CN112163280A - 一种自动驾驶场景的模拟方法、装置、设备以及存储介质 - Google Patents

一种自动驾驶场景的模拟方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN112163280A
CN112163280A CN202011171275.3A CN202011171275A CN112163280A CN 112163280 A CN112163280 A CN 112163280A CN 202011171275 A CN202011171275 A CN 202011171275A CN 112163280 A CN112163280 A CN 112163280A
Authority
CN
China
Prior art keywords
automatic driving
particle
distance
determining
driving scene
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
Application number
CN202011171275.3A
Other languages
English (en)
Other versions
CN112163280B (zh
Inventor
宋科科
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202011171275.3A priority Critical patent/CN112163280B/zh
Publication of CN112163280A publication Critical patent/CN112163280A/zh
Application granted granted Critical
Publication of CN112163280B publication Critical patent/CN112163280B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种自动驾驶场景的模拟方法、装置、设备以及存储介质。通过获取自动驾驶对象发出的目标射线；然后确定目标射线相对于障碍粒子的反射概率；并基于反射概率与第一随机数的数值关系确定遮挡信息；当遮挡信息指示目标射线被障碍粒子遮挡时，则基于第二随机数确定自动驾驶对象与障碍粒子之间的第一距离；并根据第一距离确定障碍粒子在自动驾驶场景中的位置，以模拟天气状态。从而实现自动驾驶场景的动态模拟过程，由于障碍粒子的设定位置由自动驾驶对象发出的目标射线动态设定，提高了自动驾驶场景中模拟天气状态的准确性。

Description

一种自动驾驶场景的模拟方法、装置、设备以及存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种自动驾驶场景的模拟方法、装置、设备以及存储介质。
背景技术
自动驾驶技术包括了高精地图、环境感知、行为决策、路径规划、运动控制等技术，有着广泛的应用前景。而在对自动驾驶进行测试的过程中，自动驾驶仿真结果的可信性与仿真环境是否与现实环境相近有着紧密的联系。
自动驾驶仿真的过程涉及道路场景的模拟，而在道路场景的模拟过程中往往需要考虑天气状态，以提高模拟场景的真实性。对于天气状态的模拟过程可以采用随机噪声模型，例如对于雪花的模拟过程，采用随机噪声模型使得雪花均匀的分布在自动驾驶场景中。
但是，在实际场景中雪花的分布并非完全均匀的，从而采用随机噪声模型的模拟场景与实际场景的差异较大，影响自动驾驶场景中天气状态模拟的准确性。
发明内容
有鉴于此，本申请提供一种自动驾驶场景的模拟方法，可以有效提高自动驾驶场景中天气状态模拟的准确性。
本申请第一方面提供一种自动驾驶场景的模拟方法，可以应用于终端设备中包含自动驾驶场景的模拟功能的***或程序中，具体包括：
获取自动驾驶场景中自动驾驶对象发出的目标射线；
确定所述目标射线相对于障碍粒子的反射概率，所述反射概率与所述目标射线在所述自动驾驶场景中传播的距离相关，所述障碍粒子对应于所述自动驾驶场景中的天气状态；
基于所述反射概率与第一随机数的数值关系确定遮挡信息；
若所述遮挡信息指示所述目标射线被所述障碍粒子遮挡，则基于第二随机数确定所述自动驾驶对象与所述障碍粒子之间的第一距离，所述第二随机数选自基于所述第一随机数确定的数值范围，所述第二随机数的数值小于所述第一随机数的数值；
根据所述第一距离确定所述障碍粒子在所述自动驾驶场景中的位置，以在所述自动驾驶场景中模拟所述天气状态。
可选的，在本申请一些可能的实现方式中，所述确定所述目标射线相对于障碍粒子的反射概率，包括：
确定所述自动驾驶场景中所述障碍粒子的粒子量；
将所述粒子量输入反射概率模型，以得到所述反射概率，所述反射概率模型基于所述目标射线到所述自动驾驶场景中障碍物的第二距离设定。
可选的，在本申请一些可能的实现方式中，所述将所述粒子量输入反射概率模型，以得到所述反射概率，包括：
获取所述自动驾驶场景中的标定参照物；
基于所述标定参照物确定所述反射概率模型的标定系数；
根据所述标定系数确定所述反射概率模型；
将所述粒子量输入所述反射概率模型，以得到所述反射概率。
可选的，在本申请一些可能的实现方式中，所述方法还包括：
基于所述反射概率模型确定所述反射概率为目标值时对应的目标距离；
根据所述目标距离对所述第二距离进行筛选。
可选的，在本申请一些可能的实现方式中，所述方法还包括：
获取所述自动驾驶对象的位置信息；
确定所述自动驾驶对象在所述自动驾驶场景中的路面环境模型；
将所述位置信息输入所述路面环境模型，以得到粒子变化量，所述路面环境模型基于所述自动驾驶场景中所述障碍粒子的累积量设定；
根据所述粒子变化量对所述粒子量进行更新。
可选的，在本申请一些可能的实现方式中，所述确定所述自动驾驶对象在所述自动驾驶场景中的路面环境模型，包括：
确定所述自动驾驶对象的目标部件；
基于所述目标部件分别调用对应的路面环境模型，所述目标部件对应的路面环境模型的标定参数不同。
可选的，在本申请一些可能的实现方式中，所述方法还包括：
确定所述自动驾驶对象在所述自动驾驶场景中的行驶方向；
基于所述行驶方向对所述路面环境模型的标定参数进行调整，以匹配所述目标部件。
可选的，在本申请一些可能的实现方式中，所述方法还包括：
获取所述自动驾驶场景中的环境参数；
基于所述环境参数对所述路面环境模型进行标定，以对所述标定参数进行更新。
可选的，在本申请一些可能的实现方式中，所述方法还包括：
获取所述自动驾驶场景中所述自动驾驶对象的拥堵信息；
基于所述拥堵信息对所述环境参数进行调整。
可选的，在本申请一些可能的实现方式中，所述基于第二随机数确定所述自动驾驶对象与所述障碍粒子之间的第一距离，包括：
调用所述自动驾驶场景对应的距离模型；
将所述第二随机数输入所述距离模型，以确定确定所述自动驾驶对象与所述障碍粒子之间的第一距离。
可选的，在本申请一些可能的实现方式中，所述方法还包括：
若所述遮挡信息指示所述目标射线未被所述障碍粒子遮挡，则检测所述目标射线的返回时间；
基于所述返回时间确定所述自动驾驶对象与障碍物之间的距离。
可选的，在本申请一些可能的实现方式中，所述目标射线由激光雷达发射所得，所述障碍粒子为雪花，所述天气状态为下雪天气。
本申请第二方面提供一种自动驾驶场景的模拟装置，包括：获取单元，用于获取自动驾驶场景中自动驾驶对象发出的目标射线；
确定单元，用于确定所述目标射线相对于障碍粒子的反射概率，所述反射概率与所述目标射线在所述自动驾驶场景中传播的距离相关，所述障碍粒子对应于所述自动驾驶场景中的天气状态；
所述确定单元，还用于基于所述反射概率与第一随机数的数值关系确定遮挡信息；
计算单元，用于若所述遮挡信息指示所述目标射线被所述障碍粒子遮挡，则基于第二随机数确定所述自动驾驶对象与所述障碍粒子之间的第一距离，所述第二随机数选自基于所述第一随机数确定的数值范围，所述第二随机数的数值小于所述第一随机数的数值；
模拟单元，用于根据所述第一距离确定所述障碍粒子在所述自动驾驶场景中的位置，以在所述自动驾驶场景中模拟所述天气状态。
可选的，在本申请一些可能的实现方式中，所述确定单元，具体用于确定所述自动驾驶场景中所述障碍粒子的粒子量；
所述确定单元，具体用于将所述粒子量输入反射概率模型，以得到所述反射概率，所述反射概率模型基于所述目标射线到所述自动驾驶场景中障碍物的第二距离设定。
可选的，在本申请一些可能的实现方式中，所述确定单元，具体用于获取所述自动驾驶场景中的标定参照物；
所述确定单元，具体用于基于所述标定参照物确定所述反射概率模型的标定系数；
所述确定单元，具体用于根据所述标定系数确定所述反射概率模型；
所述确定单元，具体用于将所述粒子量输入所述反射概率模型，以得到所述反射概率。
可选的，在本申请一些可能的实现方式中，所述确定单元，具体用于基于所述反射概率模型确定所述反射概率为目标值时对应的目标距离；
所述确定单元，具体用于根据所述目标距离对所述第二距离进行筛选。
可选的，在本申请一些可能的实现方式中，所述确定单元，具体用于获取所述自动驾驶对象的位置信息；
所述确定单元，具体用于确定所述自动驾驶对象在所述自动驾驶场景中的路面环境模型；
所述确定单元，具体用于将所述位置信息输入所述路面环境模型，以得到粒子变化量，所述路面环境模型基于所述自动驾驶场景中所述障碍粒子的累积量设定；
所述确定单元，具体用于根据所述粒子变化量对所述粒子量进行更新。
可选的，在本申请一些可能的实现方式中，所述确定单元，具体用于确定所述自动驾驶对象的目标部件；
所述确定单元，具体用于基于所述目标部件分别调用对应的路面环境模型，所述目标部件对应的路面环境模型的标定参数不同。
可选的，在本申请一些可能的实现方式中，所述确定单元，具体用于确定所述自动驾驶对象在所述自动驾驶场景中的行驶方向；
所述确定单元，具体用于基于所述行驶方向对所述路面环境模型的标定参数进行调整，以匹配所述目标部件。
可选的，在本申请一些可能的实现方式中，所述确定单元，具体用于获取所述自动驾驶场景中的环境参数；
所述确定单元，具体用于基于所述环境参数对所述路面环境模型进行标定，以对所述标定参数进行更新。
可选的，在本申请一些可能的实现方式中，所述确定单元，具体用于获取所述自动驾驶场景中所述自动驾驶对象的拥堵信息；
所述确定单元，具体用于基于所述拥堵信息对所述环境参数进行调整。
可选的，在本申请一些可能的实现方式中，所述计算单元，具体用于调用所述自动驾驶场景对应的距离模型；
所述计算单元，具体用于将所述第二随机数输入所述距离模型，以确定确定所述自动驾驶对象与所述障碍粒子之间的第一距离。
可选的，在本申请一些可能的实现方式中，所述模拟单元，具体用于若所述遮挡信息指示所述目标射线未被所述障碍粒子遮挡，则检测所述目标射线的返回时间；
所述模拟单元，具体用于基于所述返回时间确定所述自动驾驶对象与障碍物之间的距离。
本申请第三方面提供一种计算机设备，包括：存储器、处理器以及总线***；所述存储器用于存储程序代码；所述处理器用于根据所述程序代码中的指令执行上述第一方面或第一方面任一项所述的自动驾驶场景的模拟方法。
本申请第四方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面或第一方面任一项所述的自动驾驶场景的模拟方法。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述第一方面或者第一方面的各种可选实现方式中提供的自动驾驶场景的模拟方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
通过获取自动驾驶场景中自动驾驶对象发出的目标射线；然后确定目标射线相对于障碍粒子的反射概率，反射概率与目标射线在自动驾驶场景中传播的距离相关，障碍粒子对应于自动驾驶场景中的天气状态；并基于反射概率与第一随机数的数值关系确定遮挡信息；当遮挡信息指示目标射线被障碍粒子遮挡时，则基于第二随机数确定自动驾驶对象与障碍粒子之间的第一距离，第二随机数基于由第一随机数确定的数值范围所得，第二随机数的数值小于第一随机数的数值；进一步的根据第一距离确定障碍粒子在自动驾驶场景中的位置，以在自动驾驶场景中模拟天气状态。从而实现自动驾驶场景的动态模拟过程，由于障碍粒子的设定位置由自动驾驶对象发出的目标射线动态设定，使得障碍粒子可以准确的融入自动驾驶场景中，提高了自动驾驶场景中模拟天气状态的准确性。
附图说明
为了更清楚地说明本申请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，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为自动驾驶场景的模拟***运行的网络架构图；
图2为本申请实施例提供的一种自动驾驶场景的模拟的流程架构图；
图3为本申请实施例提供的一种自动驾驶场景的模拟方法的流程图；
图4为本申请实施例提供的一种自动驾驶场景的模拟方法的场景示意图；
图5为本申请实施例提供的另一种自动驾驶场景的模拟方法的场景示意图；
图6为本申请实施例提供的一种自动驾驶场景的模拟方法的场景流程示意图；
图7为本申请实施例提供的另一种自动驾驶场景的模拟方法的流程图；
图8为本申请实施例提供的另一种自动驾驶场景的模拟方法的场景流程示意图；
图9为本申请实施例提供的另一种自动驾驶场景的模拟方法的场景示意图；
图10为本申请实施例提供的一种自动驾驶场景的模拟装置的结构示意图；
图11为本申请实施例提供的一种终端设备的结构示意图；
图12为本申请实施例提供的一种服务器的结构示意图。
具体实施方式
本申请实施例提供了一种自动驾驶场景的模拟方法、装置、设备以及存储介质，可以应用于终端设备中包含自动驾驶场景的模拟功能的***或程序中，通过获取自动驾驶场景中自动驾驶对象发出的目标射线；然后确定目标射线相对于障碍粒子的反射概率，反射概率与目标射线在自动驾驶场景中传播的距离相关，障碍粒子对应于自动驾驶场景中的天气状态；并基于反射概率与第一随机数的数值关系确定遮挡信息；当遮挡信息指示目标射线被障碍粒子遮挡时，则基于第二随机数确定自动驾驶对象与障碍粒子之间的第一距离，第二随机数基于由第一随机数确定的数值范围所得，第二随机数的数值小于第一随机数的数值；进一步的根据第一距离确定障碍粒子在自动驾驶场景中的位置，以在自动驾驶场景中模拟天气状态。从而实现自动驾驶场景的动态模拟过程，由于障碍粒子的设定位置由自动驾驶对象发出的目标射线动态设定，使得障碍粒子可以准确的融入自动驾驶场景中，提高了自动驾驶场景中模拟天气状态的准确性。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“对应于”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，对本申请实施例中可能出现的一些名词进行解释。
激光雷达：从用途上可分为遥感、军用和车载，遥感和军用计算雷达发射功率远大于车载激光雷达，能够识别长距离目标的距离和形状等物理属性。其中，遥感和军用激光雷达的可调节参数众多，激光雷达的仿真模型覆盖了激光雷达的多个物理参数，比如波长、脉宽、能量、光束大小、大气传输、目标物理属性等，而且受天气干扰因素少。而车载激光雷达探测距离只有200～500米，而且可识别的物理属性只有距离和反射率，一般用于车辆、机器人等小型机器。
车载激光雷达：通过发射900nm左右波长的光束，在碰撞到障碍物后返回，处理单元根据返回时间差计算障碍物的距离，根据返回光束的横截面情况估算目标的反射率。车载激光雷达由于体积小，集成程度高，几乎没有开放的参数，容易受到天气环境的影响。
应理解，本申请提供的自动驾驶场景的模拟方法可以应用于终端设备中包含自动驾驶场景的模拟功能的***或程序中，例如自动驾驶模拟软件，具体的，自动驾驶场景的模拟***可以运行于如图1所示的网络架构中，如图1所示，是自动驾驶场景的模拟***运行的网络架构图，如图可知，自动驾驶场景的模拟***可以提供与多个信息源的自动驾驶场景的模拟过程，即通过服务器侧进行自动驾驶场景的模拟以及渲染，并发送至终端侧进行显示，以使得用户在自动驾驶场景中进行相关的操作；可以理解的是，图1中示出了多种终端设备，终端设备可以为计算机设备，在实际场景中可以有更多或更少种类的终端设备参与到自动驾驶场景的模拟的过程中，具体数量和种类因实际场景而定，此处不做限定，另外，图1中示出了一个服务器，但在实际场景中，也可以有多个服务器的参与，具体服务器数量因实际场景而定。
本实施例中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式***，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，终端以及服务器可以连接组成区块链网络，本申请在此不做限制。
可以理解的是，上述自动驾驶场景的模拟***可以运行于个人移动终端，例如：作为自动驾驶模拟软件这样的应用，也可以运行于服务器，还可以作为运行于第三方设备以提供自动驾驶场景的模拟，以得到信息源的自动驾驶场景的模拟处理结果；具体的自动驾驶场景的模拟***可以是以一种程序的形式在上述设备中运行，也可以作为上述设备中的***部件进行运行，还可以作为云端服务程序的一种，具体运作模式因实际场景而定，此处不做限定。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
在人工智能技术中，自动驾驶技术的发展尤为迅速。自动驾驶技术包括了高精地图、环境感知、行为决策、路径规划、运动控制等技术，有着广泛的应用前景。而在对自动驾驶进行测试的过程中，自动驾驶仿真结果的可信性与仿真环境是否与现实环境相近有着紧密的联系。
自动驾驶仿真的过程涉及道路场景的模拟，而在道路场景的模拟过程中往往需要考虑天气状态，以提高模拟场景的真实性。对于天气状态的模拟过程可以采用随机噪声模型，例如对于雪花的模拟过程，采用随机噪声模型使得雪花均匀的分布在自动驾驶场景中。
但是，在实际场景中雪花的分布并非完全均匀的，从而采用随机噪声模型的模拟场景与实际场景的差异较大，影响自动驾驶场景中天气状态模拟的准确性。
为了解决上述问题，本申请提出了一种自动驾驶场景的模拟方法，该方法应用于图2所示的自动驾驶场景的模拟的流程框架中，如图2所示，为本申请实施例提供的一种自动驾驶场景的模拟的流程架构图，首先通过自动驾驶对象的激光雷达发射一束激光束，该激光束延直线传播，并判断激光束是否被障碍物遮挡；当打到障碍物(路面、树木或者杆子)上会被返回，激光雷达根据返回的时间差计算障碍物的距离；或被激光束与障碍物之间的障碍粒子遮挡，例如在雪花环境中，障碍粒子为雪花，激光在传播到障碍物的过程中有一定概率被雪花遮挡，由于雪花的反射率非常高，激光在传播过程中很容易被雪花遮挡，从而被提前返回，进而可以根据返回的数据进行雪花对应的天气状态的模拟。
可以理解的是，本申请所提供的方法可以为一种程序的写入，以作为硬件***中的一种处理逻辑，也可以作为一种自动驾驶场景的模拟装置，采用集成或外接的方式实现上述处理逻辑。作为一种实现方式，该自动驾驶场景的模拟装置通过获取自动驾驶场景中自动驾驶对象发出的目标射线；然后确定目标射线相对于障碍粒子的反射概率，反射概率与目标射线在自动驾驶场景中传播的距离相关，障碍粒子对应于自动驾驶场景中的天气状态；并基于反射概率与第一随机数的数值关系确定遮挡信息；当遮挡信息指示目标射线被障碍粒子遮挡时，则基于第二随机数确定自动驾驶对象与障碍粒子之间的第一距离，第二随机数基于由第一随机数确定的数值范围所得，第二随机数的数值小于第一随机数的数值；进一步的根据第一距离确定障碍粒子在自动驾驶场景中的位置，以在自动驾驶场景中模拟天气状态。从而实现自动驾驶场景的动态模拟过程，由于障碍粒子的设定位置由自动驾驶对象发出的目标射线动态设定，使得障碍粒子可以准确的融入自动驾驶场景中，提高了自动驾驶场景中模拟天气状态的准确性。
本申请实施例提供的方案涉及人工智能的自动驾驶技术，具体通过如下实施例进行说明:
结合上述流程架构，下面将对本申请中自动驾驶场景的模拟方法进行介绍，请参阅图3，图3为本申请实施例提供的一种自动驾驶场景的模拟方法的流程图，该管理方法可以是由终端设备执行的，也可以是由服务器执行的，还可以是由终端设备与服务器共同执行的，下面以终端设备执行为例进行说明，本申请实施例至少包括以下步骤：
301、获取自动驾驶场景中自动驾驶对象发出的目标射线。
本实施例中，自动驾驶对象可以是车辆、摩托等交通工具，或一些可以移动的智能设备，此处以车辆为例进行说明。
可以理解的是，自动驾驶场景为自动驾驶仿真软件中的场景，而目标射线可以是由仿真软件中的自动驾驶对象模拟发出的，即向场景中的各个方向进行激光束的发射，从而根据激光束的反射进行场景中相关元素的模拟，由于自动驾驶的场景中的虚拟元素不断的在变化，例如车辆移动的过程，故对应的相关元素的模拟过程也是动态进行的。
在一种可能的场景中，如图4所示，图4为本申请实施例提供的一种自动驾驶场景的模拟方法的场景示意图；图中示出了自动驾驶对象A1，通过自动驾驶对象A1向周围发射激光束，使得激光束与障碍物(路面A2、树木A3、标志牌A4等)相交，或激光束与障碍粒子A5相交而提前返回，基于上述动态模拟的过程，故障碍粒子A5的模拟过程也是动态生成的，可以与自动驾驶场景进行良好的融合。
302、确定目标射线相对于障碍粒子的反射概率。
本实施例中，反射概率与目标射线在自动驾驶场景中传播的距离相关，障碍粒子对应于自动驾驶场景中的天气状态；其中，障碍粒子及其对应的天气状态可以是雪花(下雪天气)、灰尘(沙尘暴天气)、落叶(大风天气)等，举例来说，这是由于雪花的反射率高，激光在传播过程中很容易被雪花遮挡，从而被提前返回，故对于反射率高的障碍粒子及其对应的天气状态均被本申请所包含。
可以理解的是，激光在自动驾驶场景中的传播的距离与反射概率之间纯在联系，如图5所示，图5为本申请实施例提供的另一种自动驾驶场景的模拟方法的场景示意图；以障碍粒子为雪花为例，如图5中的(1)所示，由于激光从中心向外发射光线，距离越长，激光越分散，遇到雪花的概率越大。而雪花的分布无论远近，分布都是均匀的，而激光是分散的；故激光发射过程中的概率是累计的，根据空间体积推导，如图5中的(2)所示，单个激光的概率分布符合幂次分布。
具体的，即反射概率的确定过程可以是基于反射概率模型进行的。即首先确定自动驾驶场景中障碍粒子的粒子量；然后将粒子量输入反射概率模型，以得到反射概率，其中反射概率模型基于目标射线到自动驾驶场景中障碍物的第二距离设定。在一种可能的场景中，反射概率模型可以表示为：
I＝a×Db×S
其中，I是被障碍粒子返回的概率；a、b是标定系数；D是障碍物距离，即第二距离；S是粒子量。
对于上述公式，由于不同的自动驾驶场景激光雷达的设定不同，故需要对a、b进行标定，即获取自动驾驶场景中的标定参照物；然后基于标定参照物确定反射概率模型的标定系数；并根据标定系数确定反射概率模型；进而将粒子量输入反射概率模型，以得到反射概率。从而保证反射概率模型与自动驾驶场景的匹配程度，提高了反射概率计算的准确性。
可以选的，由于激光雷达存在最大探测距离或可信探测范围，故对于探测的第二距离可以进行筛选，即首先基于反射概率模型确定反射概率为目标值时对应的目标距离；然后根据目标距离对第二距离进行筛选。例如I＝1时确定了激光雷达的最大探测距离，对于距离大于最大探测距离的数据进行舍去，从而保证了反射概率计算的准确性。
303、基于反射概率与第一随机数的数值关系确定遮挡信息。
本实施例中，第一随机数I1即为用于场景模拟的随机数，以自动生成不同位置的障碍粒子。即仿真软件根据降雪量计算它被雪花遮挡的概率，再根据第一随机数I1和遮挡概率的关系(遮挡信息)，判断该射线是被雪花提前返回还是成功探测到障碍物。其中，遮挡信息为反射概率大于第一随机数则说明目标射线被障碍粒子遮挡，遮挡信息为反射概率小于或等于第一随机数则说明目标射线未被障碍粒子遮挡。
304、若遮挡信息指示目标射线被障碍粒子遮挡，则基于第二随机数确定自动驾驶对象与障碍粒子之间的第一距离。
本实施例中，第二随机数I2(0-1)基于由第一随机数I1确定的数值范围所得，第二随机数I1的数值小于第一随机数的数值；例如I1为0-I2数值范围内的随机数，从而保证计算的距离小于障碍物的距离，I2的数值小于I1的数值，以少量的随机数达到复杂场景模拟的效果。
具体的，在随机得到第二随机数后，可以调用自动驾驶场景对应的距离模型；然后将第二随机数输入距离模型，以确定确定自动驾驶对象与障碍粒子之间的第一距离。
在一种可能的场景中，距离模型可以表示为：
Figure BDA0002747385900000141
其中，I是被障碍粒子返回的概率；a、b是标定系数；D是障碍粒子距离，即第一距离；S是粒子量；即距离模型由反射概率模型变形所得，采用反射概率模型中已得到的参数。通过该公式可根据概率反算出距离，仿真软件用更小的概率计算出障碍粒子的距离，实现不同层次的障碍粒子的模拟。
可选的，对于遮挡信息指示目标射线未被障碍粒子遮挡时，则检测目标射线的返回时间；然后基于返回时间确定自动驾驶对象与障碍物之间的距离，以便于自动驾驶对象进行避险的判断。
305、根据第一距离确定障碍粒子在自动驾驶场景中的位置，以在自动驾驶场景中模拟天气状态。
本实施例中，通过不断的重复第一距离的确定过程，以及不同的随机数的计算，可以得到大量的障碍粒子，且障碍粒子的分布基于自动驾驶对象与障碍物之间的相对关系动态分布，例如雪花的分布，从而可以更好的模拟下雪的场景。
具体的，以下雪天气的模拟为例，图6所示，图6为本申请实施例提供的一种自动驾驶场景的模拟方法的场景流程示意图。即目标射线由激光雷达发射所得，障碍粒子为雪花，天气状态为下雪天气。首先模拟一条射线，从激光雷达向外发射，计算它被雪花遮挡的概率，如果遮挡了就计算雪花的距离和反射率，如果没有遮挡，就计算障碍物的距离。当反射概率模型确定了激光雷达传播过程中被遮挡的概率，其中反射概率模型和距离正相关，传播距离越远，被遮挡概率越大。如果一个激光射线被判定为雪花遮挡，那么需要用距离模型计算它被遮挡的位置。对于随机数的生成过程，仿真算法根据障碍物的距离计算出反射概率，它可能大于1，然后随机出一个数I1(0～1),判断它与反射概率的关系，如果I1大于反射概率，则激光没有被遮挡，否则判定为遮挡。当判定为遮挡后，在0～I1范围内随机出一个数I2，代入距离模型计算出遮挡的距离。从而生成多个不同层次分布的雪花，在自动驾驶场景中进行下雪天气的模拟。
结合上述实施例可知，通过获取自动驾驶场景中自动驾驶对象发出的目标射线；然后确定目标射线相对于障碍粒子的反射概率，反射概率与目标射线在自动驾驶场景中传播的距离相关，障碍粒子对应于自动驾驶场景中的天气状态；并基于反射概率与第一随机数的数值关系确定遮挡信息；当遮挡信息指示目标射线被障碍粒子遮挡时，则基于第二随机数确定自动驾驶对象与障碍粒子之间的第一距离，第二随机数基于由第一随机数确定的数值范围所得，第二随机数的数值小于第一随机数的数值；进一步的根据第一距离确定障碍粒子在自动驾驶场景中的位置，以在自动驾驶场景中模拟天气状态。从而实现自动驾驶场景的动态模拟过程，由于障碍粒子的设定位置由自动驾驶对象发出的目标射线动态设定，使得障碍粒子可以准确的融入自动驾驶场景中，提高了自动驾驶场景中模拟天气状态的准确性。
另外在自动驾驶场景中路面、环境的情况也会对模拟过程产生影响，下面对该场景进行说明。请参阅图7，图7为本申请实施例提供的另一种自动驾驶场景的模拟方法的流程图，本申请实施例至少包括以下步骤：
701、获取自动驾驶场景中自动驾驶对象发出的目标射线；
本实施例中，步骤701的相关特征与图3所示实施例的步骤301相似，此处不做赘述。
702、确定自动驾驶场景中的路面环境情况，以确定粒子变化量。
本实施例中，路面环境情况包括风速情况、道路拥堵情况等，例如风会扬起雪花，由其他车辆行驶经过也会扬起雪花。
具体的，对于路面环境情况对于粒子变化量的影响，可以通过路面环境模型进行表示，即首先获取自动驾驶对象的位置信息；然后确定自动驾驶对象在自动驾驶场景中的路面环境模型；并将位置信息输入路面环境模型，以得到粒子变化量，其中路面环境模型基于自动驾驶场景中障碍粒子的累积量设定；进而根据粒子变化量对粒子量进行更新。
在一种可能的场景中，有积雪情况下，风(自然风+车辆风)扬起的雪，会增强雪花浓度。对于汽车来说，浓度随着车辆的远离，逐渐消散。故路面环境模型可以采用如下公式，以雪花模拟为例进行说明：
Figure BDA0002747385900000161
其中，S’是降雪量增加值，t和p为标定参数，J是积雪量D为到车辆的位置。该路面环境模型是雪花遮挡的进一步补充，它模拟了车辆在行进过程中，周围雪花浓度变大的现象，描述了积雪量和降雪量增强值之间的关系。
可选的，由于车头和车尾的雪花浓度是不一致的，故车头和车尾应该分别标定。故首先确定自动驾驶对象的目标部件(车头、车尾或其他部件)；然后基于目标部件分别调用对应的路面环境模型，目标部件对应的路面环境模型的标定参数不同，从而保证了模拟过程的准确性。
另外，由于车头、车尾的浓度模拟是与行驶方向相关的，即倒车形式时与正常行驶时的雪花浓度影响是不同的，故可以确定自动驾驶对象在自动驾驶场景中的行驶方向；然后基于行驶方向对路面环境模型的标定参数进行调整，以匹配目标部件，从而进一步提高了模拟过程的准确性。
可以理解的是，对于上述公式中的标定参数，可以是与自动驾驶场景相对应的，故可以首先获取自动驾驶场景中的环境参数(例如风速信息)；基于环境参数对路面环境模型进行标定，以对标定参数进行更新。
可选的，由于车辆的拥堵情况也会对雪花浓度产生影响，故还可以获取自动驾驶场景中自动驾驶对象的拥堵信息；基于拥堵信息对环境参数进行调整。例如拥堵信息指示拥堵时，车辆行驶缓慢，需要将雪花浓度调高，从而保证了模拟的准确性。
相较于现有方法直接采用了随机噪声模型，使得仿真结果中包含了大量的随机值，本申请中通过反射概率模型、距离模型以及路面环境模型的接入，以及I1和I2的层次性分布，保证了障碍粒子分布与场景的融合程度，提高了模拟的准确性。
703、基于更新后的粒子量确定目标射线相对于障碍粒子的反射概率。
本实施例中，将步骤702中的S’最终作为反射概率模型中S的增加值，代入并计算，从而得到反射概率。
704、基于反射概率与第一随机数的数值关系确定遮挡信息。
705、若遮挡信息指示目标射线被障碍粒子遮挡，则基于第二随机数确定自动驾驶对象与障碍粒子之间的第一距离。
706、根据第一距离确定障碍粒子在自动驾驶场景中的位置，以在自动驾驶场景中模拟天气状态。
本实施例中，步骤704-706的相关特征与图3所示实施例的步骤303-305相似，此处不做赘述。
在一种可能的场景中，上述反射概率模型、距离模型以及路面环境模型(路面积雪模型)的调用过程如图8所示，图8为本申请实施例提供的另一种自动驾驶场景的模拟方法的场景流程示意图；其中，对于反射概率模型、距离模型的调用过程参见图6的描述，此处不做赘述。而对于路面环境模型的调用，即在用反射概率模型进行计算之间，基于路面环境模型降雪量(粒子量)进行更新，从而保证降雪量模拟的准确性，实现差异性的雪花分布。
另外，上述实施例的模拟场景也可以在车辆终端中进行展示，作为自动驾驶安全员或乘客对于自动驾驶过程的界面展示，如图9所示，图9为本申请实施例提供的另一种自动驾驶场景的模拟方法的场景示意图；由于激光雷达的降雪天气的仿真模型，相比简单的噪声模型，该模型能模拟出更真实的雪天结果，有利于自动驾驶感知算法的全面测试，推动自动驾驶应用的落地。
为了更好的实施本申请实施例的上述方案，下面还提供用于实施上述方案的相关装置。请参阅图10，图10为本申请实施例提供的一种自动驾驶场景的模拟装置的结构示意图，模拟装置1000包括：
获取单元1001，用于获取自动驾驶场景中自动驾驶对象发出的目标射线；
确定单元1002，用于确定所述目标射线相对于障碍粒子的反射概率，所述反射概率与所述目标射线在所述自动驾驶场景中传播的距离相关，所述障碍粒子对应于所述自动驾驶场景中的天气状态；
所述确定单元1002，还用于基于所述反射概率与第一随机数的数值关系确定遮挡信息；
计算单元1003，用于若所述遮挡信息指示所述目标射线被所述障碍粒子遮挡，则基于第二随机数确定所述自动驾驶对象与所述障碍粒子之间的第一距离，所述第二随机数选自基于所述第一随机数确定的数值范围，所述第二随机数的数值小于所述第一随机数的数值；
模拟单元1004，用于根据所述第一距离确定所述障碍粒子在所述自动驾驶场景中的位置，以在所述自动驾驶场景中模拟所述天气状态。
可选的，在本申请一些可能的实现方式中，所述确定单元1002，具体用于确定所述自动驾驶场景中所述障碍粒子的粒子量；
所述确定单元1002，具体用于将所述粒子量输入反射概率模型，以得到所述反射概率，所述反射概率模型基于所述目标射线到所述自动驾驶场景中障碍物的第二距离设定。
可选的，在本申请一些可能的实现方式中，所述确定单元1002，具体用于获取所述自动驾驶场景中的标定参照物；
所述确定单元1002，具体用于基于所述标定参照物确定所述反射概率模型的标定系数；
所述确定单元1002，具体用于根据所述标定系数确定所述反射概率模型；
所述确定单元1002，具体用于将所述粒子量输入所述反射概率模型，以得到所述反射概率。
可选的，在本申请一些可能的实现方式中，所述确定单元1002，具体用于基于所述反射概率模型确定所述反射概率为目标值时对应的目标距离；
所述确定单元1002，具体用于根据所述目标距离对所述第二距离进行筛选。
可选的，在本申请一些可能的实现方式中，所述确定单元1002，具体用于获取所述自动驾驶对象的位置信息；
所述确定单元1002，具体用于确定所述自动驾驶对象在所述自动驾驶场景中的路面环境模型；
所述确定单元1002，具体用于将所述位置信息输入所述路面环境模型，以得到粒子变化量，所述路面环境模型基于所述自动驾驶场景中所述障碍粒子的累积量设定；
所述确定单元1002，具体用于根据所述粒子变化量对所述粒子量进行更新。
可选的，在本申请一些可能的实现方式中，所述确定单元1002，具体用于确定所述自动驾驶对象的目标部件；
所述确定单元1002，具体用于基于所述目标部件分别调用对应的路面环境模型，所述目标部件对应的路面环境模型的标定参数不同。
可选的，在本申请一些可能的实现方式中，所述确定单元1002，具体用于确定所述自动驾驶对象在所述自动驾驶场景中的行驶方向；
所述确定单元1002，具体用于基于所述行驶方向对所述路面环境模型的标定参数进行调整，以匹配所述目标部件。
可选的，在本申请一些可能的实现方式中，所述确定单元1002，具体用于获取所述自动驾驶场景中的环境参数；
所述确定单元1002，具体用于基于所述环境参数对所述路面环境模型进行标定，以对所述标定参数进行更新。
可选的，在本申请一些可能的实现方式中，所述确定单元1002，具体用于获取所述自动驾驶场景中所述自动驾驶对象的拥堵信息；
所述确定单元1002，具体用于基于所述拥堵信息对所述环境参数进行调整。
可选的，在本申请一些可能的实现方式中，所述计算单元1003，具体用于调用所述自动驾驶场景对应的距离模型；
所述计算单元1003，具体用于将所述第二随机数输入所述距离模型，以确定确定所述自动驾驶对象与所述障碍粒子之间的第一距离。
可选的，在本申请一些可能的实现方式中，所述模拟单元1004，具体用于若所述遮挡信息指示所述目标射线未被所述障碍粒子遮挡，则检测所述目标射线的返回时间；
所述模拟单元1004，具体用于基于所述返回时间确定所述自动驾驶对象与障碍物之间的距离。
通过获取自动驾驶场景中自动驾驶对象发出的目标射线；然后确定目标射线相对于障碍粒子的反射概率，反射概率与目标射线在自动驾驶场景中传播的距离相关，障碍粒子对应于自动驾驶场景中的天气状态；并基于反射概率与第一随机数的数值关系确定遮挡信息；当遮挡信息指示目标射线被障碍粒子遮挡时，则基于第二随机数确定自动驾驶对象与障碍粒子之间的第一距离，第二随机数基于由第一随机数确定的数值范围所得，第二随机数的数值小于第一随机数的数值；进一步的根据第一距离确定障碍粒子在自动驾驶场景中的位置，以在自动驾驶场景中模拟天气状态。从而实现自动驾驶场景的动态模拟过程，由于障碍粒子的设定位置由自动驾驶对象发出的目标射线动态设定，使得障碍粒子可以准确的融入自动驾驶场景中，提高了自动驾驶场景中模拟天气状态的准确性。
本申请实施例还提供了一种终端设备，如图11所示，是本申请实施例提供的另一种终端设备的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。该终端可以为包括手机、平板电脑、个人数字助理(personal digital assistant，PDA)、销售终端(point of sales，POS)、车载电脑等任意终端设备，以终端为手机为例：
图11示出的是与本申请实施例提供的终端相关的手机的部分结构的框图。参考图11，手机包括：射频(radio frequency，RF)电路1110、存储器1120、输入单元1130、显示单元1140、传感器1150、音频电路1160、无线保真(wireless fidelity，WiFi)模块1170、处理器1180、以及电源1190等部件。本领域技术人员可以理解，图11中示出的手机结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图11对手机的各个构成部件进行具体的介绍：
RF电路1110可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器1180处理；另外，将设计上行的数据发送给基站。通常，RF电路1110包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(low noiseamplifier，LNA)、双工器等。此外，RF电路1110还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯***(globalsystem of mobile communication，GSM)、通用分组无线服务(general packet radioservice，GPRS)、码分多址(code division multiple access，CDMA)、宽带码分多址(wideband code division multiple access,WCDMA)、长期演进(long term evolution，LTE)、电子邮件、短消息服务(short messaging service，SMS)等。
存储器1120可用于存储软件程序以及模块，处理器1180通过运行存储在存储器1120的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器1120可主要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***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器1120可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元1130可用于接收输入的数字或字符信息，以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地，输入单元1130可包括触控面板1131以及其他输入设备1132。触控面板1131，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1131上或在触控面板1131附近的操作，以及在触控面板1131上一定范围内的隔空触控操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触控面板1131可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器1180，并能接收处理器1180发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1131。除了触控面板1131，输入单元1130还可以包括其他输入设备1132。具体地，其他输入设备1132可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元1140可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元1140可包括显示面板1141，可选的，可以采用液晶显示器(liquidcrystal display，LCD)、有机发光二极管(organic light-emitting diode，OLED)等形式来配置显示面板1141。进一步的，触控面板1131可覆盖显示面板1141，当触控面板1131检测到在其上或附近的触摸操作后，传送给处理器1180以确定触摸事件的类型，随后处理器1180根据触摸事件的类型在显示面板1141上提供相应的视觉输出。虽然在图11中，触控面板1131与显示面板1141是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板1131与显示面板1141集成而实现手机的输入和输出功能。
手机还可包括至少一种传感器1150，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板1141的亮度，接近传感器可在手机移动到耳边时，关闭显示面板1141和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路1160、扬声器1161，传声器1162可提供用户与手机之间的音频接口。音频电路1160可将接收到的音频数据转换后的电信号，传输到扬声器1161，由扬声器1161转换为声音信号输出；另一方面，传声器1162将收集的声音信号转换为电信号，由音频电路1160接收后转换为音频数据，再将音频数据输出处理器1180处理后，经RF电路1110以发送给比如另一手机，或者将音频数据输出至存储器1120以便进一步处理。
WiFi属于短距离无线传输技术，手机通过WiFi模块1170可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图11示出了WiFi模块1170，但是可以理解的是，其并不属于手机的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器1180是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器1120内的软件程序和/或模块，以及调用存储在存储器1120内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器1180可包括一个或多个处理单元；可选的，处理器1180可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作***、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1180中。
手机还包括给各个部件供电的电源1190(比如电池)，可选的，电源可以通过电源管理***与处理器1180逻辑相连，从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。
尽管未示出，手机还可以包括摄像头、蓝牙模块等，在此不再赘述。
在本申请实施例中，该终端所包括的处理器1180还具有执行如上述页面处理方法的各个步骤的功能。
本申请实施例还提供了一种服务器，请参阅图12，图12是本申请实施例提供的一种服务器的结构示意图，该服务器1200可因配置或性能不同而产生比较大的差异，可以包括一个或一个以***处理器(central processing units，CPU)1222(例如，一个或一个以上处理器)和存储器1232，一个或一个以上存储应用程序1242或数据1244的存储介质1230(例如一个或一个以上海量存储设备)。其中，存储器1232和存储介质1230可以是短暂存储或持久存储。存储在存储介质1230的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1222可以设置为与存储介质1230通信，在服务器1200上执行存储介质1230中的一系列指令操作。
服务器1200还可以包括一个或一个以上电源1226，一个或一个以上有线或无线网络接口1250，一个或一个以上输入输出接口1258，和/或，一个或一个以上操作***1241，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
上述实施例中由管理装置所执行的步骤可以基于该图12所示的服务器结构。
本申请实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有自动驾驶场景的模拟指令，当其在计算机上运行时，使得计算机执行如前述图3至图9所示实施例描述的方法中自动驾驶场景的模拟装置所执行的步骤。
本申请实施例中还提供一种包括自动驾驶场景的模拟指令的计算机程序产品，当其在计算机上运行时，使得计算机执行如前述图3至图9所示实施例描述的方法中自动驾驶场景的模拟装置所执行的步骤。
本申请实施例还提供了一种自动驾驶场景的模拟***，所述自动驾驶场景的模拟***可以包含图10所描述实施例中的自动驾驶场景的模拟装置，或图11所描述实施例中的终端设备，或者图12所描述的服务器。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，自动驾驶场景的模拟装置，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (15)

1.一种自动驾驶场景的模拟方法，其特征在于，包括：
获取自动驾驶场景中自动驾驶对象发出的目标射线；
确定所述目标射线相对于障碍粒子的反射概率，所述反射概率与所述目标射线在所述自动驾驶场景中传播的距离相关，所述障碍粒子对应于所述自动驾驶场景中的天气状态；
基于所述反射概率与第一随机数的数值关系确定遮挡信息；
若所述遮挡信息指示所述目标射线被所述障碍粒子遮挡，则基于第二随机数确定所述自动驾驶对象与所述障碍粒子之间的第一距离，所述第二随机数选自基于所述第一随机数确定的数值范围，所述第二随机数的数值小于所述第一随机数的数值；
根据所述第一距离确定所述障碍粒子在所述自动驾驶场景中的位置，以在所述自动驾驶场景中模拟所述天气状态。
2.根据权利要求1所述的方法，其特征在于，所述确定所述目标射线相对于障碍粒子的反射概率，包括：
确定所述自动驾驶场景中所述障碍粒子的粒子量；
将所述粒子量输入反射概率模型，以得到所述反射概率，所述反射概率模型基于所述目标射线到所述自动驾驶场景中障碍物的第二距离设定。
3.根据权利要求2所述的方法，其特征在于，所述将所述粒子量输入反射概率模型，以得到所述反射概率，包括：
获取所述自动驾驶场景中的标定参照物；
基于所述标定参照物确定所述反射概率模型的标定系数；
根据所述标定系数确定所述反射概率模型；
将所述粒子量输入所述反射概率模型，以得到所述反射概率。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
基于所述反射概率模型确定所述反射概率为目标值时对应的目标距离；
根据所述目标距离对所述第二距离进行筛选。
5.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取所述自动驾驶对象的位置信息；
确定所述自动驾驶对象在所述自动驾驶场景中的路面环境模型；
将所述位置信息输入所述路面环境模型，以得到粒子变化量，所述路面环境模型基于所述自动驾驶场景中所述障碍粒子的累积量设定；
根据所述粒子变化量对所述粒子量进行更新。
6.根据权利要求5所述的方法，其特征在于，所述确定所述自动驾驶对象在所述自动驾驶场景中的路面环境模型，包括：
确定所述自动驾驶对象的目标部件；
基于所述目标部件分别调用对应的路面环境模型，所述目标部件对应的路面环境模型的标定参数不同。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
确定所述自动驾驶对象在所述自动驾驶场景中的行驶方向；
基于所述行驶方向对所述路面环境模型的标定参数进行调整，以匹配所述目标部件。
8.根据权利要求6所述的方法，其特征在于，所述方法还包括：
获取所述自动驾驶场景中的环境参数；
基于所述环境参数对所述路面环境模型进行标定，以对所述标定参数进行更新。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
获取所述自动驾驶场景中所述自动驾驶对象的拥堵信息；
基于所述拥堵信息对所述环境参数进行调整。
10.根据权利要求1所述的方法，其特征在于，所述基于第二随机数确定所述自动驾驶对象与所述障碍粒子之间的第一距离，包括：
调用所述自动驾驶场景对应的距离模型；
将所述第二随机数输入所述距离模型，以确定确定所述自动驾驶对象与所述障碍粒子之间的第一距离。
11.根据权利要求1-10任一项所述的方法，其特征在于，所述方法还包括：
若所述遮挡信息指示所述目标射线未被所述障碍粒子遮挡，则检测所述目标射线的返回时间；
基于所述返回时间确定所述自动驾驶对象与障碍物之间的距离。
12.根据权利要求1所述的方法，其特征在于，所述目标射线由激光雷达发射所得，所述障碍粒子为雪花，所述天气状态为下雪天气。
13.一种自动驾驶场景的模拟装置，其特征在于，包括：
获取单元，用于获取自动驾驶场景中自动驾驶对象发出的目标射线；
确定单元，用于确定所述目标射线相对于障碍粒子的反射概率，所述反射概率与所述目标射线在所述自动驾驶场景中传播的距离相关，所述障碍粒子对应于所述自动驾驶场景中的天气状态；
所述确定单元，还用于基于所述反射概率与第一随机数的数值关系确定遮挡信息；
计算单元，用于若所述遮挡信息指示所述目标射线被所述障碍粒子遮挡，则基于第二随机数确定所述自动驾驶对象与所述障碍粒子之间的第一距离，所述第二随机数选自基于所述第一随机数确定的数值范围，所述第二随机数的数值小于所述第一随机数的数值；
模拟单元，用于根据所述第一距离确定所述障碍粒子在所述自动驾驶场景中的位置，以在所述自动驾驶场景中模拟所述天气状态。
14.一种计算机设备，其特征在于，所述计算机设备包括处理器以及存储器：
所述存储器用于存储程序代码；所述处理器用于根据所述程序代码中的指令执行权利要求1至12任一项所述的自动驾驶场景的模拟方法。
15.一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述权利要求1至12任一项所述的自动驾驶场景的模拟方法。
CN202011171275.3A 2020-10-28 2020-10-28 一种自动驾驶场景的模拟方法、装置、设备以及存储介质 Active CN112163280B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011171275.3A CN112163280B (zh) 2020-10-28 2020-10-28 一种自动驾驶场景的模拟方法、装置、设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011171275.3A CN112163280B (zh) 2020-10-28 2020-10-28 一种自动驾驶场景的模拟方法、装置、设备以及存储介质

Publications (2)

Publication Number Publication Date
CN112163280A true CN112163280A (zh) 2021-01-01
CN112163280B CN112163280B (zh) 2022-02-01

Family

ID=73866260

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011171275.3A Active CN112163280B (zh) 2020-10-28 2020-10-28 一种自动驾驶场景的模拟方法、装置、设备以及存储介质

Country Status (1)

Country Link
CN (1) CN112163280B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926224A (zh) * 2021-03-30 2021-06-08 深圳裹动智驾科技有限公司 基于事件的仿真方法及计算机设备
CN113109775A (zh) * 2021-04-15 2021-07-13 吉林大学 考虑目标表面覆盖特征的毫米波雷达目标可见性判断方法
EP4235214A1 (en) * 2022-02-25 2023-08-30 Toyota Jidosha Kabushiki Kaisha Lidar snowfall simulation method and system for robust 3d object detection

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6882303B2 (en) * 2002-12-19 2005-04-19 Denso Corporation Obstacle detection system for automotive vehicle
CN108008726A (zh) * 2017-12-11 2018-05-08 朱明君 一种智能无人驾驶汽车
CN110832474A (zh) * 2016-12-30 2020-02-21 迪普迈普有限公司 高清地图更新
CN111291697A (zh) * 2020-02-19 2020-06-16 北京百度网讯科技有限公司 用于识别障碍物的方法和装置
CN111679267A (zh) * 2020-08-17 2020-09-18 陕西耕辰科技有限公司 一种自动驾驶***及其障碍物检测***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6882303B2 (en) * 2002-12-19 2005-04-19 Denso Corporation Obstacle detection system for automotive vehicle
CN110832474A (zh) * 2016-12-30 2020-02-21 迪普迈普有限公司 高清地图更新
CN108008726A (zh) * 2017-12-11 2018-05-08 朱明君 一种智能无人驾驶汽车
CN111291697A (zh) * 2020-02-19 2020-06-16 北京百度网讯科技有限公司 用于识别障碍物的方法和装置
CN111679267A (zh) * 2020-08-17 2020-09-18 陕西耕辰科技有限公司 一种自动驾驶***及其障碍物检测***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵一兵等: "基于D-S证据理论的障碍目标身份识别", 《吉林大学学报(工学版)》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926224A (zh) * 2021-03-30 2021-06-08 深圳裹动智驾科技有限公司 基于事件的仿真方法及计算机设备
CN112926224B (zh) * 2021-03-30 2024-02-02 深圳安途智行科技有限公司 基于事件的仿真方法及计算机设备
CN113109775A (zh) * 2021-04-15 2021-07-13 吉林大学 考虑目标表面覆盖特征的毫米波雷达目标可见性判断方法
EP4235214A1 (en) * 2022-02-25 2023-08-30 Toyota Jidosha Kabushiki Kaisha Lidar snowfall simulation method and system for robust 3d object detection

Also Published As

Publication number Publication date
CN112163280B (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
CN112163280B (zh) 一种自动驾驶场景的模拟方法、装置、设备以及存储介质
CN112364439B (zh) 自动驾驶***的仿真测试方法、装置以及存储介质
CN112256589B (zh) 一种仿真模型的训练方法、点云数据的生成方法及装置
CN109241465B (zh) 界面显示方法、装置、终端及存储介质
CN109919251A (zh) 一种基于图像的目标检测方法、模型训练的方法及装置
CN110044371A (zh) 一种车辆定位的方法以及车辆定位装置
CN109325967A (zh) 目标跟踪方法、装置、介质以及设备
CN110146100A (zh) 轨迹预测方法、装置及存储介质
CN110058694A (zh) 视线追踪模型训练的方法、视线追踪的方法及装置
CN107818288A (zh) 标志牌信息获取方法及装置
CN110443190B (zh) 一种对象识别方法和装置
CN112802111B (zh) 一种物体模型构建方法及装置
CN115588131B (zh) 模型鲁棒性检测方法、相关装置及存储介质
CN113923775B (zh) 一种定位信息质量评估的方法、装置、设备和存储介质
CN113820694A (zh) 一种仿真测距的方法、相关装置、设备以及存储介质
CN112562372B (zh) 一种轨迹数据的处理方法以及相关装置
CN115526055B (zh) 模型鲁棒性检测方法、相关装置及存储介质
CN113110487A (zh) 车辆仿真控制方法、装置、电子设备及存储介质
CN115471495B (zh) 模型鲁棒性检测方法、相关装置及存储介质
CN113706446A (zh) 一种镜头检测方法和相关装置
CN114814767A (zh) 一种信息处理方法、装置、电子设备及存储介质
CN109685904A (zh) 基于虚拟现实的虚拟驾驶建模方法和***
CN112200130B (zh) 一种三维目标检测方法、装置及终端设备
CN111986487B (zh) 一种路况信息的管理方法以及相关装置
CN115909020B (zh) 模型鲁棒性检测方法、相关装置及存储介质

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