CN111813083A - 场景任务复杂度量化模型 - Google Patents
场景任务复杂度量化模型 Download PDFInfo
- Publication number
- CN111813083A CN111813083A CN202010658904.9A CN202010658904A CN111813083A CN 111813083 A CN111813083 A CN 111813083A CN 202010658904 A CN202010658904 A CN 202010658904A CN 111813083 A CN111813083 A CN 111813083A
- Authority
- CN
- China
- Prior art keywords
- complexity
- target
- task
- vehicle
- lane
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
一种场景任务复杂度量化模型,属于自动驾驶技术领域。本发明的目的是从动作组成、信息感知和判断评估三个方面,综合使用主观负荷评价法、信息熵理论设计一种面向场景驾驶任务的复杂度量化评估方法,建立适用于七类,五十四种汽车测试验证的场景任务复杂度量化模型。本发明步骤是复杂度因子分析、复杂度量化计算、场景任务复杂度,综合计算场景任务的百分制场景任务复杂度。本发明准确地重复一次特殊的驾驶场景任务,成本过高,建立一个理论模型来分析一辆自动驾驶汽车在有限数量的测试场景中的智能性。本发明适用于各类测试场景的任务复杂度量化评估模型与方法,服务于实车验证和第三方测试机构建立完善的自动驾驶测试评价体系。
Description
技术领域
本发明属于自动驾驶技术领域。
背景技术
自动驾驶汽车测试验证是自动驾驶汽车研发与上市前的必不可少的环节,配套的测试评价体系是推动自动驾驶汽车技术发展的必备条件。封闭场景测试作为实车测试的第一步,能够快速、安全、准确、可重复的对自动驾驶车辆进行全面的测试,然而测试场景及测试任务复杂多变,如何评价测试场景及任务的复杂程度是公认的难题。目前,世界范围内尚未建立一套成熟的场景任务测试标准体系,缺乏自动驾驶任务复杂度量化评估模型与方法,其核心技术亟待突破。
近年来,自动驾驶以强势的姿态席卷世界,成为最具潜力的颠覆性技术之一。不仅传统的车企如通用、大众等对自动驾驶加大投入,互联网行业巨头如谷歌、百度等也纷纷投身于自动驾驶领域,同时催生了很多新兴的企业如特斯拉等。同时掀起了自动驾驶汽车的研发热潮,带来了行业巨变,加快了各个国家及其汽车行业对自动驾驶汽车的布局。自动驾驶汽车之所以被各个国家作为研究重点,并投入大量的人力和物力,不仅仅因为自动驾驶代表了高科技水平,更因为它满足了人们对于汽车技术发展和产业发展迫切的需求。随着全球人口和汽车保有量的增长,每年约有125万人死于交通事故,而道路交通事故的经济成本更是高达5180亿美元。为了减少交通拥堵和交通事故造成的严重伤亡,各汽车制造商不断加大研发投入以提高汽车的安全性。
在自动驾驶汽车测试评价方面,复杂的测试过程是自动驾驶汽车开发必不可少的环节。在实车测试方面,国外主要以大型的自然驾驶试验、自动驾驶测试、交通事故数据库为依据进行的自动驾驶测试场景方面的研究;国内主要以智能车大赛以及我国的深度事故为基础进行的测试场景及综合测评方法的研究。美国高速公路管理局(NHTSA)发布的数据库GES手册2015中总结出了六大类13小类碰撞场景,即单车事故场景、同方向事故场景,对向事故场景,换向事故场景、交叉路口事故场景及其他复杂事故场景六大类;在许多大挑战赛和城市挑战赛,要求一辆自动驾驶汽车在有限的时间内安全合法地通过一个特殊区域。为了达到这一目标,车辆不仅需要识别相对静态的环境(如道路和静态障碍物),还需要识别动态交通参与者(如其他车辆和行人)。它还应该能够作出正确的决定,并采取适当的行动,以正确地与环境和交通参与者互动。那些无法通过特别制定的交通场景的车辆将被视为“智能”度不够。目前,大部分文献侧重研究自动驾驶车辆测试方法,代表方法主要有软件在环、硬件在环、车辆在环等虚拟测试、驾驶模拟器测试、封闭场地测试和开放道路测试等环节。文献3充分的应用并结合虚拟现实将驾驶员的视野进行模拟,这些方法的测试内容包括传感器、算法、执行器和人机界面等各个方面,测试目的包括应用功能、性能、稳定性、鲁棒性、功能安全等方面,但是不能进行自动驾驶系统测试过程中任务复杂度的评价,无法评估针对不同场景系统任务的实际复杂程度。目前,关于自动驾驶复杂度的研究相对较少,欧洲进行的AdaptIVe项目,针对从技术评估L2级以上的自动驾驶功能进行大量的实证测试。该项目采用了三大类测试工况分别是近距工况、城市工况和高速工况,包括主要的场景33种及备选场景36种,并提出从用户评估,交通评估和影响评估(安全和环境效应)这三方面对测试驾驶功能进行综合评估。2016年李力等提出了基于时空语义图的评价方法,通过研究具体任务的时空范围图特征来定量分析和控制测试的复杂性。高洪波等提出了一种基于云模型和变粒度的测评方法,以4S变粒度测评体系和三级智商变粒度测评体系为基础,利用云模型的期望、熵和超熵进行定量评价。2019年戴姆勒公司发布了一种的自动驾驶复杂度技术方案,该方案描述使用感知系统措施管理前进路径的自动驾驶复杂度,用于控制车辆的自动驾驶系统,示例方法包括计算沿着车辆行驶的路线的即将到来的区域的复杂度度量,响应于复杂度低于预定的低复杂度阈值,使用车辆的计算系统确定车辆在即将到来的区域中行驶的轨迹。然而,该方法并没有系统、科学地完善自动驾驶汽车的测试与评价体系以及测试场景任务复杂度量化评估相关的标准与规范。适用于各类测试场景的自动驾驶任务复杂度量化评估模型与方法亟待突破。
在实车测试过程中被测自动驾驶车辆以整车形式开展测试,各层级的软硬件的实际表现均能真实反映在测试结果中,能够更真实地反映自动驾驶汽车整体的交通协调性水平的特点,更能满足整车级的验证需求。实车道路测试的场景库在智能网联汽车测试评价体系中起到非常关键的作用,是测试和评价的基础与出发点,能够侧面影响任务的复杂程度。为确保测试场景的充分性,场景库应使自动驾驶比人为驾驶所遇到的所有场景更加安全、可靠。而一方面车辆内部详细的信息感知、判断逻辑和行动组成既没有得到准确的观察,也没有得到充分的评价。驾驶智能的判断完全基于外部的布尔型进行测量,这种间接的测量方法使我们无法定量评估自动驾驶汽车的智能,另一方面,现实中是无法穷尽所有场景的,由于不能列举所有可能的交通场景,如果涉及大量车辆,很难再进行一轮现场试验。运行测试通常需要昂贵的硬件和较长的时间。
发明内容
本发明的目的是从动作组成、信息感知和判断评估三个方面,综合使用主观负荷评价法、信息熵理论设计一种面向场景驾驶任务的复杂度量化评估方法,建立适用于七类,五十四种汽车测试验证的场景任务复杂度量化模型。
本发明步骤是:
步骤一、复杂度因子分析:分析各类任务的固有属性,可得车辆运动控制复杂度、0EDR复杂度以及指标复杂度;车辆运动控制复杂度因子包括纵向因子和横向因子,纵向因子包括恒速、变速、跟随、联合的控制;横向因子包括保持、跟踪、避障的控制;0EDR复杂度包括逻辑复杂度因子、变量复杂度因子、目标复杂度因子;逻辑复杂度包括一阶信息熵、二阶信息熵,主要的变量有:测试车辆速度v1、目标车辆速度v2、车道宽度x0、目标车辆与测试车辆距离d、目标车辆与虚线车道线横向距离offset、弯道半径R、变道周期t、碰撞时间TTC、行人/骑行者与车道中心线之间的距离D、目标车辆加速度a、溜坡路距离d1、测试车辆距离碰撞点所需时间TTL1、目标车辆距离碰撞点所需时间TTL2、其他目标车辆速度v3、道路限制速度Speedlimit、黄灯时长Yellowlight-time、红灯时长Redlight-time、机动车信号灯状态Leftsignal-status/Rightsignal-status;变量复杂度由变量个数决定;由于测试场景中目标不尽相同,目标复杂度因子也不同;
步骤二、复杂度量化计算:
设某项任务的某个因子包含多个元素,即x、y和z,其中x和y元素可相互替代,任选其一或共用,并与z个元素联合能够完成第i个任务,该影响因子所对应的或并函数则可记为gi(a1,...,a11,∧,∨)=max(ax,ay)+az;定义第i个场景任务的车辆运动控制复杂度为Si,1,纵向因子复杂度为s1,1,m,横向因子复杂度为s1,2,n,s1,1,m是参考定速巡航、行人紧急制动、自适应巡航、和高速驾驶辅助四项ADAS自动驾驶功能信息熵,综合评价得到的有关恒速s1,1,1,变速s1,1,2,跟随s1,1,3,横纵联合s1,1,4的或并函数f1,1,m(s1,1,1,...,s1,1,4,∧,∨);s1,2,n是参考车道保持辅助、自动并线和交通拥堵领航三项ADAS自动驾驶功能信息熵,综合评价得到的有关保持s1,2,1,跟踪s1,2,2,避障s1,2,3的或并函数f1,2,n(s1,2,1,...,s1,2,3,∧,∨),可得车辆运动控制复杂度:
Si,1=f1,1,m+f1,2,n (1)
从基本动作库中选取完成第i个场景任务所需的动作,将其抽象为节点,并用Bi,Ci...表示,定义Φi表示第i个网络图Γi的节点集,即Bi,Ci...∈Φi;定义场景任务i基本动作间的顺序为Ωi,表示第i个网络图Γi节点间的节点度;得到第i个场景任务的动作逻辑为一个网络图:
Γi=(Φi,Ωi) (2)
逻辑复杂度一次熵的计算:网络图Γi有αi个节点,流入第j个节点边的条数称为该节点的入度μi,j,流出第j个节点边的条数称为该节点的出度νi,j;统计网络图Γi中各个节点μi,j和vi,j,按照(μi,j,νi,j)的组合不同进行分类,得到一次熵的类别数ti,1和每个类别的节点个数li,1,li,1<αi;计算第i个场景任务的一次熵Ii,1,即:
Ii,1=-sum(pi,1,jlogapi,1,j) (3)
逻辑复杂度二次熵的计算:网络图Γi有αi个节点,第j个节点相邻的节点集合为Φi,j;如果第j个节点邻接的节点集合Φi,j中的任何一个元素都属于第k个节点相邻的节点集合Φi,k,第k个节点相邻的节点集合Φi,k中的任何一个元素都属于第j个节点邻接的节点集合Φi,j,那么,将节点j和k归为一类;统计各个节点的相邻节点集合Φi,j,得到二次熵的类别数ti,2和每个类别所包含的节点个数li,2,li,2<αi;计算第i个场景任务的二次熵Ii,2,即:
Ii,2=-sum(pi,1,jlogapi,1,j) (4)
计算第i个场景任务的OEDR逻辑复杂度:
其中,m和n为权重;
OEDR复杂度的第二部分为目标复杂度,定义目标复杂度为Di,目标集分别表示双车道车辆目标、十字路口车辆目标、双车道+十字路口车辆目标,考虑目标所处车道信息以及目标信息,包括借道行驶因子s2,1,q、车道方向s2,2,r、相对位置s2,3,s、相对车速s2,4,u,得到有关不可借道行驶s2,1,1、可借道行驶s2,1,2的借道行驶g2,1,q(s2,1,1,s2,1,2),有关同向车道s2,2,1、对向车道s2,2,2、横向车道s2,2,3的车道方向函数g2,2,r(s2,2,1,...,s2,2,3),有关前方s2,3,1、左前s2,3,2、右前s2,3,3、后方s2,3,4、左后s2,3,5、右后s2,3,6的相对位置函数g2,3,s(s2,3,1,...,s2,3,6),有关小于0s2,4,1、大于0s2,4,2、变化s2,4,3的相对车速函数g2,4,u(s2,4,1,...,s2,4,3),可得目标集的目标复杂度:
Di=g2,1,q+g2,2,r+g2,3,s+g2,4,u (6)
目标集分别表示十字路口信号灯目标、其他信号灯目标,考虑信号灯类型s2,5,v以及信号灯状态s2,6,w,包括有关单排信号灯s2,5,1、双排信号灯s2,5,2、人行横道信号灯s2,5,3、临时信号灯s2,5,4、铁道路口信号灯s2,5,5、潮汐信号灯s2,5,6的信号灯类型函数g2,5,v(s2,5,1,...,s2,5,6),有关前进-警示s2,6,1、警示-前进s2,6,2、警示-停止s2,6,3、停止-警示s2,6,4、停止-前进s2,6,5的函数g2,6,w(s2.6,1,...,s2,6,5),可得目标集的目标复杂度:
Di=g2,5,v+g2,6,w (7)
Di=g2,7,x (8)
OEDR复杂度的第三部分为变量复杂度,定义变量复杂度为Ei,采用组合方式计算变量复杂度,即:
其中n表示变量个数;
根据以上公式和独立分布原则,定义第i个场景任务的OEDR复杂度S2,i等价于该任务的逻辑复杂度Ii与任务所包含目标复杂度Di以及该任务的变量复杂度Ei的乘积,即:
Si,2=Ii×Di×Ei (10)
确定评价指标的等级:
Si,3=q(s3,1,s3,2,s3,3) (11)
步骤三、场景任务复杂度:
定义第i个场景任务的复杂度Si等价于该任务车辆运动控制复杂度为Si,1与任务所包含的OEDR复杂度为Si,2以及该任务的评价指标复杂度为Si,3的乘积,即:
Si=Si,1×Si,2×Si,3 (12)
设第p个任务为所有场景任务中复杂度最高的任务,即Smax=Sp,根据百分制原则,综合计算第i个场景任务的百分制场景任务复杂度Zi:
本发明准确地重复一次特殊的驾驶场景任务,成本过高,建立一个理论模型来分析一辆自动驾驶汽车在有限数量的测试场景中的智能性。本发明描述了用于交通场景任务复杂度量化评估模型的技术方案,从动作组成、信息感知和判断评估三个方面,综合使用主观负荷评价法、信息熵理论、绩效测量方法设计一种面向场景驾驶任务的复杂度量化评估方法,建立适用于七类,五十四种汽车测试验证的场景任务复杂度量化模型。用于对自动驾驶汽车的场景任务进行量化评估,支撑第三方汽车试验场等机构对自动驾驶汽车的测试与评价技术等关键环节。建立适用于各类测试场景的任务复杂度量化评估模型与方法,服务于实车验证和第三方测试机构建立完善的自动驾驶测试评价体系。
附图说明
图1是场景任务复杂度量化评估流程图;
图2是动态驾驶任务示意图;
