CN117521026A - 一种基于算法挖掘挑战性场景的方法、装置、设备、介质 - Google Patents
一种基于算法挖掘挑战性场景的方法、装置、设备、介质 Download PDFInfo
- Publication number
- CN117521026A CN117521026A CN202311611697.1A CN202311611697A CN117521026A CN 117521026 A CN117521026 A CN 117521026A CN 202311611697 A CN202311611697 A CN 202311611697A CN 117521026 A CN117521026 A CN 117521026A
- Authority
- CN
- China
- Prior art keywords
- score
- determining
- challenging
- scene
- algorithm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000005065 mining Methods 0.000 title claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims description 56
- 230000015654 memory Effects 0.000 claims description 26
- 230000001133 acceleration Effects 0.000 claims description 16
- 230000001174 ascending effect Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 16
- 238000005070 sampling Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及车辆自动驾驶技术领域,公开了一种基于算法挖掘挑战性场景的方法、装置、设备、介质,该方法通过获取原始交通数据,确定语义交通数据,并构建应用场景,从而以应用场景与待测规划算法,分别确定的真实轨迹信息与预测轨迹信息,确定挑战性场景。这一过程中,由于原始交通数据为道路实测数据,以道路实测数据得到的真实轨迹信息可以准确的反映车辆在对应应用场景中的行程轨迹,以及在道路实测数据的基础上得到的预测轨迹信息可以准确的反映车辆在对应待测规划算法控制下的行程轨迹,因此,在此基础上确定的挑战性场景,可以全面且准确地反映车辆可能遇到的各种情况,并且这一过程中无人为因素的参数,提升了挑战性场景确定过程的客观性。
Description
技术领域
本发明涉及车辆自动驾驶技术领域,具体涉及一种基于算法挖掘挑战性场景的方法、装置、设备、介质。
背景技术
Planning(规划)算法在自动驾驶系统中负责路径规划、障碍物避让、决策制定等核心任务,在自动驾驶系统中扮演着重要的角色。而场景库提供了一系列不同的道路和交通场景,可以用于验证和评估planning算法的性能。场景可分为一般场景和挑战性场景,相比于普通场景,挑战性场景中可能存在更多的障碍物、交通流量更大、道路形态更为复杂等因素,也可能包含不同的意外情况,如:紧急刹车、抛洒物等。这使得planning算法需要更高级别的决策和规划能力,以能应对更严峻的驾驶挑战,从而确定算法的短板。
在相关技术中,场景库中的场景主要通过人工定义的高价值场景或边缘场景规则的方式挖掘,该种方式需要消耗大量时间、人力和资源,限制了场景的生成规模和效率。并且由于现实世界中存在着各种复杂、极端或罕见的情况,仅通过人工定义的规则可能无法完全捕捉到所有可能的挑战性场景,使得通过该种方式无法准确、全面地筛选挑战性场景,并且由于人为因素的影响,降低了挑战性场景确定过程的客观性。
发明内容
有鉴于此,本发明提供了一种基于算法挖掘挑战性场景的方法、装置、设备、介质,以解决无法准确确定规划算法的挑战性场景的技术问题。
第一方面,本发明提供了一种基于算法挖掘挑战性场景的方法,包括:获取至少一个原始交通数据与至少一个待测规划算法;将至少一个原始交通数据输入至预训练好的网络模型中,确定至少一个语义交通数据;基于至少一个语义交通数据,构建至少一个应用场景,确定车辆与每个应用场景对应的真实轨迹信息;将至少一个语义交通数据分别输入每个待测规划算法,确定车辆与每个规划算法对应的预测轨迹信息;基于真实轨迹信息与预测轨迹信息,确定每个待测规划算法对应的挑战性场景。
结合第一方面,在第一方面的一个可能的实现方式中,基于真实轨迹信息与预测轨迹信息,确定每个待测规划算法对应的挑战性场景,包括:基于真实轨迹信息与预测轨迹信息,确定车辆与每个应用场景对应的评估得分;基于评估得分,确定每个待测规划算法的挑战性场景。
结合第一方面,在第一方面的一个可能的实现方式中,基于真实轨迹信息与预测轨迹信息,确定车辆与每个应用场景对应的评估得分,包括:基于真实轨迹信息与预测轨迹信息,确定轨迹偏离度得分;基于预测轨迹信息,分别确定交通规则得分与舒适度得分;基于轨迹偏离度得分、交通规则得分与舒适度得分,确定车辆与每个应用场景对应的评估得分。
结合第一方面,在第一方面的一个可能的实现方式中,基于预测轨迹信息,确定舒适度得分,包括:基于预测轨迹信息,确定每个预测轨迹点的曲率与加速度;基于每个曲率与加速度,确定舒适度得分。
结合第一方面,在第一方面的一个可能的实现方式中,通过如下公式表示评估得分:
Score=a×Score轨迹偏离度+b×Score交通规则+c×Score舒适度
其中,Score表示评估得分,Score轨迹偏离度表示轨迹偏离度得分,Score交通规则表示交通规则得分,Score舒适度表示舒适度得分,a、b、c分别表示对应权重系数,且a+b+c=1。
结合第一方面,在第一方面的一个可能的实现方式中,基于评估得分,确定每个待测规划算法的挑战性场景,包括:基于每个待测规划算法的评估得分,比较评估得分与预设的分数阈值,确定每个待测规划算法的低分场景;对每个低分场景取交集,确定挑战性场景。
结合第一方面,在第一方面的一个可能的实现方式中,基于评估得分,确定每个待测规划算法的挑战性场景,包括:基于每个应用场景的评估得分,确定每个应用场景的得分均值;将每个应用场景基于得分均值升序排序,选取预设数量的应用场景作为挑战性场景。
第二方面,本发明提供了一种基于算法挖掘挑战性场景的装置,装置包括:获取模块,用于获取至少一个原始交通数据与至少一个待测规划算法;数据确定模块,用于将至少一个原始交通数据输入至预训练好的网络模型中,确定至少一个语义交通数据;构建模块,用于基于至少一个语义交通数据,构建至少一个应用场景,确定车辆与每个应用场景对应的真实轨迹信息;预测轨迹模块,用于将至少一个语义交通数据分别输入每个待测规划算法,确定车辆与每个规划算法对应的预测轨迹信息;挑战性场景确定模块,用于基于真实轨迹信息与预测轨迹信息,确定每个待测规划算法对应的挑战性场景。
第三方面,本发明提供了一种计算机设备,包括:存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行上述第一方面或其对应的任一实施方式的基于算法挖掘挑战性场景的方法。
第四方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的基于算法挖掘挑战性场景的方法。
本发明技术方案,具有如下优点:
本发明提供的一种基于算法挖掘挑战性场景的方法、装置、设备、介质,该方法通过获取实测原始交通数据,确定语义交通数据,并构建应用场景,从而通过应用场景与待测规划算法,分别确定的真实轨迹信息与预测轨迹信息,确定挑战性场景。这一过程中,由于原始交通数据为道路实测数据,以道路实测数据得到的真实轨迹信息可以准确的反映车辆在对应应用场景中的行程轨迹,以及在道路实测数据的基础上得到的预测轨迹信息可以准确的反映车辆在对应待测规划算法控制下的行程轨迹,因此,在此基础上确定的挑战性场景,可以全面且准确地反映车辆可能遇到的各种情况,并且这一过程中无人为因素的参数,提升了挑战性场景确定过程的客观性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例提供的基于算法挖掘挑战性场景系统的应用场景示意图;
图2是根据本发明实施例提供的一种基于算法挖掘挑战性场景的方法的流程示意图;
图3是根据本发明实施例提供的一种基于算法挖掘挑战性场景的装置的结构框图;
图4是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做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。
本实施例提供了一种基于算法挖掘挑战性场景系统,如图1所示,系统10包括:应用场景库101、规划算法库102、挑战性场景库103,其中,应用场景库101包括多个应用场景,每个应用场景包括地图信息、交通环境信息以及与语义交通数据相对应的车辆实测真实轨迹,规划算法库102包括多个规划算法,例如ML planer、IDMPlanner、Apollo等,挑战性场景库103包括多个挑战性场景,挑战性场景库103中的每个挑战性场景是通过每个规划算法在对应应用场景中预测车辆的预测轨迹,以及对应应用场景中包含的车辆真实轨迹通过计算评估得分确定的,应该理解的是,每个评估得分均具有对应的规划算法以及应用场景,以应用场景A、应用场景B与规划算法C、规划算法D为例,应用场景A分别与规划算法C、规划算法D均能确定一个对应的评估得分,以此类推应用场景B也具有两个评估得分。
根据本发明实施例,提供了一种基于算法挖掘挑战性场景的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例提供了一种基于算法挖掘挑战性场景的方法,如图2所示,包括如下步骤:
S201、获取至少一个原始交通数据与至少一个待测规划算法。
具体地,待测规划算法是指需要进行测试的规划算法,可以是规划算法库中的一种或多种规划算法,如ML planer、IDMPlanner、Apollo等。
具体地,原始交通数据是指通过路测传感器从道路采集的交通数据,包括摄像头采集的图像数据以及激光/毫米波采集的点云数据,其中,图像数据为由像素组成的二维图像,每个像素包含了颜色和亮度信息;点云数据为由离散的三维点构成的数据集合,每个点云包含了该点云的坐标信息。
S202、将至少一个原始交通数据输入至预训练好的网络模型中,确定至少一个语义交通数据。
具体地,预训练好的网络模型用于对原始交通数据进行特征提取、目标识别与分类、语义分割与标注、数据关联和融合,使得输出的语义交通数据用于表征交通数据中每个对象的类型、位置、速度、形状、尺寸等信息。
具体地,将原始交通数据输入至预训练好的网络模型之前,还包括对原始交通数据进行数据预处理,对原始交通数据进行数据预处理,包括:对图像数据进行剪切、缩放、灰度处理中的一种或多种,或,对点云数据进行聚类,以使原始交通数据具有相同标准。
S203、基于至少一个语义交通数据,构建至少一个应用场景,确定车辆与每个应用场景对应的真实轨迹信息。
具体地,基于至少一个语义交通数据,构建至少一个应用场景是指将语义交通数据与地铁信息整合起来,使每个应用场景包括车辆、行人、道路结构、交通标志、障碍物等元素的位置、速度、方向、状态等信息。并且由于语义交通数据用于表征交通数据中每个对象的类型、位置、速度、形状、尺寸等信息,则通过语义交通数据可以确定车辆在对应应用场景中的实际运行轨迹,即真实轨迹信息。
具体地,基于至少一个语义交通数据,构建至少一个应用场景,确定车辆与每个应用场景对应的真实轨迹信息可以是通过规则的方式建立应用场景,在该种方式中通过设置的约束描述车辆在行驶过程中需遵守的规则,如遵守信号灯、保持车距、限速等,通过对不用的语义交通数据与地图信息进行匹配,筛选出符合约束的场景,同样的,应用场景包括车辆的真实轨迹信息与地图环境信息。
具体地,基于至少一个语义交通数据,构建至少一个应用场景,确定车辆与每个应用场景对应的真实轨迹信息也可以是通过机器学习的方式建立应用场景,在该种方式中通过将海量真实车辆历史行驶数据和对应的状态信息作为输入,构建神经网络模型,对交通行为进行建模,神经网络模型的输出为车辆的行驶轨迹及对应状态信息,即确定真实轨迹信息。同样地,基于真实轨迹信息与地图信息进行匹配,进行场景建模,应该理解的是,应用场景同样包括车辆的真实轨迹信息与地图环境信息。
S204、将至少一个语义交通数据分别输入每个待测规划算法,确定车辆与每个规划算法对应的预测轨迹信息。
具体地,将至少一个语义交通数据分别输入每个待测规划算法,确定车辆与每个规划算法对应的预测轨迹信息是指将语音交通数据分别在各应用场景下,模拟由各待测规划算法控制下的车辆轨迹,即,预测轨迹信息。这一过程中,每个预测轨迹信息与一个应用场景以及一个待测规划算法相对应。
S205、基于真实轨迹信息与预测轨迹信息,确定每个待测规划算法对应的挑战性场景。
具体地,基于真实轨迹信息与预测轨迹信息,确定每个待测规划算法对应的挑战性场景是指通过真实轨迹信息与预测轨迹信息,确定车辆分别在每个应用场景下,由不同规划算法控制时的评估得分,并通过评估得分确定与待测规划算法对应的挑战性场景。
本发明提供的一种基于算法挖掘挑战性场景的方法,通过获取实测原始交通数据,确定语义交通数据,并构建应用场景,从而通过应用场景与待测规划算法,分别确定的真实轨迹信息与预测轨迹信息,确定挑战性场景。这一过程中,由于原始交通数据为道路实测数据,以道路实测数据得到的真实轨迹信息可以准确的反映车辆在对应应用场景中的行程轨迹,以及在道路实测数据的基础上得到的预测轨迹信息可以准确的反映车辆在对应待测规划算法控制下的行程轨迹,因此,在此基础上确定的挑战性场景,可以全面且准确地反映车辆可能遇到的各种情况,并且这一过程中无人为因素的参数,提升了挑战性场景确定过程的客观性。
为客观、准确地体现挑战性场景的确定过程,在一种可选实施方式中,基于真实轨迹信息与预测轨迹信息,确定每个待测规划算法对应的挑战性场景,包括:
(1)基于真实轨迹信息与预测轨迹信息,确定车辆与每个应用场景对应的评估得分。
在一种可选实施方式中,基于真实轨迹信息与预测轨迹信息,确定车辆与每个应用场景对应的评估得分,包括:
基于真实轨迹信息与预测轨迹信息,确定轨迹偏离度得分。
在一种可选实施方式中,基于真实轨迹信息与预测轨迹信息,确定轨迹偏离度得分,包括:
基于真实轨迹信息,确定每个真实轨迹点的第一位置。
具体地,基于真实轨迹信息,确定每个真实轨迹点的第一位置是指以固定的采样频率,采集车辆在真实轨迹中每个采样频率对应时刻的位置,即确定第一位置。
基于预测轨迹信息,确定每个预测轨迹点的第二位置。
具体地,基于预测轨迹信息,确定每个预测轨迹点的第二位置指以固定的采样频率,采集车辆在预测轨迹中每个采样频率对应时刻的位置,即确定第二位置。
应该理解的是,真实轨迹信息与预测轨迹信息的采集频率相同,本实施例对此不做具体限制,采集频率可以是0.1、0.5、1或其他数值。
基于第一位置与第二位置,计算每个预测轨迹点与真实轨迹点的距离。
具体地,基于第一位置与第二位置,计算每个预测轨迹点与真实轨迹点的距离是指依次遍历预测轨迹点,在遍历到每个预测轨迹点时,计算该点距离与最接近的真实轨迹点之间的距离。
具体地,以第一采样频率对应时刻a1下,真实轨迹点b1、预测轨迹点c1,第二采样频率对应时刻a2下,真实轨迹点b2、预测轨迹点c2为例,若与c1距离最近的点为b2,则计算c1与真实轨迹点的距离时,选用b2作为对应轨迹点,无需选择同一采样时刻下的b1作为计算距离的真实轨迹点。该种距离计算方式是由于距离作为轨迹偏离度得分的计算依据,需要确定的是车辆在规划算法下与真实轨迹的偏离程度,即是与距离相关的,并且轨迹偏离度得分的确定是为确定评估得分提供数据基础,因此,距离的计算与同一时刻下的真实轨迹点位置不相关,仅与距离最近的真实轨迹点的位置相关,即该种距离计算方式与距离相关,与时间因素不相关。
通过距离,确定轨迹偏离度得分。
具体地,通过距离,确定轨迹偏离度得分是指将每个预测轨迹点计算得到的距离相加,得到距离总和,并通过将距离总和转换为百分制的分数,确定轨迹偏离度得分。其中,将距离总和转换为百分制的分数可以是通过距离总和与轨迹偏离度得分的预设对应关系确定,本实施例对此不做具体限定,可根据实际工况进行设定。应该理解的是,距离总和越大则表示预测轨迹与真实轨迹的偏离程度越高,因此,轨迹偏离度得分越低。
基于预测轨迹信息,分别确定交通规则得分与舒适度得分。
在一种可选实施方式中,基于预测轨迹信息,确定交通规则得分,包括:
基于预测轨迹信息,确定每个预测轨迹点的第二位置。
具体地,参见上述实施例的相关描述,对此不再进行赘述。
基于第二位置与对应应用场景包括的地图信息、交通环境信息,确定交通规则得分。
具体地,基于第二位置与对应应用场景包括的地图信息、交通环境信息,确定交通规则得分是指结合地图信息与交通环境信息确定车辆在对应路段位置应遵守的交通规则情况,其中,交通环境信息包括路口红绿灯时间、限速信息等,因此,结合车辆的第二位置可以知晓车辆在预测轨迹中对应时刻是否符合对应路段的交通规则,若不符合则减去第一预设额度的分数,交通规则得分的满分为100分,最低分为0分,第一预设额度的分数可以根据实际工况进行设定,本实施例对此不做具体限定,可以去10、20或其他数值。
在一种可选实施方式中,基于预测轨迹信息,确定舒适度得分,包括:
基于预测轨迹信息,确定每个预测轨迹点的曲率与加速度。
具体地,曲率是指每个轨迹点相对于预测轨迹信息的曲率,用于表征车辆的行驶方向。具体地,加速度是指相邻的轨迹点之间的速度变化程度,用于表征车辆的加速幅度。
基于每个曲率与加速度,确定舒适度得分。
具体地,基于每个曲率与加速度,确定舒适度得分是指在每个曲率、每个加速度均符合预设曲率阈值与预设加速度阈值的情况下,则增加第二预设额度的分数,遍历所有预测轨迹点,计算分数总和并转化为百分制分数,确定舒适度得分。其中,预设曲率阈值用于表示车辆在该阈值以下是乘客不会因剧烈转向而不适,预设加速度阈值用于表示车辆在该阈值以下是乘客不会因剧烈加速而不适,将得分总和转换为百分制的分数可以是通过得分总和与舒适度度得分的预设对应关系确定,本实施例对预设曲率阈值、预设加速度阈值、第二预设额度的分数不做具体限定,可根据实际工况进行设定,通常预设曲率阈值取0.03、预设加速度阈值取0.5、第二预设额度的分数取1。应该理解的是,得分总和越大则表示车辆在该场景下由对应规划算法规划的行进路线越能让乘客感觉舒适,因此,得分总和越大舒适度得分越高。
基于轨迹偏离度得分、交通规则得分与舒适度得分,确定车辆与每个应用场景对应的评估得分。
在一种可选实施方式中,通过公式(1)表示评估得分:
Score=a×Score轨迹偏离度+b×Score交通规则+c×Score舒适度 (1)
其中,Score表示评估得分,Score轨迹偏离度表示轨迹偏离度得分,Score交通规则表示交通规则得分,Score舒适度表示舒适度得分。
具体地,a表示轨迹偏离度的权重系数,b表示交通规则的权重系数,c表示舒适度的权重系数,且a+b+c=1,对于a、b、c的取值可根据实际工况进行设置,分别根据轨迹偏离度、交通规则与舒适度的占比进行设置,通常a取0.6,b取0.2,c取0.2。
(2)基于评估得分,确定每个待测规划算法的挑战性场景。
在一种可选实施方式中,在确定评估得分后,若待测规划算法的角度出发,确定挑战性场景的过程可以描述为,基于评估得分,确定每个待测规划算法的挑战性场景,包括:
基于每个待测规划算法的评估得分,比较评估得分与预设的分数阈值,确定每个待测规划算法的低分场景。
具体地,基于每个待测规划算法的评估得分,比较评估得分与预设的分数阈值,确定每个待测规划算法的低分场景是指对于每个待测规划算法在不同的应用场景中均具有对应的评估得分,那么在对应评估得分低于预设的分数阈值时,则认为与评估得分相对应的应用场景为低分场景。预设的分数阈值可以根据实际工况进行设置,本实施例对此不做具体限定。
对每个低分场景取交集,确定挑战性场景。
具体地,对每个低分场景取交集,确定挑战性场景是指将各待测规划算法的低分场景的交集对应的低分场景作为挑战性场景。例如:将每个算法对应的低分场景作为一个集合,依次对集合中的低分场景做交集操作,最终得到的低分场景为所有算法共同的挑战性场景。
通过该种方式确定的挑战性场景在各算法中均具有较低的分数,这一过程是以评估分数作为客观评估标准,从待测规划算法的角度,确定每个待测规划算法对应的挑战性场景,使得挑战性场景的确定过程无人为因素的参与,提升挑战性场景确定过程的客观性,并且由于原始交通数据为道路实测数据,以道路实测数据得到的真实轨迹信息可以准确的反映车辆在对应应用场景中的行程轨迹,以及在道路实测数据的基础上得到的预测轨迹信息可以准确的反映车辆在对应待测规划算法控制下的行程轨迹,因此,在此基础上计算得到的评估分数可以全面且准确的反映车辆可能遇到的各种情况,以及客观的评价车辆的表现,从而为确定挑战性场景提供数据基础。
在一种可选实施方式中,在确定评估得分后,若应用场景的角度出发,确定挑战性场景的过程可以描述为,基于评估得分,确定每个待测规划算法的挑战性场景,包括:
基于每个应用场景的评估得分,确定每个应用场景的得分均值。
具体地,基于每个应用场景的评估得分,确定每个应用场景的得分均值是指对于每个应用场景在模拟运行不同的待测规划算法时均具有对应的评估得分,那么将每个应用场景具有的评估得分取均值,即为每个应用场景的得分均值。
将每个应用场景基于得分均值升序排序,选取预设数量的应用场景作为挑战性场景。
具体地,将每个应用场景基于得分均值升序排序,选取预设数量的应用场景作为挑战性场景是指通过生序排序,选取得分均值较低的应用场景作为挑战性场景,其中,预设数量可以根据实际工况进行设定,本实施例对此不做具体限制。
通过该种方式确定的挑战性场景在各应用场景中均具有较低的分数,这一过程是以评估分数作为客观评估标准,从应用场景的角度,确定每个待测规划算法对应的挑战性场景,使得挑战性场景的确定过程无人为因素的参与,提升挑战性场景确定过程的客观性,并且由于原始交通数据为道路实测数据,以道路实测数据得到的真实轨迹信息可以准确的反映车辆在对应应用场景中的行程轨迹,以及在道路实测数据的基础上得到的预测轨迹信息可以准确的反映车辆在对应待测规划算法控制下的行程轨迹,因此,在此基础上计算得到的评估分数可以全面且准确的反映车辆可能遇到的各种情况,以及客观的评价车辆的表现,从而为确定挑战性场景提供数据基础。
在本实施例中还提供了一种基于算法挖掘挑战性场景的装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种基于算法挖掘挑战性场景的装置,如图3所示,包括:
获取模块301,用于获取至少一个原始交通数据与至少一个待测规划算法。具体过程可参见上述实施例中关于步骤S201的相关描述,在此不再赘述。
数据确定模块302,用于将至少一个原始交通数据输入至预训练好的网络模型中,确定至少一个语义交通数据。具体过程可参见上述实施例中关于步骤S202的相关描述,在此不再赘述。
构建模块303,用于基于至少一个语义交通数据,构建至少一个应用场景,确定车辆与每个应用场景对应的真实轨迹信息。具体过程可参见上述实施例中关于步骤S203的相关描述,在此不再赘述。
预测轨迹模块304,用于将至少一个语义交通数据分别输入每个待测规划算法,确定车辆与每个规划算法对应的预测轨迹信息。具体过程可参见上述实施例中关于步骤S204的相关描述,在此不再赘述。
挑战性场景确定模块305,用于基于真实轨迹信息与预测轨迹信息,确定每个待测规划算法对应的挑战性场景。具体过程可参见上述实施例中关于步骤S205的相关描述,在此不再赘述。
本实施例中的基于算法挖掘挑战性场景的装置是以功能单元的形式来呈现,这里的单元是指ASIC(Application Specific Integrated Circuit,专用集成电路)电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
本发明实施例还提供一种计算机设备,具有上述图3所示的基于算法挖掘挑战性场景的装置。
请参阅图4,图4是本发明可选实施例提供的一种计算机设备的结构示意图,如图4所示,该计算机设备包括:一个或多个处理器401、存储器402,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相通信连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个计算机设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器401为例。
处理器401可以是中央处理器,网络处理器或其组合。其中,处理器401还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路,可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件,现场可编程逻辑门阵列,通用阵列逻辑或其任意组合。
其中,所述存储器402存储有可由至少一个处理器401执行的指令,以使所述至少一个处理器401执行实现上述实施例示出的方法。
存储器402可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中,存储器402可选包括相对于处理器401远程设置的存储器,这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器402可以包括易失性存储器,例如,随机存取存储器;存储器也可以包括非易失性存储器,例如,快闪存储器,硬盘或固态硬盘;存储器402还可以包括上述种类的存储器的组合。该计算机设备还包括通信接口403,用于该计算机设备与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质,上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可记录在存储介质,或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中,存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等;进一步地,存储介质还可以包括上述种类的存储器的组合。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件,当软件或计算机代码被计算机、处理器或硬件访问且执行时,实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种基于算法挖掘挑战性场景的方法,其特征在于,所述方法包括:
获取至少一个原始交通数据与至少一个待测规划算法;
将至少一个所述原始交通数据输入至预训练好的网络模型中,确定至少一个语义交通数据;
基于至少一个所述语义交通数据,构建至少一个应用场景,确定车辆与每个所述应用场景对应的真实轨迹信息;
将至少一个所述语义交通数据分别输入每个所述待测规划算法,确定车辆与每个所述规划算法对应的预测轨迹信息;
基于所述真实轨迹信息与所述预测轨迹信息,确定每个所述待测规划算法对应的挑战性场景。
2.根据权利要求1所述的方法,其特征在于,所述基于所述真实轨迹信息与所述预测轨迹信息,确定每个所述待测规划算法对应的挑战性场景,包括:
基于所述真实轨迹信息与所述预测轨迹信息,确定车辆与每个应用场景对应的评估得分;
基于所述评估得分,确定每个所述待测规划算法的挑战性场景。
3.根据权利要求2所述的方法,其特征在于,基于所述真实轨迹信息与所述预测轨迹信息,确定车辆与每个应用场景对应的评估得分,包括:
基于所述真实轨迹信息与所述预测轨迹信息,确定轨迹偏离度得分;
基于所述预测轨迹信息,分别确定交通规则得分与舒适度得分;
基于所述轨迹偏离度得分、所述交通规则得分与所述舒适度得分,确定车辆与每个应用场景对应的评估得分。
4.根据权利要求3所述的方法,其特征在于,所述基于所述预测轨迹信息,确定舒适度得分,包括:
基于所述预测轨迹信息,确定每个预测轨迹点的曲率与加速度;
基于每个所述曲率与所述加速度,确定舒适度得分。
5.根据权利要求3所述的方法,其特征在于,通过如下公式表示评估得分:
Score=a×Score轨迹偏离度+b×Score交通规则+c×Score舒适度
其中,Score表示评估得分,Score轨迹偏离度表示轨迹偏离度得分,Score交通规则表示交通规则得分,Score舒适度表示舒适度得分,a、b、c分别表示对应权重系数,且a+b+c=1。
6.根据权利要求2所述的方法,其特征在于,所述基于所述评估得分,确定每个所述待测规划算法的挑战性场景,包括:
基于每个所述待测规划算法的评估得分,比较所述评估得分与预设的分数阈值,确定每个所述待测规划算法的低分场景;
对每个所述低分场景取交集,确定挑战性场景。
7.根据权利要求2所述的方法,其特征在于,所述基于所述评估得分,确定每个所述待测规划算法的挑战性场景,包括:
基于每个所述应用场景的评估得分,确定每个所述应用场景的得分均值;
将每个所述应用场景基于所述得分均值升序排序,选取预设数量的所述应用场景作为挑战性场景。
8.一种基于算法挖掘挑战性场景的装置,其特征在于,所述装置包括:
获取模块,用于获取至少一个原始交通数据与至少一个待测规划算法;
数据确定模块,用于将至少一个所述原始交通数据输入至预训练好的网络模型中,确定至少一个语义交通数据;
构建模块,用于基于至少一个所述语义交通数据,构建至少一个应用场景,确定车辆与每个应用场景对应的真实轨迹信息;
预测轨迹模块,用于将至少一个所述语义交通数据分别输入每个所述待测规划算法,确定车辆与每个所述规划算法对应的预测轨迹信息;
挑战性场景确定模块,用于基于所述真实轨迹信息与所述预测轨迹信息,确定每个所述待测规划算法对应的挑战性场景。
9.一种计算机设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1至7中任一项所述的基于算法挖掘挑战性场景的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机指令,所述计算机指令用于使计算机执行权利要求1至7中任一项所述的基于算法挖掘挑战性场景的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311611697.1A CN117521026A (zh) | 2023-11-29 | 2023-11-29 | 一种基于算法挖掘挑战性场景的方法、装置、设备、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311611697.1A CN117521026A (zh) | 2023-11-29 | 2023-11-29 | 一种基于算法挖掘挑战性场景的方法、装置、设备、介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117521026A true CN117521026A (zh) | 2024-02-06 |
Family
ID=89764307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311611697.1A Pending CN117521026A (zh) | 2023-11-29 | 2023-11-29 | 一种基于算法挖掘挑战性场景的方法、装置、设备、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117521026A (zh) |
-
2023
- 2023-11-29 CN CN202311611697.1A patent/CN117521026A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109087510B (zh) | 交通监测方法及装置 | |
CN110286387B (zh) | 应用于自动驾驶系统的障碍物检测方法、装置及存储介质 | |
CN108345822B (zh) | 一种点云数据处理方法及装置 | |
CN108509820B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
CN109061703A (zh) | 用于定位的方法、装置、设备和计算机可读存储介质 | |
JP2018503160A (ja) | 集合局所フロー記述子(alfd)を使用したニアオンラインマルチターゲットトラッキング | |
WO2023207437A1 (zh) | 一种基于动态轨迹流的场景流数字孪生方法及系统 | |
CN111860155A (zh) | 一种车道线的检测方法及相关设备 | |
CN113343461A (zh) | 自动驾驶车辆的仿真方法、装置、电子设备及存储介质 | |
EP3620945A1 (en) | Obstacle distribution simulation method, device and terminal based on multiple models | |
CN111964763B (zh) | 一种动态平板秤称重区域汽车断续行驶行为检测方法 | |
CN114972911A (zh) | 自动驾驶感知算法模型的输出数据收集处理方法及设备 | |
CN113255444A (zh) | 图像识别模型的训练方法、图像识别方法和装置 | |
CN112487884A (zh) | 一种交通违法行为检测方法、装置及计算机可读存储介质 | |
CN115165398A (zh) | 车辆的行驶功能测试方法、装置、计算设备及介质 | |
CN113392793A (zh) | 用于识别车道线的方法、装置、设备、存储介质以及无人车 | |
CN112509321A (zh) | 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质 | |
CN111613052B (zh) | 一种交通状况确定方法、装置、电子设备及存储介质 | |
CN117521026A (zh) | 一种基于算法挖掘挑战性场景的方法、装置、设备、介质 | |
CN113192340B (zh) | 高速公路施工车辆的识别方法、装置、设备及存储介质 | |
CN114495049A (zh) | 识别车道线的方法和装置 | |
CN117669845A (zh) | 一种基于挑战性场景提升算法的方法、装置、设备、介质 | |
CN112634610A (zh) | 自然驾驶数据采集方法、装置、电子设备以及存储介质 | |
CN117591847B (zh) | 基于车况数据的模型指向评测方法和装置 | |
CN117593686B (zh) | 基于车况真值数据的模型评测方法和装置 |
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 |