CN116011225A - 场景库的生成方法、测试方法、电子设备及存储介质 - Google Patents
场景库的生成方法、测试方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116011225A CN116011225A CN202310011573.3A CN202310011573A CN116011225A CN 116011225 A CN116011225 A CN 116011225A CN 202310011573 A CN202310011573 A CN 202310011573A CN 116011225 A CN116011225 A CN 116011225A
- Authority
- CN
- China
- Prior art keywords
- data
- track
- real
- lane
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供了一种自动驾驶场景库的生成方法、测试方法、电子设备及存储介质,自动驾驶场景库的生成方法,包括:获得采集得到的车道级轨迹数据,并从所述车道级轨迹数据中提取得到至少一类真实边缘场景数据;针对一类所述真实边缘场景数据进行行驶参数提取,并确定所述行驶参数的参数分布范围;对所述行驶参数在所述参数分布范围内进行随机采样,根据随机采样结果生成泛化边缘场景数据;根据所述真实边缘场景数据以及所述泛化边缘场景数据生成自动驾驶场景库。
Description
技术领域
本申请实施例涉及自动驾驶技术领域,尤其涉及一种自动驾驶场景库的生成方法、测试方法、电子设备及计算机存储介质。
背景技术
自动驾驶场景库是自动驾驶的仿真测试的基础。自动驾驶场景库中应该存储有各种各样的驾驶场景。但是,针对驾驶过程中的一些边缘场景(corner case),例如急刹车、急加速、换道等场景,由于其发生次数较少,导致能够采集到的边缘场景的数量较少。
但是边缘场景对自动驾驶的仿真测试极为重要,忽略边缘场景会导致自动驾驶出现长尾效应,一旦在自动驾驶过程中出现未测试成功的边缘场景,可能会导致严重事故。
因此,现有技术中亟需解决的技术问题是如何创建边缘场景丰富的自动驾驶场景库。
发明内容
有鉴于此,本申请实施例提供一种自动驾驶场景库的生成方案,以至少部分解决上述问题。
根据本申请实施例的第一方面,提供了一种自动驾驶场景库的生成方法,包括:获得采集得到的车道级轨迹数据,并从所述车道级轨迹数据中提取得到至少一类真实边缘场景数据;针对一类所述真实边缘场景数据进行行驶参数提取,并确定所述行驶参数的参数分布范围;对所述行驶参数在所述参数分布范围内进行随机采样,根据随机采样结果生成泛化边缘场景数据;根据所述真实边缘场景数据以及所述泛化边缘场景数据生成自动驾驶场景库。
根据本申请实施例的第二方面,提供了一种自动驾驶的仿真测试方法,包括:获得采集得到的车道级轨迹数据,并从所述车道级轨迹数据中提取得到至少一类真实边缘场景数据;针对一类所述真实边缘场景数据进行行驶参数提取,并确定所述行驶参数的参数分布范围;对所述行驶参数在所述参数分布范围内进行随机采样,根据随机采样结果生成泛化边缘场景数据;根据所述真实边缘场景数据以及所述泛化边缘场景数据生成自动驾驶场景库;根据所述自动驾驶场景库进行自动驾驶的仿真测试。
根据本申请实施例的第三方面,提供了一种电子设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如上所述方法对应的操作。
根据本申请实施例的第四方面,提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的方法。
根据本申请实施例提供的自动驾驶场景库的生成方案,通过获得采集得到的车道级轨迹数据,并从所述车道级轨迹数据中提取得到至少一类真实边缘场景数据;针对一类所述真实边缘场景数据进行行驶参数提取,并确定所述行驶参数的参数分布范围;再对所述行驶参数在所述参数分布范围内进行随机采样,根据随机采样结果生成泛化边缘场景数据,可以使得生成的泛化边缘场景数据与真实边缘场景数据更加接近;最后根据所述真实边缘场景数据以及所述泛化边缘场景数据生成自动驾驶场景库,可以使得得到的自动驾驶场景库中的边缘场景能够更加贴近真实的驾驶行为,提高了自动驾驶场景库的质量,提高了通过自动驾驶场景库训练的自动驾驶算法的训练效果。
