自动驾驶性能的测试方法及系统、电子设备、存储介质
技术领域
本申请涉及自动驾驶技术领域,具体而言,涉及一种自动驾驶性能的测试方法及系统、电子设备、计算机可读存储介质。
背景技术
现有技术中,在可实现自动驾驶的交通工具出厂之前,会进行交通工具的自动驾驶性能的测试,即是交通工具所搭载自动驾驶系统的自动驾驶性能的测试。而所进行的测试,通过交通工具上所搭载的自动驾驶系统控制交通工具的在路面上,然后根据交通工具是否发生碰撞的结果来测试该交通工具上所搭载自动测试性能是否合格。
对于此种测试方法,是基于自动驾驶系统控制下交通工具实际是否发生碰撞的结果来测试自动驾驶性能是否合格,在这过程中存在交通工具发生碰撞的风险,而如果交通工具发生碰撞,则导致测试成本大幅提高。
因此现有技术中的自动驾驶性能的测试方法存在测试成本大的风险。
发明内容
为了解决现有技术中自动驾驶性能的测试中存在测试成本大的问题,本申请的实施例提供了一种自动驾驶性能的测试方法及系统、电子设备、计算机可读存储介质。
其中,本申请所采用的技术方案为:
第一方面,一种自动驾驶性能的测试方法,所述方法包括:
测试系统获取自动驾驶系统为交通工具所生成的运行控制信息,所述自动驾驶系统以所述交通工具不发生碰撞为目标,根据为所述交通工具所采集的运行状态信息和所采集交通工具所在路面上的路面信息为所述交通工具生成所述运行控制信息,所述运行控制信息包括转向控制信息、加减速控制信息和刹车控制信息中的至少一种;
根据在仿真平台上对所述运行控制信息进行仿真验证所获得的验证结果,对所述运行控制信息进行准确性判断,获得判断结果,其中,若所述验证结果指示在根据所述运行状态信息和所述路面所构建仿真环境中按照所述运行控制信息对所述交通工具进行运行控制后不发生碰撞,则获得指示所述运行控制信息准确的判断结果;
根据所述判断结果确定所述自动驾驶系统的自动驾驶性能是否合格。
第二方面,一种自动驾驶性能的测试系统,所述测试系统包括:
获取模块,用于获取自动驾驶系统为交通工具所生成的运行控制信息,所述自动驾驶系统以所述交通工具不发生碰撞为目标,根据为所述交通工具所采集的运行状态信息和所采集交通工具所在路面上的路面信息为所述交通工具生成所述运行控制信息,所述运行控制信息包括转向控制信息、加减速控制信息和刹车控制信息中的至少一种;
判断模块,用于根据在仿真平台上对所述运行控制信息进行仿真验证所获得的验证结果,对所述运行控制信息进行准确性判断,获得判断结果,其中,若所述验证结果指示在根据所述运行状态信息和所述路面所构建仿真环境中按照所述运行控制信息对所述交通工具进行运行控制后不发生碰撞,则获得指示所述运行控制信息准确的判断结果;
合格确定模块,用于根据所述判断结果确定所述自动驾驶系统的自动驾驶性能是否合格。
第三方面,一种电子设备,包括:
处理器;及
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现如上所述的自动驾驶性能的测试方法。
第四方面,一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的自动驾驶性能的测试方法。
在本公开的技术方案中,自动驾驶系统仅为交通工具生成运行控制信息而不直接进行交通工具的运行控制,借助于仿真平台对运行控制信息进行仿真验证所获得的验证结果来判断运行控制信息是否准确,进而根据判断结果来确定自动驾驶性能是否合格。一方面,由于自动驾驶系统不直接进行交通工具的运行控制,从而不存在交通工具发生碰撞的风险,也不存在测试成本大的风险;另一方面,由于自动驾驶系统所生成的运行控制信息即指示了自动驾驶系统对交通工具的运行控制参数,而通过仿真平台进行交通工具的运行模拟以及运行控制信息的控制模拟,从而保证了测试结果的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是根据一示例性实施例示出的计算机设备的硬件框图;
图2是根据一示例性实施例示出的一种自动驾驶性能的测试方法的流程图;
图3是根据另一示例性实施例示出的自动驾驶系统生成运行控制信息的流程图;
图4是图3对应实施例中步骤430在一个实施例的流程图;
图5是图4对应实施例中步骤431在一个实施例的流程图;
图6是图2对应实施例中步骤350在一个实施例中的流程图;
图7是根据一示例性实施例示出的一种自动驾驶性能的测试系统的框图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述,这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例执行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种计算机设备的硬件结构框图。具有此硬件结构的计算机设备可用于执行本公开实施例中的方法。
需要说明的是,该计算机设备只是一个适配于本发明的示例,不能认为是提供了对本发明的使用范围的任何限制。该计算机设备也不能解释为需要依赖于或者必须具有图3中示出的示例性的计算机设备200中的一个或者多个组件。
该计算机设备的硬件结构可因配置或者性能的不同而产生较大的差异,如图1所示,计算机设备200包括:电源210、接口230、至少一存储器250、以及至少一中央处理器(CPU,Central Processing Units)270。
其中,电源210用于为计算机设备200上的各硬件设备提供工作电压。
接口230包括至少一有线或无线网络接口231、至少一串并转换接口233、至少一输入输出接口235以及至少一USB接口237等,用于与外部设备通信。
存储器250作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,其上所存储的资源包括操作系统251、应用程序253及数据255等,存储方式可以是短暂存储或者永久存储。其中,操作系统251用于管理与控制计算机设备200上的各硬件设备以及应用程序253,以实现中央处理器270对海量数据255的计算与处理,其可以是WindowsServerTM、Mac OS XTM、UnixTM、LinuxTM、FreeBSDTM等。应用程序253是基于操作系统251之上完成至少一项特定工作的计算机程序,其可以包括至少一模块(图1中未示出),每个模块都可以分别包含有对计算机设备200的一系列计算机可读指令。数据255可以是存储于磁盘中所采集的运行状态信息、路面信息等等。
中央处理器270可以包括一个或多个以上的处理器,并设置为通过总线与存储器250通信,用于运算与处理存储器250中的海量数据255。
如上面所详细描述的,适用本发明的计算机设备200将通过中央处理器270读取存储器250中存储的一系列计算机可读指令的形式来完成自动驾驶性能的测试方法。
此外,通过硬件电路或者硬件电路结合软件也能同样实现本发明,因此,实现本发明并不限于任何特定硬件电路、软件以及两者的组合。
图2是根据一示例性实施例示出的一种自动驾驶性能的测试方法的流程图,应用于测试平台,该方法可由图1中的装置200执行,该方法包括:
步骤310,获取自动驾驶系统为交通工具所生成的运行控制信息,自动驾驶系统以交通工具不发生碰撞为目标,根据为交通工具所采集的运行状态信息和所采集交通工具所在路面上的路面信息为交通工具生成运行控制信息,运行控制信息包括转向控制信息、加减速控制信息和刹车控制信息中的至少一种。
自动驾驶系统是指通过软件和硬件所构建的用于自动控制交通工具的运行的系统。
交通工具例如汽车、火车、地铁等,在此不进行具体限定。其中,在本公开的技术方案中,交通工具上搭载用于采集交通工具的运行状态信息和采集交通工具在路面上的路面信息的系统,将该系统称之为车路协同系统。
在一具体实施例中,该车路协同系统包括安装在车辆上的各种车辆运行参数传感器、光检测器、车载摄像头、激光雷达、定位模块以及处理器。
为实现交通工具在路面上的自动驾驶,在交通工具所运行的路面上,布设了若干检测装置,该检测装置例如地磁检测装置、超声波检测装置、红外检测器、RFID感应器、视频检测器、气象检测站、路面路况检测器等,从而,基于在路面上所布设的若干检测装置与交通工具上所搭载的车路协同系统的交互,可以实现采集交通工具所在路面上的路面信息。
该路面信息至少包括交通工具周边障碍物的位置信息。在一具体实施例中,该路面信息包括所在路面上的交通流量、交通工具周边障碍物的运行信息(例如运行速度等)、路面上交通工具的占有率、车头距周边交通工具的距离信息、路面沿线的气象信息(如冰、雪、雨、雾、风等)、道路路面的结冰、湿度、路面上固定障碍物的位置信息等路面综合信息。
对于所运行的交通工具而言,路面上可能导致交通工具发生碰撞的路面物体均被称为相对于所运行交通工具的障碍物,包括路面上的固定障碍物(例如台阶、树木等)以及移动障碍物(例如其他的交通工具)等。
自动驾驶系统基于为交通工具所采集的运行状态信息以及所在路面上的路面信息,从而可以试试进行交通工具是否可能发生碰撞预测,并根据所预测的结果,以交通工具不发生碰撞为目标生成运行控制信息。
在本公开的技术方案中,待进行自动驾驶系统测试的交通工具,并不直接通过自动驾驶系统根据所生成的运行控制信息控制交通工具的运行。换言之,在运行状态信息以及路面信息的采集过程中,可以由人员驾驶交通工具,而借助交通工具自身所搭载或者交通工具外部所构建的自动驾驶系统根据所采集的运行状态信息和路面信息实时地生成运行控制信息。
对于交通工具而言,为了保证交通工具不发生碰撞,在交通工具可能发生碰撞时,需要通过转向、减速或者刹车来改变交通工具的运动状态,从而避免发生碰撞;而在交通工具不可能发生碰撞时,交通工具可以进行加速或者保持当前的运动状态。而该运行控制信息即用于指示对交通工具进行转向控制、加减速控制以及刹车控制的参数信息。
步骤330,根据在仿真平台上对运行控制信息进行仿真验证所获得的验证结果,对运行控制信息进行准确性判断,获得判断结果,其中,若验证结果指示在根据运行状态信息和路面所构建仿真环境中按照运行控制信息对交通工具进行运行控制后不发生碰撞,则获得指示运行控制信息准确的判断结果。
在仿真测试平台上,根据运行状态信息以及路面信息进行模型构建,以模拟交通工具在路面上的运行,将所构建用于模拟交通工具在路面上运行的模型即为所构建的仿真环境。
然后根据运行控制信息的指示在所构建的仿真环境中进行运行控制,所进行的运行控制例如转向、减速、加速以及刹车等,从而,在按照运行控制信息的指示进行运行控制后,即可判断交通工具是否发生碰撞,即获得对于运行控制信息的验证结果。可以理解的是,验证结果包括指示运行控制信息准确的判断结果和指示运行控制信息错误的判断结果。
步骤350,根据判断结果确定自动驾驶系统的自动驾驶性能是否合格。
如上所描述,判断结果指示了如果按照运行控制信息进行交通工具控制,交通工具是否会发生碰撞,从而,对应反映了自动驾驶系统所生成的运行控制信息的准确性。
从而即可根据判断结果的指示来确定自动驾驶系统的自动驾驶性能是否合格。
现有技术中,在可实现自动驾驶的交通工具出厂之前,会进行交通工具的自动驾驶性能的测试,即是交通工具所搭载自动驾驶系统的自动驾驶性能的测试。而所进行的测试,通过交通工具上所搭载的自动驾驶系统控制交通工具的在路面上,然后根据交通工具是否发生碰撞的结果来测试该交通工具上所搭载自动测试性能是否合格。
对于此种测试方法,是基于自动驾驶系统控制下交通工具实际是否发生碰撞的结果来测试自动驾驶性能是否合格,在这过程中存在交通工具发生碰撞的风险,而如果交通工具发生碰撞,则导致测试成本大幅提高。因此现有技术中的方法存在测试成本大的风险。
而本公开的技术方案,自动驾驶系统仅为交通工具生成运行控制信息而不直接进行交通工具的运行控制,借助于仿真平台对运行控制信息进行仿真验证所获得的验证结果来判断运行控制信息是否准确,进而根据判断结果来确定自动驾驶性能是否合格。一方面,由于自动驾驶系统不直接进行交通工具的运行控制,从而不存在交通工具发生碰撞的风险,也不存在测试成本大的风险;另一方面,由于自动驾驶系统所生成的运行控制信息即指示了自动驾驶系统对交通工具的运行控制参数,而通过仿真平台进行交通工具的运行模拟以及运行控制信息的控制模拟,从而保证了测试结果的准确性。
在一实施例中,如图3所示,步骤310之前,该方法还包括:
步骤410,自动驾驶系统获取为交通工具所采集的运行状态信息和所采集交通工具所在路面上的路面信息。
步骤430,通过自动驾驶系统根据运行状态信息和路面信息为交通工具生成运行控制信息。
自动驾驶系统通过实时为交通工具所采集的运行状态信息和路面信息,从而根据自动驾驶系统中所搭载的算法实时进行处理,生成运行控制信息。
在具体一实施例中,自动驾驶系统包括参数预测模型,如图4所示,步骤430,包括:
步骤431,在自动驾驶系统中,根据运行状态信息和路面信息确定交通工具是否可能发生碰撞。
自动驾驶系统根据运行状态信息和路面信息可以获取到交通工具在当前状态下与路面上障碍物之间的相对位置信息,从而确定交通工具的周边障碍的的相对位置,进行根据所确定的相对位置来确定交通工具是否可能发生碰撞。
而对于不可能发生碰撞的情况,则说明交通工具可以按照当前的运动参数继续运行,而不需进行运行参数调整。
步骤433,若确定可能发生碰撞,则调用参数预测模型根据运行状态信息和路面信息进行参数预测,获得预测参数,预测参数包括转向控制参数、加减速控制参数和刹车控制参数中的至少一种。
其中,自动驾驶系统中的参数预测模型是通过神经网络来构建的。通过对预构建的神经网络模型进行训练,将训练之后的神经网络模型作为参数预测模型,从而进行参数预测。所进行的参数预测,是以保证交通工具不发生碰撞为原则进行的,换言之,理论上,如果自动驾驶系统按照所预测得到的预测参数进行交通工具的运行控制,可以保证交通工具不发生碰撞。
所进行的参数预测,根据预先为参数预测模型所设定的输出类别,预测该运行状态信息和路面信息对应为每一输出类别的概率,将概率最高的输出类别确定为该运行状态信息和路面信息所对应的输出类别。其中,在每一输出类别对应为一组转向控制参数、加减速控制参数和刹车控制参数。从而,根据所确定的输出类别即可对应输出该输出类别所对应的转向控制参数、加减速控制参数和刹车控制参数,即获得预测参数。
在一具体实施例中,参数预测模型是通过卷积神经网络来构建的,其中参数预测模型包括输入层、卷积层和输出层,其中,卷积层中包括三层卷积网络。
第一层卷积网络标记为f1(x),f1(x)激活函数为纠正线性单元“ReLU,max(0,x)”,第二层卷积网络标记为f2(x),f2(x)的激活函数也为“ReLU”,第三层卷积网络标记为f3(x);
第一层卷积网络f1(x)的表达公式如公式(1)所示:
f1(x)=max(0,w1*x+b1) (1)
公式(1)中,w1代表权值,b1代表偏置项,激活函数为纠正线性单元ReLU,max(0,x);
第二层卷积网络f2(x)的表达公式如公式(2)所示:
f2(x)=max(0,w2*f1(x)+b2) (2)
公式(2)中,w2代表权值,b2代表偏置项,激活函数为“ReLU”;
第三层卷积网络f3(x)的表达公式如公式(3)所示:
f3(x)=w3*f2(x)+b3 (3)
公式(3)中,w3代表权值,b3代表偏置项。
以上仅仅是在一具体实施例中的参数预测模型,并不能认为是对本公开使用范围的限制。在其他实施例中,还可以是通过其他神经网络来构建参数预测模型,例如循环神经网络、长短期记忆网络等。
如上所描述,为了保证交通工具不发生碰撞可以通过转向、加减速和刹车中的至少一种来改变或者保持交通工具的运动状态。从而,所进行的参数预测也是进行转向控制参数、加减速控制参数和刹车控制参数中是那个的至少一种。
在一具体实施例中,所进行的参数预测是同时进行转向控制参数、加减速控制参数和刹车控制参数的预测。
步骤435,根据预测参数为运行状态信息下的交通工具生成运行控制信息。
在另一实施例中,还可以直接根据构建的神经网络进行参数预测,换言之,跳过步骤431,不过是否可能发生碰撞,均进行参数预测,来获得预测参数。
在一实施例中,如图5所示,步骤431,包括:
步骤510,在自动驾驶系统中,对运行状态信息和路面信息进行整合,生成目标数据信息。
步骤530,根据目标数据信息所指示交通工具相对于周边障碍物的位置信息确定交通工具是否可能发生碰撞。
在本实施例中,所进行的整合包括数据筛选和数据处理。数据筛选即从运行状态信息和路面信息中筛选出对于碰撞判断的有用数据信息。而数据处理即根据所筛选出的信息确定交通工具相对于周边障碍物的位置信息,例如相对于周边障碍物的位置和距离,生成目标数据信息。换言之,目标数据信息指示了交通工具相对于周边障碍物的位置信息,从而即可根据目标数据信息确定交通工具是否可能发生碰撞。
在一具体实施例中,为确定交通工具是否可能发生碰撞,为交通工具设定安全区域范围,该安全区域范围是以交通工具当前所在位置为基点,进行周边延伸所确定的一区域。若根据目标数据信息确定在交通工具当前的运行方向上的安全区域范围内是否存在障碍物,若存在,则确定交通工具可能发生碰撞,反之,若不存在,则确定交通工具不可能发生碰撞。
在一具体实施例中,如图6所示,步骤350包括:
步骤351,根据为若干运行状态信息和所对应路面信息所分别获得的判断结果,为自动驾驶系统所生成运行控制信息进行准确率计算。
即从若干判断结果中判断结果的总数量以及指示运行控制信息准确的判断结果的数量,从而计算出运行控制信息的准确率。
步骤353,若所计算得到的准确率超过设定阈值,则确定自动驾驶系统的自动驾驶性能合格。
步骤355,若所计算得到的准确率未超过设定阈值,则确定自动驾驶系统的自动驾驶性能不合格。
至此则实现了根据判断结果实现了自动驾驶性能的测试,即确定自动驾驶系统的自动驾驶性能是否合格。
在一实施例中,步骤433之前,该方法还包括:
根据若干组测试案例对预构建的神经网络模型进行训练,将完成训练后的神经网络模型作为参数预测模型,其中,每一测试案例是根据样本交通工具在路面上行驶过程中所采集的样本运行状态信息、所在路面上的样本路面信息、样本交通工具所接收到控制参数、以及样本交通工具在按照控制参数进行动作后是否发生碰撞来生成的,控制参数包括转向控制参数、加减速控制参数和刹车控制参数中的至少一种。
如上所描述,参数预测模型在进行参数预测之前,需要进行训练。所进行的训练,即通过样本数据训练预构建的神经网络,并在训练过程中调整模型的参数,直至模型收敛。模型收敛即视为训练完成。将收敛时的模型作为参数预测模型。
在本实施例中,测试案例即作为模型训练的样本数据。其中测试案例即是通过自动驾驶系统控制样本交通工具在路面上运行过程中所采集的数据来生成的。
其中,样本交通工具俗哦接收到的控制参数,是自动驾驶系统根据样本交通工具的样本运行状态信息和样本路面信息为该样本交通工具生成样本运行控制信息后,按照样本控制信息的指示向该样本交通工具所下发的控制参数。
在训练过程中,以样本交通工具在路面上行驶过程中所采集的样本运行状态信息和所在路面上的样本路面信息作为预构建神经网络模型的输入,通过预构建的神经网络模型来进行参数预测,获得样本预测参数。然后进行比较样本预测参数与该测试案例中对应于未发生碰撞的控制参数是否一致,如果不一致,则调整模型的参数,直至二者一致;再利用其他的测试案例继续进行训练,直至模型收敛,获得参数预测模型。
在一实施例中,步骤330之前,该方法还包括:
接收仿真平台为运行控制信息生成的验证结果,其中,在仿真平台根据运行状态信息和路面信息所构建的仿真环境中,按照运行控制信息的指示对为交通工具所构建的仿真模型进行控制,若进行控制后,仿真模型在仿真环境中发生碰撞,则生成指示发生碰撞的验证结果;若进行控制后,仿真模型在仿真环境中未发生碰撞,则生成指示未发生碰撞的验证结果。
其中仿真平台与测试系统构建了通信连接,从而,在仿真平台中为运行控制信息生成验证结果之后,即可将所生成的验证结果发送至测试系统。
下述为本公开系统实施例,可以用于执行本公开上述自动驾驶性能的测试方法实施例。对于本公开系统实施例中未披露的细节,请参照本公开自动驾驶性能的测试方法实施例。
图7是根据一示例性实施例所示出的一种自动驾驶性能的测试系统的框图。如图7所示,该测试系统包括:
获取模块610,用于获取自动驾驶系统为交通工具所生成的运行控制信息,自动驾驶系统以交通工具不发生碰撞为目标,根据为交通工具所采集的运行状态信息和所采集交通工具所在路面上的路面信息为交通工具生成运行控制信息,运行控制信息包括转向控制信息、加减速控制信息和刹车控制信息中的至少一种;
判断模块630,用于根据在仿真平台上对运行控制信息进行仿真验证所获得的验证结果,对运行控制信息进行准确性判断,获得判断结果,其中,若验证结果指示在根据运行状态信息和路面所构建仿真环境中按照运行控制信息对交通工具进行运行控制后不发生碰撞,则获得指示运行控制信息准确的判断结果;
合格确定模块650,用于根据判断结果确定自动驾驶系统的自动驾驶性能是否合格。
上述测试系统中各个模块的功能和作用的实现过程具体详见上述自动驾驶性能的测试方法中对应步骤的实现过程,在此不再赘述。
可以理解,这些模块可以通过硬件、软件、或二者结合来实现。当以硬件方式实现时,这些模块可以实施为一个或多个硬件模块,例如一个或多个专用集成电路。当以软件方式实现时,这些模块可以实施为在一个或多个处理器上执行的一个或多个计算机程序,例如图1的中央处理器270所执行的存储在存储器250中的程序。
在一实施例中,自动驾驶系统包括:
信息获取模块,用于获取为交通工具所采集的运行状态信息和所采集交通工具所在路面上的路面信息。
信息生成模块,用于通过自动驾驶系统根据运行状态信息和路面信息为交通工具生成运行控制信息。
在一实施例中,自动驾驶系统包括参数预测模型,信息生成模块,包括:
碰撞确定单元,用于在自动驾驶系统中,根据运行状态信息和路面信息确定交通工具是否可能发生碰撞。
模型调用单元,用于若确定可能发生碰撞,则调用参数预测模型根据运行状态信息和路面信息进行参数预测,获得预测参数,预测参数包括转向控制参数、加减速控制参数和刹车控制参数中的至少一种。
生成单元,用于根据预测参数为运行状态信息下的交通工具生成运行控制信息。
在一实施例中,碰撞确定单元,包括:
整合单元,用于在自动驾驶系统中,对运行状态信息和路面信息进行整合,生成目标数据信息;
确定单元,用于根据目标数据信息所指示交通工具相对于周边障碍物的位置信息确定交通工具是否可能发生碰撞。
在一实施例中,自动驾驶系统还包括:
训练模块,用于根据若干组测试案例对预构建的神经网络模型进行训练,将完成训练后的神经网络模型作为参数预测模型,其中,每一测试案例是根据样本交通工具在路面上行驶过程中所采集的样本运行状态信息、所在路面上的样本路面信息、样本交通工具所接收到控制参数、以及样本交通工具在按照控制参数进行动作后是否发生碰撞来生成的,控制参数包括转向控制参数、加减速控制参数和刹车控制参数中的至少一种。
在一实施例中,测试系统还包括:
验证结果接收模块,用于接收仿真平台为运行控制信息生成的验证结果,其中,在仿真平台根据运行状态信息和路面信息所构建的仿真环境中,按照运行控制信息的指示对为交通工具所构建的仿真模型进行控制,若进行控制后,仿真模型在仿真环境中发生碰撞,则生成指示发生碰撞的验证结果;若进行控制后,仿真模型在仿真环境中未发生碰撞,则生成指示未发生碰撞的验证结果。
在一实施例中,合格确定模块650,包括:
准确率计算单元,用于根据为若干运行状态信息和所对应路面信息所分别获得的判断结果,为自动驾驶系统所生成运行控制信息进行准确率计算;
第一合格确定单元,用于若准确率计算单元所计算得到的准确率超过设定阈值,则确定自动驾驶系统的自动驾驶性能合格;
第一合格确定单元,用于若第一合格确定单元所计算得到的准确率未超过设定阈值,则确定自动驾驶系统的自动驾驶性能不合格。
上述各个模块/单元的功能和作用的实现过程具体详见上述自动驾驶性能的测试方法中对应步骤的实现过程,在此不再赘述。
在一示例性实施例中,还提供了一种电子设备,包括:
处理器;及
存储器,其中,存储器上存储有计算机可读指令,该计算机可读指令被处理器执行时实现上述各实施例中的自动驾驶性能的测试方法。
该实施例中电子设备的处理器执行操作的具体方式已经在有关该自动驾驶性能的测试方法的实施例中进行了详细描述,此处将不做详细阐述说明。
在另一示例性实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各实施例中的自动驾驶性能的测试方法。
该实施例中的处理器执行操作的具体方式已经在有关该自动驾驶性能的测试方法的实施例中执行了详细描述,此处将不做详细阐述说明。
上述内容,仅为本申请的较佳示例性实施例,并非用于限制本申请的实施方案,本领域普通技术人员根据本申请的主要构思和精神,可以十分方便地进行相应的变通或修改,故本申请的保护范围应以权利要求书所要求的保护范围为准。