場景數據獲取方法、裝置、設備及存儲介質與流程
2024-04-13 19:20:05
1.本技術屬於自動駕駛技術領域，尤其涉及一種場景數據獲取方法、裝置、設備及存儲介質。
背景技術：
2.近年來，隨著自動車輛的數量不斷增加，導致的車輛事故也不斷增加；但是，由於事故數據較難獲得，自車車主或其它車主難以直觀地了解到事故的原因，也無法根據已經發生的事故學習如何規避風險，並導致了大量的事故數據浪費；因此，自車或其它車主在後續的駕駛過程中仍然無法對已經導致事故的事故場景進行規避，所以，往往會因為相同的原因，繼續產生多起交通事故。
技術實現要素：
3.本技術旨在至少在一定程度上解決相關技術中的技術問題之一。為此，本技術的一個目的在於提出一種場景數據獲取方法、裝置、設備及存儲介質。
4.為了解決上述技術問題，本技術的實施例提供如下技術方案：
5.一種場景數據獲取方法，包括：
6.基於目標行車記錄儀獲取原始視頻數據，對所述原始視頻數據進行車道線提取，獲得每個時刻的初始車道線，並基於每個所述初始車道線，獲得自車在每個時刻的第一位姿；
7.基於所述原始視頻數據，計算獲得所述自車在每個時刻的第二位姿；
8.基於所述自車在每個時刻的的第一位姿以及所述第二位姿，獲得所述自車在每個時刻的目標位姿；
9.基於所述原始視頻數據進行目標車輛識別，並計算獲得每個所述目標車輛在每個時刻的第三位姿；
10.基於每個時刻的所述初始車道線、自車的目標位姿以及每個所述目標車輛的所述第三位姿，獲得每個時刻的場景數據；其中，所述場景數據用於對與所述場景數據匹配的事故場景進行回放。
11.可選的，所述基於每個所述初始車道線，獲得自車在每個時刻的第一位姿，包括：
12.對每個時刻的所述初始車道線進行坐標轉換，獲得每個時刻的轉換車道線；
13.對每個時刻的所述轉換車道線進行俯視轉換，獲得俯視車道線；
14.基於所述俯視車道線以及所述初始車道線，計算獲得第一坐標轉換參數；
15.基於所述第一坐標轉換參數以及每個時刻的所述原始視頻數據，獲得所述自車在每個時刻的所述第一位姿。
16.可選的，所述基於所述原始視頻數據，計算獲得所述自車在每個時刻的第二位姿，包括：
17.vslam基於每個時刻的所述原始視頻數據，計算獲得所述自車在每個時刻的原始
位姿；
18.基於所述自車在每個時刻的所述原始位姿，計算獲得所述自車在每個時刻的所述第二位姿。
19.可選的，所述基於所述自車在每個時刻的的第一位姿以及所述第二位姿，獲得所述自車在每個時刻的目標位姿，包括：
20.基於所述俯視車道線以及所述vslam，獲得第二坐標轉換參數；
21.基於所述第二坐標轉換參數對每個時刻的所述第一位姿進行坐標轉換，獲得每個時刻的第一轉換位姿；
22.將每個時刻的所述第一轉換位姿與所述第二位姿進行匹配；
23.若所述第一轉換位姿與所述第二位姿匹配成功，則將所述第一轉換位姿，確定為所述自車的所述目標位姿；或，若所述第一轉換位姿與所述第二位姿匹配失敗，則將所述第二位姿，確定為所述自車的所述目標位姿。
24.可選的，所述基於所述原始視頻數據進行目標車輛識別，並計算獲得每個目標車輛的第三位姿，包括：
25.基於所述原始視頻數據進行目標車輛識別，獲得識別結果；其中，所述識別結果包括至少一個所述目標車輛；
26.基於跟蹤算法對每個所述目標車輛進行跟蹤，獲得每個所述目標車輛在每個時刻的所述第三位姿。
27.可選的，在基於所述原始視頻數據進行目標車輛識別，並計算獲得每個目標車輛的第三位姿之後，還包括：
28.基於所述目標車輛在第t個時刻的所述第三位姿以及所述目標車輛在第t+n個時刻的所述第三位姿，計算獲得目標車輛在n個時刻內的第一運行速度；其中，t、n為正整數；
29.根據所述目標車輛在n個時刻內的所述第一運行速度，計算獲得所述目標車輛在n個時刻內的每個時刻對應的第一運行加速度。
30.可選的，所述基於每個時刻的所述初始車道線、自車的目標位姿以及每個所述目標車輛的所述第三位姿，獲得每個時刻的場景數據，包括：
31.基於每個時刻的所述俯視車道線、所述自車的所述目標位姿以及每個所述目標車輛的所述第三位姿，獲得每個時刻的第一子場景數據；
32.基於每個時刻的每個所述目標車輛的所述第一運行速度、每個所述目標車輛的所述第一運行加速度、所述自車的第二運行加速度以及所述自車的第二運行速度，獲得每個時刻的第二子場景數據；
33.基於每個時刻的所述第一子場景數據以及第二子場景數據，獲得每個時刻的所述場景數據。
34.本技術的實施例還提供一種場景數據獲取裝置，包括：
35.第一獲得模塊，用於基於目標行車記錄儀獲取原始視頻數據，對所述原始視頻數據進行車道線提取，獲得每個時刻的初始車道線，並基於每個所述初始車道線，獲得自車在每個時刻的第一位姿；
36.計算模塊，用於基於所述原始視頻數據，計算獲得所述自車在每個時刻的第二位姿；
37.第二獲得模塊，用於基於所述自車在每個時刻的的第一位姿以及所述第二位姿，獲得所述自車在每個時刻的目標位姿；
38.識別模塊，用於基於所述原始視頻數據進行目標車輛識別，並計算獲得每個所述目標車輛在每個時刻的第三位姿；
39.模擬模塊，用於基於每個時刻的所述初始車道線、自車的目標位姿以及每個所述目標車輛的所述第三位姿，獲得每個時刻的場景數據；其中，所述場景數據用於對與所述場景數據匹配的事故場景進行回放。
40.本技術的實施例還提供一種電子設備，包括處理器、存儲器以及存儲在所述存儲器中且被配置為由所述處理器執行的電腦程式，所述處理器執行所述電腦程式時實現如上所述的方法。
41.本技術的實施例還提供一種計算機可讀存儲介質，所述計算機可讀存儲介質包括存儲的電腦程式，其中，在所述電腦程式運行時控制所述計算機可讀存儲介質所在設備執行如上所述的方法。
42.本技術的實施例，具有如下技術效果：
43.本技術的上述技術方案，1)實現了在獲得事故場景對應的原始視頻數據之後，通過不同的方式分別基於原始視頻數據對自車進行定位，其中，基於車道線對自車進行第一定位，獲得自車在每個時刻的第一位姿；基於vslam對自車進行第二定位，獲得自車在每個時刻的第二位姿；然後基於相同時刻的第二位姿對第一位姿進行修正，用於獲得自車在每個時刻的目標位姿；基於3d識別獲得每個目標車輛在每個時刻的第三位姿；此外，本技術的實施例，還獲得了自車以及每個目標車輛在每個時刻的動態參數，進而實現了精準獲得事故場景對應的場景數據，方法簡單，場景數據易於獲取，解決了相關技術中場景數據難於獲取的問題，大大提高了事故數據的利用率，也便於自動駕駛系統對事故場景進行學習。
44.2)可以實現獲得任何一個事故場景對應的場景數據，並在後續對獲得的任意一個事故場景對應的場景數據及進行模擬或回放，以便於測試自動駕駛系統在該事故場景中的表現或確定自動駕駛系統在該事故場景中是否會發生事故，進而實現降低自動駕駛系統發生事故的概率，最終提高自動駕駛系統的安全性。
45.本技術附加的方面和優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本技術的實踐了解到。
附圖說明
46.圖1是本技術實施例提供的一種場景數據獲取方法的流程示意圖；
47.圖2是本技術實施例提供的基於場景數據回放獲得的一個事故場景；
48.圖3是本技術實施例提供的一種場景數據獲取裝置的結構示意圖。
具體實施方式
49.下面詳細描述本技術的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，旨在用於解釋本技術，而不能理解為對本技術的限制。
50.為了便於本領域的技術人員對實施例的理解，對部分用語進行解釋：
51.(1)vslam：visual simultaneous localization and mapping，視覺導航繪圖系統。
52.(2)gps：global positioning system，全球定位系統。
53.(2)3d識別：3d behavior recognition，是基於黎曼幾何和深度圖像學習的人體行為識別技術。該技術可檢測出物體在空間坐標中的實際位置，同時，結合行為識別算法實現對目標行為的高精度快速識別捕捉。
54.(3)focs3d：一種採用直觀觸控螢幕控制的革命性、高性能三維雷射掃描器。
55.(4)centernet：一個anchor free模型，將對象bounding box的中心點進行建模,使用關鍵點估計來找到中心點，並回歸到所有其他對象屬性，例如大小，3d位置。
56.如圖1所示，本技術的實施例提供一種場景數據獲取方法，包括：
57.步驟s11：基於目標行車記錄儀獲取原始視頻數據，對所述原始視頻數據進行車道線提取，獲得每個時刻的初始車道線，並基於每個所述初始車道線，獲得自車在每個時刻的第一位姿；
58.本技術一可選的實施例，所述基於每個所述初始車道線，獲得自車在每個時刻的第一位姿，包括：
59.對每個時刻的所述初始車道線進行坐標轉換，獲得每個時刻的轉換車道線；
60.對每個時刻的所述轉換車道線進行俯視轉換，獲得俯視車道線；
61.基於所述俯視車道線以及所述初始車道線，計算獲得第一坐標轉換參數；
62.基於所述第一坐標轉換參數以及每個時刻的所述原始視頻數據，獲得所述自車在每個時刻的所述第一位姿。
63.本技術一可選的實施例，針對事故發生的時間t或者靠近事故發生的時間t，確定原始視頻數據的起始時間；其中，t＞0；
64.首先，預設原始視頻數據的長度(預設時間段)，進而確定原始視頻數據的終止時間；例如，1分鐘等，本技術的實施例不對此做具體的限定；
65.其中，對於原始視頻數據的來源，一部分車主會將行車記錄儀獲得的視頻上傳至服務端(例如：b站，youku，youtube，或者其它公開的數據集等)，因此，在獲得原始視頻數據時，可以從服務端進行下載；也即基於網絡獲得，對應的，將提供原始視頻數據的行車記錄儀確定為目標行車記錄儀；
66.進一步地，本技術的實施例還可以通過和公交車、計程車以及車友會等合作，獲得其它車主基於目標行車記錄儀提供的原始視頻數據。
67.進一步地，當通過和公交車、計程車以及車友會等合作，獲得原始視頻數據的時候，為了使得對自車以及目標車輛的定位更準確，還可以獲得對應時刻的gps數據。
68.本技術一可選的實施例，基於原始視頻數據，首先計算獲得自車在目標行車記錄儀對應的行車記錄儀坐標系下的位姿變化與定位；然後基於該目標行車記錄儀的行車記錄儀坐標系與自車行車記錄儀的行車記錄儀坐標系之間的坐標轉換外參，將在目標行車記錄儀的行車記錄儀坐標系下對應的位姿變化與定位轉換為自車的第一位姿；其中，坐標轉換外參可以根據實際需要進行預設或標註，或根據目標行車記錄儀與自車行車記錄儀的定位數據計算獲得；
69.進一步地，基於原始視頻數據，首先獲得在目標行車記錄儀的行車記錄儀坐標系
下的原始車道線；然後基於上述坐標轉換外參對原始車道線進行轉換，獲得在自車行車記錄儀的行車記錄儀坐標系下的初始車道線；其中，初始車道線還包括車道線的寬度等尺寸信息。
70.進一步地，為了便於確定在每個時刻，自車的第一位姿相對於初始車道線的位置，本技術的實施例，對每個時刻的初始車道線進行轉換，獲得俯視車道線，也即將在自車行車記錄儀的行車記錄儀坐標系下的初始車道線轉換為俯視格式的俯視車道線；然後將自車在每個時刻的第一位姿與相同時刻的俯視車道線進行匹配，確定每一時刻自車相對於俯視車道線的位置；例如，確定在每個時刻自車相對於俯視車道線邊緣的距離等。
71.需要說明的是，若未預設或標註坐標轉換外參，或者無法獲得坐標轉換外參，則可以根據自車的車輛類型進行預設。
72.本技術的實施例，實現了對事故場景對應的原始視頻數據的獲取，方法簡單，操作便捷。
73.步驟s12：基於所述原始視頻數據，計算獲得所述自車在每個時刻的第二位姿；
74.本技術一可選的實施例，所述基於所述原始視頻數據，計算獲得所述自車在每個時刻的第二位姿，包括：
75.vslam基於每個時刻的所述原始視頻數據，計算獲得所述自車在每個時刻的原始位姿；
76.基於所述自車在每個時刻的所述原始位姿，計算獲得所述自車在每個時刻的所述第二位姿。
77.具體的，基於vslam的坐標系一般是從原始視頻數據的第一幀圖像開始，基於每幀圖像獲得自車在每個時刻對應的第二位姿，然後通過把相鄰幀的軌跡點串接起來，就可以獲得自車的運動軌跡，進而實現了對自車的連續定位。
78.步驟s13：基於所述自車在每個時刻的的第一位姿以及所述第二位姿，獲得所述自車在每個時刻的目標位姿；
79.本技術一可選的實施例，所述基於所述自車在每個時刻的的第一位姿以及所述第二位姿，獲得所述自車在每個時刻的目標位姿，包括：
80.基於所述俯視車道線以及所述vslam，獲得第二坐標轉換參數；
81.基於所述第二坐標轉換參數對每個時刻的所述第一位姿進行坐標轉換，獲得每個時刻的第一轉換位姿；
82.將每個時刻的所述第一轉換位姿與所述第二位姿進行匹配；
83.若所述第一轉換位姿與所述第二位姿匹配成功，則將所述第一轉換位姿，確定為所述自車的所述目標位姿；或，若所述第一轉換位姿與所述第二位姿匹配失敗，則將所述第二位姿，確定為所述自車的所述目標位姿。
84.本技術的實施例涉及的第一位姿也對應自車行車記錄儀對應的行車記錄儀坐標系；而第二位姿是基於vslam獲得的，也即第二位姿對應自車的vslam的坐標系；為了對自車在同一時刻的第一位姿以及第二位姿進行比對，所以將第一位姿以及第二位姿統一到同一個坐標系(vslam的坐標系)下，然後進行比對；
85.具體的，由於俯視車道線是基於自車行車記錄儀下的行車記錄儀坐標系獲得的，為了獲得自車在每個時刻的第一位姿與第二位姿的匹配關係；獲得自車行車記錄儀的行車
記錄儀坐標系與vslam的坐標系之間的第二坐標轉換參數，並基於第二坐標轉換參數將俯視車道線轉換為在vslam的坐標系下的目標車道線，然後對獲得的每個時刻的目標車道線進行保存，作為每個時刻的場景數據對應的目標車道線。
86.此外，基於第二坐標轉換參數將自車在每個時刻的第一位姿轉換為第一轉換位姿，進而實現對第一轉換位姿與第二位姿在同一個坐標系(vslam的坐標系)下進行位置的匹配。
87.進一步地，在獲得第一位姿在vslam的坐標系下的第一轉換位姿之後：
88.將自車在每個時刻對應的第一轉換位姿以及第二位姿進行比對；
89.若自車在某個時刻對應的第一轉換位姿以及第二位姿無法匹配或者不一致，則將該時刻對應的第二位姿，確定為自車在該時刻的目標位姿；或，若自車在某個時刻對應的第一轉換位姿以及第二位姿可以匹配或者一致，則將該時刻對應的第一轉換位姿，確定為自車在該時刻的目標位姿。
90.本技術的實施例，基於vslam獲得的自車在每個時刻的第二位姿，對基於目標車道線進行定位獲得的自車在每個時刻的第一轉換位姿進行修正，實現了結合vslam以及車道線對自車進行精準定位，提高了定位的精度以及場景模擬的準確度，有利於自動駕駛系統對事故場景的精準測試與學習。
91.步驟s14：基於所述原始視頻數據進行目標車輛識別，並計算獲得每個所述目標車輛在每個時刻的第三位姿；
92.本技術一可選的實施例，所述基於所述原始視頻數據進行目標車輛識別，並計算獲得每個目標車輛的第三位姿，包括：
93.基於所述原始視頻數據進行目標車輛識別，獲得識別結果；其中，所述識別結果包括至少一個所述目標車輛；
94.基於跟蹤算法對每個所述目標車輛進行跟蹤，獲得每個所述目標車輛在每個時刻的所述第三位姿。
95.本技術的實施例，基於3d識別，對原始視頻數據中的每幀圖像進行識別，進而確定用於模擬每個事故場景的每個目標車輛，並獲得每個目標車輛在每個時刻的第三位姿；其中，3d識別可以基於focs3d或centernet等實現。
96.具體的，首先基於原始視頻數據對應的目標行車記錄儀的行車記錄儀坐標系，獲得每個目標車輛在每個時刻的位姿變化與定位；然後基於上述的坐標轉換外參，將每個目標車輛在每個時刻的位姿變化與定位轉換到自車行車記錄儀的行車記錄儀坐標系下，對應的，獲得每個目標車輛在每個時刻的第三位姿；
97.進一步地，對每個時刻的第三位姿基於跟蹤算法進行跟蹤，獲得每個時刻的下一個時刻對應的第三位姿，依次類推，可以獲得每個目標車輛在每幀圖像的軌跡點，也即每個時刻的坐標，將預設時間段內的多個軌跡點按照時序進行串聯，即可每個目標車輛在預設時間段內的的運行軌跡，進而實現了在預設時間段內對每個目標車輛進行連續定位。
98.進一步地，為了確定每個目標車輛在每個時刻相對於自車以及目標車道線的位置，則將每個目標車輛在每個時刻對應的第三位姿基於上述的第二坐標轉換參數，轉換到自車的vslam的坐標系下，並獲得每個目標車輛在每個時刻對應的第三轉換位姿。
99.本技術一可選的實施例，在實際進行目標車輛識別的過程中，可能會出現在原始
視頻數據中的其它車輛參與者，數量較多，有些其它車輛參與者對於事故沒有影響，因此，在進行目標車輛的識別時，可以根據其它車輛參與者與自車的相對位置，對原始視頻數據中實際存在的其它車輛參與者進行篩選，實現對不必要的數據的過濾，減少系統算力的浪費，並最終獲得至少一個目標車輛；其中，相對位置可以預設為距離自車100米等，本技術的實施例對此不作具體的限定，在實際篩選過程中，可以根據實際需要，進行篩選參數(例如：相對位置可以預設為距離自車100米)的預設。
100.本技術一可選的實施例，還可以基於3d識別，對原始視頻數據中的每幀圖像進行識別，進而獲得紅綠燈信息；具體的，紅綠燈信息包括但不限於紅綠燈的位置以及顏色等；
101.同理，基於上述的坐標系轉換方式，將紅綠燈信息也轉換至自車的vslam的坐標系下，並獲得目標紅綠燈信息。
102.本技術一可選的實施例，若基於3d識別，無法從原始視頻數據中識別獲得紅綠燈的信息，則可以通過對應時刻的gps數據從地圖中提取獲得。
103.本技術的實施例，通過對每個目標車輛進行識別，並獲得每個目標車輛的第三轉換位姿，然後將同一個時刻對應的每個目標車輛的第三轉換位姿、自車的目標位姿、目標車道線以及目標紅綠燈信息進行匹配，用於確定模擬在事故發生時間t或近事故發生的時間t，車道線、自車、目標車輛以及紅綠燈的狀態，實現了對每個時刻的事故場景的初步模擬。
104.本技術一可選的實施例，在基於所述原始視頻數據進行目標車輛識別，並計算獲得每個目標車輛的第三位姿之後，還包括：
105.基於所述目標車輛在第t個時刻的所述第三位姿以及所述目標車輛在第t+n個時刻的所述第三位姿，計算獲得目標車輛在n個時刻內的第一運行速度；其中，t、n為正整數；
106.根據所述目標車輛在n個時刻內的所述第一運行速度，計算獲得所述目標車輛在n個時刻內的每個時刻對應的第一運行加速度。
107.本技術一可選的實施例，為了對每個事故場景進行更精準地模擬或回放，不僅僅獲得每個目標車輛、自車以及紅綠燈在每個時刻相對於目標車道線的位置，還計算獲得了每個目標車輛、自車以及紅綠燈的動態參數，用於更精準地還原每個事故場景。
108.具體的，以每個目標車輛的第一運行速度的計算為例，可以根據幀間位置差和幀間對應的時間差，計算獲得每個目標車輛在每個時刻的第一運行速度；具體的，可以基於3d識別獲得每個目標車輛在每個時刻的坐標，基於兩個相鄰的時刻的坐標，可以計算獲得，對應的每個目標車輛的位置差，進一步地，還可以基於每個目標車輛對應的相鄰的幾幀圖像(也即預設時間段內)，計算獲得對應的每個目標車輛的位置差。
109.進一步地，由於僅僅根據幀間位置差以及幀間位置差對應的時間差，計算獲得的每個目標車輛在每個時刻對應的第一運行速度，誤差較大，因此，為了提高第一運行速度的計算結果的準確度，進行了劃窗優化；例如，可以取一段預設距離或者預設時間段(預設連續相鄰的多幀)，計算獲得每個目標車輛在每個時刻的第一運行速度，然後再進行微分，計算獲得每個目標車輛在每個時刻對應的第一運行加速度以及每個目標車輛的行為等；其中，對於每個目標車輛的行為，例如：目標車輛在某個時刻的行為是橫穿，則是根據對該目標車輛在該時刻的第三轉換位姿、第一運行速度等基礎的運行信息再次進行整理後，計算獲得，本技術的實施例對此計算過程不再進行具體的限定，可以結合實際需要，選擇合適的公式等方式計算獲得。
110.同理，可以基於上述方法，計算獲得自車在每個時刻的第二運行速度以及第二運行加速度，本技術的實施例對此不再贅述。
111.本技術的實施例，在實現了上述對每個時刻的事故場景的初步模擬之後，還進一步確定了自車、目標車輛以及紅綠燈的動態參數，例如：自車的第二運行速度以及第二運行加速度、目標車輛的第一運行速度以及第一運行加速度與紅綠燈的顏色。
112.本技術的實施例，實現了在獲得事故場景對應的原始視頻數據之後，通過不同的方式分別基於原始視頻數據對自車進行定位，其中，基於車道線對自車進行第一定位，獲得自車在每個時刻的第一位姿；基於vslam對自車進行第二定位，獲得自車在每個時刻的第二位姿；然後基於相同時刻的第二位姿對第一位姿進行修正，用於獲得自車在每個時刻的目標位姿；基於3d識別獲得每個目標車輛在每個時刻的第三位姿；此外，本技術的實施例，還獲得了自車以及每個目標車輛在每個時刻的動態參數，進而實現了精準獲得事故場景對應的場景數據，方法簡單，場景數據易於獲取，解決了相關技術中場景數據難於獲取的問題，大大提高了事故數據的利用率，也便於自動駕駛系統對事故場景進行學習。
113.步驟s15：基於每個時刻的所述初始車道線、自車的目標位姿以及每個所述目標車輛的所述第三位姿，獲得每個時刻的場景數據；其中，所述場景數據用於對與所述場景數據匹配的歷史場景進行回放。
114.本技術一可選的實施例，所述基於每個時刻的所述初始車道線、自車的目標位姿以及每個所述目標車輛的所述第三位姿，獲得每個時刻的場景數據，包括：
115.基於每個時刻的所述俯視車道線、所述自車的所述目標位姿以及每個所述目標車輛的所述第三位姿，獲得每個時刻的第一子場景數據；
116.基於每個時刻的每個所述目標車輛的所述第一運行速度、每個所述目標車輛的所述第一運行加速度、所述自車的第二運行加速度以及所述自車的第二運行速度，獲得每個時刻的第二子場景數據；
117.基於每個時刻的所述第一子場景數據以及第二子場景數據，獲得每個時刻的所述場景數據。
118.本技術的實施例，基於上述每個時刻的每個目標車輛的第一運行速度、第一運行加速度以及第三位姿、自車的第二運行速度、第二運行加速度以及第一轉換位姿與紅綠燈的位置以及顏色，獲得事故場景對應的每個時刻的場景數據，基於場景數據可以回歸出自車以及每個目標車輛在預設時間段內的每個時刻相對於目標車道線的位置等信息，並對回歸出的自車以及每個目標車輛在預設時間段每的每個時刻相對於目標車輛的位置等信息進行抽象並存儲，進而可以實現基於上述方法獲得任意一個事故場景對應的場景數據。
119.進一步地，本技術的實施例，在獲得事故場景對應的每個時刻的場景數據之後，將每個時刻的場景數據輸入至任意一個仿真器，用於對之前發生的事故對應的事故場景進行模擬或回放，用於對該事故場景進行測試和學習，以降低自動駕駛的事故發生的概率，並提高自動駕駛的安全性。
120.如圖2所示，為基於場景數據回放獲得的一個事故場景：
121.具體的，在寬度為xxx的目標車道線內，自車以xkm/h的第二運行速度勻速前進，前方55m處一小轎車尺寸xxx，第一運行速度xxx，第一運行加速度xxx橫穿，紅綠燈顏色為綠色。
122.本技術一可選的實施例，在獲得一個事故場景的場景數據之後，還可以對場景數據進行抽象，進而實現基於一種類似劇本的形式對該事故場景進行描述；
123.例如：可以基於如下方式對某個事故場景進行描述：
124.1)在寬度為xxx的目標車道線內，當自車以xkm/h的第二運行速度勻速前進，前方50m處一小轎車尺寸xxx，第一運行速度xxx，第一運行加速度xxx橫穿。
125.2)在寬度為xxx的目標車道線內，當自車以xkm/h的第二運行速度勻速前進，後方50m處一小轎車尺寸xxx，第一運行速度xxx，第一運行加速度xxx前進。
126.3)在寬度為xxx的目標車道線內，當自車以xkm/h的第二運行速度勻速前進，前方60m處一小轎車尺寸xxx，第二運行速度xxx，第二運行加速度xxx橫穿，紅綠燈的顏色為綠色。
127.4)在寬度為xxx的目標車道線內，當自車以xkm/h的第二速度，以ykm/h2的第二運行加速度，加速前進，前方80m處一小轎車尺寸xxx，第一運行速度xxx，第一運行加速度xxx橫穿，紅綠燈的顏色為綠色。
128.本技術的實施例，基於上述方法，可以實現獲得任何一個事故場景對應的場景數據，並在後續對獲得的任意一個事故場景對應的場景數據及進行模擬或回放，以便於測試自動駕駛系統在該事故場景中的表現或確定自動駕駛系統在該事故場景中是否會發生事故，進而實現降低自動駕駛系統發生事故的概率，最終提高自動駕駛系統的安全性。
129.如圖3所示，本技術的實施例還提供一種場景數據獲取裝置20，包括：
130.第一獲得模塊31，用於基於目標行車記錄儀獲取原始視頻數據，對所述原始視頻數據進行車道線提取，獲得每個時刻的初始車道線，並基於每個所述初始車道線，獲得自車在每個時刻的第一位姿；
131.計算模塊32，用於基於所述原始視頻數據，計算獲得所述自車在每個時刻的第二位姿；
132.第二獲得模塊33，用於基於所述自車在每個時刻的的第一位姿以及所述第二位姿，獲得所述自車在每個時刻的目標位姿；
133.識別模塊34，用於基於所述原始視頻數據進行目標車輛識別，並計算獲得每個所述目標車輛在每個時刻的第三位姿；
134.模擬模塊35，用於基於每個時刻的所述初始車道線、自車的目標位姿以及每個所述目標車輛的所述第三位姿，獲得每個時刻的場景數據；其中，所述場景數據用於對與所述場景數據匹配的事故場景進行回放。
135.可選的，所述基於每個所述初始車道線，獲得自車在每個時刻的第一位姿，包括：
136.對每個時刻的所述初始車道線進行坐標轉換，獲得每個時刻的轉換車道線；
137.對每個時刻的所述轉換車道線進行俯視轉換，獲得俯視車道線；
138.基於所述俯視車道線以及所述初始車道線，計算獲得第一坐標轉換參數；
139.基於所述第一坐標轉換參數以及每個時刻的所述原始視頻數據，獲得所述自車在每個時刻的所述第一位姿。
140.可選的，所述基於所述原始視頻數據，計算獲得所述自車在每個時刻的第二位姿，包括：
141.vslam基於每個時刻的所述原始視頻數據，計算獲得所述自車在每個時刻的原始
位姿；
142.基於所述自車在每個時刻的所述原始位姿，計算獲得所述自車在每個時刻的所述第二位姿。
143.可選的，所述基於所述自車在每個時刻的的第一位姿以及所述第二位姿，獲得所述自車在每個時刻的目標位姿，包括：
144.基於所述俯視車道線以及所述vslam，獲得第二坐標轉換參數；
145.基於所述第二坐標轉換參數對每個時刻的所述第一位姿進行坐標轉換，獲得每個時刻的第一轉換位姿；
146.將每個時刻的所述第一轉換位姿與所述第二位姿進行匹配；
147.若所述第一轉換位姿與所述第二位姿匹配成功，則將所述第一轉換位姿，確定為所述自車的所述目標位姿；或，若所述第一轉換位姿與所述第二位姿匹配失敗，則將所述第二位姿，確定為所述自車的所述目標位姿。
148.可選的，所述基於所述原始視頻數據進行目標車輛識別，並計算獲得每個目標車輛的第三位姿，包括：
149.基於所述原始視頻數據進行目標車輛識別，獲得識別結果；其中，所述識別結果包括至少一個所述目標車輛；
150.基於跟蹤算法對每個所述目標車輛進行跟蹤，獲得每個所述目標車輛在每個時刻的所述第三位姿。
151.可選的，在基於所述原始視頻數據進行目標車輛識別，並計算獲得每個目標車輛的第三位姿之後，還包括：
152.基於所述目標車輛在第t個時刻的所述第三位姿以及所述目標車輛在第t+n個時刻的所述第三位姿，計算獲得目標車輛在n個時刻內的第一運行速度；其中，t、n為正整數；
153.根據所述目標車輛在n個時刻內的所述第一運行速度，計算獲得所述目標車輛在n個時刻內的每個時刻對應的第一運行加速度。
154.可選的，所述基於每個時刻的所述初始車道線、自車的目標位姿以及每個所述目標車輛的所述第三位姿，獲得每個時刻的場景數據，包括：
155.基於每個時刻的所述俯視車道線、所述自車的所述目標位姿以及每個所述目標車輛的所述第三位姿，獲得每個時刻的第一子場景數據；
156.基於每個時刻的每個所述目標車輛的所述第一運行速度、每個所述目標車輛的所述第一運行加速度、所述自車的第二運行加速度以及所述自車的第二運行速度，獲得每個時刻的第二子場景數據；
157.基於每個時刻的所述第一子場景數據以及第二子場景數據，獲得每個時刻的所述場景數據。
158.本技術的實施例還提供一種電子設備，包括處理器、存儲器以及存儲在所述存儲器中且被配置為由所述處理器執行的電腦程式，所述處理器執行所述電腦程式時實現如上所述的方法。
159.本技術的實施例還提供一種計算機可讀存儲介質，所述計算機可讀存儲介質包括存儲的電腦程式，其中，在所述電腦程式運行時控制所述計算機可讀存儲介質所在設備執行如上所述的方法。
160.另外，本技術實施例的裝置的其他構成及作用對本領域的技術人員來說是已知的，為減少冗餘，此處不做贅述。
161.需要說明的是，在流程圖中表示或在此以其他方式描述的邏輯和/或步驟，例如，可以被認為是用於實現邏輯功能的可執行指令的定序列表，可以具體實現在任何計算機可讀介質中，以供指令執行系統、裝置或設備(如基於計算機的系統、包括處理器的系統或其他可以從指令執行系統、裝置或設備取指令並執行指令的系統)使用，或結合這些指令執行系統、裝置或設備而使用。就本說明書而言，"計算機可讀介質"可以是任何可以包含、存儲、通信、傳播或傳輸程序以供指令執行系統、裝置或設備或結合這些指令執行系統、裝置或設備而使用的裝置。計算機可讀介質的更具體的示例(非窮盡性列表)包括以下：具有一個或多個布線的電連接部(電子裝置)，可攜式計算機盤盒(磁裝置)，隨機存取存儲器(ram)，只讀存儲器(rom)，可擦除可編輯只讀存儲器(eprom或閃速存儲器)，光纖裝置，以及可攜式光碟只讀存儲器(cdrom)。另外，計算機可讀介質甚至可以是可在其上列印所述程序的紙或其他合適的介質，因為可以例如通過對紙或其他介質進行光學掃描，接著進行編輯、解譯或必要時以其他合適方式進行處理來以電子方式獲得所述程序，然後將其存儲在計算機存儲器中。
162.應當理解，本技術的各部分可以用硬體、軟體、固件或它們的組合來實現。在上述實施方式中，多個步驟或方法可以用存儲在存儲器中且由合適的指令執行系統執行的軟體或固件來實現。例如，如果用硬體來實現，和在另一實施方式中一樣，可用本領域公知的下列技術中的任一項或他們的組合來實現：具有用於對數據信號實現邏輯功能的邏輯門電路的離散邏輯電路，具有合適的組合邏輯門電路的專用集成電路，可編程門陣列(pga)，現場可編程門陣列(fpga)等。
163.在本說明書的描述中，參考術語「一個實施例」、「一些實施例」、「示例」、「具體示例」、或「一些示例」等的描述意指結合該實施例或示例描述的具體特徵、結構、材料或者特點包含於本技術的至少一個實施例或示例中。在本說明書中，對上述術語的示意性表述不一定指的是相同的實施例或示例。而且，描述的具體特徵、結構、材料或者特點可以在任何的一個或多個實施例或示例中以合適的方式結合。
164.在本技術的描述中，需要理解的是，術語「中心」、「縱向」、「橫向」、「長度」、「寬度」、「厚度」、「上」、「下」、「前」、「後」、「左」、「右」、「豎直」、「水平」、「頂」、「底」「內」、「外」、「順時針」、「逆時針」、「軸向」、「徑向」、「周向」等指示的方位或位置關係為基於附圖所示的方位或位置關係，僅是為了便於描述本技術和簡化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構造和操作，因此不能理解為對本技術的限制。
165.此外，術語「第一」、「第二」僅用於描述目的，而不能理解為指示或暗示相對重要性或者隱含指明所指示的技術特徵的數量。由此，限定有「第一」、「第二」的特徵可以明示或者隱含地包括至少一個該特徵。在本技術的描述中，「多個」的含義是至少兩個，例如兩個，三個等，除非另有明確具體的限定。
166.在本技術中，除非另有明確的規定和限定，術語「安裝」、「相連」、「連接」、「固定」等術語應做廣義理解，例如，可以是固定連接，也可以是可拆卸連接，或成一體；可以是機械連接，也可以是電連接；可以是直接相連，也可以通過中間媒介間接相連，可以是兩個元件內部的連通或兩個元件的相互作用關係，除非另有明確的限定。對於本領域的普通技術人員
而言，可以根據具體情況理解上述術語在本技術中的具體含義。
167.在本技術中，除非另有明確的規定和限定，第一特徵在第二特徵「上」或「下」可以是第一和第二特徵直接接觸，或第一和第二特徵通過中間媒介間接接觸。而且，第一特徵在第二特徵「之上」、「上方」和「上面」可是第一特徵在第二特徵正上方或斜上方，或僅僅表示第一特徵水平高度高於第二特徵。第一特徵在第二特徵「之下」、「下方」和「下面」可以是第一特徵在第二特徵正下方或斜下方，或僅僅表示第一特徵水平高度小於第二特徵。
168.儘管上面已經示出和描述了本技術的實施例，可以理解的是，上述實施例是示例性的，不能理解為對本技術的限制，本領域的普通技術人員在本技術的範圍內可以對上述實施例進行變化、修改、替換和變型。