CN114205223B - 一种车辆智能驾驶功能异常事件的溯源定位方法和装置 - Google Patents
一种车辆智能驾驶功能异常事件的溯源定位方法和装置 Download PDFInfo
- Publication number
- CN114205223B CN114205223B CN202111436905.XA CN202111436905A CN114205223B CN 114205223 B CN114205223 B CN 114205223B CN 202111436905 A CN202111436905 A CN 202111436905A CN 114205223 B CN114205223 B CN 114205223B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- tracing
- module
- abnormal event
- positioning
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000004927 fusion Effects 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000013075 data extraction Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 47
- 238000011161 development Methods 0.000 claims description 44
- 230000008447 perception Effects 0.000 claims description 21
- 239000012634 fragment Substances 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims 2
- 230000001133 acceleration Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000007488 abnormal function Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003867 tiredness Effects 0.000 description 1
- 208000016255 tiredness Diseases 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0677—Localisation of faults
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种车辆智能驾驶功能异常事件的溯源定位方法和装置,S1、对异常事件进行分类并对分类后的异常事件进行车端数据提取;S2、利用提取的车端数据对智能驾驶功能模块中的控制执行子模块和对决策规划子模块进行对比分析,根据对比分析结果,对控制执行子模块和对决策规划子模块溯源定位判定;S3、基于步骤S2中的控制执行子模块和对决策规划子模块溯源定位判定结果,当异常事件溯源定位不属于控制执行子模块时,对智能驾驶功能模块中的感知融合子模块和决策规划子模块进行溯源定位判定。本发明所述的一种车辆智能驾驶功能异常事件的溯源定位方法和装置,可实现在车辆智能驾驶功能出现异常事件时进行自动地问题溯源定位。
Description
技术领域
本发明属于智能驾驶系统技术领域,尤其是涉及一种车辆智能驾驶功能异常事件的溯源定位方法和装置。
背景技术
车辆智能驾驶系统一般由感知融合、决策规划、控制执行等子系统构成,其基本原理是通过车载传感器采集车辆行驶环境中的道路环境参数,进行目标环境融合辨识,然后由决策规划系统根据宏观目的地和微观可行域进行具体行驶动作决策和路径规划,最后由底盘系统去执行加减速、转向等具体动作。智能驾驶系统的目的是替代驾驶员对车辆进行主动的加速、减速和转向控制,依靠硬件设施的全时长工作且不知疲倦特性,提高驾驶的舒适性和安全性。
但是,目前智能驾驶系统在实际交付给终端用户使用时会遇到各种各样的问题,比如异常制动、频繁地提示接管或者目标指令执行中断等,给客户反而带来了使用不便和新的安全问题。这种异常问题可能是在系统设计开发环节考虑不周造成的,这种根源造成的安全隐患是巨大的,必须进行问题的溯源分析,厘清感知、决策和执行系统之间的责任归属。
进行问题溯源的第一步就是要定位问题的根源在哪个子系统模块,由于问题出现的复杂性,依靠人工进行问题溯源定位耗时耗力,而且需要根据工程师的经验值来进行判断,没有一个客观可以量化的指标。比如一个智能驾驶车辆一个异常制动可能的原因是因为感知系统感知到一个虚幻的目标物,也可能是决策系统发出了一个错误的制动请求信号,甚至有可能是执行系统擅自动作的结果。为了快速、准确地定位问题出现在哪个子系统模块里面,以便进行针对性的问题分析和解决方案制定,需要一种自动地进行问题溯源定位的方法和装置。
发明内容
有鉴于此,本发明旨在提出一种车辆智能驾驶功能异常事件的溯源定位方法和装置,以解决上述的不足之处。
为达到上述目的,本发明的技术方案是这样实现的:
第一方面本发明公开了一种车辆智能驾驶功能异常事件的溯源定位方法,S1、对异常事件进行分类并对分类后的异常事件进行车端数据提取;
S2、利用提取的车端数据对智能驾驶功能模块中的控制执行子模块和对决策规划子模块进行对比分析,根据对比分析结果,对控制执行子模块和对决策规划子模块溯源定位判定;
S3、基于步骤S2中的控制执行子模块和对决策规划子模块溯源定位判定结果,当异常事件溯源定位不属于控制执行子模块时,对智能驾驶功能模块中的感知融合子模块和决策规划子模块进行溯源定位判定。
进一步的,步骤S1的具体方法:
S101、客服端接收到异常事件后,获取智能驾驶功能模块中的异常事件,进而对异常事件分类并将异常事件反馈至开发端;
S102、开发端基于异常事件,提取异常事件中相关的车端数据,并将车端数据上传至开发端。
进一步的,基于车辆ID信息、事件发生时间、事件发生地点和车辆使用者对事件的描述信息对异常事件分类。
进一步的,步骤S3中,控制执行子模块和决策规划子模块的对比分析方法:
S301、开发端对车端数据中的决策规划信号与控制执行信号进行比较;
S302、求取二者信号之间的差值,对差值进行均方根,并得到均方根值,将均方根值与设定的阈值进行比较;
当均方根值大于等于阈值,异常事件定位溯源为控制执行子模块;
如果,当均方根值小于阈值,异常事件定位溯源为感知融合或决策规划系统。
进一步的,步骤S4中,感知融合子模块和决策规划子模块溯源定位的判定方法:
S401、开发端将同类型异常事件数据进行同步处理,并提取同类型车端数据;
S402、开发端对同类型车端数据进行特征提取,对特征点进行频率统计和相关性分析,得到同类型事件的特征参数A[a1,a2,...,an]和对应的取值范围V[v1l~v1h,v2l~v2h,...,vnl~vnh];
S403、将提取到的特征参数A和其取值V转换为事件相似场景触发规则 As和Vs;
S404、通过开发端将相似场景触发规则{As,Vs}下发到所有异常事件车辆的车端进行相似场景检索,车端数据检索满足{As,Vs}的场景片段,满足 {As,Vs}的场景片段为与异常事件发生场景相似场景片段,将每辆车检索到的数量记为mn,n是发生异常事件的车辆编号,将每辆车检索到的相似场景片段数量mn上传到开发端,开发设计人员对所有的相似场景数量进行求和,得出事件相似场景数量记为M;
S405、将n辆车发生的同类异常事件总量记为N,将N和M做比值,得到概率值P,并设定阈值参数Pc,当P≤Pc时,异常事件定位溯源为感知模块,P>Pc,异常事件定位溯源为决策规划模块;
步骤S405中,概率值P为物理意义是在相似场景下发生异常事件的概率;
步骤S405中,阈值参数Pc的设定为专家经验进行设定,后期结合异常事件溯源定位的准确度对阈值参数Pc进行调整。
第二方面本发明公开了一种车辆智能驾驶功能异常事件的溯源定位装置包括车端触发分析装置和桌面端溯源定位装置;
车端触发分析装置通过线束与车端的智能驾驶功能系统和T-Box系统连接,车端触发分析装置用于接收并存储车端智能驾驶功能模块运行过程中的所有数据;
桌面端溯源定位装置用于进行异常事件或者相似场景的数据提取或检索程序;
桌面端溯源定位装置用于统计异常事件和相似场景数量,并运行相似场景和异常事件的比较程序,完成异常事件的溯源定位功能。
相对于现有技术,本发明所述的一种车辆智能驾驶功能异常事件的溯源定位方法和装置具有以下有益效果:
(1)本发明所述的一种车辆智能驾驶功能异常事件的溯源定位方法和装置,可实现在车辆智能驾驶功能出现异常事件时进行自动地问题溯源定位。
(2)本发明所述的一种车辆智能驾驶功能异常事件的溯源定位方法和装置,可以实现数据的有效闭环,对车辆智能驾驶功能进行部署,数据采集,问题定位,问题分析,改进提高,形成有效的生态闭环。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的智能驾驶功能子系统模块划分示意图。
图2为本发明实施例所述的异常事件收集归档的流程示意图。
图3为本发明实施例所述的异常事件初步溯源定位流程图。
图4为本发明实施例所述的异常事件反馈场景的示意图。
图5为本发明实施例所述的数据和程序上传下发场景的示意图。
图6为本发明实施例所述的相似场景收集的示意性流程图。
图7为本发明实施例所述的异常事件溯源定位方法示意性流程图。
图8为本发明实施例所述的车端触发分析装置的结构示意图。
图9为本发明实施例所述的溯源定位系统各系统模块信息流动关系示意图。
图10为本发明实施例所述的桌面端溯源定位装置的结构示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
如图1至图8所示,一种车辆智能驾驶功能异常事件的溯源定位方法:
S1、对异常事件进行分类并对分类后的异常事件进行车端数据提取;
S2、提取的车端数据对智能驾驶功能模块中的控制执行子模块和对决策规划子模块进行对比分析,根据对比分析结果,对控制执行子模块和对决策规划子模块溯源定位判定;
S3、基于步骤S2中的控制执行子模块和对决策规划子模块溯源定位判定结果,当异常事件溯源定位不属于控制执行子模块时,对智能驾驶功能模块中的感知融合子模块和决策规划子模块进行溯源定位判定。
如图2所示,步骤S1的具体方法:
S101、客服端接收到异常事件后,获取智能驾驶功能模块中的异常事件,进而对异常事件分类并将异常事件反馈至开发端;
S102、开发端基于异常事件,提取异常事件中相关的车端数据,并将车端数据上传至开发端。
基于车辆ID信息、事件发生时间、事件发生地点和车辆使用者对事件的描述信息对异常事件分类。
如图3所示,步骤S2中,控制执行子模块和决策规划子模块的对比分析方法:
S201、开发端对车端数据中的决策规划信号与控制执行信号进行比较;
S202、求取二者信号之间的差值,对差值进行均方根,并得到均方根值,将均方根值与设定的阈值进行比较;
当均方根值大于等于阈值,异常事件定位溯源为控制执行子模块;
如果,当均方根值小于阈值,异常事件定位溯源为感知融合或决策规划系统。
如图3至图7所示,步骤S4中,感知融合子模块和决策规划子模块溯源定位的判定方法:
S301、开发端将同类型异常事件数据进行同步处理,并提取同类型车端数据;
S302、开发端对同类型车端数据进行特征提取,对特征点进行频率统计和相关性分析,得到同类型事件的特征参数A[a1,a2,...,an]和对应的取值范围V[v1l~v1h,v2l~v2h,...,vnl~vnh];
S303、将提取到的特征参数A和其取值V转换为事件相似场景触发规则 As和Vs;
S304、通过开发端将相似场景触发规则{As,Vs}下发到所有异常事件车辆的车端进行相似场景检索,车端数据检索满足{As,Vs}的场景片段,满足 {As,Vs}的场景片段为与异常事件发生场景相似场景片段,将每辆车检索到的数量记为mn,n是发生异常事件的车辆编号,将每辆车检索到的相似场景片段数量mn上传到开发端,开发设计人员对所有的相似场景数量进行求和,得出事件相似场景数量记为M;
S305、将n辆车发生的同类异常事件总量记为N,将N和M做比值,得到概率值P,并设定阈值参数Pc,当P≤Pc时,异常事件定位溯源为感知模块,P>Pc,异常事件定位溯源为决策规划模块;
步骤S305中,概率值P为物理意义是在相似场景下发生异常事件的概率;
步骤S305中,阈值参数Pc的设定为专家经验进行设定,后期结合异常事件溯源定位的准确度对阈值参数Pc进行调整。
如图8至图10所示,一种车辆智能驾驶功能异常事件的溯源定位装置,包括车端触发分析装置和桌面端溯源定位装置;
车端触发分析装置通过线束与车端的智能驾驶功能系统和T-Box系统连接,车端触发分析装置用于接收并存储车端智能驾驶功能模块运行过程中的所有数据;
桌面端溯源定位装置用于进行异常事件或者相似场景的数据提取或检索程序;
桌面端溯源定位装置用于统计异常事件和相似场景数量,并运行相似场景和异常事件的比较程序,完成异常事件的溯源定位功能。
异常事件是指智能驾驶功能在作用期间出现失效的现象,比如在车辆前方没有任何障碍物的情况下,车辆突然制动;或者在车辆接近红灯时,车辆没有制动减速。类似的情况都称之为异常事件。
智能驾驶功能主要由感知融合、决策规划和控制执行三个子系统模块,在本发明中所说的溯源定位主要是指对以上三个子系统的溯源定位,即判定三个子系统中哪个子系统模块导致的异常事件发生。
车辆在智能驾驶功能作用期间出现异常事件时,车辆的使用者是异常事件发生的全程见证者,使用者处于自身安全的考量,会对异常事件的发生产生强烈不满,会将异常事件投诉反馈给车辆客户服务中心,车辆客户服务中心在接收到智能驾驶功能异常事件的投诉后,应该积极应对,详细记录异常事件的发生情况,并将事件进行归类,比如属于异常制动、异常加速、遇障碍物未减速、突然提示接管等。同时,车辆客户服务中心需要将异常事件的记录和分类信息同步传输给车辆开发端,这样车辆开发端就完成了对智能驾驶功能异常事件的初步信息收集。
接下来,开发端根据异常事件记录的时间和事件其他信息设计异常事件数据提取程序,提取程序设计完成后将其下发车端,在车端进行异常事件的数据提取,并将提取的有效数据上传至开发端。
开发端将本次异常事件的决策规划信号与底盘控制执行的信号(比如规划车速和实际车速比较,规划加速度和实际加速度比较)进行比较,也即求取二者信号之间的差值,然后对差值进行均方根处理,将均方根值与阈值进行比较,如果均方根值大于等于阈值,那么判定二者信号存在明显的差异性,由此将事件原因定位溯源为控制执行系统,如果没有明显差异性将事件原因定位溯源为感知融合和决策规划系统。
开发端确定控制执行系统模块没有出现问题后,为了一进步定位是感知融合模块还是决策规划模块出了问题,需要进一步地溯源定位。
客服端可以是客户服务中心,客户服务中心可以接到若干的的异常事件投诉信息。客户服务中心对异常事件进行归类后同步给开发端,开发端将同类异常事件进行同步操作处理,即提取所有同类事件的车端存储数据。假定共有n辆车发生同类异常事件,对n辆车的同类事件进行特征提取,特征点应该包括目标物类型、车辆位置、TTC或THW值、现场图片信息等,所有的特征点需要进行频率统计和相关性分析,根据分析结果,得到该类型事件的特征参数A[a1,a2,...,an]和对应的取值范围V[v1l~v1h,v2l~v2h,...,vnl~vnh]。
将提取到的特征参数A和其取值V转换为事件相似场景触发规则As和 Vs,转换方法是将特征参数A中包含智能驾驶系统决策规划的信号去除,保留环境感知和车辆运动及其他信号。例如在异常制动事件中,假如特征参数 A包含车辆制动指令,如目标减速度信号at,那么在As中不能包含at。当然,如果A中本身不包含决策规划信号,那么As=A,Vs=V。
将新建立的相似场景触发规则{As,Vs}下发到所有异常事件车辆的车端进行相似场景检索。即在车端存储数据中检索满足As,Vs的场景片段,这些片段被认为是与异常事件发生场景相似的相似场景片段,将每辆车检索到的数量记为mn,n是发生异常事件的车辆编号,将每辆车检索到的相似场景片段数量mn上传到开发端桌面端,开发设计人员对所有的相似场景数量进行求和,得到总的事件相似场景数量记为M。
同时,将n辆车发生的同类异常事件总量记为N,将N和M做比值,得到一个概率值P,即P=N/M,概率值P表示的物理意义是在相似场景下发生异常事件的概率。同时设定阈值参数Pc,当P≤Pc时,将事件问题原因归类于感知模块,反之,事件问题原因应该归类于决策规划模块,Pc前期可以根据专家经验进行设定,后期结合事件问题的溯源准确度进行调整。
车端触发分析装置的一种实现方式:车端触发分析装置是一个独立运行的控制器,由处理器和存储器构成。处理器用于运行计算机程序,存储器用于临时或长期存储数据。车端触发分析装置通过线束与智能驾驶功能系统和 T-Box系统链接,车端触发分析装置接收并存储智能驾驶功能运行过程中的所有数据,包括感知数据、融合数据、决策数据、规划数据、控制执行结果数据等。
在进行异常事件数据提取时,它通过T-Box接收桌面端下发的异常事件数据提取程序,对数据进行有效提取,然后通过T-Box将数据上传至桌面端。在进行异常事件相似场景数量检索时,同样地,它通过T-Box接收桌面端下发的相似场景数量检索程序,对相似场景数量进行有效检索,然后通过T-Box 将结果数据上传至桌面端。
桌面端溯源定位装置的一种实现方式:桌面端溯源定位装置是一种计算机,可以是PC机,也可以是服务器,主要由处理器和存储器及相关外设如鼠标键盘构成。处理器用于运行计算机程序,存储器用于临时或长期存储数据。桌面端溯源定位装置主要有两个功能模块构成,第一个功能模块负责设计开发用于进行异常事件或者相似场景的数据提取或检索程序;第二个功能模块负责统计异常事件和相似场景数量,并运行相似场景和异常事件的比较程序,完成异常事件的溯源定位功能。
本发明所述车辆智能驾驶系统异常事件溯源定位方法和装置,可以自动地对事件出现的原因进行子系统溯源定位,提高事件原因溯源定位的效率和准确性,便于开发人员进行具体原因分析,提出整改措施和方案。下面结合附图和具体实施例对本发明进行详细说明。
车辆智能驾驶功能由感知融合、决策规划和控制执行三个子系统模块构成,如图1所示。感知融合模块负责对环境和本车信息进行精准识别,由于感知融合模块是智能驾驶功能作用的起始模块,一旦该系统模块出现问题,会导致智能驾驶功能做出错误的决策规划信息,从而导致异常事件的发生。决策规划系统模块负责决定车辆的加减速、转向、换道、掉头等行为事项,该系统模块出现问题时,也会导致车辆表现出异常行为。控制执行模块负责执行决策规划模块给出的指令信息,控制执行模块出现问题亦会导致异常事件的发生。所以对智能驾驶功能的异常事件进行溯源定位是指对导致异常事件发生的系统模块进行溯源定位,也即在感知融合模块、决策规划模块和控制执行模块之间确定哪一个系统模块出现了问题。
车辆智能驾驶功能在作用期间出现异常事件(如异常制动、提示接管、控制行为失败等)时,车辆使用者是事件发生情况的全程见证者,使用者出于自身使用安全考虑,会对异常事件积极进行“投诉”反馈。车辆客户服务中心接收到车辆使用者的投诉后,需要对事件内容进行详细的记录,记录内容至少包括事件车辆的ID信息,事件发生的时间、地点(需要具体到年月日时分、地点路名),车辆使用者对事件的描述信息,然后将车辆使用者的事件描述信息按照标准模板转换为标准的事件描述信息并对事件原因进行定性地初步归类。客户服务中心定期将统计的“投诉”反馈同步给车辆开发端,这样车辆开发端完成了对异常事件的有效收集和归纳,如图2所示。
车辆开发端在接收到反馈信息统计表后,根据统计表中事件初步信息进行事件数据提取。以统计表中的时间为刻度原点,向原点前和原点后各扩充 t s时间,以这一绝对时间进行事件过程数据的提取。数据存储在车端的数据存储模块中,包括环境传感器记录的信息、感知融合信息、车辆决策规划信息、车辆运行状态信息等。
提取到事件发生前后车端数据后,将事件的决策规划信号与底盘控制执行的信号(比如规划车速和实际车速比较,规划加速度和实际加速度比较) 进行比较,也即求取二者信号之间的差值,然后对差值进行均方根处理,将均方根值与阈值进行比较,如果均方根值大于等于阈值,那么判定二者信号存在明显的差异性,由此将事件原因定位溯源为控制执行系统,如果没有明显差异性将事件原因定位溯源为感知融合和决策规划系统,如图3所示。需要说明的是,在进行决策规划信号和底盘控制执行信号差值比较时,应该首先进行时间对齐操作,即将控制执行系统带来的时间延时问题解决。
确定控制执行系统模块没有出现问题后,为了一进步定位是感知融合模块还是决策规划模块出了问题,需要进一步地溯源定位。客户服务中心每周可以接到若干的的异常事件投诉信息,如图4所示。客户服务中心对异常事件进行归类后同步给开发端,开发端将同类异常事件进行同步操作处理,即提取所有同类事件的车端存储数据。假定共有n辆车发生同类异常事件,对 n辆车的同类事件进行特征提取,特征点应该包括目标物类型、车辆位置、 TTC或THW值、现场图片信息等,所有的特征点需要进行频率统计和相关性分析,根据分析结果,得到该类型事件的特征参数A[a1,a2,...,an]和对应的取值范围V[v1l~v1h,v2l~v2h,...,vnl~vnh]。
将提取到的特征参数A和其取值V转换为事件相似场景触发规则As和 Vs,转换方法是将特征参数A中包含智能驾驶系统决策规划的信号去除,保留环境感知和车辆运动及其他信号。
例如在异常制动事件中,假如特征参数A包含车辆制动指令,如目标减速度信号at,那么在As中不能包含at。当然,如果A中本身不包含决策规划信号,那么As=A,Vs=V;总结下来,As和A,Vs和V的关系如公式所示。
将新建立的相似场景触发规则{As,Vs}下发到所有异常事件车辆的车端进行相似场景检索,如图5图6所示。即在车端存储数据中检索满足As,Vs 的场景片段,这些片段被认为是与异常事件发生场景相似的相似场景片段,将每辆车检索到的数量记为mn,n是发生异常事件的车辆编号,将每辆车检索到的相似场景片段数量mn上传到开发端桌面端,开发设计人员对所有的相似场景数量进行求和,得到总的事件相似场景数量记为M,如公式所示。
在进行车端相似场景检索时,被检索的数据向前覆盖T天即可,T有两个约束条件,一方面T需要小于等于车端存储的天数Ts,另一方面T需要满足一定的事件发生量值Te,即Te≤T≤Ts,其中Ts是定值,Te需要开发人员根据事件情况进行商定,是个专家经验值。
以T为时间度量,在被检索的T天内,将n辆车发生的异常事件总量记为N,将N和M做比值,得到一个概率值P。概率值P表示的物理意义是在相似场景下发生异常事件的概率。
公式所示:P=N/M
另外根据专家经验设定一个阈值Pc,将计算得到的P值与阈值Pc进行比较,得到二者的逻辑大小关系。如果P小于等于阈值Pc,那么事件的溯源定位导向就是感知融合系统出现了问题,如果P大于阈值Pc,那么事件的溯源定位导向就是决策规划出现了问题,如图7所示。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种车辆智能驾驶功能异常事件的溯源定位方法,其特征在于:
S1、对异常事件进行分类并对分类后的异常事件进行车端数据提取;
S2、利用提取的车端数据对智能驾驶功能模块中的控制执行子模块和对决策规划子模块进行对比分析,根据对比分析结果,对控制执行子模块和对决策规划子模块溯源定位判定;
S3、基于步骤S2中的控制执行子模块和对决策规划子模块溯源定位判定结果,当异常事件溯源定位不属于控制执行子模块时,对智能驾驶功能模块中的感知融合子模块和决策规划子模块进行溯源定位判定;
步骤S3中,感知融合子模块和决策规划子模块溯源定位的判定方法:
S301、开发端将同类型异常事件数据进行同步处理,并提取同类型车端数据;
S302、开发端对同类型车端数据进行特征提取,对特征点进行频率统计和相关性分析,得到同类型事件的特征参数A[a1,a2,...,an]和对应的取值范围V[v1l~v1h,v2l~v2h,...,vnl~vnh];
S303、将提取到的特征参数A和其取值V转换为事件相似场景触发规则As和Vs;
S304、通过开发端将相似场景触发规则{As,Vs}下发到所有异常事件车辆的车端进行相似场景检索,车端数据检索满足{As,Vs}的场景片段,满足{As,Vs}的场景片段为与异常事件发生场景相似场景片段,将每辆车检索到的数量记为mn,n是发生异常事件的车辆编号,将每辆车检索到的相似场景片段数量mn上传到开发端,开发设计人员对所有的相似场景数量进行求和,得出事件相似场景数量记为M;
S305、将n辆车发生的同类异常事件总量记为N,将N和M做比值,得到概率值P,并设定阈值参数Pc,当P≤Pc时,异常事件定位溯源为感知模块,P>Pc,异常事件定位溯源为决策规划模块;
步骤S305中,概率值P为物理意义是在相似场景下发生异常事件的概率;
步骤S305中,阈值参数Pc的设定为专家经验进行设定,后期结合异常事件溯源定位的准确度对阈值参数Pc进行调整。
2.根据权利要求1所述的一种车辆智能驾驶功能异常事件的溯源定位方法,其特征在于,步骤S1的具体方法:
S101、客服端接收到异常事件后,获取智能驾驶功能模块中的异常事件,进而对异常事件分类并将异常事件反馈至开发端;
S102、开发端基于异常事件,提取异常事件中相关的车端数据,并将车端数据上传至开发端。
3.根据权利要求2所述的一种车辆智能驾驶功能异常事件的溯源定位方法,其特征在于,基于车辆ID信息、事件发生时间、事件发生地点和车辆使用者对事件的描述信息对异常事件分类。
4.根据权利要求1所述的一种车辆智能驾驶功能异常事件的溯源定位方法,其特征在于,步骤S2中,控制执行子模块和决策规划子模块的对比分析方法:
S201、开发端对车端数据中的决策规划信号与控制执行信号进行比较;
S202、求取二者信号之间的差值,对差值进行均方根,并得到均方根值,将均方根值与设定的阈值进行比较;
当均方根值大于等于阈值,异常事件定位溯源为控制执行子模块;
如果,当均方根值小于阈值,异常事件定位溯源为感知融合或决策规划系统。
5.一种应用权利要求1所述的一种车辆智能驾驶功能异常事件的溯源定位方法的车辆智能驾驶功能异常事件的溯源定位装置,其特征在于:包括车端触发分析装置和桌面端溯源定位装置;
车端触发分析装置通过线束与车端的智能驾驶功能系统和T-Box系统连接,车端触发分析装置用于接收并存储车端智能驾驶功能模块运行过程中的所有数据;
桌面端溯源定位装置用于进行异常事件或者相似场景的数据提取或检索程序;
桌面端溯源定位装置用于统计异常事件和相似场景数量,并运行相似场景和异常事件的比较程序,完成异常事件的溯源定位功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111436905.XA CN114205223B (zh) | 2021-11-29 | 2021-11-29 | 一种车辆智能驾驶功能异常事件的溯源定位方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111436905.XA CN114205223B (zh) | 2021-11-29 | 2021-11-29 | 一种车辆智能驾驶功能异常事件的溯源定位方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114205223A CN114205223A (zh) | 2022-03-18 |
CN114205223B true CN114205223B (zh) | 2024-05-28 |
Family
ID=80649539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111436905.XA Active CN114205223B (zh) | 2021-11-29 | 2021-11-29 | 一种车辆智能驾驶功能异常事件的溯源定位方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114205223B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115310204B (zh) * | 2022-08-09 | 2023-07-14 | 重庆大学 | 影响汽车nvh性能的生产异常智能溯源方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2950294A1 (en) * | 2014-05-30 | 2015-12-02 | Honda Research Institute Europe GmbH | Method and vehicle with an advanced driver assistance system for risk-based traffic scene analysis |
CN109087480A (zh) * | 2018-09-30 | 2018-12-25 | 惠州市名商实业有限公司 | 车载安全事件追溯的方法及系统 |
CN109782744A (zh) * | 2019-01-31 | 2019-05-21 | 深兰科技(上海)有限公司 | 一种自动驾驶汽车故障分析方法、装置和介质 |
WO2020133208A1 (zh) * | 2018-12-28 | 2020-07-02 | 驭势科技(北京)有限公司 | 一种自动驾驶车辆的控制方法和自动驾驶系统 |
CN113190977A (zh) * | 2021-04-13 | 2021-07-30 | 北京汽车研究总院有限公司 | 自动驾驶车辆的事故责任分析方法及装置 |
-
2021
- 2021-11-29 CN CN202111436905.XA patent/CN114205223B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2950294A1 (en) * | 2014-05-30 | 2015-12-02 | Honda Research Institute Europe GmbH | Method and vehicle with an advanced driver assistance system for risk-based traffic scene analysis |
CN109087480A (zh) * | 2018-09-30 | 2018-12-25 | 惠州市名商实业有限公司 | 车载安全事件追溯的方法及系统 |
WO2020133208A1 (zh) * | 2018-12-28 | 2020-07-02 | 驭势科技(北京)有限公司 | 一种自动驾驶车辆的控制方法和自动驾驶系统 |
CN109782744A (zh) * | 2019-01-31 | 2019-05-21 | 深兰科技(上海)有限公司 | 一种自动驾驶汽车故障分析方法、装置和介质 |
CN113190977A (zh) * | 2021-04-13 | 2021-07-30 | 北京汽车研究总院有限公司 | 自动驾驶车辆的事故责任分析方法及装置 |
Non-Patent Citations (1)
Title |
---|
自动驾驶汽车数据记录及上传系统设计;林胜勇;彭能岭;李钰锐;;轻工学报;20200915(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114205223A (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111267846B (zh) | 一种基于博弈论的周围车辆交互行为预测方法 | |
CN109345829B (zh) | 无人车的监控方法、装置、设备及存储介质 | |
CN104303218A (zh) | 行为识别系统中的警报指令和聚焦警报指令 | |
CN113272838A (zh) | 虚拟场景生成方法、装置、计算机设备和存储介质 | |
CN109753623B (zh) | 一种自动驾驶车辆多测试场景分析与数目化简方法 | |
CN104819726A (zh) | 导航数据处理方法、装置及导航终端 | |
CN109840454B (zh) | 目标物定位方法、装置、存储介质以及设备 | |
CN114205223B (zh) | 一种车辆智能驾驶功能异常事件的溯源定位方法和装置 | |
CN115239135A (zh) | 一种施工风险识别管控系统及方法 | |
CN113902233A (zh) | 车辆安全预警方法、大数据平台装置、车载终端和车辆 | |
CN113269042B (zh) | 基于行驶车辆违章识别的智能交通管理方法及系统 | |
CN112085953B (zh) | 一种交通指挥方法、装置及设备 | |
CN114495057A (zh) | 数据采集方法、电子设备和存储介质 | |
CN117275235A (zh) | 一种车辆监控方法及系统 | |
CN114494998B (zh) | 一种车辆数据智能分析方法及系统 | |
CN113734204A (zh) | 用于评价自动驾驶功能的适用性的方法和设备 | |
CN114647954A (zh) | 仿真场景生成方法、装置、计算机设备及存储介质 | |
CN115909740A (zh) | 车路协同实现方法、装置、计算机设备及存储介质 | |
CN115366885A (zh) | 用于辅助机动车的驾驶操作的方法、辅助装置及机动车 | |
CN112179376B (zh) | 基于智慧灯杆的无人机停机坪远程监控处理方法及系统 | |
CN111951552B (zh) | 一种自动驾驶中风险管理的方法以及相关装置 | |
CN102142161B (zh) | 对列车自动防护系统记录数据进行处理的方法及装置 | |
CN114677662A (zh) | 一种车辆前方障碍状态预测方法、装置、设备及存储介质 | |
CN112346985B (zh) | 一种acc功能失效判定方法、系统、装置及存储介质 | |
CN112455459B (zh) | 触发事件的建模方法、装置、设备及存储介质 |
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 |