场景生成方法、装置及终端设备与流程

1.本发明属于自动驾驶技术领域，更具体地说，是涉及一种场景生成方法、装置及终端设备。


背景技术：

2.在自动驾驶领域，感知/预测算法训练时所采用的训练数据的最佳来源为真实传感器，然而真实传感器采集数据时对应的场景有时无法有效支撑感知/预测算法的训练。比如，如图4所示，预测算法想要测试前方左侧一个车并线，同时右前方突然有一个车也突然并线的场景，但所有真实传感器采集的道路数据都没有这个场景，只有如图5所示的左侧车辆并入的场景，此时，如何实现获取更多场景以支持感知/预测算法的训练成为本领域亟需解决的问题。
3.现有技术中多采用以下两种方案：
4.第一，直接由仿真软件生成需要的场景。
5.第二，再去实际道路或者测试场采集对应的场景数据。
6.然而，第一种方案如果感知/预测算法在环又无法做到和实际传感器采集的原始数据一致，对感知算法的实际应用会造成影响。第二种方案耗时耗力，不利于快速开发的需求。


技术实现要素：

7.本发明的目的在于提供一种场景生成方法、装置及终端设备，以克服现有技术的问题，快速、真实地实现自动驾驶场景的复现。
8.本发明实施例的第一方面，提供了一种场景生成方法，包括：
9.获取真实的自动驾驶场景数据；
10.对所述真实的自动驾驶场景数据进行图像识别，并将图像识别得到的场景转换为预设语义格式，得到所述预设语义格式的第一场景文件；
11.获取需添加的运动物体的运动状态，并将所述运动状态以所述预设语义格式添加到所述第一场景文件中，得到所述预设语义格式的第二场景文件；
12.将所述第二场景文件输入至预设的仿真软件中进行场景生成。
13.在一种可能的实现方式中，在将所述运动状态以所述预设语义格式添加到所述第一场景文件中之后，所述场景生成方法还包括：
14.获取需添加的运动物体的模型引用路径，将所述模型引用路径以所述预设语义格式添加到所述第一场景文件中；
15.所述模型引用路径用于供所述仿真软件调用所述运动物体对应的模型。
16.在一种可能的实现方式中，在将所述模型引用路径以所述预设语义格式添加到所述第一场景文件中之前，所述场景生成方法还包括：确定所述运动物体的模型引用路径；
17.所述确定所述运动物体的模型引用路径包括：
18.获取所述运动物体的属性特征；
19.根据所述属性特征从预设图片数据库中选择对应的运动物体图像并将所述运动物体图像调整到对应比例；
20.根据比例调整后的运动物体图像从预设模型库中选择对应的运动物体模型，将所述运动物体模型的存储路径作为所述运动物体的模型引用路径。
21.在一种可能的实现方式中，所述根据所述属性特征从预设图片数据库中选择对应的运动物体图像并将所述运动物体图像调整到对应比例，包括：
22.根据所述属性特征、以及预设的映射模型从预设图片数据库中选择对应的运动物体图像并将所述运动物体图像调整到对应比例；
23.其中，所述映射模型用以描述运动物体的属性特征、运动物体图像、运动物体图像比例之间的映射关系。
24.在一种可能的实现方式中，所述映射模型为深度学习模型。
25.在一种可能的实现方式中，所述运动物体的属性特征包括运动物体的外型特征、运动物体的类型。
26.在一种可能的实现方式中，所述预设语义格式为openscenario格式。
27.本发明实施例的第二方面，提供了一种场景生成装置，包括：
28.数据获取模块，用于获取真实的自动驾驶场景数据；
29.识别转换模块，用于对所述真实的自动驾驶场景数据进行图像识别，并将图像识别得到的场景转换为预设语义格式，得到所述预设语义格式的第一场景文件；
30.物体添加模块，用于获取需添加的运动物体的运动状态，并将所述运动状态以所述预设语义格式添加到所述第一场景文件中，得到所述预设语义格式的第二场景文件；
31.场景生成模块，用于将所述第二场景文件输入至预设的仿真软件中进行场景生成。
32.本发明实施例的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的场景生成方法的步骤。
33.本发明实施例的第四方面，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存储有计算机程序，所述计算机程序被处理器执行时实现上述的场景生成方法的步骤。
34.本发明实施例提供的场景生成方法、装置及终端设备的有益效果在于：
35.区别于现有技术的方案，本发明首先获取真实的自动驾驶场景数据进行图像识别，将真实的自动驾驶场景数据转换为预设语义格式的场景文件。当需要新场景时，可将新场景中需要添加的运动物体的运动状态添加到真实自动驾驶场景对应的场景文件中去，得到新场景对应的场景文件，通过将新场景对应的场景文件输入至仿真软件中实现新场景的生成。基于本发明的方案，可以大幅度减少去实际道路或者测试场采集数据的次数，提高开发效率。在此基础上，由于本发明是基于真实场景进行场景生成的，相对于直接由仿真软件生成需要的场景，本发明可更好地支持后续感知/预测算法的训练。综合上述，相对于现有技术，本发明提供的场景生成方法、装置及终端设备能够更快速地还原自动驾驶场景，更好地支持后续感知/预测算法的训练。
附图说明
36.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
37.图1为本发明一实施例提供的场景生成方法的流程示意图；
38.图2为本发明一实施例提供的场景生成装置的结构框图；
39.图3为本发明一实施例提供的终端设备的示意框图；
40.图4为本发明背景技术提供的一自动驾驶场景示意图；
41.图5为本发明背景技术提供的另一自动驾驶场景示意图。
具体实施方式
42.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
43.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
44.请参考图1，图1为本发明一实施例提供的场景生成方法的流程示意图，该方法包括：
45.s101：获取真实的自动驾驶场景数据。
46.在本实施例中，可预先存储由真实传感器采集得到的自动驾驶场景数据，在需要时直接从数据库中获取需要的自动驾驶场景数据。其中，自动驾驶场景数据可以为视频数据，也可以为预先截取的多帧图像数据，此处不做限定。
47.在本实施例中，预先存储由真实传感器采集得到的自动驾驶场景数据时可对自动驾驶场景进行分类并提取各类自动驾驶场景数据的配置字段，并根据各类自动驾驶场景数据的配置字段为各类自动驾驶场景数据添加对应的标签。在此基础上，获取真实的自动驾驶场景数据可以详述为：
48.获取需生成场景的配置字段，并根据需生成场景的配置字段以及数据库中各类自动驾驶场景数据的标签从数据库中选取后续步骤所采用的真实的自动驾驶场景数据。其中，前述场景或者场景数据的配置字段包括但不限于天气情况、道路类型、车辆数量、变道方式等。
49.s102：对真实的自动驾驶场景数据进行图像识别，并将图像识别得到的场景转换为预设语义格式，得到预设语义格式的第一场景文件。
50.在本实施例中，可对真实的自动驾驶场景数据进行图像识别，将图像识别结果转换为预设语义格式的文件。例如，可将图像识别后的真实自动驾驶场景转换为openscenario格式，得到的openscenario格式文件即为预设语义格式的第一场景文件。其中，第一场景文件本质为自动驾驶场景的描述文件，其具体用于描述自动驾驶模拟应用程序中动态内容，可兼容不同的仿真测试软件。第一场景文件可以为序列化的xml文件，其具
体描述内容包括但不限于车辆动作、车辆轨迹(多段线、回旋线)、车辆状态(几何、类型、轴、性能)、驾驶员状态、环境特征(天气、时间、路况)等。
51.s103：获取需添加的运动物体的运动状态，并将运动状态以预设语义格式添加到第一场景文件中，得到预设语义格式的第二场景文件。
52.在本实施例中，为了在降低数据采集成本的同时保证更好地场景复现，本发明实施例可通过在真实场景中添加运动物体实现多种场景的还原。在此基础上，针对此类场景的还原，可以获取需添加的运动物体的运动状态，将该运动物体的运动状态转换为预设语义格式，也即以第一场景文件中的描述方式去描述该运动物体及其运动状态，在此基础上，将运动物体的运动状态以预设语义格式添加到第一场景文件中，也即将该运动物体及其运动状态的描述添加到第一场景文件中，得到更新后的场景文件，也即第二场景文件。其中，运动物体的运动状态包括但不限于运动物体的运动速度、运动方向、变道动作等。
53.s104：将第二场景文件输入至预设的仿真软件中进行场景生成。
54.在本实施例中，仿真软件可支持预设语义格式文件的解析，进而根据解析结果上生成对应的场景。因此在得到更新后的场景文件之后，可以通过将更新后的场景文件输入到仿真软件中，由仿真软件解析该场景文件来进行场景生成。
55.由上可以得出，区别于现有技术的方案，本发明实施例首先获取真实的自动驾驶场景数据进行图像识别，将真实的自动驾驶场景数据转换为预设语义格式的场景文件。当需要新场景时，可将新场景中需要添加的运动物体的运动状态添加到真实自动驾驶场景对应的场景文件中去，得到新场景对应的场景文件，通过将新场景对应的场景文件输入至仿真软件中实现新场景的生成。基于本发明实施例的方案，可以大幅度减少去实际道路或者测试场采集数据的次数，提高开发效率。在此基础上，由于本发明实施例是基于真实场景进行场景生成的，相对于直接由仿真软件生成需要的场景，本发明实施例可更好地支持后续感知/预测算法的训练。综合上述，相对于现有技术，本发明实施例提供的场景生成方法、装置及终端设备能够更快速地还原自动驾驶场景，更好地支持后续感知/预测算法的训练。
56.在一种可能的实现方式中，在将运动状态以预设语义格式添加到第一场景文件中之后，场景生成方法还包括：
57.获取需添加的运动物体的模型引用路径，将模型引用路径以预设语义格式添加到第一场景文件中。
58.模型引用路径用于供仿真软件调用运动物体对应的模型。
59.在本发明中，仿真软件运行第二场景文件时，可以直接根据第二场景文件调用其自身预先存储的运动物体的模型去生成对应的场景。
60.在此基础上，本实施例为提高与原真实场景的适配度，以更适合后续利用仿真软件进行感知/预测算法的训练，提出了一种方案，也即在第一场景文件中添加运动物体的运动状态的同时，还在第一场景文件中添加运动物体的模型引用路径。该模型引用路径可指向预先建立或者预先选取的与真实场景更为适配的运动物体模型。仿真软件可基于该模型引用路径去调用运动物体的模型，将该运动物体的模型添加到真实场景中，从而生成新的场景。其中，真实场景指的是步骤s101中真实的自动驾驶场景数据对应的场景，也即第一场景文件对应的场景(后续实施例类同)；新的场景即为想要生成的目标场景，也即第二场景文件对应的场景。
61.在一种可能的实现方式中，在将模型引用路径以预设语义格式添加到第一场景文件中之前，场景生成方法还包括：确定运动物体的模型引用路径。
62.确定运动物体的模型引用路径包括：
63.获取运动物体的属性特征。其中，运动物体的属性特征包括运动物体的外型特征、运动物体的类型等。例如，若运动物体为车辆，则其属性可以为车辆的轮廓、车辆的型号等。
64.根据属性特征从预设图片数据库中选择对应的运动物体图像并将运动物体图像调整到对应比例。
65.根据比例调整后的运动物体图像从预设模型库中选择对应的运动物体模型，将运动物体模型的存储路径作为运动物体的模型引用路径。
66.在本实施例中，预设图片数据库中包含各种类型的物体的图像，其中每个图像都预设有标签以表明其属性特征，在此基础上，可根据运动物体的属性特征从预设图片数据库中选取对应的运动物体图像。
67.在本实施例中，对应比例指的是与真实场景中已有的运动物体相适配的比例，以避免在运行第二场景文件时出现新增的运动物体过大/过小或者其他影响感知算法训练精度的情形。例如，若运动物体为车辆，则将运动物体图像调整到对应比例可以理解为将新增车辆的缩放比例调整到与真实场景中车辆的缩放比例相同或者相近的比例。
68.在本实施例中，可预先建立物体图像与物体模型之间的映射关系，在对运动物体图像进行比例调整后，即可根据比例调整后的运动物体图像以及预先建立的物体图像与物体模型之间的映射关系从预设模型库中选择对应的运动物体模型，在此基础上，运动物体模型的存储路径即为运动物体的模型引用路径。综合上述，为了更适合后续利用仿真软件进行感知/预测算法的训练，本实施例还可根据运动物体的属性特征获取运动物体图像并将运动物体图像调整到与真实场景(也即第一场景文件对应的场景)对应的比例，根据比例调整后的运动物体图像确定模型引用路径，再将模型引用路径也添加到第一场景文件中，得到第二场景文件。由于第二场景文件中已添加了关于运动物体的运动状态的描述、以及运动物体的模型引用路径，在仿真软件运行第二场景文件时，第二场景文件中运动物体的运动状态描述部分可将运动物体模型添加入真实场景每一帧的对应位置点(对应的位置点即为各个时刻下运动物体在真实场景中的位置)，以实现更好地实现场景复现。
69.在一种可能的实现方式中，根据属性特征从预设图片数据库中选择对应的运动物体图像并将运动物体图像调整到对应比例，包括：
70.根据属性特征、以及预设的映射模型从预设图片数据库中选择对应的运动物体图像并将运动物体图像调整到对应比例。
71.其中，映射模型用以描述运动物体的属性特征、运动物体图像、运动物体图像比例之间的映射关系。
72.在本实施例中，映射模型可以为深度学习模型，可基于深度学习算法预先训练一映射模型，将属性特征输入至该映射模型中即可得出预设图片数据库中对应的运动物体图像以及对应的图像比例，以保证场景生成的适配度。由于深度学习模型可实现像素级的特征提取，本实施例采用深度学习模型可进一步提高场景生成的适配度。
73.在一种可能的实现方式中，在将模型引用路径以预设语义格式添加到第一场景文件中之前，场景生成方法还可以包括：确定运动物体的模型引用路径。
74.其中，确定运动物体的模型引用路径包括：
75.获取运动物体的属性特征，其中，运动物体的属性特征包括运动物体的外型特征、运动物体的类型等。例如，若运动物体为车辆，则其属性可以为车辆的轮廓、车辆的型号等。
76.根据属性特征从预设图片数据库中选择对应的运动物体图像。
77.根据运动物体图像从预设模型库中选择对应的运动物体模型，并将运动物体模型调整到对应比例，将比例调整后运动物体模型的存储路径作为运动物体的模型引用路径。
78.在本实施例中，预设图片数据库中包含各种类型的物体的图像，其中每个图像都预设有标签以表明其属性特征，在此基础上，可根据运动物体的属性特征从预设图片数据库中选取对应的运动物体图像。
79.在本实施例中，对应比例指的是与真实场景中已有的运动物体相适配的比例，以避免在运行第二场景文件时出现新增的运动物体过大/过小或者其他影响感知算法训练精度的情形。例如，若运动物体为车辆，则将运动物体模型调整到对应比例可以理解为将新增车辆的缩放比例调整到与真实场景中车辆的缩放比例相同或者相近的比例。
80.在本实施例中，可预先建立物体图像与物体模型之间的映射关系，进而根据运动物体图像以及预先建立的物体图像与物体模型之间的映射关系从预设模型库中选择对应的运动物体模型，在此基础上，对运动物体模型进行比例调整，比例调整后的运动物体模型的存储路径即为运动物体的模型引用路径。
81.综合上述，为了更适合后续利用仿真软件进行感知/预测算法的训练，本实施例还可根据运动物体的属性特征获取运动物体图像，进而获取运动物体模型，并将运动物体模型调整到与真实场景(也即第一场景文件对应的场景)对应的比例，根据比例调整后的运动物体模型确定模型引用路径，再将模型引用路径也添加到第一场景文件中，得到第二场景文件。由于第二场景文件中已添加了关于运动物体的运动状态的描述、以及运动物体的模型引用路径，在仿真软件运行第二场景文件时，第二场景文件中运动物体的运动状态描述部分可将运动物体模型添加入真实场景每一帧的对应位置点(对应的位置点即为各个时刻下运动物体在真实场景中的位置)，以实现更好地实现场景复现。
82.在一种可能的实现方式中，根据运动物体图像从预设模型库中选择对应的运动物体模型，并将运动物体模型调整到对应比例，包括：
83.根据运动物体图像、以及预设的图像-模型-比例映射模型从预设模型库中选择对应的运动物体模型并将运动物体模型调整到对应比例。
84.其中，图像-模型-比例映射模型用以描述运动物体图像、运动物体模型、运动物体模型比例之间的映射关系。
85.在本实施例中，图像-模型-比例映射模型可以为深度学习模型，可基于深度学习算法预先训练一图像-模型-比例映射模型，将运动物体图像输入至该图像-模型-比例映射模型中即可得出对应的运动物体模型以及对应的运动物体模型比例，以保证场景生成的适配度。由于深度学习模型可实现像素级的特征提取，本实施例采用深度学习模型可进一步提高场景生成的适配度。
86.现有技术中，还可通过使用类似after effect/photoshop方式去伪造生成场景，但是此种方式技术难度较高，也较易出现“穿帮点”，添加物体时也易出现与原场景大小比例不一致、图像的层叠关系不一致等问题。本发明实施例通过将真实场景转换为场景文件、
将运动物体以预设语义格式添加进场景文件中、确定运动物体模型、重新运行场景文件(在运行场景文件时将运动物体模型添加进原场景)的手段有效避免了上述问题，降低了技术难度，并可实现场景的有效还原。
87.可选的，仿真软件在运行第二场景文件时也可设定一定的规则以保证场景更为适合后续感知/预测算法的训练，例如，原场景中的物体若被运动物体叠加覆盖，则被覆盖的部分不显示。例如，仿真软件在播放场景时，可将播放场景的窗口调成与真实路采数据相同的宽高比。在此基础上，利用场景软件的虚拟图像分割摄像头，可以探测到得到所有物体的图像分割，包括新增的运动物体，此时新增的运动物体的实时运动轨迹和运动时的大小均可被分割出来。
88.对应于上文实施例的场景生成方法，图2为本发明一实施例提供的场景生成装置的结构框图。为了便于说明，仅示出了与本发明实施例相关的部分。参考图2，该场景生成装置20包括：数据获取模块21、识别转换模块22、物体添加模块23、场景生成模块24。
89.其中，数据获取模块21，用于获取真实的自动驾驶场景数据。
90.识别转换模块22，用于对真实的自动驾驶场景数据进行图像识别，并将图像识别得到的场景转换为预设语义格式，得到预设语义格式的第一场景文件。
91.物体添加模块23，用于获取需添加的运动物体的运动状态，并将运动状态以预设语义格式添加到第一场景文件中，得到预设语义格式的第二场景文件。
92.场景生成模块24，用于将第二场景文件输入至预设的仿真软件中进行场景生成。
93.在一种可能的实现方式中，物体添加模块23还用于在将运动物体的运动状态以预设语义格式添加到第一场景文件中后执行以下步骤：
94.获取需添加的运动物体的模型引用路径，将模型引用路径以预设语义格式添加到第一场景文件中。
95.模型引用路径用于供仿真软件调用运动物体对应的模型。
96.在一种可能的实现方式中，物体添加模块23还用于在将模型引用路径以预设语义格式添加到第一场景文件中之前，确定运动物体的模型引用路径。确定运动物体的模型引用路径包括：
97.获取运动物体的属性特征。
98.根据属性特征从预设图片数据库中选择对应的运动物体图像并将运动物体图像调整到对应比例。
99.根据比例调整后的运动物体图像从预设模型库中选择对应的运动物体模型，将运动物体模型的存储路径作为运动物体的模型引用路径。
100.在一种可能的实现方式中，物体添加模块23具体可用于：
101.根据属性特征、以及预设的映射模型从预设图片数据库中选择对应的运动物体图像并将运动物体图像调整到对应比例。
102.其中，映射模型用以描述运动物体的属性特征、运动物体图像、运动物体图像比例之间的映射关系。
103.在一种可能的实现方式中，映射模型为深度学习模型。
104.在一种可能的实现方式中，运动物体的属性特征包括运动物体的外型特征、运动物体的类型。
105.在一种可能的实现方式中，预设语义格式为openscenario格式。
106.参见图3，图3为本发明一实施例提供的终端设备的示意框图。如图3所示的本实施例中的终端300可以包括：一个或多个处理器301、一个或多个输入设备302、一个或多个输出设备303及一个或多个存储器304。上述处理器301、输入设备302、输出设备303及存储器304通过通信总线305完成相互间的通信。存储器304用于存储计算机程序，计算机程序包括程序指令。处理器301用于执行存储器304存储的程序指令。其中，处理器301被配置用于调用程序指令执行以下操作上述各装置实施例中各模块/单元的功能，例如图2所示模块21至24的功能。
107.应当理解，在本发明实施例中，所称处理器301可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
108.输入设备302可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等，输出设备303可以包括显示器(lcd等)、扬声器等。
109.该存储器304可以包括只读存储器和随机存取存储器，并向处理器301提供指令和数据。存储器304的一部分还可以包括非易失性随机存取存储器。例如，存储器304还可以存储设备类型的信息。
110.具体实现中，本发明实施例中所描述的处理器301、输入设备302、输出设备303可执行本发明实施例提供的场景生成方法的第一实施例和第二实施例中所描述的实现方式，也可执行本发明实施例所描述的终端的实现方式，在此不再赘述。
111.在本发明的另一实施例中提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序包括程序指令，程序指令被处理器执行时实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
112.计算机可读存储介质可以是前述任一实施例的终端的内部存储单元，例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备，例如终端上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
113.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
114.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
115.在本技术所提供的几个实施例中，应该理解到，所揭露的终端和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
116.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
117.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
118.以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种场景生成方法，其特征在于，包括：获取真实的自动驾驶场景数据；对所述真实的自动驾驶场景数据进行图像识别，并将图像识别得到的场景转换为预设语义格式，得到所述预设语义格式的第一场景文件；获取需添加的运动物体的运动状态，并将所述运动状态以所述预设语义格式添加到所述第一场景文件中，得到所述预设语义格式的第二场景文件；将所述第二场景文件输入至预设的仿真软件中进行场景生成。2.如权利要求1所述的场景生成方法，其特征在于，在将所述运动状态以所述预设语义格式添加到所述第一场景文件中之后，所述场景生成方法还包括：获取需添加的运动物体的模型引用路径，将所述模型引用路径以所述预设语义格式添加到所述第一场景文件中；所述模型引用路径用于供所述仿真软件调用所述运动物体对应的模型。3.如权利要求2所述的场景生成方法，其特征在于，在将所述模型引用路径以所述预设语义格式添加到所述第一场景文件中之前，所述场景生成方法还包括：确定所述运动物体的模型引用路径；所述确定所述运动物体的模型引用路径包括：获取所述运动物体的属性特征；根据所述属性特征从预设图片数据库中选择对应的运动物体图像并将所述运动物体图像调整到对应比例；根据比例调整后的运动物体图像从预设模型库中选择对应的运动物体模型，将所述运动物体模型的存储路径作为所述运动物体的模型引用路径。4.如权利要求3所述的场景生成方法，其特征在于，所述根据所述属性特征从预设图片数据库中选择对应的运动物体图像并将所述运动物体图像调整到对应比例，包括：根据所述属性特征、以及预设的映射模型从预设图片数据库中选择对应的运动物体图像并将所述运动物体图像调整到对应比例；其中，所述映射模型用以描述运动物体的属性特征、运动物体图像、运动物体图像比例之间的映射关系。5.如权利要求4所述的场景生成方法，其特征在于，所述映射模型为深度学习模型。6.如权利要求3至5任一项所述的场景生成方法，其特征在于，所述运动物体的属性特征包括运动物体的外型特征、运动物体的类型。7.如权利要求1至5任一项所述的场景生成方法，其特征在于，所述预设语义格式为openscenario格式。8.一种场景生成装置，其特征在于，包括：数据获取模块，用于获取真实的自动驾驶场景数据；识别转换模块，用于对所述真实的自动驾驶场景数据进行图像识别，并将图像识别得到的场景转换为预设语义格式，得到所述预设语义格式的第一场景文件；物体添加模块，用于获取需添加的运动物体的运动状态，并将所述运动状态以所述预设语义格式添加到所述第一场景文件中，得到所述预设语义格式的第二场景文件；场景生成模块，用于将所述第二场景文件输入至预设的仿真软件中进行场景生成。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。

技术总结
本发明提供了一种场景生成方法、装置及终端设备，该方法应用于自动驾驶技术领域，包括：获取真实的自动驾驶场景数据；对真实的自动驾驶场景数据进行图像识别，并将图像识别得到的场景转换为预设语义格式，得到预设语义格式的第一场景文件；获取需添加的运动物体的运动状态，并将运动状态以预设语义格式添加到第一场景文件中，得到预设语义格式的第二场景文件；将第二场景文件输入至预设的仿真软件中进行场景生成。本发明提供的场景生成方法、装置及终端设备能够更快速地还原自动驾驶场景，更好地支持后续感知/预测算法的训练。地支持后续感知/预测算法的训练。地支持后续感知/预测算法的训练。


技术研发人员：杨岳 崔文锋 吴杰
受保护的技术使用者：毫末智行科技有限公司
技术研发日：2022.03.25
技术公布日：2023/10/7