CN110188797B - 一种基于贝叶斯优化的智能汽车快速测试方法 - Google Patents
一种基于贝叶斯优化的智能汽车快速测试方法 Download PDFInfo
- Publication number
- CN110188797B CN110188797B CN201910344337.7A CN201910344337A CN110188797B CN 110188797 B CN110188797 B CN 110188797B CN 201910344337 A CN201910344337 A CN 201910344337A CN 110188797 B CN110188797 B CN 110188797B
- Authority
- CN
- China
- Prior art keywords
- test
- scene
- classifier
- acquisition function
- intelligent automobile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于贝叶斯优化的智能汽车快速测试方法,该方法通过精确选取有代表性的测试场景,减少测试次数,实现对大量样本安全性的评估,该方法首先基于现场交通场景,获得车辆的行驶场景关键参数,为关键参数确定取值范围与采样间隔,并组合关键参数,形成参数空间;然后基于贝叶斯优化理论,根据不同的测试目的选取合适的分类器与采集函数;最后初始化分类器,计算采集函数的数值,根据采集函数数值选取更加切合需求的下一智能汽车测试场景。与现有技术相比,本发明具有减少测试次数、提高测试效率,保证测试可信度等优点。
Description
技术领域
本发明涉及智能网联汽车与智慧交通领域,尤其是涉及一种基于贝叶斯优化的智能汽车快速测试方法。
背景技术
随着人类收集、存储、传输、处理数据的能力取得了飞速提升,人类社会的各个角落都积累了大量数据,亟需能有效对数据进行分析利用的计算机算法,而人工智能技术恰适应了大数据时代的迫切需求。作为人工智能技术在交通领域的应用,自动驾驶技术迅速发展。自动驾驶技术在提升交通效率以及安全性方面具有极大潜力,基于自动驾驶技术的智能汽车具有广阔的市场前景。
智能汽车的自动驾驶系统依靠先进的传感设备感知周围环境,根据感知取得的环境信息对车辆行驶路径进行规划决策,并最终依靠车辆控制模块对车辆的行驶方向和速度进行控制。环境感知、规划决策、车辆控制三大模块互相联系,层层递进,最终实现自动驾驶。
智能汽车在一般道路上行驶时,需要应对各种复杂的交通环境和天气状况,如混合交通流环境、大雪及雾霾天气等。因此,智能车上路之前必须经过全面严格的测试,以保证交通安全。当前,对智能汽车驾驶水平的测试主要通过实地路测和测试场测试进行。根据美国兰德公司的研究报告,因为交通事故是极小概率事件,如果要证明智能汽车比人类驾驶安全性能高20%,实地路测或测试场测试约需要100辆车,一天24小时,全年无休测试225年,这是极难完成的任务。
另一方面,智能汽车的测试场景由多个动静态要素组成,场景要素的取值变化和相互组合导致具象测试场景(concrete scenario)数量大爆炸。以变道插入测试场景为例:若仅考虑动态(测试车辆速度、横向加速度、变道插入间距、后车速度)、静态(车道宽度)的5个关键要素,当各关键要素各取10个参数值,具象测试场景将达976万余个(5^10=9765625)。若单个测试场景1分钟、虚拟测试加速比为10时,该类场景的遍历式测试共需1.86年(5^10÷(60分钟×24小时×365天×10加速比)=1.86年)。由上可见,在覆盖高测试需求场景的基础上,仍需针对测试场景的多维参数组合开展加速测试方法的创新。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于贝叶斯优化的智能汽车快速测试方法。
本发明的目的可以通过以下技术方案来实现:
一种基于贝叶斯优化的智能汽车快速测试方法,包括下列步骤:
步骤一:首先基于现场交通场景,获得车辆的行驶场景关键参数,为关键参数确定取值范围与采样间隔,并组合关键参数,形成参数空间:
1.1、基于交通场景,确定行驶场景的关键参数,对于不同的交通场景,关键参数有所不同。如对于侧向插入场景,关键参数可以是自然驾驶车辆和换道车辆之间的速度差,自然驾驶车辆和换道车辆之间的距离等。
1.2、对于每个关键参数,确定取值范围,在这一取值范围中,参数的值是有意义的。如对于车速类参数,取值范围可以为0m/s-35m/s,车速不应小于0,在一般情况下不会超过35m/s,这一取值范围内的车速是有实际意义的。
1.3、对于每个关键参数,确定采样间隔,采样间隔决定了测试密度。如对于车速类参数,采样间隔可以为0.1m/s,0-35m/s这一速度区间共包含350个有意义的车速值;采样间隔也可以为1m/s,0-35m/s这一速度区间共包含35个有意义的车速值。
1.4、根据前述步骤中确定的关键参数,各自的取值范围与采样间隔,组合各个参数,构成智能汽车测试场景的全样本集合。
步骤二:根据不同的测试目的选取合适的分类器与采集函数:
2.1、选取合适的分类器,适应于场景搜索的贝叶斯优化中的分类器需具备以下特征:
a)分类器简单,计算复杂度较低,分类器适应于大样本量计算;
b)分类器做出一个预测后,要能够给出它对这一预测的确信程度(如高斯回归所给出的方差)或其他能够提供类似效果的指标。
现在业界所用的典型的适用于贝叶斯优化的分类器有:高斯过程分类器(Gaussian Process Classification),随机森林(Random Forest),TPE(Tree-structuredParzen Estimator)等等。上述分类器基本可适用于场景数量未达十万级的情况。当场景数量过多时,上述分类器大样本量计算速度缓慢的问题凸显,K近邻分类器是一种较优的选择。
2.2、根据不同的目的选取合适的采集函数,采集函数一般由两部分组成,一部分代表着测试场景与设定目标的切合程度,另一部分代表着分类器对于其自身判断的确信程度。对于某一测试场景计算而得到的采集函数的值越大,代表这一测试场景越有意义,越能够提升分类器的准确度,越需要对其进行测试。对于不同的测试目的,应使用不同的采集函数。
例如:
对于寻找最差场景问题,采集函数可以为业界常用的期望提升函数(EI)或者概率提升函数(POI);
对于寻找场景边界问题,采集函数A(x)可采用:
A(x)=Grad×Dnn
式中,Grad为本场景的梯度,该值由数值法求梯度得来。Dnn表征分类器对自身判断的不确信程度。
步骤三:基于贝叶斯优化理论,初始化分类器,计算采集函数的数值,根据采集函数数值选取更加切合需求的下一智能汽车测试场景:
3.1、从智能汽车测试场景的全样本集合中随机抽取部分样本,对这些抽取的样本进行测试,得到测试结果。使用测试结果训练分类器。
3.2、对于上一步中没有进行测试的其余场景,从中抽取部分样本作为候选集,利用上一步中训练的分类器,计算候选集样本的采集函数的值,对采集函数取最大值的智能汽车测试场景进行测试,利用测试结果进一步训练分类器。
3.3、重复步骤3.2,直至测试次数用完或已达到测试需求。
与现有技术相比,本发明具有以下优点:
(1)本发明方法应用了贝叶斯优化理论,通过对有意义测试场景的精确选取,减少测试次数,达到与大量样本测试相同的效果,显著提高了测试效率,同时保证了测试的可信度;
(2)本发明通过选用适应于大样本量计算的分类器,从候选集采样而非直接对所有样本进行采集函数计算等方式对传统的基于高斯分布的贝叶斯优化方法进行了改良,扩大了贝叶斯优化方法的适用范围,提高了运行速度;
(3)本发明方法可生成最具有代表性和最需要测试的交通场景,提供给其他的测试平台,如驾驶模拟器、测试场测试和硬件在环测试等,缩短测试周期,减少时间和资金的消耗,对全面快速地测试智能汽车的安全性具有重要意义;
(4)相比于其他智能汽车快速测试方法,本发明方法不需要大量的实际数据,可直接生成测试场景,适用性更广,约束更少,更具有推广意义;
(5)本发明方法在智能汽车快速测试中,在调整分类器与采集函数后,可以用于不同的测试目的,适应不同的使用需求。
附图说明
图1为本发明方法的流程示意图;
图2为本发明实施例危险场景寻找测试中危险场景覆盖率随测试次数的变化曲线图;
图3为本发明实施例边界寻找测试中边界场景覆盖率随测试次数的变化曲线图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例1
利用智能驾驶(Intelligent Driver Model,IDM)模型模拟智能车规划决策系统,测试本发明在对车辆换道行为功能场景测试的加速效果,其中测试车辆为换道车,测试目标是寻找危险场景,如图1所示,包括以下详细步骤:
(一)首先基于现场交通场景,获得车辆的行驶场景关键参数,为关键参数确定取值范围与采样间隔,并组合关键参数,形成参数空间:
(1.1)基于交通场景,确定行驶场景的关键参数,对于侧向插入这一场景,关键参数有测试车辆速度,自然行驶车辆前车速度,自然行驶车辆后车速度,测试车辆距离自然行驶车辆的纵向距离。
(1.2)对于每个关键参数,确定取值范围。对于本实施例,车速类参数取值范围为0m/s-40m/s;距离类参数取值范围为1m-75m。
(1.3)对于每个关键参数,确定采样间隔,采样间隔决定了测试密度。对于本实施例,车速类参数采样间隔为1m/s;距离类参数采样间隔为1m。
(1.4)根据上一步骤中确定的关键参数,各自的取值范围与采样间隔,组合各个参数,构成智能汽车测试场景的全样本集合。对于本实施例,共有4736000个样本。
(二)基于贝叶斯优化理论,根据不同的测试目的选取合适的分类器与采集函数:
(2.1)在本实施例中,选用K近邻分类器。这一分类器在使用欧式距离的情况下计算速度快,依靠测试场景距离最近邻的距离Dnn这一指标表征分类器的分类准确度。
(2.2)在本实施例中,由于测试目标为寻找危险场景,因此选用的采集函数为:
A(x)=α×Dnn
式中:α表示本场景是危险场景的概率,该值由分类器预测得来。Dnn表示本场景与最近似场景的欧式距离。
(三)初始化分类器,计算采集函数的数值,根据采集函数数值选取更加切合需求的下一智能汽车测试场景:
(3.1)从智能汽车测试场景的全样本集合中随机抽取1%的样本,即473600个样本,对这些抽取的样本进行测试,得到测试结果。使用测试结果训练分类器。
(3.2)对于(3.1)中没有进行测试的其余场景,从中随机抽取50例形成候选集,利用上一步骤中训练的分类器,计算候选集场景采集函数的值,对采集函数取最大值的候选场景进行测试,利用测试结果进一步训练分类器。
(3.3)重复步骤(3.2),直至测试次数用完或测试结果已符合需求。
(3.4)根据覆盖率计算方法,计算本发明所提出方法的采样效果,如图2所示。从图中可以看出,本发明所提出的方法能够有效的覆盖危险场景,显著提高测试效率,仅需原测试总数4.20%,即20万次实际测试便可覆盖99%的危险场景。
实施例2
利用IDM模型模拟智能车规划决策系统,测试本发明在对车辆换道行为测试的加速效果,其中测试车辆为换道车,测试目标与实施例1不同,本实施例的目标是寻找“边界场景”,边界场景指:在这一测试场景下,场景参数的微小变动会带来最终测试结果的变化。本实施例包括以下详细步骤:
(一)首先基于现场交通场景,获得车辆的行驶场景关键参数,为关键参数确定取值范围与采样间隔,并组合关键参数,形成参数空间:
(1.1)基于交通场景,确定行驶场景的关键参数,对于侧向插入这一场景,关键参数有测试车辆速度,自然行驶车辆前车速度,自然行驶车辆后车速度,测试车辆距离自然行驶车辆的纵向距离。
(1.2)对于每个关键参数,确定取值范围。对于本实施例,车速类参数取值范围为0m/s-40m/s;距离类参数取值范围为1m-75m。
(1.3)对于每个关键参数,确定采样间隔,采样间隔决定了测试密度。对于本实施例,车速类参数采样间隔为1m/s;距离类参数采样间隔为1m。
(1.4)根据上一步骤中确定的关键参数,各自的取值范围与采样间隔,组合各个参数,构成智能汽车测试场景的全样本集合。对于本实施例,共有4736000个样本。
(二)基于贝叶斯优化理论,根据不同的测试目的选取合适的分类器与采集函数:
(2.1)在本实施例中,选用K近邻分类器。这一分类器在使用欧式距离的情况下计算速度快,依靠测试场景距离最近邻的距离Dnn这一指标表征分类器的分类准确度。
(2.2)在本实施例中,由于测试目标为寻找边界场景,因此选用的采集函数为:
A(x)=Grad×Dnn
式中,Grad为本场景的梯度,该值由数值法求梯度得来。Dnn为场景与最近似场景的欧式距离。
(三)初始化分类器,计算采集函数的数值,根据采集函数数值选取更加切合需求的下一智能汽车测试场景:
(3.1)从智能汽车测试场景的全样本集合中随机抽取1%的样本,即473600个样本,对这些抽取的样本进行测试,得到测试结果。使用测试结果训练分类器。
(3.2)对于步骤(3.1)中没有进行测试的其余场景,从中随机抽取50例形成候选集,利用上一步骤中训练的分类器,计算候选集场景采集函数的值,对采集函数取最大值的候选场景进行测试,利用测试结果进一步训练分类器。
(3.3)重复步骤(3.2),直至测试次数用完或测试结果已符合需求。
(3.4)根据覆盖率计算方法,计算本发明所提出方法的采样效果,如图3所示。从图中可以看出,本发明所提出的方法能够有效的覆盖边界场景,显著提高测试效率,仅需原测试总数3.27%,即15.5万次便可覆盖99%的边界场景。
本发明方法应用了贝叶斯优化理论,通过对有意义测试场景的精确选取,减少测试次数,达到与大量样本测试相同的效果,显著提高了测试效率,同时保证了测试的可信度。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (2)
1.一种基于贝叶斯优化的智能汽车快速测试方法,其特征在于,该方法包括下列步骤:
1)基于现场交通场景,获得当前车辆的行驶场景关键参数,并为关键参数确定取值范围与采样间隔,组合关键参数,获取参数空间;具体包括:
101)基于现场交通场景,确定行驶场景的关键参数;
102)对每个关键参数确定取值范围;
103)对每个关键参数确定采样间隔;
104)将确定的关键参数、各自的取值范围与采样间隔进行组合,获取智能汽车测试场景的全样本集合;
2)根据不同的测试目的选取分类器与采集函数;其中,所选取的采集函数包括测试场景与设定目标的切合程度以及分类器对于其自身判断的确信程度,对不同的测试目的使用不同的采集函数;
测试目标为寻找边界场景,选用的采集函数为:
A(x)=Grad×Dnn
式中,Grad为场景的梯度,该值由数值法求梯度得来,Dnn为场景与最近似场景的欧式距离;
测试目标为寻找危险场景,选用的采集函数为:
A(x)=α×Dnn
式中:α表示场景是危险场景的概率,该值由分类器预测得来,Dnn表示本场景与最近似场景的欧式距离;
3)基于贝叶斯优化理论,初始化分类器,计算采集函数的数值,根据采集函数的数值选取切合需求的下一智能汽车测试场景,具体包括以下子步骤:
301)从智能汽车测试场景的全样本集合中随机抽取部分样本,对这些抽取的样本进行测试,获取测试结果,并使用测试结果训练分类器;
302)对于步骤301)中没有进行测试的其余场景,从中抽取部分样本作为候选集,利用步骤301)中训练的分类器,计算候选集样本的采集函数的值,对采集函数取最大值的智能汽车测试场景进行测试,利用测试结果进一步训练分类器;
303)重复步骤302),直至测试次数用完或已达到测试需求;
采用K近邻分类器作为贝叶斯优化的分类器。
2.根据权利要求1所述的一种基于贝叶斯优化的智能汽车快速测试方法,其特征在于,步骤2)中,所选取的分类器符合大样本量计算的需求并符合贝叶斯优化算法的基本要求,即:分类器的输出包括预测结果以及对预测结果的确信程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910344337.7A CN110188797B (zh) | 2019-04-26 | 2019-04-26 | 一种基于贝叶斯优化的智能汽车快速测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910344337.7A CN110188797B (zh) | 2019-04-26 | 2019-04-26 | 一种基于贝叶斯优化的智能汽车快速测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110188797A CN110188797A (zh) | 2019-08-30 |
CN110188797B true CN110188797B (zh) | 2023-08-04 |
Family
ID=67715121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910344337.7A Active CN110188797B (zh) | 2019-04-26 | 2019-04-26 | 一种基于贝叶斯优化的智能汽车快速测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188797B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111122175B (zh) | 2020-01-02 | 2022-02-25 | 阿波罗智能技术(北京)有限公司 | 测试自动驾驶系统的方法以及装置 |
CN111426486B (zh) * | 2020-03-30 | 2022-01-21 | 中国标准化研究院 | 辅助驾驶系统的测试方法、装置、设备及存储介质 |
US11673584B2 (en) * | 2020-04-15 | 2023-06-13 | Baidu Usa Llc | Bayesian Global optimization-based parameter tuning for vehicle motion controllers |
CN112560782A (zh) * | 2020-12-26 | 2021-03-26 | 浙江天行健智能科技有限公司 | 一种基于随机森林算法的车辆换道行为识别方法 |
CN112947080B (zh) * | 2021-02-04 | 2023-04-14 | 中国运载火箭技术研究院 | 一种基于场景参数变换的智能决策模型性能评估系统 |
CN112987596B (zh) * | 2021-05-10 | 2021-09-07 | 北京三快在线科技有限公司 | 一种无人驾驶设备的测试方法及测试装置 |
CN113538734A (zh) * | 2021-07-30 | 2021-10-22 | 阿波罗智联(北京)科技有限公司 | 用于处理驾驶数据的方法、装置、电子设备及存储介质 |
CN113326638B (zh) * | 2021-08-03 | 2021-11-09 | 北京赛目科技有限公司 | 自动驾驶测试场景的确定方法及其装置 |
CN117056746A (zh) * | 2023-10-11 | 2023-11-14 | 长春汽车工业高等专科学校 | 一种基于大数据的汽车测试平台及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101633358A (zh) * | 2008-07-24 | 2010-01-27 | 通用汽车环球科技运作公司 | 具有集成驾驶风格识别的自适应车辆控制系统 |
CN103679269A (zh) * | 2013-12-05 | 2014-03-26 | 河海大学 | 基于主动学习的分类器样本选择方法及其装置 |
CN107421752A (zh) * | 2017-07-13 | 2017-12-01 | 同济大学 | 一种智能汽车测试场景加速重构方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040220892A1 (en) * | 2003-04-29 | 2004-11-04 | Ira Cohen | Learning bayesian network classifiers using labeled and unlabeled data |
-
2019
- 2019-04-26 CN CN201910344337.7A patent/CN110188797B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101633358A (zh) * | 2008-07-24 | 2010-01-27 | 通用汽车环球科技运作公司 | 具有集成驾驶风格识别的自适应车辆控制系统 |
CN103679269A (zh) * | 2013-12-05 | 2014-03-26 | 河海大学 | 基于主动学习的分类器样本选择方法及其装置 |
CN107421752A (zh) * | 2017-07-13 | 2017-12-01 | 同济大学 | 一种智能汽车测试场景加速重构方法 |
Non-Patent Citations (1)
Title |
---|
"自动化特征工程与参数调整算法研究";张浩;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180915;第I138-188页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110188797A (zh) | 2019-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188797B (zh) | 一种基于贝叶斯优化的智能汽车快速测试方法 | |
CN111081016B (zh) | 一种基于复杂网络理论的城市交通异常识别方法 | |
CN103020978B (zh) | 结合多阈值分割与模糊聚类的sar图像变化检测方法 | |
KR102263397B1 (ko) | 뉴럴 네트워크 학습에 이용될 오토 라벨링된 이미지 중에서 라벨 검수를 위한 샘플 이미지를 획득하는 방법 및 이를 이용한 샘플 이미지 획득 장치 | |
CN109784190A (zh) | 一种基于深度学习的自动驾驶场景关键目标检测提取方法 | |
CN110874564A (zh) | 分类车线后补像素检测车线的方法及装置 | |
EP3690741A2 (en) | Method for automatically evaluating labeling reliability of training images for use in deep learning network to analyze images, and reliability-evaluating device using the same | |
CN111310615A (zh) | 基于多尺度信息和残差网络的小目标交通标志检测方法 | |
CN111008626A (zh) | 基于r-cnn检测客体的方法和装置 | |
CN114332825B (zh) | 基于深度学习的道路地形分布识别方法、设备和存储介质 | |
CN116110234A (zh) | 基于人工智能的车流量预测方法、装置及其应用 | |
CN109840566A (zh) | 出行模式识别方法及装置 | |
CN113378479A (zh) | 基于自动驾驶测试智能平台车的智能化标准方法和系统 | |
CN115114786B (zh) | 一种用于交通流仿真模型的评估方法、系统和存储介质 | |
CN115762140B (zh) | 一种考虑变量异质性的高速公路交通事故风险预测方法 | |
CN112329768A (zh) | 一种基于改进的yolo的加油站卸油停车牌标志的识别方法 | |
CN115080388B (zh) | 一种面向自动驾驶系统的仿真测试场景生成方法 | |
CN112035536A (zh) | 一种考虑动态路网交通流的电动汽车能耗预测方法 | |
CN113779864B (zh) | 面向自动驾驶汽车的运行设计区域构建方法和装置 | |
CN116401111B (zh) | 脑机接口的功能检测方法、装置、电子设备及存储介质 | |
CN116884225B (zh) | 评估自动驾驶车辆比例对交通效率影响的方法及装置 | |
CN117033162B (zh) | 一种基于场景生成的自动驾驶虚拟仿真测试方法及系统 | |
CN117076872B (zh) | 一种智能化道路设备信息采集的测试方法及系统 | |
US20230025169A1 (en) | Contrastive representation learning for measurement data | |
CN117079455A (zh) | 一种全域加速优化搜索的高风险驾驶场景辨识方法 |
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 |