CN116152637A - 自动驾驶感知模型的评测方法、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种自动驾驶感知模型的评测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法通过获取待评测数据，针对目标评测项目，确定与待评测数据对应的车辆的目标环境信息，并获取待评测感知模型对待评测数据进行感知处理后预测的车辆的预测环境信息，然后对车辆的预测环境信息和目标环境信息进行匹配处理，得到匹配结果，最后根据匹配结果确定待评测感知模型的评测结果。由于其在进行评测时，可以针对不同的目标评测项目，而确定与待评测数据对应的车辆的目标环境信息进行匹配，因此，可以适用于对各种评测项目的评测，相较于传统技术能够节省评测的开发成本。

Description

自动驾驶感知模型的评测方法、计算机设备和存储介质

技术领域

本申请涉及自动驾驶技术领域，特别是涉及一种自动驾驶感知模型的评测方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术

随着自动驾驶技术的发展，感知模型成为了自动驾驶汽车的核心技术之一，因此，对感知模型的评测显得至关重要。

传统技术中，在对感知模型进行评测时，针对不同的评测项目，例如算法评测、回归评测、版本对比评测、端云一致性评测和数据自洽性评测等，不同的感知模块需要分别开发多个脚本或评测程序进行相应的评测，且各脚本或程序不具备可复用性，导致评测投入的开发成本大。

发明内容

基于此，有必要针对上述评测投入的开发成本大的技术问题，提供一种能够节省评测开发成本的自动驾驶感知模型的评测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种自动驾驶感知模型的评测方法。所述方法包括：

获取待评测数据，所述待评测数据包括车辆行驶过程中采集的感知数据；

针对目标评测项目，确定与所述待评测数据对应的车辆的目标环境信息；

获取待评测感知模型对所述待评测数据进行感知处理后预测的车辆的预测环境信息；

对所述车辆的预测环境信息和目标环境信息进行匹配处理，得到匹配结果；

根据所述匹配结果确定所述待评测感知模型的评测结果。

在其中一个实施例中，所述获取待评测数据，包括：获取车辆行驶过程中连续采集的感知数据；根据设定时间间隔对所述感知数据进行切分，得到切分后的多个感知数据段；将所述多个感知数据段作为所述待评测数据。

在其中一个实施例中，所述感知数据段包括多个帧；所述得到切分后的多个感知数据段之后，所述方法还包括：识别所述感知数据段中每个帧的感知对象；根据每个帧的感知对象，确定相同感知对象在不同帧下的时序轨迹。

在其中一个实施例中，所述将所述多个感知数据段作为所述待评测数据，包括：根据所述感知数据的多个感知数据段、与每个所述感知数据段分别对应的多个帧、每个帧的感知对象以及相同感知对象在不同帧下的时序轨迹，建立所述感知数据的树形结构；将所述树形结构的感知数据作为所述待评测数据。

在其中一个实施例中，所述建立所述感知数据的树形结构之后，所述方法还包括：存储所述树形结构的感知数据。

在其中一个实施例中，所述获取待评测感知模型对所述待评测数据进行感知处理后预测的车辆的预测环境信息，包括：针对所述待评测数据中的每个感知数据段，将所述感知数据段输入所述待评测感知模型，得到所述待评测感知模型输出的针对每个所述感知数据段预测的车辆的预测环境信息。

在其中一个实施例中，所述对所述车辆的预测环境信息和目标环境信息进行匹配处理，得到匹配结果，包括：将针对每个所述感知数据段预测的车辆的预测环境信息分别与对应的目标环境信息进行匹配，得到针对每个所述感知数据段的匹配度；统计所述待评测数据中每个所述感知数据段的匹配度，得到针对所述待评测数据的匹配结果。

第二方面，本申请还提供了一种自动驾驶感知模型的评测装置。所述装置包括：

数据获取模块，用于获取待评测数据，所述待评测数据包括车辆行驶过程中采集的感知数据；

目标信息确定模块，用于针对目标评测项目，确定与所述待评测数据对应的车辆的目标环境信息；

预测信息获取模块，用于获取待评测感知模型对所述待评测数据进行感知处理后预测的车辆的预测环境信息；

匹配模块，用于对所述车辆的预测环境信息和目标环境信息进行匹配处理，得到匹配结果；

评测结果确定模块，用于根据所述匹配结果确定所述待评测感知模型的评测结果。

第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上第一方面所述方法的步骤。

第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面所述方法的步骤。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上第一方面所述方法的步骤。

上述自动驾驶感知模型的评测方法、装置、计算机设备、存储介质和计算机程序产品，通过获取待评测数据，针对目标评测项目，确定与待评测数据对应的车辆的目标环境信息，并获取待评测感知模型对待评测数据进行感知处理后预测的车辆的预测环境信息，然后对车辆的预测环境信息和目标环境信息进行匹配处理，得到匹配结果，最后根据匹配结果确定待评测感知模型的评测结果。由于其在进行评测时，可以针对不同的目标评测项目，而确定与待评测数据对应的车辆的目标环境信息进行匹配，因此，可以适用于对各种评测项目的评测，相较于传统技术能够节省评测的开发成本。

附图说明

图1为一个实施例中自动驾驶感知模型的评测方法的流程示意图；

图2为一个实施例中获取感知数据步骤的流程示意图；

图3为一个实施例中感知数据预处理步骤的流程示意图；

图4为另一个实施例中感知数据预处理步骤的流程示意图；

图5为一个实施例中感知数据的树形结构示意图；

图6为一个实施例中匹配处理步骤的流程示意图；

图7为一个实施例中自动驾驶感知模型的评测装置的结构框图；

图8为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，如图1所示，提供了一种自动驾驶感知模型的评测方法，本实施例以该方法应用于计算机设备为例进行说明，具体可以包括以下步骤：

步骤102，获取待评测数据。

其中，待评测数据包括车辆行驶过程中采集的感知数据。具体地，感知数据包括但不限于车辆历史行驶过程中录制的传感器数据、图像数据等。

感知模型则是车辆自动驾驶过程中用于识别感知对象的位置、大小、类别以及速度等信息的网络学习模型。在本实施例中，当需要对感知模型进行评测时，则计算机设备首先需要获取待评测数据。

步骤104，针对目标评测项目，确定与待评测数据对应的车辆的目标环境信息。

其中，目标评测项目可以是当前需要对感知模型进行评测的测试项目，包括但不限于对感知模型的算法评测、回归评测、版本对比评测、端云一致性评测和数据自洽性评测等。目标环境信息则是与目标评测项目以及待评测数据对应的用于对感知模型进行评测的真值数据。例如，若目标评测项目为对感知模型的算法评测，则目标环境信息可以是基于待评测数据标注的感知对象的位置、大小、类别以及速度等标签信息；若目标评测项目为对感知模型的版本对比评测，则目标环境信息可以是基于需要对比的版本的感知模型，对待评测数据进行感知处理后输出的车辆所在环境中感知对象的位置、大小、类别以及速度等信息。因此，针对不同的目标评测项目，待评测数据对应的车辆的目标环境信息也不同。

在本实施例中，计算机设备可以针对目标评测项目，确定与待评测数据对应的车辆的目标环境信息。

步骤106，获取待评测感知模型对待评测数据进行感知处理后预测的车辆的预测环境信息。

其中，待评测感知模型则可以是当前需要进行评测的感知模型。预测环境信息可以是待评测感知模型，对待评测数据进行感知处理后输出的车辆所在环境的相关信息，包括但不限于识别的车辆所在环境中感知对象的位置、大小、类别以及速度等预测信息。具体地，计算机设备可以获取待评测感知模型对待评测数据进行感知处理后预测的车辆的预测环境信息。

步骤108，对车辆的预测环境信息和目标环境信息进行匹配处理，得到匹配结果。

其中，匹配处理可以是对车辆的预测环境信息和目标环境信息中的各指标进行比对的处理，匹配结果则可以是比对处理后确定的是否匹配的结果。具体地，各指标则可以是对应的感知对象以及各感知对象的位置、大小、类别以及速度等指标。

在本实施例中，计算机设备通过对车辆的预测环境信息和目标环境信息进行匹配处理，从而得到对应的匹配结果。

步骤110，根据匹配结果确定待评测感知模型的评测结果。

其中，评测结果是指对待评测感知模型进行评测后，输出的用于表征该待评测感知模型性能的结果，例如，包括但不限于准确率、召回率、误差分布等。具体地，计算机设备可以根据上述得到的匹配结果而确定该待评测感知模型的评测结果。

上述自动驾驶感知模型的评测方法中，通过获取待评测数据，针对目标评测项目，确定与待评测数据对应的车辆的目标环境信息，并获取待评测感知模型对待评测数据进行感知处理后预测的车辆的预测环境信息，然后对车辆的预测环境信息和目标环境信息进行匹配处理，得到匹配结果，最后根据匹配结果确定待评测感知模型的评测结果。由于其在进行评测时，可以针对不同的目标评测项目，而确定与待评测数据对应的车辆的目标环境信息进行匹配，因此，可以适用于对各种评测项目的评测，相较于传统技术能够节省评测的开发成本。

在一个实施例中，如图2所示，在步骤102中，获取待评测数据，具体可以包括：

步骤202，获取车辆行驶过程中连续采集的感知数据。

由于感知数据是车辆历史行驶过程中录制的传感器数据、图像数据等，其通常为连续采集的数据，具有数据量大的特点。

步骤204，根据设定时间间隔对感知数据进行切分，得到切分后的多个感知数据段。

其中，设定时间间隔可以是预先设定的对感知数据进行切分的时间间隔，例如，可以是5分钟、3分钟等，即每间隔5分钟或3分钟对感知数据进行一次切分，从而得到切分后的多个感知数据段。由于感知数据为连续采集，其数据量较大，处理时需要花费较长时间。在本实施例中，计算机设备可以根据设定时间间隔对感知数据进行切分，从而得到切分后的多个感知数据段，进而可以根据多个感知数据段进行并行评测，以提高评测效率。

步骤206，将多个感知数据段作为待评测数据。

具体地，计算机设备可以将上述切分后的多个感知数据段作为待评测数据，也即待评测数据是包括多个感知数据段的。

上述实施例中，计算机设备通过获取车辆行驶过程中连续采集的感知数据，并根据设定时间间隔对感知数据进行切分，得到切分后的多个感知数据段，将多个感知数据段作为待评测数据，从而可以进行并行评测，因此能够提高评测效率。

在一个实施例中，每个感知数据段可以包括多个帧。则如图3所示，在步骤204中，得到切分后的多个感知数据段之后，上述方法还可以包括：

步骤302，识别感知数据段中每个帧的感知对象。

其中，感知对象可以是帧中的所有对象，例如，可以是行人、车辆、障碍物、红绿灯等。在本实施例中，计算机设备可以识别感知数据段中每个帧的感知对象。

步骤304，根据每个帧的感知对象，确定相同感知对象在不同帧下的时序轨迹。

由于感知数据段是基于一定的时间间隔对连续采集的感知数据进行切分后得到的，因此，每个感知数据段中的多个帧具有一定的时序连续性。又由于上述步骤中已经识别到感知数据段中每个帧的感知对象，因此，基于感知数据段中多个帧的时序连续性，以及每个帧的感知对象，可以确定相同感知对象在不同帧下的时序轨迹。

在本实施例中，计算机设备通过识别感知数据段中每个帧的感知对象，并根据每个帧的感知对象，确定相同感知对象在不同帧下的时序轨迹，进而进行评测，能够提高评测效率。

在一个实施例中，如图4所示，在步骤206中，将多个感知数据段作为待评测数据，具体可以包括：

步骤402，根据感知数据的多个感知数据段、与每个感知数据段分别对应的多个帧、每个帧的感知对象以及相同感知对象在不同帧下的时序轨迹，建立感知数据的树形结构。

其中，树形结构可以表征层次关系，各数据元素之间存在着“一对多”的树形关系，是一类重要的非线性数据结构。在树形结构中，树根结点没有前驱结点，其余每个结点有且只有一个前驱结点。叶子结点没有后续结点，其余每个结点的后续节点数可以是一个也可以是多个。在本实施例中，以感知数据为树根节点建立的树形结构如图5所示，在如图5所示的树形结构中，感知数据Dataset为树根节点，感知数据段Clip则为感知数据Dataset的子结点，帧Frame则为感知数据段Clip的子结点，感知对象Object则为帧Frame的子结点，同时也为树的叶子结点。具体地，感知数据Dataset可以包括多个感知数据段Clip，每个感知数据段Clip分别对应多个帧Frame，而每个帧中又可以包括多个感知对象Object。因此，还可以确定感知数据段Clip中相同感知对象Object在不同帧下的时序轨迹Trajectory。以此形成通用的数据结构，即感知数据的树形结构，从而可以通用于各种评测项目，为感知模型进行评测。

步骤404，将树形结构的感知数据作为待评测数据。

具体地，计算机设备通过将上述建立的树形结构的感知数据作为待评测数据，从而可以通用于各种评测项目，为感知模型进行各种评测项目的评测。

在一个实施例中，在步骤402中，建立感知数据的树形结构之后，上述方法还可以包括：存储树形结构的感知数据。在本实施例中，通过存储树形结构的感知数据，从而可以复用于其他评测项目中对感知模型的评测，不仅可以实现数据的通用性，还能够提高其他评测项目中对感知模型的评测效率。

在一个实施例中，在步骤106中，获取待评测感知模型对待评测数据进行感知处理后预测的车辆的预测环境信息，具体还可以包括：针对待评测数据中的每个感知数据段，将感知数据段输入待评测感知模型，得到待评测感知模型输出的针对每个感知数据段预测的车辆的预测环境信息。即通过待评测感知模型对待评测数据中的每个感知数据段进行感知处理，从而得到基于感知数据段预测的车辆的预测环境信息。

在一种场景下，由于针对不同的评测项目，待评测数据还具有相应的目标环境信息，又由于待评测数据中包括多个感知数据段，因此，针对不同的评测项目，还具有与待评测数据中每个感知数据段分别对应的目标环境信息，从而便于后续的匹配处理。

在一个实施例中，如图6所示，在步骤108中，对车辆的预测环境信息和目标环境信息进行匹配处理，得到匹配结果，具体还可以包括如下步骤：

步骤602，将针对每个感知数据段预测的车辆的预测环境信息分别与对应的目标环境信息进行匹配，得到针对每个感知数据段的匹配度。

其中，匹配度可以是针对每个感知数据段预测的车辆的预测环境信息与对应的目标环境信息之间的契合程度。

具体地，若待评测模型针对某个感知数据段预测的车辆的预测环境信息包括预测的感知对象A，以及该感知对象A的位置AP、大小AS、类别AK和速度AV。若目标评测项目为对待评测感知模型的算法评测，则该感知数据段对应的目标环境信息为标注的标注感知对象的位置、大小、类别以及速度等标签信息，若本实施例中，标注的感知对象B的位置为BP、大小为BS、类别为BK以及速度为BV。则针对每个感知数据段预测的车辆的预测环境信息分别与对应的目标环境信息进行匹配，具体可以是对预测的感知对象A和标注的感知对象B进行匹配，例如，可以计算感知对象A与感知对象B之间的对象相似度AB，确定类别AK与BK之间的类别相似度ABK，确定位置AP与BP之间的位置契合度ABP，确定大小AS与BS之间的大小契合度ABS，以及确定速度AV与BV之间的速度契合度ABV，并根据各指标的权重进行加权处理，从而得到针对感知数据段的匹配度。例如，若对象相似度AB的权重为l，类别相似度ABK的权重为m，位置契合度ABP的权重为n，大小契合度ABS的权重为r，速度契合度ABV的权重为o，则感知数据段的匹配度F＝AB×l+ABK×m+ABP×n+ABS×r+ABV×o。其中l、m、n、r以及o的和为1。

可以理解的是，针对不同的评测项目，其对应的匹配方式可能存在不同，本实施例并不对此进行限定。

步骤604，统计待评测数据中每个感知数据段的匹配度，得到针对待评测数据的匹配结果。

具体地，通过对待评测数据中每个感知数据段的匹配度进行分布式统计，从而得到待评测数据的匹配结果。进而可以根据匹配结果确定待评测感知模型的评测结果，以实现对感知模型的通用评测。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的自动驾驶感知模型的评测方法的评测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个自动驾驶感知模型的评测装置实施例中的具体限定可以参见上文中对于自动驾驶感知模型的评测方法的限定，在此不再赘述。

在一个实施例中，如图7所示，提供了一种自动驾驶感知模型的评测装置，包括：数据获取模块702、目标信息确定模块704、预测信息获取模块706、匹配模块708和评测结果确定模块710，其中：

数据获取模块702，用于获取待评测数据，所述待评测数据包括车辆行驶过程中采集的感知数据；

目标信息确定模块704，用于针对目标评测项目，确定与所述待评测数据对应的车辆的目标环境信息；

预测信息获取模块706，用于获取待评测感知模型对所述待评测数据进行感知处理后预测的车辆的预测环境信息；

匹配模块708，用于对所述车辆的预测环境信息和目标环境信息进行匹配处理，得到匹配结果；

评测结果确定模块710，用于根据所述匹配结果确定所述待评测感知模型的评测结果。

在一个实施例中，所述数据获取模块还用于：获取车辆行驶过程中连续采集的感知数据；根据设定时间间隔对所述感知数据进行切分，得到切分后的多个感知数据段；将所述多个感知数据段作为所述待评测数据。

在一个实施例中，所述感知数据段包括多个帧；所述数据获取模块还用于：识别所述感知数据段中每个帧的感知对象；根据每个帧的感知对象，确定相同感知对象在不同帧下的时序轨迹。

在一个实施例中，所述数据获取模块还用于：根据所述感知数据的多个感知数据段、与每个所述感知数据段分别对应的多个帧、每个帧的感知对象以及相同感知对象在不同帧下的时序轨迹，建立所述感知数据的树形结构；将所述树形结构的感知数据作为所述待评测数据。

在一个实施例中，所述装置还包括存储模块，用于存储所述树形结构的感知数据。

在一个实施例中，所述预测信息获取模块还用于：针对所述待评测数据中的每个感知数据段，将所述感知数据段输入所述待评测感知模型，得到所述待评测感知模型输出的针对每个所述感知数据段预测的车辆的预测环境信息。

在一个实施例中，所述匹配模块还用于：将针对每个所述感知数据段预测的车辆的预测环境信息分别与对应的目标环境信息进行匹配，得到针对每个所述感知数据段的匹配度；统计所述待评测数据中每个所述感知数据段的匹配度，得到针对所述待评测数据的匹配结果。

上述自动驾驶感知模型的评测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种自动驾驶感知模型的评测方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取待评测数据，所述待评测数据包括车辆行驶过程中采集的感知数据；

针对目标评测项目，确定与所述待评测数据对应的车辆的目标环境信息；

获取待评测感知模型对所述待评测数据进行感知处理后预测的车辆的预测环境信息；

对所述车辆的预测环境信息和目标环境信息进行匹配处理，得到匹配结果；

根据所述匹配结果确定所述待评测感知模型的评测结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取车辆行驶过程中连续采集的感知数据；根据设定时间间隔对所述感知数据进行切分，得到切分后的多个感知数据段；将所述多个感知数据段作为所述待评测数据。

在一个实施例中，所述感知数据段包括多个帧；处理器执行计算机程序时还实现以下步骤：识别所述感知数据段中每个帧的感知对象；根据每个帧的感知对象，确定相同感知对象在不同帧下的时序轨迹。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据所述感知数据的多个感知数据段、与每个所述感知数据段分别对应的多个帧、每个帧的感知对象以及相同感知对象在不同帧下的时序轨迹，建立所述感知数据的树形结构；将所述树形结构的感知数据作为所述待评测数据。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：存储所述树形结构的感知数据。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：针对所述待评测数据中的每个感知数据段，将所述感知数据段输入所述待评测感知模型，得到所述待评测感知模型输出的针对每个所述感知数据段预测的车辆的预测环境信息。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将针对每个所述感知数据段预测的车辆的预测环境信息分别与对应的目标环境信息进行匹配，得到针对每个所述感知数据段的匹配度；统计所述待评测数据中每个所述感知数据段的匹配度，得到针对所述待评测数据的匹配结果。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取待评测数据，所述待评测数据包括车辆行驶过程中采集的感知数据；

针对目标评测项目，确定与所述待评测数据对应的车辆的目标环境信息；

获取待评测感知模型对所述待评测数据进行感知处理后预测的车辆的预测环境信息；

对所述车辆的预测环境信息和目标环境信息进行匹配处理，得到匹配结果；

根据所述匹配结果确定所述待评测感知模型的评测结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取车辆行驶过程中连续采集的感知数据；根据设定时间间隔对所述感知数据进行切分，得到切分后的多个感知数据段；将所述多个感知数据段作为所述待评测数据。

在一个实施例中，所述感知数据段包括多个帧；计算机程序被处理器执行时还实现以下步骤：识别所述感知数据段中每个帧的感知对象；根据每个帧的感知对象，确定相同感知对象在不同帧下的时序轨迹。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据所述感知数据的多个感知数据段、与每个所述感知数据段分别对应的多个帧、每个帧的感知对象以及相同感知对象在不同帧下的时序轨迹，建立所述感知数据的树形结构；将所述树形结构的感知数据作为所述待评测数据。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：存储所述树形结构的感知数据。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：针对所述待评测数据中的每个感知数据段，将所述感知数据段输入所述待评测感知模型，得到所述待评测感知模型输出的针对每个所述感知数据段预测的车辆的预测环境信息。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将针对每个所述感知数据段预测的车辆的预测环境信息分别与对应的目标环境信息进行匹配，得到针对每个所述感知数据段的匹配度；统计所述待评测数据中每个所述感知数据段的匹配度，得到针对所述待评测数据的匹配结果。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

获取待评测数据，所述待评测数据包括车辆行驶过程中采集的感知数据；

针对目标评测项目，确定与所述待评测数据对应的车辆的目标环境信息；

获取待评测感知模型对所述待评测数据进行感知处理后预测的车辆的预测环境信息；

对所述车辆的预测环境信息和目标环境信息进行匹配处理，得到匹配结果；

根据所述匹配结果确定所述待评测感知模型的评测结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取车辆行驶过程中连续采集的感知数据；根据设定时间间隔对所述感知数据进行切分，得到切分后的多个感知数据段；将所述多个感知数据段作为所述待评测数据。

在一个实施例中，所述感知数据段包括多个帧；计算机程序被处理器执行时还实现以下步骤：识别所述感知数据段中每个帧的感知对象；根据每个帧的感知对象，确定相同感知对象在不同帧下的时序轨迹。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据所述感知数据的多个感知数据段、与每个所述感知数据段分别对应的多个帧、每个帧的感知对象以及相同感知对象在不同帧下的时序轨迹，建立所述感知数据的树形结构；将所述树形结构的感知数据作为所述待评测数据。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：存储所述树形结构的感知数据。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：针对所述待评测数据中的每个感知数据段，将所述感知数据段输入所述待评测感知模型，得到所述待评测感知模型输出的针对每个所述感知数据段预测的车辆的预测环境信息。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将针对每个所述感知数据段预测的车辆的预测环境信息分别与对应的目标环境信息进行匹配，得到针对每个所述感知数据段的匹配度；统计所述待评测数据中每个所述感知数据段的匹配度，得到针对所述待评测数据的匹配结果。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种自动驾驶感知模型的评测方法，其特征在于，所述方法包括：

获取待评测数据，所述待评测数据包括车辆行驶过程中采集的感知数据；

针对目标评测项目，确定与所述待评测数据对应的车辆的目标环境信息；

获取待评测感知模型对所述待评测数据进行感知处理后预测的车辆的预测环境信息；

对所述车辆的预测环境信息和目标环境信息进行匹配处理，得到匹配结果；

根据所述匹配结果确定所述待评测感知模型的评测结果。

2.根据权利要求1所述的方法，其特征在于，所述获取待评测数据，包括：

获取车辆行驶过程中连续采集的感知数据；

根据设定时间间隔对所述感知数据进行切分，得到切分后的多个感知数据段；

将所述多个感知数据段作为所述待评测数据。

3.根据权利要求2所述的方法，其特征在于，所述感知数据段包括多个帧；所述得到切分后的多个感知数据段之后，所述方法还包括：

识别所述感知数据段中每个帧的感知对象；

根据每个帧的感知对象，确定相同感知对象在不同帧下的时序轨迹。

4.根据权利要求3所述的方法，其特征在于，所述将所述多个感知数据段作为所述待评测数据，包括：

根据所述感知数据的多个感知数据段、与每个所述感知数据段分别对应的多个帧、每个帧的感知对象以及相同感知对象在不同帧下的时序轨迹，建立所述感知数据的树形结构；

将所述树形结构的感知数据作为所述待评测数据。

5.根据权利要求4所述的方法，其特征在于，所述建立所述感知数据的树形结构之后，所述方法还包括：

存储所述树形结构的感知数据。

6.根据权利要求2至5任一项所述的方法，其特征在于，所述获取待评测感知模型对所述待评测数据进行感知处理后预测的车辆的预测环境信息，包括：

针对所述待评测数据中的每个感知数据段，将所述感知数据段输入所述待评测感知模型，得到所述待评测感知模型输出的针对每个所述感知数据段预测的车辆的预测环境信息。

7.根据权利要求6所述的方法，其特征在于，所述对所述车辆的预测环境信息和目标环境信息进行匹配处理，得到匹配结果，包括：

将针对每个所述感知数据段预测的车辆的预测环境信息分别与对应的目标环境信息进行匹配，得到针对每个所述感知数据段的匹配度；

统计所述待评测数据中每个所述感知数据段的匹配度，得到针对所述待评测数据的匹配结果。

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。

9.一种计算机可读存储介质，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执行时实现权利要求1至7中任一项所述的方法的步骤。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

Images