华为云用户手册

预审核任务相关操作 在“预审核任务”列表，还可以进行以下操作。 表1 预审核任务相关操作 任务 操作步骤 查询预审核任务 在搜索输入框中输入搜索条件，按回车键即可查询任务。 查看模型 单击模型名称，界面跳转至模型详情，可查看模型。 查看任务报告 单击操作栏中的“报告”，可查看或下载任务报告。 查看任务日志 单击操作栏中的“日志”，可查看或下载日志详情。 删除任务 选择单个任务，单击操作栏的“删除”，删除单个任务。 勾选多个任务，单击列表上方的“批量删除”，可批量删除任务。

CCE集群 Octopus平台依赖算子镜像内的/bin/bash、stdbuf、tee软件，请确保基础镜像内包含上述软件且能通过PATH找到。 一般情况下，训练与评测定义为同一个引擎，主要包括算法或评测脚本运行所需要的基本依赖环境。用户可使用命令行模式或Dockerfile模式进行构建。以训练、评测镜像为例，一般的镜像制作Dockerfile示例如下（xxx替换为实际路径）： # 载入基础镜像，训练或评测引擎一般需包含cuda/cudnn等算法基础环境。用户可手动制作或拉取官方镜像 FROM xxx/cuda:11.0.3-devel-ubuntu18.04 # 设置工作目录【可选】默认为ROOT，用户可修改USER及PATH WORKDIR /root/workspace # 安装用户APT环境。如果需要修改/etc/apt/sources.list可替换 COPY /path/to/sources.list /etc/apt/sources.list RUN apt-get install vim # 安装用户算法环境。如果需要修改~/.pip/pip.conf可替换。用户也可安装miniconda进行包管理 COPY /path/to/pip.conf /root/.pip/pip.conf COPY /path/to/requirements.txt /root RUN pip install –r /root/requirements.txt # 设置环境变量【可选】 ENV PYTHONUNBUFFERED 1 编译镜像类似上述训练、评测镜像制作方式，但一般不包含cuda/cudnn库，需替换为用户的编译环境。 对于Dockerfile的统一构建方式如下： docker build –f [DockerfileName] –t [ImageName:ImageVersion] . 镜像运行时，会向运行环境注入部分默认文件配置: 表1 环境变量说明 任务名称 文件名 环境变量 训练任务 增量模型目录 MODEL="/tmp/data/model" 训练产物目录 RESULT= "/tmp/result" 数据集目录 DATASET="/tmp/data/dataset/" 评测任务 评测结果目录 EVAL_RESULT= "/tmp/result" 模型版本文件目录 MODEL="/tmp/data/model" 数据集目录 DATASET= "/tmp/data/dataset/dataset-0" 编译任务 模型版本文件目录 MODEL_PATH="/tmp/data/model" 编译产物目录 TMP_RESULT_PATH= "/tmp/result" 预标注任务 数据集目录 OCTPS_DATASET_DIR="/tmp/…/data" 模型版本文件目录 OCTPS_MODEL_DIR="/tmp/…/model" 模型版本关联标注物文件路径 OCTPS_META_PATH="/tmp/…/meta/label_meta_infos.json" 预标注结果数据目录 TARGET_RESULT_DIR="/tmp/…/result/data" 预标注日志文件目录 TARGET_ LOG _DIR="/tmp/…/result/log" 父主题： 镜像制作（训练）

作业输入输出规范 用户完成自定义Rosbag转OpenData算子创建，运行作业容器时Octopus平台向其中注入以下环境变量： rosbag_path: 作为数据源的rosbag存放路径，例如/tmp/data/20220620.bag yaml_path: 启动数据收集任务的yaml文件路径，例如/tmp/Octopus_data_collections.yaml output_dir: rosbag数据包作业运行结果输出目录，例如/tmp/output tmp_dir: 供用户存储作业临时文件的目录，例如/tmp/workspace 用户的作业容器需要解析rosbag，并将转换结果输出到output目录，结果示例如下： 每个传感器提取的数据保存在单独的文件夹，其中camera和lidar传感器提取的样本文件必须以时间戳命名。任务结束标志文件，_SUCEESS或_FAILURE分别代表任务成功或失败。opendata_to_platform.yaml文件以yaml格式记录该OpenData数据包的元数据，格式如下： sensor_type字段标识传感器类型，可取以下值：camera、lidar、gnss、vehicle、ego_tf、object_array_vision、traffic_light_matched、tag_record、planning_trajectory、predicted_objects、control、routing_path、localization_visualization。具体定义参考数据包格式。 示例opendata_to_platform.yaml文件内容如下： 父主题： Rosbag转OpenData作业（数据回放）

换道（Lane Change）检测 换道检测的目的是判断主车在换道过程中的换道持续时间以及换道时的侧向加速度是否合理。 换道是指当主车所在的road id保持不变， 在某一时刻，其lane id发生变化， 在该时刻的前后一段时间内主车处于换道过程。 对于判定换道时的侧向加速度是否合理， 本设计考虑换道时刻的前后2s的时间段内的侧向加速度是否太大， 对于侧向加速度大于一定阈值（可用户自定义，本设计取2m/s2）， 则换道时的侧向加速度检测不通过。 对于判断换道持续时间是否合理， 本设计以主车相对车道中心线的偏离横摆角作为换道开始和结束的判定标记， 在换道时刻之前的第一个偏离横摆角小于0.03rad的时间点为换道开始点， 在换道时刻之后第一个偏离横摆角小于0.03rad的时间点为换道结束点。 换道开始点到换道结束点的时间长度作为换道持续时间， 当换道持续时间小于某一阈值（可用户自定义，本设计取1.5s）时， 或换道时间大于某一阈值（可用户自定义，本设计取6s）时， 换道持续时间检测不通过。 该指标关联的内置可视化时间序列数据为：暂无。 该指标的异常时间点记录类型为：POINT_TYPE_POINT。 父主题： 内置评测指标说明

评分方案介绍 Octopus评测指标共有30多项大类指标，当规控算法未通过某些评测指标后，评测分数应能反映算法的性能表现。 本设计根据指标的重要程度将其分为三大类： 主要指标（以下简称A类）。 次要指标（以下简称B类）。 未定义重要度指标（以下简称C类）。 本设计提供如下三种内置的评分方案： AB类log函数评分。 AB类均匀权重评分。 C类均匀权重评分。 接下来对三种评分方案进行详细介绍。 父主题： 评测分数计算介绍

