CN117010154A - 一种自动驾驶传感器仿真置信度评估方法、系统及装置 - Google Patents
一种自动驾驶传感器仿真置信度评估方法、系统及装置 Download PDFInfo
- Publication number
- CN117010154A CN117010154A CN202310756333.6A CN202310756333A CN117010154A CN 117010154 A CN117010154 A CN 117010154A CN 202310756333 A CN202310756333 A CN 202310756333A CN 117010154 A CN117010154 A CN 117010154A
- Authority
- CN
- China
- Prior art keywords
- simulation
- scene
- sensor
- confidence
- road
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 283
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 50
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 230000033001 locomotion Effects 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 241001465754 Metazoa Species 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000008447 perception Effects 0.000 description 10
- 230000006399 behavior Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000003993 interaction Effects 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000003068 static effect Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- 238000009877 rendering Methods 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000005295 random walk Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000005755 formation reaction Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000029305 taxis Effects 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000003997 social interaction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
Abstract
本发明的目的是提供一种自动驾驶传感器仿真置信度评估方法、系统及装置,该方法包括:根据实际场景构建仿真场景;在所述仿真场景进行仿真测试,根据所述实际场景和所述仿真场景获取可行驶区域信息;根据所述可行驶区域信息获取所述传感器仿真置信度。本发明能够精准地测试传感器仿真模块的准确性。
Description
技术领域
本发明涉及自动驾驶技术领域,具体涉及一种自动驾驶传感器仿真置信度评估方法、系统及装置。
背景技术
对于自动驾驶技术的发展而言,道路测试可以确保自动驾驶算法的正确性并帮助发现目前存在的问题,因此是十分核心且不可缺少的步骤。目前,道路测试主要分为实际道路测试和虚拟道路测试两种,前者使用真实车辆在城市实际道路上运行,后者使用虚拟环境中的仿真车辆在仿真的场景中运行,而出于成本和便捷度的考虑,主要以后者即虚拟道路测试为主。
自动驾驶模拟仿真是进行虚拟路测的主要方法。其中,传感器仿真是虚拟仿真环境中不可或缺的组成部分,它可以模拟出各种传感器设备在真实场景下的工作状态和响应。其中的关键在于如何准确地模拟真实传感器设备的响应和输出结果,这需要在虚拟仿真环境中仔细设置场景模型和传感器参数,并结合真实数据进行仿真验证,以确保仿真结果的准确性和可靠性。对于传感器仿真,其准确性和可靠性对于验证和优化自动驾驶系统的功能和性能非常重要。真实性不足的传感器仿真结果可能导致自动驾驶算法性能难以优化,算法本身泛化能力弱、针对新场景和特殊场景缺少足够反应能力,也会要求不断进行场地测试以收集新数据并重新训练模型导致测试耗时长、成本变高。
目前,对于虽然有很多或开源或自研的模拟仿真软件已经可以在图像渲染和模型表面材质设定上做到尽可能的贴近真实,但对于传感器仿真的结果到底是否真实尚无一个业界通用的标准,也没有相对应的国标标准,导致传感器仿真的结果评估困难,仿真系统的真实性因此可能会受到质疑。
发明内容
本发明的目的是提供一种自动驾驶传感器仿真置信度评估方法、系统及装置,该方法能够精准地测试传感器仿真模块的准确性。
一种自动驾驶传感器仿真置信度评估方法,包括:
根据实际场景构建仿真场景;
在所述仿真场景进行仿真测试,根据所述实际场景和所述仿真场景获取可行驶区域信息;
根据所述可行驶区域信息获取所述传感器仿真置信度。
优选地,根据所述可行驶区域信息获取所述传感器仿真置信度:
根据所述可行驶区域面积、可行驶区域局部方向准确性、可行驶区域局部方向变化梯度计算所述传感器仿真置信度。
优选地,根据实际场景构建仿真场景包括:
根据真实场景的道路构建仿真场景的道路。
优选地,根据实际场景构建仿真场景包括:
根据真实场景的道路周围环境信息构建仿真场景的道路周围环境信息;
仿真场景的道路上的静止障碍物与实际场景的道路上的静止障碍物相对应。
优选地,根据真实运动物体构建仿真场景运动物体包括:
根据真实运动物体的运动方式构建仿真场景运动物体的运动方式。
优选地,将所述仿真场景和实际场景输入仿真模块进行仿真测试包括:
在实际场景中,判断车辆是否需要调整路径,若不需要调整路径,则在仿真场景和实际场景中按照原始路径行驶。
优选地,将所述仿真场景和实际场景输入仿真模块进行仿真测试包括:
若需要调整路径,在实际场景中重新规划行驶路径;
在仿真场景中根据所述实际场景中重新规划的行驶路径行驶。
一种自动驾驶传感器仿真置信度评估系统,包括:
第一数据处理模块,用于根据实际场景构建仿真场景;
仿真模块,用于在所述仿真场景进行仿真测试,根据所述实际场景和所述仿真场景获取所述传感器仿真置信度;
第二数据处理模块,用于根据所述可行驶区域信息获取所述传感器仿真置信度。
一种处理器,所述处理器用于执行一种自动驾驶传感器仿真置信度评估方法。一种电子设备,包括:处理器和存储器,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,当所述处理器执行所述计算机指令时,所述电子设备执行一种自动驾驶传感器仿真置信度评估方法。
本发明根据现实场景数据构建仿真场景环境数据,保证仿真场景中的静止物体和运动物体跟现实场景中的静止物体和运动物体一致,从而避免了由于仿真环境出错而导致的传感器仿真测试出错的情况,在本发明中仿真模块同时根据现实场景数据和仿真场景数据进行仿真运算,得到实际场景输出的可行驶区域数据和仿真场景输出的可行驶区域数据,如果传感器仿真模块是准确的,那么实际场景输出的可行驶区域数据和仿真场景输出的可行驶区域数据应该是一致的,所以本发明通过比较实际场景输出的可行驶区域数据和仿真场景输出的可行驶区域数据的差距来判断传感器仿真的准确性。
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,标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。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程图;
图2为本发明的仿真测试流程图;
图3为本发明的系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一种该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
在传感器仿真测试中,准确评估传感器仿真的优劣是至关重要的,仿真软件本身的置信度问题,现在虽然很多仿真平台都具有传感器建模仿真、车辆动力学建模仿真以及交通场景建模仿真的能力,但仿真模型大多都是建立在理想条件的情况下,仿真模拟器模拟出来的结果的置信度到底怎么样,还没有具体可量化的指标去评价。
以激光雷达仿真为例,激光雷达的反射强度与障碍物的距离、激光发射角度以及障碍物本身的物理材质相关。激光雷达探测范围大,发射出去的激光线束又十分密集,且在环境中存在多次反射、遮蔽等影响,计算返回的激光束比较复杂,很难较为真实地对激光雷达信号的回波进行模拟。现有激光雷达模型,大多是根据每一种物理材质的激光反射率直接计算回波信号。如此计算的话,与现实中的回波信号肯定是存在一定的误差。若是考虑到传感器硬件或软件自身造成雷达的噪点问题,以及雨雪、水渍、灰尘等这些干扰雷达工作性能的环境因素,导致雷达性能减弱或者无法使用的现象。这些问题或现象更是激光雷达仿真模拟的难题。所以找到一种准确评估传感器仿真置信度的方法是至关重要的。
本发明通过根据实际场景构建仿真场景,在传感器仿真模块中分别对实际场景和仿真场景进行测试,并将测试结果进行比较,通过测试结果可以看出自动驾驶传感器仿真的优劣,准确评估传感器仿真的置信度。
实施例1
一种自动驾驶传感器仿真置信度评估方法,参考图1,包括:
S100,根据实际场景构建仿真场景;
一般来说,自动驾驶的实际场景应用包括:物流配送、共享出行、公共交通、环卫作业、港口码头、智能矿山、无人零售。
物流配送:借助无人驾驶技术,装卸、运输、收货、仓储、运送等物流作业流程将逐渐实现无人化和机器化,促使物流配送领域整个产业链降本增效,革新升级。无人驾驶行业起步以来,无人物流一直是各大企业的必争之地,尤其是电商快递企业。
共享出行:在出租车行业,无人驾驶技术根据地理位置进行定制化设计,并提供城市及动态条件下的车载导航功能,帮助出租车实现自动化。各大科技企业对无人驾驶出租车领域这块“蛋糕”觊觎已久。经过那么多年的发展,技术上有了很大的进步,比如在美国,Waymo在亚利桑那州已经开始了没有安全员的Robo-taxi服务,面向早期的种子用户,而且国内的部分企业也开始在向真正全无人的出租车开始进行尝试。
公共交通:基本都是在1-3公里的简单环线环境上运行。整体来看,整个无人公交的技术和产业链的成熟程度还不够,因为公交车是处在公共安全的范畴,对于技术的要求是非常高的。
环卫作业:环卫领域属于劳动力密集型行业,成本高、过程乱、质量差、风险大、经验缺一直是环卫行业的痛点。无人驾驶清扫车通过自主识别道路环境,规划路线并自动清洁,实现全自动、全工况、精细化、高效率的清洁作业。
港口码头:在港口众多的国家,每年都要完成大量的货物吞吐,对卡车司机的需求量大。对港口而言,以经济可行的方案,实现已建集装箱水平运输自动化,是向世界一流港口看齐的必由之路。无人驾驶技术在港口码头场景的转化应用,可有效解决传统人工驾驶时,存在的行驶线路不精准、转弯造成视线盲区、司机疲劳驾驶等问题,节约人工成本。
智能矿山:无人驾驶技术对于矿山开采而言可以说是刚需。无人驾驶在矿山开采中,通过技术支撑,矿山开采整体能耗下降、综合运营效益提升,提高矿区安全生产工作,加快智慧矿区的建设。近年来,矿山开采自动化已经成为大势所趋。
无人零售:无人驾驶技术让零售实体店突破以往的区域限制,打破线下有形场景与线上无形场景的边界,实现零售业态的全面升级。
从自动驾驶应用范围不难看出,自动驾驶技术已经成为目前社会进步发展的重要推到力量,然而在自动驾驶技术领域中,仿真模块是极其重要的组成部分,自动驾驶汽车面对的是极为复杂的交通环境,为了在这种复杂多变的环境中安全高效的行驶,自动驾驶汽车相对于传统的汽车增加了感知、决策、规划、控制四个部分。自动驾驶汽车通过感知系统识别环境中的目标、障碍物和交通信息,并将识别结果传输给决策规划模块,决策规划层根据感知结果判断当前的交通状态并做出决策,规划模块根据决策指令制定具体的实施方案,然后由控制模块向车辆发出具体的控制指令实现规划方案的内容。
为了适应现实中复杂多变的行驶环境,自动驾驶系统中都包含了大量复杂的算法,而算法的开发和验证需要海量的测试数据。行业普遍认为一套自动驾驶算法需要至少170亿公里的测试,才能达到量产应用的条件。而现实中,2021年国内自动驾驶里程数约为1000万公里,尽管每天都有大量的数据被收集,但远远无法满足自动驾驶汽车对测试里程的需求。这种情况下,仿真就成为了解决测试里程数据不足的问题的唯一方案。
自动驾驶仿真就是将自动驾驶涉及到的所有内容全部搬运到虚拟环境中,模拟自动驾驶的整个流程。自动驾驶仿真系统包括反应实际交通特征的场景模块、自动驾驶系统的感知、决策、规划、控制模块,以及反应执行结果的汽车动力学模块。仿真测试在构建的虚拟场景中实现自动驾驶感知、决策规划、控制等算法的闭环仿真测试,满足自动驾驶测试的要求。
仿真模块中一大重要模块就是传感器仿真模块,传感器仿真建模可分为功能信息级建模、现象信息级/统计信息级建模及全物理级建模几个级别。功能信息级建模简单地描述摄像头输出图像、毫米波雷达在某个范围内探测目标这些具体功能,主要目的在于测试验证感知算法,但对传感器本身的性能并不关注;现象信息和统计信息级建模是混合的、中间层级的建模,它包括一部分功能信息级建模,也包括一部分物理级建模;全物理级建模,指对传感器工作的整个物理链路做仿真,其目标在于测试传感器本身的物理性能,比如,毫米波雷达的滤波能力如何。
因为影响传感器模型仿真的因素有很多,例如:传感器模拟包括光线(输入、输出模拟)、几何形状、材质模拟、图像渲染等模拟,而渲染能力和效率的差别则会影响到仿真的真实性。仅有单个传感器的精度高是远远不够的,还需要所有的传感器都能同时达到一个理想的状态,这就要求建模有很广的覆盖度,但在成本压力下,很难用一个通用的模型去将各种不同款式的传感器表达出来。模型的精度、效率和通用性是一个“不可能三角”的关系,可以去提升其中的一面或者两个角两面,但很难去持续性地把三个维度同时提升。当效率足够高的时候,模型精度一定是下降的。
传感器仿真需要外部的数据,即外部环境数据跟传感器有强耦合,然而,外部环境的建模其实也挺复杂的,并且成本也不低。城市场景下建筑物的数量太多,这会严重消耗用来做图像渲染的计算资源。有的建筑物会遮挡路上的车流、行人及其他目标物体,而有遮挡没遮挡,计算量是完全不一样的。此外,目标物的反射率、材质,很难通过传感器建模搞清楚。比如,可以说一个目标是个桶状的,但它究竟是铁桶还是塑料桶,这个很难通过建模来表达清楚;即使能表达清楚,要在仿真模型中把这些参数调好,又是一个很大的工程。所以如何评判传感器仿真模块的优劣还没有量化指标,本发明提出将实际场景的仿真数据跟仿真场景的仿真数据结合判断的方法来评判传感器仿真置信度。
实际场景就是现实中汽车行驶环境无限丰富、极其复杂、不可穷举,测试场景是对行驶环境的有限映射。场景从属性上可分为自然驾驶场景、标准规范场景、危险极限场景等不同类别;从组成上一般又包括道路及道路结构(路型、路面和路网等)、交通参与物(车辆、行人、自行车等)、行驶场合(高速公路、城市、乡村等)。危险极限场景有别于自然驾驶的正常性和典型性,是影响驾驶安全的重要因素,也是仿真测试的重要测试手段,体现了仿真场景在加速测试或压力测试方面的独特优势。
汽车仿真场景的构建就是根据真实场景进行,一般可通过实车道路数据采集对行驶环境的数字化离散采样获取,通过抽取真实路采数据、叠加包括随机移动、翻转、扭曲、遮挡等人为随机干预方法构建;另一方面,数字虚拟场景也可基于计算机图形学方法、从不同维度的映射构建而成,即根据环境传感器的感知特性从几何特征、物理特征、图像特征和概率特征等不同维度抽象构建场景,完成对行驶环境的抽象过程,包括道路模型或地图导入、场景渲染、交通建模、天气与光照建模等。场景构建不仅是构建类似真实道路影响被测车辆运动的道路、交通和气象因素,包括前后车的加速、急转弯、不当切入、急停等,也是车辆避障策略设计或智能驾驶模型训练的重要数据样本来源。
在仿真场景构建的过程中,先路采某个真实场景(比如绕行障碍物),然后根据这个真实场景的地图、环境、天气、障碍物在仿真环境中制作一个参数一样的仿真场景。虽然尽可能保证场景相同,但是仿真场景中的各种模型由于产品本身的局限性,不可能和现实场景一一对应,所以评估仿真场景的测试结果和真实场景的测试结果之间的差异即可得到传感器仿真置信度。
S200,在所述仿真场景进行仿真测试,根据所述实际场景和所述仿真场景获取可行驶区域信息;
根据可行驶区域信息获取传感器仿真置信度。
传感器仿真模块包括:摄像头仿真模块、激光雷达仿真模块、毫米波雷达仿真模块、GPS/IMU仿真模块。各个仿真模块会受到不同因素的影响而最终导致仿真场景与现实环境有偏差,但上述不同因素是难以量化和找到的,所以通过最终仿真结果来判断传感器仿真测试的优劣能够大大节省时间和人力成本。
优选地,S200,根据可行驶区域信息获取传感器仿真置信度包括:
根据可行驶区域面积、可行驶区域局部方向准确性、可行驶区域局部方向变化梯度计算传感器仿真置信度;
仿真场景的静态数据包括:路网拓扑数据:道路数目、道路编号、交叉口;道路特征:起点终点、车道数、车道宽、曲率半径、坡度;道路表面特质:材料、粗糙度、纹理、反射特性;车道线:线型、宽度、颜色;路面标识:交通标志、标线;交通灯牌:朝向、位置、信息、切换时间;街边建筑:物质、尺寸、表面属性;道路设施:护栏(高度、形状等)、硬路肩、隔离带;特殊部分:慢车道、施工、匝道、桥梁、隧道。仿真场景的动态数据包括:交通特性:密度、速度、人车分布;主车:几何模型、类型、运动参数、运动路线等;其他机动车:类型、交互动态、运动参数、几何模型;行人、动物:类型、交互动态、表面属性、动作姿势。仿真场景的动态数据和静态数据都是根据实际场景创建的,本发明在构建仿真场景时,通过调整参数,尽量将仿真场景模型一比一还原实际场景。然而即使将参数调整地与实际场景一致,仿真模块仿造出来的行车场景仍旧与现实场景存在偏差而导致仿真测试模型输出的结果有所偏差。
所述仿真模块输出可行驶区域面积、可行驶区域局部方向准确性、可行驶区域局部方向变化梯度;
仿真模块根据输入的仿真场景数据集和现实场景数据集,输出可行驶区域面积、可行驶区域局部方向准确性、可行驶区域局部方向变化梯度参数。
根据所述可行驶区域面积、可行驶区域局部方向准确性、可行驶区域局部方向变化梯度计算所述传感器仿真置信度。
可行驶区域面积、可行驶区域局部方向准确性、可行驶区域局部方向变化梯度能够反映出仿真场景和现实场景的差距,差距越小说明传感器仿真的效果越好。
本发明通过下面公式计算传感器仿真的置信度:
其中,f(factor_i)为置信度评判标准的判断公式,具体内容与相应的置信度评判方向有关,包括但不限于:可行驶区域面积、可行驶区域局部方向准确性、可行驶区域局部方向变化梯度等。A指真实世界场景集运行数据的集合(以时间为描述尺度),B指虚拟环境中场景运行数据的集合(以时间为描述尺度),i为迭代标识符,用于表示在A、B两者的时间交集内进行迭代并逐帧进行比较。
在不同场景中,f(factor_)的取值会根据实际场景变化,例如:可行驶区域面积:求交并比(IoU);可行驶区域方向变化率:以主车为圆心设定12个不同的半径(0~120m,每十米为一个间隔),在每个同心圆区域内应用泊松采样,若该点存在可行驶区域方向角度值,则求插值,最后进行根据距离的加权平均。
优选地,S100根据实际场景构建仿真场景包括:
S110根据真实场景的道路构建仿真场景的道路。
构建仿真场景道路布局时,首先需要解决的是道路的位置信息,比如这个道路有多长,道路的曲率是多少,本发明直接导入2维地图,然后对照着2维地图放模型,最后生成整个地图的布局。在仿真场景制作时,首先要采集真实场景的道路数据,真实场景的道路数据包括:道路数目、道路编号、交叉口;道路特征:起点终点、车道数、车道宽、曲率半径、坡度;道路表面特质:材料、粗糙度、纹理、反射特性;车道线:线型、宽度、颜色;路面标识:交通标志、标线;交通灯牌:朝向、位置、信息、切换时间,根据真实场景的道路数据设置仿真场景中道路数据的参数。
在仿真场景中,构建的道路信息的准确性会影响仿真模块输出的可行驶区域,所以要尽量保证仿真场景中的道路信息与实际场景的道路信息是一致的,如果仿真场景中的道路信息与实际场景中的道路信息不一致,则会导致仿真测试模块输出的可行驶区域出现很大的偏差,例如:在仿真场景中缺少一条车道,如果缺少的是右转车道则会导致可行驶区域失去右边部分,如果缺少的是左转车道则会导致可行驶区域失去左边部分,如果缺少的是直行车道则会导致可行驶区域失去前方部分。仿真道路的错误会直接影响到可行驶区域的形成,所以在仿真参数调整过程中,要尽量将参数调整与现实场景一致。
优选地,S100根据实际场景构建仿真场景包括:
S120根据真实场景的道路周围环境信息构建仿真场景的道路周围环境信息;
仿真场景的道路上的静止障碍物与实际场景的道路上的静止障碍物相对应。
在构建仿真场景的道路周围环境时,地图是场景中第一个需要考虑的,需要在仿真模块中构建一个1:1的虚拟世界,然后再绘制出这个世界的高精度地图。而高精度地图是自动驾驶系统所需要的,高精度地图可以采用根据现场绘制的地图,也可以先得到场景模型,然后在模型中绘制。首先进行单个模型制作:单个模型包括:地图中的建筑物、道路、树木、信号灯、交通牌、以及其他的信息。这些信息如果是要完全模拟真实环境,需要大量的材质和贴图,一般是在maya和3d-max等软件中建模,然后再导入模型到场景中使用。
本发明还需模仿现实环境中的天气,雨、雪、雾和云层都会影响现实中摄像头的感知,本发明通过调整不同的比率来模拟不同的天气情况对传感器的影响,云层主要是会影响光照变化,多云投射的阴影对车道线识别等会有影响。白天和夜晚不同光照场景下也会对对传感器产生影响。构建仿真场景的道路周围环境主要是模仿现实中传感器对周围环境的感知,在现实车载传感器的感知中,传感器受到天气和灯光的影响是很大的,可以说天气和灯光情况是影响现实车载传感器精度和距离的最重要因素,所以在制作仿真场景的周围环境时,调整好天气情况和灯光情况的模拟参数是至关重要的,例如:在模拟雨雪天气中,将传感器的感知范围调小,在模拟晴朗天气时,将传感器的感知范围调到正常值,在白天时将传感器的感知范围调到正常值,在夜晚时,将传感器的感知范围调小。而且激光雷达仿真模块在模拟沙尘暴天气是无法启用的,应当关闭。
为了减少计算量和提高仿真效率,本发明设置的天气为晴朗天气,传感器的数值都调味正常工作范围。
优选地,S100根据真实运动物体构建仿真场景运动物体包括:
S130根据真实运动物体的运动方式构建仿真场景运动物体的运动方式。
运动物体包括:其他车辆、行人、动物,在仿真时本发明采用车的动力学模型进行仿真。车辆的行为可以由一些简单的行为来模拟复杂的行为,例如停车,变道,加速,减速,来组合出超车,会车等复杂行为。也可以通过模拟真实情况的交通流数据,来模拟整个行为。根据实际场景的情况的行为,往仿真场景中加入补全信息,构建仿真场景。
在仿真行人和动物时,主要是模拟行人和动物过马路,在路边行走,行人遵循不同的轨迹避开障碍物并接纳其他行人。在这样的场景中任何自动驾驶汽车都应该能够预见行人的未来位置,并相应地调整行进路线避免碰撞。轨迹预测的问题可以看作是序列生成任务,感兴趣的是基于过去的位置来预测未来轨迹。这里提出了一种LSTM模型,即题目所说的,来学习人类的一般运动并预测其未来的轨迹。这是当时手工函数(例如social force模型)的传统方法不同的。预测拥挤场景中的人们动力学特性,是一项艰巨的任务,因为每个人的运动通常都受到周围的影响;这个LSTM模型称为“Social”LSTM(Social-LSTM),可考虑人类在共享环境中的常识规则和社交惯例来共同预测场景中所有人的路径;其中热图显示了它们未来轨迹的预测分布。影响行人运动的主要因素是行人之间的相互作用、周围环境以及行人的目的地。了解行人之间的相互作用,可以显着提高运动模型的准确性;一些结果表明,在运动规划应用中交互-觉察的运动模型对动态代理进行运动预测,可使机器人对人类代理更具预测性,也更加“符合社会(socially compliant)”。特别是杂乱的环境,对行人对附近静态障碍物的反应建模也很重要。
本发明采用局部交互和群体动作建模(Local Interaction and Group MotionModeling):social force模型描述一个人的预期动作如何根据来自他人排斥力的影响而变化;其他social force定义人群行走对人群中其他成员的吸引力(吸引力项),并对人群中类似于典型人类形态的行走构成(walking formation)施加软约束(可见性项)。随机游走的随机策略采样(Stochastic Policy Sampling Using Random Walks):为了采用随机策略πg进行预测,调用随机游走算法为场景中所有人采样K条联合路径;给定观察到的轨迹和可用的组信息,每条联合路径代表未来可能的交互;在随机游走期间,根据群体socialforce模型评估影响每个代理瞬时随机策略的代理社交互动。
至于更加复杂的场景,例如下雨天打伞的行人、行人闯红灯横穿马路、动物突然横穿道路。复杂的突发情况的仿真场景模拟对传感器仿真要求度比较高,因为突发情况对传感器的感应速度、感应精度要求较高,比如下雨天打伞的人一般的传感器可能就识别不了。这种应急情况往往需要多个传感器同时配合进行感知预测,在现实场景中预测的结果具有很大的不确定性,而如果将这些突发的应急情况添加至仿真模拟中,则会出现更大的不确定性,也会导致置信度的评估不具有参考意义。
在现实场景中,行人和动物的行为都是难以预料的,甚至在现实场景的自动驾驶中,也会出现无法避让突然出现的行人和动物,所以本发明为了节省算力,移除了行人和动物的不确定行为模拟,也移除了现实场景中车辆不确定行为的模拟,只选用了尽量简单的模拟情况,例如:其他车辆和行人都很少的道路或者没有其他车辆和行人、动物的道路。因为现实场景中对于复杂的会车情况,会衍生出许多可行驶区域的可能,也会直接出现无法避让而导致出现交通事故的情况,这会大大增加模拟的难度和不确定性,为了保证仿真场景中主车运行路线的确定性,在仿真测试中,尽量减少了会车场景的出现,避免出现突发应急情况的模拟,使得置信度的评估更具说服力。
优选地,S200将所述仿真场景和实际场景输入仿真模块进行仿真测试包括:
S200A在实际场景中,判断车辆是否需要调整路径,若不需要调整路径,则在仿真场景和实际场景中按照原始路径行驶。
按上述所述,本发明尽量减少了会车场景的出现,避免出现突发应急情况的模拟,但仍旧会有会车情况的出现,为了应对较为简单的会车情况,本发明设置了上述算法,在实际场景的会车情况出现时,判断主车是否需要调整路径,如果会车情况的出现并不会改变主车的行驶路径,那么在现实场景中,主车的行驶路径不会改变,仿真场景的主车行驶路径为了跟现实场景中主车的行驶路径保持一致,也不会发生改变,也会按照原始路径继续行驶。
例如:在现实场景中,主车的车载传感器会实时判断是否需要调整原始路径,在原始路径上如果出现障碍物,则说明需要调整原始路径,障碍物包括:静止障碍物(倒塌的行道树、路障、没有盖子的下水井)和运动的障碍物(其他车辆、行人、动物、滚动的障碍物);在原始路径上如果出现道路临时管制,比如:前方道路维修导致无法通行、前方为学校考试考点在规定时间限制通行、前方交通事故导致一段时间无法通行,这些临时的道路管制都使主车需要调整原始路径;前方的道路有车辆限高、限重、限宽的要求,主车不满足限高、限重、限宽的要求也需要调整原始路径;驾驶人员在自动驾驶系统规划出原始路径后,在行驶过程中更改原始路径的路径规划条件的优先级,比如:选择距离最短的路径、选择红绿灯最少的路径、选择拥堵路段最短的路径、选择带有必经路段的路径。当选择路径条件的优先级改变之后,原始路径也会随之改变,就需要调整原始路径。
主车不改变原始路径有多种情况,一种是当现实场景中主车的车载传感器没有检测到障碍物,也没有检测到有道路交通管制,也没有检测到车辆不符合道路通行要求,驾驶人员不更改路径规划条件时,就说明主车按照原始路径继续行进,那么在仿真场景中,主车也会按照原始路径行进。
另一种是当现实场景中主车的车载传感器没有检测到障碍物,也没有检测到有道路交通管制,也没有检测到车辆不符合道路通行要求,驾驶人员更改了路径规划条件,但是根据驾驶人员更改后的路径规划条件规划出的路径与原始路径是一致的,那么主车依旧按照原始路径继续行进,在仿真场景中,主车也会按照原始路径行进。
优选地,如图2,S200将所述仿真场景和实际场景输入仿真模块进行仿真测试包括:
S200B若需要调整路径,在实际场景中重新规划行驶路径;
在仿真场景中根据所述实际场景中重新规划的行驶路径行驶。
如果在现实场景中碰见的会车情况需要对行车路径进行调整,那么就根据现实行车路径的调整情况来调整仿真场景中的行车路径,目的是为了跟现实场景的行车路线保持一致,也就是说,当现实场景中主车碰见其他车辆超车的情况,现实场景中主车会进行避让或者变道的操作,那么仿真场景中主车也会同步进行避让或者变道的操作,并且避让的时间,变更的车道也与现实场景中一致。在后续会车结束时,在现实场景中,主车会恢复原先的行驶速度和变更回原先行驶的车道,那么仿真场景中,主车也会同步恢复原先的行驶速度和变更回原先行驶的车道。本发明将现实场景中主车的行驶情况全部映射到仿真场景中,使仿真场景中的主车行驶情况与现实场景的主车行驶情况尽量保持一致。
例如:在现实场景中,主车的车载传感器检测到前方有静止障碍物时,由于静止障碍物都是不会动的,所以调整的路径是确定的,调整的方法就是绕行避开障碍物,根据道路交通规则,选择其他车道行驶,比如当主车检测到前方有路障时,判断车辆左方车道线为实线,不能往左变道,判断车辆右方车道线为虚线,可以往右变道,再判断车辆右方是否有车辆经过,如果有车经过则停车等待变道,如果没有车经过则直接变道;对于检测到运动的障碍物,由于运动的障碍物的运动轨迹难以确定,比如当行人碰见车辆时可能会选择原地停止等待、依旧继续行进、更改行进路线避让车辆,这导致了调整路径具有不确定性,对于其他车辆和动物的运动障碍物也同样如此,但是运动的障碍物在过一段时间后就会消失,所以根据这个特性,此时主车选择停车等待运动障碍物消失后再行进,或者选择一条距离运动障碍物足够远的路径进行避让,这样运动障碍物的行驶路径就不会影响到主车的正常行驶。在仿真场景中,主车对于原始路径的调整与现实场景中是一致的。
在现实场景中,主车经常会碰到道路管制的路况,这时只能选择绕行,自动驾驶系统会优先通知驾驶人员,由驾驶人员根据自动驾驶系统调整的多条路径中选择接下来将要行驶的路径,或者由驾驶人员手动规划行驶路径,如果驾驶人员在预设时间内没有给予反馈,则自动驾驶系统会自行选择分数最高的路径行驶,在仿真场景中,主车对于原始路径的调整与现实场景中是一致的。
在现实场景中,往往驾驶人员会半路修改原始路径,比如驾驶人员突然接到通知说要去某地,而在原始路径的周围并没有经过某地,则需要对原始路径进行修改,此时,自动驾驶系统会判断将要行驶的路径中的哪一段路距离某地最近,并对距离某地最近的那一段路进行绕行修改,或者驾驶人员在半路行进的时候发现沿着原始路径走的太慢,无法在规定时间到达目标位置,那么就会更改路径规划的条件的优先级,选择时间最优路径,自动驾驶系统根据时间最优来调整原始路径,在仿真场景中,主车对于原始路径的调整与现实场景中是一致的。
实施例2
如图3,一种自动驾驶传感器仿真置信度评估系统,包括:
第一数据处理模块,用于根据实际场景构建仿真场景;
仿真模块,用于在仿真场景进行仿真测试,根据实际场景和所述仿真场景获取传感器仿真置信度;
第二数据处理模块,用于根据可行驶区域信息获取传感器仿真置信度。
本发明根据实际场景的数据调整仿真场景的数据,在仿真场景参数设置上与实际场景保持一致,如果传感器仿真模块是优秀的,那么传感器仿真模块在仿真场景中输出的仿真结果和在实际场景中输出的仿真结果是一样的,如果传感器仿真模块存在瑕疵,那么传感器仿真模块在仿真场景中输出的仿真结果和在实际场景中输出的仿真结果是有偏差的,将传感器仿真模块在仿真场景中输出的仿真结果和在实际场景中输出的仿真结果相比较,即可评估传感器仿真模块的置信度。
实施例3
一种处理器,所述处理器用于执行一种自动驾驶传感器仿真置信度评估方法。
本发明根据实际场景的数据调整仿真场景的数据,在仿真场景参数设置上与实际场景保持一致,如果传感器仿真模块是优秀的,那么传感器仿真模块在仿真场景中输出的仿真结果和在实际场景中输出的仿真结果是一样的,如果传感器仿真模块存在瑕疵,那么传感器仿真模块在仿真场景中输出的仿真结果和在实际场景中输出的仿真结果是有偏差的,将传感器仿真模块在仿真场景中输出的仿真结果和在实际场景中输出的仿真结果相比较,即可评估传感器仿真模块的置信度。
实施例4
一种电子设备,包括:处理器和存储器,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,当所述处理器执行所述计算机指令时,所述电子设备执行一种自动驾驶传感器仿真置信度评估方法。
本发明根据现实场景数据构建仿真场景环境数据,保证仿真场景中的静止物体和运动物体跟现实场景中的静止物体和运动物体一致,从而避免了由于仿真环境出错而导致的传感器仿真测试出错的情况,在本发明中仿真模块同时根据现实场景数据和仿真场景数据进行仿真运算,得到实际场景输出的可行驶区域数据和仿真场景输出的可行驶区域数据,如果传感器仿真模块是准确的,那么实际场景输出的可行驶区域数据和仿真场景输出的可行驶区域数据应该是一致的,所以本发明通过比较实际场景输出的可行驶区域数据和仿真场景输出的可行驶区域数据的差距来判断传感器仿真的准确性。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种自动驾驶传感器仿真置信度评估方法,其特征在于,包括:
根据实际场景构建仿真场景;
在所述仿真场景进行仿真测试,根据所述实际场景和所述仿真场景获取可行驶区域信息;
根据所述可行驶区域信息获取所述传感器仿真置信度。
2.根据权利要求1所述的一种自动驾驶传感器仿真置信度评估方法,其特征在于,所述根据所述可行驶区域信息获取所述传感器仿真置信度包括:
根据所述可行驶区域面积、可行驶区域局部方向准确性、可行驶区域局部方向变化梯度计算所述传感器仿真置信度。
3.根据权利要求1所述的一种自动驾驶传感器仿真置信度评估方法,其特征在于,所述根据实际场景构建仿真场景包括:
根据真实场景的道路构建仿真场景的道路。
4.根据权利要求3所述的一种自动驾驶传感器仿真置信度评估方法,其特征在于,所述根据实际场景构建仿真场景包括:
根据真实场景的道路周围环境信息构建仿真场景的道路周围环境信息;
仿真场景的道路上的静止障碍物与实际场景的道路上的静止障碍物相对应。
5.根据权利要求2所述的一种自动驾驶传感器仿真置信度评估方法,其特征在于,所述根据真实运动物体构建仿真场景运动物体包括:
根据真实运动物体的运动方式构建仿真场景运动物体的运动方式。
6.根据权利要求2所述的一种自动驾驶传感器仿真置信度评估方法,其特征在于,所述将所述仿真场景和实际场景输入仿真模块进行仿真测试包括:
在实际场景中,判断车辆是否需要调整路径,若不需要调整路径,则在仿真场景和实际场景中按照原始路径行驶。
7.根据权利要求6所述的一种自动驾驶传感器仿真置信度评估方法,其特征在于,所述将所述仿真场景和实际场景输入仿真模块进行仿真测试包括:
若需要调整路径,在实际场景中重新规划行驶路径;
在仿真场景中根据所述实际场景中重新规划的行驶路径行驶。
8.一种自动驾驶传感器仿真置信度评估系统,其特征在于,包括:
第一数据处理模块,用于根据实际场景构建仿真场景;
仿真模块,用于在所述仿真场景进行仿真测试,根据所述实际场景和所述仿真场景获取所述传感器仿真置信度;
第二数据处理模块,用于根据所述可行驶区域信息获取所述传感器仿真置信度。
9.一种处理器,其特征在于,所述处理器用于执行如权利要求1至7中任意一项所述的方法。
10.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,当所述处理器执行所述计算机指令时,所述电子设备执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310756333.6A CN117010154A (zh) | 2023-06-26 | 2023-06-26 | 一种自动驾驶传感器仿真置信度评估方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310756333.6A CN117010154A (zh) | 2023-06-26 | 2023-06-26 | 一种自动驾驶传感器仿真置信度评估方法、系统及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117010154A true CN117010154A (zh) | 2023-11-07 |
Family
ID=88564501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310756333.6A Pending CN117010154A (zh) | 2023-06-26 | 2023-06-26 | 一种自动驾驶传感器仿真置信度评估方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117010154A (zh) |
-
2023
- 2023-06-26 CN CN202310756333.6A patent/CN117010154A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11554785B2 (en) | Driving scenario machine learning network and driving environment simulation | |
US11726477B2 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
US11685360B2 (en) | Planning for unknown objects by an autonomous vehicle | |
US11967230B2 (en) | System and method for using V2X and sensor data | |
US20180259967A1 (en) | Planning for unknown objects by an autonomous vehicle | |
US11584392B2 (en) | Route optimization for autonomous driving systems | |
CN110688311A (zh) | 一种面向自动驾驶典型场景的测试用例管理方法和装置 | |
CN110716529A (zh) | 一种自动驾驶测试用例自动生成方法和装置 | |
CN114385661A (zh) | 一种基于v2x技术的高精地图更新的系统 | |
CN110675476A (zh) | 一种直观传达自动驾驶场景定义的方法和装置 | |
Aryal | Optimization of geometric road design for autonomous vehicle | |
CN116466697A (zh) | 用于运载工具的方法、系统以及存储介质 | |
CN116597690B (zh) | 智能网联汽车的高速公路测试场景生成方法、设备及介质 | |
CN114787894A (zh) | 感知误差模型 | |
CN117010154A (zh) | 一种自动驾驶传感器仿真置信度评估方法、系统及装置 | |
Manikandan et al. | Ad hoc-obstacle avoidance-based navigation system using Deep Reinforcement Learning for self-driving vehicles | |
US11837089B2 (en) | Modular extensible behavioral decision system for autonomous driving | |
US20240025446A1 (en) | Motion planning constraints for autonomous vehicles | |
US20230415773A1 (en) | Validating protolanes with actor behavior flowcharts | |
Abdalkarim | Using V2X and reinforcement learning to improve autonomous vehicles algorithms with CARLA | |
Zhang | A study of Autonomous Vehicle Behavior Decision System based on Fusion Model | |
Feng et al. | A survey to applications of deep learning in autonomous driving | |
Jia | Modelling Realistic Intersection Vehicle Trajectories Utilizing Real-World Traffic Datasets | |
CN117413234A (zh) | 设计运行区域的识别方法及装置 | |
CN115432008A (zh) | 一种基于优化多任务的自动驾驶决策规划方法、电子设备及计算机存储介质 |
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 |