CN113734204A - 用于评价自动驾驶功能的适用性的方法和设备 - Google Patents
用于评价自动驾驶功能的适用性的方法和设备 Download PDFInfo
- Publication number
- CN113734204A CN113734204A CN202111119848.2A CN202111119848A CN113734204A CN 113734204 A CN113734204 A CN 113734204A CN 202111119848 A CN202111119848 A CN 202111119848A CN 113734204 A CN113734204 A CN 113734204A
- Authority
- CN
- China
- Prior art keywords
- driving function
- automatic driving
- data
- intervention
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/005—Handover processes
- B60W60/0053—Handover processes from vehicle to occupant
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- 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
- B60W2540/00—Input parameters relating to occupants
-
- 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
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/60—Traffic rules, e.g. speed limits or right of way
- B60W2555/80—Country specific, e.g. driver age limits or right hand drive
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及自动驾驶领域。本发明提供一种用于评价自动驾驶功能的适用性的方法,所述方法包括以下步骤:S1:在实施自动驾驶功能期间,收集由用户和周围环境引起的对自动驾驶功能的干预响应数据;以及,S2:根据所述干预响应数据检查自动驾驶功能与用户习惯以及地理区域的匹配程度。本发明还涉及一种用于评价自动驾驶功能的适用性的设备。本发明旨在通过收集干预响应数据来使自动驾驶功能的预设性能逐渐向用户习惯以及不同国家地区的交通特性上标定,由此提升了自动驾驶功能在不同用户群体和地理区域的接受度。
Description
技术领域
本发明涉及一种用于评价自动驾驶功能的适用性的方法、一种用于评价自动驾驶功能的适用性的设备、一种自动驾驶系统和一种计算机程序产品。
背景技术
目前,越来越多的车辆配备有自动驾驶系统,这些系统作为复杂集成系统不仅要考虑车辆的驱动能耗和时间效率,而且还需要在用户舒适性与安全性之间寻求平衡。为此,自动驾驶功能在发布前需要在性能上进行评估测试,由于市场、企业战略与布局等原因,这些测试通常仅在特定国家和地区或者仅面向有限数量用户完成,又由于各国家和地区的交通环境不同、基础设施建设不同和驾驶员驾驶行为习惯不同等原因,当将自动驾驶功能投放某一市场后,很难依据统一标准来评估自动驾驶功能的市场接受度和用户满意度。
为了解决这一问题,现有行业标准中已经提出借助“脱离报告(DisengagementReport)”来评估自动驾驶系统的路测安全性。
现有技术中还提出一种自动驾驶系统,该自动驾驶系统能够检测驾驶员的状态或操作,并判定自动驾驶参数是否处于驾驶员允许范围。由此,能够探寻驾驶员允许范围并使自动驾驶参数符合驾驶员喜好。
但是目前给出的上述解决方案仍存在诸多不足,特别是,脱离报告只能根据脱离次数简单反馈自动驾驶技术的研发进展水平,而无法从引发脱离的原因出发将自动驾驶功能的适用性与用户及地区关联起来。此外,目前只提出使自动驾驶参数匹配于驾驶员喜好,但并未考虑到地理环境对自动驾驶功能标定的影响。
因此,仍然期待对目前的方法进行改进,以进一步提高自动驾驶功能的接受度。
发明内容
本发明的目的在于提供一种用于评价自动驾驶功能的适用性的方法、一种用于评价自动驾驶功能的适用性的设备、一种自动驾驶系统和一种计算机程序产品,以至少解决现有技术中的部分问题。
根据本发明的第一方面,提供一种用于评价自动驾驶功能的适用性的方法,所述方法包括以下步骤:
S1:在实施自动驾驶功能期间,收集由用户和周围环境引起的对自动驾驶功能的干预响应数据;以及
S2:根据所述干预响应数据检查自动驾驶功能与用户习惯以及地理区域的匹配程度。
本发明尤其包括以下技术构思:在许多情况下,自动驾驶功能的脱离或退出并不都由驾驶员引起,而是还有可能由环境因素导致,通过了解这些信息,可以使自动驾驶功能的初始性能逐渐向用户习惯以及不同国家地区的交通特性上标定,由此提升了自动驾驶功能在不同用户群体和地区的接受度。
可选地,所述步骤S1包括:从布置在车辆处的事件数据记录器(EDR:Event DataRecorder)、自动驾驶数据存储系统(DSSAD:Data Storage System for AutomatedDriving)和/或法规要求的其他数据记录装置中读取干预响应、尤其接管请求及重要事件(例如:紧急工况、碰撞)出现的时间戳数据或时间序列数据,基于时间戳数据或时间序列数据求取干预响应的类别和原因。
在此,尤其实现以下技术优点:由于强制性标准的存在,车辆中无论如何都设有具备数据记录功能的软/硬件设备,这些设备会记录并保留特定事件(例如自动驾驶功能激活、退出、自动驾驶系统发出接管请求、车辆发生碰撞等)发生的时刻或发生前后一段时间内的数据,由此无需为了探究干预响应而引入附加硬件,而只需针对不同驱动程序调整待截取的数据类型和功能参数,因此极大地降低了购买测试测量设备以及进行数据采集活动的开销。
可选地,由用户引起的干预响应数据包括:驾驶员对自动驾驶功能的主动干预行为、尤其由驾驶员主动发出接管请求或超控操作;以及,驾驶员对系统主动发出接管请求的无响应或未及时响应导致自动触发的“最低风险策略(MRM:Minimum Risk Manoeuvre)”。
在此,尤其实现以下技术优点:主动干预行为能够反映用户对自动驾驶功能目前采用的参数集或预设模式的接受度或满意度,用户对接管请求的无响应或延迟响应则反映出用户对自动驾驶功能的依赖性以及安全意识。通过了解这些信息,可以更准确地使自动驾驶功能适配于用户的个人习惯,并确保安全性。
可选地,由周围环境引起的干预响应数据包括:由于不满足或超出设计运行域(ODD:operational design domain)导致触发的系统主动发出接管请求;以及,紧急工况(EM:Emergency Manoeuvre)导致触发的系统主动发出接管请求。
在此,尤其实现以下技术优点:在智能驾驶系统开发过程中,会将驾驶场景表达为设计运行域,其可用于表征自动驾驶功能的开启或使能条件,一旦发现周围环境不满足或超出设计运行域中抽象出的要素,则系统会主动请求用户接管,因此通过记录周围环境不满足或超出设计运行域而触发的系统主动发出接管请求可以了解周围环境与初始产品功能开发阶段的场景构建的贴合程度,这尤其与不同地区的交通元素布局及法规密切相关。紧急工况导致的系统主动发出接管请求则能够在一定程度上反映出特定地区或文化下的交通不确定因素,这尤其与不同地理环境中的交通驾驶特性、驾驶风格、天气、地形存在关联。
可选地,所述步骤S2包括:
基于干预响应的次数和程度建立分布特性曲线;
根据所述分布特性曲线确定驾驶员类别和/或地域类别;以及
判断为自动驾驶功能预设的驾驶员类别和/或地域类别与所确定的驾驶员类别和/或地域类别是否存在偏差。
在此,尤其实现以下技术优点:通过查看数据样本分布特点,可以从统计学角度更直观地看出自动驾驶功能与用户习惯或地理区域的偏差。分布特性曲线还允许从多维度分析干预响应,从而更全面、迅速地找到导致适用性下降的原因。
可选地,所述方法还包括以下步骤:
S3:响应于所述匹配程度,从多个预定义参数组中选择参数组并将其用于自动驾驶功能,和/或,对正在由自动驾驶功能使用的参数组中的至少一个参数进行调节。
在此,尤其实现以下技术优点:通过预先定义多个参数组,可以针对不同的用户习惯和地理位置迅速调取合适的参数组,因此在总体上提高了自动驾驶功能的自适应调节速度。单独对参数组的任意参数进行调节则使得无需置换全部参数项,而只更换特定配置,因此降低了数据处理开销。
可选地,所述预定义参数组表示针对不同国家、地区和/或驾驶特性训练的自学习系统配置,其包括:系统默认参数,尤其语言、日期、压力、温度、速度、加速度、加速控制开始时机、减速控制开始时机和转向控制开始时机、减速和转向控制模式、转向干预阈值;功能编译源代码;以及,用户偏好数据,尤其激活自适应巡航后的可自定义的跟车距离和自动驾驶功能期间的车距控制和能量回收强度。
在此,尤其实现以下技术优点:借助自学习系统,能够在不同地区或针对不同用户身份执行自动驾驶功能的预训练,并且能够以不同预定义参数组的形式存储相应的学习结果。以这种方式,只需从数据库中调取适当的自己学习系统配置,因此优化了参数自适应过程的速度。
根据本发明的第二方面,提供一种用于评价自动驾驶功能的适用性的设备,该设备用于执行根据本发明的第一方面所述的方法,该设备包括:
收集模块,其配置成能够在实施自动驾驶功能期间收集由用户和周围环境引起的对自动驾驶功能的干预响应数据;以及
分析模块,其配置成能够根据所述干预响应数据检查自动驾驶功能与用户习惯以及地理区域的匹配程度。
根据本发明的第三方面,提供一种自动驾驶系统,其包括根据本发明的第二方面所述的设备。
根据本发明的第三方面,提供一种计算机程序产品,其中,所述计算机程序产品包括计算机程序,所述计算机程序用于在被计算机执行时实施根据本发明的第一方面所述的方法。
附图说明
下面,通过参看附图更详细地描述本发明,可以更好地理解本发明的原理、特点和优点。附图包括:
图1示出了根据本发明的一个示例性实施例的自动驾驶系统的框图;
图2示出了根据本发明的一个示例性实施例的用于评价自动驾驶功能的适用性的方法的流程图;
图3示出了从事件数据记录器读取的接管请求出现的时间戳数据或时间序列数据的示意图;
图4示出了用于根据干预响应的分布曲线确定自动驾驶功能在用户习惯方面的适用性的示意图;以及
图5示出了用于根据干预响应的分布曲线确定自动驾驶功能在地理区域方面的适用性的示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案以及有益的技术效果更加清楚明白,以下将结合附图以及多个示例性实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用于解释本发明,而不是用于限定本发明的保护范围。
图1示出了根据本发明的一个示例性实施例的自动驾驶系统1的框图。自动驾驶系统1包括用于评价自动驾驶功能的适用性的设备10。
该设备10包括收集模块20和分析模块30。收集模块20例如构造成通信接口并且用于收集由用户和周围环境引起的对自动驾驶功能的干预响应数据和/或其它重要事件(例如:紧急工况、碰撞等)数据。作为示例,收集模块20可以直接从布置在车辆中的事件数据记录器40读取相关的时间戳数据或时间序列数据,并由此记录自动驾驶功能从激活到退出的次数、类型、程度和原因。作为另一示例,收集模块20还可以从(例如布置在云端的)服务器60或者从其他车载传感器(未示出)接收关于干预响应的数据。这些车载传感器例如包括摄像机、加速踏板踩踏量传感器、制动踏板踩踏量传感器、速度传感器、加速度传感器、GNSS天线、惯性测量单元等。
分析模块30例如包括分类单元31和存储单元32。在收集了一定数量的或一段时间内的干预响应数据和/或其它重要事件数据之后,这些数据被提供给分析模块30的分类单元31,以便在那里按照原因对干预响应进行统计学分析,并由此确定相应的驾驶员类型和/或地域类型。
在存储单元32中例如存储有针对不同国家、地区、时间、用户类型训练的自学习系统配置,这些自学习系统配置以预定义参数组的形式存在并且可被直接提取用于改变自动驾驶功能的模式。作为示例,预定义参数组包括:系统默认参数,尤其软件版本、语言、日期、压力、温度、速度、加速度、加速控制开始时机、减速控制开始时机和转向控制开始时机、减速和转向控制模式、转向干预阈值;功能编译源代码;以及,用户偏好数据,尤其激活自适应巡航后的可自定义的跟车距离和自动驾驶功能期间的车距控制和能量回收强度。
取决于所确定的驾驶员类型和/或地域类型与自动驾驶功能的预设类型是否存在偏差,必要时可以从存储单元30调用对应的参数组并将其应用于自动驾驶系统1的执行模块50,从而使执行模块50能够按照更新的参数配置提供车辆的相应操作。在此,执行模块50例如可以包括诸如加速踏板、制动踏板、转向操纵装置等其他常规驾驶操作装置。
图2示出了根据本发明的一个示例性实施例的用于评价自动驾驶功能的适用性的方法的流程图。
在此,可选的步骤S01-S02属于自动驾驶功能的预训练阶段,在步骤S01中,例如针对不同国家、地区、用户收集用于测试自动驾驶功能的样本。这些样本例如可以是由用户和周围环境引起的对自动驾驶功能的干预响应数据和/或其它重要事件数据。
在本发明的意义上,干预响应例如可以理解为:与当前正在被执行的自动驾驶功能的预设模式或预设参数范围不相符的车辆操作,或者说致使当前正在被执行的自动驾驶功能脱离预设参数范围的车辆操作。在最简单的情况下,可以将车辆的自动驾驶功能的激活状态到未激活状态的过渡过程称为干预响应、尤其包括接管请求。
接下来,在步骤S02中,借助所收集的测试样本训练自学习系统,从而能够为不同地理区域、驾驶员类别分配预定义参数组。这些预定义参数组可以被用于改变自动驾驶功能的功能范围、模式或表现。在预训练阶段结束后,例如可以为自动驾驶功能预设初始参数组。
在步骤S1中,可以在车辆用户正常使用车辆的情况下,在实施自动驾驶功能期间继续收集由用户和/或周围环境引起的对自动驾驶功能的干预响应数据和/或其它重要事件数据。在此,尤其可以从布置在车辆处的事件数据记录器、自动驾驶数据存储系统和/或法规要求的其他数据记录装置中读取任意两种状态之间切换或过渡的时间戳数据或时间序列数据,基于时间戳数据或时间序列数据求取干预响应的类别和原因。
作为示例,由用户引起的干预响应可以是用户在自动行驶过程中通过操纵油门踏板或制动踏板导致车辆速度离开自动驾驶功能规划速度范围,或者操纵方向盘导致转向控制信号超出某一阈值,这种操作也可被称为“超控”(Override)操作。作为另一示例,由用户引起的干预响应还可以是用户通过操纵切换开关而主动将自动驾驶模式切换为手动驾驶模式。作为另一示例,由用户引起的干预响应还可以是自动驾驶系统在发出接管请求的情况下,驾驶员对这种接管请求没有响应或者(例如在10秒、尤其5秒内)没有及时响应,因此导致系统主动触发所谓的“最低风险策略”,这种最低风险策略例如可以是系统使车辆缓慢在本车道停止,又例如可以是系统使车辆安全行驶至最右侧车道或者应急车道停止。
作为示例,由周围环境引起的干预响应可以是周围环境不满足或超出设计运行域导致触发的系统主动发出接管请求。这例如可能发生在如下场景中:车辆从高速公路转换到城区道路、车辆进入隧道、车辆进入垂直结构复杂的高架道路、能见度较差的天气、路面状态较差的路段等。这种系统主动发出接管请求的触发次数越多,则意味着车辆当前所处的地理区域与设计运行域对应的测试场景中包含的法规类型和路段类型相差越大。
作为示例,由周围环境引起的干预响应可以是紧急工况导致触发的系统主动发出接管请求。这例如可能发生在如下场景中:在自动驾驶车辆正常行驶期间遇到违反交通法规的交通对象或突发事件,这例如可以是实线变道的车辆、闯红灯的行人、前方车辆的紧急刹车行为等。这种系统主动发出接管请求的触发次数越多,则意味着车辆当前所处的地理区域的不确定因素越多,或者说自动驾驶功能针对当前地理区域的稳定性越差。
在步骤S21中,可以基于所收集的干预响应和/或其它重要事件的次数、频度和/或程度建立分布特性曲线并由此确定车辆用户的驾驶员类别以及车辆所处地理区域的地域类别。
在步骤S22中,可以判断为自动驾驶功能预设的驾驶员类别和地域类别与在步骤S21中确定的驾驶员类别和地域类别是否存在偏差。
在存在偏差的情况下,则可以表示自动驾驶功能的针对当前用户习惯或地理区域的适用性较差。在这种情况下,可以在步骤S23中调节自动驾驶功能的参数组。作为示例,可以从多个预定义的参数组中选择适当的参数组并替换自动驾驶功能的现有参数组。作为另一示例,也可以直接对当前使用的参数组中的个别参数进行微调。
如果不存在偏差,则表示自动驾驶功能针对当前用户习惯和地理区域的适用性良好。于是,可以在步骤S24中结束上述方法。
图3示出了从事件数据记录器读取的接管请求出现的时间戳数据或时间序列数据的示意图。
在图3所示的坐标系中示例性示出了自动驾驶功能中的不同参数随时间的变化过程。在此通过粗实线303示出了自动驾驶功能的状态变化,在t1之前,自动驾驶功能例如处于开启状态,而在t1之后,自动驾驶功能从开启状态切换到未激活状态中。通过提取t1处的时间戳数据301或关于t1的时间序列数据302则可以记录这一次的“接管事件”。如图3所示,时间戳数据301例如可表示多帧数据中的其中一帧,因此可认为其不具有时间维度,但具有空间维度。时间序列数据302则例如理解为以某一频率存储的时间段(例如5s、10s、30s的)数据,所存储的不同数据元素的时间长度是一样的且能够按照时间戳被同步,因此时间序列数据不但具有时间维度而且具有空间维度。
除了自动驾驶功能的状态变化,还在图3中示出了车辆的速度曲线304及驾驶员的转向扭矩输入305。同样地,可以通过时间戳数据301或时间序列数据302来分析在发生上述接管事件时的车辆速度特性和加速度特性及发生的“超控”行为,由此可以进一步推断出导致出现接管事件的原因。
因此,基于时间戳数据和/或时间序列数据,不但能够记录干预响应的累积发生次数,而且还能够直接或间接了解干预响应的发生原因及程度,直接可以理解为数据存储系统直接记录下任意两个状态之间切换的原因,间接例如在t1与曲线305的交汇点,存在驾驶员的转向扭矩输入305超过系统定义的驾驶员干预阈值。
图4示出了用于根据干预响应的分布曲线确定自动驾驶功能在用户习惯方面的适用性的示意图。
图4上部和下部分别针对预训练阶段和应用阶段示出了自动驾驶功能的干预响应的分布特性曲线图。横坐标并表示每行驶100km由用户主动制动导致的超控次数,纵坐标表示每行驶100km由用户主动加速导致的超控次数。
如图4上部所示,在预训练阶段借助例如聚类方法为样本的不同分布区间分配了相应的驾驶员类别以及适配程度。作为示例,在当前的参数组采集的样本的分布情况下,驾驶员类别1对应的加速超控和制动超控的次数都较少,因此表示对自动驾驶功能接受度较高的驾驶习惯。驾驶员类别2对应的主动加速超控较多,而主动制动超控较少,因此表示较自动驾驶系统的控制决策而言,更激进的驾驶习惯。相应地,驾驶员类别3则表示较系统驾驶系统的控制决策而言,更保守的驾驶习惯。在此,还示例性地示出驾驶员类别4和驾驶员类别n。通过了解干预响应与驾驶员类别之间的这种配属关系,可以在预训练阶段结束后为自动驾驶功能预设参数组,使得通过调节参数组后,大多数测试用户落入“驾驶员类别1”。同时,还可以为其他驾驶员类别分配自动驾驶功能的其他预定义参数组,使得这些驾驶员也可以适配到与之驾驶习惯较为相似的系统驾驶功能,这些预定义参数组可以在个别参数类型上有所不同。
在将自动驾驶功能投入使用之后,可以继续收集车辆用户的干预响应数据和/或其它重要事件数据并由此形成分布特性曲线。通过查看大多数采集样本的分布位置可以确定对应的驾驶员类别。如图4下部所示,可以看出大多数干预响应的点都聚集在“驾驶员类别1”的范畴内。因此,可以查看当前求取出的驾驶员类别与系统预期的驾驶员接受度(例如更少的“超控”)是否一致,如果一致则表示自动驾驶功能良好地适用于当前用户驾驶习惯,如果不一致则应针对所确定的驾驶员类别调取新的参数组,并将其应用于当前的自动驾驶功能。
可以理解的是,系统预期的驾驶员接受度是可以由系统设计方定义的,例如更少的主动制动超控次数,又或者更少的主动转向超控次数。
图5示出了用于根据干预响应的分布曲线确定自动驾驶功能在地理区域方面的适用性的示意图。
图5的坐标系中示出了由周围环境引起的对自动驾驶功能的干预响应的分布特性曲线。横坐标表示每行驶100km由于紧急工况原因导致触发的系统主动发出接管请求次数,纵坐标表示每行驶100km由于设计运行域原因导致触发的系统主动发出接管请求次数。在此,除了示出所采集的干预响应的样本点,还针对样本点的不同分布区间示出相应的地理区域适用性。例如,最内侧的深灰色方块表示自动驾驶功能针对当前地理区域的适用性良好,中间区域表示适用性可接受但需要微调,浅色区域表示适用性较差。作为示例,可以通过相应的分布比例来定义适用性评价指标。例如,当90%以上的点处于“良好”区域且小于2%的点处于较差区域时,则认为自动驾驶功能在当前地理区域的适用性符合标准且不需要对目前参数组进行调整。在这种评价指标下,当90%以上的点处于“良好”区域但是9%的点处于“较差”区域时,即使大部分的干预响应都反映出良好的适用性,但仍不能认为适用性符合标准,因此应按照类似于图4所示的那样对相应的点进行聚类分析并为其分配类别,从而调整所使用的参数组。
尽管这里详细描述了本发明的特定实施方式,但它们仅仅是为了解释的目的而给出的,而不应认为它们对本发明的范围构成限制。在不脱离本发明精神和范围的前提下,各种替换、变更和改造可被构想出来。
Claims (10)
1.一种用于评价自动驾驶功能的适用性的方法,所述方法包括以下步骤:
S1:在实施自动驾驶功能期间,收集由用户和周围环境引起的对自动驾驶功能的干预响应数据;以及
S2:根据所述干预响应数据检查自动驾驶功能与用户习惯以及地理区域的匹配程度。
2.根据权利要求1所述的方法,其中,所述步骤S1包括:从布置在车辆处的事件数据记录器、自动驾驶数据存储系统和/或法规要求的其他数据记录装置中读取干预响应、尤其接管请求出现的时间戳数据或时间序列数据,基于时间戳数据或时间序列数据求取干预响应、尤其接管请求的类别和原因。
3.根据权利要求1或2所述的方法,其中,由用户引起的干预响应数据包括:
驾驶员对自动驾驶功能的主动干预行为、尤其由驾驶员主动发出接管请求或超控操作;以及
驾驶员对系统主动发出接管请求的无响应或未及时响应导致自动触发的“最低风险策略”。
4.根据权利要求1至3中任一项所述的方法,其中,由周围环境引起的干预响应数据包括:
由于不满足或超出设计运行域导致触发的系统主动发出接管请求;以及
紧急工况导致触发的系统主动发出接管请求。
5.根据权利要求1至4中任一项所述的方法,其中,所述步骤S2包括:
基于干预响应的次数、频度和/或程度建立分布特性曲线;
根据所述分布特性曲线确定驾驶员类别和/或地域类别;以及
判断为自动驾驶功能预设的驾驶员类别和/或地域类别与所确定的驾驶员类别和/或地域类别是否存在偏差。
6.根据权利要求1至5中任一项所述的方法,其中,所述方法还包括以下步骤:
S3:响应于所述匹配程度,从多个预定义参数组中选择参数组并将其用于自动驾驶功能,和/或,对正在由自动驾驶功能使用的参数组中的至少一个参数进行调节。
7.根据权利要求6所述的方法,其中,所述预定义参数组表示针对不同国家、地区和/或驾驶特性训练的自学习系统配置,其包括:
系统默认参数,尤其软件版本、语言、日期、压力、温度、速度、加速度、加速控制开始时机、减速控制开始时机和转向控制开始时机、减速和转向控制模式、转向干预阈值;
功能编译源代码;以及
用户偏好数据,尤其激活自适应巡航后的可自定义的跟车距离和自动驾驶功能期间的车距控制和能量回收强度。
8.一种用于评价自动驾驶功能的适用性的设备(10),其用于执行根据权利要求1至7中任一项所述的方法,所述设备(10)包括:
收集模块(20),其配置成能够在实施自动驾驶功能期间收集由用户和周围环境引起的对自动驾驶功能的干预响应数据;以及
分析模块(30),其配置成能够根据所述干预响应数据检查自动驾驶功能与用户习惯以及地理区域的匹配程度。
9.一种自动驾驶系统(1),其包括根据权利要求8所述的设备(10)。
10.一种计算机程序产品,其中,所述计算机程序产品包括计算机程序,所述计算机程序用于在被计算机执行时实施根据权利要求1至7中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111119848.2A CN113734204A (zh) | 2021-09-24 | 2021-09-24 | 用于评价自动驾驶功能的适用性的方法和设备 |
DE102022003429.8A DE102022003429A1 (de) | 2021-09-24 | 2022-09-16 | Verfahren und Vorrichtung zur Bewertung der Anwendbarkeit von autonomen Fahrfunktionen |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111119848.2A CN113734204A (zh) | 2021-09-24 | 2021-09-24 | 用于评价自动驾驶功能的适用性的方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113734204A true CN113734204A (zh) | 2021-12-03 |
Family
ID=78740613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111119848.2A Pending CN113734204A (zh) | 2021-09-24 | 2021-09-24 | 用于评价自动驾驶功能的适用性的方法和设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113734204A (zh) |
DE (1) | DE102022003429A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115497317A (zh) * | 2022-09-13 | 2022-12-20 | 阿波罗智联(北京)科技有限公司 | 目标路段确定方法、装置、设备、可读存储介质及产品 |
WO2023202823A1 (de) * | 2022-04-21 | 2023-10-26 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und vorrichtung zum absichern einer automatischen steuerung eines kraftfahrzeugs |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116572995B (zh) * | 2023-07-11 | 2023-12-22 | 小米汽车科技有限公司 | 车辆的自动驾驶方法、装置及车辆 |
-
2021
- 2021-09-24 CN CN202111119848.2A patent/CN113734204A/zh active Pending
-
2022
- 2022-09-16 DE DE102022003429.8A patent/DE102022003429A1/de active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023202823A1 (de) * | 2022-04-21 | 2023-10-26 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und vorrichtung zum absichern einer automatischen steuerung eines kraftfahrzeugs |
CN115497317A (zh) * | 2022-09-13 | 2022-12-20 | 阿波罗智联(北京)科技有限公司 | 目标路段确定方法、装置、设备、可读存储介质及产品 |
CN115497317B (zh) * | 2022-09-13 | 2024-04-12 | 阿波罗智联(北京)科技有限公司 | 目标路段确定方法、装置、设备、可读存储介质及产品 |
Also Published As
Publication number | Publication date |
---|---|
DE102022003429A1 (de) | 2023-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113734204A (zh) | 用于评价自动驾驶功能的适用性的方法和设备 | |
US11893835B2 (en) | In-vehicle monitoring and reporting apparatus for vehicles | |
US20190384292A1 (en) | Processing System For Evaluating Autonomous Vehicle Control Systems Through Continuous Learning | |
US20180122016A1 (en) | System and method for context-based driver monitoring | |
CN102157020B (zh) | 车辆信息存储设备和车辆诊断系统 | |
US10037695B2 (en) | Personalized route indices via crowd-sourced data | |
CN111325230B (zh) | 车辆换道决策模型的在线学习方法和在线学习装置 | |
CN111052202A (zh) | 用于基于相对定位的安全自主驾驶的系统和方法 | |
US11170639B2 (en) | Transportation threat detection system | |
KR102531005B1 (ko) | 운전자 구분을 이용한 보험 상품의 제안 방법 및 그 장치 | |
US10629008B2 (en) | Vehicle diagnostic operation | |
EP3730375B1 (en) | Method and system for analysing the control of a vehicle | |
US20220383421A1 (en) | Electronic System for Forward-looking Measurements of Frequencies and/or Probabilities of Accident Occurrences Based on Localized Automotive Device Measurements, And Corresponding Method Thereof | |
Heyns et al. | Predicting traffic phases from car sensor data using machine learning | |
CN116299389A (zh) | 连接的基于车辆的道路表面质量确定 | |
KR20160062259A (ko) | 차량 이상 상태를 관리하기 위한 방법, 시스템 및 컴퓨터 판독 가능한 기록매체 | |
US10953871B2 (en) | Transportation infrastructure communication and control | |
US10415981B2 (en) | Anomaly estimation apparatus and display apparatus | |
CN112346969B (zh) | 一种基于数据采集平台的aeb开发验证系统及方法 | |
CN113256845B (zh) | 一种数据采集方法、装置、存储介质及系统 | |
US20220340148A1 (en) | Method for estimating an accident risk of an autonomous vehicle | |
US20230339517A1 (en) | Autonomous driving evaluation system | |
CN115265630B (zh) | 一种基于fdr对传感器识别静态物体信息进行筛选的方法 | |
KR102359110B1 (ko) | 차량 | |
US20220055639A1 (en) | Autonomous driving algorithm evaluation and implementation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |