CN115048972A - 交通场景解构分类方法及虚实结合自动驾驶测试方法 - Google Patents

交通场景解构分类方法及虚实结合自动驾驶测试方法 Download PDF

Info

Publication number
CN115048972A
CN115048972A CN202210236941.XA CN202210236941A CN115048972A CN 115048972 A CN115048972 A CN 115048972A CN 202210236941 A CN202210236941 A CN 202210236941A CN 115048972 A CN115048972 A CN 115048972A
Authority
CN
China
Prior art keywords
virtual
elements
real
traffic
test
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.)
Granted
Application number
CN202210236941.XA
Other languages
English (en)
Other versions
CN115048972B (zh
Inventor
于鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Innovation Center For Mobility Intelligent Bicmi Co ltd
Original Assignee
Beijing Innovation Center For Mobility Intelligent Bicmi Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Innovation Center For Mobility Intelligent Bicmi Co ltd filed Critical Beijing Innovation Center For Mobility Intelligent Bicmi Co ltd
Priority to CN202210236941.XA priority Critical patent/CN115048972B/zh
Publication of CN115048972A publication Critical patent/CN115048972A/zh
Application granted granted Critical
Publication of CN115048972B publication Critical patent/CN115048972B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了交通场景解构分类方法，包括：将交通场景解构为多个元素；获取多个所述元素对应的标签；对标签赋予可真实属性和/或可虚拟属性，通过可真实属性和可虚拟属性确定对应元素在虚实结合测试中的使用形式；将标签与所述交通场景关联。本发明还提供了虚实结合自动驾驶测试方法。本发明能够克服现有场景特征发掘不充分，测试场景匹配性差，场景数据利用率不高等问题，同时将真实世界元素和虚拟目标联动起来，实现可重复的低成本危险场景测试以及复杂场景测试。

Description

交通场景解构分类方法及虚实结合自动驾驶测试方法
技术领域
本发明涉及自动驾驶相关技术领域。更具体地说，本发明涉及一种交通场景解构分类方法及虚实结合自动驾驶测试方法。
背景技术
交通场景是指车辆行驶时所处的地理区域、自然环境、道路、交通流和时间等要素的集合，指的是行驶场合和驾驶情景的组合，它受所处环境的影响，如道路、交通设施、交通参与者、天气、光照等因素，共同构成完整的场景概念。交通场景描述了道路、交通设施、气象条件、交通参与者等外部状态以及自车的驾驶任务和状态等信息。
自动驾驶汽车评价的是感知能力、决策能力及执行能力的多种融合结果。因此在自动驾驶研发、测试的环节中，从仿真到实车测试，多样化、典型性场景是测试的重要载体。尽可能的覆盖所有复杂交通场景是促进自动驾驶技术落地的关键。
业内也积累了大量场景用于ADAS或高级别自动驾驶系统测试的场景，但目前缺乏一套有效的管理办法，对场景进行有效的分类以及需求场景的快速匹配。
另外，当前自动驾驶实车测试亟待解决的问题包括测试成本高，极端场景和危险工况测试难、危险性大等。虚拟仿真测试系统搭建的虚拟测试环境和车辆模型存在可信度不一的问题，同时只能针对决策规划系统进行测试，无法完全取代实车测试。
发明内容
本发明的一个目的是提供一种交通场景解构分类方法及虚实结合自动驾驶测试方法，能够克服现有场景特征发掘不充分，测试场景匹配性差，场景数据利用率不高等问题；同时将真实世界元素和虚拟目标联动起来，实现可重复的低成本危险场景测试以及复杂场景测试，解决实际封闭试验场存在动态测试场景单一、多变量空间难于实现、高风险测试场景损毁风险大、测试效率较低等问题，以及传统模拟仿真测试无法验证自动驾驶系统的感知、控制层测试需求等问题，为自动驾驶安全测试提供新的快速测试技术与方法。
为了实现本发明的这些目的和其它优点，根据本发明的一个方面，本发明提供了交通场景解构分类方法，包括：将交通场景解构为多个元素；获取多个所述元素对应的标签；对标签赋予可真实属性和/或可虚拟属性，通过可真实属性和可虚拟属性确定对应元素在虚实结合测试中的使用形式；将标签与所述交通场景关联。
进一步地，所述元素包括静态环境要素元素和动态驾驶任务要素元素。
进一步地，所述静态环境要素元素包括基础道路元素、交通设施元素、临时设施元素、交通参与者信息元素、天气环境信息元素、地理位置元素。
进一步地，对于具备可虚拟属性的标签，在虚实结合测试中采用虚拟注入的形式实现，对于具备可真实属性的标签，在虚实结合测试中结合真实的场地或设备实现。
进一步地，所述动态驾驶任务要素元素包括对驾驶任务元素和动态参数元素，所述驾驶任务元素至少包括起步、直行、跟车、变道、掉头、停车、倒车、泊车、路口直行、路口左转、路口右转、超车、被其他车辆切入、骑线行驶、碰撞、逆行，所述动态参数元素至少包括最大速度、平均速度、驾驶时长、最大加速度/减速度、平均加速度/减速度、车头时距、预计碰撞时间、强化距离碰撞时间、风险预测值。
进一步地，还包括：获取与所述交通场景关联的各标签的评分；将各标签的评分输入神经网络预测模型，输出所述交通场景的难度分值；其中，各标签的评分预先由专家打分确定，所述神经网络预测模型由训练集训练得到，所述训练集包括多个历史交通场景关联的标签的评分和多个历史交通场景的难度分值，多个历史交通场景的难度分值预先由专家打分确定。
根据本发明的另一个方面，还提供了虚实结合自动驾驶测试方法，包括：根据测试需求获取标签，根据标签匹配关联的交通场景；根据所述交通场景各标签的属性，建立虚拟元素和真实元素结合的虚实结合交通场景，所述虚实结合测试场景具有虚拟的或真实的测试车辆；建立所述虚实结合交通场景中虚拟元素、真实元素、虚拟的或真实的测试车辆之间的通信连接，对虚拟的或真实的测试车辆进行测试；其中，预先将所述交通场景解构为多个元素，获取多个所述元素对应的标签，对标签赋予可真实属性和/或可虚拟属性，通过可真实属性和可虚拟属性确定对应元素在虚实结合测试中的使用形式，将标签与所述交通场景关联，以供标签与所述交通场景匹配。
进一步地，所述元素包括静态环境要素元素和动态驾驶任务要素元素，所述静态环境要素元素包括基础道路元素、交通设施元素、临时设施元素、交通参与者信息元素、天气环境信息元素、地理位置元素，所述动态驾驶任务要素元素包括对驾驶任务元素和动态参数元素，所述驾驶任务元素至少包括起步、直行、跟车、变道、掉头、停车、倒车、泊车、路口直行、路口左转、路口右转、超车、被其他车辆切入、骑线行驶、碰撞、逆行，所述动态参数元素至少包括最大速度、平均速度、驾驶时长、最大加速度/减速度、平均加速度/减速度、车头时距、预计碰撞时间、强化距离碰撞时间、风险预测值。
进一步地，对于具备可虚拟属性的标签，在虚实结合测试中采用虚拟注入的形式实现，对于具备可真实属性的标签，在虚实结合测试中结合真实的场地或设备实现。
进一步地，将所有匹配的所述交通场景按难度分值排序；其中，难度分值的获得方法包括：获取与所述交通场景关联的各标签的评分；将各标签的评分输入神经网络预测模型，输出所述交通场景的难度分值；其中，各标签的评分预先由专家打分确定，所述神经网络预测模型由训练集训练得到，所述训练集包括多个历史交通场景关联的标签的评分和多个历史交通场景的难度分值，多个历史交通场景的难度分值预先由专家打分确定。
本发明至少包括以下有益效果：
本发明通过标签的使用，提供一种对自动驾驶测试相关的交通场景的分类体系和方法，解决了现有的场景特征发掘不充分，测试场景匹配性差，场景数据利用率不高等问题。本发明适用于交通场景的分类和管理，或对交通场景库内场景的分类、管理、场景匹配等，可提高交通场景的使用效率，利用率，降低场景管理成本。本发明与虚实结合自动驾驶测试能够完美配合，通过标签的使用，可以得到各种复杂度的交通场景和虚实结合的测试场景，解决实际封闭试验场存在动态测试场景单一、多变量空间难于实现、高风险测试场景损毁风险大、测试效率较低等问题，以及传统模拟仿真测试无法验证自动驾驶系统的感知、控制层测试需求等问题，为自动驾驶安全测试提供新的快速测试技术与方法，从而进行充分地自动驾驶测试。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明一个实施例的流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
本申请的实施例提供了交通场景解构分类方法，包括：S1、将交通场景解构为多个元素，元素包括道路、交通设施、气象条件、交通参与者等；S2、获取多个所述元素对应的标签，标签为提取各元素的主要特征得到的元素名称；S3、对标签赋予可真实属性和/或可虚拟属性，通过可真实属性和可虚拟属性确定对应元素在虚实结合测试中的使用形式，可真实属性是指该标签对应的元素采用实物设备，如测试设备、交通设施、控制设备、测试车辆等，可虚拟属性是指该标签对应的元素采用虚拟注入，如虚拟注入障碍物、车流、人流、天气环境、地理位置等；S4、将标签与所述交通场景关联，即用一组标签对交通场景进行多个维度的描述；将标签与交通场景关联后，可通过检索标签快速的定位场景或聚类某一类场景，达到场景分类调用的目的，如图1所示。
在另一些实施例中，所述元素包括静态环境要素元素和动态驾驶任务要素元素，静态环境要素元素为道路、交通设施等相对不变的要素元素，动态驾驶任务要素元素主要包括车辆的驾驶行为，这些元素的标签可赋予可真实属性、可虚拟属性或两者均赋予。
在另一些实施例中，所述静态环境要素元素包括基础道路元素、交通设施元素、临时设施元素、交通参与者信息元素、天气环境信息元素、地理位置元素，基础道路元素包括路网结构、路网区域、道路形态/路面等，交通设施元素包括交通标线、交通标志、交通信号灯、交通警察、固定设施等，临时设施元素包括隔离护栏类、隔离睡嘛、隔离墩、锥桶、防撞桶、施工牌、施工围挡、临时障碍物、升降杆、无隔离护栏、无施工设施、无锥桶等，交通参与者信息元素包括人类、动物、非机动车、机动车、交通参与者数量、交通流情况、长度宽度信息，人类包括成人、儿童、轮椅，非机动车包括两轮车和三轮车，两轮车包括自行车、电动车、摩托车、外卖车，三轮车包括人力三轮车、三轮摩托车、快递三轮车，机动车包括客车、或者、特殊车辆，天气环境信息元素包括晴天、阴天、雨天、雪天、雾天、霾、风力、白天、夜间、极端天气，地理位置元素包括省、市和区县；各元素还可以进一步细分，比如路网结构可以包括行车道、车道数量、车道宽度、车道类型、车道序号等。
在另一些实施例中，对于具备可虚拟属性的标签，在虚实结合测试中采用虚拟注入的形式实现，对于具备可真实属性的标签，在虚实结合测试中结合真实的场地或设备实现，对于既具备可虚拟属性的标签和可真实属性的标签，即采用虚拟注入的形式实现，又在真实的场地用真实设备实现。
在另一些实施例中，所述动态驾驶任务要素元素包括对驾驶任务元素和动态参数元素，所述驾驶任务元素至少包括起步、直行、跟车、变道、掉头、停车、倒车、泊车、路口直行、路口左转、路口右转、超车、被其他车辆切入、骑线行驶、碰撞、逆行，所述动态参数元素至少包括最大速度、平均速度、驾驶时长、最大加速度/减速度、平均加速度/减速度、车头时距、预计碰撞时间、强化距离碰撞时间、风险预测值；下表列出了各驾驶任务元素及其描述；
Figure RE-GDA0003698935190000051
其中车头时距THW计算公式如下：
Figure RE-GDA0003698935190000052
其中distance为两车距离，vvut为主车速度
预计碰撞时间TTC计算公式如下：
Figure RE-GDA0003698935190000061
其中distance为两车距离，vvut为主车速度，vvt为与主车交互的其他车辆或交通参与者目标速度。
其中强化距离碰撞时间ETTC计算公式如下：
Figure RE-GDA0003698935190000062
其中distance为两车距离，vvut为主车速度，vvt为与主车交互的其他车辆或交通参与者目标速度，avut为主车加速度，avt为与主车交互的其他车辆或交通参与者目标加速度。
其中预测风险值RP计算公式如下：
Figure RE-GDA0003698935190000063
其中A、B为权重系数，THW为车头时距，TTC为预计碰撞时间。
在另一些实施例中，还包括：获取与所述交通场景关联的各标签的评分，各标签的评分预先由专家打分确定，可由多位专家根据同一标准打分，取均值，标准根据历史测试数据、相关标准法规确定；将各标签的评分输入神经网络预测模型，输出所述交通场景的难度分值，神经网络预测模型可选自卷积神经网络，各标签的评分按预定顺序排列为向量作为输入，不具有的标签用0补位；其中，所述神经网络预测模型由训练集训练得到，所述训练集包括多个历史交通场景关联的标签的评分和多个历史交通场景的难度分值，多个历史交通场景的难度分值预先由专家根据实际难度打分确定；预先选取若干交通场景，获取标签及评分以及由专家投票得到的难度分值，建立训练集和测试集；利用训练集的标签评分组成的向量和难度分值训练神经网络预测模型，利用测试集进行测试，当误差在10％以下时，可以将神经网络预测模型投入使用；本实施例在将交通场景解构为标签后，即可根据标签的评分和神经网络预测模型，得到交通场景的难度分值，难度分值为后续交通场景的检索和选用提供参考，比如检索特定难度分值的交通场景，按照特定的难度顺序进行测试。
本申请的实施例还提供了虚实结合自动驾驶测试方法，包括：根据测试需求获取标签，根据标签匹配关联的交通场景，根据测试需求的关键词检索标签，进而得到与标签关联的多个交通场景；根据所述交通场景各标签的属性，建立虚拟元素和真实元素结合的虚实结合交通场景，所述虚实结合测试场景具有虚拟的或真实的测试车辆；建立所述虚实结合交通场景中虚拟元素、真实元素、虚拟的或真实的测试车辆之间的通信连接，对虚拟的或真实的测试车辆进行测试；其中，预先将所述交通场景解构为多个元素，获取多个所述元素对应的标签，对标签赋予可真实属性和/或可虚拟属性，通过可真实属性和可虚拟属性确定对应元素在虚实结合测试中的使用形式，将标签与所述交通场景关联，以供标签与所述交通场景匹配；本实施例与前述实施例对交通场景的解构分类能够完美地配合，可以根据测试需求检索出的标签，匹配出各种类型、各种复杂度的交通场景，进而建立虚实结合的测试场景，来完成对实际自动驾驶车辆的测试；通过将真实世界元素和虚拟目标联动起来，通过在真实场地内虚拟注入交通目标，实现可重复的低成本危险场景测试以及复杂场景测试，解决实际封闭试验场存在动态测试场景单一、多变量空间难于实现、高风险测试场景损毁风险大、测试效率较低等问题，以及传统模拟仿真测试无法验证自动驾驶系统的感知、控制层测试需求等问题，为自动驾驶安全测试提供新的快速测试技术与方法；
以下为其中一种测试方式，根据交通场景，建立虚实结合的测试场景，虚实结合的测试场景利用高精度地图和三维重建技术搭建，包括各类静态环境要素、动态驾驶任务要素、虚拟测试车辆和真实测试车辆，各类静态环境要素、动态驾驶任务要素、虚拟测试车辆使用虚拟注入的方式实现，真实测试车辆由真实设备实现；虚实结合的测试场景和真实测试车辆实时进行信息交互；虚拟测试车辆获取真实测试车辆的行驶参数，如位置、姿态、速度等，调整自身行驶参数至与实际测试车辆的行驶参数完全一致；虚拟测试车辆感知虚拟测试场景，得到感知信息，并将感知信息传递给实际测试车辆，根据实际测试车辆对感知信息的决策反应，对实际测试车辆进行测试。
在另一些实施例中，所述元素包括静态环境要素元素和动态驾驶任务要素元素，静态环境要素元素为道路、交通设施等相对不变的要素元素，动态驾驶任务要素元素主要包括车辆的驾驶行为。
在另一些实施例中，参见前文描述，所述静态环境要素元素包括基础道路元素、交通设施元素、临时设施元素、交通参与者信息元素、天气环境信息元素、地理位置元素。
在另一些实施例中，参见前文描述，所述动态驾驶任务要素元素包括对驾驶任务元素和动态参数元素，所述驾驶任务元素至少包括起步、直行、跟车、变道、掉头、停车、倒车、泊车、路口直行、路口左转、路口右转、超车、被其他车辆切入、骑线行驶、碰撞、逆行，所述动态参数元素至少包括最大速度、平均速度、驾驶时长、最大加速度/减速度、平均加速度/减速度、车头时距、预计碰撞时间、强化距离碰撞时间、风险预测值。
在另一些实施例中，将所有匹配的所述交通场景按难度分值排序，匹配得到的交通场景可能有一个或多个，难度分值为自动驾驶测试选择合适难度的交通场景，提供参照；其中，难度分值的获得方法包括：获取与所述交通场景关联的各标签的评分；将各标签的评分输入神经网络预测模型，输出所述交通场景的难度分值；其中，各标签的评分预先由专家打分确定，所述神经网络预测模型由训练集训练得到，所述训练集包括多个历史交通场景关联的标签的评分和多个历史交通场景的难度分值，多个历史交通场景的难度分值预先由专家打分确定。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明交通场景解构分类方法及虚实结合自动驾驶测试方法的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (10)

1.交通场景解构分类方法，其特征在于，包括：
将交通场景解构为多个元素；
获取多个所述元素对应的标签；
对标签赋予可真实属性和/或可虚拟属性，通过可真实属性和可虚拟属性确定对应元素在虚实结合测试中的使用形式；
将标签与所述交通场景关联。
2.如权利要求1所述的交通场景解构分类方法，其特征在于，所述元素包括静态环境要素元素和动态驾驶任务要素元素。
3.如权利要求2所述的交通场景解构分类方法，其特征在于，所述静态环境要素元素包括基础道路元素、交通设施元素、临时设施元素、交通参与者信息元素、天气环境信息元素、地理位置元素。
4.如权利要求2所述的交通场景解构分类方法，其特征在于，对于具备可虚拟属性的标签，在虚实结合测试中采用虚拟注入的形式实现，对于具备可真实属性的标签，在虚实结合测试中结合真实的场地或设备实现。
5.如权利要求2所述的交通场景解构分类方法，其特征在于，所述动态驾驶任务要素元素包括对驾驶任务元素和动态参数元素，所述驾驶任务元素至少包括起步、直行、跟车、变道、掉头、停车、倒车、泊车、路口直行、路口左转、路口右转、超车、被其他车辆切入、骑线行驶、碰撞、逆行，所述动态参数元素至少包括最大速度、平均速度、驾驶时长、最大加速度/减速度、平均加速度/减速度、车头时距、预计碰撞时间、强化距离碰撞时间、风险预测值。
6.如权利要求1所述的交通场景解构分类方法，其特征在于，还包括：
获取与所述交通场景关联的各标签的评分；
将各标签的评分输入神经网络预测模型，输出所述交通场景的难度分值；
其中，各标签的评分预先由专家打分确定，所述神经网络预测模型由训练集训练得到，所述训练集包括多个历史交通场景关联的标签的评分和多个历史交通场景的难度分值，多个历史交通场景的难度分值预先由专家打分确定。
7.虚实结合自动驾驶测试方法，其特征在于，包括：
根据测试需求获取标签，根据标签匹配关联的交通场景；
根据所述交通场景各标签的属性，建立虚拟元素和真实元素结合的虚实结合交通场景，所述虚实结合测试场景具有虚拟的或真实的测试车辆；
建立所述虚实结合交通场景中虚拟元素、真实元素、虚拟的或真实的测试车辆之间的通信连接，对虚拟的或真实的测试车辆进行测试；
其中，预先将所述交通场景解构为多个元素，获取多个所述元素对应的标签，对标签赋予可真实属性和/或可虚拟属性，通过可真实属性和可虚拟属性确定对应元素在虚实结合测试中的使用形式，将标签与所述交通场景关联，以供标签与所述交通场景匹配。
8.如权利要求6所述的虚实结合自动驾驶测试方法，其特征在于，所述元素包括静态环境要素元素和动态驾驶任务要素元素，所述静态环境要素元素包括基础道路元素、交通设施元素、临时设施元素、交通参与者信息元素、天气环境信息元素、地理位置元素，所述动态驾驶任务要素元素包括对驾驶任务元素和动态参数元素，所述驾驶任务元素至少包括起步、直行、跟车、变道、掉头、停车、倒车、泊车、路口直行、路口左转、路口右转、超车、被其他车辆切入、骑线行驶、碰撞、逆行，所述动态参数元素至少包括最大速度、平均速度、驾驶时长、最大加速度/减速度、平均加速度/减速度、车头时距、预计碰撞时间、强化距离碰撞时间、风险预测值。
9.如权利要求7所述的虚实结合自动驾驶测试方法，其特征在于，对于具备可虚拟属性的标签，在虚实结合测试中采用虚拟注入的形式实现，对于具备可真实属性的标签，在虚实结合测试中结合真实的场地或设备实现。
10.如权利要求6所述的虚实结合自动驾驶测试方法，其特征在于，将所有匹配的所述交通场景按难度分值排序；
其中，难度分值的获得方法包括：获取与所述交通场景关联的各标签的评分；将各标签的评分输入神经网络预测模型，输出所述交通场景的难度分值；其中，各标签的评分预先由专家打分确定，所述神经网络预测模型由训练集训练得到，所述训练集包括多个历史交通场景关联的标签的评分和多个历史交通场景的难度分值，多个历史交通场景的难度分值预先由专家打分确定。
CN202210236941.XA 2022-03-11 2022-03-11 交通场景解构分类方法及虚实结合自动驾驶测试方法 Active CN115048972B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210236941.XA CN115048972B (zh) 2022-03-11 2022-03-11 交通场景解构分类方法及虚实结合自动驾驶测试方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210236941.XA CN115048972B (zh) 2022-03-11 2022-03-11 交通场景解构分类方法及虚实结合自动驾驶测试方法

Publications (2)

Publication Number Publication Date
CN115048972A true CN115048972A (zh) 2022-09-13
CN115048972B CN115048972B (zh) 2023-04-07

Family

ID=83157071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210236941.XA Active CN115048972B (zh) 2022-03-11 2022-03-11 交通场景解构分类方法及虚实结合自动驾驶测试方法

Country Status (1)

Country Link
CN (1) CN115048972B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115855531A (zh) * 2023-02-16 2023-03-28 中国汽车技术研究中心有限公司 自动驾驶汽车的测试场景构建方法、设备和介质
CN115979679A (zh) * 2023-03-22 2023-04-18 中国汽车技术研究中心有限公司 自动驾驶系统实际道路测试方法、设备和存储介质
CN116013084A (zh) * 2023-01-16 2023-04-25 公安部道路交通安全研究中心 交通管控场景确定方法、装置、电子设备及存储介质
CN116866963A (zh) * 2023-09-04 2023-10-10 中汽研（天津）汽车工程研究院有限公司 虚实融合的v2x预期功能安全鲁棒性测试方法和系统
CN118392519A (zh) * 2024-06-28 2024-07-26 江西五十铃汽车有限公司 一种自动驾驶车辆的安全评估方法、系统、存储介质及设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109520744A (zh) * 2018-11-12 2019-03-26 百度在线网络技术（北京）有限公司 自动驾驶车辆的驾驶性能测试方法和装置
CN111178402A (zh) * 2019-12-13 2020-05-19 赛迪检测认证中心有限公司 一种自动驾驶车辆道路测试的场景分类方法及装置
CN111179585A (zh) * 2018-11-09 2020-05-19 上海汽车集团股份有限公司 自动驾驶车辆的场地测试方法及装置
CN111781855A (zh) * 2020-07-15 2020-10-16 北京领骏科技有限公司 一种交通在环自动驾驶仿真系统
CN111797001A (zh) * 2020-05-27 2020-10-20 中汽数据有限公司 一种基于SCANeR的自动驾驶仿真测试模型的构建方法
CN112465395A (zh) * 2020-12-15 2021-03-09 同济大学 一种面向自动驾驶汽车的多维度综合评价方法及装置
CN112819968A (zh) * 2021-01-22 2021-05-18 北京智能车联产业创新中心有限公司 基于混合现实的自动驾驶车辆的测试方法和装置
CN112966334A (zh) * 2021-03-04 2021-06-15 北京航迹科技有限公司 一种生成交通场景属性标签的方法、系统及装置
CN113009506A (zh) * 2021-02-22 2021-06-22 西安交通大学 一种虚实结合的实时激光雷达数据生成方法、系统及设备
CN114139329A (zh) * 2020-09-03 2022-03-04 华为技术有限公司 虚拟测试场景构建方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111179585A (zh) * 2018-11-09 2020-05-19 上海汽车集团股份有限公司 自动驾驶车辆的场地测试方法及装置
CN109520744A (zh) * 2018-11-12 2019-03-26 百度在线网络技术（北京）有限公司 自动驾驶车辆的驾驶性能测试方法和装置
CN111178402A (zh) * 2019-12-13 2020-05-19 赛迪检测认证中心有限公司 一种自动驾驶车辆道路测试的场景分类方法及装置
CN111797001A (zh) * 2020-05-27 2020-10-20 中汽数据有限公司 一种基于SCANeR的自动驾驶仿真测试模型的构建方法
CN111781855A (zh) * 2020-07-15 2020-10-16 北京领骏科技有限公司 一种交通在环自动驾驶仿真系统
CN114139329A (zh) * 2020-09-03 2022-03-04 华为技术有限公司 虚拟测试场景构建方法及装置
CN112465395A (zh) * 2020-12-15 2021-03-09 同济大学 一种面向自动驾驶汽车的多维度综合评价方法及装置
CN112819968A (zh) * 2021-01-22 2021-05-18 北京智能车联产业创新中心有限公司 基于混合现实的自动驾驶车辆的测试方法和装置
CN113009506A (zh) * 2021-02-22 2021-06-22 西安交通大学 一种虚实结合的实时激光雷达数据生成方法、系统及设备
CN112966334A (zh) * 2021-03-04 2021-06-15 北京航迹科技有限公司 一种生成交通场景属性标签的方法、系统及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LU ZHANG等: "Research on Automatic Import of Driving", 《2021 IEEE 2ND INTERNATIONAL CONFERENCE ON INFORMATION TECHNOLOGY,BIG DATA AND ARTIFICIAL INTELLIGENCE (ICIBA 2021)》 *
曾德松，高琛，谭北海，余荣: "自动驾驶仿真测试场景库构建研究", 《现代计算机》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116013084A (zh) * 2023-01-16 2023-04-25 公安部道路交通安全研究中心 交通管控场景确定方法、装置、电子设备及存储介质
CN116013084B (zh) * 2023-01-16 2024-09-10 公安部道路交通安全研究中心 交通管控场景确定方法、装置、电子设备及存储介质
CN115855531A (zh) * 2023-02-16 2023-03-28 中国汽车技术研究中心有限公司 自动驾驶汽车的测试场景构建方法、设备和介质
CN115855531B (zh) * 2023-02-16 2023-05-16 中国汽车技术研究中心有限公司 自动驾驶汽车的测试场景构建方法、设备和介质
CN115979679A (zh) * 2023-03-22 2023-04-18 中国汽车技术研究中心有限公司 自动驾驶系统实际道路测试方法、设备和存储介质
CN116866963A (zh) * 2023-09-04 2023-10-10 中汽研（天津）汽车工程研究院有限公司 虚实融合的v2x预期功能安全鲁棒性测试方法和系统
CN116866963B (zh) * 2023-09-04 2023-12-08 中汽研（天津）汽车工程研究院有限公司 虚实融合的v2x预期功能安全鲁棒性测试方法和系统
CN118392519A (zh) * 2024-06-28 2024-07-26 江西五十铃汽车有限公司 一种自动驾驶车辆的安全评估方法、系统、存储介质及设备

Also Published As

Publication number Publication date
CN115048972B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN115048972B (zh) 交通场景解构分类方法及虚实结合自动驾驶测试方法
US11554785B2 (en) Driving scenario machine learning network and driving environment simulation
Zyner et al. A recurrent neural network solution for predicting driver intention at unsignalized intersections
CN112417756B (zh) 一种自动驾驶算法的交互式仿真测试系统
CN109641589B (zh) 用于自主车辆的路线规划
CN110716529A (zh) 一种自动驾驶测试用例自动生成方法和装置
CN110304074A (zh) 一种基于分层状态机的混合式驾驶方法
CN107226087A (zh) 一种结构化道路自动驾驶运输车及控制方法
CN110239547A (zh) 车辆控制装置、车辆控制方法以及存储介质
CN110356412A (zh) 用于自主驾驶的自动规则学习的方法和设备
CN114495527A (zh) 一种混合交通环境下网联交叉口车路协同优化方法及系统
CN110688311A (zh) 一种面向自动驾驶典型场景的测试用例管理方法和装置
CN116597690B (zh) 智能网联汽车的高速公路测试场景生成方法、设备及介质
CN110675476A (zh) 一种直观传达自动驾驶场景定义的方法和装置
CN115795808A (zh) 一种自动驾驶决策危险场景生成方法、系统、设备及介质
CN112053433A (zh) 民航机场动态场景的构建方法及机场特种车辆培训方法
CN117227755A (zh) 基于强化学习的复杂交通场景下自动驾驶决策方法及系统
Čulík et al. Traffic modelling of the circular junction in the city of Žilina
Yuan et al. Driving Intention Recognition and Speed Prediction at Complex Urban Intersections Considering Traffic Environment
CN108268740B (zh) 一种自动驾驶训练大数据的虚拟采集方法和装置
Zhang et al. A method for evaluating the complexity of test scenarios for autonomous vehicles
Kanoh et al. Evaluation of GA-based dynamic route guidance for car navigation using cellular automata
WO2023279396A1 (zh) 设计运行区域的识别方法及装置
van Orden Cheating by segmentation
Gremmelmaier et al. Cyclist behavior: a survey on characteristics and trajectory modeling

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