CN115248993A - 一种仿真场景模型真实性检测方法、装置及存储介质 - Google Patents
一种仿真场景模型真实性检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115248993A CN115248993A CN202210858552.0A CN202210858552A CN115248993A CN 115248993 A CN115248993 A CN 115248993A CN 202210858552 A CN202210858552 A CN 202210858552A CN 115248993 A CN115248993 A CN 115248993A
- Authority
- CN
- China
- Prior art keywords
- parameter
- data
- distribution
- scene
- calculating
- 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
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书涉及仿真场景技术领域,尤其涉及一种仿真场景模型真实性检测方法、装置及存储介质。该方法包括参数分析阶段和真实度分析阶段;其中,参数分析阶段用于对数据分布和参数约束进行分析和计算;其中,真实度分析阶段用于对场景分布的真实性进行分析和计算。该阶段对采集到的参数数据进行了有效的处理和计算,使得数据更加贴近实际,大大提高的仿真的效果。其中,真实度分析阶段用于对场景分布的真实性进行分析和计算。该阶段的计算和处理能检验场景的真实性,使得场景分布的真实性大大提高,仿真场景更准确,提高了仿真的精准度。
Description
技术领域
本说明书涉及仿真场景技术领域,尤其涉及一种仿真场景模型真实性检测方法、装置及存储介质。
背景技术
自动驾驶功能在开发完成后,需要经过大量仿真测试才能达到实车应用的要求,所以需要建立自动驾驶仿真测试场景。仿真是通过计算机等手段复现真实世界中被模拟事物的过程。仿真一般要经历的过程是:首先要分析所要仿真事物的属性和状态,找到仿真所关心的属性和行为。由仿真所关心的属性、行为等内容就构成了仿真对象,然后抽象仿真对象,真实世界的事物就成为仿真模型中的实体。
真实世界的场景的各个场景参数之间会存在一定的相关关系和约束关系。单个参数需要在特定范围内才有意义,如车速、加速度、车道宽度,另外,两个参数之间会存在一定的约束关系,如超车切入场景下,前车车速大于主车车速。场景泛化是利用参数组合的方式生成具体场景,如果泛化逻辑没有全面的考虑场景参数间的约束,会生成一些在真实世界不会发生的场景,如泛化超车切入场景,会生成大量前车车速始终小于主车车速的场景,这类场景是没有意义的。
场景的泛化会衍生出大量冗杂的场景,但这些场景中有很多是无效场景,因此需要识别出符合真实性要求的场景。因此基于参数重组生成场景的分布真实度至关重要,分布真实度的分析和评价是基于场景的测试领域的难题。场景的真实度直接影响仿真测试的效果,影响测试结果。因此对于场景真实度的评价便显得尤为重要,但是现有的技术尚不能有效对场景的真实度进行评价。
发明内容
有鉴于此,本说明书的目的在于提出一种仿真场景模型真实性检测方法、装置及存储介质,以解决有效检测检测仿真测试场景的真实性的问题。
一种仿真场景模型真实性检测方法,该方法包括参数分析阶段和真实度分析阶段;
其中,参数分析阶段用于对数据分布和参数约束进行分析和计算;
其中,真实度分析阶段用于对场景分布的真实性进行分析和计算。
所述的参数分析阶段包括约束满足度测试环节、重要性采样判断环节;其中,所述的约束满足度测试环节具体步骤包括
步骤一,启动:启动逻辑场景;
步骤二,采集数据:包括路采数据分布子环节、参数约束关系子环节;
步骤三,参数重组:在逻辑场景上对场景的参数进行重组;
步骤四,泛化处理:具体泛化重组后的参数;
步骤五,约束满足度处理;
其中,所述的重要性采样判断环节包括:
步骤六,采样判断:检测是否采用了重要性采样,若检测为“否”则进入下一步,若检测结果为“是”则进入步骤八;
步骤七,显著性检验:与路采集数据分布的显著性检验;
步骤八,得出分布真实性结果;
步骤九,结束。
所述的路采数据分布子环节包括获取已经销售的车辆控制器局域网传输的信号数据。
所述参数约束关系子环节包括云仿真平台会基于任意两个参数的数据,选择合适的回归模型对两个数据间的约束关系模型进行训练。
所述的参数约束关系子环节具体步骤包括
第一步,进行估算:假设某参数符合特定分布如正态分布,对于正态分布的参数θ和μ,利用贝叶斯公式进行估计;
其中p(θ)是参数的先验概率分布,p(x|θ)是似然概率,p(x)是观测到的数据;
第二步,计算更新:利用观测到的数据对先验概率进行不断更新;
第三步,求参数估算值:先验概率分布的均值作为参数估计值。
真实度分析阶段包括参数统计分布合理性分析环节;
该环节是对具体场景的各个参数的分布与真实路采数据的分布进行显著性检验;在进行参数分布真实性时,不进行参数统计分布合理性的检验,当没有采用重要性采样时,才进行参数统计分布合理性检验;其中合理性检验的步骤包括:
步骤一,前车切入;
步骤二,计算参数:一方面:首先,先采集路采数据,随后进行场景真实参数分布NK计算,随后进入下一步;另一方面,计算具体场景参数MJ,随后进入下一步;
步骤三,进行假设:假设H0:MJ的分布与NK没有显著性差异;
步骤四,进行Z检验;
步骤五,显著性判断:判断显著性水平p是否大于0.025,若是,则接受H0;若否,则拒绝H0;
步骤六,结束。
所述的真实度分析阶段还包括参数约束满足度计算环节;
参数约束满足度计算环节包括:
首先,设定的逻辑场景内置了需要满足的所有约束条件Ci,
其次,对泛化生成的所有具体场景循环校验Ci,先计算每个约束条件的满足程度;
最后,加权计算所有的约束条件满足度;
具体步骤如下:
步骤一,计算参数:计算具体场景参数;
步骤二,计算满足程度:判断步骤一中参数是否满足约束条件Ci,随后计算约束条件的满足程度;
步骤三,循环计算:i的值加1,循环步骤二,直至所有的数据均计算出约束条件的满足程度,进入下一步;
步骤四,计算加权约束满足度;
步骤五,结束。
一种装置,包括:数据获取模块、数据分析模块、真实度分析模块、计算机数据存储模块;
其中,所述的数据获取模块用于获取驾驶场景中的交通参与者信息的驾驶行为信息;
其中,数据分析模块用于路采数据分布分析和逻辑场景参数分布分析;
其中,真实度分析模块用于参数统计分布合理性分析和参数约束满足度分析;
其中,计算机存储模块用于存储该装置的数据。
所述的驾驶行为信息包括车辆控制器局域网传输的信号数据,该数据包括主车车速数据、前车车速数据、切入距离数据、切入切向速度数据。
一种存储介质,所述存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如前所述的仿真场景模型真实性检测方法。
有益效果:本发明提供了一种完整的仿真场景真实性检验方法,为检测仿真测试场景的真实性提供一种量化流程,保证场景的真实性是提升仿真模型精度不可或缺的部分。其中,参数分析阶段用于对数据分布和参数约束进行分析和计算。该阶段对采集到的参数数据进行了有效的处理和计算,使得数据更加贴近实际,大大提高的仿真的效果。其中,真实度分析阶段用于对场景分布的真实性进行分析和计算。该阶段的计算和处理能检验场景的真实性,使得场景分布的真实性大大提高,仿真场景更准确,提高了仿真的精准度。
附图说明
为了更清楚地说明本说明书一个或多个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说明书一个或多个实施例,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,还可以根据这些附图获得其他的附图。
图1为本说明书的一种仿真场景模型真实性检测方法实施例一的方法阶段组成示意图;
图2为本说明书的一种仿真场景模型真实性检测方法实施例二中约束满足度测试环节的步骤示意图;
图3为本说明书的一种仿真场景模型真实性检测方法实施例二中重要性采样判断环节的步骤示意图;
图4为本说明书的一种仿真场景模型真实性检测方法实施例四中参数约束关系子环节的步骤示意图;
图5为本说明书的一种仿真场景模型真实性检测方法实施例五中合理性检验的步骤示意图;
图6为本说明书的一种仿真场景模型真实性检测方法的实施例六中参数约束满足度计算环节的步骤示意图;
图7为本说明书的一种装置的实施例七的装置组成示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
需要说明的是,除非另外定义,本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
本说明书的一种仿真场景模型真实性检测方法的实施例一,如图1所示:
该方法包括参数分析阶段和真实度分析阶段;
其中,参数分析阶段用于对数据分布和参数约束进行分析和计算;
其中,真实度分析阶段用于对场景分布的真实性进行分析和计算。
有益效果:本发明提供了一种完整的仿真场景真实性检验方法,为检测仿真测试场景的真实性提供一种量化流程,保证场景的真实性是提升仿真模型精度不可或缺的部分。其中,参数分析阶段用于对数据分布和参数约束进行分析和计算。该阶段对采集到的参数数据进行了有效的处理和计算,使得数据更加贴近实际,大大提高的仿真的效果。其中,真实度分析阶段用于对场景分布的真实性进行分析和计算。该阶段的计算和处理能检验场景的真实性,使得场景分布的真实性大大提高,仿真场景更准确,提高了仿真的精准度。
本说明书的一种仿真场景模型真实性检测方法的实施例二,如图2—3所示:
参数分析阶段包括约束满足度测试环节、重要性采样判断环节;
其中,所述的约束满足度测试环节具体步骤包括
步骤一,启动:启动逻辑场景;
步骤二,采集数据:包括路采数据分布子环节、参数约束关系子环节;
步骤三,参数重组:在逻辑场景上对场景的参数进行重组;
步骤四,泛化处理:具体泛化重组后的参数;
步骤五,约束满足度处理;
其中,所述的重要性采样判断环节包括:
步骤六,采样判断:检测是否采用了重要性采样,若检测为“否”则进入下一步,若检测结果为“是”则进入步骤八;
步骤七,显著性检验:与路采集数据分布的显著性检验;
步骤八,得出分布真实性结果;
步骤九,结束。
本说明书的一种仿真场景模型真实性检测方法的实施例三:
优选的,路采数据分布子环节包括获取已经销售的车辆控制器局域网传输的信号数据即can信号。
本说明书的一种仿真场景模型真实性检测方法的实施例四,如图4所示:
参数约束关系子环节包括云仿真平台会基于任意两个参数的数据,选择合适的回归模型对两个数据间的约束关系模型进行训练。
参数约束关系子环节具体步骤包括
第一步,进行估算:假设某参数符合特定分布如正态分布,对于正态分布的参数θ和μ,利用贝叶斯公式进行估计;
其中p(θ)是参数的先验概率分布,p(x|θ)是似然概率,p(x)是观测到的数据;
第二步,计算更新:利用观测到的数据对先验概率进行不断更新;
第三步,求参数估算值:先验概率分布的均值作为参数估计值。
本说明书的一种仿真场景模型真实性检测方法的实施例五,如图5所示:
真实度分析阶段包括参数统计分布合理性分析环节;该环节是对具体场景的各个参数的分布与真实路采数据的分布进行显著性检验;在进行参数分布真实性时,不进行参数统计分布合理性的检验,当没有采用重要性采样时,才进行参数统计分布合理性检验;其中合理性检验的步骤包括:
步骤一,前车切入;
步骤二,计算参数:一方面:首先,先采集路采数据,随后进行场景真实参数分布NK计算,随后进入下一步;另一方面,计算具体场景参数MJ,随后进入下一步;
步骤三,进行假设:假设H0:MJ的分布与NK没有显著性差异;
步骤四,进行Z检验;
步骤五,显著性判断:判断显著性水平p是否大于0.025,若是,则接受H0;若否,则拒绝H0;
步骤六,结束。
本说明书的一种仿真场景模型真实性检测方法的实施例六,如图6所示:
所述的真实度分析阶段还包括参数约束满足度计算环节;
参数约束满足度计算环节包括:
首先,设定的逻辑场景内置了需要满足的所有约束条件Ci,
其次,对泛化生成的所有具体场景循环校验Ci,先计算每个约束条件的满足程度;
最后,加权计算所有的约束条件满足度;
具体步骤如下:
步骤一,计算参数:计算具体场景参数;
步骤二,计算满足程度:判断步骤一中参数是否满足约束条件Ci,随后计算约束条件的满足程度;
步骤三,循环计算:i的值加1,循环步骤二,直至所有的数据均计算出约束条件的满足程度,进入下一步;
步骤四,计算加权约束满足度;
步骤五,结束。
本说明书的一种装置的实施例七,如图7所示:
该装置包括:数据获取模块、数据分析模块、真实度分析模块、计算机数据存储模块;
其中,所述的数据获取模块用于获取驾驶场景中的交通参与者信息的驾驶行为信息;
其中,数据分析模块,包括路采数据分布分析单元、逻辑场景参数分布单元;
其中,真实度分析模块,包括参数统计分布合理性分析单元和参数约束满足度分析单元;
其中,计算机存储模块用于存储该装置的数据。
优选的,驾驶行为信息包括车辆控制器局域网传输的信号数据即CAN信号数据,该数据包括主车车速数据、前车车速数据、切入距离数据、切入切向速度数据。
本说明书的一种存储介质的实施例八,存储介质存储计算机指令,计算机指令用于使所述计算机执行前述的仿真场景模型真实性检测方法。
需要说明的是,本说明书一个或多个实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
本实施例的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。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本公开的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
此外,可以以框图的形式示出装置,以便避免使本说明书一个或多个实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本公开的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种仿真场景模型真实性检测方法,其特征在于,该方法包括参数分析阶段和真实度分析阶段;
其中,参数分析阶段用于对数据分布和参数约束进行分析和计算;
其中,真实度分析阶段用于对场景分布的真实性进行分析和计算。
2.根据权利要求1所述的仿真场景模型真实性检测方法,其特征在于,所述的参数分析阶段包括约束满足度测试环节、重要性采样判断环节;
其中,所述的约束满足度测试环节具体步骤包括
步骤一,启动:启动逻辑场景;
步骤二,采集数据:包括路采数据分布子环节、参数约束关系子环节;
步骤三,参数重组:在逻辑场景上对场景的参数进行重组;
步骤四,泛化处理:具体泛化重组后的参数;
步骤五,约束满足度处理;
其中,所述的重要性采样判断环节包括:
步骤六,采样判断:检测是否采用了重要性采样,若检测为“否”则进入下一步,若检测结果为“是”则进入步骤八;
步骤七,显著性检验:与路采集数据分布的显著性检验;
步骤八,得出分布真实性结果;
步骤九,结束。
3.根据权利要求2所述的仿真场景模型真实性检测方法,其特征在于,所述的路采数据分布子环节包括获取已经销售的车辆控制器局域网传输的信号数据。
4.根据权利要求2所述的仿真场景模型真实性检测方法,其特征在于,所述参数约束关系子环节包括云仿真平台会基于任意两个参数的数据,选择合适的回归模型对两个数据间的约束关系模型进行训练。
6.根据权利要求1所述的仿真场景模型真实性检测方法,其特征在于:真实度分析阶段包括参数统计分布合理性分析环节;
该环节是对具体场景的各个参数的分布与真实路采数据的分布进行显著性检验;在进行参数分布真实性时,不进行参数统计分布合理性的检验,当没有采用重要性采样时,才进行参数统计分布合理性检验;其中合理性检验的步骤包括:
步骤一,前车切入;
步骤二,计算参数:一方面:首先,先采集路采数据,随后进行场景真实参数分布NK计算,随后进入下一步;另一方面,计算具体场景参数MJ,随后进入下一步;
步骤三,进行假设:假设H0:MJ的分布与NK没有显著性差异;
步骤四,进行Z检验;
步骤五,显著性判断:判断显著性水平p是否大于0.025,若是,则接受H0;若否,则拒绝H0;
步骤六,结束。
7.根据权利要求1所述的仿真场景模型真实性检测方法,其特征在于,所述的真实度分析阶段还包括参数约束满足度计算环节;
参数约束满足度计算环节包括:
首先,设定的逻辑场景内置了需要满足的所有约束条件Ci,
其次,对泛化生成的所有具体场景循环校验Ci,先计算每个约束条件的满足程度;
最后,加权计算所有的约束条件满足度;
具体步骤如下:
步骤一,计算参数:计算具体场景参数;
步骤二,计算满足程度:判断步骤一中参数是否满足约束条件Ci,随后计算约束条件的满足程度;
步骤三,循环计算:i的值加1,循环步骤二,直至所有的数据均计算出约束条件的满足程度,进入下一步;
步骤四,计算加权约束满足度;
步骤五,结束。
8.一种装置,其特征在于,包括:数据获取模块、数据分析模块、真实度分析模块、计算机数据存储模块;
其中,所述的数据获取模块用于获取驾驶场景中的交通参与者信息的驾驶行为信息;
其中,数据分析模块用于路采数据分布分析和逻辑场景参数分布分析;
其中,真实度分析模块用于参数统计分布合理性分析和参数约束满足度分析;
其中,计算机存储模块用于存储该装置的数据。
9.根据权利要求8所述的一种装置,其特征在于:所述的驾驶行为信息包括车辆控制器局域网传输的信号数据,该数据包括主车车速数据、前车车速数据、切入距离数据、切入切向速度数据。
10.一种存储介质,其特征在于,所述存储介质存储计算机指令,所述计算机指令用于使所述计算机执行权利要求1至7任一所述的仿真场景模型真实性检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210858552.0A CN115248993A (zh) | 2022-07-20 | 2022-07-20 | 一种仿真场景模型真实性检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210858552.0A CN115248993A (zh) | 2022-07-20 | 2022-07-20 | 一种仿真场景模型真实性检测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115248993A true CN115248993A (zh) | 2022-10-28 |
Family
ID=83699582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210858552.0A Pending CN115248993A (zh) | 2022-07-20 | 2022-07-20 | 一种仿真场景模型真实性检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115248993A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095239A (zh) * | 2023-10-16 | 2023-11-21 | 光轮智能(北京)科技有限公司 | 仿真资产真实度评价方法、控制装置及存储介质 |
-
2022
- 2022-07-20 CN CN202210858552.0A patent/CN115248993A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095239A (zh) * | 2023-10-16 | 2023-11-21 | 光轮智能(北京)科技有限公司 | 仿真资产真实度评价方法、控制装置及存储介质 |
CN117095239B (zh) * | 2023-10-16 | 2023-12-15 | 光轮智能(北京)科技有限公司 | 仿真资产真实度评价方法、控制装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xia et al. | Automatic generation method of test scenario for ADAS based on complexity | |
CN114970705B (zh) | 基于多传感数据的行驶状态分析方法、装置、设备及介质 | |
CN113655348A (zh) | 一种基于深度孪生网络的电力设备局部放电故障诊断方法、***终端及可读存储介质 | |
CN111177135B (zh) | 一种基于界标的数据填补方法及装置 | |
CN115248993A (zh) | 一种仿真场景模型真实性检测方法、装置及存储介质 | |
CN112434717B (zh) | 一种模型训练方法及装置 | |
CN111144462A (zh) | 一种雷达信号的未知个体识别方法及装置 | |
CN114066288B (zh) | 一种基于智慧数据中心的营运道路应急检测方法及*** | |
CN114240654A (zh) | 基于交易链路的性能能力透视方法、***、设备及可读存储介质 | |
CN114169247A (zh) | 仿真交通流的生成方法、装置、设备和计算机可读存储介质 | |
CN113159202A (zh) | 图像分类方法、装置、电子设备及存储介质 | |
CN112685610A (zh) | 虚假注册账号识别方法及相关装置 | |
Yuan et al. | Salient Object Detection Based on Improved PoolNet. | |
CN117875362B (zh) | 大模型的分布式训练方法、装置及电子设备 | |
CN112257587B (zh) | 目标对象的检测效果评估方法、装置、存储介质及设备 | |
CN115327497B (zh) | 雷达检测范围确定方法、装置、电子设备及可读介质 | |
CN113723267A (zh) | 一种多轨迹预测模型的轨迹集成方法 | |
CN113516030B (zh) | 一种动作序列验证方法、装置、存储介质及终端 | |
CN112906525A (zh) | 年龄识别方法、装置及电子设备 | |
CN117315607A (zh) | 一种图像处理方法、装置、设备及介质 | |
CN117333741A (zh) | 一种感知算法的评估方法、装置、设备及介质 | |
CN114898323A (zh) | 场景匹配方法、装置、电子设备及存储介质 | |
CN118296344A (zh) | 基于机器学习加速的x射线小角散射测量方法及装置 | |
Lu et al. | Machine Learning Methodologies to Predict the Results of Simulation-Based Fault Injection | |
CN117407311A (zh) | 测试场景生成方法、装置、电子设备及存储介质 |
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 |