CN115357500A - 自动驾驶系统的测试方法、装置、设备和介质 - Google Patents

Abstract

本公开提供了一种自动驾驶系统的测试方法、装置、设备和介质，涉及人工智能领域，具体涉及自动驾驶技术、仿真测试技术和深度学习技术。该方法包括：获取目标区域的高精度地图数据和道路数据，道路数据是在目标区域采集的基于视觉的数据；基于高精度地图数据和道路数据，构建与目标区域对应的仿真场景；以及利用仿真场景，对自动驾驶系统进行测试。

Description

自动驾驶系统的测试方法、装置、设备和介质

技术领域

本公开涉及人工智能领域，具体涉及自动驾驶技术、仿真测试技术和深度学习技术，特别涉及一种自动驾驶系统的测试方法、自动驾驶系统的测试装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

随着自动驾驶技术的发展，对自动驾驶系统进行仿真测试的需求也在日益提升。然而，由于自动驾驶的环境复杂且多变，并且自动驾驶系统通常包括多个执行不同功能的模块，因此，对自动驾驶系统的仿真测试面临诸多问题。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种自动驾驶系统的测试方法、自动驾驶系统的测试装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种自动驾驶系统的测试方法。该方法包括：获取目标区域的高精度地图数据和道路数据，道路数据是在目标区域采集的基于视觉的数据；基于高精度地图数据和道路数据，构建与目标区域对应的仿真场景；以及利用仿真场景，对自动驾驶系统进行测试。

根据本公开的另一方面，提供了一种自动驾驶系统的测试装置。该装置包括：获取单元，被配置为获取目标区域的高精度地图数据和道路数据，道路数据是在目标区域采集的基于视觉的数据；构建单元，被配置为基于高精度地图数据和道路数据，构建与目标区域对应的仿真场景；以及测试单元，被配置为利用仿真场景，对自动驾驶系统进行测试。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有可被至少一个处理器执行的指令，这些指令被至少一个处理器执行，以使至少一个处理器能够执行上述方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行上述方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述方法。

根据本公开的一个或多个实施例，通过使用高精地图数据和基于视觉的道路数据构建与现实环境对应的仿真场景，实现了在贴近现实环境的仿真场景中对自动驾驶系统进行仿真测试。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1A示出了根据本公开示例性实施例的非端到端自动驾驶系统的示意图；

图1B示出了根据本公开示例性实施例的端到端自动驾驶系统的示意图；

图2示出了根据本公开示例性实施例的自动驾驶系统的测试方法的流程图；

图3示出了根据本公开示例性实施例的构建与目标区域对应的仿真场景的流程图；

图4示出了根据本公开示例性实施例的对自动驾驶系统进行测试的流程图；

图5A示出了根据本公开示例性实施例的端到端闭环仿真的示意图；

图5B示出了根据本公开示例性实施例的非端到端闭环仿真的示意图；

图6示出了根据本公开示例性实施例的自动驾驶系统的测试装置的结构框图；以及

图7出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

相关技术中，在对自动驾驶系统进行仿真测试时，一种方式是获取自动驾驶系统的感知模块在路测阶段感知到的障碍物数据或通过模拟的方式生成的感知数据，进而将感知数据输入到自动驾驶系统的规划模块，从而实现对规划模块(以及更下游的控制模块)的测试，而这样的方式只能利用表征障碍物的语义信息的障碍物数据对自动驾驶系统中的部分模块进行测试。

图1A示出了根据本公开示例性实施例的一种非端到端自动驾驶系统100与现实世界进行交互的示意图。系统100从现实世界102中获取传感器数据104，进而使用感知模块106对传感器数据进行处理以得到感知数据110(例如，障碍物/信号灯信息)，并使用定位模块108对传感器数据进行处理以得到车辆状态信息112(例如，车辆位置、速度、加速度等)。系统100中预测模块114进一步对障碍物的运动轨迹进行预测(例如，预测车辆周围行人、其他车辆的在未来特定时刻的位置)以得到预测结果116，而规划模块118基于障碍物/信号灯信息110、车辆状态112、以及预测结果116进行自动驾驶规划，得到规划结果120。系统100中的控制模块122基于规划结果120进一步生成控制信号124以控制车辆，而受到自动驾驶系统控制的车辆会进一步与现实世界产生交互，以更新传感器数据。

图1B示出了根据本公开示例性实施例的一种端到端自动驾驶系统150与现实世界进行交互的示意图。端到端的自动驾驶系统150从现实世界152接收传感器数据154后直接生成相应的控制信号158以控制车辆进行自动驾驶。

由图1A和图1B可以看出，针对非端到端的自动驾驶系统，通过使用感知数据(例如，障碍物数据)只能实现对系统中的部分模块进行仿真测试；而针对端到端的自动驾驶系统，则完全无法进行仿真测试。

为解决上述问题，通过使用高精地图数据和基于视觉的道路数据构建与现实环境对应的仿真场景，实现了在贴近现实环境的仿真场景中对自动驾驶系统进行仿真测试。

下面将结合附图详细描述本公开的实施例。

根据本公开的一方面，提供了一种自动驾驶系统的测试方法。如图2所示，该方法包括：步骤S201、获取目标区域的高精度地图数据和道路数据，道路数据是在目标区域采集的基于视觉的数据；步骤S202、基于高精度地图数据和道路数据，构建与目标区域对应的仿真场景；以及步骤S203、利用仿真场景，对自动驾驶系统进行测试。

由此，通过使用高精地图数据和基于视觉的道路数据构建与现实环境对应的仿真场景，实现了在贴近现实环境的仿真场景中对自动驾驶系统进行仿真测试。

高精度地图数据是用于供自动驾驶车辆使用的地图数据，可以包括准确的交通路网、交通标志、交通标线、以及与上述各交通对象对应的标识字符、数字、高精度坐标等信息。因此，利用高精度地图数据可以获取到上述各项的准确位置信息，但高精度地图数据中通常不包括上述各项的具体外观。

而针对另一些交通对象(例如，交通灯、桥梁等)，高精度地图数据中可能只包括这些对象的标识信息，但不包括其具体位置等信息。此外，高精度地图数据中通常不包括与交通无关的对象的信息，例如，道路周边的树木、路灯、建筑物等等。

道路数据是在现实世界中采集到的基于视觉的数据，例如可以是由自动驾驶车辆进行道路测试时由传感器(例如，车载相机传感器)所采集到的连续多帧图像，也可以是由地图采集车辆采集到的全景道路图像，还可以是通过其他方式采集到的记录目标区域的各对象的视觉信息的数据，在此不作限定。与前文提到的路测阶段感知到的障碍物数据相比，道路数据更强调视觉信息和非语义信息，因此通过使用道路数据能够更好地实现对现实环境的仿真建模。在采集道路数据时，对应的采集设备可以实时从高精度地图数据获取位置信息，从而将道路数据和高精度地图数据进行有效组合，如下文将要描述的。

可以理解的是，“目标区域”一词仅用于描述高精度地图数据和道路数据均能够覆盖、并且用于构建仿真场景的现实世界范围，但并不意图进行任何限定。

根据一些实施例，如图3所示，步骤S202、基于高精度地图数据和道路数据，构建与目标区域对应的仿真场景，包括：步骤S301、基于高精度地图数据和道路数据中的至少一者，确定目标对象；步骤S302、基于高精度地图数据，确定目标对象的位置信息；步骤S303、基于道路数据，确定目标对象的外观信息；以及步骤S304、基于目标对象的位置信息和外观信息，对目标对象进行建模。由此，通过上述方式，能够充分利用高精度地图数据和道路数据各自的优势，以获取到目标区域中的目标对象的准确的位置信息和外观信息，从而能够对目标区域进行精准仿真建模，实现了利用对目标区域高度还原的仿真场景进行自动驾驶系统测试。

根据一些实施例，目标对象可以包括在高精度地图数据中确定的第一对象。第一对象可以是前文提到的准确的交通路网、交通标志、交通标线等交通对象，高精度地图数据可以包括这些第一对象的类型和位置信息。在一些实施例中，第一对象可以包括交通标志和交通标线中的至少一个。

高精度地图数据中可能并不包括这些交通对象的外观信息，例如，交通标志的具体样式、材质、高度，交通道路的纹理，斑马线的具体范围、磨损程度等等。因此，可以在道路数据中确定与第一对象对应的外观信息，从而能够在仿真场景中对现实世界的这些交通对象进行准确还原。在一些实施例中，第一对象的外观信息指示第一对象的磨损程度、材质、以及纹理中的至少一个。

根据一些实施例，目标对象还可以包括在道路数据中确定的第二对象。第二对象可以包括在高精度地图数据中未体现的对象，例如道路周边的树木、路灯、建筑物，以及在采集道路数据时路面上的其他车辆、障碍物、以及周边的行人等，也可以包括在高精度地图数据中没有准确位置信息的对象，例如交通灯等。

在进行道路数据采集时，采集设备(例如，路测车辆、地图采集车等)可以同步从高精度地图数据获取定位信息，从而将基于视觉采集的道路数据和定位信息进行关联。第二对象的位置信息可以是基于与道路数据对应的定位信息而确定的。在一个示例性实施例中，在道路数据的两帧中出现了同一个目标对象，则可以根据采集设备在采集这两帧时的定位信息和目标对象在这两帧中的位置或角度的差异计算出该目标对象的准确位置。可以理解的是，也可以采用其他方式确定第二对象的位置信息，在此不作限定。

由此，可以将现实世界中存在但未在高精度地图数据中体现的对象进行建模，以丰富仿真场景所包括的内容并使得仿真场景能够更贴近目标区域的现实场景，从而能够对自动驾驶系统进行更充分的测试。

在一些实施例中，可以通过目标检测或目标识别算法在基于视觉的道路数据中确定多个候选对象，并根据候选对象的类型、采集设备的位置信息、采集设备的角度信息等内容将候选对象和高精度地图数据中的各对象进行关联匹配。进而，可以将成功匹配的对象作为第一对象，将高精度地图数据中未出现但道路数据中出现的对象作为第二对象。而针对高精度地图数据中出现但道路数据中未出现的对象，可以不进行建模处理。

在一些实施例中，为了进一步提升目标对象的建模准确度，还可以使用深度学习方法确定与目标对象对应的渲染参数。步骤S303、基于道路数据，确定目标对象的外观信息可以包括：基于道路数据，利用神经网络确定目标对象的渲染参数，步骤S304、基于目标对象的位置信息和外观信息，对目标对象进行建模可以包括：基于目标对象的渲染参数，利用游戏引擎对目标对象进行三维渲染建模。

在一些实施例中，可以使用现有的或根据需求搭建的深度学习神经网络获取显式的参数(例如，形状、尺寸、材质、纹理、颜色等)或隐式的向量表达，并将这些参数或向量作为渲染参数输入到游戏引擎中，以得到对目标对象的三维渲染结果。由此，通过使用深度学习方法，能够得到更为精细且准确的三维渲染建模。此外，使用三维渲染建模的方式可以使得在不同角度观察目标对象时能够得到不同的结果，从而使得在这样的仿真场景下能够获得更贴近现实世界的物理效果和视觉效果。

在一个示例性实施例中，通过使用目标检测算法在道路数据中检测到了一棵树木，并通过结合高精度地图数据得到了该树木的准确位置信息。进而，可以将道路数据中包括该树木的多帧图像输入到神经网络中，以得到与该树木的种类和姿态相关的渲染参数。游戏引擎能够调用相关的资源，以基于这些渲染参数对该树木进行精准建模。

相比于现有的仿真软件，游戏引擎能够实时渲染更多的图形(例如，三角面片)，并利用基于物理的渲染技术(Physically Based Rendering)以得到非常贴近现实世界的渲染效果。

根据一些实施例，如图4所示，步骤S203、利用仿真场景，对自动驾驶系统进行测试可以包括：步骤S401、生成针对仿真场景中的主车的仿真传感器数据；以及步骤S402、基于仿真传感器数据，对自动驾驶系统进行测试。由此，通过生成仿真传感器数据而非表征语义信息的障碍物数据，使得能够对自动驾驶系统的感知模块进行测试，并且能够测试感知模块和其他模块一起运行时的性能，丰富了自动驾驶系统的测试场景。此外，这样的方法还能够针对不包括独立的感知模块的自动驾驶系统实现端到端的测试，进一步丰富了自动驾驶的测试场景。

本公开的方法可以在规划与控制(Planning and Control，PNC)闭环仿真的基础上进行拓展以实现对自动驾驶系统中的感知模块进行测试，或者对自动驾驶系统进行整体测试。

在一些实施例中，如图5A所示，非端到端闭环仿真500中的自动驾驶系统包括独立的感知模块510以及规划与控制模块514，则可以将游戏引擎506利用仿真场景生成的仿真传感器数据508输入感知模块510，以得到感知模块输出的感知数据512，进而基于仿真传感器数据508和感知数据512对感知模块510进行测试；也可以将感知数据512进一步输入规划与控制模块514，以得到规划与控制模块514输出的控制数据516，进而基于仿真传感器数据508和控制数据516对自动驾驶系统整体进行测试。

在一些实施例中，如图5B所示，端到端闭环仿真系统520中的自动驾驶系统522不包括独立的感知模块以及规划与控制模块，而是端到端地接收仿真传感器数据508以输出控制数据516，则可以直接将自动驾驶系统522作为被测模块进行仿真测试。

针对上述两种方式，步骤S402、基于仿真传感器数据，对自动驾驶系统进行测试可以包括：将仿真传感器数据输入自动驾驶系统，以得到自动驾驶系统输出的针对主车的车辆控制数据；基于车辆控制数据，更新主车在仿真场景中的状态信息，状态信息指示主车在仿真场景中的位置信息、姿态信息、以及运动信息中的至少一者；以及基于主车的更新后的状态信息，更新针对主车的仿真传感器数据。在得到更新后的仿真传感器数据后，可以将其再一次输入到自动驾驶系统中，以进行进一步测试。由此，能够实现对端到端的自动驾驶系统的测试，并且能够实现对非端到端的自动驾驶系统的整体测试。

在一些实施例中，可以由仿真系统500或550中的动态模块518根据控制数据516更新车辆状态信息520。

根据一些实施例，仿真传感器数据508可以是由游戏引擎506生成的，并且可以包括仿真车载相机数据。通过使用游戏引擎生成高精度的仿真车载相机数据，能够实现对自动驾驶系统的视觉感知能力进行准确测试。在一些实施例中，仿真传感器数据还可以包括距离传感器数据以及其他传感器数据，在此不作限定。在一些实施例中，代理服务器502可以接收车辆状态520，以输出与车辆相关的障碍物/信号灯的相关信息504(例如，车辆附近的障碍物、信号灯等对象)，游戏引擎506可以基于这些信息进行建模，以得到仿真场景。

根据本公开的另一方面，公开了一种自动驾驶系统的测试装置。如图6所示，装置600包括：获取单元610，被配置为获取目标区域的高精度地图数据和道路数据，道路数据是在目标区域采集的基于视觉的数据；构建单元620，被配置为基于高精度地图数据和道路数据，构建与目标区域对应的仿真场景；以及测试单元630，被配置为利用仿真场景，对自动驾驶系统进行测试。

装置600中的单元610-单元630的操作和图2中的步骤S201-步骤S203的操作类似，在此不做赘述。

根据一些实施例，构建单元620可以包括：确定子单元，被配置为基于高精度地图数据和道路数据中的至少一者，确定目标对象；第一确定子单元，被配置为基于高精度地图数据，确定目标对象的位置信息；第二确定子单元，被配置为基于道路数据，确定目标对象的外观信息；以及建模子单元，被配置为基于目标对象的位置信息和外观信息，对目标对象进行建模。

根据一些实施例，目标对象包括在高精度地图数据中确定的第一对象，其中，高精度地图数据包括第一对象的位置信息。

根据一些实施例，第一对象包括交通标志和交通标线中的至少一个。

根据一些实施例，第一对象的外观信息指示第一对象的磨损程度、材质、以及纹理中的至少一个。

根据一些实施例，第二确定子单元被进一步配置为基于道路数据，利用神经网络确定目标对象的渲染参数，

根据一些实施例，目标对象包括在道路数据中确定的第二对象。第二对象在高精度地图数据中未体现，并且第二对象的位置信息是基于道路数据的采集设备在采集道路数据时从高精度地图数据获取的位置信息而确定的。

根据一些实施例，测试单元包括：生成子单元，被配置为生成针对仿真场景中的主车的仿真传感器数据；以及测试子单元，被配置为基于仿真传感器数据，对自动驾驶系统进行测试。

根据一些实施例，测试子单元包括：被测单元，被配置为将仿真传感器数据输入自动驾驶系统，以得到自动驾驶系统输出的针对主车的车辆控制数据；第一更新子单元，被配置为基于车辆控制数据，更新主车在仿真场景中的状态信息，状态信息指示主车在仿真场景中的位置信息、姿态信息、以及运动信息中的至少一者；以及第二更新子单元，被配置为基于主车的更新后的状态信息，更新针对主车的仿真传感器数据。

根据一些实施例，仿真传感器数据包括仿真车载相机数据。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

参考图7，现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向设备700输入信息的任何类型的设备，输入单元706可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙^TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习网络算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如自动驾驶系统的测试方法。例如，在一些实施例中，自动驾驶系统的测试方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的自动驾驶系统的测试方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行自动驾驶系统的测试方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (23)

1.一种自动驾驶系统的测试方法，包括：

获取目标区域的高精度地图数据和道路数据，所述道路数据是基于视觉采集的数据；

基于所述高精度地图数据和所述道路数据，构建与所述目标区域对应的仿真场景；以及

利用所述仿真场景，对所述自动驾驶系统进行测试。

2.根据权利要求1所述的方法，其中，基于所述高精度地图数据和所述道路数据，构建与所述目标区域对应的仿真场景，包括：

基于所述高精度地图数据和所述道路数据中的至少一者，确定目标对象；

基于所述高精度地图数据，确定所述目标对象的位置信息；

基于所述道路数据，确定所述目标对象的外观信息；以及

基于所述目标对象的位置信息和所述外观信息，对所述目标对象进行建模。

3.根据权利要求2所述的方法，其中，所述目标对象包括在所述高精度地图数据中确定的第一对象，其中，所述高精度地图数据包括所述第一对象的位置信息。

4.根据权利要求3所述的方法，其中，所述第一对象包括交通标志和交通标线中的至少一个。

5.根据权利要求4所述的方法，其中，所述第一对象的外观信息指示所述第一对象的磨损程度、材质、以及纹理中的至少一个。

6.根据权利要求2所述的方法，其中，基于所述道路数据，确定所述目标对象的外观信息，包括：

基于所述道路数据，利用神经网络确定所述目标对象的渲染参数，

其中，基于所述目标对象的位置信息和所述外观信息，对所述目标对象进行建模，包括：

基于所述目标对象的渲染参数，利用游戏引擎对所述目标对象进行三维渲染建模。

7.根据权利要求2所述的方法，其中，所述目标对象包括在所述道路数据中确定的第二对象，所述第二对象在所述高精度地图数据中未体现，其中，所述道路数据具有对应的从所述高精度地图数据获取的定位信息，并且所述第二对象的位置信息是基于与所述道路数据对应的定位信息而确定的。

8.根据权利要求1-7中任一项所述的方法，其中，利用所述仿真场景，对所述自动驾驶系统进行测试，包括：

利用游戏引擎，基于所述仿真场景生成针对所述仿真场景中的主车的仿真传感器数据；以及

基于所述仿真传感器数据，对所述自动驾驶系统进行测试。

9.根据权利要求8所述的方法，其中，基于所述仿真传感器数据，对所述自动驾驶系统进行测试，包括：

将所述仿真传感器数据输入所述自动驾驶系统，以得到所述自动驾驶系统输出的针对所述主车的车辆控制数据；

基于所述车辆控制数据，更新所述主车在所述仿真场景中的状态信息，所述状态信息指示所述主车在所述仿真场景中的位置信息、姿态信息、以及运动信息中的至少一者；以及

基于所述主车的更新后的状态信息，更新针对所述主车的仿真传感器数据。

10.根据权利要求8所述的方法，其中，所述仿真传感器数据包括仿真车载相机数据。

11.一种自动驾驶系统的测试装置，包括：

获取单元，被配置为获取目标区域的高精度地图数据和道路数据，所述道路数据是在所述目标区域采集的基于视觉的数据；

构建单元，被配置为基于所述高精度地图数据和所述道路数据，构建与所述目标区域对应的仿真场景；以及

测试单元，被配置为利用所述仿真场景，对所述自动驾驶系统进行测试。

12.根据权利要求11所述的装置，其中，所述构建单元包括：

确定子单元，被配置为基于所述高精度地图数据和所述道路数据中的至少一者，确定目标对象；

第一确定子单元，被配置为基于所述高精度地图数据，确定所述目标对象的位置信息；

第二确定子单元，被配置为基于所述道路数据，确定所述目标对象的外观信息；以及

建模子单元，被配置为基于所述目标对象的位置信息和所述外观信息，对所述目标对象进行建模。

13.根据权利要求12所述的装置，其中，所述目标对象包括在所述高精度地图数据中确定的第一对象，其中，所述高精度地图数据包括所述第一对象的位置信息。

14.根据权利要求13所述的装置，其中，所述第一对象包括交通标志和交通标线中的至少一个。

15.根据权利要求14所述的装置，其中，所述第一对象的外观信息指示所述第一对象的磨损程度、材质、以及纹理中的至少一个。

16.根据权利要求12所述的装置，其中，所述第二确定子单元被进一步配置为基于所述道路数据，利用神经网络确定所述目标对象的渲染参数，

其中，所述建模子单元被进一步配置为基于所述目标对象的渲染参数，利用游戏引擎对所述目标对象进行三维渲染建模。

17.根据权利要求12所述的装置，其中，所述目标对象包括在所述道路数据中确定的第二对象，其中，所述第二对象在所述高精度地图数据中未体现，并且所述第二对象的位置信息是基于所述道路数据的采集设备在采集所述道路数据时从所述高精度地图数据获取的定位信息而确定的。

18.根据权利要求11-17中任一项所述的装置，其中，所述测试单元包括：

生成子单元，被配置为生成针对所述仿真场景中的主车的仿真传感器数据；以及

测试子单元，被配置为基于所述仿真传感器数据，对所述自动驾驶系统进行测试。

19.根据权利要求18所述的装置，其中，所述测试子单元包括：

被测单元，被配置为将所述仿真传感器数据输入所述自动驾驶系统，以得到所述自动驾驶系统输出的针对所述主车的车辆控制数据；

第一更新子单元，被配置为基于所述车辆控制数据，更新所述主车在所述仿真场景中的状态信息，所述状态信息指示所述主车在所述仿真场景中的位置信息、姿态信息、以及运动信息中的至少一者；以及

第二更新子单元，被配置为基于所述主车的更新后的状态信息，更新针对所述主车的仿真传感器数据。

20.根据权利要求18所述的装置，其中，所述仿真传感器数据包括仿真车载相机数据。

21.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。

22.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-10中任一项所述的方法。

23.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-10中任一项所述的方法。

Images