CN114730494A - 用于对交通场景的空间的覆盖进行估计的方法 - Google Patents
用于对交通场景的空间的覆盖进行估计的方法 Download PDFInfo
- Publication number
- CN114730494A CN114730494A CN202080078845.6A CN202080078845A CN114730494A CN 114730494 A CN114730494 A CN 114730494A CN 202080078845 A CN202080078845 A CN 202080078845A CN 114730494 A CN114730494 A CN 114730494A
- Authority
- CN
- China
- Prior art keywords
- traffic
- computer
- implemented method
- scenes
- scene
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种用于对交通场景的空间的覆盖进行估计的用计算机实现的方法,其特征在于具有如下步骤:‑提供不同的交通场景;‑将交通场景分类和/或聚类为已知的交通场景或未知的交通场景;‑将统计学方法应用于已分类和/或已聚类的交通场景,用以估计预定的特征数,特征数描述了交通场景的空间的覆盖;‑依赖于特征数产生另外的不同的交通场景或中断方法。此外,本发明涉及用于数据处理的设备。
Description
技术领域
本发明涉及一种用于对交通场景的空间的覆盖进行估计的方法和计算机程序。
背景技术
自主驾驶车辆是可检测其周围环境并且在很少或没有使用者输入的情况下导航的车辆。自主驾驶车辆通过使用传感器设备,例如雷达、激光雷达、图像传感器等,检测周围环境。
存在不同的自动化级别或自动化等级:即辅助的、半自动化的、高度自动化的、全自动化的和自主驾驶的。
在等级1,即辅助驾驶中,通过至少一个现代化的辅助系统支持驾驶员,例如通过具有距离调控或车道偏离警告的自动巡航仪。
在等级2,即半自动化驾驶中,将两个或多个辅助系统组合,例如交通拥堵辅助,其在走走停停的交通中保持距离和车道。
在等级3,即有条件自动化驾驶中,车辆在许多交通情况中完全独立驾驶,即车辆可以自己制动、转向、加速和更换车道。这也适用于更长的距离或时间段。但是,路线是精确预定的。
在等级4,即高度自动化驾驶中,其有时也被称为全自动化驾驶,驾驶员可以长时间将驾驶交给控制器。但是存在某些限制。例如,高度自动化驾驶仅能限制在确定的地理区域和/或仅限于小速度范围和/或仅能在确定的天气条件下工作。
在等级5,即自主驾驶中,车辆接管所有的驾驶功能。与等级3和等级4相比,在自主驾驶中既不需要驾驶能力,也不要求驾驶执照,因此省去了方向盘和踏板。
由此车内的每个人都成了乘客。
与等级2,即半自动化驾驶相比,用于等级4和等级5的测试工作量成倍增加,验证任务也复杂得多。等级4和等级5特别地需要大量的开发工作量,因为必须考虑前所未有的大量的交通和测试场景以使得系统走向市场成熟。因此,出于经济原因,用真实的测试数据覆盖所有可能的交通场景是不可行的。
出于此原因,尝试从其他来源产生测试数据,例如通过呈现了各种交通场景的模拟。但是,尚不清楚必须模拟哪些交通场景以及模拟多少交通场景。
发明内容
本发明的任务是给出一种机构,利用所述机构可以评估/估计相对于所有交通场景的总和已检测了多少收集到的交通场景。
此任务通过具有权利要求1的特征的用计算机实现的方法和具有权利要求15的特征的设备来实现。
在从属权利要求中列出了进一步的有利措施,所述措施可以适当地相互组合以实现进一步的优点。
此任务通过一种用于对交通场景的空间的覆盖进行估计的用计算机实现的方法来实现,所述方法包括以下步骤:
-提供不同的交通场景,
-将交通场景分类和/或聚类为已知的交通场景或未知的交通场景,
-将统计学方法应用于已分类和/或已聚类的交通场景,用以估计预定的特征数,特征数描述了交通场景的空间的覆盖,
-依赖于特征数产生另外的不同的交通场景或中断该方法。
在此,交通场景的空间被理解为交通中出现的所有交通场景的总和。
在此,交通场景被理解为整个交通事件中的有限的部分。
未知的交通场景是迄今为止尚未检测到的交通场景。
根据本发明认识到,在测试和验证用于运行例如等级4或等级5的车辆的驾驶功能时,所有可能的交通场景的空间是未知的。此外,认识到以常规的驾驶尝试来测试和验证在技术、经济和时间上都是不可行。因此,认识到必须减少验证工作量。现在通过本发明解决了此问题。
首先,对迄今为止收集到的交通场景进行分类和/或聚类,并且将交通场景划分为已知的交通场景和未知的交通场景。这种分类和/或聚类允许基于应用于此的统计学方法来估计场景空间覆盖和估计未来的、未知的交通场景的出现。为此,预先定义了特征数。
借助特征数现在使得可以引起方法的中断;例如,如果“足够”罕见地出现未知的交通场景,这意味着存在场景空间的足够大的覆盖。
因此,通过该方法获知“未知的”交通场景的未来出现的统计学预测。通过该方法也可以识别出:何时实现了场景空间的足够精确的覆盖。
优选地通过模拟产生不同的交通场景。为此,由例如虚拟的传感器构成的虚拟的模拟工具可以产生大量的交通场景、道路条件和环境条件。然后例如通过模拟地干扰这些交通场景产生新的交通场景。这些交通场景在此由于干扰因素(例如天气变化)而变化,用以创建新的交通场景和额外的交通场景。
替代地或附加地,优选地从由静止的和/或移动的交通检测系统检测到的传感器数据产生不同的交通场景。例如,移动的交通检测系统可以是测试车辆的检测系统。为此也可以使用多个测试车辆。替代地,可以使用手机相机等。例如,交通摄像头和/或交通监控装置可以用作静止的交通检测系统。这些是全面的并且同时价格低廉的数据源。
此外优选地,替代地或附加地,从纯录制的数据源、例如无人机数据来产生不同的交通场景。
其他来源可以是数据库系统,其中真实行驶的车辆提供例如付费的路段作为交通场景。
在另一优选的实施方案中,将聚类方法用作分类器。由此可以加快方法。
优选地,使用由人工智能构成的自学习系统作为分类器。分类器特别地可以实施为神经网络,特别是实施为深度神经网络。深度神经网络可以处理大量数据。
优选地使用经过训练的分类器来执行分类,其中,根据区别标志训练分类器。可能的区别标志包括例如位置、方向、速度、加速度和时间等那样的物理参量,所述物理参量描述了交通对象的相互运动。
优选地,使用外推法作为统计学方法。外推法在考虑到已检测的区域(在此是交通场景)的情况下提供了对尚未检测的区域的说明。因此,此方法特别地适用于基于分类/聚类来预测未来出现的未知的交通场景。
替选地,核密度估计器也可以用作统计学方法。核密度估计器是允许对未知分布进行连续估计的方法。此核密度估计器不仅可以用于近似出均匀分布而且可以近似出任意分布,并且因此特别地适用于预测未来出现的未知的交通场景。
替代地,可以使用古德图尔敏估计器(Good-Toulmin-)或埃夫隆齐斯泰兹估计器(Efron-Thisted-)或其变体作为统计学方法。这些估计器存在于生态学中,并且被用于对如下物种的数量进行估计,这些物种存在于生态系统中并且迄今为止在已提取的样本中未被观察到。特别地,这些估计器涉及如果在生态系统中提取更多样本会发现多少新的物种。因此,通过巧妙的改造,这些估计器可以用于预测未来出现的未知的交通场景。古德图尔敏估计器或埃夫隆齐斯泰兹估计器或其变体特别地是可扩展的,并且因此适用于大数据量。此外,这些估计器可以快速计算。因此,古德图尔敏估计器或埃夫隆齐斯泰兹估计器或其变体是有意义的并且可执行的估计器,其在此处提到的边界条件下提供好的结果。
在另一优选的实施例中,特征数包括未知的交通场景的数量和/或未知的交通场景的统计学分布。这些特征数特别地适用于对场景空间覆盖进行估计。预定的特征数在此提供了如下信息,即迄今为止已检测的场景空间以多大程度覆盖了所有交通场景的空间。例如,通过分类/聚类估计的未知的交通场景的数量和这些未知的交通场景的统计学分布被考虑作为特征数。
此外,特征数包括例如未知的交通场景的重要性。重要性描述了其中要求驾驶员辅助系统或驾驶员干预的交通情况(重要的交通情况)的危险性。
特别地,特征数可以经加权地包含在评估中。例如,因此高的重要性可以比多个不太重要的未知的交通场景具有更高的权重。
优选地,根据未知的交通场景的重要性来模拟新的重要的交通场景。优选地,另外地或替代地,根据识别出的未知的交通场景来模拟新的重要的交通场景。例如,这可以通过已发现的重要的或未知的交通场景的改变来进行。在此可以改变识别出的重要的交通场景的一个或多个参数。由此可以将已存在的交通场景量有针对性地以新的模拟的重要的交通场景来变密。
根据识别出的未知的交通场景,也可以有针对性地使已经存在的交通场景变密。
交通场景优选地涉及所选择的路线或所选择的地区。这意味着可以更快地实现方法的中断。例如,这些交通场景可用于验证等级4或等级5驾驶功能。
此外,优选首先进行所提供的交通场景的聚类,并且然后对进行已聚类的交通场景的分类。
此外,本发明的任务通过一种用于数据处理的设备来实现,所述设备包括被配置为执行以上所述的方法的处理器。
附图说明
本发明的其他特征、特性和优点由以下参照附图的描述得出。各图为:
图1示意性地示出根据本发明的方法的第一实施方案;
图2示意性地示出根据本发明的方法的第二实施方案;
图3示意性地示出根据本发明的方法的第三实施方案。
具体实施方式
在第一步骤S1中提供了多个交通场景。例如,这些交通场景可以通过使用测试车辆中的测量系统拍摄真实的交通场景产生或通过模拟产生。例如,在模拟中可以改变真实的交通场景以产生新的交通场景。在此,交通场景涉及所有的路线,即场景空间对应于交通中所有交通场景的总和。替代地或附加地,可以使用手机相机、无人机等来产生真实的交通场景。替代地或附加地,也可以通过静止的和/或交通检测系统、例如交通摄像头和/或交通监测装置来生成真实的交通场景。这些是全面并且同时价格低廉的数据源。
其他来源可以是数据库系统,其中真实行驶的车辆提供例如付费的路段作为交通场景。
在第二步骤S2中,将这些交通场景聚类并且划分为已知的交通场景和未知的交通场景。聚类可以通过聚类方法实现。所提供的交通场景可以通过聚类方法被划分为已知的交通场景和未知的交通场景。
在第三步骤S3中,将统计学方法应用到已聚类的交通场景,用以估计预定的特征数,特征数描述了场景空间的近似覆盖。预定的特征数在此提供了如下信息,即,迄今为止已检测的场景空间以多大程度覆盖了所有交通场景的空间。
例如,通过聚类估计出的未知的交通场景的数量和因此获知的未知的交通场景的统计学分布以及因此获知的未知的交通场景的重要性被考虑为特征数。
重要性描述了其中需要驾驶员辅助系统或驾驶员干预的交通情况(重要的交通情况)的危险性。重要的交通情况的一个示例是:车辆与另一车辆/障碍物之间存在碰撞风险,或车辆与另一车辆/障碍物之间的距离低于最小距离。也可考虑其他重要的交通情况。
在第四步骤S4中,估计特征数并且根据估计中断方法或继续方法。例如,如果仍存在过低的场景空间覆盖,则必须产生另外的交通场景。然而,例如如果“足够”罕见地出现未知的交通场景,这意味着场景空间的足够大的覆盖并且可以中断该方法。可以例如由制造商来单独定义足够大的覆盖。
在第五步骤S5中,根据估计来中断方法。如果在此情况中实现了对场景空间的足够大的覆盖,并且可以中断方法。
在第六步骤S6中,仍存在过低的场景空间覆盖,并且必须根据发现的重要的交通场景和/或未知的交通场景来产生新的交通场景。
例如,这可以通过改变发现的重要的交通场景和/或未知的交通场景来进行。在此,可以改变识别出的重要的交通场景和/或未知的交通场景的一个或多个参数。例如,因此重要的、迄今为止未知的交通场景可以是多个车辆在环岛交通中的行动,其中,产生传感器数据的测试车辆以20km/h的速度进行环岛交通。例如,通过模拟可以产生如下交通场景,在其中测试车辆以50km/h的速度进行环岛交通。此外,例如可以改变例如雨、雪或雾的环境条件参数。
该方法以新产生的交通场景继续。
通过该方法可以估计“未知”的交通场景的未来出现的统计学预测。
如果足够充分覆盖场景空间,则可以通过存在于场景空间内的交通场景的虚拟测试车辆进行虚拟测试。
图2示出了根据本发明的方法的第二实施方案。
在此,在第一步骤A1中又提供了多个交通场景。在此,交通场景涉及所有的路线,即场景空间对应于交通中所有交通场景的总和。
在第二步骤A2中,以经过训练的分类器对这些交通场景进行分类,并且将其划分为已知的交通场景和未知的交通场景。分类器基于区别标志被训练。可能的区别标志包括描述了交通对象的相互运动的物理参量(位置、方向、速度、加速度和时间)。
在第三步骤A3中,将统计学方法应用到已分类的交通场景,用以估计预定的涉及场景空间覆盖的特征数。预定的特征数在此提供了如下信息,即,迄今为止已检测的场景空间以多大程度覆盖了所有交通场景的空间。在此,外推法可以用作统计学方法。替代地,可以使用核密度估计器。也可使用古德图尔敏估计器或埃夫隆齐斯泰兹估计器或其变体作为统计学方法。
在第四步骤A4中,再次估计特征数并且根据估计来中断方法或继续方法。
在第五步骤A5中,根据估计识别出场景空间的足够的覆盖,并且然后中断方法。
在第六步骤A6中,仍存在过低的场景空间覆盖,并且必须根据发现的重要的交通场景和/或未知的交通场景来产生新的交通场景。方法以新产生的交通场景继续。
图3示出了本发明的第三实施方案。
在此,在第一步骤B1中,又提供多个交通场景。在此,交通场景优选地涉及所选择的路线或确定的、先前选择的地区。
在第二步骤B2中,首先对这些交通场景进行聚类,例如以基于密度的聚类方法进行聚类。然后以经过训练的分类器对聚类进行分类,并将其划分为已知的交通场景和未知的交通场景。分类器基于区别标志被训练。可能的区别标志包括描述了交通对象的相互运动的物理参量(位置、方向、速度、加速度和时间)。
在第三步骤B3中,将统计学方法应用到已分类的交通场景,用以估计预定的特征数,特征数描述了场景空间的覆盖。
在第四步骤B4中,再次评估特征数。
在第五步骤B5中,根据估计识别出场景空间的足够的覆盖,并且然后中断方法。
在第六步骤B6中,根据发现的重要的交通场景和/或未知的交通场景来产生新的交通场景。
例如,这可以通过改变发现的重要的交通场景和/或未知的交通场景来进行。在此可以改变识别出的重要的交通场景的一个或多个参数。方法以新产生的交通场景继续。
附图标记
S1~S6 方法步骤
A1~A6 方法步骤
B1~B6 方法步骤
Claims (15)
1.用于对交通场景的空间的覆盖进行估计的用计算机实现的方法,其特征在于具有如下步骤:
-提供不同的交通场景,
-将交通场景分类和/或聚类为已知的交通场景或未知的交通场景,
-将统计学方法应用于已分类和/或已聚类的交通场景,用以估计预定的特征数,所述特征数对描述了交通场景的空间的覆盖,
-依赖于所述特征数产生另外的不同的交通场景或中断所述方法。
2.根据权利要求1所述的用计算机实现的方法,其特征在于,
通过模拟产生所述不同的交通场景。
3.根据权利要求1或2所述的用计算机实现的方法,其特征在于,
从由静止的和/或移动的交通检测系统检测到的传感器数据产生所述不同的交通场景。
4.根据前述权利要求中任一项所述的用计算机实现的方法,其特征在于,使用聚类方法作为分类器。
5.根据权利要求1至3中任一项所述的用计算机实现的方法,其特征在于,
使用由人工智能构成的自学习系统作为分类器。
6.根据权利要求5所述的用计算机实现的方法,其特征在于,
借助经过训练的分类器来执行分类,其中,根据区别标志训练所述分类器。
7.根据权利要求6所述的用计算机实现的方法,其特征在于,
将所述分类器实施为神经网络,特别是深度神经网络。
8.根据前述权利要求中任一项所述的用计算机实现的方法,其特征在于,
使用外推法或核密度估计器作为统计学方法。
9.根据权利要求1至7中任一项所述的用计算机实现的方法,其特征在于,使用古德图尔敏估计器或埃夫隆齐斯泰兹估计器或其变体作为统计学方法。
10.根据前述权利要求中任一项所述的用计算机实现的方法,其特征在于,
所述特征数包括所述未知的交通场景的数量和/或所述未知的交通场景的统计学分布。
11.根据前述权利要求中任一项所述的用计算机实现的方法,其特征在于,
所述特征数包括所述未知的交通场景的重要性。
12.根据权利要求11所述的用计算机实现的方法,其特征在于,
根据所述未知的交通场景的重要性来模拟新的重要的交通场景。
13.根据前述权利要求中任一项所述的用计算机实现的方法,其特征在于,
根据识别出的未知的交通场景来模拟新的交通场景。
14.根据前述权利要求中任一项所述的用计算机实现的方法,其特征在于,
首先进行聚类并且然后进行对已聚类的交通场景的分类。
15.用于数据处理的设备,所述设备包括处理器,所述处理器被配置为该处理器实施根据前述权利要求中任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019217533.3 | 2019-11-13 | ||
DE102019217533.3A DE102019217533A1 (de) | 2019-11-13 | 2019-11-13 | Verfahren zur Abschätzung einer Abdeckung des Raums von Verkehrsszenarien |
PCT/EP2020/081304 WO2021094222A1 (de) | 2019-11-13 | 2020-11-06 | Verfahren zur abschätzung einer abdeckung des raums von verkehrsszenarien |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114730494A true CN114730494A (zh) | 2022-07-08 |
Family
ID=73172732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080078845.6A Pending CN114730494A (zh) | 2019-11-13 | 2020-11-06 | 用于对交通场景的空间的覆盖进行估计的方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220383736A1 (zh) |
EP (1) | EP4058927A1 (zh) |
CN (1) | CN114730494A (zh) |
DE (1) | DE102019217533A1 (zh) |
IL (1) | IL292906A (zh) |
WO (1) | WO2021094222A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102021214095A1 (de) | 2021-12-10 | 2023-06-15 | Zf Friedrichshafen Ag | Verfahren und System zum Erkennen von kritischen Verkehrsszenarien und/oder Verkehrssituationen |
DE102022116564A1 (de) | 2022-07-04 | 2024-01-04 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Verfahren, System und Computerprogrammprodukt zur Bewertung von Testfällen zum Testen und Trainieren eines Fahrerassistenzsystems (ADAS) und/oder eines automatisierten Fahrsystems (ADS) |
DE102022132917A1 (de) | 2022-12-12 | 2024-06-13 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Verfahren und System zur Bestimmung der Kritikalität und Kontrollierbarkeit von Szenarien für automatisierte Fahrfunktionen |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020060478A1 (en) * | 2018-09-18 | 2020-03-26 | Sixan Pte Ltd | System and method for training virtual traffic agents |
US11157006B2 (en) * | 2019-01-10 | 2021-10-26 | International Business Machines Corporation | Training and testing automated driving models |
-
2019
- 2019-11-13 DE DE102019217533.3A patent/DE102019217533A1/de active Pending
-
2020
- 2020-11-06 WO PCT/EP2020/081304 patent/WO2021094222A1/de unknown
- 2020-11-06 US US17/775,810 patent/US20220383736A1/en active Pending
- 2020-11-06 CN CN202080078845.6A patent/CN114730494A/zh active Pending
- 2020-11-06 EP EP20803542.8A patent/EP4058927A1/de not_active Withdrawn
- 2020-11-06 IL IL292906A patent/IL292906A/en unknown
Also Published As
Publication number | Publication date |
---|---|
US20220383736A1 (en) | 2022-12-01 |
DE102019217533A1 (de) | 2021-05-20 |
IL292906A (en) | 2022-07-01 |
EP4058927A1 (de) | 2022-09-21 |
WO2021094222A1 (de) | 2021-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7075366B2 (ja) | 運転場面データを分類するための方法、装置、機器及び媒体 | |
CN107016193B (zh) | 驾驶员跟车行为分析中的期望跟车距离计算方法 | |
US11458991B2 (en) | Systems and methods for optimizing trajectory planner based on human driving behaviors | |
CN114730494A (zh) | 用于对交通场景的空间的覆盖进行估计的方法 | |
CN108334077B (zh) | 确定自动驾驶车辆的速度控制的单位增益的方法和系统 | |
CN112015843A (zh) | 基于多车意图交互结果的行车风险态势评估方法及系统 | |
CN110843789A (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
Jeong et al. | Bidirectional long shot-term memory-based interactive motion prediction of cut-in vehicles in urban environments | |
KR102517546B1 (ko) | 차량 주행 위험 예측 시스템 및 그 방법 | |
CN115618932A (zh) | 基于网联自动驾驶的交通事件预测方法、装置及电子设备 | |
EP4020113A1 (en) | Dynamic model evaluation package for autonomous driving vehicles | |
CN111413973A (zh) | 车辆的换道决策方法及装置、电子设备、存储介质 | |
CN114077541A (zh) | 验证用于自动驾驶车辆的自动控制软件的方法和系统 | |
CN111707258B (zh) | 一种外部车辆监测方法、装置、设备及存储介质 | |
CN115017742A (zh) | 自动驾驶测试场景生成方法、装置、设备及存储介质 | |
CN115859821A (zh) | 创建用于模拟自主驾驶车辆的模拟环境的方法和系统 | |
Zhang et al. | The AD4CHE dataset and its application in typical congestion scenarios of traffic jam pilot systems | |
CN113424209B (zh) | 使用深度学习多预测器融合和贝叶斯优化的轨迹预测 | |
US12026953B2 (en) | Systems and methods for utilizing machine learning for vehicle detection of adverse conditions | |
US12019449B2 (en) | Rare event simulation in autonomous vehicle motion planning | |
CN114684197A (zh) | 避障场景的检测方法、装置、设备及存储介质 | |
Ravishankaran | Impact on how AI in automobile industry has affected the type approval process at RDW | |
US11651583B2 (en) | Multi-channel object matching | |
US20230192148A1 (en) | Method and system for classifying traffic situations and training method | |
US20240043022A1 (en) | Method, system, and computer program product for objective assessment of the performance of an adas/ads system |
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 |