附图说明
为了更清楚地说明本申请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申请实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为适用本申请实施例的自动驾驶场景库的生成方法的示例性系统的示意图;
图2A为根据本申请实施例的一种自动驾驶场景库的生成方法的步骤流程图;
图2B为图2A所示实施例中的一种场景示例的示意图;
图3A为根据本申请实施例的另一种自动驾驶场景库的生成方法的步骤流程图;
图3B为图3A所示实施例中的一种泛化边缘场景数据的生成方法示意图;
图4为根据本申请实施例的一种仿真测试方法的步骤流程图;
图5为根据本申请实施例五的一种电子设备的结构示意图。
具体实施方式
为了使本领域的人员更好地理解本申请实施例中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本申请实施例保护的范围。
下面结合本申请实施例附图进一步说明本申请实施例具体实现。
图1示出了一种适用本申请实施例的自动驾驶场景库的生成方法的示例性系统。如图1所示,该系统100可以包括云服务端102、通信网络104和/或一个或多个用户设备106,图1中示例为多个用户设备。
云服务端102可以是用于存储信息、数据、程序和/或任何其他合适类型的内容的任何适当的设备,包括但不限于分布式存储系统设备、服务器集群、计算云服务端集群等。在一些实施例中,云服务端102可以执行任何适当的功能。例如,在一些实施例中,云服务端102可以用于存储车道级轨迹数据。作为可选的示例,在一些实施例中,云服务端102可以被用于根据随机采样结果生成泛化边缘场景数据。作为另一示例,在一些实施例中,云服务端102可以被用于将确定出的真实边缘场景数据或者泛化边缘场景数据发送到用户设备。
在一些实施例中,通信网络104可以是一个或多个有线和/或无线网络的任何适当的组合。例如,通信网络104能够包括以下各项中的任何一种或多种:互联网、内联网、广域网(WAN)、局域网(LAN)、无线网络、数字订户线路(DSL)网络、帧中继网络、异步转移模式(ATM)网络、虚拟专用网(VPN)和/或任何其它合适的通信网络。用户设备106能够通过一个或多个通信链路(例如,通信链路112)连接到通信网络104,该通信网络104能够经由一个或多个通信链路(例如,通信链路114)被链接到云服务端102。通信链路可以是适合于在用户设备106和云服务端102之间传送数据的任何通信链路,诸如网络链路、拨号链路、无线链路、硬连线链路、任何其它合适的通信链路或此类链路的任何合适的组合。
用户设备106可以包括适合于车道级轨迹数据、真实边缘场景数据或者泛化边缘场景数据的任何一个或多个用户设备。在一些实施例中,用户设备106可以包括任何合适类型的设备。例如,在一些实施例中,用户设备106可以包括移动设备、平板计算机、膝上型计算机、台式计算机、可穿戴计算机、游戏控制台、媒体播放器、车辆娱乐系统和/或任何其他合适类型的用户设备。
基于上述系统,本申请实施例提供了一种自动驾驶场景库的生成方法,以下通过多个实施例进行说明。
参见图2A,示出了本申请实施例提供的一种自动驾驶场景库的生成方法的流程示意图,如图所示,其包括:
S201、获得采集得到的车道级轨迹数据,并从所述车道级轨迹数据中提取得到至少一类真实边缘场景数据。
车道级轨迹数据是指能够精确至车辆行驶的车道的轨迹数据,车道级轨迹数据可以为通过任意方式采集得到的车道级轨迹数据。例如,在用户的允许下采集的用户驾驶时使用的导航产生的车道级轨迹数据;在测试场景中布置感知设备并在测试场景中驾驶车辆得到的车辆轨迹数据;测试人员驾驶车辆产生的车道级轨迹数据等,这些均在本申请的保护范围内。
本实施例中,从车道级轨迹数据中可以提取出真实边缘场景数据,即真实发生的边缘场景的驾驶数据,边缘场景corner case可以为发生的次数较少但可能会导致严重事故的驾驶场景,例如急刹车、急加速、换道等场景。
具体边缘场景的内容可由本领域的技术人员确定,在此不再赘述。
通过对车道级轨迹数据进行提取,可以从中获得至少一类真实边缘场景轨迹数据,各类真实边缘场景数据中包括一个或者多个真实边缘场景数据,例如换道场景中可以包括:向左换道、向右换道、向左换道后立刻向右换道等边缘场景对应的多个真实边缘场景数据。
S202、针对一类所述真实边缘场景数据进行行驶参数提取,并确定所述行驶参数的参数分布范围。
一类真实边缘场景数据中的行驶参数一般较为类似,或者都会处于某一个范围内,则可以对某一类真实边缘场景数据进行行驶参数提取,得到行驶参数的参数分布范围。
另外,一类真实边缘场景数据中会包括多个行驶参数,例如,平均速度参数、加速度参数、变道时间参数、与周围车辆的距离参数等。针对各行驶参数,可以确定对应的参数分布范围。
S203、对所述行驶参数在所述参数分布范围内进行随机采样,根据随机采样结果生成泛化边缘场景数据。
本实施例中,在参数范围内进行随机采样,可以随机采样结果得到的行驶参数与真实边缘场景数据的行驶参数相似,进而使得根据随机结果生成的泛化边缘场景数据与真实边缘场景数据接近。
进行随机采样的具体实现可以参考相关技术,在此不再赘述。
若行驶参数存在多个,则可以针对部分或者全部行驶参数进行随机采样,未进行随机采样的行驶参数可以直接沿用某一个真实边缘场景数据的行驶参数
S204、根据所述真实边缘场景数据以及所述泛化边缘场景数据生成自动驾驶场景库。
本实施例中,可以将真实边缘场景数据以及泛化边缘场景数据按照预设的自动驾驶场景库的标准进行改写,从而生成自动驾驶场景库。
参见图2B,示出了一种使用场景示意图,如图所示,通过真实路侧数据,可以获得车道级驾驶轨迹,通过对车道级驾驶轨迹进行提取,可以得到若干类真实边缘场景数据,各类真实边缘场景数据可以包括多个真实边缘场景数据,图中的一个虚线框对应一类真实边缘场景数据。
通过对各类真实边缘场景数据进行统计分析,可以获得一类真实边缘场景数据的行驶参数的参数分布范围,例如可以获得参数1到参数n的参数分布范围,再在参数分布范围内对行驶参数进行随机采样,可以得到该类真实边缘场景数据对应的泛化边缘场景数据,根据真实边缘场景数据和泛化边缘场景数据这两部分边缘场景数据可以生成样本量足够且更加贴近真实驾驶行为的自动驾驶场景库。
本实施例提供的方案,通过获得采集得到的车道级轨迹数据,并从所述车道级轨迹数据中提取得到至少一类真实边缘场景数据;针对一类所述真实边缘场景数据进行行驶参数提取,并确定所述行驶参数的参数分布范围;再对所述行驶参数在所述参数分布范围内进行随机采样,根据随机采样结果生成泛化边缘场景数据,可以使得生成的泛化边缘场景数据与真实边缘场景数据更加接近;最后根据所述真实边缘场景数据以及所述泛化边缘场景数据生成自动驾驶场景库,可以使得得到的自动驾驶场景库中的边缘场景能够更加贴近真实的驾驶行为,提高了自动驾驶场景库的质量,提高了通过自动驾驶场景库训练的自动驾驶算法的训练效果。
图3A为本申请另一实施例提供的一种自动驾驶场景库的生成方法的流程示意图,如图所示,其包括:
S301、获取路侧感知数据以及车道级地图数据。
感知设备可以设置在道路边沿,并由相关人员驾驶标定车辆在道路上行驶,由此,可以通过感知设备获得车辆的路侧感知数据。
技术人员可以在路侧感知系统终端获得感知设备感知到的路侧感知数据,并将其传输至计算单元,并由计算单元执行图3A所示流程。
车道级地图数据可以为能够反映车道级别精度的地图数据。
S302、根据所述车道级地图数据对所述路侧感知数据进行轨迹还原,得到所述车道级轨迹数据。
通过路侧感知数据和车道级地图数据相结合,可以获得车辆在车道上的车道级轨迹数据。
可选地,本实施例中,受车道上行驶的车辆或者其他障碍物的干扰,可能会出现路侧感知数据不全或者质量较差的情况,因此,步骤S302之后,所述方法还可以包括:按照用于采集所述路侧感知数据的感知设备的位置进行区域划分,得到评估区域;确定所述车道级轨迹数据在所述评估区域内对应的质量评价指标参数,根据所述质量评价指标参数将轨迹质量排序靠后的n个所述车道级轨迹数据剔除,n为正整数。由此,可以剔除轨迹质量较低的车道级轨迹数据,保证后续生成的自动驾驶场景库的质量。
本实施例中,可以针对容易出现数据不全或者质量较差的感知设备的位置进行区域划分,也可以根据所有感知设备的位置进行区域划分,均在本申请的保护范围内。一般情况下,一个区域内可以包括一个或者多个感知设备,则可以将距离较近的感知设备划分至一个评估区域中。
一个评估区域内的车道级轨迹数据应该是完整且连续的,基于此,可以确定评估区域内确定车道级轨迹数据对应的质量评价指标参数,进而将轨迹质量排序靠后的n个车道级轨迹数据进行剔除,n为正整数。
可选地,本实施例中,所述质量评价指标参数包括以下至少之一:用于表征所述评估区域内的行驶速度是否发生突变的速度一致性参数、用于表征所述评估区域内的轨迹位置是否存在异常的位置一致性参数、用于表征所述评估区域内的轨迹是否完整的轨迹完整性参数。
速度一致性参数:具体可以统计预设时间段内,车道级轨迹数据中包括的处于评估区域内的所有轨迹点,并确定未发生速度突变的轨迹点占所有轨迹点数的比例,并将确定出的比例作为速度一致性参数。
具体地,针对一个轨迹点,若该轨迹点的单点速度与平均速度的偏差超过设定的偏差阈值,且该轨迹点不为停车点,则将该轨迹点确定为发生速度突变的轨迹点。
具体地,判断条件可以表征为:
(平均速度-单点速度)/平均速度≥偏差阈值,并且,单点速度>停车速度,则确定该轨迹点为发生速度突变的轨迹点。
从1到第i个轨迹点的平均速度的计算公式可以为:
其中,n、N为轨迹点的总数量,dist()为距离公式,pi-j用于表征第i-j个轨迹点,T为速度参数。
位置一致性参数:具体可以统计预设时间段内,车道级轨迹数据中包括的处于评估区域内的所有轨迹点,并确定未发生位置异常的轨迹点占所有轨迹点数的比例,并将确定出的比例作为位置一致性参数。
具体地,针对一个轨迹点,预测车辆从前一轨迹点沿其方向角,按两个轨迹点间速度平均值行驶T时间到达的位置,并将到达的位置与当前轨迹点的位置进行比较,若位置偏差大于或等于预设的位置阈值,则将该轨迹点确定为位置异常的轨迹点。
位置一致性参数:具体可以统计预设时间段内,车道级轨迹数据中包括的处于评估区域内的所有轨迹点,并确定未发生位置异常的轨迹点占所有轨迹点数的比例,并将确定出的比例作为位置一致性参数。
具体地,针对一个轨迹点,预测车辆从前一轨迹点沿其方向角,按两个轨迹点间速度平均值行驶T时间到达的位置,并将到达的位置与当前轨迹点的位置进行比较,若位置偏差大于或等于预设的位置阈值,则将该轨迹点确定为位置异常的轨迹点。
轨迹完整性参数:具体可以统计经过评估区域的车道级轨迹数据与评估区域的边界是否有非0的偶数个交点,并将其确定为完整轨迹,并可以将完整轨迹占总轨迹数量的比例确定为完整性参数。
S303、在所述车道级轨迹数据的时间范围内,确定第一时间段和第二时间段,以及从所述车道级轨迹数据中确定第一时间段和第二时间段各自对应的真实轨迹数据,所述第一时间段位于所述第二时间段之前。
S304、根据所述车道级轨迹数据中的历史时间段第一时间段对应的真实轨迹数据进行目标时间段第二时间段的轨迹预测,得到所述目标时间段第二时间段的预测轨迹数据。
S305、确定所述第二时间段的预测轨迹数据以及所述第二时间段对应的真实轨迹数据之间的差异。
S306、若所述差异大于或等于预设差异阈值,则根据所述第二时间段对应的真实轨迹数据确定真实边缘场景数据,以提取得到至少一类真实边缘场景数据。
具体地,针对某一个车道级轨迹数据,可以从中选择连续的两个时间段,靠前的作为第一时间段,靠后的作为第二时间段。之后可以通过预先训练的轨迹预测模型根据第一时间段的轨迹数据进行第二时间段的轨迹预测。
由于一般情况下,自动驾驶的车辆倾向于保持当前行驶状态,驾驶行为不会发生明显突变。因此,本实施例中,若轨迹预测结果与真实轨迹数据之间存在较大差异,说明车辆的形式状态发生了出乎意料的变化,则其大概率出现了边缘场景,因此,本实施例中,通过预设差异阈值判断是否根据所述第二时间段对应的真实轨迹数据确定真实边缘场景数据,并从中提取得到真实边缘场景数据。
具体地,可以设置时间窗口在车道级轨迹数据上滑动,并在滑动后执行上述步骤S303-S306,以对车道级轨迹数据进行完整检测和提取。
示例地,可以选择连续的两个时间段,第一个时间段为5s,第二个时间段为3s,并可以根据5s的轨迹数据对后3s进行轨迹预测,得到后3s的预测轨迹数据,具体可以通过长短期记忆网络LSTM进行轨迹预测。若后3s的预测轨迹数据与车道级轨迹数据中包括的与后3s的真实轨迹数据差距较大,则根据预测轨迹和真实轨迹数据计算差异值,根据差异值确定是否进行提取。
具体地,根据所述第二时间段对应的真实轨迹数据确定真实边缘场景数据,以提取得到至少一类真实边缘场景数据,可以包括:根据所述第二时间段对应的真实轨迹数据,提取得到驾驶行为数据;按照边缘场景筛选规则,对所述驾驶行为数据对应的所述行驶参数进行筛选,得到所述真实边缘场景数据。
具体地,根据第二时间段对应的真实轨迹数据对应的行驶参数,可以提取得到驾驶行为数据,例如换道、停车、急加速、急减速、超速等,之后可以根据各个驾驶行为数据对应的行驶参数进行筛选,将不属于边缘场景的驾驶行为剔除,得到真实边缘场景数据。
具体地,本事实例中,可以确定部分驾驶行为数据的标签,并且确定其中包括的边缘场景的标签,之后可以通过确定好标签的驾驶行为数据训练分类模型,分类模型可以用于表征用户设置的边缘场景筛选规则,通过训练的模型识别出真实边缘场景数据并进行分类,从而得到至少一类真实边缘场景数据。
S307、针对一类所述真实边缘场景数据进行行驶参数提取,并确定所述行驶参数的参数分布范围。
S308、对所述行驶参数在所述参数分布范围内进行随机采样,根据随机采样结果生成泛化边缘场景数据;
可选地,参见图3B,可以针对一类真实边缘场景数据的行驶参数进行统计,得到行驶参数的参数分布范围,参数分布范围具体可以例如碰撞时间范围、相对距离参数分布范围、平均速度参数分布范围、变道时间参数分布范围等。针对各个行驶参数,可以在参数分布范围内进行随机采样,并可以根据随机采样结果生成泛化边缘场景数据。
可选地,本实施例中,若上述步骤中按照边缘场景筛选规则,根据所述驾驶行为数据对应的所述行驶参数进行筛选,得到所述真实边缘场景数据,则执行步骤S307后,所述方法还可以包括:按照所述边缘场景筛选规则,对所述随机采样结果对应的行驶参数进行筛选,得到筛选后的所述泛化边缘场景数据。由此,可以按照真实边缘场景数据相同的边缘场景筛选规则,对泛化边缘场景数据进行筛选,保证了泛化边缘场景数据的质量。
S309、根据所述真实边缘场景数据以及所述泛化边缘场景数据生成自动驾驶场景库。
本实施例中,可以按照自动驾驶场景库的标准,例如按照Openscenario的标准,将真实边缘场景数据以及泛化边缘场景数据加工为标准场景库文件。
本实施例提供的方案,通过获得采集得到的车道级轨迹数据,并从所述车道级轨迹数据中提取得到至少一类真实边缘场景数据;针对一类所述真实边缘场景数据进行行驶参数提取,并确定所述行驶参数的参数分布范围,从而实现针对同一类型的大批量参数进行统计分析,得到参数分布;再对所述行驶参数在所述参数分布范围内进行随机采样,根据随机采样结果生成泛化边缘场景数据,可以使得生成的泛化边缘场景数据与真实边缘场景数据更加接近;然后可以针对真实边缘场景参数和泛化边缘场景参数采用相同的筛选规则,使得得到的自动驾驶场景库中的边缘场景能够更加贴近真实的驾驶行为,提高了自动驾驶场景库的质量,提高了通过自动驾驶场景库训练的自动驾驶算法的训练效果。
参见图4,示出了本实施例提供的一种自动驾驶的仿真测试方法的步骤流程图,如图所示,其包括:
S401、获得采集得到的车道级轨迹数据,并从所述车道级轨迹数据中提取得到至少一类真实边缘场景数据;
S402、针对一类所述真实边缘场景数据进行行驶参数提取,并确定所述行驶参数的参数分布范围;
S403、对所述行驶参数在所述参数分布范围内进行随机采样,根据随机采样结果生成泛化边缘场景数据;
S404、根据所述真实边缘场景数据以及所述泛化边缘场景数据生成自动驾驶场景库;
S405、根据所述自动驾驶场景库进行自动驾驶的仿真测试。
具体进行仿真测试的方案可参考相关技术,在此不再赘述。
本实施例提供的方案,通过获得采集得到的车道级轨迹数据,并从所述车道级轨迹数据中提取得到至少一类真实边缘场景数据;针对一类所述真实边缘场景数据进行行驶参数提取,并确定所述行驶参数的参数分布范围;再对所述行驶参数在所述参数分布范围内进行随机采样,根据随机采样结果生成泛化边缘场景数据,可以使得生成的泛化边缘场景数据与真实边缘场景数据更加接近;最后根据所述真实边缘场景数据以及所述泛化边缘场景数据生成自动驾驶场景库,可以使得得到的自动驾驶场景库中的边缘场景能够更加贴近真实的驾驶行为,提高了自动驾驶场景库的质量,提高了通过自动驾驶场景库训练的自动驾驶算法的训练效果。
参照图5,示出了根据本申请实施例五的一种电子设备的结构示意图,本申请具体实施例并不对电子设备的具体实现做限定。
如图5所示,该电子设备可以包括:处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中:
处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504,用于与其它电子设备或服务器进行通信。
处理器502,用于执行程序510,具体可以执行上述自动驾驶场景库的生成方法或者仿真测试方法的实施例中的相关步骤。
具体地,程序510可以包括程序代码,该程序代码包括计算机操作指令。
处理器502可能是CPU,或者是特定集成电路ASIC(Application SpecificIntegrated Circuit),或者是被配置成实施本申请实施例的一个或多个集成电路。智能设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器506,用于存放程序510。存储器506可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行前述多个方法实施例中任一实施例所描述的自动驾驶场景库的生成方法或者仿真测试方法对应的操作。
程序510中各步骤的具体实现可以参见上述方法实施例中的相应步骤和单元中对应的描述,并具有相应的有益效果,在此不赘述。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,上述描述的设备和模块的具体工作过程,可以参考前述方法实施例中的对应过程描述,在此不再赘述。
本申请实施例还提供了一种计算机程序产品,包括计算机指令,该计算机指令指示计算设备执行上述多个方法实施例中的任一自动驾驶场景库的生成方法或者仿真测试方法对应的操作。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
需要指出,根据实施的需要,可将本申请实施例中描述的各个部件/步骤拆分为更多部件/步骤,也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤,以实现本申请实施例的目的。
上述根据本申请实施例的方法可在硬件、固件中实现,或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码,或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如,RAM、ROM、闪存等),当所述软件或计算机代码被计算机、处理器或硬件访问且执行时,实现在此描述的方法。此外,当通用计算机访问用于实现在此示出的方法的代码时,代码的执行将通用计算机转换为用于执行在此示出的方法的专用计算机。
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例描述的各示例的单元及方法步骤,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申请实施例的范围。
以上实施方式仅用于说明本申请实施例,而并非对本申请实施例的限制,有关技术领域的普通技术人员,在不脱离本申请实施例的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本申请实施例的范畴,本申请实施例的专利保护范围应由权利要求限定。
Claims (11)
1.一种自动驾驶场景库的生成方法,包括:
获得采集得到的车道级轨迹数据,并从所述车道级轨迹数据中提取得到至少一类真实边缘场景数据;
针对一类所述真实边缘场景数据进行行驶参数提取,并确定所述行驶参数的参数分布范围;
对所述行驶参数在所述参数分布范围内进行随机采样,根据随机采样结果生成泛化边缘场景数据;
根据所述真实边缘场景数据以及所述泛化边缘场景数据生成自动驾驶场景库。
2.根据权利要求1所述的方法,其中,所述从所述车道级轨迹数据中提取得到至少一类真实边缘场景数据,包括:
在所述车道级轨迹数据的时间范围内,确定第一时间段和第二时间段,以及从所述车道级轨迹数据中确定第一时间段和第二时间段各自对应的真实轨迹数据,所述第一时间段位于所述第二时间段之前;
根据所述第一时间段对应的真实轨迹数据进行第二时间段的轨迹预测,得到所述第二时间段的预测轨迹数据;
确定所述第二时间段的预测轨迹数据以及所述第二时间段对应的真实轨迹数据之间的差异;
若所述差异大于或等于预设差异阈值,则根据所述第二时间段对应的真实轨迹数据确定真实边缘场景数据,以提取得到至少一类真实边缘场景数据。
