CN112712595A - 一种生成仿真环境的方法及装置 - Google Patents
一种生成仿真环境的方法及装置 Download PDFInfo
- Publication number
- CN112712595A CN112712595A CN202110069350.3A CN202110069350A CN112712595A CN 112712595 A CN112712595 A CN 112712595A CN 202110069350 A CN202110069350 A CN 202110069350A CN 112712595 A CN112712595 A CN 112712595A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- map
- dimensional simulation
- determining
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 228
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000008447 perception Effects 0.000 claims abstract description 93
- 238000012549 training Methods 0.000 claims abstract description 71
- 238000009826 distribution Methods 0.000 claims abstract description 57
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种生成仿真环境的方法以及装置,先根据三维仿真环境中障碍物的属性,以及无人驾驶设备在所述三维仿真环境中的位姿,确定在二维仿真地图中的感知盲区,然后再将包含感知盲区的二维仿真地图数据输入预先训练的噪声仿真模型,得到符合预设噪声分布的二维噪声仿真地图。由于二维噪声仿真地图即包含了传感器盲区的知识,也包含了拟合出的噪声,因此更加符合真实情况基于感知数据生成的二维地图,为训练路径规划模型提供了更好的环境,使得模型训练效率以及效果得以提高。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种生成仿真环境的方法及装置。
背景技术
目前,无人驾驶技术已经日渐成熟,在无人驾驶技术中,基于感知的数据进行路径规划是非常重要的一环。一般的,为了提高效率,路径规划模型在训练时,通常会先在仿真环境中进行训练,因此仿真环境是否足够真实便显得十分重要。
在现有技术中,通常路径规划所采用的仿真环境是在三维仿真环境的基础上,提取出包含了各障碍物的边界的二维的仿真地图,并利用该仿真地图训练路径规划模型。
但是,从三维仿真环境提取出的二维仿真地图,存在“上帝视角”的问题,使得路径规划模型获取过多准确的信息,导致仿真环境与实际环境差异较大,模型训练效果不佳。
发明内容
本说明书实施例提供一种生成仿真环境的方法及装置,以部分解决上述现有技术存在的问题。
本说明书实施例采用下述技术方案:
本说明书提供的一种生成仿真环境的方法,包括:
获取三维仿真环境数据,所述三维仿真环境数据中至少包括各障碍物的属性,所述属性至少包括位姿以及形状;
确定所述三维仿真环境数据对应的二维仿真地图数据,所述二维仿真地图数据中包含各障碍物的边界信息;
当根据所述二维仿真地图数据训练路径规划模型时,根据无人驾驶设备在所述三维仿真环境中的位姿,以及所述三维仿真环境数据中各障碍物的属性,确定所述二维仿真地图中的感知盲区;
将根据所述二维仿真地图数据以及所述感知盲区,确定第一感知地图,并输入预先训练好的噪声仿真模型,确定符合预设噪声分布的二维仿真地图,作为第二感知地图,所述路径规划模型基于所述第二感知地图进行路径规划。
可选地,根据无人驾驶设备在所述三维仿真环境中的位姿,以及所述三维仿真环境数据中各障碍物的属性,确定所述二维仿真地图中的感知盲区,具体包括:
根据所述无人驾驶设备在所述三维仿真环境中的位姿,确定所述无驾驶设备的传感器的位姿;
根据所述三维仿真环境数据中各障碍物的属性,确定各障碍物的位姿以及形状;
根据所述传感器的位姿、各障碍物的位姿以及形状,根据预设的物理遮挡规则,在所述二维仿真地图中确定所述传感器的感知盲区。
可选地,根据所述传感器的位姿、各障碍物的位姿以及形状,根据预设的物理遮挡规则,在所述二维仿真地图中确定所述传感器的感知盲区,具体包括:
将所述传感器的位姿、各障碍物的属性以及所述三维仿真环境数据作为输入,输入预先训练的盲区确定模型,得到所述二维仿真地图中所述传感器的感知盲区;
所述盲区确定模型是通过下述方法训练得到的:
确定包含障碍物以及传感器的若干三维仿真环境数据,作为训练样本;
针对每个训练样本,在该训练样本的三维仿真环境数据中,根据所述传感器的位姿以及各障碍物的三维模型,确定所述传感器感知到的环境点云;
根据所述环境点云在地图上的投影,以及该训练样本的三维仿真环境对应的二维仿真地图,确定感知盲区,作为该训练样本的标注;
根据确定出的各训练样本以及每个训练样本的标注,对所述盲区确定模型进行训练。
可选地,所述噪声仿真模型由第一网络以及第二网络组成,所述第一网络分别由编码器-解码器构成,所述第二网络由及生成子网络-鉴别子网络构成;
采用下述方法训练所述噪声仿真模型:
获取从实际环境中采集的原始感知数据;
根据所述原始感知数据,确定二维感知地图;
将所述二维感知地图输入所述第一网络的编码层,得到的编码数据;
将所述编码数据输入所述第一网络的解码层,将得到的解码结果,作为隐向量;
将所述隐向量输入所述第二网络的生成子网络,得到生成的包含噪声的二维感知地图;
将所述包含噪声的二维感知地图输入所述第二网络的鉴别子网络,得到所述鉴别网络层输出鉴别结果;
根据所述编码数据分布的正则损失项、所述隐变量的分布损失项以及所述鉴别结果的损失项中的至少一种,确定损失,并以损失最小为优化目标,对所述噪声仿真模型进行训练。
可选地,确定所述编码数据分布的正则损失项,具体包括:
根据所述编码层对所述二维感知地图进行编码得到的编码数据的分布,作为后验分布,以及根据编码数据的先验分布,确定信息熵,作为编码数据分布的正则损失项。
可选地,确定所述隐变量的分布损失项,具体包括:
针对所述鉴别子网络各层,确定所述二维感知地图输入所述鉴别子网络后,该层输出的所述二维感知地图的第一鉴别结果;
根据所述生成子网络对所述隐变量进行还原后,生成的包含噪声的二维感知地图,确定该层输出的所述包含噪声的二维感知地图的第二鉴别结果;
根据各层输出的第一鉴别结果与第二鉴别结果的分布差异,确定隐变量的分布损失项;
其中,所述第一鉴别结果与第二鉴别结果的分布均符合预设的正态分布图。
可选地,确定所述鉴别结果的损失项,具体包括:
根据所述鉴别子网络输出的对所述二维感知地图的鉴别结果、所述鉴别子网络输出的对所述包含噪声的二维感知地图的鉴别结果以及所述鉴别子网络输出的对所述隐变量的鉴别结果,确定所述鉴别结果的损失项。
本说明书提供的一种生成仿真环境的装置,包括:
获取模块,获取三维仿真环境数据,所述三维仿真环境数据中至少包括各障碍物的属性,所述属性至少包括位姿以及形状;
确定模块,确定所述三维仿真环境数据对应的二维仿真地图数据,所述二维仿真地图数据中包含各障碍物的边界信息;
盲区生成模块,当根据所述二维仿真地图数据训练路径规划模型时,根据无人驾驶设备在所述三维仿真环境中的位姿,以及所述三维仿真环境数据中各障碍物的属性,确定所述二维仿真地图中的感知盲区;
噪声生成模块,将根据所述二维仿真地图数据以及所述感知盲区,确定第一感知地图,并输入预先训练好的噪声仿真模型,确定符合预设噪声分布的二维仿真地图,作为第二感知地图,所述路径规划模型基于所述第二感知地图进行路径规划。
本说明书提供的一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的生成仿真环境方法。
本说明书提供的一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的生成仿真环境方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
本说明书实施例在生成用于规划路径的仿真环境时,先根据三维仿真环境中障碍物的属性,以及无人驾驶设备在所述三维仿真环境中的位姿,确定在二维仿真地图中的感知盲区,然后再将包含感知盲区的二维仿真地图数据输入预先训练的噪声仿真模型,得到符合预设噪声分布的二维噪声仿真地图。由于二维噪声仿真地图即包含了传感器盲区的知识,也包含了拟合出的噪声,因此更加符合真实情况基于感知数据生成的二维地图,为训练路径规划模型提供了更好的环境,使得模型训练效率以及效果得以提高。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书实施例提供的生成仿真环境的流程示意图;
图2为本说明书提供的三维仿真环境的示意图;
图3为本说明书提供的二维仿真地图数据的示意图;
图4a~4c为本说明书提供的感知盲区的示意图;
图5为本说明书实施例提供的训练盲区确定模型的流程示意图;
图6为本说明书实施例提供的一种生成仿真环境装置的结构示意图;
图7为本说明书实施例提供的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书实施例提供的生成仿真环境的流程示意图,包括:
S100:获取三维仿真环境数据,所述三维仿真环境数据中至少包括各障碍物的属性,所述属性至少包括位姿以及形状。
在本说明书一个或多个实施例中,由于仿真环境主要用于离线训练模型,也就是在非现实环境中训练模型,因此通常是由服务器根据需要生成仿真环境的。同理,在本说明书中,该生成仿真环境的过程也可由服务器执行。当然,具体该服务器是单独的设备,或是多个设备组成的***,本说明书不做限制。
具体的,该服务器首先可以确定通过建模等方式生成的三维仿真环境数据,当然该三维仿真环境数据中至少需要包含障碍物的数据。另外,由于本说明书生成的仿真环境可用于训练路径规划模型,因此该三维仿真环境数据中还可包含道路信息,如图2所示。
图2为本说明书提供的三维仿真环境的示意图,可见该三维仿真环境中包含道路以及在道路上的若干障碍物。障碍物既可以是静态障碍物,如路灯、信号灯、路障等,也可以是动态障碍物,如交通工具、行人等等。
另外,由于传感器的感知盲区,与传感器自身的位姿以及障碍物的位置和形状有关,因此在该三维仿真环境数据中还可包含各障碍物的属性,该属性至少包括目标物的位姿以及形状。以便后续可以基于该三维仿真环境数据,确定当传感器在不同位置时,应当出现的感知盲区。
进一步地,在本说明书中,该三维仿真环境数据用于在三维空间中建模,得到三维仿真环境,即图2所示意的三维仿真环境。因此为了使得生成的仿真环境更加真实,该三维仿真环境数据,可以是通过对实际场景进行采集得到的。例如,预先采集若干不同类型的道路的点云,采集若干不同类型的障碍物的点云,并基于采集到的点云生成道路以及障碍物的三维模型。则后续在需要三维仿真环境数据时,可以通过随机组合或者人工设置的方式,通过组合各种不同的三维模型,得到若干三维环境数据。
当然,该三维仿真环境数据,也可以是在三维空间中创建的,具体三维仿真环境数据是如何获取的,可以根据需要设置,本说明书不做限制。
S102:确定所述三维仿真环境数据对应的二维仿真地图数据,所述二维仿真地图数据中包含各障碍物的边界信息。
在本说明书一个或多个实施例中,由于路径规划并不需要三维数据,而只需要平面的二维地图数据便可进行,因此通常在进行路径规划时,都是基于二维数据进行路径规划的。于是,为了符合路径规划模型的实际应用场景,在本说明书一个或多个实施例中,该服务器在获取三维仿真环境数据后,还可确定对应的二维仿真地图数据。并且,由于该三维仿真环境数据中包含了障碍物的属性,因此在得到二维仿真地图数据时,该二维仿真地图数据中包含有各障碍物的边界信息。
具体的,该服务器可根据该三维仿真环境数据,在三维空间中进行建模,之后确定三维空间中各障碍物在地面的投影,得到包含各障碍物的边界的二维仿真地图数据,如图3所示。
图3为本说明书提供的二维仿真地图数据的示意图,其中可见道路边界以及各障碍物的边界。
需要说明的是,此时该服务器得到的仍是具有“上地视角”的地图,但是此时由于还不确定进入仿真环境的虚拟无人车的位置,因此也就无法确定传感器的感知盲区等信息。
S104:当根据所述二维仿真地图数据训练路径规划模型时,根据无人驾驶设备在所述三维仿真环境中的位姿,以及所述三维仿真环境数据中各障碍物的属性,确定所述二维仿真地图中的感知盲区。
在本说明书一个或多个实施例中,当需要根据所述二维仿真地图数据训练路径规划模型时,该服务器便可根据无人驾驶设备在三维仿真环境中的位姿,以及三维仿真环境数据中各障碍物的属性,在该二维仿真地图中,确定该无人驾驶设备的传感器的感知盲区。
现有在进行路径规划模型的训练时,会先设置虚拟无人驾驶设备的初始位置,以及设置虚拟无人驾驶设备的目的地,而无人驾驶设备以二维仿真地图的全局信息作为传感器感知到的数据,进行数据规划。
因此一般在进行路径规划时,只需要二维仿真地图即可,但是在本说明书提供的实施例中,由于需要模拟出传感器的感知盲区,而如在步骤S100中描述的感知盲区是由障碍物的属性以及传感器的位姿共同确定的,因此在本说明书进行路径规划时,首先需要确定还需要确定无人驾驶设备在二维仿真地图对应的三维仿真环境中的位姿。该位姿在路径规划训练开始时,是根据设置的无人车的初始位置以及朝向确定的,而在后续无人驾驶设备在按照规划出的路径行驶时,则不同时刻该无人驾驶设备的位姿都需要重新确定。
简单的来说,就是随着无人驾驶设备沿规划出的路径不断行驶,能够感知到的障碍物是不完全一样的,并且产生的盲区也是不完全一致的,需要在每个不同时刻,根据该时刻该无人驾驶设备的位姿,重新确定感知盲区。
其次,在该三维仿真环境中,根据无人驾驶设备在三维仿真环境中的位姿,确定无驾驶设备的传感器的位姿。
最后,根据该根据所述传感器的位姿、各障碍物的位姿以及形状,根据预设的物理遮挡规则,在所述二维仿真地图中确定所述传感器的感知盲区。
具体的,该物理遮挡规则可以根据经验设置,例如,假设一般传感器的高度为2m,则根据障碍物的高度以及在该传感器采集方向的垂直宽度,确定该盲区的面积以及形状,其中障碍物的高度与传感器的高度的差越大,则盲区的面积越大,障碍物在该传感器采集方向的垂直宽度越大,则盲区的面积越大。盲区的形状则可是预先设置的,例如倒梯形,或者矩形等等。
图4a为本说明书提供的感知盲区的示意图,图4a是基于图3的二维仿真地图确定的,其中可见传感器的位姿以及确定出的各感知盲区。
另外,在本说明书中,该感知盲区除了由遮挡产生以外,还可按照预设的感知范围,确定感知盲区。也就是以传感器为中心,按照预设的半径,确定该传感器可感知到的障碍物的边界。当然,也可预设传感器感知的朝向,则感知盲区会进一步扩大。当然,上述遮挡产生的感知盲区和感知范围产生的感知盲区可以组合使用,确定更加精细的感知盲区。
图4b为本说明书提供的感知盲区的示意图,可见确定以传感器为中心预设半径内障碍物的边界,地图其余地方则作为感知盲区。图4c则进一步的增加了对感知朝向的限制。当然,上述多种确定感知盲区的方式,可以结合使用,即根据多种物理遮挡规则,确定综合的感知盲区。
S106:将根据所述二维仿真地图数据以及所述感知盲区,输入预先训练好的噪声仿真模型,确定符合预设噪声分布的二维噪声仿真地图,所述路径规划模型基于所述二维噪声仿真地图进行路径规划。
在本说明书中,由于在实际场景中,传感器感知的到的数据总是存在误差和干扰的,即噪声,因此该服务器还可进一步对噪声进行学习,以将计算得到的噪声加入到步骤S104得到的感知盲区中,使得生成的仿真环境数据更加精准。
通常,噪声影响来源是多重的,例如,包括传感器误差(如,相机、雷达、速度计、加速度计、陀螺仪等无人驾驶设备用于感知环境所用到的一个或多个传感器等)、***误差、外部参数影响(如,无人驾驶设备的外形、传感器朝向、外接光照等)、车辆抖动(如,受到速度、运行功率、稳定性等的影响产生的无人驾驶设备的抖动)。
具体的,在本说明书中,该噪声仿真模型可由第一网络以及第二网络组成,该第一网络分别由编码器-解码器构成,该第二网络由及生成子网络-鉴别子网络构成。具体的,该第一网络可以是变分自动编码器(Variational Autoencoder,VAE),该第二网络具体可以是生成式对抗网络(Generative Adversarial Networks,GAN)。
本说明书中,以下述方式训练该噪声仿真模型:
首先,获取从实际环境中采集的原始感知数据。
在本说明书中,为了使训练出的噪声仿真模型可以输出与实际采集产生的噪声相似的噪声,该服务器可以获取传感器从实际环境中采集的原始感知数据,其中,该传感器可以与后续无人驾驶设备的采用的传感器属于同一类型。
由于不同类型的传感器的噪声可能存在分布的差异,因此为了使噪声仿真模型效果更好,该服务器还可针对每种类型的传感器,分别训练一个对应该类型传感器的噪声仿真模型。为了方便描述,本申请种仅以训练一种噪声仿真模型为例进行说明,当然可以根据相同的过程训练对应多个类型传感器的噪声仿真模型。
其次,根据所述原始感知数据,确定二维感知地图。
该服务器可以采用步骤S102相同的方式,确定原始感知数据对应的二维感知地图,作为训练样本。
再次,将所述二维感知地图输入所述第一网络的编码层,得到的编码数据。
然后,将所述编码数据输入所述第一网络的解码层,将得到的解码结果,作为隐向量。
上述两步骤即为将作为训练样本的二维感知地图输入VAE模型的编码器以及解码器,得到输出结果的过程,但是由于在本说明书中,将VAE模型和GAN模型联合在一起,因此训练过程也是联合训练,于是解码器输出的结果,并非常规VAE模型的输出,而是作为GAN模型生成网络生成感知地图的数据。
之后,将所述隐向量输入所述第二网络的生成子网络,得到生成的包含噪声的二维感知地图。
再之后,将所述包含噪声的二维感知地图输入所述第二网络的鉴别子网络,得到所述鉴别网络层输出鉴别结果。
上述两步骤即为将VAE模型解码器输出的隐变量,分别输入生成子网络以及鉴别子网络,而得到的鉴别结果的过程。
最后,根据所述编码数据分布的正则损失项、所述隐变量的分布损失项以及所述鉴别结果的损失项中的至少一种,确定损失,并以损失最小为优化目标,对所述噪声仿真模型进行训练
在本说明书中,由于是联合训练,因此该服务器可根据该编码数据分布的正则损失项、该隐变量的分布损失项以及该鉴别结果的损失项中的至少一种,确定损失。损失公式具体表示为:其中,Lprior表示编码数据分布的正则损失项,表示隐变量的分布损失项,LGAN表示鉴别结果的损失项。
其中,Lprior与传统VAE模型中的正则项相同,表示为Lprior=DKL(q(z|x)‖p(z)),其中DKL表示KL散度,x表示输入的二维感知地图,z~Enc(x)=q(z|x)也就是编码器对二维感知地图编码后的结果,因此Lprior是根据该编码层对该二维感知地图进行编码得到的编码数据的分布,作为后验分布,以及根据编码数据的先验分布,确定的信息熵(即,KL散度)。
为对于传统的VAE模型的损失中像素分布损失项,进行调整后的损失,由于不再仅基于VAE模型输出噪声,而VAE模型输出的结果需要进入生成对抗网络进行学习,因此可利用鉴别子网络输出结果确定像素分布损失项,当然此时该项也就不再是像素分布损失项,而是鉴别结果分布的损失项。
具体的,其中,p(Disl(x)|z)表示分布符合正态分布图的约束条件其中,Disl(x)和分别表示鉴别子网络的第l层,对二维感知地图的鉴别结果以及对隐变量的鉴别结果,Disl(x)∈[0,1],也就是说正态分布图的均值和差分分别根据两个鉴别结果确定。也就是说,针对该鉴别子网络各层,确定该二维感知地图输入该鉴别子网络后,该层输出的该二维感知地图的第一鉴别结果,根据该生成子网络对该隐变量进行还原后,生成的包含噪声的二维感知地图,确定该层输出的该包含噪声的二维感知地图的第二鉴别结果,根据各层输出的第一鉴别结果与第二鉴别结果的分布差异,确定隐变量的分布损失项。
LGAN即为传统GAN网络的损失,可用公式LGAN=log(Disl(x))+log(1-Disl(Gen(z)))表示,其中Gen(z)为生成子网络输出的包含噪声的二维感知地图,Disl(x)为鉴别子网络对二维感知地图的鉴别结果。
进一步地,在本说明书中,为了增加GAN网络的损失对VAE模型的学习效果,该LGAN还可增加VAE损失项,则公式具体可为LGAN=log(Disl(x))+log(1-Disl(Gen(z)))+log(1-Disl(Dec(Enc(x)))),Disl(Dec(Enc(x)))表示对解码器输出的隐变量的鉴别结果。也就是说,该服务器根据该鉴别子网络输出的对该二维感知地图的鉴别结果、该鉴别子网络输出的对该包含噪声的二维感知地图的鉴别结果以及该鉴别子网络输出的对该隐变量的鉴别结果,确定该鉴别结果的损失项。
通过图1所示的生成仿真环境的流程,先根据三维仿真环境中障碍物的属性,以及无人驾驶设备在所述三维仿真环境中的位姿,确定在二维仿真地图中的感知盲区,然后再将包含感知盲区的二维仿真地图数据输入预先训练的噪声仿真模型,得到符合预设噪声分布的二维噪声仿真地图。由于二维噪声仿真地图即包含了传感器盲区的知识,也包含了拟合出的噪声,因此更加符合真实情况基于感知数据生成的二维地图,为训练路径规划模型提供了更好的环境,使得模型训练效率以及效果得以提高。
进一步地,在本说明书中,该服务器也可通过预先训练的盲区确定模型,确定二维仿真地图中传感器的感知盲区。具体的,该服务器可将传感器的位姿、各障碍物的位姿以及形状作为输入,输入预先训练的盲区确定模型,得到盲区确定模型输出的包含感知盲区的二维仿真地图。
其中,该盲区确定模型是通过下述方法训练得到的,如图5:
S200:确定包含障碍物以及传感器的若干三维仿真环境数据,作为训练样本。
该服务器可通过在若干三维仿真环境数据的不同位置添加无人驾驶设备,得到若干包含了障碍物以及传感器的三维仿真环境数据,作为训练样本。
S202:针对每个训练样本,在该训练样本的三维仿真环境数据中,根据所述传感器的位姿以及各障碍物的三维模型,确定所述传感器感知到的环境点云。
在本说明书中,该服务器在确定出训练样本之后,还需要确定各训练样本的标注,因此该服务器可针对每个训练样本,根据三维仿真环境数据进行数据建模,得到包含各障碍物的三维模型以及传感器位姿的三维空间,之后再根据传感器的位姿以及各障碍物的三维模型,确定该传感器感知到的环境点云。
S204根据所述环境点云在地图上的投影,以及该训练样本的三维仿真环境对应的二维仿真地图,确定感知盲区,作为该训练样本的标注。
在本说明书中,针对每个训练样本,该服务器可根据确定该传感器感知到的环境点云,确定环境点云在地面上的投影,作为二维仿真地图中的障碍物的边界。进而可根据该训练样本的三维仿真环境对应的二维仿真地图,以及确定出的可感知的障碍物的边界,确定感知盲区,作为该训练样本的标注。
S206:根据确定出的各训练样本以及每个训练样本的标注,对所述盲区确定模型进行训练。
在本说明书中,前述步骤S200~S206相当于生成训练样本的阶段,而在生成得到的训练样本之后,该服务器便可根据训练样本及其标注,训练盲区确定模型。其中,该盲区确定模型可以是神经网络模型,具体采用何种模型本说明书不做限制。
以上为本说明书实施例提供的生成仿真环境方法,基于同样的思路,本说明书还提供了相应的装置、存储介质和电子设备。
图6为本说明书实施例提供的一种生成仿真环境的结构示意图,所述装置包括:
获取模块300,获取三维仿真环境数据,所述三维仿真环境数据中至少包括各障碍物的属性,所述属性至少包括位姿以及形状;
确定模块302,确定所述三维仿真环境数据对应的二维仿真地图数据,所述二维仿真地图数据中包含各障碍物的边界信息;
盲区生成模块304,当根据所述二维仿真地图数据训练路径规划模型时,根据无人驾驶设备在所述三维仿真环境中的位姿,以及所述三维仿真环境数据中各障碍物的属性,确定所述二维仿真地图中的感知盲区;
噪声生成模块306,将根据所述二维仿真地图数据以及所述感知盲区,确定第一感知地图,并输入预先训练好的噪声仿真模型,确定符合预设噪声分布的二维仿真地图,作为第二感知地图,所述路径规划模型基于所述第二感知地图进行路径规划。
可选地,所述盲区生成模块304,根据所述无人驾驶设备在所述三维仿真环境中的位姿,确定所述无驾驶设备的传感器的位姿,根据所述三维仿真环境数据中各障碍物的属性,确定各障碍物的位姿以及形状,根据所述传感器的位姿、各障碍物的位姿以及形状,根据预设的物理遮挡规则,在所述二维仿真地图中确定所述传感器的感知盲区。
可选地,所述盲区生成模块304,将所述传感器的位姿、各障碍物的属性以及所述三维仿真环境数据作为输入,输入预先训练的盲区确定模型,得到所述二维仿真地图中所述传感器的感知盲区。
所述装置还包括:
训练模块308,确定包含障碍物以及传感器的若干三维仿真环境数据,作为训练样本,针对每个训练样本,在该训练样本的三维仿真环境数据中,根据所述传感器的位姿以及各障碍物的三维模型,确定所述传感器感知到的环境点云,根据所述环境点云在地图上的投影,以及该训练样本的三维仿真环境对应的二维仿真地图,确定感知盲区,作为该训练样本的标注,根据确定出的各训练样本以及每个训练样本的标注,对所述盲区确定模型进行训练。
可选的,所述噪声仿真模型由第一网络以及第二网络组成,所述第一网络分别由编码器-解码器构成,所述第二网络由及生成子网络-鉴别子网络构成,
所述训练模块308,获取从实际环境中采集的原始感知数据,根据所述原始感知数据,确定二维感知地图,将所述二维感知地图输入所述第一网络的编码层,得到的编码数据,将所述编码数据输入所述第一网络的解码层,将得到的解码结果,作为隐向量,将所述隐向量输入所述第二网络的生成子网络,得到生成的包含噪声的二维感知地图,将所述包含噪声的二维感知地图输入所述第二网络的鉴别子网络,得到所述鉴别网络层输出鉴别结果,根据所述编码数据分布的正则损失项、所述隐变量的分布损失项以及所述鉴别结果的损失项中的至少一种,确定损失,并以损失最小为优化目标,对所述噪声仿真模型进行训练。
可选的,所述训练模块308,根据所述编码层对所述二维感知地图进行编码得到的编码数据的分布,作为后验分布,以及根据编码数据的先验分布,确定信息熵,作为编码数据分布的正则损失项。
可选的,所述训练模块308,针对所述鉴别子网络各层,确定所述二维感知地图输入所述鉴别子网络后,该层输出的所述二维感知地图的第一鉴别结果,根据所述生成子网络对所述隐变量进行还原后,生成的包含噪声的二维感知地图,确定该层输出的所述包含噪声的二维感知地图的第二鉴别结果,根据各层输出的第一鉴别结果与第二鉴别结果的分布差异,确定隐变量的分布损失项,其中,所述第一鉴别结果与第二鉴别结果的分布均符合预设的正态分布图
可选的,所述训练模块308,根据所述鉴别子网络输出的对所述二维感知地图的鉴别结果、所述鉴别子网络输出的对所述包含噪声的二维感知地图的鉴别结果以及所述鉴别子网络输出的对所述隐变量的鉴别结果,确定所述鉴别结果的损失项。
本说明书还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可用于执行上述提供的生成仿真环境方法。
基于上述提供的生成仿真环境方法,本说明书实施例还提供了图7所示的电子设备的结构示意图。如图7,在硬件层面,该无人设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述的生成仿真环境方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、***、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种生成仿真环境的方法,其特征在于,包括:
获取三维仿真环境数据,所述三维仿真环境数据中至少包括各障碍物的属性,所述属性至少包括位姿以及形状;
确定所述三维仿真环境数据对应的二维仿真地图数据,所述二维仿真地图数据中包含各障碍物的边界信息;
当根据所述二维仿真地图数据训练路径规划模型时,根据无人驾驶设备在所述三维仿真环境中的位姿,以及所述三维仿真环境数据中各障碍物的属性,确定所述二维仿真地图中的感知盲区;
将根据所述二维仿真地图数据以及所述感知盲区,输入预先训练好的噪声仿真模型,确定符合预设噪声分布的二维噪声仿真地图,所述路径规划模型基于所述二维噪声仿真地图进行路径规划。
2.如权利要求1所述的方法,其特征在于,根据无人驾驶设备在所述三维仿真环境中的位姿,以及所述三维仿真环境数据中各障碍物的属性,确定所述二维仿真地图中的感知盲区,具体包括:
根据所述无人驾驶设备在所述三维仿真环境中的位姿,确定所述无驾驶设备的传感器的位姿;
根据所述三维仿真环境数据中各障碍物的属性,确定各障碍物的位姿以及形状;
根据所述传感器的位姿、各障碍物的位姿以及形状,根据预设的物理遮挡规则,在所述二维仿真地图中确定所述传感器的感知盲区。
3.如权利要求2所述的方法,其特征在于,根据所述传感器的位姿、各障碍物的位姿以及形状,根据预设的物理遮挡规则,在所述二维仿真地图中确定所述传感器的感知盲区,具体包括:
将所述传感器的位姿、各障碍物的属性以及所述三维仿真环境数据作为输入,输入预先训练的盲区确定模型,得到所述二维仿真地图中所述传感器的感知盲区;
所述盲区确定模型是通过下述方法训练得到的:
确定包含障碍物以及传感器的若干三维仿真环境数据,作为训练样本;
针对每个训练样本,在该训练样本的三维仿真环境数据中,根据所述传感器的位姿以及各障碍物的三维模型,确定所述传感器感知到的环境点云;
根据所述环境点云在地图上的投影,以及该训练样本的三维仿真环境对应的二维仿真地图,确定感知盲区,作为该训练样本的标注;
根据确定出的各训练样本以及每个训练样本的标注,对所述盲区确定模型进行训练。
4.如权利要求1所述的方法,其特征在于,所述噪声仿真模型由第一网络以及第二网络组成,所述第一网络分别由编码器-解码器构成,所述第二网络由及生成子网络-鉴别子网络构成;
采用下述方法训练所述噪声仿真模型:
获取从实际环境中采集的原始感知数据;
根据所述原始感知数据,确定二维感知地图;
将所述二维感知地图输入所述第一网络的编码层,得到的编码数据;
将所述编码数据输入所述第一网络的解码层,将得到的解码结果,作为隐向量;
将所述隐向量输入所述第二网络的生成子网络,得到生成的包含噪声的二维感知地图;
将所述包含噪声的二维感知地图输入所述第二网络的鉴别子网络,得到所述鉴别网络层输出鉴别结果;
根据所述编码数据分布的正则损失项、所述隐变量的分布损失项以及所述鉴别结果的损失项中的至少一种,确定损失,并以损失最小为优化目标,对所述噪声仿真模型进行训练。
5.如权利要求4所述的方法,其特征在于,确定所述编码数据分布的正则损失项,具体包括:
根据所述编码层对所述二维感知地图进行编码得到的编码数据的分布,作为后验分布,以及根据编码数据的先验分布,确定信息熵,作为编码数据分布的正则损失项。
6.如权利要求4所述的方法,其特征在于,确定所述隐变量的分布损失项,具体包括:
针对所述鉴别子网络各层,确定所述二维感知地图输入所述鉴别子网络后,该层输出的所述二维感知地图的第一鉴别结果;
根据所述生成子网络对所述隐变量进行还原后,生成的包含噪声的二维感知地图,确定该层输出的所述包含噪声的二维感知地图的第二鉴别结果;
根据各层输出的第一鉴别结果与第二鉴别结果的分布差异,确定隐变量的分布损失项;
其中,所述第一鉴别结果与第二鉴别结果的分布均符合预设的正态分布图。
7.如权利要求4所述的方法,其特征在于,确定所述鉴别结果的损失项,具体包括:
根据所述鉴别子网络输出的对所述二维感知地图的鉴别结果、所述鉴别子网络输出的对所述包含噪声的二维感知地图的鉴别结果以及所述鉴别子网络输出的对所述隐变量的鉴别结果,确定所述鉴别结果的损失项。
8.一种生成仿真环境的装置,其特征在于,包括:
获取模块,获取三维仿真环境数据,所述三维仿真环境数据中至少包括各障碍物的属性,所述属性至少包括位姿以及形状;
确定模块,确定所述三维仿真环境数据对应的二维仿真地图数据,所述二维仿真地图数据中包含各障碍物的边界信息;
盲区生成模块,当根据所述二维仿真地图数据训练路径规划模型时,根据无人驾驶设备在所述三维仿真环境中的位姿,以及所述三维仿真环境数据中各障碍物的属性,确定所述二维仿真地图中的感知盲区;
噪声生成模块,将根据所述二维仿真地图数据以及所述感知盲区,确定第一感知地图,并输入预先训练好的噪声仿真模型,确定符合预设噪声分布的二维仿真地图,作为第二感知地图,所述路径规划模型基于所述第二感知地图进行路径规划。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-7任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110069350.3A CN112712595A (zh) | 2021-01-19 | 2021-01-19 | 一种生成仿真环境的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110069350.3A CN112712595A (zh) | 2021-01-19 | 2021-01-19 | 一种生成仿真环境的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112712595A true CN112712595A (zh) | 2021-04-27 |
Family
ID=75549373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110069350.3A Pending CN112712595A (zh) | 2021-01-19 | 2021-01-19 | 一种生成仿真环境的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712595A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117807782A (zh) * | 2023-12-29 | 2024-04-02 | 南京仁高隆软件科技有限公司 | 一种实现三维仿真模型的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414098A (zh) * | 2019-07-12 | 2019-11-05 | 北京三快在线科技有限公司 | 一种仿真测试环境的生成方法及装置 |
US20200033866A1 (en) * | 2018-07-24 | 2020-01-30 | Pony.ai, Inc. | Generative adversarial network enriched driving simulation |
CN111161424A (zh) * | 2019-12-30 | 2020-05-15 | 浙江欣奕华智能科技有限公司 | 一种三维地图的确定方法及确定装置 |
CN111578932A (zh) * | 2020-05-28 | 2020-08-25 | 长沙中联重科环境产业有限公司 | 一种基于多线激光雷达的建图方法、装置、介质及设备 |
CN111753424A (zh) * | 2020-06-26 | 2020-10-09 | 北京百度网讯科技有限公司 | 仿真方法、装置、电子设备及存储介质 |
CN112102151A (zh) * | 2020-07-27 | 2020-12-18 | 广州视源电子科技股份有限公司 | 栅格地图的生成方法、装置、移动智慧设备和存储介质 |
-
2021
- 2021-01-19 CN CN202110069350.3A patent/CN112712595A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200033866A1 (en) * | 2018-07-24 | 2020-01-30 | Pony.ai, Inc. | Generative adversarial network enriched driving simulation |
CN110414098A (zh) * | 2019-07-12 | 2019-11-05 | 北京三快在线科技有限公司 | 一种仿真测试环境的生成方法及装置 |
CN111161424A (zh) * | 2019-12-30 | 2020-05-15 | 浙江欣奕华智能科技有限公司 | 一种三维地图的确定方法及确定装置 |
CN111578932A (zh) * | 2020-05-28 | 2020-08-25 | 长沙中联重科环境产业有限公司 | 一种基于多线激光雷达的建图方法、装置、介质及设备 |
CN111753424A (zh) * | 2020-06-26 | 2020-10-09 | 北京百度网讯科技有限公司 | 仿真方法、装置、电子设备及存储介质 |
CN112102151A (zh) * | 2020-07-27 | 2020-12-18 | 广州视源电子科技股份有限公司 | 栅格地图的生成方法、装置、移动智慧设备和存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117807782A (zh) * | 2023-12-29 | 2024-04-02 | 南京仁高隆软件科技有限公司 | 一种实现三维仿真模型的方法 |
CN117807782B (zh) * | 2023-12-29 | 2024-06-07 | 南京仁高隆软件科技有限公司 | 一种实现三维仿真模型的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111190427B (zh) | 一种轨迹规划的方法及装置 | |
CN112766468B (zh) | 一种轨迹预测方法、装置、存储介质及电子设备 | |
CN111311709B (zh) | 一种生成高精地图的方法及装置 | |
CN111508258B (zh) | 一种定位方法及装置 | |
CN111076739B (zh) | 一种路径规划的方法及装置 | |
CN112015847A (zh) | 一种障碍物的轨迹预测方法、装置、存储介质及电子设备 | |
CN110660103B (zh) | 一种无人车定位方法及装置 | |
CN112327864A (zh) | 一种无人驾驶设备的控制方法及控制装置 | |
CN111062372A (zh) | 一种预测障碍物轨迹的方法及装置 | |
CN111238450A (zh) | 视觉定位方法及装置 | |
CN111797711A (zh) | 一种模型训练的方法及装置 | |
CN112649012A (zh) | 一种轨迹规划方法、设备、介质及无人设备 | |
CN110530398B (zh) | 一种电子地图精度检测的方法及装置 | |
CN113674424B (zh) | 一种电子地图绘制的方法及装置 | |
CN112712595A (zh) | 一种生成仿真环境的方法及装置 | |
CN114283148A (zh) | 一种道路元素提取方法、装置、存储介质及电子设备 | |
CN113033527A (zh) | 一种场景识别方法、装置、存储介质及无人设备 | |
CN112883871A (zh) | 一种模型训练以及确定无人车运动策略方法及装置 | |
CN112859883B (zh) | 一种无人驾驶设备的控制方法及控制装置 | |
CN112684720A (zh) | 一种仿真测试的方法及装置 | |
CN114332189A (zh) | 一种高精地图构建方法、装置、存储介质及电子设备 | |
CN114545940A (zh) | 一种无人设备的控制方法、装置及电子设备 | |
CN114187355A (zh) | 一种图像标定方法及装置 | |
Subramanyam | Chartopolis-A Self Driving Car Test Bed | |
CN113888624B (zh) | 一种构建地图的方法及装置 |
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 |