CN116303103B - 自动驾驶场景库的评测集生成方法、装置及设备 - Google Patents
自动驾驶场景库的评测集生成方法、装置及设备 Download PDFInfo
- Publication number
- CN116303103B CN116303103B CN202310566118.XA CN202310566118A CN116303103B CN 116303103 B CN116303103 B CN 116303103B CN 202310566118 A CN202310566118 A CN 202310566118A CN 116303103 B CN116303103 B CN 116303103B
- Authority
- CN
- China
- Prior art keywords
- data
- scene
- evaluation set
- candidate
- generating
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 308
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims description 28
- 238000013507 mapping Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000007499 fusion processing Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000008447 perception Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开是关于一种基于自动驾驶场景库的评测集生成方法、装置及设备。其中，该方法包括：响应于接收到评测集生成请求，根据评测集生成请求获取对应的场景数据；根据场景数据，生成对应的第一候选评测集；确定待评测模型，并根据第一候选评测集和待评测模型，生成目标评测集。通过本公开的技术方案，能够实现场景数据的快速获取，从而自动、快速且高效的生成所需的评测集，以帮助提高自动驾驶系统的迭代效率。
Description
技术领域
本公开涉及自动驾驶技术领域，尤其涉及一种自动驾驶场景库的评测集生成方法、装置及设备。
背景技术
相关技术中，自动驾驶测试场景库是对自动驾驶所使用的模型进行测试的基础，是保证自动驾驶系统高鲁棒性、高性能的前提，为对自动驾驶模型的模型能力进行快速有效的验证，需要从自动驾驶场景库中筛选得到对应的场景，以生成用于自动驾驶模型在环测试的评测集。如何快速高效的从自动驾驶场景库中获取评测集，直接影响自动驾驶系统的训练迭代效率。
发明内容
为克服相关技术中存在的问题，本公开提供一种自动驾驶场景库的评测集生成方法、装置、设备及存储介质。
根据本公开实施例的第一方面，提供一种基于自动驾驶场景库的评测集生成方法，包括：响应于接收到评测集生成请求，根据所述评测集生成请求获取对应的场景数据；根据所述场景数据，生成对应的第一候选评测集；确定待评测模型，并根据所述第一候选评测集和所述待评测模型，生成目标评测集。
在一种实现方式中，所述根据所述场景数据，生成对应的第一候选评测集，包括：根据所述场景数据，确定与所述场景数据关联的场景真值数据、标定数据和第一场景标签数据；根据所述场景数据、以及与所述场景数据关联的场景真值数据、标定数据和第一场景标签数据，生成对应的第一候选评测集。
在一种可选地实现方式中，所述根据所述场景数据、以及与所述场景数据关联的场景真值数据、标定数据和第一场景标签数据，生成对应的第一候选评测集，包括：根据所述场景数据，建立所述场景真值数据、所述标定数据和所述第一场景标签数据之间的映射关系；分别确定所述场景数据、所述场景真值数据、所述标定数据和所述第一场景标签数据的数据类型；确定所述目标评测集中每种类型数据的第一数据格式；基于所述每种类型数据的第一数据格式，以及所述场景数据、所述场景真值数据、所述标定数据和所述第一场景标签数据的数据类型，对所述场景数据、所述场景真值数据、所述标定数据和所述第一场景标签数据进行数据格式处理；基于所述映射关系，以及经过数据格式处理后的所述场景数据、所述场景真值数据、所述标定数据和所述第一场景标签数据，生成对应的第一候选评测集。
在一种实现方式中，所述确定待评测模型，包括：根据所述评测集生成请求，确定与所述场景数据对应的业务信息；确定与所述业务信息对应的待评测模型。
在一种实现方式中，所述根据所述第一候选评测集和所述待评测模型，生成目标评测集，包括：将所述第一候选评测集输入至所述待评测模型，获取所述待评测模型输出的评测结果；根据所述评测结果生成评测报告和/或场景化报告；根据所述评测报告和/或所述场景化报告，对所述第一候选评测集进行更新，以生成所述目标评测集。
在一种可选地实现方式中，所述根据所述评测报告和/或所述场景化报告，对所述第一候选评测集进行更新，以生成所述目标评测集，包括：对所述评测报告和/或所述场景化报告进行内容分析，得到第二场景标签数据和/或场景信息；根据所述第二场景标签数据和/或所述场景信息，从场景数据列表中获取新增场景数据；基于所述第一候选评测集和所述新增场景数据，生成所述目标评测集。
可选地，所述基于所述第一候选评测集和所述新增场景数据，生成所述目标评测集，包括：根据所述新增场景数据，生成对应的第二候选评测集；将所述第一候选评测集和所述第二候选评测集进行融合处理，生成所述目标评测集。
根据本公开实施例的第二方面，提供一种基于自动驾驶场景库的评测集生成装置，包括：获取模块，用于响应于接收到评测集生成请求，根据所述评测集生成请求获取对应的场景数据；生成模块，用于根据所述场景数据，生成对应的第一候选评测集；处理模块，用于确定待评测模型，并根据所述第一候选评测集和所述待评测模型，生成目标评测集。
在一种实现方式中，所述生成模块具体用于：根据所述场景数据，确定与所述场景数据关联的场景真值数据、标定数据和第一场景标签数据；根据所述场景数据、以及与所述场景数据关联的场景真值数据、标定数据和第一场景标签数据，生成对应的第一候选评测集。
在一种可选地实现方式中，所述生成模块具体用于：根据所述场景数据，建立所述场景真值数据、所述标定数据和所述第一场景标签数据之间的映射关系；分别确定所述场景数据、所述场景真值数据、所述标定数据和所述第一场景标签数据的数据类型；确定所述目标评测集中每种类型数据的第一数据格式；基于所述每种类型数据的第一数据格式，以及所述场景数据、所述场景真值数据、所述标定数据和所述第一场景标签数据的数据类型，对所述场景数据、所述场景真值数据、所述标定数据和所述第一场景标签数据进行数据格式处理；基于所述映射关系，以及经过数据格式处理后的所述场景数据、所述场景真值数据、所述标定数据和所述第一场景标签数据，生成对应的第一候选评测集。
在一种实现方式中，所述处理模块具体用于：根据所述评测集生成请求，确定与所述场景数据对应的业务信息；确定与所述业务信息对应的待评测模型。
在一种实现方式中，所述处理模块具体用于：将所述第一候选评测集输入至所述待评测模型，获取所述待评测模型输出的评测结果；根据所述评测结果生成评测报告和/或场景化报告；根据所述评测告和/或所述场景化报告，对所述第一候选评测集进行更新，以生成所述目标评测集。
在一种可选地实现方式中，所述处理模块具体用于：对所述评测报告和/或所述场景化报告进行内容分析，得到第二场景标签数据和/或场景信息；根据所述第二场景标签数据和/或所述场景信息，从场景数据列表中获取新增场景数据；基于所述第一候选评测集和所述新增场景数据，生成所述目标评测集。
可选地，所述处理模块具体用于：根据所述新增场景数据，生成对应的第二候选评测集；将所述第一候选评测集和所述第二候选评测集进行融合处理，生成所述目标评测集。
根据本公开实施例的第三方面，提供一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如前述第一方面所述的方法。
根据本公开实施例的第四方面，提供一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行如前述第一方面所述的方法。
根据本公开实施例的第五方面，本公开提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现第一方面所述方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：可以根据接收的接收到评测集生成请求获取场景数据，从而根据场景数据生成第一候选评测集，并基于第一候选评测集和确定的待评测模型生成目标评测集。能够实现场景数据的快速获取及待评测模型的匹配，从而自动、快速且高效的生成所需的评测集。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种自动驾驶场景库的评测集生成方法的流程图。
图2是根据一示例性实施例示出的另一种自动驾驶场景库的评测集生成方法的流程图。
图3是根据一示例性实施例示出的又一种自动驾驶场景库的评测集生成方法的流程图。
图4是根据一示例性实施例示出的又一种自动驾驶场景库的评测集生成方法的流程图。
图5是根据一示例性实施例示出的一种自动驾驶场景库的评测方案的示意图。
图6是根据一示例性实施例示出的一种基于自动驾驶场景库的评测集生成装置的框图。
图7是根据一示例性实施例示出的一种装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种自动驾驶场景库的评测集生成方法的流程图，如图1所示，该方法可以包括但不限于以下步骤。
步骤S101：响应于接收到评测集生成请求，根据评测集生成请求获取对应的场景数据。
举例而言，响应于接收到评测集生成请求，获取评测集生成请求中的所需的场景数据类型信息，从而根据该类型信息从自动驾驶场景库中获取对应类型的场景数据。
其中，在本公开的实施例中，自动驾驶场景库为包括多种实际道路场景数据及场景数据相关数据的数据库，场景数据包括但不限于实际道路图片、视频和雷达数据。
在一种实现方式中，该场景数据可以包括但不限于图片数据和/或多帧视频数据等，或者还可以包括其他视觉类型数据，在此本公开并不对此作出限定，也不再赘述。
在本公开的一些实施例中，可以基于自动驾驶场景库中的场景数据生成数据交互界面，用户可在该交互界面中选取满足需求的场景数据，并发送包含选取的场景数据发送评测集生成请求。
步骤S102：根据场景数据，生成对应的第一候选评测集。
举例而言，根据场景数据获取场景数据所包含的道路交通相关数据、场景数据所属的场景类别数据和其他进行自动驾驶软件评测所需的相关数据，将上述数据存储并生成数据集，作为第一候选评测集。其中，该第一候选评测集可理解是可用于评测模型的数据集。
步骤S103：确定待评测模型，并根据第一候选评测集和待评测模型，生成目标评测集。
举例而言，确定需要进行评测的待评测模型，根据第一候选评测集对待评测模型进行评测并获取评测结构，从而根据评测结果更新第一候选评测集中的数据，以生成目标评测集。
在本公开的一些实施例中，可以为第一候选评测集和目标评测集分别生成对应的版本号，以便于对第一候选评测集和目标评测集进行区分。
通过实施本公开实施例，可以根据接收的接收到评测集生成请求获取场景数据，从而根据场景数据生成第一候选评测集，并基于第一候选评测集和确定的待评测模型生成目标评测集。能够实现场景数据的快速获取，从而自动、快速且高效的生成所需的评测集，从而帮助提高自动驾驶系统的迭代效率。
在本公开实施例的一种实现方式中，可以根据场景数据确定与场景数据关联的相关数据，从而根据场景数据和上述相关数据生成第一候选评测集。作为一种示例，请参见图2，图2是根据一示例性实施例示出的另一种自动驾驶场景库的评测集生成方法的流程图。如图2所示，该方法可以包括但不限于以下步骤。
步骤S201：响应于接收到评测集生成请求，根据评测集生成请求获取对应的场景数据。
在本公开的实施例中，步骤S201可以分别采用本公开的各实施例中的任一种方式实现，本公开实施例并不对此作出限定，也不再赘述。
步骤S202：根据场景数据，确定与场景数据关联的场景真值数据、标定数据和第一场景标签数据。
举例而言，根据场景数据在自动驾驶场景库进行检索，确定场景数据关联的场景真值数据、对场景中物体进行标定的标定数据和场景数据对应场景标签的第一场景标签数据。
其中，在本公开的实施例中，前述自动驾驶场景库中的场景数据相关数据包括自动驾驶场景数据及对应的场景真值数据、标定数据和场景标签数据。
步骤S203：根据场景数据、以及与场景数据关联的场景真值数据、标定数据和第一场景标签数据，生成对应的第一候选评测集。
举例而言，根据场景数据、以及场景数据对应的场景真值数据、标定数据和第一场景标签数据生成数据集，作为第一候选评测集。
在一种可选地实现方式中，上述根据场景数据、以及与场景数据关联的场景真值数据、标定数据和第一场景标签数据，生成对应的第一候选评测集，可以包括以下步骤。
a1:根据场景数据，建立场景真值数据、标定数据和第一场景标签数据之间的映射关系。
举例而言，根据场景数据，建立该场景数据对应的场景真值数据、对应的标定数据和对应的第一场景标签数据之间的映射关系。
a2：分别确定场景数据、场景真值数据、标定数据和第一场景标签数据的数据类型。
举例而言，分别确定场景数据、场景真值数据、标定数据和第一场景标签数据中每种数据的当前数据类型。
a3：确定目标评测集中每种类型数据的第一数据格式。
举例而言，确定目标评测集中场景数据、场景真值数据、标定数据和场景标签数据中每种类型数据存储时对应的第一数据格式。
a4：基于每种类型数据的第一数据格式，以及场景数据、场景真值数据、标定数据和第一场景标签数据的数据类型，对场景数据、场景真值数据、标定数据和第一场景标签数据进行数据格式处理。
举例而言，基于每种类型数据的第一数据格式，以及场景数据、场景真值数据、标定数据和第一场景标签数据的当前数据类型，分别对场景数据、场景真值数据、标定数据和第一场景标签数据进行数据格式处理，使场景数据、场景真值数据、标定数据和第一场景标签数据的数据格式符合对应的第一数据格式。
a5:基于映射关系，以及经过数据格式处理后的场景数据、场景真值数据、标定数据和第一场景标签数据，生成对应的第一候选评测集。
举例而言，将经过数据格式处理后的场景数据、场景真值数据、标定数据和第一场景标签数据存储为数据集，并基于场景数据、场景真值数据、标定数据和第一场景标签数据之间的映射关系，在数据集中建立相应的映射关系，以生成对应的第一候选评测集。
步骤S204：确定待评测模型，并根据第一候选评测集和待评测模型，生成目标评测集。
在本公开的实施例中，步骤S204可以分别采用本公开的各实施例中的任一种方式实现，本公开实施例并不对此作出限定，也不再赘述。
通过实施本公开实施例，可以根据接收的接收到评测集生成请求获取场景数据，并根据场景数据确定与场景数据关联的场景真值数据、标定数据和第一场景标签数据，从而根据上述数据生成第一候选评测集，并基于第一候选评测集和确定的待评测模型生成目标评测集。可以自动、快速且高效的生成所需的评测集。
在本公开实施例的一种实现方式中，可以根据接收的评测集生成请求确定待评测模型。作为一种示例，请参见图3，图3是根据一示例性实施例示出的又一种自动驾驶场景库的评测集生成方法的流程图。如图3所示，该方法可以包括但不限于以下步骤。
步骤S301：响应于接收到评测集生成请求，根据评测集生成请求获取对应的场景数据。
在本公开的实施例中，步骤S301可以分别采用本公开的各实施例中的任一种方式实现，本公开实施例并不对此作出限定，也不再赘述。
步骤S302：根据场景数据，生成对应的第一候选评测集。
在本公开的实施例中，步骤S302可以分别采用本公开的各实施例中的任一种方式实现，本公开实施例并不对此作出限定，也不再赘述。
步骤S303：根据评测集生成请求，确定与场景数据对应的业务信息。
其中，在公开的实施例中，业务信息指需要使用目标评测集进行评测的自动驾驶模型类型。
在本公开的一些实施例中，评测集生成请求中可以包括业务信息，从而可以根据评测集生成请求确定与场景数据对应的业务信息。
在本公开的另一些实施例中，可以根据场景数据对应的标签信息，确定场景数据对应的业务信息。
作为一种示例，可以将多个场景数据中共有的标签信息确定业务信息。假设多个场景数据中每个场景数据的标签信息都包括交通信号灯，则确定业务信息为生成用于评测对交通信号灯进行识别的自动驾驶模型的目标评测集。
步骤S304：确定与业务信息对应的待评测模型。
其中，在本公开的实施例中，待评测模型可以为感知模型，包括但不限于交通信号灯感知模型，车道线识别模型等自动驾驶相关的感知模型。
举例而言，确定业务信息对应的目标评测集所适用的待评测模型。
步骤S305：根据第一候选评测集和待评测模型，生成目标评测集。
在本公开的实施例中，步骤S305可以分别采用本公开的各实施例中的任一种方式实现，本公开实施例并不对此作出限定，也不再赘述。
通过实施本公开实施例，可以根据接收的评测集生成请求获取场景数据，从而根据场景数据生成第一候选评测集，并根据接收的评测集生成请求确定待评测模型，从而基于第一候选评测集和确定的待评测模型生成目标评测集。能够快速匹配确定待评测模型，从而自动、快速且高效的生成所需的评测集。
在本公开实施例的一种实现方式中，可以基于第一候选评测集对待评测模型进行评测，并基于评测结果生成目标评测集。作为一种示例，请参见图4，图4是根据一示例性实施例示出的又一种自动驾驶场景库的评测集生成方法的流程图。如图4所示，该方法可以包括但不限于以下步骤。
步骤S401：响应于接收到评测集生成请求，根据评测集生成请求获取对应的场景数据。
在本公开的实施例中，步骤S401可以分别采用本公开的各实施例中的任一种方式实现，本公开实施例并不对此作出限定，也不再赘述。
步骤S402：根据场景数据，生成对应的第一候选评测集。
在本公开的实施例中，步骤S402可以分别采用本公开的各实施例中的任一种方式实现，本公开实施例并不对此作出限定，也不再赘述。
步骤S403：确定待评测模型。
在本公开的实施例中，步骤S403可以分别采用本公开的各实施例中的任一种方式实现，本公开实施例并不对此作出限定，也不再赘述。
步骤S404：将第一候选评测集输入至待评测模型，获取待评测模型输出的评测结果。
举例而言，将第一候选评测集作为输入数据输入至待评测模型，获取待评测模型输出的评测结果。
步骤S405：根据评测结果生成评测报告和/或场景化报告。
作为一种示例，根据评测结果生成代表待评测模型的模型性能的评测报告。
作为另一种示例，根据评测结果生成包括场景数据的场景标签及场景信息的场景化报告。
作为又一种示例，根据评测结果生成代表待评测模型的模型性能的评测报告，并生成包括场景数据的场景标签及场景信息的场景化报告。
步骤S406：根据评测报告和/或场景化报告，对第一候选评测集进行更新，以生成目标评测集。
作为一种示例，根据评测报告，向第一评测集中的添加新的场景数据及具有映射关系的对应场景真值数据、标定数据和场景标签数据，或者从第一评测集中删除部分场景数据及对应的场景真值数据、标定数据和第一场景标签数据。
作为另一种示例，根据场景化报告，向第一评测集中的添加新的场景数据及具有映射关系的对应场景真值数据、标定数据和场景标签数据，或者从第一评测集中删除部分场景数据及对应的场景真值数据、标定数据和第一场景标签数据。
作为又一种示例，根据评测报告和场景化报告，向第一评测集中的添加新的场景数据及具有映射关系的对应场景真值数据、标定数据和场景标签数据，或者从第一评测集中删除部分场景数据及对应的场景真值数据、标定数据和第一场景标签数据。
在一种可选地实现方式中，上述根据评测报告和/或场景化报告，对第一候选评测集进行更新，以生成目标评测集，可以包括以下步骤：对评测报告和/或场景化报告进行内容分析，得到第二场景标签数据和/或场景信息；根据第二场景标签数据和/或场景信息，从场景数据列表中获取新增场景数据；基于第一候选评测集和新增场景数据，生成目标评测集。
作为一种示例，对评测报告进行内容分析得到第二场景标签数据；根据第二场景标签数据，从场景数据列表中获取包括第二场景标签数据的场景数据作为新增场景数据；将新增场景数据及对应的场景真值数据、标定数据、场景标签数据和映射关系更新至第一候选评测集中，以生成目标评测集。
作为另一种示例，对评测报告进行内容分析得到场景信息；根据场景信息从场景数据列表中获取具有相同场景信息的场景数据作为新增场景数据；将新增场景数据及对应的场景真值数据、标定数据、场景标签数据和映射关系更新至第一候选评测集中，以生成目标评测集。
作为又一种示例，对评测报告进行内容分析得到第二场景标签数据和场景信息；根据第二场景标签数据和场景信息，从场景数据列表中获取包括第二场景标签数据，且具有相同场景信息的场景数据作为新增场景数据；将新增场景数据及对应的场景真值数据、标定数据、场景标签数据和映射关系更新至第一候选评测集中，以生成目标评测集。
作为又一种示例，对场景化报告进行内容分析得到第二场景标签数据；根据第二场景标签数据，从场景数据列表中获取包括第二场景标签数据的场景数据作为新增场景数据；将新增场景数据及对应的场景真值数据、标定数据、场景标签数据和映射关系更新至第一候选评测集中，以生成目标评测集。
作为又一种示例，对场景化报告进行内容分析得到场景信息；根据场景信息从场景数据列表中获取具有相同场景信息的场景数据作为新增场景数据；将新增场景数据及对应的场景真值数据、标定数据、场景标签数据和映射关系更新至第一候选评测集中，以生成目标评测集。
作为又一种示例，对场景化报告进行内容分析得到第二场景标签数据和场景信息；根据第二场景标签数据和场景信息，从场景数据列表中获取包括第二场景标签数据，且具有相同场景信息的场景数据作为新增场景数据；将新增场景数据及对应的场景真值数据、标定数据、场景标签数据和映射关系更新至第一候选评测集中，以生成目标评测集。
作为又一种示例，对评测报告和场景化报告进行内容分析得到第二场景标签数据；根据第二场景标签数据，从场景数据列表中获取包括第二场景标签数据的场景数据作为新增场景数据；将新增场景数据及对应的场景真值数据、标定数据、场景标签数据和映射关系更新至第一候选评测集中，以生成目标评测集。
作为又一种示例，对评测报告和场景化报告进行内容分析得到场景信息；根据场景信息从场景数据列表中获取具有相同场景信息的场景数据作为新增场景数据；将新增场景数据及对应的场景真值数据、标定数据、场景标签数据和映射关系更新至第一候选评测集中，以生成目标评测集。
作为又一种示例，对评测报告和场景化报告进行内容分析得到第二场景标签数据和场景信息；根据第二场景标签数据和场景信息，从场景数据列表中获取包括第二场景标签数据，且具有相同场景信息的场景数据作为新增场景数据；将新增场景数据及对应的场景真值数据、标定数据、场景标签数据和映射关系更新至第一候选评测集中，以生成目标评测集。
其中，在本公开的实施例中，第二场景标签数据可以为待评测模型表现出的模型性能较差时对应场景数据的场景标签数据，场景信息可以为待评测模型表现出的模型性能较差时对应场景数据的场景信息。
可选地，上述基于第一候选评测集和新增场景数据，生成目标评测集，可以包括以下步骤：根据新增场景数据，生成对应的第二候选评测集；将第一候选评测集和第二候选评测集进行融合处理，生成目标评测集。
举例而言，根据新增场景数据，对第一候选评测集进行更新以生成对应的第二候选评测集；将第一候选评测集和第二候选评测集中的数据进行融合处理（例如，取并集或者交集），以生成目标评测集。
通过实施本公开实施例，可以根据接收的接收到评测集生成请求获取场景数据，并根据场景数据生成第一候选评测集，以基于第一候选评测集对待评测模型进行评测，从而基于评测结果生成评测报告和/或场景化报告，以基于评测报告和/或场景化报告对第一候选评测集进行更新，生成目标评测集。可以自动、快速且高效的生成所需的评测集，并且评测集的更新历史可追溯，便于快速对比不同版本评测集的差异。
请参见图5，图5是根据一示例性实施例示出的一种自动驾驶场景库的评测方案的示意图。如图5所示，在该方案中，响应于用户筛选得到多个场景文件，并通过点击生成按钮发送评测集生成请求；获取用户筛选出的场景文件对应的场景真值数据、标定数据和数据，并基于上述数据自动生成评测集；之后基于该评测集对待评测模型进行评测，并生成代表评测结果的评测报告，以及代表场景文件对应场景下评测结果的场景化报告；从而基于评测报告和场景化报告筛选得到新的场景文件，并将新的场景文件添加到评测集，以对评测集进行更新。
请参见图6，图6是根据一示例性实施例示出的一种基于自动驾驶场景库的评测集生成装置的框图。如图6所示，该装置600包括：获取模块601、生成模块602和处理模块603。其中，获取模块601、用于响应于接收到评测集生成请求，根据评测集生成请求获取对应的场景数据；生成模块602，用于根据场景数据，生成对应的第一候选评测集；处理模块603，用于确定待评测模型，并根据第一候选评测集和待评测模型，生成目标评测集。
在一种实现方式中，生成模块602具体用于：根据场景数据，确定与场景数据关联的场景真值数据、标定数据和第一场景标签数据；根据场景数据、以及与场景数据关联的场景真值数据、标定数据和第一场景标签数据，生成对应的第一候选评测集。
在一种可选地实现方式中，生成模块602具体用于：根据场景数据，建立场景真值数据、标定数据和第一场景标签数据之间的映射关系；分别确定场景数据、场景真值数据、标定数据和第一场景标签数据的数据类型；确定目标评测集中每种类型数据的第一数据格式；基于每种类型数据的第一数据格式，以及场景数据、场景真值数据、标定数据和第一场景标签数据的数据类型，对场景数据、场景真值数据、标定数据和第一场景标签数据进行数据格式处理；基于映射关系，以及经过数据格式处理后的场景数据、场景真值数据、标定数据和第一场景标签数据，生成对应的第一候选评测集。
在一种实现方式中，处理模块603具体用于：根据评测集生成请求，确定与场景数据对应的业务信息；确定与业务信息对应的待评测模型。
在一种实现方式中，处理模块603具体用于：将第一候选评测集输入至待评测模型，获取待评测模型输出的评测结果；根据评测结果生成评测报告和/或场景化报告；根据评测报告和/或场景化报告，对第一候选评测集进行更新，以生成目标评测集。
在一种可选地实现方式中，处理模块603具体用于：对评测报告和/或场景化报告进行内容分析，得到第二场景标签数据和/或场景信息；根据第二场景标签数据和/或场景信息，从场景数据列表中获取新增场景数据；基于第一候选评测集和新增场景数据，生成目标评测集。
