CN116577762A - 仿真雷达数据生成方法、装置、设备及存储介质 - Google Patents
仿真雷达数据生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116577762A CN116577762A CN202310853838.4A CN202310853838A CN116577762A CN 116577762 A CN116577762 A CN 116577762A CN 202310853838 A CN202310853838 A CN 202310853838A CN 116577762 A CN116577762 A CN 116577762A
- Authority
- CN
- China
- Prior art keywords
- data
- preset
- target
- simulation
- echo
- 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.)
- Granted
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000012216 screening Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000002310 reflectometry Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 238000002592 echocardiography Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008447 perception Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000005094 computer simulation Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000252210 Cyprinidae Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000005754 cellular signaling Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/497—Means for monitoring or calibrating
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
- G01S7/4052—Means for monitoring or calibrating by simulation of echoes
- G01S7/4082—Means for monitoring or calibrating by simulation of echoes using externally generated reference signals, e.g. via remote reflector or transponder
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本公开提供一种仿真雷达数据生成方法、装置、设备及存储介质,涉及自动驾驶仿真技术领域,可应用于自动驾驶仿真的场景下。具体实现方案包括:获取光线与反射物体发生碰撞后产生的仿真回波;确定回波强度满足第一预设要求的仿真回波作为目标回波,第一预设要求为回波强度与预设阈值的比值大于预设阈值;确定目标回波对应的目标物体的目标数据,目标数据包括目标数据对应的目标物体的参数数据;根据预设类型的功能参数,对目标数据进行筛选,得到仿真雷达数据。本公开可以得到符合雷达在实际应用中的功能参数限制的仿真雷达数据,提高雷达仿真的准确性和真实性,提高自动驾驶仿真系统的性能。
Description
技术领域
本公开涉及自动驾驶仿真技术领域,尤其涉及一种仿真雷达数据生成方法、装置、设备及存储介质,可应用于自动驾驶仿真的场景下。
背景技术
传感器的仿真模型是自动驾驶仿真系统的关键组成部分,传感器的仿真模型建立,能够在自动驾驶仿真过程中,仿真传感器输出的传感器数据,从而能够向自动驾驶系统的感知及感知融合模块输入相应的数据,以使自动驾驶系统在仿真系统中执行自动驾驶任务。
常见的自动驾驶汽车传感器有摄像头,激光雷达,毫米波雷达和超声波雷达等。通常,对雷达的仿真,是基于雷达的物理特性,建立相应的数学模型,并通过计算机仿真进行实验和测试。这种方法的优点在于能够准确地反映出实际物理环境对雷达的影响,但无法真实仿真出雷达在实际应用中分辨率、精度、阈值范围等功能参数对探测结果产生的影响。
发明内容
本公开提供了一种仿真雷达数据生成方法、装置、设备及存储介质,能够得到符合雷达在实际应用中的功能参数限制的仿真雷达数据,提高雷达仿真的准确性和真实性,提高自动驾驶仿真系统的性能。
根据本公开的第一方面,提供了一种仿真雷达数据生成方法,所述方法包括:获取光线与反射物体发生碰撞后产生的仿真回波;确定回波强度满足第一预设要求的仿真回波作为目标回波,第一预设要求为回波强度与预设阈值的比值大于预设阈值;确定目标回波对应的目标物体的目标数据,目标数据包括目标数据对应的目标物体的参数数据;根据预设类型的功能参数,对目标数据进行筛选,得到仿真雷达数据。
一些可能的实现方式中,所述获取光线与反射物体发生碰撞后产生的仿真回波,包括:获取预设雷达的物理参数和预设的各类型反射物体的反射率;基于预设的光线追踪模型仿真预设雷达发射的光线,得到光线与反射物体发生碰撞后产生的仿真回波。
一些可能的实现方式中,所述预设阈值是根据背景噪声水平和环境噪声水平确定的。
一些可能的实现方式中,所述确定回波强度满足第一预设要求的回波作为目标回波,包括:当至少两束光线簇的距离满足第二预设要求时,将至少两束光线簇的回波强度进行叠加计算,第二预设要求为至少两束光线簇的距离小于或等于预设距离。
一些可能的实现方式中,所述预设类型包括第一类型,所述根据预设类型的功能参数,对目标数据进行筛选,得到仿真雷达数据,包括:根据第一类型的功能参数对应的预设取值范围,筛选符合第一类型以及预设取值范围的目标数据,得到仿真雷达数据,第一类型的功能参数包括距离、速度、角度。
一些可能的实现方式中,所述预设类型还包括第二类型,所述根据第一类型的功能参数对应的预设取值范围,筛选符合第一类型以及预设取值范围的目标数据,得到仿真雷达数据,包括:根据第一类型的功能参数对应的预设取值范围,筛选符合第一类型以及预设取值范围的目标数据;根据第二类型的功能参数,对符合第一类型以及预设取值范围的目标数据进行筛选,得到仿真雷达数据,第二类型的功能参数包括分辨率。
一些可能的实现方式中,所述方法还包括:根据预设的精度修正参数,对仿真雷达数据进行修正。
一些可能的实现方式中,在根据预设的功能参数,对目标数据进行筛选,得到仿真雷达数据之前,所述方法还包括:根据当前的仿真场景,按照预设的场景和功能参数间的映射关系,确定当前的仿真场景对应的功能参数,作为预设的功能参数。
一些可能的实现方式中,所述仿真雷达数据包括连续的预设帧数据,所述方法还包括:根据预设帧数据中各帧对应的仿真雷达数据,生成目标物体的目标轨迹数据。
一些可能的实现方式中,所述根据预设帧数据中各帧对应的仿真雷达数据,生成目标物体的目标轨迹数据,包括:获取各帧的仿真雷达数据分别对应的目标物体中在每帧中均出现的第一目标物体;根据各第一目标物体在各帧中的仿真雷达数据,生成各第一目标物体的目标轨迹数据。
一些可能的实现方式中,在根据预设帧数据中各帧对应的仿真雷达数据,生成目标物体的目标轨迹数据之后,所述方法还包括:对仿真雷达数据和目标轨迹数据进行数据结构合并,生成满足自动驾驶仿真系统对应的数据输入格式的数据流。
本公开的第一方面至少具备如下有益效果:能够根据光线追踪模型仿真雷达发射的光线,从而仿真得到光线碰撞目标物后得到的回波。基于回波强度的阈值确定出能够被雷达接收到的回波,从而确定出能够被雷达接收到的回波对应的目标为目标物体,并得到目标回波。基于该目标回波得到对应的目标数据,然后根据功能参数对目标数据进行筛选,从而得到能够符合雷达在实际应用中的功能参数限制的仿真雷达数据。提高雷达仿真的准确性和真实性,提高自动驾驶仿真系统的性能。
根据本公开的第二方面,提供了一种仿真雷达数据生成装置,所述装置包括:获取单元、确定单元、筛选单元。
获取单元,用于获取光线与反射物体发生碰撞后产生的仿真回波;确定单元,用于确定回波强度满足第一预设要求的仿真回波作为目标回波,第一预设要求为回波强度与预设阈值的比值大于预设阈值;确定单元,还用于确定目标回波对应的目标物体的目标数据,目标数据包括目标数据对应的目标物体的参数数据;筛选单元,用于根据预设类型的功能参数,对目标数据进行筛选,得到仿真雷达数据。
可选地,获取单元,具体用于:获取预设雷达的物理参数和预设的各类型反射物体的反射率;基于预设的光线追踪模型仿真预设雷达发射的光线,得到光线与反射物体发生碰撞后产生的仿真回波。
可选地,预设阈值是根据背景噪声水平和环境噪声水平确定的。
可选地,确定单元,具体用于:当至少两束光线簇的距离满足第二预设要求时,将至少两束光线簇的回波强度进行叠加计算,第二预设要求为至少两束光线簇的距离小于或等于预设距离。
可选地,预设类型包括第一类型,筛选单元,具体用于:根据第一类型的功能参数对应的预设取值范围,筛选符合第一类型以及预设取值范围的目标数据,得到仿真雷达数据,第一类型的功能参数包括距离、速度、角度。
可选地,预设类型还包括第二类型,筛选单元,具体用于:根据第一类型的功能参数对应的预设取值范围,筛选符合第一类型以及预设取值范围的目标数据;根据第二类型的功能参数,对符合第一类型以及预设取值范围的目标数据进行筛选,得到仿真雷达数据,第二类型的功能参数包括分辨率。
可选地,修正单元,用于根据预设的精度修正参数,对仿真雷达数据进行修正。
可选地,确定单元,还用于:根据当前的仿真场景,按照预设的场景和功能参数间的映射关系,确定当前的仿真场景对应的功能参数,作为预设的功能参数。
可选地,生成单元,用于根据预设帧数据中各帧对应的仿真雷达数据,生成目标物体的目标轨迹数据。
可选地,生成单元,具体用于:获取各帧的仿真雷达数据分别对应的目标物体中在每帧中均出现的第一目标物体;根据各第一目标物体在各帧中的仿真雷达数据,生成各第一目标物体的目标轨迹数据。
根据本公开的第三方面,提供了一种电子设备,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第一方面所述的方法。
根据本公开的第四方面,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,所述计算机指令用于使计算机执行根据第一方面所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据第一方面所述的方法。
本公开第二方面至第五方面所具备的有益效果可以参考第一方面所具备的有益效果,不再赘述。
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。本公开的其他特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开实施例提供的仿真雷达数据生成方法的流程示意图;
图2为本公开实施例提供的图1中S101的一种实现流程示意图;
图3为本公开实施例提供的仿真雷达数据生成方法的另一流程示意图;
图4为本公开实施例提供的生成目标轨迹数据的一种实现流程示意图;
图5为本公开实施例提供的仿真雷达数据生成装置的组成示意图;
图6为可以用来实施本公开的实施例的示例电子设备600的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例作出说明,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和精神。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。
应当理解,在本公开各实施例中,字符“/”一般表示前后关联对象是一种“或”的关系。术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。
传感器的仿真模型是自动驾驶仿真系统的关键组成部分,传感器的仿真模型建立,能够在自动驾驶仿真过程中,仿真传感器输出的传感器数据,从而能够向自动驾驶系统的感知及感知融合模块输入相应的数据,以使自动驾驶系统在仿真系统中执行自动驾驶任务。
常见的自动驾驶汽车传感器有摄像头,激光雷达,毫米波雷达和超声波雷达等。通常,对雷达的仿真,是基于雷达的物理特性,建立相应的数学模型,并通过计算机仿真进行实验和测试。这种方法的优点在于能够准确地反映出实际物理环境对雷达的影响,但无法真实仿真出雷达在实际应用中分辨率、精度、阈值范围等功能参数对探测结果产生的影响。
示例性地,传感器的仿真模型建立的有效性直接决定了感知及感知融合模块原始输入数据的有效性,也在算法处理中直接表征了自动驾驶系统的能力。常见的自动驾驶汽车传感器有摄像头,激光雷达,毫米波雷达和超声波雷达等。其中毫米波的模型当前通常被划分为:物理模型与功能模型。物理仿真模型是基于毫米波雷达的物理特性,建立相应的数学模型,并通过计算机仿真进行实验和测试。这种方法的优点在于能够准确地反映出实际物理环境对毫米波雷达的影响,但需要消耗大量的计算资源和时间。还有一些方法比如基于数据驱动的仿真模型建立,这种方法是通过大量的数据训练出神经网络等模型,从而实现对毫米波雷达数据的仿真。这种方法将物理模型和功能模型都放到了网络里训练,并没有直接方法表述,其优点在于能够快速生成仿真数据。
在此背景技术下,本公开提供了一种仿真雷达数据生成方法,能够得到符合雷达在实际应用中的功能参数限制的仿真雷达数据,提高雷达仿真的准确性和真实性,提高自动驾驶仿真系统的性能。
示例性地,本公开提供的仿真雷达数据生成方法,可以应用于自动驾驶仿真的场景下。
