CN115080388A - 一种面向自动驾驶系统的仿真测试场景生成方法 - Google Patents
一种面向自动驾驶系统的仿真测试场景生成方法 Download PDFInfo
- Publication number
- CN115080388A CN115080388A CN202210644626.0A CN202210644626A CN115080388A CN 115080388 A CN115080388 A CN 115080388A CN 202210644626 A CN202210644626 A CN 202210644626A CN 115080388 A CN115080388 A CN 115080388A
- Authority
- CN
- China
- Prior art keywords
- scene
- behavior
- abstract
- scenes
- traffic participant
- 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
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3676—Test management for coverage 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种面向自动驾驶系统的仿真测试场景生成方法。本方法包括:1)根据测试需求确定待生成测试场景中的场景元素及其可选值,以及场景元素取值组合的约束;2)设定抽象场景数量N和覆盖强度K,迭代地生成N个满足场景元素取值约束的抽象场景;3)将生成的N个抽象场景映射为N个逻辑场景,并将每个所述逻辑场景分别实例化为多个具体场景;4)使用启发式方法,以添加交通参与者的方式,对所述具体场景进行扰动,生成仿真测试场景。本发明能够在一定的测试场景数量限制内,达到抽象场景层面的高覆盖率,并在抽象场景实例化为逻辑场景后,实现相比随机采样更高的碰撞场景生成比例。
Description
技术领域
本发明涉及自动驾驶系统测试领域,特别是涉及一种面向自动驾驶系统的仿真测试场景生成方法。
背景技术
自动驾驶技术不断发展,并逐渐投入实用。然而,近年来与自动驾驶汽车相关的安全事件频发,其中包括多起导致人员伤亡的事故。安全性已成为自动驾驶技术走向成功的关键因素。
对自动驾驶技术进行系统性测试,是保障自动驾驶安全性的主要手段之一,也是自动驾驶在工程实施过程中的必要步骤。其中,基于仿真的测试是被广泛推荐的一种测试方法。
仿真环境可以模拟真实世界中的传感器信息,提供给自动驾驶系统,并接收自动驾驶系统的控制信号,进行动力学仿真,改变仿真环境中的车辆状态,实现对自动驾驶系统的整体测试。此外,仿真环境也可以将感知结果提供给自动驾驶系统,替代感知模块,实现针对决策、控制模块的测试。
仿真场景可以由三种不同的抽象层次描述,包括:
1.抽象场景:对场景定性的描述。抽象场景以“元素-取值”的形式描述(例如,天气:晴;道路类型:T字路口;驾驶动作:左转;…),这些元素及其可选的取值由专家经验获得。
2.逻辑场景:一组参数及其取值范围(例如,降雨程度:[0.3,0.5];行人数量:[5,10];…)。其中,每个参数对应仿真环境中的一个可配置的变量。
3.具体场景:一组参数及其具体取值(例如,降雨程度:0.4;行人数量:10;…)。具体场景的参数与逻辑场景的参数一一对应。
尽管基于仿真的测试已有诸多技术支持,但在具体实施时,构造高覆盖率且有效的测试场景,并发现自动驾驶系统存在的问题,仍然面临以下3个挑战:
1.组合爆炸:随着自动驾驶系统能力的提高,与之交互的场景元素也随之增多。假设有N个场景元素,每个场景元素即使仅有2个可选值,在最坏情况下,也有2N种不同的抽象场景。
2.场景可行性:抽象场景的一些元素取值组合,在语义上是不清晰或不可行的(例如,道路类型:直行路;驾驶任务:左转)。
3.碰撞场景命中率低:在一个逻辑场景对应的参数空间中,安全场景往往占绝大部分,用一般的采样方法,难以在较少的仿真次数内发现碰撞场景。
发明内容
本发明针对自动驾驶系统仿真测试中,组合爆炸、场景不可行、碰撞场景命中率低的问题,提出了一种面向自动驾驶系统的仿真测试场景生成方法。该方法能够在一定的测试场景数量限制内,达到抽象场景层面的高覆盖率,并在抽象场景实例化为逻辑场景后,实现相比随机采样更高的碰撞场景生成比例。
为了实现本发明的目的,采用的技术方案概述如下:
一种面向自动驾驶系统的仿真测试场景生成方法,包括以下步骤:
1)根据测试需求,测试人员首先确定待生成场景中的场景元素、场景元素的可选值,以及场景元素取值组合的约束;约束规定了哪些元素取值的搭配是合法的,例如有2个场景元素A、B,场景元素A可取a1,a2,a3;场景元素B可取b1,b2,b3,但约束为不能同时取a1,b2;即“不能同时取a1,b2”是一个约束。
2)给定抽象场景数量N和覆盖强度K,迭代地生成N个满足元素取值约束的抽象场景,并使每次迭代生成的抽象场景,最大化地增加任意K个取值组合中未生成的组合数量;
3)将生成的N个抽象场景映射为N个逻辑场景,并以随机采样的方式,将这N个逻辑场景分别实例化为多个具体场景;
4)使用启发式方法,以添加交通参与者(行人、车辆等)的方式,对具体场景进行扰动,生成仿真测试场景。
所述步骤2)具体包括:
2-1)确定抽象场景数量N与覆盖强度K。
2-2)建立表格T,用于记录已生成的抽象场景的覆盖情况。表格T的索引为K个场景元素的一组具体取值,每一索引对应的项表示已生成的抽象场景中,是否存在一个抽象场景包含该组取值,若是则为1,否则为0。表格的所有项初始化为0。
2-3)使用优化技术,找到满足步骤1)确定的约束集的一组场景元素赋值,并使这组赋值最大化地覆盖表格T中为0项对应索引的取值。将找到的这组场景元素赋值作为抽象场景输出,并更新表格T。重复这一过程N次,以生成全部的N个抽象场景。
所述步骤4)具体包括:
4-1)对于步骤3)生成的具体场景S1,S2,…,Sn,执行以下步骤。
4-2)以一定的调度策略,迭代地执行如下两个步骤,每次迭代执行其中之一:
a)确定被扰动场景S,对于每个预设的交通参与者A的行为b,构造一个优化任务t;该优化任务t为:将A引入场景S后,以A的初始状态为变量,最小化A与具体场景S中被测车辆间的最短距离。每个优化任务中,引入交通参与者的初始状态有一定的变化范围,该范围在构造优化任务时确定。
b)确定一个优化任务t,使用优化技术,不断地调整引入的交通参与者A的初始状态,生成多个不同的仿真测试场景,直到A与被测车辆发生碰撞,或满足其他终止条件。
重复这一过程,直到生成的场景达到最大数量限制。
所述步骤4-2-a)具体包括以下步骤:
4-2-a-1)确定被扰动场景S。
4-2-a-2)识别被测车辆在场景S中的行为序列。行为序列中的每个行为对应场景S中被测车辆的一段轨迹,并标识被测车辆在这段轨迹中的行为类别。此外,每个行为类别具有与之对应的危险程度。
4-2-a-3)根据预设规则和被测车辆在场景S中的轨迹,提取每个行为对应轨迹片段上的目标碰撞点。这些行为及其对应轨迹上的目标碰撞点组成“行为-碰撞点”对。
4-2-a-4)对于每个“行为-碰撞点”对(b,p),以及每个预设的交通参与者A,根据A的控制策略,预测A添加至场景S后,可能与被测车辆在同一时间到达碰撞点p的初始状态范围L;例如,A的控制策略是匀速行驶行为b,已知速度为v,假设被测车辆在扰动前场景中经过t时间到达p,则从碰撞点p沿行驶方向反向偏移vt可得A的初始状态,将其松弛到一个区域,构成初状态范围。构造优化任务t:将A引入场景S后,以A的初始状态为变量,范围L为约束,最小化A与被测车辆间的最短距离。为了后续调度,以“行为-优化任务对”的形式记录该优化任务,即(b,t)。
步骤4-2)的调度过程具体包括以下步骤:
4-2-1)确定步骤3)产生的具体场景之一S。
4-2-2)创建集合RB,用于记录已生成的测试场景中被测车辆的行为序列。
4-2-3)创建优先队列Qopt,用于存储已构造的优化任务。每个优化任务以“行为-优化任务”的形式存储在队列中,该优化任务的优先级由行为确定,行为b的危险程度越高,则越优先。初始时,Qopt为空。
4-2-4)创建一个数据结构优先队列Qcons,用于存储待扰动的场景。场景的优先级由被测车辆的行为序列中,危险程度最高的行为确定,危险程度越高,则越优先。
4-2-5)查看Qopt与Qcons.若某一队列为空,则取出另一队列的队头;否则比较两队列队头的优先级,将优先级较高的一个元素取出。
4-2-6)若步骤4-2-5)从Qcons中取出场景S’,则以S’为被扰动场景,执行步骤4-2-a),生成多个“行为-优化任务”对。将这些“行为-优化任务”对加入Qopt。
4-2-7)若步骤4-2-5)从Qopt中取出“行为-优化任务”对,则执行步骤4-2-b)求解该优化任务。对于求解过程中生成的每个未碰撞场景S’,识别被测车辆在S’中的行为序列,若该行为序列不在RB中,则将其加入RB,并将S’加入Qcons。
4-2-8)重复步骤4-2-5)至4-2-7),直到Qopt与Qcons均为空,或满足其他设定的终止条件。
与现有技术相比,本发明具有以下优点:
1)本发明首先生成抽象场景,只需给定场景元素及其可选值,以及场景元素间的约束关系,即可自动地生成高覆盖率且可行的抽象场景。而现有的仿真场景生成技术大多不能完成抽象场景的生成,并且不能从方法上保证抽象场景的高覆盖性。
2)本发明以添加交通参与者的方式对具体场景进行扰动,根据被测车辆的行为、轨迹等信息,将碰撞场景生成任务拆解为多个容易求解的优化任务,并提供了一组调度策略,从而实现更高效的碰撞场景生成。而现有的碰撞场景生成方法往往没有充分地分析已生成的场景,仅将碰撞场景生成问题视为简单的黑盒优化问题,并在较大的场景空间内搜索,效率较低。
附图说明
图1是本发明方法实现的总体流程图。
图2是本发明方法在实施中场景扰动的示例图。
具体实施方式
本发明提出的面向自动驾驶系统的仿真测试场景生成方法,可以实现在有限的抽象场景数量内,达抽象场景层面的高覆盖率,并提高碰撞场景生成的命中率。
本发明的测试场景生成方法总体上如图1所示,分为如下几个步骤:
1)确定场景元素、场景元素的可选值,以及场景元素取值的约束集;
2)给定抽象场景数量N和覆盖强度K,生成N个可行的抽象场景,并使这N个抽象场景最大化地覆盖任意K个场景元素的取值组合;
3)将生成的N个抽象场景映射为N个逻辑场景,并以随机采样的方式,将这N个逻辑场景分别实例化为多个具体场景;
4)使用启发式方法,以添加交通参与者(行人、车辆等)的方式,对具体场景进行扰动。
下面以一组简单的例子,说明本发明的工作流程:
1)假设确定场景元素,及其可选值为:
·天气:晴天、雨天、阴天;
·道路类型:直行路、T字路口;
·驾驶任务:直行、左转、掉头。
2)给定抽象场景数量N和覆盖强度K,生成N个可行的抽象场景,并使这N个抽象场景最大化地覆盖任意K个场景元素的取值组合。
a)假设覆盖强度为2,则建立如表1所示的表格T,以每2个元素的一组赋值作为表格索引,并将表格中的每一项初始化为0。
表1表格T
元素取值(索引) | 是否已覆盖(项) |
天气:晴天;道路类型:直行路 | 0 |
天气:雨天;道路类型:直行路 | 0 |
… | 0 |
道路类型:T字路口;驾驶任务:掉头 | 0 |
b)建立优化模型,该模型以场景元素取值为变量,以步骤1)确定的场景元素取值约束为限制,目标为最大化地覆盖表格T中为0项索引对应的元素赋值个数。例如初始时,元素赋值为(天气:晴天;道路类型:直行路;驾驶任务:直行),则覆盖了表格T中3个为0项对应的索引取值,即(天气:晴天;道路类型:直行路)、(天气:晴天;驾驶任务:直行)、(道路类型:直行路;驾驶任务:直行)。
c)求解优化模型,求出的元素赋值对应了一个抽象场景,输出该抽象场景。
d)根据生成的抽象场景,更新表格T。例如,生成的抽象场景为(天气:晴天;道路类型:直行路;驾驶任务:直行),则将表格T中索引为(天气:晴天;道路类型:直行路)、(天气:晴天;驾驶任务:直行)、(道路类型:直行路;驾驶任务:直行)的项置为1。
e)重复步骤b)-d),直到生成N个抽象场景。
3)将生成的每个抽象场景,根据其中取值的具体含义,转化为逻辑场景,并以随机采样的方式,将逻辑场景实例化为多个具体场景,即对每个抽象场景执行以下步骤:
a)确定将要实例化的抽象场景,例如(天气:多云;道路类型:直行道路;驾驶任务:直行)。
b)根据抽象场景中元素取值的具体含义,生成对应的逻辑场景。例如使用SVL仿真器时,“天气:多云”将映射至(乌云:[0.3,1.0];降雨:[0.0,0.1];湿度:[0.0,0.3];雾气:[0.0,0.3])这组仿真配置的参数空间。
c)给定采样数量M,以随机采样的方式,将逻辑场景实例化为M个具体场景。例如,逻辑场景(乌云:[0.3,1.0];降雨:[0.0,0.1];湿度:[0.0,0.3];雾气:[0.0,0.3])采样后可获得具体场景(乌云:[0.42];降雨:[0.05];湿度:[0.21];雾气:[0.11])。
4)对步骤3)生成的具体场景,使用启发式方法,以添加交通参与者(行人、车辆等)的方式进行扰动。以图2过程为例,对场景S0的扰动过程具体包括:
a)识别被测车辆在场景S0中的行为序列:(沿车道行驶,右侧变道,沿车道行驶).根据预设规则,“右侧变道”的危险程度大于“沿车道行驶”。
b)创建行为记录集合RB,将被测车辆在场景S0的行为序列加入RB;创建优化调度队列Qopt,初始化为空;创建构造调度队列Qcons,将S0加入Qcons,S0在该队列中的优先级为“右侧变道”的危险程度。
c)取出Qcons的队头S0,根据预设规则,提取出目标碰撞点A,B,C,D。
d)若预设2个可添加的交通参与者,一个为静止不动的车辆,另一个为沿车道匀速行驶的车辆,则对于初始场景S0可构造优化任务t1,t2,…,t8.每个优化任务对应了一个预设交通参与者,与一个目标碰撞点。将目标碰撞点所在轨迹片段对应的行为,与优化任务组成“行为-优化任务”对加入Qopt。例如t1对应的目标碰撞点为C,所在轨迹片段的行为类别为“右侧变道”,则将“右侧变道-t1”加入Qopt,“右侧变道-t1”的优先级为“右侧变道”的危险程度。
e)取出Qcons与Qopt队头中优先级较高的元素,此时Qcons为空,因此从Qopt取出“右侧变道-t1”。
f)使用优化技术,对t1进行求解,即不断地生成新的测试场景S1,S2,…,直到生成碰撞场景Sm.识别未发生碰撞的场景S1,S2,…,Sm-1中被测车辆的行为序列,其中S1中的行为序列为(沿车道行驶),未出现在RB中,因此将其加入RB,并将S1加入Qcons,在后续步骤中,将以S1为被扰动场景,构造更多的优化任务;而S2的行为序列已出现在RB中,因此不对其进行操作。
g)按照调度策略持续进行,直到满足终止条件。
综上,本发明基于优化技术,实现了抽象场景生成的高覆盖性和可行性;并根据场景中被测车辆的行为与轨迹信息,将碰撞场景生成问题拆解为多个容易求解的优化任务,实现了碰撞场景生成的高效性。
上述仅以优选实施例对本发明进行说明,非因此即局限本发明的权利范围,因此,在不脱离本发明思想的情况下,凡运用本发明说明书及附图内容所为的等效变化,均理同包含于本发明的权利要求范围内。
Claims (9)
1.一种面向自动驾驶系统的仿真测试场景生成方法,其步骤包括:
1)根据测试需求确定待生成测试场景中的场景元素及其可选值,以及场景元素取值组合的约束;
2)设定抽象场景数量N和覆盖强度K,迭代地生成N个满足场景元素取值约束的抽象场景;
3)将生成的N个抽象场景映射为N个逻辑场景,并将每个所述逻辑场景分别实例化为多个具体场景;
4)使用启发式方法,以添加交通参与者的方式,对所述具体场景进行扰动,生成仿真测试场景。
2.根据权利要求1所述的方法,其特征在于,步骤2)中,生成N个所述抽象场景的方法为:
21)建立表格T,用于记录已生成的抽象场景的覆盖情况;其中,表格T的索引为K个场景元素的一组取值,每一索引对应的项表示已生成的抽象场景中,是否存在一个抽象场景包含该组取值,若是则为1,否则为0;表格T的所有项初始化为0;
22)查找满足所述约束的一组场景取值,并使该组场景取值最大化地覆盖表格T中为0项对应索引的取值;然后将该组场景取值作为一抽象场景输出,并更新表格T;
23)重复步骤22),直至生成N个抽象场景。
3.根据权利要求2所述的方法,其特征在于,步骤4)中,对所述具体场景进行扰动的方法为:
a)对于每个预设的交通参与者A的行为b,构造一个优化任务t:将交通参与者A引入待扰动的具体场景S后,以交通参与者A的初始状态为变量,最小化交通参与者A与具体场景S中被测车辆间的最短距离;
b)对于每一优化任务t,通过多次优化调整交通参与者A的初始状态,生成多个不同的仿真测试场景,直到交通参与者A与被测车辆发生碰撞,或满足设定终止条件。
4.根据权利要求3所述的方法,其特征在于,所述步骤a)具体包括以下步骤:
a1)识别被测车辆在具体场景S中的行为序列;其中,所述行为序列中的每个行为对应场景S中被测车辆的一段轨迹,并标识被测车辆在该段轨迹中的行为类别,每个行为类别设有与之对应的危险程度;
a2)根据预设规则和被测车辆在具体场景S中的轨迹,提取每个行为对应轨迹片段上的目标碰撞点,将每一行为b及其对应轨迹上的目标碰撞点p组成“行为-碰撞点”对(b,p);
a3)对于每个“行为-碰撞点”对(b,p),以及每个预设的交通参与者A,根据交通参与者A的控制策略,预测将交通参与者A添加至具体场景S后,与被测车辆在同一时间到达碰撞点p的初始状态范围L;
a4)构造优化任务t:将交通参与者A引入具体场景S后,以交通参与者A的初始状态为变量,范围L为约束,最小化交通参与者A与被测车辆间的最短距离。
5.根据权利要求1所述的方法,其特征在于,生成多个不同的仿真测试场景的方法为:
421)对于具体场景S,创建一集合RB,用于记录已生成的仿真测试场景中被测车辆的行为序列;
422)创建优先队列Qopt,每个优化任务以“行为-优化任务”的形式存储在Qopt中,该优化任务的优先级由行为确定,行为的危险程度越高,则越优先;初始时,Qopt为空;
423)创建一个数据结构优先队列Qcons,Qcons中每个元素为一个场景,场景的优先级由被测车辆的行为序列中危险程度越高的行为确定,危险程度越高,则越优先;
424)查看Qopt与Qcons,若其中一队列为空,则取出另一队列的队头;否则比较两队列队头的优先级,将优先级较高的一个元素取出;
425)若步骤424)从Qcons中取出场景S’,则以S’为被扰动场景,生成多个“行为-优化任务”对并将其加入Qopt;生成“行为-优化任务”对(b,t)的方法为:对于每个预设的交通参与者A的行为b,构造一个优化任务t;该优化任务t为:将交通参与者A引入待扰动的具体场景S后,以交通参与者A的初始状态为变量,最小化交通参与者A与具体场景S中被测车辆间的最短距离;
426)若步骤424)从Qopt中取出“行为-优化任务”对(b,t),则通过多次优化调整交通参与者A的初始状态,生成多个不同的仿真测试场景,直到交通参与者A与被测车辆发生碰撞,其中对于求解过程中生成的每个未碰撞场景S’,识别被测车辆在S’中的行为序列,若该行为序列不在RB中,则将其加入RB,并将S’加入Qcons;
427)重复步骤424)至426),直到Qopt与Qcons均为空,或满足设定终止条件。
6.根据权利要求1所述的方法,其特征在于,每次迭代生成的抽象场景时,最大化地增加任意K个抽象场景取值组合中,使得最终所得N个抽象场景最大化地覆盖任意K个场景元素的取值组合。
7.根据权利要求3所述的方法,其特征在于,所述终止条件为场景达到最大数量限制。
8.一种服务器,其特征在于,包括存储器和处理器,所述存储器存储计算机程序,所述计算机程序被配置为由所述处理器执行,所述计算机程序包括用于执行权利要求1至7任一所述方法中各步骤的指令。
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权利要求1至7任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210644626.0A CN115080388A (zh) | 2022-06-08 | 2022-06-08 | 一种面向自动驾驶系统的仿真测试场景生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210644626.0A CN115080388A (zh) | 2022-06-08 | 2022-06-08 | 一种面向自动驾驶系统的仿真测试场景生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115080388A true CN115080388A (zh) | 2022-09-20 |
Family
ID=83250527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210644626.0A Pending CN115080388A (zh) | 2022-06-08 | 2022-06-08 | 一种面向自动驾驶系统的仿真测试场景生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115080388A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828638A (zh) * | 2023-01-09 | 2023-03-21 | 西安深信科创信息技术有限公司 | 一种自动驾驶测试场景脚本生成方法、装置及电子设备 |
-
2022
- 2022-06-08 CN CN202210644626.0A patent/CN115080388A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828638A (zh) * | 2023-01-09 | 2023-03-21 | 西安深信科创信息技术有限公司 | 一种自动驾驶测试场景脚本生成方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220374712A1 (en) | Decision making for motion control | |
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 | |
CN106198049B (zh) | 真实车辆在环测试系统和方法 | |
US20220214182A1 (en) | Method, system, terminal, and storage medium for rapid generation of reference lines | |
CN108225341A (zh) | 车辆定位方法 | |
CN110188797A (zh) | 一种基于贝叶斯优化的智能汽车快速测试方法 | |
CN112947591A (zh) | 基于改进蚁群算法的路径规划方法、装置、介质及无人机 | |
CN115713174A (zh) | 一种无人机城市巡检系统及方法 | |
CN115470118A (zh) | 基于环境仿真场景的测试分析方法、装置、介质及设备 | |
CN115080388A (zh) | 一种面向自动驾驶系统的仿真测试场景生成方法 | |
Song et al. | Identifying critical test scenarios for lane keeping assistance system using analytic hierarchy process and hierarchical clustering | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
CN111507499B (zh) | 预测用模型的构建方法、测试方法、装置及系统 | |
CN111310919A (zh) | 基于场景切分和局部路径规划的驾驶控制策略训练方法 | |
US20230222268A1 (en) | Automated Generation and Refinement of Variation Parameters for Simulation Scenarios | |
US20230222267A1 (en) | Uncertainty Based Scenario Simulation Prioritization and Selection | |
Wen et al. | Modeling human driver behaviors when following autonomous vehicles: An inverse reinforcement learning approach | |
US11529950B2 (en) | Enhanced training information generation | |
CN114596702A (zh) | 一种交通状态预测模型构建方法及交通状态预测方法 | |
JP2023531927A (ja) | 運転意思決定方法および運転意思決定装置ならびにチップ | |
Pedersen et al. | Generating geospatially realistic driving patterns derived from clustering analysis of real EV driving data | |
Kamrani et al. | MarioDAgger: A time and space efficient autonomous driver | |
CN114637305B (zh) | 一种无人机最短路径规划方法及装置 | |
CN116820110B (zh) | 基于智能优化算法的生态环境监测任务规划方法及装置 | |
CN113823096B (zh) | 用于仿真测试的随机交通流障碍物对象布置方法 |
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 |