CN114003582A - 针对自动驾驶车辆的交通事故前场景推导方法及存储介质 - Google Patents
针对自动驾驶车辆的交通事故前场景推导方法及存储介质 Download PDFInfo
- Publication number
- CN114003582A CN114003582A CN202111245553.XA CN202111245553A CN114003582A CN 114003582 A CN114003582 A CN 114003582A CN 202111245553 A CN202111245553 A CN 202111245553A CN 114003582 A CN114003582 A CN 114003582A
- Authority
- CN
- China
- Prior art keywords
- accident
- vehicle
- scene
- automatic driving
- motor 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 206010039203 Road traffic accident Diseases 0.000 title claims abstract description 10
- 238000009795 derivation Methods 0.000 title claims description 10
- 238000010586 diagram Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000033001 locomotion Effects 0.000 claims description 12
- 238000007670 refining Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 230000010365 information processing Effects 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 12
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种针对自动驾驶车辆的交通事故前场景推导方法及存储介质,该方法包括:步骤S1,将每一起自动驾驶车辆事故信息进行电子化编辑,形成自动驾驶车辆事故数据库D1;步骤S2,在自动驾驶车辆事故数据库D1中,提取自动驾驶车辆事故数据的特征变量Qi,总结每个特征变量Qi所包含的特征属性;步骤S3,将步骤S2中获得的特征变量Qi进行分类汇总,构建自动驾驶车辆事故编码方案图;步骤S4,构建用于场景分析的自动驾驶车辆事故库D2;步骤S5,推导自动驾驶车辆事故库D2中每起事故的事故前场景;步骤S6,通过对步骤S5的事故前场景处理,形成自动驾驶车辆事故场景库。与现有技术相比,本发明具有扩展了自动驾驶车辆事故数据的应用范围等优点。
Description
技术领域
本发明涉及自动驾驶领域,尤其是涉及一种针对自动驾驶车辆的交通事故前场景推导方法及存储介质。
背景技术
自动驾驶技术受到各个国家的空前重视,中、美、日、欧等国家和地区均将自动驾驶作为汽车产业发展的战略方向。通过制定战略规划、创新和完善政策标准,引导自动驾驶产业发展。2020年11月11日,世界智能网联汽车大会召开,《智能网联汽车技术路线图2.0》发布,确定各等级智能网联汽车部署策略。在各部委政策的指导下,各省市也相继推出更详细的地方法规,北京、上海、广州、长沙、武汉、沧州等城市已开放载人测试许可。
自动驾驶车辆在公共道路开展测试是其最终实现商业化应用的必经之路。截至2021年3月,美国41个州和哥伦比亚特区已经颁布法律或规定,允许研究、测试或部署自动驾驶车辆。在美国加州,自动驾驶车辆制造商和公司在公开道路测试期间需要向加州机动车管理局提交涉及自动驾驶车辆的交通事故报告和接管报告。截至2021年3月,加州自动驾驶公共道路测试共有285起车辆事故报告公开发布。
明确测试场景是自动驾驶车辆测试的关键部分。自动驾驶系统对驾驶场景感知能力的高低直接反应了系统对现实环境的适应能力,完善的自动驾驶测试场景是自动驾驶车辆功能设计与仿真测试的重要基础。在实际驾驶环境中,因天气、道路结构、路面条件、交通状态的复杂性,驾驶场景有着不可预测、难以计数的特点。
从自然驾驶研究、驾驶仿真和传统汽车事故中收集数据常用来研究驾驶场景特征,但这类基于传统车辆特征所提取的场景不一定适用于自动驾驶车辆。因此结合当前测试现状,需要选取自动驾驶车辆事故数据,并以此构建自动驾驶车辆事故场景库,为自动驾驶车辆的测试开发提供参考,从而有效提升自动驾驶系统能力,成为需要解决的技术问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种针对自动驾驶车辆的交通事故前场景推导方法及存储介质。
本发明的目的可以通过以下技术方案来实现:
根据本发明第一方面,提供了一种针对自动驾驶车辆的交通事故前场景推导方法,该方法包括以下步骤:
步骤S1,将每一起自动驾驶车辆事故信息进行电子化编辑,形成自动驾驶车辆事故数据库D1;
步骤S2,在自动驾驶车辆事故数据库D1中,提取自动驾驶车辆事故数据的特征变量Qi,总结每个特征变量Qi所包含的特征属性;
步骤S3,将步骤S2中获得的特征变量Qi进行分类汇总,构建自动驾驶车辆事故编码方案图;
步骤S4,构建用于场景分析的自动驾驶车辆事故库D2;
步骤S5,推导自动驾驶车辆事故库D2中每起事故的事故前场景;
步骤S6,通过对步骤S5的事故前场景处理,形成自动驾驶车辆事故场景库。
作为优选的技术方案,所述步骤S1中的电子化编辑采用人工方式。
作为优选的技术方案,所述步骤S3中的分类具体为:将特征变量Qi划分为事故信息、车辆信息、人员信息、道路信息四类。
作为优选的技术方案,所述步骤S4具体为:根据车辆模式变量,从自动驾驶车辆事故数据库D1中选择处于自动驾驶状态和发生自动驾驶状态到人工驾驶状态转变的事故,剔除在事故发生前和发生过程中一直处于人工驾驶状态的事故,选取的事故构成用于场景分析的自动驾驶车辆事故库D2。
作为优选的技术方案,所述步骤S5利用关键变量和辅助变量相结合的方法,确定在事故发生前的关键事件和车辆运动状态,推导自动驾驶车辆事故库D2中每起事故的事故前场景。
作为优选的技术方案,所述步骤S5具体为:
步骤S5.1:根据事故形式变量判定事故为单车场景、机动车与非机动车场景,机动车与行人场景、机动车与机动车场景,根据违法类型变量中闯红灯和闯停车标志是否为事故原因来判定该事故属于闯红灯场景和闯停车标志场景;
步骤S5.2:对于步骤S5.1中提取的单车场景,根据是否与固定物碰撞,判定为单车无碰撞场景和单车固定物碰撞场景;
步骤S5.3:对于步骤S5.1中提取的机动车与非机动车场景、机动车与行人场景,根据事故前运动情况变量判断机动车在发生碰撞前是否采取倒车、掉头、起步、停车、转弯、换道、超车的机动操作,并进一步细化场景类型;
步骤S5.4:对于步骤S5.1中提取的机动车与机动车场景,根据道路类型和事故位置变量,判断事故发生在信号交叉口、无信号交叉口、路段,并分别进行分类。
作为优选的技术方案,所述步骤S5.2中根据固定物类型和是否偏离道路进一步将场景细化。
作为优选的技术方案,所述步骤S5.4中,对于发生在信号交叉口和无信号交叉口的事故,根据事故前运动情况变量判断机动车在发生碰撞前采取直行、左转弯、右转弯机动,将该类场景进行分类;对于发生在路段的事故,根据事故前运动情况变量所描述的机动车在碰撞前的机动进一步细化该类场景。
作为优选的技术方案,所述步骤S6具体为:
通过计算步骤S5得到的每类场景数量和比例,分析场景的占比,并对比不同场景的特征,结合每一起事故的案情文字描述,通过还原事故中车辆的相对位置实现场景可视化重构,绘制事故前场景图,形成自动驾驶车辆事故场景库。
根据本发明第二方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现所述的方法。
与现有技术相比,本发明具有以下优点:
1)本发明对自动驾驶车辆的事故进行了分析,构建了自动驾驶事故编码方案,形成了标准化、电子化的自动驾驶车辆事故库,扩展了自动驾驶车辆事故数据的应用范围。
2)本发明利用关键变量和辅助变量相结合的事故前场景推导方法可以实现自动驾驶车辆事故场景推导,提出的自动驾驶车辆事故场景库能够推动自动驾驶测试的落地应用。
附图说明
图1是本发明专利自动驾驶车辆事故编码方案图。
图2是本发明关键变量和辅助变量的场景推导示意图。
图3是本发明实施例事故前场景可视化结果图。
图4是本发明专利流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
如图4所示,本发明方法为:基于自动驾驶车辆事故数据特征构建自动驾驶事故编码方案,形成自动驾驶车辆事故库,利用关键变量和辅助变量相结合的事故前场景推导方法进行场景推导,形成自动驾驶车辆事故场景库,具体的方法流程为:
步骤1:采用人工方式将每一起自动驾驶车辆事故信息进行电子化编辑,形成自动驾驶车辆事故数据库D1;
步骤2:在事故数据库中,提取自动驾驶车辆事故数据的特征变量Qi,总结每个特征变量Qi所包含的特征属性;
步骤3:将步骤2中获得的特征变量Qi进行分类汇总,划分为事故信息、车辆信息、人员信息、道路信息四类,构建自动驾驶车辆事故编码方案图;
步骤4:根据车辆模式变量,从自动驾驶车辆事故数据库D1中选择处于自动驾驶状态和发生自动驾驶状态到人工驾驶状态转变的事故,剔除在事故发生前和发生过程中一直处于人工驾驶状态的事故,选取的事故形成用于场景分析的自动驾驶车辆事故库D2;
步骤5:利用关键变量和辅助变量相结合的方法,确定在事故发生前的关键事件和车辆运动状态,推导自动驾驶车辆事故库D2中每起事故的事故前场景;
步骤5.1:根据事故形式变量判定事故为单车场景、机动车与非机动车场景,机动车与行人场景、机动车与机动车场景,根据违法类型变量中闯红灯和闯停车标志是否为事故原因来判定该事故属于闯红灯场景和闯停车标志场景;
步骤5.2:对于步骤5.1中提取的单车场景,根据是否与固定物碰撞,判定为单车无碰撞场景和单车固定物碰撞场景,根据固定物类型和是否偏离道路可以进一步将场景细化;
步骤5.3:对于步骤5.1中提取的机动车与非机动车场景、机动车与行人场景,根据事故前运动情况变量判断机动车在发生碰撞前是否采取倒车、掉头、起步、停车、转弯、换道、超车的机动操作,并进一步细化场景类型;
