[go: up one dir, main page]

CN111694287A - 无人驾驶仿真场景中的障碍物模拟方法和装置 - Google Patents

无人驾驶仿真场景中的障碍物模拟方法和装置 Download PDF

Info

Publication number
CN111694287A
CN111694287A CN202010406966.0A CN202010406966A CN111694287A CN 111694287 A CN111694287 A CN 111694287A CN 202010406966 A CN202010406966 A CN 202010406966A CN 111694287 A CN111694287 A CN 111694287A
Authority
CN
China
Prior art keywords
obstacle
simulated
initial
position point
sequence
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
Application number
CN202010406966.0A
Other languages
English (en)
Other versions
CN111694287B (zh
Inventor
于宁
杨凡
毛继明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Apollo Intelligent Technology Beijing Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010406966.0A priority Critical patent/CN111694287B/zh
Publication of CN111694287A publication Critical patent/CN111694287A/zh
Priority to EP20212486.3A priority patent/EP3910431B1/en
Priority to US17/119,662 priority patent/US11840259B2/en
Priority to JP2021035288A priority patent/JP7127171B2/ja
Application granted granted Critical
Publication of CN111694287B publication Critical patent/CN111694287B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • 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
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/402—Type
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4041—Position
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4046—Behavior, e.g. aggressive or erratic
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D15/00—Steering not otherwise provided for
    • B62D15/02—Steering position indicators ; Steering position determination; Steering aids
    • B62D15/025—Active steering aids, e.g. helping the driver by actively influencing the steering system after environment evaluation
    • B62D15/0265—Automatic obstacle avoidance by steering
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Architecture (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本申请公开了无人驾驶仿真场景中的障碍物模拟方法、装置、电子设备和存储介质，涉及无人驾驶技术领域。具体实现方案为：对于三维场景地图中的障碍物信息，结合待测试感知算法的实际感知性能，确定感知算法检测到障碍物位置的高斯分布信息，对仿真障碍物的初始轨迹序列中的各个位置点进行调整，从而使得调整后的目标运动轨迹序列中的各位置点与初始运动轨迹序列中相应位置点之间的位置偏差服从高斯分布，并将仿真障碍物的目标运动轨迹序列添加到三维场景地图中，由此，结合实际驾驶场景中感知算法的性能，准确构建了三维场景地图中可以反映出客观场景的障碍物信息，方便了后续基于三维场景地图中的障碍物信息对无人车进行仿真测试。

