一种用于自动驾驶仿真测试的场景生成方法及装置、存储介质、终端、计算机程序产品，方法包括：确定至少一个初始场景，每个初始场景包含自动驾驶车辆和至少一个动态障碍物在多个采样时刻的实际位姿和实际速度；从每个初始场景中确定至少一个关键障碍物；对于每个关键障碍物，采用该关键障碍物、自动驾驶车辆及其余各关键障碍物在目标采样时刻及其之前第一数量个采样时刻的实际位姿和实际速度作为初始输入数据；基于所述初始输入数据执行轨迹预测操作，以得到该关键障碍物在所述目标采样时刻之后的预测轨迹；基于该初始场景中的各关键障碍物的预测轨迹，构建得到生成测试场景。上述方案可以基于初始场景获得包含多样化动态障碍物行为的生成场景。
【技术实现步骤摘要】
本专利技术涉及自动驾驶，具体地涉及一种用于自动驾驶仿真测试的场景生成方法及装置、存储介质、终端、计算机程序产品。
技术介绍
1、自动驾驶车辆在实际驾驶过程中，往往会遇到与行人、机动车、非机动车等动态障碍物(其中，行人、非机动车为道路弱势使用者)进行交互的场景。尤其是对于无人环卫车(例如，无人清扫车)而言，由于其主要作业环境为非机动车道、居民小区、工业园区等，因此动态障碍物类型及其行为类型更加复杂多样，且有更大概率违反交通规则，这就导致出现交通事故的风险增加。相应地，对自动驾驶车辆的避障、自动刹车、路径规划等待测试算法或系统的安全性能提出了更高的要求。
2、现有技术中，对自动驾驶车辆的待测试算法的性能进行测试方案主要包括两种：一种是采用模拟真实障碍物的假障碍物(例如，机器人)进行测试，这种方案模拟实际驾驶环境中各类动态障碍物多样行为的能力较弱；另一种是自动驾驶仿真测试方案。
3、常规的仿真测试方案通过在自动驾驶车辆实际驾驶过程中对周围行车场景进行录制(例如，摄像头录制图像或视频数据、激光传感器录制点云数据)和回放，从录制数据中提取或采样动态障碍物的实际行为数据(例如，不同采样时刻的实际位置、朝向、速度等)，并构建得到测试场景进行算法仿真测试。然而，前述方法获得的测试场景中，动态障碍物的行驶轨迹(或行走轨迹)是既定不变的，且与自动驾驶车辆进行交互的类型仍较有限，无法覆盖实际驾驶中动态障碍物的多种多样行为，因此测试效果也很有限，难以发现算法的漏洞或不足。
技术实现思路
1、本专利技术实施例实现的目的之一是提供一种用于自动驾驶仿真测试的场景生成，可以基于给定的初始场景自动生成具有多种可能性的生成测试场景，以获得包含多样、复杂的动态障碍物行为的仿真测试场景。
2、为解决上述技术问题，本专利技术实施例提供一种用于自动驾驶仿真测试的场景生成方法，包括以下步骤：确定至少一个初始场景，每个初始场景包含自动驾驶车辆和至少一个动态障碍物在多个采样时刻的实际位姿和实际速度；对于每个初始场景，从该初始场景包含的各动态障碍物中确定至少一个关键障碍物；对于该初始场景中的每个关键障碍物，从所述多个采样时刻中选取单个目标采样时刻，然后采用该关键障碍物、所述自动驾驶车辆及该初始场景中的其余各关键障碍物在所述目标采样时刻及其之前第一数量个采样时刻的实际位姿和实际速度作为初始输入数据；基于所述初始输入数据执行轨迹预测操作，以得到该关键障碍物在所述目标采样时刻之后的预测轨迹；基于该初始场景中的各关键障碍物的预测轨迹，构建得到该初始场景对应的生成测试场景。
3、可选的，所述执行轨迹预测操作为迭代地执行多轮轨迹预测，包括：在首轮轨迹预测中，基于所述初始输入数据执行轨迹预测，得到该关键障碍物在首轮的多条预测轨迹段，其中，每条预测轨迹段包含该关键障碍物在所述目标采样时刻之后第二数量个未来时刻的预测位姿和预测速度；在之后的每轮轨迹预测中，从上一轮得到的多条预测轨迹段中选取单条目标轨迹段，并从该目标轨迹段对应的各未来时刻中选取单个目标时刻，然后采用该关键障碍物在所述目标时刻及其之前第一数量个时刻的预测位姿和预测速度、所述自动驾驶车辆及该初始场景中其余各关键障碍物在所述目标时刻及其之前第一数量个时刻的实际位姿和实际速度作为当前轮的输入数据，并基于所述输入数据执行轨迹预测，得到当前轮该关键障碍物的多条预测轨迹段；直至满足预设的迭代轨迹预测终止条件时，采用该关键障碍物在所述目标采样时刻及其之前第一数量个采样时刻的实际位姿和实际速度，以及各轮选取的目标轨迹段，形成该关键障碍物在所述目标采样时刻之后的预测轨迹。
4、可选的，基于所述输入数据执行轨迹预测，包括：基于所述输入数据迭代地执行一轮或多轮路由选择，得到该关键障碍物的路由信息；基于所述输入数据和所述路由信息执行轨迹预测，得到该关键障碍物的所述多条预测轨迹段。
5、可选的，所述输入数据还包含所述自动驾驶车辆所属实际驾驶场景中的多个车道段的位置及各车道段之间的拓扑关系；基于所述输入数据迭代地执行多轮路由选择，包括：在首轮路由选择中，在所述多个车道段中确定与该关键障碍物在所述目标时刻的预测位置之间的距离最近的车道段，作为首轮得到的目标车道段；在之后的每轮路由选择中，根据所述拓扑关系各个车道段的先后顺序，在顺序位于上一轮得到的目标车道段之后的各车道段中选择单个车道段，作为当前轮得到的目标车道段；直至满足预设的迭代路由选择终止条件时，采用各轮得到的目标车道段形成车道段序列，作为该关键障碍物的路由信息。
6、可选的，在每轮轨迹预测中，基于所述输入数据执行轨迹预测是采用预训练的轨迹预测模型实现的，所述轨迹预测模型包括路由生成子模型和轨迹生成子模型；其中，所述路由生成子模型用于基于所述输入数据迭代地执行一轮或多轮路由选择，得到该关键障碍物的路由信息；所述轨迹生成子模型用于基于所述输入数据和所述路由信息执行轨迹预测，得到该关键障碍物的所述多条预测轨迹段。
7、可选的，所述预训练的轨迹预测模型采用下述方式训练获得：确定待训练的轨迹预测模型，所述待训练的轨迹预测模型包括路由生成子模型和轨迹生成子模型；获取样本场景，所述样本场景包含样本自动驾驶车辆和至少一个样本动态障碍物在多个样本采样时刻的实际位姿和实际速度；对于该样本场景中的每个样本动态障碍物，从所述多个样本采样时刻中选取单个目标样本采样时刻，并采用该样本动态障碍物、所述样本自动驾驶车辆及该样本场景中的其余各样本动态障碍物在所述目标样本采样时刻及其之前第一样本数量个样本采样时刻的实际位姿和实际速度，作为该样本动态障碍物对应的训练数据；采用多个样本动态障碍物对应的训练数据构建训练数据集，以及采用每个样本动态障碍物在所述目标样本采样时刻之后第二样本数量个样本采样时刻的实际位置作为目标位置序列，对所述待训练的轨迹预测模型进行迭代训练，以得到所述预训练的轨迹预测模型。
8、可选的，每轮迭代训练，包括：将所述每个样本动态障碍物对应的训练数据输入所述路由生成子模型，得到每个样本动态障碍物的预测样本路由信息；将每个样本动态障碍物对应的训练数据及预测样本路由信息输入所述轨迹生成子模型，得到该样本动态障碍物的多条预测样本轨迹，其中，每条预测样本轨迹包含该样本动态障碍物在所述目标样本采样时刻之后第二样本数量个未来样本时刻的样本预测位置，所述第二样本数量个未来样本时刻的样本预测位置形成单条样本预测位置序列；分别计算所述多条预测样本轨迹对应的多条样本预测位置序列与所述目标位置序列之间的差异值，并确定各差异值中的最小差异值；采用所述多个样本动态障碍物对应的多个最小差异值之和，作为当前轮迭代训练后的损失值。
9、可选的，对于每个初始场景，从该初始场景包含的各动态障碍物中确定至少一个关键障碍物，包括：从所述多个采样时刻中选取一个或多个第一采样时刻；对该初始场景中的每个动态障碍物，计算每个第一采样时刻所述自动驾驶车辆的实际位置与该动态障碍物的实际位置之间的距离；对各第一采样时刻的距离求均值，得到该动态障碍物对应的本文档来自技高网
...
【技术保护点】
1.一种用于自动驾驶仿真测试的场景生成方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述执行轨迹预测操作为迭代地执行多轮轨迹预测，包括：
3.根据权利要求2所述的方法，其特征在于，基于所述输入数据执行轨迹预测，包括：
4.根据权利要求3所述的方法，其特征在于，所述输入数据还包含所述自动驾驶车辆所属实际驾驶场景中的多个车道段的位置及各车道段之间的拓扑关系；
5.根据权利要求3或4所述的方法，其特征在于，在每轮轨迹预测中，基于所述输入数据执行轨迹预测是采用预训练的轨迹预测模型实现的，所述轨迹预测模型包括路由生成子模型和轨迹生成子模型；
6.根据权利要求5所述的方法，其特征在于，所述预训练的轨迹预测模型采用下述方式训练获得：
7.根据权利要求6所述的方法，其特征在于，每轮迭代训练，包括：
8.根据权利要求1所述的方法，其特征在于，对于每个初始场景，从该初始场景包含的各动态障碍物中确定至少一个关键障碍物，包括：
9.根据权利要求1所述的方法，其特征在于，所述确定至少一个初始场景，包括：
10.一种用于自动驾驶仿真测试的场景生成装置，其特征在于，包括：
11.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1至9任一项所述用于自动驾驶仿真测试的场景生成方法的步骤。
12.一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行权利要求1至9任一项所述用于自动驾驶仿真测试的场景生成方法的步骤。
13.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1至9任一项所述用于自动驾驶仿真测试的场景生成方法的步骤。
...
【技术特征摘要】
1.一种用于自动驾驶仿真测试的场景生成方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述执行轨迹预测操作为迭代地执行多轮轨迹预测，包括：
3.根据权利要求2所述的方法，其特征在于，基于所述输入数据执行轨迹预测，包括：
4.根据权利要求3所述的方法，其特征在于，所述输入数据还包含所述自动驾驶车辆所属实际驾驶场景中的多个车道段的位置及各车道段之间的拓扑关系；
5.根据权利要求3或4所述的方法，其特征在于，在每轮轨迹预测中，基于所述输入数据执行轨迹预测是采用预训练的轨迹预测模型实现的，所述轨迹预测模型包括路由生成子模型和轨迹生成子模型；
6.根据权利要求5所述的方法，其特征在于，所述预训练的轨迹预测模型采用下述方式训练获得：
7.根据权利要求6所述的方法，其特征在于，每轮迭代训练，包括：
8.根据权利要求1所...
【专利技术属性】
技术研发人员：黄超，佟震宇，黎罗河，
申请(专利权)人：上海仙途智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。