CN115202234A - 仿真测试方法、装置、存储介质和车辆 - Google Patents
仿真测试方法、装置、存储介质和车辆 Download PDFInfo
- Publication number
- CN115202234A CN115202234A CN202210822700.3A CN202210822700A CN115202234A CN 115202234 A CN115202234 A CN 115202234A CN 202210822700 A CN202210822700 A CN 202210822700A CN 115202234 A CN115202234 A CN 115202234A
- Authority
- CN
- China
- Prior art keywords
- target
- vehicle
- data
- pose data
- pose
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 36
- 238000010998 test method Methods 0.000 title claims abstract description 9
- 230000033001 locomotion Effects 0.000 claims abstract description 125
- 238000012360 testing method Methods 0.000 claims abstract description 105
- 230000008447 perception Effects 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000001133 acceleration Effects 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 13
- 230000003993 interaction Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 230000002452 interceptive effect Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000010267 cellular communication Effects 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000001294 propane Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000979 retarding effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
Abstract
本公开涉及自动驾驶领域，涉及一种仿真测试方法、装置、存储介质和车辆，该方法包括获取目标车辆在历史时刻的历史感知结果数据；获取所述目标车辆的第一位姿数据；获取所述目标车辆的第二位姿数据，所述第二位姿数据包括所述目标车辆根据所述历史感知结果数据通过第二预设驾驶控制算法控制所述目标车辆在自动驾驶所述预设时间段后，得到的位姿数据；在确定所述第一位姿数据和所述第二位姿数据的位姿误差大于或者等于预设误差阈值的情况下，根据所述目标对象获取目标运动模型；根据所述目标运动模型更新所述目标位姿数据，得到更新后的第二目标位姿数据；根据所述第二目标位姿数据和所述第二预设驾驶控制算法，对所述目标车辆进行仿真测试。
Description
技术领域
本公开涉及自动驾驶技术领域，尤其涉及一种仿真测试方法、装置、存储介质和车辆。
背景技术
为了使得搭载自动驾驶控制算法的自动驾驶车辆能够在道路上安全行驶，在将自动驾驶控制算法投入实际使用之前，需要对自动驾驶控制算法进行测试。
通常可以控制自动驾驶车辆在开放道路中进行路测获取测试数据，用于发现自动驾驶控制算法存在的测试问题，然后对自动驾驶控制算法进行修改更新，再采用历史数据进行回灌，使用更新后的自动驾驶控制算法重新进行测试。但是将更新后的自动驾驶控制算法重新部署到自动驾驶车辆后，该车辆按照新的算法进行自动驾驶，车辆的驾驶信息会发生改变，可能会与之前的交互对象失去交互，进而导致在自动驾驶控制算法更新后，无法基于历史数据真实验证该测试问题是否有效的被解决。
发明内容
为克服相关技术中存在的问题，本公开提供一种仿真测试方法、装置、存储介质和车辆。
根据本公开实施例的第一方面，提供一种仿真测试方法，包括：
获取目标车辆在历史时刻的历史感知结果数据，所述历史感知结果数据包括所述目标车辆周围环境中目标对象的目标位姿数据；
获取所述目标车辆的第一位姿数据，所述第一位姿数据包括所述目标车辆根据所述历史感知结果数据通过第一预设驾驶控制算法控制所述目标车辆在自动驾驶预设时间段后，得到的位姿数据；
获取所述目标车辆的第二位姿数据，所述第二位姿数据包括所述目标车辆根据所述历史感知结果数据通过第二预设驾驶控制算法控制所述目标车辆在自动驾驶所述预设时间段后，得到的位姿数据；
在确定所述第一位姿数据和所述第二位姿数据的位姿误差大于或者等于预设误差阈值的情况下，根据所述目标对象获取目标运动模型；
根据所述目标运动模型更新所述目标位姿数据，得到更新后的第二目标位姿数据；
根据所述第二目标位姿数据和所述第二预设驾驶控制算法，对所述目标车辆进行仿真测试。
可选地，所述根据所述目标对象获取目标运动模型包括：
获取所述目标对象的对象类型；
从一个或多个预设运动模型中，确定所述对象类型对应的目标运动模型，不同的对象类型对应不同的预设运动模型。
可选地，所述历史感知结果数据包括所述目标对象的对象类型，所述获取所述目标对象的对象类型包括：
从所述历史感知结果数据中确定目标对象的对象类型。
可选地，所述根据所述目标运动模型更新所述目标位姿数据，得到更新后的第二目标位姿数据包括；
根据所述目标位姿数据，通过所述目标运动模型控制所述目标对象按照所述预设时间段运动；
将运动后的所述目标对象的位姿数据，作为所述第二目标位姿数据。
可选地，在所述目标对象的对象类型为机动车的情况下，所述目标运动模型包括：
其中，n表示车辆编号，
是车辆n的最大加速度，
是车辆n在自由流状态下的期望速度，δ是加速度指数，vn是车辆速度，vn-1是前车速度，Δvn＝vn-vn-1，xn为车辆n的位置，xn-1为前车n-1的位置，ln-1为车辆n-1的长度，sn＝xn-1-xn-ln-1。
可选地，在所述目标对象的对象类型为自行车的情况下，所述目标运动模型包括：
其中，θ为自行车航向角，v为自行车速度，δ为自行车前轮转角，L为自行车前后轮轴距，(xf,yf)为自行车前轮坐标。
可选地，在所述目标对象的对象类型为行人的情况下，所述目标运动模型包括：
其中，m为行人i质量，vi为行人实际速度，v0为行人无相互作用时的期望速度，ei为行人i前进的方向，fij为行人i与行人j之间的排斥作用力，fb为行人与障碍物之间的作用力，xi(t)为行人i在t时刻的位置，vi(t)行人i在
ξi(t)为与行人i相关的行人的波动系数。
