质 |
CN115017742B (zh) * | 2022-08-08 | 2022-12-13 | 西安深信科创信息技术有限公司 | 自动驾驶测试场景生成方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111506980B (zh) | 对虚拟驾驶环境生成交通场景的方法及装置 | |
US20230025414A1 (en) | Method for identifying abnormal driving behavior | |
US20170132117A1 (en) | Method and device for generating test cases for autonomous vehicles | |
CN114647954A (zh) | 仿真场景生成方法、装置、计算机设备及存储介质 | |
CN110606093A (zh) | 车辆性能评测方法、装置、设备和存储介质 | |
CN113343461A (zh) | 自动驾驶车辆的仿真方法、装置、电子设备及存储介质 | |
Ponn et al. | An optimization-based method to identify relevant scenarios for type approval of automated vehicles | |
CN112987711B (zh) | 自动驾驶规控算法优化方法及仿真测试装置 | |
Wang et al. | Overcoming challenges of validation automated driving and identification of critical scenarios | |
Moore et al. | Fuzzy logic for improved dilemma zone identification: driving simulator study | |
CN114077541A (zh) | 验证用于自动驾驶车辆的自动控制软件的方法和系统 | |
CN116135640A (zh) | 一种车辆防碰撞预警方法、系统及车辆 | |
CN115165398A (zh) | 车辆的行驶功能测试方法、装置、计算设备及介质 | |
Wang et al. | Online safety assessment of automated vehicles using silent testing | |
El Mostadi et al. | Virtual test scenarios for ADAS: Distance to real scenarios matters! | |
KR102197251B1 (ko) | Rlr 판별 및 사고 방지를 위한 교통 신호 제어 방법 및 장치 | |
CN116580551A (zh) | 车辆驾驶行为评估方法、装置、设备及存储介质 | |
Karunakaran et al. | Parameterisation of lane-change scenarios from real-world data | |
CN114205223B (zh) | 一种车辆智能驾驶功能异常事件的溯源定位方法和装置 | |
CN115027497A (zh) | 目标车辆切入意图预测方法及可读存储介质 | |
CN116997890A (zh) | 生成未知不安全场景、改进自动交通工具、计算机系统 | |
CN113486628A (zh) | 一种交通规则到机器语言的转换方法及系统 | |
CN114581623B (zh) | 仿真场景生成方法、装置、存储介质及计算机设备 | |
Zhu et al. | Automatic disengagement scenario reconstruction based on urban test drives of automated vehicles | |
Mehlhorn et al. | Ruling the operational boundaries: A survey on operational design domains of autonomous driving systems |
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 |