CN111444605A - 一种危险测试场景覆盖度计算方法及装置 - Google Patents
一种危险测试场景覆盖度计算方法及装置 Download PDFInfo
- Publication number
- CN111444605A CN111444605A CN202010212664.XA CN202010212664A CN111444605A CN 111444605 A CN111444605 A CN 111444605A CN 202010212664 A CN202010212664 A CN 202010212664A CN 111444605 A CN111444605 A CN 111444605A
- Authority
- CN
- China
- Prior art keywords
- area
- track
- scene
- motion
- coverage
- 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
Abstract
本申请提供了一种危险测试场景覆盖度计算方法及装置,该方法包括:获取主车在待测场景自动生成算法所生成的危险测试场景中的运动轨迹,一个危险测试场景对应一个运动轨迹、并且该运动轨迹能够表征主车在该运动轨迹所对应的危险测试场景中的动作集合;从运动轨迹中确定主车运动可能性最大的目标运动轨迹;根据目标运动轨迹的约束面积和目标运动轨迹的轨迹面积计算待测场景自动生成算法的覆盖度,覆盖度用于表征危险测试场景涵盖现实道路场景的程度。基于本发明,可以判定场景自动生成算法所生成的危险测试场景能否涵盖现实道路中可能的所有场景,从而为仿真测试提供场景支持。
Description
技术领域
本发明涉及智能网联汽车测试技术领域,更具体地说,涉及一种危险测试场景覆盖度计算方法及装置。
背景技术
目前,世界上各个国家为了推动无人驾驶技术发展,在各个地区建设了多个无人驾驶测试园区,在园区内模拟道路情况测试无人驾驶算法。由于园区内能模拟的场景有限,因此出现了VTD、Panosim、CarMaker等仿真引擎,可以通过这些软件在计算机上进行模拟实验。
无人车在真实道路上行驶可能会面临多种多样的情形,无人驾驶算法在投入应用前需要经过大量测试,测试的场景需要尽可能的囊括多种可能。目前已经有公司或机构着手研究场景自动生成算法,该场景自动生成算法可以根据测试需求生成大量危险测试场景用于测试无人驾驶算法。
因此,如何判定这些生成的危险测试场景能否涵盖现实道路中可能的所有场景,是亟需解决的问题。
发明内容
有鉴于此,为解决上述问题,本申请提供一种危险测试场景覆盖度计算方法及装置。技术方案如下:
一种危险测试场景覆盖度计算方法,所述方法包括:
获取主车在待测场景自动生成算法所生成的危险测试场景中的运动轨迹,一个危险测试场景对应一个运动轨迹、并且该运动轨迹能够表征所述主车在该运动轨迹所对应的危险测试场景中的动作集合;
从所述运动轨迹中确定所述主车运动可能性最大的目标运动轨迹;
根据所述目标运动轨迹的约束面积和所述目标运动轨迹的轨迹面积计算所述待测场景自动生成算法的覆盖度,所述覆盖度用于表征所述危险测试场景涵盖现实道路场景的程度。
优选的,所述从所述运动轨迹中确定所述主车运动可能性最大的目标运动轨迹,包括:
将所述运动轨迹中起始位置点和终止位置点的相对距离最大的轨迹作为基准轨迹;
基于所述基准轨迹确定所述主车运动可能性最大的运动区域;
将所述运动轨迹中位于所述运动区域内的轨迹作为所述主车运动可能性最大的目标运动轨迹。
优选的,所述运动区域为椭圆区域,所述椭圆区域的长轴为所述基准轨迹的起始位置点和终止位置点的距离,所述椭圆区域的短轴为所述主车所在道路的车道距离;
相应的,所述目标运动轨迹的约束面积与所述椭圆区域的面积相关。
优选的,所述目标运动轨迹的约束面积是所述椭圆区域的面积与所述主车所在道路的路障面积之差。
优选的,所述方法还包括:
基于所述待测场景自动生成算法的覆盖度输出所述待测场景自动生成算法的生成进度。
一种危险测试场景覆盖度计算装置,所述装置包括:
获取模块,用于获取主车在待测场景自动生成算法所生成的危险测试场景中的运动轨迹,一个危险测试场景对应一个运动轨迹、并且该运动轨迹能够表征所述主车在该运动轨迹所对应的危险测试场景中的动作集合;
确定模块,用于从所述运动轨迹中确定所述主车运动可能性最大的目标运动轨迹;
计算模块,用于根据所述目标运动轨迹的约束面积和所述目标运动轨迹的轨迹面积计算所述待测场景自动生成算法的覆盖度,所述覆盖度用于表征所述危险测试场景涵盖现实道路场景的程度。
优选的,所述确定模块,具体用于:
将所述运动轨迹中起始位置点和终止位置点的相对距离最大的轨迹作为基准轨迹;基于所述基准轨迹确定所述主车运动可能性最大的运动区域;将所述运动轨迹中位于所述运动区域内的轨迹作为所述主车运动可能性最大的目标运动轨迹。
优选的,所述运动区域为椭圆区域,所述椭圆区域的长轴为所述基准轨迹的起始位置点和终止位置点的距离,所述椭圆区域的短轴为所述主车所在道路的车道距离;
相应的,所述目标运动轨迹的约束面积与所述椭圆区域的面积相关。
优选的,所述目标运动轨迹的约束面积是所述椭圆区域的面积与所述主车所在道路的路障面积之差。
优选的,所述装置还包括:
输出模块,用于基于所述待测场景自动生成算法的覆盖度输出所述待测场景自动生成算法的生成进度。
以上本发明提供的危险测试场景覆盖度计算方法及装置,对于待测场景自动生成算法所生成的危险测试场景,可以通过获取主车在危险测试场景中的运动轨迹来体现主车的动作集合,从而推测危险测试场景的场景类型;进而通过从运动轨迹中确定主车运动可能性最大的目标运行轨迹的约束面积和轨迹面积,来计算表征待测场景自动生成算法所生成的危险测试场景涵盖现实道路场景的程度的覆盖度。基于本发明,可以判定场景自动生成算法所生成的危险测试场景能否涵盖现实道路中可能的所有场景,从而为仿真测试提供场景支持。
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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的危险测试场景覆盖度计算方法的方法流程图;
图2为本申请实施例提供的危险测试场景覆盖度计算方法的另一方法流程图;
图3为本申请实施例提供的运动区域的示意图;
图4为本申请实施例提供的覆盖度的效果图;
图5为本申请实施例提供的危险测试场景覆盖度计算装置的结构示意图。
具体实施方式
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、完整地描述,显然,所描述的实施例仅仅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。
在本申请中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请实施例提供一种危险测试场景覆盖度计算方法,该方法的方法流程图如图1所示,包括如下步骤:
S10,获取主车在待测场景自动生成算法所生成的危险测试场景中的运动轨迹,一个危险测试场景对应一个运动轨迹、并且该运动轨迹能够表征主车在该运动轨迹所对应的危险测试场景中的动作集合。
本申请实施例中,对于待测场景自动生成算法所生成的危险测试场景,在一个危险测试场景中,主车是从一个稳态转换为另一个稳态的,取稳态变换的过程为研究对象。其中,主车的稳态是指主车在道路上的安全行驶状态,比如主车在车道上匀速行驶,而不发生碰撞、侧翻等情况。
而在获取主车在危险测试场景中的运动轨迹的过程中,可以将危险测试场景导入至仿真引擎中,从仿真引擎导出危险测试场景对应的运动轨迹,一个危险测试场景对应一个运动轨迹。其中,该仿真引擎是一个现有的模拟仿真模型,以Panosim为例,提供了各类不同车辆动力学模型库,可以模拟真实路况下主车的反应。
此外,在仿真引擎模拟过程中,受道路和车辆物理的约束,主车能够做出的动作是有限的。而面对不同的危险测试场景,主车所做的动作不同,相应的产生的运动轨迹也就不同。因此,本申请实施例可以通过主车在危险测试场中的运动轨迹来体现主车的动作集合,从而推测出危险测试场景的场景类型。
S20,从运动轨迹中确定主车运动可能性最大的目标运动轨迹。
由于待测场景自动生成算法所生成的危险测试场景数量级相当高,相应的步骤S10所获取的运动轨迹数量也众多。因此,本申请实施例中,需要从数量众多的运动轨迹中确定主车最可能运动的、也就是运动可能性最大的目标运动轨迹。而在确定目标运动轨迹的过程中,可以通过设置筛选条件,比如筛选轨迹长度、筛选轨迹起始位置点或者终止位置点来实现。
具体实现过程中,步骤S20“从运动轨迹中确定主车运动可能性最大的目标运动轨迹”可以采用如下步骤,此时危险测试场景覆盖度计算方法的方法流程图如图2所示:
S201,将运动轨迹中起始位置点和终止位置点的相对距离最大的轨迹作为基准轨迹。
本申请实施例中,从运动轨迹中选择起始位置点和终止位置点相距最远的轨迹作为基准轨迹,以该基准轨迹为基准从运动轨迹中筛选主车运动可能性最大的目标运动轨迹。
S202,基于基准轨迹确定主车运动可能性最大的运动区域。
本申请实施例中,可以以基准轨迹为基准绘制主车最可能运动的、也就是运动可能性最大的运动区域,比如以基准轨迹的起始位置点和终止位置点的距离的中点为圆点,以起始位置点和终止位置点的距离为直径绘制圆形区域,将该圆形区域作为主车运动可能性最大的运动区域。
参见图3所示的运动区域示意图。为提高精准性,本申请实施例可以绘制椭圆区域作为运动区域,该椭圆区域的长轴为所基准轨迹的起始位置点和终止位置点的距离,椭圆区域的短轴为主车所在道路的车道距离。
S203,将运动轨迹中位于运动区域内的轨迹作为主车运动可能性最大的目标运动轨迹。
本申请实施例中,由于主车运动可能性最大的目标运动轨迹是受运动区域约束的,因此可以确定后续步骤S30中的目标运动轨迹的约束面积与该运动区域的面积有关。具体的,如果运动区域为椭圆区域,则该目标运动轨迹的约束面积与该椭圆区域有关,比如将该椭圆区域的面积作为该目标运动轨迹的约束面积,还可以对该椭圆区域的面积做一定处理,比如扩大一定倍数后作为该目标运动轨迹的约束面积。
进一步的,为剔除道路的路障影响,如果运动区域为椭圆区域,则可以将目标运动轨迹的约束面积确定为椭圆区域的面积与主车所在道路的路障面积之差。具体的,主车所在道路的路障的面积与路障类型有关,其面积可以预先获得。
S30,根据目标运动轨迹的约束面积和目标运动轨迹的轨迹面积计算待测场景自动生成算法的覆盖度,覆盖度用于表征危险测试场景涵盖现实道路场景的程度。
本申请实施例中以主车所在道路的平面建立二维坐标系,在该坐标系内计算待测场景自动生成算法的覆盖度。
具体的,目标运动轨迹的约束面积即为约束目标运动轨迹的运动区域的面积,每个目标运动轨迹都在其中,参见以上说明,如果约束目标运动轨迹的运动区域为椭圆区域,则该目标运动轨迹的约束面积与该椭圆区域有关。
此外,对于目标运动轨迹中的任意一个轨迹,其是主车在面积上的最大集合,主车存在体积,因此可以采用矩形描述车辆,该轨迹就表现为一个个小矩形分布在二维坐标系内,沿着最外一圈矩形边界做图,该图形面积即为该轨迹的轨迹面积。在具体实现时,由于该轨迹是由一系列离散的主车的位置点构成,并且主车在该坐标系内的投影面积(即上述矩形面积)、主车在连续两个位置点的重叠面积均可以获得,因此通过迭加主车在位置点的投影面积、再去除所有的重叠面积即可获得该轨迹的轨迹面积。目标运动轨迹中所有轨迹的轨迹面积的迭加和即为目标运动轨迹的轨迹面积。
待测场景自动生成算法的覆盖度可以采用如下公式(1)计算:
其中,fD-cov为待测场景自动生成算法的覆盖度,SA为目标运动轨迹的约束面积,Strace为目标运动轨迹的轨迹面积。图4给出覆盖度的一种效果图。
在其他一些实施例中,为及时确定待测场景自动生成算法生成危险测试场景是否足够多,还可以基于待测场景自动生成算法的覆盖度输出待测场景自动生成算法的生成进度。
具体的,当危险测试场景继续增加时,覆盖度变化不大,说明此时的危险测试场景已经足够多,主车面对这些危险测试场景不会再产生新的动作。
本申请实施例提供的危险测试场景覆盖度计算方法,对于待测场景自动生成算法所生成的危险测试场景,可以通过获取主车在危险测试场景中的运动轨迹来体现主车的动作集合,从而推测危险测试场景的场景类型;进而通过从运动轨迹中确定主车运动可能性最大的目标运行轨迹的约束面积和轨迹面积,来计算表征待测场景自动生成算法所生成的危险测试场景涵盖现实道路场景的程度的覆盖度。基于本申请,可以判定场景自动生成算法所生成的危险测试场景能否涵盖现实道路中可能的所有场景,从而为仿真测试提供场景支持。
基于上述实施例提供的危险测试场景覆盖度计算方法,本申请实施例还提供一种执行上述危险测试场景覆盖度计算方法的装置,该装置的结构示意图如图5所示,包括:
获取模块10,用于获取主车在待测场景自动生成算法所生成的危险测试场景中的运动轨迹,一个危险测试场景对应一个运动轨迹、并且该运动轨迹能够表征主车在该运动轨迹所对应的危险测试场景中的动作集合;
确定模块20,用于从运动轨迹中确定主车运动可能性最大的目标运动轨迹;
计算模块30,用于根据目标运动轨迹的约束面积和目标运动轨迹的轨迹面积计算待测场景自动生成算法的覆盖度,覆盖度用于表征危险测试场景涵盖现实道路场景的程度。
可选的,确定模块20,具体用于:
将运动轨迹中起始位置点和终止位置点的相对距离最大的轨迹作为基准轨迹;基于基准轨迹确定主车运动可能性最大的运动区域;将运动轨迹中位于运动区域内的轨迹作为主车运动可能性最大的目标运动轨迹。
可选的,运动区域为椭圆区域,椭圆区域的长轴为基准轨迹的起始位置点和终止位置点的距离,椭圆区域的短轴为主车所在道路的车道距离;
相应的,目标运动轨迹的约束面积与椭圆区域的面积相关。
可选的,目标运动轨迹的约束面积是椭圆区域的面积与主车所在道路的路障面积之差。
可选的,上述装置还包括:
输出模块,用于基于待测场景自动生成算法的覆盖度输出待测场景自动生成算法的生成进度。
本申请实施例提供的危险测试场景覆盖度计算装置,对于待测场景自动生成算法所生成的危险测试场景,可以通过获取主车在危险测试场景中的运动轨迹来体现主车的动作集合,从而推测危险测试场景的场景类型;进而通过从运动轨迹中确定主车运动可能性最大的目标运行轨迹的约束面积和轨迹面积,来计算表征待测场景自动生成算法所生成的危险测试场景涵盖现实道路场景的程度的覆盖度。基于本申请,可以判定场景自动生成算法所生成的危险测试场景能否涵盖现实道路中可能的所有场景,从而为仿真测试提供场景支持。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的,其中所述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劳动的情况下,即可以理解并实施。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种危险测试场景覆盖度计算方法,其特征在于,所述方法包括:
获取主车在待测场景自动生成算法所生成的危险测试场景中的运动轨迹,一个危险测试场景对应一个运动轨迹、并且该运动轨迹能够表征所述主车在该运动轨迹所对应的危险测试场景中的动作集合;
从所述运动轨迹中确定所述主车运动可能性最大的目标运动轨迹;
根据所述目标运动轨迹的约束面积和所述目标运动轨迹的轨迹面积计算所述待测场景自动生成算法的覆盖度,所述覆盖度用于表征所述危险测试场景涵盖现实道路场景的程度。
2.根据权利要求1所述的方法,其特征在于,所述从所述运动轨迹中确定所述主车运动可能性最大的目标运动轨迹,包括:
将所述运动轨迹中起始位置点和终止位置点的相对距离最大的轨迹作为基准轨迹;
基于所述基准轨迹确定所述主车运动可能性最大的运动区域;
将所述运动轨迹中位于所述运动区域内的轨迹作为所述主车运动可能性最大的目标运动轨迹。
3.根据权利要求2所述的方法,其特征在于,所述运动区域为椭圆区域,所述椭圆区域的长轴为所述基准轨迹的起始位置点和终止位置点的距离,所述椭圆区域的短轴为所述主车所在道路的车道距离;
相应的,所述目标运动轨迹的约束面积与所述椭圆区域的面积相关。
4.根据权利要求3所述的方法,其特征在于,所述目标运动轨迹的约束面积是所述椭圆区域的面积与所述主车所在道路的路障面积之差。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述待测场景自动生成算法的覆盖度输出所述待测场景自动生成算法的生成进度。
6.一种危险测试场景覆盖度计算装置,其特征在于,所述装置包括:
获取模块,用于获取主车在待测场景自动生成算法所生成的危险测试场景中的运动轨迹,一个危险测试场景对应一个运动轨迹、并且该运动轨迹能够表征所述主车在该运动轨迹所对应的危险测试场景中的动作集合;
确定模块,用于从所述运动轨迹中确定所述主车运动可能性最大的目标运动轨迹;
计算模块,用于根据所述目标运动轨迹的约束面积和所述目标运动轨迹的轨迹面积计算所述待测场景自动生成算法的覆盖度,所述覆盖度用于表征所述危险测试场景涵盖现实道路场景的程度。
7.根据权利要求6所述的装置,其特征在于,所述确定模块,具体用于:
将所述运动轨迹中起始位置点和终止位置点的相对距离最大的轨迹作为基准轨迹;基于所述基准轨迹确定所述主车运动可能性最大的运动区域;将所述运动轨迹中位于所述运动区域内的轨迹作为所述主车运动可能性最大的目标运动轨迹。
8.根据权利要求7所述的装置,其特征在于,所述运动区域为椭圆区域,所述椭圆区域的长轴为所述基准轨迹的起始位置点和终止位置点的距离,所述椭圆区域的短轴为所述主车所在道路的车道距离;
相应的,所述目标运动轨迹的约束面积与所述椭圆区域的面积相关。
9.根据权利要求8所述的装置,其特征在于,所述目标运动轨迹的约束面积是所述椭圆区域的面积与所述主车所在道路的路障面积之差。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:
输出模块,用于基于所述待测场景自动生成算法的覆盖度输出所述待测场景自动生成算法的生成进度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010212664.XA CN111444605B (zh) | 2020-03-24 | 2020-03-24 | 一种危险测试场景覆盖度计算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010212664.XA CN111444605B (zh) | 2020-03-24 | 2020-03-24 | 一种危险测试场景覆盖度计算方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111444605A true CN111444605A (zh) | 2020-07-24 |
CN111444605B CN111444605B (zh) | 2022-10-11 |
Family
ID=71654363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010212664.XA Active CN111444605B (zh) | 2020-03-24 | 2020-03-24 | 一种危险测试场景覆盖度计算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111444605B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765812A (zh) * | 2021-01-19 | 2021-05-07 | 中国科学院软件研究所 | 一种无人系统决策策略的自主能力快速测评方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104282149A (zh) * | 2014-09-29 | 2015-01-14 | 同济大学 | 一种基于交通状态精度指标评价的路网浮动车配置方法 |
CN104714551A (zh) * | 2015-03-23 | 2015-06-17 | 中国科学技术大学 | 一种适用于车式移动机器人的室内区域覆盖方法 |
CN105922267A (zh) * | 2016-06-28 | 2016-09-07 | 山东理工大学 | 一种清扫机器人全覆盖遍历路径规划算法的设计方法 |
CN107729811A (zh) * | 2017-09-13 | 2018-02-23 | 浙江大学 | 一种基于场景建模的夜间火焰检测方法 |
CN108762293A (zh) * | 2018-04-11 | 2018-11-06 | 广州亿航智能技术有限公司 | 基于无人机的区域扫描方法、地面控制站、无人机及系统 |
CN109753623A (zh) * | 2018-12-10 | 2019-05-14 | 清华大学 | 一种自动驾驶车辆多测试场景分析与数目化简方法 |
CN109764881A (zh) * | 2018-12-07 | 2019-05-17 | 北京掌行通信息技术有限公司 | 无人驾驶汽车测试方法、装置、电子设备及介质 |
US20190179738A1 (en) * | 2017-12-07 | 2019-06-13 | The Johns Hopkins University | Determining Performance of Autonomy Decision-Making Engines |
CN109946995A (zh) * | 2019-03-26 | 2019-06-28 | 湖北亿咖通科技有限公司 | 自动驾驶的仿真测试方法、装置及智能终端 |
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 |
-
2020
- 2020-03-24 CN CN202010212664.XA patent/CN111444605B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104282149A (zh) * | 2014-09-29 | 2015-01-14 | 同济大学 | 一种基于交通状态精度指标评价的路网浮动车配置方法 |
CN104714551A (zh) * | 2015-03-23 | 2015-06-17 | 中国科学技术大学 | 一种适用于车式移动机器人的室内区域覆盖方法 |
CN105922267A (zh) * | 2016-06-28 | 2016-09-07 | 山东理工大学 | 一种清扫机器人全覆盖遍历路径规划算法的设计方法 |
CN107729811A (zh) * | 2017-09-13 | 2018-02-23 | 浙江大学 | 一种基于场景建模的夜间火焰检测方法 |
US20190179738A1 (en) * | 2017-12-07 | 2019-06-13 | The Johns Hopkins University | Determining Performance of Autonomy Decision-Making Engines |
CN108762293A (zh) * | 2018-04-11 | 2018-11-06 | 广州亿航智能技术有限公司 | 基于无人机的区域扫描方法、地面控制站、无人机及系统 |
CN109764881A (zh) * | 2018-12-07 | 2019-05-17 | 北京掌行通信息技术有限公司 | 无人驾驶汽车测试方法、装置、电子设备及介质 |
CN109753623A (zh) * | 2018-12-10 | 2019-05-14 | 清华大学 | 一种自动驾驶车辆多测试场景分析与数目化简方法 |
CN109946995A (zh) * | 2019-03-26 | 2019-06-28 | 湖北亿咖通科技有限公司 | 自动驾驶的仿真测试方法、装置及智能终端 |
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 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765812A (zh) * | 2021-01-19 | 2021-05-07 | 中国科学院软件研究所 | 一种无人系统决策策略的自主能力快速测评方法及系统 |
CN112765812B (zh) * | 2021-01-19 | 2021-09-07 | 中国科学院软件研究所 | 一种无人系统决策策略的自主能力快速测评方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111444605B (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6935948B2 (ja) | 自律走行車両を学習、テスティング及び検証をするために仮想走行環境に対するドメイン適応された交通シナリオを生成するための方法及び装置 | |
US20230385481A1 (en) | Simulation Traffic Scenario File Generation Method and Apparatus | |
RU2017146151A (ru) | Формирование моделированных данных датчиков для обучения и проверки достоверности моделей обнаружения | |
CN106991041B (zh) | 用于测试用于自主车辆的软件的方法和装置 | |
CN110197027B (zh) | 一种自动驾驶测试方法、装置、智能设备和服务器 | |
CN112235712B (zh) | 一种车辆行驶预警方法、系统、装置及设备 | |
CN109835348A (zh) | 一种道路交通危险场景的筛选方法和装置 | |
JP6964354B2 (ja) | 最近の走行経路に対する軌跡基盤行動分析を遂行して、車両のモードを手動走行モードから自律走行モードに変更するか否かを判断する学習方法及び学習装置 | |
CN111507153B (zh) | 用分割得分图和聚类图检测车道线的后处理方法以及装置 | |
RU2017120682A (ru) | Способ и система обучения для предотвращения столкновений с использованием звуковых данных | |
CN112286206B (zh) | 自动驾驶的模拟方法、系统、设备、可读存储介质及平台 | |
CN110047276A (zh) | 障碍物车辆的拥堵状态确定方法、装置和相关产品 | |
CN111177887A (zh) | 一种基于真实驾驶场景构造仿真轨迹数据的方法和装置 | |
Gruyer et al. | From virtual to reality, how to prototype, test and evaluate new ADAS: Application to automatic car parking | |
CN111444605B (zh) | 一种危险测试场景覆盖度计算方法及装置 | |
CN115795808A (zh) | 一种自动驾驶决策危险场景生成方法、系统、设备及介质 | |
KR20230150350A (ko) | 차량의 운전자 보조 시스템을 시험하기 위한 방법 | |
CN112527633B (zh) | 一种场景库的自动驾驶仿真测试方法及装置 | |
CN111767630A (zh) | 一种应用于智能驾驶的虚拟仿真测试方法及装置 | |
CN109774726A (zh) | 车辆性能的检测方法、装置、设备及存储介质 | |
CN111381575B (zh) | 自动测试方法、装置、服务器、电子设备及存储介质 | |
CN114367110B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN110377982A (zh) | 自动驾驶性能的测试方法及系统、电子设备、存储介质 | |
CN115761551A (zh) | 一种自动驾驶仿真场景生成方法、装置、设备及介质 | |
CN112802343B (zh) | 面向虚拟算法验证的通用虚拟传感数据采集方法及系统 |
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 |