根据本公开实施例的第二方面，提供一种仿真测试装置，包括：
第一获取模块，被配置为获取目标车辆在历史时刻的历史感知结果数据，所述历史感知结果数据包括所述目标车辆周围环境中目标对象的目标位姿数据；
第二获取模块，被配置为获取所述目标车辆的第一位姿数据，所述第一位姿数据包括所述目标车辆根据所述历史感知结果数据通过第一预设驾驶控制算法控制所述目标车辆在自动驾驶预设时间段后，得到的位姿数据；
第三获取模块，被配置为获取所述目标车辆的第二位姿数据，所述第二位姿数据包括所述目标车辆根据所述历史感知结果数据通过第二预设驾驶控制算法控制所述目标车辆在自动驾驶所述预设时间段后，得到的位姿数据；
判断模块，被配置为在确定所述第一位姿数据和所述第二位姿数据的位姿误差大于或者等于预设误差阈值的情况下，根据所述目标对象获取目标运动模型；
更新模块，被配置为根据所述目标运动模型更新所述目标位姿数据，得到更新后的第二目标位姿数据；
测试模块，被配置为根据所述第二位姿数据和所述第二预设驾驶控制算法，对所述目标车辆进行仿真测试。
可选地，所述判断模块，包括：
获取子模块，被配置为获取所述目标对象的对象类型；
可选地，所述历史感知结果数据包括所述目标对象的对象类型，所述获取子模块，被配置为从所述历史感知结果数据中确定目标对象的对象类型。
第一确定子模块，被配置为从一个或多个预设运动模型中，确定所述对象类型对应的目标运动模型，不同的对象类型对应不同的预设运动模型。
可选地，所述更新模块，包括：
控制子模块，被配置为根据所述目标位姿数据，通过所述目标运动模型控制所述目标对象按照所述预设时间段运动；
第二确定子模块，被配置为将运动后的所述目标对象的位姿数据，作为所述第二目标位姿数据。
可选地，在所述目标对象的对象类型为机动车的情况下，所述目标运动模型包括：
其中，n表示车辆编号，
是车辆n的最大加速度，
是车辆n在自由流状态下的期望速度，δ是加速度指数，vn是车辆速度，vn-1是前车速度，Δvn＝vn-vn-1，xn为车辆n的位置，xn-1为前车n-1的位置，ln-1为车辆n-1的长度，sn＝xn-1-xn-ln-1。
可选地，在所述目标对象的对象类型为自行车的情况下，所述目标运动模型包括：
其中，θ为自行车航向角，v为自行车速度，δ为自行车前轮转角，L为自行车前后轮轴距，(xf,yf)为自行车前轮坐标。
可选地，在所述目标对象的对象类型为行人的情况下，所述目标运动模型包括：
其中，m为行人i质量，vi为行人实际速度，v0为行人无相互作用时的期望速度，ei为行人i前进的方向，fij为行人i与行人j之间的排斥作用力，fb为行人与障碍物之间的作用力，xi(t)为行人i在t时刻的位置，vi(t)行人i在
ξi(t)为与行人i相关的行人的波动系数。
根据本公开实施例的第三方面，本公开提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开实施例第一方面中任一项所述方法的步骤。
根据本公开实施例的第四方面，本公开提供一种车辆，包括：存储器，其上存储有计算机程序；处理器，用于执行所述存储器中的所述计算机程序，以实现本公开实施例第一方面中任一项所述方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：
通过获取目标车辆在历史时刻的历史感知结果数据，所述历史感知结果数据包括所述目标车辆周围环境中目标对象的目标位姿数据；获取所述目标车辆的第一位姿数据，所述第一位姿数据包括所述目标车辆根据所述历史感知结果数据通过第一预设驾驶控制算法控制所述目标车辆在自动驾驶预设时间段后，得到的位姿数据；获取所述目标车辆的第二位姿数据，所述第二位姿数据包括所述目标车辆根据所述历史感知结果数据通过第二预设驾驶控制算法控制所述目标车辆在自动驾驶所述预设时间段后，得到的位姿数据；在确定所述第一位姿数据和所述第二位姿数据的位姿误差大于或者等于预设误差阈值的情况下，根据所述目标对象获取目标运动模型；根据所述目标运动模型更新所述目标位姿数据，得到更新后的第二目标位姿数据；根据所述第二目标位姿数据和所述第二预设驾驶控制算法，对所述目标车辆进行仿真测试。这样，在使用第二预设驾驶控制算法进行测试的过程中，可以根据与目标车辆发生交互的目标对象所对应的运动模型，来确定目标对象更新后的第二目标位姿数据，能够防止在目标车辆的驾驶信息改变后，出现与之前交互的目标对象失去交互的问题，以便于更好的还原真实测试场景，从而得到准确的测试结果，来确定测试问题是否有效的被解决。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种仿真测试方法的流程图。
图2是根据一示例性实施例示出的另一种仿真测试方法的流程图。
图3是根据一示例性实施例示出的一种仿真测试装置的框图。
图4是根据图3所示实施例示出的一种判断模块的框图。
图5是根据图3所示实施例示出的一种更新模块的框图。
图6是根据一示例性实施例示出的一种车辆的功能框图示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
需要说明的是，本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
详细介绍本公开的具体实施方式之前，首先对本公开的应用场景进行说明。目前，自动驾驶技术越来越成熟，设置有自动驾驶系统的车辆也成功下线。为了使得搭载自动驾驶控制算法的自动驾驶车辆能够在道路上安全行驶，在将自动驾驶控制算法投入实际使用之前，需要对自动驾驶控制算法进行测试。
通常会采用里程测试，具体是将自动驾驶算法部署在自动驾驶车辆，并使自动驾驶车辆在真实的交通环境中自动行驶，同时会有安全员跟随自动驾驶车辆，以发现自动驾驶算法存在的测试问题。在测试过程中，自动驾驶车辆通过传感器实时记录车辆位置、车辆状态(例如车速、加速度、转向角等)以及车辆周围的交通环境(例如车辆周围障碍物的位置、速度等信息)等测试数据。在自动驾驶车辆完成设定路线的行驶后，开发人员能够根据在测试过程中记录的测试数据以及安全员上报的测试问题分析自动驾驶算法存在的设计缺陷，并对自动驾驶算法进行相应修改。
同样的，对自动驾驶算法进行相应修改后得到的新的自动驾驶算法同样需要进行测试，一般是采用历史数据进行回灌，以便于复现上一轮测试过程中出现的测试问题，但是在这种情况下，由于所采用的自动驾驶算法出现了修改更新，车辆的驾驶信息会随之发生改变，就会出现之前与该目标车辆存在交互的目标对象在新的测试过程中失去交互的问题，这样就会导致测试结果不够真实、准确，无法确定测试问题是否有效的被解决。
为了克服以上相关技术中存在的技术问题，本公开提供了一种仿真测试方法、装置、存储介质和车辆，在使用第二预设驾驶控制算法进行测试的过程中，可以根据与目标车辆发生交互的目标对象所对应的运动模型，来确定目标对象更新后的第二目标位姿数据，能够防止在目标车辆的驾驶信息改变后，出现与之前交互的目标对象失去交互的问题，以便于更好的还原真实测试场景，从而得到准确的测试结果，来确定测试问题是否有效的被解决。
下面结合具体实施例对本公开进行说明。
图1是根据一示例性实施例示出的一种仿真测试方法的流程图，如图1所示，该方法可以包括：
