CN113722566B - 一种自动驾驶车辆功能稳定性评定的方法 - Google Patents
一种自动驾驶车辆功能稳定性评定的方法 Download PDFInfo
- Publication number
- CN113722566B CN113722566B CN202110950153.2A CN202110950153A CN113722566B CN 113722566 B CN113722566 B CN 113722566B CN 202110950153 A CN202110950153 A CN 202110950153A CN 113722566 B CN113722566 B CN 113722566B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- scene
- data
- response
- automatic driving
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000004044 response Effects 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000008447 perception Effects 0.000 claims abstract description 9
- 238000012790 confirmation Methods 0.000 claims abstract description 6
- 238000013097 stability assessment Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 45
- 230000001133 acceleration Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 230000007257 malfunction Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 15
- 230000008859 change Effects 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000036461 convulsion Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011990 functional testing Methods 0.000 description 2
- 230000002045 lasting effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
一种自动驾驶车辆功能稳定性评定的方法，包括：自动驾驶车辆的车载终端向服务端周期性上传车联网CAN数据和感知数据，服务端接收数据并存入数据库；根据自动驾驶车辆上传识别的交通标识信息并进行聚类，经二次确认后，对交通标识信息和电子栅栏信息进行维护；根据自动驾驶车辆上传的CAN数据、感知数据和维护的交通标识数据，对自动驾驶车辆场景提取，并判定当前场景是否通过；统计每个车辆各个场景的通过次数，标准化处理后得到多个指标,然后多指标综合评分。本发明基于自动驾驶车辆各个场景进行识别及响应，计算每一辆车每个场景的分值，标准化处理后，用熵权法计算车辆自动驾驶稳定性的分值，从而量化分析不同车辆自动驾驶的稳定性。
Description
技术领域
本发明涉及的是自动驾驶领域，特别涉及一种自动驾驶车辆功能稳定性评定的方法。
背景技术
随着自动驾驶技术的发展和应用,越来越多的自动驾驶车辆投入到真实路况中运营。自动驾驶车辆上路前得经过一系列功能测试才能上路。车辆上路后，我们仍然需要对实际场景中不同车企不同供应商的车辆自动驾驶功能稳定性进行评估。然而，现有技术中，还没有一种能够提取自动驾驶车辆实际场景提取，并且通过对场景数据的统计来量化分析车辆自动驾驶功能的稳定性的方法。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种自动驾驶车辆功能稳定性评定的方法。
为了解决上述技术问题，本申请实施例公开了如下技术方案：
一种自动驾驶车辆功能稳定性评定的方法，包括：
S100.自动驾驶车辆的车载终端向服务端周期性上传车联网CAN数据和感知数据，服务端接收数据并存入数据库；
S200.根据自动驾驶车辆上传识别的交通标识信息并进行聚类，经二次确认后，对交通标识信息和电子栅栏信息进行维护；
S300.根据自动驾驶车辆上传的CAN数据、感知数据和维护的交通标识数据，对自动驾驶车辆场景提取，并判定当前场景是否通过；
S400.统计每个车辆各个场景的通过次数，标准化处理后得到多个指标,然后多指标综合评分。
进一步地，S100中，车联网CAN数据至少包括：车架号、经纬度、速度、驾驶模式、电流、电压、里程以及采集时间。
进一步地，S100中，自动驾驶车辆获取感知数据的来源至少包括：激光雷达、微波读写天线、摄像头和毫米雷达。
进一步地，S300的具体方法为：
S301.加载车辆CAN数据和感知数据，以及系统维护的交通标识，车道线数据,将车辆数据按照采集时间排序；
S302：遍历各个场景提取器，计算并缓存各个场景识别需要的信息；
S303：根据不同场景的要求，判断场景是否开始；
S304：当场景开始后，开始识别自动驾驶车辆的驾驶行为，并计算场景持续的里程，时长数据；
S305：根据场景要求，判断场景是否结束，没有结束持续S304，计算场景中各种统计数据；
S306：场景结束后，判断车辆是否通过场景；
S307：维护更新场景信息，重复执行S304。
进一步地，自动驾驶车辆识别及响应的场景至少包括：限速标志识别及响应、停车让行标志标线识别及响应、车道线识别及响应、人行横道线识别及响应、机动车信号灯识别及响应、方向指示信号灯识别及响应、车辆驶入识别及响应、对向车辆借道行驶识别及响应、障碍物测试、误作用测试、行人沿道路行走识别及响应、行人横穿马路识别及响应、两轮车沿道路行走识别及响应、两轮车横穿马路识别及响应、稳定跟车识别及响应和停-走功能识别及响应。
进一步地，自动驾驶车辆的驾驶行为至少包括：车辆急加速，车辆急减速，车辆急转弯，车辆人工接管次数。
进一步地，车辆急加速定义为持续2秒加速度大于预设阈值，车辆急减速定义为持续2秒加速度小于预设阈值；急转弯定义为持续2秒方向角的修改大于预设阈值；车辆人工接管次数定义为上一条数据驾驶模式为自动驾驶，当前数据驾驶模式为手动驾驶，计数一次。
进一步地，S400的具体方法为：
S401：统计每个车每个场景通过次数作为指标，说明对于n个车辆，m个场景指标，则xij为第i个车的第j个场景指标(i＝1，2，...，n；j＝1，2，...m)；
S402：对统计后的每个指标进行min-max标准化处理，得到标准化值yij；
S403：计算各个指标的信息熵，先确定第i个车的第j个场景指标占该指标的比重：
i＝1，2，...，n；j＝1，2，...m；
第j个指标的熵值：
其中k＝1/ln(n)＞0，满足ej≥0；
信息熵冗余度：dj＝1-ej，j＝1，2…，m；
S404：计算各项指标的权重：
j＝1，2，...，m；
S405：计算车辆的综合评分：
j＝1，2，...，m。
进一步地，S402中，标准化值yij包括正向指标和负向指标，其中，
正向指标为：
负向指标为：
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明公开的一种自动驾驶车辆功能稳定性评定的方法，包括：自动驾驶车辆的车载终端向服务端周期性上传车联网CAN数据和感知数据，服务端接收数据并存入数据库；根据自动驾驶车辆上传识别的交通标识信息并进行聚类，经二次确认后，对交通标识信息和电子栅栏信息进行维护；根据自动驾驶车辆上传的CAN数据、感知数据和维护的交通标识数据，对自动驾驶车辆场景提取，并判定当前场景是否通过；统计每个车辆各个场景的通过次数，标准化处理后得到多个指标,然后多指标综合评分。本发明基于自动驾驶车辆各个场景进行识别及响应，基于统计场景数据计算每一辆车每个场景的分值。标准化处理后，用熵权法计算车辆自动驾驶稳定性的分值,从而量化分析不同车辆自动驾驶的稳定性。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例1中，一种自动驾驶车辆功能稳定性评定的方法的流程图；
图2为本发明实施例1中，功能测试场景提取分析处理流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
为了解决现有技术中存在的问题，本发明实施例提供一种自动驾驶车辆功能稳定性评定的方法。
实施例1
本实施例一种自动驾驶车辆功能稳定性评定的方法，如图1，包括：
S100.自动驾驶车辆的车载终端向服务端周期性上传车联网CAN数据和感知数据，服务端接收数据并存入数据库；具体的，S100中，车联网CAN数据至少包括：车架号、经纬度、速度、驾驶模式、电流、电压、里程以及采集时间。在本实施例中，自动驾驶车辆获取感知数据的来源至少包括：激光雷达、微波读写天线、摄像头和毫米雷达。
S200.根据自动驾驶车辆上传识别的交通标识信息并进行聚类，经二次确认后，对交通标识信息和电子栅栏信息进行维护；在本实施例中，部分场景的提取,需要手动维护交通标识信息和电子栅栏信息,根据车辆上传识别的标识经纬度信息，进行聚类,然后人工确认后维护到系统。
S300.根据自动驾驶车辆上传的CAN数据、感知数据和维护的交通标识数据，对自动驾驶车辆场景提取，并判定当前场景是否通过；
具体的，S300的具体方法为：
S301.加载车辆CAN数据和感知数据，以及系统维护的交通标识，车道线数据,将车辆数据按照采集时间排序；
S302：遍历各个场景提取器，计算并缓存各个场景识别需要的信息；
S303：根据不同场景的要求，判断场景是否开始；
S304：当场景开始后，开始识别自动驾驶车辆的驾驶行为，并计算场景持续的里程，时长数据；
S305：根据场景要求，判断场景是否结束，没有结束持续S304，计算场景中各种统计数据；
S306：场景结束后，判断车辆是否通过场景；
S307：维护更新场景信息，重复执行S304。
10.具体的，自动驾驶车辆识别及响应的场景至少包括：限速标志识别及响应、停车让行标志标线识别及响应、车道线识别及响应、人行横道线识别及响应、机动车信号灯识别及响应、方向指示信号灯识别及响应、车辆驶入识别及响应、对向车辆借道行驶识别及响应、障碍物测试、误作用测试、行人沿道路行走识别及响应、行人横穿马路识别及响应、两轮车沿道路行走识别及响应、两轮车横穿马路识别及响应、稳定跟车识别及响应和停-走功能识别及响应。在一些优选实施例中，自动驾驶车辆的驾驶行为至少包括：车辆急加速，车辆急减速，车辆急转弯，车辆人工接管次数。具体的，车辆急加速定义为持续2秒加速度大于预设阈值，车辆急减速定义为持续2秒加速度小于预设阈值；急转弯定义为持续2秒方向角的修改大于预设阈值；车辆人工接管次数定义为上一条数据驾驶模式为自动驾驶，当前数据驾驶模式为手动驾驶，计数一次。
具体的，场景一、限速标志识别及响应
场景描述:测试道路为至少包含一条车道的长直道，并于该路段设置限速标志牌，测试车辆以高于限速标志牌的车速驶向该标志牌。
实际场景提取步骤:
在符合测试条件限速标志前后100米范围内，画上电子栅栏，当车辆车辆自动驾驶状态进入栅栏时场景开始,当车辆驶出栅栏场景结束,当期间上传的数据包含限速牌位置和限速大小信息,当上传的限速牌位置及限速大小信息和系统录入的限速牌和限速大小位置一致时,表示限速识别成功。当识别成功，并且车辆距离限速牌20米以内的时候，速度小于1.2倍限速速度，场景通过否则不通过。整个过程出现过手动驾驶,场景不通过。整个过程记录场景开始时间，开始经纬度，开始速度，结束时间，结束经纬度，结束速度。
场景二、停车让行标志标线识别及响应
场景描述:测试道路为至少包含一条车道的长直道，并于该路段设置限速标志牌，测试车辆以高于限速标志牌的车速驶向该标志牌。
实际场景提取步骤:
在符合测试条件停车让行标志标线前15米范围内，画上电子栅栏，当车辆车辆自动驾驶状态进入栅栏时场景开始,当车辆驶出栅栏场景结束,期间上传的数据有停车让行标志标线信息,当上传的停车让行标志标线信息和系统录入的停车让行标志标线一致时,表示停车让行标志标线识别成功。当识别成功，并且车辆停车让行线前停车，场景通过否则不通过。整个过程出现过手动驾驶,场景不通过。整个过程记录场景开始时间，开始经纬度，开始速度，结束时间，结束经纬度，结束速度。
场景三、车道线识别及响应
场景描述:测试道路为一条长直道和半径不大于500m弯道的组合，弯道长度应大于100m
实际场景提取过程:
在符合测试条件的弯道处设置覆盖弯道区域大的电子围栏,每条车道线设置成小的电子围栏,当车辆车辆自动驾驶状态进入大的围栏时,场景开始；出大的围栏时场景结束。当进出大的电子围栏时,车辆始终在某一条车道线的电子围栏内,说明场景通过，否则场景不通过。整个过程出现过手动驾驶,场景不通过。当整个过程出现变道信号时，场景无效，不纳入后面的场景统计。
场景四、人行横道线识别及响应
场景描述:测试道路为至少包含一条车道的长直道，并在路段内设置人行横道线，测试车辆沿测试道路驶向人行横道线。
实际场景提取步骤:
在符合条件的人行横道线前15米范围内，画上电子栅栏，当车辆车辆自动驾驶状态进入栅栏时场景开始,当车辆驶出栅栏场景结束,期间上传的数据有人行横道线识别的信息,并且与系统录入的人行横道线一致时,表示人行横道线线识别成功。当识别成功，并且人行横道线前停车或减速到30km/h以下，场景通过否则不通过。整个过程出现过手动驾驶,场景不通过。整个过程记录场景开始时间，开始经纬度，开始速度，结束时间，结束经纬度，结束速度。
场景五、机动车信号灯识别及响应
场景描述:测试道路为至少包含一条车道的长直道并在路段内设置机动车信号灯，信号灯类型可根据实际测试路段情况选择。
实际场景提取步骤:
在符合条件的机动车信号灯下面人行道前15米范围内，画电子栅栏，当车辆自动驾驶状态进入大栅栏时场景开始,当车辆驶出栅栏场景结束,期间上传的交通信号灯信息，是V2X交换的。当红灯时，车驶出电子栅栏驶入人行横道,场景不通过，否则场景通过。
场景六、方向指示信号灯识别及响应
场景描述:测试道路为至少包含双向两车道的十字交叉路口。路口设置方向指示信号灯。测试车辆匀速驶向信号灯。
实际场景提取步骤:
在符合条件的方向指示灯车信号灯下面人行道前15米范围内，画电子栅栏,每条车道线路口实线处也画上电子栅栏标记上左转道,右转道,直行道等信息，当车辆自动驾驶状态进入大栅栏时场景开始,当车辆驶出栅栏场景结束。当左转指示灯红灯时，车辆驶出左转车道电子栅栏驶入人行横道,场景不通过,有手动接管场景不通过，否则场景通过。当直行指示灯红灯时，车辆驶出直行车道电子栅栏驶入人行横道,场景不通过,有手动接管场景不通过，否则场景通过。
场景七、车辆驶入识别及响应
场景描述:测试道路为至少包含两条车道的长直道。测试车辆和目标车辆在各自车道内匀速行驶，在测试车辆接近目标车辆过程中，目标车辆驶入测试车辆所在车道。
实际场景提取步骤:
车辆上传传感器信息中,包含检测目标的类型,经纬度,行驶方向,速度等信息,计算当前车辆与目标车辆距离,当前车辆与目标车夹角,当前车与目标车的垂直距离，缓存1分钟的数据，当根据缓存数据检测到车辆正前方的目标车速度s1小于当前车速度s2,s1大于15km/h，s1-s2差值大于10km/h，并且是是变道过来的,并且开始车距小于1.5s的安全距离场景开始,当车距大于40m时,或存在变道时，或s1,s2任一车速小于15km/h场景结束。当有手动接管记录时场景不通过,当存在安全距离小于6米情况场景不通过。
说明:车辆与目标夹角：车辆前一个点，车辆当前点，障碍物当前点，当夹角180时表示目标物物在正前方
车辆与目标垂直距离:车辆按当前行驶方向，向前延生固定长度，得到一条直线，目标物到达直线的垂直距离。
场景八、对向车辆借道行驶识别及响应
场景描述:测试道路为至少包含双向两条车道的长直道。测试车辆沿车道中间匀速行驶，同时对向目标车辆压黄色虚线匀速行驶。
实际场景提取步骤:
车辆上传传感器信息中,包含检测目标的类型,经纬度,行驶方向,速度等信息,计算当前车辆与目标车辆距离,车辆与目标夹角,车辆与目标垂直距离，缓存1分钟的数据，当根据缓存数据检测到车辆正前方的目标车与当前车相向行驶,车辆的方位角差值大于175小于180,垂直距离小于车宽2米场景开始,车辆与目标夹角小于90度场景结束。当有手动接管记录时场景不通过,当自动驾驶车辆没有避让时场景不通过。
场景九、障碍物测试
场景描述:测试道路为至少包含一条车道的长直道，在车道中间分别放置锥形交通路标和隔离栏
实际场景提取步骤:
自动驾驶车辆上传传感器信息中,包含检测目标的类型,经纬度,行驶方向,速度等信息,计算当前车辆与目标障碍物距离,车辆与目标障碍物夹角,车辆与目标障碍物垂直距离，缓存1分钟的数据，当车辆正前方30米以内有静止的交通路标时场景开始，当车辆停车或正前方没有静止的交通路标时场景结束。当有手动接管记录时场景不通过,当车辆没有碰撞到障碍物时即不存在速度大于1km/s，与障碍物距离小于1米的情况场景通过。
场景十、误作用测试
场景描述:测试道路为至少包含一条车道的长直道，在车道中间放置井盖、铁板或减速带中的任意一种目标物，测试车辆匀速驶向该目标物
实际场景提取步骤:
自动驾驶车辆上传传感器信息中,包含检测目标的类型,经纬度,行驶方向,速度等信息,计算当前车辆与目标障碍物距离,车辆与目标障碍物夹角,车辆与目标障碍物垂直距离，缓存1分钟的数据，当车辆正前方30米以内有静止的井盖时场景开始，当车辆停车或正前方没有静止的井盖时场景结束。当有手动接管记录时场景不通过,当车辆制动停车时场景不通过否则场景通过。
场景十一、行人沿道路行走识别及响应
场景描述:测试道路为至少包含两条车道的长直道。测试车辆沿车道中间匀速行驶，同时行人于车辆正前方沿车道向前行走。
实际场景提取步骤:
缓存车辆和每个障碍物的最后1分钟的信息,计算每个障碍物与车辆夹角,车辆行驶方向，障碍物行驶方向,车辆当前点往前延伸100米，障碍物到这条线的垂直距离。当前车是否直行行驶判断道格拉斯·普克算法处理设置阀值后只能抽取起点和终点表示未变道,当车直线行驶未变道,在正前方有行人，夹角大于170，小于180，垂直距离小于1.5,车辆与人的行驶方向差值小于10,车和障碍物的距离小于100米。记录缓存的第一条数据为开始时间，当正前方人的数据不满足上述条件时，场景结束。不存在小于安全距离5m，并且车辆速度大于3的情况并且无接管的情况，场景通过。
场景十二、行人横穿马路识别及响应
场景描述:测试道路为至少包含两条车道的长直道，并在路段内设置人行横道线。测试车辆匀速驶向人行横道线，同时行人沿人行横道线横穿马路，两者存在碰撞风险。
实际场景提取步骤:
缓存车辆和每个障碍物的最后1分钟信息,计算每个障碍物与车辆夹角,车辆行驶方向，障碍物行驶方向,车辆当前点往前延伸100米，障碍物到这条线的垂直距离。当前车是否直行行驶判断道格拉斯·普克算法处理设置阀值后只能抽取起点和终点表示未变道,当车直线行驶未变道,在正前方有行人，夹角大于170，小于180，垂直距离小于8米,车和障碍物的距离小于100米,车辆与人的行驶方向差值在70-80度或者250-270度。记录缓存的第一条数据为开始时间，当正前方车的缓存数据不满足上述条件时，场景结束。当行人在正前方，不存在小于安全距离5m，并且车辆速度大于3的情况,并且无接管的情况，场景通过，或者行人不在正前方时车辆有变道,场景通过。
场景十三、两轮车沿道路行走识别及响应
场景描述:测试道路为至少包含两条车道的长直道。测试车辆沿车道中间匀速行驶，同时两轮车于车辆正前方沿车道向前行驶。
实际场景提取步骤:
缓存车辆和每个障碍物的最后1分钟信息,计算每个障碍物与车辆夹角,车辆行驶方向，障碍物行驶方向,车辆当前点往前延伸100米，障碍物到这条线的垂直距离。当前车是否直行行驶判断道格拉斯·普克算法处理设置阀值后只能抽取起点和终点表示未变道,当车直线行驶未变道,在正前方有自行车，夹角大于170，小于180，垂直距离小于1.5,车和障碍物的距离小于100米。记录缓存的第一条数据为开始时间，当正前方车的缓存数据不满足上述条件时，场景结束。不存在小于安全距离，并且车辆速度大于1.2倍目标车车速的情况并且无接管的情况，场景通过。
场景十四、两轮车横穿马路识别及响应
场景描述:测试道路为至少包含两条车道的长直道，并在路段内设置人行横道线。测试车辆匀速驶向人行横道线，同时两轮车正沿人行横道线横穿马路，两者存在碰撞风险。
实际场景提取步骤:
缓存车辆和每个障碍物的最后1分钟信息,计算每个障碍物与车辆夹角,车辆行驶方向，障碍物行驶方向,车辆当前点往前延伸100米，障碍物到这条线的垂直距离。当前车是否直行行驶判断道格拉斯·普克算法处理设置阀值后只能抽取起点和终点表示未变道,当车直线行驶未变道,在正前方有行人，夹角大于170度，小于180度，垂直距离小于8米,车和障碍物的距离小于100米,车辆与人的行驶方向差值在70-80度或者250-270度。记录缓存的第一条数据为开始时间，当正前方车的缓存数据不满足上述条件时，场景结束。当车辆在正前方，不存在小于安全距离，并且车辆速度大于1.2倍目标车车速的情况,并且无接管的情况，场景通过，或者目标车不在正前方时车辆有变道,场景通过。
场景十五、稳定跟车识别及响应
场景描述:测试道路为两侧车道线为实线的长直道。测试车辆沿车道接近前方匀速行驶的目标车辆。
实际场景提取步骤:
缓存车辆和每个目标车的最后1分钟信息,计算每个障碍物与车辆夹角,车辆行驶方向，障碍物行驶方向,车辆当前点往前延伸100米，障碍物到这条线的垂直距离。当前车是否直行行驶判断道格拉斯·普克算法处理设置阀值后只能抽取起点和终点表示未变道,当车直线行驶未变道,在正前方有车，夹角大于170度，小于180度，垂直距离小于1.5米,车和目标车辆的距离小于100米。当检测当前车辆直线行驶,正前方目标车辆直线行驶,目标车辆稳定行驶速度方差小于阀值s1,当前车车速大于目标车速,车距持续3秒减小场景开始。当车辆变道，或目标车速度不稳定,或当前车速远小于目标车速场景结束。当场景开始后,检测到急加速急减速等驾驶行为时场景不通过，当检测到手动驾驶时场景不通过。
场景十六、停-走功能识别及响应
场景描述:测试道路为两侧车道线为实线的长直道。测试车辆稳定跟随目标车辆行驶，目标车辆制动直至停止,一定时间后目标车辆起步加速。
实际场景提取步骤:
缓存车辆和每个目标车的最后2分钟信息,计算目标车与当前车辆夹角,车辆行驶方向，目标车行驶方向,车辆当前点往前延伸100米，目标车到这条线的垂直距离。当前车是否直行行驶判断道格拉斯·普克算法处理设置阀值后只能抽取起点和终点表示未变道，当车直线行驶未变道，在正前方有目标车夹角大于170度，小于180度，垂直距离小于1.5米，车和障碍物的距离小于100米。当根据缓存数据检测到目标车都减速停车时场景开始，目标车启动到车速稳定行驶2分钟后场景结束，当目标车停车时长超过2分钟场景无效，当目标车启动后2分钟车速未稳定，场景无效。当检测车距小于安全距离或发生碰撞时，场景不通过，当出现手动驾驶后场景不通过，当无法稳定跟车即车距的方差大于阀值时场景不通过。
S400.统计每个车辆各个场景的通过次数，标准化处理后得到多个指标，然后多指标综合评分。根据分组统计每辆车的不同场景的提取次数，通过的次数。固定运营区域，通过的场景数越多，自动驾驶稳定性越高。记录车辆的分组统计每个场景的通过次数作为指标，进行min-max标准化，然后对车辆进行熵权法量化评分。车辆的评分越高，自动驾驶车辆功能稳越稳定。
具体的，S400的具体方法为：
S401：统计每个车每个场景通过次数作为指标，说明对于n个车辆，m个场景指标，则xij为第i个车的第j个场景指标(i＝1，2，...，n；j＝1，2，...m)；
S402：对统计后的每个指标进行min-max标准化处理，得到标准化值yii；
S403：计算各个指标的信息熵，先确定第i个车的第j个场景指标占该指标的比重：
i＝1，2，...，n；j＝1，2，...m；
第j个指标的熵值：
其中k＝1/ln(n)＞0，满足ej≥0；
信息熵冗余度：dj＝1-ej，j＝1，2…，m；
S404：计算各项指标的权重：
j＝1，2，...，m；
S405：计算车辆的综合评分：
j＝1，2，...，m。
在一些优选实施例中，标准化值yij包括正向指标和负向指标，其中，
正向指标为：
负向指标为：
本实施例公开的一种自动驾驶车辆功能稳定性评定的方法，包括：自动驾驶车辆的车载终端向服务端周期性上传车联网CAN数据和感知数据，服务端接收数据并存入数据库；根据自动驾驶车辆上传识别的交通标识信息并进行聚类，经二次确认后，对交通标识信息和电子栅栏信息进行维护；根据自动驾驶车辆上传的CAN数据、感知数据和维护的交通标识数据，对自动驾驶车辆场景提取，并判定当前场景是否通过；统计每个车辆各个场景的通过次数，标准化处理后得到多个指标，然后多指标综合评分。本发明基于自动驾驶车辆各个场景进行识别及响应，基于统计场景数据计算每一辆车每个场景的分值。标准化处理后，用熵权法计算车辆自动驾驶稳定性的分值，从而量化分析不同车辆自动驾驶的稳定性。
应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。
结合本文的实施例所描述的方法或者算法的步骤可直接体现为硬件、由处理器执行的软件模块或其组合。软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质连接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该ASIC可以位于用户终端中。当然，处理器和存储介质也可以作为分立组件存在于用户终端中。
对于软件实现，本申请中描述的技术可用执行本申请所述功能的模块(例如，过程、函数等)来实现。这些软件代码可以存储在存储器单元并由处理器执行。存储器单元可以实现在处理器内，也可以实现在处理器外，在后一种情况下，它经由各种手段以通信方式耦合到处理器，这些都是本领域中所公知的。
上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
Claims (7)
1.一种自动驾驶车辆功能稳定性评定的方法，其特征在于，包括：
S100.自动驾驶车辆的车载终端向服务端周期性上传车联网CAN数据和感知数据，服务端接收数据并存入数据库；
S200.根据自动驾驶车辆上传识别的交通标识信息并进行聚类，经二次确认后，对交通标识信息和电子栅栏信息进行维护；
S300.根据自动驾驶车辆上传的CAN数据、感知数据和维护的交通标识数据，对自动驾驶车辆场景提取，并判定当前场景是否通过；
S400.统计每个车辆各个场景的通过次数，标准化处理后得到多个指标,然后多指标综合评分；
S300的具体方法为：
S301.加载车辆CAN数据和感知数据，以及系统维护的交通标识，车道线数据,将车辆数据按照采集时间排序；
S302：遍历各个场景提取器，计算并缓存各个场景识别需要的信息；
S303：根据不同场景的要求，判断场景是否开始；
S304：当场景开始后，开始识别自动驾驶车辆的驾驶行为，并计算场景持续的里程，时长数据；
S305：根据场景要求，判断场景是否结束，没有结束持续S304，计算场景中各种统计数据；
S306：场景结束后，判断车辆是否通过场景；
S307：维护更新场景信息，重复执行S304；
自动驾驶车辆识别及响应的场景至少包括：限速标志识别及响应、停车让行标志标线识别及响应、车道线识别及响应、人行横道线识别及响应、机动车信号灯识别及响应、方向指示信号灯识别及响应、车辆驶入识别及响应、对向车辆借道行驶识别及响应、障碍物测试、误作用测试、行人沿道路行走识别及响应、行人横穿马路识别及响应、两轮车沿道路行走识别及响应、两轮车横穿马路识别及响应、稳定跟车识别及响应和停-走功能识别及响应。
2.如权利要求1所述的一种自动驾驶车辆功能稳定性评定的方法，其特征在于，S100中，车联网CAN数据至少包括：车架号、经纬度、速度、驾驶模式、电流、电压、里程以及采集时间。
3.如权利要求1所述的一种自动驾驶车辆功能稳定性评定的方法，其特征在于，S100中，自动驾驶车辆获取感知数据的来源至少包括：激光雷达、微波读写天线、摄像头和毫米雷达。
4.如权利要求1所述的一种自动驾驶车辆功能稳定性评定的方法，其特征在于，自动驾驶车辆的驾驶行为至少包括：车辆急加速，车辆急减速，车辆急转弯，车辆人工接管次数。
5.如权利要求4所述的一种自动驾驶车辆功能稳定性评定的方法，其特征在于，车辆急加速定义为持续2秒加速度大于预设阈值，车辆急减速定义为持续2秒加速度小于预设阈值；急转弯定义为持续2秒方向角的修改大于预设阈值；车辆人工接管次数定义为上一条数据驾驶模式为自动驾驶，当前数据驾驶模式为手动驾驶，计数一次。
6.如权利要求1所述的一种自动驾驶车辆功能稳定性评定的方法，其特征在于，S400的具体方法为：
S401：统计每个车每个场景通过次数作为指标，说明对于n个车辆，m个场景指标,则xij为第i个车的第j个场景指标(i＝1,2,...,n；j＝1,2,...m)；
S402：对统计后的每个指标进行min-max标准化处理，得到标准化值yij；
S403：计算各个指标的信息熵，先确定第i个车的第j个场景指标占该指标的比重:
第j个指标的熵值:
其中k＝1/ln(n)>0，满足ej≥0；
信息熵冗余度:dj＝1-ej,j＝1,2...,m；
S404：计算各项指标的权重:
S405：计算车辆的综合评分:
7.如权利要求1所述的一种自动驾驶车辆功能稳定性评定的方法，其特征在于，S402中，标准化值yij包括正向指标和负向指标，其中，
正向指标为：
负向指标为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110950153.2A CN113722566B (zh) | 2021-08-18 | 2021-08-18 | 一种自动驾驶车辆功能稳定性评定的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110950153.2A CN113722566B (zh) | 2021-08-18 | 2021-08-18 | 一种自动驾驶车辆功能稳定性评定的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113722566A CN113722566A (zh) | 2021-11-30 |
| CN113722566B true CN113722566B (zh) | 2024-08-06 |
Family
ID=78676715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110950153.2A Active CN113722566B (zh) | 2021-08-18 | 2021-08-18 | 一种自动驾驶车辆功能稳定性评定的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113722566B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114089773B (zh) * | 2022-01-11 | 2022-05-27 | 深圳佑驾创新科技有限公司 | 自动驾驶车辆的测试方法、装置、设备及存储介质 |
| CN116968733B (zh) * | 2023-09-22 | 2024-02-27 | 国汽(北京)智能网联汽车研究院有限公司 | 车辆安全风险评估方法及其装置、设备、介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109598066A (zh) * | 2018-12-05 | 2019-04-09 | 百度在线网络技术（北京）有限公司 | 预测模块的效果评估方法、装置、设备和存储介质 |
| CN110606093A (zh) * | 2019-09-26 | 2019-12-24 | 中国第一汽车股份有限公司 | 车辆性能评测方法、装置、设备和存储介质 |
| CN112700156A (zh) * | 2021-01-07 | 2021-04-23 | 武汉理工大学 | 一种新能源汽车运行安全性能评价体系构建方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10558217B2 (en) * | 2017-08-28 | 2020-02-11 | GM Global Technology Operations LLC | Method and apparatus for monitoring of an autonomous vehicle |
| CN112541632A (zh) * | 2020-12-15 | 2021-03-23 | 江苏大学 | 一种基于多属性决策的驾驶行为安全性评估方法 |
| CN113065428A (zh) * | 2021-03-21 | 2021-07-02 | 北京工业大学 | 基于特征选择的自动驾驶目标识别方法 |
| CN113092133B (zh) * | 2021-04-07 | 2024-03-22 | 冒坚 | 一种基于高斯聚类的超声波雷达在环自动驾驶测试方法 |
| CN113093569A (zh) * | 2021-04-13 | 2021-07-09 | 中国第一汽车股份有限公司 | 自动驾驶的仿真测试方法、装置、设备和存储介质 |
-
2021
- 2021-08-18 CN CN202110950153.2A patent/CN113722566B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109598066A (zh) * | 2018-12-05 | 2019-04-09 | 百度在线网络技术（北京）有限公司 | 预测模块的效果评估方法、装置、设备和存储介质 |
| CN110606093A (zh) * | 2019-09-26 | 2019-12-24 | 中国第一汽车股份有限公司 | 车辆性能评测方法、装置、设备和存储介质 |
| CN112700156A (zh) * | 2021-01-07 | 2021-04-23 | 武汉理工大学 | 一种新能源汽车运行安全性能评价体系构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113722566A (zh) | 2021-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108645628B (zh) | 基于道路驾驶技能的自动驾驶汽车测试系统 | |
| CN110675656B (zh) | 一种基于瞬时风险识别的智能车辆换道预警方法 | |
| CN107843440B (zh) | 一种自动驾驶车辆性能测试系统及方法 | |
| CN113722566B (zh) | 一种自动驾驶车辆功能稳定性评定的方法 | |
| US20190143992A1 (en) | Self-driving learning apparatus and method using driving experience information | |
| CN111422202B (zh) | 智能驾驶考试评判方法 | |
| JP2008285015A (ja) | 運転タイプ判別装置、プログラム、及び運転支援装置 | |
| CN112508054B (zh) | 一种驾驶模型训练方法、装置、设备和介质 | |
| CN113724520A (zh) | 车路协同信息处理方法、装置、电子设备以及存储介质 | |
| US20240046787A1 (en) | Method And System For Traffic Clearance At Signalized Intersections Based On Lidar And Trajectory Prediction | |
| CN110807922A (zh) | 一种无人车交叉路口通行能力测试系统及测试方法 | |
| CN115035491A (zh) | 一种基于联邦学习的驾驶行为路况预警方法 | |
| CN114692713A (zh) | 一种自动驾驶车辆的驾驶行为评价方法及装置 | |
| CN110992513A (zh) | 自动驾驶车辆的可靠性评估方法及相关装置 | |
| CN111882924A (zh) | 车辆测试系统、驾驶行为判断控制方法及事故预警方法 | |
| CN116798222A (zh) | 高速公路能见度检测与智慧诱导方法、系统及装置 | |
| CN106803353B (zh) | 用于确定交通信号灯的变换规则的方法和车载系统 | |
| CN117601858A (zh) | 车辆防追尾避让方法、设备及系统 | |
| CN115457757A (zh) | 判定交通行为合规性的方法和装置 | |
| CN114179814A (zh) | 用于评价机动车的行驶行为的方法、装置和存储介质 | |
| CN113362590A (zh) | 基于联网adas调查路域交通违法行为时空特征的方法 | |
| CN113128847A (zh) | 一种基于激光雷达的出入口匝道实时风险预警系统及方法 | |
| CN116609093B (zh) | 一种基于养护作业的智能驾驶安全测试系统及方法 | |
| CN118097978B (zh) | 一种交通信息智慧采集系统及方法 | |
| CN118470977B (zh) | 人机混驾环境下的交通安全预警系统和交通安全预警方法 |
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 |