路测数据的场景重构方法和装置

技术领域

本发明涉及自动驾驶技术领域，尤其是涉及路测数据的场景重构方法和装置。

背景技术

仿真是自动驾驶开发的时间机器，仿真的使命是补充基于路测的数据，来加速自动驾驶开发。虚拟仿真已经被证明是加速自动驾驶算法训练的有效方法。但是，仿真场景人工手动构建难，手工构建还原度低，尤其是一些复杂、危险场景，很难构建，并且成本也高。另外，并行仿真能力不足，仿真测试的效率低，算法的迭代周期过长。

发明内容

有鉴于此，本发明的目的在于提供路测数据的场景重构方法和装置，构建的仿真场景可以模拟真实场景，成本低；测试场景覆盖度高，仿真测试的效率高。

第一方面，本发明实施例提供了路测数据的场景重构方法，所述方法包括：

采集自车的底盘数据、相机数据和组合导航数据，其中，所述相机数据包括障碍物数据和车道线参数数据，所述组合导航数据包括GPS数据；

对所述障碍物数据进行提取处理，得到每个障碍物的相对参数；

对所述车道线参数数据进行提取处理，得到距离所述自车最近的多条车道线数据；

将所述GPS数据进行序列转换，得到ENU坐标点；

根据所述底盘数据、距离所述自车最近的多条车道线数据和所述ENU坐标点，生成车道线和第一车道；

根据每个所述障碍物的相对参数和所述自车对应的参数，得到每个所述障碍物的绝对参数。

进一步的，对所述障碍物数据进行提取处理，得到每个障碍物的相对参数，包括：

提取所述障碍物数据的每帧对应的ID；

将所述每帧对应的ID进行排序后，计算当前时间轴上障碍物的个数；

将每个所述障碍物中ID出现的帧数进行记录，并且提取所述帧数对应的时间、相对位置、相对速度和相对加速度；

根据所述帧数对应的时间、相对位置、相对速度和相对加速度，得到所述当前时间轴上每个所述障碍物的出现时间、相对位置、相对速度和相对加速度。

进一步的，距离所述自车最近的多条车道线数据包括：车辆距离车道边界的偏移距离、车道线偏航角、车道线曲率和车道线曲率变化率；

其中，所述车辆距离所述车道边界的偏移距离包括：所述车辆距离左车道边界的距离、所述车辆距离右车道边界的距离、所述车辆距离次左车道边界的距离和所述车辆距离次右车道边界的距离。

进一步的，所述底盘数据包括航向角，根据所述底盘数据、距离所述自车最近的多条车道线数据和所述ENU坐标点，生成车道线和第一车道，包括：

根据所述ENU坐标点确定车辆的行驶轨迹；

将所述航向角按照所述车辆距离车道边界的偏移距离向左偏移后，得到偏移后的航向角；

以所述车辆的左边车道线作为参考线，根据距离所述自车最近的多条车道线数据、所述车辆的行驶轨迹和所述偏移后的航向角，得到所述左边车道线的坐标点；

将所述左边车道线的坐标点通过创建拟合道路函数生成所述车道线；

将所述车道线在所述参考线的基础上生成所述第一车道。

进一步的，所述方法还包括：

采用添加左侧道路函数，在所述参考线的左边生成第二车道；

采用添加右侧道路函数，在所述参考线的右边生成第三车道和第四车道。

进一步的，所述方法还包括：

将所述车辆距离车道边界的偏移距离、所述车道线偏航角、所述车道线曲率和所述车道线曲率变化率进行拟合，生成三次曲线方程。

进一步的，所述底盘数据还包括车辆的速度和所述车辆的加速度，所述组合导航数据还包括所述车辆的位置。

第二方面，本发明实施例提供了路测数据的场景重构装置，所述装置包括：

采集模块，用于采集自车的底盘数据、相机数据和组合导航数据，其中，所述相机数据包括障碍物数据和车道线参数数据，所述组合导航数据包括GPS数据；

障碍物数据提取处理模块，用于对所述障碍物数据进行提取处理，得到每个障碍物的相对参数；

车道线数据提取处理模块，用于对所述车道线参数数据进行提取处理，得到距离所述自车最近的多条车道线数据；

转换模块，用于将所述GPS数据进行序列转换，得到ENU坐标点；

生成模块，用于根据所述底盘数据、距离所述自车最近的多条车道线数据和所述ENU坐标点，生成车道线和第一车道；

绝对参数获取模块，用于根据每个所述障碍物的相对参数和所述自车对应的参数，得到每个所述障碍物的绝对参数。

第三方面，本发明实施例提供了电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法。

第四方面，本发明实施例提供了具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行如上所述的方法。

本发明实施例提供了路测数据的场景重构方法和装置，包括：采集自车的底盘数据、相机数据和组合导航数据，其中，相机数据包括障碍物数据和车道线参数数据，组合导航数据包括GPS数据；对障碍物数据进行提取处理，得到每个障碍物的相对参数；对车道线参数数据进行提取处理，得到距离自车最近的多条车道线数据；将GPS数据进行序列转换，得到ENU坐标点；根据底盘数据、距离自车最近的多条车道线数据和ENU坐标点，生成车道线和第一车道；根据每个障碍物的相对参数和自车对应的参数，得到每个障碍物的绝对参数；构建的仿真场景可以模拟真实场景，成本低；测试场景覆盖度高，仿真测试的效率高。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

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，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明实施例一提供的路测数据的场景重构方法流程图；

图2为本发明实施例二提供的路测数据的场景重构装置示意图。

图标：

1-采集模块；2-障碍物数据提取处理模块；3-车道线数据提取处理模块；4-转换模块；5-生成模块；6-绝对参数获取模块。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了加快自动驾驶的开发，需要做到如下三点：第一，加速基于路测数据的回灌测试，精准预测主车在道路上的行为；第二，减少基于路测的验证时间，泛化路测的公里数；第三，补充边角和多样性的场景，有针对性生成相对稀缺的数据或场景。

目前的自动驾驶场景存在三大挑战，现实与虚拟的互通，大规模生成高精度场景，场景的维护与质量管理。数据闭环的概念近年来热度较高，但是真正在落地的项目却很少，究其原因是采集数据需要的工具链较长、设备较多、耗费的人力物力较大。

在自动驾驶功能开发过程中，利用好数据采集可以提升场景重构、提高前期软件性能。因此在自动驾驶开发过程中，需要一种高效构建仿真场景的方法，试图解决该问题。

目前路测数据的使用方式单一，只能进行回放；仿真场景大多是人工手工搭建，自动化作业较少；仿真场景脱离现实，仿真场景和实际场景的差距大；自动驾驶软件需要测试的场景多，稀缺场景无法有效获取；道路数据采集的软硬件多，成本高；大规模数据采集，存在数据安全风险。

本申请中，自动驾驶系统需要的测试场景多，覆盖度高，可以在封闭测试场中利用各种元素制造实际场景，可以在仿真测试中制造出大量的仿真场景；仿真测试和实车测试的一致性：同一个场景下，仿真测试和实车测试可以对结果进行很好的对比，也可以推动仿真平台更好地建设，一旦确保两者的相似性，实车测试的比例可以大幅下降；数据闭环：开发人员在实车测试中发现的bug，修复bug后可以在仿真环境中测试后，确保问题修复后，再进行实车测试可以加速bug修复，更快的迭代算法，改变以往只能做数据回放的开环测试形式。

另外，本申请中，由于在仿真中做了大量测试，封闭场的测试部分的比例不会很高，可以大大地降低成本，人力成本和测试场测试的成本将大幅下降；安全性高：首先，真实的测试比例大幅降低，测试人员的安全性也得到了提高；其次，由于算法在虚拟环境中做了大量的仿真测试，大部分的bug已经修复关闭，再次提高了测试人员的安全性；在封闭测试场，更容易采集车辆数据，在仿真测试时，车辆模型和实车车辆模型的差距可以更小；可以测试更多的场景，更多的极端场景将被覆盖；修复算法的BUG更快，研发效率加快。

为便于对本实施例进行理解，下面对本发明实施例进行详细介绍。

实施例一：

图1为本发明实施例一提供的路测数据的场景重构方法流程图。

参照图1，本申请将采集的数据在仿真软件中重构，需要一款仿真软件，该仿真软件需要具备将连续的数据点转换成车道参考线(ReferenceLine)的功能。因此，本申请采用PreScan，PreScan是一款以物理模型为基础的，面向汽车ADAS自动驾驶的仿真软件，但不限于该款软件，还可以为其他软件；该方法包括以下步骤：

步骤S101，采集自车的底盘数据、相机数据和组合导航数据，其中，相机数据包括障碍物数据和车道线参数数据，组合导航数据包括GPS数据；

这里，在车辆上合适的位置安装相机并正确标定，并且在合适位置安装组合惯导并正确标定。其中，组合惯导是指定位体系，包括卫星定位体系(GPS/北斗)和惯性定向定位导航体系(INS)的定向定位导航体系。其中，通过CANoe设备采集自车的底盘数据、相机数据和组合导航数据，还可以采集车辆的姿态数据。

当采集完上述数据后，将上述数据按照一定时间长度进行打包。

步骤S102，对障碍物数据进行提取处理，得到每个障碍物的相对参数；

步骤S103，对车道线参数数据进行提取处理，得到距离自车最近的多条车道线数据；

这里，距离自车最近的多条车道线数据通常为四条车道线数据。

步骤S104，将GPS数据进行序列转换，得到ENU坐标点；

这里，通过编写脚本，可以将GPS数据序列转换为ENU坐标点。

步骤S105，根据底盘数据、距离自车最近的多条车道线数据和ENU坐标点，生成车道线和第一车道；

这里，通过PreScan GUI界面建立一个实验，添加一辆主车并给主车配置车辆动力学模型；调用PreScan的API，其中，通过创建拟合道路(create Fitted Road)函数可以生成平滑的道路参考线，该函数的参数是参考线的点坐标值。

步骤S106，根据每个障碍物的相对参数和自车对应的参数，得到每个障碍物的绝对参数。

具体地，每个障碍物的相对参数可以在建立车辆动力学模型后生成的

Simulink模型中添加，车辆和行人的状态采用障碍物的相对参数填充，然5后再根据自车对应的参数，确定每个障碍物的绝对参数。例如，根据障碍物的相对位置和车辆的位置得到障碍物的绝对位置；根据障碍物的相对速度和车辆的速度得到障碍物的绝对速度。

在上述所有步骤完成后，已经建立了一个完整的实验，可以将需要的数据输出到工作空间。

0进一步的，步骤S102包括以下步骤：

步骤S201，提取障碍物数据的每帧对应的ID；

步骤S202，将每帧对应的ID进行排序后，计算当前时间轴上障碍物的个数；

这里，以地平线的相机为例，相机会输出10个ID的障碍物数据，将5所有帧对应的ID汇总排序后，计算当前时间轴上障碍物的个数。

步骤S203，将每个障碍物中ID出现的帧数进行记录，并且提取帧数对应的时间、相对位置、相对速度和相对加速度；

步骤S204，根据帧数对应的时间、相对位置、相对速度和相对加速度，

得到当前时间轴上每个障碍物的出现时间、相对位置、相对速度和相对加0速度。

这里，每个障碍物的出现时间、相对位置、相对速度和相对加速度，这些参数数据是相对自车的数据；其中，自车为自动驾驶的汽车。

进一步的，距离自车最近的多条车道线数据包括：车辆距离车道边界

的偏移距离C0、车道线偏航角C1、车道线曲率C2和车道线曲率变化率5C3；

这里，C2向右弯曲为正；当C3为正时，代表曲率半径逐渐变小；当C3为负时，代表曲率半径逐渐变大。

其中，车辆距离车道边界的偏移距离包括：车辆距离左车道边界的距离、车辆距离右车道边界的距离、车辆距离次左车道边界的距离和车辆距离次右车道边界的距离。

进一步的，底盘数据包括航向角，步骤S105包括以下步骤：

步骤S301，根据ENU坐标点确定车辆的行驶轨迹；

步骤S302，将航向角按照车辆距离车道边界的偏移距离向左偏移后，得到偏移后的航向角；

这里，由于根据ENU坐标点确定车辆的行驶轨迹，因此需要结合距离自车最近的多条车道线数据中的C0来定位第一车道的准确位置。

步骤S303，以车辆的左边车道线作为参考线，根据距离自车最近的多条车道线数据、车辆的行驶轨迹和偏移后的航向角，得到左边车道线的坐标点；

步骤S304，将左边车道线的坐标点通过创建拟合道路函数生成车道线；

步骤S305，将车道线在参考线的基础上生成第一车道。

进一步的，该方法还包括以下步骤：

步骤S401，采用添加左侧道路(add Left Lane)函数，在参考线的左边生成第二车道；

步骤S402，采用添加右侧道路(add Right Lane)函数，在参考线的右边生成第三车道和第四车道。

进一步的，该方法还包括以下步骤：

步骤S501，将车辆距离车道边界的偏移距离、车道线偏航角、车道线曲率和车道线曲率变化率进行拟合，生成三次曲线方程。

进一步的，底盘数据还包括车辆的速度和车辆的加速度，组合导航数据还包括车辆的位置。

本申请中，通过构建仿真场景，实现虚拟现实互通，使仿真场景和真实场景的差距更小；通过CANoe设备进行数据采集，采用设备较少，采集成本低；可以对路测数据二次编辑，进行场景泛化，扩大测试里程数；有助于筛查出稀缺场景，扩大自动驾驶场景库；每次采集的数据量少，数据存储设备要求不高和数据安全风险较小。

本发明实施例提供了路测数据的场景重构方法，包括：采集自车的底盘数据、相机数据和组合导航数据，其中，相机数据包括障碍物数据和车道线参数数据，组合导航数据包括GPS数据；对障碍物数据进行提取处理，得到每个障碍物的相对参数；对车道线参数数据进行提取处理，得到距离自车最近的多条车道线数据；将GPS数据进行序列转换，得到ENU坐标点；根据底盘数据、距离自车最近的多条车道线数据和ENU坐标点，生成车道线和第一车道；根据每个障碍物的相对参数和自车对应的参数，得到每个障碍物的绝对参数；构建的仿真场景可以模拟真实场景，成本低；测试场景覆盖度高，仿真测试的效率高。

实施例二：

图2为本发明实施例二提供的路测数据的场景重构装置示意图。

参照图2，该装置包括：

采集模块1，用于采集自车的底盘数据、相机数据和组合导航数据，其中，相机数据包括障碍物数据和车道线参数数据，组合导航数据包括GPS数据；

障碍物数据提取处理模块2，用于对障碍物数据进行提取处理，得到每个障碍物的相对参数；

车道线数据提取处理模块3，用于对车道线参数数据进行提取处理，得到距离自车最近的多条车道线数据；

转换模块4，用于将GPS数据进行序列转换，得到ENU坐标点；

生成模块5，用于根据底盘数据、距离自车最近的多条车道线数据和ENU坐标点，生成车道线和第一车道；

绝对参数获取模块6，用于根据每个障碍物的相对参数和自车对应的参数，得到每个障碍物的绝对参数。

本发明实施例提供了路测数据的场景重构装置，包括：采集自车的底盘数据、相机数据和组合导航数据，其中，相机数据包括障碍物数据和车道线参数数据，组合导航数据包括GPS数据；对障碍物数据进行提取处理，得到每个障碍物的相对参数；对车道线参数数据进行提取处理，得到距离自车最近的多条车道线数据；将GPS数据进行序列转换，得到ENU坐标点；根据底盘数据、距离自车最近的多条车道线数据和ENU坐标点，生成车道线和第一车道；根据每个障碍物的相对参数和自车对应的参数，得到每个障碍物的绝对参数；构建的仿真场景可以模拟真实场景，成本低；测试场景覆盖度高，仿真测试的效率高。

本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例提供的路测数据的场景重构方法的步骤。

本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，计算机可读介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例的路测数据的场景重构方法的步骤。

本发明实施例所提供的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。