CN113074959B - 一种自动驾驶系统测试分析方法 - Google Patents

一种自动驾驶系统测试分析方法 Download PDF

Info

Publication number
CN113074959B
CN113074959B CN202110366091.0A CN202110366091A CN113074959B CN 113074959 B CN113074959 B CN 113074959B CN 202110366091 A CN202110366091 A CN 202110366091A CN 113074959 B CN113074959 B CN 113074959B
Authority
CN
China
Prior art keywords
data
evaluated
evaluation
scene
analysis
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
Application number
CN202110366091.0A
Other languages
English (en)
Other versions
CN113074959A (zh
Inventor
倪俊
肖乔木
熊周兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202110366091.0A priority Critical patent/CN113074959B/zh
Publication of CN113074959A publication Critical patent/CN113074959A/zh
Application granted granted Critical
Publication of CN113074959B publication Critical patent/CN113074959B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

本发明公开了一种自动驾驶系统测试分析方法，加载待评测数据，指定所需评测的评测指标和评测场景；根据评测场景加载标准场景数据作为真值数据；获取待评测数据的特征量；根据特征量一致性和/或位置一致性将待评测数据与真值数据进行配对，形成数据对；所述位置一致性是指待评测数据中定位数据的一致性；所述特征量一致性是指特征量误差小于阈值；确定所述数据对匹配评测场景和评测指标的匹配度，将匹配度超过阈值的数据对作为分析对象；针对分析对象进行评测指标的分析，获得评测结果。本发明能够对海量的自动驾驶数据进行自动化处理及分析，具有效率高、数据处理量大、统计指标准确的优点。

Description

一种自动驾驶系统测试分析方法
技术领域
本发明涉及一种自动驾驶汽车所需数据的测试分析方法，属于自动驾驶汽车测试技术领域。
背景技术
自动驾驶汽车的测试技术是其核心技术之一，对自动驾驶汽车的性能提升有重要意义。面向复杂的自动驾驶汽车应用场景，其所涉及的测试数据量巨大，传统的汽车测试分析方法难以满足其需求，因此针对自动驾驶不同场景下大量数据自动化处理分析的方法是当前的研究热点。自动驾驶汽车的自动化测试分析，主要技术核心集中在两个方面：第一是如何高效获取不同工况数据以及场景库的建立；第二是如何对海量的自动驾驶数据进行自动化处理及分析。
本方法基于已建立的成熟高精度真值场景库，实现了高度自动化的工具链，包含数据清洗、数据处理、数据分析、报告生成等方面，构建了自动驾驶海量数据自动分析的完整链路，提高了自动驾驶汽车的测试效率。
发明内容
有鉴于此，本发明提供一种用于自动驾驶不同场景工况下大量数据自动化测试分析的方法，能够对海量的自动驾驶数据进行自动化处理及分析。
为了解决上述技术问题，本发明是这样实现的。
一种自动驾驶系统测试分析方法，包括：
步骤1、加载待评测数据，指定所需评测的评测指标和评测场景；根据评测场景加载标准场景数据作为真值数据；
步骤2、获取待评测数据的特征量；
步骤3、根据特征量一致性和/或位置一致性将待评测数据与真值数据进行配对，形成数据对；所述位置一致性是指待评测数据中定位数据的一致性；所述特征量一致性是指特征量误差小于阈值；
步骤4、确定所述数据对匹配评测场景和评测指标的匹配度，将匹配度超过阈值的数据对作为分析对象；
步骤5、针对分析对象进行评测指标的分析，获得评测结果。
优选地，待评测数据的描述参数包括自动驾驶系统的感知信息、定位信息、轨迹信息、车身运动信息；
所述感知信息包括感知目标位置、感知目标速度、感知目标加速度、感知目标协方差、车道线曲线方程参数中的一种或多种组合；
所述定位信息包括通过定位系统获得的车体位置、速度、加速度、角速度、航向角、角速度变化率、加速度变化率中的一种或多种组合；
所述轨迹信息包括轨迹点坐标、轨迹曲率、轨迹长度、
所述车身运动信息通过车体上的传感器获取的车身速度、加速度、方向盘转角、转角变换率中的一种或多种组合。
优选地，所述评测场景作为待评测数据的标签，在待评测数据采集过程中输入，或者在加载待评测数据时输入。
优选地，所述步骤2获取待评测数据的特征量为：跟踪待评测数据中各描述参数的变化趋势，如果某一或某些描述参数连续n次波动量均超过设定幅度，则计算描述参数的统计特征，如果统计特征大于或等于设定的统计特征阈值，则将描述参数的统计特性值作为特征量；n为设定值。
优选地，获取所述特征量时，所跟踪的描述参数包括车体速度、加速度、曲率变换率、角速度。
优选地，所述步骤3包括：
步骤31：待评测数据与真值数据进行位置对齐：计算待评测数据与真值数据这两段数据的位置精度是否满足设定的误差要求；若满足，则将待评测数据和真值数据并行存储在同一片内存中，以形成数据对；否则，执行步骤32；
步骤32：进行特征量对齐：对待评测数据与真值数据这两段数据的特征量进行m维误差判断，每一维代表一个特征量；如果两段数据的m个特征量均满足关联准则，则将待评测数据和真值数据并行存储在同一片内存中，以形成数据对；m为大于或等于1的整数。
优选地，所述步骤31之前，进一步对待评测数据和真值数据进行滤波，筛出不在用户所需测评指标范围的数据，进入步骤31的操作。
优选地，所述步骤4采用神经网络确定匹配度：利用各种场景下汽车运动的数据训练神经网络；在使用时，将步骤1指定的评测指标、测评场景和所述数据对输入到神经网络中，神经网络输出数据对的匹配度的得分，该匹配度表征了数据对提供所述评测指标的符合程度以及评测场景的匹配程度。
优选地，所述步骤5包括统计分析和对比分析；
所述对比分析为：将待评测数据和真值数据进行时间空间同步插值处理，让待评测数据和真值数据的数据量保持一致，而后根据步骤1指定的评测指标，对比计算获得两种数据的评测指标；
所述统计分析为：根据用户选取的时长，将待评测数据按照时间轴截取，计算截取段数据的统计指标量，然后再选取同一评测场景下符合所述时长的所有数据，分别计算统计指标量，再进行统计分析，得到最终的分析结果。
优选地，所述步骤5进一步包括：将分析结果输入到预先定义好的评价模板，分别填充到各数据位置，自动生成统一的评测报告。
有益效果：
(1)本发明实现了根据用户选取的测试指标量和测试场景自动输出待评测数据的指标分析，相比传统自动驾驶数据分析方法，具有效率高、数据处理量大、统计指标准确的优点。
(2)本发明利用特征量一致性和/或位置一致性将待评测数据与真值数据进行配对，通过神经网络模型对配对后数据的匹配度进行优先级排序，然后将匹配度较高的数据作为分析对象，从而从海量数据中提取出能够满足用户指定测评指标、符合用户测评场景的数据，提升了测试的高效性与准确性。
附图说明
图1为本发明提供自动化测试的整体流程框架。
具体实施方式
以下结合附图，对本发明所述的方法做进一步的详细说明。图1为本发明的整体流程，如图所示，本系统提供的自动化测试方法主要步骤如下：
步骤S1：加载待评测数据，指定所需评测的评测指标和评测场景；根据评测场景加载标准场景数据作为真值数据。
本步骤从输入端获取所需评测的评测指标和评测场景，并加载待评测数据。
其中，评测指标例如包括探测目标的位置精度、速度精度、本车体位置精度、速度精度、横纵向加速度变化率等指标；
待评测数据定义统一的数据格式：infoDataStruct，此数据结构中包含有感知目标的位置、速度、加速度、协方差、车道线三次曲线方程参数等量，包含有定位数据位置、速度、加速度、角速度、航向角、角速度变化率、加速度变化率等信息，包含有轨迹点坐标、轨迹曲率、轨迹长度等信息，还包含有控制车身速度、加减速度、方向盘转角、转角变换率等。同时输入数据还具有标签属性，可在数据采集时，通过人工输入特殊场景的标记，例如采集过程遇到S型弯道，则采集员手动在程序输入此段数据为S弯场景的标签记录。
本步骤所述的评测场景作为待评测数据的标签，在待评测数据采集过程中输入，或者在加载待评测数据时输入。
本步骤根据评测场景加载标准场景数据作为真值数据时，从标准场景库中加载真值数据，库中的真值数据是采集的高精度传感数据且经过离线人工校验。例如128线激光雷达测出的感知障碍物位置、大小，高精度光纤惯导测出的加速度、角速度、航向角度，高精地地图输出的道路曲率、坡度等数据，其存储格式和所述infoDataStruct数据格式一致。本步骤可以根据用户选择的待评测场景，加载相关的标准场景库数据。
步骤S2：根据上述输入的待评测数据，计算生成其特征量。
本发明获取特征量的方式为：在一段时间内，跟踪待评测数据中各描述参数的变化趋势，如果某一或某些描述参数连续几次波动量均超过设定幅度，则这些过于波动的描述参数作为重点判断对象；计算“重点判断对象”的统计特征，如果统计特征大于或等于设定的统计特征阈值，则将所述“重点判断对象”的统计特性值作为特征量。所述“连续几次”可以通过设定一个次数门限来判定。
获取所述特征量时，所跟踪的描述参数包括速度、加速度、曲率变换率、角速度等一系列数据。例如，检索到纵向加速度在某一段时间内有连续的波动，则计算其标准差大小为0.5m/s2，满足特征量阈值关系，则判断此段数据的特征量为纵向加速度，且纵向加速度标准差为0.5m/s2。
步骤S3：根据特征量一致性和/或位置一致性将待评测数据与真值数据进行配对，形成数据对；所述位置一致性是指待评测数据中定位数据(车体位置)的一致性；所述特征量一致性是指特征量误差小于阈值。
本步骤对待评测数据和真值数据进行配对处理，包括如下子步骤：
步骤30：分别对待评测数据和真值数据进行滤波，筛出不在用户所需测评指标范围的数据；
步骤31：待评测数据与真值数据进行位置对齐：计算待评测数据与真值数据这两段数据的位置精度是否满足一定的误差要求，判断时可以采用车体横纵向XY位置精度来判断；若满足，则将待评测数据和真值数据并行存储在同一片内存中，以形成数据对；否则，执行步骤32。
步骤32：进行特征量对齐：对待评测数据与真值数据这两段数据的特征量进行m维误差判断，每一维代表一个特征量；如果两段数据的m个特征量均满足关联准则，则将待评测数据和真值数据并行存储在同一片内存中，以形成数据对。
本步骤主要是两段数据的特征量进行多维度误差判断：
假设1维度判断，例如判断两段数据的加速度特征量是否在0.5～0.8m/s2范围内，且两段加速度特征量相比较误差小于0.05m/s2；若满足，则两段数据满1维度关联准则，同样将待评测数据和真值数据并行存入同一个数据结构中；
假设2维度判断，例如计算两段数据的速度和曲率半径特征量，数据速度范围小于30km/h，曲率半径小于650m，且两段数据的速度、曲率半径相比较误差小于阈值，则可判断其满足2维度关联准则，同样将待评测数据和真值数据并行存入同一个数据结构中。
步骤S4：确定所述数据对匹配评测场景和评测指标的匹配度，将匹配度超过阈值的数据对作为分析对象。
本步骤采用神经网络确定匹配度。神经网络是经过大量数据训练，人工离线标注校验的驾驶模型，包含各种工况场景下汽车运动的特征量和状态量的信息组合。在使用时，将步骤S1指定的评测指标、测评场景和所述数据对输入到神经网络中，神经网络输出数据对的匹配度的得分，该匹配度表征了数据对提供所述评测指标的符合程度以及评测场景的匹配程度。优选地，这些数据对根据优先级排序，最满足要求的数据排列在最前端。
步骤S5：针对分析对象进行评测指标的分析，获得评测结果。
本步骤采用分析模块实现评测指标分析。进入分析模块以后，本发明建立两条不同线程的分析，包括统计分析和对比分析。
对比分析为：将待评测数据和真值数据进行时间空间同步插值处理，此处因为真值系统采集的频率比待评测数据的频率慢，因此为了提高对比分析的精度，通过离线运动模型的推算算法，插值真值系统的数据，让其数据量和待评测系统保持一致。而后根据用户选取的评测指标，对比计算获得两种数据的评测指标。例如可以获得评测指标的平均误差、均方误差等一系列指标值。
统计分析为：根据用户选取的时长，将待评测数据按照时间轴截取，计算截取段数据的统计指标量，包括误检率、漏检率、准确率等，然后再选取同一测评场景下符合该时长要求的所有数据，分别计算统计指标量，再进行统计分析，得到最终的分析结果；
最后将上述分析计算所得的指标量，输入到预先定义好的评价模板，分别填充到各数据位置，自动生成统一的评测报告。
以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种自动驾驶系统测试分析方法，其特征在于，包括：
步骤1、加载待评测数据，指定所需评测的评测指标和评测场景；根据评测场景加载标准场景数据作为真值数据；
步骤2、获取待评测数据的特征量：跟踪待评测数据中各描述参数的变化趋势，如果某一或某些描述参数连续n次波动量均超过设定幅度，则计算描述参数的统计特征，如果统计特征大于或等于设定的统计特征阈值，则将描述参数的统计特性值作为特征量；n为设定值；
步骤3、根据特征量一致性和/或位置一致性将待评测数据与真值数据进行配对，形成数据对；所述位置一致性是指待评测数据中定位数据的一致性；所述特征量一致性是指特征量误差小于阈值；
步骤4、确定所述数据对匹配评测场景和评测指标的匹配度，将匹配度超过阈值的数据对作为分析对象；
步骤5、针对分析对象进行评测指标的分析，获得评测结果。
2.如权利要求1所述的方法，其特征在于，待评测数据的描述参数包括自动驾驶系统的感知信息、定位信息、轨迹信息、车身运动信息；
所述感知信息包括感知目标位置、感知目标速度、感知目标加速度、感知目标协方差、车道线曲线方程参数中的一种或多种组合；
所述定位信息包括通过定位系统获得的车体位置、速度、加速度、角速度、航向角、角速度变化率、加速度变化率中的一种或多种组合；
所述轨迹信息包括轨迹点坐标、轨迹曲率、轨迹长度、
所述车身运动信息通过车体上的传感器获取的车身速度、加速度、方向盘转角、转角变换率中的一种或多种组合。
3.如权利要求1所述的方法，其特征在于，所述评测场景作为待评测数据的标签，在待评测数据采集过程中输入，或者在加载待评测数据时输入。
4.如权利要求1所述的方法，其特征在于，获取所述特征量时，所跟踪的描述参数包括车体速度、加速度、曲率变换率、角速度。
5.如权利要求1所述的方法，其特征在于，所述步骤3包括：
步骤31：待评测数据与真值数据进行位置对齐：计算待评测数据与真值数据这两段数据的位置精度是否满足设定的误差要求；若满足，则将待评测数据和真值数据并行存储在同一片内存中，以形成数据对；否则，执行步骤32；
步骤32：进行特征量对齐：对待评测数据与真值数据这两段数据的特征量进行m维误差判断，每一维代表一个特征量；如果两段数据的m个特征量均满足关联准则，则将待评测数据和真值数据并行存储在同一片内存中，以形成数据对；m为大于或等于1的整数。
6.如权利要求5所述的方法，其特征在于，所述步骤31之前，进一步对待评测数据和真值数据进行滤波，筛出不在用户所需测评指标范围的数据，进入步骤31的操作。
7.如权利要求1所述的方法，其特征在于，所述步骤4采用神经网络确定匹配度：利用各种场景下汽车运动的数据训练神经网络；在使用时，将步骤1指定的评测指标、测评场景和所述数据对输入到神经网络中，神经网络输出数据对的匹配度的得分，该匹配度表征了数据对提供所述评测指标的符合程度以及评测场景的匹配程度。
8.如权利要求1所述的方法，其特征在于，所述步骤5包括统计分析和对比分析；
所述对比分析为：将待评测数据和真值数据进行时间空间同步插值处理，让待评测数据和真值数据的数据量保持一致，而后根据步骤1指定的评测指标，对比计算获得两种数据的评测指标；
所述统计分析为：根据用户选取的时长，将待评测数据按照时间轴截取，计算截取段数据的统计指标量，然后再选取同一评测场景下符合所述时长的所有数据，分别计算统计指标量，再进行统计分析，得到最终的分析结果。
9.如权利要求1所述的方法，其特征在于，所述步骤5进一步包括：将分析结果输入到预先定义好的评价模板，分别填充到各数据位置，自动生成统一的评测报告。
CN202110366091.0A 2021-04-06 2021-04-06 一种自动驾驶系统测试分析方法 Active CN113074959B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110366091.0A CN113074959B (zh) 2021-04-06 2021-04-06 一种自动驾驶系统测试分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110366091.0A CN113074959B (zh) 2021-04-06 2021-04-06 一种自动驾驶系统测试分析方法

Publications (2)

Publication Number Publication Date
CN113074959A CN113074959A (zh) 2021-07-06
CN113074959B true CN113074959B (zh) 2022-03-25

Family

ID=76614976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110366091.0A Active CN113074959B (zh) 2021-04-06 2021-04-06 一种自动驾驶系统测试分析方法

Country Status (1)

Country Link
CN (1) CN113074959B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114543830A (zh) * 2022-02-28 2022-05-27 重庆长安汽车股份有限公司 一种基于真值系统的车载传感器噪声估计系统及方法
CN114707909B (zh) * 2022-05-23 2022-10-21 北京宏景智驾科技有限公司 场景评价方法和装置、电子设备和存储介质
CN116067677A (zh) * 2023-02-22 2023-05-05 中汽院智能网联科技有限公司 一种自动驾驶道路测试系统及分析方法
CN116303103B (zh) * 2023-05-19 2023-08-15 小米汽车科技有限公司 自动驾驶场景库的评测集生成方法、装置及设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109327695A (zh) * 2017-08-01 2019-02-12 福特全球技术公司 用于高度现实的虚拟测试驾驶场景的测试驾驶场景数据库系统
CN109520744A (zh) * 2018-11-12 2019-03-26 百度在线网络技术（北京）有限公司 自动驾驶车辆的驾驶性能测试方法和装置
CN110006488A (zh) * 2019-04-09 2019-07-12 北京百度网讯科技有限公司 真值获取方法、车辆感知装置的检测方法及相关设备
CN110606093A (zh) * 2019-09-26 2019-12-24 中国第一汽车股份有限公司 车辆性能评测方法、装置、设备和存储介质
CN110766061A (zh) * 2019-10-15 2020-02-07 武汉中海庭数据技术有限公司 一种道路场景匹配方法及装置
CN111983935A (zh) * 2020-08-19 2020-11-24 北京京东叁佰陆拾度电子商务有限公司 一种性能评测方法和装置
CN112540352A (zh) * 2019-09-20 2021-03-23 初速度（苏州）科技有限公司 一种基于无人驾驶车辆的评测目标检测算法的方法及装置
WO2021057059A1 (zh) * 2019-09-29 2021-04-01 华为技术有限公司 一种神经网络的获取方法以及相关设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107782564B (zh) * 2017-10-30 2019-12-13 青岛慧拓智能机器有限公司 一种自动驾驶车辆测评系统及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109327695A (zh) * 2017-08-01 2019-02-12 福特全球技术公司 用于高度现实的虚拟测试驾驶场景的测试驾驶场景数据库系统
CN109520744A (zh) * 2018-11-12 2019-03-26 百度在线网络技术（北京）有限公司 自动驾驶车辆的驾驶性能测试方法和装置
CN110006488A (zh) * 2019-04-09 2019-07-12 北京百度网讯科技有限公司 真值获取方法、车辆感知装置的检测方法及相关设备
CN112540352A (zh) * 2019-09-20 2021-03-23 初速度（苏州）科技有限公司 一种基于无人驾驶车辆的评测目标检测算法的方法及装置
CN110606093A (zh) * 2019-09-26 2019-12-24 中国第一汽车股份有限公司 车辆性能评测方法、装置、设备和存储介质
WO2021057059A1 (zh) * 2019-09-29 2021-04-01 华为技术有限公司 一种神经网络的获取方法以及相关设备
CN110766061A (zh) * 2019-10-15 2020-02-07 武汉中海庭数据技术有限公司 一种道路场景匹配方法及装置
CN111983935A (zh) * 2020-08-19 2020-11-24 北京京东叁佰陆拾度电子商务有限公司 一种性能评测方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于场景的自动驾驶汽车虚拟测试研究进展;朱冰 等;《中国公路学报》;20190630(第6期);第1-19页 *

Also Published As

Publication number Publication date
CN113074959A (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN113074959B (zh) 一种自动驾驶系统测试分析方法
CN111192284B (zh) 一种车载激光点云分割方法及系统
CN110648529B (zh) 一种车辆行驶轨迹的渲染方法、装置、设备及存储介质
CN107238500B (zh) 汽车操纵稳定性试验快速评价系统建立方法
CN111290370B (zh) 一种自动驾驶性能检测方法和装置
CN103473540A (zh) 智能交通系统车辆轨迹增量式建模与在线异常检测方法
CN107169223A (zh) 基于汽车操纵稳定性试验评价系统的车辆参数调教方法
Contreras et al. O-poco: Online point cloud compression mapping for visual odometry and slam
Wen et al. Research on 3D point cloud de-distortion algorithm and its application on Euclidean clustering
CN114545400A (zh) 基于毫米波雷达的水面机器人的全局重定位方法
CN112462759B (zh) 规控算法的评估方法、系统及计算机存储介质
Li et al. A remaining useful life prediction method considering the dimension optimization and the iterative speed
CN115609595B (zh) 一种机械臂的轨迹规划方法、装置、设备及可读存储介质
CN116576863A (zh) 一种玉米数据采集机器人作物行间导航路径识别方法、计算机设备及介质
CN113204246A (zh) 一种无人机运行状态检测方法
CN114511590A (zh) 基于单目视觉3d车辆检测与跟踪的路口多引导线构建方法
CN113051976A (zh) 指纹定位方法、装置、电子设备及存储介质
CN113094358A (zh) 一种消除点云数据中重复点的方法、装置和系统
CN116975561B (zh) 一种基于step格式的车床工艺识别方法
CN114295640B (zh) 一种容器焊缝识别方法及系统
CN116557521B (zh) 一种用于高速变速器的数据处理及相关装置
CN114485681B (zh) 一种利用dr轨迹评价中精度地图数据一致率的方法
CN112927117B (zh) 基于区块链的车辆管理通信方法、管理系统、设备及介质
Ginting Vehicle Detection Simulation using YOLOv4 on Autonomous Vehicle System
Yang Visual navigation method for agricultural mobile robots based on spatial continuity clustering algorithm

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