CN110782125A - 一种面向自动驾驶汽车的道路安全风险度评估方法 - Google Patents
一种面向自动驾驶汽车的道路安全风险度评估方法 Download PDFInfo
- Publication number
- CN110782125A CN110782125A CN201910899594.7A CN201910899594A CN110782125A CN 110782125 A CN110782125 A CN 110782125A CN 201910899594 A CN201910899594 A CN 201910899594A CN 110782125 A CN110782125 A CN 110782125A
- Authority
- CN
- China
- Prior art keywords
- automatic driving
- safety risk
- road safety
- accident
- road
- 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.)
- Granted
Links
Images
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
-
- 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)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种面向自动驾驶汽车的道路安全风险度评估方法,包括以下步骤:步骤S1:基于自动驾驶事故数据,得到自动驾驶事故场景;步骤S2:基于自动驾驶事故场景和人工驾驶事故场景,得到自动驾驶条件下的道路安全风险度;步骤S3:基于自动驾驶条件下的道路安全风险度,建立自动驾驶条件下的道路安全风险度评估模型;步骤S4:基于自动驾驶条件下的道路安全风险度评估模型,开展面向自动驾驶汽车的道路安全风险度评估。与现有技术相比,可以实现自动驾驶汽车视角下的道路安全风险量化评估,为自动驾驶汽车开放测试道路选择、测试等级划分等提供解决思路,并在基于车路协同技术的车辆高自动化驾驶技术研发等方面有着广泛的应用。
Description
技术领域
本发明涉及自动驾驶汽车和交通安全管理领域,尤其是涉及一种面向自动驾驶汽车的道路安全风险度评估方法。
背景技术
自动驾驶汽车运行风险凸显。自动驾驶被公认为解决道路交通系统安全、效率等核心问题的重要手段。然而,2018年3月Uber自动驾驶发生全球第一起路人致死事件引发公众对自动驾驶安全性的质疑。《加州自动驾驶道路测试报告》中的数据显示,2016-2018年共发生了122起与自动驾驶汽车有关的交通事故。鉴于当前我国城市道路运行条件的复杂性,自动驾驶汽车在公开道路上的示范运行、测试等仍存在较大的安全风险。
面向自动驾驶汽车的城市道路风险量化评估技术亟待解决。随着自动驾驶技术的发展,自动驾驶厂商陆续开展自动驾驶汽车道路测试,需要完善的风险分析理论来支撑自动驾驶汽车开放测试道路的等级划分与选择。传统的道路安全风险分析面向人工驾驶,无法满足自动驾驶条件下道路交通安全分析与管理的差异化需求,如何从自动驾驶汽车的视角量化道路的安全风险成为亟待解决的问题。
自动驾驶安全风险与人工驾驶状态存在差异,分析方法缺失。自动驾驶汽车的运行机理不同于人类驾驶者,自动驾驶事故特征与人工驾驶存在显著差异。然而目前传统的路网安全风险分析模型基于人工事故数据,针对所有事故场景,缺失面向自动驾驶的道路设施安全风险量化方法,难以对未来自动驾驶阶段安全分析进行准确的影响因素分析和事故致因推断,也就不能指导制定有针对性的道路交通安全改善策略。
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面向自动驾驶汽车的道路安全风险度评估方法。
本发明的目的可以通过以下技术方案来实现:
一种面向自动驾驶汽车的道路安全风险度评估方法,该方法包括以下步骤:
步骤S1:基于自动驾驶事故数据,得到自动驾驶事故场景;
步骤S2:基于自动驾驶事故场景和人工驾驶事故场景,得到自动驾驶条件下的道路安全风险度;
步骤S3:基于自动驾驶条件下的道路安全风险度,建立自动驾驶条件下的道路安全风险度评估模型;
步骤S4:基于自动驾驶条件下的道路安全风险度评估模型,开展面向自动驾驶汽车的道路安全风险度评估。
所述的步骤S1包括:
步骤S11:基于自动驾驶事故数据,建立自动驾驶事故数据库;
步骤S12:基于自动驾驶事故数据库,得到自动驾驶事故场景。
所述的自动驾驶事故数据包括车辆测试公司名称、关键事件、事故时间、事故地点、碰撞对象、碰撞前驾驶行为、碰撞类型和严重程度。
所述的步骤S2包括:
步骤S21:基于自动驾驶事故场景和人工驾驶事故场景,得到自动驾驶事故场景风险修正系数;
步骤S22:基于自动驾驶事故场景风险修正系数,得到自动驾驶条件下的道路安全风险度。
所述的自动驾驶事故场景风险修正系数为:
其中,γx为自动驾驶和人工驾驶共有事故场景x的自动驾驶事故场景风险修正系数,px1和px2分别为该共有事故场景x的自动驾驶与人工驾驶的事故比例;
所述的自动驾驶条件下的道路安全风险度RAV为:
RAV=∑nx×γx×sx
其中,nx为该共有事故场景x的人工驾驶事故数,sx为该共有事故场景x的事故损失。
所述的步骤S3包括:
步骤S31:基于自动驾驶条件下的道路安全风险度,通过聚类算法得到自动驾驶条件下的道路安全风险度分级;
步骤S32:基于自动驾驶条件下的道路安全风险度分级,采用混合逐步选择法对自变量进行筛选,得到显著变量;
步骤S32:基于显著变量,根据多元有序Logit回归模型建立自动驾驶条件下的道路安全风险度评估模型。
所述的自动驾驶条件下的道路安全风险度评估模型为:
其中,Yi为道路i的安全风险度等级,P(Yi)为道路i的安全风险等级发生概率,Xi为显著变量,aj和βj为自动驾驶条件下的道路安全风险度评估模型拟合参数。
所述的采用混合逐步选择法对自变量进行筛选的筛选条件为混合逐步选择法的P值小于0.05。
与现有技术相比,本发明具有以下优点:
(1)统计分析了自动驾驶的事故形态特征,得到自动驾驶事故场景分类,可以帮助政府部门与自动驾驶厂商进一步理解自动驾驶汽车的事故发生机理,进而制定有针对性的交通安全改善策略。
(2)结合人工驾驶的事故场景,将传统道路安全风险理论体系拓展到自动驾驶车辆的安全研究,为分析自动驾驶汽车的道路安全风险提供理论支撑。
(3)利用所建立的道路安全风险评估模型,可以实现自动驾驶汽车视角下的道路安全风险量化评估,为自动驾驶汽车开放测试道路选择、测试等级划分等提供解决思路,并在基于车路协同技术的车辆高自动化驾驶技术研发等方面有着广泛的应用。
附图说明
图1为本发明的流程图;
图2为本发明实施例的自动驾驶事故场景推导图;
图3为本发明实施例的自动驾驶条件下的道路安全风险度分级图;
图4为本发明实施例的自动驾驶条件下的道路安全风险度评估模型参数图;
图5为本发明实施例的面向自动驾驶汽车的道路安全风险度评估结果图。
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。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
本实施例提出了一种面向自动驾驶汽车的道路安全风险度评估方法,包括以下步骤:
步骤S1:基于自动驾驶事故数据,得到自动驾驶事故场景;
步骤S2:基于自动驾驶事故场景和人工驾驶事故场景,得到自动驾驶条件下的道路安全风险度;
步骤S3:基于自动驾驶条件下的道路安全风险度,建立自动驾驶条件下的道路安全风险度评估模型;
步骤S4:基于自动驾驶条件下的道路安全风险度评估模型,开展面向自动驾驶汽车的道路安全风险度评估。
进一步地,步骤S1具体为:
(1.1)自动驾驶事故数据库建立:自动驾驶事故数据包括车辆测试公司名称、关键事件、事故时间、事故地点、碰撞对象、碰撞前驾驶行为、碰撞类型和严重程度,基于自动驾驶事故数据,建立自动驾驶事故数据库。
(1.2)自动驾驶事故场景推导:将数自动驾驶事故数据库中的自动驾驶事故依据判断条件进行场景推导,得到自动驾驶事故场景,该判断条件可为碰撞对象、关键事件、碰撞类型等,也可包括其余自动驾驶事故数据。
其中,关键事件(Critical Event)是指碰撞发生时发生的诸如车辆失控、闯红灯等导致事故发生的关键事件或行为。
进一步地,步骤S2具体为:
(2.1)自动驾驶事故场景风险修正系数:以事故场景暴露量不变化为前提假设,对比自动驾驶与人工驾驶的事故场景及其发生的频率差异,得到自动驾驶事故场景风险修正系数。具体定义如下:
其中,γx为自动驾驶和人工驾驶共有事故场景x的自动驾驶事故场景风险修正系数,px1和px2分别为该共有事故场景x的自动驾驶与人工驾驶的事故比例。
(2.2)自动驾驶条件下的道路安全风险度:基于概率风险评估理论计算自动驾驶条件下的道路安全风险度RAV,算式如下:
RAV=∑nx×γx×sx
其中,nx为该共有事故场景x的人工驾驶事故数,sx为该共有事故场景x的事故损失。
进一步地,步骤S3具体为:
(3.1)自动驾驶条件下的道路安全风险度聚类分级:基于步骤(2.2)得到的自动驾驶条件下的道路安全风险度,利用聚类算法对自动驾驶道路安全风险度进行聚类分级,其中,聚类算法可为K-means聚类算法。
(3.2)自动驾驶条件下的道路安全风险度评估模型建立:采用混合逐步选择法对自变量进行筛选(P值<0.05),自变量包括车道数、周围用地性质和交叉口密度等,根据多元有序Logit回归模型构建自动驾驶条件下的道路安全风险度评估模型,模型表达式如下:
其中,Yi为道路i的安全风险度等级,P(Yi)为道路i的安全风险等级发生概率,Xi为显著变量,aj和βj为自动驾驶条件下的道路安全风险度评估模型拟合参数。
进一步地,步骤(4)具体为:
(4.1)既有道路安全风险度量化评估:采集城市道路人工驾驶事故数据(包括人工驾驶事故场景、人工驾驶事故数等),基于步骤(2.2)得到的自动驾驶条件下的道路安全风险度量化既有道路的自动驾驶安全风险度,分析既有道路面向自动驾驶的安全风险大小。
(4.2)规划道路安全风险度预测分级:采集规划道路的显著变量,代入自动驾驶条件下的道路安全风险度评估模型,计算得到该道路(路网)安全风险度等级,为自动驾驶汽车开放测试道路的安全风险评估分级提供量化解决思路。
下面结合一个具体的例子进行说明:
(一)基于自动驾驶事故数据,得到自动驾驶事故场景。在本例中,由于数据采集的局限,仅基于加利佛尼亚州的2016-2018年自动驾驶测试数据进行事故形态等研究,但是这个框架是普适性的。具体步骤如下:
(1)自动驾驶事故数据库建立:获取了96起自动驾驶事故数据,包括车辆测试公司名称、事故时间(精确到分钟)、地点(定位到路段)、碰撞信息(包括碰撞对象、碰撞形态、严重程度等)。
(2)自动驾驶事故场景推导:
将数据库中的96起自动驾驶事故依据碰撞对象、关键事件、碰撞类型等判断条件进行场景推导,推导思路如图2;最终划分了8种自动驾驶事故场景,如表1。
(二)基于自动驾驶事故场景和人工驾驶事故场景,得到自动驾驶条件下的道路安全风险度。具体步骤如下:
(1)自动驾驶事故场景风险修正系数:基于美国加州车辆管理局自动驾驶汽车事故报告与国家公路交通安全管理局事故前分类方法报告,统计自动驾驶与人工驾驶共有事故场景下自动驾驶与人工驾驶的事故发生数量及比例,计算得到自动驾驶事故场景风险修正系数如表2。
(2)自动驾驶条件下的道路安全风险度:在安全风险度修正中,事故损失sx可基于美国国家公路交通安全管理局事故前分类方法报告得到,如表3。
表1自动驾驶事故场景
(三)基于自动驾驶条件下的道路安全风险度,建立自动驾驶条件下的道路安全风险度评估模型,具体步骤如下:
(1)自动驾驶条件下的道路安全风险度聚类分级:采集上海市43条典型城市道路的人工驾驶事故数据,基于步骤(二)得到的自动驾驶条件下的道路安全风险度,利用K-means算法对自动驾驶条件下的道路安全风险度聚类分级,最终结果如图3。
(2)自动驾驶条件下的道路安全风险度评估模型建立:采用混合逐步选择法对自变量进行筛选(P值<0.05),得到显著变量为车道数、周围用地性质和交叉口密度,根据多元有序Logit回归模型构建自动驾驶条件下的道路安全风险度评估模型,最终模型的参数回归结果如图4。
表2自动驾驶事故场景风险修正系数
(四)基于自动驾驶条件下的道路安全风险度评估模型,开展面向自动驾驶汽车的道路安全风险度评估,具体步骤如下:
(1)既有道路安全风险度量化评估:采集城市道路人工驾驶事故数据(包括人工驾驶事故场景、人工驾驶事故数等),基于步骤(2.2)得到的自动驾驶条件下的道路安全风险度量化既有道路的自动驾驶安全风险度,分析既有道路面向自动驾驶的安全风险大小。
表3事故损失
(2)规划道路安全风险度等级预测:采集上海市智能网联测试道路(嘉定区)的3个交通参数(车道数、周围用地性质、交叉口密度),代入步骤(三)自动驾驶条件下的道路安全风险度评估模型,计算得到该道路(路网)安全风险度等级,如图5,据此可为该道路进行自动驾驶汽车开放测试的安全风险评估分级,支撑自动驾驶技术的发展。
Claims (8)
1.一种面向自动驾驶汽车的道路安全风险度评估方法,其特征在于,该方法包括以下步骤:
步骤S1:基于自动驾驶事故数据,得到自动驾驶事故场景;
步骤S2:基于自动驾驶事故场景和人工驾驶事故场景,得到自动驾驶条件下的道路安全风险度;
步骤S3:基于自动驾驶条件下的道路安全风险度,建立自动驾驶条件下的道路安全风险度评估模型;
步骤S4:基于自动驾驶条件下的道路安全风险度评估模型,开展面向自动驾驶汽车的道路安全风险度评估。
2.根据权利要求1所述的一种面向自动驾驶汽车的道路安全风险度评估方法,其特征在于,所述的步骤S1包括:
步骤S11:基于自动驾驶事故数据,建立自动驾驶事故数据库;
步骤S12:基于自动驾驶事故数据库,得到自动驾驶事故场景。
3.根据权利要求1所述的一种面向自动驾驶汽车的道路安全风险度评估方法,其特征在于,所述的自动驾驶事故数据包括车辆测试公司名称、关键事件、事故时间、事故地点、碰撞对象、碰撞前驾驶行为、碰撞类型和严重程度。
4.根据权利要求1所述的一种面向自动驾驶汽车的道路安全风险度评估方法,其特征在于,所述的步骤S2包括:
步骤S21:基于自动驾驶事故场景和人工驾驶事故场景,得到自动驾驶事故场景风险修正系数;
步骤S22:基于自动驾驶事故场景风险修正系数,得到自动驾驶条件下的道路安全风险度。
5.根据权利要求4所述的一种面向自动驾驶汽车的道路安全风险度评估方法,其特征在于,所述的自动驾驶事故场景风险修正系数为:
其中,γx为自动驾驶和人工驾驶共有事故场景x的自动驾驶事故场景风险修正系数,px1和px2分别为该共有事故场景x的自动驾驶与人工驾驶的事故比例;
所述的自动驾驶条件下的道路安全风险度RAV为:
RAV=∑nx×γx×sx
其中,nx为该共有事故场景x的人工驾驶事故数,sx为该共有事故场景x的事故损失。
6.根据权利要求1所述的一种面向自动驾驶汽车的道路安全风险度评估方法,其特征在于,所述的步骤S3包括:
步骤S31:基于自动驾驶条件下的道路安全风险度,通过聚类算法得到自动驾驶条件下的道路安全风险度分级;
步骤S32:基于自动驾驶条件下的道路安全风险度分级,采用混合逐步选择法对自变量进行筛选,得到显著变量;
步骤S32:基于显著变量,根据多元有序Logit回归模型建立自动驾驶条件下的道路安全风险度评估模型。
7.根据权利要求6所述的一种面向自动驾驶汽车的道路安全风险度评估方法,其特征在于,所述的自动驾驶条件下的道路安全风险度评估模型为:
其中,Yi为道路i的安全风险度等级,P(Yi)为道路i的安全风险等级发生概率,Xi为显著变量,aj和βj为自动驾驶条件下的道路安全风险度评估模型拟合参数。
8.根据权利要求6所述的一种面向自动驾驶汽车的道路安全风险度评估方法,其特征在于,所述的采用混合逐步选择法对自变量进行筛选的筛选条件为混合逐步选择法的P值小于0.05。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910899594.7A CN110782125B (zh) | 2019-09-23 | 2019-09-23 | 一种面向自动驾驶汽车的道路安全风险度评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910899594.7A CN110782125B (zh) | 2019-09-23 | 2019-09-23 | 一种面向自动驾驶汽车的道路安全风险度评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110782125A true CN110782125A (zh) | 2020-02-11 |
CN110782125B CN110782125B (zh) | 2023-05-02 |
Family
ID=69384206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910899594.7A Active CN110782125B (zh) | 2019-09-23 | 2019-09-23 | 一种面向自动驾驶汽车的道路安全风险度评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110782125B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111707476A (zh) * | 2020-05-20 | 2020-09-25 | 同济大学 | 一种面向自动驾驶汽车的纵向驾驶能力检测方法 |
CN112232682A (zh) * | 2020-07-22 | 2021-01-15 | 同济大学 | 自动驾驶开放测试道路环境风险度确定、分级方法及系统 |
CN112508392A (zh) * | 2020-12-02 | 2021-03-16 | 云南省交通规划设计研究院有限公司 | 一种山区双车道公路隐患路段交通冲突风险动态评估方法 |
CN113222335A (zh) * | 2021-04-06 | 2021-08-06 | 同济大学 | 一种基于风险评估效用的安全性无人驾驶车群构建方法 |
CN114155742A (zh) * | 2021-11-23 | 2022-03-08 | 同济大学 | 一种网联车纵向行车风险评估和预警方法 |
CN116957345A (zh) * | 2023-09-21 | 2023-10-27 | 上海伯镭智能科技有限公司 | 用于无人驾驶系统中的数据处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014207558A2 (en) * | 2013-06-27 | 2014-12-31 | Scope Technologies Holdings Limited | Onboard vehicle accident detection and damage estimation system and method of use |
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 |
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 |
CN109242227A (zh) * | 2017-07-10 | 2019-01-18 | 卢照敢 | 汽车驾驶行为的行车风险及评估模型 |
-
2019
- 2019-09-23 CN CN201910899594.7A patent/CN110782125B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014207558A2 (en) * | 2013-06-27 | 2014-12-31 | Scope Technologies Holdings Limited | Onboard vehicle accident detection and damage estimation system and method of use |
CN109242227A (zh) * | 2017-07-10 | 2019-01-18 | 卢照敢 | 汽车驾驶行为的行车风险及评估模型 |
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 |
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 |
Non-Patent Citations (1)
Title |
---|
高珍 等: ""连续数据环境下的道路交通事故风险预测模型"" * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111707476A (zh) * | 2020-05-20 | 2020-09-25 | 同济大学 | 一种面向自动驾驶汽车的纵向驾驶能力检测方法 |
CN112232682A (zh) * | 2020-07-22 | 2021-01-15 | 同济大学 | 自动驾驶开放测试道路环境风险度确定、分级方法及系统 |
CN112508392A (zh) * | 2020-12-02 | 2021-03-16 | 云南省交通规划设计研究院有限公司 | 一种山区双车道公路隐患路段交通冲突风险动态评估方法 |
CN113222335A (zh) * | 2021-04-06 | 2021-08-06 | 同济大学 | 一种基于风险评估效用的安全性无人驾驶车群构建方法 |
CN113222335B (zh) * | 2021-04-06 | 2022-10-14 | 同济大学 | 一种基于风险评估效用的安全性无人驾驶车群构建方法 |
CN114155742A (zh) * | 2021-11-23 | 2022-03-08 | 同济大学 | 一种网联车纵向行车风险评估和预警方法 |
CN114155742B (zh) * | 2021-11-23 | 2023-03-17 | 同济大学 | 一种网联车纵向行车风险评估和预警方法 |
CN116957345A (zh) * | 2023-09-21 | 2023-10-27 | 上海伯镭智能科技有限公司 | 用于无人驾驶系统中的数据处理方法 |
CN116957345B (zh) * | 2023-09-21 | 2023-12-08 | 上海伯镭智能科技有限公司 | 用于无人驾驶系统中的数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110782125B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782125A (zh) | 一种面向自动驾驶汽车的道路安全风险度评估方法 | |
CN111667204A (zh) | 自动驾驶开放测试道路环境风险度确定、分级方法及系统 | |
CN109670673A (zh) | 露天矿生产管控系统 | |
CN112382086A (zh) | 自动驾驶汽车开放道路测试评价系统的使用方法 | |
CN116631186B (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统 | |
WO2021237768A1 (zh) | 一种基于数据驱动的实现预测模型自动化迭代的系统 | |
CN115291515A (zh) | 一种基于数字孪生的自动驾驶仿真测试系统及评价方法 | |
CN106157609A (zh) | 一种路段状态的监测方法及装置 | |
CN114463868A (zh) | 面向交通流管控的收费站交通流组合预测方法及系统 | |
CN114999181A (zh) | 一种基于etc系统数据的高速公路车辆速度异常识别方法 | |
CN116935659B (zh) | 一种高速服务区卡口车辆稽核系统及其方法 | |
CN113724499A (zh) | 一种道路交通事件三维可视化分析方法及系统 | |
Bhattarai et al. | Crash frequency prediction based on extreme value theory using roadside lidar-based vehicle trajectory data | |
CN116796805A (zh) | 基于高斯过程回归和深度学习的pm2.5浓度预测方法 | |
Golze et al. | Impact analysis of accidents on the traffic flow based on massive floating car data | |
CN111222587A (zh) | 基于特征融合的失证人员危险驾驶行为预测方法及系统 | |
DE102020005185A1 (de) | Verfahren zum Abschätzen eines Straßenzustands einer Straße mittels einer elektronischen Recheneinrichtung, sowie elektronische Recheneinrichtung | |
CN114626964B (zh) | 一种新能源汽车监控信息跨区域共享方法 | |
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 | |
CN118225457A (zh) | 一种自动驾驶测试用高速路段仿真测试场地及其搭建方法 | |
CN117708099B (zh) | 矿山自动驾驶感知能力测试场景库构建方法及测试方法 | |
CN116205614B (zh) | 一种用于分布式场景下的业务对账管理系统及方法 | |
CN111666833A (zh) | 一种智能网联环境下基于车辆编队的道路损伤检测方法 | |
CN117333831A (zh) | 一种道路桥梁无人值守自动巡检系统 | |
Guo et al. | Safety Criteria for Selecting a Smart Corridor: Random Forest Approach using HSIS Data from Washington State |
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 |