CN113111004B - 一种场景无关的无人驾驶仿真测试评估方法及装置 - Google Patents
一种场景无关的无人驾驶仿真测试评估方法及装置 Download PDFInfo
- Publication number
- CN113111004B CN113111004B CN202110489730.2A CN202110489730A CN113111004B CN 113111004 B CN113111004 B CN 113111004B CN 202110489730 A CN202110489730 A CN 202110489730A CN 113111004 B CN113111004 B CN 113111004B
- Authority
- CN
- China
- Prior art keywords
- tested
- vehicle
- data
- frame
- acceleration
- 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
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明实施例公开一种场景无关的无人驾驶仿真测试评估方法及装置。该方法中针对待测试数据中的每帧数据,根据预设RSS模型得到该帧的安全性评估分结果,根据交通标志对象的信息以及待测试车辆的位置信息和行驶信息得到该帧的法规性评估分结果,针对待测试数据中的各目标时间段,根据待测试车辆在该目标时间段内的加速度计算舒适性评估分结果,对待测试数据进行循环测试直至达到预设仿真次数,对得到的所有评估分结果进行整理得到待测试车辆的安全性评估总结果、法规性评估总结果和舒适性评估总结果。由此,进行评估所采用的数据无关场景的类型,不受限于特定类型的场景文件,能够对任一场景文件进行仿真测试评估,兼容性高,鲁棒性好。
Description
本申请是申请日为2021年1月11日,申请号为202110028045.X,名称为“一种场景无关的无人驾驶仿真测试评估方法及装置”的分案申请
技术领域
本发明涉及无人驾驶仿真技术领域,具体而言,涉及一种场景无关的无人驾驶仿真测试评估方法及装置。
背景技术
目前,对无人驾驶车辆所设置的无人驾驶算法的测试评估一般采用无人驾驶仿真技术。在使用无人驾驶仿真技术对无人驾驶算法进行测试评估的过程中,一般需要利用人工手动设置的场景数据或利用针对实际驾驶场景采集的场景数据,模拟仿真自动驾驶车辆的驾驶场景,进而进行仿真测试评估。
现有的无人驾驶仿真测试评估方法都是对特定类型的场景文件专门设计的,因此,只能基于特定类型的场景文件实施仿真测试评估,对其他类型的场景文件不兼容,因此,无法对其他场景文件进行无人驾驶仿真测试评估,鲁棒性差。
发明内容
本发明提供了一种场景无关的无人驾驶仿真测试评估方法及装置,能够对任一场景文件进行仿真测试评估,兼容性高,鲁棒性好。具体的技术方案如下。
第一方面,本发明提供了一种场景无关的无人驾驶仿真测试评估方法,包括:
接收用于对待测试车辆进行无人驾驶仿真测试评估的待测试数据;
针对所述待测试数据中的每帧数据,按照预设数据组装规则对该帧数据进行组装,生成多个组装数据,将各组装数据输入至预设RSS模型,得到所述待测试车辆在该帧的安全性评估分结果,当该帧数据中出现交通标志对象时,提取所述交通标志对象的信息以及所述待测试车辆的位置信息和行驶信息,根据所提取的信息判断所述待测试车辆是否违规,得到所述待测试车辆在该帧的法规性评估分结果;
针对所述待测试数据中的各目标时间段,提取所述待测试车辆在该目标时间段内的加速度,根据所提取的加速度计算所述待测试车辆在该目标时间段内的舒适性评估分结果,其中,各目标时间段为所述待测试车辆存在连续两次加速行为以及在加速行为之后存在一次减速行为的时间段,各目标时间段的起始时间点为连续两次加速行为中的第一次加速行为发生的时间点,各目标时间段的终止时间为减速行为发生的时间点;
对所述待测试数据进行循环测试直至达到预设仿真次数,对得到的所有安全性评估分结果进行整理,得到所述待测试车辆的安全性评估总结果,对得到的所有法规性评估分结果进行整理,得到所述待测试车辆的法规性评估总结果,对得到的所有舒适性评估分结果进行整理,得到所述待测试车辆的舒适性评估总结果。
可选的,所述针对所述待测试数据中的每帧数据,按照预设数据组装规则对该帧数据进行组装,生成多个组装数据的步骤,包括:
针对所述待测试数据中的每帧数据,提取该帧数据中的待测试车辆数据以及目标物数据,将所述待测试车辆数据与每一目标物数据进行组装,生成多个组装数据,其中,所述目标物数据的类型至少包括车辆类型。
可选的,所述将各组装数据输入至预设RSS模型,得到所述待测试车辆在该帧的安全性评估分结果的步骤,包括:
针对各组装数据,根据所述待测试车辆的动力学参数以及该组装数据中的目标物的位置信息计算所述目标物与所述待测试车辆之间的实际距离和安全距离,其中,距离的类型包括纵向距离、左横向距离和右横向距离;
计算所述实际距离与所述安全距离之间的差值,将所述实际距离、所述安全距离和所述差值作为所述待测试车辆在该帧的安全性评估分结果。
可选的,所述根据所提取的信息判断所述待测试车辆是否违规,得到所述待测试车辆在该帧的法规性评估分结果的步骤,包括:
当所述交通标志对象为限速标志时,判断所述待测试车辆的速度是否符合所述限速标志所示出的速度标准,如果否,确定所述待测试车辆未按限速标准行驶;
当所述交通标志对象为交通信号灯和停止线时,根据所述待测试车辆的位置信息与所述停止线的位置信息,判断所述待测试车辆的是否闯红灯行驶,如果是,确定所述待测试车辆闯红灯;
当所述交通标志对象为交通警告标志时,判断所述待测试车辆的位置是否超过所述交通警告标志的位置,如果是,确定所述待测试车辆越线行驶;
当所述交通标志为人形横道线或减速让行标志时,判断所述待测试车辆在所述人形横道线的位置是否停车并在预设时间段内起步行驶,如果否,确定所述待测试车辆越线行驶。
可选的,所述根据所提取的加速度计算所述待测试车辆在该目标时间段内的舒适性评估分结果的步骤,包括:
根据所提取的加速度确定所述待测试车辆在该目标时间段内的平均加速度、平均减速度、减速时间、加速时间、最大减速度、最大加速度、减速次数和加速次数。
可选的,所述对得到的所有安全性评估分结果进行整理,得到所述待测试车辆的安全性评估总结果的步骤,包括:
针对同一帧数据的安全性评估分结果,将实际距离与安全距离均为0的次数占所述仿真次数的比例作为所述待测试车辆在该帧的碰撞率;
将小于预设纵向阈值的纵向差值中的最大差值作为所述待测试车辆在该帧的纵向不安全状态下最大偏差值,其中,所述纵向差值为纵向实际距离与纵向安全距离之间的差值;
将小于预设左横向阈值的左横向差值中的最大差值作为所述待测试车辆在该帧的左横向不安全状态下最大偏差值,其中,所述左横向差值为左横向实际距离与左横向安全距离之间的差值;
将小于预设右横向阈值的右横向差值中的最大差值作为所述待测试车辆在该帧的右横向不安全状态下最大偏差值,其中,所述右横向差值为右横向实际距离与右横向安全距离之间的差值;
将不小于所述预设纵向阈值的纵向差值中的最小差值作为所述待测试车辆在该帧的纵向安全状态下最小偏差值;
将不小于所述预设左横向阈值的左横向差值中的最小差值作为所述待测试车辆在该帧的左横向安全状态下最小偏差值;
将不小于所述预设右横向阈值的右横向差值中的最小差值作为所述待测试车辆在该帧的右横向安全状态下最小偏差值。
可选的,所述对得到的所有法规性评估分结果进行整理,得到所述待测试车辆的法规性评估总结果的步骤,包括:
针对同一帧数据的法规性评估分结果,将所述待测试车辆越线行驶的次数占所述仿真次数的比例作为所述待测试车辆在该帧的越线率;
将所述待测试车辆闯红灯的次数占所述仿真次数的比例作为所述待测试车辆在该帧的闯红灯率;
将所述待测试车辆未按限速标准行驶的次数占所述仿真次数的比例作为所述待测试车辆在该帧的未按限速标准行驶率。
可选的,所述对得到的所有舒适性评估分结果进行整理,得到所述待测试车辆的舒适性评估总结果的步骤,包括:
针对同一目标时间段内的舒适性评估分结果,对每次仿真得到的平均加速度、平均减速度、减速时间、加速时间、最大减速度、最大加速度、减速次数和加速次数进行统计,得到所述待测试车辆在该目标时间段内的平均加速度的分布率、平均减速度的分布率、减速时间的分布率、加速时间的分布率、最大减速度的分布率、最大加速度的分布率、减速次数的分布率和加速次数的分布率。
第二方面,本发明实施例提供了一种场景无关的无人驾驶仿真测试评估装置,包括:
接收模块,用于接收用于对待测试车辆进行无人驾驶仿真测试评估的待测试数据;
第一评估模块,用于针对所述待测试数据中的每帧数据,按照预设数据组装规则对该帧数据进行组装,生成多个组装数据,将各组装数据输入至预设RSS模型,得到所述待测试车辆在该帧的安全性评估分结果,当该帧数据中出现交通标志对象时,提取所述交通标志对象的信息以及所述待测试车辆的位置信息和行驶信息,根据所提取的信息判断所述待测试车辆是否违规,得到所述待测试车辆在该帧的法规性评估分结果;
第二评估模块,用于针对所述待测试数据中的各目标时间段,提取所述待测试车辆在该目标时间段内的加速度,根据所提取的加速度计算所述待测试车辆在该目标时间段内的舒适性评估分结果,其中,各目标时间段为所述待测试车辆存在连续两次加速行为以及在加速行为之后存在一次减速行为的时间段,各目标时间段的起始时间点为连续两次加速行为中的第一次加速行为发生的时间点,各目标时间段的终止时间为减速行为发生的时间点;
评估总结果确定模块,用于对所述待测试数据进行循环测试直至达到预设仿真次数,对得到的所有安全性评估分结果进行整理,得到所述待测试车辆的安全性评估总结果,对得到的所有法规性评估分结果进行整理,得到所述待测试车辆的法规性评估总结果,对得到的所有舒适性评估分结果进行整理,得到所述待测试车辆的舒适性评估总结果。
可选的,所述第一评估模块,具体用于:
针对所述待测试数据中的每帧数据,提取该帧数据中的待测试车辆数据以及目标物数据,将所述待测试车辆数据与每一目标物数据进行组装,生成多个组装数据,其中,所述目标物数据的类型至少包括车辆类型。
可选的,所述第一评估模块,包括:
距离计算单元,用于针对各组装数据,根据所述待测试车辆的动力学参数以及该组装数据中的目标物的位置信息计算所述目标物与所述待测试车辆之间的实际距离和安全距离,其中,距离的类型包括纵向距离、左横向距离和右横向距离;
安全性评估分结果确定单元,用于计算所述实际距离与所述安全距离之间的差值,将所述实际距离、所述安全距离和所述差值作为所述待测试车辆在该帧的安全性评估分结果。
可选的,所述第一评估模块,具体用于:
当所述交通标志对象为限速标志时,判断所述待测试车辆的速度是否符合所述限速标志所示出的速度标准,如果否,确定所述待测试车辆未按限速标准行驶;
当所述交通标志对象为交通信号灯和停止线时,根据所述待测试车辆的位置信息与所述停止线的位置信息,判断所述待测试车辆的是否闯红灯行驶,如果是,确定所述待测试车辆闯红灯;
当所述交通标志对象为交通警告标志时,判断所述待测试车辆的位置是否超过所述交通警告标志的位置,如果是,确定所述待测试车辆越线行驶;
当所述交通标志为人形横道线或减速让行标志时,判断所述待测试车辆在所述人形横道线的位置是否停车并在预设时间段内起步行驶,如果否,确定所述待测试车辆越线行驶。
可选的,所述第二评估模块,具体用于:
根据所提取的加速度确定所述待测试车辆在该目标时间段内的平均加速度、平均减速度、减速时间、加速时间、最大减速度、最大加速度、减速次数和加速次数。
可选的,所述评估总结果确定模块,具体用于:
针对同一帧数据的安全性评估分结果,将实际距离与安全距离均为0的次数占所述仿真次数的比例作为所述待测试车辆在该帧的碰撞率;
将小于预设纵向阈值的纵向差值中的最大差值作为所述待测试车辆在该帧的纵向不安全状态下最大偏差值,其中,所述纵向差值为纵向实际距离与纵向安全距离之间的差值;
将小于预设左横向阈值的左横向差值中的最大差值作为所述待测试车辆在该帧的左横向不安全状态下最大偏差值,其中,所述左横向差值为左横向实际距离与左横向安全距离之间的差值;
将小于预设右横向阈值的右横向差值中的最大差值作为所述待测试车辆在该帧的右横向不安全状态下最大偏差值,其中,所述右横向差值为右横向实际距离与右横向安全距离之间的差值;
将不小于所述预设纵向阈值的纵向差值中的最小差值作为所述待测试车辆在该帧的纵向安全状态下最小偏差值;
将不小于所述预设左横向阈值的左横向差值中的最小差值作为所述待测试车辆在该帧的左横向安全状态下最小偏差值;
将不小于所述预设右横向阈值的右横向差值中的最小差值作为所述待测试车辆在该帧的右横向安全状态下最小偏差值。
可选的,所述评估总结果确定模块,具体用于:
针对同一帧数据的法规性评估分结果,将所述待测试车辆越线行驶的次数占所述仿真次数的比例作为所述待测试车辆在该帧的越线率;
将所述待测试车辆闯红灯的次数占所述仿真次数的比例作为所述待测试车辆在该帧的闯红灯率;
将所述待测试车辆未按限速标准行驶的次数占所述仿真次数的比例作为所述待测试车辆在该帧的未按限速标准行驶率。
可选的,所述评估总结果确定模块,具体用于:
针对同一目标时间段内的舒适性评估分结果,对每次仿真得到的平均加速度、平均减速度、减速时间、加速时间、最大减速度、最大加速度、减速次数和加速次数进行统计,得到所述待测试车辆在该目标时间段内的平均加速度的分布率、平均减速度的分布率、减速时间的分布率、加速时间的分布率、最大减速度的分布率、最大加速度的分布率、减速次数的分布率和加速次数的分布率。
由上述内容可知,本发明实施例提供的一种场景无关的无人驾驶仿真测试评估方法,针对待测试数据中的每帧数据,按照预设数据组装规则对该帧数据进行组装,生成多个组装数据,将各组装数据输入至预设RSS模型,得到待测试车辆在该帧的安全性评估分结果,当该帧数据中出现交通标志对象时,提取交通标志对象的信息以及待测试车辆的位置信息和行驶信息,根据所提取的信息判断待测试车辆是否违规,得到待测试车辆在该帧的法规性评估分结果,针对待测试数据中的各目标时间段,提取待测试车辆在该目标时间段内的加速度,根据所提取的加速度计算待测试车辆在该目标时间段内的舒适性评估分结果,对待测试数据进行循环测试直至达到预设仿真次数,对得到的所有安全性评估分结果进行整理,得到待测试车辆的安全性评估总结果,对得到的所有法规性评估分结果进行整理,得到待测试车辆的法规性评估总结果,对得到的所有舒适性评估分结果进行整理,得到待测试车辆的舒适性评估总结果。由此,本发明实施例中通过从待测试数据中直接提取数据的方式进行安全性评估、法规性评估和舒适性评估,所提取的数据无关场景的类型,因此,不会不受限于只能对特定类型的场景文件进行仿真测试评估,能够对任一场景文件进行仿真测试评估,兼容性高,鲁棒性好。当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
本发明实施例的创新点包括:
1、本发明实施例中通过从待测试数据中直接提取数据的方式进行安全性评估、法规性评估和舒适性评估,所提取的数据无关场景的类型,因此,不会不受限于只能对特定类型的场景文件进行仿真测试评估,能够对任一场景文件进行仿真测试评估,兼容性高,鲁棒性好。
2、针对待测试数据中的每帧数据,通过按照预设数据组装规则对该帧数据进行组装,生成多个组装数据,并将各组装数据输入至预设RSS模型的方式,得到待测试车辆在该帧的安全性评估分结果。
3、针对待测试数据中的每帧数据,通过提取交通标志对象的信息以及待测试车辆的位置信息和行驶信息,并根据所提取的信息判断待测试车辆是否违规的方式,得到待测试车辆在该帧的法规性评估分结果。
4、针对待测试数据中的各目标时间段,通过提取待测试车辆在该目标时间段内的加速度,根据所提取的加速度即可计算待测试车辆在该目标时间段内的舒适性评估分结果。
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为本发明实施例提供的场景无关的无人驾驶仿真测试评估方法的一种流程示意图;
图2为本发明实施例提供的场景无关的无人驾驶仿真测试评估装置的一种结构示意图。
具体实施方式
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、完整的描述。显然,所描述的实施例仅仅是本发明的一部分实施例,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付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。
需要说明的是,本发明实施例及附图中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含的一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本发明实施例公开了一种场景无关的无人驾驶仿真测试评估方法及装置,能够对任一场景文件进行仿真测试评估,兼容性高,鲁棒性好。下面对本发明实施例进行详细说明。
图1为本发明实施例提供的场景无关的无人驾驶仿真测试评估方法的一种流程示意图。该方法具体包括以下步骤。
S110:接收用于对待测试车辆进行无人驾驶仿真测试评估的待测试数据。
本发明实施例所提供的场景无关的无人驾驶仿真测试评估方法,可以应用于任一具有计算能力的电子设备,该电子设备可以为终端或者服务器。在一种实现中,实现该场景无关的无人驾驶仿真测试评估方法的功能软件可以以单独的客户端软件的形式存在,也可以以目前相关的客户端软件的插件的形式存在,这都是可以的。
该待测试车辆为:设置有被测试的自动驾驶测试算法即被测算法的虚拟车辆。
电子设备接收用于对待测试车辆进行无人驾驶仿真测试评估的待测试数据。该待测试数据可以为任一包含有待测试车辆的数据,该待测试数据可以为针对该待测试车辆预先构件的特定类型的场景数据,也可以为基于特定类型的场景数据随机泛化生成的随机数据。
S120:针对待测试数据中的每帧数据,按照预设数据组装规则对该帧数据进行组装,生成多个组装数据,将各组装数据输入至预设RSS模型,得到待测试车辆在该帧的安全性评估分结果,当该帧数据中出现交通标志对象时,提取交通标志对象的信息以及待测试车辆的位置信息和行驶信息,根据所提取的信息判断待测试车辆是否违规,得到待测试车辆在该帧的法规性评估分结果。
电子设备在接收到待测试数据后,通过仿真测试的方式对待测试数据进行安全性评估、法规性评估和舒适性评估。其中,安全性评估是指检测待测试车辆的行驶安全性,法规性评估是指检测待测试车辆在行驶中是否违反道路通行规定,舒适性评估是指检测待测试车辆的驾驶舒适性。
下面对安全性评估进行介绍:
电子设备在接收到待测试数据后,针对待测试数据中的每帧数据,按照预设数据组装规则对该帧数据进行组装,生成多个组装数据。
其中,针对待测试数据中的每帧数据,按照预设数据组装规则对该帧数据进行组装,生成多个组装数据,可以包括:
针对待测试数据中的每帧数据,提取该帧数据中的待测试车辆数据以及目标物数据,将待测试车辆数据与每一目标物数据进行组装,生成多个组装数据,其中,目标物数据的类型至少包括车辆类型。
目标物为待测试数据中除待测试车辆外可能与待测试车辆之间产生安全隐患的对象,由于车辆是最有可能与待测试车辆之间产生安全隐患,因此,目标物数据的类型至少包括车辆类型,当然还可以包括行人类型或者障碍物类型。
本发明实施例中针对待测试数据中的每帧数据,将待测试车辆数据与每一目标物数据进行组装,生成多个组装数据,也就是说,该帧数据中存在多少个目标物就会生成多少个组装数据。
举例而言,该帧数据中包含待测试车辆A、车辆B和行人C,则将待测试车辆A数据与车辆B数据进行组装生成一组装数据,将测试车辆A数据与行人C数据进行组装生成一组装数据。
在生成多个组装数据后,将各组装数据输入至预设RSS(责任敏感安全,Responsibility-Sensitive Safety)模型,得到待测试车辆在该帧的安全性评估分结果。
具体的,将各组装数据输入至预设RSS模型,得到待测试车辆在该帧的安全性评估分结果,可以包括:
针对各组装数据,根据待测试车辆的动力学参数以及该组装数据中的目标物的位置信息计算目标物与待测试车辆之间的实际距离和安全距离,其中,距离的类型包括纵向距离、左横向距离和右横向距离;
计算实际距离与安全距离之间的差值,将实际距离、安全距离和差值作为待测试车辆在该帧的安全性评估分结果。
其中,待测试车辆的动力学参数为与车辆的性能相关的参数,例如:车辆最大加速度或者车辆大减速度,加速度为负值时即为减速度。针对各组装数据,根据待测试车辆的动力学参数以及该组装数据中的目标物的位置信息可以计算出目标物与待测试车辆之间的实际距离和安全距离,实际距离为仿真过程中,待测试车辆与目标物之间的距离,安全距离为待测试车辆与目标物之间不发生碰撞时的最小距离,由于目标物可能出现在待测试车辆的纵向和横向,因此,距离的类型包括纵向距离、左横向距离和右横向距离。
在得到实际距离与安全距离之后,计算实际距离与安全距离之间的差值,如果差值较小,说明待测试车辆与目标物之间的距离较小,容易发生碰撞,如果差值较大,说明待测试车辆与目标物之间的距离较小,不容易发生碰撞,由于针对待测试数据中的每帧数据都需要进行安全性评估,且同一帧数据需要循环进行测试,因此,在得到该帧数据对应的差值后,将实际距离、安全距离和差值作为待测试车辆在该帧的安全性评估分结果,后续还需要对各安全性评估分结果进行整合。
由此,针对待测试数据中的每帧数据,通过按照预设数据组装规则对该帧数据进行组装,生成多个组装数据,并将各组装数据输入至预设RSS模型的方式,得到待测试车辆在该帧的安全性评估分结果。
下面对法规性评估进行介绍:
针对待测试数据中的每帧数据,当该帧数据中出现交通标志对象时,提取交通标志对象的信息以及待测试车辆的位置信息和行驶信息,根据所提取的信息判断待测试车辆是否违规,得到待测试车辆在该帧的法规性评估分结果。
由于只有在该帧数据中出现交通标志对象时,待测试车辆才可能出现违规行为,因此,当该帧数据中出现交通标志对象时,提取交通标志对象的信息以及待测试车辆的位置信息和行驶信息。其中,交通标志对象为与交通规则相关的对象。待测试车辆的行驶信息包括但不限于速度。
示例性的,上述根据所提取的信息判断待测试车辆是否违规,得到待测试车辆在该帧的法规性评估分结果,可以包括:
当交通标志对象为限速标志时,判断待测试车辆的速度是否符合限速标志所示出的速度标准,如果否,确定待测试车辆未按限速标准行驶;
当交通标志对象为交通信号灯和停止线时,根据待测试车辆的位置信息与停止线的位置信息,判断待测试车辆的是否闯红灯行驶,如果是,确定待测试车辆闯红灯;
当交通标志对象为交通警告标志时,判断待测试车辆的位置是否超过交通警告标志的位置,如果是,确定待测试车辆越线行驶;
当交通标志为人形横道线或减速让行标志时,判断待测试车辆在人形横道线的位置是否停车并在预设时间段内起步行驶,如果否,确定待测试车辆越线行驶。
由于限速标志包括最高限速标志和最低限速标志,因此,待测试车辆未按限速标准行驶包括超速行驶和低速行驶,其中,低速行驶为低于限速标志所示出的最低速度行驶。
当限速标志为最高限速标志时,判断待测试车辆的速度是否超过限速标志所示出的最高速度,如果是,确定待测试车辆超速行驶,当限速标志为最低限速标志,判断待测试车辆的速度是否低于限速标志所示出的最低速度,如果是,确定待测试车辆低速行驶。
当交通标志对象为交通信号灯和停止线时,根据待测试车辆的位置信息与停止线的位置信息,判断待测试车辆在交通信号灯为红灯时是否超过停止线,如果是,确定待测试车辆闯红灯。
当交通标志对象为交通警告标志例如禁止进入标志时,判断待测试车辆的位置是否超过交通警告标志的位置,如果是,确定待测试车辆越线行驶。
当交通标志为人形横道线或减速让行标志时,说明待测试车辆需要停车让行,并在让行后继续行驶不可停留,因此,需要判断待测试车辆在人形横道线的位置是否停车并在预设时间段内起步行驶,如果否,确定待测试车辆越线行驶,其中,预设时间段的持续时间较短,一般为3s。
由此,针对待测试数据中的每帧数据,通过提取交通标志对象的信息以及待测试车辆的位置信息和行驶信息,并根据所提取的信息判断待测试车辆是否违规的方式,得到待测试车辆在该帧的法规性评估分结果。
上述所得到的待测试车辆是否未按限速标准行驶、是否闯红灯行驶和是否越线行驶就是待测试车辆在该帧的法规性评估分结果。与安全性评估相同,由于针对待测试数据中的每帧数据都需要进行法规性评估,且同一帧数据需要循环进行测试,后续还需要对各法规性评估分结果进行整合。
S130:针对待测试数据中的各目标时间段,提取待测试车辆在该目标时间段内的加速度,根据所提取的加速度计算待测试车辆在该目标时间段内的舒适性评估分结果,其中,各目标时间段为待测试车辆存在连续两次加速行为以及在加速行为之后存在一次减速行为的时间段,各目标时间段的起始时间点为连续两次加速行为中的第一次加速行为发生的时间点,各目标时间段的终止时间为减速行为发生的时间点。
下面对舒适性评估进行介绍:
由于驾驶舒适性是需要对连续行驶进行评估,因此,在进行舒适性评估时,需要针对待测试数据中待测试车辆各次连续行驶行为进行评估,其中,待测试车辆进行一次连续行驶行为的时间段为目标时间段,目标时间段为待测试车辆存在连续两次加速行为以及在加速行为之后存在一次减速行为的时间段,目标时间段的起始时间点为连续两次加速行为中的第一次加速行为发生的时间点,目标时间段的终止时间为减速行为发生的时间点。
举例而言,待测试车辆在第1帧和第5帧进行了加速,在第10帧进行了减速,在第12帧和第16帧进行了加速,在第20帧进行了减速,则第1帧-第10帧为一目标时间段,第12帧-第20帧为一目标时间段。
针对待测试数据中的各目标时间段,提取待测试车辆在该目标时间段内的加速度,根据所提取的加速度计算待测试车辆在该目标时间段内的舒适性评估分结果。
其中,根据所提取的加速度计算待测试车辆在该目标时间段内的舒适性评估分结果,可以包括:
根据所提取的加速度确定待测试车辆在该目标时间段内的平均加速度、平均减速度、减速时间、加速时间、最大减速度、最大加速度、减速次数和加速次数。
待测试车辆在一目标时间段内可能进行多次加速和减速,因此,根据所提取的加速度以及速度时间基本计算公式可以确定待测试车辆在该目标时间段内的平均加速度、平均减速度、减速时间、加速时间、最大减速度、最大加速度、减速次数和加速次数。
在一目标时间段内,最大加速度与平均加速度之间的差值越大,舒适性越差,最大减速度与平均减速度之间的差值越大,舒适性越差,减速次数和加速次数越多,舒适性越差。
由此,针对待测试数据中的各目标时间段,通过提取待测试车辆在该目标时间段内的加速度,根据所提取的加速度即可计算待测试车辆在该目标时间段内的舒适性评估分结果。
每一目标时间段对应一舒适性评估分结果,后续还需要对各舒适性评估分结果进行整合。
S140:对待测试数据进行循环测试直至达到预设仿真次数,对得到的所有安全性评估分结果进行整理,得到待测试车辆的安全性评估总结果,对得到的所有法规性评估分结果进行整理,得到待测试车辆的法规性评估总结果,对得到的所有舒适性评估分结果进行整理,得到待测试车辆的舒适性评估总结果。
在本发明实施例中,需要对待测试数据进行循环测试直至达到预设仿真次数,然后对各评估分结果进行整理得到评估总结果。即对得到的所有安全性评估分结果进行整理,得到待测试车辆的安全性评估总结果,对得到的所有法规性评估分结果进行整理,得到待测试车辆的法规性评估总结果,对得到的所有舒适性评估分结果进行整理,得到待测试车辆的舒适性评估总结果。
在将实际距离、安全距离和差值作为待测试车辆在该帧的安全性评估分结果的情况下,对得到的所有安全性评估分结果进行整理,得到待测试车辆的安全性评估总结果,可以包括:
针对同一帧数据的安全性评估分结果,将实际距离与安全距离均为0的次数占仿真次数的比例作为待测试车辆在该帧的碰撞率;
将小于预设纵向阈值的纵向差值中的最大差值作为待测试车辆在该帧的纵向不安全状态下最大偏差值,其中,纵向差值为纵向实际距离与纵向安全距离之间的差值;
将小于预设左横向阈值的左横向差值中的最大差值作为待测试车辆在该帧的左横向不安全状态下最大偏差值,其中,左横向差值为左横向实际距离与左横向安全距离之间的差值;
将小于预设右横向阈值的右横向差值中的最大差值作为待测试车辆在该帧的右横向不安全状态下最大偏差值,其中,右横向差值为右横向实际距离与右横向安全距离之间的差值;
将不小于预设纵向阈值的纵向差值中的最小差值作为待测试车辆在该帧的纵向安全状态下最小偏差值;
将不小于预设左横向阈值的左横向差值中的最小差值作为待测试车辆在该帧的左横向安全状态下最小偏差值;
将不小于预设右横向阈值的右横向差值中的最小差值作为待测试车辆在该帧的右横向安全状态下最小偏差值。
针对同一帧数据的安全性评估分结果,如果实际距离与安全距离均为0说明待测试车辆与目标物发生碰撞,将实际距离与安全距离均为0的次数占仿真次数的比例作为待测试车辆在该帧的碰撞率。举例而言,仿真次数为10次,对于第1帧数据,实际距离与安全距离均为0的次数为3次,对于第2帧数据,实际距离与安全距离均为0的次数为2次,则待测试车辆在第1帧的碰撞率为十分之三,待测试车辆在第2帧的碰撞率为五分之一。
不安全状态为实际距离与安全距离相差较小但未发生碰撞的状态,安全状态为实际距离与安全距离相差较大不会发生碰撞的状态。
由于距离的类型包括纵向距离、左横向距离和右横向距离,因此,不安全状态包括纵向不安全状态、左横向不安全状态和右横向不安全状态,安全状态包括纵向安全状态、左横向安全状态和右横向安全状态。
具体的,将小于预设纵向阈值的纵向差值中的最大差值作为待测试车辆在该帧的纵向不安全状态下最大偏差值,其中,纵向差值为纵向实际距离与纵向安全距离之间的差值,将小于预设左横向阈值的左横向差值中的最大差值作为待测试车辆在该帧的左横向不安全状态下最大偏差值,其中,左横向差值为左横向实际距离与左横向安全距离之间的差值,将小于预设右横向阈值的右横向差值中的最大差值作为待测试车辆在该帧的右横向不安全状态下最大偏差值,其中,右横向差值为右横向实际距离与右横向安全距离之间的差值,将不小于预设纵向阈值的纵向差值中的最小差值作为待测试车辆在该帧的纵向安全状态下最小偏差值,将不小于预设左横向阈值的左横向差值中的最小差值作为待测试车辆在该帧的左横向安全状态下最小偏差值,将不小于预设右横向阈值的右横向差值中的最小差值作为待测试车辆在该帧的右横向安全状态下最小偏差值。
根据各状态下的最大偏差值和最小偏差值可以确定待测试车辆否存在危险。
为了清晰查看所得到的安全性评估总结果,可以采用柱状图进行显示,本发明实施例对此并不做任何限定。
上述对得到的所有法规性评估分结果进行整理,得到待测试车辆的法规性评估总结果,可以包括:
针对同一帧数据的法规性评估分结果,将待测试车辆越线行驶的次数占仿真次数的比例作为待测试车辆在该帧的越线率;
将待测试车辆闯红灯的次数占仿真次数的比例作为待测试车辆在该帧的闯红灯率;
将待测试车辆未按限速标准行驶的次数占所述仿真次数的比例作为待测试车辆在该帧的未按限速标准行驶率。
举例而言,仿真次数为10次,对于第1帧数据,待测试车辆越线行驶的次数为3次,待测试车辆闯红灯的次数为1次,待测试车辆未按限速标准行驶的次数为0,对于第2帧数据,待测试车辆越线行驶的次数为2次,待测试车辆闯红灯的次数为2次,待测试车辆未按限速标准行驶的次数为1次,则待测试车辆在第1帧的越线率为十分之三、闯红灯率为十分之一、未按限速标准行驶率为0,待测试车辆在第2帧的越线率为五分之一、闯红灯率为五分之一、未按限速标准行驶率为十分之一。
其中,未按限速标准行驶包括超速行驶和低速行驶,因此,可以将待测试车辆超速行驶的次数占仿真次数的比例作为待测试车辆在该帧的超速行驶率,将待测试车辆低速行驶的次数占仿真次数的比例作为待测试车辆在该帧的低速行驶率。
为了清晰查看所得到的法规性评估总结果,可以采用柱状图进行显示,本发明实施例对此并不做任何限定。
上述对得到的所有舒适性评估分结果进行整理,得到待测试车辆的舒适性评估总结果,可以包括:
针对同一目标时间段内的舒适性评估分结果,对每次仿真得到的平均加速度、平均减速度、减速时间、加速时间、最大减速度、最大加速度、减速次数和加速次数进行统计,得到待测试车辆在该目标时间段内的平均加速度的分布率、平均减速度的分布率、减速时间的分布率、加速时间的分布率、最大减速度的分布率、最大加速度的分布率、减速次数的分布率和加速次数的分布率。
本发明实施例中,通过统计的方式对每次仿真得到的平均加速度、平均减速度、减速时间、加速时间、最大减速度、最大加速度、减速次数和加速次数进行统计,得到待测试车辆在该目标时间段内的平均加速度的分布率、平均减速度的分布率、减速时间的分布率、加速时间的分布率、最大减速度的分布率、最大加速度的分布率、减速次数的分布率和加速次数的分布率。
综上可见,本发明实施例提供的一种场景无关的无人驾驶仿真测试评估方法,针对待测试数据中的每帧数据,按照预设数据组装规则对该帧数据进行组装,生成多个组装数据,将各组装数据输入至预设RSS模型,得到待测试车辆在该帧的安全性评估分结果,当该帧数据中出现交通标志对象时,提取交通标志对象的信息以及待测试车辆的位置信息和行驶信息,根据所提取的信息判断待测试车辆是否违规,得到待测试车辆在该帧的法规性评估分结果,针对待测试数据中的各目标时间段,提取待测试车辆在该目标时间段内的加速度,根据所提取的加速度计算待测试车辆在该目标时间段内的舒适性评估分结果,对待测试数据进行循环测试直至达到预设仿真次数,对得到的所有安全性评估分结果进行整理,得到待测试车辆的安全性评估总结果,对得到的所有法规性评估分结果进行整理,得到待测试车辆的法规性评估总结果,对得到的所有舒适性评估分结果进行整理,得到待测试车辆的舒适性评估总结果。由此,本发明实施例中通过从待测试数据中直接提取数据的方式进行安全性评估、法规性评估和舒适性评估,所提取的数据无关场景的类型,因此,不会不受限于只能对特定类型的场景文件进行仿真测试评估,能够对任一场景文件进行仿真测试评估,兼容性高,鲁棒性好。
相应于上述方法实施例,本发明实施例提供了一种场景无关的无人驾驶仿真测试评估装置,如图2所示,所述装置可以包括:
接收模块201,用于接收用于对待测试车辆进行无人驾驶仿真测试评估的待测试数据;
第一评估模块202,用于针对所述待测试数据中的每帧数据,按照预设数据组装规则对该帧数据进行组装,生成多个组装数据,将各组装数据输入至预设RSS模型,得到所述待测试车辆在该帧的安全性评估分结果,当该帧数据中出现交通标志对象时,提取所述交通标志对象的信息以及所述待测试车辆的位置信息和行驶信息,根据所提取的信息判断所述待测试车辆是否违规,得到所述待测试车辆在该帧的法规性评估分结果;
第二评估模块203,用于针对所述待测试数据中的各目标时间段,提取所述待测试车辆在该目标时间段内的加速度,根据所提取的加速度计算所述待测试车辆在该目标时间段内的舒适性评估分结果,其中,各目标时间段为所述待测试车辆存在连续两次加速行为以及在加速行为之后存在一次减速行为的时间段,各目标时间段的起始时间点为连续两次加速行为中的第一次加速行为发生的时间点,各目标时间段的终止时间为减速行为发生的时间点;
评估总结果确定模块204,用于对所述待测试数据进行循环测试直至达到预设仿真次数,对得到的所有安全性评估分结果进行整理,得到所述待测试车辆的安全性评估总结果,对得到的所有法规性评估分结果进行整理,得到所述待测试车辆的法规性评估总结果,对得到的所有舒适性评估分结果进行整理,得到所述待测试车辆的舒适性评估总结果。
本发明实施例提供的一种场景无关的无人驾驶仿真测试评估装置,针对待测试数据中的每帧数据,按照预设数据组装规则对该帧数据进行组装,生成多个组装数据,将各组装数据输入至预设RSS模型,得到待测试车辆在该帧的安全性评估分结果,当该帧数据中出现交通标志对象时,提取交通标志对象的信息以及待测试车辆的位置信息和行驶信息,根据所提取的信息判断待测试车辆是否违规,得到待测试车辆在该帧的法规性评估分结果,针对待测试数据中的各目标时间段,提取待测试车辆在该目标时间段内的加速度,根据所提取的加速度计算待测试车辆在该目标时间段内的舒适性评估分结果,对待测试数据进行循环测试直至达到预设仿真次数,对得到的所有安全性评估分结果进行整理,得到待测试车辆的安全性评估总结果,对得到的所有法规性评估分结果进行整理,得到待测试车辆的法规性评估总结果,对得到的所有舒适性评估分结果进行整理,得到待测试车辆的舒适性评估总结果。由此,本发明实施例中通过从待测试数据中直接提取数据的方式进行安全性评估、法规性评估和舒适性评估,所提取的数据无关场景的类型,因此,不会不受限于只能对特定类型的场景文件进行仿真测试评估,能够对任一场景文件进行仿真测试评估,兼容性高,鲁棒性好。
在一种实现方式中,所述第一评估模块202,可以具体用于:
针对所述待测试数据中的每帧数据,提取该帧数据中的待测试车辆数据以及目标物数据,将所述待测试车辆数据与每一目标物数据进行组装,生成多个组装数据,其中,所述目标物数据的类型至少包括车辆类型。
在一种实现方式中,所述第一评估模块202,可以包括:
距离计算单元,用于针对各组装数据,根据所述待测试车辆的动力学参数以及该组装数据中的目标物的位置信息计算所述目标物与所述待测试车辆之间的实际距离和安全距离,其中,距离的类型包括纵向距离、左横向距离和右横向距离;
安全性评估分结果确定单元,用于计算所述实际距离与所述安全距离之间的差值,将所述实际距离、所述安全距离和所述差值作为所述待测试车辆在该帧的安全性评估分结果。
可选的,所述第一评估模块202,可以具体用于:
当所述交通标志对象为限速标志时,判断所述待测试车辆的速度是否符合所述限速标志所示出的速度标准,如果否,确定所述待测试车辆未按限速标准行驶;
当所述交通标志对象为交通信号灯和停止线时,根据所述待测试车辆的位置信息与所述停止线的位置信息,判断所述待测试车辆的是否闯红灯行驶,如果是,确定所述待测试车辆闯红灯;
当所述交通标志对象为交通警告标志时,判断所述待测试车辆的位置是否超过所述交通警告标志的位置,如果是,确定所述待测试车辆越线行驶;
当所述交通标志为人形横道线或减速让行标志时,判断所述待测试车辆在所述人形横道线的位置是否停车并在预设时间段内起步行驶,如果否,确定所述待测试车辆越线行驶。
可选的,所述第二评估模块203,可以具体用于:
根据所提取的加速度确定所述待测试车辆在该目标时间段内的平均加速度、平均减速度、减速时间、加速时间、最大减速度、最大加速度、减速次数和加速次数。
可选的,所述评估总结果确定模块204,可以具体用于:
针对同一帧数据的安全性评估分结果,将实际距离与安全距离均为0的次数占所述仿真次数的比例作为所述待测试车辆在该帧的碰撞率;
将小于预设纵向阈值的纵向差值中的最大差值作为所述待测试车辆在该帧的纵向不安全状态下最大偏差值,其中,所述纵向差值为纵向实际距离与纵向安全距离之间的差值;
将小于预设左横向阈值的左横向差值中的最大差值作为所述待测试车辆在该帧的左横向不安全状态下最大偏差值,其中,所述左横向差值为左横向实际距离与左横向安全距离之间的差值;
将小于预设右横向阈值的右横向差值中的最大差值作为所述待测试车辆在该帧的右横向不安全状态下最大偏差值,其中,所述右横向差值为右横向实际距离与右横向安全距离之间的差值;
将不小于所述预设纵向阈值的纵向差值中的最小差值作为所述待测试车辆在该帧的纵向安全状态下最小偏差值;
将不小于所述预设左横向阈值的左横向差值中的最小差值作为所述待测试车辆在该帧的左横向安全状态下最小偏差值;
将不小于所述预设右横向阈值的右横向差值中的最小差值作为所述待测试车辆在该帧的右横向安全状态下最小偏差值。
可选的,所述评估总结果确定模块204,可以具体用于:
针对同一帧数据的法规性评估分结果,将所述待测试车辆越线行驶的次数占所述仿真次数的比例作为所述待测试车辆在该帧的越线率;
将所述待测试车辆闯红灯的次数占所述仿真次数的比例作为所述待测试车辆在该帧的闯红灯率;
将所述待测试车辆未按限速标准行驶的次数占所述仿真次数的比例作为所述待测试车辆在该帧的未按限速标准行驶率。
可选的,所述评估总结果确定模块204,可以具体用于:
针对同一目标时间段内的舒适性评估分结果,对每次仿真得到的平均加速度、平均减速度、减速时间、加速时间、最大减速度、最大加速度、减速次数和加速次数进行统计,得到所述待测试车辆在该目标时间段内的平均加速度的分布率、平均减速度的分布率、减速时间的分布率、加速时间的分布率、最大减速度的分布率、最大加速度的分布率、减速次数的分布率和加速次数的分布率。
上述装置实施例与方法实施例相对应,与该方法实施例具有同样的技术效果,具体说明参见方法实施例。装置实施例是基于方法实施例得到的,具体的说明可以参见方法实施例部分,此处不再赘述。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域普通技术人员可以理解:实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
最后应说明的是: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实施例技术方案的精神和范围。
Claims (7)
1.一种场景无关的无人驾驶仿真测试评估方法,其特征在于,包括:
接收用于对待测试车辆进行无人驾驶仿真测试评估的待测试数据;
针对所述待测试数据中的每帧数据,按照预设数据组装规则对该帧数据进行组装,生成多个组装数据,针对各组装数据,根据所述待测试车辆的动力学参数以及该组装数据中的目标物的位置信息计算所述目标物与所述待测试车辆之间的实际距离和安全距离,其中,距离的类型包括纵向距离、左横向距离和右横向距离;计算所述实际距离与所述安全距离之间的差值,将所述实际距离、所述安全距离和所述差值作为所述待测试车辆在该帧的安全性评估分结果,当该帧数据中出现交通标志对象时,提取所述交通标志对象的信息以及所述待测试车辆的位置信息和行驶信息,根据所提取的信息判断所述待测试车辆是否违规,得到所述待测试车辆在该帧的法规性评估分结果,其中,所述实际距离为仿真过程中,所述待测试车辆与所述目标物之间的距离,所述安全距离为所述待测试车辆与所述目标物之间不发生碰撞时的最小距离,所述针对所述待测试数据中的每帧数据,按照预设数据组装规则对该帧数据进行组装,生成多个组装数据的步骤,包括:针对所述待测试数据中的每帧数据,提取该帧数据中的待测试车辆数据以及目标物数据,将所述待测试车辆数据与每一目标物数据进行组装,生成多个组装数据,其中,所述目标物数据的类型至少包括车辆类型;
针对所述待测试数据中的各目标时间段,提取所述待测试车辆在该目标时间段内的加速度,根据所提取的加速度计算所述待测试车辆在该目标时间段内的舒适性评估分结果,其中,各目标时间段为所述待测试车辆存在连续两次加速行为以及在加速行为之后存在一次减速行为的时间段,各目标时间段的起始时间点为连续两次加速行为中的第一次加速行为发生的时间点,各目标时间段的终止时间为减速行为发生的时间点;
对所述待测试数据进行循环测试直至达到预设仿真次数,对得到的所有安全性评估分结果进行整理,得到所述待测试车辆的安全性评估总结果,对得到的所有法规性评估分结果进行整理,得到所述待测试车辆的法规性评估总结果,对得到的所有舒适性评估分结果进行整理,得到所述待测试车辆的舒适性评估总结果。
2.如权利要求1所述的方法,其特征在于,所述根据所提取的信息判断所述待测试车辆是否违规,得到所述待测试车辆在该帧的法规性评估分结果的步骤,包括:
当所述交通标志对象为限速标志时,判断所述待测试车辆的速度是否符合所述限速标志所示出的速度标准,如果否,确定所述待测试车辆未按限速标准行驶;
当所述交通标志对象为交通信号灯和停止线时,根据所述待测试车辆的位置信息与所述停止线的位置信息,判断所述待测试车辆的是否闯红灯行驶,如果是,确定所述待测试车辆闯红灯;
当所述交通标志对象为交通警告标志时,判断所述待测试车辆的位置是否超过所述交通警告标志的位置,如果是,确定所述待测试车辆越线行驶;
当所述交通标志为人形横道线或减速让行标志时,判断所述待测试车辆在所述人形横道线的位置是否停车并在预设时间段内起步行驶,如果否,确定所述待测试车辆越线行驶。
3.如权利要求1所述的方法,其特征在于,所述根据所提取的加速度计算所述待测试车辆在该目标时间段内的舒适性评估分结果的步骤,包括:
根据所提取的加速度确定所述待测试车辆在该目标时间段内的平均加速度、平均减速度、减速时间、加速时间、最大减速度、最大加速度、减速次数和加速次数。
4.如权利要求1所述的方法,其特征在于,所述对得到的所有安全性评估分结果进行整理,得到所述待测试车辆的安全性评估总结果的步骤,包括:
针对同一帧数据的安全性评估分结果,将实际距离与安全距离均为0的次数占所述仿真次数的比例作为所述待测试车辆在该帧的碰撞率;
将小于预设纵向阈值的纵向差值中的最大差值作为所述待测试车辆在该帧的纵向不安全状态下最大偏差值,其中,所述纵向差值为纵向实际距离与纵向安全距离之间的差值;
将小于预设左横向阈值的左横向差值中的最大差值作为所述待测试车辆在该帧的左横向不安全状态下最大偏差值,其中,所述左横向差值为左横向实际距离与左横向安全距离之间的差值;
将小于预设右横向阈值的右横向差值中的最大差值作为所述待测试车辆在该帧的右横向不安全状态下最大偏差值,其中,所述右横向差值为右横向实际距离与右横向安全距离之间的差值;
将不小于所述预设纵向阈值的纵向差值中的最小差值作为所述待测试车辆在该帧的纵向安全状态下最小偏差值;
将不小于所述预设左横向阈值的左横向差值中的最小差值作为所述待测试车辆在该帧的左横向安全状态下最小偏差值;
将不小于所述预设右横向阈值的右横向差值中的最小差值作为所述待测试车辆在该帧的右横向安全状态下最小偏差值。
5.如权利要求2所述的方法,其特征在于,所述对得到的所有法规性评估分结果进行整理,得到所述待测试车辆的法规性评估总结果的步骤,包括:
针对同一帧数据的法规性评估分结果,将所述待测试车辆越线行驶的次数占所述仿真次数的比例作为所述待测试车辆在该帧的越线率;
将所述待测试车辆闯红灯的次数占所述仿真次数的比例作为所述待测试车辆在该帧的闯红灯率;
将所述待测试车辆未按限速标准行驶的次数占所述仿真次数的比例作为所述待测试车辆在该帧的未按限速标准行驶率。
6.如权利要求3所述的方法,其特征在于,所述对得到的所有舒适性评估分结果进行整理,得到所述待测试车辆的舒适性评估总结果的步骤,包括:
针对同一目标时间段内的舒适性评估分结果,对每次仿真得到的平均加速度、平均减速度、减速时间、加速时间、最大减速度、最大加速度、减速次数和加速次数进行统计,得到所述待测试车辆在该目标时间段内的平均加速度的分布率、平均减速度的分布率、减速时间的分布率、加速时间的分布率、最大减速度的分布率、最大加速度的分布率、减速次数的分布率和加速次数的分布率。
7.一种场景无关的无人驾驶仿真测试评估装置,其特征在于,包括:
接收模块,用于接收用于对待测试车辆进行无人驾驶仿真测试评估的待测试数据;
第一评估模块,用于针对所述待测试数据中的每帧数据,按照预设数据组装规则对该帧数据进行组装,生成多个组装数据,针对各组装数据,根据所述待测试车辆的动力学参数以及该组装数据中的目标物的位置信息计算所述目标物与所述待测试车辆之间的实际距离和安全距离,其中,距离的类型包括纵向距离、左横向距离和右横向距离;计算所述实际距离与所述安全距离之间的差值,将所述实际距离、所述安全距离和所述差值作为所述待测试车辆在该帧的安全性评估分结果,当该帧数据中出现交通标志对象时,提取所述交通标志对象的信息以及所述待测试车辆的位置信息和行驶信息,根据所提取的信息判断所述待测试车辆是否违规,得到所述待测试车辆在该帧的法规性评估分结果,其中,所述实际距离为仿真过程中,所述待测试车辆与所述目标物之间的距离,所述安全距离为所述待测试车辆与所述目标物之间不发生碰撞时的最小距离,所述第一评估模块,具体用于:针对所述待测试数据中的每帧数据,提取该帧数据中的待测试车辆数据以及目标物数据,将所述待测试车辆数据与每一目标物数据进行组装,生成多个组装数据,其中,所述目标物数据的类型至少包括车辆类型;
第二评估模块,用于针对所述待测试数据中的各目标时间段,提取所述待测试车辆在该目标时间段内的加速度,根据所提取的加速度计算所述待测试车辆在该目标时间段内的舒适性评估分结果,其中,各目标时间段为所述待测试车辆存在连续两次加速行为以及在加速行为之后存在一次减速行为的时间段,各目标时间段的起始时间点为连续两次加速行为中的第一次加速行为发生的时间点,各目标时间段的终止时间为减速行为发生的时间点;
评估总结果确定模块,用于对所述待测试数据进行循环测试直至达到预设仿真次数,对得到的所有安全性评估分结果进行整理,得到所述待测试车辆的安全性评估总结果,对得到的所有法规性评估分结果进行整理,得到所述待测试车辆的法规性评估总结果,对得到的所有舒适性评估分结果进行整理,得到所述待测试车辆的舒适性评估总结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110489730.2A CN113111004B (zh) | 2021-01-11 | 2021-01-11 | 一种场景无关的无人驾驶仿真测试评估方法及装置 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110028045.XA CN112346999B (zh) | 2021-01-11 | 2021-01-11 | 一种场景无关的无人驾驶仿真测试评估方法及装置 |
CN202110489730.2A CN113111004B (zh) | 2021-01-11 | 2021-01-11 | 一种场景无关的无人驾驶仿真测试评估方法及装置 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110028045.XA Division CN112346999B (zh) | 2021-01-11 | 2021-01-11 | 一种场景无关的无人驾驶仿真测试评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111004A CN113111004A (zh) | 2021-07-13 |
CN113111004B true CN113111004B (zh) | 2022-05-17 |
Family
ID=74427544
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110489657.9A Active CN113111003B (zh) | 2021-01-11 | 2021-01-11 | 一种场景无关的无人驾驶仿真测试评估方法及装置 |
CN202110028045.XA Active CN112346999B (zh) | 2021-01-11 | 2021-01-11 | 一种场景无关的无人驾驶仿真测试评估方法及装置 |
CN202110489730.2A Active CN113111004B (zh) | 2021-01-11 | 2021-01-11 | 一种场景无关的无人驾驶仿真测试评估方法及装置 |
Family Applications Before (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110489657.9A Active CN113111003B (zh) | 2021-01-11 | 2021-01-11 | 一种场景无关的无人驾驶仿真测试评估方法及装置 |
CN202110028045.XA Active CN112346999B (zh) | 2021-01-11 | 2021-01-11 | 一种场景无关的无人驾驶仿真测试评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (3) | CN113111003B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113535569B (zh) * | 2021-07-22 | 2022-12-16 | 中国第一汽车股份有限公司 | 自动驾驶的控制效果确定方法 |
CN113467276B (zh) * | 2021-09-03 | 2021-12-07 | 中国汽车技术研究中心有限公司 | 基于智能驾驶仿真赛事云平台的智能驾驶仿真方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635793A (zh) * | 2019-01-31 | 2019-04-16 | 南京邮电大学 | 一种基于卷积神经网络的无人驾驶行人轨迹预测方法 |
CN109871599A (zh) * | 2019-01-30 | 2019-06-11 | 西安理工大学 | 一种无人驾驶车辆运行安全指数评价方法 |
JP2019150150A (ja) * | 2018-02-28 | 2019-09-12 | パナソニックIpマネジメント株式会社 | 視認性評価システム |
CN111707476A (zh) * | 2020-05-20 | 2020-09-25 | 同济大学 | 一种面向自动驾驶汽车的纵向驾驶能力检测方法 |
CN111902694A (zh) * | 2018-04-03 | 2020-11-06 | 御眼视觉技术有限公司 | 用于确定导航参数的系统和方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060067296A1 (en) * | 2004-09-03 | 2006-03-30 | University Of Washington | Predictive tuning of unscheduled streaming digital content |
JP5075152B2 (ja) * | 2009-03-24 | 2012-11-14 | 日立オートモティブシステムズ株式会社 | 車両制御装置 |
CN104978492A (zh) * | 2015-07-09 | 2015-10-14 | 彩虹无线(北京)新技术有限公司 | 一种基于车联网数据流的安全驾驶评价方法 |
AT518850B1 (de) * | 2016-07-13 | 2021-11-15 | Avl List Gmbh | Verfahren zur simulationsbasierten Analyse eines Kraftfahrzeugs |
KR20190091366A (ko) * | 2016-12-23 | 2019-08-05 | 모빌아이 비젼 테크놀로지스 엘티디. | 부과된 책임 제약이 있는 항법 시스템 |
CN112721923A (zh) * | 2018-03-20 | 2021-04-30 | 御眼视觉技术有限公司 | 用于导航车辆的系统和方法 |
CN109520744B (zh) * | 2018-11-12 | 2020-04-21 | 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 |
CN110001653B (zh) * | 2019-03-29 | 2021-03-26 | 腾讯科技(深圳)有限公司 | 一种驾驶行为评估方法、服务器及计算机可读介质 |
CN111038498A (zh) * | 2019-11-20 | 2020-04-21 | 深圳市易成自动驾驶技术有限公司 | 驾驶行为监控方法、终端及可读存储介质 |
CN111723470B (zh) * | 2020-05-26 | 2023-05-02 | 同济大学 | 一种基于标定优化rss模型的自动驾驶控制方法 |
-
2021
- 2021-01-11 CN CN202110489657.9A patent/CN113111003B/zh active Active
- 2021-01-11 CN CN202110028045.XA patent/CN112346999B/zh active Active
- 2021-01-11 CN CN202110489730.2A patent/CN113111004B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019150150A (ja) * | 2018-02-28 | 2019-09-12 | パナソニックIpマネジメント株式会社 | 視認性評価システム |
CN111902694A (zh) * | 2018-04-03 | 2020-11-06 | 御眼视觉技术有限公司 | 用于确定导航参数的系统和方法 |
CN109871599A (zh) * | 2019-01-30 | 2019-06-11 | 西安理工大学 | 一种无人驾驶车辆运行安全指数评价方法 |
CN109635793A (zh) * | 2019-01-31 | 2019-04-16 | 南京邮电大学 | 一种基于卷积神经网络的无人驾驶行人轨迹预测方法 |
CN111707476A (zh) * | 2020-05-20 | 2020-09-25 | 同济大学 | 一种面向自动驾驶汽车的纵向驾驶能力检测方法 |
Non-Patent Citations (2)
Title |
---|
Evaluation of Responsibility-Sensitive Safety (RSS) Model based on Human-in-the-loop Driving Simulation;Chen Chai;《IEEE 2020 IEEE 23rd International Conference on Intelligent Transportation Systems (ITSC)》;20201224;第1-7页 * |
自动驾驶功能安全标准化研究;张云;《中国标准化》;20200615(第11期);第109-112页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113111004A (zh) | 2021-07-13 |
CN112346999A (zh) | 2021-02-09 |
CN113111003A (zh) | 2021-07-13 |
CN112346999B (zh) | 2021-04-20 |
CN113111003B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113111004B (zh) | 一种场景无关的无人驾驶仿真测试评估方法及装置 | |
CN111178402B (zh) | 一种自动驾驶车辆道路测试的场景分类方法及装置 | |
CN111426486B (zh) | 辅助驾驶系统的测试方法、装置、设备及存储介质 | |
CN113609016B (zh) | 车辆自动驾驶测试场景的构建方法、装置、设备及介质 | |
CN112327806B (zh) | 自动驾驶的测试方法、装置、电子设备和存储介质 | |
CN111354194A (zh) | 一种高速公路车辆识别方法及装置 | |
CN109900494A (zh) | 一种测试用例的生成方法 | |
CN115165398A (zh) | 车辆的行驶功能测试方法、装置、计算设备及介质 | |
CN114818326A (zh) | 城市轨道交通电子地图的验证方法及装置 | |
CN114647954A (zh) | 仿真场景生成方法、装置、计算机设备及存储介质 | |
CN111145554B (zh) | 一种基于自动驾驶aeb的场景定位方法和装置 | |
CN112559272B (zh) | 车载设备的质量信息确定方法、装置、设备及存储介质 | |
CN115270381A (zh) | 仿真场景生成方法、装置、自动驾驶设备及可读存储介质 | |
US10417358B2 (en) | Method and apparatus of obtaining feature information of simulated agents | |
KR20190064147A (ko) | 공중촬영 영상을 이용한 차량 행태 분석 시스템 및 이를 이용한 분석 방법 | |
CN116001800B (zh) | 车辆驾驶风险信息获取方法、装置、电子设备及介质 | |
CN116978200A (zh) | 一种针对高速违法车辆进行监控和预警的方法和系统 | |
CN110816544B (zh) | 驾驶行为评价方法、装置、车辆及车联网云平台 | |
CN116753938A (zh) | 车辆测试场景生成方法、装置、存储介质及设备 | |
CN107622667B (zh) | 一种变造车牌号码检测方法及系统 | |
CN112418315B (zh) | 基于制动特征和svm算法的驾驶员身份识别建模方法 | |
CN114274938B (zh) | 一种车辆制动场景确定方法、装置、设备及存储介质 | |
CN116343484B (zh) | 交通事故识别方法、终端及存储介质 | |
CN114155476B (zh) | Aeb有效避免事故场景识别方法、装置、设备及介质 | |
CN112464462B (zh) | 一种仿真运行数据的处理方法及装置 |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 100070 401, 4th floor, 66 Zizhuyuan Road, Haidian District, Beijing Patentee after: Beijing Saimu Technology Co.,Ltd. Patentee after: Zhejiang saimu Technology Co.,Ltd. Address before: 100070 401, 4th floor, 66 Zizhuyuan Road, Haidian District, Beijing Patentee before: Beijing saimu Technology Co.,Ltd. Patentee before: Zhejiang saimu Technology Co.,Ltd. |