CN110781578B - 一种基于事故场景的智能网联车算法的测试及评价方法 - Google Patents
一种基于事故场景的智能网联车算法的测试及评价方法 Download PDFInfo
- Publication number
- CN110781578B CN110781578B CN201910899599.XA CN201910899599A CN110781578B CN 110781578 B CN110781578 B CN 110781578B CN 201910899599 A CN201910899599 A CN 201910899599A CN 110781578 B CN110781578 B CN 110781578B
- Authority
- CN
- China
- Prior art keywords
- accident
- scene
- tet
- vehicle
- intelligent network
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000008878 coupling Effects 0.000 title claims abstract description 25
- 238000010168 coupling process Methods 0.000 title claims abstract description 25
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 25
- 238000004088 simulation Methods 0.000 claims abstract description 22
- 238000013210 evaluation model Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000007405 data analysis Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000005094 computer simulation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于事故场景的智能网联车算法的测试及评价方法，该方法包括下列步骤：1)获取事故记录数据；2)根据步骤1)的事故记录数据，利用交通仿真软件还原事故原因场景，将场景中加入受测车辆信息并在受测车辆上加入传感器模型，构建事故场景中受测车辆的智能算法模型；3)利用步骤2)构建的受测车辆的智能算法模型进行多次仿真实验，获取仿真实验数据；4)创建安全性评价模型，并将步骤3)获取的实验数据导入安全性评价模型进行评价。与现有技术相比，本发明具有节省时间、人力及物力成本，经济性与时效性强，具有高度产业利用价值等优点。
Description
技术领域
本发明涉及智能网联车技术领域，尤其是涉及一种基于事故场景的智能网联车算法的测试及评价方法。
背景技术
传统对智能网联车算法的测试都是通过场地或传统计算机进行，即通过实地1：1构建交通场景对智能网联车算法进行测试。这种方式在一定程度上保证了测试场景的真实可靠，但是耗费大量时间、人力及物力，其经济性与时效性得不到保证。
近年来逐渐兴起的计算机安全仿真技术在安全领域发挥着越来越重要的作用，使计算机仿真技术广泛地应用于国防、交通及其他人类生活领域的各个方面。计算机安全仿真技术主要是使用软件构建待测目标真实的使用环境并用软件配置待测目标真实使用状态进行测试。计算机安全仿真测试在智能网联车算法测试的应用一直受制于仿真环境中受测车辆周围微观交通流环境得不到保证；另一方面，在传统的计算机仿真测试中，仿真数据的采集采用的是线圈或是某一段面收集的数据，而真正的智能网联车数据的收集主要靠车上的传感器，因此数据来源的真实性亦得不到保证。
以TTC(Time to Collision，碰撞时间)作为评价指标来构建行驶安全性的评价模型已经被广泛使用，其表达式为：
式中，Xi-1(t)代表前车的位置，Xi(t)代表后车的位置，li代表车长，Vi(t)，Vi-1(t)分别代表后车和前车速度。
但是该指标只能表示某一时刻两辆车间的安全性，而实际上交通事故的发生往往是由于一定区域一段时间内车辆行驶高风险因素累计而导致的，因此TTC无法体现这种多车风险在时空中的累计效应。
基于事故场景对智能网联车算法测试与评价的方法具有较强的实用性以及创新性，然而目前为止国内外仍未有基于事故场景对智能网联车算法测试与评价的方法。
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事故场景的智能网联车算法的测试及评价方法。
本发明的目的可以通过以下技术方案来实现：
一种基于事故场景的智能网联车算法的测试及评价方法，该方法包括下列步骤：
步骤一、记录事故数据；
通过监控视频或交警事故责任认定书分析发生事故时参与车辆的运行轨迹、速度、加速度、角速度等运动状态参数，还原事故发生时的真实场景，作为仿真软件构建事故模型的主要依据。
步骤二、利用仿真软件构建事故场景模型。
根据步骤一记录的事故数据，利用交通仿真软件Prescan中构建测试所需事故场景，事故场景中加入受测试车辆及传感器模块。交通仿真软件Prescan具有场景构建模块与传感器模块，场景构建模块包含各种可能涉及到的交通元素，可满足使用者在各种情况下构建场景的使用要求；传感器模块包含各种车辆传感器，满足智能网联车的数据交互需求，且记录数据更贴近真实情况，保证测试结果准确有效。
由Prescan中的Simulink接口进入MATLAB中的Simulink模块，在Simulink模块中编辑智能网联车行为模型及传感器模块的数据收集算法。
步骤三、利用步骤二构建的事故场景模型进行多次仿真实验。
仿真实验中受测试智能车算法及传感器模型由Simulink中编辑的智能网联车算法模型控制，智能网联车算法模型算法由平台用户提供；传感器模型收集事故场景中事故源的变化轨迹并及时反馈给受测智能车算法模型；智能车算法控制受测试车辆的运行状态直至试验结束。实验过程中传感器模块持续收集各项数据；导出实验产生的实验数据。
步骤四、创建安全性评价模型，并将步骤三导出的实验数据导入安全性评价模型进行评价。
引入新的评价指标TET(Time Exposed TTC，)对测试区域内车流的安全性进行综合评价。
TET代表某区域在一定时间内所有经过该区域车辆与前车低于TTC安全阈值(TTC*)的时长总和，为求取该指标，本发明以TTC在很短的时间段(τsc＝0.1s)内是不变的理论为基础，得到第i辆车的TET值为：
式中，δi(t)为受测车辆处于高风险状态(TTC小于阈值TTC*)的单位时间数量，τsc代表了数据采集频率所对应的单位时间。
对于一定区域内的N辆车，该区域的TET为：
根据场景需求选取TET阈值，对区域内车流风险进行评价：
根据场景的大小来确定一个TET的阈值TET*，若TET≤TET*，则认为有智能车行驶的该场景是安全的，因为在这个场景中车辆处于危险TTC的时间不长，风险不大，反之则认为该智能车算法没有有效避险，风险依然很大。
TET的值和测试场景大小、测试时长以及车流量均有关，根据场景具体情况确定。
优选地，所述安全性评价模型通过数据分析软件MATLAB构建；也可将数据导入其他具有数据分析功能的软件，以完成所需进行的安全性评价，例如Python等。利用安全性评价模型对智能网联车算法安全性进行评价。
与现有技术相比，本发明具有以下优点：
(1)本发明方法可以基于事故场景对智能网联车算法进行测试，也可以采用其他可靠的数据进行场景构建进行测试，并结合计算机仿真技术进行仿真评价，保证了测试场景真实可靠的同时，可节省时间、人力及物力成本，经济性与时效性强，具有高度产业利用价值；
(2)本发明测试及评价方法中的安全性评价模型可选择具有数据分析功能的软件进行构建，且事故场景、智能网联车算法模型、传感器模型、评价方法模型均可自定义，并能够根据本领域技术人员需要而设定，符合其需求的场景或智能车算法模型来进行本发明的测试，具有较高的适用性；
(3)本发明方法中的测试场景可以根据数据来源自行选择进行构建，例如，当事故记录数据不充足或记录较为模糊时，可以运用自然驾驶或浮动车数据等真实可靠的数据构建测试场景，实用性强；
(4)本发明的实验数据由传感器模块记录，由传感器模块记录的数据考虑了不能场景中自然环境对现实中车辆的数据记录设备的影响，更大程度上保证的仿真测试所得数据的真实可靠。
附图说明
图1为本发明实施例中一种基于事故场景的智能网联车算法的测试及评价方法的工作流程框图。
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。
如图1所示，本发明涉及一种基于事故场景的智能网联车算法的测试及评价方法，包括以下内容：
(一)、记录事故数据。
(二)、利用仿真软件构建事故场景模型。
本实施例的待测试事故记录场景来源于真实发生交通事故，构建场景真实可靠，保证了测试环境的真实有效，同样也可以采用其他来源的现实记录数据，例如自然驾驶数据或浮动车数据等。现在均有大量数据作为构建场景数据支撑。
智能网联车算法建模软件采用Simulink。Simulink是MATLAB中的一种可视化仿真工具，是一种基于MATLAB的框图设计环境，是实现动态系统建模、仿真和分析的一个软件包，被广泛应用于线性系统、非线性系统、数字控制及数字信号处理的建模和仿真中。Prescan提供Simulink接口，可用Simulink对智能网联车算法建模。
(三)、进行多次仿真实验。
仿真实验中受测试智能车算法及传感器模型由Simulink中编辑的智能网联车算法模型控制；传感器模型收集事故场景中事故源的变化轨迹并及时反馈给受测智能车算法模型；智能车算法控制受测试车辆的运行状态直至试验结束。实验过程中传感器模块持续收集各项数据；导出实验产生的实验数据。
实验数据由传感器模块记录，由传感器模块记录的数据考虑了不能场景中自然环境对现实中车辆的数据记录设备的影响，更大程度上保证的仿真测试所得数据的真实可靠。
(四)、创建安全性评价模型，并将导出的实验数据导入安全性评价模型进行评价。
引入新的评价指标TET，对测试区域内车流的安全性进行综合评价。
TET代表某区域在一定时间内所有经过该区域车辆与前车低于TTC安全阈值(TTC*)的时长总和，为求取该指标，本发明以TTC在很短的时间段(τsc＝0.1s)内是不变的理论为基础，得到第i辆车的TET值为：
式中，δi(t)为受测车辆处于高风险状态(TTC小于阈值TTC*)的单位时间数量，τsc代表了数据采集频率所对应的单位时间。
对于一定区域内的N辆车，该区域的TET为：
根据场景需求选取TET阈值，对区域内车流风险进行评价。即：
根据场景的大小来确定一个TET的阈值TET*，若TET≤TET*，则认为有智能车行驶的该场景是安全的，因为在这个场景中车辆处于危险TTC的时间不长，风险不大，反之则认为该智能车算法没有有效避险，风险依然很大。
为验证TET指标的使用方法，本实施例在交通仿真软件Prescan中构建一条5km的双车道高速公路，这条道路有一条匝道，在这条道路上总共进行了长达2.5小时的仿真实验。在该实验中讨论了两种智能网联车的应用场景，分别是部分智能辅助驾驶和完全智能驾驶。部分智能辅助驾驶系统指如果车辆的速度降到30km/h以下或者减速度达到-3m/s2，驾驶人必须介入进行车辆控制，在该系统中车头时距保持0.8s。完全智能驾驶系统指可以完全由智能控制模块控制车辆，同样车头时距保持0.8s。表1总结了在TTC阈值分别是1s，2s和3s情况下TET指标的取值。
表1 仿真实验TET取值表
优选地，所述安全性评价模型通过数据分析软件MATLAB构建；也可将数据导入其他具有数据分析功能的软件，以完成所需进行的安全性评价，例如Python等。利用安全性评价模型对智能网联车算法安全性进行评价。
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 (9)
1.一种基于事故场景的智能网联车算法的测试及评价方法，其特征在于，该方法包括下列步骤：
1)获取事故记录数据；
2)根据步骤1)的事故记录数据，利用交通仿真软件还原事故原因场景，将场景中加入受测车辆信息并在受测车辆上加入传感器模型，构建事故场景中受测车辆的智能算法模型；
3)利用步骤2)构建的受测车辆的智能算法模型进行多次仿真实验，获取仿真实验数据；
4)创建安全性评价模型，并将步骤3)获取的实验数据导入安全性评价模型进行评价；
步骤4)的具体内容为：
引入评价指标TET，所述的TET用以代表某区域在一定时间内所有经过该区域车辆与前车低于TTC安全阈值的时长总和；
利用TET对测试区域内车流的安全性进行综合评价，第i辆车的TET值TETi的表达式为：
式中，τsc为数据采集频率所对应的单位时间，δi(t)为受测车辆处于高风险状态的单位时间数量，高风险状态为受测车辆的TTC小于阈值TTC*状态；
对于一定区域内的N辆车，该区域的TET为：
根据场景的大小选取TET的阈值TET*，对区域内车流风险进行评价，若TET≤TET*，则判断智能车行驶的该场景是安全的，反之则认为该智能车算法没有有效避险。
2.根据权利要求1所述的一种基于事故场景的智能网联车算法的测试及评价方法，其特征在于，步骤1)的具体内容为：
通过监控视频或交警事故责任认定书获取发生事故时参与车辆的运行轨迹、速度、加速度、角速度等运动状态参数，还原事故发生时的真实场景，作为仿真软件构建事故模型的主要依据。
3.根据权利要求1所述的一种基于事故场景的智能网联车算法的测试及评价方法，其特征在于，TET的值由测试场景大小、测试时长以及车流量决定。
4.根据权利要求1所述的一种基于事故场景的智能网联车算法的测试及评价方法，其特征在于，步骤2)中，利用交通仿真软件Prescan还原事故原因场景。
5.根据权利要求1所述的一种基于事故场景的智能网联车算法的测试及评价方法，其特征在于，步骤2)中，受测车辆的智能算法模型采用Simulink构建。
6.根据权利要求1所述的一种基于事故场景的智能网联车算法的测试及评价方法，其特征在于，步骤3)中的仿真实验的实验数据由传感器模型记录。
7.根据权利要求1所述的一种基于事故场景的智能网联车算法的测试及评价方法，其特征在于，采用具有数据分析功能的软件创建安全性评价模型。
8.根据权利要求6所述的一种基于事故场景的智能网联车算法的测试及评价方法，其特征在于，采用MATLAB创建安全性评价模型。
9.根据权利要求6所述的一种基于事故场景的智能网联车算法的测试及评价方法，其特征在于，采用Python创建安全性评价模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910899599.XA CN110781578B (zh) | 2019-09-23 | 2019-09-23 | 一种基于事故场景的智能网联车算法的测试及评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910899599.XA CN110781578B (zh) | 2019-09-23 | 2019-09-23 | 一种基于事故场景的智能网联车算法的测试及评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110781578A CN110781578A (zh) | 2020-02-11 |
| CN110781578B true CN110781578B (zh) | 2024-03-29 |
Family
ID=69384218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910899599.XA Active CN110781578B (zh) | 2019-09-23 | 2019-09-23 | 一种基于事故场景的智能网联车算法的测试及评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110781578B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111402587B (zh) * | 2020-03-30 | 2021-05-25 | 上海汽车集团股份有限公司 | 一种智能驾驶的测试方法及测试系统 |
| CN111611746A (zh) * | 2020-05-20 | 2020-09-01 | 中国公路工程咨询集团有限公司 | 一种面向智能网联车测试的数据库管理系统 |
| CN112115819B (zh) * | 2020-09-03 | 2022-09-20 | 同济大学 | 基于目标检测及tet扩展指标的行车危险场景识别方法 |
| CN113032249B (zh) | 2021-03-05 | 2023-03-24 | 北京百度网讯科技有限公司 | 交通流量监测系统的测试方法、装置及设备 |
| CN114112435A (zh) * | 2021-11-29 | 2022-03-01 | 中国公路工程咨询集团有限公司 | 面向智能网联车在环场景导向自适应评价测试方法及系统 |
| CN117309433B (zh) * | 2023-11-30 | 2024-02-27 | 锦图计算技术(深圳)有限公司 | 基于智能座舱的车载智能硬件功能安全检测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016169290A1 (zh) * | 2015-04-21 | 2016-10-27 | 华南理工大学 | 一种面向道路交通事故应急处置的决策支持系统及方法 |
| EP3121729A1 (en) * | 2015-07-21 | 2017-01-25 | Tata Elxsi Limited | System and method for enhanced emulation of connected vehicle applications |
| CN107291972A (zh) * | 2017-03-10 | 2017-10-24 | 清华大学 | 基于多源数据挖掘的汽车智能驾驶系统有效性评价方法 |
| CN107436986A (zh) * | 2017-08-07 | 2017-12-05 | 北京汽车研究总院有限公司 | 车辆主动安全系统的集成装置及仿真应用方法 |
| CN108549366A (zh) * | 2018-05-04 | 2018-09-18 | 同济大学 | 智能汽车道路行驶与虚拟测试平行映射实验方法 |
| WO2019174397A1 (zh) * | 2018-03-16 | 2019-09-19 | 华为技术有限公司 | 自动驾驶安全评估方法、装置和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109032102B (zh) * | 2017-06-09 | 2020-12-18 | 百度在线网络技术（北京）有限公司 | 无人驾驶车辆测试方法、装置、设备及存储介质 |
-
2019
- 2019-09-23 CN CN201910899599.XA patent/CN110781578B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016169290A1 (zh) * | 2015-04-21 | 2016-10-27 | 华南理工大学 | 一种面向道路交通事故应急处置的决策支持系统及方法 |
| EP3121729A1 (en) * | 2015-07-21 | 2017-01-25 | Tata Elxsi Limited | System and method for enhanced emulation of connected vehicle applications |
| CN107291972A (zh) * | 2017-03-10 | 2017-10-24 | 清华大学 | 基于多源数据挖掘的汽车智能驾驶系统有效性评价方法 |
| CN107436986A (zh) * | 2017-08-07 | 2017-12-05 | 北京汽车研究总院有限公司 | 车辆主动安全系统的集成装置及仿真应用方法 |
| WO2019174397A1 (zh) * | 2018-03-16 | 2019-09-19 | 华为技术有限公司 | 自动驾驶安全评估方法、装置和系统 |
| CN108549366A (zh) * | 2018-05-04 | 2018-09-18 | 同济大学 | 智能汽车道路行驶与虚拟测试平行映射实验方法 |
Non-Patent Citations (3)
| Title |
|---|
| 智能汽车环境感知与规划决策一体化仿真测试平台;孙剑;黄润涵;李霖;刘启远;李宇迪;;系统仿真学报(02);全文 * |
| 考虑驾驶员行为的车辆防撞系统仿真评价;李聪颖;蔡光林;朱彤;;科技导报(18);全文 * |
| 车联网关键指标对车辆安全影响仿真测试方法;柴琳果;蔡伯根;王化深;上官伟;王剑;;汽车工程(11);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110781578A (zh) | 2020-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110781578B (zh) | 一种基于事故场景的智能网联车算法的测试及评价方法 | |
| CN108549366B (zh) | 智能汽车道路行驶与虚拟测试平行映射实验方法 | |
| EP3533681B1 (en) | Method for detecting safety of driving behavior, apparatus and storage medium | |
| CN109345829B (zh) | 无人车的监控方法、装置、设备及存储介质 | |
| CN110164130B (zh) | 交通事件检测方法、装置、设备及存储介质 | |
| Zhou et al. | A framework for virtual testing of ADAS | |
| US20170132117A1 (en) | Method and device for generating test cases for autonomous vehicles | |
| JP2022084758A (ja) | 車両監視方法、装置、電子機器、記憶媒体、コンピュータプログラム、クラウド制御プラットフォームおよび車路連携システム | |
| CN107564280B (zh) | 基于环境感知的驾驶行为数据采集分析系统和方法 | |
| CN113343461A (zh) | 自动驾驶车辆的仿真方法、装置、电子设备及存储介质 | |
| CN104103100A (zh) | 驾驶行为分析系统 | |
| CN105575150A (zh) | 行车安全行为分析方法、预警方法及其装置 | |
| WO2004104782A3 (en) | Method for incorporating individual vehicle data collection, detection and recording of traffic violations in a traffic signal controller | |
| CN112749210B (zh) | 基于深度学习的车辆碰撞识别方法和系统 | |
| US20070282519A1 (en) | System and method for analyzing traffic disturbances reported by vehicles | |
| Ponn et al. | An optimization-based method to identify relevant scenarios for type approval of automated vehicles | |
| KR101519217B1 (ko) | 부주의 운전 판정 장치 및 그 방법 | |
| CN113496213B (zh) | 一种目标感知数据的确定方法、装置、系统及存储介质 | |
| Holstein et al. | Avoiding the intrinsic unfairness of the trolley problem | |
| JP4814816B2 (ja) | 事故発生予測シミュレーション装置、方法及びプログラム並びに安全システム評価装置及び事故警報装置 | |
| CN112633557A (zh) | 一种基于大数据的道路安全预警方法、装置、电子设备及存储介质 | |
| Wu et al. | Clustering of several typical behavioral characteristics of commercial vehicle drivers based on GPS data mining: Case study of highways in China | |
| Oh et al. | Real-time detection of hazardous traffic events on freeways: Methodology and prototypical implementation | |
| CN105404882A (zh) | 一种基于导航系统的反跟踪方法及装置 | |
| Xiao et al. | Detecting hazardous events: A framework for automated vehicle safety systems |
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 |