CN113487910B - 一种用于跟车场景的汽车数据采集系统性能分析方法 - Google Patents
一种用于跟车场景的汽车数据采集系统性能分析方法 Download PDFInfo
- Publication number
- CN113487910B CN113487910B CN202110649779.XA CN202110649779A CN113487910B CN 113487910 B CN113487910 B CN 113487910B CN 202110649779 A CN202110649779 A CN 202110649779A CN 113487910 B CN113487910 B CN 113487910B
- Authority
- CN
- China
- Prior art keywords
- data
- value
- acquisition system
- data acquisition
- vehicle
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims description 41
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 230000003247 decreasing effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 13
- 230000007423 decrease Effects 0.000 description 8
- 230000008447 perception Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 101100170365 Arabidopsis thaliana At5g60805 gene Proteins 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 101150002475 mae1 gene Proteins 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/14—Adaptive cruise control
- B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/14—Adaptive cruise control
- B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
- B60W30/162—Speed limiting therefor
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4042—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/802—Longitudinal distance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种用于跟车场景的汽车数据采集系统性能分析方法,包括以下步骤:S1:通过数据采集系统采集待测车的实时行驶数据;S2:在检测车和待检测车上安装测距系统;S3:通过采集到的实时行驶数据和行驶数据参考真实值计算数据采集系统的采集数据一致性评估值;S4:将测距系统检测到的相对纵向距离划分为三个区间;S5:计算每个区间内的待测车实时行驶数据均方根误差、平均绝对误差;S6:通过均方根误差计算等效权重;S7:通过等效权重与平均绝对误差计算得到数据采集系统采集精度值。本发明所述的一种用于跟车场景的汽车数据采集系统性能分析方法解决了现有验数据采集系统的跟车场景采集性能方法测试结果不够精确的问题。
Description
技术领域
本发明属于智能驾驶车辆场景数据采集技术领域,尤其是涉及一种用于跟车场景的汽车数据采集系统性能分析方法。
背景技术
随着车辆智能化和科技感的提升,智能驾驶车辆传感器数据采集技术已经成为自动驾驶技术的主要发展方向。目前大多数研究者采用GPS和IMU组合方式形成厘米级别的差分定位系统,能够实时定位车辆位置和姿态信息。采用前视觉传感器、毫米波雷达以及激光雷达等传感器组成冗余感知系统,能够识别和计算自车周围的道路、车辆和行人,然后对传感器数据进行融合分析,输出车辆周围环境信息。虽然集成定位和感知系统的多传感器数采装置已经作为评估辅助驾驶车辆传感器、感知系统以及辅助驾驶功能的参考真值,具有数据采集效率高,软硬件拓展性强,系统运行稳定性好的优势,但是同样具有数据采集结果的一致性和精确性的问题。
数据采集的一致性是指对场景采集过程中各个传感器识别同一个目标体,按照与原目标物之间的速度或距离等参数一致的原则,分别对传感器进行性能一致性评价。数据采集的准确性是指场景采集系统在道路试验中相关试验指标或性能的观测值与其真值的接近程度。
因为不同种类的传感器识别和输出的目标物信息不同。因此,不同传感器对同一个目标物的一致性是评估数据采集系统一致性的必要条件。在跟车场景采集系统中,相对纵向距离和相对纵向速度是评估巡航跟车功能的基础,不同传感器对同一个目标的相对纵向距离和相对纵向速度是评估跟车采集系统的关键测试指标。
采集系统的不同种类传感器满足数据一致性条件下,若各传感器数据能够稳定维持在一定的误差区间,且保证数采系统的输出精确度,才能更好验证跟车数采系统的采集能力,确认数据采集系统的数据有效性。
在检验跟车数采系统的一致性和精确性时,相关研究者普遍采用算法仿真和道路试验两种方法对数据进行计算分析。算法仿真是比较容易实现的方法,优点是软件简易操作,参数灵活可变,模拟场景量大,验证效率高;缺点是依赖复杂的数学模型,不能完全反应测试用例的实际车况,测试结果精确性有限等。
发明内容
有鉴于此,本发明提出一种用于跟车场景的汽车数据采集系统性能分析方法以解决现有数据采集系统的跟车场景采集性能方法测试结果不够精确的问题。
为达到上述目的,本发明的技术方案是这样实现的:
一种用于跟车场景的汽车数据采集系统性能分析方法,包括以下步骤:
S1:通过数据采集系统采集待测车的实时行驶数据;
S2:在检测车和待检测车上安装测距系统,检测车对待检测车进行跟车,通过测距系统检测待测车的行驶数据参考真实值;
S3:通过采集到的实时行驶数据和行驶数据参考真实值计算数据采集系统的采集数据一致性评估值,如果一致性评估值大于预设值,则进行步骤S4;
S4:将测距系统检测到的待检测车与检测车之间的相对纵向距离划分为相对纵向距离增大区间、相对纵向距离不变区间和相对纵向距离减小区间;
S5:计算每个区间内的待测车实时行驶数据均方根误差、平均绝对误差,判断平均绝对误差是否小于等于均方根误差,如果是则步骤S6;
S6:通过均方根误差计算等效权重;
S7:通过等效权重与平均绝对误差计算得到数据采集系统采集精度值,从而判断数据采集系统的采集数据的精确性。
进一步的,数据采集系统包括激光雷达、毫米波雷达、摄像头,通过数据采集系统采集的实时行驶数据包括实时位置、速度、加速度数据
进一步的,步骤S3利用的采集数据一致性评估值计算方法如下:
数值越逼近1时,表示数采系统传感器及其融合数据与行驶数据参考真实值越接近,如果一致性评估值R2大于预设值,则进行步骤S4。
进一步的,步骤S5利用的平均绝对误差计算方法如下:
分别从随机跟车场景道路试验中划分出若干个个有效区间,这些有效区间的激光雷达、毫米波雷达、摄像头、多传感器融合输出值组成一列输出值数组{t1,t2,...,tn},
其中,MAE为平均绝对误差,n为数据帧数,ti为激光雷达、毫米波雷达&摄像头和多传感器融合的输出值,m(t)是测距系统测量值,作为计算跟车数采系统的各个传感器及其融合数据的参考真实值。
进一步的,步骤S5利用的均方根误差计算方法如下:
其中,s为均方根误差,n为数据帧数,sc为参考真值设备输出数据,sbc为激光雷达或摄像头、毫米波雷达或融合等被检测设备输出的数据。
进一步的,步骤S5利用的判断平均绝对误差是否小于等于均方根误差之后还判断平均绝对误差与均方根误差的比值确认是否存在较大但不常见的异常数据,如果存在则重新调试数据采集系统和测距系统,直至不存在异常数据为止,然后则进行步骤S6。
进一步的,步骤S6利用的等效权重计算方法如下:
其中,w为均方根误差等效权重,ei为相对纵向距离增加、纵向距离不变和纵向距离减小区间的激光雷达、毫米波雷达、摄像头、多传感器融合的数据均方根误差值,emin为ei中的最小值。
进一步的,步骤S7利用的数据采集系统采集精度值计算方法如下:
K=w·MAE
其中,K为数据采集系统采集精度值,w为均方根误差等效权重,MAE为平均绝对误差。
相对于现有技术,本发明具有以下有益效果:
针对以场景采集系统在实际道路的数据采集量大、不能通过检查每个值以确认是否有一个或一些异常值的特点,结合平均绝对误差更好反应预测值误差实际情况和均方根误差对相对增大距离区间、不变区间和减小区间的异常数据敏感性的特点,通过平均绝对误差与均方根误差的等效权重的方法。计算得到跟车场景数采系统及其融合结果的最终平均绝对误差,具体的量化值可确认跟车场景采集系统的精确性。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的跟车场景采集系统数据流向示意图;
图2为本发明实施例所述的跟车场景系统框架示意图;
图3为本发明实施例所述的跟车场景数采系统性能评估步骤示意图;
图4(a)为本发明实施例所述的跟车场景A组相对纵向距离走势示意图;
图4(b)为本发明实施例所述的跟车场景A组相对纵向速度走势示意图;
图4(c)为本发明实施例所述的跟车场景B组相对纵向距离走势示意图;
图4(d)为本发明实施例所述的跟车场景B组相对纵向速度走势示意图;
图4(e)为本发明实施例所述的跟车场景C组相对纵向距离走势示意图;
图4(f)为本发明实施例所述的跟车场景C组相对纵向速度走势示意图;
图4(g)为本发明实施例所述的跟车场景D组相对纵向距离走势示意图;
图4(h)为本发明实施例所述的跟车场景D组相对纵向速度走势示意图;
图5为本发明实施例所述的跟车相对纵向距离减小的MAE和RMSE示意图;
图6为本发明实施例所述的跟车相对纵向距离不变的MAE和RMSE示意图;
图7为本发明实施例所述的跟车相对纵向距离增加的MAE和RMSE示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
本发明目的是通过如下方法来检测跟车场景数采系统数据的一致性和精确性,数采系统装置及其验证方法实现过程如下。
跟车场景数据采集系统装置:在试验车上搭建满足跟车场景数据采集的各种传感器,包括确定车身定位装置的惯性导航和GPS测试系统以及由激光雷达、毫米波雷达&摄像头组成的跟环境感知系统。
其中3颗激光雷达固定安装在车辆前方的左、中、右位置,毫米波雷达&摄像头分别固定安装在车辆保险杠正前方和紧贴前挡风玻璃位置。以上安装能够满足数据采集系统中激光雷达、毫米波雷达采集主车和目标车之间的实时。跟车场景采集系统的装置如图1所示。从而采集目标物的实时位置、速度、加速度等信息。
高精度GPS和IMU组成定姿和定位系统,连接RT-BASE实时设备,采用差分RTK技术,实时计算车辆自身位置和同目标车之间的相对数据信息。
车辆前向安装3颗激光雷达,满足车前目标物的识别,经过交换机和同步器进行数据同步,通过UDP传输协议将数据信息存储。
77GHz毫米波雷达和智能视觉摄像头对车前周围目标物信息和车道线信息进行识别和融合,以CAN协议输出目标物信息至工控机。
车前安装1个高清视频摄像头,用于实际道路测试中视频记录和回放。工控机高精度GPS授时系统对采集得到的数据信息进行数据采集,在完成数据存储的同时执行数据同步。数据流流向如图1所示。
跟车道路试验环境:试验场地天气正常,场地装有可靠通信的固定基站,周围300m内无高层建筑物类障碍物遮挡信号,实现基站设备能够准确接收和发送信号。
跟车道路试验设备:试验场地有一辆试验车和一辆目标车,以主车做为试验车,试验车上不仅搭载跟车场景数据采集系统,而且装置了场地试验专用的RT-Range测距系统的Hunter模块。目标车上仅装置配合RT-Range测距系统的Target模块。RT-Range测距系统的精度为2cm,其控制器如图3所示,跟车场景采集系统性能验证装置如图2所示。
跟车道路试验场景:按照实际道路车辆随机行驶的原则,设定试验车跟随目标车在同车道做随机加速、减速和匀速自然驾驶。
跟车道路试验方案:根据设计的随机跟车场景,同车道主车跟随目标车行驶驾驶,完成随机跟车试验。以RT-Range设备之间通过场地基站进行精确定位和测距,系统输出的相对纵向距离和速度作为参考真值,分别对比分析激光雷达、毫米波雷达&摄像头、多传感器融合和RT-Range的相对纵向距离和相对纵向速度变化。
跟车道路试验评估:如图3所示,跟车场景数采系统性能评估系统由跟车系统传感器数据一致性和精确性组成。设定跟车场景系统的评估指标之后,按照先满足一致性的原则,然后满足精确性的方法进行性能评估。在试验结束后,选取相对纵向距离和相对纵向速度作为跟车数采系统性能分析的评价指标,按照RT-Range、激光雷达、毫米波雷达&摄像头、多传感器融合数据随时间的变化趋势,分析跟车数采系统的数据一致性。
在数采系统各传感器输出数据一致性上,采用R平方(R2)判读各传感器采集数据值与参考真值系统的一致程度。
其中,xi为激光雷达、毫米波雷达&摄像头及其融合的第i帧数据值;xi’为参考真值数据第i帧数据值;为参考真值数据的平均值;n为数据帧数;R2为数据一致程度,取值范围[0,1];数值越逼近1时,表示数采系统传感器及其融合数据与参考真值越接近,可设定一致性的预估值作为数采系统一致性的依据。
在满足数据一致性的原则下,将试验跟车场景的相对纵向距离划分为相对纵向距离增大区间、相对纵向距离不变区间和相对纵向距离减小区间。以相对纵向距离增加为为例,分别从随机跟车场景道路试验中划分出若干个有效区间,这些有效区间的有效误差组成一列有效误差数组{t1,t2,...,tn}。
其中,n为数据帧数;ti为激光雷达、毫米波雷达&摄像头和多传感器融合的输出值;m(x)是RT-Range测量值,作为计算跟车数采系统的各个传感器及其融合数据的参考真值。通过计算求取相对纵向距离增加过程时的误差实际情况,表达各个传感器及其融合后的数据的误差值,反映跟车场景数采系统的精确性。相对纵向距离不变和相对纵向距离减小的平均绝对误差如同上述计算方式。RT-Range通过处理多个车辆的距离、方向和相对运动,用于精确可靠的单辆汽车动态测量。在全球范围内用于相机、雷达和激光雷达传感器的目标验证,以及制动、车道偏离警告和防碰撞系统的测试。
通过细分区域和计算得到跟车场景数采系统的各个传感器及其融合数据的纵向跟车距离平均绝对误差值为MAEi;i={1.2...m},i是跟车数采系统输出相对纵向距离的传感器个数及其之间的融合输出结果;即i=1,则MAE1是第1个输出相对纵向距离的感知传感器;i=2是第2个输出相对纵向距离的感知传感器;i=3是第3个输出相对纵向距离的感知传感器或其融合的相对纵向距离;i=4是第4个输出相对纵向距离的感知传感器或其融合的相对纵向距离;
经典的均方根误差(RMSE)同平均绝对误差(MAE)一样都是度量指标,用于判断误差结果的性能。其中平均绝对误差(MAE)是一种用于回归模型的损失函数,其与L1范数类似,具有较强的鲁棒性,对大量数据中的较小误差累计比较敏感;均方根误差(RMSE)与L2范数类似,单个误差呈二次增长,易容易忽略较小误差值,对数据异常值很敏感。
其中,s为均方根误差;n为数据帧数;sc为参考真值设备输出数据;sbc为激光雷达或摄像头&毫米波雷达或融合等被检测设备输出的数据。
当处理较大的数据集时,不通过检查每个值以了解是否有一个或一些异常值,或者是否所有的错误都系统性地更高。因此,对于均方根误差(RMSE)和平均绝对误差(MAE)作为度量指标判断误差结果的性能,需要评估如下条件:(1)期望MAE值比RMSE值小;(2)对比RMSE与MAE的比值确认是否存在较大但不常见的异常数据,可预设比值最为边界条件。若不满足条件(1)和条件(2),则需要重新调试系统软硬件数采系统,直至满足上述条件为止。
同时满足误差度量指标评估条件(1)和(2)情况下,以跟车场景采集系统的激光雷达、毫米波雷达&摄像头和多传感器融合数据的均方根误差(RMSE)的最小值,计算跟车采集系统中传感器及融合数据的等效权重。
其中,w为RMSE等效权重;ei为相对纵向距离增加、不变和减小区间的激光雷达、毫米波雷达&摄像头、多传感器融合的数据均方根误差值;emin为ei中的最小值;
基于平均绝对误差能更好地反应跟车场景采集系统的各个传感器及其融合数据误差值的实际情况和均方根误差(RMSE)反应跟车相对距离增加、不变和减小区间的异常值误差值,即区间误差分布稳定性的特性,跟车场景数采精确性由感知传感器及其融合数据的平均绝对误差与对应的RMSE误差等效权重的积。
K=w·MAE (5)
其中,K为RMSE等效权重与平均绝对误差的积;
实施例一:
场景数据采集系统以采集自然驾驶跟车行为为目的,搭建一套跟车场景数据采集系统,并且检测其性能,针对关键指标数据的一致性和精确性进行分析评测。
基于跟车场景数采系统的一致性和精确性评价分析方法,设计同车道试验车跟随目标车完成A、B、C和D四组随机跟车试验。依据RT-Range设备与基站进行精确定位和测距,其输出的相对纵向距离和速度作为参考真值,分别对比分析激光雷达、毫米波雷达&摄像头、多传感器融合的数据一致性和精确性,检验跟车场景数采系统的性能。
由图4跟车场景的相对纵向距离和速度曲线-误差图可知,在A、B、C和D四组试验中的图4(a)、图4(c)、图4(e)和图4(g)是试验车跟随目标车进行随机跟车时的相对纵向距离随时间的变化曲线。
由横向X轴(时间轴)和左侧纵轴Y轴(相对纵向距离轴)可知,多传感器融合、激光雷达、毫米波雷达&摄像头数据的相对纵向距离与作为参考真值的RT-Range数据变化趋势一致。跟车场景数采系统针对四组随机跟车道路试验,依据公式(1)分析其跟车距离与参考真值RT-Range数据的一致性,具体R2值如表1所示。
由横向X轴(时间轴)和右侧纵轴(纵向误差值轴)可知,以RT-Range为参考真值,四组激光雷达、摄像头&毫米波雷达和多传感器融合输出的相对纵向距离数据误差在+1m浮动。
图4跟车场景的相对纵向距离和速度曲线-误差图可知,在A、B、C和D四组试验中的图4(b)、图4(d)、图4(f)和图4(h)是试验车跟随目标车随机跟车的相对纵向速度随时间的变化曲线。
在横向X轴(时间轴)和左侧纵轴Y轴(相对纵向速度轴)可知,多传感器融合、激光雷达、毫米波雷达&摄像头数据的相对纵向距离与作为参考真值的RT-Range数据变化趋势一致。跟车场景数采系统针对四组随机跟车道路试验,依据公式(1)分析其跟车相对速度与参考真值RT-Range数据的一致性,具体R2值如表2所示。
横向X轴(时间轴)和左侧纵轴Y轴(相对纵向速度轴)可知,随机跟车场景中的过程中,激光雷达、摄像头&毫米波雷达和多传感器融合输出的相对纵向速度数据误差均浮动在+0.5m/s。
跟车场景采集系统的相对纵向距离和相对纵向速度的R2如表1和表2所示:以RT-Range的数据作为参考真值,激光雷达、毫米波雷达&摄像头和多传感器融合的方差分别是,表明跟车场景采集系统满足数据一致性的性能。
表1四组随机跟车试验相对纵向距离R2
一致性(R<sup>2</sup>) | 激光雷达 | 毫米波雷达&摄像头 | 融合 |
A | 0.99917 | 0.99879 | 0.99784 |
B | 0.99902 | 0.99855 | 0.99697 |
C | 0.99876 | 0.99838 | 0.99601 |
D | 0.99915 | 0.99872 | 0.99690 |
表2四组随机跟车试验相对纵向速度R2
一致性(R<sup>2</sup>) | 激光雷达 | 毫米波雷达&摄像头 | 融合 |
A | 0.96270 | 0.99601 | 0.99211 |
B | 0.96098 | 0.99523 | 0.99218 |
C | 0.97382 | 0.99683 | 0.99434 |
D | 0.99954 | 0.99547 | 0.98908 |
在满足一致性的原则下,按照随机跟车场景试验的相对纵向距离具有不断增加、不变和减小的特性,A、B、C、D组试验数据将相对距离不变区间定义为相对纵向速度波动在+0.5m/s内,统一划分为相对纵向距离增大区间、相对纵向距离不变区间和相对纵向距离减小区间。如图4所示,每组相对纵向距离增加的区间如下,A组:6.68-12.81s,15.75-26.801s;B组:15.78s-25.26s;C组:1.422-19.69s;D组:7.431-18.360s,29.363s-35.547s。每组相对纵向距离不变的区间如下:A组:12.81-14.15s,39.35s-45.56s;B组:5.09-15.78s,40.10-46.15s;C组:29.5s-34.56s;D组:22.832-29.363s和35.547-39.153s。每组相对纵向距离减小的区间如下:A组:26.801s-39.35s;B组:25.26-40.10s;C组:19.69-29.50s;D组:18.360-22.832s。
通过误差计算公式(2)和(3),计算激光雷达、毫米波雷达&摄像头、多传感器融合的相对纵向距离增大区间、不变和减小区间的平均绝对误差(MAE)和均方根误差(RMSE)。
平均绝对误差(MAE)分析结果如表3所示,随机跟车试验相对纵向距离增加区间时,激光雷达、毫米波雷达&摄像头和多传感器融合的平均绝对误差分别为0.174、0.230和0.263;相对纵向距离不变区间时,平均绝对误差依次为0.418、0.164、0.183;相对纵向距离减小区间时,平均绝对误差依次为0.319、0.189和0.272。
表3相对纵向距离MAE误差
平均绝对误差(MAE)/m | 激光雷达 | 毫米波雷达&摄像头 | 多传感器融合 |
相对纵向距离增加 | 0.174 | 0.230 | 0.263 |
相对纵向距离不变 | 0.418 | 0.164 | 0.183 |
相对纵向距离减小 | 0.319 | 0.189 | 0.272 |
均方根误差(RMSE)分析结果如表4所示,随机跟车试验相对纵向距离增加区间时,激光雷达、毫米波雷达&摄像头和多传感器融合的平均绝对误差分别为0.210、0.237和0.305;相对纵向距离不变区间时,平均绝对误差依次为0.450、0.403、0.422;相对纵向距离减小区间时,平均绝对误差依次为0.394、0.191和0.293。
表4相对纵向距离RMSE误差
均方根误差(RMSE)/m | 激光雷达 | 毫米波雷达&摄像头 | 多传感器融合 |
相对纵向距离增加 | 0.210 | 0.237 | 0.305 |
相对纵向距离不变 | 0.450 | 0.403 | 0.422 |
相对纵向距离减小 | 0.394 | 0.191 | 0.293 |
通过对比分析图5、图6和图7可知,若相对纵向距离增大区间、不变区间、减小区间的平均绝对误差均小于均方根误差,则满足跟车场景数采系统性能评价指标的期望。
表5平均绝对误差与均方根误差比值
比值(MAE/RMSE) | 激光雷达 | 毫米波雷达&摄像头 | 多传感器融合 |
相对纵向距离增加 | 1.207 | 1.030 | 1.160 |
相对纵向距离不变 | 1.077 | 2.457 | 2.306 |
相对纵向距离减小 | 1.235 | 1.010 | 1.077 |
将激光雷达、毫米波雷达&摄像头、多传感器融合的相对距离增加区间、不变区间和减小区间的的平均绝对误差与均方根误差作比值处理结果如表5所示:MAE与RMSE相对异常比值为2.45和2.306,表示在相对距离不变区间,毫米波雷达&摄像头和多传感器融合较其他传感器存在有影响的异常值。其他相对纵向距离区间的传感器比值接近1:1,表明这些区间的传感器及其融合数据异常值的影响很小或几乎不存在异常值,进一步表明各个传感器数据采集的稳定性,跟车场景数采系统的具有数据采集一致性性能。
表6RMSE等效权重
RMSE等效权重 | 激光雷达 | 毫米波雷达&摄像头 | 多传感器融合 |
相对纵向距离增加 | 1.099 | 1.241 | 1.597 |
相对纵向距离不变 | 2.356 | 2.110 | 2.209 |
相对纵向距离减小 | 2.062 | 1 | 1.534 |
综合考虑跟车场景数采系统的异常数值的影响,将受数据异常值影响较大的均方根误差作等效权重转换,即相对纵向距离增加区间、不变区间和减小区间的激光雷达、毫米波雷达&摄像头和多传感器融合的均方根误差数据同其均方根误差值最小值作比值处理,计算结果如表6所示。平均绝对误差与均方根误差等效权重的乘积,综合分析跟车场景数采系统的精确性。
表7平均绝对误差与RMSE等效权重乘积
MAE-RMSE权重乘积 | 激光雷达 | 毫米波雷达&摄像头 | 多传感器融合 |
相对纵向距离增加 | 0.191 | 0.285 | 0.42 |
相对纵向距离不变 | 0.985 | 0.346 | 0.404 |
相对纵向距离减小 | 0.658 | 0.189 | 0.417 |
由表7可知,随机跟车试验相对纵向距离增加区间时,激光雷达、毫米波雷达&摄像头和多传感器融合的平均绝对误差分别为0.191、0.258和0.420;相对纵向距离不变区间时,平均绝对误差依次为0.985、0.346、0.406;相对纵向距离减小区间时,平均绝对误差依次为0.658、0.189和0.417。因此,综合分析跟车场景数采系统的激光雷达、毫米波雷达&摄像头和多传感器融合的平均绝对误差在+1m以内,表明其数据采集系统的精度为+1m。
跟车场景数据采集系统的不易被发现的异常数据作为对平均绝对误差的影响,增加对场景采集过程中大量数据中可能存在异常值的约束,按照划分不同距离变化区间的规则,量化了跟车场景采集系统各个传感器及其融合数据的精确性。
通过搭建跟车场景数据采集系统装置,构建其场景采集性能中的一致性和精确性分析验证方法,为分析数采系统数据可靠性提供了一种有效的解决途径,增强了对于由多种传感器集成的场景采集系统的数据精度量化的可行性。
跟车场景的数采系统性能分析评价方法主要依据其装置的各个感知传感器多传感器融合的一致性和精确性。
数采系统的数据一致性是数采系统场景采集的必要条件,传感器及其融合输出的相对纵向距离和相对纵向速度结果具有有效性,表明跟车场景采集系统具有跟车场景相关的数据采集能力。跟车场景数据采集系统的一致性评价可与同类数据采集系统性能的一致性互相借鉴。
数采系统的数据一致性是数采系统场景采集的必要条件,传感器及其融合输出的相对纵向距离和相对纵向速度结果具有有效性,表明跟车场景采集系统具有跟车场景的数据采集能力。
在满足跟车场景数采系统数据一致性的前提下,数采系统精确性分析进一步确认数采系统能够保证所采集场景的数据准确性。
设计的四组随机跟车场景试验,模拟了开放道路自然驾驶跟车行为,且以跟车距离作为场景采集数据精确性的评价指标。将跟车场景的纵向距离细分相对纵向距离增加区间、不变区间和减小区间,并且分别计算区间内的平均绝对误差和均方根误差。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种用于跟车场景的汽车数据采集系统性能分析方法,其特征在于,包括以下步骤:
S1:通过数据采集系统采集待测车的实时行驶数据;
S2:在检测车和待检测车上安装测距系统,检测车对待检测车进行跟车,通过测距系统检测待测车的行驶数据参考真实值;
S3:通过采集到的实时行驶数据和行驶数据参考真实值计算数据采集系统的采集数据一致性评估值,如果一致性评估值大于预设值,则进行步骤S4;
S4:将测距系统检测到的待检测车与检测车之间的相对纵向距离划分为相对纵向距离增大区间、相对纵向距离不变区间和相对纵向距离减小区间;
S5:计算每个区间内的待测车实时行驶数据均方根误差、平均绝对误差,判断平均绝对误差是否小于等于均方根误差,如果是则步骤S6;
S6:通过均方根误差计算等效权重;
S7:通过等效权重与平均绝对误差计算得到数据采集系统采集精度值,从而判断数据采集系统的采集数据的精确性。
2.根据权利要求1所述的一种用于跟车场景的汽车数据采集系统性能分析方法,其特征在于:数据采集系统包括激光雷达、毫米波雷达、摄像头,通过数据采集系统采集的实时行驶数据包括实时位置、速度、加速度数据。
6.根据权利要求1所述的一种用于跟车场景的汽车数据采集系统性能分析方法,其特征在于:步骤S5利用的判断平均绝对误差是否小于等于均方根误差之后还判断平均绝对误差与均方根误差的比值,确认是否存在较大但不常见的异常数据,如果存在则重新调试数据采集系统和测距系统,直至不存在异常数据为止,然后则进行步骤S6。
8.根据权利要求7所述的一种用于跟车场景的汽车数据采集系统性能分析方法,其特征在于:步骤S7利用的数据采集系统采集精度值计算方法如下:
K=w·MAE
其中,K为数据采集系统采集精度值,w为均方根误差等效权重,MAE为平均绝对误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110649779.XA CN113487910B (zh) | 2021-06-10 | 2021-06-10 | 一种用于跟车场景的汽车数据采集系统性能分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110649779.XA CN113487910B (zh) | 2021-06-10 | 2021-06-10 | 一种用于跟车场景的汽车数据采集系统性能分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113487910A CN113487910A (zh) | 2021-10-08 |
CN113487910B true CN113487910B (zh) | 2022-12-09 |
Family
ID=77934643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110649779.XA Active CN113487910B (zh) | 2021-06-10 | 2021-06-10 | 一种用于跟车场景的汽车数据采集系统性能分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487910B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114475597A (zh) * | 2022-02-28 | 2022-05-13 | 东风汽车集团股份有限公司 | 一种自动驾驶车辆跟车距离控制方法及控制系统 |
CN114543842B (zh) * | 2022-02-28 | 2023-07-28 | 重庆长安汽车股份有限公司 | 一种多传感器融合定位系统的定位精度评价系统及方法 |
CN116386002A (zh) * | 2023-03-03 | 2023-07-04 | 合众新能源汽车股份有限公司 | 一种鱼眼可行驶区域评测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003058188A2 (en) * | 2002-01-03 | 2003-07-17 | Systech International, L.L.C. | Vehicle inspection enforcement system and method offering multiple data transmissions on the road |
CN107767659A (zh) * | 2017-10-13 | 2018-03-06 | 东南大学 | 基于arima模型的共享单车吸引量和发生量预测方法 |
CN110987463A (zh) * | 2019-11-08 | 2020-04-10 | 东南大学 | 面向多场景的智能驾驶自主车道变换性能测试方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007056354A1 (de) * | 2007-11-16 | 2009-05-20 | Bayerische Motoren Werke Aktiengesellschaft | Datenaustausch zwischen zwei oder mehr Fahrzeugen, denen eine Identifikationsinformation zugeordnet ist |
EP2698680B1 (en) * | 2012-08-13 | 2015-06-10 | Uptime Engineering GmbH | Method for testing the reliability of complex systems |
US10510006B2 (en) * | 2016-03-09 | 2019-12-17 | Uptake Technologies, Inc. | Handling of predictive models based on asset location |
CN108196260B (zh) * | 2017-12-13 | 2021-08-10 | 北京汽车集团有限公司 | 无人驾驶车辆多传感器融合系统的测试方法和装置 |
CN110553849A (zh) * | 2018-06-01 | 2019-12-10 | 上汽通用汽车有限公司 | 一种行车状况评估系统以及评估方法 |
CN111595592B (zh) * | 2020-05-21 | 2021-10-12 | 东南大学 | 一种自适应巡航控制系统性能测评方法 |
CN111964922A (zh) * | 2020-08-28 | 2020-11-20 | 福瑞泰克智能系统有限公司 | 智能驾驶车辆测试系统 |
CN112148557B (zh) * | 2020-09-15 | 2021-10-08 | 北京基调网络股份有限公司 | 一种性能指标实时预测方法、计算机设备及存储介质 |
CN112597061A (zh) * | 2021-01-20 | 2021-04-02 | 中国汽车技术研究中心有限公司 | 一种acc系统性能测试方法及相关设备 |
-
2021
- 2021-06-10 CN CN202110649779.XA patent/CN113487910B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003058188A2 (en) * | 2002-01-03 | 2003-07-17 | Systech International, L.L.C. | Vehicle inspection enforcement system and method offering multiple data transmissions on the road |
CN107767659A (zh) * | 2017-10-13 | 2018-03-06 | 东南大学 | 基于arima模型的共享单车吸引量和发生量预测方法 |
CN110987463A (zh) * | 2019-11-08 | 2020-04-10 | 东南大学 | 面向多场景的智能驾驶自主车道变换性能测试方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113487910A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113487910B (zh) | 一种用于跟车场景的汽车数据采集系统性能分析方法 | |
CN112839855B (zh) | 一种轨迹预测方法与装置 | |
US8055445B2 (en) | Probabilistic lane assignment method | |
CN112693466A (zh) | 一种车辆环境感知传感器性能测评系统及方法 | |
KR20210152051A (ko) | 3차원 공간을 추적하는 차량 및 센싱 장치, 그리고 저장매체에 저장된 컴퓨터 프로그램 | |
CN103499337B (zh) | 一种基于立式标靶的车载单目摄像头测距测高装置 | |
CN104021676A (zh) | 基于车辆动态视频特征的车辆定位及车速测量方法 | |
CN110231496A (zh) | 一种车速校准装置及方法 | |
US10095238B2 (en) | Autonomous vehicle object detection | |
US11292481B2 (en) | Method and apparatus for multi vehicle sensor suite diagnosis | |
CN111610191B (zh) | 一种道路检测与修复系统 | |
CN107103275A (zh) | 使用雷达和视觉基于车轮进行的车辆检测和追踪 | |
CN114239371A (zh) | 基于仿真的大型停车场出入口车辆延误模型参数标定方法 | |
EP3315998A1 (en) | Apparatus and method for determining a speed of a vehicle | |
CN112455502A (zh) | 基于激光雷达的列车定位方法及装置 | |
Sazara et al. | Offline reconstruction of missing vehicle trajectory data from 3D LIDAR | |
CN104005324A (zh) | 一种路面构造信息的检测系统 | |
CN117141472B (zh) | 一种车辆行驶主动避障控制系统及方法 | |
CN110231497A (zh) | 一种基于激光雷达测速的车速校准装置及方法 | |
CN110411499B (zh) | 传感器检测识别能力的评估方法及评估系统 | |
CN110095776B (zh) | 用于确定对象的存在和/或特性的方法和周围环境识别设备 | |
TWI541152B (zh) | Traffic safety system and its obstacle screening method | |
CN116964472A (zh) | 用于借助于雷达传感器系统的反射信号来探测环境的至少一个对象的方法 | |
CN115116034A (zh) | 一种夜间行人检测方法、装置及系统 | |
CN114743180A (zh) | 检测结果的识别方法、装置、存储介质和处理器 |
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 |