CN111651712B - 一种智能汽车测试场景复杂度的评估方法及系统 - Google Patents
一种智能汽车测试场景复杂度的评估方法及系统 Download PDFInfo
- Publication number
- CN111651712B CN111651712B CN202010463304.7A CN202010463304A CN111651712B CN 111651712 B CN111651712 B CN 111651712B CN 202010463304 A CN202010463304 A CN 202010463304A CN 111651712 B CN111651712 B CN 111651712B
- Authority
- CN
- China
- Prior art keywords
- scene
- traffic
- determining
- complexity
- elements
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Abstract
本申请公开了一种智能汽车测试场景复杂度的评估方法及系统,用于通过层次分析法对智能汽车测试场景复杂度进行评估,从而提高测试效率,该方法包括:确定场景元素集合;确定所属场景元素集合中每个场景元素的影响传递次数和数量;根据所述每个场景元素的影响传递次数,确定相应的场景元素权重系数;根据所述每个场景元素的数量和场景元素权重系数,确定场景复杂度。本申请还提供了一种智能汽车测试场景复杂度的评估系统。
Description
技术领域
本申请涉及汽车测试和评估领域,尤其涉及一种智能汽车测试场景复杂度的评估方法及系统。
背景技术
基于场景的测试技术是其自动驾驶系统测试评价的不可或缺的重要环节,测试的核心是测试案例的构建,场景的复杂度是对自动驾驶测试能力的量化考核。智能汽车外部的行驶环境具有高度的不确定性、不可重复、不可预测和不可穷尽等特征。现有技术中,复杂度评估主要是围绕着场景对驾驶员心理、生理两方面影响,研究场景复杂度对驾驶员工作负荷的影响,而对自动驾驶系统的影响考虑不充分,从而导致测试不充分,效率较低。
发明内容
针对上述技术问题,本申请实施例提供了一种智能汽车测试场景复杂度的评估方法及系统,用以提高测试效率。
一方面,本申请实施例提供的一种智能汽车测试场景复杂度的评估方法,包括:
确定场景元素集合;
确定所属场景元素集合中每个场景元素的影响传递次数和数量;
根据所述每个场景元素的影响传递次数,确定相应的场景元素权重系数;
根据所述每个场景元素的数量和场景元素权重系数,确定场景复杂度。
优选的,所述通过累加法确定场景复杂度包括:
通过如下公式计算场景复杂度:
其中,SC为场景复杂度,N为场景中所有场景元素的数量,Ei为场景中第i个元素的影响权重。
进一步的,所述场景元素集合包括:
气象、道路设施和交通环境;
其中,所述气象包括光照、雨雪、雾和风;
所述道路设施包括道路、交通标识和路边建筑;
所述交通环境包括交通参与者。
优选的,所述场景元素的数量通过以下公式确定:
N=nweather+nfacility+ntraffic
其中,nweather为不同气象环境出现的次数,nfacility为交通设施元素的数量,ntraffic为交通参与者的数量。
优选的,不同气象环境出现的次数nweather由下列公式确定:
nweather=nlight+nrain+nfog+nwind
其中,nlight为光照剧烈变化情况出现的次数及光照条件较差情况出现的次数,nrain为雨雪剧烈变化情况出现的次数,nfog为雾剧烈变化情况出现的次数,nwind为风剧烈变化情况出现的次数;所述剧烈变化情况为系统预先设定。
优选的,交通设施元素的数量nfacility由下列公式确定:
nfacility=nroad+nsign+nbuilding
其中,nsign为交通标识元素的数量;nbuilding为路边建筑元素数量;
nroad为道路路段数量,由下列公式确定:
nroad=nstraight+ncurve+ncross+nround
其中,nstraight、ncurve、ncross、nround分别为直道、弯道、交叉口、环岛形式的道路路段数量。
优选的,交通参与者的数量ntraffic是机动车、非机动车和行人的数量之和。
进一步的,所述每个场景元素的影响传递次数通过以下公式确定:
其中,Q(n)为第n个元素的影响传递次数,Lj为元素j属性直接影响的系统级数。
优选的,所述确定相应的场景元素权重系数包括:
汇总所有场景元素,建立层次结构模型;
根据所述层次结构模型,确定判断矩阵;
根据所述判断矩阵,确定元素的影响权重系数;
对所述影响权重进行一致性检验。
相应的,本发明还提供了一种智能汽车测试场景复杂度的评估系统,包括:
场景元素确定子系统,用于确定场景元素集合;
系数计算子系统,用于确定所述场景元素集合中每个场景元素的影响传递次数,数量和权重系数;
复杂度计算子系统,用于根据所述每个场景元素的数量和场景元素权重系数,确定场景复杂度。
在本发明的方法中,确定每个测试场的场景元素集合,并求出每个场景元素的数量和影响传递次数,并通过层次分析法求得权重系数,并进行一致性检验,从而实现了智能汽车测试场的复杂度评估,提高了测试的效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅是本申请的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为自动驾驶系统的形式场景示意图;
图2为自动驾驶多级串联系统处理流程示意图;
图3为本申请实施例提供的智能汽车测试场景复杂度的评估方法示意图;
图4为本申请实施例提供的层次分析法示意图;
图5为本申请实施例提供的智能汽车测试场景复杂度的评估系统示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,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它实施例,都属于本发明保护的范围。
下面对文中出现的一些词语进行解释:
1、本发明实施例中术语“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
2、本申请实施例中术语“多个”是指两个或两个以上,其它量词与之类似。
如图1所示,场景是自动驾驶的行驶环境,场景中的元素以多样的方式影响着自动驾驶系统,因此场景的复杂度需要从对系统影响的角度出发分析。而汽车自动驾驶可以简化、分解为一个多级串联的系统,如图2所示,包括硬件感知、目标识别、任务决策、路径规划、路径跟踪和硬件执行。
需要说明的是,本申请所述的复杂度评估,是对场景对自动驾驶系统影响的客观描述。而影响源可包括以下3个因子:
(1)场景元素的数量,数量越多,智能汽车的自动驾驶系统在行驶过程中需要考虑的因素的数量越大,场景的复杂度就越大;
(2)场景元素对自动驾驶系统的影响深度,主要关注场景元素是否对自动驾驶系统有影响,以及如果有影响,影响有多大;
(3)场景元素对自动驾驶系统的影响广度,场景元素对自动驾驶系统的影响广度主要关注场景元素对系统的影响范围。
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,并不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
需要说明的是,本申请实施例的展示顺序仅代表实施例的先后顺序,并不代表实施例所提供的技术方案的优劣。
实施例一
参见图3,本申请实施例提供的一种智能汽车测试场景复杂度的评估方法示意图,如图所示,该方法包括:
S301,确定场景元素集合;
在本申请中,场景可以理解为智能汽车的行驶环境,由气象、道路设施、交通环境三部分组成。气象部分可包含光照、雨雪、雾、风4种元素;交通设施可包含直道、弯道、交叉口、环岛、交通设施、路边建筑6种元素;交通可包含交通参与者元素。作为一种优选示例,本申请所述的场景元素如下表1所示:
表1场景元素属性
确定所有上述场景元素,即确定场景元素集合。
S302,确定所属场景元素集合中每个场景元素的影响传递次数和数量;
为了描述清楚,本步骤可分为两个步骤,即
S302-1,确定所属场景元素集合中每个场景元素的数量。
本申请提供的实施例中,场景可包含气象、道路设施、交通三部分,因此场景元素数量计算公式可以表示为
N=nweather+nfacility+ntraffic
在上述公式(2)中,nweather为不同气象环境出现的次数,nfacility为交通设施元素的数量,ntraffic为交通参与者的数量。
具体的,气象部分主要包含光照、雨雪、雾、风4种元素,针对不同气象环境出现的次数nweather的计算,可分别计算上述4种元素的数量,然后再进行累加,即不同气象环境出现的次数nweather由下列公式确定:
nweather=nlight+nrain+nfog+nwind
其中,nlight为光照剧烈变化情况出现的次数及光照条件较差情况出现的次数,nrain为雨雪剧烈变化情况出现的次数,nfog为雾剧烈变化情况出现的次数,nwind为风剧烈变化情况出现的次数;
需要说明的是,所述剧烈变化情况为系统预先设定。上述的场景气象元素的剧烈变化,主要是从元素变化对智能汽车传感、车辆稳定性的影响角度出发考虑的,以光照为例说明,隧道入口处内外的光照具有巨大反差,强光弱光的瞬时切换会影响基于图像的传感设备对真实世界的映射。同理雨雪的剧烈变化也会影响到传感设备,风的剧烈变化会影响车辆的稳定性。
道路设施部分主要包含直道、弯道、交叉口、环岛、交通设施、路边建筑6种元素。计算道路设施部分元素的数量首先需要对道路根据道路路段划分为不同的部分,根据道路路段可以把场景道路分割为若干个直道、弯道、交叉口、环岛元素,最后统计分别得到各元素的数量nstraight、ncurve、ncross、nround。即根据下列公式计算道路路段数量nroad:
nroad=nstraight+ncurve+ncross+nround
作为一种优选示例,环岛处的交叉路口数量记为4个。
交通标识元素主要是指红绿灯、指示标识、禁令标识等交通规则指示信息,这里统称为交通标识元素,直接统计得到场景中交通标识元素的数量nsign,特别地如交叉路口、环岛的红绿灯数量记为1个。
路边建筑元素主要是指交叉口或者弯道路旁的建筑。这些建筑的存在对行驶在建筑附近的车辆的传感产生了遮挡影响。作为一种优选示例,一个十字路口将道路分为4个区域,每个区域内如果存在建筑遮挡则将路边建筑元素数量记为1个;对于弯道,如果弯道上存在路边建筑的遮挡则将路边建筑元素数量记为1个;最终计算路边建筑元素的数量nbuilding。
在确定道路路段数量,交通标识元素的数量和路边建筑元素的数量基础上,通过下列公式计算交通设施元素的数量:
nfacility=nroad+nsign+nbuilding
作为一种优选示例,交通参与者的数量ntraffic是机动车、非机动车和行人的数量之和。
S302-2,确定所属场景元素集合中每个场景元素的影响传递次数。
考虑到自动驾驶系统是一个多级串联的子系统,所以场景元素对自动驾驶系统产生的影响会随着系统逐级传递。假设不同场景元素对自动驾驶系统的影响不存在差异,并且传递过程中不会衰减。本实施例中,将系统划分为L1到L6级(L1为硬件执行,L2为路径跟踪,L3为路径规划,L4为任务决策,L5为算法识别,L6为硬件感知),以雨雪、风元素为例说明,雨雪的降雨量属性直接影响的是L6级,然后影响会逐级传递到L1级,风的强度属性直接影响的是L2级,根据元素的属性对自动驾驶系统开始作用层级,以及影响逐级传递次数,可得元素的影响传递次数Q:
n为场景元素的属性数量,Lj为元素属性直接影响的系统级数。
气象部分主要包含光照、雨雪、雾、风4种元素,分别分析场景元素对自动驾驶系统的影响,最后得到场景元素与自动驾驶系统影响关系,并通过公式(1)计算得到每个元素的传递次数,如表2所示,有直接影响记为“1”,无直接影响记为“-”。
表2气象部分场景元素影响传递次数
需要说明的是,雨的物理属性用降雨量表示,降雨量大的时候雨滴下落的过程会形成雨线,遮挡住目标物,增加目标识别的难度,雪花也一样,无规律飘落的雪花随机分布在图像上,直接影响目标识别子系统。同时雨滴会对电磁波进行散射降低毫米波雷达的的探测距离,雨滴形成的雨线会对激光雷达的激光束产生反射,降低激光雷达的探测距离,直接影响硬件传感系统,所以雨雪直接影响硬件感知系统、算法识别系统。雾直接影响像机的成像距离,同时被雾化后的目标也会影响目标识别的准确性,所以雾直接影响硬件感知系统、算法识别系统。风会使车辆摇动,影响车辆的稳定性,影响车辆的路径跟踪效果,所以风直接影响路径跟踪系统。
光照元素具有入射角度、光强、色温3个物理属性,入射角度不同会导致局部光照变化,产生反光形成高光区域,高光区域亮度会超过像机感光元件的正常工作范围,导致像机无法真实反映这个世界,直接影响到像机设备。同时由于入射角度引起的局部光照变化会导致阴影的产生,阴影经常会导致图像分割、识别出现错误从而影响的基于视觉的目标识别算法,所以光照入射角度的属性会直接对硬件感知系统、算法识别系统产生直接影响。光照强度是指光线的明亮程度,光照强度会影响像机的成像距离,随着光强的降低成像距离也随之下降,直至黑天无光的夜晚场景普通像机无法成像。同时光照强度的变化也会影响目标识别算法,比如同一个目标物在明亮场景下和昏暗场景下的识别难度和效果是不同的,在一定光强范围内场景亮度越高识别效果越好,所以光照强度会直接对硬件感知系统、算法识别系统产生直接影响。色温是光照颜色的定量描述,颜色的本质是光源的光与目标物体表面相互作用的结果,同一物体在不同光照颜色下成像的颜色会发生变化,将会极大影响基于颜色特征的目标识别算法的性能,所以色温会对算法识别系统产生直接影响。
道路设施部分包含道路、交通设施、路边建筑3种元素。分别分析场景元素对自动驾驶系统的影响,最后得到场景元素与自动驾驶系统影响关系,并通过公式(1)计算得到每个元素的传递次数,如表3所示,有直接影响记为“1”,无直接影响记为“-”。
表3道路设施部分场景元素的影响传递次数
需要说明的是,道路具有曲率、坡度、材料纹理、附着系数、车道数、交叉口六个物理属性,道路曲率直接影响的是路径规划功能,道路的曲率越大路径越弯曲,规划出行驶路径难度越大;坡度直接影响的是车辆的路径跟踪能力,上坡、下坡过程由于车辆重力的影响增大了路径跟踪的控制难度;材料纹理影响车辆的目标识别算法。路面附着系数直接影响车辆的底盘执行系统。车道数的影响有两点,首先是任务决策,多车道的时候决策需要考虑行驶在哪一条车道上,多车道的路径规划跨度大,相比于小跨度的路径规划增加了难度。路径交叉属性多存在于交叉口,系统需要决策如何从一条道路上转到另外一条道路上,另外交叉口道路多以大角度交叉路径的曲率在交叉点存在大的变化,因此对任务决策和路径规划都有直接影响。直道、弯道、交叉口、环岛是道路的不同类型,根据其不同的属性得到不同路型的影响传递次数,如表4所示。
表4不同路型的影响传递次数
路型 | 硬件感知 | 目标识别 | 任务决策 | 路径规划 | 路径跟踪 | 底盘执行 | 传递次数 |
直道 | 1 | 1 | 1 | 1 | 9 | ||
弯道 | 1 | 1 | 2 | 1 | 11 | ||
交叉口 | 1 | 2 | 3 | 1 | 16 | ||
环岛 | 1 | 3 | 4 | 1 | 21 |
交通标识主要指地面交通标线、地上的交通标志、红绿灯,直接影响的是目标识别和路径规划。系统首先要识别出交通标识的内容,场景中交通标识类型、数量越多识别的难度越大,其次是任务决策,决策模块要根据交通标识的内容作出正确的规划。路边建筑主要是临路遮挡,会影响物理遮挡传感器的探测范围导致硬件感知性能衰减,直接影响硬件感知子系统。
交通参与者,其物理属性主要是外形尺寸、材质、运动特性。分析场景元素对自动驾驶系统的影响,最后得到场景元素与自动驾驶系统影响映射关系,并通过公式(1)计算得到每个元素的传递次数,如表5所示,有直接影响记为“1”,无直接影响记为“-”。
表5交通参与者场景元素的影响传递次数
需要说明的是,外形尺寸属性直接影响硬件感知、目标识别两方面,交通车的外形会对自动驾驶的传感产生物理遮挡,其次交通车的外形大小会影响目标识别的难度,车辆越小识别难度越大。不同的材质影响会影响目标识别的效果,比如道路上一些穿着奇形怪状的人可能造成目标识别失败。车辆的运动特性比如交通车的换道、加减速行为都会影响到车辆的决策,不同交通参与者的运动不确定性不同就需要不同的决策策略来应对增加了系统控制的复杂度。
S303,根据所述每个场景元素的影响传递次数,确定相应的场景元素权重系数;
在本实施例中,使用层次分析法确定场景元素权重系数。如图4所示,层次分析法包括以下步骤:
S401,建立层次结构模型;
作为一种优选示例,将场景组成的11个基本元素影响传递次数结果汇总如表6所示。
表6场景元素汇总表
然后把场景元素影响传递次数的差值与“1~9比率标度法”建立对应关系,如表7所示。
表7元素传递次数差值与“1~9比率标度法对应关系”
差值 | [0-2.5) | [2.5-5) | [5-7.5) | [7.5-10) | [10-12.5) |
尺度 | 1 | 2 | 3 | 4 | 5 |
差值 | [12.5-15) | [15-17.5) | [17.5-20) | [20-23) | [12.5-15) |
尺度 | 6 | 7 | 8 | 9 | 6 |
S402,构造判断矩阵;
在本步骤中,将S401中构建的表7作为判断矩阵F:
S403,次排序确定元素影响权重;
对于判断矩阵F,采用幂法求解其最大特征值和对应的特征向量,得到判断矩阵F的最大特征值λmax=11.29,及特征向量E并将其进一步归一化处理,所得E*如表8所示,即为个元素的影响权重。
表8场景元素的影响权重
S404,一致性检验;
在本步骤中,通过如下公式进行一致性检验:
其中:m为判断矩阵的阶数;CI为一致性指标;RI为随机一致性指标,取值如表9所示;CR为一致性比率,当CR<0.1时,矩阵满足一致性要求。
表9随机一致性指标
阶数m | 1 | 2 | 3 | 4 | 5 |
R<sub>I</sub> | 0 | 0 | 0.58 | 0.90 | 1.12 |
阶数m | 6 | 7 | 8 | 9 | - |
R<sub>I</sub> | 1.24 | 1.32 | 1.41 | 1.45 | - |
针对步骤S403中确定的权重系数,根据上述两个公式进行一致性检验,可求得CR=0.057<0.1,因此判断矩阵F满足一致性要求。
S304,根据所述每个场景元素的数量和场景元素权重系数,确定场景复杂度;
作为一种优选示例,通过如下公式计算场景复杂度:
其中,SC为场景复杂度,N为场景中所有场景元素的数量,Ei为场景中第i个元素的影响权重。
在本实施例中,提出一种影响传递模型和层次分析法相结合的场景复杂度评价方法,实现了场景复杂度的评价,提高了测试效率。
实施例二
基于同一个发明构思,本发明实施例还提供了一种智能汽车测试场景复杂度的评估系统,如图5所示,该系统包括:
场景元素确定子系统501,用于确定智能汽车测试场的场景元素集合;
系数计算子系统502,用于确定所属场景元素集合中每个场景元素的影响传递次数和数量,以及根据所述每个场景元素的影响传递次数,确定相应的场景元素权重系数;
复杂度计算子系统503,用于根据所述每个场景元素的数量和场景元素权重系数,确定场景复杂度。
优选的,所述复杂度计算子系统503用于通过下列方式计算场景复杂度:
其中,SC为场景复杂度,N为场景中所有场景元素的数量,Ei为场景中第i个元素的影响权重。
进一步的,所述场景元素确定子系统501确定的场景元素集合包括:
气象、道路设施和交通环境;
其中,所述气象包括光照、雨雪、雾和风;
所述道路设施包括道路、交通标识和路边建筑;
所述交通环境包括交通参与者。
进一步的,所述系数计算子系统502用于通过以下方式确定场景元素的数量:
所述场景元素的数量通过以下公式确定:
N=nweather+nfacility+ntraffic
其中,nweather为不同气象环境出现的次数,nfacility为交通设施元素的数量,ntraffic为交通参与者的数量。
不同气象环境出现的次数nweather由下列公式确定:
nweather=nlight+nrain+nfog+nwind
其中,nlight为光照剧烈变化情况出现的次数及光照条件较差情况出现的次数,nrain为雨雪剧烈变化情况出现的次数,nfog为雾剧烈变化情况出现的次数,nwind为风剧烈变化情况出现的次数;
所述剧烈变化情况为系统预先设定。
交通设施元素的数量nfacility由下列公式确定:
nfacility=nroad+nsign+nbuilding
其中,nsign为交通标识元素的数量;nbuilding为路边建筑元素数量;
nroad为道路路段数量,由下列公式确定:
nroad=nstraight+ncurve+ncross+nround
其中,nstraight、ncurve、ncross、nround分别为直道、弯道、交叉口、环岛的道路路段数量。
交通参与者的数量ntraffic是机动车、非机动车和行人的数量之和。
优选的,系数计算子系统502还用于根据以下方式确定每个场景元素的影响传递次数:
其中,Q(n)为第n个元素的影响传递次数,Lj为元素j属性直接影响的系统级数。
优选的,复杂度计算子系统503还用于根据以下步骤确定相应的场景元素权重系数:
汇总所有场景元素,建立层次结构模型;
根据所述层次结构模型,确定判断矩阵;
根据所述判断矩阵,确定元素的影响权重系数;
对所述影响权重进行一致性检验。
需要说明的是,实施例二提供的系统与实施例一提供的方法属于同一个发明构思,解决相同的技术问题,达到相同的技术效果,实施例二提供的系统能实现实施例一的所有方法,相同之处不再赘述。
需要说明的是,本申请实施例中对单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (8)
1.一种智能汽车测试场景复杂度的评估方法,其特征在于,包括:
确定场景元素集合;
确定所述场景元素集合中每个场景元素的影响传递次数和数量;
根据所述每个场景元素的影响传递次数,确定相应的场景元素权重系数;
根据所述每个场景元素的数量和场景元素权重系数,确定场景复杂度;
其中,所述每个场景元素的影响传递次数通过以下公式确定:
其中,Q(n)为第n个元素的影响传递次数,Lj为元素j属性直接影响的系统级数;
其中,所述确定相应的场景元素权重系数包括:
汇总所有场景元素,建立层次结构模型;
根据所述层次结构模型,确定判断矩阵;
根据所述判断矩阵,确定场景元素权重系数;
对所述场景元素权重系数进行一致性检验。
3.根据权利要求2所述的方法,其特征在于,所述场景元素集合包括:
气象、道路设施和交通环境;
其中,所述气象包括光照、雨雪、雾和风;
所述道路设施包括道路、交通标识和路边建筑;
所述交通环境包括交通参与者。
4.根据权利要求1所述的方法,其特征在于,包括:
所述场景元素的数量通过以下公式确定:
N=nweather+nfacility+ntraffic
其中,nweather为不同气象环境出现的次数,nfacility为交通设施元素的数量,ntraffic为交通参与者的数量。
5.根据权利要求4所述的方法,其特征在于,包括:
不同气象环境出现的次数nweather由下列公式确定:
nweather=nlight+nrain+nfog+nwind
其中,nlight为光照剧烈变化情况出现的次数及光照条件较差情况出现的次数,nrain为雨雪剧烈变化情况出现的次数,nfog为雾剧烈变化情况出现的次数,nwind为风剧烈变化情况出现的次数;
所述剧烈变化情况为系统预先设定。
6.根据权利要求4所述的方法,其特征在于,包括:
交通设施元素的数量nfacility由下列公式确定:
nfacility=nroad+nsign+nbuilding
其中,nsign为交通标识元素的数量;nbuilding为路边建筑元素数量;nroad为道路路段数量,由下列公式确定:
nroad=nstraight+ncurve+ncross+nround
其中,nstraight、ncurve、ncross、nround分别为直道、弯道、交叉口、环岛形式的道路路段数量。
7.根据权利要求4所述的方法,其特征在于,包括:
交通参与者的数量ntraffic是机动车、非机动车和行人的数量之和。
8.一种智能汽车测试场景复杂度的评估系统,其特征在于,包括:
场景元素确定子系统,用于确定场景元素集合;
系数计算子系统,用于确定所述场景元素集合中每个场景元素的影响传递次数,数量和权重系数;
复杂度计算子系统,用于根据所述每个场景元素的数量和场景元素权重系数,确定场景复杂度;
所述评估系统用于实现如权利要求1到7之一所述的智能汽车测试场景复杂度的评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010463304.7A CN111651712B (zh) | 2020-05-27 | 2020-05-27 | 一种智能汽车测试场景复杂度的评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010463304.7A CN111651712B (zh) | 2020-05-27 | 2020-05-27 | 一种智能汽车测试场景复杂度的评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111651712A CN111651712A (zh) | 2020-09-11 |
CN111651712B true CN111651712B (zh) | 2023-03-28 |
Family
ID=72352665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010463304.7A Active CN111651712B (zh) | 2020-05-27 | 2020-05-27 | 一种智能汽车测试场景复杂度的评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111651712B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112629881B (zh) * | 2020-12-16 | 2022-04-22 | 北京航空航天大学 | 一种自动驾驶仿真测试要素的提取方法 |
CN113254336B (zh) * | 2021-05-24 | 2022-11-08 | 公安部道路交通安全研究中心 | 自动驾驶汽车交通法规符合性仿真测试方法及系统 |
CN114332401B (zh) * | 2022-03-11 | 2022-05-20 | 四川省公路规划勘察设计研究院有限公司 | 一种三维地质模型的结构复杂度定量评估方法 |
CN115376324B (zh) * | 2022-10-24 | 2023-03-24 | 中国汽车技术研究中心有限公司 | 车辆场景复杂度确定方法 |
CN116358902B (zh) * | 2023-06-02 | 2023-08-22 | 中国第一汽车股份有限公司 | 一种车辆功能的测试方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109782751A (zh) * | 2017-11-14 | 2019-05-21 | 通用汽车环球科技运作有限责任公司 | 用于自主系统性能和基准测试的方法和设备 |
CN110182217A (zh) * | 2019-04-23 | 2019-08-30 | 吉林大学 | 一种面向复杂超车场景的行驶任务复杂度量化评估方法 |
CN110597711A (zh) * | 2019-08-26 | 2019-12-20 | 湖南大学 | 一种基于场景和任务的自动驾驶测试用例生成方法 |
CN111027430A (zh) * | 2019-11-29 | 2020-04-17 | 西安交通大学 | 一种面向无人车智能评估的交通场景复杂度计算方法 |
-
2020
- 2020-05-27 CN CN202010463304.7A patent/CN111651712B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109782751A (zh) * | 2017-11-14 | 2019-05-21 | 通用汽车环球科技运作有限责任公司 | 用于自主系统性能和基准测试的方法和设备 |
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 |
CN110182217A (zh) * | 2019-04-23 | 2019-08-30 | 吉林大学 | 一种面向复杂超车场景的行驶任务复杂度量化评估方法 |
CN110597711A (zh) * | 2019-08-26 | 2019-12-20 | 湖南大学 | 一种基于场景和任务的自动驾驶测试用例生成方法 |
CN111027430A (zh) * | 2019-11-29 | 2020-04-17 | 西安交通大学 | 一种面向无人车智能评估的交通场景复杂度计算方法 |
Non-Patent Citations (1)
Title |
---|
自动驾驶汽车基础测试场景构建研究;舒红 等;《中国公路学报》;20191130;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111651712A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111651712B (zh) | 一种智能汽车测试场景复杂度的评估方法及系统 | |
DE102019125303A1 (de) | Reinigung des fahrzeugsensors | |
CN111178402B (zh) | 一种自动驾驶车辆道路测试的场景分类方法及装置 | |
CN102208013B (zh) | 风景匹配参考数据生成系统和位置测量系统 | |
CN101281142B (zh) | 一种测量大气能见度的方法 | |
CN112154446B (zh) | 立体车道线确定方法、装置和电子设备 | |
CN107067781B (zh) | 一种用于先进驾驶辅助系统应用的gis道路黑点地图生成方法 | |
CN107705577B (zh) | 一种基于车道线标定车辆违章变道的实时检测方法及系统 | |
CN113935441B (zh) | 汽车自动驾驶功能测试道路的选取方法、设备和存储介质 | |
WO2024016877A1 (zh) | 一种面向车路协同的路测感知仿真系统 | |
CN110307995A (zh) | 一种用于自动驾驶汽车边缘测试的测试方法 | |
CN115830265A (zh) | 一种基于激光雷达的自动驾驶运动障碍物分割方法 | |
CN117290997A (zh) | 一种基于数字孪生模式的人机共驾决策系统测评方法 | |
Guerrieri et al. | Flexible and stone pavements distress detection and measurement by deep learning and low-cost detection devices | |
CN116597690B (zh) | 智能网联汽车的高速公路测试场景生成方法、设备及介质 | |
Sun et al. | Objects detection with 3-d roadside lidar under snowy weather | |
US11555928B2 (en) | Three-dimensional object detection with ground removal intelligence | |
CN116611339A (zh) | 一种自动驾驶仿真场景复杂度计算方法、装置及设备 | |
CN112629881B (zh) | 一种自动驾驶仿真测试要素的提取方法 | |
Karsten et al. | Automated framework to audit traffic signs using remote sensing data | |
CN114820931A (zh) | 基于虚拟现实的智慧城市cim可视化实时成像方法 | |
CN109147328B (zh) | 一种基于视频虚拟线圈的车流量检测方法 | |
Wickramathilaka et al. | Three-dimensional visualisation of traffic noise based on the Henk de-Klujijver Model | |
Cappello et al. | Detection of lane boundaries, intersections and obstacles | |
Steele et al. | Traffic sign retroreflectivity condition assessment and deterioration analysis using Lidar technology |
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 |