CN115857685A - 一种感知算法数据闭环方法及相关装置 - Google Patents

Abstract

本申请公开了一种感知算法数据闭环方法及相关装置，涉及虚拟现实技术领域。本申请中，从智能驾驶算法模型训练和测试请求中，获取待测车辆的车辆特征集和测试场景的场景标识；接着，基于车辆特征集包含的各个特征属性，构建与待测车辆满足预设的车辆相似度条件的虚拟车辆；进一步地，从预设的候选虚拟场景集合中，筛选出与场景标识相匹配的目标虚拟场景；最终，驱使虚拟车辆在目标虚拟场景中行驶，并基于虚拟车辆的环境感知信息，对虚拟车辆的感知算法模型进行训练和测试。采用这种方式，基于构建虚拟车辆以及预设的候选虚拟场景集合，减少极限工况等测试成本，以及解决自动驾驶长尾效应数据问题，也提高了感知算法模型的可靠性和全面性。

Description

一种感知算法数据闭环方法及相关装置

技术领域

本申请涉及虚拟现实技术领域，尤其涉及一种感知算法数据闭环方法及相关装置。

背景技术

自动驾驶是当前交通出行领域的前沿技术和焦点，并且，随着第三级别(Level 3，L3)及以上的自动驾驶技术落地量产的迫近，对自动驾驶技术的成熟度和可靠性要求也急剧提升。

目前，为了确保自动驾驶技术的成熟度和可靠性，通常使用智能驾驶视觉感知系统对海量的数据进行训练和测试验证，故而，随之而来的诸多难题也亟需解决，例如：由不同的天气变化、复杂的道路路况以及交通参与者行为的不确定性，带来的各种边角工况、危险工况，海量的路试里程数据带来的高成本和长周期，以及人工数据标注的高成本。

相关技术中，参阅图1所示，智能驾驶视觉感知数据系统通过实车路试，采集大量的道路数据，再对获得的道路数据进行数据处理(比如，清洗数据和筛选数据)，并将有用数据进行人工标注，接着，根据人工标注后的数据，训练感知算法模型以及对感知算法模型进行评估，进一步地，将算法模型保存至算法模型库中，最终，将算法模型库部署到实车进行车辆性能测试。

然而，采用上述的感知算法模型训练方式，会因需要通过实车路试采集道路数据，从而导致在某些道路数据采集难度很大的道路场景下，根本无法直接采集到相应的道路数据，对感知算法模型进行训练和测试，进而无法保证训练后感知算法模型的可靠性和全面性。

因此，采用上述方式，车辆的感知算法模型可靠性和全面性较低。

发明内容

本申请实施例提供了一种感知算法数据闭环方法及相关装置，用以提高感知算法模型的可靠性和全面性。

第一方面，本申请实施例提供了一种车辆的感知算法模型的训练方法，所述方法包括：

从目标终端发送的智能驾驶算法模型训练和测试请求中，获取待测车辆的车辆特征集和测试场景的场景标识；

基于车辆特征集包含的各个特征属性，构建与待测车辆满足预设的车辆相似度条件的虚拟车辆；

从预设的候选虚拟场景集合中，筛选出与场景标识相匹配的目标虚拟场景；其中，目标虚拟场景与测试场景满足预设的场景相似度条件；

驱使虚拟车辆在目标虚拟场景中行驶，并基于虚拟车辆的环境感知信息，对虚拟车辆的感知算法模型进行训练和测试。

第二方面，本申请实施例还提供了一种感知算法数据闭环装置，所述装置包括：

获取模块，用于从目标终端发送的智能驾驶算法模型训练和测试请求中，获取待测车辆的车辆特征集和测试场景的场景标识；

构建模块，用于基于车辆特征集包含的各个特征属性，构建与待测车辆满足预设的车辆相似度条件的虚拟车辆；

筛选模块，用于从预设的候选虚拟场景集合中，筛选出与场景标识相匹配的目标虚拟场景；其中，目标虚拟场景与测试场景满足预设的场景相似度条件；

驱使模块，用于驱使虚拟车辆在目标虚拟场景中行驶，并基于虚拟车辆的环境感知信息，对虚拟车辆的感知算法模型进行训练和测试。

在一种可选的实施例中，预设的候选虚拟场景集合中包括一个或多个测试场景的候选虚拟场景；其中，第一测试场景的候选虚拟场景采用如下方式获得：

基于场景信息采集设备采集到的第一测试场景的场景信息，获得第一测试场景包含的各固有场景特征；

基于各固有场景特征，以及与智能驾驶算法模型训练和测试请求对应的动态特征集合，构建第一测试场景的候选虚拟场景，第一测试场景为一个或多个测试场景中任一场景。

在一种可选的实施例中，在构建第一测试场景的候选虚拟场景的过程中，所述构建模块还用于：

分别确定各固有场景特征所归属的固有特征集合的固有集合类型，以及动态特征集合的动态集合类型；

基于固有集合类型和动态集合类型，生成第一测试场景的场景标识。

在一种可选的实施例中，各个特征属性包括待测车辆的视觉感知特征属性；

则基于车辆特征集包含的各个特征属性，构建与待测车辆满足预设的车辆相似度条件的虚拟车辆，所述构建模块具体用于：

基于视觉感知特征属性，构建虚拟车辆的视觉感知设备。

在一种可选的实施例中，在驱使虚拟车辆在目标虚拟场景中行驶时，所述驱使模块具体用于：

通过虚拟车辆的视觉感知设备，获取目标虚拟场景中，虚拟车辆前方设定范围内的路况信息；

基于对应路况信息设置的车辆行驶方式，驱使虚拟车辆在目标虚拟场景中行驶。

第三方面，本申请实施例还提出了一种电子设备，其包括处理器和存储器，其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行上述第一方面所述的感知算法数据闭环方法的步骤。

第四方面，本申请实施例还提出了一种计算机可读存储介质，其包括程序代码，当所述程序代码在电子设备上运行时，所述程序代码用于使所述电子设备执行上述第一方面所述的感知算法数据闭环方法的步骤。

第五方面，本申请实施例还提供了一种计算机程序产品，所述计算机程序产品在被计算机调用时，使得所述计算机执行如第一方面所述的感知算法数据闭环方法步骤。

本申请有益效果如下：

在本申请所提供的感知算法数据闭环方法中，从目标终端发送的智能驾驶算法模型训练和测试请求中，获取待测车辆的车辆特征集和测试场景的场景标识；接着，基于车辆特征集包含的各个特征属性，构建与待测车辆满足预设的车辆相似度条件的虚拟车辆；进一步地，从预设的候选虚拟场景集合中，筛选出与场景标识相匹配的目标虚拟场景；其中，目标虚拟场景与测试场景满足预设的场景相似度条件；最终，驱使虚拟车辆在目标虚拟场景中行驶，并基于虚拟车辆的环境感知信息，对虚拟车辆的感知算法模型进行训练和测试。

采用这种方式，基于构建虚拟车辆以及预设的候选虚拟场景集合包含的目标虚拟场景，即通过自动驾驶虚拟仿真应用，将减少极限工况等测试成本，构建高逼真的仿真环境以及自动驾驶多种极限场景，搭建基于真实数据的交通数据库，解决自动驾驶长尾效应数据问题，也避免了相关技术中，因需要通过实车路试采集道路数据，从而导致在某些道路数据采集难度很大的道路场景下，根本无法直接采集到相应的道路数据，对感知算法模型进行训练和测试，进而无法保证训练后感知算法模型的可靠性和全面性的技术弊端，故而，提高了感知算法模型的可靠性和全面性。

此外，本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者，通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本申请实施例提供的一种传统视觉感知数据闭环方法的逻辑示意图；

图2为本申请实施例适用的一种可选的系统结构示意图；

图3为本申请实施例提供的一种构建候选虚拟场景的方法流程示意图；

图4为本申请实施例提供的一种生成场景标识的逻辑示意图；

图5为本申请实施例提供的一种感知算法数据闭环方法的实施流程示意图；

图6为本申请实施例提供的一种虚拟车辆在目标虚拟场景中行驶的场景示意图；

图7为本申请实施例提供的一种基于图5的具体应用场景示意图；

图8为本申请实施例提供的一种基于图5的逻辑示意图；

图9为本申请实施例提供的一种感知算法数据闭环装置的结构示意图；

图10为本申请实施例提供的一种电子设备的结构示意图。

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的附图，对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请技术方案的一部分实施例，而不是全部的实施例。基于本申请文件中记载的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请技术方案保护的范围。

需要说明的是，在本申请的描述中“多个”理解为“至少两个”。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。A与B连接，可以表示：A与B直接连接和A与B通过C连接这两种情况。另外，在本申请的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。

在介绍本申请实施例所提供的感知算法数据闭环方法之前，为了便于理解，下面首先对本申请实施例的设计思想进行简要介绍：

相关技术中，智能驾驶视觉感知数据系统的视觉感知数据闭环方法(如图1所示)需要海量数据，故而，存在很多的局限性，具体如下：

1、实车道路视觉传感器数据采集周期长，很多极端场景很难采集或者无法采集，效率低；

2、实车道路视觉传感器数据采集和测试成本高，需要数十辆车进行数据采集，大量的人工数据处理和标注工作；

3、实车道路视觉传感器采集数据场景简单，无法全面的测试各种场景，导致训练的算法存在极大安全隐患，无法落地。

可见，目前的视觉感知数据闭环方法存在测试周期长、成本高、场景简单以及无法全面地测试各种场景等问题，给感知算法带来很多安全隐患，导致自动驾驶无法落地量产，即无法确保自动驾驶技术的成熟度和可靠性。

然而，若将虚拟现实(Virtual Reality，VR)仿真技术应用到自动驾驶技术领域，即基于游戏渲染引擎和现实世界真实数据，在虚拟空间中建立物理世界模型，还原真实世界道路场景、交通流中的机动车、非机动车和行人等动态元素的微观行为，物理级还原天气、光线等真实环境细节，构建虚拟现实仿真环境，应用物理级感知传感器模型等必备仿真元素，则将代替实车数据采集和人工标注，全面高效的合成海量完美标注数据，实现视觉感知算法训练和数据闭环，以及减少极限工况等测试成本，故而，可以极大地提高感知算法模型的可靠性和全面性；此外，通过构建高逼真的仿真环境以及自动驾驶多种极限场景，搭建基于真实数据的交通数据库，可以有效地解决自动驾驶长尾效应数据问题，将节省自动驾驶数据采集的开发成本和缩短算法落地验证的周期，一定程度上也提高了训练和测试感知算法模型的效率。

有鉴于此，本申请实施例中，为了提高感知算法模型的可靠性和全面性，提出了一种感知算法数据闭环方法，具体包括：从目标终端发送的智能驾驶算法模型训练和测试请求中，获取待测车辆的车辆特征集和测试场景的场景标识；接着，基于车辆特征集包含的各个特征属性，构建与待测车辆满足预设的车辆相似度条件的虚拟车辆；进一步地，从预设的候选虚拟场景集合中，筛选出与场景标识相匹配的目标虚拟场景；其中，目标虚拟场景与测试场景满足预设的场景相似度条件；最终，驱使虚拟车辆在目标虚拟场景中行驶，并基于虚拟车辆的环境感知信息，对虚拟车辆的感知算法模型进行训练和测试。

特别地，以下结合说明书附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请，并且在不冲突的情况下，本申请实施例及实施例中的特征可以相互组合。

参阅图2所示，其为本申请实施例提供的一种系统架构示意图，该系统架构包括：目标终端(201a，201b)和服务器202。目标终端(201a，201b)和服务器202之间可通过通信网络进行信息交互，其中，通信网络采用的通信方式可包括：无线通信方式和有线通信方式。

示例性的，目标终端(201a，201b)可通过蜂窝移动通信技术接入网络，与服务器202进行通信，其中，所述蜂窝移动通信技术，比如，包括第五代移动通信(5th GenerationMobile Networks，5G)技术。

可选的，目标终端(201a，201b)可通过短距离无线通信方式接入网络，与服务器202进行通信，其中，所述短距离无线通信方式，比如，包括无线保真(Wireless Fidelity，Wi-Fi)技术。

本申请实施例对上述系统架构中涉及的通信设备的数量不做任何限制，例如，可以更多目标终端，或者没有目标终端，或者还可以包括其他网络设备，如图2所示，仅以目标终端(201a，201b)和服务器202为例进行描述，下面对上述各设备及其各自的功能进行简要介绍：

目标终端(201a，201b)，是一种可以向用户提供语音和/或数据连通性的设备，可以是支持有线和/或无线连接方式的设备。

示例性的，目标终端(201a，201b)包括但不限于：手机、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(Mobile Internet Device，MID)、可穿戴设备，虚拟现实设备、增强现实(Augmented Reality，AR)设备、工业控制中的无线终端设备、无人驾驶中的无线终端设备、智能电网中的无线终端设备、运输安全中的无线终端设备、智慧城市中的无线终端设备，或智慧家庭中的无线终端设备等。

此外，目标终端(201a，201b)上可以安装有相关的客户端，该客户端可以是软件，例如，应用程序(Application，APP)、浏览器、短视频软件等，也可以是网页、小程序等。

还需说明的是，在本申请实施例中，目标终端(201a，201b)可用于向服务器202发送携带待测车辆的车辆特征集和测试场景的场景标识的智能驾驶算法模型训练和测试请求。

服务器202可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

值得提出的是，在本申请实施例中，服务器202用于从目标终端发送的智能驾驶算法模型训练和测试请求中，获取待测车辆的车辆特征集和测试场景的场景标识，再基于车辆特征集包含的各个特征属性，构建与待测车辆满足预设的车辆相似度条件的虚拟车辆，从而从预设的候选虚拟场景集合中，筛选出与场景标识相匹配的目标虚拟场景，进而驱使虚拟车辆在目标虚拟场景中行驶，并基于虚拟车辆的环境感知信息，对虚拟车辆的感知算法模型进行训练和测试。

下面结合上述的系统架构，以及参考附图来描述本申请示例性实施方式提供的感知算法数据闭环方法，需要注意的是，上述系统架构仅是为了便于理解本申请的精神和原理而示出，本申请的实施方式在此方面不受任何限制。

需要说明的是，在服务器接收目标终端发送的智能驾驶算法模型训练和测试请求之前，服务器需预先构建预设的候选虚拟场景集合中，一个或多个测试场景的候选虚拟场景，以便后续进行：根据获得的测试场景的场景标识，获得与相应场景标识相匹配的目标虚拟场景的相关操作。

可选的，在构建上述一个或多个测试场景的候选虚拟场景时，参阅图3所示，执行主体以服务器为例，针对上述一个或多个测试场景中任意场景，即第一测试场景执行以下操作：

S301：基于场景信息采集设备采集到的第一测试场景的场景信息，获得第一测试场景包含的各固有场景特征。

其中，场景信息采集设备可以为无人机和/或采集车，即为一种具备在各种复杂场景进行场景信息采集的一种信息采集设备，固有场景特征也可称之为静态场景特征或者时不变场景特征，即设定时间范围内不会发生改变的场景特征，比如，车道线、交通标识、经纬度坐标、道路边界线、建筑物等场景特征。

S302：基于各固有场景特征，以及与智能驾驶算法模型训练和测试请求对应的动态特征集合，构建第一测试场景的候选虚拟场景。

其中，智能驾驶算法模型训练和测试请求对应的动态特征集合包含一个或多个动态场景特征，也可称之为时变场景特征，即设定时间范围内不会发生改变的场景特征，比如，天气情况、交通信号灯、车流、行人等场景特征。

示例性的，基于上述S301～S302的方法步骤，服务器可构建虚拟现实仿真世界，即相应的候选虚拟场景，例如，采用无人机和采集车，对第一测试场景进行场景信息采集，并自动生成初步的3维(Three Dimensional，3D)模型，然后，将获得的3D模型导入3D制图软件(如，3ds max或者AutoCAD)中进行精修，从而获得处理后的3D模型，最后，将需要单体化的部分提出，即从3D模型中提取出高精地图，并对高精地图中需要语义化分层的各个信息进行语义化分层，例如，将车道线、交通标识、经纬度坐标、道路边界线等信息分层体现在高精地图的数据集中。

进一步地，基于上述方法步骤获得的3D模型，还可建立交通参与者模型库，包括但不限于：建筑物库、绿植库、路面库、交通灯库、交通标识库以及材料库，可见，通过建立上述的交通参与者模型库，可增强对生成各种复杂虚拟(仿真)场景的适应能力；此外，通过调用已构建的交通参与者模型库，来达到快速构建虚拟场景的目的，并且，在进行大数量级虚拟道路拓展仿真时，可应用人工智能(Artificial Intelligence，AI)算法，自动调用已构建的交通参与者模型库来生成虚拟场景，从而高效低成本地还原涵盖真实环境信息的虚拟场景，其中，虚拟场景含有：道路、植被、车辆、建筑、道路标识、交通信号灯、路灯以及建筑物的灯光逻辑路灯等。

可选的，上述构建虚拟场景的过程中，还可采用物理光线追踪技术，物理级还原天气、光线等真实环境细节，准确模拟天气变化和特殊场景。

在一种可选的实现方式中，服务器还可以模拟现实世界中车辆、行人等交通参与者的行为控制，实现精细化、参数化交通参与者行为模拟，最大限度地还原实车测试工况，从而通过具备数据驱动的交通参与者控制模型，可以满足参与车辆自动驾驶，危险驾驶控制等模拟。

在一种可选的实现方式中，服务器在构建虚拟现实仿真世界的过程中，可以根据路面信息(包含路面、车道、路肩等)生成模拟的道路并完成渲染，同时，在规定区域内生成绿化植被、道路交通设施和建筑物，随机产生交通锥、垃圾桶、障碍物等物体，模拟植被像真实世界一样掉叶子的逼真效果；还可以根据路线图谱生成车流；另外，还具备对环境进行丰富的自定义变量修改，比如，各种交通参与者、有不同区域特性建筑、环境天气、环境关照、积水等。场景可以丰富的自定义变量，可以获得更多更全面的测试场景，有些甚至是原本真实世界中很难采集或者无法采集的场景，这样通过逼真场景模拟，可以快速构建智能驾驶感知场景数据库。

还需说明的是，在执行步骤S302的过程中，参阅图4所示，服务器可以分别确定各固有场景特征(如，车道、建筑物、交通标识等)所归属的固有特征集合(如，Inher.Feat.Set1)的固有集合类型(如，Inher.Type1)，以及动态特征集合(如，Dynam.Feat.Set1，其中，动态特征集合Dynam.Feat.Set1包含：交通灯、天气情况、行人、车流等)的动态集合类型(如，Dynam.Type1)，从而基于固有集合类型Inher.Type1和动态集合类型Dynam.Type1，以及预设的场景标识生成规则Scena.ID.Gener.Rules，生成第一测试场景的场景标识，比如，Scena.ID1。

示例性的，以2种固有集合类型和2种动态集合类型为例，则基于预设的标识生成规则，生成的各场景标识如表1所示：

表1

固有集合类型	动态集合类型	场景标识
			Inher.Type1	Dynam.Type1	Scena.ID1
Inher.Type1	Dynam.Type2	Scena.ID2
			Inher.Type2	Dynam.Type1	Scena.ID3
Inher.Type2	Dynam.Type2	Scena.ID4

进一步地，服务器在获得第一测试场景的候选虚拟场景之后，可将其保存至预设的候选虚拟场景集合中。

显然，基于上述的候选虚拟场景的构建方法，以及测试场景的场景标识生成方法，服务器在获得各种测试环境各自对应的候选虚拟场景和场景标识之后，便可得到预设的候选虚拟场景集合，从而实现后续对虚拟车辆的感知算法模型的训练，参阅图5所示，其为本申请实施例提供的一种感知算法数据闭环方法的实施流程图，该方法的具体实施流程如下：

S501：从目标终端发送的智能驾驶算法模型训练和测试请求中，获取待测车辆的车辆特征集和测试场景的场景标识。

具体的，在执行步骤S501时，服务器在接收到目标终端发送的智能驾驶算法模型训练和测试请求之后，便可对获得的智能驾驶算法模型训练和测试请求进行解析，故而，从智能驾驶算法模型训练和测试请求中，获取到待测车辆的车辆特征集和测试场景的场景标识。

其中，车辆特征集包含至少一个特征属性，特征属性可以为车体系统、制动系统、转向系统、悬架系统、轮胎、灯管系统、座舱等的特征，也可以为待测车辆的视觉感知特征属性，即视觉感知设备的特征。

S502：基于车辆特征集包含的各个特征属性，构建与待测车辆满足预设的车辆相似度条件的虚拟车辆。

需要说明的是，在自动驾驶虚拟现实仿真中，除了对场景的真实性有极高的要求，对车辆的动力学表现也有极高的要求，包括路面对底盘的作用、空气动力学影响等，需要建立具有高自由度、高还原度的车辆动力学模型。

其中，应用车辆动力学，可以仿真车辆对驾驶员，路面及空气动力学输入的响应，主要用来预测和仿真汽车整车的操纵稳定性、制动性、平顺性、动力性和经济性；通过参数化建模，即对整车的尺寸、簧上质量、空气动力学、转向、制动、刹车、悬架、轮胎等进行模型定义，从而获得更接近真实的车辆动力学表现，真实还原车辆运动行为；同时，依托数据化建模技术，建设车辆模型，比如，可以高度逼真还原呈现车辆灯光渲染、仪表、控制屏幕等。

由此可见，基于上述S502的方法步骤，服务器在获取到待测车辆的车辆特征集和测试场景的场景标识之后，便可以基于车辆特征集包含的各个特征属性，构建与待测车辆满足预设的车辆相似度条件的虚拟车辆，示例性的，预设的车辆相似度条件可具体为：待测车辆与构建的虚拟车辆的各项性能参数(即各特征属性)的相似度大于99％。

在一种可选的实现方式中，由于上述各个特征属性包括待测车辆的视觉感知特征属性，故而，服务器在基于车辆特征集包含的各个特征属性，构建与待测车辆满足预设的车辆相似度条件的虚拟车辆的过程中，还可以基于视觉感知特征属性，构建虚拟车辆的视觉感知设备，以便在后续进行车辆的感知算法模型训练以及测试等相关操作的时候，构建的虚拟车辆可以像待测车辆一般去感知环境信息。

其中，虚拟车辆的视觉感知设备是一种虚拟传感器，可称之为视觉传感器，也可称之为视觉图像采集设备，因此，在本申请实施例中，并不对其名称或命名做任何限定。

示例性的，视觉感知设备仿真通过构建真实世界的虚拟三维模型，并根据物体的真实材质与纹理，对三维模型添加颜色与光学属性等；采用基于物理的渲染和基于物理的光照，保证光线能量守恒，合成逼真的图像数据，同时可以对图像进行泛化和后处理；视觉感知设备仿真的具备对摄像头的外参、内参和畸变参数的调节，比如：位置和姿态、视场角(Field of View，FOV)、分辨率、采样帧率、分辨率失真、径向畸变、切向畸变、主点坐标、焦距等参数；还可以输出目标物级信号，输出目标的位置、姿态、速度等状态信息，其中，目标包括但不限于：行人、车流中的任一车辆、动物；此外，视觉感知设备还具备调节动态范围，模糊锐化，晕光，噪点等特征属性。

S503：从预设的候选虚拟场景集合中，筛选出与场景标识相匹配的目标虚拟场景。

其中，鉴于上述S301～S302的虚拟场景构建的方法，测试场景与其对应的候选虚拟场景满足预设的场景相似度，故而，目标虚拟场景与测试场景也满足预设的场景相似度条件，示例性的，预设的场景相似度条件可具体为：目标虚拟场景与测试场景的场景相似度为96％。

