CN114740759A - 自动驾驶系统的测试方法、装置、存储介质及电子装置 - Google Patents
自动驾驶系统的测试方法、装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN114740759A CN114740759A CN202210405866.5A CN202210405866A CN114740759A CN 114740759 A CN114740759 A CN 114740759A CN 202210405866 A CN202210405866 A CN 202210405866A CN 114740759 A CN114740759 A CN 114740759A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- video clips
- test
- video
- data
- 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
- 238000010998 test method Methods 0.000 title claims description 7
- 238000012360 testing method Methods 0.000 claims abstract description 179
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000004088 simulation Methods 0.000 claims abstract description 23
- 238000007405 data analysis Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 20
- 230000001133 acceleration Effects 0.000 claims description 15
- 230000014509 gene expression Effects 0.000 claims description 14
- 238000009825 accumulation Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000001186 cumulative effect Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种自动驾驶系统的测试方法、装置、存储介质及电子装置。其中，该方法包括：获取第一数量的视频片段，其中，视频片段的显示内容用于描述第一车辆与第二车辆之间的驾驶情况，视频片段的显示范围为第一车辆周围预设范围内的路段；对第一数量的视频片段进行质量分析，得到第二数量的视频片段，其中，第二数量小于等于第一数量；对第二数量的视频片段进行数据分析，得到目标试验参数；根据目标试验参数对第一车辆进行模拟测试，得到测试数据，其中，测试数据用于开发和优化所述自动驾驶系统。本发明解决了相关技术的自动驾驶系统测试精确度低、测试数据有效性低、测试成本高的技术问题。
Description
技术领域
本发明涉及自动驾驶领域，具体而言，涉及一种自动驾驶系统的测试方法、装置、存储介质及电子装置。
背景技术
随着智能汽车的不断发展，对自动驾驶系统的开发及测试的研究也在不断深入。目前，对自动驾驶系统进行测试时，测试人员需要将测试车辆开到真实道路上进行测试，测试前还需要申请驾驶牌照和测试道路等，导致测试成本高且费时费力，同时得到测试数据有效性较低，使得测试的精确度低。
发明内容
本发明实施例提供了一种自动驾驶系统的测试方法、装置、存储介质及电子装置，以至少解决相关技术的自动驾驶系统测试精确度低、测试数据有效性低、测试成本高的技术问题。
根据本发明其中一实施例，提供了一种自动驾驶系统的测试方法，包括：
获取第一数量的视频片段，其中，视频片段的显示内容用于描述第一车辆与第二车辆之间的驾驶情况，视频片段的显示范围为第一车辆周围预设范围内的路段，第一车辆为视频片段中进行测试的车辆，第二车辆为第一车辆前方的车辆；对第一数量的视频片段进行质量分析，得到第二数量的视频片段，其中，第二数量小于等于第一数量；对第二数量的视频片段进行数据分析，得到目标试验参数；根据目标试验参数对第一车辆进行模拟测试，得到测试数据，其中，测试数据用于开发和优化自动驾驶系统。
可选地，第一数量的视频片段包括多个类型的驾驶员驾驶第一车辆的视频片段。
可选地，对第一数量的视频片段进行质量分析，得到第二数量的视频片段包括：根据视频片段内显示的车辆总数目和第一车辆的位置对第一数量的视频片段进行质量分析，得到第一数量的视频片段中每个视频片段的质量等级；选择质量等级符合预设标准的视频片段，得到第二数量的视频片段。
可选地，对第二数量的视频片段进行数据分析，得到目标试验参数包括：根据第二数量的视频片段中的场景数据，得到相关系数矩阵，其中，相关系数矩阵由不同场景数据之间的相关系数构成；根据相关系数矩阵，得到不同场景数据的特征值和特征值对应的特征向量；根据特征值，得到多个场景数据主成分的贡献率，其中，贡献率用于体现场景数据在视频片段中的重要性；根据选择的主成分和特征向量，得到因子载荷矩阵，其中，选择的主成分为累计贡献率大于累计贡献率阈值的主成分，累计贡献率为将每个主成分的贡献率由大到小依次累加，累加结果大于累计贡献率阈值时，进行累加的主成分为选择的主成分，因子载荷矩阵由对应系数构成；根据因子载荷矩阵和场景数据构建表达式，并将表达式中对应系数绝对值最大的项对应的场景数据确定为目标试验参数。
可选地，场景数据包括第一车辆的速度、第一车辆的加速度、第一车辆的横摆角速度、第一车辆与第二车辆的距离、第二车辆的速度、第二车辆的加速度、第一车辆与第三车辆的距离、第三车辆的速度以及第三车辆的加速度。
可选地，根据目标试验参数进行测试，得到测试数据包括：计算第二数量的视频片段中目标试验参数的平均值，根据平均值构建数值遍历表格，其中，数值遍历表格包括测试场景和仿真参数；根据数值遍历表格，控制在环测试装置对第一车辆进行测试，得到测试数据。
可选地，测试场景为在环测试装置进行测试时模拟的道路场景，测试场景对应一个或多个仿真参数。
根据本发明其中一实施例，还提供了一种自动驾驶系统的测试装置，包括：
视频拍摄模块，用于获取第一数量的视频片段，其中，视频片段用于体现第一车辆与第二车辆之间的驾驶情况，视频片段包括第一车辆周围预设范围内的道路情况，第一车辆为视频片段中进行测试的车辆，第二车辆为第一车辆前方的车辆；质量分析模块，用于对第一数量的视频片段进行质量分析，得到第二数量的视频片段，其中，第二数量小于等于第一数量；数据分析模块，用于对第二数量的视频片段进行数据分析，得到目标试验参数；在环测试模块，用于根据目标试验参数进行测试，得到测试数据，其中，测试数据用于开发和优化所述自动驾驶系统。
可选地，第一数量的视频片段包括多个类型的驾驶员驾驶第一车辆的视频片段。
可选地，质量分析模块，还用于根据视频片段内显示的车辆总数目和第一车辆的位置对第一数量的视频片段进行质量分析，得到第一数量的视频片段中每个视频片段的质量等级；选择质量等级符合预设标准的视频片段，得到第二数量的视频片段。
可选地，数据分析模块，还用于根据第二数量的视频片段中的场景数据，得到相关系数矩阵，其中，相关系数矩阵由不同场景数据之间的相关系数构成；根据相关系数矩阵，得到不同场景数据的特征值和特征值对应的特征向量；根据特征值，得到多个场景数据主成分的贡献率，其中，贡献率用于体现场景数据在视频片段中的重要性；根据选择的主成分和特征向量，得到因子载荷矩阵，其中，选择的主成分为累计贡献率大于累计贡献率阈值的主成分，累计贡献率为将每个主成分的贡献率由大到小依次累加，累加结果大于累计贡献率阈值时，进行累加的主成分为选择的主成分，因子载荷矩阵由对应系数构成；根据因子载荷矩阵和场景数据构建表达式，并将表达式中对应系数绝对值最大的项对应的场景数据确定为目标试验参数。
可选地，场景数据包括第一车辆的速度、第一车辆的加速度、第一车辆的横摆角速度、第一车辆与第二车辆的距离、第二车辆的速度、第二车辆的加速度、第一车辆与第三车辆的距离、第三车辆的速度以及第三车辆的加速度。
可选地，在环测试模块，还用于计算第二数量的视频片段中目标试验参数的平均值，根据平均值构建数值遍历表格，其中，数值遍历表格包括测试场景和仿真参数；根据数值遍历表格，控制在环测试装置对第一车辆进行测试，得到测试数据。
可选地，测试场景为在环测试装置进行测试时模拟的道路场景，测试场景对应一个或多个仿真参数。
根据本发明其中一实施例，还提供了一种非易失性存储介质，非易失性存储介质中存储有计算机程序，其中，计算机程序被设置为在计算机或处理器上运行时，执行上述任一项中的自动驾驶系统的测试方法。
根据本发明其中一实施例，还提供了一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述任一项中的自动驾驶系统的测试方法。
在本发明实施例中，通过获取第一数量的视频片段，对第一数量的视频片段进行质量分析，得到第二数量的视频片段，再对第二数量的视频片段进行数据分析，得到目标试验参数，根据目标试验参数对第一车辆进行模拟测试，得到用于开发和优化自动驾驶系统的测试数据。从而能够显著降低自动驾驶系统的测试成本，且能在短时间内获取大量有效的测试数据，提高自动驾驶系统测试的精确度，同时还有助于提高自动驾驶系统的安全性，确保自动驾驶算法的快速开发，为驾驶员提供更好的保护。对提高自动驾驶系统适用性、保障汽车安全、减少交通事故具有重大意义，进而解决了相关技术的自动驾驶系统测试精确度低、测试数据有效性低、测试成本高的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，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是根据本发明其中一实施例的自动驾驶系统的测试方法的流程图；
图2是根据本发明其中一实施例的视频片段的示意图；
图3是根据本发明其中一实施例的第一车辆的位置的等级划分示意图；
图4是根据本发明其中一实施例的在环测试装置的结构示意图；
图5是根据本发明其中一实施例的数据流示意图；
图6是根据本发明其中一实施例的自动驾驶系统的测试装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，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”等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，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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。
根据本发明其中一实施例，提供了一种自动驾驶系统的测试方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
该方法实施例可以在车辆中包含存储器和处理器的电子装置、类似的控制装置或者自动驾驶系统中执行。以运行在车辆的电子装置上为例，车辆的电子装置可以包括一个或多个处理器和用于存储数据的存储器。可选地，上述车辆的电子装置还可以包括用于通信功能的通信设备以及显示设备。本领域普通技术人员可以理解，上述结构描述仅为示意，其并不对上述车辆的电子装置的结构造成限定。例如，车辆的电子装置还可包括比上述结构描述更多或者更少的组件，或者具有与上述结构描述不同的配置。
处理器可以包括一个或多个处理单元。例如：处理器可以包括中央处理器(central processing unit，CPU)、图形处理器(graphics processing unit，GPU)、数字信号处理(digital signal processing，DSP)芯片、微处理器(microcontroller unit，MCU)、可编程逻辑器件(field－programmable gate array，FPGA)、神经网络处理器(neural-network processing unit，NPU)、张量处理器(tensor processing unit，TPU)、人工智能(artificial intelligent，AI)类型处理器等的处理装置。其中，不同的处理单元可以是独立的部件，也可以集成在一个或多个处理器中。在一些实例中，电子装置也可以包括一个或多个处理器。
存储器可用于存储计算机程序，例如存储本发明实施例中的自动驾驶系统的测试方法对应的计算机程序，处理器通过运行存储在存储器内的计算机程序，从而实现上述的自动驾驶系统的测试方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至电子装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信设备用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，通信设备包括一个网络适配器(network interface controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，通信设备可以为射频(radio frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
显示设备可以例如触摸屏式的液晶显示器(liquid crystal display，LCD)和触摸显示器(也被称为“触摸屏”或“触摸显示屏”)。该液晶显示器可使得用户能够与移动终端的用户界面进行交互。在一些实施例中，上述移动终端具有图形用户界面(graphical userinterface，GUI)，用户可以通过触摸触敏表面上的手指接触和/或手势来与GUI进行人机交互，此处的人机交互功能可选的包括如下交互：创建网页、绘图、文字处理、制作电子文档、游戏、视频会议、即时通信、收发电子邮件、通话界面、播放数字视频、播放数字音乐和/或网络浏览等、用于执行上述人机交互功能的可执行指令被配置/存储在一个或多个处理器可执行的计算机程序产品或可读存储介质中。
在本实施例中提供了一种运行于上述车辆的电子装置的自动驾驶系统的测试方法，图1是根据本发明其中一实施例的自动驾驶系统的测试方法的流程图，如图1所示，该流程包括如下步骤：
步骤S101、获取第一数量的视频片段。
其中，视频片段的显示内容用于描述第一车辆与第二车辆之间的驾驶情况，第一车辆为视频片段中进行测试的车辆，第二车辆为第一车辆前方的车辆。可以理解为视频片段拍摄于真实道路中，视频片段中包括第一车辆的驾驶动作、第二车辆的驾驶动作以及第一车辆与第二车辆之间的相互动作，相互动作例如可以为第一车辆根据第二车辆的驾驶速度改变自身驾驶速度等。
视频片段的显示范围为第一车辆周围预设范围内的路段。预设范围在纵向方向上包括第一车辆前后200m的范围，纵向方向即为第一车辆行驶的方向。预设范围在横向方向上包括第一车辆所位于的第一车道、第一车道左侧的第二车道、第一车道右侧的第三车道以及道路两侧等间距布置的大小相同的多个参照物，横向方向即为与纵向方向垂直的方向。其中，拍摄第一车道周围车道能够更真实的反映道路情况，设置参照物的目的是用于对视频片段进行处理时计算车辆之间的距离。
如图2所示，其示出了根据本发明其中一实施例的视频片段的示意图。图2示出的视频片段中包括第一车辆、第二车辆、多个其他车辆以及道路两侧等间距布置的大小相同的多个参照物。其中，无人机在第一车辆上方跟随第一车辆进行拍摄，无人机用于拍摄第一数量的视频片段。第一车辆的车顶可以粘贴有特殊颜色贴层，便于对无人机拍摄的视频片段进行处理时，对第一车辆的筛选提取。
步骤S102、对第一数量的视频片段进行质量分析，得到第二数量的视频片段。
其中，第二数量小于等于第一数量。由于无人机拍摄的视频片段中，可能存在一些有效性较低的视频片段，从这些有效性较低的视频片段中得到的数据的真实性和精确度也较低。因此为了保证数据的真实性和精确度，即为了保证视频片段的有效性，会对第一数量的视频片段进行质量分析，选择符合质量要求的视频片段，从而得到第二数量的视频片段。
步骤S103、对第二数量的视频片段进行数据分析，得到目标试验参数。
对能够确保数据的真实性和精确度的第二数量的视频片段进行数据分析，得到的目标试验参数能够用于模拟最真实的道路场景。
步骤S104、根据目标试验参数对第一车辆进行模拟测试，得到测试数据。
其中，测试数据用于开发和优化自动驾驶系统。根据最接近真实道路场景的目标试验参数对第一车辆进行模拟测试后，得到的测试数据能够用于开发和优化自动驾驶系统，从而提高自动驾驶系统适用性、保障汽车安全、减少交通事故。
通过上述步骤，获取第一数量的视频片段，对第一数量的视频片段进行质量分析，得到第二数量的视频片段，再对第二数量的视频片段进行数据分析，得到目标试验参数，根据目标试验参数对第一车辆进行模拟测试，得到用于开发和优化自动驾驶系统的测试数据。从而能够显著降低自动驾驶系统的测试成本，且能在短时间内获取大量有效的测试数据，提高自动驾驶系统测试的精确度，同时还有助于提高自动驾驶系统的安全性，确保自动驾驶算法的快速开发，为驾驶员提供更好的保护。对提高自动驾驶系统适用性、保障汽车安全、减少交通事故具有重大意义，进而解决了相关技术的自动驾驶系统测试精确度低、测试数据有效性低、测试成本高的技术问题。
可选地，第一数量的视频片段包括多个类型的驾驶员驾驶第一车辆的视频片段。
其中，为了使获取到的视频片段以及驾驶数据具有广泛的代表性，多个类型的驾驶员包括新手驾驶员和非新手驾驶员(熟练型驾驶员)，性别包括男性驾驶员和女性驾驶员，年龄覆盖符合驾驶条件的所有年龄段的驾驶员。总驾驶员人数不低于50人，可以理解为第一数量不低于50。
可选地，在步骤S102中，对第一数量的视频片段进行质量分析，得到第二数量的视频片段可以包括以下执行步骤：
步骤S102a、根据视频片段内显示的车辆总数目和第一车辆的位置对第一数量的视频片段进行质量分析，得到第一数量的视频片段中每个视频片段的质量等级。
对第一数量的视频片段从车辆总数目和第一车辆的位置这两个维度进行质量分析，其中，车辆总数目为视频片段中所包含的车辆的总数，车辆总数目分为三个等级，分别为S1等级、M1等级和L1等级，示例性的，S1等级为视频片段中所包含的车辆的总数小于3辆，M1等级为视频片段中所包含的车辆的总数小于等于8辆大于等于3辆，L1等级为视频片段中所包含的车辆的总数大于3辆。
由于无人机进行拍摄时可能并不位于第一车辆的正上方，会出现不能及时跟随第一车辆拍摄的情况，因此视频片段的有效性需要考虑第一车辆的位置，第一车辆的位置为视频片段中第一车辆的位置与视频片段纵向中心的相对位置。第一车辆的位置分为三个等级，分别为S2等级、M2等级和L2等级。如图3所示，其示出了第一车辆的位置的等级划分示意图，根据
处、
处、
处和
处的分界线将无人机拍摄范围在纵向方向上进行划分，即将视频片段进行划分。S2等级代表第一车辆的位置位于无人机拍摄范围的
与
分界线之内，M2等级代表第一车辆的位置位于无人机拍摄范围的
与
分界线之内或者位于
与
分界线之内，L2等级代表第一车辆的位置位于无人机拍摄范围的
分界线之外或
分界线之外。
具体的，将视频片段内显示的车辆总数目和第一车辆的位置输入到模糊控制器中对视频片段进行质量分析，得到视频片段的质量等级。设计模糊控制器的模式为双输入单输出模式，模糊控制器的第一输入变量为视频片段的车辆总数目，对应的模糊集合分割为上述S1等级、M1等级和L1等级3个等级。模糊控制器的第二输入变量为第一车辆的位置，对应的模糊集合分割为上述S2等级、M2等级和L2等级3个等级。模糊控制器的输出变量为视频片段的质量，示例性的，模糊控制器的隶属度函数选择较陡的隶属度函数，例如三角形隶属度函数，以保障输出变量对输入变量的变化足够敏感，从而对应的模糊集合分割为S等级(极好)、A等级(好)、B等级(一般)、C等级(差)和D等级(极差)5个等级，即模糊控制器输出的视频质量等级为S等级(极好)、A等级(好)、B等级(一般)、C等级(差)和D等级(极差)5个等级，模糊控制器的输入输出的之间的模糊规则如下表所示：
表1
步骤S102b、选择质量等级符合预设标准的视频片段，得到第二数量的视频片段。
基于步骤102a中构建的模糊控制器，将第一数量的视频片段中每个视频片段的车辆总数目和第一车辆的位置作为第一输入变量和第二输入变量输入到模糊控制器，通过模糊控制器输出对应的视频片段的质量等级，选择质量等级符合预设标准的视频片段。其中，符合预设标准的视频片段为模糊控制器输出的质量等级为B等级及以上等级的视频片段，质量等级为B等级及以上等级的视频片段为第二数量的视频片段。
可选地，在步骤S103中，对第二数量的视频片段进行数据分析，得到目标试验参数可以包括以下执行步骤：
步骤S103a、根据第二数量的视频片段中的场景数据，得到相关系数矩阵。
其中，场景数据包括第一车辆的速度、第一车辆的加速度、第一车辆的横摆角速度、第一车辆与第二车辆的距离、第二车辆的速度、第二车辆的加速度、第一车辆与第三车辆的距离、第三车辆的速度以及第三车辆的加速度，分别记为O1、O2、O3、O4、O5、O6、O7、O8和O9形式的列向量，第三车辆为第一车辆后方的车辆。例如，视频片段中包括9个采样点(后文中均以每个视频片段中包括9个采样点为例进行说明，即采样点个数k＝9)，O11为第一个采样点处的第一车辆的速度，O21为第二个采样点处的第一车辆的速度，以此类推。第一车辆的速度
为每个采样点处的第一车辆的速度构成的列向量，O2、O3、O4、O5、O6、O7、O8和O9同理，此处不过多赘述。
由于第二数量的视频片段中包含的内容较多，因此需要对场景数据进行将维提取工作，选择出主要的场景数据，在后续进行自动驾驶系统测试时对其重点进行测试。rij(i,j＝1,2,…,9)为不同场景数据Oi与Oj之间的相关系数，根据第二数量的视频片段中的场景数据，计算不同场景数据Oi与Oj之间的相关系数
其中，Oki表示视频片段中第k个采样点处的场景数据Oi，
表示第二数量的视频片段中场景数据Oi的平均值。以及根据第二数量的视频片段中的场景数据，计算场景数据相关系数矩阵
其中，相关系数矩阵由不同场景数据之间的相关系数构成。
步骤S103b、根据相关系数矩阵，得到不同场景数据的特征值和特征值对应的特征向量。
通过求解特征方程(λI-R)u＝0，求出特征值λi(i＝1，2，…，9)以及每个特征值λi对应的特征向量U＝(u1，u2…，u9)，其中，I为单位矩阵。特征值λi求解出来后，将特征值λi由大到小进行排列，例如λ1≥λ2≥…≥λ9≥0(后文中均以λ1≥λ2≥…≥λ9≥0为例进行说明)。
步骤S103c、根据特征值，得到多个场景数据主成分的贡献率。
其中，贡献率用于体现场景数据在视频片段中的重要性。场景数据主成分Zi的贡献率为
表示每个场景数据在所有第二数量的视频片段中的贡献率。计算每个场景数据主成分Zi的贡献率，将场景数据主成分Zi的贡献率由大到小进行排列，例如Z1≥Z2≥…≥Z9≥0(后文中均以Z1≥Z2≥…≥Z9≥0为例进行说明)，且贡献率最大的Z1对应特征值最大的λ1，Z2对应λ2，以此类推。
步骤S103d、根据选择的主成分和特征向量，得到因子载荷矩阵。
其中，选择的主成分为累计贡献率大于累计贡献率阈值的主成分，累计贡献率为将每个主成分的贡献率由大到小依次累加，累加结果大于累计贡献率阈值时，进行累加的主成分为选择的主成分。
示例性的，有6个场景数据主成分A、B、C、D、E、F，其中，A的贡献率为25％、B的贡献率为20％、C的贡献率为15％、D的贡献率为18％、E的贡献率为12％、F的贡献率为10％。将场景数据主成分的贡献率由大到小进行排列，即25％>20％>18％>15％>12％>10％(简写成A>B>D>C>E>F)。按照贡献率由大到小排列顺序依次累加，即先将A的贡献率和B的贡献率进行累加，得到累加结果为25％+20％＝45％(简写成A+B＝45％)，再将A的贡献率、B的贡献率和C的贡献率进行累加，得到累加结果为25％+20％+18％＝63％(简写成A+B+C＝63％)，以此类推。以累计贡献率阈值为80％为例，当从A的贡献率加到E的贡献率时，累加结果为25％+20％+18％+15％+12％＝90％(简写成A+B+D+C+E＝90％)，即满足累计贡献率90％大于贡献率阈值80％，因此选择的主成分(累计贡献率大于贡献率阈值的主成分)为A、B、D、C和E。
计算累计贡献率
得到选择的主成分(后文均以选择的主成分为Z1、Z2、Z3和Z4为例)，根据选择的主成分，计算得到因子载荷矩阵：
其中，因子载荷矩阵A由对应系数(即a11…a91、a12…a92、a13…a93、a14…a94)构成，ωj为标准化特征向量，即
步骤S103e、根据因子载荷矩阵和场景数据构建表达式，并将表达式中对应系数绝对值最大的项对应的场景数据确定为目标试验参数。
根据因子载荷矩阵和场景数据构建的表达式如下(选择的主成分有4个，因此构建4个表达式)：
M1＝a11O1+a21O2+…+a91O9
M2＝a12O1+a22O2+…+a92O9
M3＝a13O1+a23O2+…+a93O9
M4＝a14O1+a24O2+…+a94O9
由于对应系数的绝对值越大，表示该项对应的场景数据在所构建的表达式中的重要性越高，因此，分别挑选所构建的表达式M1、M2、M3和M4中对应系数绝对值最大的项对应的场景数据。以a91、a12、a23、a54的绝对值最大为例，其对应的场景数据分别为O9、O1、O2、O5，即确定为O9、O1、O2、O5目标试验参数。
可选地，在步骤S104中，根据目标试验参数进行测试，得到测试数据可以包括以下执行步骤：
步骤S104a、计算第二数量的视频片段中目标试验参数的平均值，根据平均值构建数值遍历表格；
步骤S104b、根据数值遍历表格，控制在环测试装置对第一车辆进行测试，得到测试数据。
计算第二数量的视频片段中目标试验参数O9、O1、O2、O5的平均值，得到
构建的数值遍历表格如下表2所示。其中，数值遍历表格包括测试场景和仿真参数，测试场景为在环测试装置进行测试时模拟的道路场景，仿真参数为该模拟的道路场景中的参数，测试场景对应一个或多个仿真参数，k1、k2为变量系数。将数值遍历表格设置到在环测试装置的工控机中(即PreScan软件中)，形成对应的测试场景，从而能够对第一车辆进行测试，得到用于开发和优化自动驾驶系统的测试数据。
表2
如图4所示，为在环测试装置的结构示意图。在地面上固定有电动机底板10、电动缸底板15，电动机底板10和电动缸底板15的顶面分别设置有电动机9和电动缸14，电动机9的顶部动力输出端设置有动力轴8，动力轴8的顶端固定有第二锥齿轮7，第二锥齿轮7的后部与第一锥齿轮6的下部接触啮合，第一锥齿轮6固定在左位运动轮4的前侧面，左位运动轮4的左部外周与运动带3的左部内周接触，运动带3的右部内周与右位运动轮5的右部外周接触，右位运动轮5的前侧面固定有中心轴11，中心轴11的外周与轴承套12的内周接触，轴承套12的下部外周与动作杆13的顶端固定连接，运动带3的上部外周与试验车辆(即第一车辆)的底部车轮接触，试验车辆的右侧面的顶端固定有显示器支架1，显示器支架1的右端固定有显示器2，显示器2用于显示模拟的道路场景。
如图5所示，为自动驾驶系统的测试方法的数据流示意图。将数值遍历表格输入到工控机中之后，工控机会根据数值遍历表格中的数据将道路信息传输到电动缸控制器和电动机控制器，电动缸控制器和电动机控制器控制电动缸14和电动机9开始工作。电动机9的运动将带动运动带3，使运动带3开始运动，进而模拟实际驾驶过程中车辆与道路的相对运动。电动缸14的运动将使运动带3的水平角度发生变化，进而模拟实际驾驶过程中道路的坡度。同时，工控机还会根据数值遍历表格中的数据，将场景数据(包括仿真参数和其他场景数据)传输到自动驾驶控制器，自动驾驶控制器向试验车辆传输自动驾驶控制指令，控制试验车辆进行自动驾驶(为保证安全且更好的得到测试数据，通常试验车辆中还会乘坐驾驶员)，工控机会根据数值遍历表格中的数据生成仿真视频传输到显示器2中，显示器2实时显示虚拟的道路场景，使坐在试验车辆中的驾驶员能够获得更佳的虚拟驾驶体验，测试过程中试验车辆的整车状态数据，即得到的测试数据还会反馈到工控机中，用于进行自动驾驶系统的开发与优化。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
在本实施例中还提供了一种自动驾驶系统的测试装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图6是根据本发明其中一实施例的自动驾驶系统的测试装置的结构框图，如图6所示，以自动驾驶系统的测试装置600进行示例，该装置包括：视频拍摄模块601，用于获取第一数量的视频片段，其中，视频片段用于体现第一车辆与第二车辆之间的驾驶情况，视频片段包括第一车辆周围预设范围内的道路情况，第一车辆为视频片段中进行测试的车辆，第二车辆为第一车辆前方的车辆；质量分析模块602，用于对第一数量的视频片段进行质量分析，得到第二数量的视频片段，其中，第二数量小于等于第一数量；数据分析模块603，用于对第二数量的视频片段进行数据分析，得到目标试验参数；在环测试模块604，用于根据目标试验参数进行测试，得到测试数据，其中，测试数据用于开发和优化所述自动驾驶系统。
可选地，第一数量的视频片段包括多个类型的驾驶员驾驶第一车辆的视频片段。
可选地，质量分析模块602，还用于根据视频片段内显示的车辆总数目和第一车辆的位置对第一数量的视频片段进行质量分析，得到第一数量的视频片段中每个视频片段的质量等级；选择质量等级符合预设标准的视频片段，得到第二数量的视频片段。
可选地，数据分析模块603，还用于根据第二数量的视频片段中的场景数据，得到相关系数矩阵，其中，相关系数矩阵由不同场景数据之间的相关系数构成；根据相关系数矩阵，得到不同场景数据的特征值和特征值对应的特征向量；根据特征值，得到多个场景数据主成分的贡献率，其中，贡献率用于体现场景数据在视频片段中的重要性；根据选择的主成分和特征向量，得到因子载荷矩阵，其中，选择的主成分为累计贡献率大于累计贡献率阈值的主成分，累计贡献率为将每个主成分的贡献率由大到小依次累加，累加结果大于累计贡献率阈值时，进行累加的主成分为选择的主成分，因子载荷矩阵由对应系数构成；根据因子载荷矩阵和场景数据构建表达式，并将表达式中对应系数绝对值最大的项对应的场景数据确定为目标试验参数。
可选地，场景数据包括第一车辆的速度、第一车辆的加速度、第一车辆的横摆角速度、第一车辆与第二车辆的距离、第二车辆的速度、第二车辆的加速度、第一车辆与第三车辆的距离、第三车辆的速度以及第三车辆的加速度。
可选地，在环测试模块604，还用于计算第二数量的视频片段中目标试验参数的平均值，根据平均值构建数值遍历表格，其中，数值遍历表格包括测试场景和仿真参数；根据数值遍历表格，控制在环测试装置对第一车辆进行测试，得到测试数据。
可选地，测试场景为在环测试装置进行测试时模拟的道路场景，测试场景对应一个或多个仿真参数。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种非易失性存储介质，该非易失性存储介质中存储有计算机程序，其中，该计算机程序被设置为在计算机或处理器上运行时，执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述非易失性存储介质可以被设置为存储用于执行以下步骤的计算机程序：
步骤S1、获取第一数量的视频片段；
步骤S2，对第一数量的视频片段进行质量分析，得到第二数量的视频片段；
步骤S3，对第二数量的视频片段进行数据分析，得到目标试验参数；
步骤S4，根据目标试验参数对第一车辆进行模拟测试，得到测试数据。
可选地，在本实施例中，上述非易失性存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述电子装置中的处理器可以被设置为运行计算机程序以执行以下步骤：
步骤S1、获取第一数量的视频片段；
步骤S2，对第一数量的视频片段进行质量分析，得到第二数量的视频片段；
步骤S3，对第二数量的视频片段进行数据分析，得到目标试验参数；
步骤S4，根据目标试验参数对第一车辆进行模拟测试，得到测试数据。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
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(可为个人计算机、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、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种自动驾驶系统的测试方法，其特征在于，所述方法包括：
获取第一数量的视频片段，其中，所述视频片段的显示内容用于描述第一车辆与第二车辆之间的驾驶情况，所述视频片段的显示范围为所述第一车辆周围预设范围内的路段，所述第一车辆为所述视频片段中进行测试的车辆，所述第二车辆为所述第一车辆前方的车辆；
对所述第一数量的视频片段进行质量分析，得到第二数量的视频片段，其中，所述第二数量小于等于第一数量；
对所述第二数量的视频片段进行数据分析，得到目标试验参数；
根据所述目标试验参数对所述第一车辆进行模拟测试，得到测试数据，其中，所述测试数据用于开发和优化所述自动驾驶系统。
2.根据权利要求1所述的方法，其特征在于，所述第一数量的视频片段包括多个类型的驾驶员驾驶所述第一车辆的视频片段。
3.根据权利要求1所述的方法，其特征在于，所述对所述第一数量的视频片段进行质量分析，得到第二数量的视频片段包括：
根据所述视频片段内显示的车辆总数目和所述第一车辆的位置对所述第一数量的视频片段进行质量分析，得到所述第一数量的视频片段中每个所述视频片段的质量等级；
选择所述质量等级符合预设标准的视频片段，得到第二数量的视频片段。
4.根据权利要求1所述的方法，其特征在于，所述对所述第二数量的视频片段进行数据分析，得到目标试验参数包括：
根据所述第二数量的视频片段中的场景数据，得到相关系数矩阵，其中，所述相关系数矩阵由不同所述场景数据之间的相关系数构成；
根据所述相关系数矩阵，得到不同所述场景数据的特征值和所述特征值对应的特征向量；
根据所述特征值，得到多个所述场景数据主成分的贡献率，其中，所述贡献率用于体现所述场景数据在所述视频片段中的重要性；
根据选择的所述主成分和所述特征向量，得到因子载荷矩阵，其中，选择的所述主成分为累计贡献率大于累计贡献率阈值的所述主成分，累计贡献率为将每个所述主成分的贡献率由大到小依次累加，累加结果大于所述累计贡献率阈值时，进行累加的所述主成分为选择的所述主成分，所述因子载荷矩阵由对应系数构成；
根据所述因子载荷矩阵和所述场景数据构建表达式，并将所述表达式中所述对应系数绝对值最大的项对应的所述场景数据确定为所述目标试验参数。
5.根据权利要求4所述的方法，其特征在于，所述场景数据包括所述第一车辆的速度、所述第一车辆的加速度、所述第一车辆的横摆角速度、所述第一车辆与所述第二车辆的距离、所述第二车辆的速度、所述第二车辆的加速度、所述第一车辆与第三车辆的距离、所述第三车辆的速度以及所述第三车辆的加速度。
6.根据权利要求1所述的方法，其特征在于，所述根据所述目标试验参数进行测试，得到测试数据包括：
计算所述第二数量的视频片段中所述目标试验参数的平均值，根据所述平均值构建数值遍历表格，其中，所述数值遍历表格包括测试场景和仿真参数；
根据所述数值遍历表格，控制在环测试装置对所述第一车辆进行测试，得到测试数据。
7.根据权利要求6所述的方法，其特征在于，所述测试场景为所述在环测试装置进行测试时模拟的道路场景，所述测试场景对应一个或多个所述仿真参数。
8.一种自动驾驶系统的测试装置，其特征在于，所述装置包括：
视频拍摄模块，用于获取第一数量的视频片段，其中，所述视频片段用于体现第一车辆与第二车辆之间的驾驶情况，所述视频片段包括所述第一车辆周围预设范围内的道路情况，所述第一车辆为所述视频片段中进行测试的车辆，所述第二车辆为所述第一车辆前方的车辆；
质量分析模块，用于对所述第一数量的视频片段进行质量分析，得到第二数量的视频片段，其中，所述第二数量小于等于第一数量；
数据分析模块，用于对所述第二数量的视频片段进行数据分析，得到目标试验参数；
在环测试模块，用于根据所述目标试验参数进行测试，得到测试数据，其中，所述测试数据用于开发和优化所述自动驾驶系统。
9.一种非易失性存储介质，其特征在于，所述非易失性存储介质中存储有计算机程序，其中，所述计算机程序被设置为在计算机或处理器上运行时，执行上述权利要求1至7任一项中所述的自动驾驶系统的测试方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述权利要求1至7任一项中所述的自动驾驶系统的测试方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210405866.5A CN114740759A (zh) | 2022-04-18 | 2022-04-18 | 自动驾驶系统的测试方法、装置、存储介质及电子装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210405866.5A CN114740759A (zh) | 2022-04-18 | 2022-04-18 | 自动驾驶系统的测试方法、装置、存储介质及电子装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114740759A true CN114740759A (zh) | 2022-07-12 |
Family
ID=82282262
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210405866.5A Pending CN114740759A (zh) | 2022-04-18 | 2022-04-18 | 自动驾驶系统的测试方法、装置、存储介质及电子装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114740759A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115859695A (zh) * | 2023-02-27 | 2023-03-28 | 北京千种幻影科技有限公司 | 模拟驾驶测试数据分析方法、系统及设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109187048A (zh) * | 2018-09-14 | 2019-01-11 | 盯盯拍（深圳）云技术有限公司 | 自动驾驶性能测试方法以及自动驾驶性能测试装置 |
| CN109271924A (zh) * | 2018-09-14 | 2019-01-25 | 盯盯拍（深圳）云技术有限公司 | 图像处理方法及图像处理装置 |
| CN111062241A (zh) * | 2019-10-17 | 2020-04-24 | 武汉光庭信息技术股份有限公司 | 基于自然驾驶原始数据自动获取测试场景的方法与系统 |
| CN111216736A (zh) * | 2020-01-09 | 2020-06-02 | 吉林大学 | 基于行驶工况的辅助驾驶系统自适应调节方法及系统 |
| CN113487874A (zh) * | 2021-05-27 | 2021-10-08 | 中汽研（天津）汽车工程研究院有限公司 | 一种跟驰行为场景数据采集、识别、分类提取系统及方法 |
| CN113989768A (zh) * | 2021-09-29 | 2022-01-28 | 中智行(上海)交通科技有限公司 | 一种自动驾驶测试场景分析方法及系统 |
| US20220048536A1 (en) * | 2018-10-24 | 2022-02-17 | Avl List Gmbh | Method and device for testing a driver assistance system |
-
2022
- 2022-04-18 CN CN202210405866.5A patent/CN114740759A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109187048A (zh) * | 2018-09-14 | 2019-01-11 | 盯盯拍（深圳）云技术有限公司 | 自动驾驶性能测试方法以及自动驾驶性能测试装置 |
| CN109271924A (zh) * | 2018-09-14 | 2019-01-25 | 盯盯拍（深圳）云技术有限公司 | 图像处理方法及图像处理装置 |
| US20220048536A1 (en) * | 2018-10-24 | 2022-02-17 | Avl List Gmbh | Method and device for testing a driver assistance system |
| CN111062241A (zh) * | 2019-10-17 | 2020-04-24 | 武汉光庭信息技术股份有限公司 | 基于自然驾驶原始数据自动获取测试场景的方法与系统 |
| CN111216736A (zh) * | 2020-01-09 | 2020-06-02 | 吉林大学 | 基于行驶工况的辅助驾驶系统自适应调节方法及系统 |
| CN113487874A (zh) * | 2021-05-27 | 2021-10-08 | 中汽研（天津）汽车工程研究院有限公司 | 一种跟驰行为场景数据采集、识别、分类提取系统及方法 |
| CN113989768A (zh) * | 2021-09-29 | 2022-01-28 | 中智行(上海)交通科技有限公司 | 一种自动驾驶测试场景分析方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 黄昆: "基于K均值聚类挖掘的跟车测试场景研究", 汽车文摘, 5 December 2021 (2021-12-05), pages 40 - 47 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115859695A (zh) * | 2023-02-27 | 2023-03-28 | 北京千种幻影科技有限公司 | 模拟驾驶测试数据分析方法、系统及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220198289A1 (en) | Recommendation model training method, selection probability prediction method, and apparatus | |
| CN108345875B (zh) | 可行驶区域检测模型训练方法、检测方法和装置 | |
| Keren et al. | Privacy Preserving Plans in Partially Observable Environments. | |
| CN108090208A (zh) | 融合数据处理方法及装置 | |
| US20220254146A1 (en) | Method for filtering image feature points and terminal | |
| CN112398947B (zh) | 一种信息推送方法、装置、设备及计算机可读存储介质 | |
| CN113378760A (zh) | 训练目标检测模型和检测目标的方法及装置 | |
| CN111523600A (zh) | 神经网络训练、目标检测、及智能设备控制的方法及装置 | |
| EP3847619A1 (en) | Unsupervised depth prediction neural networks | |
| CN114740759A (zh) | 自动驾驶系统的测试方法、装置、存储介质及电子装置 | |
| CN115512251A (zh) | 基于双分支渐进式特征增强的无人机低照度目标跟踪方法 | |
| KR102427723B1 (ko) | 인공지능 기반 상품 추천 방법 및 그 시스템 | |
| CN110057377B (zh) | 路径导航方法及相关产品 | |
| CN112115293A (zh) | 内容推荐方法及内容推荐装置 | |
| CN115140091A (zh) | 自动驾驶决策方法、装置、车辆及存储介质 | |
| CN115496911A (zh) | 一种目标点检测方法、装置、设备及存储介质 | |
| CN115402318A (zh) | 一种车辆变道控制方法、装置、设备及存储介质 | |
| CN112138394B (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
| CN113393494A (zh) | 模型训练及目标跟踪方法、装置、电子设备和存储介质 | |
| CN115210717A (zh) | 硬件优化的神经架构搜索 | |
| CN111986243A (zh) | 路肩提取方法及装置、电子设备和计算机可读介质 | |
| EP4339051A1 (en) | Driving strategy determination method and apparatus, device, and vehicle | |
| CN107738627A (zh) | 一种在自动驾驶系统中进行雨刷控制的方法和装置 | |
| CN116168366B (zh) | 点云数据生成方法、模型训练方法、目标检测方法和装置 | |
| CN115437705B (zh) | 提供车辆服务的方法、装置、电子设备及存储介质 |
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 |