CN112629881A - 一种自动驾驶仿真测试要素的提取方法 - Google Patents
一种自动驾驶仿真测试要素的提取方法 Download PDFInfo
- Publication number
- CN112629881A CN112629881A CN202011484815.3A CN202011484815A CN112629881A CN 112629881 A CN112629881 A CN 112629881A CN 202011484815 A CN202011484815 A CN 202011484815A CN 112629881 A CN112629881 A CN 112629881A
- Authority
- CN
- China
- Prior art keywords
- elements
- influence
- automatic driving
- functional
- structural
- 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
- 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
-
- 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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- 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
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及自动驾驶测试技术领域,提供一种自动驾驶仿真测试要素的提取方法,提前将车辆行驶过程中的环境要素整理形成要素库,对所述要素库内所有要素进行筛选、提取,包括如下步骤:将自动驾驶系统的硬件、算法应用按照最小结构进行划分;将每个所述要素对自动驾驶系统的影响分别映射到相应的结构元素和功能元素;量化每个要素在结构元素和功能元素上的影响关系,并与其预设的筛选阈值进行比较;本发明利用提取模型实现对车辆行驶过程中的环境要素中的关键场景要素的判别与筛选,提取结束后形成关键场景要素列表,位于列表中的要素后续建立实际测试场景时需要着重考虑,为自动驾驶测试仿真的场景建模提供了良好的数据支撑。
Description
技术领域
本发明涉及自动驾驶测试技术领域,具体涉及一种自动驾驶仿真测试要素的提取方法。
背景技术
智能化是汽车行业未来的发展趋势,在汽车自动驾驶技术快速发展的同时,其安全性受到汽车企业和科研机构的广泛关注,汽车自动驾驶系统的测试与评价研究成为当前全球关注的热点问题。近年来Uber、Tesla的多起自动驾驶事故暴露了其面对复杂行驶环境时应对能力不足的问题。基于仿真的模拟测试已经成为了自动驾驶的测试主流趋势,Waymo的虚拟总里程数已达到100亿英里,百度自动驾驶模拟仿真系统也进行着大量的测试。基于场景的仿真测试使得场景要素提取及构建理论和方法成为了自动驾驶仿真测试验证亟需的新方法和重要手段。场景模拟仿真的本质是使用计算机建模等手段模拟物理世界,将无限的物理世界映射到有限的仿真场景中的首要环节是确定场景要素。国内外学者针对测试场景的理论和方法开展了不同程度的研究,但场景要素的种类和形式目前学术界和产业界还未达成共识。
汽车自动驾驶将传统的人-车-环境的驾驶情形外延到车-环境,导致了自动驾驶系统在进行工作时除了面对车辆的自身状态还要对行驶环境进行认知。自动驾驶汽车是多种结构和功能的集成体,结构是指系统的硬件构成包括车载传感器(像机、雷达、定位系统以及通信系统等)和线控车辆平台两部分;功能是指系统的关键算法(感知识别算法、决策规划算法以及运动控制算法)。自动驾驶汽车在系统算法和结构的协调下驱动车辆实现预期的运动如图1所示。工作时通过车载传感器收集行驶环境信后结合自身的驾驶任务,使用感知识别算法对车载传感信息进行处理,决策规划算法接收感知输出后进行信息融合,然后决策和规划相应的轨迹,运动控制算法控制车辆平台对已规划轨迹进行跟随,车辆平接收运动控制信号后驱动车辆平台运动。
场景是对车辆行驶环境的一种数学映射描述,映射过程能够刻画和模拟场景的不同要素对自动驾驶汽车影响与作用,其中车外的行驶环境主要由气象、道路设施和交通组成。其中,气象要素包含光照、雨、雪、雾、风等,气象要素对于自动驾驶的影响方面很多,例如:光照的入射角度会产生高光区域使得亮度超过像机感光元件的工作范围,光照强度会影响像机的成像距离。道路场地部分包含道路设施及路边建筑等要素,例如: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。场景中交通标识类型、数量越多识别的难度越大,任务决策模块要根据交通标识的内容做出正确的规划,例如: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;交通参与者的物理属性主要是外形尺寸、材质、运动特性。
但是,物理世界的无穷无尽直接导致了自动驾驶汽车所能遇到的场景也充满无限可能,同时对于不同结构和功能的自动驾驶汽车仿真测试而言,其所需的场景要素往往是不同的,自动驾驶系统工作面临着各种环境因素的干扰,基于模拟仿真的开发使得设计系统算法的初期不需要加工实物就能进行验证,带来的问题是需要对各种环境干扰因素进行建模,场景建模是典型的将自动驾驶汽车的行驶环境进行有限维度映射的过程,由于环境因素的不可穷举特性和计算机模拟需要的有限维度是矛盾的,如何从环境要素中提取对自动驾驶系统有影响的要素成为关键问题。
发明内容
解决的技术问题
针对现有技术的不足,本发明提供了一种自动驾驶仿真测试要素的提取方法,要素的提取过程就是分析环境要素对特定自动驾驶系统影响的过程,同时考虑自动驾驶系统可分为结构和功能两部分,为了更好的进行降维,本文提出了基于自动驾驶系统的结构和功能耦合分析的环境影响要素提取模型。
技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
本发明提供一种自动驾驶仿真测试要素的提取方法,提前将车辆行驶过程中的环境要素整理形成要素库,对所述要素库内所有要素进行筛选、提取,包括如下步骤:
将自动驾驶系统的硬件按照最小结构进行划分,组成一个结构元素的集合;
根据自动驾驶系统的算法应用进行功能划分,组成一个功能元素的集合;
将每个所述要素对自动驾驶系统的影响分别映射到相应的结构元素和功能元素,将影响关系分别体现在结构元素和功能元素上;
量化每个要素在结构元素和功能元素上的影响关系,并与其预设的筛选阈值进行比较,满足,则认为该要素对自动驾驶系统有影响,需要保留为场景要素,否则即认为该要素对自动驾驶系统无影响。
具体地,所述结构元素的集合、功能元素的集合及要素库分别作为三个维度,并建立要素与结构元素、功能元素关联的提取模型,所述提取模型分别组成要素-结构元素分析平面、要素-功能元素分析平面和结构元素-功能元素分析平面。
具体地,在对每个要素在结构元素和功能元素上的影响关系量化时,包括如下步骤:
将每个要素对结构元素和功能元素的影响程度设立等级,并对每一等级进行数学量化,在提取模型对应分析平面上形成要素-结构元素关系向量、要素-功能元素关系向量;
利用向量建立要素-结构元素-功能元素矩阵;
计算、衡量每个要素对应的所述要素-结构元素-功能元素矩阵的大小,并与其预设的筛选阈值进行比较。
有益效果
本发明提供了一种自动驾驶仿真测试要素的提取方法,与现有公知技术相比,本发明的具有如下有益效果:
1、本发明通过对自动驾驶系统的硬件和算法应用分别进行结构和功能上的划分,并建立一种场景要素-系统结构-系统功能平面映射方程用于以量化要素对系统影响的重要性,同时基于平面节点判别矩阵建立要素提取模型,利用提取模型实现对车辆行驶过程中的环境要素中的关键场景要素的判别与筛选,提取结束后形成关键场景要素列表,位于列表中的要素后续建立实际测试场景时需要着重考虑,为自动驾驶测试仿真的场景建模提供了良好的数据支撑,从而有利于提升自动驾驶的仿真测试效果。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1为现有技术中自动驾驶汽车及其工作过程示意图;
图2为本发明的提取方法步骤流程图;
图3为本发明的每个要素在结构元素和功能元素上的影响关系量化步骤流程图流程;
图4为本发明的要素提取模型示意图;
图5为本发明的场景要素提取流程图;
图6为本发明的实施例雨-结构-功能平面示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
实施例:
本实施例的一种自动驾驶仿真测试要素的提取方法,提前将车辆行驶过程中的环境要素整理形成要素库,对要素库内所有要素进行筛选、提取,参照图2,包括如下步骤:
步骤1:将自动驾驶系统的硬件按照最小结构进行划分,组成一个结构元素的集合;
步骤2:根据自动驾驶系统的算法应用进行功能划分,组成一个功能元素的集合;
步骤3:将每个要素对自动驾驶系统的影响分别映射到相应的结构元素和功能元素,将影响关系分别体现在结构元素和功能元素上;
步骤4:量化每个要素在结构元素和功能元素上的影响关系,并与其预设的筛选阈值进行比较,满足,则认为该要素对自动驾驶系统有影响,需要保留为场景要素,否则即认为该要素对自动驾驶系统无影响。
其中,在步骤1和步骤2中,结构元素的集合、功能元素的集合分别采用目标树法对自动驾驶系统的硬件按照最小结构进行划分、对自动驾驶系统的算法应用进行功能划分,针对自动驾驶系统的硬件最小结构进行划分,例如:针对车载传感器组件,其下包括像机、雷达和定位系统等;针对自动驾驶系统的算法应用,按照工作原理的不同,可以划分为:包括感知识别算法、决策规划算法以及运动控制算法等。
自动驾驶系统子结构的数量体现在影响要素提取模型的系统结构维度的长度。
式中:n为子结构的个数;Si为第i个子结构。
自动驾驶系统的算法应用,根据其工作原理对功能进行划分和建模,同样采取目标树将系统进行功能划分,任一系统也可被划分为不同的子功能。
式中:n为子功能的个数;Fi为第j个子功能。
其中,在步骤4执行前,要素分别沿目标树进行遍历,即可获得要素-结构元素分析平面、要素-功能元素分析平面。具体为:
参照图4,利用结构元素的集合、功能元素的集合及要素库分别作为三个维度,并建立要素与结构元素、功能元素关联的提取模型,提取模型分别组成要素-结构元素分析平面、要素-功能元素分析平面和结构元素-功能元素分析平面。
当然,结构元素的集合、功能元素的集合及要素库的内容均可进行随时地更新。如果系统添加了新的子结构和子功能,只需要在影响要素提取模型的某一维度增加一个因素后形成分析平面,通过分析对应的矩阵可重新进行分析。
步骤4中在对每个要素在结构元素和功能元素上的影响关系量化时,参照图3,包括如下步骤:
步骤41:将每个要素对结构元素和功能元素的影响程度设立等级,并对每一等级进行数学量化,在提取模型对应分析平面上形成要素-结构元素关系向量、要素-功能元素关系向量;
步骤42:利用向量建立要素-结构元素-功能元素矩阵;
步骤43:计算、衡量每个要素对应的要素-结构元素-功能元素矩阵的大小,并与其预设的筛选阈值进行比较。
在步骤41中,本实施例中优选地将影响程度划分为高、中、低和无4个等级,并对每个等级的影响程度对应取值为1、2/3、1/3和0,用以展示本提取模型的具体提取方法。
具体地,结合图5,展示要素筛选方法:
首先使用问题树的方式进行启发式搜索后形成一个子要素无限丰富的列表。获取要素库的具体内容及内部要素总数K。
而后,将每个要素Ek进行数学量化,在提取模型对应分析平面上形成要素-结构元素关系向量、要素-功能元素关系向量。
将向量分别带入对应分析平面,形成要素Ek的要素-结构元素-功能元素矩阵(E-S-F矩阵):
式(3)中:ai j为基本量化节点,是通过综合分析定义的,表征要素对由对应结构元素组成系统功能的影响;amj为硬件综合影响,通过计算得到,表示硬件在不同子功能中影响的综合评价,ain为功能综合影响,是计算得到的,表征子功能在不同硬件中影响的综合评价,其中,am1为元素本身性质,考虑模型的目的是分析特定要素对自动驾驶系统的影响,元素本身取0;
再通过(4)式计算每个要素对应的E-S-F矩阵的F-范数,F-范数的作用就是衡量一个矩阵的大小:
||E-S-F||F≥σ (5)
并通过式(5)比较E-S-F矩阵的F-范数与筛选阈值σ进行比较,满足,则认为该要素对特定物理系统有影响,需要保留为场景要素,否则即认为该要素对自动驾驶系统无影响。
循环执行上面步骤,将要素库中的每个要素Ek输入到影响因素模型进行遍历,k取0,1,2,3......n,直至k≥要素总数K,完成要素提取操作。,提取结束后形成场景关键要素列表,位于列表中的要素后续建立实际测试场景时需要着重考虑。
以下为本实施例中列举具体场景要素的提取过程:分析得到了雨-结构-功能平面如图6所示。
雨天是常见天气现象,本部分具体阐述雨元素在模型中具体节点的评价和量化过程。
1)雨对系统结构硬件的影响计算分析(结构元素的影响映射)
雨对像机的影响为高:阴雨天气下光照强度下降,雨水的反射会导致镜面反射,影响像机的成像效果;雨滴下落时图像中会出现雨线遮盖目标物体,同时雨滴属于亮点,对图像的对比度和信噪比会产生较大影响,降低图像质量。
雨对雷达的影响为低:毫米波雷达具有较强的穿透力,能够适应大部分的恶劣天气,因此认为雨对毫米波雷达的影响为低。
雨对定位系统的影响为低:卫星信号传播时发生折射使得传播路径变长,导致接收信号的时间产生了误差并被传递到求伪距的过程和反解接收机位置坐标过程,对定位系统造成了影响。
