CN114021327A - 一种自动驾驶汽车感知系统性能量化评估方法 - Google Patents
一种自动驾驶汽车感知系统性能量化评估方法 Download PDFInfo
- Publication number
- CN114021327A CN114021327A CN202111265801.7A CN202111265801A CN114021327A CN 114021327 A CN114021327 A CN 114021327A CN 202111265801 A CN202111265801 A CN 202111265801A CN 114021327 A CN114021327 A CN 114021327A
- Authority
- CN
- China
- Prior art keywords
- scene
- sensing system
- automatic driving
- performance
- trigger
- 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
-
- 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
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种自动驾驶汽车感知系统性能量化评估方法,包括以下步骤1)根据自动驾驶功能和设计运行域,获取功能场景以及感知系统性能要求;2)收集感知系统评价指标,构建自动驾驶汽车感知系统评价体系;3)分析感知系统的触发条件,构建感知系统具体测试场景;4)在具体测试场景中测试验证感知系统,是否满足性能要求,进行感知系统迭代,直至满足性能要求。5)输出感知系统评价结果。与现有技术相比,本发明满足感知系统开发过程评估需求,为面向预期功能安全的自动驾驶汽车感知系统开发提供引导,可操作性强,易于操作。
Description
技术领域
本发明涉及自动驾驶汽车测试评价领域,尤其是涉及一种自动驾驶汽车感知系统性能量化评估方法。
背景技术
自动驾驶感知系统是指自动驾驶系统从环境中获取信息并提取相关知识的系统,它利用车载传感器获取的信息与自动驾驶系统控制单元和决策单元进行交互,通常包括感知过程和认知过程两部分内容。由于自动驾驶系统运行场景的复杂性和随机性,要求自动驾驶感知系统融合多种传感器和复杂软件算法以满足系统设计需求。然而由于多种传感器与复杂软件算法的性能局限,将会导致自动驾驶系统出现无法实现预期功能的情况,即预期功能安全。
在自动驾驶功能开发过程中,对自动驾驶感知系统提出了具体的性能需求。而在某些极端条件下感知系统的性能无法得到保证,存在感知系统性能局限方面的触发条件致使自动驾驶感知系统无法满足设定的性能需求。
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自动驾驶汽车感知系统性能量化评估方法,满足感知系统开发过程评估需求,为面向预期功能安全的自动驾驶汽车感知系统开发提供引导,可操作性强,易于操作。
本发明的目的可以通过以下技术方案来实现:
一种自动驾驶汽车感知系统性能量化评估方法,包括以下步骤:
1)根据自动驾驶功能和设计运行域,获取功能场景以及感知系统性能要求;
2)根据功能场景生成自动驾驶汽车感知系统的具体测试场景;
3)在具体测试场景中运行自动驾驶汽车感知系统,判断运行结果是否满足感知系统性能要求,若是则执行步骤4),否则迭代自动驾驶汽车感知系统,并执行步骤3);
4)根据运行结果,通过评价体系计算自动驾驶汽车感知系统的量化评估结果;
本发明提出的评估方法能够系统性评估和测试依赖复杂传感器和算法工作的感知系统,识别并迭代感知系统,提高自动驾驶感知系统在复杂动态交通场景下的准确性、可靠性和确定性,满足自动驾驶预期功能安全性要求,满足感知系统开发过程评估需求,为自动驾驶感知系统的开发提供引导。
进一步地,所述的自动驾驶功能包括HWP、AVP、TJP和NOP等多种自动驾驶功能,所述的设计运行域中包括静态实体、动态实体和自车功能,所述的静态实体方面即要求该感知系统可以在定义的道路条件、天气条件和光照条件等条件下正常运行,所述的动态实体方面即要求该感知系统正确识别和跟踪各类交通参与者,所述的自车功能即要求该感知系统在激活车速和各类传感器无误条件下正常运行;
所述的功能场景包括自动驾驶功能的子功能及其运行条件;
所述的感知系统性能要求说明了传感器类型、数量和具体实现功能,所述的感知系统性能要求保证该自动驾驶功能在其运行场景中可实现其预期行为,所述的感知系统性能要求包括识别静动态实体精度、稳定性、及时性、全面性、跟踪精度和识别参数精度。
进一步地,所述的评价体系为层级结构,每层包括若干个评价指标,除最低层外,每层的评价指标由隶属于其的次级指标加权计算获得;
所述的步骤4)包括:
根据运行结果,通过评价指标加权计算获得自动驾驶汽车感知系统的量化评估结果。
进一步地,所述的评价体系最高层包括传感器性能量化评价指标和感知系统性能量化评价指标;
隶属于传感器性能量化评价指标的次级指标包括传感器的可靠性、成本以及稳定性;
隶属于感知系统性能量化评价指标的次级指标包括特定场景下感知系统的识别率、准确性和鲁棒性;
进一步地,隶属于传感器的可靠性的次级指标包括传感器的故障率、鲁棒性以及平均使用寿命;
隶属于传感器的成本的次级指标包括传感器数量和传感器单价;
隶属于传感器的稳定性的次级指标包括传感器的信噪比、电磁干扰稳定性以及工作温度范围。
进一步地,所述的识别率即感知系统识别运行场景的比例,隶属于感知系统的识别率的次级指标包括感知系统的漏检率;
隶属于感知系统的准确性的次级指标包括感知系统的误检率和检测精度;
隶属于感知系统的鲁棒性的次级指标包括感知系统的上报延迟、目标跟随特性和最大有效探测距离,所述的目标跟随特性包括多目标跟踪精度和多目标跟踪准确度。
进一步地,所述的步骤2)包括以下步骤:
201)获取自动驾驶汽车感知系统的触发条件;
202)获取触发条件的参数范围;
203)根据功能场景、触发条件以及触发条件的参数范围生成具体测试场景。
进一步地,所述的步骤201)包括:
构建触发源知识库、触发机制知识库和触发效果知识库,所述的触发源知识库以树状结构存储影响感知系统的触发源要素,所述的触发机制知识库和触发效果知识库基于语义引导词建立;
通过触发源知识库、触发机制知识库和触发效果知识库构建触发条件分析矩阵;
通过触发条件分析矩阵获取触发条件。
进一步地,根据自然驾驶数据获取触发条件的参数范围。
进一步地,所述的步骤203)包括:
根据自然驾驶数据获取功能场景的参数范围,在功能场景和触发条件的参数范围内,组合具有特定参数的功能场景和触发条件,生成若干个整体逻辑场景;
构建以触发源的出现频率为输入,以场景暴露率等级为判断结果的场景暴露率判断矩阵,根据自然驾驶数据中触发源的出现频率,通过场景暴露率判断矩阵确定整体逻辑场景的场景暴露率等级;
构建以事故的严重度为输入,以场景严重度等级为判断结果的场景严重度判断矩阵,根据自然驾驶数据中事故的严重度,通过场景严重度判断矩阵确定整体逻辑场景的场景严重度等级;
构建以场景暴露率等级和场景严重度等级为输入,以场景风险等级为输出的场景风险等级判断矩阵,根据场景暴露率等级和场景严重度等级,通过场景风险等级判断矩阵确定整体逻辑场景的场景风险等级;
选取场景风险等级最高的整体逻辑场景作为具体测试场景。
与现有技术相比,本发明具有以如下有益效果:
本发明提出的评估方法能够系统性评估和测试依赖复杂传感器和算法工作的感知系统,识别并迭代感知系统,提高自动驾驶感知系统在复杂动态交通场景下的准确性、可靠性和确定性,满足自动驾驶预期功能安全性要求,满足感知系统开发过程评估需求,为面向预期功能安全的自动驾驶汽车感知系统开发提供引导,可操作性强,易于操作。
附图说明
图1为自动驾驶汽车感知系统性能量化评估方法的流程示意图;
图2为感知系统性能局限分析结构图;
图3为具体测试场景的生成流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
一种自动驾驶汽车感知系统性能量化评估方法,如图1,包括以下步骤:
1)根据自动驾驶功能和设计运行域,获取功能场景以及感知系统性能要求;
2)根据功能场景生成自动驾驶汽车感知系统的具体测试场景;
3)在具体测试场景中运行自动驾驶汽车感知系统,判断运行结果是否满足感知系统性能要求,若是则执行步骤4),否则迭代自动驾驶汽车感知系统,并执行步骤3);
4)根据运行结果,通过评价体系计算自动驾驶汽车感知系统的量化评估结果;
本实施例提出的评估方法能够系统性评估和测试依赖复杂传感器和算法工作的感知系统,识别并迭代感知系统,提高自动驾驶感知系统在复杂动态交通场景下的准确性、可靠性和确定性,满足自动驾驶预期功能安全性要求。
步骤2)包括以下步骤:
201)获取自动驾驶汽车感知系统的触发条件;
202)获取触发条件的参数范围;
203)根据功能场景、触发条件以及触发条件的参数范围生成具体测试场景。
步骤201)包括:
构建触发源知识库、触发机制知识库和触发效果知识库,触发源知识库以树状结构存储影响感知系统的触发源要素,触发机制知识库和触发效果知识库基于语义引导词建立;
通过触发源知识库、触发机制知识库和触发效果知识库构建触发条件分析矩阵;
根据触发条件分析矩阵,通过感知系统局限性分析获取触发条件。
根据自然驾驶数据获取触发条件的参数范围。
如图3,步骤203)包括:
根据自然驾驶数据获取功能场景的参数范围,在功能场景和触发条件的参数范围内,组合具有特定参数的功能场景和触发条件,生成若干个整体逻辑场景;
构建以触发源的出现频率为输入,以场景暴露率等级为判断结果的场景暴露率判断矩阵,场景暴露率判断矩阵如表1所示:
表1场景暴露率判断矩阵
E1 | p≤0.05% |
E2 | 0.05<p≤1% |
E3 | (1%<p<10%) |
E4 | (p>10%) |
根据自然驾驶数据中触发源的出现频率,通过场景暴露率判断矩阵确定整体逻辑场景的场景暴露率等级;
构建以事故的严重度为输入,以场景严重度等级为判断结果的场景严重度判断矩阵,场景严重度判断矩阵如表2所示:
表2场景严重度判断矩阵
S0 | 无伤害 |
S1 | 轻度或中度伤害 |
S2 | 严重但未危及生命的伤害 |
S3 | 危及生命的伤害 |
根据自然驾驶数据中事故的严重度,通过场景严重度判断矩阵确定整体逻辑场景的场景严重度等级;
构建以场景暴露率等级和场景严重度等级为输入,以场景风险等级为输出的场景风险等级判断矩阵,场景风险等级判断矩阵如表3所示:
表3场景风险等级判断矩阵
根据场景暴露率等级和场景严重度等级,通过场景风险等级判断矩阵确定整体逻辑场景的场景风险等级;
选取场景风险等级最高的整体逻辑场景作为具体测试场景。
自动驾驶功能包括HWP、AVP、TJP和NOP等多种自动驾驶功能,设计运行域中包括静态实体、动态实体和自车功能,静态实体方面即要求该感知系统可以在定义的道路条件、天气条件和光照条件等条件下正常运行,动态实体方面即要求该感知系统正确识别和跟踪各类交通参与者,自车功能即要求该感知系统在激活车速和各类传感器无误条件下正常运行;
功能场景包括自动驾驶功能的子功能及其运行条件;
感知系统性能要求说明了传感器类型、数量和具体实现功能,感知系统性能要求保证该自动驾驶功能在其运行场景中可实现其预期行为,感知系统性能要求包括识别静动态实体精度、稳定性、及时性、全面性、跟踪精度和识别参数精度。
评价体系为层级结构,每层包括若干个评价指标,除最低层外,每层的评价指标由隶属于其的次级指标加权计算获得,步骤4)包括:
根据运行结果,通过评价体系加权计算获得自动驾驶汽车感知系统的量化评估结果。
评价体系最高层包括传感器性能量化评价指标和感知系统性能量化评价指标;
隶属于传感器性能量化评价指标的次级指标包括传感器的可靠性、成本以及稳定性;隶属于感知系统性能量化评价指标的次级指标包括特定场景下感知系统的识别率、准确性和鲁棒性;隶属于传感器的可靠性的次级指标包括传感器的故障率、鲁棒性以及平均使用寿命;隶属于传感器的成本的次级指标包括传感器数量和传感器单价;隶属于传感器的稳定性的次级指标包括传感器的信噪比、电磁干扰稳定性以及工作温度范围。
识别率即感知系统识别运行场景的比例,隶属于感知系统的识别率的次级指标包括感知系统的漏检率;隶属于感知系统的准确性的次级指标包括感知系统的误检率和检测精度;隶属于感知系统的鲁棒性的次级指标包括感知系统的上报延迟、目标跟随特性和最大有效探测距离,目标跟随特性包括多目标跟踪精度和多目标跟踪准确度。
可在虚拟仿真测试工具、硬件在环测试工具和整车封闭测试场地上复现具体测试场景,进行测试并验证该自动驾驶功能的感知系统是否满足其性能要求。
采用本实施例提出的评估方法对装备在SAE L3级自动驾驶车辆上的领航辅助(Navigate on Pilot,NOP)功能(简称NOP功能)进行评估,该车装备一个激光雷达、四个视觉传感器、1套全球定位系统(Global Positioning System,GPS)和高精地图,其中激光雷达用于检测障碍物、机动车等,视觉传感器用于识别交通指示标志、车道线等,GPS和高精地图提供车辆自身定位信息,在车道线清晰情况下,车辆将沿车道线行驶,若不存在车道线或在车道线不清晰情况下,车辆则按GPS和高精地图规划路径行驶,若存在前车,则和前车保持设定的距离行驶,根据前车车速是否长时间低于预期车速决定自车是否换道超车。
该自动驾驶车辆的设计运行域(ODD)为高速路段,NOP功能的子功能以及运行环境定义如表4所示:
表4 NOP功能的子功能定义表
以减速避障子功能为例描述NOP的功能场景,包括
功能场景1:在NOP功能规定开启车速范围内,自车位于最左侧车道,前车切入且与前车碰撞时间TTC<T0,自车输出相应的减速度进行减速避让;
功能场景2:在NOP功能规定开启车速范围内,自车位于最左侧车道,前车急减速且与前车碰撞时间TTC<T0,自车输出相应的减速度进行减速避让。
此外,在自动驾驶功能开发和设计运行域定义阶段会提出感知系统的性能要求,例如,要求激光雷达传感器在限定条件下(中雨、中雪和有限光照条件以内)正确识别障碍物、前方车辆,并跟踪前车,摄像头在ODD范围内正确识别车道线和交通指示标志,以保证该自动驾驶车辆在其减速避障功能场景下实现预期行为。
对于NOP功能的减速避障,主要依赖激光雷达传感器和视觉传感器,评价体系如表5所示:
表5感知系统性能量化评价指标表
根据感知系统性能量化评价指标表可获得感知系统最终的量化模型,量化模型的计算公式如下:
AS=I·ω
I=[P1,P2,…,Pn1,C1,C2,…,Cn2]
ω=[ω1,…,ωn1,ωn1+1,…ωn1+n2]
其中,AS为自动驾驶汽车感知系统的量化评估结果,I为评价体系,[P1,P2,…,Pn1]为隶属于系统部件级量化评价指标的最底层指标,[C1,C2,…,Cn2]为隶属感知系统性能评价指标的最底层指标,n1和n2分别为隶属于系统部件级量化评价指标和感知系统性能评价指标的最底层指标的数量,量化评估结果越高代表测试结果性能越优,量化评估结果取值为1~10,ω为各评价指标权重,取值为0~1。
从激光雷达和视觉传感器的物理结构和工作原理出发,如图2所示,形成NOP功能的触发条件知识库,构建该感知系统的触发条件分析矩阵,识别构成感知系统的触发条件的触发源要素,并基于自然驾驶数据统计触发源要素的参数和功能场景中参数,并结合该自动驾驶功能的设计运行域,确定触发源要素的参数范围和逻辑场景的参数范围。生成部分触发条件和参数范围如表6所示:
表6触发条件知识库
逻辑场景中剩余参数可根据设计运行域确定,未在表中列出。
结合NOP功能的逻辑场景和触发条件形成整体逻辑,从严重度、暴露率和混杂度三个方面对整体逻辑场景进行风险评估,选取具有高风险的场景参数组合作为具体测试场景,因此,选取高降雨强度、低能见度、低光照强度和低碰撞时间的场景参数构建具体测试场景。
本实施例具体测试在整车封闭测试场地上构建,首先根据实验结果判断车辆能否满足设定性能要求,车辆能否实现预期功能,若无法满足性能要求,则需重新进行迭代感知系统,本实施例中在降雨触发条件下未能合理减速避让前方切入车辆,与前车发生碰撞,需对感知系统迭代。在其余两个触发条件下,感知系统满足性能要求,则依据其测试结果输出该自动驾驶功能的感知系统性能量化评价结果。
首先依据测试结果计算感知系统性能量化评价结果。在有雾的条件下的感知系统性能量化评估结果为:
ASfog=I·ω=If·ω=7.086
在弱光照条件下的感知系统性能量化评估结果为:
ASfog=I·ω=If·ω=6.839
依据基于测试结果对自动驾驶感知系统提出改进措施,评价结果表明,本实施例中的激光雷达在检测精度、漏检率和目标跟随特性方面得分较低,因此可以采用更高线束的激光雷达、优化激光雷达内部算法或者优化感知系统的配置结构,将改进后的自动驾驶功能感知系统重新进行测试,试验验证新的感知系统试验是否结果满足其性能要求。
本实施例提出了一种能自动驾驶汽车感知系统性能量化评估方法,能够系统性评估和测试依赖复杂传感器和算法工作的感知系统,识别并迭代感知系统,提高自动驾驶感知系统在复杂动态交通场景下的准确性、可靠性和确定性,满足自动驾驶预期功能安全性要求,满足感知系统开发过程评估需求,为面向预期功能安全的自动驾驶汽车感知系统开发提供引导,可操作性强,易于操作。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种自动驾驶汽车感知系统性能量化评估方法,其特征在于,包括以下步骤:
1)根据自动驾驶功能和设计运行域,获取功能场景以及感知系统性能要求;
2)根据功能场景生成自动驾驶汽车感知系统的具体测试场景;
3)在具体测试场景中运行自动驾驶汽车感知系统,判断运行结果是否满足感知系统性能要求,若是则执行步骤4),否则迭代自动驾驶汽车感知系统,并执行步骤3);
4)根据运行结果,通过评价体系计算自动驾驶汽车感知系统的量化评估结果。
2.根据权利要求1所述的一种自动驾驶汽车感知系统性能量化评估方法,其特征在于,所述的功能场景包括自动驾驶功能的子功能及其运行条件,所述的感知系统性能要求包括识别静动态实体精度、稳定性、及时性、全面性、跟踪精度和识别参数精度。
3.根据权利要求1所述的一种自动驾驶汽车感知系统性能量化评估方法,其特征在于,所述的评价体系为层级结构,每层包括若干个评价指标,除最低层外,每层的评价指标由隶属于其的次级指标加权计算获得;
所述的步骤4)包括:
根据运行结果,通过评价指标加权计算获得自动驾驶汽车感知系统的量化评估结果。
4.根据权利要求3所述的一种自动驾驶汽车感知系统性能量化评估方法,其特征在于,所述的评价体系最高层包括传感器性能量化评价指标和感知系统性能量化评价指标;
隶属于传感器性能量化评价指标的次级指标包括传感器的可靠性、成本以及稳定性;
隶属于感知系统性能量化评价指标的次级指标包括特定场景下感知系统的识别率、准确性和鲁棒性。
5.根据权利要求4所述的一种自动驾驶汽车感知系统性能量化评估方法,其特征在于,隶属于传感器的可靠性的次级指标包括传感器的故障率、鲁棒性以及平均使用寿命;
隶属于传感器的成本的次级指标包括传感器数量和传感器单价;
隶属于传感器的稳定性的次级指标包括传感器的信噪比、电磁干扰稳定性以及工作温度范围。
6.根据权利要求4所述的一种自动驾驶汽车感知系统性能量化评估方法,其特征在于,隶属于感知系统的识别率的次级指标包括感知系统的漏检率;
隶属于感知系统的准确性的次级指标包括感知系统的误检率和检测精度;
隶属于感知系统的鲁棒性的次级指标包括感知系统的上报延迟、目标跟随特性和最大有效探测距离。
7.根据权利要求1所述的一种自动驾驶汽车感知系统性能量化评估方法,其特征在于,所述的步骤2)包括以下步骤:
201)获取自动驾驶汽车感知系统的触发条件;
202)获取触发条件的参数范围;
203)根据功能场景、触发条件以及触发条件的参数范围生成具体测试场景。
8.根据权利要求7所述的一种自动驾驶汽车感知系统性能量化评估方法,其特征在于,所述的步骤201)包括:
构建触发源知识库、触发机制知识库和触发效果知识库,所述的触发源知识库以树状结构存储影响感知系统的触发源要素,所述的触发机制知识库和触发效果知识库基于语义引导词建立;
通过触发源知识库、触发机制知识库和触发效果知识库构建触发条件分析矩阵;
通过触发条件分析矩阵获取触发条件。
9.根据权利要求7所述的一种自动驾驶汽车感知系统性能量化评估方法,其特征在于,所述的步骤202)包括:
根据自然驾驶数据获取触发条件的参数范围。
10.根据权利要求9所述的一种自动驾驶汽车感知系统性能量化评估方法,其特征在于,所述的步骤203)包括:
根据自然驾驶数据获取功能场景的参数范围,在功能场景和触发条件的参数范围内,组合具有特定参数的功能场景和触发条件,生成若干个整体逻辑场景;
构建以触发源的出现频率为输入,以场景暴露率等级为判断结果的场景暴露率判断矩阵,根据自然驾驶数据中触发源的出现频率,通过场景暴露率判断矩阵确定整体逻辑场景的场景暴露率等级;
构建以事故的严重度为输入,以场景严重度等级为判断结果的场景严重度判断矩阵,根据自然驾驶数据中事故的严重度,通过场景严重度判断矩阵确定整体逻辑场景的场景严重度等级;
构建以场景暴露率等级和场景严重度等级为输入,以场景风险等级为输出的场景风险等级判断矩阵,根据场景暴露率等级和场景严重度等级,通过场景风险等级判断矩阵确定整体逻辑场景的场景风险等级;
选取场景风险等级最高的整体逻辑场景作为具体测试场景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111265801.7A CN114021327A (zh) | 2021-10-28 | 2021-10-28 | 一种自动驾驶汽车感知系统性能量化评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111265801.7A CN114021327A (zh) | 2021-10-28 | 2021-10-28 | 一种自动驾驶汽车感知系统性能量化评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114021327A true CN114021327A (zh) | 2022-02-08 |
Family
ID=80058365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111265801.7A Pending CN114021327A (zh) | 2021-10-28 | 2021-10-28 | 一种自动驾驶汽车感知系统性能量化评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114021327A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114407932A (zh) * | 2022-02-23 | 2022-04-29 | 武汉路特斯汽车有限公司 | 一种评估智能驾驶系统能力的方法 |
CN114662252A (zh) * | 2022-02-25 | 2022-06-24 | 佳木斯大学 | 一种用于提高复杂网络化随机系统性能指标的方法 |
CN114720148A (zh) * | 2022-03-23 | 2022-07-08 | 小米汽车科技有限公司 | 车辆感知能力的确定方法、装置、设备及存储介质 |
CN114755035A (zh) * | 2022-06-15 | 2022-07-15 | 中汽信息科技(天津)有限公司 | 一种基于车载终端的智能驾驶多维度测试方法 |
CN114802284A (zh) * | 2022-02-16 | 2022-07-29 | 武汉路特斯汽车有限公司 | 车辆感知性能评价方法及系统 |
CN115457808A (zh) * | 2022-08-29 | 2022-12-09 | 集美大学 | 一种感知设备性能指标的论证方法、装置及存储介质 |
CN116046417A (zh) * | 2023-04-03 | 2023-05-02 | 西安深信科创信息技术有限公司 | 自动驾驶感知局限测试方法、装置、电子设备及存储介质 |
TWI824778B (zh) * | 2022-10-17 | 2023-12-01 | 財團法人車輛研究測試中心 | 具預期功能安全場景蒐集及自我更新的系統及其方法 |
-
2021
- 2021-10-28 CN CN202111265801.7A patent/CN114021327A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114802284A (zh) * | 2022-02-16 | 2022-07-29 | 武汉路特斯汽车有限公司 | 车辆感知性能评价方法及系统 |
WO2023155749A1 (zh) * | 2022-02-16 | 2023-08-24 | 武汉路特斯汽车有限公司 | 车辆感知性能评价方法及系统 |
CN114407932A (zh) * | 2022-02-23 | 2022-04-29 | 武汉路特斯汽车有限公司 | 一种评估智能驾驶系统能力的方法 |
CN114662252A (zh) * | 2022-02-25 | 2022-06-24 | 佳木斯大学 | 一种用于提高复杂网络化随机系统性能指标的方法 |
CN114662252B (zh) * | 2022-02-25 | 2022-10-18 | 佳木斯大学 | 一种用于提高复杂网络化随机系统性能指标的方法 |
CN114720148A (zh) * | 2022-03-23 | 2022-07-08 | 小米汽车科技有限公司 | 车辆感知能力的确定方法、装置、设备及存储介质 |
CN114755035A (zh) * | 2022-06-15 | 2022-07-15 | 中汽信息科技(天津)有限公司 | 一种基于车载终端的智能驾驶多维度测试方法 |
CN115457808A (zh) * | 2022-08-29 | 2022-12-09 | 集美大学 | 一种感知设备性能指标的论证方法、装置及存储介质 |
TWI824778B (zh) * | 2022-10-17 | 2023-12-01 | 財團法人車輛研究測試中心 | 具預期功能安全場景蒐集及自我更新的系統及其方法 |
CN116046417A (zh) * | 2023-04-03 | 2023-05-02 | 西安深信科创信息技术有限公司 | 自动驾驶感知局限测试方法、装置、电子设备及存储介质 |
CN116046417B (zh) * | 2023-04-03 | 2023-11-24 | 安徽深信科创信息技术有限公司 | 自动驾驶感知局限测试方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114021327A (zh) | 一种自动驾驶汽车感知系统性能量化评估方法 | |
CN109520744B (zh) | 自动驾驶车辆的驾驶性能测试方法和装置 | |
CN111506980B (zh) | 对虚拟驾驶环境生成交通场景的方法及装置 | |
CN110796007B (zh) | 场景识别的方法与计算设备 | |
CN110675656B (zh) | 一种基于瞬时风险识别的智能车辆换道预警方法 | |
US8160811B2 (en) | Method and system to estimate driving risk based on a hierarchical index of driving | |
CN110606093A (zh) | 车辆性能评测方法、装置、设备和存储介质 | |
CN112204346B (zh) | 用于确定车辆位置的方法 | |
CN112937591B (zh) | 驾驶安全监测方法、装置、设备及计算机可读存储介质 | |
CN109910880B (zh) | 车辆行为规划的方法、装置、存储介质和终端设备 | |
Jacob et al. | Vehicle trajectory analysis: an advanced tool for road safety | |
CN113935143A (zh) | 通过自主车辆的增加的严重性等级估计碰撞概率 | |
JP2019095836A (ja) | 診断システム | |
CN111079800A (zh) | 一种智能驾驶虚拟测试的加速方法及加速系统 | |
CN112711260A (zh) | 一种用于自动驾驶车辆误/漏识别的预期功能安全测试评价方法 | |
Nakamura et al. | Defining reasonably foreseeable parameter ranges using real-world traffic data for scenario-based safety assessment of automated vehicles | |
CN114475656A (zh) | 行驶轨迹预测方法、装置、电子设备以及存储介质 | |
CN112612288B (zh) | 一种用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法 | |
US11694544B2 (en) | Traffic safety control method and vehicle-mounted device | |
CN115270381A (zh) | 仿真场景生成方法、装置、自动驾驶设备及可读存储介质 | |
WO2023083116A1 (zh) | 安全因子的获取方法及相关装置 | |
Pribe et al. | Learning to associate observed driver behavior with traffic controls | |
CN117413257A (zh) | 用于测试车辆用司机辅助系统的方法和系统 | |
CN114881384A (zh) | 交通风险评估方法及装置 | |
Thal et al. | Generic detection and search-based test case generation of urban scenarios based on real driving data |
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 |