一种面向无人系统智能水平评估的基础数据生成方法

本发明属于无人系统智能化水平评估领域，尤其是一种面向无人系统智能水平评估的基础数据生成方法。

背景技术：

1、当前，以人工智能为代表的世界新一轮科技革命正在孕育兴起，无人系统智能化发展应运而生。依托无人系统智能化推进工程，一大批无人系统智能化项目已取得积极进展，智能化赋能增效作用初步显现，但项目智能化目标量化不够、牵引力不足等问题逐步显现。为促进无人系统智能化加速发展，科学规划无人系统智能化发展路径，推进无人系统分级分类管理模式创新，亟需开展无人系统智能化水平分级评估工作。评估无人系统智能化水平，对于加速促进无人系统智能化发展具有重要的理论和现实意义。

2、开展无人系统智能化水平评估，需要大量涵盖各个无人系统领域、场景和智能化等级的基准数据，用于测评无人系统的自主性、协同性和学习性等智能水平，为基于仿真的无人系统智能化水平测评提供规范化的第三方数据输入。而当前无人系统智能化水平评估基准数据尚未形成体系化、标准化规模，无人系统智能化水平评估基准数据数量、质量都存在较大的缺口，高质量数据样本少、标记数据量极为有限等问题突出，难以满足无人系统智能化水平评估的基本要求。此外，各单位现有数据并不能直接作为基准数据，一方面测评数据与测评场景、测评科目、测评指标具有明确的映射关系，需根据评估方法进一步明确和建立，另一方面各领域数据的分辨率、标注侧重点等各有不同，难以保证测评的公正客观性。因此，为有效开展无人系统智能化水平评估，保证无人系统智能化水平评估的公平性和科学性，亟需进行无人系统智能化水平评估基准数据生成及应用相关研究。

3、构建复杂多样化的测评场景需要大量三维模型数据，包括各类建筑、地面、道路、河流、车辆、行人、飞行器、景观、标志物等。一个复杂的城市场景所包含的模型数量往往超过十万甚至百万，完全依靠手工制作或采购，需要大量人力、物力或财力。

4、因此，亟需构建一种面向无人系统智能水平评估的基础数据生成方法，克服以上技术问题。

技术实现思路

1、本发明的评估方法和系统为智能模型提供了一个全面的性能评估框架，有助于确保模型在实际应用中的有效性和可靠性。这种方法不仅适用于模型开发和优化阶段，也适用于模型部署后的持续监控和评估。

2、本发明采用的技术方案如下：

3、一种面向无人系统智能水平评估的基础数据生成方法，包括如下步骤：

4、步骤一：建筑模型数据制作与扩展制作

5、构建建筑模型数据库：将建筑模型分为底座、主题、顶部3个建筑结构，每个建筑结构设有若干不同样式及不同分辨率的纹理贴图；纹理贴图根据建筑结构将纹理uv坐标设置成支持重复使用和拼接的样式；uv坐标系统通过u和v两个轴来表示模型表面的纹理映射；坐标系统是基于模型的表面拓扑和几何形状而定义的，每个顶点都有一个对应的uv坐标，用来确定该顶点对应纹理图像中的位置；

6、建筑模型数据制作与扩展设有两种生成模式：通过自由组合方式生成建筑模型或根据要求生成不同尺寸的建筑模型；

7、通过自由组合方式生成建筑模型基于三段式建筑结构，通过不同的组合方式，再配上不同的纹理贴图，由算法随机组合合成不同样式的建筑模型；

8、根据要求生成不同尺寸的建筑模型为建模者根据需求，手动选择建筑模型尺寸、纹理，生成建筑模型；

9、步骤二：不规则模型制作与扩展

10、所述不规则模型包括地面、植被、道路、河流、标志物；由于模型自身形状不规则，无法使用建模软件建立单个通用模型，均需根据要求生成；

11、所述不规则模型制作与扩展的基础库中设有若干不同样式及不同分辨率的纹理贴图；纹理贴图纹理uv坐标支持重复使用和拼接的样式；不规则模型制作与扩展模块根据输入的不规则模型数据边界生成道路模型三维网格，根据不规则模型数据边界计算纹理uv坐标，按照计算的坐标值进行贴图；

12、步骤三：地形场景数据生成

13、通过三种地形场景生成技术方法中任意一种或两种以上组合的方式生成地形场景数据，所述三种方法为：手工建模、倾斜摄影、dom与dem数据叠加；

14、手工建模方法通过设计者手动构建地形网格、编辑每个网格点的高度，然后制作地表图片，进行贴图；

15、倾斜摄影技术通过从不少于一个垂直、四个倾斜共五个不同的视角同步采集影像，获取地形场景顶面及侧视的纹理；

16、dom和dem数据叠加建模通过利用数字正射影像dom数据和数字高程模型dem数据构建真实三维地形；

17、步骤四：基础场景数据生成

18、在建筑模型数据制作与扩展模块、不规则模型制作与扩展模块和地形场景数据生成的基础数据上，对基础数据进行组合并设定条件参数，生成基础场景数据；

19、步骤五：气象环境数据叠加

20、在基础场景数据基础上叠加气象数据，所述气象数据包括光照、雨、雪、雾数据；所述环境数据叠加基于图形平台提供的渲染引擎并结合粒子系统、着色语言技术完成叠加；

21、所述粒子系统实现步骤如下：

22、s1：创建粒子发射器

23、粒子发射器为粒子系统的起点，定义粒子产生的位置和方式；

24、s2：设定粒子属性

25、粒子属性包括粒子的大小、形状、颜色、透明度、速度、方向、生命周期；上述属性决定粒子系统的外观和行为；

26、s3：更新粒子状态

27、在三维图形渲染的每一帧中，根据粒子的属性和物理规则更新粒子的位置、速度和方向；所述物理规则包括重力、风力；

28、s4：绘制粒子

29、将更新后的粒子绘制，通过图形渲染技术实现；

30、s5：粒子生命周期管理

31、设定粒子从发射出来到消失的过程时间，以确保粒子在所需的时间产生和消失；

32、使用着色语言实现不同时间段不同光照效果，步骤如下：

33、s1：定义光源

34、定义太阳的位置和颜色：通过定义一个光源向量实现，向量指向太阳的位置，且包含太阳的颜色信息；

35、s2：计算光照方向

36、对于场景中的每个物体，计算光照方向，即太阳位置和物体表面点的向；通过将太阳位置向量减去物体表面点的位置向量来得到。

37、s3：计算光照强度

38、光照强度通过点乘光照方向和物体表面的法向量来计算，点乘结果表示光照的强度，值越大表示光照越强烈；

39、s4：计算漫反射

40、漫反射是光照在物体表面上散射的效果，使用光照强度和物体表面的漫反射系数来计算漫反射的颜色，通过着色语言中的乘法操作符实现；

41、s5：计算高光反射

42、高光反射是光照在物体表面上产生的镜面反射效果，根据光照方向、视线方向和物体表面的法向量来计算高光反射的颜色，使用幂运算和点乘运算计算高光反射；

43、s6：合成光照结果

44、将漫反射和高光反射的颜色与物体表面的基础颜色进行合成，得到最终的光照效果，使用着色语言中的加法操作符来实现颜色的合成；

45、步骤六：传感器数据生成

46、根据无人系统上携带的传感器根实时模拟生成传感器数据，所述传感器包括可见光相机传感器、红外相机传感器、激光雷达传感器；

47、可见光相机传感器、红外相机传感器数据基于render to texture(rtt)技术生成；

48、通过生成仿真的激光雷达点云数据来模拟激光雷达的感知结果。

49、优选地，所述倾斜摄影技术生成模型数据的步骤如下：

50、步骤一：以若干组不同角度、不同方位的航拍数据或卫星高清影像传感器数据作为输入，所述输入数据的角度和方位能够覆盖地形顶部及四周；

51、步骤二：通过高性能工作站进行计算处理，将输入数据融合、拼接成地形场景模型。

52、优选地，所述dom和dem数据叠加方法生成模型数据的步骤如下：

53、步骤一：首先，获取指定地区的dom和dem数据；

54、步骤二：在获取数据后，进行预处理工作，包括数据清洗、格式转换、坐标系统统一，以便于后续的处理。

55、步骤三：利用dem数据，通过算法生成tin；所述算法包括delaunay三角剖分；tin是一种表示地形表面的方法，由一系列不规则的三角形组成；

56、步骤四：将dom数据作为纹理映射到tin上，使得每个三角形拥有对应的纹理。

57、优选地，所述生成城市场景数据的步骤如下：

58、步骤一：要素分解

59、将构成基础场景的三维模型分解成独立的、可拼接或反复使用的单个要素，所述要素包括纹理贴图或单个三维模型；

60、分解之后的要素需要按照类型分类存储，且配置描述文件，对其属性进行描述，方便后续调度使用；所述属性包括类型、尺寸、分辨率、存储位置；

61、步骤二：区域分割

62、将指定大小的场景分割成若干区域，根据每个区域设置不同的特性的模型标签，包括居民区、商业区、交通枢纽等，后续将从要素库中随机选取不同的模型或根据条件自动生成对应的模型进行填充；

63、步骤三：区域填充

64、根据每个区域特征，从要素库中随机选取若干要素模型，放置在区域中；

65、如商业区填充商业模型、居民区填充住宅模型、绿化区填充植物；分布物密度、建筑物高度等条件参数将影响填充距离、模型高度，不同的条件参数保证生产的场景满足测试要求。

66、步骤四：场景修饰

67、使用路灯、绿植、景观模型填充、修饰各个区域周边，形成完整的基础场景。

68、优选地，所述步骤六中的可见光相机传感器数据生成包括如下步骤：

69、步骤一：创建纹理

70、在计算机中预先定义好纹理，根据需要调整纹理的大小和分辨率；

71、步骤二：渲染到纹理

72、通过使用渲染引擎中的函数将场景渲染到纹理中，最终结果会被保存到纹理中；在渲染时，将渲染目标(即纹理)作为渲染输出目标，并确保渲染结果与纹理大小和分辨率相匹配；

73、步骤三：应用纹理

74、通过在场景中构建虚拟相机，将虚拟相机拍摄的场景画面渲染到准备好的二维纹理中，再将纹理数据压缩后按照接口要求发送出去，实现可见光传感器数据模拟过程；

75、场景被渲染到纹理中后，使得所述渲染后的纹理能够应用到其他物体或场景上；应用纹理时，将纹理作为材质的贴图来使用，并确保纹理与物体表面的几何形状相匹配；

76、通过修改虚拟相机的fov(视场角)、near plane(近裁剪面)、far plane(远裁剪面)可以模拟不同镜头参数的可见光传感器；

77、通过使用rtt技术，可以实现更复杂的效果，如动态的监视器画面、实时更新的瞄准镜；同时，rtt技术也可以提高渲染效率，因为可以将一些复杂的渲染计算结果保存到纹理中，然后在需要时重复使用。

78、优选地，所述红外相机传感器数据生成步骤如下：

79、步骤一：红外场景建模

80、红外场景建模主要包括以下三个方面：

81、101.建立几何模型库：

82、提供红外目标及背景的几何模型和纹理特征，为后续场景建模服务；

83、102.建立光谱特性库：

84、光谱特性库包含几何模型库中各种物质材料的光谱特性，包括光谱反射、吸收和发射率参量，为后续红外辐射的计算提供材料光谱数据；

85、103.场景建模：

86、建立场景中静态、动态目标及背景的三维模型；设定具体天气情况、星历模型、观察者的位置和状态；依据几何模型库和光谱特性库,设定场景中物体的材质和纹理；

87、步骤二：红外辐射建模

88、根据已建场景模型及各种材料辐射特性，分析场景中目标及背景的红外辐射，计算到达探测器的目标和背景各自的红外辐射强度分布；

89、步骤三：目标背景合成

90、对于整个红外场景，对目标和背景进行红外合成，通过辐射传输理论结合边界条件进行计算目标和背景之间的相互影响；

91、步骤四：大气传输建模

92、场景至红外探测器的路径上存在着大气，物体的红外辐射受到大气和悬浮微粒选择性吸收和散射影响而产生衰减，天气因素，包括风、雨、雾、霾、雪，直接影响大气衰减；

93、根据大气透射率、大气辐射、太阳辐射、月亮辐射、红外窗口、地理位置、季节、时间、气候条件、大气湿度、能见度及大气温度参量，通过经验公式法或大气模型法计算大气衰减；

94、步骤五：传感器建模

95、对扫描、凝视及微扫描型红外传感器建模，形成红外热图像；

96、包括ac耦合、光学透过率、离焦误差、探测器倾斜、探测器几何排列模型、噪声(各种类型)、非均匀性、饱和度、采样伪差及光晕的建模；噪声包括热噪声、散粒噪声、1/f噪声、产生-复合噪声、光子噪声、暗电流噪声和ccd转移噪声。

97、进一步地，所述场景温度及辐射特性计算主要有以下三种方法：

98、201.根据经典辐射原理，建立辐射传输方程,通过求解方程获取场景温度和辐射分布；

99、202.以实测数据为依据，采用特征匹配、粘贴等方法得到景物特征分布；

100、203.理论与实验相结合的方法，建立半经验模型。

101、方法201基于经典辐射传输理论,可得到场景的精确红外辐射分布，但因需求解大量方程组，其计算过程相对复杂，计算量大，需高性能软硬件平台支持。方法202无论建模过程或计算量都较方法a简单很多，但由于所仿真场景与实摄图像之间可能存在差异，其仿真精度和灵活性都较差。

102、方法203综合了前两者的优缺点，既无需过多依赖大型软硬件平台支持，又兼顾保真度和灵活性，是软硬件平台不够完善时的首选方法。

103、进一步地，步骤三目标场景合成方法为两种之一：

104、301.对目标和背景辐射分别建模，将目标嵌入背景辐射图像中，计算目标和背景重叠区域红外辐射相互作用；

105、302.在目标与背景红外辐射理论模型基础上，结合目标与背景相对位置,建立耦合的红外特征理论模型，直接计算目标与背景红外辐射和对比特征；对于动态红外场景，计算整个红外场景辐射强度的高动态范围(hdr)变化。

106、优选地，当所述雷达为单线激光雷达时，基于已构建好的三维场景模拟生成雷达传感器数据的步骤如下：

107、步骤(a)基于雷达设备扫描平面，以雷达设备为中心点，每间隔n°发出一条线段、线段长度与雷达扫描距离相通，线段总条数为360/n

108、步骤(b)计算每条线段与场景中物体的交点，保存所有交点坐标值，按照雷达数据格式输出。

109、第二方面，本发明提供一种计算机可读存储介质，所述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第一方面所述的方法。

110、第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述第一方面所述的方法。

技术特征：

1.一种面向无人系统智能水平评估的基础数据生成方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的面向无人系统智能水平评估的基础数据生成方法，其特征在于，所述倾斜摄影技术生成模型数据的步骤如下：

3.根据权利要求1所述的面向无人系统智能水平评估的基础数据生成方法，其特征在于，所述dom和dem数据叠加方法生成模型数据的步骤如下：

4.根据权利要求1所述的面向无人系统智能水平评估的基础数据生成方法，其特征在于，所述步骤六中的可见光相机传感器数据生成包括如下步骤：

5.根据权利要求1所述的面向无人系统智能水平评估的基础数据生成方法，其特征在于，所述红外相机传感器数据生成步骤如下：

6.根据权利要求5所述的面向无人系统智能水平评估的基础数据生成方法，其特征在于，所述场景温度及辐射特性计算主要有以下三种方法：

7.根据权利要求5所述的面向无人系统智能水平评估的基础数据生成方法，其特征在于，步骤三目标场景合成方法为两种之一：

8.根据权利要求1所述的面向无人系统智能水平评估的基础数据生成方法，其特征在于，当所述雷达为单线激光雷达时，基于已构建好的三维场景模拟生成雷达传感器数据的步骤如下：

9.一种计算机可读存储介质，其特征在于，所述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权利要求1～8中任一项所述的方法。

10.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1～8任一项所述的方法。

技术总结
本发明属于无人系统智能化水平评估领域，尤其是一种面向无人系统智能水平评估的基础数据生成方法。本发明以通过构建基础模型数据库，然后以这些数据为基础，通过数据扩展与衍生技术，自动生成多样化的模型数据。具体包括以下几种类型基础数据生成关键技术与途径：建筑模型数据制作与扩展，地面、植被、道路、河流、标志物等模型制作与扩展技术、地形场景数据生成、城市场景数据生成、气象环境数据叠加以及传感器数据生成。本发明能够构建大量评估基准数据，按需形成可满足不同难度级别智能化水平分级评估的考评数据。

技术研发人员：肖刚,马琼敏,王莹,胡健伟,张瑜,马静静,杜琳琳
受保护的技术使用者：中国人民解放军军事科学院系统工程研究院
技术研发日：
技术公布日：2024/12/5