CN116225024A - 数据处理方法、装置及自动驾驶台架 - Google Patents
数据处理方法、装置及自动驾驶台架 Download PDFInfo
- Publication number
- CN116225024A CN116225024A CN202310382979.2A CN202310382979A CN116225024A CN 116225024 A CN116225024 A CN 116225024A CN 202310382979 A CN202310382979 A CN 202310382979A CN 116225024 A CN116225024 A CN 116225024A
- Authority
- CN
- China
- Prior art keywords
- simulation
- path
- vehicle
- sample
- visual image
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 238000004088 simulation Methods 0.000 claims abstract description 341
- 230000000007 visual effect Effects 0.000 claims abstract description 131
- 238000012549 training Methods 0.000 claims abstract description 94
- 238000000034 method Methods 0.000 claims abstract description 85
- 230000008569 process Effects 0.000 claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000000875 corresponding effect Effects 0.000 claims description 60
- 238000013528 artificial neural network Methods 0.000 claims description 49
- 230000001276 controlling effect Effects 0.000 claims description 35
- 230000005856 abnormality Effects 0.000 claims description 21
- 230000009471 action Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000007812 deficiency Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 101000595182 Homo sapiens Podocan Proteins 0.000 description 1
- 102100036036 Podocan Human genes 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- 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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Toys (AREA)
Abstract
本发明提供了一种数据处理方法、装置及自动驾驶台架,其中,该方法包括:获取第一仿真路径的路径信息;基于循迹算法,控制第一仿真车辆沿第一仿真路径循环地自动循迹行驶;采集第一仿真车辆在自动循迹行驶过程中,第一仿真车辆周围仿真环境的样本视觉图像以及相应的样本控制量信息;根据样本视觉图像以及样本控制量信息生成训练样本,并生成包括多个训练样本的训练集。通过本发明实施例提供的数据处理方法、装置及自动驾驶台架,可以实现独立安全自主地采集训练样本,不需要人为参与,效率高,成本低,且采用自动循迹的方式控制第一仿真车辆行驶,可以规避掉驾驶员本身的驾驶习惯,所采集到的训练样本能够训练得到更好的模型。
Description
技术领域
本发明涉及自动驾驶技术领域,具体而言,涉及一种数据处理方法、装置及自动驾驶台架。
背景技术
自动驾驶技术近些年处于高速发展的过程中,该技术是指自动驾驶车辆利用车载传感器实时获取车辆运行周围环境的信息,并且在没有人为操作干预的前提下,能够根据信息的变化,自主改变车辆的行驶行为,完成规定的目标驾驶任务。因此要实现自动驾驶,需要实现多种高科技的综合应用,比如环境感知、计算优化以及多种辅助驾驶等等,为实现这一目的需要运用计算机视觉、数据融合、传感器等多种技术。在上述这些技术中,计算机视觉通常是自动驾驶数据处理的起点,且自动驾驶车辆运行环境的信息是支撑自动驾驶正常运行最基础的数据。
在训练依靠视觉传感器的自动驾驶深度卷积神经网络时,需要大量的视觉图像和车辆控制量信息,且应包含这两种信息间的对应关系。传统上,需要驾驶员手动驾驶车辆,按照预先设定的路线反复行驶,通过传感器硬件及数据采集脚本采集数据,用于后续的训练工作。
驾驶员手动驾驶车辆采集视觉图像和车辆控制量信息的方法需要占用一名驾驶员长时间驾驶车辆,效率低下;且采集到的训练集不可避免地包含了驾驶员的驾驶习惯信息,导致训练结果也在某种行为模式上具有一定的倾向性。
发明内容
为解决现有存在的技术问题,本发明实施例提供一种数据处理方法、装置及自动驾驶台架。
第一方面,本发明实施例提供了一种数据处理方法,包括:
获取第一仿真路径的路径信息,所述路径信息包括所述第一仿真路径的多个路径坐标;所述第一仿真路径为首尾相接的闭环路径;
基于循迹算法,控制第一仿真车辆沿所述第一仿真路径循环地自动循迹行驶;
采集所述第一仿真车辆在自动循迹行驶过程中,所述第一仿真车辆周围仿真环境的样本视觉图像,并采集与所述样本视觉图像相对应的所述第一仿真车辆的样本控制量信息;
根据所述样本视觉图像以及与所述样本视觉图像相对应的所述样本控制量信息生成训练样本,并生成包括多个所述训练样本的训练集。
在一种可能的实现方式中,所述获取第一仿真路径的路径信息,包括:
接收用户输入的用于控制所述第一仿真车辆的控制指令,基于所述控制指令控制所述第一仿真车辆沿所述第一仿真路径行驶,并记录所述第一仿真车辆的位置坐标;
将所述第一仿真车辆沿完整的所述第一仿真路径行驶时所采集到的所述位置坐标均作为所述第一仿真路径的路径坐标,形成所述第一仿真路径的路径信息。
在一种可能的实现方式中,所述基于循迹算法,控制第一仿真车辆沿所述第一仿真路径循环地自动循迹行驶,包括:
每间隔一段时间,为所述第一仿真车辆添加扰动量,所述扰动量用于使所述第一仿真车辆偏离所述第一仿真路径;
在经过预设时长后,停止添加所述扰动量,并基于循迹算法,控制第一仿真车辆回到所述第一仿真路径。
在一种可能的实现方式中,所述为所述第一仿真车辆添加扰动量,包括:
为所述第一仿真车辆添加满足正态分布的横向扰动量和/或纵向扰动量;所述横向扰动量用于改变所述第一仿真车辆的航向,所述纵向扰动量用于改变所述第一仿真车辆的速度。
在一种可能的实现方式中,该方法还包括:
在添加所述扰动量的过程中,不采集所述样本视觉图像和所述样本控制量信息。
在一种可能的实现方式中,添加所述扰动量的总时长与总采集时长之间的比值在1:100至1:4之间。
在一种可能的实现方式中,所述根据所述样本视觉图像以及与所述样本视觉图像相对应的所述样本控制量信息生成训练样本,包括:
将所述样本视觉图像以及与所述样本视觉图像相对应的所述样本控制量信息作为训练样本;以及
将与所述样本视觉图像左右镜像对称的视觉图像,以及与相对应的样本控制量信息左右镜像对称的控制量信息作为训练样本。
