CN116302364B - 自动驾驶可靠性测试方法、装置、设备、介质和程序产品 - Google Patents
自动驾驶可靠性测试方法、装置、设备、介质和程序产品 Download PDFInfo
- Publication number
- CN116302364B CN116302364B CN202310552464.2A CN202310552464A CN116302364B CN 116302364 B CN116302364 B CN 116302364B CN 202310552464 A CN202310552464 A CN 202310552464A CN 116302364 B CN116302364 B CN 116302364B
- Authority
- CN
- China
- Prior art keywords
- simulation
- task
- node
- target
- input 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.)
- Active
Links
- 238000010998 test method Methods 0.000 title claims abstract description 12
- 238000004088 simulation Methods 0.000 claims abstract description 551
- 238000012360 testing method Methods 0.000 claims abstract description 155
- 238000000034 method Methods 0.000 claims abstract description 77
- 230000008569 process Effects 0.000 claims abstract description 39
- 238000004590 computer program Methods 0.000 claims description 52
- 239000002243 precursor Substances 0.000 claims description 48
- 238000009826 distribution Methods 0.000 claims description 44
- 238000013507 mapping Methods 0.000 claims description 24
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 238000012886 linear function Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45504—Abstract machines for programme code execution, e.g. Java virtual machine [JVM], interpreters, emulators
- G06F9/45508—Runtime interpretation or emulation, e g. emulator loops, bytecode interpretation
-
- 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
本申请涉及一种自动驾驶可靠性测试方法、装置、设备、介质和程序产品。所述方法包括：确定目标车辆对应的多个关键任务，并获取各所述关键任务对应的仿真输入数据，所述关键任务为影响所述目标车辆的自动驾驶可靠性的任务，所述仿真输入数据为模拟所述目标车辆在自动驾驶过程中采集的与所述关键任务对应的输入数据；对于每个所述关键任务，根据所述仿真输入数据对所述关键任务进行仿真执行，以得到所述关键任务对应的任务可靠性测试结果；根据各所述任务可靠性测试结果，得到所述目标车辆对应的自动驾驶可靠性测试结果。采用本方法能够更高效率地测试自动驾驶的可靠性。
Description
技术领域
本申请涉及自动驾驶技术领域，特别是涉及一种自动驾驶可靠性测试方法、装置、设备、介质和程序产品。
背景技术
随着人工智能技术的快速发展，很多汽车厂商开始研发制造具有驾驶自动化功能的汽车（即自动驾驶汽车），并在实际的生产与生活中得以广泛应用。自动驾驶汽车在许多应用场景下给人们带来了出行便利，但就目前所研究的自动驾驶技术而言，自动驾驶汽车的自动驾驶可靠性仍有待提高，鉴于此，需要对自动驾驶汽车的自动驾驶可靠性进行有效测试。
相关技术中，通常是控制自动驾驶汽车进行长周期的实地跑测，然后监测自动驾驶汽车是否出现故障，以此来对自动驾驶汽车的自动驾驶可靠性进行测试。
然而，上述自动驾驶可靠性测试方法，存在测试效率低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高自动驾驶可靠性测试效率的自动驾驶可靠性测试方法、装置、设备、介质和程序产品。
第一方面，本申请提供了一种自动驾驶可靠性测试方法。所述方法包括：
确定目标车辆对应的多个关键任务，并获取各所述关键任务对应的仿真输入数据，所述关键任务为影响所述目标车辆的自动驾驶可靠性的任务，所述仿真输入数据为模拟所述目标车辆在自动驾驶过程中采集的与所述关键任务对应的输入数据；
对于每个所述关键任务，根据所述仿真输入数据对所述关键任务进行仿真执行，以得到所述关键任务对应的任务可靠性测试结果；
根据各所述任务可靠性测试结果，得到所述目标车辆对应的自动驾驶可靠性测试结果。
在其中一个实施例中，所述根据所述仿真输入数据对所述关键任务进行仿真执行，以得到所述关键任务对应的任务可靠性测试结果，包括：
将所述仿真输入数据输入至所述关键任务对应的任务模型中，得到所述任务模型输出的任务误差结果，所述任务误差结果用于表征所述关键任务对应的真实执行结果和所述仿真输入数据对应的仿真执行结果之间的差异；
根据所述任务误差结果，获取所述任务可靠性测试结果。
在其中一个实施例中，所述任务模型包括至少一个仿真节点，所述将所述仿真输入数据输入至所述关键任务对应的任务模型中，得到所述任务模型输出的任务误差结果，包括：
获取目标仿真节点对应的参考执行结果，并根据所述仿真输入数据和所述目标仿真节点获取所述目标仿真节点对应的仿真执行结果；
根据所述目标仿真节点对应的参考执行结果和仿真执行结果，获取所述目标仿真节点对应的节点误差结果，所述节点误差结果用于获取所述任务误差结果。
在其中一个实施例中，所述根据所述仿真输入数据和所述目标仿真节点获取所述目标仿真节点对应的仿真执行结果，包括：
在所述目标仿真节点为多个所述仿真节点中的起始节点的情况下，将所述仿真输入数据输入至所述目标仿真节点，得到所述目标仿真节点输出的仿真执行结果。
在其中一个实施例中，所述根据所述仿真输入数据和所述目标仿真节点获取所述目标仿真节点对应的仿真执行结果，包括：
在所述目标仿真节点为多个所述仿真节点中的后驱节点的情况下，获取所述后驱节点对应的前驱节点的仿真执行结果；
将所述前驱节点的仿真执行结果输入至所述目标仿真节点，得到所述目标仿真节点输出的仿真执行结果。
在其中一个实施例中，所述获取目标仿真节点对应的参考执行结果，包括：
获取所述前驱节点对应的参考执行结果；
根据所述前驱节点对应的参考执行结果以及所述前驱节点和所述目标仿真节点之间的映射关系，获取所述目标仿真节点对应的参考执行结果。
在其中一个实施例中，所述仿真执行的次数为多次，所述根据所述任务误差结果，获取所述任务可靠性测试结果，包括：
根据各所述仿真输入数据对应的任务误差结果，获取所述任务可靠性测试结果。
在其中一个实施例中，所述根据各所述仿真输入数据对应的任务误差结果，获取所述任务可靠性测试结果，包括：
从各所述任务误差结果中确定误差小于预设误差阈值的至少一个目标误差结果；
利用所述目标误差结果的数量除以所述仿真执行的次数，得到所述任务可靠性测试结果。
在其中一个实施例中，所述根据各所述仿真输入数据对应的任务误差结果，获取所述任务可靠性测试结果之前，还包括：
检测相邻两次的误差分布是否相同，所述误差分布根据各所述任务误差结果确定；
若相邻两次的误差分布相同，则停止仿真执行。
在其中一个实施例中，所述仿真节点为神经网络模型或线性函数模型。
在其中一个实施例中，所述获取各所述关键任务对应的仿真输入数据，包括：
对于每个所述关键任务，获取所述关键任务对应的数据集合，所述数据集合中包括多个候选输入数据，所述数据集合与所述目标车辆的车辆参数相关；
从所述数据集合中随机选取候选输入数据作为所述仿真输入数据。
在其中一个实施例中，所述根据各所述任务可靠性测试结果，得到所述目标车辆对应的自动驾驶可靠性测试结果，包括：
将各所述任务可靠性测试结果相乘，得到所述自动驾驶可靠性测试结果。
第二方面，本申请还提供了一种自动驾驶可靠性测试装置。所述装置包括：
获取模块，用于确定目标车辆对应的多个关键任务，并获取各所述关键任务对应的仿真输入数据，所述关键任务为影响所述目标车辆的自动驾驶可靠性的任务，所述仿真输入数据为模拟所述目标车辆在自动驾驶过程中采集的与所述关键任务对应的输入数据；
仿真模块，用于对于每个所述关键任务，根据所述仿真输入数据对所述关键任务进行仿真执行，以得到所述关键任务对应的任务可靠性测试结果；
确定模块，用于根据各所述任务可靠性测试结果，得到所述目标车辆对应的自动驾驶可靠性测试结果。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的方法的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时如上述第一方面所述的方法的步骤。
上述自动驾驶可靠性测试方法、装置、设备、介质和程序产品，通过确定目标车辆对应的多个关键任务，并获取各关键任务对应的仿真输入数据，该关键任务为影响目标车辆的自动驾驶可靠性的任务，该仿真输入数据为模拟目标车辆在自动驾驶过程中采集的与关键任务对应的输入数据，然后，对于每个关键任务，根据仿真输入数据对关键任务进行仿真执行，以得到关键任务对应的任务可靠性测试结果，再根据各任务可靠性测试结果，即可得到目标车辆对应的自动驾驶可靠性测试结果。这样，本申请实施例确定影响目标车辆自动驾驶可靠性的关键任务，并获取关键任务的仿真输入数据对关键任务进行仿真执行，以模拟关键任务在实际的自动驾驶过程中对输入数据的执行结果，从而可以得到关键任务的任务可靠性测试结果，进而得到目标车辆的自动驾驶可靠性测试结果，相较于现有技术中需要对大规模车辆进行长周期的实地跑测来测试自动驾驶可靠性的方式而言，本申请实施例不需要大规模车辆长周期的实地跑测，测试周期短，测试效率更高。
附图说明
图1为一个实施例中自动驾驶可靠性测试方法的流程示意图；
图2为另一个实施例中步骤102的流程示意图；
图3为另一个实施例中关键任务对应的任务模型的模型结构示意图；
图4为另一个实施例中步骤201步骤的流程示意图；
图5为一个实施例中目标仿真节点与其对应前驱节点的示意图；
图6为另一个实施例中步骤102的流程示意图；
图7为另一个实施例中对关键任务进行多次仿真模拟的误差分布直方图；
图8为另一个实施例中关键任务为障碍物检测的模型结构示意图；
图9为另一个实施例中自动驾驶可靠性测试装置的结构框图；
图10为另一个实施例中计算机设备的内部结构图；
图11为另一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
随着人工智能技术的快速发展，很多汽车厂商开始研发制造具有驾驶自动化功能的汽车（即自动驾驶汽车），并在实际的生产与生活中得以广泛应用。
自动驾驶汽车(Autonomous Vehicles)又称无人车、轮式移动机器人等，是一种通过计算机系统控制实现无人驾驶的智能汽车。根据中国的国家标准GB/T40429-2021《汽车驾驶自动化分级》中的定义，根据功能的自动化程度将自动驾驶汽车划分为L0至L5，共6个等级：在自动驾驶汽车的6个等级之中，0-2级为自动化程度较低的辅助驾驶，由自动驾驶系统辅助人类执行驾驶任务，驾驶主体仍为驾驶员；3-5级为自动化程度较高的自动驾驶，自动驾驶系统在预设好的运行条件下代替驾驶员执行驾驶任务，驾驶主体是自动驾驶系统。自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，针对3-5级的自动驾驶汽车，可以在没有任何人类主动的操作下，自动安全地完成驾驶任务。
自动驾驶汽车在许多应用场景下给人们带来了出行便利，但就目前所研究的自动驾驶技术而言，自动驾驶汽车的自动驾驶可靠性仍有待提高。例如，2018年Tesla事故和2021年蔚来事故等，而这也严重阻碍了自动驾驶汽车大规模商用的步伐。
可靠性是表征产品综合质量的重要指标，提高自动驾驶汽车的可靠性，对提高自动驾驶汽车的安全性和降低自动驾驶汽车交通事故的发生具有重要意义。当前国内外关于自动驾驶汽车的可靠性研究方法较少。鉴于此，需要对自动驾驶汽车的自动驾驶可靠性进行有效测试。
相关技术中，通常是控制自动驾驶汽车进行长周期的实地跑测，然后监测自动驾驶汽车是否出现故障，以此来对自动驾驶汽车的自动驾驶可靠性进行测试。
然而，上述自动驾驶可靠性测试方法，存在测试效率低的问题。
鉴于此，本申请实施例提供一种自动驾驶可靠性测试方法，通过确定目标车辆对应的多个关键任务，并获取各关键任务对应的仿真输入数据，该关键任务为影响目标车辆的自动驾驶可靠性的任务，该仿真输入数据为模拟目标车辆在自动驾驶过程中采集的与关键任务对应的输入数据，然后，对于每个关键任务，根据仿真输入数据对关键任务进行仿真执行，以得到关键任务对应的任务可靠性测试结果，再根据各任务可靠性测试结果，即可得到目标车辆对应的自动驾驶可靠性测试结果。这样，本申请实施例确定影响目标车辆自动驾驶可靠性的关键任务，获取关键任务的仿真输入数据对关键任务进行仿真执行，以模拟关键任务在实际的自动驾驶过程中对输入数据的执行结果，从而可以得到关键任务的任务可靠性测试结果，进而得到目标车辆的自动驾驶可靠性测试结果，相较于现有技术中测试自动驾驶可靠性的方法，本申请实施例不需要大规模车辆长周期的实地跑测，测试周期短，测试效率更高。
本申请实施例提供的自动驾驶可靠性测试方法，可以应用于计算机设备中，该计算机设备可以是服务器，也可以是终端。
其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图1所示，提供了一种自动驾驶可靠性测试方法，本实施例以该方法应用于服务器进行举例说明。本实施例中，该方法包括以下步骤：
步骤101，确定目标车辆对应的多个关键任务，并获取各关键任务对应的仿真输入数据。
本申请实施例中，目标车辆可以是自动驾驶车辆，即就有自动驾驶功能的车辆。
国标中提出对于可靠性的要求为：“在任何可行驶条件下持续地执行全部动态驾驶任务并自动执行最小风险策略”，即自动驾驶可靠性的衡量与驾驶任务的执行息息相关。
因此，本申请实施例在对目标车辆进行自动驾驶可靠性测试的过程中，首先确定目标车辆对应的多个关键任务，该关键任务为影响目标车辆的自动驾驶可靠性的任务，如上述的驾驶任务，通过在计算机设备上模拟关键任务的执行，来测试该多个关键任务是否可以被顺利执行，以此测试自动驾驶的可靠性。
对于目标车辆的多个关键任务的确定，可以人为分析目标车辆的自动驾驶系统后再确定目标车辆对应的多个关键任务。示例性地，首先获取目标车辆自动驾驶系统的控制结构信息，基于系统理论事故模型和过程方法论（system-theoretic accident model andprocesses，STAMP）对目标车辆自动驾驶系统的功能结构进行分解；然后根据分解后的功能结构，确定影响目标车辆自动驾驶可靠性的关键任务。
计算机设备获取上述确定的多个关键任务后，获取每个关键任务对应的仿真输入数据。
该仿真输入数据为模拟目标车辆在自动驾驶过程中采集的与关键任务对应的输入数据。以下，对计算机设备获取每个关键任务对应的仿真输入数据的过程进行示例性的介绍。
在一种可能的实施方式中，对于每个关键任务，获取关键任务对应的数据集合，数据集合中包括多个候选输入数据，数据集合与目标车辆的车辆参数相关；从数据集合中随机选取候选输入数据作为仿真输入数据仿真输入数据。
可选地，计算机设备根据关键任务确定仿真输入数据的类型和范围，根据仿真输入数据的类型和范围随机生成关键任务对应的仿真输入数据。可选地，计算机设备还可以获取由人工输入的仿真输入数据。
这样，计算机设备便可以根据仿真输入数据仿真执行目标车辆的多个关键任务，避免了自动驾驶车辆长周期的实地跑测，提高了自动驾驶可靠性测试的效率。
步骤102，对于每个关键任务，根据仿真输入数据对关键任务进行仿真执行，以得到关键任务对应的任务可靠性测试结果。
示例性地，对于每个关键任务，计算机设备可以将该关键任务对应的仿真输入数据作为初始数据，对关键任务进行仿真执行，在仿真执行的过程中，计算机设备模拟关键任务真实执行过程，对仿真输入数据进行处理，得到任务执行结果。
而后，计算机设备可以将任务执行结果与预设的真实执行结果进行比较，得到任务误差结果。以下，对于计算机设备将任务执行结果与真实执行结果进行比较得到误差结果的过程示例性说明。
可选地，关键任务为红绿灯识别，设定真实执行结果为绿灯，计算机设备对关键任务进行仿真执行，得到仿真执行结果为绿灯的概率为80％，将仿真执行结果和真实执行结果进行比较得到的偏差值作为任务误差结果，即红绿灯识别的任务误差结果20％；可选地，关键任务为障碍物检测时，设定真实执行结果为有障碍物，仿真执行结果则为仿真后有障碍物的概率，将仿真执行结果和真实执行结果进行比较得到的偏差值作为任务误差结果。
计算机设备根据关键任务的任务误差结果得到关键任务对应的任务可靠性测试结果。示例性地，计算机设备可以对关键任务进行多次仿真执行，获得多个任务误差结果，然后再对多个任务误差结果进行处理，得到关键任务对应的任务可靠性测试结果。
这样，计算机设备即可通过仿真执行关键任务，得到关键任务的可靠性测试结果，使得目标车辆不必通过长周期的实地跑测对关键任务的可靠性进行测试计算。
步骤103，根据各任务可靠性测试结果，得到目标车辆对应的自动驾驶可靠性测试结果。
目标车辆对应的自动驾驶可靠性受目标车辆所有的关键任务的影响，因此，计算机设备需要对目标车辆所有确定的关键任务进行仿真模拟，得到各个关键任务对于的任务可靠性测试结果，再根据各个任务可靠性测试结果进行计算，得到目标车辆对于的自动驾驶可靠性测试结果。以下，对于计算机设备根据各个任务可靠性测试结果计算目标车辆的自动驾驶可靠性测试结果的过程示例性地介绍。
在一种可能的实施方式中，设定当有一项关键任务失效，目标车辆地自动驾驶系统便不再可靠，只有当目标车辆所有的关键任务都能正常运行，目标车辆自动驾驶才是可靠的。所以，将各任务可靠性测试结果相乘，得到自动驾驶可靠性测试结果。例如，当目标车辆有两项关键任务，两项关键任务的可靠性测试结果分别是0.9和0.8，则目标车辆自动驾驶可靠性测试结果为0.9和0.8相乘得到的结果，即0.72，目标车辆的自动驾驶可靠性测试结果为0.72。
在另一种可能的实施方式中，目标车辆对应的各关键任务对自动驾驶系统可靠性的影响程度不同，因此，首先根据各个关键任务对自动驾驶系统的影响程度，对各个关键任务设置权重系数，然后再将各关键任务的任务可靠性测试结果和对应的权重系数相乘，得到加权任务可靠性测试结果，最后将各关键任务对应的加权任务可靠性测试结果相乘，得到目标车辆的自动驾驶可靠性测试结果。
上述实施例通过确定目标车辆对应的多个关键任务，并获取各关键任务对应的仿真输入数据，该关键任务为影响目标车辆的自动驾驶可靠性的任务，该仿真输入数据为模拟目标车辆在自动驾驶过程中采集的与关键任务对应的输入数据，然后，对于每个关键任务，根据仿真输入数据对关键任务进行仿真执行，以得到关键任务对应的任务可靠性测试结果，再根据各任务可靠性测试结果，即可得到目标车辆对应的自动驾驶可靠性测试结果。这样，本申请实施例确定影响目标车辆自动驾驶可靠性的关键任务，获取关键任务的仿真输入数据对关键任务进行仿真执行，以模拟关键任务在实际的自动驾驶过程中对输入数据的执行结果，从而可以得到关键任务的任务可靠性测试结果，进而得到目标车辆的自动驾驶可靠性测试结果，相较于现有技术中测试自动驾驶可靠性的方法，本申请实施例不需要大规模车辆长周期的实地跑测，测试周期短，测试效率更高。
在一个实施例中，基于图1所示的实施例，参见图2，本实施例涉及的是根据仿真输入数据对一个关键任务进行仿真执行以得到关键任务对应的任务可靠性测试结果过程。如图2所示，步骤102可以包括图2所示的步骤201和步骤202：
步骤201，将仿真输入数据输入至关键任务对应的任务模型中，得到任务模型输出的任务误差结果。
在一种可能的实施方式中，为了在计算机设备仿真模拟关键任务，需要根据每个关键任务建立对应的任务模型。任务模型用于模拟目标车辆在自动驾驶过程中的真实处理方式，对关键任务的仿真输入数据进行仿真执行。
因此，在确定获取目标车辆的多个关键任务后，首先对各关键任务建立对应的任务模型。
在一种可能的实施方式中，每个任务模型都包括至少一个仿真节点，每个仿真节点都是一个小模型，拥有对输入的数据的处理能力，并且能得到处理后的输出结果。当一个关键任务包含多个仿真节点时，多个仿真节点分为前驱节点和后驱节点，例如，多个仿真节点的数量为3个，则对于第一个仿真节点而言，第二个仿真节点为第一个仿真节点的后驱节点，对于第二个仿真节点而言，第一个仿真节点为第二个仿真节点的前驱节点。则后继仿真节点与前驱节点之间的关系称为映射关系，映射关系用于表征目标仿真节点的输出结果和接收到的数据之间的关系。
建立关键任务对应的任务模型后，将仿真输入数据输入至关键任务对应的任务模型中，计算机设备利用任务模型对仿真输入数据进行仿真处理，得到任务模型输出的任务误差结果，该任务误差结果用于表征关键任务对应的真实执行结果和仿真输入数据对应的仿真执行结果之间的差异。
以下，对建立关键任务建立对应的任务模型的过程进行简单介绍。
示例性地，开发人员根据关键任务建立对应的任务模型，如图3所示，为某个关键任务的任务模型，包括6个仿真节点{V1，V2，......，V6}，各个仿真节点之间的映射关系为{F 12 ，F 34 ，......，F 56 }，将仿真输入数据输入任务模型后，各个仿真节点依次对仿真输入数据进行仿真处理，最终在任务模型的最后一个仿真节点得到任务误差结果，最后一个仿真节点没有后继的仿真节点。
步骤202，根据任务误差结果，获取任务可靠性测试结果。
任务误差结果表征计算机设备对关键任务进行一次仿真执行得到的结果，计算机设备根据该任务误差结果即可获取任务可靠性测试结果，关于计算机设备根据任务误差结果获取任务可靠性测试结果的过程，将在下文实施例说明。
在图2所示实施例的基础上，参见图4，以下结合图4，对步骤201中计算机设备将仿真输入数据输入至关键任务对应的任务模型中，得到任务模型输出的任务误差结果的过程进行说明。如图4所示，步骤201可以包括图4所示的步骤401和步骤402：
步骤401，获取目标仿真节点对应的参考执行结果，并根据仿真输入数据和目标仿真节点获取目标仿真节点对应的仿真执行结果。
本申请实施例中，任务模型包括至少一个仿真节点，目标仿真节点为至少一个仿真节点中的任意仿真节点。计算机设备会获取目标仿真节点对应的参考执行结果，参考执行结果用于与目标仿真节点对应的仿真执行结果进行比较，得到目标仿真节点的节点误差结果。
在一种可能的实施方式中，当目标仿真节点为多个仿真节点中的起始节点的情况下，即目标仿真节点为任务模型的起始仿真节点，参考执行结果为计算机设备获取的用户输入。
在获取目标仿真节点对应的参考执行结果后，计算机设备会对目标仿真节点输入对应的数据，目标仿真节点会对输入的数据进行处理，对应输出一个仿真执行结果，不同的仿真节点接收到的输入数据不同。
可选地，在目标仿真节点为多个仿真节点中的起始节点的情况下，即目标仿真节点为任务模型的起始仿真节点，此时，目标仿真节点接收到的是计算机输入的仿真输入数据，计算机设备根据仿真输入数据和目标仿真节点获取目标仿真节点对应的仿真执行结果。
可选地，在目标仿真节点为多个仿真节点中的后驱节点的情况下，此时，目标仿真节点接收到的输入数据包括前驱节点的仿真执行结果，计算机设备将前驱节点的仿真执行结果输入目标仿真节点中，获取目标仿真节点对应的仿真执行结果。
在一种可能的实施方式中，仿真节点可能是神经网络模型。但是，神经网络模型的模型结构复杂，计算量大，且目标仿真节点输出的仿真执行结果会受到与前驱节点之间映射关系的影响，映射关系会受到对应的关系中后继的仿真节点类型的影响，因此，本申请实施例仿真节点还可以为线性函数模型，线性函数模型中后驱节点与前驱节点之间的映射关系简单，能提升关键任务仿真执行的效率。
以下，以一个仿真节点为例，对确定该仿真节点对应的线性函数模型的过程进行说明。
对该仿真节点对应的映射关系（该映射关系为该仿真节点和其对应的前驱节点之间的映射关系）在仿真节点的参考执行结果处做一阶泰勒展开，得到一个简化后的线性的映射关系：
其中，F表示目标仿真节点和前驱节点之间的映射关系，x代表计算机设备输入目标仿真节点的数据，线性系数w T 为矩阵w的转置矩阵，w代表着F在x 0 处的偏导，其中x 0 代表目标仿真节点对应的参考执行结果：
在一种可能的实施方式中，矩阵w可以利用pytorch——一个开源的Python机器学习库中的自动微分函数快速求出。
步骤402，根据目标仿真节点对应的参考执行结果和仿真执行结果，获取目标仿真节点对应的节点误差结果。
在步骤401中会获取到一个参考执行结果，计算机设备将参考执行结果与仿真执行结果进行比较，得到目标仿真节点的节点误差结果，该节点误差结果用于获取关键任务的任务误差结果。
根据不同的仿真节点，获取参考执行结果的方法不同。以下，对计算机设备获取目标仿真节点对应的参考执行结果的方式进行示例性地说明。
在一种可能的实施方式中，在目标仿真节点为多个仿真节点中的起始节点的情况下，即目标仿真节点为对应任务模型的起始仿真节点，参考执行结果为计算机设备获取的用户输入。
在另一种可能的实施方式中，在目标仿真节点为多个仿真节点中的后驱节点的情况下，计算机设备获取前驱节点对应的参考执行结果，然后根据前驱节点对应的参考执行结果以及前驱节点和目标仿真节点之间的映射关系，获取目标仿真节点对应的参考执行结果。
示例性地，参照图5，目标仿真节点为Vj，目标仿真节点的前驱节点的集合A j 为{V1，V2，......，Vi}，目标仿真节点与前驱节点的映射关系的集合为{F 1j ，F 2j ，......，F ij }，计算机设备根据目标仿真节点与各个前驱节点的映射关系对所有前驱节点的参考映射关系进行处理叠加，得到目标仿真节点的参考执行结果，公式如下，其中，代表前驱节点的参考执行结果，/>代表目标仿真节点的执行参考结果：
由步骤401获得了目标仿真节点对应的仿真执行结果和参考执行结果后，目标仿真节点的节点误差结果由仿真执行结果和参考执行结果比较后的差值得到。
在一种可能的实施方式中，参照图5，目标仿真节点为Vj，目标仿真节点的前驱节点的集合A j 为{V1，V2，......，Vi}，目标仿真节点与前驱节点的映射关系的集合为{F 1j ， F 2j ，......，F ij }，计算机设备对目标仿真节点与其所有对应的前驱节点的仿真执行结果根据对应的映射关系处理叠加，得到目标节点的仿真执行结果，然后再将目标节点的仿真执行结果与参考执行结果进行比较，差值即为目标仿真节点的节点误差结果，公式如下，其中，代表前驱节点的参考执行结果，/>代表目标仿真节点的执行参考结果，e i 代表前驱节点的节点误差结果，e i 代表目标仿真节点的节点误差结果，/>代表前去仿真节点的仿真执行结果：
针对不同的仿真节点，节点误差结果的作用不同。
可选地，在目标仿真节点有后继仿真节点的情况下，计算机设备将节点误差结果输入至目标仿真节点的后继仿真节点中，后继的仿真节点会根据目标仿真节点的仿真执行结果和节点误差结果处理得到后继仿真节点的仿真执行结果；可选地，在目标仿真节点没有后继的仿真节点的情况下，即目标仿真节点为对应任务模型的结束仿真节点，则目标仿真节点的节点误差结果即任务模型的任务误差结果。
以上，即可获得关键任务模拟一次后得到的任务误差结果，在进行仿真模拟的过程中，通过简化是神经网络模型的仿真节点与其前驱节点之间的映射关系，简化了计算过程，提高了仿真效率。
在一个实施例中，基于图2所示的实施例，本实施例涉及的是根据任务误差结果，获取任务可靠性测试结果的过程。如图6所示，步骤202可以包括图6所示的步骤601：
步骤601，根据各仿真输入数据对应的任务误差结果，获取任务可靠性测试结果。
计算机设备对关键任务仿真执行一次所获得的任务误差结果显然不能测得当前关键任务的可靠性测试结果，因此，仿真执行的次数为多次。而关键任务不能一直仿真执行下去，当仿真获得的任务误差结果足够多的时候，关键任务停止仿真。
因此，在一种可能的实施方式中，计算机设备根据各仿真输入数据对应的任务误差结果获取任务可靠性测试结果之前，计算机设备还可以执行如下步骤A1和步骤A2：
步骤A1，检测相邻两次的误差分布是否相同。
该误差分布根据各任务误差结果确定。
步骤A2，若相邻两次的误差分布相同，则停止仿真执行。
计算机设备通过判断多次仿真执行关键任务获得的任务误差结果的误差分布是否稳定，来判断当前对关键任务的仿真执行是否足够多。在一种可能的实施方式中，计算机设备利用KS检验 (Kolmogorov-Smirnov test)判断当前的误差分布是否稳定，需要至少两组不同次数的仿真执行关键任务所得到的误差分布进行比较，当两组任务误差结果服从的误差分布相同时，判断最后一组仿真执行得到的误差分布稳定，此时，仿真执行的次数足够多。
在一种可能的实施方式中，对关键任务进行仿真执行前，首先预设关键任务需要执行的次数M1次，M1为不小于1的整数，当关键任务仿真执行了M1次后，读取仿真执行M1次后的所有任务误差结果，根据M1次仿真执行的任务误差结果得到误差分布D1；对关键任务继续进行仿真，当仿真执行次数达到M2，M2等于c和M1的乘积，将cM1记作M2，c为大于1的数，读取仿真执行M2次后的所有任务误差结果，得到误差分布D2；对D1和D2使用KS检验 (Kolmogorov-Smirnov test)，判断D1和D2是否相同，若相同，停止仿真执行，否则，对关键任务继续仿真执行，直到相邻两次的误差分布相同。
以下，结合示例对本实施例进行说明，参照图7，为对关键任务进行仿真执行检测相邻两次的误差分布是否相同。其中，直方图（a）为计算机设备对关键任务执行10次得到的误差分布，直方图（b）为计算机设备对关键任务执行2乘10次即20次得到的误差分布，直方图（c）为计算机设备对关键任务执行2乘20次即40次得到的误差分布，以此类推，直方图（g）为计算机设备对关键任务执行2乘160次即320次得到的误差分布，直方图（h）为计算机设备对关键任务执行2乘320次即640次得到的误差分布，对直方图（g）以及直方图（h）的误差分布进行KS检验，得到直方图（g）以及直方图（h）的误差分布相同，计算机设备停止对关键任务进行仿真执行。
当计算机设备对关键任务的仿真执行停止后，多次仿真执行得到的误差分布是稳定的。此时，计算机设备根据各仿真输入数据对应的任务误差结果，获取任务可靠性测试结果，执行如下步骤B1和步骤B2：
步骤B1，从各任务误差结果中确定误差小于预设误差阈值的至少一个目标误差结果。
当计算机设备对关键任务仿真执行一次后，根据任务误差结果是否足够小来判断本次关键任务的仿真执行结果正常，因此，预设误差阈值，当本次关键任务仿真执行后得到的任务误差结果超出误差阈值，则代表本次仿真执行不正常；当任务误差结果小于误差阈值，则代表本次仿真执行正常，也就是说，计算机设备需要读取到小于误差阈值的任务误差结果，即目标误差结果。
步骤B2，利用目标误差结果的数量除以仿真执行的次数，得到任务可靠性测试结果。
在多次仿真执行的过程中，得到了仿真执行的次数、每次仿真执行得到的任务误差结果以及任务误差结果服从的误差分布，对比每次仿真执行的任务误差结果和误差阈值统计目标误差结果的数量，利用目标误差结果的数量除以仿真执行的次数，得到当前关键任务的任务可靠性测试结果。
这样，通过多次仿真执行关键任务，获取小于误差阈值的目标误差结果的数量和整体仿真执行的次数，利用目标误差结果的数量除以仿真执行的次数获得关键任务没有失效的概率，即关键任务的可靠性测试结果。
在一个实施例中，提供一种自动驾驶可靠性测试方法，用于计算机设备，方法包括：
步骤a，确定目标车辆对应的多个关键任务。
其中，关键任务为影响目标车辆的自动驾驶可靠性的任务。
步骤b，对于每个关键任务，获取关键任务对应的数据集合，数据集合中包括多个候选输入数据，数据集合与目标车辆的车辆参数相关。
步骤c，从数据集合中随机选取候选输入数据作为仿真输入数据仿真输入数据。
其中，仿真输入数据为模拟目标车辆在自动驾驶过程中采集的与关键任务对应的输入数据。
步骤d，对于每个关键任务，获取目标仿真节点对应的参考执行结果。
其中，在目标仿真节点为多个仿真节点中的起始节点的情况下，即目标仿真节点为对应任务模型的起始仿真节点，参考执行结果由计算机设备直接输入目标仿真节点。
其中，在目标仿真节点为多个仿真节点中的后驱节点的情况下，获取前驱节点对应的参考执行结果；根据前驱节点对应的参考执行结果以及前驱节点和目标仿真节点之间的映射关系，获取目标仿真节点对应的参考执行结果。
其中，仿真节点为神经网络模型或线性函数模型。
步骤e，根据仿真输入数据和目标仿真节点获取目标仿真节点对应的仿真执行结果。
其中，在目标仿真节点为多个仿真节点中的起始节点的情况下，将仿真输入数据输入至目标仿真节点，得到目标仿真节点输出的仿真执行结果。
其中，在目标仿真节点为多个仿真节点中的后驱节点的情况下，获取后驱节点对应的前驱节点的仿真执行结果；将前驱节点的仿真执行结果输入至目标仿真节点，得到目标仿真节点输出的仿真执行结果。
步骤f，根据目标仿真节点对应的参考执行结果和仿真执行结果，获取目标仿真节点对应的节点误差结果。
其中，节点误差结果用于获取任务误差结果，任务误差结果用于表征关键任务对应的真实执行结果和仿真输入数据对应的仿真执行结果之间的差异。
步骤g，检测相邻两次的误差分布是否相同，误差分布根据各任务误差结果确定，若相邻两次的误差分布相同，则停止仿真执行。
步骤h，从各任务误差结果中确定误差小于预设误差阈值的至少一个目标误差结果。
步骤i，利用目标误差结果的数量除以仿真执行的次数，得到任务可靠性测试结果。
步骤j，将各任务可靠性测试结果相乘，得到自动驾驶可靠性测试结果。
以下，结合示例对本实施例进行说明，参照图7，为关键任务的任务模型，该关键任务为障碍物检测：
确定目标车辆的多个关键任务，参照图7，确定目标车辆的关键任务之一为障碍物检测；根据障碍物检测这一关键任务的任务模型，确定其数据集合为光学图像、激光发射反射、无线电波发射和反射，针对障碍物检测计算机设备进行一次仿真执行，计算机设备将获取仿真输入数据为随机生成的光学图像、激光发射反射、无线电波发射和反射分别输入对应的仿真节点前摄像头、激光雷达以及雷达中；计算机设备根据任务模型对仿真输入数据进行处理，如将光学图像输入前摄像头后，经过其中的神经网络、2D-3D转换两个仿真节点进行处理，在该条任务路径下得到一个三维包络框，最终，将仿真执行得到的仿真执行结果在最后进行多源信息融合，得到一个仿真执行结果，这是计算机设备根据对障碍物检测这一关键任务进行一次仿真执行得到仿真执行结果的过程。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的自动驾驶可靠性测试方法的自动驾驶可靠性测试装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个自动驾驶可靠性测试装置实施例中的具体限定可以参见上文中对于自动驾驶可靠性测试方法的限定，在此不再赘述。
在一个实施例中，如图9所示，提供了一种自动驾驶可靠性测试装置，包括：
获取模块901，用于确定目标车辆对应的多个关键任务，并获取各所述关键任务对应的仿真输入数据，所述关键任务为影响所述目标车辆的自动驾驶可靠性的任务，所述仿真输入数据为模拟所述目标车辆在自动驾驶过程中采集的与所述关键任务对应的输入数据。
仿真模块902，用于对于每个所述关键任务，根据所述仿真输入数据对所述关键任务进行仿真执行，以得到所述关键任务对应的任务可靠性测试结果。
确定模块903，用于根据各所述任务可靠性测试结果，得到所述目标车辆对应的自动驾驶可靠性测试结果。
在一个实施例中，所述获取模块901，包括：
获取单元，用于对于每个所述关键任务，获取所述关键任务对应的数据集合，所述数据集合中包括多个候选输入数据，所述数据集合与所述目标车辆的车辆参数相关。
选取单元，用于从所述数据集合中随机选取候选输入数据作为所述仿真输入数据仿真输入数据。
在一个实施例中，所述仿真模块902，包括：
仿真单元，用于将所述仿真输入数据输入至所述关键任务对应的任务模型中，得到所述任务模型输出的任务误差结果，所述任务误差结果用于表征所述关键任务对应的真实执行结果和所述仿真输入数据对应的仿真执行结果之间的差异。
获取单元，用于根据所述任务误差结果，获取所述任务可靠性测试结果。
在其中一个实施例中，所述任务模型包括至少一个仿真节点，所述仿真单元具体用于获取目标仿真节点对应的参考执行结果，并根据所述仿真输入数据和所述目标仿真节点获取所述目标仿真节点对应的仿真执行结果；根据所述目标仿真节点对应的参考执行结果和仿真执行结果，获取所述目标仿真节点对应的节点误差结果，所述节点误差结果用于获取所述任务误差结果。
在其中一个实施例中，所述仿真单元具体用于在所述目标仿真节点为多个所述仿真节点中的起始节点的情况下，将所述仿真输入数据输入至所述目标仿真节点，得到所述目标仿真节点输出的仿真执行结果。
在其中一个实施例中，所述仿真单元具体用于在所述目标仿真节点为多个所述仿真节点中的后驱节点的情况下，获取所述后驱节点对应的前驱节点的仿真执行结果；将所述前驱节点的仿真执行结果输入至所述目标仿真节点，得到所述目标仿真节点输出的仿真执行结果。
在其中一个实施例中，所述仿真单元具体用于获取所述前驱节点对应的参考执行结果；根据所述前驱节点对应的参考执行结果以及所述前驱节点和所述目标仿真节点之间的映射关系，获取所述目标仿真节点对应的参考执行结果。
在其中一个实施例中，所述仿真执行的次数为多次，所述获取单元具体用于根据各所述仿真输入数据对应的任务误差结果，获取所述任务可靠性测试结果。
在其中一个实施例中，所述获取单元具体用于从各所述任务误差结果中确定误差小于预设误差阈值的至少一个目标误差结果；利用所述目标误差结果的数量除以所述仿真执行的次数，得到所述任务可靠性测试结果。
在其中一个实施例中，在所述根据各所述仿真输入数据对应的任务误差结果，获取所述任务可靠性测试结果之前，所述获取单元具体用于检测相邻两次的误差分布是否相同，所述误差分布根据各所述任务误差结果确定；若相邻两次的误差分布相同，则停止仿真执行。
在其中一个实施例中，所述仿真节点为神经网络模型或线性函数模型。
在一个实施例中，所述确定模块903，包括：
计算单元，用于将各所述任务可靠性测试结果相乘，得到所述自动驾驶可靠性测试结果。
上述自动驾驶可靠性测试装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储自动驾驶可靠性测试数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种自动驾驶可靠性测试方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图11所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种自动驾驶可靠性测试方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图10和图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
确定目标车辆对应的多个关键任务，并获取各所述关键任务对应的仿真输入数据，所述关键任务为影响所述目标车辆的自动驾驶可靠性的任务，所述仿真输入数据为模拟所述目标车辆在自动驾驶过程中采集的与所述关键任务对应的输入数据；
对于每个所述关键任务，根据所述仿真输入数据对所述关键任务进行仿真执行，以得到所述关键任务对应的任务可靠性测试结果；
根据各所述任务可靠性测试结果，得到所述目标车辆对应的自动驾驶可靠性测试结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将所述仿真输入数据输入至所述关键任务对应的任务模型中，得到所述任务模型输出的任务误差结果，所述任务误差结果用于表征所述关键任务对应的真实执行结果和所述仿真输入数据对应的仿真执行结果之间的差异；
根据所述任务误差结果，获取所述任务可靠性测试结果。
在一个实施例中，所述任务模型包括至少一个仿真节点，处理器执行计算机程序时还实现以下步骤：
获取目标仿真节点对应的参考执行结果，并根据所述仿真输入数据和所述目标仿真节点获取所述目标仿真节点对应的仿真执行结果；
根据所述目标仿真节点对应的参考执行结果和仿真执行结果，获取所述目标仿真节点对应的节点误差结果，所述节点误差结果用于获取所述任务误差结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在所述目标仿真节点为多个所述仿真节点中的起始节点的情况下，将所述仿真输入数据输入至所述目标仿真节点，得到所述目标仿真节点输出的仿真执行结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在所述目标仿真节点为多个所述仿真节点中的后驱节点的情况下，获取所述后驱节点对应的前驱节点的仿真执行结果；
将所述前驱节点的仿真执行结果输入至所述目标仿真节点，得到所述目标仿真节点输出的仿真执行结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取所述前驱节点对应的参考执行结果；
根据所述前驱节点对应的参考执行结果以及所述前驱节点和所述目标仿真节点之间的映射关系，获取所述目标仿真节点对应的参考执行结果。
在一个实施例中，所述仿真执行的次数为多次，处理器执行计算机程序时还实现以下步骤：
根据各所述仿真输入数据对应的任务误差结果，获取所述任务可靠性测试结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
从各所述任务误差结果中确定误差小于预设误差阈值的至少一个目标误差结果；
利用所述目标误差结果的数量除以所述仿真执行的次数，得到所述任务可靠性测试结果。
在一个实施例中，所述根据各所述仿真输入数据对应的任务误差结果，获取所述任务可靠性测试结果之前，处理器执行计算机程序时还实现以下步骤：
检测相邻两次的误差分布是否相同，所述误差分布根据各所述任务误差结果确定；
若相邻两次的误差分布相同，则停止仿真执行。
在一个实施例中，所述仿真节点为神经网络模型或线性函数模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对于每个所述关键任务，获取所述关键任务对应的数据集合，所述数据集合中包括多个候选输入数据，所述数据集合与所述目标车辆的车辆参数相关；
从所述数据集合中随机选取候选输入数据作为所述仿真输入数据仿真输入数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将各所述任务可靠性测试结果相乘，得到所述自动驾驶可靠性测试结果。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
确定目标车辆对应的多个关键任务，并获取各所述关键任务对应的仿真输入数据，所述关键任务为影响所述目标车辆的自动驾驶可靠性的任务，所述仿真输入数据为模拟所述目标车辆在自动驾驶过程中采集的与所述关键任务对应的输入数据；
对于每个所述关键任务，根据所述仿真输入数据对所述关键任务进行仿真执行，以得到所述关键任务对应的任务可靠性测试结果；
根据各所述任务可靠性测试结果，得到所述目标车辆对应的自动驾驶可靠性测试结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述仿真输入数据输入至所述关键任务对应的任务模型中，得到所述任务模型输出的任务误差结果，所述任务误差结果用于表征所述关键任务对应的真实执行结果和所述仿真输入数据对应的仿真执行结果之间的差异；
根据所述任务误差结果，获取所述任务可靠性测试结果。
在一个实施例中，所述任务模型包括至少一个仿真节点，计算机程序被处理器执行时还实现以下步骤：
获取目标仿真节点对应的参考执行结果，并根据所述仿真输入数据和所述目标仿真节点获取所述目标仿真节点对应的仿真执行结果；
根据所述目标仿真节点对应的参考执行结果和仿真执行结果，获取所述目标仿真节点对应的节点误差结果，所述节点误差结果用于获取所述任务误差结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在所述目标仿真节点为多个所述仿真节点中的起始节点的情况下，将所述仿真输入数据输入至所述目标仿真节点，得到所述目标仿真节点输出的仿真执行结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在所述目标仿真节点为多个所述仿真节点中的后驱节点的情况下，获取所述后驱节点对应的前驱节点的仿真执行结果；
将所述前驱节点的仿真执行结果输入至所述目标仿真节点，得到所述目标仿真节点输出的仿真执行结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取所述前驱节点对应的参考执行结果；
根据所述前驱节点对应的参考执行结果以及所述前驱节点和所述目标仿真节点之间的映射关系，获取所述目标仿真节点对应的参考执行结果。
在一个实施例中，所述仿真执行的次数为多次，处理器执行计算机程序时还实现以下步骤：
根据各所述仿真输入数据对应的任务误差结果，获取所述任务可靠性测试结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
从各所述任务误差结果中确定误差小于预设误差阈值的至少一个目标误差结果；
利用所述目标误差结果的数量除以所述仿真执行的次数，得到所述任务可靠性测试结果。
在一个实施例中，所述根据各所述仿真输入数据对应的任务误差结果，获取所述任务可靠性测试结果之前，计算机程序被处理器执行时还实现以下步骤：
检测相邻两次的误差分布是否相同，所述误差分布根据各所述任务误差结果确定；
若相邻两次的误差分布相同，则停止仿真执行。
在一个实施例中，所述仿真节点为神经网络模型或线性函数模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对于每个所述关键任务，获取所述关键任务对应的数据集合，所述数据集合中包括多个候选输入数据，所述数据集合与所述目标车辆的车辆参数相关；
从所述数据集合中随机选取候选输入数据作为所述仿真输入数据仿真输入数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将各所述任务可靠性测试结果相乘，得到所述自动驾驶可靠性测试结果。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
确定目标车辆对应的多个关键任务，并获取各所述关键任务对应的仿真输入数据，所述关键任务为影响所述目标车辆的自动驾驶可靠性的任务，所述仿真输入数据为模拟所述目标车辆在自动驾驶过程中采集的与所述关键任务对应的输入数据；
对于每个所述关键任务，根据所述仿真输入数据对所述关键任务进行仿真执行，以得到所述关键任务对应的任务可靠性测试结果；
根据各所述任务可靠性测试结果，得到所述目标车辆对应的自动驾驶可靠性测试结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述仿真输入数据输入至所述关键任务对应的任务模型中，得到所述任务模型输出的任务误差结果，所述任务误差结果用于表征所述关键任务对应的真实执行结果和所述仿真输入数据对应的仿真执行结果之间的差异；
根据所述任务误差结果，获取所述任务可靠性测试结果。
在一个实施例中，所述任务模型包括至少一个仿真节点，计算机程序被处理器执行时还实现以下步骤：
获取目标仿真节点对应的参考执行结果，并根据所述仿真输入数据和所述目标仿真节点获取所述目标仿真节点对应的仿真执行结果；
根据所述目标仿真节点对应的参考执行结果和仿真执行结果，获取所述目标仿真节点对应的节点误差结果，所述节点误差结果用于获取所述任务误差结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在所述目标仿真节点为多个所述仿真节点中的起始节点的情况下，将所述仿真输入数据输入至所述目标仿真节点，得到所述目标仿真节点输出的仿真执行结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在所述目标仿真节点为多个所述仿真节点中的后驱节点的情况下，获取所述后驱节点对应的前驱节点的仿真执行结果；
将所述前驱节点的仿真执行结果输入至所述目标仿真节点，得到所述目标仿真节点输出的仿真执行结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取所述前驱节点对应的参考执行结果；
根据所述前驱节点对应的参考执行结果以及所述前驱节点和所述目标仿真节点之间的映射关系，获取所述目标仿真节点对应的参考执行结果。
在一个实施例中，所述仿真执行的次数为多次，处理器执行计算机程序时还实现以下步骤：
根据各所述仿真输入数据对应的任务误差结果，获取所述任务可靠性测试结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
从各所述任务误差结果中确定误差小于预设误差阈值的至少一个目标误差结果；
利用所述目标误差结果的数量除以所述仿真执行的次数，得到所述任务可靠性测试结果。
在一个实施例中，所述根据各所述仿真输入数据对应的任务误差结果，获取所述任务可靠性测试结果之前，计算机程序被处理器执行时还实现以下步骤：
检测相邻两次的误差分布是否相同，所述误差分布根据各所述任务误差结果确定；
若相邻两次的误差分布相同，则停止仿真执行。
在一个实施例中，所述仿真节点为神经网络模型或线性函数模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对于每个所述关键任务，获取所述关键任务对应的数据集合，所述数据集合中包括多个候选输入数据，所述数据集合与所述目标车辆的车辆参数相关；
从所述数据集合中随机选取候选输入数据作为所述仿真输入数据仿真输入数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将各所述任务可靠性测试结果相乘，得到所述自动驾驶可靠性测试结果。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccessMemory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (14)
1.一种自动驾驶可靠性测试方法，其特征在于，所述方法包括：
确定目标车辆对应的多个关键任务，并获取各所述关键任务对应的仿真输入数据，所述关键任务为影响所述目标车辆的自动驾驶可靠性的任务，所述仿真输入数据为模拟所述目标车辆在自动驾驶过程中采集的与所述关键任务对应的输入数据，所述多个关键任务至少包括红绿灯识别和障碍物检测；
对于每个所述关键任务，将所述仿真输入数据输入至所述关键任务对应的任务模型中，得到所述任务模型输出的任务误差结果，并根据所述任务误差结果，获取所述任务可靠性测试结果，所述任务误差结果用于表征所述关键任务对应的真实执行结果和所述仿真输入数据对应的仿真执行结果之间的差异；
根据各所述任务可靠性测试结果，得到所述目标车辆对应的自动驾驶可靠性测试结果。
2.根据权利要求1所述的方法，其特征在于，所述任务模型包括至少一个仿真节点，所述将所述仿真输入数据输入至所述关键任务对应的任务模型中，得到所述任务模型输出的任务误差结果，包括：
获取目标仿真节点对应的参考执行结果，并根据所述仿真输入数据和所述目标仿真节点获取所述目标仿真节点对应的仿真执行结果；
根据所述目标仿真节点对应的参考执行结果和仿真执行结果，获取所述目标仿真节点对应的节点误差结果，所述节点误差结果用于获取所述任务误差结果。
3.根据权利要求2所述的方法，其特征在于，所述根据所述仿真输入数据和所述目标仿真节点获取所述目标仿真节点对应的仿真执行结果，包括：
在所述目标仿真节点为多个所述仿真节点中的起始节点的情况下，将所述仿真输入数据输入至所述目标仿真节点，得到所述目标仿真节点输出的仿真执行结果。
4.根据权利要求2所述的方法，其特征在于，所述根据所述仿真输入数据和所述目标仿真节点获取所述目标仿真节点对应的仿真执行结果，包括：
在所述目标仿真节点为多个所述仿真节点中的后驱节点的情况下，获取所述后驱节点对应的前驱节点的仿真执行结果；
将所述前驱节点的仿真执行结果输入至所述目标仿真节点，得到所述目标仿真节点输出的仿真执行结果。
5.根据权利要求4所述的方法，其特征在于，所述获取目标仿真节点对应的参考执行结果，包括：
获取所述前驱节点对应的参考执行结果；
根据所述前驱节点对应的参考执行结果以及所述前驱节点和所述目标仿真节点之间的映射关系，获取所述目标仿真节点对应的参考执行结果。
6.根据权利要求1所述的方法，其特征在于，所述仿真执行的次数为多次，所述根据所述任务误差结果，获取所述任务可靠性测试结果，包括：
根据各所述仿真输入数据对应的任务误差结果，获取所述任务可靠性测试结果。
7.根据权利要求6所述的方法，其特征在于，所述根据各所述仿真输入数据对应的任务误差结果，获取所述任务可靠性测试结果，包括：
从各所述任务误差结果中确定误差小于预设误差阈值的至少一个目标误差结果；
利用所述目标误差结果的数量除以所述仿真执行的次数，得到所述任务可靠性测试结果。
8.根据权利要求6所述的方法，其特征在于，所述根据各所述仿真输入数据对应的任务误差结果，获取所述任务可靠性测试结果之前，还包括：
检测相邻两次的误差分布是否相同，所述误差分布根据各所述任务误差结果确定；
若相邻两次的误差分布相同，则停止仿真执行。
9.根据权利要求2所述的方法，其特征在于，所述仿真节点为神经网络模型或线性函数模型。
10.根据权利要求1所述的方法，其特征在于，所述获取各所述关键任务对应的仿真输入数据，包括：
对于每个所述关键任务，获取所述关键任务对应的数据集合，所述数据集合中包括多个候选输入数据，所述数据集合与所述目标车辆的车辆参数相关；
从所述数据集合中随机选取候选输入数据作为所述仿真输入数据。
11.根据权利要求1所述的方法，其特征在于，所述根据各所述任务可靠性测试结果，得到所述目标车辆对应的自动驾驶可靠性测试结果，包括：
将各所述任务可靠性测试结果相乘，得到所述自动驾驶可靠性测试结果。
12.一种自动驾驶可靠性测试装置，其特征在于，所述装置包括：
获取模块，用于确定目标车辆对应的多个关键任务，并获取各所述关键任务对应的仿真输入数据，所述关键任务为影响所述目标车辆的自动驾驶可靠性的任务，所述仿真输入数据为模拟所述目标车辆在自动驾驶过程中采集的与所述关键任务对应的输入数据，所述多个关键任务至少包括红绿灯识别和障碍物检测；
仿真模块，用于对于每个所述关键任务，将所述仿真输入数据输入至所述关键任务对应的任务模型中，得到所述任务模型输出的任务误差结果，并根据所述任务误差结果，获取所述任务可靠性测试结果，所述任务误差结果用于表征所述关键任务对应的真实执行结果和所述仿真输入数据对应的仿真执行结果之间的差异；
确定模块，用于根据各所述任务可靠性测试结果，得到所述目标车辆对应的自动驾驶可靠性测试结果。
13.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至11中任一项所述的方法的步骤。
14.一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11中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310552464.2A CN116302364B (zh) | 2023-05-17 | 2023-05-17 | 自动驾驶可靠性测试方法、装置、设备、介质和程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310552464.2A CN116302364B (zh) | 2023-05-17 | 2023-05-17 | 自动驾驶可靠性测试方法、装置、设备、介质和程序产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116302364A CN116302364A (zh) | 2023-06-23 |
| CN116302364B true CN116302364B (zh) | 2023-08-15 |
Family
ID=86781855
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310552464.2A Active CN116302364B (zh) | 2023-05-17 | 2023-05-17 | 自动驾驶可靠性测试方法、装置、设备、介质和程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116302364B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111841012A (zh) * | 2020-06-23 | 2020-10-30 | 北京航空航天大学 | 一种自动驾驶模拟仿真系统及其测试资源库建设方法 |
| CN113033029A (zh) * | 2021-05-24 | 2021-06-25 | 湖北亿咖通科技有限公司 | 自动驾驶仿真方法、装置、电子设备及存储介质 |
| CN113341935A (zh) * | 2021-06-24 | 2021-09-03 | 中国第一汽车股份有限公司 | 一种车辆测试方法、装置、测试设备、系统及存储介质 |
| CN114117645A (zh) * | 2021-12-02 | 2022-03-01 | 中国船舶科学研究中心 | 一种舰船总体性能预报集成应用系统 |
| CN115237097A (zh) * | 2022-07-29 | 2022-10-25 | 深圳元戎启行科技有限公司 | 自动驾驶仿真测试方法、装置、计算机设备和存储介质 |
| CN115599694A (zh) * | 2022-11-03 | 2023-01-13 | 上海友道智途科技有限公司（Cn） | 一种自动驾驶软件版本集成测试方法 |
| CN115964296A (zh) * | 2022-12-31 | 2023-04-14 | 国科础石(重庆)软件有限公司 | 自动驾驶安全验证平台的评估方法、装置、设备及介质 |
| CN116009519A (zh) * | 2023-01-19 | 2023-04-25 | 奇瑞汽车股份有限公司 | 仿真测试方法、装置、设备和存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020163602A1 (en) * | 2019-02-06 | 2020-08-13 | Metamoto, Inc. | Simulation and validation of autonomous vehicle system and components |
| DE102021111462A1 (de) * | 2021-05-04 | 2022-11-10 | Dspace Gmbh | Computerimplementiertes Verfahren zum Szenario-basierten Testen und/oder Homologation von zu testenden zumindest teilweise autonomen Fahrfunktionen durch Key Performance Indicators (KPI) |
-
2023
- 2023-05-17 CN CN202310552464.2A patent/CN116302364B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111841012A (zh) * | 2020-06-23 | 2020-10-30 | 北京航空航天大学 | 一种自动驾驶模拟仿真系统及其测试资源库建设方法 |
| CN113033029A (zh) * | 2021-05-24 | 2021-06-25 | 湖北亿咖通科技有限公司 | 自动驾驶仿真方法、装置、电子设备及存储介质 |
| CN113341935A (zh) * | 2021-06-24 | 2021-09-03 | 中国第一汽车股份有限公司 | 一种车辆测试方法、装置、测试设备、系统及存储介质 |
| CN114117645A (zh) * | 2021-12-02 | 2022-03-01 | 中国船舶科学研究中心 | 一种舰船总体性能预报集成应用系统 |
| CN115237097A (zh) * | 2022-07-29 | 2022-10-25 | 深圳元戎启行科技有限公司 | 自动驾驶仿真测试方法、装置、计算机设备和存储介质 |
| CN115599694A (zh) * | 2022-11-03 | 2023-01-13 | 上海友道智途科技有限公司（Cn） | 一种自动驾驶软件版本集成测试方法 |
| CN115964296A (zh) * | 2022-12-31 | 2023-04-14 | 国科础石(重庆)软件有限公司 | 自动驾驶安全验证平台的评估方法、装置、设备及介质 |
| CN116009519A (zh) * | 2023-01-19 | 2023-04-25 | 奇瑞汽车股份有限公司 | 仿真测试方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116302364A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113884961A (zh) | Soc校准方法、建模方法、建模装置、计算机设备及介质 | |
| CN116108717B (zh) | 一种基于数字孪生的交通运输设备运行预测方法及装置 | |
| CN114815605A (zh) | 自动驾驶测试用例生成方法、装置、电子设备及存储介质 | |
| CN116572747B (zh) | 电池故障检测方法、装置、计算机设备和存储介质 | |
| CN116302364B (zh) | 自动驾驶可靠性测试方法、装置、设备、介质和程序产品 | |
| CN115221153B (zh) | 一种缺失数据填补方法、装置和计算机可读存储介质 | |
| CN116626504A (zh) | 动力电池性能确定方法、装置、计算机设备和存储介质 | |
| CN111340975A (zh) | 异常数据特征提取方法、装置、设备及存储介质 | |
| CN116152637A (zh) | 自动驾驶感知模型的评测方法、计算机设备和存储介质 | |
| CN115981284A (zh) | 车辆仿真测试方法、装置、计算机设备、介质和程序产品 | |
| CN116403019A (zh) | 遥感图像量子识别方法、装置、存储介质及电子装置 | |
| CN115576990A (zh) | 视觉真值数据与感知数据的评测方法、装置、设备及介质 | |
| CN115222691A (zh) | 图像缺陷检测方法、系统及相关装置 | |
| CN112528500B (zh) | 一种场景图构造模型的评估方法及评估设备 | |
| CN115009296A (zh) | 传感器检测方法、装置、计算机设备和计算机程序产品 | |
| Ginting | Vehicle Detection Simulation using YOLOv4 on Autonomous Vehicle System | |
| CN116934555B (zh) | 一种基于物联网的安消一体化的管理方法及装置 | |
| CN116644585B (zh) | 基于目标车辆危险度的险态场景数据生成方法和装置 | |
| CN115345257B (zh) | 飞行轨迹分类模型训练方法、分类方法、装置及存储介质 | |
| US20240012175A1 (en) | Apparatus and method for calculating sensible temperature in consideration of outdoor ground heating and heatwave warning apparatus and method based on sensible temperature in consideration of outdoor ground heating | |
| CN117407761A (zh) | 资源转移方法、装置、设备、介质和程序产品 | |
| CN116577669A (zh) | 电池安全的检测方法及电池安全检测模型的生成方法 | |
| CN115913699A (zh) | 配电网横向访问检测方法、装置、计算机设备和存储介质 | |
| CN116403376A (zh) | 充电设备的故障预警方法、装置和计算机设备 | |
| CN116977049A (zh) | 资源申请服务的处理方法、装置、计算机设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |