CN112668153B - 一种自动驾驶仿真场景生成的方法、装置及设备 - Google Patents
一种自动驾驶仿真场景生成的方法、装置及设备 Download PDFInfo
- Publication number
- CN112668153B CN112668153B CN202011438268.5A CN202011438268A CN112668153B CN 112668153 B CN112668153 B CN 112668153B CN 202011438268 A CN202011438268 A CN 202011438268A CN 112668153 B CN112668153 B CN 112668153B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- track
- target area
- simulated
- automatic driving
- 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.)
- Active
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000006399 behavior Effects 0.000 claims abstract description 136
- 238000012360 testing method Methods 0.000 claims abstract description 50
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 8
- 238000011065 in-situ storage Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 230000009471 action Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供了一种自动驾驶仿真场景生成的方法、装置及设备,根据自动驾驶车辆需要进行测试的区域,获取该目标区域的车辆行为轨迹库和路网信息,其中,路况信息包括道路信息,根据道路信息,生成目标区域的仿真地图,能够更加真实地还原目标区域的测试现场,根据车辆行为轨迹库,以及目标区域的仿真地图,生成自动驾驶仿真场景,不仅生成的仿真场景大小无限制,而且场景中的车辆行为真实多样化,从而使得自动驾驶车辆的测试数据更加准确。
Description
技术领域
本申请属于计算机应用技术领域,尤其涉及一种自动驾驶仿真场景生成的方法、装置及设备。
背景技术
自动驾驶车辆测试是自动驾驶车辆研发与上市前的重要环节,自动驾驶车辆必须经过大量的道路测试才能验证其安全性和可靠性,由于测试里程巨大,且无法制造极端交通事故场景,仿真测试成为自动驾驶车辆算法训练和验证的必要工具。
现有的自动驾驶仿真场景采用计算机自动生成动态交通场景的方法,由于不同的国家、城市的道路信息不同,甚至交通信息也不同,无法完全真实地模拟动态交通场景,导致自动驾驶车辆的测试结果不够准确。
发明内容
本申请实施例提供一种自动驾驶仿真场景生成的方法、装置及设备,能够根据不同区域的车辆行为轨迹库和路网信息,生成自动驾驶仿真场景,比较真实地还原测试现场,使得自动驾驶车辆的测试结果更加准确。
第一方面,本申请实施例提供一种自动驾驶仿真场景生成的方法,方法包括:
获取目标区域的车辆行为轨迹库和路网信息,其中,路网信息包括道路信息;
根据道路信息,生成目标区域的仿真场景地图;
根据车辆行为轨迹库,以及目标区域的仿真场景地图,生成自动驾驶仿真场景。
在一些可能的实现方式中,根据车辆行为轨迹库,以及目标区域的仿真场景地图,生成自动驾驶仿真场景,包括:
根据仿真车辆的预设初始信息,以及车辆行为轨迹库,确定仿真车辆在目标区域的仿真场景地图中的目标行驶轨迹;
根据目标行驶轨迹,生成自动驾驶仿真场景。
在一些可能的实现方式中,车辆行为轨迹库包括每条行驶轨迹的驶入速度、位置信息;预设初始信息包括仿真车辆的初始位置信息和初始速度;根据仿真车辆的预设初始信息,以及车辆行为轨迹库,确定仿真车辆在目标区域的仿真场景地图中的目标行驶轨迹,包括:
确定仿真车辆的初始速度与行驶轨迹的驶入速度的差值小于预设阈值的至少一条预选行为轨迹;
根据仿真车辆的初始位置信息,以及预选行驶轨迹的位置信息,确定仿真车辆在目标区域的仿真场景地图中的目标行驶轨迹。
在一些可能的实现方式中,行为轨迹库是采集设备对至少一个车辆在目标区域内同一目标地点不同时间段采集的行为轨迹的集合。
在一些可能的实现方式中,车辆行为轨迹库包括每个轨迹点的行驶速度;驶入速度为行为轨迹的第一个轨迹点的行驶速度。
在一些可能的实现方式中,路网信息还包括交通信息,用于引导车辆的行驶行为。
第二方面,本申请实施例提供了一种自动驾驶仿真场景生成装置,装置包括:
获取模块,用于获取目标区域的车辆行为轨迹库和路网信息,路网信息包括道路信息;
第一生成模块,用于根据道路信息,生成目标区域的仿真地图;
第二生成模块,用于根据车辆行为轨迹库,以及目标区域的仿真地图,生成自动驾驶仿真场景。
在一些可能的实现方式中,第二生成模块,具体用于根据仿真车辆的预设初始信息,以及车辆行为轨迹库,确定仿真车辆在目标区域的仿真场景地图中的目标行驶轨迹;
根据目标行驶轨迹,生成自动驾驶仿真场景。
第三方面,本申请实施例提供了一种自动驾驶仿真场景生成设备,设备包括:处理器,以及存储有计算机程序指令的存储器;处理器读取并执行计算机程序指令,以实现第一方面或者第一方面任意一种可能的实现方式中的自动驾驶仿真场景生成的方法。
第四方面,本申请实施例提供了一种计算机存储介质,计算机存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现第一方面或者第一方面任意一种可能的实现方式中的自动驾驶仿真场景生成的方法。
本申请实施例提供的自动驾驶仿真场景生成的方法、装置及设备,根据自动驾驶车辆需要进行测试的区域,获取该目标区域的车辆行为轨迹库和路网信息,其中,路况信息包括道路信息,根据道路信息,生成目标区域的仿真地图,能够更加真实地还原目标区域的测试现场,根据车辆行为轨迹库,以及目标区域的仿真地图,生成自动驾驶仿真场景,不仅生成的仿真场景大小无限制,而且场景中的车辆行为真实多样化,从而使得自动驾驶车辆的测试数据更加准确。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单的介绍,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是本申请实施例提供的一种自动驾驶仿真场景生成的方法的流程示意图;
图2是本申请实施例提供的直行路段处车辆行为轨迹示意图;
图3是本申请实施例提供的路口处车辆行为轨迹示意图;
图4是本申请实施例提供的一种自动驾驶仿真场景生成装置的结构示意图;
图5是本申请实施例提供的一种自动驾驶仿真场景生成设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
目前,国内外汽车企业多在封闭/半封闭循环场地进行实车测试,这无疑会消耗大量的时间和人力、物力,且部分典型场景也无法复现。部分车企亦采用软件在环(Softwarein Loop,SIL)、硬件在环(Hardware in Loop,HIL)、车辆在环(Vehicle in oop,VIL)等方法,人为在场景仿真软件中搭建典型场景,但这并不能满足自动驾驶测试无限性、可扩展性、批量化及自动化的要求。因此,构建符合我国道路实际情况的、高覆盖度的自动驾驶车辆仿真场景库对自动驾驶可靠性验证是必不可少的。
在仿真***中构建动态交通场景通常采用结构化方法、人工智能(ArtificialIntelligence,AI)方法、宏观仿真方法、道路采集方法。
结构化方法是高级驾驶辅助***(Advanced Driving Assistant System,ADAS)***常见的用于场地测试和仿真测试的场景构建方法,将所有过程都事先规划,重复操作,不具有随机性和智能性,仅适用于简单的、特定的场景。
AI方法是一种比较新的自动驾驶仿真***的动态交通场景构造方法,所有的车辆和行人通过AI编程,能够具有一定的智能和随机性,可以部分真实地模拟动态交通场景,这种方法的效果取决于所使用的AI算法智能程度,例如Nivida公司利用深度学习技术,提出了计算机自动生成动态交通场景的方法。但是,不能完全模拟真实动态交通场景,而且这种方法会要求海量的计算资源。
通过将宏观仿真方法获得的交通流数据用于规划微观仿真中的车辆和行人的动态行为,与静态交通场景一起构建一个动态交通场景,例如城市机动性模拟(Simulationof Urban Mobility,SUMO)宏观交通流仿真***与开源自动驾驶仿真***CARLA的结合。这种方法的优点是可以充分利用已有的、成熟的并经过验证的宏观交通流模拟软件的数据,但是无法给出车辆、行人的微观行为,例如偏离车道、突然加速、制动等。
道路采集法利用安装有激光雷达、摄像头的采集车在实际道路上行驶,并记录数据,并将此数据用于仿真***的动态交通场景数据输入。该方法的优点虽然数据真实可靠,但是仅能反映部分动态交通场景。
为了解决现有技术问题,本申请实施例提供了一种自动驾驶仿真场景生成的方法、装置及设备。
本申请实施例提供的自动驾驶仿真场景生成的方法、装置及设备,根据自动驾驶车辆需要进行测试的区域,获取该目标区域的车辆行为轨迹库和路网信息,其中,路况信息包括道路信息,根据道路信息,生成目标区域的仿真地图,能够更加真实地还原目标区域的测试现场,根据车辆行为轨迹库,以及目标区域的仿真地图,生成自动驾驶仿真场景,不仅生成的仿真场景大小无限制,而且场景中的车辆行为真实多样化,从而使得自动驾驶车辆的测试数据更加准确。
下面首先对本申请实施例所提供的自动驾驶仿真场景生成的方法进行介绍。
图1示出了本申请一个实施例提供的自动驾驶仿真场景生成的方法的流程示意图。如图1所示,该方法可以包括以下步骤:
S110,获取目标区域的车辆行为轨迹库和路网信息,其中,路网信息包括道路信息。
目标区域为自动驾驶车辆准备进行测试的地方,比如说,中国北京市、美国洛杉矶、北京东城区、长沙宁乡县等。
车辆的行为轨迹指目标车辆开始出现在采集设备观测范围内,到该目标车辆消失在采集设备观测范围内,所经过的一段路程。行为轨迹可以看做一系列连续轨迹点的集合,每个轨迹点包含了目标速度、目标动作、目标到第一个轨迹点的累计距离等信息。其中,目标动作包括直行、右转、左转、掉头、左变道、右变道等。
每一个轨迹点是通过采集设备采集得到的,采集地点可以设置在路口、路段中间,采集设备包括路测摄像头、激光雷达、毫米波雷达等设备,可以是路测摄像头和激光雷达共同采集,也可以是路测摄像头和毫米波雷达共同采集,同时,也可以是路测摄像头、激光雷达、毫米波雷达共同采集,此处不做限定。在采集路测数据之前,需要对参与数据采集的路测摄像头、激光雷达、毫米波雷达等设备进行时空同步校准,以保证在同一地点的路测摄像头、激光雷达、毫米波雷达等设备可以在同一时间采集路测数据。通过多传感器融合感知算法对该采集的路测数据进行融合,以得到车辆多维度的行为数据,获取车辆更加真实准确的行为轨迹。
当采集地点不同时,提取出来的行为轨迹也有所差异。当采集地点处于直行路段时,如图2所示,P1表示路侧杆,C1、C2表示路测摄像机,L1表示激光雷达,R1为路测摄像机C1的观测范围,R2为路测摄像机C2的观测范围,T1、T2、T3代表车辆进入路测摄像机C1的观测范围R1后可能的行为轨迹。其中,T1表示左变道,T2表示直行,T3表示右变道,当然在一个行为轨迹内,也可能会出现多次变道动作,比如说,车辆直行进入路测摄像机C2的观测范围R2后左变道继续行驶。由图2可知,当采集地点处于直行路段时,提取出来的行为轨迹大多以直行、变道为主。
当采集地点处于路口时,如图3所示,P1表示路侧杆,C1、C2表示路测摄像机,L1表示激光雷达,R1为路测摄像机C1和路测摄像机C2的观测范围,T4、T5、T6代表车辆进入观测范围R1后可能的行为轨迹。其中,T4表示左转,T5表示直行,T6表示右转。由图3可知,当采集地点处于路口时,提取出来的行为轨迹包含了直行、左转、右转等。
采集设备采集的路测数据中,不仅包含车辆的行为轨迹,同时还包括行人、自行车、摩托车等其他交通参与者的行为轨迹,对车辆的行为轨迹进行提取,形成车辆的行为轨迹库。
关于车辆的行为轨迹的提取方法,可以是提取采集设备对同一车辆在目标区域内同一目标地点不同时间段采集的至少一条行为轨迹,至少一条行为轨迹的集合形成该车辆的行为轨迹库。也可以是提取采集设备对同一个车辆在目标区域内同一时间段不同目标地点采集的车辆的至少一条行为轨迹,至少一条行为轨迹的集合形成该车辆的行为轨迹库。依据上述行为轨迹库的提取方法,可以从路测采集数据中提取多个车辆的行为轨迹库,因此,车辆行为轨迹库包括至少一个车辆的行为轨迹库。
由于采集设备的误差以及感知算法的精度的影响,造成提取的行为轨迹可能出现位置或速度上的畸变,通常会对提取的行为轨迹进行轨迹平滑和速度平滑处理。
进一步地,可以分别提取并生成公交车、大型货车、行人、自行车、摩托车等各种交通参与者的行为轨迹库。更进一步地,当行为轨迹库中数据足够多的时候,可以利用大数据分析技术,生成通用的某一类型交通参与者的行为模型,利用该模型可以生成该类交通参与者在不同场景下的行为规则。
通过高精地图获取路网信息,路网信息包括机动车道、非机动车道、人行道等道路信息,同时,路网信息还包括车辆引导线、限速、禁止掉头等交通信息。必要时,可以在自动驾驶仿真场景中手动配置路网信息。
自动驾驶仿真***接收采集设备发送的目标区域的车辆行为轨迹库和通过高精地图获取的路网信息,也主动向目标区域的采集设备获取该目标区域的车辆行为轨迹库,以及向高精地图获取目标区域的路网信息。由于车辆行为轨迹库是通过目标区域路测的采集设备采集得到的,更加符合当地车辆的行驶习惯,路网信息是通过高精地图获取的目标区域的地貌形态,能够比较真实地还原测试现场,进而使得自动驾驶车辆的测试数据更加准确。
在执行完步骤S110之后,执行步骤S120,根据道路信息,生成目标区域的仿真场景地图。
自动驾驶仿真***根据道路信息,生成目标区域的仿真地图,该仿真地图能够比较真实地还原测试现场,从而保证自动驾驶仿真***测试的有效性。
S130,根据车辆行为轨迹库,以及目标区域的仿真场景地图,生成自动驾驶仿真场景。
在生成自动驾驶仿真场景时,自动驾驶仿真***会配置一定数量的仿真车辆,这些仿真车辆需要符合一定的规则,例如,车辆位置要在道路机动车的可行驶区域,车辆朝向要满足车道引导线要求,车辆初始速度要满足限速要求等。因此,需要对这些仿真车辆进行初始化,才能使其在自动驾驶仿真场景中运行起来。
根据初始化后的仿真车辆,车辆行驶轨迹库,以及目标区域的仿真场景地图,生成自动驾驶仿真场景。
具体地,根据仿真车辆的预设初始信息,以及车辆行为轨迹库,确定仿真车辆在目标区域的仿真场景地图中的目标行驶轨迹,根据目标行驶轨迹,生成自动驾驶仿真场景。
预设初始信息包括仿真车辆的初始位置信息、初始速度,其中初始位置信息包括仿真车辆的当前位置,以及到下一个路口的距离。
在一些实施例中,确定仿真车辆在目标区域的仿真场景地图中的目标行驶轨迹,包括:确定仿真车辆的初始速度与行驶轨迹的驶入速度的差值小于预设阈值的至少一条预选行为轨迹,根据仿真车辆的初始位置信息,以及预选行驶轨迹的位置信息,确定仿真车辆在目标区域的仿真场景地图中的目标行驶轨迹。
车辆行为轨迹库包括每条行驶轨迹的驶入速度、位置信息,在组成行为轨迹的连续轨迹点中,第一个轨迹点处车辆的行驶速度,称为行为轨迹的驶入速度,最后一个轨迹点处车辆的行驶速度,称为行为轨迹的驶出速度。位置信息包括行为轨迹中每一个轨迹点在道路中所处出的位置信息。
预设阈值设置为尽可能小的数值,确定仿真车辆的初始速度与行驶轨迹的驶入速度的差值小于预设阈值的至少一条预选行为轨迹,也就是说,在车辆行为轨迹库中,搜索与仿真车辆的初始速度无限接近的驶入速度对应的所有行为轨迹作为预选行为轨迹集合。结合仿真车辆的当前位置、到下一个路口的距离等初始位置信息,从预选行为轨迹集合中筛选出与仿真车辆的初始位置信息最吻合的目标行为轨迹,赋值给仿真车辆。组成目标行为轨迹的一系列连续轨迹点上的速度、动作便可以指导小轿车进行运动。
若仿真车辆的初始速度与行为轨迹的驶入速度有一定偏差,可以在初始速度和驶入速度间做一次速度平滑处理。根据目标行为轨迹最后一个轨迹点的位置及速度,重复搜索仿真车辆的行为轨迹库,以此循环进行,可以得到仿真车辆在整个仿真场景下的完整行驶路线及动作。
在一个示例中,定义小轿车当前初始位置为P0,到下一路口的距离为L0,初始速度为V0。在小轿车行为轨迹库中,搜索驶入速度接近V0的所有行为轨迹为预选行为轨迹,得到集合S0。从集合S0中筛选出与小轿车当前所在车道、初始位置P0、到下一路口的距离L0相同或相近的目标行为轨迹T0,赋值给小轿车。组成目标行为轨迹T0的一系列连续轨迹点上的速度、动作便可以指导小轿车进行运动。若初始速度V0与行为轨迹T0的驶入速度有一定偏差,可以在初始速度V0和目标行为轨迹T0的驶入速度间做一次速度平滑处理。根据目标行为轨迹T0结束时小轿车的位置P1及速度V1,重复搜索小轿车的行为轨迹库,以此循环进行,可以得到小轿车在整个仿真场景下的完整行驶路线及动作。
在本申请实施例中,根据自动驾驶车辆需要进行测试的区域,获取该目标区域的车辆行为轨迹库和路网信息,其中,路况信息包括道路信息,根据道路信息,生成目标区域的仿真地图,能够更加真实地还原目标区域的测试现场,根据车辆行为轨迹库,以及目标区域的仿真地图,生成自动驾驶仿真场景,不仅生成的仿真场景大小无限制,而且场景中的车辆行为真实多样化,从而使得自动驾驶车辆的测试数据更加准确。
图4是本申请实施例提供的一种自动驾驶仿真场景生成装置的结构示意图。如图4所示,该装置可以包括获取模块410,第一生成模块420和第二生成模块430。
获取模块410,用于获取目标区域的车辆行为轨迹库和路网信息,路网信息包括道路信息。
第一生成模块420,用于根据道路信息,生成目标区域的仿真地图。
第二生成模块430,用于根据车辆行为轨迹库,以及目标区域的仿真地图,生成自动驾驶仿真场景。
本申请实施例的自动驾驶仿真场景生成装置,能够根据自动驾驶车辆需要进行测试的区域,获取该目标区域的车辆行为轨迹库和路网信息,更加真实地还原目标区域的测试现场,根据车辆行为轨迹库,以及目标区域的仿真地图,生成自动驾驶仿真场景,不仅生成的仿真场景大小无限制,而且场景中的车辆行为真实多样化,从而使得自动驾驶车辆的测试数据更加准确。
在一些实施例中,第二生成模块430,用于根据车辆行为轨迹库,以及目标区域的仿真地图,生成自动驾驶仿真场景,包括:
第二生成模块430,用于根据仿真车辆的预设初始信息,以及车辆行为轨迹库,确定仿真车辆在目标区域的仿真场景地图中的目标行驶轨迹;
根据目标行驶轨迹,生成自动驾驶仿真场景。
在一些实施例中,车辆行为轨迹库包括每条行驶轨迹的驶入速度、位置信息;预设初始信息包括仿真车辆的初始位置信息和初始速度;第二生成模块430,用于根据仿真车辆的预设初始信息,以及车辆行为轨迹库,确定仿真车辆在目标区域的仿真场景地图中的目标行驶轨迹,包括:
第二生成模块430,用于确定仿真车辆的初始速度与行驶轨迹的驶入速度的差值小于预设阈值的至少一条预选行为轨迹;
根据仿真车辆的初始位置信息,以及预选行驶轨迹的位置信息,确定仿真车辆在目标区域的仿真场景地图中的目标行驶轨迹。
在一些实施例中,行为轨迹库是采集设备对至少一个车辆在目标区域内同一目标地点不同时间段采集的行为轨迹的集合。
在一些实施例中,车辆行为轨迹库包括每个轨迹点的行驶速度;驶入速度为行为轨迹的第一个轨迹点的行驶速度。
在一些实施例中,路网信息还包括交通信息,用于引导车辆的行驶行为。
图4所示装置中的各个模块具有实现图1中各个步骤的功能,并能达到其相应的技术效果,为简洁描述,在此不再赘述。
图5示出了本申请实施例提供的自动驾驶仿真场景生成设备的硬件结构示意图。
在自动驾驶仿真场景生成设备可以包括处理器501以及存储有计算机程序指令的存储器502。
具体地,上述处理器501可以包括中央处理器(Central Processing Unit,CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器502可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器502可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在一个实例中,存储器502可以包括可移除或不可移除(或固定)的介质,或者存储器502是非易失性固态存储器。存储器502可在综合网关容灾设备的内部或外部。
在一个实例中,存储器502可包括只读存储器(ROM),随机存取存储器(RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器502包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本申请的一方面的方法所描述的操作。
处理器501通过读取并执行存储器502中存储的计算机程序指令,以实现图1所示实施例中的步骤S110至S130,并达到图1所示实例执行其步骤达到的相应技术效果,为简洁描述在此不再赘述。
在一个示例中,自动驾驶仿真场景生成设备还可包括通信接口503和总线510。其中,如图5所示,处理器501、存储器502、通信接口503通过总线510连接并完成相互间的通信。
通信接口503,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线510包括硬件、软件或两者,将自动驾驶仿真场景生成设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(Accelerated Graphics Port,AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,EISA)总线、前端总线(Front Side Bus,FSB)、超传输(Hyper Transport,HT)互连、工业标准架构(Industry Standard Architecture,ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、***组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线510可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该自动驾驶仿真场景生成设备可以目标区域的车辆行为轨迹库和路网信息执行本申请实施例中的自动驾驶仿真场景生成的方法,从而实现结合图1描述的自动驾驶仿真场景生成的方法。
另外,结合上述实施例中的自动驾驶仿真场景生成的方法,本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种在自动驾驶仿真场景生成的方法。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RadioFrequency,RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或***。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本申请的实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的***、模块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。应理解,本申请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申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (8)
1.一种自动驾驶仿真场景生成的方法,其特征在于,包括:
获取目标区域的车辆行为轨迹库和路网信息,其中,所述目标区域为自动驾驶车辆准备进行实地测试的地方,所述车辆行为轨迹库是通过所述目标区域路测的采集设备采集得到的,所述路网信息包括道路信息;
根据所述道路信息,生成所述目标区域的仿真场景地图;
根据所述车辆行为轨迹库,以及所述目标区域的仿真场景地图,生成自动驾驶仿真场景;
所述根据所述车辆行为轨迹库,以及所述目标区域的仿真场景地图,生成自动驾驶仿真场景,包括:
根据仿真车辆的预设初始信息,以及所述车辆行为轨迹库,确定所述仿真车辆在所述目标区域的仿真场景地图中的目标行驶轨迹;
根据所述目标行驶轨迹,生成自动驾驶仿真场景;
所述车辆行为轨迹库包括每条行驶轨迹的驶入速度、位置信息;所述预设初始信息包括所述仿真车辆的初始位置信息和初始速度;所述根据仿真车辆的预设初始信息,以及所述车辆行为轨迹库,确定所述仿真车辆在所述目标区域的仿真场景地图中的目标行驶轨迹,包括:
确定所述仿真车辆的初始速度与所述行驶轨迹的驶入速度的差值小于预设阈值的至少一条预选行为轨迹;
根据所述仿真车辆的初始位置信息,以及所述预选行为轨迹的位置信息,确定所述仿真车辆在所述目标区域的仿真场景地图中的目标行驶轨迹。
2.根据权利要求1所述的方法,其特征在于,所述行为轨迹库是采集设备对至少一个车辆在所述目标区域内同一目标地点不同时间段采集的行为轨迹的集合。
3.根据权利要求1所述的方法,其方法在于,所述车辆行为轨迹库包括每个轨迹点的行驶速度;所述驶入速度为所述行为轨迹的第一个所述轨迹点的行驶速度。
4.根据权利要求1所述的方法,其特征在于,所述路网信息还包括交通信息,用于引导车辆的行驶行为。
5.一种自动驾驶仿真场景生成装置,其特征在于,所述装置包括:
获取模块,用于获取目标区域的车辆行为轨迹库和路网信息,所述目标区域为自动驾驶车辆准备进行实地测试的地方,所述车辆行为轨迹库是通过所述目标区域路测的采集设备采集得到的,所述路网信息包括道路信息;
第一生成模块,用于根据所述道路信息,生成所述目标区域的仿真地图;
第二生成模块,用于根据所述车辆行为轨迹库,以及所述目标区域的仿真地图,生成自动驾驶仿真场景;
所述第二生成模块,具体用于根据仿真车辆的预设初始信息,以及所述车辆行为轨迹库,确定所述仿真车辆在所述目标区域的仿真场景地图中的目标行驶轨迹;根据所述目标行驶轨迹,生成自动驾驶仿真场景;
所述车辆行为轨迹库包括每条行驶轨迹的驶入速度、位置信息;所述预设初始信息包括所述仿真车辆的初始位置信息和初始速度;
所述第二生成模块,还用于确定所述仿真车辆的初始速度与所述行驶轨迹的驶入速度的差值小于预设阈值的至少一条预选行为轨迹;根据所述仿真车辆的初始位置信息,以及所述预选行为轨迹的位置信息,确定所述仿真车辆在所述目标区域的仿真场景地图中的目标行驶轨迹。
6.根据权利要求5所述的装置,其特征在于,所述第二生成模块,具体用于根据仿真车辆的预设初始信息,以及所述车辆行为轨迹库,确定所述仿真车辆在所述目标区域的仿真场景地图中的目标行驶轨迹;
根据所述目标行驶轨迹,生成自动驾驶仿真场景。
7.一种自动驾驶仿真场景生成设备,其特征在于,所述自动驾驶仿真场景生成设备包括:处理器,以及存储有计算机程序指令的存储器;所述处理器读取并执行所述计算机程序指令,以实现如权利要求1-4任意一项所述的自动驾驶仿真场景生成的方法。
8.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-4任意一项所述的自动驾驶仿真场景生成的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011438268.5A CN112668153B (zh) | 2020-12-11 | 2020-12-11 | 一种自动驾驶仿真场景生成的方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011438268.5A CN112668153B (zh) | 2020-12-11 | 2020-12-11 | 一种自动驾驶仿真场景生成的方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112668153A CN112668153A (zh) | 2021-04-16 |
CN112668153B true CN112668153B (zh) | 2024-03-22 |
Family
ID=75401881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011438268.5A Active CN112668153B (zh) | 2020-12-11 | 2020-12-11 | 一种自动驾驶仿真场景生成的方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668153B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221359B (zh) * | 2021-05-13 | 2024-03-01 | 京东鲲鹏(江苏)科技有限公司 | 一种仿真场景生成方法、装置、设备及存储介质 |
CN113359669B (zh) * | 2021-06-09 | 2023-07-21 | 阿波罗智联(北京)科技有限公司 | 生成测试数据的方法、装置、电子设备和介质 |
CN113569378B (zh) * | 2021-06-16 | 2024-01-05 | 阿波罗智联(北京)科技有限公司 | 仿真场景的生成方法、装置、电子设备以及存储介质 |
CN113341935A (zh) * | 2021-06-24 | 2021-09-03 | 中国第一汽车股份有限公司 | 一种车辆测试方法、装置、测试设备、***及存储介质 |
CN113609571A (zh) * | 2021-07-06 | 2021-11-05 | 中汽创智科技有限公司 | 一种闭环测试方法及*** |
CN113238970B (zh) * | 2021-07-08 | 2021-10-22 | 腾讯科技(深圳)有限公司 | 自动驾驶模型的训练方法、评测方法、控制方法及装置 |
CN113380041B (zh) * | 2021-08-12 | 2022-01-07 | 深圳市城市交通规划设计研究中心股份有限公司 | 基于车路协同仿真的应用场景测试***、方法、设备及存储介质 |
CN113806862B (zh) * | 2021-09-07 | 2022-08-30 | 北京三快在线科技有限公司 | 无人车仿真方法、装置、存储介质及电子设备 |
CN113836726A (zh) * | 2021-09-26 | 2021-12-24 | 中汽创智科技有限公司 | 动态行驶场景的仿真方法、装置、电子设备及存储介质 |
CN113932794B (zh) * | 2021-10-13 | 2022-12-13 | 广州小鹏自动驾驶科技有限公司 | 一种语义地图的更新方法和装置 |
CN114077797A (zh) * | 2021-11-29 | 2022-02-22 | 公安部道路交通安全研究中心 | 基于道路通行法规的自动驾驶测试场景设计方法和装置 |
CN113968229A (zh) * | 2021-11-30 | 2022-01-25 | 广州文远知行科技有限公司 | 道路区域的确定方法、装置和电子设备 |
CN114301792B (zh) * | 2021-12-29 | 2023-05-26 | 北京经纬恒润科技股份有限公司 | 一种交通流模拟方法及交通流传感器 |
CN114435395A (zh) * | 2021-12-31 | 2022-05-06 | 赛可智能科技(上海)有限公司 | 自动驾驶的方法、装置、设备、介质及计算机程序产品 |
CN114415542A (zh) * | 2022-01-06 | 2022-04-29 | 中国第一汽车股份有限公司 | 自动驾驶仿真***、方法、服务器及介质 |
CN114201890B (zh) * | 2022-02-16 | 2022-05-24 | 苏州博宇鑫交通科技有限公司 | 一种高速公路异常事件场景库构建方法 |
CN115277758A (zh) * | 2022-07-15 | 2022-11-01 | 东南大学 | 基于路侧视频的智能网联车辆联合仿真测试方法 |
CN115630583B (zh) * | 2022-12-08 | 2023-04-14 | 西安深信科创信息技术有限公司 | 仿真车辆行驶状态的生成方法、装置、设备和介质 |
CN116167252B (zh) * | 2023-04-25 | 2024-01-30 | 小米汽车科技有限公司 | 雷达配置信息的确定方法、装置、设备及存储介质 |
CN116465394B (zh) * | 2023-06-19 | 2023-11-03 | 西安深信科创信息技术有限公司 | 基于车辆轨迹数据的路网结构生成方法及装置 |
CN117911931B (zh) * | 2024-03-19 | 2024-07-09 | 北京智能车联产业创新中心有限公司 | 基于高空影像构建自动驾驶场景数据方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107063710A (zh) * | 2017-04-21 | 2017-08-18 | 百度在线网络技术(北京)有限公司 | 用于测试无人车的方法和装置 |
CN108459588A (zh) * | 2017-02-22 | 2018-08-28 | 腾讯科技(深圳)有限公司 | 自动驾驶方法及装置、车辆 |
CN108931927A (zh) * | 2018-07-24 | 2018-12-04 | 百度在线网络技术(北京)有限公司 | 无人驾驶仿真场景的创建方法及装置 |
CN109085764A (zh) * | 2018-07-24 | 2018-12-25 | 百度在线网络技术(北京)有限公司 | 无人驾驶仿真场景的创建方法及装置 |
CN109215433A (zh) * | 2017-07-03 | 2019-01-15 | 百度(美国)有限责任公司 | 用于自动驾驶仿真的基于视觉的驾驶场景生成器 |
CN110186470A (zh) * | 2019-04-26 | 2019-08-30 | 纵目科技(上海)股份有限公司 | 符合车辆动力学的参考线生成***、终端和使用方法 |
CN110901648A (zh) * | 2018-09-13 | 2020-03-24 | 通用汽车环球科技运作有限责任公司 | 用于实时生态路线选择和自适应驱动控制的车辆、***和逻辑 |
CN111152783A (zh) * | 2018-11-08 | 2020-05-15 | 上海汽车集团股份有限公司 | 一种车辆智能驾驶方法、***和智能驾驶车辆 |
CN111505965A (zh) * | 2020-06-17 | 2020-08-07 | 深圳裹动智驾科技有限公司 | 自动驾驶车辆仿真测试的方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7073880B2 (ja) * | 2018-04-19 | 2022-05-24 | トヨタ自動車株式会社 | 進路決定装置 |
-
2020
- 2020-12-11 CN CN202011438268.5A patent/CN112668153B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108459588A (zh) * | 2017-02-22 | 2018-08-28 | 腾讯科技(深圳)有限公司 | 自动驾驶方法及装置、车辆 |
CN107063710A (zh) * | 2017-04-21 | 2017-08-18 | 百度在线网络技术(北京)有限公司 | 用于测试无人车的方法和装置 |
CN109215433A (zh) * | 2017-07-03 | 2019-01-15 | 百度(美国)有限责任公司 | 用于自动驾驶仿真的基于视觉的驾驶场景生成器 |
CN108931927A (zh) * | 2018-07-24 | 2018-12-04 | 百度在线网络技术(北京)有限公司 | 无人驾驶仿真场景的创建方法及装置 |
CN109085764A (zh) * | 2018-07-24 | 2018-12-25 | 百度在线网络技术(北京)有限公司 | 无人驾驶仿真场景的创建方法及装置 |
CN110901648A (zh) * | 2018-09-13 | 2020-03-24 | 通用汽车环球科技运作有限责任公司 | 用于实时生态路线选择和自适应驱动控制的车辆、***和逻辑 |
CN111152783A (zh) * | 2018-11-08 | 2020-05-15 | 上海汽车集团股份有限公司 | 一种车辆智能驾驶方法、***和智能驾驶车辆 |
CN110186470A (zh) * | 2019-04-26 | 2019-08-30 | 纵目科技(上海)股份有限公司 | 符合车辆动力学的参考线生成***、终端和使用方法 |
CN111505965A (zh) * | 2020-06-17 | 2020-08-07 | 深圳裹动智驾科技有限公司 | 自动驾驶车辆仿真测试的方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112668153A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112668153B (zh) | 一种自动驾驶仿真场景生成的方法、装置及设备 | |
CN111179585B (zh) | 自动驾驶车辆的场地测试方法及装置 | |
Essa et al. | Simulated traffic conflicts: do they accurately represent field-measured conflicts? | |
CN109657355B (zh) | 一种车辆道路虚拟场景的仿真方法及*** | |
CN113642633B (zh) | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 | |
CN113486531B (zh) | 一种车辆行驶路径规划方法、设备及*** | |
CN112789619B (zh) | 一种仿真场景的构建方法、仿真方法以及设备 | |
CN109060370B (zh) | 对自动驾驶车辆进行车辆测试的方法及装置 | |
Zyner et al. | ACFR five roundabouts dataset: Naturalistic driving at unsignalized intersections | |
CN112396093B (zh) | 驾驶场景分类方法、装置、设备及可读存储介质 | |
CN105702152A (zh) | 地图生成方法和装置 | |
CN112650224A (zh) | 自动驾驶仿真的方法、装置、设备及存储介质 | |
CN115221722B (zh) | 自动驾驶车辆的仿真测试方法、模型训练方法和设备 | |
CN116778292B (zh) | 多模态车辆时空轨迹的融合方法、装置、设备及存储介质 | |
CN115690153A (zh) | 一种智能体轨迹预测方法及*** | |
CN112540365A (zh) | 一种评估方法、装置、设备及存储介质 | |
Montanari et al. | Pattern recognition for driving scenario detection in real driving data | |
CN111368409A (zh) | 车辆流的模拟处理方法、装置、设备和存储介质 | |
CN115165398A (zh) | 车辆的行驶功能测试方法、装置、计算设备及介质 | |
King et al. | Capturing the Variety of Urban Logical Scenarios from Bird-view Trajectories. | |
US20230281424A1 (en) | Method for Extracting Features from Data of Traffic Scenario Based on Graph Neural Network | |
Li | A scenario-based development framework for autonomous driving | |
CN116434534A (zh) | 道路拥堵指数确定方法、装置、设备、介质及产品 | |
CN114707567A (zh) | 轨迹分类方法、轨迹分类模型训练方法及计算机程序产品 | |
Roth et al. | CrowdAbout: Using vehicles as sensors to improve map data for ITS |
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 |