CN114047003B - 一种基于动态时间规整算法的人车差异性数据触发记录控制方法 - Google Patents
一种基于动态时间规整算法的人车差异性数据触发记录控制方法 Download PDFInfo
- Publication number
- CN114047003B CN114047003B CN202111576269.0A CN202111576269A CN114047003B CN 114047003 B CN114047003 B CN 114047003B CN 202111576269 A CN202111576269 A CN 202111576269A CN 114047003 B CN114047003 B CN 114047003B
- Authority
- CN
- China
- Prior art keywords
- deviation
- steering wheel
- data
- speed
- wheel angle
- 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
Images
Classifications
-
- 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
-
- 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
- B60W60/001—Planning or execution of driving tasks
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
Abstract
本发明公开了一种基于动态时间规整算法的人车差异性数据触发记录控制方法,涉及自动驾驶技术领域,进行驾驶员的操控输入和环境感知系统的信息输入;自动驾驶算法接收环境感知系统的感知结果,并计算输出期望加/减速度和期望方向盘转角;驾驶员的操控输入为油门/制动踏板开度和方向盘转角,通过一个标定好的模型,将驾驶员的踏板开度转化为加/减速度;本发明可实现对差异性数据的自动触发式记录,代替了传统方案中需要辅助人员介入的“人工标定、手动触发”方法;通过基于时间规整算法的差异性实时触发控制记录方法,可大大减少冗余的数据量,同时可提高数据挖掘的效率,从而降低时间成本与人力消耗。
Description
技术领域
本发明涉及自动驾驶技术领域,具体为一种基于动态时间规整算法的人车差异性数据触发记录控制方法。
背景技术
在自动驾驶系统的研发过程中,利用驾驶行为大数据作为驱动已成为国际主流的研究趋势。自动驾驶汽车凭借强大的环感系统获取道路交通环境数据、车辆行驶状态数据及驾驶员操控行为等数据已不成问题,然而,直接获取到的数据是海量的、冗余的、甚至是包含噪声的低质量数据,这样的数据对系统性能优化造成了较大的阻碍。
为了提升数据挖掘效率,同时尽可能地剔除冗余数据,此前,国内外各大车企和科技公司在进行自动驾驶系统测试及相关数据采集时,均配备了辅助测试人员,以“人工标定、手动触发”的方式记录人车控制指令差异性数据,这无疑增加了系统研发的时间成本与人力消耗,况且手动触发的精度也难以保证,近年来,随着汽车事件数据记录系统(EventData Recorder system,简写为EDR)的部署,研究人员在此基础上研发了一种自动驾驶汽车事件数据记录系统(Autopilot Data Recorder system,简写为ADR),ADR系统是由ADR设备、车载两线以太网网关、车载网联终端、视频记录设备及云平台5个部分组成,能自动侦听和采集自动驾驶控制器发出的指令数据并将不同数据写入各自的文件缓存中,在此背景下,我国为加强对汽车事件的成因分析取证,从而建立在事件发生时车辆与驾驶员等完整、可信的相关数据,工业和信息化部装备工业司组织行业机构、重点企业等单位研究开展了《汽车事件数据记录系统》强制性国家标准的制定,并将于2022年1月1日正式实施。该项国家标准中提出了“碰撞事件触发阈值”的概念,即当车辆达到某项触发阈值条件时,该事件才应被记录。同期相比,美国特斯拉公司于2019年提出了“影子模式(Shadow Mode)”并将该项技术植入其旗下自动驾驶产品Autopilot中,旨在记录后台虚拟运行的自动驾驶系统输出与真实驾驶员操控输出相悖的情况(以数据包的形式传送至云端)。与国内绝大多数自动驾驶研发机构相比,该项技术大大降低了数据采集成本并显著提高了数据采集的有效率。特斯拉出于提升Autopilot系统对不同场景的通过率的目的,影子模式所采集的差异性数据仅为人车控制指令存在严重程度偏差,这样的偏差计算也是粗略的、泛泛地。
因此,针对以上自动驾驶数据采集存在的问题,亟待开发一种自动触发式的人车差异性数据记录控制方法,从而降低传统数据采集所需的时间成本与人力消耗,同时也能大幅度地较少数据冗余量、提高数据挖掘效率,进而为自动驾驶系统的性能优化提供更有效的数据支持
发明内容
针对现有技术的不足,本发明提供了一种基于动态时间规整算法的人车差异性数据触发记录控制方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于动态时间规整算法的人车差异性数据触发记录控制方法,包括以下步骤:
S1、进行驾驶员的操控输入和环境感知系统的信息输入;
S2、自动驾驶算法接收环境感知系统的感知结果,并计算输出期望加/减速度和期望方向盘转角;
S3、驾驶员的操控输入为油门/制动踏板开度和方向盘转角,通过一个标定好的模型,将驾驶员的踏板开度转化为加/减速度;
S4、将自动驾驶系统输出的期望控制量和驾驶员输出的实际控制量,输入到控制指令偏差分析模型中;
S5、控制指令偏差分析模型基于动态时间规整算法计算自动驾驶系统和驾驶员的控制指令的差异程度,并将其与提前设置好的偏差阈值进行比较,若大于偏差阈值,则触发记录,否则不触发记录;
S6、经过该模型的触发筛选和记录,最终记录的数据即为人车控制指令差异性数据;
进一步优化本技术方案,所述偏差分析模型包括加(减)速度偏差计算和方向盘转角偏差计算两条进程。
进一步优化本技术方案,所述加(减)速度偏差计算:本模型会实时比对实际加(减)速度和期望加(减)速度两条控制指令序列的长度m和n,其分为下述两种情况。
(1)若m=n,则其偏差即为对应时刻的欧式平方距离之和,如下:
之后,比较偏差E与加(减)速度偏差阈值之间的关系;
(2)若m≠n,则计算两条加(减)速度指令序列间的距离矩阵D,D(i,j)的计算公式如下:
D(i,j)=(Ai-Bj)2
距离矩阵某一点的数值D(i,j)即代表,自动驾驶系统输出的第i个加(减)速度指令与驾驶员的第j个加(减)速度指令间的平方欧式距离,其中i,j的物理意义为时刻。
进一步优化本技术方案,求解长度L最小的规整路径W,定义规整路径W为从距离矩阵D左下角起始,至矩阵D右上角结束的一条路径;定义其长度L为路径W所经过的矩阵D上各点的数值之和,如下:
规整路径W的选取并非唯一,因此其长度L的数值并不唯一。
进一步优化本技术方案,两条加(减)速度序列间的偏差即为规整路径的长度L的最小值,因此,求解两条序列的偏差即可描述为对下述最优化问题的求解:
E=min(L)
最后,将求解得到的偏差E与设定的加(减)速度偏差阈值进行对比,若E大于加(减)速度偏差阈值,则触发记录前30s至当前的数据;若E小于或等于加(减)速度偏差阈值,则不触发记录。
进一步优化本技术方案,所述方向盘转角偏差计算:与加(减)速度偏差计算类似,本模型会实时比对实际方向盘转角和期望方向盘转角两条控指令序列的长度p和q,其分为下述两种情况;
(1)若p=q,则其偏差即为对应时刻的欧式平方距离之和,如下:
之后,比较偏差E与方向盘转角偏差阈值之间的关系;
(2)若m≠n,则计算两条方向盘转角指令序列间的距离矩阵D,距离矩阵D以数学的方式描述两条序列上各个时刻的方向盘转角的差异1距离矩阵某一点的数值D(i,j)即代表,自动驾驶系统输出的第i个方向盘转角指令与驾驶员的第j个方向盘转角指令间的平方欧式距离,其中i,j的物理意义为时刻,D(i,j)的计算公式如下:
D(i,j)=(Ai-Bj)2
之后,求解长度L最小的规整路径W,定义规整路径W为从距离矩阵D左下角起始,至矩阵D右上角结束的一条路径;定义其长度L为路径W所经过的矩阵D上各点的数值之和,如下:
规整路径W的选取并非唯一,因此其长度L的数值并不唯一。
进一步优化本技术方案,两条方向盘转角序列间的偏差即为规整路径的长度L的最小值,因此,求解两条序列的偏差即可描述为对下述最优化问题的求解:
E=min(L)
最后,将求解得到的偏差E与设定的方向盘转角偏差阈值进行对比,若E大于方向盘转角偏差阈值,则触发记录前30s至当前的数据;若E小于或等于方向盘转角偏差阈值,则不触发记录。
进一步优化本技术方案,所述偏差阈值选取:偏差阈值的选取包括加(减)速度偏差阈值选取和方向盘转角偏差阈值选取两部分。
进一步优化本技术方案,设计跟车直线加减速、跟车转弯、会车和封闭园区驾驶4种工况,共采集了6组加(减)速度数据和6组方向盘转角数据,通过对所采集数据的分析和处理,将加(减)速度偏差阈值和方向盘转角偏差阈值设定如下:
1):加(减)速度偏差阈值:6组数据中,人车加(减)速度偏差值的均值的1.5倍;
2):方向盘转角偏差阈值:6组数据中,人车方向盘转角偏差值的均值的1.2倍;
3):偏差阈值可根据实际对数据量的需要进行动态调节。
与现有技术相比,本发明提供了一种基于动态时间规整算法的人车差异性数据触发记录控制方法,具备以下有益效果:
1、该基于动态时间规整算法的人车差异性数据触发记录控制方法,本发明技术通过人车控制指令差异性触发模型,可实现对差异性数据的自动触发式记录,代替了传统方案中需要辅助人员介入的“人工标定、手动触发”方法。
2、该基于动态时间规整算法的人车差异性数据触发记录控制方法,本发明技术通过基于时间规整算法的差异性实时触发控制记录方法,可大大减少冗余的数据量,同时可提高数据挖掘的效率,从而降低时间成本与人力消耗。
附图说明
图1为本发明提出的一种基于动态时间规整算法的人车差异性数据触发记录控制方法的整体流程示意图;
图2为本发明提出的一种基于动态时间规整算法的人车差异性数据触发记录控制方法的基于动态时间规整算法的控制指令偏差分析模型技术流程图。
具体实施方式
下面将结合本发明的实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例:
请参考图1-2所示:本发明公开了一种基于动态时间规整算法的人车差异性数据触发记录控制方法,包括以下步骤:
S1、进行驾驶员的操控输入和环境感知系统的信息输入;
S2、自动驾驶算法接收环境感知系统的感知结果,并计算输出期望加/减速度和期望方向盘转角;
S3、驾驶员的操控输入为油门/制动踏板开度和方向盘转角,通过一个标定好的模型,将驾驶员的踏板开度转化为加/减速度;
S4、将自动驾驶系统输出的期望控制量和驾驶员输出的实际控制量,输入到控制指令偏差分析模型中;
S5、控制指令偏差分析模型基于动态时间规整算法计算自动驾驶系统和驾驶员的控制指令的差异程度,并将其与提前设置好的偏差阈值进行比较,若大于偏差阈值,则触发记录,否则不触发记录;
S6、经过该模型的触发筛选和记录,最终记录的数据即为人车控制指令差异性数据。
该偏差分析模型包括加(减)速度偏差计算和方向盘转角偏差计算两条进程,下面分别对两条进程详细介绍。
其中:加(减)速度偏差计算:
本模型会实时比对实际加(减)速度和期望加(减)速度两条控制指令序列的长度m和n,其分为下述两种情况。
(1)若m=n,则其偏差即为对应时刻的欧式平方距离之和,如下:
之后,比较偏差E与加(减)速度偏差阈值之间的关系。若E大于加(减)速度偏差阈值,则触发记录前30s至当前的数据;若E小于或等于加(减)速度偏差阈值,则认定当前自动驾驶系统输出的加(减)速度与驾驶员实际给出的加(减)速度不存在较大差异,不触发记录。
(2)若m≠n,则计算两条加(减)速度指令序列间的距离矩阵D。距离矩阵D以数学的方式描述两条序列上各个时刻的加(减)速度的差异。距离矩阵某一点的数值D(i,j)即代表,自动驾驶系统输出的第i个加(减)速度指令与驾驶员的第j个加(减)速度指令间的平方欧式距离,其中i,j的物理意义为时刻,D(i,j)的计算公式如下:
D(i,j)=(Ai-Bj)2
之后,求解长度L最小的规整路径W。定义规整路径W为从距离矩阵D左下角起始,至矩阵D右上角结束的一条路径;定义其长度L为路径W所经过的矩阵D上各点的数值之和,如下:
规整路径W的选取并非唯一,因此其长度L的数值并不唯一,两条加(减)速度序列间的偏差即为规整路径的长度L的最小值。因此,求解两条序列的偏差即可描述为对下述最优化问题的求解:
E=min(L)
最后,将求解得到的偏差E与设定的加(减)速度偏差阈值进行对比。若E大于加(减)速度偏差阈值,则触发记录前30s至当前的数据;若E小于或等于加(减)速度偏差阈值,则不触发记录。
其中:方向盘转角偏差计算:
与加(减)速度偏差计算类似,本模型会实时比对实际方向盘转角和期望方向盘转角两条控指令序列的长度p和q,其分为下述两种情况。
(1)若p=q,则其偏差即为对应时刻的欧式平方距离之和,如下:
之后,比较偏差E与方向盘转角偏差阈值之间的关系,若E大于方向盘转角偏差阈值,则触发记录前30s至当前的数据;若E小于或等于方向盘转角偏差阈值,则认定当前自动驾驶系统输出的方向盘转角与驾驶员实际给出的方向盘转角不存在较大差异,不触发记录。
(2)若m≠n,则计算两条方向盘转角指令序列间的距离矩阵D,距离矩阵D以数学的方式描述两条序列上各个时刻的方向盘转角的差异,距离矩阵某一点的数值D(i,j)即代表,自动驾驶系统输出的第i个方向盘转角指令与驾驶员的第j个方向盘转角指令间的平方欧式距离,其中i,j的物理意义为时刻。D(i,j)的计算公式如下:
D(i,j)=(Ai-Bj)2
之后,求解长度L最小的规整路径W。定义规整路径W为从距离矩阵D左下角起始,至矩阵D右上角结束的一条路径;定义其长度L为路径W所经过的矩阵D上各点的数值之和,如下:
规整路径W的选取并非唯一,因此其长度L的数值并不唯一。两条方向盘转角序列间的偏差即为规整路径的长度L的最小值。因此,求解两条序列的偏差即可描述为对下述最优化问题的求解:
E=min(L)
最后,将求解得到的偏差E与设定的方向盘转角偏差阈值进行对比。若E大于方向盘转角偏差阈值,则触发记录前30s至当前的数据;若E小于或等于方向盘转角偏差阈值,则不触发记录。
其中:偏差阈值选取:
偏差阈值的选取包括加(减)速度偏差阈值选取和方向盘转角偏差阈值选取两部分。
本发明设计了跟车直线加减速、跟车转弯、会车和封闭园区驾驶等4种工况,共采集了6组加(减)速度数据和6组方向盘转角数据,通过对所采集数据的分析和处理,本发明将加(减)速度偏差阈值和方向盘转角偏差阈值设定如下:
1):加(减)速度偏差阈值:6组数据中,人车加(减)速度偏差值的均值的1.5倍;
2):方向盘转角偏差阈值:6组数据中,人车方向盘转角偏差值的均值的1.2倍;
3):偏差阈值可根据实际对数据量的需要进行动态调节。
本发明的有益效果是:
1、该基于动态时间规整算法的人车差异性数据触发记录控制方法,本发明技术通过人车控制指令差异性触发模型,可实现对差异性数据的自动触发式记录,代替了传统方案中需要辅助人员介入的“人工标定、手动触发”方法。
2、该基于动态时间规整算法的人车差异性数据触发记录控制方法,本发明技术通过基于时间规整算法的差异性实时触发控制记录方法,可大大减少冗余的数据量,同时可提高数据挖掘的效率,从而降低时间成本与人力消耗。
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 (3)
1.一种基于动态时间规整算法的人车差异性数据触发记录控制方法,其特征在于,包括以下步骤:
S1、进行驾驶员的操控输入和环境感知系统的信息输入;
S2、自动驾驶算法接收环境感知系统的感知结果,并计算输出期望加/减速度和期望方向盘转角;
S3、驾驶员的操控输入为油门/制动踏板开度和方向盘转角,通过一个标定好的模型,将驾驶员的踏板开度转化为加/减速度;
S4、将自动驾驶系统输出的期望控制量和驾驶员输出的实际控制量,输入到控制指令偏差分析模型中;
S5、控制指令偏差分析模型基于动态时间规整算法计算自动驾驶系统和驾驶员的控制指令的差异程度,并将其与提前设置好的偏差阈值进行比较,若大于偏差阈值,则触发记录,否则不触发记录;
S6、经过该模型的触发筛选和记录,最终记录的数据即为人车控制指令差异性数据;
所述偏差分析模型包括加(减)速度偏差计算和方向盘转角偏差计算两条进程;
所述加(减)速度偏差计算:本模型会实时比对实际加(减)速度和期望加(减)速度两条控制指令序列的长度m和n,其分为下述两种情况:
(1)若m=n,则其偏差即为对应时刻的欧式平方距离之和,如下:
之后,比较偏差E与加(减)速度偏差阈值之间的关系;
(2)若m≠n,则计算两条加(减)速度指令序列间的距离矩阵D,D(i,j)的计算公式如下:
D(i,j)=(Ai-Bj)2
距离矩阵某一点的数值D(i,j)即代表,自动驾驶系统输出的第i个加(减)速度指令与驾驶员的第j个加(减)速度指令间的平方欧式距离,其中i,j的物理意义为时刻;
求解长度L最小的规整路径W,定义规整路径W为从距离矩阵D左下角起始,至矩阵D右上角结束的一条路径;定义其长度L为路径W所经过的矩阵D上各点的数值之和,如下:
规整路径W的选取并非唯一,因此其长度L的数值并不唯一;
两条加(减)速度序列间的偏差即为规整路径的长度L的最小值,因此,求解两条序列的偏差即可描述为对下述最优化问题的求解:
E=min(L)
最后,将求解得到的偏差E与设定的加(减)速度偏差阈值进行对比,若E大于加(减)速度偏差阈值,则触发记录前30s至当前的数据;若E小于或等于加(减)速度偏差阈值,则不触发记录;
所述方向盘转角偏差计算:与加(减)速度偏差计算类似,本模型会实时比对实际方向盘转角和期望方向盘转角两条控指令序列的长度p和q,其分为下述两种情况;
(1)若p=q,则其偏差即为对应时刻的欧式平方距离之和,如下:
之后,比较偏差E与方向盘转角偏差阈值之间的关系;
(2)若m≠n,则计算两条方向盘转角指令序列间的距离矩阵D,距离矩阵D以数学的方式描述两条序列上各个时刻的方向盘转角的差异1距离矩阵某一点的数值D(i,j)即代表,自动驾驶系统输出的第i个方向盘转角指令与驾驶员的第j个方向盘转角指令间的平方欧式距离,其中i,j的物理意义为时刻,D(i,j)的计算公式如下:
D(i,j)=(Ai-Bj)2
之后,求解长度L最小的规整路径W,定义规整路径W为从距离矩阵D左下角起始,至矩阵D右上角结束的一条路径;定义其长度L为路径W所经过的矩阵D上各点的数值之和,如下:
规整路径W的选取并非唯一,因此其长度L的数值并不唯一;
两条方向盘转角序列间的偏差即为规整路径的长度L的最小值,因此,求解两条序列的偏差即可描述为对下述最优化问题的求解:
E=min(L)
最后,将求解得到的偏差E与设定的方向盘转角偏差阈值进行对比,若E大于方向盘转角偏差阈值,则触发记录前30s至当前的数据;若E小于或等于方向盘转角偏差阈值,则不触发记录。
2.根据权利要求1所述的一种基于动态时间规整算法的人车差异性数据触发记录控制方法,其特征在于,所述偏差阈值选取:偏差阈值的选取包括加(减)速度偏差阈值选取和方向盘转角偏差阈值选取两部分。
3.根据权利要求1所述的一种基于动态时间规整算法的人车差异性数据触发记录控制方法,其特征在于,设计跟车直线加减速、跟车转弯、会车和封闭园区驾驶4种工况,共采集了6组加(减)速度数据和6组方向盘转角数据,通过对所采集数据的分析和处理,将加(减)速度偏差阈值和方向盘转角偏差阈值设定如下:
1):加(减)速度偏差阈值:6组数据中,人车加(减)速度偏差值的均值的1.5倍;
2):方向盘转角偏差阈值:6组数据中,人车方向盘转角偏差值的均值的1.2倍;
3):偏差阈值可根据实际对数据量的需要进行动态调节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111576269.0A CN114047003B (zh) | 2021-12-22 | 2021-12-22 | 一种基于动态时间规整算法的人车差异性数据触发记录控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111576269.0A CN114047003B (zh) | 2021-12-22 | 2021-12-22 | 一种基于动态时间规整算法的人车差异性数据触发记录控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114047003A CN114047003A (zh) | 2022-02-15 |
CN114047003B true CN114047003B (zh) | 2023-07-14 |
Family
ID=80213227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111576269.0A Active CN114047003B (zh) | 2021-12-22 | 2021-12-22 | 一种基于动态时间规整算法的人车差异性数据触发记录控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114047003B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116168350B (zh) * | 2023-04-26 | 2023-06-27 | 四川路桥华东建设有限责任公司 | 基于物联网实现施工人员违规行为的智能监测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013019424A1 (de) * | 2013-11-20 | 2015-05-21 | Audi Ag | Verfahren zum Betrieb eines Fahrzeugsystems zur Überwachung eines Fahrers und Kraftfahrzeug |
DE102014018450A1 (de) * | 2014-12-12 | 2016-06-16 | Audi Ag | Verfahren und System zum Trainieren des Fahrverhaltens von Kfz-Fahrern |
JP2021046063A (ja) * | 2019-09-18 | 2021-03-25 | 三菱電機株式会社 | 自動運転制御装置および自動運転制御方法 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111247565B (zh) * | 2017-09-06 | 2022-06-03 | 瑞士再保险有限公司 | 用于移动远程信息处理装置的电子日志记录和跟踪检测系统及其对应方法 |
US11022971B2 (en) * | 2018-01-16 | 2021-06-01 | Nio Usa, Inc. | Event data recordation to identify and resolve anomalies associated with control of driverless vehicles |
CN111216792B (zh) * | 2018-11-26 | 2021-07-30 | 广州汽车集团股份有限公司 | 一种自动驾驶车辆状态监测系统及方法、汽车 |
CN109710658A (zh) * | 2018-12-10 | 2019-05-03 | 百度在线网络技术(北京)有限公司 | 自动驾驶评测方法、装置及设备 |
CN109597317B (zh) * | 2018-12-26 | 2022-03-18 | 广州小鹏汽车科技有限公司 | 一种基于自学习的车辆自动驾驶方法、系统及电子设备 |
CN109808613A (zh) * | 2019-01-23 | 2019-05-28 | 征辕科技(宁波)有限公司 | 智能驾驶系统行车事件评估检测方法 |
CN110069064B (zh) * | 2019-03-19 | 2021-01-29 | 驭势科技(北京)有限公司 | 一种自动驾驶系统升级的方法、自动驾驶系统及车载设备 |
CN110264586A (zh) * | 2019-05-28 | 2019-09-20 | 浙江零跑科技有限公司 | L3级自动驾驶系统道路驾驶数据采集、分析及上传方法 |
CN110174885B (zh) * | 2019-06-05 | 2021-04-27 | 福建盛海智能科技有限公司 | 一种无人驾驶车辆的快速诊断方法及终端 |
WO2021063486A1 (en) * | 2019-10-01 | 2021-04-08 | Huawei Technologies Co., Ltd. | Automatic root cause analysis of failures in autonomous vehicle |
CN110928918B (zh) * | 2019-11-13 | 2022-07-05 | 深圳大学 | 时间序列数据组成模式的提取方法、装置及终端设备 |
CN112172832B (zh) * | 2020-09-30 | 2022-01-07 | 英博超算(南京)科技有限公司 | 一种可监控驾驶员安全状态的自动驾驶系统 |
CN114661574A (zh) * | 2020-12-23 | 2022-06-24 | 北京百度网讯科技有限公司 | 样本偏差数据的获取方法、装置和电子设备 |
CN112805724B (zh) * | 2021-01-08 | 2022-05-13 | 华为技术有限公司 | 车辆驾驶场景识别方法及装置 |
CN113602287B (zh) * | 2021-08-13 | 2024-01-26 | 吉林大学 | 一种面向低驾龄驾驶员的人机共驾系统 |
CN113706741B (zh) * | 2021-10-28 | 2021-12-28 | 江苏嘉胜汽车制造有限公司 | 一种具有辅助驾驶设备的汽车的数据记录方法及系统 |
-
2021
- 2021-12-22 CN CN202111576269.0A patent/CN114047003B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013019424A1 (de) * | 2013-11-20 | 2015-05-21 | Audi Ag | Verfahren zum Betrieb eines Fahrzeugsystems zur Überwachung eines Fahrers und Kraftfahrzeug |
DE102014018450A1 (de) * | 2014-12-12 | 2016-06-16 | Audi Ag | Verfahren und System zum Trainieren des Fahrverhaltens von Kfz-Fahrern |
JP2021046063A (ja) * | 2019-09-18 | 2021-03-25 | 三菱電機株式会社 | 自動運転制御装置および自動運転制御方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114047003A (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106840097B (zh) | 一种基于自适应扩展卡尔曼滤波的道路坡度估计方法 | |
CN109871599B (zh) | 一种无人驾驶车辆运行安全指数评价方法 | |
CN101916311B (zh) | 轨道交通自动驾驶系统模型开发与仿真测试系统与方法 | |
CN113002555B (zh) | 一种数字孪生驱动的智能线控底盘系统及其故障诊断方法 | |
CN114047003B (zh) | 一种基于动态时间规整算法的人车差异性数据触发记录控制方法 | |
CN111724603B (zh) | 基于交通轨迹数据的cav状态判定方法、装置、设备及介质 | |
CN104875731A (zh) | 一种使用卫星定位数据实时辨识车辆急加速或急减速的方法 | |
CN109278806B (zh) | 基于站停结果的ato自学习自适应精确站停系统及方法 | |
CN109992884B (zh) | 基于最差场景搜索的自动驾驶车辆功能测评方法 | |
CN111159642B (zh) | 一种基于粒子滤波的在线轨迹预测方法 | |
CN112509328B (zh) | 一种交叉口右转机动车与电动自行车冲突行为分析方法 | |
CN116108717A (zh) | 一种基于数字孪生的交通运输设备运行预测方法及装置 | |
CN112883500B (zh) | 一种基于故障注入的智能车辆系统早期功能安全评估方法 | |
CN110509925B (zh) | 一种基于车联网数据的急转弯识别方法 | |
CN113291311B (zh) | 一种紧急避撞工况下驾驶员异常行为检测方法及存储介质 | |
CN113147772B (zh) | 一种半挂汽车列车全工况铰接角度状态估计方法 | |
CN115018353A (zh) | 一种异质交通流下的智能网联汽车决策规划方法 | |
CN114620034A (zh) | 一种自动泊车的轨迹动态规划方法、系统、设备及介质 | |
CN115923813B (zh) | 一种基于速度急变特征的驾驶行为分析方法及系统 | |
CN112528568A (zh) | 一种基于K-Means和BP神经网络的路感模拟方法 | |
CN113158415B (zh) | 一种基于误差分析的车辆轨迹相似度评估方法 | |
CN112455439A (zh) | 基无人驾驶车辆环境认知及决策控制方法、系统及车辆 | |
CN114357624B (zh) | 一种基于二阶线性微分跟踪器和参数双线性模型的车重估计算法 | |
CN113428168B (zh) | 一种自动驾驶车辆控制方法、系统、介质及汽车 | |
CN114942590B (zh) | 一种基于模糊控制的方程式赛车的横向控制方法及装置 |
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 |