CN115393619A - 一种自动驾驶中模拟场景的推荐方法、装置及电子设备 - Google Patents
一种自动驾驶中模拟场景的推荐方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115393619A CN115393619A CN202211084198.7A CN202211084198A CN115393619A CN 115393619 A CN115393619 A CN 115393619A CN 202211084198 A CN202211084198 A CN 202211084198A CN 115393619 A CN115393619 A CN 115393619A
- Authority
- CN
- China
- Prior art keywords
- initial
- candidate
- simulation scene
- simulation
- scene
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种自动驾驶中模拟场景的推荐方法、装置及电子设备,自动驾驶中模拟场景的推荐方法包括:获取针对初始模拟场景进行仿真测试的测试结果,测试结果中包括测试出来的各个测试问题项目;基于各个测试问题项目的标签名称、初始模拟场景中的初始路网数据以及初始模拟场景中的初始环境数据,确定候选模拟场景库中各个候选模拟场景与初始模拟场景之间的目标匹配度;基于各个候选模拟场景分别与初始模拟场景之间的目标匹配度,确定目标模拟场景。本申请可以快速确定出与目标车辆进行后续测试相匹配的目标模拟场景,不仅可以提高检索效率,还可以进一步提高对目标车辆进行仿真模拟测试的测试效果。
Description
技术领域
本申请涉及自动驾驶技术领域,尤其是涉及一种自动驾驶中模拟场景的推荐方法、装置及电子设备。
背景技术
随着汽车自动驾驶行业的飞速发展,对于汽车的自动驾驶技术进行模拟的模拟仿真测试技术已经越来越成熟和完善,模拟仿真测试技术,就是使用被测算法控制被测车辆在指定的地图和场景中行驶并收集过程数据,已达到分析自动驾驶算法可靠性的目的。在模拟仿真测试中,为了减少误差、提高测试结果可靠性,需要使用大量类似但不完全一致的模拟场景来测试目标算法。
但是现有技术中,由于模拟场景的数量过为庞大,因此,作业人员在选择模拟场景时,一般会在已经按照一定的标签进行分类的模拟场景中进行再次选择和检索,但是,同一标签下的模拟场景的数量依旧能非常大,且使用仅在同一标签下的模拟场景对车辆进行仿真模拟,不能够准确度的确定车辆的测试问题,检索效率低,且导致仿真模拟的测试结果精度较低。
发明内容
有鉴于此,本申请的目的在于提供一种自动驾驶中模拟场景的推荐方法、装置及电子设备,可以快速确定出与目标车辆进行后续测试相匹配的目标模拟场景,不仅可以提高检索效率,还可以进一步提高对目标车辆进行仿真模拟测试的测试效果。
本申请实施例提供了一种自动驾驶中模拟场景的推荐方法,所述自动驾驶中模拟场景的推荐方法包括:
获取针对初始模拟场景进行仿真测试的测试结果,所述测试结果中包括测试出来的各个测试问题项目;
基于所述各个测试问题项目的标签名称、所述初始模拟场景中的初始路网数据以及所述初始模拟场景中的初始环境数据,确定候选模拟场景库中各个候选模拟场景与所述初始模拟场景之间的目标匹配度;
基于各个候选模拟场景分别与所述初始模拟场景之间的目标匹配度,从候选模拟场景库中确定目标模拟场景,以利用所述目标模拟场景对目标车辆进行自动驾驶测试。
进一步的,所述基于所述各个测试问题项目的标签名称、所述初始模拟场景中的初始路网数据以及所述初始模拟场景中的初始环境数据,确定候选模拟场景库中各个候选模拟场景与所述初始模拟场景之间的目标匹配度,包括;
基于所述测试问题项目的标签名称,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的标签匹配度;
基于所述初始模拟场景中的所述初始路网数据,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的路网匹配度;
基于所述初始模拟场景中的所述初始环境数据,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的环境匹配度;
基于所述标签匹配度、所述路网匹配度以及所述环境匹配度,确定所述候选模拟场景库中各个候选模拟场景与所述初始模拟场景之间的目标匹配度。
进一步的,所述基于所述测试问题项目的标签名称,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的标签匹配度,包括:
将各个所述测试问题项目对应的所述标签名称与所述候选模拟场景库中每个所述候选模拟场景对应的分类标签进行标签名称匹配,确定每个所述候选模拟场景与全部所述测试问题项目的第一重合度;
根据所述第一重合度,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的标签匹配度。
进一步的,所述基于所述初始模拟场景中的所述初始路网数据,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的路网匹配度,包括:
根据各个测试问题项目在所述初始模拟场景中出现的时间和目标车辆在所述初始模拟场景中的行驶数据,确定所述目标车辆在每个所述测试问题项出现时的初始位置坐标;
根据每个所述初始位置坐标和所述初始模拟场景中的所述初始路网数据,确定所述目标车辆在所述初始路网数据中的每个初始路网坐标;
根据所述初始路网坐标和各个所述测试问题项目,确定所述初始模拟场景对应的初始道路列表;
获取所述候选模拟场景库中每个所述候选模拟场景对应的候选道路列表;
将所述初始道路列表与所述候选模拟场景库中每个所述候选模拟场景对应的所述候选道路列表进行匹配,确定每个候选道路列表与所述初始道路列表的相似度;
根据所述相似度,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的路网匹配度。
进一步的,所述将所述初始道路列表与所述候选模拟场景库中每个所述候选模拟场景对应的所述候选道路列表进行匹配,确定每个候选道路列表与所述初始道路列表的相似度,包括:
将所述初始道路列表和每个所述候选道路列表分别按照预设转化工具进行图像转化,确定初始路网图像和每个候选路网图像;
将每个所述候选路网图像与所述初始路网图像之间的相似度确定为每个候选道路列表与所述初始道路列表的相似度。
进一步的,所述基于所述初始模拟场景中的所述初始环境数据,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的环境匹配度,包括:
将所述初始模拟场景中的所述初始环境数据与所述候选模拟场景库中每个所述候选模拟场景对应的候选环境数据进行环境匹配,确定每个所述候选模拟场景与所述初始模拟场景的第二重合度;
根据所述第二重合度,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的环境匹配度。
进一步的,在所述基于各个候选模拟场景分别与所述初始模拟场景之间的目标匹配度,从候选模拟场景库中确定目标模拟场景之后,所述自动驾驶中模拟场景的推荐方法还包括:
使用所述目标模拟场景进行仿真测试,确定目标车辆的各个目标测试问题项目,以便利用所述目标模拟场景对目标车辆进行针对性测试。
本申请实施例还提供了一种自动驾驶中模拟场景的推荐装置,所述自动驾驶中模拟场景的推荐装置包括:
获取模块,用于获取针对初始模拟场景进行仿真测试的测试结果,所述测试结果中包括测试出来的各个测试问题项目;
第一确定模块,用于基于所述各个测试问题项目的标签名称、所述初始模拟场景中的初始路网数据以及所述初始模拟场景中的初始环境数据,确定候选模拟场景库中各个候选模拟场景与所述初始模拟场景之间的目标匹配度;
第二确定模块,用于基于各个候选模拟场景分别与所述初始模拟场景之间的目标匹配度,从候选模拟场景库中确定目标模拟场景,以利用所述目标模拟场景对目标车辆进行自动驾驶测试。
本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的自动驾驶中模拟场景的推荐方法的步骤。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述的自动驾驶中模拟场景的推荐方法的步骤。
本申请实施例提供的自动驾驶中模拟场景的推荐方法、装置及电子设备,与现有技术中的相比,本申请提供的实施例根据初始模拟场景的仿真测试结果中的测试问题项目的标签名称、述初始模拟场景中的初始路网数据以及初始模拟场景中的初始环境数据这三个因素,确定候选模拟场景库中不同候选模拟场景与初始模拟场景之间的目标匹配度,并根据目标匹配度,有针对性的筛选目标模拟场景,可以快速确定出与目标车辆进行后续测试相匹配的目标模拟场景,不仅可以提高检索效率,还可以进一步提高对目标车辆进行仿真模拟测试的测试效果。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例所提供的一种自动驾驶中模拟场景的推荐方法的流程图之一;
图2示出了本申请实施例所提供的一种自动驾驶中模拟场景的推荐方法的流程图之二;
图3示出了本申请实施例所提供的一种自动驾驶中模拟场景的推荐装置的结构示意图之一;
图4示出了本申请实施例所提供的一种自动驾驶中模拟场景的推荐装置的结构示意图之二;
图5示出了本申请实施例所提供的一种电子设备的结构示意图。
图中:
300-自动驾驶中模拟场景的推荐装置;310-获取模块;320-第一确定模块;330-第二确定模块;340-第三确定模块;500-电子设备;510-处理器;520-存储器;530-总线。
具体实施方式
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,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
首先,对本申请可适用的应用场景进行介绍。本申请可应用于自动驾驶技术领域,经研究发现,由于模拟场景的数量过为庞大,因此,作业人员在选择模拟场景时,一般会在已经按照一定的标签进行分类的模拟场景中进行再次选择和检索,但是,同一标签下的模拟场景的数量依旧能非常大,且使用仅在同一标签下的模拟场景对车辆进行仿真模拟,不能够准确度的确定车辆的测试问题,检索效率低,且导致仿真模拟的测试结果精度较低。
基于此,本申请实施例提供了一种自动驾驶中模拟场景的推荐方法、装置及电子设备,可以快速确定出与目标车辆进行后续测试相匹配的目标模拟场景,不仅可以提高检索效率,还可以进一步提高对目标车辆进行仿真模拟测试的测试效果。
请参阅图1,图1为本申请实施例所提供的一种自动驾驶中模拟场景的推荐方法的流程图之一。所如图1中所示,本申请实施例提供的自动驾驶中模拟场景的推荐方法包括,包括:
S101、获取针对初始模拟场景进行仿真测试的测试结果,所述测试结果中包括测试出来的各个测试问题项目。
该步骤中,在使用本申请提供的自动驾驶中模拟场景的推荐方法进行木钵模拟场景的推荐之前,首先,会根据预设模拟仿真系统对初始模拟场景进行仿真测试的测试结果,确定初始仿真过程中出现的各个测试问题项目。
这里,测试问题项目用于表征目标车辆在初始模拟场景中进行模拟行驶的过程中,该目标车辆出现的不符合交通规则的问题或车辆本身出现的问题。
其中,测试问题项目可具体但不限于为目标车辆的超速驾驶以及闯红灯等一系列扣分的行为问题。
这样,预设模拟仿真系统的仿真结果中还包括目标车辆的运行路线、速度变化、行驶方向变化和加速度变化等。
S102、基于所述各个测试问题项目的标签名称、所述初始模拟场景中的初始路网数据以及所述初始模拟场景中的初始环境数据,确定候选模拟场景库中各个候选模拟场景与所述初始模拟场景之间的目标匹配度。
该步骤中,本申请中还提供有候选模拟场景库,所述候选模拟场景库用于表征存储有大量的候选模拟场景、所述候选模拟场景对应的候选文件以及与所述候选模拟场景相匹配的候选路网数据,因此,在工作人员确定初始模拟场景中各个测试问题项目的标签名称、初始模拟场景中的初始路网数据以及初始模拟场景中的初始环境数据后,将各个测试问题项目的标签名称、初始模拟场景中的初始路网数据以及初始模拟场景中的初始环境数据分别与候选模拟场景库中的每个候选模拟场景中对应的数据信息进行匹配,并根据匹配结果,确定候选模拟场景库中各个候选模拟场景与初始模拟场景之间的目标匹配度。
进一步的,步骤S102包括以下子步骤:
子步骤1021、基于所述测试问题项目的标签名称,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的标签匹配度。
该步骤中,将候选模拟场景库中的各个候选模拟场景与初始模拟场景中的全部测试问题项目进行逐一匹配,确定每个候选模拟场景与初始模拟场景之间标签的重合度,进而确定每个候选模拟场景与初始模拟场景之间的标签匹配度。
所述子步骤1021包括以下子步骤:
子步骤10211、将各个所述测试问题项目对应的所述标签名称与所述候选模拟场景库中每个所述候选模拟场景对应的分类标签进行标签名称匹配,确定每个所述候选模拟场景与全部所述测试问题项目的第一重合度。
该步骤中,将各个测试问题项目对应的所述标签名称与每个所述候选模拟场景对应的分类标签进行标签名称匹配,确定每个候选模拟场景与初始模拟场景中全部测试问题项目的第一重合度,这里,每个候选模拟场景包括至少一个分类标签,即,每个候选模拟场景可以与至少一个测试问题项目的标签名称进行重合。
子步骤10212、根据所述第一重合度,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的标签匹配度。
该步骤中,所述候选模拟场景与全部测试问题项目之间的第一重合度越高,说明候选模拟场景的分类标签与各个测试问题项目的标签名称的重合度越高,统计候选模拟场景中每个候选模拟场景的重合度,并将第一重合度确定为候选模拟场景库中各个候选模拟场景与初始模拟场景之间的标签匹配度。
子步骤1022、基于所述初始模拟场景中的所述初始路网数据,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的路网匹配度。
该步骤中,将初始模拟场景中的初始路网数据与候选模拟场景库中各个候选模拟场景的候选路网数据进行对比,确定各个候选模拟场景与初始模拟场景之间的路网匹配度。
初始模拟场景中的初始路网数据用表征该初始模拟场景中对应的预设地图,以及该预设地图中的道路的概况文件,其中,所述道路的概况文件包括但不限制于道路的名称、道路的分支以及道路的部署情况。
进一步的。子步骤1022包括以下子步骤:
子步骤10221、根据各个测试问题项目在所述初始模拟场景中出现的时间和目标车辆在所述初始模拟场景中的行驶数据,确定所述目标车辆在每个所述测试问题项出现时的初始位置坐标。
该步骤中,首先确定各个测试问题项目在初始模拟场景中出现和发生的时间,并且确定目标车辆在每个测试问题项目出现时的行驶数据,根据所述行驶数据以及各个测试问题项目在初始模拟场景中出现的时间,确定目标车辆在各个测试问题项出现时的初始位置坐标。
这里,行驶数据包括但不限制为目标车辆的行驶速度、目标车辆的行驶加速度以及目标车辆的行驶角度等一系列可以表征该目标车辆在初始模拟场景中行驶状态的数据。
子步骤10222、根据每个所述初始位置坐标和所述初始模拟场景中的所述初始路网数据,确定所述目标车辆在所述初始路网数据中的每个初始路网坐标。
该步骤中,在确定目标车辆在每个测试问题项出现的初始位置坐标后,根据初始模拟场景中的初始路网数据,并结合目标车辆的各个初始位置坐标,确定目标车辆在初始模拟场景的各个初始路网坐标。
这里,目标车辆在初始模拟场景的各个初始路网坐标可以表征为目标车辆在是初始模拟场景的实际运行中,在按照与初始模拟场景对应的初始路网数据进行行驶时,各个测试问题项目对应的各个初始路网坐标。
子步骤10223、根据所述初始路网坐标和各个所述测试问题项目,确定所述初始模拟场景对应的初始道路列表。
该步骤中,将各个测试问题项目对应的各个初始路网坐标作为基准点,从初始路网数据中获取预设范围内(如100米之内)的路网数据,并使用预设元素处理工具对预设范围内的路网数据进行格式转化,确定初始模拟场景对应的初始道路元素,并将全部的初始道路元素进行集合处理,生成初始模拟场景对应的初始道路列表。
这里,预设元素处理工具包括但不限于使用XML格式转换器(xml2json),用于将XML转化到JavaScript的转换器。
子步骤10224、获取所述候选模拟场景库中每个所述候选模拟场景对应的候选道路列表。
该步骤中,使用预设元素处理工具对候选模拟场景库中每个候选模拟场景中的候选路网数据进行格式转化,确定每个候选模拟场景对应的候选道路元素,并将候选道路元素进集合处理,生成每个候选模拟场景对应的初始道候选道路列表。
这里,预设元素处理工具同样包括但不限于使用XML格式转换器(xml2json),用于将XML转化到JavaScript的转换器。
上述中,本申请提供的实施例使用的预设元素处理工具是用于将路网数据转化成结构化数据,而这种数据转化方式除了使用上述本申请提供的XML格式转换器xml2json之前,还可以使用如java、python以及C++等不同的开发语言来实现结构化数据的转化。
子步骤10225、将所述初始道路列表与所述候选模拟场景库中每个所述候选模拟场景对应的所述候选道路列表进行匹配,确定每个候选道路列表与所述初始道路列表的相似度。
该步骤中,将初始道路列表中的每个初始道路元素与候选模拟场景库中每个候选模拟场景对应的候选道路列表中的每个候选道路元素进行相似性对比对比,确定每个候选道路列表与初始道路列表的相似度。
进一步的,所述将所述初始道路列表与所述候选模拟场景库中每个所述候选模拟场景对应的所述候选道路列表进行匹配,确定每个候选道路列表与所述初始道路列表的相似度,包括:
将所述初始道路列表和每个所述候选道路列表分别按照预设转化工具进行图像转化,确定初始路网图像和每个候选路网图像。
这里,使用专业的渲染工具和预设转化工具分别对初始模拟场景对应的初始道路列表和每个候选模拟场景对应的候选道路列表进行图像转化,生成与该初始模拟场景相对应的初始路网图像,以及与各个候选模拟场景相对应的候选路网图像。
其中,预设转化工具包括但不限制于使用高精地图转化工具,如OpenDRIVE;渲染工具包括但不限制于使用可缩放的矢量图形(Scalable Vector Graphics,SVG)。
这样,OpenDRIVE是一种高精地图格式,OpenDRIVE开发起因是VIRES公司在提供驾驶模拟器方案时,发现不同工具的道路数据格式中需要包含逻辑内容是基本一致的,为了方便在不同的驾驶模拟器间进行道路数据的传递,在开发OpenDRIVE格式,并交给自动化及测量系统标准协会(Association for Standardization of Automation and MeasuringSystems,ASAM)后,ASAM组织同样把OpenDRIVE定位为用于仿真测试的地图格式。
SVG是一种开放标准的矢量图形语言。
将每个所述候选路网图像与所述初始路网图像之间的相似度确定为每个候选道路列表与所述初始道路列表的相似度。
这里,通过预设软件库(OpenCV)中的哈希算法,计算每个候选路网图像与初始路网图像之间的差异度进行计算(该算法的输出结果为差异度1到100),若二者之间的相似度满足预设相似度,则确定每个候选路网图像与初始路网图像之间相匹配。
上述中,哈希算法包括但不限制于使用感知哈希算法(perceptual hashalgorithm),且本申请提供的实施例中还可以通过逐个像素遍历比对的方法来实现,计算每个候选路网图像与初始路网图像之间的差异度计算。
这里,本申请提供的实施例通过xml2jsonn数据结构化处理基础、svg图像渲染以及感知哈希算法来实现对路网数据的一致性判定,星相比于传统的模拟仿真,本申请提供的路网数据模拟仿真的准确定更高。
子步骤10226、根据所述相似度,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的路网匹配度。
该步骤中,由于路网数据与模拟场景所述一一对应的关系,因此,在确定了每个候选道路列表与初始道路列表之间的相似度后,可以直接确定候选模拟场景库中各个述候选模拟场景与初始模拟场景之间的路网匹配度。
子步骤1023、基于所述初始模拟场景中的所述初始环境数据,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的环境匹配度。
该步骤中,将初始模拟场景中的初始环境数据与候选模拟场景库中各个候选模拟场景的候选环境数据进行配置的对比,确定候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的环境匹配度。
其中,环境数据包括但不限制为天气数据、温度数据以及湿度数据等环境因素的配置数据。
进一步的。子步骤1023包括以下子步骤:
子步骤10231、将所述初始模拟场景中的所述初始环境数据与所述候选模拟场景库中每个所述候选模拟场景对应的候选环境数据进行环境匹配,确定每个所述候选模拟场景与所述初始模拟场景的第二重合度。
该步骤中,确定初始模拟场景中的初始环境数据中包括的初始环境配置项,将初始环境配置项与候选模拟场景库中每个所述候选模拟场景对应的候选环境数据进行相似度对比,确定每个所述候选模拟场景中候选环境数据与初始环境配置项的重合个数,将重合个数确定为每个候选模拟场景与所述初始模拟场景的第二重合度。
根据所述第二重合度,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的环境匹配度。
该步骤中,每个候选模拟场景与所述初始模拟场景的第二重合度越高,说明每个候选模拟场景与所述初始模拟场景的之间的环境匹配度越高,因此,将第二重合度确定为候选模拟场景库中各个候选模拟场景与所述初始模拟场景之间的环境匹配度。
子步骤1024、基于所述标签匹配度、所述路网匹配度以及所述环境匹配度,确定所述候选模拟场景库中各个候选模拟场景与所述初始模拟场景之间的目标匹配度。
该步骤中,根据标签匹配度、路网匹配度以及环境匹配度,确定候选模拟场景库中各个候选模拟场景与初始模拟场景之间的目标匹配度的计算方式有很多种,其中,本申请提供的实施中选用的是将标签匹配度、路网匹配度以及环境匹配度进行加和或权重加和处理,并将加和结果或权重加和结果确定为各个候选模拟场景与所述初始模拟场景之间的目标匹配度。
S103、基于各个候选模拟场景分别与所述初始模拟场景之间的目标匹配度,从候选模拟场景库中确定目标模拟场景,以利用所述目标模拟场景对目标车辆进行自动驾驶测试。
该步骤中,基于各个候选模拟场景分别与初始模拟场景之间的目标匹配度,从候选模拟场景库中确定目标模拟场景的具体实施方式有很多种,本申请提供的实施例是基于目标匹配度和预设相似度阈值分数,从所述候选模拟场景库中确定目标模拟场景,且确定出来的目标模拟场景可以用于对目标车辆进行自动驾驶测试。
这里,基于目标匹配度和预设相似度阈值分数,从所述候选模拟场景库中确定目标模拟场景,包括:
判断目标匹配度是否大于等于预设相似度阈值分数。
若是,则确定目标匹配度大于等于所述预设相似度阈值分数的候选模拟场景为目标模拟场景。
其中,预设相似度阈值分数可以根据不同的应用场景进行自定义设置。
上述中,在对初始模拟场景进行模拟仿真结束后,将测试结果进行分析,推荐出目标模拟场景,这种递进的测试模式相比于传统的仿真测试方式,准确度更高。
本申请实施例提供的自动驾驶中模拟场景的推荐方法,与现有技术中的相比,本申请提供的实施例根据初始模拟场景的仿真测试结果中的测试问题项目的标签名称、述初始模拟场景中的初始路网数据以及初始模拟场景中的初始环境数据这三个因素,确定候选模拟场景库中不同候选模拟场景与初始模拟场景之间的目标匹配度,并根据目标匹配度,有针对性的筛选目标模拟场景,可以快速确定出与目标车辆进行后续测试相匹配的目标模拟场景,不仅可以提高检索效率,还可以进一步提高对目标车辆进行仿真模拟测试的测试效果。
本申请提供的实施例能够从初始模拟场景的测试结果出发,并结合各个测试问题项目、预设图像转图技术和预设数据转化工具,对候选模拟场景库中的各个候选模拟场景以及对应的候选滤网数据进行深层次的挖掘和分析,确定与初始模拟场景更加匹配的目标模拟场景,显著提高仿真测试的效率和质量。
请参阅图2,图2为本申请实施例所提供的一种自动驾驶中模拟场景的推荐方法的流程图之二。如图2中所示,本申请实施例提供的自动驾驶中模拟场景的推荐方法,包括:
S201、获取针对初始模拟场景进行仿真测试的测试结果,所述测试结果中包括测试出来的各个测试问题项目。
S202、基于所述各个测试问题项目的标签名称、所述初始模拟场景中的初始路网数据以及所述初始模拟场景中的初始环境数据,确定候选模拟场景库中各个候选模拟场景与所述初始模拟场景之间的目标匹配度。
S203、基于各个候选模拟场景分别与所述初始模拟场景之间的目标匹配度,从候选模拟场景库中确定目标模拟场景,以利用所述目标模拟场景对目标车辆进行自动驾驶测试。
S204、使用所述目标模拟场景进行仿真测试,确定目标车辆的各个目标测试问题项目,以便利用所述目标模拟场景对目标车辆进行针对性测试。
该步骤中,在确定目标模拟场景之后,作业人员或工作人员可根据不同的测试问题项目的测试需求,结合不同应用场景以及厂商的生产理念,使用不同类型的目标模拟场景对目标车辆进行有针对性的自动驾驶测试。
下面以一具体实施例说明本申请提供的实施例获取推荐的目标模拟场景的具体方法:
步骤1)、针对初始模拟场景进行仿真测试,确定仿真测试结果以及对应的各个测试问题项目,并将各个测试问题项作为下次测试的测试目标其中,初始模拟场景的仿真测试为循环仿真中的上一次。
步骤2)、用上一步所得的每个测试问题项目的标签名称与候选模拟场景库中每个候选模拟场景的分类标签进行匹配,标签名称重合次数越多,则认为该候选模拟场景的匹配度越高。
步骤3)、根据每个测试问题项目发生的时间,并结合目标车辆运行的速度、角度和加速度变化,确定每个测试问题项目发生时,目标车辆的初始位置坐标。
步骤4)、根据上一步得到每个初始位置坐标和初始模拟场景中的初始路网数据,确定该坐标点在初始路网数据中的每个初始路网坐标。
步骤5)、以上一步的各个测试问题项目对应的各个初始路网坐标作为基准点,从初始路网数据中获取预设范围内(如100米之内)的路网数据,并使用xml2json工具对预设范围内的路网数据进行格式转化,确定初始模拟场景对应的初始道路元素,并将全部的初始道路元素进行集合处理,生成初始模拟场景对应的初始道路列表。
步骤6)、将上一步获取到的始道路列表与候选模拟场景库中每个候选路网数据进行对比的过程如下:
步骤6.1)、将每个候选路网数据使用xml2json工具处理成候选道路列表。
步骤6.2)、将通过分析问题项目得到的初始道路元素与候选路网数据中的候选道路元素进行相似性对比,对比过程如下:
步骤6.21)、使用svg渲染按照OpenDrive标准渲染候选道路元素和初始道路元素,生成初始路网图像和候选路网图像。
步骤6.22)、使用openCV图形库中的perceptual hash algorithm哈希算法对初始路网图像和候选路网图像的差异度进行计算(该算法的输出结果为差异度1到100)。
步骤6.23)、若上一步的比对结果小于20,则认为该候选道路元素所属的候选路网数据与初始路网数据相匹配,因此,确定该候选路网文件对应的候选模拟场景,与上一次测试使用的初始模拟场景匹配。
步骤7)、获取针对初始模拟场景进行仿真测试的初始环境数据中的对天气、温湿度等环境因素的配置。
步骤8)、将上一步得到的初始配置列表与候选模拟场景库中每个候选模拟场景中的候选环境配置项进行对比,每有任一测试问题项目的环境配置相等,则认为该候选模拟场景与上一次测试使用的初始模拟场景匹配。
步骤9)、将各个候选模拟场景的标签匹配度、路网匹配度以及环境匹配度三者进行加总,得到目标匹配度。
步骤10)、将候选模拟场景库中所有的候选模拟场景按照最终目标匹配度的进行降序排序,将前十项推荐给测试人员进行下一步测试。
其中,S201至S203的描述可以参照S101至S103的描述,并且能达到相同的技术效果,对此不做赘述。
可选的,所述基于所述各个测试问题项目的标签名称、所述初始模拟场景中的初始路网数据以及所述初始模拟场景中的初始环境数据,确定候选模拟场景库中各个候选模拟场景与所述初始模拟场景之间的目标匹配度,包括;
基于所述测试问题项目的标签名称,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的标签匹配度。
基于所述初始模拟场景中的所述初始路网数据,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的路网匹配度。
基于所述初始模拟场景中的所述初始环境数据,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的环境匹配度。
基于所述标签匹配度、所述路网匹配度以及所述环境匹配度,确定所述候选模拟场景库中各个候选模拟场景与所述初始模拟场景之间的目标匹配度。
可选的,所述基于所述测试问题项目的标签名称,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的标签匹配度,包括:
将各个所述测试问题项目对应的所述标签名称与所述候选模拟场景库中每个所述候选模拟场景对应的分类标签进行标签名称匹配,确定每个所述候选模拟场景与全部所述测试问题项目的第一重合度。
根据所述第一重合度,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的标签匹配度。
可选的,所述基于所述测试问题项目的标签名称,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的标签匹配度,包括:
将各个所述测试问题项目对应的所述标签名称与所述候选模拟场景库中每个所述候选模拟场景对应的分类标签进行标签名称匹配,确定每个所述候选模拟场景与全部所述测试问题项目的第一重合度。
根据所述第一重合度,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的标签匹配度。
可选的,所述基于所述初始模拟场景中的所述初始路网数据,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的路网匹配度,包括:
根据各个测试问题项目在所述初始模拟场景中出现的时间和目标车辆在所述初始模拟场景中的行驶数据,确定所述目标车辆在每个所述测试问题项出现时的初始位置坐标。
根据每个所述初始位置坐标和所述初始模拟场景中的所述初始路网数据,确定所述目标车辆在所述初始路网数据中的每个初始路网坐标。
根据所述初始路网坐标和各个所述测试问题项目,确定所述初始模拟场景对应的初始道路列表。
获取所述候选模拟场景库中每个所述候选模拟场景对应的候选道路列表。
将所述初始道路列表与所述候选模拟场景库中每个所述候选模拟场景对应的所述候选道路列表进行匹配,确定每个候选道路列表与所述初始道路列表的相似度。
根据所述相似度,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的路网匹配度。
可选的,所述将所述初始道路列表与所述候选模拟场景库中每个所述候选模拟场景对应的所述候选道路列表进行匹配,确定每个候选道路列表与所述初始道路列表的相似度,包括:
将所述初始道路列表和每个所述候选道路列表分别按照预设转化工具进行图像转化,确定初始路网图像和每个候选路网图像。
将每个所述候选路网图像与所述初始路网图像之间的相似度确定为每个候选道路列表与所述初始道路列表的相似度。
可选的,所述基于所述初始模拟场景中的所述初始环境数据,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的环境匹配度,包括:
将所述初始模拟场景中的所述初始环境数据与所述候选模拟场景库中每个所述候选模拟场景对应的候选环境数据进行环境匹配,确定每个所述候选模拟场景与所述初始模拟场景的第二重合度。
根据所述第二重合度,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的环境匹配度。
可选的,在所述基于各个候选模拟场景分别与所述初始模拟场景之间的目标匹配度,从候选模拟场景库中确定目标模拟场景之后,所述自动驾驶中模拟场景的推荐方法还包括:
使用所述目标模拟场景进行仿真测试,确定目标车辆的各个目标测试问题项目,以便利用所述目标模拟场景对目标车辆进行针对性测试。
本申请实施例提供的自动驾驶中模拟场景的推荐方法,与现有技术中的相比,本申请提供的实施例根据初始模拟场景的仿真测试结果中的测试问题项目的标签名称、述初始模拟场景中的初始路网数据以及初始模拟场景中的初始环境数据这三个因素,确定候选模拟场景库中不同候选模拟场景与初始模拟场景之间的目标匹配度,并根据目标匹配度,有针对性的筛选目标模拟场景,可以快速确定出与目标车辆进行后续测试相匹配的目标模拟场景,不仅可以提高检索效率,还可以进一步提高对目标车辆进行仿真模拟测试的测试效果。
本申请提供的实施例能够从初始模拟场景的测试结果出发,并结合各个测试问题项目、预设图像转图技术和预设数据转化工具,对候选模拟场景库中的各个候选模拟场景以及对应的候选滤网数据进行深层次的挖掘和分析,确定与初始模拟场景更加匹配的目标模拟场景,显著提高仿真测试的效率和质量。
请参阅图3、图4,图3为本申请实施例所提供的一种自动驾驶中模拟场景的推荐装置的结构示意图之一,图4为本申请实施例所提供的一种自动驾驶中模拟场景的推荐装置的结构示意图之二。如图3中所示,所述自动驾驶中模拟场景的推荐装置300包括:
获取模块310,用于获取针对初始模拟场景进行仿真测试的测试结果,所述测试结果中包括测试出来的各个测试问题项目。
第一确定模块320,用于基于所述各个测试问题项目的标签名称、所述初始模拟场景中的初始路网数据以及所述初始模拟场景中的初始环境数据,确定候选模拟场景库中各个候选模拟场景与所述初始模拟场景之间的目标匹配度。
可选的,所述第一确定模块320,具体用于:
基于所述测试问题项目的标签名称,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的标签匹配度。
基于所述初始模拟场景中的所述初始路网数据,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的路网匹配度。
基于所述初始模拟场景中的所述初始环境数据,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的环境匹配度。
基于所述标签匹配度、所述路网匹配度以及所述环境匹配度,确定所述候选模拟场景库中各个候选模拟场景与所述初始模拟场景之间的目标匹配度。
第二确定模块330,用于基于各个候选模拟场景分别与所述初始模拟场景之间的目标匹配度,从候选模拟场景库中确定目标模拟场景,以利用所述目标模拟场景对目标车辆进行自动驾驶测试。
可选的,所述基于所述测试问题项目的标签名称,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的标签匹配度,包括:
将各个所述测试问题项目对应的所述标签名称与所述候选模拟场景库中每个所述候选模拟场景对应的分类标签进行标签名称匹配,确定每个所述候选模拟场景与全部所述测试问题项目的第一重合度。
根据所述第一重合度,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的标签匹配度。
可选的,所述基于所述初始模拟场景中的所述初始路网数据,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的路网匹配度,包括:
根据各个测试问题项目在所述初始模拟场景中出现的时间和目标车辆在所述初始模拟场景中的行驶数据,确定所述目标车辆在每个所述测试问题项出现时的初始位置坐标。
根据每个所述初始位置坐标和所述初始模拟场景中的所述初始路网数据,确定所述目标车辆在所述初始路网数据中的每个初始路网坐标。
根据所述初始路网坐标和各个所述测试问题项目,确定所述初始模拟场景对应的初始道路列表。
获取所述候选模拟场景库中每个所述候选模拟场景对应的候选道路列表。
将所述初始道路列表与所述候选模拟场景库中每个所述候选模拟场景对应的所述候选道路列表进行匹配,确定每个候选道路列表与所述初始道路列表的相似度。
根据所述相似度,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的路网匹配度。
可选的,所述将所述初始道路列表与所述候选模拟场景库中每个所述候选模拟场景对应的所述候选道路列表进行匹配,确定每个候选道路列表与所述初始道路列表的相似度,包括:
将所述初始道路列表和每个所述候选道路列表分别按照预设转化工具进行图像转化,确定初始路网图像和每个候选路网图像。
将每个所述候选路网图像与所述初始路网图像之间的相似度确定为每个候选道路列表与所述初始道路列表的相似度。
可选的,所述基于所述初始模拟场景中的所述初始环境数据,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的环境匹配度,包括:
将所述初始模拟场景中的所述初始环境数据与所述候选模拟场景库中每个所述候选模拟场景对应的候选环境数据进行环境匹配,确定每个所述候选模拟场景与所述初始模拟场景的第二重合度。
根据所述第二重合度,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的环境匹配度。
可选的,在所述基于各个候选模拟场景分别与所述初始模拟场景之间的目标匹配度,从候选模拟场景库中确定目标模拟场景之后,所述自动驾驶中模拟场景的推荐方法还包括:
使用所述目标模拟场景进行仿真测试,确定目标车辆的各个目标测试问题项目,以便利用所述目标模拟场景对目标车辆进行针对性测试。
本申请实施例提供的自动驾驶中模拟场景的推荐装置300,与现有技术中相比,本申请提供的实施例根据初始模拟场景的仿真测试结果中的测试问题项目的标签名称、述初始模拟场景中的初始路网数据以及初始模拟场景中的初始环境数据这三个因素,确定候选模拟场景库中不同候选模拟场景与初始模拟场景之间的目标匹配度,并根据目标匹配度,有针对性的筛选目标模拟场景,可以快速确定出与目标车辆进行后续测试相匹配的目标模拟场景,不仅可以提高检索效率,还可以进一步提高对目标车辆进行仿真模拟测试的测试效果。
本申请提供的实施例能够从初始模拟场景的测试结果出发,并结合各个测试问题项目、预设图像转图技术和预设数据转化工具,对候选模拟场景库中的各个候选模拟场景以及对应的候选滤网数据进行深层次的挖掘和分析,确定与初始模拟场景更加匹配的目标模拟场景,显著提高仿真测试的效率和质量。
请参阅图4,图4为本申请实施例所提供的一种自动驾驶中模拟场景的推荐装置的结构示意图之二。如图4中所示,所述自动驾驶中模拟场景的推荐装置300包括:
获取模块310,用于获取针对初始模拟场景进行仿真测试的测试结果,所述测试结果中包括测试出来的各个测试问题项目。
第一确定模块320,用于基于所述各个测试问题项目的标签名称、所述初始模拟场景中的初始路网数据以及所述初始模拟场景中的初始环境数据,确定候选模拟场景库中各个候选模拟场景与所述初始模拟场景之间的目标匹配度。
第二确定模块330,用于基于各个候选模拟场景分别与所述初始模拟场景之间的目标匹配度,从候选模拟场景库中确定目标模拟场景,以利用所述目标模拟场景对目标车辆进行自动驾驶测试。
第三确定模块340,用于使用所述目标模拟场景进行仿真测试,确定目标车辆的各个目标测试问题项目,以便利用所述目标模拟场景对目标车辆进行针对性测试。
本申请实施例提供的自动驾驶中模拟场景的推荐装置300,与现有技术中相比,本申请提供的实施例根据初始模拟场景的仿真测试结果中的测试问题项目的标签名称、述初始模拟场景中的初始路网数据以及初始模拟场景中的初始环境数据这三个因素,确定候选模拟场景库中不同候选模拟场景与初始模拟场景之间的目标匹配度,并根据目标匹配度,有针对性的筛选目标模拟场景,可以快速确定出与目标车辆进行后续测试相匹配的目标模拟场景,不仅可以提高检索效率,还可以进一步提高对目标车辆进行仿真模拟测试的测试效果。
本申请提供的实施例能够从初始模拟场景的测试结果出发,并结合各个测试问题项目、预设图像转图技术和预设数据转化工具,对候选模拟场景库中的各个候选模拟场景以及对应的候选滤网数据进行深层次的挖掘和分析,确定与初始模拟场景更加匹配的目标模拟场景,显著提高仿真测试的效率和质量。
请参阅图5,图5为本申请实施例所提供的一种电子设备的结构示意图。如图5中所示,所述电子设备500包括处理器510、存储器520和总线530。
所述存储器520存储有所述处理器510可执行的机器可读指令,当电子设备500运行时,所述处理器510与所述存储器520之间通过总线530通信,所述机器可读指令被所述处理器510执行时,可以执行如上述图1以及图2所示方法实施例中的自动驾驶中模拟场景的推荐方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时可以执行如上述图1以及图2所示方法实施例中的自动驾驶中模拟场景的推荐方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的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部分可以以软件产品的形式体现出来,该计算机软件产品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)执行本申请各个实施例所述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-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。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种自动驾驶中模拟场景的推荐方法,其特征在于,所述自动驾驶中模拟场景的推荐方法包括:
获取针对初始模拟场景进行仿真测试的测试结果,所述测试结果中包括测试出来的各个测试问题项目;
基于所述各个测试问题项目的标签名称、所述初始模拟场景中的初始路网数据以及所述初始模拟场景中的初始环境数据,确定候选模拟场景库中各个候选模拟场景与所述初始模拟场景之间的目标匹配度;
基于各个候选模拟场景分别与所述初始模拟场景之间的目标匹配度,从候选模拟场景库中确定目标模拟场景,以利用所述目标模拟场景对目标车辆进行自动驾驶测试。
2.根据权利要求1所述的自动驾驶中模拟场景的推荐方法,其特征在于,所述基于所述各个测试问题项目的标签名称、所述初始模拟场景中的初始路网数据以及所述初始模拟场景中的初始环境数据,确定候选模拟场景库中各个候选模拟场景与所述初始模拟场景之间的目标匹配度,包括;
基于所述测试问题项目的标签名称,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的标签匹配度;
基于所述初始模拟场景中的所述初始路网数据,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的路网匹配度;
基于所述初始模拟场景中的所述初始环境数据,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的环境匹配度;
基于所述标签匹配度、所述路网匹配度以及所述环境匹配度,确定所述候选模拟场景库中各个候选模拟场景与所述初始模拟场景之间的目标匹配度。
3.根据权利要求2所述的自动驾驶中模拟场景的推荐方法,其特征在于,所述基于所述测试问题项目的标签名称,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的标签匹配度,包括:
将各个所述测试问题项目对应的所述标签名称与所述候选模拟场景库中每个所述候选模拟场景对应的分类标签进行标签名称匹配,确定每个所述候选模拟场景与全部所述测试问题项目的第一重合度;
根据所述第一重合度,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的标签匹配度。
4.根据权利要求2所述的自动驾驶中模拟场景的推荐方法,其特征在于,所述基于所述初始模拟场景中的所述初始路网数据,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的路网匹配度,包括:
根据各个测试问题项目在所述初始模拟场景中出现的时间和目标车辆在所述初始模拟场景中的行驶数据,确定所述目标车辆在每个所述测试问题项出现时的初始位置坐标;
根据每个所述初始位置坐标和所述初始模拟场景中的所述初始路网数据,确定所述目标车辆在所述初始路网数据中的每个初始路网坐标;
根据所述初始路网坐标和各个所述测试问题项目,确定所述初始模拟场景对应的初始道路列表;
获取所述候选模拟场景库中每个所述候选模拟场景对应的候选道路列表;
将所述初始道路列表与所述候选模拟场景库中每个所述候选模拟场景对应的所述候选道路列表进行匹配,确定每个候选道路列表与所述初始道路列表的相似度;
根据所述相似度,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的路网匹配度。
5.根据权利要求4所述的自动驾驶中模拟场景的推荐方法,其特征在于,所述将所述初始道路列表与所述候选模拟场景库中每个所述候选模拟场景对应的所述候选道路列表进行匹配,确定每个候选道路列表与所述初始道路列表的相似度,包括:
将所述初始道路列表和每个所述候选道路列表分别按照预设转化工具进行图像转化,确定初始路网图像和每个候选路网图像;
将每个所述候选路网图像与所述初始路网图像之间的相似度确定为每个候选道路列表与所述初始道路列表的相似度。
6.根据权利要求2所述的自动驾驶中模拟场景的推荐方法,其特征在于,所述基于所述初始模拟场景中的所述初始环境数据,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的环境匹配度,包括:
将所述初始模拟场景中的所述初始环境数据与所述候选模拟场景库中每个所述候选模拟场景对应的候选环境数据进行环境匹配,确定每个所述候选模拟场景与所述初始模拟场景的第二重合度;
根据所述第二重合度,确定所述候选模拟场景库中各个所述候选模拟场景与所述初始模拟场景之间的环境匹配度。
7.根据权利要求1所述的自动驾驶中模拟场景的推荐方法,其特征在于,在所述基于各个候选模拟场景分别与所述初始模拟场景之间的目标匹配度,从候选模拟场景库中确定目标模拟场景之后,所述自动驾驶中模拟场景的推荐方法还包括:
使用所述目标模拟场景进行仿真测试,确定目标车辆的各个目标测试问题项目,以便利用所述目标模拟场景对目标车辆进行针对性测试。
8.一种自动驾驶中模拟场景的推荐装置,其特征在于,所述自动驾驶中模拟场景的推荐装置包括:
获取模块,用于获取针对初始模拟场景进行仿真测试的测试结果,所述测试结果中包括测试出来的各个测试问题项目;
第一确定模块,用于基于所述各个测试问题项目的标签名称、所述初始模拟场景中的初始路网数据以及所述初始模拟场景中的初始环境数据,确定候选模拟场景库中各个候选模拟场景与所述初始模拟场景之间的目标匹配度;
第二确定模块,用于基于各个候选模拟场景分别与所述初始模拟场景之间的目标匹配度,从候选模拟场景库中确定目标模拟场景,以利用所述目标模拟场景对目标车辆进行自动驾驶测试。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器运行时执行如上述的权利要求1至7任一所述的自动驾驶中模拟场景的推荐方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机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运行时执行如上述的权利要求1至7任一所述的自动驾驶中模拟场景的推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211084198.7A CN115393619A (zh) | 2022-09-06 | 2022-09-06 | 一种自动驾驶中模拟场景的推荐方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211084198.7A CN115393619A (zh) | 2022-09-06 | 2022-09-06 | 一种自动驾驶中模拟场景的推荐方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115393619A true CN115393619A (zh) | 2022-11-25 |
Family
ID=84124621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211084198.7A Pending CN115393619A (zh) | 2022-09-06 | 2022-09-06 | 一种自动驾驶中模拟场景的推荐方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115393619A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116773216A (zh) * | 2023-06-12 | 2023-09-19 | 江苏泽景汽车电子股份有限公司 | 测试方法、装置、系统、存储介质和电子设备 |
CN116773216B (zh) * | 2023-06-12 | 2024-05-31 | 江苏泽景汽车电子股份有限公司 | 测试方法、装置、系统、存储介质和电子设备 |
-
2022
- 2022-09-06 CN CN202211084198.7A patent/CN115393619A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116773216A (zh) * | 2023-06-12 | 2023-09-19 | 江苏泽景汽车电子股份有限公司 | 测试方法、装置、系统、存储介质和电子设备 |
CN116773216B (zh) * | 2023-06-12 | 2024-05-31 | 江苏泽景汽车电子股份有限公司 | 测试方法、装置、系统、存储介质和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113642633B (zh) | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 | |
US10268926B2 (en) | Method and apparatus for processing point cloud data | |
CN111983935B (zh) | 一种性能评测方法和装置 | |
CN110751678A (zh) | 运动目标的检测方法、装置和电子设备 | |
CN112513927A (zh) | 基于卷积神经网络的风力涡轮机叶片缺陷检查 | |
CN110738164A (zh) | 零件异常检测方法、模型训练方法及装置 | |
CN114565548A (zh) | 工业缺陷识别方法、系统、计算设备及存储介质 | |
CN110727816A (zh) | 兴趣点类别确定方法和装置 | |
CN112395430A (zh) | 一种基于知识图谱的电力设备缺陷检索方法及系统 | |
JP6721846B2 (ja) | 教師データ候補抽出プログラム、教師データ候補抽出装置、及び教師データ候補抽出方法 | |
WO2021146906A1 (zh) | 测试场景仿真方法、装置、计算机设备和存储介质 | |
CN115830399A (zh) | 分类模型训练方法、装置、设备、存储介质和程序产品 | |
CN113758492A (zh) | 地图检测方法和装置 | |
CN115393619A (zh) | 一种自动驾驶中模拟场景的推荐方法、装置及电子设备 | |
CN112185114A (zh) | 一种路谱数据的采集方法、装置、电子设备以及存储介质 | |
CN111427977B (zh) | 电子眼数据的处理方法及装置 | |
CN110017998A (zh) | 车辆检测方法、装置和设备 | |
CN110728229A (zh) | 图像处理方法、装置、设备和存储介质 | |
CN113326211B (zh) | 测试用例生成方法及装置 | |
CN115909347A (zh) | 仪表示数识别方法、装置、设备及介质 | |
CN111008140B (zh) | 一种跨平台的ui自动化测试方法及装置 | |
CN114612889A (zh) | 一种仪表信息获取方法、系统、电子设备及存储介质 | |
CN113939711A (zh) | 多边形检索方法 | |
CN111506678A (zh) | 到达点负样本生成方法、装置与设备 | |
CN112257587B (zh) | 目标对象的检测效果评估方法、装置、存储介质及设备 |
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 |