仿真方法以及装置

技术领域

本申请涉及仿真技术领域，更具体地，涉及一种仿真方法以及装置。

背景技术

当前，自动驾驶技术在汽车、物流、公共交通等领域受到了广泛的关注和应用。在自动驾驶系统的研发中，可以通过仿真方法实现对自动驾驶的相关算法进行测试和优化。在相关方式中，可以通过一些典型的交通场景进行仿真。但相关方式中，还存在仿真结果准确性不高的问题。

发明内容

鉴于上述问题，本申请提出了一种仿真方法以及装置，以实现改善上述问题。

第一方面，本申请提供了一种仿真方法，所述方法包括：获取多条待分类数据，每条所述待分类数据包括车辆的速度、加速度、方向盘转角和位置信息，每条所述待分类数据为所述车辆在被同一个驾驶员使用时采集得到；基于所述多条待分类数据和预先训练好的分类模型，得到所述多条待分类数据对应的行为序列，所述行为序列为基于时间顺序组成的包括所述多条待分类数据各自对应的分类结果的序列，所述分类结果为直线平稳行驶或急加速或急减速或急左转或者急右转或者急刹车；基于所述行为序列和预先训练好的隐马尔可夫模型，得到所述行为序列对应的驾驶风格序列，所述驾驶风格序列包括每个所述分类结果对应的驾驶风格，所述驾驶风格为谨慎型或者温和型或者激进型；获取所述驾驶风格序列对应的真实交通流数据；基于所述真实交通流数据和所述驾驶风格序列，进行自动驾驶仿真。

第二方面，本申请提供了一种仿真装置，所述装置包括：待分类数据获取单元，用于获取多条待分类数据，每条所述待分类数据包括车辆的速度、加速度、方向盘转角和位置信息，每条所述待分类数据为所述车辆在被同一个驾驶员使用时采集得到；行为序列获取单元，用于基于所述多条待分类数据和预先训练好的分类模型，得到所述多条待分类数据对应的行为序列，所述行为序列为基于时间顺序组成的包括所述多条待分类数据各自对应的分类结果的序列，所述分类结果为直线平稳行驶或急加速或急减速或急左转或者急右转或者急刹车；驾驶风格获取单元，用于基于所述行为序列和预先训练好的隐马尔可夫模型，得到所述行为序列对应的驾驶风格序列，所述驾驶风格序列包括每个所述分类结果对应的驾驶风格，所述驾驶风格为谨慎型或者温和型或者激进型；仿真单元，用于获取所述驾驶风格序列对应的真实交通流数据；基于所述真实交通流数据和所述驾驶风格序列，进行自动驾驶仿真。

第三方面，本申请提供了一种仿真装置，包括一个或多个处理器以及存储器；一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行上述的方法。

第四方面，本申请提供的一种计算机可读存储介质，所述计算机可读存储介质中存储有程序代码，其中，在所述程序代码运行时执行上述的方法。

本申请提供的一种仿真方法、装置以及存储介质，在获取多条由同一个驾驶员使用车辆时采集得到的包括车辆的速度、加速度、方向盘转角和位置信息的待分类数据后，基于所述多条待分类数据和预先训练好的分类模型，得到所述多条待分类数据对应的基于时间顺序组成的包括所述多条待分类数据各自对应的分类结果的行为序列，其中，分类结果为直线平稳行驶或急加速或急减速或急左转或者急右转或者急刹车；基于所述行为序列和预先训练好的隐马尔可夫模型，得到所述行为序列对应的包括每个所述分类结果对应的驾驶风格的驾驶风格序列，其中所述驾驶风格为谨慎型或者温和型或者激进型；获取所述驾驶风格序列对应的真实交通流数据；基于所述真实交通流数据和所述驾驶风格序列，进行自动驾驶仿真。通过上述方式使得，可以在获取多条待分类数据后，将多条待分类数据输入预先训练好的分类模型得到行为序列，再将行为序列输入预先训练好的隐马尔可夫模型，得到驾驶风格序列，并获取驾驶风格序列对应的真实交通流数据，基于真实交通流数据和驾驶风格序列，进行自动驾驶仿真，从而使得自动驾驶仿真过程更加符合驾驶员的实际驾驶过程，从而提高了仿真结果的准确性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，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本申请实施例提出的一种仿真方法的流程图；

图2本申请另一实施例提出的一种仿真方法的流程图；

图3本申请再一实施例提出的一种仿真方法的流程图；

图4示出了本申请提出的一种基本流程的示意图；

图5示出了本申请实施例提出的一种仿真装置的结构框图；

图6示出了本申请提出的一种仿真装置的结构框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请实施例中，发明人提出了一种仿真方法以及装置，在获取多条由同一个驾驶员使用车辆时采集得到的包括车辆的速度、加速度、方向盘转角和位置信息的待分类数据后，基于所述多条待分类数据和预先训练好的分类模型，得到所述多条待分类数据对应的基于时间顺序组成的包括所述多条待分类数据各自对应的分类结果的行为序列，其中，分类结果为直线平稳行驶或急加速或急减速或急左转或者急右转或者急刹车；基于所述行为序列和预先训练好的隐马尔可夫模型，得到所述行为序列对应的包括每个所述分类结果对应的驾驶风格的驾驶风格序列，其中所述驾驶风格为谨慎型或者温和型或者激进型；获取所述驾驶风格序列对应的真实交通流数据；基于所述真实交通流数据和所述驾驶风格序列，进行自动驾驶仿真。通过上述方式使得，可以在获取多条待分类数据后，将多条待分类数据输入预先训练好的分类模型得到行为序列，再将行为序列输入预先训练好的隐马尔可夫模型，得到驾驶风格序列，并获取驾驶风格序列对应的真实交通流数据，基于真实交通流数据和驾驶风格序列，进行自动驾驶仿真，从而使得自动驾驶仿真过程更加符合驾驶员的实际驾驶过程，从而提高了仿真结果的准确性。

请参阅图1，本申请实施例提供的一种仿真方法，所述方法包括：

S110：获取多条待分类数据，每条所述待分类数据包括车辆的速度、加速度、方向盘转角和位置信息，每条所述待分类数据为所述车辆在被同一个驾驶员使用时采集得到。

其中，车辆的位置信息可以包括车辆所处的经度和纬度。

作为一种方式，可以获取源数据，并从源数据中提取出多条目标源数据，再从每条目标源数据中提取车辆的速度、加速度、方向盘转角和位置信息，以得到多条待分类数据。

其中，源数据可以指车辆在行驶过程中实时采集的数据，该数据可以包括车辆运动信息以及真实交通流数据，车辆运动信息可以包括车辆的速度、加速度、方向盘转角和位置信息等，真实交通流数据可以包括车道数量、周围车辆的运动信息、周围行人的运动信息、道路中的交通指示牌等。

可选的，车辆设置有信息采集设备(如摄像头、激光雷达、传感器等)和信息传输设备，信息采集设备可以采集源数据，信息传输设备可以将采集到的源数据传输给仿真装置，该仿真装置例如为服务器。

其中，服务器可以为云端服务器，云端服务器中可以搭载有仿真引擎，仿真引擎可以用于自动驾驶仿真。云端服务器还可以进行数据挖掘，并基于挖掘的数据进行模型训练、自动驾驶仿真等。周围车辆和周围行人可以理解为车辆的信息采集设备可探测的范围内的车辆和行人。

目标源数据可以理解为具有驾驶员行为研究价值的源数据片段，具有驾驶员行为研究价值可以理解为目标源数据可以体现在驾驶员驾驶车辆的过程中频繁出现的行为。例如，源数据可以为10：00～12：00之间车辆实时采集的数据，则目标源数据可以为10:10:05～10:10:55之间车辆实时采集的数据。

在本申请实施例中，目标源数据可以是将待分类数据存储在数据头，将真实交通流数据存储在待分类数据之后，因此，通过获取目标源数据中前指定存储大小或者指定数量字符串的数据，可以得到待分类数据。

可选的，可以通过数据挖掘算法得到目标源数据。

可选的，服务器可以将源数据存储在对象存储系统(Object Storage Service，OSS)中，并将目标源数据与待分类数据的映射关系存储在ES(Elasticsearch)中。

其中，目标源数据与待分类数据的映射关系可以用于确定每条待分类数据的来源。映射关系可以为待分类数据与待分类数据对应的目标源数据在OSS中的存储地址。

在本申请实施例中，可以有多种方式检测车辆是否被同一个驾驶员使用。

作为一种检测方式，车辆可以基于车门的开闭状况确定车辆是否被同一个驾驶员使用。可选的，相邻的两次车门开闭之间的时间间隔内，为同一个驾驶员使用车辆。

作为另一种检测方式，车辆可以基于主驾驶位的座椅姿态，确定车辆是否被同一个驾驶员使用。可选的，相邻两次出行记录中主驾驶位的座椅姿态未改变，可以表明为同一个驾驶员使用车辆。

作为再一种检测方式，车辆可以基于驾驶员的生物特征识别结果，确定车辆是否被同一个驾驶员使用。例如，驾驶员的声音、指纹等。

在本申请实施例中，通过采集同一驾驶员使用车辆时的多条待分类数据，可以提高多条待分类数据之间的合理性和连贯性，从而提高了行为序列、驾驶风格序列的准确性，进而使得仿真结果更符合实际。

S120：基于所述多条待分类数据和预先训练好的分类模型，得到所述多条待分类数据对应的行为序列，所述行为序列为基于时间顺序组成的包括所述多条待分类数据各自对应的分类结果的序列，所述分类结果为直线平稳行驶或急加速或急减速或急左转或者急右转或者急刹车。

其中，分类模型可以是SVM(Support Vector Machine，支持向量机)模型、卷积神经网络模型(如VGG16、ResNET等)等。

作为一种方式，可以将多条待分类数据按照采集时间由先到后的顺序依次输入预先训练好的分类模型，得到多条待分类数据对应的行为序列。

示例性的，多条待分类数据按照采集时间由先到后的顺序可以为：A、B、C，A对应的分类结果可以为急加速，B对应的分类结果可以为直线平稳行驶，C对应的分类结果可以为急右转，则行为序列可以为：{急加速，直线平稳行驶，急右转}。

S130：基于所述行为序列和预先训练好的隐马尔可夫模型，得到所述行为序列对应的驾驶风格序列，所述驾驶风格序列包括每个所述分类结果对应的驾驶风格，所述驾驶风格为谨慎型或者温和型或者激进型。

其中，隐马尔可夫模型(Hidden Markov Model，HMM)可以是一个生成模型。隐马尔可夫模型可以用于描述两个相关序列的依赖关系，这两个相关序列可以称为状态序列和观测序列，其中，状态序列可以指不可观测的、隐藏的序列，观测序列可以指可观测的序列，状态序列在t时刻的值只和t-1时刻状态序列的取值有关。

隐马尔可夫模型可以由初始概率向量(π)、状态转移概率矩阵(A)和观测概率矩阵(B)确定。其中，状态转移概率矩阵可以指各个状态间转换的概率，如：在时刻t处于状态q

在本申请实施例中，行为序列可以为观测序列，驾驶风格序列可以为状态序列。

作为一种方式，可以将行为序列输入预先训练好的隐马尔可夫模型，基于维特比算法(Viterbi)得到行为序列对应的驾驶风格序列。

S140：获取所述驾驶风格序列对应的真实交通流数据。

作为一种方式，可以先基于驾驶风格序列对应的多条待分类数据从ES中获取多条待分类数据各自对应的目标源数据的存储地址，再基于存储地址查找到目标源数据，然后从目标源数据中提取真实交通流数据。

S150：基于所述真实交通流数据和所述驾驶风格序列，进行自动驾驶仿真。

作为一种方式，可以基于驾驶风格序列中多个驾驶风格各自对应的真实交通流数据，构建多个驾驶风格各自对应的驾驶场景；在驾驶场景下，基于驾驶场景对应的驾驶风格进行自动驾驶仿真。

本实施例提供的一种仿真方法，在获取多条由同一个驾驶员使用车辆时采集得到的包括车辆的速度、加速度、方向盘转角和位置信息的待分类数据后，基于所述多条待分类数据和预先训练好的分类模型，得到所述多条待分类数据对应的基于时间顺序组成的包括所述多条待分类数据各自对应的分类结果的行为序列，其中，分类结果为直线平稳行驶或急加速或急减速或急左转或者急右转或者急刹车；基于所述行为序列和预先训练好的隐马尔可夫模型，得到所述行为序列对应的包括每个所述分类结果对应的驾驶风格的驾驶风格序列，其中所述驾驶风格为谨慎型或者温和型或者激进型；获取所述驾驶风格序列对应的真实交通流数据；基于所述真实交通流数据和所述驾驶风格序列，进行自动驾驶仿真。通过上述方式使得，可以在获取多条待分类数据后，将多条待分类数据输入预先训练好的分类模型得到行为序列，再将行为序列输入预先训练好的隐马尔可夫模型，得到驾驶风格序列，并获取驾驶风格序列对应的真实交通流数据，基于真实交通流数据和驾驶风格序列，进行自动驾驶仿真，从而使得自动驾驶仿真过程更加符合驾驶员的实际驾驶过程，从而提高了仿真结果的准确性。

请参阅图2，本申请实施例提供的一种仿真方法，所述方法包括：

S210：获取第一训练数据集，所述第一训练数据集包括多条训练数据和所述多条训练数据各自对应的行为类型，每条训练数据包括车辆的速度、加速度、方向盘转角和位置信息。

作为一种方式，可以获取多条训练数据；基于预先设置的第一定义规则和多条训练数据，得到多条训练数据各自对应的行为类型。

其中，预先设置的第一定义规则可以包括以下四种规则：

(1)若训练数据的最大速度变化值小于或等于第一预设值且最大方向变化值小于或等于第二预设值，确定训练数据对应的行为类型为直线平稳行驶。

其中，最大速度变化值可以指在训练数据对应的时间段内，最大速度值与最小速度值的差。最大方向变化值可以指在训练数据对应的时间段内，最大方向盘转角与最小方向盘转角的差。

可选的，可以基于训练数据的最大速度变化率和最大方向变化率均小于或等于对应的阈值，确定训练数据对应的行为类型为直线平稳行驶。

其中，最大速度变化率可以指最大速度变化值与最大速度值的比值，最大方向变化值可以指最大方向变化值与最大方向盘转角的比值。

可选的，第一预设值、第二预设值、最大速度变化率和最大方向变化率可以基于仿真测试人员的经验确定。

(2)若训练数据的最大速度变化值大于第一预设值，最大方向变化值大于第二预设值，且方向盘转角为顺时针方向，确定训练数据对应的行为类型为急右转。

(3)若训练数据的最大速度变化值大于第一预设值，最大方向变化值大于第二预设值，且方向盘转角为逆时针方向，确定训练数据对应的行为类型为急左转。

(4)若训练数据的加速度大于或等于第三预设值，且速度由小变大，确定训练数据对应的行为类型为急加速。

其中，加速度大于或等于第三预设值可以理解为在训练数据对应的时间段内，加速度一直大于或等于第三预设值。

加速度大于或等于第三预设值还可以理解为在训练数据对应的时间段内，加速度大于或等于第三预设值的维持时长占该时间段的比例超过第一预设比例。

可选的，第三预设值、第一预设比例可以基于仿真测试人员的经验确定。

(5)若训练数据的加速度大于或等于第三预设值，且速度由大变小，确定训练数据对应的行为类型为急减速。

(6)若训练数据的加速度大于或等于第四预设值，且速度从非零值变化为0，确定训练数据对应的行为类型为急刹车。

其中，加速度大于或等于第四预设值可以理解为在训练数据对应的时间段内，加速度一直大于或等于第四预设值。

加速度大于或等于第四预设值还可以理解为在训练数据对应的时间段内，加速度大于或等于第四预设值的维持时长占该时间段的比例超过第二预设比例。

可选的，第四预设值、第二预设比例可以基于仿真测试人员的经验确定。

可选的，第三阈值可以小于或等于第四阈值，第一比例可以小于或等于第二比例。

可选的，可以基于步骤S110中获取待分类数据的方法获取训练数据。

S220：基于所述第一训练数据集对待训练分类模型进行训练，得到所述分类模型。

作为一种方式，当待分类模型为SVM模型时，训练过程可以为：根据预先设置的核函数(如多项式核函数等)将第一训练数据集中的多条训练数据投影到高维空间，基于多条训练数据对应的行为类型设置待训练SVM的目标函数的条件约束，通过预先确定的优化算法(如序列最小最优化算法等)来求解目标函数，找到最佳的超平面，该超平面可以将不同行为类型的训练数据分离。

作为一种方式，当待分类模型为卷积神经网络模型时，训练过程可以为：当次训练过程中，可以将第一训练数据集中的多条训练数据分别输入待分类模型，得到当次训练过程中多条待分类数据各自对应的预测行为类型，再基于当次训练过程中的预测行为类型、行为类型、损失函数得到当次训练过程中的损失函数值，并基于当次训练过程中的损失函数值进行待分类模型的参数更新，得到当次训练过程中更新后的分类模型，若当次训练过程中更新后的分类模型满足目标条件，则可以停止训练，并将当次训练过程中更新后的分类模型作为分类模型；若当次训练过程中更新后的分类模型不满足目标条件，则可以进入下一次训练过程，并将当次训练过程中更新后的分类模型作为下一次训练过程中的的待分类模型。

其中，目标条件可以指损失函数值小于预设值或者训练次数达到预设次数等。待分类模型的参数可以指待分类模型的权重等参数。

可选的，为了提高分类模型的鲁棒性，可以将第一训练数据集按照预设比例(如8:2)分为训练集和测试集，通过划分后的第一训练数据集对待分类模型进行训练。

可选的，为了第一训练数据集的数据量有限的情况下，获得准确的分类模型，可以通过十折交叉验证法对待分类模型进行训练。

S230：获取多条待分类数据，每条所述待分类数据包括车辆的速度、加速度、方向盘转角和位置信息，每条所述待分类数据为所述车辆在被同一个驾驶员使用时采集得到。

S240：基于所述多条待分类数据和预先训练好的分类模型，得到所述多条待分类数据对应的行为序列，所述行为序列为基于时间顺序组成的包括所述多条待分类数据各自对应的分类结果的序列，所述分类结果为直线平稳行驶或急加速或急减速或急左转或者急右转或者急刹车。

S250：基于所述行为序列和预先训练好的隐马尔可夫模型，得到所述行为序列对应的驾驶风格序列，所述驾驶风格序列包括每个所述分类结果对应的驾驶风格，所述驾驶风格为谨慎型或者温和型或者激进型。

S260：获取所述驾驶风格序列对应的真实交通流数据。

S270：基于所述真实交通流数据和所述驾驶风格序列，进行自动驾驶仿真。

需要说明的是，在自动驾驶仿真领域，驾驶员的行为可以作为评估自动驾驶系统性能的基准。通过对比自动驾驶系统与真实驾驶员之间的行为差异，可以评估系统在不同场景下的表现。若自动驾驶系统的行为模式与驾驶员行为模式相似，并且能够适应各种交通情况和驾驶条件，那么该自动驾驶系统可以被认为是有效和可靠的。通过第一训练数据集对待分类模型进行训练，可以使分类模型可以从多条待分类数据中准确提取驾驶员的行为，从而提高了后续仿真的准确性。

本实施例提供的一种仿真方法，通过上述方式使得，可以在获取多条待分类数据后，将多条待分类数据输入预先训练好的分类模型得到行为序列，再将行为序列输入预先训练好的隐马尔可夫模型，得到驾驶风格序列，并获取驾驶风格序列对应的真实交通流数据，基于真实交通流数据和驾驶风格序列，进行自动驾驶仿真，从而使得自动驾驶仿真过程更加符合驾驶员的实际驾驶过程，从而提高了仿真结果的准确性。并且，在本实施例中，通过第一训练数据集对待训练分类模型进行训练，从而得到训练好的分类模型，以基于训练好的分类模型可以准确分析驾驶员的行为，从而提高了仿真的准确性。

请参阅图3，本申请实施例提供的一种仿真方法，所述方法包括：

S310：获取第二训练数据集，所述第二训练数据集包括多条训练行为类型序列和所述多条训练行为类型序列各自对应的训练驾驶风格序列。

作为一种方式，可以获取多组待识别数据，每组待识别数据可以包括多条参考数据，多条参考数据可以按照采集时间由先到后进行排列，每条参考数据可以包括车辆的速度、加速度、方向盘转角和位置信息；将多组待识别数据分别输入分类模型，得到多条训练行为类型序列，每条训练行为类型序列可以包括多个行为类型，每个行为类型可以对应一条参考数据；基于预先设置的第二定义规则和多条训练行为类型序列，得到训练驾驶风格序列。

其中，预先设置的第二定义规则可以包括：若行为类型对应的参考数据中的最大速度变化值或者最大方向变化值未超过对应的第一阈值，确定行为类型对应的驾驶风格为谨慎型；若行为类型对应的参考数据中的最大速度变化值或者最大方向变化值未超过对应的第二阈值，确定行为类型对应的驾驶风格为温和型；若行为类型对应的参考数据中的最大速度变化值或者最大方向变化值未超过对应的第三阈值，确定行为类型对应的驾驶风格为激进型，其中，第一阈值小于第二阈值，第二阈值小于第三阈值。

可选的，第一阈值、第二阈值、第三阈值可以基于仿真测试人员的经验确定。

可选的，多条参考数据可以为第一训练数据集中的多条训练数据。

S320：基于所述第二训练数据集对待训练隐马尔可夫模型进行训练，得到所述隐马尔可夫模型。

作为一种方式，可以基于第二训练数据集合极大似然估计得到待训练隐马尔可夫模型的参数，从而得到隐马尔可夫模型。

其中，待训练隐马尔可夫模型的参数可以包括初始概率向量(π)、状态转移概率矩阵(A)和观测概率矩阵(B)。

S230：获取多条待分类数据，每条所述待分类数据包括车辆的速度、加速度、方向盘转角和位置信息，每条所述待分类数据为所述车辆在被同一个驾驶员使用时采集得到。

S340：基于所述多条待分类数据和预先训练好的分类模型，得到所述多条待分类数据对应的行为序列，所述行为序列为基于时间顺序组成的包括所述多条待分类数据各自对应的分类结果的序列，所述分类结果为直线平稳行驶或急加速或急减速或急左转或者急右转或者急刹车。

S350：基于所述行为序列和预先训练好的隐马尔可夫模型，得到所述行为序列对应的驾驶风格序列，所述驾驶风格序列包括每个所述分类结果对应的驾驶风格，所述驾驶风格为谨慎型或者温和型或者激进型。

S360：获取所述驾驶风格序列对应的真实交通流数据。

S370：基于所述真实交通流数据和所述驾驶风格序列，进行自动驾驶仿真。

本实施例提供的一种仿真方法，通过上述方式使得，可以在获取多条待分类数据后，将多条待分类数据输入预先训练好的分类模型得到行为序列，再将行为序列输入预先训练好的隐马尔可夫模型，得到驾驶风格序列，并获取驾驶风格序列对应的真实交通流数据，基于真实交通流数据和驾驶风格序列，进行自动驾驶仿真，从而使得自动驾驶仿真过程更加符合驾驶员的实际驾驶过程，从而提高了仿真结果的准确性。并且，在本实施例中，通过第二训练数据集对待训练隐马尔可夫模型进行训练，从而得到训练好的隐马尔可夫模型，以基于训练好的隐马尔可夫模型可以准确分析驾驶员在不同行为、不同时间下的驾驶风格，从而提高了仿真的准确性。

为了更好地理解本申请所有实施例的方案，下面对本申请的仿真方法的基本业务流程进行介绍。

请参阅图4，可以先基于步骤S1～步骤S4进行分类模型和隐马尔可夫模型的训练，在分类模型和隐马尔可夫模型训练完成后，可以基于S5～步骤S8进行自动驾驶仿真以及测试。

请参阅图5，本申请提供的一种仿真装置600，所述装置600包括：

待分类数据获取单元610，用于获取多条待分类数据，每条所述待分类数据包括车辆的速度、加速度、方向盘转角和位置信息，每条所述待分类数据为所述车辆在被同一个驾驶员使用时采集得到。

行为序列获取单元620，用于基于所述多条待分类数据和预先训练好的分类模型，得到所述多条待分类数据对应的行为序列，所述行为序列为基于时间顺序组成的包括所述多条待分类数据各自对应的分类结果的序列，所述分类结果为直线平稳行驶或急加速或急减速或急左转或者急右转或者急刹车。

驾驶风格获取单元630，用于基于所述行为序列和预先训练好的隐马尔可夫模型，得到所述行为序列对应的驾驶风格序列，所述驾驶风格序列包括每个所述分类结果对应的驾驶风格，所述驾驶风格为谨慎型或者温和型或者激进型。

仿真单元640，用于获取所述驾驶风格序列对应的真实交通流数据；基于所述真实交通流数据和所述驾驶风格序列，进行自动驾驶仿真。

作为一种方式，仿真单元640具体用于基于所述驾驶风格序列中多个驾驶风格各自对应的真实交通流数据，构建所述多个驾驶风格各自对应的驾驶场景；在所述驾驶场景下，基于所述驾驶场景对应的驾驶风格进行自动驾驶仿真。

其中，装置600还包括：

模型训练单元650，用于获取第一训练数据集，所述第一训练数据集包括多条训练数据和所述多条训练数据各自对应的行为类型，每条训练数据包括车辆的速度、加速度、方向盘转角和位置信息；

基于所述第一训练数据集对待训练分类模型进行训练，得到所述分类模型。

作为一种方式，模型训练单元650具体用于获取所述多条训练数据；

基于预先设置的第一定义规则和所述多条训练数据，得到所述多条训练数据各自对应的行为类型。

作为一种方式，模型训练单元650具体用于获取第二训练数据集，所述第二训练数据集包括多条训练行为类型序列和所述多条训练行为类型序列各自对应的训练驾驶风格序列；基于所述第二训练数据集对待训练隐马尔可夫模型进行训练，得到所述隐马尔可夫模型。

可选的，模型训练单元650具体用于获取多组待识别数据，每组所述待识别数据包括多条参考数据，所述多条参考数据按照采集时间由先到后进行排列，每条所述参考数据包括车辆的速度、加速度、方向盘转角和位置信息；将所述多组待识别数据分别输入所述分类模型，得到所述多条训练行为类型序列，每条所述训练行为类型序列包括多个行为类型，每个行为类型对应一条所述参考数据；基于预先设置的第二定义规则和所述多条训练行为类型序列，得到所述训练驾驶风格序列。

可选的，所述预先设置的第一定义规则包括：若所述训练数据的最大速度变化值小于或等于第一预设值且所述最大方向变化值小于或等于第二预设值，确定所述训练数据对应的行为类型为直线平稳行驶；若所述训练数据的最大速度变化值大于所述第一预设值，所述最大方向变化值大于所述第二预设值，且方向盘转角为顺时针方向，确定所述训练数据对应的行为类型为急右转；若所述训练数据的最大速度变化值大于所述第一预设值，所述最大方向变化值大于所述第二预设值，且方向盘转角为逆时针方向，确定所述训练数据对应的行为类型为急左转；若所述训练数据的加速度大于或等于第三预设值，且速度由小变大，确定所述训练数据对应的行为类型为急加速；若所述训练数据的加速度大于或等于所述第三预设值，且速度由大变小，确定所述训练数据对应的行为类型为急减速；若所述训练数据的加速度大于或等于第四预设值，且速度从非零值变化为0，确定所述训练数据对应的行为类型为急刹车。

可选的，所述第二定义规则包括：若所述行为类型对应的参考数据中的最大速度变化值或者最大方向变化值未超过对应的第一阈值，确定所述行为类型对应的驾驶风格为谨慎型；若所述行为类型对应的参考数据中的最大速度变化值或者最大方向变化值未超过对应的第二阈值，确定所述行为类型对应的驾驶风格为温和型；若所述行为类型对应的参考数据中的最大速度变化值或者最大方向变化值未超过对应的第三阈值，确定所述行为类型对应的驾驶风格为激进型，所述第一阈值小于所述第二阈值，所述第二阈值小于所述第三阈值。

下面将结合图6对本申请提供的一种服务器进行说明。

请参阅图6，基于上述的仿真方法、装置，本申请实施例还提供的另一种可以执行前述仿真方法的仿真装置，该仿真装置可以为服务器100。服务器100包括相互耦合的一个或多个(图中仅示出一个)处理器102、存储器104。其中，该存储器104中存储有可以执行前述实施例中内容的程序，而处理器102可以执行该存储器104中存储的程序。

其中，处理器102可以包括一个或者多个处理核。处理器102利用各种接口和线路连接整个服务器100内的各个部分，通过运行或执行存储在存储器104内的指令、程序、代码集或指令集，以及调用存储在存储器104内的数据，执行服务器100的各种功能和处理数据。可选地，处理器102可以采用网络处理器(Neural network Processing Unit，NPU)、数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field－ProgrammableGate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器102可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)、网络处理器(Neural network Processing Unit，NPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示内容的渲染和绘制；NPU负责处理视频、图像类的多媒体数据；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器102中，单独通过一块通信芯片进行实现。

存储器104可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。存储器104可用于存储指令、程序、代码、代码集或指令集。存储器104可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令等。存储数据区还可以存储服务器100在使用中所创建的数据(比如电话本、音视频数据、聊天记录数据)等。

本申请实施例提供的一种计算机可读存储介质800。该计算机可读存储介质800中存储有程序代码，所述程序代码可被处理器调用执行上述方法实施例中所描述的方法。

计算机可读存储介质800可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地，计算机可读存储介质800包括非易失性计算机可读存储介质(non-transitory computer-readable storage medium)。计算机可读存储介质800具有执行上述方法中的任何方法步骤的程序代码810的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码810可以例如以适当形式进行压缩。

综上所述，本申请提供的一种仿真方法以及装置，在获取多条由同一个驾驶员使用车辆时采集得到的包括车辆的速度、加速度、方向盘转角和位置信息的待分类数据后，基于所述多条待分类数据和预先训练好的分类模型，得到所述多条待分类数据对应的基于时间顺序组成的包括所述多条待分类数据各自对应的分类结果的行为序列，其中，分类结果为直线平稳行驶或急加速或急减速或急左转或者急右转或者急刹车；基于所述行为序列和预先训练好的隐马尔可夫模型，得到所述行为序列对应的包括每个所述分类结果对应的驾驶风格的驾驶风格序列，其中所述驾驶风格为谨慎型或者温和型或者激进型；获取所述驾驶风格序列对应的真实交通流数据；基于所述真实交通流数据和所述驾驶风格序列，进行自动驾驶仿真。通过上述方式使得，可以在获取多条待分类数据后，将多条待分类数据输入预先训练好的分类模型得到行为序列，再将行为序列输入预先训练好的隐马尔可夫模型，得到驾驶风格序列，并获取驾驶风格序列对应的真实交通流数据，基于真实交通流数据和驾驶风格序列，进行自动驾驶仿真，从而使得自动驾驶仿真过程更加符合驾驶员的实际驾驶过程，从而提高了仿真结果的准确性。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。