CN114880408A - 场景构建方法、装置、介质以及芯片 - Google Patents

场景构建方法、装置、介质以及芯片 Download PDF

Info

Publication number
CN114880408A
CN114880408A CN202210613269.1A CN202210613269A CN114880408A CN 114880408 A CN114880408 A CN 114880408A CN 202210613269 A CN202210613269 A CN 202210613269A CN 114880408 A CN114880408 A CN 114880408A
Authority
CN
China
Prior art keywords
data
entities
relation
sample
scene
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
Application number
CN202210613269.1A
Other languages
English (en)
Inventor
张琼
杨奎元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiaomi Automobile Technology Co Ltd
Original Assignee
Xiaomi Automobile Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiaomi Automobile Technology Co Ltd filed Critical Xiaomi Automobile Technology Co Ltd
Priority to CN202210613269.1A priority Critical patent/CN114880408A/zh
Publication of CN114880408A publication Critical patent/CN114880408A/zh
Pending legal-status Critical Current

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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • 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
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/381—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using identifiers, e.g. barcodes, RFIDs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Library & Information Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开涉及一种场景构建方法、装置、介质以及芯片，所述方法包括：获取与车辆事故相关的待处理数据；根据所述待处理数据进行关系抽取处理，得到所述待处理数据中的实体以及所述实体之间的关系；根据所述实体和所述关系，构建所述车辆事故的场景。本公开可以提高构建的车辆事故场景的丰富度。

Description

场景构建方法、装置、介质以及芯片
技术领域
本公开涉及自动驾驶技术领域，尤其涉及一种场景构建方法、装置、介质以及芯片。
背景技术
无人驾驶车辆在量产前会通过场景数据库进行充分的测试，其中，事故场景库呈现了不同交通参与者的交互可能会存在的风险，通过事故场景库对车辆进行测试，可以避免车辆在相同场景的类似交通事故的发生。
由于实际路况、天气以及交通参与者的变化，尤其是交通参与者的随机性，导致目前很难穷尽场景，可能导致无人驾驶车辆无法行驶。因此，如何得到丰富的事故场景库成为亟需解决的技术问题。
发明内容
为克服相关技术中存在的问题，本公开提供一种场景构建方法、装置、介质以及芯片。
根据本公开实施例的第一方面，提供一种场景构建方法，包括：
获取与车辆事故相关的待处理数据；
根据所述待处理数据进行关系抽取处理，得到所述待处理数据中的实体以及所述实体之间的关系；
根据所述实体和所述关系，构建所述车辆事故的场景。
在一些实施例中，所述待处理数据包括图像数据和/或文本数据；
所述获取与车辆事故相关的待处理数据，包括：
获取众包车辆采集的与所述车辆事故相关的所述图像数据；和/或，
获取网络数据中与所述车辆事故相关的所述文本数据。
在一些实施例中，所述根据所述待处理数据进行关系抽取处理，得到所述待处理数据中的实体以及所述实体之间的关系，包括：
根据第一关系检测模型对所述图像数据进行所述关系抽取处理，得到所述图像数据中的所述实体以及所述实体之间的关系。
在一些实施例中，所述第一关系检测模型基于如下方式训练得到：
获取携带有第一标签序列的多个样本图像，所述第一标签序列用于表征所述样本图像中的第一样本实体以及所述第一样本实体之间的关系；
根据多个所述样本图像迭代更新初始第一关系检测模型的参数以减小各样本图像对应的第一损失函数值，得到训练好的第一关系检测模型；
其中，各样本图像对应的第一损失函数值通过以下过程确定：
通过第一关系检测模型处理所述样本图像，得到所述样本图像的第一预测序列，所述第一预测序列用于表征所述样本图像中的第一预测实体和所述第一预测实体之间的关系；
至少基于所述第一预测序列和所述第一标签序列的差异，确定第一损失函数值。
在一些实施例中，所述根据所述待处理数据进行关系抽取处理，得到所述待处理数据中的实体以及所述实体之间的关系，包括：
根据第二关系检测模型对所述文本数据进行所述关系抽取处理，得到所述文本数据中的所述实体以及所述实体之间的关系。
在一些实施例中，所述第二关系检测模型基于如下方式训练得到：
获取携带有第二标签序列的多个样本文本，所述第二标签序列用于表征所述样本文本中的第二样本实体以及所述第二样本实体之间的关系；
根据多个所述样本文本迭代更新初始第二关系检测模型的参数以减小各样本文本对应的第二损失函数值，得到训练好的第二关系检测模型；
其中，各样本文本对应的第二损失函数值通过以下过程确定：
通过第二关系检测模型处理所述样本文本，得到所述样本文本的第二预测序列，所述第二预测序列用于表征所述样本文本中的第二预测实体和所述第二预测实体之间的关系；
至少基于所述第二预测序列和所述第二标签序列的差异，确定第二损失函数值。
在一些实施例中，所述根据所述实体和所述关系，构建所述车辆事故的场景，包括：
根据所述实体和所述关系，确定所述车辆事故的场景图；
根据地图数据和所述场景图，构建所述车辆事故的场景。
根据本公开实施例的第二方面，提供一种场景构建装置，包括：
获取模块，被配置为获取与车辆事故相关的待处理数据；
处理模块，被配置为根据所述待处理数据进行关系抽取处理，得到所述待处理数据中的实体以及所述实体之间的关系；
构建模块，被配置为根据所述实体和所述关系，构建所述车辆事故的场景。
在一些实施例中，所述待处理数据包括图像数据和/或文本数据；所述获取模块进一步被配置为：
获取众包车辆采集的与所述车辆事故相关的所述图像数据；和/或，
获取网络数据中与所述车辆事故相关的所述文本数据。
在一些实施例中，所述处理模块进一步被配置为：
根据第一关系检测模型对所述图像数据进行所述关系抽取处理，得到所述图像数据中的所述实体以及所述实体之间的关系。
在一些实施例中，所述第一关系检测模型基于如下方式训练得到：
获取携带有第一标签序列的多个样本图像，所述第一标签序列用于表征所述样本图像中的第一样本实体以及所述第一样本实体之间的关系；
根据多个所述样本图像迭代更新初始第一关系检测模型的参数以减小各样本图像对应的第一损失函数值，得到训练好的第一关系检测模型；
其中，各样本图像对应的第一损失函数值通过以下过程确定：
通过第一关系检测模型处理所述样本图像，得到所述样本图像的第一预测序列，所述第一预测序列用于表征所述样本图像中的第一预测实体和所述第一预测实体之间的关系；
至少基于所述第一预测序列和所述第一标签序列的差异，确定第一损失函数值。
在一些实施例中，所述处理模块进一步被配置为：
根据第二关系检测模型对所述文本数据进行所述关系抽取处理，得到所述文本数据中的所述实体以及所述实体之间的关系。
在一些实施例中，所述第二关系检测模型基于如下方式训练得到：
获取携带有第二标签序列的多个样本文本，所述第二标签序列用于表征所述样本文本中的第二样本实体以及所述第二样本实体之间的关系；
根据多个所述样本文本迭代更新初始第二关系检测模型的参数以减小各样本文本对应的第二损失函数值，得到训练好的第二关系检测模型；
其中，各样本文本对应的第二损失函数值通过以下过程确定：
通过第二关系检测模型处理所述样本文本，得到所述样本文本的第二预测序列，所述第二预测序列用于表征所述样本文本中的第二预测实体和所述第二预测实体之间的关系；
至少基于所述第二预测序列和所述第二标签序列的差异，确定第二损失函数值。
在一些实施例中，所述构建模块进一步被配置为：
根据所述实体和所述关系，确定所述车辆事故的场景图；
根据地图数据和所述场景图，构建所述车辆事故的场景。
根据本公开实施例的第三方面，提供一种场景构建装置，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
获取与车辆事故相关的待处理数据；
根据所述待处理数据进行关系抽取处理，得到所述待处理数据中的实体以及所述实体之间的关系；
根据所述实体和所述关系，构建所述车辆事故的场景。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开第一方面任一项所提供的场景构建方法的步骤。
根据本公开实施例的第五方面，提供一种芯片，包括处理器和接口；所述处理器用于读取指令以执行本公开第一方面任一项所提供的场景构建方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：通过根据实体和关系对待处理数据构建车辆事故的场景，可以实现对任意形式的数据构建车辆事故场景，进而可以丰富车辆事故场景，且由于是根据实体和关系构建车辆事故场景，因此，待处理数据可以是不能直接还原车辆事故场景的数据，由此，本公开可以针对零散数据构建车辆事故场景的数据，丰富了构建车辆事故场景的数据来源，进一步提高了车辆事故场景的丰富度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种场景构建方法的流程图。
图2是根据一示例性实施例示出的一种场景图的示意图。