在一种可能的实现方式中,在所述生成包括多个训练样本的训练集之后,该方法还包括:
根据所述训练集对预设的模型进行训练,生成自动驾驶神经网络;
在第二仿真车辆位于第二仿真路径的情况下,采集所述第二仿真车辆周围仿真环境的当前视觉图像,将所述当前视觉图像输入至所述自动驾驶神经网络,根据所述自动驾驶神经网络的输出结果确定相应的当前控制量信息;
根据所述当前控制量信息控制所述第二仿真车辆沿所述第二仿真路径行驶。
在一种可能的实现方式中,在所述根据所述自动驾驶神经网络的输出结果确定相应的当前控制量信息之后,该方法还包括:
根据所述当前控制量信息控制线控底盘动作。
第二方面,本发明实施例还提供了一种数据处理装置,包括:
获取模块,用于获取第一仿真路径的路径信息,所述路径信息包括所述第一仿真路径的多个路径坐标;所述第一仿真路径为首尾相接的闭环路径;
循迹模块,用于基于循迹算法,控制第一仿真车辆沿所述第一仿真路径循环地自动循迹行驶;
采集模块,用于采集所述第一仿真车辆在自动循迹行驶过程中,所述第一仿真车辆周围仿真环境的样本视觉图像,并采集与所述样本视觉图像相对应的所述第一仿真车辆的样本控制量信息;
生成模块,用于根据所述样本视觉图像以及与所述样本视觉图像相对应的所述样本控制量信息生成训练样本,并生成包括多个所述训练样本的训练集。
第三方面,本发明实施例提供了一种自动驾驶台架,包括:显示屏、摄像头和处理器,所述显示屏、所述摄像头均与所述处理器相连;
所述显示屏用于显示仿真车辆沿仿真路径行驶时周围的仿真环境;
所述摄像头用于用于采集所述显示屏所显示的仿真环境,形成视觉图像,并将所述视觉图像发送至所述处理器;
所述处理器用于执行如上所述的数据处理方法。
在一种可能的实现方式中,自动驾驶台架还包括线控底盘,所述线控底盘与所述处理器相连;所述线控底盘用于接收所述处理器发送的控制量信息,并执行相应的动作。
在一种可能的实现方式中,所述线控底盘包括能够注入故障的实体故障点和虚拟故障点;
所述实体故障点包括:线控信号故障点、线控电源故障点、EHB使能信号故障点、档位故障点、油门踏板电源故障点、自检指示灯故障点、制动指示灯故障点、模式切换故障点、模式切换指示灯故障点中的至少一项;
所述虚拟故障点包括:驾驶座无人、电池温度异常、电池电流异常、电池容量不足、BMS通讯异常、驱动电机异常、刹车系统异常、车速传感器异常、转向电机异常、超速限速急停、急停按钮急停、前碰撞告警、后碰撞告警中的至少一项。
第四方面,本发明实施例提供了一种数据处理设备,包括处理器和存储器,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存储器中存储的计算机程序,所述计算机程序被所述处理器执行时实现上述第一方面所述的数据处理方法。
第五方面,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,所述计算机程序被处理器执行时实现上述第一方面所述的数据处理方法。
本发明实施例提供的数据处理方法、装置及自动驾驶台架,通过控制第一仿真车辆在虚拟场景中自动循环地沿第一仿真路径行驶,可以采集到足够数量的样本视觉图像和样本控制量信息,从而获取到足够数量的训练样本。该方法不需要利用实际车辆进行采集,可以脱离场地的束缚,也不存在碰撞风险,危险程度低,且采集过程中可以自动循迹,不需要人为参与、监控,效率高,成本低,可以实现独立安全自主地采集训练样本;并且,采用自动循迹的方式控制第一仿真车辆行驶,可以规避掉驾驶员本身的驾驶习惯,所采集到的训练样本能够训练得到更好的模型。
采集过程中增加扰动量,可以增加第一仿真车辆沿第一仿真路径行驶时的多样性,能够采集到更丰富的样本视觉图像和样本控制量信息,也可以使得后续训练的模型更加准确。在训练得到自动驾驶神经网络后,可以利用虚拟场景实现模拟实车控制的目的,能够在线验证自动驾驶神经网络,且不需要实车参与,成本低,安全性高。并且,自动驾驶台架也可满足职业院校以及应用型本科相关专业开展实践实操教学活动。
附图说明
为了更清楚地说明本发明实施例或背景技术中的技术方案,下面将对本发明实施例或背景技术中所需要使用的附图进行说明。
图1示出了本发明实施例所提供的一种数据处理方法的流程图;
图2示出了本发明实施例所提供的仿真车辆在仿真路径中行驶时的一种示意图;
图3示出了本发明实施例所提供的另一种数据处理方法的流程图;
图4示出了本发明实施例所提供的自动驾驶台架的一种结构示意图;
图5示出了本发明实施例所提供的自动驾驶台架的另一种结构示意图;
图6示出了本发明实施例所提供的一种数据处理装置的结构示意图;
图7示出了本发明实施例所提供的一种数据处理设备的结构示意图。
具体实施方式
下面结合本发明实施例中的附图对本发明实施例进行描述。
图1示出了本发明实施例所提供的一种数据处理方法的流程图。该数据处理方法能够利用虚拟场景采集得到训练集。如图1所示,该方法包括:
步骤101:获取第一仿真路径的路径信息,路径信息包括第一仿真路径的多个路径坐标;第一仿真路径为首尾相接的闭环路径。
本发明实施例中,利用虚拟场景中的某条仿真路径,实现数据采集。其中,该虚拟场景可以为借助虚拟场景模拟软件(如Carla等)所展示的场景;该虚拟场景中可以包含一条或多条供仿真车辆形成的路径路径,本发明实施例选择其中一条仿真路径作为所需的路径,为方便描述,将该仿真路径称为第一仿真路径。并且,通过采集等方式可以获取到该第一仿真路径上多个位置点的坐标,即路径坐标,进而可以确定该第一仿真路径对应的路径信息。
此外,该第一仿真路径是首尾相接的闭环路径,即该第一仿真路径的起点和终点是相同的,利用该闭环路径方便实现自动采集数据。
可选地,上述步骤101“获取第一仿真路径的路径信息”可以包括以下步骤A1和步骤A2。
步骤A1:接收用户输入的用于控制第一仿真车辆的控制指令,基于控制指令控制第一仿真车辆沿第一仿真路径行驶,并记录第一仿真车辆的位置坐标。
步骤A2:将第一仿真车辆沿完整的第一仿真路径行驶时所采集到的位置坐标均作为第一仿真路径的路径坐标,形成第一仿真路径的路径信息。
本发明实施例中,利用虚拟场景模拟软件,用户可以控制该虚拟场景模拟软件所模拟的仿真车辆沿该某条仿真路径(如第一仿真路径)行驶;图2示出了仿真车辆在仿真路径中行驶时的一种示意图,该仿真路径为模拟的城市街道。用户需要控制某仿真车辆沿第一仿真路径行驶时,用户可输入相应的控制指令,该控制指令例如可以为左转弯、右转弯、加速、刹车等指令;为方便描述,将沿第一仿真路径行驶的仿真车辆称为第一仿真车辆。在接收到该控制指令后,即可基于该控制指令控制第一仿真车辆沿第一仿真路径行驶,并且,在第一仿真车辆沿第一仿真路径行驶的过程中,记录第一仿真车辆的多个位置坐标。例如,每间隔一段时间(如每隔200毫秒),确定并记录该第一仿真车辆所在位置的坐标,即位置坐标。在第一仿真车辆位于第一仿真路径的情况下,该第一仿真车辆的位置坐标即能够表示第一仿真路径的所在位置,即可以将该位置坐标作为第一仿真路径的路径坐标,从而形成相应的路径信息。
步骤102:基于循迹算法,控制第一仿真车辆沿第一仿真路径循环地自动循迹行驶。
其中,循迹算法是控制可移动装置(例如车辆等)沿预设路径自动移动的算法,本发明实施例将该第一仿真路径作为坐标已知的路径,基于该循迹算法控制第一仿真车辆沿该第一仿真路径自动行驶;例如,可以先手动控制第一仿真车辆行驶至该第一仿真路径附近,然后退出手动控制,之后该第一仿真车辆即可沿该第一仿真路径自动循迹行驶。
并且,由于第一仿真路径是首尾相接的闭环路径,当第一仿真车辆自动循迹行驶至终点后,可以继续再次沿该第一仿真路径自动行驶,从而实现自动地循环行驶。
步骤103:采集第一仿真车辆在自动循迹行驶过程中,第一仿真车辆周围仿真环境的样本视觉图像,并采集与样本视觉图像相对应的第一仿真车辆的样本控制量信息。
本发明实施例中,在第一仿真车辆在自动循迹行驶过程中,即在第一仿真车辆自动沿第一仿真路径行驶的过程中,采集第一仿真车辆周围仿真环境的图像,即样本视觉图像;同时,采集与该样本视觉图像相对应的第一仿真车辆的控制量信息,即样本控制量信息;例如,在时刻t,采集该第一仿真车辆周围仿真环境的样本视觉图像Pt,以及该时刻t时第一仿真车辆的样本控制量信息Ct。通过循环地自动循迹行驶该第一仿真车辆,可以采集到大量的样本视觉图像和样本控制量信息。
其中,在第一仿真车辆在自动循迹行驶过程中,利用虚拟场景模拟软件可以实时显示出该第一仿真车辆周围的仿真环境,进而可以实现采集。例如,可以利用显示屏实时显示第一仿真车辆周围的仿真环境,并利用摄像头实时采集该仿真环境,形成相应的样本视觉图像。其中,该显示屏可以位于摄像头的正前方。利用摄像头采集样本视觉图像,可以高度还原自动驾驶车辆中摄像头采集实际环境的过程,使得该样本视觉图像更符合真实场景。
控制量信息指的是控制第一仿真车辆行驶时,该第一仿真车辆的被控情况,例如,该控制量信息具体可以包括:第一仿真车辆的方向盘转角、油门制动踏板行程等信息。其中,第一仿真车辆在行驶过程中,虚拟场景模拟软件会实时提供该第一仿真车辆的样本控制量信息;例如,可以实时显示该第一仿真车辆的样本控制量信息,通过识别所采集到的样本视觉图像,即可提取出与该样本视觉图像相对应的样本控制量信息。如图2所示,在屏幕左侧显示有仿真车辆的控制量信息。
步骤104:根据样本视觉图像以及与样本视觉图像相对应的样本控制量信息生成训练样本,并生成包括多个训练样本的训练集。
本发明实施例中,每一时刻所采集到的样本视觉图像和样本控制量信息均是相对应的,二者为一组即可形成一个训练样本;利用多个时刻所采集到的样本视觉图像和样本控制量信息,即可形成多个训练样本,从而生成包含多个训练样本的训练集。该训练集即可用于训练用于实现自动驾驶的神经网络,例如深度卷积神经网络等。
本发明实施例提供的一种数据处理方法,通过控制第一仿真车辆在虚拟场景中自动循环地沿第一仿真路径行驶,可以采集到足够数量的样本视觉图像和样本控制量信息,从而获取到足够数量的训练样本。该方法不需要利用实际车辆进行采集,可以脱离场地的束缚,也不存在碰撞风险,危险程度低,且采集过程中可以自动循迹,不需要人为参与、监控,效率高,成本低,可以实现独立安全自主地采集训练样本;并且,采用自动循迹的方式控制第一仿真车辆行驶,可以规避掉驾驶员本身的驾驶习惯,所采集到的训练样本能够训练得到更好的模型。
可选地,第一仿真车辆在沿第一仿真路径多次循环行驶时,第一仿真车辆会始终正确地按照第一仿真路径行驶,每次采集到的数据(即样本视觉图像、样本控制量信息)相差不大,数据不够丰富,为了能够采集到更丰富的数据,本发明实施例对第一仿真车辆增加一定的扰动量。具体地,上述步骤102“基于循迹算法,控制第一仿真车辆沿第一仿真路径循环地自动循迹行驶”可以包括以下步骤B1和步骤B2。
步骤B1:每间隔一段时间,为第一仿真车辆添加扰动量,扰动量用于使第一仿真车辆偏离第一仿真路径。
步骤B2:在经过预设时长后,停止添加扰动量,并基于循迹算法,控制第一仿真车辆回到第一仿真路径。
本发明实施例中,在第一仿真车辆沿第一仿真路径自动循迹行驶的过程中,为该第一仿真车辆添加使其偏离第一仿真路径的扰动量,例如,该扰动量可以用于改变第一仿真车辆的转向、速度等。为了避免添加扰动量的时长过长,只在预设时长内添加扰动量,即在经过预设时长后,停止添加扰动量;例如,在该预设时长内所添加的扰动量不应超过循迹算法中规定的最大允许偏差,以避免第一仿真车辆不能重新回到第一仿真路径。
在停止添加扰动量之后,再基于正常的循迹算法,可以控制偏离航线的第一仿真车辆重新回到第一仿真路径,之后继续沿第一仿真路径行驶。其中,可以设置扰动添加算法,基于该扰动添加算法实现添加扰动量。本发明实施例中,在需要添加扰动量时,可以停止调用循迹算法,改为调用该扰动添加算法,基于该扰动添加算法所输出的扰动量控制第一仿真车辆运行;或者,在需要添加扰动量时,仍然调用循迹算法,只是还调用该扰动添加算法,利用该扰动添加算法对循迹算法所输出的控制量添加扰动量,使得第一仿真车辆偏离第一仿真路径。本发明实施例对添加扰动量的具体方法不做限定。
本发明实施例中,每间隔一段时间,则为第一仿真车辆添加扰动量,例如,可以周期性地或间隔随机时长后为第一仿真车辆添加扰动量。通过多次使第一仿真车辆偏离第一仿真路径、之后再回到第一仿真路径,可以增加第一仿真车辆沿第一仿真路径行驶时的多样性,能够采集到更丰富的样本视觉图像和样本控制量信息,也可以使得后续训练的模型更加准确。
可选地,添加扰动量的总时长与总采集时长之间的比值在1:100至1:4之间。其中,总采集时长指的是整个采集过程的时长,例如第一仿真车辆需要沿第一仿真路径行驶n圈,则该总采集时长为第一仿真路径沿第一仿真路径行驶n圈所需的时长;添加扰动量的总时长指的是整个采集过程中,添加扰动量所对应的预设时长之和。
二者的比值应该在合理范围内,该比值太小,则扰动添加的时间太短,影响不大,不足以丰富数据集进而优化训练出的模型,而比值太大,则扰动添加的时间太长,对第一仿真车辆按照第一仿真轨迹行驶的影响较大,严重可能会脱离第一仿真轨迹,导致第一仿真车辆失控。本发明实施例将二者之间的比值设置在1:100至1:4之间,可以获取到丰富数据集的同时,保证第一仿真车辆的正常行驶。
例如,添加扰动量的总时长与总采集时长之间的比值可以为1:10,例如,每1000ms内里有100ms添加扰动,即该预设时长为100ms,剩下900ms内由能够实现自动驾驶的循迹算法操控第一仿真车辆正常行驶。
可选地,可以随机添加扰动量。具体地,上述步骤B1“为第一仿真车辆添加扰动量”可以包括以下步骤B11。
步骤B11:为第一仿真车辆添加满足正态分布的横向扰动量和/或纵向扰动量;横向扰动量用于改变第一仿真车辆的航向,纵向扰动量用于改变第一仿真车辆的速度。
本发明实施例中,可以向第一仿真车辆添加用于改变其航向的扰动量,即横向扰动量,例如改变第一仿真车辆的方向盘转角等;或者,也可以向第一仿真车辆添加用于改变其速度的扰动量,即纵向扰动量,例如改变第一仿真车辆的油门、刹车等。其中,在直行时,改变速度并不会使得第一仿真车辆发生偏离,故一般在第一仿真车辆转弯时才会添加纵向扰动量。
并且,所添加的扰动量符合正态分布,或者说,以符合正态分布的概率随机选择扰动量。例如,对于横向扰动量,以中间位置为基准,向左或向右的偏转值应满足正态分布;纵向扰动量同理,也应在基准速度的基础上,偏快或偏慢的误差值满足正态分布。
此外可选地,该方法还包括步骤C1。
步骤C1:在添加扰动量的过程中,不采集样本视觉图像和样本控制量信息。
本发明实施例中,在添加扰动量的过程中,控制第一仿真车辆行驶的控制量信息是具有扰动的,该控制量信息不宜用于训练模型,故在添加扰动量的过程中,不样本控制量信息,相应地,也不需要采集样本视觉图像。在结束添加扰动量后,在第一仿真车辆回归第一仿真路径的过程中,以及第一仿真车辆回到第一仿真路径后沿该第一仿真路径正常行驶的过程中,采集相应的样本视觉图像和样本控制量信息。通过该方式,可以去掉不合适的视觉图像和控制量信息,保证采集到的训练样本适用于训练自动驾驶的模型。
其中,不采集样本视觉图像和样本控制量信息,可以是停止采集视觉图像和控制量信息,例如,用于采集视觉图像的摄像头不工作;或者,也可以是去除掉添加扰动量的过程中所采集到的视觉图像和控制量信息,即在添加扰动量的过程中所采集到的数据不作为训练样本。
可选地,上述步骤104“根据样本视觉图像以及与样本视觉图像相对应的样本控制量信息生成训练样本”可以包括以下步骤D1和步骤D2。
步骤D1:将样本视觉图像以及与样本视觉图像相对应的样本控制量信息作为训练样本。
步骤D2:将与样本视觉图像左右镜像对称的视觉图像,以及与相对应的样本控制量信息左右镜像对称的控制量信息作为训练样本。
本发明实施例中,第一仿真车辆沿闭环路径行驶时,不可避免地会出现左转、右转数据集数量不一致的问题;例如,若第一仿真路径以逆时针方向沿该第一仿真路径行驶,则采集到的数据(样本视觉图像和样本控制量信息)更多的是左转的数据,而右转数据偏少。本发明实施例通过对采集到的数据进行左右镜像对称,可以使得左转、右转数据数量基本能保持一致,保证左转右转案例都存在,且能够进一步扩充完善数据集。
具体地,本发明实施例中,将直接采集到的样本视觉图像以及相应的样本控制量信息作为一条训练样本;并且,通过对样本视觉图像进行左右镜像对称,可以得到新的视觉图像,通过对相应的样本控制量信息进行左右镜像对称,也可以得到新的控制量信息,该新的视觉图像和新的控制量信息也可以作为一条训练样本,从而能够丰富训练集。
其中,本领域技术人员可以理解,控制量信息中只有部分信息可以实现左右镜像对称,例如对于方向盘转角,通过左右镜像对称,可以改变方向盘转角的方向,但对于油门制动踏板行程,其不区分左右,故可以不对其进行左右镜像对称,或者说,左右镜像对称后,油门制动踏板行程保持不变。
在上述任一实施例的基础上,在上述步骤104“生成包括多个训练样本的训练集”之后,该方法还包括使用过程,图3示出了另一数据处理方法的流程图,该方法能够利用虚拟场景采集得到训练集,并使用基于该训练集训练得到的神经网络。其中,如图3所示,该使用过程包括以下步骤105至步骤107。
步骤105:根据训练集对预设的模型进行训练,生成自动驾驶神经网络。
本发明实施例中,在采集到该训练集后,即可利用该训练集对预设的模型进行训练,从而得到能够实现自动驾驶的神经网络,即自动驾驶神经网络。例如,该自动驾驶神经网络可以为深度卷积神经网络,其可基于输入的视觉图像,输出用于控制车辆行驶的控制量信息,例如方向盘转角、油门制动踏板行程等,从而实现自动控制车辆行驶。
步骤106:在第二仿真车辆位于第二仿真路径的情况下,采集第二仿真车辆周围仿真环境的当前视觉图像,将当前视觉图像输入至自动驾驶神经网络,根据自动驾驶神经网络的输出结果确定相应的当前控制量信息。
步骤107:根据当前控制量信息控制第二仿真车辆沿第二仿真路径行驶。
在训练得到该自动驾驶神经网络之后,一般需要将该自动驾驶神经网络部署于实际车辆中,控制实际车辆进行自动驾驶,这样虽然可以验证自动驾驶神经网络,但仍然需要实际场景,且存在发生碰撞的风险。本发明实施例中,仍然利用虚拟场景对自动驾驶神经网络进行验证。其中,借助虚拟场景模拟软件生成一条仿真路径,即第二仿真路径,该第二仿真路径与第一仿真路径可以相同,也可以不同,一般情况下二者是不同的。在该第二仿真路径中存在可行驶的仿真车辆,即第二仿真车辆,该第二仿真车辆与第一仿真车辆可以相同,也可以不同。
本发明实施例中,利用自动驾驶神经网络,自动控制第二仿真车辆沿第二仿真路径行驶,实现对自动驾驶神经网络的验证。
具体地,在第二仿真车辆位于第二仿真路径时,采集第二仿真车辆周围仿真环境的视觉图像,即当前视觉图像;该当前视觉图像与上述的样本视觉图像类似,当前视觉图像也是虚拟场景中的图像,不需要实际场景。例如,可以用显示器显示第二仿真路径以及第二仿真车辆,利用摄像头实时采集该显示器所显示的当前视觉图像。
在采集到当前视觉图像之后,即可将该当前视觉图像输入至自动驾驶神经网络,自动驾驶神经网络对该当前视觉图像进行处理,即可输出相应的当前控制量信息,进而能够利用该当前控制量信息控制第二仿真车辆运动。第二仿真车辆运动之后,其周围的仿真环境会发生变化,此时再次采集新的视觉图像,即新的当前视觉图像,利用自动驾驶神经网络可以生成新的当前控制量信息,从而实现连续控制第二仿真车辆运动,使得第二仿真车辆能够沿第二仿真路径自动驾驶。通过第二仿真车辆的行驶情况,即可判断该自动驾驶神经网络是否合适。
可选地,在利用自动驾驶神经网络实现自动驾驶时,也可加入适当的扰动量,基于第二仿真车辆是否可以回到第二仿真路径中,以确定该自动驾驶神经网络的鲁棒性。
本发明实施例中,在训练得到自动驾驶神经网络后,可以利用虚拟场景实现模拟实车控制的目的,能够在线验证自动驾驶神经网络,且不需要实车参与,成本低,安全性高。
可选地,在上述步骤106“根据自动驾驶神经网络的输出结果确定相应的当前控制量信息”之后,除了可以控制第二仿真车辆行驶之外,该当前控制量信息还可用于控制线控底盘,即该方法还包括:根据当前控制量信息控制线控底盘动作。
由于自动驾驶的最终结果还是落地行驶,故本发明实施例还利用当前控制量信息控制线控底盘,通过实际的线控底盘的动作,即可确定该自动驾驶神经网络是否适用于实际车辆。具体地,自动驾驶神经网络输出的当前控制量信息,除了用于控制第二仿真车辆行驶外,还控制线控底盘动作,第二仿真车辆与线控底盘的动作一致,即自动驾驶神经网络能够根据仿真的虚拟场景画面控制线控底盘行驶;相应地,当采集到的当前视觉图像是实际车辆中的摄像头所采集的图像时,该自动驾驶神经网络可以控制该实际车辆的线控底盘动作,即可以控制实际车辆按照其摄像头采集到的视觉图像实现自动驾驶。
本发明实施例还提供一种自动驾驶台架,参见图4所示,该自动驾驶台架包括:显示屏401、摄像头402和处理器403,显示屏401、摄像头402均与处理器403相连。
其中,显示屏401用于显示仿真车辆沿仿真路径行驶时周围的仿真环境;摄像头402用于用于采集显示屏401所显示的仿真环境,形成视觉图像,并将视觉图像发送至处理器403;处理器403用于执行如上述任一实施例提供的数据处理方法。
本发明实施例中,由显示屏401显示虚拟场景,即显示屏401可以显示仿真车辆沿仿真路径行驶时的场景,例如,显示屏401可以显示第一仿真车辆沿第一仿真路径行驶时的场景,也可以显示第二仿真车辆沿第二仿真路径行驶时的场景。摄像头402可以实时采集显示屏401所显示的画面,即显示屏401所显示的仿真环境,并将采集到的视觉图像发送至处理器403。其中,该摄像头402的高度可以与显示屏401的中间位置平齐,且摄像头402朝向该显示屏401,使得该摄像头402可以采集到显示屏401所显示的画面。
处理器403接收到视觉图像之后,即可执行相应的数据处理方法。例如,若该视觉图像为样本视觉图像,则该处理器可以生成训练集,进一步地,还可以利用该训练集训练得到自动驾驶神经网络;若该视觉图像为当前视觉图像,且处理器403中配置有训练好的自动驾驶神经网络,则处理器403可以将当前视觉图像输入至自动驾驶神经网络,并输出相应的当前控制量信息,进而利用当前控制量信息控制第二仿真车辆行驶,相应地,显示屏401会改变所显示的第二仿真车辆的位置,第二仿真车辆周围的仿真环境也会发生变化。
可选地,参见图5所示,该自动驾驶台架还包括线控底盘404,线控底盘404与处理器403相连;线控底盘404用于接收处理器403发送的控制量信息,并执行相应的动作。
本发明实施例中,该自动驾驶台架还设有实际的线控底盘404,处理器403可以向该线控底盘404发送控制量信息,线控底盘404基于该控制量信息可以执行相应的动作;例如,该控制量信息为左转,则线控底盘404可以控制方向盘转角,实现左转。例如,该控制量信息可以为处理器403基于自动驾驶神经网络所确定的当前控制量信息,利用当前控制量信息可以实现对该线控底盘404的控制,实现自动驾驶该线控底盘404。其中,线控底盘404可以包括用于实现转向功能的线控转向系统、用于实现制动功能的线控制动系统以及用于实现驱动功能的线控驱动系统等。
可选地,为了保证控制线控底盘404时的安全性,该线控底盘404是离地的,即线控底盘404在响应控制量信息时,其可以触发拐弯、加速、制动等动作,但其整体位置不会发生变化。
下面通过一个实施例详细介绍利用该自动驾驶台架实现数据处理方法的过程。该过程具体包括数据采集过程和数据使用过程,数据采集过程包括以下步骤E1至E4,数据使用过程包括以下步骤E5至步骤E10。
步骤E1:由显示屏401显示虚拟场景,该虚拟场景中包含第一仿真路径,且第一仿真车辆在仿真路径中。
步骤E2:由用户控制第一仿真车辆沿首尾相接的第一仿真路径行驶,并走完整个第一仿真路径。在第一仿真车辆行驶过程中,采集第一仿真车辆的位置坐标,将所有的位置坐标均作为第一仿真路径的路径坐标,形成第一仿真路径的路径信息。
其中,处理器403中可配置有用于实现坐标采集的脚本。例如,该脚本为get_map.py,用户控制第一仿真车辆时启动该脚本,在到达第一仿真路径的终点后结束该脚本,基于该脚本可在同路径下生成position.txt的文件,该文件内保存了第一仿真车辆行驶过的位置坐标。
步骤E3:基于循迹算法,控制第一仿真车辆沿第一仿真路径循环地自动循迹行驶;其中,每间隔一段时间,为第一仿真车辆添加持续时间为预设时长的扰动量。此时,显示屏401显示第一仿真车辆沿第一仿真路径行驶的具体情况。
例如,处理器403中配置有用于实现自动循迹的脚本以及用于添加扰动的脚本。在启动虚拟场景后,运行该自动循迹的脚本,使得第一仿真车辆可以沿第一仿真路径行驶;并且,每间隔一段时间,调用一次添加扰动的脚本,为第一仿真车辆添加扰动量。
步骤E4:开启摄像头402,利用摄像头402实时采集显示屏401所显示的画面。其中,只有在未添加扰动量时,摄像头402才会采集。
其中,在自动循迹之前,即可开启摄像头402。在自动循迹过程中,显示屏401显示的是第一仿真车辆沿第一仿真路径的行驶情况,其包含第一仿真车辆周围的仿真环境,故摄像头402可以采集到第一仿真车辆周围的仿真环境,从而形成相应的视觉图像,即样本视觉图像;并且,如图2所示,该样本视觉图像的左侧显示有此时的控制量信息,该控制量信息即可作为与该样本视觉图像相对应的样本控制量信息。
在第一仿真车辆循环沿第一仿真路径行驶时,在不添加扰动时,摄像头402可以实时采集显示屏401所显示的画面,从而得到样本视觉图像和相对应的样本控制量信息;并且,由于存在扰动量,摄像头402可以采集到同一位置但不同视角的画面,即不同的样本视觉图像,所采集到的数据比较丰富。
例如,处理器403中还设有用于数据采集的脚本,该脚本可自动将摄像头402拍到的样本视觉图像保存到指定目录,同时样本视觉图像的文件名与相对应的样本控制量信息也会保存到指定目录。
其中,可以自由选择需要采集数据的采集时长,即由循迹算法控制第一仿真车辆行驶的时长,采集时长可任意决定。
本发明实施例中,上述步骤E1至E4所对应的数据集采集过程,在实际使用过程中只需人为操作驾驶提供一条封闭的目标路径,即第一仿真路径,之后在仿真环境中可实现第一仿真车辆自动按照该第一仿真路径行驶,同时可以自动完成数据的采集工作,无需人力在数据集采集过程中的参与,与传统方法相比节省了大量人力。
步骤E5:根据训练集对预设的模型进行训练,生成自动驾驶神经网络。
其中,可以利用训练集中的一部分(例如80%)进行训练,将该训练集中的另一部分(例如20%)对训练后的模型进行测试。
步骤E6:将训练好的自动驾驶神经网络部署至处理器403中。
在部署好该自动驾驶神经网络后,自动驾驶台架即可进入自动驾驶模式。
步骤E7:由显示屏401显示虚拟场景,该虚拟场景中包含第二仿真路径,且第二仿真车辆在仿真路径中。
步骤E8:开启摄像头402,利用摄像头402实时采集显示屏401所显示的画面,即当前视觉图像,并将当前视觉图像传输至处理器403。
步骤E9:处理器403利用自动驾驶神经网络实时解算当前视觉图像,并生成相应的当前控制量信息,基于该当前控制量信息控制第二仿真车辆自动行驶。
步骤E10:处理器403还将当前控制量信息发送至线控底盘404,线控底盘404基于该当前控制量信息进行动作。
例如,可以利用PCAN连接处理器403和线控底盘404,线控底盘404响应所接收的当前控制量信息,实现自动驾驶。
可选地,该自动驾驶台架还可具有用户驾驶模式,在用户驾驶模式下,用户操作线控底盘404中的方向盘和油门制动踏板等结构,可实现用户操控车辆的功能;同时处理器403可收集用户操控的控制量信息,如方向盘转角、油门制动踏板行程等,将这些控制量信息输送给虚拟场景,利用该控制量信息控制虚拟场景中的仿真车辆行驶,实现用户在操控实车的同时,虚拟场景中的车辆行为与实车表现一致,即用户可看着虚拟场景中的道路画面操控车辆,实现用户驾驶。
可选地,该线控底盘404还包括能够注入故障的实体故障点和虚拟故障点。其中,实体故障点包括:线控信号故障点、线控电源故障点、EHB(电子液压制动系统)使能信号故障点、档位故障点、油门踏板电源故障点、自检指示灯故障点、制动指示灯故障点、模式切换故障点、模式切换指示灯故障点中的至少一项。虚拟故障点包括:驾驶座无人、电池温度异常、电池电流异常、电池容量不足、BMS(电池管理系统)通讯异常、驱动电机异常、刹车系统异常、车速传感器异常、转向电机异常、超速限速急停、急停按钮急停、前碰撞告警、后碰撞告警中的至少一项。
本发明实施例中,自动驾驶台架也可有故障模式,在该故障模式下,线控底盘可以模拟多种故障,学生通过观察故障现象,查找出故障原因,从而可以学习故障诊断的流程,能够认知线控底盘的功能和控制逻辑;例如,通过模拟线控信号故障,方便学生认知线控摇杆的操作功能,通过模拟EHB使能信号故障,方便学生学习EHB使能信号的控制逻辑。
本发明实施例中,该线控底盘包括能够模拟注入实际故障的实体故障点,利用该实体故障点可以注入相应的实体故障,例如,线控信号故障点可用于注入线控信号故障。在模拟出实体故障后,线控底盘会显示出相应的故障,学生利用示波器、万用表等可检测出故障,完成诊断排查。例如,在注入EHB使能信号故障后,向下拉动摇杆进行制动,制动开度目标值正常,但有效值不显示,此时学生可使用万用表测量EHB使能信号线两端分别与地的电压,其中一端电压正常,另一端电压为0,此时可初步判断EHB使能信号线断路故障。
此外,该线控底盘还包括能够注入虚拟故障的虚拟故障点。例如,电池温度异常时,蜂鸣器报警,故障灯量,学生可以通过解析CAN报文故障代码,来确定当前注入的故障是否为电池温度异常。在需要修复故障时,也采用软件模拟修复的方式进行修复。
需要说明的是,本发明实施例提供的自动驾驶台架可用于试验训练,在注入故障时,只是模拟故障,线控底盘没有实际故障发生。在学生完成了诊断排查,恢复线控底盘如初即可。
本发明实施例提供的数据处理方法及自动驾驶台架,可以脱离实际场景的约束,无需到实际场景中采集数据,只需要能够放置自动驾驶台架,即可利用摄像头402采集虚拟场景的数据,得到训练集,然后离线进行训练。训练完成后可实时在线进行验证,可利用虚拟场景实现实车控制的目的,实现了硬件在环仿真。在运行过程中也可更加直观地分析实际运行的优缺点。
相比其他实施过程中仍需要人为不间断监督运行的方案,本发明实施例可极大程度的脱离人为的参与,可脱离人为的监管。线控底盘离地运行,可保证运行过程中的安全性,不必担心失控后带来的风险。并且,该自动驾驶台架也可满足职业院校以及应用型本科相关专业开展实践实操教学活动。
上文详细描述了本发明实施例提供的数据处理方法,该方法也可以通过相应的装置实现,下面详细描述本发明实施例提供的数据处理装置。
图6示出了本发明实施例所提供的一种数据处理装置的结构示意图。如图6所示,该数据处理装置包括:
获取模块61,用于获取第一仿真路径的路径信息,所述路径信息包括所述第一仿真路径的多个路径坐标;所述第一仿真路径为首尾相接的闭环路径;
循迹模块62,用于基于循迹算法,控制第一仿真车辆沿所述第一仿真路径循环地自动循迹行驶;
采集模块63,用于采集所述第一仿真车辆在自动循迹行驶过程中,所述第一仿真车辆周围仿真环境的样本视觉图像,并采集与所述样本视觉图像相对应的所述第一仿真车辆的样本控制量信息;
生成模块64,用于根据所述样本视觉图像以及与所述样本视觉图像相对应的所述样本控制量信息生成训练样本,并生成包括多个所述训练样本的训练集。
在一种可能的实现方式中,所述获取模块获取第一仿真路径的路径信息,包括:
接收用户输入的用于控制所述第一仿真车辆的控制指令,基于所述控制指令控制所述第一仿真车辆沿所述第一仿真路径行驶,并记录所述第一仿真车辆的位置坐标;
将所述第一仿真车辆沿完整的所述第一仿真路径行驶时所采集到的所述位置坐标均作为所述第一仿真路径的路径坐标,形成所述第一仿真路径的路径信息。
在一种可能的实现方式中,所述循迹模块62基于循迹算法,控制第一仿真车辆沿所述第一仿真路径循环地自动循迹行驶,包括:
每间隔一段时间,为所述第一仿真车辆添加扰动量,所述扰动量用于使所述第一仿真车辆偏离所述第一仿真路径;
在经过预设时长后,停止添加所述扰动量,并基于循迹算法,控制第一仿真车辆回到所述第一仿真路径。
在一种可能的实现方式中,所述循迹模块62为所述第一仿真车辆添加扰动量,包括:
为所述第一仿真车辆添加满足正态分布的横向扰动量和/或纵向扰动量;所述横向扰动量用于改变所述第一仿真车辆的航向,所述纵向扰动量用于改变所述第一仿真车辆的速度。
在一种可能的实现方式中,采集模块63还用于:
在添加所述扰动量的过程中,不采集所述样本视觉图像和所述样本控制量信息。
在一种可能的实现方式中,添加所述扰动量的总时长与总采集时长之间的比值在1:100至1:4之间。
在一种可能的实现方式中,所述生成模块64根据所述样本视觉图像以及与所述样本视觉图像相对应的所述样本控制量信息生成训练样本,包括:
将所述样本视觉图像以及与所述样本视觉图像相对应的所述样本控制量信息作为训练样本;以及
将与所述样本视觉图像左右镜像对称的视觉图像,以及与相对应的样本控制量信息左右镜像对称的控制量信息作为训练样本。
在一种可能的实现方式中,该装置还包括:
训练模块,用于在所述生成模块64生成包括多个训练样本的训练集之后,根据所述训练集对预设的模型进行训练,生成自动驾驶神经网络;
自动驾驶模块,用于在第二仿真车辆位于第二仿真路径的情况下,采集所述第二仿真车辆周围仿真环境的当前视觉图像,将所述当前视觉图像输入至所述自动驾驶神经网络,根据所述自动驾驶神经网络的输出结果确定相应的当前控制量信息;根据所述当前控制量信息控制所述第二仿真车辆沿所述第二仿真路径行驶。
在一种可能的实现方式中,所述自动驾驶模块还用于,在所述根据所述自动驾驶神经网络的输出结果确定相应的当前控制量信息之后,根据所述当前控制量信息控制线控底盘动作。
需要说明的是,上述实施例提供的数据处理装置在实现相应的功能时,仅以上述各功能模块的划分举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的数据处理装置与数据处理方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
根据本申请的一个方面,本发明实施例还提供一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装。在该计算机程序被处理器执行时,执行本申请实施例提供的数据处理方法。
此外,本发明实施例还提供了一种数据处理设备,该设备包括处理器和存储器,存储器存储有计算机程序,处理器能够执行存储器中存储的计算机程序,计算机程序被处理器执行时,可以实现上述任一实施例提供的数据处理方法。
例如,图7示出了本发明实施例提供的一种数据处理设备,该设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本发明实施例中,该设备还包括:存储在存储器1150上并可在处理器1120上运行的计算机程序,计算机程序被处理器1120执行时实现上述数据处理方法实施例的各个过程。
收发器1130,用于在处理器1120的控制下接收和发送数据。
本发明实施例中,总线架构(用总线1110来代表),总线1110可以包括任意数量互联的总线和桥,总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个,包括存储器总线以及存储器控制器、外围总线、加速图形端口(Accelerate Graphical Port,AGP)、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制,这样的体系结构包括:工业标准体系结构(Industry Standard Architecture,ISA)总线、微通道体系结构(Micro Channel Architecture,MCA)总线、扩展ISA(Enhanced ISA,EISA)总线、视频电子标准协会(Video Electronics Standards Association,VESA)、外围部件互连(Peripheral Component Interconnect,PCI)总线。
处理器1120可以是一种集成电路芯片,具有信号处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括:通用处理器、中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)、复杂可编程逻辑器件(Complex Programmable LogicDevice,CPLD)、可编程逻辑阵列(Programmable Logic Array,PLA)、微控制单元(Microcontroller Unit,MCU)或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本发明实施例中公开的各方法、步骤及逻辑框图。例如,处理器可以是单核处理器或多核处理器,处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本发明实施例所公开的方法步骤可以直接由硬件译码处理器执行完成,或者由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取存储器(Random Access Memory,RAM)、闪存(FlashMemory)、只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中,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。
总线1110还可以将,例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起,总线接口1140在总线1110和收发器1130之间提供接口,这些都是本领域所公知的。因此,本发明实施例不再对其进行进一步描述。
收发器1130可以是一个元件,也可以是多个元件,例如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。例如:收发器1130从其他设备接收外部数据,收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机系统的性质,还可以提供用户接口1160,例如:触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解,本发明实施例中的存储器1150可以是易失性存储器或非易失性存储器,或可包括易失性存储器和非易失性存储器两者。
在本发明实施例中,存储器1150存储了操作系统1151和应用程序1152的如下元素:可执行模块、数据结构,或者其子集,或者其扩展集。
具体而言,操作系统1151包含各种系统程序,例如:框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序1152包含各种应用程序,例如:媒体播放器(Media Player)、浏览器(Browser),用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序1152中。应用程序1152包括:小程序、对象、组件、逻辑、数据结构以及其他执行特定任务或实现特定抽象数据类型的计算机系统可执行指令。
此外,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,所述计算机程序被处理器执行时实现上述数据处理方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
计算机可读存储介质包括:永久性和非永久性、可移动和非可移动媒体,是可以保留和存储供指令执行设备所使用指令的有形设备。计算机可读存储介质包括:电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备以及上述任意合适的组合。计算机可读存储介质包括:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、非易失性随机存取存储器(NVRAM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带存储、磁带磁盘存储或其他磁性存储设备、记忆棒、机械编码装置(例如在其上记录有指令的凹槽中的穿孔卡或凸起结构)或任何其他非传输介质、可用于存储可以被计算设备访问的信息。按照本发明实施例中的界定,计算机可读存储介质不包括暂时信号本身,例如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如穿过光纤电缆的光脉冲)或通过导线传输的电信号。
本发明实施例通过流程图和/或方框图描述所提供的方法、装置、设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
以上所述,仅为本发明实施例的具体实施方式,但本发明实施例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发明实施例披露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明实施例的保护范围之内。因此,本发明实施例的保护范围应以权利要求的保护范围为准。
Claims (13)
1.一种数据处理方法,其特征在于,包括:
获取第一仿真路径的路径信息,所述路径信息包括所述第一仿真路径的多个路径坐标;所述第一仿真路径为首尾相接的闭环路径;
基于循迹算法,控制第一仿真车辆沿所述第一仿真路径循环地自动循迹行驶;
采集所述第一仿真车辆在自动循迹行驶过程中,所述第一仿真车辆周围仿真环境的样本视觉图像,并采集与所述样本视觉图像相对应的所述第一仿真车辆的样本控制量信息;
根据所述样本视觉图像以及与所述样本视觉图像相对应的所述样本控制量信息生成训练样本,并生成包括多个所述训练样本的训练集。
2.根据权利要求1所述的方法,其特征在于,所述获取第一仿真路径的路径信息,包括:
接收用户输入的用于控制所述第一仿真车辆的控制指令,基于所述控制指令控制所述第一仿真车辆沿所述第一仿真路径行驶,并记录所述第一仿真车辆的位置坐标;
将所述第一仿真车辆沿完整的所述第一仿真路径行驶时所采集到的所述位置坐标均作为所述第一仿真路径的路径坐标,形成所述第一仿真路径的路径信息。
3.根据权利要求1所述的方法,其特征在于,所述基于循迹算法,控制第一仿真车辆沿所述第一仿真路径循环地自动循迹行驶,包括:
每间隔一段时间,为所述第一仿真车辆添加扰动量,所述扰动量用于使所述第一仿真车辆偏离所述第一仿真路径;
在经过预设时长后,停止添加所述扰动量,并基于循迹算法,控制第一仿真车辆回到所述第一仿真路径。
4.根据权利要求3所述的方法,其特征在于,所述为所述第一仿真车辆添加扰动量,包括:
为所述第一仿真车辆添加满足正态分布的横向扰动量和/或纵向扰动量;所述横向扰动量用于改变所述第一仿真车辆的航向,所述纵向扰动量用于改变所述第一仿真车辆的速度。
5.根据权利要求3所述的方法,其特征在于,还包括:
在添加所述扰动量的过程中,不采集所述样本视觉图像和所述样本控制量信息。
6.根据权利要求3所述的方法,其特征在于,添加所述扰动量的总时长与总采集时长之间的比值在1:100至1:4之间。
7.根据权利要求1所述的方法,其特征在于,所述根据所述样本视觉图像以及与所述样本视觉图像相对应的所述样本控制量信息生成训练样本,包括:
将所述样本视觉图像以及与所述样本视觉图像相对应的所述样本控制量信息作为训练样本;以及
将与所述样本视觉图像左右镜像对称的视觉图像,以及与相对应的样本控制量信息左右镜像对称的控制量信息作为训练样本。
8.根据权利要求1所述的方法,其特征在于,在所述生成包括多个训练样本的训练集之后,还包括:
根据所述训练集对预设的模型进行训练,生成自动驾驶神经网络;
在第二仿真车辆位于第二仿真路径的情况下,采集所述第二仿真车辆周围仿真环境的当前视觉图像,将所述当前视觉图像输入至所述自动驾驶神经网络,根据所述自动驾驶神经网络的输出结果确定相应的当前控制量信息;
根据所述当前控制量信息控制所述第二仿真车辆沿所述第二仿真路径行驶。
9.根据权利要求8所述的方法,其特征在于,在所述根据所述自动驾驶神经网络的输出结果确定相应的当前控制量信息之后,还包括:
根据所述当前控制量信息控制线控底盘动作。
10.一种数据处理装置,其特征在于,包括:
获取模块,用于获取第一仿真路径的路径信息,所述路径信息包括所述第一仿真路径的多个路径坐标;所述第一仿真路径为首尾相接的闭环路径;
循迹模块,用于基于循迹算法,控制第一仿真车辆沿所述第一仿真路径循环地自动循迹行驶;
采集模块,用于采集所述第一仿真车辆在自动循迹行驶过程中,所述第一仿真车辆周围仿真环境的样本视觉图像,并采集与所述样本视觉图像相对应的所述第一仿真车辆的样本控制量信息;
生成模块,用于根据所述样本视觉图像以及与所述样本视觉图像相对应的所述样本控制量信息生成训练样本,并生成包括多个所述训练样本的训练集。
11.一种自动驾驶台架,其特征在于,包括:显示屏、摄像头和处理器,所述显示屏、所述摄像头均与所述处理器相连;
所述显示屏用于显示仿真车辆沿仿真路径行驶时周围的仿真环境;
所述摄像头用于用于采集所述显示屏所显示的仿真环境,形成视觉图像,并将所述视觉图像发送至所述处理器;
所述处理器用于执行如权利要求1至9任意一项所述的数据处理方法。
12.根据权利要求11所述的自动驾驶台架,其特征在于,还包括线控底盘,所述线控底盘与所述处理器相连;
所述线控底盘用于接收所述处理器发送的控制量信息,并执行相应的动作。
13.根据权利要求12所述的自动驾驶台架,其特征在于,所述线控底盘包括能够注入故障的实体故障点和虚拟故障点;
所述实体故障点包括:线控信号故障点、线控电源故障点、EHB使能信号故障点、档位故障点、油门踏板电源故障点、自检指示灯故障点、制动指示灯故障点、模式切换故障点、模式切换指示灯故障点中的至少一项;
所述虚拟故障点包括:电池温度异常、电池电流异常、电池容量不足、BMS通讯异常、驱动电机异常、刹车系统异常、车速传感器异常、转向电机异常、超速限速急停、急停按钮急停、前碰撞告警、后碰撞告警中的至少一项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310382979.2A CN116225024A (zh) | 2023-04-11 | 2023-04-11 | 数据处理方法、装置及自动驾驶台架 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310382979.2A CN116225024A (zh) | 2023-04-11 | 2023-04-11 | 数据处理方法、装置及自动驾驶台架 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116225024A true CN116225024A (zh) | 2023-06-06 |
Family
ID=86580739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310382979.2A Pending CN116225024A (zh) | 2023-04-11 | 2023-04-11 | 数据处理方法、装置及自动驾驶台架 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116225024A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109884916A (zh) * | 2019-02-26 | 2019-06-14 | 初速度(苏州)科技有限公司 | 一种自动驾驶仿真评估方法及装置 |
CN110705101A (zh) * | 2019-09-30 | 2020-01-17 | 深圳市商汤科技有限公司 | 网络训练方法、车辆行驶方法及相关产品 |
CN113239986A (zh) * | 2021-04-25 | 2021-08-10 | 浙江吉利控股集团有限公司 | 车辆轨迹评价网络模型的训练方法、装置和存储介质 |
US20220041180A1 (en) * | 2020-08-07 | 2022-02-10 | Electronics And Telecommunications Research Institute | System and method for generating and controlling driving paths in autonomous vehicle |
CN114065490A (zh) * | 2021-11-05 | 2022-02-18 | 武汉理工大学 | 一种车辆轨迹跟踪的仿真方法、装置、设备及存储介质 |
CN114296424A (zh) * | 2021-12-06 | 2022-04-08 | 苏州挚途科技有限公司 | 仿真测试系统和方法 |
KR20220066711A (ko) * | 2020-11-16 | 2022-05-24 | (주)이노시뮬레이션 | 자율주행 분산 시뮬레이션 동기 제어 방법 |
-
2023
- 2023-04-11 CN CN202310382979.2A patent/CN116225024A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109884916A (zh) * | 2019-02-26 | 2019-06-14 | 初速度(苏州)科技有限公司 | 一种自动驾驶仿真评估方法及装置 |
CN110705101A (zh) * | 2019-09-30 | 2020-01-17 | 深圳市商汤科技有限公司 | 网络训练方法、车辆行驶方法及相关产品 |
US20220041180A1 (en) * | 2020-08-07 | 2022-02-10 | Electronics And Telecommunications Research Institute | System and method for generating and controlling driving paths in autonomous vehicle |
KR20220066711A (ko) * | 2020-11-16 | 2022-05-24 | (주)이노시뮬레이션 | 자율주행 분산 시뮬레이션 동기 제어 방법 |
CN113239986A (zh) * | 2021-04-25 | 2021-08-10 | 浙江吉利控股集团有限公司 | 车辆轨迹评价网络模型的训练方法、装置和存储介质 |
CN114065490A (zh) * | 2021-11-05 | 2022-02-18 | 武汉理工大学 | 一种车辆轨迹跟踪的仿真方法、装置、设备及存储介质 |
CN114296424A (zh) * | 2021-12-06 | 2022-04-08 | 苏州挚途科技有限公司 | 仿真测试系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220136930A1 (en) | System for testing intelligent vehicles | |
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 | |
CN108334055B (zh) | 车辆自动驾驶算法的检验方法、装置、设备及存储介质 | |
CN108508881B (zh) | 自动驾驶控制策略调整方法、装置、设备及存储介质 | |
CN111309600A (zh) | 虚拟场景注入自动驾驶测试方法及电子设备 | |
CN112819968B (zh) | 基于混合现实的自动驾驶车辆的测试方法和装置 | |
CN112015164A (zh) | 基于数字孪生的智能网联汽车复杂测试场景实现系统 | |
CN112051070A (zh) | 自主车辆模拟系统 | |
Kim et al. | Toward real-time estimation of driver situation awareness: An eye-tracking approach based on moving objects of interest | |
CN109782751A (zh) | 用于自主系统性能和基准测试的方法和设备 | |
CN111368409A (zh) | 车辆流的模拟处理方法、装置、设备和存储介质 | |
CN111765904A (zh) | 自动驾驶车辆的测试方法、装置、电子设备和介质 | |
CN114722631A (zh) | 车辆测试仿真场景生成方法、装置、电子设备及存储介质 | |
CN116225024A (zh) | 数据处理方法、装置及自动驾驶台架 | |
CN113918615A (zh) | 一种基于仿真的驾驶经验数据挖掘模型构建方法及系统 | |
CN115203062B (zh) | 自动驾驶测试系统、方法、电子设备及存储介质 | |
CN112396353A (zh) | 一种公路隧道运营安全风险模拟评估系统及其方法 | |
CN112415910A (zh) | 用于评价SiL环境的软件组件的方法 | |
Kaths et al. | Analyzing the behavior of bicyclists using a bicycle simulator with a coupled SUMO and DYNA4 simulated environment | |
Gota et al. | Driving evaluation based on acceleration, speed and road signs | |
CN111856188A (zh) | 一种基于物联网的新能源车辆检测方法及系统 | |
CN115617930A (zh) | 运动轨迹的生成方法、装置、电子设备及存储介质 | |
Sobti et al. | Model-Based Architecture of Software-Intensive Intelligent Automotive Systems | |
Classen et al. | Feasibility of automated in-vehicle technologies on volunteers’ driving performance | |
CN116150040B (zh) | 航迹数据测试方法、显示决策方法、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 |