逻辑场景库相关操作 在“逻辑场景库”页签，还可进行以下操作。 表1 逻辑场景库相关操作 任务 操作步骤 查看逻辑场景库信息 单击左侧逻辑场景库名称，查看右侧该场景库信息以及场景库包含场景信息。 场景库信息：场景库名称、创建人、描述和创建时间等信息。 场景列表：该逻辑场景库中包含的所有场景。逻辑场景的具体操作请参考逻辑场景管理。 修改逻辑场景库信息/逻辑场景库分类信息 单击场景库名称或场景库分类后的，修改逻辑场景库或场景库分类的信息。 删除逻辑场景库/逻辑场景库分类 单击场景库名称或场景库分类后的，删除指定逻辑场景库或场景库分类。 查询逻辑场景 根据“逻辑场景名称”或“创建人”，输入搜索条件，查询逻辑场景列表中的场景。

数据场景 Octopus平台处理完原始采集数据后，平台支持内置和自定义场景挖掘算法，可自动提取对应场景行为的片段，展示在数据场景模块中。用户可将其生成单个仿真场景片段，为后续仿真开发做准备。 数据场景依赖以下三个topic：ego_tf(主车定位)、 object_array_vision(目标感知)、vehicle(底盘)。自定义场景挖掘算法对topic无特殊要求，由客户算法自行定义。 场景展示 标签管理 父主题： 数据资产

通用存储相关操作 在“通用存储”列表，还可以完成以下操作。 表1 通用存储相关操作 任务 操作步骤 查看通用存储 单击通用存储名称，可查看通用存储详情。具体可查看通用存储详情。 查询通用存储 在搜索框中输入搜索条件，按回车键即可查询。 删除通用存储 选择单个通用存储，单击操作栏的“ 删除”，删除单个通用存储。 勾选多个通用存储，单击列表上方的“删除”，可删除多个通用存储。 说明： 当通用存储中存在数据处理任务时，不可删除通用存储，需先删除完数据处理任务才可删除通用存储。 编辑通用存储 单击操作栏内的“编辑”，可编辑通用存储。

模型微调任务相关操作 在模型微调任务列表页，还可以完成以下操作。 表1 模型微调任务管理相关操作 任务 操作步骤 查看任务详情 单击任务名称，在任务详情页面查看模型微调任务详情，包括任务基本信息、参数详情以及任务日志。 停止任务 当任务状态为“排队中”或“运行中”时，可单击操作栏内的“停止”，进行停止任务操作。 复制任务 单击操作栏内的“复制”，可基于现有任务创建新任务。 单个删除任务 单击操作栏内的“删除”可单个删除任务。模型微调任务删除后无法恢复，请谨慎操作。 批量删除任务 勾选名称前面的复选框，单击列表左上角的“删除”，可批量删除任务。模型微调任务删除后无法恢复，请谨慎操作。 查询模型微调任务 在搜索输入框中输入搜索条件，按回车键即可查询目标任务。

敏感性分析 Octopus平台支持基于参数组合、回归训练、敏捷性评定三个参数空间分析得到的敏感性分析结果，主要对逻辑场景的参数空间进行敏感性分析。在泛化任务完成的批量仿真任务后加上敏感性分析，然后把敏感性分析结果展现在新的泛化任务创建界面上，来帮助客户更好调节参数创建泛化任务。 进入到创建泛化任务界面，参数设置，选择参数设置后的“灵敏度分析”。 图5 灵敏度分析 选择关联到该逻辑场景下泛化任务的仿真任务。 图6 选择仿真任务 单击“确定”，界面出现上次任务的敏感性分析结果，展示每个参数的灵敏度参数，该值的范围在[0,1]，该值越大，说明该参数的变化对评测分数的影响越大。 图7 泛化参数 用户可根据敏感性分析结果，设置当前各项参数的数值。

使用规范 在线仿真服务集成了一整套完整的仿真工具链，开箱即用。 在使用新的普通用户登录在线仿真时，需修改在线仿真系统配置： 关闭桌面锁屏。 调整屏幕分辨率（默认分辨率不高，可调至适合的分辨率）。 将默认的浏览器更改为Chrome或Firefox。 在线仿真根据用户名称生成系统进程，Linux中不合法的用户名称登录在线仿真会出现异常，合法的用户名称限制如下： 只能包含小写字母、数字、下划线、中划线 。不得超过31个字符。 只能以字母和下划线开头。不可包括连续的下划线和中划线。不可包含linux的关键字或保留字。 目前在线仿真为独占式，同一台在线仿真器同一时间只允许一个用户使用，待用户释放后，才可供其他用户使用。

本地调试 命令示例： docker run -v ${HOME}/workspace/guikong/2022-09-23-15-26-54_6.bag_pnc.bag:/tmp/input.bag -v ${HOME}/workspace/output:/tmp/output --env rosbag_path=/tmp/input.bag --env output_dir=/tmp/output --entrypoint /bin/sh guikong-demo:0.1 “-c” “bash /home/Octopus/run.sh” 运行后查看输出结果： 确定算法输出、yaml和_SUC CES S标识文件都存在，且文件所有人可读。

数据资产简介 在自动驾驶产品的开发过程中，海量的数据存储和管理是当前自动驾驶平台面临的业务挑战之一。 Octopus平台的数据服务模块提供了海量数据采集、存储以及数据并行处理等功能，供后续服务进行统一使用。数据服务开发流程如下： 图1 数据服务开发流程 地图管理：支持上传高精地图数据，可用于数据回放、仿真场景等功能。 标定管理：支持车辆、车辆传感器标定的配置，方便即时管理车辆以及标定信息。 源数据包：此模块展示导入成功的数据包，支持对源数据包的查看，回放等功能。 数据场景：平台处理完原始采集数据后，平台支持内置和自定义场景挖掘算法，可自动提取对应场景行为的片段，展示在此模块中。 数据集：支持数据集多版本管理和统计。同时支持用户将本地符合平台规范的数据集导入平台，以及将平台上的数据集导出到自有OBS桶中。 数据缓存：提供专用高速文件存储功能，加速训练和评测读取数据集的速度。 模型管理：负责对模型仓库和模型版本进行各种操作，模型仓库可包含多个模型版本，支持上传符合平台规范的模型用于标注或训练任务。 通用存储：支持创建通用存储，用于数据存储。 父主题： 数据资产

执行顺序（Execution sequence） OSC2.0场景剧本StoryBoard通过执行顺序Execution Sequence和触发器Trigger来支持用户设计各种场景。StoryBoard中有parallel和serial两种执行指令，最外层执行指令之前需要加上do来使场景剧本生效。其中： parallel：同步执行下方代码块内的动作action。 serial：依次执行下方代码块内的动作act。 例如下方样例中，do parallel:下的assign_init_speed，assign_init_position和wait elapsed(10s) 是同步执行的。而serial:下的lead_vehicle.change_speed在Ego.activate_controller完成之后执行。 由于初始动作InitAction内的action同步执行，且InitAction与story之间不涉及顺序执行，建议场景最外层统一使用parallel。 样例 m_profile: dynamics_shape = linear do parallel: # InitAction Ego.assign_init_speed(15mps) Ego.assign_init_position(position: Ego_InitPosition) # Story serial: # act1 Ego.activate_controller(true, true) lead_vehicle.change_speed(target: 20mps, rate_profile: m_profile, rate_peak: 0.3mpss) serial: # act2 wait elapsed(10s) lead_vehicle.activate_controller(true, true)

绘制对象 绘制多边形。 选择左侧工具栏多边形按钮，（快捷键4，非小键盘）绘制多边形。 图2 绘制多边形 选择标注。 标注列表页选择符合的标注。 图3 选择标注 绘制标注形状。 绘制标注形状有两种方法：点式绘制和交互式分割工具，用户可根据需要选择绘制方式 点式绘制形状：通过单击目标对象的边缘，点状连线，获得闭合的多边形，操作如下： 通过鼠标左键单击添加点标注图中对象，未闭合状态可通过“alt+Z”撤销上一步绘制的点，标注过程中可通过“alt+鼠标左键”拖动图片。按住键盘上空格键进行闭合，该对象标注完成。 项目类型为语义标注、道路特征提取、可行驶区域，这三类任务是空格键闭合且alt+鼠标左键拖动图片，其余任务使用左键拖动图片和闭合多边形。 交互式分割工具（仅在“语义标注”项目中使用）：通过在标注对象及附近区域单击正点(目标对象区域的点)或负点（非目标对象区域的点）， 自动得到较优的多边形。具体步骤如下： 单击快捷键“4，非小键盘”，进入多边形绘制状态。 单击快捷键“z”键进入目标对象的交互式标注模式， 页面右上角出现“交互式分割已开启”字样。 在前景区域，通过鼠标左键单击正点(目标对象区域的点)，得到预测的多边形。 在背景区域，通过鼠标左键单击负点（非目标对象区域的点），修正多边形。在多边形区域未包含的前景区域左键单击正点，修正多边形。 重复单击正或负点，修正预测的多边形，直到多边形达到较好的效果。 一般情况下，单击3-5个点即可达到较好效果，如果超过10个点还未达到较好效果，则此对象的此次交互式标注基本无效，建议退出。 再次单击快捷键“z”键，可退出目标对象的交互式标注模式， 页面右上角“交互式分割已开启”字样消失。该对象标注完成。 切割线工具修改多边形。 单击左侧标注工具栏切割线（快捷键8，非小键盘），切割线空格键闭合，切割线绘制完成通过键盘上“m”键可完成切割。 切割线可用于切割多边形不贴合部分，切割线首尾两点与多边形需有交点。 其他常用标注工具。 绘制共边对象：通过键盘上“X”键实现两对象共边。 全局标注：选中一标注对象，单击左侧工具栏“全局标注物”按钮，或通过键盘快捷键“i”复制该对象到图层中，选中该对象可应用到本图或者下一张图中。该步骤可用于有相同对象的图片，或者有覆盖类型的标注中。 图4 全局标注 删除对象：选中一对象，通过键盘上“delete”键可在图中删除该对象。 撤回上一步：单击左侧工具栏“撤回”，或通过快捷键“shift+z”撤回上一步。 隐藏标注列表和预览图：单击左侧工具栏“隐藏标注列表”、“隐藏预览”，扩大标注区域。 调整透明度：单击左侧工具栏“调整透明度”，调整图片。 更改标注类别 多边形闭合后可在该对象上单击鼠标右键，更改该对象类别。 图5 更改标注类别 修改额外属性。 右键单击目标图形，如果目标含有额外属性，如果其默认属性错误，单击即可选择属性。 修改对象ID。 右键单击目标图形，可以在对象ID栏手动输入数值来修改ID。

跟车起停（Stop and Go）检测 跟车起停检测的目的是判断主车跟随前车停车后能否在前车启动后重新启动。 当主车跟随前车制动停止后， 前车重新启动后， 主车重新启动的时间要合适， 该时间允许用户自定义， 本设计默认取3s。 当重新启动时间大于指定阈值时， 则跟车起停检测不通过。 该指标关联的内置可视化时间序列数据为：暂无。 该指标的异常时间点记录类型为：POINT_TYPE_REGION。 父主题： 内置评测指标说明

split 简述：地图场景为匝道分流。lead_vehicle和主车Ego在主道的同一车道上分别以35kph和Ego_InitSpeed_Ve0的初始速度一前一后行驶，Ego设定了目标在匝道上的目标点Target_position，仿真开始后激活Ego控制器（控制器会影响Ego去往Target_position的寻路算法，但目前仿真器B尚不支持寻路动作acquire_position）。控制器有时会根据lead_vehicle的位置更改主车Ego的速度。 使用xyz坐标创建终点时，由于匝道地图泛化会使终点偏移，建议在创建测评任务时为检测终点设置合适的半径，例如"到达半径5m"。 地图文件（odr） scenario Split: m_scene: scenery lane_width: length = [3m..4m] main_speed: speed = 120kph ramp_speed: speed = 60kph ramp_length: length = [300m..350m] road_aids_type: road_aids_type = "DType-2" split_1: split with: keep(it.lane_width == lane_width) keep(it.left_lane_num == 0) keep(it.right_lane_num == 3) keep(it.ramp_lane_num == 1) keep(it.main_speed == main_speed) keep(it.ramp_speed == ramp_speed) keep(it.radius_of_curvature == 200m) keep(it.ramp_length == ramp_length) keep(it.road_aids_type == road_aids_type) 场景文件（osc） import standard scenario Split: # map map: map map.set_map_file("./split.odr") # parameter Ego_InitSpeed_Ve0: speed = [90kph..110kph] Ego_InitPosition_LaneId: string = ['-1', '-2'] Ego_InitPosition_s: length = [0m..100m] Ego_Odr: odr_point = map.create_odr_point(road_id: '10', lane_id: Ego_InitPosition_LaneId, s: Ego_InitPosition_s, t: 0.0m) Ego_InitPosition: pose_3d with: keep(it.odr_point == Ego_Odr) m_InitDistance: length = [60m..100m] Target_xyz: xyz_point = map.create_xyz_point(x: 445m, y: -46.5m ,z: 0.0m) Target_position: pose_3d with: keep(it.xyz_point == Target_xyz) Duration: time = 100s # entity Ego: vehicle with: keep(it.name == "Saimo") keep(it.initial_bm == "默认驾驶员") lead_vehicle: vehicle with: keep(it.name == "Saimo") keep(it.initial_bm == "默认驾驶员") # storyboard do parallel(duration: Duration): # init Ego.assign_init_position(position: Ego_InitPosition) Ego.assign_init_speed(Ego_InitSpeed_Ve0) lead_vehicle.assign_init_position() with: lane(same_as: Ego) position(distance: m_InitDistance, ahead_of: Ego) lead_vehicle.assign_init_speed(35kph) Ego.activate_controller(true, true) Ego.acquire_position(target: Target_position) 父主题： 种子地图的逻辑场景样例（仿真器B）

注册华为账号 并开通华为云 在使用华为云服务之前您需要申请华为云账号并进行实名认证。通过此账号，您可以使用所有华为云服务，并且只需为您所使用的服务付费。 如果您已有一个华为云账号，请跳到下一个任务。如果您还没有华为云账号，请参考以下步骤创建。 打开华为云官网，单击“注册”。 根据提示信息完成注册，详细操作请参见注册华为账号并开通华为云。 注册成功后，系统会自动跳转至您的个人信息界面。 参考实名认证完成个人或企业账号实名认证。 父主题： 准备工作

OCTOPUS格式文件基本要求（文本标注） 上传的OCTOPUS格式数据集需包含以下文件（以txt格式为例）。文本文件支持的格式包含：txt、yaml、xml、csv。 . ├─ 文件夹1 ├─ text1.txt #文本文件 ├─ text1.json #该文本文件的所有标注信息 ├─ 文件夹2 ├─ text2.txt #文本文件 ├─ text2.json #该文本文件的所有标注信息

标注数据.json文件说明 数据集中必含“.json”文件，用于集合该文本文件的所有标注数据信息，包括该文本所在的项目id、数据包id、文本上所有标注信息等。上传数据集前请保证“.json”文件内容正确。“.json”文件编写的参考样例如下： { "frame_id": 1, #帧序号 "batch_task_id": 1368, #批次任务id "project_id": "ee263479089143cf9d8ca66a10ed3c3d", #资源域ID "label_mode": "manual", #标注类型：auto和manual两种 "status": "labeled", #标注任务状态：unlabeled、labeled、unconfirmed、confirmed、all五种 "sample_type": "TEXT", #样本类型：包含“IMAGE”,“POINT_CLOUD”,“AUDIO”,“TEXT” "des_order": "", #此份数据对应的原始数据包描述 "tag_names": [], #标签名称 "valid": true, #是否有效，包含“true”和“false”两种 "create_time": 1708657733087, #标注的创建时间 "difficult": false, #是否难例，包含“true”难例和“false”非难例 "label_counts": [ #各类标注物的个数统计 { "label_meta_id": 7900, #标注物使用的标签ID "label_num": 1, #标注物个数 "label_meta_name": "人物", #标注物名称 "label_meta_desc": "1233", #标注物描述 "label_meta_attr": "{\"男\":\"少年,青年\",\"女\":\"少年,青年\"}", #标注物额外属性 "label_meta_shape": "text", #标注物形状，包含“bndbox、line、circle、polygon、points、dashed、cube_3d、multiBox、polygon_3d_v2、audio、text” "label_meta_color": "#496832", #标注物颜色信息 "level": 0 }, { "label_meta_id": 7901, "label_num": 1, "label_meta_name": "水果", "label_meta_desc": "11", "label_meta_attr": "{\"颜色\":\红,黄\"}", "label_meta_shape": "text", "label_meta_color": "#391c1c", "level": 0 } ], "text_meta_info": { #文本信息 "id": "4951cbcb-57ea-4367-b0e2-56b77a18e9bd", "name": "0000.txt", #文本名称 "source": "https://octopus-raw-ee263479089143cf9d8ca66a10ed3c3d.obs.cn-north-5.myhuaweicloud.com/label-data/task-1368/data/txt/0000.txt" #音频源的obs路径url }, "label_task_id": 1691, #批次子任务ID "partitionId": 20240222, "label_update_time": 1708944569975, #标注最近更新时间 "prefix_folder": "txt", "image_id": "889b33fa-8c43-4760-a215-14d299af4291", "inspection": 0, "labels": [ { "label_meta_id": 7900, #标注物对应的标签ID "create_time": 0, "shape_type": "text", #标注物形状 "serial_number": 1, #该帧中标注物唯一自增id "label_object_id": -1, "attribute": "{\"人物\":\"男\"}", #标注物属性 "text": { #文本标注信息 "start_idx": 1, #标注起始偏移量 "end_idx": 3 #标注结束偏移量 }, "label_meta_name": "人物" #标注物名称 } ] }

背景 Octopus内置一套评测算法，用于对自动驾驶系统的性能表现进行多维度评测。内置评测算法的评测结果按照eva.proto中的定义，序列化成pb文件保存起来。 Octopus仿真平台的前端通过解析评测pb对评测结果进行展示，目前控制台展示主要分为两大方面： 各个评测指标的通过/未通过/无效的结果展示。 仿真过程中关键数据的时间序列曲线图展示。 另外，对于用户自研的评测算法的评测结果，也可以按照eva.proto，序列化成pb文件保存起来，这样Octopus的仿真平台前端能够展示用户自研评测算法的评测结果。

eva.proto的关键字段解释 在利用Octopus仿真平台进行批量仿真时，每个场景都会有一个评测结果，单个场景的评测结果全部保存在如数据类图所示的Evaluation类中。 Evaluation类包含以下的7个字段。 表1 Evaluation类包含的字段 字段 说明 version 用于表示当前Octopus_eva.proto的版本。 score 用户保存批量仿真中单个场景下评测算法计算出的评测得分，Octopus的评分取值为[0, 100]。 avg_speed 单个场景下自动驾驶算法控制下主车的平均车速，单位m/s。 distance 单个场景下自动驾驶算法控制下主车的行驶里程，单位m。 vis 主车关键状态量的（如速度、加速度）的时间序列数据，用于前端进行可视化曲线展示。 metrics Octopus内置了一批大类评测指标，并且每个大类评测指标下会多个子类指标。 该字段用于保存每个大类和子类评测指标的通过/未通过/无效的结果状态。 其中无效状态表示该指标在特定场景下是没意义的，如在没有交通灯的场景下，主车在交通灯前的行为检测是没有意义的。 source 是一个Source枚举类型，表示该评测算法的结果来源类型。 source共有6种类型，具体参考source。 表2 source 字段 说明 SOURCE_UNSPECIFIED 表示评测算法类型未定义。 SOURCE_CUSTOMIZED_REALTIME 用户自定义实时评测算法结果。 SOURCE_CUSTOMIZED_OFFLINE 用户自定义延时评测算法结果。 SOURCE_DEFAULT_REALTIME 八爪鱼内置实时评测算法结果。 SOURCE_DEFAULT_OFFLINE 八爪鱼内置延时评测结果。 SOURCE_MERGED 融合后的评测结果。 Evaluation中两个比较关键且复杂的字段是vis和metrics，其中vis字段类型是Visualization，metrics字段的类型是repeated Metric。 Visualization和Metric的成员组成如上数据类图所示，各个关键成员的含义如下所示。 Visualization类型包含的各个字段及其含义如下所示。 表3 Visualization类型字段 字段 说明 sim_times 仿真过程的时间序列点，以仿真开始时刻（t0）为0点，相邻时刻的时间间隔为仿真器的周期，单位为秒（s）。 frame_nums 每个仿真时刻对应的数据帧数，表明这是第几帧的数据。 stats 统计类型的数据值，是指某数据在一段时间内统计值才有展示分析的意义，如加速度均方根值（arms），随着仿真时刻不断后移，需要不断计算初始时刻（t0）到当前仿真时刻（t）的arms值。 stats字段的类型是Statistic，Statistic类型的成员具体参考stats。 vector 向量类型的数据值，是指每个时刻都会有一个对应的数据值，如加速度、速度等物理量。 vector字段的类型是Vector，Vector类型的成员具体参考vector。 表4 stats 字段 说明 type 是一个Type的枚举类型，表示该数据是哪种Octopus内置的Statistic类型。 value 该数据在每个仿真时刻对应的数值。 display_name 存储用户自定义的Statistic类型名称，用户自定义的数据无需对type赋值。 source 表示该数据的评测结果来源类型。 importance 表示该数据是重要类型还是次要类型。 module 表示该数据是来源于哪个算法模块。 performance 表示该数据是表示的哪个类别的算法性能。 表5 vector 字段 说明 type 是一个Type的枚举类型，表示该数据是哪种Octopus内置的Vector类型。 value 该数据在每个仿真时刻对应的数值。 display_name 存储用户自定义的Vector类型名称，用户自定义的数据无需对type赋值。 source 表示该数据的评测结果来源类型。 importance 表示该数据是重要类型还是次要类型。 module 表示该数据是来源于哪个算法模块。 performance 表示该数据是表示的哪个类别的算法性能。 Metric类型包含的各个字段及其含义如下所示。 表6 Metric类型字段 字段 说明 type 是一个Enum类型，表示该数据是哪种Octopus内置的大类指标类型。 status 是一个Result的枚举类型，用于表示该大类指标的评测结果。 其中Result有三种类型，分别为： RESULT_UNSPECIFIED：该状态的结果表示评测指标是无效的，如对于红绿灯检测指标，如果仿真完成后评测函数发现场景中不存在红绿灯，则该项指标的评测是没有意义的，故评测结果展示为无效。 RESULT_PASSED: 该状态的结果表示评测结果为通过。 RESULT_FAILED：该状态的结果表示评测结果为未通过。 anomalies 用于保存每个大类指标下对应的子类指标发生异常的时间点，其数据类型为repeated Anomaly，其中Anomaly类型成员如下所示： status: 是一个Result类型，与上述大类指标的status的表示相同，该字段用于存储子类指标的三种不同状态结果。 subtype：是一个Subtype的枚举类型，表示该子类指标是哪种Octopus内置的子类指标类型。 其中，对于某些没有子类指标的大类指标来说，其subtype赋值为SUBTYPE_UNSPECIFIED。 point_type：是一个PointType的枚举类型，表示该子类指标发生特殊状态（一般是指发生异常）时的时刻点用哪种形式存储起来。 其中PointType共有5种类型，参考PointType。 Points：是repeated float类型，保存每个子类指标发生特殊状态的具体时间点的值。 Stats_indices：是repeated ui32类型，表示该子指标关联的统计类数值列表。 Vector_indices：是repeated ui32类型，表示该子指标关联的时间序列数值列表。 display_name 存储用户自定义的Anomaly类型名称，表示其自定义的子类指标，用户自定义的数据无需对sub_type赋值。 importance 表示该指标的重要程度。具体参考importance。 source 表示该数据的评测结果来源类型。 module 表示该数据是来源于哪个算法模块。具体参考module。 performance 表示该数据是表示的哪个类别的算法性能。具体参考performance。 表7 PointType 字段 说明 POINT_TYPE_UNSPECIFIED 未定义的类型，遵循proto定义格式，Octopus未使用该类型，用户可根据需要对该类型赋予特定含义。 POINT_TYPE_POINT 表示该子类指标的异常时间点是离散的时间点形式，在任何时刻都可能发生异常。 POINT_TYPE_REGION 表示该子类指标的异常时间点是区间形式，一旦在某个时刻开始发生异常，则在随后一段时间内都会处于异常状态。 POINT_TYPE_ALL 表示该类指标的异常时间点是布尔形式的，从仿真开始到当前时刻的状态要么是完全通过，要么全过程都是异常的，统计类型的指标需要以这种形式表示。 POINT_TYPE_NORMAL 该类型与其他类型相反，如果该类型的点存在，则表示对应的子类指标是通过的，Octopus用该类型保存主车到达终点的时间值。 表8 importance 字段 取值 说明 CATEGORY_UNSPECIFIED 0 未定义 CATEGORY_MAJOR 1 主要 CATEGORY_MINOR 2 次要 表9 module 字段 取值 说明 MODULE_UNSPECIFIED 0 未定义 MODULE_NAVIGATION 1 导航 MODULE_LOCATION 2 定位 MODULE_PERCEPTION 3 感知 MODULE_PREDICTION 4 预测 MODULE_DECISION 5 决策 MODULE_PLANNING 6 规划 MODULE_CONTROL 7 控制 MODULE_WHOLE 8 整车 表10 performance 字段 取值 说明 PERFORMANCE_UNSPECIFIED 0 未定义 PERFORMANCE_SAFETY 1 安全性 PERFORMANCE_REGULATION 2 合规性 PERFORMANCE_COMFORT 3 舒适性 PERFORMANCE_INTELLIGENCE 4 智能型

创建脱敏作业 查看数据递送订单详情，选择待脱敏的数据包，单击创建脱敏作业。 图3 创建脱敏作业 完成算子基本配置。 图4 算子基本信息 处理算子：根据需要选择数据脱敏算子。 资源规格：选择合适的资源规格。 优先级：设定任务的优先级，数值取[-50,50]的整数，数字越大，优先级越高。 环境变量：配置算子的环境变量。允许添加的环境变量个数不超过10个。 Key：只能由英文、数字、和特殊符号（,-_）组成，且需要以字母开头 。长度不超过64个字符。 Value：只能由英文、数字和特殊符号（\/,.[]-_）组成 。长度不超过64个字符。 合规数据ID：展示选择数据包的ID。 单击“创建”，执行数据包脱敏任务。脱敏完成后，数据包状态变为脱敏完成。

指示标志牌前行为（Mandatory Sign）检测 指示标志牌前行为检测的目的是判断主车在这些指示标志牌前的行为是否合理，本设计考虑的指示标志牌有： 左转指示牌 右转指示牌 直行指示牌 左转直行指示牌 右转直行指示牌 左转右转指示牌 靠左行驶指示牌 靠右行驶指示牌 当主车前端超过左转指示牌， 并且主车不存在左转行为， 则左转指示牌前行为检测不通过。 当主车前端超过右转指示牌， 并且主车不存在右转行为， 则右转指示牌前行为检测不通过。 当主车前端超过直行指示牌， 并且主车不存在直行行为， 则直行指示牌前行为检测不通过。 当主车前端超过左转直行指示牌， 并且主车不存在左转直行行为， 则左转直行指示牌前行为检测不通过。 当主车前端超过右转直行指示牌， 并且主车不存在右转直行行为， 则右转直行指示牌前行为检测不通过。 当主车前端超过左转右转指示牌， 并且主车不存在左转右转行为， 则左转右转指示牌前行为检测不通过。 该指标关联的内置可视化时间序列数据为：暂无。 该指标的异常时间点记录类型为：POINT_TYPE_REGION。 父主题： 内置评测指标说明

构建镜像 Dockerfile示例 FROM python:3.10 COPY mask.py /home/main/ WORKDIR /home/main/ RUN pip install rosbags requests numpy USER root 构建镜像 sudo docker build --no-cache -f Dockerfile -t rosbagmask:0.1 . 本地调试 准备一个待处理的rosbag包。 sudo docker run -v ${HOME}/data/test.bag:/home/main/test.bag --env input_file=/home/main/test.bag –env raw_dir=/home/main/raw_dir –env desensitized_dir=/home/main/desensitized_dir –env output_dir=/home/main/output_dir -it rosbagmask:0.1 /bin/sh -c "python mask.py"

示例代码 下面是rosbag脱敏的算子示例： # mask.py import json import logging import multiprocessing as mp import os import shutil import time from pathlib import Path from typing import cast import av import numpy as np import open3d from rosbags.highlevel import AnyReader from rosbags.interfaces import ConnectionExtRosbag1, ConnectionExtRosbag2 from rosbags.rosbag1 import Writer as Writer1 from rosbags.rosbag2 import Writer as Writer2 from rosbags.serde import cdr_to_ros1, serialize_cdr from rosbags.typesys import get_types_from_msg, register_types from rosbags.typesys.types import builtin_interfaces__msg__Time as Time from rosbags.typesys.types import \ sensor_msgs__msg__CompressedImage as CompressedImage from rosbags.typesys.types import std_msgs__msg__Header as Header logging.basicConfig( level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s', ) LOG = logging.getLogger(__file__) # Octopus数据服务拉起镜像时灌入的环境变量 # 获取环境变量 input_path = os.getenv('input_path', 'data/hangyan-move.bag.bak') raw_dir = os.getenv('raw_dir', 'empty_dir/raw') # 抽取的文件存放目录 desens_dir = os.getenv('desensitized_dir', 'empty_dir/desens') # 脱敏后的文件存放目录 output_dir = os.getenv('output_dir', 'empty_dir/output') lidar_process_num = os.getenv('lidar_process_num', 5) # lidar数据进程数 # 用户自定义环境变量 rosbag_version = os.getenv('rosbag_version', '1') # rosbag版本，取值为'1'或'2' image_topics = [ x.strip(' ') for x in os.getenv('image_topics', '/camera_encoded_1').split(',') ] # 图像数据的topic列表 gnss_topic = os.getenv('gnss_topic', '/inspvax') # gnss数据的topic，gnss数据只能有一个topic lidar_topics = [ x.strip(' ') for x in os.getenv('lidar_topic', '/pandar').split(',') ] # 点云数据的topic列表 # 注册自定义消息类型 Video_encoded_data_text = Path('msgs/Video_encoded_data.msg').read_text() NovatelMessageHeader_text = Path('msgs/NovatelMessageHeader.msg').read_text() NovatelExtendedSolutionStatus_text = Path( 'msgs/NovatelExtendedSolutionStatus.msg').read_text() NovatelReceiverStatus_text = Path('msgs/NovatelReceiverStatus.msg').read_text() Inspvax_text = Path('msgs/Inspvax.msg').read_text() add_types = {} add_types.update( get_types_from_msg( Video_encoded_data_text, 'kyber_msgs/msg/Video_encoded_data', )) add_types.update( get_types_from_msg( NovatelMessageHeader_text, 'novatel_gps_msgs/msg/NovatelMessageHeader', )) add_types.update( get_types_from_msg( NovatelExtendedSolutionStatus_text, 'novatel_gps_msgs/msg/NovatelExtendedSolutionStatus', )) add_types.update( get_types_from_msg( NovatelReceiverStatus_text, 'novatel_gps_msgs/msg/NovatelReceiverStatus', )) add_types.update( get_types_from_msg( Inspvax_text, 'novatel_gps_msgs/msg/Inspvax', )) register_types(add_types) # create gnss file gnss_file_path = Path(raw_dir, 'gnss') / f'{gnss_topic}.json'.strip('/') Path.mkdir(gnss_file_path.parent, parents=True, exist_ok=True) def extract_image(input_rosbag): '''从原始rosbag中抽取图像数据.''' LOG.info('Start extracting image.') codec_ctx = av.codec.Codec('hevc', 'r') h265_code = codec_ctx.create() with AnyReader([Path(input_rosbag)]) as reader: for connection, timestamp, data in reader.messages(): topic = connection.topic if topic in image_topics: deserialized_data = reader.deserialize(data, connection.msgtype) try: data = deserialized_data.raw_data packet = av.packet.Packet(data) out = h265_code.decode(packet) img = None for frame in out: if frame.format.name != 'rgb24': frame = frame.reformat(format='rgb24') img = frame.to_image() # 图像存放路径 file_name = f'{timestamp}.jpg' f_path = Path(raw_dir, 'image') / topic.strip('/') tmp_path = Path(raw_dir, 'tmp_image') / topic.strip('/') Path.mkdir(tmp_path, parents=True, exist_ok=True) tmp_file = tmp_path / file_name file = f_path / file_name # 当未建立目录时，先基于topic名称建立目录 Path.mkdir(file.parent, parents=True, exist_ok=True) img.save(tmp_file) os.chmod(tmp_file, 0o777) os.chmod(file.parent, 0o777) shutil.move(tmp_file, file) except Exception as e: LOG.info("%s frame can not trans to jpg, message: %s", timestamp, str(e)) LOG.info('Finish extracting image.') def extract_lidar(task_id, task_num, input_rosbag): '''从原始rosbag中抽取点云数据.''' LOG.info('Start extracting pcd.') with AnyReader([Path(input_rosbag)]) as reader: for i, (connection, timestamp, data) in enumerate(reader.messages()): if i % task_num != task_id: continue topic = connection.topic if topic in lidar_topics: deserialized_data = reader.deserialize(data, connection.msgtype) pcd = open3d.geometry.PointCloud() reshaped = deserialized_data.data.reshape( int(len(deserialized_data.data) / 3), 3) pcd.points = open3d.utility.Vector3dVector(reshaped) file_name = f'{timestamp}.pcd' f_path = Path(raw_dir, 'lidar') / topic.strip('/') tmp_path = Path(raw_dir, 'tmp_lidar') / topic.strip('/') Path.mkdir(tmp_path, parents=True, exist_ok=True) tmp_file = tmp_path / file_name file = f_path / file_name # 当未建立目录时，先基于topic名称建立目录 Path.mkdir(file.parent, parents=True, exist_ok=True) open3d.io.write_point_cloud(str(tmp_file), pcd) os.chmod(tmp_file, 0o777) os.chmod(file.parent, 0o777) shutil.move(tmp_file, file) LOG.info('Finish extracting pcd.') def extract_gnss(input_rosbag): '''从原始rosbag中抽取gnss数据.''' LOG.info('Start extracting rosbag.') gnss_file = open(gnss_file_path, 'w') gnss = dict() with AnyReader([Path(input_rosbag)]) as reader: for connection, timestamp, data in reader.messages(): topic = connection.topic if topic == gnss_topic: deserialized_data = reader.deserialize(data, connection.msgtype) # 这里以msgytpe为NavSatFix为例 latitude = deserialized_data.latitude longitude = deserialized_data.longitude altitude = deserialized_data.altitude gnss[timestamp] = { 'latitude': latitude, 'longitude': longitude, 'altitude': altitude } gnss_file.write(json.dumps(gnss)) gnss_file.close() LOG.info('Finish extracting gnss.') def _get_masked_image(topic, timestamp): '''从脱敏后的图像数据中获取目标图像数据.''' file = Path(desens_dir, 'image') / topic.strip('/') / f'{timestamp}.jpg' if file.is_file(): return np.fromfile(file, dtype='uint8') else: return None def _get_conn_map(rosbag_version: int, reader, writer): '''构建connection的索引.''' conn_map = {} if rosbag_version == '1': for conn in reader.connections: if conn.topic in image_topics: conn_map[conn.id] = writer.add_connection( '/image', CompressedImage.__msgtype__, ) else: ext = cast(ConnectionExtRosbag1, conn.ext) conn_map[conn.id] = writer.add_connection( conn.topic, conn.msgtype, conn.msgdef, conn.md5sum, ext.callerid, ext.latching, ) elif rosbag_version == '2': for conn in reader.connections: if conn.topic in image_topics: conn_map[conn.id] = writer.add_connection( '/image', CompressedImage.__msgtype__, ) else: ext = cast(ConnectionExtRosbag2, conn.ext) conn_map[conn.id] = writer.add_connection( conn.topic, conn.msgtype, ext.serialization_format, ext.offered_qos_profiles, ) return conn_map def _serialize_data(rosbag_version, data, msgtype): '''对数据进行序列化.''' if rosbag_version == '1': return cdr_to_ros1(serialize_cdr(data, msgtype), msgtype) elif rosbag_version == '2': return serialize_cdr(data, msgtype) def generate_rosbag(input_rosbag, output_rosbag): '''生成脱敏后rosbag.''' LOG.info('Start generating rosbag.') gnss_file = open( Path(desens_dir, 'gnss') / f'{gnss_topic}.json'.strip('/'), 'r') gnss_data = json.load(gnss_file) gnss_file.close() Writer = Writer1 if rosbag_version == '1' else Writer2 with AnyReader([Path(input_rosbag) ]) as reader, Writer(Path(output_rosbag)) as writer: conn_map = _get_conn_map(rosbag_version, reader, writer) for connection, timestamp, data in reader.messages(): topic = connection.topic # 当topic为图像数据的topic时，读取脱敏后图像数据 if topic in image_topics: masked_data = _get_masked_image(topic, timestamp) if masked_data is None: # 没有解析出图像文件时，不要该帧了 continue deserialized_data = CompressedImage( Header( stamp=Time( sec=int(timestamp // 10**9), nanosec=int(timestamp % 10**9), ), frame_id='0', ), format='jpg', data=masked_data, ) data = _serialize_data( rosbag_version, deserialized_data, CompressedImage.__msgtype__, ) # 当topic为gnss数据时，读取脱敏后gnss数据 elif topic == gnss_topic: deserialized_data = reader.deserialize(data, connection.msgtype) deserialized_data.latitude = gnss_data.get( str(timestamp)).get('latitude') deserialized_data.longitude = gnss_data.get( str(timestamp)).get('longitude') deserialized_data.altitude = gnss_data.get( str(timestamp)).get('altitude') data = _serialize_data( rosbag_version, deserialized_data, connection.msgtype, ) # 当topic为点云数据时，读取脱敏后点云数据 elif topic in lidar_topics: deserialized_data = reader.deserialize( data, connection.msgtype, ) file = Path( desens_dir, 'lidar', ) / topic.strip('/') / f'{timestamp}.pcd' point_cloud = open3d.io.read_point_cloud(str(file)) deserialized_data.data = np.asarray( point_cloud.points).flatten() writer.write(conn_map[connection.id], timestamp, data) # 生成_SUCCESS文件标识完成数据抽取 Path(output_dir, '_SUCCESS').touch() LOG.info('Finish generating rosbag.') if __name__ == "__main__": LOG.info('Start user operator.') process_image = mp.Process(target=extract_image, args=(input_path, )) pool_lidar = mp.Pool(processes=lidar_process_num) for i in range(lidar_process_num): pool_lidar.apply_async(extract_lidar, args=(i, lidar_process_num, input_path)) process_gnss = mp.Process(target=extract_gnss, args=(input_path, )) # 启动子进程 process_image.start() pool_lidar.close() process_gnss.start() process_image.join() pool_lidar.join() process_gnss.join() LOG.info('Child processes exit.') # 生成_SUCCESS文件标识完成数据抽取 Path(raw_dir, '_SUCCESS').touch() # 后面输出的rosbag文件与输入的rosbag文件保持同名 output_rosbag_file = Path(output_dir, Path(input_path).name) # 如果输出文件夹不存在，先创建文件夹 Path.mkdir(output_rosbag_file.parent, parents=True, exist_ok=True) # 检测到脱敏任务结束后，生成新的rosbag文件 while time.sleep(1) is None: if Path(desens_dir).joinpath('_SUCCESS').is_file(): generate_rosbag(Path(input_path), output_rosbag_file) break

作业输入输出规范 用户完成自定义脱敏算子创建，运行作业容器时Octopus平台向其中注入以下环境变量： input_file：待脱敏的文件路径 raw_dir：抽取的image，gnss，lidar数据存放路径 desensitized_dir：脱敏后的image，gnss，lidar数据存放路径 output_dir：脱敏后的文件存放路径 用户根据需要可以自定义环境变量，以rosbag文件为例，可以定义如下环境变量： rosbag_version：robag版本 image_topics：图像数据topic列表 gnss_topic：gnss数据topic lidar_topics：lidar数据topic列表 用户作业容器需要将input_file中的image，gnss，lidar数据抽取到raw_dir，待系统内置算子脱敏完成，并将脱敏后的数据存放到desensitized_dir后，用户算子根据input_file和desensitized_dir中的脱敏数据生成新的数据文件存放到output_dir。 文件结构如下： -raw --image ---topic0 ----timestamp1.jpg ----timestamp2.jpg ---topic1 ----timestamp1.jpg --gnss ---gnss_topic.json --lidar ---pcd_topic0 ----timestamp0.pcd ----timestamp1.pcd --SUCCESS -desensitized --image ---topic0 ----timestamp1.jpg ----timestamp2.jpg ---topic1 ----timestamp1.jpg --gnss ---gnss_topic.json --lidar ---pcd_topic0 ----timestamp0.pcd ----timestamp1.pcd --SUCCESS -output --test.bag --SUCCESS 其中，“SUCCESS”文件为标识文件，标识所在阶段的任务结束。

场景库相关操作 在“场景库”页签，可对场景库进行以下操作。 表1 场景库相关操作 任务 操作步骤 查看场景库信息 单击左侧场景库名称，查看右侧该场景库信息以及场景库包含场景信息。 场景库信息：场景库名称、创建人、仿真器、描述、关联仿真任务数和创建时间等信息。 场景列表：该场景库中包含的所有场景。场景的具体操作请参考场景管理。 修改场景库信息/场景库分类信息 单击场景库名称或场景库分类后的，修改场景库或场景库分类的信息。 删除场景库/场景库分类 单击场景库名称或场景库分类后的，删除指定场景库或场景库分类。 查询场景 根据“场景名称”或“创建人”，输入搜索条件，查询场景列表中的场景。

Octopus 目录 标注文件目录结构 +--- 1599625710056 | +--- 1599625710056.jpg | +--- 1599625710056.json +--- 1599625740054 | +--- 1599625740054.jpg | +--- 1599625740054.json 推理文件目录结构 +--- 1599625710056 | +--- 1599625710056.json +--- 1599625740054 | +--- 1599625740054.json 示例标注文件 2D目标追踪-Octopus标注.json { "frame_id": 0, "labels": [ { "label_meta_name": "Car", "label_object_id": 1, "bndbox": { "ymin": 503, "xmax": 980, "ymax": 524, "xmin": 956 } }, { "label_meta_name": "Car", "label_object_id": 2, "bndbox": { "ymin": 508, "xmax": 931, "ymax": 531, "xmin": 904 } } ] } 示例推理文件 2D目标追踪-Octopus推理.json { "frame_id": 0, "labels": [ { "label_meta_name": "Car", "label_object_id": 1, "score": 0.89, "bndbox": { "ymin": 500, "xmax": 970, "ymax": 520, "xmin": 950 } }, { "label_meta_name": "Car", "label_object_id": 2, "score": 0.82, "bndbox": { "ymin": 508, "xmax": 930, "ymax": 520, "xmin": 900 } } ] }

修改标注框 修改矩形框。 左键单击矩形框的某条边拖动可修改这个边的位置，左键单击某个角点拖动可以修复角点位置。 左键选中某条边，或者某个角点，可以通过h（←）j（↓）k（→）u（↑）调整像素框1px。 图7 修改矩形框 修改目标类别。 右键单击目标图形，可进入选择类别的跳出框，即可修改类别。 图8 修改目标类别 修改额外属性。 右键单击目标图形，如果目标含有额外属性，如果其默认属性错误，单击即可选择属性。 图9 修改额外属性 修改对象ID。 右键单击目标图形，可以在对象ID栏手动输入数值来修改ID。 图10 修改对象ID