步骤5.4:对于步骤5.1中提取的机动车与机动车场景,首先根据道路类型和事故位置变量,判断事故发生在信号交叉口、无信号交叉口、路段,对于发生在信号交叉口和无信号交叉口的事故,根据事故前运动情况变量判断机动车在发生碰撞前采取直行、左转弯、右转弯机动,将该类场景进行分类,对于发生在路段的事故,根据事故前运动情况变量所描述的机动车在碰撞前的机动进一步细化该类场景;
步骤6:计算步骤5得到的每类场景数量和比例,分析场景的占比,并对比不同场景的特征,结合每一起事故的案情文字描述,通过还原事故中车辆的相对位置实现场景可视化重构,绘制事故前场景图,形成自动驾驶车辆事故场景库。
具体实施例
利用美国加利福尼亚州的公开道路测试中的自动驾驶车辆事故报告,测试本发明。
收集美国加利福尼亚州机动车管理局公开的2014年至2020年的自动驾驶车辆事故报告,依据上述步骤1-3,构建了包含事故基本信息、车辆信息、人员信息、道路信息的自动驾驶车辆事故编码方案图,如图1。依据上述步骤4提取了122起自动驾驶车辆事故,形成自动驾驶车辆事故库。
依据上述步骤5和步骤6进行处理,依据关键变量和辅助变量,如图2,获得自动驾驶车辆事故前场景类型、数量、比例,结果如表1,自动驾驶事故前场景的可视化图如图3。整体对比场景的占比分布情况,发现当自动驾驶车辆停止或正在减速时被后方传统车辆追尾的场景占比较高,总比例为47.54%,传统车辆或自动驾驶车辆换道过程中与同方向车辆发生碰撞的场景总占比为18.85,其中传统车辆换道的比例是自动驾驶车辆换道的2.3倍。
表1
本实施例还涉及一种计算机可读介质,该介质内存储有上述针对自动驾驶车辆的交通事故前场景推导方法。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种针对自动驾驶车辆的交通事故前场景推导方法,其特征在于,该方法包括以下步骤:
步骤S1,将每一起自动驾驶车辆事故信息进行电子化编辑,形成自动驾驶车辆事故数据库D1;
步骤S2,在自动驾驶车辆事故数据库D1中,提取自动驾驶车辆事故数据的特征变量Qi,总结每个特征变量Qi所包含的特征属性;
步骤S3,将步骤S2中获得的特征变量Qi进行分类汇总,构建自动驾驶车辆事故编码方案图;
步骤S4,构建用于场景分析的自动驾驶车辆事故库D2;
步骤S5,推导自动驾驶车辆事故库D2中每起事故的事故前场景;
步骤S6,通过对步骤S5的事故前场景处理,形成自动驾驶车辆事故场景库。
2.根据权利要求1所述的一种针对自动驾驶车辆的交通事故前场景推导方法,其特征在于,所述步骤S1中的电子化编辑采用人工方式。
3.根据权利要求1所述的一种针对自动驾驶车辆的交通事故前场景推导方法,其特征在于,所述步骤S3中的分类具体为:将特征变量Qi划分为事故信息、车辆信息、人员信息、道路信息四类。
4.根据权利要求1所述的一种针对自动驾驶车辆的交通事故前场景推导方法,其特征在于,所述步骤S4具体为:根据车辆模式变量,从自动驾驶车辆事故数据库D1中选择处于自动驾驶状态和发生自动驾驶状态到人工驾驶状态转变的事故,剔除在事故发生前和发生过程中一直处于人工驾驶状态的事故,选取的事故构成用于场景分析的自动驾驶车辆事故库D2。
5.根据权利要求1所述的一种针对自动驾驶车辆的交通事故前场景推导方法,其特征在于,所述步骤S5利用关键变量和辅助变量相结合的方法,确定在事故发生前的关键事件和车辆运动状态,推导自动驾驶车辆事故库D2中每起事故的事故前场景。
6.根据权利要求1或5所述的一种针对自动驾驶车辆的交通事故前场景推导方法,其特征在于,所述步骤S5具体为:
步骤S5.1:根据事故形式变量判定事故为单车场景、机动车与非机动车场景,机动车与行人场景、机动车与机动车场景,根据违法类型变量中闯红灯和闯停车标志是否为事故原因来判定该事故属于闯红灯场景和闯停车标志场景;
步骤S5.2:对于步骤S5.1中提取的单车场景,根据是否与固定物碰撞,判定为单车无碰撞场景和单车固定物碰撞场景;
步骤S5.3:对于步骤S5.1中提取的机动车与非机动车场景、机动车与行人场景,根据事故前运动情况变量判断机动车在发生碰撞前是否采取倒车、掉头、起步、停车、转弯、换道、超车的机动操作,并进一步细化场景类型;
步骤S5.4:对于步骤S5.1中提取的机动车与机动车场景,根据道路类型和事故位置变量,判断事故发生在信号交叉口、无信号交叉口、路段,并分别进行分类。
7.根据权利要求6所述的一种针对自动驾驶车辆的交通事故前场景推导方法,其特征在于,所述步骤S5.2中根据固定物类型和是否偏离道路进一步将场景细化。
8.根据权利要求6所述的一种针对自动驾驶车辆的交通事故前场景推导方法,其特征在于,所述步骤S5.4中,对于发生在信号交叉口和无信号交叉口的事故,根据事故前运动情况变量判断机动车在发生碰撞前采取直行、左转弯、右转弯机动,将该类场景进行分类;对于发生在路段的事故,根据事故前运动情况变量所描述的机动车在碰撞前的机动进一步细化该类场景。
9.根据权利要求1所述的一种针对自动驾驶车辆的交通事故前场景推导方法,其特征在于,所述步骤S6具体为:
通过计算步骤S5得到的每类场景数量和比例,分析场景的占比,并对比不同场景的特征,结合每一起事故的案情文字描述,通过还原事故中车辆的相对位置实现场景可视化重构,绘制事故前场景图,形成自动驾驶车辆事故场景库。
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,所述程序被处理器执行时实现如权利要求1~9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111245553.XA CN114003582B (zh) | 2021-10-26 | 2021-10-26 | 针对自动驾驶车辆的交通事故前场景推导方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111245553.XA CN114003582B (zh) | 2021-10-26 | 2021-10-26 | 针对自动驾驶车辆的交通事故前场景推导方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114003582A true CN114003582A (zh) | 2022-02-01 |
CN114003582B CN114003582B (zh) | 2024-09-06 |
Family
ID=79924069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111245553.XA Active CN114003582B (zh) | 2021-10-26 | 2021-10-26 | 针对自动驾驶车辆的交通事故前场景推导方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114003582B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114530040A (zh) * | 2022-02-08 | 2022-05-24 | 东风汽车集团股份有限公司 | 无人驾驶专用道路车辆事故处理和救援方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110153594A1 (en) * | 2009-12-23 | 2011-06-23 | Greenplum, Inc. | Apparatus and Method for Analyzing Query Optimizer Performance |
CN108765235A (zh) * | 2018-05-09 | 2018-11-06 | 公安部交通管理科学研究所 | 基于交通事故案例解构的自动驾驶车辆测试场景构建方法和测试方法 |
CN111813083A (zh) * | 2020-07-09 | 2020-10-23 | 吉林大学 | 场景任务复杂度量化模型 |
KR20210050150A (ko) * | 2019-10-28 | 2021-05-07 | 고려대학교 세종산학협력단 | 도로교통 운행환경정보 기반 교통사고 영상을 활용한 자율주행 테스트 시나리오 도출 방법 및 절차 |
-
2021
- 2021-10-26 CN CN202111245553.XA patent/CN114003582B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110153594A1 (en) * | 2009-12-23 | 2011-06-23 | Greenplum, Inc. | Apparatus and Method for Analyzing Query Optimizer Performance |
CN108765235A (zh) * | 2018-05-09 | 2018-11-06 | 公安部交通管理科学研究所 | 基于交通事故案例解构的自动驾驶车辆测试场景构建方法和测试方法 |
KR20210050150A (ko) * | 2019-10-28 | 2021-05-07 | 고려대학교 세종산학협력단 | 도로교통 운행환경정보 기반 교통사고 영상을 활용한 자율주행 테스트 시나리오 도출 방법 및 절차 |
CN111813083A (zh) * | 2020-07-09 | 2020-10-23 | 吉林大学 | 场景任务复杂度量化模型 |
Non-Patent Citations (2)
Title |
---|
R.WELSH等: "Pre-crash scenarios at road junctions:A clustering method for car crash data", 《ACCIDENT ANALYSIS AND PREVENTION》, 31 December 2017 (2017-12-31), pages 137 - 151 * |
程晨等: "自动驾驶汽车测试场景数据库系统设计与实现", 《中国交通信息化 》, no. 10, 15 October 2021 (2021-10-15), pages 95 - 99 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114530040A (zh) * | 2022-02-08 | 2022-05-24 | 东风汽车集团股份有限公司 | 无人驾驶专用道路车辆事故处理和救援方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114003582B (zh) | 2024-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110597711B (zh) | 一种基于场景和任务的自动驾驶测试用例生成方法 | |
Thorn et al. | A framework for automated driving system testable cases and scenarios | |
CN111061167B (zh) | 一种面向智能网联示范区的混合现实自动驾驶的测试方法及虚拟测试平台 | |
JP7371157B2 (ja) | 車両監視方法、装置、電子機器、記憶媒体、コンピュータプログラム、クラウド制御プラットフォームおよび車路連携システム | |
Goyani et al. | Investigation of traffic conflicts at unsignalized intersection for reckoning crash probability under mixed traffic conditions | |
CN112819968B (zh) | 基于混合现实的自动驾驶车辆的测试方法和装置 | |
Vedagiri et al. | Traffic safety evaluation of uncontrolled intersections using surrogate safety measures under mixed traffic conditions | |
US11727694B2 (en) | System and method for automatic assessment of comparative negligence for one or more vehicles involved in an accident | |
CN114354219A (zh) | 自动驾驶车辆的测试方法及装置 | |
Huang et al. | Study on the test scenarios of level 2 automated vehicles | |
CN116597690B (zh) | 智能网联汽车的高速公路测试场景生成方法、设备及介质 | |
CN109900494A (zh) | 一种测试用例的生成方法 | |
Wang et al. | Analysis of unprotected intersection left-turn conflicts based on naturalistic driving data | |
CN114003582A (zh) | 针对自动驾驶车辆的交通事故前场景推导方法及存储介质 | |
Philipp et al. | Systematization of relevant road users for the evaluation of autonomous vehicle perception | |
Qi et al. | A trajectory-based method for scenario analysis and test effort reduction for highly automated vehicle | |
Eggert et al. | The foresighted driver: Future ADAS based on generalized predictive risk estimation | |
Su et al. | Integrated framework for test and evaluation of autonomous vehicles | |
Peng | Connected and automated vehicles: The roles of dynamics and control | |
DE102021201177A1 (de) | Computerimplementiertes Verfahren und Computerprogramm zur Generierung von Fahrstrecken für ein automatisiertes Fahrsystem | |
Li | A scenario-based development framework for autonomous driving | |
US20220172606A1 (en) | Systems and Methods for Extracting Data From Autonomous Vehicles | |
CN113254336B (zh) | 自动驾驶汽车交通法规符合性仿真测试方法及系统 | |
CN114492008A (zh) | 一种基于约束模型自动化生成具体场景的方法 | |
Zhang et al. | Virtual validation method for automated driving vehicles based on traffic accident |
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 |