CN107153363B - 无人驾驶汽车的仿真测试方法及装置、设备与可读介质 - Google Patents

无人驾驶汽车的仿真测试方法及装置、设备与可读介质 Download PDF

Info

Publication number
CN107153363B
CN107153363B CN201710317492.0A CN201710317492A CN107153363B CN 107153363 B CN107153363 B CN 107153363B CN 201710317492 A CN201710317492 A CN 201710317492A CN 107153363 B CN107153363 B CN 107153363B
Authority
CN
China
Prior art keywords
accident
image frame
scene information
vehicle
video
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
Application number
CN201710317492.0A
Other languages
English (en)
Other versions
CN107153363A (zh
Inventor
韩峥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201710317492.0A priority Critical patent/CN107153363B/zh
Publication of CN107153363A publication Critical patent/CN107153363A/zh
Priority to US15/961,717 priority patent/US20180322230A1/en
Application granted granted Critical
Publication of CN107153363B publication Critical patent/CN107153363B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • 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]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/44—Event detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Game Theory and Decision Science (AREA)
  • Transportation (AREA)
  • Evolutionary Biology (AREA)
  • Library & Information Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种无人驾驶汽车的仿真测试方法及装置、设备与可读介质。通过从交通管理部门的事故视频数据库中获取事故视频；根据事故视频获取对应的事故的场景信息；根据事故的场景信息构造仿真事故场景，测试仿真无人驾驶汽车在仿真事故场景中的车辆行为。本发明通过从交通管理部门的事故视频数据库中获取事故视频，能够保证无人驾驶汽车的仿真测试的仿真事故场景的真实性和准确性，所以能够对无人驾驶汽车进行真实有效地测试，有效地提高对无人驾驶汽车仿真测试的准确性和有效地性。

Description

无人驾驶汽车的仿真测试方法及装置、设备与可读介质
【技术领域】
本发明涉及计算机应用技术领域，尤其涉及一种无人驾驶汽车的仿真测试方法及装置、设备与可读介质。
【背景技术】
无人驾驶汽车是一种智能汽车，也可以称之为轮式移动机器人，主要依靠车辆内的以计算机系统为主的智能驾驶仪来实现无人驾驶。无人驾驶汽车集自动控制、体系结构、人工智能、视觉计算等众多技术于一体，是计算机科学、模式识别和智能控制技术高度发展的产物，也是衡量一个国家科研实力和工业水平的一个重要标志，在国防和国民经济领域具有广阔的应用前景。
目前无人驾驶汽车还处于不断的研发和测试阶段，无人驾驶汽车的测试分为两部分，离线测试和上路测试。其中上路测试危险性较大、成本较多。而离线场景可以充分利用仿真器进行，仿真器类似于一计算机设备，测试时，可以在仿真器中输入一系列的仿真场景，仿真器可以输出无人驾驶汽车在仿真场景中的车辆行为。这样可以判断无人驾驶汽车的实际行为与期许行为是否相符。现有技术中仿真场景的构建多为测试人员根据观察的交通事故以及掌握的基础理论主观构造出来的，构造的很多仿真场景的合理性欠佳，无法模拟真实的场景。
由于现有技术中构建的很多仿真场景无法模拟真实的场景，从而无法对无人驾驶汽车进行真实有效的仿真测试。
【发明内容】
本发明提供了一种无人驾驶汽车的仿真测试方法及装置、设备与可读介质，用于实现对无人驾驶汽车进行真实有效的仿真测试。
本发明提供一种无人驾驶汽车的仿真测试方法，，所述方法包括：
从交通管理部门的事故视频数据库中获取事故视频；
根据所述事故视频获取对应的事故的场景信息；
根据所述事故的场景信息构造仿真事故场景，测试仿真无人驾驶汽车在所述仿真事故场景中的车辆行为。
进一步可选地，如上所述的方法中，从交通管理部门的事故视频数据库中获取事故视频，具体包括：
从所述交通管理部门的事故视频数据库中过滤出标签为机动车辆事故的所述事故视频。
进一步可选地，如上所述的方法中，根据所述事故视频获取对应的事故的场景信息，具体包括：
从所述事故视频中筛选事故发生时刻的第一图像帧；
从所述事故视频中获取所述事故发生时刻的第一图像帧之前、能够记载事故车辆和所述事故车辆之外的事故客体的运行轨迹的多个第二图像帧；
根据所述多个第二图像帧和所述第一图像帧，获取所述事故的场景信息。
进一步可选地，如上所述的方法中，根据所述多个第二图像帧和所述第一图像帧，获取所述事故的场景信息，具体包括：
根据所述第一图像帧和各所述第二图像帧，提取所述事故车辆及其运行轨迹、所述事故客体及其运行轨迹；
根据所述第一图像帧和各所述第二图像帧，提取事故发生地的道路拓扑结构。
进一步可选地，如上所述的方法中，根据所述多个第二图像帧和所述第一图像帧，获取所述事故的场景信息，还包括：
根据第一图像帧和各所述第二图像帧，提取事故发生的时间；和/或
根据第一图像帧和各所述第二图像帧，提取事故发生的天气状况。
进一步可选地，如上所述的方法中，根据所述多个第二图像帧和所述第一图像帧，获取所述事故的场景信息，具体包括：
向测试人员展示所述多个第二图像帧和所述第一图像帧，以供所述测试人员根据所述多个第二图像帧和所述第一图像帧构成所述事故的场景信息；
接收所述测试人员输入的所述事故的场景信息。
本发明提供一种无人驾驶汽车的仿真测试装置，所述装置包括：
视频获取模块，用于从交通管理部门的事故视频数据库中获取事故视频；
场景信息获取模块，用于根据所述事故视频获取对应的事故的场景信息；
仿真测试模块，用于根据所述事故的场景信息构造仿真事故场景，测试仿真无人驾驶汽车在所述仿真事故场景中的车辆行为。
进一步可选地，如上所述的装置中，所述视频获取模块，具体用于从所述交通管理部门的事故视频数据库中过滤出标签为机动车辆事故的所述事故视频。
进一步可选地，如上所述的装置中，所述场景信息获取模块，具体用于：
从所述事故视频中筛选事故发生时刻的第一图像帧；
从所述事故视频中获取所述事故发生时刻的第一图像帧之前、能够记载事故车辆和所述事故车辆之外的事故客体的运行轨迹的多个第二图像帧；
根据所述多个第二图像帧和所述第一图像帧，获取所述事故的场景信息。
进一步可选地，如上所述的装置中，所述场景信息获取模块，具体用于：
根据所述第一图像帧和各所述第二图像帧，提取所述事故车辆及其运行轨迹、所述事故客体及其运行轨迹；
根据所述第一图像帧和各所述第二图像帧，提取事故发生地的道路拓扑结构。
进一步可选地，如上所述的装置中，所述场景信息获取模块，具体还用于：
根据第一图像帧和各所述第二图像帧，提取事故发生的时间；和/或
根据第一图像帧和各所述第二图像帧，提取事故发生的天气状况。
进一步可选地，如上所述的装置中，所述场景信息获取模块，具体用于：
向测试人员展示所述多个第二图像帧和所述第一图像帧，以供所述测试人员根据所述多个第二图像帧和所述第一图像帧构成所述事故的场景信息；
接收所述测试人员输入的所述事故的场景信息。
本发明还提供一种计算机设备，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的无人驾驶汽车的仿真测试方法。
本发明还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的无人驾驶汽车的仿真测试方法。
本发明的无人驾驶汽车的仿真测试方法及装置、设备与可读介质，通过通过从交通管理部门的事故视频数据库中获取事故视频；根据事故视频获取对应的事故的场景信息；根据事故的场景信息构造仿真事故场景，测试仿真无人驾驶汽车在仿真事故场景中的车辆行为。本发明通过从交通管理部门的事故视频数据库中获取事故视频，能够保证无人驾驶汽车的仿真测试的仿真事故场景的真实性和准确性，所以能够对无人驾驶汽车进行真实有效地测试，有效地提高对无人驾驶汽车仿真测试的准确性和有效地性。
【附图说明】
图1为本发明的无人驾驶汽车的仿真测试方法实施例的流程图。
图2为本发明的无人驾驶汽车的仿真测试装置实施例的结构图。
图3为本发明的计算机设备实施例的结构图。
图4为本发明提供的一种计算机设备的示例图。
【具体实施方式】
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
图1为本发明的无人驾驶汽车的仿真测试方法实施例的流程图。如图1所示，本实施例的无人驾驶汽车的仿真测试方法，具体可以包括如下步骤：
100、从交通管理部门的事故视频数据库中获取事故视频；
本实施例的无人驾驶汽车的仿真测试方法的执行主体为无人驾驶汽车的仿真测试装置。该无人驾驶汽车的仿真测试装置可以包括硬件部分和软件部分，例如硬件部分可以包括一台类似于计算机的仿真器；在该仿真器上可以运行有用于实现本实施例的无人驾驶汽车的仿真测试方法的软件程序。同时硬件部分还可以包括显示器，该显示器可以用于显示无人驾驶汽车的仿真测试过程以及测试结果等等。另外，还可以携带有其它类似于鼠标、键盘或者其它能够控制仿真测试过程的外设设备，在此不再一一举例赘述。
在实际应用中，交通管理部门会在在城市的主干道和十字路口等地方，都存在1个或多个摄像机和测速仪，这些设备会把这个路口的整个路况情况都覆盖到。当有车辆发生碰撞或者刮蹭时，摄像机会第一时间捕捉到这个事故视频。且摄像机捕捉的这些事故视频真实准确。交通管理部门会将各个路口的各个摄像机拍摄的这些事故视频存储在交通管理部门的事故视频数据库。为了对事故视频进行有效地管理，通常还可以在视频中打上事故标签，例如事故标签中可以为包括机动车辆事故、非机动车辆事故标签。进一步地机动车辆事故标签还可以进一步根据车辆类型分为货车事故、客车事故、轿车事故等等标签。
本实施例即考虑到交通管理部门的事故视频数据库中的事故视频的真实有效，不是通过人为臆想出来的，而是道路上真实发生的事故，具有非常高的研究价值。因此，通过从交通管理部门的事故视频数据库中获取到真实有效地事故视频，以对无人驾驶汽车进行仿真测试。因此，本实施例中的无人驾驶汽车的仿真测试方法的实现需要与交通管理部门合作，能够访问到交通管理部门的事故视频数据库，获取事故视频。例如若交通管理部门的事故视频数据库是按照机动车事故视频数据库或者非机动车事故视频数据库来分类。且本实施例的无人驾驶汽车的仿真测试时，能够直接与机动车事故视频数据库通讯，从中获取机动车的事故视频，便可以直接来使用。或者若交通管理部门的事故视频数据库中的所有事故视频存储在同一个数据库中，而是按照机动车辆事故标签和非机动车事故标签来标识。此时可选地，步骤100“从交通管理部门的事故视频数据库中获取事故视频”具体可以包括从交通管理部门的事故视频数据库中过滤出标签为机动车辆事故的事故视频。本实施例中之所以要选取机动车辆事故的事故视频，是因为在无人驾驶汽车的仿真测试时，无人驾驶汽车仅能够模拟机动车辆的运行轨迹进行仿真测试。
101、根据事故视频获取对应的事故的场景信息；
本实施例中获取的事故视频中记录有事故发生的全部过程。例如，具体可以包括事故发生过程中事故车辆与事故另一方的事故客体在事故发生前的位置、行驶方向、运行轨迹、造成事故的原因、事故的结果等等。然后，可以根据事故视频中记录的、与本次事故相关的所有信息，获取对应的事故的场景信息。本实施例的事故车辆即为在无人驾驶汽车的仿真测试中，仿真无人驾驶汽车需要模拟的车辆，本实施例的仿真无人驾驶汽车可以是根据软件模拟无人驾驶汽车的性能参数生成的。而事故另一方的事故客体在本实施例中也可以为机动车辆，或者还可以为非机动车辆，或者还可以为行人或者还可以为其它障碍物等等，在此不再一一举例赘述。同理，事故客体在仿真测试中也是根据事故另一方的参数信息采用软件模拟生成的。
102、根据事故的场景信息构造仿真事故场景，测试仿真无人驾驶汽车在仿真事故场景中的车辆行为。
本实施例中，在获取到事故的场景信息之后，可以根据事故的场景信息在进行仿真测试的仿真器中构造仿真事故场景，然后在仿真事故场景中，控制仿真无人驾驶汽车模拟事故车辆的行为运行，从而测试仿真无人驾驶汽车在仿真事故场景中的车辆行为。由于仿真无人驾驶汽车是根据无人驾驶汽车的性能参数模拟的，所以仿真无人驾驶汽车在该仿真事故场景的行为，将代表无人驾驶汽车在对应的真实事故场景中的行为，主要是测试该仿真无人驾驶汽车在真实事故场景中是否具有紧急避险能力，是否能够避免交通事故的发生。根据该仿真测试，如果仿真无人驾驶汽车避险能力较差，可以调整无人驾驶汽车的性能参数，使得无人驾驶汽车处于该仿真事故场景对应的真实事故场景中，能够自动控制应对，防止交通事故的发生，从而能够有效地提高无人驾驶汽车的安全性。
本实施例的无人驾驶汽车的仿真测试方法，通过从交通管理部门的事故视频数据库中获取事故视频；根据事故视频获取对应的事故的场景信息；根据事故的场景信息构造仿真事故场景，测试仿真无人驾驶汽车在仿真事故场景中的车辆行为。本实施例通过从交通管理部门的事故视频数据库中获取事故视频，能够保证无人驾驶汽车的仿真测试的仿真事故场景的真实性和准确性，所以能够对无人驾驶汽车进行真实有效地测试，有效地提高对无人驾驶汽车仿真测试的准确性和有效地性。
进一步可选地，在上述图1所示实施例的技术方案的基础上，其中步骤101“根据事故视频获取对应的事故的场景信息”，具体可以包括如下步骤：
(a1)从事故视频中筛选事故发生时刻的第一图像帧；
(a2)从事故视频中获取事故发生时刻的第一图像帧之前、能够记载事故车辆和事故车辆之外的事故客体的运行轨迹的多个第二图像帧；
(a3)根据多个第二图像帧和第一图像帧，获取事故的场景信息。
例如，本实施例中，无人驾驶汽车的仿真测试装置可以采用图像识别技术从事故视频中筛选事故发生时刻的第一图像帧，这样可以确定事故发生时的状态，例如，事故车辆与事故中另一方的事故客体的车辆发生了刮蹭，或者事故车辆撞到事故中另一方的事故客体的自行车或者行人或者其他障碍物。然后无人驾驶汽车的仿真测试装置可以从第一图像帧向前找，从事故视频中获取事故发生时刻的第一图像帧之前多个第二图像帧。这里获取的多个第二图像帧要能够记载事故车辆和事故车辆之外的事故客体的运行轨迹，从而可以能够清晰地看到整个事故的全过程。然后无人驾驶汽车的仿真测试装置根据多个第二图像帧和第一图像帧，提取事故的场景信息。
例如，进一步可选地，其中步骤(a3)“根据多个第二图像帧和第一图像帧，获取事故的场景信息”，具体可以包括如下步骤：
(b1)根据第一图像帧和各第二图像帧，提取事故车辆及其运行轨迹、事故客体及其运行轨迹；
由于事故双方是事故中最主要的元素，在获取到真实事故中的事故双方以及事故双方的运行轨迹，后续便可以采用无人驾驶汽车仿真模拟事故中的事故车辆，并按照事故中事故车辆的运行轨迹运行，进行仿真测试。
(b2)根据第一图像帧和各第二图像帧，提取事故发生地的道路拓扑结构。
由于实际的交通事故中，道路中本身存在很多无法改变的客观条件，导致事故发生的不可避免，因此，本实施例中，还需要根据第一图像帧和各第二图像帧，从中提取事故发生地的道路拓扑结构。
或者进一步地，步骤(a2)“从事故视频中获取事故发生时刻的第一图像帧之前、能够记载事故车辆和事故车辆之外的事故客体的运行轨迹的多个第二图像帧”之后，还可以包括：从事故视频中提取事故发生时刻的第一图像帧之后的多个第三图像帧，这样，可以进一步根据事故之后的处理，获取更加准确的事故的场景信息。例如，有时候由于摄像头的角度问题，事故发生前拍摄的事故场景可能看不太清楚，例如，事故发生时，被事故车辆或者事故客体遮挡的另一侧具有行人或障碍物，为了保证行人安全或者障碍物不受损害，可能会导致事故车辆与事故客体无法转弯，从而发生事故。此时可以参考多个第三图像帧，与多个第二图像帧和第一图像帧一起，获取事故的场景信息。
进一步可选地，在获取到多个第三图像帧时，对应的步骤(b2)“根据第一图像帧和各第二图像帧，提取事故发生地的道路拓扑结构”，也可以具体包括根据第一图像帧、各第二图像帧和各第三图像帧，提取事故发生地的道路拓扑结构，这样根据事故清理之后的现场情况，可能更容易看清楚道路的拓扑饥饿哦股，这样提取的道路拓扑结构更加准确。
进一步可选地，其中步骤(a3)“根据多个第二图像帧和第一图像帧，获取事故的场景信息”，除了包括上述步骤(b1)和(b2)，还可以包括如下步骤：
(b3)根据第一图像帧和各第二图像帧，提取事故发生的时间；和/或
(b4)根据第一图像帧和各第二图像帧，提取事故发生的天气状况。
实际应用中，导致事故发生还会有很多其他因素，例如光线的问题，如果光线不好，可能导致司机看不清或者看不到，从而导致事故发生。因此，本实施例在获取事故场景信息的时候，还可以根据第一图像帧和各第二图像帧，提取事故发生的时间。因此摄像头拍摄的视频中都会携带拍摄视频的时间，因此，根据第一图像帧和各第二图像帧，可以获取到事故发生的时间。另外，天气状况也会导致事故的发生，例如道路的路面有雨雪，会导致车辆的轮胎打滑，导致事故发生。因此，本实施例在获取事故场景信息的时候，还可以根据第一图像帧和各第二图像帧，提取事故发生的天气状况。
实际应用中，还可以获取其它场景信息，获取的场景信息包括的种类越丰富，后续根据事故的场景信息构造的仿真事故场景越能够模拟真实场景，测试的无人驾驶汽车的行为也越准确。这样，可以根据无人驾驶汽车的行为判断无人驾驶汽车的安全性能，若安全性能低，可以及时修改和调整，因此，本实施例的无人驾驶汽车的仿真测试方法还有助于提高无人驾驶汽车的安全性。
上述根据事故视频获取对应的事故的场景信息的方式，可以由无人驾驶汽车的仿真测试根据对事故视频自动提取。可选地，本实施例中也可以由测试人员生成事故的场景信息，并手动输入。例如进一步可选地，在上述图1所示实施例的技术方案的基础上，其中步骤101“根据事故视频获取对应的事故的场景信息”，具体可以包括如下步骤：
(c1)向测试人员展示多个第二图像帧和第一图像帧，以供测试人员根据多个第二图像帧和第一图像帧构成事故的场景信息；
(c2)接收测试人员输入的事故的场景信息。
该方案中，可以在获取到多个第二图像帧和第一图像帧，可以直接向测试人员显示多个第二图像帧和第一图像帧，例如可以按照各帧的时间顺序，依次显示，以供测试人员根据多个第二图像帧和第一图像帧构成事故的场景信息。测试人员构造的事故的场景信息可以直接采用文字描述，因此，测试人员还可以通过人机接口模块如鼠标和键盘实现将构造的文字形式的事故的场景信息输入至无人驾驶汽车的仿真测试装置中。
由无人驾驶汽车的仿真测试装置接收测试人员输入的事故的场景信息，并后续根据事故的场景信息构造仿真事故场景，测试仿真无人驾驶汽车在所述仿真事故场景中的车辆行为，例如，可以根据事故发生地的道路拓扑结构构造仿真道路拓扑结构，根据事故客体构造仿真事故客体，控制仿真无人驾驶汽车和仿真事故客体在仿真道路拓扑结构中，分别按照事故车辆的运行轨迹运行和仿真事故客体按照事故客体的运行轨迹运行，测试仿真无人驾驶汽车的车辆行为。由于仿真无人驾驶汽车的性能参数是无人驾驶汽车的性能参数，而仿真事故客体还是仿真事故客体的性能，所以，本实施例的仿真测试方法等于将本实施例的无人驾驶汽车置于真实的事故场景中，测试无人驾驶汽车在真实的场景中的车辆行为。例如仿真测试中，如果仿真无人驾驶汽车能够及时刹车避免了事故发生，说明对应的无人驾驶汽车的反应很快，刹车系统也很灵敏，从而可以避免交通事故。而如果仿真测试中，仿真无人驾驶汽车也发生了事故，此时根据测试结果，调整无人驾驶汽车的性能参数，例如，缩短反应时间、提高灵敏度更高的检测器，能够及时发现障碍物，或者在检测到障碍物时，通过急转弯等方式改变行驶方向等方式降低无人驾驶汽车的事故发生率，提高仿真无人驾驶汽车的安全性。
另外，需要说明的是，步骤101中“根据事故视频获取对应的事故的场景信息”的时候，还可以获取事故发生时事故车辆以及事故客体的行驶速度。例如可以从多个第二图像帧和第一图像帧中获取两帧，根据摄像头的拍摄比例以及合适的参照物，选择这两帧之间行驶的距离，再根据预测的距离和两帧之间的时间，预测事故发生时事故车辆的行驶速度。还可以直接获取其它类似车辆在事故发生道路的平均行驶速度作为事故发生时事故车辆的行驶速度。同理，也可以采用其他类似的方法预测事故发生时事故客体的行驶速度。这样，本实施例的根据事故的场景信息构造仿真事故场景，测试仿真无人驾驶汽车在仿真事故场景中的车辆行为的时候，还可以控制仿真无人驾驶汽车的行驶速度和事故客体的行驶速度，以更加准确地进行仿真测试。
实际应用中，若仿真场景信息中没有获取到事故发生时事故车辆以及事故客体的行驶速度。在进行仿真测试时，也可以根据该事故发生道路的限速不断地调整仿真无人驾驶汽车的速度，在各个速度级别上对无人驾驶汽车进行测试。其中事故客体如果是车辆，也根据该事故发生道路的限速来调整，如果为行人或自行车，可以参考通常的行人或者自行车的行驶速度来进行仿真测试。如果事故客体为其它障碍物，行驶速度预测方式同理，在此不再赘述。
上述实施例的无人驾驶汽车的仿真测试方法，通过从交通管理部门的事故视频数据库中获取真实的事故视频，并根据真实的事故视频构造真实地仿真事故场景，从而能够保证无人驾驶汽车的仿真测试的仿真事故场景的真实性和准确性，所以能够对无人驾驶汽车进行真实有效地测试，有效地提高对无人驾驶汽车仿真测试的准确性和有效地性。
图2为本发明的无人驾驶汽车的仿真测试装置实施例的结构图。如图2所示，本实施例的无人驾驶汽车的仿真测试装置包括：视频获取模块10、场景信息获取模块11和仿真测试模块12。
其中视频获取模块10用于从交通管理部门的事故视频数据库中获取事故视频；
场景信息获取模块11用于根据视频获取模块10获取的事故视频获取对应的事故的场景信息；
仿真测试模块12用于根据场景信息获取模块11获取的事故的场景信息构造仿真事故场景，测试仿真无人驾驶汽车在仿真事故场景中的车辆行为。
本实施例的无人驾驶汽车的仿真测试装置，通过采用上述模块实现无人驾驶汽车的仿真测试的实现原理以及技术效果与上述相关方法实施例的实现相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。
进一步可选地，在上述图2所示实施例的技术方案的基础上，其中视频获取模块10具体用于从交通管理部门的事故视频数据库中过滤出标签为机动车辆事故的事故视频。
进一步可选地，在上述图2所示实施例的技术方案的基础上，场景信息获取模块11具体用于：
从事故视频中筛选事故发生时刻的第一图像帧；
从事故视频中获取事故发生时刻的第一图像帧之前、能够记载事故车辆和事故车辆之外的事故客体的运行轨迹的多个第二图像帧；
根据多个第二图像帧和第一图像帧，获取事故的场景信息。
进一步可选地，在上述实施例的技术方案的基础上，场景信息获取模块11具体用于：
根据第一图像帧和各第二图像帧，提取事故车辆及其运行轨迹、事故客体及其运行轨迹；
根据第一图像帧和各第二图像帧，提取事故发生地的道路拓扑结构。
进一步可选地，在上述实施例的技术方案的基础上，场景信息获取模块11具体还用于：
根据第一图像帧和各第二图像帧，提取事故发生的时间；和/或
根据第一图像帧和各第二图像帧，提取事故发生的天气状况。
进一步可选地，在上述图2所示实施例的技术方案的基础上，场景信息获取模块11具体用于：
向测试人员展示多个第二图像帧和第一图像帧，以供测试人员根据多个第二图像帧和第一图像帧构成事故的场景信息；
接收测试人员输入的事故的场景信息。
上述实施例的无人驾驶汽车的仿真测试装置，通过采用上述模块实现无人驾驶汽车的仿真测试的实现原理以及技术效果与上述相关方法实施例的实现相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。
图3为本发明的计算机设备实施例的结构图。如图3所示，本实施例的计算机设备，包括：一个或多个处理器30，以及存储器40，存储器40用于存储一个或多个程序，当存储器40中存储的一个或多个程序被一个或多个处理器30执行，使得一个或多个处理器30实现如上图1-图3所示实施例的无人驾驶汽车的仿真测试方法。图3所示实施例中以包括多个处理器30为例。也就是说，本实施例的计算机设备类似于一个仿真测试装置，用于实现对无人驾驶汽车的仿真测试。
例如，图4为本发明提供的一种计算机设备的示例图。图4示出了适于用来实现本发明实施方式的示例性计算机设备12a的框图。图4显示的计算机设备12a仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，计算机设备12a以通用计算设备的形式表现。计算机设备12a的组件可以包括但不限于：一个或者多个处理器16a，系统存储器28a，连接不同系统组件(包括系统存储器28a和处理器16a)的总线18a。
总线18a表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12a典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12a访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28a可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30a和/或高速缓存存储器32a。计算机设备12a可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34a可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18a相连。系统存储器28a可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明上述图1-图2各实施例的功能。
具有一组(至少一个)程序模块42a的程序/实用工具40a，可以存储在例如系统存储器28a中，这样的程序模块42a包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42a通常执行本发明所描述的上述图1-图2各实施例中的功能和/或方法。
计算机设备12a也可以与一个或多个外部设备14a(例如键盘、指向设备、显示器24a等)通信，还可与一个或者多个使得用户能与该计算机设备12a交互的设备通信，和/或与使得该计算机设备12a能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22a进行。并且，计算机设备12a还可以通过网络适配器20a与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20a通过总线18a与计算机设备12a的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12a使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器16a通过运行存储在系统存储器28a中的程序，从而执行各种功能应用以及数据处理，例如实现上述实施例所示的无人驾驶汽车的仿真测试方法。
本发明还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例所示的无人驾驶汽车的仿真测试方法。
本实施例的计算机可读介质可以包括上述图4所示实施例中的系统存储器28a中的RAM30a、和/或高速缓存存储器32a、和/或存储系统34a。
随着科技的发展，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载，或者采用其他方式获取。因此，本实施例中的计算机可读介质不仅可以包括有形的介质，还可以包括无形的介质。
本实施例的计算机可读介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、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)

1.一种无人驾驶汽车的仿真测试方法，其特征在于，所述方法包括：
从交通管理部门的事故视频数据库中获取事故视频；
从所述事故视频中筛选事故发生时刻的第一图像帧；从所述事故视频中获取所述事故发生时刻的第一图像帧之前、能够记载事故车辆和所述事故车辆之外的事故客体的运行轨迹的多个第二图像帧；根据所述多个第二图像帧和所述第一图像帧，获取所述事故的场景信息；
根据所述事故的场景信息构造仿真事故场景，测试仿真无人驾驶汽车在所述仿真事故场景中的车辆行为。
2.根据权利要求1所述的方法，其特征在于，从交通管理部门的事故视频数据库中获取事故视频，具体包括：
从所述交通管理部门的事故视频数据库中过滤出标签为机动车辆事故的所述事故视频。
3.根据权利要求1所述的方法，其特征在于，根据所述多个第二图像帧和所述第一图像帧，获取所述事故的场景信息，具体包括：
根据所述第一图像帧和各所述第二图像帧，提取所述事故车辆及其运行轨迹、所述事故客体及其运行轨迹；
根据所述第一图像帧和各所述第二图像帧，提取事故发生地的道路拓扑结构。
4.根据权利要求3所述的方法，其特征在于，根据所述多个第二图像帧和所述第一图像帧，获取所述事故的场景信息，还包括：
根据第一图像帧和各所述第二图像帧，提取事故发生的时间；和/或
根据第一图像帧和各所述第二图像帧，提取事故发生的天气状况。
5.根据权利要求1所述的方法，其特征在于，根据所述多个第二图像帧和所述第一图像帧，获取所述事故的场景信息，具体包括：
向测试人员展示所述多个第二图像帧和所述第一图像帧，以供所述测试人员根据所述多个第二图像帧和所述第一图像帧构成所述事故的场景信息；
接收所述测试人员输入的所述事故的场景信息。
6.一种无人驾驶汽车的仿真测试装置，其特征在于，所述装置包括：
视频获取模块，用于从交通管理部门的事故视频数据库中获取事故视频；
场景信息获取模块，用于从所述事故视频中筛选事故发生时刻的第一图像帧；从所述事故视频中获取所述事故发生时刻的第一图像帧之前、能够记载事故车辆和所述事故车辆之外的事故客体的运行轨迹的多个第二图像帧；
根据所述多个第二图像帧和所述第一图像帧，获取所述事故的场景信息；
仿真测试模块，用于根据所述事故的场景信息构造仿真事故场景，测试仿真无人驾驶汽车在所述仿真事故场景中的车辆行为。
7.根据权利要求6所述的装置，其特征在于，所述视频获取模块，具体用于从所述交通管理部门的事故视频数据库中过滤出标签为机动车辆事故的所述事故视频。
8.根据权利要求6所述的装置，其特征在于，所述场景信息获取模块，具体用于：
根据所述第一图像帧和各所述第二图像帧，提取所述事故车辆及其运行轨迹、所述事故客体及其运行轨迹；
根据所述第一图像帧和各所述第二图像帧，提取事故发生地的道路拓扑结构。
9.根据权利要求8所述的装置，其特征在于，所述场景信息获取模块，具体还用于：
根据第一图像帧和各所述第二图像帧，提取事故发生的时间；和/或
根据第一图像帧和各所述第二图像帧，提取事故发生的天气状况。
10.根据权利要求6所述的装置，其特征在于，所述场景信息获取模块，具体用于：
向测试人员展示所述多个第二图像帧和所述第一图像帧，以供所述测试人员根据所述多个第二图像帧和所述第一图像帧构成所述事故的场景信息；
接收所述测试人员输入的所述事故的场景信息。
11.一种计算机设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
CN201710317492.0A 2017-05-08 2017-05-08 无人驾驶汽车的仿真测试方法及装置、设备与可读介质 Active CN107153363B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710317492.0A CN107153363B (zh) 2017-05-08 2017-05-08 无人驾驶汽车的仿真测试方法及装置、设备与可读介质
US15/961,717 US20180322230A1 (en) 2017-05-08 2018-04-24 Driverless vehicle simulation test method and apparatus, device and readable medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710317492.0A CN107153363B (zh) 2017-05-08 2017-05-08 无人驾驶汽车的仿真测试方法及装置、设备与可读介质

Publications (2)

Publication Number Publication Date
CN107153363A CN107153363A (zh) 2017-09-12
CN107153363B true CN107153363B (zh) 2020-11-03

Family

ID=59793835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710317492.0A Active CN107153363B (zh) 2017-05-08 2017-05-08 无人驾驶汽车的仿真测试方法及装置、设备与可读介质

Country Status (2)

Country Link
US (1) US20180322230A1 (zh)
CN (1) CN107153363B (zh)

Families Citing this family (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108648490B (zh) * 2018-07-03 2021-09-17 公安部交通管理科学研究所 一种自动驾驶汽车限速信息响应能力的测试方法
CN108595901A (zh) * 2018-07-09 2018-09-28 黄梓钥 一种自动驾驶汽车标准化安全仿真验证模型数据库系统
CN109164785B (zh) * 2018-08-24 2019-08-30 百度在线网络技术（北京）有限公司 自动驾驶车辆的仿真测试方法、装置、设备及存储介质
CN109389042A (zh) 2018-09-07 2019-02-26 百度在线网络技术（北京）有限公司 协助驾驶的方法、设备、无人驾驶设备及可读存储介质
WO2020060478A1 (en) * 2018-09-18 2020-03-26 Sixan Pte Ltd System and method for training virtual traffic agents
CN111199088B (zh) * 2018-10-31 2023-06-20 百度在线网络技术（北京）有限公司 复现场景数据的方法和装置
CN111123733B (zh) * 2018-10-31 2022-10-11 百度在线网络技术（北京）有限公司 自动驾驶仿真方法、装置、设备及计算机可读介质
CN111199083B (zh) * 2018-10-31 2023-12-15 阿波罗智能技术(北京)有限公司 复现无人驾驶车辆事故数据的方法和装置
CN111175055B (zh) * 2018-11-09 2022-08-09 百度在线网络技术（北京）有限公司 自动驾驶分布式协同仿真方法、装置以及终端
CN109446371A (zh) * 2018-11-09 2019-03-08 苏州清研精准汽车科技有限公司 一种智能汽车仿真测试场景库生成方法及测试系统和方法
CN111179585B (zh) * 2018-11-09 2021-12-07 上海汽车集团股份有限公司 自动驾驶车辆的场地测试方法及装置
CN111177878B (zh) * 2018-11-09 2023-06-27 百度在线网络技术（北京）有限公司 衍生仿真场景筛选方法、装置和终端
CN109614886B (zh) * 2018-11-23 2022-06-24 中国人民解放军63966部队 一种无人/自主驾驶系统的性能评测方法及装置
CN109598066B (zh) * 2018-12-05 2023-08-08 百度在线网络技术（北京）有限公司 预测模块的效果评估方法、装置、设备和存储介质
CN109557904B (zh) * 2018-12-06 2020-07-10 百度在线网络技术（北京）有限公司 一种测试方法、装置、设备和介质
CN109711009B (zh) * 2018-12-13 2023-06-27 北京掌行通信息技术有限公司 无人驾驶汽车性能评价方法、装置、电子设备及介质
CN109782737A (zh) * 2019-01-28 2019-05-21 平安科技（深圳）有限公司 无人车模拟测试方法和系统
CN109886338A (zh) * 2019-02-25 2019-06-14 苏州清研精准汽车科技有限公司 一种智能汽车测试图像标注方法、装置、系统及存储介质
CN110287529B (zh) * 2019-05-23 2023-01-31 杭州飞步科技有限公司 测试方法、装置、设备以及存储介质
CN110197027B (zh) * 2019-05-28 2023-07-18 百度在线网络技术（北京）有限公司 一种自动驾驶测试方法、装置、智能设备和服务器
CN112863244B (zh) * 2019-11-28 2023-03-14 大众汽车股份公司 用于促进车辆的安全行驶的方法和装置
CN111079800B (zh) * 2019-11-29 2023-06-23 上海汽车集团股份有限公司 一种智能驾驶虚拟测试的加速方法及加速系统
US20210165932A1 (en) * 2019-12-02 2021-06-03 Nuro, Inc. Collision filtering for autonomous vehicle simulations
CN112241127B (zh) * 2019-12-20 2023-08-22 北京国家新能源汽车技术创新中心有限公司 自动驾驶安全评分方法、装置、计算机设备和存储介质
CN111459616B (zh) * 2020-04-02 2024-04-23 北京牛电信息技术有限责任公司 一种测试方法、装置、设备及存储介质
CN113495833B (zh) * 2020-04-03 2024-02-23 杭州海康威视系统技术有限公司 基于视频事件的软件测试方法、装置、系统及存储介质
CN111460683B (zh) * 2020-04-20 2024-06-04 同济大学 一种行人在环仿真系统及其测试方法
CN111611709B (zh) * 2020-05-20 2023-09-15 阿波罗智能技术(北京)有限公司 用于控制仿真车辆的方法、装置、电子设备和存储介质
CN113032261B (zh) * 2021-03-23 2022-09-30 北京三快在线科技有限公司 一种仿真测试的方法及装置
CN113342701A (zh) * 2021-08-04 2021-09-03 北京赛目科技有限公司 无人驾驶仿真系统与被测无人驾驶软件交互的方法及装置
CN113691798B (zh) * 2021-08-10 2024-04-09 一汽解放汽车有限公司 一种车载摄像头运行可靠性检测系统、方法和计算机设备
CN114067610B (zh) * 2021-09-22 2023-03-17 广州文远知行科技有限公司 一种错过岔道口事故的仿真场景构建方法及装置
US20230131632A1 (en) * 2021-10-25 2023-04-27 Argo AI, LLC Systems, Methods, and Computer Program Products for Severity Classifications of Simulated Collisions
CN114549942A (zh) * 2022-04-27 2022-05-27 网思科技股份有限公司 人工智能安防系统测试方法、装置、存储介质及测试设备
CN114842660B (zh) * 2022-06-29 2022-10-11 石家庄铁道大学 一种无人车道路轨迹预测方法、装置和电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002366229A (ja) * 2001-06-11 2002-12-20 Yazaki Ind Chem Co Ltd 無人走行車の誘導路の敷設方法
JP2004102544A (ja) * 2002-09-06 2004-04-02 Sumitomo Electric Ind Ltd 交通状況表示方法及び交通状況表示装置
JP3762884B2 (ja) * 2001-07-12 2006-04-05 本田技研工業株式会社 走行シミュレーション装置の障害物設定装置
CN106153352A (zh) * 2016-07-04 2016-11-23 江苏大学 一种无人驾驶车辆测试验证平台及其测试方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1724971A (zh) * 2005-07-14 2006-01-25 上海交通大学 基于车身关键点三维变形的汽车碰撞事故再现方法
US8944822B2 (en) * 2005-07-22 2015-02-03 Appareo Systems, Llc Synchronized video and synthetic visualization system and method
CN103386994A (zh) * 2012-05-08 2013-11-13 上海富欣智能交通控制有限公司 基于安全通信的城市轨道交通智能控制系统
CN103207090B (zh) * 2013-04-09 2016-02-24 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
US20150112731A1 (en) * 2013-10-18 2015-04-23 State Farm Mutual Automobile Insurance Company Risk assessment for an automated vehicle
US20160210383A1 (en) * 2015-01-21 2016-07-21 Ford Global Technologies, Llc Virtual autonomous response testbed
CN104820763B (zh) * 2015-05-25 2017-12-15 西华大学 一种基于vissim的交通事故三维仿真方法
CN105843071B (zh) * 2016-03-21 2019-07-16 大连理工大学 一种智能车辆运动控制实物仿真系统
CN105975721B (zh) * 2016-05-27 2019-10-25 大连楼兰科技股份有限公司 事故重现碰撞仿真建立方法及基于车辆实时运动状态的事故重现碰撞仿真方法
US10252717B2 (en) * 2017-01-10 2019-04-09 Toyota Jidosha Kabushiki Kaisha Vehicular mitigation system based on wireless vehicle data

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002366229A (ja) * 2001-06-11 2002-12-20 Yazaki Ind Chem Co Ltd 無人走行車の誘導路の敷設方法
JP3762884B2 (ja) * 2001-07-12 2006-04-05 本田技研工業株式会社 走行シミュレーション装置の障害物設定装置
JP2004102544A (ja) * 2002-09-06 2004-04-02 Sumitomo Electric Ind Ltd 交通状況表示方法及び交通状況表示装置
CN106153352A (zh) * 2016-07-04 2016-11-23 江苏大学 一种无人驾驶车辆测试验证平台及其测试方法

Also Published As

Publication number Publication date
CN107153363A (zh) 2017-09-12
US20180322230A1 (en) 2018-11-08

Similar Documents

Publication Publication Date Title
CN107153363B (zh) 无人驾驶汽车的仿真测试方法及装置、设备与可读介质
CN109032102B (zh) 无人驾驶车辆测试方法、装置、设备及存储介质
Ramanishka et al. Toward driving scene understanding: A dataset for learning driver behavior and causal reasoning
US10453256B2 (en) Lane boundary detection data generation in virtual environment
CN109598066B (zh) 预测模块的效果评估方法、装置、设备和存储介质
CN108216252B (zh) 一种地铁司机车载驾驶行为分析方法、车载终端及系统
CN109032103B (zh) 无人驾驶车辆的测试方法、装置、设备及存储介质
CN111179585B (zh) 自动驾驶车辆的场地测试方法及装置
CN109345829B (zh) 无人车的监控方法、装置、设备及存储介质
CN109211575B (zh) 无人驾驶汽车及其场地测试方法、装置及可读介质
JP2023055697A (ja) 自動運転テスト方法、装置、電子機器及び記憶媒体
CN109711285B (zh) 识别模型的训练、测试方法和装置
CN107766872A (zh) 一种识别光照驾驶场景的方法和装置
KR20220109526A (ko) 차량 주행 위험 예측 시스템 및 그 방법
CN108268831A (zh) 一种无人车视觉检测的鲁棒性测试方法和系统
Guerin et al. Unifying evaluation of machine learning safety monitors
Yang et al. Train intelligent detection system based on convolutional neural network
CN114415542A (zh) 自动驾驶仿真系统、方法、服务器及介质
CN113221894A (zh) 车辆的车牌号识别方法、装置、电子设备和存储介质
CN113239609A (zh) 一种用于智能车单目摄像头目标识别监测的试验系统及检测方法
CN114693722B (zh) 一种车辆行驶行为检测方法、检测装置及检测设备
CN114820504B (zh) 图像融合偏差的检测方法、装置、电子设备及存储介质
CN115359438A (zh) 一种基于计算机视觉的车辆加塞的检测方法、系统和装置
CN110427911B (zh) 一种道路检测方法、装置、设备及存储介质
CN112861701A (zh) 违章停车识别方法、装置、电子设备以及计算机可读介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant