康谋分享 | aiSim5仿真场景重建感知置信度评估（三）

2024/04/28   下载量： 0 次

方案摘要

方案下载
应用领域 汽车及零部件
检测样本 智能联网/自动驾驶
检测项目
参考标准 无

aiSim5能重建高精度的赛道、车库、高速公路等真实交通场景，用于测试和训练ADAS/AD系统。通过全局行动日志，能将驾驶数据转化为场景重建，车道线检测算法和多目标检测算法在仿真与现实世界的相关性测试中误差极为相近。

方案下载
配置单
方案详情

摘要：


aiSim5重建高精度的真实交通场景，用于测试和训练ADAS/AD系统。内置场景包括赛道、车库、高速公路和城市环境。通过全局行动日志，aiSim能将驾驶数据转化为场景重建。车道线检测算法在仿真与现实世界的相关性测试中误差相近，召回率均接近98.5%。多目标检测算法在仿真中的召回率为64.68%，与真实世界的68.8%相近。


一、具体应用

仿真场景重建，即在aiSim中重新模拟由装备了传感器的实际数采车辆记录的交通情况，重建原始交通状态、对象和事件，并能够自由的进行调整，可应用于：



1.jpg 2.jpg


二、内置场景


在aiSim中提供了多种高精内置场景：


1、赛道场景ZalaZone


ZalaZone是位于匈牙利的一个真实世界的测试赛道，在aiSim中，它是基于激光扫描、全景照片（360°）参考以及提供的参考3D模型（交通标志等）进行建模的。


3.jpg 4.jpg


2、车库场景


aiSim中停车场地图是根据平面图、现场测量和照片参考资料进行建模的。几何结构基于激光扫描和平面图数据构建。通过将真实世界的测量数据与仿真中的测量数据进行比较，可以验证aiSim中的人工照明部分。


5.jpg 6.jpg


3、高速公路场景


aiSim的高速公路地图大多是基于HD地图生成，并由3D建模工程师进行场景重建：




7.jpg 8.png


4、城市场景


Budapest_Urban是一个基于HD地图生成的城市场景，它代表了匈牙利首都布达佩斯的城市环境（1.8KM）。此场景中的建筑物是通过摄影测量学（photogrammetry）技术重建的，利用大量记录的图像来创建三维模型。建筑物模型的最大误差为50厘米。


9.jpg 10.jpg


三、全局行动日志


除了通过手动重建交通流以外，aiSim提供一种新的场景重建形式，即全局行动日志。


11.jpg


全局行动日志是包含了重建场景对象和其属性的JSON文件。每一条目都包含了对象的相关尺寸，位置等信息，aiSim将会将整个文件中的驾驶数据转化为重建场景。

 

四、置信度验证


在aiSim的仿真重建场景和真实场景中分别测试了车道线检测和多目标检测算法，以验证重建场景的置信度水平：


1、车道线检测算法相关性


在aiSim中重建M0匈牙利高速公路的数字孪生场景，并模拟与之相匹配的气候条件，验证车道检测算法在虚拟仿真与现实世界中的相关性。

从结果上可以可以看出检测算法在垂直方向上的测量误差的标准差（z erro std）：



12.jpg



召回率（Recall）指标：




2、多目标检测算法相关性分析



检测对象：Ego周围的车辆

传感器配置：5×Camera+2×Radar

召回率指标能：



召回率随着距离Ego远近变化而变化。在接近Ego的区域（例如0到30米），召回率较高，而在较远的区域（例如100米以上），召回率有所下降。






14.jpg



以上就是aiSim5仿真场景重建感知置信度评估的全部内容。




上一篇 康谋分享 | 在基于场景的AD/ADAS验证过程中，识别挑战性场景！
下一篇 康谋分享 | aiSim5基于生成式AI扩大仿真测试范围（终）

文献贡献者

广州虹科电子科技有限公司
银牌会员 丨 第4年
查看全部资料
相关仪器 更多
相关方案
更多

相关产品

当前位置： 虹科 方案 康谋分享 | aiSim5仿真场景重建感知置信度评估（三）

关注

拨打电话

留言咨询