CN115524996A - 模拟仿真场景库的边缘场景补充方法及装置 - Google Patents
模拟仿真场景库的边缘场景补充方法及装置 Download PDFInfo
- Publication number
- CN115524996A CN115524996A CN202211109389.4A CN202211109389A CN115524996A CN 115524996 A CN115524996 A CN 115524996A CN 202211109389 A CN202211109389 A CN 202211109389A CN 115524996 A CN115524996 A CN 115524996A
- Authority
- CN
- China
- Prior art keywords
- scene
- simulation
- edge
- library
- open road
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种模拟仿真场景库的边缘场景补充方法及装置,本发明涉及无人驾驶仿真技术领域,其中包括:获取无人驾驶车辆在开放道路场景下的测试结果数据;基于所述测试结果数据中的各个车辆参数值,判定所述开放道路场景是否为边缘场景;若所述开放道路场景为边缘场景,则将所述边缘场景与模拟仿真场景库中的各个模拟仿真场景进行地理位置匹配,根据匹配结果判定所述模拟仿真场景库中是否存在所述边缘场景对应的模拟仿真场景;若不存在所述边缘场景对应的模拟仿真场景,则构建所述边缘场景对应的模拟仿真场景,并将构建的所述模拟仿真场景添加至所述模拟仿真场景库中。通过应用本申请的技术方案,能够提高模拟仿真场景库对于边缘场景的覆盖度。
Description
技术领域
本发明涉及无人驾驶仿真技术领域,具体而言,涉及一种模拟仿真场景库的边缘场景补充方法及装置。
背景技术
近年来,虽然车辆无人驾驶技术得到了飞速发展,但公众及监管方对其安全性仍存在顾虑,考虑到无人驾驶系统本身的不可解释性及其运行环境的复杂性,需要利用模拟仿真场景库中的模拟仿真场景对无人驾驶车辆进行测试。
目前,模拟仿真场景库中通常包含大量的常规场景。然而,无人驾驶车辆在实际行驶过程中很可能会行驶于危险场景、环境恶劣场景等边缘场景中,而现有的模拟仿真场景库对于这种边缘场景的覆盖度较低,因此不利于测试无人驾驶车辆在一些边缘场景中的安全性能。
发明内容
本发明提供一种模拟仿真场景库的边缘场景补充方法及装置,主要在于能够提高模拟仿真场景库对于边缘场景的覆盖度,从而能够有利于测试无人驾驶车辆在边缘场景中的安全性能。
根据本发明实施例的第一方面,提供一种模拟仿真场景库的边缘场景补充方法,包括:
获取无人驾驶车辆在开放道路场景下的测试结果数据;
基于所述测试结果数据中的各个车辆参数值,判定所述开放道路场景是否为边缘场景;
若所述开放道路场景为边缘场景,则将所述边缘场景与模拟仿真场景库中的各个模拟仿真场景进行地理位置匹配,根据匹配结果判定所述模拟仿真场景库中是否存在所述边缘场景对应的模拟仿真场景;
若不存在所述边缘场景对应的模拟仿真场景,则构建所述边缘场景对应的模拟仿真场景,并将构建的所述模拟仿真场景添加至所述模拟仿真场景库中。
根据本发明实施例的第二方面,提供一种模拟仿真场景库的边缘场景补充装置,包括:
获取单元,用于获取无人驾驶车辆在开放道路场景下的测试结果数据;
判定单元,用于基于所述测试结果数据中的各个车辆参数值,判定所述开放道路场景是否为边缘场景;
匹配单元,用于若所述开放道路场景为边缘场景,则将所述边缘场景与模拟仿真场景库中的各个模拟仿真场景进行地理位置匹配,根据匹配结果判定所述模拟仿真场景库中是否存在所述边缘场景对应的模拟仿真场景;
添加单元,用于若不存在所述边缘场景对应的模拟仿真场景,则构建所述边缘场景对应的模拟仿真场景,并将构建的所述模拟仿真场景添加至所述模拟仿真场景库中。
根据本发明实施例的第三方面,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以下步骤:
获取无人驾驶车辆在开放道路场景下的测试结果数据;
基于所述测试结果数据中的各个车辆参数值,判定所述开放道路场景是否为边缘场景;
若所述开放道路场景为边缘场景,则将所述边缘场景与模拟仿真场景库中的各个模拟仿真场景进行地理位置匹配,根据匹配结果判定所述模拟仿真场景库中是否存在所述边缘场景对应的模拟仿真场景;
若不存在所述边缘场景对应的模拟仿真场景,则构建所述边缘场景对应的模拟仿真场景,并将构建的所述模拟仿真场景添加至所述模拟仿真场景库中。
根据本发明实施例的第四方面,提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
获取无人驾驶车辆在开放道路场景下的测试结果数据;
基于所述测试结果数据中的各个车辆参数值,判定所述开放道路场景是否为边缘场景;
若所述开放道路场景为边缘场景,则将所述边缘场景与模拟仿真场景库中的各个模拟仿真场景进行地理位置匹配,根据匹配结果判定所述模拟仿真场景库中是否存在所述边缘场景对应的模拟仿真场景;
若不存在所述边缘场景对应的模拟仿真场景,则构建所述边缘场景对应的模拟仿真场景,并将构建的所述模拟仿真场景添加至所述模拟仿真场景库中。
本发明实施例的创新点包括:
1、将边缘场景补充至模拟仿真场景库中,提高模拟仿真场景对于边缘场景的覆盖度是本发明实施例的创新点之一。
2、采用场景映射算法,实现开放道路场景与模拟仿真场景之间的精准映射是本发明实施例的创新点之一。
3、基于无人驾驶车辆在开放道路场景下的测试结果数据,精准识别开放道路场景是否为边缘场景,是本发明实施例的创新点之一。
本发明提供的一种模拟仿真场景库的边缘场景补充方法及装置,与现有技术模拟仿真场景库中包含大量常规场景的方式相比,能够获取无人驾驶车辆在开放道路场景下的测试结果数据;并基于所述测试结果数据中的各个车辆参数值,判定所述开放道路场景是否为边缘场景;若所述开放道路场景为边缘场景,则将所述边缘场景与模拟仿真场景库中的各个模拟仿真场景进行地理位置匹配,根据匹配结果判定所述模拟仿真场景库中是否存在所述边缘场景对应的模拟仿真场景;若不存在所述边缘场景对应的模拟仿真场景,则构建所述边缘场景对应的模拟仿真场景,并将构建的所述模拟仿真场景添加至所述模拟仿真场景库中。由此可知,本发明在确定开发道路场景为边缘场景时,通过将边缘场景与模拟仿真场景库中的模拟仿真场景进行映射,能够判定模拟仿真场景库中是否已存在该边缘场景,若不存在,则将该边缘场景补充至模拟仿真场景库中,从而能够提高模拟仿真场景库对于边缘场景的覆盖度,进而能够有利于测试无人驾驶车辆在边缘场景中的安全性能。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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示出了本发明实施例提供的一种模拟仿真场景库的边缘场景补充方法流程示意图;
图2示出了本发明实施例提供的另一种模拟仿真场景库的边缘场景补充方法流程示意图;
图3示出了本发明实施例提供的一种模拟仿真场景库的边缘场景补充装置的结构示意图;
图4示出了本发明实施例提供的另一种模拟仿真场景库的边缘场景补充装置的结构示意图;
图5示出了本发明实施例提供的一种电子设备的实体结构示意图。
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付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。
需要说明的是,本发明实施例及附图中的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
目前,无人驾驶车辆在实际行驶过程中很可能会行驶于危险场景、环境恶劣场景等边缘场景中,而现有的模拟仿真场景库对于这种边缘场景的覆盖度较低,因此不利于测试无人驾驶车辆在一些边缘场景中的安全性能。
为了解决上述问题,本发明实施例提供了一种模拟仿真场景库的边缘场景补充方法,如图1所示,该方法包括:
步骤101、获取无人驾驶车辆在开放道路场景下的测试结果数据。
其中,开放道路场景为真实道路场景,是一种实测场景,测试结果数据中所涉及的各个车辆参数,包括时变参数和非时变参数,时变参数为随时间变化的参数,具体包括车辆横向加速度、车辆纵向加速度等,非时变参数为不随时间变化的参数,具体包括碰撞次数、紧急制动次数、起步溜车距离等。需要说明的是,本发明实施例中测试结果数据所涉及的各个车辆参数并不局限于上述列举的参数,也可以包括其他参数。
本发明实施例主要适用于补充模拟仿真场景库的边缘场景。本发明实施例的执行主体为能够向模拟仿真场景库补充边缘场景的装置或者设备。
为了提高模拟仿真场景库对于边缘场景的覆盖度,本发明实施例会参考一些开放道路场景,即实测场景,如果开放道路场景为边缘场景,且模拟仿真场景库中当前并不存在该边缘场景,则会创建该边缘场景对应的模拟仿真场景,并将其补入至模拟仿真场景库中,从而能够提高模拟仿真场景对于边缘场景的覆盖度。
具体地,无人驾驶车辆在开放道路场景测试的过程中会得到测试结果数据,为了判定该开放道路场景是否为边缘场景,本发明实施例会收集这些测试结果数据。
步骤102、基于所述测试结果数据中的各个车辆参数值,判定所述开放道路场景是否为边缘场景。
其中,边缘场景包括危险场景、恶劣天气场景等,危险场景包括存在急转弯的场景、道路崎岖的场景、高速行驶场景等事故多发场景,恶劣天气场景包括雪天行驶场景、雨天行驶场景等。
对于本发明实施例,可以根据测试结果数据的各个车辆参数值,判定无人驾驶车辆在开放道路场景测试的过程中是否发生交通事故,如果无人驾驶车辆发生了交通事故,则确定该开放道路场景为边缘场景;如果无人驾驶车辆未发生交通事故,则可以采用神经网络算法进一步判定该开放道路场景是否为边缘场景,或者根据测试结果数据中各个车辆参数值的大小,进一步判定该开放道路场景是否为边缘场景。
步骤103、若所述开放道路场景为边缘场景,则将所述边缘场景与模拟仿真场景库中的各个模拟仿真场景进行地理位置匹配,根据匹配结果判定所述模拟仿真场景库中是否存在所述边缘场景对应的模拟仿真场景。
其中,模拟仿真场景库中不同的模拟仿真场景对应不同的真实场景。对于本发明实施例,如果判定开放道路场景为边缘场景,则需要进一步判定模拟仿真场景库中是否已经存在该边缘场景对应的模拟仿真场景,如果已经存在,则不需要构建该边缘场景对应的模拟仿真场景;如果不存在,构建该边缘场景对应的模拟仿真场景,并将其补充至模拟仿真场景库中,即执行步骤104。
进一步地,在判定模拟仿真场景库中是否存在该边缘场景对应的模拟仿真场景时,可以将开放道路场景(边缘场景)与模拟仿真场景库中的各个模拟仿真场景进行地理位置匹配,如果存在与该开放道路场景(边缘场景)地理位置相匹配的模拟仿真场景,则说明模拟仿真场景库中已经存在该边缘场景对应的模拟仿真场景;如果不存在与该开放道路场景(边缘场景)地理位置相匹配的模拟仿真场景,则说明模拟仿真场景库中不存在该边缘场景对应的模拟仿真场景。
步骤104、若不存在所述边缘场景对应的模拟仿真场景,则构建所述边缘场景对应的模拟仿真场景,并将构建的所述模拟仿真场景添加至所述模拟仿真场景库中。
对于本发明实施例,如果模拟仿真场景库中不存在该边缘场景对应的模拟仿真场景,则经过人工审核后,模拟该边缘场景对应的模拟仿真场景,并将其补充至预设仿真场景库中,从而能够提高模拟仿真场景对于边缘场景的覆盖度。
本发明实施例提供的一种模拟仿真场景库的边缘场景补充方法,与现有技术模拟仿真场景库中包含大量常规场景的方式相比,本发明实施例在确定开发道路场景为边缘场景时,通过将边缘场景与模拟仿真场景库中的模拟仿真场景进行映射,能够判定模拟仿真场景库中是否已存在该边缘场景,若不存在,则将该边缘场景补充至模拟仿真场景库中,从而能够提高模拟仿真场景库对于边缘场景的覆盖度,进而能够有利于测试无人驾驶车辆在边缘场景中的安全性能。
进一步的,为了更好的说明上述补充边缘场景的过程,作为对上述实施例的细化和扩展,本发明实施例提供了另一种模拟仿真场景库的边缘场景补充方法,如图2所示,所述方法包括:
步骤201、获取无人驾驶车辆在开放道路场景下的测试结果数据。
对于本发明实施例,无人驾驶车辆在开放道路场景测试的过程中会得到测试结果数据,为了判定该开放道路场景是否为边缘场景,本发明实施例会收集这些测试结果数据。
步骤202、根据所述测试结果数据中的各个车辆参数值,判定所述无人驾驶车辆在所述开放道路场景下测试的过程中是否发生交通事故。
对于本发明实施例,可以根据测试结果数据中的碰撞次数、或者紧急制动次数、起步溜车距离等,判定无人驾驶车辆在开放道路场景测试的过程中是否发生交通事故。例如,当测试结果数据中的碰撞次数不为0时,则确定无人驾驶车辆在开放道路场景测试的过程中发生交通事故。
步骤203、若所述无人驾驶车辆在测试过程中发生交通事故,则确定所述开放道路场景为所述边缘场景。
对于本发明实施例,如果确定无人驾驶车辆在开放道路场景测试的过程中发生了交通事故,如发生碰撞,则确定该开放道路场景为边缘场景。
步骤204、若所述无人驾驶车辆在测试过程中未发生交通事故,则将所述测试结果数据中的各个车辆参数值输入至预设神经网络模型中进行分类,根据分类结果判定所述开放道路场景是否为边缘场景。
其中,所述预设神经网络模型为预设多层感知器,所述预设多层感知器表征有开放道路场景下的测试结果数据与开放道路场景所属类别之间的映射关系,开放道路场景所属类别包括开放道路场景是边缘场景,以及开放道路场景不是边缘场景。
对于本发明实施例,为了提高边缘场景的识别精度,如果无人驾驶车辆在开放道路场景测试的过程中未发生交通事故,则可以采用预设神经网络模型进一步识别开放道路场景是否为边缘场景。针对利用预设神经网络模型判定开放道路场景是否为边缘场景的具体过程,作为一种可选实施方式,所述方法包括:将所述测试结果数据中的各个车辆参数值输入至预设多层感知器中进行分类,得到所述开放道路场景为边缘场景的第一概率值,以及所述开放道路场景不为边缘场景的第二概率值;当所述第一概率值大于所述第二概率值时,确定所述开放道路场景为所述边缘场景。
具体地,预设多层感知器包括输入层、隐藏层和输出层,首先根据测试结果数据中的各个车辆参数值,确定开放道路场景对应的参数向量,之后将该参数向量通过输入层输入,参数向量经过隐藏层时,隐藏层会提取该参数向量对应的特征向量,输出层依据该特征向量对开放道路场景进行分类,输出开放道路场景为边缘场景的第一概率值,以及开放道路场景不为边缘场景的第二概率值。当第一概率值大于第二概率值时,判定该开放道路场景为边缘场景;当第一概率值小于或者等于第二概率值时,判定该开放道路场景不为边缘场景。由此可以采用神经网络算法判定开放道路场景是否为边缘场景。
进一步地,测试结果数据所涉及的参数可能既包括时变参数,也包括非时变参数,非时变参数的参数值由于是固定值,不随时间变化,因此可以直接确定,而时变参数是一条随时间变化的连续曲线,其参数值并不能直接确定,需要提取时变参数的离散值,并根据该离散值,计算相应的时频域特征值,将计算的时频域特征值作为时变参数的参数值。
基于此,测试结果数据中所涉及的时变参数的参数值确定方法,包括:提取所述测试结果中所涉及的时变参数的多个离散值;根据所述多个离散值,计算所述时变参数的时频域特征值;将所述时频域特征值作为所述时变参数的参数值。
具体地,针对测试结果中所涉及的时变参数,如车辆横向加速度、车辆纵向加速度等,可以每隔预设时间间隔获取相应时间节点的离散值,如在1分钟内,每隔10s获取一次车辆纵向加速度,由此能够得到车辆纵向加速度的6个离散值。进一步地,在获取时变参数的离散值之后,可以根据该离散值,计算时变参数的时频域特征值,具体包括方根幅值、均方根值、峰值、脉冲指标等,并将时变参数的方根幅值、均方根值、峰值、脉冲指标作为参数值参与相应的计算。其中,方根幅值、均方根值、峰值、脉冲指标的具体计算公式如下:
p3=max|x(n)|
其中,P1、P2、P3和P4分别为方根幅值、均方根值、峰值和脉冲指标,x(n)代表获取的时变参数的离散值,N代表离散值的数量,n代表第n个离散值。由此按照上述公式能够得到时变参数的时频域特征值,以便将其作为时变参数的参数值参与相应的计算。
例如,测试结果数据中所涉及的参数包括碰撞次数、紧急制动次数、车辆纵向加速度,由于碰撞次数和紧急制动次数是非时变参数可以直接确定其参数值,而车辆纵向加速度是时变参数,不能直接确定其参数值,需要按照上述方式提取车辆纵向加速度的时频域特征值,并将该时频域特征值作为车辆纵向加速度的参数值参与相应的计算,最终测试结果数据中的各个车辆参数值为(x1,x2,x3,x4,x5,x6),x1和x2分别代表碰撞次数和紧急制动次数,x3、x4、x5和x6分别代表车辆纵向加速度的方根幅值、均方根值、峰值和脉冲指标。在利用预设多层感知器识别开放道路场景是否为边缘场景时,可以将(x1,x2,x3,x4,x5,x6)作为参数向量输入至预设多层感知器中进行分类。
由此可知,通过上述时频域特征值的计算公式,能够确定开放道路场景下的测试结果数据中参与计算的各个车辆参数值,通过该参数值能够精准识别开放道路场景是否为边缘场景,以便将边缘场景补充至模拟仿真场景库,该部分内容是本发明的发明点。
进一步地,在利用预设多层感知器识别开放道路场景是否为边缘场景时,需要预先构建多层感知器。具体地,可以收集大量常规场景和边缘场景的测试结果样本,并对测试结果样本进行标注,例如,如果某测试结果样本对应的测试场景为常规场景,则将其标注为0;如果某测试结果样本对应的测试场景为边缘场景,则将其标注为1,由此能够得到标注后的测试结果样本,并将标注后的测试结果样本作为样本训练集,利用神经网络算法,对该样本训练集进行训练,构建预设多层感知器。
步骤205、若所述无人驾驶车辆在测试过程中未发生交通事故,则判定所述各个车辆参数值是否达到相应的安全限值。
对于本发明实施例,如果无人驾车车辆在开放道路场景测试的过程中未发生交通事故,不仅可以利用预设多层感知器进一步识别开放道路场景识别为边缘场景,还可以根据测试结果数据中各个车辆参数值的大小,判定开放道路场景是否为边缘场景。具体地,可以将测试结果数据中的各个车辆参数值分别与相应的安全限值进行比较,即判定测试结果数据中的各个车辆参数值是否达到相应的安全限值。
需要说明的是,本发明实施例中各个车辆参数的安全限值可以根据实际需要进行设定,本发明对此不做具体限定。
步骤206、若所述各个车辆参数值中的任意一个参数值达到相应的安全限值,则确定所述开放道路场景为所述边缘场景。
例如,紧急制动次数的安全限值为3次,测试结果数据中的紧急制动次数为4次,由于其超过相应的安全限值,因此确定开放道路场景为边缘场景。对于本发明实施例,若各个车辆参数值均未达到相应的安全限制,则确定该开放道路场景不是边缘场景。
步骤207、若所述开放道路场景为边缘场景,则将所述边缘场景与模拟仿真场景库中的各个模拟仿真场景进行地理位置匹配,根据匹配结果判定所述模拟仿真场景库中是否存在所述边缘场景对应的模拟仿真场景。
对于本发明实施例,在确定开放道路场景为边缘场景之后,需要判定模拟仿真场景库中是否已经存在该边缘场景对应的模拟仿真场景,针对该过程,步骤207具体包括:获取所述边缘场景对应的地理位置信息,以及所述模拟仿真场景库中各个模拟仿真场景对应的地理位置信息;根据所述边缘场景对应的地理位置信息,以及所述各个模拟仿真场景对应的地理位置信息,将所述边缘场景与所述各个模拟仿真场景进行地理位置匹配;若存在与所述边缘场景地理位置相匹配的模拟仿真场景,则确定所述模拟仿真场景库中存在所述边缘场景对应的模拟仿真场景;若不存在与所述边缘场景地理位置相匹配的模拟仿真场景,则确定所述模拟仿真场景库中不存在所述边缘场景对应的模拟仿真场景。
其中,地理位置信息具体可以为通过GPS定位得到的经纬度信息,或者通过高精度地图定位得到的坐标信息。
具体地,如果边缘场景的地理位置信息与模拟仿真场景库中某模拟仿真场景的地理位置信息不一致,则确定边缘场景与该模拟仿真场景的地理位置不匹配,若边缘场景与模拟仿真场景库中的所有模拟仿真场景的地理位置均不匹配,则确定模拟仿真场景库中不存在该边缘场景对应的模拟仿真场景;如果边缘场景的地理位置信息与模拟仿真场景库中某模拟仿真场景的地理位置信息一致,则确定边缘场景与该模拟仿真场景的地理位置相匹配,即确定模拟仿真场景库中存在该边缘场景对应的模拟仿真场景。
进一步地,如果模拟仿真场景库中存在与该边缘场景地理位置相匹配的模拟仿真场景,则需要增加边缘场景对应的模拟仿真场景的抽样检测权重和仿真运行次数,以便加大无人驾驶车辆在该场景的仿真测试,提高无人驾驶车辆在边缘场景中的安全性能。基于此,所述方法还包括:若存在唯一与所述边缘场景地理位置相匹配的模拟仿真场景,则直接增加唯一相匹配的模拟仿真场景对应的抽样检测权重和仿真运行次数;若存在至少两个与所述边缘场景地理位置相匹配的模拟仿真场景,则从至少两个相匹配的模拟仿真场景中确定所述边缘场景对应的模拟仿真场景,并增加所述边缘场景对应的模拟仿真场景的抽样检测权重和仿真运行次数。
进一步地,所述从至少两个相匹配的模拟仿真场景中确定所述边缘场景对应的模拟仿真场景,包括:获取所述无人驾驶车辆在所述至少两个相匹配的模拟仿真场景下的测试结果数据;根据所述无人驾驶车辆在所述边缘场景下的测试结果数据,以及在所述至少两个相匹配的模拟仿真场景下的测试结果数据,分别计算所述至少两个相匹配的模拟仿真场景与所述边缘场景之间的余弦相似度;根据所述至少两个相匹配的模拟仿真场景分别对应的余弦相似度,确定最大余弦相似度及其对应的模拟仿真场景;将所述最大余弦相似度对应的模拟仿真场景确定为所述边缘场景对应的模拟仿真场景。
对于本发明实施例,如果存在至少两个与边缘场景地理位置相匹配的模拟仿真场景,则需要根据场景映射算法,精准确定边缘场景唯一对应的模拟仿真场景,以便增加边缘场景唯一对应的模拟仿真场景的抽样检测权重和仿真运行次数。具体地,将同一无人驾驶车辆在至少两个相匹配的模拟仿真场景下进行测试,得到至少两个相匹配的模拟仿真场景下的测试结果数据,之后根据边缘场景下测试结果数据中的各个车辆参数值,以及至少两个相匹配的模拟仿真场景下测试结果数据中的各个车辆参数值,分别计算至少两个相匹配的模拟仿真场景与该边缘场景之间的余弦相似度,余弦相似度的具体计算公式如下:
其中,cos(θ)为至少两个相匹配的模拟仿真场景中任意一个模拟仿真场景与边缘场景之间的余弦相似度,x和y分别为任意一个模拟仿真场景下的测试结果数据和边缘场景下的测试结果数据,xi为任意一个模拟仿真场景下的测试结果数据中的各个车辆参数值,yi为边缘场景下的测试结果数据中的各个车辆参数值,W和V分别为任意一个模拟仿真场景和边缘场景对应的权重向量,具体可以根据专家经验和历史数据优化拟合得出,wi和vi分别为相应的权重分量。由此通过上述公式能够分别计算出至少两个相匹配的模拟仿真场景与边缘场景之间的余弦相似度。
进一步地,由于相似场景的测试结果数据比较接近,因此计算的余弦相似度越大,代表模拟仿真场景与边缘场景越相近;相反计算的余弦相似度越小,代表模拟仿真场景与边缘场景相差较大。由此在确定至少两个相匹配的模拟仿真场景分别与边缘场景之间的余弦相似度之后,可以筛选出最大余弦相似度对应的模拟仿真场景,并将最大余弦相似度对应的模拟仿真场景确定为边缘场景唯一对应的模拟仿真场景。
由此可知,通过上述余弦相似度的计算公式,能够分别计算出至少两个相匹配的模拟仿真场景与该边缘场景之间的余弦相似度,从而根据该余弦相似度能够精准确定边缘场景唯一对应的模拟仿真场景,以便增加边缘场景唯一对应的模拟仿真场景的抽样检测权重和仿真运行次数,该部分内容是本发明的发明点。
步骤208、若不存在所述边缘场景对应的模拟仿真场景,则构建所述边缘场景对应的模拟仿真场景,并将构建的所述模拟仿真场景添加至所述模拟仿真场景库中。
本发明实施例提供的另一种模拟仿真场景库的边缘场景补充方法,与现有技术模拟仿真场景库中包含大量常规场景的方式相比,本发明实施例在确定开发道路场景为边缘场景时,通过将边缘场景与模拟仿真场景库中的模拟仿真场景进行映射,能够判定模拟仿真场景库中是否已存在该边缘场景,若不存在,则将该边缘场景补充至模拟仿真场景库中,从而能够提高模拟仿真场景库对于边缘场景的覆盖度,进而能够有利于测试无人驾驶车辆在边缘场景中的安全性能。
进一步地,作为图1的具体实现,本发明实施例提供了一种模拟仿真场景库的边缘场景补充装置,如图3所示,所述装置包括:获取单元31、判定单元32、匹配单元33和添加单元34。
所述获取单元31,可以用于获取无人驾驶车辆在开放道路场景下的测试结果数据。
所述判定单元32,可以用于基于所述测试结果数据中的各个车辆参数值,判定所述开放道路场景是否为边缘场景。
所述匹配单元33,可以用于若所述开放道路场景为边缘场景,则将所述边缘场景与模拟仿真场景库中的各个模拟仿真场景进行地理位置匹配,根据匹配结果判定所述模拟仿真场景库中是否存在所述边缘场景对应的模拟仿真场景。
所述添加单元34,可以用于若不存在所述边缘场景对应的模拟仿真场景,则构建所述边缘场景对应的模拟仿真场景,并将构建的所述模拟仿真场景添加至所述模拟仿真场景库中。
在具体应用场景中,所述判定单元32,如图4所示,包括:判定模块321、第一确定模块322和分类模块323。
所述判定模块321,可以用于根据所述测试结果数据中的各个车辆参数值,判定所述无人驾驶车辆在所述开放道路场景下测试的过程中是否发生交通事故。
所述第一确定模块322,可以用于若所述无人驾驶车辆在测试过程中发生交通事故,则确定所述开放道路场景为所述边缘场景。
所述分类模块323,可以用于若所述无人驾驶车辆在测试过程中未发生交通事故,则将所述测试结果数据中的各个车辆参数值输入至预设神经网络模型中进行分类,根据分类结果判定所述开放道路场景是否为边缘场景。
进一步地,所述预设神经网络模型为预设多层感知器,所述预设多层感知器表征有开放道路场景下的测试结果数据与开放道路场景所属类别之间的映射关系,所述分类模块323,具体可以用于将所述测试结果数据中的各个车辆参数值输入至预设多层感知器中进行分类,得到所述开放道路场景为边缘场景的第一概率值,以及所述开放道路场景不为边缘场景的第二概率值;当所述第一概率值大于所述第二概率值时,确定所述开放道路场景为所述边缘场景。
在具体应用场景中,所述判定模块321,还可以用于若所述无人驾驶车辆在测试过程中未发生交通事故,则判定所述各个车辆参数值是否达到相应的安全限值。
所述第一确定模块322,还可以用于若所述各个车辆参数值中的任意一个参数值达到相应的安全限值,则确定所述开放道路场景为所述边缘场景。
在具体应用场景中,所述匹配单元33,包括:获取模块331、匹配模块332和第二确定模块333。
所述获取模块331,可以用于获取所述边缘场景对应的地理位置信息,以及所述模拟仿真场景库中各个模拟仿真场景对应的地理位置信息。
所述匹配模块332,可以用于根据所述边缘场景对应的地理位置信息,以及所述各个模拟仿真场景对应的地理位置信息,将所述边缘场景与所述各个模拟仿真场景进行地理位置匹配。
所述第二确定模块333,可以用于若存在与所述边缘场景地理位置相匹配的模拟仿真场景,则确定所述模拟仿真场景库中存在所述边缘场景对应的模拟仿真场景。
所述第二确定模块333,还可以用于若不存在与所述边缘场景地理位置相匹配的模拟仿真场景,则确定所述模拟仿真场景库中不存在所述边缘场景对应的模拟仿真场景。
进一步地,所述匹配单元33,还包括:增加模块334。
所述增加模块334,可以用于若存在唯一与所述边缘场景地理位置相匹配的模拟仿真场景,则直接增加唯一相匹配的模拟仿真场景对应的抽样检测权重和仿真运行次数。
所述第二确定模块333,还可以用于若存在至少两个与所述边缘场景地理位置相匹配的模拟仿真场景,则从至少两个相匹配的模拟仿真场景中确定所述边缘场景对应的模拟仿真场景,并增加所述边缘场景对应的模拟仿真场景的抽样检测权重和仿真运行次数。
进一步地,所述第二确定模块333,具体可以用于获取所述无人驾驶车辆在所述至少两个相匹配的模拟仿真场景下的测试结果数据;根据所述无人驾驶车辆在所述边缘场景下的测试结果数据,以及在所述至少两个相匹配的模拟仿真场景下的测试结果数据,分别计算所述至少两个相匹配的模拟仿真场景与所述边缘场景之间的余弦相似度;根据所述至少两个相匹配的模拟仿真场景分别对应的余弦相似度,确定最大余弦相似度及其对应的模拟仿真场景;将所述最大余弦相似度对应的模拟仿真场景确定为所述边缘场景对应的模拟仿真场景。
需要说明的是,本发明实施例提供的一种模拟仿真场景库的边缘场景补充装置所涉及各功能模块的其他相应描述,可以参考图1所示方法的对应描述,在此不再赘述。
基于上述如图1所示方法,相应的,本发明实施例还提供了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以下步骤:获取无人驾驶车辆在开放道路场景下的测试结果数据;基于所述测试结果数据中的各个车辆参数值,判定所述开放道路场景是否为边缘场景;若所述开放道路场景为边缘场景,则将所述边缘场景与模拟仿真场景库中的各个模拟仿真场景进行地理位置匹配,根据匹配结果判定所述模拟仿真场景库中是否存在所述边缘场景对应的模拟仿真场景;若不存在所述边缘场景对应的模拟仿真场景,则构建所述边缘场景对应的模拟仿真场景,并将构建的所述模拟仿真场景添加至所述模拟仿真场景库中。
基于上述如图1所示方法和如图3所示装置的实施例,本发明实施例还提供了一种电子设备的实体结构图,如图5所示,该电子设备包括:处理器41、存储器42、及存储在存储器42上并可在处理器上运行的计算机程序,其中存储器42和处理器41均设置在总线43上所述处理器41执行所述程序时实现以下步骤:获取无人驾驶车辆在开放道路场景下的测试结果数据;基于所述测试结果数据中的各个车辆参数值,判定所述开放道路场景是否为边缘场景;若所述开放道路场景为边缘场景,则将所述边缘场景与模拟仿真场景库中的各个模拟仿真场景进行地理位置匹配,根据匹配结果判定所述模拟仿真场景库中是否存在所述边缘场景对应的模拟仿真场景;若不存在所述边缘场景对应的模拟仿真场景,则构建所述边缘场景对应的模拟仿真场景,并将构建的所述模拟仿真场景添加至所述模拟仿真场景库中。
本发明实施例在确定开发道路场景为边缘场景时,通过将边缘场景与模拟仿真场景库中的模拟仿真场景进行映射,能够判定模拟仿真场景库中是否已存在该边缘场景,若不存在,则将该边缘场景补充至模拟仿真场景库中,从而能够提高模拟仿真场景库对于边缘场景的覆盖度,进而能够有利于测试无人驾驶车辆在边缘场景中的安全性能。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解:实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (10)
1.一种模拟仿真场景库的边缘场景补充方法,其特征在于,包括:
获取无人驾驶车辆在开放道路场景下的测试结果数据;
基于所述测试结果数据中的各个车辆参数值,判定所述开放道路场景是否为边缘场景;
若所述开放道路场景为边缘场景,则将所述边缘场景与模拟仿真场景库中的各个模拟仿真场景进行地理位置匹配,根据匹配结果判定所述模拟仿真场景库中是否存在所述边缘场景对应的模拟仿真场景;
若不存在所述边缘场景对应的模拟仿真场景,则构建所述边缘场景对应的模拟仿真场景,并将构建的所述模拟仿真场景添加至所述模拟仿真场景库中。
2.根据权利要求1所述的方法,其特征在于,所述基于所述测试结果数据中的各个车辆参数值,判定所述开放道路场景是否为边缘场景,包括:
根据所述测试结果数据中的各个车辆参数值,判定所述无人驾驶车辆在所述开放道路场景下测试的过程中是否发生交通事故;
若所述无人驾驶车辆在测试过程中发生交通事故,则确定所述开放道路场景为所述边缘场景;
若所述无人驾驶车辆在测试过程中未发生交通事故,则将所述测试结果数据中的各个车辆参数值输入至预设神经网络模型中进行分类,根据分类结果判定所述开放道路场景是否为边缘场景。
3.根据权利要求2所述的方法,其特征在于,所述预设神经网络模型为预设多层感知器,所述预设多层感知器表征有开放道路场景下的测试结果数据与开放道路场景所属类别之间的映射关系,所述将所述测试结果数据中的各个车辆参数值输入至预设神经网络模型中进行分类,根据分类结果判定所述开放道路场景是否为边缘场景,包括:
将所述测试结果数据中的各个车辆参数值输入至预设多层感知器中进行分类,得到所述开放道路场景为边缘场景的第一概率值,以及所述开放道路场景不为边缘场景的第二概率值;
当所述第一概率值大于所述第二概率值时,确定所述开放道路场景为所述边缘场景。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
若所述无人驾驶车辆在测试过程中未发生交通事故,则判定所述各个车辆参数值是否达到相应的安全限值;
若所述各个车辆参数值中的任意一个参数值达到相应的安全限值,则确定所述开放道路场景为所述边缘场景。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述将所述边缘场景与模拟仿真场景库中的各个模拟仿真场景进行地理位置匹配,根据匹配结果判定所述模拟仿真场景库中是否存在所述边缘场景对应的模拟仿真场景,包括:
获取所述边缘场景对应的地理位置信息,以及所述模拟仿真场景库中各个模拟仿真场景对应的地理位置信息;
根据所述边缘场景对应的地理位置信息,以及所述各个模拟仿真场景对应的地理位置信息,将所述边缘场景与所述各个模拟仿真场景进行地理位置匹配;
若存在与所述边缘场景地理位置相匹配的模拟仿真场景,则确定所述模拟仿真场景库中存在所述边缘场景对应的模拟仿真场景;
若不存在与所述边缘场景地理位置相匹配的模拟仿真场景,则确定所述模拟仿真场景库中不存在所述边缘场景对应的模拟仿真场景。
6.根据权利要求5所述的方法,其特征在于,在所述确定所述模拟仿真场景库中存在所述边缘场景对应的模拟仿真场景之后,所述方法还包括:
若存在唯一与所述边缘场景地理位置相匹配的模拟仿真场景,则直接增加唯一相匹配的模拟仿真场景对应的抽样检测权重和仿真运行次数;
若存在至少两个与所述边缘场景地理位置相匹配的模拟仿真场景,则从至少两个相匹配的模拟仿真场景中确定所述边缘场景对应的模拟仿真场景,并增加所述边缘场景对应的模拟仿真场景的抽样检测权重和仿真运行次数。
7.根据权利要求6所述的方法,其特征在于,所述从至少两个相匹配的模拟仿真场景中确定所述边缘场景对应的模拟仿真场景,包括:
获取所述无人驾驶车辆在所述至少两个相匹配的模拟仿真场景下的测试结果数据;
根据所述无人驾驶车辆在所述边缘场景下的测试结果数据,以及在所述至少两个相匹配的模拟仿真场景下的测试结果数据,分别计算所述至少两个相匹配的模拟仿真场景与所述边缘场景之间的余弦相似度;
根据所述至少两个相匹配的模拟仿真场景分别对应的余弦相似度,确定最大余弦相似度及其对应的模拟仿真场景;
将所述最大余弦相似度对应的模拟仿真场景确定为所述边缘场景对应的模拟仿真场景。
8.一种模拟仿真场景库的边缘场景补充装置,其特征在于,包括:
获取单元,用于获取无人驾驶车辆在开放道路场景下的测试结果数据;
判定单元,用于基于所述测试结果数据中的各个车辆参数值,判定所述开放道路场景是否为边缘场景;
匹配单元,用于若所述开放道路场景为边缘场景,则将所述边缘场景与模拟仿真场景库中的各个模拟仿真场景进行地理位置匹配,根据匹配结果判定所述模拟仿真场景库中是否存在所述边缘场景对应的模拟仿真场景;
添加单元,用于若不存在所述边缘场景对应的模拟仿真场景,则构建所述边缘场景对应的模拟仿真场景,并将构建的所述模拟仿真场景添加至所述模拟仿真场景库中。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211109389.4A CN115524996B (zh) | 2022-09-13 | 2022-09-13 | 模拟仿真场景库的边缘场景补充方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211109389.4A CN115524996B (zh) | 2022-09-13 | 2022-09-13 | 模拟仿真场景库的边缘场景补充方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115524996A true CN115524996A (zh) | 2022-12-27 |
CN115524996B CN115524996B (zh) | 2023-07-28 |
Family
ID=84698352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211109389.4A Active CN115524996B (zh) | 2022-09-13 | 2022-09-13 | 模拟仿真场景库的边缘场景补充方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115524996B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109835348A (zh) * | 2019-01-25 | 2019-06-04 | 中国汽车技术研究中心有限公司 | 一种道路交通危险场景的筛选方法和装置 |
CN109948217A (zh) * | 2019-03-12 | 2019-06-28 | 中国汽车工程研究院股份有限公司 | 一种基于自然驾驶数据的危险场景库构建方法 |
CN110579216A (zh) * | 2019-09-12 | 2019-12-17 | 百度在线网络技术(北京)有限公司 | 测试场景库构建方法、装置、电子设备和介质 |
CN111489588A (zh) * | 2020-03-30 | 2020-08-04 | 腾讯科技(深圳)有限公司 | 车辆驾驶风险预警方法及装置、设备、存储介质 |
WO2021240528A1 (en) * | 2020-05-27 | 2021-12-02 | Cognata Ltd. | Generating simulated edge-case driving scenarios |
CN113918615A (zh) * | 2021-08-26 | 2022-01-11 | 武汉光庭信息技术股份有限公司 | 一种基于仿真的驾驶经验数据挖掘模型构建方法及系统 |
WO2022037085A1 (zh) * | 2020-08-21 | 2022-02-24 | 华为技术有限公司 | 车辆的仿真测试场景的构建方法和装置 |
CN114428738A (zh) * | 2022-01-24 | 2022-05-03 | 驭势科技(北京)有限公司 | 虚拟测试场景处理方法、管理平台、装置、设备和介质 |
CN114428717A (zh) * | 2021-12-17 | 2022-05-03 | 际络科技(上海)有限公司 | 基于真实数据的自动驾驶测试场景集更新方法和系统 |
CN114694449A (zh) * | 2020-12-25 | 2022-07-01 | 华为技术有限公司 | 一种生成车辆交通场景的方法和装置、训练方法和装置 |
CN114896166A (zh) * | 2022-06-08 | 2022-08-12 | 中国第一汽车股份有限公司 | 场景库构建方法、装置、电子设备及存储介质 |
-
2022
- 2022-09-13 CN CN202211109389.4A patent/CN115524996B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109835348A (zh) * | 2019-01-25 | 2019-06-04 | 中国汽车技术研究中心有限公司 | 一种道路交通危险场景的筛选方法和装置 |
CN109948217A (zh) * | 2019-03-12 | 2019-06-28 | 中国汽车工程研究院股份有限公司 | 一种基于自然驾驶数据的危险场景库构建方法 |
CN110579216A (zh) * | 2019-09-12 | 2019-12-17 | 百度在线网络技术(北京)有限公司 | 测试场景库构建方法、装置、电子设备和介质 |
CN111489588A (zh) * | 2020-03-30 | 2020-08-04 | 腾讯科技(深圳)有限公司 | 车辆驾驶风险预警方法及装置、设备、存储介质 |
WO2021240528A1 (en) * | 2020-05-27 | 2021-12-02 | Cognata Ltd. | Generating simulated edge-case driving scenarios |
WO2022037085A1 (zh) * | 2020-08-21 | 2022-02-24 | 华为技术有限公司 | 车辆的仿真测试场景的构建方法和装置 |
CN114694449A (zh) * | 2020-12-25 | 2022-07-01 | 华为技术有限公司 | 一种生成车辆交通场景的方法和装置、训练方法和装置 |
CN113918615A (zh) * | 2021-08-26 | 2022-01-11 | 武汉光庭信息技术股份有限公司 | 一种基于仿真的驾驶经验数据挖掘模型构建方法及系统 |
CN114428717A (zh) * | 2021-12-17 | 2022-05-03 | 际络科技(上海)有限公司 | 基于真实数据的自动驾驶测试场景集更新方法和系统 |
CN114428738A (zh) * | 2022-01-24 | 2022-05-03 | 驭势科技(北京)有限公司 | 虚拟测试场景处理方法、管理平台、装置、设备和介质 |
CN114896166A (zh) * | 2022-06-08 | 2022-08-12 | 中国第一汽车股份有限公司 | 场景库构建方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115524996B (zh) | 2023-07-28 |
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 | |
JP2020530578A (ja) | 運転行為の採点方法及び装置 | |
Alvarez et al. | Modeling the driving behavior of electric vehicles using smartphones and neural networks | |
Felipe et al. | Energy consumption estimation in electric vehicles considering driving style | |
CN111797526B (zh) | 一种仿真测试场景构建方法及装置 | |
CN109886724B (zh) | 一种鲁棒性的居民出行轨迹识别方法 | |
CN108009463B (zh) | 一种身份识别的方法及装置 | |
CN108229567B (zh) | 驾驶员身份识别方法及装置 | |
CN111435088A (zh) | 一种道路匹配方法、装置、电子设备及存储介质 | |
CN104599002A (zh) | 预测订单价值的方法及设备 | |
CN106956680A (zh) | 一种电动汽车驾驶行为识别分析方法 | |
CN110909907A (zh) | 卡车的油耗预测方法、装置及存储介质 | |
CN115165398A (zh) | 车辆的行驶功能测试方法、装置、计算设备及介质 | |
CN116011110A (zh) | 一种自动驾驶汽车安全性等级评估方法及系统 | |
CN109979194B (zh) | 基于马尔可夫链的重型车辆坡道爬行行为识别方法 | |
US20220383736A1 (en) | Method for estimating coverage of the area of traffic scenarios | |
CN111723835A (zh) | 车辆移动轨迹区分方法、装置和电子设备 | |
CN115524996B (zh) | 模拟仿真场景库的边缘场景补充方法及装置 | |
Ruhhammer et al. | Crowdsourced intersection parameters: A generic approach for extraction and confidence estimation | |
CN114396956A (zh) | 导航方法及装置、计算设备、存储介质和计算机程序产品 | |
CN115956190A (zh) | 用于提供高分辨率数字地图的方法和设备 | |
Rosenzweig et al. | Validation of simulation-based testing: Bypassing domain shift with label-to-image synthesis | |
CN109508749B (zh) | 一种基于深度知识表达的聚类分析系统及方法 | |
CN112614156A (zh) | 一种多目标跟踪网络模型的训练方法、装置及相关设备 | |
CN116776521A (zh) | 仿真测试结果的有效性评估方法及装置 |
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 |