CN116466685A - 针对自动驾驶感知算法的评测方法及装置、设备和介质 - Google Patents
针对自动驾驶感知算法的评测方法及装置、设备和介质 Download PDFInfo
- Publication number
- CN116466685A CN116466685A CN202310451494.4A CN202310451494A CN116466685A CN 116466685 A CN116466685 A CN 116466685A CN 202310451494 A CN202310451494 A CN 202310451494A CN 116466685 A CN116466685 A CN 116466685A
- Authority
- CN
- China
- Prior art keywords
- traffic participant
- perception
- data
- size
- determining
- 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
- 230000008447 perception Effects 0.000 title claims abstract description 104
- 238000011156 evaluation Methods 0.000 title claims abstract description 55
- 238000012360 testing method Methods 0.000 claims abstract description 84
- 238000005259 measurement Methods 0.000 claims abstract description 29
- 238000004088 simulation Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims description 37
- 230000000875 corresponding effect Effects 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 32
- 230000002596 correlated effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种针对自动驾驶感知算法的评测方法、装置、电子设备、计算机可读存储介质和计算机程序产品,涉及人工智能领域,尤其涉及自动驾驶技术领域。实现方案为:获取场景数据和实测结果,其中,实测结果指示目标场景下第一交通参与方是否会对主车造成驾驶风险;基于场景数据确定目标区域,其中,目标区域指示第一交通参与方在第一时间段内可能经过的区域;利用自动驾驶感知算法处理场景数据,以得到仿真测试数据;基于仿真测试数据确定在第一时间段内落入目标区域的至少一个第二交通参与方和至少一个第二交通参与方对应的至少一个感知测试结果;以及基于道路实测结果与至少一个感知测试结果自动驾驶感知算法的感知能力。
Description
技术领域
本公开涉及人工智能领域,尤其涉及自动驾驶技术领域,具体涉及一种针对自动驾驶感知算法的评测方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
相关技术中,在对自动驾驶感知算法进行评测时,通常需要通过人工回看仿真测试视频数据的方式来确定算法的感知结果是否与实际的道路测试结果相一致,成本高且效率低。
发明内容
本公开提供了一种针对自动驾驶感知算法的评测方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种针对自动驾驶感知算法的评测方法,包括:获取场景数据和实测结果,其中,所述场景数据是主车在包括第一交通参与方的目标场景下行驶时采集得到的,所述实测结果指示所述目标场景下所述第一交通参与方是否会对所述主车造成驾驶风险;基于所述场景数据确定目标区域,其中,所述目标区域指示所述第一交通参与方在第一时间段内可能经过的区域;利用所述自动驾驶感知算法处理所述场景数据,以得到所述自动驾驶感知算法输出的仿真测试数据;基于所述仿真测试数据确定在所述第一时间段内落入所述目标区域的至少一个第二交通参与方和所述至少一个第二交通参与方对应的至少一个感知测试结果,其中,每个感知测试结果指示相应的第二交通参与方是否被感知到会对所述主车造成驾驶风险;以及基于所述道路实测结果与所述至少一个感知测试结果评测所述自动驾驶感知算法的感知能力。
根据本公开的另一方面,提供了一种针对自动驾驶感知算法的评测装置,包括:获取单元,被配置为获取场景数据和实测结果,其中,所述场景数据是主车在包括第一交通参与方的目标场景下行驶时采集得到的,所述实测结果指示所述目标场景下所述第一交通参与方是否会对所述主车造成驾驶风险;第一确定单元,被配置为基于所述场景数据确定目标区域,其中,所述目标区域指示所述第一交通参与方在第一时间段内可能经过的区域;处理单元,被配置为利用所述自动驾驶感知算法处理所述场景数据,以得到所述自动驾驶感知算法输出的仿真测试数据;第二确定单元,被配置为基于所述仿真测试数据确定在所述第一时间段内落入所述目标区域的至少一个第二交通参与方和所述至少一个第二交通参与方对应的至少一个感知测试结果,其中,每个感知测试结果指示相应的第二交通参与方是否被感知到会对所述主车造成驾驶风险;以及评测单元,被配置为基于所述道路实测结果与所述至少一个感知测试结果评测所述自动驾驶感知算法的感知能力。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器能够执行上述针对自动驾驶感知算法的评测方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行上述针对自动驾驶感知算法的评测方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现上述针对自动驾驶感知算法的评测方法。
根据本公开的一个或多个实施例,基于实际道路测试生成的场景数据确定用于进行评测的交通参与方可能经过的目标区域,并在仿真测试中对自动驾驶感知算法针对该目标区域的感知能力进行评分,从而能够使用与进行评测的交通参与方关联的目标区域替换该交通参与方以实现感知能力评测,克服了由于同一交通参与方在道路实测的场景数据和仿真测试的测试数据中ID不一致而无法在多次测试中锁定该同一交通参与方的缺陷,有效提高了针对自动驾驶感知算法的评测效率,并大幅降低了评测成本。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开的实施例的针对自动驾驶感知算法的评测方法的示例性流程图;
图3示出了根据本公开的实施例的针对自动驾驶感知算法的评测方法的部分示例性流程图;
图4示出了根据本公开的实施例的针对自动驾驶感知算法的评测方法的另一部分示例性流程图;
图5示出了根据本公开的实施例的根据第一位置和第二位置确定目标区域的示意图;
图6示出了根据本公开的实施例的针对自动驾驶感知算法的评测方法的又一部分示例性流程图;
图7示出了根据本公开的实施例的针对自动驾驶感知算法的评测方法的再一部分示例性流程图;
图8示出了根据本公开的实施例的针对自动驾驶感知算法的评测装置的结构框图;以及
图9示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个要素与另一要素区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括机动车辆110、服务器120以及将机动车辆110耦接到服务器120的一个或多个通信网络130。
在本公开的实施例中,机动车辆110可以包括根据本公开实施例的计算设备和/或被配置以用于执行根据本公开实施例的方法。
服务器120可以运行使得能够针对自动驾驶感知算法的评测方法的一个或多个服务或软件应用。在某些实施例中,服务器120还可以提供其他服务或软件应用,这些服务或软件应用可以包括非虚拟环境和虚拟环境。在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。机动车辆110的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从机动车辆110接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由机动车辆110的一个或多个显示设备来显示数据馈送和/或实时事件。
网络130可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络130可以是卫星通信网络、局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(包括例如蓝牙、WiFi)和/或这些与其他网络的任意组合。
系统100还可以包括一个或多个数据库150。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库150中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库150可以驻留在各种位置。例如,由服务器120使用的数据存储库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库150可以是不同的类型。在某些实施例中,由服务器120使用的数据存储库可以是数据库,例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库150中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
机动车辆110可以包括传感器111用于感知周围环境。传感器111可以包括下列传感器中的一个或多个:视觉摄像头、红外摄像头、超声波传感器、毫米波雷达以及激光雷达(LiDAR)。不同的传感器可以提供不同的检测精度和范围。摄像头可以安装在车辆的前方、后方或其他位置。视觉摄像头可以实时捕获车辆内外的情况并呈现给驾驶员和/或乘客。此外,通过对视觉摄像头捕获的画面进行分析,可以获取诸如交通信号灯指示、交叉路口情况、其他车辆运行状态等信息。红外摄像头可以在夜视情况下捕捉物体。超声波传感器可以安装在车辆的四周,用于利用超声波方向性强等特点来测量车外物体距车辆的距离。毫米波雷达可以安装在车辆的前方、后方或其他位置,用于利用电磁波的特性测量车外物体距车辆的距离。激光雷达可以安装在车辆的前方、后方或其他位置,用于检测物体边缘、形状信息,从而进行物体识别和追踪。由于多普勒效应,雷达装置还可以测量车辆与移动物体的速度变化。
机动车辆110还可以包括通信装置112。通信装置112可以包括能够从卫星141接收卫星定位信号(例如,北斗、GPS、GLONASS以及GALILEO)并且基于这些信号产生坐标的卫星定位模块。通信装置112还可以包括与移动通信基站142进行通信的模块,移动通信网络可以实施任何适合的通信技术,例如GSM/GPRS、CDMA、LTE等当前或正在不断发展的无线通信技术(例如5G技术)。通信装置112还可以具有车联网或车联万物(Vehicle-to-Everything,V2X)模块,被配置用于实现例如与其它车辆143进行车对车(Vehicle-to-Vehicle,V2V)通信和与基础设施144进行车辆到基础设施(Vehicle-to-Infrastructure,V2I)通信的车与外界的通信。此外,通信装置112还可以具有被配置为例如通过使用IEEE802.11标准的无线局域网或蓝牙与用户终端145(包括但不限于智能手机、平板电脑或诸如手表等可佩戴装置)进行通信的模块。利用通信装置112,机动车辆110还可以经由网络130接入服务器120。
机动车辆110还可以包括控制装置113。控制装置113可以包括与各种类型的计算机可读存储装置或介质通信的处理器,例如中央处理单元(CPU)或图形处理单元(GPU),或者其他的专用处理器等。控制装置113可以包括用于自动控制车辆中的各种致动器的自动驾驶系统。自动驾驶系统被配置为经由多个致动器响应来自多个传感器111或者其他输入设备的输入而控制机动车辆110(未示出的)动力总成、转向系统以及制动系统等以分别控制加速、转向和制动,而无需人为干预或者有限的人为干预。控制装置113的部分处理功能可以通过云计算实现。例如,可以使用车载处理器执行某一些处理,而同时可以利用云端的计算资源执行其他一些处理。控制装置113可以被配置以执行根据本公开的方法。此外,控制装置113可以被实现为根据本公开的机动车辆侧(客户端)的计算设备的一个示例。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
相关技术中,在对自动驾驶感知算法进行评测时,通常需要通过人工回看仿真测试的视频数据的方式来确定算法的感知结果是否与实际的道路测试结果相一致,成本高且效率低。
为此,图2示出了根据本公开的实施例的针对自动驾驶感知算法的评测方法的示例性流程图。
如图2所示,根据本公开的实施例提供了一种针对自动驾驶感知算法的评测方法200,包括:获取场景数据和实测结果,其中,场景数据是主车在包括第一交通参与方的目标场景下行驶时采集得到的,实测结果指示目标场景下第一交通参与方是否会对主车造成驾驶风险(步骤210);基于场景数据确定目标区域,其中,目标区域指示第一交通参与方在第一时间段内可能经过的区域(步骤220);利用自动驾驶感知算法处理场景数据,以得到自动驾驶感知算法输出的仿真测试数据(步骤230);基于仿真测试数据确定在第一时间段内落入目标区域的至少一个第二交通参与方和至少一个第二交通参与方对应的至少一个感知测试结果,其中,每个感知测试结果指示相应的第二交通参与方是否被感知到会对主车造成驾驶风险(步骤240);以及基于道路实测结果与至少一个感知测试结果评测自动驾驶感知算法的感知能力(步骤250)。
根据本公开实施例的针对自动驾驶感知算法的评测方法,基于实际道路测试生成的场景数据确定用于进行评测的交通参与方可能经过的目标区域,并在仿真测试中对自动驾驶感知算法针对该目标区域的感知能力进行评分,从而能够使用与进行评测的交通参与方关联的目标区域替换该交通参与方以实现感知能力评测,克服了由于同一交通参与方在道路实测的场景数据和仿真测试的测试数据中ID不一致而无法在多次测试中锁定该同一交通参与方的缺陷,有效提高了针对自动驾驶感知算法的评测效率,并大幅降低了评测成本。
在步骤210,获取场景数据和实测结果,其中,场景数据是主车在包括第一交通参与方的目标场景下行驶时采集得到的,实测结果指示目标场景下第一交通参与方是否会对主车造成驾驶风险。
在一些实施例中,上述场景数据可以是视频数据和/或点云数据,对此不作限制。
在一些实施例中,上述场景数据和实测结果可以是直接在目标场景下对主车进行实际道路测试而采集得到的,也可以是从数据库中获取的历史实际道路测试的场景数据和实测结果,对此不作限制。
在一些实施例中,第一交通参与方包括但不限于机动车、非机动车、行人以及其他可能出现在目标场景中的动态障碍物,对此不作限制。
在一个示例中,第一交通参与方为机动车,目标场景为主车和该机动车沿车道线对向行驶的场景;在另一个示例中,第一交通参与方为落叶,目标场景为落叶被风吹向主车的场景。应当理解,上述示例仅作举例说明之用,并不因此将其限制于此,
在步骤220,基于场景数据确定目标区域,其中,目标区域指示第一交通参与方在第一时间段内可能经过的区域。
图3示出了根据本公开的实施例的针对自动驾驶感知算法的评测方法的部分示例性流程图。
根据一些实施例,如图3所示,步骤220包括:基于场景数据确定第一交通参与方在第一时间段的起始时刻的第一位置和在第一时间段的终止时刻的第二位置(步骤321);以及基于第一位置和第二位置,确定目标区域(步骤322)。
通过第一交通参与方在起始时刻和终止时刻的位置,可以得到第一交通参与方在第一时间段内位置变化,从而可以基于此种位置变化至少部分地确定第一交通参与方经过的区域,以将其作为与第一交通参与方关联的目标区域,从而有效提高目标区域与第一交通参与方之间的关联关系,以提高基于第一交通参与方与目标位置得到的算法感知能力的评测准确性。
在步骤321,基于场景数据确定主车在第一时间段的起始时刻的第一位置和在第一时间段的终止时刻的第二位置。
在一些实施例中,可以从场景数据中获取第一时间段的起始时刻对应的起始帧和第一时间段的终止时刻对应的终止帧,以从起始帧中确定主车的第一位置、从终止帧中确定主车的第二位置。
在一些实施例中,上述第一位置和第二位置可以是基于高精地图的实际地理位置坐标,也可以是基于其他特定参考系的位置坐标,对此不作限制。
在步骤322,基于第一位置和第二位置,确定目标区域。
在一些实施例中,第一位置和第二位置可以落在目标区域的范围之内,也可以落在目标区域的范围之外,还可以一个落在目标区域的范围之内、一个落在目标区域的范围之外,对此不作限制。
在一些实施例中,目标区域的形状可以是规则的或不规则的,对此不作限制。
针对第一交通参与者为沿车道线行驶的机动车或非机动车等场景,图4示出了根据本公开的实施例的针对自动驾驶感知算法的评测方法的另一部分示例性流程图。
根据一些实施例,如图4所示,步骤322包括:以第一位置和第二位置的连线为基准,将第一位置和第二位置沿垂直于连线的方向向左移动第一距离,以得到第一角点和第二角点(步骤4221);以第一位置和第二位置的连线为基准,将第一位置和第二位置沿垂直于连线的方向向右移动第二距离,以得到第三角点和第四角点(步骤4222);以及将第一角点、第二角点、第三角点和第四角点围成的矩形区域作为目标区域(步骤4223)。
通过此种方式得到四个角点来围成矩形,有效适应了第一交通参与者沿车道线行驶的规律,从而能够更准确地将第一交通参与方可能经过的区域包括在目标区域中,有效增强目标区域与第一交通参与者的关联性,从而在确保针对自动驾驶感知算法的评测的准确性的同时提升评测效率。
图5示出了根据本公开的实施例的根据第一位置和第二位置确定目标区域的示意图。如图5所示,第一位置A相对于当前参考系的坐标为(xa,ya),第二位置B相对于当前参考系的坐标为(xb,yb)。
在步骤4221,以第一位置A和第二位置B的连线AB为基准,将第一位置A和第二位置B沿垂直于连线AB的方向向左移动第一距离d1,以得到第一角点C和第二角点D。
在步骤4222,将第一位置A和第二位置B沿垂直于连线AB的方向向右移动第二距离d2,以得到第三角点E和第四角点F。
在步骤4223,将第一角点C、第二角点D、第三角点E和第四角点F围成的矩形区域CDEF作为目标区域。
在一些实施例中,第一距离d1和第二距离d2可以相同或不同。在一个示例中,第一交通参与者行驶的车道线宽度为5米,可以将第一距离d1和第二距离d2均设置为5米,此时,目标区域CDEF为车道线宽度的2倍,无论第一交通参与者在第一时间段内是否进行了变道行为,其行驶路线都可以被包括在目标区域CDEF中。
需要说明的是,上述示例仅作举例说明之用,并不因此将其限制于此,例如,第一距离d1可以是0.5米、3米或10米,第一距离d1可以是0.5米、3米或者10米,对此不作限制。
在步骤230,利用自动驾驶感知算法处理场景数据,以得到自动驾驶感知算法输出的仿真测试数据。
在一些实施例中,在得到仿真测试数据后,可以基于时间戳对仿真测试数据中的数据帧进行筛选,以保留第一时间段对应的数据帧并删除其他数据帧,从而降低对存储空间占用率。
在步骤240,基于仿真测试数据确定在第一时间段内落入目标区域的至少一个第二交通参与方和至少一个第二交通参与方对应的至少一个感知测试结果,其中,每个感知测试结果指示相应的第二交通参与方是否被感知到会对主车造成驾驶风险。
通过基于第一时间段中与目标区域产生交集的第二交通参与方的感知测试结果来得到第一时间内自动驾驶算法针对该目标区域的感知测试结果,可以避免将道路实测和仿真测试中的交通参与者进行一一对应,以实现上述评测。
然而,在目标区域的范围较大的情况下,一些距离主车较远的交通参与方虽然在第一时间段内出现在目标区域中,但其可能并不会对主车造成驾驶风险,基于此,图6示出了根据本公开的实施例的针对自动驾驶感知算法的评测方法的又一部分示例性流程图。
根据一些实施例,如图6所示,步骤240包括:从仿真测试数据中获取第一时间段对应的多个数据帧(步骤641);针对每个数据帧,确定该数据帧中与主车的距离小于碰撞阈值的至少一个第三交通参与方(步骤6421);以及将至少一个第三交通参与方中落入目标区域的第三交通参与方作为第二交通参与方(步骤6422);以及遍历多个数据帧,以得到至少一个第二交通参与方(步骤643)。
通过确定第三交通参与方与主车之间的距离,能够排除一些距离主车较远不会产生碰撞风险但会经过目标区域的第三交通参与方作为第二交通参与方的可能性,从而进一步提高对自动驾驶感知算法进行评测的效率和准确性。
图7示出了根据本公开的实施例的针对自动驾驶感知算法的评测方法的再一部分示例性流程图。
根据一些实施例,如图7所示,步骤240包括:针对每个第二交通参与方,获取该第二交通参与方在第一数据帧中被感知到的第一尺寸,其中,第一数据帧为多个数据帧中该第二交通参与方被感知到的尺寸最小的数据帧,第一尺寸包括该第二交通参与方的第一长度、第一宽度和第一高度中的至少一者(步骤7411);获取该第二交通参与方在第二数据帧中被感知到的与第一尺寸相对应的第二尺寸,其中,第二数据帧为多个数据帧中该第二交通参与方被感知到的尺寸最大的数据帧,第二尺寸包括该第二交通参与方的第二长度、第二宽度和第二高度中的至少一者(步骤7412);基于第一尺寸和第二尺寸确定该第二交通参与方的尺寸变化值(步骤7413);以及基于第一数据帧和第二数据帧的时序关系以及尺寸变化值确定该第二交通参与方对应的感知测试结果(步骤7414);以及遍历至少一个第二交通参与方,以得到至少一个感知测试结果(步骤742)。
对于步骤7411和步骤7412,为了能够得到第二交通参与方的尺寸变化值,第二尺寸需要与第一尺寸相对应。例如,当第一尺寸包括第一高度时,第二尺寸至少包括第二高度;又如,在第一尺寸包括第一宽度和第一长度时,第二尺寸至少包括第二宽度和第二长度,以此类推。
在一些实施例中,还可以基于获取到的第二交通参与者的长宽高来计算其面积或体积,以将该第二交通参与者的面积或体积作为上述第一尺寸和第二尺寸。
对于步骤7413和步骤7414,尺寸变化值包括但不限于第二尺寸与第一尺寸的差值、第二尺寸与第一尺寸的差值的绝对值以及第二尺寸相较于第一尺寸的尺寸变化率等等。
在一个示例中,尺寸变化值为第二尺寸与第一尺寸的差值。当第一数据帧对应的第一时刻早于第二数据帧对应的第二时刻时,尺寸变化值为正值,尺寸变化值越大,第二交通参与方沿靠近主车方向移动的距离越大,第二交通参与方被感知到对主车造成驾驶风险的可能性越大;当第一数据帧对应的第一时刻晚于第二数据帧对应的第二时刻时,尺寸变化值为负值,尺寸变化值越小,第二交通参与方沿远离主车的方向移动的距离越大,第二交通参与方被感知到对主车造成驾驶风险的可能性越小。基于此,尺寸变化值将始终与第二交通参与方被感知到对主车造成驾驶风险的可能性呈正相关。
针对动态的交通参与者,其被感知到的尺寸的变化情况可以有效地表征对主车造成驾驶风险的可能性。例如,在机动车沿相邻车道与主车对向行驶的场景下,当感知到该机动车的尺寸变化越大,其侵入主车当前行驶车道的可能性越高,相应地对主车造成驾驶风险的可能性也会越高。因此,基于上述被感知到的尺寸的变化情况,可以简单高效地确定针对该交通参与者的感知测试结果,以提高评测效率。
在一些实施例中,尺寸变化值可以是第二交通参与方的长度变化值、宽度变化值和/或高度变化值;在另一些实施例中,也可以基于获取到的第二交通参与者的长宽高来计算其面积或体积,以将该第二交通参与者的面积变化值或体积变化值作为上述尺寸变化值,对此不作限制。
根据一些实施例,步骤7414包括:基于尺寸变化值对该第二交通参与方进行风险评分,以将风险评分的分数作为该第二交通参与方对应的感知测试结果,其中,尺寸变化值与风险评分的分数呈正相关。并且,步骤240包括:根据至少一个感知测试结果确定自动驾驶感知算法的风险感知分数,其中,风险感知分数与至少一个感知测试结果对应的至少一个风险评分的分数呈正相关。
基于第二交通参与者的尺寸变化,能够以量化的方式对自动驾驶感知算法进行评测,从而降低了评测的实现难度,提高了评测效率。
在一些实施例中,上述风险感知分数可以是上述至少一个风险评分的平均值、加权平均值、最大值或最小值,对此不作限制。
根据一些实施例,上述方法200还包括:将上述场景数据、实测结果、仿真测试数据和针对自动驾驶感知算法的感知能力的评测结果作为训练数据返回自动驾驶感知算法,以更新自动驾驶感知算法的网络模型参数。
通过将上述各数据和评测结果返回自动驾驶感知算法,能够有效确定出自动驾驶感知算法模型的下一代更新迭代方向以调整网络参数,从而能够更好地提高算法模型的迭代效率和迭代效果。
图8示出了根据本公开的实施例的针对自动驾驶感知算法的评测装置的结构框图。
如图8所示,根据本公开的实施例,提供了一种针对自动驾驶感知算法的评测装置800,包括:获取单元810,被配置为获取场景数据和实测结果,其中,场景数据是主车在包括第一交通参与方的目标场景下行驶时采集得到的,实测结果指示目标场景下第一交通参与方是否会对主车造成驾驶风险;第一确定单元820,被配置为基于场景数据确定目标区域,其中,目标区域指示第一交通参与方在第一时间段内可能经过的区域;处理单元830,被配置为利用自动驾驶感知算法处理场景数据,以得到自动驾驶感知算法输出的仿真测试数据;第二确定单元840,被配置为基于仿真测试数据确定在第一时间段内落入目标区域的至少一个第二交通参与方和至少一个第二交通参与方对应的至少一个感知测试结果,其中,每个感知测试结果指示相应的第二交通参与方是否被感知到会对主车造成驾驶风险;以及评测单元850,被配置为基于道路实测结果与至少一个感知测试结果评测自动驾驶感知算法的感知能力。
这里,针对自动驾驶感知算法的评测装置800的上述各单元810~850的操作分别与前面描述的步骤210~250的操作类似,在此不再赘述。
根据本公开的实施例,还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
参考图9,现将描述可以作为本公开的服务器或客户端的电子设备900的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,电子设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储电子设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905,包括:输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向电子设备900输入信息的任何类型的设备,输入单元906可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元907可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元908可以包括但不限于磁盘、光盘。通信单元909允许电子设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙设备、802.11设备、WiFi设备、WiMax备、蜂窝通信设备和/或类似物。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习网络算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如方法200,在一些实施例中,方法200现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的方法200或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (17)
1.一种针对自动驾驶感知算法的评测方法,包括:
获取场景数据和实测结果,其中,所述场景数据是主车在包括第一交通参与方的目标场景下行驶时采集得到的,所述实测结果指示所述目标场景下所述第一交通参与方是否会对所述主车造成驾驶风险;
基于所述场景数据确定目标区域,其中,所述目标区域指示所述第一交通参与方在第一时间段内可能经过的区域;
利用所述自动驾驶感知算法处理所述场景数据,以得到所述自动驾驶感知算法输出的仿真测试数据;
基于所述仿真测试数据确定在所述第一时间段内落入所述目标区域的至少一个第二交通参与方和所述至少一个第二交通参与方对应的至少一个感知测试结果,其中,每个感知测试结果指示相应的第二交通参与方是否被感知到会对所述主车造成驾驶风险;以及
基于所述道路实测结果与所述至少一个感知测试结果评测所述自动驾驶感知算法的感知能力。
2.根据权利要求1所述的方法,其中,所述基于所述场景数据确定目标区域,包括:
基于所述场景数据确定所述第一交通参与方在所述第一时间段的起始时刻的第一位置和在所述第一时间段的终止时刻的第二位置;以及
基于所述第一位置和所述第二位置,确定所述目标区域。
3.根据权利要求2所述的方法,其中,所述基于所述第一位置和所述第二位置,确定所述目标区域,包括:
以所述第一位置和所述第二位置的连线为基准,将所述第一位置和所述第二位置沿垂直于所述连线的方向向左移动第一距离,以得到第一角点和第二角点;
将所述第一位置和所述第二位置沿垂直于所述连线的方向向右移动第二距离,以得到第三角点和第四角点;以及
将所述第一角点、所述第二角点、所述第三角点和所述第四角点围成的矩形区域作为所述目标区域。
4.根据权利要求1-3中任一项所述的方法,其中,所述确定在所述第一时间段内落入所述目标区域的至少一个第二交通参与方,包括:
从所述仿真测试数据中获取所述第一时间段对应的多个数据帧;
针对每个数据帧,
确定该数据帧中与所述主车的距离小于碰撞阈值的至少一个第三交通参与方;以及
将所述至少一个第三交通参与方中落入所述目标区域的第三交通参与方作为所述第二交通参与方;以及
遍历所述多个数据帧,以得到所述至少一个第二交通参与方。
5.根据权利要求4所述的方法,其中,所述确定所述至少一个第二交通参与方对应的至少一个感知测试结果,包括:
针对每个第二交通参与方,
获取该第二交通参与方在第一数据帧中被感知到的第一尺寸,其中,所述第一数据帧为所述多个数据帧中该第二交通参与方被感知到的尺寸最小的数据帧,所述第一尺寸包括该第二交通参与方的第一长度、第一宽度和第一高度中的至少一者;
获取该第二交通参与方在第二数据帧中被感知到的与所述第一尺寸相对应的第二尺寸,其中,所述第二数据帧为所述多个数据帧中该第二交通参与方被感知到的尺寸最大的数据帧,所述第二尺寸包括该第二交通参与方的第二长度、第二宽度和第二高度中的至少一者;
基于所述第一尺寸和所述第二尺寸确定该第二交通参与方的尺寸变化值;以及
基于所述第一数据帧和所述第二数据帧的时序关系以及所述尺寸变化值确定该第二交通参与方对应的感知测试结果;以及
遍历所述至少一个第二交通参与方,以得到所述至少一个感知测试结果。
6.根据权利要求5所述的方法,其中,所述基于所述尺寸变化值确定该第二交通参与方对应的感知测试结果,包括:
基于所述尺寸变化值对该第二交通参与方进行风险评分,以将所述风险评分的分数作为该第二交通参与方对应的感知测试结果,其中,所述尺寸变化值与所述风险评分的分数呈正相关;
并且其中,所述基于所述道路实测结果与所述至少一个感知测试结果评测所述自动驾驶感知算法的感知能力,包括:
根据所述至少一个感知测试结果确定所述自动驾驶感知算法的风险感知分数,其中,所述风险感知分数与所述至少一个感知测试结果对应的至少一个风险评分的分数呈正相关。
7.根据权利要求1-6中任一项所述的方法,还包括:
将所述场景数据、所述实测结果、所述仿真测试数据和针对所述自动驾驶感知算法的感知能力的评测结果作为训练数据返回所述自动驾驶感知算法,以更新所述自动驾驶感知算法的网络模型参数。
8.一种针对自动驾驶感知算法的评测装置,包括:
获取单元,被配置为获取场景数据和实测结果,其中,所述场景数据是主车在包括第一交通参与方的目标场景下行驶时采集得到的,所述实测结果指示所述目标场景下所述第一交通参与方是否会对所述主车造成驾驶风险;
第一确定单元,被配置为基于所述场景数据确定目标区域,其中,所述目标区域指示所述第一交通参与方在第一时间段内可能经过的区域;
处理单元,被配置为利用所述自动驾驶感知算法处理所述场景数据,以得到所述自动驾驶感知算法输出的仿真测试数据;
第二确定单元,被配置为基于所述仿真测试数据确定在所述第一时间段内落入所述目标区域的至少一个第二交通参与方和所述至少一个第二交通参与方对应的至少一个感知测试结果,其中,每个感知测试结果指示相应的第二交通参与方是否被感知到会对所述主车造成驾驶风险;以及
评测单元,被配置为基于所述道路实测结果与所述至少一个感知测试结果评测所述自动驾驶感知算法的感知能力。
9.根据权利要求8所述的装置,其中,所述第一确定单元包括:
第一确定子单元,被配置为基于所述场景数据确定所述第一交通参与方在所述第一时间段的起始时刻的第一位置和在所述第一时间段的终止时刻的第二位置;以及
第二确定子单元,被配置为基于所述第一位置和所述第二位置,确定所述目标区域。
10.根据权利要求9所述的装置,其中,所述第二确定子单元包括:
第一角点子单元,被配置为以所述第一位置和所述第二位置的连线为基准,将所述第一位置和所述第二位置沿垂直于所述连线的方向向左移动第一距离,以得到第一角点和第二角点;
第二角点子单元,被配置为将所述第一位置和所述第二位置沿垂直于所述连线的方向向右移动第二距离,以得到第三角点和第四角点;以及
第三确定子单元,被配置为将所述第一角点、所述第二角点、所述第三角点和所述第四角点围成的矩形区域作为所述目标区域。
11.根据权利要求8-10中任一项所述的装置,其中,所述第二确定单元包括:
获取子单元,被配置为从所述仿真测试数据中获取所述第一时间段对应的多个数据帧;
第一处理子单元,被配置为针对每个数据帧,
确定该数据帧中与所述主车的距离小于碰撞阈值的至少一个第三交通参与方;以及
将所述至少一个第三交通参与方中落入所述目标区域的第三交通参与方作为所述第二交通参与方;以及
第一遍历子单元,被配置为遍历所述多个数据帧,以得到所述至少一个第二交通参与方。
12.根据权利要求11所述的装置,其中,所述第二确定单元包括:
第二处理子单元,被配置为针对每个第二交通参与方,
获取该第二交通参与方在第一数据帧中被感知到的第一尺寸,其中,所述第一数据帧为所述多个数据帧中该第二交通参与方被感知到的尺寸最小的数据帧,所述第一尺寸包括该第二交通参与方的第一长度、第一宽度和第一高度中的至少一者;
获取该第二交通参与方在第二数据帧中被感知到的与所述第一尺寸相对应的第二尺寸,其中,所述第二数据帧为所述多个数据帧中该第二交通参与方被感知到的尺寸最大的数据帧,所述第二尺寸包括该第二交通参与方的第二长度、第二宽度和第二高度中的至少一者;
基于所述第一尺寸和所述第二尺寸确定该第二交通参与方的尺寸变化值;以及
基于所述第一数据帧和所述第二数据帧的时序关系以及所述尺寸变化值确定该第二交通参与方对应的感知测试结果;以及
遍历所述至少一个第二交通参与方,以得到所述至少一个感知测试结果。
13.根据权利要求12所述的装置,其中,所述第二处理子单元包括:
评分子单元,被配置为基于所述尺寸变化值对该第二交通参与方进行风险评分,以将所述风险评分的分数作为该第二交通参与方对应的感知测试结果,其中,所述尺寸变化值与所述风险评分的分数呈正相关;
并且其中,所述评测单元包括:
第三确定子单元,被配置为根据所述至少一个感知测试结果确定所述自动驾驶感知算法的风险感知分数,其中,所述风险感知分数与所述至少一个感知测试结果对应的至少一个风险评分的分数呈正相关。
14.根据权利要求8-13中任一项所述的装置,还包括:
更新单元,被配置为将所述场景数据、所述实测结果、所述仿真测试数据和针对所述自动驾驶感知算法的感知能力的评测结果作为训练数据返回所述自动驾驶感知算法,以更新所述自动驾驶感知算法的网络模型参数。
15.一种电子设备,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权利要求1-7中任一项所述的方法。
16.一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根据权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310451494.4A CN116466685A (zh) | 2023-04-24 | 2023-04-24 | 针对自动驾驶感知算法的评测方法及装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310451494.4A CN116466685A (zh) | 2023-04-24 | 2023-04-24 | 针对自动驾驶感知算法的评测方法及装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116466685A true CN116466685A (zh) | 2023-07-21 |
Family
ID=87182202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310451494.4A Pending CN116466685A (zh) | 2023-04-24 | 2023-04-24 | 针对自动驾驶感知算法的评测方法及装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116466685A (zh) |
-
2023
- 2023-04-24 CN CN202310451494.4A patent/CN116466685A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113887400B (zh) | 障碍物检测方法、模型训练方法、装置及自动驾驶车辆 | |
CN114179832B (zh) | 用于自动驾驶车辆的变道方法 | |
CN114758502B (zh) | 双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆 | |
CN115019060A (zh) | 目标识别方法、目标识别模型的训练方法及装置 | |
CN114047760B (zh) | 路径规划方法、装置、电子设备及自动驾驶车辆 | |
CN115164936A (zh) | 高精地图制作中用于点云拼接的全局位姿修正方法及设备 | |
CN115082690B (zh) | 目标识别方法、目标识别模型训练方法及装置 | |
CN114394111B (zh) | 用于自动驾驶车辆的变道方法 | |
CN115556769A (zh) | 障碍物状态量确定方法及装置、电子设备和介质 | |
CN113850909B (zh) | 点云数据处理方法、装置、电子设备及自动驾驶设备 | |
CN115675528A (zh) | 基于相似场景挖掘的自动驾驶方法和车辆 | |
CN114970112A (zh) | 用于自动驾驶仿真的方法、装置、电子设备及存储介质 | |
CN116466685A (zh) | 针对自动驾驶感知算法的评测方法及装置、设备和介质 | |
CN116311943B (zh) | 交叉路口的平均延误时间的估算方法及装置 | |
CN115583243B (zh) | 确定车道线信息的方法、车辆控制方法、装置和设备 | |
CN115019278B (zh) | 一种车道线拟合方法、装置、电子设备和介质 | |
CN115235487B (zh) | 数据处理方法及装置、设备和介质 | |
CN114179834B (zh) | 车辆停靠方法、装置、电子设备、介质及自动驾驶车辆 | |
CN116580367A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN116469069A (zh) | 用于自动驾驶的场景编码模型训练方法、装置及介质 | |
CN113869214A (zh) | 交通信号灯图像的处理方法、装置和边缘计算设备 | |
CN114670839A (zh) | 评估自动驾驶车辆的驾驶行为的方法、装置、电子设备 | |
CN116363604A (zh) | 目标交通事件识别方法、装置、设备及介质 | |
CN117724361A (zh) | 应用于自动驾驶仿真场景的碰撞事件检测方法及装置 | |
CN115937823A (zh) | 用于检测障碍物的方法、装置、电子设备和介质 |
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 |