在步骤S101中，获取目标车辆在历史时刻的历史感知结果数据。
其中，该历史感知结果数据包括该目标车辆周围环境中目标对象的目标位姿数据，该历史感知结果数据是根据该目标车辆获取的历史感知数据，通过预设的感知算法确定的感知结果数据。
具体地，该历史感知数据可以是该目标车辆在使用第一预设驾驶控制算法进行自动驾驶测试的过程中，通过该目标车辆上安装的传感器实时采集得到的，该历史感知数据包括该目标车辆的位置、速度以及加速度，和在目标车辆周围的交互对象的位置、速度以及加速度等测试数据。因此，本公开采用历史感知数据可以实现测试场景信息的复现。
进一步地，为了提高测试效率，缩短测试周期，可根据测试问题重现里程测试时的部分测试场景的历史感知数据和历史感知结果数据，而非完整的全部历史感知数据和历史感知结果数据。示例性的，可以直接获取该目标车辆在使用第一预设驾驶控制算法进行自动驾驶测试出现异常的历史时刻的历史感知数据，以及通过该历史感知数据确定的历史感知结果数据。例如，在一种情况下，可以通过测试人员确定该目标车辆出现测试异常的历史时刻为开始测试后的第5秒，则可以获取该目标车辆通过传感器获取的第5秒时的历史感知数据，然后根据该历史感知数据确定第5秒时的历史感知结果数据；在另一种情况下，在使用第一预设驾驶控制算法进行自动驾驶测试的过程中，实时根据获取的感知数据确定感知结果数据，并将感知数据与对应时刻的感知结果数据存储在测试数据库中，在通过测试人员确定该目标车辆出现测试异常的历史时刻为开始测试后的第5秒的情况下，可以直接在测试数据库中获取第5秒时的历史感知结果数据。
这样，通过从测试数据库中获取历史的测试数据，可实现对目标车辆测试时的测试场景进行复现的目的，从而可较有针对性地验证第二预设驾驶控制算法是否能够解决使用第一预设驾驶控制算法进行测试时确定的测试问题。
在步骤S102中，获取该目标车辆的第一位姿数据。
其中，该第一位姿数据包括该目标车辆根据该历史感知结果数据通过第一预设驾驶控制算法控制该目标车辆在自动驾驶预设时间段后，得到的位姿数据。
在步骤中，可以将该历史感知结果数据作为该第一预设驾驶控制算法的输入，使用该第一预设驾驶控制算法对该目标车辆进行自动驾驶控制，来确定该目标车辆在自动驾驶预设时间段后，得到的预测的第一位姿数据，该第一位姿数据可以包括该目标车辆的位置、速度、加速度以及转向角度等位姿数据。
示例地，在通过测试人员确定该目标车辆出现测试异常的历史时刻为开始测试后的第5秒的情况下，可以根据获取到的该目标车辆在第5秒时的历史感知结果数据，通过采用第一预设驾驶控制算法来对该目标车辆进行自动驾驶控制，从而模拟该目标车辆运动轨迹，在该目标车辆自动驾驶1秒之后，可以得出该目标车辆的位置、速度、加速度以及转向角度等位姿数据。
在步骤S103中，获取该目标车辆的第二位姿数据。
其中，该第二位姿数据包括该目标车辆根据该历史感知结果数据通过第二预设驾驶控制算法控制该目标车辆在自动驾驶该预设时间段后，得到的位姿数据。
在本步骤中，可以将该历史感知结果数据作为该第二预设驾驶控制算法的输入，使用该第二预设驾驶控制算法对该目标车辆进行自动驾驶控制，来确定该目标车辆在自动驾驶预设时间段后，得到的预测的第二位姿数据，该第二位姿数据可以包括该目标车辆在经过自动驾驶预设时间段后的情况下，该目标车辆的位置、速度、加速度以及转向角度等新的位姿数据。
示例地，在通过测试人员确定该目标车辆使用该第一预设驾驶控制算法进行测试时，出现测试异常的历史时刻为开始测试后的第5秒的情况下，可以根据获取到的该目标车辆在第5秒时的历史感知结果数据，通过采用第二预设驾驶控制算法来对该目标车辆进行自动驾驶控制，从而模拟该目标车辆新的运动轨迹，在该目标车辆自动驾驶1秒之后，可以得出该目标车辆在经过自动驾驶预设时间段后的情况下，该目标车辆的位置、速度加速度以及转向角度等新的位姿数据。
在步骤S104中，在确定该第一位姿数据和该第二位姿数据的位姿误差大于或者等于预设误差阈值的情况下，根据该目标对象获取目标运动模型。
在本步骤中，在获取该第一位姿数据和该第二位姿数据之后，可以根据该第一位姿数据和该第二位姿数据，来确定该第一位姿数据和该第二位姿数据的位姿误差，该位姿误差可以是在使用不同预设驾驶控制算法的情况下，控制该目标车辆进行自动驾驶，从而模拟该目标车辆不同的运动轨迹，在同样自动驾驶预设时间段之后，该目标车辆的位姿差异。
示例地，在该第一位姿数据中，该目标车辆的位置坐标为(3，4)，在使用第二预设驾驶控制算法的情况下，该目标车辆的位置坐标为(5，4)，可以确定该目标车辆的位置信息的位姿误差为2m，在该位姿误差中位置信息的预设误差阈值为1m的情况下，可以确定该第一位姿数据和该第二位姿数据的位姿误差大于预设误差阈值。
在确定该第一位姿数据和该第二位姿数据的位姿误差大于或者等于预设误差阈值的情况下，可以根据该目标对象获取目标运动模型。
首先可以获取该目标对象的对象类型。
其中，该历史感知结果数据包括该目标对象的对象类型，可以从该历史感知结果数据中确定该目标对象的对象类型。
示例地，在以该目标车辆为圆心的情况下，可以将距离该目标车辆50m以内的交互对象作为目标对象，该交互对象可以指该对象的运动轨迹有可能会使得该目标车辆的运动轨迹发生变化的对象，在确定目标对象之后，可以根据该历史感知数据确定该目标对象的大小、形状、位置、速度、以及加速度等数据，然后再确定该目标对象的对象类型。
在一些实施例中，可以在使用第一预设驾驶控制算法进行测试的过程中，就实时根据目标对象的大小、形状、运动速度，以及运动轨迹等感知数据，确定出该目标对象的对象类型作为感知结果数据中的一项，并将与该目标对象对应的对象类型存储到测试数据库中。
然后可以从一个或多个预设运动模型中，确定该对象类型对应的目标运动模型。其中，不同的对象类型对应不同的预设运动模型。
需要说明的是，在该第一位姿数据和该第二位姿数据的位姿误差小于预设误差阈值的情况下，可以确定该目标车辆的位姿数据没有发生较大的变化，也就是说，在使用第一预设驾驶控制算法的情况下，该目标车辆会发生异常，在使用更新后的第二预设驾驶控制算法的情况下，该目标车辆的运动轨迹没有发生较大变化，有可能依旧会发生异常。在这种情况下，可以确定测试未通过，可以更换其他新的预设驾驶控制算法来进行测试，直至该目标车辆的运动轨迹发生较大变化，能够确定正常通过测试。
在步骤S105中，根据该目标运动模型更新该目标位姿数据，得到更新后的第二目标位姿数据。
在本步骤中，在目标车辆采用第二预设驾驶控制算法进行自动驾驶测试时，对该目标车辆进行自动驾驶控制，确定该目标车辆自动驾驶预设时间段，在该预设时间段内，该目标对象的运动轨迹同样会发生变化，在通常的测试过程中，使用历史数据回灌来进行测试，但这种方式没有考虑到该目标对象的运动轨迹同样会发生变化，在直接使用历史数据回灌来进行测试的情况下，可能会使得测试结果不准确，所以需要对目标对象的该目标位姿数据进行更新，得到更新后的第二目标位姿数据。
首先可以根据该目标位姿数据，通过该目标运动模型控制该目标对象按照该预设时间段运动；然后将运动后的该目标对象的位姿数据，作为该第二目标位姿数据。
在本步骤中，可以将该目标位姿数据作为该目标运动模型的输入，使用该目标运动模型对该目标对象进行运动模拟，来确定该目标对象在模拟运动预设时间段后，得到的预测的第二目标位姿数据，该第二目标位姿数据可以包括该目标对象的位置、速度、以及加速度等位姿数据。
示例地，在确定出现测试异常的历史时刻为开始测试后的第5秒的情况下，可以根据获取到的该目标对象在第5秒时的目标位姿数据，通过采用该目标运动模型来对该目标对象进行运动模拟，从而模拟该目标对象运动轨迹，在该目标对象模拟运动1秒之后，可以得出该目标对象的位置、速度、以及加速度等新的位姿数据。
在步骤S106中，根据该第二目标位姿数据和该第二预设驾驶控制算法，对该目标车辆进行仿真测试。
在本步骤中，在确定该目标对象的该第二目标位姿数据之后，可以根据该第二目标位姿数据确定该目标车辆在采用该第二预设驾驶控制算法自动驾驶预设时间段后，得出的感知结果数据，然后将该感知结果数据作为当前时刻的该第二预设驾驶控制算法的输入，得出该目标车辆的下一步驾驶操作，以用于所述目标车辆根据下一步驾驶操作进行自动驾驶。
在一些实施例中，还可以在确定该目标对象的该第二目标位姿数据之后，根据该第二目标位姿数据确定该目标车辆在采用该第二预设驾驶控制算法自动驾驶预设时间段后，得出的感知结果数据，以用于确定该目标车辆在使用更新的该第二预设驾驶控制算法进行自动驾驶时，是否会与模拟运动后的该目标对象发生碰撞或是其他自动驾驶意外事件，以便于确定更好的还原真实测试场景，从而得到准确的测试结果，来确定测试问题是否有效的被解决。
采用上述方法，通过获取目标车辆在历史时刻的历史感知结果数据，该历史感知结果数据包括该目标车辆周围环境中目标对象的目标位姿数据；获取该目标车辆的第一位姿数据，该第一位姿数据包括该目标车辆根据该历史感知结果数据通过第一预设驾驶控制算法控制该目标车辆在自动驾驶预设时间段后，得到的位姿数据；获取该目标车辆的第二位姿数据，该第二位姿数据包括该目标车辆根据该历史感知结果数据通过第二预设驾驶控制算法控制该目标车辆在自动驾驶该预设时间段后，得到的位姿数据；在确定该第一位姿数据和该第二位姿数据的位姿误差大于或者等于预设误差阈值的情况下，根据该目标对象获取目标运动模型；根据该目标运动模型更新该目标位姿数据，得到更新后的第二目标位姿数据；根据该第二目标位姿数据和该第二预设驾驶控制算法，对该目标车辆进行仿真测试。这样，在使用第二预设驾驶控制算法进行测试的过程中，可以根据与目标车辆发生交互的目标对象所对应的运动模型，来确定目标对象更新后的第二位姿数据，能够防止在目标车辆的驾驶信息改变后，出现与之前交互的目标对象失去交互的问题，以便于更好的还原真实测试场景，从而得到准确的测试结果，来确定测试问题是否有效的被解决。
图2是根据一示例性实施例示出的另一种仿真测试方法的流程图，如图2所示，该方法可以包括：
在步骤S201中，获取目标车辆在历史时刻的历史感知结果数据。
其中，该历史感知结果数据包括该目标车辆周围环境中目标对象的目标位姿数据。
具体地，该历史感知数据可以是该目标车辆在使用第一预设驾驶控制算法进行自动驾驶测试的过程中，在每个采集时刻，通过该目标车辆上安装的传感器实时得到的该目标车辆的位置、速度、以及加速度，和在目标车辆周围的交互对象的位置、速度、以及加速度等测试数据。因此，本公开采用历史感知数据可以实现测试场景信息的复现。
在步骤S202中，获取该目标车辆的第一位姿数据。
其中，该第一位姿数据包括该目标车辆根据该历史感知结果数据通过第一预设驾驶控制算法控制该目标车辆在自动驾驶预设时间段后，得到的位姿数据。
在步骤中，可以将该历史感知结果数据作为该第一预设驾驶控制算法的输入，使用该第一预设驾驶控制算法对该目标车辆进行自动驾驶控制，来确定该目标车辆在自动驾驶预设时间段后，得到的预测的第一位姿数据，该第一位姿数据可以包括该目标车辆的位置、速度、加速度、以及转向角度等位姿数据。
在步骤S203中，获取该目标车辆的第二位姿数据。
其中，该第二位姿数据包括该目标车辆根据该历史感知结果数据通过第二预设驾驶控制算法控制该目标车辆在自动驾驶该预设时间段后，得到的位姿数据。
在本步骤中，可以将该历史感知结果数据作为该第二预设驾驶控制算法的输入，使用该第二预设驾驶控制算法对该目标车辆进行自动驾驶控制，来确定该目标车辆在自动驾驶预设时间段后，得到的预测的第二位姿数据，该第二位姿数据可以包括该目标车辆的位置、速度、加速度、以及转向角度等位姿数据。
在确定该第一位姿数据和该第二位姿数据的位姿误差大于或者等于预设误差阈值的情况下，执行步骤S204；
需要说明的是，在确定该第一位姿数据和该第二位姿数据的位姿误差小于预设误差阈值的情况下，可以确定该目标车辆的位姿数据没有发生较大的变化，也就是说，在使用第一预设驾驶控制算法的情况下，该目标车辆会发生异常，在使用更新后的第二预设驾驶控制算法的情况下，该目标车辆的运动轨迹没有发生较大变化，有可能依旧会发生异常。在这种情况下，可以确定测试未通过，可以更换其他新的预设驾驶控制算法来进行测试，直至该目标车辆的运动轨迹发生较大变化，能够确定正常通过测试。
在步骤S204中，获取该目标对象的对象类型。
其中，该历史感知结果数据包括该目标对象的对象类型，可以从该历史感知结果数据中确定该目标对象的对象类型。
示例地，在以该目标车辆为圆心的情况下，可以将距离该目标车辆50m以内的交互对象作为目标对象，该交互对象可以指该对象的运动轨迹有可能会使得该目标车辆的运动轨迹发生变化的对象，在确定目标对象之后，可以根据该历史感知数据确定该目标对象的大小、形状、位置、速度、以及加速度等数据，然后再确定该目标对象的对象类型。
在一些实施例中，可以在使用第一预设驾驶控制算法进行测试的过程中，就实时根据目标对象的大小、形状、运动速度，以及运动轨迹等感知数据，确定出该目标对象的对象类型作为感知结果数据中的一项，并将与该目标对象对应的对象类型存储到测试数据库中。
在步骤S205中，从一个或多个预设运动模型中，确定该对象类型对应的目标运动模型。
其中，不同的对象类型对应不同的预设运动模型。
在一些实施例中，该预设运动模型可以包括机动车运动模型、自行车运动模型以及行人运动模型。
在该预设运动模型为该机动车运动模型的情况下，该机动车运动模型用于对实车(即该目标对象)进行控制并输出结果，来模拟该目标对象运动，该机动车运动模型的输入为该目标对象的目标位姿数据，该机动车运动模型可以通过以下公式确定：
其中，n表示车辆编号，
是车辆n的最大加速度，
是车辆n在自由流状态下的期望速度，δ是加速度指数，vn是车辆速度，vn-1是前车速度，Δvn＝vn-vn-1，xn为车辆n的位置，xn-1为前车n-1的位置，ln-1为车辆n-1的长度，sn＝xn-1-xn-ln-1。
在该预设运动模型为该自行车运动模型的情况下，该自行车运动模型用于对目标自行车(即该目标对象)进行控制并输出结果，来模拟该目标自行车运动，该自行车运动模型的输入为该目标自行车的目标位姿数据，该自行车运动模型可以通过以下公式确定：
其中，θ为自行车航向角，v为自行车速度，δ为自行车前轮转角，L为自行车前后轮轴距，(xf,yf)为自行车前轮坐标。
在该预设运动模型为该行人运动模型的情况下，该行人运动模型用于对目标行人(即该目标对象)进行控制并输出结果，来模拟该目标行人运动，该行人运动模型的输入为该目标行人的目标位姿数据，该行人运动模型可以通过以下公式确定：
