CN109543245B - 无人车应对能力边界信息确定方法、装置和电子设备 - Google Patents

无人车应对能力边界信息确定方法、装置和电子设备 Download PDF

Info

Publication number
CN109543245B
CN109543245B CN201811283622.4A CN201811283622A CN109543245B CN 109543245 B CN109543245 B CN 109543245B CN 201811283622 A CN201811283622 A CN 201811283622A CN 109543245 B CN109543245 B CN 109543245B
Authority
CN
China
Prior art keywords
information
index
unmanned vehicle
scene
boundary
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
CN201811283622.4A
Other languages
English (en)
Other versions
CN109543245A (zh
Inventor
眭思敏
高田
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.)
Apollo Intelligent Technology Beijing 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 CN201811283622.4A priority Critical patent/CN109543245B/zh
Publication of CN109543245A publication Critical patent/CN109543245A/zh
Priority to US16/563,239 priority patent/US11354462B2/en
Priority to EP19197063.1A priority patent/EP3640622B1/en
Priority to JP2019166091A priority patent/JP7033243B2/ja
Application granted granted Critical
Publication of CN109543245B publication Critical patent/CN109543245B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G01M17/06—Steering behaviour; Rolling behaviour
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提供一种无人车应对能力边界信息确定方法、装置和电子设备，通过获取一组指标组合，所述指标组合用于评价待测无人车对预设行驶场景的应对能力，所述指标组合包括至少一个指标项和所述指标项的预期数值范围；根据所述预设行驶场景对应的场景特征和所述指标项，获取所述待测无人车的历史行驶动作信息；根据所述历史行驶动作信息，获取所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息，实现了对无人车对需要测试的指标组合的应对能力边界，能够灵活地挖掘无人车的性能缺陷，从而提高了无人车测试的准确性和针对性。

Description

无人车应对能力边界信息确定方法、装置和电子设备
技术领域
本发明涉及车辆测试技术领域，尤其涉及一种无人车应对能力边界信息确定方法、装置和电子设备。
背景技术
无人驾驶车辆又称为无人车，是一种能够自动进行路线规划、行驶动作控制的智能车辆。其主要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，自主地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，并到达预定目标。而对于各类行驶场景，无人车预设的应对策略或者执行参数都可能会对其是否能正常应造成影响。例如同样的行驶速度，在刹车场景中能够及时刹车，但是在左转场景中可能会出现失控的漂移，无法正常应对转弯的场景，转弯场景中的车速需要进行调整。为了保证无人驾驶车辆的安全性以及各种自动化性能，在无人驾驶车辆的研发测试过程中，或者是使用过程中，都需要对车辆的应对能力进行评价，并根据评价结果判断是否需要对相应的驾驶信息进行改进。
现有技术中无人车的评价测试方法中主要是对无人车的智能等级进行评价，例如根据无人车是否可进行路线规划以及规划准确性确定其智能水平。
然而，现有的无人车评价方法较为笼统，只能是对整体水平的大致评估，无法对需要测试的各项性能进行针对性评价，研发人员无法根据现有的无人车评价结果确定对无人车的改进方向。现有的无人车评价方法准确性不高。
发明内容
本发明提供一种无人车应对能力边界信息确定方法、装置和电子设备，实现了对无人车对需要测试的指标组合的应对能力边界，能够灵活地挖掘无人车的性能缺陷，从而提高了无人车测试的准确性和针对性。
根据本发明的第一方面，提供一种无人车应对能力边界信息确定方法，包括：
获取一组指标组合，所述指标组合用于评价待测无人车对预设行驶场景的应对能力，所述指标组合包括至少一个指标项和所述指标项的预期数值范围；
根据所述预设行驶场景对应的场景特征和所述指标项，获取所述待测无人车的历史行驶动作信息；
根据所述历史行驶动作信息，获取所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息。
可选地，在第一方面的一种可能实现方式中，所述根据所述历史行驶动作信息，获取所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息，包括：
以预设的自动驾驶模拟算法对所述历史行驶动作信息进行处理，获取在所述预设行驶场景下多组模拟行驶动作信息对所述指标项的模拟值，所述多组模拟行驶动作信息为包含所述历史行驶动作信息的行驶动作信息；
根据与各所述指标项对应的所述模拟值和所述预期数值范围，确定所述待测无人车以各所述模拟行驶动作信息对各指标项的指标应对结果，所述指标应对结果用于指示所述模拟值是否达到所述预期数值范围；
根据所述指标组合中各指标项对应的所述指标应对结果，确定所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息。
可选地，在第一方面的另一种可能实现方式中，所述根据所述指标组合中各指标项对应的所述指标应对结果，确定所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息，包括：
根据所述指标组合中各指标项对应的所述指标应对结果，确定所述模拟行驶动作信息与所述指标组合对应的组合应对结果；
根据所述模拟行驶动作信息与所述指标组合对应的组合应对结果，在所述模拟行驶动作信息中确定应对能力边界，所述应对能力边界用于将所述模拟行驶动作信息划分为与指示应对成功的组合应对结果相对应的第一类模拟行驶动作信息，以及与指示应对失败的组合应对结果相对应的第二类模拟行驶动作信息；
将所述应对能力边界对应的模拟行驶动作信息，作为所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息。
可选地，在第一方面的再一种可能实现方式中，所述根据所述模拟行驶动作信息与所述指标组合对应的组合应对结果，在所述模拟行驶动作信息中确定应对能力边界，包括：
根据所述模拟行驶动作信息与所述指标组合对应的组合应对结果，在所述模拟行驶动作信息中确定第一能力边界；
从所述历史行驶动作信息中，获取在所述第一能力边界预设范围内的边界历史行驶动作信息；
获取所述边界历史行驶动作信息对应的真实应对结果，所述真实应对结果指示了所述无人车在所述行驶场景下应用所述边界历史行驶动作信息与所述指标组合对应的真实应对情况；
用所述真实应对结果对所述第一能力边界进行修正，得到第二能力边界；
将所述第二能力边界，作为所述待测无人车的应对能力边界。
可选地，在第一方面的又一种可能实现方式中，所述根据所述预设行驶场景对应的场景特征和所述指标项，获取所述待测无人车的历史行驶动作信息，包括：
获取预存储的所述待测无人车的预存行驶信息，所述预存行驶信息包括预存驾驶信息和与所述预存驾驶信息对应的预存环境信息；
根据所述预存行驶信息，确定所述待测无人车的预存行驶动作信息和所述预存行驶动作信息对应的预存场景信息；
对所述预存场景信息进行聚类，得到至少一个场景特征和与各所述场景特征对应的所述预存行驶动作信息，其中，所述场景特征用于指示同一类所述预存场景信息的分类特征；
根据所述指标项，确定目标行驶动作类型；
根据所述预设行驶场景对应的场景特征和所述目标行驶动作类型，从所述预存行驶动作信息中确定所述待测无人车的历史行驶动作信息。
可选地，在第一方面的又一种可能实现方式中，在所述根据所述预设行驶场景对应的场景特征和所述指标项，获取所述待测无人车的历史行驶动作信息之前，还包括：
根据待确定的应对能力边界信息对应的能力类型，确定多个指标项和预设行驶场景对应的场景特征；
在所述多个指标项中，确定一组指标组合，所述指标组合包括至少一个所述指标项。
可选地，在第一方面的又一种可能实现方式中，所述预存环境信息包括时间戳信息；
在所述根据所述历史行驶动作信息，获取所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息之后，还包括：
根据所述历史行驶动作信息对应的预存环境信息，获取所述应对能力边界信息对应的时间戳信息；
根据所述应对能力边界信息对应的时间戳信息，确定在预设的多个时间周期内所述待测无人车的分段应对能力边界信息，其中，所述时间周期指示了所述预设行驶场景的周围绿植生长阶段；
将所述预设的多个时间周期内所述待测无人车的分段应对能力边界信息进行比对，得到应对能力边界比对结果。
本发明的第二方面，提供一种无人车应对能力边界信息确定装置，包括：
获取模块，用于获取一组指标组合，所述指标组合用于评价待测无人车对预设行驶场景的应对能力，所述指标组合包括至少一个指标项和所述指标项的预期数值范围；
取值模块，用于根据所述预设行驶场景对应的场景特征和所述指标项，获取所述待测无人车的历史行驶动作信息；
处理模块，用于根据所述历史行驶动作信息，获取所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息。
可选地，在第二方面的一种可能实现方式中，处理模块具体用于：
以预设的自动驾驶模拟算法对所述历史行驶动作信息进行处理，获取在所述预设行驶场景下多组模拟行驶动作信息对所述指标项的模拟值，所述多组模拟行驶动作信息为包含所述历史行驶动作信息的行驶动作信息；根据与各所述指标项对应的所述模拟值和所述预期数值范围，确定所述待测无人车以各所述模拟行驶动作信息对各指标项的指标应对结果，所述指标应对结果用于指示所述模拟值是否达到所述预期数值范围；根据所述指标组合中各指标项对应的所述指标应对结果，确定所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息。
可选地，在第二方面的另一种可能实现方式中，处理模块具体用于：
根据所述指标组合中各指标项对应的所述指标应对结果，确定所述模拟行驶动作信息与所述指标组合对应的组合应对结果；根据所述模拟行驶动作信息与所述指标组合对应的组合应对结果，在所述模拟行驶动作信息中确定应对能力边界，所述应对能力边界用于将所述模拟行驶动作信息划分为与指示应对成功的组合应对结果相对应的第一类模拟行驶动作信息，以及与指示应对失败的组合应对结果相对应的第二类模拟行驶动作信息；将所述应对能力边界对应的模拟行驶动作信息，作为所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息。
可选地，在第二方面的再一种可能实现方式中，处理模块具体用于：
根据所述模拟行驶动作信息与所述指标组合对应的组合应对结果，在所述模拟行驶动作信息中确定第一能力边界；从所述历史行驶动作信息中，获取在所述第一能力边界预设范围内的边界历史行驶动作信息；获取所述边界历史行驶动作信息对应的真实应对结果，所述真实应对结果指示了所述无人车在所述行驶场景下应用所述边界历史行驶动作信息与所述指标组合对应的真实应对情况；用所述真实应对结果对所述第一能力边界进行修正，得到第二能力边界；将所述第二能力边界，作为所述待测无人车的应对能力边界。
可选地，在第二方面的又一种可能实现方式中，取值模块具体用于：
获取预存储的所述待测无人车的预存行驶信息，所述预存行驶信息包括预存驾驶信息和与所述预存驾驶信息对应的预存环境信息；根据所述预存行驶信息，确定所述待测无人车的预存行驶动作信息和所述预存行驶动作信息对应的预存场景信息；对所述预存场景信息进行聚类，得到至少一个场景特征和与各所述场景特征对应的所述预存行驶动作信息，其中，所述场景特征用于指示同一类所述预存场景信息的分类特征；根据所述指标项，确定目标行驶动作类型；根据所述预设行驶场景对应的场景特征和所述目标行驶动作类型，从所述预存行驶动作信息中确定所述待测无人车的历史行驶动作信息。
可选地，在第二方面的又一种可能实现方式中，取值模块在所述根据所述预设行驶场景对应的场景特征和所述指标项，获取所述待测无人车的历史行驶动作信息之前，还用于：
根据待确定的应对能力边界信息对应的能力类型，确定多个指标项和预设行驶场景对应的场景特征；在所述多个指标项中，确定一组指标组合，所述指标组合包括至少一个所述指标项。
可选地，在第二方面的又一种可能实现方式中，所述预存环境信息包括时间戳信息。
处理模块在所述根据所述历史行驶动作信息，获取所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息之后，还用于：
根据所述历史行驶动作信息对应的预存环境信息，获取所述应对能力边界信息对应的时间戳信息；所述应对能力边界信息对应的时间戳信息，确定在预设的多个时间周期内所述待测无人车的分段应对能力边界信息，其中，所述时间周期指示了所述预设行驶场景的周围绿植生长阶段；将所述预设的多个时间周期内所述待测无人车的分段应对能力边界信息进行比对，得到应对能力边界比对结果。
本发明的第三方面，提供一种电子设备，包括：存储器、处理器以及计算机程序，所述计算机程序存储在所述存储器中，所述处理器运行所述计算机程序执行本发明第一方面及第一方面各种可能设计的所述无人车应对能力边界信息确定方法。
根据本发明的第四方面，提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述无人车应对能力边界信息确定方法。
本发明提供的一种无人车应对能力边界信息确定方法、装置和电子设备，通过获取一组指标组合，所述指标组合用于评价待测无人车对预设行驶场景的应对能力，所述指标组合包括至少一个指标项和所述指标项的预期数值范围；根据所述预设行驶场景对应的场景特征和所述指标项，获取所述待测无人车的历史行驶动作信息；根据所述历史行驶动作信息，获取所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息，实现了对无人车对需要测试的指标组合的应对能力边界，能够灵活地挖掘无人车的性能缺陷，从而提高了无人车测试的准确性和针对性。
附图说明
图1是本发明实施例提供的一种应用场景示意图；
图2是本发明实施例提供的一种无人车应对能力边界信息确定方法流程示意图；
图3是本发明实施例提供的一种安全型应对能力的指标组合对应的应对能力边界的示例；
图4，是本发明实施例提供的图2中步骤S103的一种可选方法流程示意图；
图5是本发明实施例提供的另一种无人车应对能力边界信息确定方法流程示意图；
图6是本发明实施例提供的一种无人车应对能力边界信息确定装置结构示意图；
图7是本发明实施例提供的一种电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
应当理解，在本发明中，“纵向”是指无人车前后方向，可以理解为是从车尾到车头的方向，例如纵向距离就是无人车向前直行或向后直行倒车的直行位移。相对地，“横向”是指无人车左右方向，可以理解为是从车辆两侧的方向，例如横向距离就是无人车行驶过程中产生的侧位移。
参见图1，是本发明实施例提供的一种应用场景示意图。在如图1所示的应用场景中，无人车2可以理解为是同一型号的具有无人驾驶功能的车辆，多个无人车2通过基站3将各自采集的数据上传至服务器1。图1所示的无人车2可以理解为车载无人驾驶系统，或者连接车辆控制系统的客户端。无人车2可以是测试车辆，也可以是实际使用中的车辆。例如，实际使用中的无人车2向用户显示是否参与长期优化计划的询问信息，如果用户选择参与，则无人车将自身采集的非用户隐私的数据上传至服务器1。无人车2在自动驾驶的过程中采集各种数据，例如自身与前车的相对距离、自身速度、道路崎岖程度等数据。无人车2周期性地或者实时地将采集到的数据上传至服务器1中。服务器1可以理解为是无人车制造商提供的服务器，或者是智能系统供应商提供的服务器，用于收集各无人车2的采集的数据，并执行下列各种实施例中的步骤。服务器1根据各种需要确定无人车2的应对能力边界信息，挖掘无人车2潜在的性能缺陷，以便进行相应的改进开发或配置信息优化。
参见图2，是本发明实施例提供的一种无人车应对能力边界信息确定方法流程示意图，图2所示方法的执行主体可以是软件和/或硬件装置。下面以服务器作为执行主体举例，以便对本发明实施例中各种可能的实现方式进行解释说明。图2所示的方法主要包括步骤S101至步骤S103，具体如下：
S101，获取一组指标组合，所述指标组合用于评价待测无人车对预设行驶场景的应对能力，所述指标组合包括至少一个指标项和所述指标项的预期数值范围。
可以理解为，根据测试项目的需求或者用户提出的需要改进的性能，选取一组指标组合。例如维护人员根据车辆故障维修记录统计分析，发现图1所示的无人车2对前车减速导致追尾的事故发生概率一直难以降低，因此需要对无人车2的前车减速行驶场景下的应对能力边界进行评价。而前车减速行驶场景下的应对能力对应的指标可能有多种组合，其中可以包括如下三个指标的组合：
车辆碰撞时间(time to collision，简称：TTC)大于2s、停车后两车距离大于2m、纵向加速度大于等于-4m/s2且小于等于4m/s2。
其中，指标项是所述的TTC、停车后两车距离、纵向加速度；各个指标项的预期数值范围分别是所述的大于2s、大于2m、大于等于-4m/s2且小于等于4m/s2。
可选地，预设行驶场景例如可以是前车减速场景、行人横穿马路场景、前方车辆切入后减速场景、变道汇入车流场景、跟车场景、路口左转场景、路口右转场景、路口掉头场景等。每种行驶场景都对应多种指标项，再根据测评目的，即需要确定的哪种应对能力的边界信息，来在行驶场景都对应的指标项中选取指标组合。
由于测评目的有所差别，选取的指标组合也会不一样。上述指标组合的选取，可以是根据不同类型的应对能力来确定的，应对能力的类型例如可以分为：安全型应对能力、舒适型应对能力以及通行效率型应对能力。其中，安全型应对能力对应的可选指标项，例如可以是TTC、车头时距(time headway，简称：THW)以及后侵入时间(Post Encroachment Time，简称：PET)等。舒适型应对能力对应的可选指标项，例如可以是纵加速度、横加速度、横向移动距离以及纵向移动距离。通行效率型应对能力对应的可选指标项，例如可以是不合理停滞以及不合理让行。
S102，根据所述预设行驶场景对应的场景特征和所述指标项，获取所述待测无人车的历史行驶动作信息。
具体地，可以是服务器首先获取自身预存储的待测无人车的预存行驶信息，所述预存行驶信息包括预存驾驶信息和与其对应的预存环境信息。待测无人车可以理解为是与图1所示应用场景中无人车2同一型号的车辆，即车辆软件硬件环境一致。其中，预存行驶信息可以理解为图1所示应用场景中无人车2采集并上传至服务器1中的数据。预存驾驶信息例如是待测无人车采集的自动操作的关于油门开启量、离合器状态、方向盘转动角度和车灯亮灭控制等驾驶数据的信息。预存环境信息例如是待测无人车采集的自动行驶过程中关于道路的崎岖系数、天气数据、前车行驶信息和交通灯指示信息等环境数据。
预存行驶信息反映了车辆自身的驾驶操作和周围环境的情况，服务器再根据所述预存行驶信息，确定所述待测无人车的预存行驶动作信息和所述预存行驶动作信息对应的预存场景信息。例如在油门开启量、离合器状态的基础上，结合道路崎岖系数和天气数据，可以确定出无人车的车速信息，再结合方向盘转动角度，可以确定出转弯速度、转弯加速度，即得到预存行驶动作信息。又例如根据前车行驶信息得到前车减速信息，由此确定出预存场景信息是指示一种前车减速场景的信息。其中预存行驶动作信息和预存场景信息可以是与预存行驶信息预先绑定存储的。
服务器对所述预存场景信息进行聚类，得到至少一个场景特征和与各所述场景特征对应的所述预存行驶动作信息，其中，所述场景特征用于指示同一类所述预存场景信息的分类特征。例如对前车减速加速度为-4m/s2、-4.5m/s2、-5m/s2、-6m/s2的四种预存场景信息分到一类，都作为前车减速场景，场景特征可以是编号079或者“前车减速”，本实施例在此不限。由此，在服务器预存的数据中，预存行驶动作信息是与场景特征是具有对应关系的。
然后服务器根据所述指标项，确定目标行驶动作类型；并根据所述预设行驶场景对应的场景特征和所述目标行驶动作类型，从所述预存行驶动作信息中确定所述待测无人车的历史行驶动作信息。可以理解为，由于不同指标项可能对应不同的行驶动作类型，例如在停车后人车距离指标，就与行驶动作“与前车相对速度”无关。因此先以指标项缩小选择范围，得到目标行驶动作类型，然后再用场景特征进一步筛选，得到服务器下面需要用的待测无人车的历史行驶动作信息。
可选地，在所述步骤S102(根据所述预设行驶场景对应的场景特征和所述指标项，获取所述待测无人车的历史行驶动作信息)之前，还可以包括确定指标组合的过程：先根据待确定的应对能力边界信息对应的能力类型，确定多个指标项和预设行驶场景对应的场景特征；然后在所述多个指标项中，确定一组指标组合，所述指标组合包括至少一个所述指标项。例如每种能力类型与多个指标项和场景特征绑定，获取待确定的应对能力边界信息对应的能力类型绑定的所述多个指标项和场景特征。在所述多个指标项中，确定一组指标组合的具体方式可以是根据预存数据的准确率、指标项与能力类型的相关程度等进行选择。
S103，根据所述历史行驶动作信息，获取所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息。
可以理解为，根据历史行驶动作信息对进行指标组合中各个指标项进行计算，如果对一个指标组合中所有指标项都能达到相应的预期数值范围，则认为待测无人车应用该历史行驶动作信息时能够应对该指标组合。例如对安全型应对能力的指标组合A，其包含有指标项A1、A2、A3，那么在同时满足A1、A2、A3时确定为能够应对。由此以多组历史行驶动作信息进行自动驾驶模拟，得到多个能应对和不能应对的结果，在多个能应对和不能应对的结果中确定待测无人车指标组合A的应对能力边界信息。参见图3，是本发明实施例提供的一种安全型应对能力的指标组合对应的应对能力边界的示例。图3中横坐标和做坐标都是历史行驶动作信息，打勾的坐标点表示采用该点对应的历史行驶动作信息时，得到待测无人车应对成功的结果；相对地，打叉的坐标点表示采用该点对应的历史行驶动作信息时，得到待测无人车应对失败的结果。由图3可知，采用越多的组历史行驶动作信息进行自动驾驶模拟，就能得到越多的能应对或者不能应对的结果，进而能够在这些结果中获得更加准确的应对能力边界和应对能力边界信息。图3仅以二维的历史行驶动作信息作为示例，也可以是三维或者更多维的历史行驶动作信息，由于边界划分原理相似，下面不再做图示。
参见图4，是本发明实施例提供的图2中步骤S103的一种可选方法流程示意图。为了更加清楚地解释上述步骤S103，下面结合图4和具体实施例对其进行说明。如图4所示的方法主要包括步骤S201至步骤S203，具体如下：
S201，以预设的自动驾驶模拟算法对所述历史行驶动作信息进行处理，获取在所述预设行驶场景下多组模拟行驶动作信息对所述指标项的模拟值，所述多组模拟行驶动作信息为包含所述历史行驶动作信息的行驶动作信息。
可以理解为，先对少量的历史行驶动作信息进行插值处理，得到比历史行驶动作信息数量更多的所述多组模拟行驶动作信息。然后以模拟行驶动作信息进行自动驾驶模拟得到对所述指标项的模拟值。预设的自动驾驶模拟算法可以认为是现有的各类自动驾驶模型中任一种所执行的方法，除了作为输入的模拟行驶动作信息之外，其他可能用到的车辆参数可以是以预设数值在设定，本实施例在此均不做限定。例如模拟行驶动作信息为：主车速度40m/s、纵向加速度30m/s2、相对距离85m、前车纵向加速度-4m/s2；模拟得到TTC指标项模拟值为：3s。
S202，根据与各所述指标项对应的所述模拟值和所述预期数值范围，确定所述待测无人车以各所述模拟行驶动作信息对各指标项的指标应对结果，所述指标应对结果用于指示所述模拟值是否达到所述预期数值范围。
例如指标组合中仅包括TTC指标项，且其预期数值范围是大于2s。上一步模拟得到TTC指标项模拟值为3s，因此可以确定待测无人车以模拟行驶动作信息(40m/s，30m/s2，85m，-4m/s2)对TTC指标项的指标应对结果为应对成功。可以理解为在以模拟行驶动作信息建立的多维坐标系中，该点(40m/s，30m/s2，85m，-4m/s2)对应为应对成功，其在坐标系中的表示可以参见图3中打勾的坐标点的示例。相反地，如果以另一组模拟行驶动作信息得到的TTC指标项模拟值小于或等于2s，则该点应对失败，其在坐标系中的表示也可以参见图3中打叉的坐标点的示例。
S203，根据所述指标组合中各指标项对应的所述指标应对结果，确定所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息。
在上一步得到坐标系中勾叉图之后，则可以根据打勾坐标点和打叉坐标点的分布，在其中确定出一条应对能力边界。根据坐标系中得到的应对能力边界，获取应对能力边界信息。应对能力边界信息例如是应对能力边界上的坐标值及其得到的指标项的模拟值。
作为步骤S203(根据所述指标组合中各指标项对应的所述指标应对结果，确定所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息)的一种实现方式，具体可以是：
先根据所述指标组合中各指标项对应的所述指标应对结果，确定所述模拟行驶动作信息与所述指标组合对应的组合应对结果。例如，在所述模拟行驶动作信息对一种指标组合中每一个指标项都应对成功时，确定所述模拟行驶动作信息对该指标组合应对成功，而只要一个指标项应对失败，则确定为所述模拟行驶动作信息对该指标组合应对失败。其中，对任一项指标项的应对结果或对指标组合的组合应对结果，都可以用图3所示的坐标系勾叉图来表示。
然后，根据所述模拟行驶动作信息与所述指标组合对应的组合应对结果，在所述模拟行驶动作信息中确定应对能力边界。其中，所述应对能力边界用于将所述模拟行驶动作信息划分为与指示应对成功的组合应对结果相对应的第一类模拟行驶动作信息，以及与指示应对失败的组合应对结果相对应的第二类模拟行驶动作信息。例如图3所示的打勾坐标点对应第一类模拟行驶动作信息，打叉坐标点对应第二类模拟行驶动作信息。具体地，可以是根据所述模拟行驶动作信息与所述指标组合对应的组合应对结果，在所述模拟行驶动作信息中确定第一能力边界。第一能力边界可以认为是理论值的边界，可以直接作为应对能力边界，也可以用真实值进行校正后再得到应对能力边界。用真实值进行校正的过程主要包括：从所述历史行驶动作信息中，获取在所述第一能力边界预设范围内的边界历史行驶动作信息。可以理解为获取第一能力边界附近的值。然后获取所述边界历史行驶动作信息对应的真实应对结果，所述真实应对结果指示了所述无人车在所述行驶场景下应用所述边界历史行驶动作信息与所述指标组合对应的真实应对情况。真实应对结果可以理解为是道路实测数据。用所述真实应对结果对所述第一能力边界进行修正，得到第二能力边界。将所述第二能力边界，作为所述待测无人车的应对能力边界。本实施例中通过用真实应对结果对能力边界进行修正，可以提高应对能力边界的准确性。
最后，将所述应对能力边界对应的模拟行驶动作信息，作为所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息。可以理解为获取应对能力边界对应的坐标点信息和对应的各指标项的应对结果。
本实施例提供的一种无人车应对能力边界信息确定方法、装置和电子设备，通过获取一组指标组合，所述指标组合用于评价待测无人车对预设行驶场景的应对能力，所述指标组合包括至少一个指标项和所述指标项的预期数值范围；根据所述预设行驶场景对应的场景特征和所述指标项，获取所述待测无人车的历史行驶动作信息；根据所述历史行驶动作信息，获取所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息，实现了对无人车对需要测试的指标组合的应对能力边界，能够灵活地挖掘无人车的性能缺陷，从而提高了无人车测试的准确性和针对性。
在上述实施例的基础上，所述预存环境信息可以包括时间戳信息。
参见图5，是本发明实施例提供的另一种无人车应对能力边界信息确定方法流程示意图。为了评价周围植被生长情况对待测无人车的应对能力边界影响情况，在步骤S103(根据所述历史行驶动作信息，获取所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息)之后，还可以包括下列步骤S104至S106。
S104，根据所述历史行驶动作信息对应的预存环境信息，获取所述应对能力边界信息对应的时间戳信息。
时间戳信息可以理解为历史行驶动作信息的上传时间点，例如待测无人车获取自身的数据并实时上传至服务器，上传的同时对每条数据都附有时间戳信息。
S105，根据所述应对能力边界信息对应的时间戳信息，确定在预设的多个时间周期内所述待测无人车的分段应对能力边界信息，其中，所述时间周期指示了所述预设行驶场景的周围绿植生长阶段。
可以理解为，假设一年中预设行驶场景的周围绿植生长阶段分为2个：树叶阶段和落叶阶段。由于落叶阶段产生的落叶可能对如果的待测无人车的探测到的环境信息造成不可知的影响，因此可以针对这两个阶段分别得到分段应对能力边界信息。
S106，将所述预设的多个时间周期内所述待测无人车的分段应对能力边界信息进行比对，得到应对能力边界比对结果。
例如，将上述树叶阶段和落叶阶段对应的分段应对能力边界信息提取出来，进行对比，得到的能力边界比对结果反映了植被生长对待测无人车应对能力的影响。
参见图6，是本发明实施例提供的一种无人车应对能力边界信息确定装置结构示意图。图6所示的无人车应对能力边界信息确定装置60主要包括：
获取模块61，用于获取一组指标组合，所述指标组合用于评价待测无人车对预设行驶场景的应对能力，所述指标组合包括至少一个指标项和所述指标项的预期数值范围；
取值模块62，用于根据所述预设行驶场景对应的场景特征和所述指标项，获取所述待测无人车的历史行驶动作信息；
处理模块63，用于根据所述历史行驶动作信息，获取所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息。
图6所示实施例的无人车应对能力边界信息确定装置对应地可用于执行图2所示方法实施例中的步骤，其实现原理和技术效果类似，此处不再赘述。
可选地，处理模块63具体用于：
以预设的自动驾驶模拟算法对所述历史行驶动作信息进行处理，获取在所述预设行驶场景下多组模拟行驶动作信息对所述指标项的模拟值，所述多组模拟行驶动作信息为包含所述历史行驶动作信息的行驶动作信息；根据与各所述指标项对应的所述模拟值和所述预期数值范围，确定所述待测无人车以各所述模拟行驶动作信息对各指标项的指标应对结果，所述指标应对结果用于指示所述模拟值是否达到所述预期数值范围；根据所述指标组合中各指标项对应的所述指标应对结果，确定所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息。
可选地，处理模块63具体用于：
根据所述指标组合中各指标项对应的所述指标应对结果，确定所述模拟行驶动作信息与所述指标组合对应的组合应对结果；根据所述模拟行驶动作信息与所述指标组合对应的组合应对结果，在所述模拟行驶动作信息中确定应对能力边界，所述应对能力边界用于将所述模拟行驶动作信息划分为与指示应对成功的组合应对结果相对应的第一类模拟行驶动作信息，以及与指示应对失败的组合应对结果相对应的第二类模拟行驶动作信息；将所述应对能力边界对应的模拟行驶动作信息，作为所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息。
可选地，处理模块63具体用于：
根据所述模拟行驶动作信息与所述指标组合对应的组合应对结果，在所述模拟行驶动作信息中确定第一能力边界；从所述历史行驶动作信息中，获取在所述第一能力边界预设范围内的边界历史行驶动作信息；获取所述边界历史行驶动作信息对应的真实应对结果，所述真实应对结果指示了所述无人车在所述行驶场景下应用所述边界历史行驶动作信息与所述指标组合对应的真实应对情况；用所述真实应对结果对所述第一能力边界进行修正，得到第二能力边界；将所述第二能力边界，作为所述待测无人车的应对能力边界。
可选地，取值模块62具体用于：
获取预存储的所述待测无人车的预存行驶信息，所述预存行驶信息包括预存驾驶信息和与所述预存驾驶信息对应的预存环境信息；根据所述预存行驶信息，确定所述待测无人车的预存行驶动作信息和所述预存行驶动作信息对应的预存场景信息；对所述预存场景信息进行聚类，得到至少一个场景特征和与各所述场景特征对应的所述预存行驶动作信息，其中，所述场景特征用于指示同一类所述预存场景信息的分类特征；根据所述指标项，确定目标行驶动作类型；根据所述预设行驶场景对应的场景特征和所述目标行驶动作类型，从所述预存行驶动作信息中确定所述待测无人车的历史行驶动作信息。
可选地，取值模块62在所述根据所述预设行驶场景对应的场景特征和所述指标项，获取所述待测无人车的历史行驶动作信息之前，还用于：
根据待确定的应对能力边界信息对应的能力类型，确定多个指标项和预设行驶场景对应的场景特征；在所述多个指标项中，确定一组指标组合，所述指标组合包括至少一个所述指标项。
可选地，所述预存环境信息包括时间戳信息。
处理模块63在所述根据所述历史行驶动作信息，获取所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息之后，还用于：
根据所述历史行驶动作信息对应的预存环境信息，获取所述应对能力边界信息对应的时间戳信息；所述应对能力边界信息对应的时间戳信息，确定在预设的多个时间周期内所述待测无人车的分段应对能力边界信息，其中，所述时间周期指示了所述预设行驶场景的周围绿植生长阶段；将所述预设的多个时间周期内所述待测无人车的分段应对能力边界信息进行比对，得到应对能力边界比对结果。
参见图7，是本发明实施例提供的一种电子设备的硬件结构示意图。该电子设备70包括：处理器71、存储器72和计算机程序；其中
存储器72，用于存储所述计算机程序，该存储器还可以是闪存(flash)。所述计算机程序例如是实现上述方法的应用程序、功能模块等。
处理器71，用于执行所述存储器存储的计算机程序，以实现上述方法中电子设备执行的各个步骤。具体可以参见前面方法实施例中的相关描述。
可选地，存储器72既可以是独立的，也可以跟处理器71集成在一起。
当所述存储器72是独立于处理器71之外的器件时，所述电子设备还可以包括：
总线73，用于连接所述存储器72和处理器71。本发明还提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现上述的各种实施方式提供的方法。
其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits，简称：ASIC)中。另外，该ASIC可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述电子设备的实施例中，应理解，处理器可以是中央处理单元(英文：CentralProcessing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：DigitalSignal Processor，简称：DSP)、专用集成电路(英文：Application Specific IntegratedCircuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.一种无人车应对能力边界信息确定方法，其特征在于，包括：
根据待确定的应对能力边界信息对应的能力类型，确定多个指标项和预设行驶场景对应的场景特征，所述场景特征用于指示同一类预设行驶场景的分类特征；
在所述多个指标项中，确定一组指标组合；所述指标组合用于评价待测无人车对所述预设行驶场景的应对能力，所述指标组合包括至少一个指标项和所述指标项的预期数值范围；根据所述预设行驶场景对应的场景特征和所述指标项，获取所述待测无人车的历史行驶动作信息；
根据所述历史行驶动作信息，获取所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息。
2.根据权利要求1所述的方法，其特征在于，所述根据所述历史行驶动作信息，获取所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息，包括：
以预设的自动驾驶模拟算法对所述历史行驶动作信息进行处理，获取在所述预设行驶场景下多组模拟行驶动作信息对所述指标项的模拟值，所述多组模拟行驶动作信息为包含所述历史行驶动作信息的行驶动作信息；
根据与各所述指标项对应的所述模拟值和所述预期数值范围，确定所述待测无人车以各所述模拟行驶动作信息对各指标项的指标应对结果，所述指标应对结果用于指示所述模拟值是否达到所述预期数值范围；
根据所述指标组合中各指标项对应的所述指标应对结果，确定所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息。
3.根据权利要求2所述的方法，其特征在于，所述根据所述指标组合中各指标项对应的所述指标应对结果，确定所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息，包括：
根据所述指标组合中各指标项对应的所述指标应对结果，确定所述模拟行驶动作信息与所述指标组合对应的组合应对结果；
根据所述模拟行驶动作信息与所述指标组合对应的组合应对结果，在所述模拟行驶动作信息中确定应对能力边界，所述应对能力边界用于将所述模拟行驶动作信息划分为与指示应对成功的组合应对结果相对应的第一类模拟行驶动作信息，以及与指示应对失败的组合应对结果相对应的第二类模拟行驶动作信息；
将所述应对能力边界对应的模拟行驶动作信息，作为所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息。
4.根据权利要求3所述的方法，其特征在于，所述根据所述模拟行驶动作信息与所述指标组合对应的组合应对结果，在所述模拟行驶动作信息中确定应对能力边界，包括：
根据所述模拟行驶动作信息与所述指标组合对应的组合应对结果，在所述模拟行驶动作信息中确定第一能力边界；
从所述历史行驶动作信息中，获取在所述第一能力边界预设范围内的边界历史行驶动作信息；
获取所述边界历史行驶动作信息对应的真实应对结果，所述真实应对结果指示了所述无人车在所述行驶场景下应用所述边界历史行驶动作信息与所述指标组合对应的真实应对情况；
用所述真实应对结果对所述第一能力边界进行修正，得到第二能力边界；
将所述第二能力边界，作为所述待测无人车的应对能力边界。
5.根据权利要求1至4任一所述的方法，其特征在于，所述根据所述预设行驶场景对应的场景特征和所述指标项，获取所述待测无人车的历史行驶动作信息，包括：
获取预存储的所述待测无人车的预存行驶信息，所述预存行驶信息包括预存驾驶信息和与所述预存驾驶信息对应的预存环境信息；
根据所述预存行驶信息，确定所述待测无人车的预存行驶动作信息和所述预存行驶动作信息对应的预存场景信息；
对所述预存场景信息进行聚类，得到至少一个场景特征和与各所述场景特征对应的所述预存行驶动作信息，其中，所述场景特征用于指示同一类所述预存场景信息的分类特征；
根据所述指标项，确定目标行驶动作类型；
根据所述预设行驶场景对应的场景特征和所述目标行驶动作类型，从所述预存行驶动作信息中确定所述待测无人车的历史行驶动作信息。
6.根据权利要求5所述的方法，其特征在于，所述预存环境信息包括时间戳信息；
在所述根据所述历史行驶动作信息，获取所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息之后，还包括：
根据所述历史行驶动作信息对应的预存环境信息，获取所述应对能力边界信息对应的时间戳信息；
根据所述应对能力边界信息对应的时间戳信息，确定在预设的多个时间周期内所述待测无人车的分段应对能力边界信息，其中，所述时间周期指示了所述预设行驶场景的周围绿植生长阶段；
将所述预设的多个时间周期内所述待测无人车的分段应对能力边界信息进行比对，得到应对能力边界比对结果。
7.一种无人车应对能力边界信息确定装置，其特征在于，包括：
取值模块，用于根据待确定的应对能力边界信息对应的能力类型，确定多个指标项和预设行驶场景对应的场景特征，所述场景特征用于指示同一类预设行驶场景的分类特征；在所述多个指标项中，确定一组指标组合；所述指标组合用于评价待测无人车对所述预设行驶场景的应对能力，所述指标组合包括至少一个指标项和所述指标项的预期数值范围；
所述取值模块，还用于根据所述预设行驶场景对应的场景特征和所述指标项，获取所述待测无人车的历史行驶动作信息；
处理模块，用于根据所述历史行驶动作信息，获取所述待测无人车在所述预设行驶场景下与所述指标组合对应的应对能力边界信息。
8.一种电子设备，其特征在于，包括：存储器、处理器以及计算机程序，所述计算机程序存储在所述存储器中，所述处理器运行所述计算机程序执行权利要求1至6任一所述的无人车应对能力边界信息确定方法。
9.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现权利要求1至6任一所述的无人车应对能力边界信息确定方法。
CN201811283622.4A 2018-10-31 2018-10-31 无人车应对能力边界信息确定方法、装置和电子设备 Active CN109543245B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201811283622.4A CN109543245B (zh) 2018-10-31 2018-10-31 无人车应对能力边界信息确定方法、装置和电子设备
US16/563,239 US11354462B2 (en) 2018-10-31 2019-09-06 Method and apparatus for determining coping capability boundary information of an unmanned vehicle and electronic device
EP19197063.1A EP3640622B1 (en) 2018-10-31 2019-09-12 Method and apparatus for determining coping capability boundary information of an unmanned vehicle and computer program therefore
JP2019166091A JP7033243B2 (ja) 2018-10-31 2019-09-12 無人車の対処能力境界情報の決定方法、装置及び電子機器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811283622.4A CN109543245B (zh) 2018-10-31 2018-10-31 无人车应对能力边界信息确定方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN109543245A CN109543245A (zh) 2019-03-29
CN109543245B true CN109543245B (zh) 2021-08-10

Family

ID=65846138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811283622.4A Active CN109543245B (zh) 2018-10-31 2018-10-31 无人车应对能力边界信息确定方法、装置和电子设备

Country Status (4)

Country Link
US (1) US11354462B2 (zh)
EP (1) EP3640622B1 (zh)
JP (1) JP7033243B2 (zh)
CN (1) CN109543245B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190155291A1 (en) * 2016-12-23 2019-05-23 Faraday&Future Inc. Methods and systems for automated driving system simulation, validation, and implementation
CN109543245B (zh) * 2018-10-31 2021-08-10 百度在线网络技术（北京）有限公司 无人车应对能力边界信息确定方法、装置和电子设备
CN110979345B (zh) * 2019-11-22 2021-05-07 东软睿驰汽车技术（沈阳）有限公司 一种车辆控制系统的验证方法及装置
CN111415513B (zh) * 2020-03-26 2022-02-08 公安部交通管理科学研究所 一种自动驾驶汽车行驶安全性测试方法、装置及系统
CN111765903B (zh) * 2020-06-29 2022-08-09 阿波罗智能技术(北京)有限公司 自动驾驶车辆的测试方法、装置、电子设备和介质
CN112100836B (zh) * 2020-09-07 2022-06-07 腾讯科技（深圳）有限公司 车辆边界参数的获取方法和装置
CN112180927B (zh) * 2020-09-27 2021-11-26 安徽江淮汽车集团股份有限公司 一种自动驾驶时域构建方法、设备、存储介质及装置
CN112417661B (zh) * 2020-11-13 2023-10-27 中国人民解放军陆军研究院装甲兵研究所 无人装备实装测试用数据采集分析系统
CN116783462A (zh) * 2021-05-28 2023-09-19 深圳市大疆创新科技有限公司 一种自动驾驶系统的性能测试方法
CN113419233A (zh) * 2021-06-18 2021-09-21 阿波罗智能技术(北京)有限公司 感知效果的测试方法、装置和设备
CN116955107A (zh) * 2023-07-05 2023-10-27 同济大学 一种基于人类反馈的边缘场景动态补全智能驾驶测试方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004102287A1 (de) * 2003-05-13 2004-11-25 Avl List Gmbh Verfahren zur optimierung von fahrzeugen und von motoren zum antrieb solcher fahrzeuge
CN101384465A (zh) * 2006-12-07 2009-03-11 通用电气公司 用于利用信号灯信息优化火车旅行的方法和设备
CN106951627A (zh) * 2017-03-15 2017-07-14 北京百度网讯科技有限公司 车辆自动驾驶的仿真测试方法、装置、设备及计算机可读存储介质
CN107063711A (zh) * 2017-04-21 2017-08-18 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
US9886841B1 (en) * 2016-04-27 2018-02-06 State Farm Mutual Automobile Insurance Company Systems and methods for reconstruction of a vehicular crash
CN107782564A (zh) * 2017-10-30 2018-03-09 青岛慧拓智能机器有限公司 一种自动驾驶车辆测评系统及方法
CN107966724A (zh) * 2017-11-27 2018-04-27 南京航空航天大学 一种基于3d城市模型辅助的城市峡谷内卫星定位方法

Family Cites Families (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AT3030U1 (de) * 1998-09-01 1999-08-25 Avl List Gmbh Verfahren zur analyse und zur beeinflussung des fahrverhaltens von kraftfahrzeugen
GB0108766D0 (en) * 2001-04-06 2001-05-30 Ricardo Consulting Engineers 1 Driveability rating method and system
US6938466B2 (en) * 2001-11-15 2005-09-06 Delphi Technologies, Inc. Fuel driveability index detection
AT412916B (de) * 2002-07-19 2005-08-25 Avl List Gmbh Verfahren zur simulation des fahrverhaltens von fahrzeugen
US8140241B2 (en) * 2005-12-28 2012-03-20 National University Corporation Nagoya University Driving action estimating device, driving support device, vehicle evaluating system, driver model creating device, and driving action determining device
US8566028B2 (en) * 2006-11-27 2013-10-22 International Business Machines Corporation Apparatus, system, and method for autonomously determining a set of destinations
JP4591541B2 (ja) * 2008-05-14 2010-12-01 横浜ゴム株式会社 車両の走行条件評価方法及びその評価装置
AT505105B1 (de) * 2008-07-24 2009-10-15 Avl List Gmbh Verfahren zur beurteilung der fahrbarkeit von fahrzeugen
JP5768666B2 (ja) * 2011-11-04 2015-08-26 トヨタ自動車株式会社 車両走行支援装置及び境界線認識装置
CN103105298B (zh) * 2011-11-10 2017-10-03 株式会社堀场制作所 测试系统
US8768616B2 (en) * 2012-01-09 2014-07-01 Ford Global Technologies, Llc Adaptive method for trip prediction
US8949016B1 (en) * 2012-09-28 2015-02-03 Google Inc. Systems and methods for determining whether a driving environment has changed
JP6179191B2 (ja) * 2013-05-27 2017-08-16 富士通株式会社 運転診断装置，運転診断方法及びプログラム
US20150134244A1 (en) * 2013-11-12 2015-05-14 Mitsubishi Electric Research Laboratories, Inc. Method for Predicting Travel Destinations Based on Historical Data
US9434389B2 (en) * 2013-11-18 2016-09-06 Mitsubishi Electric Research Laboratories, Inc. Actions prediction for hypothetical driving conditions
JP6314027B2 (ja) * 2014-04-24 2018-04-18 日立建機株式会社 車両走行システム、運行管理サーバ
US9347779B1 (en) * 2014-12-10 2016-05-24 Here Global B.V. Method and apparatus for determining a position of a vehicle based on driving behavior
US10002531B2 (en) * 2014-12-10 2018-06-19 Here Global B.V. Method and apparatus for predicting driving behavior
CN104821080B (zh) * 2015-03-02 2017-04-12 北京理工大学 基于宏观城市交通流的智能车辆行驶速度及时间预测方法
US20170250796A1 (en) * 2016-02-18 2017-08-31 Gideon Samid Trans Vernam Cryptography: Round One
US10498744B2 (en) * 2016-03-08 2019-12-03 Tanium Inc. Integrity monitoring in a local network
US10035519B2 (en) * 2016-03-15 2018-07-31 GM Global Technology Operations LLC System and method for autonomous vehicle driving behavior modification
US11119480B2 (en) * 2016-10-20 2021-09-14 Magna Electronics Inc. Vehicle control system that learns different driving characteristics
US9963106B1 (en) * 2016-11-07 2018-05-08 Nio Usa, Inc. Method and system for authentication in autonomous vehicles
US10421460B2 (en) * 2016-11-09 2019-09-24 Baidu Usa Llc Evaluation framework for decision making of autonomous driving vehicle
KR102003940B1 (ko) * 2016-11-11 2019-10-01 엘지전자 주식회사 자율 주행 차량 및 그 제어방법
CN106926840B (zh) * 2017-03-13 2019-02-19 北京理工大学 一种无人车辆极限动力学轨迹跟踪控制系统
KR102406507B1 (ko) * 2017-03-27 2022-06-10 현대자동차주식회사 딥러닝 기반 자율주행 차량 제어 장치, 그를 포함한 시스템 및 그 방법
CN110914641B (zh) * 2017-06-14 2024-01-30 御眼视觉技术有限公司 自主导航的导航信息的融合构架和分批对齐
DE102017213634A1 (de) * 2017-08-07 2019-02-07 Ford Global Technologies, Llc Verfahren und Vorrichtung für die Durchführung von virtuellen Tests in einer virtuellen Realitätsumgebung für ein autonom fahrendes Fahrzeug
CN107843440B (zh) 2017-10-30 2019-12-13 青岛慧拓智能机器有限公司 一种自动驾驶车辆性能测试系统及方法
JP7346401B2 (ja) * 2017-11-10 2023-09-19 エヌビディア コーポレーション 安全で信頼できる自動運転車両のためのシステム及び方法
US10845803B2 (en) * 2017-11-29 2020-11-24 Nio Usa, Inc. Method and apparatus for simultaneous processing and logging of automotive vision system with controls and fault monitoring
US11022971B2 (en) * 2018-01-16 2021-06-01 Nio Usa, Inc. Event data recordation to identify and resolve anomalies associated with control of driverless vehicles
US11169536B2 (en) * 2018-04-09 2021-11-09 SafeAI, Inc. Analysis of scenarios for controlling vehicle operations
CN109543245B (zh) * 2018-10-31 2021-08-10 百度在线网络技术（北京）有限公司 无人车应对能力边界信息确定方法、装置和电子设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004102287A1 (de) * 2003-05-13 2004-11-25 Avl List Gmbh Verfahren zur optimierung von fahrzeugen und von motoren zum antrieb solcher fahrzeuge
CN101384465A (zh) * 2006-12-07 2009-03-11 通用电气公司 用于利用信号灯信息优化火车旅行的方法和设备
US9886841B1 (en) * 2016-04-27 2018-02-06 State Farm Mutual Automobile Insurance Company Systems and methods for reconstruction of a vehicular crash
CN106951627A (zh) * 2017-03-15 2017-07-14 北京百度网讯科技有限公司 车辆自动驾驶的仿真测试方法、装置、设备及计算机可读存储介质
CN107063711A (zh) * 2017-04-21 2017-08-18 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
CN107782564A (zh) * 2017-10-30 2018-03-09 青岛慧拓智能机器有限公司 一种自动驾驶车辆测评系统及方法
CN107966724A (zh) * 2017-11-27 2018-04-27 南京航空航天大学 一种基于3d城市模型辅助的城市峡谷内卫星定位方法

Also Published As

Publication number Publication date
JP2020011728A (ja) 2020-01-23
US11354462B2 (en) 2022-06-07
CN109543245A (zh) 2019-03-29
EP3640622A1 (en) 2020-04-22
US20200019659A1 (en) 2020-01-16
JP7033243B2 (ja) 2022-03-10
EP3640622B1 (en) 2022-05-11

Similar Documents

Publication Publication Date Title
CN109543245B (zh) 无人车应对能力边界信息确定方法、装置和电子设备
CN110562258B (zh) 一种车辆自动换道决策的方法、车载设备和存储介质
US20190155291A1 (en) Methods and systems for automated driving system simulation, validation, and implementation
US20220048536A1 (en) Method and device for testing a driver assistance system
CN110796007B (zh) 场景识别的方法与计算设备
US10732633B2 (en) Operation model construction system, operation model construction method, and non-transitory computer readable storage medium
CN114077541A (zh) 验证用于自动驾驶车辆的自动控制软件的方法和系统
CN111795832A (zh) 一种智能驾驶车辆测试方法、装置及设备
US11645360B2 (en) Neural network image processing
JP2020042783A (ja) 無人運転車に基づく障害物分類方法、装置、機器及び記憶媒体
CN112455449B (zh) 控制自动驾驶的装置和方法
CN117056153A (zh) 校准和验证驾驶员辅助系统和/或自动驾驶系统的方法、系统和计算机程序产品
CN113442916A (zh) 车辆不确定性共享
CN110696828B (zh) 前向目标选择方法、装置及车载设备
US20230256994A1 (en) Assessing relative autonomous vehicle performance via evaluation of other road users
JP6848847B2 (ja) 静止物体地図情報生成装置
CN116499488B (zh) 目标融合方法、装置、车辆及存储介质
CN116499772B (zh) 车辆制动性能评估方法、装置、电子设备及存储介质
JP7374350B2 (ja) 自動運転支援装置及び自動運転支援方法
CN114677837B (zh) 一种基于雷视数据的交通仿真方法、装置及电子设备
US20230339517A1 (en) Autonomous driving evaluation system
US20240203130A1 (en) Systems and methods for detecting and tracking objects in an environment of an autonomous vehicle
KR102702524B1 (ko) 운전자 보조 시스템을 테스트하기 위한 방법 및 장치
EP4372566A1 (en) Ads driving scenario generation
CN117268424B (zh) 一种多传感器融合的自动驾驶寻线方法及装置

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
TR01 Transfer of patent right

Effective date of registration: 20211019

Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085

Patentee after: Apollo Intelligent Technology (Beijing) Co.,Ltd.

Address before: 100085 Baidu Building, 10 Shangdi Tenth Street, Haidian District, Beijing

Patentee before: BAIDU ONLINE NETWORK TECHNOLOGY (BEIJING) Co.,Ltd.

TR01 Transfer of patent right