CN106096192B - 一种无人驾驶车辆的测试场景的构建方法和装置 - Google Patents
一种无人驾驶车辆的测试场景的构建方法和装置 Download PDFInfo
- Publication number
- CN106096192B CN106096192B CN201610482411.8A CN201610482411A CN106096192B CN 106096192 B CN106096192 B CN 106096192B CN 201610482411 A CN201610482411 A CN 201610482411A CN 106096192 B CN106096192 B CN 106096192B
- Authority
- CN
- China
- Prior art keywords
- map
- intelligent body
- alternative
- scene
- library
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/333—Design for testability [DFT], e.g. scan chain or built-in self-test [BIST]
Abstract
本发明公开了一种无人驾驶车辆的测试场景的构建方法和装置,所述方法包括:获取用户设定的场景属性;分别确定出与所述场景属性相匹配的地图和智能体;按照确定出的地图和智能体生成测试场景。应用本发明方案,能够提高测试场景的构建效率等。
Description
【技术领域】
本发明涉及无人驾驶车辆测试技术,特别涉及一种无人驾驶车辆的测试场景的构建方法和装置。
【背景技术】
在无人驾驶车辆的研发过程中,需要大量的真实场景去测试算法的正确性。
但如果所有的测试均在真实的交通场景中进行,将会是非常危险和低效的,因此,需要构建出模拟的测试场景来代替真实的交通场景,以完成大量的前期测试。
为了模拟真实的交通场景,构建出的测试场景中除了要包括地图之外,还需要包括各种各样的智能体(agent),如行人、自行车、汽车、公共汽车等。
现有技术中,主要采用人工操作的方式来实现测试场景的构建,如人工查找构建测试场景所需的地图和智能体等,构建效率非常低下。
【发明内容】
本发明提供了一种无人驾驶车辆的测试场景的构建方法和装置,能够提高测试场景的构建效率。
具体技术方案如下:
一种无人驾驶车辆的测试场景的构建方法,包括:
获取用户设定的场景属性;
分别确定出与所述场景属性相匹配的地图和智能体;
按照确定出的地图和智能体生成测试场景。
根据本发明一优选实施例,
所述分别确定出与所述场景属性相匹配的地图和智能体之前,进一步包括:获取备选地图库和备选智能体库;
所述分别确定出与所述场景属性相匹配的地图和智能体包括:
从所述备选地图库中确定出与所述场景属性相匹配的地图;
从所述备选智能体库中确定出与所述场景属性相匹配的智能体。
根据本发明一优选实施例,
所述获取备选地图库和备选智能体库包括:
将预先生成的地图管理库中的所有地图均作为备选地图,组成所述备选地图库;
将预先生成的智能体管理库中的所有智能体均作为备选智能体,组成所述备选智能体库;
或者,
将从所述地图管理库中筛选出的与所述场景属性相关的地图作为备选地图,组成所述备选地图库;
将从所述智能体管理库中筛选出的与所述场景属性相关的智能体作为备选智能体,组成所述备选智能体库。
根据本发明一优选实施例,
所述按照确定出的地图和智能体生成测试场景包括:
当确定出的地图数为一时,将确定出的地图和确定出的智能体进行融合,得到所述测试场景;
当确定出的地图数大于一时,针对每个确定出的地图,分别将该地图与确定出的智能体进行融合,得到一个融合场景,并将与所述场景属性最为匹配的融合场景作为所述测试场景。
根据本发明一优选实施例,
所述从所述备选地图库中确定出与所述场景属性相匹配的地图包括:
分别确定出所述备选地图库中的各备选地图与所述场景属性的契合程度,将契合程度最高的N个备选地图作为与所述场景属性相匹配的地图,N为正整数。
根据本发明一优选实施例,
所述从所述备选智能体库中确定出与所述场景属性相匹配的智能体包括:
按照预先设定的不同场景属性分别对应的智能体设置情况,确定出所述场景属性对应的智能体类别以及每个类别下的智能体数量,并按照确定出的智能体类别以及每个类别下的智能体数量从所述备选智能体库中选定智能体。
根据本发明一优选实施例,
该方法进一步包括:
接收并保存用户对所述测试场景所作的调整。
一种无人驾驶车辆的测试场景的构建装置,包括:获取单元、确定单元和构建单元;
所述获取单元,用于获取用户设定的场景属性,并将所述场景属性发送给所述确定单元;
所述确定单元,用于分别确定出与所述场景属性相匹配的地图和智能体,并将确定出的地图和智能体发送给所述构建单元;
所述构建单元,用于按照确定出的地图和智能体生成测试场景。
根据本发明一优选实施例,
所述获取单元进一步用于,在获取到所述场景属性之后,获取备选地图库和备选智能体库,并将所述备选地图库和所述备选智能体库发送给所述确定单元;
所述确定单元从所述备选地图库中确定出与所述场景属性相匹配的地图,从所述备选智能体库中确定出与所述场景属性相匹配的智能体。
根据本发明一优选实施例,
所述备选地图库由预先生成的地图管理库中的所有地图组成;
所述备选智能体库由预先生成的智能体管理库中的所有智能体组成;
或者,
所述备选地图库由从所述地图管理库中筛选出的与所述场景属性相关的地图组成;
所述备选智能体库由从所述智能体管理库中筛选出的与所述场景属性相关的智能体组成。
根据本发明一优选实施例,
所述获取单元进一步用于,将所述场景属性发送给所述构建单元;
当确定出的地图数为一时,所述构建单元将确定出的地图和确定出的智能体进行融合,得到所述测试场景;
当确定出的地图数大于一时,针对每个确定出的地图,所述构建单元分别将该地图与确定出的智能体进行融合,得到一个融合场景,并将与所述场景属性最为匹配的融合场景作为所述测试场景。
根据本发明一优选实施例,
所述确定单元分别确定出所述备选地图库中的各备选地图与所述场景属性的契合程度,将契合程度最高的N个备选地图作为与所述场景属性相匹配的地图,N为正整数。
根据本发明一优选实施例,
所述确定单元按照预先设定的不同场景属性分别对应的智能体设置情况,确定出所述场景属性对应的智能体类别以及每个类别下的智能体数量,并按照确定出的智能体类别以及每个类别下的智能体数量从所述备选智能体库中选定智能体。
根据本发明一优选实施例,
所述构建单元进一步用于,
接收并保存用户对所述测试场景所作的调整。
基于上述介绍可以看出,采用本发明所述方案,可根据用户设定的场景属性,自动地筛选出与场景属性相匹配的地图和智能体,进而生成测试场景,从而相比于现有技术提高了测试场景的构建效率,进而缩短了无人驾驶车辆的测试周期等。
【附图说明】
图1为本发明无人驾驶车辆的测试场景的构建方法实施例的流程图。
图2为本发明无人驾驶车辆的测试场景的构建装置实施例的组成结构示意图。
【具体实施方式】
针对现有技术中存在的问题,本发明中提出一种无人驾驶车辆的测试场景的构建方案,能够提高测试场景的构建效率等。
为了使本发明的技术方案更加清楚、明白,以下参照附图并举实施例,对本发明所述方案作进一步地详细说明。
实施例一
图1为本发明无人驾驶车辆的测试场景的构建方法实施例的流程图,如图1所示,包括以下具体实现方式。
在11中,获取用户设定的场景属性。
用户设定的场景属性可包括道路样式、拥挤程度和智能体行为属性等,其中,道路样式可以是指道路类型如城市道路或高速路,车道数量和宽度等,智能体行为属性可以是指正常行走、横穿等,场景属性中具体包括哪些内容可根据实际需要而定。
在12中,分别确定出与用户设定的场景属性相匹配的地图和智能体。
在获取到用户设定的场景属性后,可进一步获取到备选地图库和备选智能体库,并从备选地图库中确定出与用户设定的场景属性相匹配的地图,从备选智能体库中确定出与用户设定的场景属性相匹配的智能体。
在实际应用中,可预先将生成各测试场景可能用到的所有地图均保存在一个地图管理库中,如何生成地图管理库中的地图为现有技术,并可预先将生成各测试场景可能用到的所有智能体均保存在一个智能体管理库中,如何生成智能体管理库中的智能体同样为现有技术。
保存在地图管理库中的地图均为高精地图,相比于普通地图,高精地图具有更为丰富的地图信息,如车道线、车道边界、斑马线、停止线、红绿灯以及交通标志等。
智能体具有自身的触发条件和消亡条件,同时具有特定的交通行为,能够与高精地图完美融合。
地图管理库可支持对其中的地图进行增删查改等,智能体管理库也可支持对其中的智能体进行增删查改等。
可将地图管理库中的所有地图均作为备选地图,组成备选地图库,将智能体管理库中的所有智能体均作为备选智能体,组成备选智能体库。
或者,为减少后续处理的工作量等,可将从地图管理库中筛选出的与用户设定的场景属性相关的地图作为备选地图,组成备选地图库,将从智能体管理库中筛选出的与用户设定的场景属性相关的智能体作为备选智能体,组成备选智能体库。
可人工进行筛选,比如,场景属性中的道路类型为高速路,由于自行车不会出现在高速路上,因此属于自行车这一类别的智能体则可不用加入到备选智能体库中。
地图管理库中的各地图均会有自己对应的标签,所述标签可包括样式标签和属性标签,样式标签可以采用层级表示方式,如城市道路-直路路口,属性标签用于描述地图属性,如车道数量、宽度等,类似地,智能体管理库中的各智能体也会有自己对应的标签,包括层级样式标签如行人-正常行走以及属性标签等。
对于备选地图库中的每个备选地图,可分别根据该备选地图的标签等,确定出该备选地图和用户设定的场景属性的契合程度,并可将契合程度最高的N个备选地图作为与用户设定的场景属性相匹配的地图。
如前所述,用户设定的场景属性中可包括道路样式等,道路样式可以是指道路类型如城市道路或高速路,车道数量和宽度等,那么根据各备选地图的标签信息等可以很方便地确定出各备选地图与用户设定的场景属性的契合程度。
上述N为正整数,具体取值可根据实际需要而定,比如,可为一或大于一。
对于备选地图库,可按照预先设定的不同场景属性分别对应的智能体设置情况,确定出用户设定的场景属性对应的智能体类别以及每个类别下的智能体数量,并按照确定出的智能体类别以及每个类别下的智能体数量从备选智能体库中选定智能体。
比如,可根据实际道路考察结果或根据经验,预先设定不同的场景属性分别对应的智能体设置情况,如该场景属性下会出现哪些类别的智能体以及每种类别的智能体的数量等。
在确定出用户设定的场景属性对应的智能体类别以及每个类别下的智能体数量后,可按照确定结果,从备选智能体库中选取出对应类别和对应数量的智能体。
需要说明的是,以上所述确定出与用户设定的场景属性相匹配的地图和智能体的方式仅为举例说明,在实际应用中,可采用本领域技术人员能够想到的任意方式,不限于以上所示。
在13中,按照确定出的地图和智能体生成测试场景。
在12中分别确定出与用户设定的场景属性相匹配的地图和智能体之后,可按照确定出的地图和智能体生成测试场景。
当确定出的地图数为一时,可直接将确定出的地图与确定出的智能体进行融合,得到所需的测试场景。
当确定出的地图数大于一时,可针对每个确定出的地图,分别将该地图与确定出的智能体进行融合,得到一个融合场景,之后,可从各融合场景中筛选出与用户设定的场景属性最为匹配的融合场景,作为所需的测试场景。
比如,确定出的地图数为3,那么可得到3个融合场景,可将这3个融合场景中与用户设定的场景属性最为匹配的融合场景作为测试场景。
如何进行地图和智能体的融合以及如何确定融合场景与用户设定的场景属性的匹配程度为现有技术。
另外,若用户对得到的测试场景的某处不满意或觉得不合理,可以进行手动调整,相应地,接收并保存用户对测试场景所作的调整,如何进行调整同样为现有技术。
后续,即可利用得到的测试场景来对无人驾驶车辆进行测试。
以上是关于方法实施例的介绍,以下通过装置实施例,对本发明所述方案进行进一步说明。
实施例二
图2为本发明无人驾驶车辆的测试场景的构建装置实施例的组成结构示意图,如图2所示,包括:获取单元21、确定单元22和构建单元23。
获取单元21,用于获取用户设定的场景属性,并将用户设定的场景属性发送给确定单元22;
确定单元22,用于分别确定出与用户设定的场景属性相匹配的地图和智能体,并将确定出的地图和智能体发送给构建单元23;
构建单元23,用于按照确定出的地图和智能体生成测试场景。
用户设定的场景属性可包括道路样式、拥挤程度和智能体行为属性等,其中,道路样式可以是指道路类型如城市道路或高速路,车道数量和宽度等,智能体行为属性可以是指正常行走、横穿等,场景属性中具体包括哪些内容可根据实际需要而定。
获取单元21在获取到用户设定的场景属性后,可进一步获取备选地图库和备选智能体库,并将获取到的备选地图库和备选智能体库发送给确定单元22;确定单元22从备选地图库中确定出与用户设定的场景属性相匹配的地图,从备选智能体库中确定出与用户设定的场景属性相匹配的智能体。
在实际应用中,可预先将生成各测试场景可能用到的所有地图均保存在一个地图管理库中,如何生成地图管理库中的地图为现有技术,并可预先将生成各测试场景可能用到的所有智能体均保存在一个智能体管理库中,如何生成智能体管理库中的智能体同样为现有技术。
保存在地图管理库中的地图均为高精地图,相比于普通地图,高精地图具有更为丰富的地图信息,如车道线、车道边界、斑马线、停止线、红绿灯以及交通标志等。
智能体具有自身的触发条件和消亡条件,同时具有特定的交通行为,能够与高精地图完美融合。
地图管理库可支持对其中的地图进行增删查改等,智能体管理库也可支持对其中的智能体进行增删查改等。
可将地图管理库中的所有地图均作为备选地图,组成备选地图库,将智能体管理库中的所有智能体均作为备选智能体,组成备选智能体库。
或者,为减少后续处理的工作量等,可将从地图管理库中筛选出的与用户设定的场景属性相关的地图作为备选地图,组成备选地图库,将从智能体管理库中筛选出的与用户设定的场景属性相关的智能体作为备选智能体,组成备选智能体库。
地图管理库中的各地图均会有自己对应的标签,所述标签可包括样式标签和属性标签,样式标签可以采用层级表示方式,如城市道路-直路路口,属性标签用于描述地图属性,如车道数量、宽度等,类似地,智能体管理库中的各智能体也会有自己对应的标签,包括层级样式标签如行人-正常行走以及属性标签等。
对于备选地图库中的每个备选地图,确定单元22可分别根据该备选地图的标签等,确定出该备选地图和用户设定的场景属性的契合程度,并可将契合程度最高的N个备选地图作为与用户设定的场景属性相匹配的地图。
N为正整数,具体取值可根据实际需要而定,比如,可为一或大于一。
对于备选地图库,确定单元22可按照预先设定的不同场景属性分别对应的智能体设置情况,确定出用户设定的场景属性对应的智能体类别以及每个类别下的智能体数量,并按照确定出的智能体类别以及每个类别下的智能体数量从备选智能体库中选定智能体。
确定单元22可将确定出的地图和智能体发送给构建单元23。
获取单元21可进一步将用户设定的场景属性发送给构建单元23。
这样,当确定出的地图数为一时,构建单元23可直接将确定出的地图和确定出的智能体进行融合,得到所需的测试场景。
当确定出的地图数大于一时,针对每个确定出的地图,构建单元23可分别将该地图与确定出的智能体进行融合,得到一个融合场景,并将与用户设定的场景属性最为匹配的融合场景作为所需的测试场景。
另外,若用户对得到的测试场景的某处不满意或觉得不合理,可以进行手动调整,相应地,构建单元23接收并保存用户对测试场景所作的调整,如何进行调整同样为现有技术。
后续,即可利用得到的测试场景来对无人驾驶车辆进行测试。
总之,采用本发明所述方案,可根据用户设定的场景属性,自动地筛选出与场景属性相匹配的地图和智能体,进而生成测试场景,从而相比于现有技术提高了测试场景的构建效率,进而缩短了无人驾驶车辆的测试周期等。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,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,所述单元的划分,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。
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单元来实现本实施例方案的目的。
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,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元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)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (12)
1.一种通过计算机程序实现的无人驾驶车辆的测试场景的构建方法,其特征在于,包括:
获取用户设定的场景属性;
获取备选地图库和备选智能体库;
分别确定出与所述场景属性相匹配的地图和智能体,包括:从所述备选地图库中确定出与所述场景属性相匹配的地图;从所述备选智能体库中确定出与所述场景属性相匹配的智能体;
按照确定出的地图和智能体生成测试场景。
2.根据权利要求1所述的方法,其特征在于,
所述获取备选地图库和备选智能体库包括:
将预先生成的地图管理库中的所有地图均作为备选地图,组成所述备选地图库;
将预先生成的智能体管理库中的所有智能体均作为备选智能体,组成所述备选智能体库;
或者,
将从所述地图管理库中筛选出的与所述场景属性相关的地图作为备选地图,组成所述备选地图库;
将从所述智能体管理库中筛选出的与所述场景属性相关的智能体作为备选智能体,组成所述备选智能体库。
3.根据权利要求1所述的方法,其特征在于,
所述按照确定出的地图和智能体生成测试场景包括:
当确定出的地图数为一时,将确定出的地图和确定出的智能体进行融合,得到所述测试场景;
当确定出的地图数大于一时,针对每个确定出的地图,分别将该地图与确定出的智能体进行融合,得到一个融合场景,并将与所述场景属性最为匹配的融合场景作为所述测试场景。
4.根据权利要求1或3所述的方法,其特征在于,
所述从所述备选地图库中确定出与所述场景属性相匹配的地图包括:
分别确定出所述备选地图库中的各备选地图与所述场景属性的契合程度,将契合程度最高的N个备选地图作为与所述场景属性相匹配的地图,N为正整数。
5.根据权利要求1或3所述的方法,其特征在于,
所述从所述备选智能体库中确定出与所述场景属性相匹配的智能体包括:
按照预先设定的不同场景属性分别对应的智能体设置情况,确定出所述场景属性对应的智能体类别以及每个类别下的智能体数量,并按照确定出的智能体类别以及每个类别下的智能体数量从所述备选智能体库中选定智能体。
6.根据权利要求1或3所述的方法,其特征在于,
该方法进一步包括:
接收并保存用户对所述测试场景所作的调整。
7.一种通过计算机程序实现的无人驾驶车辆的测试场景的构建装置,其特征在于,包括:获取单元、确定单元和构建单元;
所述获取单元,用于获取用户设定的场景属性,并将所述场景属性发送给所述确定单元;
所述确定单元,用于分别确定出与所述场景属性相匹配的地图和智能体,并将确定出的地图和智能体发送给所述构建单元;
所述构建单元,用于按照确定出的地图和智能体生成测试场景;
其中,所述获取单元进一步用于,在获取到所述场景属性之后,获取备选地图库和备选智能体库,并将所述备选地图库和所述备选智能体库发送给所述确定单元;
所述确定单元从所述备选地图库中确定出与所述场景属性相匹配的地图,从所述备选智能体库中确定出与所述场景属性相匹配的智能体。
8.根据权利要求7所述的装置,其特征在于,
所述备选地图库由预先生成的地图管理库中的所有地图组成;
所述备选智能体库由预先生成的智能体管理库中的所有智能体组成;
或者,
所述备选地图库由从所述地图管理库中筛选出的与所述场景属性相关的地图组成;
所述备选智能体库由从所述智能体管理库中筛选出的与所述场景属性相关的智能体组成。
9.根据权利要求7所述的装置,其特征在于,
所述获取单元进一步用于,将所述场景属性发送给所述构建单元;
当确定出的地图数为一时,所述构建单元将确定出的地图和确定出的智能体进行融合,得到所述测试场景;
当确定出的地图数大于一时,针对每个确定出的地图,所述构建单元分别将该地图与确定出的智能体进行融合,得到一个融合场景,并将与所述场景属性最为匹配的融合场景作为所述测试场景。
10.根据权利要求7或9所述的装置,其特征在于,
所述确定单元分别确定出所述备选地图库中的各备选地图与所述场景属性的契合程度,将契合程度最高的N个备选地图作为与所述场景属性相匹配的地图,N为正整数。
11.根据权利要求7或9所述的装置,其特征在于,
所述确定单元按照预先设定的不同场景属性分别对应的智能体设置情况,确定出所述场景属性对应的智能体类别以及每个类别下的智能体数量,并按照确定出的智能体类别以及每个类别下的智能体数量从所述备选智能体库中选定智能体。
12.根据权利要求7或9所述的装置,其特征在于,
所述构建单元进一步用于,
接收并保存用户对所述测试场景所作的调整。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610482411.8A CN106096192B (zh) | 2016-06-27 | 2016-06-27 | 一种无人驾驶车辆的测试场景的构建方法和装置 |
US15/276,775 US10289766B2 (en) | 2016-06-27 | 2016-09-26 | Method and apparatus for constructing test scenario of unmanned vehicles |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610482411.8A CN106096192B (zh) | 2016-06-27 | 2016-06-27 | 一种无人驾驶车辆的测试场景的构建方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106096192A CN106096192A (zh) | 2016-11-09 |
CN106096192B true CN106096192B (zh) | 2019-05-28 |
Family
ID=57213596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610482411.8A Active CN106096192B (zh) | 2016-06-27 | 2016-06-27 | 一种无人驾驶车辆的测试场景的构建方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10289766B2 (zh) |
CN (1) | CN106096192B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734949A (zh) * | 2017-04-18 | 2018-11-02 | 百度在线网络技术(北京)有限公司 | 无人驾驶车辆仿真平台构建方法、装置、设备及存储介质 |
CN107063711B (zh) * | 2017-04-21 | 2020-06-30 | 百度在线网络技术(北京)有限公司 | 用于测试无人车的方法和装置 |
CN107063710B (zh) * | 2017-04-21 | 2020-06-30 | 百度在线网络技术(北京)有限公司 | 用于测试无人车的方法和装置 |
CN107024356A (zh) * | 2017-04-28 | 2017-08-08 | 百度在线网络技术(北京)有限公司 | 用于测试无人车的方法和装置 |
CN107727411B (zh) * | 2017-10-30 | 2019-09-27 | 青岛慧拓智能机器有限公司 | 一种自动驾驶车辆测评场景生成系统及方法 |
CN107807542A (zh) * | 2017-11-16 | 2018-03-16 | 北京北汽德奔汽车技术中心有限公司 | 自动驾驶仿真系统 |
CN108268831A (zh) * | 2017-12-01 | 2018-07-10 | 百度在线网络技术(北京)有限公司 | 一种无人车视觉检测的鲁棒性测试方法和系统 |
CN108088686B (zh) * | 2017-12-21 | 2020-11-20 | 驭势科技(浙江)有限公司 | 测试仿真方法和装置、计算机存储介质和电子设备 |
US10960894B2 (en) * | 2018-12-13 | 2021-03-30 | Waymo Llc | Automated performance checks for autonomous vehicles |
US11157006B2 (en) | 2019-01-10 | 2021-10-26 | International Business Machines Corporation | Training and testing automated driving models |
CN110186469A (zh) * | 2019-05-31 | 2019-08-30 | 北京主线科技有限公司 | 测试无人驾驶系统的测试用数据生成方法和系统 |
CN110298269B (zh) * | 2019-06-13 | 2021-11-02 | 北京百度网讯科技有限公司 | 场景图像定位方法、装置、设备及可读存储介质 |
CN110232257B (zh) * | 2019-07-02 | 2020-10-23 | 吉林大学 | 一种自动驾驶测试场景的构建方法及其难度系数计算方法 |
CN110781069B (zh) * | 2019-08-28 | 2022-05-20 | 腾讯科技(深圳)有限公司 | 一种自动驾驶车辆的定位模块测试方法、装置及设备 |
CN110579216B (zh) * | 2019-09-12 | 2022-02-18 | 阿波罗智能技术(北京)有限公司 | 测试场景库构建方法、装置、电子设备和介质 |
CN110853393B (zh) * | 2019-11-26 | 2020-12-11 | 清华大学 | 智能网联车辆测试场数据采集与融合方法及系统 |
CN113498511A (zh) * | 2020-01-21 | 2021-10-12 | 深圳元戎启行科技有限公司 | 测试场景仿真方法、装置、计算机设备和存储介质 |
US11628850B2 (en) * | 2020-05-05 | 2023-04-18 | Zoox, Inc. | System for generating generalized simulation scenarios |
GB202101237D0 (en) * | 2021-01-29 | 2021-03-17 | Five Ai Ltd | Generating simulation environments for testing av behaviour |
CN113589798A (zh) * | 2021-08-12 | 2021-11-02 | 上海裹动科技有限公司 | 自动测试行为的生成方法及服务器 |
DE102021006367A1 (de) * | 2021-12-27 | 2023-06-29 | Dspace Gmbh | Verfahren und system zum bestimmen einer kompatibilität von systemparametern |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5001635A (en) * | 1988-01-08 | 1991-03-19 | Sanyo Electric Co., Ltd. | Vehicle |
CN103207090A (zh) * | 2013-04-09 | 2013-07-17 | 北京理工大学 | 一种无人驾驶车辆环境模拟测试系统及测试方法 |
CN103234763A (zh) * | 2013-04-09 | 2013-08-07 | 北京理工大学 | 一种无人驾驶车辆定量评价系统及评价方法 |
CN103335853A (zh) * | 2013-07-18 | 2013-10-02 | 中国科学院自动化研究所 | 一种无人驾驶车辆认知能力测试系统及方法 |
CN103852264A (zh) * | 2014-03-27 | 2014-06-11 | 北京联合大学 | 一种无人驾驶车辆基本性能测试系统及测试方法 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7967678B2 (en) * | 2004-03-11 | 2011-06-28 | Navteq North America, Llc | Computer game development factory system and method |
US9373149B2 (en) * | 2006-03-17 | 2016-06-21 | Fatdoor, Inc. | Autonomous neighborhood vehicle commerce network and community |
CN103335353B (zh) | 2013-06-18 | 2016-01-13 | 陕西理工学院 | 一种浴室用移动式太阳能暖气片装置 |
US9559804B2 (en) * | 2013-10-07 | 2017-01-31 | Savari, Inc. | Connected vehicles adaptive security signing and verification methodology and node filtering |
US9547989B2 (en) * | 2014-03-04 | 2017-01-17 | Google Inc. | Reporting road event data and sharing with other vehicles |
US10496766B2 (en) * | 2015-11-05 | 2019-12-03 | Zoox, Inc. | Simulation system and methods for autonomous vehicles |
US9910441B2 (en) * | 2015-11-04 | 2018-03-06 | Zoox, Inc. | Adaptive autonomous vehicle planner logic |
US10401852B2 (en) * | 2015-11-04 | 2019-09-03 | Zoox, Inc. | Teleoperation system and method for trajectory modification of autonomous vehicles |
US9916703B2 (en) * | 2015-11-04 | 2018-03-13 | Zoox, Inc. | Calibration for autonomous vehicle operation |
US9632502B1 (en) * | 2015-11-04 | 2017-04-25 | Zoox, Inc. | Machine-learning systems and techniques to optimize teleoperation and/or planner decisions |
US9630619B1 (en) * | 2015-11-04 | 2017-04-25 | Zoox, Inc. | Robotic vehicle active safety systems and methods |
US9720415B2 (en) * | 2015-11-04 | 2017-08-01 | Zoox, Inc. | Sensor-based object-detection optimization for autonomous vehicles |
US9754490B2 (en) * | 2015-11-04 | 2017-09-05 | Zoox, Inc. | Software application to request and control an autonomous vehicle service |
US9734455B2 (en) * | 2015-11-04 | 2017-08-15 | Zoox, Inc. | Automated extraction of semantic information to enhance incremental mapping modifications for robotic vehicles |
US9606539B1 (en) * | 2015-11-04 | 2017-03-28 | Zoox, Inc. | Autonomous vehicle fleet service and system |
US11138349B2 (en) * | 2015-12-04 | 2021-10-05 | International Business Machines Corporation | System and method for simulating traffic flow distributions with approximated vehicle behavior near intersections |
-
2016
- 2016-06-27 CN CN201610482411.8A patent/CN106096192B/zh active Active
- 2016-09-26 US US15/276,775 patent/US10289766B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5001635A (en) * | 1988-01-08 | 1991-03-19 | Sanyo Electric Co., Ltd. | Vehicle |
CN103207090A (zh) * | 2013-04-09 | 2013-07-17 | 北京理工大学 | 一种无人驾驶车辆环境模拟测试系统及测试方法 |
CN103234763A (zh) * | 2013-04-09 | 2013-08-07 | 北京理工大学 | 一种无人驾驶车辆定量评价系统及评价方法 |
CN103335853A (zh) * | 2013-07-18 | 2013-10-02 | 中国科学院自动化研究所 | 一种无人驾驶车辆认知能力测试系统及方法 |
CN103852264A (zh) * | 2014-03-27 | 2014-06-11 | 北京联合大学 | 一种无人驾驶车辆基本性能测试系统及测试方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106096192A (zh) | 2016-11-09 |
US10289766B2 (en) | 2019-05-14 |
US20170371986A1 (en) | 2017-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106096192B (zh) | 一种无人驾驶车辆的测试场景的构建方法和装置 | |
Porzi et al. | Predicting and understanding urban perception with convolutional neural networks | |
CN109840660A (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
US9002633B2 (en) | Method of determining and validating navigational priority settings utilizing probe data | |
DE102016100416A1 (de) | Prüfstand für virtuelle Sensoren | |
Whitman et al. | Modeling fire susceptibility to delineate wildland–urban interface for municipal-scale fire risk management | |
CN106250387A (zh) | 一种用于无人驾驶车辆测试的高精地图的编辑方法和装置 | |
CN106248096B (zh) | 路网权重的获取方法和装置 | |
Zhou | Comparative study of approaches to delineating built‐up areas using road network data | |
US20200408543A1 (en) | Method for providing a digital road map | |
CN110174110A (zh) | 地图对应的方法和装置、电子设备、计算机可读介质 | |
CN109118820A (zh) | 一种城市停车诱导信息动态仿真方法及系统 | |
CN106446281B (zh) | 一种结合陆域因素和水体因素进行流域四级分区的方法 | |
AlHalawani et al. | What makes London work like London? | |
CN109085764A (zh) | 无人驾驶仿真场景的创建方法及装置 | |
Balha et al. | Assessment of urban area dynamics in world's second largest megacity at sub-city (district) level during 1973–2016 along with regional planning | |
CN109461303A (zh) | 一种交通拥堵状态获取方法和装置 | |
Zakaria et al. | Distribution model of motorcycle speed on divided roadway in Makassar | |
CN110007998B (zh) | 页面生成方法及装置 | |
CN106202606A (zh) | 一种模拟智能体的特征信息获取方法和装置 | |
Zhang et al. | An Approach to Map Visibility in the Built Environment From Airborne LiDAR Point Clouds | |
CN106228233B (zh) | 一种用于无人驾驶车辆测试的智能体的构建方法和装置 | |
CN109360435A (zh) | 一种公路交通气象信息获取方法及系统 | |
CN113656979A (zh) | 路网数据生成方法、装置、电子设备及存储介质 | |
CN105022747B (zh) | 一种地址查询串解析方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |