CN115031981A - 一种车辆、传感器的仿真方法及装置 - Google Patents
一种车辆、传感器的仿真方法及装置 Download PDFInfo
- Publication number
- CN115031981A CN115031981A CN202110238478.8A CN202110238478A CN115031981A CN 115031981 A CN115031981 A CN 115031981A CN 202110238478 A CN202110238478 A CN 202110238478A CN 115031981 A CN115031981 A CN 115031981A
- Authority
- CN
- China
- Prior art keywords
- sensor
- vehicle
- information
- target
- candidate
- 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 127
- 238000000034 method Methods 0.000 title claims abstract description 106
- 238000005259 measurement Methods 0.000 claims abstract description 173
- 238000012360 testing method Methods 0.000 claims abstract description 141
- 238000012549 training Methods 0.000 claims abstract description 84
- 238000001514 detection method Methods 0.000 claims description 49
- 230000015654 memory Effects 0.000 claims description 48
- 238000004891 communication Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 16
- 238000002372 labelling Methods 0.000 claims description 12
- 230000006855 networking Effects 0.000 claims description 3
- 230000010287 polarization Effects 0.000 description 47
- 238000010586 diagram Methods 0.000 description 36
- 230000000694 effects Effects 0.000 description 33
- 230000008569 process Effects 0.000 description 29
- 230000007613 environmental effect Effects 0.000 description 26
- 230000006870 function Effects 0.000 description 26
- 238000012545 processing Methods 0.000 description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000005540 biological transmission Effects 0.000 description 11
- 230000002093 peripheral effect Effects 0.000 description 11
- 230000001133 acceleration Effects 0.000 description 10
- 239000000463 material Substances 0.000 description 10
- 230000006399 behavior Effects 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 230000004438 eyesight Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000008447 perception Effects 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 3
- 230000010267 cellular communication Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000704 physical effect Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 229910044991 metal oxide Inorganic materials 0.000 description 2
- 150000004706 metal oxides Chemical class 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000004304 visual acuity Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000003897 fog Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000000979 retarding effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
- G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/23—Testing, monitoring, correcting or calibrating of receiver elements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/497—Means for monitoring or calibrating
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
Abstract
本申请提供一种车辆、传感器的仿真方法及装置,该方法包括:将第一目标车辆相对仿真车辆的位置信息和速度信息及仿真车辆的道路环境信息,输入至传感器模型中,得到第一目标车辆的传感器特征预测值;其中,传感器模型用于仿真该仿真车辆中的传感器,第一目标车辆为仿真车辆所在的测试环境中的车辆,第一目标车辆相对仿真车辆的位置信息和速度信息及仿真车辆的道路环境信息为根据测试环境确定的,传感器模型为根据传感器的测量数据及标注的道路环境信息训练得到的;将第一目标车辆的传感器特征预测值输入至仿真车辆的决策模块,获得仿真车辆的仿真决策结果;其中,决策模块用于输出基于传感器特征预测值确定的车辆行驶决策。
Description
技术领域
本申请涉及智能网联车技术领域,尤其涉及一种车辆、传感器的仿真方法及装置。
背景技术
自动驾驶是一种由计算机系统代替人类来驾驶机动车辆的技术,其包括环境感知、位置定位、路径规划、决策控制和动力系统等功能模块。其中,实现环境感知功能的方式包括以下两种:通过激光雷达、毫米波雷达等高精度低维度传感器实现环境感知功能,以及,通过单目/多目高清摄影头等高维度低精度传感器实现环境感知功能。
为保证自动驾驶的安全性,智能汽车需要经过大量的路程测试充分验证安全性,然而,这会带来巨大的时间成本和经济成本。因此,在对智能汽车进行路程测试之前,可以通过虚拟仿真对智能汽车进行测试和验证,提高测试效率,降低测试成本。在智能汽车的仿真中,传感器的仿真是至关重要的一个环节,传感器仿真得到的仿真数据影响到了车辆仿真结果的可信度。
然而,目前的传感器测试过程复杂且实时性差,难以满足智能汽车实时仿真的需求。
发明内容
本申请提供一种车辆、传感器的仿真方法及装置,用于提高车辆的仿真效果。
第一方面,本申请提供一种车辆的仿真方法,该仿真方法可以应用于测试装置上,可以包括支持运行仿真软件的硬件设备,如个人计算机、服务器、车载移动终端、工控机、嵌入式设备等。例如,测试装置可以由云端的服务器或虚拟机实现。测试装置还可以是支持运行仿真软件的芯片。该测试装置用于测试仿真车辆,该测试装置可以包括传感器模型,所述传感器模型用于仿真所述仿真车辆中的传感器。例如,该测试装置可以是测试仿真车辆的服务器或服务器上的芯片。该方法可以包括:
将第一目标车辆相对仿真车辆的位置信息和速度信息及所述仿真车辆的道路环境信息,输入至传感器模型中,得到所述第一目标车辆的传感器特征预测值;所述传感器特征预测值包括以下至少一项:雷达反射截面(radar cross section,RCS)预测值和信噪比(signal-noise ratio,SNR)预测值;其中,所述第一目标车辆为所述仿真车辆所在的测试环境中的车辆,所述第一目标车辆相对所述仿真车辆的位置信息和速度信息及所述仿真车辆的道路环境信息为根据所述测试环境确定的,所述传感器模型为根据所述传感器的测量数据及标注的道路环境信息训练得到的;将所述第一目标车辆的传感器特征预测值输入至所述仿真车辆的决策模块,获得所述仿真车辆的仿真决策结果;其中,所述决策模块用于输出基于所述传感器特征预测值确定的车辆行驶决策。
在上述方法中,传感器模型可以得到在测试环境中的目标对象的传感器特征预测值,例如,RCS预测值和SNR预测值,使得输入至决策模块用于模拟传感器获得的相关信息更加接近真实毫米波雷达传感器的输出,提高传感器模型对传感器仿真的逼真程度,有利于决策模块更好的模拟出真实场景中,车辆基于传感器采集到的相关信息作出的可能的决策结果,从而,提高车辆的仿真效果。另外,由于传感器模型是根据所述传感器的测量数据及标注的道路环境信息训练得到的,因此,可以基于不同的测试环境(可以对应不同的道路环境信息),输出相应的传感器特征预测值,有效提高车辆仿真性能及仿真结果的鲁棒性。
一种可能的实现方式,所述第一目标车辆为根据候选车辆相对所述仿真车辆的位置信息和速度信息,在所述候选车辆中确定出的在所述传感器的探测范围内的车辆;所述候选车辆相对所述仿真车辆的位置信息和速度信息为根据所述测试环境确定的,所述候选车辆为所述仿真车辆所在的测试环境中的车辆。
通过上述方法,可以基于在所述仿真车辆的传感器的探测范围内的车辆,对候选车辆进行筛选,使得确定出的第一目标车辆,可以是传感器的探测范围内的所有可能的候选车辆,考虑了传感器可能由于多个第一目标车辆相对仿真车辆之间可能造成遮挡时,由于传感器的多径效应,仍可以采集到该多个第一目标车辆的测量数据的情况,因此,可以更好的仿真出传感器的多径效应,使得传感器模型在该情况下,也可以输出多个第一目标车辆的传感器特征预测值。从而,使得传感器模型可以体现传感器的多径效应,提高传感器模型的仿真效果。
一种可能的实现方式,确定所述第一目标车辆的SNR预测值大于可见阈值。
考虑到传感器可以通过确定信噪比是否大于预设阈值的方式,判断采集到的测量数据为目标对象还是噪声。传感器可能会出现4种不同的情况,存在目标时,判为有目标,判断正确,这种情况称为“发现”;存在目标时,判为无目标,判断错误,这种情况称为“漏报(假阴性)”;不存在目标时,判为无目标,判断正确,这种情况称为“正确不发现”;不存在目标时,判为有目标,判断错误,这种情况称为“虚警(假阳性)”。
因此,将该方法引入到传感器模型中,可以使得传感器模型可以模拟出传感器可能基于信噪比产生对目标对象误判的物理特性。本申请中,对候选车辆的SNR预测值进行筛选,从而确定该候选车辆是否为第一目标车辆。在候选车辆的SNR预测值大于可见阈值时,可以确定该候选车辆为第一目标车辆。在候选车辆的SNR预测值小于或等于可见阈值时,可以确定该候选车辆被传感器判定为噪声。从而,可以体现出传感器可能造成误判的物理特性,提高传感器模型仿真传感器的效果。
一种可能的实现方式,所述第一目标车辆包括第一候选车辆和第二候选车辆;所述第一目标车辆的传感器特征预测值为根据所述第一候选车辆的传感器特征预测值和第二候选车辆的传感器特征预测值确定的;所述第一候选车辆和所述第二候选车辆满足:第一位置相对第二位置的相对位置小于第一位置阈值;所述第一位置为所述第一候选目标车辆相对所述仿真车辆的位置,所述第二位置为所述第二候选目标车辆相对所述仿真车辆的位置。
考虑到传感器在输出目标车辆的测量数据时,可能会出现将2个或2个以上的车辆输出为一个车辆的情况。例如,可以将第一候选车辆和第二候选车辆满足第一位置相对第二位置的相对位置小于第一位置阈值时,确定传感器会将第一候选车辆和第二候选车辆误判为第一目标车辆。
因此,本申请中,通过上述方法,使得传感器模型,在确定第一候选车辆和第二候选车辆满足第一位置相对第二位置的相对位置小于第一位置阈值时,将第一候选车辆和第二候选车辆作为第一目标车辆输出,从而,仿真出传感器可能无法区分多个候选车辆的物理特性,提高传感器模型仿真传感器的效果。
一种可能的实现方式,所述第一候选车辆和所述第二候选车辆还满足:第一速度相对第二速度的相对速度小于第一速度阈值;所述第一速度为所述第一候选目标车辆相对所述仿真车辆的速度,所述第二速度为所述第二候选目标车辆相对所述仿真车辆的速度。
考虑到传感器在输出目标车辆的测量数据时,传感器可能会将2个或2个以上的车辆输出为一个车辆的情况可以是基于相对位置和相对速度确定的。因此,本申请中,可以通过在确定第一候选车辆和第二候选车辆满足第一位置相对第二位置的相对位置小于第一位置阈值,并确定第一速度相对第二速度的相对速度小于第一速度阈值后,将第一候选车辆和第二候选车辆作为第一目标车辆输出,从而,更好的仿真出传感器可能无法区分多个候选车辆的物理特性,提高传感器模型仿真传感器的效果。
一种可能的实现方式,所述传感器模型为根据所述传感器的测量数据及标注的道路环境信息训练得到的,包括:获取传感器的测量数据;所述测量数据包括:第二目标车辆相对所述传感器的位置信息、速度信息以及所述传感器采集的所述第二目标车辆的传感器特征值;所述传感器特征值包括:RCS测量值和SNR测量值;所述传感器位于测量车辆中,所述第二目标车辆为所述测量车辆附近的车辆;根据所述传感器的测量数据及获得的标注信息进行训练,得到传感器模型;所述标注信息包括以下至少一项:所述第二目标车辆相对所述传感器的横摆角、所述传感器采集数据时标注的道路环境信息、所述传感器所在的车辆信息;所述传感器模型的输入为所述第一目标车辆相对所述传感器的位置信息、速度信息及所述标注信息,所述传感器模型的输出为所述第一目标车辆的传感器特征预测值。
通过上述方法,可以基于传感器采集的第二目标车辆的传感器特征值、相对所述传感器的位置信息、速度信息等测量数据,及标注的道路环境信息,作为训练样本进行训练,使得训练出的传感器模型可以输出目标车辆的传感器预测值,该传感器预测值是基于传感器采集的第二目标车辆的传感器特征值训练得到的,因此,该传感器模型可以更接近传感器的真实输出的测量数据,另外,由于训练样本中还考虑了传感器采集测量数据时的道路环境信息,使得传感器模型输出的传感器特征预测值,可以更好的体现在不同道路环境信息下传感器的输出,提高传感器模型仿真传感器的效果。
第二方面,本申请提供一种传感器的仿真方法,包括:
获取传感器的测量数据;所述测量数据包括:第二目标车辆相对所述传感器的位置信息、速度信息以及所述传感器采集的所述第二目标车辆的传感器特征测量值;所述传感器特征测量值包括:RCS测量值和SNR测量值;所述传感器位于测量车辆中;所述第二目标车辆为所述测量车辆附近的车辆;根据所述传感器的测量数据及获得的标注信息进行训练,得到传感器模型;所述传感器模型的样本输入为所述第二目标车辆相对所述传感器的位置信息、速度信息及标注信息,所述传感器模型的输出为所述第二目标车辆的传感器特征预测值;所述第二目标车辆的传感器特征预测值包括以下至少一项:RCS预测值和SNR预测值;所述标注信息包括以下至少一项:所述第二目标车辆相对所述传感器的横摆角、所述传感器采集数据时标注的道路环境信息、所述传感器所在的车辆信息。
通过上述方法,可以基于传感器采集的第二目标车辆的传感器特征值、相对所述传感器的位置信息、速度信息等测量数据,及标注的道路环境信息,作为训练样本进行训练,使得训练出的传感器模型可以输出目标车辆的传感器预测值,该传感器预测值是基于传感器采集的第二目标车辆的传感器特征值训练得到的,因此,该传感器模型可以更接近传感器的真实输出的测量数据,另外,由于训练样本中还考虑了传感器采集测量数据时的道路环境信息,使得传感器模型输出的传感器特征预测值,可以更好的体现在不同道路环境信息下传感器的输出,提高传感器模型仿真传感器的效果,从而,有利于提供车辆的仿真效果。
第三方面,本申请提供一种车辆的仿真装置,包括:
传感器特征预测模块,用于将第一目标车辆相对仿真车辆的位置信息和速度信息及所述仿真车辆的道路环境信息,输入至传感器模型中,得到所述第一目标车辆的传感器特征预测值;所述传感器特征预测值包括以下至少一项:雷达反射截面RCS预测值和信噪比SNR预测值;其中,所述传感器模型用于仿真所述仿真车辆中的传感器,所述第一目标车辆为所述仿真车辆所在的测试环境中的车辆,所述第一目标车辆相对所述仿真车辆的位置信息和速度信息及所述仿真车辆的道路环境信息为根据所述测试环境确定的,所述传感器模型为根据所述传感器的测量数据及标注的道路环境信息训练得到的;
输出模块,用于将所述第一目标车辆的传感器特征预测值输入至所述仿真车辆的决策模块,获得所述仿真车辆的仿真决策结果;其中,所述决策模块用于输出基于所述传感器特征预测值确定的车辆行驶决策。
一种可能的实现方式,该装置还可以包括:
第一确定模块,用于根据候选车辆相对所述仿真车辆的位置信息和速度信息,在所述候选车辆中将在所述传感器的探测范围内的车辆确定为所述第一目标车辆;所述候选车辆相对所述仿真车辆的位置信息和速度信息为根据所述测试环境确定的;所述候选车辆为所述仿真车辆所在的测试环境中的车辆。
一种可能的实现方式,该装置还可以包括:第二确定模块,用于确定所述第一目标车辆的SNR预测值大于可见阈值。
一种可能的实现方式,还包括:第三确定模块,用于根据第一候选车辆的传感器特征预测值和第二候选车辆的传感器特征预测值确定所述第一目标车辆的传感器特征预测值;所述第一目标车辆包括第一候选车辆和第二候选车辆;所述第一候选车辆和所述第二候选车辆满足:第一位置相对第二位置的相对位置小于第一位置阈值;所述第一位置为所述第一候选目标车辆相对所述仿真车辆的位置,所述第二位置为所述第二候选目标车辆相对所述仿真车辆的位置。
一种可能的实现方式,所述第一候选车辆和所述第二候选车辆还满足:
第一速度相对第二速度的相对速度小于第一速度阈值;所述第一速度为所述第一候选目标车辆相对所述仿真车辆的速度,所述第二速度为所述第二候选目标车辆相对所述仿真车辆的速度。
一种可能的实现方式,该装置还包括:传感器模型训练模块,所述传感器模型训练模块包括:
获取模块,用于获取传感器的测量数据;所述测量数据包括:第二目标车辆相对所述传感器的位置信息、速度信息以及所述传感器采集的所述第二目标车辆的传感器特征值;所述传感器特征值包括:RCS测量值和SNR测量值;所述传感器位于测量车辆中,所述第二目标车辆为所述测量车辆附近的车辆;
训练模块,用于根据所述传感器的测量数据及获得的标注信息进行训练,得到传感器模型;所述标注信息包括以下至少一项:所述第二目标车辆相对所述传感器的横摆角、所述传感器采集数据时标注的道路环境信息、所述测量车辆的车辆信息;所述传感器模型的输入为所述第一目标车辆相对所述传感器的位置信息、速度信息及所述标注信息,所述传感器模型的输出为所述第一目标车辆的传感器特征预测值。
第四方面,本申请提供一种传感器的仿真装置,包括:
获取模块,用于获取传感器的测量数据;所述测量数据包括:第二目标车辆相对所述传感器的位置信息、速度信息以及所述传感器采集的所述第二目标车辆的传感器特征测量值;所述传感器特征测量值包括:RCS测量值和SNR测量值;所述传感器位于测量车辆中;所述第二目标车辆为所述测量车辆附近的车辆;
训练模块,用于根据所述传感器的测量数据及获得的标注信息进行训练,得到传感器模型;所述传感器模型的样本输入为所述第二目标车辆相对所述传感器的位置信息、速度信息及标注信息,所述传感器模型的输出为所述第二目标车辆的传感器特征预测值;所述第二目标车辆的传感器特征预测值包括以下至少一项:RCS预测值和SNR预测值;
所述标注信息包括以下至少一项:所述第二目标车辆相对所述传感器的横摆角、所述传感器采集数据时标注的道路环境信息、所述传感器所在的车辆信息。
第五方面,本申请提供一种车辆的仿真装置,包括:处理器和接口电路;其中,所述处理器通过所述接口电路与存储器耦合,所述处理器用于执行所述存储器中的程序代码,实现上述第一方面或第一方面的任一可能的实现方式所描述的方法。
第六方面,本申请提供一种传感器的仿真装置,包括:处理器和接口电路;其中,所述处理器通过所述接口电路与存储器耦合,所述处理器用于执行所述存储器中的程序代码,实现上述第二方面的实现方式所描述的方法。
第七方面,本申请提供一种计算机可读存储介质,包括计算机指令,当所述计算机指令在被处理器运行时,使得所述车辆的仿真装置执行第一方面中任一项所述的方法或第二方面所述的方法。
第八方面,本申请提供一种计算机程序产品,当所述计算机程序产品在处理器上运行时,使得所述车辆的仿真装置执行第一方面任一项所述的方法或第二方面所述的方法。
第九方面,本申请实施例提供了一种车联网通信系统,该系统包含车载系统和如第三方面或第四方面所述的装置,其中,车载系统与该装置通信连接。
第十方面,本申请实施例提供了一种芯片系统,该芯片系统包括处理器,用于调用存储器中存储的计算机程序或计算机指令,以使得该处理器执行如第一方面或第二方面中任意一种可能的实现方式所述的方法。
在一种可能的实现方式中,该处理器通过接口与存储器耦合。
在一种可能的实现方式中,该芯片系统还包括存储器,该存储器中存储有计算机程序或计算机指令。
本申请实施例还提供了一种处理器,该处理器用于调用存储器中存储的计算机程序或计算机指令,以使得该处理器执行如第一方面或第二方面中任意一种可能的实现方式所述的方法。
另外,第三方面至第十方面中任一种实现方式所带来的技术效果可参见第一方面至第二方面中不同实现方式所带来的技术效果,此处不再赘述。
附图说明
图1a为本申请实施例提供的一种车辆的系统架构示意图;
图1b为本申请实施例提供的一种应用场景的示意图;
图1c为本申请实施例提供的一种应用场景的示意图;
图2为本申请实施例提供的一种雷达传感器的原理示意图;
图3a为一种车辆仿真方法的流程示意图;
图3b为本申请实施例提供的一种车辆仿真方法的测试环境示意图;
图3c为本申请实施例提供的一种车辆遮挡场景示意图;
图4a为本申请实施例提供的一种车辆采集测量数据的场景示意图;
图4b为本申请实施例提供的一种传感器的仿真方法的流程示意图;
图4c为本申请实施例提供的一种车辆采集的测量数据的示意图;
图4d为本申请实施例提供的一种传感器的仿真方法的示意图;
图4e为本申请实施例提供的一种传感器的仿真方法的示意图;
图5a为本申请实施例提供的一种车辆的仿真结构示意图;
图5b为本申请实施例提供的一种车辆的仿真方法的流程示意图;
图6a为本申请实施例提供的一种车辆的传感器的探测范围的示意图;
图6b为本申请实施例提供的一种确定目标对象的示意图;
图7a-图7d为本申请实施例提供的一种确定目标对象的示意图;
图8a为本申请实施例提供的一种车辆的仿真结构示意图;
图8b为本申请实施例提供的一种车辆的仿真方法的流程示意图;
图9为本申请实施例提供的一种车辆的仿真装置的结构示意图;
图10为本申请实施例提供的一种车辆的仿真装置的结构示意图;
图11为本申请实施例提供的一种传感器的仿真装置的结构示意图;
图12为本申请实施例提供的一种传感器的仿真装置的结构示意图。
具体实施方式
本申请的说明书实施例和权利要求书及附图中的术语“第一”、“第二”等仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。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。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。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
图1a是本申请实施例车辆100的一种示例性功能框图。在一个实施例中,车辆100可以配置为完全或部分地自动驾驶模式。例如,车辆100可以在处于自动驾驶模式中可以同时控制自身,并且可以通过人为操作来确定车辆及其周边环境的当前状态,确定周边环境中的至少一个其他车辆的可能行为,并确定该其他车辆执行可能行为的可能性相对应的置信水平,并基于所确定的信息来控制车辆100。在车辆100处于自动驾驶模式中时,可以将车辆100置为在没有和人交互的情况下操作。
如图1a所示,耦合到车辆100或包括在车辆100中的组件可以包括推进系统110、传感器系统120、控制系统130、外围设备140、电源150、计算机系统160以及用户接口170。车辆100的组件可以被配置为以与彼此互连和/或与耦合到各系统的其它组件互连的方式工作。例如,电源150可以向车辆100的所有组件提供电力。计算机系统160可以被配置为从推进系统110、传感器系统120、控制系统130和外围设备140接收数据并对它们进行控制。计算机系统160还可以被配置为在用户接口170上生成图像的显示并从用户接口170接收输入。
需要说明的是,在其它示例中,车辆100可以包括更多、更少或不同的系统,并且每个系统可以包括更多、更少或不同的组件。此外,示出的系统和组件可以按任意种的方式进行组合或划分,本申请对此不做具体限定。
推进系统110可以为车辆100提供动力运动。如图1a所示,推进系统110可以包括引擎/发动机114、能量源113、传动装置(transmission)112和车轮/轮胎111。另外,推进系统110可以额外地或可替换地包括除了图1a所示出的组件以外的其他组件。本申请对此不做具体限定。
传感器系统120可以包括用于感测关于车辆100所位于的环境的信息的若干个传感器。如图1a所示,传感器系统120的传感器包括全球定位系统(GlobalPositioningSystem,GPS)126、惯性测量单元(Inertial Measurement Unit,IMU)125、激光雷达122、相机传感器123、毫米波雷达124以及用于修改传感器的位置和/或朝向的制动器121。毫米波雷达124可利用无线电信号来感测车辆100的周边环境内的目标。在一些实施例中,除了感测目标以外,毫米波雷达124还可用于感测目标的速度和/或前进方向。激光雷达122可利用激光来感测车辆100所位于的环境中的目标。在一些实施例中,激光雷达122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。相机传感器123可用于捕捉车辆100的周边环境的多个图像。相机传感器123可以是静态相机或视频相机。
GPS 126可以为用于估计车辆100的地理位置的任何传感器。为此,GPS 126可以包括收发器,基于卫星定位数据估计车辆100相对于地球的位置。在示例中,计算机系统160可以用于结合地图数据使用GPS 126来估计车辆100行驶的道路。IMU125可以用于基于惯性加速度及其任意组合来感测车辆100的位置和朝向变化。在一些示例中,IMU125中传感器的组合可包括例如加速度计和陀螺仪。另外,IMU 125中传感器的其它组合也是可能的。
传感器系统120还可包括被监视车辆100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100的安全操作的关键功能。传感器系统120还可以包括其它传感器。本申请对此不做具体限定。
控制系统130为控制车辆100及其组件的操作。控制系统130可包括各种元件,其中包括转向单元136、油门135、制动单元134、传感器融合算法133、计算机视觉系统132、路线控制系统131以及障碍规避系统137。转向系统136可操作来调整车辆100的前进方向。例如在一个实施例中可以为方向盘系统。油门135用于控制引擎114的操作速度并进而控制车辆100的速度。控制系统130可以额外地或可替换地包括除了图1a所示出的组件以外的其他组件。本申请对此不做具体限定。
制动单元134用于控制车辆100减速。制动单元134可使用摩擦力来减慢车轮111。在其他实施例中,制动单元134可将车轮111的动能转换为电流。制动单元134也可采取其他形式来减慢车轮111转速从而控制车辆100的速度。计算机视觉系统132可以操作来处理和分析由相机传感器123捕捉的图像以便识别车辆100周边环境中的目标和/或特征。所述目标和/或特征可包括交通信号、道路边界和障碍物。计算机视觉系统132可使用目标识别算法、运动中恢复结构(structure from motion,SFM)算法、视频跟踪和其他计算机视觉技术。在一些实施例中,计算机视觉系统132可以用于为环境绘制地图、跟踪目标、估计目标的速度等等。路线控制系统131用于确定车辆100的行驶路线。在一些实施例中,路线控制系统131可结合来自传感器系统120、GPS 126和一个或多个预定地图的数据以为车辆100确定行驶路线。障碍物避免系统137用于识别、评估和避免或者以其他方式越过车辆100的环境中的潜在障碍物。当然,在一个实例中,控制系统130可以增加或替换地包括除了所示出和描述的那些以外的组件。或者也可以减少一部分上述示出的组件。
外围设备140可以被配置为允许车辆100与外部传感器、其它车辆和/或用户交互。为此,外围设备140可以包括例如无线通信系统144、触摸屏143、麦克风142和/或扬声器141。外围设备140可以额外地或可替换地包括除了图1a所示出的组件以外的其他组件。本申请对此不做具体限定。
在一些实施例中,外围设备140提供车辆100的用户与用户接口170交互的手段。例如,触摸屏143可向车辆100的用户提供信息。用户接口170还可操作触摸屏143来接收用户的输入。在其他情况中,外围设备140可提供用于车辆100与位于车内的其它设备通信的手段。例如,麦克风142可从车辆100的用户接收音频(例如,语音命令或其他音频输入)。类似地,扬声器141可向车辆100的用户输出音频。
无线通信系统144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144可使用3G蜂窝通信,例如码分多址(code division multipleaccess,CDMA)、EVD0、全球移动通信系统(global system for mobile communications,GSM)/通用分组无线服务技术(general packet radio service,GPRS),或者4G蜂窝通信,例如长期演进(long term evolution,LTE),或者5G蜂窝通信。无线通信系统144可利用无线保真(wirelessfidelity,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144可利用红外链路、蓝牙或ZigBee等无线协议与设备直接通信。其他无线协议,例如各种车辆通信系统,例如,无线通信系统144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。
电源150可以被配置为向车辆100的一些或全部组件提供电力。为此,电源150可以包括例如可再充电锂离子或铅酸电池。在一些示例中,一个或多个电池组可被配置为提供电力。其它电源材料和配置也是可能的。在一些示例中,电源150和能量源113可以一起实现,如一些全电动车中那样。车辆100的组件可以被配置为以与在其各自的系统内部和/或外部的其它组件互连的方式工作。为此,车辆100的组件和系统可以通过系统总线、网络和/或其它连接机制通信地链接在一起。
车辆100的部分或所有功能受计算机系统160控制。计算机系统160可包括至少一个处理器161,处理器161执行存储在例如存储器163这样的非暂态计算机可读介质中的指令1631。计算机系统160还可以是采用分布式方式控制车辆100的个体组件或子系统的多个计算设备。
处理器161可以是任何常规的处理器,诸如商业可获得的中央处理器(centralprocessing unit,CPU)。替选地,该处理器可以是诸如专用集成电路(applicationspecific integrated circuits,ASIC)或其它基于硬件的处理器的专用设备。尽管图1a功能性地图示了处理器、存储器、和在相同块中的计算机系统160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系统160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,所述处理器只执行与特定于组件的功能相关的计算。
在此处所描述的各个方面中,处理器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163可包含指令1631(例如,程序逻辑),指令1631可被处理器161执行来执行车辆100的各种功能,包括以上描述的那些功能。存储器214也可包含额外的指令,包括向推进系统110、传感器系统120、控制系统130和外围设备140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1631以外,存储器163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100在自主、半自主和/或手动模式中操作期间被车辆100和计算机系统160使用。
用户接口170,用于向车辆100的用户提供信息或从其接收信息。可选地,用户接口170可包括在外围设备140的集合内的一个或多个输入/输出设备,例如无线通信系统144、触摸屏143、麦克风142和扬声器141。
计算机系统160可基于从各种子系统(例如,推进系统110、传感器系统120和控制系统130)以及从用户接口170接收的输入来控制车辆100的功能。例如,计算机系统160可利用来自控制系统130的输入以便控制转向单元136来避免由传感器系统120和障碍物避免系统137检测到的障碍物。在一些实施例中,计算机系统160可操作来对车辆100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100分开安装或关联。例如,存储器163可以部分或完全地与车辆100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1a不应理解为对本申请实施例的限制。
在道路行进的自动驾驶汽车,如上面的车辆100,可以识别其周围环境内的目标以确定对当前速度的调整。所述目标可以是其它车辆、交通控制设备、或者其它类型的目标。在一些示例中,可以独立地考虑每个识别的目标,并且基于目标的各自的特性,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,自动驾驶汽车车辆100或者与自动驾驶车辆100相关联的计算设备(如图1a的计算机系统160、计算机视觉系统132、存储器163)可以基于所识别的目标的特性和周围环境的状态(例如,交通、雨、道路上的冰等等)来预测所述识别的目标的行为。可选地,每一个所识别的目标都依赖于彼此的行为,因此还可以将所识别的所有目标全部一起考虑来预测单个识别的目标的行为。车辆100能够基于预测的所述识别的目标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目标的行为来确定车辆将需要调整到(例如,加速、减速、或者停止)什么稳定状态。在这个过程中,也可以考虑其它因素来确定车辆100的速度,诸如,车辆100在行驶的道路中的横向位置、道路的曲率、静态和动态目标的接近度等等。
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100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目标(例如,道路上的相邻车道中的轿车)的安全横向和纵向距离。
上述车辆100可以为轿车、卡车、摩托车、公共汽车、船、飞机、直升飞机、割草机、娱乐车、游乐场车辆、施工设备、电车、高尔夫球车、火车、和手推车等,本申请实施例不做特别的限定。
此外,同样需要说明的是,本申请实施例中所述的雷达系统可以应用于多种领域,示例性地,本申请实施例中的雷达系统包括但不限于车载雷达、路边交通雷达,无人机雷达。
下面具体介绍传感器系统。
汽车上的传感器可根据感知方式分为两大类:被动感知类传感器和主动感知类传感器。
其中,被动感知类传感器的依赖外界环境的辐射信息。
例如,典型的被动感知类传感器是摄像头,摄像头的感知不是通过发射和接收能量波的形式,它的感知结果准确性主要是取决于图像处理和分类算法。
相机传感器123可以包括用于获取车辆100所位于的环境的图像的任何相机(例如,静态相机、视频相机等)。为此,相机传感器123可以被配置为检测可见光,或可以被配置为检测来自光谱的其它部分(诸如红外光或紫外光)的光。其它类型的相机传感器123也是可能的。相机传感器123可以是二维检测器,或可以具有三维空间范围检测功能。在一些示例中,相机传感器123例如可以是距离检测器,其被配置为生成指示从相机传感器123到环境中的若干点的距离的二维图像。为此,相机传感器123可以使用一种或多种距离检测技术。例如,相机传感器123可以被配置为使用结构光技术,其中车辆100利用预定光图案,诸如栅格或棋盘格图案,对环境中的物体进行照射,并且使用相机传感器123检测从物体的预定光图案的反射。基于反射的光图案中的畸变,车辆100可以被配置为检测到物体上的点的距离。预定光图案可以包括红外光或其它波长的光。相机传感器123可以包括用于获取车辆100所位于的环境的图像的任何相机(例如,静态相机、视频相机等)。在一些示例中,相机传感器123例如可以是距离检测器,其被配置为生成指示从相机传感器123到环境中的若干点的距离的二维图像。为此,相机传感器123可以使用一种或多种距离检测技术。当相机传感器感知到图像感知区域中存在目标时,将图像信息传输至处理模块,由处理模块进行进一步处理。
其中,相机传感器123可以为下列相机传感器中的一种或多种,例如:1)红外线相机传感器(infrared radiation-red green blue image sensor,IR-RGB image sensor),采用CCD单元(charge-coupled device,电荷耦合器件)或标准CMOS单元(complementarymeta-oxide semiconductor,互补金属氧化物半导体),通过滤波片滤波,只允许透过彩色波长段和设定的红外波长段的光,在图像信号处理器中分离IR(infrared radiation,红外)图像数据流以及RGB(red green blue,三原色)图像数据流,IR图像数据流为微光环境下得到的图像数据流,分离得到的该两个图像数据流用做其他应用处理。2)可见光相机传感器,采用CCD单元(charge-coupled device,电荷耦合器件)或标准CMOS单元(complementary meta-oxide semiconductor,互补金属氧化物半导体),获得可见光数据图像。
主动感知类传感器是通过主动发射能量波进行环境感知。例如,主动感知类传感器可以是雷达传感器。车载的雷达传感器通过天线向外发射检测信号(电磁波)以及接收目标反射的信号,对目标反射的信号进行放大以及下变频等处理,得到汽车与目标之间的相对距离、相对速度以及角度等信息,然后根据得到的信息进行目标跟踪和识别分类,并经过合理决策后,能够实现障碍物测量、碰撞预测、自适应巡航控制等功能。例如,雷达传感器根据得到的信息进行目标跟踪和识别分类后,经合理决策后,以声、光及触觉等多种方式告知或警告驾驶员,或者及时对汽车做出主动干预,可以有效地降低驾驶难度、减少驾驶员负担以及减少事故的发生率,从而保证驾驶过程的安全性和舒适性,因而在汽车领域得到了广泛应用。
雷达传感器基于不同的测量范围可以分为长距雷达(Long Range Radar,LRR)、中距雷达(Middle RangeRadar,MRR)和短距雷达(Short Range Radar,SRR)。
其中,LRR具有测距与防碰撞功能,广泛应用于自适应巡航控制(Adaptive CruiseControl,ACC)、前向碰撞警告(Forward Collision Warning,FCW)、自动紧急刹车(Automatic Emergency Brake,AEB)等领域。示例性的,将LRR安装在车辆前方保险杠的正中心位置,方位角为0°,当高度低于50cm时仰角设置为1.5°,当高度超过50cm时仰角设置为0°,这样可以实现卡车150米,汽车100米,行人60米的运动目标检测能力。LRR的ACC、FCW、AEB等功能在驾驶者分神、疲劳犯困或者使用手机等未能注意到前方状况时具有显著的安全提示效果。
MRR和SRR具有盲点检测(Blind Spot Detection,BSD)、车道变换辅助(LaneChange Assistance,LCA)、后向目标横穿警告(Rear CrossTraffic Alert,RCTA)、开门辅助(Exit Assistant Function,EAF)、前向目标横穿警告(Forward Cross Traffic Alert,FCTA)等功能,能精确探测车辆前后左右一定范围内的目标。而作为ADAS系统中的典型应用,SRR在BSD、LCA等领域可以有效降低驾驶员在夜晚、雾天、大雨等气候恶劣条件下观察不便导致的危险系数,以及避免驾驶员在并道操作过程中,相邻车道和“视野”盲区可能碰撞的险境。
不同的应用场景对雷达的检测距离有不同的需求,LRR、MRR和SRR均在高级驾驶辅助系统(Advanced Driving Assistant System,ADAS)中承担重要的功能。
下面以具体的雷达传感器举例说明。
超声波雷达传感器,超声波是指频率高于20千赫兹的机械波。为了以超声波作为检测手段,必须产生超生波和接收超声波。完成这种功能的装置就是超声波雷达。超声波雷达有发送器和接收器,但一个超声波雷达也可具有发送和接收声波的双重作用。超声波雷达是利用压电效应的原理将电能和超声波相互转化,即在发射超声波的时候,将电能转换,发射超声波;而在收到回波的时候,则将超声振动转换成电信号。
毫米波雷达传感器(Millimeter-Wave Radar),是工作在毫米波波段(millimeterwav)探测的雷达。通常毫米波是指30~300吉赫(GHz)频域(波长为1~10毫米)的。毫米波的波长介于微波和厘米波之间,因此毫米波雷达兼有微波雷达和光电雷达的一些优点。具有体积小、质量轻和空间分辨率高的特点,穿透雾、烟、灰尘的能力强,广泛应用于车辆、飞机等的导航系统中。毫米波雷达传感器的测量值具备深度信息,可以提供目标的距离;其次,由于毫米波雷达传感器有明显的多普勒效应,对速度非常敏感,可以直接获得目标的速度,通过检测其多普勒频移可将目标的速度提取出来。目前主流的两种车载毫米波雷达应用频段分别为24GHz和77GHz,前者波长约为1.25cm,主要用于短距离感知,如车身周围环境、盲点、泊车辅助、变道辅助等;后者波长约为4mm,用于中长距离测量,如自动跟车、自适应巡航(ACC)、紧急制动(AEB)等。
激光雷达传感器可以被看作物体检测系统,该传感器使用光感测检测车辆100所位于的环境中的物体。激光雷达,工作在红外和可见光波段的,以激光为工作光束的雷达称为激光雷达。而激光雷达的工作原理是向目标发射探测信号(激光束),然后将接收到的从目标反射回来的信号(目标回波)与发射信号进行比较,作适当处理后,就可获得目标的有关信息,如目标距离、方位、高度、速度、姿态、甚至形状等参数。通常激光雷达传感器可以通过利用光照射目标来测量到目标的距离或目标的其它属性的光学遥感技术。作为示例,激光雷达传感器可以包括被配置为发射激光脉冲的激光源和/或激光扫描仪,和用于为接收激光脉冲的反射的检测器。例如,激光雷达传感器可以包括由转镜反射的激光测距仪,并且以一维或二维围绕数字化场景扫描激光,从而以指定角度间隔采集距离测量值。在示例中,激光雷达传感器可包括诸如光(例如,激光)源、扫描仪和光学系统、光检测器和接收器电子器件之类的组件,以及位置和导航系统。激光雷达传感器通过扫描一个物体上反射回来的激光确定物体的距离,可以形成精度高达厘米级的3D环境图。激光雷达传感器可以被看作物体检测系统,该传感器利用光照射目标来测量到目标的距离。
如图1b所示,为本申请提供的一种可能的应用场景示意图。该场景中,雷达传感器可以被安装在车辆上,例如,本申请中的传感器可应用于高级驾驶辅助系统(advanceddriving assistant system,ADAS)(例如自动驾驶)、机器人、无人机、网联车、安防监控等领域。该场景中,雷达传感器可被安装在移动设备上,例如,雷达传感器可以安装在机动车辆(例如无人车、智能车、电动车、数字汽车等)上,用作车载雷达;再比如雷达可以安装在无人机上,作为机载雷达,等等。结合图1a中的车辆的示例,如图1b所示,部署于车辆前端的雷达传感器可感知如实线框所示的扇形区域,该扇形区域可以为雷达感知区域,当雷达传感器感知到雷达感知区域中存在目标时,将雷达信号信息传输至处理模块,由处理模块进行进一步处理。处理模块在接收到雷达传感器的信息后,输出目标雷达的测量信息(例如,目标对象的相对距离、角度、相对速度)。需要说明的是,此处中的处理模块既可以是独立于雷达传感器的计算机或计算机中的软件模块,例如,计算机系统160中的处理模块,还可以是部署于雷达传感器中的计算机或计算机中的软件模块,此处不作限定。
可见,将上述传感器安装在车身上,可以实时或周期性地获取传感器感测到车辆的经纬度、速度、朝向、周围物体的距离等测量信息,再根据这些测量信息实现车辆的辅助驾驶或无人驾驶。例如,利用经纬度确定车辆的位置,或利用速度和朝向确定车辆在未来一段时间的行驶方向和目的,或利用周围物体的距离确定车辆周围的障碍物数量、密度等。
如图1c所示,为本申请提供的另一种可能的应用场景。本申请涉及的雷达传感器还可以安装在固定装置,例如,雷达传感器可以安装于路侧单元(road side unit,RSU)、屋顶或基站等。例如,如图1c所示的雷达1,雷达2,雷达3和雷达4。对于雷达安装于固定装置的场景中,雷达需要固定装置中的其它装置的协助以确定自身当前的位置和转向信息,这样可保证测量数据的可用性。例如,固定装置中还可以包括全球定位系统(globalpositioning system,GPS)装置和惯性测量单元(inertial measurement unit,IMU)装置,雷达可以结合GPS装置和IMU装置的测量数据进而得到目标的位置、速度等特征量。例如,雷达可以通过固定装置中的GPS装置提供固定装置的地理位置信息,通过IMU装置记录固定装置的姿态和转向信息。再根据回波信号和发射激光束确定与目标之间的距离后,可以通过GPS装置提供的地理位置信息或IMU装置提供的姿态和转向信息中的至少一种,将目标的测量点由相对坐标系转换为绝对坐标系上的位置点,得到目标的地理位置信息,从而使雷达可以应用于固定装置中。
本申请中的雷达传感器可以是激光雷达、也可以是微波雷达、或者也可以是毫米波雷达,本申请实施例对此不作限定。
在下文的介绍中,为了便于说明,如下以激光雷达为例来说明雷达传感器的工作过程。需要说明的是,激光雷达发射的电磁波称为激光束,微波雷达发射的电磁波称为微波,毫米波雷达发射的激光束称为毫米波。也就是说,下文中的激光雷达可用毫米波雷达替换,电磁波可用毫米波替换;下文中的激光雷达也可用于微波雷达替换,电磁波可用微波替换。
需要说明的是,申请对各场景中包括的雷达传感器的数量、目标的数量均不做限定。例如,场景中可包括多个安装在传感器的雷达传感器和可移动的目标,本申请还可应用于其它可能的场景。例如图1c所示的车路协同(或称为智能车路协同系统)场景。再比如,自动导引运输车(automated guided vehicle,AGV)小车场景,其中,AGV小车指装备有电磁或光学等自动导航装置,能够沿规定的导航路径行驶,具有安全保护以及各种移载功能的运输车。再比如,远程交互及真实场景再现,该场景例如可以是远医疗或者远程培训、游戏交互(如多人在虚拟场景中共同玩游戏、训练或参与其它活动)或危险场景训练等。再比如,人脸识别等场景。此处不再一一列举。
如图2所示,为本申请提供的一种雷达探测目标的原理示意图。该雷达可包括发射机和接收机。发射机用于发射电磁波能量束,电磁波经过收发转换开关传给天线,天线再将电磁波沿着某一方向和角度发射到空中,若在沿电磁波能量束的发射方向的一定距离内存在目标,则该电磁波能量束被目标反射,电磁波遇到目标对象会有一部分能量得到反射并被毫米波雷达的天线接收到,进而通过收发转换开关传给接收机。以电磁波能量束的发射方向存在目标(如图1a中的汽车)为例,发射机发射的电磁波能量束在到达目标后,在目标的表面发生反射,被反射的信号作为回波光信号返回至接收机,接收机用于根据接收到的回波信号和发射的电磁波能量束,确定出与目标相关的信息。例如与目标的距离、目标的点云密度等。雷达传感器通过发射机发射电磁波能量束,进一步经信号处理机处理得到目标对象的相对距离、角度、相对速度。
下面以毫米波雷达传感器为例说明雷达传感器的实现方式。例如,毫米波雷达传感器可以包括振荡器、发射天线、接收天线、混频器、处理器和控制器等装置。具体步骤可以包括:
步骤一、雷达中的波形生成器(waveform generation)产生发射信号,然后通过发射天线(transmit antenna)进行发射发射信号。
例如,振荡器会产生一个频率随时间线性增加的雷达信号,该雷达信号一般是调频连续波。雷达探测装置一般会在一段连续的时长内进行多个扫频周期的雷达信号发送。此处的扫频周期指进行一个完整波形的雷达信号发射的周期。在一个发射周期的开始,雷达探测装置的会以一个频率发射雷达信号,该频率称为雷达探测装置的初始频率。并且雷达探测装置的发射频率以该初始频率为基础在发射周期内变化。
该雷达信号的一部分经过定向耦合器输出至混频器作为本振信号,一部分通过发射天线发射出去。发射信号通常为带有载频的线性调频信号,发射信号sT(t)表达式可以为:
其中fT表示载频,Bsw表示发射信号带宽,TCPI表示发射信号的持续时间。
步骤二、发射信号经过障碍物反射后,被接收天线(receive antenna)接收,例如,接收天线接收发射出去的雷达信号遇到车辆前方的物体后,反射回来的雷达信号。接收到的信号为发射信号的延时信号,发射信号的延时信号sR(t)表达式为:
sR(t)=sT[t-τ(t)] (2)
其中τ(t)表示发射信号从发射天线发送,经过障碍物反射,被接收天线接收的延时。
步骤三、将发射信号的延时信号和发射信号进行混频/下变频(down-conversion),然后通过采样(sampling)得到接收信号。
例如,混频器将接收的雷达信号与本振信号进行混频,得到中频(intermediatefrequency,IF)信号。具体来说,通过振荡器产生的调频连续波信号,一部分作为本振信号,一部分作为发射信号通过发射天线发射出去,而接收天线接收的发射信号的反射信号,会与本振信号混频,得到中频信号。中频信号包含了目标对象与该雷达系统的相对距离、速度、以及角度等信息。中频信号经过低通滤波器并经过放大处理后输送到处理器,处理器对接收的信号进行处理,一般是对接收的信号进行快速傅里叶变换,以及频谱分析等,以得到目标对象相对于该雷达系统的距离、速度和角度等信息。
其中,通过发射信号的发射时间和不同地物的回波散射的接收时间之差,可以确定目标(地物)与雷达的距离,从而确定目标的位置。
其中,位置信息可以是目标对象相对于当前的雷达的位置信息,速度信息可以是目标对象相对于当前的雷达的速度信息,角度信息可以是目标对象相对于当前的雷达的角度信息。进一步的,中频信号的频率称为中频频率。
步骤四、处理器可以将得到的信息输出给控制器,以控制车辆的行为。
在智能汽车的仿真测试中,一个重要的部分是对自动驾驶的决策控制算法进行验证。例如,对车辆的变道能力进行验证,对前方车辆是否过近进行识别。在验证过程中,需要构建不同的场景,在每个不同的场景中,验证车辆是否可以达到相应能力的自动驾驶的决策控制。
因此,验证自动驾驶的决策控制的过程中,需要获得传感器通过传感器确定出的目标车辆相对本车的车辆速度,目标车辆相对本车的相对车辆位置、相对距离和方位角等信息,作为自动驾驶的决策控制模拟中的输入参数。也即对传感器的模拟过程中,传感器模型,可以基于测试环境中交通参与物为输入,该传感器模型的输出参数可以是传感器可能得到的在传感器感知范围(基于几何遮挡筛选方法确定的)内的可探测物体的相对距离、相对速度、角度。从而,该传感器模型的输出参数可以作为自动驾驶的决策控制模拟中所需的传感器模块所对应的输入参数。
由于主要是对自动驾驶的决策控制算法进行验证,因此,对传感器模型构建的一种可能的方式为,通过场景中构建的可感知目标,及可感知目标相对本车的速度,可感知目标相对本车的相对车辆位置、相对距离和方位角等信息,作为传感器模块对可感知目标的输出。如图3a所示,具体过程可以包括:
步骤301、确定测试环境中的交通参与物。
其中,测试环境可以是根据需要测试的场景确定的。例如,如图3b所示,包括:仿真车辆(包括待仿真的传感器),其他车辆,非机动车,行人,道路环境,交通环境,建筑物,桥梁、路障等。
步骤302、将测试环境中的交通参与物的参数作为传感器模型的输入参数。
交通参与物可以包括:车辆,行人,道路,路障等。
交通参与物的参数可以包括:定位位置,移动速度,交通参与物的大小等建模数据。
步骤303、通过几何遮挡方法,筛选仿真车辆上的传感器的可感知目标。
一种可能的实现方式,根据不同型号的传感器,可以确定出该传感器的最大测距距离,从而人,可以确定出雷达传感器的探测范围。该数据可以是基于传感器的出厂数据确定的,也可以是根据经验得到的,在此不做限定。
其中,雷达探测装置的最大测距距离,或称雷达探测装置的最大探测距离,是与雷达探测装置的配置有关的参数(例如,与雷达探测装置的出厂设置参数相关)。例如雷达探测装置为雷达,长距自适应巡航控制(adaptive cruise control,ACC)雷达的最大测距距离为142m,中距雷达的最大测距距离为70~150m。
例如,如图3b所示,部署于车辆1前端的雷达传感器可探测如实线框所示的扇形区域,该扇形区域为雷达的探测范围。在该探测范围内的车辆可以作为传感器的可感知目标。
在一些实施例中,可以根据车辆之间的几何遮挡关系,剔除被遮挡的车辆。
例如,如图3c所示,车辆1为待测试车辆,车辆2和车辆3为车辆1的前方车辆。根据车辆2、车辆3与车辆1之间的几何位置关系,可以确定车辆3被车辆2遮挡。此时,可以将车辆3删除。从而,可以确定车辆2为车辆1的可感知目标。
步骤304、根据传感器的可感知目标的参数,确定传感器模型的输出参数。
其中,传感器的可感知目标的参数可以是根据测试环境中的交通参与物的参数确定的。结合步骤303中的示例,传感器模型的输出参数可以包括车辆2相对车辆1的相关参数。例如,车辆2相对车辆1的位置,车辆2相对车辆1的速度,和车辆2相对车辆1的角速度、车辆2相对车辆1的角度。
可选的,传感器模型的输出参数还可以是添加相应的噪声后的输出参数,用于模拟测量误差。例如,传感器模型的输出参数可以包括车辆2相对车辆1的相对位置和相对速度参数。
步骤305、将可感知目标的参数输入至决策模块。
上述方法,对传感器模型的要求较低,结构简单,能够保证仿真时的高效率。
但是,上述方法中,考虑的是传感器的理想场景,而考虑到由于主动感知类传感器是通过主动发射能量波进行环境感知,因此,该类传感器的感知结果准确性还取决于目标对象的反射强度、能量波的传播、能量波发射和接收等因素,也就是说,主动感知类传感器的感知结果受到感知目标的材料、方位距离、环境天气等多因素的影响。但是,上述方法中,仅考虑了理想情况下,传感器可以在几何方式确定的可感知范围内检测到相应的可探测物体,而可探测物体的相对距离、相对速度、角度,并不是真实传感器得到的,而是基于场景模拟时设置的,因此,在该传感器模拟的过程中,不能反映出传感器在不同环境下对测量结果的影响。而直接采用理想情况的数据作为传感器模型的输出,则会导致模拟结果与真实结果的较大偏差。例如,在一个可能的场景中,真实环境下,传感器可以测量到前方车辆,但是,基于上述模型,通过几何区域划分确定的可感知区域的方式,传感器模型判定前方车辆被遮挡。从而,可能对后续自动驾驶的决策控制算法也带来更多的难以预测的影响,无法达到对智能汽车的仿真测试的作用。
因此,传感器模型的质量决定了仿真测试中智能汽车感知环境目标对象的逼真度。也就是说,传感器模型是否可以真实的反映出传感器在不同环境下的测量结果的影响,直接影响到对智能汽车的仿真测试结果的可信度。
基于上述问题,另一种可能的传感器模拟的方法,可以是基于上述物理特性,对雷达传感器进行建模,例如,对毫米波雷达的能量波的发射和接收、能量波的传播、目标对能量波的反射这些真实物理工作过程进行详细建模,对毫米雷达工作过程中的各个硬件模块建立数学模型,来模拟整个工作过程,如收发回路的建模涉及到振荡器、滤波器、放大器、混频器等。从而,该模型能反映毫米波雷达内部和电磁波传播的工作流程细节,得到高精度的仿真结果。但是,该方法中,建模过程复杂,消耗大量计算资源,且实时性差,难以保证仿真效率,难以满足智能汽车实时仿真测试的需求。尤其对于基于云平台的大批量场景仿真来说,这种传感器模型会带来大量计算资源的消耗,不能保证仿真效率。另外,也不适合智能汽车决策控制算法开发的过程中,尤其是智能汽车决策控制算法开发的早期,考虑的传感器的模型的参数有限,难以有效利用上述方法(针对毫米波雷达的每个模块都进行模拟)模拟出的传感器的参数,也导致了资源的浪费。
因此,本申请提供一种传感器的仿真方法,图4a所示的应用场景中可以包括测量装置和测试装置,其中,测量装置可以是具有传感器的车辆,传感器可以包括:毫米波雷达、摄像头、激光雷达等传感器。还可以包括云端的测试装置,测试装置可以包括支持运行仿真软件的硬件设备,如个人计算机、服务器、车载移动终端、工控机、嵌入式设备等。例如,测试装置可以由云端的服务器或虚拟机实现。测试装置还可以是支持运行仿真软件的芯片。
以毫米波雷达传感器的建模为例进行说明。以图4a所示的场景中传感器为雷达传感器,测量装置为车辆,测试装置为服务器为例。本申请提供一种传感器的仿真方法,如图4b所示,可以包括:
S401:获取传感器的测量数据。
其中,所述测量数据包括:第二目标车辆相对所述传感器的位置信息、速度信息以及所述传感器采集的所述第二目标车辆的传感器特征测量值;
所述传感器特征测量值包括:RCS测量值和SNR测量值;所述传感器位于测量车辆中;所述第二目标车辆为所述测量车辆附近的车辆。
S402:根据所述传感器的测量数据及获得的标注信息进行训练,得到传感器模型。
其中,所述传感器模型的样本输入为所述第二目标车辆相对所述传感器的位置信息、速度信息及标注信息,所述传感器模型的输出为所述第二目标车辆的传感器特征预测值;所述第二目标车辆的传感器特征预测值包括以下至少一项:RCS预测值和SNR预测值;
所述标注信息包括以下至少一项:所述第二目标车辆相对所述传感器的横摆角、所述传感器采集数据时标注的道路环境信息、所述传感器所在的车辆信息。
本申请在对传感器建模时,无需对传感器的每个模块进行建模的前提下,考虑了雷达传感器测量目标时的物理特性,优化传感器模型的输出结果,从而,有效提高模拟的效果。
下面举例说明,雷达传感器测量目标时的物理特性。
毫米波雷达对目标进行检测,可以得到运动的目标与雷达传感器之间的距离和速度,若毫米波雷达设置与车辆上,目标为另一车辆,则根据雷达采集的回波信号,可以确定目标车辆相对本车的车辆速度,目标车辆相对本车的相对车辆位置、相对距离和方位角等信息。
进一步的,通过接收信号,可以获得目标的RCS信息,RCS信息可以用于表述目标在雷达作用下的后向散射特征。空间目标的RCS序列,与目标的形状结构、电磁波的频率、入射场的极化形式、接收天线的极化形式、目标对于来波方向的角向位置(姿态角)等因素相关。而对于同一测量雷达来说,电磁波的频率、入射场的极化形式、接收天线的极化形式、目标对于来波方向的角向位置(姿态角)可以确定,因此,目标的RCS均值可以与目标结构和目标姿态建立关系。
例如,传感器输出的目标对象的信息还可以包括目标对象的宽度信息等结构信息。
考虑目标对象为车辆时,由于传感器与目标车辆之间的相对目标姿态通常相对稳定,例如,可以探测到车辆的车身后方,前方,侧方等位置。因此,可以通过目标的RCS均值作为识别目标的结构的特征,从而可以得到不同目标的反射强度分类,从而对目标的结构进行分类。例如,可以根据车辆的长度和形状结构区分目标车辆的类型,如小轿车,卡车,公交车等。
在地图场景中,空间中的目标姿态通常相对稳定,空间目标RCS的多次测量结果具有稳定性,因此,可以通过目标的RCS均值作为识别目标的结构的特征,从而可以得到不同目标的反射强度分类,从而对目标的结构进行分类。例如,可以区分目标为车道边界、车道线或路沿、道路的障碍物、隧道、桥梁等。
因此,考虑上述雷达传感器测量目标对象时的物理特性后,可以确定传感器模型需要具备至少以下物理特征:
传感器模型输出的目标对象的信息可以包括:目标对象相对传感器之间的位姿状态信息,及目标对象的特征信息。
其中,目标对象相对传感器之间的位姿状态信息可以包括:目标对象与传感器之间的相对距离、目标对象与传感器之间的相对速度、目标对象与传感器之间的方位角、目标对象的宽度信息等结构信息、目标对象相对传感器之间的横摆角等信息。
目标对象的特征信息可以包括:目标对象的RCS信息、目标对象的SNR信息、目标对象极化信息等。
在S401的一些实施例中,传感器的测量数据可以是车辆的雷达传感器实际使用时,采集到的测量信息。本申请中测量信息可以包括传感器采集的测量数据,环境信息和定位信息中的至少一种,其中,环境信息可以包括周围环境中的行人数量和位置,行人密度,车辆密度,道路信息,天气信息等,定位信息可以包括当前所处位置的经纬度或该经纬度在地图上的标注等。传感器可以周期性的进行测量,然后将测量信息上报测试装置。
举例来说,车辆的传感器的预设区域如图4a中虚线框圆圈所示,以车辆为中心,以预设距离为半径的区域。该预设距离可以是小于或等于车辆A所发出的雷达信号的覆盖范围的半径的一个值。也可以是根据其他方法确定的区域,例如,如图1b所示的扇形区域,在此不做限定。如图4a所示,车辆的传感器可以在预设区域中,测量到的目标对象可以是车辆、障碍物、车道线等。通过车辆的传感器可以确定预设范围内的目标对象的测量信息。
例如,在通过车辆的传感器工作时,采集传感器输出的目标对象的测量数据。
以目标对象为车辆为例,例如,测量数据可以包括目标对象相对传感器的位置信息(例如,如图4c所示,目标对象为车辆2相对车辆1上的传感器1的距离r、目标车辆2相对传感器1的角度θ)、目标对象相对传感器的速度信息(例如,目标对象相对传感器的速度,目标对象相对传感器的角速度)。
可选的,考虑到目标对象的不同位置对雷达信号的反射强度不同(如车辆尾部反射雷达信号能力比侧面更强),因此,还可以采集目标的横摆角α数据。目标对象相对传感器的位置信息还可以包括目标对象相对传感器的横摆角α数据。如图4c所示,车辆2相对传感器1的位置信息还可以包括车辆2相对传感器1的横摆角α数据。目标的横摆角可以是人工标注的方式,也可以是通过其他传感器测量获得,在此不做限定。目标对象自身横摆角可以反映自身不同部位对雷达反射强度的不同,这样由测量信息训练得到的传感器模型精度更高。
在一些实施例中,测量数据还可以包括:特征信息的测量值。其中,例如,特征信息的测量值可以是传感器采集到的目标对象的传感器特征值,例如,传感器采集到的目标对象的信噪比SNR信息的测量值、传感器采集到的目标对象的RCS信息的测量值、传感器采集到的目标对象的极化信息的测量值等。
一种可能的实现方式,回波信号中的SNR信息的测量值、RCS信息的测量值和极化信息的测量值可以通过成像方式存储,即可以根据回波信号生成成像信息,成像信息可以理解为目标对发射信号的反映,主要是目标的后向散射形成的图像信息。成像信息可以包括多种信息,比如回波信号中的RCS信息、相位信息、幅度信息、极化信息等。根据目标反射的回波信号生成成像信息的一种可能的实现方式为,接收到回波信号后,通过回波信号进行处理,比如对回波信号进行下变频、模数转换等,进而根据处理得到的信号,采用合成孔径雷达(synthetic aperture radar,SAR)成像算法,可以得到成像信息。一种可能的实现方式,成像信息可以为点云数据的形式存储。点云数据可以包括目标的距离,方位角,俯仰角,目标速度等雷达特征信息。例如,该测量数据可以是在CAN线上传输给车辆的处理器的数据,以便处理器根据获得的测量数据进行决策。
在一些实施例中,以目标对象为车辆为例,测量车辆的传感器可以采集到第二目标车辆返回的回波信号的特征信息。
考虑到环境信息可反映雨雪和道路材质等环境因素对雷达反射强度的影响,可选的,还可以获得在测试装置采集目标的测量数据时对应的环境信息(例如,天气、道路)等测量信息。因此,通过添加环境信息的测量信息训练得到的传感器模型精度更高。这些测量信息可以是通过人工标注的方式,也可以通过其他方式获得,例如,根据当前地图服务器中存储的道路信息等。
其中,环境信息中的天气可以分为晴天,雨天,雾霾,雪天四类,当然还可以包括其他类型的信息。
以目标对象为道路为例,测量车辆的传感器可以采集到道路上的回波信号的特征信息。例如,在不同的道路环境下,例如,有遮挡物(例如,落叶)条件下,有积水或积雪条件下,可以根据回波信号的极化信息,确定目标上的遮挡物、积水或积雪的极化特征,以确定目标上的遮挡物、积水或积雪的边界特征和材质特征,从而确定遮挡物条件下对目标的回波信号的影响、有积水下对目标的回波信号的影响或积雪条件下对目标的回波信号的影响,进而更准确的确定目标为有遮挡的车辆。因此,通过车辆采集的极化信息,可以用于训练传感器模型,使得传感器模型也可以相应的预测不同场景下的特征信息,从而为后续决策模块提供更多的信息,从而,更接近真实场景,以提高决策模块的模拟效果。
再比如,在车道有遮挡物覆盖时,可能遮挡车道线、车道边界等道路标识,此时,决策模块还可以根据传感器测量得到的遮挡物、积水或积雪的极化特征,进行去除遮挡物的处理,以提高决策效果。相应的,在传感器模型模拟传感器时,可以将传感器采集到的极化信息,作为传感器模型预测的输出参数,从而,决策模块可以根据该预测的极化信息,获得更多真实传感器的模拟信息,为相应的提高决策模块的模拟效果提供可能。
在另一种可能的方式中,由于不同的道路环境下,可能会改变目标的边界,例如,在有雨天或下雪天时,在车辆上的水或雪可能导致目标车辆的回波信号发生变化,从而可以根据回波信号中的极化信息,确定目标车辆上的材质特征是否受到雨水或积雪的影响,对车辆是否有无积水或积雪进行识别,并进一步确定积水的边界特征、道路的边界特征,以提高决策模块的决策效果。
再比如,在有积水的路面中,积水面积的大小可能导致可通行的道路发生变化,从而可以根据回波信号中的极化信息,确定道路上的积水和车道的材质特征,对车道是否有无积水进行识别,并进一步确定积水的边界特征、道路的边界特征,从而更准确的确定道路在积水路况下,根据传感器模型预测的特征信息,以便后续决策模块可以根据传感器模型预测的特征信息,确定车道当前的积水情况,例如,积水的边界信息,从而,更好的进行导航或规划路径的模拟。比如,若积水面积占用了一条车道,根据在一条车道上检测到的回波信号的极化信息对应积水下的车道的极化特征(例如,积水的边界特征、积水的材质特征),及其他车道上产生的极化信息对应无积水下的车道的极化特征(例如,积水的边界特征、积水的材质特征),因此,可以确定该车道被积水覆盖,其他车道可以通行。
另外,道路类型可以分为普通沥青路面、普通混凝土路面、桥面、隧道四类。当然还可以包括其他类型的信息。
在一些实施例中,还可以根据环境对象的属性对环境进一步划分,从而,有利于在构建传感器模型时,提供更多的训练信息(环境信息),从而,训练出来的传感器模型可以获得不同的场景中的环境对象下更接近真实场景中的环境对象的模拟结果,提高传感器模型的效果,从而,有利于后续使用传感器模型得到的预测数据进行决策,以达到仿真的目的,提高仿真效果。
例如,根据车道、非车道区分环境对象,确定环境对象的边界信息,进而对环境对象进行识别。例如,环境对象的边界信息可以是指用于描述道路中的障碍物的边界信息的关键点或线,或者是指用于描述车道的边界信息。例如,根据车道的边界,可以将车道分为多种环境对象,环境对象边界的类型可以但不限于包括以下任意一种或多种:车道线、路沿、道路的障碍物等。车道可以分为:单车道,双车道,多车道,起始车道,中间车道,汇合车道,分叉车道,路口等。起始车道可以为:一条道路上的包括起始点的若干条车道线对应的车道。起止车道的边界可以是车道的起始线。终止车道可以为:一条道路上的包括终止点的若干条车道线对应的车道。终止车道的边界是车道的停止线。一般来说,实际应用中车道的起始线与逆向车道的停止线在一条直线上。汇合车道和分叉车道可以通过车道上的车道变换点来标定,车道变换点可以是有些道路快到路口时增设的转弯车道而产生的分叉点,也可以是通过路口进入一条新路车道减少一个而产生的汇合点,还可以是高速路/高架桥的驶出车道的分叉口,或高速路/高架桥的驶入车道的汇合点。根据车道存在的障碍物还可以进一步对车道进行分类,例如,车道还可以包括:隧道车道、高架入口车道、高架出口车道、桥等。
可选的,在另一些实施例中,可以设置在不同的场景下,获得不同传感器的测量信息。
以传感器为毫米波雷达传感器为例,假设场景包括闹市场景、郊区场景、高速路场景和特殊天气场景。
其中,闹市场景对应的传感器的参数可以包括:毫米波雷达传感器以SRR模式工作。从而,在该传感器以SRR模式工作时,得到相应的目标对象相对传感器距离r、角度θ、速度以及SNR、RCS等能量特征信息。
高速路场景对应的传感器的参数可以包括:毫米波雷达传感器以LRR模式工作。从而,在该传感器以LRR模式工作时,得到相应的目标相对传感器的距离r、角度θ、速度以及SNR、RCS等传感器特征信息。
特殊天气场景,例如雨天场景,传感器的参数可以包括:毫米波雷达传感器以SRR模式工作。在该传感器在特殊天气下以SRR模式工作时,得到相应的目标对象相对传感器距离r、角度θ、速度以及SNR、RCS、极化信息等能量特征信息。
相应的,采集测量信息的周期也可以根据需要设置,以获得更好的建模效果。
在另一些实施例中,考虑到车辆可能联合多种类型的传感器进行决策。因此,在采集传感器的测量信息时,也可以基于多种类型的传感器的场景,采集多种类型的传感器的测量信息,从而,获得更准确的环境信息,有利于模型更好的模拟不同的场景。
以不同的场景名称表示不同的测量信息类别,假设场景包括闹市场景、郊区场景和高速路场景。
其中,闹市场景对应的参数可以包括GPS以高精度定位模式工作,IMU和相机传感器以设定周期每隔固定时间上报测量信息,激光雷达传感器和毫米波雷达传感器以SRR模式工作。从而,确定的测量信息包括:传感器的定位信息,IMU和相机传感器上报的测量信息,及雷达传感器上报的测量信息。
当然,还可以在该场景下,采集MRR类型或LRR类型的传感器模型采集到的测量数据,以提供更多的训练样本,提高模型的精度和鲁棒性。
郊区场景对应的参数可以包括GPS以低精度定位模式工作,IMU以设定周期每隔固定时间上报测量信息,相机传感器在检测到设定范围内出现行人时上报测量信息,激光雷达传感器和毫米波雷达传感器以MRR模式工作。从而,确定的测量信息包括:传感器的定位信息,IMU和相机传感器上报的测量信息,及雷达传感器上报的测量信息。
当然,还可以在该场景下,采集SRR类型或LRR类型的传感器模型采集到的测量数据,以提供更多的训练样本,提高模型的精度和鲁棒性。
高速路场景对应的参数可以包括GPS以低精度定位模式工作,IMU和相机传感器在检测到设定范围内出现行人或车辆时上报测量信息,激光雷达传感器和毫米波雷达传感器以LRR模式工作。从而,确定的测量信息包括:传感器的定位信息,IMU和相机传感器上报的测量信息,及雷达传感器上报的测量信息。
当然,还可以在该场景下,采集SRR类型或MRR类型的传感器模型采集到的测量数据,以提供更多的训练样本,提高模型的精度和鲁棒性。
基于传感器类别和传感器的参数之间的对应关系,测试装置可以基于不同的传感器的类型相应建模,并通过其他传感器获得更多场景相关的参数,从而,有利于后续决策模块使用更多的信息进行决策,提高验证决策模块的模拟效果。
在S402中,通过传感器在使用过程中采集到的测量信息,作为传感器模型的训练样本进行训练,得到目标车辆在与传感器之间相距不同位置信息(例如,相对距离、相对角度、横摆角)、速度信息及在不同的环境信息(例如,不同的天气、不同的路况、不同的道路类型)下时对应的传感器模型。
该传感器模型的输出为传感器的特征信息(例如,SNR和RCS,极化信息等)的预测值,其他测量信息(例如,除传感器的特征信息之外的测量数据、定位信息和环境信息等)作为监督学习训练的传感器模型输入。因此,在训练过程中,一个训练样本中,可以包括训练数据和验证数据。其中,训练数据为:传感器模型输入数据,即除传感器的特征信息之外的测量数据、定位信息和环境信息等测量信息。验证数据为训练样本中的传感器的特征信息的测量值。
以传感器模型训练一个毫米波雷达传感器模型为例,此时,毫米波雷达传感器模型的输出参数可以为毫米波雷达传感器的特征信息的预测值,例如,SNR的预测值和RCS的预测值,极化信息的预测值等。毫米波雷达传感器模型的输入参数可以包括:目标相对传感器的位置信息(距离r、角度θ、横摆角)、速度信息、环境信息、定位信息等除特征信息之外的测量信息。
其中,环境信息可以包括:天气类型、道路类型等。环境信息还可以包括通过其他传感器获得的参数,例如,在传感器的可感知范围内,是否有落叶遮挡,雨水遮挡,积雪遮挡等情况。
如图4d所示,针对不同类型的传感器,可以分别训练相应的传感器模型。
在一些实施例中,可以采用支持向量回归(support vector regression,SVR)模型的监督学习算法来对该类型的传感器采集到的测量信息进行训练。其中,SVR模型的输入数据可以包括:测量信息中除传感器的特征信息之外的其他测量信息。
SVR模型的输出数据可以包括:传感器的特征信息的预测值,例如,SNR的预测值,RCS的预测值。
其中,在训练过程中,可以针对每个传感器的特征信息进行训练,例如,针对SNR的预测值进行训练,在SNR的特征信息训练达到模型的精度要求后,可以再针对RCS的预测值进行训练。或者,还可以针对RCS的预测值进行训练,在RCS的特征信息训练达到模型的精度要求后,可以再针对SNR的预测值进行训练。当然,还可以针对所有的特征信息一起进行训练,在此不做限定。
可选的,相同传感器类型的测量信息还可以针对不同的场景下采集到的测量信息分别进行训练,假设场景包括闹市场景、郊区场景和高速路场景。
其中,闹市场景对应的参数可以包括GPS 126以高精度定位模式工作,IMU 125和相机传感器123以设定周期每隔固定时间上报测量信息,激光雷达传感器和毫米波雷达传感器以SRR模式工作;从而,针对激光雷达传感器或毫米波雷达传感器的传感器模型而言,可以将测量到的测量信息存储在SRR类型和闹市场景下,以便后续传感器模型调用相应的测量信息作为训练数据进行训练。当然,还可以在该场景下,采集其他类型的传感器模型采集到的测量数据,以提供更多的训练样本,提高模型的精度和鲁棒性。
郊区场景对应的配置参数可以包括GPS 126以低精度定位模式工作,IMU 125以设定周期每隔固定时间上报测量信息,相机传感器123在检测到设定范围内出现行人时上报测量信息,激光雷达传感器和毫米波雷达传感器以MRR模式工作;从而,针对激光雷达传感器或毫米波雷达传感器的传感器模型而言,可以将测量到的测量信息存储在MRR类型和郊区场景下,以便后续传感器模型调用相应的测量信息作为训练数据进行训练。
高速路场景对应的配置参数可以包括GPS 126以低精度定位模式工作,IMU 125和相机传感器123在检测到设定范围内出现行人或车辆时上报测量信息,激光雷达传感器和毫米波雷达传感器以LRR模式工作。从而,针对激光雷达传感器或毫米波雷达传感器的传感器模型而言,可以将测量到的测量信息存储在LRR类型和高速路场景下,以便后续传感器模型调用相应的测量信息作为训练数据进行训练。
在一些实施例中,在训练SRR类型的传感器模型时,可以训练多种场景。例如,在训练闹市场景时,可以选择采用闹市场景下的SRR类型的传感器采集到的测量信息的训练样本进行训练。例如,在训练郊区场景时,可以选择采用郊区场景下的SRR类型的传感器采集到的测量信息的训练样本进行训练。例如,在训练郊区场景时,可以选择采用郊区场景下的MRR类型的传感器采集到的测量信息的训练样本进行训练。例如,在训练郊区场景时,可以选择采用郊区场景下的LRR类型的传感器采集到的测量信息的训练样本进行训练。从而,训练出的传感器模型可以在不同场景下都可以使用。相应的,在训练MRR类型的传感器模型时,可以训练闹市场景、郊区场景和高速路场景等场景下的MRR类型的传感器模型。在训练LRR类型的传感器模型时,可以训练闹市场景、郊区场景和高速路场景等场景下的LRR类型的传感器模型。
需要说明的是,上述传感器模型为SVR模型仅为举例,传感器模型还可以是通过其他模型或算法确定的,例如,其中,传感器模型包括但不限定于回归模型、NN模型、随机森林、深度神经网络、自回归滑动平均模型(autoregressive moving average model,ARMA)、梯度提升迭代决策树(gradient boosting decision tree,GBDT)模型、或XGBoost模型等。
图5a为本申请实施例传感器的测试系统的一种示例性功能框图。如图5a所示,该系统可以应用在测试装置中,也可以应用在其他的使用载体中。下面以云服务器为载体来进行说明。该系统包括至少一个传感器模型、决策模块和场景模块,其中,传感器模型可以是对图1a所示的传感器系统120中的任一种或多种传感器进行模拟的传感器模型,决策模块和场景模块可以是一个整体集成在一个测试装置中,该测试装置,传感器模型和决策模块和场景模块也可以是独立的模块,然后二者共享测试环境的存储器。需要说明的是,本申请传感器模型和决策模块和场景模块可以采用任意可实现的组合方式实现,本申请不做具体限定。为了更好地理解本申请实施例,以下以与图5a所示的系统相同或相似的系统为例对本申请实施例进行说明。图5a所示的测试系统的应用场景中可以包括测试装置,其中,测试装置可以是具有传感器模型的测试装置,测试装置的网元包括支持运行仿真软件的硬件设备,如个人计算机、服务器、车载移动终端、工控机、嵌入式设备等。例如,测试装置可以由云端的服务器或虚拟机实现。测试装置还可以是支持运行仿真软件的芯片。如图5b所示,为本申请实施例提供的一种车辆的仿真方法,具体包括:
S501:将第一目标车辆相对仿真车辆的位置信息和速度信息及该仿真车辆的道路环境信息,输入至传感器模型中,得到该第一目标车辆的传感器特征预测值。
其中,传感器特征预测值包括以下至少一项:RCS预测值和SNR预测值;传感器模型用于仿真该仿真车辆中的传感器,第一目标车辆为仿真车辆所在的测试环境中的车辆,该第一目标车辆相对仿真车辆的位置信息和速度信息及仿真车辆的道路环境信息为根据测试环境确定的,传感器模型为根据传感器的测量数据及标注的道路环境信息训练得到的。
S502:将该第一目标车辆的传感器特征预测值输入至仿真车辆的决策模块,获得该仿真车辆的仿真决策结果。
其中,决策模块用于输出基于传感器特征预测值确定的车辆行驶决策。
本申请实施例中,通过考虑传感器的物理特性,优化传感器模型的输出结果,从而,有效提高模拟的效果。相比仅通过测试环境中的相对速度、相位距离、角度数据,作为雷达传感器的输出参数,本申请结合雷达传感器测量目标时的物理特性后,建立相应的雷达传感器模型的输出参数。从而更加接近真实毫米波雷达传感器的输出参数。
在S501之前,车辆的仿真装置可以确定测试环境中传感器和目标对象的参数。
其中,传感器为待测试的传感器,下文以该传感器位于仿真车辆上为例进行说明,传感器位于其他待测装置上,可以参考该实施例。
在一些实施例中,测试装置可以获取测试环境中涉及到的目标对象在测试环境中相对传感器的测试信息。需要说明的是,目标对象可以不限于传感器附近的目标对象。也可以是传感器附近预设区域内的目标对象。预设区域可以是根据传感器的可探测范围确定的,还可以是根据其他方式确定的,在此不做限定。目标对象不限于车辆,还可以是测试环境中的各种对象,例如,路边的建筑,行人,车道,桥梁,隧道等。
其中,测试信息可以包括:目标对象相对传感器的位姿状态信息以及环境信息等测试数据。
其中,位姿状态信息可以包括:位置信息和速度信息。环境信息可以包括:天气、道路、交通标志和交通灯数据等信息。
例如,目标对象相对传感器的相对角度、目标对象相对传感器的相对距离、目标对象相对传感器的相对速度、目标对象相对传感器的相对角速度、目标对象相对传感器的相对加速度、目标对象相对传感器的相对角加速度、目标对象的尺寸等结构信息。
在一些实施例中,可以根据测试环境,确定出第一目标车辆为仿真车辆所在的测试环境中的车辆。进而,还可以根据测试环境,确定第一目标车辆的测试信息。例如,第一目标车辆的测试信息可以包括:第一目标车相对所述仿真车辆的位姿状态新及所述仿真车辆的环境信息等。
需要说明的是,测试信息可以是根据采集到的测量信息确定的,还可以是通过其他方式确定的。例如,在一些实施例中,测试环境可以是由智能汽车仿真测试软件提供,用于模拟真实世界的交通场景数据,从测试环境中能够提取到仿真交通对象的测试信息,包括例如,仿真软件可以是车辆测试软件(例如,VTD软件),测试环境由车辆测试软件提供。
例如,在不同的场景下可以对应有不同类型传感器的测试信息,假设场景包括闹市场景、郊区场景和高速路场景。
其中,闹市场景对应的参数可以包括GPS 126以高精度定位模式工作,IMU 125和相机传感器123以设定周期每隔固定时间上报测量信息,激光雷达传感器和毫米波雷达传感器以SRR模式工作;从而,在该场景下,可以调用SRR类型的雷达传感器相应的测试信息,以便后续传感器模型调用相应的测试信息进行预测。
郊区场景对应的配置参数可以包括GPS 126以低精度定位模式工作,IMU 125以设定周期每隔固定时间上报测量信息,相机传感器123在检测到设定范围内出现行人时上报测量信息,激光雷达传感器和毫米波雷达传感器以MRR模式工作;从而,在该场景下,可以调用MRR类型的雷达传感器相应的测试信息,以便后续传感器模型调用相应的测试信息进行预测。
高速路场景对应的配置参数可以包括GPS 126以低精度定位模式工作,IMU 125和相机传感器123在检测到设定范围内出现行人或车辆时上报测量信息,激光雷达传感器和毫米波雷达传感器以LRR模式工作。从而,在该场景下,可以调用LRR类型的雷达传感器相应的测试信息,以便后续传感器模型调用相应的测试信息进行预测。
在S501的一些实施例中,可以根据第一目标车辆相对传感器的位姿状态信息及所述仿真车辆的环境信息,输入至传感器模型中,得到所述第一目标车辆的传感器特征预测值;所述传感器特征预测值包括以下至少一项:RCS预测值和SNR预测值;所述第一目标车辆为所述仿真车辆所在的测试环境中的车辆,所述第一目标车辆相对所述仿真车辆的位姿状态信息及所述仿真车辆的道路环境信息为根据所述测试环境确定的。
其中,传感器模型是由传感器采集的测量信息经过监督学习的方式训练得到的。
在传感器模型的使用过程中,可以将测试环境中的测试信息作为输入。其中,测试信息可以包括:除传感器的特征信息之外的其他测试信息。例如,测试环境中确定出的环境信息、目标车辆相对传感器的位姿状态信息等。从而,预测输出目标对应的传感器的特征信息的预测值。例如,传感器的传感器模型输出的目标对象的SNR的预测值和RCS的预测值、极化信息的预测值等。
通过测试环境提供的通信接口获得传感器模型探测范围内的目标对象的位姿状态信息以及环境信息,作为传感器模型的输入。从而,通过传感器模型输出的预测数据,可以得到目标对象的特征信息的预测值。即可以通过传感器模型得到各个目标对象在不同的位姿状态信息以及不同的环境信息下,预测到的目标对象的特征信息的预测值。
从而,根据预测到的目标对象的特征信息的预测值和目标对象的测试信息,可以确定目标对象的预测信息。
其中,目标对象的预测信息包括:目标对象的测试信息(例如,目标对象的位姿状态信息及环境信息等测试数据),及目标对象的特征信息的预测值(例如,RCS的预测值,SNR的预测值)。
在S502中,车辆的仿真装置可以将目标对象的预测信息输入至决策模块。
在一些实施例中,可以将目标对象的预测信息作为决策控制(或融合感知)算法的输入,用于验证决策控制(或融合感知)算法,用于接收雷达传感器输出的目标对象信息作为输入进行计算,以便得出决策结果。
通过传感器模型可以得到在测试环境中的目标对象的特征信息的预测值,使得目标对象的预测信息更加接近真实毫米波雷达传感器的输出,体现了传感器的物理特性,更有利于模拟出决策算法在实际使用过程中的性能的好坏,提高模拟的效果。
本申请实施例中,还可以通过考虑传感器的物理特性产生的效果,优化传感器模型的输出结果,从而,有效提高模拟的效果。
下面举例说明,雷达传感器测量目标时的物理特性。
(1)考虑到传感器可以目标对象的分辨能力,对于距离相同且挨得较近的两个物体,雷达可能出现无法区分的情况,此时,传感器模型也应当能够将距离相同且挨得较近的两个物体输出为一个目标对象,从而,有利于后续验证自动驾驶的决策控制模块是否可以处理该传感器识别错误的场景。在一种可能的场景中,由于多径传播现象,传感器有时可以探测到被遮挡的物体,因此,传感器模型输出的目标对象也应当包括可能被遮挡的物体。
在地图场景中,空间中的目标姿态通常相对稳定,空间目标RCS的多次测量结果具有稳定性,因此,可以通过目标的RCS均值作为识别目标的结构的特征,从而可以得到不同目标的反射强度分类,从而对目标的结构进行分类。例如,可以区分目标为车道边界、车道线或路沿、道路的障碍物、隧道、桥梁等。
(2)发射信号可以包括极化信息,极化反映了波的电场矢量端点随时间变化的规律,可以按照其形成的空间轨迹形状和旋向可以分为线、圆、椭圆极化和左旋、右旋极化。电磁波的极化状态反映了雷达接收电磁波电场取向的时变特性,可以通过接收端为极化天线或极化敏感阵列,对接收信号进行极化参数估计。根据发射和接收极化方式的不同,发射信号与目标相互作用,回波散射也有差异。波长和极化方式都会影响获取的接收信号。因此,接收信号中的极化信息可以包括:目标的极化散射矩阵和电磁波的极化状态。其中,目标的极化散射矩阵为目标在一定的姿态和观测频率下对电磁波的极化散射效应。目标的极化散射矩阵表征了雷达目标对电磁波的信号的极化状态的改变,即目标受到雷达电磁波的照射,被散射电磁波的极化状态与入射电磁波的极化状态可能不同。通过目标改变电磁波的极化状态可以称为目标的去极化特性。此时,雷达目标改变了电磁波的极化状态,该极化状态的改变由目标的形状、结构和材料决定,因此,可以利用目标回波信号中的极化信息来识别目标。即极化信息可以得到不同目标的散射特征,可以用于标定目标的表面特征、形状、粗糙度等表面特征信息。进一步的,通过不同极化方式和波长的组合,可以确定目标的不同且彼此互补的极化信息,有利于获得更准确的目标的结构、材质等表面特征信息。
(3)考虑到在雷达传感器对目标进行测量时,还需考虑噪声的影响。噪声的来源主可能是发射机产生的噪声,还可能是接收机接收时的噪声,还可能来自其他雷达的干扰等。如果干扰信号的功率大于接收机灵敏度,则所述干扰信号会对当前雷达产生干扰,如果干扰信号的功率不大于接收机灵敏度,则所述干扰信号不会对当前雷达产生干扰,所述干扰信号会被处理为噪声。
因此,在雷达传感器还需通过相应的门限,判断接收到的信号是噪声还是目标对象。
考虑到不同雷达传感器本身的属性或参数不同,例如,雷达信号的发射功率、接收机的灵敏度不同,因此,相应的门限也不同。测量目标对象的结果可能会出现假阴性、假阳性的结果。
其中,假阴性是指雷达探测的过程中,采用门限检测的方法时由于噪声的普遍存在和起伏,实际存在目标,目标对象的信号能量小于某个阈值而不能被探测到,被传感器判断为没有目标。假阳性是指雷达探测的过程中,目标对象的信号能量并不高于噪声能量甚至低于噪声能量,采用门限检测的方法时由于噪声的普遍存在和起伏,但阈值设置得太小而被毫米波雷达探测到,实际不存在目标却判断为有目标。
采用门限检测的方法时,由于门限机制和噪声的普遍存在,使用雷达探测目标时,判断是否有回波信号时,会出现4种不同的情况,这4种情况分别可以用4个概率进行描述。存在目标时,判为有目标,判断正确,这种情况称为“发现”,其概率称为“发现概率”;存在目标时,判为无目标,判断错误,这种情况称为“漏报(假阴性)”,其概率称为“漏报概率;不存在目标时,判为无目标,判断正确,这种情况称为“正确不发现”,其概率称为“正确不发现概率”;不存在目标时,判为有目标,判断错误,这种情况称为“虚警(假阳性)”,其概率称为“虚警概率”。
因此,考虑上述雷达传感器测量目标对象时的物理特性后,可以确定传感器模型可以具备以下至少一项物理特征:
结合物理特性(1),考虑测量目标对象的分辨能力。考虑到传感器的分辨率的问题,对于距离相同且挨得较近的两个物体,雷达可能出现无法区分的情况,此时,传感器模型也应当能够将距离相同且挨得较近的两个物体输出为一个目标对象,从而,有利于后续验证自动驾驶的决策控制模块是否可以处理该传感器识别错误的场景。
结合物理特性(2),由于多径传播现象,传感器有时可以探测到被遮挡的物体,因此,传感器模型输出的目标对象也应当包括可能被遮挡的物体。
结合物理特性(3),测量目标对象的结果可能会出现假阴性、假阳性的结果。
相比仅通过测试环境中的相对速度、相位距离、角度数据,作为雷达传感器的输出参数,本申请结合雷达传感器测量目标时的物理特性后,建立相应的雷达传感器模型的输出参数。从而更加接近真实毫米波雷达传感器的输出参数。
在一种可能的实现方式中,可以根据传感器的可探测范围,筛选目标对象。
在一些实施例中,在S502之前,车辆的仿真装置确定所述第一目标车辆为根据候选车辆相对所述仿真车辆的位置信息和速度信息,在所述候选车辆中确定出的在所述传感器的探测范围内的车辆;所述候选车辆相对所述仿真车辆的位置信息和速度信息为根据所述测试环境确定的,所述候选车辆为所述仿真车辆所在的测试环境中的车辆。
其中,各目标对象可以是满足传感器的传感器可探测范围内的目标对象。
传感器的传感器可探测范围,可以根据雷达传感器模型在建模时获得的传感器的参数确定,考虑到传感器的传感器可探测范围可能根据环境变化,因此,也可以是根据传感器采集到的测量信息及当前测试环境中的环境信息确定的,在此不做限定。
如图6a所示,为本实施例提供的一种传感器的探测范围,该探测范围是一个锥形区域。该锥形区域可以通过以下几个参数确定。例如,传感器的左侧可探测角度β、传感器的右侧可探测角度γ,传感器的近端可探测距离可以为第一距离,传感器的远端可探测距离为第二距离。
通过传感器的探测范围,可以将不在探测范围内的目标对象删除,以减少模拟的算量。具体过程可以包括:根据雷达的可探测距离范围和可探测角度范围确定探测范围,对于不在可探测范围目标对象予以剔除,对于与可探测范围边界相交的目标对象予以保留。
例如,如图6b所示,对于完全不在车辆1的雷达可探测范围内目标对象4、目标对象5予以剔除,对于与可探测范围区域边界相交的目标对象3则予以保留,同样予以保留的还有完全在可探测范围内的目标对象1、目标对象2,不剔除完全被遮挡的目标对象2。
需要说明的是,可以看出,如图6b所示的目标对象2完全被目标对象1遮挡,但是本申请实施例中,并不将目标对象2确定为不可探测的目标对象,对于被其他物体遮挡的目标对象,从而反映由于多径传播现象,雷达传感器可能能探测到被遮挡的物体的物理特性,从而为传感器模型检测到非视线范围内的对象提供了基础。即在步骤502中,根据毫米波雷达的可探测范围参数,删除完全不在探测范围的目标对象。将遮挡情况下但出于探测范围内的目标对象也作为传感器的目标对象。
在一种可能的实现方式中,可以利用物理特性筛选目标对象和目标对象的预测信息。
依据测试环境中的目标对象的测试信息,及传感器模型预测出的测试环境无法提供的目标对象的特征信息,对目标对象进行进一步筛选,从而更好的获得接近雷达传感器输出的目标及接近目标的传感器的测量信息的预测信息。
针对每个目标对象的SNR的预测值,判断该目标对象相对于传感器是否可见。
在一些实施例中,在S502之前,车辆的仿真装置确定所述第一目标车辆的SNR预测值大于可见阈值。
可选的,还可以通过其他表示传感器的特征信息,判断该目标对象相对于传感器是否可见。本申请不做限定。下文中以SNR举例说明,判断该目标对象相对于传感器是否可见的示例。
在一些实施例中,通过目标对象的SNR的预测值与对应的可见阈值进行比较。例如,一种可能的方式中,可见阈值为1,即在回波信号中RCS的信号强度大于噪声的信号强度时,认为存在目标对象。即,在SNR的预测值大于或等于1时,认为存在目标对象。相应的,可以将SNR的预测值小于1的目标对象删除。
即考虑在SNR相对噪声过小,而不能检测到的场景,会被传感器认为没有目标,即出现假阴性的情况。还有一种可能的场景是,在噪声过大,被传感器认定为目标对象的情况,即出现假阳性的情况。从而,能反映毫米波雷达会出现假阴性、假阳性结果的特性。并进一步有效保证了非视线范围的对象也能被检测到的物理特性。
在另一些实施例中,考虑到假阳性和假阴性的可能还可以通过4个概率进行描述。即存在目标时,判为有目标,判断正确,这种情况称为“发现”,其概率称为“发现概率”;存在目标时,判为无目标,判断错误,这种情况称为“漏报(假阴性)”,其概率称为“漏报概率;不存在目标时,判为无目标,判断正确,这种情况称为“正确不发现”,其概率称为“正确不发现概率”;不存在目标时,判为有目标,判断错误,这种情况称为“虚警(假阳性)”,其概率称为“虚警概率”。
因此,还可以通过设置相应的概率阈值,例如,设置发现概率阈值,在SNR大于发现概率阈值时,可以输出通过传感器模型输出目标对象的发现概率。再比如,设置漏报概率阈值,在SNR大于漏报概率阈值时,可以输出通过传感器模型输出目标对象的漏报概率。再比如,设置正确不发现概率阈值,在SNR大于正确不发现概率阈值时,可以输出通过传感器模型输出目标对象的正确不发现概率。再比如,设置虚警概率阈值,在SNR大于虚警概率阈值时,可以输出通过传感器模型输出目标对象的虚警概率。从而,决策模型还可以基于相应的概率,获得传感器误判的概率,从而,提高决策的精度。
另一种可能的实现方式,可以根据传感器的物理特性和目标对象的位姿状态信息,更新目标对象和目标对象的预测信息。
测试装置还可以根据目标对象的位姿状态信息中的至少一项或者组合:目标对象相对传感器的相对角度、目标对象相对传感器的相对距离、目标对象相对传感器的相对速度、目标对象相对传感器的相对角速度、目标对象相对传感器的相对加速度、目标对象相对传感器的相对角加速度等,确定是否存在无法区分的多个目标对象。
例如,可以将上文中确定出的目标对象作为候选对象,此时,可以根据第一候选对象的位姿状态信息和第二候选对象的位姿状态信息,确定第一候选对象和第二候选对象对于传感器是否无法区分。即是否将第一候选对象和第二候选对象作为一个目标对象,还是作为2个目标对象。
在一些实施例中,在S502之前,车辆的仿真装置确定所述第一目标车辆包括第一候选车辆和第二候选车辆;所述第一目标车辆的传感器特征预测值为根据所述第一候选车辆的传感器特征预测值和第二候选车辆的传感器特征预测值确定的;
车辆的仿真装置确定所述第一候选车辆和所述第二候选车辆满足:第一位置相对第二位置的相对位置小于第一位置阈值;所述第一位置为所述第一候选目标车辆相对所述仿真车辆的位置,所述第二位置为所述第二候选目标车辆相对所述仿真车辆的位置。
可选的,所述第一候选车辆和所述第二候选车辆还满足:第一速度相对第二速度的相对速度小于第一速度阈值;所述第一速度为所述第一候选目标车辆相对所述仿真车辆的速度,所述第二速度为所述第二候选目标车辆相对所述仿真车辆的速度。
以传感器无法区分2个目标对象为例,例如,2个目标对象包括第一候选对象和第二候选对象。
如图7a所示,在一些实施例中(例如,条件1),所述第一候选对象相对所述仿真车辆的第一位置信息,与所述第二候选对象相对所述仿真车辆的第二位置信息小于第一位置阈值。此时,可以认为传感器无法区分2个候选对象,采用传感器对该目标对象进行测量时,测量结果应为1个目标对象的测量结果。其中,第一位置信息可以是第一候选对象的中心位置的位置信息,第二位置信息可以是第二候选对象的中心位置的位置信息。当然还可以是其他位置信息。例如,第一位置信息可以是第一候选对象相对车辆1最近的位置的位置信息,第二位置信息可以是第二候选对象车辆1最近的位置的位置信息。还可以根据候选对象的特征进行确定,以实现更好的模拟真实雷达传感器将不同候选对象确定为同一个目标对象的情况,本申请不做限定。
因此,该第一候选对象和该第二候选对象可以输出为一个目标对象。
一种可能的实现方式,可以将第一候选对象获得的预测信息和第二候选对象的预测信息输出为一个目标对象的预测信息。例如,该目标对象为第一目标对象,则第一目标对象的传感器特征预测值为根据所述第一候选对象的传感器特征预测值和第二候选对象的传感器特征预测值确定的。
在一些实施例中,可以通过第一候选对象的传感器特征预测值和第二候选对象的传感器特征预测值的平均值,或加权平均值,作为第一目标对象的传感器特征预测值。其中,加权方式可以根据第一候选对象和第二候选对象的特征确定,还可以基于第一候选对象与传感器之间的关系,及第一候选对象与传感器之间的关系确定,还可以根据其他因素确定,在此不做限定。
如图7b所示,在另一种可能的实施例中(例如,条件2),在确定所述第一候选对象相对所述仿真车辆的第一位置信息,与所述第二候选对象相对所述仿真车辆的第二位置信息小于第一位置阈值后,还可以通过角度信息,判断第一候选对象和第二候选对象是否满足接近的条件,会被传感器认为是同一个目标对象。在一些实施例中,所述第一候选对象和所述第二候选对象还满足:所述第一候选对象相对所述传感器的第一角度信息,与所述第二候选对象相对所述传感器的第二角度信息小于第一角度阈值。
如图7c所示,在另一种可能的实施例中(例如,条件3),在确定所述第一候选对象相对所述仿真车辆的第一位置信息,与所述第二候选对象相对所述仿真车辆的第二位置信息小于第一位置阈值后,还可以通过速度信息,判断第一候选对象和第二候选对象是否满足接近的条件,会被传感器认为是同一个目标对象。在一些实施例中,所述第一候选对象和所述第二候选对象还满足:所述第一候选对象相对所述仿真车辆的第一速度信息,与所述第二候选对象相对所述仿真车辆的第二速度信息小于第一速度阈值。
在另一种可能的实施例中(例如,条件4),在确定所述第一候选对象相对所述仿真车辆的第一位置信息,与所述第二候选对象相对所述仿真车辆的第二位置信息小于第一位置阈值后,还可以通过加速度信息,判断第一候选对象和第二候选对象是否满足接近的条件,会被传感器认为是同一个目标对象。在一些实施例中,所述第一候选对象和所述第二候选对象还满足:所述第一候选对象相对所述仿真车辆的第一加速度信息,与所述第二候选对象相对所述仿真车辆的第二加速度信息小于第一加速度阈值。
具体的阈值可以根据传感器的分辨率参数设置,还可以通过其他方式确定,例如,通过采集到的传感器的测量信息确定,在此不做限定。
当然,还可以通过其他方式判断第一候选对象和第二候选对象是否会被传感器误认为是同一个目标对象的条件。
在一些实施例中,结合上述条件,还可以额外增加不同天气情况下,判断第一候选对象和第二候选对象是否会被传感器误认为是同一个目标对象的条件。
以条件1为例,例如,在有积雪影响下,可以根据传感器模型输出的特征值,确定积雪影响是否需要考虑,从而,选择在考虑积雪影响下的第二位置阈值。第二位置阈值可能是比第一位置阈值更大的阈值,因为积雪导致传感器更容易无法区分2个候选对象。如图7d所示,第一候选对象尾部和第二候选对象的尾部被预测出有积雪的特征信息,因此,可以选择第二位置阈值,确定第一候选对象是否与第二候选对象为传感器无法区分2个候选对象。例如,所述第一候选对象相对所述仿真车辆的第一位置信息,与所述第二候选对象相对所述仿真车辆的第二位置信息小于第二位置阈值。此时,可以认为传感器无法区分2个候选对象,采用传感器对该目标对象进行测量时,测量结果应为1个目标对象的测量结果。
相应的,还可以根据不同的天气设置条件2、条件3和条件4,可以参考条件1的相应设置,在此不再赘述。
在一些实施例中,可以设置满足上述至少几个条件时,才会被传感器认为是同一个目标对象。例如,在确定满足所有条件时,才被才会被传感器认为是同一个目标对象。还可以设置为满足至少3个条件时,会被传感器认为是同一个目标对象。满足条件的数量可以根据传感器的精度设置,在此不做限定。相应的,可以设置在不满足上述至少几个条件时,会被传感器认为是不同的目标对象。
可选的,还可以为上述条件设置优先级,例如,条件1的优先级最高,条件4的优先级最低。从而,可以更好的模拟传感器在输出目标对象时不同的目标对象被误判的场景。
从而用于反映传感器对于挨得较近的两个物体,传感器可能会出现无法区分的情况这一特性。
可选的,在传感器模型输出的预测信息上,还可以添加噪声模拟,用于模拟真实传感器受到外界环境噪声影响带来的误差。
例如,可以对输出的目标对象位姿状态信息和传感器模型输出的特征信息分别添加高斯白噪声。其中,噪声功率根据真实传感器参数进行选择,在此不做限定。
考虑到目标对象的位姿状态信息是在测试环境中提取到的理想数值,因此,通误差模拟能仿真真实传感器数据受到环境噪声影响的特性。
图8a为本申请实施例传感器的测试系统的一种示例性功能框图。如图5a所示,该系统可以应用在测试装置中,也可以应用在其他的使用载体中。下面以云服务器为载体来进行说明。该系统包括至少一个传感器模块(可以是上述训练得到的传感器模型)、传感器探测范围筛选模块、物理特性筛选模块、噪声模拟模块、决策模块和场景模块,其中,传感器模块可以是如图4d或图4e所示的对图1a所示的传感器系统120中的任一种或多种传感器进行模拟的传感器模型,决策模块和场景模块可以是一个整体集成在一个测试装置中,该一个测试装置计算机系统160,传感器模型和决策模块和场景模块也可以是独立的模块,然后二者共享测试环境的存储器。需要说明的是,本申请传感器模块和决策模块和场景模块可以采用任意可实现的组合方式实现,本申请不做具体限定。为了更好地理解本申请实施例,以下以与图8a所示的系统相同或相似的系统为例对本申请实施例进行说明。图8a所示的测试系统的应用场景中可以包括测试装置,其中,测试装置可以是具有传感器模型的测试装置,测试装置的网元包括支持运行仿真软件的硬件设备,如个人计算机、服务器、车载移动终端、工控机、嵌入式设备等。例如,测试装置可以由云端的服务器或虚拟机实现。测试装置还可以是支持运行仿真软件的芯片。下面以一个具体的示例说明本申请提供的一种车辆的仿真方法,如图8b所示,包括:
步骤801:确定测试环境中传感器和目标对象的参数。
具体可以参见步骤601。
步骤802:通过传感器的探测范围,判断目标对象相对于传感器是否可见。若是,则执行步骤803,若否,则执行步骤808。
步骤803:根据测试环境中传感器的测试信息和目标对象的测试信息,确定雷达传感器模型输出的目标对象的预测数据。
具体可以参见步骤602。
步骤804:通过目标对象的SNR的预测值,判断该目标对象相对于传感器是否可见。若是,则执行步骤805,若否,则执行步骤808。
步骤805:根据传感器的物理特性和目标对象的位姿状态信息,确定是否存在无法区分的至少两个目标对象。若是,则执行步骤808,若否,则执行步骤806。
步骤806:将无法区分的至少两个目标对象,更新为一个目标对象和更新后的目标对象的预测信息。
步骤807:输出目标对象的预测信息至决策模块。
步骤808:删除该目标对象的预测信息。
如图9所示,为本申请提供一种车辆的仿真装置的结构示意图,该装置可以包括:传感器特征预测模块901和输出模块902。该装置可以应用于测试装置,其中,测试装置可以是具有传感器模型的测试装置,测试装置的网元可以包括支持运行仿真软件的硬件设备,如个人计算机、服务器、车载移动终端、工控机、嵌入式设备等。例如,测试装置可以由云端的服务器或虚拟机实现。测试装置还可以是支持运行仿真软件的芯片。
可选的,该装置还可以包括:第一确定模块、第二确定模块、第三确定模块。可选的,该装置还可以包括传感器模型训练模块,该传感器模型训练模块用于训练传感器模型,传感器模型训练模块,可以包括:获取模块和训练模块。
其中,传感器特征预测模块901,可以用于将第一目标车辆相对仿真车辆的位置信息和速度信息及所述仿真车辆的道路环境信息,输入至传感器模型中,得到所述第一目标车辆的传感器特征预测值;所述传感器特征预测值包括以下至少一项:雷达反射截面RCS预测值和信噪比SNR预测值;其中,所述传感器模型用于仿真所述仿真车辆中的传感器,所述第一目标车辆为所述仿真车辆所在的测试环境中的车辆,所述第一目标车辆相对所述仿真车辆的位置信息和速度信息及所述仿真车辆的道路环境信息为根据所述测试环境确定的,所述传感器模型为根据所述传感器的测量数据及标注的道路环境信息训练得到的;
输出模块902,用于将所述第一目标车辆的传感器特征预测值输入至所述仿真车辆的决策模块,获得所述仿真车辆的仿真决策结果;其中,该决策模块用于输出基于所述传感器特征预测值确定的车辆行驶决策。该决策模块可以是车辆的仿真装置中的模块,也可以是另外设置的模块,在此不做限定。
一种可能的实现方式,该装置还可以包括:
第一确定模块,用于根据候选车辆相对所述仿真车辆的位置信息和速度信息,在所述候选车辆中将在所述传感器的探测范围内的车辆确定为所述第一目标车辆;所述候选车辆相对所述仿真车辆的位置信息和速度信息为根据所述测试环境确定的;所述候选车辆为所述仿真车辆所在的测试环境中的车辆。
一种可能的实现方式,该装置还可以包括:第二确定模块,用于确定所述第一目标车辆的SNR预测值大于可见阈值。
一种可能的实现方式,还包括:第三确定模块,用于根据第一候选车辆的传感器特征预测值和第二候选车辆的传感器特征预测值确定所述第一目标车辆的传感器特征预测值;所述第一目标车辆包括第一候选车辆和第二候选车辆;所述第一候选车辆和所述第二候选车辆满足:第一位置相对第二位置的相对位置小于第一位置阈值;所述第一位置为所述第一候选目标车辆相对所述仿真车辆的位置,所述第二位置为所述第二候选目标车辆相对所述仿真车辆的位置。
一种可能的实现方式,所述第一候选车辆和所述第二候选车辆还满足:第一速度相对第二速度的相对速度小于第一速度阈值;所述第一速度为所述第一候选目标车辆相对所述仿真车辆的速度,所述第二速度为所述第二候选目标车辆相对所述仿真车辆的速度。
一种可能的实现方式,该装置还包括:传感器模型训练模块,所述传感器模型训练模块包括:
获取模块,用于获取传感器的测量数据;所述测量数据包括:第二目标车辆相对所述传感器的位置信息、速度信息以及所述传感器采集的所述第二目标车辆的传感器特征值;所述传感器特征值包括:RCS测量值和SNR测量值;所述传感器位于测量车辆中,所述第二目标车辆为所述测量车辆附近的车辆;
训练模块,用于根据所述传感器的测量数据及获得的标注信息进行训练,得到传感器模型;所述标注信息包括以下至少一项:所述第二目标车辆相对所述传感器的横摆角、所述传感器采集数据时标注的道路环境信息、所述测量车辆的车辆信息;所述传感器模型的输入为所述第一目标车辆相对所述传感器的位置信息、速度信息及所述标注信息,所述传感器模型的输出为所述第一目标车辆的传感器特征预测值。
需要说明的是,本申请上述实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述各个模块的只一个或多个可以软件、硬件、固件或其结合实现。所述软件或固件包括但不限于计算机程序指令或代码,并可以被硬件处理器所执行。所述硬件包括但不限于各类集成电路,如中央处理单元(CPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)或专用集成电路(ASIC)。
集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,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,本申请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,该计算机软件产品可以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)或处理器(processor)执行本申请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、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
如图10所示,为本申请提供一种车辆的仿真装置的结构示意图,车辆的仿真装置1000中包括:通信接口1010、处理器1020,以及存储器1030。
通信接口1010和存储器1030与处理器1020之间相互连接。可选的,通信接口1010和存储器1030与处理器1020之间可以通过总线相互连接;总线可以是外设部件互连标准(peripheral component interconnect,PCI)总线或扩展工业标准结构(extendedindustry standard architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图10中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口1010用于实现车辆的仿真装置中的通信。例如,将第一目标车辆相对仿真车辆的位置信息和速度信息及所述仿真车辆的道路环境信息,输入至传感器模型中,得到所述第一目标车辆的传感器特征预测值;所述传感器特征预测值包括以下至少一项:雷达反射截面RCS预测值和信噪比SNR预测值;其中,所述传感器模型用于仿真所述仿真车辆中的传感器,所述第一目标车辆为所述仿真车辆所在的测试环境中的车辆,所述第一目标车辆相对所述仿真车辆的位置信息和速度信息及所述仿真车辆的道路环境信息为根据所述测试环境确定的,所述传感器模型为根据所述传感器的测量数据及标注的道路环境信息训练得到的;将所述第一目标车辆的传感器特征预测值输入至所述仿真车辆的决策模块,获得所述仿真车辆的仿真决策结果;其中,所述决策模块用于输出基于所述传感器特征预测值确定的车辆行驶决策。
通信接口1010还可以用于实现车辆的仿真装置与其他设备之间的通信。
处理器1020用于实现上述如图4b~图8b所示的车辆的仿真方法,具体可以参见上述图4b~图8b所示的实施例中的描述,此处不再赘述。可选的,处理器1020可以是中央处理器(central processing unit,CPU),或者其他硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit,ASIC),可编程逻辑器件(programmablelogic device,PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complexprogrammable logic device,CPLD),现场可编程逻辑门阵列(field-programmable gatearray,FPGA),通用阵列逻辑(generic array logic,GAL)或其任意组合。处理器1020在实现上述功能时,可以通过硬件实现,当然也可以通过硬件执行相应的软件实现。
存储器1030用于存放程序指令和数据等。具体地,程序指令可以包括程序代码,该程序代码包括计算机操作的指令。存储器1030可能包含随机存取存储器(random accessmemory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。处理器1020执行存储器1030所存放的程序,并通过上述各个部件,实现上述功能,从而最终实现以上实施例提供的方法。
如图11所示,为本申请提供一种传感器的仿真装置的结构示意图,该装置可以包括:获取模块和训练模块。该装置可以应用于测试装置。
其中,获取模块1101,用于获取传感器的测量数据;所述测量数据包括:第二目标车辆相对所述传感器的位置信息、速度信息以及所述传感器采集的所述第二目标车辆的传感器特征测量值;所述传感器特征测量值包括:RCS测量值和SNR测量值;所述传感器位于测量车辆中;所述第二目标车辆为所述测量车辆附近的车辆;
训练模块1102,用于根据所述传感器的测量数据及获得的标注信息进行训练,得到传感器模型;所述传感器模型的样本输入为所述第二目标车辆相对所述传感器的位置信息、速度信息及标注信息,所述传感器模型的输出为所述第二目标车辆的传感器特征预测值;所述第二目标车辆的传感器特征预测值包括以下至少一项:RCS预测值和SNR预测值;
所述标注信息包括以下至少一项:所述第二目标车辆相对所述传感器的横摆角、所述传感器采集数据时标注的道路环境信息、所述传感器所在的车辆信息。
需要说明的是,本申请上述实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述各个模块的只一个或多个可以软件、硬件、固件或其结合实现。所述软件或固件包括但不限于计算机程序指令或代码,并可以被硬件处理器所执行。所述硬件包括但不限于各类集成电路,如中央处理单元(CPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)或专用集成电路(ASIC)。
集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,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,本申请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,该计算机软件产品可以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)或处理器(processor)执行本申请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、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
如图12所示,为本申请提供一种传感器的仿真装置的结构示意图,传感器的仿真装置1200中可以包括:通信接口1210、处理器1220,以及存储器1230。
通信接口1210和存储器1230与处理器1220之间相互连接。可选的,通信接口1210和存储器1230与处理器1220之间可以通过总线相互连接;总线可以是外设部件互连标准(peripheral component interconnect,PCI)总线或扩展工业标准结构(extendedindustry standard architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图10中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口1210可以用于实现传感器的仿真装置与其他设备(例如,与车辆的仿真装置1000)之间的通信。例如,使得车辆的仿真装置获得传感器模型。
处理器1220用于实现上述如图4b所示的传感器的仿真方法,具体可以参见上述图4b所示的实施例中的描述,此处不再赘述。可选的,处理器1220可以是中央处理器(centralprocessing unit,CPU),或者其他硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit,ASIC),可编程逻辑器件(programmablelogic device,PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complexprogrammable logic device,CPLD),现场可编程逻辑门阵列(field-programmable gatearray,FPGA),通用阵列逻辑(generic array logic,GAL)或其任意组合。处理器1220在实现上述功能时,可以通过硬件实现,当然也可以通过硬件执行相应的软件实现。
存储器1230用于存放程序指令和数据等。具体地,程序指令可以包括程序代码,该程序代码包括计算机操作的指令。存储器1230可能包含随机存取存储器(random accessmemory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。处理器1220执行存储器1230所存放的程序,并通过上述各个部件,实现上述功能,从而最终实现以上实施例提供的方法。
本申请提供一种计算机可读存储介质,包括计算机指令,当所述计算机指令在被处理器运行时,使得所述车辆的仿真装置执行上述实施例中所述的任一种可能的方法。
本申请提供一种计算机可读存储介质,包括计算机指令,当所述计算机指令在被处理器运行时,使得所述传感器的仿真装置执行上述实施例中所述的任一种可能的方法。
本申请提供一种计算机程序产品,当所述计算机程序产品在处理器上运行时,使得所述车辆的仿真装置执行上述实施例中所述的任一种可能的方法。
本申请提供一种计算机程序产品,当所述计算机程序产品在处理器上运行时,使得所述传感器的仿真装置执行上述实施例中所述的任一种可能的方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (19)
1.一种车辆的仿真方法,其特征在于,包括:
将第一目标车辆相对仿真车辆的位置信息和速度信息及所述仿真车辆的道路环境信息,输入至传感器模型中,得到所述第一目标车辆的传感器特征预测值;所述传感器特征预测值包括以下至少一项:雷达反射截面RCS预测值和信噪比SNR预测值;
其中,所述传感器模型用于仿真所述仿真车辆中的传感器,所述第一目标车辆为所述仿真车辆所在的测试环境中的车辆,所述第一目标车辆相对所述仿真车辆的位置信息和速度信息及所述仿真车辆的道路环境信息为根据所述测试环境确定的,所述传感器模型为根据所述传感器的测量数据及标注的道路环境信息训练得到的;
将所述第一目标车辆的传感器特征预测值输入至所述仿真车辆的决策模块,获得所述仿真车辆的仿真决策结果;其中,所述决策模块用于输出基于所述传感器特征预测值确定的车辆行驶决策。
2.如权利要求1所述的方法,其特征在于,所述第一目标车辆为根据候选车辆相对所述仿真车辆的位置信息和速度信息,在所述候选车辆中确定出的在所述传感器的探测范围内的车辆;所述候选车辆相对所述仿真车辆的位置信息和速度信息为根据所述测试环境确定的,所述候选车辆为所述仿真车辆所在的测试环境中的车辆。
3.如权利要求1或2所述的方法,其特征在于,所述方法还包括:
确定所述第一目标车辆的SNR预测值大于可见阈值。
4.如权利要求1-3任一项所述的方法,其特征在于,所述第一目标车辆包括第一候选车辆和第二候选车辆;所述第一目标车辆的传感器特征预测值为根据所述第一候选车辆的传感器特征预测值和第二候选车辆的传感器特征预测值确定的;
所述第一候选车辆和所述第二候选车辆满足:第一位置相对第二位置的相对位置小于第一位置阈值;所述第一位置为所述第一候选目标车辆相对所述仿真车辆的位置,所述第二位置为所述第二候选目标车辆相对所述仿真车辆的位置。
5.如权利要求4所述的方法,其特征在于,所述第一候选车辆和所述第二候选车辆还满足:
第一速度相对第二速度的相对速度小于第一速度阈值;所述第一速度为所述第一候选目标车辆相对所述仿真车辆的速度,所述第二速度为所述第二候选目标车辆相对所述仿真车辆的速度。
6.如权利要求1-5任一项所述的方法,其特征在于,所述传感器模型为根据所述传感器的测量数据及标注的道路环境信息训练得到的,包括:
获取传感器的测量数据;所述测量数据包括:第二目标车辆相对所述传感器的位置信息、速度信息以及所述传感器采集的所述第二目标车辆的传感器特征值;所述传感器特征值包括:RCS测量值和SNR测量值;所述传感器位于测量车辆中,所述第二目标车辆为所述测量车辆附近的车辆;
根据所述传感器的测量数据及获得的标注信息进行训练,得到传感器模型;所述标注信息包括以下至少一项:所述第二目标车辆相对所述传感器的横摆角、所述传感器采集数据时标注的道路环境信息、所述传感器所在的车辆信息;所述传感器模型的输入为所述第一目标车辆相对所述传感器的位置信息、速度信息及所述标注信息,所述传感器模型的输出为所述第一目标车辆的传感器特征预测值。
7.一种传感器的仿真方法,其特征在于,包括:
获取传感器的测量数据;所述测量数据包括:第二目标车辆相对所述传感器的位置信息、速度信息以及所述传感器采集的所述第二目标车辆的传感器特征测量值;所述传感器特征测量值包括:雷达反射截面RCS测量值和信噪比SNR测量值;所述传感器位于测量车辆中;所述第二目标车辆为所述测量车辆附近的车辆;
根据所述传感器的测量数据及获得的标注信息进行训练,得到传感器模型;所述传感器模型的样本输入为所述第二目标车辆相对所述传感器的位置信息、速度信息及标注信息,所述传感器模型的输出为所述第二目标车辆的传感器特征预测值;所述第二目标车辆的传感器特征预测值包括以下至少一项:RCS预测值和SNR预测值;
所述标注信息包括以下至少一项:所述第二目标车辆相对所述传感器的横摆角、所述传感器采集数据时标注的道路环境信息、所述传感器所在的车辆信息。
8.一种车辆的仿真装置,其特征在于,包括:
传感器特征预测模块,用于将第一目标车辆相对仿真车辆的位置信息和速度信息及所述仿真车辆的道路环境信息,输入至传感器模型中,得到所述第一目标车辆的传感器特征预测值;所述传感器特征预测值包括以下至少一项:雷达反射截面RCS预测值和信噪比SNR预测值;
其中,所述传感器模型用于仿真所述仿真车辆中的传感器,所述第一目标车辆为所述仿真车辆所在的测试环境中的车辆,所述第一目标车辆相对所述仿真车辆的位置信息和速度信息及所述仿真车辆的道路环境信息为根据所述测试环境确定的,所述传感器模型为根据所述传感器的测量数据及标注的道路环境信息训练得到的;
输出模块,用于将所述第一目标车辆的传感器特征预测值输入至所述仿真车辆的决策模块,获得所述仿真车辆的仿真决策结果;其中,所述决策模块用于输出基于所述传感器特征预测值确定的车辆行驶决策。
9.如权利要求8所述的装置,其特征在于,还包括:
第一确定模块,用于根据候选车辆相对所述仿真车辆的位置信息和速度信息,在所述候选车辆中将在所述传感器的探测范围内的车辆确定为所述第一目标车辆;所述候选车辆相对所述仿真车辆的位置信息和速度信息为根据所述测试环境确定的;所述候选车辆为所述仿真车辆所在的测试环境中的车辆。
10.如权利要求8或9所述的装置,其特征在于,还包括:
第二确定模块,用于确定所述第一目标车辆的SNR预测值大于可见阈值。
11.如权利要求8-10任一项所述的装置,其特征在于,还包括:
第三确定模块,用于根据第一候选车辆的传感器特征预测值和第二候选车辆的传感器特征预测值确定所述第一目标车辆的传感器特征预测值;所述第一目标车辆包括第一候选车辆和第二候选车辆;所述第一候选车辆和所述第二候选车辆满足:第一位置相对第二位置的相对位置小于第一位置阈值;所述第一位置为所述第一候选目标车辆相对所述仿真车辆的位置,所述第二位置为所述第二候选目标车辆相对所述仿真车辆的位置。
12.如权利要求11所述的装置,其特征在于,所述第一候选车辆和所述第二候选车辆还满足:
第一速度相对第二速度的相对速度小于第一速度阈值;所述第一速度为所述第一候选目标车辆相对所述仿真车辆的速度,所述第二速度为所述第二候选目标车辆相对所述仿真车辆的速度。
13.如权利要求8-12任一项所述的装置,其特征在于,还包括:传感器模型训练模块,所述传感器模型训练模块包括:
获取模块,用于获取传感器的测量数据;所述测量数据包括:第二目标车辆相对所述传感器的位置信息、速度信息以及所述传感器采集的所述第二目标车辆的传感器特征值;所述传感器特征值包括:RCS测量值和SNR测量值;所述传感器位于测量车辆中,所述第二目标车辆为所述测量车辆附近的车辆;
训练模块,用于根据所述传感器的测量数据及获得的标注信息进行训练,得到传感器模型;所述标注信息包括以下至少一项:所述第二目标车辆相对所述传感器的横摆角、所述传感器采集数据时标注的道路环境信息、所述测量车辆的车辆信息;所述传感器模型的输入为所述第一目标车辆相对所述传感器的位置信息、速度信息及所述标注信息,所述传感器模型的输出为所述第一目标车辆的传感器特征预测值。
14.一种传感器的仿真装置,其特征在于,包括:
获取模块,用于获取传感器的测量数据;所述测量数据包括:第二目标车辆相对所述传感器的位置信息、速度信息以及所述传感器采集的所述第二目标车辆的传感器特征测量值;所述传感器特征测量值包括:雷达反射截面RCS测量值和信噪比SNR测量值;所述传感器位于测量车辆中;所述第二目标车辆为所述测量车辆附近的车辆;
训练模块,用于根据所述传感器的测量数据及获得的标注信息进行训练,得到传感器模型;所述传感器模型的样本输入为所述第二目标车辆相对所述传感器的位置信息、速度信息及标注信息,所述传感器模型的输出为所述第二目标车辆的传感器特征预测值;所述第二目标车辆的传感器特征预测值包括以下至少一项:RCS预测值和SNR预测值;
所述标注信息包括以下至少一项:所述第二目标车辆相对所述传感器的横摆角、所述传感器采集数据时标注的道路环境信息、所述传感器所在的车辆信息。
15.一种车辆的仿真装置,其特征在于,包括:
处理器和接口电路;
其中,所述处理器通过所述接口电路与存储器耦合,所述处理器用于执行所述存储器中的程序代码,以实现如权利要求1-6中任一项所述的方法。
16.一种传感器的仿真装置,其特征在于,包括:
处理器和接口电路;
其中,所述处理器通过所述接口电路与存储器耦合,所述处理器用于执行所述存储器中的程序代码,以实现如权利要求7所述的方法。
17.一种计算机可读存储介质,其特征在于,包括计算机指令,当所述计算机指令在被处理器运行时,使得所述车辆的仿真装置执行如权利要求1-6中任一项所述的方法或使得所述传感器的仿真装置执行权利要求7所述的方法。
18.一种车联网通信系统,其特征在于,包含车载系统和如权利要求8-13或15所述的车辆的仿真装置或如权利要求14或16所述传感器的仿真装置,其中,车载系统与所述传感器的仿真装置通信连接,或车载系统与所述车辆的仿真装置通信连接。
19.一种芯片系统,其特征在于,包括:
处理器,用于调用存储器中存储的计算机程序或计算机指令,以使得该处理器执行所述存储器中的程序代码,以实现如权利要求1-6中任一项所述的方法或如权利要求7所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110238478.8A CN115031981A (zh) | 2021-03-04 | 2021-03-04 | 一种车辆、传感器的仿真方法及装置 |
PCT/CN2022/078997 WO2022184127A1 (zh) | 2021-03-04 | 2022-03-03 | 一种车辆、传感器的仿真方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110238478.8A CN115031981A (zh) | 2021-03-04 | 2021-03-04 | 一种车辆、传感器的仿真方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115031981A true CN115031981A (zh) | 2022-09-09 |
Family
ID=83117772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110238478.8A Pending CN115031981A (zh) | 2021-03-04 | 2021-03-04 | 一种车辆、传感器的仿真方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115031981A (zh) |
WO (1) | WO2022184127A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115880946A (zh) * | 2023-01-06 | 2023-03-31 | 广州通达汽车电气股份有限公司 | 一种跟车警报方法、装置、设备及存储介质 |
CN115985124A (zh) * | 2022-11-30 | 2023-04-18 | 禾多科技(北京)有限公司 | 车辆行驶的控制方法、装置、存储介质及电子装置 |
CN116451590A (zh) * | 2023-06-09 | 2023-07-18 | 西安深信科创信息技术有限公司 | 自动驾驶仿真测试平台的仿真方法及装置 |
US20230252828A1 (en) * | 2022-02-10 | 2023-08-10 | Hexagon Geosystems Services Ag | Method and system for on-site testing of an off-road vehicle intervention system |
CN117241300A (zh) * | 2023-11-16 | 2023-12-15 | 南京信息工程大学 | 一种无人机辅助的通感算网络融合方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111505965B (zh) * | 2020-06-17 | 2020-09-29 | 深圳裹动智驾科技有限公司 | 自动驾驶车辆仿真测试的方法、装置、计算机设备及存储介质 |
CN116399339B (zh) * | 2023-06-08 | 2023-08-25 | 深圳欧米智能科技有限公司 | 基于转向角度融合的惯性导航方法、装置和计算机设备 |
CN117421700B (zh) * | 2023-12-19 | 2024-03-19 | 湖南仕博测试技术有限公司 | 一种用于自动驾驶中的传感器数据过滤及融合方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE60121309T2 (de) * | 2000-02-28 | 2007-07-05 | Calspan Corp. | Einrichtung und vorrichtung zur vermeidung von unfällen an kreuzungen |
US8812226B2 (en) * | 2009-01-26 | 2014-08-19 | GM Global Technology Operations LLC | Multiobject fusion module for collision preparation system |
CN105093227B (zh) * | 2015-08-27 | 2018-05-15 | 电子科技大学 | 一种交通流量测量装置及车辆运行信息获得方法 |
US10606270B2 (en) * | 2017-10-18 | 2020-03-31 | Luminar Technologies, Inc. | Controlling an autonomous vehicle using cost maps |
US11155258B2 (en) * | 2019-03-25 | 2021-10-26 | GM Global Technology Operations LLC | System and method for radar cross traffic tracking and maneuver risk estimation |
-
2021
- 2021-03-04 CN CN202110238478.8A patent/CN115031981A/zh active Pending
-
2022
- 2022-03-03 WO PCT/CN2022/078997 patent/WO2022184127A1/zh active Application Filing
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230252828A1 (en) * | 2022-02-10 | 2023-08-10 | Hexagon Geosystems Services Ag | Method and system for on-site testing of an off-road vehicle intervention system |
CN115985124A (zh) * | 2022-11-30 | 2023-04-18 | 禾多科技(北京)有限公司 | 车辆行驶的控制方法、装置、存储介质及电子装置 |
CN115985124B (zh) * | 2022-11-30 | 2024-02-06 | 禾多科技(北京)有限公司 | 车辆行驶的控制方法、装置、存储介质及电子装置 |
CN115880946A (zh) * | 2023-01-06 | 2023-03-31 | 广州通达汽车电气股份有限公司 | 一种跟车警报方法、装置、设备及存储介质 |
CN116451590A (zh) * | 2023-06-09 | 2023-07-18 | 西安深信科创信息技术有限公司 | 自动驾驶仿真测试平台的仿真方法及装置 |
CN116451590B (zh) * | 2023-06-09 | 2023-11-17 | 安徽深信科创信息技术有限公司 | 自动驾驶仿真测试平台的仿真方法及装置 |
CN117241300A (zh) * | 2023-11-16 | 2023-12-15 | 南京信息工程大学 | 一种无人机辅助的通感算网络融合方法 |
CN117241300B (zh) * | 2023-11-16 | 2024-03-08 | 南京信息工程大学 | 一种无人机辅助的通感算网络融合方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2022184127A1 (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022184127A1 (zh) | 一种车辆、传感器的仿真方法及装置 | |
US10699142B2 (en) | Systems and methods for traffic signal light detection | |
US10163017B2 (en) | Systems and methods for vehicle signal light detection | |
US11011063B2 (en) | Distributed data collection and processing among vehicle convoy members | |
WO2021218388A1 (zh) | 高精度地图的生成方法、定位方法及装置 | |
CN109387857B (zh) | 激光雷达系统中的跨网段检测方法和设备 | |
JP7466396B2 (ja) | 車両制御装置 | |
CN112114541B (zh) | 传感器的控制方法、装置和传感器 | |
US11703335B2 (en) | Coordinating and learning maps dynamically | |
US10783384B2 (en) | Object detection using shadows | |
US6597984B2 (en) | Multisensory correlation of traffic lanes | |
US11562572B2 (en) | Estimating auto exposure values of camera by prioritizing object of interest based on contextual inputs from 3D maps | |
EP4102251A1 (en) | Determination of atmospheric visibility in autonomous vehicle applications | |
WO2020100569A1 (ja) | 制御装置、制御方法及びセンサ制御システム | |
CN109387856A (zh) | 用于lidar阵列中的并行采集的方法和设备 | |
US11043124B2 (en) | Roadway information detection system consists of sensors on the autonomous vehicles and devices for the road | |
JP2009181315A (ja) | 物体検出装置 | |
US20230303113A1 (en) | Curb-based feature extraction for localization and lane detection using radar | |
WO2021110166A1 (zh) | 道路结构检测方法及装置 | |
WO2022070250A1 (ja) | 情報処理装置、情報処理方法、および、プログラム | |
Chaabouni et al. | Setting up an extended perception in a vehicular network environment: A proof of concept | |
Hadj-Bachir et al. | Full Virtual ADAS Testing. Application to the Typical Emergency Braking EuroNCAP Scenario | |
US20240125921A1 (en) | Object detection using radar sensors | |
CN220855184U (zh) | 矿卡的环境感知系统和矿卡 | |
KR20230068350A (ko) | 3차원 물체들을 위치 파악하기 위한 시스템 |
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 |