CN116245417A - 基于舒适性评价的车辆数据测试方法、系统、介质及设备 - Google Patents
基于舒适性评价的车辆数据测试方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN116245417A CN116245417A CN202310238089.4A CN202310238089A CN116245417A CN 116245417 A CN116245417 A CN 116245417A CN 202310238089 A CN202310238089 A CN 202310238089A CN 116245417 A CN116245417 A CN 116245417A
- Authority
- CN
- China
- Prior art keywords
- comfort
- data
- vehicle
- evaluation
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 167
- 238000012360 testing method Methods 0.000 title claims abstract description 80
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 70
- 238000013210 evaluation model Methods 0.000 claims abstract description 66
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012795 verification Methods 0.000 claims abstract description 20
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 230000001133 acceleration Effects 0.000 claims description 78
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 201000003152 motion sickness Diseases 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000013075 data extraction Methods 0.000 claims description 5
- 238000012854 evaluation process Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 230000002354 daily effect Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于舒适性评价的车辆数据测试方法、系统、介质及设备，包括：步骤S1：建立车辆的主观评价指标和客观评价指标，分别获得舒适性评价的主观评分和客观评分，通过加权归一化后获得最终舒适性得分；步骤S2：通过采集的车辆运动数据和最终舒适性得分，搭建舒适性评价模型；步骤S3：将车辆运动数据根据舒适性评价模型，将非舒适性的场景数据进行分类提取；步骤S4：将分类后的场景数据用于自动驾驶算法提升和新自动驾驶算法可行性校验。本发明公开了一种自动驾驶车辆舒适性评分的方法，提出了主观和客观评价指标，通过主观指标和客观指标的加权以获得自动驾驶车辆的最终舒适性评分。
Description
技术领域
本发明涉及自动驾驶领域，具体地，涉及一种基于舒适性评价的车辆数据测试方法、系统、介质及设备，更为具体地，涉及一种基于舒适性评价的自动驾驶车辆数据闭环测试方法、系统、介质及设备。
背景技术
随着自动驾驶技术的快速发展，除了在保证自动驾驶安全的基础之上，自动驾驶车辆的舒适性越来越受人们所关注，如何不断提升自动驾驶车辆的舒适性成为自动驾驶技术的发展关键；并且舒适性的评价存在个体主观感受的差异性，仅凭主体感受无法对自动驾驶车辆的舒适性给出有效，准确的判别，需要一种自动驾驶车辆舒适性评价的方法。同时，自动驾驶车辆每天会采集大量的自动驾驶数据，如果没有高效的数据提取方法，庞大的记录数据不能让技术开发人员快速发现问题，进而进行算法的迭代升级，如何高效的利用数据，并且不让重复数据占用本地的磁盘或者服务器成为亟需解决的问题。
如何不断提升自动驾驶车辆的舒适性成为自动驾驶技术的关键点。自动驾驶车辆每天测试产生的大量原始数据，如何快速提取其中所出现的非舒适性场景数据，如果仅依赖于测试人员的问题记录和反馈，因为存在个体的差异性可能导致部分问题被忽略，同时记录的大量数据如果不做标记和分类，浪费磁盘或者服务器资源，没有合理高效的利用此资源。
发明文献CN112353393B公开了一种智能驾驶汽车乘员舒适性的评价方法，包括：1)获取实验数据，包括各被测乘员在静止状态下和智能驾驶汽车行驶状态下的体征信息以及被测乘员的主观舒适性评价指标；2)基于获取的体征信息和预先建立的基于体征信息的舒适性客观评价模型，计算基于体征信号的舒适性客观评价指标；3)基于动力学指标和基于车辆动力学的乘员舒适性预测模型，得到基于车辆动力学信息的乘员舒适性预测评价指标；4)构建乘员舒适性综合评价模型，基于乘员舒适性综合评价模型预测得到的乘员舒适性综合评价指标以及车辆三自由度模型，建立基于乘员舒适性的车辆动力学控制域，以保证乘坐舒适性。
该发明通过对乘员肌电、心电和脑电信号的采集以及其主观舒适性评分相关联，建立智能驾驶汽车乘员的舒适性评价的方法，探索了智能驾驶汽车转向、制动、加速等动力学控制与乘员主观舒适性之间的联系。该发明主要缺点在于1)未对不同年龄段，不同性别的群体进行采样，因为其肌体的信号是不同的；2)同时测试过程中采集数据困难，成本高，可重复性差，因个体受环境的变化导致数据采集的一致性差；3)仅获得舒适性评价模型，未提及如何将舒适性评价结果/数据反馈给智能驾驶系统以提升系统性能。
专利文献CN109177979B公开了一种评估乘车舒适度的数据处理方法、装置及可读存储介质，公开了一种通过接收用户通过数据采集端口输入的评估数据，评估数据包括用户对其所乘坐的车辆的每一行驶动作进行的评估信息，确定车辆执行每一行驶动作时的环境信息和/或车辆行驶参数，根据车辆每一行驶动作对应的评估信息，以及环境信息和/或车辆行驶参数以及对预设的深度学习算法模型进行训练，以获得用于输出乘车舒适度的评估模型。但该发明1.仅仅依靠体验者的主观评分做乘车舒适性的评价过于单一，不准确，容易受体验者主观的影响，不客观；2.发明中未提及舒适性评价相关的客观指标及舒适性评分的计算方法；3.发明未涉及非舒适性场景数据的自动化提取及提取数据后的使用。
专利文献CN114841514A公开了一种模型训练和车辆舒适性评价方法、装置、设备及存储介质。其中，该方法包括：获取样本车辆行驶数据和所述样本车辆行驶数据对应的样本舒适性评价数据；所述样本舒适性评价数据为用户基于所述样本车辆行驶数据驾驶车辆后，对车辆舒适性给出的评价数据；根据所述样本车辆行驶数据，确定样本车身频率响应特性；采用所述样本车身频率响应特性和所述样本舒适性评价数据，对神经网络模型进行训练，得到舒适性评价模型，所述舒适性评价模型用于对车辆的舒适性进行评价。但该发明未涉及非舒适性场景数据的自动化提取及提取数据后的使用。
专利文献CN111667605B公开了自动驾驶测试数据存储方法、装置、电子设备，涉及自动驾驶技术领域。该方法包括：获取自动驾驶车辆测试任务的任务类型；接收自动驾驶车辆测试中的与任务类型对应的消息数据，将消息数据写到数据队列中；创建与任务类型对应的记录文件，将数据队列中与任务类型对应的消息数据写入记录文件，将记录文件以及记录文件的文件名传送至数据队列中；获取自动驾驶车辆测试任务的任务类型对应的预设落盘场景信息，预设落盘场景信息表征触发数据落盘存储的时间；根据自动驾驶车辆测试任务的任务类型对应的预设落盘场景信息，为数据队列中数据采集时间与触发数据落盘存储的时间一致的记录文件添加不可清除的标记。但该发明未提及舒适性评价相关的客观指标及舒适性评分的计算方法。
专利文献CN111858927A公开了数据测试方法、装置、电子设备及存储介质，涉及自动驾驶领域，其中的方法可包括：获取第一数据集，运行第一数据集中的各条数据，并根据运行结果分别对各条数据进行判断，得到各条数据是否通过的判断结果；分别确定第一数据集中的各条数据所属的场景分类；针对各场景分类，分别将该场景分类中的各条数据映射到预先生成的该场景分类对应的统计图中，根据映射结果及该场景分类中的各条数据的判断结果，生成该场景分类对应的测试评价指标。但该发明未提及舒适性评价相关的客观指标及舒适性评分的计算方法。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于舒适性评价的车辆数据测试方法、系统、介质及设备。
根据本发明提供的一种基于舒适性评价的车辆数据测试方法，包括：
步骤S1：建立车辆的主观评价指标和客观评价指标，分别获得舒适性评价的主观评分和客观评分，通过加权归一化后获得最终舒适性得分；
步骤S2：通过采集的车辆运动数据和最终舒适性得分，搭建舒适性评价模型；
步骤S3：将车辆运动数据根据舒适性评价模型，将非舒适性的场景数据进行分类提取；
步骤S4：将分类后的场景数据用于自动驾驶算法提升和新自动驾驶算法可行性校验。
优选地，在所述步骤S1中：
基于ISO 2631国际标准，建立车辆的舒适性评分；
搭建舒适性评价的测试场景，包括自动驾驶道路测试场景和日常实际车辆行驶时的场景；
数据采集：包括客观数据和主观数据：
客观数据包括ISO 2631标准中的车辆驾驶参数，包括车辆在横向、纵向和垂向的加速度，及三个加速度分别对应的振动频率、车辆的速度、方向盘转角、车辆的角速度及车辆运行的环境温度；
主观数据包括采集不同年龄、不同性别的人群乘坐自动驾驶车辆后给出的舒适性评价分数；
评价指标包括客观评价指标和主观评价指标；
客观评价指标包括加速度指标、晕车值和客观舒适值；
加速度指标包括：
有效加权均方根加速度：
其中，aw代表有效加权均方根加速度，T为测量周期，aw(t)为实时等效加速度，其中
为车辆采集的原始的横向、纵向和垂向的加速度，h为加速度的变化频率，/>
为变量/>
h的函数关系；
等效加速度：
其中，wi为权重系数，
分别代表横向、纵向和垂向有效加权均方根加速度；
晕车值：
其中，T为振动发生的整个时间；
客观舒适值aeq：
aeq＝f(a,MSDVz)
主观评价指标包括不同年龄、不同性别的感受群体的主观评价舒适分数；
评价指标中提及的客观舒适分数aeq和主观评价舒适分数按照不同的加权系数归一化后获得车辆最终的舒适性评分。
优选地，在所述步骤S2中：
通过神经网络搭建车辆舒适性评价模型；
根据舒适性得分和车辆的运动数据，利用预设比例的原始数据通过神经网络搭建车辆舒适性评价模型；
利用剩余的原始数据做舒适性评价模型的校验；
将校验后的舒适性评价模型用于车辆的舒适性评价中。
优选地，在所述步骤S3中：
将自动驾驶过程中低于舒适性得分阈值的场景数据分类提取出来，用于自动驾驶系统的算法分析和迭代；
舒适性评价模型在车辆上实时运行提取出非舒适性的场景数据，通过读取记录的数据包形式进行分析得到非舒适性的场景数据；
非舒适性场景数据根据超出舒适性评价阈值的原因，分别赋予场景数据不同的数据标签；
分类后的场景数据作为数据基础用于自动驾驶算法分析、算法逻辑和参数调整；
调整后的自动驾驶算法利用提取的场景数据进行验证，实现分类场景数据的测试闭环。
根据本发明提供的一种基于舒适性评价的车辆数据测试系统，执行所述的基于舒适性评价的车辆数据测试方法，包括：
数据采集模块：进行车辆各模块原始数据的采集；
舒适性评价模块：搭建舒适性评价模型，并将评价模型实时应用于车辆的舒适性评价过程中；
场景数据提取模块：将车辆运动数据根据舒适性评价模型，将非舒适性的场景数据进行分类提取；
场景数据分类模块：提取非舒适性场景数据分类，根据非舒适性得分的原因分别对场景数据打上不同的场景标签；
算法分析模块：根据场景分类模块处理后的分类场景数据，进行驾驶算法的逻辑校验和参数调较以及新算法的可行性验证，实现测试数据的闭环；
场景数据存储模块：分类后的场景数据存储，便于算法分析和新算法可行性的验证。
优选地，基于ISO 2631国际标准，建立车辆的舒适性评分；
搭建舒适性评价的测试场景，包括自动驾驶道路测试场景和日常实际车辆行驶时的场景；
数据采集：包括客观数据和主观数据：
客观数据包括ISO 2631标准中的车辆驾驶参数，包括车辆在横向、纵向和垂向的加速度，及三个加速度分别对应的振动频率、车辆的速度、方向盘转角、车辆的角速度及车辆运行的环境温度；
主观数据包括采集不同年龄、不同性别的人群乘坐自动驾驶车辆后给出的舒适性评价分数；
评价指标包括客观评价指标和主观评价指标；
客观评价指标包括加速度指标、晕车值和客观舒适值；
加速度指标包括：
有效加权均方根加速度：
其中，aw代表有效加权均方根加速度，T为测量周期，aw(t)为实时等效加速度，其中
为车辆采集的原始的横向、纵向和垂向的加速度，h为加速度的变化频率，/>
为变量/>
h的函数关系；
等效加速度：
其中，wi为权重系数，
分别代表横向、纵向和垂向有效加权均方根加速度；
晕车值：
其中，T为振动发生的整个时间；
客观舒适值aeq：
aeq＝f(a,MSDVz)
主观评价指标包括不同年龄、不同性别的感受群体的主观评价舒适分数；
评价指标中提及的客观舒适分数aeq和主观评价舒适分数按照不同的加权系数归一化后获得车辆最终的舒适性评分。
优选地，通过神经网络搭建车辆舒适性评价模型；
根据舒适性得分和车辆的运动数据，利用预设比例的原始数据通过神经网络搭建车辆舒适性评价模型；
利用剩余的原始数据做舒适性评价模型的校验；
将校验后的舒适性评价模型用于车辆的舒适性评价中。
优选地，将自动驾驶过程中低于舒适型得分阈值的场景数据分类提取出来，用于自动驾驶系统的算法分析和迭代；
舒适性评价模型在车辆上实时运行提取出非舒适性的场景数据，通过读取记录的数据包形式进行分析得到非舒适性的场景数据；
非舒适性场景数据根据超出舒适性评价阈值的原因，分别赋予场景数据不同的数据标签；
分类后的场景数据作为数据基础用于自动驾驶算法分析、算法逻辑和参数调整；
调整后的自动驾驶算法利用提取的场景数据进行验证，实现分类场景数据的测试闭环。
根据本发明提供的一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现任一项所述的基于舒适性评价的车辆数据测试方法的步骤。
根据本发明提供的一种基于舒适性评价的车辆设备，包括：控制器；
所述控制器包括所述的存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现任一项所述的基于舒适性评价的车辆数据测试方法的步骤；或者，所述控制器包括任一项所述的基于舒适性评价的车辆数据测试系统。
与现有技术相比，本发明具有如下的有益效果：
1、本发明公开了一种自动驾驶车辆舒适性评分的方法，提出了主观和客观评价指标，通过主观指标和客观指标的加权以获得自动驾驶车辆的最终舒适性评分；
2、本发明利用神经网络搭建了自动驾驶车辆舒适性评分模型，通过前期的数据学习，能够实时根据车辆的动力学表现直接给出更加准确、拟人化的舒适性评价；
3、本发明车辆自动驾驶过程中的非舒适性场景会被直接提取并分类成不同标签的场景数据集，用于自动驾驶算法的改进和新算法可行性的验证；
4、本发明只记录非舒适性的场景数据，而非所有自动驾驶数据，节省存储资源。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明系统流程示意图；
图2为自动驾驶车辆舒适性评价模型搭建示意图；
图3为非舒适性场景数据分类自动化提取和算法分析流程示意图；
图4为自动驾驶评价装置示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1：
本发明拟通过建立一种自动驾驶车辆的舒适性评价方法，并搭建自动驾驶车辆的舒适性评价模型，验证后的模型实时在自动驾驶车辆/记录的数据包上运行，将低于舒适性阈值的场景数据分类提取出来，用于自动驾驶算法的逻辑/参数的校验，同时也可作为新算法可行性校验的场景数据，实现测试数据的闭环。利用测试数据不断提升自动驾驶车辆的舒适性。
根据本发明提供的一种基于舒适性评价的车辆数据测试方法，如图1-图4所示，包括：
步骤S1：建立车辆的主观评价指标和客观评价指标，分别获得舒适性评价的主观评分和客观评分，通过加权归一化后获得最终舒适性得分；
具体地，在所述步骤S1中：
基于ISO 2631国际标准，建立车辆的舒适性评分；
搭建舒适性评价的测试场景，包括自动驾驶道路测试场景和日常实际车辆行驶时的场景；
数据采集：包括客观数据和主观数据：
客观数据包括ISO 2631标准中的车辆驾驶参数，包括车辆在横向、纵向和垂向的加速度，及三个加速度分别对应的振动频率、车辆的速度、方向盘转角、车辆的角速度及车辆运行的环境温度；
主观数据包括采集不同年龄、不同性别的人群乘坐自动驾驶车辆后给出的舒适性评价分数；
评价指标包括客观评价指标和主观评价指标；
客观评价指标包括加速度指标、晕车值和客观舒适值；
加速度指标包括：
有效加权均方根加速度：
其中，aw代表有效加权均方根加速度，T为测量周期，aw(t)为实时等效加速度，其中
为车辆采集的原始的横向、纵向和垂向的加速度，h为加速度的变化频率，/>
为变量/>
h的函数关系；
等效加速度：
其中，wi为权重系数，
分别代表横向、纵向和垂向有效加权均方根加速度；
晕车值：
其中，T为振动发生的整个时间；
客观舒适值aeq：
aeq＝f(a,MSDVz)
主观评价指标包括不同年龄、不同性别的感受群体的主观评价舒适分数；
评价指标中提及的客观舒适分数aeq和主观评价舒适分数按照不同的加权系数归一化后获得车辆最终的舒适性评分。
步骤S2：通过采集的车辆运动数据和最终舒适性得分，搭建舒适性评价模型；
具体地，在所述步骤S2中：
通过神经网络搭建车辆舒适性评价模型；
根据舒适性得分和车辆的运动数据，利用预设比例的原始数据通过神经网络搭建车辆舒适性评价模型；
利用剩余的原始数据做舒适性评价模型的校验；
将校验后的舒适性评价模型用于车辆的舒适性评价中。
步骤S3：将车辆运动数据根据舒适性评价模型，将非舒适性的场景数据进行分类提取；
具体地，在所述步骤S3中：
将自动驾驶过程中低于舒适性得分阈值的场景数据分类提取出来，用于自动驾驶系统的算法分析和迭代；
舒适性评价模型在车辆上实时运行提取出非舒适性的场景数据，通过读取记录的数据包形式进行分析得到非舒适性的场景数据；
非舒适性场景数据根据超出舒适性评价阈值的原因，分别赋予场景数据不同的数据标签；
分类后的场景数据作为数据基础用于自动驾驶算法分析、算法逻辑和参数调整；
调整后的自动驾驶算法利用提取的场景数据进行验证，实现分类场景数据的测试闭环。
步骤S4：将分类后的场景数据用于自动驾驶算法提升和新自动驾驶算法可行性校验。
实施例2：
实施例2为实施例1的优选例，以更为具体地对本发明进行说明。
本发明还提供一种基于舒适性评价的车辆数据测试系统，所述基于舒适性评价的车辆数据测试系统可以通过执行所述基于舒适性评价的车辆数据测试方法的流程步骤予以实现，即本领域技术人员可以将所述基于舒适性评价的车辆数据测试方法理解为所述基于舒适性评价的车辆数据测试系统的优选实施方式。
根据本发明提供的一种基于舒适性评价的车辆数据测试系统，执行所述的基于舒适性评价的车辆数据测试方法，包括：
数据采集模块：进行车辆各模块原始数据的采集；
舒适性评价模块：搭建舒适性评价模型，并将评价模型实时应用于车辆的舒适性评价过程中；
场景数据提取模块：将车辆运动数据根据舒适性评价模型，将非舒适性的场景数据进行分类提取；
场景数据分类模块：提取非舒适性场景数据分类，根据非舒适性得分的原因分别对场景数据打上不同的场景标签；
算法分析模块：根据场景分类模块处理后的分类场景数据，进行驾驶算法的逻辑校验和参数调较以及新算法的可行性验证，实现测试数据的闭环；
场景数据存储模块：分类后的场景数据存储，便于算法分析和新算法可行性的验证。
具体地，基于ISO 2631国际标准，建立车辆的舒适性评分；
搭建舒适性评价的测试场景，包括自动驾驶道路测试场景和日常实际车辆行驶时的场景；
数据采集：包括客观数据和主观数据：
客观数据包括ISO 2631标准中的车辆驾驶参数，包括车辆在横向、纵向和垂向的加速度，及三个加速度分别对应的振动频率、车辆的速度、方向盘转角、车辆的角速度及车辆运行的环境温度；
主观数据包括采集不同年龄、不同性别的人群乘坐自动驾驶车辆后给出的舒适性评价分数；
评价指标包括客观评价指标和主观评价指标；
客观评价指标包括加速度指标、晕车值和客观舒适值；
加速度指标包括：
有效加权均方根加速度：
其中，aw代表有效加权均方根加速度，T为测量周期，aw(t)为实时等效加速度，其中
为车辆采集的原始的横向、纵向和垂向的加速度，h为加速度的变化频率，/>
为变量/>
h的函数关系；
等效加速度：
其中，wi为权重系数，
分别代表横向、纵向和垂向有效加权均方根加速度；
晕车值：
其中，T为振动发生的整个时间；
客观舒适值aeq：
aeq＝f(a,MSDVz)
主观评价指标包括不同年龄、不同性别的感受群体的主观评价舒适分数；
评价指标中提及的客观舒适分数aeq和主观评价舒适分数按照不同的加权系数归一化后获得车辆最终的舒适性评分。
具体地，通过神经网络搭建车辆舒适性评价模型；
根据舒适性得分和车辆的运动数据，利用预设比例的原始数据通过神经网络搭建车辆舒适性评价模型；
利用剩余的原始数据做舒适性评价模型的校验；
将校验后的舒适性评价模型用于车辆的舒适性评价中。
具体地，将自动驾驶过程中低于舒适型得分阈值的场景数据分类提取出来，用于自动驾驶系统的算法分析和迭代；
舒适性评价模型在车辆上实时运行提取出非舒适性的场景数据，通过读取记录的数据包形式进行分析得到非舒适性的场景数据；
非舒适性场景数据根据超出舒适性评价阈值的原因，分别赋予场景数据不同的数据标签；
分类后的场景数据作为数据基础用于自动驾驶算法分析、算法逻辑和参数调整；
调整后的自动驾驶算法利用提取的场景数据进行验证，实现分类场景数据的测试闭环。
根据本发明提供的一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现任一项所述的基于舒适性评价的车辆数据测试方法的步骤。
根据本发明提供的一种基于舒适性评价的车辆设备，包括：控制器；
所述控制器包括所述的存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现任一项所述的基于舒适性评价的车辆数据测试方法的步骤；或者，所述控制器包括任一项所述的基于舒适性评价的车辆数据测试系统。
实施例3：
实施例3为实施例1的优选例，以更为具体地对本发明进行说明。
系统方案整体介绍：
1、通过建立自动驾驶车辆的主观评价指标和客观评价指标，分别获得舒适性评价的主观评分和客观评分；
2、利用主观评分和客观评分，通过加权归一化后获得最终舒适性得分；
3、利用采集的自动驾驶车辆运动数据和最终舒适性得分，采用神经网络搭建自动驾驶舒适性评价模型；
4、将自动驾驶车辆实时运行数据或者采集的历史数据根据舒适性评价模型将非舒适性的场景数据自动化分类提取出来；
5、分类后的场景数据用于算法提升和新算法可行性校验；
其中：
1、基于ISO 2631(机械振动和冲击-人体暴露于全身振动的评估)国际标准，建立自动驾驶车辆的舒适性评分；
a.测试场景
搭建舒适性评价的测试场景，包括但不限于日常手动驾驶实际车辆时的场景；
b.数据采集
i.客观数据：ISO 2631标准中提及的车辆驾驶参数，包括但不限于车辆在横向/纵向/垂向的加速，及三个加速度分别对应的振动频率，车辆的速度，方向盘转角，车辆的角速度及车辆运行的环境温度；
ii.主观数据：采集不同年龄，不同性别的人群体验自动驾驶车辆后给出的舒适性评价分数；
c.评价指标
i.客观评价指标
1)加速度指标
有效加权均方根加速度：
其中aw代表有效加权均方根加速度，T为测量周期，aw(t)代表实时等效加速度，其中
其中/>
为自动驾驶车辆采集的原始的横向/纵向/垂向的加速度，h为加速度的变化频率，/>
为变量/>
h的函数关系；/>
等效加速度
其中wi为权重系数，
2)晕车值(motion sickness dose value,MSDVz)：
其中T指的是振动发生的整个时间；aw(t)代表z向实时等效加速度。
3)客观舒适值/aeq：利用等效加速度/a和晕车值/MSDVz通过函数关系建立的客观舒适分数
aeq＝f(a,MSDVz)
ii.主观评价指标
不同年龄，不同性别的感受群体的主观评价舒适分数；
d.最终评分
评价指标中提及的客观舒适分数aeq和主观评价舒适分数按照不同的加权系数归一化后以获得自动驾驶车辆最终的舒适性评分；
2、通过神经网络搭建自动驾驶车辆舒适性评分和车辆动力学表现的模型；
a.根据提及的舒适性评分和车辆的动力学表现数据，利用80％的原始数据通过神经网络搭建自动驾驶车辆的舒适性评分和车辆动力学表现的模型；
b.利用剩余的20％原始数据做舒适性评价模型的校验；
c.将校验后的舒适性评价模型用于自动驾驶车辆的舒适性评价中；
舒适性评价模型搭建过程：
过程介绍：
a.通过提及的主观评价指标和客观评价指标，分别获得主观评分和客观评分，通过加权归一化计算后获得不同测试场景下的最终舒适性评分；
b.基于采集的80％数据集(车辆运动参数和最终舒适性评分),利用神经网络建立车辆运动参数和自动驾驶车辆舒适性舒适性评分的对应关系，进而得到自动驾驶车辆的舒适性评价模型；
c.剩余的20％数据集做舒适性模型的校验，用于后续自动驾驶的自动化舒适性评价中；
其中主观评分建议(供参考)：
| 舒适等级 | 舒适性评分 |
| 舒适 | 10 |
| 一点点不舒适 | 8 |
| 一些不舒适 | 6 |
| 不舒适 | 4 |
| 非常不舒适 | 2 |
| 极其不舒适 | 0 |
其中客观评分原则(供参考)：
3、自动驾驶的测试数据，将自动驾驶过程中低于舒适性评分阈值的场景数据分类自动化提取出来，用于自动驾驶系统的算法分析，算法迭代；
a.舒适性评价功能可在自动驾驶车辆上实时运行进而提取出非舒适性的场景数据，也可通过读取记录的数据包形式进行分析得到非舒适性的场景数据；
b.非舒适性场景数据根据超出舒适性评价阈值的原因，分别赋予场景数据不同的数据标签；
c.分类后的场景数据作为数据基础用于自动驾驶算法分析，做算法逻辑，参数的调整；
d.调整后的算法/新算法利用提取的各类场景数据进行验证，实现分类场景数据的测试闭环；
一种基于舒适性评价的自动驾驶车辆的装置，包括：
a.数据采集模块，用于自动驾驶车辆各模块原始数据的采集；
b.舒适性评价模块，用于搭建车辆的舒适性评价模型，并将评价模型实时应用于自动驾驶车辆的舒适性评价过程中；
c.场景数据提取模块，用于自动驾驶过程中/或自动驾驶数据回放过程中根据舒适性评价模块给出的舒适性评分，提取不满足舒适性阈值的场景数据；
d.场景数据分类模块，用于提取的非舒适性场景数据分类，根据非舒适性得分的原因分别对场景数据打上不同的场景标签，用于算法验证模块；
e.算法分析模块，根据场景分类模块处理后的分类场景数据，进行自动驾驶算法的逻辑校验，参数调较，以及新算法的可行性验证，实现测试数据的闭环。
f.场景数据存储模块，主要用于分类后的场景数据存储，便于算法分析和新算法可行性的验证；
一种基于舒适性评价的自动驾驶车辆电子设备，包括：
a.一个或者多个处理器；
b.存储装置；
i.用于存储一个或多个程序；
ii.存储采集的自动驾驶车辆运行原始数据和分类后的场景数据；
1)自动驾驶原始数据因数据量庞大，可按照硬盘户/服务器的存量以及数据需求来评估是否进行存储；
2)分类后的场景数据因数据量小，问题明确进行数据存储，便于更改后算法的验证，及新算法可行性验证的数据集；
一种基于舒适性评价的自动驾驶车辆数据存储介质：
数据存储介质是一种可读存储介质，其上存储有计算机程序，其特征在于该程序被处理器执行时实现本发明所述的功能。
其中，基于本发明提及的舒适性评价指标，可以根据自动驾驶车辆的特性做数据采集、主客观指标权重系数和部分指标的更改；
建立自动驾驶车辆的舒适性评价模型，也可采用强化学习或者深度学习方法，不仅限于神经网络模型；
场景数据的提取和分类方法不仅限于此发明提及，可按照实际需求对场景数据进行分类提取；
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于舒适性评价的车辆数据测试方法，其特征在于，包括：
步骤S1：建立车辆的主观评价指标和客观评价指标，分别获得舒适性评价的主观评分和客观评分，通过加权归一化后获得最终舒适性得分；
步骤S2：通过采集的车辆运动数据和最终舒适性得分，搭建舒适性评价模型；
步骤S3：将车辆运动数据根据舒适性评价模型，将非舒适性的场景数据进行分类提取；
步骤S4：将分类后的场景数据用于自动驾驶算法提升和新自动驾驶算法可行性校验。
2.根据权利要求1所述的基于舒适性评价的车辆数据测试方法，其特征在于，在所述步骤S1中：
基于ISO 2631国际标准，建立车辆的舒适性评分；
搭建舒适性评价的测试场景，包括自动驾驶道路测试场景和日常实际车辆行驶时的场景；
数据采集：包括客观数据和主观数据：
客观数据包括ISO 2631标准中的车辆驾驶参数，包括车辆在横向、纵向和垂向的加速度，及三个加速度分别对应的振动频率、车辆的速度、方向盘转角、车辆的角速度及车辆运行的环境温度；
主观数据包括采集不同年龄、不同性别的人群乘坐自动驾驶车辆后给出的舒适性评价分数；
评价指标包括客观评价指标和主观评价指标；
客观评价指标包括加速度指标、晕车值和客观舒适值；
加速度指标包括：
有效加权均方根加速度：
其中，aw代表有效加权均方根加速度，T为测量周期，aw(t)为实时等效加速度，其中
为车辆采集的原始的横向、纵向和垂向的加速度，h为加速度的变化频率，/>
为变量/>
h的函数关系；
等效加速度：
其中，wi为权重系数，
分别代表横向、纵向和垂向有效加权均方根加速度；
晕车值：
其中，T为振动发生的整个时间；
客观舒适值aeq：
aeq＝(a,MSDVz)
主观评价指标包括不同年龄、不同性别的感受群体的主观评价舒适分数；
评价指标中提及的客观舒适分数aeq和主观评价舒适分数按照不同的加权系数归一化后获得车辆最终的舒适性评分。
3.根据权利要求1所述的基于舒适性评价的车辆数据测试方法，其特征在于，在所述步骤S2中：
通过神经网络搭建车辆舒适性评价模型；
根据舒适性得分和车辆的运动数据，利用预设比例的原始数据通过神经网络搭建车辆舒适性评价模型；
利用剩余的原始数据做舒适性评价模型的校验；
将校验后的舒适性评价模型用于车辆的舒适性评价中。
4.根据权利要求1所述的基于舒适性评价的车辆数据测试方法，其特征在于，在所述步骤S3中：
将自动驾驶过程中低于舒适性得分阈值的场景数据分类提取出来，用于自动驾驶系统的算法分析和迭代；
舒适性评价模型在车辆上实时运行提取出非舒适性的场景数据，通过读取记录的数据包形式进行分析得到非舒适性的场景数据；
非舒适性场景数据根据超出舒适性评价阈值的原因，分别赋予场景数据不同的数据标签；
分类后的场景数据作为数据基础用于自动驾驶算法分析、算法逻辑和参数调整；
调整后的自动驾驶算法利用提取的场景数据进行验证，实现分类场景数据的测试闭环。
5.一种基于舒适性评价的车辆数据测试系统，其特征在于，执行权利要求1-4任一项所述的基于舒适性评价的车辆数据测试方法，包括：
数据采集模块：进行车辆各模块原始数据的采集；
舒适性评价模块：搭建舒适性评价模型，并将评价模型实时应用于车辆的舒适性评价过程中；
场景数据提取模块：将车辆运动数据根据舒适性评价模型，将非舒适性的场景数据进行分类提取；
场景数据分类模块：提取非舒适性场景数据分类，根据非舒适性得分的原因分别对场景数据打上不同的场景标签；
算法分析模块：根据场景分类模块处理后的分类场景数据，进行驾驶算法的逻辑校验和参数调较以及新算法的可行性验证，实现测试数据的闭环；
场景数据存储模块：分类后的场景数据存储，便于算法分析和新算法可行性的验证。
6.根据权利要求5所述的基于舒适性评价的车辆数据测试系统，其特征在于：
基于ISO 2631国际标准，建立车辆的舒适性评分；
搭建舒适性评价的测试场景，包括自动驾驶道路测试场景和日常实际车辆行驶时的场景；
数据采集：包括客观数据和主观数据：
客观数据包括ISO 2631标准中的车辆驾驶参数，包括车辆在横向、纵向和垂向的加速度，及三个加速度分别对应的振动频率、车辆的速度、方向盘转角、车辆的角速度及车辆运行的环境温度；
主观数据包括采集不同年龄、不同性别的人群乘坐自动驾驶车辆后给出的舒适性评价分数；
评价指标包括客观评价指标和主观评价指标；
客观评价指标包括加速度指标、晕车值和客观舒适值；
加速度指标包括：
有效加权均方根加速度：
其中，aw代表有效加权均方根加速度，T为测量周期，aw(t)为实时等效加速度，其中
为车辆采集的原始的横向、纵向和垂向的加速度，h为加速度的变化频率，/>
为变量/>
的函数关系；
等效加速度：
其中，wi为权重系数，
分别代表横向、纵向和垂向有效加权均方根加速度；
晕车值：
其中，T为振动发生的整个时间；
客观舒适值aeq：
aeq＝(a,MSDVz)
主观评价指标包括不同年龄、不同性别的感受群体的主观评价舒适分数；
评价指标中提及的客观舒适分数aeq和主观评价舒适分数按照不同的加权系数归一化后获得车辆最终的舒适性评分。
7.根据权利要求5所述的基于舒适性评价的车辆数据测试系统，其特征在于：
通过神经网络搭建车辆舒适性评价模型；
根据舒适性得分和车辆的运动数据，利用预设比例的原始数据通过神经网络搭建车辆舒适性评价模型；
利用剩余的原始数据做舒适性评价模型的校验；
将校验后的舒适性评价模型用于车辆的舒适性评价中。
8.根据权利要求5所述的基于舒适性评价的车辆数据测试系统，其特征在于：
将自动驾驶过程中低于舒适型得分阈值的场景数据分类提取出来，用于自动驾驶系统的算法分析和迭代；
舒适性评价模型在车辆上实时运行提取出非舒适性的场景数据，通过读取记录的数据包形式进行分析得到非舒适性的场景数据；
非舒适性场景数据根据超出舒适性评价阈值的原因，分别赋予场景数据不同的数据标签；
分类后的场景数据作为数据基础用于自动驾驶算法分析、算法逻辑和参数调整；
调整后的自动驾驶算法利用提取的场景数据进行验证，实现分类场景数据的测试闭环。
9.一种存储有计算机程序的计算机可读存储介质，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4中任一项所述的基于舒适性评价的车辆数据测试方法的步骤。
10.一种基于舒适性评价的车辆设备，其特征在于，包括：控制器；
所述控制器包括权利要求9所述的存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的基于舒适性评价的车辆数据测试方法的步骤；或者，所述控制器包括权利要求5至8中任一项所述的基于舒适性评价的车辆数据测试系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310238089.4A CN116245417A (zh) | 2023-03-08 | 2023-03-08 | 基于舒适性评价的车辆数据测试方法、系统、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310238089.4A CN116245417A (zh) | 2023-03-08 | 2023-03-08 | 基于舒适性评价的车辆数据测试方法、系统、介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116245417A true CN116245417A (zh) | 2023-06-09 |
Family
ID=86635764
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310238089.4A Pending CN116245417A (zh) | 2023-03-08 | 2023-03-08 | 基于舒适性评价的车辆数据测试方法、系统、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116245417A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118067417A (zh) * | 2024-04-16 | 2024-05-24 | 中国汽车技术研究中心有限公司 | 一种基于自动驾驶汽车的驾乘舒适度测评方法及系统 |
-
2023
- 2023-03-08 CN CN202310238089.4A patent/CN116245417A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118067417A (zh) * | 2024-04-16 | 2024-05-24 | 中国汽车技术研究中心有限公司 | 一种基于自动驾驶汽车的驾乘舒适度测评方法及系统 |
| CN118067417B (zh) * | 2024-04-16 | 2024-07-05 | 中国汽车技术研究中心有限公司 | 一种基于自动驾驶汽车的驾乘舒适度测评方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108216252B (zh) | 一种地铁司机车载驾驶行为分析方法、车载终端及系统 | |
| JP7398383B2 (ja) | テレマティクスデータに基づく車両分類 | |
| US20180275667A1 (en) | Machine Learning for Event Detection and Classification in Autonomous Vehicles | |
| Alamri et al. | An effective bio-signal-based driver behavior monitoring system using a generalized deep learning approach | |
| CN106314438A (zh) | 一种司机驾驶轨迹中异常轨迹的检测方法和系统 | |
| CN111688713B (zh) | 驾驶行为分析方法和装置 | |
| WO2020107894A1 (zh) | 一种驾驶行为评分方法、装置及计算机可读存储介质 | |
| CN106021789A (zh) | 基于模糊智能的轨道车辆悬挂系统故障分类方法及系统 | |
| CN106203296B (zh) | 一种属性辅助的视频动作识别方法 | |
| CN111950660A (zh) | 一种人工智能训练平台的告警预测方法及装置 | |
| CN111026267B (zh) | Vr脑电意念控制接口系统 | |
| CN116245417A (zh) | 基于舒适性评价的车辆数据测试方法、系统、介质及设备 | |
| CN112597921B (zh) | 一种基于注意力机制gru深度学习的人体行为识别方法 | |
| CN108229567A (zh) | 驾驶员身份识别方法及装置 | |
| CN114997218A (zh) | 一种针对轨道车辆车轮多边形磨耗的识别检测方法 | |
| CN108717548B (zh) | 一种面向传感器动态增加的行为识别模型更新方法及系统 | |
| Banerjee et al. | MyDrive: Drive behavior analytics method and platform | |
| EP3382570A1 (en) | Method for characterizing driving events of a vehicle based on an accelerometer sensor | |
| CN113642114B (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
| CN112308136B (zh) | 一种基于SVM-Adaboost的驾驶分心检测方法 | |
| CN112462759B (zh) | 规控算法的评估方法、系统及计算机存储介质 | |
| CN110263836B (zh) | 一种基于多特征卷积神经网络的不良驾驶状态识别方法 | |
| KR101816441B1 (ko) | 차량의 주행 감성 평가 장치 및 방법 | |
| CN113488164B (zh) | 基于数据的知识库心理沙盘分析方法、系统和设备 | |
| CN111340261B (zh) | 判定订单违规行为的方法、系统、计算机设备及存储介质 |
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 |