CN115098079A - 雷达检测模型确定方法、系统、电子设备及可读存储介质 - Google Patents
雷达检测模型确定方法、系统、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN115098079A CN115098079A CN202211022746.3A CN202211022746A CN115098079A CN 115098079 A CN115098079 A CN 115098079A CN 202211022746 A CN202211022746 A CN 202211022746A CN 115098079 A CN115098079 A CN 115098079A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- detection model
- scene
- radar detection
- determining
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 239
- 238000000034 method Methods 0.000 title claims abstract description 101
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000005516 engineering process Methods 0.000 claims abstract description 47
- 230000008569 process Effects 0.000 claims abstract description 39
- 238000010276 construction Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims description 46
- 239000011159 matrix material Substances 0.000 claims description 43
- 238000006243 chemical reaction Methods 0.000 claims description 31
- 230000009466 transformation Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 abstract description 12
- 238000011161 development Methods 0.000 abstract description 10
- 238000011160 research Methods 0.000 abstract description 8
- 239000013589 supplement Substances 0.000 abstract description 8
- 238000002372 labelling Methods 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241001464837 Viridiplantae Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/20—Software design
- G06F8/24—Object-oriented
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请公开了一种雷达检测模型确定方法、系统、电子设备及可读存储介质,涉及雷达算法开发领域,该雷达检测模型确定方法使用数字孪生技术实现真实环境中的点云组件的点云建模及基础数据库的构建,并基于评估指标进行缺失场景和缺失点云组件的快速补充以及模型的迭代训练,解决雷达检测模型构建过程中存在的真实路采数据集创建、维护成本高的问题,去除了人工数据标注环节,提升数据闭环的算法迭代效率,通过点云组件灵活构建与当前环境对应的仿真场景,一方面可以解决雷达检测模型构建过程中存在的数据集场景局限性强的问题,另一方面可以规避数据隐私,解决数据开放性差的问题,有利于开放学术研究,推动相关技术瓶颈的突破。
Description
技术领域
本申请涉及雷达算法开发领域,特别涉及雷达检测模型确定方法、系统、电子设备及可读存储介质。
背景技术
现阶段自动驾驶产业正处于从L2向L3、L4大步迈进的窗口期,传统摄像头在测距、测速、暗光适应能力方面存在本征缺陷,通过引入雷达装置,构建多传感器融合冗余的感知体系,为自动驾驶在高度复杂场景下的安全性、可靠性提供有效保障。
如图1所示,图1为传统自动驾驶数据闭环算法开发示意图,采集车辆在真实道路环境中采集特定应用场景的数据,回流并存储至硬盘或云端网盘中,通过数据分析技术,实现有效数据的准确筛选,并根据实际检测需要对于筛选所得数据进行人工标注,用以构建模型训练数据集,实现云端算法开发,并将研发所得算法应用于具体场景进行测试,采集车辆收集失效数据,经过新一轮数据回流、分析、标注,更新模型训练数据集进行算法的迭代开发。
上述方案存在以下缺点,一是用于雷达算法开发的训练数据集构建、维护成本高,且更新速度受限于人工数据分析与标注;二是基于道路采集的传感器数据,场景局限性强,对于未能采集或采集数量较少的道路场景适应性差,为自动驾驶整车系统的安全性带来极大隐患;三是受隐私安全、商业竞争等因素的影响,各家厂商路测数据保密等级高,为突破现有技术瓶颈的各项学术研究工作造成障碍,不利于自动驾驶大规模商业落地。
因此,如何提供一种解决上述技术问题的方案是本领域技术人员目前需要解决的问题。
发明内容
本申请的目的是提供一种雷达检测模型确定方法、系统、电子设备及可读存储介质,使用数字孪生技术实现真实环境中的点云组件的点云建模及基础数据库的构建,并基于评估指标进行缺失场景和缺失点云组件的快速补充以及模型的迭代训练,解决了雷达检测模型构建过程中存在的真实路采数据集创建、维护成本高、数据集场景局限性强、数据开放性差的问题,提升数据闭环的算法迭代效率。
为解决上述技术问题,本申请提供了一种雷达检测模型确定方法,包括:
通过采集车辆中配置的雷达装置采集当前环境中的点云数据,基于所述点云数据确定当前环境中的当前点云组件的类型;
基于所述类型从基础数据库中确定目标点云组件,所述基础数据库包括利用数字孪生技术生成的各个基础类型下的点云组件,所述目标点云组件为任一所述点云组件;
根据所述目标点云组件构建虚拟场景集,基于所述虚拟场景集训练雷达检测模型,并将所述雷达检测模型部署在目标车辆上。
可选的,该雷达检测模型确定方法还包括:
确定所述雷达装置的工作参数;
相应的,根据所述目标点云组件构建虚拟场景集的过程包括:
基于所述目标点云组件构建第一场景集;
根据所述工作参数对所述第一场景集进行调整得到第二场景集,将所述第二场景集作为虚拟场景集。
可选的,所述基础数据库还包括:
利用数字孪生技术生成的各个噪声类型下的噪声转换矩阵。
可选的,基于所述点云数据确定当前环境中的当前点云组件的类型之后,该雷达检测模型确定方法还包括:
确定当前环境的天气信息;
基于所述天气信息确定当前噪声类型;
根据当前噪声类型从所述基础数据库中的所有所述噪声转换矩阵中确定目标噪声转换矩阵;
相应的,根据所述目标点云组件构建虚拟场景集的过程包括:
根据所述目标点云组件和所述目标噪声转换矩阵构建虚拟场景集。
可选的,该雷达检测模型确定方法还包括:
确定所述雷达装置的工作参数;
相应的,根据所述目标点云组件和所述目标噪声转换矩阵构建虚拟场景集的过程包括:
基于所述目标点云组件构建第一场景集;
根据所述工作参数对所述第一场景集进行调整得到第二场景集;
对所述第二场景集中的各个场景随机加入所述目标噪声转换矩阵或单位矩阵得到第三场景集,将所述第三场景集作为所述虚拟场景集。
可选的,所述工作参数包括所述雷达装置的检测角度、横向分辨率和纵向分辨率;
相应的,根据所述工作参数对所述第一场景集进行调整得到第二场景集的过程包括:
根据所述检测角度确定点云数据的坐标范围;
利用所述横向分辨率和所述纵向分辨率确定各个位置的点云数据的疏密度;
基于所述坐标范围和所述疏密度对所述第一场景集中的点云数据进行调整得到第二场景集。
可选的,所述基础数据库包括基础道路点云组件数据库,基础检测对象点云组件数据库和基础外围环境点云组件数据库。
可选的,基于所述点云数据确定当前环境中的当前点云组件的类型之后,该雷达检测模型确定方法还包括:
判断当前环境中的当前点云组件的类型是否为所述基础数据库中的任一所述基础类型;
若否,利用数字孪生技术生成所述类型下的所有点云组件,并将生成的所有点云组件添加至所述基础数据库中。
可选的,基于所述虚拟场景集训练雷达检测模型,并将所述雷达检测模型部署在目标车辆上的过程包括:
将所述虚拟场景集划分为虚拟场景训练集和虚拟场景测试集;
通过所述虚拟场景训练集训练雷达检测模型,通过所述虚拟场景测试集确定所述雷达检测模型的第一检测精度;
若所述第一检测精度大于或等于第一预设值,将所述雷达检测模型部署在目标车辆上。
可选的,通过所述虚拟场景测试集确定所述雷达检测模型的第一检测精度之后,该雷达检测模型确定方法还包括:
若所述第一检测精度小于所述第一预设值,确定待调整场景及所述待调整场景对应的待调整目标点云组件;
调整所述待调整目标点云组件的布设参数,然后重复根据所述目标点云组件构建虚拟场景集的步骤。
可选的,该雷达检测模型确定方法还包括:
基于所述雷达装置采集的当前环境的点云数据构建真实场景测试集;
通过所述真实场景测试集确定所述雷达检测模型的第二检测精度;
相应的,将所述雷达检测模型部署在目标车辆上的过程包括:
当所述第二检测精度大于或等于第二预设值,将所述雷达检测模型部署在目标车辆上。
可选的,通过所述真实场景测试集确定所述雷达检测模型的第二检测精度之后,该雷达检测模型确定方法还包括:
当所述第二检测精度小于所述第二预设值,判断是否存在场景缺失和/或组件缺失;
若存在场景缺失,确定待调整场景及所述待调整场景对应的待调整目标点云组件,调整所述待调整目标点云组件的布设参数,然后重复根据所述目标点云组件构建虚拟场景集的步骤;
若存在组件缺失,确定所述真实场景测试集中的新的点云组件的类型,利用数字孪生技术生成所述类型下的所有点云组件,并将生成的所有点云组件添加至所述基础数据库中。
为解决上述技术问题,本申请还提供了一种雷达检测模型确定系统,包括:
第一确定模块,用于通过采集车辆中配置的雷达装置采集当前环境中的点云数据,基于所述点云数据确定当前环境中的当前点云组件的类型;
第二确定模块,用于基于所述类型从基础数据库中确定目标点云组件,所述基础数据库包括利用数字孪生技术生成的各个基础类型下的点云组件,所述目标点云组件为任一所述点云组件;
第一构建模块,用于根据所述目标点云组件构建虚拟场景集,基于所述虚拟场景集训练雷达检测模型;
部署模块,用于将所述雷达检测模型部署在目标车辆上。
为解决上述技术问题,本申请还提供了一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上文任意一项所述的雷达检测模型确定方法的步骤。
为解决上述技术问题,本申请还提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上文任意一项所述的雷达检测模型确定方法的步骤。
可见,本申请使用数字孪生技术实现真实环境中的点云组件的点云建模及基础数据库的构建,并基于评估指标进行缺失场景和缺失点云组件的快速补充以及模型的迭代训练,解决雷达检测模型构建过程中存在的真实路采数据集创建、维护成本高的问题,去除了人工数据标注环节,提升数据闭环的算法迭代效率,通过点云组件灵活构建与当前环境对应的仿真场景,一方面可以解决雷达检测模型构建过程中存在的数据集场景局限性强的问题,另一方面可以规避数据隐私,解决数据开放性差的问题,有利于开放学术研究,推动相关技术瓶颈的突破。
本申请的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
为了更清楚地说明本申请实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请所提供的一种传统自动驾驶数据闭环算法开发示意图;
图2为本申请所提供的一种雷达检测模型确定方法的步骤流程图;
图3为本申请所提供的另一种雷达检测模型确定方法的步骤流程图;
图4为本申请所提供的一种雷达检测模型确定系统的结构示意图。
具体实施方式
本申请的核心是提供一种雷达检测模型确定方法、系统、电子设备及可读存储介质,使用数字孪生技术实现真实环境中的点云组件的点云建模及基础数据库的构建,并基于评估指标进行缺失场景和缺失点云组件的快速补充以及模型的迭代训练,能够解决雷达检测模型构建过程中存在的真实路采数据集创建、维护成本高、数据集场景局限性强、数据开放性差的问题,提升数据闭环的算法迭代效率。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参照图2,图2为本申请所提供的一种雷达检测模型确定方法的步骤流程图,该雷达检测模型确定方法包括:
S101:通过采集车辆中配置的雷达装置采集当前环境中的点云数据,基于点云数据确定当前环境中的当前点云组件的类型;
具体的,在执行本步骤之前,该雷达检测模型确定方法还包括基于数字孪生技术构建基础数据库的操作,基础数据库包括利用数字孪生技术生成的各个基础类型下的点云组件。基础类型包括但不限于路口、机动车、行人、建筑等,每个基础类型下可以包括一个或多个点云组件,比如路口类型下包括十字路口、丁字路口、Y字路口等点云组件。
作为一种可选的实施例,可以针对道路场景、检测对象、外围环境分别构建数据库,如可基于数字孪生技术构建基础道路场景点云组件数据库R={Ri|i=0,1,2,…},该点云组件数据库根据公路、城市道路、乡村道路三大主流道路场景划分为三大类,并针对其中某一类道路场景构建道路组件的数据库,如针对城市道路的数据库需包含快速路、主干路、次干路、支路等主要道路形式对应的点云组件,包含十字、丁字、Y字等多种路口对应的点云组件,涵盖人行横道、城市高架、非机动车道、交通信号灯、各类车辆分流、汇入道路等各类场景对应的点云组件。可基于数字孪生技术构建基础检测对象点云组件数据库O={Oi|i=0,1,2,…},该数据库中包含常见的机动车(如小轿车、SUV、客车、载货卡车等)对应的点云组件、行人(成人、儿童)对应的点云组件、非机动车(如自行车、电动车等)等需要检测的目标对象对应的点云组件;可基于数字孪生技术构建基础外围环境点云组件数据库E={Ei|i=0,1,2,…},该数据库中包含常见的道路周边环境对应的点云组件,如各类绿植、建筑房屋对应的点云组件等。
具体的,使用配置雷达装置的采集车辆对雷达算法的应用环境即当前环境的点云数据进行少量采样,基于点云数据统计当前场景中的道路组件的类型Rneed、检测对象组件的类型Oneed、外围环境点云组件的类型Eneed,比如Rneed为路口,Oneed为机动车,Eneed为建筑房屋。
S102:基于类型从基础数据库中确定目标点云组件,基础数据库包括利用数字孪生技术生成的各个基础类型下的点云组件,目标点云组件为任一点云组件;
S103:根据目标点云组件构建虚拟场景集,基于虚拟场景集训练雷达检测模型,并将雷达检测模型部署在目标车辆上。
具体的,在执行S102之前,还包括判断构建的基础数据库是否可以满足当前环境的需求的操作,具体可判断式(1)是否成立:
如果式(1)成立,则说明上述步骤构建的基础数据库满足当前环境的需求,此时,基于点云数据从基础数据库R、O、E中选择对应的目标点云组件r、o、e,其中,r表示Rneed类型下的具体的点云组件,假设Rneed为路口,那么r可以为十字路口、丁字路口等,可以理解的是,r的数量可以根据点云数据确定,比如可以包括3个十字路口,2个丁字路口等,o,e的确定方式与r同理。
作为一种可选的实施例,基于点云数据确定当前环境中的当前点云组件的类型之后,该雷达检测模型确定方法还包括:
判断当前环境中的当前点云组件的类型是否为基础数据库中的任一基础类型;
若否,利用数字孪生技术生成类型下的所有点云组件,并将生成的所有点云组件添加至基础数据库中。
具体的,如果当前点云组件的类型不包括在基础数据库的基础类型内,也即当前点云组件是未包含在基础数据库中的特殊组件,则利用数字孪生技术生成该类型下的所有点云组件,并将添加至基础数据库中,以更新基础数据库。实现缺失点云组件的快速补充。进一步的,根据上述步骤确定的目标点云组件构建虚拟场景集,基于虚拟场景集训练雷达检测模型,并将雷达检测模型部署在目标车辆上。
可见,本实施例中,使用数字孪生技术实现真实环境中的点云组件的点云建模及基础数据库的构建,并基于评估指标进行缺失场景和缺失点云组件的快速补充以及模型的迭代训练,解决雷达检测模型构建过程中存在的真实路采数据集创建、维护成本高的问题,去除了人工数据标注环节,提升数据闭环的算法迭代效率,通过点云组件灵活构建与当前环境对应的仿真场景,一方面可以解决雷达检测模型构建过程中存在的数据集场景局限性强的问题,另一方面可以规避数据隐私,解决数据开放性差的问题,有利于开放学术研究,推动相关技术瓶颈的突破。
在上述实施例的基础上:
作为一种可选的实施例,该雷达检测模型确定方法还包括:
确定雷达装置的工作参数;
相应的,根据目标点云组件构建虚拟场景集的过程包括:
基于目标点云组件构建第一场景集;
根据工作参数对第一场景集进行调整得到第二场景集,将第二场景集作为虚拟场景集。
具体的,可以将S102中确定的目标点云组件进行灵活组合,构建初始场景集,假设S102中基于当前环境确定的目标点云组件如下:3个十字路口、6辆小轿车、1辆SUV和4座建筑房屋,则可根据上述目标点云组件的点云数据灵活构建第一场景集S0,适配雷达装置的工作参数对第一场景集S0进行调整,得到第二场景集S1,使第二场景集S1更接近雷达装置实际采集到的场景。
具体的,雷达装置的工作参数包括但不限于检测角度、横向分辨率和纵向分辨率,其中,雷达装置的检测角度用于确定点云数据的坐标范围,基于该坐标范围可以对第一场景集S0中的点云数据进行筛选,将坐标范围以外的点云数据去除,也即第二场景集S1中仅包括坐标范围以内的点云数据,雷达装置的横向分辨率和纵向分辨率可以用于确定场景中各位置的点云数据的疏密度,比如距离较远的应该疏散一点,距离较近的就密集一点,考虑到第一场景集S0中各点云数据的疏密度可能是均匀分布的,因此可根据确定的各位置的疏密度对第一场景集S0中各点云数据的疏密度进行调整,得到第二场景集S1。
作为一种可选的实施例,基础数据库还包括:
利用数字孪生技术生成的各个噪声类型下的噪声转换矩阵。
具体的,考虑到环境噪声会对雷达装置的检测精度产生影响,因此,本实施例中还通过数字孪生技术对各类噪声进行建模,构建噪声转换矩阵数据库,T={Ti|i=0,1,2…},包含各类常见噪声源(如雨、雪、雾、扬尘等)对点云数据产生的影响。
作为一种可选的实施例,基于点云数据确定当前环境中的当前点云组件的类型之后,该雷达检测模型确定方法还包括:
确定当前环境的天气信息;
基于天气信息确定当前噪声类型;
根据当前噪声类型从基础数据库中的所有噪声转换矩阵中确定目标噪声转换矩阵;
相应的,根据目标点云组件构建虚拟场景集的过程包括:
根据目标点云组件和目标噪声转换矩阵构建虚拟场景集。
可以理解的是,根据采集车辆所在地的天气信息即可得到可能的噪声类型Tneed,判断构建的基础数据库是否可以满足当前环境的需求的操作,具体可判断式(2)是否成立:
如果式(2)成立,则说明上述步骤构建的基础数据库满足当前环境的需求,此时,基于点云数据从数据库R、O、E中选择对应的目标点云组件r、o、e,基于Tneed从数据库T中选择对应的目标噪声转换矩阵t,目标噪声转换矩阵的数量根据当地天气确定。
当然,如果当前噪声类型不包括在基础数据库中,则基于数字孪生技术对该噪声类型进行建模,构造噪声转换矩阵,并以此更新基础数据库。
然后基于r、o、e、t构建虚拟场景集,包括:
确定雷达装置的工作参数;
相应的,根据目标点云组件和目标噪声转换矩阵构建虚拟场景集的过程包括:
基于目标点云组件构建第一场景集;
根据工作参数对第一场景集进行调整得到第二场景集;
对第二场景集中的各个场景随机加入目标噪声转换矩阵或单位矩阵得到第三场景集,将第三场景集作为虚拟场景集。
具体的,首先获取雷达装置的工作参数,雷达装置的工作参数包括但不限于检测角度、横向分辨率和纵向分辨率,其中,雷达装置的检测角度用于确定点云数据的坐标范围,基于该坐标范围可以对第一场景集S0中的点云数据进行筛选,将坐标范围以外的点云数据去除,也即第二场景集S1中仅包括坐标范围以内的点云数据,雷达装置的横向分辨率和纵向分辨率可以用于确定场景中各位置的点云数据的疏密度,比如距离较远的应该疏散一点,距离较近的就密集一点,考虑到第一场景集S0中各点云数据的疏密度可能是均匀分布的,因此可根据确定的各位置的疏密度对第一场景集S0中各点云数据的疏密度进行调整,得到第二场景集S1。
然后将对于第二场景集中的某一个场景,随机引入雨、雪、雾、扬尘等多种噪声的影响。具体的,本步骤中的随机引入包括在某一个场景中随机引入一种或多种噪声,或者在该场景中不引入噪声。假设目标噪声变换矩阵子集为,定义随机函数f(t),该随机函数随机返回子集中某一个目标噪声变换矩阵或单位矩阵(无变换),则第二场景集S1转化为第三场景集,将第三场景集S2作为虚拟场景集。
作为一种可选的实施例,基于虚拟场景集训练雷达检测模型,并将雷达检测模型部署在目标车辆上的过程包括:
将虚拟场景集划分为虚拟场景训练集和虚拟场景测试集;
通过虚拟场景训练集训练雷达检测模型,通过虚拟场景测试集确定雷达检测模型的第一检测精度;
若第一检测精度大于或等于第一预设值,将雷达检测模型部署在目标车辆上。
在上述实施例的基础上,将虚拟场景集S2拆分为虚拟场景训练集和虚拟场景测试集,利用虚拟场景训练集训练雷达检测模型,然后利用虚拟场景测试集对训练所得的雷达检测模型的检测精度进行初步评估,计算虚拟场景集中各类检测物体的检测精度APk,然后基于各类物体的检测精度APk得到雷达检测模型的第一检测精度AP1。
如果第一检测精度AP1大于或等于第一预设值APsim,训练得到的雷达检测模型通过虚拟场景的初步评估。
作为一种可选的实施例,如果第一检测精度AP1小于第一预设值APsim,则确定待调整场景及待调整场景对应的待调整目标点云组件,调整待调整目标点云组件的布设参数,然后重复根据目标点云组件构建虚拟场景集的步骤,其中,布设参数包括但不限于布设个数和布设方向等。
其中,待调整目标点云组件为APk较低的检测物体对应的点云组件,则为该类检测物体分配更高的采样比例,比如该雷达检测模型对于机动车的检测精度APk比较低,则增加机动车类型下的点云组件的个数,重新构建虚拟场景集。假设在第一次构建第一场景集时,机动车类型下的点云组件的个数为7个,此时可增加至10个,重新构建第一场景集,并重复后续步骤,直至第一检测精度AP1大于或等于第一预设值APsim。
当训练得到的雷达检测模型通过虚拟场景的初步评估后,基于少量采样的道路点云数据继续对该雷达检测模型进行评估,包括:
基于雷达装置采集的当前环境的点云数据构建真实场景测试集;
通过真实场景测试集确定雷达检测模型的第二检测精度;
相应的,将雷达检测模型部署在目标车辆上的过程包括:
当第二检测精度大于或等于第二预设值,将雷达检测模型部署在目标车辆上。
具体的,将训练所得的雷达检测模型应用于采集车辆采集所得的代表性真实场景中,基于雷达装置采集的当前环境的点云数据构建真实场景测试集,通过真实场景测试集对雷达检测模型进行进一步评估,计算雷达检测模型的第二检测精度AP2,如果AP2大于或等于第二预设值APreal,则雷达检测模型通过代表性真实场景的评估,可以部署在目标车辆上。
作为一种可选的实施例,如果第二检测精度AP2小于第二预设值APreal,则进行原因分析,判断是否存在场景缺失和/或组件缺失:若存在组件缺失,确定真实场景测试集中的新的点云组件的类型,利用数字孪生技术生成类型下的所有点云组件,并将生成的所有点云组件添加至基础数据库中,并重复上述判断构建的基础数据库是否可以满足当前环境的需求的操作,若存在场景缺失,针对检测难度高的复合场景和具体物体组件,提升其在场景生成中的占比,具体的,确定待调整场景及待调整场景对应的待调整目标点云组件,调整待调整目标点云组件的布设参数,然后重复根据目标点云组件构建虚拟场景集的步骤,直至第二检测精度大于或等于第二预设值,实现基于评估指标进行缺失场景和缺失点云组件的快速补充以及模型的迭代训练。
进一步的,将雷达检测模型部署于车端,收集漏检、错检现象,基于数字孪生技术实现算法的快速迭代,若实际应用中无检测物体漏检、错检现象发生,则算法迭代完成;若实际应用中存在检测物体漏检、错检现象发生,则进行原因分析,针对漏检、错检现象发生的复合场景和物体组件,提升其在场景生成中的占比,重复根据目标点云组件构建虚拟场景集,基于虚拟场景集训练雷达检测模型的操作;若存在基本点云组件采样缺失,则重复判断构建的基础数据库是否可以满足当前环境的需求的操作。
请参照图3,图3为本申请实施例所提供的一种较为优选的雷达检测模型确定方法的步骤流程图,该雷达检测模型确定方法包括:
S201:构建基础数据库R、O、E,构建噪声变换矩阵库T;
S202:通过采集车辆中配置的雷达装置采集当前环境中的点云数据,基于点云数据确定当前环境中的当前点云组件的类型,基于当前环境的天气信息确定当前噪声类型;
S203:判断基础数据库是否满足当前环境的需求,若是,执行S204,若否,执行S201;
S204:基于当前点云组件的类型和当前噪声类型从基础数据库中确定目标点云组件和目标噪声变换矩阵;
S205:根据目标点云组件构建第一场景集;
S206:确定雷达装置的工作参数,根据工作参数对第一场景集进行调整得到第二场景集;
S207:对第二场景集中的各个场景随机加入目标噪声变换矩阵或单位矩阵得到第三场景集;
S208:将虚拟场景集划分为虚拟场景训练集和虚拟场景测试集;
S209:通过虚拟场景训练集训练雷达检测模型;
S210:通过虚拟场景测试集确定雷达检测模型的第一检测精度;
S211:判断第一检测精度是否大于或等于第一预设值,若是,执行S212,若否,执行S205;
S212:基于雷达装置采集的当前环境的点云数据构建真实场景测试集,通过真实场景测试集确定雷达检测模型的第二检测精度;
S213:判断第二检测精度是否大于或等于第二预设值,若是,执行S214,若否,执行S216;
S214:将雷达检测模型部署在目标车辆上;
S215:判断是否存在目标物体漏检或错检,若是,执行S216,若否,结束;
S216:原因分析,若原因分析结果为场景缺失,则执行S205,若原因分析结果为组件缺失则执行S202。
综上,本申请基于数字孪生技术提出一种新型的自动驾驶的雷达算法开发方法,解决现阶段高质量自动驾驶点云数据集构建成本高、场景局限性强、数据开放性差的问题,使用数字孪生技术实现自动驾驶真实场景构成组件点云数据的建模和基础数据库的构建,降低模型开发数据集构建、维护成本,加速数据集的迭代更新;通过点云组件和噪声矩阵的灵活组合,实现不同场景、多种功能、各异LiDAR配置方案对应算法模型的敏捷开发,实现针对性场景、检测对象算法的高效迭代;通过虚拟仿真场景生成技术规避数据隐私,解决数据开放性差的问题,有利于开放学术研究,推动相关技术瓶颈的突破。
请参照图4,图4为本申请所提供的一种雷达检测模型确定系统的结构示意图,该雷达检测模型确定系统包括:
第一确定模块1,用于通过采集车辆中配置的雷达装置采集当前环境中的点云数据,基于点云数据确定当前环境中的当前点云组件的类型;
第二确定模块2,用于基于类型从基础数据库中确定目标点云组件,基础数据库包括利用数字孪生技术生成的各个基础类型下的点云组件,目标点云组件为任一点云组件;
第一构建模块3,用于根据目标点云组件构建虚拟场景集,基于虚拟场景集训练雷达检测模型;
部署模块4,用于将雷达检测模型部署在目标车辆上。
可见,本实施例中,使用数字孪生技术实现真实环境中的点云组件的点云建模及基础数据库的构建,并基于评估指标进行缺失场景和缺失点云组件的快速补充以及模型的迭代训练,解决雷达检测模型构建过程中存在的真实路采数据集创建、维护成本高的问题,去除了人工数据标注环节,提升数据闭环的算法迭代效率,通过点云组件灵活构建与当前环境对应的仿真场景,一方面可以解决雷达检测模型构建过程中存在的数据集场景局限性强的问题,另一方面可以规避数据隐私,解决数据开放性差的问题,有利于开放学术研究,推动相关技术瓶颈的突破。
作为一种可选的实施例,该雷达检测模型确定系统还包括:
第三确定模块,用于确定雷达装置的工作参数;
相应的,根据目标点云组件构建虚拟场景集的过程包括:
基于目标点云组件构建第一场景集;
根据工作参数对第一场景集进行调整得到第二场景集,将第二场景集作为虚拟场景集。
作为一种可选的实施例,基础数据库还包括:
利用数字孪生技术生成的各个噪声类型下的噪声转换矩阵。
作为一种可选的实施例,该雷达检测模型确定系统还包括:
第四确定模块,用于确定当前环境的天气信息,基于天气信息确定当前噪声类型,根据当前噪声类型从基础数据库中的所有噪声转换矩阵中确定目标噪声转换矩阵;
相应的,根据目标点云组件构建虚拟场景集的过程包括:
根据目标点云组件和目标噪声转换矩阵构建虚拟场景集。
作为一种可选的实施例,该雷达检测模型确定系统还包括:
第五确定模块,用于确定雷达装置的工作参数;
相应的,根据目标点云组件和目标噪声转换矩阵构建虚拟场景集的过程包括:
基于目标点云组件构建第一场景集;
根据工作参数对第一场景集进行调整得到第二场景集;
对第二场景集中的各个场景随机加入目标噪声转换矩阵或单位矩阵得到第三场景集,将第三场景集作为虚拟场景集。
作为一种可选的实施例,工作参数包括雷达装置的检测角度、横向分辨率和纵向分辨率;
相应的,根据工作参数对第一场景集进行调整得到第二场景集的过程包括:
根据检测角度确定点云数据的坐标范围;
利用横向分辨率和纵向分辨率确定各个位置的点云数据的疏密度;
基于坐标范围和疏密度对第一场景集中的点云数据进行调整得到第二场景集。
作为一种可选的实施例,基础数据库包括基础道路点云组件数据库,基础检测对象点云组件数据库和基础外围环境点云组件数据库。
作为一种可选的实施例,该雷达检测模型确定系统还包括:
第一判断模块,用于判断当前环境中的当前点云组件的类型是否为基础数据库中的任一基础类型,若否,触发第一处理模块;
第一处理模块,用于利用数字孪生技术生成类型下的所有点云组件,并将生成的所有点云组件添加至基础数据库中。
作为一种可选的实施例,基于虚拟场景集训练雷达检测模型,并将雷达检测模型部署在目标车辆上的过程包括:
将虚拟场景集划分为虚拟场景训练集和虚拟场景测试集;
通过虚拟场景训练集训练雷达检测模型,通过虚拟场景测试集确定雷达检测模型的第一检测精度;
若第一检测精度大于或等于第一预设值,将雷达检测模型部署在目标车辆上。
作为一种可选的实施例,该雷达检测模型确定系统还包括:
第六确定模块,用于在第一检测精度小于第一预设值,确定待调整场景及待调整场景对应的待调整目标点云组件;
第一构建模块3,还用于调整待调整目标点云组件的布设参数,然后重复根据目标点云组件构建虚拟场景集的步骤。
作为一种可选的实施例,该雷达检测模型确定系统还包括:
第二构建模块,用于基于雷达装置采集的当前环境的点云数据构建真实场景测试集;
测试模块,用于通过真实场景测试集确定雷达检测模型的第二检测精度;
相应的,将雷达检测模型部署在目标车辆上的过程包括:
当第二检测精度大于或等于第二预设值,将雷达检测模型部署在目标车辆上。
作为一种可选的实施例,通过真实场景测试集确定雷达检测模型的第二检测精度之后,该雷达检测模型确定系统还包括:
第二判断模块,还用于当第二检测精度小于第二预设值,判断是否存在场景缺失和/或组件缺失,若存在组件缺失,触发第一处理模块,若存在场景缺失,触发第二处理模块;
第一处理模块,还用于确定真实场景测试集中的新的点云组件的类型,利用数字孪生技术生成类型下的所有点云组件,并将生成的所有点云组件添加至基础数据库中。
第二处理模块,用于确定待调整场景及待调整场景对应的待调整目标点云组件,调整待调整目标点云组件的布设参数,然后重复根据目标点云组件构建虚拟场景集的步骤。
另一方面,本申请还提供了一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现如上文任意一个实施例所描述的雷达检测模型确定方法的步骤。
具体的,存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机可读指令,该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。处理器执行存储器中保存的计算机程序时,可以实现以下步骤:通过采集车辆中配置的雷达装置采集当前环境中的点云数据,基于点云数据确定当前环境中的当前点云组件的类型;基于类型从基础数据库中确定目标点云组件,基础数据库包括利用数字孪生技术生成的各个基础类型下的点云组件,目标点云组件为任一点云组件;根据目标点云组件构建虚拟场景集,基于虚拟场景集训练雷达检测模型,并将雷达检测模型部署在目标车辆上。
可见,本实施例中,使用数字孪生技术实现真实环境中的点云组件的点云建模及基础数据库的构建,并基于评估指标进行缺失场景和缺失点云组件的快速补充以及模型的迭代训练,解决雷达检测模型构建过程中存在的真实路采数据集创建、维护成本高的问题,去除了人工数据标注环节,提升数据闭环的算法迭代效率,通过点云组件灵活构建与当前环境对应的仿真场景,一方面可以解决雷达检测模型构建过程中存在的数据集场景局限性强的问题,另一方面可以规避数据隐私,解决数据开放性差的问题,有利于开放学术研究,推动相关技术瓶颈的突破。
作为一种可选的实施例,处理器执行存储器中保存的计算机子程序时,可以实现以下步骤:确定雷达装置的工作参数;基于目标点云组件构建第一场景集;根据工作参数对第一场景集进行调整得到第二场景集,将第二场景集作为虚拟场景集。
作为一种可选的实施例,处理器执行存储器中保存的计算机子程序时,可以实现以下步骤:利用数字孪生技术生成的各个噪声类型下的噪声转换矩阵,将噪声转换矩阵存储到基础数据库中。
作为一种可选的实施例,处理器执行存储器中保存的计算机子程序时,可以实现以下步骤:确定当前环境的天气信息;基于天气信息确定当前噪声类型;根据当前噪声类型从基础数据库中的所有噪声转换矩阵中确定目标噪声转换矩阵;根据目标点云组件和目标噪声转换矩阵构建虚拟场景集。
作为一种可选的实施例,处理器执行存储器中保存的计算机子程序时,可以实现以下步骤:确定雷达装置的工作参数;基于目标点云组件构建第一场景集;根据工作参数对第一场景集进行调整得到第二场景集;对第二场景集中的各个场景随机加入目标噪声转换矩阵或单位矩阵得到第三场景集,将第三场景集作为虚拟场景集。
作为一种可选的实施例,处理器执行存储器中保存的计算机子程序时,可以实现以下步骤:根据检测角度确定点云数据的坐标范围;利用横向分辨率和纵向分辨率确定各个位置的点云数据的疏密度;基于坐标范围和疏密度对第一场景集中的点云数据进行调整得到第二场景集。
作为一种可选的实施例,处理器执行存储器中保存的计算机子程序时,可以实现以下步骤:判断当前环境中的当前点云组件的类型是否为基础数据库中的任一基础类型;若否,利用数字孪生技术生成类型下的所有点云组件,并将生成的所有点云组件添加至基础数据库中。
作为一种可选的实施例,处理器执行存储器中保存的计算机子程序时,可以实现以下步骤:将虚拟场景集划分为虚拟场景训练集和虚拟场景测试集;通过虚拟场景训练集训练雷达检测模型,通过虚拟场景测试集确定雷达检测模型的第一检测精度;若第一检测精度大于或等于第一预设值,将雷达检测模型部署在目标车辆上。
作为一种可选的实施例,处理器执行存储器中保存的计算机子程序时,可以实现以下步骤:若第一检测精度小于第一预设值,确定待调整场景及待调整场景对应的待调整目标点云组件;调整待调整目标点云组件的布设参数,然后重复根据目标点云组件构建虚拟场景集的步骤。
作为一种可选的实施例,处理器执行存储器中保存的计算机子程序时,可以实现以下步骤:基于雷达装置采集的当前环境的点云数据构建真实场景测试集;通过真实场景测试集确定雷达检测模型的第二检测精度;当第二检测精度大于或等于第二预设值,将雷达检测模型部署在目标车辆上。
作为一种可选的实施例,处理器执行存储器中保存的计算机子程序时,可以实现以下步骤:当第二检测精度小于第二预设值,判断是否存在场景缺失和/或组件缺失;若存在场景缺失,确定待调整场景及待调整场景对应的待调整目标点云组件,调整待调整目标点云组件的布设参数,然后重复根据目标点云组件构建虚拟场景集的步骤;若存在组件缺失,确定真实场景测试集中的新的点云组件的类型,利用数字孪生技术生成类型下的所有点云组件,并将生成的所有点云组件添加至基础数据库中。
在上述实施例的基础上,该电子设备还包括:
输入接口,与处理器相连,用于获取外部导入的计算机程序、参数和指令,经处理器控制保存至存储器中。该输入接口可以与输入装置相连,接收用户手动输入的参数或指令。该输入装置可以是显示屏上覆盖的触摸层,也可以是终端外壳上设置的按键、轨迹球或触控板。
显示单元,与处理器相连,用于显示处理器发送的数据。该显示单元可以为液晶显示屏或者电子墨水显示屏等。
网络端口,与处理器相连,用于与外部各终端设备进行通信连接。该通信连接所采用的通信技术可以为有线通信技术或无线通信技术,如移动高清链接技术(MHL)、通用串行总线(USB)、高清多媒体接口(HDMI)、无线保真技术(WiFi)、蓝牙通信技术、低功耗蓝牙通信技术、基于IEEE802.11s的通信技术等。
另一方面,本申请还提供了一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上文任意一个实施例所描述的雷达检测模型确定方法的步骤。
具体的,该可读存储介质可以包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,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。该存储介质上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:通过采集车辆中配置的雷达装置采集当前环境中的点云数据,基于点云数据确定当前环境中的当前点云组件的类型;基于类型从基础数据库中确定目标点云组件,基础数据库包括利用数字孪生技术生成的各个基础类型下的点云组件,目标点云组件为任一点云组件;根据目标点云组件构建虚拟场景集,基于虚拟场景集训练雷达检测模型,并将雷达检测模型部署在目标车辆上。
可见,本实施例中,使用数字孪生技术实现真实环境中的点云组件的点云建模及基础数据库的构建,并基于评估指标进行缺失场景和缺失点云组件的快速补充以及模型的迭代训练,解决雷达检测模型构建过程中存在的真实路采数据集创建、维护成本高的问题,去除了人工数据标注环节,提升数据闭环的算法迭代效率,通过点云组件灵活构建与当前环境对应的仿真场景,一方面可以解决雷达检测模型构建过程中存在的数据集场景局限性强的问题,另一方面可以规避数据隐私,解决数据开放性差的问题,有利于开放学术研究,推动相关技术瓶颈的突破。
作为一种可选的实施例,可读存储介质中存储的计算机子程序被处理器执行时,具体可以实现以下步骤:确定雷达装置的工作参数;基于目标点云组件构建第一场景集;根据工作参数对第一场景集进行调整得到第二场景集,将第二场景集作为虚拟场景集。
作为一种可选的实施例,可读存储介质中存储的计算机子程序被处理器执行时,具体可以实现以下步骤:利用数字孪生技术生成的各个噪声类型下的噪声转换矩阵,将噪声转换矩阵存储到基础数据库中。
作为一种可选的实施例,可读存储介质中存储的计算机子程序被处理器执行时,具体可以实现以下步骤:确定当前环境的天气信息;基于天气信息确定当前噪声类型;根据当前噪声类型从基础数据库中的所有噪声转换矩阵中确定目标噪声转换矩阵;根据目标点云组件和目标噪声转换矩阵构建虚拟场景集。
作为一种可选的实施例,可读存储介质中存储的计算机子程序被处理器执行时,具体可以实现以下步骤:确定雷达装置的工作参数;基于目标点云组件构建第一场景集;根据工作参数对第一场景集进行调整得到第二场景集;对第二场景集中的各个场景随机加入目标噪声转换矩阵或单位矩阵得到第三场景集,将第三场景集作为虚拟场景集。
作为一种可选的实施例,可读存储介质中存储的计算机子程序被处理器执行时,具体可以实现以下步骤:根据检测角度确定点云数据的坐标范围;利用横向分辨率和纵向分辨率确定各个位置的点云数据的疏密度;基于坐标范围和疏密度对第一场景集中的点云数据进行调整得到第二场景集。
作为一种可选的实施例,可读存储介质中存储的计算机子程序被处理器执行时,具体可以实现以下步骤:判断当前环境中的当前点云组件的类型是否为基础数据库中的任一基础类型;若否,利用数字孪生技术生成类型下的所有点云组件,并将生成的所有点云组件添加至基础数据库中。
作为一种可选的实施例,可读存储介质中存储的计算机子程序被处理器执行时,具体可以实现以下步骤:将虚拟场景集划分为虚拟场景训练集和虚拟场景测试集;通过虚拟场景训练集训练雷达检测模型,通过虚拟场景测试集确定雷达检测模型的第一检测精度;若第一检测精度大于或等于第一预设值,将雷达检测模型部署在目标车辆上。
作为一种可选的实施例,可读存储介质中存储的计算机子程序被处理器执行时,具体可以实现以下步骤:若第一检测精度小于第一预设值,确定待调整场景及待调整场景对应的待调整目标点云组件;调整待调整目标点云组件的布设参数,然后重复根据目标点云组件构建虚拟场景集的步骤。
作为一种可选的实施例,可读存储介质中存储的计算机子程序被处理器执行时,具体可以实现以下步骤:基于雷达装置采集的当前环境的点云数据构建真实场景测试集;通过真实场景测试集确定雷达检测模型的第二检测精度;当第二检测精度大于或等于第二预设值,将雷达检测模型部署在目标车辆上。
作为一种可选的实施例,可读存储介质中存储的计算机子程序被处理器执行时,具体可以实现以下步骤:当第二检测精度小于第二预设值,判断是否存在场景缺失和/或组件缺失;若存在场景缺失,确定待调整场景及待调整场景对应的待调整目标点云组件,调整待调整目标点云组件的布设参数,然后重复根据目标点云组件构建虚拟场景集的步骤;若存在组件缺失,确定真实场景测试集中的新的点云组件的类型,利用数字孪生技术生成类型下的所有点云组件,并将生成的所有点云组件添加至基础数据库中。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其他实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (15)
1.一种雷达检测模型确定方法,其特征在于,包括:
通过采集车辆中配置的雷达装置采集当前环境中的点云数据,基于所述点云数据确定当前环境中的当前点云组件的类型;
基于所述类型从基础数据库中确定目标点云组件,所述基础数据库包括利用数字孪生技术生成的各个基础类型下的点云组件,所述目标点云组件为任一所述点云组件;
根据所述目标点云组件构建虚拟场景集,基于所述虚拟场景集训练雷达检测模型,并将所述雷达检测模型部署在目标车辆上。
2.根据权利要求1所述的雷达检测模型确定方法,其特征在于,该雷达检测模型确定方法还包括:
确定所述雷达装置的工作参数;
相应的,根据所述目标点云组件构建虚拟场景集的过程包括:
基于所述目标点云组件构建第一场景集;
根据所述工作参数对所述第一场景集进行调整得到第二场景集,将所述第二场景集作为虚拟场景集。
3.根据权利要求1所述的雷达检测模型确定方法,其特征在于,所述基础数据库还包括:
利用数字孪生技术生成的各个噪声类型下的噪声转换矩阵。
4.根据权利要求3所述的雷达检测模型确定方法,其特征在于,基于所述点云数据确定当前环境中的当前点云组件的类型之后,该雷达检测模型确定方法还包括:
确定当前环境的天气信息;
基于所述天气信息确定当前噪声类型;
根据当前噪声类型从所述基础数据库中的所有所述噪声转换矩阵中确定目标噪声转换矩阵;
相应的,根据所述目标点云组件构建虚拟场景集的过程包括:
根据所述目标点云组件和所述目标噪声转换矩阵构建虚拟场景集。
5.根据权利要求4所述的雷达检测模型确定方法,其特征在于,该雷达检测模型确定方法还包括:
确定所述雷达装置的工作参数;
相应的,根据所述目标点云组件和所述目标噪声转换矩阵构建虚拟场景集的过程包括:
基于所述目标点云组件构建第一场景集;
根据所述工作参数对所述第一场景集进行调整得到第二场景集;
对所述第二场景集中的各个场景随机加入所述目标噪声转换矩阵或单位矩阵得到第三场景集,将所述第三场景集作为所述虚拟场景集。
6.根据权利要求2或5所述的雷达检测模型确定方法,其特征在于,所述工作参数包括所述雷达装置的检测角度、横向分辨率和纵向分辨率;
相应的,根据所述工作参数对所述第一场景集进行调整得到第二场景集的过程包括:
根据所述检测角度确定点云数据的坐标范围;
利用所述横向分辨率和所述纵向分辨率确定各个位置的点云数据的疏密度;
基于所述坐标范围和所述疏密度对所述第一场景集中的点云数据进行调整得到第二场景集。
7.根据权利要求1所述的雷达检测模型确定方法,其特征在于,所述基础数据库包括基础道路点云组件数据库,基础检测对象点云组件数据库和基础外围环境点云组件数据库。
8.根据权利要求1所述的雷达检测模型确定方法,其特征在于,基于所述点云数据确定当前环境中的当前点云组件的类型之后,该雷达检测模型确定方法还包括:
判断当前环境中的当前点云组件的类型是否为所述基础数据库中的任一所述基础类型;
若否,利用数字孪生技术生成所述类型下的所有点云组件,并将生成的所有点云组件添加至所述基础数据库中。
9.根据权利要求1所述的雷达检测模型确定方法,其特征在于,基于所述虚拟场景集训练雷达检测模型,并将所述雷达检测模型部署在目标车辆上的过程包括:
将所述虚拟场景集划分为虚拟场景训练集和虚拟场景测试集;
通过所述虚拟场景训练集训练雷达检测模型,通过所述虚拟场景测试集确定所述雷达检测模型的第一检测精度;
若所述第一检测精度大于或等于第一预设值,将所述雷达检测模型部署在目标车辆上。
10.根据权利要求9所述的雷达检测模型确定方法,其特征在于,通过所述虚拟场景测试集确定所述雷达检测模型的第一检测精度之后,该雷达检测模型确定方法还包括:
若所述第一检测精度小于所述第一预设值,确定待调整场景及所述待调整场景对应的待调整目标点云组件;
调整所述待调整目标点云组件的布设参数,然后重复根据所述目标点云组件构建虚拟场景集的步骤。
11.根据权利要求9所述的雷达检测模型确定方法,其特征在于,该雷达检测模型确定方法还包括:
基于所述雷达装置采集的当前环境的点云数据构建真实场景测试集;
通过所述真实场景测试集确定所述雷达检测模型的第二检测精度;
相应的,将所述雷达检测模型部署在目标车辆上的过程包括:
当所述第二检测精度大于或等于第二预设值,将所述雷达检测模型部署在目标车辆上。
12.根据权利要求11所述的雷达检测模型确定方法,其特征在于,通过所述真实场景测试集确定所述雷达检测模型的第二检测精度之后,该雷达检测模型确定方法还包括:
当所述第二检测精度小于所述第二预设值,判断是否存在场景缺失和/或组件缺失;
若存在场景缺失,确定待调整场景及所述待调整场景对应的待调整目标点云组件,调整所述待调整目标点云组件的布设参数,然后重复根据所述目标点云组件构建虚拟场景集的步骤;
若存在组件缺失,确定所述真实场景测试集中的新的点云组件的类型,利用数字孪生技术生成所述类型下的所有点云组件,并将生成的所有点云组件添加至所述基础数据库中。
13.一种雷达检测模型确定系统,其特征在于,包括:
第一确定模块,用于通过采集车辆中配置的雷达装置采集当前环境中的点云数据,基于所述点云数据确定当前环境中的当前点云组件的类型;
第二确定模块,用于基于所述类型从基础数据库中确定目标点云组件,所述基础数据库包括利用数字孪生技术生成的各个基础类型下的点云组件,所述目标点云组件为任一所述点云组件;
第一构建模块,用于根据所述目标点云组件构建虚拟场景集,基于所述虚拟场景集训练雷达检测模型;
部署模块,用于将所述雷达检测模型部署在目标车辆上。
14.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1-12任意一项所述的雷达检测模型确定方法的步骤。
15.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-12任意一项所述的雷达检测模型确定方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211022746.3A CN115098079B (zh) | 2022-08-25 | 2022-08-25 | 雷达检测模型确定方法、系统、电子设备及可读存储介质 |
PCT/CN2023/071958 WO2024040864A1 (zh) | 2022-08-25 | 2023-01-12 | 雷达检测模型确定方法、系统、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211022746.3A CN115098079B (zh) | 2022-08-25 | 2022-08-25 | 雷达检测模型确定方法、系统、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115098079A true CN115098079A (zh) | 2022-09-23 |
CN115098079B CN115098079B (zh) | 2023-01-24 |
Family
ID=83300446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211022746.3A Active CN115098079B (zh) | 2022-08-25 | 2022-08-25 | 雷达检测模型确定方法、系统、电子设备及可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115098079B (zh) |
WO (1) | WO2024040864A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115906282A (zh) * | 2022-11-14 | 2023-04-04 | 昆山适途模型科技有限公司 | 一种基于整车仿真的汽车模拟方法及系统 |
WO2024040864A1 (zh) * | 2022-08-25 | 2024-02-29 | 苏州元脑智能科技有限公司 | 雷达检测模型确定方法、系统、电子设备及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170357869A1 (en) * | 2014-10-30 | 2017-12-14 | Kofax, Inc. | Mobile document detection and orientation based on reference object characteristics |
CN111353417A (zh) * | 2020-02-26 | 2020-06-30 | 北京三快在线科技有限公司 | 一种目标检测的方法及装置 |
CN113111692A (zh) * | 2020-01-13 | 2021-07-13 | 北京地平线机器人技术研发有限公司 | 目标检测方法、装置、计算机可读存储介质及电子设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10408939B1 (en) * | 2019-01-31 | 2019-09-10 | StradVision, Inc. | Learning method and learning device for integrating image acquired by camera and point-cloud map acquired by radar or LiDAR corresponding to image at each of convolution stages in neural network and testing method and testing device using the same |
CN115098079B (zh) * | 2022-08-25 | 2023-01-24 | 苏州浪潮智能科技有限公司 | 雷达检测模型确定方法、系统、电子设备及可读存储介质 |
-
2022
- 2022-08-25 CN CN202211022746.3A patent/CN115098079B/zh active Active
-
2023
- 2023-01-12 WO PCT/CN2023/071958 patent/WO2024040864A1/zh unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170357869A1 (en) * | 2014-10-30 | 2017-12-14 | Kofax, Inc. | Mobile document detection and orientation based on reference object characteristics |
CN113111692A (zh) * | 2020-01-13 | 2021-07-13 | 北京地平线机器人技术研发有限公司 | 目标检测方法、装置、计算机可读存储介质及电子设备 |
CN111353417A (zh) * | 2020-02-26 | 2020-06-30 | 北京三快在线科技有限公司 | 一种目标检测的方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024040864A1 (zh) * | 2022-08-25 | 2024-02-29 | 苏州元脑智能科技有限公司 | 雷达检测模型确定方法、系统、电子设备及可读存储介质 |
CN115906282A (zh) * | 2022-11-14 | 2023-04-04 | 昆山适途模型科技有限公司 | 一种基于整车仿真的汽车模拟方法及系统 |
CN115906282B (zh) * | 2022-11-14 | 2024-05-24 | 昆山适途模型科技有限公司 | 一种基于整车仿真的汽车模拟方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115098079B (zh) | 2023-01-24 |
WO2024040864A1 (zh) | 2024-02-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115098079B (zh) | 雷达检测模型确定方法、系统、电子设备及可读存储介质 | |
CN111179585B (zh) | 自动驾驶车辆的场地测试方法及装置 | |
CN111797001A (zh) | 一种基于SCANeR的自动驾驶仿真测试模型的构建方法 | |
CN107403038B (zh) | 一种智能汽车虚拟快速测试方法 | |
CN111566664A (zh) | 用于生成用于机器学习的合成图像数据的方法、设备和系统 | |
CN110716529A (zh) | 一种自动驾驶测试用例自动生成方法和装置 | |
CN110782120B (zh) | 一种交通流模型的评测方法、系统、设备及介质 | |
CN110688311A (zh) | 一种面向自动驾驶典型场景的测试用例管理方法和装置 | |
CN110688943A (zh) | 一种基于实际驾驶数据自动获取图像样本的方法和装置 | |
CN113935441B (zh) | 汽车自动驾驶功能测试道路的选取方法、设备和存储介质 | |
CN113935442A (zh) | 汽车自动驾驶功能测试道路的分类方法、设备和存储介质 | |
Yang et al. | Road intersection identification from crowdsourced big trace data using Mask‐RCNN | |
CN113498511A (zh) | 测试场景仿真方法、装置、计算机设备和存储介质 | |
CN110675476A (zh) | 一种直观传达自动驾驶场景定义的方法和装置 | |
CN110647053A (zh) | 一种自动驾驶仿真方法及系统 | |
CN116597690B (zh) | 智能网联汽车的高速公路测试场景生成方法、设备及介质 | |
JP2023095812A (ja) | 車載データ処理方法、装置、電子デバイス、記憶媒体、及びプログラム | |
CN116861262A (zh) | 一种感知模型训练方法、装置及电子设备和存储介质 | |
CN114356931A (zh) | 数据处理方法、装置、存储介质、处理器及电子装置 | |
CN114116854A (zh) | 轨迹数据处理方法、装置、设备和存储介质 | |
Barberi et al. | BIM applied to intelligent transport systems | |
Chen et al. | Workflow for generating 3D urban models from open city data for performance-based urban design | |
CN113656979A (zh) | 路网数据生成方法、装置、电子设备及存储介质 | |
Tarko et al. | Guaranteed lidar-aided multi-object tracking at road intersections | |
CN117685954B (zh) | 一种用于矿区的多模态语义地图构建系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |