CN108563169A - 一种基于计算机的无人驾驶车辆认知能力测试系统 - Google Patents
一种基于计算机的无人驾驶车辆认知能力测试系统 Download PDFInfo
- Publication number
- CN108563169A CN108563169A CN201810338640.1A CN201810338640A CN108563169A CN 108563169 A CN108563169 A CN 108563169A CN 201810338640 A CN201810338640 A CN 201810338640A CN 108563169 A CN108563169 A CN 108563169A
- Authority
- CN
- China
- Prior art keywords
- module
- test
- data
- automatic driving
- path
- 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.)
- Withdrawn
Links
Classifications
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25314—Modular structure, modules
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于无人驾驶技术领域,公开了一种基于计算机的无人驾驶车辆认知能力测试系统,所述基于计算机的无人驾驶车辆认知能力测试系统包括:太阳能供电模块、系统自检模块、测试指令输入模块、单片机控制模块、测试模块、测试存储模块、测试显示模块。本发明通过太阳能供电模块可以获取源源不断的太阳能,保障测试持久工作,节约能源,经济环保;同时通过测试模块可以测试路径识别能力、障碍识别能力、动力续航能力、事故决策能力可以大大提高对无人驾驶车辆认知能力的综合测试,测试数据全面,更加准确。
Description
技术领域
本发明属于无人驾驶技术领域,尤其涉及一种基于计算机的无人驾驶车辆认知能力测试系统。
背景技术
目前,业内常用的现有技术是这样的:
无人驾驶汽车是通过车载传感系统感知道路环境,自动规划行车路线并控制车辆到达预定目标的智能汽车。它是利用车载传感器来感知车辆周围环境,并根据感知所获得的道路、车辆位置和障碍物信息,控制车辆的转向和速度,从而使车辆能够安全、可靠地在道路上行驶。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。然而,现有的无人驾驶车辆认知能力测试系统通过传统方式供电,耗费电能,如果出现断电则不能继续进行测试工作;同时现有测试内容单一,测试结果不准确。
状态保留电源控制单元(SRPG,以下将状态保留电源控制单元简称为SRPG)是标准单元库中一员,在低功耗SoC系统设计中扮演着非常重要的角色。随着半导体工艺的不断进步,器件尺寸不断缩小而器件的漏电流则可能会增大,因而在SoC系统设计的过程中,采用传统的降低漏电流的办法越来越难以达到低功耗的设计目标,于是使用面积小且响应速度快的SRPG单元就显得非常有必要。采用控制电源(power gate)的办法(也即在系统休眠状态下,将系统或者模块的电源完全切断)可以达到降低漏电流的目的,这种情况下除非提供一个保留状态的寄存器,否则系统原先的状态将彻底丢失。状态保留电源控制单元(SRPG)电路的做法就是:在电路的其它部分处于断电情况下,仅仅采用一个锁存器来保持电路断电之前的逻辑状态的。
SRPG电路分为时钟状态独立的SRPG单元与非时钟状态独立的SRPG单元。非时钟独立SRPG单元的优点是面积小且漏电流低,它的缺点是在断电的情况下必须让其时钟处于某一种固定的状态(比如说必须处于“0”态或者必须处于“1”态)。而时钟独立SRPG单元的优点是在断电的情况下无需考虑其时钟处于何种状态,缺点是电路物理面积较大。
现有技术中,SRPG电路分为时钟状态独立的SRPG单元与时钟状态非独立得SRPG单元。时钟独立SRPG单元电路的一种形式:ND0、IV0、IV1组成逻辑控制电路;MP0、MP1、MP2、MN0、MN1、MN2组成输入控制电路;IV2a、IV2b组成第一级锁存器;BUF0为第一级传输门;IV3a与IV3b组成第二级锁存器;IV4为第二级传输门;IV5为SRPG单元的反相器输出门。其中逻辑控制电路与IV3a及IV3b的电源为VDDC,是不间断电源。连接在此SRPG单元的其它器件上的电源(VDD)在休眠模式或断电模式下都可切断至“0”电位。
此SRPG电路单元的工作状态分析如下:
正常工作模式下,pgb=1时,VDD正常供电,数据输入端Din的数据可以从SRPG单元中输入并锁存,其工作原理为:clk=0时,sw=0,Din通过MP2、MN2输入到IV2a,Db=~Din,n0=Din;当clk=1时,sw=1,IV2b导通,将数据锁存,同时BUF0也导通,Din可以被IV5送到Q端,也即Qb=Din,Q=~Din。
休眠省电模式下,pgb=0时,然后VDD电源被切断,VDDC正常供电,此时SRPG单元进入休眠省电模式,同时原先内部锁存的Din状态要保持,其工作原理为:pgb=0,sw=0,swb=1,MP0、MP1、MP2、MN0、MN1、MN2组成的输入控制部分关闭,外部Din数据不会输入;由于VDD处于断电状态,IV2a、IV2b以及BUF0与IV4都处于掉电状态,Db与n0为不定态;IV3a与IV3b由于被接到不间断电源VDDC上,且此时sw=0使得IV3a与IV3b形成锁存状态,从而Qb的数据状态(也即之前输入的Din的数据状态)得以保持。
状态恢复模式下,VDD电源接通如果此时pgb=0时,MP0、MP1、MP2、MN0、MN1、MN2组成的输入控制部分仞处于关闭状态,而IV4导通,将IV3a与IV3b锁存的Qb的数据状态传送给由IV2a与IV2b组成的第一级锁存器,也即Db=Qb,因而SRPG单元之前的数据状态得以恢复。
正常供电情况下(VDD与VDDC正常供电)SRPG在clk=0时接收Din数据,clk=1时数据在第一级锁存器(IV2a与IV2b)锁存并通过BUF0与IV5送往下一级;
pgb=0且VDD还在正常供电时,Din无法通过数据输入控制电路,第一级锁存器与第二级锁存器导通,Din被锁存在Db与Qb;
VDD断电情况下,由于VDD断电且只有VDDC正常供电,因而IV3a与IV3b仍然导通,Din被IV3a与IV3b锁存,SRPG单元的其它器件处于休眠状态;
VDD恢复但pgb=0时,由于IV4导通且IV3a与IV3b导通,Db恢复到Qb的状态并被第一级锁存器(IV3a与IV3b);
VDD恢复且pgb由0变1时,SRPG单元进入正常工作模式。
在无人驾驶航路规划的问题当中,因路径因素产生的威胁,对无人驾驶车辆执行运行安全有着重要的影响。为了使无人驾驶车辆运行时因路径因素受到的损失降到最低,同时在满足已有的约束条件下规划出较安全的航线,研究如何对路径威胁进行较为准确的量化评估成为迫切需求。来自路径的威胁有其独有的特点,诸如模糊性、不确定性和时效性等,因此不能用常规的方法,比如函数法来定量地分析路径威胁。曾有学者运用静态贝叶斯网络、神经网络对路径威胁进行了量化评估,但其缺乏对路径信息的时效性分析,不能反映路径威胁在不同时刻的变化规律。
离散动态贝叶斯网络是一种对动态不确定事件进行建模和推理的工具,近几年正日益应用于众多领域。
综上所述,现有技术存在的问题是:
现有的无人驾驶车辆认知能力测试系统通过传统方式供电,耗费电能,如果出现断电则不能继续进行测试工作;同时现有测试内容单一,测试结果不准确。
现有SRPG单元,由于VDD断电后,原先Din的数据状态要保持,就必须增加第二级数据锁存器(IV3a与IV3b),增大了SRPG单元的面积,导致集成电路的成本增加以及整个SoC芯片成本增加;而且现有技术唤醒响应速度慢。
现有的路径威胁指数评估方法有效性、实用性和准确性不够高的问题。
发明内容
针对现有技术存在的问题,本发明提供了一种基于计算机的无人驾驶车辆认知能力测试系统。
本发明是这样实现的,一种基于计算机的无人驾驶车辆认知能力测试系统,所述基于计算机的无人驾驶车辆认知能力测试系统包括:
太阳能供电模块,与单片机控制模块连接,用于通过太阳能电池板将太阳能转化为电能给测试系统进行持久供电;
系统自检模块,与单片机控制模块连接,用于对无人驾驶车控制系统进行自动检测;
测试指令输入模块,与单片机控制模块连接,用于输入对无人驾驶车的测试任务;
单片机控制模块,与太阳能供电模块、系统自检模块、测试指令输入模块、测试模块、测试存储模块、测试显示模块连接,用于控制调度各个工作模块;
单片机控制模块集成有时钟独立SRPG电路;时钟独立SRPG电路采用原本用作正常工作模式下的一级锁存器IV2a与IV2b作为休眠模式下的数据状态保持电路,取消以往普通的时钟独立SRPG单元电路中用作状态保持电路IV3a与IV3b;所述时钟独立SRPG电路,包括:
clk=0时将Din输入到一级锁存器的Din数据输入控制电路;
由不间断电源VDDC供电,sw0=1时将Db状态锁存的一级锁存器;
sw1=1时Qb=n0=~Qb,用于传输缓冲的第一级传输门BUF0;
电源恢复阶段,当VDD导通且pgb=0时用来将Db的状态传输给Qb,用于传输缓冲的第二级传输门IV4;
为SRPG电路的反相器输出的反相器输出门IV5;
所述新型的小面积时钟独立SRPG电路系统还包括:用来产生控制SRPG的逻辑信号的ND0、NR0、IV0与IV1;
所述Din数据输入控制电路包括:MP0、MP1、MP2以及MN0、MN1、MN2;
一级锁存器包括:IV2a、IV2b;
测试模块,与单片机控制模块连接,用于对无人驾驶车的各个功能进行测试;
测试存储模块,与单片机控制模块连接,用于对无人驾驶车的测试数据进行存储;
测试显示模块,与单片机控制模块连接,用于显示对无人驾驶车的测试数据信息;
所述测试模块包括路径识别测试模块、障碍识别测试模块、动力续航测试模块、事故决策测试模块;
路径识别测试模块,用于测试无人驾驶车路径识别能力;
障碍识别测试模块,用于测试无人驾驶车障碍识别能力;
动力续航测试模块,用于测试无人驾驶车动力续航能力;
事故决策测试模块,用于测试无人驾驶车事故决策能力;
事故决策测试模块的测试方法包括:
将观测到的路径类型、强度信息和UAV位置、姿态信息收集整理;
将收集的路径类型、强度信息和UAV位置、姿态信息按照划分的量化等级进行量化处理,并建立观测证据表;
利用专家知识或经验建立状态间的条件概率转移矩阵,确定时间片段间的状态转移矩阵;
建立路径威胁等级与路径因素和UAV间的离散动态贝叶斯网络模型;
利用建立的观测证据表、条件转移概率表和状态转移概率表,运用隐马尔科夫推理算法计算出最终的路径威胁等级。
进一步,所述离散动态贝叶斯网络模型是由观测节点和状态节点构成的有向无环图,路径类型、作用强度、相对位置和UAV姿态共同构成了离散状态节点,路径威胁等级为观测节点;
所述建立的观测证据表、条件转移概率表和状态转移概率表,结合所建立的离散动态贝叶斯网络模型,确定最终的威胁等级即为贝叶斯推理过程依据大量状态节点数据推理出观测节点最大可能取值的概率。
进一步,事故决策测试模块的测试方法还包括:
系统参数λ和观测序列Y,前向-后向算法推理出概率P(Y|λ)的过程如下:
前向算法,定义前向变量αt(i)=P(y1,y2,...,yt,xt=i|λ)
初始化:α1(i)=πibi(y1),1≤i≤n
递归运算:
结果:
后向算法,定义后向变量βt(i)=P(yt+1,yt+2,...,yT|xt=i,λ)
初始化:βT(i)=1,1≤i≤n
递归运算:
结果:
将前向算法、后向算法结合起来构成前向-后向算法:
最终,根据确立的观测证据表、条件转移概率表和状态转移概率表,结合前向-后向算法推理出UAV的路径威胁等级。
进一步,所述的离散动态贝叶斯网络模型中各节点的状态集合用S表示,各因子用下标区分,如下所示:
STT={恶劣,一般,平坦};
SIOE={强,较强,中,弱};
SFT={加速,匀速};
SDC={远,中,近}。
进一步,事故决策测试模块包括:
信息收集整理模块,用于将观测到的路径类型、强度信息和UAV位置、姿态信息收集整理;
观测证据表建立模块,用于将收集的路径类型、强度信息和UAV位置、姿态信息按照划分的量化等级进行量化处理,并建立观测证据表;
状态转移矩阵确定模块,用于利用专家知识或经验建立状态间的条件概率转移矩阵,确定时间片段间的状态转移矩阵;
模型建立模块,用于建立路径威胁等级与路径因素和UAV间的离散动态贝叶斯网络模型;
等级计算单元,用于利用建立的观测证据表、条件转移概率表和状态转移概率表,运用隐马尔科夫推理算法计算出最终的路径威胁等级;
所述离散动态贝叶斯网络模型是由观测节点和状态节点构成的有向无环图,路径类型、作用强度、相对位置和UAV姿态共同构成了离散状态节点,路径威胁等级为观测节点;
所述建立的观测证据表、条件转移概率表和状态转移概率表,结合所建立的离散动态贝叶斯网络模型,确定最终的威胁等级即为贝叶斯推理过程依据大量状态节点数据推理出观测节点最大可能取值的概率。
进一步,所述测试模块测试方法如下:
首先,单片机控制模块通过测试指令输入模块接收上位机发送的测试服务指令,并根据所述测试服务指令调度测试模块;
然后,测试模块对无人驾驶车的路径识别能力、障碍识别能力、动力续航能力、事故决策能力进行测试;
最后,测试模块将测试结果通过单片机控制模块发送给测试存储模块进行存储,并通过测试显示模块进行显示。
进一步,所述障碍识别测试模块包括:外壳、定位仪、雷达探测仪、数据发射器、接收器;所述定位仪嵌于外壳表面;所述外壳置于车辆内部,并用胶体固定;所述雷达探测仪嵌于外壳内部,通过导线与数据发射器相连;所述数据发射器通过螺丝固定于外壳表面;所述接收器嵌于外壳内部,通过导线与数据发射器相连;在汽车行进的过程中,通过雷达探测仪发射雷达信号,遇到障碍物时,信号被反射回来,并由接收器将信号收集来判断位置距离,同时定位仪根据信号被反射的位置,通过GPS定位在地图上标识,一同将信息输送到数据发射器中,由数据发射器将数据发送到路径识别测试模块。
进一步,所述测试显示模块包括:壳体、无线模块、液晶屏、一键发送、复位键、数据接口;所述无线模块嵌于壳体上端;所述壳体置于汽车内部,并用胶体固定;所述液晶屏嵌于壳体内部,通过导线与一键发送、复位键相连;所述一键发送与数据接口相连;所述复位键嵌于壳体内部;所述数据接口嵌于壳体一侧;在接收到测试数据后,能够在液晶屏上实时显示数据,并且可以通过无线连接实现数据传输;当需把数据整理收集时,通过数据接口外接设备,按下一键发送快速传输;如果在传输数据因操作失误导致数据错乱,可以通过复位键来重新连接。
本发明的优点及积极效果为:
本发明通过太阳能供电模块可以获取源源不断的太阳能,保障测试持久工作,节约能源,经济环保;同时通过测试模块可以测试路径识别能力、障碍识别能力、动力续航能力、事故决策能力可以大大提高对无人驾驶车辆认知能力的综合测试,测试数据全面,更加准确。
本发明中,由于复用IV2a与IV2b作为正常工作模式的数据锁存以及VDD电源断电后的数据状态锁存,不像以往的普通时钟独立SRPG电路单元那样需要额外增加IV3a与IV3b作为断电后的数据状态锁存电路,更节省了电路面积;且因为VDD断电后,原先的数据状态直接被IV2a与IV2b锁存,当VDD恢复上电后,数据无需通过以往电路中的IV4而传输到Db,想比以往的普通的时钟独立SRPG电路单元,具有更小的电路面积,其状态恢复的响应速度更快。
本发明提出的路径威胁度综合评估,实现了连续观测值和离散动态贝叶斯网络的有机结合,将所有可观测的与路径威胁度相关的重要因子综合起来进行判断推理,建立了适用于路径威胁度推理的离散动态贝叶斯网络模型,并结合路径推理出威胁程度的概率分布;使路径评估的有效性、实用性和准确性大大提升;与静态贝叶斯网络相比,离散动态贝叶斯网络由于利用了临近时间段的节点信息,因此推理结果准确性更高,且当数据存在异常或不确定情况下,离散动态贝叶斯网络仍能够推理出较为正确的威胁等级。结合背景和多种证据信息的观测收集,此方法可以进一步推无人驾驶态势评定和目标类型估计等诸多领域,具有较大的应用前景。
附图说明
图1是本发明实施例提供的基于计算机的无人驾驶车辆认知能力测试系统结构框图;
图中:1、太阳能供电模块;2、系统自检模块;3、测试指令输入模块;4、单片机控制模块;5、测试模块;6、测试存储模块;7、测试显示模块。
图2是本发明实施例提供的显示模块结构框图;
图中:8、壳体;9、无线模块;10、液晶屏;11、一键发送;12、复位键;13、数据接口。
图3是本发明实施例提供的障碍识别测试模块结构框图;
图中:14、外壳;15、定位仪;16、雷达探测仪;17、数据发射器;18、接收器。
图4是本发明实施例提供的时钟独立SRPG电路示意图。
图5是本发明实施例提供的时钟独立SRPG电路的工作时序图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
如图1所示,本发明实施例提供的基于计算机的无人驾驶车辆认知能力测试系统包括:太阳能供电模块1、系统自检模块2、测试指令输入模块3、单片机控制模块4、测试模块5、测试存储模块6、测试显示模块7。
如图2所示,本发明实施例提供的基于计算机的无人驾驶车辆认知能力测试系统所述显示模块包括:壳体8、无线模块9、液晶屏10、一键发送11、复位键12、数据接口13。
如图3所示,本发明实施例提供的基于计算机的无人驾驶车辆认知能力测试系统所述障碍识别测试模块包括:外壳14、定位仪15、雷达探测仪16、数据发射器17、接收器18。
本发明提供的测试模块5包括路径识别测试模块、障碍识别测试模块、动力续航测试模块、事故决策测试模块;
路径识别测试模块,用于测试无人驾驶车路径识别能力;
障碍识别测试模块,用于测试无人驾驶车障碍识别能力;
动力续航测试模块,用于测试无人驾驶车动力续航能力;
事故决策测试模块,用于测试无人驾驶车事故决策能力。
事故决策测试模块的测试方法包括:
将观测到的路径类型、强度信息和UAV位置、姿态信息收集整理;
将收集的路径类型、强度信息和UAV位置、姿态信息按照划分的量化等级进行量化处理,并建立观测证据表;
利用专家知识或经验建立状态间的条件概率转移矩阵,确定时间片段间的状态转移矩阵;
建立路径威胁等级与路径因素和UAV间的离散动态贝叶斯网络模型;
利用建立的观测证据表、条件转移概率表和状态转移概率表,运用隐马尔科夫推理算法计算出最终的路径威胁等级。
进一步,所述离散动态贝叶斯网络模型是由观测节点和状态节点构成的有向无环图,路径类型、作用强度、相对位置和UAV姿态共同构成了离散状态节点,路径威胁等级为观测节点;
所述建立的观测证据表、条件转移概率表和状态转移概率表,结合所建立的离散动态贝叶斯网络模型,确定最终的威胁等级即为贝叶斯推理过程依据大量状态节点数据推理出观测节点最大可能取值的概率。
进一步,事故决策测试模块的测试方法还包括:
系统参数λ和观测序列Y,前向-后向算法推理出概率P(Y|λ)的过程如下:
前向算法,定义前向变量αt(i)=P(y1,y2,...,yt,xt=i|λ)
初始化:α1(i)=πibi(y1),1≤i≤n
递归运算:
结果:
后向算法,定义后向变量βt(i)=P(yt+1,yt+2,...,yT|xt=i,λ)
初始化:βT(i)=1,1≤i≤n
递归运算:
结果:
将前向算法、后向算法结合起来构成前向-后向算法:
最终,根据确立的观测证据表、条件转移概率表和状态转移概率表,结合前向-后向算法推理出UAV的路径威胁等级。
进一步,所述的离散动态贝叶斯网络模型中各节点的状态集合用S表示,各因子用下标区分,如下所示:
STT={恶劣,一般,平坦};
SIOE={强,较强,中,弱};
SFT={加速,匀速};
SDC={远,中,近}。
进一步,事故决策测试模块包括:
信息收集整理模块,用于将观测到的路径类型、强度信息和UAV位置、姿态信息收集整理;
观测证据表建立模块,用于将收集的路径类型、强度信息和UAV位置、姿态信息按照划分的量化等级进行量化处理,并建立观测证据表;
状态转移矩阵确定模块,用于利用专家知识或经验建立状态间的条件概率转移矩阵,确定时间片段间的状态转移矩阵;
模型建立模块,用于建立路径威胁等级与路径因素和UAV间的离散动态贝叶斯网络模型;
等级计算单元,用于利用建立的观测证据表、条件转移概率表和状态转移概率表,运用隐马尔科夫推理算法计算出最终的路径威胁等级;
所述离散动态贝叶斯网络模型是由观测节点和状态节点构成的有向无环图,路径类型、作用强度、相对位置和UAV姿态共同构成了离散状态节点,路径威胁等级为观测节点;
所述建立的观测证据表、条件转移概率表和状态转移概率表,结合所建立的离散动态贝叶斯网络模型,确定最终的威胁等级即为贝叶斯推理过程依据大量状态节点数据推理出观测节点最大可能取值的概率。
本发明所述定位仪15嵌于外壳14表面;所述外壳14置于车辆内部,并用胶体固定;所述雷达探测仪16嵌于外壳内部,通过导线与数据发射器17相连;所述数据发射器17通过螺丝固定于外壳表面;所述接收器18嵌于外壳内部,通过导线与数据发射器17相连。
本发明提供的测试模块5测试方法如下:
首先,单片机控制模块通过测试指令输入模块接收上位机发送的测试服务指令,并根据所述测试服务指令调度测试模块;
然后,测试模块对无人驾驶车的路径识别能力、障碍识别能力、动力续航能力、事故决策能力进行测试;
最后,测试模块将测试结果通过单片机控制模块发送给测试存储模块进行存储,并通过测试显示模块进行显示。本发明所述无线模块9嵌于壳体8上端;所述壳体8置于汽车内部,并用胶体固定;所述液晶屏10嵌于壳体内部,通过导线与一键发送11、复位键12相连;所述一键发送11与数据接口13相连;所述复位键12嵌于壳体8内部;所述数据接口13嵌于壳体8一侧。
本发明测试时,通过太阳能供电模块1将太阳能转化为电能给测试系统进行持久供电;通过系统自检模块2对无人驾驶车控制系统进行自动检测;工作人员通过测试指令输入模块3输入对无人驾驶车的测试任务;单片机控制模块4调度测试模块5对无人驾驶车的各个功能进行测试;在汽车行进的过程中,通过雷达探测仪16发射雷达信号,遇到障碍物时,信号被反射回来,并由接收器18将信号收集来判断位置距离,同时定位仪15根据信号被反射的位置,通过GPS定位在地图上标识,一同将信息输送到数据发射器17中,由数据发射器17将数据发送到路径识别测试模块。通过测试存储模块6对无人驾驶车的测试数据进行存储;最后,通过测试显示模块7显示对无人驾驶车的测试数据信息。在接收到测试数据后,能够在液晶屏10上实时显示数据,并且可以通过无线连接实现数据传输;当需把数据整理收集时,可以通过数据接口13外接设备,按下一键发送11便可快速传输;如果在传输数据因操作失误导致数据错乱,可以通过复位键12来重新连接。
如图4所示,本发明实施例提供的钟独立SRPG电路的ND0、NR0、IV0与IV1:用来产生控制SRPG的逻辑信号;
MP0、MP1、MP2以及MN0、MN1、MN2:Din数据输入控制电路,clk=0时将Din输入到IV2a与IV2b组成的锁存器;
IV2a、IV2b:数据锁存器且由不间断电源VDDC供电,sw0=1时将Db状态锁存;
BUF0:为三态传输缓冲,sw1=1时Qb=n0=~Qb;
INV4为三态传输门:电源恢复阶段,当VDD导通且pgb=0时用来将Db的状态传输给Qb;
IV5:为SRPG单元的反相器输出门;
下面结合基本操作方法对本发明作进一步描述。
如图5所示,
1)正常工作模式下,pgb=1时,VDD正常供电,数据输入端Din的数据可以从SRPG单元中输入并锁存,其工作原理为:clk=0时,sw0=0且sw1=0,Din通过MP2、MN2输入到IV2a,Db=~Din,n0=Din;当clk=1时,sw0=1且sw1=1,IV2b导通,将数据锁存,同时BUF0也导通,Din可以被IV5送到Q端,也即Qb=Din,Q=~Din。
2)休眠省电模式下,pgb=0时,然后VDD电源被切断,VDDC正常供电,此时SRPG单元进入休眠省电模式,内部锁存的Din状态保持,工作原理为:pgb=0,sw0=1,MP0、MP1、MP2、MN0、MN1、MN2组成的输入控制部分关闭,外部Din数据不会输入;由于VDDC不间断供电,IV2a、IV2b形成锁存,Db与n0的状态保持(也即原先外部输入的Din的数据状态得以保持);BUF0与IV4都处于掉电状态,Qb为不定态。
3)状态恢复模式下,VDD电源接通如果此时pgb=0时,MP0、MP1、MP2、MN0、MN1、MN2组成的输入控制部分仞处于关闭状态,而IV4与BUF0导通,将IV2a与IV2b锁存的Db的数据状态传送给Qb,也即Qb=Db,因而SRPG单元之前的数据状态得以恢复。
图5是本发明实施例提供时钟独立SRPG电路的工作时序图:
时间1是正常供电情况下(VDD与VDDC正常供电)SRPG在clk=0时接收Din数据,clk=1时数据在锁存器(IV2a与IV2b)中锁存并通过BUF0与IV5送往下一级;
时间2是pgb=0且VDD还在正常供电时,Din无法通过数据输入控制电路,锁存器IV2a与IV2b导通(因IV2a与IV2b的电源为不间断电源VDDC)且BUF0关闭,Din被锁存在Db与n0;
时间3是VDD断电情况下,由于VDD断电且只有VDDC正常供电,因而IV2a与IV2b仍然导通,Din被IV2a与IV2b锁存,SRPG单元的其它器件处于休眠状态;
时间4是VDD恢复但pgb=0时,由于IV4与BUF0导通,Qb恢复到Db的状态;
时间5是VDD恢复且pgb由0变1时,SRPG单元进入正常工作模式。
本发明中,由于复用IV2a与IV2b作为正常工作模式的数据锁存以及VDD电源断电后的数据状态锁存,不像以往的普通时钟独立SRPG电路单元那样需要额外增加IV3a与IV3b作为断电后的数据状态锁存电路,更节省了电路面积;且因为VDD断电后,原先的数据状态直接被IV2a与IV2b锁存,当VDD恢复上电后,数据无需通过以往电路中的IV4而传输到Db,想比以往的普通的时钟独立SRPG电路单元,具有更小的电路面积,其状态恢复的响应速度更快。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (8)
1.一种基于计算机的无人驾驶车辆认知能力测试系统,其特征在于,所述基于计算机的无人驾驶车辆认知能力测试系统包括:
太阳能供电模块,与单片机控制模块连接,用于通过太阳能电池板将太阳能转化为电能给测试系统进行持久供电;
系统自检模块,与单片机控制模块连接,用于对无人驾驶车控制系统进行自动检测;
测试指令输入模块,与单片机控制模块连接,用于输入对无人驾驶车的测试任务;
单片机控制模块,与太阳能供电模块、系统自检模块、测试指令输入模块、测试模块、测试存储模块、测试显示模块连接,用于控制调度各个工作模块;
单片机控制模块集成有时钟独立SRPG电路;时钟独立SRPG电路采用原本用作正常工作模式下的一级锁存器IV2a与IV2b作为休眠模式下的数据状态保持电路,取消以往普通的时钟独立SRPG单元电路中用作状态保持电路IV3a与IV3b;所述时钟独立SRPG电路,包括:
clk=0时将Din输入到一级锁存器的Din数据输入控制电路;
由不间断电源VDDC供电,sw0=1时将Db状态锁存的一级锁存器;
sw1=1时Qb=n0=~Qb,用于传输缓冲的第一级传输门BUF0;
电源恢复阶段,当VDD导通且pgb=0时用来将Db的状态传输给Qb,用于传输缓冲的第二级传输门IV4;
为SRPG电路的反相器输出的反相器输出门IV5;
所述新型的小面积时钟独立SRPG电路系统还包括:用来产生控制SRPG的逻辑信号的ND0、NR0、IV0与IV1;
所述Din数据输入控制电路包括:MP0、MP1、MP2以及MN0、MN1、MN2;
一级锁存器包括:IV2a、IV2b;
测试模块,与单片机控制模块连接,用于对无人驾驶车的各个功能进行测试;
测试存储模块,与单片机控制模块连接,用于对无人驾驶车的测试数据进行存储;
测试显示模块,与单片机控制模块连接,用于显示对无人驾驶车的测试数据信息;
所述测试模块包括路径识别测试模块、障碍识别测试模块、动力续航测试模块、事故决策测试模块;
路径识别测试模块,用于测试无人驾驶车路径识别能力;
障碍识别测试模块,用于测试无人驾驶车障碍识别能力;
动力续航测试模块,用于测试无人驾驶车动力续航能力;
事故决策测试模块,用于测试无人驾驶车事故决策能力;
事故决策测试模块的测试方法包括:
将观测到的路径类型、强度信息和UAV位置、姿态信息收集整理;
将收集的路径类型、强度信息和UAV位置、姿态信息按照划分的量化等级进行量化处理,并建立观测证据表;
利用专家知识或经验建立状态间的条件概率转移矩阵,确定时间片段间的状态转移矩阵;
建立路径威胁等级与路径因素和UAV间的离散动态贝叶斯网络模型;
利用建立的观测证据表、条件转移概率表和状态转移概率表,运用隐马尔科夫推理算法计算出最终的路径威胁等级。
2.如权利要求1所述基于计算机的无人驾驶车辆认知能力测试系统,其特征在于,所述离散动态贝叶斯网络模型是由观测节点和状态节点构成的有向无环图,路径类型、作用强度、相对位置和UAV姿态共同构成了离散状态节点,路径威胁等级为观测节点;
所述建立的观测证据表、条件转移概率表和状态转移概率表,结合所建立的离散动态贝叶斯网络模型,确定最终的威胁等级即为贝叶斯推理过程依据大量状态节点数据推理出观测节点最大可能取值的概率。
3.如权利要求1所述基于计算机的无人驾驶车辆认知能力测试系统,其特征在于,事故决策测试模块的测试方法还包括:
系统参数λ和观测序列Y,前向-后向算法推理出概率P(Y|λ)的过程如下:
前向算法,定义前向变量αt(i)=P(y1,y2,...,yt,xt=i|λ)
初始化:α1(i)=πibi(y1),1≤i≤n
递归运算:
结果:
后向算法,定义后向变量βt(i)=P(yt+1,yt+2,...,yT|xt=i,λ)
初始化:βT(i)=1,1≤i≤n
递归运算:
结果:
将前向算法、后向算法结合起来构成前向-后向算法:
最终,根据确立的观测证据表、条件转移概率表和状态转移概率表,结合前向-后向算法推理出UAV的路径威胁等级。
4.如权利要求1所述基于计算机的无人驾驶车辆认知能力测试系统,其特征在于,所述的离散动态贝叶斯网络模型中各节点的状态集合用S表示,各因子用下标区分,如下所示:
STT={恶劣,一般,平坦};
SIOE={强,较强,中,弱};
SFT={加速,匀速};
SDC={远,中,近}。
5.如权利要求1所述基于计算机的无人驾驶车辆认知能力测试系统,其特征在于,事故决策测试模块包括:
信息收集整理模块,用于将观测到的路径类型、强度信息和UAV位置、姿态信息收集整理;
观测证据表建立模块,用于将收集的路径类型、强度信息和UAV位置、姿态信息按照划分的量化等级进行量化处理,并建立观测证据表;
状态转移矩阵确定模块,用于利用专家知识或经验建立状态间的条件概率转移矩阵,确定时间片段间的状态转移矩阵;
模型建立模块,用于建立路径威胁等级与路径因素和UAV间的离散动态贝叶斯网络模型;
等级计算单元,用于利用建立的观测证据表、条件转移概率表和状态转移概率表,运用隐马尔科夫推理算法计算出最终的路径威胁等级;
所述离散动态贝叶斯网络模型是由观测节点和状态节点构成的有向无环图,路径类型、作用强度、相对位置和UAV姿态共同构成了离散状态节点,路径威胁等级为观测节点;
所述建立的观测证据表、条件转移概率表和状态转移概率表,结合所建立的离散动态贝叶斯网络模型,确定最终的威胁等级即为贝叶斯推理过程依据大量状态节点数据推理出观测节点最大可能取值的概率。
6.如权利要求1所述基于计算机的无人驾驶车辆认知能力测试系统,其特征在于,所述测试模块测试方法如下:
首先,单片机控制模块通过测试指令输入模块接收上位机发送的测试服务指令,并根据所述测试服务指令调度测试模块;
然后,测试模块对无人驾驶车的路径识别能力、障碍识别能力、动力续航能力、事故决策能力进行测试;
最后,测试模块将测试结果通过单片机控制模块发送给测试存储模块进行存储,并通过测试显示模块进行显示。
7.如权利要求1所述基于计算机的无人驾驶车辆认知能力测试系统,其特征在于,所述障碍识别测试模块包括:外壳、定位仪、雷达探测仪、数据发射器、接收器;所述定位仪嵌于外壳表面;所述外壳置于车辆内部,并用胶体固定;所述雷达探测仪嵌于外壳内部,通过导线与数据发射器相连;所述数据发射器通过螺丝固定于外壳表面;所述接收器嵌于外壳内部,通过导线与数据发射器相连;在汽车行进的过程中,通过雷达探测仪发射雷达信号,遇到障碍物时,信号被反射回来,并由接收器将信号收集来判断位置距离,同时定位仪根据信号被反射的位置,通过GPS定位在地图上标识,一同将信息输送到数据发射器中,由数据发射器将数据发送到路径识别测试模块。
8.如权利要求1所述基于计算机的无人驾驶车辆认知能力测试系统,其特征在于,所述测试显示模块包括:壳体、无线模块、液晶屏、一键发送、复位键、数据接口;所述无线模块嵌于壳体上端;所述壳体置于汽车内部,并用胶体固定;所述液晶屏嵌于壳体内部,通过导线与一键发送、复位键相连;所述一键发送与数据接口相连;所述复位键嵌于壳体内部;所述数据接口嵌于壳体一侧;在接收到测试数据后,能够在液晶屏上实时显示数据,并且可以通过无线连接实现数据传输;当需把数据整理收集时,通过数据接口外接设备,按下一键发送快速传输;如果在传输数据因操作失误导致数据错乱,可以通过复位键来重新连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810338640.1A CN108563169A (zh) | 2018-04-16 | 2018-04-16 | 一种基于计算机的无人驾驶车辆认知能力测试系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810338640.1A CN108563169A (zh) | 2018-04-16 | 2018-04-16 | 一种基于计算机的无人驾驶车辆认知能力测试系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108563169A true CN108563169A (zh) | 2018-09-21 |
Family
ID=63535264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810338640.1A Withdrawn CN108563169A (zh) | 2018-04-16 | 2018-04-16 | 一种基于计算机的无人驾驶车辆认知能力测试系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108563169A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112061139A (zh) * | 2020-09-03 | 2020-12-11 | 三一专用汽车有限责任公司 | 自动驾驶控制方法、自动驾驶装置和计算机存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004003099A1 (de) * | 2004-01-21 | 2005-08-18 | TÜV Automotive GmbH | System zur fahrerlosen Durchführung von Dauerfahrversuchen von Kraftfahrzeugen |
CN101173859A (zh) * | 2006-10-31 | 2008-05-07 | 佛山市顺德区顺达电脑厂有限公司 | 感应导航装置和方法 |
CN201410924Y (zh) * | 2009-05-27 | 2010-02-24 | 中国航空动力机械研究所 | 汽车驾驶安全装置 |
CN101916311A (zh) * | 2010-08-05 | 2010-12-15 | 北京交通大学 | 轨道交通自动驾驶系统模型开发与仿真测试系统与方法 |
CN102092477A (zh) * | 2010-11-30 | 2011-06-15 | 中国民航大学 | 飞机音频综合系统自动测试与故障诊断装置及方法 |
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 |
CN104502122A (zh) * | 2015-01-12 | 2015-04-08 | 交通运输部公路科学研究所 | 无人驾驶车辆遥控制动性能的测试评价方法 |
CN105426970A (zh) * | 2015-11-17 | 2016-03-23 | 武汉理工大学 | 一种基于离散动态贝叶斯网络的气象威胁评估方法 |
CN107124160A (zh) * | 2017-04-27 | 2017-09-01 | 苏州无离信息技术有限公司 | 一种新型的小面积时钟独立srpg电路系统 |
CN107168375A (zh) * | 2017-07-19 | 2017-09-15 | 过成康 | 一种防碰撞及增稳无人机控制方法 |
-
2018
- 2018-04-16 CN CN201810338640.1A patent/CN108563169A/zh not_active Withdrawn
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004003099A1 (de) * | 2004-01-21 | 2005-08-18 | TÜV Automotive GmbH | System zur fahrerlosen Durchführung von Dauerfahrversuchen von Kraftfahrzeugen |
CN101173859A (zh) * | 2006-10-31 | 2008-05-07 | 佛山市顺德区顺达电脑厂有限公司 | 感应导航装置和方法 |
CN201410924Y (zh) * | 2009-05-27 | 2010-02-24 | 中国航空动力机械研究所 | 汽车驾驶安全装置 |
CN101916311A (zh) * | 2010-08-05 | 2010-12-15 | 北京交通大学 | 轨道交通自动驾驶系统模型开发与仿真测试系统与方法 |
CN102092477A (zh) * | 2010-11-30 | 2011-06-15 | 中国民航大学 | 飞机音频综合系统自动测试与故障诊断装置及方法 |
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 |
CN104502122A (zh) * | 2015-01-12 | 2015-04-08 | 交通运输部公路科学研究所 | 无人驾驶车辆遥控制动性能的测试评价方法 |
CN105426970A (zh) * | 2015-11-17 | 2016-03-23 | 武汉理工大学 | 一种基于离散动态贝叶斯网络的气象威胁评估方法 |
CN107124160A (zh) * | 2017-04-27 | 2017-09-01 | 苏州无离信息技术有限公司 | 一种新型的小面积时钟独立srpg电路系统 |
CN107168375A (zh) * | 2017-07-19 | 2017-09-15 | 过成康 | 一种防碰撞及增稳无人机控制方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112061139A (zh) * | 2020-09-03 | 2020-12-11 | 三一专用汽车有限责任公司 | 自动驾驶控制方法、自动驾驶装置和计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Deep learning-based traffic safety solution for a mixture of autonomous and manual vehicles in a 5G-enabled intelligent transportation system | |
Guibas | Sensing, tracking and reasoning with relations | |
Ghaleb et al. | Improved vehicle positioning algorithm using enhanced innovation-based adaptive Kalman filter | |
CN102156476B (zh) | 智能空间与护士机器人多传感器系统及其信息融合方法 | |
Munz et al. | Generic centralized multi sensor data fusion based on probabilistic sensor and environment models for driver assistance systems | |
Yuan et al. | Occupancy estimation in buildings based on infrared array sensors detection | |
CN107976934B (zh) | 一种基于无线传感器网络的油罐车油气泄漏速度智能预警系统 | |
Azimirad et al. | A COMPREHENSIVE REVIEW OF THE MULTI-SENSOR DATA FUSION ARCHITECTURES. | |
Mehrani et al. | Sampling rate prediction of biosensors in wireless body area networks using deep-learning methods | |
CN103810382A (zh) | 机载分布式多传感器两级数据融合策略选择方法 | |
CN108563169A (zh) | 一种基于计算机的无人驾驶车辆认知能力测试系统 | |
Ling et al. | Hierarchical deep reinforcement learning for self-powered monitoring and communication integrated system in high-speed railway networks | |
CN102595309A (zh) | 一种基于无线传感器网络的穿墙跟踪方法 | |
Shi et al. | Transmission tower tilt angle on-line prognosis by using solar-powered LoRa sensor node and sliding XGBoost predictor | |
Jin et al. | End-to-end GPS tracker based on switchable fuzzy normalization codec for assistive drone application | |
Wei et al. | Multi-sensor environmental perception and adaptive cruise control of intelligent vehicles using kalman filter | |
CN112257750B (zh) | 一种面向复合式探测节点的分布式融合系统 | |
Cheng et al. | On optimizing sensing quality with guaranteed coverage in autonomous mobile sensor networks | |
Di | Investigation on the traffic flow based on wireless sensor network technologies combined with FA-BPNN models | |
Chen et al. | Awareness-based game-theoretic space resource management | |
Li et al. | Fuzzy dynamic Bayesian network based threat assessment model for space targets | |
Varotto et al. | Probabilistic rf-assisted camera wake-up through self-supervised gaussian process regression | |
Xu et al. | Gas distribution mapping based on integrating system with mobile robot and sensor network | |
Lin et al. | ANFIS-based indoor location awareness system for the position monitoring of patients | |
Gai-ning et al. | Multi-sensor information fusion algorithm research and application |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180921 |