CN115630583B - 仿真车辆行驶状态的生成方法、装置、设备和介质 - Google Patents
仿真车辆行驶状态的生成方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN115630583B CN115630583B CN202211572276.8A CN202211572276A CN115630583B CN 115630583 B CN115630583 B CN 115630583B CN 202211572276 A CN202211572276 A CN 202211572276A CN 115630583 B CN115630583 B CN 115630583B
- Authority
- CN
- China
- Prior art keywords
- simulated
- target
- vehicle
- scene
- parameter
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 108
- 238000004088 simulation Methods 0.000 claims abstract description 203
- 238000009826 distribution Methods 0.000 claims abstract description 176
- 239000013598 vector Substances 0.000 claims description 58
- 238000005070 sampling Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本说明书实施方式提供了一种仿真车辆行驶状态的生成方法、装置、设备和介质。所述方法包括:获取仿真道路和仿真车辆;其中,所述仿真车辆包括目标仿真车辆,仿真道路包括多个仿真车道;根据所述目标仿真车辆在所述仿真道路中的区域,在所述仿真道路中划分出与所述区域邻近的多个关联区域;依照多个关联区域中关联仿真车辆的分布情况,确定所述目标仿真车辆的目标场景类型;其中,一个仿真场景类型对应至少一种分布情况;基于目标场景类型与所述关联仿真车辆的行驶状态之间的关联关系,生成目标仿真车辆的行驶状态。通过考虑多个关联区域中的仿真车辆,来确定目标仿真车辆的行驶状态,可以在一定程度上提高了生成的目标仿真车辆的行驶状态自然性。
Description
技术领域
本说明书中实施方式关于自动驾驶技术领域,具体涉及一种仿真车辆行驶状态的生成方法、装置、设备和介质。
背景技术
随着自动驾驶技术的不断发展,在搭载有自动驾驶技术的车辆进行路测前,通过仿真交通流可以使用较低成本对自动驾驶的车辆进行大规模仿真测试。因此,仿真交通流构建的准确性对于自动驾驶技术的测试十分关键。
目前,仿真交通流的构建过程中,需要对仿真交通流中仿真车辆的行驶状态进行初始化,得到仿真车辆的初始行驶状态,以进一步基于具有初始行驶状态的仿真车辆构建完成仿真交通流。因此,仿真车辆的初始行驶状态生成的准确性,对仿真交通流构建的准确性有着较大的影响。
现有技术中,会采用随机生成的方法对仿真车辆的行驶状态进行初始化。因此,现有技术中存在生成的仿真车辆的初始行驶状态的准确性不高的技术问题。
发明内容
有鉴于此,本说明书多个实施方式致力于提供一种仿真车辆行驶状态的生成方法、装置、设备和介质,以一定程度上提高了仿真车辆行驶状态生成的准确性。
本说明书中多个实施方式提供一种仿真车辆行驶状态的生成方法,所述方法包括:获取仿真道路和仿真车辆;其中,所述仿真车辆包括目标仿真车辆,仿真道路包括多个仿真车道;根据所述目标仿真车辆在所述仿真道路中的区域,在所述仿真道路中划分出与所述区域邻近的多个关联区域;依照所述多个关联区域中关联仿真车辆的分布情况,确定所述目标仿真车辆的目标场景类型,其中,一个场景类型对应至少一种分布情况;基于所述目标场景类型与目标仿真车辆的行驶状态之间的关联关系,生成所述目标仿真车辆的行驶状态。
本说明书实施方式提供了一种仿真车辆行驶状态的生成装置,所述装置包括:获取模块,用于获取仿真道路和仿真车辆;其中,所述仿真车辆包括目标仿真车辆,仿真道路包括多个仿真车道;划分模块,用于根据所述目标仿真车辆在所述仿真道路中的区域,在所述仿真道路中划分出与所述区域邻近的多个关联区域;确定模块,用于依照所述多个关联区域中关联仿真车辆的分布情况,确定所述目标仿真车辆的目标场景类型,其中,一个场景类型对应至少一种分布情况;生成模块,用于基于所述目标场景类型与目标仿真车辆的行驶状态之间的关联关系,生成所述目标仿真车辆的行驶状态。
本说明书的一个实施方式提供了一种仿真交通流的生成方法,包括:获取仿真交通流的场景约束数据;其中,所述场景约束数据用于指示所述仿真交通流的交通环境,至少包括路网类型、车道数、仿真车辆以及目标交通流生成区域;根据所述场景约束数据,构建符合所述交通环境的初级仿真交通流;其中,所述初级仿真交通流包括仿真车辆;使用任一所述的仿真车辆行驶状态的生成方法,生成所述初级仿真交通流中的仿真车辆的行驶状态;基于具有相应的行驶状态的仿真车辆的初级仿真交通流,生成所述仿真交通流。
本说明书的一个实施方式提供了一种仿真交通流的生成装置,包括:获取模块,用于获取仿真交通流的场景约束数据;其中,所述场景约束数据用于指示所述仿真交通流的交通环境,至少包括路网类型、车道数、仿真车辆以及目标交通流生成区域;构建模块,用于根据所述场景约束数据,构建符合所述交通环境的初级仿真交通流;其中,所述初级仿真交通流包括仿真车辆;行驶状态生成模块,用于使用任一所述的仿真车辆行驶状态的生成方法,生成所述初级仿真交通流中的仿真车辆的行驶状态;仿真交通流生成模块,用于基于具有相应的行驶状态的仿真车辆的初级仿真交通流,生成所述仿真交通流。
本说明书的一个实施方式提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时上述实施方式中任一项所述的方法。
说明书的一个实施方式提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述实施方式中任一项所述的方法。
本说明书提供的多个实施方式,通过获取包括多个仿真车道的仿真道路以及仿真车辆,其中,仿真车辆可以包括目标仿真车辆。接着通过目标仿真车辆在仿真道路中的区域,可以在仿真道路中划分出与所述区域邻近的多个关联区域。进一步地,通过多个关联区域中的关联仿真车辆的分布情况,可以确定目标仿真车辆的目标场景类型。基于所述目标场景类型与所述目标仿真车辆的行驶状态之间的关联关系,生成目标仿真车辆的行驶状态,可以实现解决生成的仿真车辆行驶状态的自然性不高的技术问题,在一定程度上提高了目标仿真车辆的行驶状态生成的自然性。
附图说明
图1为本说明书的一个实施方式提供的仿真车辆行驶状态的生成系统的示意图。
图2为本说明书的一个实施方式提供的仿真车辆行驶状态的生成方法的流程示意图。
图3为本说明书的一个实施方式提供的目标仿真车辆的关联区域的示意图。
图4为本说明书的一个实施方式提供的仿真车辆行驶状态参数生成网络的示意图。
图5为本说明书的一个实施方式提供的目标仿真车辆的关联区域的示意图。
图6为本说明书的一个实施方式提供的仿真车辆行驶状态的生成装置的示意图。
图7为本说明书的一个实施方式提供的仿真交通流的生成装置的示意图。
图8为本说明书的一个实施方式提供的计算机设备的示意图。
具体实施方式
概述
在相关技术中,仿真交通流的自然性,即仿真交通流与真实交通流的相似程度是非常重要的指标。仿真交通流的自然性的评估可以包括宏观状态的自然性和微观决策的自然性。其中,宏观状态可以表示交通流中车辆的初始行驶状态。车辆的初始行驶状态需要在一定程度上确保仿真的初始时刻所有车辆的位置、偏角、速度以及与周围一定范围内车辆的相对距离、相对速度符合真实交通场景,这也是后续仿真测试开始后保证交通流模型决策微观自然性的基石。因此,车辆的初始行驶状态的设置对于交通流的仿真的自然性较为重要。
在相关技术中,仿真交通流中车辆的初始状态主要依赖人工主观性来进行行驶状态的随机初始化,并不能考虑到需要生成行驶状态的目标仿真车辆周围区域的关联仿真车辆对目标仿真车辆的行驶状态的影响。这造成了车辆的初始行驶状态的自然性相对不高。所述自然性可以表示与初始行驶状态与真实交通流中车辆的行驶状态之间的相似程度。
因此,有必要提供一种仿真车辆行驶状态的生成方法,可以先获取包括多个仿真车道的仿真道路以及仿真车辆。其中,仿真车辆可以包括目标仿真车辆。通过目标仿真车辆在仿真道路中的区域,可以在仿真道路中划分出与所述区域邻近的多个关联区域。进一步地,通过多个关联区域中的关联仿真车辆的分布情况,可以确定目标仿真车辆的目标场景类型。基于所述目标场景类型与所述目标仿真车辆的行驶状态之间的关联关系,生成目标仿真车辆的行驶状态,可以实现解决生成的仿真车辆行驶状态的自然性不高的技术问题。
系统架构
请参阅图1,本说明书实施方式提供一种仿真车辆行驶状态的生成系统。所述仿真车辆行驶状态的生成系统可以包括客户端和服务器。
所述客户端可以用于为用户提供仿真车辆和仿真道路的图形化展示界面,以及接收用户配置的仿真交通环境的场景约束数据。所述客户端可以是具有网络访问能力的电子设备。具体的,例如,客户端可以是台式电脑、平板电脑、笔记本电脑、智能手机、数字助理、智能可穿戴设备、导购终端、电视机、智能音箱、麦克风等。其中,智能可穿戴设备包括但不限于智能手环、智能手表、智能眼镜、智能头盔、智能项链等。或者,客户端也可以为能够运行于所述电子设备中的软件。
所述服务器可以用于运行所述仿真车辆行驶状态的生成方法以及生成仿真车辆。服务器可以是具有一定运算处理能力的电子设备。其可以具有网络通信模块、处理器和存储器等。当然,所述服务器也可以是指运行于所述电子设备中的软体。所述服务器还可以为分布式服务器,可以是具有多个处理器、存储器、网络通信模块等协同运作的系统。或者,服务器还可以为若干服务器形成的服务器集群。或者,随着科学技术的发展,服务器还可以是能够实现说明书实施方式相应功能的新的技术手段。例如,可以是基于量子计算实现的新形态的“服务器”。
示例的方法
请参阅图2,本说明书的一个实施方式提供一种仿真车辆行驶状态的生成方法。所述方法可以应用于服务器。所述仿真车辆行驶状态的生成方法可以包括以下步骤。
步骤S110:获取仿真道路和仿真车辆;其中,所述仿真车辆包括目标仿真车辆,仿真道路包括多个仿真车道。
在一些情况下,需要生成行驶状态的目标仿真车辆可以位于仿真道路。根据仿真道路中已经生成的至少部分仿真车辆在目标仿真车辆周围的分布情况,可以确定目标仿真车辆的目标场景类型,进一步地根据目标场景类型可以生成目标仿真车辆的行驶状态。因此,在生成仿真车辆的行驶状态之前需要先获取仿真道路和仿真车辆。
在本实施方式中,所述仿真道路可以用于模拟自然交通流中的道路。所述仿真道路可以包括多个仿真车道。其中,一个仿真车道可以用于模拟自然交通流中的一个车道。在一些实施方式中,所述仿真道路可以用于模拟不同类型的道路。例如,所述仿真道路可以用于模拟直线道路。当然,所述仿真道路也可以用于模拟转弯道路或者S型道路等。当然,所述仿真道路也可以对应有描述各项道路参数的道路信息。例如,所述道路信息可以包括道路的位置信息、唯一标识、宽度、相邻车道、限速情况、道路名称以及铺设材料等。根据仿真需求,可以获取不同的道路信息。
在本实施方式中,所述仿真车辆可以用于模拟自然交通流中的车辆。所述仿真车辆可以对应有行驶状态参数。其中,仿真车辆的行驶状态参数可以包括仿真车辆的车速、仿真车辆与左右车道线的垂直距离、仿真车辆的偏角等。当然,所述仿真车辆的行驶状态还可以包括所述仿真车辆与周围仿真车辆之间的相对行驶状态参数。其中,相对行驶状态参数可以包括仿真车辆与周围仿真车辆的相对距离、相对速度和相对位置关系等参数。在一些实施方式中,获取到的所述仿真车辆中部分仿真车辆的行驶状态参数可以已经完成设置。或者,至少部分仿真车辆的行驶状态参数也可以处于未设置的状态。所述仿真车辆可以处于所述仿真道路之中。
在本实施方式中,所述仿真车辆可以包括目标仿真车辆,所述目标仿真车辆可以表示需要生成行驶状态的仿真车辆。
在本实施方式中,可以基于预设规则,可以依次遍历处于仿真道路中的仿真车辆。在每一次遍历过程中,可以将遍历到的当前仿真车辆作为目标仿真车辆,以生成所述目标仿真车辆的行驶状态。在一些实施方式中,生成完所述目标仿真车辆的行驶状态后,也可以在仿真道路中生成新的仿真车辆。进一步地,遍历未生成行驶状态的仿真车辆,至满足仿真交通流的约束条件。
在本实施方式中,获取仿真道路和仿真车辆的方法,可以是根据仿真交通流的构建方法构建出仿真交通流中的至少部分仿真道路和仿真车辆的初始仿真交通数据。当然,包括仿真道路和仿真车辆的初始仿真交通数据可以是预先生成并存储的。相应的,获取仿真道路和仿真车辆的方法,可以是读取预先生成的仿真道路和仿真车辆的初始仿真交通数据。
步骤S120:根据所述目标仿真车辆在所述仿真道路中的区域,在所述仿真道路中划分出与所述区域邻近的多个关联区域。
在一些情况下,自然交通流中,与基准车辆邻近的关联车辆会影响到基准车辆的行驶状态。例如,在基准车辆侧方出现关联车辆时,基准车辆可能会减速或者向远离关联车辆的方向偏离。因此,邻近的关联车辆在仿真车辆的周围的分布情况可以作为仿真车辆行驶状态的影响因素,从而提高仿真车辆行驶状态生成的准确性。具体的,可以根据目标仿真车辆在仿真道路中的区域,来划分出与所述区域邻近的关联区域。根据关联区域中的关联仿真车辆的分布,可以确定目标仿真车辆的行驶场景的目标场景类型。进一步地,生成适于目标场景类型下的仿真车辆的行驶状态参数,以进一步地生成目标仿真车辆的行驶状态。通过考虑多个关联区域中车辆的分布,可以更好地模拟自然交通流,在一定程度上提高了目标仿真车辆的行驶状态生成的准确性。
在本实施方式中,所述目标仿真车辆在所述仿真道路中的区域可以根据预设的划分规则,基于在目标仿真车辆的位置,在仿真道路中划分得到。具体的,例如,所述目标仿真车辆在所述仿真道路中的区域,可以表示处于目标仿真车辆前后指定距离内,且属于目标仿真车辆所在的第一仿真车道的区域。根据道路类型的不同,目标仿真车辆的在所述仿真道路中的区域的形状也可以不同。当然,目标仿真车辆在所述仿真道路中的区域,也可以表示与目标仿真车辆的距离在指定范围的仿真道路区域。在指定范围的仿真道路区域可以是矩形区域也可以是圆形区域。
在本实施方式中,所述多个关联区域可以表示与目标仿真车辆在所述仿真道路中的区域邻近的道路区域。具体的,例如,请参阅图3,目标仿真车辆在仿真道路中的区域可以是以目标仿真车辆所处第一仿真车道的左右车道线作为左右边界,以目标仿真车辆的车头位置作为前方边界以及目标仿真车辆的车头位置后方指定距离作为后方边界所形成的区域304。相应的,所述多个关联区域可以包括处于目标仿真车辆所在区域的前方,且属于第一仿真车道的第一关联区域301,以及处于目标仿真车辆所在区域的侧前方且属于第一仿真车道相邻的第二仿真车道的第二关联区域302,以及处于目标仿真车辆侧方且属于第二仿真车道的第三关联区域303等。当然,所述多个关联区域也可以包括处于目标仿真车辆后方或者侧后方的区域形成的关联区域。在一些实施方式中,与目标仿真车辆所处的区域邻近的区域的面积可能较大。相应的,所述区域中与目标仿真车辆的距离较远的仿真车辆对目标仿真车辆的影响可能较小。因此,根据所述目标仿真车辆在所述仿真道路中的区域,在所述仿真道路中划分出与所述区域邻近的多个关联区域的方法,也可以先确定与目标仿真车辆所处的区域邻近的区域,接着将所述邻近的区间进行划分,划分得到的每个子区域可以作为一个关联区域。
对应不同类型的仿真道路中,所述关联区域的形状也可以不同。例如,关联区域可以是目标仿真车辆所在的第一仿真车辆相邻的第二仿真车道中,以第二仿真车道左右边界作为边界所形成的区域。因此,在第二仿真道路是直线道路的情况,关联区域可以是表示部分直线道路形成的矩形区域。对与弯曲道路,关联区域的形状则可以与弯曲道路的形状相似或相同。因此,本说明书实施方式提供的仿真车辆行驶状态的生成方法,针对不同类型的道路都可以划分出关联区域,适用于不同类型的复杂道路,具有较强的通用性。
在本实施方式中,在所述仿真道路中划分出多个关联区域的方法,可以基于预设的关联区域的划分规则进行划分。所述划分规则可以根据应用需求确定。在一些实施方式中,所述划分规则可以规定在目标仿真车辆所在区域的多个指定方向延伸的仿真道路中,分别划分所述多个关联区域。即所述多个关联区域可以与目标仿真车辆具有预设的相对位置关系。具体的,例如,可以在目标仿真车辆所在区域的前后左右的道路区域中分别划分出四个关联区域。其中,每个关联区域的宽度、长度、形状和面积等参数可以预先配置在划分规则。在一些实施方式中,在所述仿真道路中划分出多个关联区域的方法,也可以先在道路区域中提取出邻接区域。邻接区域可以表示以所述目标仿真车辆的指定位置为圆心,指定长度为半径形成的圆形区域,与所述目标仿真车辆所处的第一仿真车道和与所述第一仿真道路相邻的第二仿真车道的重叠的部分所构成的区域。进一步地,在邻接区域中可以划分出多个关联区域。
步骤S130:依照所述多个关联区域中关联仿真车辆的分布情况,确定所述目标仿真车辆的目标场景类型,其中,一个场景类型对应至少一种分布情况。
在一些情况下,自然交通流中基准车辆周围的关联车辆的分布情况不同,基准车辆的行驶状态参数也会不同。相应的,基准车辆周围的关联车辆的分布情况相似,车辆的行驶状态也会相对趋于相近。因此,在目标仿真车辆行驶状态的生成过程中,依照所述多个关联区域中关联仿真车辆的分布情况,可以确定所述目标仿真车辆的目标场景类型。进一步地,基于所述目标场景类型与所述目标仿真车辆的行驶状态之间的关联关系,可以生成目标仿真车辆的行驶状态。其中,所述关联关系可以通过自然交通流数据中处于不同场景类型的基准车辆的行驶状态参数构建。因此,通过关注目标仿真车辆周围的关联区域中关联仿真车辆的分布情况,可以较好地关注到多个空间维度中的仿真车辆信息,以生成更贴近自然交通场景中车辆的行驶状态,从而可以较好地提高仿真车辆行驶状态生成的准确性。
在本实施方式中,所述关联仿真车辆可以表示处于所述关联区域中的仿真车辆。
在本实施方式中,所述多个关联区域中关联仿真车辆的分布情况可以表示不同关联区域中存在仿真车辆的数量。具体的,例如,目标仿真车辆可以对应有三个关联区域。第一关联区域中包括2辆仿真车辆,且第二关联区域包括1辆仿真车辆,且第三关联区域没有仿真车辆的情形,可以作为一种关联仿真车辆的分布情况。相应的,第一关联区域中包括1辆仿真车辆,且第二关联区域包括2辆仿真车辆,且第三关联区域没有仿真车辆的情形,可以作为另外一种关联仿真车辆的分布情况。
对应所述多个关联区域中关联仿真车辆的不同分布情况,可以分别设置有相应的场景类型。其中,场景类型可以表示目标仿真车辆的行驶环境。针对不同的场景类型,可以构建场景类型与目标仿真车辆的行驶状态之间的关联关系。通过所述关联关系,可以生成处于相应场景类型的目标仿真车辆的行驶状态。
在一些情况下,关联区域中存在的不同数量的关联仿真车辆可以对应不同分布情况。因此,多个关联区域中关联仿真车辆的分布情况的数量可能较多。如果一个分布情况对应一种场景类型,可能会造成预设的场景类型的数量也较多。相应的,构建的场景类型与仿真车辆的行驶状态之间的关联关系的工作量也会更大。由于关联区域与目标仿真车辆邻近,因此,关联区域中包括多辆关联仿真车辆的情况下,对目标仿真车辆的行驶状态的影响最大的只有最靠近目标仿真车辆的关联仿真车辆,且关联区域中具有多个或者一个关联仿真车辆对目标仿真车辆的行驶状态的影响比起关联区域中存在或者不存在关联仿真车辆的对目标仿真车辆的行驶状态较小。因此,可以根据关联区域中是否存在仿真车辆可以确定所述多个关联区域中关联仿真车辆的分布情况所对应的场景类型。
具体的,针对存在关联仿真车辆的关联区域在目标仿真车辆周围的不同分布情况,可以设置有对应的场景类型。例如,目标仿真车辆可以对应有三个关联区域。第一关联区域中包括2辆仿真车辆,且第二关联区域包括1辆仿真车辆,且第三关联区域没有仿真车辆的分布情况中,可以属于一个场景类型。该场景类型可以表示第一关联区域存在车辆,且第二关联区域存在车辆且第三关联区域存在车辆的分布情况。因此,第一关联区域中包括1辆仿真车辆,且第二关联区域包括2辆仿真车辆,且第三关联区域没有仿真车辆的分布情况,与前一种分布情况可以属于同一个场景类型。根据关联区域中是否存在仿真车辆来确定所述多个关联区域中关联仿真车辆的分布情况所对应的场景类型,可以较好地将处于相近的行驶环境的目标仿真车辆划分至同一个场景类型。
因此,依照在仿真道路中划分出的关联区域的数量,可以确定多个场景类型。具体的,例如,关联区域可以分为处于目标仿真车辆前方的第一关联区域和处于目标仿真车辆侧方的第二关联区域。相应的,根据关联区域中是否存在关联仿真车辆可以确定出四种场景类型。即第一关联区域中有关联仿真车辆且第二关联区域中没有关联仿真车辆、第一关联区域中有关联仿真车辆且第二关联区域中有关联仿真车辆、第一关联区域中没有关联仿真车辆且第二关联区域中有关联仿真车辆和第一关联区域中没有关联仿真车辆且第二关联区域中也没有关联仿真车辆四种场景类型。在仿真道路中划分处三个关联区域的情况下,则可以对应有8种场景类型。在一些实施方式中,预设的场景类型数量也可以是8中场景类型中的部分。
依照所述多个关联区域中关联仿真车辆的分布情况,确定所述目标仿真车辆的目标场景类型的方法,可以根据分布情况和预设的场景类型之间的对应关系,确定出目标仿真车辆的场景类型。具体的,根据所述多个关联区域中关联仿真车辆的分布情况,可以确定每个关联区域中关联仿真车辆的数量。接着,根据存在关联仿真车辆的关联区域在目标仿真车辆周围的分布情况,可以在预设的多个场景类型中匹配出与所述分布情况对应的目标场景类型。
步骤S140:基于所述目标场景类型与所述目标仿真车辆的行驶状态之间的关联关系,生成目标仿真车辆的行驶状态。
在一些情况下,对应不同的场景类型,可以通过自然交通流数据中处于相应场景类型的基准车辆的行驶状态参数,构建不同场景类型与所述目标仿真车辆的行驶状态之间的关联关系。当然,也可以通过自然交通流数据中处于相应场景类型的基准车辆的行驶状态参数以及所述基准车辆对应关联区域中的关联车辆的行驶状态参数,构建不同场景类型与所述目标仿真车辆的行驶状态之间的关联关系。根据所述目标场景类型与所述目标仿真车辆的行驶状态之间的关联关系,可以生成目标仿真车辆的行驶状态。其中,基准车辆的行驶状态参数可以是第一行驶状态参数。关联车辆的行驶状态参数可以是第二行驶状态参数。在一些实施方式中,构成所述目标仿真车辆的行驶状态的目标仿真车辆的行驶状态参数可以受到目标场景类型所表示的目标仿真车辆的行驶环境的约束,更符合自然交通场景。
所述关联关系可以用于根据场景类型对应的场景标识,生成目标仿真车辆的行驶状态。
所述行驶状态可以表示仿真车辆在仿真环境里的运行状态。具体的,目标仿真车辆的行驶状态可以根据仿真车辆的自车的行驶状态参数,以及自动驾驶仿真测试系统的运行环境生成。当然,所述行驶状态还可以包括行驶环境的数据或者目标仿真车辆的动态的行驶状态参数序列等信息。所述行驶状态可以通过目标仿真车辆的行驶状态参数,以及预设的自动驾驶仿真测试系统的运行环境生成。在一些实施方式中,所述行驶状态参数也可以表示行驶状态。
在一些实施方式中,所述关联关系可以包括仿真车辆行驶状态参数生成网络表示的映射关系。相应的,基于所述目标场景类型与所述目标仿真车辆的行驶状态之间的关联关系,生成目标仿真车辆的行驶状态的方法,可以基于仿真车辆行驶状态参数生成网络生成。具体的,仿真车辆行驶状态参数生成网络可以包括行驶状态的编码网络、概率分布参数向量和行驶状态的解码网络。相应的,基于仿真车辆行驶状态参数生成网络生成,目标仿真车辆的行驶状态的方法,可以根据目标场景类型对应的场景标识,在概率分布参数向量表示的基准场景参数特征的概率分布中依照概率值采样得到目标基准场景参数特征。进一步地,将所述场景标识和目标基准场景参数特征构建的向量输入行驶状态的解码网络,可以生成目标场景类型的目标场景参数。接着,在目标场景类型的目标场景参数中可以提取出目标仿真车辆的行驶状态参数。最后,目标仿真车辆的行驶状态参数可以生成目标仿真车辆的行驶状态。仿真车辆行驶状态参数生成网络中,表示概率分布参数向量可以是行驶状态的编码网络生成的隐变量。基准场景参数特征的概率分布可以包括多个对应不同概率值的基准场景参数特征。所述基准场景参数特征可以用于输入行驶状态的解码网络以生成的目标场景类型的目标场景参数。
仿真车辆行驶状态参数生成网络可以通过自然交流数据训练得到。即,通过自然交流数据可以确定仿真车辆行驶状态参数生成网络中的行驶状态的编码网络的参数、概率分布参数向量和行驶状态的解码网络的参数。具体的,通过统计自然交通流数据中处于不同场景类型的基准车辆的第一行驶状态参数和所述基准车辆周围的多个关联区域中的关联车辆的第二行驶状态参数可以构建所述仿真车辆行驶状态参数生成网络的输入和目标输出的场景参数。例如,根据所述基准车辆的第一行驶状态参数、所述第一行驶状态参数和所述关联车辆的第二行驶状态参数之间的相对行驶状态参数和相应的场景类型的场景标识,可以构建仿真车辆行驶状态参数生成网络的输入向量。根据所述基准车辆的第一行驶状态参数和所述相对行驶状态参数可以构建所述仿真车辆行驶状态参数生成网络的目标输出向量。行驶状态的编码网络可以根据输入向量生成概率分布参数向量。进一步地,依照所述概率分布参数向量表示的基准场景参数特征的概率分布进行采样,可以得到目标基准场景参数特征。接着,将目标基准场景参数特征输入行驶状态的解码网络,可以得到预测的场景参数。根据预测的场景参数和目标输出的场景参数之间的差异,可以调整仿真车辆行驶状态参数生成网络的参数。在所述差异满足一定条件的情况下,可以得到训练完成的仿真车辆行驶状态参数生成网络。
在一些实施方式中,所述仿真车辆行驶状态参数生成网络可以根据条件变分自编码搭建。所述行驶状态的编码网络可以是条件变分自编器的编码器部分。所述行驶状态的解码网络可以是条件变分自编器的解码器部分。所述概率分布参数向量可以对应条件变分自编器的平均值向量和方差向量。
在一些实施方式中,所述关联关系也可以根据对应不同场景类型的仿真车辆的行驶状态参数的概率分布形成。相应的,基于所述目标场景类型与所述目标仿真车辆的行驶状态之间的关联关系,生成目标仿真车辆的行驶状态的方法,可以在所述目标场景类型对应的概率分布中采样得到目标场景类型对应的目标仿真车辆的行驶状态参数。接着根据目标行驶状态参数,可以生成目标仿真车辆的行驶状态。其中,所述对应不同场景类型的行驶状态参数的概率分布可以通过统计自然交通流数据中处于各个场景类型的基准车辆的第一行驶状态参数构建。当然,所述对应不同场景类型的行驶状态参数的概率分布可以也通过自然交通流数据中处于相应的场景类型的基准车辆的第一行驶状态参数和基准车辆周围的关联区域中的关联车辆的第二行驶状态参数构建。
在一些实施方式中,基于所述目标场景类型与所述目标仿真车辆的行驶状态之间的关联关系,生成目标仿真车辆的行驶状态的步骤,可以包括:获取所述目标场景类型的场景标识;将所述目标场景类型的场景标识输入仿真车辆行驶状态参数生成网络,得到所述目标场景类型对应的目标场景参数,其中,所述仿真车辆行驶状态生成网络是根据不同场景类型下的场景标识以及自然交通流数据中各个场景下基准车辆的行驶状态参数训练得到的;其中,所述目标场景参数包括目标仿真车辆的目标行驶状态参数;基于所述目标场景类型对应的目标场景参数,以及预设的自动驾驶仿真测试系统的运行环境,生成所述目标仿真车辆的行驶状态。
在一些情况下,可以通过仿真车辆行驶状态参数生成网络,可以生成目标场景类型对应的目标场景参数。其中,目标场景参数可以包括目标仿真车辆的目标行驶状态参数。由于所述仿真车辆行驶状态生成网络是根据不同场景类型下的场景标识以及自然交通流数据中基准车辆的行驶状态参数训练得到的,因此,仿真车辆行驶状态参数生成网络可以较好地生成能表征自然交通流中真实车辆的行驶场景的场景参数。
对应不同场景类型,可以设置有相应的场景标识。例如,对应预设的8个场景类型,可以分别通过1至8的数值设置相应的场景标识。当然,也可以通过独热编码等方法,设置对应不用场景类型的场景标识。
在一些实施方式中,仿真车辆行驶状态参数生成网络的可以包括行驶状态的编码网络、概率分布参数向量和行驶状态的解码网络。所述仿真车辆行驶状态参数生成网络可以是通过自编码器构建得到。具体的,例如,所述仿真车辆行驶状态参数生成网络可以是通过变分自编码器构建。对应不同的场景类型,可以训练有相应的变分自编码器。当然,所述仿真车辆行驶状态参数生成网络也可以是通过条件变分自编器构建得到。目标行驶场景对应的场景标识可以作为条件自编码器的条件标签。请参阅图4,行驶状态的编码网络可以对应仿真车辆行驶状态参数生成网络的编码器部分。行驶状态的解码网络可以对应仿真车辆行驶状态参数生成网络的解码器部分。概率分布参数向量可以对应条件变分自编器的平均值向量和方差向量。所述概率分布参数向量可以表示基准场景参数特征的概率分布。所述概率分布参数向量可以表示仿真车辆行驶状态参数生成网络学习到的低维度的隐变量。
获取所述目标场景类型的场景标识的方法,可以是在预设的场景标识中获取目标场景类型对应的场景标识。
将所述目标场景类型的场景标识输入仿真车辆行驶状态参数生成网络,得到所述目标场景类型的目标场景参数的方法,可以是将目标场景类型的场景标识输入仿真车辆行驶状态参数生成网络,可以得到所述目标场景参数。其中,目标场景参数可以包括目标仿真车辆的目标行驶状态参数。在一些实施方式中,使用仿真车辆行驶状态参数生成网络,根据目标场景类型的场景标识可以确定目标场景类型对应的概率分布向量参数,以及概率分布向量参数表示基准场景参数特征的概率分布。进一步的,依照基准场景参数特征的概率分布采样得到目标基准场景参数特征。然后,将目标基准场景参数特征和目标场景类型对应的场景标识输入仿真车辆行驶状态参数生成网络的行驶状态的解码网络,可以得到目标场景参数。
基于所述目标场景类型对应的目标场景参数,以及预设的自动驾驶仿真测试系统的运行环境,生成所述目标仿真车辆的行驶状态的方法,可以先在所述场景参数中提取出目标仿真车辆的目标行驶状态参数。接着根据所述目标行驶状态参数,设置处于自动驾驶仿真测试系统的运行环境中的目标仿真车辆的行驶状态。当然,基于所述目标场景类型对应的目标场景参数,以及预设的自动驾驶仿真测试系统的运行环境,生成所述目标仿真车辆的行驶状态的方法,也可以将目标场景参数包括的目标行驶状态参数作为目标仿真车辆的初始行驶状态参数,接着基于自动驾驶仿真测试系统的运算引擎,结合仿真环境,推算出目标仿真车辆的动态行驶状态参数,以生成所述目标仿真车辆的行驶状态。
在一些实施方式中,所述仿真车辆行驶状态参数生成网络包括行驶状态的编码网络、概率分布参数向量和行驶状态的解码网络,所述方法还包括预训练所述仿真车辆行驶状态参数生成网络步骤包括:获取自然交通流数据中所述基准车辆对应的多种场景类型;提取分别处于所述场景类型下对应的基准场景参数,所述基准场景参数至少包括所述基准车辆的第一行驶状态参数;将所述场景类型的场景标识和所述基准场景参数输入所述行驶状态的编码网络,得到所述概率分布参数向量;其中,所述概率分布参数向量用于表示基准场景参数特征的概率分布;将所述场景类型的场景标识和依照基准场景参数特征的概率分布采样得到的目标基准场景参数特征输入所述行驶状态的解码网络,得到相应场景类型下预测的目标场景参数;根据所述预测的目标场景参数和输入所述行驶状态的编码网络的基准场景参数之间的差异,调整所述行驶状态的编码网络的网络参数、所述概率分布参数向量的向量参数和所述行驶状态的解码网络的网络参数,至所述差异符合预设差异约束条件。
在一些情况下,通过自然交通流数据,对仿真车辆行驶状态参数生成网络进行训练,更好地提高仿真车辆行驶状态参数生成网络生成的包括目标仿真车辆的目标行驶状态参数的准确性。
所述仿真车辆行驶状态参数生成网络可以包括行驶状态的编码网络、概率分布参数向量和行驶状态的解码网络。行驶状态的编码网络的可以包括多个全链接层。行驶状态的编码网络可以接收输入的场景参数和场景标识,编码得到低纬度的隐变量,即所述概率分布参数向量。所述概率分布参数向量可以表示基准场景参数特征的概率分布。所述行驶状态的解码网络也可以包括多个全链接层,可以根据目标基准场景参数特征和场景标识预测目标场景参数。
所述自然交通流数据可以表示真实世界的交通流数据。其中,所述自然交通流数据可以包括道路信息和车辆信息。其中,车辆的信息可以包括车辆的所在的道路、周围车辆的信息以及车辆自身的行驶状态参数等数据。
所述多个场景类型可以是预先设定。不同的场景类型可以表示基准车辆和周围的关联车辆的不同分布情况。具体的,所述场景类型可以表示符合所述基准车辆预设阈值范围内关联区域中的关联车辆中关联车辆的分布情况。具体的,所述场景类型可以根据基准车辆周围的关联区域中关联车辆的分布情况预先设定的。
获取自然交通流数据中所述基准车辆对应的多种场景类型的方法,可以是遍历所述自然交通流数据中车辆。其中,每一次遍历选中的车辆,可以作为所述基准车辆。在一次遍历过程中,可以使用所述根据目标仿真车辆在所述仿真道路中的区域,在所述仿真道路中划分出与所述区域邻近的多个关联区域的方法,适应性在自然交通流数据表示的道路中,划分出与基准车辆所在区域邻近的多个关联区域。关联区域中的车辆可以作为关联车辆。其中,在自然交通流中划分出基准车辆周围的关联区域的划分规则可以和在仿真交通数据中划分出目标仿真车辆周围的关联区域的划分规则保持一致。根据基准车辆周围多个关联区域中关联车辆的分布情况,可以在预设的多个场景类型中可以匹配出基准车辆所对应的场景类型。进一步地可以获取所述场景类型的场景标识。同时,根据基准车辆的第一行驶状态参数和所述基准车辆与关联车联的第二行驶状态参数,可以构建仿真车辆行驶状态参数生成网络的训练样本。其中,第一行驶状态参数可以表示基准车辆自车的行驶参数。第二行驶状态参数可以表示基准车辆周围环境中关联车辆的行驶参数,以及基准车辆与关联车辆之间的相对行驶参数。
在自然交通流数据中进行遍历基准车辆和基准车辆预设阈值范围内关联区域中的关联车辆中关联车辆,可以提取出分别处于所述场景类型下对应的基准场景参数。具体的,在遍历关联车辆的过程中,可以分别提取出关联车辆的第一行驶状态参数,构建自然场景参数。所述基准场景参数可以表示真实交通中车辆的行驶状态。所述自然场景参数可以包括基准车辆的第一行驶状态参数。在一些实施方式中,所述自然场景参数也可以包括基准车辆周围的关联车辆的第二行驶状态参数。
将场景类型对应的场景标识,和相应的场景类型下的场景参数向量化后进行拼接,可以得到行驶状态的编码网络的输入向量。将输入向量输入行驶状态的编码网络可以得到概率分布参数向量。其中,概率分布参数向量可以表示基准场景参数特征的概率分布。所述概率分布参数向量可以表示不同类型的概率分布。例如,所述概率分布的参数向量可以包括平均值向量和方差向量。相应的,概率分布的参数向量可以表征呈现高斯分布的基准场景参数特征。在得到概率分布参数向量后,可以依照所述概率分布参数向量表示的基准场景参数特征的概率分布进行采样,得到目标基准场景参数。接着,将目标基准场景参数特征和场景标识拼接后可以输入行驶状态的解码网络。行驶状态的解码网络可以输出预测的目标场景参数。
其中,所述基准场景参数特征可以用于预测目标场景参数。所述基准场景参数特征可以表示仿真车辆行驶状态参数生成网络学习得到的隐变量。
根据所述预测的目标场景参数和输入的场景参数之间的差异,可以调整所述行驶状态的编码网络的参数、所述概率分布参数向量和所述行驶状态的解码网络的参数,至所述差异符合预设差异约束条件。具体的,可以根据损失函数,计算出预测的目标场景参数和输入行驶状态的编码网络的基准场景参数之间的损失,通过神经网络的反向传播,调整所述行驶状态的编码网络、所述概率分布参数向量和所述行驶状态的解码网络所具有的参数。在损失小于指定阈值的情况下,可以训练完成包括所述行驶状态的编码网络、所述概率分布参数向量和所述行驶状态的解码网络的仿真车辆行驶状态参数生成网络。相应的,根据训练完成的所述仿真车辆行驶状态参数生成网络,可以表征目标场景类型与所述目标仿真车辆的行驶状态之间的关联关系,生成目标仿真车辆的行驶状态。其中,预设差异约束条件可以表示测试样本基于损失函数的损失小于指定阈值,或者损失变化的速率趋于零等约束条件。
在一些实施方式中,所述第一行驶状态参数包括:所述基准车辆的行驶速度、车道位置以及偏角和曲率。
在一些实施方式中,所述基准场景参数还包括基准车辆预设阈值范围内关联区域中的关联车辆分别对应的第二行驶状态参数。
在一些实施方式中,所述第二行驶状态参数还包括基准车辆与符合所述基准车辆预设阈值范围内关联区域中的关联车辆之间的相对速度,以及所述基准车辆与所述关联车辆所在车道中心车道线的横向距离。
在一些情况下,通过基准车辆的第一行驶状态参数和目标关联车辆的第二行驶状态参数构建的行驶状态参数的生成网络可以用于生成目标仿真车辆,以及目标仿真车辆与周围关联区域中的关联仿真车辆的相对行驶状态参数。在目标仿真车辆的目标行驶状态参数确定的情况下,可以较为便捷的根据相对行驶状态参数生成关联仿真车辆的行驶状态参数,以提高仿真车辆行驶状态生成的便捷性和速率。
在一些实施方式中,所述关联关系根据不同场景类型下行驶状态参数的概率分布形成;基于所述目标场景类型与所述目标仿真车辆的行驶状态参数之间的关联关系,生成目标仿真车辆的行驶状态的步骤,可以包括:根据所述目标场景类型,匹配出所述目标场景类型对应的仿真车辆的行驶状态参数的概率分布;其中,所述概率分布具有多个对应不同概率的仿真车辆的速度参数取值和位置参数取值;所述概率分布通过统计自然交通流中的基准车辆在相应的场景类型下的第一行驶状态参数得到;依照所述概率分布中速度参数的取值和位置参数的取值所对应的概率进行采样,得到速度参数的目标取值和位置参数的目标取值;使用所述速度参数的目标取值和所述位置参数的目标取值,生成所述目标仿真车辆的行驶状态。
在一些情况下,所述关联关系可以通过处于相应场景类型的目标仿真车辆的行驶状态参数的概率分布形成。在生成目标仿真车辆的行驶状态的过程中,为了确保生成的目标仿真车辆的行驶状态具有一定的差异性且符合目标场景类型所表示的行驶环境的约束。因此,可以依照所述目标行驶场景对应的仿真车辆的行驶状态的概率分布进行采样,得到目标仿真车辆的行驶状态参数。通过根据自然交通流数据形成的仿真车辆的行驶状态的概率分布生成目标仿真车辆的行驶状态,可以较好地提高目标仿真车辆行驶状态生成的自然性。
所述概率分布可以表示仿真车辆的行驶状态参数取值的概率规律。其中,对应不同场景类型的概率分布,可以表示仿真车辆在相应的场景类型表示的行驶环境中车辆行驶状态参数取值的分布。由于所述概率分布是通过自然交通流数据构建,可以较好地提高生成的仿真车辆行驶状态的真实性。同时,所述概率分布也可以表示真实车辆的行驶状态参数取值的概率规律。
所述概率分布可以包括对应有概率值的行驶状态参数取值。其中,所述行驶状态参数取值可以包括仿真车辆的速度参数取值和位置参数取值。其中,所述仿真车辆的速度参数可以包括所述仿真车辆的行驶速度。在一些实施方式中,所述仿真车辆的速度参数还可以包括所述仿真车辆与周围关联区域中关联车辆的相对行驶速度等参数信息。所述仿真车辆的位置参数可以包括所述仿真车辆在仿真道路中的位置、仿真车辆在当前行驶的车道中与车道线的相对位置等参数信息。在一些实施方式中,所述仿真车辆的位置参数还可以包括所述仿真车辆与周围关联区域中关联车辆的相对位置等参数信息。
所述概率分布可以通过统计自然交通流中的基准车辆在相应的场景类型下的第一行驶状态参数得到。具体的,构建所述概率分布的方法,可以遍历自然交通流数据中的车辆。每一次遍历的车辆可以作为基准车辆。在一次遍历过程中,可以使用所述根据目标仿真车辆在所述仿真道路中的区域,在所述仿真道路中划分出与所述区域邻近的多个关联区域的方法,适应性在自然交通流数据表示的道路中,划分出与基准车辆所在区域邻近的多个关联区域。其中,在自然交通流中划分出基准车辆周围的关联区域的划分规则可以和在仿真交通数据中划分出目标仿真车辆周围的关联区域的划分规则保持一致。根据基准车辆周围多个关联区域中关联车辆的分布情况,确定基准车辆所对应的场景类型。进一步地,提取所述基准车辆的第一行驶状态参数并将该行驶状态参数取值划分至相应的场景类型对应的数据集合。自然交通流数据遍历完成后,对应不同的场景类型,可以得到相对应的收到相应场景类型表示的行驶环境约束的行驶状态参数集合。通过行驶状态参数集合和设定的概率分布类型,可以构建出所述概率分布。其中,所述概率分布类型可以是高斯分布。当然,所述概率分布类型也可以包括对数高斯分布等其他类型的概率分布。在一些实施方式中,所述概率分布还可以包括基准车辆周围关联区域中关联车辆的第二行驶状态参数。
根据所述目标场景类型,匹配出所述目标场景类型对应的仿真车辆的行驶状态参数的概率分布的方法,可以是根据目标场景类型对应的场景标识,匹配到预先设置的对应所述目标场景类型的概率分布。依照所述概率分布中速度参数的取值和位置参数的取值所对应的概率进行采样,得到速度参数的目标取值和位置参数的目标取值的方法,可以是在概率分布中进行随机采样,得到包括速度参数的目标取值和位置参数的目标取值的行驶状态参数取值。进一步的,使用所述速度参数的目标取值和所述位置参数的目标取值,生成所述目标仿真车辆的行驶状态的方法,可以是将概率分布采集到的行驶状态参数取值,设置为目标仿真车辆的目标行驶状态参数,进一步地根据目标仿真车辆的目标行驶状态参数,生成目标仿真车辆的行驶状态。在一些实施方式中,在概率分布中进行采样的方法,也可以是基于一定约束进行采样。
在一些实施方式中,所述多个仿真车道可以包括所述目标仿真车辆行驶的第一仿真车道和与所述第一仿真车道相邻的第二仿真车道;根据所述目标仿真车辆在所述仿真道路中的区域,在所述仿真道路中划分出多个关联区域的步骤,可以包括:将以所述目标仿真车辆的指定位置为圆心,指定长度为半径形成的圆形区域,与所述第一仿真车道和第二仿真车道的重叠的部分,作为所述目标仿真车辆的邻接区域;在所述邻接区域包括的第一仿真车道和第二仿真车道中,分别划分出所述多个关联区域。
在一些情况下,自然交通流中与基准车辆距离近的车辆对基准车辆的行驶状态的影响较大。因此,可以在与目标仿真车辆距离的小于指定阈值的区域内,确定出所述多个关联区域。同样的,与基准车辆处于同一个车道或者相邻车道的车辆,对基准车辆的行驶状态的影响也较大。因此,也可以在目标仿真车辆所处的第一仿真车道和与所述第一仿真车道相邻的第二仿真车道中确定出关联区域。为了更好地提高关联区域中关联仿真车辆与目标仿真车辆之间的相关性,可以将与目标仿真车辆处于指定范围内的仿真道路区域,与所述第一仿真车道和第二仿真车道的重叠的部分,确定为所述目标仿真车辆的邻接区域。进一步的,在邻接区域中划分出所述多个关联区域,可以在一定程度上提高关联区域与目标仿真车辆的相关程度,以通过所述关联区域筛选出对目标仿真车辆的行驶状态影响较大的关联仿真车辆。
所述第一仿真车道可以表示目标仿真车辆所处的仿真车道。所述第二仿真车道可以表示与所述第一仿真车道相邻的仿真车道。在一些实施方式中,所述第二仿真车道可以表示多条与所述第一仿真车道相邻的仿真车道。
所述邻接区域可以表示第一仿真车道和第二仿真车道中与目标仿真车辆的指定位置的距离小于指定阈值的区域。请参阅图5,图5中包括三条仿真车道。其中,处于中间位置的仿真车道可以是目标仿真车辆行驶的第一仿真车道。处于两侧的仿真车道可以作为第二仿真车道。所述邻接区域可以表示以目标仿真车辆的车头为圆心,指定阈值为半径的圆形区域,和第一仿真车道和第二仿真车道所组成的区域的重叠部分。
在所述邻接区域包括的第一仿真车道和第二仿真车道中,分别划分出所述多个关联区域的方法,可以是分别在第一仿真车道和第二仿真车道中划分出关联区域。具体的,例如,请参阅图5,针对第一仿真车道,可以将邻接区域中,处于目标仿真车辆的前方的且属于第一仿真车道的区域划分为第一关联区域501。针对处于第一仿真车道右侧的第二仿真车道,可以邻接区域中处于目标仿真车辆的前方的且属于第一仿真车道右侧的第二仿真车道的区域划分为第二关联区域502。同时,针对处于第一仿真车道右侧的第二仿真车道,还可以将所述邻接区域中,属于第一仿真车道右侧的第二仿真车道且不属于所述第二关联区域的区域确定为第三关联区域503。在一些实施方式中,基于上述的划分方法,还可以在邻接区域中处于第一仿真车道左侧的第二仿真车道中划分出第四关联区域和第五关联区域。
针对不同形状的道路,通过以上方法均可以划分出关联区域,在一定程度上提高了关联区域划分的通用性。例如,在弯曲的仿真道路和直线仿真道路中都可以通过以上方法划分出多个关联区域并确定目标场景类型。进一步地,基于目标场景类型与所述目标仿真车辆的行驶状态之间的关联关系,可以生成目标仿真车辆的行驶状态。从而提高了所述仿真车辆行驶状态的生成方法对于不同类型的道路的适用性。
在一些实施方式中,分别在所述邻接区域包括的仿真道路中,划分出所述多个关联区域的步骤,可以包括:在所述邻接区域中,将位于所述目标仿真车辆行进方向前方,且属于所述第一仿真车道的区域确定为第一关联区域;在所述邻接区域中,将位于所述目标仿真车辆行进方向前方,且属于所述第二仿真车道的区域确定为第二关联区域;在所述邻接区域中,将属于所述第二仿真车道且不属于所述第二关联区域的区域确定为第三关联区域。
在一些情况下,对车辆的行驶状态的影响较大的可能是处于车辆前方、侧前方或者与车辆趋于同一个水平位置的车辆。因此,可以将目标仿真车辆行进方向前方,且属于所述第一仿真车道的区域确定为第一关联区域。在所述邻接区域中,将位于所述目标仿真车辆行进方向前方,且属于所述第二仿真车道的区域确定为第二关联区域。在所述邻接区域中,将属于所述第二仿真车道且不属于所述第二关联区域的区域确定为第三关联区域。通过在可能对车辆的行驶状态的产生较大影响区域中划分出关联区域,可以在一定程度上提高行驶状态生成的准确性。另外,划分出关键但是数量较少的关联区域,也可以对应设置数量较小的场景类型。这在一定程度上能够简化场景类型与仿真车辆的行驶状态的关联关系的构建过程。同时,在场景类型数量较少的情况下,针对同一个场景类型的统计数据的数量也可以较为丰富,可以在一定程度上提高所构建的相应的场景类型与仿真车辆的行驶状态之间的关联关系准确性。
在一些实施方式中,不同场景类型分别对应有预设发生概率;所述预设发生概率用于表征仿真车辆处于相应场景类型的行驶场景的概率;依照所述多个关联区域中关联仿真车辆的分布情况,确定所述目标仿真车辆的目标场景类型的步骤,包括:在所述多个关联区域中确定存在仿真车辆的基准关联区域;根据所述基准关联区域在所述目标仿真车辆周围的分布情况,在多个场景类型中筛选出多个候选场景类型;其中,所述多个候选场景类型表示的存在仿真车辆的关联区域包括所述基准关联区域;基于所述多个候选场景类型对应的预设发生概率,在所述多个候选场景类型中选择目标场景类型;其中,所述预设发生概率通过统计自然交通流数据中车辆处于相应场景类型的次数确定。
在一些情况下,为了生成满足约束条件的仿真交通流,目标仿真车辆的行驶状态的生成过程与仿真车辆的生成过程可以依次进行。例如,目标仿真车辆的行驶状态的生成过程与仿真车辆的生成可以按照仿真车道从左至右,依次在每个仿真车道中生成仿真车辆并设置该仿真车辆的行驶状态。因此,在确定目标仿真车辆的目标场景类型的过程中,可以现基于已经存在仿真车辆的关联区域,确定多个候选场景类型。进一步地根据每个候选场景类型对应的预设发送概率,在多个候选场景类型中选出目标场景类型。
所述基准关联区域可以表示目标仿真车辆的多个关联区域中,已经存在仿真车辆的区域。相应的,基于所述基准关联区域,可以确定多个候选场景类型。其中,所述多个候选场景类型分别表示的存在仿真车辆的关联区域均包括所述基准关联区域。具体的,例如,多个关联区域可以包括第一关联区域、第二关联区域和第三关联区域。目标仿真车辆的前方的第一关联区域已经生成了一辆仿真车辆。相应的,多个候选场景类型可以包括第一关联区域存在仿真车辆且第二关联区域中存在仿真车辆且第三关联区域中存在仿真车辆的场景类型,以及第一关联区域存在仿真车辆且第二关联区域中不存在仿真车辆且第三关联区域中存在仿真车辆的场景类型,以及第一关联区域存在仿真车辆且第二关联区域中不存在仿真车辆且第三关联区域中不存在仿真车辆的场景类型,以及第一关联区域存在仿真车辆且第二关联区域中存在仿真车辆且第三关联区域中不存在仿真车辆的场景类型这四种场景类型。换而言之,所述多个候选场景类型可以是预设的多个场景类型的子集。其中,每个候选行驶场景所对应的仿真车辆在关联区域中的分布都具有一个共性特点,即候选行驶场景表示的存在仿真车辆的关联区域包括所述基准关联区域。
相应的,根据所述基准关联区域在所述目标仿真车辆周围的分布情况,在多个场景类型中筛选出多个候选场景类型的可以是根据多个场景类型中所表示的关联区域中关联车辆的预设分布情况,选择基准关联区域存在关联车辆的场景类型。
所述候选行驶场景对应的预设发生概率可以是统计得到。具体的,可以在通过在自然交通流数据中遍历基准车辆并获取不同场景类型下基准车辆的第一行驶状态参数过程中,统计处于不同场景类型的车辆出现的数量。进一步地,根据自然交通流数据中车辆的总量,和分别处于不同场景类型的车辆的数量,可以计算不同场景类型对应的预设发生概率。
基于所述多个候选场景类型对应的预设发生概率,在所述多个候选场景类型中选择目标场景类型的方法,可以是在多个候选场景类型中,选择预设发生概率最高的候选场景类型,作为目标场景类型。当然,基于所述多个候选场景类型对应的预设发生概率,在所述多个候选场景类型中选择目标场景类型的方法,也可以随机选择预设发生概率大于指定阈值的场景类型,作为目标场景类型。
在一些实施方式中,所述仿真车辆行驶状态的生成方法还可以包括:根据所述目标仿真车辆周围的多个关联区域中仿真车辆的实际分布情况,和目标场景类型所表示的多个关联区域中仿真车辆的预设分布情况之间的差异,在所述多个关联区域中识别出目标关联区域;在所述目标关联区域中,生成仿真车辆。
在一些情况下,为了生成满足约束条件的仿真交通流,目标仿真车辆的行驶状态的生成过程与仿真车辆的生成过程可以依次进行。例如,在生成目标仿真车辆行驶状态的过程中,可以根据基准关联区域和预设发生概率,在候选场景类型中确定目标场景类型。如果目标仿真车辆周围的多个关联区域中关联仿真车辆的实际分布情况,和所述目标场景类型所表示的多个关联区域中仿真车辆的预设分布情况之间不匹配,那么便可以在目标仿真车辆的关联区域中生成仿真车辆,以使得目标仿真车辆周围的关联区域中关联仿真车辆的实际分布情况与目标仿真类型所表示的存在仿真车辆的关联区域相一致。
具体的,例如,多个关联区域可以包括第一关联区域、第二关联区域和第三关联区域。其中,第一关联区域中存在关联仿真车辆,但是第二关联区域和第三关联区域中还未生成关联仿真车辆。因此,候选场景类型可以包括第一关联区域存在关联仿真车辆的多个场景类型。多个候选场景类型中,第一关联区域存在关联仿真车辆,且第二关联区域也存在关联仿真车辆,且第三关联区域不存在关联仿真车辆的场景类型的预设发生概率的取值最大。那么,可以将该场景类型确定为目标场景类型。进一步地,根据所述目标仿真车辆周围的多个关联区域中关联仿真车辆的实际分布情况,和目标场景类型所表示的多个关联区域中仿真车辆的预设分布情况之间的差异,可以根据仿真道路中实际存在关联仿真车辆的关联区域和目标场景类型表示的应该存在仿真车辆的关联区域之间的差异,确定应该生成关联仿真车辆的目标关联区域。即示例中的第二关联区域。因此,可以将所述第二关联区域确定为目标关联区域,进一步地,可以在目标关联区域中生成关联仿真车辆。
在一些实施方式中,目标仿真车辆的行驶状态参数可以包括目标仿真车辆与关联区域中的关联仿真车辆之间的相对位置参数。因此,可以根据目标仿真车辆在仿真道路中的位置和所述相对位置参数,确定关联区域中关联仿真车辆的位置,以在所述位置生成关联仿真车辆。
在一些实施方式中,还可以为目标关联区域中的关联仿真车辆生成行驶状态。在所述目标仿真车辆的行驶状态包括目标仿真车辆的行驶状态参数以及目标仿真车辆与关联区域中关联车辆之间的相对行驶状态参数的情况下,可以根据目标仿真车辆的行驶状态参数和所述相对行驶状态参数生成关联仿真车辆的行驶状态参数,以构建关联仿真车辆的行驶状态。例如,仿真车辆行驶状态参数生成网络可以生成目标仿真车辆的车速和目标仿真车辆与关联仿真车辆的相对车速差值。因此,可以根据所述车速和相对车速差值可以设置关联仿真车辆的行驶状态参数。
在一些实施方式中,目标仿真车辆对应的目标场景类型中,处于仿真车辆前方且属于第一仿真车道的关联区域中可能不存在仿真车辆。此时,可以目标仿真车辆前方的邻接区域之外或者指定距离处生成一个新的仿真车辆,以避免仿真车辆被重复遍历的问题。
本说明实施方式还提供了一种仿真交通流的生成方法。所述方法可以包括:获取仿真交通流的场景约束数据;其中,所述场景约束数据用于指示所述仿真交通流的交通环境;所述场景约束数据至少包括路网类型、车道数、仿真车辆以及目标交通流生成区域;根据所述场景约束数据,构建符合所述交通环境的初级仿真交通流;其中,所述初级仿真交通流包括仿真车辆;使用本说明书实施方式中任一所述的仿真车辆行驶状态的生成方法,生成所述初级仿真交通流中的仿真车辆的行驶状态;基于具有相应的行驶状态的仿真车辆的初级仿真交通流,生成所述仿真交通流。
在一些情况下,生成有行驶状态的仿真车辆可以用于构建仿真交通流。使用具有相应的行驶状态的仿真交通流,可以提供较为准确且自然的自动驾驶的测试环境。
所述场景约束数据可以用于指示所述仿真交通流的交通环境。具体的,所述场景约束数据可以包括路网类型、车道数、车辆数及生成区域等条件。
根据所述场景约束数据,构建符合所述交通环境的初级仿真交通流。其中,所述初级仿真交通流可以是没有构建完成的仿真交通流。所述初级仿真交通流可以包括至少部分仿真交流具有的仿真车辆、仿真道路等交通对象。所述初级仿真交通流中的至少部分仿真车辆可以未设有行驶状态。
使用本说明书实施方式中任一所述的仿真车辆行驶状态的生成方法,生成所述初级仿真交通流中的仿真车辆的行驶状态,可以为所述仿真车辆生成具有较高自然性且符合所述仿真车辆在仿真交通流中的交通环境的行驶状态。进一步,根据基于具有相应的行驶状态的仿真车辆的初级仿真交通流,可以生成所述仿真交通流。由于行驶状态具有较高的自然性,相应的,仿真交通流也会具有较高的自然性。从而可以提供较为准确的自动驾驶测试环境。
示例的装置、电子设备、存储介质和软件
请参阅图6,本说明书的一个实施方式还提供一种仿真车辆行驶状态的生成装置。所述仿真车辆行驶状态生成装置可以包括获取模块、划分模块、确定模块和生成模块。
获取模块,用于获取仿真道路和仿真车辆;其中,所述仿真车辆包括目标仿真车辆,仿真道路包括多个仿真车道。
划分模块,用于根据所述目标仿真车辆在所述仿真道路中的区域,在所述仿真道路中划分出与所述区域邻近的多个关联区域。
确定模块,用于依照所述多个关联区域中关联仿真车辆的分布情况,确定所述目标仿真车辆的目标场景类型,其中,一个场景类型对应至少一种分布情况。
生成模块,用于基于所述目标场景类型与目标仿真车辆的行驶状态之间的关联关系,生成所述目标仿真车辆的行驶状态。
在一些实施方式中,所述生成模块包括:标识获取单元、生成网络输入单元和生成单元。
获取单元,用于获取所述目标场景类型的场景标识。
生成网络输入单元,用于将所述目标场景类型的场景标识输入仿真车辆行驶状态参数生成网络,得到所述目标场景类型对应的目标场景参数,其中,所述仿真车辆行驶状态生成网络是根据不同场景类型下的场景标识以及自然交通流数据中各个场景下基准车辆的行驶状态参数训练得到的;其中,所述目标场景参数包括目标仿真车辆的目标行驶状态参数。
生成单元,用于基于所述目标场景类型对应的目标场景参数,以及预设的自动驾驶仿真测试系统的运行环境,生成所述目标仿真车辆的行驶状态。
在一些实施方式中,所述仿真车辆行驶状态参数生成网络包括行驶状态的编码网络、概率分布参数向量和行驶状态的解码网络;所述仿真车辆行驶状态的生成装置还可以包括:类型获取单元、提取单元、编码网络输入单元、预测单元和调整单元。
类型获取单元,用于获取自然交通流数据中所述基准车辆对应的多种场景类型。
提取单元,用于提取分别处于所述场景类型下对应的基准场景参数,所述基准场景参数至少包括所述基准车辆的第一行驶状态参数。
编码网络输入单元,用于将所述场景类型的场景标识和所述基准场景参数输入所述行驶状态的编码网络,得到所述概率分布参数向量;其中,所述概率分布参数向量用于表示基准场景参数特征的概率分布。
预测单元,用于将所述场景类型的目标场景标识和依照基准场景参数特征的概率分布采样得到的目标基准场景参数特征输入所述行驶状态的解码网络,得到相应场景类型下预测的目标场景参数。
调整单元,用于根据所述预测的目标场景参数和输入所述行驶状态的编码网络的基准场景参数之间的差异,调整所述行驶状态的编码网络的网络参数、所述概率分布参数向量的向量参数和所述行驶状态的解码网络的网络参数,至所述差异符合预设差异约束条件。
在一些实施方式中,所述关联关系根据不同场景类型下行驶状态参数的概率分布形成;所述生成模块包括:匹配单元、采样单元和生成单元。
匹配单元,用于根据所述目标场景类型,匹配出所述目标场景类型对应的仿真车辆的行驶状态参数的概率分布;其中,所述概率分布具有多个对应不同概率的仿真车辆的速度参数取值和位置参数取值;所述概率分布通过统计自然交通流数据中的基准车辆在相应的场景类型下的第一行驶状态参数得到。
采样单元,用于依照所述概率分布中速度参数的取值和位置参数的取值所对应的概率进行采样,得到速度参数的目标取值和位置参数的目标取值。
生成单元,用于使用所述速度参数的目标取值和所述位置参数的目标取值,生成所述目标仿真车辆的行驶状态。
关于仿真车辆行驶状态的生成装置实现的具体功能和效果,可以参照本说明书其他实施方式对照解释,在此不再赘述。所述样本的生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。所述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
请参阅图7,本说明书的一个实施方式还提供一种仿真交通流的生成装置。所述装置包括:获取模块、构建模块、行驶状态生成模块和仿真交通流生成模块。
获取模块,用于获取仿真交通流的场景约束数据;其中,所述场景约束数据用于指示所述仿真交通流的交通环境。
构建模块,用于根据所述场景约束数据,构建符合所述交通环境的初级仿真交通流;其中,所述初级仿真交通流包括仿真车辆。
行驶状态生成模块,用于使用任一所述的仿真车辆行驶状态的生成方法,确定所述初级仿真交通流中的仿真车辆的行驶状态。
仿真交通流生成模块,用于基于具有相应的行驶状态的仿真车辆的初级仿真交通流,生成所述仿真交通流。
关于仿真交通流的生成装置实现的具体功能和效果,可以参照本说明书其他实施方式对照解释,在此不再赘述。所述样本的生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。所述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
请参阅图8,本说明书实施方式还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一实施方式中的仿真车辆行驶状态的设置方法。
本说明书实施方式还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被计算机执行时使得,该计算机执行上述任一实施方式中的仿真车辆行驶状态的设置方法。
本说明书实施方式还提供一种包含指令的计算机程序产品,该指令被计算机执行时使得计算机执行上述任一实施方式中的仿真车辆行驶状态的设置方法。
可以理解,本文中的具体的例子只是为了帮助本领域技术人员更好地理解本说明书实施方式,而非限制本发明的范围。
可以理解,在本说明书中的各种实施方式中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本说明书实施方式的实施过程构成任何限定。
可以理解,本说明书中描述的各种实施方式,既可以单独实施,也可以组合实施,本说明书实施方式对此并不限定。
除非另有说明,本说明书实施方式所使用的所有技术和科学术语与本说明书的技术领域的技术人员通常理解的含义相同。本说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在限制本说明书的范围。本说明书所使用的术语“和/或”包括一个或多个相关的所列项的任意的和所有的组合。在本说明书实施方式和所附权利要求书中所使用的单数形式的“一种”、“上述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
可以理解,本说明书实施方式的处理器可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施方式的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书实施方式中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书实施方式所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
可以理解,本说明书实施方式中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasablePROM,EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM)。应注意,本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
本领域普通技术人员可以意识到,结合本文中所公开的实施方式描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本说明书的范围。
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方式中的对应过程,在此不再赘述。
在本说明书所提供的几个实施方式中,应所述理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,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,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方式方案的目的。
另外,在本说明书各个实施方式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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本说明书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所述技术方案的部分可以以软件产品的形式体现出来,所述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)执行本说明书各个实施方式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(ROM)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本说明书的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本说明书揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本说明书的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (18)
1.一种仿真车辆行驶状态的生成方法,其特征在于,所述方法包括:
获取仿真道路和仿真车辆;其中,所述仿真车辆包括目标仿真车辆,仿真道路包括多个仿真车道;
根据所述目标仿真车辆在所述仿真道路中的区域,在所述仿真道路中划分出与所述区域邻近的多个关联区域;
依照所述多个关联区域中关联仿真车辆的分布情况,确定所述目标仿真车辆的目标场景类型,其中,一个场景类型对应至少一种所述分布情况;
基于所述目标场景类型与目标仿真车辆的行驶状态之间的关联关系,生成所述目标仿真车辆的行驶状态;所述关联关系用于指示所述目标仿真车辆在所述目标场景类型对应的至少一种所述分布情况下的目标行驶状态参数的概率分布。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标场景类型与所述目标仿真车辆的行驶状态之间的关联关系,生成目标仿真车辆的行驶状态的步骤,包括:
获取所述目标场景类型的场景标识;
将所述目标场景类型的场景标识输入仿真车辆行驶状态参数生成网络,得到所述目标场景类型对应的目标场景参数,其中,所述仿真车辆行驶状态生成网络是根据不同场景类型下的场景标识以及自然交通流数据中各个场景下基准车辆的行驶状态参数训练得到的;其中,所述目标场景参数包括目标仿真车辆的目标行驶状态参数;
基于所述目标场景类型对应的目标场景参数,以及预设的自动驾驶仿真测试系统的运行环境,生成所述目标仿真车辆的行驶状态。
3.根据权利要求2所述的方法,其特征在于,所述仿真车辆行驶状态参数生成网络包括行驶状态的编码网络、概率分布参数向量和行驶状态的解码网络;还包括预训练所述仿真车辆行驶状态参数生成网络,所述预训练所述仿真车辆行驶状态参数生成网络的步骤包括:
获取自然交通流数据中所述基准车辆对应的多种场景类型;
提取分别处于所述场景类型下对应的基准场景参数,所述基准场景参数至少包括所述基准车辆的第一行驶状态参数;
将所述场景类型的场景标识和所述基准场景参数输入所述行驶状态的编码网络,得到所述概率分布参数向量;其中,所述概率分布参数向量用于表示基准场景参数特征的概率分布;
将所述场景类型的目标场景标识和依照基准场景参数特征的概率分布采样得到的目标基准场景参数特征输入所述行驶状态的解码网络,得到相应场景类型下预测的目标场景参数;
根据所述预测的目标场景参数和输入所述行驶状态的编码网络的基准场景参数之间的差异,调整所述行驶状态的编码网络的网络参数、所述概率分布参数向量的向量参数和所述行驶状态的解码网络的网络参数,至所述差异符合预设差异约束条件。
4.根据权利要求3所述的方法,其特征在于,所述基准场景参数还包括基准车辆预设阈值范围内关联区域中的关联车辆分别对应的第二行驶状态参数。
5.根据权利要求3所述的方法,其特征在于,所述第一行驶状态参数包括:所述基准车辆的行驶速度、车道位置以及偏角和曲率。
6.根据权利要求1所述的方法,其特征在于,所述关联关系根据不同场景类型下行驶状态参数的概率分布形成;所述基于所述目标场景类型与所述目标仿真车辆的行驶状态参数之间的关联关系,生成目标仿真车辆的行驶状态参数的步骤,包括:
根据所述目标场景类型,匹配出所述目标场景类型对应的仿真车辆的行驶状态参数的概率分布;其中,所述概率分布具有多个对应不同概率的仿真车辆的速度参数取值和位置参数取值;所述概率分布通过统计自然交通流数据中的基准车辆在相应的场景类型下的第一行驶状态参数得到;
依照所述概率分布中速度参数的取值和位置参数的取值所对应的概率进行采样,得到速度参数的目标取值和位置参数的目标取值;
使用所述速度参数的目标取值和所述位置参数的目标取值,生成所述目标仿真车辆的行驶状态。
7.根据权利要求1所述的方法,其特征在于,所述多个仿真车道包括所述目标仿真车辆行驶的第一仿真车道和与所述第一仿真车道相邻的第二仿真车道;所述根据所述目标仿真车辆在所述仿真道路中的区域,在所述仿真道路中划分出多个关联区域的步骤,包括:
将以所述目标仿真车辆的指定位置为圆心,指定长度为半径形成的圆形区域,与所述第一仿真车道和第二仿真车道的重叠的部分,作为所述目标仿真车辆的邻接区域;
在所述邻接区域包括的第一仿真车道和第二仿真车道中,分别划分出所述多个关联区域。
8.根据权利要求7所述的方法,其特征在于,所述在所述邻接区域包括的第一仿真车道和第二仿真车道中,分别划分出所述多个关联区域的步骤,包括:
在所述邻接区域中,将位于所述目标仿真车辆行进方向前方,且属于所述第一仿真车道的区域确定为第一关联区域;
在所述邻接区域中,将位于所述目标仿真车辆行进方向前方,且属于所述第二仿真车道的区域确定为第二关联区域;
在所述邻接区域中,将属于所述第二仿真车道且不属于所述第二关联区域的区域确定为第三关联区域。
9.根据权利要求1所述的方法,其特征在于,不同场景类型分别对应有预设发生概率;所述预设发生概率用于表征仿真车辆处于相应场景类型的行驶场景的概率;所述依照所述多个关联区域中关联仿真车辆的分布情况,确定所述目标仿真车辆的目标场景类型的步骤,包括:
在所述多个关联区域中确定存在仿真车辆的基准关联区域;
根据所述基准关联区域在所述目标仿真车辆周围的分布情况,在多个场景类型中筛选出多个候选场景类型;其中,所述多个候选场景类型表示的存在仿真车辆的关联区域包括所述基准关联区域;
基于所述多个候选场景类型对应的预设发生概率,在所述多个候选场景类型中选择目标场景类型;其中,所述预设发生概率通过统计自然交通流数据中车辆处于相应场景类型的次数确定。
10.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述目标仿真车辆周围的多个关联区域中关联仿真车辆的实际分布情况,和目标场景类型所表示的多个关联区域中关联仿真车辆的预设分布情况之间的差异,在所述多个关联区域中识别出目标关联区域;
在所述目标关联区域中,生成关联仿真车辆。
11.一种仿真交通流的生成方法,其特征在于,包括:
获取仿真交通流的场景约束数据;其中,所述场景约束数据用于指示所述仿真交通流的交通环境,至少包括路网类型、车道数、仿真车辆以及目标交通流生成区域;
根据所述场景约束数据,构建符合所述交通环境的初级仿真交通流;其中,所述初级仿真交通流包括仿真车辆;
使用如权利要求1至8任一所述的仿真车辆行驶状态的生成方法,生成所述初级仿真交通流中的仿真车辆的行驶状态;
基于具有相应的行驶状态的仿真车辆的初级仿真交通流,生成所述仿真交通流。
12.一种仿真车辆行驶状态的生成装置,其特征在于,所述装置包括:
获取模块,用于获取仿真道路和仿真车辆;其中,所述仿真车辆包括目标仿真车辆,仿真道路包括多个仿真车道;
划分模块,用于根据所述目标仿真车辆在所述仿真道路中的区域,在所述仿真道路中划分出与所述区域邻近的多个关联区域;
确定模块,用于依照所述多个关联区域中关联仿真车辆的分布情况,确定所述目标仿真车辆的目标场景类型,其中,一个场景类型对应至少一种所述分布情况;
生成模块,用于基于所述目标场景类型与目标仿真车辆的行驶状态之间的关联关系,生成所述目标仿真车辆的行驶状态;所述关联关系用于指示所述目标仿真车辆在所述目标场景类型对应的至少一种所述分布情况下的目标行驶状态参数的概率分布。
13.根据权利要求12所述的装置,其特征在于,所述生成模块包括:
标识获取单元,用于获取所述目标场景类型的场景标识;
生成网络输入单元,用于将所述目标场景类型的场景标识输入仿真车辆行驶状态参数生成网络,得到所述目标场景类型对应的目标场景参数,其中,所述仿真车辆行驶状态生成网络是根据不同场景类型下的场景标识以及自然交通流数据中各个场景下基准车辆的行驶状态参数训练得到的;其中,所述目标场景参数包括目标仿真车辆的目标行驶状态参数;
生成单元,用于基于所述目标场景类型对应的目标场景参数,以及预设的自动驾驶仿真测试系统的运行环境,生成所述目标仿真车辆的行驶状态。
14.根据权利要求13所述的装置,其特征在于,所述仿真车辆行驶状态参数生成网络包括行驶状态的编码网络、概率分布参数向量和行驶状态的解码网络;所述装置还包括:
类型获取单元,用于获取自然交通流数据中所述基准车辆对应的多种场景类型;
提取单元,用于提取分别处于所述场景类型下对应的基准场景参数,所述基准场景参数至少包括所述基准车辆的第一行驶状态参数;
编码网络输入单元,用于将所述场景类型的场景标识和所述基准场景参数输入所述行驶状态的编码网络,得到概率分布参数向量;其中,所述概率分布参数向量用于表示基准场景参数特征的概率分布;
预测单元,用于将所述场景类型的目标场景标识和依照基准场景参数特征的概率分布采样得到的目标基准场景参数特征输入所述行驶状态的解码网络,得到相应场景类型下预测的目标场景参数;
调整单元,用于根据所述预测的目标场景参数和输入所述行驶状态的编码网络的基准场景参数之间的差异,调整所述行驶状态的编码网络的网络参数、所述概率分布参数向量的向量参数和所述行驶状态的解码网络的网络参数,至所述差异符合预设差异约束条件。
15.根据权利要求12所述的装置,其特征在于,所述关联关系根据不同场景类型下行驶状态参数的概率分布形成;所述生成模块包括:
匹配单元,用于根据所述目标场景类型,匹配出所述目标场景类型对应的仿真车辆的行驶状态参数的概率分布;其中,所述概率分布具有多个对应不同概率的仿真车辆的速度参数取值和位置参数取值;所述概率分布通过统计自然交通流数据中的基准车辆在相应的场景类型下的第一行驶状态参数得到;
采样单元,用于依照所述概率分布中速度参数的取值和位置参数的取值所对应的概率进行采样,得到速度参数的目标取值和位置参数的目标取值;
生成单元,用于使用所述速度参数的目标取值和所述位置参数的目标取值,生成所述目标仿真车辆的行驶状态。
16.一种仿真交通流的生成装置,其特征在于,包括:
获取模块,用于获取仿真交通流的场景约束数据;其中,所述场景约束数据用于指示所述仿真交通流的交通环境,至少包括路网类型、车道数、仿真车辆以及目标交通流生成区域;
构建模块,用于根据所述场景约束数据,构建符合所述交通环境的初级仿真交通流;其中,所述初级仿真交通流包括仿真车辆;
行驶状态生成模块,用于使用如权利要求1至8任一所述的仿真车辆行驶状态的生成方法,生成所述初级仿真交通流中的仿真车辆的行驶状态;
仿真交通流生成模块,用于基于具有相应的行驶状态的仿真车辆的初级仿真交通流,生成所述仿真交通流。
17.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至11中任一项所述的方法。
18.一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11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211572276.8A CN115630583B (zh) | 2022-12-08 | 2022-12-08 | 仿真车辆行驶状态的生成方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211572276.8A CN115630583B (zh) | 2022-12-08 | 2022-12-08 | 仿真车辆行驶状态的生成方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115630583A CN115630583A (zh) | 2023-01-20 |
CN115630583B true CN115630583B (zh) | 2023-04-14 |
Family
ID=84909924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211572276.8A Active CN115630583B (zh) | 2022-12-08 | 2022-12-08 | 仿真车辆行驶状态的生成方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115630583B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668153A (zh) * | 2020-12-11 | 2021-04-16 | 国汽(北京)智能网联汽车研究院有限公司 | 一种自动驾驶仿真场景生成的方法、装置及设备 |
WO2022078289A1 (zh) * | 2020-10-14 | 2022-04-21 | 广州小鹏自动驾驶科技有限公司 | 一种自动驾驶的仿真测试系统和方法 |
CN114722631A (zh) * | 2022-04-29 | 2022-07-08 | 中国第一汽车股份有限公司 | 车辆测试仿真场景生成方法、装置、电子设备及存储介质 |
CN114861321A (zh) * | 2022-05-30 | 2022-08-05 | 中国第一汽车股份有限公司 | 交通流仿真的问题场景提取方法、装置、设备及介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111199247B (zh) * | 2019-12-25 | 2023-11-10 | 银江技术股份有限公司 | 一种公交运行仿真方法 |
CN112346978B (zh) * | 2020-11-10 | 2022-07-08 | 之江实验室 | 一种驾驶员参与的无人车驾驶软件仿真测试装置与方法 |
CN112784485B (zh) * | 2021-01-21 | 2021-09-10 | 中国科学院软件研究所 | 一种基于强化学习的自动驾驶关键场景生成方法 |
CN113256976B (zh) * | 2021-05-12 | 2022-08-05 | 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 |
-
2022
- 2022-12-08 CN CN202211572276.8A patent/CN115630583B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022078289A1 (zh) * | 2020-10-14 | 2022-04-21 | 广州小鹏自动驾驶科技有限公司 | 一种自动驾驶的仿真测试系统和方法 |
CN112668153A (zh) * | 2020-12-11 | 2021-04-16 | 国汽(北京)智能网联汽车研究院有限公司 | 一种自动驾驶仿真场景生成的方法、装置及设备 |
CN114722631A (zh) * | 2022-04-29 | 2022-07-08 | 中国第一汽车股份有限公司 | 车辆测试仿真场景生成方法、装置、电子设备及存储介质 |
CN114861321A (zh) * | 2022-05-30 | 2022-08-05 | 中国第一汽车股份有限公司 | 交通流仿真的问题场景提取方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115630583A (zh) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sheng et al. | Graph-based spatial-temporal convolutional network for vehicle trajectory prediction in autonomous driving | |
Park et al. | Diverse and admissible trajectory forecasting through multimodal context understanding | |
Li et al. | Deep neural network for structural prediction and lane detection in traffic scene | |
Khakzar et al. | A dual learning model for vehicle trajectory prediction | |
CN111091708A (zh) | 车辆轨迹预测方法及装置 | |
CN113362491B (zh) | 一种车辆轨迹预测及驾驶行为分析方法 | |
CN114970321A (zh) | 一种基于动态轨迹流的场景流数字孪生方法及系统 | |
He et al. | Roadtagger: Robust road attribute inference with graph neural networks | |
CN115115872A (zh) | 图像识别方法、装置、设备及存储介质 | |
Brekke et al. | Multimodal 3d object detection from simulated pretraining | |
CN114881339A (zh) | 车辆轨迹预测方法、系统、计算机设备及存储介质 | |
CN115688019A (zh) | 基于异构数据关联挖掘与度量学习的智能体轨迹预测方法 | |
Mirus et al. | An investigation of vehicle behavior prediction using a vector power representation to encode spatial positions of multiple objects and neural networks | |
CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
CN114330126A (zh) | 交通信号控制模型的训练方法及交通信号控制方法 | |
Geng et al. | Dynamic-learning spatial-temporal Transformer network for vehicular trajectory prediction at urban intersections | |
Xie et al. | A cognition‐inspired trajectory prediction method for vehicles in interactive scenarios | |
CN115630583B (zh) | 仿真车辆行驶状态的生成方法、装置、设备和介质 | |
CN116975781A (zh) | 一种自动驾驶车辆行为决策系统和方法 | |
CN115937801A (zh) | 基于图卷积的车辆轨迹预测方法及装置 | |
CN115062202A (zh) | 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质 | |
Phamtoan et al. | Automatic fuzzy clustering for probability density functions using the genetic algorithm | |
CN113673332A (zh) | 对象识别方法、装置以及计算机可读存储介质 | |
CN113119996B (zh) | 一种轨迹预测方法、装置、电子设备及存储介质 | |
CN112529116B (zh) | 场景元素融合处理方法、装置和设备及计算机存储介质 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: Room 533, 5th Floor, Building A3A4, Phase I, Zhong'an Chuanggu Science and Technology Park, No. 900 Wangjiang West Road, High tech Zone, Hefei City, Anhui Province, 230031 Patentee after: Anhui Xinxin Science and Technology Innovation Information Technology Co.,Ltd. Address before: 2nd Floor, Building B2, Yunhui Valley, No. 156, Tiangu 8th Road, Software New Town, Yuhua Street Office, High-tech Zone, Xi'an City, Shaanxi Province 710000 Patentee before: Xi'an Xinxin Information Technology Co.,Ltd. |