3.根据权利要求2所述的方法,其中,所述根据所述第二时间段对应的真实轨迹数据确定真实边缘场景数据,以提取得到至少一类真实边缘场景数据,包括:
根据所述第二时间段对应的真实轨迹数据,提取得到驾驶行为数据;
按照边缘场景筛选规则,对所述驾驶行为数据对应的所述行驶参数进行筛选,得到所述真实边缘场景数据。
4.根据权利要求3所述的方法,其中,所述对所述行驶参数在所述参数分布范围内进行随机采样,根据随机采样结果生成泛化边缘场景数据之后,所述方法还包括:
按照所述边缘场景筛选规则,对所述随机采样结果对应的行驶参数进行筛选,得到筛选后的所述泛化边缘场景数据。
5.根据权利要求1所述的方法,其中,所述获得采集得到的车道级轨迹数据,包括:
获取路侧感知数据以及车道级地图数据;
根据所述车道级地图数据对所述路侧感知数据进行轨迹还原,得到所述车道级轨迹数据。
6.根据权利要求5所述的方法,其中,所述获得采集得到的车道级轨迹数据之后,所述方法还包括:
按照用于采集所述路侧感知数据的感知设备的位置进行区域划分,得到评估区域;
确定所述车道级轨迹数据在所述评估区域内对应的质量评价指标参数,根据所述质量评价指标参数将轨迹质量排序靠后的n个所述车道级轨迹数据剔除,n为正整数。
7.根据权利要求6所述的方法,其中,所述质量评价指标参数包括以下至少之一:用于表征所述评估区域内的行驶速度是否发生突变的速度一致性参数、用于表征所述评估区域内的轨迹位置是否存在异常的位置一致性参数、用于表征所述评估区域内的轨迹是否完整的轨迹完整性参数。
8.一种自动驾驶的仿真测试方法,包括:
获得采集得到的车道级轨迹数据,并从所述车道级轨迹数据中提取得到至少一类真实边缘场景数据;
针对一类所述真实边缘场景数据进行行驶参数提取,并确定所述行驶参数的参数分布范围;
对所述行驶参数在所述参数分布范围内进行随机采样,根据随机采样结果生成泛化边缘场景数据;
根据所述真实边缘场景数据以及所述泛化边缘场景数据生成自动驾驶场景库;
根据所述自动驾驶场景库进行自动驾驶的仿真测试。
9.一种电子设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-8中任一项所述的方法对应的操作。
10.一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-8中任一项所述的方法。
11.一种计算机程序产品,包括计算机指令,所述计算机指令指示计算设备执行如权利要求1-8中任一项所述的方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310011573.3A CN116011225A (zh) | 2023-01-05 | 2023-01-05 | 场景库的生成方法、测试方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310011573.3A CN116011225A (zh) | 2023-01-05 | 2023-01-05 | 场景库的生成方法、测试方法、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116011225A true CN116011225A (zh) | 2023-04-25 |
Family
ID=86029754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310011573.3A Pending CN116011225A (zh) | 2023-01-05 | 2023-01-05 | 场景库的生成方法、测试方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116011225A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117612127A (zh) * | 2024-01-19 | 2024-02-27 | 福思(杭州)智能科技有限公司 | 场景生成方法、装置和存储介质及电子设备 |
CN117744366A (zh) * | 2023-12-19 | 2024-03-22 | 万物镜像(北京)计算机系统有限公司 | 一种自动驾驶边缘仿真测试场景生成方法、装置及设备 |
-
2023
- 2023-01-05 CN CN202310011573.3A patent/CN116011225A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117744366A (zh) * | 2023-12-19 | 2024-03-22 | 万物镜像(北京)计算机系统有限公司 | 一种自动驾驶边缘仿真测试场景生成方法、装置及设备 |
CN117612127A (zh) * | 2024-01-19 | 2024-02-27 | 福思(杭州)智能科技有限公司 | 场景生成方法、装置和存储介质及电子设备 |
CN117612127B (zh) * | 2024-01-19 | 2024-04-26 | 福思(杭州)智能科技有限公司 | 场景生成方法、装置和存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116011225A (zh) | 场景库的生成方法、测试方法、电子设备及存储介质 | |
CN111428231B (zh) | 基于用户行为的安全处理方法、装置及设备 | |
CN112767644B (zh) | 一种基于视频识别的公路隧道内火灾预警方法及装置 | |
EP3796112A1 (en) | Virtual vehicle control method, model training method, control device and storage medium | |
US10993079B2 (en) | Motion detection method, device, and medium | |
CN111177887A (zh) | 一种基于真实驾驶场景构造仿真轨迹数据的方法和装置 | |
CN113269042B (zh) | 基于行驶车辆违章识别的智能交通管理方法及系统 | |
CN114972911A (zh) | 自动驾驶感知算法模型的输出数据收集处理方法及设备 | |
CN113326639B (zh) | 一种自动驾驶测试场景的确定方法、装置及电子设备 | |
CN110047167B (zh) | 车辆急转弯次数等效统计方法 | |
US20170371985A1 (en) | Method and apparatus of obtaining feature informtoin of simulated agents | |
CN115146491B (zh) | 自动驾驶系统的测试方法和装置、存储介质及电子装置 | |
CN113658426B (zh) | 一种车辆事故识别方法及装置 | |
CN110932932A (zh) | 自动驾驶云服务平台的可靠性确定方法及相关装置 | |
CN115270400A (zh) | 用于自动驾驶仿真的测试场景构建方法及可读存储介质 | |
EP4264436A1 (en) | Generating unknown-unsafe scenarios, improving automated vehicles, computer system | |
CN104318226B (zh) | 车牌识别设备参数设定方法及车牌识别器 | |
CN111385342B (zh) | 一种物联网行业识别方法、装置、电子设备及存储介质 | |
CN112729862A (zh) | 无人驾驶的驾驶行为安全评估方法、装置及电子设备 | |
CN117493820B (zh) | 一种数据要素处理方法和装置 | |
CN115880808A (zh) | 油耗仿真测试方法、装置、电子设备和存储介质 | |
CN116610091A (zh) | 仿真测试方法、电子设备及计算机存储介质 | |
CN117990101A (zh) | 轨迹相似度计算方法、装置、车辆、设备及介质 | |
CN115576798A (zh) | 一种测试时间窗的调整方法、装置、设备和介质 | |
CN117055793A (zh) | 一种滑块组件检测方法及装置、存储介质及电子设备 |
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 |