本发明涉及人工智能技术领域，尤其涉及一种视觉感知算法优化方法及系统。
背景技术：
随着自动驾驶技术的发展，对于某些作业机械，比如搅拌车和渣土车等，对视觉感知算法性能的要求越来越高，如何对视觉感知算法进行验证和优化成为亟待解决的问题。
目前针对自动驾驶系统，出现了通过各种仿真平台来进行系统仿真的方法，以对各种模块算法的验证提供支持，从而能够替代道路实际测试，然而目前的仿真验证方法，只能验证算法的有效性，并不能对视觉感知算法进行优化，这样的仿真验证过程效率较低，不能完全发挥验证结果的作用。
技术实现要素：
本发明提供一种视觉感知算法优化方法及系统，用以解决现有技术中并不能对视觉感知算法进行优化，这样的仿真验证过程效率较低，不能完全发挥验证结果的作用的缺陷，实现对视觉感知算法的优化，提高仿真验证过程的效率，能够充分发挥验证结果的作用，提高视觉感知算法的准确性和优化更新效率，促进自动驾驶更加安全高效。
本发明提供一种视觉感知算法优化方法，该视觉感知算法优化方法包括：获取真实数据和仿真数据，获取车辆状态模拟信息；基于所述真实数据、所述仿真数据以及所述车辆状态模拟信息，对视觉感知算法进行加载，生成感知性能指标；确认所述感知性能指标小于性能指标阈值，基于所述真实数据和所述仿真数据，对所述视觉感知算法进行训练，得到更新后的视觉感知算法；将所述更新后的视觉感知算法输入至控制和规划单元，得到反馈结果；确认所述反馈结果不在反馈阈值范围内，将所述更新后的视觉感知算法通过所述真实数据、所述仿真数据以及所述车辆状态模拟信息进行迭代加载，直到所述反馈结果在所述反馈阈值范围内，输出目标视觉感知算法。
根据本发明提供的一种视觉感知算法优化方法，所述基于所述真实数据和所述仿真数据，对所述视觉感知算法进行训练，得到更新后的视觉感知算法，包括：调入所述真实数据以及所述仿真数据，对所述视觉感知算法进行fine-tune训练，并更新所述视觉感知算法的参数；基于更新后的所述视觉感知算法的参数，得到所述更新后的视觉感知算法。
根据本发明提供的一种视觉感知算法优化方法，所述获取真实数据和仿真数据，包括：获取原始真实数据以及原始仿真数据；对所述原始真实数据以及所述原始仿真数据进行格式校正处理，得到所述真实数据和所述仿真数据。
根据本发明提供的一种视觉感知算法优化方法，所述获取真实数据和仿真数据，包括：采集所述真实数据，以及生成初始数据；基于摄像头的物理参数，对所述初始数据进行误差调整，得到所述仿真数据。
根据本发明提供的一种视觉感知算法优化方法，所述物理参数包括：传感器内参、传感器外参、畸变系数、安装高度、安装角度和安装倾斜度中的至少一种。
根据本发明提供的一种视觉感知算法优化方法，所述视觉感知算法至少包括：障碍物检测算法和车道线检测算法。
根据本发明提供的一种视觉感知算法优化方法，所述车辆状态模拟信息，包括底盘信息、定位信息和控制信息。
根据本发明提供的一种视觉感知算法优化方法，所述视觉感知算法优化方法由仿真测试平台执行。
本发明还提供一种视觉感知算法优化系统，该视觉感知算法优化系统包括：获取模块，用于获取真实数据和仿真数据，获取车辆状态模拟信息；加载模块，用于基于所述真实数据、所述仿真数据以及所述车辆状态模拟信息，对视觉感知算法进行加载，生成感知性能指标；训练模块，用于确认所述感知性能指标小于性能指标阈值，基于所述真实数据和所述仿真数据，对所述视觉感知算法进行训练，得到更新后的视觉感知算法；反馈模块，用于将所述更新后的视觉感知算法输入至控制和规划单元，得到反馈结果；迭代模块，用于确认所述反馈结果不在反馈阈值范围内，将所述更新后的视觉感知算法通过所述真实数据、所述仿真数据以及所述车辆状态模拟信息进行迭代加载，直到所述反馈结果在所述反馈阈值范围内，输出目标视觉感知算法。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上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如上述任一种所述视觉感知算法优化方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述视觉感知算法优化方法的步骤。
本发明提供的视觉感知算法优化方法及系统，通过基于真实数据、仿真数据以及车辆状态模拟信息，对视觉感知算法进行验证和迭代，在评价的基础上对视觉感知算法进行更新，从而实现对视觉感知算法的优化，提高仿真验证过程的效率，能够充分发挥验证结果的作用，提高视觉感知算法的准确性和优化更新效率，促进自动驾驶更加安全高效。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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。
图1是本发明提供的视觉感知算法优化方法的流程示意图；
图2是本发明提供的视觉感知算法优化方法的原理示意图；
图3是本发明提供的视觉感知算法优化系统的结构示意图；
图4是本发明提供的电子设备的结构示意图；
图5是本发明提供的一种视觉感知算法验证迭代的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1-图5描述本发明的视觉感知算法优化方法及系统。
视觉感知算法是自动驾驶车辆的车载主机中存储的计算机程序，视觉感知算法能够对车辆的摄像头拍摄的图像和视频进行处理，感知到障碍物和车道线等对象，从而便于控制车辆及时做出反馈。
如图1和图2所示，本发明提供一种视觉感知算法优化方法，该视觉感知算法优化方法包括：如下步骤110至步骤150。
步骤110、获取真实数据和仿真数据，获取车辆状态模拟信息。
可以理解的是，可以设置仿真测试平台，仿真测试平台可以包括数据生成单元、数据预处理单元、车辆状态信息单元、感知算法验证及处理单元和控制规划单元。数据生成单元可以获取真实数据和仿真数据，真实数据可以是实际场景中摄像头拍摄到的环境实时图像或者实时视频，仿真数据是数据生成系统模拟出来的环境图像或者环境视频。
摄像头可以为短焦摄像头、长焦摄像头或者鱼眼摄像头。
车辆状态模拟信息是车辆状态信息单元根据车辆在真实场景中行驶所具备的车辆状态信息模拟出来的相关信息，车辆状态信息单元可以生成车辆状态模拟信息，车辆状态模拟信息实质上是一种仿真出来的数据形式。
步骤120、基于真实数据、仿真数据以及车辆状态模拟信息，对视觉感知算法进行加载，生成感知性能指标。
可以理解的是，可以将真实数据、仿真数据以及车辆状态模拟信息输入到感知算法验证及处理单元中，同时在感知算法验证及处理单元中加载视觉感知算法，也就是利用视觉感知算法对真实数据、仿真数据以及车辆状态模拟信息进行处理，以模拟出实际驾驶场景中，视觉感知算法运行的实际过程。
视觉感知算法在运行后，可以先得到障碍物信息属性，障碍物信息属性可以包括目标id、目标类别、目标的宽度和高度、目标的置信度、目标的中心坐标，车道线的信息属性包括车道线质量(置信度)、车道线类型和三次多项式拟合参数(c0，c1，c2，c3)。
可以将障碍物信息属性转化为感知性能指标，感知性能指标可以包括：障碍物检测的ap(单类别评估精度)，map(多个类别ap的平均值)，fps(帧率)，车道线检测指标p(精确度)。
步骤130、确认感知性能指标小于性能指标阈值，基于真实数据和仿真数据，对视觉感知算法进行训练，得到更新后的视觉感知算法。
可以理解的是，可以设定性能指标阈值，将感知性能指标与性能指标阈值进行比较，如果感知性能指标大于或者等于性能指标阈值，则认为视觉感知算法通过了验证，此时可以不对视觉感知算法进行更新，可以将视觉感知算法输出到融合模块和后处理单元中，也就是直接将视觉感知算法进行存储，以供后续使用和运行。
如果感知性能指标小于性能指标阈值，此时认为视觉感知算法需要优化更新，此时利用真实数据和仿真数据，对视觉感知算法进行训练，从而调整视觉感知算法的参数，基于调整后的视觉感知算法的参数，得到更新后的视觉感知算法。
值得一提的是，性能指标阈值是视觉感知算法所对应的评价指标，不同的视觉感知算法对应不同的性能指标阈值，性能指标阈值可以根据实际需求来设定，本实施例对此不具体限定。
步骤140、将更新后的视觉感知算法输入至控制和规划单元，得到反馈结果。
可以理解的是，控制和规划单元能够根据车辆的实际驾驶场景中执行元件的工作状态进行仿真，控制和规划单元能够对输入的更新后的视觉感知算法进行响应，得到反馈结果，可以根据反馈结果，来对更新后的视觉感知算法进行二次评价。
反馈结果可以包括：车道线宽度、探测距离以及障碍物横向距离的偏移误差等，这些通过控制和规划单元获取的数据基于事先设定的反馈阈值去判定更新后的视觉感知算法提供的结果是否合适，不合适就进一步优化感知算法，以及优化相应的参数。
步骤150、确认反馈结果不在反馈阈值范围内，将更新后的视觉感知算法通过真实数据、仿真数据以及车辆状态模拟信息进行迭代加载，直到反馈结果在所述反馈阈值范围内，输出目标视觉感知算法。
可以理解的是，可以预设反馈阈值，将反馈结果和反馈阈值进行比较，如果反馈结果在所述反馈阈值范围内，认为更新后的视觉感知算法符合要求，此时将更新后的视觉感知算法作为目标视觉感知算法输出到融合和后处理模块即可；如果反馈结果不在反馈阈值范围内，则认为更新后的视觉感知算法尚未符合要求，此时将更新后的视觉感知算法通过真实数据、仿真数据以及车辆状态模拟信息进行迭代加载，也就是重复执行步骤120至步骤150的过程，直到得到的反馈结果在所述反馈阈值范围内，此时将符合要求的更新后的视觉感知算法作为目标视觉感知算法来输出。
反馈阈值可以为一个区间数值，如果反馈结果不在这个区间范围内，则进行迭代加载操作，直到反复迭代得到的反馈结果在这个区间范围内。
这样就通过验证和迭代的过程，实现了对视觉感知算法的多次评价，使得输出的目标视觉感知算法实现了优化，使得自动驾驶更加安全高效。
值得一提的是，该视觉感知算法优化方法可以直接在仿真测试平台中执行，仿真测试平台可以运行在一台终端设备中，用于对视觉感知算法进行验证优化，在对视觉感知算法进行优化时，仿真测试平台并不需要和服务器连接，也不需要和移动终端连接，并不需要其他的设备来辅助检测，仿真测试平台可以直接按照该方法的步骤顺次执行，不依赖别的设备端就可以自行完成优化任务，这样可以简化流程，减少因为信息转化和传输所消耗的时间，也减少了实际测试的成本和时间，能够极大地提高视觉感知算法的优化效率。
本发明提供的视觉感知算法优化方法，通过基于真实数据、仿真数据以及车辆状态模拟信息，对视觉感知算法进行验证和迭代，在评价的基础上对视觉感知算法进行更新，从而实现对视觉感知算法的优化，提高仿真验证过程的效率，能够充分发挥验证结果的作用，提高视觉感知算法的准确性和优化更新效率，促进自动驾驶更加安全高效。
在一些实施例中，上述步骤130、基于真实数据和仿真数据，对视觉感知算法进行训练，得到更新后的视觉感知算法，包括：调入真实数据以及仿真数据，对视觉感知算法进行fine-tune训练，并更新视觉感知算法的参数；基于更新后的视觉感知算法的参数，得到更新后的视觉感知算法。
可以理解的是，fine-tune是深度学习技术中的微调训练方式，此处可以调入真实数据以及仿真数据对视觉感知算法来进行微调训练，调整更新视觉感知算法的参数，根据更新后的视觉感知算法的参数，来得到更新后的视觉感知算法。
在一些实施例中，步骤110、获取真实数据和仿真数据，还包括：
获取原始真实数据以及原始仿真数据；对原始真实数据以及原始仿真数据进行格式校正处理，得到真实数据和仿真数据。
可以理解的是，仿真平台可以包括数据预处理单元，数据预处理单元可以将原始真实数据和原始仿真数据进行格式校正，比如进行统一格式存储、比如cv：mat，image等操作以及宽和高的对齐操作，以及对图像数据进行校正，记录数据的帧号，经过这种预处理操作后就可以得到真实数据和仿真数据。
在一些实施例中，步骤110、获取真实数据和仿真数据，包括：采集真实数据，以及生成初始数据；基于摄像头的物理参数，对初始数据进行误差调整，得到仿真数据。
可以理解的是，数据生成单元可以生成初始数据，初始数据可能存在误差，因此可以在误差校正单元中利用真实数据以及摄像头的物理参数对初始数据进行校正，也就是误差调整。摄像头的物理参数是能够影响到成像效果的，此处将摄像头的物理参数拿来校正初始数据，初始数据经过误差调整后，就得到了仿真数据，仿真数据更加接近真实条件下的环境图像。
在一些实施例中，物理参数包括：传感器内参、传感器外参、畸变系数、安装高度、安装角度和安装倾斜度中的至少一种。
可以理解的是，摄像头的传感器物理参数可以包括传感器内参、传感器外参、畸变系数、安装高度、安装角度和安装倾斜度。可以利用这些物理参数来对初始数据进行误差调整，得到仿真数据。
值得注意的是，现有技术中缺少传感器模型搭建的过程以及对虚拟生成的初始数据与真实数据之间的参数比对和误差分析，如果没有这个过程，就无法保证生成的仿真数据的实际有效性，对视觉感知算法的验证和优化过程就很难有实际效果。
本实施例引入摄像头的传感器内参、传感器外参、畸变系数、安装高度、安装角度和安装倾斜度这些传感器物理参数对初始数据进行误差调整，可以模拟出不同场景下的仿真数据，生成与实际场景贴近的不同工况的仿真数据，使得仿真数据更加接近真实场景中的实际视频数据，使得用于检测的仿真数据的真实性更高，那么基于仿真数据进行检测和优化得到视觉感知算法的准确率也就更高。
在一些实施例中，视觉感知算法至少包括：障碍物检测算法和车道线检测算法。
如图5所示，本发明可以实现对多个视觉感知算法进行同时校验和迭代，那么每种视觉感知算法就对应有类型标识type，type为0时，对应障碍物检测算法，type为1时，对应车道线检测算法。
可以理解的是，障碍物检测算法能够用于从车辆的环境图像中提取出障碍物信息，车道线检测算法能够用于从车辆的环境图像中提取出车道线信息，当然，视觉感知算法还可以包括其他相关检测算法。
在一些实施例中，车辆状态模拟信息，包括底盘信息、定位信息和控制信息。
可以理解的是，车辆状态模拟信息是模拟车辆在真实行驶情况下的状态信息，车辆在真实行驶时，车辆状态信息可以包括底盘信息、定位信息和控制信息，底盘信息用于反映车辆底盘的前进、后退和转向等信息，定位信息用于反映车辆的实时位置，控制信息用于反映车辆的减速状态、加速状态或者刹车状态等状态信息。
在一些实施例中，该视觉感知算法优化方法由仿真测试平台执行，也就是说该视觉感知算法优化方法可以由仿真测试平台自动运行，并不需要其他的设备来辅助检测，仿真测试平台能够自行完成对视觉感知算法的检测和优化更新，减少因为信息转化和传输所消耗的时间，也减少了实际测试的成本和时间，这样能够提高效率，进一步提高自动驾驶的安全性能。
下面对本发明提供的视觉感知算法优化系统进行描述，下文描述的视觉感知算法优化系统与上文描述的视觉感知算法优化方法可相互对应参照。
如图3所示，下本发明还提供一种视觉感知算法优化系统，包括：获取模块310、加载模块320、训练模块330、反馈模块340和迭代模块350。
获取模块310，用于获取真实数据和仿真数据，获取车辆状态模拟信息。
加载模块320，用于基于真实数据、仿真数据以及车辆状态模拟信息，对视觉感知算法进行加载，生成感知性能指标。
训练模块330，用于确认感知性能指标小于性能指标阈值，基于真实数据和仿真数据，对视觉感知算法进行训练，得到更新后的视觉感知算法。
反馈模块340，用于将更新后的视觉感知算法输入至控制和规划单元，得到反馈结果。
迭代模块350，用于确认反馈结果不在反馈阈值范围内，将更新后的视觉感知算法通过真实数据、仿真数据以及车辆状态模拟信息进行迭代加载，直到反馈结果在所述反馈阈值范围内，输出目标视觉感知算法。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(communicationsinterface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行视觉感知算法优化方法，该方法包括：获取真实数据和仿真数据，获取车辆状态模拟信息；基于真实数据、仿真数据以及车辆状态模拟信息，对视觉感知算法进行加载，生成感知性能指标；确认感知性能指标小于性能指标阈值，基于真实数据和仿真数据，对视觉感知算法进行训练，得到更新后的视觉感知算法；将更新后的视觉感知算法输入至控制和规划单元，得到反馈结果；确认反馈结果不在反馈阈值范围内，将更新后的视觉感知算法通过真实数据、仿真数据以及车辆状态模拟信息进行迭代加载，直到反馈结果在所述反馈阈值范围内，输出目标视觉感知算法。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的视觉感知算法优化方法，该方法包括：获取真实数据和仿真数据，获取车辆状态模拟信息；基于真实数据、仿真数据以及车辆状态模拟信息，对视觉感知算法进行加载，生成感知性能指标；确认感知性能指标小于性能指标阈值，基于真实数据和仿真数据，对视觉感知算法进行训练，得到更新后的视觉感知算法；将更新后的视觉感知算法输入至控制和规划单元，得到反馈结果；确认反馈结果不在反馈阈值范围内，将更新后的视觉感知算法通过真实数据、仿真数据以及车辆状态模拟信息进行迭代加载，直到反馈结果在所述反馈阈值范围内，输出目标视觉感知算法。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的视觉感知算法优化方法，该方法包括：获取真实数据和仿真数据，获取车辆状态模拟信息；基于真实数据、仿真数据以及车辆状态模拟信息，对视觉感知算法进行加载，生成感知性能指标；确认感知性能指标小于性能指标阈值，基于真实数据和仿真数据，对视觉感知算法进行训练，得到更新后的视觉感知算法；将更新后的视觉感知算法输入至控制和规划单元，得到反馈结果；确认反馈结果不在反馈阈值范围内，将更新后的视觉感知算法通过真实数据、仿真数据以及车辆状态模拟信息进行迭代加载，直到反馈结果在所述反馈阈值范围内，输出目标视觉感知算法。
以上所描述的装置实施例仅仅是示意性的，其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
1.一种视觉感知算法优化方法，其特征在于，包括：
获取真实数据和仿真数据，获取车辆状态模拟信息；
基于所述真实数据、所述仿真数据以及所述车辆状态模拟信息，对视觉感知算法进行加载，生成感知性能指标；
确认所述感知性能指标小于性能指标阈值，基于所述真实数据和所述仿真数据，对所述视觉感知算法进行训练，得到更新后的视觉感知算法；
将所述更新后的视觉感知算法输入至控制和规划单元，得到反馈结果；
确认所述反馈结果不在反馈阈值范围内，将所述更新后的视觉感知算法通过所述真实数据、所述仿真数据以及所述车辆状态模拟信息进行迭代加载，直到所述反馈结果在所述反馈阈值范围内，输出目标视觉感知算法。
2.根据权利要求1所述的视觉感知算法优化方法，其特征在于，所述基于所述真实数据和所述仿真数据，对所述视觉感知算法进行训练，得到更新后的视觉感知算法，包括：
调入所述真实数据以及所述仿真数据，对所述视觉感知算法进行fine-tune训练，并更新所述视觉感知算法的参数；
基于更新后的所述视觉感知算法的参数，得到所述更新后的视觉感知算法。
3.根据权利要求1所述的视觉感知算法优化方法，其特征在于，所述获取真实数据和仿真数据，包括：
获取原始真实数据以及原始仿真数据；
对所述原始真实数据以及所述原始仿真数据进行格式校正处理，得到所述真实数据和所述仿真数据。
4.根据权利要求1所述的视觉感知算法优化方法，其特征在于，所述获取真实数据和仿真数据，包括：
采集所述真实数据，以及生成初始数据；
基于摄像头的物理参数，对所述初始数据进行误差调整，得到所述仿真数据。
5.根据权利要求4所述的视觉感知算法优化方法，其特征在于，所述物理参数包括：传感器内参、传感器外参、畸变系数、安装高度、安装角度和安装倾斜度中的至少一种。
6.根据权利要求1至5中任一项所述的视觉感知算法优化方法，其特征在于，所述视觉感知算法至少包括：障碍物检测算法和车道线检测算法。
7.根据权利要求1至5中任一项所述的视觉感知算法优化方法，其特征在于，所述车辆状态模拟信息包括底盘信息、定位信息和控制信息。
8.根据权利要求1至5中任一项所述的视觉感知算法优化方法，其特征在于，所述视觉感知算法优化方法由仿真测试平台执行。
9.一种视觉感知算法优化系统，其特征在于，包括：
获取模块，用于获取真实数据和仿真数据，获取车辆状态模拟信息；
加载模块，用于基于所述真实数据、所述仿真数据以及所述车辆状态模拟信息，对视觉感知算法进行加载，生成感知性能指标；
训练模块，用于确认所述感知性能指标小于性能指标阈值，基于所述真实数据和所述仿真数据，对所述视觉感知算法进行训练，得到更新后的视觉感知算法；
反馈模块，用于将所述更新后的视觉感知算法输入至控制和规划单元，得到反馈结果；
迭代模块，用于确认所述反馈结果不在反馈阈值范围内，将所述更新后的视觉感知算法通过所述真实数据、所述仿真数据以及所述车辆状态模拟信息进行迭代加载，直到所述反馈结果在所述反馈阈值范围内，输出目标视觉感知算法。
10.一种电子设备，包括存储器、处理器及存储在所述存储器上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程序时实现如权利要求1至8任一项所述视觉感知算法优化方法的步骤。
11.一种非暂态计算机可读存储介质，其上存储有计算机程序，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8任一项所述视觉感知算法优化方法的步骤。
技术总结