Description

无人驾驶仿真场景中的障碍物模拟方法和装置
技术领域
本申请涉及计算机技术领域，具体涉及无人驾驶技术领域，尤其涉及无人驾驶仿真场景中的障碍物模拟方法、装置、电子设备和存储介质。
背景技术
无人驾驶汽车(即，无人车)是一个复杂的系统，要做到安全、可靠地投入实际应用，需要经过大量的测试，而实车在真实环境下测试虽然能取得较好的验证效果，但是实车测试成本极高，且风险高。因此，在仿真环境验对无人车功能和稳定性进行测试是十分重要的。
在对无人车进行仿真测试的过程中，首先要构建无人驾驶仿真环境，而如何构建无人驾驶仿真环境中的障碍物信息对于后续准确对无人车进行仿真测试是十分关键的。目前，相关技术中通常是采用人工的方式对无人驾驶仿真场景中的障碍物进行构建，然而，这种方式所构建的无人驾驶仿真场景并不能够真实的反映出无人车实际驾驶过程中遇到的障碍物场景情况，比如，不能反映出真实环境感知结果所得到的障碍物位置存在一定随机性。
发明内容
本申请提出一种无人驾驶仿真场景中的障碍物模拟方法、装置、电子设备和存储介质，结合实际驾驶场景中感知算法的性能，准确构建了三维场景地图中可以反映出客观场景的障碍物信息，方便了后续基于三维场景地图中的障碍物信息对无人车进行仿真测试。
本申请第一方面实施例提出了一种无人驾驶仿真场景中的障碍物模拟方法，包括：获取待添加到三维场景地图中的障碍物信息，其中，所述障碍物信息包括仿真障碍物的初始运动轨迹序列；根据待测试感知算法的实际感知性能，确定所述感知算法检测到障碍物位置的高斯分布信息，其中，所述高斯分布信息包括高斯分布的预设期望值和预设方差值；基于所述高斯分布，对所述初始运动轨迹序列进行调整，以得到所述仿真障碍物的目标运动轨迹序列，其中，所述目标运动轨迹序列中的各位置点与所述初始运动轨迹序列中相应位置点之间的位置偏差服从所述高斯分布；将所述仿真障碍物的目标运动轨迹序列添加到所述三维场景地图中。
本申请实施例的无人驾驶仿真场景中的障碍物模拟方法，对于三维场景地图中的障碍物信息，结合待测试感知算法的实际感知性能，确定感知算法检测到障碍物位置的高斯分布信息，对仿真障碍物的初始轨迹序列中的各个位置点进行调整，从而使得调整后的目标运动轨迹序列中的各位置点与初始运动轨迹序列中相应位置点之间的位置偏差服从高斯分布，并将仿真障碍物的目标运动轨迹序列添加到三维场景地图中，由此，结合实际驾驶场景中感知算法的性能，准确构建了三维场景地图中可以反映出客观场景的障碍物信息，方便了后续基于三维场景地图中的障碍物信息对无人车进行仿真测试。
本申请第二方面实施例提出了一种无人驾驶仿真场景中的障碍物模拟装置，包括：第一获取模块，用于获取待添加到三维场景地图中的障碍物信息，其中，所述障碍物信息包括仿真障碍物的初始运动轨迹序列；第一确定模块，用于根据待测试感知算法的实际感知性能，确定所述感知算法检测到障碍物位置的高斯分布信息，其中，所述高斯分布信息包括高斯分布的预设期望值和预设方差值；第一调整模块，用于基于所述高斯分布，对所述初始运动轨迹序列进行调整，以得到所述仿真障碍物的目标运动轨迹序列，其中，所述目标运动轨迹序列中的各位置点与所述初始运动轨迹序列中相应位置点之间的位置偏差服从所述高斯分布；加入模块，用于将所述仿真障碍物的目标运动轨迹序列添加到所述三维场景地图中。
本申请实施例的无人驾驶仿真场景中的障碍物模拟装置，对于三维场景地图中的障碍物信息，结合待测试感知算法的实际感知性能，确定感知算法检测到障碍物位置的高斯分布信息，对仿真障碍物的初始轨迹序列中的各个位置点进行调整，从而使得调整后的目标运动轨迹序列中的各位置点与初始运动轨迹序列中相应位置点之间的位置偏差服从高斯分布，并将仿真障碍物的目标运动轨迹序列添加到三维场景地图中，由此，结合实际驾驶场景中感知算法的性能，准确构建了三维场景地图中可以反映出客观场景的障碍物信息，方便了后续基于三维场景地图中的障碍物信息对无人车进行仿真测试。
本申请第三方面实施例提出了一种电子设备，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申请实施例的无人驾驶仿真场景中的障碍物模拟方法。
本申请第四方面实施例提出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申请实施例公开的无人驾驶仿真场景中的障碍物模拟方法。
上述申请中的一个实施例具有如下优点或有益效果：结合实际驾驶场景中感知算法的性能，准确构建了三维场景地图中可以反映出客观场景的障碍物信息，方便了后续基于三维场景地图中的障碍物信息对无人车进行仿真测试。因为在构建三维场景地图中的障碍物信息时，采用了结合待测试感知算法的实际感知性能，确定感知算法检测到障碍物位置的高斯分布信息，对障碍物的初始轨迹序列中的各个位置点进行调整，从而使得调整后的目标运动轨迹序列中的各位置点与初始运动轨迹序列中相应位置点之间的位置偏差服从高斯分布，并将障碍物的目标运动轨迹序列添加到三维场景地图中的技术手段，所以克服了相关技术中所构建的无人驾驶仿真场景不能够真实反映出无人车驾驶过程中遇到的障碍物场景的技术问题，从而达到了结合实际驾驶场景中感知算法的性能，准确构建了三维场景地图中可以反映出客观场景的障碍物信息，方便了后续基于三维场景地图中的障碍物信息对无人车进行仿真测试的技术效果。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请第一实施例的示意图；
图2是根据本申请第二实施例的示意图；
图3是根据本申请第三实施例的示意图；
图4是根据本申请第四实施例的示意图；
图5是根据本申请第五实施例的示意图；
图6根据本申请第六实施例的示意图；
图7是用来实现本申请实施例的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。
下面参考附图描述本申请实施例的无人驾驶仿真场景中的障碍物模拟方法、装置、电子设备和存储介质。
图1是根据本申请第一实施例的示意图。其中，需要说明的是，本实施例的无人驾驶仿真场景中的障碍物模拟方法的执行主体为无人驾驶仿真场景中的障碍物模拟装置，无人驾驶仿真场景中的障碍物模拟装置可以由软件和/或硬件的方式实现，该无人驾驶仿真场景中的障碍物模拟装置可配置在无人驾驶仿真系统(为了便于描述后续简称为仿真系统)中。其中，本实施例中的无人驾驶仿真系统可以配置在电子设备中，电子设备可以为终端设备或者服务器，终端设备可以包括不限于智能手机、平板电脑、个人计算机等设备，该实施例对此不作具体限定。
如图1所示，该无人驾驶仿真场景中的障碍物模拟方法可以包括：
步骤101，获取待添加到三维场景地图中的障碍物信息，其中，障碍物信息包括仿真障碍物的初始运动轨迹序列。
其中，本实施例中的仿真障碍物的初始运动轨迹序列可以是由用户在仿真系统中指定的，也可以是由仿真系统按照预设规则所生成的，该实施对此不作具体限定。
本实施例中的仿真障碍物为动态的仿真障碍物。
步骤102，根据待测试感知算法的实际感知性能，确定感知算法检测到障碍物位置的高斯分布信息，其中，高斯分布信息包括高斯分布的预设期望值和预设方差值。
可以理解的是，在实际自动驾驶车辆系统中，无人车通过传感器感知到的周围环境，并通过感知算法对传感器感知的原始数据进行处理，以得到感知结果。在实际自动驾驶车辆系统中，通常所得到的感知结果并非十分稳定，具体表现为障碍物的位置每一帧都不完全相同，也就是说，障碍物的位置在随机抖动，而这种不稳定性对避障决策、规范算法的决策结果会产生很大的影响。因此，在仿真场景中如果能体现感知障碍物结果的不稳定性，对于准确对无人车进行功能和性能测试是十分重要的。然而，相关技术中，在构建无人驾驶仿真场景中并没有体现感知障碍物结果的不稳定性。
其中，无人车中的传感器可以包括但不限于如激光雷达，毫米波雷达，摄像机，超声波等传感器。
在本申请的一个实施例中，为了可准确在无人驾驶车辆场景中感知障碍物结果的不稳定性，本实施例在真实驾驶场景中，设置多个参考障碍物，并控制采用对应感知算法的无人车对参考障碍物的位置信息进行感知。对应地，仿真系统根据参考障碍物的实际位置信息，与采用对应感知算法的无人车所给出的参考障碍物的感知位置信息进行分析，根据分析结果，得到实际位置信息与感知位置信息之间的位置偏差服从高斯分布。
其中，不同感知算法，其对应的位置偏差均服从高斯分布，而不同感知算法，其对应的高斯分布参数是不同的，即，不同感知算法，其对应高斯分布的期望值和方差存在区别。
本实施例中，为了使得在仿真系统中可快速得到对应感知算法所对应的高斯分布信息，进而可快速构建出无人驾驶仿真场景中的障碍物信息，可在仿真系统中预先建立感知算法，与高分分布信息之间的对应关系。
具体地，在获取待测试的感知算法后，可根据预设的感知算法与高斯分布信息之间的对应关系，获取该感知算法所对应的高斯分布信息。
步骤103，基于高斯分布，对初始运动轨迹序列进行调整，以得到仿真障碍物的目标运动轨迹序列，其中，目标运动轨迹序列中的各位置点与初始运动轨迹序列中相应位置点之间的位置偏差服从高斯分布。
为了使得无人驾驶仿真场景中体现出无人车在实际场景中感知障碍物结果的不稳定性，更加真实的反映出无人车在实际驾驶过程中遇到的障碍物场景，本实施例在获取仿真障碍物的初始轨迹序列后，结合高斯分布，对初始运动轨迹序列进行调整，以得到仿真障碍物的目标运动轨迹序列。
步骤104，将仿真障碍物的目标运动轨迹序列添加到三维场景地图中。
本实施例的无人驾驶仿真场景中的障碍物模拟方法，对于三维场景地图中的障碍物信息，结合待测试感知算法的实际感知性能，确定感知算法检测到障碍物位置的高斯分布信息，对仿真障碍物的初始轨迹序列中的各个位置点进行调整，从而使得调整后的目标运动轨迹序列中的各位置点与初始运动轨迹序列中相应位置点之间的位置偏差服从高斯分布，并将仿真障碍物的目标运动轨迹序列添加到三维场景地图中，由此，结合实际驾驶场景中感知算法的性能，准确构建了三维场景地图中可以反映出客观场景的障碍物信息，方便了后续基于三维场景地图中的障碍物信息对无人车进行仿真测试。
在实际自动驾驶车辆系统中，通常所得到的感知结果中不仅障碍物的位置出现抖动情况，障碍物的轮廓也存在抖动情况，然而，相关技术中所构建的无人驾驶仿真场景中的障碍物的轮廓通常是保持不变的，为了更加真实的反映出无人车实际驾驶过程中遇到的障碍物场景，本实施例对无人驾驶仿真场景中的障碍物的轮廓抖动进行模拟。下面结合图2进行描述。
图2是根据本申请第二实施例的示意图。该实施是上述实施例的进一步细化和扩展。
在本申请的一个实施例中，障碍物信息还包括仿真障碍物在初始运动轨迹序列中各个位置点上的初始轮廓。
如图2所示，该无人驾驶仿真场景中的障碍物模拟方法可以包括：
步骤201，根据高斯分布，对仿真障碍物在初始运动轨迹序列中各个位置点上的初始轮廓信息进行调整，以得到仿真障碍物在目标运动轨迹序列中各个位置点上的目标轮廓。
其中，仿真障碍物在目标运动轨迹序列中各个位置点上的目标轮廓，与仿真障碍物在初始运动估计中相应位置点上的初始轮廓之间的轮廓偏差服从高斯分布。
步骤202，将仿真障碍物在目标运动轨迹序列中各个位置点上的目标轮廓添加到三维场景地图中。
本实施例，结合待测试感知算法的实际感知性能，确定感知算法检测到障碍物位置的高斯分布信息，对仿真障碍物的轮廓进行调整，从而使得三维场景地图中的仿真障碍物的轮廓，更加真实的反映出无人车实际驾驶过程中遇到的障碍物场景，方便后续结合三维场景地图中的障碍物信息对无人车进行仿真测试。
基于上述实施例的基础上，在本申请的一个实施例中，通常在实际驾驶场景中，动态障碍物不会在对车辆的有效决策区域内一直停留，而是在停留一段时间后离开车辆的有效决策区域。其中，车辆的有效决策区域是指对车辆的行驶规划产生影响的区域，如果该区域中存在障碍物，车辆将根据障碍物调整车辆的行驶。为了更加真实的反映出无人车实际驾驶过程中遇到的障碍物场景。如图3所示，该方法还可以包括：
步骤301，根据待测试的无人驾驶车模型的车速，确定无人驾驶车模型的有效决策区域。
具体地，可获知在该三维场景地图中进行仿真测试的无人驾驶车模型出的车速，并根据无人驾驶车模型的行驶方向，在无人行驶车模型的行驶方向上形成可对无人驾驶车模型造成影响的位置范围，并从无人驾驶车模型的两侧确定对无人驾驶车模型造成影响的位置范围，从而可根据上述所获取的位置范围，确定出无人驾驶车模型的有效决策区域。
步骤302，根据仿真障碍物的类型，确定仿真障碍物在有效决策区域内的停留时间信息。
其中，仿真障碍物的类型可以包括行人、机动车。
在本实施例中，根据真实驾驶数据，确定出不同类型的障碍物在“主车有效决策区域”内的停留时间的统计结果，通过对不同类型的障碍物的停留时间进行分析，可确定不同类型的障碍物的停留时间服从指数分布模型，不同类型的障碍物，其对应的指数分布模型的模型参数不同。
例如，以动态障碍物为行人为例，基于行人的性格差异，可将行人分为保守型行人和激进型行人。保守型行人通常会很守交通规则，通常行走在道路两侧，且会主动避让来车，也不会无故挑衅主车。激进型行人通常不怎么守交规，通常会在车道上比较随意的走动，且主车来临，并不一定会很及时的避让，甚至因为好奇无人车，可能存在围观、挑逗无人车的行为，因此，保守型行人和激进型行人在车辆的有效决策区域内的停留时间是不同的。
