CN114651190A - 用于批准使用检测车辆的环境中的物体的传感器系统的方法、设备和计算机程序 - Google Patents
用于批准使用检测车辆的环境中的物体的传感器系统的方法、设备和计算机程序 Download PDFInfo
- Publication number
- CN114651190A CN114651190A CN202080077767.8A CN202080077767A CN114651190A CN 114651190 A CN114651190 A CN 114651190A CN 202080077767 A CN202080077767 A CN 202080077767A CN 114651190 A CN114651190 A CN 114651190A
- Authority
- CN
- China
- Prior art keywords
- sensor system
- vehicle
- deviation
- sensor
- probability distribution
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/865—Combination of radar systems with lidar systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/497—Means for monitoring or calibrating
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
- G01S2013/9327—Sensor installation details
- G01S2013/93273—Sensor installation details on the top of the vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
- Measuring Fluid Pressure (AREA)
Abstract
本发明涉及用于批准使用检测车辆(1)的环境中的物体的传感器系统(10)的方法,方法包括如下步骤:提供针对在传感器系统(10)的用于检测物体的程序部分的层面上、在传感器系统(10)的传感器(11)的层面上和/或在传感器系统(10)的融合层面上传感器系统(10)的输出数据和参考数据之间的偏差(a)的联合概率分布(V1),将偏差组合抽样并且借助联合概率分布计算被抽样的偏差组合的出现概率(p)(V2),将被抽样的偏差组合加载到参考数据,借助传感器系统(10)的融合单元(12)处理被加载的参考数据并且获得融合结果(V3),从联合概率分布去除那些导致满足预定条件的融合结果的偏差组合的出现概率(p),并且获得剩余概率分布(V4),将剩余概率分布积分并且获得绝对误差概率(P)(V5),并且依赖于绝对误差概率(P)批准使用传感器系统(10)(V6)。
Description
技术领域
本发明涉及用于批准使用检测车辆的环境中的物体的传感器系统的方法、设备和计算机程序。本发明特别地涉及关系到系统性地并且在统计学上出现的SOTIF风险方面的批准使用。SOTIF意指预期功能安全(safety of the intended functionality)。此外,本发明还涉及用于检测车辆的环境中的物体的传感器系统。
背景技术
该系统的批准使用对于将技术系统从开发阶段过渡到批量生产是必要的。只有当该技术系统满足事先限定的要求,特别是技术系统的安全性的要求时,才实现批准使用。目前在汽车行业中使用的批准使用概念规定针对不同的自动化级别进行单独的批准使用,在这些自动化级别中总是赋予了通过人类驾驶员实现的可控制性,无论是通过驾驶员的直接控制还是通过对驾驶员的返回层面。
自主驾驶的特殊功能是从一定自动化级别开始(例如SAE 3+级) 消除了对人类驾驶员的返回层面。安全性于是完全来自驾驶机器人和车辆的技术系统。在如下文献中“Autonomes Fahren–Technische, rechtliche und gesellschaftliche Aspekte(自主驾驶-技术、法律和社会方面)”,Springer Vieweg,2015,Wachenfeld和Winner在其文章“DieFreigabe des autonomen Fahrens(对自主驾驶的批准使用)”中公开,根据2012年德国警方记录的3375起死亡事故和德国境内的7090亿千米行驶里程,此数字意味着平均两起死亡事故之间有2.1亿千米。基于这些数字的泊松分布并且要求自主车辆的性能优良程度是目前由人类驾驶员驾驶的车辆的两倍,则自主车辆需要行驶至少21亿千米的测试距离。在此情况中,提供概率为50%的证明。然而,在该概率下出现五次事故。另一个解决自主车辆必须行驶多少测试千米以表明其在安全性和风险方面可靠这一问题的在统计学上模型是RAND模型,请参见http://www.jstor.org/stable/10.7249/j.ctt1btc0xw。RAND模型提供了 88亿测试千米的数字。另一个模型是最小内源性死亡率(缩写为MEM, MinimalEndogenous Morality),此模型是用于铁路设施或发电厂等安全相关系统的风险分析模型。对于高速公路驾驶辅助系统 (Autobahnpiloten),MEM模型提供了10-9/小时的死亡率阈值。
如此之高的保障千米数对批准使用提出了挑战。附加地,对自主车辆的批准使用缺少法律要求。因此,在可预见的未来,借助现有技术不可能批准使用自主车辆。尽管在SOTIF标准ISO/PAS 21448:2019 “Road vehicles–Safety of intended functionality(道路车辆-预期功能安全)”中要求有这样的方法,但是在现有技术中缺少可使用的方法来批准使用和计算系统的预期的剩余风险。
从现有技术已知的在统计学上的模型涉及自主车辆的全部系统,并且不能容易地专门应用于感知,即车辆环境中的物体的检测或觉察。借助统计无法界定基于检测中的误差所造成的事故。不能假设检测中的误差不导致事故。PEGASUS研究项目(即建立普遍接受的商品标准、工具和方法以及用于批准使用高度自动的驾驶功能的场景和情况的项目)确实为确保SAE J 3016 3级系统提供了全面的方法。然而,由于缺乏有效的传感器模型,使得基于场景的方法不能用于确保感知,而只能用于确保驾驶策略的决策和规划算法。
发明内容
本发明的任务在于为了批准使用检测车辆环境内的物体的传感器系统,降低保障千米数。
本发明的主题通过考虑传感器系统的各个传感器的偏差组合并且计算失效概率来解决该任务。以此分析自主车辆的所存在的剩余风险。随同包括了批准使用的另外的方面,例如功能测试、误差反应测试或硬件测试。
根据一个方面,本发明提供用于批准使用检测车辆环境内的物体的传感器系统的方法。方法包括如下方法步骤:
·提供针对在传感器系统的用于检测物体的程序部分的层面上、在传感器系统的传感器的层面上和/或在传感器系统的融合层面上传感器系统的输出数据与参考数据之间的偏差的联合概率分布,
·将偏差组合抽样并且借助联合概率分布计算被抽样的偏差组合的出现概率,
·将被抽样的偏差组合加载给参考数据,借助传感器系统的融合单元处理被加载的参考数据并且获得融合结果,
·从联合概率分布去除那些导致满足预定条件的融合结果的偏差组合的出现概率,并且获得剩余概率分布,
·将剩余概率分布积分并且获得绝对误差概率,并且
·依赖于绝对误差概率批准使用传感器系统。
根据本发明的方法根据本发明的一个方面以计算机实施。
根据另一方面,本发明提供用于批准使用检测车辆环境内的物体的传感器系统的设备。设备包括至少一个处理单元,处理单元被匹配成实施根据本发明的方法的步骤。根据本发明的一个方面,处理单元是车辆的控制装置的硬件,例如计算机或其部分。处理单元还被实施成用于融合传感器系统的各个传感器的输出数据。
根据另一方面,本发明提供用于检测车辆环境内的物体的传感器系统。传感器系统包括一种传感器技术的多个传感器或每种传感器技术的至少一个传感器、根据本发明的设备和融合数据的融合单元。
根据另一方面,本发明提供用于批准使用检测车辆环境内的物体的传感器系统的计算机程序。计算机程序包括指令,在计算机程序由处理单元实施时所述指令导致处理单元实施根据本发明的方法的步骤。此指令是以编程语言制定的,例如面向对象的编程语言,例如C++。根据本发明的一个方面,计算机程序由根据本发明的设备的处理单元实施。
根据另一方面,本发明提供计算机可读取的数据载体,根据本发明的计算机程序存储在计算机可读取的数据载体上。数据载体例如是形式为存储模块的半导体存储器,例如存储卡。例如,半导体存储器是闪存存储器。例如,数据载体与车辆的控制装置的输入接口连接。因此,车辆的控制装置可以实施方法。
根据另一方面本发明提供了车辆。车辆包括至少一个根据本发明的传感器系统、至少一个控制装置和促动器,其中,传感器系统、控制装置和促动器以信号传输方式连接,使得车辆至少有条件地自主驾驶。此外,车辆包括通向至少一个参考传感器系统的接口。此外,车辆包括根据本发明的设备。在车辆行驶期间,根据本发明方法的步骤获得绝对误差概率,并且将其反馈到车辆的驾驶策略中。根据本发明的一个方面,将关于依赖于传感器系统的系统状态、环境条件和车辆附近的物体的绝对误差概率的陈述反馈到驾驶策略中。有条件的自主驾驶意味着自主车辆执行横向和纵向引导并监控其周围环境,但是在被要求干预时人类驾驶员必须作为返回层面做出反应。例如,车辆是公路车辆。根据本发明的一个方面,车辆是自主载人交通工具。
根据本发明的另一方面本发明提供数据载体信号,数据载体信号传输根据本发明的计算机程序。例如,计算机程序存储在数据库内,例如云存储器。借助数据载体信号可以到达整个车队,以便验证各个车辆的传感器系统。为此,根据本发明的计算机程序借助数据载体信号例如从云存储器被传输到车队中的车辆的控制装置,并且实施根据本发明的方法。根据本发明的一个方面,控制装置包括用于网络运行的器件,例如传输控制协议(简称TCP),或网际协议(简称IP),网络堆栈。由此获得更大的测试基础,这是因为可以使用从车队中的每个车辆收集到的数据。
本发明的另外的设计方案由从属权利要求、附图和优选的实施例的描述中得出。
传感器系统,或也称为环境觉察系统,是用于感知环境和/或车辆状态变量的系统。传感器系统是ADAS或AD传感器系统。ADAS意指高级驾驶员辅助系统(Advanced DriverAssistance System),即驾驶员辅助系统,其是用于在特定的驾驶员情况下对驾驶员提供支持的附加电子装置。AD意指自动驾驶(Autonomous Driving)。传感器系统包括一种传感器技术的多个传感器或每种传感器技术的至少一个传感器。借助多个传感器,使得传感器系统是冗余系统。传感器技术例如是光学技术。光学技术领域中的传感器包括例如:图像传感器(其用于可见光范围或红外范围);具有图像传感器的相机系统(例如单目相机、立体相机、3D相机或飞行时间传感器,英文称为time off light (飞行时间),例如激光雷达传感器或激光雷达系统。另外的传感器技术是具有雷达传感器和雷达系统的雷达技术。另外的传感器技术基于空气传声和/或结构传声。此传感器技术的传感器例如是超声波传感器或麦克风。例如,传感器测量物体的x-y-z位置,物体到传感器参考点的仰角、方位角和距离、或物体的速度矢量。各个传感器的测量作为对象列表由程序部分输出,程序部分例如被传感器的硬件处理,在这种情况中传感器是片上系统,简称SoC(System-on-a-Chip(系统级芯片))。例如,程序部分是特征提取算法的部分。传感器系统还包括融合单元,例如包括具有处理器的计算机平台,例如CPU和/或多个 GPU。计算机平台实施程序,例如融合算法,程序产生从各个传感器的对象列表融合而成的对象列表。传感器系统是用于道路交通的真实传感器系统。传感器系统的输出数据是真实的测试数据,即在现场实验中所收集的数据。传感器模型和/或传感器系统的模型也借助根据本发明的方法被验证。传感器模型描述了虚拟测试环境中的传感器。传感器模型描述和/或模拟了传感器与虚拟测试环境之间的交互。
参考数据借助参考传感器系统获得。参考传感器系统检验或验证传感器系统的输出数据。参考传感器系统也是例如布置在车辆上的传感器系统。替选地,参考数据基于合成传感器情况在限定的参数空间之内被模拟。参考数据是来自参考传感器系统的各个传感器的输出数据或是来自参考传感器系统的融合结果。参考传感器系统的传感器特别地是高分辨率传感器,例如参考传感器系统包括Velodyne HDL-64E 激光雷达传感器。
偏差包括存在性误差,例如识别误差。例如,尽管参考数据中没有物体,但是传感器系统识别到物体。此类误差是假阳性误差。或尽管参考数据中存在物体,但是传感器系统未识别到物体。此类误差是假阴性误差。此外,偏差包括分类误差。例如,传感器系统识别到行人,尽管物体实际上是车辆。此外,偏差包括连续和/或离散测量变量中的测量误差。例如,传感器系统将识别到的物体的位置沿行驶方向错误地识别了x米,或将道路宽度错误地测量了y米。这些类型的偏差单独地或累积地可能触发传感器系统中的严重误差,例如对SOTIF 来说成为风险的误差。在缺少由于因预期功能的功能缺陷或因人为理智地可预见的误操作所造成的危害导致的不合理的风险时存在预期功能安全。例如在物体识别算法将骑滑板的人识别为人但是由于人的速度令人难以置信将此识别视为误差而拒绝时,存在SOTIF风险。根据本发明,这些偏差得到验证,以便借助绝对误差概率表明传感器系统的批准使用是正当的。根据本发明的方法因此还提供了用于验证SOTIF 的解决方案。以评估逻辑来评估偏差。评估逻辑包括例如IC、ASIC或 FPGA构件或被实现为软件代码段形式的程序。程序例如由包括评估逻辑的数据读取装置实施。程序获得传感器系统的传感器的测量和参考数据作为数据输入。偏差作为数据输出被提供。
联合概率分布,也称为联合概率,说明了各个传感器相互间的偏差在统计学上的相关性。通过联合概率分布可能的是,对其偏差在统计学上不相关的传感器系统进行评估。例如,借助对传感器系统中的各个传感器的偏差的经建模的概率分布来提供联合概率分布。例如,联合概率分布由提供。经建模的概率分布近似计算了各个传感器的偏差。例如,与观察到的偏差相关的模型的映射品质借助所谓的拟合优度(简称GoF)指标来确定,该指标例如通过计算机运行来实施。GoF指标的示例有χ2、安德森-达令检验、负对数似然、贝叶斯信息准则、阿凯克信息准则、归一化均方根误差或均方根误差。例如,归一化均方根误差GoF定义为如下:
其中x(i)是概率分布的值,并且xref(i)是模型值。
GoF的值说明了模型对于数据的代表性如何。如果值不好,则模型的陈述就不太可靠。如果值好,则模型的陈述可以被信任。在GoF 中因此映射了与模型参数的选出相关的模型精度的陈述。
在现场实验中发现,单个传感器的偏差(单个传感器误差)的概率比发现多个传感器同时出现误差的概率要高。出于此原因,在现场检测各个传感器的偏差,并且彼此组合成为偏差组合。例如在距离检测时雷达具有p%概率的偏差,相机具有q%概率的偏差,而激光雷达具有r%概率的偏差,则进行组合。根据本发明,也将各个传感器的偏差类型进行组合,例如,相机识别到假阳性事件,其中车辆被识别为行人并且行人的位置沿行驶方向被错误地识别了x米。通过对偏差组合进行抽样并且计算其发生概率,对组合的误差空间中的临界区域进行评估,尽管这些偏差组合在现场实验中只是单独地但从未被同时观察到。与来自现场实验的数据相比,通过偏差组合的抽样可以产生在现场实验中极少发生的组合情况,有时直至每数十亿运行小时出现一个的误差。
偏差组合例如通过如下方式进行抽样,即,对各个传感器的偏差进行逐步抽样。根据本发明的一个方面,每个传感器在各自的偏差的平均值附近比远离平均值的位置处以更密集的间隔进行抽样。根据本发明的另一方面,使用均匀或马尔可夫链蒙特卡罗方法/算法,以便从偏差中抽取随机样本。例如,例如以如下方式选择此类取样,即,使得评估在累积误差范围方面是最佳的。
将被抽样的偏差组合加载给参考数据例如通过如下方式来实现,即,将具有对象列表形式的参考数据作为向量进行处理。偏差组合被表示为误差向量。将归属于参考数据的向量和误差向量相加。
融合单元,也称为高级的对象融合(缩写为HOF),实施融合算法。例如,融合单元从各个传感器接收低级特征。例如,低级特征是点或边缘。融合单元从这些低级特征产生高级特征,例如指明对象的语义相关区域。每个单独的传感器都可以包括自己的融合单元,其用于产生特定于传感器的高级特征。然后,传感器系统的融合单元融合了各个传感器的高级特征。由此检查各个传感器的合理性。融合算法包括例如导致融合单元融合各个传感器的参考数据的平均值的指令。根据本发明的一个方面,融合单元还评估融合输入的时间相关性。
剩余概率分布通过如下方式来获得,即,根据对融合结果的要求 (也称为必要条件)产生描述。例如,要求是“被察觉到的物体的错误定位只能为±1%的距离”或“物体不被识别到不能超过x个周期”。描述是“满足要求”或“不满足要求”。如果根据本发明的方法是计算机运行的,则这些要求和描述例如以用于条件语句和分支的指令来实现,例如if/else结构。借助这些要求和条件来过滤联合概率分布。
借助计算机运行的已知的数值方法对剩余概率密度进行积分,例如通过梯形数值积分:
为以此方式获得的绝对误差概率确定置信区间。根据本发明的一个方面,还将置信区间限定到各个传感器特性的分布参数上。然后将置信度传播到总陈述中。在置信度高时,可以从各个偏差可靠地鉴别出模型参数。如果无法从偏差明确地鉴别模型参数,则置信度低。误差概率的收敛通过置信区间表示。误差概率的收敛说明还需要经历多少测试千米以使误差概率位于特定的置信区间内。根据置信区间和/或误差概率的收敛批准使用传感器系统。置信度对于关于传感器系统的性能和剩余风险的陈述是必要的,否则所述陈述是不可靠的。
剩余概率密度对应于传感器系统的误差区域的累积。借助绝对误差概率产生对于附加到系统的剩余风险的陈述。
在离线情况中,此陈述于是被用于使测试基础合法化,例如关于所使用的数据和/或场景。陈述例如是绝对误差概率低。因为由于对单独的误差图形的观察不一定实际上必须行驶目前文献中要求的20亿千米或小时当量,所以较小的测试基础的合法性可以使自动车辆技术的批准使用在技术上真正成为可能。
在在线情况中,即在车辆实际行驶期间,剩余风险的评估可以用于将当前系统状态的风险降低到最下程度。这通过将风险陈述反馈到驾驶策略或安全策略中来完成。
根据本发明的一个方面,在方法开始时将少量数据(即传感器的输出数据、参考数据(分别是真实的或合成的))引入到方法中并且创建第一陈述。附加地,进行在统计学上有效性的外推。因此可以通过定义目标置信度来估计实验设计。因此在自主车辆的开发中节省大量成本。关于传感器系统的性能的陈述只有在实际行驶足够的距离或时间后才能在统计学上得到保障。方法提供目标置信度。外推预先提供了估计。如果以增量(或连续)的方式为方法馈送现场实验的新数据,则可以分别执行匹配的计算。一方面,这使得规划更准确,这是因为外推在更大的数据基础上进行匹配;另一方面,由于当前的置信度,使得关于系统的陈述在统计学上变得更有说服力。如果不能观察到模型的收敛,则说明建模不充分或近似值的选择不充分。在此类情况中对方法进行调整并重复计算。
对数据的评估受到用于分析的参考的不准确性的影响。为了考虑到这一事实,根据本发明的一个方面,针对所有参考数据来计算或估计此不准确性并且将其与参考数据相配属。借助此不准确性来确定传感器系统的整体映射的所要达到的最大精确度。例如,参考传感器系统不精确,但是参考传感器系统的参考数据精确地与传感器系统的参考数据相对应。由此,引起了在此情况中不存在的准确性的印象。通过确定参考传感器系统的不准确性限制了最大精度,并且在示例中不计算高精度。
根据本发明的一个设计方案,传感器系统的输出数据与参考数据之间的偏差包括距离测量的偏差、与天气相关或与车辆状态相关的偏差。例如,考虑到传感器系统的每个传感器关于距离的偏差。这些偏差在不同的场景中被加以考虑,例如“目标物体制动”或“自主车辆和/或其他车辆的停止和继续行驶”。通过与天气相关的偏差例如还获得了依赖于降水-例如雨或雪-的存在及其强度的剩余风险。与车辆状态相关的偏差例如意味着依赖于车辆速度来评估偏差,以便获得与各自的车辆速度相关的剩余风险。
根据本发明的另一设计方案,为传感器系统的每个传感器提供此传感器的偏差的概率分布,并且借助传感器的各个概率分布对偏差组合进行抽样。各个传感器的偏差的概率分布(也称为偏差概率函数) 例如通过如下方式获得,即,将该传感器与参考传感器之间的距离测量偏差群集在区间宽度为1m的区间内。换言之,获得了二维直方图。直方图基于如下事实,即在物体到自主车辆的距离中存在1m区间长度的群集。在这些群集的每个中都存在一个关于参考与传感器的偏差的直方图。结果是获得了一个直方图。以此来建模距离的依赖性。群集中的这些数据被用于拟合这些传感器的偏差的概率分布。参数或非参数的分布被用于拟合。
例如使用正态分布。正态分布是具有两个参数的参数分布,即平均值μ和标准差σ:
根据本发明的另一方面,非参数的核分布与核函数K和带宽参数 h一起使用:
核函数K是非负的可归一化的对称或非对称函数。非对称函数能够实现误差空间沿正偏差方向的系统性移动。例如,核函数K是高斯分布或Beta分布。例如,通过AMISE算法或通过交叉验证方法来确定最佳带宽参数h。对于多维应用使用多维核函数。
例如,借助根据本发明的一个方面的计算机运行的在统计学上自举来执行分布的拟合。自举从数据集中选择有限量的随机样本,并且在每次抽取时分析随机样本,例如平均值μ和标准差σ。
根据本发明的一个方面,借助各个传感器的偏差的概率分布产生关于传感器系统的传感器的输出数据与参考数据之间的偏差的人工数据。根据本发明的一个方面,在预先限定的步骤中人工产生的数据被添加到偏差和/或偏差组合的真实数据。根据本发明的一个方面,方法相对于可供使用的数据量以增量方式执行,其中,人工数据以增量方式添加到现有数据。因此分析了该方法的趋势,例如收敛如何发展。此外,还分析了拟合如何依赖于数据量的增加而变化。根据本发明的一个方面,人工数据被用于外推考虑。
根据本发明的另一方面,在计算机上离线计算或在车辆中在线计算各个传感器的偏差的概率分布、由此得到的联合概率分布及其影响,例如绝对误差概率。对于在线计算,根据本发明的方法例如在由车辆控制装置的硬件实施的软件代码段中实施。
根据本发明的另一方面,联合概率分布被作为传感器系统的各个传感器的偏差的多维正态分布来提供。多维正态分布为:
其中,∑是传感器系统的传感器的输出数据的协方差矩阵。协方差矩阵是一维随机变量的方差的一般化。
根据本发明的另一实施方式,在车辆行驶期间获得传感器系统的输出数据和参考数据。参考数据包括由参考传感器系统收集的参考数据和/或借助传感器模型产生的参考数据。例如,在专门提供的测试线路上执行车辆行驶。
根据本发明的另一方面,被加载的参考数据在模型在环、软件在环或硬件在环模拟中被处理或借助替代模型被处理。由此评估了关于识别误差方面的临界状态,并且将传感器系统的系统响应映射到偏差组合。在模型在环仿真中,嵌入式系统与环境模型一起在循环中进行仿真。例如,在MATLAB开发环境中执行模型在环仿真。在硬件在环中,嵌入式系统(例如传感器系统或融合单元)经由其输入端和输出端与匹配的对应物连接,即所谓的HiL模拟器。HiL模拟器模拟系统的真实环境。与硬件在环相比,在软件在环方法中不使用任何特殊硬件。软件的所创建的模型仅被转换为目标硬件可理解的代码。例如,此代码与模拟的模型一起在开发机上实施,而非如在硬件在环的情况中在目标硬件上实施。模型在环、软件在环或硬件在环的上位概念是 XiL方法。因此确定了传感器系统对偏差组合的系统响应。为了确定系统响应也使用了数学替代模型(即所谓的代理模型),以实现在线实时计算。为了能够实现实时计算被加载的参考数据的影响,可以根据数据创建系统响应的学习替代模型。然后可以使用所述学习替代模型代替XiL来检验误差影响。附加地,根据此替代模型有可能的是,以简化的方式执行系统优化,这是因为响应变得可逆。
根据本发明的另一方面,使用能够实现在线和实时推理的贝叶斯推理来确定系统响应。替选地,借助具有GPU支持的特殊的控制装置来处理被加载的参考数据以用于计算系统响应。此外,仅以非常初级的方式描述系统响应的极为简化的模型(例如N-out-of-K模型)是可能的。此类模型在产品早期阶段的概念预开发和系统优化中特别有用。
根据本发明的另一方面,通过使用传感器系统的冗余来获得融合结果。冗余导致保障千米数的进一步降低。如果传感器系统包括三个传感器,则在一个传感器发生故障时由其余的传感器形成融合结果。如果两个传感器发生故障则不会生成融合结果。
根据本发明的另一设计方案,利用极限状态函数来评估融合结果与参考数据之间的偏差,以便从概率分布中去除出现概率。极限状态函数(其也称为limit state function(极限状态函数))在满足要求时提供第一值,而在不满足要求时提供与第一值不同的第二值。例如,极限状态函数在满足要求时提供值0,而在不满足时提供值1。根据本发明的另一方面,极限状态函数是多维的。因此,借助极限状态函数,对传感器系统的整个在统计学上误差范围在剩余风险方面进行评估。
根据本发明的另一方面,初始数据和参考数据的数量递增地增加。由此计算可以被逐步地匹配。
为清楚起见总结了实施所述方法的方法和设备:
方法和设备用于具有数据记录功能的自主车辆。数据记录一方面由传感器系统进行;另一方面,为了记录数据必须与参考传感器系统并行地记录足够准确的参考数据。参考数据在时间和空间上是相关的。可以借助也固定在车辆上的系统或借助外部参考系统记录此参考。
数据(即传感器系统的输出数据)在存储单元中与参考相关联,存储单元例如为数据库、云存储或存储卡。本发明的基于云/计算群集的实施方式能够实现非常大量的数据的处理。根据本发明的一个方面,本发明在计算群集上实施。借助评估逻辑来评估自主系统的输出与参考之间的偏差,更确切地说在整个系统层面上评估,即借助经融合的对象列表,以及在单传感器的层面上评估,即来自相同技术类型的一个或多个传感器的对象列表、探测、特征,或用于产生对象列表、探测、特征的算法子元素的层面。
然后分析环境识别系统的各个方面的在统计学上的分布,并且借助曲线拟合从数学、数值和技术上进行映射。其结果是获得了传感器系统的各个传感器的偏差的概率分布。映射还包括各个现象之间的出现相关性。然后将各个偏差相互在空间和/或时间上组合为误差图形。此分析导致偏差组合。
对误差图形关于识别误差方面的临界状态进行评估。为此目的设置了不同的技术方面的方法和系统以将系统响应映射到误差图形上。为此,完美的输入数据被加载以时间-空间上的误差向量,并且借助合适的剩余系统-即觉察软件或控制装置-来确定系统响应。根据本发明的另一方面,对关于系统反应的临界状态方面进行评估,例如在轨迹变得不正确时,例如在轨迹穿过行人时。在此情况中,剩余系统例如是感知系统或行为软件。方法的选出在此依赖于应用的领域,例如离线或在线。本发明例如包括:
·软件在环或硬件在环,其中,使用实际的环境识别软件,以便将误差的真实影响映射到系统。这优选离线应用。
·映射模型,也称为代理模型,其中,系统响应以数值-数学方式被近似计算。这优选在线应用。在此也能想到贝叶斯推理,利用贝叶斯推理能够实现在线和实时的推理。本发明还包括由具有GPU支持的特殊控制装置进行的处理,在其上计算系统响应。
·本发明还包括极为简化的模型,例如仅以非常初级的方式描述系统响应的N-out-of-K模型。这些对于产品早期阶段的概念预开发和系统优化特别有帮助。
通过方法最初和迭代地以匹配方式计算保障成本。由此改进了持续运行和数据记录的规划。
通过分析误差图形及其对传感器系统的影响,更有效地分析了各个误差源的影响。因此,以更有针对性和成本效益的方式设计满足要求的系统。
在更换传感器系统中的传感器时,该方法和设备被用于评估对系统可靠性的影响。如果数据在统计学上相似或更好,并且观察到传感器的各个偏差的影响不导致传感器系统退化和残余风险,则可以更换传感器。
通过对误差图形(即偏差组合)的逆向分析,借助方法和设备有针对性地确定传感器系统的最大误差贡献,并且由此改进传感器系统。因此,开发工作更有效并且潜在地更廉价。与关于改进潜力的敏感性的完整的数值分析相比,在此可以指出系统的对于改进具有最大影响的元素。
通过在线计算实现了对当前可靠性的估计。为此需要非常有效的计算,这是因为关于可靠性的陈述必须在实时范围内存在。例如,借助贝叶斯推理的方法。由此导致技术安全性的提高。
根据本发明的一个方面,根据本发明的方法用于验证和评估自主车辆的子系统,以对识别系统的表征进行建模。因此,可能误差的影响及其概率被用于评估自主车辆的剩余风险。此使用与用于虚拟保障的传感器模型非常相似。
为了改进计算过程中数据传输的效率,方法在新数据被引入到数据库内时已执行。因此可能的是,至少第一次访问数据不再可能通过重新访问数据来实现。在重新计算数据时,必须再次执行正常的读取访问。
通过本发明的主题,通过减少保障千米数来批准使用SAE J3016 3+级的传感器系统,这通过在计算失效概率时考虑偏差组合来实现,并且根据本发明的一个方面通过使用至少部分的传感器系统的冗余来实现。此外,通过本发明的主题有效地进行在开发过程中的传感器系统的优化。
附图说明
在附图中所示的实施例解释了本发明。
图1:示出关于距离的相机数据群集,
图2:示出图1中的相机数据的偏差的分布的直方图,
图3:示出图2中的相机数据的分布的平均值的自举分布,
图4:示出图2中的相机数据的分布的标准差的自举分布,
图5:示出图2中的相机数据的偏差的拟合的概率分布,其具有来自图3的平均值的置信区间限制和来自图4的标准偏差,
图6:示出另外的相机数据的偏差的分布的直方图和这些偏差的拟合的概率分布,
图7:示出雷达数据的偏差的分布的直方图和这些偏差的拟合的概率分布,
图8:示出激光雷达数据的偏差的分布的直方图和这些偏差的拟合的概率分布,
图9:示出对于预定的激光雷达数据的偏差的相机数据和雷达数据的偏差的联合概率分布,
图10:示出图9中的联合概率分布的剩余概率分布,
图11:示出借助梯形数值积分被积分的剩余概率分布,其中以方框示意出置信区间的宽度,
图12:示出具有下置信度和上置信度的拟合的绝对误差概率,
图13:示出根据本发明的方法的离线实施例,
图14:示出根据本发明的方法的离线实施例,
图15:示出根据本发明的设备的实施例的技术结构,和
图16:示出根据本发明的车辆的实施例。
在附图中,相同的附图标记表示相同或功能相似的部分。为清楚起见,在相应的附图中说明了对于各自理解是重要的参考部分。在所有附图中距离和偏差的测量单位分别为米。
具体实施方式
图1中的图表示出了相机传感器关于距离d的偏差a。相机是传感器系统10的传感器11,也参见图16。偏差a由被收集的测量值的相机数据与参考传感器系统20的参考数据的比较得出。参考传感器系统包括高分辨率传感器21,例如高分辨率相机。参考数据包括例如高分辨率相机的测量数据。相机数据和参考数据存储在数据库中,例如存储在云存储或数据农场中。评估逻辑13-例如计算机、处理器核心或具有逻辑组件的芯片-形成例如相机数据与参考数据之间的差异,并且将其作为偏差a输出,也参见图13。相机的误差因此被记录。
根据本发明,对于传感器系统10的其他传感器11,例如雷达和/ 或激光雷达,类似地获得偏差a。例如,针对激光雷达数据的偏差a被合成地产生。为此,激光雷达传感器的数据表用作参考数据。
根据本发明,传感器系统10与参考系统20之间的偏差a也被考虑用于不同的降水强度或不同的车辆速度。
传感器系统10的数据包括例如50个被收集的场景,例如“停车和继续行驶”,其具有大约300万个数据点。
根据图1所示的偏差a产生图2中所示的直方图。直方图表示相机的各个偏差a的出现概率p。对于传感器系统的其他传感器11类似地获得此类直方图。
从在图3和图4中所图示的相机数据的偏差a的自举产生这些偏差a的平均值和标准偏差。对于传感器系统10的其他传感器11类似执行自举。在自举中选出n个随机样本并且计算每个随机样本的平均值和标准偏差。由此得到在图3中所示的平均值的分布和在图4中所示的标准偏差的分布。
借助以这种方式获得的针对平均值的置信区间边界(见图3)和标准差的置信区间边界(见图4)以概率分布近似计算出图2的直方图。针对相机数据的偏差a的所得的概率分布在图5中示出。
图6示出了针对另外的相机数据的偏差a的另外的概率分布,图7 示出了雷达数据的偏差a的概率分布,而图8示出了激光雷达数据的偏差a的概率分布。图8基于激光雷达数据的合成偏差a,合成偏差的基础是将激光雷达传感器的数据表作为参考。
在图9中所示的联合概率分布是从相机、雷达和激光雷达数据的偏差a的各个概率分布所获得的多维概率分布。在图9中,x轴表示雷达数据的偏差a,y轴表示相机数据的偏差a,z轴表示联合概率分布。联合概率分布是针对激光雷达数据的固定偏差a示出的。对于激光雷达数据的每个偏差a,根据图9来获得。根据本发明,联合概率分布在方法步骤V1中提供。
在方法步骤V2中,将偏差组合抽样并且借助联合概率分布计算所抽样的偏差组合的出现概率p。因此产生临界的误差组合。例如,在模拟和/或再处理环境中模拟误差组合。然后通过联合概率分布评估误差影响。
在第三方法步骤中,将抽样的偏差组合加载到参考数据。通过传感器系统10的融合单元12处理被加载的参考数据并且获得融合结果。
在第四方法步骤V4中用极限状态函数评估融合结果,以便从联合概率分布中去除那些导致满足预定条件的融合结果的偏差组合的出现概率p。最后获得了图10中所示的剩余概率分布。
在第五方法步骤V5中对剩余概率分布进行积分并且获得绝对误差概率P,参见图11和图12。例如借助梯形数值积分来近似计算出绝对误差概率P。
在第六方法步骤V6中,依赖于绝对误差概率P地,传感器系统 10在测试和批准使用过程中进行批准使用。绝对误差概率P代表测试基础的合法基础,即传感器系统10所使用的输出数据、参考数据和场景的合法基础。因为通过对单个误差图形的观察使得不必实际上必须行驶目前文献中要求的20亿千米或小时当量,例如车辆1和构建在其上的传感器系统10和参考传感器系统20,所以借助绝对误差概率P的小的测试基础的合法性能够实现对自主车辆技术的批准使用。
图13概览地图示出离线变体中的本发明的主题。自主车辆1例如是图16中所示的载人交通工具。数学随机模型包括传感器系统10的各个传感器11的概率分布和由此得出的多维联合概率分布。借助处理单元30执行根据本发明的方法。方法步骤V2和V3在可以作为处理单元的部分的模拟和再处理环境中实施。模拟环境例如是软件,例如 CarMaker。借助方法步骤V4和V6获得关于剩余风险的陈述。
图14概览地图示出在线变体中的本发明的主题。与图13相比,绝对误差概率P被连续地评估并且被反馈到车辆1的驾驶策略中。
图15图示出根据本发明的设备的处理单元30的技术结构。由处理单元30执行的方法的核心是获得各个传感器11的偏差的概率分布 (参见图6、图7和图8),即获得由此得出的联合概率分布,对偏差组合进行抽样,并且获得绝对误差概率P。向处理单元30的数据输入包括传感器系统10的输出数据和参考传感器系统20的参考数据。处理单元的数据输出包括绝对误差概率P。
图16中的载人交通工具是根据本发明的车辆1的示例。车辆1包括具有多个传感器11的传感器系统10。为清楚起见在图16中仅示出传感器11中的一个。各个传感器11的输出数据在传感器系统10的融合单元12中被融合。车辆1还包括具有多个参考传感器21的参考传感器系统20。为清楚起见在图16中仅示出其中一个参考传感器21。各个传感器21的输出数据在参考传感器系统20的融合单元22中被融合。
载人交通工具作为全电动小巴为人员提供了舒适的空间。同时,其占地面积也不比大型高级轿车大。由此其是敏捷的并且适用于城市环境中。以本地零排放的方式行驶的载人交通工具提供了不同的连通服务和高度自动驾驶的可能性。根据本发明的一个方面,例如载人交通工具的车辆1包括连通接口。使用者可以通过应用程序经由连通接口灵活地要求载人交通工具作为班车,并因此不再受到僵化的行车时刻表的束缚。
附图标号列表
1 车辆
10 传感器系统
11 传感器
12 融合单元
13 评估逻辑
14 数据库
20 参考系统
21 传感器
22 融合单元
30 处理单元
V1-V6 方法步骤
p 出现概率
P 绝对误差概率
d 距离
a 偏差
Claims (13)
1.用于批准使用检测车辆(1)的环境中的物体的传感器系统(10)的方法,所述方法包括如下步骤:
·提供针对在所述传感器系统(10)的用于检测物体的程序部分的层面上、在所述传感器系统(10)的传感器(11)的层面上和/或在所述传感器系统(10)的融合层面上所述传感器系统(10)的输出数据与参考数据之间的偏差(a)的联合概率分布(V1),
·将偏差组合抽样并且借助所述联合概率分布计算被抽样的偏差组合的出现概率(p)(V2),
·将被抽样的偏差组合加载到参考数据,借助所述传感器系统(10)的融合单元(12)处理被加载的参考数据并且获得融合结果(V3),
·从所述联合概率分布去除那些导致满足预定条件的融合结果的偏差组合的出现概率(p),并且获得剩余概率分布(V4),
·将所述剩余概率分布积分并且获得绝对误差概率(P)(V5),并且
·依赖于所述绝对误差概率(P)批准使用所述传感器系统(10)(V6)。
2.根据权利要求1所述的方法,其中,所述传感器系统(10)的输出数据与所述参考数据之间的偏差包括距离测量偏差、与天气相关的偏差或与车辆状态相关的偏差。
3.根据权利要求1或2所述的方法,其中,为所述传感器系统(10)的每个传感器(11)提供所述传感器(11)的偏差的概率分布,并且借助所述传感器(11)的各个概率分布对所述偏差组合进行抽样。
4.根据权利要求1至3中任一项所述的方法,其中,所述联合概率分布被作为所述传感器系统(10)的各个传感器(11)的偏差的多维正态分布来提供。
5.根据权利要求1至4中任一项所述的方法,其中,在所述车辆(1)行驶期间获得所述传感器系统(10)的输出数据和所述参考数据,其中,所述参考数据包括由所述参考传感器系统(20)所收集的参考数据和/或借助传感器模型产生的参考数据。
6.根据权利要求1至5中任一项所述的方法,其中,被加载的参考数据在模型在环、软件在环或硬件在环模拟中被处理或通过替代模型被处理。
7.根据权利要求1至6中任一项所述的方法,其中,通过使用所述传感器系统(10)的冗余来获得融合结果。
8.根据权利要求1至7中任一项所述的方法,其中,利用极限状态函数评估所述融合结果与所述参考数据之间的偏差,以便从所述概率分布中去除出现概率(p)。
9.根据权利要求1至8中任一项所述的方法,其中,所述输出数据和所述参考数据的量递增地增加。
10.用于批准使用用来检测车辆(1)的环境中的物体的传感器系统(10)的设备,所述设备包括至少一个处理单元(30),所述处理单元(30)被匹配为实施根据权利要求1至9中任一项所述的方法的步骤。
11.用于检测车辆(1)的环境中的物体的传感器系统(10),所述传感器系统包括一种传感器技术的多个传感器(11)或每种传感器技术的至少一个传感器(11)和根据权利要求10所述的设备。
12.用于批准使用检测车辆(1)的环境中的物体的传感器系统(10)的计算机程序,所述计算机程序包括指令,在所述计算机程序被处理单元(30)实施时,所述指令导致执行根据权利要求1至9中任一项所述的方法的步骤。
13.车辆(1),所述车辆包括:
·至少一个根据权利要求11所述的传感器系统(10)、至少一个控制装置和促动器,其中,所述传感器系统(10)、所述控制装置和所述促动器以传输信号的方式被连接,使得所述车辆(1)至少有条件地自主驾驶,
·通向至少一个参考传感器系统(20)的接口,和
·根据权利要求10所述的设备,其中,在所述车辆(1)行驶期间,依据根据权利要求1至9中任一项所述的方法的步骤获得绝对误差概率(P),并且将所述绝对误差概率反馈到所述车辆(1)的驾驶策略中。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019217257.1 | 2019-11-08 | ||
DE102019217257.1A DE102019217257A1 (de) | 2019-11-08 | 2019-11-08 | Verfahren, Vorrichtung und Computerprogramm zur Freigabe eines Sensorsystems zur Erfassung von Objekten in einem Umfeld eines Fahrzeuges |
PCT/EP2020/081301 WO2021089787A1 (de) | 2019-11-08 | 2020-11-06 | Verfahren, vorrichtung und computerprogramm zur freigabe eines sensorsystems zur erfassung von objekten in einem umfeld eines fahrzeuges |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114651190A true CN114651190A (zh) | 2022-06-21 |
Family
ID=73172730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080077767.8A Pending CN114651190A (zh) | 2019-11-08 | 2020-11-06 | 用于批准使用检测车辆的环境中的物体的传感器系统的方法、设备和计算机程序 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220390596A1 (zh) |
EP (1) | EP4055411A1 (zh) |
CN (1) | CN114651190A (zh) |
DE (1) | DE102019217257A1 (zh) |
IL (1) | IL292806A (zh) |
WO (1) | WO2021089787A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114326443B (zh) * | 2022-01-14 | 2023-09-29 | 重庆长安汽车股份有限公司 | 一种用于adas的mil仿真测试方法、系统及可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3931879B2 (ja) * | 2003-11-28 | 2007-06-20 | 株式会社デンソー | センサフュージョンシステム及びそれを用いた車両制御装置 |
-
2019
- 2019-11-08 DE DE102019217257.1A patent/DE102019217257A1/de active Granted
-
2020
- 2020-11-06 US US17/775,048 patent/US20220390596A1/en active Pending
- 2020-11-06 EP EP20803541.0A patent/EP4055411A1/de active Pending
- 2020-11-06 CN CN202080077767.8A patent/CN114651190A/zh active Pending
- 2020-11-06 WO PCT/EP2020/081301 patent/WO2021089787A1/de unknown
- 2020-11-06 IL IL292806A patent/IL292806A/en unknown
Also Published As
Publication number | Publication date |
---|---|
DE102019217257A1 (de) | 2021-05-12 |
US20220390596A1 (en) | 2022-12-08 |
EP4055411A1 (de) | 2022-09-14 |
WO2021089787A1 (de) | 2021-05-14 |
IL292806A (en) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921200B (zh) | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 | |
Stellet et al. | Testing of advanced driver assistance towards automated driving: A survey and taxonomy on existing approaches and open questions | |
Haq et al. | Comparing offline and online testing of deep neural networks: An autonomous car case study | |
Dietmayer | Predicting of machine perception for automated driving | |
Yoon et al. | Interaction-aware probabilistic trajectory prediction of cut-in vehicles using gaussian process for proactive control of autonomous vehicles | |
Piazzoni et al. | Modeling perception errors towards robust decision making in autonomous vehicles | |
CN110936959B (zh) | 车辆感知系统在线诊断和预测 | |
EP3940487A1 (en) | Estimation of probability of collision with increasing severity level for autonomous vehicles | |
Wang et al. | Online safety assessment of automated vehicles using silent testing | |
Mishra et al. | ADAS technology: a review on challenges, legal risk mitigation and solutions | |
CN114595738A (zh) | 为识别模型生成训练数据的方法和生成识别模型的方法 | |
Taie et al. | Remote diagnosis, maintenance and prognosis for advanced driver assistance systems using machine learning algorithms | |
US11580797B2 (en) | Systems and methods for monitoring specifications over simulation and test data | |
CN114651190A (zh) | 用于批准使用检测车辆的环境中的物体的传感器系统的方法、设备和计算机程序 | |
US11142212B2 (en) | Safety-aware comparator for redundant subsystems in autonomous vehicles | |
Yu | Risk measurement, risk entropy, and autonomous driving risk modeling | |
CN116324904A (zh) | 用于注释传感器数据的方法和系统 | |
WO2022162116A1 (en) | Performance testing for robotic systems | |
Ravishankaran | Impact on how AI in automobile industry has affected the type approval process at RDW | |
CN114968189A (zh) | 用于自动驾驶系统的感知系统开发的平台 | |
Katare et al. | Autonomous embedded system enabled 3-D object detector:(With point cloud and camera) | |
Katare et al. | Collision warning system: embedded enabled (RTMaps with NXP BLBX2) | |
Skruch et al. | Safety of Perception Systems in Vehicles of High-Level Motion Automation | |
Singh et al. | Impact of automotive system safety design on machine learning based perception systems | |
CN114207533A (zh) | 用于自主系统的开发和实时应用的形式化验证 |
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 |