CN113109055A - 测试场景等级计算方法、装置及计算机存储介质 - Google Patents
测试场景等级计算方法、装置及计算机存储介质 Download PDFInfo
- Publication number
- CN113109055A CN113109055A CN202010027763.0A CN202010027763A CN113109055A CN 113109055 A CN113109055 A CN 113109055A CN 202010027763 A CN202010027763 A CN 202010027763A CN 113109055 A CN113109055 A CN 113109055A
- Authority
- CN
- China
- Prior art keywords
- complexity
- scene
- test
- complexity factor
- parameter set
- 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.)
- Pending
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 176
- 238000004364 calculation method Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims description 54
- 238000001556 precipitation Methods 0.000 claims description 35
- 238000005286 illumination Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000011156 evaluation Methods 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011990 functional testing Methods 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- 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
- G01M17/0078—Shock-testing of vehicles
Abstract
本申请实施例提供一种测试场景等级计算方法、装置及计算机存储介质。该测试场景等级计算方法包括:获取测试场景模型的参数集合;根据参数集合计算测试场景模型的复杂度;根据待测车辆和目标车辆的位置条件,计算测试场景模型的危险度,位置条件包括以下至少一项:碰撞时间、制动时间、期望减速度;根据复杂度、危险度和暴露度确定测试场景模型的等级,暴露度用于指示测试场景的发生频率。通过对测试场景中的参数集合进行复杂度、危险度和暴露度的计算,确定车辆在不同测试场景下的测试得分系数,进而确定测试场景模型的等级,提高测试场景结果的有效性及科学性。
Description
技术领域
本申请实施例涉及测试等级计算领域,尤其涉及一种测试场景等级计算方法、装置及计算机存储介质。
背景技术
随着车辆行业的快速发展,对车辆自动驾驶功能的检测可以提升车辆的安全性,通过设置不同的测试场景,例如封闭场地测试的测试场景,开放道路测试的测试场景,检测车辆在测试场景中自动驾驶的安全性与稳定性。
现有技术中,根据测试场景对车辆自动驾驶功能进行测试,根据车辆能否通过不同的测试场景的测试,判断车辆的性能,并根据测试结果来验证自动驾驶车辆的性能。
然而,目前的自动驾驶测试场景缺少合适的评价指标,车辆在不同测试场景下测试通过与否对功能安全性、有效性和科学性的验证不同,难以体现测试场景的等级测试评价,使得自动驾驶功能测试评价的合理性、科学性和有效性不高。
发明内容
有鉴于此,本发明实施例所解决的技术问题之一在于提供测试场景等级计算方法、装置及计算机存储介质,用以克服现有技术中缺乏对自动驾驶测试场景的等级测试评价,使得自动驾驶功能测试评价的合理性、科学性和有效性不高的缺陷。
第一方面,本申请实施例提供了一种测试场景等级计算方法,方法包括:
获取测试场景模型的参数集合;
根据参数集合计算测试场景模型的复杂度;
根据待测车辆和目标车辆的位置条件,计算测试场景模型的危险度,位置条件包括以下至少一项:碰撞时间、制动时间、期望减速度;
根据复杂度、危险度和暴露度确定测试场景模型的等级,暴露度用于指示测试场景的发生频率。
可选地,在本申请的一个实施例中,该方法还包括:
确定驾驶场景的场景要素,并根据场景要素在w个参数中确定参数集合,根据参数集合生成测试场景模型,驾驶场景为自然驾驶场景或事故场景。
可选地,在本申请的一个实施例中,该方法还包括:
将场景转化为与环境、道路、待测车辆及交通相关的w个参数,w个参数包括m个环境参数、n个道路参数、i个待测车辆参数和j个交通参数,w是m、n、i、j的和,m、n、i、j为大于0的整数。
可选地,在本申请的一个实施例中,根据参数集合计算测试场景模型的复杂度,包括:
根据参数集合计算至少一个复杂度因子,复杂度因子包括环境复杂度因子、道路复杂度因子、待测车辆复杂度因子、交通复杂度因子中的至少一项;
计算至少一个复杂度因子的加权平均值作为复杂度。
可选地,在本申请的一个实施例中,复杂度因子包括环境复杂度因子,方法还包括:
根据参数集合中的降水量、能见度及光照计算环境复杂度因子。
可选地,在本申请的一个实施例中,方法还包括:
对参数集合中的降水量进行归一化处理,根据归一化后的降水量计算得到降水量复杂度因子;
对参数集合中的能见度进行归一化处理,根据归一化后的能见度计算得到能见度复杂度因子;
对参数集合中的光照进行归一化处理,根据归一化后的光照计算得到光照复杂度因子;
将降水量复杂度因子、能见度复杂度因子及光照复杂度因子的平均值确定为环境复杂度因子。
可选地,在本申请的一个实施例中,复杂度因子包括道路复杂度因子,方法还包括:
根据参数集合中的道路类型、道路曲率半径及坡度确定道路复杂度因子。
可选地,在本申请的一个实施例中,复杂度因子包括待测车辆复杂度因子,方法还包括:
根据参数集合中的待测车辆初速度及动态驾驶任务计算待测车辆复杂度因子。
可选地,在本申请的一个实施例中,复杂度因子包括交通复杂度因子,方法还包括:
根据参数集合中的交通参与者的数量、交通参与者的类型及交通参与者的行为计算交通复杂度因子。
第二方面,本申请实施例提供了一种测试场景等级计算装置,装置包括获取模块,第一计算模块,第二计算模块,确定模块;
获取模块,用于获取测试场景模型的参数集合;
第一计算模块,用于根据参数集合计算测试场景模型的复杂度;
第二计算模块,用于根据待测车辆和目标车辆的位置条件,计算测试场景模型的危险度,位置条件包括以下至少一项:碰撞时间、制动时间、期望减速度;
确定模块,用于根据复杂度、危险度和暴露度确定测试场景模型的等级,暴露度用于指示测试场景的发生频率。
第三方面,本申请实施例提供了一种电子设备,包括:至少一个处理器;存储装置,用于存储至少一个程序;当至少一个程序被至少一个处理器执行时,使得至少一个处理器实现如第一方面或第一方面的任意一个实施例中所描述的方法。
第四方面,本申请实施例提供了一种计算机存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现如第一方面或第一方面的任意一个实施例中所描述的方法。
本申请实施例中提供了一种测试场景等级计算方法、装置及计算机存储介质,该测试场景等级计算方法通过获取测试场景模型的参数集合;根据参数集合计算测试场景模型的复杂度;根据待测车辆和目标车辆的位置条件,计算测试场景模型的危险度,位置条件包括以下至少一项:碰撞时间、制动时间、期望减速度;根据复杂度、危险度和暴露度确定测试场景模型的等级,暴露度用于指示测试场景的发生频率。通过对测试场景中的参数集合进行复杂度、危险度和暴露度的计算,确定车辆在不同测试场景下的测试得分系数,进而确定测试场景模型的等级,提高测试场景结果的有效性及科学性。
附图说明
下文将参照附图以示例性而非限制性的方式详细描述本申请实施例的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比值绘制的。附图中:
图1为本申请实施例提供的一种测试场景等级计算方法的流程图;
图2为本申请实施例提供的一种场景参数化示意图;
图3为本申请实施例提供的一种测试场景等级计算的逻辑框图;
图4为本申请实施例提供的一种测试场景等级计算装置;
图5为本申请实施例提供的一种电子设备的结构图。
具体实施方式
下面结合本发明实施例附图进一步说明本发明实施例具体实现。
实施例一
需要说明的是,本申请中的第一和第二只是为了区分名称,并不代表顺序关系,例如,第一计算模块用于根据参数集合计算测试场景模型的复杂度,第二计算模块用于根据待测车辆和目标车辆的位置条件,计算测试场景模型的危险度。
本申请实施例一提供一种测试场景等级计算方法,可以应用在自动驾驶、智能驾驶、无人驾驶等高级驾驶的应用场景中,图1为本申请实施例提供的一种测试场景等级计算方法的流程图,如图1所示,该测试场景等级计算方法包括以下步骤:
步骤101、获取测试场景模型的参数集合。
需要说明的是,参数集合中包含多个环境参数、多个道路参数、多个待测车辆参数及多个交通参数等,环境参数中可以包括温度、湿度、光照、降水量、能见度和时刻等,道路参数中可以包括道路类型、道路结构、车道宽度、道路曲率半径、道路坡度等,待测车辆参数可以包括行驶车道、动态驾驶任务、初始速度、设定巡航速度、设定跟车时间和距离等,交通参数可以包括交通参与者数量、交通参与者类型、行驶车道、动态行为、位置、相对距离、速度及加速度等,此处对环境参数、道路参数、待测车辆参数及交通参数仅做举例说明,并不代表本申请实施例局限于此。在本申请实施例中的测试场景模型可以通过对场景要素进行场景参数重新组合生成,也可以通过获取构建好的测试场景模型,对此本申请实施例不做限制,只要是能得到测试场景模型的参数集合即可。
步骤102、根据参数集合计算测试场景模型的复杂度。
可选的,在本申请的一种实施例中,根据参数集合计算至少一个复杂度因子,复杂度因子包括环境复杂度因子、道路复杂度因子、待测车辆复杂度因子、交通复杂度因子中的至少一项;计算至少一个复杂度因子的加权平均值作为复杂度。
需要说明的是,测试场景模型的复杂度因子可以包括环境复杂度因子、道路复杂度因子、待测车辆复杂度因子和交通复杂度因子中的任意一个,也可以包含其中的两个、三个或全部包含,对此本申请不做限制。在本申请实施例中,是通过计算至少一个复杂度因子的加权平均值,将加权平均值作为测试场景模型的复杂度,在此,本申请实施例中仅做示例性说明,并不代表本申请局限于此。
场景复杂度计算可以根据信息熵理论,信息熵用于指示某种特定信息的出现概率,信息熵在信息论中用于度量信息量。例如,一个系统越是有序,信息熵就越低;反之,一个系统越是混乱,信息熵就越高。在本申请中根据信息熵的思路,对场景的环境、道路、待测车辆及交通,这四个维度分别进行复杂度的计算,用公式一表示如何计算复杂度:
CX=log2(Fk+1),公式一
公式一中的CX表示不同维度的复杂度,Fk表示不同维度中不同参数的量化度量值,Fk的大小取值为大于0且小于1,log为对数函数,不同参数的复杂度因子通过公式二进行融合。
C=∑ωkCk,公式二
公式二中的ωk表示参数k所占的比重,C表示复杂度,将Ck与参数k所占的比重相乘后进行求和作为复杂度。
可选的,在本申请的一种实施例中,复杂度因子包括环境复杂度因子,方法还包括:根据参数集合中的降水量、能见度及光照计算环境复杂度因子。
需要说明的是,在本申请实施例中,参数集合中的环境参数是以降水量、能见度及光照示出,根据实际情况,环境参数还可以包括其他参数,并不代表本申请局限于此。
可选的,对参数集合中的降水量进行归一化处理,根据归一化后的降水量计算得到降水量复杂度因子;对参数集合中的能见度进行归一化处理,根据归一化后的能见度计算得到能见度复杂度因子;对参数集合中的光照进行归一化处理,根据归一化后的光照计算得到光照复杂度因子;将降水量复杂度因子、能见度复杂度因子及光照复杂度因子的平均值确定为环境复杂度因子。
从环境维度对场景复杂度进行计算,示例的,根据环境参数中的降水量(pre)、能见度(vis)和光照(ill)对复杂度因子进行计算,这三个参数都是可量化的,分别通过公式三到公式五的归一化公式进行归一化处理:
公式三中的pre表示降水量,Fw表示归一化后的降水量参数。
公式四中的vis表示能见度,Fvis表示归一化后的能见度参数。
公式五中的ill表示光照,Fill表示归一化后的光照参数。
将公式三到公式五中归一化后的降水量参数、能见度参数、光照参数代入复杂度的计算公式中,得到降水量的复杂度因子、能见度的复杂度因子、光照的复杂度因子,复杂度计算如公式六到公式八所示。
Cw=log2(1+Fw),公式六
公式六中的Cw表示降水量的复杂度因子。
Cvis=log2(1+Fvis),公式七
公式六中的Cvis表示能见度的复杂度因子。
Cill=log2(1+Fill),公式八
公式六中的Cill表示光照的复杂度因子。
对小雨(雪)、中雨(雪)、大雨(雪)、暴雨(雪)及以上进行了降水量的分级,通过公式计算可以得到相应的降水量复杂度因子Cw,如表1所示,表1为本申请实施例提供的降水量复杂度因子Cw。
降水量分级 | 12小时降水总量(毫米) | 复杂度C<sub>w</sub> |
晴天 | 0 | 0 |
小雨(小雪) | <5(<1) | 0.32 |
中雨(中雪) | 5–15(1-3) | 0.71 |
大雨(大雪) | 15–30(3-6) | 0.93 |
暴雨及以上(暴雪及以上) | >30(>6) | 1 |
表1中,例如,当降水量分级为晴天时,12小时降水总量为0mm,计算复杂度Cw为0。当降水量分级为暴雪时,12小时降水总量大于30mm,对降水量进行归一化处理,并计算复杂度因子Cw为1。
表2为本申请实施例提供的能见度复杂度因子Cvis。
能见度分级 | 视程 | 复杂度C<sub>vis</sub> |
能见度极好 | >2km | 0 |
轻雾 | >1km | 0.25 |
中雾 | <500m | 0.46 |
浓雾 | <200m | 0.85 |
大雾及以上 | <50m | 1 |
表2中,视程用于表示视线距离,例如,能见度为轻雾时,视程大于2km,计算能见度复杂度因子Cvis为0。当能见度为大雾时,视程小于50m,计算能见度复杂度因子Cvis为1。
表3为本申请实施例提供的光照复杂度因子Cill。
照度分级 | 视程 | 复杂度C<sub>ill</sub> |
晴天 | >2km | 0 |
阴天 | >1km | 0.46 |
夜晚 | <500m | 1 |
表3中,视程用于表示视线距离,例如,当照度为阴天时,视程大于1km,计算照度复杂度因子Cill为0.46。
将降水量复杂度、能见度复杂度及光照复杂度代入公式二中,可以计算得到环境复杂度因子,根据公式九计算得到环境复杂度因子CE。
公式九中的CE表示环境复杂度因子,可以通过三维矩阵进行笛卡尔正交,查表得到环境复杂度因子。
可选的,在本申请的一种实施例中,复杂度因子包括道路复杂度因子,方法还包括:根据参数集合中的道路类型、道路曲率半径及坡度确定道路复杂度因子。
需要说明的是,在本申请实施例中,参数集合中的道路参数是以道路类型、道路曲率半径及坡度示出,根据实际情况,道路参数还可以包括其他参数,并不代表本申请局限于此。
从道路维度对场景复杂度进行计算,示例的,道路参数对复杂度的主要影响体现在道路类型、道路曲率半径及坡度,这三个参数都是可量化的,其中道路类型可以通过道路限速来衡量,通过对三个参数的复杂度因子进行计算和组合矩阵后,可通过查表得到道路复杂度因子CR,表4为本申请实施例提供的道路复杂度因子CR,如表4所示。
表4中,例如,道路类型为城市快速路、道路坡度为0-6%、道路曲率半径为1000m时的道路复杂度因子为0.55,道路类型为乡村道路、道路坡度为0-6%、道路曲率半径为250m时的道路复杂度因子为0.89。
可选的,在本申请的一种实施例中,复杂度因子包括待测车辆复杂度因子,方法还包括:根据参数集合中的待测车辆初速度及动态驾驶任务计算待测车辆复杂度因子。
需要说明的是,在本申请实施例中,参数集合中的待测车辆参数是以待测车辆初速度及动态驾驶任务示出,根据实际情况,待测车辆参数还可以包括其他参数,并不代表本申请局限于此。
从待测车辆维度对场景复杂度进行计算,示例的,待测车辆参数对复杂度的主要影响体现在待测车辆初速度和待测车辆动态驾驶任务,这两个参数都是可量化的,通过对两个参数的复杂度因子进行计算和组合矩阵后,可通过查表得到道路复杂度因子CSV。
可选的,在本申请的一种实施例中,复杂度因子包括交通复杂度因子,方法还包括:根据参数集合中的交通参与者的数量、交通参与者的类型及交通参与者的行为计算交通复杂度因子。
需要说明的是,在本申请实施例中,参数集合中的交通参数是以交通参与者的数量、交通参与者的类型及交通参与者的行为示出,根据实际情况,交通参数还可以包括其他参数,并不代表本申请局限于此。
从交通维度对场景复杂度进行计算,示例的,交通参与者信息对场景复杂度的影响体现在交通参与者数量、交通参与者类型及交通参与者行为,可以通过公式十到公式十二进行复杂度因子的计算。
根据对待车车辆的周围区域的划分,在本申请实施例中交通参与者数量上限设置为8,交通参与者类型和行为也是可量化的,示例的,交通参与者类型和行为的最大值都设置为8。通过公式九到公式十二得到的三个复杂度因子的加权平均得到交通参与者复杂度因子CT。可以通过三维矩阵进行笛卡尔正交,得到交通复杂度因子。如表5所示,表5为本申请实施例提供的交通复杂度因子CT。
表5中,例如,交通参与者数量为3、交通参与者类型数量是2、动态驾驶任务数量是3时的交通复杂度因子为0.67;又如,交通参与者数量为6、交通参与者类型数量是1、动态驾驶任务数量是4时的交通复杂度因子为0.74。
根据场景四个维度的复杂度因子,环境复杂度因子、道路复杂度因子、交通复杂度因子、待测车辆复杂度因子计算得到测试场景模型的复杂度,场景模型的复杂度可以通过对四个维度的复杂度因子进行加权平均得到,最后根据场景复杂度的值,确定复杂度的分级,如表6所示,表6为本申请实施例提供的测试场景复杂度等级。
复杂度等级 | C<sub>1</sub> | C<sub>2</sub> | C<sub>3</sub> |
复杂度区间 | <0.6 | 0.6-0.8 | >0.8 |
描述 | 一般复杂 | 中等复杂 | 复杂 |
表6中,复杂度等级分为3级,当场景复杂度的值小于0.6时,复杂度等级为C1,复杂度为一般复杂;当场景复杂度的值大于等于0.6且小于等于0.8时,复杂度等级为C2,复杂度为中等复杂;当场景复杂度的值大于0.8时,复杂度等级为C3,复杂度为复杂。
步骤103、根据待测车辆和目标车辆的位置条件,计算测试场景模型的危险度。
其中,位置条件包括以下至少一项:碰撞时间、制动时间、期望减速度。
用公式计算碰撞时间,TTC表示碰撞时间,Δp表示待测车辆和目标车辆之间的距离,vego表示目标车辆的速度,vobj表示待测车辆的速度,vrel表示目标车辆与待测车辆之间的速度差。用公式计算制动时间,THW表示制动时间,Δp表示待测车辆和目标车辆之间的距离,vego表示目标车辆的速度。用公式计算期望减速度,areq表示期望减速度,aobj表示待测车辆的加速度,vrel表示目标车辆与待测车辆之间的速度差,Δp表示待测车辆和目标车辆之间的距离。通过碰撞时间、制动时间、期望减速度对场景危险度进行分级,如表7所示,表7为本申请实施例提供的测试场景危险度分级。
危险度等级 | 碰撞时间TTC | 制动时间THW | 期望减速度a<sub>req</sub> |
S<sub>0</sub>(不危险) | >3.9s | >-2m/s<sup>2</sup> | >2s |
S<sub>1</sub>(轻度危险) | 3.9s~2.2s | -4m/s<sup>2</sup>~-2m/s<sup>2</sup> | 1.5s~2s |
S<sub>2</sub>(一般危险) | 2.2s~0.8s | -6m/s<sup>2</sup>~-4m/s<sup>2</sup> | 1s~1.5s |
S<sub>3</sub>(严重危险) | <0.8s | <-6m/s<sup>2</sup> | <1s |
表7中,例如,当碰撞时间TTC大于3.9s、制动时间THW大于-2m/s2、期望减速度areq大于2s时,测试场景的危险度为S0,危险等级为不危险。又如,当碰撞时间TTC小于0.8s、制动时间THW小于-6m/s2、期望减速度areq小于1s时,测试场景的危险度为S3,危险等级为严重危险。
步骤104、根据复杂度、危险度和暴露度确定测试场景模型的等级。
其中,暴露度用于指示测试场景的发生频率。
需要说明的是,极为复杂或者危险测试场景也有可能极少发生,这样的场景在测试中所占的测试比例也要根据发生的频率做相应的控制,同时这样的场景所占的比分也要根据发生频率进行控制。在本申请实施例中对暴露度等级的划分,如表8所示,表8为本申请实施例提供的测试场景暴露度分级。
表8中,例如,若场景在一年里不超过一两次,则为低概率场景,场景暴露度等级划分为E1,若场景每个月发生1到2次,则场景为中等概率场景,场景暴露度等级划分为E2,若场景每周都会发生,或者发生的频率更高,则为高概率场景,场景暴露度等级划分为E3。
在得到场景复杂度、场景危险度和场景暴露度之后,可以依据汽车安全完整性等级(Automotive Safety Integration Level,简称ASIL)确认的方式,对测试场景进行划分,ASIL等级用于描述系统能够实现指定安全目标的概率高低。根据场景等级获取场景权重值,ASIL有四个等级,分别为A,B,C,D,其中ASILA是最低的安全等级,ASILD是最高的安全等级。影响ASIL等级的三个基本要素是危险度(Severity)、暴露度(Exposure)和复杂度(Controllability),危险度,用于描述一旦风险成为现实,相关人员、财产将遭受损害的程度,例如电子锁故障就比刹车故障的严重程度低;暴露度,用于描述风险出现时,人员或者财产可能受到影响的概率,比如底盘出现异响比乘员座椅故障暴露度低;复杂度,用于描述风险出现时,驾驶员等在多大程度上可以采取主动措施避免损害的发生,轮胎缓慢漏气比刹车失灵可控性高。根据复杂度、危险度和暴露度对场景权重进行划分,如表9所示,表9为本申请实施例提供的测试场景测试得分系数划分。
表9中,例如,当场景危险度是S0、场景暴露度是E3、场景复杂度是C2时,场景权重是0.2。又如,当场景危险度是S3、场景暴露度是E2、场景复杂度是C3时,场景权重是0.8。通过对测试场景的测试得分系数进行划分,可以通过查表的方式得到测试场景的权重值。进一步的,对于单个场景的测试通过与否取决于其他性能指标,例如安全性、舒适性,对于横纵向速度、加速度、加速度变化值的限制等,在测试场景时,需要考虑该场景的权重值,可以根据测试场景的权重值和场景的其他参数值得到场景测试得分。
本申请实施例中的测试场景等级计算方法,可以应用在自动驾驶、智能驾驶、无人驾驶等高级驾驶的应用场景中,通过对测试场景的进行参数量化,对测试场景中的参数集合进行复杂度、危险度和暴露度的计算,确定车辆在不同测试场景下的测试得分系数,进而可以得到车辆在不同测试场景下的等级测试评价,确定测试场景的等级评价指标,有利于提高测试场景的结果有效性和科学性。
实施例二、
本申请实施例提供了一种建立测试场景模型方法,通过采集获取多个场景,并将场景转化为与环境、道路、待测车辆及交通相关的w个参数,w个参数包括m个环境参数、n个道路参数、i个待测车辆参数和j个交通参数,w是m、n、i、j的和,m、n、i、j为大于0的整数;
真实的驾驶场景是千变万化的,场景要素非常多,包含有环境要素、交通要素等,有的场景要素是重复出现的,并且场景要素对驾驶场景的影响也不相同,场景模型会采取模块化的解决方法,例如,将场景分为人、车、路三位一体的模型结构。随着自动驾驶功能的逐渐丰富,自动驾驶功能和场景的相关性越来越大,对于场景的结构划分也需要更加细化,本申请实施例按照场景要素的类型对场景进行维度划分,将场景分为环境、道路、待测车辆与交通四个维度,所有的场景要素都包含在这四个维度之内。
对场景的维度进行划分实现了场景的模块化,可以适应于场景仿真软件模块化的建模思路,很多场景来源于自然驾驶采集,是通过一定的采集设备获取的,采集设备能采集到的场景信息是量化的,例如,毫米波雷达探测到的目标车信息,可以包括相对横纵向距离、相对速度、相对加速度等;再如,摄像头获取到道路信息包括道路宽度,道路曲率等,本申请实施例通过结合采集设备能够采集到的场景信息及仿真建模软件对场景建模的输入信息的需求,对场景进行如图2所示的场景参数化,图2为本申请实施例提供了一种场景参数化示意图,将环境维度中的要素转化为m个环境参数,例如,温度、湿度、光照、降水量、能见度和时刻等参数,此处仅做示例性说明,并不代表本申请的m个环境参数仅限于此,这些环境参数对自动驾驶功能有明显影响;将道路维度中的要素转化为n个道路参数,例如,道路类型、道路结构、车道宽度、道路曲率半径、道路坡度等参数,此处仅做示例性说明,并不代表本申请的n个道路参数仅限于此,这些道路参数在静态场景构建时不可或缺;将待测车辆维度中的要素转化为i个待测车辆参数,例如,行驶车道、动态驾驶任务、初始速度、设定巡航速度、设定跟车时间和距离等参数,此处仅做示例性说明,并不代表本申请的i个待测车辆参数仅限于此,具体的,在自动驾驶功能测试验证时,可以将测试场景中的待测车辆控制模型,设置为初始位置、速度及驾驶员设置等参数;将交通维度中的要素转化为j个交通参数,例如,交通参与者数量、交通参与者类型、行驶车道、动态行为、位置、相对距离、速度及加速度等参数,此处仅做示例性说明,并不代表本申请的j个交通参数仅限于此;其中m、n、i、j均为大于0的整数。
在批量建立场景模型时,以及在对建立的场景模型进行驾驶自动化测试时,需要场景中的要素是可以量化的,对场景进行参数化后,可以通过参数化的场景要素进行构建场景模型,进而对建立的场景模型进行驾驶自动化测试。本申请实施例中通过对场景要素进行参数化,对场景参数进行重新组合得到测试场景模型,可以避免重复构建测试场景模型,提高构建测试场景模型的高效性。
可选的,在本申请的一种实施例中,通过确定驾驶场景的场景要素,并根据场景要素在w个参数中确定参数集合,根据参数集合生成测试场景模型,驾驶场景为自然驾驶场景或事故场景。
需要说明的是,自然驾驶场景或事故场景中参数是可量化的,是有数值的,通过采集自然驾驶场景或事故场景,可以使得测试场景模型是由不同的具体数字构建的,是跟实际中的场景有对应性的,是有参考价值的。自然驾驶场景或事故场景均是有多个,根据某一个自然驾驶场景或某一个事故场景可以生成一个测试场景模型,一个测试场景模型对应一个参数集合。
对采集的自然驾驶场景进行标注和场景提取,例如,根据采集自然驾驶场景中的数据信息,根据自然驾驶场景中的数据信息确定自然驾驶场景要素,示例的,某一个自然驾驶场景的环境参数中,温度为28℃、2小时降水总量为4mm、能见度视线距离为2km等,并根据自然驾驶场景要素,从w个参数确定出的参数集合中,将环境参数设置为温度为28℃、12小时降水总量为4mm、能见度视线距离为2km等,参数集合是对环境参数、道路参数、待测车辆参数及交通参数进行重新组合,示例的,某一个参数集合中,道路参数包括道路类型、道路结构、道路坡度等,交通参数包括交通参与者数量、交通行驶车道等,待测车辆参数包括行驶车大、初始速度等,环境参数包括温度、能见度、光照等;根据参数集合生成测试场景模型。根据自然驾驶场景要素,通过参数重组构建测试场景模型,可以获取测试场景的分布,使得测试场景能够覆盖自然驾驶场景,提高测试场景模型构建一致性,进而提高对测试场景模型进行等级计算时的统一性,提高测试场景结果的有效性和科学性。
进一步的,还可以通过对事故场景分析,对采集的事故场景进行标注和场景提取,例如,根据采集事故场景中的数据信息,根据事故场景中的数据信息确定事故场景要素,根据事故场景要素,在w个参数中确定参数集合,根据参数集合生成测试场景模型。事故场景要素是对测试场景模型的进一步完善,可选的,可以预先设置覆盖度数值,当构建的测试场景模型的覆盖度未达到设置覆盖度数值,通过对事故场景进行数据采集,进一步对测试场景模型进行补充和完善,直到测试场景模型的场景覆盖度达到预设的覆盖度数值,提高测试场景模型构建的完善度。
实施例三、
本申请实施例提供了一种建立测试场景的方法并对测试场景等级进行计算,如图3所示,图3为本申请实施例提供的一种测试场景等级计算的逻辑框图。本申请实施例按照场景要素的类型对场景进行维度划分,将场景分为环境、道路、待测车辆与交通四个维度,所有的场景要素都包含在这四个维度之内。并对场景进行参数化,将场景要素转化为与环境、道路、待测车辆及交通对应的参数。对场景进行参数化后,可以通过参数化的场景要素进行参数化重组,构建多个场景模型,多个场景模型形成了测试场景库,进而对建立的场景模型进行驾驶自动化等级的测试。
对场景维度进行划分后,可以根据参数集合对测试场景的复杂度、危险度和暴露度进行计算,然后对测试场景的复杂度、危险度和暴露度进行综合,得到测试场景的场景权重,得到测试场景的等级划分。
在计算驾驶自动化的测试等级可以包含有测试场景模型,还可以包含有测试场景的场景权重,还可以综合考虑测试场景模型的通过参数,例如,安全性、舒适性等,最终确定车辆在不同测试场景下的测试得分系数,得到测试场景模型的测试得分系数划分。
实施例四、
本申请实施例提供了一种测试场景等级计算装置,如图4所示,图4为本申请实施例提供的一种测试模型等级计算装置,测试模型等级计算装置40包括获取模块401,第一计算模块402,第二计算模块403,确定模块404;
获取模块401,用于获取测试场景模型的参数集合;
第一计算模块402,用于根据参数集合计算测试场景模型的复杂度;
第二计算模块403,用于根据待测车辆和目标车辆的位置条件,计算测试场景模型的危险度,位置条件包括以下至少一项:碰撞时间、制动时间、期望减速度;
确定模块404,用于根据复杂度、危险度和暴露度确定测试场景模型的等级,暴露度用于指示测试场景的发生频率。
实施例五、
基于上述实施例一至实施例三描述的测试场景等级计算方法,本申请实施例提供了一种电子设备,如图5所示,图5为本申请实施例提供的一种电子设备的结构图,该电子设备50包括:至少一个处理器501;存储器502,存储器存储有至少一个程序512,处理器501和存储器502电连接,当至少一个程序被至少一个处理器501执行时,使得至少一个处理器501实现如实施例一至实施例三所描述的方法。
可选地,在本申请的一个实施例中,该电子设备50还包括:总线503和通信接口504,至少一个处理器501、存储器502和通信接口504通过总线503相互通信。
实施例六、
基于上述实施例一至实施例三描述的测试场景等级计算方法,本申请实施例提供了一计算机存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现如实施例一至实施例三所描述的方法。
本申请实施例的图像相似度计算装置以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod),掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)其他具有数据交互功能的电子设备。
至此,已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序,以实现期望的结果。在某些实施方式中,多任务处理和并行处理可以是有利的。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、装置、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用计算机存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、装置、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的计算机存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用计算机存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种测试场景等级计算方法,其特征在于,所述方法包括:
获取测试场景模型的参数集合;
根据所述参数集合计算所述测试场景模型的复杂度;
根据待测车辆和目标车辆的位置条件,计算所述测试场景模型的危险度,所述位置条件包括以下至少一项:碰撞时间、制动时间、期望减速度;
根据所述复杂度、所述危险度和所述暴露度确定所述测试场景模型的等级,所述暴露度用于指示测试场景的发生频率。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
确定驾驶场景的场景要素,并根据所述场景要素在w个参数中确定所述参数集合,根据所述参数集合生成所述测试场景模型,所述驾驶场景为自然驾驶场景或事故场景。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
将场景转化为与环境、道路、待测车辆及交通相关的w个参数,所述w个参数包括m个环境参数、n个道路参数、i个待测车辆参数和j个交通参数,所述w是所述m、n、i、j的和,所述m、n、i、j为大于0的整数。
4.根据权利要求1所述的方法,其特征在于,根据所述参数集合计算所述测试场景模型的复杂度,包括:
根据所述参数集合计算至少一个复杂度因子,所述复杂度因子包括环境复杂度因子、道路复杂度因子、待测车辆复杂度因子、交通复杂度因子中的至少一项;
计算所述至少一个复杂度因子的加权平均值作为所述复杂度。
5.根据权利要求4所述的方法,其特征在于,所述复杂度因子包括环境复杂度因子,所述方法还包括:
根据所述参数集合中的降水量、能见度及光照计算所述环境复杂度因子。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
对所述参数集合中的降水量进行归一化处理,根据归一化后的降水量计算得到降水量复杂度因子;
对所述参数集合中的能见度进行归一化处理,根据归一化后的能见度计算得到能见度复杂度因子;
对所述参数集合中的光照进行归一化处理,根据归一化后的光照计算得到光照复杂度因子;
将所述降水量复杂度因子、所述能见度复杂度因子及所述光照复杂度因子的平均值确定为所述环境复杂度因子。
7.根据权利要求4所述的方法,其特征在于,所述复杂度因子包括道路复杂度因子,所述方法还包括:
根据所述参数集合中的道路类型、道路曲率半径及坡度确定所述道路复杂度因子。
8.根据权利要求4所述的方法,其特征在于,所述复杂度因子包括待测车辆复杂度因子,所述方法还包括:
根据所述参数集合中的待测车辆初速度及动态驾驶任务计算所述待测车辆复杂度因子。
9.根据权利要求4所述的方法,其特征在于,所述复杂度因子包括交通复杂度因子,所述方法还包括:
根据所述参数集合中的交通参与者的数量、交通参与者的类型及交通参与者的行为计算所述交通复杂度因子。
10.一种测试场景等级计算装置,其特征在于,所述装置包括获取模块,第一计算模块,第二计算模块,确定模块;
所述获取模块,用于获取测试场景模型的参数集合;
所述第一计算模块,用于根据所述参数集合计算所述测试场景模型的复杂度;
所述第二计算模块,用于根据待测车辆和目标车辆的位置条件,计算所述测试场景模型的危险度,所述位置条件包括以下至少一项:碰撞时间、制动时间、期望减速度;
所述确定模块,用于根据所述复杂度、所述危险度和所述暴露度确定所述测试场景模型的等级,所述暴露度用于指示测试场景的发生频率。
11.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器上存储有计算机程序;所述处理器用于执行所述存储器中存储的计算机程序实现如权利要求1-9任一项所述的方法。
12.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序,在处理器执行所述计算机程序时,实现如权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010027763.0A CN113109055A (zh) | 2020-01-10 | 2020-01-10 | 测试场景等级计算方法、装置及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010027763.0A CN113109055A (zh) | 2020-01-10 | 2020-01-10 | 测试场景等级计算方法、装置及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113109055A true CN113109055A (zh) | 2021-07-13 |
Family
ID=76708752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010027763.0A Pending CN113109055A (zh) | 2020-01-10 | 2020-01-10 | 测试场景等级计算方法、装置及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113109055A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724532A (zh) * | 2021-08-31 | 2021-11-30 | 中汽院(重庆)汽车检测有限公司 | 商用车前向碰撞预警的测试评价系统及方法 |
CN113799790A (zh) * | 2021-10-19 | 2021-12-17 | 中国第一汽车股份有限公司 | 车速控制性能的测试方法、装置、电子设备及介质 |
CN113868875A (zh) * | 2021-09-30 | 2021-12-31 | 天津大学 | 测试场景自动生成方法、装置、设备和存储介质 |
CN113935441A (zh) * | 2021-12-16 | 2022-01-14 | 中国汽车技术研究中心有限公司 | 汽车自动驾驶功能测试道路的选取方法、设备和存储介质 |
CN115035718A (zh) * | 2022-06-02 | 2022-09-09 | 东风汽车集团股份有限公司 | 基于车辆动作类型和次数的场景复杂度评价方法 |
CN115509909A (zh) * | 2022-09-26 | 2022-12-23 | 北京百度网讯科技有限公司 | 测试方法、装置、电子设备和存储介质 |
CN115563020A (zh) * | 2022-12-05 | 2023-01-03 | 深圳慧拓无限科技有限公司 | 危险测试场景的生成方法及系统、电子设备、存储介质 |
CN116401111A (zh) * | 2023-05-26 | 2023-07-07 | 中国第一汽车股份有限公司 | 脑机接口的功能检测方法、装置、电子设备及存储介质 |
CN116680932A (zh) * | 2023-07-27 | 2023-09-01 | 西安深信科创信息技术有限公司 | 一种自动驾驶仿真测试场景的评估方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108332977A (zh) * | 2018-01-23 | 2018-07-27 | 常熟昆仑智能科技有限公司 | 一种对智能网联汽车测试场景的分类分析方法 |
US20180354512A1 (en) * | 2017-06-09 | 2018-12-13 | Baidu Online Network Technology (Beijing) Co., Ltd. | Driverless Vehicle Testing Method and Apparatus, Device and Storage Medium |
CN109835348A (zh) * | 2019-01-25 | 2019-06-04 | 中国汽车技术研究中心有限公司 | 一种道路交通危险场景的筛选方法和装置 |
CN110020797A (zh) * | 2019-03-27 | 2019-07-16 | 清华大学苏州汽车研究院(吴江) | 基于感知缺陷的自动驾驶测试场景的评价方法 |
CN110160804A (zh) * | 2019-05-31 | 2019-08-23 | 中国科学院深圳先进技术研究院 | 一种自动驾驶车辆的测试方法、装置及系统 |
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 |
-
2020
- 2020-01-10 CN CN202010027763.0A patent/CN113109055A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180354512A1 (en) * | 2017-06-09 | 2018-12-13 | Baidu Online Network Technology (Beijing) Co., Ltd. | Driverless Vehicle Testing Method and Apparatus, Device and Storage Medium |
CN108332977A (zh) * | 2018-01-23 | 2018-07-27 | 常熟昆仑智能科技有限公司 | 一种对智能网联汽车测试场景的分类分析方法 |
CN109835348A (zh) * | 2019-01-25 | 2019-06-04 | 中国汽车技术研究中心有限公司 | 一种道路交通危险场景的筛选方法和装置 |
CN110020797A (zh) * | 2019-03-27 | 2019-07-16 | 清华大学苏州汽车研究院(吴江) | 基于感知缺陷的自动驾驶测试场景的评价方法 |
CN110160804A (zh) * | 2019-05-31 | 2019-08-23 | 中国科学院深圳先进技术研究院 | 一种自动驾驶车辆的测试方法、装置及系统 |
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 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724532A (zh) * | 2021-08-31 | 2021-11-30 | 中汽院(重庆)汽车检测有限公司 | 商用车前向碰撞预警的测试评价系统及方法 |
CN113868875A (zh) * | 2021-09-30 | 2021-12-31 | 天津大学 | 测试场景自动生成方法、装置、设备和存储介质 |
CN113868875B (zh) * | 2021-09-30 | 2022-06-17 | 天津大学 | 测试场景自动生成方法、装置、设备和存储介质 |
CN113799790A (zh) * | 2021-10-19 | 2021-12-17 | 中国第一汽车股份有限公司 | 车速控制性能的测试方法、装置、电子设备及介质 |
CN113935441A (zh) * | 2021-12-16 | 2022-01-14 | 中国汽车技术研究中心有限公司 | 汽车自动驾驶功能测试道路的选取方法、设备和存储介质 |
CN113935441B (zh) * | 2021-12-16 | 2022-03-15 | 中国汽车技术研究中心有限公司 | 汽车自动驾驶功能测试道路的选取方法、设备和存储介质 |
CN115035718B (zh) * | 2022-06-02 | 2023-04-18 | 东风汽车集团股份有限公司 | 基于车辆动作类型和次数的场景复杂度评价方法 |
CN115035718A (zh) * | 2022-06-02 | 2022-09-09 | 东风汽车集团股份有限公司 | 基于车辆动作类型和次数的场景复杂度评价方法 |
CN115509909A (zh) * | 2022-09-26 | 2022-12-23 | 北京百度网讯科技有限公司 | 测试方法、装置、电子设备和存储介质 |
CN115509909B (zh) * | 2022-09-26 | 2023-11-07 | 北京百度网讯科技有限公司 | 测试方法、装置、电子设备和存储介质 |
CN115563020A (zh) * | 2022-12-05 | 2023-01-03 | 深圳慧拓无限科技有限公司 | 危险测试场景的生成方法及系统、电子设备、存储介质 |
CN115563020B (zh) * | 2022-12-05 | 2023-03-28 | 深圳慧拓无限科技有限公司 | 危险测试场景的生成方法及系统、电子设备、存储介质 |
CN116401111A (zh) * | 2023-05-26 | 2023-07-07 | 中国第一汽车股份有限公司 | 脑机接口的功能检测方法、装置、电子设备及存储介质 |
CN116401111B (zh) * | 2023-05-26 | 2023-09-05 | 中国第一汽车股份有限公司 | 脑机接口的功能检测方法、装置、电子设备及存储介质 |
CN116680932A (zh) * | 2023-07-27 | 2023-09-01 | 西安深信科创信息技术有限公司 | 一种自动驾驶仿真测试场景的评估方法及装置 |
CN116680932B (zh) * | 2023-07-27 | 2023-11-21 | 安徽深信科创信息技术有限公司 | 一种自动驾驶仿真测试场景的评估方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113109055A (zh) | 测试场景等级计算方法、装置及计算机存储介质 | |
CN108513676A (zh) | 一种路况识别方法、装置及设备 | |
CN114170533A (zh) | 基于注意力机制和多模态表征学习的滑坡识别方法及系统 | |
CN109572706B (zh) | 一种驾驶安全评价方法及装置 | |
CN110716529A (zh) | 一种自动驾驶测试用例自动生成方法和装置 | |
Díaz-Pacheco et al. | The importance of scale in land use models: Experiments in data conversion, data resampling, resolution and neighborhood extent | |
Shamim Akhter et al. | A SUMO based simulation framework for intelligent traffic management system | |
Pettersson et al. | A statistical operating cycle description for prediction of road vehicles’ energy consumption | |
CN115470118A (zh) | 基于环境仿真场景的测试分析方法、装置、介质及设备 | |
CN115063274B (zh) | 基于虚拟现实的飞行训练方案生成方法、系统、设备 | |
CN112861833A (zh) | 车辆车道级定位方法、装置、电子设备和计算机可读介质 | |
CN112836301A (zh) | 车辆能耗的预测方法和装置、存储介质及电子设备 | |
CN116627793A (zh) | 软件在环仿真测试的真实度评估方法及装置 | |
CN115795808A (zh) | 一种自动驾驶决策危险场景生成方法、系统、设备及介质 | |
CN115018022A (zh) | 网格化环境监测数据的质量控制方法、装置、设备及介质 | |
CN110889196A (zh) | 水环境承载力评估方法、装置及存储介质 | |
CN113918615A (zh) | 一种基于仿真的驾驶经验数据挖掘模型构建方法及系统 | |
CN116127854B (zh) | 一种自动驾驶虚拟测试场景生成方法、系统及设备 | |
CN116244974A (zh) | 仿真交通流数据真实性评价方法及装置 | |
CN115470122A (zh) | 基于仿真场景的自动驾驶测试方法、装置、介质及设备 | |
WO2023123812A1 (zh) | 轨迹点筛选及轨迹生成方法、装置、电子设备、存储介质、计算机程序产品 | |
CN113822892B (zh) | 仿真雷达的评测方法、装置、设备及计算机存储介质 | |
CN115713600A (zh) | 自动驾驶场景的数字高程模型的生成方法和装置 | |
CN109360019A (zh) | 一种个人车辆价格评估方法 | |
Merrill et al. | Use of density equalizing map projections (DEMP) in the analysis of childhood cancer in four California counties |
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 |