CN116204791A - 车辆行为预测场景数据集的构建和管理方法及其*** - Google Patents
车辆行为预测场景数据集的构建和管理方法及其*** Download PDFInfo
- Publication number
- CN116204791A CN116204791A CN202310449345.4A CN202310449345A CN116204791A CN 116204791 A CN116204791 A CN 116204791A CN 202310449345 A CN202310449345 A CN 202310449345A CN 116204791 A CN116204791 A CN 116204791A
- Authority
- CN
- China
- Prior art keywords
- scene
- data
- file
- data set
- constructing
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 29
- 238000007726 management method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000007689 inspection Methods 0.000 claims abstract description 11
- 230000033001 locomotion Effects 0.000 claims abstract description 10
- 238000005065 mining Methods 0.000 claims abstract description 10
- 238000007418 data mining Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 230000006399 behavior Effects 0.000 claims description 46
- 230000011218 segmentation Effects 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 4
- 238000011002 quantification Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012946 outsourcing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000012937 correction 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
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种车辆行为预测场景数据集的构建和管理方法及其***,其中构建方法包括采集自动驾驶车辆和周围障碍物的行驶数据,对数据进行切分,数据时间对齐与格式转换,根据关注障碍物的运动区间构建场景数据文件,使用卡尔曼滤波修复数据,生成描述场景数据的场景标签文件;管理方法包括构建场景关系数据库,场景播放工具,场景挖掘构成子集。本发明的有益效果:通过实车在现实场景中采集的巨量数据来构建高质量的自动驾驶行为预测场景数据集,构建场景数据关系数据集,结合播放工具和封装的检索方法进行数据挖掘,解决现有场景数据集构建技术中缺乏数据质量检验、修复以及缺少高效管理工具的问题。
Description
技术领域
本申请涉及车辆行为预测技术领域,尤其涉及一种车辆行为预测场景数据集的构建和管理方法及其***。
背景技术
近年来,在自动驾驶技术研究的热潮下,车辆行为预测技术也越来越受到行业内的关注。车辆未来的行为取决于很多复杂的因素,以深度学习为主的数据驱动预测算法已成为大势所趋。所以合理高效的构建满足算法开发、验证的行为预测场景数据集成为自动驾驶行为预测研究的关键一环。
现有的自动驾驶场景数据集构建技术的步骤通常是采集原始场景数据或者外购场景数据构成数据来源,然后确定自动驾驶场景数据的信息,这些信息包括场景类型和场景类型对应的数据。过程中还包含了外购场景数据的格式处理转换以保证所有数据具有相同的形式。以场景类型和场景类型对应的数据构成自动驾驶场景数据集。但是现有的技术方案中对于原始数据和外购数据未进行数据的校验和修正,可能会影响数据集整体的数据质量水平,而且在构建成自动驾驶场景数据集之后缺乏对数据集的管理手段。
发明内容
本发明要解决的技术问题是针对以上不足,提供车辆行为预测场景数据集的构建和管理方法及其***,解决现有场景数据集构建技术中缺乏数据质量检验、修复以及缺少高效管理工具的问题。
为解决以上技术问题,本发明采用以下技术方案:
车辆行为预测场景数据集的构建和管理***,包括构建***和管理***,构建***用于进行数据采集及切分、构建场景标签文件和构建场景标签数据库,管理***是在场景标签数据库的基础上进行场景挖掘和对应场景文件的播放。
进一步的,所述构建***包括:
数据切分模块,采集自动驾驶车辆和周围障碍物的原始数据,基于原始数据进行数据切分并对齐;
场景标签文件构建模块,基于数据切分模块选出需要特别关注的障碍物集合,并根据该障碍物的非静止区间分离出场景文件,形成包含所有该场景文件的数据集合后剔除其中异常值生成每个场景文件对应的场景标签文件;
场景数据集构建模块,基于场景标签文件以场景文件的文件名作为主键,其余信息作为数据库字段,建立关系数据库以形成场景标签数据库。
进一步的,所述管理***包括:
场景挖掘模块,通过场景数据集管理工具检索所需场景以构成不同数据分布的子集来满足不同情况下的算法训练和测试需求;
播放模块,基于场景挖掘模块通过数据库检索后播放对应的场景文件。
车辆行为预测场景数据集的构建和管理方法,所述方法通过实车在现实场景中采集的巨量数据来构建高质量的自动驾驶行为预测场景数据集,构建场景数据关系数据集,结合播放工具和封装的检索方法进行数据挖掘。
进一步的,所述方法包括以下步骤:
步骤S1:采集自动驾驶车辆和周围障碍物的原始数据,基于原始数据进行数据切分并对齐;
步骤S2:构建场景文件,根据障碍物的行为、距离、运动状态筛选出需要特别关注的障碍物集合,并根据所关注的障碍物的非静止区间分离出场景文件,形成包含所有该场景文件的数据集合;
步骤S3:基于所获取的数据集合进行数据修复,并对每个场景数据文件生成场景标签文件;
步骤S4:基于所生成的场景标签文件依据其中的场景信息建立关系数据库,以场景文件的文件名作为主键,其余信息作为数据库字段,形成场景标签数据库;
步骤S5:针对场景标签数据库使用场景检索进行数据挖掘以构成不同数据分布的子集来满足不同情况下的算法训练和测试需求。
进一步的,所述步骤S1中对数据进行切分时需按照顺序同时遵循如下规则:
若某个通道的数据在两帧之间的延迟超过预设值则需将两帧之间的异常数据剔除并从延迟点进行切分,形成若干原始数据段;
设置固定的时长阈值区间,将超出该时长阈值区间的每一个原始数据段进行切分,使切分后所形成的单个数据文件大小趋于平均大小,并且单个数据文件所对应的时长落于所述时长阈值区间内,将小于该时长阈值区间的每一个原始数据段丢弃。
进一步的,所述步骤S1中数据切分根据障碍物信息的接收时间进行数据对齐,对帧率高于预设值的数据进行抽帧,对存在缺失帧的数据进行线性插值补帧,以使得帧率保持一致。
进一步的,所述步骤S3中数据修复采用卡尔曼滤波对场景数据文件中的多种数据进行平滑处理以去除其中的异常值;多种数据包括场景数据中的障碍物坐标、障碍物速度、障碍物运动方向。
进一步的,所述步骤S3中场景标签文件的标签内容包含场景文件的基本信息、行为信息、区域信息、复杂性评价以及质量检验项;其中,
基本信息包括:场景中标签文件对应的场景文件路径,场景起止时间,车辆信息,场景中障碍物的数量,障碍物的速度统计,障碍物类型统计;
行为信息包括:车辆的驾驶行为和关注障碍物的驾驶行为;
区域信息包括:车辆和关注障碍物在不同区域的驾驶时间段;
场景的复杂性评价为场景的拥挤程度、交通参与者的类型与场景内车辆的行为复杂性的量化;
场景的质量检验项为场景中关注障碍物的数据有效性检验结果,包括速度、位置、方向和类型是否有异常值。
本发明采用以上技术方案,与现有技术相比,具有如下技术效果:
通过实车在现实场景中采集的巨量数据来构建高质量的自动驾驶行为预测场景数据集,构建场景数据关系数据集,结合播放工具和封装的检索方法进行数据挖掘,解决现有场景数据集构建技术中缺乏数据质量检验、修复以及缺少高效管理工具的问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1是本申请实施例提供的构建和管理方法的步骤图;
图2是本申请实施例提供的数据集构建流程图;
图3是本申请实施例提供的数据对齐示意图;
图4是本申请实施例提供的标签文件内容信息示意图;
图5是本申请实施例提供的构建***框图;
图6是本申请实施例提供的管理***框图。
具体实施方式
实施例1,如图1和图2所示,一种自动驾驶车辆行为预测场景数据集的构建和管理方法,包括以下步骤:
步骤S1:采集车辆和周围障碍物的原始数据,基于原始数据进行数据切分并对齐。
作为一个具体的实施例,采集自动驾驶车辆和周围障碍物的Rosbag格式原始数据,包括但不限于自车定位数据(位置坐标、方向、速度、加速度、加速度、长宽高等),自车底盘数据(类型,速度,刹车值,自动驾驶状态等),感知数据(位置坐标、方向、速度、加速度、加速度、长宽高、检测框以及类型等),数据以帧为单位,每种数据的帧率各不相同。
作为一个具体的实施例,如图3所示,对数据进行切分,切分时遵循两种切分规则,首先基于第一个规则进行处理,规则1:在数据中存在数据延迟的情况,若某个通道的数据在两帧之间的延迟过长需要从延迟点进行切分,以保证数据连贯,延迟过长被认定为异常值,延迟的长短依据经验值设定。规则2:设置固定的时长阈值区间,将超出该时长阈值区间的每一个原始数据段进行切分,使切分后所形成的单个数据文件大小趋于平均大小,并且单个数据文件所对应的时长落于所述时长阈值区间内,将小于该时长阈值区间的每一个原始数据段丢弃。
比如,预设的时长阈值区间为1800s-7200s,存在一段2000s的数据,其数据末尾存在一段延迟,下一段是9000s的数据,其数据末尾存在一段延迟,下一段是700s的数据。依据规则,首先删除两段延迟数据区间,形成2000s+9000s+700s的原始数据,并以2000s的起始点,9000s的起始点和700s的起始点作为切分点,第一段2000s由于落在区间内,顾完全保留,第二段9000s由于超过区间上限,顾进行二段切分(切分的分数依据总长度除以区间上限的数值并向上取整获得),当然进行三段切分也是可以的,第三段700s小于区间下限,顾直接丢弃。
作为一个具体的实施例,由于各个通道数据的帧率各不相同,所以需要进行对齐操作以便于后续使用。根据障碍物信息的接收时间进行对齐,对帧率比较高的数据进行抽帧,而缺失帧数据则需要进行线性插值补帧,使最终的帧率保持在10Hz(每秒10帧)。
为了方便后续处理并且节省数据存储空间,对数据进行格式转换,从Rosbag 格式转换为ProtoBuf格式,ProtoBuf格式存取比Rosbag更快,而且存储空间需求会减少一半。
步骤S2:构建场景文件,根据障碍物的行为、距离、运动状态筛选出需要特别关注的障碍物集合,并根据关注障碍物oi的非静止区间分离出时长为的场景文件,形成包含个场景文件的数据集合,i:表示当前场景文件中需要关注的障碍物序号,i=1,2,3,...n 共有n个障碍物,n:表示当前场景文件中需要关注的障碍物总数,j:表示当前关注障碍物的非静止区间序号j=1,2,3,.... ,第i 个障碍物共有/> 个静止区间,/>:表示第i 个关注障碍物的静止区间总数,/> : 表示当前关注障碍物( />)的 第j 个静止区间。
步骤S3:基于所获取的数据集合进行数据修复,由于从车端直接采集的数据中包含了定位跳变、感知质量跳变等情况导致的异常数据,所以我们使用卡尔曼滤波对场景数据文件中的多种数据进行平滑处理以去除其中的异常值,包括场景数据中的障碍物坐标、障碍物速度、障碍物运动方向,经过卡尔曼滤波后的数据会更平滑且符合运动学。
在获得上述数据之后,为了方便后期的数据集管理,需要为每个场景数据文件生成标签文件,标签内容包含场景文件的基本信息、行为信息、区域信息、场景的复杂性评价以及场景的质量检验项。
作为一个具体的实施例,这里场景文件的基本信息包括场景中标签文件对应的场景文件路径,场景起止时间,自动驾驶车辆信息,场景中障碍物的数量,障碍物的速度统计,障碍物类型统计。
行为信息包括自动驾驶车辆的驾驶行为和关注障碍物的驾驶行为,例如直行时间段、左转时间段、所在车道编号等。
区域信息包括自动驾驶车辆和关注障碍物在不同区域的驾驶时间段,例如在普通车道的时间段、在路口的时间段等。
场景的复杂性评价是场景的拥挤程度、交通参与者的类型与场景内车辆的行为复杂性的量化。
场景的质量检验项是指场景中关注障碍物的数据有效性检验结果,包括速度、位置、方向和类型等是否有异常值。
如图4所形成的标签文件内容信息的示意图。
步骤S4:基于所生成的场景标签文件后,根据标签文件中的场景信息建立关系数据库,以场景文件的文件名作为主键,其余信息作为数据库字段。在场景标签数据库中可以检索指定行为、区域和运动特征的场景文件名,然后可以取出对应的文件进行使用,与之对应的还有一个场景播放工具软件,该软件可以通过数据库的检索结果播放对应的场景文件,且支持基础的播放控制功能。使用场景播放软件可以对场景文件进行可视化来进行人工检验。
步骤S5:针对场景标签数据库使用场景检索进行数据挖掘以构成不同数据分布的子集来满足不同情况下的算法训练和测试需求,如关注障碍物在路口右转的场景、关注障碍物速度大于20km/h 的场景、以及包含10个障碍物以上的场景。
本方法通过实车在现实场景中采集的巨量数据来构建高质量的自动驾驶行为预测场景数据集,构建场景数据关系数据集,结合播放工具和封装的检索方法进行数据挖掘,解决现有场景数据集构建技术中缺乏数据质量检验、修复以及缺少高效管理工具的问题。
与本申请的动驾驶车辆行为预测场景数据集的构建和管理方法对应的,如图5所示,本申请实施例第二方面提供了一种车辆行为预测场景数据集的构建***,包括:数据切分模块、场景标签文件构建模块和场景数据集构建模块。其中,
数据切分模块采集自动驾驶车辆和周围障碍物的原始数据,包括但不限于自车定位数据(位置坐标、方向、速度、加速度、加速度、长宽高等),自车底盘数据(类型,速度,刹车值,自动驾驶状态等),感知数据(位置坐标、方向、速度、加速度、加速度、长宽高、检测框以及类型等),数据以帧为单位,每种数据的帧率各不相同。数据切分模块基于原始数据进行数据切分,在数据进行切分时按照顺序遵循两种切分规则,包括:I)若某个通道的数据在两帧之间的延迟超过预设值(超过依经验值设定的预设值)则需将两帧之间的异常数据剔除并从延迟点进行切分;II)设置固定的时长阈值区间,将超出该时长阈值区间的每一个原始数据段进行切分,使切分后所形成的单个数据文件大小趋于平均大小,并且单个数据文件所对应的时长落于所述时长阈值区间内,将小于该时长阈值区间的每一个原始数据段丢弃。
在切分之后,由于各个通道数据的帧率各不相同,需要进行对齐操作以便于后续使用,数据切分模块根据障碍物信息的接收时间进行对齐,对帧率比较高的数据进行抽帧,而缺失帧数据则需要进行线性插值补帧,使最终的帧率保持在10Hz(每秒10帧)。然后为了方便后续处理并且节省数据存储空间,对数据进行格式转换,从Rosbag 格式转换为ProtoBuf格式,ProtoBuf格式存取比Rosbag更快,而且存储空间需求会减少一半。
场景标签文件构建模块基于数据切分模块选出需要特别关注的障碍物集合,并根据该障碍物的非静止区间分离出场景文件,形成包含所有该场景文件的数据集合后采用卡尔曼滤波对场景数据文件中的多种数据(场景数据中的障碍物坐标、障碍物速度、障碍物运动方向)进行平滑处理以去除其中的异常值,最终生成每个场景文件对应的数据集合。在上述基础之上,为了方便后期的数据集管理,需要为每个场景数据文件生成标签文件,标签内容包含场景文件的基本信息、行为信息、区域信息、复杂性评价以及质量检验项。
场景数据集构建模块基于场景标签文件以场景文件的文件名作为主键,其余信息作为数据库字段,建立关系数据库以形成场景标签数据库。
本申请实施例第三方面提供了一种车辆行为预测场景数据集的管理***,如图6所示,在上述构建***所构建的场景标签数据库的基础上设置场景挖掘模块和播放模块,其中,场景挖掘模块通过场景数据集管理工具检索所需场景以构成不同数据分布的子集来满足不同情况下的算法训练和测试需求,如关注障碍物在路口右转的场景、关注障碍物速度大于20km/h 的场景、以及包含10个障碍物以上的场景。
作为一个具体的实施例,场景挖掘模块根据标签文件中的场景信息建立关系数据库,以场景文件的文件名作为主键,其余信息作为数据库字段。在场景标签数据库中检索指定行为、区域和运动特征的场景文件名,然后可以取出对应的文件进行使用。
播放模块,通过数据库的检索结果播放对应的场景文件,且支持基础的播放控制功能。使用场景播放软件可以对场景文件进行可视化来进行人工检验。
以上详细描述了本发明的优选实施方式,但是本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换(如数量、形状、位置等),这些等同变换均属于本发明的保护。
Claims (9)
1.车辆行为预测场景数据集的构建和管理***,其特征在于:包括构建***和管理***,构建***用于进行数据采集及切分、构建场景标签文件和构建场景标签数据库,管理***是在场景标签数据库的基础上进行场景挖掘和对应场景文件的播放。
2.根据权利要求1所述的车辆行为预测场景数据集的构建和管理***,其特征在于:所述构建***包括:
数据切分模块,采集自动驾驶车辆和周围障碍物的原始数据,基于原始数据进行数据切分并对齐;
场景标签文件构建模块,基于数据切分模块选出需要特别关注的障碍物集合,并根据该障碍物的非静止区间分离出场景文件,形成包含所有该场景文件的数据集合后剔除其中异常值生成每个场景文件对应的场景标签文件;
场景数据集构建模块,基于场景标签文件以场景文件的文件名作为主键,其余信息作为数据库字段,建立关系数据库以形成场景标签数据库。
3.根据权利要求1所述的车辆行为预测场景数据集的构建和管理***,其特征在于:所述管理***包括:
场景挖掘模块,通过场景数据集管理工具检索所需场景以构成不同数据分布的子集来满足不同情况下的算法训练和测试需求;
播放模块,基于场景挖掘模块通过数据库检索后播放对应的场景文件。
4.车辆行为预测场景数据集的构建和管理方法,其特征在于:所述方法应用于如权利要求1-3中任意一权利要求所述的车辆行为预测场景数据集的构建和管理***中,所述方法通过实车在现实场景中采集的巨量数据来构建高质量的自动驾驶行为预测场景数据集,构建场景数据关系数据集,结合播放工具和封装的检索方法进行数据挖掘。
5.根据权利要求4所述的车辆行为预测场景数据集的构建和管理方法,其特征在于:包括以下步骤:
步骤S1:采集自动驾驶车辆和周围障碍物的原始数据,基于原始数据进行数据切分并对齐;
步骤S2:构建场景文件,根据障碍物的行为、距离、运动状态筛选出需要特别关注的障碍物集合,并根据所关注的障碍物的非静止区间分离出场景文件,形成包含所有该场景文件的数据集合;
步骤S3:基于所获取的数据集合进行数据修复,并对每个场景数据文件生成场景标签文件;
步骤S4:基于所生成的场景标签文件依据其中的场景信息建立关系数据库,以场景文件的文件名作为主键,其余信息作为数据库字段,形成场景标签数据库;
步骤S5:针对场景标签数据库使用场景检索进行数据挖掘以构成不同数据分布的子集来满足不同情况下的算法训练和测试需求。
6.根据权利要求5所述的车辆行为预测场景数据集的构建和管理方法,其特征在于:所述步骤S1中对数据进行切分时需按照顺序同时遵循如下规则:
若某个通道的数据在两帧之间的延迟超过预设值则需将两帧之间的异常数据剔除并从延迟点进行切分,形成若干原始数据段;
设置固定的时长阈值区间,将超出该时长阈值区间的每一个原始数据段进行切分,使切分后所形成的单个数据文件大小趋于平均大小,并且单个数据文件所对应的时长落于所述时长阈值区间内,将小于该时长阈值区间的每一个原始数据段丢弃。
7.根据权利要求5所述的车辆行为预测场景数据集的构建和管理方法,其特征在于:所述步骤S1中数据切分根据障碍物信息的接收时间进行数据对齐,对帧率高于预设值的数据进行抽帧,对存在缺失帧的数据进行线性插值补帧,以使得帧率保持一致。
8.根据权利要求5所述的车辆行为预测场景数据集的构建和管理方法,其特征在于:所述步骤S3中数据修复采用卡尔曼滤波对场景数据文件中的多种数据进行平滑处理以去除其中的异常值;多种数据包括场景数据中的障碍物坐标、障碍物速度、障碍物运动方向。
9.根据权利要求5所述的车辆行为预测场景数据集的构建和管理方法,其特征在于:所述步骤S3中场景标签文件的标签内容包含场景文件的基本信息、行为信息、区域信息、复杂性评价以及质量检验项;其中,
基本信息包括:场景中标签文件对应的场景文件路径,场景起止时间,车辆信息,场景中障碍物的数量,障碍物的速度统计,障碍物类型统计;
行为信息包括:车辆的驾驶行为和关注障碍物的驾驶行为;
区域信息包括:车辆和关注障碍物在不同区域的驾驶时间段;
场景的复杂性评价为场景的拥挤程度、交通参与者的类型与场景内车辆的行为复杂性的量化;
场景的质量检验项为场景中关注障碍物的数据有效性检验结果,包括速度、位置、方向和类型是否有异常值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310449345.4A CN116204791B (zh) | 2023-04-25 | 2023-04-25 | 车辆行为预测场景数据集的构建和管理方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310449345.4A CN116204791B (zh) | 2023-04-25 | 2023-04-25 | 车辆行为预测场景数据集的构建和管理方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116204791A true CN116204791A (zh) | 2023-06-02 |
CN116204791B CN116204791B (zh) | 2023-08-11 |
Family
ID=86515973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310449345.4A Active CN116204791B (zh) | 2023-04-25 | 2023-04-25 | 车辆行为预测场景数据集的构建和管理方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116204791B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117681893A (zh) * | 2024-02-02 | 2024-03-12 | 中国科学院自动化研究所 | 面向矿区场景的自动驾驶数据构建方法和装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107235044A (zh) * | 2017-05-31 | 2017-10-10 | 北京航空航天大学 | 一种基于多传感数据实现对道路交通场景和司机驾驶行为的还原方法 |
DE102017009971A1 (de) * | 2017-10-26 | 2019-05-02 | Daimler Ag | Verfahren zum Testen eines Spurhalteassistenzsystems für ein Fahrzeug |
CN110083163A (zh) * | 2019-05-20 | 2019-08-02 | 三亚学院 | 一种用于自动驾驶汽车的5g c-v2x车路云协同感知方法及*** |
CN110691990A (zh) * | 2017-06-02 | 2020-01-14 | 华为技术有限公司 | 一种障碍物检测方法及设备 |
CN111199087A (zh) * | 2018-10-31 | 2020-05-26 | 百度在线网络技术(北京)有限公司 | 场景识别方法和装置 |
CN114676844A (zh) * | 2020-12-24 | 2022-06-28 | 北京百度网讯科技有限公司 | 用于自动驾驶的方法、装置、设备、计算机可读存储介质 |
CN115718702A (zh) * | 2022-11-23 | 2023-02-28 | 武汉中海庭数据技术有限公司 | 一种自动驾驶测试场景库构建方法及*** |
DE102022112060B3 (de) * | 2022-05-13 | 2023-04-20 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Szenariendatenbank für ein Verfahren und ein System zur Kalibrierung und Validierung eines Fahrerassistenzsystems (ADAS) und/oder eines automatisierten Fahrsystems (ADS) |
-
2023
- 2023-04-25 CN CN202310449345.4A patent/CN116204791B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107235044A (zh) * | 2017-05-31 | 2017-10-10 | 北京航空航天大学 | 一种基于多传感数据实现对道路交通场景和司机驾驶行为的还原方法 |
CN110691990A (zh) * | 2017-06-02 | 2020-01-14 | 华为技术有限公司 | 一种障碍物检测方法及设备 |
DE102017009971A1 (de) * | 2017-10-26 | 2019-05-02 | Daimler Ag | Verfahren zum Testen eines Spurhalteassistenzsystems für ein Fahrzeug |
CN111199087A (zh) * | 2018-10-31 | 2020-05-26 | 百度在线网络技术(北京)有限公司 | 场景识别方法和装置 |
CN110083163A (zh) * | 2019-05-20 | 2019-08-02 | 三亚学院 | 一种用于自动驾驶汽车的5g c-v2x车路云协同感知方法及*** |
CN114676844A (zh) * | 2020-12-24 | 2022-06-28 | 北京百度网讯科技有限公司 | 用于自动驾驶的方法、装置、设备、计算机可读存储介质 |
DE102022112060B3 (de) * | 2022-05-13 | 2023-04-20 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Szenariendatenbank für ein Verfahren und ein System zur Kalibrierung und Validierung eines Fahrerassistenzsystems (ADAS) und/oder eines automatisierten Fahrsystems (ADS) |
CN115718702A (zh) * | 2022-11-23 | 2023-02-28 | 武汉中海庭数据技术有限公司 | 一种自动驾驶测试场景库构建方法及*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117681893A (zh) * | 2024-02-02 | 2024-03-12 | 中国科学院自动化研究所 | 面向矿区场景的自动驾驶数据构建方法和装置 |
CN117681893B (zh) * | 2024-02-02 | 2024-05-14 | 中国科学院自动化研究所 | 面向矿区场景的自动驾驶数据构建方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116204791B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102309711B1 (ko) | 유용한 학습 데이터를 취사 선별하기 위한 cnn 기반 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치 | |
CN110751224A (zh) | 视频分类模型的训练方法、视频分类方法、装置及设备 | |
CN116204791B (zh) | 车辆行为预测场景数据集的构建和管理方法及其*** | |
CN111796917B (zh) | 算子运算调度方法和装置 | |
CN109657058A (zh) | 一种公告信息的抽取方法 | |
WO2021185121A1 (zh) | 模型生成方法、目标检测方法、装置、设备及存储介质 | |
CN112905849A (zh) | 一种车辆数据处理的方法及装置 | |
CN111507226A (zh) | 道路图像识别模型建模方法、图像识别方法及电子设备 | |
CN112417973A (zh) | 一种基于车联网的无人驾驶*** | |
CN112965960A (zh) | 一种智慧警务数据融合清洗研判装置 | |
CN107992937A (zh) | 基于深度学习的非结构化数据判决方法和装置 | |
CN114596555A (zh) | 障碍物点云数据筛选方法、装置、电子设备及存储介质 | |
CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
CN112466118A (zh) | 车辆驾驶行为识别方法、***、电子设备及存储介质 | |
CN112329152B (zh) | 一种驾驶数据搜索方法、装置及设备 | |
CN117093260B (zh) | 一种基于决策树分类算法的融合模型网站结构解析方法 | |
Ding et al. | Mit-avt clustered driving scene dataset: Evaluating perception systems in real-world naturalistic driving scenarios | |
CN113942521A (zh) | 一种智能车路***下驾驶员风格辨识方法 | |
CN112164223B (zh) | 基于云平台的智能交通信息处理方法及装置 | |
CN115393751A (zh) | 数据处理方法、存储介质及电子设备 | |
CN111221819B (zh) | 一种基于多维数据空间分割的相似台风快速匹配方法 | |
CN112597871A (zh) | 基于二阶段聚类的无监督车辆重识别方法、***及存储介质 | |
CN112687079A (zh) | 灾害预警方法、装置、设备及存储介质 | |
CN115027497B (zh) | 目标车辆切入意图预测方法及可读存储介质 | |
CN117237475A (zh) | 一种基于扩散生成模型的车辆交通轨迹生成方法及装置 |
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 |