【技术实现步骤摘要】
本专利技术涉及计算机，特别是一种群组仿真模型参数校准方法和电子设备。
技术介绍
1、基于agent(个体)的群组仿真(比如人群、交通、鸟群、蚁群、粒子仿真)模型的参数校准根据参数校准的时机和方式，可以分为离线校准和在线校准。离线校准在模拟场景与参考轨迹场景相差较大时，直接使用离线校准后的参数进行仿真，逼真度和可信度难以让人信服。在线校准依赖于真实场景数据的实时接入，并且往往为了满足实时的时间性能，牺牲了仿真校准的准确率。因此，基于agent的群组仿真模型的参数校准不能兼顾场景匹配性和实时时间性能。
技术实现思路
1、有鉴于此，本专利技术实施例提供了一种群组仿真模型参数校准方法和电子设备，将离线校准与在线校准相结合，使得基于agent的群组仿真模型的参数校准兼顾场景匹配性和实时时间性能。
2、第一方面，本专利技术实施例提供了一种群组仿真模型参数校准方法，所述方法包括：
3、从第一参考数据集中提取出特征集合，所述特征集合包括个体的动态群体特征和静态场景特征；
4、通过所述第一参考数据集对群组仿真模型进行离线校准，得到模型参数集合；
5、根据所述特征集合和所述模型参数集合，得到第一关系，所述第一关系为所述模型参数集合中模型参数与所述动态群体特征、所述静态场景特征之间的最优映射关系；
6、在所述群组仿真模型的在线校准过程中，根据第一关系、当前仿真的静态场景特征和动态群体特征，校准所述群组仿真模型的参数。
7、结合第一方
8、根据第一数值帧对所述第一参考数据集中个体的数据进行分片，得到第二参考数据集；
9、根据所述第二参考数据集和离线校准算法对所述群组仿真模型进行离线校准，得到模型参数集合。
10、结合第一方面，在第一方面的某些实现方式中，所述第一参考数据集的数据量小于第一阈值，所述根据所述特征集合和所述模型参数集合，得到第一关系，包括：
11、根据所述特征集合和所述模型参数集合，通过线性变换方式对所述动态群体特征、所述静态场景特征与所述模型参数进行计算，得到目标函数；
12、通过最小二乘法对所述目标函数进行优化求解，得到所述第一关系。
13、结合第一方面，在第一方面的某些实现方式中，所述第一参考数据集的数据量大于或者等于第一阈值，所述根据所述特征集合和所述模型参数集合，得到第一关系，包括：
14、根据所述特征集合和所述模型参数集合，通过卷积神经网络方法学习所述动态群体特征、所述静态场景特征与所述模型参数的映射关系，得到第一关系。
15、结合第一方面，在第一方面的某些实现方式中，所述通过卷积神经网络学习所述动态群体特征、所述静态场景特征与所述模型参数的映射关系，包括：
16、将所述动态群体特征、所述静态场景特征作为所述卷积神经网络的输入，并将所述模型参数作为所述卷积神经网络的输出；
17、通过卷积神经网络中的卷积层、池化层和全连接层来学习所述输入和所述输出之间的映射关系。
18、结合第一方面，在第一方面的某些实现方式中，所述离线校准算法为随机优化算法。
19、结合第一方面，在第一方面的某些实现方式中，所述随机优化算法包括遗传算法、蚁群算法或模拟退火算法。
20、结合第一方面，在第一方面的某些实现方式中，所述第一参考数据集包括：群体中每个个体的位置轨迹信息和群体所在场景的布局信息。
21、结合第一方面，在第一方面的某些实现方式中，所述动态群体特征包括：速度大小、运动朝向、与周围各邻居的相对距离和相对速度中的一项或任意组合。
22、结合第一方面，在第一方面的某些实现方式中，所述静态场景特征包括：个体前向视域范围内可通行的面积、个体侧向视域范围内可通行的面积、个体与周围静态障碍物的距离中的一项或任意组合。
23、结合第一方面，在第一方面的某些实现方式中，所述第一数值帧包括100帧。
24、第二方面，本专利技术实施例提供了一种电子设备，包括处理器和存储器，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，当所述处理器运行所述程序指令时，使所述电子设备执行如上述所述的方法的步骤。
25、第三方面，本专利技术实施例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，所述计算机程序包括程序指令，当所述程序请求被计算机运行时使所述计算机执行如上述所述的方法。
26、第四方面，本专利技术实施例提供了一种计算机程序产品，所述计算机程序产品包含指令，当所述计算机程序产品在计算机或任一至少一种处理器上运行时，使得所述计算机执行如上述方法中的功能/步骤。
27、本专利技术实施例提供的群组仿真模型参数校准方法和电子设备的技术方案中，所述群组仿真模型参数校准方法包括：从第一参考数据集中提取出特征集合，所述特征集合包括个体的动态群体特征和静态场景特征；通过所述第一参考数据集对群组仿真模型进行离线校准，得到模型参数集合；根据所述特征集合和所述模型参数集合，得到第一关系，所述第一关系为所述模型参数集合中模型参数与所述动态群体特征、所述静态场景特征之间的最优映射关系；在所述群组仿真模型的在线校准过程中，根据第一关系、当前仿真的静态场景特征和动态群体特征，校准所述群组仿真模型的参数，将离线校准与在线校准相结合，使得基于agent的群组仿真模型的参数校准兼顾场景匹配性和实时时间性能。
本文档来自技高网...【技术保护点】
1.一种群组仿真模型参数校准方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述通过所述第一参考数据集对群组仿真模型进行离线校准，得到模型参数集合，包括：
3.根据权利要求1或2所述的方法，其特征在于，所述第一参考数据集的数据量小于第一阈值，所述根据所述特征集合和所述模型参数集合，得到第一关系，包括：
4.根据权利要求1或2所述的方法，其特征在于，所述第一参考数据集的数据量大于或者等于第一阈值，所述根据所述特征集合和所述模型参数集合，得到第一关系，包括：
5.根据权利要求4所述的方法，其特征在于，所述通过卷积神经网络学习所述动态群体特征、所述静态场景特征与所述模型参数的映射关系，包括：
6.根据权利要求2所述的方法，其特征在于，所述离线校准算法为随机优化算法。
7.根据权利要求3所述的方法，其特征在于，所述随机优化算法包括遗传算法、蚁群算法或模拟退火算法。
8.根据权利要求1-7中任一项所述的方法，其特征在于，所述第一参考数据集包括：群体中每个个体的位置轨迹信息和群体所
9.根据权利要求1-8中任一项所述的方法，其特征在于，所述动态群体特征包括：速度大小、运动朝向、与周围各邻居的相对距离和相对速度中的一项或任意组合。
10.根据权利要求1-9中任一项所述的方法，其特征在于，所述静态场景特征包括：个体前向视域范围内可通行的面积、个体侧向视域范围内可通行的面积、个体与周围静态障碍物的距离中的一项或任意组合。
11.根据权利要求2所述的方法，其特征在于，所述第一数值帧包括100帧。
12.一种电子设备，其特征在于，包括处理器和存储器，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，当所述处理器运行所述程序指令时，使所述电子设备执行如权利要求1-11中任一项所述方法的步骤。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，当所述程序请求被计算机运行时使所述计算机执行如权利要求1-11任一项所述的方法。
...【技术特征摘要】
1.一种群组仿真模型参数校准方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述通过所述第一参考数据集对群组仿真模型进行离线校准，得到模型参数集合，包括：
3.根据权利要求1或2所述的方法，其特征在于，所述第一参考数据集的数据量小于第一阈值，所述根据所述特征集合和所述模型参数集合，得到第一关系，包括：
4.根据权利要求1或2所述的方法，其特征在于，所述第一参考数据集的数据量大于或者等于第一阈值，所述根据所述特征集合和所述模型参数集合，得到第一关系，包括：
5.根据权利要求4所述的方法，其特征在于，所述通过卷积神经网络学习所述动态群体特征、所述静态场景特征与所述模型参数的映射关系，包括：
6.根据权利要求2所述的方法，其特征在于，所述离线校准算法为随机优化算法。
7.根据权利要求3所述的方法，其特征在于，所述随机优化算法包括遗传算法、蚁群算法或模拟退火算法。
8.根据权利要求1-7中任一项所述的方法，其特征在于，所述第一参...
【专利技术属性】
技术研发人员：粆倩文，丁治宇，
申请(专利权)人：华为云计算技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。