CN114544191B - 自动驾驶测试场景量化评估方法及相关设备 - Google Patents
自动驾驶测试场景量化评估方法及相关设备 Download PDFInfo
- Publication number
- CN114544191B CN114544191B CN202111627220.3A CN202111627220A CN114544191B CN 114544191 B CN114544191 B CN 114544191B CN 202111627220 A CN202111627220 A CN 202111627220A CN 114544191 B CN114544191 B CN 114544191B
- Authority
- CN
- China
- Prior art keywords
- scene
- data
- preset
- driving test
- automatic driving
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 231
- 238000011158 quantitative evaluation Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 64
- 238000011002 quantification Methods 0.000 claims abstract description 61
- 230000006870 function Effects 0.000 claims description 39
- 239000000203 mixture Substances 0.000 claims description 36
- 230000009466 transformation Effects 0.000 claims description 34
- 238000013501 data transformation Methods 0.000 claims description 11
- 238000013139 quantization Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012854 evaluation process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及自动驾驶技术领域,公开了一种自动驾驶测试场景量化评估方法及相关设备,用于提高自动驾驶测试场景量化评估效率和准确率,以及提高自动驾驶测试安全性和测试场景覆盖率。所述自动驾驶测试场景量化评估方法包括:获取预设自动驾驶测试场景主题对应的多个初始车辆观测数据;通过训练完成的模型对所述多个初始车辆观测数据进行拟合处理,得到拟合概率密度分布数据;基于所述拟合概率密度分布数据进行场景量化评估处理,得到场景量化评估数据。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其涉及一种自动驾驶测试场景量化评估方法及相关设备。
背景技术
自动驾驶车辆能以雷达、全球定位系统以及计算机视觉等技术感测其环境。先进的控制系统能将感测资料转换成适当的导航道路、障碍与相关标志。目前开发自动驾驶系统的公司越来越多,各公司测试场景完全不同,例如,有的在高速场景测试,有的在郊区场景测试,还有的在拥堵的市中心测试。
自动驾驶测试的目的是为了检测代码是否存在问题,但是在不同测试场景下,测试数据也存在差异。而在现有技术中缺少对自动驾驶测试场景重要性的量化评估,导致无法评估一个算法变动对于自动驾驶测试场景的总体影响,存在自动驾驶测试安全性差的问题。
发明内容
本发明提供了一种自动驾驶测试场景量化评估方法及相关设备,用于提高自动驾驶测试场景量化评估效率和准确率,以及提高自动驾驶测试安全性和测试场景覆盖率。
为实现上述目的,本发明第一方面提供了一种自动驾驶测试场景量化评估方法,包括:获取预设自动驾驶测试场景主题对应的多个初始车辆观测数据;通过训练完成的模型对所述多个初始车辆观测数据进行拟合处理,得到拟合概率密度分布数据;基于所述拟合概率密度分布数据进行场景量化评估处理,得到场景量化评估数据。
一种可行的实施方式中,所述获取预设自动驾驶测试场景主题对应的多个初始车辆观测数据,包括:接收场景量化评估处理请求,并根据所述场景量化评估处理请求确定预设自动驾驶测试场景主题;获取所述预设自动驾驶测试场景主题对应的多个感兴趣变量;按照所述多个感兴趣变量查询预设的历史路测数据集,得到多个初始车辆观测数据,各初始车辆观测数据与各感兴趣变量存在对应关系。
一种可行的实施方式中,在所述接收场景量化评估处理请求,并根据所述场景量化评估处理请求确定预设自动驾驶测试场景主题之前,所述自动驾驶测试场景量化评估方法还包括:在预设时长范围内获取多个路测数据,所述多个路测数据用于指示测试车辆和周围障碍物之间的相对测量信息;通过预置分布式计算引擎对所述多个路测数据进行流处理操作,得到预设的历史路测数据集,并存储所述预设的历史路测数据集。
一种可行的实施方式中,所述通过训练完成的模型对所述多个初始车辆观测数据进行拟合处理,得到拟合概率密度分布数据,其中,所述训练完成的模型为预置高斯混合模型,包括:对所述多个初始车辆观测数据进行数据变换处理,得到符合高斯分布的车辆观测数据;通过预置高斯混合模型对所述符合高斯分布的车辆观测数据进行拟合处理,得到拟合概率密度分布数据。
一种可行的实施方式中,所述对所述多个初始车辆观测数据进行数据变换处理,得到符合高斯分布的车辆观测数据,包括:判断各初始车辆观测数据所在的数值范围;按照各初始车辆观测数据所在的数值范围确定各初始车辆观测数据对应的变换函数;基于各初始车辆观测数据对应的变换函数对各初始车辆观测数据进行对数变换处理,得到符合高斯分布的车辆观测数据。
一种可行的实施方式中,所述通过预置高斯混合模型对所述符合高斯分布的车辆观测数据进行拟合处理,得到拟合概率密度分布数据,包括:获取多个高斯子模型数量,并按照预设的赤池信息量准则和所述多个高斯子模型数量确定目标高斯子模型数量;将所述目标高斯子模型数量作为预置高斯混合模型的模型参数,并通过预置高斯混合模型中的对数似然函数和期望最大化算法对所述符合高斯分布的车辆观测数据进行拟合处理,得到拟合概率密度分布数据。
一种可行的实施方式中,所述基于所述拟合概率密度分布数据进行场景量化评估处理,得到场景量化评估数据,包括:按照预设概率转换函数将所述拟合概率密度分布数据转换为场景概率密度分布数据;按照预设的场景筛选规则对所述场景概率密度分布数据进行数据筛选,得到场景量化评估数据,所述场景量化评估数据用于指示与所述预设自动驾驶测试场景主题相关的重要场景测试数据。
一种可行的实施方式中,在所述获取预设自动驾驶测试场景主题对应的多个初始车辆观测数据之前,所述自动驾驶测试场景量化评估方法还包括:按照预设策略对预置场景中的至少一个目标参数进行批量生成处理,得到多个动态参数;将所述多个动态参数和所述预置场景中的至少一个基本参数进行组合和主题划分,得到所述预置场景对应的自动驾驶测试场景主题集,所述自动驾驶测试场景主题集包括所述预设自动驾驶测试场景主题。
本发明第二方面提供了一种自动驾驶测试场景量化评估装置,包括:获取模块,用于获取预设自动驾驶测试场景主题对应的多个初始车辆观测数据;拟合模块,用于通过训练完成的模型对所述多个初始车辆观测数据进行拟合处理,得到拟合概率密度分布数据;评估模块,用于基于所述拟合概率密度分布数据进行场景量化评估处理,得到场景量化评估数据。
一种可行的实施方式中,所述获取模块还包括:确定单元,用于接收场景量化评估处理请求,并根据所述场景量化评估处理请求确定预设自动驾驶测试场景主题;第一获取单元,用于获取所述预设自动驾驶测试场景主题对应的多个感兴趣变量;查询单元,用于按照所述多个感兴趣变量查询预设的历史路测数据集,得到多个初始车辆观测数据,各初始车辆观测数据与各感兴趣变量存在对应关系。
一种可行的实施方式中,所述获取模块还包括:第二获取单元,用于在预设时长范围内获取多个路测数据,所述多个路测数据用于指示测试车辆和周围障碍物之间的相对测量信息;处理单元,用于通过预置分布式计算引擎对所述多个路测数据进行流处理操作,得到预设的历史路测数据集,并存储所述预设的历史路测数据集。
一种可行的实施方式中,所述拟合模块还包括:变换单元,用于对所述多个初始车辆观测数据进行数据变换处理,得到符合高斯分布的车辆观测数据;拟合单元,用于通过预置高斯混合模型对所述符合高斯分布的车辆观测数据进行拟合处理,得到拟合概率密度分布数据。
一种可行的实施方式中,所述变换单元具体用于:判断各初始车辆观测数据所在的数值范围;按照各初始车辆观测数据所在的数值范围确定各初始车辆观测数据对应的变换函数;基于各初始车辆观测数据对应的变换函数对各初始车辆观测数据进行对数变换处理,得到符合高斯分布的车辆观测数据。
一种可行的实施方式中,所述拟合单元具体用于:获取多个高斯子模型数量,并按照预设的赤池信息量准则和所述多个高斯子模型数量确定目标高斯子模型数量;将所述目标高斯子模型数量作为预置高斯混合模型的模型参数,并通过预置高斯混合模型中的对数似然函数和期望最大化算法对所述符合高斯分布的车辆观测数据进行拟合处理,得到拟合概率密度分布数据。
一种可行的实施方式中,所述评估模块具体用于:按照预设概率转换函数将所述拟合概率密度分布数据转换为场景概率密度分布数据;按照预设的场景筛选规则对所述场景概率密度分布数据进行数据筛选,得到场景量化评估数据,所述场景量化评估数据用于指示与所述预设自动驾驶测试场景主题相关的重要场景测试数据。
一种可行的实施方式中,所述自动驾驶测试场景量化评估装置还包括:生成模块,用于按照预设策略对预置场景中的至少一个目标参数进行批量生成处理,得到多个动态参数;划分模块,用于将所述多个动态参数和所述预置场景中的至少一个基本参数进行组合和主题划分,得到所述预置场景对应的自动驾驶测试场景主题集,所述自动驾驶测试场景主题集包括所述预设自动驾驶测试场景主题。
本发明第三方面提供了一种自动驾驶测试场景量化评估设备,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述指令,以使得所述自动驾驶测试场景量化评估设备执行上述的自动驾驶测试场景量化评估方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的自动驾驶测试场景量化评估方法。
本发明提供的技术方案中,获取预设自动驾驶测试场景主题对应的多个初始车辆观测数据;通过训练完成的模型对所述多个初始车辆观测数据进行拟合处理,得到拟合概率密度分布数据;基于所述拟合概率密度分布数据进行场景量化评估处理,得到场景量化评估数据。本发明实施例中,通过训练完成的模型对预设自动驾驶测试场景主题对应的多个初始车辆观测数据进行拟合处理,得到拟合概率密度分布数据,并基于拟合概率密度分布数据确定场景量化评估数据,提高了自动驾驶测试场景量化评估效率和准确率,以及提高了自动驾驶测试安全性和测试场景覆盖率。
附图说明
图1为本发明实施例中自动驾驶测试场景量化评估方法的一个实施例示意图;
图2为本发明实施例中自动驾驶测试场景量化评估方法的另一个实施例示意图;
图3为本发明实施例中自动驾驶测试场景量化评估装置的一个实施例示意图;
图4为本发明实施例中自动驾驶测试场景量化评估装置的另一个实施例示意图;
图5为本发明实施例中自动驾驶测试场景量化评估设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种自动驾驶测试场景量化评估方法及相关设备,用于提高自动驾驶测试场景量化评估效率和准确率,以及提高自动驾驶测试安全性和测试场景覆盖率。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中自动驾驶测试场景量化评估方法的一个实施例包括:
101、获取预设自动驾驶测试场景主题对应的多个初始车辆观测数据。
其中,预设自动驾驶测试场景主题与多个初始车辆观测数据存在对应关系。具体的,服务器获取预设自动驾驶测试场景主题,并根据预设自动驾驶测试场景主题获取对应的多个感兴趣变量;服务器根据多个感兴趣变量确定多个初始车辆观测数据,各感兴趣变量与各初始车辆观测数据之间存在对应关系。例如,预设自动驾驶测试场景主题为行人过马路场景,与行人过马路场景对应的多个感兴趣变量包括行人速度变量、主车速度变量和主车刹车速度变量。
需要说明的是,模糊测试是一种应用于无人驾驶仿真参数配置的方式,该方式按照预设策略对预设自动驾驶测试场景主题中至少一个目标参数随机化生成多个动态参数,最后将生成的各动态参数与基本参数进行组合,从而批量生成自动驾驶测试场景主题集。具体的,在步骤101之前,服务器按照预设策略对预置场景中的至少一个目标参数进行批量生成处理,得到多个动态参数;服务器将多个动态参数和预置场景中的至少一个基本参数进行组合和主题划分,得到预置场景对应的自动驾驶测试场景主题集,自动驾驶测试场景主题集包括预设自动驾驶测试场景主题。例如,预置场景为无人车跟车反应性能场景,基本参数为主车速度,主车速度为22m/s,目标参数包括前车加速度和前车速度,前车加速度对应的取值范围为大于或等于-6m/s2并且小于或等于12m/s2,前车速度对应的取值范围为大于或等于22m/s并且小于或等于25m/s,前车加速度在-6m/s2至12m/s2以0.5为增加值进行数值变换,前车速度在22m/s至25m/s之间以1为增加值进行数值变换,最后生成无人车跟车反应性能场景对应的自动驾驶测试场景主题集。也就是,各动态参数在取值范围内进行批量生成,基本参数和各动态参数之间组合成无人车跟车反应性能场景对应的自动驾驶测试场景主题。其中,主车速度为22m/s、前车加速度为-6m/s2和前车速度为23m/s为无人车跟车反应性能场景中的一个自动驾驶测试场景主题。
可以理解的是,本发明的执行主体可以为自动驾驶测试场景量化评估装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
102、通过训练完成的模型对多个初始车辆观测数据进行拟合处理,得到拟合概率密度分布数据。
其中,训练完成的模型可以为预置核密度估计模型,也可以为预置高斯混合模型,具体此处不做限定。在一些实施例中,服务器通过预置核密度估计模型对多个初始车辆观测数据估计密度分布,得到条件概率分布数据或边际概率分布数据,服务器基于条件概率分布数据或边际概率分布数据确定拟合概率密度分布数据。
需要说明的是,训练完成的模型用于拟合全部感兴趣变量的联合密度模型。例如,预设自动驾驶测试场景主题a对应的多个感兴趣量包括A、B和C,预设自动驾驶测试场景主题b对应的多个感兴趣量包括B、C和D,预设自动驾驶测试场景主题从、对应的多个感兴趣量包括E、F、G和H。而训练完成的模型为处理A、B、C、D、E、F、G和H联合密度的模型。也就是,该训练完成的模型还可以应用于其他自动驾驶测试场景主题的车辆观测数据拟合处理中。
103、基于拟合概率密度分布数据进行场景量化评估处理,得到场景量化评估数据。
需要说明的是,场景量化评估数据用于指示对各初始车辆观测数据估测的概率值或对所有初始车辆观测数据估测的综合概率值。例如,针对预置场景为无人车跟车反应性能场景,无人车跟车反应性能场景对应的一个预设自动驾驶测试场景主题中多个初始车辆观测数据包括:主车速度为22m/s,前车加速度为-7m/s2以及前车速度为23m/s。服务器通过训练完成的模型对主车速度、前车加速度和前车速度进行拟合处理后,得到拟合概率密度分布数据为0.6、0.1、0.3,服务器基于拟合概率密度分布数据确定预设自动驾驶测试场景主题对应的场景量化评估数据,该预设自动驾驶测试场景主题对应的场景量化评估数据用于指示预设自动驾驶测试场景主题的场景重要程度。
在一些实施例中,服务器获取各初始车辆观测数据对应的权重系数;服务器根据各初始车辆观测数据对应的权重系数和拟合概率密度分布数据进行加权计算,得到综合概率数据,并将综合概率数据设置为场景量化评估数据。在本实施例中,场景量化评估数据为对所有初始车辆观测数据估测的综合概率值,其中,场景量化评估数据的取值范围可以大于或等于0,且小于或等于10,场景量化评估数据的取值范围可以也可以为大于或等于0,且小于或等于1,具体此处不做限定。例如,场景量化评估数据为0.3或5。
可以理解的是,预置场景对应的自动驾驶测试场景主题集数量为多个,自动驾驶测试场景主题集包括预设自动驾驶测试场景主题。服务器对预置场景对应的自动驾驶测试场景主题集重复执行步骤101至103,得到各自动驾驶测试场景主题对应的场景量化评估数据,服务器通过各自动驾驶测试场景主题对应的场景量化评估数据评估各自动驾驶测试场景主题在日常路测中出现的概率,以此确定各自动驾驶测试场景主题的场景重要程度。
本发明实施例中,通过训练完成的模型对预设自动驾驶测试场景主题对应的多个初始车辆观测数据进行拟合处理,得到拟合概率密度分布数据,并基于拟合概率密度分布数据确定场景量化评估数据,提高了自动驾驶测试场景量化评估效率和准确率,以及提高了自动驾驶测试安全性和测试场景覆盖率。
请参阅图2,本发明实施例中自动驾驶测试场景量化评估方法的另一个实施例包括:
201、获取预设自动驾驶测试场景主题对应的多个初始车辆观测数据。
其中,预设自动驾驶测试场景主题用于指示预设场景下的任意一个子场景。例如,预设自动驾驶测试场景主题为无人车跟车反应性能场景,无人车跟车反应性能场景用于指示测试场景参数为主车和前车在限速22m/s的道路上行驶时,前车加速度从-6m/s2至-12m/s2的区间内急刹时,无人车主车能否成功刹车,并避让与前车发生碰撞。
在一些实施例中,服务器接收场景量化评估处理请求,并根据场景量化评估处理请求确定预设自动驾驶测试场景主题,具体的,服务器接收场景量化评估处理请求,服务器对场景量化评估处理请求进行数据解析,得到场景主题标识,服务器根据场景主题标识确定预设自动驾驶测试场景主题;服务器获取预设自动驾驶测试场景主题对应的多个感兴趣变量,具体的,服务器将预设自动驾驶测试场景主题设置为目标键,服务器按照目标键从预设内存数据库中查询目标值,服务器判断目标值是否为空值,若目标值不为空值,则服务器从目标值中读取对应的多个感兴趣变量;服务器按照多个感兴趣变量查询预设的历史路测数据集,得到多个初始车辆观测数据,各初始车辆观测数据与各感兴趣变量存在对应关系,其中,预设的历史路测数据集为预先导入预设数据库中的路测数据集。
在一些实施例中,服务器在执行接收场景量化评估处理请求,并根据场景量化评估处理请求确定预设自动驾驶测试场景主题步骤之前,服务器在预设时长范围内获取多个路测数据,多个路测数据用于指示测试车辆和周围障碍物之间的相对测量信息,其中,预设时长范围可以为当前时刻的前n个小时范围内,n的取值范围大于0,例如,n为24或48;服务器通过预置分布式计算引擎对多个路测数据进行流处理操作,得到预设的历史路测数据集,并存储预设的历史路测数据集,其中,预置分布式计算引擎可以为开源流处理框架flink,也可以为数据处理分析引擎spark,预置分布式计算引擎还可以为其他类型的计算引擎,具体此处不做限定。
需要说明的是,多个感兴趣变量取决于预设自动驾驶测试场景主题的测试目的,并根据测试目的确认批量生成的多个动态参数及取值范围。例如,无人车跟车反应性能场景的测试目的为测试当主车跟随前车行驶,如果前车遇到紧急情况进行紧急刹车时,主车是否能够及时停下来,以防止与前车发生追尾。在这个测试目的下,无人车跟车反应性能场景对应的多个感兴趣变量包括前车的最大减速度、前车减速度的抖动值、前车初始速度、主车初始速度以及前车开始刹车时前车与主车的距离等。服务器对多个感兴趣变量设定合理真实的变化值,以组合成符合此测试目的的多个初始车辆观测数据。
202、对多个初始车辆观测数据进行数据变换处理,得到符合高斯分布的车辆观测数据。
需要说明的是,数据变换处理的目的主要是将多个初始车辆观测数据的分布转换到整体实数上,以使得预置高斯混合模型可以更好地进行拟合处理。具体的数据变换方式与各初始车辆观测数据自身分布有关。
在一些实施例中,服务器判断各初始车辆观测数据所在的数值范围,例如,数值范围大于或等于0,数值范围还可以为其他取值范围,具体此处不做限定;服务器按照各初始车辆观测数据所在的数值范围确定各初始车辆观测数据对应的变换函数;服务器基于各初始车辆观测数据对应的变换函数对各初始车辆观测数据进行对数变换处理,得到符合高斯分布的车辆观测数据。例如,当初始车辆观测数据为距离观测数据时,服务器确定距离观测数据的数值范围是大于0的,在这种情况下,服务器确定距离观测数据对应的变换函数为g(x)=ln(x),服务器通过变换函数g(x)=ln(x)对距离观测数据进行对数变换处理,得到符合高斯分布的车辆观测数据。当初始车辆观测数据为速度观测数据时,服务器确定速度观测数据的数值范围是大于或等于0的,在这种情况下,服务器确定速度观测数据对应的变换函数为ln(x+a),服务器通过变换函数ln(x+a)对速度观测数据进行对数变换处理,得到符合高斯分布的车辆观测数据。其中,x是初始车辆观测数据,a通常是一个常数,例如,a为0.01。服务器通过对多个初始车辆观测数据进行数据变换处理,以使得这些原本具有正数数值和零值的各初始车辆观测数据被映射到整体实数上,并且长尾问题也得到缓解(也就是,特别大的数值有所减少),例如,初始车辆观测数据为行人距离观测数据,行人距离观测数据包括0.5米、10米和100米,服务器通过变换函数g(x)=ln(x)对行人距离观测数据进行对数转换处理后,得到转换后的数值包括-0.7米、2.3米和4.6米,均为符合高斯分布的车辆观测数据。
203、通过预置高斯混合模型对符合高斯分布的车辆观测数据进行拟合处理,得到拟合概率密度分布数据。
其中,预置高斯混合模型属于训练完成的模型,预置高斯混合模型用于指示通过高斯概率密度函数(也就是正态分布曲线)精确地量化车辆观测数据。预置高斯混合模型中的模型参数少,方便存储,并在数据量大时,计算速度快,并能快速输出条件概率分布数据和边际概率分布数据。
进一步地,服务器预先训练得到预置高斯混合模型,具体的,服务器构建初始高斯混合模型,并随机生成初始高斯混合模型中的高斯分布特征参数,高斯分布特征参数包括权重参数、均值参数以及方差参数;服务器获取符合高斯分布的预设观测样本数据;服务器通过初始高斯混合模型中的高斯概率密度函数,对符合高斯分布的预设观测样本数据计算初始概率分布数据;服务器根据初始概率分布数据重新确定预置高斯混合模型中的高斯分布特征参数,并基于更新后的高斯分布特征参数确定更新后的高斯混合模型;服务器按照预置高斯混合模型中的对数似然函数和期望最大化算法计算最大对数似然函数值;服务器判断最大对数似然函数值是否小于预设阈值;若最大对数似然函数值小于预设阈值,则服务器终止迭代计算,并确定更新后的高斯混合模型为预置高斯混合模型;若最大对数似然函数值大于或等于预设阈值,则通过更新后的更新后的高斯混合模型继续迭代计算,直到最大对数似然函数值收敛时停止迭代计算。其中,预设阈值可以为0.001,也可以为0.0001,具体此处不做限定。
在一些实施例中,服务器获取多个高斯子模型数量(也就是,预先设定一组高斯子模型个数的可能取值,例如,5、10、15、……、100),并按照预设的赤池信息量准则和多个高斯子模型数量确定目标高斯子模型数量,例如,目标高斯子模型数量为55;服务器将目标高斯子模型数量作为预置高斯混合模型的模型参数,并通过预置高斯混合模型中的对数似然函数和期望最大化算法对符合高斯分布的车辆观测数据进行拟合处理,得到拟合概率密度分布数据。需要说明的是,预置高斯混合模型对应的高斯子模型数量越多,预置高斯混合模型可以拟合的概率密度分布数据越复杂,但过拟合的可能性也会变大,因此,服务器通过预设的赤池信息量准则选取目标高斯子模型数量,提高了预置高斯混合模型中目标高斯子模型数量选取的准确性。
204、基于拟合概率密度分布数据进行场景量化评估处理,得到场景量化评估数据。
可以理解的是,服务器通过对多个初始车辆观测数据进行数据变换处理后,得到的拟合概率密度分布数据是关于变换后的车辆观测数据的,在本步骤中,服务器确定变换前的车辆观测数据(也就是,多个初始车辆观测数据)对应的概率密度分布。在一些实施例中,服务器按照预设概率转换函数将拟合概率密度分布数据转换为场景概率密度分布数据;服务器按照预设的场景筛选规则对场景概率密度分布数据进行数据筛选,得到场景量化评估数据,场景量化评估数据用于指示与预设自动驾驶测试场景主题相关的重要场景测试数据。例如,行人过马路场景对应的自动驾驶测试场景主题a,服务器获取自动驾驶测试场景主题a对应的行人过马路速度观测数据为0.5米/秒,服务器执行步骤202至204,服务器确定自动驾驶测试场景主题a对应的场景量化评估数据分别为0.2。
需要说明的是,预设概率转换函数与各初始车辆观测数据对应的变换函数相关,当各初始车辆观测数据对应的变换函数为g(x)=ln(x)时,服务器确定预设概率转换函数为此处fX(x)表示变换前的密度函数,fY(g(x))表示变换后的密度函数,/>为变换函数(也就是,g(x)=ln(x)导数的绝对值)。由此关系,服务器通过预设概率转换函数将拟合概率密度分布数据转换成场景概率密度分布数据(也就是,变换前的概率密度分布数据)。进一步地,服务器能够通过本实施例估测出多个自动驾驶测试场景主题分别对应的场景量化评估数据,从而根据各自动驾驶测试场景主题对应的场景量化评估数据判断场景重要性。例如,在一个行人过马路的场景中,服务器对行人过马路场景中的速度变量感兴趣,进而生成3个自动驾驶测试场景主题a、b和c,服务器获取自动驾驶测试场景主题a对应的行人过马路速度观测数据为0.5米/秒、自动驾驶测试场景主题b对应的行人过马路速度观测数据为1米/秒以及自动驾驶测试场景主题c对应的行人过马路速度观测数据为2米/秒。服务器执行步骤202至204,服务器确定自动驾驶测试场景主题a对应的场景量化评估数据为0.2,服务器确定自动驾驶测试场景主题b对应的场景量化评估数据为0.4,服务器确定自动驾驶测试场景主题c对应的场景量化评估数据为0.1。进一步地,服务器确定场景量化评估数据为0.4对应的行人过马路速度观测数据1米/秒更为重要。
本发明实施例中,通过训练完成的模型对预设自动驾驶测试场景主题对应的多个初始车辆观测数据进行拟合处理,得到拟合概率密度分布数据,并基于拟合概率密度分布数据确定场景量化评估数据,提高了自动驾驶测试场景量化评估效率和准确率,以及提高了自动驾驶测试安全性和测试场景覆盖率。
上面对本发明实施例中自动驾驶测试场景量化评估方法进行了描述,下面对本发明实施例中自动驾驶测试场景量化评估装置进行描述,请参阅图3,本发明实施例中自动驾驶测试场景量化评估装置一个实施例包括:
获取模块301,用于获取预设自动驾驶测试场景主题对应的多个初始车辆观测数据;
拟合模块302,用于通过训练完成的模型对所述多个初始车辆观测数据进行拟合处理,得到拟合概率密度分布数据;
评估模块303,用于基于所述拟合概率密度分布数据进行场景量化评估处理,得到场景量化评估数据。
本发明实施例中,通过训练完成的模型对预设自动驾驶测试场景主题对应的多个初始车辆观测数据进行拟合处理,得到拟合概率密度分布数据,并基于拟合概率密度分布数据确定场景量化评估数据,提高了自动驾驶测试场景量化评估效率和准确率,以及提高了自动驾驶测试安全性和测试场景覆盖率。
请参阅图4,本发明实施例中自动驾驶测试场景量化评估装置另一个实施例包括:
获取模块301,用于获取预设自动驾驶测试场景主题对应的多个初始车辆观测数据;
拟合模块302,用于通过训练完成的模型对所述多个初始车辆观测数据进行拟合处理,得到拟合概率密度分布数据;
评估模块303,用于基于所述拟合概率密度分布数据进行场景量化评估处理,得到场景量化评估数据。
可选的,所述获取模块301还包括:
确定单元3011,用于接收场景量化评估处理请求,并根据场景量化评估处理请求确定预设自动驾驶测试场景主题;
第一获取单元3012,用于获取所述预设自动驾驶测试场景主题对应的多个感兴趣变量;
查询单元3013,用于按照所述多个感兴趣变量查询预设的历史路测数据集,得到多个初始车辆观测数据,各初始车辆观测数据与各感兴趣变量存在对应关系。
可选的,所述获取模块301还包括:
第二获取单元3014,用于在预设时长范围内获取多个路测数据,所述多个路测数据用于指示测试车辆和周围障碍物之间的相对测量信息;
处理单元3015,用于通过预置分布式计算引擎对所述多个路测数据进行流处理操作,得到预设的历史路测数据集,并存储所述预设的历史路测数据集。
可选的,所述拟合模块302还包括:
变换单元3021,用于对所述多个初始车辆观测数据进行数据变换处理,得到符合高斯分布的车辆观测数据;
拟合单元3022,用于通过预置高斯混合模型对所述符合高斯分布的车辆观测数据进行拟合处理,得到拟合概率密度分布数据。
可选的,所述变换单元3021具体用于:
判断各初始车辆观测数据所在的数值范围;
按照各初始车辆观测数据所在的数值范围确定各初始车辆观测数据对应的变换函数;
基于各初始车辆观测数据对应的变换函数对各初始车辆观测数据进行对数变换处理,得到符合高斯分布的车辆观测数据。
可选的,所述拟合单元3022具体用于:
获取多个高斯子模型数量,并按照预设的赤池信息量准则和所述多个高斯子模型数量确定目标高斯子模型数量;
将所述目标高斯子模型数量作为预置高斯混合模型的模型参数,并通过预置高斯混合模型中的对数似然函数和期望最大化算法对所述符合高斯分布的车辆观测数据进行拟合处理,得到拟合概率密度分布数据。
可选的,所述评估模块303具体用于:
按照预设概率转换函数将所述拟合概率密度分布数据转换为场景概率密度分布数据;
按照预设的场景筛选规则对所述场景概率密度分布数据进行数据筛选,得到场景量化评估数据,所述场景量化评估数据用于指示与所述预设自动驾驶测试场景主题相关的重要场景测试数据。
可选的,所述自动驾驶测试场景量化评估装置还包括:
生成模块304,用于按照预设策略对预置场景中的至少一个目标参数进行批量生成处理,得到多个动态参数;
划分模块305,用于将所述多个动态参数和所述预置场景中的至少一个基本参数进行组合和主题划分,得到所述预置场景对应的自动驾驶测试场景主题集,所述自动驾驶测试场景主题集包括所述预设自动驾驶测试场景主题。
本发明实施例中,通过训练完成的模型对预设自动驾驶测试场景主题对应的多个初始车辆观测数据进行拟合处理,得到拟合概率密度分布数据,并基于拟合概率密度分布数据确定场景量化评估数据,提高了自动驾驶测试场景量化评估效率和准确率,以及提高了自动驾驶测试安全性和测试场景覆盖率。
上面图3和图4从模块化的角度对本发明实施例中的自动驾驶测试场景量化评估装置进行详细描述,下面从硬件处理的角度对本发明实施例中自动驾驶测试场景量化评估设备进行详细描述。
图5是本发明实施例提供的一种自动驾驶测试场景量化评估设备的结构示意图,该自动驾驶测试场景量化评估设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对自动驾驶测试场景量化评估设备500中的一系列计算机程序操作。更进一步地,处理器510可以设置为与存储介质530通信,在自动驾驶测试场景量化评估设备500上执行存储介质530中的一系列计算机程序操作。
自动驾驶测试场景量化评估设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作系统531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的自动驾驶测试场景量化评估设备结构并不构成对自动驾驶测试场景量化评估设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述自动驾驶测试场景量化评估方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种自动驾驶测试场景量化评估方法,其特征在于,所述自动驾驶测试场景量化评估方法包括:
获取预设自动驾驶测试场景主题对应的多个初始车辆观测数据;
通过训练完成的模型对所述多个初始车辆观测数据进行拟合处理,得到拟合概率密度分布数据;
基于所述拟合概率密度分布数据进行场景量化评估处理,得到场景量化评估数据;
所述获取预设自动驾驶测试场景主题对应的多个初始车辆观测数据,包括:
接收场景量化评估处理请求,并根据所述场景量化评估处理请求确定预设自动驾驶测试场景主题;
获取所述预设自动驾驶测试场景主题对应的多个感兴趣变量;
按照所述多个感兴趣变量查询预设的历史路测数据集,得到多个初始车辆观测数据,各初始车辆观测数据与各感兴趣变量存在对应关系;
所述基于所述拟合概率密度分布数据进行场景量化评估处理,得到场景量化评估数据,包括:
获取各初始车辆观测数据对应的权重系数;
根据各初始车辆观测数据对应的权重系数和所述拟合概率密度分布数据进行加权计算,得到场景量化评估数据;
或,
按照预设概率转换函数将所述拟合概率密度分布数据转换为场景概率密度分布数据;
按照预设的场景筛选规则对所述场景概率密度分布数据进行数据筛选,得到场景量化评估数据,所述场景量化评估数据用于指示与所述预设自动驾驶测试场景主题相关的重要场景测试数据。
2.根据权利要求1所述的自动驾驶测试场景量化评估方法,其特征在于,在所述接收场景量化评估处理请求,并根据所述场景量化评估处理请求确定预设自动驾驶测试场景主题之前,所述自动驾驶测试场景量化评估方法还包括:
在预设时长范围内获取多个路测数据,所述多个路测数据用于指示测试车辆和周围障碍物之间的相对测量信息;
通过预置分布式计算引擎对所述多个路测数据进行流处理操作,得到预设的历史路测数据集,并存储所述预设的历史路测数据集。
3.根据权利要求1所述的自动驾驶测试场景量化评估方法,其特征在于,所述通过训练完成的模型对所述多个初始车辆观测数据进行拟合处理,得到拟合概率密度分布数据,其中,所述训练完成的模型为预置高斯混合模型,包括:
对所述多个初始车辆观测数据进行数据变换处理,得到符合高斯分布的车辆观测数据;
通过预置高斯混合模型对所述符合高斯分布的车辆观测数据进行拟合处理,得到拟合概率密度分布数据。
4.根据权利要求3所述的自动驾驶测试场景量化评估方法,其特征在于,所述对所述多个初始车辆观测数据进行数据变换处理,得到符合高斯分布的车辆观测数据,包括:
判断各初始车辆观测数据所在的数值范围;
按照各初始车辆观测数据所在的数值范围确定各初始车辆观测数据对应的变换函数;
基于各初始车辆观测数据对应的变换函数对各初始车辆观测数据进行对数变换处理,得到符合高斯分布的车辆观测数据。
5.根据权利要求3所述的自动驾驶测试场景量化评估方法,其特征在于,所述通过预置高斯混合模型对所述符合高斯分布的车辆观测数据进行拟合处理,得到拟合概率密度分布数据,包括:
获取多个高斯子模型数量,并按照预设的赤池信息量准则和所述多个高斯子模型数量确定目标高斯子模型数量;
将所述目标高斯子模型数量作为预置高斯混合模型的模型参数,并通过预置高斯混合模型中的对数似然函数和期望最大化算法对所述符合高斯分布的车辆观测数据进行拟合处理,得到拟合概率密度分布数据。
6.根据权利要求1-5中任意一项所述的自动驾驶测试场景量化评估方法,其特征在于,在所述获取预设自动驾驶测试场景主题对应的多个初始车辆观测数据之前,所述自动驾驶测试场景量化评估方法还包括:
按照预设策略对预置场景中的至少一个目标参数进行批量生成处理,得到多个动态参数;
将所述多个动态参数和所述预置场景中的至少一个基本参数进行组合和主题划分,得到所述预置场景对应的自动驾驶测试场景主题集,所述自动驾驶测试场景主题集包括所述预设自动驾驶测试场景主题。
7.一种自动驾驶测试场景量化评估装置,其特征在于,所述自动驾驶测试场景量化评估装置执行如权利要求1-6中任意一项所述的自动驾驶测试场景量化评估方法,所述自动驾驶测试场景量化评估装置包括:
获取模块,用于获取预设自动驾驶测试场景主题对应的多个初始车辆观测数据;
拟合模块,用于通过训练完成的模型对所述多个初始车辆观测数据进行拟合处理,得到拟合概率密度分布数据;
评估模块,用于基于所述拟合概率密度分布数据进行场景量化评估处理,得到场景量化评估数据。
8.一种自动驾驶测试场景量化评估设备,其特征在于,所述自动驾驶测试场景量化评估设备包括:存储器和至少一个处理器,所述存储器中存储有计算机程序;
所述至少一个处理器调用所述存储器中的所述计算机程序,以使得所述自动驾驶测试场景量化评估设备执行如权利要求1-6中任意一项所述的自动驾驶测试场景量化评估方法。
9.一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,所述计算机程序被处理器执行时实现如权利要求1-6中任意一项所述的自动驾驶测试场景量化评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111627220.3A CN114544191B (zh) | 2021-12-28 | 2021-12-28 | 自动驾驶测试场景量化评估方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111627220.3A CN114544191B (zh) | 2021-12-28 | 2021-12-28 | 自动驾驶测试场景量化评估方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114544191A CN114544191A (zh) | 2022-05-27 |
CN114544191B true CN114544191B (zh) | 2024-05-03 |
Family
ID=81670347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111627220.3A Active CN114544191B (zh) | 2021-12-28 | 2021-12-28 | 自动驾驶测试场景量化评估方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114544191B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115148028B (zh) * | 2022-06-30 | 2023-12-15 | 北京小马智行科技有限公司 | 依据历史数据构建车辆路测场景的方法、装置及一种车辆 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019099050A (ja) * | 2017-12-06 | 2019-06-24 | Toyo Tire株式会社 | 接触特性の評価方法 |
CN111122175A (zh) * | 2020-01-02 | 2020-05-08 | 北京百度网讯科技有限公司 | 测试自动驾驶系统的方法以及装置 |
CN111580500A (zh) * | 2020-05-11 | 2020-08-25 | 吉林大学 | 一种针对自动驾驶汽车安全性的评价方法 |
CN112036001A (zh) * | 2020-07-01 | 2020-12-04 | 长安大学 | 自动驾驶测试场景构建方法、装置、设备及可读存储介质 |
CN113034210A (zh) * | 2021-04-28 | 2021-06-25 | 重庆大学 | 一种基于数据驱动场景下车辆行驶成本评价方法 |
CN113360412A (zh) * | 2021-07-20 | 2021-09-07 | 北京赛目科技有限公司 | 一种测试场景选取方法、装置、电子设备及存储介质 |
CN113377662A (zh) * | 2021-06-24 | 2021-09-10 | 吉林大学 | 一种基于势场法和信息熵的自动驾驶安全性评价方法 |
CN113468792A (zh) * | 2021-07-22 | 2021-10-01 | 国网宁夏电力有限公司电力科学研究院 | 电磁暂态仿真模型的参数校正方法、装置和电子设备 |
CN113640014A (zh) * | 2021-08-13 | 2021-11-12 | 北京赛目科技有限公司 | 自动驾驶车辆测试场景的构建方法、装置及可读存储介质 |
CN113642108A (zh) * | 2021-08-11 | 2021-11-12 | 北京航空航天大学 | 一种基于重要度抽样的无人车十字路口通行场景关键测试案例生成方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11036232B2 (en) * | 2018-09-14 | 2021-06-15 | Huawei Technologies Co., Ltd | Iterative generation of adversarial scenarios |
-
2021
- 2021-12-28 CN CN202111627220.3A patent/CN114544191B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019099050A (ja) * | 2017-12-06 | 2019-06-24 | Toyo Tire株式会社 | 接触特性の評価方法 |
CN111122175A (zh) * | 2020-01-02 | 2020-05-08 | 北京百度网讯科技有限公司 | 测试自动驾驶系统的方法以及装置 |
CN111580500A (zh) * | 2020-05-11 | 2020-08-25 | 吉林大学 | 一种针对自动驾驶汽车安全性的评价方法 |
CN112036001A (zh) * | 2020-07-01 | 2020-12-04 | 长安大学 | 自动驾驶测试场景构建方法、装置、设备及可读存储介质 |
CN113034210A (zh) * | 2021-04-28 | 2021-06-25 | 重庆大学 | 一种基于数据驱动场景下车辆行驶成本评价方法 |
CN113377662A (zh) * | 2021-06-24 | 2021-09-10 | 吉林大学 | 一种基于势场法和信息熵的自动驾驶安全性评价方法 |
CN113360412A (zh) * | 2021-07-20 | 2021-09-07 | 北京赛目科技有限公司 | 一种测试场景选取方法、装置、电子设备及存储介质 |
CN113468792A (zh) * | 2021-07-22 | 2021-10-01 | 国网宁夏电力有限公司电力科学研究院 | 电磁暂态仿真模型的参数校正方法、装置和电子设备 |
CN113642108A (zh) * | 2021-08-11 | 2021-11-12 | 北京航空航天大学 | 一种基于重要度抽样的无人车十字路口通行场景关键测试案例生成方法 |
CN113640014A (zh) * | 2021-08-13 | 2021-11-12 | 北京赛目科技有限公司 | 自动驾驶车辆测试场景的构建方法、装置及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
自动驾驶车辆换道过程建模与分析;郑施雨;工程科技Ⅱ辑(第2018年第09期期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114544191A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112036001B (zh) | 自动驾驶测试场景构建方法、装置、设备及可读存储介质 | |
CN107169567B (zh) | 一种用于车辆自动驾驶的决策网络模型的生成方法及装置 | |
CN110414584B (zh) | 汽车路谱聚类合成方法及系统 | |
Zhang et al. | Accelerated evaluation of autonomous vehicles in the lane change scenario based on subset simulation technique | |
US20220164660A1 (en) | Method for determining a sensor configuration | |
CN114815605A (zh) | 自动驾驶测试用例生成方法、装置、电子设备及存储介质 | |
CN114544191B (zh) | 自动驾驶测试场景量化评估方法及相关设备 | |
CN112838247A (zh) | 燃料电池系统功率模型预测计算方法、装置、介质及设备 | |
Jiang et al. | Efficient and unbiased safety test for autonomous driving systems | |
Antsyferov et al. | Evaluation of cognitive systems structural elements effectiveness | |
Yang et al. | Adaptive safety evaluation for connected and automated vehicles with sparse control variates | |
CN112462759B (zh) | 规控算法的评估方法、系统及计算机存储介质 | |
CN108694486A (zh) | 一种基于云模型的驾驶行为智能评价方法和装置 | |
CN116796821A (zh) | 面向3d目标检测算法的高效神经网络架构搜索方法及装置 | |
EP3816865A1 (en) | Determining an output by aggregating parent instances | |
CN111160594B (zh) | 一种到达时间的预估方法、装置及存储介质 | |
CN110598914A (zh) | 一种多因素影响下矿井灾害气体浓度区间预测方法及系统 | |
CN115841712A (zh) | 一种基于v2x技术的驾驶数据处理方法、装置及设备 | |
CN115788793A (zh) | 全局监控预警方法及其系统 | |
CN115454018A (zh) | 基于复杂度的自动驾驶场景测试用例生成方法及系统 | |
US20210357787A1 (en) | Device and method for operating a test stand | |
WO2023052685A1 (en) | Forecasting charging time of electric vehicles | |
CN113658426A (zh) | 一种车辆事故识别方法及装置 | |
CN113159640A (zh) | 一种评价指标权重的确定方法、装置、设备及介质 | |
CN111695278A (zh) | 一种基于改进同步扰动随机逼近算法的交通仿真参数校正方法 |
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 |