CN112612288A - 一种用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法 - Google Patents
一种用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法 Download PDFInfo
- Publication number
- CN112612288A CN112612288A CN202011591287.1A CN202011591287A CN112612288A CN 112612288 A CN112612288 A CN 112612288A CN 202011591287 A CN202011591287 A CN 202011591287A CN 112612288 A CN112612288 A CN 112612288A
- Authority
- CN
- China
- Prior art keywords
- medium
- low
- vehicle
- error
- automatic driving
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012502 risk assessment Methods 0.000 title claims abstract description 18
- 230000006870 function Effects 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 34
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 230000006399 behavior Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000009434 installation Methods 0.000 claims description 8
- 238000013100 final test Methods 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 7
- 230000015556 catabolic process Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000006731 degradation reaction Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000454 anti-cipatory effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 239000003973 paint Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000289619 Macropodidae Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法，包括：对自动驾驶车辆误/漏识别触发事件进行分析，得出触发误/漏识别事件的原因及发生的场景；在仿真软件中构建自动驾驶车辆误/漏识别仿真测试场景并进行测试，改进误/漏识别对预期功能安全的影响；将由于误/漏识别导致的自动驾驶车辆的系统/组件发生的功能表现局限上传至云端管理系统进行保存；对表现局限的功能进行严重度等级划分，分析潜在的出现频次和可被检测度，以采取相对应的应对措施。通过该发明可有效合理地改善自动驾驶车辆误/漏识别的预期功能安全，降低由于系统性能不足导致的风险，保证自动驾驶车辆的安全性和可靠性。
Description
技术领域
本发明涉及无人驾驶测试技术领域，具体涉及一种用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法。
背景技术
自动驾驶车辆是为了解决人类驾驶的不安全问题。据NHTSA(美国交通部高速公路安全管理局)统计，美国高速公路上每年死亡约2.5万人，94％是由驾驶员导致的驾驶功能不能奏效造成的。但自动驾驶又会产生新的人类驾驶员所没有的安全问题——Unknown(未知)、Unsafety(不安全)，即预期功能安全SOTIF。预期功能安全SOTIF强调的是避免因为预期的功能表现局限、性能不够而导致不合理的风险。也就是说，车辆在所有功能没有失效的情况下，依然发生的驾驶安全问题都归类于预期功能安全。自动驾驶车辆引发的安全问题中，99％都来源于预期功能安全。
目前行业对于SOTIF还没能找到一个完整的解决方案，也没有一套成熟、高效率的测试体系，甚至还没有一套基础理论。自动驾驶车辆是基于场景的，安全是建立在必须把驾驶安全放在第一位的基础上，但现实是，很多驾驶者并不把驾驶安全放在首位，提供给驾驶员的相关自动驾驶车辆预期功能的信息不够明确，关键操作情况的不可控性等等，进而导致危险发生，如何降低风险以确认自动驾驶预期功能的安全是SOTIF的挑战。
为了降低自动驾驶车辆预期功能的风险，需要确定措施来改进预期功能安全，以解决明确的导致危害发生的系统限制。比如可以通过提高传感器的性能/精度以降低误/漏识别的影响，完善相关预警和监控策略等，这些都是目前需要解决的问题。
发明内容
本发明的目的是针对现有技术中的问题，提供一种用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法。
为达到上述目的，本发明采用的技术方案是：
一种用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法，包括如下步骤：
S1，识别由于误/漏识别引发的潜在危险行为，由具体的环境条件对比预期危险场景与安全场景进行误/漏识别触发事件分析；
S2，在仿真软件中构建自动驾驶车辆误/漏识别仿真测试场景并进行测试，改进误/漏识别对预期功能安全的影响，包括：
(1)在所述仿真软件中创建虚拟测试场景；
(2)根据实车所装备的传感器，在所述仿真软件中给所述仿真软件中构建的车辆动力学模块在车身的相同的安装位置及角度添加传感器，同时将用于实车的所述传感器及底层执行控制层外接到所述仿真软件上，获取所述传感器及所述底层执行控制层数据；
(3)在所述仿真软件中添加与实车相同的控制决策算法，将所述传感器数据和所述底层执行控制层数据发送给所述车辆动力学模块；
(4)在所述仿真软件中添加车辆行驶环境；
(5)对模拟的自动驾驶车辆进行误/漏识别场景仿真测试实验；
(6)对测试结果进行分析并提出改进措施，所述改进措施包括提高所述传感器性能/精度、提高所述传感器的安装精度及增加所述传感器；
S3，将由于误/漏识别导致的自动驾驶车辆的系统/组件发生的功能表现局限上传至云端管理系统进行保存；
S4，对表现局限的功能进行严重度等级划分，分析潜在的出现频次和可被检测度，以采取相对应的应对措施。
优选地，步骤S2中所述虚拟测试场景中至少包括交通参与者及交通标志。
优选地，步骤S2中，所述车辆行驶环境包括道路场景、交通环境、气象状态及误/漏识别触发事件，所述道路场景用于模拟真实环境中道路场景要素的几何特性、物理特性和行为特性；所述交通环境用于模拟真实环境中交通流量信息及周围交通车辆行为；所述气象状态用于模拟真实环境中的天气状态、时间变化以及不同时间的光影变化。
优选地，步骤S2中，所述底层执行控制层包括底层执行控制板和电源控制板。
优选地，步骤S2进行时，根据步骤S1的分析结果，得到不同的测试场景，提取各所述测试场景中关键参数、并结合外部环境、车辆控制确定最终测试场景，根据所述最终测试场景利用所述仿真软件构建所述仿真测试场景。
优选地，步骤S3中，所述功能表现局限包括传感器功能表现局限。
优选地，步骤S4中，所述严重度等级包括高、较高/中、中/较低、低，所述出现频次和所述可被检测度均分为高、中、低三档，采取的所述应对措施包括预警上报、启动降级控制、安全靠边停车和紧急制动。
进一步地，当严重度等级为高，且出现频次、可被检测度均为高/中时，采取自动紧急制动措施；当严重度等级为较高/中，且出现频次为中/低、可被检测度为高/中/低时，采取安全靠边停车措施；当严重度等级为中/较低，且出现频次为高/中/低、可被检测度为中/低时，启动降级控制措施；当严重度等级为低，且出现频次为中/低、可被检测度为中/低时，采取预警上报措施。
更进一步地，当采取自动紧急制动措施和安全靠边停车措施时，均开启应急灯。
进一步地，当所述严重度等级高、且出现频次、可被检测度均为高/中时，自动驾驶车辆预期功能安全的风险等级为高；当严重度等级为较高/中，且出现频次为中/低、可被检测度为高/中/低时，自动驾驶车辆预期功能安全的风险等级为较高；当严重度等级为中/较低，且出现频次为高/中/低、可被检测度为中/低时，自动驾驶车辆预期功能安全的风险等级为中等/较低；当严重度等级为低，且出现频次为中/低、可被检测度为中/低时，自动驾驶车辆预期功能安全的风险等级为低。。
由于上述技术方案的运用，本发明与现有技术相比具有下列优点：本发明的用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法在对基于误/漏识别自动驾驶车辆预期功能安全的触发事件分析后，对构建的仿真测试场景进行测试，根据测试结果提出有效的改善措施，并且将由于误/漏识别导致的自动驾驶车辆系统/组件发生的功能表现局限上传至云端管理系统进行保存，对表现局限的功能进行严重度等级划分，分析潜在的出现频次和可被检测度，进而采取相对应的应对措施。本发明有效合理地改善了自动驾驶车辆误/漏识别的预期功能安全，降低了由于系统性能不足导致的风险，保证了自动驾驶车辆的安全性和可靠性。
附图说明
附图1为本发明的用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法的流程图；
附图2为本发明中改进误/漏识别对预期功能安全影响的流程图；
附图3为本发明中功能表现局限信息上传的结构框图；
附图4为本发明中严重度等级、应对措施及风险评估的框架图。
具体实施方式
下面结合附图来对本发明的技术方案作进一步的阐述。
如图1所示，本发明的用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法包括如下步骤：
S1，自动驾驶车辆误/漏识别触发事件分析
在分析基于自动驾驶车辆误/漏识别的具体触发事件前，需要识别由于误/漏识别引发的潜在危险行为，再由具体的环境条件对比预期危险场景与安全场景进行误/漏识别触发事件分析，如表1所示，主要包括由误/漏识别引发的风险事件和相对应的触发事件。例如，传感器摄像头在白天前方有静止白色箱体货车将其识别为天空，激光雷达由于自身原因对黑色车辆和黑色衣服行人的检测，都会造成传感器漏识别；毫米波雷达对特殊动物如行走姿态特殊的袋鼠存在漏识别；另外还有一些受到安装位置或外部环境影响，尤其是存在遮挡的情况下都会造成传感器误/漏识别发生，从而导致危险发生。
表1
S2，在仿真软件中构建自动驾驶车辆误/漏识别仿真测试场景并进行测试，改进合理可预见的误/漏识别对预期功能安全的影响。
对于分析得到误/漏识别的触发事件后，针对具体的误/漏识别触发事件进行自动驾驶车辆的感知模块的测试，并提出改进措施，流程图如图2所示，具体包括如下步骤。
(1)分析识别误/漏识别触发事件得到不同测试场景。
(2)确定最终测试场景。
在确定最终测试场景时，提取不同测试场景中的关键参数，以真实数据或理论分析的方法给出关键参数的分布范围，结合外部环境、车辆控制等因素，例如，天气状况、车速高低、其他交通元素等，从而得到最终的测试场景。
(3)在仿真软件中构建自动驾驶车辆误/漏识别仿真测试场景。
仿真软件主要是以动力学仿真为主，用来在车辆开发的过程中对整车的动力、稳定性、制动等进行仿真，如SCANeR、CarSim、Prescan、CARLA等等。本发明仿真软件优选SCANeR软件。
构建自动驾驶车辆误/漏识别仿真测试场景主要包括如下步骤：
A1.在仿真软件中创建虚拟测试场景。
根据自动驾驶车辆所需要实现的功能，搭建虚拟测试场景，此虚拟测试场景可以是高速公路或城区道路。在创建的虚拟测试场景中加入所需求的交通参与者如车、人、运动路径等、交通标志如信号灯、地标、施工等必要信息。
A2.在仿真软件中外接用于实车的传感器及底层执行控制层。
根据实车所装备的传感器，在仿真软件中给构建的车辆动力学模型在车身的相同的安装位置及角度添加传感器，同时将用于实车的传感器外接到仿真软件上，控制模拟自动驾驶车辆，为其提供环境感知，在仿真软件中添加底层执行控制层，底层执行控制层包括底层执行控制板和电源控制板，如转向板、电控板和电源板，获取传感器、底层执行控制层数据，底层执行控制层数据包括刹车、油门等。
A3.在仿真测试软件中添加与实车相同的控制决策算法。
将实车的控制决策算法导入到仿真环境中，将传感器的感知数据和底层执行控制层数据发送给构建的车辆动力学模块，控制车辆可以在仿真环境下正常行驶。
A4.在仿真软件中添加车辆行驶环境。
根据真实车辆行驶环境在仿真软件中添加相应的道路场景、交通环境、气象状态及设置误/漏识别触发事件。其中，道路场景用于模拟真实环境中道路场景要素的几何特性、物理特性和行为特性；交通环境是指合理的交通流量信息及周围交通车辆行为；气象状态指的是真实环境中的天气状态、时间变化以及不同时间的光影变化；设置误/漏识别触发事件指的是在虚拟测试场景中加入误/漏识别触发事件，如加入“白天前方静止白色箱体货车”事件。
(3)在自动驾驶车辆误/漏识别仿真测试场景中对模拟的自动驾驶车辆进行误/漏识别场景仿真测试实验。
(4)对测试结果进行分析并提出改进措施。
根据对实际测试结果进行分析，并对改进的措施进行再测试，通过对比风险事件确定有效的改进措施，改进措施包括提高传感器性能/精度、提高传感器的安装精度及增加传感器。如摄像头对于特定场景下黑色或者白色的车辆存在漏识别情况，则需要增加激光雷达或者毫米波雷达进行融合感知，同样适用于在恶劣天气下单传感器功能局限，需要进行不同传感器或者相同传感器之间融合感知的场景；对于雷达位置安装过近产生的信号干扰，则只需选择适当的位置固定；针对金属漆面的保险杠可改用非金属漆；对于金属栏杆的虚干扰预警问题，通过修改雷达信号读取程序，过滤掉断续闪现的目标。另外，对触发场景的识别可以有效对功能设计适用范围进行划分，尽量使功能形式在无特殊形态的区域行驶。
S3，将由于误/漏识别导致的自动驾驶车辆的系统/组件发生的功能表现局限上传至云端管理系统进行保存。
在进行场景测试过程中，由于误/漏识别导致真实发生危险行为时，自动驾驶车辆的系统/组件即传感器模块出现功能表现局限的具体因素上传至云端管理系统。例如，本实施例中在表1中列出的触发事件中受到天气影响的因素很大，对不同的传感器存在的影响也不同，如摄像头在雨天/雾天/冰雪等天气下发生漏识别的概率较高，激光雷达发生误识别的概率较高，这些传感器发生误/漏识别大多是由于外界因素导致视觉范围减小、分辨率和感光能力降低、传播距离减少及信号干扰等，对于这些功能表现局限的故障将其进行报文解析并上传至云端管理系统，以便进行风险等级划分从而给出应对措施。功能表现局限信息上传框架图见图3所示。
S4，对表现局限的功能进行严重度等级划分，分析潜在的出现频次和可被检测度，以采取相对应的应对措施。
对表现局限的功能进行严重度等级划分，分析潜在的出现频次和可被检测度，进而采取相对应的应对措施，主要包括预警上报、启动降级控制、安全靠边停车和紧急制动。通过完善自动驾驶车辆预期功能安全的风险预警及相应的应对措施，从而对风险进行评估，最终降低风险，流程如图4所示，具体包括如下步骤。
(1)对表现局限的功能进行严重度等级划分。
严重度等级包括高、较高/中、中/较低、低四个等级。
(2)分析潜在的出现频次和可被检测度。
出现频次和可被检测度均分为高、中、低三档。
(3)制定应对措施及对风险进行评估。
A1.当满足表现局限的功能严重度等级高，且出现频次、可被检测度均为高/中时，表明风险等级高，采取自动紧急制动措施，并开启应急灯。
A2.若不满足A1条件，满足表现局限的功能严重度等级较高/中，且出现频次为中/低、可被检测度为高/中/低时，表明风险等级较高，采取安全靠边停车措施，并开启应急灯。
A3.若仍不满足A2条件，满足表现局限的功能严重度等级中/较低，且出现频次为高/中/低、可被检测度为中/低时，表明风险等级中/较低，启动降级控制措施。
A4.若仍不满足A3条件，满足表现局限的功能严重度等级低，且出现频次为中/低、可被检测度为中/低时，表明风险等级低，采取预警上报措施。
A5.当A1～A4条件均不满足时，表明风险暂时可接受，可不采取应对措施。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并加以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围内。
Claims (10)
1.一种用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法，其特征在于：包括如下步骤：
S1，识别由于误/漏识别引发的潜在危险行为，由具体的环境条件对比预期危险场景与安全场景进行误/漏识别触发事件分析；
S2，在仿真软件中构建自动驾驶车辆误/漏识别仿真测试场景并进行测试，改进误/漏识别对预期功能安全的影响，包括：
（1）在所述仿真软件中创建虚拟测试场景；
（2）根据实车所装备的传感器，在所述仿真软件中给所述仿真软件中构建的车辆动力学模块在车身的相同的安装位置及角度添加传感器，同时将用于实车的所述传感器及底层执行控制层外接到所述仿真软件上，获取所述传感器及所述底层执行控制层数据；
（3）在所述仿真软件中添加与实车相同的控制决策算法，将所述传感器数据和所述底层执行控制层数据发送给所述仿真软件中构建的车辆动力学模块；
（4）在所述仿真软件中添加车辆行驶环境；
（5）对模拟的自动驾驶车辆进行误/漏识别场景仿真测试实验；
（6）对测试结果进行分析并提出改进措施，所述改进措施包括提高所述传感器性能/精度、提高所述传感器的安装精度及增加所述传感器；
S3，将由于误/漏识别导致的自动驾驶车辆的系统/组件发生的功能表现局限上传至云端管理系统进行保存；
S4，对表现局限的功能进行严重度等级划分，分析潜在的出现频次和可被检测度，以采取相对应的应对措施。
2.根据权利要求1所述的用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法，其特征在于：步骤S2中所述虚拟测试场景中至少包括交通参与者及交通标志。
3.根据权利要求1所述的用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法，其特征在于：步骤S2中，所述车辆行驶环境包括道路场景、交通环境、气象状态及误/漏识别触发事件，所述道路场景用于模拟真实环境中道路场景要素的几何特性、物理特性和行为特性；所述交通环境用于模拟真实环境中交通流量信息及周围交通车辆行为；所述气象状态用于模拟真实环境中的天气状态、时间变化以及不同时间的光影变化。
4.根据权利要求1所述的用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法，其特征在于：步骤S2中，所述底层执行控制层包括底层执行控制板和电源控制板。
5.根据权利要求1所述的用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法，其特征在于：步骤S2进行时，根据步骤S1的分析结果，得到不同的测试场景，提取各所述测试场景中关键参数、并结合外部环境、车辆控制确定最终测试场景，根据所述最终测试场景利用所述仿真软件构建所述仿真测试场景。
6.根据权利要求1所述的用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法，其特征在于：步骤S3中，所述功能表现局限包括传感器功能表现局限。
7.根据权利要求1所述的用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法，其特征在于：步骤S4中，所述严重度等级包括高、较高/中、中/较低、低，所述出现频次和所述可被检测度均分为高、中、低三档，采取的所述应对措施包括预警上报、启动降级控制、安全靠边停车和紧急制动。
8.根据权利要求7所述的用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法，其特征在于：当严重度等级为高，且出现频次、可被检测度均为高/中时，采取自动紧急制动措施；当严重度等级为较高/中，且出现频次为中/低、可被检测度为高/中/低时，采取安全靠边停车措施；当严重度等级为中/较低，且出现频次为高/中/低、可被检测度为中/低时，启动降级控制措施；当严重度等级为低，且出现频次为中/低、可被检测度为中/低时，采取预警上报措施。
9.根据权利要求8所述的用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法，其特征在于：当采取自动紧急制动措施和安全靠边停车措施时，均开启应急灯。
10.根据权利要求7所述的用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法，其特征在于：当所述严重度等级高、且出现频次、可被检测度均为高/中时，自动驾驶车辆预期功能安全的风险等级为高；当严重度等级为较高/中，且出现频次为中/低、可被检测度为高/中/低时，自动驾驶车辆预期功能安全的风险等级为较高；当严重度等级为中/较低，且出现频次为高/中/低、可被检测度为中/低时，自动驾驶车辆预期功能安全的风险等级为中等/较低；当严重度等级为低，且出现频次为中/低、可被检测度为中/低时，自动驾驶车辆预期功能安全的风险等级为低。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011591287.1A CN112612288B (zh) | 2020-12-29 | 2020-12-29 | 一种用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011591287.1A CN112612288B (zh) | 2020-12-29 | 2020-12-29 | 一种用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112612288A true CN112612288A (zh) | 2021-04-06 |
| CN112612288B CN112612288B (zh) | 2022-05-31 |
Family
ID=75248705
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011591287.1A Active CN112612288B (zh) | 2020-12-29 | 2020-12-29 | 一种用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112612288B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113468670A (zh) * | 2021-07-20 | 2021-10-01 | 合肥工业大学 | 一种自动驾驶车辆整车级别的性能评价方法 |
| CN113673304A (zh) * | 2021-06-30 | 2021-11-19 | 华东师范大学 | 基于场景语义驱动的车载预期功能安全危害分析评估方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109885870A (zh) * | 2019-01-09 | 2019-06-14 | 同济大学 | 一种用于自动驾驶汽车预期功能安全的验证方法及系统 |
| CN110333730A (zh) * | 2019-08-12 | 2019-10-15 | 安徽江淮汽车集团股份有限公司 | 自动驾驶算法预期功能安全的验证方法、平台及存储介质 |
| CN110930005A (zh) * | 2019-11-14 | 2020-03-27 | 华东师范大学 | 基于零日漏洞的自动驾驶预期功能安全危害评估方法 |
| CN111103866A (zh) * | 2019-12-20 | 2020-05-05 | 吉林大学 | 一种基于预期功能安全的自适应巡航开发与测试方法 |
| CN111666307A (zh) * | 2019-12-03 | 2020-09-15 | 张少军 | 根据场景观察进行直觉推断的无人驾驶安全判断系统 |
| CN112115761A (zh) * | 2020-05-12 | 2020-12-22 | 吉林大学 | 自动驾驶汽车视觉感知系统漏洞检测的对抗样本生成方法 |
-
2020
- 2020-12-29 CN CN202011591287.1A patent/CN112612288B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109885870A (zh) * | 2019-01-09 | 2019-06-14 | 同济大学 | 一种用于自动驾驶汽车预期功能安全的验证方法及系统 |
| CN110333730A (zh) * | 2019-08-12 | 2019-10-15 | 安徽江淮汽车集团股份有限公司 | 自动驾驶算法预期功能安全的验证方法、平台及存储介质 |
| CN110930005A (zh) * | 2019-11-14 | 2020-03-27 | 华东师范大学 | 基于零日漏洞的自动驾驶预期功能安全危害评估方法 |
| CN111666307A (zh) * | 2019-12-03 | 2020-09-15 | 张少军 | 根据场景观察进行直觉推断的无人驾驶安全判断系统 |
| CN111103866A (zh) * | 2019-12-20 | 2020-05-05 | 吉林大学 | 一种基于预期功能安全的自适应巡航开发与测试方法 |
| CN112115761A (zh) * | 2020-05-12 | 2020-12-22 | 吉林大学 | 自动驾驶汽车视觉感知系统漏洞检测的对抗样本生成方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673304A (zh) * | 2021-06-30 | 2021-11-19 | 华东师范大学 | 基于场景语义驱动的车载预期功能安全危害分析评估方法 |
| CN113673304B (zh) * | 2021-06-30 | 2023-08-11 | 华东师范大学 | 基于场景语义驱动的车载预期功能安全危害分析评估方法 |
| CN113468670A (zh) * | 2021-07-20 | 2021-10-01 | 合肥工业大学 | 一种自动驾驶车辆整车级别的性能评价方法 |
| CN113468670B (zh) * | 2021-07-20 | 2023-11-03 | 合肥工业大学 | 一种自动驾驶车辆整车级别的性能评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112612288B (zh) | 2022-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112997060B (zh) | 用于修改自主车辆的控制单元的方法和系统 | |
| CN112596500B (zh) | 一种用于自动驾驶车辆误/漏识别的预期功能安全分析方法 | |
| CN112613169B (zh) | 一种用于自动驾驶车辆误操作的预期功能安全分析方法 | |
| CN112711260B (zh) | 一种用于自动驾驶车辆误/漏识别的预期功能安全测试评价方法 | |
| CN109211575B (zh) | 无人驾驶汽车及其场地测试方法、装置及可读介质 | |
| CN112631257B (zh) | 一种用于自动驾驶车辆误操作的预期功能安全测试评价方法 | |
| CN110020797B (zh) | 基于感知缺陷的自动驾驶测试场景的评价方法 | |
| CN112612288B (zh) | 一种用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法 | |
| CN112819968B (zh) | 基于混合现实的自动驾驶车辆的测试方法和装置 | |
| CN114021327A (zh) | 一种自动驾驶汽车感知系统性能量化评估方法 | |
| CN112651132B (zh) | 一种用于自动驾驶车辆误操作的预期功能安全风险评估方法 | |
| CN113343359B (zh) | 一种自动驾驶预期功能安全触发条件评估方法及系统 | |
| CN110599025A (zh) | 自动驾驶汽车驾驶行为可靠性指标评估方法 | |
| CN109900494A (zh) | 一种测试用例的生成方法 | |
| CN115755000A (zh) | 障碍物探测系统环境感知设备的安全校验方法及装置 | |
| CN114954504A (zh) | 用于确定传感器探测条件的方法、融合数据的方法、提供信号的方法以及评估设备 | |
| CN112781888B (zh) | 测试车辆的系统和方法 | |
| CN113781471A (zh) | 一种自动驾驶测试场系统及方法 | |
| Lengyel et al. | Test scenario for road sign recognition systems with special attention on traffic sign anomalies | |
| Schwalb | Analysis of safety of the intended use (sotif) | |
| Formosa et al. | Evaluating the impact of lane marking quality on the operation of Autonomous Vehicles | |
| Xing et al. | An ontology-based method to identify triggering conditions for perception insufficiency of autonomous vehicles | |
| Pan et al. | Metamorphic testing for autonomous driving systems in fog based on quantitative measurement | |
| CN109284889B (zh) | 一种无人车反应敏捷度评测方法和装置 | |
| Richter et al. | Components and their failure rates in autonomous driving |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230105 Address after: 215000 floor 11, building 5, No. 2266, Taiyang Road, high speed railway new town, Xiangcheng District, Suzhou City, Jiangsu Province Patentee after: SUZHOU AUTOMOTIVE RESEARCH INSTITUTE TSINGHUA University (XIANGCHENG) Patentee after: TSINGHUA University Address before: 215134 Zhongqi Zero building, aigehao Road, Xiangcheng District, Suzhou City, Jiangsu Province Patentee before: SUZHOU AUTOMOTIVE RESEARCH INSTITUTE TSINGHUA University (XIANGCHENG) |
|
| TR01 | Transfer of patent right |