示例性的，在执行步骤S503时，假定预设的候选虚拟场景集合包含5个测试场景(比如，A景区、B公园、C街道、D城区和E山区)各自的候选虚拟场景，且上述5个测试场景各自的候选虚拟场景和场景标识如表2所示：

表2

基于上述表格记录的测试场景及其各自的候选虚拟场景和场景标识，若服务器获得待测场景的场景标识为Scena.ID3，则可基于上述对应关系，确定相应的目标虚拟场景为候选虚拟场景Vir.Scen3。

S504：驱使虚拟车辆在目标虚拟场景中行驶，并基于虚拟车辆的环境感知信息，对虚拟车辆的感知算法模型进行训练和测试。

在一种可选的实现方式中，参阅图6所示，在执行步骤S504时，服务器可以通过虚拟车辆的视觉感知设备，获取目标虚拟场景中，虚拟车辆前方设定范围内的路况信息，从而根据预设的路况信息和车辆行驶方式之间的映射关系，获得对应路况信息设置的车辆行驶方式，进而基于对应路况信息设置的车辆行驶方式，驱使虚拟车辆在目标虚拟场景中行驶，其中，设定范围可以根据实际情况(比如，待测车辆的高精度视觉感知范围)而进行设定。

基于上述S501～S504的感知算法数据闭环方法，参阅图7所示，服务器从目标终端发送的智能驾驶算法模型训练和测试请求Algo.Mode.Tra.Request中，获取待测车辆Test.Car的车辆特征集Car.Feat.Set和测试场景Test.Scen3(比如，XX公园)的场景标识Scena.ID3；接着，基于车辆特征集Car.Feat.Set1包含的各个特征属性，构建与待测车辆满足预设的车辆相似度条件Veh.Sim.Con的虚拟车辆Vir.Car；进一步地，从预设的候选虚拟场景集合Vir.Scen.Set中，筛选出与场景标识Scena.ID3相匹配的目标虚拟场景Vir.Scen3；最终，驱使虚拟车辆Vir.Car在目标虚拟场景Vir.Scen3中行驶，并基于虚拟车辆Vir.Car的环境感知信息Env.Awa.Inform，对虚拟车辆Vir.Car的感知算法模型进行训练和测试。

需要说明的是，参阅图8所示，服务器基于上述的感知算法数据闭环方法，可以在虚拟现实智能驾驶仿真平台中，基于真实数据的交通数据库，结合场景元素、天气、交通参与者，高效构建高逼真的仿真环境以及自动驾驶多种极限场景，快速搭建数万公里罕见的数据集，全面构建智能驾驶视觉感知场景；还可以基于虚拟现实仿真平台，代替实车数据采集和标注，合成(视觉)感知算法需要的训练集和高效合成海量感知标注数据，其中，视觉感知设备的相关数据主要包括：图像和对应的语义分割、实例分割、深度标注、目标检测标注，以及直接训练(视觉)感知算法模型，将训练后的(视觉)算法感知模型部署到虚拟现实仿真世界中进行测试，实时反馈模型测试问题，高效地实现数据闭环，提升数据采集的高效性和安全性。

还需说明的是，可根据(视觉)算法感知模型的训练需求，从虚拟现实智能驾驶仿真平台中，筛选出相应的数据集去训练和测试，可选的，需要将虚拟现实智能驾驶仿真平台中的数据转换为适用于(视觉)算法感知模型训练和测试的数据形式。

综上所述，在本申请实施例所提供的感知算法数据闭环方法中，从目标终端发送的智能驾驶算法模型训练和测试请求中，获取待测车辆的车辆特征集和测试场景的场景标识；接着，基于车辆特征集包含的各个特征属性，构建与待测车辆满足预设的车辆相似度条件的虚拟车辆；进一步地，从预设的候选虚拟场景集合中，筛选出与场景标识相匹配的目标虚拟场景；其中，目标虚拟场景与测试场景满足预设的场景相似度条件；最终，驱使虚拟车辆在目标虚拟场景中行驶，并基于虚拟车辆的环境感知信息，对虚拟车辆的感知算法模型进行训练和测试。

采用这种方式，基于构建虚拟车辆以及预设的候选虚拟场景集合包含的目标虚拟场景，即通过自动驾驶虚拟仿真应用，将减少极限工况等测试成本，构建高逼真的仿真环境以及自动驾驶多种极限场景，搭建基于真实数据的交通数据库，解决自动驾驶长尾效应数据问题，也避免了相关技术中，因需要通过实车路试采集道路数据，从而导致在某些道路数据采集难度很大的道路场景下，根本无法直接采集到相应的道路数据，对感知算法模型进行训练和测试，进而无法保证训练后感知算法模型的可靠性和全面性的技术弊端，故而，提高了感知算法模型的可靠性和全面性，也在一定程度上提高了感知算法模型训练和测试的效率。

进一步地，基于相同的技术构思，本申请实施例还提供了一种感知算法数据闭环装置，该感知算法数据闭环装置用以实现本申请实施例的上述的感知算法数据闭环方法流程。参阅图9所示，该感知算法数据闭环装置包括：获取模块901、构建模块902、筛选模块903以及驱使模块904，其中：

获取模块901，用于从目标终端发送的智能驾驶算法模型训练和测试请求中，获取待测车辆的车辆特征集和测试场景的场景标识；

构建模块902，用于基于车辆特征集包含的各个特征属性，构建与待测车辆满足预设的车辆相似度条件的虚拟车辆；

筛选模块903，用于从预设的候选虚拟场景集合中，筛选出与场景标识相匹配的目标虚拟场景；其中，目标虚拟场景与测试场景满足预设的场景相似度条件；

驱使模块904，用于驱使虚拟车辆在目标虚拟场景中行驶，并基于虚拟车辆的环境感知信息，对虚拟车辆的感知算法模型进行训练和测试。

在一种可选的实施例中，预设的候选虚拟场景集合中包括一个或多个测试场景的候选虚拟场景；其中，第一测试场景的候选虚拟场景采用如下方式获得：

基于场景信息采集设备采集到的第一测试场景的场景信息，获得第一测试场景包含的各固有场景特征；

基于各固有场景特征，以及与智能驾驶算法模型训练和测试请求对应的动态特征集合，构建第一测试场景的候选虚拟场景，第一测试场景为一个或多个测试场景中任一场景。

在一种可选的实施例中，在构建第一测试场景的候选虚拟场景的过程中，所述构建模块902还用于：

分别确定各固有场景特征所归属的固有特征集合的固有集合类型，以及动态特征集合的动态集合类型；

基于固有集合类型和动态集合类型，生成第一测试场景的场景标识。

在一种可选的实施例中，各个特征属性包括待测车辆的视觉感知特征属性；

则基于车辆特征集包含的各个特征属性，构建与待测车辆满足预设的车辆相似度条件的虚拟车辆，所述构建模块902具体用于：

基于视觉感知特征属性，构建虚拟车辆的视觉感知设备。

在一种可选的实施例中，在驱使虚拟车辆在目标虚拟场景中行驶时，所述驱使模块904具体用于：

通过虚拟车辆的视觉感知设备，获取目标虚拟场景中，虚拟车辆前方设定范围内的路况信息；

基于对应路况信息设置的车辆行驶方式，驱使虚拟车辆在目标虚拟场景中行驶。

基于相同的技术构思，本申请实施例还提供了一种电子设备，该电子设备可实现本申请上述实施例提供的感知算法数据闭环方法流程。在一种实施例中，该电子设备可以是服务器，也可以是终端设备或其他电子设备。如图10所示，该电子设备可包括：

至少一个处理器1001，以及与至少一个处理器1001连接的存储器1002，本申请实施例中不限定处理器1001与存储器1002之间的具体连接介质，图10中是以处理器1001和存储器1002之间通过总线1000连接为例。总线1000在图10中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。总线1000可以分为地址总线、数据总线、控制总线等，为便于表示，图10中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。或者，处理器1001也可以称为控制器，对于名称不做限制。

在本申请实施例中，存储器1002存储有可被至少一个处理器1001执行的指令，至少一个处理器1001通过执行存储器1002存储的指令，可以执行前文论述的一种感知算法数据闭环方法。处理器1001可以实现图9所示的装置中各个模块的功能。

其中，处理器1001是该装置的控制中心，可以利用各种接口和线路连接整个该控制设备的各个部分，通过运行或执行存储在存储器1002内的指令以及调用存储在存储器1002内的数据，该装置的各种功能和处理数据，从而对该装置进行整体监控。

在一种可能的设计中，处理器1001可包括一个或多个处理单元，处理器1001可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1001中。在一些实施例中，处理器1001和存储器1002可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。

处理器1001可以是通用处理器，例如CPU、数字信号处理器、专用集成电路、现场可编程门阵列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申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的一种感知算法数据闭环方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器1002作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器1002可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器1002是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器1002还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。

通过对处理器1001进行设计编程，可以将前述实施例中介绍的一种感知算法数据闭环方法所对应的代码固化到芯片内，从而使芯片在运行时能够执行图5所示的实施例的一种感知算法数据闭环方法的步骤。如何对处理器1001进行设计编程为本领域技术人员所公知的技术，这里不再赘述。

基于同一发明构思，本申请实施例还提供一种存储介质，该存储介质存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行前文论述的一种感知算法数据闭环方法。

在一些可能的实施方式中，本申请提供一种感知算法数据闭环方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在装置上运行时，程序代码用于使该控制设备执行本说明书上述描述的根据本申请各种示例性实施方式的一种感知算法数据闭环方法中的步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (12)

1.一种感知算法数据闭环方法，其特征在于，包括：

从目标终端发送的智能驾驶算法模型训练和测试请求中，获取待测车辆的车辆特征集和测试场景的场景标识；

基于所述车辆特征集包含的各个特征属性，构建与所述待测车辆满足预设的车辆相似度条件的虚拟车辆；

从预设的候选虚拟场景集合中，筛选出与所述场景标识相匹配的目标虚拟场景；其中，所述目标虚拟场景与所述测试场景满足预设的场景相似度条件；

驱使所述虚拟车辆在所述目标虚拟场景中行驶，并基于所述虚拟车辆的环境感知信息，对所述虚拟车辆的感知算法模型进行训练和测试。

2.如权利要求1所述的方法，其特征在于，所述预设的候选虚拟场景集合中包括一个或多个测试场景的候选虚拟场景；其中，第一测试场景的候选虚拟场景采用如下方式获得：

基于场景信息采集设备采集到的所述第一测试场景的场景信息，获得所述第一测试场景包含的各固有场景特征；

基于所述各固有场景特征，以及与所述智能驾驶算法模型训练和测试请求对应的动态特征集合，构建所述第一测试场景的候选虚拟场景，所述第一测试场景为所述一个或多个测试场景中任一场景。

3.如权利要求2所述的方法，其特征在于，所述构建所述第一测试场景的候选虚拟场景的过程中，还包括：

分别确定所述各固有场景特征所归属的固有特征集合的固有集合类型，以及所述动态特征集合的动态集合类型；

基于所述固有集合类型和所述动态集合类型，生成所述第一测试场景的场景标识。

4.如权利要求1-3中任一项所述的方法，其特征在于，所述各个特征属性包括所述待测车辆的视觉感知特征属性；

则所述基于所述车辆特征集包含的各个特征属性，构建与所述待测车辆满足预设的车辆相似度条件的虚拟车辆，包括：

基于所述视觉感知特征属性，构建所述虚拟车辆的视觉感知设备。

5.如权利要求4所述的方法，其特征在于，所述驱使所述虚拟车辆在所述目标虚拟场景中行驶，包括：

通过所述虚拟车辆的视觉感知设备，获取所述目标虚拟场景中，所述虚拟车辆前方设定范围内的路况信息；

基于对应所述路况信息设置的车辆行驶方式，驱使所述虚拟车辆在所述目标虚拟场景中行驶。

6.一种感知算法数据闭环装置，其特征在于，包括：

获取模块，用于从目标终端发送的智能驾驶算法模型训练和测试请求中，获取待测车辆的车辆特征集和测试场景的场景标识；

构建模块，用于基于所述车辆特征集包含的各个特征属性，构建与所述待测车辆满足预设的车辆相似度条件的虚拟车辆；

筛选模块，用于从预设的候选虚拟场景集合中，筛选出与所述场景标识相匹配的目标虚拟场景；其中，所述目标虚拟场景与所述测试场景满足预设的场景相似度条件；

驱使模块，用于驱使所述虚拟车辆在所述目标虚拟场景中行驶，并基于所述虚拟车辆的环境感知信息，对所述虚拟车辆的感知算法模型进行训练和测试。

7.如权利要求6所述的装置，其特征在于，所述预设的候选虚拟场景集合中包括一个或多个测试场景的候选虚拟场景；其中，第一测试场景的候选虚拟场景采用如下方式获得：

基于场景信息采集设备采集到的所述第一测试场景的场景信息，获得所述第一测试场景包含的各固有场景特征；

基于所述各固有场景特征，以及与所述智能驾驶算法模型训练和测试请求对应的动态特征集合，构建所述第一测试场景的候选虚拟场景，所述第一测试场景为所述一个或多个测试场景中任一场景。

8.如权利要求6所述的装置，其特征在于，在所述构建所述第一测试场景的候选虚拟场景的过程中，所述构建模块还用于：

分别确定所述各固有场景特征所归属的固有特征集合的固有集合类型，以及所述动态特征集合的动态集合类型；

基于所述固有集合类型和所述动态集合类型，生成所述第一测试场景的场景标识。

9.如权利要求6-8中任一项所述的装置，其特征在于，所述各个特征属性包括所述待测车辆的视觉感知特征属性；

则所述基于所述车辆特征集包含的各个特征属性，构建与所述待测车辆满足预设的车辆相似度条件的虚拟车辆，所述构建模块具体用于：

基于所述视觉感知特征属性，构建所述虚拟车辆的视觉感知设备。

10.如权利要求9所述的装置，其特征在于，在所述驱使所述虚拟车辆在所述目标虚拟场景中行驶时，所述驱使模块具体用于：

通过所述虚拟车辆的视觉感知设备，获取所述目标虚拟场景中，所述虚拟车辆前方设定范围内的路况信息；

基于对应所述路况信息设置的车辆行驶方式，驱使所述虚拟车辆在所述目标虚拟场景中行驶。

11.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-5中任一项所述的方法。

12.一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如权利要求1-5中任一所述方法的步骤。

Images