CN116304662A - 用于对交通状况进行分类的方法和系统以及训练方法 - Google Patents

用于对交通状况进行分类的方法和系统以及训练方法 Download PDF

Info

Publication number
CN116304662A
CN116304662A CN202211545043.9A CN202211545043A CN116304662A CN 116304662 A CN116304662 A CN 116304662A CN 202211545043 A CN202211545043 A CN 202211545043A CN 116304662 A CN116304662 A CN 116304662A
Authority
CN
China
Prior art keywords
vehicle
data
lateral
computer
implemented method
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
Application number
CN202211545043.9A
Other languages
English (en)
Inventor
A·罗西
L·卡拉曼
V·迪克里克
C·索瓦
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.)
Desbeth Co ltd
Original Assignee
Desbeth 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
Priority claimed from DE102021133979.0A external-priority patent/DE102021133979A1/de
Priority claimed from EP21216241.6A external-priority patent/EP4202790A1/de
Application filed by Desbeth Co ltd filed Critical Desbeth Co ltd
Publication of CN116304662A publication Critical patent/CN116304662A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00274—Planning or execution of driving tasks using trajectory prediction for other traffic participants considering possible movement changes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00272—Planning or execution of driving tasks using trajectory prediction for other traffic participants relying on extrapolation of current movement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/24765—Rule-based classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/197—Matching; Classification
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/165—Anti-collision systems for passive traffic, e.g. including static obstacles, trees
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/12—Lateral speed
    • B60W2520/125—Lateral acceleration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B9/00—Simulators for teaching or training purposes
    • G09B9/02—Simulators for teaching or training purposes for teaching control of vehicles or other craft
    • G09B9/04—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of land vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Ophthalmology & Optometry (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及用于对虚拟测试的交通状况(VS)进行分类的计算机实现的方法和系统。该方法包括以下步骤：连结(S3)本车辆(12)的横向和纵向行为的多个所确定的数据段(14)，以识别车辆动作(16)；以及通过将车辆(12)的横向和纵向行为的所确定的本数据段(14)的子集与所识别的车辆动作(16)相关联来分类(S4)交通状况(VS)。本发明还包括一种用于提供用于对虚拟测试的交通状况(VS)进行分类的经训练的机器学习算法的计算机实现的方法。

Description

用于对交通状况进行分类的方法和系统以及训练方法
技术领域
本发明涉及一种用于对虚拟测试的交通状况进行分类的计算机实现的方法。
本发明还涉及一种用于提供用于对虚拟测试的交通状况进行分类的经训练的机器学习算法的计算机实现的方法。
本发明还涉及一种用于对虚拟测试的交通状况进行分类的系统。
背景技术
为了创建用于仿真的测试场景，需要执行测试行驶。以这种方式获得的传感器数据随后被抽象为逻辑场景。
输入数据在此是原始数据、即按记录雷达回波、来自激光雷达测量的3D点云和图像数据的意义来自真实测量行驶的传感器数据。结果数据是可仿真的行驶场景，所述可仿真的行驶场景一方面包括环境且另一方面也包括轨迹。
“用于确保自动化和自主的行驶系统的场景优化”公开了一种用于核实和验证自动化和自主的行驶系统的方法、特别是找到对于虚拟上确保而适合的测试场景。
测试方法在此规定对元启发式搜索的适配，以便优化场景。为此，必须建立适当的搜索空间和适合的质量函数(Gütefunktion)。基于对系统的功能性和用例的抽象的描述导出所参数化的场景。
出发点是确定的参数对所述状况有大的影响。例如，发生紧急制动的状况主要通过两个交通参与者的速度来确定。因此对于用户至关重要的是，了解这些参数的值的分布并知道哪些部分未被数据或仿真所覆盖。这些缺少的数据点必须在现实中或者在仿真中收集。
因此对于用户来说，对所生成的数据集的有效评估是值得期望的，以便识别关键状况且在同一仿真场景的略微变化的版本中进行测试。
因此存在一种需求，即，如下改进现有的用于分析行驶场景数据集的方法，使得能够实现对关键状况的有效的识别和分类。
发明内容
因此，本发明的目的是提供一种用于对虚拟测试的交通状况进行分类的方法，该方法能够实现有效地识别并分类关键交通状况。
根据本发明，该目的通过一种具有权利要求1的特征的用于对虚拟测试的交通状况进行分类的计算机实现的方法来解决。
根据本发明，该目的还通过一种具有权利要求14的特征的用于提供用于对虚拟测试的交通状况进行分类的经训练的机器学习算法的计算机实现的方法来解决。
根据本发明，该目的还通过一种具有权利要求15的特征的用于对虚拟测试的交通状况进行分类的系统来解决。
本发明涉及一种用于对虚拟测试的交通状况进行分类的计算机实现的方法。
该方法包括提供本车辆的通过第一多个车辆侧环境识别传感器检测的行程的传感器数据的第一数据集；以及确定本车辆的横向和纵向行为的被第一数据集所包括的数据段。
该方法还包括连结本车辆的横向和纵向行为的多个所确定的数据段，以识别车辆动作；以及通过将本车辆的横向和纵向行为的所确定的数据段的子集与所识别的车辆动作相关联来分类交通状况。
该方法还包括输出具有多个类的第二数据集，其中，所述多个类中的各一个类代表虚拟测试的一种交通状况。
本发明此外涉及一种用于提供用于对虚拟测试的交通状况进行分类的经训练的机器学习算法的计算机实现的方法。
该方法包括接收本车辆的通过第一多个车辆侧环境识别传感器检测的行程的传感器数据的第一训练数据集；以及接收具有多个类的第二训练数据集，其中，所述多个类中的各一个类代表虚拟测试的一种交通状况。
该方法还包括通过优化算法来训练机器学习算法，该优化算法计算用于对虚拟测试的交通状况进行分类的损失函数的极值。
本发明此外涉及一种用于对虚拟测试的交通状况进行分类的系统。该系统包括第一多个车辆侧环境识别传感器，其用于提供本车辆的行程的传感器数据的第一数据集。
该系统还包括用于确定本车辆的横向和纵向行为的被第一数据集所包括的数据段的器件；以及用于连结本车辆的横向和纵向行为的多个所确定的数据段以识别车辆动作的器件。
该系统还包括用于通过将本车辆的横向和纵向行为的所确定的数据段的子集与所识别的车辆动作相关联以分类交通状况的器件；以及用于输出具有多个类的第二数据集的器件，其中，所述多个类中的各一个类代表虚拟测试的一种交通状况。
本发明的想法是执行对在本车辆的通过第一多个车辆侧环境识别传感器检测的行程的传感器数据的数据集中所包含的交通状况的改进的数据选择和参数提取。
因此可以借助于模板(Vorlagen)对数据自动搜索相关状况，并且然后可以仅仅将相应提取的交通状况带入仿真。
此外，模板还提取相关参数的参数值。通过收集由用于类似状况的同一个模板提取的参数值，可以创建分布，并且可以得出关于这些参数必须如何变化以覆盖在仿真中未知的和可能的关键状况的结论。
交通状况在此可理解为具有多个交通参与者的小的、基本的和/或较大的场景或交通场景。
模板由不同的算法组成，这些算法在不同的抽象级别上识别不同的事物。在本发明的范围内，所述算法通过基于规则的第一、第二和第三算法形成。
本发明的其它实施例是其它从属权利要求和以下参照附图的描述的技术方案。
根据本发明的一个优选的进一步扩展方案规定，所述第一数据集包括至少一个同行车辆和/或另外的交通参与者的通过第二多个车辆侧环境识别传感器检测的行程的另外的传感器数据。因此，所述另外的交通参与者的数据同样可以有利地被考虑用于对交通状况进行分类。
根据本发明的另一优选的进一步扩展方案规定，确定所述至少一个同行车辆和/或所述另外的交通参与者的横向和纵向行为的被第一数据集所包括的数据段，其中，连结所述至少一个同行车辆和/或另外的交通参与者的横向和纵向行为的多个所确定的数据段以识别车辆动作；以及通过将所述至少一个同行车辆和/或另外的交通参与者的横向和纵向行为的所确定的数据段的子集与所识别的车辆动作相关联来分类交通状况。
因此可以有利地从交通参与者的横向和纵向行为的相应各个数据段来分类车辆动作。
根据本发明的另一优选的进一步扩展方案规定，将所述本车辆和所述至少一个同行车辆和/或所述另外的交通参与者的所分类的交通状况关联于包括所述本车辆和所述至少一个同行车辆和/或所述另外的交通参与者的交互。
通过各个交通参与者的相应数据生成的模型或交通状况因此有利地关联于一个包括所有交通参与者的全部数据的总场景。
根据本发明的另一优选的进一步扩展方案规定，在识别车辆动作时将本车辆的横向和纵向行为的数据段组合为组。
因此，组合为组、特别是按时间顺序组合为组有利地能够实现将各个数据段抽象为一个车辆动作、例如超车操纵或车道改变。
根据本发明的另一优选的进一步扩展方案规定，通过应用基于规则的第一算法来执行对本车辆的横向和纵向行为的被第一数据集所包括的数据段的确定，其中，通过应用基于规则的第二算法来执行对本车辆的横向和纵向行为的所述多个所确定的数据段的连结，以识别车辆动作；并且通过应用基于规则的第三算法来执行通过将本车辆的横向和纵向行为的所确定的数据段的子集与所识别的车辆动作相关联来对交通状况进行分类。
通过应用多个基于规则的算法，根据本发明的多层模型可以高效地构建对交通状况的分类。
根据本发明的另一优选的进一步扩展方案规定，所述基于规则的第一算法、所述基于规则的第二算法和所述基于规则的第三算法分别包括用于处理由相应的算法接收到的输入数据的不同的规则集。所述规则集中的每个规则集在此致力于上述任务之一，这些任务在相应的层级别上执行。
根据本发明的另一优选的进一步扩展方案规定，提取所分类的交通状况和/或交互的参数以生成预定参数空间的参数分布。因此可以有利地确定，在预定参数空间中哪些参数已经被覆盖，而哪些参数还应被求取。
根据本发明的另一优选的进一步扩展方案规定，所述本车辆的横向和纵向行为的数据段包括恒定或变化的加速度、位置数据、特别是全球导航卫星系统(GNSS)数据以及由此产生的速度。从这些数据段随后可以在后续层中确定车辆动作。
根据本发明的另一优选的进一步扩展方案规定，所述本车辆的横向和纵向行为的数据段通过向量形成，其中，在连结本车辆的横向和纵向行为的所述多个所确定的数据段以识别车辆动作时，增加相应的向量。通过向量对数据段进行编码的优点在于，可以在后续级别中高效地组装这些数据段。
根据本发明的另一优选的进一步扩展方案规定，所述本车辆的通过第一多个车辆侧环境识别传感器检测的行程的传感器数据是全球导航卫星系统传感器的位置数据、IMU数据、相机数据、激光雷达数据和/或雷达数据，其中，所述传感器数据是带有注释的。因此，传感器数据可以考虑使用多个不同传感器，由此可以提高对交通状况进行分类的准确度。
根据本发明的另一优选的进一步扩展方案规定，基于所分类的交通状况和/或交互来生成具有逻辑的交通场景的第三数据集。所提取的、对于用户来说感兴趣或关键的交通状况和/或交互因此形成了被第三数据集所包括的逻辑的交通场景。
根据本发明的另一优选的进一步扩展方案规定，所述车辆动作包括所述本车辆和/或所述至少一个同行车辆的方向改变和/或车道改变和/或所述本车辆与行人的交互；以及所分类的交通状况包括所述本车辆和/或所述至少一个同行车辆的超车过程。因此可以有利地从数据中提取大量不同的车辆动作。
在此所述的用于对虚拟测试的交通状况进行分类的计算机实现的方法的特征同样适用于根据本发明的用于对虚拟测试的交通状况进行分类的系统，且反之亦然。
附图说明
为了更好理解本发明及其优点，现在参照结合所属附图的如下描述。
在下文中根据在附图的示意图中指示的示例性实施形式来更详细的阐明本发明。
图中：
图1示出根据本发明的一个优选实施形式的用于对虚拟测试的交通状况进行分类的计算机实现的方法的流程图；
图2示出根据本发明的该优选实施形式的虚拟测试的已提取以及未提取的参数值的值分布；
图3示出用于提供用于对虚拟测试的交通状况进行分类的经训练的机器学习算法的计算机实现的方法的流程图；以及
图4示出根据本发明的该优选实施形式的用于对虚拟测试的交通状况进行分类的系统的示意图。
具体实施方式
除非另有说明，相同的附图标记表示附图中的相同元素。
在图1中示出的方法包括：提供S1本车辆12的通过第一多个车辆侧环境识别传感器10检测的行程的传感器数据的第一数据集DS1；以及确定S2本车辆12的横向和纵向行为的被第一数据集DS1所包括的数据段14。
该方法还包括：连结S3本车辆12的横向和纵向行为的多个所确定的数据段14，以识别车辆动作16；并且通过将本车辆12的横向和纵向行为的所确定的数据段14的子集与所识别的车辆动作16相关联来分类S4交通状况VS。
该方法还包括：输出S5具有多个类K的第二数据集DS2，其中，所述多个类K中的各一个类K代表虚拟测试的一种交通状况VS。
此外，第一数据集DS1还包括至少一个同行车辆18和/或另外的交通参与者20的通过第二多个车辆侧环境识别传感器11检测的行程的另外的传感器数据。随后，确定所述至少一个同行车辆18和/或所述另外的交通参与者20的横向和纵向行为的被第一数据集DS1所包括的数据段14。
连结所述至少一个同行车辆18和/或另外的交通参与者20的横向和纵向行为的多个所确定的数据段14以便识别车辆动作16。此外，通过将所述至少一个同行车辆18和/或另外的交通参与者20的横向和纵向行为的所确定的数据段14的子集与所识别的车辆动作16相关联来分类交通状况VS。
随后，将所述本车辆12和所述至少一个同行车辆18和/或所述另外的交通参与者20的所分类的交通状况VS关联于包括所述本车辆12和所述至少一个同行车辆18和/或所述另外的交通参与者20的交互22。
在此，在识别车辆动作16时将本车辆12的横向和纵向行为的数据段14组合为组。
通过应用基于规则的第一算法A1来执行对本车辆12的横向和纵向行为的被第一数据集DS1所包括的数据段14的确定S2。
通过应用基于规则的第二算法A2来执行对本车辆12的横向和纵向行为的所述多个所确定的数据段14的连结S3，以识别车辆动作16。此外，通过应用基于规则的第三算法A3来执行通过将本车辆12的横向和纵向行为的所确定的数据段14的子集与所识别的车辆动作16相关联来对交通状况VS进行分类S4。
基于规则的第一算法A1、基于规则的第二算法A2和基于规则的第三算法A3分别包括用于处理由相应的算法接收到的输入数据的不同规则集。提取所分类的交通状况VS和/或交互22的参数以生成预定的参数空间的参数分布。
本车辆12的横向和纵向行为的数据段14例如包括恒定或变化的加速度、位置数据、特别是全球导航卫星系统(GNSS)数据以及由此产生的速度。此外，本车辆12的横向和纵向行为的数据段14通过向量形成。
在连结S3本车辆12的横向和纵向行为的所述多个所确定的数据段14中，增加相应的向量以识别车辆动作16。本车辆12的通过第一多个车辆侧环境识别传感器10检测的行驶的传感器数据是全球导航卫星系统传感器的位置数据、IMU数据、相机数据、激光雷达数据和/或雷达数据，其中，所述传感器数据是带有注释的。
基于所分类的交通状况VS和/或交互22生成具有逻辑的交通场景的第三数据集DS3。
车辆动作16例如包括所述本车辆12和/或所述至少一个同行车辆18的方向改变和/或车道改变和/或所述本车辆12与行人的交互22；并且所分类的交通状况VS包括所述本车辆12和/或所述至少一个同行车辆18的超车过程。
此外，车辆动作16可以包括以下交通状况VS中的一个或多个：车辆的跟随行为，其中，行驶在前的车辆紧急制动；车辆在另一车辆之前勉强切入；行驶到具有流畅交通的较大的道路上；车辆在交叉路口处转弯，其中，路径与另一车辆的路径交叉；车辆在交叉路口处转弯，结合与横穿道路的行人的交互22；沿着行人横穿的道路行驶；沿着行人沿行驶方向或逆着行驶方向行进的道路行驶；沿着自行车骑行者沿行驶方向或逆着行驶方向骑行的道路行驶；和/或避让放置在道路上的障碍物。
参照图1，在下文中使用并入并且随后尾随的示例来阐明用于对虚拟测试的交通状况VS进行分类的计算机实现的方法的功能性。
本车辆12保持其车道且以恒定的速度行驶。同行车辆18在本车辆12旁边的车道上行驶，然后同行车辆18加速并将其车道改变为本车辆12的车道。
在图1中示出的最低层——其确定由本车辆12的横向和纵向行为的被第一数据集DS1所包括的数据段)——获得完整的原始数据流，包括道路信息、轨迹和速度。
该层将对于每个车辆12、14的数据流从速度分布和横向动作(例如车道改变或车道保持)抽象出具有恒定加速度的纵向数据段。
在位于其上的层中——在该层中连结S3本车辆12的横向和纵向行为的多个所确定的数据段14，以识别车辆动作16——通过聚类横向和纵向微粒(Atome)来识别行为。然后通过重新组装横向和纵向行为对第一状况进行分类。
对于本车辆，这意味着车道保持满足前两层的条件。对于同行车辆18，这意味着在数据中必须有车道改变。
在选择数据时，所述速度对于两个车辆可以被忽略，但是对于仿真的参数化或参数提取则是必需的。因此，每个不进行车道改变的车辆不是主动的车辆。
第四层——其中将所述本车辆12和所述至少一个同行车辆18和/或所述另外的交通参与者20的所分类的交通状况VS关联于包括所述本车辆12和所述至少一个同行车辆18和/或所述另外的交通参与者20的交互22——将两个车辆的状况总结为交互。
交互层负责同行车辆18在本车辆12之前执行车道改变，并且直到碰撞的时间低于确定的阈值。
例如，如果同行车辆18要在远离本车辆12或者甚至在其后执行车道改变，那么该部分数据是不感兴趣的。因此，可以省略不满足所有层的条件的每一辆车和每个数据点，并且因此在最终仅存在主动参与并入的两个车辆以及仅仅其中发生所述并入的图像。
每一层包括不同的算法，可以将这些算法结合以便识别不同的状况。如果在各层之一中的条件稍微变化，或者通过添加例如另一车道改变的条件，相反地可以识别超车操纵。例如，可以添加不同层中的其它算法以便识别在交叉路口处的行为。
在状况层之后存在用于每个车辆的一系列逻辑块或单元，所述逻辑块或单元的初始值是通过真实数据参数化的。如此例如初始位置和速度或者车道改变开始的点是已知的。这是在基于仿真的测试中变化的参数。
图2示出根据本发明的优选实施形式的虚拟测试的已提取的以及未提取的参数值的值分布。
基于场景的测试之前的一种可能性是，将模板应用到许多类似的数据流并且提取参数。这将生成一个示出了值分布的哪些部分已经被覆盖(参见区域B3)而哪些部分缺失(参见区域B1和B2)的分布。
图3示出用于提供用于对虚拟测试的交通状况VS进行分类的经训练的机器学习算法的计算机实现的方法的流程图。
该方法包括：接收S1’本车辆12的通过第一多个车辆侧环境识别传感器10检测的行程的传感器数据的第一训练数据集TD1；以及接收S2’具有多个类K的第二训练数据集TD2，其中，所述多个类K中的各一个类K代表虚拟测试的一种交通状况VS。
此外，该方法包括通过优化算法来训练S3’机器学习算法，该优化算法计算用于对虚拟测试的交通状况VS进行分类的损失函数的极值。
图4示出根据本发明的优选实施形式的用于对虚拟测试的交通状况VS进行分类的系统的示意图。
该系统包括第一多个车辆侧环境识别传感器10，其用于提供本车辆12的行驶的传感器数据的第一数据集DS1；以及用于确定本车辆12的横向和纵向行为的被第一数据集DS1所包括的数据段14的器件24。
该系统还包括：用于连结本车辆12的横向和纵向行为的多个所确定的数据段14以识别车辆动作16的器件26；以及用于通过将本车辆12的横向和纵向行为的所确定的数据段14的子集与所识别的车辆动作16相关联来分类交通状况VS的器件28。
该系统还包括：用于输出具有多个类K的第二数据集DS2的器件30，其中，所述多个类K中的各一个类K代表虚拟测试的一种交通状况VS。
附图标记列表
1 系统
10 第一多个车辆侧环境识别传感器
11 第二多个车辆侧环境识别传感器
12 本车辆
14 数据段
16 车辆动作
18 同行车辆
20 另外的交通参与者
22 交互
24 器件
26 器件
28 器件
30 器件
A1 基于规则的第一算法
A2 基于规则的第二算法
A3 基于规则的第三算法
B1、B2、B3 区域
DS1 传感器数据的第一数据集
DS2 传感器数据的第二数据集
DS3 传感器数据的第三数据集
K 类
TD1 传感器数据的第一训练数据集
TD2 传感器数据的第二训练数据集
S1-S5 方法步骤
S1’-S3’ 方法步骤
VS 交通状况

Claims (15)

1.用于对虚拟测试的交通状况(VS)进行分类的计算机实现的方法，所述方法包括以下步骤：
提供(S1)本车辆(12)的通过第一多个车辆侧环境识别传感器(10)检测的行程的传感器数据的第一数据集(DS1)；
确定(S2)本车辆(12)的横向和纵向行为的被第一数据集(DS1)所包括的数据段(14)；
连结(S3)本车辆(12)的横向和纵向行为的多个所确定的数据段(14)，以识别车辆动作(16)；
通过将本车辆(12)的横向和纵向行为的所确定的数据段(14)的子集与所识别的车辆动作(16)相关联来对交通状况(VS)进行分类(S4)；并且
输出(S5)具有多个类(K)的第二数据集(DS2)，其中，所述多个类(K)中的各一个类(K)代表虚拟测试的一种交通状况(VS)。
2.根据权利要求1所述的计算机实现的方法，其中，所述第一数据集(DS1)包括至少一个同行车辆(18)和/或另外的交通参与者(20)的通过第二多个车辆侧环境识别传感器(11)检测的行程的另外的传感器数据。
3.根据权利要求2所述的计算机实现的方法，其中，确定所述至少一个同行车辆(18)和/或所述另外的交通参与者(20)的横向和纵向行为的被所述第一数据集(DS1)所包括的数据段(14)，其中，连结所述至少一个同行车辆(18)和/或另外的交通参与者(20)的横向和纵向行为的多个所确定的数据段(14)以识别车辆动作(16)；并且通过将所述至少一个同行车辆(18)和/或另外的交通参与者(20)的横向和纵向行为的所确定的数据段(14)的子集与所识别的车辆动作(16)相关联来对交通状况(VS)进行分类。
4.根据权利要求3所述的计算机实现的方法，其中，将所述本车辆(12)和所述至少一个同行车辆(18)和/或所述另外的交通参与者(20)的所分类的交通状况(VS)关联于包括所述本车辆(12)和所述至少一个同行车辆(18)和/或所述另外的交通参与者(20)的交互(22)。
5.根据上述权利要求之一所述的计算机实现的方法，其中，在识别车辆动作(16)时将本车辆(12)的横向和纵向行为的数据段(14)组合为组。
6.根据上述权利要求之一所述的计算机实现的方法，其中，通过应用基于规则的第一算法(A1)来执行对本车辆(12)的横向和纵向行为的被第一数据集(DS1)所包括的数据段(14)的确定(S2)，其中，通过应用基于规则的第二算法(A2)来执行对本车辆(12)的横向和纵向行为的所述多个所确定的数据段(14)以用于识别车辆动作(16)的连结(S3)；并且通过应用基于规则的第三算法(A3)执行通过将本车辆(12)的横向和纵向行为的所确定的数据段(14)的子集与所识别的车辆动作(16)相关联来对交通状况(VS)进行分类(S4)。
7.根据权利要求6所述的计算机实现的方法，其中，所述基于规则的第一算法(A1)、所述基于规则的第二算法(A2)和所述基于规则的第三算法(A3)分别包括用于处理由相应的算法接收到的输入数据的不同的规则集。
8.根据权利要求4所述的计算机实现的方法，其中，提取所分类的交通状况(VS)和/或交互(22)的参数，以用于生成预定参数空间的参数分布。
9.根据上述权利要求之一所述的计算机实现的方法，其中，本车辆(12)的横向和纵向行为的数据段(14)包括恒定或变化的加速度、位置数据、特别是全球导航卫星系统数据以及由此产生的速度。
10.根据上述权利要求之一所述的计算机实现的方法，其中，所述本车辆(12)的横向和纵向行为的数据段(14)通过向量形成，其中，在连结(S3)本车辆(12)的横向和纵向行为的所述多个所确定的数据段(14)以用于识别车辆动作(16)时，增加相应的向量。
11.根据上述权利要求之一所述的计算机实现的方法，其中，所述本车辆(12)的通过所述第一多个车辆侧环境识别传感器(10)检测的行程的传感器数据是全球导航卫星系统传感器的位置数据、IMU数据、相机数据、激光雷达数据和/或雷达数据，其中，所述传感器数据是带有注释的。
12.根据权利要求4所述的计算机实现的方法，其中，基于所分类的交通状况(VS)和/或交互(22)生成具有逻辑的交通场景的第三数据集(DS3)。
13.根据上述权利要求之一所述的计算机实现的方法，其中，所述车辆动作(16)包括所述本车辆(12)和/或所述至少一个同行车辆(18)的方向改变和/或车道改变和/或本车辆(12)与行人的交互(22)；并且所分类的交通状况(VS)包括所述本车辆(12)和/或所述至少一个同行车辆(18)的超车过程。
14.用于提供用于对虚拟测试的交通状况(VS)进行分类的经训练的机器学习算法的计算机实现的方法，所述方法包括以下步骤：
接收(S1’)本车辆(12)的通过第一多个车辆侧环境识别传感器(10)检测的行程的传感器数据的第一训练数据集(TD1)；
接收(S2’)具有多个类(K)的第二训练数据集(TD2)，其中，所述多个类(K)中的各一个类(K)代表虚拟测试的一种交通状况(VS)；并且
通过优化算法对机器学习算法进行训练(S3’)，所述优化算法计算用于对虚拟测试的交通状况(VS)进行分类的损失函数的极值。
15.用于对虚拟测试的交通状况(VS)进行分类的系统，所述系统包括：
第一多个车辆侧环境识别传感器(10)，其用于提供本车辆(12)的行程的传感器数据的第一数据集(DS1)；
用于确定本车辆(12)的横向和纵向行为的被第一数据集(DS1)所包括的数据段(14)的器件(24)；
用于连结本车辆(12)的横向和纵向行为的多个所确定的数据段(14)以识别车辆动作(16)的器件(26)；
用于通过将本车辆(12)的横向和纵向行为的所确定的数据段(14)的子集与所识别的车辆动作(16)相关联以对交通状况(VS)进行分类的器件(28)；以及
用于输出具有多个类(K)的第二数据集(DS2)的器件(30)，其中，所述多个类(K)中的各一个类(K)代表虚拟测试的一种交通状况(VS)。
CN202211545043.9A 2021-12-21 2022-11-29 用于对交通状况进行分类的方法和系统以及训练方法 Pending CN116304662A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
DE102021133979.0 2021-12-21
EP21216241.6 2021-12-21
DE102021133979.0A DE102021133979A1 (de) 2021-12-21 2021-12-21 Verfahren und System zur Klassifikation von Verkehrssituationen sowie Trainingsverfahren
EP21216241.6A EP4202790A1 (de) 2021-12-21 2021-12-21 Verfahren und system zur klassifikation von verkehrssituationen sowie trainingsverfahren

Publications (1)

Publication Number Publication Date
CN116304662A true CN116304662A (zh) 2023-06-23

Family

ID=86767272

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211545043.9A Pending CN116304662A (zh) 2021-12-21 2022-11-29 用于对交通状况进行分类的方法和系统以及训练方法

Country Status (2)

Country Link
US (1) US20230192148A1 (zh)
CN (1) CN116304662A (zh)

Also Published As

Publication number Publication date
US20230192148A1 (en) 2023-06-22

Similar Documents

Publication Publication Date Title
CN112868022A (zh) 自动驾驶车辆的驾驶场景
Essa et al. Simulated traffic conflicts: do they accurately represent field-measured conflicts?
CN112668153A (zh) 一种自动驾驶仿真场景生成的方法、装置及设备
CN111771207A (zh) 增强的车辆跟踪
Zofka et al. Semivirtual simulations for the evaluation of vision-based adas
Wong et al. Testing the safety of self-driving vehicles by simulating perception and prediction
JP2017010206A (ja) 運転操作判別装置
CN115618932A (zh) 基于网联自动驾驶的交通事件预测方法、装置及电子设备
Montanari et al. Pattern recognition for driving scenario detection in real driving data
CN115165398A (zh) 车辆的行驶功能测试方法、装置、计算设备及介质
Wheeler et al. A probabilistic framework for microscopic traffic propagation
US20220383736A1 (en) Method for estimating coverage of the area of traffic scenarios
EP3382570A1 (en) Method for characterizing driving events of a vehicle based on an accelerometer sensor
Li A scenario-based development framework for autonomous driving
CN116304662A (zh) 用于对交通状况进行分类的方法和系统以及训练方法
CN114822044B (zh) 一种基于隧道的行车安全预警方法及设备
Beglerovic et al. Polar occupancy map-a compact traffic representation for deep learning scenario classification
JP2019191869A (ja) 走行場面学習装置、走行場面推定装置、および走行場面推定システム
CN116710732A (zh) 自主交通工具运动计划中的稀有事件仿真
CN114580715A (zh) 一种基于生成对抗网络和长短期记忆模型的行人轨迹预测方法
Mijic et al. Autonomous driving solution based on traffic sign detection
Abdelhalim A real-time computer vision based framework for urban traffic safety assessment and driver behavior modeling using virtual traffic lanes
Milardo et al. An unsupervised approach for driving behavior analysis of professional truck drivers
Sanberg et al. From stixels to asteroids: Towards a collision warning system using stereo vision
Del Egido et al. 360 real-time 3d multi-object detection and tracking for autonomous vehicle navigation

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