CN111144015A - 一种自动驾驶汽车虚拟场景库构建方法 - Google Patents

一种自动驾驶汽车虚拟场景库构建方法 Download PDF

Info

Publication number
CN111144015A
CN111144015A CN201911392624.1A CN201911392624A CN111144015A CN 111144015 A CN111144015 A CN 111144015A CN 201911392624 A CN201911392624 A CN 201911392624A CN 111144015 A CN111144015 A CN 111144015A
Authority
CN
China
Prior art keywords
data
scene
clustering
value
information
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
Application number
CN201911392624.1A
Other languages
English (en)
Inventor
金立生
孙栋先
郭柏苍
王禹涵
石健
闫福刚
司法
高铭
华强
郑义
张舜然
贾素华
迟浩天
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN201911392624.1A priority Critical patent/CN111144015A/zh
Publication of CN111144015A publication Critical patent/CN111144015A/zh
Priority to US16/998,478 priority patent/US20210197851A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/04—Traffic conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/7625—Hierarchical techniques, i.e. dividing or merging patterns to obtain a tree-like representation; Dendograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/20—Static objects
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种自动驾驶汽车虚拟场景库构建方法，包括数据采集、数据提取、数据清洗、标注场景要素、形成数据集、确定最佳k值、确定聚类初始中心、获得逻辑场景、构建虚拟场景库等步骤，本发明为自动驾驶虚拟场景库的构建提供了理论依据和技术支持，该方法操作简便，可提供大量不同要求的测试目标场景环境，用于测试自动驾驶系统在虚拟场景下的安全性，代替实车在实际环境中的测试，节约大量成本，而且测试效率更高，可重复性更强，并且可以模拟各种不同要求的场景，能够加快自动驾驶汽车的研发，从而促进自动驾驶汽车快速、安全上路。

Description

一种自动驾驶汽车虚拟场景库构建方法
技术领域
本发明涉及自动驾驶汽车虚拟仿真测试领域，特别涉及一种自动驾驶汽车虚拟场景库构建方法。
背景技术
近年来，越来越多传统车企和新兴科技公司投身自动驾驶汽车的研发中，多家企业的自动驾驶汽车已经开始在道路上进行测试。根据兰德公司的研究报告，要证明自动驾驶汽车的安全性，需要进行约50亿英里的公共道路测试，也就是采用100辆车组成的车队每年365天每天24小时不间断的以25英里每小时的平均速度进行测试，大概需要225年。
因此，若想要加速自动驾驶汽车快速、安全上路，需要在自动驾驶汽车测试评价方法上有所创新。基于场景的自动驾驶汽车虚拟仿真测试测试成本低、测试效率高、可重复性强且测试场景数量多，是未来自动驾驶汽车测试的重要手段。但基于场景的自动驾驶汽车虚拟仿真测试行业还刚刚起步，对于虚拟场景库的构建缺乏系统的理论研究与支撑。
发明内容
本发明为解决上述技术问题，提供一种基于自然驾驶数据的统计分析，通过无监督学习的方法聚类获得逻辑场景数据，并于PreScan软件中构建虚拟场景库的自动驾驶汽车虚拟场景库构建方法，包括以下步骤：
步骤1，在采集数据的车辆上搭建数据采集系统，系统包括视频数据采集模块、车辆运动参数采集模块、周围环境信息采集模块和数据存储模块，所述的视频数据采集模块、车辆运动参数采集模块、周围环境信息采集模块分别与数据存储模块相连，采集到的自然驾驶数据保存于数据存储模块；
所述的视频数据采集模块为单目相机，用以采集行驶过程中的前向驾驶场景视频数据；车辆运动参数采集模块为CAN总线分析仪，用以采集行驶过程中的车辆运动参数数据；周围环境信息采集模块为毫米波雷达，用以采集行驶过程中周围环境信息数据。
步骤2，确定目标场景，从数据存储模块中人工选取目标场景的相关视频数据，并提取该目标场景时间段内对应的CAN总线采集的车辆运动参数数据、毫米波雷达采集的周围环境信息数据。
步骤3，对筛选的目标场景数据进行数据清洗，包括清除数据冗余、删除缺失数据、数据修复；
在数据清洗过程中，应在满足数据质量的前提下，保证清洗代价最小，其中所述的数据修复，包括关键信息的人工补全和按照数据的统计学规律进行修复，其清洗代价为：
Figure BDA0002345409620000021
Figure BDA0002345409620000022
式中，t为单一数据元组；ω(t)为数据元组t在所有数据元组中所占的比重；I为所有数据元组的总和；Distance(tA，t′A)为要素tA与修复后的t′A之间的距离。
步骤4，标注场景要素，将场景要素分类，包括主车车辆信息、交通参与者信息、道路环境信息、自然环境信息；主车车辆信息包括主车基础信息、主车目标信息、主车驾驶行为中的一种或数种，交通参与者信息包括行人信息、非机动车信息、机动车信息中的一种或数种，道路环境信息包括静态道路信息、动态道路信息中的一种或数种，自然环境信息包括光照、天气中的一种或数种；
对各场景要素中的连续变量和分类变量进行编码量化，连续变量的数值范围最小值取0，最大值取1，其余等比例映射在0～1范围内，例如车辆相对距离的量化：最小值取0，最大值取1，其余等比例映射在0～1范围内；分类变量的数值范围量化为0和1，例如变道切入场景下的分类变量切入方向：左侧切入取0，右侧切入取1；
将具体场景要素的量化数值整理到txt文档中，行代表目标场景样本个数，行中的每位数值代表具体的场景要素信息，从而形成目标场景数据集。
步骤5，利用k均值聚类算法进行初次聚类，依次选取k值为2、3、4、5、6、7、8、9；根据不同k值情况下的聚类结果，计算相应的误差平方和SSE取值，误差平方和SSE的计算公式为：
Figure BDA0002345409620000031
公式中，Ci为第i个类；P为Ci的样本点；mi为Ci中所有样本的均值，即质心；
利用误差平方和SSE与k值的关系确定数据的真实聚类数即最佳k值：其中SSE与k值的关系为：随着聚类数k的增大，样本划分会更加精细，每个簇的聚合程度会逐渐提高，SSE会逐渐变小，而且当k小于真实聚类数时，由于k值的增大会大幅增加每个簇的聚合程度，因此SSE的下降幅度较大，当k值到达真实聚类数时，再增加k值所得到的聚合程度会迅速变小，因此SSE的下降幅度会骤减，所以SSE和k值的关系图是一个手肘的形状，而这个肘部拐点处对应的k值就是数据的真实聚类数即最佳k值。
步骤6，利用层次聚类法对目标场景数据进行聚类，得到步骤5所确定的最佳k值个类时停止，类与类之间的距离使用的是类平均法进行计算，其聚类计算公式为：
Figure BDA0002345409620000041
式中，Gp、Gq分别为第p个类和第q个类；np、nq分别为Gp、Gq类中的样本个数；dij为样本xi与xj之间的距离；Dpq为类与类之间的平均距离；
然后从每个类中选取一个与中心距离最近的点，得到k个聚类中心；
步骤7，再次使用k均值聚类算法进行聚类，其中k值为步骤5求得的最佳k值，以步骤6确定的k个聚类中心为初始中心，利用k均值聚类算法对目标场景数据进行聚类，从而获得k个抽象目标场景类，即k个逻辑场景；
步骤8，根据聚类所得k个逻辑场景，确定显著性场景要素及其数据取值，利用虚拟仿真测试软件PreScan中的场景元素模块构建k个虚拟场景，从而形成目标场景的虚拟场景库。
同时PreScan软件可与MATLAB/Simulink软件联合仿真，进而测试与评价自动驾驶系统在各目标场景库下的性能与安全性。
本发明的有益效果：
本发明在采集自然驾驶数据并进行聚类分析的基础上，提出了一种面向自动驾驶汽车虚拟仿真测试的虚拟场景库构建方法，从而为自动驾驶虚拟场景库的构建提供了理论依据和技术支持。该虚拟场景库构建方法操作简便，可提供大量不同要求的测试目标场景环境，用于测试自动驾驶系统在虚拟场景下的安全性，代替实车在实际环境中的测试，节约大量成本，而且测试效率更高，可重复性更强，并且可以模拟各种不同要求的场景，能够加快自动驾驶汽车的研发，从而促进自动驾驶汽车快速、安全上路。
附图说明
图1为本发明实施例自动驾驶汽车虚拟场景库构建方法流程图；
图2为本发明实施例场景要素示意图。
具体实施方式
请参阅图1、2所示：本实施例利用本发明所述方法构建自动驾驶汽车变道切入虚拟场景库，具体步骤如下：
步骤1，将单目相机、CAN总线分析仪和毫米波雷达安装于采集数据的实验车辆上，用于采集行驶过程中的自然驾驶数据，其中单目相机用于采集前向驾驶场景视频数据，CAN总线分析仪用于采集车辆运动参数数据，毫米波雷达用于采集相对车速和相对距离等数据，最后将数据保存于数据存储模块。
步骤2，本实施例的目标场景为变道切入场景，将变道切入场景定义为从前方切入车辆有转向行为开始，直至该切入车辆质心位置位于主车所在车道中轴线为止；在自然驾驶数据采集完成后，根据场景定义对数据进行筛选：人工截取变道切入场景视频数据，并提取相应时间段内的CAN总线数据和毫米波雷达数据，形成变道切入场景的自然驾驶数据。
步骤3，对筛选的目标场景数据进行数据清洗，包括清除数据冗余、删除缺失数据、数据修复；
在数据清洗过程中，应在满足数据质量的前提下，保证清洗代价最小，其中所述的数据修复，包括关键信息的人工补全和按照数据的统计学规律进行修复，其清洗代价为：
Figure BDA0002345409620000051
Figure BDA0002345409620000052
式中，t为单一数据元组；ω(t)为数据元组t在所有数据元组中所占的比重；I为所有数据元组的总和；Distance(tA，t′A)为要素tA与修复后的t′A之间的距离。
步骤4，标注场景要素，因目标场景为变道切入场景，其场景要素主要包括三方面：主车车辆信息、切入车辆信息以及自然环境信息，其中主车车辆信息包括主车基础要素，所述的主车基础要素包括主车车速、相对车速、相对距离、车头时距；切入车辆信息包括切入车辆类型和切入方向，所述的车辆类型包括轿车、SUV及MPV、公交车、卡车，所述的切入方向包括左侧切入、右侧切入；自然环境信息包括光照和天气；所述的光照包括白天、黑夜，天气包括雨、雪、雾等；
对场景要素中的连续变量和分类变量进行编码量化，将其出现的数值范围等比列映射到0～1范围内，如表1所示，进而整理成相应的目标场景数据集，其中车头时距(TimeHeadway)的计算公式为：
Figure BDA0002345409620000061
式中，Thw为车头时距；D为主车与切入车辆的相对距离；Vs为本车车速；
表1场景要素量化参照表
Figure BDA0002345409620000062
Figure BDA0002345409620000071
步骤5，k值依次选取为2、3、4、5、6、7、8、9，利用k均值算法进行初次聚类，对每一个k值进行聚类并求得相应误差平方和SSE，进而利用SSE与k值的关系确定最佳k值：随着聚类数k的增大，样本划分会更加精细，每个簇的聚合程度会逐渐提高，SSE会逐渐变小，当k小于真实聚类数时，由于k值的增大会大幅增加每个簇的聚合程度，因此SSE的下降幅度会很大，而当k值到达真实聚类数时，再增加k值所得到的聚合程度会迅速变小，所以SSE的下降幅度会骤减，也就是说SSE和k值的关系图是一个手肘的形状，而这个肘部拐点对应的k值就是数据的真实聚类数即最佳k值，其中SSE的计算公式为：
Figure BDA0002345409620000072
式中，Ci为第i个类；P为Ci的样本点；mi为Ci中所有样本的均值，即质心。
步骤6，对于k均值算法，k值与初始中心的选取十分重要，因此在最佳k值确定后，还应求取k个初始中心。采用层次聚类法对目标场景数据进行聚类来确定初始中心，类与类之间的距离使用的是类平均法进行计算，当得到最佳k值个类时停止，然后从每个类中选取一个与中心距离最近的点作为k均值算法的初始中心，其中类平均法使用的聚类计算公式为：
Figure BDA0002345409620000073
式中，Gp、Gq分别为第p个类和第q个类；np、nq分别为Gp、Gq类中的样本个数；dij为样本xi与xj之间的距离；Dpq为类与类之间的平均距离。
步骤7，利用步骤5求得的最佳k值和步骤6确定的k个初始中心，再次使用k均值聚类算法对变道切入场景数据集进行聚类，得到k个抽象的变道切入场景类，即k个变道切入逻辑场景。
步骤8，根据聚类所得k个逻辑场景，确定显著性场景要素及其数据取值，利用虚拟仿真测试软件PreScan中的场景元素模块构建k个虚拟场景，从而形成变道切入虚拟场景的虚拟场景库。
同时PreScan软件可与MATLAB/Simulink软件联合仿真，进而测试与评价自动驾驶系统在变道切入虚拟场景库下的性能与安全性。

Claims (8)

1.一种自动驾驶汽车虚拟场景库构建方法，其特征在于：包括以下步骤：
步骤1，在采集数据的车辆上搭建数据采集系统，系统包括视频数据采集模块、车辆运动参数采集模块、周围环境信息采集模块和数据存储模块，所述的视频数据采集模块、车辆运动参数采集模块、周围环境信息采集模块分别与数据存储模块相连，采集到的自然驾驶数据保存于数据存储模块；
步骤2，确定目标场景，从数据存储模块中选取目标场景的相关视频数据，并提取该目标场景时间段内对应的车辆运动参数数据、周围环境信息数据；
步骤3，对筛选的目标场景数据进行数据清洗，包括清除数据冗余、删除缺失数据、数据修复；
步骤4，标注场景要素，将场景要素分类，编码量化各场景要素中的具体参数，形成相应的目标场景数据集；
步骤5，利用k均值聚类算法进行初次聚类；根据不同k值情况下的聚类结果，计算相应的误差平方和SSE取值，利用误差平方和SSE与k值的关系确定数据的真实聚类数即最佳k值；
步骤6，利用层次聚类法对目标场景数据进行聚类，得到步骤5所确定的最佳k值个类时停止，然后从每个类中选取一个与中心距离最近的点，得到k个聚类中心；
步骤7，再次使用k均值聚类算法进行聚类，其中k值为步骤5求得的最佳k值，初始中心为步骤6确定的k个聚类中心，对目标场景数据进行聚类，从而获得k个抽象目标场景类，即k个逻辑场景；
步骤8，根据聚类所得k个逻辑场景，确定显著性场景要素及其数据取值，利用虚拟仿真测试软件构建k个虚拟场景，从而形成目标场景的虚拟场景库。
2.根据权利要求1所述的一种自动驾驶汽车虚拟场景库构建方法，其特征在于：步骤1中视频数据采集模块为单目相机；车辆运动参数采集模块为CAN总线分析仪；周围环境信息采集模块为毫米波雷达。
3.根据权利要求1所述的一种自动驾驶汽车虚拟场景库构建方法，其特征在于：步骤3在数据清洗过程中，应在满足数据质量的前提下，保证清洗代价最小，其中所述的数据修复，包括关键信息的人工补全和按照数据的统计学规律进行修复，其清洗代价为：
Figure FDA0002345409610000021
Figure FDA0002345409610000022
式中，t为单一数据元组；ω(t)为数据元组t在所有数据元组中所占的比重；I为所有数据元组的总和；Distance(tA，t′A)为要素tA与修复后的t′A之间的距离。
4.根据权利要求1所述的一种自动驾驶汽车虚拟场景库构建方法，其特征在于：步骤4标注场景要素时，场景要素分类包括主车车辆信息、交通参与者信息、道路环境信息、自然环境信息；主车车辆信息包括主车基础信息、主车目标信息、主车驾驶行为中的一种或数种，交通参与者信息包括行人信息、非机动车信息、机动车信息中的一种或数种，道路环境信息包括静态道路信息、动态道路信息中的一种或数种，自然环境信息包括光照、天气中的一种或数种。
5.根据权利要求4所述的一种自动驾驶汽车虚拟场景库构建方法，其特征在于：对各场景要素中的连续变量和分类变量进行编码量化，连续变量的数值范围最小值取0，最大值取1，其余等比例映射在0～1范围内；分类变量的数值范围量化为0和1；将具体场景要素的量化数值整理到文档中，行代表目标场景样本个数，行中的每位数值代表具体的场景要素信息，从而形成目标场景数据集。
6.根据权利要求1所述的一种自动驾驶汽车虚拟场景库构建方法，其特征在于：步骤5中依次选取k值为2、3、4、5、6、7、8、9利用k均值算法进行初次聚类；所述的误差平方和SSE的计算公式为：
Figure FDA0002345409610000031
公式中，Ci为第i个类；P为Ci的样本点；mi为Ci中所有样本的均值，即质心；其中SSE与k值的关系为：随着聚类数k的增大，SSE会逐渐变小，而且当k小于真实聚类数时，SSE的下降幅度较大，当k值到达真实聚类数时，再增加k值SSE的下降幅度会骤减，所以SSE拐点处对应的k值就是数据的真实聚类数即最佳k值。
7.根据权利要求1所述的一种自动驾驶汽车虚拟场景库构建方法，其特征在于：步骤6，采用层次聚类法对目标场景数据集进行聚类过程中，类与类之间的距离使用的是类平均法进行计算，其聚类计算公式为：
Figure FDA0002345409610000032
式中，Gp、Gq分别为第p个类和第q个类；np、nq分别为Gp、Gq类中的样本个数；dij为样本xi与xj之间的距离；Dpq为类与类之间的平均距离。
8.根据权利要求1所述的一种自动驾驶汽车虚拟场景库构建方法，其特征在于：步骤8利用虚拟仿真测试软件PreScan中的场景元素模块构建虚拟场景。
CN201911392624.1A 2019-12-30 2019-12-30 一种自动驾驶汽车虚拟场景库构建方法 Pending CN111144015A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911392624.1A CN111144015A (zh) 2019-12-30 2019-12-30 一种自动驾驶汽车虚拟场景库构建方法
US16/998,478 US20210197851A1 (en) 2019-12-30 2020-08-20 Method for building virtual scenario library for autonomous vehicle

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911392624.1A CN111144015A (zh) 2019-12-30 2019-12-30 一种自动驾驶汽车虚拟场景库构建方法

Publications (1)

Publication Number Publication Date
CN111144015A true CN111144015A (zh) 2020-05-12

Family

ID=70521697

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911392624.1A Pending CN111144015A (zh) 2019-12-30 2019-12-30 一种自动驾驶汽车虚拟场景库构建方法

Country Status (2)

Country Link
US (1) US20210197851A1 (zh)
CN (1) CN111144015A (zh)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111949519A (zh) * 2020-07-30 2020-11-17 智慧航海（青岛）科技有限公司 一种管理智能船舶自主航行仿真测试场景的方法及系统
CN112115798A (zh) * 2020-08-21 2020-12-22 东风汽车集团有限公司 驾驶场景中的对象标注方法、装置及存储介质
CN112130893A (zh) * 2020-09-28 2020-12-25 北京百度网讯科技有限公司 场景配置库的生成方法、安全检测方法和装置
CN112287566A (zh) * 2020-11-24 2021-01-29 北京亮道智能汽车技术有限公司 一种自动化驾驶场景库生成方法、系统及电子设备
CN112464461A (zh) * 2020-11-20 2021-03-09 北京赛目科技有限公司 一种自动驾驶测试场景的构建方法及装置
CN112668100A (zh) * 2020-11-19 2021-04-16 同济大学 基于自然驾驶实验的智能汽车交通场景事件链重构方法
CN113268244A (zh) * 2021-05-13 2021-08-17 际络科技(上海)有限公司 一种自动驾驶场景库的脚本生成方法、装置及电子设备
CN113283821A (zh) * 2021-07-22 2021-08-20 腾讯科技（深圳）有限公司 虚拟场景处理方法、装置、电子设备及计算机存储介质
CN113343461A (zh) * 2021-06-07 2021-09-03 芜湖雄狮汽车科技有限公司 自动驾驶车辆的仿真方法、装置、电子设备及存储介质
CN113361649A (zh) * 2021-07-08 2021-09-07 南京邮电大学 一种改进模糊c均值算法的自主船舶航行场景聚类方法
CN113408061A (zh) * 2021-07-08 2021-09-17 中汽院智能网联科技有限公司 基于改进拉丁超立方抽样的虚拟驾驶场景要素重组方法
CN113570727A (zh) * 2021-06-16 2021-10-29 阿波罗智联(北京)科技有限公司 场景文件的生成方法、装置、电子设备及存储介质
CN113610166A (zh) * 2021-08-10 2021-11-05 吉林大学 一种用于建立针对智能车辆的测试场景库的方法
CN113640014A (zh) * 2021-08-13 2021-11-12 北京赛目科技有限公司 自动驾驶车辆测试场景的构建方法、装置及可读存储介质
CN114120645A (zh) * 2021-11-25 2022-03-01 北京航空航天大学 一种自然行驶环境下交通场景的提取方法
CN114495018A (zh) * 2022-04-14 2022-05-13 深圳宇通智联科技有限公司 一种面向自动驾驶矿卡的数据自动清洗方法
CN114637882A (zh) * 2022-05-17 2022-06-17 深圳市华世智能科技有限公司 基于计算机图形技术生成带标记样本的方法
WO2022160900A1 (zh) * 2021-01-29 2022-08-04 华为技术有限公司 一种测试场景构建方法及装置
WO2022247298A1 (zh) * 2021-05-27 2022-12-01 上海仙途智能科技有限公司 参数调整
CN115576224A (zh) * 2022-11-22 2023-01-06 中国重汽集团济南动力有限公司 一种自适应巡航控制系统仿真测试和评价方法
CN115587501A (zh) * 2022-11-09 2023-01-10 工业和信息化部装备工业发展中心 用于对智能网联汽车进行测试的场景库的构建方法及装置
CN116012474A (zh) * 2022-12-13 2023-04-25 昆易电子科技(上海)有限公司 仿真测试图像生成、回注方法及系统、工控机、装置
CN116110222A (zh) * 2022-11-29 2023-05-12 东风商用车有限公司 基于大数据的车辆应用场景分析方法

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113743456B (zh) * 2021-07-27 2024-05-10 武汉光庭信息技术股份有限公司 一种基于无监督学习的场景定位方法及系统
CN113671851B (zh) * 2021-08-13 2023-08-01 南京航空航天大学 基于Datalog规则的自适应无人小车仿真方法
CN113777952A (zh) * 2021-08-19 2021-12-10 北京航空航天大学 一种实车与虚拟车交互映射的自动驾驶仿真测试方法
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
CN113468678B (zh) * 2021-09-02 2021-12-24 北京赛目科技有限公司 一种自动驾驶算法准确度的计算方法及装置
US11693752B2 (en) * 2021-09-15 2023-07-04 International Business Machines Corporation Measuring driving model coverage by microscope driving model knowledge
CN113942521B (zh) * 2021-11-18 2023-06-06 北京航空航天大学 一种智能车路系统下驾驶员风格辨识方法
CN113823096B (zh) * 2021-11-25 2022-02-08 禾多科技（北京）有限公司 用于仿真测试的随机交通流障碍物对象布置方法
CN114780646A (zh) * 2022-04-12 2022-07-22 腾讯科技（深圳）有限公司 车辆处理方法、装置、计算机设备及存储介质
CN115257891B (zh) * 2022-05-27 2024-06-04 浙江众合科技股份有限公司 基于关键位置抽取与随机位置融合的cbtc场景测试方法
CN115145246B (zh) * 2022-06-27 2024-06-11 小米汽车科技有限公司 控制器的测试方法、装置、车辆、存储介质及芯片
WO2024007694A1 (zh) * 2022-07-06 2024-01-11 华为云计算技术有限公司 建图方法、装置和计算设备集群
CN115236627B (zh) * 2022-09-21 2022-12-16 深圳安智杰科技有限公司 一种基于多帧多普勒速度扩维的毫米波雷达数据聚类方法
CN115329899A (zh) * 2022-10-12 2022-11-11 广东电网有限责任公司中山供电局 一种聚类等效模型构建方法、系统、设备和存储介质
CN116167164B (zh) * 2023-02-16 2023-11-10 深圳国芯人工智能有限公司 一种基于智能测试的软件系统
CN116597690B (zh) * 2023-07-18 2023-10-20 山东高速信息集团有限公司 智能网联汽车的高速公路测试场景生成方法、设备及介质
CN117634135B (zh) * 2023-10-16 2024-08-27 广州汽车集团股份有限公司 虚拟交通场景的建立方法、系统、装置及设备
CN117275655A (zh) * 2023-11-15 2023-12-22 中国人民解放军总医院第六医学中心 一种基于人工智能的病案统计整理方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948217A (zh) * 2019-03-12 2019-06-28 中国汽车工程研究院股份有限公司 一种基于自然驾驶数据的危险场景库构建方法
CN110553853A (zh) * 2019-08-06 2019-12-10 清华大学 基于场地下较差场景搜索的自动驾驶功能测试测评方法

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014174447A (ja) * 2013-03-12 2014-09-22 Japan Automobile Research Institute 車両用危険場面再現装置、およびその使用方法
US20160210382A1 (en) * 2015-01-21 2016-07-21 Ford Global Technologies, Llc Autonomous driving refined in virtual environments
US20220194400A1 (en) * 2015-05-20 2022-06-23 Continental Automotive Systems, Inc. System and method for enhancing vehicle performance using machine learning
US9845097B2 (en) * 2015-08-12 2017-12-19 Ford Global Technologies, Llc Driver attention evaluation
US10401852B2 (en) * 2015-11-04 2019-09-03 Zoox, Inc. Teleoperation system and method for trajectory modification of autonomous vehicles
US10019637B2 (en) * 2015-11-13 2018-07-10 Honda Motor Co., Ltd. Method and system for moving object detection with single camera
US10289113B2 (en) * 2016-02-25 2019-05-14 Ford Global Technologies, Llc Autonomous occupant attention-based control
US11210436B2 (en) * 2016-07-07 2021-12-28 Ford Global Technologies, Llc Virtual sensor-data-generation system and method supporting development of algorithms facilitating navigation of railway crossings in varying weather conditions
EP3497405B1 (en) * 2016-08-09 2022-06-15 Nauto, Inc. System and method for precision localization and mapping
WO2018053175A1 (en) * 2016-09-14 2018-03-22 Nauto Global Limited Systems and methods for near-crash determination
WO2018081807A2 (en) * 2016-10-31 2018-05-03 Mobileye Vision Technologies Ltd. Systems and methods for navigating lane merges and lane splits
US10259452B2 (en) * 2017-01-04 2019-04-16 International Business Machines Corporation Self-driving vehicle collision management system
US11347054B2 (en) * 2017-02-16 2022-05-31 Magic Leap, Inc. Systems and methods for augmented reality
US10417816B2 (en) * 2017-06-16 2019-09-17 Nauto, Inc. System and method for digital environment reconstruction
US10532749B2 (en) * 2017-08-11 2020-01-14 Uatc, Llc Systems and methods to adjust autonomous vehicle parameters in response to passenger feedback
US10782694B2 (en) * 2017-09-07 2020-09-22 Tusimple, Inc. Prediction-based system and method for trajectory planning of autonomous vehicles
US10782693B2 (en) * 2017-09-07 2020-09-22 Tusimple, Inc. Prediction-based system and method for trajectory planning of autonomous vehicles
US10473788B2 (en) * 2017-12-13 2019-11-12 Luminar Technologies, Inc. Adjusting area of focus of vehicle sensors by controlling spatial distributions of scan lines
US10663963B2 (en) * 2018-08-03 2020-05-26 Here Global B.V. Method and apparatus for visualizing future events for passengers of autonomous vehicles
US11521009B2 (en) * 2018-09-04 2022-12-06 Luminar, Llc Automatically generating training data for a lidar using simulated vehicles in virtual space
US12065149B2 (en) * 2019-03-18 2024-08-20 Cognata Ltd. Systems and methods for evaluation of vehicle technologies
US11010640B1 (en) * 2019-06-24 2021-05-18 Lytx, Inc. Automated training data quality process
CN112506179A (zh) * 2019-09-13 2021-03-16 图森有限公司 用于自主车辆操作的分布式计算系统
US11352034B2 (en) * 2019-10-14 2022-06-07 Raytheon Company Trusted vehicle accident avoidance control
US20210149407A1 (en) * 2019-11-15 2021-05-20 International Business Machines Corporation Autonomous vehicle accident condition monitor
US11686848B2 (en) * 2019-11-16 2023-06-27 Uatc, Llc Systems and methods for training object detection models using adversarial examples
US11620838B2 (en) * 2019-11-16 2023-04-04 Uatc, Llc Systems and methods for answering region specific questions
CN113361549A (zh) * 2020-03-04 2021-09-07 华为技术有限公司 一种模型更新方法以及相关装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948217A (zh) * 2019-03-12 2019-06-28 中国汽车工程研究院股份有限公司 一种基于自然驾驶数据的危险场景库构建方法
CN110553853A (zh) * 2019-08-06 2019-12-10 清华大学 基于场地下较差场景搜索的自动驾驶功能测试测评方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱冰: "《基于场景的自动驾驶汽车虚拟测试研究进展》", 《中国公路学报》 *
李文超 等: "《一种新的基于层次和K-means方法的聚类算法》", 《第二十六届中国控制会议》 *

Cited By (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111949519A (zh) * 2020-07-30 2020-11-17 智慧航海（青岛）科技有限公司 一种管理智能船舶自主航行仿真测试场景的方法及系统
CN112115798A (zh) * 2020-08-21 2020-12-22 东风汽车集团有限公司 驾驶场景中的对象标注方法、装置及存储介质
CN112130893A (zh) * 2020-09-28 2020-12-25 北京百度网讯科技有限公司 场景配置库的生成方法、安全检测方法和装置
CN112130893B (zh) * 2020-09-28 2023-06-20 阿波罗智联(北京)科技有限公司 场景配置库的生成方法、安全检测方法和装置
CN112668100A (zh) * 2020-11-19 2021-04-16 同济大学 基于自然驾驶实验的智能汽车交通场景事件链重构方法
CN112668100B (zh) * 2020-11-19 2022-08-19 同济大学 基于自然驾驶实验的智能汽车交通场景事件链重构方法
CN112464461B (zh) * 2020-11-20 2021-09-28 北京赛目科技有限公司 一种自动驾驶测试场景的构建方法及装置
CN112464461A (zh) * 2020-11-20 2021-03-09 北京赛目科技有限公司 一种自动驾驶测试场景的构建方法及装置
CN112287566A (zh) * 2020-11-24 2021-01-29 北京亮道智能汽车技术有限公司 一种自动化驾驶场景库生成方法、系统及电子设备
CN112287566B (zh) * 2020-11-24 2024-05-07 北京亮道智能汽车技术有限公司 一种自动化驾驶场景库生成方法、系统及电子设备
WO2022160900A1 (zh) * 2021-01-29 2022-08-04 华为技术有限公司 一种测试场景构建方法及装置
CN113268244A (zh) * 2021-05-13 2021-08-17 际络科技(上海)有限公司 一种自动驾驶场景库的脚本生成方法、装置及电子设备
WO2022247298A1 (zh) * 2021-05-27 2022-12-01 上海仙途智能科技有限公司 参数调整
CN113343461A (zh) * 2021-06-07 2021-09-03 芜湖雄狮汽车科技有限公司 自动驾驶车辆的仿真方法、装置、电子设备及存储介质
CN113570727A (zh) * 2021-06-16 2021-10-29 阿波罗智联(北京)科技有限公司 场景文件的生成方法、装置、电子设备及存储介质
CN113570727B (zh) * 2021-06-16 2024-04-16 阿波罗智联(北京)科技有限公司 场景文件的生成方法、装置、电子设备及存储介质
CN113408061B (zh) * 2021-07-08 2023-05-05 中汽院智能网联科技有限公司 基于改进拉丁超立方抽样的虚拟驾驶场景要素重组方法
CN113408061A (zh) * 2021-07-08 2021-09-17 中汽院智能网联科技有限公司 基于改进拉丁超立方抽样的虚拟驾驶场景要素重组方法
CN113361649A (zh) * 2021-07-08 2021-09-07 南京邮电大学 一种改进模糊c均值算法的自主船舶航行场景聚类方法
CN113361649B (zh) * 2021-07-08 2024-04-02 南京邮电大学 一种改进模糊c均值算法的自主船舶航行场景聚类方法
CN113283821A (zh) * 2021-07-22 2021-08-20 腾讯科技（深圳）有限公司 虚拟场景处理方法、装置、电子设备及计算机存储介质
CN113610166A (zh) * 2021-08-10 2021-11-05 吉林大学 一种用于建立针对智能车辆的测试场景库的方法
CN113610166B (zh) * 2021-08-10 2023-12-26 吉林大学 一种用于建立针对智能车辆的测试场景库的方法
CN113640014A (zh) * 2021-08-13 2021-11-12 北京赛目科技有限公司 自动驾驶车辆测试场景的构建方法、装置及可读存储介质
CN114120645A (zh) * 2021-11-25 2022-03-01 北京航空航天大学 一种自然行驶环境下交通场景的提取方法
CN114120645B (zh) * 2021-11-25 2023-01-10 北京航空航天大学 一种自然行驶环境下交通场景的提取方法
CN114495018A (zh) * 2022-04-14 2022-05-13 深圳宇通智联科技有限公司 一种面向自动驾驶矿卡的数据自动清洗方法
CN114495018B (zh) * 2022-04-14 2022-07-01 深圳宇通智联科技有限公司 一种面向自动驾驶矿卡的数据自动清洗方法
CN114637882A (zh) * 2022-05-17 2022-06-17 深圳市华世智能科技有限公司 基于计算机图形技术生成带标记样本的方法
CN115587501A (zh) * 2022-11-09 2023-01-10 工业和信息化部装备工业发展中心 用于对智能网联汽车进行测试的场景库的构建方法及装置
CN115576224B (zh) * 2022-11-22 2023-10-10 中国重汽集团济南动力有限公司 一种自适应巡航控制系统仿真测试和评价方法
CN115576224A (zh) * 2022-11-22 2023-01-06 中国重汽集团济南动力有限公司 一种自适应巡航控制系统仿真测试和评价方法
CN116110222A (zh) * 2022-11-29 2023-05-12 东风商用车有限公司 基于大数据的车辆应用场景分析方法
CN116012474A (zh) * 2022-12-13 2023-04-25 昆易电子科技(上海)有限公司 仿真测试图像生成、回注方法及系统、工控机、装置
CN116012474B (zh) * 2022-12-13 2024-01-30 昆易电子科技(上海)有限公司 仿真测试图像生成、回注方法及系统、工控机、装置

Also Published As

Publication number Publication date
US20210197851A1 (en) 2021-07-01

Similar Documents

Publication Publication Date Title
CN111144015A (zh) 一种自动驾驶汽车虚拟场景库构建方法
CN111238825B (zh) 面向组合试验路面的智能驾驶自动紧急制动性能测试方法
CN110766098A (zh) 基于改进YOLOv3的交通场景小目标检测方法
CN110304068B (zh) 汽车行驶环境信息的采集方法、装置、设备和存储介质
CN109948217B (zh) 一种基于自然驾驶数据的危险场景库构建方法
CN111599183B (zh) 一种自动驾驶场景分类识别系统及方法
CN112084890B (zh) 基于gmm和cqfl的多尺度识别交通信号标志的方法
CN110717147A (zh) 一种构建汽车行驶工况的方法
CN110579359B (zh) 自动驾驶失效场景库的优化方法及系统、服务器及介质
CN113155173B (zh) 感知性能评测方法、装置、电子装置和存储介质
CN111666714B (zh) 自动驾驶仿真场景识别的方法及装置
CN113268244A (zh) 一种自动驾驶场景库的脚本生成方法、装置及电子设备
CN110909598A (zh) 一种基于深度学习的非机动车道交通违法行驶识别方法
CN110232335A (zh) 驾驶场景分类方法及电子设备
CN114493191B (zh) 一种基于网约车数据的驾驶行为建模分析方法
CN114896325A (zh) 一种用于预期功能安全的场景测试评价方法与系统
CN111008554B (zh) 一种基于深度学习的动态交通斑马线内不礼让行人识别方法
CN114169444A (zh) 车辆跟驰工况下考虑风险势场分布的驾驶风格分类方法
CN114820922A (zh) 基于复杂度的自动驾驶有效静态场景构建方法和系统
CN114255593A (zh) 监控车流的方法、装置、和存储介质
CN114722569A (zh) 一种基于事故数据的仿真危险场景的构建方法
CN112729366B (zh) 自动驾驶场地测试的天气模拟设备测试评价方法及装置
CN114359696A (zh) 一种天气图特征类型识别及相似度匹配系统和方法
CN112749661A (zh) 一种基于区块链和IVggNet的交通事故判责模型
CN112257869A (zh) 基于随机森林的套牌车分析方法、系统及计算机介质

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

Application publication date: 20200512

RJ01 Rejection of invention patent application after publication