CN112525542B - 一种智能车辆性能测试系统及其方法 - Google Patents
一种智能车辆性能测试系统及其方法 Download PDFInfo
- Publication number
- CN112525542B CN112525542B CN202011157317.8A CN202011157317A CN112525542B CN 112525542 B CN112525542 B CN 112525542B CN 202011157317 A CN202011157317 A CN 202011157317A CN 112525542 B CN112525542 B CN 112525542B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- obstacle
- performance
- obstacles
- tested
- 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
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种智能车辆性能测试系统及其方法,所述系统包括光学定位系统和异常事件添加节点模块;所述光学定位系统用于计算出待测车辆的空间坐标以及车辆姿态角,所述异常事件添加节点模块用于在车辆的图像信息中添加障碍物和干扰效果,从而实现对传感器以及智能车辆感知算法的鲁棒性测试。
Description
技术领域
本发明属于智能驾驶车辆检测的技术领域,具体涉及一种智能车辆性能测试系统及其方法。
背景技术
目前车辆自动化智能化技术取得了重大进步,以人工智能理论为基础的智能驾驶汽车以及各项应用正在逐步普及,因此需要高精度、可量化的自动驾驶车辆测试的安全标准,方法和仪器设备,以证明车辆的安全性和可靠性。目前测试主要分两类:一种是虚拟测试环境,通过模拟城市环境对智能车辆进行测试。一种是现实无人测试场地。无人测试场地主要做无人车比赛、无人车场景测试、无人车应用测试,而忽略了无人车本身的智能化标准及安全可靠性;现有的方法在精度方面还有所欠缺。如专利号CN107543726B《一种无人车驾驶控制系统操控精度的测试方法及装置》依赖于车载GPS移动终端和雷达系统作为监测设备,而车辆的检测判断模块也是车载雷达等设备。一方面检测设备的精度只能达到厘米级别,另一方面监测设备和检测设备为同一设备无法提供可信度,也无法提供现实中复杂环境的性能评估。因此本智能车辆性能测试装置的发明对现有无人车测试场地具有重要的意义。
发明内容
有鉴于此,本发明提供了一种智能车辆性能测试系统及其方法,能够对智能车辆的性能进行测试。
实现本发明的技术方案如下:
一种智能车辆性能测试系统,包括光学定位系统和异常事件添加节点模块;
所述光学定位系统包括红外相机阵列、红外靶点、光学定位信息处理模块;
所述红外靶点安装于待测车辆车顶;为能够采集车辆的自身姿态角,所述红外靶点数目不小于3个,分别安装于车顶的不同顶点位置;
所述红外相机阵列安装于待测车辆的行使路径两旁,用于采集待测车辆上含有红外靶点的图像,并将所采集图像发送给光学定位信息处理模块;
所述光学定位信息处理模块利用多个红外相机不同角度拍摄的含有红外靶点的图像进行坐标提取并综合其结果,计算出红外靶点的空间坐标;
所述光学定位信息处理模块利用所有红外靶点的空间坐标,计算出待测车辆的空间坐标以及车辆姿态角;
所述异常事件添加节点模块通过订阅智能车辆上的所有传感器节点,对传感数据采集并进行处理;
所述异常事件添加节点模块对当前时刻车辆周围环境的高精地图中的指定位置添加指定障碍物的点云数据,从而实现障碍物的动态添加;所述障碍物的点云数据由真实障碍物采样得到;
所述异常事件添加节点模块对当前时刻车辆视觉传感器所采集的图像数据中的指定位置添加指定障碍物的图像数据,从而实现障碍物的动态添加;所述障碍物的图像数据由真实障碍物的各角度拍摄得到,并根据需要,添加不同角度的图像数据;
所述异常事件添加节点模块将添加障碍物后的车辆周围环境的高精地图发送给待测车辆的车载处理单元,从而测试智能车辆在遭遇障碍物后的决策能力;
所述异常事件添加节点模块对当前时刻车辆视觉传感器所采集的图像数据添加指定的干扰效果,从而实现对传感器以及智能车辆感知算法的鲁棒性测试。
一种智能车辆性能测试方法,包括以下步骤:
步骤一、在智能车辆的自建高精地图中指定好行驶轨迹,并利用光学定位系统对待测车辆在循迹驾驶过程中的坐标位置进行测量记录,将实际行驶轨迹与指定行驶轨迹进行比对,从而测试出车辆的受控性能;
其中,评价受控性能得分Sc的公式如下:
Δxi为第i时刻所测量的车辆实际轨迹点与预设轨迹的切向距离,待测车辆的循迹性能越好,则得分越接近于1,待测车辆的循迹性能越差,则得分越趋近于0,从而实现量化评价测试车辆的受控性能;
步骤二、在测试出车辆的受控性能的基础上,对车辆的决策性能进行测量,具体步骤:在指定车辆行驶轨迹的同时,在车辆行至某一位置或某一时刻,利用异常事件添加节点模块在车辆的自建高精地图中的指定位置添加障碍物,包括行人、自行车、车辆、雪糕筒或三角牌;并记录下车辆在遭遇障碍物后的行驶轨迹,以此评估车辆的决策性能;
其中,评价决策性能得分Sd的公式如下:
其中,Δt为车辆轨迹较原始轨迹发生改变的时刻与障碍物出现时刻之差,整个测试流程中共添加n个障碍物,若出现一次避障失败即待测车辆与障碍物发生碰撞,则决策性能得分为0;若每次避障都成功,则最终决策性能的得分为n个障碍物得分的平均值;
步骤三、在测试出车辆决策性能后,在车辆决策性能测试流程上,仅针对避障成功的障碍物,利用异常事件添加节点模块对待测车辆进行视觉传感器数据上的干扰,干扰共计4项场景,包括雨天、雾天、黑夜以及对抗攻击噪声,若在干扰的情况下,仍能检测出障碍物并成功规避,单项得1分,若检测出障碍物并做出反应,但无法实现规避与障碍物发生碰撞的,单项得0.5分,若无法检测出障碍物的,此项得分为0;
评价感知性能得分ss的公式如下:
其中,nf为检测出障碍物并成功规避的次数,nh为检测出障碍物但未能成功规避的次数,N为步骤二决策性能测试中规避成功的障碍物总数;
步骤四、将三项得分相加并*100,得到智能车辆性能的综合得分s:
s=(sc+sd+ss)*100。
有益效果:
1、本发明通过红外相机定位实现每秒100帧亚厘米级定位精度,现有方法使用车辆的GPS、雷达等,定位精度仅在厘米级别,帧率在15帧左右,与常规车载设备一致,难以满足精细测试的要求。
2、现有智能车辆的障碍物检测测试手段多利用实际障碍物,这一方法难以精确的计算车辆的响应时间,同时使用模型假人,不仅成本较高亦与道路场景上出现的真实障碍物有所差别。本发明利用异常事件添加节点,结合深度学习中的对抗攻击,能够评估车辆感知性能的鲁棒性。
附图说明
图1为本发明方法流程图。
图2为本发明的光学定位系统。
图3为本发明的异常事件添加节点模块。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供了一种智能车辆性能测试系统,包括光学定位系统和异常事件添加节点模块。
如图2所示,所述光学定位系统包含红外相机阵列、红外靶点、光学定位信息处理模块;
所述红外靶点安装于待测车辆车顶;优选地,为能够采集车辆的自身姿态角,所述安装红外靶点数目不小于3个,分别安装于车顶的3个或4个顶点处,两两连线相互垂直。
所述红外相机阵列安装于待测车辆的行使路径两旁,用于采集待测车辆上含有红外靶点的图像,并将所采集图像发送给光学定位信息处理模块。
所述光学定位信息处理模块利用多个相机不同角度拍摄的含有红外靶点的图像进行坐标提取并综合其结果,计算出红外靶点的空间坐标。
所述光学定位信息处理模块利用所有红外靶点的空间坐标,计算出待测车辆的空间坐标以及车辆姿态角。
如图3所示,所述异常事件添加节点模块基于ROS开发,能够兼容目前主流智能车辆所使用的技术架构。
所述异常事件添加节点模块能够通过订阅智能车辆上的所有传感器节点,对传感数据采集后进行处理。
所述异常事件添加节点模块能够对当前时刻车辆周围环境的高精地图中的指定位置添加指定障碍物的点云数据,从而实现障碍物的动态添加。
各类障碍物的点云数据由真实障碍物采样得到。
所述异常事件添加节点模块能够对当前时刻车辆视觉传感器所采集的图像数据中的指定位置添加指定障碍物的图像数据,从而实现障碍物的动态添加。
各类障碍物的图像数据由真实障碍物的各角度拍摄得到,并可根据需要,添加不同角度的图像数据。
所述异常事件添加节点模块能够将添加障碍物后的车辆周围环境的高精地图传给测试车辆的车载处理单元,从而测试智能车辆在遭遇障碍物后的决策能力。
所述异常事件添加节点模块能够对当前时刻车辆视觉传感器所采集的图像数据添加指定的干扰效果如夜晚等低照度场景、雨雾等低能见度场景以及对抗攻击噪声,从而实现对传感器以及智能车辆感知算法的鲁棒性测试。
如图1所示,一种智能车辆性能测试方法,包括以下步骤:
步骤一、在智能车辆的自建高精地图中指定好行驶轨迹,并利用光学定位系统对车辆在循迹驾驶过程中的坐标位置进行测量记录,将测试轨迹与指定轨迹进行比对,从而测试出车辆的受控性能;
其中,计算受控性能得分的公式如下:
Δxi为某一时刻所测量的车辆实际轨迹点与预设轨迹的切向距离,车辆的循迹性能越好,则得分越接近于1,车辆的循迹性能越差,则得分越趋近于0,由此分数可以量化评价测试车辆的受控性能。
步骤二、在测试出车辆的受控性能的基础上,对车辆的决策性能进行测量,具体步骤:在指定车辆行驶轨迹的同时,在车辆行至某一位置或某一时刻,利用异常事件添加节点在车辆的内建高精地图中的指定位置添加各类常见障碍物,如行人、自行车、车辆、雪糕筒、三角牌等。并记录下车辆在遭遇障碍物后的行驶轨迹,以此评估车辆的决策性能;
其中,计算决策性能得分的公式如下:
其中,Δt为车辆轨迹较原始轨迹发生改变的时刻与障碍物出现的时刻之差,并且若避障成功得分为上式,避障失败即与障碍物发生碰撞,此项得分为0。整个测试流程中共添加n个障碍物,最终决策性能的得分为单个障碍物得分的累计与平均。
步骤三、在测试出车辆决策性能后,在车辆决策性能测试流程上,仅针对避障成功的障碍物,利用异常事件添加节点对其进行传感数据上的干扰,干扰共计4项场景,分别包括雨天、雾天、黑夜以及对抗攻击噪声,若在干扰的情况下,仍能检测出障碍物并成功规避,单项得1分,若检测出障碍物并做出反应,但无法实现规避与障碍物发生碰撞的,单项得0.5分,若无法检测出障碍物的,此项得分为0。
计算感知性能的公式如下:
其中nf为检测出障碍物并成功规避的次数,nh为检测出障碍物但未能成功规避的次数,N为步骤二决策性能测试中规避成功的障碍物总数。
步骤四、将3项得分相加并*100,可得最终智能车辆性能的综合得分:
s=(sc+sd+ss)*100
该项综合得分满分为300分,最低分为0分。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种智能车辆性能测试系统,其特征在于,包括光学定位系统和异常事件添加节点模块;
所述光学定位系统包括红外相机阵列、红外靶点、光学定位信息处理模块;
所述红外靶点安装于待测车辆车顶;为能够采集车辆的自身姿态角,所述红外靶点数目不小于3个,分别安装于车顶的不同顶点位置;
所述红外相机阵列安装于待测车辆的行使路径两旁,用于采集待测车辆上含有红外靶点的图像,并将所采集图像发送给光学定位信息处理模块;
所述光学定位信息处理模块利用多个红外相机不同角度拍摄的含有红外靶点的图像进行坐标提取并综合其结果,计算出红外靶点的空间坐标;
所述光学定位信息处理模块利用所有红外靶点的空间坐标,计算出待测车辆的空间坐标以及车辆姿态角;
所述异常事件添加节点模块通过订阅智能车辆上的所有传感器节点,对传感数据采集并进行处理;
所述异常事件添加节点模块对当前时刻车辆周围环境的高精地图中的指定位置添加指定障碍物的点云数据,从而实现障碍物的动态添加;所述障碍物的点云数据由真实障碍物采样得到;
所述异常事件添加节点模块对当前时刻车辆视觉传感器所采集的图像数据中的指定位置添加指定障碍物的图像数据,从而实现障碍物的动态添加;所述障碍物的图像数据由真实障碍物的各角度拍摄得到,并根据需要,添加不同角度的图像数据;
所述异常事件添加节点模块将添加障碍物后的车辆周围环境的高精地图发送给待测车辆的车载处理单元,从而测试智能车辆在遭遇障碍物后的决策能力;
所述异常事件添加节点模块对当前时刻车辆视觉传感器所采集的图像数据添加指定的干扰效果,从而实现对传感器以及智能车辆感知算法的鲁棒性测试。
2.一种应用于权利要求1所述系统的智能车辆性能测试方法,其特征在于,包括以下步骤:
步骤一、在智能车辆的自建高精地图中指定好行驶轨迹,并利用光学定位系统对待测车辆在循迹驾驶过程中的坐标位置进行测量记录,将实际行驶轨迹与指定行驶轨迹进行比对,从而测试出车辆的受控性能;
其中,评价受控性能得分Sc的公式如下:
Δxi为第i时刻所测量的车辆实际轨迹点与预设轨迹的切向距离,待测车辆的循迹性能越好,则得分越接近于1,待测车辆的循迹性能越差,则得分越趋近于0,从而实现量化评价测试车辆的受控性能;
步骤二、在测试出车辆的受控性能的基础上,对车辆的决策性能进行测量,具体步骤:在指定车辆行驶轨迹的同时,在车辆行至某一位置或某一时刻,利用异常事件添加节点模块在车辆的自建高精地图中的指定位置添加障碍物,包括行人、自行车、车辆、雪糕筒或三角牌;并记录下车辆在遭遇障碍物后的行驶轨迹,以此评估车辆的决策性能;
其中,评价决策性能得分Sd的公式如下:
其中,Δt为车辆轨迹较原始轨迹发生改变的时刻与障碍物出现时刻之差,整个测试流程中共添加n个障碍物,若出现一次避障失败即待测车辆与障碍物发生碰撞,则决策性能得分为0;若每次避障都成功,则最终决策性能的得分为n个障碍物得分的平均值;
步骤三、在测试出车辆决策性能后,在车辆决策性能测试流程上,仅针对避障成功的障碍物,利用异常事件添加节点模块对待测车辆进行视觉传感器数据上的干扰,干扰共计4项场景,包括雨天、雾天、黑夜以及对抗攻击噪声,若在干扰的情况下,仍能检测出障碍物并成功规避,单项得1分,若检测出障碍物并做出反应,但无法实现规避与障碍物发生碰撞的,单项得0.5分,若无法检测出障碍物的,此项得分为0;
评价感知性能得分ss的公式如下:
其中,nf为检测出障碍物并成功规避的次数,nh为检测出障碍物但未能成功规避的次数,N为步骤二决策性能测试中规避成功的障碍物总数;
步骤四、将三项得分相加并*100,得到智能车辆性能的综合得分s:
s=(sc+sd+ss)*100。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011157317.8A CN112525542B (zh) | 2020-10-26 | 2020-10-26 | 一种智能车辆性能测试系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011157317.8A CN112525542B (zh) | 2020-10-26 | 2020-10-26 | 一种智能车辆性能测试系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112525542A CN112525542A (zh) | 2021-03-19 |
CN112525542B true CN112525542B (zh) | 2022-09-27 |
Family
ID=74980405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011157317.8A Active CN112525542B (zh) | 2020-10-26 | 2020-10-26 | 一种智能车辆性能测试系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112525542B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204202883U (zh) * | 2014-11-18 | 2015-03-11 | 卡尔拉得优胜汽车修复系统(北京)有限公司 | 一种用于车辆车轮定位的照相机及车轮定位终检系统 |
CN106644503A (zh) * | 2016-10-24 | 2017-05-10 | 中国科学院合肥物质科学研究院 | 一种智能车辆规划能力测试平台 |
CN107543726A (zh) * | 2016-07-28 | 2018-01-05 | 北京百度网讯科技有限公司 | 一种无人车驾驶控制系统操控精度的测试方法及装置 |
CN109100155A (zh) * | 2018-07-09 | 2018-12-28 | 长安大学 | 一种无人车在环快速仿真测试系统和方法 |
CN111811828A (zh) * | 2020-04-17 | 2020-10-23 | 新奇点智能科技集团有限公司 | 一种无人车驾驶测试方法、装置、系统及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10169999B2 (en) * | 2016-11-10 | 2019-01-01 | Allstate Solutions Private Limited | Identifying roadway obstacles based on vehicular data |
-
2020
- 2020-10-26 CN CN202011157317.8A patent/CN112525542B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204202883U (zh) * | 2014-11-18 | 2015-03-11 | 卡尔拉得优胜汽车修复系统(北京)有限公司 | 一种用于车辆车轮定位的照相机及车轮定位终检系统 |
CN107543726A (zh) * | 2016-07-28 | 2018-01-05 | 北京百度网讯科技有限公司 | 一种无人车驾驶控制系统操控精度的测试方法及装置 |
CN106644503A (zh) * | 2016-10-24 | 2017-05-10 | 中国科学院合肥物质科学研究院 | 一种智能车辆规划能力测试平台 |
CN109100155A (zh) * | 2018-07-09 | 2018-12-28 | 长安大学 | 一种无人车在环快速仿真测试系统和方法 |
CN111811828A (zh) * | 2020-04-17 | 2020-10-23 | 新奇点智能科技集团有限公司 | 一种无人车驾驶测试方法、装置、系统及存储介质 |
Non-Patent Citations (1)
Title |
---|
一种自动驾驶汽车系统架构开发与测试验证;龙翔等;《重庆理工大学学报(自然科学)》;20191215;第33卷(第12期);第45-54页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112525542A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110631593B (zh) | 一种用于自动驾驶场景的多传感器融合定位方法 | |
CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
CN103176185B (zh) | 用于检测道路障碍物的方法及系统 | |
US8452103B2 (en) | Scene matching reference data generation system and position measurement system | |
CN112307594B (zh) | 道路数据采集和模拟场景建立一体化系统及方法 | |
EP2372607A2 (en) | Scene matching reference data generation system and position measurement system | |
CN109211575A (zh) | 无人驾驶汽车及其场地测试方法、装置及可读介质 | |
CN112462368B (zh) | 一种障碍物检测方法、装置、车辆及存储介质 | |
CN112598932A (zh) | 一种基于车路协同技术的汽车防碰撞预警模型 | |
CN113532499B (zh) | 无人系统的传感器安全性检测方法、设备及存储介质 | |
CN115797408A (zh) | 融合多视角图像和三维点云的目标跟踪方法及装置 | |
Cordes et al. | Roadsaw: A large-scale dataset for camera-based road surface and wetness estimation | |
CN114049767B (zh) | 一种边缘计算方法、装置及可读存储介质 | |
CN112862818B (zh) | 惯性传感器和多鱼眼相机联合的地下停车场车辆定位方法 | |
CN114841188A (zh) | 一种基于二维码的车辆融合定位方法及装置 | |
CN112525542B (zh) | 一种智能车辆性能测试系统及其方法 | |
CN113727064B (zh) | 一种摄像头视场角的确定方法及装置 | |
Bhanu et al. | Inertial navigation sensor integrated motion analysis for obstacle detection | |
CN115471526A (zh) | 基于多源异构信息融合的自动驾驶目标检测与跟踪方法 | |
US20230056233A1 (en) | Sensor attack simulation system | |
Murashov et al. | Method of determining vehicle speed according to video stream data | |
CN114842660A (zh) | 一种无人车道路轨迹预测方法、装置和电子设备 | |
CN112033422A (zh) | 一种多传感器融合的slam方法 | |
KR102588455B1 (ko) | 경사도 보정을 이용한 gnss 기반의 차량 운전주행 시험 장치 | |
US20230118134A1 (en) | Methods and systems for estimating lanes for a vehicle |
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 |