CN109711009B - 无人驾驶汽车性能评价方法、装置、电子设备及介质 - Google Patents

无人驾驶汽车性能评价方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN109711009B
CN109711009B CN201811527324.5A CN201811527324A CN109711009B CN 109711009 B CN109711009 B CN 109711009B CN 201811527324 A CN201811527324 A CN 201811527324A CN 109711009 B CN109711009 B CN 109711009B
Authority
CN
China
Prior art keywords
performance evaluation
information
unmanned
determining
scene
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
CN201811527324.5A
Other languages
English (en)
Other versions
CN109711009A (zh
Inventor
郭胜敏
左鹏
袁少杰
梁长乐
孙亚夫
夏曙东
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 Palmgo Information Technology Co ltd
Original Assignee
Beijing Palmgo Information 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 Palmgo Information Technology Co ltd filed Critical Beijing Palmgo Information Technology Co ltd
Priority to CN201811527324.5A priority Critical patent/CN109711009B/zh
Publication of CN109711009A publication Critical patent/CN109711009A/zh
Application granted granted Critical
Publication of CN109711009B publication Critical patent/CN109711009B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Traffic Control Systems (AREA)

Abstract

本申请提供一种无人驾驶汽车性能评价方法及装置、电子设备及计算机可读介质。所述无人驾驶汽车性能评价方法，包括：确定无人驾驶汽车在场景中行驶的行驶信息；其中，所述行驶信息包括行驶轨迹信息和/或运行状态信息；确定与所述场景的场景模式对应的时空关联分析模型；根据所述行驶信息，采用所述时空关联分析模型确定所述无人驾驶汽车的性能评价特征；根据所述性能评价特征确定所述无人驾驶汽车的性能。本申请提供的所述无人驾驶汽车性能评价方法，可以利用所述性能评价特征实现对无人驾驶汽车性能的量化评价，进而可以对无人驾驶汽车的性能实现较为客观、准确的评价。

Description

无人驾驶汽车性能评价方法、装置、电子设备及介质
技术领域
本申请涉及无人驾驶汽车性能评价技术领域，具体涉及一种无人驾驶汽车性能评价方法及装置、一种电子设备及计算机可读介质。
背景技术
无人驾驶作为汽车未来的研究方向，其对于汽车行业甚至是交通运输业有着深远的影响。无人驾驶汽车的来临将能够解放人类的双手，降低交通事故发生的频率，保证人们的安全。同时随着人工智能、传感检测等核心技术的突破和不断推进，无人驾驶必将更加智能化，同时也能够实现无人驾驶汽车的产业化。
场景是对无人驾驶汽车行驶过程中遇到的行驶环境的类型概括和表达，基于场景对无人驾驶汽车行驶能力评估是发现无人驾驶汽车平台漏洞的一个必要手段。能力评估关注车辆行驶过每一个场景的具体表现。例如，在颠簸道路、人行横道前是否有减速过程，与其他车辆、行人或路侧设备互动(跟车、超车、会车、过信号灯等)过程是否满足交规和安全要求，等等。
能力评估需要科学地对车辆经过场景的整个过程进行量化表达，对不同车辆的能力进行量化对比，以提取车辆在场景中正常和异常行驶的边界判定条件，发现共性问题，帮助无人驾驶汽车平台进行改进。
综上，需要提供一种可以对无人驾驶汽车的性能进行量化评价的方法。
发明内容
鉴于上述问题，本申请提供一种无人驾驶汽车性能评价方法及装置，以及一种电子设备及计算机可读介质。
本申请第一方面提供一种无人驾驶汽车性能评价方法，包括：
确定无人驾驶汽车在场景中行驶的行驶信息；其中，所述行驶信息包括行驶轨迹信息和/或运行状态信息；
确定与所述场景的场景模式对应的时空关联分析模型；
根据所述行驶信息，采用所述时空关联分析模型确定所述无人驾驶汽车的性能评价特征；
根据所述性能评价特征确定所述无人驾驶汽车的性能。
在本申请第一方面的一些变更实施方式中，所述场景模式包括静态场景，所述时空关联分析模型包括与所述静态场景对应的静态时空关联分析模型；
所述根据所述行驶信息，采用所述时空关联分析模型确定所述无人驾驶汽车的性能评价特征，包括：
按照预设的位置间隔构建所述场景对应的格子模型；
根据所述格子模型对所述行驶信息进行插值处理，使所述格子模型的每个格子具有与其对应的位置点的行驶信息；
以所述格子模型的格子数量为向量长度，根据每个所述格子对应的位置点的行驶信息构建性能评价特征向量，将所述性能评价特征向量作为所述无人驾驶汽车的性能评价特征。
在本申请第一方面的一些变更实施方式中，所述根据所述格子模型对所述行驶信息进行插值处理，包括：
以所述行驶轨迹信息中的位置点的位置信息为插值基准，按照线性插值方式，根据所述格子模型对所述行驶信息进行插值处理。
在本申请第一方面的一些变更实施方式中，所述场景模式包括动态场景，所述时空关联分析模型包括与所述动态场景对应的动态时空关联分析模型；
所述根据所述行驶信息，采用所述时空关联分析模型确定所述无人驾驶汽车的性能评价特征，包括：
获取所述场景内与所述无人驾驶汽车交互的交互实体的状态信息；
根据所述无人驾驶汽车的行驶信息和所述交互实体的状态信息，利用所述动态时空关联分析模型确定所述无人驾驶汽车的性能评价特征。
在本申请第一方面的一些变更实施方式中，所述根据所述无人驾驶汽车的行驶信息和所述交互实体的状态信息，利用所述动态时空关联分析模型确定所述无人驾驶汽车的性能评价特征，包括：
根据时钟同步的所述无人驾驶汽车的行驶信息和所述交互实体的状态信息，确定对应于相同时间节点的所述无人驾驶汽车与所述交互实体之间的相对距离；
根据所述相对距离、所述无人驾驶汽车的运行状态信息和所述交互实体的状态信息，构建多维数据空间向量，将所述多维数据空间向量作为所述无人驾驶汽车的性能评价特征。
在本申请第一方面的一些变更实施方式中，所述根据所述性能评价特征确定所述无人驾驶汽车的性能，包括：
计算多辆所述无人驾驶汽车的性能评价特征之间的第一相似度；
根据所述第一相似度确定多辆所述无人驾驶汽车之间的相对性能。
在本申请第一方面的一些变更实施方式中，所述根据所述性能评价特征确定所述无人驾驶汽车的性能，包括：
计算所述无人驾驶汽车的性能评价特征与标准性能评价特征之间的第二相似度；
根据所述第二相似度确定所述无人驾驶汽车的性能。
本申请第二方面提供一种无人驾驶汽车性能评价装置，包括：
行驶信息确定模块，用于确定无人驾驶汽车在场景中行驶的行驶信息；其中，所述行驶信息包括行驶轨迹信息和/或运行状态信息；
分析模型确定模块，用于确定与所述场景的场景模式对应的时空关联分析模型；
特征确定模块，用于根据所述行驶信息，采用所述时空关联分析模型确定所述无人驾驶汽车的性能评价特征；
性能确定模块，用于根据所述性能评价特征确定所述无人驾驶汽车的性能。
在本申请第二方面的一些变更实施方式中，所述场景模式包括静态场景，所述时空关联分析模型包括与所述静态场景对应的静态时空关联分析模型；
所述特征确定模块，包括：
格子模型构建单元，用于按照预设的位置间隔构建所述场景对应的格子模型；
插值处理单元，用于根据所述格子模型对所述行驶信息进行插值处理，使所述格子模型的每个格子具有与其对应的位置点的行驶信息；
第一特征向量构建单元，用于以所述格子模型的格子数量为向量长度，根据每个所述格子对应的位置点的行驶信息构建性能评价特征向量，将所述性能评价特征向量作为所述无人驾驶汽车的性能评价特征。
在本申请第二方面的一些变更实施方式中，所述插值处理单元，包括：
线性插值子单元，用于以所述行驶轨迹信息中的位置点的位置信息为插值基准，按照线性插值方式，根据所述格子模型对所述行驶信息进行插值处理。
在本申请第二方面的一些变更实施方式中，所述场景模式包括动态场景，所述时空关联分析模型包括与所述动态场景对应的动态时空关联分析模型；
所述特征确定模块，包括：
交互实体信息获取单元，用于获取所述场景内与所述无人驾驶汽车交互的交互实体的状态信息；
性能评价特征确定单元，用于根据所述无人驾驶汽车的行驶信息和所述交互实体的状态信息，利用所述动态时空关联分析模型确定所述无人驾驶汽车的性能评价特征。
在本申请第二方面的一些变更实施方式中，所述性能评价特征确定单元，包括：
相对距离确定子单元，用于根据时钟同步的所述无人驾驶汽车的行驶信息和所述交互实体的状态信息，确定对应于相同时间节点的所述无人驾驶汽车与所述交互实体之间的相对距离；
多维向量构建子单元，用于根据所述相对距离、所述无人驾驶汽车的运行状态信息和所述交互实体的状态信息，构建多维数据空间向量，将所述多维数据空间向量作为所述无人驾驶汽车的性能评价特征。
在本申请第二方面的一些变更实施方式中，所述性能确定模块，包括：
第一相似度计算单元，用于计算多辆所述无人驾驶汽车的性能评价特征之间的第一相似度；
相对性能确定单元，用于根据所述第一相似度确定多辆所述无人驾驶汽车之间的相对性能。
在本申请第二方面的一些变更实施方式中，所述性能确定模块，包括：
第二相似度计算单元，用于计算所述无人驾驶汽车的性能评价特征与标准性能评价特征之间的第二相似度；
标准性能确定单元，用于根据所述第二相似度确定所述无人驾驶汽车的性能。
本申请第三方面提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行本申请第一方面所述的方法。
本申请第四方面提供一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行本申请第一方面所述的方法。
相较于现有技术，本申请第一方面提供的无人驾驶汽车性能评价方法，通过确定无人驾驶汽车在场景中行驶的行驶信息，并确定与所述场景的场景模式对应的时空关联分析模型，然后根据所述行驶信息，采用所述时空关联分析模型确定所述无人驾驶汽车的性能评价特征，即可根据所述性能评价特征确定所述无人驾驶汽车的性能，通过上述方式，可以利用所述性能评价特征实现对无人驾驶汽车性能的量化评价，进而可以对无人驾驶汽车的性能实现较为客观、准确的评价。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请一些实施方式所提供的一种无人驾驶汽车性能评价方法的流程图；
图2示出了本申请一些实施方式所提供的车辆通过静态场景示意图；
图3示出了本申请一些实施方式所提供的静态场景lattice划分和插值示意图；
图4示出了本申请一些实施方式所提供的动态跟车场景中后车与前车相对距离示意图；
图5示出了本申请一些实施方式所提供的动态场景多维数据空间定义；
图6(a)-(c)示出了本申请一些实施方式所提供的跟车场景中多角度数据二维采样；
图7示出了本申请一些实施方式所提供的信号灯场景中数据三维采样；
图8示出了本申请一些实施方式所提供的动态和静态场景中时空对齐的方法矩阵；
图9示出了本申请一些实施方式所提供的在数据空间中不同区域评分的示意图；
图10示出了本申请一些实施方式所提供的一种无人驾驶汽车性能评价装置的示意图；
图11示出了本申请一些实施方式所提供的一种电子设备的示意图；
图12示出了本申请一些实施方式所提供的一种计算机可读介质的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请一些实施方式提供了一种无人驾驶汽车性能评价方法及装置，以及一种电子设备及计算机可读介质。下面结合附图对本申请的实施例进行说明。
请参考图1，其示出了本申请一些实施方式所提供的一种无人驾驶汽车性能评价方法的流程图，所述无人驾驶汽车性能评价方法，包括以下步骤：
步骤S101：确定无人驾驶汽车在场景中行驶的行驶信息；其中，所述行驶信息包括行驶轨迹信息和/或运行状态信息；
其中，所述行驶轨迹信息可以包括按时序采集的所述无人驾驶汽车的位置点的集合，每一个采集时间对应于一个位置点的定位信息。具体的，所述行驶轨迹信息可以包括定位数据，例如GPS定位数据、北斗导航定位数据等，本申请实施例不做限定。
所述运行状态信息可以包括通过所述无人驾驶汽车的汽车总线采集的运行状态信息，可以包括但不限于车速信息、车灯开关信息、车门开关信息、油耗信息、胎压信息、动力信息等，所述汽车总线包括但不限于CAN总线、LIN总线、FlexRay总线和MOST总线等，本申请实施例不做限定。
步骤S102：确定与所述场景的场景模式对应的时空关联分析模型；
步骤S103：根据所述行驶信息，采用所述时空关联分析模型确定所述无人驾驶汽车的性能评价特征；
步骤S104：根据所述性能评价特征确定所述无人驾驶汽车的性能。
在本申请实施例的一些变更实施方式中，所述场景模式包括静态场景，所述时空关联分析模型包括与所述静态场景对应的静态时空关联分析模型；
所述根据所述行驶信息，采用所述时空关联分析模型确定所述无人驾驶汽车的性能评价特征，包括：
按照预设的位置间隔构建所述场景对应的格子模型；
根据所述格子模型对所述行驶信息进行插值处理，使所述格子模型的每个格子具有与其对应的位置点的行驶信息；
以所述格子模型的格子数量为向量长度，根据每个所述格子对应的位置点的行驶信息构建性能评价特征向量，将所述性能评价特征向量作为所述无人驾驶汽车的性能评价特征。
在本申请实施例的一些变更实施方式中，所述根据所述格子模型对所述行驶信息进行插值处理，包括：
以所述行驶轨迹信息中的位置点的位置信息为插值基准，按照线性插值方式，根据所述格子模型对所述行驶信息进行插值处理。
在本申请实施例的一些变更实施方式中，所述场景模式包括动态场景，所述时空关联分析模型包括与所述动态场景对应的动态时空关联分析模型；
所述根据所述行驶信息，采用所述时空关联分析模型确定所述无人驾驶汽车的性能评价特征，包括：
获取所述场景内与所述无人驾驶汽车交互的交互实体的状态信息；
根据所述无人驾驶汽车的行驶信息和所述交互实体的状态信息，利用所述动态时空关联分析模型确定所述无人驾驶汽车的性能评价特征。
在本申请实施例的一些变更实施方式中，所述根据所述无人驾驶汽车的行驶信息和所述交互实体的状态信息，利用所述动态时空关联分析模型确定所述无人驾驶汽车的性能评价特征，包括：
根据时钟同步的所述无人驾驶汽车的行驶信息和所述交互实体的状态信息，确定对应于相同时间节点的所述无人驾驶汽车与所述交互实体之间的相对距离；
根据所述相对距离、所述无人驾驶汽车的运行状态信息和所述交互实体的状态信息，构建多维数据空间向量，将所述多维数据空间向量作为所述无人驾驶汽车的性能评价特征。
在本申请实施例的一些变更实施方式中，所述根据所述性能评价特征确定所述无人驾驶汽车的性能，包括：
计算多辆所述无人驾驶汽车的性能评价特征之间的第一相似度；
根据所述第一相似度确定多辆所述无人驾驶汽车之间的相对性能。
在本申请实施例的一些变更实施方式中，所述根据所述性能评价特征确定所述无人驾驶汽车的性能，包括：
计算所述无人驾驶汽车的性能评价特征与标准性能评价特征之间的第二相似度；
根据所述第二相似度确定所述无人驾驶汽车的性能。
以上，为本申请实施例所提供的一种无人驾驶汽车性能评价方法的示例性说明，相较于现有技术，本申请实施例提供的无人驾驶汽车性能评价方法，通过确定无人驾驶汽车在场景中行驶的行驶信息，并确定与所述场景的场景模式对应的时空关联分析模型，然后根据所述行驶信息，采用所述时空关联分析模型确定所述无人驾驶汽车的性能评价特征，即可根据所述性能评价特征确定所述无人驾驶汽车的性能。通过上述方式，可以利用所述性能评价特征实现对无人驾驶汽车性能的量化评价，进而可以对无人驾驶汽车的性能实现较为客观、准确的评价。
此外，所述无人驾驶汽车性能评价方法，无需人工参与即可自动根据采集的信息完成性能评价，由于全程可自动化完成，因此具有较高的效率，又由于不需人工参与统计和评价，因此可以得到更加客观、准确的评价结果。综上，所述无人驾驶汽车性能评价方法还具有客观、高效和准确度高等优点。
下面结合具体实施例对本申请提供的无人驾驶汽车性能评价方法进一步进行说明，在一些具体的实施方式中，所述无人驾驶汽车性能评价方法可以包括以下内容(以下所提及的车辆包括无人驾驶汽车)：
以下实施方式的技术构思之一在于：
通过采集无人驾驶汽车在行驶过程中的GPS定位数据和CAN总线数据，与场景信息(如道路信息、信号灯、其他交互设备(如车辆、行人等)的位置数据和属性数据等)建立时空关联分析模型，对车辆在场景内行驶过程中的驾驶行为进行细粒度的量化描述。
在建立描述体系的基础上，可以对不同车辆经过场景的过程进行量化对比分析，进而挖掘出无人驾驶汽车正常与异常行驶的判定条件和边界，发现无人驾驶汽车行驶过程中的问题，有助于其改进。
根据在行驶过程中是否与其他实体产生交互，本申请实施例可以将无人驾驶汽车的行驶场景分为静态场景和动态场景两类场景模式。
在静态场景中，车辆并不与其他动态实体产生交互，只是通过了一个给定的场景，一般指经过了一种道路类型，例如颠簸道路、拐弯道路、通过没有行人的人行横道等；
在动态场景中，车辆与其他的动态实体产生了交互，例如通过信号灯控制路口，与信号灯发生交互；通过有行人的人行横道，与行人发生交互；在跟车、会车、超车等场景中，与其他车辆发生交互。
建立车辆与场景之间、车辆与车辆之间的时空关联分析模型，其首要问题是，通过时空关联分析建模，使车辆与场景、车辆与交互实体、不同车辆的数据进行时空对齐，只有在时空对齐的基础上，才可以进行数据的比较，进而量化判定无人驾驶汽车的能力高低。
以下，本申请实施例将分别从静态和动态两个方面来阐述时空关联分析模型。
一、数据输入
1)无人驾驶汽车数据采集
以所述行驶轨迹信息包括GPS定位数据、所述运行状态信息包括CAN总线数据为例，无人驾驶汽车上传的数据包括GPS定位数据和CAN总线数据。其定义如下：
其中，GPS定位数据记录了无人驾驶汽车的定位信息：
GPS＝{g|g＝〈t,(x,y),v,θ〉}
其中，t表示位置点g的定位信息的采集时刻，(x,y)表示位置点g的经纬度信息，v和θ分别表示无人驾驶汽车在位置点g处的速度和方向角；
CAN总线数据记录了无人驾驶汽车行驶的状态信息：
CAN＝{c|c＝〈t,mode,Θ(light),Θ(turn),…〉}
其中，t表示采集时刻，mode表示人工加入/全自动驾驶/半自动驾驶等状态，Θ(light)表示无人驾驶汽车灯光的实时状态，Θ(turn)表示无人驾驶汽车方向盘的实时状态等。
将所述GPS定位数据和所述CAN总线数据按采集时间进行关联得到所述无人驾驶汽车的行驶信息如下所示：
GPS_CAN＝{g|g＝〈t,(x,y),v,θ,mode,Θ(light),Θ(turn),…〉}
其中t表示GPS采集的时刻，(x,y)表示GPS的经纬度信息，v和θ表示无人驾驶汽车行驶的速度和方向角；
CAN-BUS数据(即CAN总线数据)记录了车辆行驶的运行状态信息：
mode定义了t时刻人工加入/全自动驾驶/半自动驾驶等状态，Θ(light)表示车辆灯光的实时状态，Θ(turn)表示车辆方向盘的实时转角等。
2)动态实体(即交互实体)数据采集
动态实体数据包括动态实体的位置和属性数据(即交互实体的状态信息)，如下所示
ENT_INFO＝{p|p＝〈t,(x,y),v,θ,Θ(info),…〉}
其中t表示数据采集的时刻，(x,y)表示实体的经纬度信息，v和θ表示实体的运动速度和方向角，Θ(info)表示实体在t时刻的属性信息，例如实体为信号灯，则表达红灯/黄灯/绿灯等状态。
二、静态场景的时空关联分析模型
在静态场景中，本申请实施例可以采集车辆经过场景的时空位置(基于定位数据)和动作(基于CAN总线数据)，如图2所示，有两辆无人驾驶汽车Car1和Car2在不同的时间经过了场景x，无人驾驶汽车的数据采集过程是相互独立的，因此可以看到，车辆采集的时刻不同，采样的位置也有差异，就数据本身而言很难进行直观的比较。
为了解决上述问题，本申请实施例可以将静态场景空间位置进行细粒度划分，并对GPS进行插值，首先实现空间对齐。如图3所示，将场景空间按照固定的位置间隔(例如1米)划分为7个格子(lattice)，车辆的定位数据会落在格子内(实心点)，但是有一些格子是没有定位数据落入的，则对GPS进行线性插值(空心点)，以保证每一个格子内都有GPS点落入。
定义
Figure BDA0001904790020000111
为车辆c落入场景中第k个lattice的GPS点信息，i是该GPS在车辆GPS轨迹中的下标，如果i＝φ，则表示该GPS点为插值点。
以Car1为例说明，设某个场景细粒度划分后分为X个lattice，Car1相邻的两个GPS点
Figure BDA0001904790020000112
和/>
Figure BDA0001904790020000113
分别落在p和q两个lattice中，则需要对p+1～q-1的lattice进行插值，置入插值点：
Figure BDA0001904790020000114
Figure BDA0001904790020000115
其中，(xk,yk)是场景第k个lattice的中心点位置，modek、Θk(light)和Θk(turn)等属性继承自
Figure BDA0001904790020000121
dis(,)表示求解两个GPS点在场景上的投影距离，angle(,)表示求解两个GPS点的向量角度。
基于上述lattice建模和插值过程，对于一个划分为X个lattice的场景，可以就表征车辆行驶过程的属性(例如速度、加速度、方向角、灯光等)提取成一个长度为X的一维向量。这里以速度为例，在图3中，我们可以提取到Car1和Car2的速度向量分别为
Figure BDA0001904790020000122
和/>
Figure BDA0001904790020000123
上述向量精确地刻画出车辆通过场景的过程，如Car1在场景末端是减速通过，而Car2是以较高的速度匀速通过的；
进一步地，对向量进行相似度比较(例如欧式距离)，可以比较不同车辆经过同一场景的过程的异同，
如果设Car1为通过场景的最优速度向量(标准答案)，则可以通过相似度比较，以
Figure BDA0001904790020000124
为基准对Car2的行驶过程进行量化评分；
对不同车辆的向量进行聚类和分类等分析，可以发现车辆通过场景的行为模式的异同。
总结，在静态场景中，由于车辆经过场景的时间是不同的，所以不同的车辆无法在时间上进行对齐，而只能通过lattice建模实现空间对齐。对于静态场景而言，其时空关联分析模型的建模特点是空间对齐。
三、动态场景的时空关联分析模型
在动态场景中，由于车辆在经过场景的过程中需要与其他的实体进行互动，所以其天然地存在同一个时间维度中，本身就是时间对齐的。
在动态场景中，除了车辆之外，参与场景的其他实体的位置和属性是动态时变的。例如，在车辆通过信控路口的过程中，信号灯的位置虽然固定，但其属性(信号灯状态)却在随时间变化；车辆通过有行人的路段，行人的位置随也在不断发生变化；在跟车、会车、超车等过程中，其他车辆的位置和状态属性也在随时间变化。在动态场景的时空关联分析建模里，如何进行空间位置关系对齐是一个难题。
为了解决上述问题，本申请实施例提出，虽然动态场景中不同交互实体的空间位置在不断发生变化，但其相对位置关系(相对距离)是一个理想的空间关系表征量，无人驾驶汽车的能力评估等价于考察在无人驾驶车辆与其他实体不同距离时的行为属性(速度、加速度、灯光等)。
图4描述了一个动态的跟车场景(其他动态场景类似)，在一条车道上一前一后两辆车，后车为待测试无人驾驶汽车，前车为场景交互实体。由于前车的速度较小，后车的速度较大，所以在不同时刻，前后车具有不同的相对距离d。
动态场景的时空关联分析建模重点考察在不同相对距离情况下待测车的行为属性。可以以相对距离d为x轴，行为属性(即所述无人驾驶汽车的运行状态信息)为y轴，实体属性(即所述交互实体的状态信息)为z轴建立三维数据空间，如图5所示。
举例说明，在跟车场景中，假设前车除了位置变化未有其他的行为属性，则图5的三维数据空间可简化为两维，考察后车与前车的相对速度、后车速度和后车加速度，则可以得到如图6(a)-(c)所示的散点图。
注：图6(a)-(c)中的每一个点p都是一个多维数据空间的向量。
在后车与前车相对速度与相对距离关系图中，p1说明两车距离较近的情况下后车仍旧具有较大的相对速度，具有较大的危险性；p2说明两车相对距离较远，且后车相对速度不大，是安全行驶；p3说明在两车较近的情况下，后车与前车相对静止，此时无法判定车辆是否安全，需要结合后车的速度来判定。
p4说明两车距离较近的情况下后车仍旧具有较大的速度，具有较大的危险性；p5则反之；
同理，p6说明两车在距离较近的情况下后车仍在加速，具有较大的危险性；p7和p8则相对安全。
在信号灯场景中，不考虑红绿灯的切换(如需考虑增加时间维度)，考察车辆在感知到当前信号灯状态的情况下，在不同距离上速度和加速度的变化，如图7所示。
在当前信号为绿灯的情况下，p1说明车辆高速通过路口；p2说明车辆在路口降低速度，以防止信号灯发生改变，引发事故；p3距离路口较远，车速较高；
在当前信号为黄灯的情况下，p4低速通过路口；p5在路口减速；p6在黄灯情况下在路口速度仍旧很高，有闯灯的嫌疑；
在当前信号为红灯的情况下，p7中速通过路口，为闯红灯；p8在路口仍具有较高速度，有闯红灯较大的可能性。
基于上述分析，本申请实施例提出的动态场景时空关联分析模型以无人驾驶汽车与交互实体的相对距离为基础，涵盖了无人驾驶汽车的驾驶行为和交互实体的动态属性，从不同的维度精确地刻画无人驾驶汽车在动态场景下的行为特征，是进一步对无人驾驶汽车的驾驶行为量化判定的基础。
进一步地，如果需要按照时间去考察车辆的行驶过程，可以在上述三维数据空间中增加时间维度，变为四维向量。
综上所述，如图8所示，建立无人驾驶汽车在不同场景下的时空关联分析模型，核心是通过模型的建立，实现参与场景的各实体的数据时空对齐，以作为进一步的分析和挖掘的基础。
在静态场景中，时间维度无需对齐，空间维度通过lattice插值对齐；
在动态场景中，时间维度天然对齐，空间维度通过相对距离对齐。
四、无人驾驶汽车行为的量化判定
基于对无人驾驶汽车在不同场景下的时空关联分析模型，本申请实施例将车辆在场景中的行驶过程转化为多维空间中的向量。
基于向量的表达基础，可以更方便地进行相似度比较，进行距离、分类、离群点挖掘等数据挖掘运算，对无人驾驶汽车的驾驶能力做出评估，发现共性的问题。
通过交规的定义，抑或采集人类驾驶员在经过场景的数据，基于本申请实施例的建模方法，亦可以转化为多维空间中的向量，通过对人类驾驶数据的聚类分析，可以获得在数据空间维度中不同区域数据分布的量化评估分数。
图9给出一个在二维空间内不同区域的向量值进行量化打分的示意图，如果无人驾驶汽车驾驶行为对应的向量处于危险驾驶或违法交规的范围内，则得0分，如果处在存在隐患的范围内，则得40-60分；如果处在安全驾驶的范围内，则视数据分布得70-100分。
在一个场景中，对无人驾驶汽车的驾驶行为评价应该是从多个维度的(速度、加速度、灯光使用等)，在每一个维度得到相应分值的基础上，多个维度分数按照不同的权重拟合，可以最终得到对无人驾驶汽车通过该场景的能力评估分数。
上述实施例提供的无人驾驶汽车性能评价方法，通过确定无人驾驶汽车在场景中行驶的行驶信息，并确定与所述场景的场景模式对应的时空关联分析模型，然后根据所述行驶信息，采用所述时空关联分析模型确定所述无人驾驶汽车的性能评价特征，即可根据所述性能评价特征确定所述无人驾驶汽车的性能，通过上述方式，可以利用所述性能评价特征实现对无人驾驶汽车性能的量化评价，进而可以对无人驾驶汽车的性能实现较为客观、准确的评价。
此外，所述无人驾驶汽车性能评价方法，无需人工参与即可自动根据采集的信息完成性能评价，由于全程可自动化完成，因此具有较高的效率，又由于不需人工参与统计和评价，因此可以得到更加客观、准确的评价结果。综上，所述无人驾驶汽车性能评价方法还具有客观、高效和准确度高等优点。
另外，通过上述实施方式，无人驾驶汽车的性能评估需要科学地对车辆经过场景的整个过程进行量化表达，对不同车辆的能力进行量化对比，以提取车辆在场景中正常和异常行驶的边界判定条件，发现共性问题，帮助无人驾驶汽车平台进行改进。
本申请实施例给出了基于场景的对无人驾驶汽车行驶过程所表现出的能力进行量化描述，对不同车辆经过同一场景进行量化对比，判定方法体系，基于本方法，可以对无人驾驶汽车的测试过程进行科学量化评价，也有助于发现测试过程中的问题。
与上述无人驾驶汽车性能评价方法相对应的，本申请还提供一种无人驾驶汽车性能评价装置。所述的装置可以包括使用了本申请所述无人驾驶汽车性能评价方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端、量子计算机等并结合必要的实施硬件的装置。基于同一创新构思，本申请提供的一种实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本申请具体的装置的实施可以参见前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
具体的，图10是本申请提供的一种无人驾驶汽车性能评价装置实施例的模块结构示意图，如图10所示，所述无人驾驶汽车性能评价装置10，可以包括：
行驶信息确定模块101，用于确定无人驾驶汽车在场景中行驶的行驶信息；其中，所述行驶信息包括行驶轨迹信息和/或运行状态信息；
分析模型确定模块102，用于确定与所述场景的场景模式对应的时空关联分析模型；
特征确定模块103，用于根据所述行驶信息，采用所述时空关联分析模型确定所述无人驾驶汽车的性能评价特征；
性能确定模块104，用于根据所述性能评价特征确定所述无人驾驶汽车的性能。
在本申请实施例的一些变更实施方式中，所述场景模式包括静态场景，所述时空关联分析模型包括与所述静态场景对应的静态时空关联分析模型；
所述特征确定模块103，包括：
格子模型构建单元，用于按照预设的位置间隔构建所述场景对应的格子模型；
插值处理单元，用于根据所述格子模型对所述行驶信息进行插值处理，使所述格子模型的每个格子具有与其对应的位置点的行驶信息；
第一特征向量构建单元，用于以所述格子模型的格子数量为向量长度，根据每个所述格子对应的位置点的行驶信息构建性能评价特征向量，将所述性能评价特征向量作为所述无人驾驶汽车的性能评价特征。
在本申请实施例的一些变更实施方式中，所述插值处理单元，包括：
线性插值子单元，用于以所述行驶轨迹信息中的位置点的位置信息为插值基准，按照线性插值方式，根据所述格子模型对所述行驶信息进行插值处理。
在本申请实施例的一些变更实施方式中，所述场景模式包括动态场景，所述时空关联分析模型包括与所述动态场景对应的动态时空关联分析模型；
所述特征确定模块103，包括：
交互实体信息获取单元，用于获取所述场景内与所述无人驾驶汽车交互的交互实体的状态信息；
性能评价特征确定单元，用于根据所述无人驾驶汽车的行驶信息和所述交互实体的状态信息，利用所述动态时空关联分析模型确定所述无人驾驶汽车的性能评价特征。
在本申请实施例的一些变更实施方式中，所述性能评价特征确定单元，包括：
相对距离确定子单元，用于根据时钟同步的所述无人驾驶汽车的行驶信息和所述交互实体的状态信息，确定对应于相同时间节点的所述无人驾驶汽车与所述交互实体之间的相对距离；
多维向量构建子单元，用于根据所述相对距离、所述无人驾驶汽车的运行状态信息和所述交互实体的状态信息，构建多维数据空间向量，将所述多维数据空间向量作为所述无人驾驶汽车的性能评价特征。
在本申请实施例的一些变更实施方式中，所述性能确定模块104，包括：
第一相似度计算单元，用于计算多辆所述无人驾驶汽车的性能评价特征之间的第一相似度；
相对性能确定单元，用于根据所述第一相似度确定多辆所述无人驾驶汽车之间的相对性能。
在本申请实施例的一些变更实施方式中，所述性能确定模块104，包括：
第二相似度计算单元，用于计算所述无人驾驶汽车的性能评价特征与标准性能评价特征之间的第二相似度；
标准性能确定单元，用于根据所述第二相似度确定所述无人驾驶汽车的性能。
本申请实施例提供的无人驾驶汽车性能评价装置10，与本申请前述实施例提供的无人驾驶汽车性能评价方法出于相同的发明构思，具有相同的有益效果。
在上述的实施例中，提供了一种无人驾驶汽车性能评价方法及装置，与之相对应的，本申请还提供一种电子设备，所述电子设备可以是任意具有数据处理、运算功能的电子设备，例如，台式机电脑、笔记本电脑、服务器、服务器集群等。请参考图11，图11为本申请实施例提供的一种电子设备的示意图。如图11所示，所述电子设备20包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请提供的任一无人驾驶汽车性能评价方法。
其中，存储器201可能包含高速随机存取存储器(RAM：Random AccessMemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述无人驾驶汽车性能评价方法可以应用于处理器200中，或者由处理器200实现。
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的无人驾驶汽车性能评价方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施例还提供一种与上述无人驾驶汽车性能评价方法相对应的计算机可读介质，请参考图12，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施例所提供的无人驾驶汽车性能评价方法。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请实施例提供的计算机可读存储介质与本申请实施例提供的无人驾驶汽车性能评价方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是，附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请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。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，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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，在本申请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。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品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)执行本申请各个实施例所述方法的全部或部分步骤。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。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，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申请各实施例技术方案的范围，其均应涵盖在本申请的权利要求和说明书的范围当中。

Claims (10)

1.一种无人驾驶汽车性能评价方法，其特征在于，包括：
确定无人驾驶汽车在场景中行驶的行驶信息；其中，所述行驶信息包括所述无人驾驶汽车在行驶过程中的行驶轨迹信息和/或运行状态信息；
确定与所述场景的场景模式对应的时空关联分析模型；
根据所述行驶信息，采用所述时空关联分析模型确定所述无人驾驶汽车的性能评价特征；
根据所述性能评价特征确定所述无人驾驶汽车的性能。
2.根据权利要求1所述的方法，其特征在于，所述场景模式包括静态场景，所述时空关联分析模型包括与所述静态场景对应的静态时空关联分析模型；
所述根据所述行驶信息，采用所述时空关联分析模型确定所述无人驾驶汽车的性能评价特征，包括：
按照预设的位置间隔构建所述场景对应的格子模型；
根据所述格子模型对所述行驶信息进行插值处理，使所述格子模型的每个格子具有与其对应的位置点的行驶信息；
以所述格子模型的格子数量为向量长度，根据每个所述格子对应的位置点的行驶信息构建性能评价特征向量，将所述性能评价特征向量作为所述无人驾驶汽车的性能评价特征。
3.根据权利要求2所述的方法，其特征在于，所述根据所述格子模型对所述行驶信息进行插值处理，包括：
以所述行驶轨迹信息中的位置点的位置信息为插值基准，按照线性插值方式，根据所述格子模型对所述行驶信息进行插值处理。
4.根据权利要求1所述的方法，其特征在于，所述场景模式包括动态场景，所述时空关联分析模型包括与所述动态场景对应的动态时空关联分析模型；
所述根据所述行驶信息，采用所述时空关联分析模型确定所述无人驾驶汽车的性能评价特征，包括：
获取所述场景内与所述无人驾驶汽车交互的交互实体的状态信息；
根据所述无人驾驶汽车的行驶信息和所述交互实体的状态信息，利用所述动态时空关联分析模型确定所述无人驾驶汽车的性能评价特征。
5.根据权利要求4所述的方法，其特征在于，所述根据所述无人驾驶汽车的行驶信息和所述交互实体的状态信息，利用所述动态时空关联分析模型确定所述无人驾驶汽车的性能评价特征，包括：
根据时钟同步的所述无人驾驶汽车的行驶信息和所述交互实体的状态信息，确定对应于相同时间节点的所述无人驾驶汽车与所述交互实体之间的相对距离；
根据所述相对距离、所述无人驾驶汽车的运行状态信息和所述交互实体的状态信息，构建多维数据空间向量，将所述多维数据空间向量作为所述无人驾驶汽车的性能评价特征。
6.根据权利要求1所述的方法，其特征在于，所述根据所述性能评价特征确定所述无人驾驶汽车的性能，包括：
计算多辆所述无人驾驶汽车的性能评价特征之间的第一相似度；
根据所述第一相似度确定多辆所述无人驾驶汽车之间的相对性能。
7.根据权利要求1所述的方法，其特征在于，所述根据所述性能评价特征确定所述无人驾驶汽车的性能，包括：
计算所述无人驾驶汽车的性能评价特征与标准性能评价特征之间的第二相似度；
根据所述第二相似度确定所述无人驾驶汽车的性能。
8.一种无人驾驶汽车性能评价装置，其特征在于，包括：
行驶信息确定模块，用于确定无人驾驶汽车在场景中行驶的行驶信息；其中，所述行驶信息包括所述无人驾驶汽车在行驶过程中的行驶轨迹信息和/或运行状态信息；
分析模型确定模块，用于确定与所述场景的场景模式对应的时空关联分析模型；
特征确定模块，用于根据所述行驶信息，采用所述时空关联分析模型确定所述无人驾驶汽车的性能评价特征；
性能确定模块，用于根据所述性能评价特征确定所述无人驾驶汽车的性能。
9.一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行权利要求1至7任一项所述的方法。
10.一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行权利要求1至7任一项所述的方法。
CN201811527324.5A 2018-12-13 2018-12-13 无人驾驶汽车性能评价方法、装置、电子设备及介质 Active CN109711009B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811527324.5A CN109711009B (zh) 2018-12-13 2018-12-13 无人驾驶汽车性能评价方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811527324.5A CN109711009B (zh) 2018-12-13 2018-12-13 无人驾驶汽车性能评价方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN109711009A CN109711009A (zh) 2019-05-03
CN109711009B true CN109711009B (zh) 2023-06-27

Family

ID=66256471

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811527324.5A Active CN109711009B (zh) 2018-12-13 2018-12-13 无人驾驶汽车性能评价方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN109711009B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110967980B (zh) * 2019-11-25 2020-11-06 清华大学 一种无人驾驶汽车性能的测试方法
CN112987711B (zh) * 2019-11-30 2022-08-09 华为技术有限公司 自动驾驶规控算法优化方法及仿真测试装置
CN111427331B (zh) * 2020-03-24 2022-03-04 新石器慧通（北京）科技有限公司 无人驾驶车辆的感知信息展示方法、装置和电子设备
CN112418646B (zh) * 2020-11-18 2024-07-19 广州小鹏自动驾驶科技有限公司 一种车辆舒适性评价方法、装置和可读存储介质
CN112729862B (zh) * 2020-12-11 2023-07-25 国汽(北京)智能网联汽车研究院有限公司 无人驾驶的驾驶行为安全评估方法、装置及电子设备
CN114084154B (zh) * 2021-09-30 2024-03-15 广州文远知行科技有限公司 一种自动驾驶系统参数的配置方法、装置及系统
CN114595597B (zh) * 2022-05-09 2022-08-09 天津大学 一种基于大数据的车辆性能综合评定方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN103871242A (zh) * 2014-04-01 2014-06-18 北京工业大学 一种驾驶行为综合评价系统与方法
CN105954048A (zh) * 2016-07-07 2016-09-21 百度在线网络技术（北京）有限公司 测试无人车正常驾驶的方法及装置
US9645577B1 (en) * 2016-03-23 2017-05-09 nuTonomy Inc. Facilitating vehicle driving and self-driving
CN106898143A (zh) * 2017-04-10 2017-06-27 合肥学院 一种无人驾驶汽车的交通流量建模方法
CN107991898A (zh) * 2016-10-26 2018-05-04 法乐第(北京)网络科技有限公司 一种无人驾驶车辆模拟测试装置及电子设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105225478B (zh) * 2015-08-13 2018-09-14 中国科学院自动化研究所 智能车辆行为记录及评价方法
CN108267322A (zh) * 2017-01-03 2018-07-10 北京百度网讯科技有限公司 对自动驾驶性能进行测试的方法和系统
CN107153363B (zh) * 2017-05-08 2020-11-03 百度在线网络技术（北京）有限公司 无人驾驶汽车的仿真测试方法及装置、设备与可读介质
CN108536977A (zh) * 2018-04-16 2018-09-14 北京京大律业知识产权代理有限公司 一种智能无人驾驶车辆定量评价系统
CN108829087B (zh) * 2018-07-19 2019-09-10 山东省科学院自动化研究所 一种自动驾驶汽车的智能测试系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN103871242A (zh) * 2014-04-01 2014-06-18 北京工业大学 一种驾驶行为综合评价系统与方法
US9645577B1 (en) * 2016-03-23 2017-05-09 nuTonomy Inc. Facilitating vehicle driving and self-driving
CN105954048A (zh) * 2016-07-07 2016-09-21 百度在线网络技术（北京）有限公司 测试无人车正常驾驶的方法及装置
CN107991898A (zh) * 2016-10-26 2018-05-04 法乐第(北京)网络科技有限公司 一种无人驾驶车辆模拟测试装置及电子设备
CN106898143A (zh) * 2017-04-10 2017-06-27 合肥学院 一种无人驾驶汽车的交通流量建模方法

Also Published As

Publication number Publication date
CN109711009A (zh) 2019-05-03

Similar Documents

Publication Publication Date Title
CN109711009B (zh) 无人驾驶汽车性能评价方法、装置、电子设备及介质
Shirazi et al. Looking at intersections: a survey of intersection monitoring, behavior and safety analysis of recent studies
Essa et al. Simulated traffic conflicts: do they accurately represent field-measured conflicts?
KR102613839B1 (ko) 긴급 차량들의 검출
Tian et al. Estimation of the vehicle-pedestrian encounter/conflict risk on the road based on TASI 110-car naturalistic driving data collection
Shirazi et al. Observing behaviors at intersections: A review of recent studies & developments
CN109764881B (zh) 无人驾驶汽车测试方法、装置、电子设备及介质
Zyner et al. ACFR five roundabouts dataset: Naturalistic driving at unsignalized intersections
CN104875740B (zh) 用于管理跟随空间的方法、主车辆以及跟随空间管理单元
CN113511204B (zh) 一种车辆换道行为识别方法及相关设备
CN112540365B (zh) 一种评估方法、装置、设备及存储介质
Langner et al. Logical Scenario Derivation by Clustering Dynamic-Length-Segments Extracted from Real-World-Driving-Data.
CN109101939A (zh) 车辆运动状态的确定方法、系统、终端及可读存储介质
Chaovalit et al. A method for driving event detection using SAX with resource usage exploration on smartphone platform
Das et al. Time headway analysis for four-lane and two-lane roads
Kim et al. Visual extensions and anomaly detection in the pNEUMA experiment with a swarm of drones
Cojocaru et al. Building a Driving Behaviour Dataset.
Zardosht et al. Identifying Driver Behavior in Preturning Maneuvers Using In‐Vehicle CANbus Signals
EP4256823A1 (en) Systems and methods for extracting data from autonomous vehicles
Philipp et al. Automated 3d object reference generation for the evaluation of autonomous vehicle perception
Das et al. Why slammed the brakes on? auto-annotating driving behaviors from adaptive causal modeling
Huang et al. Pre-crash scenarios for safety testing of autonomous vehicles: a clustering method for in-depth crash data
Namazi et al. Identifying and counting vehicles in multiple lanes by using a low-cost vehicle-mounted sensor for intelligent traffic management systems
Bäumler et al. Report on validation of the stochastic traffic simulation (Part B)
Meng et al. ROCO: A Roundabout Traffic Conflict Dataset

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