CN113849971B - 驾驶系统评估方法、装置、计算机设备和存储介质 - Google Patents
驾驶系统评估方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113849971B CN113849971B CN202111085850.2A CN202111085850A CN113849971B CN 113849971 B CN113849971 B CN 113849971B CN 202111085850 A CN202111085850 A CN 202111085850A CN 113849971 B CN113849971 B CN 113849971B
- Authority
- CN
- China
- Prior art keywords
- driving
- collision
- vehicle
- probability
- risk
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 35
- 238000004088 simulation Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Geometry (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及智能驾驶技术领域,提供了一种驾驶系统评估方法、装置、计算机设备和存储介质。本申请能够提高对驾驶系统进行评估的准确性。该方法包括:获取车辆发生各行车风险场景时的实际行车数据,利用各行车风险场景对应的实际行车数据对待评估的驾驶系统进行仿真驾驶,获取待评估的驾驶系统在各行车风险场景中触发预设等级事故的概率,根据待评估的驾驶系统在各行车风险场景中触发预设等级事故的概率评估驾驶系统。
Description
技术领域
本申请涉及智能驾驶技术领域,特别是涉及一种驾驶系统评估方法、装置、计算机设备和存储介质。
背景技术
随着人工智能技术的发展,出现了将人工智能技术运用于车辆的智能驾驶技术,该场景所应用的智能驾驶系统综合了控制技术、环境感知和多等级辅助驾驶等功能,使车辆能够在更安全、舒适和便捷的状态下行驶,对车辆的驾驶系统进行准确评估将有助于对驾驶系统作进一步优化和改良。
目前对驾驶系统的评估方式主要是直接根据驾驶系统控制车辆驾驶时的实际数据进行评估,但这种方式在评估驾驶系统时所依据的数据会受到安全员接管车辆等因素的影响而导致其对驾驶系统进行评估的准确性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种驾驶系统评估方法、装置、计算机设备和存储介质。
一种驾驶系统评估方法,所述方法包括:
获取车辆发生各行车风险场景时的实际行车数据;
利用所述各行车风险场景对应的实际行车数据对待评估的驾驶系统进行仿真驾驶,获取所述待评估的驾驶系统在所述各行车风险场景中触发预设等级事故的概率;
根据所述待评估的驾驶系统在所述各行车风险场景中触发预设等级事故的概率,评估所述驾驶系统。
一种驾驶系统评估装置,包括:
数据获取模块,用于获取车辆发生各行车风险场景时的实际行车数据;
仿真处理模块,用于利用所述各行车风险场景对应的实际行车数据对待评估的驾驶系统进行仿真驾驶,获取所述待评估的驾驶系统在所述各行车风险场景中触发预设等级事故的概率;
系统评估模块,用于根据所述待评估的驾驶系统在所述各行车风险场景中触发预设等级事故的概率,评估所述驾驶系统。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取车辆发生各行车风险场景时的实际行车数据;利用所述各行车风险场景对应的实际行车数据对待评估的驾驶系统进行仿真驾驶,获取所述待评估的驾驶系统在所述各行车风险场景中触发预设等级事故的概率;根据所述待评估的驾驶系统在所述各行车风险场景中触发预设等级事故的概率,评估所述驾驶系统。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取车辆发生各行车风险场景时的实际行车数据;利用所述各行车风险场景对应的实际行车数据对待评估的驾驶系统进行仿真驾驶,获取所述待评估的驾驶系统在所述各行车风险场景中触发预设等级事故的概率;根据所述待评估的驾驶系统在所述各行车风险场景中触发预设等级事故的概率,评估所述驾驶系统。
上述驾驶系统评估方法、装置、计算机设备和存储介质,获取车辆发生各行车风险场景时的实际行车数据,利用各行车风险场景对应的实际行车数据对待评估的驾驶系统进行仿真驾驶,获取待评估的驾驶系统在各行车风险场景中触发预设等级事故的概率,根据待评估的驾驶系统在各行车风险场景中触发预设等级事故的概率评估驾驶系统。该方案能够基于车辆发生各行车风险场景时的实际行车数据对待评估的驾驶系统进行仿真驾驶,在仿真环境当中模拟出该待评估的驾驶系统在每一行车风险场景中触发预设等级事故的概率,从而根据这些概率客观准确地评估驾驶系统,提高驾驶系统评估准确性。
附图说明
图1为一个实施例中驾驶系统评估方法的流程示意图;
图2为一个实施例中确定行车风险场景的步骤的流程示意图;
图3为一个实施例中获取触发碰撞死亡事故的概率的步骤的流程示意图;
图4为一个实施例中驾驶系统评估装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的驾驶系统评估方法,可以应用于终端和服务器等计算机设备。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑,服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图1所示,提供了一种驾驶系统评估方法,该方法可以包括以下步骤:
步骤S101,获取车辆发生各行车风险场景时的实际行车数据。
本步骤中,可以对车辆发生的每一行车风险场景进行行车数据获取,从而得到车辆发生各行车风险场景时的实际行车数据。在一些实施例中,可预设一驾驶里程为1000万公里,本步骤可获取自动驾驶车辆在行驶该1000万公里的驾驶里程内所发生的每一行车风险场景的实际行车数据。其中,行车风险场景可以根据实际评估需要来确定,例如可以从安全员接管车辆时的行车场景中选取一些对行车安全具有一定风险的行车场景作为行车风险场景等;实际行车数据是指车辆在道路上实际行驶时的相关数据,可以包括车辆行驶时自身的数据如车速、加速度和位置等,还可以包括车辆行驶时对行车环境的感知数信据如图像数据、雷达数据、道路信息等数据。
步骤S102,利用各行车风险场景对应的实际行车数据对待评估的驾驶系统进行仿真驾驶,获取待评估的驾驶系统在各行车风险场景中触发预设等级事故的概率;
本步骤主要是在获得各行车风险场景对应的实际行车数据后,利用这些数据来对待评估的驾驶系统进行仿真驾驶,即利用这些数据在仿真环境中模拟驾驶系统控制车辆的行驶以获得各行车风险场景对应的仿真驾驶结果,从而根据仿真驾驶结果获取前述待评估的驾驶系统该各行车风险场景中触发预设等级事故的概率。其中,仿真驾驶结果可表征驾驶系统在相应行车风险场景的仿真驾驶中的行驶情况,如是否与相关物体发生了碰撞、与相关物体的距离、行驶速度等;预设等级事故可以是不同等级的碰撞事故如碰撞死亡事故、碰撞受伤事故等。预设等级事故在前述各行车风险场景的仿真行驶过程中均有一定概率会发生,本步骤基于对驾驶系统的仿真驾驶获取其在各行车风险场景中触发预设等级事故的概率。
步骤S103,根据待评估的驾驶系统在各行车风险场景中触发预设等级事故的概率,评估驾驶系统。
本步骤可根据待评估的驾驶系统在各行车风险场景中触发预设等级事故的概率大小评估驾驶系统的安全性等性能。在一些实施方式中,可具体结合预设驾驶里程及前述概率的大小评估驾驶系统,示例性的,对于一定预设驾驶里程(如1000万公里)内具有越小的预设等级事故触发概率的驾驶系统,一般可认为其具有更优的安全性等性能。
上述驾驶系统评估方法,获取车辆发生各行车风险场景时的实际行车数据,利用各行车风险场景对应的实际行车数据对待评估的驾驶系统进行仿真驾驶,获取待评估的驾驶系统在各行车风险场景中触发预设等级事故的概率,根据待评估的驾驶系统在各行车风险场景中触发预设等级事故的概率评估驾驶系统。该方案能够基于车辆发生各行车风险场景时的实际行车数据对待评估的驾驶系统进行仿真驾驶,在仿真环境当中模拟出该待评估的驾驶系统在每一行车风险场景中触发预设等级事故的概率,从而根据这些概率客观准确地评估驾驶系统,提高驾驶系统评估准确性。
在一个实施例中,上述方法可通过如下步骤确定各行车风险场景,如图2所示,具体步骤包括:
步骤S201,获取各疑似行车风险场景对应的实际行车数据;
本步骤中,疑似行车风险场景可以包括车辆被接管的行车场景,例如包括在1000万公里的预设驾驶里程内车辆被接管的行车场景,即在一些实施例中可具体获取预设驾驶里程内车辆被接管的每一行车场景对应的实际行车数据。在实际应用中,当行驶的车辆被安全员接管时,可自动触发对实际行车数据的采集,从而获取得到各疑似行车风险场景对应的实际行车数据。
步骤S202,利用各疑似行车风险场景对应的实际行车数据对车辆的驾驶系统进行仿真驾驶,获取车辆的驾驶系统在各疑似行车风险场景对应的碰撞风险信息;
本步骤中,可将各疑似行车风险场景对应的实际行车数据回传至服务器,在服务器上对车辆的驾驶系统进行仿真驾驶。对于该仿真驾驶,具体来说,基于所获取的各疑似行车风险场景对应的实际行车数据,可模拟在安全员接管车辆前如前1秒的时间点让车辆的驾驶系统重新控制车辆行驶,然后计算仿真过程中该车辆的驾驶系统分别在每一疑似行车风险场景对应的碰撞风险信息。其中,碰撞风险信息为表征车辆发生碰撞风险的信息,例如可以是车辆与行车障碍物的碰撞所需时间、车辆与行车障碍物间的距离和行车速度等相关信息。
步骤S203,根据碰撞风险信息,将各疑似行车风险场景中满足预设碰撞风险条件的疑似行车风险场景作为行车风险场景。
本步骤主要是根据碰撞风险信息对疑似行车风险场景进行筛选,选取出满足预设碰撞风险条件的疑似行车风险场景作为行车风险场景。其中,预设碰撞风险条件可根据具体的碰撞风险信息及实际评估需要进行确定。
具体的,在一些实施例中,碰撞风险信息包括各帧仿真结果中的车辆与行车障碍物的碰撞所需时间,预设碰撞风险条件包括各帧仿真结果中的最小碰撞所需时间小于预设阈值。
本实施例中,可针对每一疑似行车风险场景进行仿真驾驶,在每一疑似行车风险场景的仿真中,计算该车辆的驾驶系统在每一帧仿真结果中的与其他的行车障碍物的碰撞所需时间,碰撞所需时间可以根据主车和行车障碍物之间的距离除以相对速度计算得到,从而可获得每一疑似行车风险场景对应的各帧仿真结果中的车辆与行车障碍物的碰撞所需时间。然后,当一疑似行车风险场景对应的各帧仿真结果中的所有行车障碍物对应的碰撞所需时间的最小值(即最小碰撞所需时间)小于预设阈值时,可将该疑似行车风险场景确定为行车风险场景。通过本实施例的方案可将各疑似行车风险场景中满足上述预设碰撞风险条件的疑似行车风险场景确定为行车风险场景。
对于仿真驾驶中对预设等级事故为碰撞死亡事故的触发概率计算,以下部分分别以与车辆发生碰撞的第一类碰撞对象和第二类碰撞对象作为相应的实施例进行说明。
在其中一些实施例中,在预设等级事故包括碰撞死亡事故且仿真驾驶中与车辆发生碰撞的是第一类碰撞对象的情况下,步骤S102中的获取待评估的驾驶系统在各行车风险场景中触发预设等级事故的概率,可以包括:
针对仿真驾驶中与车辆发生碰撞的第一类碰撞对象,根据碰撞发生时车辆的仿真速度计算待评估的驾驶系统触发碰撞死亡事故的概率。
本实施例中,第一类碰撞对象可以包括行人、非机动车,此时主车(即上述车辆)的死亡概率可忽略不计,而第一类碰撞对象的死亡概率可认为与碰撞发生的第一帧仿真结果中主车的速度(对应于上述碰撞发生时车辆的仿真速度)呈正相关关系,即车速越大触发碰撞死亡事故的概率越高,该概率P可基于如下式子进行表达:P=1/(1+ea1*v+b1),其中,参数a1和b1可以根据交通事故记录进行拟合得到。例如,若一行车风险场景的仿真中车辆(质量约1300kg)以15m/s与一个行人发生碰撞,则可由上式算出相应概率P如23.78%。
在另外一些实施例中,如图3所示,在预设等级事故包括碰撞死亡事故且仿真驾驶中与车辆发生碰撞的是第二类碰撞对象的情况下,步骤S102中的获取待评估的驾驶系统在各行车风险场景中触发预设等级事故的概率,可以包括:
步骤S301,针对仿真驾驶中与车辆发生碰撞的第二类碰撞对象,获取碰撞发生时车辆与第二类碰撞对象各自的速度变化;
步骤S302,根据车辆与第二类碰撞对象各自的速度变化以及碰撞类型,计算车辆发生碰撞死亡事故的第一概率以及第二类碰撞对象发生碰撞死亡事故的第二概率;
步骤S301和S302中,第二类碰撞对象可以是机动车。对此,需要先分别计算主车(即上述车辆)与第二类碰撞对象的死亡概率再由此计算总的死亡概率。具体的,可在步骤S301中根据主车和第二类碰撞对象的质量和碰撞发生时的速度分别计算得到碰撞发生时主车的速度变化以及第二类碰撞对象的速度变化。对此,在实际应用中,可按照以下式子计算主车的速度变化Δvego和碰撞对象的速度变化Δvobs:Δvego=(vobs-vego)*mobs/(mego+mobs)以及Δvobs=(vego-vobs)*mego/(mego+mobs)。其中,v表示速度,m表示质量,角标ego代表主车,obs代表碰撞对象。接着,在步骤S302中进一步结合碰撞类型分别计算主车和第二类碰撞对象发生碰撞死亡事故的概率。该碰撞类型可以是正碰也可以是侧碰,具体可根据碰撞发生的第一帧仿真结果中的主车的轮廓和第二类碰撞对象的轮廓的相对位置和碰撞点确定出主车与第二类碰撞对象分别是正碰还是侧碰。
对此,车辆被正碰时由于具有缓冲区的保护,同样的速度变化相比于被侧碰时具有更低的发生碰撞死亡事故的概率。其中,正碰和侧碰的情况下发生碰撞死亡事故的概率可基于P=1/(1+ea*v+b)的方式计算,从而可以得到车辆发生碰撞死亡事故的第一概率以及第二类碰撞对象发生碰撞死亡事故的第二概率。其中,正碰和侧碰各自可具有不同的一组参数a和b,参数a和b也可从交通事故中拟合得到。
步骤S303,根据第一概率以及第二概率,计算待评估的驾驶系统触发碰撞死亡事故的概率。
本步骤主要是综合第一概率和第二概率计算出待评估的驾驶系统触发碰撞死亡事故的总的概率。在一些应用实例中,设主车和第二类碰撞对象的第一概率和第二概率分别为P1和P2,则驾驶系统触发碰撞死亡事故的总的概率P为P=1-(1-P1)*(1-P2)。
示例性的,在仿真环境中,主车和第二类碰撞对象的速度均为15m/s,质量均为1300kg,头对头发生正碰,可算出Δvego=Δvobs=15m/s以及P1=P2=6.15%,由此计算得到驾驶系统触发碰撞死亡事故的总的概率P=11.92%。
又如,在仿真环境中,主车时被第二类碰撞对象(质量约30000kg)以15m/s的速度从侧面碰撞,可算出算出Δvego=14.38m/s,Δvobs=0.62m/s,以及P1=37.92%,P2=0.01%,由此计算得到驾驶系统触发碰撞死亡事故的总的概率P=37.93%。
进一步的,在对待评估的驾驶系统进行仿真时,若仿真结果中主车轮廓和碰撞对象轮廓发生重叠则可认为发生了碰撞,考虑到模拟仿真中碰撞对象的轮廓和实际碰撞对象的轮廓可能有细微的差别,引入碰撞可信度,并将碰撞可信度结合到对驾驶系统触发碰撞死亡事故的概率的计算当中。在以下部分分别对上述与第一、第二类碰撞对象对应的实施例做进一步说明。
首先对碰撞可信度的计算方式进行说明。在一些实施例中,上述方法可以通过如下步骤获取碰撞可信度,具体步骤包括:
获取与车辆发生碰撞的碰撞对象对应的轮廓重叠面积和;根据轮廓重叠面积和获取碰撞可信度。其中,轮廓重叠面积和是指碰撞对象在各帧仿真结果中的轮廓重叠面积之和,轮廓重叠面积为每帧仿真结果中的碰撞对象的轮廓与本车的轮廓的重叠面积。本实施例中,碰撞可信度α可以根据碰撞对象在所有帧仿真结果中的轮廓重叠面积之和S的单调递增函数即α=f(S),碰撞可信度α的取值范围可设定为0至1,当轮廓重叠面积之和S=0时,碰撞可信度α可取0,当轮廓重叠面积之和S大于或者等于某个阈值(如0.5m2)时,碰撞可信度α可取1,由此可在对驾驶系统的仿真驾驶中获取得到碰撞可信度。
基于此,在其中一个实施例中,对于第一类碰撞对象,上述根据碰撞发生时车辆的仿真速度计算待评估的驾驶系统触发碰撞死亡事故的概率,进一步包括:
根据碰撞发生时车辆的仿真速度计算得到待评估的驾驶系统触发碰撞死亡事故的第一初始概率;根据第一初始概率和碰撞可信度的乘积确定待评估的驾驶系统触发碰撞死亡事故的概率。
本实施例主要是先将根据碰撞发生时车辆的仿真速度计算得到的待评估的驾驶系统触发碰撞死亡事故的概率作为初始值即第一初始概率P0,然后在此基础上,考虑碰撞可信度α后,将第一初始概率P0与碰撞可信度α相乘最终得到待评估的驾驶系统触发碰撞死亡事故的概率P=P0*α,从而提高该场景下驾驶系统触发碰撞死亡事故的概率的准确性和可靠性。
在另外一个实施例中,对于第二类碰撞对象,上述根据第一概率以及第二概率,计算待评估的驾驶系统触发碰撞死亡事故的概率,进一步包括:
根据第一概率以及第二概率计算得到待评估的驾驶系统触发碰撞死亡事故的第二初始概率;根据第二初始概率和碰撞可信度的乘积确定待评估的驾驶系统触发碰撞死亡事故的概率。
具体的,本实施例的方案先将第一概率以及第二概率计算得到的待评估的驾驶系统触发碰撞死亡事故的总的概率作为初始值即第二初始概率P0,然后在此基础上,考虑碰撞可信度α后,将第二初始概率P0与碰撞可信度α相乘最终得到待评估的驾驶系统触发碰撞死亡事故的概率P=P0*α,也相应提高该场景下驾驶系统触发碰撞死亡事故的概率的准确性和可靠性。
在整体上,本申请提供的驾驶系统评估方法可通过在仿真环境中对例如碰撞发生时的相关物理信息计算触发预设等级事故的概率并据此评估驾驶系统,由此可避免定性评价的主观性,使得对驾驶系统的评估能够更客观准确。在实际应用中,本申请可通过收集路测中发生过的危险接管场景的实际行车数据对驾驶系统进行仿真,在仿真环境中获得例如碰撞瞬间车辆与碰撞对象的速度、碰撞方位等信息来定量计算每个危险接管场景的死亡概率并据此准确客观且定量地评价驾驶系统以及有助于后续用来优化驾驶系统算法的输出等。
应该理解的是,虽然如上流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种驾驶系统评估装置,该装置400可以包括:
数据获取模块401,用于获取车辆发生各行车风险场景时的实际行车数据;
仿真处理模块402,用于利用所述各行车风险场景对应的实际行车数据对待评估的驾驶系统进行仿真驾驶,获取所述待评估的驾驶系统在所述各行车风险场景中触发预设等级事故的概率;
系统评估模块403,用于根据所述待评估的驾驶系统在所述各行车风险场景中触发预设等级事故的概率,评估所述驾驶系统。
在一个实施例中,该装置400还可以包括:风险场景确定模块,用于获取各疑似行车风险场景对应的实际行车数据;所述疑似行车风险场景包括所述车辆被接管的行车场景;利用所述各疑似行车风险场景对应的实际行车数据对所述车辆的驾驶系统进行仿真驾驶,获取所述车辆的驾驶系统在所述各疑似行车风险场景对应的碰撞风险信息;根据所述碰撞风险信息,将所述各疑似行车风险场景中满足预设碰撞风险条件的疑似行车风险场景作为所述行车风险场景。
在一个实施例中,所述碰撞风险信息包括各帧仿真结果中的所述车辆与行车障碍物的碰撞所需时间;所述预设碰撞风险条件包括所述各帧仿真结果中的最小碰撞所需时间小于预设阈值。
在一个实施例中,所述预设等级事故包括碰撞死亡事故;仿真处理模块402,用于针对所述仿真驾驶中与所述车辆发生碰撞的第一类碰撞对象,根据所述碰撞发生时所述车辆的仿真速度计算所述待评估的驾驶系统触发所述碰撞死亡事故的概率。
在一个实施例中,该装置400还可以包括:可信度获取模块,用于获取与所述车辆发生碰撞的碰撞对象对应的轮廓重叠面积和;所述轮廓重叠面积和为所述碰撞对象在各帧仿真结果中的轮廓重叠面积之和;根据所述轮廓重叠面积和获取碰撞可信度;仿真处理模块402,用于根据所述碰撞发生时所述车辆的仿真速度计算得到所述待评估的驾驶系统触发所述碰撞死亡事故的第一初始概率;根据所述第一初始概率和碰撞可信度的乘积确定所述待评估的驾驶系统触发所述碰撞死亡事故的概率。
在一个实施例中,所述预设等级事故包括碰撞死亡事故;仿真处理模块402,用于针对所述仿真驾驶中与所述车辆发生碰撞的第二类碰撞对象,获取所述碰撞发生时所述车辆与所述第二类碰撞对象各自的速度变化;根据所述车辆与所述第二类碰撞对象各自的速度变化以及碰撞类型,计算所述车辆发生所述碰撞死亡事故的第一概率以及所述第二类碰撞对象发生所述碰撞死亡事故的第二概率;根据所述第一概率以及第二概率,计算所述待评估的驾驶系统触发所述碰撞死亡事故的概率。
在一个实施例中,该装置400还可以包括:可信度获取模块,用于获取与所述车辆发生碰撞的碰撞对象对应的轮廓重叠面积和;所述轮廓重叠面积和为所述碰撞对象在各帧仿真结果中的轮廓重叠面积之和;根据所述轮廓重叠面积和获取碰撞可信度;仿真处理模块402,用于根据所述第一概率以及第二概率计算得到所述待评估的驾驶系统触发所述碰撞死亡事故的第二初始概率;根据所述第二初始概率和碰撞可信度的乘积确定所述待评估的驾驶系统触发所述碰撞死亡事故的概率。
关于驾驶系统评估装置的具体限定可以参见上文中对于驾驶系统评估方法的限定,在此不再赘述。上述驾驶系统评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库可用于存储实际行车数据、触发预设等级事故的概率和驾驶里程等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种驾驶系统评估方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种驾驶系统评估方法,其特征在于,所述方法包括:
获取车辆发生各行车风险场景时的实际行车数据;
利用所述各行车风险场景对应的实际行车数据对待评估的驾驶系统进行仿真驾驶;
针对所述仿真驾驶中与所述车辆发生碰撞的第一类碰撞对象,根据所述碰撞发生时所述车辆的仿真速度计算所述待评估的驾驶系统触发碰撞死亡事故的第一初始概率;
根据所述第一初始概率和碰撞可信度的乘积确定所述待评估的驾驶系统触发所述碰撞死亡事故的概率,以评估所述驾驶系统;
其中,获取碰撞可信度的步骤包括:获取与所述车辆发生碰撞的碰撞对象对应的轮廓重叠面积和;所述轮廓重叠面积和为所述碰撞对象在各帧仿真结果中的轮廓重叠面积之和;根据所述轮廓重叠面积和获取碰撞可信度。
2.根据权利要求1所述的方法,其特征在于,所述获取车辆发生各行车风险场景时的实际行车数据之前,所述方法还包括:
获取各疑似行车风险场景对应的实际行车数据;所述疑似行车风险场景包括所述车辆被接管的行车场景;
利用所述各疑似行车风险场景对应的实际行车数据对所述车辆的驾驶系统进行仿真驾驶,获取所述车辆的驾驶系统在所述各疑似行车风险场景对应的碰撞风险信息;
根据所述碰撞风险信息,将所述各疑似行车风险场景中满足预设碰撞风险条件的疑似行车风险场景作为所述行车风险场景。
3.根据权利要求2所述的方法,其特征在于,所述碰撞风险信息包括各帧仿真结果中的所述车辆与行车障碍物的碰撞所需时间;所述预设碰撞风险条件包括所述各帧仿真结果中的最小碰撞所需时间小于预设阈值。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
针对所述仿真驾驶中与所述车辆发生碰撞的第二类碰撞对象,获取所述碰撞发生时所述车辆与所述第二类碰撞对象各自的速度变化;
根据所述车辆与所述第二类碰撞对象各自的速度变化以及碰撞类型,计算所述车辆发生所述碰撞死亡事故的第一概率以及所述第二类碰撞对象发生所述碰撞死亡事故的第二概率;
根据所述第一概率以及第二概率计算得到所述待评估的驾驶系统触发所述碰撞死亡事故的第二初始概率;
根据所述第二初始概率和碰撞可信度的乘积确定所述待评估的驾驶系统触发所述碰撞死亡事故的概率,以评估所述驾驶系统。
5.一种驾驶系统评估装置,其特征在于,包括:
数据获取模块,用于获取车辆发生各行车风险场景时的实际行车数据;
仿真处理模块,用于利用所述各行车风险场景对应的实际行车数据对待评估的驾驶系统进行仿真驾驶;
所述仿真处理模块,还用于针对所述仿真驾驶中与所述车辆发生碰撞的第一类碰撞对象,根据所述碰撞发生时所述车辆的仿真速度计算所述待评估的驾驶系统触发碰撞死亡事故的第一初始概率;根据所述第一初始概率和碰撞可信度的乘积确定所述待评估的驾驶系统触发所述碰撞死亡事故的概率,以评估所述驾驶系统;
以及,可信度获取模块,用于获取与所述车辆发生碰撞的碰撞对象对应的轮廓重叠面积和;所述轮廓重叠面积和为所述碰撞对象在各帧仿真结果中的轮廓重叠面积之和;根据所述轮廓重叠面积和获取碰撞可信度。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括风险场景确定模块,用于:
获取各疑似行车风险场景对应的实际行车数据;所述疑似行车风险场景包括所述车辆被接管的行车场景;
利用所述各疑似行车风险场景对应的实际行车数据对所述车辆的驾驶系统进行仿真驾驶,获取所述车辆的驾驶系统在所述各疑似行车风险场景对应的碰撞风险信息;
根据所述碰撞风险信息,将所述各疑似行车风险场景中满足预设碰撞风险条件的疑似行车风险场景作为所述行车风险场景。
7.根据权利要求6所述的装置,其特征在于,所述碰撞风险信息包括各帧仿真结果中的所述车辆与行车障碍物的碰撞所需时间;所述预设碰撞风险条件包括所述各帧仿真结果中的最小碰撞所需时间小于预设阈值。
8.根据权利要求5所述的装置,其特征在于,所述仿真处理模块,还用于:
针对所述仿真驾驶中与所述车辆发生碰撞的第二类碰撞对象,获取所述碰撞发生时所述车辆与所述第二类碰撞对象各自的速度变化;根据所述车辆与所述第二类碰撞对象各自的速度变化以及碰撞类型,计算所述车辆发生所述碰撞死亡事故的第一概率以及所述第二类碰撞对象发生所述碰撞死亡事故的第二概率;根据所述第一概率以及第二概率计算得到所述待评估的驾驶系统触发所述碰撞死亡事故的第二初始概率;根据所述第二初始概率和碰撞可信度的乘积确定所述待评估的驾驶系统触发所述碰撞死亡事故的概率,以评估所述驾驶系统。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111085850.2A CN113849971B (zh) | 2021-09-16 | 2021-09-16 | 驾驶系统评估方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111085850.2A CN113849971B (zh) | 2021-09-16 | 2021-09-16 | 驾驶系统评估方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113849971A CN113849971A (zh) | 2021-12-28 |
CN113849971B true CN113849971B (zh) | 2023-03-28 |
Family
ID=78974255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111085850.2A Active CN113849971B (zh) | 2021-09-16 | 2021-09-16 | 驾驶系统评估方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113849971B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114371708B (zh) * | 2021-12-31 | 2023-05-02 | 清华大学 | 自动驾驶算法保护性能评测方法和装置 |
CN114537449B (zh) * | 2022-04-13 | 2024-07-19 | 广州文远知行科技有限公司 | 一种接管概率计算方法及相关装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4798053B2 (ja) * | 2007-04-11 | 2011-10-19 | 株式会社豊田中央研究所 | 安全評価装置 |
CN103198711B (zh) * | 2013-03-21 | 2014-12-17 | 东南大学 | 一种降低不同严重程度交通事故概率的车辆调控方法 |
JP6693321B2 (ja) * | 2016-07-26 | 2020-05-13 | 株式会社デンソー | 能力評価システム |
CN109389824B (zh) * | 2017-08-04 | 2021-07-09 | 华为技术有限公司 | 一种驾驶风险的评估方法及装置 |
KR20210073291A (ko) * | 2019-12-10 | 2021-06-18 | 현대자동차주식회사 | 차량 성능 평가 시스템 |
CN112241127B (zh) * | 2019-12-20 | 2023-08-22 | 北京国家新能源汽车技术创新中心有限公司 | 自动驾驶安全评分方法、装置、计算机设备和存储介质 |
CN112256590B (zh) * | 2020-11-12 | 2022-04-29 | 腾讯科技(深圳)有限公司 | 虚拟场景有效性判定方法、装置和自动驾驶系统 |
CN113125795B (zh) * | 2021-04-20 | 2024-06-18 | 广州文远知行科技有限公司 | 一种障碍物速度检测方法、装置、设备和存储介质 |
-
2021
- 2021-09-16 CN CN202111085850.2A patent/CN113849971B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113849971A (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3745378B1 (en) | Automatic driving safety assessment method, device and system | |
CN111506980B (zh) | 对虚拟驾驶环境生成交通场景的方法及装置 | |
Wachenfeld et al. | The worst-time-to-collision metric for situation identification | |
CN113849971B (zh) | 驾驶系统评估方法、装置、计算机设备和存储介质 | |
De Gelder et al. | Risk quantification for automated driving systems in real-world driving scenarios | |
CN111710158B (zh) | 一种车辆数据处理方法及相关设备 | |
EP3940487B1 (en) | Estimation of probability of collision with increasing severity level for autonomous vehicles | |
Wang et al. | Overcoming challenges of validation automated driving and identification of critical scenarios | |
US11657635B2 (en) | Measuring confidence in deep neural networks | |
CN105160431A (zh) | 一种对未来车辆汽车驾驶员辅助系统的安全效能预测方法 | |
CN111814766A (zh) | 车辆行为预警方法、装置、计算机设备和存储介质 | |
US11541885B2 (en) | Location prediction for dynamic objects | |
CN109887321B (zh) | 无人车变道安全判别方法、装置及存储介质 | |
Peng et al. | A Method for Vehicle Collision Risk Assessment through Inferring Driver's Braking Actions in Near-Crash Situations | |
US11912300B2 (en) | Behavioral planning in autonomus vehicle | |
Derbel et al. | Driver behavior assessment in case of critical driving situations | |
CN110414756B (zh) | 交通工具驾驶系统评估方法、装置、计算机设备 | |
US20230025819A1 (en) | Safeguarding a system against false negatives | |
Tang et al. | Obtain a simulation model of a pedestrian collision imminent braking system based on the vehicle testing data | |
US12093119B2 (en) | Safeguarding a system against false positives | |
EP4219261B1 (en) | Estimation of risk exposure for autonomous vehicles | |
Jansson | Dealing with uncertainty in automotive collision avoidance | |
EP4219262B1 (en) | In-vehicle system for estimation of risk exposure for an autonomous vehicle | |
CN116820943A (zh) | 测试场景生成方法、装置、电子设备和可读存储介质 | |
Kuchar | Collision alerting system evaluation methodology for ground vehicles |
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 |