CN113741388A - 一种基于自动驾驶感知失效的安全诊断系统及方法 - Google Patents
一种基于自动驾驶感知失效的安全诊断系统及方法 Download PDFInfo
- Publication number
- CN113741388A CN113741388A CN202110965025.5A CN202110965025A CN113741388A CN 113741388 A CN113741388 A CN 113741388A CN 202110965025 A CN202110965025 A CN 202110965025A CN 113741388 A CN113741388 A CN 113741388A
- Authority
- CN
- China
- Prior art keywords
- failure
- perception
- information
- target
- sensor
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Abstract
一种基于自动驾驶感知失效的安全诊断系统,包括自动驾驶必要的感知传感器和决策模块,所述感知传感器包括激光雷达、摄像头和毫米波雷达,所述系统还包括失效机理子模块、失效诊断子系统和失效处理子系统,失效机理子模块从感知传感器电路相关信息进行诊断,确定故障传播机制以及故障对感知性能的具体影响感知;失效诊断子系统从数据质量及驱动算法进行诊断;感知失效处理子系统针对来自失效机理子模块、失效诊断子系统的信息综合后,进行代偿恢复和算法补充,输出预警信号给决策模块。本发明从失效机理子模块、失效诊断子系统处理综合考虑,有效保证环境感知的稳定性和可靠性。在自动驾驶时出现感知失效的第一时刻,能够将其进行分析、诊断、处理。有效地地解决一些感知失效所带来的的安全隐患,为高度自动驾驶系统作出了更进一步的安全效应。
Description
技术领域
针对高度自动驾驶系统,提供一种基于自动驾驶感知失效的安全诊断策略及方法。
技术背景
环境感知系统作为实现自动驾驶的关键技术,通过环境感知系统获取驾驶环境相关数据信息,自动骂驶系統可以根据环境感知系統反馈的信息,结合高精度的导航系统,做出相应的路径规划和决策,实现安全的自动驾驶。目前,车载环境感知系统包括激光摄像头、毫米波雷达、激光雷达、超声波雷达等,超声波雷达的应用已经相对成熟,摄像头、毫米波雷达和激光雷达正也迎来活跃的技术创新。各传感器点不同、优势互补,多传感器融合将成为自动驾驶的重要趋势。
环境感知技术是自动驾驶技术中重要的一个组成部分。获取可靠的感知信息对于自动驾驶决策与规划十分重要。现行车辆环境感知技术多为多传感器融合感知方案,在实际使用中有可能遇到传感器硬件故障导致数据缺失;或特殊场景下感知数据下降的情况,这对于实现可靠稳定的环境感知提出了挑战,本发明提供一种有效的感知失效的安全诊断系统,从传感器感知失效诊断和感知失效处理综合考虑,有效保证环境感知的稳定性和可靠性。
发明内容
为了解决上述技术问题,本发明提供如下技术方案:
一种基于自动驾驶感知失效的安全诊断系统,包括自动驾驶必要的感知传感器和决策模块,所述感知传感器包括激光雷达、摄像头(又叫相机、摄像机,下同)和毫米波雷达,其特征是所述系统还包括失效机理子模块、失效诊断子系统和失效处理子系统,失效机理子模块从感知传感器电路相关信息进行诊断,确定故障传播机制以及故障对感知性能的具体影响感知;失效诊断子系统从数据质量及驱动算法进行诊断;感知失效处理子系统针对来自失效机理子模块、失效诊断子系统的信息综合后,进行代偿恢复和算法补充,输出预警信号给决策模块。
一种应用于基于自动驾驶感知失效的安全诊断系统的诊断方法,其特征是包括以下步骤:
步骤一:感知传感器将其数据传输给失效机理子模块;
步骤二:感知失效机理子模块检测传感器的数据帧率是否正常,确定故障分类,正常帧率的数据则移交感知失效诊断子模块进行诊断,确定故障类别;
步骤三:失效处理子系统综合调用感知失效机理子模块和感知失效诊断子模块的数据后,则利用正常的感知传感器冗余检测信息进行代偿并结合算法补偿失效,以保证系统在故障情况下继续运行。
作为优选,所述步骤二中,感知失效机理子模块检测传感器的数据帧率不正常,则按以下分步骤自检:
S21:感知传感器原始数据的传输帧率不正常;
S22:检测系统对传输帧率不正常的传感器供电电压是否正常,若电压不正常,应认为相应传感器失效;
S23:如果系统供电电压正常,检测驱动算法是否正常运行,如果驱动算法不正常工作,应认为相应传感器失效;
S24:如果驱动算法正常工作,监听各传感器消息是否正常订阅,是否传递信息,如果没有传递信息,检测消息对应的IP地址错误,应认为相应传感器失效。
作为优选,所述步骤二中,感知失效机理子模块检测传感器的数据帧率不正常,判断传感器失效故障类别包括:激光雷达失效则不能提供激光点云精确的目标3D空间位置与尺寸等信息,进而影响目标空间位置感知准确性的相关信息;摄像头失效则不能提供图像信息,进而不能得到目标的语义信息;毫米波雷达失效则不能提供目标的运动属性信息。
作为优选,所述步骤二感知失效机理子模块分析出激光雷达失效,则步骤三利用毫米波雷达提供的位置信息可以确定目标的2D位置(x/y),根据图像检测算法提供的目标包围框中心位置(u,v)以及图像与激光雷达之间的空间转换关系确定目标在激光雷达下的3D位置(x/y/z),利用图像和卷积神经网络下的分类算法确定目标的类别,利用目标在图像检测算法下的包围框和投影关系可以估计目标的实际尺寸信息,
作为优选,所述步骤二感知失效机理子模块分析出摄像头失效,则步骤三利用视觉车道线检测算法可以确定道路的多车道线信息以及视觉目标检测算法确定目标的类别、包围框信息。
作为优选,所述步骤二感知失效机理子模块分析出毫米波雷达失效,则步骤三利用激光雷达和摄像头提供的目标位置信息以及帧差法能够确定目标的速度信息,从而实现对车辆运动状态的判断。
作为优选,所述步骤二感知失效诊断子模块诊断出摄像头在光照条件较差的环境下视觉检测数据质量降低,或者在目标密集且相互遮挡的场景下也无法提供准确的目标信息,则步骤三利用视觉车道线检测算法可以确定道路的多车道线信息以及视觉目标检测算法确定目标的类别或利用点云检测算法提供的语义信息对目标类别进行判断,并利用激光雷达根据反射强度信息形成的灰度图,区分道路与车道线,从而进行车道线检测。
作为优选,所述步骤二感知失效诊断子模块诊断出毫米波雷达在电磁波干扰或周围环境金属目标过于密集的环境下毫米波雷达的杂波过多,毫米波雷达感知数据质量较差,则步骤三利用激光雷达和摄像头提供的目标位置信息以及帧差法能够确定目标的速度信息,从而实现对车辆运动状态的判断。
作为优选,所述步骤二确定激光雷达、摄像头在恶劣天气情况同时出现数据质量差的问题,则步骤三根据历史信息,在有限帧的时间内利用正常工作的毫米波雷达继续确定之前车辆的位置与运动状态,并且对新出现目标进行运动估计,所述步骤二确定激光雷达、摄像头同时出现故障,若缺失对目标类别的检测信息,应及时输出预警信号给决策模块。
作为优选,所述步骤二感知失效机理子模块分析出激光雷达、毫米波雷达数据同时出现故障,则步骤三利用仍能正常工作的摄像头继续进行目标检测,实现对于目标的分类;包围框检测得到车辆中心像素位置通过标定关系投影得到车辆的空间位置;帧差法确定目标运动状态,同时输出预警信号给决策模块。
作为优选,所述步骤二确定摄像头、毫米波雷达数据同时出现故障,则步骤三根据历史信息,在有限帧内利用仍能正常工作的激光雷达继续确定之前车辆的运动状态;并且对新出现目标利用帧差法进行运动估计;并通过点云分类算法实现目标分类并输出预警信号给决策模块。
作为优选,所述步骤二确定全体传感器同时出现故障,则步骤三根据有限帧内利用融合模块的预测功能对历史帧信息进行推断并提供预测结果,并输出预警信号给决策模块。
优选的,所述感知传感器具备一种安全检测的系统,能够感受被测量的信息,按一定规律变化成电信号或者其他所需形式的信息输出。
优选的,所述感知传感器可以处理当多传感器失效导致某一类必要感知信息无法通过冗余补偿出现缺失时;在有限帧内可以利用预测模块对历史帧信息进行推断并提供预测结果时;当多传感器失效时间超出有限帧对应时长范围时;都能将感知信息缺失的预警信号提供给控制模块进行安全控制。
(三)有益效果
本发明提供一种有效的感知失效的安全诊断系统,以感知失效样本为核心,通过失效场景定义、失效图片抽取、失效图片学习、HIL测试构建等多项技术点有机结合,实现视觉感知的快速、有效验证;有效利用已有的自然驾驶影像数据库,是测试系统的原始数据源,测试系统通过迭代更新的方式保证数据库的不断增加式更新;视觉感知的样本集来源于同类和自身的失效样本,针对性强,通过对失效样本的大量分析。
本发明总结提炼失效场景,有效性大大提升,通过预检测和正式检测的分阶段实施,可快速提升测试进度,仅对提炼的特定样本进行标注和测试验证,效率大大提高。
本发明从失效机理子模块、失效诊断子系统处理综合考虑,有效保证环境感知的稳定性和可靠性。在自动驾驶时出现感知失效的第一时刻,能够将其进行分析、诊断、处理。有效地地解决一些感知失效所带来的的安全隐患,为高度自动驾驶系统作出了更进一步的安全效应。
附图说明
图1为本发明的算法框图;
图2为本发明中的系统架构示意图;
图3为本发明中的感知失效数据层诊断图;
图4为本发明中的单传感器失效处理措施图;
图5为本发明中的多传感器失效处理措施图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白,以下结合附图和实施例,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仅以解释本发明,并不用于限定本发明。
如图1-5所示,一种基于自动驾驶感知失效的安全诊断系统,包括自动驾驶必要的感知传感器和决策模块,所述感知传感器包括激光雷达、摄像头和毫米波雷达,所述系统还包括失效机理子模块、失效诊断子系统和失效处理子系统,失效机理子模块从感知传感器电路相关信息进行诊断,确定故障传播机制以及故障对感知性能的具体影响感知;失效诊断子系统从数据质量及驱动算法进行诊断;感知失效处理子系统针对来自失效机理子模块、失效诊断子系统的信息综合后,进行代偿恢复和算法补充,输出预警信号给决策模块。
一种应用于基于自动驾驶感知失效的安全诊断系统的诊断方法,其特征是包括以下步骤:
步骤一:感知传感器将其数据传输给失效机理子模块;
步骤二:感知失效机理子模块检测传感器的数据帧率是否正常,确定故障分类,正常帧率的数据则移交感知失效诊断子模块进行诊断,确定故障类别;
步骤三:失效处理子系统综合调用感知失效机理子模块和感知失效诊断子模块的数据后,则利用正常的感知传感器冗余检测信息进行代偿并结合算法补偿失效,以保证系统在故障情况下继续运行。
所述步骤二中,感知失效机理子模块的算法失效信息包括:激光雷达失效则不能提供激光点云精确的目标3D空间位置与尺寸等信息,进而影响目标空间位置感知准确性的相关信息;摄像头失效则不能提供图像信息,进而不能得到目标的语义信息;毫米波雷达失效则不能提供目标的运动属性信息。
所述步骤二中,由于传感器硬件故障或者通信故障导致原始感知数据的接收异常,包括以下局面:(1)由于传感器硬件故障或者通信故障导致原始感知数据的接收异常,感知传感器无法正常启动:
①系统没有对传感器进行正确供电;②传感器出现故障损坏。
(2)感知传感器无法正确传输数据:①通信协议出现错误无法正确传输;②驱动算法出现错误。
感知失效机理子模块检测传感器的数据帧率不正常,则按以下分步骤自检:
S21:感知传感器原始数据的传输帧率不正常;
S22:检测系统对传输帧率不正常的传感器供电电压是否正常,若电压不正常,应认为相应传感器失效;
S23:如果系统供电电压正常,检测驱动算法是否正常运行,如果驱动算法不正常工作,应认为相应传感器失效;
S24:如果驱动算法正常工作,监听各传感器消息是否正常订阅,是否传递信息,如果没有传递信息,检测消息对应的IP地址错误,应认为相应传感器失效。
所述步骤三中,失效处理子系统得知步骤二确定的单传感器感知失效导致的感知信息缺失,则正常的感知传感器冗余检测信息进行代偿并结合算法补偿失效,以保证系统在失效情况下继续运行。失效处理子系统得知步骤二确定的多个感知传感器的原始数据传输帧率不正常,则发出停车预警信号,令驾驶者检测故障原因,解决后再恢复上路;
所述步骤二感知失效机理子模块分析出激光雷达失效,即激光雷达检测算法能够提供目标的3D位置(x/y/z)、尺寸(长/宽/高),通过点云分类算法能够检测目标的类别,则步骤三利用毫米波雷达提供的位置信息可以确定目标的2D位置(x/y),根据图像检测算法提供的目标包围框中心位置(u,v)以及图像与激光雷达之间的空间转换关系确定目标在激光雷达下的3D位置(x/y/z),利用图像和卷积神经网络下的分类算法确定目标的类别,利用目标在图像检测算法下的包围框和投影关系可以估计目标的实际尺寸信息,
所述步骤二感知失效机理子模块分析出摄像头失效,则步骤三利用视觉车道线检测算法可以确定道路的多车道线信息以及视觉目标检测算法确定目标的类别、包围框信息。
所述步骤二感知失效诊断子模块诊断出特殊场景感知效果下降:
①光照条件较差的环境(雨雪雾夜晚)激光雷达、相机感知数据质量差;
②电磁波干扰或周围环境金属目标过于密集导致毫米波雷达感知数据质量差;
③目标密集且相互遮挡的场景图像中目标信息表达不充分。
所述步骤二感知失效诊断子模块诊断出毫米波雷达失效(由于毫米波雷达可以根据多普勒效应能够得到目标的相对运动速度。在电磁波干扰或周围环境金属目标过于密集的环境下毫米波雷达的杂波过多,故感知数据质量较差),则步骤三利用激光雷达和摄像头提供的目标位置信息以及帧差法能够确定目标的速度信息,从而实现对车辆运动状态的判断。
所述步骤二感知失效诊断子模块诊断出摄像头在光照条件较差的环境下视觉检测数据质量降低,或者在目标密集且相互遮挡的场景下也无法提供准确的目标信息,则步骤三利用视觉车道线检测算法可以确定道路的多车道线信息以及视觉目标检测算法确定目标的类别或利用点云检测算法提供的语义信息对目标类别进行判断,并利用激光雷达根据反射强度信息形成的灰度图,区分道路与车道线,从而进行车道线检测。
所述步骤二感知失效诊断子模块诊断出毫米波雷达在电磁波干扰或周围环境金属目标过于密集的环境下毫米波雷达的杂波过多,毫米波雷达感知数据质量较差,则步骤三利用激光雷达和摄像头提供的目标位置信息以及帧差法能够确定目标的速度信息,从而实现对车辆运动状态的判断。
此外,当出现多传感器失效时,步骤二具有以下具体应对措施:
所述步骤二确定激光雷达、摄像头同时出现故障,则步骤三根据历史信息,在有限帧的时间内利用正常工作的毫米波雷达继续确定之前车辆的位置与运动状态,并且对新出现目标进行运动估计。
所述步骤二确定激光雷达、摄像头同时出现故障,若缺失对目标类别的检测信息,应及时输出预警信号给决策模块。
所述步骤二确定激光雷达、毫米波雷达数据同时出现故障,则步骤三利用仍能正常工作的摄像头(图像检测算法对于空间信息的检测较为不准确)继续进行目标检测,实现对于目标的分类;包围框检测得到车辆中心像素位置通过标定关系投影得到车辆的空间位置;帧差法确定目标运动状态。
所述步骤二确定激光雷达、毫米波雷达数据同时出现故障,输出预警信号给决策模块;
所述步骤二确定摄像头、毫米波雷达数据同时出现故障,则步骤三根据历史信息,在有限帧内利用仍能正常工作的激光雷达继续确定之前车辆的运动状态;并且对新出现目标利用帧差法进行运动估计;并通过点云分类算法实现目标分类并输出预警信号给决策模块。
所述步骤二确定全体传感器同时出现故障,则步骤三根据有限帧内利用融合模块的预测功能对历史帧信息进行推断并提供预测结果,并输出预警信号给决策模块。
所述感知传感器具备一种安全检测的系统,能够感受被测量的信息,按一定规律变化成电信号或者其他所需形式的信息输出。
所述感知传感器可以处理当多传感器失效导致某一类必要感知信息无法通过冗余补偿出现缺失时;在有限帧内可以利用预测模块对历史帧信息进行推断并提供预测结果时;当多传感器失效时间超出有限帧对应时长范围时;都能将感知信息缺失的预警信号提供给控制模块进行安全控制。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于自动驾驶感知失效的安全诊断系统,包括自动驾驶必要的感知传感器和决策模块,所述感知传感器包括激光雷达、摄像头和毫米波雷达,其特征是所述系统还包括失效机理子模块、失效诊断子系统和失效处理子系统,失效机理子模块从感知传感器电路相关信息进行诊断,确定故障传播机制以及故障对感知性能的具体影响感知;失效诊断子系统从数据质量及驱动算法进行诊断;感知失效处理子系统针对来自失效机理子模块、失效诊断子系统的信息综合后,进行代偿恢复和算法补充,输出预警信号给决策模块。
2.一种应用于权1的基于自动驾驶感知失效的安全诊断系统的诊断方法,其特征是包括以下步骤:
步骤一:感知传感器将其数据传输给失效机理子模块;
步骤二:感知失效机理子模块检测传感器的数据帧率是否正常,确定故障分类,正常帧率的数据则移交感知失效诊断子模块进行诊断,确定故障类别;
步骤三:失效处理子系统综合调用感知失效机理子模块和感知失效诊断子模块的数据后,则利用正常的感知传感器冗余检测信息进行代偿并结合算法补偿失效,以保证系统在故障情况下继续运行。
3.根据权利要求2所述的一种基于自动驾驶感知失效的安全诊断方法,其特征是所述步骤二中,感知失效机理子模块检测传感器的数据帧率不正常,则按以下分步骤自检:
S21:感知传感器原始数据的传输帧率不正常;
S22:检测系统对传输帧率不正常的传感器供电电压是否正常,若电压不正常,应认为相应传感器失效;
S23:如果系统供电电压正常,检测驱动算法是否正常运行,如果驱动算法不正常工作,应认为相应传感器失效;
S24:如果驱动算法正常工作,监听各传感器消息是否正常订阅,是否传递信息,如果没有传递信息,检测消息对应的IP地址错误,应认为相应传感器失效。
4.根据权利要求3所述的一种基于自动驾驶感知失效的安全诊断方法,其特征是所述步骤二中,感知失效机理子模块检测传感器的数据帧率不正常,判断传感器失效故障类别包括:激光雷达失效则不能提供激光点云精确的目标3D空间位置与尺寸等信息,进而影响目标空间位置感知准确性的相关信息;摄像头失效则不能提供图像信息,进而不能得到目标的语义信息;毫米波雷达失效则不能提供目标的运动属性信息。
6.根据权利要求3所述的一种基于自动驾驶感知失效的安全诊断方法,其特征是所述步骤二感知失效机理子模块分析出摄像头失效,则步骤三利用视觉车道线检测算法可以确定道路的多车道线信息以及视觉目标检测算法确定目标的类别、包围框信息。
7.根据权利要求3所述的一种基于自动驾驶感知失效的安全诊断方法,其特征是所述步骤二感知失效机理子模块分析出毫米波雷达失效,则步骤三利用激光雷达和摄像头提供的目标位置信息以及帧差法能够确定目标的速度信息,从而实现对车辆运动状态的判断。
8.根据权利要求2所述的一种基于自动驾驶感知失效的安全诊断方法,其特征是所述步骤二感知失效诊断子模块诊断出摄像头在光照条件较差的环境下视觉检测数据质量降低,或者在目标密集且相互遮挡的场景下也无法提供准确的目标信息,则步骤三利用视觉车道线检测算法可以确定道路的多车道线信息以及视觉目标检测算法确定目标的类别或利用点云检测算法提供的语义信息对目标类别进行判断,并利用激光雷达根据反射强度信息形成的灰度图,区分道路与车道线,从而进行车道线检测。
9.根据权利要求2所述的一种基于自动驾驶感知失效的安全诊断方法,其特征是所述步骤二感知失效诊断子模块诊断出毫米波雷达在电磁波干扰或周围环境金属目标过于密集的环境下毫米波雷达的杂波过多,毫米波雷达感知数据质量较差,则步骤三利用激光雷达和摄像头提供的目标位置信息以及帧差法能够确定目标的速度信息,从而实现对车辆运动状态的判断。
10.根据权利要求2所述的一种基于自动驾驶感知失效的安全诊断方法,其特征是所述步骤二确定激光雷达、摄像头在恶劣天气情况同时出现数据质量差的问题,则步骤三根据历史信息,在有限帧的时间内利用正常工作的毫米波雷达继续确定之前车辆的位置与运动状态,并且对新出现目标进行运动估计,所述步骤二确定激光雷达、摄像头同时出现故障,若缺失对目标类别的检测信息,应及时输出预警信号给决策模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110965025.5A CN113741388B (zh) | 2021-08-20 | 2021-08-20 | 一种基于自动驾驶感知失效的安全诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110965025.5A CN113741388B (zh) | 2021-08-20 | 2021-08-20 | 一种基于自动驾驶感知失效的安全诊断系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113741388A true CN113741388A (zh) | 2021-12-03 |
CN113741388B CN113741388B (zh) | 2023-09-19 |
Family
ID=78732101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110965025.5A Active CN113741388B (zh) | 2021-08-20 | 2021-08-20 | 一种基于自动驾驶感知失效的安全诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113741388B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115465293A (zh) * | 2022-09-06 | 2022-12-13 | 湖南大学无锡智能控制研究院 | 一种多传感器安全自认知及安全处理装置及方法 |
CN115932765A (zh) * | 2022-12-13 | 2023-04-07 | 扬州宇安电子科技有限公司 | 基于多源数据分析的雷达失效自动检测系统及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190049958A1 (en) * | 2017-08-08 | 2019-02-14 | Nio Usa, Inc. | Method and system for multiple sensor correlation diagnostic and sensor fusion/dnn monitor for autonomous driving application |
US20190382031A1 (en) * | 2018-06-18 | 2019-12-19 | Baidu Usa Llc | Methods for handling sensor failures in autonomous driving vehicles |
WO2020096941A1 (en) * | 2018-11-05 | 2020-05-14 | Edge Case Research, Inc. | Systems and methods for evaluating perception system quality |
CN111497868A (zh) * | 2020-04-09 | 2020-08-07 | 余姚市浙江大学机器人研究中心 | 一种基于bn-lstm网络的汽车传感器故障分类方法 |
US20200339151A1 (en) * | 2019-04-29 | 2020-10-29 | Aptiv Technologies Limited | Systems and methods for implementing an autonomous vehicle response to sensor failure |
CN112373352A (zh) * | 2020-11-12 | 2021-02-19 | 吉林大学 | 一种燃料电池系统故障诊断及容错控制方法 |
CN112572465A (zh) * | 2019-09-12 | 2021-03-30 | 中车时代电动汽车股份有限公司 | 一种智能驾驶汽车感知系统故障处理方法 |
CN112782672A (zh) * | 2019-11-07 | 2021-05-11 | 上海禾赛科技股份有限公司 | 激光雷达接收端组件、其故障诊断方法以及激光雷达 |
CN112964246A (zh) * | 2021-05-17 | 2021-06-15 | 北京三快在线科技有限公司 | 无人机多传感器数据融合方法、装置、存储介质及设备 |
CN113269832A (zh) * | 2021-05-31 | 2021-08-17 | 长春工程学院 | 面向极端天气环境的电力作业增强现实导航系统和方法 |
-
2021
- 2021-08-20 CN CN202110965025.5A patent/CN113741388B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190049958A1 (en) * | 2017-08-08 | 2019-02-14 | Nio Usa, Inc. | Method and system for multiple sensor correlation diagnostic and sensor fusion/dnn monitor for autonomous driving application |
US20190382031A1 (en) * | 2018-06-18 | 2019-12-19 | Baidu Usa Llc | Methods for handling sensor failures in autonomous driving vehicles |
CN110667598A (zh) * | 2018-06-18 | 2020-01-10 | 百度(美国)有限责任公司 | 用于处理自动驾驶车辆中的传感器故障的方法 |
WO2020096941A1 (en) * | 2018-11-05 | 2020-05-14 | Edge Case Research, Inc. | Systems and methods for evaluating perception system quality |
US20200339151A1 (en) * | 2019-04-29 | 2020-10-29 | Aptiv Technologies Limited | Systems and methods for implementing an autonomous vehicle response to sensor failure |
CN112572465A (zh) * | 2019-09-12 | 2021-03-30 | 中车时代电动汽车股份有限公司 | 一种智能驾驶汽车感知系统故障处理方法 |
CN112782672A (zh) * | 2019-11-07 | 2021-05-11 | 上海禾赛科技股份有限公司 | 激光雷达接收端组件、其故障诊断方法以及激光雷达 |
CN111497868A (zh) * | 2020-04-09 | 2020-08-07 | 余姚市浙江大学机器人研究中心 | 一种基于bn-lstm网络的汽车传感器故障分类方法 |
CN112373352A (zh) * | 2020-11-12 | 2021-02-19 | 吉林大学 | 一种燃料电池系统故障诊断及容错控制方法 |
CN112964246A (zh) * | 2021-05-17 | 2021-06-15 | 北京三快在线科技有限公司 | 无人机多传感器数据融合方法、装置、存储介质及设备 |
CN113269832A (zh) * | 2021-05-31 | 2021-08-17 | 长春工程学院 | 面向极端天气环境的电力作业增强现实导航系统和方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115465293A (zh) * | 2022-09-06 | 2022-12-13 | 湖南大学无锡智能控制研究院 | 一种多传感器安全自认知及安全处理装置及方法 |
CN115932765A (zh) * | 2022-12-13 | 2023-04-07 | 扬州宇安电子科技有限公司 | 基于多源数据分析的雷达失效自动检测系统及方法 |
CN115932765B (zh) * | 2022-12-13 | 2023-10-13 | 扬州宇安电子科技有限公司 | 基于多源数据分析的雷达失效自动检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113741388B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109212521B (zh) | 一种基于前视相机与毫米波雷达融合的目标跟踪方法 | |
US20200209848A1 (en) | Service degradation in an autonomous driving system | |
CN109863500B (zh) | 事件驱动的感兴趣区域管理 | |
US20190236862A1 (en) | Self-diagnosis of faults with a secondary system in an autonomous driving system | |
US11242066B2 (en) | Vehicle control apparatus and vehicle control system and vehicle control method thereof | |
CN112562405A (zh) | 一种雷达视频智能融合与预警方法及系统 | |
CN113741388A (zh) | 一种基于自动驾驶感知失效的安全诊断系统及方法 | |
CN112693466A (zh) | 一种车辆环境感知传感器性能测评系统及方法 | |
CN110929796B (zh) | 基于多源传感器决策层数据融合方法、系统及存储介质 | |
CN110936959B (zh) | 车辆感知系统在线诊断和预测 | |
US20220264081A1 (en) | Sensing performance evaluation and diagnosis system and sensing performance evaluation and diagnosis method for external-environment recognition sensor | |
US11292481B2 (en) | Method and apparatus for multi vehicle sensor suite diagnosis | |
CN115465293B (zh) | 一种多传感器安全自认知及安全处理装置及方法 | |
CN114495064A (zh) | 一种基于单目深度估计的车辆周围障碍物预警方法 | |
CN115034324B (zh) | 一种多传感器融合感知效能增强方法 | |
CN114578344A (zh) | 一种适用于雨天环境下的目标感知方法、装置及系统 | |
CN112835029A (zh) | 面向无人驾驶的多传感器障碍物探测数据融合方法及系统 | |
Gogineni | Multi-sensor fusion and sensor calibration for autonomous vehicles | |
US20230366981A1 (en) | Method for Determining a Sensor Degradation Status | |
EP4116738A1 (en) | Radar device and method for classifying objects | |
Lugner et al. | Evaluation of sensor tolerances and inevitability for pre-crash safety systems in real case scenarios | |
KR102261155B1 (ko) | 가상 센서 이중화를 통한 차량 제어 방법 및 그 장치 | |
CN109932721B (zh) | 应用于多感测器融合的误差及侦测机率分析方法 | |
Madala et al. | Metrics for Machine Learning Models to Facilitate SOTIF Analysis in Autonomous Vehicles | |
Börger et al. | Sensor visibility estimation: Metrics and methods for systematic performance evaluation and improvement |
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 |