用于自动驾驶仿真的方法、装置、电子设备及存储介质与流程

计算;推算;计数设备的制造及其应用技术1.本公开涉及自动驾驶技术领域，尤其涉及自动驾驶仿真技术，具体涉及一种用于自动驾驶仿真的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。背景技术：2.在自动驾驶技术中，在实际使用自动驾驶算法之前一般需要使其经过仿真系统的充分验证来保证安全性。因此，通过仿真系统实现的仿真技术是自动驾驶技术中的重要环节。可靠的仿真技术可以有助于自动驾驶技术的快速落地。3.在仿真过程中，首先可以根据真实自动驾驶车辆在真实环境中发生问题时的相关数据，构建用于模拟当时真实环境的仿真环境，其中可包括感知的障碍物信息、定位信息、高精地图等。之后，可以按照一定的时序来再现或播放该相关数据以驱动决策规划控制(planning and control，pnc)模块与动力学模块之间的数据流动。动力学模块可相当于模拟真实车辆的仿真车辆。4.在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。技术实现要素：5.本公开提供了一种用于自动驾驶仿真的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。6.根据本公开的一方面，提供了一种用于自动驾驶仿真的方法，包括：获取模拟真实车辆的仿真车辆在仿真环境中行驶时的位置信息；从预先创建的道路坡度信息表中获取与位置信息相关联的坡度信息，其中，道路坡度信息表是基于真实车辆在对应于仿真环境的真实环境中行驶时所获取的位置信息和坡度信息而预先创建的；以及基于坡度信息确定仿真车辆在仿真环境中行驶时的运动状态。7.根据本公开的另一方面，提供了一种用于自动驾驶仿真的装置，包括：位置获取模块，被配置为获取模拟真实车辆的仿真车辆在仿真环境中行驶时的位置信息；坡度获取模块，被配置为从预先创建的道路坡度信息表中获取与位置信息相关联的坡度信息，其中，道路坡度信息表是基于真实车辆在对应于仿真环境的真实环境中行驶时所获取的位置信息和坡度信息而预先创建的；以及状态确定模块，被配置为基于坡度信息确定仿真车辆在仿真环境中行驶时的运动状态。8.根据本公开的另一方面，提供了一种电子设备，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；其中存储器存储有能够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如上所述的方法。9.根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行如上所述的方法。10.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现如上所述的方法。11.根据本公开的一个或多个实施例，可以在仿真过程中实现道路坡度的复现。12.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。附图说明13.附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。14.图1示出了可以应用根据本公开实施例的方法的示例性系统的示意图；15.图2示出了根据本公开实施例的自动驾驶仿真方法的流程图；16.图3示出了用于说明根据本公开实施例的从道路坡度信息表中获取与位置信息相关联的坡度信息的过程的示意图；17.图4示出了根据本公开实施例的自动驾驶仿真系统的示意图；18.图5示出了根据本公开一个实施例的自动驾驶仿真装置的结构框图；19.图6示出了根据本公开另一个实施例的自动驾驶仿真装置的结构框图；20.图7示出了能够用于实现本公开实施例的示例性电子设备的结构框图。具体实施方式21.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围。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。22.在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。23.在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。24.在传统的自动驾驶仿真系统中，一般默认车辆在水平道路上行驶，也即不会考虑道路是否存在坡度。然而，在真实世界中，车辆实际上会因为道路坡度而改变运动状态，这导致仿真系统与真实世界之间仍然存在差异，不利于实现可靠的仿真。对此，一种解决方法是在仿真所使用的高精地图中包含关于坡度的信息以构成提供坡度信息的三维地图。然而，这必须要采集地图上所有的点，导致该方法的实施成本高且不易于地图的维护。25.针对以上技术问题，根据本公开实施例的一方面，提供了一种用于自动驾驶仿真的方法。26.在详细描述本公开实施例的方法之前，首先结合图1描述可以应用根据本公开实施例的方法的示例性系统。27.图1示出了可以应用根据本公开实施例的方法的示例性系统100。参考图1，该系统100包括机动车辆110、服务器120以及将机动车辆110耦接到服务器120的一个或多个通信网络130。28.在本公开的实施例中，机动车辆110可以是自动驾驶仿真系统中的动力学模块所模拟的真实环境中的真实车辆。29.服务器120可以运行自动驾驶算法以使得机动车辆110实现自动驾驶。在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。机动车辆110的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。30.服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如pc(个人计算机)服务器、unix服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。31.服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括http服务器、ftp服务器、cgi服务器、java服务器、数据库服务器等。32.在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从机动车辆110接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由机动车辆110的一个或多个显示设备来显示数据馈送和/或实时事件。33.网络130可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于tcp/ip、sna、ipx等)来支持数据通信。仅作为示例，一个或多个网络110可以是卫星通信网络、局域网(lan)、基于以太网的网络、令牌环、广域网(wan)、因特网、虚拟网络、虚拟专用网络(vpn)、内部网、外部网、公共交换电话网(pstn)、红外网络、无线网络(包括例如蓝牙、wifi)和/或这些与其他网络的任意组合。34.系统100还可以包括一个或多个数据库150。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库150中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库150可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库150可以是不同的类型。在某些实施例中，由服务器120使用的数据库可以例如是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。35.在某些实施例中，数据库150中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。36.机动车辆110可以包括传感器111用于感知周围环境。传感器111可以包括下列传感器中的一个或多个：视觉摄像头、红外摄像头、超声波传感器、毫米波雷达以及激光雷达(lidar)。不同的传感器可以提供不同的检测精度和范围。摄像头可以安装在车辆的前方、后方或其他位置。视觉摄像头可以实时捕获车辆内外的情况并呈现给驾驶员和/或乘客。此外，通过对视觉摄像头捕获的画面进行分析，可以获取诸如交通信号灯指示、交叉路口情况、其他车辆运行状态等信息。红外摄像头可以在夜视情况下捕捉物体。超声波传感器可以安装在车辆的四周，用于利用超声波方向性强等特点来测量车外物体距车辆的距离。毫米波雷达可以安装在车辆的前方、后方或其他位置，用于利用电磁波的特性测量车外物体距车辆的距离。激光雷达可以安装在车辆的前方、后方或其他位置，用于检测物体边缘、形状信息，从而进行物体识别和追踪。由于多普勒效应，雷达装置还可以测量车辆与移动物体的速度变化。37.机动车辆110还可以包括通信装置112。通信装置112可以包括能够从卫星141接收卫星定位信号(例如，北斗、gps、glonass以及galileo)并且基于这些信号产生坐标的卫星定位模块。通信装置112还可以包括与移动通信基站142进行通信的模块，移动通信网络可以实施任何适合的通信技术，例如gsm/gprs、cdma、lte等当前或正在不断发展的无线通信技术(例如5g技术)。通信装置112还可以具有车联网或车联万物(vehicle-to-everything，v2x)模块，被配置用于实现例如与其它车辆143进行车对车(vehicle-to-vehicle，v2v)通信和与基础设施144进行车辆到基础设施(vehicle-to-infrastructure，v2i)通信的车与外界的通信。此外，通信装置112还可以具有被配置为例如通过使用ieee802.11标准的无线局域网或蓝牙与用户终端145(包括但不限于智能手机、平板电脑或诸如手表等可佩戴装置)进行通信的模块。利用通信装置112，机动车辆110还可以经由网络130接入服务器120。38.机动车辆110还可以包括控制装置113。控制装置113可以包括与各种类型的计算机可读存储装置或介质通信的处理器，例如中央处理单元(cpu)或图形处理单元(gpu)，或者其他的专用处理器等。控制装置113可以包括用于自动控制车辆中的各种致动器的自动驾驶系统。自动驾驶系统被配置为经由多个致动器响应来自多个传感器111或者其他输入设备的输入而控制机动车辆110(未示出的)动力总成、转向系统以及制动系统等以分别控制加速、转向和制动，而无需人为干预或者有限的人为干预。控制装置113的部分处理功能可以通过云计算实现。例如，可以使用车载处理器执行某一些处理，而同时可以利用云端的计算资源执行其他一些处理。控制装置113可以被配置以执行根据本公开的方法。此外，控制装置113可以被实现为根据本公开的机动车辆侧(客户端)的计算设备的一个示例。39.图2示出了根据本公开实施例的自动驾驶仿真方法200的流程图。如图2所示，自动驾驶仿真方法200包括以下步骤：40.在步骤s202，获取模拟真实车辆的仿真车辆在仿真环境中行驶时的位置信息。41.在步骤s204，从预先创建的道路坡度信息表中获取与位置信息相关联的坡度信息。道路坡度信息表是基于真实车辆在对应于仿真环境的真实环境中行驶时所获取的位置信息和坡度信息而预先创建的。42.在步骤s206，基于坡度信息确定仿真车辆在仿真环境中行驶时的运动状态。43.根据本公开实施例的自动驾驶仿真方法，可以提供一种在仿真过程中不依赖于高精地图而复现道路坡度的方法。具体地，通过采用单独的道路坡度信息表来存储仿真过程中所需的坡度信息，可以脱离对高精地图的限制与依赖，从而不必为了获取坡度信息而制作复杂的包含坡度信息的三维地图，由此降低了仿真的实施成本且提高了仿真效率。同时，由于道路坡度信息表中存储的信息是基于真实车辆在真实环境中行驶所获取的，这便利于信息的维护与更新，使得仿真过程更加贴近真实场景，由此提高了仿真的可靠性。44.以下将对根据本公开实施例的自动驾驶仿真方法的各步骤的一个或多个方面进行详细描述。45.在本文中，模拟真实车辆的仿真车辆可以是指在仿真环境中所使用的动力学模块。通过这样的动力学模块可以模拟出道路的摩擦力和/或空气的阻力对真实车辆的影响。46.然而，对于道路的不平整性，即坡度变化对真实车辆的影响，还需要通过在仿真中对坡度进行复现。如前所述，传统的复现方法是在仿真所使用的高精地图中包含关于坡度的信息，但这必须要采集地图上所有的点，导致该方法的实施成本高且不易于地图的维护。本公开摒弃了这种做法，提供一种在仿真过程中不依赖于高精地图而复现道路坡度的方法。47.根据本公开的实施例，在单独的道路坡度信息表中存储仿真过程中所需的坡度信息。该单独的道路坡度信息表基于真实车辆在真实环境中行驶时所获取的位置信息和坡度信息而预先创建。换言之，在仿真过程中，借助于道路坡度信息表，通过仿真车辆的位置信息即可获知与该位置信息相关联的坡度信息。48.在示例中，真实车辆可以在行驶过程中通过车辆上的imu(惯性测量单元)传感器来采集道路的坡度信息，并且可以通过gps(全球定位系统)传感器来获取位置信息，由此可以获取位置信息与坡度信息的对应关系，例如某坐标点处的坡度为某度数。这里，根据imu传感器，坡度可以表示为角度值(pitch)。49.因此，在仿真过程中，在通过步骤s202获取仿真车辆的位置信息之后，可以通过步骤s204从道路坡度信息表中获取与该位置信息相关联的坡度信息。50.步骤s204中的从道路坡度信息表中获取与位置信息相关联的坡度信息可以采用不同的实施方式。51.根据一个实施例，步骤s204可以包括：基于由位置信息表示的目标坐标位置，在道路坡度信息表中查找与目标坐标位置距离最近的候选坐标位置；以及将对应于候选坐标位置的候选坡度信息确定为与位置信息相关联的坡度信息。52.通过这种方式，在已知仿真车辆的当前坐标位置时，可以在道路坡度信息表中查找与当前坐标位置距离最近的坐标位置的对应坡度，并将该坡度视为当前坐标位置的坡度。由此，即使在仿真车辆的位置与真实车辆所经过的位置存在偏差的情况下，也可以确保道路坡度的复现。53.作为参考，在自动驾驶仿真过程中，一般需要按照时序来再现或播放真实车辆在真实环境中发生问题时所涉及的相关数据。然而，仿真过程中的这种再现或播放过程不一定能够保证仿真车辆的位置与真实车辆所经过的位置始终保持一致。因此，根据本实施例的查找与当前坐标位置最近的坐标位置的对应坡度的方法，可以确保即使在仿真车辆的位置与真实车辆所经过的位置存在偏差的情况下，也能够实现道路坡度的复现。54.下文中将进一步结合图3所示的道路坡度信息表的实施例描述本实施例所涉及的查找最近坐标位置的对应坡度的方法。55.替代地，也可以查找若干候选坐标位置并计算若干对应坡度的平均值。56.根据另一个实施例，步骤s204可以包括：基于位置信息表示的目标坐标位置，在道路坡度信息表中查找与目标坐标位置的距离在阈值范围以内的至少一个候选坐标位置；基于与所述至少一个候选坐标位置对应的至少一个候选坡度信息计算坡度平均值；以及将坡度平均值确定为与位置信息相关联的坡度信息。57.通过这种方式，可以通过查找若干候选坐标位置并计算若干对应坡度的平均值来提高复现坡度的准确度。如前所述，在仿真过程中，存在仿真车辆的位置与真实车辆所经过的位置不一定保持一致的情况，而当两者之间的偏差相对较大时，借助于若干候选坐标位置的坡度平均值，可以尽可能地消除由这种偏差所带来的影响。58.在示例中，阈值范围可以根据仿真过程具体设置，例如可以设置为几厘米或几十厘米。该阈值范围也可以根据查找结果而动态地增大或减小。例如，如果未查找到与目标坐标位置的距离在某个阈值范围以内的候选坐标位置，则可以增大该阈值范围以再次查找。59.下文中将进一步结合图3所示的道路坡度信息表的实施例描述本实施例所涉及的查找若干候选坐标位置并计算若干对应坡度的平均值的方法。60.在通过步骤s204获取与位置信息相关联的坡度信息之后，则可以在步骤s206中将坡度信息应用于仿真中，即基于坡度信息确定仿真车辆在仿真环境中行驶时的运动状态。运动状态可以包括车辆的加速度。61.这里，考虑到通过传感器测量的数据中一般存在噪声(如高斯白噪声)，通过imu传感器获取的坡度信息因此也可能包含噪声。然而，如果直接对测量数据(即坡度)进行滤波可能是困难和复杂的。根据本公开的实施例，考虑到坡度最终影响车辆的加速度，因此可以直接对加速度进行滤波以间接实现滤波目的。62.根据一些实施例，步骤s206可以包括：应用坡度信息以获得仿真车辆的更新的加速度；以及基于根据速度和加速度的积分关系建立的卡尔曼滤波预测模型，对更新的加速度进行滤波。63.通过这种方式，可以借助于卡尔曼滤波的滤波机制来实现对加速度进行滤波，从而降低直接对测量数据进行滤波的复杂度及难度。64.在示例中，可以通过如下等式1表示模型的预测值：65.x(t)＝ax(t-1)ꢀꢀ(等式1)66.其中，x＝[speed；acc]，表示速度和加速度的向量；a＝[1,dt；0,1]，表示系数矩阵，其中dt是仿真时间步长。[0067]可以用如下等式2的协方差矩阵表示状态转移：[0068]p(t)＝ap(t-1)+qꢀꢀ(等式2)[0069]其中，p(t)是协方差矩阵，q是状态转移噪声，其可以依据数据的噪声程度设置。[0070]可以用如下等式3表示模型的观测值：[0071][0072]其中，表示模型的观测值，c＝[1,0；0,1]，表示模型的输出矩阵，r是观测噪声矩阵，其可以依据数据的噪声程度设置。[0073]可以用如下等式4计算状态更新：[0074]x(t)＝x(t-1)+k(y-cx)ꢀꢀ(等式4)[0075]其中，y是实际测量值，k是卡尔曼系数，表示为k＝p(t)c′(cp(t)c′+r)-1，其中c′是c的转置。[0076]可以用如下等式5更新等式2中的协方差矩阵：[0077]p(t)＝(i-kc)p(t-1)ꢀꢀ(等式5)[0078]其中，i是单位矩阵，k是通过等式4计算的卡尔曼系数。[0079]以上等式1至等式5所涉及的卡尔曼滤波过程可与本领域技术人员已知的卡尔曼滤波过程一致，区别在于本实施例中基于根据速度和加速度的积分关系建立的卡尔曼滤波预测模型，对更新的加速度进行滤波，由此提供了一种易于实现的间接进行滤波的方法，避免了因为对坡度的测量数据直接滤波所导致的复杂性。[0080]根据一些实施例，步骤s206中的应用坡度信息以获得仿真车辆的更新的加速度可以包括：通过计算仿真车辆对道路地面的压力上的变化来推导更新的加速度。[0081]通过这种方式，还可以间接通过受力的变化来推导加速度的变化。[0082]在示例中，车辆对道路地面的压力上的变化可以表示为：[0083]f_new＝f_old*cos(road_pitch)[0084]其中f_old和f_new分别为应用坡度信息之前和之后的压力，road_pitch为坡度。[0085]在根据坡度获得压力变化之后，可以进一步通过车辆的摩擦力信息，诸如还包括车辆的轮胎、扭矩等信息，推导更新的加速度。[0086]作为参考，将坡度变化直接应用于加速度所得到的加速度影响可以表示为：[0087]a_new＝a_old+g*(road_pitch)[0088]其中，g为重力加速度。[0089]在通过步骤s206获得在具有坡度情况下仿真车辆的运动状态之后，则可以进一步模拟车辆的速度和位置等，从而在仿真过程中最大化地贴近真实环境中的道路情况。[0090]因此，本公开的自动驾驶仿真方法能够不依赖于高精地图来复现道路坡度。借助于单独的道路坡度信息表，可以脱离对高精地图的限制与依赖，从而不必为了获取坡度信息而制作复杂的包含坡度信息的三维地图，由此降低了仿真的实施成本且提高了仿真效率。同时，由于道路坡度信息表中存储的信息是基于真实车辆在真实环境中行驶所获取的，这便利于信息的维护与更新，使得仿真过程更加贴近真实场景，由此提高了仿真的可靠性。[0091]图3示出了用于说明根据本公开实施例的从道路坡度信息表中获取与位置信息相关联的坡度信息的过程的示意图。[0092]在结合图3来描述图2的步骤s204(即，从道路坡度信息表中获取与位置信息相关联的坡度信息)之前，首先说明关于道路坡度信息表的一些实施方式。[0093]根据一些实施例，道路坡度信息表可以以k维树(k-dimension tree)数据结构表示。k维树数据结构中的数据节点将真实车辆所获取的位置信息和坡度信息以一一对应的关系存储。[0094]本公开的自动驾驶仿真方法通过在仿真过程中实时查询道路坡度信息表来获取与位置信息相关联的坡度信息，这要求在查询过程中不过多地消耗处理器的运行时间，即，要求尽可能快地查找到坡度信息。[0095]根据本实施例，以k维树数据结构表示的道路坡度信息表能够满足上述速度要求，避免由于一般的遍历查询方式导致消耗过多的运行时间。[0096]出于便于说明的目的，图3仅示意性地示出了道路坡度信息表的一部分，即数据节点301至305。如图3所示，数据节点301将坐标1和坡度1的信息以一一对应的关系存储，在图3中表示为[坐标1，坡度1]。该信息可以是真实车辆在行驶时通过诸如gps、imu的传感器所采集的。类似地，数据节点302存储[坐标2，坡度2]，数据节点303存储[坐标3，坡度3]，数据节点304存储[坐标4，坡度4]，且数据节点305存储[坐标5，坡度5]。[0097]根据一些实施例，道路坡度信息表可以以动态方式维护以执行下列至少一项：在k维树数据结构中增加数据节点、在k维树数据结构中减少数据节点、更新数据节点所存储的位置信息和坡度信息。[0098]由于道路坡度信息表是基于真实车辆在对应于仿真环境的真实环境中行驶时所获取的位置信息和坡度信息而预先创建的，以动态方式来维护道路坡度信息表可以与这种信息获取方式相匹配，从而便利于道路坡度信息表的实时更新。[0099]在示例中，以c++语言为例，在k维树数据结构中增加数据节点的代码可以表示为：[0100]kdpoint《double,2,double》point({x,y},slope)；[0101]points.emplace_back(std::move(point))[0102]更新数据节点所存储的位置信息和坡度信息可以表示为：[0103]_kd_tree.update(std::begin(points),std::end(points))；[0104]现在进一步结合图3来详细说明图2的步骤s204，即，从道路坡度信息表中获取与位置信息相关联的坡度信息。[0105]一种方式是查找与目标坐标位置距离最近的坐标位置的对应坡度。假设数据节点301中的坐标1与目标坐标位置距离最近，则可以将对应的坡度1确定为所需的坡度。[0106]另一种方式是查找若干候选坐标位置并计算若干对应坡度的平均值。假设数据节点301中的坐标1、数据节点302中的坐标2以及数据节点303中的坐标3与目标坐标位置的距离在阈值范围以内，则可以计算对应的坡度1、坡度2和坡度3的平均值，并将该平均值确定为所需的坡度。[0107]通过以上方式，即使在仿真车辆的位置与真实车辆所经过的位置存在偏差的情况下，也能够实现道路坡度的复现。[0108]图4示出了根据本公开实施例的自动驾驶仿真系统400的示意图。[0109]如图4所示，自动驾驶仿真系统400可以包括仿真器410、道路坡度信息表412、动力学模块414以及决策规划控制(pnc)模块416。[0110]仿真器410可以是仿真系统400中用于执行仿真处理的主要部件。道路坡度信息表412可以是结合图2、图3所述的道路坡度信息表的实例。动力学模块414可以是在仿真系统400中对于仿真车辆的表示。pnc模块416可以控制动力学模块414以实现各种运动状态，由此实现对各种规划控制算法的验证。[0111]自动驾驶仿真系统400可以访问传感器数据库401以创建道路坡度信息表412。替代地，也可以由另外的处理设备或计算设备基于传感器数据库401中的数据而创建道路坡度信息表412，并将道路坡度信息表412提供给自动驾驶仿真系统400。传感器数据库401包括通过真实车辆的传感器所采集的关于位置和坡度的数据。[0112]在仿真过程中，仿真器410可以获取动力学模块414在行驶时的位置信息，并从道路坡度信息表412中获取与该位置信息相关联的坡度信息。仿真器410可以进一步基于该坡度信息使pnc模块416控制动力学模块414以改变车辆的运动状态，例如加速度，由此使坡度的变化在动力学模块414中生效。[0113]因此，借助于单独的道路坡度信息表412，自动驾驶仿真系统400能够不依赖于高精地图来复现道路坡度，由此降低了仿真的实施成本且提高了仿真效率。同时，由于道路坡度信息表412中的信息便于维护与更新，可以使得使得仿真过程更加贴近真实场景，由此提高了仿真的可靠性。[0114]根据本公开的实施例，还提供了一种自动驾驶仿真装置。[0115]图5示出了根据本公开一个实施例的自动驾驶仿真装置500的结构框图。[0116]如图5所示，自动驾驶仿真装置500包括位置获取模块502、坡度获取模块504和状态确定模块506。[0117]位置获取模块502被配置为获取模拟真实车辆的仿真车辆在仿真环境中行驶时的位置信息。[0118]坡度获取模块504被配置为从预先创建的道路坡度信息表中获取与位置信息相关联的坡度信息。道路坡度信息表是基于真实车辆在对应于仿真环境的真实环境中行驶时所获取的位置信息和坡度信息而预先创建的。[0119]状态确定模块506被配置为基于坡度信息确定仿真车辆在仿真环境中行驶时的运动状态。[0120]上述单元502至506所执行的操作可以与结合图2描述的步骤s202至s206相对应，因此这里不再过多赘述其各个方面的细节。[0121]图6示出了根据本公开一个实施例的自动驾驶仿真装置600的结构框图。[0122]如图6所示，自动驾驶仿真装置600包括位置获取模块602、坡度获取模块604和状态确定模块606。图6所示的模块602、604和606可以分别对应于图5所示的模块502、504和506。[0123]根据一些实施例，坡度获取模块604可以包括：第一位置查找模块6040，被配置为基于由位置信息表示的目标坐标位置，在道路坡度信息表中查找与目标坐标位置距离最近的候选坐标位置；以及第一坡度确定模块6042，被配置为将对应于候选坐标位置的候选坡度信息确定为与位置信息相关联的坡度信息。[0124]根据一些实施例，坡度获取模块604可以包括：第二位置查找模块6140，被配置为基于由位置信息表示的目标坐标位置，在道路坡度信息表中查找与目标坐标位置的距离在阈值范围以内的至少一个候选坐标位置；均值计算模块6142，被配置为基于与所述至少一个候选坐标位置对应的至少一个候选坡度信息计算坡度平均值；以及第二坡度确定模块6144，被配置为将坡度平均值确定为与位置信息相关联的坡度信息。[0125]由于模块6140、6142、6144可以是模块6040、6042的替代实施方式，因此在图6中以虚线框示出。[0126]根据一些实施例，道路坡度信息表可以以k维树数据结构表示，并且k维树数据结构中的数据节点将真实车辆所获取的位置信息和坡度信息以一一对应的关系存储。[0127]根据一些实施例，道路坡度信息表可以以动态方式维护以执行下列至少一项：在k维树数据结构中增加数据节点、在k维树数据结构中减少数据节点、更新数据节点所存储的位置信息和坡度信息。[0128]根据一些实施例，状态确定模块606可以包括：状态更新模块6060，被配置为应用坡度信息以获得仿真车辆的更新的加速度；以及滤波模块6062，被配置为基于根据速度和加速度的积分关系建立的卡尔曼滤波预测模型，对更新的加速度进行滤波。[0129]根据一些实施例，状态更新模块6060可以包括：状态推导模块6065，被配置为通过计算仿真车辆对道路地面的压力上的变化来推导更新的加速度。[0130]根据本公开实施例的自动驾驶仿真装置可以借助于单独的道路坡度信息表而在不依赖于高精地图的情况下实现道路坡度的复现。[0131]根据本公开的另一方面，还提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中存储器存储有能够被至少一个处理器执行的指令，指令被至少一个处理器执行，以使所述至少一个处理器能够执行根据本公开实施例所述的方法。[0132]根据本公开的另一方面，还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行根据本公开实施例所述的方法。[0133]根据本公开的另一方面，还提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现根据本公开实施例所述的方法。[0134]参考图7，现将描述可以作为本公开的服务器的电子设备700的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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/或者要求的本公开的实现。[0135]如图7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(rom)702中的计算机程序或者从存储单元708加载到随机访问存储器(ram)703中的计算机程序，来执行各种适当的动作和处理。在ram703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。[0136]电子设备700中的多个部件连接至i/o接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向电子设备700输入信息的任何类型的设备，输入单元706可以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和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙tm设备、802.11设备、wifi设备、wimax设备、蜂窝通信设备和/或类似物。[0137]计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如自动驾驶仿真方法。例如，在一些实施例中，自动驾驶仿真方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由rom 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到ram703并由计算单元701执行时，可以执行上文描述的自动驾驶仿真方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行自动驾驶仿真方法。[0138]本文中以上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、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、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。[0139]用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。[0140]在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。[0141]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。[0142]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。[0143]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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。[0144]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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。[0145]虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!