CN115292913A - 一种面向车路协同的路测感知仿真系统 - Google Patents
一种面向车路协同的路测感知仿真系统 Download PDFInfo
- Publication number
- CN115292913A CN115292913A CN202210871266.8A CN202210871266A CN115292913A CN 115292913 A CN115292913 A CN 115292913A CN 202210871266 A CN202210871266 A CN 202210871266A CN 115292913 A CN115292913 A CN 115292913A
- Authority
- CN
- China
- Prior art keywords
- simulation
- data
- unit
- road
- vehicle
- 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 137
- 230000008447 perception Effects 0.000 title claims abstract description 50
- 238000012360 testing method Methods 0.000 title claims abstract description 44
- 230000006854 communication Effects 0.000 claims abstract description 17
- 238000004891 communication Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 15
- 230000003068 static effect Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 239000000306 component Substances 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 102100025328 GON-4-like protein Human genes 0.000 claims description 3
- 101000857895 Homo sapiens GON-4-like protein Proteins 0.000 claims description 3
- 241001464837 Viridiplantae Species 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000008358 core component Substances 0.000 claims description 3
- 238000007639 printing Methods 0.000 claims description 3
- 239000002184 metal Substances 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000002310 reflectometry Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000007175 bidirectional communication Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种面向车路协同的路测感知仿真系统,涉及路测感知仿真技术领域。该面向车路协同的路测感知仿真系统,包括仿真平台模块、仿真框架模块、中间件模块、结点模块,所述仿真平台模块包括图形引擎单元和物理引擎单元,且物理引擎单元与图形引擎单元进行连接,且图形引擎单元和物理引擎单元均与仿真框架模块进行连接,所述仿真框架模块包括模拟环境单元、动态场景单元、路侧传感器单元、定位仿真单元、通信仿真单元和动力学仿真单元等。该系统通过在在路侧部署传感器,将采集到的路面信息经V2X通信给到车辆,使车辆拥有超视距的感知能力,通过构建该路侧感知仿真系统可以很好地解决RSU配置及样本数据生成的问题。
Description
技术领域
本发明涉及路测感知仿真技术领域,具体为一种面向车路协同的路测感知仿真系统。
背景技术
智能交通系统通过人工智能与信息通讯技术可以有效提升道路交通的安全和效率,目前已经得到广泛的认可,它包含“聪明的车”和“智慧的路”两部分,车路协同是ITS发展的高级阶段,用来实现车与车以及车与路侧系统之间的通信,使车辆能够更好地感知周围环境,接受辅助驾驶的相关信息,让道路监管部门能够更有效地处理交通事故。
路侧感知是车路协同应用开发的重要组成部分,通过在路侧部署传感器,将采集到的路面信息经V2X通信给到车辆,使车辆拥有超视距的感知能力,在实际应用中,为达到最优的路侧感知效果,不同的场景往往需要不同的RSU配置,RSU的选型及安装是一个耗时耗力的过程,另外,交通参与者的识别是路侧感知的核心,基于机器学习的识别算法需要大量的标签数据,而人工打标签被验证是一个效率极其低下的方式。而随着近些年计算机硬件性能的不断提升,将仿真技术应用于智能交通领域成为了各类研发机构加速开发进程的必要手段。
目前,随着智能交通领域的快速发展,模拟仿真技术在其中扮演着越来越重要的角色,尤其是针对自动驾驶和车路协同已经有很多的仿真应用和研究,然而面向路侧感知的模拟仿真仍然鲜有人涉足,但其作为车路协同的应用开发却是不可或缺的技术。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种面向车路协同的路测感知仿真系统,该系统通过在在路侧部署传感器,将采集到的路面信息经V2X通信给到车辆,使车辆拥有超视距的感知能力,通过构建该路侧感知仿真系统可以很好地解决RSU配置及样本数据生成的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种面向车路协同的路测感知仿真系统,包括仿真平台模块、仿真框架模块、中间件模块、结点模块,所述仿真平台模块包括图形引擎单元和物理引擎单元,且物理引擎单元与图形引擎单元进行连接,且图形引擎单元和物理引擎单元均与仿真框架模块进行连接,所述仿真框架模块包括模拟环境单元、动态场景单元、路侧传感器单元、定位仿真单元、通信仿真单元和动力学仿真单元等,所述中间件模块包括ROS、YARP等外界通讯单元,所述结点模块包括车辆控制单元、数据处理单元等,所述中间件模块与仿真框架模块之间双向通信连接,所述中间件模块与结点模块内的各单元之间双向通信连接。
优选的,所述路测感知仿真系统是基于LGSVL开发且适用于路侧感知的仿真系统,其中,利用自定义场景功能开发适用于路侧感知的模拟环境,利用自定义车辆及传感器模型功能创建路侧感知单元,利用自定义通讯内容实现路侧感知数据的采集与传输。
优选的,所述路测感知仿真系统包括模拟场景构建,所述模拟场景构建由静态环境单元、动态交通单元和路侧单元组成;
静态环境单元,主要包括用于车辆行驶的车道,场景内的建筑,区域内的绿植、路灯等,这些构成了模拟场景的客观环境,并且不随仿真测试过程中其它条件的变化而改变;
动态交通单元,其是仿真测试场景的关键组成,主要指仿真中具备动态特性的管控、车流、人流等部分,包括红绿灯仿真,机动车仿真,行人仿真等;
路侧单元,其是车路协同的核心部件,负责车路信息的采集、处理与传输,也是面向车路协同的路侧感知仿真系统的重点研究对象。
优选的,所述静态环境单元通过blender建模后经Unity高清渲染后得到模拟仿真系统的静态环境。
优选的,所述动态交通单元实现的动态交通仿真场景构建方法主要有基于真实交通案例数据的构建,基于真实案例数据的泛化构建,以及基于微观交通仿真系统的构建。
优选的,所述路侧单元包括摄像头、激光雷达、毫米波雷达、工控机等。
优选的,一种面向车路协同的路测感知仿真系统数据采集构建方法,包括以下步骤:
S1.模拟点云数据生成
参照真实激光雷达的扫描方式,模拟每一条真实雷达射线的发射,通过与场景中所有物体求交,若在激光雷达的最大探测距离内存在交点,则返回相应的点云坐标,假设模拟激光雷达为L线,水平分辨率为R,水平扫描范围为360°,得到每一帧发射射线的数量N为:
N=L×360/R
若探测距离为D,场景内模拟点云数据生成的伪代码为:
有上式和伪代码可知,当激光雷达频率较高,场景内环境较为复杂且模型足够精细时,通过模拟射线求交的计算量极大,以激光雷达为64线,水平分辨率0.4,频率10Hz为例,单纯每秒发射的激光雷达射线就高达576000条,在此基础上还需要对每一条射线遍历场景内除激光雷达外的所有物体模型。为了达到实时仿真的效果,可以运用CPU并行或GPU计算的方式来提高计算效率,LGSVL采用GPU计算点云数据;
S2.真值数据生成与处理
有了模拟点云数据后,一般还需要配合真值数据,用作模型识别训练的数据集。真值数据对应真实数据中的人工标签数据,数据内容包括可识别物体的位置、朝向、包围盒大小、速度、类型等,不同于人工打标签的过程,真值数据相对于仿真系统而言是已知的,只需要将真值数据与点云数据进行配合同步输出即可,因此可以大大提高输出标签的效率;
S3.仿真数据输出
由于模拟点云数据与真值数据分别通过不同的传感器采集,为了实现每一帧文件的相互匹配,采用获取当前ROS时间作为每一帧点云数据和真值数据的命名,如当前ROS时间为n.ms,对应时刻采集的点云数据文件保存为nm.pcd,真值数据文件为nm.txt,将同一帧的模拟点云数据与真值数据导入Rviz中显示,即得到输出的仿真数据。
优选的,所述步骤S1中的真实点云数据除了位置坐标外,还有一个关键信息是反射强度,反射强度主要反映的是不同物理材质对激光雷达所使用的近红外光线的反射率。因此,模拟点云数据同样需要考虑强度值,LGSVL中通过获取模型材质中的金属度及颜色值并进行归一化处理得到取值范围在0~255间的强度值。
优选的,所述步骤S2中的真值数据生成通过在LGSVL中新建真值数据传感器,为实现真值数据与点云数据匹配,需要将真值数据传感器与激光雷达传感器的配置参数保持一致,如位置姿态、有效范围、频率等。
(三)有益效果
本发明提供了一种面向车路协同的路测感知仿真系统。具备以下有益效果:
1、本发明提供了一种面向车路协同的路测感知仿真系统,该系统基于自动驾驶仿真软件LGSVL进行二次开发构建,开发内容包括模拟仿真环境、路侧单元及数据采集与通讯,并借助仿真环境分析了激光雷达的高度与路面点云覆盖之间的关系,可以为激光雷达的实际安装位置提供参考,并且通过对比由仿真环境中输出的点云数据得到的车辆识别模型与由真实数据得到的模型之间的相互验证结果,得出该仿真系统对激光雷达和环境的模拟可以较高程度地还原真实情况,从而得到更好的模拟仿真效果。
2、本发明提供了一种面向车路协同的路测感知仿真系统,该系统通过在在路侧部署传感器,将采集到的路面信息经V2X通信给到车辆,使车辆拥有超视距的感知能力,通过构建该路侧感知仿真系统可以很好地解决RSU配置及样本数据生成的问题。
附图说明
图1为本发明的路侧感知仿真系统结构组成示意图;
图2为本发明的模拟场景整体平面示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
实施例:
如图1-2所示,本发明实施例提供一种面向车路协同的路测感知仿真系统,包括仿真平台模块、仿真框架模块、中间件模块、结点模块,所述仿真平台模块包括图形引擎单元和物理引擎单元,且物理引擎单元与图形引擎单元进行连接,且图形引擎单元和物理引擎单元均与仿真框架模块进行连接,所述仿真框架模块包括模拟环境单元、动态场景单元、路侧传感器单元、定位仿真单元、通信仿真单元和动力学仿真单元等,所述中间件模块包括ROS、YARP等外界通讯单元,所述结点模块包括车辆控制单元、数据处理单元等,所述中间件模块与仿真框架模块之间双向通信连接,所述中间件模块与结点模块内的各单元之间双向通信连接。
所述路测感知仿真系统是基于LGSVL开发且适用于路侧感知的仿真系统,其中,利用自定义场景功能开发适用于路侧感知的模拟环境,利用自定义车辆及传感器模型功能创建路侧感知单元,利用自定义通讯内容实现路侧感知数据的采集与传输。
所述路测感知仿真系统包括模拟场景构建,所述模拟场景构建由静态环境单元、动态交通单元和路侧单元组成;
静态环境单元,主要包括用于车辆行驶的车道,场景内的建筑,区域内的绿植、路灯等,这些构成了模拟场景的客观环境,并且不随仿真测试过程中其它条件的变化而改变;
动态交通单元,其是仿真测试场景的关键组成,主要指仿真中具备动态特性的管控、车流、人流等部分,包括红绿灯仿真,机动车仿真,行人仿真等;
路侧单元,其是车路协同的核心部件,负责车路信息的采集、处理与传输,也是面向车路协同的路侧感知仿真系统的重点研究对象。
所述静态环境单元通过blender建模后经Unity高清渲染后得到模拟仿真系统的静态环境,所述动态交通单元实现的动态交通仿真场景构建方法主要有基于真实交通案例数据的构建,基于真实案例数据的泛化构建,以及基于微观交通仿真系统的构建,所述路侧单元包括摄像头、激光雷达、毫米波雷达、工控机等。
该面向车路协同的路测感知仿真系统数据采集构建方法,包括以下步骤:
S1.模拟点云数据生成
参照真实激光雷达的扫描方式,模拟每一条真实雷达射线的发射,通过与场景中所有物体求交,若在激光雷达的最大探测距离内存在交点,则返回相应的点云坐标,假设模拟激光雷达为L线,水平分辨率为R,水平扫描范围为360°,得到每一帧发射射线的数量N为:
N=L×360/R
若探测距离为D,场景内模拟点云数据生成的伪代码为:
有上式和伪代码可知,当激光雷达频率较高,场景内环境较为复杂且模型足够精细时,通过模拟射线求交的计算量极大,以激光雷达为64线,水平分辨率0.4,频率10Hz为例,单纯每秒发射的激光雷达射线就高达576000条,在此基础上还需要对每一条射线遍历场景内除激光雷达外的所有物体模型。为了达到实时仿真的效果,可以运用CPU并行或GPU计算的方式来提高计算效率,LGSVL采用GPU计算点云数据;
S2.真值数据生成与处理
有了模拟点云数据后,一般还需要配合真值数据,用作模型识别训练的数据集。真值数据对应真实数据中的人工标签数据,数据内容包括可识别物体的位置、朝向、包围盒大小、速度、类型等,不同于人工打标签的过程,真值数据相对于仿真系统而言是已知的,只需要将真值数据与点云数据进行配合同步输出即可,因此可以大大提高输出标签的效率;
S3.仿真数据输出
由于模拟点云数据与真值数据分别通过不同的传感器采集,为了实现每一帧文件的相互匹配,采用获取当前ROS时间作为每一帧点云数据和真值数据的命名,如当前ROS时间为n.ms,对应时刻采集的点云数据文件保存为nm.pcd,真值数据文件为nm.txt,将同一帧的模拟点云数据与真值数据导入Rviz中显示,即得到输出的仿真数据。
实验测试
在现实中,由于激光雷达成本较高,在路侧布局中需要优化激光雷达的布局使得单个激光雷达的有效覆盖区域尽可能多地被利用。对于只有单侧布置RSU的路面,因为各类车辆的形体差异较大,有可能存在小车被大车遮挡的情况,从而对车路协同提供的超视距功能构成挑战,为了减少这种因大车遮蔽造成激光雷达盲区的情况,最简单有效的方法是增加激光雷达的安装高度,获取激光雷达的最低安装高度需要综合包括激光雷达参数,道路环境参数,车辆参数等多种条件进行测试,通过真实路测是不大现实的,而借助本文提出的路侧感知仿真系统可以简单直观地完成。
相对于基于摄像头采集的二维图像识别物体,基于激光雷达的点云数据的物体识别因为不受环境光的影响,具有更高的鲁棒性,因此在车路协同中具有重要的地位。相应地,由于单帧的点云数据量巨大,同样采用深度学习的方法,基于点云的识别难度较于图像识别有过之而无不及,尤其制作标签数据的过程,采用人工的方式是极其困难的。通过仿真系统可以快速准确地生成大量标签数据,但模拟数据是否可以替代真实数据仍需要通过实验进行验证。
设计4组实验进行模拟数据的验证,第1组采用真实数据训练真实数据测试,第2组采用模拟数据训练模拟数据测试,第3组采用真实数据训练模拟数据测试,第4组采用模拟数据训练真实数据测试,4组实验采用相同的训练网络,训练集与测试集的数据量均按4∶1得到,最后结果如下表1所示:
表2模拟数据与真实数据的测试对比
其中,Precision为识别的精确率,相对于测试集中检测出来的样本而言,Recall为召回率,相对于整个测试集而言,F1 score为精确率和召回率的调和平均数,从表2中可以看出,不管是用真实数据测试模拟数据,还是模拟数据测试真实数据,最后的结果都显示各类评价指标可以比较接近纯真实数据的情况,由此可知,通过仿真系统输出的模拟点云数据可以较好地还原真实数据的特征。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种面向车路协同的路测感知仿真系统,其特征在于,包括仿真平台模块、仿真框架模块、中间件模块、结点模块,所述仿真平台模块包括图形引擎单元和物理引擎单元,且物理引擎单元与图形引擎单元进行连接,且图形引擎单元和物理引擎单元均与仿真框架模块进行连接,所述仿真框架模块包括模拟环境单元、动态场景单元、路侧传感器单元、定位仿真单元、通信仿真单元和动力学仿真单元等,所述中间件模块包括ROS、YARP等外界通讯单元,所述结点模块包括车辆控制单元、数据处理单元等,所述中间件模块与仿真框架模块之间双向通信连接,所述中间件模块与结点模块内的各单元之间双向通信连接。
2.根据权利要求1所述的一种面向车路协同的路测感知仿真系统,其特征在于,所述路测感知仿真系统是基于LGSVL开发且适用于路侧感知的仿真系统,其中,利用自定义场景功能开发适用于路侧感知的模拟环境,利用自定义车辆及传感器模型功能创建路侧感知单元,利用自定义通讯内容实现路侧感知数据的采集与传输。
3.根据权利要求1所述的一种面向车路协同的路测感知仿真系统,其特征在于,所述路测感知仿真系统包括模拟场景构建,所述模拟场景构建由静态环境单元、动态交通单元和路侧单元组成;
静态环境单元,主要包括用于车辆行驶的车道,场景内的建筑,区域内的绿植、路灯等,这些构成了模拟场景的客观环境,并且不随仿真测试过程中其它条件的变化而改变;
动态交通单元,其是仿真测试场景的关键组成,主要指仿真中具备动态特性的管控、车流、人流等部分,包括红绿灯仿真,机动车仿真,行人仿真等;
路侧单元,其是车路协同的核心部件,负责车路信息的采集、处理与传输,也是面向车路协同的路侧感知仿真系统的重点研究对象。
4.根据权利要求3所述的一种面向车路协同的路测感知仿真系统,其特征在于,所述静态环境单元通过blender建模后经Unity高清渲染后得到模拟仿真系统的静态环境。
5.根据权利要求3所述的一种面向车路协同的路测感知仿真系统,其特征在于,所述动态交通单元实现的动态交通仿真场景构建方法主要有基于真实交通案例数据的构建,基于真实案例数据的泛化构建,以及基于微观交通仿真系统的构建。
6.根据权利要求3所述的一种面向车路协同的路测感知仿真系统,其特征在于,所述路侧单元包括摄像头、激光雷达、毫米波雷达、工控机等。
7.一种面向车路协同的路测感知仿真系统数据采集构建方法,其特征在于,包括以下步骤:
S1.模拟点云数据生成
参照真实激光雷达的扫描方式,模拟每一条真实雷达射线的发射,通过与场景中所有物体求交,若在激光雷达的最大探测距离内存在交点,则返回相应的点云坐标,假设模拟激光雷达为L线,水平分辨率为R,水平扫描范围为360°,得到每一帧发射射线的数量N为:
N=L×360/R
若探测距离为D,场景内模拟点云数据生成的伪代码为:
有上式和伪代码可知,当激光雷达频率较高,场景内环境较为复杂且模型足够精细时,通过模拟射线求交的计算量极大,以激光雷达为64线,水平分辨率0.4,频率10Hz为例,单纯每秒发射的激光雷达射线就高达576000条,在此基础上还需要对每一条射线遍历场景内除激光雷达外的所有物体模型。为了达到实时仿真的效果,可以运用CPU并行或GPU计算的方式来提高计算效率,LGSVL采用GPU计算点云数据;
S2.真值数据生成与处理
有了模拟点云数据后,一般还需要配合真值数据,用作模型识别训练的数据集。真值数据对应真实数据中的人工标签数据,数据内容包括可识别物体的位置、朝向、包围盒大小、速度、类型等,不同于人工打标签的过程,真值数据相对于仿真系统而言是已知的,只需要将真值数据与点云数据进行配合同步输出即可,因此可以大大提高输出标签的效率;
S3.仿真数据输出
由于模拟点云数据与真值数据分别通过不同的传感器采集,为了实现每一帧文件的相互匹配,采用获取当前ROS时间作为每一帧点云数据和真值数据的命名,如当前ROS时间为n.ms,对应时刻采集的点云数据文件保存为nm.pcd,真值数据文件为nm.txt,将同一帧的模拟点云数据与真值数据导入Rviz中显示,即得到输出的仿真数据。
8.根据权利要求7所述的一种面向车路协同的路测感知仿真系统数据采集构建方法,其特征在于,所述步骤S1中的真实点云数据除了位置坐标外,还有一个关键信息是反射强度,反射强度主要反映的是不同物理材质对激光雷达所使用的近红外光线的反射率。因此,模拟点云数据同样需要考虑强度值,LGSVL中通过获取模型材质中的金属度及颜色值并进行归一化处理得到取值范围在0~255间的强度值。
9.根据权利要求7所述的一种面向车路协同的路测感知仿真系统数据采集构建方法,其特征在于,所述步骤S2中的真值数据生成通过在LGSVL中新建真值数据传感器,为实现真值数据与点云数据匹配,需要将真值数据传感器与激光雷达传感器的配置参数保持一致,如位置姿态、有效范围、频率等。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210871266.8A CN115292913A (zh) | 2022-07-22 | 2022-07-22 | 一种面向车路协同的路测感知仿真系统 |
PCT/CN2023/098821 WO2024016877A1 (zh) | 2022-07-22 | 2023-06-07 | 一种面向车路协同的路测感知仿真系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210871266.8A CN115292913A (zh) | 2022-07-22 | 2022-07-22 | 一种面向车路协同的路测感知仿真系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115292913A true CN115292913A (zh) | 2022-11-04 |
Family
ID=83824956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210871266.8A Pending CN115292913A (zh) | 2022-07-22 | 2022-07-22 | 一种面向车路协同的路测感知仿真系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115292913A (zh) |
WO (1) | WO2024016877A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116719054A (zh) * | 2023-08-11 | 2023-09-08 | 光轮智能(北京)科技有限公司 | 虚拟激光雷达点云的生成方法、计算机设备及存储介质 |
WO2024016877A1 (zh) * | 2022-07-22 | 2024-01-25 | 上海交通大学 | 一种面向车路协同的路测感知仿真系统 |
CN118314424A (zh) * | 2024-06-05 | 2024-07-09 | 武汉理工大学 | 基于边缘场景的车路协同自进化学习多模态校验方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118191785A (zh) * | 2024-02-22 | 2024-06-14 | 江苏优探智能科技有限公司 | 激光雷达的探测方法及其相关设备 |
CN118070571B (zh) * | 2024-04-19 | 2024-07-23 | 中汽智联技术有限公司 | 一种激光传感器的仿真方法、设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112198859A (zh) * | 2020-09-07 | 2021-01-08 | 西安交通大学 | 混合场景下车辆在环的自动驾驶车辆测试方法、系统及装置 |
CN112199991A (zh) * | 2020-08-27 | 2021-01-08 | 广州中国科学院软件应用技术研究所 | 一种应用于车路协同路侧感知的仿真点云滤波方法和系统 |
CN112382079A (zh) * | 2020-09-21 | 2021-02-19 | 广州中国科学院软件应用技术研究所 | 一种面向车路协同的路侧感知模拟仿真方法和系统 |
CN113256976A (zh) * | 2021-05-12 | 2021-08-13 | 中移智行网络科技有限公司 | 一种车路协同系统、模拟仿真方法、车载设备和路侧设备 |
CN113868862A (zh) * | 2021-09-28 | 2021-12-31 | 一汽解放汽车有限公司 | 一种车辆在环测试方法和系统 |
WO2022096558A2 (de) * | 2020-11-05 | 2022-05-12 | Dspace Gmbh | Verfahren und system zur augmentierung von lidar-daten |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111443620A (zh) * | 2020-04-30 | 2020-07-24 | 重庆车辆检测研究院有限公司 | 智能车路协同系统的测试设备和测试车 |
US20210406562A1 (en) * | 2020-06-24 | 2021-12-30 | Keysight Technologies, Inc. | Autonomous drive emulation methods and devices |
CN115292913A (zh) * | 2022-07-22 | 2022-11-04 | 上海交通大学 | 一种面向车路协同的路测感知仿真系统 |
-
2022
- 2022-07-22 CN CN202210871266.8A patent/CN115292913A/zh active Pending
-
2023
- 2023-06-07 WO PCT/CN2023/098821 patent/WO2024016877A1/zh unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112199991A (zh) * | 2020-08-27 | 2021-01-08 | 广州中国科学院软件应用技术研究所 | 一种应用于车路协同路侧感知的仿真点云滤波方法和系统 |
CN112198859A (zh) * | 2020-09-07 | 2021-01-08 | 西安交通大学 | 混合场景下车辆在环的自动驾驶车辆测试方法、系统及装置 |
CN112382079A (zh) * | 2020-09-21 | 2021-02-19 | 广州中国科学院软件应用技术研究所 | 一种面向车路协同的路侧感知模拟仿真方法和系统 |
WO2022096558A2 (de) * | 2020-11-05 | 2022-05-12 | Dspace Gmbh | Verfahren und system zur augmentierung von lidar-daten |
CN113256976A (zh) * | 2021-05-12 | 2021-08-13 | 中移智行网络科技有限公司 | 一种车路协同系统、模拟仿真方法、车载设备和路侧设备 |
CN113868862A (zh) * | 2021-09-28 | 2021-12-31 | 一汽解放汽车有限公司 | 一种车辆在环测试方法和系统 |
Non-Patent Citations (2)
Title |
---|
牛红攀;高勇;侯忠明;: "图形引擎与物理引擎结合的研究与实现" * |
郭云鹏 等: ""面向车路协同的路侧感知仿真系统"" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024016877A1 (zh) * | 2022-07-22 | 2024-01-25 | 上海交通大学 | 一种面向车路协同的路测感知仿真系统 |
CN116719054A (zh) * | 2023-08-11 | 2023-09-08 | 光轮智能(北京)科技有限公司 | 虚拟激光雷达点云的生成方法、计算机设备及存储介质 |
CN116719054B (zh) * | 2023-08-11 | 2023-11-17 | 光轮智能(北京)科技有限公司 | 虚拟激光雷达点云的生成方法、计算机设备及存储介质 |
CN118314424A (zh) * | 2024-06-05 | 2024-07-09 | 武汉理工大学 | 基于边缘场景的车路协同自进化学习多模态校验方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2024016877A1 (zh) | 2024-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115292913A (zh) | 一种面向车路协同的路测感知仿真系统 | |
US20190377981A1 (en) | System and Method for Generating Simulated Scenes from Open Map Data for Machine Learning | |
US10832478B2 (en) | Method and system for virtual sensor data generation with depth ground truth annotation | |
WO2022141910A1 (zh) | 一种基于行车安全风险场的车路激光雷达点云动态分割及融合方法 | |
US20050275717A1 (en) | Method and apparatus for testing stereo vision methods using stereo imagery data | |
CN109726426A (zh) | 一种车辆自动驾驶虚拟环境构建方法 | |
CN108428254A (zh) | 三维地图的构建方法及装置 | |
CN111880191A (zh) | 基于多智能体激光雷达和视觉信息融合的地图生成方法 | |
CN106355643A (zh) | 一种高速公路三维实景道路模型的生成方法 | |
WO2020199057A1 (zh) | 一种自动驾驶模拟系统、方法、设备及存储介质 | |
CN117975436A (zh) | 基于多模态融合和可变形注意力的三维目标检测方法 | |
Zhao et al. | Autonomous driving simulation for unmanned vehicles | |
Gao et al. | Large-scale synthetic urban dataset for aerial scene understanding | |
CN115830265A (zh) | 一种基于激光雷达的自动驾驶运动障碍物分割方法 | |
Browning et al. | 3D Mapping for high-fidelity unmanned ground vehicle lidar simulation | |
Ma et al. | Virtual analysis of urban road visibility using mobile laser scanning data and deep learning | |
Muller | Drivetruth: Automated autonomous driving dataset generation for security applications | |
CN104331708B (zh) | 一种人行横道线自动检测分析方法及系统 | |
Kim et al. | Analysis of building object detection based on the YOLO neural network using UAV images | |
Bai et al. | Cyber mobility mirror for enabling cooperative driving automation: A co-simulation platform | |
CN114820931B (zh) | 基于虚拟现实的智慧城市cim可视化实时成像方法 | |
Galazka et al. | CiThruS2: Open-source photorealistic 3D framework for driving and traffic simulation in real time | |
Zhang et al. | SMART-Degradation: A Dataset for LiDAR Degradation Evaluation in Rain | |
Zhuo et al. | A novel vehicle detection framework based on parallel vision | |
CN110134024A (zh) | 车辆自动驾驶虚拟环境中特殊标志物的构建方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221104 |