CN110688311A - 一种面向自动驾驶典型场景的测试用例管理方法和装置 - Google Patents
一种面向自动驾驶典型场景的测试用例管理方法和装置 Download PDFInfo
- Publication number
- CN110688311A CN110688311A CN201910913475.2A CN201910913475A CN110688311A CN 110688311 A CN110688311 A CN 110688311A CN 201910913475 A CN201910913475 A CN 201910913475A CN 110688311 A CN110688311 A CN 110688311A
- Authority
- CN
- China
- Prior art keywords
- factors
- scene
- automatic driving
- typical
- test
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供一种面向自动驾驶典型场景的测试用例管理方法和装置,包括:基于自动驾驶典型场景中各因素、因子的权重,重新选择并排列所述因素、因子以生成最优测试场景用例;基于所述最优测试场景用例生成可视化场景动画。一方面对自然驾驶典型场景数据进行测试因素、因子提取和分类,计算因子的权重值同时进行计算因素、因子的最优组合输出测试场景,另一方面使用视觉直观描述方式对测试场景进行描述,方便测试理解和管理。
Description
技术领域
本发明涉及自动驾驶领域,更具体地,涉及一种面向自动驾驶典型场景的测试用例管理方法和装置。
背景技术
随着移动互联网的流量天花板逐渐见顶,互联网与实体行业如农业、工业、建筑行业和服务行业等传统行业的数字融合将成为新的趋势,产业互联网结合5G和云计算等技术将加快实体经济转型。汽车作为产业互联网场景下必不可少的智能移动设备,随着新一代的汽车技术革命如新能源、智能网联、自动驾驶的创新,将结合不同落地场景打造可复制循环的商业模式闭环。
自动驾驶是指智能汽车通过安装配备在车上的传感器设备(包括2D摄影视觉感知、激光雷达、毫米波雷达等)感知汽车周围的驾驶环境,结合导航的高精度地图,进行快速的运算与分析,在不断模拟和深度学习潜在的路况环境并作出判断,进一步借助算法规划汽车最理想或最合适的行驶路线及方式,再通过芯片反馈给控制系统进行刹车、方向盘控制等实际操作动作。
目前自动驾驶已经处于高速发展的阶段,其对应系统的研发与测试也在迅速发展,但业界仍未就如何在现实世界中进行安全性测试达成一致。在现实道路中,因为未知的场景难以穷尽,那么在限定范围内的测试场景也因为道路、环境、交通参与者的组合众多而导致场景数量异常庞大,调查发现目前行业中现有的软件或平台均没有对测试场景进行用例的优选并输出比较直观的场景描述。所以软件仿真或实车测试仍然存在非常大的限制。
发明内容
为了解决上述问题,本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一种面向自动驾驶典型场景的测试用例管理方法和装置。
根据本发明实施例的第一方面,提供一种面向自动驾驶典型场景的测试用例管理方法,包括:
基于自动驾驶典型场景中各因素,以及各因素中因子的权重,重新选择并排列所述因素、因子以生成最优测试场景用例;基于所述最优测试场景用例生成可视化场景动画。
作为优选的,重新选择并排列所述因素、因子以生成最优测试场景用例前,还包括:
获取各自动驾驶典型场景数据,基于Python panda模块对各自动驾驶典型场景数据进行分类提取,得到自动驾驶典型场景中各因素、因子。
作为优选的,基于Python panda模块对各自动驾驶典型场景数据进行分类提取,具体包括:
对自动驾驶典型场景数据进行统计,并对统计结果按照OpenCRG、OpenScenario、OpenDriver协议分类进行归纳,并提取因素、因子。
作为优选的,所述因素包括自动驾驶典型场景中的对象、路况、环境和行为;
所述因子为各因素的参数信息或属性信息。
作为优选的,所述对象包括自动驾驶典型场景中出现的其他人或车,以及其他影响行驶决策的或所有可自主运动的物体或动物;
所述路况为道路的特征以及交通管制的特征;
所述环境为自动驾驶典型场景中可变化的、依靠外界实时传输给自动驾驶汽车的环境因素;
所述行为为自动驾驶汽车本身的驾驶行为。
作为优选的,得到自动驾驶典型场景中各因素、因子后,还包括:
获取自动驾驶典型场景中各因素,以及因素中各因子的权重,并按权重大小进行排列。
作为优选的,重新选择并排列所述因素、因子以生成最优测试场景用例,具体包括:
基于预设的自动驾驶规则制定测试场景排除规则,基于Pairwise算法对所述因素和所述因子进行重新组合,并基于所述因素中因子的权重对组合后的测试场景用例进行最优筛选,得到最优测试场景用例。
根据本发明实施例的第二方面,提供了一种面向自动驾驶典型场景的测试用例管理装置,包括最优测试场景用例生成模块和可视化场景动画生成模块;
最优测试场景用例生成模块,用于基于自动驾驶典型场景中各因素,以及各因素中因子的权重,重新选择并排列所述因素、因子以生成最优测试场景用例
可视化场景动画生成模块,用于基于所述最优测试场景用例生成可视化场景动画。
根据本发明实施例的第三方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的面向自动驾驶典型场景的测试用例管理方法。
根据本发明实施例的第四方面,提供了一种非暂态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如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的面向自动驾驶典型场景的测试用例管理方法。
本发明实施例提供的一种面向自动驾驶典型场景的测试用例管理方法和装置,一方面对自然驾驶典型场景数据进行测试因素、因子提取和分类,计算因素、因子的权重值同时进行计算因素、因子的最优组合输出测试场景,另一方面使用视觉直观描述方式对测试场景进行描述,方便测试理解和管理。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些图获得其他的附图。
图1为本发明实施例提供的面向自动驾驶典型场景的测试用例管理方法的流程示意图;
图2为本发明实施例提供的电子设备的实体结构示意图。
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地描述,显然,所描述的实施例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。
场景是自动驾驶测试系统中相当重要的一环,测试场景的多样性、覆盖性、典型性等能够影响测试结果的准确性,从而保证自动驾驶的安全与质量。
场景,指的是行驶场合和驾驶情景的组合,它受行驶环境的深刻影响,如道路、交通、天气、光照等因素,共同构成整个场景概念。场景是在一定时间和空间范围内环境与驾驶行为的综合反映,描述了道路、交通设施、气象条件、交通参与物等外部状态以及自车的驾驶任务和状态等信息。从场景架构来看,有不同的行驶场合,像高速公路、乡村道路、城市工况、机场、码头、封闭园区等;在该场合下,如何驾驶、驾驶任务、驾驶速度、驾驶模式等一起构成了整个场景的三维架构。
因此,本发明实施例提供的一种面向自动驾驶典型场景的测试用例管理方法和装置,一方面对自然驾驶典型场景数据进行测试因素、因子提取和分类,计算因素中各因子的权重值同时进行计算因素、因子的最优组合输出测试场景,另一方面使用视觉直观描述方式对测试场景进行描述,方便测试理解和管理。以下将通过多个实施例进行展开说明和介绍。
如图1中所示,本发明实施例提供了一种面向自动驾驶典型场景的测试用例管理方法,包括:
基于自动驾驶典型场景中各因素,以及各因素中因子的权重,重新选择并排列所述因素、因子以生成最优测试场景用例;基于所述最优测试场景用例生成可视化场景动画。
基于与传统汽车的物理性能测试评价体系相比,自动驾驶汽车在测试评价内容和形式上都有明显不同,在传统汽车测试基础上发生了根本性的改变:传统汽车测试注重评价机器在执行命令时的表现,自动驾驶测试重视评价整车多传感器的配合以及传感器融合输出的感知、判断和决策能力;传统测试的场景存在固定模式和情境,但自动驾驶汽车的测试场景需要具备多样化、典型性等特点,需要尽可能覆盖所有复杂的特殊场景;自动驾驶测试的软件系统和硬件设备也都发生了天翻地覆的变化。
目前自动驾驶领域安全事故频发,安全成为自动驾驶领域要解决的本质问题,业界和社会都需要具备更高可靠性的自动驾驶技术来夯实发展基础,其中,挖掘测试场景、丰富和完善测试技术是提高自动驾驶安全性能的极重要一步。
在本实施例中,作为一种优选的实施方式,一方面对自然驾驶典型场景数据进行测试因素、因子提取和分类,计算因素中各因子的权重值同时进行计算因素、因子的最优组合输出测试场景,另一方面使用视觉直观描述方式对测试场景进行描述,方便测试理解和管理。通过本实施例的方法进行最优测试场景筛选从而到达尽可能少的时间进行系统安全验证的目的,同时在用例管理和用例描述上提供最直接有效的管理和场景描述展示。
本实施例的方法不需要依赖Excel或多个软件组合管理方式,进行完整的自动驾驶场景用例自动生成,且以视觉直观描述方式进行最直接的描述示例,其中包括典型场景的分析、总结输出仿真场景库最优因素、因子组合。
在上述各实施例的基础上,重新选择并排列所述因素、因子以生成最优测试场景用例前,还包括:
获取各自动驾驶典型场景数据,基于Python panda模块对各自动驾驶典型场景数据进行分类提取,得到自动驾驶典型场景中各因素、因子。
在本实施例中,作为一种优选的实施方式,基于自然驾驶的典型场景数据使用python pandas模块进行场景因素分类提取并进行自动计算权重。
在上述各实施例的基础上,基于Python panda模块对各自动驾驶典型场景数据进行分类提取,具体包括:
对自动驾驶典型场景数据进行统计,并对统计结果按照OpenCRG、OpenScenario、OpenDriver协议分类进行归纳,并提取因素、因子。
在本实施例中,作为一种优选的实施方式,使用工具对自然驾驶典型场景数据进行统计,对统计结果按OpenCRG、OpenScenario、OpenDriver协议分类进行归纳与提取因素、因子。
在上述各实施例的基础上,所述因素包括自动驾驶典型场景中的对象、路况、环境和行为;
所述因子为各因素的参数信息或属性信息。
自动驾驶汽车上路行驶时要面临各种各样错综复杂的环境,测试体系不可能对其一一穷尽,因此可以按照一定的分类方法将各种测试场景进行分类划归,在本实施例中,作为一种优选的实施方式,将自动驾驶典型场景中的因素分为对象、路况、环境和行为。
在上述各实施例的基础上,所述对象包括自动驾驶典型场景中出现的其他人或车,以及其他影响行驶决策的或所有可自主运动的物体或动物;
所述路况为道路的特征以及交通管制的特征;
所述环境为自动驾驶典型场景中可变化的、依靠外界实时传输给自动驾驶汽车的环境因素;
所述行为为自动驾驶汽车本身的驾驶行为。
在本实施例中,作为一种优选的实施方式,将对象定义为场景(自动驾驶典型场景)里出现的其他人或车,以及其他影响行驶决策的或是所有可能自主运动的物体或动物。这一方面主要依赖自动驾驶的各种传感器,包括毫米波雷达雷达、摄像头、超声波探头、激光雷达等,同时也要进行大量的实时计算,预测对方下一秒的前进方向。
因子则为各因素的具体参数信息或属性信息,如:
物体类型因素:如路灯、垃圾箱、路牌等;
对象移动速度因素:静止、低速移动(如骑自行车的人)、高速移动(如飞驰的汽车);
对象移动方向因素:在自动驾驶汽车的左边还是右边,移动相对角度是多少;
对象数量因素:如果看到很多辆警车停在路边,或是遇到一群鸭子过马路,都需要减慢速度;
环境意识:对于有生命的对象,自动驾驶车也需要判断该对象有没有在仔细看路,比如酒驾的司机、5岁的小孩、一边走路一边看手机的年轻人。
在本实施例中,作为一种优选的实施方式,将路况因素定义为道路的特征以及交通管制的特征,不会随环境变化而变动,自动驾驶车都可以提前预知,主要通过提前绘制好的地图自主定位。
因子则为各因素的具体参数信息或属性信息,例如:
交叉口设计因素:十字路口、T型路口、Y型路口;
交通管制方式因素:红绿灯样式、停车牌、避让牌;
车道数量因素:单车道、4车道;
车道线因素:有分割线、无分割线;
车道类型因素:自行车道、公交车道、超车道;
限速因素:25mph,商业区限速、居民区限速;
马路类型因素:高速、普通路、小路;
角度因素:上坡、下坡、颠簸;
区域因素:学校区、医院区、山区、施工区。
环境是场景必不可少的元素,很大程度上决定了自动驾驶汽车能否上路。在本实施例中,作为一种优选的实施方式,将环境定义为所有可能变化的环境因素,其很多数据需要依赖外界实时传给自动驾驶汽车。
因子则为各因素的具体参数信息或属性信息,如:
天气因素:降雨量、风速、温度、能见度;
光照因素:阴天、日出日落时间、太阳光角度;
路面因素:结冰、积水、施工;
信号因素:5G信号强弱(地道里的信号可能会很差);
噪音因素:周围噪音会影响行人或其他车辆听到自动驾驶汽车发出的信号。
在本实施例中,作为一种优选的实施方式,将行为定义为自动驾驶汽车本身的行为,这方面的数据主要依靠路径规划。
因子则为各因素的具体参数信息或属性信息,如:
驾驶方向因素:直行、倒车、U型掉头、左转、右转、弧线、离开车道、并入车道;
速度因素:静止、低速行驶、高速行驶;
加速度因素:加速、减速、匀速;
信号因素:自动驾驶汽车发出的视觉信号和声音信号等。
在上述各实施例的基础上,作为一种优选的实施方式,得到自动驾驶典型场景中各因素、因子后,还包括:
获取自动驾驶典型场景中各因素,以及因素中各因子的权重,并按权重大小进行排列。
在上述各实施例的基础上,作为一种优选的实施方式,重新选择并排列所述因素、因子以生成最优测试场景用例,具体包括:
基于预设的自动驾驶规则制定测试场景排除规则,基于Pairwise算法对所述因素和所述因子进行重新组合,并基于所述因素、所述因子的权重对组合后的测试场景用例进行最优筛选,得到最优测试场景用例。
在本实施例中,作为一种优选的实施方式,按自然驾驶经验制定测试场景排除规则,使用Pairwise算法重新组合因素、因子,使用因子权重对组合后的用例进行最优筛选,根据用例组合结果自动生成场景动画。不需要依赖Excel或多个软件组合管理方式,进行完整的自动驾驶场景用例自动生成,且以视觉直观描述方式进行最直接的描述示例,其中包括典型场景的分析、总结输出仿真场景库最优因素、因子组合。
根据本发明实施例的第二方面,提供了一种面向自动驾驶典型场景的测试用例管理装置,基于上述各实施例中的面向自动驾驶典型场景的测试用例管理方法,包括最优测试场景用例生成模块和可视化场景动画生成模块;
最优测试场景用例生成模块,用于基于自动驾驶典型场景中各因素,以及各因素中因子的权重,重新选择并排列所述因素、因子以生成最优测试场景用例;
可视化场景动画生成模块,用于基于所述最优测试场景用例生成可视化场景动画。
本发明实施例提供了本发明实施例提供了一种电子设备,如图2所示,该设备包括:处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503上并可在处理器501上运行的计算机程序,以执行上述各实施例提供的面向自动驾驶典型场景的测试用例管理方法,例如包括:
基于自动驾驶典型场景中各因素,以及各因素中因子的权重,重新选择并排列所述因素、因子以生成最优测试场景用例;基于所述最优测试场景用例生成可视化场景动画。
此外,上述的存储器503中的逻辑指令可以通过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,本发明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)执行本发明各个实施例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。
本发明实施例还提供一种非暂态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以执行上述各实施例提供的面向自动驾驶典型场景的测试用例管理方法,例如包括:
基于自动驾驶典型场景中各因素,以及各因素中因子的权重,重新选择并排列所述因素、因子以生成最优测试场景用例;基于所述最优测试场景用例生成可视化场景动画。
综上所述,本发明实施例提供的一种面向自动驾驶典型场景的测试用例管理方法和装置,一方面对自然驾驶典型场景数据进行测试因素、因子提取和分类,计算因素中因子的权重值同时进行计算因素、因子的最优组合输出测试场景,另一方面使用视觉直观描述方式对测试场景进行描述,方便测试理解和管理。
以上所描述的电子设备等实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分方法。
最后应说明的是:以上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精神和范围。
Claims (10)
1.一种面向自动驾驶典型场景的测试用例管理方法,其特征在于,包括:
基于自动驾驶典型场景中各因素,以及各因素中因子的权重,重新选择并排列所述因素、因子以生成最优测试场景用例;基于所述最优测试场景用例生成可视化场景动画。
2.根据权利要求1所述的面向自动驾驶典型场景的测试用例管理方法,其特征在于,重新选择并排列所述因素、因子以生成最优测试场景用例前,还包括:
获取各自动驾驶典型场景数据,基于Pythonpanda模块对各自动驾驶典型场景数据进行分类提取,得到自动驾驶典型场景中各因素、因子。
3.根据权利要求2所述的面向自动驾驶典型场景的测试用例管理方法,其特征在于,基于Pythonpanda模块对各自动驾驶典型场景数据进行分类提取,具体包括:
对自动驾驶典型场景数据进行统计,并对统计结果按照OpenCRG、OpenScenario、OpenDriver协议分类进行归纳,并提取因素、因子。
4.根据权利要求2所述的面向自动驾驶典型场景的测试用例管理方法,其特征在于,所述因素包括自动驾驶典型场景中的对象、路况、环境和行为;
所述因子为各因素的参数信息或属性信息。
5.根据权利要求4所述的面向自动驾驶典型场景的测试用例管理方法,其特征在于,所述对象包括自动驾驶典型场景中出现的其他人或车,以及其他影响行驶决策的或所有可自主运动的物体或动物;
所述路况为道路的特征以及交通管制的特征;
所述环境为自动驾驶典型场景中可变化的、依靠外界实时传输给自动驾驶汽车的环境因素;
所述行为为自动驾驶汽车本身的驾驶行为。
6.根据权利要求2所述的面向自动驾驶典型场景的测试用例管理方法,其特征在于,得到自动驾驶典型场景中各因素、因子后,还包括:
获取自动驾驶典型场景中各因素,以及因素中各因子的权重,并按权重大小进行排列。
7.根据权利要求6所述的面向自动驾驶典型场景的测试用例管理方法,其特征在于,重新选择并排列所述因素、因子以生成最优测试场景用例,具体包括:
基于预设的自动驾驶规则制定测试场景排除规则,基于Pairwise算法对所述因素和所述因子进行重新组合,并基于所述因子的权重对组合后的测试场景用例进行最优筛选,得到最优测试场景用例。
8.一种面向自动驾驶典型场景的测试用例管理装置,其特征在于,包括最优测试场景用例生成模块和可视化场景动画生成模块;
最优测试场景用例生成模块,用于基于自动驾驶典型场景中各因素,以及各因素中因子的权重,重新选择并排列所述因素、因子以生成最优测试场景用例;
可视化场景动画生成模块,用于基于所述最优测试场景用例生成可视化场景动画。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910913475.2A CN110688311A (zh) | 2019-09-25 | 2019-09-25 | 一种面向自动驾驶典型场景的测试用例管理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910913475.2A CN110688311A (zh) | 2019-09-25 | 2019-09-25 | 一种面向自动驾驶典型场景的测试用例管理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110688311A true CN110688311A (zh) | 2020-01-14 |
Family
ID=69110289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910913475.2A Pending CN110688311A (zh) | 2019-09-25 | 2019-09-25 | 一种面向自动驾驶典型场景的测试用例管理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110688311A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111258907A (zh) * | 2020-01-20 | 2020-06-09 | 黑龙江连特科技有限公司 | 一种汽车仪表测试方法、装置和设备 |
CN111831570A (zh) * | 2020-07-23 | 2020-10-27 | 深圳慕智科技有限公司 | 一种面向自动驾驶图像数据的测试用例生成方法 |
CN111830935A (zh) * | 2020-07-23 | 2020-10-27 | 深圳慕智科技有限公司 | 一种面向自动驾驶系统的蜕变测试方法 |
CN111881032A (zh) * | 2020-07-23 | 2020-11-03 | 深圳慕智科技有限公司 | 一种面向自动驾驶软件系统激光雷达的分布式模糊测试方法 |
CN111949544A (zh) * | 2020-08-19 | 2020-11-17 | 腾讯科技(深圳)有限公司 | 一种自动驾驶车辆的定位模块的测试方法及相关装置 |
CN111967123A (zh) * | 2020-06-30 | 2020-11-20 | 中汽数据有限公司 | 一种仿真测试中仿真测试用例的生成方法 |
CN112380135A (zh) * | 2020-12-04 | 2021-02-19 | 中信银行股份有限公司 | 一种b/s架构产品自动化测试方法及系统 |
CN112835790A (zh) * | 2021-01-22 | 2021-05-25 | 北京罗克维尔斯科技有限公司 | 自动驾驶软件的测试方法、装置、设备及介质 |
CN112925221A (zh) * | 2021-01-20 | 2021-06-08 | 重庆长安汽车股份有限公司 | 基于数据回注的辅助驾驶闭环测试方法 |
CN113688042A (zh) * | 2021-08-25 | 2021-11-23 | 北京赛目科技有限公司 | 测试场景的确定方法、装置、电子设备及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103713989A (zh) * | 2012-09-29 | 2014-04-09 | 百度在线网络技术(北京)有限公司 | 一种针对用户终端的测试用例生成方法和装置 |
CN107704381A (zh) * | 2017-08-31 | 2018-02-16 | 电子科技大学 | 一种两两组合的软件测试用例生成方法 |
CN108765235A (zh) * | 2018-05-09 | 2018-11-06 | 公安部交通管理科学研究所 | 基于交通事故案例解构的自动驾驶车辆测试场景构建方法和测试方法 |
CN109783349A (zh) * | 2018-12-10 | 2019-05-21 | 江苏大学 | 一种基于动态反馈权重的测试用例优先级排序方法及系统 |
CN110263381A (zh) * | 2019-05-27 | 2019-09-20 | 南京航空航天大学 | 一种自动驾驶车辆测试仿真场景生成方法 |
-
2019
- 2019-09-25 CN CN201910913475.2A patent/CN110688311A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103713989A (zh) * | 2012-09-29 | 2014-04-09 | 百度在线网络技术(北京)有限公司 | 一种针对用户终端的测试用例生成方法和装置 |
CN107704381A (zh) * | 2017-08-31 | 2018-02-16 | 电子科技大学 | 一种两两组合的软件测试用例生成方法 |
CN108765235A (zh) * | 2018-05-09 | 2018-11-06 | 公安部交通管理科学研究所 | 基于交通事故案例解构的自动驾驶车辆测试场景构建方法和测试方法 |
CN109783349A (zh) * | 2018-12-10 | 2019-05-21 | 江苏大学 | 一种基于动态反馈权重的测试用例优先级排序方法及系统 |
CN110263381A (zh) * | 2019-05-27 | 2019-09-20 | 南京航空航天大学 | 一种自动驾驶车辆测试仿真场景生成方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111258907A (zh) * | 2020-01-20 | 2020-06-09 | 黑龙江连特科技有限公司 | 一种汽车仪表测试方法、装置和设备 |
CN111967123B (zh) * | 2020-06-30 | 2023-10-27 | 中汽数据有限公司 | 一种仿真测试中仿真测试用例的生成方法 |
CN111967123A (zh) * | 2020-06-30 | 2020-11-20 | 中汽数据有限公司 | 一种仿真测试中仿真测试用例的生成方法 |
CN111831570A (zh) * | 2020-07-23 | 2020-10-27 | 深圳慕智科技有限公司 | 一种面向自动驾驶图像数据的测试用例生成方法 |
CN111830935A (zh) * | 2020-07-23 | 2020-10-27 | 深圳慕智科技有限公司 | 一种面向自动驾驶系统的蜕变测试方法 |
CN111881032A (zh) * | 2020-07-23 | 2020-11-03 | 深圳慕智科技有限公司 | 一种面向自动驾驶软件系统激光雷达的分布式模糊测试方法 |
CN111949544A (zh) * | 2020-08-19 | 2020-11-17 | 腾讯科技(深圳)有限公司 | 一种自动驾驶车辆的定位模块的测试方法及相关装置 |
CN112380135A (zh) * | 2020-12-04 | 2021-02-19 | 中信银行股份有限公司 | 一种b/s架构产品自动化测试方法及系统 |
CN112925221A (zh) * | 2021-01-20 | 2021-06-08 | 重庆长安汽车股份有限公司 | 基于数据回注的辅助驾驶闭环测试方法 |
CN112925221B (zh) * | 2021-01-20 | 2022-10-11 | 重庆长安汽车股份有限公司 | 基于数据回注的辅助驾驶闭环测试方法 |
CN112835790A (zh) * | 2021-01-22 | 2021-05-25 | 北京罗克维尔斯科技有限公司 | 自动驾驶软件的测试方法、装置、设备及介质 |
CN113688042A (zh) * | 2021-08-25 | 2021-11-23 | 北京赛目科技有限公司 | 测试场景的确定方法、装置、电子设备及可读存储介质 |
CN113688042B (zh) * | 2021-08-25 | 2023-06-27 | 北京赛目科技有限公司 | 测试场景的确定方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110688311A (zh) | 一种面向自动驾驶典型场景的测试用例管理方法和装置 | |
CN110716529A (zh) | 一种自动驾驶测试用例自动生成方法和装置 | |
CN111566664B (zh) | 用于生成用于机器学习的合成图像数据的方法、设备和系统 | |
US11554785B2 (en) | Driving scenario machine learning network and driving environment simulation | |
RU2725920C1 (ru) | Управление оперативным управлением автономным транспортным средством | |
RU2733015C1 (ru) | Оперативное управление автономным транспортным средством | |
RU2734744C1 (ru) | Оперативное управление автономным транспортным средством, включающее в себя работу экземпляра модели частично наблюдаемого марковского процесса принятия решений | |
RU2734732C1 (ru) | Отслеживание блокировки сети движения при оперативном управлении автономным транспортным средством | |
CN110688943A (zh) | 一种基于实际驾驶数据自动获取图像样本的方法和装置 | |
CN114879631A (zh) | 一种基于数字孪生云控平台的自动驾驶测试系统和方法 | |
CN111797001A (zh) | 一种基于SCANeR的自动驾驶仿真测试模型的构建方法 | |
CN106198049A (zh) | 真实车辆在环测试系统和方法 | |
Niranjan et al. | Deep learning based object detection model for autonomous driving research using carla simulator | |
CN110675476A (zh) | 一种直观传达自动驾驶场景定义的方法和装置 | |
CN114385661A (zh) | 一种基于v2x技术的高精地图更新的系统 | |
CN113935441B (zh) | 汽车自动驾驶功能测试道路的选取方法、设备和存储介质 | |
US20220318464A1 (en) | Machine Learning Data Augmentation for Simulation | |
US20220266859A1 (en) | Simulated agents based on driving log data | |
CN116457800A (zh) | 用于自动驾驶车辆中的地图变化检测的架构 | |
CN111477030A (zh) | 车辆协同避险方法、车端平台、云端平台及存储介质 | |
US20220269836A1 (en) | Agent conversions in driving simulations | |
Gowtham et al. | An efficient monitoring of real time traffic clearance for an emergency service vehicle using iot | |
US20230031130A1 (en) | Open door reconstruction for sensor simulation | |
Al-Ezaly et al. | An innovative traffic light recognition method using vehicular ad-hoc networks | |
Dokur et al. | CARLA Connect: A Connected Autonomous Vehicle (CAV) Driving Simulator |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200114 |