其中，m为行人i质量，vi为行人实际速度，v0为行人无相互作用时的期望速度，ei为行人i前进的方向，fij为行人i与行人j之间的排斥作用力，fb为行人与障碍物之间的作用力，xi(t)为行人i在t时刻的位置，vi(t)行人i在
ξi(t)为与行人i相关的行人的波动系数。
在步骤S206中，根据该目标位姿数据，通过该目标运动模型控制该目标对象按照该预设时间段运动。
在本步骤中，可以将该目标位姿数据作为该目标运动模型的输入，使用该目标运动模型对该目标对象进行运动模拟。
在步骤S207中，将运动后的该目标对象的位姿数据，作为该第二目标位姿数据。
在确定该目标对象在模拟运动预设时间段后，可以将得到的将运动后的该目标对象的位姿数据作为预测的第二目标位姿数据，该第二目标位姿数据可以包括该目标对象的位置、速度、以及加速度等位姿数据。
在步骤S208中，根据该第二目标位姿数据和该第二预设驾驶控制算法，对该目标车辆进行仿真测试。
在本步骤中，在确定该目标对象的该第二目标位姿数据之后，可以根据该第二目标位姿数据确定该目标车辆在采用该第二预设驾驶控制算法自动驾驶预设时间段后，得出的感知结果数据，然后将该感知结果数据作为当前时刻的该第二预设驾驶控制算法的输入，得出该目标车辆的下一步驾驶操作，以用于所述目标车辆根据下一步驾驶操作进行自动驾驶。
采用上述方案，针对不同类型的目标对象可以获取不同的预设运动模型，来模拟该目标对象的运动，可以避免出现在目标车辆的驾驶信息改变后，出现与之前交互的目标对象失去交互的问题，以及可以避免目标车辆在使用更新的该第二预设驾驶控制算法进行自动驾驶后，与模拟运动后的该目标对象发生碰撞或是其他自动驾驶意外事件，能够确定更好的还原真实测试场景，从而得到准确的测试结果，来确定测试问题是否有效的被解决。
图3是根据一示例性实施例示出的一种仿真测试装置300的框图。参照图3，该装置包括第一获取模块301，第二获取模块302，第三获取模块303，判断模块304，更新模块305和测试模块306。
第一获取模块301，被配置为获取目标车辆在历史时刻的历史感知结果数据，所述历史感知结果数据包括所述目标车辆周围环境中目标对象的目标位姿数据；
第二获取模块302，被配置为获取所述目标车辆的第一位姿数据，所述第一位姿数据包括所述目标车辆根据所述历史感知结果数据通过第一预设驾驶控制算法控制所述目标车辆在自动驾驶预设时间段后，得到的位姿数据；
第三获取模块303，被配置为获取所述目标车辆的第二位姿数据，所述第二位姿数据包括所述目标车辆根据所述历史感知结果数据通过第二预设驾驶控制算法控制所述目标车辆在自动驾驶所述预设时间段后，得到的位姿数据；
判断模块304，被配置为在确定所述第一位姿数据和所述第二位姿数据的位姿误差大于或者等于预设误差阈值的情况下，根据所述目标对象获取目标运动模型；
更新模块305，被配置为根据所述目标运动模型更新所述目标位姿数据，得到更新后的第二目标位姿数据；
测试模块306，被配置为根据所述第二位目标姿数据和所述第二预设驾驶控制算法，对所述目标车辆进行仿真测试。
图4是根据图3所示实施例示出的一种判断模块的框图。参照图4，所述判断模块304，包括：
获取子模块3041，被配置为获取所述目标对象的对象类型；
可选地，所述历史感知结果数据包括所述目标对象的对象类型，所述获取子模块3041，被配置为从所述历史感知结果数据中确定目标对象的对象类型。
第一确定子模块3042，被配置为从一个或多个预设运动模型中，确定所述对象类型对应的目标运动模型，不同的对象类型对应不同的预设运动模型。
图5是根据图3所示实施例示出的一种更新模块的框图。参照图5，所述更新模块305，包括：
控制子模块3051，被配置为根据所述目标位姿数据，通过所述目标运动模型控制所述目标对象按照所述预设时间段运动；
第二确定子模块3052，被配置为将运动后的所述目标对象的位姿数据，作为所述第二目标位姿数据。
可选地，在所述目标对象的对象类型为机动车的情况下，所述目标运动模型包括：
其中，n表示车辆编号，
是车辆n的最大加速度，
是车辆n在自由流状态下的期望速度，δ是加速度指数，vn是车辆速度，vn-1是前车速度，Δvn＝vn-vn-1，xn为车辆n的位置，xn-1为前车n-1的位置，ln-1为车辆n-1的长度，sn＝xn-1-xn-ln-1。
可选地，在所述目标对象的对象类型为自行车的情况下，所述目标运动模型包括：
其中，θ为自行车航向角，v为自行车速度，δ为自行车前轮转角，L为自行车前后轮轴距，(xf,yf)为自行车前轮坐标。
可选地，在所述目标对象的对象类型为行人的情况下，所述目标运动模型包括：
其中，m为行人i质量，vi为行人实际速度，v0为行人无相互作用时的期望速度，ei为行人i前进的方向，fij为行人i与行人j之间的排斥作用力，fb为行人与障碍物之间的作用力，xi(t)为行人i在t时刻的位置，vi(t)行人i在
ξi(t)为与行人i相关的行人的波动系数。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的仿真测试方法的步骤。
参阅图6，图6是一示例性实施例示出的一种车辆600的功能框图示意图。车辆600可以被配置为完全或部分自动驾驶模式。例如，车辆600可以通过感知系统620获取其周围的环境信息，并基于对周边环境信息的分析得到自动驾驶策略以实现完全自动驾驶，或者将分析结果呈现给用户以实现部分自动驾驶。
车辆600可包括各种子系统，例如，信息娱乐系统610、感知系统620、决策控制系统630、驱动系统640以及计算平台650。可选的，车辆600可包括更多或更少的子系统，并且每个子系统都可包括多个部件。另外，车辆600的每个子系统和部件可以通过有线或者无线的方式实现互连。
在一些实施例中，信息娱乐系统610可以包括通信系统611，娱乐系统612以及导航系统613。
通信系统611可以包括无线通信系统，无线通信系统可以直接地或者经由通信网络来与一个或多个设备无线通信。例如，无线通信系统可使用3G蜂窝通信，例如CDMA、EVD0、GSM/GPRS，或者4G蜂窝通信，例如LTE。或者5G蜂窝通信。无线通信系统可利用WiFi与无线局域网(wireless local area network，WLAN)通信。在一些实施例中，无线通信系统可利用红外链路、蓝牙或ZigBee与设备直接通信。其他无线协议，例如各种车辆通信系统，例如，无线通信系统可包括一个或多个专用短程通信(dedicated short range communications，DSRC)设备，这些设备可包括车辆和/或路边台站之间的公共和/或私有数据通信。
娱乐系统612可以包括显示设备，麦克风和音响，用户可以基于娱乐系统在车内收听广播，播放音乐；或者将手机和车辆联通，在显示设备上实现手机的投屏，显示设备可以为触控式，用户可以通过触摸屏幕进行操作。
在一些情况下，可以通过麦克风获取用户的语音信号，并依据对用户的语音信号的分析实现用户对车辆600的某些控制，例如调节车内温度等。在另一些情况下，可以通过音响向用户播放音乐。
导航系统613可以包括由地图供应商所提供的地图服务，从而为车辆600提供行驶路线的导航，导航系统613可以和车辆的全球定位系统621、惯性测量单元622配合使用。地图供应商所提供的地图服务可以为二维地图，也可以是高精地图。
感知系统620可包括感测关于车辆600周边的环境的信息的若干种传感器。例如，感知系统620可包括全球定位系统621(全球定位系统可以是GPS系统，也可以是北斗系统或者其他定位系统)、惯性测量单元(inertial measurement unit，IMU)622、激光雷达623、毫米波雷达624、超声雷达625以及摄像装置626。感知系统620还可包括被监视车辆600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600的安全操作的关键功能。
全球定位系统621用于估计车辆600的地理位置。
惯性测量单元622用于基于惯性加速度来感测车辆600的位姿变化。在一些实施例中，惯性测量单元622可以是加速度计和陀螺仪的组合。
激光雷达623利用激光来感测车辆600所位于的环境中的物体。在一些实施例中，激光雷达623可包括一个或多个激光源、激光扫描器以及一个或多个检测器，以及其他系统组件。
毫米波雷达624利用无线电信号来感测车辆600的周边环境内的物体。在一些实施例中，除了感测物体以外，毫米波雷达624还可用于感测物体的速度和/或前进方向。
超声雷达625可以利用超声波信号来感测车辆600周围的物体。
摄像装置626用于捕捉车辆600的周边环境的图像信息。摄像装置626可以包括单目相机、双目相机、结构光相机以及全景相机等，摄像装置626获取的图像信息可以包括静态图像，也可以包括视频流信息。
决策控制系统630包括基于感知系统620所获取的信息进行分析决策的计算系统631，决策控制系统630还包括对车辆600的动力系统进行控制的整车控制器632，以及用于控制车辆600的转向系统633、油门634和制动系统635。
计算系统631可以操作来处理和分析由感知系统620所获取的各种信息以便识别车辆600周边环境中的目标、物体和/或特征。目标可以包括行人或者动物，物体和/或特征可包括交通信号、道路边界和障碍物。计算系统631可使用物体识别算法、运动中恢复结构(Structure from Motion，SFM)算法、视频跟踪等技术。在一些实施例中，计算系统631可以用于为环境绘制地图、跟踪物体、估计物体的速度等等。计算系统631可以将所获取的各种信息进行分析并得出对车辆的控制策略。
整车控制器632可以用于对车辆的动力电池和引擎641进行协调控制，以提升车辆600的动力性能。
转向系统633可操作来调整车辆600的前进方向。例如在一个实施例中可以为方向盘系统。
油门634用于控制引擎641的操作速度并进而控制车辆600的速度。
制动系统635用于控制车辆600减速。制动系统635可使用摩擦力来减慢车轮644。在一些实施例中，制动系统635可将车轮644的动能转换为电流。制动系统635也可采取其他形式来减慢车轮644转速从而控制车辆600的速度。
驱动系统640可包括为车辆600提供动力运动的组件。在一个实施例中，驱动系统640可包括引擎641、能量源642、传动系统643和车轮644。引擎641可以是内燃机、电动机、空气压缩引擎或其他类型的引擎组合，例如汽油发动机和电动机组成的混动引擎，内燃引擎和空气压缩引擎组成的混动引擎。引擎641将能量源642转换成机械能量。
能量源642的示例包括汽油、柴油、其他基于石油的燃料、丙烷、其他基于压缩气体的燃料、乙醇、太阳能电池板、电池和其他电力来源。能量源642也可以为车辆600的其他系统提供能量。
传动系统643可以将来自引擎641的机械动力传送到车轮644。传动系统643可包括变速箱、差速器和驱动轴。在一个实施例中，传动系统643还可以包括其他器件，比如离合器。其中，驱动轴可包括可耦合到一个或多个车轮644的一个或多个轴。
车辆600的部分或所有功能受计算平台650控制。计算平台650可包括至少一个处理器651，处理器651可以执行存储在例如存储器652这样的非暂态计算机可读介质中的指令653。在一些实施例中，计算平台650还可以是采用分布式方式控制车辆600的个体组件或子系统的多个计算设备。
处理器651可以是任何常规的处理器，诸如商业可获得的CPU。可替换地，处理器651还可以包括诸如图像处理器(Graphic Process Unit，GPU)，现场可编程门阵列(FieldProgrammable Gate Array，FPGA)、片上系统(Sysem on Chip，SOC)、专用集成芯片(Application Specific Integrated Circuit，ASIC)或它们的组合。尽管图6功能性地图示了处理器、存储器、和在相同块中的计算机的其它元件，但是本领域的普通技术人员应该理解该处理器、计算机、或存储器实际上可以包括可以或者可以不存储在相同的物理外壳内的多个处理器、计算机、或存储器。例如，存储器可以是硬盘驱动器或位于不同于计算机的外壳内的其它存储介质。因此，对处理器或计算机的引用将被理解为包括对可以或者可以不并行操作的处理器或计算机或存储器的集合的引用。不同于使用单一的处理器来执行此处所描述的步骤，诸如转向组件和减速组件的一些组件每个都可以具有其自己的处理器，处理器只执行与特定于组件的功能相关的计算。
在本公开实施方式中，处理器651可以执行上述的仿真测试方法。
在此处所描述的各个方面中，处理器651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652可包含指令653(例如，程序逻辑)，指令653可被处理器651执行来执行车辆600的各种功能。存储器652也可包含额外的指令，包括向信息娱乐系统610、感知系统620、决策控制系统630、驱动系统640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653以外，存储器652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600在自主、半自主和/或手动模式中操作期间被车辆600和计算平台650使用。
计算平台650可基于从各种子系统(例如，驱动系统640、感知系统620和决策控制系统630)接收的输入来控制车辆600的功能。例如，计算平台650可利用来自决策控制系统630的输入以便控制转向系统633来避免由感知系统620检测到的障碍物。在一些实施例中，计算平台650可操作来对车辆600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600分开安装或关联。例如，存储器652可以部分或完全地与车辆600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6不应理解为对本公开实施例的限制。
在道路行进的自动驾驶汽车，如上面的车辆600，可以识别其周围环境内的物体以确定对当前速度的调整。物体可以是其它车辆、交通控制设备、或者其它类型的物体。在一些示例中，可以独立地考虑每个识别的物体，并且基于物体的各自的特性，诸如它的当前速度、加速度、与车辆的间距等，可以用来确定自动驾驶汽车所要调整的速度。
可选地，车辆600或者与车辆600相关联的感知和计算设备(例如计算系统631、计算平台650)可以基于所识别的物体的特性和周围环境的状态(例如，交通、雨、道路上的冰、等等)来预测识别的物体的行为。可选地，每一个所识别的物体都依赖于彼此的行为，因此还可以将所识别的所有物体全部一起考虑来预测单个识别的物体的行为。车辆600能够基于预测的识别的物体的行为来调整它的速度。换句话说，自动驾驶汽车能够基于所预测的物体的行为来确定车辆将需要调整到(例如，加速、减速、或者停止)何种稳定状态。在这个过程中，也可以考虑其它因素来确定车辆600的速度，诸如，车辆600在行驶的道路中的横向位置、道路的曲率、静态和动态物体的接近度等等。
除了提供调整自动驾驶汽车的速度的指令之外，计算设备还可以提供修改车辆600的转向角的指令，以使得自动驾驶汽车遵循给定的轨迹和/或维持与自动驾驶汽车附近的物体(例如，道路上的相邻车道中的车辆)的安全横向和纵向距离。
上述车辆600可以为各种类型的行驶工具，例如，轿车、卡车、摩托车、公共汽车、船、飞机、直升飞机、娱乐车、火车等等，本公开实施例不做特别的限定。
本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种仿真测试方法，其特征在于，包括：
获取目标车辆在历史时刻的历史感知结果数据，所述历史感知结果数据包括所述目标车辆周围环境中目标对象的目标位姿数据；
获取所述目标车辆的第一位姿数据，所述第一位姿数据包括所述目标车辆根据所述历史感知结果数据通过第一预设驾驶控制算法控制所述目标车辆在自动驾驶预设时间段后，得到的位姿数据；
获取所述目标车辆的第二位姿数据，所述第二位姿数据包括所述目标车辆根据所述历史感知结果数据通过第二预设驾驶控制算法控制所述目标车辆在自动驾驶所述预设时间段后，得到的位姿数据；
在确定所述第一位姿数据和所述第二位姿数据的位姿误差大于或者等于预设误差阈值的情况下，根据所述目标对象获取目标运动模型；
根据所述目标运动模型更新所述目标位姿数据，得到更新后的第二目标位姿数据；
根据所述第二目标位姿数据和所述第二预设驾驶控制算法，对所述目标车辆进行仿真测试。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标对象获取目标运动模型包括：
获取所述目标对象的对象类型；
从一个或多个预设运动模型中，确定所述对象类型对应的目标运动模型，不同的对象类型对应不同的预设运动模型。
3.根据权利要求2所述的方法，其特征在于，所述历史感知结果数据包括所述目标对象的对象类型，所述获取所述目标对象的对象类型包括：
从所述历史感知结果数据中确定目标对象的对象类型。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述根据所述目标运动模型更新所述目标位姿数据，得到更新后的第二目标位姿数据包括；
根据所述目标位姿数据，通过所述目标运动模型控制所述目标对象按照所述预设时间段运动；
将运动后的所述目标对象的位姿数据，作为所述第二目标位姿数据。
5.根据权利要求4所述的方法，其特征在于，在所述目标对象的对象类型为机动车的情况下，所述目标运动模型包括：
其中，n表示车辆编号，
是车辆n的最大加速度，
是车辆n在自由流状态下的期望速度，δ是加速度指数，vn是车辆速度，vn-1是前车速度，Δvn＝vn-vn-1，xn为车辆n的位置，xn-1为前车n-1的位置，ln-1为车辆n-1的长度，sn＝xn-1-xn-ln-1。
6.根据权利要求4所述的方法，其特征在于，在所述目标对象的对象类型为自行车的情况下，所述目标运动模型包括：
其中，θ为自行车航向角，v为自行车速度，δ为自行车前轮转角，L为自行车前后轮轴距，(xf,yf)为自行车前轮坐标。
7.根据权利要求4所述的方法，其特征在于，在所述目标对象的对象类型为行人的情况下，所述目标运动模型包括：
其中，m为行人i质量，vi为行人实际速度，v0为行人无相互作用时的期望速度，ei为行人i前进的方向，fij为行人i与行人j之间的排斥作用力，fb为行人与障碍物之间的作用力，xi(t)为行人i在t时刻的位置，
ξi(t)为与行人i相关的行人的波动系数。
8.一种仿真测试装置，其特征在于，包括：
第一获取模块，被配置为获取目标车辆在历史时刻的历史感知结果数据，所述历史感知结果数据包括所述目标车辆周围环境中目标对象的目标位姿数据；
第二获取模块，被配置为获取所述目标车辆的第一位姿数据，所述第一位姿数据包括所述目标车辆根据所述历史感知结果数据通过第一预设驾驶控制算法控制所述目标车辆在自动驾驶预设时间段后，得到的位姿数据；
第三获取模块，被配置为获取所述目标车辆的第二位姿数据，所述第二位姿数据包括所述目标车辆根据所述历史感知结果数据通过第二预设驾驶控制算法控制所述目标车辆在自动驾驶所述预设时间段后，得到的位姿数据；
判断模块，被配置为在确定所述第一位姿数据和所述第二位姿数据的位姿误差大于或者等于预设误差阈值的情况下，根据所述目标对象获取目标运动模型；
更新模块，被配置为根据所述目标运动模型更新所述目标位姿数据，得到更新后的第二目标位姿数据；
测试模块，被配置为根据所述第二目标位姿数据和所述第二预设驾驶控制算法，对所述目标车辆进行仿真测试。
9.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该程序指令被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种车辆，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210822700.3A CN115202234B (zh) | 2022-07-12 | 2022-07-12 | 仿真测试方法、装置、存储介质和车辆 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210822700.3A CN115202234B (zh) | 2022-07-12 | 2022-07-12 | 仿真测试方法、装置、存储介质和车辆 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115202234A true CN115202234A (zh) | 2022-10-18 |
| CN115202234B CN115202234B (zh) | 2023-10-17 |
Family
ID=83580704
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210822700.3A Active CN115202234B (zh) | 2022-07-12 | 2022-07-12 | 仿真测试方法、装置、存储介质和车辆 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115202234B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116572997A (zh) * | 2023-07-11 | 2023-08-11 | 北京集度科技有限公司 | 车辆控制器、车辆及车辆控制方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110869730A (zh) * | 2017-07-17 | 2020-03-06 | 重庆赛真达智能科技有限公司 | 远程临场驾驶无人车作业系统及自动驾驶汽车测试场系统 |
| CN112327806A (zh) * | 2020-11-02 | 2021-02-05 | 东软睿驰汽车技术（沈阳）有限公司 | 自动驾驶的测试方法、装置和电子设备 |
| CN112364439A (zh) * | 2020-12-02 | 2021-02-12 | 腾讯科技（深圳）有限公司 | 自动驾驶系统的仿真测试方法、装置以及存储介质 |
| CN112965466A (zh) * | 2021-02-18 | 2021-06-15 | 北京百度网讯科技有限公司 | 自动驾驶系统的还原测试方法、装置、设备及程序产品 |
| CN113968231A (zh) * | 2021-12-09 | 2022-01-25 | 吉林大学 | 一种符合驾驶员习惯的智能驾驶员模型参数确定方法 |
| CN114282380A (zh) * | 2021-12-28 | 2022-04-05 | 驭势科技（北京）有限公司 | 自动驾驶算法的测试方法、装置、电子设备和存储介质 |
-
2022
- 2022-07-12 CN CN202210822700.3A patent/CN115202234B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110869730A (zh) * | 2017-07-17 | 2020-03-06 | 重庆赛真达智能科技有限公司 | 远程临场驾驶无人车作业系统及自动驾驶汽车测试场系统 |
| CN112327806A (zh) * | 2020-11-02 | 2021-02-05 | 东软睿驰汽车技术（沈阳）有限公司 | 自动驾驶的测试方法、装置和电子设备 |
| CN112364439A (zh) * | 2020-12-02 | 2021-02-12 | 腾讯科技（深圳）有限公司 | 自动驾驶系统的仿真测试方法、装置以及存储介质 |
| CN112965466A (zh) * | 2021-02-18 | 2021-06-15 | 北京百度网讯科技有限公司 | 自动驾驶系统的还原测试方法、装置、设备及程序产品 |
| JP2022033945A (ja) * | 2021-02-18 | 2022-03-02 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 自動運転システムのシーン復元テスト方法、装置、機器及びプログラム |
| CN113968231A (zh) * | 2021-12-09 | 2022-01-25 | 吉林大学 | 一种符合驾驶员习惯的智能驾驶员模型参数确定方法 |
| CN114282380A (zh) * | 2021-12-28 | 2022-04-05 | 驭势科技（北京）有限公司 | 自动驾驶算法的测试方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 2237-2242: "行人运动仿真研究综述", 系统仿真学报, no. 9, pages 2237 - 2242 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116572997A (zh) * | 2023-07-11 | 2023-08-11 | 北京集度科技有限公司 | 车辆控制器、车辆及车辆控制方法 |
| CN116572997B (zh) * | 2023-07-11 | 2023-09-15 | 北京集度科技有限公司 | 车辆控制器、车辆及车辆控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115202234B (zh) | 2023-10-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023028858A1 (zh) | 一种测试方法和系统 | |
| CN115042821B (zh) | 车辆控制方法、装置、车辆及存储介质 | |
| CN115123257A (zh) | 路面减速带位置识别方法、装置、车辆、存储介质及芯片 | |
| CN115100377A (zh) | 地图构建方法、装置、车辆、可读存储介质及芯片 | |
| CN115330923A (zh) | 点云数据渲染方法、装置、车辆、可读存储介质及芯片 | |
| CN115202234B (zh) | 仿真测试方法、装置、存储介质和车辆 | |
| EP4293630A1 (en) | Method for generating lane line, vehicle, storage medium and chip | |
| CN115056784B (zh) | 车辆控制方法、装置、车辆、存储介质及芯片 | |
| CN114842440B (zh) | 自动驾驶环境感知方法、装置、车辆及可读存储介质 | |
| CN115221151B (zh) | 车辆数据的传输方法、装置、车辆、存储介质及芯片 | |
| CN115203457B (zh) | 图像检索方法、装置、车辆、存储介质及芯片 | |
| CN115871523A (zh) | 电池加热方法、装置、车辆、可读存储介质及芯片 | |
| CN115205848A (zh) | 目标检测方法、装置、车辆、存储介质及芯片 | |
| CN115042814A (zh) | 交通灯状态识别方法、装置、车辆及存储介质 | |
| CN115334109A (zh) | 用于交通信号识别的系统架构、传输方法，车辆，介质及芯片 | |
| CN115145246A (zh) | 控制器的测试方法、装置、车辆、存储介质及芯片 | |
| CN115205311A (zh) | 图像处理方法、装置、车辆、介质及芯片 | |
| CN115100630A (zh) | 障碍物检测方法、装置、车辆、介质及芯片 | |
| CN115139946B (zh) | 车辆落水检测方法、车辆、计算机可读存储介质及芯片 | |
| CN115407344B (zh) | 栅格地图创建方法、装置、车辆及可读存储介质 | |
| CN114822216B (zh) | 生成车位地图的方法、装置、车辆、存储介质及芯片 | |
| CN115205461B (zh) | 场景重建方法、装置、可读存储介质及车辆 | |
| CN115082772B (zh) | 地点识别方法、装置、车辆、存储介质及芯片 | |
| CN115082886B (zh) | 目标检测的方法、装置、存储介质、芯片及车辆 | |
| CN115123304A (zh) | 故障追踪方法、装置、介质及芯片 |
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 |