CN113190921B - 用于智能汽车驾乘性能测试的自动评价方法及系统 - Google Patents
用于智能汽车驾乘性能测试的自动评价方法及系统 Download PDFInfo
- Publication number
- CN113190921B CN113190921B CN202110524749.6A CN202110524749A CN113190921B CN 113190921 B CN113190921 B CN 113190921B CN 202110524749 A CN202110524749 A CN 202110524749A CN 113190921 B CN113190921 B CN 113190921B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- scoring
- working condition
- driving
- score
- 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
- 238000011056 performance test Methods 0.000 title claims abstract description 17
- 238000011156 evaluation Methods 0.000 title claims description 35
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 9
- 230000007613 environmental effect Effects 0.000 claims abstract description 7
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 7
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011076 safety test Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Traffic Control Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Mathematical Optimization (AREA)
Abstract
一种用于智能汽车驾乘性能测试的自动评价方法及系统，通过在驾乘测试的过程中，组合若干车载传感器实时采集车辆周围的环境信息，利用机器人操作系统与真实场景下或仿真测试环境下的车辆进行通信，以此实现了实时的不同维度的自动量化评估，即先对场景和工况进行分割，再在特定场景下通过行为能力量表衡量智能汽车驾驶算法的的工况进行安全性、舒适性、交通协调性、交规匹配性，使用工况分割的数据对量表的打分进行优化，并使用可视化界面呈现。本发明能够使得智能汽车的驾乘性能测试能够从多个角度出发，全面地对驾乘性能进行自动化评估，减少人工介入，降低成本，加快试验速度。
Description
技术领域
本发明涉及的是一种智能汽车制造领域的技术，具体是一种用于智能汽车驾乘性能测试的自动评价方法及系统。
背景技术
目前，汽车制造业的车辆性能评测已经涵盖了非常多的方向，比较全面。然而实验室工况不能完整验证车辆在道路上的性能，需要在真实工况或仿真环境中进行测试。智能汽车的驾乘性能测试是指，在真实路况中，或者在仿真系统的场景中，通过车辆运行的一系列参数，对智能汽车的乘坐舒适性，算法安全性等等进行评估，最终有效评估智能汽车作为一个完整系统，在真实环境中的表现。
然而，目前的评估方法存在一定的缺陷。比如碰撞安全性测试，对安全性的测试建立在碰撞已经发生的场景下，不能测试智能汽车驾驶算法的安全性。同时，例如试驾场中的驾乘舒适性往往限定了工况，不能涉及到环境中需要频繁刹车的堵车场景等时机工况。而且这些测试往往各自分离，需要人类驾驶员测评或者控制，并且要花费时间分别进行不同项目的测试。这些测试的考核标准往往也互相耦合，不能很好的表征各个方面的驾乘性能。因此，智能汽车的驾乘性能测试需要一种不同于传统有人汽车的自动化新型评价系统来保证全面的，快速的性能测试。
发明内容
本发明针对现有技术存在的上述不足，提出一种用于智能汽车驾乘性能测试的自动评价方法及系统，通过传感器和数据采集程序自动化地收集数据，并利用评价程序自动生成驾乘测试的量化评估结果，使得智能汽车的驾乘性能测试能够从多个角度出发，全面地对驾乘性能进行自动化评估，减少人工介入，降低成本，加快试验速度。
本发明是通过以下技术方案实现的：
本发明涉及一种用于智能汽车驾乘性能测试的自动评价方法，通过在驾乘测试的过程中，组合若干车载传感器实时采集车辆周围的环境信息，利用机器人操作系统(RobotOperation System，ROS)与真实场景下或仿真测试环境下的车辆进行通信，以此实现了实时的不同维度的自动量化评估，即先对场景和工况进行分割，再在特定场景下通过行为能力量表衡量智能汽车驾驶算法的工况进行安全性、舒适性、交通协调性、交规匹配性，使用工况分割的数据对量表的打分进行优化，并使用可视化界面呈现。
所述的车载传感器包括：摄像头、毫米波雷达、激光雷达、组合导航。
所述的环境信息包括：车辆周围障碍物的位置信息、速度信息、视觉分类信息、车道线信息以及自车位姿信息。
所述的ROS与真实场景下或仿真测试环境下的车辆进行通信具体包括：真实场景下使用python编写基于ros平台的程序，并使用socket库实现websocket功能，使得车载传感器可以通过TCP协议将驾驶参数发送至客户端电脑；仿真测试环境下使用C++编写基于Ros平台的程序，通过ROS中基于MQTT协议的信息收发机制获取仿真软件的驾驶参数，并发送给客户端进行计算。
所述的自动量化评估包括：
a)基于统计原则的评分：评分为
当前的驾驶状况好于p％的时间中的驾驶状况，对于量表中某一项的评分s，例如舒适性，当用于评分的参数为x，当参数x在正常状况下的概率分布函数为f，参数绝对值越小，驾驶状况越好，则评分为：
其中：三向舒适性以及三向冲击适应性使用的参数如评测参数量表中垂、横行列所示。
b)基于事件概率的评分：有一些特征仍然不适用上述统计原则，例如碰撞概率。他们只是对某些是/否事件的发生概率的表征，评分依据包括：①当对于用于评分的参数为x，计算发生事故的概率为P(x)，其对应的评分即为P(x)；②当对于用于评分的环境参数y和特征参数x，计算发生事故的特征参数期望XE(y)，对应的评分为
c)基于特征边界的评分：有一部分特征与事件发生的概率没有显性的量化关系，例如偏离车道的距离，使用这些特征参数与其边界的距离作为评分。评分依据以下算法得出：当对于用于评分的参数x，在现有环境参数y的情况下，参数的边界为Xlimit(y)，对应的评分为
所述的不同维度包括：安全性、舒适性、交通协调性和交规匹配性，每个评价维度都有各自对应的量表，表征不同维度下的不同特征。在制定量表时，充分考虑了周围车辆和行人，以及交通流和交规的影响，并保证量表的各个分项解耦，方便后续的使用与评判。
所述的工作场景包括：高速工况与城区工况。
所述的工况是指：跟车是指：自车在直道行驶时，自身车速≥60km/h，转向角＜4度，且前方跟车的目标的横向距离＜1m，纵向距离＜55m；直道自由行驶是指：自车在直道行驶时，自身车速≥60km/h，转向角＜4度，且前方跟车的目标的横向距离＜1m，纵向距离≥55m；换道是指：自车车速≥60km/h，转向角≥1度，转向灯信号出现次数(1或2)>2；旁车切入是指：纵横向距离突变≥2.5m(车长)，排除换道工况；弯道行驶是指：自车车速>10km/h，转向角>2度，转向角绝对值数据累积>3000度；面颠簸是指：自车垂向加速度标志-14.0～-6.5m/s/s；从此时刻开始，筛选出垂向加速度的方差>1.0的片段。
所述的优化具体为：对各个不同工况，通过加权均衡不同工况下的评分以更贴合自动驾驶算法的开发需求。加权分数的原则是：当某个工况本不必出现，某种行为使得这种工况出现了，则就要相应的降低分值，例如变道行为；当某个工况是由于客观条件引起的，且一般状态稳定，较少产生无法预料的情形，则自动驾驶系统应该在这个工况下是无责的，就适当地调整增加这个分数，避免不必要的过优化，例如其他车辆换道时，对整体协调性的破坏不是本车引起的。
所述的优化，以实验数据的归一化结果为准：在确定系数之前，需要首先获得一定的真实路测数据，进行评分，再以全部评分的L2范数L为基准，当工况X需要进行评分优化，当这一时段内其评分，评分的L2范数为LX，修正系数为L/LX。
技术效果
本发明整体解决了现有技术需要人工对各项参数进行分别测试评价，测试评价速度慢，成本高的不足，弥补了目前自动驾驶系统评价系统的评分耦合性过高，各项参数难以分离，无法针对性优化的缺陷。与现有技术相比，本发明通过区分客观风险和汽车有能力规避的风险，为自动驾驶算法提供了直接的针对性改进方向；通过工况分数修正，避免自动驾驶算法优化过程的过优化和欠优化；进一步通过解耦的量表，可以针对性的优化驾驶参数。
附图说明
图1为本发明传感器安装示意图；
图2为本发明流程图；
图3为实施例系统示意图；
图4为实施例系统工作示意图；
图5为实施例效果示意图。
具体实施方式
如图3所示，为本实施例涉及一种用于智能汽车驾乘性能测试的自动评价系统，包括：信息采集单元、工况识别单元、自动评价单元以及可视化显示单元，其中：信息采集单元与工况辨识单元相连并传输车辆与环境信息，工况辨识单元与实时评分相连并传输评分信息，评分单元与HMI实时显示相连并传输最终得分，并显示给使用者。
如图1所示，为本实施例涉及上述系统的用于智能汽车驾乘性能测试的自动评价方法中，用于实时采集车辆周围的环境信息的车载传感器的布置方式，该车载传感器分别实时检测速度、加速度等用于评测的参数；在车载电脑上使用基于ROS平台的程序进行数据预处理，并对工况和场景进行判定，将结果一并发往进行实时评分的客户端；使用客户端上，基于四维评分的量表编写的实时评价程序，进行实时评分，同时使用工况和场景数据对评分进行优化；使用客户端上的HMI程序显示实时评分的结果。
所述的安全性使用的量表{此处就是上文评分公式的具体内容，上文为抽象的数学表达，此处的各参数则具有物理意义}为：安全性量表有两种制定原则，第一种是客观的风险量表，表述当前客观存在的风险；第二种行为能力量表，表述智能驾驶车辆应对风险的表现。
所述的实时评分，所采用的评测参数量表如下所示
所述的量表中的风险行为能力表示行为能力量表的部分，其余即为客观风险部分。部分风险即可以作为风险行为能力的判定标准，其本身也可以作为客观风险的一部分。
下面列出了上述分项基于之前所述原则的具体评分公式，具体包括：
①车道风险，具体为冲出车道的预计剩余时间
其中：与车道线的最大夹角θ＝max(θleft，θright)。
②路线安全，具体为：在任意时刻，预计前车到达冲突点时(t1)两车的冲突圆重叠区域大小A1和预计后车到达冲突点时(t2)两车的冲突圆重叠区域大小A2重叠的最大比例
其中：车辆的冲突圆半径：
最小车距dmin：车长，前/后车冲突圆大小
③行人安全，具体为：
其中：
④碰撞风险，具体为：
其中：尚未预测物体与自车的相对距离d，最大检测距离D。
⑤碰撞危害与碰撞损失：根据实验所得分布函数查表，见下表
⑥遮挡风险，具体为：
其中：检测圆半径(最大检测半径)D；检测圆内被遮挡的区域S。
⑦道路行驶安全，具体为：
其中：最大加速度：amax，道路曲率半径：ρ，行驶速度V。
⑧追尾风险，具体为：
其中：分布函数：对数正态分布，追尾时的ttc期望值：
舒适性使用的量表为：分布函数为正态分布，评分公式根据上述统计原则的评分公式制定：
交通协调性使用的量表及使用的参数如下表：评分参数公式依据上述事件边界的评分算法制定
| 协调性分项评分名称 | 参考参数 | 满分阈值(绝对值) | 零分阈值(绝对值) |
| 自车通行流量 | 车速 | 道路限速 | 5km/h |
| 车道通行流量 | 车距 | 安全车距 | 最远探测距离 |
| 整体道路流量 | 平均相对车速 | 0 | 当前车速 |
| 车流阻碍 | 周围车辆加速度 | 0 | 一般车辆最大减速度 |
所述的交规匹配性的自动量化评估，具体算法为：使用视觉摄像头识别限速与限行标志，进行是/否合规的评分。
最后，同步接收实车当前的工况数据，调整不同工况下的实际分数，并最终输出符合现实条件的分数。
在进行客观参数的评分时，量表的每一项都会使用一个使用实时数据，结合路径预测，碰撞预测等评估，计算得到的评分特征作为标准。评根据实验数据给出各个参数的分布函数，可以实时计算出驾驶状况的评分p，如图5所示，为在ROS+VTD仿真环境下，评分由可视化程序实时给出。
相比现有技术需要在实验室中进行的评估需要人工设置环境，采集数据，后期处理。本发明无需人工设置场景，采集并处理数据，可以在道路测试时同步进行实时评估。本发明可同时进行多个维度的全面评估，不仅能进行客观参数的评分，同时还能评估自动驾驶算法，更适用与智能汽车的驾乘性能评估。本发明补充了实验室中性能评测的条件欠缺，例如没有考虑周围车辆与人员，实际工况和路况与实验室环境不一致。同时针对不同工况和场景进行了修正。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。
Claims (7)
1.一种用于智能汽车驾乘性能测试的自动评价方法，其特征在于，通过在驾乘测试的过程中，组合若干车载传感器实时采集车辆周围的环境信息，利用机器人操作系统与真实场景下或仿真测试环境下的车辆进行通信，以此实现了实时的不同维度的自动量化评估，即先对场景和工况进行分割，再在特定场景下通过行为能力量表衡量智能汽车驾驶算法的工况进行安全性、舒适性、交通协调性、交规匹配性，使用工况分割的数据对量表的打分进行优化，并使用可视化界面呈现；
所述的车载传感器包括：摄像头、毫米波雷达、激光雷达、组合导航；
所述的环境信息包括：车辆周围障碍物的位置信息、速度信息、视觉分类信息、车道线信息以及自车位姿信息；
所述的自动量化评估包括：
a)基于统计原则的评分：评分为
当前的驾驶状况好于p％的时间中的驾驶状况，当用于评分的参数为x，当参数x在正常状况下的概率分布函数为f，评分为：
其中：三向舒适性以及三向冲击适应性使用的参数分别为横向舒适性、纵向舒适性、垂向舒适性、横向冲击适应性、纵向冲击适应性、垂向冲击适应性；
b)基于事件概率的评分包括：①当对于用于评分的参数为x，计算发生事故的概率为P(x)，其对应的评分即为P(x)；②当对于用于评分的环境参数y和特征参数x，计算发生事故的特征参数期望XE(y)，对应的评分为
c)基于特征边界的评分：当对于用于评分的参数x，在现有环境参数y的情况下，参数的边界为Xlimit(y)，对应的评分为
2.根据权利要求1所述的用于智能汽车驾乘性能测试的自动评价方法，其特征是，所述的机器人操作系统与真实场景下或仿真测试环境下的车辆进行通信具体包括：真实场景下使用python编写基于ros平台的程序，并使用socket库实现websocket功能，使得车载传感器可以通过TCP协议将驾驶参数发送至客户端电脑；仿真测试环境下使用C++编写基于Ros平台的程序，通过ROS中基于MQTT协议的信息收发机制获取仿真软件的驾驶参数，并发送给客户端进行计算。
3.根据权利要求1所述的用于智能汽车驾乘性能测试的自动评价方法，其特征是，所述的不同维度包括：安全性、舒适性、交通协调性和交规匹配性，每个评价维度都有各自对应的量表，表征不同维度下的不同特征。
4.根据权利要求1所述的用于智能汽车驾乘性能测试的自动评价方法，其特征是，所述的工况包括：高速工况与城区工况；
所述的工况是指：跟车是指：自车在直道行驶时，自身车速≥60km/h，转向角<4度，且前方跟车的目标的横向距离<1m，纵向距离<55m；直道自由行驶是指：自车在直道行驶时，自身车速≥60km/h，转向角<4度，且前方跟车的目标的横向距离<1m，纵向距离≥55m；换道是指：自车车速≥60km/h，转向角≥1度，转向灯信号出现次数>2；旁车切入是指：纵横向距离突变≥车长，排除换道工况；弯道行驶是指：自车车速>10km/h，转向角>2度，转向角绝对值数据累积>3000度；面颠簸是指：自车垂向加速度标志-14.0～-6.5m/s/s；从此时刻开始，筛选出垂向加速度的方差>1.0的片段。
5.根据权利要求1所述的用于智能汽车驾乘性能测试的自动评价方法，其特征是，所述的优化具体为：对各个不同工况，通过加权均衡不同工况下的评分以更贴合自动驾驶算法的开发需求；
所述的加权是指：当某个工况本不必出现，某种行为使得这种工况出现了，则就要相应的降低分值；当某个工况是由于客观条件引起的且状态稳定，则自动驾驶系统应该在这个工况下是无责的，就适当地调整增加这个分数，避免不必要的过优化。
6.根据权利要求1或5所述的用于智能汽车驾乘性能测试的自动评价方法，其特征是，所述的优化，以实验数据的归一化结果为准：在确定系数之前，需要首先获得一定的真实路测数据，进行评分，再以全部评分的L2范数L为基准，当工况X需要进行评分优化，当这一时段内其评分，评分的L2范数为LX，修正系数为L/LX。
7.一种实现权利要求1～6中任一所述方法的用于智能汽车驾乘性能测试的自动评价系统，其特征在于，包括：信息采集单元、工况识别单元、自动评价单元以及可视化显示单元，其中：信息采集单元与工况辨识单元相连并传输车辆与环境信息，工况辨识单元与实时评分相连并传输评分信息，评分单元与HMI实时显示相连并传输最终得分，并显示给使用者。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110524749.6A CN113190921B (zh) | 2021-05-14 | 2021-05-14 | 用于智能汽车驾乘性能测试的自动评价方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110524749.6A CN113190921B (zh) | 2021-05-14 | 2021-05-14 | 用于智能汽车驾乘性能测试的自动评价方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113190921A CN113190921A (zh) | 2021-07-30 |
| CN113190921B true CN113190921B (zh) | 2021-11-19 |
Family
ID=76981879
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110524749.6A Active CN113190921B (zh) | 2021-05-14 | 2021-05-14 | 用于智能汽车驾乘性能测试的自动评价方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113190921B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113658432B (zh) * | 2021-08-17 | 2022-10-14 | 上海交通大学 | 基于车辆通行优先级博弈的无信号灯交叉口通行优化方法 |
| CN113836790B (zh) * | 2021-08-25 | 2024-02-02 | 成都鲁易科技有限公司 | 电动单车智能化等级的测评方法、装置及计算机设备 |
| 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 |
| CN114543807B (zh) * | 2022-01-14 | 2023-10-20 | 安徽海博智能科技有限责任公司 | 一种极端场景下slam算法的高精度评价方法 |
| CN114838948B (zh) * | 2022-03-04 | 2024-05-17 | 湖北国际物流机场有限公司 | 一种机场自动驾驶引导车自动并道测试方法和系统 |
| CN115346367A (zh) * | 2022-07-26 | 2022-11-15 | 上海交通大学 | 一种车路协同系统的测试系统及其测试方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101389032B1 (ko) * | 2012-10-31 | 2014-04-28 | 자동차부품연구원 | 운전자 실차시험 데이터베이스를 이용한 지능형 차량제어 시스템 평가 장치 및 그 방법 |
| CN110531740B (zh) * | 2019-09-06 | 2020-05-05 | 清华大学 | 一种智能车智能化程度量化测评方法 |
| CN111428960B (zh) * | 2020-01-10 | 2022-06-03 | 武汉理工大学 | 一种融合多源车载传感器信息的智能车辆驾驶性自动化评价方法 |
| CN112465395A (zh) * | 2020-12-15 | 2021-03-09 | 同济大学 | 一种面向自动驾驶汽车的多维度综合评价方法及装置 |
-
2021
- 2021-05-14 CN CN202110524749.6A patent/CN113190921B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113190921A (zh) | 2021-07-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113190921B (zh) | 用于智能汽车驾乘性能测试的自动评价方法及系统 | |
| CN110264783B (zh) | 基于车路协同的车辆防碰撞预警系统及方法 | |
| CN107346612B (zh) | 一种基于车联网的车辆防碰撞方法和系统 | |
| CN110675656B (zh) | 一种基于瞬时风险识别的智能车辆换道预警方法 | |
| CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
| CN112389440B (zh) | 一种基于车路作用机理的越野环境中车辆行驶风险预测方法 | |
| CN111243274A (zh) | 面向非网联交通个体的道路碰撞预警系统及方法 | |
| CN110065494A (zh) | 一种基于车轮检测的车辆防碰撞方法 | |
| CN113147733B (zh) | 雨雾沙尘天气汽车智能限速系统及方法 | |
| CN112512887B (zh) | 一种行驶决策选择方法以及装置 | |
| CN112819968B (zh) | 基于混合现实的自动驾驶车辆的测试方法和装置 | |
| CN111094095B (zh) | 自动地感知行驶信号的方法、装置及运载工具 | |
| EP4316935A1 (en) | Method and apparatus for obtaining lane change area | |
| CN113635897B (zh) | 一种基于风险场的安全驾驶预警方法 | |
| CN114241750B (zh) | 基于智能道路交通风险预警方法的车路协同信息交互系统及方法 | |
| JP7354295B2 (ja) | 車両信号を処理して挙動危険性の測度を計算するための装置及び方法 | |
| CN116957345B (zh) | 用于无人驾驶系统中的数据处理方法 | |
| GB2603829A (en) | Vehicle operation using a behavioral rule model | |
| CN115027464A (zh) | 一种基于方向包围盒的自动驾驶碰撞检测方法 | |
| CN111422202B (zh) | 智能驾驶考试评判方法 | |
| CN114537374A (zh) | 一种基于可行驶区域的车辆前方防碰撞系统 | |
| CN113432615B (zh) | 基于多传感器融合可驾驶区域的检测方法、系统和车辆 | |
| CN116631187B (zh) | 一种案件现场勘查信息智能采集分析系统 | |
| Kanjee et al. | Vision-based adaptive cruise control using pattern matching | |
| CN111784142A (zh) | 高级驾驶辅助系统任务复杂度量化模型 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221215 Address after: 201100 Room 110 and 111, Building 3, No. 600, Jianchuan Road, Minhang District, Shanghai Patentee after: Shanghai Jiaotong University Intellectual Property Management Co.,Ltd. Address before: 200240 No. 800, Dongchuan Road, Shanghai, Minhang District Patentee before: SHANGHAI JIAO TONG University |
|
| TR01 | Transfer of patent right |