示例性地,本公开实施例提供的仿真雷达数据生成方法的执行主体可以是计算机或服务器,或者还可以是其他具有数据处理能力的设备。在此对该方法的执行主体不作限制。
一些实施例中,服务器可以是单独的一个服务器,或者,也可以是由多个服务器构成的服务器集群。部分实施方式中,服务器集群还可以是分布式集群。本公开对服务器的具体实现方式也不作限制。
图1为本公开实施例提供的仿真雷达数据生成方法的流程示意图。如图1所示,该方法可以包括S101-S104。
S101、获取光线与反射物体发生碰撞后产生的仿真回波。
S102、确定回波强度满足第一预设要求的仿真回波作为目标回波。
其中,第一预设要求表示回波强度与预设阈值的比值大于预设阈值。
示例性地,可以根据雷达能量方程,即公式(1)计算回波强度,先将发射功率、天线增益、波长的平方和反射率相乘,得到第一乘积,然后将圆周率的四倍的立方与目标距离的四次方相乘,得到第二乘积,再计算第一乘积和第二乘积的比值,得到回波强度。当计算得到回波强度满足第一预设要求时,将该回波作为目标回波。
公式(1)
其中,是回波功率,代表回波强度,/>是发射功率,/>和/>是天线增益,/>是波长,/>是反射率,R是目标距离。在本实例中,仅反射率/>与距离R是计算值,其余参数均已在S101中获取。计算出回波强度后,确定回波强度与预设阈值的比值大于预设阈值的回波作为目标回波,当光线从毫米波雷达发射出去后,如果与反射物体发生了光线碰撞,则触发了该点的回波强度计算,如果最后这个光线点的回波强度与预设阈值的比值大于预设阈值,则认为是一个目标物体,将这个光线点的回波作为目标回波,如果该回波强度与预设阈值的比值小于预设阈值,则认为该目标不存在。
S103、确定目标回波对应的目标物体的目标数据。
其中,目标数据包括目标数据对应的目标物体的参数数据。
示例性地,当确定了目标回波后,再确定目标回波对应的目标物体的目标数据。目标数据包括目标数据对应的目标物体的参数数据,比如目标物体的身份标识号(identitydocument,ID)、目标物体的类型、目标物体的距离、目标物体的相对速度、目标物体所处的水平角等。
S104、根据预设类型的功能参数,对目标数据进行筛选,得到仿真雷达数据。
示例性地,可以根据实际场景和任务需求,预设不同类型的功能参数,根据预设的功能参数对S103得到的目标物体的目标数据进行筛选,得到符合预设的功能参数限制的数据,即仿真雷达数据。
本公开能够根据光线追踪模型仿真雷达发射的光线,仿真得到光线碰撞目标物后得到的回波。基于回波强度的阈值确定出能够被雷达接收到的回波,从而确定出能够被雷达接收到的回波对应的目标为目标物体,并得到目标回波。基于该目标回波得到对应的目标数据,然后根据功能参数对目标数据进行筛选,从而得到能够符合雷达在实际应用中的功能参数限制的仿真雷达数据。提高雷达仿真的准确性和真实性,提高自动驾驶仿真系统的性能。
图2为本公开实施例提供的图1中S101的一种实现流程示意图。如图2所示,图1所示的S101可以包括S201-S202。
S201、获取预设的雷达的物理参数和预设的各类型反射物体的反射率。
示例性地,预设的雷达的物理参数均参考实际应用的硬件,例如天线收发数目、调频波形、发射功率、天线增益、波长、目标反射截面积等。反射率的设计来源于毫米波雷达领域一些经验参数,这些经验参数选自分析系统(analysis system,Ansys)软件及三维电磁场仿真软件(cell signaling technology,CST)的数据库,以及结合所采用的实际毫米波测试结果给出。
基于上述实施例,示例地,本公开所选用的常见自动驾驶行车目标反射率基本规则为,目标距离雷达径向距离横截面越大则反射率越高,如表1所示,表1列举了毫米波雷达行车目标参考反射率。
表1
S202、基于预设的光线追踪模型仿真预设雷达发射的光线,得到光线与反射物体发生碰撞后产生的仿真回波。
示例性地,光线追踪模型可以理解为场景中的物体被抽象为一些具备表面反射率的“盒子”,当光线从毫米波雷达发射出去后,如果与反射物体发生了光线碰撞,则触发了该点的回波强度计算。光线发射的实现流程是在毫米波视野范围最远投射截面上随机生成满足频率的目标点数,采用发射点向目标点划向量的方法,如果向量在中途被截断,则认为需要计算回波强度,如果光线发射出去直到最远面才消失,则认为没有回波。
本实施例通过获取预设的雷达的物理参数和预设的各类型反射物体的反射率,然后基于预设的光线追踪模型仿真预设雷达发射的光线,得到光线与反射物体发生碰撞后产生的仿真回波,能够获取到有效的仿真回波,为后续确定目标回波提供支撑。
一些实施例中,上述预设阈值是根据背景噪声水平和环境噪声水平确定的。
示例性地,在获取到背景噪声水平和环境噪声水平后,可以对环境噪声水平进行平均得到环境平均噪声水平,然后可以对每个目标点的回波强度进行加权平均,再根据公式(2)计算阈值。先用环境平均噪声水平减去背景噪声水平得到第一值,然后给第一值乘以一个系数得到第二值,再将第二值与背景噪声水平相加得出需要的阈值。
公式(2)
公式(2)中,M表示自适应阈值,N表示背景噪声水平,表示环境平均噪声水平,k是一个系数,用来调整自适应阈值的灵敏度。在本实例中,k取值范围可以为[2,3]。
基于上述实施例,示例地,M可以表示当前场景的背景噪声水平,N表示的背景噪声水平可以理解为某些物体固有的回波强度,比如绿化带、不同类型的车辆、人等,当雷达发射的光线与这些物体发生碰撞后产生的回波的回波强度一般波动较小。
本实施例通过限定阈值是根据背景噪声水平和环境噪声水平确定的,可以根据实际场景需求对阈值进行调整,同时能够保证目标被探测到的概率和误报率的平衡。
一些实施例中,上述确定回波强度满足第一预设要求的回波作为目标回波,可以包括:当至少两束光线簇的距离满足第二预设要求时,将至少两束光线簇的回波强度进行叠加计算,第二预设要求为至少两束光线簇的距离小于或等于预设距离。
示例性地,可以根据实际场景需求设置一个表示距离的数值,该数值即为预设距离,第二预设要求表示至少两束光线簇的距离小于或等于设置的这一数值时,认为该至少两束光线簇形成的是一个点,计算该点的回波强度时将该至少两束光线簇的回波强度进行叠加计算,叠加计算的方法可以包括矢量叠加、平均值叠加、最大值叠加,在此对叠加计算回波强度的具体方法不作限制。
基于上述实施例,示例地,假设预设距离为X,有两束光线簇,这两束光线簇的距离小于X,则认为这两个光线簇形成的是一个点,通过叠加计算的方法计算该点的回波强度。
本实施例通过限定当至少两束光线簇的距离满足第二预设要求时,将至少两束光线簇的回波强度进行叠加计算,可以增加计算得到的回波强度的准确性,进一步增加仿真雷达数据的准确性和真实性。
一些实施例中,上述预设类型可以包括第一类型,根据预设类型的功能参数,对目标数据进行筛选,得到仿真雷达数据,可以包括:根据第一类型的功能参数对应的预设取值范围,筛选符合第一类型以及预设取值范围的目标数据,得到仿真雷达数据。
其中,第一类型的功能参数可以包括距离、速度、角度等。
示例性地,可以根据预设的距离范围、速度范围、水平视角范围,俯仰视角范围等取值范围,筛选出S103中确定的目标物体的目标数据在预设的取值范围内的数据,筛选后得到的这些在预设的取值范围内的数据可以作为仿真雷达数据。将得到的仿真雷达数据可以以表格的形式输出。其中,第一类型的功能参数包括距离的单位为米(m),速度的单位为千米每小时(km/h),角度的单位为度。
基于上述实施例,示例地,假设第一类型的功能参数对应的预设取值范围分别为:距离:[0.3,200],单位:m;速度:[-400,200],单位:km/h;角度:水平[-60,60],竖直[-8,8],单位:度。当得到的目标物体的距离为100m,速度为100km/h,水平角度为30度,竖直角度为5度时,可以看出该目标物体的目标数据在预设的取值范围内,则将该目标物体的目标数据作为仿真雷达数据。
本实施例通过根据第一类型的功能参数对应的预设取值范围对目标数据进行筛选,能够使最终得到的仿真雷达数据更加符合雷达在实际应用中探测目标物体的探测范围性能,提高得到的仿真雷达数据的准确性和真实性。
图3为本公开实施例提供的仿真雷达数据生成方法的另一流程示意图。如图3所示,该方法可以包括S301-S302。
S301、根据第一类型的功能参数对应的预设取值范围,筛选符合第一类型以及预设取值范围的目标数据。
示例性地,根据第一类型的功能参数对应的预设取值范围,筛选符合第一类型以及预设取值范围的目标数据的具体方法可以参考前述根据第一类型的功能参数对应的预设取值范围,筛选符合第一类型以及预设取值范围的目标数据,得到仿真雷达数据的具体方法,此处不再赘述。
S302、根据第二类型的功能参数,对符合第一类型以及预设取值范围的目标数据进行筛选,得到仿真雷达数据。
其中,第二类型的功能参数可以包括分辨率。
示例性地,可以预先设置一个分辨率,对符合第一类型以及预设取值范围的目标数据进行筛选,当发现符合第一类型以及预设取值范围的目标数据中有任意两个数据间的距离,速度,角度均小于预先设置的分辨率时,则将两个数据距离传感器最近的数据保留。
基于上述实施例,示例地,可以根据毫米波雷达的分辨率,将所有光线点分成若干组,每组内光线点之间的距离差、速度差、角度差小于给定分辨率,给定分辨率可以设置为距离:0.01m;速度:10km/h;角度:0.01度。对于每组光线点,选择距离传感器最近的光线点的数据保留。
本实施例通过根据分辨率对符合第一类型以及预设取值范围的目标数据进行筛选,能够使最终得到的仿真雷达数据更符合雷达实际应用中的分辨率性能,从而提高得到的仿真雷达数据的真实性。
一些实施例中,该仿真雷达数据生成方法还可以包括:根据预设的精度修正参数,对仿真雷达数据进行修正。
示例性地,可以根据具体场景和任务需求,采取给仿真真值添加高斯分布及保留数据位的方式对仿真雷达数据修正精度。
基于上述实施例,示例地,预设的精度修正参数可以设置为距离精度:均值为0m,标准差为0.025m;速度精度:均值为0km/h,标准差为3km/h;角度精度:均值为0度,标准差为0.005度;数据保留7位小数,可以将修正后的仿真雷达数据以表格的形式输出。如表2所示,表2可以表示仿真雷达数据的输出类型。
表2
本实施例通过根据预设的精度修正参数,对仿真雷达数据进行修正,能够进一步提高得到的仿真雷达数据的真实性,使其与雷达实际应用中的真实数据更接近。
一些实施例中,在上述根据预设的功能参数,对目标数据进行筛选,得到仿真雷达数据之前,该方法还可以包括:根据当前的仿真场景,按照预设的场景和功能参数间的映射关系,确定当前的仿真场景对应的功能参数,作为预设的功能参数。
示例性地,可以在场景自适应状态机中设计不同的仿真场景,仿真场景可以包括工况场景和环境场景。工况场景可以包括城市道路、高速场景与城乡道路、坡道及其他地形等场景。环境场景可以包括雨雪场景、夜间场景、多目标场景等。根据不同的场景需求,可以确定当前的场景对应的功能参数,作为预设类型的功能参数。
基于上述实施例,示例地,根据前述实施例能够理解预设类型的功能参数可以包括阈值、分辨率和精度等,在工况场景下,当前的仿真场景为城市道路时,由于城市道路上的交通参与者通常比较多,车辆,非机动车,建筑及地形密集,所以毫米波应当具备较高的阈值,分辨率和精度,以便快速识别障碍物并对后续做出反应;当前的仿真场景为高速场景与城乡道路时,由于高速路上的车辆速度高,毫米波应当具有较高的速度分辨能力及精度;当前的仿真场景为坡道及其他地形时,由于车辆在坡道及地形上行驶时,地面高度的变化会影响数据的结果,所以毫米波对目标的角度及距离的探测数据应当具备更高的分辨率和精度。在环境场景下,当前的仿真场景为雨雪场景时,由于在雨雪天气中,水滴会对毫米波雷达的信号造成干扰,影响雷达的探测范围和精度。此时,需要在前述雷达能量方程中增加信号的发射功率,以提高雷达的灵敏度和探测范围,同时调整雷达的各项参数的精度及分辨率,以提高雷达对目标的探测能力;当前的仿真场景为夜间场景时,由于在夜晚场景中,环境光线较暗,毫米波雷达的信号可能会被反射物吸收,导致探测范围缩小,精度降低。此时,需要在前述雷达能量方程中调整雷达的发射功率、工作频率,以提高探测范围和精度。同时,也可以增加目标物体的反射率和尺寸,以提高目标的可检测性;当前的仿真场景为多目标场景时,即当探测范围内的多目标发生重叠时,将按照雷达的最佳分辨率来完成对目标的划分。
基于上述实施例,示例地,如表3所示,表3可以表示一种适配场景自适应状态机流程结果的状态参数,适配参数值表示每个参考区间的倍率,基于默认场景来做调整,调整具体数值与硬件参考的数据分布有关。硬件可以包括:主机:Hp-TE01,配备中央处理器(central processing unit,CPU)名称:i5-12400F,数量:20,内存:32千兆字节(gigabyte,GB);显卡:NVIDIA RTX-3080,数量:1,显存:12GB,Linux操作系统Ubuntu20.04版本。
表3
本实施例可以根据雷达实际应用中的情况,针对不同场景对应的设置不同的功能参数,从而根据当前仿真场景确定对应的功能参数,能够提高雷达仿真时对仿真场景的适应性,进一步提高仿真效果。
一些实施例中,上述仿真雷达数据包括连续的预设帧数据,该方法还可以包括:根据预设帧数据中各帧对应的仿真雷达数据,生成目标物体的目标轨迹数据。
示例性地,可以通过数据准入性审查部分对仿真雷达数据进行检查,当检查到仿真雷达数据有效时,将有效的仿真雷达数据压栈进数组内存。当存储了连续有效的预设帧数据时,进入轨迹求取逻辑,确定出目标物体的轨迹,从而生成目标物体的目标轨迹数据。如果没有足够的连续数据时,将会返回空,不输出轨迹。
基于上述实施例,示例地,假设预设帧数为5,当存储了连续有效的5帧数据时,进入轨迹求取逻辑,生成目标物体的目标轨迹数据;如果没有足够的连续数据时,将会返回空,不输出轨迹,同时可以将目标轨迹数据中的参数有效性设置为无效(false)。如表4所示,表4可以表示输出的目标轨迹数据的类型。
表4
本实施例在得到连续几帧数据后,可以基于各帧数据确定出目标物体的轨迹,从而生成目标物体的目标轨迹数据,能够便于将该数据输入到自动驾驶仿真系统中时由自动驾驶系统快速识别目标物。
图4为本公开实施例提供的生成目标轨迹数据的一种实现流程示意图。如图4所示,该方法可以包括S401-S402。
S401、获取各帧的仿真雷达数据分别对应的目标物体中在每帧中均出现的第一目标物体。
示例性地,可以获取各帧的仿真雷达数据分别对应的目标物体,然后采用对数组求交集取集合交集函数(set intersection)求取每一帧数据中都出现的目标物体的ID,每一帧数据中都出现的目标物体的ID对应的目标物体为第一目标物体;判断交集求取之后的组是否为空,为空时返回,将目标轨迹数据中的参数有效性设置为false;不为空时,遍历这5帧数据,将每个对应的目标物体的ID数据进行保存,同时可以将目标轨迹数据中的参数有效性设置为有效(true)。
S402、根据各第一目标物体在各帧中的仿真雷达数据,生成各第一目标物体的目标轨迹数据。
示例性地,求取到第一目标物体后,可以获取第一目标物体在各帧中的仿真雷达数据,然后进入轨迹求取逻辑,根据第一目标物体在各帧中的仿真雷达数据,确定出第一目标物体的轨迹,从而生成各个第一目标物体的目标轨迹数据。
本实施例通过根据出现在连续的几帧中的目标物体对应的仿真雷达数据,来确定对应目标物体的轨迹数据,从而提高确定出的目标物轨迹数据的准确性。
一些实施例中,在上述根据预设帧数据中各帧对应的仿真雷达数据,生成目标物体的目标轨迹数据之后,该方法还可以包括:对仿真雷达数据和目标轨迹数据进行数据结构合并,生成满足自动驾驶仿真系统对应的数据输入格式的数据流。
示例性地,可以将仿真雷达数据和目标轨迹数据进行数据结构合并,然后按照满足自动驾驶仿真系统对应的数据输入格式生成数据流再进行输出。本发明借助仿真软件平台进行展开,例如自动驾驶模拟器(carla),其中包含了车载传感器框架及输入输出数据流的设计,可以通过仿真软件平台生成满足自动驾驶仿真系统对应的数据输入格式的数据流。
本实施例通过对仿真雷达数据和目标轨迹数据进行数据结构合并,生成满足自动驾驶仿真系统对应的数据输入格式的数据流的方式,对得到的仿真雷达数据和目标轨迹数据进行数据结构合并,按照满足自动驾驶仿真系统对应的数据输入格式生成数据流再进行输出,能够使输出的数据适配自动驾驶仿真系统中的毫米波传感器硬件本身的输出特性,更符合车载输出使用,从而提高自动驾驶仿真系统性能。
示例性实施例中,本公开实施例还提供一种仿真雷达数据生成装置,可以用于实现如前述实施例的仿真雷达数据生成方法。图5为本公开实施例提供的仿真雷达数据生成装置的组成示意图。如图5所示,该装置可以包括:获取单元501、确定单元502、筛选单元503。
获取单元501,用于获取光线与反射物体发生碰撞后产生的仿真回波;确定单元502,用于确定回波强度满足第一预设要求的仿真回波作为目标回波,第一预设要求为回波强度与预设阈值的比值大于预设阈值;确定单元502,还用于确定目标回波对应的目标物体的目标数据,目标数据包括目标数据对应的目标物体的参数数据;筛选单元503,用于根据预设类型的功能参数,对目标数据进行筛选,得到仿真雷达数据。
可选地,获取单元501,具体用于:获取预设雷达的物理参数和预设的各类型反射物体的反射率;基于预设的光线追踪模型仿真预设雷达发射的光线,得到光线与反射物体发生碰撞后产生的仿真回波。
可选地,预设阈值是根据背景噪声水平和环境噪声水平确定的。
可选地,确定单元502,具体用于:当至少两束光线簇的距离满足第二预设要求时,将至少两束光线簇的回波强度进行叠加计算,第二预设要求为至少两束光线簇的距离小于或等于预设距离。
可选地,预设类型包括第一类型,筛选单元503,具体用于:根据第一类型的功能参数对应的预设取值范围,筛选符合第一类型以及预设取值范围的目标数据,得到仿真雷达数据,第一类型的功能参数包括距离、速度、角度。
可选地,预设类型还包括第二类型,筛选单元503,具体用于:根据第一类型的功能参数对应的预设取值范围,筛选符合第一类型以及预设取值范围的目标数据;根据第二类型的功能参数,对符合第一类型以及预设取值范围的目标数据进行筛选,得到仿真雷达数据,第二类型的功能参数包括分辨率。
如图5所示,该装置还可以包括:修正单元504。
修正单元504,用于根据预设的精度修正参数,对仿真雷达数据进行修正。
可选地,确定单元502,还用于:根据当前的仿真场景,按照预设的场景和功能参数间的映射关系,确定当前的仿真场景对应的功能参数,作为预设的功能参数。
如图5所示,该装置还可以包括:生成单元505。
生成单元505,用于根据预设帧数据中各帧对应的仿真雷达数据,生成目标物体的目标轨迹数据。
可选地,生成单元505,具体用于:获取各帧的仿真雷达数据分别对应的目标物体中在每帧中均出现的第一目标物体;根据各第一目标物体在各帧中的仿真雷达数据,生成各第一目标物体的目标轨迹数据。
如图5所示,该装置还可以包括:合并单元506。
合并单元506,用于对仿真雷达数据和目标轨迹数据进行数据结构合并,生成满足自动驾驶仿真系统对应的数据输入格式的数据流。
根据本公开的实施例,本公开还提供了一种电子设备。该电子设备可以是前述实施例中所述的服务器、计算机等设备,能够用于实现本公开实施例提供的仿真雷达数据生成方法。
示例性实施例中,电子设备可以包括: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以上实施例所述的仿真雷达数据生成方法。
例如,图6为可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,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、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6所示,电子设备600可以包括计算单元601,其可以根据存储在只读存储器(ROM)中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可电子设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口也连接至总线604。
电子设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备600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。
计算单元601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601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、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如仿真雷达数据生成方法。例如,在一些实施例中,仿真雷达数据生成方法可被实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608。
在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的仿真雷达数据生成方法的一个或多个步骤。
备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行仿真雷达数据生成方法。
根据本公开的实施例,本公开还提供了一种可读存储介质和一种计算机程序产品。
示例性实施例中,可读存储介质可以是存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行根据以上实施例所述的方法。
示例性实施例中,计算机程序产品包括计算机程序,所述计算机程序在被处理器执行时实现根据以上实施例所述的方法。
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、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(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)和互联网。
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执行也可以不同的次序执行,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。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (14)
1.一种仿真雷达数据生成方法,其特征在于,包括:
获取光线与反射物体发生碰撞后产生的仿真回波;
确定回波强度满足第一预设要求的仿真回波作为目标回波,所述第一预设要求为所述回波强度与预设阈值的比值大于所述预设阈值;
确定所述目标回波对应的目标物体的目标数据,所述目标数据包括所述目标数据对应的目标物体的参数数据;
根据预设类型的功能参数,对所述目标数据进行筛选,得到仿真雷达数据。
2.根据权利要求1所述的方法,其特征在于,所述获取光线与反射物体发生碰撞后产生的仿真回波,包括:
获取预设雷达的物理参数和预设的各类型反射物体的反射率;
基于预设的光线追踪模型仿真所述预设雷达发射的光线,得到所述光线与所述反射物体发生碰撞后产生的仿真回波。
3.根据权利要求1所述的方法,其特征在于,所述预设阈值是根据背景噪声水平和环境噪声水平确定的。
4.根据权利要求1所述的方法,其特征在于,所述确定回波强度满足第一预设要求的回波作为目标回波,包括:
当至少两束光线簇的距离满足第二预设要求时,将所述至少两束光线簇的回波强度进行叠加计算,所述第二预设要求为所述至少两束光线簇的距离小于或等于预设距离。
5.根据权利要求1所述的方法,其特征在于,所述预设类型包括第一类型,所述根据预设类型的功能参数,对所述目标数据进行筛选,得到仿真雷达数据,包括:
根据所述第一类型的功能参数对应的预设取值范围,筛选符合所述第一类型以及所述预设取值范围的目标数据,得到仿真雷达数据,所述第一类型的功能参数包括距离、速度、角度。
6.根据权利要求5所述的方法,其特征在于,所述预设类型还包括第二类型,所述根据所述第一类型的功能参数对应的预设取值范围,筛选符合所述第一类型以及所述预设取值范围的目标数据,得到仿真雷达数据,包括:
根据所述第一类型的功能参数对应的预设取值范围,筛选符合所述第一类型以及所述预设取值范围的目标数据;
根据所述第二类型的功能参数,对所述符合所述第一类型以及所述预设取值范围的目标数据进行筛选,得到仿真雷达数据,所述第二类型的功能参数包括分辨率。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据预设的精度修正参数,对所述仿真雷达数据进行修正。
8.根据权利要求1-7任一项所述的方法,在所述根据预设的功能参数,对所述目标数据进行筛选,得到仿真雷达数据之前,所述方法还包括:
根据当前的仿真场景,按照预设的场景和功能参数间的映射关系,确定当前的仿真场景对应的功能参数,作为所述预设的功能参数。
9.根据权利要求1-7任一项所述的方法,其特征在于,所述仿真雷达数据包括连续的预设帧数据,所述方法还包括:
根据所述预设帧数据中各帧对应的仿真雷达数据,生成所述目标物体的目标轨迹数据。
10.根据权利要求9所述的方法,其特征在于,所述根据所述预设帧数据中各帧对应的仿真雷达数据,生成所述目标物体的目标轨迹数据,包括:
获取各帧的仿真雷达数据分别对应的目标物体中在每帧中均出现的第一目标物体;
根据各所述第一目标物体在各帧中的仿真雷达数据,生成各所述第一目标物体的目标轨迹数据。
11.根据权利要求9所述的方法,其特征在于,在所述根据所述预设帧数据中各帧对应的仿真雷达数据,生成所述目标物体的目标轨迹数据之后,所述方法还包括:
对仿真雷达数据和所述目标轨迹数据进行数据结构合并,生成满足自动驾驶仿真系统对应的数据输入格式的数据流。
12.一种仿真雷达数据生成装置,所述装置包括:
获取单元,用于获取光线与反射物体发生碰撞后产生的仿真回波;
确定单元,用于确定回波强度满足第一预设要求的仿真回波作为目标回波,所述第一预设要求为所述回波强度与预设阈值的比值大于所述预设阈值;
所述确定单元,还用于确定所述目标回波对应的目标物体的目标数据,所述目标数据包括所述目标数据对应的目标物体的参数数据;
筛选单元,用于根据预设类型的功能参数,对所述目标数据进行筛选,得到仿真雷达数据。
13.一种电子设备,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1-11任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行根据权利要求1-11任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310853838.4A CN116577762B (zh) | 2023-07-12 | 2023-07-12 | 仿真雷达数据生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310853838.4A CN116577762B (zh) | 2023-07-12 | 2023-07-12 | 仿真雷达数据生成方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116577762A true CN116577762A (zh) | 2023-08-11 |
CN116577762B CN116577762B (zh) | 2023-10-31 |
Family
ID=87545654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310853838.4A Active CN116577762B (zh) | 2023-07-12 | 2023-07-12 | 仿真雷达数据生成方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116577762B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006284293A (ja) * | 2005-03-31 | 2006-10-19 | Daihatsu Motor Co Ltd | 車両の物標検出装置及び物標検出方法 |
JP2014119348A (ja) * | 2012-12-17 | 2014-06-30 | Honda Elesys Co Ltd | 先行物体認識装置、車両制御指示装置、先行物体認識プログラム及び先行物体認識方法 |
CN111427021A (zh) * | 2020-04-16 | 2020-07-17 | 北京遥感设备研究所 | 车载毫米波雷达信号峰值检测的动态阈值计算方法及系统 |
CN112530022A (zh) * | 2019-09-18 | 2021-03-19 | 福特全球技术公司 | 在虚拟环境中计算机实现模拟lidar传感器的方法 |
CN113484851A (zh) * | 2021-09-08 | 2021-10-08 | 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) | 车载激光雷达的仿真测试系统、方法和整车在环测试系统 |
US20220057485A1 (en) * | 2020-08-20 | 2022-02-24 | Baidu Usa Llc | Methods and systems for testing automotive radar using radar data cube emulator |
US20220058309A1 (en) * | 2020-08-24 | 2022-02-24 | Waymo Llc | High fidelity simulations for autonomous vehicles based on retro-reflection metrology |
US20220082659A1 (en) * | 2019-05-24 | 2022-03-17 | Huawei Technologies Co., Ltd | Echo Signal Processing Method and Apparatus, System, and Storage Medium |
US20220128656A1 (en) * | 2019-01-16 | 2022-04-28 | 4Activesystems Gmbh | Dummy Apparatus with Movable Radar Reflecting Elements for Testing Driver Assistance Systems |
US11415682B1 (en) * | 2017-12-26 | 2022-08-16 | Acuity Technologies, Inc. | Lidar receiver system with ambient-light compensation and threshold adjustment |
CN115033991A (zh) * | 2022-06-14 | 2022-09-09 | 北京经纬恒润科技股份有限公司 | 一种用于智能驾驶汽车仿真的毫米波雷达模拟方法及装置 |
CN115187742A (zh) * | 2022-09-07 | 2022-10-14 | 西安深信科创信息技术有限公司 | 自动驾驶仿真测试场景生成方法、系统及相关装置 |
CN115421127A (zh) * | 2022-09-26 | 2022-12-02 | 中汽创智科技有限公司 | 一种激光雷达仿真模型的生成方法、装置及电子设备 |
WO2023024493A1 (zh) * | 2021-08-23 | 2023-03-02 | 上海禾赛科技有限公司 | 用于激光雷达的信号处理方法、探测方法以及激光雷达 |
CN115731350A (zh) * | 2022-11-23 | 2023-03-03 | 北京宾理信息科技有限公司 | 车辆的虚拟激光雷达的仿真方法及其装置 |
CN116309816A (zh) * | 2021-12-20 | 2023-06-23 | 佳能株式会社 | 信息处理装置、用于控制信息处理装置的方法、以及存储介质 |
-
2023
- 2023-07-12 CN CN202310853838.4A patent/CN116577762B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006284293A (ja) * | 2005-03-31 | 2006-10-19 | Daihatsu Motor Co Ltd | 車両の物標検出装置及び物標検出方法 |
JP2014119348A (ja) * | 2012-12-17 | 2014-06-30 | Honda Elesys Co Ltd | 先行物体認識装置、車両制御指示装置、先行物体認識プログラム及び先行物体認識方法 |
US11415682B1 (en) * | 2017-12-26 | 2022-08-16 | Acuity Technologies, Inc. | Lidar receiver system with ambient-light compensation and threshold adjustment |
US20220128656A1 (en) * | 2019-01-16 | 2022-04-28 | 4Activesystems Gmbh | Dummy Apparatus with Movable Radar Reflecting Elements for Testing Driver Assistance Systems |
US20220082659A1 (en) * | 2019-05-24 | 2022-03-17 | Huawei Technologies Co., Ltd | Echo Signal Processing Method and Apparatus, System, and Storage Medium |
CN112530022A (zh) * | 2019-09-18 | 2021-03-19 | 福特全球技术公司 | 在虚拟环境中计算机实现模拟lidar传感器的方法 |
CN111427021A (zh) * | 2020-04-16 | 2020-07-17 | 北京遥感设备研究所 | 车载毫米波雷达信号峰值检测的动态阈值计算方法及系统 |
US20220057485A1 (en) * | 2020-08-20 | 2022-02-24 | Baidu Usa Llc | Methods and systems for testing automotive radar using radar data cube emulator |
US20220058309A1 (en) * | 2020-08-24 | 2022-02-24 | Waymo Llc | High fidelity simulations for autonomous vehicles based on retro-reflection metrology |
WO2023024493A1 (zh) * | 2021-08-23 | 2023-03-02 | 上海禾赛科技有限公司 | 用于激光雷达的信号处理方法、探测方法以及激光雷达 |
CN113484851A (zh) * | 2021-09-08 | 2021-10-08 | 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) | 车载激光雷达的仿真测试系统、方法和整车在环测试系统 |
CN116309816A (zh) * | 2021-12-20 | 2023-06-23 | 佳能株式会社 | 信息处理装置、用于控制信息处理装置的方法、以及存储介质 |
CN115033991A (zh) * | 2022-06-14 | 2022-09-09 | 北京经纬恒润科技股份有限公司 | 一种用于智能驾驶汽车仿真的毫米波雷达模拟方法及装置 |
CN115187742A (zh) * | 2022-09-07 | 2022-10-14 | 西安深信科创信息技术有限公司 | 自动驾驶仿真测试场景生成方法、系统及相关装置 |
CN115421127A (zh) * | 2022-09-26 | 2022-12-02 | 中汽创智科技有限公司 | 一种激光雷达仿真模型的生成方法、装置及电子设备 |
CN115731350A (zh) * | 2022-11-23 | 2023-03-03 | 北京宾理信息科技有限公司 | 车辆的虚拟激光雷达的仿真方法及其装置 |
Non-Patent Citations (1)
Title |
---|
王永志等: "基于回波强度的激光测距 误差补偿算法研究", 制导与引信, vol. 38, no. 3 * |
Also Published As
Publication number | Publication date |
---|---|
CN116577762B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112433934B (zh) | 仿真测试方法、装置、计算机设备和存储介质 | |
CN111192295B (zh) | 目标检测与跟踪方法、设备和计算机可读存储介质 | |
CN110632617B (zh) | 一种激光雷达点云数据处理的方法及装置 | |
EP4130798A1 (en) | Target identification method and device | |
US11454703B2 (en) | Methods and systems for testing automotive radar using radar data cube emulator | |
CN112417757B (zh) | 车载雷达信号级仿真方法、装置、设备及可读存储介质 | |
CN112580571A (zh) | 车辆行驶的控制方法、装置及电子设备 | |
CN109444904B (zh) | 定位测试数据的生成方法、装置、设备及存储介质 | |
Ponn et al. | Systematic analysis of the sensor coverage of automated vehicles using phenomenological sensor models | |
CN112462368B (zh) | 一种障碍物检测方法、装置、车辆及存储介质 | |
CN112698301A (zh) | 基于距离强度关联的激光雷达目标识别方法、装置及设备 | |
Li et al. | Lidar sensor modeling for adas applications under a virtual driving environment | |
KR102060286B1 (ko) | 이미지 정보를 활용한 레이더 오브젝트 검출 임계값 결정 방법 및 이를 이용한 레이더 오브젝트 정보 생성 장치 | |
CN113625232B (zh) | 雷达检测中多径虚假目标抑制方法、装置、介质和设备 | |
CN114690174A (zh) | 一种基于毫米波雷达和激光雷达的目标跟踪方法及装置 | |
CN116577762B (zh) | 仿真雷达数据生成方法、装置、设备及存储介质 | |
CN112034464A (zh) | 一种目标分类方法 | |
CN116699596A (zh) | 一种车辆的毫米波雷达的速度修正方法及装置 | |
CN113468735B (zh) | 一种激光雷达仿真方法、装置、系统和存储介质 | |
WO2023025777A1 (en) | Automotive sensor fusion of radar, lidar, camera systems with improved safety by use of machine learning | |
CN115033991A (zh) | 一种用于智能驾驶汽车仿真的毫米波雷达模拟方法及装置 | |
Wachtel et al. | Validation of a radar sensor model under non-ideal conditions for testing automated driving systems | |
CN111856440B (zh) | 位置检测方法、装置、设备及可读存储介质 | |
CN114330726A (zh) | 追踪定位方法、装置、电子设备及存储介质 | |
CN116027288A (zh) | 生成数据的方法、装置、电子设备及存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 533, 5th Floor, Building A3A4, Phase I, Anchenggu Science and Technology Park, No. 900 Wangjiang West Road, High tech Zone, Hefei City, Anhui Province, 230000 Applicant after: Anhui Xinxin Science and Technology Innovation Information Technology Co.,Ltd. Address before: 2nd Floor, Building B2, Yunhui Valley, No. 156, Tiangu 8th Road, Software New Town, Yuhua Street Office, High-tech Zone, Xi'an City, Shaanxi Province 710000 Applicant before: Xi'an Xinxin Information Technology Co.,Ltd. |