CN115468778B - 车辆测试方法、装置、电子设备及存储介质 - Google Patents
车辆测试方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115468778B CN115468778B CN202211113822.1A CN202211113822A CN115468778B CN 115468778 B CN115468778 B CN 115468778B CN 202211113822 A CN202211113822 A CN 202211113822A CN 115468778 B CN115468778 B CN 115468778B
- Authority
- CN
- China
- Prior art keywords
- traffic
- simulated
- static element
- information
- vehicle
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 225
- 230000003068 static effect Effects 0.000 claims abstract description 184
- 230000004927 fusion Effects 0.000 claims abstract description 82
- 238000004088 simulation Methods 0.000 claims abstract description 61
- 238000011156 evaluation Methods 0.000 claims description 42
- 230000008447 perception Effects 0.000 claims description 40
- 238000009877 rendering Methods 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 26
- 238000002372 labelling Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 11
- 230000003190 augmentative effect Effects 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 238000003786 synthesis reaction Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000010998 test method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/006—Mixed reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提出了车辆测试方法、装置、电子设备及存储介质，涉及人工智能技术领域，具体涉及自动驾驶、计算机视觉以及深度学习技术领域。方案为：根据设定的历史交通流信息，对多个车辆进行行驶模拟，以得到多个车辆对应的模拟交通流信息；根据车载传感器的参数信息，确定多个车辆中目标车辆的车载传感器的模拟参数信息；进而，将根据模拟交通流信息和/或模拟参数信息，确定的多个交通静态元素图像和多个模拟交通动态元素图像进行图像融合，以得到多个目标融合图像；根据多个目标融合图像，对目标车辆进行测试，以得到目标车辆的测试结果，由此，实现了模拟的交通动态元素和交通静态元素之间的交互，提高了车辆测试的准确性。
Description
技术领域
本公开涉及人工智能技术领域，具体涉及自动驾驶、计算机视觉以及深度学习技术领域，尤其涉及车辆测试方法、装置、电子设备及存储介质。
背景技术
随着车辆技术的成熟，车辆产业得到不断地发展，在车辆投入市场之前，为了确保车辆的性能，需要对车辆进行测试，以提高车辆行驶的安全性，因此，如何对车辆进行测试是非常重要的。
发明内容
本公开提供了一种用于车辆测试方法、装置、电子设备及存储介质。
根据本公开的一方面，提供了一种车辆测试方法，包括：根据设定的历史交通流信息，对多个车辆进行行驶模拟，以得到所述多个车辆对应的模拟交通流信息；根据车载传感器的参数信息，确定所述多个车辆中目标车辆的车载传感器的模拟参数信息；根据模拟交通流信息和/或所述模拟参数信息，确定多个交通静态元素图像和多个模拟交通动态元素图像；将所述多个交通静态元素图像和所述多个模拟交通动态元素图像进行图像融合，以得到多个目标融合图像；根据所述多个目标融合图像，对所述目标车辆进行测试，以得到所述目标车辆的测试结果。
根据本公开的另一方面，提供了一种车辆测试装置，包括：模拟模块，用于根据设定的历史交通流信息，对多个车辆进行行驶模拟，以得到所述多个车辆对应的模拟交通流信息；第一确定模块，用于根据车载传感器的参数信息，确定所述多个车辆中目标车辆的车载传感器的模拟参数信息；第二确定模块，用于根据模拟交通流信息和/或所述模拟参数信息，确定多个交通静态元素图像和多个模拟交通动态元素图像；融合模块，用于将所述多个交通静态元素图像和所述多个模拟交通动态元素图像进行图像融合，以得到多个目标融合图像；测试模块，用于根据所述多个目标融合图像，对所述目标车辆进行测试，以得到所述目标车辆的测试结果。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开第一方面实施例所述的车辆测试方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开第一方面实施例所述的车辆测试方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开第一方面实施例所述的车辆测试方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开第一实施例的示意图；
图2是根据本公开第二实施例的示意图；
图3是根据本公开第三实施例的示意图；
图4是根据本公开第四实施例的示意图；
图5是根据本公开第五实施例的示意图；
图6是根据本公开第六实施例的示意图；
图7是本公开实施例提供的一种用于车辆测试的数据的获取方式示意图；
图8是本公开实施例提供的一种车辆测试方法的流程示意图；
图9是根据本公开第七实施例的示意图；
图10是用来实现本公开实施例的车辆测试方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
相关技术中，基于图形渲染引擎或游戏引擎的仿真***进行车辆测试，其中，基于3D建模进行环境渲染以进行车辆测试，但是，3D建模通常存在纹理重复度高，真实感弱等问题。基于神经辐射场(Neural Radiance Fields，简称NeRF)等神经渲染技术能够很好地解决纹理真实感的问题，但NeRF技术目前主要适用于静态场景，对于车辆、行人、交通信号灯等动态场景的表达、物理碰撞的处理等尚不适用。
因此，针对上述问题，本公开提出一种车辆测试方法、装置、电子设备及存储介质。
下面参考附图描述本公开实施例的车辆测试方法、装置、电子设备及存储介质。
图1是根据本公开第一实施例的示意图。需要说明的是，本公开实施的车辆测试方法被配置于车辆测试装置中来举例说明，车辆测试装置可以应用于任一电子设备中，以使该电子设备可以执行车辆测试功能。
其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑(PersonalComputer，简称PC)、移动终端等，移动终端例如可以为手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作***、触摸屏和/或显示屏的硬件设备。
如图1所示，该车辆测试方法可包括如下步骤：
步骤101，根据设定的历史交通流信息，对多个车辆进行行驶模拟，以得到多个车辆对应的模拟交通流信息。
作为本公开实施例的一种可能的实现方式，历史交通流信息可为实际道路的历史交通流信息，比如，历史交通流信息可包括多个车辆的位置信息、速度信息、行驶方向信息、行驶车道信息以及多个车辆所行驶的道路上的交通信号灯信息等，进而，根据历史交通流信息，可对多个车辆对应的车辆模型进行行驶模拟，以得到多个车辆对应的模拟交通流信息。
作为本公开实施例的另一种可能的实现方式，可对历史交通视频进行回放，以统计实际道路中多个车辆对应的历史交通流信息，进而，根据历史交通流信息，对多个车辆对应的车辆模型进行行驶模拟，以得到多个车辆对应的模拟交通流信息。其中，历史交通流信息中可包括多个车辆的位置信息、速度信息、行驶方向信息、行驶车道信息以及多个车辆所行驶的道路上的交通信号灯信息等。
步骤102，根据车载传感器的参数信息，确定多个车辆中目标车辆的车载传感器的模拟参数信息。
在本公开实施例中，可根据实际车辆的车载传感器的参数信息，设置多个车辆中目标车辆的车载传感器的模拟参数信息，其中，模拟参数信息可包括车载传感器的内参和多个模拟位姿信息(外参)，其中，车载传感器可包括车载摄像头、毫米波雷达、超声波雷达等，目标车辆可为多个车辆中的自动驾驶车辆，也可为需要测试的车辆，本公开不做具体限定。
步骤103，根据模拟交通流信息和/或模拟参数信息，确定多个交通静态元素图像和多个模拟交通动态元素图像。
作为本公开实施例的一种可能的实现方式，可根据模拟参数信息中多个模拟位姿信息，生成多个交通静态元素图像，以及根据模拟交通流信息和多个模拟参数信息生成多个模拟交通动态元素图像。
步骤104，将多个交通静态元素图像和多个模拟交通动态元素图像进行图像融合，以得到多个目标融合图像。
为了提高车辆测试的真实性以及准确性，可使交通静态元素和交通动态元素进行融合，以实现高仿真度的车辆测试，作为一种示例，可将多个交通静态元素图像和多个模拟交通动态元素图像进行图像融合，以得到多个目标融合图像。
步骤105，根据多个目标融合图像，对目标车辆进行测试，以得到目标车辆的测试结果。
进而，采用多个目标融合图像，可对目标车辆进行测试，得到目标车辆的测试结果，比如，在目标车辆为自动驾驶车辆时，可对目标车辆进行的车辆感知测试和轨迹规划测试等，以得到自动驾驶车辆的感知测试结果和轨迹规划测试结果。
综上，通过根据设定的历史交通流信息，对多个车辆进行行驶模拟，以得到多个车辆对应的模拟交通流信息；根据车载传感器的参数信息，确定多个车辆中目标车辆的车载传感器的模拟参数信息；根据模拟交通流信息和/或模拟参数信息，确定多个交通静态元素图像和多个模拟交通动态元素图像；将多个交通静态元素图像和多个模拟交通动态元素图像进行图像融合，以得到多个目标融合图像；根据多个目标融合图像，对目标车辆进行测试，以得到目标车辆的测试结果，由此，将多个交通静态元素图像和多个模拟交通动态元素图像进行图像融合得到多个目标融合图像，进而，根据多个目标融合图像，对目标车辆进行测试，实现了模拟的交通动态元素和交通静态元素之间的交互，提高了车辆测试的准确性。
为了清楚地说明上述实施例是如何根据模拟交通流信息和模拟参数信息，确定多个交通静态元素图像和多个模拟交通动态元素图像的，本公开提出另一种车辆测试方法。
图2是根据本公开第二实施例的示意图。
如图2所示，该车辆测试方法可包括如下步骤：
步骤201，根据设定的历史交通流信息，对多个车辆进行行驶模拟，以得到多个车辆对应的模拟交通流信息。
为了对多个车辆进行行驶模拟，在本公开实施例中，可从交通流信息中对多个车辆的行驶参数信息进行提取，以得到多个车辆的行驶参数信息；根据行驶参数信息，对多个车辆进行行驶模拟，以得到多个车辆对应的模拟交通流信息。
为了提高车辆行驶模拟的准确性，行驶参数信息可包括：位置信息、方向信息、速度信息、加速度信息以及行驶车道信息等。
步骤202，根据车载传感器的参数信息，确定多个车辆中目标车辆的车载传感器的模拟参数信息。
步骤203，根据多个模拟位姿信息中的任一模拟位姿信息，确定与任一模拟位姿信息匹配的交通静态元素图像。
为了提高车辆测试中的交通静态元素的真实性，从而提高车辆测试的置信度，作为本公开实施例的一种可能的实现方式，可将多个模拟位姿信息分别输入至经过训练的交通静态元素图像生成模型中，以得到该交通静态元素图像生成模型输出的交通静态元素图像。其中，经过训练的交通静态元素图像生成模型已学习得到位姿信息与交通静态元素图像之间的对应关系，交通静态元素图像生成模型可为NeRF模型。
步骤204，采用模拟交通流信息和多个模拟参数信息进行图像渲染，以得到多个模拟交通动态元素图像。
在本公开实施例中，为了使模拟交通动态元素图像中包括多个交通动态元素，可采用模拟交通流信息和多个模拟参数信息进行三维渲染，以渲染出包括多个车辆、行人、交通信号灯等相关的交通动态元素的多个模拟交通动态元素图像。
作为一种示例，将模拟交通流信息以及所述多个模拟参数信息输入至三维渲染模型中，以使三维渲染模型基于多个模拟参数中的多个模拟位姿信息对模拟交通流信息进行三维渲染，以得到三维渲染模型输出的与多个模拟位姿信息匹配的多个模拟交通动态元素图像。
步骤205，将多个交通静态元素图像和多个模拟交通动态元素图像进行图像融合，以得到多个目标融合图像。
步骤206，根据多个目标融合图像，对目标车辆进行测试，以得到目标车辆的测试结果。
需要说明的是，步骤201至202、步骤205至206的执行过程可以分别采用本公开的各实施例中的任一种方式实现，本公开实施例并不对此作出限定，也不再赘述。
综上，通过根据多个模拟位姿信息中的任一模拟位姿信息，确定与任一模拟位姿信息匹配的交通静态元素图像，采用模拟交通流信息和多个模拟参数信息进行图像渲染，以得到多个模拟交通动态元素图像，由此，根据模拟交通流信息和/或模拟参数信息，可生成包括多个交通动态元素的多个模拟交通动态元素图像以及真实感较高的多个交通静态元素图像。
为了清楚地说明上述实施例是如何对交通静态元素图像生成模型进行训练，以使交通静态元素图像生成模型学习得到位姿信息与交通静态元素图像之间的对应关系的，本公开提出另一种车辆测试方法。
图3是根据本公开第三实施例的示意图。
如图3所示，该车辆测试方法可包括如下步骤：
步骤301，根据设定的历史交通流信息，对多个车辆进行行驶模拟，以得到多个车辆对应的模拟交通流信息。
步骤302，根据车载传感器的参数信息，确定多个车辆中目标车辆的车载传感器的模拟参数信息。
步骤303，获取样本交通静态元素图像。
其中，样本交通静态元素图像上标注对应车载传感器的位姿信息。
在本公开实施例中，样本交通静态元素图像可以为在线采集的，比如可以通过网络爬虫技术，在线采集的包含真实道路上的包含多个静态元素的图像，作为样本交通静态元素图像，或者，样本交通静态元素图像也可以为车载传感器采集的包含真实道路的上多个静态元素的图像，等等，本公开实施例对此并不做限制。
需要说明的是，为了使样本交通静态元素图像上携带位姿信息，可在样本交通静态元素图像上标注对应车载传感器的位姿信息。
步骤304，将样本交通静态元素图像上携带的车载传感器的位姿信息输入至初始的静态元素图像生成模型中，以得到初始的静态元素图像生成模型输出的交通静态元素预测图像。
为了使静态元素图像生成模型学习得到位姿信息与交通静态元素图像之间的对应关系，作为一种示例，可将样本交通静态元素图像对应的图像信息以及标注的车载传感器的位姿信息输入至初始的静态元素图像生成模型中，以得到初始的静态元素图像生成模型输出的交通静态元素预测图像。
作为另一种示例，在初始的静态元素图像生成模型中预先设置多个样本交通静态元素图像信息，进而，将样本交通静态元素图像上标注的车载传感器的位姿信息输入至初始的静态元素图像生成模型中，以得到初始的静态元素图像生成模型输出的交通静态元素预测图像。
步骤305，根据交通静态元素预测图像与样本交通静态元素图像之间的差异，对初始的交通静态元素图像生成模型进行训练。
进而，根据交通静态元素预测图像与样本交通静态元素图像之间的差异，对初始的交通静态元素图像生成模型进行系数调整，以使交通静态元素预测图像与样本交通静态元素图像之间的差异最小化。
其中，需要说明的是，上述仅以模型训练的终止条件为交通静态元素预测图像与样本交通静态元素图像之间的差异最小化进行示例，实际应用时，也可以设置其他的终止条件，比如，终止条件可以为训练次数达到设定次数，或者，终止条件可以训练时长达到设定时长，等等，本公开对此并不做限制。
步骤306，将任一模拟位姿信息输入至经过训练的交通静态元素图像生成模型中，以得到经过训练的交通静态元素图像生成模型输出的交通静态元素图像。
步骤307，采用模拟交通流信息和多个模拟参数信息进行图像渲染，以得到多个模拟交通动态元素图像。
步骤308，将多个交通静态元素图像和多个模拟交通动态元素图像进行图像融合，以得到多个目标融合图像。
步骤309，根据多个目标融合图像，对目标车辆进行测试，以得到目标车辆的测试结果。
需要说明的是，步骤301至302、步骤307至309的执行过程可以分别采用本公开的各实施例中的任一种方式实现，本公开实施例并不对此作出限定，也不再赘述。
综上，通过获取样本交通静态元素图像；将样本交通静态元素图像上标注的车载传感器的位姿信息输入至初始的静态元素图像生成模型中，以得到初始的静态元素图像生成模型输出的交通静态元素预测图像；根据交通静态元素预测图像与样本交通静态元素图像之间的差异，对初始的交通静态元素图像生成模型进行训练，由此，可实现对交通静态元素图像生成模型进行训练，以使交通静态元素图像生成模型学习得到位姿信息与交通静态元素图像之间的对应关系。
为了清楚地说明上述实施例是如何将多个交通静态元素图像和多个模拟交通动态元素图像进行图像融合，以得到多个目标融合图像的，本公开提出另一种车辆测试方法。
图4是根据本公开第四实施例的示意图。
如图4所示，该车辆测试方法可包括如下步骤：
步骤401，根据设定的历史交通流信息，对多个车辆进行行驶模拟，以得到所述多个车辆对应的模拟交通流信息。
步骤402，根据车载传感器的参数信息，确定多个车辆中目标车辆的车载传感器的模拟参数信息。
步骤403，根据模拟交通流信息和/或模拟参数信息，确定多个交通静态元素图像和多个模拟交通动态元素图像。
步骤404，针对多个交通静态元素图像中任一交通静态元素图像，根据任一交通静态元素图像对应的模拟位姿信息，确定与任一交通静态元素图像匹配的模拟交通动态元素图像。
在本公开实施例中，多个交通静态元素图像中的每个交通静态元素图像可对应一个模拟位姿信息，每个模拟交通动态元素图像可对应一个模拟位姿信息，从而，可根据任一交通静态元素图像对应的模拟位姿信息，确定与该模拟位姿信息对应的模拟交通动态元素图像，并将该模拟位姿信息对应的模拟交通动态元素图像作为与该任一交通静态元素图像匹配的图像。
步骤405，将任一交通静态元素图像与任一交通静态元素匹配的模拟交通动态元素图像进行增强现实合成，以得到合成后的图像。
为了提高车辆测试中车辆行驶环境的真实感，可将虚拟的交通动态元素与真实的交通静态元素进行融合，以实现模拟的交通动态元素和真实的交通静态元素之间的交互，提高车辆测试的准确性，作为一种示例，可将任一交通静态元素图像与任一交通静态元素匹配的模拟交通动态元素图像进行增强现实(Augmented Reality，简称AR)合成，以得到合成后的图像。
步骤406，根据各合成后的图像，确定多个目标融合图像。
进而，将多个合成后的图像，作为多个目标融合图像。
步骤407，根据多个目标融合图像，对目标车辆进行测试，以得到目标车辆的测试结果。
需要说明的是，步骤401至403、步骤407的执行过程可以分别采用本公开的各实施例中的任一种方式实现，本公开实施例并不对此作出限定，也不再赘述。
综上，通过针对多个交通静态元素图像中任一交通静态元素图像，根据任一交通静态元素图像对应的模拟位姿信息，确定与任一交通静态元素图像匹配的模拟交通动态元素图像；将任一交通静态元素图像与任一交通静态元素匹配的模拟交通动态元素图像进行增强现实合成，以得到合成后的图像；根据各合成后的图像，确定多个目标融合图像，由此，通过将虚拟的交通动态元素与真实的交通静态元素进行合成，实现模拟的交通动态元素和真实的交通静态元素之间的交互，提高了车辆测试中车辆行驶环境的真实感，从而提高了车辆测试的准确性。
为了清楚地说明上述实施例是如何根据多个目标融合图像，对目标车辆进行测试，以得到目标车辆的测试结果，本公开提出另一种车辆测试方法。
图5是根据本公开第五实施例的示意图。
如图5所示，该车辆测试方法可包括如下步骤：
步骤501，根据设定的历史交通流信息，对多个车辆进行行驶模拟，以得到多个车辆对应的模拟交通流信息。
步骤502，根据车载传感器的参数信息，确定多个车辆中目标车辆的车载传感器的模拟参数信息。
步骤503，根据模拟交通流信息和/或模拟参数信息，确定多个交通静态元素图像和多个模拟交通动态元素图像。
步骤504，将多个交通静态元素图像和多个模拟交通动态元素图像进行图像融合，以得到多个目标融合图像。
步骤505，根据多个目标融合图像，对目标车辆进行障碍车辆感知测试，以得到目标车辆的感知测试结果。
为了提高车辆的行驶安全性，可对车辆对障碍物的感知进行测试，作为一种示例，目标车辆可为自动驾驶车辆，可采用车辆感知算法(如，目标检测算法)对多个目标融合图像进行障碍物感知测试，以得到自动驾驶车辆的感知测试结果。
步骤506，根据多个目标融合图像，对目标车辆进行轨迹规划测试，以得到目标车辆的轨迹规划测试结果。
同时，可采用规划与控制算法(Planning and Control，简称PNC)对多个目标融合图像进行轨迹规划测试，以得到自动驾驶车辆的轨迹规划测试结果。
其中，需要说明的是，本公开对步骤505和步骤506执行顺序不做具体限定，步骤505和步骤506可以并列执行，也可顺序执行。
步骤507，根据感知测试结果和轨迹规划测试结果，生成测试结果。
进而，将感知测试结果和轨迹规划测试结果进行拼接，可得到目标车辆的测试结果。
需要说明的是，步骤501至504的执行过程可以分别采用本公开的各实施例中的任一种方式实现，本公开实施例并不对此作出限定，也不再赘述。
综上，通过根据多个目标融合图像，对目标车辆进行障碍车辆感知测试，以得到目标车辆的感知测试结果；根据多个目标融合图像，对目标车辆进行轨迹规划测试，以得到目标车辆的轨迹规划测试结果，根据感知测试结果和轨迹规划测试结果，生成测试结果，由此，根据多个目标融合图像，可实现车辆的感知测试和轨迹规划测试，从而，可提高车辆的行驶安全性。
为了进一步提高车辆的行驶安全性，本公开提出另一种车辆测试方法。
图6是根据本公开第六实施例的示意图。在本公开实施例中，可对测试结果进行评价，生成测试评价指标，并根据测试评价指标生成测试报告，以使相关人员根据测试报告进行车辆进行改进，图6所示实施例可包括如下步骤：
步骤601，根据设定的历史交通流信息，对多个车辆进行行驶模拟，以得到多个车辆对应的模拟交通流信息。
步骤602，根据车载传感器的参数信息，确定多个车辆中目标车辆的车载传感器的模拟参数信息。
步骤603，根据模拟交通流信息和/或模拟参数信息，确定多个交通静态元素图像和多个模拟交通动态元素图像。
步骤604，将多个交通静态元素图像和多个模拟交通动态元素图像进行图像融合，以得到多个目标融合图像。
步骤605，根据多个目标融合图像，对目标车辆进行测试，以得到目标车辆的测试结果。
步骤606，对测试结果与标注结果进行比对，以得到与测试结果对应的第一测试评价指标和第二测试评价指标。
其中，第一测试评价用于表征目标车辆对障碍物的感知准确率，第二测试评价用于表征目标车辆的轨迹规划准确率。
在本公开实施例中，可将测试结果中的感知测试结果与标注结果中的感知标注结果进行比对，以确定感知测试结果与标注结果中的感知标注结果之间的差异，并根据感知测试结果与标注结果中的感知标注结果之间的差异，确定第一测试评价指标，其中，第一测试评价用于表征目标车辆对障碍物的感知准确率，感知测试结果与感知标注结果之间的差异与第一测试评价指标呈负相关关系，即感知测试结果与标注结果中的感知标注结果之间的差异越小，第一测试评价指标越高。
同理，可将测试结果中的轨迹规划测试结果与标注结果中的轨迹规划标注结果进行比对，以确定轨迹规划测试结果与标注结果中的轨迹规划标注结果之间的差异，并根据轨迹规划测试结果与轨迹规划标注结果之间的差异，确定第二测试评价指标，其中，第二测试评价可用于表征目标车辆的轨迹规划准确率，轨迹规划测试结果与轨迹规划标注结果之间的差异与第二测试评价指标呈负相关关系，即轨迹规划测试结果与标注结果中的轨迹规划标注结果之间的差异越小，第二测试评价指标也越高。
步骤607，根据第一测试评价指标以及第二测试评价指标，生成测试报告。
进而，根据第一测试评价指标以及第二测试评价指标，可生成测试报告，相关人员根据测试报告，可确定车辆的对障碍物的感知准确率以及轨迹规划准确率，并根据车辆的对障碍物的感知准确率以及轨迹规划准确率对车辆进行改进，从而可提高车辆的行驶安全性。
需要说明的是，步骤601至605的执行过程可以分别采用本公开的各实施例中的任一种方式实现，本公开实施例并不对此作出限定，也不再赘述。
综上，通过对测试结果与标注结果进行比对，以得到与测试结果对应的第一测试评价指标和第二测试评价指标；根据第一测试评价指标以及第二测试评价指标，生成测试报告，由此，可实现通过对测试结果进行评价，生成测试评价指标，并根据测试评价指标生成测试报告，以使相关人员根据测试报告进行车辆改进，从而可进一步提高车辆的行驶安全性。
为了清楚地说明上述实施例，现举例进行说明。
举例而言，本公开实施例的车辆测试方法可包括如下步骤：
1、如图7所示，基于NeRF技术，以某个区域内的道路环境图像信息(实际道路测试积累的携带位姿信息的历史图像信息)作为输入，训练对应场景的NeRF模型；
2、基于大规模实际道路的历史交通流数据，生成高仿真度的主车和障碍车位置、运动等交通流信息，用于驱动场景中主车和障碍车运动，模拟真实交通场景；
3、根据真实的车载传感器的内参和外参，并结合车载传感器的物理特征，对车辆中虚拟车载传感器的参数信息进行设置；
4、如图8所示，传感器的位姿数据作为NeRF模型的输入，生成对应的视角的高真实感环境渲染图像；
5、以步骤2生成的交通流信息、传感器的位姿信息等进行3D渲染，渲染出包含车辆、行人、交通信号灯等相关的动态元素的传感器数据；
6、将步骤4和步骤5生成的结果进行AR合成，以得到包含静态环境和动态车辆元素的图像；
7、以6得到的结果，作为自动驾驶感知、PNC等车控算法的输入，对车辆的障碍物感知以及轨迹规划进行测试；
8、对测试结果进行评价，生成测试报告。
本公开实施例的车辆测试方法，通过根据设定的历史交通流信息，对多个车辆进行行驶模拟，以得到多个车辆对应的模拟交通流信息；根据车载传感器的参数信息，确定多个车辆中目标车辆的车载传感器的模拟参数信息；根据模拟交通流信息和模拟参数信息，确定多个交通静态元素图像和多个模拟交通动态元素图像；将多个交通静态元素图像和多个模拟交通动态元素图像进行图像融合，以得到多个目标融合图像；根据多个目标融合图像，对目标车辆进行测试，以得到目标车辆的测试结果，由此，将多个交通静态元素图像和多个模拟交通动态元素图像进行图像融合得到个目标融合图像，进而，根据多个目标融合图像，对目标车辆进行测试，实现了模拟的交通动态元素和真实的交通静态元素之间的交互，提高了车辆测试中车辆行驶环境的真实感，同时，提高了车辆测试的仿真度和准确性。
为了实现上述实施例，本公开提出一种车辆测试装置。
图9是根据本公开第七实施例的示意图。如图9所示，车辆测试装置900包括：模拟模块910、第一确定模块920、第二确定模块930、融合模块940和测试模块950。
其中，模拟模块910，用于根据设定的历史交通流信息，对多个车辆进行行驶模拟，以得到多个车辆对应的模拟交通流信息；第一确定模块920，用于根据车载传感器的参数信息，确定多个车辆中目标车辆的车载传感器的模拟参数信息；第二确定模块930，用于根据模拟交通流信息和/或模拟参数信息，确定多个交通静态元素图像和多个模拟交通动态元素图像；融合模块940，用于将多个交通静态元素图像和多个模拟交通动态元素图像进行图像融合，以得到多个目标融合图像；测试模块950，用于根据多个目标融合图像，对目标车辆进行测试，以得到目标车辆的测试结果。
作为本公开实施例的一种可能的实现方式，第二确定模块930，用于：根据多个模拟位姿信息中的任一模拟位姿信息，确定与任一模拟位姿信息匹配的交通静态元素图像；采用模拟交通流信息和多个模拟参数信息进行图像渲染，以得到多个模拟交通动态元素图像。
作为本公开实施例的一种可能的实现方式，第二确定模块930，还用于：将任一模拟位姿信息输入至经过训练的交通静态元素图像生成模型中，以得到经过训练的交通静态元素图像生成模型输出的交通静态元素图像。
作为本公开实施例的一种可能的实现方式，交通静态元素图像生成模型经过以下模块训练得到：获取模块、输入模块和训练模块。
其中，获取模块，用于获取样本交通静态元素图像，其中，样本交通静态元素图像上标注对应的车载传感器的位姿信息；输入模块，用于将所述样本交通静态元素图像上标注的车载传感器的位姿信息输入至初始的静态元素图像生成模型中，以得到初始的静态元素图像生成模型输出的交通静态元素预测图像；训练模块，用于根据交通静态元素预测图像与样本交通静态元素图像之间的差异，对初始的交通静态元素图像生成模型进行训练。
作为本公开实施例的一种可能的实现方式，第二确定模块930，还用于：将模拟交通流信息以及多个模拟参数信息输入至三维渲染模型中，以使三维渲染模型基于多个模拟参数中的多个模拟位姿信息对模拟交通流信息进行三维渲染，以得到三维渲染模型输出的与多个模拟位姿信息匹配的多个模拟交通动态元素图像。
作为本公开实施例的一种可能的实现方式，融合模块940，用于：针对多个交通静态元素图像中任一交通静态元素图像，根据任一交通静态元素图像对应的模拟位姿信息，确定与任一交通静态元素图像匹配的模拟交通动态元素图像；将任一交通静态元素图像与任一交通静态元素匹配的模拟交通动态元素图像进行增强现实合成，以得到合成后的图像；根据各合成后的图像，确定多个目标融合图像。
作为本公开实施例的一种可能的实现方式，模拟模块910，用于：从交通流信息中对多个车辆的行驶参数信息进行提取，以得到多个车辆的行驶参数信息；根据行驶参数信息，对多个车辆进行行驶模拟，以得到多个车辆对应的模拟交通流信息。
作为本公开实施例的一种可能的实现方式，行驶参数信息包括以下参数信息中的至少一种：位置信息、方向信息、速度信息、加速度信息以及行驶车道信息。
作为本公开实施例的一种可能的实现方式，测试模块950，用于：根据多个目标融合图像，对目标车辆进行障碍物感知测试，以得到目标车辆的感知测试结果；根据多个目标融合图像，对目标车辆进行轨迹规划测试，以得到目标车辆的轨迹规划测试结果；根据感知测试结果和轨迹规划测试结果，生成测试结果。
作为本公开实施例的一种可能的实现方式，车辆测试装置900还包括：比对模块和生成模块。
其中，比对模块，用于对测试结果与标注结果进行比对，以得到与测试结果对应的第一测试评价指标和第二测试评价指标，其中，第一测试评价用于表征目标车辆对所述障碍物的感知准确率，第二测试评价用于表征目标车辆的轨迹规划准确率；生成模块，用于根据第一测试评价指标以及第二测试评价指标，生成测试报告。
本公开实施例的车辆测试装置，通过根据设定的历史交通流信息，对多个车辆进行行驶模拟，以得到多个车辆对应的模拟交通流信息；根据车载传感器的参数信息，确定多个车辆中目标车辆的车载传感器的模拟参数信息；根据模拟交通流信息和/或模拟参数信息，确定多个交通静态元素图像和多个模拟交通动态元素图像；将多个交通静态元素图像和多个模拟交通动态元素图像进行图像融合，以得到多个目标融合图像；根据多个目标融合图像，对目标车辆进行测试，以得到目标车辆的测试结果，由此，该装置可实现将多个交通静态元素图像和多个模拟交通动态元素图像进行图像融合得到个目标融合图像，进而，根据多个目标融合图像，对目标车辆进行测试，实现了模拟的交通动态元素和真实的交通静态元素之间的交互，提高了车辆测试中车辆行驶环境的真实感，同时，提高了车辆测试的仿真度和准确性。
为了实现上述实施例，本公开还提出一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使至少一个处理器能够执行上述实施例的车辆测试方法。
为了实现上述实施例，本公开还提出一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使所述计算机执行上述实施例所述的车辆测试方法。
为了实现上述实施例，本公开还提出一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述实施例所述的车辆测试方法。
需要说明的是，本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均在征得用户同意的前提下进行，并且均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如车辆测试方法。例如，在一些实施例中，车辆测试方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的车辆测试方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行车辆测试方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器也可以为分布式***的服务器，或者是结合了区块链的服务器。
其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件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、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (23)
1.一种车辆测试方法，包括：
根据设定的历史交通流信息，对多个车辆进行行驶模拟，以得到所述多个车辆对应的模拟交通流信息；
根据车载传感器的参数信息，确定所述多个车辆中目标车辆的车载传感器的模拟参数信息；
根据模拟交通流信息和/或所述模拟参数信息，确定多个交通静态元素图像和多个模拟交通动态元素图像；
将所述多个交通静态元素图像和所述多个模拟交通动态元素图像进行图像融合，以得到多个目标融合图像；
根据所述多个目标融合图像，对所述目标车辆进行测试，以得到所述目标车辆的测试结果。
2.根据权利要求1所述的方法，其中，所述模拟参数信息中包括所述车载传感器的多个模拟位姿信息，所述根据模拟交通流信息和/或所述模拟参数信息，确定多个交通静态元素图像和多个模拟交通动态元素图像，包括：
根据所述多个模拟位姿信息中的任一模拟位姿信息，确定与所述任一模拟位姿信息匹配的交通静态元素图像；
采用所述模拟交通流信息和所述多个模拟参数信息进行图像渲染，以得到所述多个模拟交通动态元素图像。
3.根据权利要求2所述的方法，其中，所述根据所述多个模拟位姿信息中的任一模拟位姿信息，确定与所述任一模拟位姿信息匹配的交通静态元素图像，包括：
将所述任一模拟位姿信息输入至经过训练的交通静态元素图像生成模型中，以得到所述经过训练的交通静态元素图像生成模型输出的交通静态元素图像。
4.根据权利要求3所述的方法，其中，所述交通静态元素图像生成模型经过以下步骤训练得到：
获取样本交通静态元素图像，其中，所述样本交通静态元素图像上标注对应车载传感器的位姿信息；
将所述样本交通静态元素图像上携带的车载传感器的位姿信息输入至初始的静态元素图像生成模型中，以得到所述初始的静态元素图像生成模型输出的交通静态元素预测图像；
根据所述交通静态元素预测图像与所述样本交通静态元素图像之间的差异，对所述初始的交通静态元素图像生成模型进行训练。
5.根据权利要求2所述的方法，其中，所述采用所述模拟交通流信息和所述多个模拟参数信息进行图像渲染，以得到所述多个模拟交通动态元素图像，包括：
将所述模拟交通流信息以及所述多个模拟参数信息输入至三维渲染模型中，以使三维渲染模型基于多个模拟参数中的多个模拟位姿信息对所述模拟交通流信息进行三维渲染，以得到所述三维渲染模型输出的与多个模拟位姿信息匹配的多个模拟交通动态元素图像。
6.根据权利要求2所述的方法，其中，所述将所述多个交通静态元素图像和所述多个模拟交通动态元素图像进行图像融合，以得到多个目标融合图像，包括：
针对所述多个交通静态元素图像中任一交通静态元素图像，根据所述任一交通静态元素图像对应的模拟位姿信息，确定与所述任一交通静态元素图像匹配的模拟交通动态元素图像；
将所述任一交通静态元素图像与所述任一交通静态元素匹配的模拟交通动态元素图像进行增强现实合成，以得到合成后的图像；
根据各所述合成后的图像，确定所述多个目标融合图像。
7.根据权利要求1所述的方法，其中，所述根据设定的历史交通流信息，对多个车辆进行行驶模拟，以得到所述多个车辆对应的模拟交通流信息，包括：
从所述交通流信息中对所述多个车辆的行驶参数信息进行提取，以得到所述多个车辆的行驶参数信息；
根据所述行驶参数信息，对所述多个车辆进行行驶模拟，以得到所述多个车辆对应的模拟交通流信息。
8.根据权利要求7所述的方法，其中，所述行驶参数信息包括以下参数信息中的至少一种：
位置信息、方向信息、速度信息、加速度信息以及行驶车道信息。
9.根据权利要求1所述的方法，其中，所述根据所述多个目标融合图像，对所述目标车辆进行测试，以得到所述目标车辆的测试结果，包括：
根据所述多个目标融合图像，对所述目标车辆进行障碍物感知测试，以得到所述目标车辆的感知测试结果；
根据所述多个目标融合图像，对所述目标车辆进行轨迹规划测试，以得到所述目标车辆的轨迹规划测试结果；
根据所述感知测试结果和所述轨迹规划测试结果，生成所述测试结果。
10.根据权利要求1-9中任一项所述的方法，其中，所述方法还包括：
对所述测试结果与标注结果进行比对，以得到与所述测试结果对应的第一测试评价指标和第二测试评价指标，其中，所述第一测试评价用于表征所述目标车辆对所述障碍物的感知准确率，所述第二测试评价用于表征所述目标车辆的轨迹规划准确率；
根据所述第一测试评价指标以及所述第二测试评价指标，生成测试报告。
11.一种车辆测试装置，包括：
模拟模块，用于根据设定的历史交通流信息，对多个车辆进行行驶模拟，以得到所述多个车辆对应的模拟交通流信息；
第一确定模块，用于根据车载传感器的参数信息，确定所述多个车辆中目标车辆的车载传感器的模拟参数信息；
第二确定模块，用于根据模拟交通流信息和/或所述模拟参数信息，确定多个交通静态元素图像和多个模拟交通动态元素图像；
融合模块，用于将所述多个交通静态元素图像和所述多个模拟交通动态元素图像进行图像融合，以得到多个目标融合图像；
测试模块，用于根据所述多个目标融合图像，对所述目标车辆进行测试，以得到所述目标车辆的测试结果。
12.根据权利要求11所述的装置，其中，所述模拟参数信息中包括所述车载传感器的多个模拟位姿信息，所述第二确定模块，用于：
根据所述多个模拟位姿信息中的任一模拟位姿信息，确定与所述任一模拟位姿信息匹配的交通静态元素图像；
采用所述模拟交通流信息和所述多个模拟参数信息进行图像渲染，以得到所述多个模拟交通动态元素图像。
13.根据权利要求12所述的装置，其中，所述第二确定模块，还用于：
将所述任一模拟位姿信息输入至经过训练的交通静态元素图像生成模型中，以得到所述经过训练的交通静态元素图像生成模型输出的交通静态元素图像。
14.根据权利要求13所述的装置，其中，所述交通静态元素图像生成模型经过以下模块训练得到：
获取模块，用于获取样本交通静态元素图像，其中，所述样本交通静态元素图像上携带车载传感器的位姿信息；
输入模块，用于将所述样本交通静态元素图像上携带的车载传感器的位姿信息输入至初始的静态元素图像生成模型中，以得到所述初始的静态元素图像生成模型输出的交通静态元素预测图像；
训练模块，用于根据所述交通静态元素预测图像与所述样本交通静态元素图像之间的差异，对所述初始的交通静态元素图像生成模型进行训练。
15.根据权利要求12所述的装置，其中，所述第二确定模块，还用于：
将所述模拟交通流信息以及所述多个模拟参数信息输入至三维渲染模型中，以使三维渲染模型基于多个模拟参数中的多个模拟位姿信息对所述模拟交通流信息进行三维渲染，以得到所述三维渲染模型输出的与多个模拟位姿信息匹配的多个模拟交通动态元素图像。
16.根据权利要求12所述的装置，其中，所述融合模块，用于：
针对所述多个交通静态元素图像中任一交通静态元素图像，根据所述任一交通静态元素图像对应的模拟位姿信息，确定与所述任一交通静态元素图像匹配的模拟交通动态元素图像；
将所述任一交通静态元素图像与所述任一交通静态元素匹配的模拟交通动态元素图像进行增强现实合成，以得到合成后的图像；
根据各所述合成后的图像，确定所述多个目标融合图像。
17.根据权利要求11所述的装置，其中，所述模拟模块，用于：
从所述交通流信息中对所述多个车辆的行驶参数信息进行提取，以得到所述多个车辆的行驶参数信息；
根据所述行驶参数信息，对所述多个车辆进行行驶模拟，以得到所述多个车辆对应的模拟交通流信息。
18.根据权利要求17所述的装置，其中，所述行驶参数信息包括以下参数信息中的至少一种：
位置信息、方向信息、速度信息、加速度信息以及行驶车道信息。
19.根据权利要求11所述的装置，其中，所述测试模块，用于：
根据所述多个目标融合图像，对所述目标车辆进行障碍物感知测试，以得到所述目标车辆的感知测试结果；
根据所述多个目标融合图像，对所述目标车辆进行轨迹规划测试，以得到所述目标车辆的轨迹规划测试结果；
根据所述感知测试结果和所述轨迹规划测试结果，生成所述测试结果。
20.根据权利要求11-19中任一项所述装置，其中，所述装置还包括：
比对模块，用于对所述测试结果与标注结果进行比对，以得到与所述测试结果对应的第一测试评价指标和第二测试评价指标，其中，所述第一测试评价用于表征所述目标车辆对所述障碍物的感知准确率，所述第二测试评价用于表征所述目标车辆的轨迹规划准确率；
生成模块，用于根据所述第一测试评价指标以及所述第二测试评价指标，生成测试报告。
21.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-10中任一项所述的方法。
23.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现根据权利要求1-10中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211113822.1A CN115468778B (zh) | 2022-09-14 | 2022-09-14 | 车辆测试方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211113822.1A CN115468778B (zh) | 2022-09-14 | 2022-09-14 | 车辆测试方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115468778A CN115468778A (zh) | 2022-12-13 |
| CN115468778B true CN115468778B (zh) | 2023-08-15 |
Family
ID=84333890
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211113822.1A Active CN115468778B (zh) | 2022-09-14 | 2022-09-14 | 车辆测试方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115468778B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109781431A (zh) * | 2018-12-07 | 2019-05-21 | 山东省科学院自动化研究所 | 基于混合现实的自动驾驶测试方法及*** |
| CN110160804A (zh) * | 2019-05-31 | 2019-08-23 | 中国科学院深圳先进技术研究院 | 一种自动驾驶车辆的测试方法、装置及*** |
| CN110263381A (zh) * | 2019-05-27 | 2019-09-20 | 南京航空航天大学 | 一种自动驾驶车辆测试仿真场景生成方法 |
| CN112198859A (zh) * | 2020-09-07 | 2021-01-08 | 西安交通大学 | 混合场景下车辆在环的自动驾驶车辆测试方法、***及装置 |
| WO2022033810A1 (de) * | 2020-08-14 | 2022-02-17 | Zf Friedrichshafen Ag | Computerimplementiertes verfahren und computerprogrammprodukt zum erhalten einer umfeldszenen-repräsentation für ein automatisiertes fahrsystem, computerimplementiertes verfahren zum lernen einer prädiktion von umfeldszenen für ein automatisiertes fahrsystem und steuergerät für ein automatisiertes fahrsystem |
| WO2022095023A1 (zh) * | 2020-11-09 | 2022-05-12 | 驭势（上海）汽车科技有限公司 | 一种交通流信息的确定方法、装置、电子设备和存储介质 |
| CN114817072A (zh) * | 2022-05-31 | 2022-07-29 | 国汽智控(北京)科技有限公司 | 基于虚拟场景的车辆测试方法、装置、设备及存储介质 |
-
2022
- 2022-09-14 CN CN202211113822.1A patent/CN115468778B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109781431A (zh) * | 2018-12-07 | 2019-05-21 | 山东省科学院自动化研究所 | 基于混合现实的自动驾驶测试方法及*** |
| CN110263381A (zh) * | 2019-05-27 | 2019-09-20 | 南京航空航天大学 | 一种自动驾驶车辆测试仿真场景生成方法 |
| CN110160804A (zh) * | 2019-05-31 | 2019-08-23 | 中国科学院深圳先进技术研究院 | 一种自动驾驶车辆的测试方法、装置及*** |
| WO2022033810A1 (de) * | 2020-08-14 | 2022-02-17 | Zf Friedrichshafen Ag | Computerimplementiertes verfahren und computerprogrammprodukt zum erhalten einer umfeldszenen-repräsentation für ein automatisiertes fahrsystem, computerimplementiertes verfahren zum lernen einer prädiktion von umfeldszenen für ein automatisiertes fahrsystem und steuergerät für ein automatisiertes fahrsystem |
| CN112198859A (zh) * | 2020-09-07 | 2021-01-08 | 西安交通大学 | 混合场景下车辆在环的自动驾驶车辆测试方法、***及装置 |
| WO2022095023A1 (zh) * | 2020-11-09 | 2022-05-12 | 驭势（上海）汽车科技有限公司 | 一种交通流信息的确定方法、装置、电子设备和存储介质 |
| CN114817072A (zh) * | 2022-05-31 | 2022-07-29 | 国汽智控(北京)科技有限公司 | 基于虚拟场景的车辆测试方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115468778A (zh) | 2022-12-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11783590B2 (en) | Method, apparatus, device and medium for classifying driving scenario data | |
| JP7233807B2 (ja) | 人工ニューラル・ネットワークにおける不確実性をシミュレートするためのコンピュータ実施方法、コンピュータ・システム、およびコンピュータ・プログラム | |
| CN113408141B (zh) | 一种自动驾驶测试方法、装置及电子设备 | |
| JP2021179970A (ja) | 自律走行シミュレーションシーンにおける障害物の模擬方法及び装置 | |
| CN112966742A (zh) | 模型训练方法、目标检测方法、装置和电子设备 | |
| CN114792359B (zh) | 渲染网络训练和虚拟对象渲染方法、装置、设备及介质 | |
| CN114514524A (zh) | 多智能体模拟 | |
| CN113642431A (zh) | 目标检测模型的训练方法及装置、电子设备和存储介质 | |
| CN115797736B (zh) | 目标检测模型的训练和目标检测方法、装置、设备和介质 | |
| CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
| CN115147831A (zh) | 三维目标检测模型的训练方法和装置 | |
| CN114037052A (zh) | 检测模型的训练方法、装置、电子设备及存储介质 | |
| CN114111813A (zh) | 高精地图元素更新方法、装置、电子设备及存储介质 | |
| CN115468778B (zh) | 车辆测试方法、装置、电子设备及存储介质 | |
| CN115575931A (zh) | 标定方法、装置、电子设备及存储介质 | |
| CN115357500A (zh) | 自动驾驶***的测试方法、装置、设备和介质 | |
| CN115657494A (zh) | 虚拟对象仿真方法、装置、设备及存储介质 | |
| CN115131291A (zh) | 对象计数模型的训练方法、装置、设备以及存储介质 | |
| CN116824686A (zh) | 一种动作识别方法和相关装置 | |
| CN116777814A (zh) | 图像处理方法、装置、计算机设备、存储介质及程序产品 | |
| CN116168366B (zh) | 点云数据生成方法、模型训练方法、目标检测方法和装置 | |
| CN113361379B (zh) | 生成目标检测***和检测目标的方法及装置 | |
| CN114596552B (zh) | 信息处理方法、训练方法、装置、设备、车辆及介质 | |
| CN117668761A (zh) | 自动驾驶模型的训练方法、装置、设备及存储介质 | |
| CN118135348A (zh) | 目标模型的训练方法、目标检测方法及装置 |
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 | ||
| GR01 | Patent grant |