CN111090269A - 基于生成对抗网络的传感器模拟方法、装置和存储介质 - Google Patents
基于生成对抗网络的传感器模拟方法、装置和存储介质 Download PDFInfo
- Publication number
- CN111090269A CN111090269A CN201811245179.1A CN201811245179A CN111090269A CN 111090269 A CN111090269 A CN 111090269A CN 201811245179 A CN201811245179 A CN 201811245179A CN 111090269 A CN111090269 A CN 111090269A
- Authority
- CN
- China
- Prior art keywords
- data
- real
- sensor
- parameters
- input
- 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
Images
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
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0256—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults injecting test signals and analyzing monitored process response, e.g. injecting the test signal while interrupting the normal operation of the monitored system; superimposing the test signal onto a control signal during normal operation of the monitored system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提出一种基于生成对抗网络的传感器模拟方法、装置和存储介质。该方法包括:将模拟传感器数据和模拟场景数据输入生成器,以获得包含噪声的生成传感器数据;合并所述生成传感器数据和所述模拟场景数据,以获得第一输入数据;合并真实传感器数据和真实场景数据,以获得第二输入数据;将第一输入数据和第二输入数据分别输入判别器;如果所述判别器能够区分第一输入数据与第二输入数据,则调整所述生成器的参数后,重新执行生成器输入步骤和判别器输入步骤,直至所述判别器无法区分第一输入数据与第二输入数据。本发明实施例可以提高仿真环境的真实度和仿真测试的准确性。
Description
技术领域
本发明涉及自动驾驶仿真技术领域,尤其涉及一种基于生成对抗网络的传感器模拟方法、装置和存储介质。
背景技术
从统计学意义上来讲,自动驾驶车辆需要在完备路网行驶2亿英里才能保证其性能超越人类,这种目标在实际场景中是难以实现的。通过仿真才能加速实现这一目标。在现实世界中,传感器采集到的数据是包含噪声的。但在仿真场景中,传感器往往输出的是不包含噪声的完美数据,因此,会缺少真实度。
发明内容
本发明实施例提供一种基于生成对抗网络的传感器模拟方法、装置和存储介质,以解决现有技术中的一个或多个技术问题。
第一方面,本发明实施例提供了一种基于生成对抗网络的传感器模拟方法,包括:
将模拟传感器数据和模拟场景数据输入生成器,以获得包含噪声的生成传感器数据;
合并所述生成传感器数据和所述模拟场景数据,以获得第一输入数据;合并真实传感器数据和真实场景数据,以获得第二输入数据;将所述第一输入数据和所述第二输入数据分别输入判别器;
如果所述判别器能够区分所述第一输入数据与所述第二输入数据,则调整所述生成器的参数后,重新执行生成器输入步骤和判别器输入步骤,直至所述判别器无法区分所述第一输入数据与所述第二输入数据。
在一种实施方式中,所述模拟场景数据包括设定的光照参数、设定的天气参数和设定的传感器参数;将模拟传感器数据和模拟场景数据输入生成器,包括:
将所述模拟传感器数据、所述设定的光照参数、所述设定的天气参数和所述设定的传感器参数进行向量叠加;
将叠加后得到的向量输入所述生成器的卷积网络。
在一种实施方式中,合并所述生成传感器数据和所述模拟场景数据,包括:
将所述生成传感器数据、所述设定的光照参数、所述设定的天气参数和所述设定的传感器参数进行向量叠加。
在一种实施方式中,所述真实场景数据包括从真实场景中采集的真实光照参数、真实天气参数和真实传感器参数;合并真实传感器数据和真实场景数据,包括:
将所述真实传感器数据、所述真实光照参数、所述真实天气参数和所述真实传感器参数进行向量叠加。
第二方面,本发明实施例提供了一种基于生成对抗网络的传感器模拟装置,包括:
生成器输入模块,用于将模拟传感器数据和模拟场景数据输入生成器,以获得包含噪声的生成传感器数据;
判别器输入模块,用于合并所述生成传感器数据和所述模拟场景数据,以获得第一输入数据;合并真实传感器数据和真实场景数据,以获得第二输入数据;将所述第一输入数据和所述第二输入数据分别输入判别器;
调整模块,用于如果所述判别器能够区分所述第一输入数据与所述第二输入数据,则调整所述生成器的参数后,控制所述生成器输入模块重新执行生成器输入步骤和控制所述判别器输入模块重新执行判别器输入步骤,直至所述判别器无法区分所述第一输入数据与所述第二输入数据。
在一种实施方式中,所述模拟场景数据包括设定的光照参数、设定的天气参数和设定的传感器参数;所述生成器输入模块包括:
第一向量叠加子模块,用于将所述模拟传感器数据、所述设定的光照参数、所述设定的天气参数和所述设定的传感器参数进行向量叠加;
卷积网络输入子模块,用于将叠加后得到的向量输入所述生成器的卷积网络。
在一种实施方式中,所述判别器输入模块包括:
第二向量叠加子模块,用于将所述生成传感器数据、所述设定的光照参数、所述设定的天气参数和所述设定的传感器参数进行向量叠加。
在一种实施方式中,所述真实场景数据包括从真实场景中采集的真实光照参数、真实天气参数和真实传感器参数;所述判别器输入模块包括:
第三向量叠加子模块,用于将所述真实传感器数据、所述真实光照参数、所述真实天气参数和所述真实传感器参数进行向量叠加。
第三方面,本发明实施例提供了一种基于生成对抗网络的传感器模拟装置,所述装置的功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中,所述装置的结构中包括处理器和存储器,所述存储器用于存储支持所述装置执行上述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。所述装置还可以包括通信接口,用于与其他设备或通信网络通信。
第四方面,本发明实施例提供了一种计算机可读存储介质,用于存储基于生成对抗网络的传感器模拟装置所用的计算机软件指令,其包括用于执行上述方法所涉及的程序。
上述技术方案可以为模拟(仿真)环境中的传感器增加依据场景生成的符合现实世界的噪声模拟,进而提高模拟环境的真实度和自动驾驶仿真测试的准确性。
上述概述仅仅是为了说明书的目的,并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外,通过参考附图和以下的详细描述,本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本发明公开的一些实施方式,而不应将其视为是对本发明范围的限制。
图1示出了根据本发明实施例的基于生成对抗网络的传感器模拟方法的流程图。
图2示出了根据本发明实施例的一种实施方式的基于生成对抗网络的传感器模拟方法的应用示意图。
图3示出了根据本发明实施例的另一种实施方式的基于生成对抗网络的传感器模拟方法的应用示意图。
图4示出了根据本发明实施例的基于生成对抗网络的传感器模拟装置的结构框图。
图5示出了根据本发明实施例的基于生成对抗网络的传感器模拟装置的结构框图。
具体实施方式
在下文中,仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样,在不脱离本发明的精神或范围的情况下,可通过各种不同方式修改所描述的实施例。因此,附图和描述被认为本质上是示例性的而非限制性的。
图1示出了根据本发明实施例的基于生成对抗网络的传感器模拟方法的流程图。如图1所示,该方法可以包括以下步骤:
步骤S100,将模拟传感器数据和模拟场景数据输入生成器,以获得包含噪声的生成传感器数据;
步骤S200,合并所述生成传感器数据和所述模拟场景数据,以获得第一输入数据;合并真实传感器数据和真实场景数据,以获得第二输入数据;将所述第一输入数据和所述第二输入数据分别输入判别器;
步骤S300,如果所述判别器能够区分所述第一输入数据与所述第二输入数据,则调整所述生成器的参数后,重新执行步骤S100和步骤S200,直至所述判别器无法区分所述第一输入数据与所述第二输入数据。
在自动驾驶仿真测试时,需要为测试车辆提供模拟(仿真)环境。模拟环境可以包括模拟场景以及与模拟场景对应的传感器数据。利用模拟器(simulator)可以生成模拟传感器数据,以为对应的模拟场景添加传感器数据。但是,基于模拟器获得的模拟传感器数据通常是不包含噪声的完美数据,与现实世界差别较大。
为了提高模拟(仿真)环境的真实度,可以基于生成对抗网络(GAN,GenerativeAdversarial Networks)为模拟传感器数据添加噪声,以生产包含噪声的生成传感器数据。其中,GAN是一种深度学习模型,通常包括生成器(Generator)和判别器(Discriminator)。
在一种示例中,如图2所示,可以将模拟(仿真)场景数据和模拟器产生的传感器数据输入生成器;生成器根据其自身定义的参数,可以随机产生生成传感器数据。
进一步地,可以基于词语转向量(word2vec,word to vector)模型,将生成传感器数据转化为第一向量;将与生成传感器数据相对应的模拟场景数据转化为第二向量;将真实场景数据转化为第三向量;将在真实场景数据中采集到的传感器数据转化为第四向量。叠加第一向量和第二向量,进而获得第一输入数据;叠加第三向量和第四向量,进而获得第二输入数据(真实数据)。
进一步地,将第一输入数据和第二输入数据分别输入判别器;判别器根据其定义的参数,区分第一输入数据和第二输入数据,进而输出判别值。判别值的取值范围可以为[0,1],即通过0到1之间的数据来表征第一输入数据是否接近第二输入数据。
例如:判别器输出判别值接近0或1,表征判别器能够区分第一输入数据和第二输入数据,即第一输入数据不是真实的;判别器输出判别值接近0.5,表征判别器无法区分第一输入数据和第二输入数据,即第一输入数据是真实的。其中,判别器输出的判别值越趋向于0或1,表征第一输入数据与第二输入数据之间的区别越大。
本发明实施例中,可以将模拟场景数据和模拟器产生的传感器数据输入生成器至得到判别值为一轮迭代过程。在第一轮迭代过程中,判别器输出的判别值可能在0或1附近,即第一输入数据不是真实的,则调整生成器和判别器的参数,进入第二轮迭代过程。
在经过多轮调整参数和迭代过程后,判别器输出判别值在0.5附近,说明判别器已无法区分第一输入数据和第二输入数据,则认为此时的生成器所输出的生成传感器数据是真实的。
本发明实施例,基于GAN可以为模拟传感器数据添加模拟噪声,以生成逼真的传感器数据,进而提高仿真环境的真实度。
在一种可能的实现方式中,如图3所示,模拟场景数据可以包括设定的光照参数、设定的天气参数和设定的传感器参数;真实场景数据可以包括从真实场景中采集的真实光照参数、真实天气参数和真实传感器参数。
本实施例中,生成器可以采用卷积网络(CNN,Convolution Neural Network)。可以基于word2vec模型,将模拟传感器数据、设定的光照参数、设定的天气参数和设定的传感器参数分别转换为向量,并进行向量叠加;将叠加后得到的向量输入生成器的卷积网络,生成器根据自身定义的参数输出生成传感器数据。
进一步地,可以基于word2vec模型,将生成传感器数据、设定的光照参数、设定的天气参数和设定的传感器参数分别转换为向量,并进行向量叠加,以获得第一输入数据。另外,可以基于word2vec模型,将真实光照参数、真实天气参数、真实传感器参数和在真实场景中采集的真实传感器数据分别转换为向量,并进行向量叠加,以获得第二输入数据。
本发明实施例,基于GAN为模拟环境中的传感器数据增加与其对应的场景数据生成的符合现实世界的模拟噪声,以生成真实的包含噪声的传感器数据,从而提高模拟环境的真实度,进而可以提高自动驾驶仿真测试的准确性。
图4示出了根据本发明实施例的基于生成对抗网络的传感器模拟装置的结构框图。如图4所示,该装置可以包括:
生成器输入模块100,用于将模拟传感器数据和模拟场景数据输入生成器,以获得包含噪声的生成传感器数据;
判别器输入模块200,用于合并所述生成传感器数据和所述模拟场景数据,以获得第一输入数据;合并真实传感器数据和真实场景数据,以获得第二输入数据;将所述第一输入数据和所述第二输入数据分别输入判别器;
调整模块300,用于如果所述判别器能够区分所述第一输入数据与所述第二输入数据,则调整所述生成器的参数后,控制所述生成器输入模块重新执行生成器输入步骤和控制所述判别器输入模块重新执行判别器输入步骤,直至所述判别器无法区分所述第一输入数据与所述第二输入数据。
在一种可能的实现方式中,所述模拟场景数据包括设定的光照参数、设定的天气参数和设定的传感器参数;生成器输入模块100可以包括:
第一向量叠加子模块,用于将所述模拟传感器数据、所述设定的光照参数、所述设定的天气参数和所述设定的传感器参数进行向量叠加;
卷积网络输入子模块,用于将叠加后得到的向量输入所述生成器的卷积网络。
在一种可能的实现方式中,判别器输入模块200可以包括:
第二向量叠加子模块,用于将所述生成传感器数据、所述设定的光照参数、所述设定的天气参数和所述设定的传感器参数进行向量叠加。
在一种可能的实现方式中,所述真实场景数据包括从真实场景中采集的真实光照参数、真实天气参数和真实传感器参数;判别器输入模块200可以包括:
第三向量叠加子模块,用于将所述真实传感器数据、所述真实光照参数、所述真实天气参数和所述真实传感器参数进行向量叠加。
本发明实施例各装置中的各模块的功能可以参见上述方法中的对应描述,在此不再赘述。
图5示出了根据本发明实施例的基于生成对抗网络的传感器模拟装置的结构框图。如图5所示,该装置包括:存储器910和处理器920,存储器910内存储有可在处理器920上执行的计算机程序。所述处理器920执行所述计算机程序时实现上述实施例中的基于生成对抗网络的传感器模拟方法。所述存储器910和处理器920的数量可以为一个或多个。
该装置还包括:
通信接口930,用于与外界设备进行通信,进行数据交互传输。
存储器910可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器910、处理器920和通信接口930独立实现,则存储器910、处理器920和通信接口930可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(ISA,Industry Standard Architecture)总线、外部设备互连(PCI,PeripheralComponent Interconnect)总线或扩展工业标准体系结构(EISA,Extended IndustryStandard Component)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器910、处理器920及通信接口930集成在一块芯片上,则存储器910、处理器920及通信接口930可以通过内部接口完成相互间的通信。
本发明实施例提供了一种计算机可读存储介质,其存储有计算机程序,该程序被处理器执行时实现上述实施例中任一所述的方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”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。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器,磁盘或光盘等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于生成对抗网络的传感器模拟方法,其特征在于,包括:
将模拟传感器数据和模拟场景数据输入生成器,以获得包含噪声的生成传感器数据;
合并所述生成传感器数据和所述模拟场景数据,以获得第一输入数据;合并真实传感器数据和真实场景数据,以获得第二输入数据;将所述第一输入数据和所述第二输入数据分别输入判别器;
如果所述判别器能够区分所述第一输入数据与所述第二输入数据,则调整所述生成器的参数后,重新执行生成器输入步骤和判别器输入步骤,直至所述判别器无法区分所述第一输入数据与所述第二输入数据。
2.根据权利要求1所述的方法,其特征在于,所述模拟场景数据包括设定的光照参数、设定的天气参数和设定的传感器参数;将模拟传感器数据和模拟场景数据输入生成器,包括:
将所述模拟传感器数据、所述设定的光照参数、所述设定的天气参数和所述设定的传感器参数进行向量叠加;
将叠加后得到的向量输入所述生成器的卷积网络。
3.根据权利要求2所述的方法,其特征在于,合并所述生成传感器数据和所述模拟场景数据,包括:
将所述生成传感器数据、所述设定的光照参数、所述设定的天气参数和所述设定的传感器参数进行向量叠加。
4.根据权利要求1所述的方法,其特征在于,所述真实场景数据包括从真实场景中采集的真实光照参数、真实天气参数和真实传感器参数;合并真实传感器数据和真实场景数据,包括:
将所述真实传感器数据、所述真实光照参数、所述真实天气参数和所述真实传感器参数进行向量叠加。
5.一种基于生成对抗网络的传感器模拟装置,其特征在于,包括:
生成器输入模块,用于将模拟传感器数据和模拟场景数据输入生成器,以获得包含噪声的生成传感器数据;
判别器输入模块,用于合并所述生成传感器数据和所述模拟场景数据,以获得第一输入数据;合并真实传感器数据和真实场景数据,以获得第二输入数据;将所述第一输入数据和所述第二输入数据分别输入判别器;
调整模块,用于如果所述判别器能够区分所述第一输入数据与所述第二输入数据,则调整所述生成器的参数后,控制所述生成器输入模块重新执行生成器输入步骤和控制所述判别器输入模块重新执行判别器输入步骤,直至所述判别器无法区分所述第一输入数据与所述第二输入数据。
6.根据权利要求5所述的装置,其特征在于,所述模拟场景数据包括设定的光照参数、设定的天气参数和设定的传感器参数;所述生成器输入模块包括:
第一向量叠加子模块,用于将所述模拟传感器数据、所述设定的光照参数、所述设定的天气参数和所述设定的传感器参数进行向量叠加;
卷积网络输入子模块,用于将叠加后得到的向量输入所述生成器的卷积网络。
7.根据权利要求6所述的装置,其特征在于,所述判别器输入模块包括:
第二向量叠加子模块,用于将所述生成传感器数据、所述设定的光照参数、所述设定的天气参数和所述设定的传感器参数进行向量叠加。
8.根据权利要求5所述的装置,其特征在于,所述真实场景数据包括从真实场景中采集的真实光照参数、真实天气参数和真实传感器参数;所述判别器输入模块包括:
第三向量叠加子模块,用于将所述真实传感器数据、所述真实光照参数、所述真实天气参数和所述真实传感器参数进行向量叠加。
9.一种基于生成对抗网络的传感器模拟装置,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至4中任一项所述的方法。
10.一种计算机可读存储介质,其存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811245179.1A CN111090269B (zh) | 2018-10-24 | 2018-10-24 | 基于生成对抗网络的传感器模拟方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811245179.1A CN111090269B (zh) | 2018-10-24 | 2018-10-24 | 基于生成对抗网络的传感器模拟方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111090269A true CN111090269A (zh) | 2020-05-01 |
CN111090269B CN111090269B (zh) | 2023-06-09 |
Family
ID=70391707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811245179.1A Active CN111090269B (zh) | 2018-10-24 | 2018-10-24 | 基于生成对抗网络的传感器模拟方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111090269B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114694449A (zh) * | 2020-12-25 | 2022-07-01 | 华为技术有限公司 | 一种生成车辆交通场景的方法和装置、训练方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106896909A (zh) * | 2015-12-30 | 2017-06-27 | 昶洧新能源汽车发展有限公司 | 利用虚拟现实***的远程驾驶 |
US20170365038A1 (en) * | 2016-06-16 | 2017-12-21 | Facebook, Inc. | Producing Higher-Quality Samples Of Natural Images |
CN108170889A (zh) * | 2017-11-28 | 2018-06-15 | 北京天地玛珂电液控制***有限公司 | 一种液压支架控制器软件的仿真测试方法和*** |
CN108226892A (zh) * | 2018-03-27 | 2018-06-29 | 天津大学 | 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 |
CN108495110A (zh) * | 2018-01-19 | 2018-09-04 | 天津大学 | 一种基于生成式对抗网络的虚拟视点图像生成方法 |
CN108564129A (zh) * | 2018-04-24 | 2018-09-21 | 电子科技大学 | 一种基于生成对抗网络的轨迹数据分类方法 |
-
2018
- 2018-10-24 CN CN201811245179.1A patent/CN111090269B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106896909A (zh) * | 2015-12-30 | 2017-06-27 | 昶洧新能源汽车发展有限公司 | 利用虚拟现实***的远程驾驶 |
US20170365038A1 (en) * | 2016-06-16 | 2017-12-21 | Facebook, Inc. | Producing Higher-Quality Samples Of Natural Images |
CN108170889A (zh) * | 2017-11-28 | 2018-06-15 | 北京天地玛珂电液控制***有限公司 | 一种液压支架控制器软件的仿真测试方法和*** |
CN108495110A (zh) * | 2018-01-19 | 2018-09-04 | 天津大学 | 一种基于生成式对抗网络的虚拟视点图像生成方法 |
CN108226892A (zh) * | 2018-03-27 | 2018-06-29 | 天津大学 | 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 |
CN108564129A (zh) * | 2018-04-24 | 2018-09-21 | 电子科技大学 | 一种基于生成对抗网络的轨迹数据分类方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114694449A (zh) * | 2020-12-25 | 2022-07-01 | 华为技术有限公司 | 一种生成车辆交通场景的方法和装置、训练方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111090269B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108694369B (zh) | 基于图形图像来预测多个姿势 | |
CN111091739B (zh) | 自动驾驶场景的生成方法、装置和存储介质 | |
CN108416327B (zh) | 一种目标检测方法、装置、计算机设备及可读存储介质 | |
JP6855535B2 (ja) | シミュレーションデータの最適化方法、装置、記憶媒体及びプログラム | |
CN109255181B (zh) | 一种基于多模型的障碍物分布仿真方法、装置以及终端 | |
CN111079533B (zh) | 无人车驾驶决策方法、无人车驾驶决策装置及无人车 | |
CN108876847B (zh) | 图像定位方法、装置、***和存储介质 | |
CN111753862B (zh) | 训练神经网络模型的方法及装置、图像识别方法 | |
CN109961509B (zh) | 三维地图的生成及模型训练方法、装置及电子设备 | |
KR102491057B1 (ko) | 이미지 변환 장치 및 방법 | |
CN116894394A (zh) | 一种自动驾驶测试场景的生成方法及相关设备 | |
CN116227620A (zh) | 用于确定相似场景的方法、训练方法和训练控制器 | |
CN112147973A (zh) | 检验***、选择真实测试和测试***的方法和设备 | |
CN111090269A (zh) | 基于生成对抗网络的传感器模拟方法、装置和存储介质 | |
CN114063476A (zh) | 领航辅助软件在环仿真测试方法、***、设备及存储介质 | |
CN111159833A (zh) | 无人驾驶车辆算法的评估的方法和装置 | |
CN116127854B (zh) | 一种自动驾驶虚拟测试场景生成方法、***及设备 | |
CN111091581B (zh) | 基于生成对抗网络的行人轨迹模拟方法、装置和存储介质 | |
CN111354374A (zh) | 语音处理方法、模型训练方法及电子设备 | |
CN115035565A (zh) | 仿视觉皮层的多尺度小目标检测方法、装置及设备 | |
CN112329736B (zh) | 人脸识别方法及金融*** | |
CN111175055B (zh) | 自动驾驶分布式协同仿真方法、装置以及终端 | |
CN110308724B (zh) | 自动驾驶控制方法、装置、车辆、存储介质及电子设备 | |
CN112784866A (zh) | 生成用于机器学习***的训练数据 | |
CN115099401B (zh) | 基于世界建模的持续学习框架的学习方法、装置及设备 |
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 |