CN114169083A - 一种自动紧急刹车系统数据分析方法、装置、设备、介质 - Google Patents

一种自动紧急刹车系统数据分析方法、装置、设备、介质 Download PDF

Info

Publication number
CN114169083A
CN114169083A CN202210126811.0A CN202210126811A CN114169083A CN 114169083 A CN114169083 A CN 114169083A CN 202210126811 A CN202210126811 A CN 202210126811A CN 114169083 A CN114169083 A CN 114169083A
Authority
CN
China
Prior art keywords
vehicle
data
obstacle
test data
distance
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
Application number
CN202210126811.0A
Other languages
English (en)
Other versions
CN114169083B (zh
Inventor
薛婉莹
刘国清
杨广
王启程
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Youjia Innovation Technology Co.,Ltd.
Original Assignee
Shenzhen Minieye Innovation Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Minieye Innovation Technology Co Ltd filed Critical Shenzhen Minieye Innovation Technology Co Ltd
Priority to CN202210126811.0A priority Critical patent/CN114169083B/zh
Publication of CN114169083A publication Critical patent/CN114169083A/zh
Application granted granted Critical
Publication of CN114169083B publication Critical patent/CN114169083B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Regulating Braking Force (AREA)

Abstract

本申请涉及自动驾驶技术领域，尤其是涉及一种自动紧急刹车系统数据分析方法、装置、设备、介质，其方法包括对相同数据格式的硬件在环测试数据和实车测试数据进行标签化处理；模拟车辆自动紧急刹车系统的触发和制动过程，并获得车辆停止时与障碍物的距离；判断距离与预设的制动停止时与障碍物的理想距离的大小；当车辆停止时与障碍物的距离小于制动停止时与障碍物的理想距离时，计算制动停止时与障碍物的理想距离与车辆停止时与障碍物的距离的差值，并求解差值与制动停止时与障碍物的理想距离的比值的百分比。解决了硬件在环测试数据及实车验证测试数据分析时的后滞性和低效率问题。本申请具有改善后滞性和提高效率的效果。

Description

一种自动紧急刹车系统数据分析方法、装置、设备、介质
技术领域
本申请涉及自动驾驶技术领域，尤其是涉及一种自动紧急刹车系统数据分析方法、装置、设备、介质。
背景技术
AEB(Autonomous Emergency Braking，自动紧急制动)是一种汽车主动安全技术，通过采用摄像头、雷达等感知传感器测得主车与前车或者障碍物的距离，然后利用数据分析模块将测得的距离与警报距离、安全距离进行比较，小于警报距离时进行警报提示，而小于安全距离时即使在驾驶员没有来得及踩制动踏板的情况下，AEB系统也会启动，使汽车自动制动，从而为安全出行保驾护航。目前，车辆AEB功能研发中需进行大量仿真、硬件在环测试及实车验证测试，其中产生的过程数据量庞大，且数据质量不能保证，需要进行大量的数据预处理与清洗工作，同时，涉及庞大繁琐的数据处理以及分析工作，需要花费大量的人力、物力与财力。
现有的AEB开发工具仅能从数据采集、仿真等方面进行自动化，针对采集后的数据进行硬件在环测试及实车验证测试的分析方法主要由人为手动分析，使得数据处理与分析存在后滞性和低效率问题，导致从数据采集、数据处理、到数据分析整个研发闭环的时间变长，不利于产品和功能的迭代更新。
针对上述中的相关技术，发明人认为现有的AEB开发工具进行硬件在环测试及实车验证测试时存在有分析方式存在后滞性和低效率的缺陷，不利于产品和功能的迭代更新。
发明内容
为了改善AEB开发工具进行硬件在环测试及实车验证测试时的后滞性和效率问题，本申请提供了一种自动紧急刹车系统数据分析方法、装置、设备、介质。
第一方面，本申请提供一种自动紧急刹车系统数据分析方法，具有改善AEB开发工具进行硬件在环测试及实车验证测试时的后滞性和效率问题的特点。
本申请是通过以下技术方案得以实现的：
一种自动紧急刹车系统数据分析方法，包括以下步骤：
获取硬件在环测试数据和实车测试数据；
判断所述硬件在环测试数据和所述实车测试数据的数据格式，且当不满足条件时，将所述硬件在环测试数据和所述实车测试数据转换为预设格式的数据，获得相同数据格式的硬件在环测试数据和实车测试数据；
基于障碍物类别信息、速度信息、障碍物横向位置信息，对相同数据格式的所述硬件在环测试数据和所述实车测试数据进行标签化处理，以分类相同数据格式的硬件在环测试数据和实车测试数据；
根据分类的相同数据格式的所述硬件在环测试数据和所述实车测试数据，模拟车辆自动紧急刹车系统的触发和制动过程，并获得车辆停止时与障碍物的距离；
判断所述距离与预设的制动停止时与障碍物的理想距离的大小；
当车辆停止时与障碍物的距离小于制动停止时与障碍物的理想距离时，计算制动停止时与障碍物的理想距离与车辆停止时与障碍物的距离的差值，并求解所述差值与制动停止时与障碍物的理想距离的比值的百分比，以求解的所述百分比作为AEB避撞性能值。
本申请在一较佳示例中可以进一步配置为：还包括以下步骤：
当车辆停止时与障碍物的距离大于制动停止时与障碍物的理想距离时，所述AEB避撞性能值为0。
本申请在一较佳示例中可以进一步配置为：所述获得车辆停止时与障碍物的距离的步骤的同时，还包括：
获得车辆开始制动时与障碍物的距离、车辆停止时的时间和发出制动请求时间，
基于车辆开始制动时与障碍物的距离和车辆停止时与障碍物的距离的差值、车辆停止时的时间和发出制动请求时间的差值和预设的请求减速度，计算预期制动效果的差值；
当计算的预期制动效果的差值为负，则车辆实际制动距离不足。
本申请在一较佳示例中可以进一步配置为：还包括以下步骤：
当计算的预期制动效果的差值的绝对值大于或等于预设的制动阈值时，则车辆的执行器性能较差。
本申请在一较佳示例中可以进一步配置为：所述获得车辆停止时与障碍物的距离的步骤的同时，还包括：
获得FCW\ABA\AWB\AEB触发信号、对应FCW\ABA\AWB\AEB触发信号的触发时间和维持时间、请求减速度，自动分析AEB算法的逻辑正确性。
本申请在一较佳示例中可以进一步配置为：所述获得车辆停止时与障碍物的距离的步骤的同时，还包括：
获得制动过程中速度、加速度、加速度变化趋势、车辆执行器响应延迟时间、执行器响应的稳定性，自动分析AEB算法与车辆底层执行器的兼容性。
本申请在一较佳示例中可以进一步配置为：所述对相同数据格式的所述硬件在环测试数据和所述实车测试数据进行标签化处理的步骤前，还包括以下步骤：根据数据采集时间、数据质量、是否触发AEB功能、是否有障碍物和AEB触发后车辆情况的维度，对相同数据格式的所述硬件在环测试数据和所述实车测试数据进行筛选，滤除无效和重复的相同数据格式的所述硬件在环测试数据和所述实车测试数据。
本申请在一较佳示例中可以进一步配置为：所述AEB触发后车辆情况包括：
通过对比AEB触发指标与车辆响应的一致性，判断是否有人为介入，且若有人为介入，则数据无效；
通过判断车辆是否处于稳态，若车辆产生横向偏移达到预设条件，则数据无效。
第二方面，本申请提供一种自动紧急刹车系统数据分析装置，具有改善AEB开发工具进行硬件在环测试及实车验证测试时的后滞性和效率问题的特点。
本申请是通过以下技术方案得以实现的：
一种自动紧急刹车系统数据分析装置，包括：数据获取模块，用于获取硬件在环测试数据和实车测试数据；
数据转换模块，用于判断所述硬件在环测试数据和所述实车测试数据的数据格式，且当不满足条件时，将所述硬件在环测试数据和所述实车测试数据转换为预设格式的数据，获得相同数据格式的硬件在环测试数据和实车测试数据；
标签化处理模块，用于基于障碍物类别信息、速度信息、障碍物横向位置信息，对相同数据格式的所述硬件在环测试数据和所述实车测试数据进行标签化处理，以分类相同数据格式的硬件在环测试数据和实车测试数据；
模拟模块，用于根据分类的相同数据格式的所述硬件在环测试数据和所述实车测试数据，模拟车辆自动紧急刹车系统的触发和制动过程，并获得车辆停止时与障碍物的距离；
避撞性能分析模块，用于判断所述距离与预设的制动停止时与障碍物的理想距离的大小；且当车辆停止时与障碍物的距离小于制动停止时与障碍物的理想距离时，计算制动停止时与障碍物的理想距离与车辆停止时与障碍物的距离的差值，并求解所述差值与制动停止时与障碍物的理想距离的比值的百分比，以求解的所述百分比作为AEB避撞性能值。
第三方面，本申请提供一种计算机设备，具有改善AEB开发工具进行硬件在环测试及实车验证测试时的后滞性和效率问题的特点。
本申请是通过以下技术方案得以实现的：
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种自动紧急刹车系统数据分析方法的步骤。
第四方面，本申请提供一种计算机可读存储介质，具有改善AEB开发工具进行硬件在环测试及实车验证测试时的后滞性和效率问题的特点。
本申请是通过以下技术方案得以实现的：
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述一种自动紧急刹车系统数据分析方法的步骤。
第五方面，本申请提供一种计算机程序产品，具有改善AEB开发工具进行硬件在环测试及实车验证测试时的后滞性和效率问题的特点。
本申请是通过以下技术方案得以实现的：
一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述一种自动紧急刹车系统数据分析方法的步骤。
综上所述，本申请包括以下至少一种有益技术效果：
1、对获取的硬件在环测试数据和实车测试数据进行数据格式判断，以预处理硬件在环测试数据和实车测试数据，获得相同数据格式的硬件在环测试数据和实车测试数据，便于后续的数据处理与分析；基于障碍物类别信息、速度信息、障碍物横向位置信息，对相同数据格式的硬件在环测试数据和实车测试数据进行标签化处理、分类，以使硬件在环测试数据和实车测试数据分别对应CNCAP不同速度和偏置状态下的测试场景，直观化硬件在环测试数据和实车测试数据在对应测试场景下的测试情况，便于后续的数据分析；根据分类的相同数据格式的硬件在环测试数据和实车测试数据，模拟车辆自动紧急刹车系统的触发和制动过程，获得车辆停止时与障碍物的距离，并判断该距离与预设的制动停止时与障碍物的理想距离的大小，以基于判断结果，自动化分析AEB的避撞性能，无需人手分析，自动化完成数据分析处理工作，改善了AEB开发工具进行硬件在环测试及实车验证测试时的后滞性，提高了数据分析的效率，缩短了从数据采集、到数据处理、以及数据分析整个研发闭环的时间，有利于产品和功能的迭代更新；同时，提高了AEB算法在研发过程中的功能监测，使算法评估更加量化，进而满足实际的量产需求；
2、基于获得的车辆开始制动时与障碍物的距离和车辆停止时与障碍物的距离的差值、车辆停止时的时间和发出制动请求时间的差值和预设的请求减速度，计算预期制动效果的差值，以根据差值结果自动化分析AEB的制动性能，无需人手分析，自动化完成数据分析处理工作，改善了AEB开发工具进行硬件在环测试及实车验证测试时的后滞性，提高了数据分析的效率，缩短了从数据采集、到数据处理、以及数据分析整个研发闭环的时间，有利于产品和功能的迭代更新；同时，提高了AEB算法在研发过程中的功能监测，使算法评估更加量化，进而满足实际的量产需求。
附图说明
图1是本申请其中一实施例一种自动紧急刹车系统数据分析方法的流程示意图。
图2是车辆制动性能的自动化分析流程图。
图3是本申请其中一实施例一种自动紧急刹车系统数据分析装置的结构框图。
具体实施方式
本具体实施例仅仅是对本申请的解释，其并不是对本申请的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
参照图1，本申请实施例提供一种自动紧急刹车系统数据分析方法，所述方法的主要步骤描述如下。
S1：获取硬件在环测试数据和实车测试数据；
S2：判断硬件在环测试数据和实车测试数据的数据格式，且当不满足条件时，将硬件在环测试数据和实车测试数据转换为预设格式的数据，获得相同数据格式的硬件在环测试数据和实车测试数据；
S3：基于障碍物类别信息、速度信息、障碍物横向位置信息，对相同数据格式的硬件在环测试数据和实车测试数据进行标签化处理，以分类相同数据格式的硬件在环测试数据和实车测试数据；
S41：根据分类的相同数据格式的硬件在环测试数据和实车测试数据，模拟车辆自动紧急刹车系统的触发和制动过程，并获得车辆停止时与障碍物的距离；
S5：判断距离与预设的制动停止时与障碍物的理想距离的大小；
S61：当车辆停止时与障碍物的距离小于制动停止时与障碍物的理想距离时，计算制动停止时与障碍物的理想距离与车辆停止时与障碍物的距离的差值，并求解差值与制动停止时与障碍物的理想距离的比值的百分比，以求解的百分比作为AEB避撞性能值。
进一步地，S62：当车辆停止时与障碍物的距离大于制动停止时与障碍物的理想距离时，AEB避撞性能值为0。
进一步地，S3：对相同数据格式的硬件在环测试数据和实车测试数据进行标签化处理的步骤前，还包括以下步骤：S21：根据数据采集时间、数据质量、是否触发AEB功能、是否有障碍物和AEB触发后车辆情况的维度，对相同数据格式的硬件在环测试数据和实车测试数据进行筛选，滤除无效和重复的相同数据格式的硬件在环测试数据和实车测试数据。
进一步地，AEB触发后车辆情况包括：
通过对比AEB触发指标与车辆响应的一致性，判断是否有人为介入，且若有人为介入，则数据无效；
通过判断车辆是否处于稳态，若车辆产生横向偏移达到预设条件，则数据无效。
进一步地，参照图2，S41：获得车辆停止时与障碍物的距离的步骤的同时，还包括：
S421：获得车辆开始制动时与障碍物的距离、车辆停止时的时间和发出制动请求时间；
S422：基于车辆开始制动时与障碍物的距离和车辆停止时与障碍物的距离的差值、车辆停止时的时间和发出制动请求时间的差值和预设的请求减速度，计算预期制动效果的差值；
S423：当计算的预期制动效果的差值为负，则车辆实际制动距离不足。
进一步地，S424：当计算的预期制动效果的差值的绝对值大于或等于预设的制动阈值时，则车辆的执行器性能较差。
进一步地，S41：获得车辆停止时与障碍物的距离的步骤的同时，还包括：
获得FCW\ABA\AWB\AEB触发信号、对应FCW\ABA\AWB\AEB触发信号的触发时间和维持时间、请求减速度，自动分析AEB算法的逻辑正确性。
进一步地，S41：获得车辆停止时与障碍物的距离的步骤的同时，还包括：
获得制动过程中速度、加速度、加速度变化趋势、车辆执行器响应延迟时间、执行器响应的稳定性，自动分析AEB算法与车辆底层执行器的兼容性。
具体地，上述各个实施例的流程步骤描述如下：
CNCAP（China New Car Assessment Programme，中国新车评价规范）通过选取在交通事故中伤亡占比较高的形态作为测试场景，以定性、定量相结合的方式，尽可能做到评测的全面性，以满足大众对车辆安全的需求。
本申请在CNCAP原有场景的基础上，新增了误触发场景，包括车辆误触发场景和行人误触发场景，以在验证AEB触发功能性的同时，满足功能测试需求，提高算法开发的完备性，进而降低AEB算法的误触发率。
车辆误触发场景包括邻道车辆FCW（Forward Collision Warning，前向碰撞预警）误报警和AEB场景设置。
基于道路行人运动特性、可能误触发情况以及目前CNCAP测试条例，设计行人误触发场景。行人误触发场景的关键点主要在于行人的横向和纵向运动。其中，横向运动主要考虑行人在横穿时的起停动作，纵向运动主要考虑车辆沿车道线边缘的运动。故有利于满足AEB功能的量产需求，满足行人AEB的前期开发需求。
接着，搭建包括CNCAP测试场景、车辆误触发场景和行人误触发场景的AEB仿真场景。本实施例中，联合Prescan、Carsim、Simulink以完成仿真模型和场景的搭建。Prescan为场景搭建工具，Carsim可以模拟真实的车辆动力学模型，Simulink则可以搭建AEB算法，联合三者可以完成AEB整体软件仿真测试的工程。进而利于基于MIL、HIL与实车场景，开发一套适用于CNCAP评价指标和批量分析程序，以自动化处理AEB仿真测试分析中的数据并得到CNCAP评价结果。
基于搭建的不同的AEB仿真场景，分别生成仿真数据、硬件在环测试数据和实车测试数据。
仿真数据包括传感器感知数据、车辆状态数据和车辆执行器响应数据等。本实施例中，仿真数据的数据格式可以为.mat。
硬件在环测试数据是基于HIL（Hardware-in-the-Loop，硬件在环仿真测试系统）平台，借助摄像头、虚拟或者真实采集场景，并结合控制算法进行硬件在环测试产生，以实时处理器运行仿真模型来模拟受控对象的运行状态，其数据格式为log.txt，数据类型与MIL（Model in the Loop，模型在环测试）仿真数据一致。
实车测试数据是由摄像头感知算法、真实场景、控制算法以及整车执行测试产生的数据，其数据格式为log.txt，数据类型与MIL仿真数据保持一致。
对仿真数据、硬件在环测试数据和实车测试数据进行数据解析与甄别，判断硬件在环测试数据和实车测试数据的数据格式，且当不满足条件时，将硬件在环测试数据和实车测试数据转换为预设格式的数据，获得相同数据格式的硬件在环测试数据和实车测试数据。
本实施例中，以仿真数据的数据格式.mat作为预设数据格式，通过分别读取仿真数据、硬件在环测试数据和实车测试数据的数据格式信息，并检验数据的数据格式。如果为.txt格式，即不满足条件，将对应的数据格式则转化成.mat文件；如果为.mat文件，即满足条件，则跳过，不对数据做处理。进而将硬件在环测试数据和实车测试数据的数据格式转换为仿真数据的数据格式，获得相同数据格式的硬件在环测试数据和实车测试数据，以适应多种测试结果的数据分析，对多种数据格式类型的数据源兼容。
接着，对相同数据格式的仿真数据、硬件在环测试数据和实车测试数据进行筛选，滤除无效和重复的数据，以获得有效数据集用于后续数据分析。
具体地，根据数据采集时间、数据质量、是否触发AEB功能、是否有障碍物和AEB触发后车辆情况的维度，对相同数据格式的仿真数据、硬件在环测试数据和实车测试数据进行筛选，以滤除无效和重复的相同数据格式的仿真数据、硬件在环测试数据和实车测试数据。
其中，数据采集时间从时间维度上对数据进行筛选，本实施例中，对采集时间少于1分钟的数据，或车辆采集时间未与感知采集时间同步的数据进行数据过滤，以将不满足条件的重复或无效的数据滤除。
数据质量从车辆数据采集质量维度上对数据进行筛选，本实施例中，对采集速度为空或发生信号跳变的数据进行滤除，去掉无效数据。
是否触发AEB功能从关键指标维度上对数据进行筛选，本实施例中，若AEB或FCW功能未触发，或整体触发逻辑不合理时，将对应的采集到仿真数据、硬件在环测试数据和实车测试数据进行滤除。
是否有障碍物从检测目标维度上对数据进行筛选，本实施例中，若未检测到目标或者关键目标丢失，则对应的数据默认为无效并删除。
AEB触发后车辆情况从场景标准维度上对数据进行筛选，本实施例中，通过对比AEB触发指标与车辆响应的一致性，判断是否有人为介入，且若有人为介入，则数据无效，将对应数据删除；同时，通过判断车辆是否处于稳态，若车辆产生横向偏移达到预设条件，则数据无效，将对应数据删除。
基于障碍物类别信息、速度信息、障碍物横向位置信息，对筛选后的相同数据格式的仿真数据、硬件在环测试数据和实车测试数据进行标签化处理，使得仿真数据、硬件在环测试数据和实车测试数据分别对应CNCAP不同速度和偏置状态下的车辆的前车静止试验CCRs/前车慢行试验CCRm/前车制动试验CCRb、行人远端穿行CPFA/行人近端穿行CPNA/行人前方直行CPLA、二轮车的自行车近端穿行CBNA/踏板式摩托车远端穿行CSFA/自行车纵行直行CBLA测试场景下，以基于不同测试场景，按目标类别、速度信息、目标的横向位置信息等，分类相同数据格式的仿真数据、硬件在环测试数据和实车测试数据。
紧接着，对分类的相同数据格式的仿真数据、硬件在环测试数据和实车测试数据进行自动化分析。
首先，基于分类的相同数据格式的仿真数据、硬件在环测试数据和实车测试数据，模拟车辆自动紧急刹车系统的触发和制动过程，并获得车辆停止时与障碍物的距离、车辆开始制动时与障碍物的距离、车辆停止时的时间、发出制动请求时间、FCW\ABA\AWB\AEB触发信号、对应FCW\ABA\AWB\AEB触发信号的触发时间和维持时间、请求减速度、制动过程中速度、加速度、加速度变化趋势、车辆执行器响应延迟时间、执行器响应的稳定性。其中，车辆触发时间TTC，即系统能够采集到的值，例如TTC<4s；触发距离，即AEB信号从0到1跳变时与前车的距离；车辆执行器响应延迟时间，即从指令发出去到底层执行器执行的延迟时间。
基于车辆停止时与障碍物的距离，判断该距离与预设的制动停止时与障碍物的理想距离的大小。当车辆停止时与障碍物的距离小于制动停止时与障碍物的理想距离时，计算制动停止时与障碍物的理想距离与车辆停止时与障碍物的距离的差值，并求解差值与制动停止时与障碍物的理想距离的比值的百分比，以求解的百分比作为AEB避撞性能值。当车辆停止时与障碍物的距离大于制动停止时与障碍物的理想距离时，AEB避撞性能值为0。
例如，假设
Figure 551307DEST_PATH_IMAGE001
为车辆停止时与目标的距离，
Figure 406393DEST_PATH_IMAGE002
为制动停止与目标的理想距离，其取值范围为[0.5,2]，单位为米。制动停止与目标的理想距离与速度有关，进而AEB避撞性能计算公式如下：
Figure 470164DEST_PATH_IMAGE003
当
Figure 200222DEST_PATH_IMAGE004
小于
Figure 603522DEST_PATH_IMAGE005
时，计算制动停止时与障碍物的理想距离与车辆停止时与障碍物的距离的差值，并求解差值与制动停止时与障碍物的理想距离的比值的百分比，以求解的百分比作为AEB避撞性能值。
当
Figure 128044DEST_PATH_IMAGE004
大于
Figure 679111DEST_PATH_IMAGE005
时，避撞性能评估未达到预期，为0分，因为在实际场景中，若制动停止具体太远，不仅会增加AEB误触发率，还严重影响客户体验。
故通过AEB避撞性能评价，能满足实际量产需求，提高了AEB算法在研发过程中的功能监测，使算法评估更加量化；同时，优化分析效率和整个研发闭环流程。
基于车辆开始制动时与障碍物的距离和车辆停止时与障碍物的距离的差值、车辆停止时的时间和发出制动请求时间的差值和预设的请求减速度，计算预期制动效果的差值。当计算的预期制动效果的差值为负，则车辆实际制动距离不足。当计算的预期制动效果的差值的绝对值大于或等于预设的制动阈值时，则车辆的执行器性能较差。
例如，假设
Figure 150544DEST_PATH_IMAGE006
为车辆实际制动距离由车辆开始制动与目标的距离到最后停止时与目标的距离之差，
Figure 470667DEST_PATH_IMAGE007
为整体制动的时间从车辆停止时的时间与发出制动请求之差，a为请求减速度，S为预期制动效果之差，则制动性能评估公式如下：
Figure 431670DEST_PATH_IMAGE008
当S为负值，则说明车辆实际制动距离不足；当S的绝对值大于或等于预设的制动阈值时，即此时S的绝对值比较大，则说明车辆的执行器性能比较差，需要针对性进行性能优化。
故通过AEB制动性能评价，能满足实际量产需求，提高了AEB算法在研发过程中的功能监测，使算法评估更加量化；同时，优化分析效率和整个研发闭环流程。
基于FCW\ABA\AWB\AEB触发信号、对应FCW\ABA\AWB\AEB触发信号的触发时间和维持时间、请求减速度，自动分析AEB算法的逻辑正确性。
具体地，判断FCW\ABA\AWB\AEB触发信号的触发时间关系是否为：TFCW>TABA ANDTFCW>TAWB AND TAWB>TAEB；是则令Trigger_Flag=1；判断FCW\ABA\AWB\AEB触发信号的维持时间关系是否为：tFCW<tFCW_ACT AND tABA<tABA_ACT AND tAWB<tAWB_ACT AND tAEB<tAEB_ACT；是则令Act1_Flag =1；再判断各功能的维持时间是否大于最小触发时间，即tFCW>tFCW_MIN AND tABA>tABA_MIN AND tAWB>tAWB_MIN AND tAEB>tAEB_MIN；是则令Act2_Flag=1；同时，判断各功能是否在触发周期内只触发过一次，即CountFCW=1 AND CountABA=1 AND CountAWB=1 AND CountAEB=1；是则令Count_Flag=1；以及，判断AEB制动请求和减速度请求是否在同一时间触发，且触发的减速度值是否合理，即TAWB= TDel AND ADel< Amax；是是则令AEBReq_Flag=1；最后，判断是否Trigger_Flag=1 AND Act1_Flag=1 AND Act2_Flag=1 ANDCount_Flag=1 AND AEBReq_Flag=1；
当Trigger_Flag=1 AND Act1_Flag=1 AND Act2_Flag=1 ANDCount_Flag=1 ANDAEBReq_Flag=1，即上述判断条件都满足，则说明AEB触发正常，AEB算法的逻辑是正确的，则令AEB_Flag=1；否则，令AEB_Flag=0；即AEB触发不正常，AEB算法的逻辑是不正常。
基于制动过程中速度、加速度、加速度变化趋势、车辆执行器响应延迟时间、执行器响应的稳定性，自动分析AEB算法与车辆底层执行器的兼容性。具体地，若车辆执行器响应时间大于第一阈值且车辆执行器从开始响应到达到最大减速度的时间大于第二阈值，即制动过程中加加速度较小，说明车辆执行器响应延迟时间较长，且执行器制动性能不足，进而说明AEB算法与车辆底层执行器的兼容性较差。
同时，若加加速度变化的方差值大于第三阈值，则说明执行器在响应时波动较大，执行器响应不稳定，因此也说明了AEB算法请求的减速度方式不太合理。
最后，根据CNCAP评分指标，检验AEB算法在CNCAP测试中的得分情况。
具体地，车辆在检测到车辆、行人目标的情况下及不同速度场景内，在指定TTC范围内触发FCW报警并进行制动，以检测车辆在不同测试场景下是否避撞，如未避撞，则车辆AEB算法在CNCAP测试中的得分公式如下：
Score=车辆的速度降/触发避撞时的车辆速度×测试场景分值。
基于所有场景的测试得到分数值，将分数值记录和统计并自动导入到CNCAP得分表中，然后根据预设的CNCAP计分规则，计算所有场景的总得分值，例如，CNCAP得分表包括CNCAP车辆场景得分表、CNCAP行人场景得分表和CNCAP二轮车场景得分表。
根据CNCAP得分表，进行AEBCCR、AEB VRU_ Ped 和AEB VRU_ TW测试，检验AEB算法。AEBCCR、AEB VRU_ Ped 及AEBVRU_TW试验分别用被测车辆以不同速度行驶至前方的模拟车辆目标物、模拟行人目标物以及模拟二轮车目标物，检验被测车辆在没有人为干预的情况下的制动及预警情况，以评价AEB系统的性能好坏。
同时，CNCAP按照乘员保护、行人保护和主动安全三个部分的综合得分率来进行星级评价。乘员保护、行人保护和主动安全三个部分按照试验项目分别计算各部分的得分率，再乘以三个部分各自的权重系数，求和后得到综合得分率，根据综合得分率对试验车辆进行星级评价。除综合得分率外，乘员保护、行人 保护和主动安全三个部分还必须满足最低得分率等要求。具体计算公式如下：
乘员保护部分得分率=乘员保护部分实际得分/满分；
行人保护部分得分率=行人保护部分实际得分/15；
主动安全部分得分率=ADAS 实际得分/56×80%+灯光实际得分/10×20%；
综合得分率=乘员保护部分得分率×60%+行人保护部分得分率×15%+主动安全部分得分率×25%。
具体的星级评定表如表1所示。
Figure 407716DEST_PATH_IMAGE009
表1
此外，如果在任意一项碰撞试验结束后的 3min 内，如车辆出现着火现象（观测到明火）， 该车将被降一个星级。
对于 4 星及以上星级车，应装备 ESC 系统。
对符合电气安全要求的新能源车辆，除评定星级结果之外，还将采用电气安全标识进行标示；对不符合电气安全要求的新能源车辆，不进行星级的评定，仅公布各部分单项评分结果及电安全不符合项目。
最终可以得到基于CNCAP得分表的评价值。
进而一种自动紧急刹车系统数据分析方法通过获取硬件在环测试数据和实车测试数据，并对获取的硬件在环测试数据和实车测试数据进行数据格式判断，以预处理硬件在环测试数据和实车测试数据，获得相同数据格式的硬件在环测试数据和实车测试数据，便于后续的数据处理与分析；基于障碍物类别信息、速度信息、障碍物横向位置信息，对相同数据格式的硬件在环测试数据和实车测试数据进行标签化处理、分类，以使硬件在环测试数据和实车测试数据分别对应CNCAP不同速度和偏置状态下的测试场景，直观化硬件在环测试数据和实车测试数据在对应测试场景下的测试情况，便于后续的数据分析；根据分类的相同数据格式的硬件在环测试数据和实车测试数据，模拟车辆自动紧急刹车系统的触发和制动过程，获得车辆停止时与障碍物的距离，并判断该距离与预设的制动停止时与障碍物的理想距离的大小，以基于判断结果，自动化分析AEB的避撞性能，无需人手分析，自动化完成数据分析处理工作，改善了AEB开发工具进行硬件在环测试及实车验证测试时的后滞性，提高了数据分析的效率，缩短了从数据采集、到数据处理、以及数据分析整个研发闭环的时间，有利于产品和功能的迭代更新；同时，提高了AEB算法在研发过程中的功能监测，使算法评估更加量化，进而满足实际的量产需求。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
参照图3，本申请实施例还提供一种自动紧急刹车系统数据分析装置，该一种自动紧急刹车系统数据分析装置与上述实施例中一种自动紧急刹车系统数据分析方法一一对应。该一种自动紧急刹车系统数据分析装置包括：
数据获取模块，用于获取硬件在环测试数据和实车测试数据；
数据转换模块，用于判断硬件在环测试数据和实车测试数据的数据格式，且当不满足条件时，将硬件在环测试数据和实车测试数据转换为预设格式的数据，获得相同数据格式的硬件在环测试数据和实车测试数据；
标签化处理模块，用于基于障碍物类别信息、速度信息、障碍物横向位置信息，对相同数据格式的硬件在环测试数据和实车测试数据进行标签化处理，以分类相同数据格式的硬件在环测试数据和实车测试数据；
模拟模块，用于根据分类的相同数据格式的硬件在环测试数据和实车测试数据，模拟车辆自动紧急刹车系统的触发和制动过程，并获得车辆停止时与障碍物的距离；
避撞性能分析模块，用于判断车辆停止时与障碍物的距离与预设的制动停止时与障碍物的理想距离的大小；且当车辆停止时与障碍物的距离小于制动停止时与障碍物的理想距离时，计算制动停止时与障碍物的理想距离与车辆停止时与障碍物的距离的差值，并求解差值与制动停止时与障碍物的理想距离的比值的百分比，以求解的百分比作为AEB避撞性能值；当车辆停止时与障碍物的距离大于制动停止时与障碍物的理想距离时，AEB避撞性能值为0。
进一步地，一种自动紧急刹车系统数据分析装置还包括：
制动性能分析模块，用于基于车辆开始制动时与障碍物的距离和车辆停止时与障碍物的距离的差值、车辆停止时的时间和发出制动请求时间的差值和预设的请求减速度，计算预期制动效果的差值；当计算的预期制动效果的差值为负，则车辆实际制动距离不足；当计算的预期制动效果的差值的绝对值大于或等于预设的制动阈值时，则车辆的执行器性能较差。
进一步地，一种自动紧急刹车系统数据分析装置还包括：
算法逻辑分析模块，用于基于FCW\ABA\AWB\AEB触发信号、对应FCW\ABA\AWB\AEB触发信号的触发时间和维持时间、请求减速度，自动分析AEB算法的逻辑正确性。
算法与底层执行器兼容性分析模块，用于基于制动过程中速度、加速度、加速度变化趋势、车辆执行器响应延迟时间、执行器响应的稳定性，自动分析AEB算法与车辆底层执行器的兼容性。
进一步地，一种自动紧急刹车系统数据分析装置还包括：
数据筛选模块，用于根据数据采集时间、数据质量、是否触发AEB功能、是否有障碍物和AEB触发后车辆情况的维度，对相同数据格式的硬件在环测试数据和实车测试数据进行筛选，滤除无效和重复的相同数据格式的硬件在环测试数据和实车测试数据。
关于一种自动紧急刹车系统数据分析装置的具体限定可以参见上文中对于一种自动紧急刹车系统数据分析方法的限定，在此不再赘述。上述一种自动紧急刹车系统数据分析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。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。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自动紧急刹车系统数据分析方法。
在一个实施例中，提供了一种计算机可读存储介质，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
S1：获取硬件在环测试数据和实车测试数据；
S2：判断硬件在环测试数据和实车测试数据的数据格式，且当不满足条件时，将硬件在环测试数据和实车测试数据转换为预设格式的数据，获得相同数据格式的硬件在环测试数据和实车测试数据；
S3：基于障碍物类别信息、速度信息、障碍物横向位置信息，对相同数据格式的硬件在环测试数据和实车测试数据进行标签化处理，以分类相同数据格式的硬件在环测试数据和实车测试数据；
S41：根据分类的相同数据格式的硬件在环测试数据和实车测试数据，模拟车辆自动紧急刹车系统的触发和制动过程，并获得车辆停止时与障碍物的距离；
S5：判断距离与预设的制动停止时与障碍物的理想距离的大小；
S61：当车辆停止时与障碍物的距离小于制动停止时与障碍物的理想距离时，计算制动停止时与障碍物的理想距离与车辆停止时与障碍物的距离的差值，并求解差值与制动停止时与障碍物的理想距离的比值的百分比，以求解的百分比作为AEB避撞性能值。
在一个实施例中，提供了一种计算机程序产品，该计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现一种自动紧急刹车系统数据分析方法。
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/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

Claims (11)

1.一种自动紧急刹车系统数据分析方法，其特征在于，包括以下步骤：
获取硬件在环测试数据和实车测试数据；
判断所述硬件在环测试数据和所述实车测试数据的数据格式，且当不满足条件时，将所述硬件在环测试数据和所述实车测试数据转换为预设格式的数据，获得相同数据格式的硬件在环测试数据和实车测试数据；
基于障碍物类别信息、速度信息、障碍物横向位置信息，对相同数据格式的所述硬件在环测试数据和所述实车测试数据进行标签化处理，以分类相同数据格式的硬件在环测试数据和实车测试数据；
根据分类的相同数据格式的所述硬件在环测试数据和所述实车测试数据，模拟车辆自动紧急刹车系统的触发和制动过程，并获得车辆停止时与障碍物的距离；
判断所述距离与预设的制动停止时与障碍物的理想距离的大小；
当车辆停止时与障碍物的距离小于制动停止时与障碍物的理想距离时，计算制动停止时与障碍物的理想距离与车辆停止时与障碍物的距离的差值，并求解所述差值与制动停止时与障碍物的理想距离的比值的百分比，以求解的所述百分比作为AEB避撞性能值。
2.根据权利要求1所述的一种自动紧急刹车系统数据分析方法，其特征在于，还包括以下步骤：
当车辆停止时与障碍物的距离大于制动停止时与障碍物的理想距离时，所述AEB避撞性能值为0。
3.根据权利要求1所述的一种自动紧急刹车系统数据分析方法，其特征在于，所述获得车辆停止时与障碍物的距离的步骤的同时，还包括：
获得车辆开始制动时与障碍物的距离、车辆停止时的时间和发出制动请求时间，
基于车辆开始制动时与障碍物的距离和车辆停止时与障碍物的距离的差值、车辆停止时的时间和发出制动请求时间的差值和预设的请求减速度，计算预期制动效果的差值；
当计算的预期制动效果的差值为负，则车辆实际制动距离不足。
4.根据权利要求3所述的一种自动紧急刹车系统数据分析方法，其特征在于，还包括以下步骤：
当计算的预期制动效果的差值的绝对值大于或等于预设的制动阈值时，则车辆的执行器性能较差。
5.根据权利要求1所述的一种自动紧急刹车系统数据分析方法，其特征在于，所述获得车辆停止时与障碍物的距离的步骤的同时，还包括：
获得FCW\ABA\AWB\AEB触发信号、对应FCW\ABA\AWB\AEB触发信号的触发时间和维持时间、请求减速度，自动分析AEB算法的逻辑正确性。
6.根据权利要求1所述的一种自动紧急刹车系统数据分析方法，其特征在于，所述获得车辆停止时与障碍物的距离的步骤的同时，还包括：
获得制动过程中速度、加速度、加速度变化趋势、车辆执行器响应延迟时间、执行器响应的稳定性，自动分析AEB算法与车辆底层执行器的兼容性。
7.根据权利要求1-6任意一项所述的一种自动紧急刹车系统数据分析方法，其特征在于，所述对相同数据格式的所述硬件在环测试数据和所述实车测试数据进行标签化处理的步骤前，还包括以下步骤：根据数据采集时间、数据质量、是否触发AEB功能、是否有障碍物和AEB触发后车辆情况的维度，对相同数据格式的所述硬件在环测试数据和所述实车测试数据进行筛选，滤除无效和重复的相同数据格式的所述硬件在环测试数据和所述实车测试数据。
8.根据权利要求7所述的一种自动紧急刹车系统数据分析方法，其特征在于，所述AEB触发后车辆情况包括：
通过对比AEB触发指标与车辆响应的一致性，判断是否有人为介入，且若有人为介入，则数据无效；
通过判断车辆是否处于稳态，若车辆产生横向偏移达到预设条件，则数据无效。
9.一种自动紧急刹车系统数据分析装置，其特征在于，包括：数据获取模块，用于获取硬件在环测试数据和实车测试数据；
数据转换模块，用于判断所述硬件在环测试数据和所述实车测试数据的数据格式，且当不满足条件时，将所述硬件在环测试数据和所述实车测试数据转换为预设格式的数据，获得相同数据格式的硬件在环测试数据和实车测试数据；
标签化处理模块，用于基于障碍物类别信息、速度信息、障碍物横向位置信息，对相同数据格式的所述硬件在环测试数据和所述实车测试数据进行标签化处理，以分类相同数据格式的硬件在环测试数据和实车测试数据；
模拟模块，用于根据分类的相同数据格式的所述硬件在环测试数据和所述实车测试数据，模拟车辆自动紧急刹车系统的触发和制动过程，并获得车辆停止时与障碍物的距离；
避撞性能分析模块，用于判断所述距离与预设的制动停止时与障碍物的理想距离的大小；且当车辆停止时与障碍物的距离小于制动停止时与障碍物的理想距离时，计算制动停止时与障碍物的理想距离与车辆停止时与障碍物的距离的差值，并求解所述差值与制动停止时与障碍物的理想距离的比值的百分比，以求解的所述百分比作为AEB避撞性能值。
10.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现权利要求1-8任意一项所述方法的步骤。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8任意一项所述方法的步骤。
CN202210126811.0A 2022-02-11 2022-02-11 一种自动紧急刹车系统数据分析方法、装置、设备、介质 Active CN114169083B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210126811.0A CN114169083B (zh) 2022-02-11 2022-02-11 一种自动紧急刹车系统数据分析方法、装置、设备、介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210126811.0A CN114169083B (zh) 2022-02-11 2022-02-11 一种自动紧急刹车系统数据分析方法、装置、设备、介质

Publications (2)

Publication Number Publication Date
CN114169083A true CN114169083A (zh) 2022-03-11
CN114169083B CN114169083B (zh) 2022-05-20

Family

ID=80489670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210126811.0A Active CN114169083B (zh) 2022-02-11 2022-02-11 一种自动紧急刹车系统数据分析方法、装置、设备、介质

Country Status (1)

Country Link
CN (1) CN114169083B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114636568A (zh) * 2022-03-17 2022-06-17 奇瑞新能源汽车股份有限公司 自动紧急制动系统的测试方法、装置、车辆及存储介质
CN115420522A (zh) * 2022-09-16 2022-12-02 中汽研汽车检验中心(广州)有限公司 一种基于aeb工况下的正面碰撞测试方法及装置
CN116229759A (zh) * 2022-11-18 2023-06-06 淮安方圆锻造有限公司 一种车辆制动系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150274145A1 (en) * 2014-03-28 2015-10-01 Independent Administrative Institution National Traffic Safety And Environment Laboratory Assessment support program and assessment support device for automatic braking system
CN106934139A (zh) * 2017-03-06 2017-07-07 北京经纬恒润科技有限公司 一种自动刹车测试方法、装置及系统
CN108508761A (zh) * 2018-03-28 2018-09-07 惠州市德赛西威汽车电子股份有限公司 一种基于CarMaker仿真环境的AEB算法功能验证方法
CN110333730A (zh) * 2019-08-12 2019-10-15 安徽江淮汽车集团股份有限公司 自动驾驶算法预期功能安全的验证方法、平台及存储介质
CN110794810A (zh) * 2019-11-06 2020-02-14 安徽瑞泰智能装备有限公司 一种对智能驾驶车辆进行集成化测试的方法
CN113324767A (zh) * 2021-06-24 2021-08-31 郑州日产汽车有限公司 一种多功能制动系统硬件在环测试台架
CN113359673A (zh) * 2020-06-29 2021-09-07 史秋虹 一种基于大数据的自动驾驶汽车性能判定系统
CN113515105A (zh) * 2021-04-09 2021-10-19 清华大学 用于车辆预期功能安全仿真测试的平台、方法及存储介质
CN113804460A (zh) * 2021-09-24 2021-12-17 上汽通用五菱汽车股份有限公司 车辆测评方法、车辆测评系统、车辆及存储介质
CN113892088A (zh) * 2021-08-31 2022-01-04 华为技术有限公司 一种测试方法和系统
CN113962011A (zh) * 2021-07-23 2022-01-21 北京交通大学 一种电动汽车制动系模型及其建立方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150274145A1 (en) * 2014-03-28 2015-10-01 Independent Administrative Institution National Traffic Safety And Environment Laboratory Assessment support program and assessment support device for automatic braking system
CN106934139A (zh) * 2017-03-06 2017-07-07 北京经纬恒润科技有限公司 一种自动刹车测试方法、装置及系统
CN108508761A (zh) * 2018-03-28 2018-09-07 惠州市德赛西威汽车电子股份有限公司 一种基于CarMaker仿真环境的AEB算法功能验证方法
CN110333730A (zh) * 2019-08-12 2019-10-15 安徽江淮汽车集团股份有限公司 自动驾驶算法预期功能安全的验证方法、平台及存储介质
CN110794810A (zh) * 2019-11-06 2020-02-14 安徽瑞泰智能装备有限公司 一种对智能驾驶车辆进行集成化测试的方法
CN113359673A (zh) * 2020-06-29 2021-09-07 史秋虹 一种基于大数据的自动驾驶汽车性能判定系统
CN113515105A (zh) * 2021-04-09 2021-10-19 清华大学 用于车辆预期功能安全仿真测试的平台、方法及存储介质
CN113324767A (zh) * 2021-06-24 2021-08-31 郑州日产汽车有限公司 一种多功能制动系统硬件在环测试台架
CN113962011A (zh) * 2021-07-23 2022-01-21 北京交通大学 一种电动汽车制动系模型及其建立方法
CN113892088A (zh) * 2021-08-31 2022-01-04 华为技术有限公司 一种测试方法和系统
CN113804460A (zh) * 2021-09-24 2021-12-17 上汽通用五菱汽车股份有限公司 车辆测评方法、车辆测评系统、车辆及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
周文帅等: "自动紧急制动系统（AEB）测试评价方法研究进展综述", 《汽车实用技术》 *
崔海峰等: "基于硬件在环仿真的汽车制动控制器测试系统", 《上海汽车》 *
王其东等: "基于制动转向协同控制的智能车紧急避障研究", 《汽车工程》 *
盘朝奉等: "基于车辆前方目标运动模型的主动避撞系统的研究", 《重庆理工大学学报(自然科学)》 *
蔡勇等: "智能网联汽车测试评价体系研究", 《中国汽车》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114636568A (zh) * 2022-03-17 2022-06-17 奇瑞新能源汽车股份有限公司 自动紧急制动系统的测试方法、装置、车辆及存储介质
CN114636568B (zh) * 2022-03-17 2024-04-05 奇瑞新能源汽车股份有限公司 自动紧急制动系统的测试方法、装置、车辆及存储介质
CN115420522A (zh) * 2022-09-16 2022-12-02 中汽研汽车检验中心(广州)有限公司 一种基于aeb工况下的正面碰撞测试方法及装置
CN116229759A (zh) * 2022-11-18 2023-06-06 淮安方圆锻造有限公司 一种车辆制动系统

Also Published As

Publication number Publication date
CN114169083B (zh) 2022-05-20

Similar Documents

Publication Publication Date Title
CN114169083B (zh) 一种自动紧急刹车系统数据分析方法、装置、设备、介质
CN110333730B (zh) 自动驾驶算法预期功能安全的验证方法、平台及存储介质
Zaki et al. Use of drivers’ jerk profiles in computer vision–based traffic safety evaluations
CN112631257B (zh) 一种用于自动驾驶车辆误操作的预期功能安全测试评价方法
CN109190488B (zh) 基于深度学习YOLOv3算法的前车车门打开检测方法及装置
CN112711260B (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
CN112613169A (zh) 一种用于自动驾驶车辆误操作的预期功能安全分析方法
CN105976449A (zh) 车辆远程自动定损碰撞检测方法及系统
CN113343461A (zh) 自动驾驶车辆的仿真方法、装置、电子设备及存储介质
CN113609016A (zh) 车辆自动驾驶测试场景的构建方法、装置、设备及介质
CN116034345A (zh) 用于测试驾驶员辅助系统的方法和系统
CN114967499A (zh) 一种自动紧急制动仿真测试系统及测试方法
CN114462897A (zh) 高速公路机电系统综合性能评估方法、装置及存储介质
CN111145554B (zh) 一种基于自动驾驶aeb的场景定位方法和装置
CN116151045B (zh) 车辆仿真测试数据准确性分析方法、装置、设备及介质
CN116416796A (zh) 无人驾驶车辆交通事故责任认定方法、装置、介质及设备
CN115129027A (zh) 一种用于智能驾驶的自动化评估方法及装置
CN116091989A (zh) 一种违章审核方法、装置及存储介质
Tang et al. Obtain a simulation model of a pedestrian collision imminent braking system based on the vehicle testing data
CN113192340A (zh) 高速公路施工车辆的识别方法、装置、设备及存储介质
Mihalj et al. Hazards Identification Using Scenario-Based Testing with Respect to ISO PAS 21448 and ISO 26262
CN112455459B (zh) 触发事件的建模方法、装置、设备及存储介质
CN114155476B (zh) Aeb有效避免事故场景识别方法、装置、设备及介质
CN115979679B (zh) 自动驾驶系统实际道路测试方法、设备和存储介质
CN116776204B (zh) 驾驶人风险敏感度差异化表征方法、装置、设备及介质

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: Floor 25, Block A, Zhongzhou Binhai Commercial Center Phase II, No. 9285, Binhe Boulevard, Shangsha Community, Shatou Street, Futian District, Shenzhen, Guangdong 518000

Patentee after: Shenzhen Youjia Innovation Technology Co.,Ltd.

Address before: 518051 401, building 1, Shenzhen new generation industrial park, No. 136, Zhongkang Road, Meidu community, Meilin street, Futian District, Shenzhen, Guangdong Province

Patentee before: SHENZHEN MINIEYE INNOVATION TECHNOLOGY Co.,Ltd.