CN111238825B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111238825B
CN111238825B CN202010028039.XA CN202010028039A CN111238825B CN 111238825 B CN111238825 B CN 111238825B CN 202010028039 A CN202010028039 A CN 202010028039A CN 111238825 B CN111238825 B CN 111238825B
Authority
CN
China
Prior art keywords
test
layer
braking
road surface
pavement
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
Application number
CN202010028039.XA
Other languages
English (en)
Other versions
CN111238825A (zh
Inventor
李旭
胡玮明
徐启敏
胡锦超
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202010028039.XA priority Critical patent/CN111238825B/zh
Publication of CN111238825A publication Critical patent/CN111238825A/zh
Application granted granted Critical
Publication of CN111238825B publication Critical patent/CN111238825B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本发明公开了一种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。首先，针对我国存在的缺乏多种路面附着条件下制动性能测评的问题，构建了面向组合试验路面的自动紧急制动性能测试场景。其次，为了准确、实时的辨识被测车辆行驶过程中的试验路面条件，建立了基于深度卷积神经网络的试验路面识别模型。最后，量化不同路面附着条件下的自动紧急制动性能指标，建立多维度的智能驾驶自动紧急制动性能指标体系。相比于现有的单一环境条件的制动性能测试，本发明提出的方法实现了湿滑路面、冰雪路面、搓板路面等多种极限试验条件下的自动紧急制动性能的科学定量测评。

Description

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
技术领域
本发明属于智能驾驶测试评估技术领域，尤其涉及一种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。
背景技术
智能驾驶是提升道路交通运输安全和智能化水平、推动交通运输行业转型升级的重要技术途径。在实施推进智能驾驶发展的相关行动计划过程中，我国交通运输发展面临着高安全、高效能、高品质服务的挑战，当前以预防事故危险发生为核心的主动安全技术成为了智能驾驶发展的重要方向。
作为智能驾驶车载功能的重要组成部分，自动紧急制动(Autonomous EmergencyBraking,AEB)很大程度地提高了汽车的主动安全性。汽车界最具权威的安全认证机构Euro-NCAP的研究表明，AEB可以避免27％的交通事故，同时能大幅降低碰撞事故中人员受伤害的程度。因此，针对AEB功能性能的测评受到了各国政府和评价机构的高度重视。
为此，西方发达国家出台了一系列政策法规，以保证车辆制动系统的安全性。美国公路安全保险协会(Insurance Institute for Highway Safety,IIHS)、欧盟新车安全评鉴协会(The European New Car Assessment Programme,Euro NCAP)等均对自动紧急制动的功能测试和试验规程做出了规定，并将AEB评价纳入了车辆安全评分体系。
同时，我国也制定了相关的国家标准，GB/T 38186-2019标准《商用车辆自动紧急制动系统性能要求及试验方法》、JT/T 1242-2019标准《营运车辆自动紧急制动系统性能要求和测试规程》等对自动紧急制动性能的试验方法做出了明确规定。同时，中国新车评价规范(China New Car Assessment Program,C-NCAP)管理规则、i-VISTA(IntelligentVehicle System Test Area)中国智能汽车指数评价体系等也对自动紧急制动系统的测评方法和测评场景进行了规定，构建了评分和星级划分体系，以评价自动紧急制动系统的优劣。
然而，这些标准规范主要针对干燥、具有良好附着能力的路面进行制动性能测评，未针对湿滑路面、冰雪路面、搓板路面等特殊却又常见的试验路面进行制动性能测试评估。同时，这些标准规范大多针对人车交互、车车交互场景的功能级测评，缺乏面向多种路面的自动紧急制动性能综合测试，特别是缺少量化组合试验路面下的自动紧急制动性能评价指标的研究。
目前，已有专利文献分析了自动紧急制动的功能测试和评价规程，建立了评价指标体系，涉及安全、效率、节能等方面，但多属于自动紧急制动功能的定性或验证性评价，未涉及汽车试验场内常见的组合试验路面的自动紧急制动性能测评，尚不能满足多种极限试验条件下的自动紧急制动性能的测试需求。
综上，目前尚未形成面向多种试验路面组合的自动紧急制动性能的完整测试方法和指标评价体系，有待进一步完善。
发明内容
为了全面、准确地评价不同路面附着条件下的车辆制动性能，量化并输出多种试验路面下的自动紧急制动性能评价指标，实现智能驾驶自动紧急制动性能的可靠测试，以填补实际应用中面向组合试验路面的自动紧急制动性能测试技术的空白，本发明公开了一种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。该测试方法基于实际道路试验，除适用于干燥路面的制动性能测试外，可针对湿滑路面、冰雪路面、搓板路面等多种组合极限试验条件进行制动性能的测试。
为了达到上述目的，本发明提供如下技术方案：
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，包括如下步骤：
步骤一：构建面向组合试验路面的自动紧急制动性能测试场景
首先，选取双车道的环形组合试验路作为试验场地，其中外侧车道为干燥的沥青路面，内侧车道为分段的可靠性强化试验路，包括若干典型路面，所述典型路面包括：搓板路面、冰雪路面、湿滑路面、卵石路面；
被测车辆是指进行自动紧急制动性能测试的智能驾驶汽车；目标车辆是指位于被测车辆行驶轨迹前方，与被测车辆运动方向相同、距离最近的车辆；
步骤二：设计基于深度卷积神经网络的试验路面识别模型
在面向组合试验路面的自动紧急制动性能测试过程中，实时、准确的识别被测车辆行驶过程中的路面条件，从而准确测量和记录不同路面附着条件下的车辆运动状态参数；利用卷积神经网络，设计试验路面识别模型，具体包括以下子步骤：
子步骤1：建立自动紧急制动性能测试的试验路面数据集
在智能驾驶汽车的前车牌架下方安装前置视觉传感器，镜头角度设置为俯视；对视觉传感器采集的k类试验路面样本进行标注，然后将样本尺寸调整为Q×Q像素，并记为
Figure BDA0002363183350000021
其中，k为样本中路面类别的数量，Q为样本的像素，i为样本序号，xi为第i个样本的大小，
Figure BDA0002363183350000022
分别表示第i个样本的高度、宽度和通道数；
子步骤2：设计试验路面识别的深度卷积神经网络架构
设计基于深度卷积神经网络的试验路面识别模型，该模型为串行的卷积神经网络结构；具体包括：
(1)设计卷积层
设置卷积核大小为5×5的卷积层数量为
Figure BDA0002363183350000031
用于提取边缘、线条等低级特征，其中，
Figure BDA0002363183350000032
卷积核数量为
Figure BDA0002363183350000033
步长均为1；设置卷积核大小为3×3的卷积层数量为
Figure BDA0002363183350000034
其中，取
Figure BDA0002363183350000035
卷积核数量为
Figure BDA0002363183350000036
步长均为1；设置卷积核大小为1×1的卷积层数量为
Figure BDA0002363183350000037
用于提取试验路面的局部细节特征，其中，
Figure BDA0002363183350000038
卷积核数量为
Figure BDA0002363183350000039
步长均为1；
(2)设计最大池化层
设计池化层结构，利用下采样减小特征图的尺寸，采用能够保留更多纹理信息的最大池化层；设置最大池化层数量为
Figure BDA00023631833500000310
取
Figure BDA00023631833500000311
下采样尺寸均为2×2，步长均为2；
(3)设计全局平均池化层
使用全局平均池化层代替全连接层，压缩模型大小；
(4)设计Softmax多分类器
训练集由i个已标记的样本构成：{(x1,y1),(x2,y2),...,(xi,yi)}，其中xi表示第i个样本的向量，yi表示第i个样本的标签；利用Softmax分类器，将样本在各个类别的评分值转化为一组分类概率；
Figure BDA00023631833500000312
式(1)中，P(Y＝k|X＝xi)表示样本xi对应的各类别概率，fk(xi)表示第k个特征图在xi处的输出，e为自然常数；特征图由全局平均池化层输出得到；
(5)确定网络结构
根据(1)、(2)中各变量的取值范围，建立不同的试验路面识别模型，利用子步骤1建立的试验路面数据集对这些模型进行测试和验证，在同时考虑路面识别精度和速度的情况下，确定性能最优的网络模型；
池化层数量
Figure BDA00023631833500000313
卷积层数量为4，其中，卷积核大小为5×5的卷积层数量
Figure BDA00023631833500000314
对应的卷积核数量
Figure BDA00023631833500000315
分别为6、16；卷积核大小为3×3的卷积层数量
Figure BDA00023631833500000316
对应的卷积核
Figure BDA00023631833500000317
卷积核大小为1×1的卷积层数量
Figure BDA00023631833500000318
对应的卷积核
Figure BDA00023631833500000319
基于深度卷积神经网络的试验路面识别模型的具体结构描述如下：
1)第一层，卷积层Conv1
第一层的输入是原始图像，像素为Q×Q，用6个5×5的卷积核与原始输入图像做卷积，步长为1将指数线性单元作为神经元的激活函数，经过ELU激活，输出维度为(Q-4)×(Q-4)×6的特征图；
2)第二层，最大池化层Pool1
用6个2×2的核与第一层输出的特征图做最大池化，步长为2，输出维度为
Figure BDA0002363183350000041
的特征图；
3)第三层，卷积层Conv2
用16个5×5的卷积核与第二层输出的特征图做卷积，步长为1；将网络第三层与第二层设置为部分连接的结构；部分连接的结构描述如下：
用6个5×5的卷积核与第二层输出的3个特征图做卷积，经过ELU激活；用后面6个5×5的卷积核与第二层输出的4个特征图做卷积，经过ELU激活；用后面4个5×5的卷积核与第二层输出的4个特征图做卷积，经过ELU激活；用最后1个5×5的卷积核与第二层输出的所有特征图做卷积，经过ELU激活；最终输出维度为
Figure BDA0002363183350000042
的特征图；
4)第四层，池化层Pool2
用16个2×2的核与第三层输出的特征图做最大池化，步长为1，输出维度为
Figure BDA0002363183350000043
的特征图；
5)第五层，卷积层Conv3
用16个3×3的卷积核与第四层输出的特征图做卷积，步长为1，经过ELU激活，输出维度为
Figure BDA0002363183350000044
的特征图；
6)第六层，池化层Pool3
用16个2×2的核与第五层输出的特征图做最大池化，步长为2，输出维度为
Figure BDA0002363183350000045
的特征图；
7)第七层，卷积层Conv4
用6个1×1的卷积核与第六层输出的特征图做卷积，步长为1，经过ELU激活，输出维度为
Figure BDA0002363183350000046
的特征图；
8)第八层，全局平均池化层Gap1
将第七层输出的6个特征图降维成大小为1×6的特征图，再用k个1×1卷积核将1×6的特征图卷成1×k的向量；因此，第八层输出的尺寸为1×k；
9)第九层，Softmax多分类器
利用Softmax分类器输出各路面类别的分类概率，选取最大概率对应的路面条件，作为试验路面识别的最终结果；
子步骤3：训练用于路面识别的深度卷积神经网络
对子步骤2中设计的深度学习模型进行训练，训练过程包含前向传播和反向传播两个阶段；在前向传播阶段，将数据集{(x1,y1),(x2,y2),...,(xi,yi)}输入到网络中，计算相应的实际输出，为了量化预测值与实际值之间的差距，设计带有L1正则化项的交叉熵代价函数：
Figure BDA0002363183350000051
式(2)中，J(·)为代价函数，θ为路面识别模型需要学习的参数，k为样本中路面类别的数量，m为样本的数量，xi表示第i个样本，yi表示第i个样本对应的标签，||w||1为L1正则化项，是权值向量w中各个元素的绝对值之和，非线性假设函数hθ(x(i))为：
Figure BDA0002363183350000052
式(3)中，上角标T表示对矩阵转置，exp(·)表示以自然常数e为底的指数函数；
在反向传播阶段，首先，计算实际输出与相应的理想输出之间的误差；其次，对代价函数求偏导数；最后，利用随机梯度下降法迭代并优化网络参数；参数更新公式为：