雨对V2X的影响为无:V2X具有突破视觉死角和跨越遮挡物的信息获取能力,V2X是几乎不受天气状况影响。
雨对车辆平台的影响为高:雨雪等恶劣天气使得附着系数显著降低而导致制动距离增加,驱动轮易打滑甚至空转,在积水路面上可能出现滑水现象,降低了行车安全性。
2)雨对系统功能算法的影响计算分析(结构元素的影响映射)
雨对感知识别系统的影响为中:雨粒子类似于噪声,会对目标物造成遮挡,雨天会导致相机拍摄的图片中由于有雨滴而变得模糊,会影响致感知算法的识别准确性。
雨对决策规划系统的影响为无:决策规划系统是根据传感感知系统的输出进行决策和规划的,一般认为雨只影响传感感知系统,对决策规划系统没有影响。
雨对运动控制系统的影响为中:雨对车辆运动控制系统体现在不同降雨条件下的道路附着系数不同,雨天的时候路面附着系数低,极易将车辆引入极限工作状态。
3)综合计算分析
分析获得雨-结构-功能平面。
以上,本方案通过对自动驾驶系统的硬件和算法应用分别进行结构和功能上的划分,并建立一种场景要素-系统结构-系统功能平面映射方程用于以量化要素对系统影响的重要性,同时基于平面节点判别矩阵建立要素提取模型,利用提取模型实现对车辆行驶过程中的环境要素中的关键场景要素的判别与筛选,为自动驾驶测试仿真的场景建模提供了良好数据支撑。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种自动驾驶仿真测试要素的提取方法,提前将车辆行驶过程中的环境要素整理形成要素库,对所述要素库内所有要素进行筛选、提取,包括如下步骤:
将自动驾驶系统的硬件按照最小结构进行划分,组成一个结构元素的集合;
根据自动驾驶系统的算法应用进行功能划分,组成一个功能元素的集合;
将每个所述要素对自动驾驶系统的影响分别映射到相应的结构元素和功能元素,将影响关系分别体现在结构元素和功能元素上;
量化每个要素在结构元素和功能元素上的影响关系,并与其预设的筛选阈值进行比较,满足,则认为该要素对特定物理系统有影响,需要保留为场景要素,否则即认为该要素对自动驾驶系统无影响。
2.根据权利要求1所述的一种自动驾驶仿真测试要素的提取方法,其特征在于,所述结构元素的集合、功能元素的集合及要素库分别作为三个维度,并建立要素与结构元素、功能元素关联的提取模型,所述提取模型分别组成要素-结构元素分析平面、要素-功能元素分析平面和结构元素-功能元素分析平面。
3.根据权利要求1所述的一种自动驾驶仿真测试要素的提取方法,其特征在于,在对每个要素在结构元素和功能元素上的影响关系量化时,包括如下步骤:
将每个要素对结构元素和功能元素的影响程度设立等级,并对每一等级进行数学量化,在提取模型对应分析平面上形成要素-结构元素关系向量、要素-功能元素关系向量;
利用向量建立要素-结构元素-功能元素矩阵;
计算、衡量每个要素对应的所述要素-结构元素-功能元素矩阵的大小,并与其预设的筛选阈值进行比较。
4.根据权利要求3所述的一种自动驾驶仿真测试要素的提取方法,其特征在于,所述影响程度划分为高、中、低和无4个等级,并对每个等级的影响程度对应取值为1、2/3、1/3和0。
5.根据权利要求3所述的一种自动驾驶仿真测试要素的提取方法,其特征在于,首先将所述向量分别带入对应分析平面,形成如下要素-结构元素-功能元素矩阵(E-S-F矩阵):
式(1)中:aij为基本量化节点,是通过综合分析定义的,表征要素对由对应结构元素组成系统功能的影响;amj为硬件综合影响,通过计算得到,表示硬件在不同子功能中影响的综合评价,ain为功能综合影响,是计算得到的,表征子功能在不同硬件中影响的综合评价,其中,am1为元素本身性质,考虑模型的目的是分析特定要素对自动驾驶系统的影响,元素本身取0;
再通过(2)式计算每个要素对应的E-S-F矩阵的F-范数,F-范数的作用就是衡量一个矩阵的大小:
||E-S-F||F≥σ (3)
并通过式(3)比较E-S-F矩阵的F-范数与筛选阈值σ进行比较,满足,则认为该要素对自动驾驶系统有影响,需要保留为场景要素,否则即认为该要素对自动驾驶系统无影响。
6.根据权利要求2所述的一种自动驾驶仿真测试要素的提取方法,其特征在于,所述结构元素的集合、功能元素的集合分别采用目标树法对自动驾驶系统的硬件按照最小结构进行划分、对自动驾驶系统的算法应用进行功能划分,其中,所述要素分别沿目标树进行遍历,即可获得要素-结构元素分析平面、要素-功能元素分析平面。
7.根据权利要求2所述的一种自动驾驶仿真测试要素的提取方法,其特征在于,所述结构元素的集合、功能元素的集合及要素库的内容均可进行随时地更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011484815.3A CN112629881B (zh) | 2020-12-16 | 2020-12-16 | 一种自动驾驶仿真测试要素的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011484815.3A CN112629881B (zh) | 2020-12-16 | 2020-12-16 | 一种自动驾驶仿真测试要素的提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112629881A true CN112629881A (zh) | 2021-04-09 |
CN112629881B CN112629881B (zh) | 2022-04-22 |
Family
ID=75313423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011484815.3A Active CN112629881B (zh) | 2020-12-16 | 2020-12-16 | 一种自动驾驶仿真测试要素的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112629881B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610166A (zh) * | 2021-08-10 | 2021-11-05 | 吉林大学 | 一种用于建立针对智能车辆的测试场景库的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016064097A (ja) * | 2014-09-26 | 2016-04-28 | 三菱プレシジョン株式会社 | 自動車運転適性検査用シミュレータ |
CN109902018A (zh) * | 2019-03-08 | 2019-06-18 | 同济大学 | 一种智能驾驶系统测试案例的获取方法 |
CN110307995A (zh) * | 2019-05-28 | 2019-10-08 | 同济大学 | 一种用于自动驾驶汽车边缘测试的测试方法 |
CN110579359A (zh) * | 2019-09-10 | 2019-12-17 | 武汉光庭信息技术股份有限公司 | 自动驾驶失效场景库的优化方法及系统、服务器及介质 |
CN110716529A (zh) * | 2019-09-25 | 2020-01-21 | 武汉光庭信息技术股份有限公司 | 一种自动驾驶测试用例自动生成方法和装置 |
CN111651712A (zh) * | 2020-05-27 | 2020-09-11 | 北京航空航天大学 | 一种智能汽车测试场景复杂度的评估方法及系统 |
-
2020
- 2020-12-16 CN CN202011484815.3A patent/CN112629881B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016064097A (ja) * | 2014-09-26 | 2016-04-28 | 三菱プレシジョン株式会社 | 自動車運転適性検査用シミュレータ |
CN109902018A (zh) * | 2019-03-08 | 2019-06-18 | 同济大学 | 一种智能驾驶系统测试案例的获取方法 |
CN110307995A (zh) * | 2019-05-28 | 2019-10-08 | 同济大学 | 一种用于自动驾驶汽车边缘测试的测试方法 |
CN110579359A (zh) * | 2019-09-10 | 2019-12-17 | 武汉光庭信息技术股份有限公司 | 自动驾驶失效场景库的优化方法及系统、服务器及介质 |
CN110716529A (zh) * | 2019-09-25 | 2020-01-21 | 武汉光庭信息技术股份有限公司 | 一种自动驾驶测试用例自动生成方法和装置 |
CN111651712A (zh) * | 2020-05-27 | 2020-09-11 | 北京航空航天大学 | 一种智能汽车测试场景复杂度的评估方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610166A (zh) * | 2021-08-10 | 2021-11-05 | 吉林大学 | 一种用于建立针对智能车辆的测试场景库的方法 |
CN113610166B (zh) * | 2021-08-10 | 2023-12-26 | 吉林大学 | 一种用于建立针对智能车辆的测试场景库的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112629881B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109459734B (zh) | 一种激光雷达定位效果评估方法、装置、设备及存储介质 | |
CN106845371B (zh) | 一种城市路网机动车尾气排放遥感监控系统 | |
CN111179300A (zh) | 障碍物检测的方法、装置、系统、设备以及存储介质 | |
CN111415533B (zh) | 弯道安全预警监控方法、装置以及系统 | |
CN111651712B (zh) | 一种智能汽车测试场景复杂度的评估方法及系统 | |
CA3171233A1 (en) | Systems and methods for image-based location determination and parking monitoring | |
CN112261719B (zh) | 一种slam技术结合深度学习的区域定位方法 | |
CN111881029A (zh) | 一种面向自动驾驶的多场景自动化点云扩增方法 | |
CN117269940B (zh) | 点云数据生成方法、激光雷达的感知能力验证方法 | |
Guerrieri et al. | Flexible and stone pavements distress detection and measurement by deep learning and low-cost detection devices | |
CN112629881B (zh) | 一种自动驾驶仿真测试要素的提取方法 | |
Tarko et al. | Tscan: Stationary lidar for traffic and safety studies—object detection and tracking | |
CN114067103A (zh) | 一种基于YOLOv3的管道第三方破坏智能识别方法 | |
CN112085101A (zh) | 一种高性能高可靠的环境融合感知方法及系统 | |
CN117029840A (zh) | 一种移动车辆定位方法及系统 | |
CN115527118A (zh) | 一种融合注意力机制的遥感图像目标检测方法 | |
CN115543975A (zh) | 一种数据集多尺度评估方法、系统、设备和存储介质 | |
Chae | Simulation of Pedestrian-vehicle Interactions at Roundabouts. | |
Zhang et al. | SMART-Degradation: A Dataset for LiDAR Degradation Evaluation in Rain | |
Tarko et al. | Guaranteed LiDAR-aided multi-object tracking at road intersections: USDOT Region V Regional University Transportation Center final report. | |
Lin et al. | Semi-automatic road tracking by template matching and distance transform | |
Tarko et al. | Guaranteed lidar-aided multi-object tracking at road intersections | |
Tian | Identification of Weather Conditions Related to Roadside LiDAR Data | |
CN116449807B (zh) | 一种物联网汽车操控系统仿真测试方法及系统 | |
Benedek | Hierarchical image content analysis with an embedded marked point process framework |
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 |