图3是直行遇相邻车道慢速车辆场景图;
图4是直行遇相邻车道慢速车辆流程图;
图5是目标车辆切入场景图;
图6是目标车辆切入流程图;
图7是机动车信号灯路口右转场景图;
图8是机动车信号灯路口右转流程图。
具体实施方式
以下对本发明做详细的说明:
1.复杂度因子分析
根据牛津词典对复杂度的定义:“处于复杂的状态或一种用于描述处于复杂状态的属性”,且认为与composite,intricacy两词同义,可对复杂度进行深刻理解:(1)多个组成元素,(2)元素互异,(3)元素间相互耦合。可知,复杂度是由一系列复杂度因子组成的,复杂度水平是复杂度因子相互作用的结果,不能从单一的角度度量。驾驶任务是信息感知、判断决策和动作组成的一个不断往复进行的信息处理过程,从这三个层面分析场景驾驶任务的复杂度因子。
按照SAE J3016中的相关描述,动态驾驶任务是指汽车在道路上行驶所需的所有实时操作和策略上的功能,并不考虑行程安排、目的地和航点规划等战略功能,其包括但不限于以下五种子任务:1.通过转向控制车辆横向运动;2.通过加速和减速控制车辆纵向运动;3.通过目标和事件的检测、识别、分类、响应准备来监控驾驶环境;4.目标和事件响应执行;5.照明、和手势等警示性操作。其中子任务3、4部分统称为对象和事件检测与响应(OEDR)。图2为由国际自动机工程师学会(SAE International,简称SAE)制定的最新修订版SAE J3016(TM)《标准道路机动车驾驶自动化系统分类与定义》翻译后截取的示意图。
根据测试场景任务的描述,对场景任务进行分类,得到识别并对应相邻车道障碍类、识别并应对切入类、跟随行驶类、通过路口类、变换车道类、车道内行驶类、识别交通信号灯类等。分析各类任务的固有属性,可得车辆运动控制复杂度、OEDR复杂度以及指标复杂度。表3为场景任务复杂度因子分析表。
将场景任务进行降维解构,结合SAE J3016的描述,可知车辆运动控制复杂度因子包括纵向因子和横向因子。纵向因子包括恒速、变速、跟随、联合等控制;横向因子包括保持、跟踪、避障等控制。
OEDR复杂度包括逻辑复杂度因子、变量复杂度因子、目标复杂度因子。逻辑复杂度包括一阶信息熵、二阶信息熵。主要的变量有:测试车辆速度v1、目标车辆速度v2、车道宽度x0、目标车辆与测试车辆距离d、目标车辆与虚线车道线横向距离offset、弯道半径R、变道周期t、碰撞时间TTC、行人/骑行者与车道中心线之间的距离D、目标车辆加速度a、溜坡路距离d1、测试车辆距离碰撞点所需时间TTL1、目标车辆距离碰撞点所需时间TTL2、其他目标车辆速度v3、道路限制速度Speedlimit、黄灯时长Yellowlight-time、红灯时长Redlight-time、机动车信号灯状态Leftsignal-status/Rightsignal-status,变量复杂度由变量个数决定。由于测试场景中目标不尽相同,目标复杂度因子也不同。目标主要有车辆(双车道车辆、十字路口车辆、双车道+十字路口车辆)、信号灯(十字路口信号灯、其他信号灯)、其他(行人、骑行者、匝道、合流车道、限速牌等),按照不同目标的划分,独立分析其固有特征,确定其复杂度因子。对于车辆目标,将其目标复杂度因子定为借道行驶因子、车道方向因子、相对位置因子、相对速度因子。借道行驶包括不可借道行驶、可借道行驶;车道方向包括同向、对向、横向;相对位置包括前方、左前、右前、后方、左后、右后;相对速度(目标车速-本车车速)包括小于0、大于0、变化;对于信号灯目标,将其目标复杂度因子定为信号灯类型因子、信号灯状态因子。信号灯类型包括单排信号灯、双排信号灯、人行横道信号灯、临时信号灯,铁路道口信号灯,潮汐车道信号灯等;信号灯状态包括前进-警示、警示-前进、警示-停止、警示-停止、停止-前进等。通过主观负荷评价法对各个复杂度因子进行评价。
评价指标是衡量一个场景任务测试是否成功重要依据,在一定程度上其复杂度也能体现场景任务复杂度。分析其固有特征,可知评价指标包括判断指标、变量指标、模糊指标。
表3场景任务复杂度因子分析表
2.复杂度量化计算
设某项任务的某个因子包含多个元素,即x、y和z,其中x和y元素可相互替代,任选其一或共用,并与z个元素联合能够完成第i个任务,该影响因子所对应的或并函数则可记为gi(a1,...,a11,∧,∨)=max(ax,ay)+az。
调研11种典型自动驾驶系统硬件的市场价格和附加价值,参考ADAS任务的逻辑,覆盖L0至L4的自动驾驶等级,综合评价得到车辆运动控制复杂度,如表4所示:
表4车辆运动控制复杂度汇总表
首先定义第i个场景任务的车辆运动控制复杂度为Si,1,纵向因子复杂度为s1,1,m,横向因子复杂度为s1,2,n。s1,1,m是参考定速巡航、行人紧急制动、自适应巡航、和高速驾驶辅助四项ADAS自动驾驶功能信息熵,综合评价得到的有关恒速s1,1,1,变速s1,1,2,跟随s1,1,3,横纵联合s1,1,4的或并函数f1,1,m(s1,1,1,...,s1,1,4,∧,∨);s1,2,n是参考车道保持辅助、自动并线和交通拥堵领航三项ADAS自动驾驶功能信息熵,综合评价得到的有关保持s1,2,1,跟踪s1,2,2,避障s1,2,3的或并函数f1,2,n(s1,2,1,...,s1,2,3,∧,∨),可得车辆运动控制复杂度:
Si,1=f1,1,m+f1,2,n (1)
规定基本动作库:目标状态识别、目标意图识别、限速标志识别、信号灯识别、道路线识别、起步模式、恒速模式、加速模式、跟随模式、避障模式、减速模式、路权模式、巡航模式、掉头模式、让行模式、横纵联合、左转、右转、主动超车、被动超车、紧急制动、FallBack、判断碰撞点、判断换道路权、判断前车距离、判断驾驶员风格等。
定义OEDR复杂度为Si,2,共有三部分。第一部分为逻辑复杂度Ii。基于逻辑树和信息熵理论计算第i个交通场景任务的OEDR动作逻辑复杂度,动作逻辑是指完成场景任务的所需的步骤及顺序。从基本动作库中选取完成第i个场景任务所需的动作,将其抽象为节点,并用Bi,Ci,...表示,定义Φi表示第i个网络图Γi的节点集,即Bi,Ci...∈Φi;定义场景任务i基本动作间的顺序为Ωi,表示第i个网络图Γi节点间的节点度。得到第i个场景任务的动作逻辑为一个网络图:
Γi=(Φi,Ωi) (2)
逻辑复杂度一次熵的计算:网络图Γi有αi个节点,流入第j个节点边的条数称为该节点的入度μi,j,流出第j个节点边的条数称为该节点的出度νi,j。统计网络图Γi中各个节点μi,j和νi,j,按照(μi,j,νi,j)的组合不同进行分类,得到一次熵的类别数ti,1和每个类别的节点个数li,1,li,1<αi。
计算第i个场景任务的一次熵Ii,1,即:
Ii,1=-sum(pi,1,jlogapi,1,j) (3)
逻辑复杂度二次熵的计算:网络图Γi有αi个节点,第j个节点相邻的节点集合为Φi,j。如果第j个节点邻接的节点集合Φi,j中的任何一个元素都属于第k个节点相邻的节点集合Φi,k,第k个节点相邻的节点集合Φi,k中的任何一个元素都属于第j个节点邻接的节点集合Φi,j,那么,将节点j和k归为一类。统计各个节点的相邻节点集合Φi,j,得到二次熵的类别数ti,2和每个类别所包含的节点个数li,2,li,2<αi。计算第i个场景任务的二次熵Ii,2,即:
Ii,2=-sum(pi,1,jlogapi,1,j) (4)
计算第i个场景任务的OEDR逻辑复杂度:
其中,m和n为权重。
OEDR复杂度的第二部分为目标复杂度,定义目标复杂度为Di,目标集分别表示双车道车辆目标、十字路口车辆目标、双车道+十字路口车辆目标,考虑目标所处车道信息以及目标信息,包括借道行驶因子s2,1,q、车道方向s2,2,r、相对位置s2,3,s、相对车速s2,4,u,得到有关不可借道行驶s2,1,1、可借道行驶s2,1,2的借道行驶g2,1,q(s2,1,1,s2,1,2)。有关同向车道s2,2,1、对向车道s2,2,2、横向车道s2,2,3的车道方向函数g2,2,r(s2,2,1,...,s2,2,3),有关前方s2,3,1、左前s2,3,2、右前s2,3,3、后方s2,3,4、左后s2,3,5、右后s2,3,6的相对位置函数g2,3,s(s2,3,1,...,s2,3,6),有关小于0s2,4,1、大于0s2,4,2、变化s2,4,3的相对车速函数g2,4,u(s2,4,1,...,s2,4,3),可得目标集的目标复杂度:
Di=g2,1,q+g2,2,r+g2,3,s+g2,4,u (6)
目标集分别表示十字路口信号灯目标、其他信号灯目标,考虑信号灯类型s2,5,v以及信号灯状态s2,6,w,包括有关单排信号灯s2,5,1、双排信号灯s2,5,2、人行横道信号灯s2,5,3、临时信号灯s2,5,4、铁道路口信号灯s2,5,5、潮汐信号灯s2,5,6的信号灯类型函数g2,5,v(s2,5,1,...,s2,5,6),有关前进-警示s2,6,1、警示-前进s2,6,2、警示-停止s2,6,3、停止-警示s2,6,4、停止-前进s2,6,5的函数g2,6,w(s2.6,1,...,s2,6,5),可得目标集的目标复杂度:
DE=g2,5,v+g2,6,w (7)
Di=g2,7,x (8)
OEDR复杂度的第三部分为变量复杂度,定义变量复杂度为Ei,基于加法原理和乘法原理,考虑变量的元素信息而不考虑其序信息,采用组合方式计算变量复杂度,即:
其中n表示变量个数。
根据以上公式和独立分布原则,定义第i个场景任务的OEDR复杂度S2,i等价于该任务的逻辑复杂度Ii与任务所包含目标复杂度Di以及该任务的变量复杂度Ei的乘积,即:
Si,2=Ii×Di×Ei (10)
定义评价指标复杂度为S3,i,评价场景任务是否成功的指标有三类:判断指标s3,1、变量指标s3,2、模糊指标s3,3。判断指标有是否刹车、是否碰撞,是否成功换道、是否急刹等;变量指标主要有车辆行驶最低速度、碰撞时相对速度、跟随停止时与前车距离、碰撞时间、停车时与停止线距离、最大车速、速度控制误差、横向位置误差;模糊指标主要交通规则。结合3米板103乙、405丙、109丙的难度系数,确定评价指标的等级:
Si,3=q(s3,1,s3,2,s3,3) (11)
3.场景任务复杂度
定义第i个场景任务的复杂度Si等价于该任务车辆运动控制复杂度为Si,1与任务所包含的OEDR复杂度为Si,2以及该任务的评价指标复杂度为Si,3的乘积,即:
Si=Si,1×Si,2×Si,3 (12)
设第p个任务为所有场景任务中复杂度最高的任务,即Smax=Sp。根据百分制原则,综合计算第i个场景任务的百分制场景任务复杂度Zi:
下面以识别并应对相邻车道障碍类、识别并应对切入类、识别交通信号灯中的某一场景为例进行说明。
实例1.识别并应对相邻车道障碍类-直行遇相邻车道慢速车辆
描述:测试车辆以目标速度v1在直线道路上行驶,测试车辆左侧车道线为虚线,右侧车道线为实线,车道宽度为x0,测试车辆左侧相邻车道放置以速度v2行驶的TV1,目标车辆TV1右侧边界与虚线车道线横向距离为offset,目标车辆TV1与测试车辆的初始纵向距离为d。如图3所示。
第一步,按照表4分析评估该场景车辆运动控制复杂度S2,1,包括纵向的恒速s1,1,1,横向的保持s1,2,1。参照公式(1)可得车辆运动控制复杂度:
S2,1=f1,1,1+f1,2,1=19.7+22.7=42.4
第二步,计算0EDR复杂度S2,2。首先计算第一部分逻辑复杂度I2,识别并应对相邻车道障碍类是第一类,从动作库中选取直行遇相邻车道慢速车辆包含的动作,并按照顺序排列形成动作网络图Γ2,如图4所示,包含3个节点(目标状态识别A2、目标意图识别B2、直道起步模式C2)和2个节点度即
Γ2=(Φ2,Ω2)
Φ2={A2,B2,C2}
计算0EDR逻辑复杂度一次熵。网络图Γ2有α2=3个节点,每个节点的入度和出度列举如下:
{(μ2,j,v2,j),j=1,...,3}={(0,1),(1,1),(1,0)}
统计网络图Γ2节点,得到一次熵的类别数t2,1=3且每个类别的节点个数为
{l2,1,j,j=1,...,3}={1,1,1}
根据公式(3),取a=2,计算直行遇相邻车道慢速车辆任务的一次熵I2,1:
计算OEDR逻辑复杂度二次熵。网络图Γ2有α2=3个节点,每个节点的相邻节点列举如下:
{Φ2,2,j,j=1,...,3}={(B2),(A2,C2),(B2)}
通过逐一比较,观察各节点没有完全相同的μ2,j和v2,j,得到二次熵的类别数t2,2=3和每个类别所包含的节点个数,即
{l2,2,j,j=1,...,3}={1,1,1}
根据公式(4),取a=2,计算直行遇相邻车道慢速车辆任务的二次熵I2,2:
计算OEDR逻辑复杂度。根据公式(5),取m=n=1,计算直行遇相邻车道慢速车辆任务逻辑复杂度:
其次,计算第二部分目标复杂度D2,直行遇相邻车道慢速车辆目标集为利用主观负荷评价法,得到可以借道行驶s2,1,2=10、同向车道s2,2,1=5、相对位置为左后s2,3,5=20、相对车速为小于Os2,4,1=5。根据公式(6),计算直行遇相邻车道慢速车辆的目标复杂度:
D2=g2,1,q+g2,2,r+g2,3,s+g2,4,u=10+5+20+5=40
然后,计算第三部分变量复杂度E2,直行遇相邻车道慢速车辆含有5个变量:测试车辆速度v1、目标车辆速度v2、车道宽度x0、目标车辆与测试车辆距离d、目标车辆与虚线车道线横向距离offset,根据公式(9),计算直行遇相邻车道慢速车辆的变量复杂度:
根据公式(10),得到OEDR复杂度S2,2,即:
S2,2=H2×D2×E2=2.24×40×5=488
第三步,计算指标复杂度S2,3,判断直行遇相邻车道慢速车辆场景任务成功与否的指标是变量指标:车辆行驶最低速度,得到评价指标复杂度S2,3。
S2,3=2.7
最终得到场景2直行遇相邻车道慢速车辆的任务复杂度:
S2=S2,1×S2,2×S2,3=42.4×488×2.7=55866.24
第四步,计算第2个任务为所有场景任务中复杂度最高的任务,得到Smax=434737.8。根据公式(13),综合计算直行遇相邻车道慢速车辆的百分制行驶任务复杂度:
实例2.识别并应对切入类-目标车辆切入
描述:测试车辆以目标速度v1在直线道路上行驶,测试车辆左侧车道线为虚线,右侧车道线为实线,车道宽度为x0,相邻车道前方放置以速度v2沿车道中心行驶的目标车辆,v2<v1,测试车辆与目标车辆之间的碰撞时间为TTC时,目标车辆保持速度不变,以变道周期t向本车变道,目标车辆完成变道后,继续沿本车道中心线行驶。如表4所示。
第一步,按照表4分析评估该场景车辆运动控制复杂度S10,1,包括纵向的跟随s1,1,3,横向的保持s1,2,1。参照公式(1)可得车辆运动控制复杂度:
S10,1=f1,1,1+f1,2,1=27.6+22.7=50.3
第二步,计算0EDR复杂度S10,2。首先计算第一部分逻辑复杂度I10,从动作库中选取目标车辆切入包含的动作,并按照顺序排列形成动作网络图Γ10,如图6,包含4个节点(目标状态识别A10]、目标意图识别B10、跟随模式C10、直道恒速模式D10)和4个节点度 即:
Γ10=(Φ10,Ω10)
Φ10={A10,B10,C10,D10}
计算0EDR逻辑复杂度一次熵。网络图Γ10有α10=4个节点,每个节点的入度和出度列举如下:
{(μ10,j,v10,j),j=1....,3}={(0,2),(1,2),(2,0),(1,0)}
对网络图Γ10节点归类,得到一次熵的类别数t10,1=4且每类节点数为
{l10,1,j,j=1,...,4}={1,1,1,1}
根据公式(3),取a=2,计算目标车辆切入任务的一次熵I10,1:
计算OEDR逻辑复杂度二次熵。网络图Γ10有α10=4个节点,每个节点的相邻节点列举如下:
{Φ10,j,j=1,...,4}={(B10,C10),(A10,C10,D10),(A10,B10),(B10)}
通过逐一比较,观察各节点没有完全相同的μ10,j、v10,j,得到二次熵的类别数t10,2=4和每个类别所包含的节点个数,即
{l10,2,j,j=1,...,4}={1,1,1,1}
根据公式(4),取a=2,计算目标车辆切入任务的二次熵I10,2:
计算0EDR逻辑复杂度。根据公式(5),取m=n=1,计算目标车辆切入任务逻辑复杂度:
其次,计算第二部分目标复杂度D10,目标车辆切入目标集为利用主观负荷评价法,得到可以借道行驶s2,1,2=10、同向车道s2,2,1=5、相对位置为左前s2,3,2=10、相对车速是变化的s2,4,3=15。根据公式(6),计算目标车辆切入的目标复杂度:
D10=g2,1,q+g2,2,r+g2,3,s+g2,4,u=10+5+10+15=40
然后,计算第三部分变量复杂度E10,直行遇相邻车道慢速车辆含有5个变量:测试车辆速度v1、目标车辆速度v2、车道宽度x0、变道周期t、碰撞时间TCC,根据公式(9),计算直目标车辆切入的变量复杂度:
根据公式(10),得到0EDR复杂度S10,2,即:
S10,2=H10×D10×E10=2.83×40×5=566
第三步,计算指标复杂度S10,3,判断目标车辆切入场景任务成功与否的指标是变量指标:碰撞时相对速度,得到评价指标复杂度S10,3。
S10,3=2.7
最终得到场景10目标车辆切入的任务复杂度:
S10=S10,1×S10,2×S10,3=50.3×566×2.7=76868.46
第四步,计算第45个任务为所有场景任务中复杂度最高的任务,得到Smax=434737.8。根据公式(13),综合计算直行遇相邻车道慢速车辆的百分制行驶任务复杂度:
实例3.识别交通信号灯-机动车信号灯路口右转
描述:测试车辆以目标速度v1在右转车道上行驶,车道宽度为x0,十字路口位置放置双排信号灯,左侧为机动车信号灯,右侧为方向指示信号灯。测试车辆右转通过十字路口过程中,右转方向指示的状态默认为黄灯,测试车辆与本车道停止线之间的纵向距离为d时,右转方向指示信号灯的状态设置为红灯,左侧机动车信号灯的状态设置为Leftsignal-status;经过红灯时长Redlight-time后,右转方向指示信号灯的状态设置为绿灯。
第一步,按照表4分析评估该场景车辆运动控制复杂度S45,1,包括纵向的横纵联合s1,1,4,横向的保持s1,2,1和跟踪s1,2,2。参照公式(1)可得车辆运动控制复杂度:
S45,1=f1,1,1+f1,2,1=82.5+(22.7+25)=130.2
第二步,计算0EDR复杂度S45,2。首先计算第一部分逻辑复杂度I45,从动作库中选取机动车信号灯路口右转包含的动作,并按照顺序排列形成动作网络图Γ45,如图8所示,包含4个节点(右转信号灯识别A45、减速停车B45、右转C45、判断驾驶风格D45)和5个节点度即:
Γ45=(Φ45,Ω45)
Φ45={A45,B45,C45,D45}
计算0EDR逻辑复杂度一次熵。网络图Γ45有α45=4个节点,每个节点的入度和出度列举如下:
{(μ45,j,v45,j),j=1,...,3}={(03),(2,0),(2,0),(1,2)}
对网络图Γ45节点归类,得到一次熵的类别数t45,1=3且每类节点数为
{l45,1,i,i=1,...,3}={1,2,1}
根据公式(3),计算机动车信号灯路口右转的一次熵I45,1:
计算0EDR逻辑复杂度二次熵。网络图Γ45有α45=4个节点,每个节点的相邻节点列举如下:{Φ45,j,j=1,...,4}={(B45,C45,D45),(A45,D45),(A45,D45),(A45,B45,C45)}通过逐一比较,观察B45、C45两点有完全相同的入度、出度,得到二次熵的类别数t45,2=3和每个类别所包含的节点个数,即
{l45,2,j,j=1,...,3}={1,2,1}
根据公式(4),取a=2,计算机动车信号灯路口右转任务的二次熵I45,2:
计算0EDR逻辑复杂度。根据公式(5),取m=n=1,计算机动车信号灯路口右转任务逻辑复杂度:
其次,计算0EDR复杂度第二部分目标复杂度D45,机动车信号灯路口右转目标集为利用主观负荷评价法,得到双排信号灯s2,5,2=80、停止-前进s2,6,5=10。根据公式(7),计算机动车信号灯路口右转的目标复杂度:
D45=g2,5,v+g2,6,w=80+10=90
然后,计算0EDR复杂度第三部分变量复杂度E10,机动车信号灯路口右转含有5个变量:测试车辆速度v1、车道宽度x0、红灯时长Redlight-time、左侧机动车信号灯状态Leftsignal-status、测试车辆与本车道停止线之间的纵向距离d,根据公式(9),计算机动车信号灯路口右转的变量复杂度:
根据公式(10),得到0EDR复杂度S45,2,即:
S45,2=H45×D45×E45=2.12×90×5=954
第三步,计算指标复杂度S45,3,判断机动车信号灯路口右转场景任务成功与否的指标是模糊指标:是否符合交通规则,得到评价指标复杂度S45,3。
S45,3=3.5
最终得到场景45动车信号灯路口右转的任务复杂度:
S45=S45,1×S45,2×S45,3=130.2×954×3.5=434737.8
第四步,由于第45个任务为所有场景任务中复杂度最高的任务,根据公式(13),综合计算机动车信号灯路口右转的百分制行驶任务复杂度:
Z45=100。
Claims (1)
1.一种场景任务复杂度量化模型,其特征在于:其步骤是:
步骤一、复杂度因子分析:分析各类任务的固有属性,可得车辆运动控制复杂度、OEDR复杂度以及指标复杂度;车辆运动控制复杂度因子包括纵向因子和横向因子,纵向因子包括恒速、变速、跟随、联合的控制;横向因子包括保持、跟踪、避障的控制;OEDR复杂度包括逻辑复杂度因子、变量复杂度因子、目标复杂度因子;逻辑复杂度包括一阶信息熵、二阶信息熵,主要的变量有:测试车辆速度υ1、目标车辆速度υ2、车道宽度x0、目标车辆与测试车辆距离d、目标车辆与虚线车道线横向距离offset、弯道半径R、变道周期t、碰撞时间TTC、行人/骑行者与车道中心线之间的距离D、目标车辆加速度a、溜坡路距离d1、测试车辆距离碰撞点所需时间TTL1、目标车辆距离碰撞点所需时间TTL2、其他目标车辆速度v3、道路限制速度Speedlimit、黄灯时长Yellowlight-time、红灯时长Redlight-time、机动车信号灯状态Leftsignal-status/Rightsignal-status;变量复杂度由变量个数决定;由于测试场景中目标不尽相同,目标复杂度因子也不同;
步骤二、复杂度量化计算:
设某项任务的某个因子包含多个元素,即x、y和z,其中x和y元素可相互替代,任选其一或共用,并与z个元素联合能够完成第i个任务,该影响因子所对应的或并函数则可记为gi(a1,...,a11,∧,∨)=max(ax,ay)+az;定义第i个场景任务的车辆运动控制复杂度为Si,1,纵向因子复杂度为s1,1,m,横向因子复杂度为s1,2,n,s1,1,m是参考定速巡航、行人紧急制动、自适应巡航、和高速驾驶辅助四项ADAS自动驾驶功能信息熵,综合评价得到的有关恒速s1,1,1,变速s1,1,2,跟随s1,1,3,横纵联合s1,1,4的或并函数f1,1,m(s1,1,1,...,s1,1,4,∧,∨);s1,2,n是参考车道保持辅助、自动并线和交通拥堵领航三项ADAS自动驾驶功能信息熵,综合评价得到的有关保持s1,2,1,跟踪s1,2,2,避障s1,2,3的或并函数f1,2,n(s1,2,1,...,s1,2,3,∧,∨),可得车辆运动控制复杂度:
Si,1=f1,1,m+f1,2,n (1)
从基本动作库中选取完成第i个场景任务所需的动作,将其抽象为节点,并用Bi,Ci…表示,定义Φi表示第i个网络图Γi的节点集,即定义场景任务i基本动作间的顺序为Ωi,表示第i个网络图Γi节点间的节点度;得到第i个场景任务的动作逻辑为一个网络图:
Γi=(Φi,Ωi) (2)
逻辑复杂度一次熵的计算:网络图Γi有αi个节点,流入第j个节点边的条数称为该节点的入度μi,j,流出第j个节点边的条数称为该节点的出度vi,j;统计网络图Γi中各个节点μi,j和vi,j,按照(μi,j,vi,j)的组合不同进行分类,得到一次熵的类别数ti,1和每个类别的节点个数Ii,1,li,1<αi;计算第i个场景任务的一次熵Ii,1,即:
Ii,1=-sum(pi,1,jlogapi,1,j) (3)
逻辑复杂度二次熵的计算:网络图Γi有αi个节点,第j个节点相邻的节点集合为Φi,j;如果第j个节点邻接的节点集合Φi,j中的任何一个元素都属于第k个节点相邻的节点集合Φi,k,第k个节点相邻的节点集合Φi,k中的任何一个元素都属于第j个节点邻接的节点集合Φi,j,那么,将节点j和k归为一类;统计各个节点的相邻节点集合Φi,j,得到二次熵的类别数ti,2和每个类别所包含的节点个数li,2,li,2<αi;计算第i个场景任务的二次熵Ii,2,即:
Ii,2=-sum(pi,1,jlogapi,1,j) (4)
计算第i个场景任务的OEDR逻辑复杂度:
其中,m和n为权重;
OEDR复杂度的第二部分为目标复杂度,定义目标复杂度为Di,目标集分别表示双车道车辆目标、十字路口车辆目标、双车道+十字路口车辆目标,考虑目标所处车道信息以及目标信息,包括借道行驶因子s2,1,q、车道方向s2,2,r、相对位置s2,3,s、相对车速s2,4,u,得到有关不可借道行驶s2,1,1、可借道行驶s2,1,2的借道行驶g2,1,q(s2,1,1,s2,1,2),有关同向车道s2,2,1、对向车道s2,2,2、横向车道s2,2,3的车道方向函数g2,2,r(s2,2,1,...,s2,2,3),有关前方s2,3,1、左前s2,3,2、右前s2,3,3、后方s2,3,4、左后s2,3,5、右后s2,3,6的相对位置函数g2,3,s(s2,3,1,...,s2,3,6),有关小于0s2,4,1、大于0s2,4,2、变化s2,4,3的相对车速函数g2,4,u(s2,4,1,...,s2,4,3),可得目标集D1-3的目标复杂度:
Di=g2,1,q+g2,2,r+g2,3,s+g2,4,u (6)
目标集分别表示十字路口信号灯目标、其他信号灯目标,考虑信号灯类型s2,5,v以及信号灯状态s2,6,w,包括有关单排信号灯s2,5,1、双排信号灯s2,5,2、人行横道信号灯s2,5,3、临时信号灯s2,5,4、铁道路口信号灯s2,5,5、潮汐信号灯s2,5,6的信号灯类型函数g2,5,v(s2,5,1,...,s2,5,6),有关前进-警示s2,6,1、警示-前进s2,6,2、警示-停止s2,6,3、停止-警示s2,6,4、停止-前进s2,6,5的函数g2,6,w(s2.6,1,...,s2,6,5),可得目标集的目标复杂度:
Di=g2,5,v+g2,6,w (7)
Di=g2,7,x (8)
OEDR复杂度的第三部分为变量复杂度,定义变量复杂度为Ei,采用组合方式计算变量复杂度,即:
其中n表示变量个数;
根据以上公式和独立分布原则,定义第i个场景任务的OEDR复杂度S2,i等价于该任务的逻辑复杂度Ii与任务所包含目标复杂度Di以及该任务的变量复杂度Ei的乘积,即:
Si,2=Ii×Di×Ei (10)
确定评价指标的等级:
Si,3=q(s3,1,s3,2,s3,3) (11)
步骤三、场景任务复杂度:
定义第i个场景任务的复杂度Si等价于该任务车辆运动控制复杂度为Si,1与任务所包含的OEDR复杂度为Si,2以及该任务的评价指标复杂度为Si,3的乘积,即:
Si=Si,1×Si,2×Si,3 (12)
设第p个任务为所有场景任务中复杂度最高的任务,即Smax=Sp,根据百分制原则,综合计算第i个场景任务的百分制场景任务复杂度Zi:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010658904.9A CN111813083B (zh) | 2020-07-09 | 2020-07-09 | 场景任务复杂度量化评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010658904.9A CN111813083B (zh) | 2020-07-09 | 2020-07-09 | 场景任务复杂度量化评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111813083A true CN111813083A (zh) | 2020-10-23 |
CN111813083B CN111813083B (zh) | 2022-11-01 |
Family
ID=72843344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010658904.9A Active CN111813083B (zh) | 2020-07-09 | 2020-07-09 | 场景任务复杂度量化评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111813083B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112817709A (zh) * | 2021-01-21 | 2021-05-18 | 平安普惠企业管理有限公司 | 批量数据的处理方法、装置、设备及存储介质 |
CN113548049A (zh) * | 2021-07-27 | 2021-10-26 | 武汉理工大学 | 一种基于有限状态机的智能车辆驾驶行为决策方法及系统 |
CN113935441A (zh) * | 2021-12-16 | 2022-01-14 | 中国汽车技术研究中心有限公司 | 汽车自动驾驶功能测试道路的选取方法、设备和存储介质 |
CN114638420A (zh) * | 2022-03-22 | 2022-06-17 | 交通运输部公路科学研究所 | 道路智能度评测方法及危化品车辆道路级导航方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007311921A (ja) * | 2006-05-16 | 2007-11-29 | Nissan Motor Co Ltd | 運転シーン変化検出装置、自動車及び運転シーン変化検出方法 |
WO2010036772A2 (en) * | 2008-09-26 | 2010-04-01 | Dolby Laboratories Licensing Corporation | Complexity allocation for video and image coding applications |
CN109660967A (zh) * | 2019-02-18 | 2019-04-19 | 华东交通大学 | 一种基于车联网bsm信息融合的行车安全监控装置与方法 |
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 |
CN110222406A (zh) * | 2019-05-30 | 2019-09-10 | 中国人民解放军国防科技大学 | 一种基于任务阶段复杂性的无人机自主能力评估方法 |
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 |
CN111178402A (zh) * | 2019-12-13 | 2020-05-19 | 赛迪检测认证中心有限公司 | 一种自动驾驶车辆道路测试的场景分类方法及装置 |
-
2020
- 2020-07-09 CN CN202010658904.9A patent/CN111813083B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007311921A (ja) * | 2006-05-16 | 2007-11-29 | Nissan Motor Co Ltd | 運転シーン変化検出装置、自動車及び運転シーン変化検出方法 |
WO2010036772A2 (en) * | 2008-09-26 | 2010-04-01 | Dolby Laboratories Licensing Corporation | Complexity allocation for video and image coding applications |
CN109660967A (zh) * | 2019-02-18 | 2019-04-19 | 华东交通大学 | 一种基于车联网bsm信息融合的行车安全监控装置与方法 |
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 |
CN110222406A (zh) * | 2019-05-30 | 2019-09-10 | 中国人民解放军国防科技大学 | 一种基于任务阶段复杂性的无人机自主能力评估方法 |
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 |
CN111178402A (zh) * | 2019-12-13 | 2020-05-19 | 赛迪检测认证中心有限公司 | 一种自动驾驶车辆道路测试的场景分类方法及装置 |
Non-Patent Citations (4)
Title |
---|
WENFU WANG.ET AL.: "Real-Time Driving Scene Semantic Segmentation", 《IEEE ACCESS》 * |
朱冰等: "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》 * |
王丽丽: "无人驾驶车辆障碍检测及测距方法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技II辑》 * |
袁晶鑫: "基于CarSim的智能车辆路径跟踪控制算法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技II辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112817709A (zh) * | 2021-01-21 | 2021-05-18 | 平安普惠企业管理有限公司 | 批量数据的处理方法、装置、设备及存储介质 |
CN113548049A (zh) * | 2021-07-27 | 2021-10-26 | 武汉理工大学 | 一种基于有限状态机的智能车辆驾驶行为决策方法及系统 |
CN113548049B (zh) * | 2021-07-27 | 2022-05-31 | 武汉理工大学 | 一种基于有限状态机的智能车辆驾驶行为决策方法及系统 |
CN113935441A (zh) * | 2021-12-16 | 2022-01-14 | 中国汽车技术研究中心有限公司 | 汽车自动驾驶功能测试道路的选取方法、设备和存储介质 |
CN113935441B (zh) * | 2021-12-16 | 2022-03-15 | 中国汽车技术研究中心有限公司 | 汽车自动驾驶功能测试道路的选取方法、设备和存储介质 |
CN114638420A (zh) * | 2022-03-22 | 2022-06-17 | 交通运输部公路科学研究所 | 道路智能度评测方法及危化品车辆道路级导航方法 |
CN114638420B (zh) * | 2022-03-22 | 2022-10-25 | 交通运输部公路科学研究所 | 道路智能度评测方法及危化品车辆道路级导航方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111813083B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111813083B (zh) | 场景任务复杂度量化评估方法 | |
Dijkstra et al. | Do calculated conflicts in microsimulation model predict number of crashes? | |
Tageldin et al. | Can time proximity measures be used as safety indicators in all driving cultures? Case study of motorcycle safety in China | |
Wolfermann et al. | Modeling speed profiles of turning vehicles at signalized intersections | |
Goyani et al. | Investigation of traffic conflicts at unsignalized intersection for reckoning crash probability under mixed traffic conditions | |
Bussler et al. | Application of evolutionary algorithms and criticality metrics for the verification and validation of automated driving systems at urban intersections | |
CN113887037B (zh) | 一种不同渗透率的网联环境下自动驾驶系统测评方法 | |
CN112987711B (zh) | 自动驾驶规控算法优化方法及仿真测试装置 | |
Huang et al. | Study on the test scenarios of level 2 automated vehicles | |
Sun et al. | Modelling and simulation of highly mixed traffic flow on two-lane two-way urban streets | |
Fujii et al. | Multi-agent based traffic simulation at merging section using coordinative behavior model | |
Badhrudeen et al. | Headway analysis using automated sensor data under Indian traffic conditions | |
Huber et al. | Evaluation of virtual traffic situations for testing automated driving functions based on multidimensional criticality analysis | |
CN114987495A (zh) | 一种面向高度自动驾驶的人机混合决策方法 | |
Yanagihara et al. | Latent class analysis for driving behavior on merging section | |
Dolatalizadeh et al. | Analysis of speed profiles at an unsignalised intersection for left turning vehicles | |
Kassim et al. | Modeling cyclists speed at signalized intersections: Case study from Ottawa, Canada | |
Yin et al. | A Quantitative Assessment Approach for Modeling Complexity of Traffic Scene Tasks | |
Feng et al. | Method of pedestrian-vehicle conflict eliminating at unsignalized mid-block crosswalks for autonomous vehicles | |
Hamad et al. | How Do Drivers Behave at Roundabouts in a Mixed Traffic? A Case Study Using Machine Learning | |
Barnett et al. | Comparison of Connected Automated Vehicle to Pedestrian Interaction Systems to Reduce Vehicle Waiting Times | |
Jazayeri | Predicting Vehicle Trajectories at Intersections Using Advanced Machine Learning Techniques | |
Tian et al. | Understanding scenarios for cooperative V2P safety applications using connected vehicle datasets | |
Gremmelmaier et al. | Cyclist behavior: a survey on characteristics and trajectory modeling | |
Twaddle | Analysis and Modelling of the Operational and Tactical Behaviour of Bicyclists |
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 |