Figure BDA0002363183350000053
式(4)中，α为学习率，
Figure BDA0002363183350000054
为计算的梯度；
在确定代价函数、梯度下降方法后，首先，对路面识别网络进行预训练；然后，根据损失曲线的变化情况，对预训练得到的网络参数进行微调；最后，获得参数选取最优的试验路面识别模型；
子步骤4：利用试验路面识别网络进行路面条件识别
将车载视觉传感器采集的试验路面图像输入到已训练的试验路面识别网络中，能够实时获取试验路面的识别结果；
步骤三：量化不同路面附着条件下的自动紧急制动性能指标
利用预计碰撞时间、制动效能、制动平顺性和制动方向稳定性表征智能驾驶汽车的自动紧急制动性能，并对不同路面附着条件下的各制动性能指标进行量化；具体包括：
(1)预计碰撞时间
利用预计碰撞时间对智能驾驶汽车制动过程中的安全性进行量化：
Figure BDA0002363183350000061
式(5)中，δr(r＝1,2,3,4,...)分别表示干燥路面、冰雪路面、湿滑路面、搓板路面，
Figure BDA0002363183350000062
表示路面附着条件为δr下的车辆预计碰撞时间，指在保持相对车速不变的情况下，自车与目标车辆发生碰撞所需的时间，
Figure BDA0002363183350000063
表示t时刻的被测车辆与目标车辆的纵向相对距离，
Figure BDA0002363183350000064
表示t时刻的被测车辆与目标车辆的纵向速度的差值；
(2)制动效能
利用制动效能表征智能驾驶汽车的自动紧急制动性能，具体包括制动时间、制动距离和制动减速度；
1)制动时间
Figure BDA0002363183350000065
式(6)中，
Figure BDA0002363183350000066
表示路面附着条件为δr下的车辆制动时间，即智能驾驶汽车从开始制动到完全静止所需的时间，
Figure BDA0002363183350000067
分别表示车辆制动的起始时间和结束时间；
2)制动距离、制动减速度分别指汽车以一定初速度制动到完全静止的制动距离、制动时汽车的减速度；
(3)制动平顺性
利用制动平顺性量化智能驾驶汽车进行制动的紧急程度：
Figure BDA0002363183350000068
式(7)中，
Figure BDA0002363183350000069
表示路面附着条件为δr下的制动平顺性量化后的值，s表示智能驾驶汽车制动过程中采样数据的个数，
Figure BDA00023631833500000610
表示t时刻的车辆纵向减速度，
Figure BDA00023631833500000611
表示制动过程中的纵向减速度的均值；
(4)制动方向稳定性
利用制动方向稳定性量化智能驾驶汽车制动时不发生跑偏、侧滑的能力：
Figure BDA00023631833500000612
式(8)中，
Figure BDA0002363183350000071
表示制动方向稳定性量化后的值，s表示智能驾驶汽车制动过程中采样数据的个数，
Figure BDA0002363183350000072
表示t时刻的车辆的横摆角速度，
Figure BDA0002363183350000073
表示制动过程中的横摆角速度的均值。
本发明还提供了面向组合试验路面的智能驾驶自动紧急制动性能测试系统，包括：构建测试场景模块、设计识别模型模块、量化性能指标模块；所述构建测试场景模块用于构建面向组合试验路面的自动紧急制动性能测试场景；所述设计识别模型模块用于设计基于深度卷积神经网络的试验路面识别模型，先建立自动紧急制动性能测试的试验路面数据集，再设计试验路面识别的深度卷积神经网络架构，随后训练用于路面识别的深度卷积神经网络，最后利用试验路面识别网络进行路面条件识别；量化性能指标模块用于量化不同路面附着条件下的自动紧急制动性能指标，对不同路面附着条件下的各制动性能指标进行量化，所述各制动性能指标包括：预计碰撞时间、制动效能、制动平顺性、制动方向稳定性。
与现有技术相比，本发明具有如下优点和有益效果：
(1)通过本发明构建的测试场景和量化的制动性能评价指标，实现了组合试验路面下的智能驾驶自动紧急制动性能优劣的科学定量测评。
(2)相比于现有的面向干燥路面的制动性能测试方法，本发明提出的面向组合试验路面的自动紧急制动性能测试方法，实现了试验路面附着条件的自动辨识，实现了湿滑路面、冰雪路面、搓板路面等多种极限试验条件下的自动紧急制动性能测试。相比于单一环境条件的制动性能测试，本发明提出的方法更具准确性和说服力。
附图说明
图1是本发明步骤流程图；
图2是本发明构建的面向组合试验路面的自动紧急制动性能测试场景；
图3是本发明设计的试验路面识别模型的整体架构；
图4是本发明设计的试验路面识别模型的训练过程。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明提出了一种面向干燥路面、湿滑路面、冰雪路面、搓板路面等不同路面附着条件的组合试验路面的自动紧急制动性能测试方法。首先，针对我国存在的缺乏多种路面附着条件下制动性能测评的问题，构建了面向组合试验路面的自动紧急制动性能测试场景。其次，为了准确、实时的辨识被测车辆行驶过程中的试验路面条件，建立了基于深度卷积神经网络的试验路面识别模型。最后，量化不同路面附着条件下的自动紧急制动性能指标，建立多维度的智能驾驶自动紧急制动性能指标体系。具体的说，本发明的流程如图1所示，具体步骤如下：
步骤一：构建面向组合试验路面的自动紧急制动性能测试场景
针对我国存在的缺乏极限试验条件下制动性能测评的问题，同时考虑到不同路面附着条件对制动距离、制动时间等制动性能参数的影响，本发明构建了面向组合试验路面的自动紧急制动性能测试场景。
首先，选取双车道的环形组合试验路作为试验场地，其中外侧车道为干燥的沥青路面，内侧车道为分段的可靠性强化试验路，包括搓板路面、冰雪路面、湿滑路面、卵石路面等多种典型路面。场景布设如图2所示。
本发明中，被测车辆是指进行自动紧急制动性能测试的智能驾驶汽车。目标车辆是指位于被测车辆行驶轨迹前方，与被测车辆运动方向相同、距离最近的车辆。
步骤二：设计基于深度卷积神经网络的试验路面识别模型
在面向组合试验路面的自动紧急制动性能测试过程中，需要实时、准确的识别被测车辆行驶过程中的路面条件，从而准确测量和记录不同路面附着条件下的车辆运动状态参数。
为了满足路面条件识别精度高、速度快的要求，需建立能够准确、快速识别试验路面条件的网络模型。已有的检测方法大多利用建立的车辆动力学模型对路面附着系数进行估计，然而，在智能驾驶车载功能测试过程中，各被测车辆的动力学模型存在差异，对各被测车辆分别进行动力学建模将严重影响测试评估的时间和效率，无法满足智能驾驶测试评估的需求。鉴于此，本发明选择效率较高的图像处理方法进行试验路面识别。卷积神经网络(Convolutional Neural Network,CNN)在图像处理方面具有良好的容错能力、并行处理能力和自学习能力，相比于传统的机器视觉技术，CNN无需对图像进行额外的预处理和人为的特征提取等复杂操作，具有较好的分类识别效果和较强的鲁棒性。因此，本发明利用卷积神经网络，设计了试验路面识别模型，具体包括以下子步骤：
子步骤1：建立自动紧急制动性能测试的试验路面数据集
在智能驾驶汽车的前车牌架下方安装前置视觉传感器，镜头角度设置为俯视。对视觉传感器采集的k类试验路面样本进行标注，然后将样本尺寸调整为Q×Q像素，并记为
Figure BDA0002363183350000081
其中，k为样本中路面类别的数量，Q为样本的像素，i为样本序号，xi为第i个样本的大小，
Figure BDA0002363183350000082
分别表示第i个样本的高度、宽度和通道数。
子步骤2：设计试验路面识别的深度卷积神经网络架构
设计基于深度卷积神经网络的试验路面识别模型，该模型为串行的卷积神经网络结构。针对试验路面样本中不包含背景信息的特点，使用不同大小的卷积核进行卷积操作，以提取更多的路面特征信息；针对试验路面识别的实时性需求，设计轻量化的网络结构并引入全局平均池化层，尽可能的减少计算参数以提高网络的识别速度，设计的网络结构如图3所示，具体包括：
(1)设计卷积层
为了准确提取不同试验路面的特征，本发明利用卷积神经网络的局部感知优势，设计了包含不同卷积核大小的路面特征提取结构。一般来说，网络的特征提取能力随着卷积层数量的增加而增强，然而，过多的卷积层使网络的计算参数激增，而过少的卷积层使网络提取的特征匮乏。另外，卷积核增大会使网络的感受野增大，从而获取更多的路面细节特征，但过大的卷积核会使网络的参数和计算量增大，不利于模型深度的增加。因此，合理选择卷积层的数量和卷积核的大小对于改善试验路面识别的精度和计算速度具有重要作用。
基于以上原因，本发明设置卷积核大小为5×5的卷积层数量为
Figure BDA0002363183350000091
用于提取边缘、线条等低级特征，其中，
Figure BDA0002363183350000092
卷积核数量为
Figure BDA0002363183350000093
步长均为1；设置卷积核大小为3×3的卷积层数量为
Figure BDA0002363183350000094
其中，取
Figure BDA0002363183350000095
卷积核数量为
Figure BDA0002363183350000096
步长均为1；设置卷积核大小为1×1的卷积层数量为
Figure BDA0002363183350000097
用于提取试验路面的局部细节特征，其中，
Figure BDA0002363183350000098
卷积核数量为
Figure BDA0002363183350000099
步长均为1。
(2)设计最大池化层
为了提高试验路面的识别速度，本发明设计了池化层结构，利用下采样减小特征图的尺寸，在保留显著特征的同时，减小了网络的计算量。
在常用的池化层中，平均池化能够减小因邻域大小受限导致的特征误差，更多的保留样本的背景信息；最大池化能够减小因卷积层参数误差导致的特征误差，更多的保留样本的纹理信息；随机池化能够消除非极大值，降低上层网络的计算复杂度。考虑到路面样本中不存在影响识别的背景信息，本发明采用能够保留更多纹理信息的最大池化层。设置最大池化层数量为
Figure BDA00023631833500000910
取
Figure BDA00023631833500000911
下采样尺寸均为2×2，步长均为2。
(3)设计全局平均池化层
在传统的卷积神经网络模型中，最后一层一般是网络参数占比最大的全连接层，模型的训练速度会因参数过多而降低，且易发生过拟合。因此，为了提高网络计算速度、减轻过拟合，本发明使用全局平均池化层代替全连接层，通过压缩模型大小的方式减少网络参数的数量。
(4)设计Softmax多分类器
训练集由i个已标记的样本构成：{(x1,y1),(x2,y2),...,(xi,yi)}，其中xi表示第i个样本的向量，yi表示第i个样本的标签。利用Softmax分类器，将样本在各个类别的评分值转化为一组分类概率。
Figure BDA0002363183350000101
式(1)中，P(Y＝k|X＝xi)表示样本xi对应的各类别概率，fk(xi)表示第k个特征图(由全局平均池化层输出得到)在xi处的输出，e为自然常数。
(5)确定网络结构
根据(1)、(2)中各变量的取值范围，建立不同的试验路面识别模型，利用子步骤1建立的试验路面数据集对这些模型进行测试和验证，在同时考虑路面识别精度和速度的情况下，确定性能最优的网络模型。
具体地，池化层数量
Figure BDA0002363183350000102
卷积层数量为4，其中，卷积核大小为5×5的卷积层数量
Figure BDA0002363183350000103
对应的卷积核数量
Figure BDA0002363183350000104
分别为6、16；卷积核大小为3×3的卷积层数量
Figure BDA0002363183350000105
对应的卷积核
Figure BDA0002363183350000106
卷积核大小为1×1的卷积层数量
Figure BDA0002363183350000107
对应的卷积核
Figure BDA0002363183350000108
基于深度卷积神经网络的试验路面识别模型的具体结构描述如下：
1)第一层，卷积层(记为Conv1)
第一层的输入是原始图像，像素为Q×Q，用6个5×5的卷积核与原始输入图像做卷积，步长为1将指数线性单元(Exponential Linear Units,ELU)作为神经元的激活函数，经过ELU激活，输出维度为(Q-4)×(Q-4)×6的特征图。
2)第二层，最大池化层(记为Pool1)
用6个2×2的核与第一层输出的特征图做最大池化，步长为2，输出维度为
Figure BDA0002363183350000109
的特征图。
3)第三层，卷积层(记为Conv2)
用16个5×5的卷积核与第二层输出的特征图做卷积，步长为1。为了减少试验路面识别网络的参数，将网络第三层与第二层设置为部分连接的结构。部分连接的结构描述如下：
用6个5×5的卷积核与第二层输出的3个特征图做卷积，经过ELU激活；用后面6个5×5的卷积核与第二层输出的4个特征图做卷积，经过ELU激活；用后面4个5×5的卷积核与第二层输出的4个特征图做卷积，经过ELU激活；用最后1个5×5的卷积核与第二层输出的所有特征图做卷积，经过ELU激活；最终输出维度为
Figure BDA0002363183350000111
的特征图。
4)第四层，池化层(记为Pool2)
用16个2×2的核与第三层输出的特征图做最大池化，步长为1，输出维度为
Figure BDA0002363183350000112
的特征图。
5)第五层，卷积层(记为Conv3)
用16个3×3的卷积核与第四层输出的特征图做卷积，步长为1，经过ELU激活，输出维度为
Figure BDA0002363183350000113
的特征图。
6)第六层，池化层(记为Pool3)
用16个2×2的核与第五层输出的特征图做最大池化，步长为2，输出维度为
Figure BDA0002363183350000114
的特征图。
7)第七层，卷积层(记为Conv4)
用6个1×1的卷积核与第六层输出的特征图做卷积，步长为1，经过ELU激活，输出维度为
Figure BDA0002363183350000115
的特征图。
8)第八层，全局平均池化层(记为Gap1)
将第七层输出的6个特征图降维成大小为1×6的特征图，再用k个1×1卷积核将1×6的特征图卷成1×k的向量。因此，第八层输出的尺寸为1×k。
9)第九层，Softmax多分类器
利用Softmax分类器输出各路面类别的分类概率，选取最大概率对应的路面条件，作为试验路面识别的最终结果。
子步骤3：训练用于路面识别的深度卷积神经网络
对(2)中设计的深度学习模型进行训练，训练过程包含前向传播和反向传播两个阶段。在前向传播阶段，将数据集{(x1,y1),(x2,y2),...,(xi,yi)}输入到网络中，计算相应的实际输出，为了量化预测值与实际值之间的差距，设计带有L1正则化项的交叉熵代价函数：
Figure BDA0002363183350000116
式(2)中，J(·)为代价函数，θ为路面识别模型需要学习的参数，k为样本中路面类别的数量，m为样本的数量，xi表示第i个样本，yi表示第i个样本对应的标签，||w||1为L1正则化项，是权值向量w中各个元素的绝对值之和，非线性假设函数hθ(x(i))为：
Figure BDA0002363183350000121
式(3)中，本发明中上角标T表示对矩阵转置，exp(·)表示以自然常数e为底的指数函数。
在反向传播阶段，首先，计算实际输出与相应的理想输出之间的误差。其次，对代价函数求偏导数。最后，利用随机梯度下降法迭代并优化网络参数。参数更新公式为：
Figure BDA0002363183350000122
式(4)中，α为学习率，
Figure BDA0002363183350000123
为计算的梯度。
在确定代价函数、梯度下降方法后，利用图4所示的方法对设计的网络模型进行训练。首先，对路面识别网络进行预训练。然后，根据损失曲线的变化情况，对预训练得到的网络参数进行微调。最后，获得参数选取最优的试验路面识别模型。
子步骤4：利用试验路面识别网络进行路面条件识别
将车载视觉传感器采集的试验路面图像输入到已训练的试验路面识别网络中，可以实时获取试验路面的识别结果。
步骤三：量化不同路面附着条件下的自动紧急制动性能指标
为实现面向组合试验路面的智能驾驶自动紧急制动性能的定量测评，本发明利用预计碰撞时间、制动效能、制动平顺性和制动方向稳定性表征智能驾驶汽车的自动紧急制动性能，并对不同路面附着条件下的各制动性能指标进行量化。具体包括：
(1)预计碰撞时间
利用预计碰撞时间对智能驾驶汽车制动过程中的安全性进行量化。
Figure BDA0002363183350000124
式(5)中，δr(r＝1,2,3,4,...)分别表示干燥路面、冰雪路面、湿滑路面、搓板路面，
Figure BDA0002363183350000125
表示路面附着条件为δr下的车辆预计碰撞时间，指在保持相对车速不变的情况下，自车与目标车辆发生碰撞所需的时间，
Figure BDA0002363183350000126
表示t时刻的被测车辆与目标车辆的纵向相对距离，
Figure BDA0002363183350000127
表示t时刻的被测车辆与目标车辆的纵向速度的差值。
(2)制动效能
利用制动效能表征智能驾驶汽车的自动紧急制动性能，具体包括制动时间、制动距离和制动减速度。
1)制动时间
Figure BDA0002363183350000131
式(6)中，
Figure BDA0002363183350000132
表示路面附着条件为δr下的车辆制动时间，即智能驾驶汽车从开始制动到完全静止所需的时间，
Figure BDA0002363183350000133
分别表示车辆制动的起始时间和结束时间。
2)制动距离、制动减速度分别指汽车以一定初速度制动到完全静止的制动距离、制动时汽车的减速度。
(3)制动平顺性
利用制动平顺性量化智能驾驶汽车进行制动的紧急程度。
Figure BDA0002363183350000134
式(7)中，
Figure BDA0002363183350000135
表示路面附着条件为δr下的制动平顺性量化后的值，s表示智能驾驶汽车制动过程中采样数据的个数，
Figure BDA0002363183350000136
表示t时刻的车辆纵向减速度，
Figure BDA0002363183350000137
表示制动过程中的纵向减速度的均值。
(4)制动方向稳定性
利用制动方向稳定性量化智能驾驶汽车制动时不发生跑偏、侧滑的能力。
Figure BDA0002363183350000138
式(8)中，
Figure BDA0002363183350000139
表示制动方向稳定性量化后的值，s表示智能驾驶汽车制动过程中采样数据的个数，
Figure BDA00023631833500001310
表示t时刻的车辆的横摆角速度，
Figure BDA00023631833500001311
表示制动过程中的横摆角速度的均值。
当进行智能驾驶自动紧急制动性能测评时，首先，利用“步骤一”构建的测试场景进行制动性能试验，在测试过程中，利用“步骤二”实时的识别测试过程中的各段试验路面条件，测量并记录各试验路面下的车辆运动基础性能参数。最后，利用“步骤三”量化不同路面附着条件下的自动紧急制动性能指标。通过定量评价的方式分析智能驾驶汽车在不同试验路面下实施自动紧急制动的安全性、平顺性和方向稳定性，从而实现了组合试验路面下的自动紧急制动性能的科学定量测评。
本发明还提供一种面向组合试验路面的智能驾驶自动紧急制动性能测试系统，为在计算机上实现的可执行的软件，用于实现上述方法中的各个步骤。具体的说，本系统包括构建测试场景模块、设计识别模型模块、量化性能指标模块，构建测试场景模块用于构建面向组合试验路面的自动紧急制动性能测试场景，具体实现上述方法中步骤1内容，本模块在测试中采集到的数据用于定量输出自动紧急制动性能评价指标的值，设计识别模型模块用于设计基于深度卷积神经网络的试验路面识别模型，先建立自动紧急制动性能测试的试验路面数据集，再设计试验路面识别的深度卷积神经网络架构，随后训练用于路面识别的深度卷积神经网络，最后利用试验路面识别网络进行路面条件识别，具体实现上述方法中步骤2内容(包括其中各个子步骤)；量化性能指标模块用于量化不同路面附着条件下的自动紧急制动性能指标，对不同路面附着条件下的各制动性能指标进行量化，所述各制动性能指标包括：预计碰撞时间、制动效能、制动平顺性、制动方向稳定性，具体实现上述方法步骤3中内容(包括其中各个子步骤)。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (2)

1.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，其特征在于，包括如下步骤：
步骤一：构建面向组合试验路面的自动紧急制动性能测试场景
首先，选取双车道的环形组合试验路作为试验场地，其中外侧车道为干燥的沥青路面，内侧车道为分段的可靠性强化试验路，包括若干典型路面，所述典型路面包括：搓板路面、冰雪路面、湿滑路面、卵石路面；
被测车辆是指进行自动紧急制动性能测试的智能驾驶汽车；目标车辆是指位于被测车辆行驶轨迹前方，与被测车辆运动方向相同、距离最近的车辆；
步骤二：设计基于深度卷积神经网络的试验路面识别模型
在面向组合试验路面的自动紧急制动性能测试过程中，实时、准确的识别被测车辆行驶过程中的路面条件，从而准确测量和记录不同路面附着条件下的车辆运动状态参数；利用卷积神经网络，设计试验路面识别模型，具体包括以下子步骤：
子步骤1：建立自动紧急制动性能测试的试验路面数据集
在智能驾驶汽车的前车牌架下方安装前置视觉传感器，镜头角度设置为俯视；对视觉传感器采集的k类试验路面样本进行标注，然后将样本尺寸调整为Q×Q像素，并记为
Figure FDA0002959810410000011
其中，k为样本中路面类别的数量，Q为样本的像素，i为样本序号，xi为第i个样本的大小，
Figure FDA0002959810410000012
分别表示第i个样本的高度、宽度和通道数；
子步骤2：设计试验路面识别的深度卷积神经网络架构
设计基于深度卷积神经网络的试验路面识别模型，该模型为串行的卷积神经网络结构；具体包括：
(1)设计卷积层
设置卷积核大小为5×5的卷积层数量为
Figure FDA0002959810410000013
用于提取边缘、线条等低级特征，其中，
Figure FDA0002959810410000014
卷积核数量为
Figure FDA0002959810410000015
步长均为1；设置卷积核大小为3×3的卷积层数量为
Figure FDA0002959810410000016
其中，取
Figure FDA0002959810410000017
卷积核数量为
Figure FDA0002959810410000018
步长均为1；设置卷积核大小为1×1的卷积层数量为
Figure FDA0002959810410000019
用于提取试验路面的局部细节特征，其中，
Figure FDA00029598104100000110
卷积核数量为
Figure FDA00029598104100000111
步长均为1；
(2)设计最大池化层
设计池化层结构，利用下采样减小特征图的尺寸，采用能够保留更多纹理信息的最大池化层；设置最大池化层数量为
Figure FDA0002959810410000021
取
Figure FDA0002959810410000022
下采样尺寸均为2×2，步长均为2；
(3)设计全局平均池化层
使用全局平均池化层代替全连接层，压缩模型大小；
(4)设计Softmax多分类器
训练集由i个已标记的样本构成：{(x1,y1),(x2,y2),...,(xi,yi)}，其中xi表示第i个样本的向量，yi表示第i个样本的标签；利用Softmax分类器，将样本在各个类别的评分值转化为一组分类概率；
Figure FDA0002959810410000023
式(1)中，P(Y＝k|X＝xi)表示样本xi对应的各类别概率，fk(xi)表示第k个特征图在xi处的输出，e为自然常数；特征图由全局平均池化层输出得到；
(5)确定网络结构
根据(1)、(2)中各变量的取值范围，建立不同的试验路面识别模型，利用子步骤1建立的试验路面数据集对这些模型进行测试和验证，在同时考虑路面识别精度和速度的情况下，确定性能最优的网络模型；
池化层数量
Figure FDA0002959810410000024
卷积层数量为4，其中，卷积核大小为5×5的卷积层数量
Figure FDA0002959810410000025
对应的卷积核数量
Figure FDA0002959810410000026
分别为6、16；卷积核大小为3×3的卷积层数量
Figure FDA0002959810410000027
对应的卷积核
Figure FDA0002959810410000028
卷积核大小为1×1的卷积层数量
Figure FDA0002959810410000029
对应的卷积核
Figure FDA00029598104100000210
基于深度卷积神经网络的试验路面识别模型的具体结构描述如下：
1)第一层，卷积层Conv1
第一层的输入是原始图像，像素为Q×Q，用6个5×5的卷积核与原始输入图像做卷积，步长为1将指数线性单元作为神经元的激活函数，经过ELU激活，输出维度为(Q-4)×(Q-4)×6的特征图；
2)第二层，最大池化层Pool1
用6个2×2的核与第一层输出的特征图做最大池化，步长为2，输出维度为
Figure FDA00029598104100000211
的特征图；
3)第三层，卷积层Conv2
用16个5×5的卷积核与第二层输出的特征图做卷积，步长为1；将网络第三层与第二层设置为部分连接的结构；部分连接的结构描述如下：
用6个5×5的卷积核与第二层输出的3个特征图做卷积，经过ELU激活；用后面6个5×5的卷积核与第二层输出的4个特征图做卷积，经过ELU激活；用后面4个5×5的卷积核与第二层输出的4个特征图做卷积，经过ELU激活；用最后1个5×5的卷积核与第二层输出的所有特征图做卷积，经过ELU激活；最终输出维度为
Figure FDA0002959810410000031
的特征图；
4)第四层，池化层Pool2
用16个2×2的核与第三层输出的特征图做最大池化，步长为1，输出维度为
Figure FDA0002959810410000032
的特征图；
5)第五层，卷积层Conv3
用16个3×3的卷积核与第四层输出的特征图做卷积，步长为1，经过ELU激活，输出维度为
Figure FDA0002959810410000033
的特征图；
6)第六层，池化层Pool3
用16个2×2的核与第五层输出的特征图做最大池化，步长为2，输出维度为
Figure FDA0002959810410000034
的特征图；
7)第七层，卷积层Conv4
用6个1×1的卷积核与第六层输出的特征图做卷积，步长为1，经过ELU激活，输出维度为
Figure FDA0002959810410000035
的特征图；
8)第八层，全局平均池化层Gap1
将第七层输出的6个特征图降维成大小为1×6的特征图，再用k个1×1卷积核将1×6的特征图卷成1×k的向量；因此，第八层输出的尺寸为1×k；
9)第九层，Softmax多分类器
利用Softmax分类器输出各路面类别的分类概率，选取最大概率对应的路面条件，作为试验路面识别的最终结果；
子步骤3：训练用于路面识别的深度卷积神经网络
对子步骤2中设计的深度学习模型进行训练，训练过程包含前向传播和反向传播两个阶段；在前向传播阶段，将数据集{(x1,y1),(x2,y2),...,(xi,yi)}输入到网络中，计算相应的实际输出，为了量化预测值与实际值之间的差距，设计带有L1正则化项的交叉熵代价函数：
Figure FDA0002959810410000041
式(2)中，J(·)为代价函数，θ为路面识别模型需要学习的参数，k为样本中路面类别的数量，m为样本的数量，xi表示第i个样本，yi表示第i个样本对应的标签，||w||1为L1正则化项，是权值向量w中各个元素的绝对值之和，非线性假设函数hθ(x(i))为：
Figure FDA0002959810410000042
式(3)中，上角标T表示对矩阵转置，exp(·)表示以自然常数e为底的指数函数；
在反向传播阶段，首先，计算实际输出与相应的理想输出之间的误差；其次，对代价函数求偏导数；最后，利用随机梯度下降法迭代并优化网络参数；参数更新公式为：
Figure FDA0002959810410000043
式(4)中，α为学习率，
Figure FDA0002959810410000044
为计算的梯度；
在确定代价函数、梯度下降方法后，首先，对路面识别网络进行预训练；然后，根据损失曲线的变化情况，对预训练得到的网络参数进行微调；最后，获得参数选取最优的试验路面识别模型；
子步骤4：利用试验路面识别网络进行路面条件识别
将车载视觉传感器采集的试验路面图像输入到已训练的试验路面识别网络中，能够实时获取试验路面的识别结果；
步骤三：量化不同路面附着条件下的自动紧急制动性能指标
利用预计碰撞时间、制动效能、制动平顺性和制动方向稳定性表征智能驾驶汽车的自动紧急制动性能，并对不同路面附着条件下的各制动性能指标进行量化；具体包括：
(1)预计碰撞时间
利用预计碰撞时间对智能驾驶汽车制动过程中的安全性进行量化：
Figure FDA0002959810410000045
式(5)中，δr(r＝1,2,3,4,...)分别表示干燥路面、冰雪路面、湿滑路面、搓板路面，
Figure FDA0002959810410000046
表示路面附着条件为δr下的车辆预计碰撞时间，指在保持相对车速不变的情况下，自车与目标车辆发生碰撞所需的时间，
Figure FDA0002959810410000051
表示t时刻的被测车辆与目标车辆的纵向相对距离，
Figure FDA0002959810410000052
表示t时刻的被测车辆与目标车辆的纵向速度的差值；
(2)制动效能
利用制动效能表征智能驾驶汽车的自动紧急制动性能，具体包括制动时间、制动距离和制动减速度；
1)制动时间
Figure FDA0002959810410000053
式(6)中，
Figure FDA0002959810410000054
表示路面附着条件为δr下的车辆制动时间，即智能驾驶汽车从开始制动到完全静止所需的时间，
Figure FDA0002959810410000055
分别表示车辆制动的起始时间和结束时间；
2)制动距离、制动减速度分别指汽车以一定初速度制动到完全静止的制动距离、制动时汽车的减速度；
(3)制动平顺性
利用制动平顺性量化智能驾驶汽车进行制动的紧急程度：
Figure FDA0002959810410000056
式(7)中，
Figure FDA0002959810410000057
表示路面附着条件为δr下的制动平顺性量化后的值，s表示智能驾驶汽车制动过程中采样数据的个数，
Figure FDA0002959810410000058
表示t时刻的车辆纵向减速度，
Figure FDA0002959810410000059
表示制动过程中的纵向减速度的均值；
(4)制动方向稳定性
利用制动方向稳定性量化智能驾驶汽车制动时不发生跑偏、侧滑的能力：
Figure FDA00029598104100000510
式(8)中，
Figure FDA00029598104100000511
表示制动方向稳定性量化后的值，s表示智能驾驶汽车制动过程中采样数据的个数，
Figure FDA00029598104100000512
表示t时刻的车辆的横摆角速度，
Figure FDA00029598104100000513
表示制动过程中的横摆角速度的均值。
2.面向组合试验路面的智能驾驶自动紧急制动性能测试系统，其特征在于，包括：构建测试场景模块、设计识别模型模块、量化性能指标模块；所述构建测试场景模块用于构建面向组合试验路面的自动紧急制动性能测试场景，实现如权利要求1所述的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中步骤一；所述设计识别模型模块用于设计基于深度卷积神经网络的试验路面识别模型，先建立自动紧急制动性能测试的试验路面数据集，再设计试验路面识别的深度卷积神经网络架构，随后训练用于路面识别的深度卷积神经网络，最后利用试验路面识别网络进行路面条件识别，实现如权利要求1所述的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中步骤二；量化性能指标模块用于量化不同路面附着条件下的自动紧急制动性能指标，对不同路面附着条件下的各制动性能指标进行量化，所述各制动性能指标包括：预计碰撞时间、制动效能、制动平顺性、制动方向稳定性，量化性能指标模块实现如权利要求1所述的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中步骤三。
CN202010028039.XA 2020-01-10 2020-01-10 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 Active CN111238825B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010028039.XA CN111238825B (zh) 2020-01-10 2020-01-10 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010028039.XA CN111238825B (zh) 2020-01-10 2020-01-10 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

Publications (2)

Publication Number Publication Date
CN111238825A CN111238825A (zh) 2020-06-05
CN111238825B true CN111238825B (zh) 2021-05-18

Family

ID=70864100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010028039.XA Active CN111238825B (zh) 2020-01-10 2020-01-10 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

Country Status (1)

Country Link
CN (1) CN111238825B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111693303A (zh) * 2020-07-30 2020-09-22 中汽院(重庆)汽车检测有限公司 一种平坦道路与强化道路测试场及测试方法
CN112525547B (zh) * 2020-11-24 2022-03-01 东风汽车集团有限公司 自动紧急制动系统与碰撞预警系统的测试方法
CN112729864B (zh) * 2020-12-18 2024-01-30 中国汽车工程研究院股份有限公司 智能网联汽车软件ota升级后车辆制动性能异常识别方法
CN112633474B (zh) * 2020-12-20 2022-04-05 东南大学 一种重型营运车辆的后向防撞驾驶决策方法
CN112985830B (zh) * 2021-02-05 2023-06-23 深圳大雷汽车检测股份有限公司 一种abs结果自动判定算法
CN113188807B (zh) * 2021-02-05 2024-05-03 深圳大雷汽车检测股份有限公司 一种abs结果自动判定算法
CN113340627B (zh) * 2021-06-29 2022-05-10 中车株洲电力机车有限公司 空气防滑试验方法、装置及轨道交通车辆
CN113405816A (zh) * 2021-06-30 2021-09-17 阜阳市特种设备监督检验中心 一种场或厂内专用机动车辆性能检验测试方法
CN113804460B (zh) * 2021-09-24 2024-03-15 上汽通用五菱汽车股份有限公司 车辆测评方法、车辆测评系统、车辆及存储介质
CN114291113B (zh) * 2021-12-30 2024-04-19 苏州智加科技有限公司 风险阈值确定方法、装置、设备以及存储介质
CN114155476B (zh) * 2022-02-07 2022-07-05 天津所托瑞安汽车科技有限公司 Aeb有效避免事故场景识别方法、装置、设备及介质
CN114544201B (zh) * 2022-04-25 2022-07-26 天津所托瑞安汽车科技有限公司 车辆制动性能的测评方法、装置、车辆及存储介质
CN116499772B (zh) * 2023-06-28 2023-10-03 天津所托瑞安汽车科技有限公司 车辆制动性能评估方法、装置、电子设备及存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102745194B (zh) * 2012-06-19 2015-02-25 东南大学 一种高速公路汽车防追尾前车的自适应报警方法
CN106092600B (zh) * 2016-05-31 2018-12-14 东南大学 一种针对汽车试验场强化道路的路面识别方法
CN106556518B (zh) * 2016-11-25 2020-03-31 特路（北京）科技有限公司 自动驾驶车辆通过视觉干扰区的能力的测试方法及测试场
CN107238500B (zh) * 2017-06-02 2019-02-26 吉林大学 汽车操纵稳定性试验快速评价系统建立方法
CN107782564B (zh) * 2017-10-30 2019-12-13 青岛慧拓智能机器有限公司 一种自动驾驶车辆测评系统及方法
CN109342080B (zh) * 2018-10-16 2024-04-16 中国汽车技术研究中心有限公司 基于陀螺仪的车辆可靠性测试数据收集分析系统
DE102018132813A1 (de) * 2018-12-19 2019-04-25 FEV Europe GmbH Fußgängersimulation
CN110001608B (zh) * 2019-03-06 2021-09-10 江苏大学 一种基于路面视觉检测的汽车智能制动系统及其控制方法
CN110006664A (zh) * 2019-04-03 2019-07-12 上海好耐电子科技有限公司 基于神经网络的汽车制动噪声专家检测方法

Also Published As

Publication number Publication date
CN111238825A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
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
US20210197851A1 (en) Method for building virtual scenario library for autonomous vehicle
US11308330B2 (en) Method and device for constructing autonomous driving test scenes, terminal and readable storage media
Du et al. Rapid estimation of road friction for anti-skid autonomous driving
CN111696387B (zh) 一种基于前向障碍物识别的自适应防撞分级预警方法
CN111460919B (zh) 一种基于改进YOLOv3的单目视觉道路目标检测及距离估计方法
CN109272745B (zh) 一种基于深度神经网络的车辆轨迹预测方法
CN109118787B (zh) 一种基于深度神经网络的车辆速度预测方法
CN111477005B (zh) 一种基于车辆状态及行车环境的智能感知预警方法及系统
CN113188807B (zh) 一种abs结果自动判定算法
CN111994129A (zh) 一种轮轨列车防滑控制方法及系统
CN116957345B (zh) 用于无人驾驶系统中的数据处理方法
CN116738211A (zh) 一种基于多源异构数据融合的道路状况识别方法
Wang et al. Road surface state recognition based on semantic segmentation
CN115774942A (zh) 基于车联网实车数据和svm的驾驶风格辨识模型建模与统计方法
CN113761715B (zh) 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法
CN113312976A (zh) 一种基于图像处理与路面附着系数相结合的制动距离计算方法
CN111477002B (zh) 一种基于危险度判别的高速公路合流区交通冲突预警系统
CN114429621A (zh) 一种基于ufsa算法改进的车道线智能检测方法
CN114162132A (zh) 一种基于主客观评价的驾驶模式识别方法
CN113806857A (zh) 一种基于变分图自编码器的高速列车节能制动方法
Feng et al. The auxiliary system of cleaning vehicle based on road recognition technology
CN113147781A (zh) 一种汽车智能驾驶信息展示系统
CN113188808A (zh) 一种abs制动台
CN112613394A (zh) 一种基于深度学习的驾驶员安全带检测装置及检测方法

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