CN112733353B - 一种全自动驾驶仿真培训验证方法、系统、终端及介质 - Google Patents
一种全自动驾驶仿真培训验证方法、系统、终端及介质 Download PDFInfo
- Publication number
- CN112733353B CN112733353B CN202011641439.4A CN202011641439A CN112733353B CN 112733353 B CN112733353 B CN 112733353B CN 202011641439 A CN202011641439 A CN 202011641439A CN 112733353 B CN112733353 B CN 112733353B
- Authority
- CN
- China
- Prior art keywords
- simulation
- matrix
- full
- verification
- data
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B9/00—Simulators for teaching or training purposes
- G09B9/02—Simulators for teaching or training purposes for teaching control of vehicles or other craft
- G09B9/04—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of land vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Aviation & Aerospace Engineering (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种全自动驾驶仿真培训验证方法、系统、终端及介质,涉及轨道交通控制领域,其技术方案要点是:依据目标分类结果、全自动运行目标数据建立目标数据矩阵;实时采集功能业务仿真培训平台运行过程中的仿真培训数据,以及依据仿真培训数据建立与目标数据矩阵对应的仿真数据矩阵;根据用户需求数据建立实际需求矩阵;根据仿真数据矩阵、实际需求矩阵计算相同操作类别的相关系数、均方误差,并通过对相关系数、均方误差进行分析后得到全自动运行目标数据的仿真度结果。本发明具有灵活故障注入测试,能更加全面地进行降级和紧急运行场景下的功能测试,避免现场大规模验证工作,对无人驾驶调度人员的训练和无人驾驶应用具有重要意义。
Description
技术领域
本发明涉及轨道交通控制领域,更具体地说,它涉及一种全自动驾驶仿真培训验证方法、系统、终端及介质。
背景技术
近几十年中,轨道交通的发展大致经历了三个阶段。其一是人工驾驶模式,列车的驾驶员根据运行图在独立的信号系统中驾驶列车运行,并得到ATP(列车自动防护系统)的超速监控与保护;其二是人工驾驶的自动化运行模式,列车设驾驶员,主要操作任务是为乘客上下车开、关车门,给出列车起动的控制信号;而列车的加速、惰行、制动以及停站,均通过ATC(列车自动控制)信号系统与车辆控制系统的接口,经协调配合自动完成;其三是全自动无人驾驶模式列车的唤醒、起动、行驶、停站、开关车门、故障降级运行,以及列车出入停车场、洗车和休眠等都不需要驾驶员操作,完全自动完成。
随着城市化建设进程不断加快,我国轨道交通建设也已经步入高速发展阶段,近年来城市客流量和开通的轨道线路数量不断增加,客流量的增加会导致发车频率的增加,开通线路数量的增长需要大量的司机、车站服务人员、调度人员、维修人员。纵观当今世界,科学技术的进步正在使城市轨道交通技术发生着革命性的变化,已经达到列车驾驶员的职能完全由“自动化”系统来替代的程度,全自动无人驾驶系统作为先进的城市公共交通系统,代表了城市轨道交通领域的发展方向。
城市轨道交通系统是一个复杂的多变量系统,特别是全自动运行系统更是添加了很多功能与自动化技术,为了保障复杂多变的全自动运行系统能够安全、可靠的运行,需要在全自动运行系统研发设计之初和运行调试时进行反复验证与筛选,通过验证后筛选出经济、安全可行的全自动运行方案。然而,目前尚未有针对全自动运行系统在研发设计之初和运行调试时进行有效验证的方法或措施,通过现场实验对功能进行验证在一定程度上将增加研发成本和延长研发周期,难以适应城市轨道交通系统快速发展的趋势。因此,如何研究设计一种全自动驾驶仿真培训验证方法、系统、终端及介质是我们目前急需解决的问题。
发明内容
为解决现有技术中的不足,本发明的目的是提供一种全自动驾驶仿真培训验证方法、系统、终端及介质,用以实现不同场景下无人驾驶功能验证,同时可对无人驾驶调度人员进行培训。
本发明的上述技术目的是通过以下技术方案得以实现的:
第一方面,提供了一种全自动驾驶仿真培训验证方法,包括以下步骤:
S101:获取全自动运行目标数据,并根据全自动运行模式、全自动运行操作类别对全自动运行目标数据划分后得到目标分类结果,以及依据目标分类结果、全自动运行目标数据建立目标数据矩阵;
S102:将目标数据矩阵输入预构建的功能业务仿真培训平台进行仿真培训,并实时采集功能业务仿真培训平台运行过程中的仿真培训数据,以及依据仿真培训数据建立与目标数据矩阵对应的仿真数据矩阵;
S103:根据目标分类结果从预构建的用户需求功能库中调取相应的用户需求数据,并根据用户需求数据建立实际需求矩阵;
S104:根据仿真数据矩阵、实际需求矩阵计算相同操作类别的相关系数、均方误差,并通过对相关系数、均方误差进行分析后得到全自动运行目标数据的仿真度结果。
进一步的,所述目标数据矩阵的计算公式具体为:
其中,Fx表示目标数据矩阵;X1-Xn表示仿真需求集,包括列车运行状态模型需求、列车车辆状态模型需求、信号系统模型需求、供电系统模型需求、线路模型以及虚拟环境模型需求;f1-fm表示驾驶场景集,包括标准作业场景需求、故障处理场景需求、突发事件非正常处理场景需求;A11-Amn为场景所使用的需求权重系数矩阵;若不具有的驾驶场景集、仿真需求集,则需求权重系数矩阵中的相应项为0。
进一步的,所述仿真数据矩阵的计算公式具体为:
其中,Fy表示仿真数据矩阵;X′1-X′n表示仿真功能集合,包括列车运行状态模型功能仿真、列车车辆状态模型功能仿真、信号系统模型功能仿真、供电系统模型功能仿真、线路模型以及虚拟环境模型功能仿真;f′1-f′m表示仿真驾驶场景集,包括标准作业场景仿真功能、故障处理场景仿真功能、突发事件非正常处理场景仿真功能;A′11-A′mn为场景所使用的仿真权重系数矩阵;若不具有的仿真驾驶场景集、仿真功能集合,则仿真权重系数矩阵中的相应项为0。
进一步的,所述实际需求矩阵的计算公式具体为:
其中,Fz表示实际需求矩阵;X″1-X″n表示验证功能集合,包括列车运行状态模型功能验证、列车车辆状态模型功能验证、信号系统模型功能验证、供电系统模型功能验证、线路模型以及虚拟环境模型功能验证;f″1-f″m表示验证驾驶场景集,包括标准作业场景验证功能、故障处理场景验证功能、突发事件非正常处理场景验证功能;A″11-A″mn为场景所使用的验证权重系数矩阵;若不具有的验证驾驶场景集、验证功能集合,则验证权重系数矩阵中的相应项为0。
进一步的,所述需求权重系数矩阵、仿真权重系数矩阵、验证权重系数矩阵中的权重系数以同一运行模式场景下所有需求功能的权重系数之和为1进行配置。
进一步的,所述仿真度结果的计算过程具体为:
分别计算需求权重系数矩阵、仿真权重系数矩阵中同一权重系数的标准差及相应的协方差,并根据标准差、协方差计算求权重系数矩阵、仿真权重系数矩阵的相关系数;相关系数越接近1,表明仿真度越高;
计算需求权重系数矩阵、仿真权重系数矩阵中同一权重系数的均方误差;均方误差越小,表明验证精确度越好;
将同一权重系数的相关系数、均方误差结合分析后得到仿真度结果。
第二方面,提供了一种全自动驾驶仿真培训验证系统,包括:
数据获取模块,用于获取全自动运行目标数据,并根据全自动运行模式、全自动运行操作类别对全自动运行目标数据划分后得到目标分类结果,以及依据目标分类结果、全自动运行目标数据建立目标数据矩阵;
模拟仿真模块,用于将目标数据矩阵输入预构建的功能业务仿真培训平台进行仿真培训,并实时采集功能业务仿真培训平台运行过程中的仿真培训数据,以及依据仿真培训数据建立与目标数据矩阵对应的仿真数据矩阵;
数据调用模块,用于根据目标分类结果从预构建的用户需求功能库中调取相应的用户需求数据,并根据用户需求数据建立实际需求矩阵;
验证分析模块,根据仿真数据矩阵、实际需求矩阵计算相同操作类别的相关系数、均方误差,并通过对相关系数、均方误差进行分析后得到全自动运行目标数据的仿真度结果。
第三方面,提供了一种计算机终端,包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面中任意一项所述的一种全自动驾驶仿真培训验证方法。
第四方面,提供了一种计算机可读介质,其上存储有计算机程序,其特征是,所述计算机程序被处理器执行可实现如第一方面中任意一项所述的一种全自动驾驶仿真培训验证方法。
现有技术相比,本发明具有以下有益效果:
本发明具有灵活故障注入测试,能更加全面地进行降级和紧急运行场景下的功能测试,避免现场大规模验证工作,同时对无人驾驶调度人员的训练和无人驾驶的广泛应用具有重要意义。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1是本发明实施例中的流程图;
图2是本发明实施例中的系统架构图;
图3是本发明实施例中列车出库流程图;
图4是本发明实施例中设置tcms故障流程图;
图5是本发明实施例中雨雪模式流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例1-5和附图1-5,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1:一种全自动驾驶仿真培训验证方法,如图1所示,包括以下步骤:
S101:获取全自动运行目标数据,并根据全自动运行模式、全自动运行操作类别对全自动运行目标数据划分后得到目标分类结果,以及依据目标分类结果、全自动运行目标数据建立目标数据矩阵;
S102:将目标数据矩阵输入预构建的功能业务仿真培训平台进行仿真培训,并实时采集功能业务仿真培训平台运行过程中的仿真培训数据,以及依据仿真培训数据建立与目标数据矩阵对应的仿真数据矩阵;
S103:根据目标分类结果从预构建的用户需求功能库中调取相应的用户需求数据,并根据用户需求数据建立实际需求矩阵;
S104:根据仿真数据矩阵、实际需求矩阵计算相同操作类别的相关系数、均方误差,并通过对相关系数、均方误差进行分析后得到全自动运行目标数据的仿真度结果。
在本实施例中,目标数据矩阵的计算公式具体为:
其中,Fx表示目标数据矩阵;X1-Xn表示仿真需求集,包括列车运行状态模型需求、列车车辆状态模型需求、信号系统模型需求、供电系统模型需求、线路模型以及虚拟环境模型需求;f1-fm表示驾驶场景集,包括标准作业场景需求、故障处理场景需求、突发事件非正常处理场景需求;A11-Amn为场景所使用的需求权重系数矩阵;若不具有的驾驶场景集、仿真需求集,则需求权重系数矩阵中的相应项为0。
在本实施例中,仿真数据矩阵的计算公式具体为:
其中,Fy表示仿真数据矩阵;X′1-X′n表示仿真功能集合,包括列车运行状态模型功能仿真、列车车辆状态模型功能仿真、信号系统模型功能仿真、供电系统模型功能仿真、线路模型以及虚拟环境模型功能仿真;f′1-f′m表示仿真驾驶场景集,包括标准作业场景仿真功能、故障处理场景仿真功能、突发事件非正常处理场景仿真功能;A″11-A′mn为场景所使用的仿真权重系数矩阵;若不具有的仿真驾驶场景集、仿真功能集合,则仿真权重系数矩阵中的相应项为0。
在本实施例中,实际需求矩阵的计算公式具体为:
其中,Fz表示实际需求矩阵;X″1-X″n表示验证功能集合,包括列车运行状态模型功能验证、列车车辆状态模型功能验证、信号系统模型功能验证、供电系统模型功能验证、线路模型以及虚拟环境模型功能验证;f″1-f″m表示验证驾驶场景集,包括标准作业场景验证功能、故障处理场景验证功能、突发事件非正常处理场景验证功能;A″11-A″mn为场景所使用的验证权重系数矩阵;若不具有的验证驾驶场景集、验证功能集合,则验证权重系数矩阵中的相应项为0。
需要注意的是,需求权重系数矩阵、仿真权重系数矩阵、验证权重系数矩阵中的权重系数以同一运行模式场景下所有需求功能的权重系数之和为1进行配置。
仿真度结果的计算过程具体为:
分别计算需求权重系数矩阵、仿真权重系数矩阵中同一权重系数的标准差及相应的协方差,并根据标准差、协方差计算求权重系数矩阵、仿真权重系数矩阵的相关系数;相关系数越接近1,表明仿真度越高;
计算需求权重系数矩阵、仿真权重系数矩阵中同一权重系数的均方误差;均方误差越小,表明验证精确度越好;
将同一权重系数的相关系数、均方误差结合分析后得到仿真度结果。
实施例2:一种全自动驾驶仿真培训验证系统,如图2所示,包括数据获取模块、模拟仿真模块、数据调用模块、验证分析模块。数据获取模块,用于获取全自动运行目标数据,并根据全自动运行模式、全自动运行操作类别对全自动运行目标数据划分后得到目标分类结果,以及依据目标分类结果、全自动运行目标数据建立目标数据矩阵。模拟仿真模块,用于将目标数据矩阵输入预构建的功能业务仿真培训平台进行仿真培训,并实时采集功能业务仿真培训平台运行过程中的仿真培训数据,以及依据仿真培训数据建立与目标数据矩阵对应的仿真数据矩阵。数据调用模块,用于根据目标分类结果从预构建的用户需求功能库中调取相应的用户需求数据,并根据用户需求数据建立实际需求矩阵。验证分析模块,根据仿真数据矩阵、实际需求矩阵计算相同操作类别的相关系数、均方误差,并通过对相关系数、均方误差进行分析后得到全自动运行目标数据的仿真度结果。
实施例3:以列车出库为例进行说明。
如图3所示,出库过程中,乘客调中的闭路电视实时监控列车,车辆调实时显示车辆各种状态,包括车速、列车设备运行状态、休眠唤醒状态等。定义信号机设备、辅助设备、车辆设备、机电设备分别为1、2、3、4,即X=X′=X″=[1 2 3 4]T,设出库功能中FAO模式所操控的设备总数为20;其中,信号机占用3,辅助设备占用3,车辆设备占用10,机电设备占用4。CAM模式所操控的设备总数为20,其中,信号机占用4,辅助设备占用6,车辆设备占用8,机电设备占用2。CBTC模式所操控的设备总数为15;其中,信号机占用2,辅助设备占用3,车辆设备占用8,机电设备占用2。ITC模式所操控的设备总数为10;其中,信号机占用2,辅助设备占用3,车辆设备占用4,机电设备占用1;按式(1)列出方程组为:
仿真功能中列车出库,视频监控会自动推送到调度,但是由于摄像头角度问题,仿真和实际肯定有差别,设出库功能中FAO模式所操控的设备总数为19;其中,信号机占用3,辅助设备占用2,车辆设备占用10,机电设备占用4。CAM模式所操控的设备总数为19;其中,信号机占用4,辅助设备占用5,车辆设备占用8,机电设备占用2。CBTC模式所操控的设备总数为14;其中,信号机占用2,辅助设备占用2,车辆设备占用8,机电设备占用2。ITC模式所操控的设备总数为9;其中,信号机占用2,辅助设备占用2,车辆设备占用4,机电设备占用1;按式(1)列出方程组为:
对Y和Y′数据进行处理可得,用户需求库总体方差σx≈0.157,功能库方差σx′≈0.202,协方差σxx′≈0.03,则:
考核评价列车出库功能中,学员的操作与用户需求应该一致,若不一致,则相关系数越偏离1,说明学员操作遗漏或者操作有误。设学员在出库功能中FAO模式所操控的设备总数为19;其中,信号机占用3,辅助设备占用2,车辆设备占用9,机电设备占用5。CAM模式所操控的设备总数为19;其中,信号机占用4,辅助设备占用5,车辆设备占用7,机电设备占用3。CBTC模式所操控的设备总数为14;其中,信号机占用2,辅助设备占用2,车辆设备占用9,机电设备占用1。ITC模式所操控的设备总数为9;其中,信号机占用2,辅助设备占用2,车辆设备占用4,机电设备占用1;按式(1)列出方程组为:
对Y和Y″数据进行处理可得,用户需求库总体方差σx≈0.157,考核评价库方差σx″≈0.159,协方差σxx″≈0.01,则:
实施例4:以设置列车tcms故障为例进行说明。
如图4所示,当发生tcms通信故障后,车辆应立即切除牵引、施加制动并将故障信息发送给车辆调和行调,经控制中心确认后授权进入CAM模式运行至站台等待人工处理,CAM、CBTC、ITC模式下的tcms故障处理为降级为人工模式控车。定义信号机设备、辅助设备、车辆设备、机电设备分别为1、2、3、4,即X=X′=X″=[1 2 3 4]T,设tcms故障功能中FAO模式下所操控的设备总数为20;其中,信号机占用3,辅助设备占用4,车辆设备占用9,机电设备占用4。CAM模式所操控的设备总数为20;其中,信号机占用3,辅助设备占用5,车辆设备占用8,机电设备占用4。CBTC模式所操控的设备总数为15;其中,信号机占用3,辅助设备占用3,车辆设备占用7,机电设备占用2。ITC模式所操控的设备总数为10;其中,信号机占用3,辅助设备占用2,车辆设备占用4,机电设备占用1。按式(1)列出方程组为:
仿真功能中tcms故障FAO模式所操控的设备总数为19;其中,信号机占用3,辅助设备占用4,车辆设备占用8,机电设备占用4。CAM模式所操控的设备总数为19;其中,信号机占用3,辅助设备占用5,车辆设备占用7,机电设备占用4。CBTC模式所操控的设备总数为14;其中,信号机占用3,辅助设备占用3,车辆设备占用6,机电设备占用2。ITC模式所操控的设备总数为9;其中,信号机占用3,辅助设备占用2,车辆设备占用3,机电设备占用1。按式(1)列出方程组为:
对数据进行处理可得,样本库总体方差σx≈0.15,仿真功能库方差σx′≈0.16,协方差σxx′≈0.024,则:
考核评价功能库中tcms故障FAO模式所操控的设备总数为19;其中,信号机占用3,辅助设备占用4,车辆设备占用8,机电设备占用4。CAM模式所操控的设备总数为19;其中,信号机占用3,辅助设备占用5,车辆设备占用7,机电设备占用4。CBTC模式所操控的设备总数为14;其中,信号机占用3,辅助设备占用3,车辆设备占用6,机电设备占用2。ITC模式所操控的设备总数为9;其中,信号机占用3,辅助设备占用2,车辆设备占用3,机电设备占用1。按式(1)列出方程组为:
对数据进行处理可得,样本库总体方差σx≈0.15,考核评价库方差σx″≈0.16,协方差σxx″≈0.024,则:
实施例5:雨雪模式
如图5所示,中心与现场站务员确认后,明确情况后采用雨雪模式,下发雨雪指令,FAM模式下,列车收到雨雪指令,进入雨雪模式运行,CAM模式一般限速和雨雪模式一致,由ato保证行车速度,CBTC、ITC由司机保证行车速度。定义信号机设备、辅助设备、车辆设备、机电设备分别为1、2、3、4,即X=X′=X″=[1 2 3 4]T,设雨雪模式下FAO模式所操控的设备总数为10;其中,信号机占用3,辅助设备占用1,车辆设备占用5,机电设备占用1。CAM模式所操控的设备总数为10;其中,信号机占用3,辅助设备占用1,车辆设备占用4,机电设备占用2。CBTC模式所操控的设备总数为10;其中,信号机占用3,辅助设备占用1,车辆设备占用3,机电设备占用3。ITC模式所操控的设备总数为10;其中,信号机占用3,辅助设备占用2,车辆设备占用4,机电设备占用1。按式(1)列出方程组为:
仿真功能雨雪模式中FAO模式所操控的设备总数为9;其中,信号机占用3,辅助设备占用1,车辆设备占用4,机电设备占用1。CAM模式所操控的设备总数为9;其中,信号机占用3,辅助设备占用1,车辆设备占用3,机电设备占用2。CBTC模式所操控的设备总数为9;其中,信号机占用3,辅助设备占用1,车辆设备占用2,机电设备占用3。ITC模式所操控的设备总数为9;其中,信号机占用3,辅助设备占用2,车辆设备占用3,机电设备占用1。按式(1)列出方程组为:
对数据进行处理可得,样本库总体方差σx≈0.1,仿真功能库方差σx′≈0.12,协方差σxx′≈0.001,则:
考核评价功能库中雨雪模式FAO所操控的设备总数为9,设学员遗漏操作车辆设备,则信号机占用3,辅助设备占用1,车辆设备占用3,机电设备占用1。CAM模式所操控的设备总数为9;其中,信号机占用3,辅助设备占用1,车辆设备占用2,机电设备占用2。CBTC模式所操控的设备总数为9;其中,信号机占用3,辅助设备占用1,车辆设备占用1,机电设备占用3。ITC模式所操控的设备总数为9;其中,信号机占用3,辅助设备占用2,车辆设备占用2,机电设备占用1。按式(1)列出方程组为:
对数据进行处理可得,样本库总体方差σx≈0.1,考核评价库方差σx″≈0.3,协方差σxx″≈0.009,则:
从以上数据可以看出,仿真功能库、考核评价库对比用户需求库,均少了一项辅助设备,但是其他设备操作和用户需求基本一致,所以两者相关系数接近于1,考核评价体系库中若学员操作的设备与用户需求不一致或者遗漏操作,就会导致两者相关系数很低,如列车出库案例和雨雪模式案例,若是一致,则相关系数会接近1,如设置tcms故障案例,三个案例的方均误差均很小,表明系统数据的准确性高。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不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,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种全自动驾驶仿真培训验证方法,其特征是,包括以下步骤:
S101:获取全自动运行目标数据,并根据全自动运行模式、全自动运行操作类别对全自动运行目标数据划分后得到目标分类结果,以及依据目标分类结果、全自动运行目标数据建立目标数据矩阵;
S102:将目标数据矩阵输入预构建的功能业务仿真培训平台进行仿真培训,并实时采集功能业务仿真培训平台运行过程中的仿真培训数据,以及依据仿真培训数据建立与目标数据矩阵对应的仿真数据矩阵;
S103:根据目标分类结果从预构建的用户需求功能库中调取相应的用户需求数据,并根据用户需求数据建立实际需求矩阵;
S104:根据仿真数据矩阵、实际需求矩阵计算相同操作类别的相关系数、均方误差,并通过对相关系数、均方误差进行分析后得到全自动运行目标数据的仿真度结果。
5.根据权利要求2所述的一种全自动驾驶仿真培训验证方法,其特征是,所述需求权重系数矩阵中的权重系数以同一运行模式场景下所有需求功能的权重系数之和为1进行配置。
6.根据权利要求3所述的一种全自动驾驶仿真培训验证方法,其特征是,所述仿真权重系数矩阵中的权重系数以同一运行模式场景下所有需求功能的权重系数之和为1进行配置。
7.根据权利要求4所述的一种全自动驾驶仿真培训验证方法,其特征是,所述验证权重系数矩阵中的权重系数以同一运行模式场景下所有需求功能的权重系数之和为1进行配置。
8.根据权利要求1所述的一种全自动驾驶仿真培训验证方法,所述仿真度结果的计算过程具体为:
分别计算需求权重系数矩阵、仿真权重系数矩阵中同一权重系数的标准差及相应的协方差,并根据标准差、协方差计算求权重系数矩阵、仿真权重系数矩阵的相关系数;相关系数越接近1,表明仿真度越高;
计算需求权重系数矩阵、仿真权重系数矩阵中同一权重系数的均方误差;均方误差越小,表明验证精确度越好;
将同一权重系数的相关系数、均方误差结合分析后得到仿真度结果。
9.一种全自动驾驶仿真培训验证系统,其特征是,包括:
数据获取模块,用于获取全自动运行目标数据,并根据全自动运行模式、全自动运行操作类别对全自动运行目标数据划分后得到目标分类结果,以及依据目标分类结果、全自动运行目标数据建立目标数据矩阵;
模拟仿真模块,用于将目标数据矩阵输入预构建的功能业务仿真培训平台进行仿真培训,并实时采集功能业务仿真培训平台运行过程中的仿真培训数据,以及依据仿真培训数据建立与目标数据矩阵对应的仿真数据矩阵;
数据调用模块,用于根据目标分类结果从预构建的用户需求功能库中调取相应的用户需求数据,并根据用户需求数据建立实际需求矩阵;
验证分析模块,根据仿真数据矩阵、实际需求矩阵计算相同操作类别的相关系数、均方误差,并通过对相关系数、均方误差进行分析后得到全自动运行目标数据的仿真度结果。
10.一种计算机终端,其特征是,包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-8中任意一项所述的一种全自动驾驶仿真培训验证方法。
11.一种计算机可读介质,其上存储有计算机程序,其特征是,所述计算机程序被处理器执行可实现如权利要求1-8中任意一项所述的一种全自动驾驶仿真培训验证方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011641439.4A CN112733353B (zh) | 2020-12-31 | 2020-12-31 | 一种全自动驾驶仿真培训验证方法、系统、终端及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011641439.4A CN112733353B (zh) | 2020-12-31 | 2020-12-31 | 一种全自动驾驶仿真培训验证方法、系统、终端及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112733353A CN112733353A (zh) | 2021-04-30 |
CN112733353B true CN112733353B (zh) | 2022-06-10 |
Family
ID=75609210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011641439.4A Active CN112733353B (zh) | 2020-12-31 | 2020-12-31 | 一种全自动驾驶仿真培训验证方法、系统、终端及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733353B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116483059B (zh) * | 2023-06-20 | 2023-10-03 | 卡斯柯信号(北京)有限公司 | 一种全自动无人驾驶的蠕动模式测试方法及装置 |
CN116881778B (zh) * | 2023-09-06 | 2023-11-28 | 交通运输部公路科学研究所 | 智能辅助教学系统安全预警与防护功能测试系统与方法 |
CN117746714B (zh) * | 2024-02-20 | 2024-04-30 | 成都运达科技股份有限公司 | 一种模拟驾驶作业测试方法和系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100589148C (zh) * | 2007-07-06 | 2010-02-10 | 浙江大学 | 面向训练的汽车驾驶模拟机实现方法 |
CN101561972A (zh) * | 2008-04-17 | 2009-10-21 | 北京宣爱智能模拟技术有限公司 | 互动式汽车驾驶案例教学方法及其系统 |
US11391649B2 (en) * | 2019-05-29 | 2022-07-19 | Pony Ai Inc. | Driving emulation system for an autonomous vehicle |
-
2020
- 2020-12-31 CN CN202011641439.4A patent/CN112733353B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112733353A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112733353B (zh) | 一种全自动驾驶仿真培训验证方法、系统、终端及介质 | |
WO2021218055A1 (zh) | 面向轨交全自动无人驾驶场景验证的云仿真装置与方法 | |
CN107107934B (zh) | 用于执行涉及轨道车辆的测试过程的设备和方法 | |
CN103745624B (zh) | 轨道交通模拟系统 | |
CN111627310B (zh) | 基于全自动无人驾驶的智慧地铁演示和验证装置及其方法 | |
CN102566442A (zh) | Cbtc信号系统仿真测试平台 | |
CN111007837B (zh) | 一种对tcms进行测试的测试系统和方法 | |
CN110262286A (zh) | 一种全自动运行系统运营场景综合验证系统及方法 | |
CN109523859B (zh) | 一种轨道交通综合监控混合培训仿真系统及方法 | |
CN109256001A (zh) | 一种基于vr技术的动车组检修示教培训系统及其培训方法 | |
CN111123739A (zh) | 一种用于全自动无人驾驶模式下的网络控制系统半实物仿真实验平台 | |
CN108182841B (zh) | 铁路编组站综合自动化仿真培训系统 | |
CN111857090B (zh) | 一种用于ats性能测试的方法和装置 | |
CN212060893U (zh) | 面向轨交全自动无人驾驶场景验证的云仿真硬件装置 | |
CN106527411A (zh) | 地铁列车网络控制系统测试装置和系统 | |
CN110687863A (zh) | 一种轨道交通综合后备盘的虚拟化集成控制系统和方法 | |
US20230377253A1 (en) | Multi-specialty vr scene verification method oriented to smart subway | |
Athavale et al. | Trends and functional safety certification strategies for advanced railway automation systems | |
CN103676664A (zh) | 轨道车辆门控单元运行模拟系统 | |
CN111276015A (zh) | 一种基于虚拟现实的地铁司机应急处置训练系统和方法 | |
CN111597637A (zh) | 一种动车现场部件的故障检测方法、装置、服务器及系统 | |
CN115578906A (zh) | 智能化可编程计算机联锁仿真实训平台 | |
CN115571196A (zh) | 一种基于规则引擎的正线故障智能处置方法及系统 | |
CN111708318A (zh) | 一种轨道交通站台门集成测试装置和方法 | |
JP2001117479A (ja) | ネットワークシミュレータ、ネットワークを利用したシミュレーション方法、および、その方法を記憶した記憶媒体 |
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 |