图3是根据一示例性实施例示出的一种场景构建装置的框图。
图4是根据一示例性实施例示出的一种场景构建的装置的框图。
图5是一示例性实施例示出的一种车辆的功能框图示意图。
图6是根据一示例性实施例示出的一种场景构建的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
需要说明的是，本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
图1是根据一示例性实施例示出的一种场景构建方法的流程图，该场景构建方法可以用于终端或服务器中。如图1所示，该场景构建方法可以包括以下步骤。
步骤110，获取与车辆事故相关的待处理数据。
在一些实施例中，车辆事故可以是已发生的车辆事故(或历史车辆事故)。待处理数据可以包括图像数据和/或文本数据，图像数据和文本数据可以是反映相同或不同车辆事故的数据。在一些实施例中，待处理数据可以是不能直接构建车辆事故场景的图像数据和/或文本数据。
在一些实施例中，图像数据可以是由车辆采集的，例如，图像数据可以是车辆的摄像终端(例如，行车仪)采集的视频数据中的图像帧。图像数据可以包括车辆采集的车辆事故发生地的图像，或者可以是车辆行驶至车辆事故发生地的预设时间段内采集的图像。例如，可以是车辆行驶至车辆事故发生地的前5min内采集的图像。
在一些实施例中，图像数据可以是由众包车辆采集的。在一些实施例中，众包车辆可以由大规模的车辆组成，该车辆可以具备不同的驾驶技术，例如，该车辆可以包括人工驾驶车辆或自动驾驶车辆。由于众包车辆具备大规模车辆，因此，通过众包车辆采集图像数据，可以收集大量的车辆事故的图像数据，从而可以构建丰富的车辆事故场景。
在一些实施例中，文本数据可以是用于描述车辆事故的文字材料，文本数据可以通过多种方式获取，例如，可以通过用户在众包车辆的终端输入对车辆事故的文字描述获取，也可以通过网络数据获取，网络数据可以是指车辆事故的新闻报道等。在一些实施例中，网络数据可以根据关键词在搜索引擎中查询得到，关键词可以包括车辆事故或事故等，本公开对此不做任何限制。
在一些实施例中，获取与车辆事故相关的待处理数据，可以包括：获取众包车辆采集的与车辆事故相关的图像数据；和/或，获取网络数据中与车辆事故相关的文本数据。关于众包车辆和网络数据可以参见前文相关描述，在此不再赘述。
可以理解的，在针对图像数据构建车辆事故的场景的情况下，可以只获取众包车辆采集的与车辆事故相关的图像数据；在针对文本数据构建车辆事故的场景的情况下，可以只获取网络数据中与车辆事故相关的文本数据；在针对图像数据和文本数据构建车辆事故的场景的情况下，可以获取前述图像数据和文本数据。
通过根据图像数据和文本数据共同构建车辆事故的场景，采用多模态数据构建车辆事故的场景，即采用不同角度采集的数据构建车辆事故的场景，使得数据来源或采集角度多样化，可以进一步增加事故场景的类型，提高构建的事故场景的丰富度。
步骤120，根据待处理数据进行关系抽取处理，得到待处理数据中的实体以及实体之间的关系。
在一些实施例中，实体可以是待处理数据(或车辆事故)中任意可被描述的对象。例如，实体可以包括以下至少之一：车辆、行人、十字路口以及斑马线。实体之间的关系可以反映实体之间的位置关系和/或交互关系。例如，若车辆与行人之间发生了碰撞，则车辆与行人之间的交互关系为碰撞，若行人在车辆的右前方，则行人与车辆之间的位置关系为右前方。
在一些实施例中，可以对图像数据进行关系抽取处理，得到图像数据中的实体以及实体之间的关系。在一些实施例中，在待处理数据包括图像数据的情况下，根据待处理数据进行关系抽取处理，得到待处理数据中的实体以及实体之间的关系，可以包括：根据第一关系检测模型对图像数据进行关系抽取处理，得到图像数据中的实体以及实体之间的关系。
在一些实施例中，第一关系检测模型可以是预先训练好的机器学习模型。通过机器学习模型检测图像数据中的实体以及实体之间的关系，检测方式简单便捷，且检测准确率高。
在一些实施例中，第一关系检测模型可以基于如下方式训练得到：获取携带有第一标签序列的多个样本图像，第一标签序列用于表征样本图像中的第一样本实体以及第一样本实体之间的关系；根据多个样本图像迭代更新初始第一关系检测模型的参数以减小各样本图像对应的第一损失函数值，得到训练好的第一关系检测模型。
在一些实施例中，第一标签序列可以是三元组的形式，示例地，以样本图像中包括前述实体“车辆”和“行人”，且“车辆”与“行人”之间的关系包括碰撞和右前方为例，则第一标签序列可以是{行人；碰撞、右前方；车辆}。在一些实施例中，第一标签序列可以通过人工标注得到，多个样本图像可以通过数据库或调用相关接口获取。
在一些实施例中，在第一关系检测模型的训练过程中，可以基于多个样本图像迭代更新初始第一关系检测模型的参数。具体的，可以不断地调整初始第一关系检测模型的参数，以减小各样本图像对应的第一损失函数值，使得第一损失函数值满足预设条件。例如，第一损失函数值收敛，或第一损失函数值小于预设值。当第一损失函数满足预设条件时，模型训练完成，得到训练好的第一关系检测模型。训练好的第一关系检测模型可以对图像数据进行关系抽取处理，得到图像数据中的实体以及实体之间的关系。
在一些实施例中，各样本图像对应的第一损失函数值可以通过以下过程确定：通过第一关系检测模型处理样本图像，得到样本图像的第一预测序列，第一预测序列用于表征样本图像中的第一预测实体和第一预测实体之间的关系；至少基于第一预测序列和第一标签序列的差异，确定第一损失函数值。
在一些实施例中，第一预测序列也可以是三元组的形式，关于该三元组形式的具体细节可以参见前文相关描述，在此不再赘述。在一些实施例中，在待处理数据包括文本数据的情况下，根据待处理数据进行关系抽取处理，得到待处理数据中的实体以及实体之间的关系，可以包括：根据第二关系检测模型对文本数据进行关系抽取处理，得到文本数据中的实体以及实体之间的关系。
在一些实施例中，第二关系检测模型可以是预先训练好的机器学习模型。通过机器学习模型检测文本数据中的实体以及实体之间的关系，检测方式简单便捷，且检测准确率高。
在一些实施例中，第二关系检测模型基于如下方式训练得到：获取携带有第二标签序列的多个样本文本，第二标签序列用于表征样本文本中的第二样本实体以及第二样本实体之间的关系；根据多个样本文本迭代更新初始第二关系检测模型的参数以减小各样本文本对应的第二损失函数值，得到训练好的第二关系检测模型。
在一些实施例中，第二标签序列可以是三元组的形式，示例地，以样本文本包括的文字为“车辆与位于车辆右前方的行人发生了碰撞”为例，则该样本文本中包括前述实体“车辆”和“行人”，且“车辆”与“行人”之间的关系包括碰撞和右前方，因此，第二标签序列可以是{行人；碰撞、右前方；车辆}。在一些实施例中，第二标签序列可以通过人工标注得到，多个样本文本可以通过数据库或调用相关接口获取。
在一些实施例中，在第二关系检测模型的训练过程中，可以基于多个样本文本迭代更新初始第二关系检测模型的参数。具体的，可以不断地调整初始第二关系检测模型的参数，以减小各样本文本对应的第二损失函数值，使得第二损失函数值满足预设条件。例如，第二损失函数值收敛，或第二损失函数值小于预设值。当第二损失函数满足预设条件时，模型训练完成，得到训练好的第二关系检测模型。训练好的第二关系检测模型可以对文本数据进行关系抽取处理，得到文本数据中的实体以及实体之间的关系。
在一些实施例中，各样本文本对应的第二损失函数值可以通过以下过程确定：通过第二关系检测模型处理样本文本，得到样本文本的第二预测序列，第二预测序列用于表征样本文本中的第二预测实体和第二预测实体之间的关系；至少基于第二预测序列和第二标签序列的差异，确定第二损失函数值。
步骤130，根据实体和关系，构建车辆事故的场景。
在一些实施例中，根据实体和关系，构建车辆事故的场景，包括：根据实体和关系，确定车辆事故的场景图；根据地图数据和场景图，构建车辆事故的场景。如图2所示，其示意的是由实体“车、十字路口、斑马线以及行人”，以及实体之间的关系构建的场景图。在一些实施例中，地图数据可以是高精地图。通过将场景图转换为车辆事故的场景，能更高效的确定车辆事故的场景。
在一些实施例中，可以根据地图数据和场景图进行仿真处理，构建车辆事故的场景。仿真处理可以通过OpenGL实现，OpenGL是一个硬件和图形软件接口，可以在计算机上实现虚拟的三维事故场景构建。
本公开实施例通过根据实体和关系对待处理数据构建车辆事故的场景，可以实现对任意形式的数据构建车辆事故场景，进而可以丰富车辆事故场景，且由于是根据实体和关系构建车辆事故场景，因此，待处理数据可以是不能直接还原车辆事故场景的数据，由此，本公开可以针对零散数据构建车辆事故场景的数据，丰富了构建车辆事故场景的数据来源，进一步提高了车辆事故场景的丰富度。
在一些实施例中，所述方法还包括：获取详细程度大于预设阈值的视频数据；根据视频数据构建车辆事故的场景。详细程度大于预设阈值可以是指车辆事故的交通参与者清晰，且车辆事故现场完整，详细程度大于预设阈值的视频数据可以直接用于构建车辆事故场景。
本公开实施例根据详细程度大于预设阈值的视频数据，直接构建车辆事故的场景，由于该视频数据足以构建车辆事故，无需再进行关系抽取处理，简化了构建车辆事故场景的流程，进而提高了构建丰富的车辆事故场景的效率。
图3是根据一示例性实施例示出的一种场景构建装置的框图。参照图3，该场景构建装置300包括获取模块310，处理模块320和构建模块330。
获取模块310，被配置为获取与车辆事故相关的待处理数据；
处理模块320，被配置为根据所述待处理数据进行关系抽取处理，得到所述待处理数据中的实体以及所述实体之间的关系；
构建模块330，被配置为根据所述实体和所述关系，构建所述车辆事故的场景。
在一些实施例中，所述待处理数据包括图像数据和/或文本数据；所述获取模块310进一步被配置为：
获取众包车辆采集的与所述车辆事故相关的所述图像数据；和/或，
获取网络数据中与所述车辆事故相关的所述文本数据。
在一些实施例中，所述处理模块320进一步被配置为：
根据第一关系检测模型对所述图像数据进行所述关系抽取处理，得到所述图像数据中的所述实体以及所述实体之间的关系。
在一些实施例中，所述第一关系检测模型基于如下方式训练得到：
获取携带有第一标签序列的多个样本图像，所述第一标签序列用于表征所述样本图像中的第一样本实体以及所述第一样本实体之间的关系；
根据多个所述样本图像迭代更新初始第一关系检测模型的参数以减小各样本图像对应的第一损失函数值，得到训练好的第一关系检测模型；
其中，各样本图像对应的第一损失函数值通过以下过程确定：
通过第一关系检测模型处理所述样本图像，得到所述样本图像的第一预测序列，所述第一预测序列用于表征所述样本图像中的第一预测实体和所述第一预测实体之间的关系；
至少基于所述第一预测序列和所述第一标签序列的差异，确定第一损失函数值。
在一些实施例中，所述处理模块320进一步被配置为：
根据第二关系检测模型对所述文本数据进行所述关系抽取处理，得到所述文本数据中的所述实体以及所述实体之间的关系。
在一些实施例中，所述第二关系检测模型基于如下方式训练得到：
获取携带有第二标签序列的多个样本文本，所述第二标签序列用于表征所述样本文本中的第二样本实体以及所述第二样本实体之间的关系；
根据多个所述样本文本迭代更新初始第二关系检测模型的参数以减小各样本文本对应的第二损失函数值，得到训练好的第二关系检测模型；
其中，各样本文本对应的第二损失函数值通过以下过程确定：
通过第二关系检测模型处理所述样本文本，得到所述样本文本的第二预测序列，所述第二预测序列用于表征所述样本文本中的第二预测实体和所述第二预测实体之间的关系；
至少基于所述第二预测序列和所述第二标签序列的差异，确定第二损失函数值。
在一些实施例中，所述构建模块330进一步被配置为：
根据所述实体和所述关系，确定所述车辆事故的场景图；
根据地图数据和所述场景图，构建所述车辆事故的场景。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的场景构建方法的步骤。
图4是根据一示例性实施例示出的一种场景构建的装置400的框图。例如，装置400可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图4，装置400可以包括以下一个或多个组件：处理组件402，存储器404，电源组件406，多媒体组件408，音频组件410，输入/输出接口412，传感器组件414，以及通信组件416。
处理组件402通常控制装置400的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件402可以包括一个或多个处理器420来执行指令，以完成上述的场景构建方法的全部或部分步骤。此外，处理组件402可以包括一个或多个模块，便于处理组件402和其他组件之间的交互。例如，处理组件402可以包括多媒体模块，以方便多媒体组件408和处理组件402之间的交互。
存储器404被配置为存储各种类型的数据以支持在装置400的操作。这些数据的示例包括用于在装置400上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器404可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件406为装置400的各种组件提供电力。电源组件406可以包括电源管理系统，一个或多个电源，及其他与为装置400生成、管理和分配电力相关联的组件。
多媒体组件408包括在所述装置400和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件408包括一个前置摄像头和/或后置摄像头。当装置400处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件410被配置为输出和/或输入音频信号。例如，音频组件410包括一个麦克风(MIC)，当装置400处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器404或经由通信组件416发送。在一些实施例中，音频组件410还包括一个扬声器，用于输出音频信号。
输入/输出接口412为处理组件402和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件414包括一个或多个传感器，用于为装置400提供各个方面的状态评估。例如，传感器组件414可以检测到装置400的打开/关闭状态，组件的相对定位，例如所述组件为装置400的显示器和小键盘，传感器组件414还可以检测装置400或装置400中一个组件的位置改变，用户与装置400接触的存在或不存在，装置400方位或加速/减速和装置800的温度变化。传感器组件414可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件414还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件414还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件416被配置为便于装置400和其他设备之间有线或无线方式的通信。装置400可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件416经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件416还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置400可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述场景构建方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器404，上述指令可由装置400的处理器420执行以完成上述场景构建方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
上述装置除了可以是独立的电子设备外，也可是独立电子设备的一部分，例如在一种实施例中，该装置可以是集成电路(Integrated Circuit，IC)或芯片，其中该集成电路可以是一个IC，也可以是多个IC的集合；该芯片可以包括但不限于以下种类：GPU(GraphicsProcessing Unit，图形处理器)、CPU(Central Processing Unit，中央处理器)、FPGA(Field Programmable Gate Array，可编程逻辑阵列)、DSP(Digital Signal Processor，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、SOC(System on Chip，SoC，片上系统或系统级芯片)等。上述的集成电路或芯片中可以用于执行可执行指令(或代码)，以实现上述的场景构建方法。其中该可执行指令可以存储在该集成电路或芯片中，也可以从其他的装置或设备获取，例如该集成电路或芯片中包括处理器、存储器，以及用于与其他的装置通信的接口。该可执行指令可以存储于该处理器中，当该可执行指令被处理器执行时实现上述的场景构建方法；或者，该集成电路或芯片可以通过该接口接收可执行指令并传输给该处理器执行，以实现上述的场景构建方法。
参阅图5，图5是一示例性实施例示出的一种车辆500的功能框图示意图。车辆500可以被配置为完全或部分自动驾驶模式。例如，车辆500可以通过感知系统520获取其周围的环境信息，并基于对周边环境信息的分析得到自动驾驶策略以实现完全自动驾驶，或者将分析结果呈现给用户以实现部分自动驾驶。
车辆500可包括各种子系统，例如，信息娱乐系统510、感知系统520、决策控制系统530、驱动系统540以及计算平台550。可选的，车辆500可包括更多或更少的子系统，并且每个子系统都可包括多个部件。另外，车辆500的每个子系统和部件可以通过有线或者无线的方式实现互连。
在一些实施例中，信息娱乐系统510可以包括通信系统511，娱乐系统512以及导航系统513。
通信系统511可以包括无线通信系统，无线通信系统可以直接地或者经由通信网络来与一个或多个设备无线通信。例如，无线通信系统可使用3G蜂窝通信，例如CDMA、EVD0、GSM/GPRS，或者4G蜂窝通信，例如LTE。或者5G蜂窝通信。无线通信系统可利用WiFi与无线局域网(wireless local area network，WLAN)通信。在一些实施例中，无线通信系统可利用红外链路、蓝牙或ZigBee与设备直接通信。其他无线协议，例如各种车辆通信系统，例如，无线通信系统可包括一个或多个专用短程通信(dedicated short range communications，DSRC)设备，这些设备可包括车辆和/或路边台站之间的公共和/或私有数据通信。
娱乐系统512可以包括显示设备，麦克风和音响，用户可以基于娱乐系统在车内收听广播，播放音乐；或者将手机和车辆联通，在显示设备上实现手机的投屏，显示设备可以为触控式，用户可以通过触摸屏幕进行操作。
在一些情况下，可以通过麦克风获取用户的语音信号，并依据对用户的语音信号的分析实现用户对车辆500的某些控制，例如调节车内温度等。在另一些情况下，可以通过音响向用户播放音乐。
导航系统513可以包括由地图供应商所提供的地图服务，从而为车辆500提供行驶路线的导航，导航系统513可以和车辆的全球定位系统521、惯性测量单元522配合使用。地图供应商所提供的地图服务可以为二维地图，也可以是高精地图。
感知系统520可包括感测关于车辆500周边的环境的信息的若干种传感器。例如，感知系统520可包括全球定位系统521(全球定位系统可以是GPS系统，也可以是北斗系统或者其他定位系统)、惯性测量单元(inertial measurement unit，IMU)522、激光雷达523、毫米波雷达524、超声雷达525以及摄像装置526。感知系统520还可包括被监视车辆500的内部系统的传感器(例如，车内空气质量监测器、燃油量表、机油温度表等)。来自这些传感器中的一个或多个的传感器数据可用于检测对象及其相应特性(位置、形状、方向、速度等)。这种检测和识别是车辆500的安全操作的关键功能。
全球定位系统521用于估计车辆500的地理位置。
惯性测量单元522用于基于惯性加速度来感测车辆500的位姿变化。在一些实施例中，惯性测量单元522可以是加速度计和陀螺仪的组合。
激光雷达523利用激光来感测车辆500所位于的环境中的物体。在一些实施例中，激光雷达523可包括一个或多个激光源、激光扫描器以及一个或多个检测器，以及其他系统组件。
毫米波雷达524利用无线电信号来感测车辆500的周边环境内的物体。在一些实施例中，除了感测物体以外，毫米波雷达524还可用于感测物体的速度和/或前进方向。
超声雷达525可以利用超声波信号来感测车辆500周围的物体。
摄像装置526用于捕捉车辆500的周边环境的图像信息。摄像装置526可以包括单目相机、双目相机、结构光相机以及全景相机等，摄像装置526获取的图像信息可以包括静态图像，也可以包括视频流信息。
决策控制系统530包括基于感知系统520所获取的信息进行分析决策的计算系统531，决策控制系统530还包括对车辆500的动力系统进行控制的整车控制器532，以及用于控制车辆500的转向系统533、油门534和制动系统535。
计算系统531可以操作来处理和分析由感知系统520所获取的各种信息以便识别车辆500周边环境中的目标、物体和/或特征。目标可以包括行人或者动物，物体和/或特征可包括交通信号、道路边界和障碍物。计算系统531可使用物体识别算法、运动中恢复结构(Structure from Motion，SFM)算法、视频跟踪等技术。在一些实施例中，计算系统531可以用于为环境绘制地图、跟踪物体、估计物体的速度等等。计算系统531可以将所获取的各种信息进行分析并得出对车辆的控制策略。
整车控制器532可以用于对车辆的动力电池和引擎541进行协调控制，以提升车辆500的动力性能。
转向系统533可操作来调整车辆500的前进方向。例如在一个实施例中可以为方向盘系统。
油门534用于控制引擎541的操作速度并进而控制车辆500的速度。
制动系统535用于控制车辆500减速。制动系统535可使用摩擦力来减慢车轮544。在一些实施例中，制动系统535可将车轮544的动能转换为电流。制动系统535也可采取其他形式来减慢车轮544转速从而控制车辆500的速度。
驱动系统540可包括为车辆500提供动力运动的组件。在一个实施例中，驱动系统540可包括引擎541、能量源542、传动系统543和车轮544。引擎541可以是内燃机、电动机、空气压缩引擎或其他类型的引擎组合，例如汽油发动机和电动机组成的混动引擎，内燃引擎和空气压缩引擎组成的混动引擎。引擎541将能量源542转换成机械能量。
能量源542的示例包括汽油、柴油、其他基于石油的燃料、丙烷、其他基于压缩气体的燃料、乙醇、太阳能电池板、电池和其他电力来源。能量源542也可以为车辆500的其他系统提供能量。
传动系统543可以将来自引擎541的机械动力传送到车轮544。传动系统543可包括变速箱、差速器和驱动轴。在一个实施例中，传动系统543还可以包括其他器件，比如离合器。其中，驱动轴可包括可耦合到一个或多个车轮544的一个或多个轴。
车辆500的部分或所有功能受计算平台550控制。计算平台550可包括至少一个处理器551，处理器551可以执行存储在例如存储器552这样的非暂态计算机可读介质中的指令553。在一些实施例中，计算平台550还可以是采用分布式方式控制车辆500的个体组件或子系统的多个计算设备。
处理器551可以是任何常规的处理器，诸如商业可获得的CPU。可替换地，处理器551还可以包括诸如图像处理器(Graphic Process Unit，GPU)，现场可编程门阵列(FieldProgrammable Gate Array，FPGA)、片上系统(Sysem on Chip，SOC)、专用集成芯片(Application Specific Integrated Circuit，ASIC)或它们的组合。尽管图5功能性地图示了处理器、存储器、和在相同块中的计算机的其它元件，但是本领域的普通技术人员应该理解该处理器、计算机、或存储器实际上可以包括可以或者可以不存储在相同的物理外壳内的多个处理器、计算机、或存储器。例如，存储器可以是硬盘驱动器或位于不同于计算机的外壳内的其它存储介质。因此，对处理器或计算机的引用将被理解为包括对可以或者可以不并行操作的处理器或计算机或存储器的集合的引用。不同于使用单一的处理器来执行此处所描述的步骤，诸如转向组件和减速组件的一些组件每个都可以具有其自己的处理器，处理器只执行与特定于组件的功能相关的计算。
在本公开实施方式中，处理器551可以执行上述的场景构建方法。
在此处所描述的各个方面中，处理器551可以位于远离该车辆并且与该车辆进行无线通信。在其它方面中，此处所描述的过程中的一些在布置于车辆内的处理器上执行而其它则由远程处理器执行，包括采取执行单一操纵的必要步骤。
在一些实施例中，存储器552可包含指令553(例如，程序逻辑)，指令553可被处理器551执行来执行车辆500的各种功能。存储器552也可包含额外的指令，包括向信息娱乐系统510、感知系统520、决策控制系统530、驱动系统540中的一个或多个发送数据、从其接收数据、与其交互和/或对其进行控制的指令。
除了指令553以外，存储器552还可存储数据，例如道路地图、路线信息，车辆的位置、方向、速度以及其它这样的车辆数据，以及其他信息。这种信息可在车辆500在自主、半自主和/或手动模式中操作期间被车辆500和计算平台550使用。
计算平台550可基于从各种子系统(例如，驱动系统540、感知系统520和决策控制系统530)接收的输入来控制车辆500的功能。例如，计算平台550可利用来自决策控制系统530的输入以便控制转向系统533来避免由感知系统520检测到的障碍物。在一些实施例中，计算平台550可操作来对车辆500及其子系统的许多方面提供控制。
可选地，上述这些组件中的一个或多个可与车辆500分开安装或关联。例如，存储器552可以部分或完全地与车辆500分开存在。上述组件可以按有线和/或无线方式来通信地耦合在一起。
可选地，上述组件只是一个示例，实际应用中，上述各个模块中的组件有可能根据实际需要增添或者删除，图5不应理解为对本公开实施例的限制。
在道路行进的自动驾驶汽车，如上面的车辆500，可以识别其周围环境内的物体以确定对当前速度的调整。物体可以是其它车辆、交通控制设备、或者其它类型的物体。在一些示例中，可以独立地考虑每个识别的物体，并且基于物体的各自的特性，诸如它的当前速度、加速度、与车辆的间距等，可以用来确定自动驾驶汽车所要调整的速度。
可选地，车辆500或者与车辆500相关联的感知和计算设备(例如计算系统531、计算平台550)可以基于所识别的物体的特性和周围环境的状态(例如，交通、雨、道路上的冰、等等)来预测识别的物体的行为。可选地，每一个所识别的物体都依赖于彼此的行为，因此还可以将所识别的所有物体全部一起考虑来预测单个识别的物体的行为。车辆500能够基于预测的识别的物体的行为来调整它的速度。换句话说，自动驾驶汽车能够基于所预测的物体的行为来确定车辆将需要调整到(例如，加速、减速、或者停止)何种稳定状态。在这个过程中，也可以考虑其它因素来确定车辆500的速度，诸如，车辆500在行驶的道路中的横向位置、道路的曲率、静态和动态物体的接近度等等。
除了提供调整自动驾驶汽车的速度的指令之外，计算设备还可以提供修改车辆500的转向角的指令，以使得自动驾驶汽车遵循给定的轨迹和/或维持与自动驾驶汽车附近的物体(例如，道路上的相邻车道中的车辆)的安全横向和纵向距离。
上述车辆500可以为各种类型的行驶工具，例如，轿车、卡车、摩托车、公共汽车、船、飞机、直升飞机、娱乐车、火车等等，本公开实施例不做特别的限定。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的场景构建方法的代码部分。
图6是根据一示例性实施例示出的一种场景构建的装置600的框图。例如，装置600可以被提供为一服务器。参照图6，装置600包括处理组件622，其进一步包括一个或多个处理器，以及由存储器632所代表的存储器资源，用于存储可由处理组件622的执行的指令，例如应用程序。存储器632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622被配置为执行指令，以执行上述场景构建方法。
装置600还可以包括一个电源组件626被配置为执行装置600的电源管理，一个有线或无线的网络接口650被配置为将装置600连接到网络，和一个输入输出接口658。装置600可以操作基于存储在存储器632的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (11)

1.一种场景构建方法，其特征在于，包括：
获取与车辆事故相关的待处理数据；
根据所述待处理数据进行关系抽取处理，得到所述待处理数据中的实体以及所述实体之间的关系；
根据所述实体和所述关系，构建所述车辆事故的场景。
2.根据权利要求1所述的场景构建方法，其特征在于，所述待处理数据包括图像数据和/或文本数据；
所述获取与车辆事故相关的待处理数据，包括：
获取众包车辆采集的与所述车辆事故相关的所述图像数据；和/或，
获取网络数据中与所述车辆事故相关的所述文本数据。
3.根据权利要求2所述的场景构建方法，其特征在于，所述根据所述待处理数据进行关系抽取处理，得到所述待处理数据中的实体以及所述实体之间的关系，包括：
根据第一关系检测模型对所述图像数据进行所述关系抽取处理，得到所述图像数据中的所述实体以及所述实体之间的关系。
4.根据权利要求3所述的场景构建方法，其特征在于，所述第一关系检测模型基于如下方式训练得到：
获取携带有第一标签序列的多个样本图像，所述第一标签序列用于表征所述样本图像中的第一样本实体以及所述第一样本实体之间的关系；
根据多个所述样本图像迭代更新初始第一关系检测模型的参数以减小各样本图像对应的第一损失函数值，得到训练好的第一关系检测模型；
其中，各样本图像对应的第一损失函数值通过以下过程确定：
通过第一关系检测模型处理所述样本图像，得到所述样本图像的第一预测序列，所述第一预测序列用于表征所述样本图像中的第一预测实体和所述第一预测实体之间的关系；
至少基于所述第一预测序列和所述第一标签序列的差异，确定第一损失函数值。
5.根据权利要求2所述的场景构建方法，其特征在于，所述根据所述待处理数据进行关系抽取处理，得到所述待处理数据中的实体以及所述实体之间的关系，包括：
根据第二关系检测模型对所述文本数据进行所述关系抽取处理，得到所述文本数据中的所述实体以及所述实体之间的关系。
6.根据权利要求5所述的场景构建方法，其特征在于，所述第二关系检测模型基于如下方式训练得到：
获取携带有第二标签序列的多个样本文本，所述第二标签序列用于表征所述样本文本中的第二样本实体以及所述第二样本实体之间的关系；
根据多个所述样本文本迭代更新初始第二关系检测模型的参数以减小各样本文本对应的第二损失函数值，得到训练好的第二关系检测模型；
其中，各样本文本对应的第二损失函数值通过以下过程确定：
通过第二关系检测模型处理所述样本文本，得到所述样本文本的第二预测序列，所述第二预测序列用于表征所述样本文本中的第二预测实体和所述第二预测实体之间的关系；
至少基于所述第二预测序列和所述第二标签序列的差异，确定第二损失函数值。
7.根据权利要求1所述的场景构建方法，其特征在于，所述根据所述实体和所述关系，构建所述车辆事故的场景，包括：
根据所述实体和所述关系，确定所述车辆事故的场景图；
根据地图数据和所述场景图，构建所述车辆事故的场景。
8.一种场景构建装置，其特征在于，包括：
获取模块，被配置为获取与车辆事故相关的待处理数据；
处理模块，被配置为根据所述待处理数据进行关系抽取处理，得到所述待处理数据中的实体以及所述实体之间的关系；
构建模块，被配置为根据所述实体和所述关系，构建所述车辆事故的场景。
9.一种场景构建装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
获取与车辆事故相关的待处理数据；
根据所述待处理数据进行关系抽取处理，得到所述待处理数据中的实体以及所述实体之间的关系；
根据所述实体和所述关系，构建所述车辆事故的场景。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该程序指令被处理器执行时实现权利要求1～7中任一项所述方法的步骤。
11.一种芯片，其特征在于，包括处理器和接口；所述处理器用于读取指令以执行权利要求1～7中任一项所述的方法。
CN202210613269.1A 2022-05-31 2022-05-31 场景构建方法、装置、介质以及芯片 Pending CN114880408A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210613269.1A CN114880408A (zh) 2022-05-31 2022-05-31 场景构建方法、装置、介质以及芯片

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210613269.1A CN114880408A (zh) 2022-05-31 2022-05-31 场景构建方法、装置、介质以及芯片

Publications (1)

Publication Number Publication Date
CN114880408A true CN114880408A (zh) 2022-08-09

Family

ID=82679415

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210613269.1A Pending CN114880408A (zh) 2022-05-31 2022-05-31 场景构建方法、装置、介质以及芯片

Country Status (1)

Country Link
CN (1) CN114880408A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116778720A (zh) * 2023-08-25 2023-09-19 中汽传媒(天津)有限公司 一种交通工况场景库搭建及应用方法、系统和电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107845262A (zh) * 2017-11-09 2018-03-27 山东浪潮云服务信息科技有限公司 一种交通事故预测方法和装置
CN110597711A (zh) * 2019-08-26 2019-12-20 湖南大学 一种基于场景和任务的自动驾驶测试用例生成方法
CN114186072A (zh) * 2021-12-13 2022-03-15 长安大学 交通事故报告提取与场景类型推理方法、系统及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107845262A (zh) * 2017-11-09 2018-03-27 山东浪潮云服务信息科技有限公司 一种交通事故预测方法和装置
CN110597711A (zh) * 2019-08-26 2019-12-20 湖南大学 一种基于场景和任务的自动驾驶测试用例生成方法
CN114186072A (zh) * 2021-12-13 2022-03-15 长安大学 交通事故报告提取与场景类型推理方法、系统及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116778720A (zh) * 2023-08-25 2023-09-19 中汽传媒(天津)有限公司 一种交通工况场景库搭建及应用方法、系统和电子设备
CN116778720B (zh) * 2023-08-25 2023-11-24 中汽传媒(天津)有限公司 一种交通工况场景库搭建及应用方法、系统和电子设备

Similar Documents

Publication Publication Date Title
CN114882464B (zh) 多任务模型训练方法、多任务处理方法、装置及车辆
CN114756700B (zh) 场景库建立方法、装置、车辆、存储介质及芯片
US20240017719A1 (en) Mapping method and apparatus, vehicle, readable storage medium, and chip
CN114935334B (zh) 车道拓扑关系的构建方法、装置、车辆、介质及芯片
CN114537450A (zh) 车辆控制方法、装置、介质、芯片、电子设备及车辆
CN114880408A (zh) 场景构建方法、装置、介质以及芯片
CN114842455B (zh) 障碍物检测方法、装置、设备、介质、芯片及车辆
CN115164910B (zh) 行驶路径生成方法、装置、车辆、存储介质及芯片
CN115170630B (zh) 地图生成方法、装置、电子设备、车辆和存储介质
CN114771539B (zh) 车辆变道决策方法、装置、存储介质及车辆
CN115203457B (zh) 图像检索方法、装置、车辆、存储介质及芯片
CN114863717B (zh) 车位推荐方法、装置、存储介质及车辆
CN115080788A (zh) 音乐推送方法、装置、存储介质及车辆
CN115223122A (zh) 物体的三维信息确定方法、装置、车辆与存储介质
CN114987549A (zh) 车辆控制方法、装置、存储介质及车辆
CN114973178A (zh) 模型训练方法、物体识别方法、装置、车辆及存储介质
CN115221260B (zh) 数据处理方法、装置、车辆及存储介质
CN115115822B (zh) 车端图像处理方法、装置、车辆、存储介质及芯片
CN115214629B (zh) 自动泊车方法、装置、存储介质、车辆及芯片
CN114789723B (zh) 车辆行驶控制方法、装置、车辆、存储介质及芯片
CN114771514B (zh) 车辆行驶控制方法、装置、设备、介质、芯片及车辆
CN114842454B (zh) 障碍物检测方法、装置、设备、存储介质、芯片及车辆
CN114911630B (zh) 数据处理方法、装置、车辆、存储介质及芯片
CN115042813B (zh) 车辆控制方法、装置、存储介质及车辆
EP4296132A1 (en) Vehicle control method and apparatus, vehicle, non-transitory storage medium and chip

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