可选地，处理模块603具体用于：根据新增场景数据，生成对应的第二候选评测集；将第一候选评测集和第二候选评测集进行融合处理，生成目标评测集。
通过本公开实施例的装置，可以根据接收的接收到评测集生成请求获取场景数据，从而根据场景数据生成第一候选评测集，并基于第一候选评测集和确定的待评测模型生成目标评测集。能够实现场景数据的快速获取，从而自动、快速且高效的生成所需的评测集。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图7是根据一示例性实施例示出的一种用于基于自动驾驶场景库的评测集生成的装置700的框图。
参照图7，装置700可以包括以下一个或多个组件：处理组件702，存储器704，电力组件706，多媒体组件708，音频组件710，输入/输出（I/O）接口712，传感器组件714，以及通信组件716。
处理组件702通常控制装置700的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件702可以包括一个或多个处理器720来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件702可以包括一个或多个模块，便于处理组件702和其他组件之间的交互。例如，处理组件702可以包括多媒体模块，以方便多媒体组件708和处理组件702之间的交互。
存储器704被配置为存储各种类型的数据以支持在设备700的操作。这些数据的示例包括用于在装置700上操作的任何应用程序或方法的指令，消息，图片，视频等。存储器704可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。
电力组件706为装置700的各种组件提供电力。电力组件706可以包括电源管理系统，一个或多个电源，及其他与为装置700生成、管理和分配电力相关联的组件。
多媒体组件708包括在所述装置700和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器（LCD）和触摸面板（TP）。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
音频组件710被配置为输出和/或输入音频信号。例如，音频组件710包括一个麦克风（MIC），当装置700处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器704或经由通信组件716发送。在一些实施例中，音频组件710还包括一个扬声器，用于输出音频信号。
输入/输出接口712为处理组件702和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件714包括一个或多个传感器，用于为装置700提供各个方面的状态评估。例如，传感器组件714可以检测到设备700的打开/关闭状态，组件的相对定位，例如所述组件为装置700的显示器和小键盘，传感器组件714还可以检测装置700或装置700一个组件的位置改变，用户与装置700接触的存在或不存在。传感器组件714可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。
通信组件716被配置为便于装置700和其他设备之间有线或无线方式的通信。装置700可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件716经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件716还包括近场通信（NFC）模块，以促进短程通信。例如，在NFC模块可基于射频识别（RFID）技术，红外数据协会（IrDA）技术，超宽带（UWB）技术，蓝牙（BT）技术和其他技术来实现。
在示例性实施例中，装置700可以被一个或多个应用专用集成电路（ASIC）、数字信号处理器（DSP）、数字信号处理设备（DSPD）、可编程逻辑器件（PLD）、现场可编程门阵列（FPGA）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器704，上述指令可由装置700的处理器720执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本公开旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (8)
1.一种基于自动驾驶场景库的评测集生成方法，其特征在于，包括：
响应于接收到评测集生成请求，根据所述评测集生成请求获取对应的场景数据；
根据所述场景数据，生成对应的第一候选评测集；
确定待评测模型，并根据所述第一候选评测集和所述待评测模型，生成目标评测集，其中，根据所述第一候选评测集对所述待评测模型进行评测并获取评测结果，根据所述评测结果更新所述第一候选评测集中的数据，以生成所述目标评测集；
所述根据所述场景数据，生成对应的第一候选评测集，包括：
根据所述场景数据，确定与所述场景数据关联的场景真值数据、标定数据和第一场景标签数据；
根据所述场景数据，建立所述场景真值数据、所述标定数据和所述第一场景标签数据之间的映射关系；
分别确定所述场景数据、所述场景真值数据、所述标定数据和所述第一场景标签数据的数据类型；
确定所述目标评测集中每种类型数据的第一数据格式；
基于所述每种类型数据的第一数据格式，以及所述场景数据、所述场景真值数据、所述标定数据和所述第一场景标签数据的数据类型，对所述场景数据、所述场景真值数据、所述标定数据和所述第一场景标签数据进行数据格式处理；
基于所述映射关系，以及经过数据格式处理后的所述场景数据、所述场景真值数据、所述标定数据和所述第一场景标签数据，生成对应的第一候选评测集。
2.如权利要求1所述的方法，其特征在于，所述确定待评测模型，包括：
根据所述评测集生成请求，确定与所述场景数据对应的业务信息；
确定与所述业务信息对应的待评测模型。
3.如权利要求1所述的方法，其特征在于，所述根据所述第一候选评测集和所述待评测模型，生成目标评测集，包括：
将所述第一候选评测集输入至所述待评测模型，获取所述待评测模型输出的评测结果；
根据所述评测结果生成评测报告和/或场景化报告；
根据所述评测报告和/或所述场景化报告，对所述第一候选评测集进行更新，以生成所述目标评测集。
4.如权利要求3所述的方法，其特征在于，所述根据所述评测报告和/或所述场景化报告，对所述第一候选评测集进行更新，以生成所述目标评测集，包括：
对所述评测报告和/或所述场景化报告进行内容分析，得到第二场景标签数据和/或场景信息；
根据所述第二场景标签数据和/或所述场景信息，从场景数据列表中获取新增场景数据；
基于所述第一候选评测集和所述新增场景数据，生成所述目标评测集。
5.如权利要求4所述的方法，其特征在于，所述基于所述第一候选评测集和所述新增场景数据，生成所述目标评测集，包括：
根据所述新增场景数据，生成对应的第二候选评测集；
将所述第一候选评测集和所述第二候选评测集进行融合处理，生成所述目标评测集。
6.一种基于自动驾驶场景库的评测集生成装置，其特征在于，包括：
获取模块，用于响应于接收到评测集生成请求，根据所述评测集生成请求获取对应的场景数据；
生成模块，用于根据所述场景数据，生成对应的第一候选评测集；
处理模块，用于确定待评测模型，并根据所述第一候选评测集和所述待评测模型，生成目标评测集；
其中，根据所述第一候选评测集对所述待评测模型进行评测并获取评测结果，根据所述评测结果更新所述第一候选评测集中的数据，以生成所述目标评测集；
所述根据所述场景数据，生成对应的第一候选评测集，包括：
根据所述场景数据，确定与所述场景数据关联的场景真值数据、标定数据和第一场景标签数据；
根据所述场景数据，建立所述场景真值数据、所述标定数据和所述第一场景标签数据之间的映射关系；
分别确定所述场景数据、所述场景真值数据、所述标定数据和所述第一场景标签数据的数据类型；
确定所述目标评测集中每种类型数据的第一数据格式；
基于所述每种类型数据的第一数据格式，以及所述场景数据、所述场景真值数据、所述标定数据和所述第一场景标签数据的数据类型，对所述场景数据、所述场景真值数据、所述标定数据和所述第一场景标签数据进行数据格式处理；
基于所述映射关系，以及经过数据格式处理后的所述场景数据、所述场景真值数据、所述标定数据和所述第一场景标签数据，生成对应的第一候选评测集。
7.一种电子设备，其特征在于，所述设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至5中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行如权利要求1至5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310566118.XA CN116303103B (zh) | 2023-05-19 | 2023-05-19 | 自动驾驶场景库的评测集生成方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310566118.XA CN116303103B (zh) | 2023-05-19 | 2023-05-19 | 自动驾驶场景库的评测集生成方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116303103A CN116303103A (zh) | 2023-06-23 |
| CN116303103B true CN116303103B (zh) | 2023-08-15 |
Family
ID=86836342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310566118.XA Active CN116303103B (zh) | 2023-05-19 | 2023-05-19 | 自动驾驶场景库的评测集生成方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116303103B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113074959A (zh) * | 2021-04-06 | 2021-07-06 | 北京理工大学 | 一种自动驾驶系统测试分析方法 |
| CN113688042A (zh) * | 2021-08-25 | 2021-11-23 | 北京赛目科技有限公司 | 测试场景的确定方法、装置、电子设备及可读存储介质 |
| CN114493093A (zh) * | 2021-12-15 | 2022-05-13 | 中智行(上海)交通科技有限公司 | 一种自动驾驶预测模块的评测方法及装置 |
| CN115774680A (zh) * | 2023-01-16 | 2023-03-10 | 小米汽车科技有限公司 | 自动驾驶软件的版本测试方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210065049A1 (en) * | 2019-09-03 | 2021-03-04 | Sap Se | Automated data processing based on machine learning |
-
2023
- 2023-05-19 CN CN202310566118.XA patent/CN116303103B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113074959A (zh) * | 2021-04-06 | 2021-07-06 | 北京理工大学 | 一种自动驾驶系统测试分析方法 |
| CN113688042A (zh) * | 2021-08-25 | 2021-11-23 | 北京赛目科技有限公司 | 测试场景的确定方法、装置、电子设备及可读存储介质 |
| CN114493093A (zh) * | 2021-12-15 | 2022-05-13 | 中智行(上海)交通科技有限公司 | 一种自动驾驶预测模块的评测方法及装置 |
| CN115774680A (zh) * | 2023-01-16 | 2023-03-10 | 小米汽车科技有限公司 | 自动驾驶软件的版本测试方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116303103A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111461304B (zh) | 分类神经网络的训练方法、文本分类方法、装置及设备 | |
| CN109447125B (zh) | 分类模型的处理方法、装置、电子设备及存储介质 | |
| CN111221612B (zh) | 一种定位用户界面元素的方法、装置及介质 | |
| CN114240882A (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
| CN105094904A (zh) | 安装应用程序的方法及装置 | |
| CN111209195A (zh) | 一种生成测试用例的方法及装置 | |
| CN113010157B (zh) | 一种代码生成方法及装置 | |
| CN116069612A (zh) | 一种异常定位方法、装置和电子设备 | |
| CN105589575A (zh) | 输入法调用方法及装置 | |
| CN111428806B (zh) | 图像标签确定方法、装置、电子设备及存储介质 | |
| CN111125388B (zh) | 多媒体资源的检测方法、装置及设备和存储介质 | |
| CN116303103B (zh) | 自动驾驶场景库的评测集生成方法、装置及设备 | |
| CN115408277B (zh) | 一种接口测试方法及装置 | |
| CN115562657A (zh) | 目标代码生成方法、装置和设备 | |
| CN112383661B (zh) | 移动端自动化测试方法、装置、电子设备及存储介质 | |
| CN112988822B (zh) | 数据查询方法、装置、设备、可读存储介质以及产品 | |
| CN114896165A (zh) | 会话机器人系统的测试方法、装置、电子设备和存储介质 | |
| CN114722087A (zh) | 数据采集方法、设备、存储介质及程序产品 | |
| CN114120199A (zh) | 事件统计方法及装置、电子设备和存储介质 | |
| CN114218235A (zh) | 页面文本的更新方法、装置、电子设备及存储介质 | |
| CN108182145B (zh) | 验证app界面布局的方法、装置及计算机可读存储介质 | |
| CN110309159B (zh) | 一种数据修改方法及系统、电子设备 | |
| US20230198850A1 (en) | Method and apparatus for obtaining map of internet of things device | |
| CN114139804A (zh) | 任务时长确定方法及装置、电子设备和存储介质 | |
| CN117035973A (zh) | 对公客户的识别方法、装置、计算机设备以及存储介质 |
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 |