具体地，在获取仿真障碍物的类型后，可获取该类型的仿真障碍物所对应的指数分布模型，并根据指数分布模型，确定出该类型的仿真障碍物在有效决策区域内的停留时间信息。
举例而言，假设本实施例的仿真障碍物为多个同一个类型的仿真障碍物，可基于对于的指数分布模型，可确定每个仿真障碍物在有效决策区域内的停留时间，多个仿真障碍物的停留时间服从对应的指数分布模型。
步骤303，将仿真障碍物的停留时间信息添加到三维场景地图。
在本实施例中，结合无人驾驶车模型的车速，确定无人驾驶车模型的有效决策区域，并根据仿真障碍物的类型，确定仿真障碍物在有效决策区域内的停留时间信息，并将仿真障碍物在有效决策区域内的停留时间信息添加到三维场景地图中。由此，从而使得三维场景地图中的仿真障碍物，更加真实的反映出无人车实际驾驶过程中遇到的障碍物场景，方便后续结合三维场景地图中的障碍物信息对无人车进行仿真测试。
相关技术中，在仿真系统中构建无人驾驶车仿真场景的过程中，通常通过人工的方式设置三维场景地图中指定的位置范围内所分布的障碍物以及初始位置点，然而，这种方式所设定的障碍物分布情况，可能与实际驾驶场景中该指定的位置范围的障碍物的分布情况不同，为了更加真实的反映出无人车实际驾驶过程中遇到的障碍物场景，基于上述任意一个实施例的基础上，如图4所示，该方法还可以包括：
步骤401，获取在三维场景地图中指定的位置范围。
步骤402，利用预设的障碍物分布模型，确定在位置范围内分布的仿真障碍物的类型和初始位置点。
具体地，在用户在仿真系统中创建无人驾驶仿真场景时，用户可在三维场景地图中指定在一个位置范围内建立无人驾驶仿真场景。
其中，障碍物信息还可以包括仿真障碍物的类型和初始位置点。
对应地，仿真系统可根据用户指定的位置范围，和预先建立的障碍物分布模型，确定在位置范围内分布的仿真障碍物的类型和初始位置点。
其中，本实施例中的预设的障碍物分布模型，是通过真实驾驶场景数据，抽取障碍物信息，根据标注得到的障碍物位置、类型数据，而建立的障碍物分布模型，该障碍物分布模型学习得到位置和障碍物分布特性，也就说，该障碍物分布模型可以表征出位置-障碍物概率分布特性。
步骤403，获取待添加到三维场景地图中的障碍物信息，其中，障碍物信息包括仿真障碍物的初始运动轨迹序列。
步骤404，根据待测试感知算法的实际感知性能，确定感知算法检测到障碍物位置的高斯分布信息，其中，高斯分布信息包括高斯分布的预设期望值和预设方差值。
步骤405，基于高斯分布，对初始运动轨迹序列进行调整，以得到仿真障碍物的目标运动轨迹序列。
其中，目标运动轨迹序列中的各位置点与初始运动轨迹序列中相应位置点之间的位置偏差服从高斯分布。
步骤406，将仿真障碍物的类型、初始位置点以及目标运动轨迹序列添加到三维场景地图中。
本实施例，结合预设的障碍物分布模型，自动确定出三维场景地图中指定位置范围内分布的障碍物的类型和障碍物的初始位置点，从而使得三维场景地图中在指定位置范围内分布的障碍物情况，与真实驾驶场景中的障碍物分布情况更加接近，从而使得是三维场景地图中的障碍场景，更加真实的反映出无人车实际驾驶过程中遇到的障碍物场景。
可以理解的是，在实际驾驶场景中存在的动态障碍物在遇到车辆后，可基于自我感知、自我决策，对自己的行为做出调整，或者与车主进行交互而对行为做出调整。然而，相关技术中在构建无人驾驶仿真场景中，并不没有对障碍物的主动决策进行构建，从而使得所构建出的无人驾驶场景与真实场景还是存在差距。为了可构建出能够更加真实的反映出无人车实际驾驶过程中遇到的障碍物场景，下面结合图5对本实施例的无人驾驶仿真场景中的障碍物模拟方法进行进一步描述。
如图5所示，该无人驾驶仿真场景中的障碍物模拟方法可以包括：
步骤501，获取在三维场景地图中指定的位置范围。
步骤502，利用预设的障碍物分布模型，确定在位置范围内分布的仿真障碍物的类型和初始位置点。
步骤503，获取仿真障碍物的行为模型。
具体地，可根据仿真障碍物的类型，获取仿真障碍物的行为模型。
其中，行为模型是通过分析真实驾驶场景数据中与仿真障碍物对应的真实障碍物遇到车辆所作出的行为数据而建立的。
步骤504，根据初始位置点和行为模型，确定仿真障碍物的初始运动轨迹序列。
具体地，在获取仿真障碍物的初始位置点后，可基于仿真障碍物的类型和初始位置点，生成仿真障碍物的初始运动轨迹序列。
本实施例中，结合仿真障碍物的行为模型，来生成仿真障碍物的初始运动轨迹序列，使得所生成提供的仿真障碍物的运动轨迹序列，可更加真实的反映出障碍物在真实驾驶场景中的运动情况。
步骤505，获取仿真障碍物在初始运动轨迹序列中各个位置点上的初始轮廓。
其中，仿真障碍物在初始运动轨迹序列中各个位置点上的初始轮廓均是相同的。
步骤506，根据待测试感知算法的实际感知性能，确定感知算法检测到障碍物位置的高斯分布信息，其中，高斯分布信息包括高斯分布的预设期望值和预设方差值。
步骤507，基于高斯分布，对初始运动轨迹序列进行调整，以得到仿真障碍物的目标运动轨迹序列。
其中，目标运动轨迹序列中的各位置点与初始运动轨迹序列中相应位置点之间的位置偏差服从高斯分布。
步骤508，根据高斯分布，对仿真障碍物在初始运动轨迹序列中各个位置点上的初始轮廓信息进行调整，以得到仿真障碍物在目标运动轨迹序列中各个位置点上的目标轮廓。
其中，仿真障碍物在目标运动轨迹序列中各个位置点上的目标轮廓，与仿真障碍物在初始运动估计中相应位置点上的初始轮廓之间的轮廓偏差服从高斯分布。
其中，需要说明的是，上述步骤507和步骤508的执行不分先后顺序。
步骤509，将仿真障碍物的类型、初始位置点、目标运动轨迹序列以及仿真障碍物在目标运动轨迹序列中各个位置点上的目标轮廓添加到三维场景地图中。
具体地，在将仿真障碍物的类型、目标运动轨迹序列以及仿真障碍物在目标运动轨迹序列中各个位置点上的目标轮廓添加到三维场景地图后，在后续进行测试时，可基于仿真障碍物的目标运动轨迹序列、行为模型和仿真障碍物在目标运动轨迹序列中各个位置点上的目标轮廓，对三维场景地图中的仿真障碍物进行控制。
本实施例中，在构建场景过程中，确定仿真障碍物出现的类型-初始位置、位置抖动、以及障碍物在“有效决策区域”内的停留时间，并结合障碍物的上述信息构建场景中的障碍物，从而使得所构建的无人驾驶仿真场景中的障碍物，能够更加真实的反映出无人车实际驾驶过程中遇到的障碍物场景。
为了实现上述实施例，本申请实施例还提供一种无人驾驶仿真场景中的障碍物模拟装置。
图6是根据本申请第六实施例的示意图。如图6所示，该无人驾驶仿真场景中的障碍物模拟装置100包括第一获取模块110、第一确定模块120、第一调整模块130和加入模块140，其中：
第一获取模块110，用于获取待添加到三维场景地图中的障碍物信息，其中，障碍物信息包括仿真障碍物的初始运动轨迹序列。
第一确定模块120，用于根据待测试感知算法的实际感知性能，确定感知算法检测到障碍物位置的高斯分布信息，其中，高斯分布信息包括高斯分布的预设期望值和预设方差值。
第一调整模块130，用于基于高斯分布，对初始运动轨迹序列进行调整，以得到仿真障碍物的目标运动轨迹序列，其中，目标运动轨迹序列中的各位置点与初始运动轨迹序列中相应位置点之间的位置偏差服从高斯分布。
加入模块140，用于将仿真障碍物的目标运动轨迹序列添加到三维场景地图中。
基于上述实施例的基础上，为了使得更真实的反映对应无人驾驶车辆实际驾驶过程中遇到的障碍物场景，在本申请的一个实施例中，障碍物信息还包括仿真障碍物在初始运动轨迹序列中各个位置点上的初始轮廓，在上述实施例的基础上，该装置还可以包括：
第二调整模块(图中未示出)，用于根据高斯分布，对仿真障碍物在初始运动轨迹序列中各个位置点上的初始轮廓信息进行调整，以得到仿真障碍物在目标运动轨迹序列中各个位置点上的目标轮廓，其中，仿真障碍物在目标运动轨迹序列中各个位置点上的目标轮廓，与仿真障碍物在初始运动估计中相应位置点上的初始轮廓之间的轮廓偏差服从高斯分布。
加入模块140，还用于将仿真障碍物在目标运动轨迹序列中各个位置点上的目标轮廓添加到三维场景地图中。
在本申请的一个实施例中，为了使得更真实的反映对应无人驾驶车辆实际驾驶过程中遇到的障碍物场景，该装置还包括：
第二确定模块(图中未示出)，用于根据待测试的无人驾驶车模型的车速，确定无人驾驶车模型的有效决策区域。
第三确定模块(图中未示出)，用于根据仿真障碍物的类型，确定仿真障碍物在有效决策区域内的停留时间信息。
加入模块140，还用于将仿真障碍物的停留时间信息添加到三维场景地图。
基于上述实施例的基础上，障碍物信息还包括仿真障碍物的类型和初始位置点，该装置还包括：
第二获取模块(图中未示出)，用于获取在三维场景地图中指定的位置范围。
第四确定模块(图中未示出)，用于利用预设的障碍物分布模型，确定在位置范围内分布的仿真障碍物的类型和初始位置点。
加入模块140，还用于将仿真障碍物的类型和初始位置点添加到三维场景地图中。
基于上述实施例的基础上，为了更加真实的反映出行人以及机动车辆等障碍物遇到车辆的自我感知、自主决策、运动规划能力，在本申请的一个实施中，装置还以包括：
第三获取模块(图中未示出)，用于获取仿真障碍物的行为模型，其中，行为模型是通过分析真实驾驶场景数据中与仿真障碍物对应的真实障碍物遇到车辆所作出的行为数据而建立的。
第五确定模块(图中未示出)，用于根据初始位置点和所述行为模型，确定所述仿真障碍物的初始运动轨迹序列。
其中，需要说明的是，前述对无人驾驶仿真场景中的障碍物模拟装置的解释说明也适用于本实施例的无人驾驶仿真场景中的障碍物模拟方法，此处不再赘述。
本申请实施例的无人驾驶仿真场景中的障碍物模拟装置，对于三维场景地图中的障碍物信息，结合待测试感知算法的实际感知性能，确定感知算法检测到障碍物位置的高斯分布信息，对仿真障碍物的初始轨迹序列中的各个位置点进行调整，从而使得调整后的目标运动轨迹序列中的各位置点与初始运动轨迹序列中相应位置点之间的位置偏差服从高斯分布，并将仿真障碍物的目标运动轨迹序列添加到三维场景地图中，由此，结合实际驾驶场景中感知算法的性能，准确构建了三维场景地图中可以反映出客观场景的障碍物信息，方便了后续基于三维场景地图中的障碍物信息对无人车进行仿真测试。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图7所示，是根据本申请实施例的电子设备的框图。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/或者要求的本申请的实现。
如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的无人驾驶仿真场景中的障碍物模拟方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的无人驾驶仿真场景中的障碍物模拟方法。
存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的无人驾驶仿真场景中的障碍物模拟方法对应的程序指令/模块。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的无人驾驶仿真场景中的障碍物模拟方法。
存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、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系统上执行和/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，可以从存储系统、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系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，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。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(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系统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系统中。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)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统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。
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，本申请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，只要能够实现本申请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，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (12)

1.一种无人驾驶仿真场景中的障碍物模拟方法，所述方法包括：
获取待添加到三维场景地图中的障碍物信息，其中，所述障碍物信息包括仿真障碍物的初始运动轨迹序列；
根据待测试感知算法的实际感知性能，确定所述感知算法检测到障碍物位置的高斯分布信息，其中，所述高斯分布信息包括高斯分布的预设期望值和预设方差值；
基于所述高斯分布，对所述初始运动轨迹序列进行调整，以得到所述仿真障碍物的目标运动轨迹序列，其中，所述目标运动轨迹序列中的各位置点与所述初始运动轨迹序列中相应位置点之间的位置偏差服从所述高斯分布；
将所述仿真障碍物的目标运动轨迹序列添加到所述三维场景地图中。
2.根据权利要求1所述的方法，其中，所述障碍物信息还包括所述仿真障碍物在所述初始运动轨迹序列中各个位置点上的初始轮廓，所述仿真障碍物在所述初始运动轨迹序列中各个位置点上的初始轮廓是相同的，所述方法还包括：
根据所述高斯分布，对所述仿真障碍物在所述初始运动轨迹序列中各个位置点上的初始轮廓信息进行调整，以得到所述仿真障碍物在所述目标运动轨迹序列中各个位置点上的目标轮廓，其中，所述仿真障碍物在所述目标运动轨迹序列中各个位置点上的目标轮廓，与所述仿真障碍物在所述初始运动估计中相应位置点上的初始轮廓之间的轮廓偏差服从所述高斯分布；
将所述仿真障碍物在所述目标运动轨迹序列中各个位置点上的目标轮廓添加到所述三维场景地图中。
3.根据权利要求1所述的方法，所述方法还包括：
根据待测试的无人驾驶车模型的车速，确定所述无人驾驶车模型的有效决策区域；
根据所述仿真障碍物的类型，确定所述仿真障碍物在所述有效决策区域内的停留时间信息；
将所述仿真障碍物的停留时间信息添加到所述三维场景地图。
4.根据权利要求1-3中任一项所述的方法，其中，所述障碍物信息还包括仿真障碍物的类型和初始位置点，在所述获取待添加到三维场景地图中的仿真障碍物信息之前，所述方法还包括：
获取在所述三维场景地图中指定的位置范围；
利用预设的障碍物分布模型，确定在所述位置范围内分布的所述仿真障碍物的类型和初始位置点；
将所述仿真障碍物的类型和初始位置点添加到所述三维场景地图中。
5.根据权利要求4所述的方法，所述方法还包括：
获取所述仿真障碍物的行为模型，其中，所述行为模型是通过分析真实驾驶场景数据中与所述仿真障碍物对应的真实障碍物遇到车辆所作出的行为数据而建立的；
根据所述初始位置点和所述行为模型，确定所述仿真障碍物的初始运动轨迹序列。
6.一种无人驾驶仿真场景中的障碍物模拟装置，所述装置包括：
第一获取模块，用于获取待添加到三维场景地图中的障碍物信息，其中，所述障碍物信息包括仿真障碍物的初始运动轨迹序列；
第一确定模块，用于根据待测试感知算法的实际感知性能，确定所述感知算法检测到障碍物位置的高斯分布信息，其中，所述高斯分布信息包括高斯分布的预设期望值和预设方差值；
第一调整模块，用于基于所述高斯分布，对所述初始运动轨迹序列进行调整，以得到所述仿真障碍物的目标运动轨迹序列，其中，所述目标运动轨迹序列中的各位置点与所述初始运动轨迹序列中相应位置点之间的位置偏差服从所述高斯分布；
加入模块，用于将所述仿真障碍物的目标运动轨迹序列添加到所述三维场景地图中。
7.根据权利要求6所述的装置，其中，所述障碍物信息还包括所述仿真障碍物在所述初始运动轨迹序列中各个位置点上的初始轮廓，所述仿真障碍物在所述初始运动轨迹序列中各个位置点上的初始轮廓是相同的，所述装置还包括：
第二调整模块，用于根据所述高斯分布，对所述仿真障碍物在所述初始运动轨迹序列中各个位置点上的初始轮廓信息进行调整，以得到所述仿真障碍物在所述目标运动轨迹序列中各个位置点上的目标轮廓，其中，所述仿真障碍物在所述目标运动轨迹序列中各个位置点上的目标轮廓，与所述仿真障碍物在所述初始运动估计中相应位置点上的初始轮廓之间的轮廓偏差服从所述高斯分布；
所述加入模块，还用于将所述仿真障碍物在所述目标运动轨迹序列中各个位置点上的目标轮廓添加到所述三维场景地图中。
8.根据权利要求6所述的装置，其中，所述装置还包括：
第二确定模块，用于根据待测试的无人驾驶车模型的车速，确定所述无人驾驶车模型的有效决策区域；
第三确定模块，用于根据所述仿真障碍物的类型，确定所述仿真障碍物在所述有效决策区域内的停留时间信息；
所述加入模块，还用于将所述仿真障碍物的停留时间信息添加到所述三维场景地图。
9.根据权利要求6-8中任一项所述的装置，其中，所述障碍物信息还包括仿真障碍物的类型和初始位置点，所述装置还包括：
第二获取模块，用于获取在所述三维场景地图中指定的位置范围；
第四确定模块，用于利用预设的障碍物分布模型，确定在所述位置范围内分布的所述仿真障碍物的类型和初始位置点；
所述加入模块，还用于将所述仿真障碍物的类型和初始位置点添加到所述三维场景地图中。
10.根据权利要求9所述的装置，所述装置还包括：
第三获取模块，用于获取所述仿真障碍物的行为模型，其中，所述行为模型是通过分析真实驾驶场景数据中与所述仿真障碍物对应的真实障碍物遇到车辆所作出的行为数据而建立的；
第五确定模块，用于根据所述初始位置点和所述行为模型，确定所述仿真障碍物的初始运动轨迹序列。
11.一种电子设备，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1-5中任一项所述的方法。
12.一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权利要求1-5中任一项所述的方法。
CN202010406966.0A 2020-05-14 2020-05-14 无人驾驶仿真场景中的障碍物模拟方法和装置 Active CN111694287B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202010406966.0A CN111694287B (zh) 2020-05-14 2020-05-14 无人驾驶仿真场景中的障碍物模拟方法和装置
EP20212486.3A EP3910431B1 (en) 2020-05-14 2020-12-08 Method and apparatus for simulating obstacle in unmanned simulation scene
US17/119,662 US11840259B2 (en) 2020-05-14 2020-12-11 Method for simulating obstacle in unmanned simulation scene
JP2021035288A JP7127171B2 (ja) 2020-05-14 2021-03-05 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010406966.0A CN111694287B (zh) 2020-05-14 2020-05-14 无人驾驶仿真场景中的障碍物模拟方法和装置

Publications (2)

Publication Number Publication Date
CN111694287A true CN111694287A (zh) 2020-09-22
CN111694287B CN111694287B (zh) 2023-06-23

Family

ID=72477364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010406966.0A Active CN111694287B (zh) 2020-05-14 2020-05-14 无人驾驶仿真场景中的障碍物模拟方法和装置

Country Status (4)

Country Link
US (1) US11840259B2 (zh)
EP (1) EP3910431B1 (zh)
JP (1) JP7127171B2 (zh)
CN (1) CN111694287B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112785842A (zh) * 2020-12-25 2021-05-11 际络科技(上海)有限公司 一种在线交通流仿真系统
CN112887172A (zh) * 2021-02-19 2021-06-01 北京百度网讯科技有限公司 车辆感知系统测试方法、装置、设备及存储介质
CN112926224A (zh) * 2021-03-30 2021-06-08 深圳裹动智驾科技有限公司 基于事件的仿真方法及计算机设备
CN112965496A (zh) * 2021-02-23 2021-06-15 武汉理工大学 基于人工势场算法的路径规划方法、装置及存储介质
CN113160427A (zh) * 2021-04-13 2021-07-23 北京三快在线科技有限公司 虚拟场景的创建方法、装置、设备及存储介质
CN113548047A (zh) * 2021-06-08 2021-10-26 重庆大学 一种基于深度学习的个性化车道保持辅助方法及装置
CN113608187A (zh) * 2021-09-17 2021-11-05 沈阳铁路信号有限责任公司 一种模拟铁路障碍物生成的方法
CN113761647A (zh) * 2021-08-02 2021-12-07 中国人民解放军军事科学院国防科技创新研究院 一种无人集群系统的仿真方法及系统
CN113963027A (zh) * 2021-10-28 2022-01-21 广州文远知行科技有限公司 不确定性检测模型的训练、不确定性的检测方法及装置
CN115469560A (zh) * 2021-06-10 2022-12-13 浙江欣奕华智能科技有限公司 仿真环境构建方法、装置、存储介质和电子设备
EP4063792A3 (en) * 2021-06-16 2022-12-21 Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. Method and apparatus for generating a simulation scene, electronic device and storage medium
CN116882122A (zh) * 2023-03-17 2023-10-13 北京百度网讯科技有限公司 用于自动驾驶的仿真环境的构建的方法和装置
CN117407319A (zh) * 2023-12-15 2024-01-16 航天中认软件测评科技（北京）有限责任公司 用于雷达系统软件测试的目标生成方法、装置及电子设备
CN117993227A (zh) * 2024-04-03 2024-05-07 北京工业大学 人流中的超越行为的仿真方法和装置

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114091264B (zh) * 2021-11-24 2025-04-01 北京赛目科技有限公司 一种关键测试场景确定方法、装置及电子设备
CN114383621B (zh) * 2021-12-06 2024-04-09 杭州易现先进科技有限公司 基于网格地图的轨迹纠偏方法、电子设备和存储介质
CN114706324B (zh) * 2022-04-14 2023-11-28 南京航空航天大学 一种基于时间触发的分布式控制器快速原型及仿真验证方法
CN115123307A (zh) * 2022-08-01 2022-09-30 深圳海星智驾科技有限公司 基于障碍物意图的自动驾驶方法、装置及自动驾驶车辆
CN115857502B (zh) * 2022-11-30 2023-12-12 上海木蚁机器人科技有限公司 行驶控制方法和电子设备
CN115544817B (zh) * 2022-12-02 2023-03-28 广汽埃安新能源汽车股份有限公司 驾驶场景生成方法、装置、电子设备和计算机可读介质
CN120020820A (zh) * 2023-11-20 2025-05-20 北京三快在线科技有限公司 自动驾驶场景障碍物预测方法、电子设备及可读存储介质
CN118212379B (zh) * 2024-02-19 2024-11-01 广州汽车集团股份有限公司 仿真场景生成方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003098256A (ja) * 2001-09-26 2003-04-03 Nissan Motor Co Ltd 車両用障害物地図作成装置
JP2009064088A (ja) * 2007-09-04 2009-03-26 Toyota Motor Corp 移動体進路取得方法、および、移動体進路取得装置
CN107991898A (zh) * 2016-10-26 2018-05-04 法乐第(北京)网络科技有限公司 一种无人驾驶车辆模拟测试装置及电子设备
CN109145489A (zh) * 2018-09-07 2019-01-04 百度在线网络技术（北京）有限公司 一种基于概率图的障碍物分布仿真方法、装置以及终端
US20190086543A1 (en) * 2017-09-15 2019-03-21 Baidu Online Network Technology (Beijing) Co., Ltd. Method And Apparatus For Tracking Obstacle
CN109900493A (zh) * 2019-02-20 2019-06-18 苏州风图智能科技有限公司 无人车测试场景中的障碍物模拟方法及装置
US20200082038A1 (en) * 2018-09-07 2020-03-12 Baidu Online Network Technology (Beijing) Co., Ltd. Method and device for simulating a distribution of obstacles
CN111091739A (zh) * 2018-10-24 2020-05-01 百度在线网络技术（北京）有限公司 自动驾驶场景的生成方法、装置和存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10019006B2 (en) * 2015-04-08 2018-07-10 University Of Maryland, College Park Surface vehicle trajectory planning systems, devices, and methods
US10831202B1 (en) * 2017-09-01 2020-11-10 Zoox, Inc. Onboard use of scenario description language
DE112019001046T5 (de) 2018-02-28 2020-11-26 Sony Corporation Informationsverarbeitungsvorrichtung, informationsverarbeitungsverfahren, programm und mobiler körper
CN109141911B (zh) * 2018-06-26 2019-11-26 百度在线网络技术（北京）有限公司 无人车性能测试的控制量的获取方法和装置
US11195418B1 (en) * 2018-10-04 2021-12-07 Zoox, Inc. Trajectory prediction on top-down scenes and associated model
US11351995B2 (en) * 2019-09-27 2022-06-07 Zoox, Inc. Error modeling framework
US11551414B2 (en) * 2019-12-02 2023-01-10 Woven Planet North America, Inc. Simulation architecture for on-vehicle testing and validation

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003098256A (ja) * 2001-09-26 2003-04-03 Nissan Motor Co Ltd 車両用障害物地図作成装置
JP2009064088A (ja) * 2007-09-04 2009-03-26 Toyota Motor Corp 移動体進路取得方法、および、移動体進路取得装置
CN107991898A (zh) * 2016-10-26 2018-05-04 法乐第(北京)网络科技有限公司 一种无人驾驶车辆模拟测试装置及电子设备
US20190086543A1 (en) * 2017-09-15 2019-03-21 Baidu Online Network Technology (Beijing) Co., Ltd. Method And Apparatus For Tracking Obstacle
CN109145489A (zh) * 2018-09-07 2019-01-04 百度在线网络技术（北京）有限公司 一种基于概率图的障碍物分布仿真方法、装置以及终端
US20200082038A1 (en) * 2018-09-07 2020-03-12 Baidu Online Network Technology (Beijing) Co., Ltd. Method and device for simulating a distribution of obstacles
EP3633551A1 (en) * 2018-09-07 2020-04-08 Baidu Online Network Technology (Beijing) Co., Ltd. Obstacle distribution simulation method, device and terminal based on a probability graph
CN111091739A (zh) * 2018-10-24 2020-05-01 百度在线网络技术（北京）有限公司 自动驾驶场景的生成方法、装置和存储介质
CN109900493A (zh) * 2019-02-20 2019-06-18 苏州风图智能科技有限公司 无人车测试场景中的障碍物模拟方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
唐龙等: "多随机障碍物条件下AGV动静态路径规划研究" *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112785842B (zh) * 2020-12-25 2022-04-12 际络科技(上海)有限公司 一种在线交通流仿真系统
CN112785842A (zh) * 2020-12-25 2021-05-11 际络科技(上海)有限公司 一种在线交通流仿真系统
CN112887172A (zh) * 2021-02-19 2021-06-01 北京百度网讯科技有限公司 车辆感知系统测试方法、装置、设备及存储介质
US12131598B2 (en) 2021-02-19 2024-10-29 Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. Testing method and apparatus for vehicle perception system, device, and storage medium
CN112887172B (zh) * 2021-02-19 2023-03-24 北京百度网讯科技有限公司 车辆感知系统测试方法、装置、设备及存储介质
CN112965496A (zh) * 2021-02-23 2021-06-15 武汉理工大学 基于人工势场算法的路径规划方法、装置及存储介质
CN112926224A (zh) * 2021-03-30 2021-06-08 深圳裹动智驾科技有限公司 基于事件的仿真方法及计算机设备
CN112926224B (zh) * 2021-03-30 2024-02-02 深圳安途智行科技有限公司 基于事件的仿真方法及计算机设备
CN113160427A (zh) * 2021-04-13 2021-07-23 北京三快在线科技有限公司 虚拟场景的创建方法、装置、设备及存储介质
CN113548047A (zh) * 2021-06-08 2021-10-26 重庆大学 一种基于深度学习的个性化车道保持辅助方法及装置
CN115469560A (zh) * 2021-06-10 2022-12-13 浙江欣奕华智能科技有限公司 仿真环境构建方法、装置、存储介质和电子设备
US12311980B2 (en) 2021-06-16 2025-05-27 Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. Method and apparatus for generating a simulation scene, electronic device and storage medium
EP4063792A3 (en) * 2021-06-16 2022-12-21 Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. Method and apparatus for generating a simulation scene, electronic device and storage medium
CN113761647A (zh) * 2021-08-02 2021-12-07 中国人民解放军军事科学院国防科技创新研究院 一种无人集群系统的仿真方法及系统
CN113761647B (zh) * 2021-08-02 2023-06-30 中国人民解放军军事科学院国防科技创新研究院 一种无人集群系统的仿真方法及系统
CN113608187A (zh) * 2021-09-17 2021-11-05 沈阳铁路信号有限责任公司 一种模拟铁路障碍物生成的方法
CN113963027B (zh) * 2021-10-28 2022-09-09 广州文远知行科技有限公司 不确定性检测模型的训练、不确定性的检测方法及装置
CN113963027A (zh) * 2021-10-28 2022-01-21 广州文远知行科技有限公司 不确定性检测模型的训练、不确定性的检测方法及装置
CN116882122A (zh) * 2023-03-17 2023-10-13 北京百度网讯科技有限公司 用于自动驾驶的仿真环境的构建的方法和装置
CN117407319A (zh) * 2023-12-15 2024-01-16 航天中认软件测评科技（北京）有限责任公司 用于雷达系统软件测试的目标生成方法、装置及电子设备
CN117407319B (zh) * 2023-12-15 2024-04-02 航天中认软件测评科技（北京）有限责任公司 用于雷达系统软件测试的目标生成方法、装置及电子设备
CN117993227A (zh) * 2024-04-03 2024-05-07 北京工业大学 人流中的超越行为的仿真方法和装置

Also Published As

Publication number Publication date
JP2021179970A (ja) 2021-11-18
US20210354727A1 (en) 2021-11-18
EP3910431A1 (en) 2021-11-17
EP3910431B1 (en) 2024-02-07
CN111694287B (zh) 2023-06-23
US11840259B2 (en) 2023-12-12
JP7127171B2 (ja) 2022-08-29

Similar Documents

Publication Publication Date Title
CN111694287B (zh) 无人驾驶仿真场景中的障碍物模拟方法和装置
CN111273268B (zh) 自动驾驶障碍物类型的识别方法、装置及电子设备
CN112965466B (zh) 自动驾驶系统的还原测试方法、装置、设备及程序产品
US11829870B2 (en) Deep reinforcement learning based models for hard-exploration problems
EP3932763A1 (en) Method and apparatus for generating route planning model, and device
CN110723079B (zh) 车载传感器的位姿调整方法、装置、设备和介质
CN111625950A (zh) 自动驾驶仿真场景重建方法、装置、设备和介质
CN113264066A (zh) 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备
CN111738072A (zh) 目标检测模型的训练方法、装置及电子设备
CN112859829B (zh) 一种车辆控制方法、装置、电子设备和介质
KR20210038444A (ko) 센서 방안 결정 방법, 장치, 기기 및 저장매체
CN111652153A (zh) 场景自动识别方法、装置、无人车及存储介质
CN111539347A (zh) 用于检测目标的方法和装置
CN113139696B (zh) 一种轨迹预测模型构建方法及轨迹预测方法、装置
CN111079079A (zh) 数据修正方法、装置、电子设备及计算机可读存储介质
CN107992068A (zh) 目标跟踪方法、装置及飞行器
CN112699765A (zh) 评估视觉定位算法的方法、装置、电子设备及存储介质
Javaid et al. Monocular‐based collision avoidance system for unmanned aerial vehicle
CN114596552B (zh) 信息处理方法、训练方法、装置、设备、车辆及介质
CN112528931B (zh) 用于生成位置预测信息的方法、装置以及自动驾驶车辆
CN112528932B (zh) 用于优化位置信息的方法、装置、路侧设备和云控平台
CN115019060A (zh) 目标识别方法、目标识别模型的训练方法及装置
CN111597707B (zh) 仿真场景的处理方法、装置、设备以及存储介质
CN111724598B (zh) 用于自动驾驶规划路径的方法、装置、设备以及存储介质
US20200334530A1 (en) Differentiable neuromodulated plasticity for reinforcement learning and supervised learning tasks

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20211013

Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085

Applicant after: Apollo Intelligent Technology (Beijing) Co.,Ltd.

Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085

Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant