CN112527940A - 一种仿真地图生成的方法、装置、电子设备及存储介质 - Google Patents
一种仿真地图生成的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112527940A CN112527940A CN202011503493.2A CN202011503493A CN112527940A CN 112527940 A CN112527940 A CN 112527940A CN 202011503493 A CN202011503493 A CN 202011503493A CN 112527940 A CN112527940 A CN 112527940A
- Authority
- CN
- China
- Prior art keywords
- map
- basic module
- map basic
- road
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000004088 simulation Methods 0.000 title claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000007613 environmental effect Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000012795 verification Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000002787 reinforcement Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 239000000470 constituent Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- YREOLPGEVLLKMB-UHFFFAOYSA-N 3-methylpyridin-1-ium-2-amine bromide hydrate Chemical compound O.[Br-].Cc1ccc[nH+]c1N YREOLPGEVLLKMB-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011076 safety test Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种仿真地图生成的方法、装置、电子设备及存储介质,其中,该方法包括:获取预设的多个地图基础模块、以及每个地图基础模块所表征道路要素的参数信息;地图基础模块根据道路特征预先确定;基于每个地图基础模块所表征道路要素的参数信息,确定多张地图;每张地图由多个地图基础模块中的部分或全部地图基础模块组合得到。本公开中利用多张地图可以丰富用于训练控制与仿真车辆对应的行驶设备的神经网络的训练数据集,这样所训练得到的神经网络泛化能力较强。
Description
技术领域
本公开涉及自动驾驶技术领域,具体而言,涉及一种仿真地图生成的方法、装置、电子设备及存储介质。
背景技术
随着科学技术的飞速发展,自动驾驶汽车已经是目前汽车行业发展的一个重要研究方向。为了面对交通环境中可能出现的各种复杂的问题,往往需要对自动驾驶汽车的安全性进行验证。
在进行安全性验证的过程中,需要确定汽车驾驶过程中的各个真实环境,并测试汽车在各个环境中的安全性能。考虑到真实场景下进行数据采集的成本较大,尤其是有关事故等的数据难以收集,因而,在进行实车测试之前,往往可以通过仿真器来构建各种各样的场景,以通过仿真模拟出的场景下所收集的车辆数据进行安全性验证。
发明内容
本公开实施例至少提供一种仿真地图的生成方案,基于地图基础模块可以自动组合生成多张地图,在多张地图下所能采集到的车辆环境数据也更为丰富,从而可以提升所训练网络的泛化能力。
第一方面,本公开实施例提供了一种仿真地图生成的方法,包括:
获取预设的多个地图基础模块、以及每个地图基础模块所表征道路要素的参数信息;所述地图基础模块根据道路特征预先确定;
基于每个所述地图基础模块所表征道路要素的参数信息,确定多张地图;每张地图由所述多个地图基础模块中的部分或全部地图基础模块组合得到。
本公开实施例提供的仿真地图生成的方法中,不同的地图基础模块所表征道路要素的参数信息也不同,这样,通过各个道路要素的参数信息可以将部分或全部地图基础模块组合起来得到一张地图,多次组合则可以得到多张地图,由于这多张地图所选用的多个地图基础模块中的道路要素不同,从而可以仿真出各种不同的交通道路信息,也即,可以确定各种不同的交通道路信息下车辆所面对的车辆环境信息,例如可以是有关事故等的车辆环境信息,仿真出的更为丰富的车辆环境可以为后续有关神经网络的训练提供更好的数据支撑。
在一种可能的实施方式中,在确定多张地图之后,所述方法还包括:
针对每张地图,确定仿真车辆按照该地图行驶的过程中所采集到的环境数据;
基于针对每张地图确定的环境数据,训练用于控制与所述仿真车辆对应的行驶设备的神经网络。
这里,在不同的交通道路信息下,可以确定仿真车辆按照多张地图行驶的过程中所采集到的环境数据,由于每张地图所含交通道路信息不同,这样所采集到的环境数据也较为多样,从而可以丰富用于训练神经网络的训练数据集,这样所训练得到的神经网络泛化能力较强,可以应用到行驶设备的各种实际交通场景中,进而提升自动驾驶设备的安全性。
在一种可能的实施方式中,基于每个所述地图基础模块所表征道路要素的参数信息,确定一张地图,包括:
从所述预设的多个地图基础模块中确定首个地图基础模块,作为地图基础模块组;
重复执行基于地图基础模块组中每个地图基础模块所表征道路要素的参数信息、以及预设的每个地图基础模块所表征道路要素的参数信息,从所述预设的多个地图基础模块中选取一个地图基础模块添加到地图基础模块组中,并将选取的一个地图基础模块与所述地图基础模块组进行组合,得到新的地图基础模块组,直至选取的地图基础模块的数量达到预设阈值的情况下,基于最新的地图基础模块组得到一张地图。
这里,为了仿真出各种交通道路信息,本公开实施例在生成每张地图之前,可以随机选取出首个地图基础模块,作为地图基础模块组。然后针对该首个地图基础模块进行多个地图基础模块的组合,从而得到一张地图。这里的组合操作是基于预设的每个地图基础模块所表征道路要素的参数信息来实现的,从而使得所确定出的地图更为符合真实交通场景,与此同时,考虑到各次组合所选用的道路要素可以不同,即使每次组合所选用的道路要素相同,但具体的排列方式也可以是不同的,从而使得所确定出的地图更具多样性。
在一种可能的实施方式中,基于地图基础模块组中每个地图基础模块所表征道路要素的参数信息、以及预设的每个地图基础模块所表征道路要素的参数信息,从所述预设的多个地图基础模块中选取一个地图基础模块添加到地图基础模块组中,包括:
基于地图基础模块组中每个地图基础模块所表征道路要素的参数信息、以及预设的每个地图基础模块所表征道路要素的参数信息,从所述预设的多个地图基础模块中选取与所述地图基础模块组中每个地图基础模块所表征道路要素的参数匹配度大于预设阈值的至少一个地图基础模块;
从选取出的所述至少一个地图基础模块中随机选取一个地图基础模块添加到地图基础模块组中。
为了确保所组合得到的地图更为符合实际的交通场景,这里,在从预设的多个地图基础模块中选取待添加到地图基础模块组的地图基础模块之前,可以确定待选取的各个地图基础模块与地图基础模块组中每个地图基础模块之间的参数匹配度,在参数匹配度足够高的情况下说明所选取的地图基础模块与地图基础模块组内包含的模块之间的衔接性更好,从而提高了所仿真出的地图的真实性。
在一种可能的实施方式中,所述基于地图基础模块组中每个地图基础模块所表征道路要素的参数信息、以及预设的每个地图基础模块所表征道路要素的参数信息,从所述预设的多个地图基础模块中选取与所述地图基础模块组中每个地图基础模块所表征道路要素的参数匹配度大于预设阈值的至少一个地图基础模块,包括:
针对预设的每个地图基础模块,对该地图基础模块所表征道路要素的参数信息对应的参数值进行随机采样,得到采样后的参数值;
基于所述地图基础模块组中每个地图基础模块所表征道路要素的参数信息中随机选取的目标参数值、以及预设的每个地图基础模块对应采样后的参数值,从所述预设的多个地图基础模块中选取与所述地图基础模块组中每个地图基础模块所表征道路要素的参数匹配度大于预设阈值的至少一个地图基础模块。
考虑到本公开实施例所提供的仿真方法旨在仿真出各种交通道路情况,又考虑到在实际的应用场景中,即使是对应同一道路要素的参数信息,不同的参数取值所对应的交通道路情况也不同,例如,针对直线型道路而言,主交通干道的道路宽度远远要大于次交通干道的道路宽度,因而,本公开实施例可以是基于参数值完成地图基础模块的选取操作,从而使得所仿真出的交通道路不仅更符合实际场景,还更为多样。
在一种可能的实施方式中,所述将选取的一个地图基础模块与所述地图基础模块进行组合,包括:
确定选取的一个地图基础模块与所述地图基础模块组中的每个地图基础模块之间是否存在重叠;
在确定选取的一个地图基础模块与所述地图基础模块组中的每个地图基础模块不存在重叠的情况下,将选取的一个地图基础模块与所述地图基础模块进行组合;
在确定选取的一个地图基础模块与所述地图基础模块组中的任一地图基础模块存在重叠的情况下,再次执行从所述预设的多个地图基础模块中选取一个地图基础模块添加到地图基础模块组中的步骤。
考虑到所仿真出的地图的连贯性,这里,在进行地图基础模块组合之前,可以先进行模块重叠验证,在模块之间不存在重叠的情况下,说明地图基础模块之间存在较好的连贯性。
在一种可能的实施方式中,所述确定选取的一个地图基础模块与所述地图基础模块组中的每个地图基础模块之间是否存在重叠,包括:
提取选取的一个地图基础模块所表征道路要素的第一道路特征,以及提取所述地图基础模块组中的每个地图基础模块所表征道路要素的第二道路特征;
基于所述第一道路特征与所述第二道路特征,确定选取的一个地图基础模块与所述地图基础模块组中的每个地图基础模块之间是否存在重叠。
在一种可能的实施方式中,所述基于针对每张所述地图确定的环境数据,训练用于控制与所述仿真车辆对应的行驶设备的神经网络,包括:
针对每张地图,将基于该地图确定的环境数据作为待训练的神经网络的输入数据,将所述仿真车辆按照该地图行驶的过程中对应的车辆控制操作作为待训练的神经网络的输出,训练所述神经网络。
这里,利用神经网络可以训练环境数据以及车辆控制操作之间的对应关系,这样,在神经网络训练完成之后,即可以基于车辆行驶场景中实际采集的环境数据自动确定车辆控制操作,从而实现自动化程度高、且安全性能好的自动驾驶。
在一种可能的实施方式中,所述基于针对每张地图确定的环境数据,训练用于控制与所述仿真车辆对应的行驶设备的神经网络,包括:
从多种预设车辆控制操作中选取一种目标车辆控制操作;
利用待训练的神经网络,基于针对每张所述地图确定的环境数据以及选取的目标车辆控制操作,确定更新后的环境数据,以及用于评价所述目标车辆控制操作的好坏程度的奖赏值;
循环执行基于所述更新后的环境数据以及所述奖赏值从多种预设车辆控制操作中选取一种目标车辆控制操作的步骤,直至产生的所述奖赏值符合预设要求,得到训练好的神经网络。
这里,可以利用神经网络对目标车辆控制操作进行强化学习,在观察到的环境数据以及选取的目标车辆控制操作所对应的奖赏值越大的情况下,说明选取的目标车辆控制操作越好,反之亦然,在奖赏值达到预设要求的情况下,说明自动给出的目标车辆控制操作达到最佳,从而可以更好的应用到自动驾驶领域中。
第二方面,本公开实施例还提供了一种仿真地图生成的装置,包括:
信息获取模块,用于获取预设的多个地图基础模块、以及每个地图基础模块所表征道路要素的参数信息;所述地图基础模块根据道路特征预先确定;
地图确定模块,用于基于每个所述地图基础模块所表征道路要素的参数信息,确定多张地图;每张地图由所述多个地图基础模块中的部分或全部地图基础模块组合得到。
第三方面,本公开实施例还提供了一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如第一方面及其各种实施方式任一所述的仿真地图生成的方法的步骤。
第四方面,本公开实施例还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程序,该计算机程序被处理器运行时执行如第一方面及其各种实施方式任一所述的仿真地图生成的方法的步骤。
关于上述仿真地图生成的装置、电子设备、及计算机可读存储介质的效果描述参见上述仿真地图生成的方法的说明,这里不再赘述。
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,此处的附图被并入说明书中并构成本说明书中的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。应当理解,以下附图仅示出了本公开的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本公开实施例所提供的一种仿真地图生成的方法的流程图;
图2示出了本公开实施例所提供的另一种仿真地图生成的方法的流程图;
图3(a)示出了本公开实施例所提供的地图基础模块的示例图;
图3(b)示出了本公开实施例所提供的一种地图的示意图;
图3(c)示出了本公开实施例所提供的另一种地图的示意图;
图3(d)示出了本公开实施例所提供的另一种地图的示意图;
图3(e)示出了本公开实施例所提供的另一种地图的示意图;
图4示出了本公开实施例所提供的一种仿真地图生成的方法中,神经网络训练具体方法的流程图;
图5示出了本公开实施例所提供的一种仿真地图生成的装置的示意图;
图6示出了本公开实施例所提供的一种电子设备的示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中附图,对本公开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公开一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围,而是仅仅表示本公开的选定实施例。基于本公开的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
本文中术语“和/或”,仅仅是描述一种关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
经研究发现,在进行实车测试之前,往往可以通过仿真器来构建各种各样的场景,以通过仿真模拟出的场景下所收集的车辆数据进行安全性验证。
目前常用的仿真器有Carla仿真器,作为一种高度拟合现实物理世界的仿真器,该仿真器能够模拟现实环境。然而,Carla仿真器可供模拟的环境有限,这使得利用这一仿真器所收集到的数据集也是有限的,而基于这些数据训练出的神经网络模型等安全验证模块也是有偏差的,从而导致缺少对于各种交通环境的泛化能力。
除了上述Carla仿真器,还有诸如Highway-Env、Flow等类型的仿真器,该类型的仿真器更加关注的是如何做出更为合理的决策以及路径规划,所以通常情况下会高度地抽象化,弱化了感知模块,直接使用原始的周围环境数据作为感知后的信息,由于该类仿真器在具体应用的过程中采集的是二维道路数据,这与实际道路环境不符,也导致后续利用二维道路数据所训练的神经网络的泛化能力较差。
基于上述研究,本公开提供了至少一种仿真地图的生成方案,基于地图基础模块可以自动组合生成多张地图,在多张地图下所能采集到的车辆环境数据也更为丰富,从而可以提升所训练网络的泛化能力。
为便于对本实施例进行理解,首先对本公开实施例所公开的一种仿真地图生成的方法进行详细介绍,本公开实施例所提供的仿真地图生成的方法的执行主体一般为具有一定计算能力的计算机设备,该计算机设备例如包括:终端设备或服务器或其它处理设备,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载主机、可穿戴设备等。在一些可能的实现方式中,该仿真地图生成的方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
参见图1所示,为本公开实施例提供的仿真地图生成的方法的流程图,方法包括步骤S101~S102,其中:
S101:获取预设的多个地图基础模块、以及每个地图基础模块所表征道路要素的参数信息;地图基础模块根据道路特征预先确定;
S102:基于每个地图基础模块所表征道路要素的参数信息,确定多张地图;每张地图由多个地图基础模块中的部分或全部地图基础模块组合得到。
这里,为了便于理解本公开实施例提供的仿真地图生成的方法,接下来首先对该仿真方法的应用场景进行详细说明。本公开实施例中,考虑到行驶设备在行驶过程中,需要不断确定自身所处位置,感知周围环境变化,实现车辆的控制。在实际应用中,通常会通过高精地图融合汽车传感器识别的各类静态地物以能够实现高精度定位,从而确定车辆在道路上的精确位置。而考虑到在一些诸如危险驾驶的实际场景难以收集场景数据,这将导致行驶设备在道路行驶的情况下存在一定程度的安全隐患。
因而,在进行实车测试之前,往往可以先进行仿真安全测试,也即,可以在仿真模拟出的场景下对行驶设备的安全驾驶***进行安全性验证。除此之外,本公开实施例还可以应用于其它领域下的仿真测试,在此不做具体的限制。考虑到行驶设备的仿真测试的普遍应用,接下来可以以行驶设备所处领域进行示例性说明。
正如高精地图对于实际场景下的行驶设备的安全行驶所起到的关键作用类似,在仿真测试下,仿真地图对于仿真场景下仿真车辆的安全行驶也同等重要。考虑到本公开实施例提供的仿真地图生成的方法旨在仿真出更多的道路场景,以增加后续网络训练的训练数据集,提升所训练网络的泛化能力。因而,本公开实施例可以基于预设的多个地图基础模块及每个地图基础模块所表征道路要素的参数信息来生成多张地图(即仿真地图)。
其中,上述地图基础模块可以是根据道路特征预先确定的,这里指向的可以是地图中的最小组成单元,本公开实施例可以基于高精地图中的实际组成单元来确定多个最小组成单元。这里的地图基础模块主要涵盖的是道路要素,例如直行道路、交叉路口、环岛等,每一个地图基础模块可以涵盖一个或多个道路要素,不同的道路要素所具备的参数信息也不同,例如,针对直行道路这一道路要素,这里的参数信息可以是道路宽度等信息,针对环岛这一道路要素,这里的参数信息可以是环岛数量等。
针对地图基础模块而言,参数信息的取值不同,将直接影响该地图基础模块的大小,这里仍以直行道路这一道路要素为例,道路宽度为50米的地图基础模块的尺寸远远大于道路宽度为10米的地图基础模块的尺寸。
在确定出道路要素的参数信息的情况下,本公开实施例可以基于部分或者全部地图基础模块确定多张地图。
在一些实施例中,一张地图中的多个地图基础模块可以采用完全不同的地图基础模块,也可以采用参数信息的取值不同,但仍属于同一道路要素的地图基础模块,本公开实施例对此不做具体的限制。
本公开实施例所确定出的多张地图更具多样性,且这里的地图是结合道路要素的参数信息组合得到的,从而更为符合实际的交通环境。
需要说明的是,本公开实施例中的地图不仅可以包含上述各种道路要素,还可以在利用地图基础模块构建出基础地图的情况下,根据车辆环境的变化,自动生成诸如车辆、行人等在实际交通场景中会出现的交通参与者,本公开实施例在此不做赘述。
基于此,本公开实施例可以确定仿真车辆在按照每张地图行驶的过程中所采集到的环境数据以便利用该环境数据训练用于控制与仿真车辆对应的行驶设备的神经网络。
为了指导行驶设备可以在实际交通环境下安全驾驶,这里,可以将操作员在展示的每张地图下的实际操作情况实时的发送至仿真器,仿真器在接收到实际操作指令的情况下,可以控制车辆在地图中行驶,从而可以采集到对应的环境数据,例如,可以是利用仿真车辆上安装的仿真雷达传感器采集到的点云数据,还可以是利用仿真车辆上安装的仿真图像传感器采集到的图像数据。
在利用多张地图采集到多份环境数据的情况下,本公开实施例可以进行神经网络的训练,这里训练的可以是环境数据与车辆操作之间的对应关系,这样,将训练好的神经网络应用到实际的自动驾驶***的情况下,可以实现对车辆的安全控制。
考虑到地图的生成对于后续进行环境数据采集的关键作用,接下来可以对生成地图的过程进行详细描述。
本公开实施例中的地图可以是基于地图基础模块所表征道路要素的参数信息,将地图基础模块进行合理性组合所得到的。具体可以通过如下步骤实现。
步骤一、从预设的多个地图基础模块中确定首个地图基础模块,作为地图基础模块组;
步骤二、重复执行基于地图基础模块组中每个地图基础模块所表征道路要素的参数信息、以及预设的每个地图基础模块所表征道路要素的参数信息,从预设的多个地图基础模块中选取一个地图基础模块添加到地图基础模块组中,并将选取的一个地图基础模块与地图基础模块组进行组合,得到新的地图基础模块组,直至选取的地图基础模块的数量达到预设阈值的情况下,基于最新的地图基础模块组得到一张地图。
这里的首个地图基础模块可以是从多个地图基础模块中随机选取的,例如可以选取的是包括直行道路这一道路要素的地图基础模块,还可以选取出的是环岛这一道路要素的地图基础模块,在选取出首个地图基础模块作为最初的地图基础模块组的情况下,可以基于预设的各个地图基础模块所表征道路要素的参数信息与地图基础模块组中每个地图基础模块的参数信息的参数匹配度,从多个地图基础模块中选取下一个地图基础模块,并将选取的下一个地图基础模块添加到地图基础模块组,并将添加的地图基础模块与最初的地图基础模块组(即首个地图基础模块)进行组合,得到新的地图基础模块组(对应两个地图基础模块)。
若针对选取的地图基础模块的数量所对应的预设阈值为3,这时候还可以再次基于预设的各个地图基础模块所表征道路要素的参数信息与新的地图基础模块组中每个地图基础模块的参数信息的参数匹配度,从多个地图基础模块中选取再一个地图基础模块,并按照上述类似的方式进行添加和组合操作,进而得到最新的地图基础模块组,并作为一张地图。
这里的参数匹配度越大,说明所组合得到的新的地图基础模块组的连贯性也越好,因而,这里可以选取参数匹配度大于预设阈值的地图基础模块作为下一个地图基础模块,并将该地图基础模块添加并组合在地图基础模块组包括的最后一个地图基础模块之后,得到新的地图基础模块组。
这里的参数匹配度可以指的是,两个地图基础模块中道路要素的参数信息的取值的匹配程度,例如,针对具有直行道路要素的首个地图基础模块而言,若可选的地图基础模块包括具有环岛要素的地图基础模块以及具有交叉路口要素的地图基础模块,若直行道路的道路宽度为10米,环岛要素的入岛口宽度为20米,交叉路口的路口宽度为15米。考虑到这里的直行道路与交叉路口所对应的宽度差为5米,直行道路与环岛路口所对应的宽度差为10米,一定程度上说明交叉路口所在地图基础模块与直行道路所在地图基础模块的参数匹配度更高。
需要说明的是,本公开实施例在实际应用的过程中,可以基于选取的一个地图基础模块与地图基础模块组中包括的地图基础模块之间的距离远近设置不同的参数匹配度,例如,地图基础模块组中包括第一地图基础模块、第二地图基础模块和第三地图基础模块,其中,第一地图基础模块、第二地图基础模块和第三地图基础模块依次组合,选取的一个地图基础模块作为第四地图基础模块与第三地图基础模块组合,则第四地图基础模块与第三地图基础模块之间的距离最近,与第一地图基础模块之间的距离最远。这样,可以将地图基础模块组中更靠近选取的一个地图基础模块的参数匹配度的阈值设置的更大些,这主要是考虑到最邻近道路元素对当前选取的地图基础模块中的道路元素的影响相对较大,而对于距离选取的一个地图基础模块更远的、地图基础模块组中的其它地图基础模块可以设置更小的参数匹配度的阈值,以满足实际应用场景下的匹配需求。
针对每个地图基础模块而言,其道路要素的参数信息的取值可以为多个,不同取值的道路要素所能组合的地图基础模块也将随之发生变化。这里,为了进一步提升所构建地图的多样性,在进行下一个地图基础模块的选取之前,可以是对预设的各个地图基础模块所表征道路要素的参数信息对应的参数值进行随机采样,通过采样后的参数值与地图基础模块组中每个地图基础模所表征道路要素的参数信息中随机选取的目标参数值进行参数匹配度计算来确定下一个地图基础模块。
在进行下一个地图基础模块选取的过程中,若确定的与地图基础模块组中每个地图基础模块所表征道路要素的参数匹配度大于预设阈值的地图基础模块为多个的情况下,可以从中随机选取出一个地图基础模块作为下一个地图基础模块,除此之外,还可以按照参数匹配度排名,选取匹配度最高的地图基础模块作为下一个地图基础模块。前一种随机选取的方式提升了所生成地图的多样性,后一种排名选取的方式进一步提升了仿真环境与实际应用场景的匹配程度。
本公开实施例中,可以根据实际需要针对地图基础模块的数量进行预设阈值的设置。例如,可以设置为3个、5个、7个、20个,还可以设置为其它数值,本公开实施例对此不做具体的限制。
考虑到本公开实施例提供的仿真地图生成的方法中的地图是基于地图基础模块的组合得到的,这里,为了进一步仿真真实环境,在进行基础模块的组合之前,还可以基于重叠验证结果来确定组合结果。
本公开实施例中,可以在确定出选取的一个地图基础模块与地图基础模块组中的每个地图基础模块之间不存在重叠的情况下,将选取的一个地图基础模块与地图基础模块组进行组合,还可以在确定存在重叠的情况下,再次执行从预设的多个地图基础模块中选取一个地图基础模块添加到地图基础模块组中的步骤,也即,重新进行下一个地图基础模块的选取操作,从而确保最终组合后的地图具有更好的连贯性。
为了便于理解上述基于地图基础模块的循环选取以及地图基础模块的组合操作生成地图的过程,可以结合图2所示的流程图进行具体说明。
如图2所示,上述生成一张地图的过程具体包括:
S201:从预设的多个地图基础模块中确定首个地图基础模块,作为地图基础模块组;
S202:基于地图基础模块组中每个地图基础模块所表征道路要素的参数信息、以及预设的每个地图基础模块所表征道路要素的参数信息,从预设的多个地图基础模块中选取一个地图基础模块添加到地图基础模块组中;
S203:确定选取的一个地图基础模块与地图基础模块组中的每个地图基础模块之间是否存在重叠;
若存在重叠,则执行S202,若不存在重叠,则执行S204和S205;
S204:将选取的一个地图基础模块与地图基础模块组进行组合,得到新的地图基础模块组;
S205:判断选取的地图基础模块的数量是否达到预设阈值;
若是,则基于最新的地图基础模块组得到一张地图;若否,则跳转到S202。
这里,可以基于重叠判断结果,逐个的向地图基础模块组中添加更为合理的地图基础模块,直至选取的地图基础模块的数量达到预设阈值的情况下,可以得到对应的一张地图。
需要说明的是,这里的循环截止条件除了可以是有关阈值的限定,还可以是其它限定方式,例如可以是有关时间的限定,以更快的生成地图。
本公开实施例中,可以按照如下步骤确定两个地图基础模块是否存在重叠:
步骤一、提取选取的一个地图基础模块所表征道路要素的第一道路特征,以及提取地图基础模块组中的每个地图基础模块所表征道路要素的第二道路特征;
步骤二、基于第一道路特征与第二道路特征,确定选取的一个地图基础模块与地图基础模块组中的每个地图基础模块之间是否存在重叠。
这里的道路特征可以指的是道路形状、面积等特征,这里的重叠可以是指的是在实际道路环境下,指向前方的一个道路又回转到后方的道路,形成道路堆叠的情况,例如,可以在两个地图基础模块之间存在面积重叠的情况下,确定存在模块重叠,再如,可以是有关包含地图基础模块的图像和包含地图基础模块组中的每个地图基础模块的图像之间的重叠。
在具体应用中,可以结合多边形拟合、线段拟合等方式进行道路特征的提取,除此之外,还可以设置相应的特征提取模型来进行道路特征的提取,这里不再赘述。
为了进一步理解本公开实施例提供的仿真地图生成的方法,这里可以结合图3(a)~图3(e),以一个具体的示例来进行说明。
如图3(a)所示为本公开实施例提供的7种地图基础模块,依次对应直线型、坡道型、交叉型、迂回型、曲线型、T-型、十字型,不同地图基础模块所包含的道路要素可以相同,也可以不同,例如,直线要素在各个地图基础模块中均有体现。其中,图示中的L、R、X分别对应直线长度、半径、通道数这三个参数信息
按照上述地图的组合方法,可以对应生成如图3(b)所示的3个地图基础模块所组成的地图,还可以对应生成如3(c)所示的5个地图基础模块所组成的地图,还可以对应生成如3(d)所示的7个地图基础模块所组成的地图,还可以对应生成如3(e)所示的20个地图基础模块所组成的地图。
本公开实施例中,在生成各张地图之后,即可以在每张地图下采集对应的环境数据,从而进行神经网络的训练。本公开实施例中有关神经网络的训练可以是基于深度学习实现的,也可以是基于强化学习实现的,接下来可以通过如下两个方面进行具体说明。
第一方面:本公开实施例中,针对每张地图,将基于该地图确定的环境数据作为待训练的神经网络的输入数据,将仿真车辆按照该地图行驶的过程中对应的车辆控制操作作为待训练的神经网络的输出,训练神经网络。
这里,训练神经网络的过程即是训练车辆的环境数据以及对应的车辆控制操作之间对应关系的过程,在给予一份环境数据对应一个车辆控制操作的前提下,可以训练得到神经网络的模型参数。
这样,在将该神经网络应用到真实场景的过程中,即可以针对车辆周边的环境数据,自动确定应该执行的车辆控制操作,自动化程度较高,又考虑到在训练神经网络的过程中,针对大量的业务场景进行了训练数据集的采集,这将大大提升所训练神经网络的鲁棒性,使得自动驾驶的安全性能较高。
第二方面:本公开实施例中还可以基于强化学习的方式来训练神经网络,如图4所示,包括如下步骤:
S401:从多种预设车辆控制操作中选取一种目标车辆控制操作;
S402:利用待训练的神经网络,基于针对每张地图确定的环境数据以及选取的目标车辆控制操作,确定更新后的环境数据,以及用于评价目标车辆控制操作的好坏程度的奖赏值;
S403:判断产生的奖赏值是否符合预设要求;
若否,则执行S404,若是,则执行S405:得到训练好的神经网络。
S404:基于更新后的环境数据以及奖赏值从多种预设车辆控制操作中选取一种目标车辆控制操作。
这里,可以利用强化学习方式迭代训练神经网络对于目标车辆控制操作的准确性,也即,可以基于所确定奖赏值来确定选取的目标车辆控制操作的准确性,奖赏值越高,说明神经网络对于车辆的安全控制性能较好,从而可以很好的应用到真实场景中,自动化程度以及自动驾驶的安全性能均较高。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
基于同一发明构思,本公开实施例中还提供了与仿真地图生成的方法对应的仿真地图生成的装置,由于本公开实施例中的装置解决问题的原理与本公开实施例上述仿真地图生成的方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
参照图5所示,为本公开实施例提供的一种仿真地图生成的装置的示意图,装置包括:信息获取模块501、地图确定模块502;其中,
信息获取模块501,用于获取预设的多个地图基础模块、以及多个地图基础模块中每个地图基础模块所表征道路要素的参数信息;地图基础模块根据道路特征预先确定;
地图确定模块502,用于基于每个地图基础模块所表征道路要素的参数信息,确定多张地图;每张地图由多个地图基础模块中的部分或全部地图基础模块组合得到。
本公开实施例提供的仿真地图生成的装置中,不同的地图基础模块所表征道路要素的参数信息也不同,这样,通过各个道路要素的参数信息可以将部分或全部地图基础模块组合起来得到一张地图,多次组合则可以得到多张地图,由于这多张地图所选用的多个地图基础模块中的道路要素不同,从而可以仿真出各种不同的交通道路信息,也即,可以确定各种不同的交通道路信息下车辆所面对的车辆环境信息,例如可以是有关事故等的车辆环境信息,仿真出的更为丰富的车辆环境可以为后续有关神经网络的训练提供更好的数据支撑。
在一种可能的实施方式中,上述装置还包括:
网络训练模块503,用于在确定多张地图之后,针对每张地图,确定仿真车辆按照该地图行驶的过程中所采集到的环境数据;基于针对每张地图确定的环境数据,训练用于控制与仿真车辆对应的行驶设备的神经网络。
在一种可能的实施方式中,地图确定模块502,用于按照以下步骤基于每个地图基础模块所表征道路要素的参数信息,确定一张地图:
从预设的多个地图基础模块中确定首个地图基础模块,作为地图基础模块组;
重复执行基于地图基础模块组中每个地图基础模块所表征道路要素的参数信息、以及预设的每个地图基础模块所表征道路要素的参数信息,从预设的多个地图基础模块中选取一个地图基础模块添加到地图基础模块组中,并将选取的一个地图基础模块与地图基础模块组进行组合,得到新的地图基础模块组,直至选取的地图基础模块的数量达到预设阈值的情况下,基于最新的地图基础模块组得到一张地图。
在一种可能的实施方式中,地图确定模块502,用于按照以下步骤基于地图基础模块组中每个地图基础模块所表征道路要素的参数信息、以及预设的每个地图基础模块所表征道路要素的参数信息,从预设的多个地图基础模块中选取一个地图基础模块添加到地图基础模块组中:
基于地图基础模块组中每个地图基础模块所表征道路要素的参数信息、以及预设的每个地图基础模块所表征道路要素的参数信息,从预设的多个地图基础模块中选取与地图基础模块组中每个地图基础模块所表征道路要素的参数匹配度大于预设阈值的至少一个地图基础模块;
从选取出的至少一个地图基础模块中随机选取一个地图基础模块添加到地图基础模块组中。
在一种可能的实施方式中,地图确定模块502,用于按照以下步骤基于地图基础模块组中每个地图基础模块所表征道路要素的参数信息、以及预设的每个地图基础模块所表征道路要素的参数信息,从预设的多个地图基础模块中选取与地图基础模块组中每个地图基础模块所表征道路要素的参数匹配度大于预设阈值的至少一个地图基础模块:
针对预设的每个地图基础模块,对该地图基础模块所表征道路要素的参数信息对应的参数值进行随机采样,得到采样后的参数值;
基于地图基础模块组中每个地图基础模块所表征道路要素的参数信息中随机选取的目标参数值、以及预设的每个地图基础模块对应采样后的参数值,从预设的多个地图基础模块中选取与地图基础模块组中每个地图基础模块所表征道路要素的参数匹配度大于预设阈值的至少一个地图基础模块。
在一种可能的实施方式中,地图确定模块502,用于按照以下步骤将选取的一个地图基础模块与地图基础模块进行组合:
确定选取的一个地图基础模块与地图基础模块组中每个地图基础模块之间是否存在重叠;
在确定选取的一个地图基础模块与地图基础模块组中的每个地图基础模块不存在重叠的情况下,将选取的一个地图基础模块与地图基础模块进行组合;
在确定选取的一个地图基础模块与地图基础模块组中的任一地图基础模块存在重叠的情况下,再次执行从预设的多个地图基础模块中选取一个地图基础模块添加到地图基础模块组中的步骤。
在一种可能的实施方式中,地图确定模块502,用于按照以下步骤确定选取的一个地图基础模块与地图基础模块组中的每个地图基础模块之间是否存在重叠:
提取选取的一个地图基础模块所表征道路要素的第一道路特征,以及提取地图基础模块组中的每个地图基础模块所表征道路要素的第二道路特征;
基于第一道路特征与第二道路特征,确定选取的一个地图基础模块与地图基础模块组中的每个地图基础模块之间是否存在重叠。
在一种可能的实施方式中,网络训练模块503,用于按照以下步骤基于针对每张地图确定的环境数据,训练用于控制与仿真车辆对应的行驶设备的神经网络:
针对每张地图,将基于该地图确定的环境数据作为待训练的神经网络的输入数据,将仿真车辆按照该地图行驶的过程中对应的车辆控制操作作为待训练的神经网络的输出,训练神经网络。
在一种可能的实施方式中,网络训练模块503,用于按照以下步骤基于针对每张地图确定的环境数据,训练用于控制与仿真车辆对应的行驶设备的神经网络:
从多种预设车辆控制操作中选取一种目标车辆控制操作;
利用待训练的神经网络,基于针对每张地图确定的环境数据以及选取的目标车辆控制操作,确定更新后的环境数据,以及用于评价目标车辆控制操作的好坏程度的奖赏值;
循环执行基于更新后的环境数据以及奖赏值从多种预设车辆控制操作中选取一种目标车辆控制操作的步骤,直至产生的奖赏值符合预设要求,得到训练好的神经网络。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明,这里不再详述。
本公开实施例还提供了一种电子设备,如图6所示,为本公开实施例提供的电子设备的结构示意图,包括:处理器601、存储器602、和总线603。存储器602存储有处理器601可执行的机器可读指令(比如,图5中的装置中信息获取模块501、地图确定模块502对应的执行指令等),当电子设备运行时,处理器601与存储器602之间通过总线603通信,机器可读指令被处理器601执行时执行如下处理:
获取预设的多个地图基础模块、以及多个地图基础模块中每个地图基础模块所表征道路要素的参数信息;地图基础模块根据道路特征预先确定;
基于每个地图基础模块所表征道路要素的参数信息,确定多张地图;每张地图由多个地图基础模块中的部分或全部地图基础模块组合得到。
本公开实施例还提供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程序,该计算机程序被处理器运行时执行上述方法实施例中所述的仿真地图生成的方法的步骤。其中,该存储介质可以是易失性或非易失的计算机可读取存储介质。
本公开实施例还提供一种计算机程序产品,该计算机程序产品承载有程序代码,所述程序代码包括的指令可用于执行上述方法实施例中所述的仿真地图生成的方法的步骤,具体可参见上述方法实施例,在此不再赘述。
其中,上述计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
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***和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本公开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。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,又例如,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通信接口,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,在本公开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。
所述功能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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本公开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,服务器,或者网络设备等)执行本公开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-OnlyMemory,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。
最后应说明的是:以上所述实施例,仅为本公开的具体实施方式,用以说明本公开的技术方案,而非对其限制,本公开的保护范围并不局限于此,尽管参照前述实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应所述以权利要求的保护范围为准。
Claims (12)
1.一种仿真地图生成的方法,其特征在于,包括:
获取预设的多个地图基础模块、以及每个地图基础模块所表征道路要素的参数信息;所述地图基础模块根据道路特征预先确定;
基于每个所述地图基础模块所表征道路要素的参数信息,确定多张地图;每张地图由所述多个地图基础模块中的部分或全部地图基础模块组合得到。
2.根据权利要求1所述的方法,其特征在于,在确定多张地图之后,所述方法还包括:
针对每张地图,确定仿真车辆按照该地图行驶的过程中所采集到的环境数据;
基于针对每张地图确定的环境数据,训练用于控制与所述仿真车辆对应的行驶设备的神经网络。
3.根据权利要求1所述的方法,其特征在于,基于每个所述地图基础模块所表征道路要素的参数信息,确定一张地图,包括:
从所述预设的多个地图基础模块中确定首个地图基础模块,作为地图基础模块组;
重复执行基于地图基础模块组中每个地图基础模块所表征道路要素的参数信息、以及预设的每个地图基础模块所表征道路要素的参数信息,从所述预设的多个地图基础模块中选取一个地图基础模块添加到地图基础模块组中,并将选取的一个地图基础模块与所述地图基础模块组进行组合,得到新的地图基础模块组,直至选取的地图基础模块的数量达到预设阈值的情况下,基于最新的地图基础模块组得到一张地图。
4.根据权利要求3所述的方法,其特征在于,基于地图基础模块组中每个地图基础模块所表征道路要素的参数信息、以及预设的每个地图基础模块所表征道路要素的参数信息,从所述预设的多个地图基础模块中选取一个地图基础模块添加到地图基础模块组中,包括:
基于地图基础模块组中每个地图基础模块所表征道路要素的参数信息、以及预设的每个地图基础模块所表征道路要素的参数信息,从所述预设的多个地图基础模块中选取与所述地图基础模块组中每个地图基础模块所表征道路要素的参数匹配度大于预设阈值的至少一个地图基础模块;
从选取出的所述至少一个地图基础模块中随机选取一个地图基础模块添加到地图基础模块组中。
5.根据权利要求4所述的方法,其特征在于,所述基于地图基础模块组中每个地图基础模块所表征道路要素的参数信息、以及预设的每个地图基础模块所表征道路要素的参数信息,从所述预设的多个地图基础模块中选取与所述地图基础模块组中每个地图基础模块所表征道路要素的参数匹配度大于预设阈值的至少一个地图基础模块,包括:
针对预设的每个地图基础模块,对该地图基础模块所表征道路要素的参数信息对应的参数值进行随机采样,得到采样后的参数值;
基于所述地图基础模块组中每个地图基础模块所表征道路要素的参数信息中随机选取的目标参数值、以及预设的每个地图基础模块对应采样后的参数值,从所述预设的多个地图基础模块中选取与所述地图基础模块组中每个地图基础模块所表征道路要素的参数匹配度大于预设阈值的至少一个地图基础模块。
6.根据权利要求3-5任一所述的方法,其特征在于,将选取的一个地图基础模块与所述地图基础模块组进行组合,包括:
确定选取的一个地图基础模块与所述地图基础模块组中的每个地图基础模块之间是否存在重叠;
在确定选取的一个地图基础模块与所述地图基础模块组中的每个地图基础模块不存在重叠的情况下,将选取的一个地图基础模块与所述地图基础模块组进行组合;
在确定选取的一个地图基础模块与所述地图基础模块组中的任一地图基础模块存在重叠的情况下,再次执行从所述预设的多个地图基础模块中选取一个地图基础模块添加到地图基础模块组中的步骤。
7.根据权利要求6所述的仿真方法,其特征在于,所述确定选取的一个地图基础模块与所述地图基础模块组中的每个地图基础模块之间是否存在重叠,包括:
提取选取的一个地图基础模块所表征道路要素的第一道路特征,以及提取所述地图基础模块组中的每个地图基础模块所表征道路要素的第二道路特征;
基于所述第一道路特征与所述第二道路特征,确定选取的一个地图基础模块与所述地图基础模块组中的每个地图基础模块之间是否存在重叠。
8.根据权利要求2-7任一所述的仿真方法,其特征在于,所述基于针对每张地图确定的环境数据,训练用于控制与所述仿真车辆对应的行驶设备的神经网络,包括:
针对每张地图,将基于该地图确定的环境数据作为待训练的神经网络的输入数据,将所述仿真车辆按照该地图行驶的过程中对应的车辆控制操作作为待训练的神经网络的输出,训练所述神经网络。
9.根据权利要求2-7任一所述的仿真方法,其特征在于,所述基于针对每张地图确定的环境数据,训练用于控制与所述仿真车辆对应的行驶设备的神经网络,包括:
从多种预设车辆控制操作中选取一种目标车辆控制操作;
利用待训练的神经网络,基于针对每张所述地图确定的环境数据以及选取的目标车辆控制操作,确定更新后的环境数据,以及用于评价所述目标车辆控制操作的好坏程度的奖赏值;
循环执行基于所述更新后的环境数据以及所述奖赏值从多种预设车辆控制操作中选取一种目标车辆控制操作的步骤,直至产生的所述奖赏值符合预设要求,得到训练好的神经网络。
10.一种仿真地图生成的装置,其特征在于,包括:
信息获取模块,用于获取预设的多个地图基础模块、以及每个地图基础模块所表征道路要素的参数信息;所述地图基础模块根据道路特征预先确定;
地图确定模块,用于基于每个所述地图基础模块所表征道路要素的参数信息,确定多张地图;每张地图由所述多个地图基础模块中的部分或全部地图基础模块组合得到。
11.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至9任一所述的仿真地图生成的方法的步骤。
12.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至9任一所述的仿真地图生成的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011503493.2A CN112527940B (zh) | 2020-12-18 | 2020-12-18 | 一种仿真地图生成的方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011503493.2A CN112527940B (zh) | 2020-12-18 | 2020-12-18 | 一种仿真地图生成的方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112527940A true CN112527940A (zh) | 2021-03-19 |
CN112527940B CN112527940B (zh) | 2024-07-16 |
Family
ID=75001461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011503493.2A Active CN112527940B (zh) | 2020-12-18 | 2020-12-18 | 一种仿真地图生成的方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112527940B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180164812A1 (en) * | 2016-12-14 | 2018-06-14 | Samsung Electronics Co., Ltd. | Apparatus and method for generating training data to train neural network determining information associated with road included in image |
CN109186615A (zh) * | 2018-09-03 | 2019-01-11 | 武汉中海庭数据技术有限公司 | 基于高精度地图的车道边线距离检测方法、装置及存储介质 |
CN109643125A (zh) * | 2016-06-28 | 2019-04-16 | 柯尼亚塔有限公司 | 用于训练自动驾驶***的逼真的3d虚拟世界创造与模拟 |
CN109724610A (zh) * | 2018-12-29 | 2019-05-07 | 河北德冠隆电子科技有限公司 | 一种全信息实景导航的方法及装置 |
US20190204089A1 (en) * | 2018-01-04 | 2019-07-04 | Wipro Limited | Method and system for generating and updating vehicle navigation maps with features of navigation paths |
CN110795819A (zh) * | 2019-09-16 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 自动驾驶仿真场景的生成方法和装置、存储介质 |
CN111123738A (zh) * | 2019-11-25 | 2020-05-08 | 的卢技术有限公司 | 提高仿真环境中深度强化学习算法训练效率的方法及*** |
CN111260549A (zh) * | 2018-11-30 | 2020-06-09 | 北京嘀嘀无限科技发展有限公司 | 道路地图的构建方法、装置和电子设备 |
US20200200548A1 (en) * | 2018-12-20 | 2020-06-25 | Qatar Foundation For Education, Science And Community Development | Mapping system and method |
US20200209874A1 (en) * | 2018-12-31 | 2020-07-02 | Chongqing Jinkang New Energy Vehicle, Ltd. | Combined virtual and real environment for autonomous vehicle planning and control testing |
CN111626947A (zh) * | 2020-04-27 | 2020-09-04 | 国家电网有限公司 | 基于生成对抗网络的地图矢量化样本增强方法及*** |
CN111862263A (zh) * | 2020-05-29 | 2020-10-30 | 广东中科臻恒信息技术有限公司 | 自动驾驶汽车测试场景构建方法、设备、存储介质 |
-
2020
- 2020-12-18 CN CN202011503493.2A patent/CN112527940B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109643125A (zh) * | 2016-06-28 | 2019-04-16 | 柯尼亚塔有限公司 | 用于训练自动驾驶***的逼真的3d虚拟世界创造与模拟 |
US20180164812A1 (en) * | 2016-12-14 | 2018-06-14 | Samsung Electronics Co., Ltd. | Apparatus and method for generating training data to train neural network determining information associated with road included in image |
US20190204089A1 (en) * | 2018-01-04 | 2019-07-04 | Wipro Limited | Method and system for generating and updating vehicle navigation maps with features of navigation paths |
CN109186615A (zh) * | 2018-09-03 | 2019-01-11 | 武汉中海庭数据技术有限公司 | 基于高精度地图的车道边线距离检测方法、装置及存储介质 |
CN111260549A (zh) * | 2018-11-30 | 2020-06-09 | 北京嘀嘀无限科技发展有限公司 | 道路地图的构建方法、装置和电子设备 |
US20200200548A1 (en) * | 2018-12-20 | 2020-06-25 | Qatar Foundation For Education, Science And Community Development | Mapping system and method |
CN109724610A (zh) * | 2018-12-29 | 2019-05-07 | 河北德冠隆电子科技有限公司 | 一种全信息实景导航的方法及装置 |
US20200209874A1 (en) * | 2018-12-31 | 2020-07-02 | Chongqing Jinkang New Energy Vehicle, Ltd. | Combined virtual and real environment for autonomous vehicle planning and control testing |
CN110795819A (zh) * | 2019-09-16 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 自动驾驶仿真场景的生成方法和装置、存储介质 |
CN111123738A (zh) * | 2019-11-25 | 2020-05-08 | 的卢技术有限公司 | 提高仿真环境中深度强化学习算法训练效率的方法及*** |
CN111626947A (zh) * | 2020-04-27 | 2020-09-04 | 国家电网有限公司 | 基于生成对抗网络的地图矢量化样本增强方法及*** |
CN111862263A (zh) * | 2020-05-29 | 2020-10-30 | 广东中科臻恒信息技术有限公司 | 自动驾驶汽车测试场景构建方法、设备、存储介质 |
Non-Patent Citations (1)
Title |
---|
聂佩林;余志;何兆成;: "基于MapInfo电子地图的Paramics仿真基础路网构建", ***仿真学报, no. 01, 5 January 2008 (2008-01-05) * |
Also Published As
Publication number | Publication date |
---|---|
CN112527940B (zh) | 2024-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107063711B (zh) | 用于测试无人车的方法和装置 | |
CN107958460A (zh) | 实例级语义分割*** | |
CN110782120B (zh) | 一种交通流模型的评测方法、***、设备及介质 | |
CN113093569A (zh) | 自动驾驶的仿真测试方法、装置、设备和存储介质 | |
CN112634260A (zh) | 一种地图评估的方法、装置、电子设备及存储介质 | |
CN113050856B (zh) | 交互方法、交互装置、存储介质和电子设备 | |
CN104599002A (zh) | 预测订单价值的方法及设备 | |
CN116046008A (zh) | 基于态势感知的路线规划方法、***及效能评估装置 | |
CN111338232B (zh) | 自动驾驶仿真方法及装置 | |
CN109858318A (zh) | 风景图像的类别识别方法及装置 | |
CN103971412A (zh) | 电子地图的展现方法及装置 | |
CN110647053A (zh) | 一种自动驾驶仿真方法及*** | |
CN110516564A (zh) | 路面检测方法和装置 | |
CN113188561A (zh) | 一种导航方法、装置、计算机设备及计算机可读存储介质 | |
CN112527940B (zh) | 一种仿真地图生成的方法、装置、电子设备及存储介质 | |
CN112748453A (zh) | 道路侧定位方法、装置、设备及存储介质 | |
CN111581306B (zh) | 一种行车轨迹模拟方法及装置 | |
CN114743395B (zh) | 一种信号灯检测方法、装置、设备及介质 | |
CN112529116B (zh) | 场景元素融合处理方法、装置和设备及计算机存储介质 | |
CN115357500A (zh) | 自动驾驶***的测试方法、装置、设备和介质 | |
CN114169129A (zh) | 自动驾驶的可视化评估方法和装置 | |
JP7070531B2 (ja) | 都市構造設計装置及び都市構造設計プログラム | |
CN113175940A (zh) | 数据处理方法、装置、设备和存储介质 | |
Feldkamp et al. | Automatic generation of route networks for microscopic traffic simulations | |
CN111694994A (zh) | 信息处理方法及装置 |
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 | ||
GR01 | Patent grant |