CN116305545A - 一种自动紧急制动功能开发方法、装置、系统及存储介质 - Google Patents

一种自动紧急制动功能开发方法、装置、系统及存储介质 Download PDF

Info

Publication number
CN116305545A
CN116305545A CN202310168262.8A CN202310168262A CN116305545A CN 116305545 A CN116305545 A CN 116305545A CN 202310168262 A CN202310168262 A CN 202310168262A CN 116305545 A CN116305545 A CN 116305545A
Authority
CN
China
Prior art keywords
aeb
data
vehicle
function
driver
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
CN202310168262.8A
Other languages
English (en)
Inventor
彭元铎
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.)
Chongqing Changan Automobile Co Ltd
Original Assignee
Chongqing Changan Automobile Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing Changan Automobile Co Ltd filed Critical Chongqing Changan Automobile Co Ltd
Priority to CN202310168262.8A priority Critical patent/CN116305545A/zh
Publication of CN116305545A publication Critical patent/CN116305545A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Regulating Braking Force (AREA)

Abstract

本发明属于紧急制动技术领域，提供一种自动紧急制动功能开发方法、装置、系统及存储介质，所述开发方法包括：获取不同AEB用户车辆在触发AEB功能时的预设时间范围内的实车数据，其中，实车数据包括车况数据和触发场景图像数据；根据车况数据，判断AEB用户车辆的驾驶员在所述AEB功能触发时是否具有紧急避险行为；若AEB用户车辆的驾驶员在AEB功能触发时不具有紧急避险行为，则将触发场景图像数据定义为触发错误场景数据；使用若干触发错误场景数据，并采用基于视觉的深度学习算法，对AEB系统中基于图像的神经网络进行训练。本申请采用大量实车数据对AEB系统进行优化，从而降低AEB功能误触发的风险，不仅提升车辆的综合性能，同时也提升用户的体验感。

Description

一种自动紧急制动功能开发方法、装置、系统及存储介质
技术领域
本发明属于紧急制动技术领域，具体涉及一种自动紧急制动功能开发方法、装置、系统及存储介质。
背景技术
自动紧急制动系统(Autonomous Emergency Braking，简称AEB)，是基于环境感知传感器感知前方可能与车辆、行人或其他交通参与者所发生的碰撞风险，并通过系统自动触发执行机构来实施制动，以避免碰撞或减轻碰撞程度的主动安全功能。
在AEB的功能开发时，AEB系统主要包括障碍物探测模块、决策模块和制动踏板三个核心部分。其中，障碍物探测模块的核心包括毫米波雷达和前视摄像头，它可以提供前方道路安全、准确、实时的图像和路况信息；获取到障碍物的距离和速度信息后，利用决策模块将测出的距离与警报距离、安全距离进行比较，小于警报距离时就进行警报提示，而小于安全距离时即使在驾驶员没有来得及踩制动踏板的情况下，AEB系统也会启动，使汽车自动制动，从而为安全出行保驾护航。
但是由于实验室的环境和条件有限，使得开发出来的AEB功能没法经过大量的实际数据进行测试验证，无法进行伸入分析。在这种情况下，虽然AEB系统能够在车辆即将发生危险事故时自动启动紧急制动功能，但是由于AEB系统的缺陷，AEB功能存在误触发的风险，导致用户的体验感降低。
发明内容
本发明的目的是：旨在提供一种自动紧急制动功能开发方法、装置、系统及存储介质，用来解决背景技术中指出的，AEB功能没法经过大量的实际数据进行测试验证，使得紧急制动功能存在误触发的风险的问题。
为实现上述技术目的，本发明采用的技术方案如下：
第一方面，提供一种自动紧急制动功能开发方法，所述开发方法包括：
获取不同AEB用户车辆在触发AEB功能时的预设时间范围内的实车数据，其中，所述实车数据包括车况数据和触发场景图像数据；
根据所述车况数据，判断所述AEB用户车辆的驾驶员在所述AEB功能触发时是否具有紧急避险行为；
若所述AEB用户车辆的驾驶员在所述AEB功能触发时具有所述紧急避险行为，则将所述触发场景图像数据定义为触发正确场景数据，若所述AEB用户车辆的驾驶员在所述AEB功能触发时不具有所述紧急避险行为，则将所述触发场景图像数据定义为触发错误场景数据；
使用若干所述触发错误场景数据，并采用基于视觉的深度学习算法，对AEB系统中基于图像的神经网络进行训练。
结合第一方面，所述开发方法还包括：
在对所述AEB系统中基于图像的神经网络进行训练后，控制所述AEB用户车辆的AEB系统随车载OTA升级。
结合第一方面，所述车况数据包括但不限于制动踏板行程数据和方向盘转角数据。
结合第一方面，在根据所述车况数据，判断所述AEB用户车辆的驾驶员在所述AEB功能触发时是否具有紧急避险行为的步骤中：
若所述制动踏板行程数据大于阈值行程和/或所述方向盘转角数据大于阈值角度，则判定所述AEB用户车辆的驾驶员具有所述紧急避险行为；
若所述制动踏板行程数据小于等于阈值行程和所述方向盘转角数据小于等于阈值角度，则判定所述AEB用户车辆的驾驶员不具有所述紧急避险行为。
第二方面，提供一种自动紧急制动功能开发装置，所述开发装置包括：
获取模块，用于获取不同AEB用户车辆在触发AEB功能时的预设时间范围内的实车数据，其中，所述实车数据包括车况数据和触发场景图像数据；
判断模块，用于根据所述车况数据，判断所述AEB用户车辆的驾驶员在所述AEB功能触发时是否具有紧急避险行为；
定义模块，用于若所述AEB用户车辆的驾驶员在所述AEB功能触发时具有所述紧急避险行为，则将所述触发场景图像数据定义为触发正确场景数据，若所述AEB用户车辆的驾驶员在所述AEB功能触发时不具有所述紧急避险行为，则将所述触发场景图像数据定义为触发错误场景数据；
训练模块，用于使用若干所述触发错误场景数据，并采用基于视觉的深度学习算法，对AEB系统中基于图像的神经网络进行训练。
结合第二方面，所述开发装置包括：
升级模块，用于在对所述AEB系统中基于图像的神经网络进行训练后，控制所述AEB用户车辆的AEB系统随车载OTA升级。
结合第二方面，所述车况数据包括但不限于制动踏板行程数据和方向盘转角数据。
结合第二方面，所述判断模块在用于：
若所述制动踏板行程数据大于阈值行程和/或所述方向盘转角数据大于阈值角度，则判定所述AEB用户车辆的驾驶员具有所述紧急避险行为；
若所述制动踏板行程数据小于等于阈值行程和所述方向盘转角数据小于等于阈值角度，则判定所述AEB用户车辆的驾驶员不具有所述紧急避险行为。
第三方面，提供一种自动紧急制动功能开发系统，其特征在于，所述开发系统包括控制器和存储器，所述存储器内存储有计算机程序，当所述计算机程序被所述控制器执行时，使得所述开发系统执行如第一方面中任一项所述的开发方法。
第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行如第一方面中任一项所述的开发方法。
采用上述技术方案的发明，具有如下优点：
通过采用本申请的开发方法，首先获取大量AEB用户车辆在触发AEB功能时的实车数据，再通过分析驾驶员在触发AEB功能时是否具有紧急避险行为，以此分辨出触发正确场景数据和触发错误场景数据，最后通过大量的触发错误场景数据对AEB系统中基于图像的神经网络进行训练，使得AEB系统在后续遇到这些触发错误场景时，不会误触发AEB功能，从而提升AEB系统的综合性能。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中自动紧急制动功能开发方法的流程示意图；
图2为本发明实施例中自动紧急制动功能开发装置的系统框图；
其中，主要元件符号说明如下：
21、获取模块；22、判断模块；23、定义模块；24、训练模块；25、升级模块。
具体实施方式
以下将结合附图和具体实施例对本申请进行详细说明，需要说明的是，在附图或说明书描述中，相似或相同的部分都使用相同的图号，附图中未绘示或描述的实现方式，为所属技术领域中普通技术人员所知的形式。在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
本申请实施例提供一种自动紧急制动功能开发方法，该开发方法主要基于大量AEB用户车辆，其中，AEB用户车辆主要指搭载有AEB系统的车辆，而AEB系统中AEB功能的实现主要是基于AEB自动紧急制动算法。在本实施例中，该开发方法主要通过后台服务器收集这些AEB用户车辆在实际行驶过程中的实车数据，然后通过大量的实车数据来对后台开发的AEB系统进行优化，最后再通过优化后的AEB系统反哺AEB用户车辆中的AEB系统，使AEB用户车辆中的AEB系统也优化升级，从而使得AEB用户车辆中的AEB系统降低误触发AEB功能的风险。
如图1所示，具体的，本申请实施例的开发方法可以包括如下步骤：
S110、获取不同AEB用户车辆在触发AEB功能时的预设时间范围内的实车数据，其中，所述实车数据包括车况数据和触发场景图像数据；
S120、根据所述车况数据，判断所述AEB用户车辆的驾驶员在所述AEB功能触发时是否具有紧急避险行为；
S130、若所述AEB用户车辆的驾驶员在所述AEB功能触发时具有所述紧急避险行为，则将所述触发场景图像数据定义为触发正确场景数据，若所述AEB用户车辆的驾驶员在所述AEB功能触发时不具有所述紧急避险行为，则将所述触发场景图像数据定义为触发错误场景数据；
S140、使用若干所述触发错误场景数据，并采用基于视觉的深度学习算法，对AEB系统中基于图像的神经网络进行训练。
通过采用上述的开发方法，首先获取大量AEB用户车辆在触发AEB功能时的实车数据，再通过分析驾驶员在触发AEB功能时是否具有紧急避险行为，以此分辨出触发正确场景数据和触发错误场景数据，最后通过大量的触发错误场景数据对AEB系统中基于图像的神经网络进行训练，使得AEB系统在后续遇到这些触发错误场景时，不会误触发AEB功能，从而提升AEB系统的综合性能。
以下对开发方法中的各个步骤作详细阐述，如下：
在步骤S110中，主要通过后台服务器获取不同AEB用户车辆的实车数据，需要说明的是，汽车制造商拥有大量的用户，而这些用户中又有大部分用户的车辆上搭载有AEB系统，即具有足够多的AEB用户车辆，能够获取到足够多的实车数据。
实车数据中的车况数据主要由装载在车辆上多种传感器采集，实车数据中的触发场景图像数据主要由装载在车辆上前向摄像头采集，当AEB用户车辆采集到这些实车数据时，再将这些实车数据上传至后台服务器。
此外，考虑到驾驶员的反应具有时间效应，或快于AEB功能自动触发，或慢于AEB功能自动触发，因此在该步骤中，AEB用户车辆是在触发AEB功能时的预设时间范围内的实车数据。预设时间范围主要根据后台工作人员的测试结果而具体标定。在本实施例中，预设时间范围可以具体标定为触发AEB功能前一分钟至触发AEB功能后一分钟。
在步骤S120中，后台服务器主要根据车况数据，分析驾驶员在AEB功能触发时的行为状况，以此来判断AEB用户车辆的驾驶员在AEB功能触发时是否具有紧急避险行为。可以理解的是，当车辆即将发生一定的危险事故时，驾驶员处于本能反应，大概率会做出一定的行为，来避免事故的发生。
在步骤S130中，如果AEB用户车辆在触发AEB功能时，驾驶员又做出了紧急避险行为，这种情况下，AEB功能的触发通常不是误触发，此时的触发场景图像数据可以定义为触发正确场景数据，可以理解的是，触发正确场景一般包括AEB用户车辆即将撞上前方车辆、前方行人等障碍物；反之，如果AEB用户车辆在触发AEB功能时，驾驶员又没有紧急避险行为，这种情况下，AEB功能的触发通常是误触发，此时的触发场景图像数据可以定义为触发错误场景数据。在现有的AEB用户车辆上，若AEB用户车辆前方的路面上出现钢制板路或塑料容器、AEB用户车辆的车顶出现金属指示牌、AEB用户车辆接近转弯车辆等场景出现，可能会导致AEB功能误触发，因此，这些场景就是触发错误场景数据
在步骤S140中，需要说明的是，原有的AEB系统只部署了AEB算法，而在该步骤中，再在AEB系统中部署基于视觉的深度学习算法，然后采用该算法，对AEB系统中基于图像的神经网络进行训练，使得AEB系统对大量的触发错误场景数据进行学习，当AEB用户车辆在后续遇到这些触发错误场景时，能够降低AEB功能误触发的概率。
在本实施例中，所述开发方法还包括：
S150、在对所述AEB系统中基于图像的神经网络进行训练后，控制所述AEB用户车辆的AEB系统随车载OTA升级。
通过上述的实施步骤，AEB用户车辆的AEB系统能够自动升级，完成自身的优化，从而提升AEB用户车辆的整体性能，提升用户的体验感。
在本实施例中，车况数据包括但不限于制动踏板行程数据和方向盘转角数据。其中，制动踏板行程数据可以通过车辆上的制动踏板传感器获取，方向盘转角数据可以通过车辆上的方向盘转角传感器获取。
在本实施例中，在根据所述车况数据，判断所述AEB用户车辆的驾驶员在所述AEB功能触发时是否具有紧急避险行为的步骤中：
若所述制动踏板行程数据大于阈值行程和/或所述方向盘转角数据大于阈值角度，则判定所述AEB用户车辆的驾驶员具有所述紧急避险行为；
若所述制动踏板行程数据小于等于阈值行程和所述方向盘转角数据小于等于阈值角度，则判定所述AEB用户车辆的驾驶员不具有所述紧急避险行为。
可以理解的是，如果是在AEB用户车辆即将撞上前方车辆、前方行人等场景下触发AEB功能时，驾驶员大概率会产生踩下制动踏板和/或转动方向盘等行为，以此来达到紧急避险的效果。因此，通过分析制动踏板行程数据和方向盘转角数据，可以判断出驾驶员是否具有紧急避险行为。此外，上述的阈值行程和阈值角度均通过后台工作人员根据不同的车型，在测试后具体标定。
如图2所示，本申请实施例还提供一种自动紧急制动功能开发装置，该开发装置应用于上述的开发方法。开发装置包括获取模块21、判断模块22、定义模块23和训练模块24，通过各个模块的相互配合，实现上述的开发方法。具体的，各个模块的功能如下：
获取模块21，用于获取不同AEB用户车辆在触发AEB功能时的预设时间范围内的实车数据，其中，所述实车数据包括车况数据和触发场景图像数据；
判断模块22，用于根据所述车况数据，判断所述AEB用户车辆的驾驶员在所述AEB功能触发时是否具有紧急避险行为；
定义模块23，用于若所述AEB用户车辆的驾驶员在所述AEB功能触发时具有所述紧急避险行为，则将所述触发场景图像数据定义为触发正确场景数据，若所述AEB用户车辆的驾驶员在所述AEB功能触发时不具有所述紧急避险行为，则将所述触发场景图像数据定义为触发错误场景数据；
训练模块24，用于使用若干所述触发错误场景数据，并采用基于视觉的深度学习算法，对AEB系统中基于图像的神经网络进行训练。
可选的，所述开发装置包括升级模块25：
升级模块25，用于在对所述AEB系统中基于图像的神经网络进行训练后，控制所述AEB用户车辆的AEB系统随车载OTA升级。
可选的，所述车况数据包括但不限于制动踏板行程数据和方向盘转角数据。
可选的，所述判断模块22在用于：
若所述制动踏板行程数据大于阈值行程和/或所述方向盘转角数据大于阈值角度，则判定所述AEB用户车辆的驾驶员具有所述紧急避险行为；
若所述制动踏板行程数据小于等于阈值行程和所述方向盘转角数据小于等于阈值角度，则判定所述AEB用户车辆的驾驶员不具有所述紧急避险行为。
本申请实施例还提供一种自动紧急制动功能开发系统，开发系统包括控制器和存储器，存储器内存储有计算机程序，当计算机程序被控制器执行时，使得开发系统执行如上述的开发方法。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，当计算机程序在计算机上运行时，使得计算机执行如上述的开发方法。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本申请可以通过硬件实现，也可以借助软件加必要的通用硬件平台的方式来实现，基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中，包括若干指令用以使得一台计算机设备(可以是个人计算机，制动设备，或者网络设备等)执行本申请各个实施场景所述的方法。
以上对本发明提供的一种自动紧急制动功能开发方法、装置、系统及存储介质进行了详细介绍。具体实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
应当指出，在说明书中提到的“一个实施例”、“实施例”、“示例性实施例”、“一些实施例”等表示所述的实施例可以包括特定特征、结构或特性，但未必每个实施例都包括该特定特征、结构或特性。此外，这样的短语未必是指同一实施例。此外，在结合实施例描述特定特征、结构或特性时，结合明确或未明确描述的其他实施例实现这样的特征、结构或特性处于本领域技术人员的知识范围之内。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种自动紧急制动功能开发方法，其特征在于，所述开发方法包括：
获取不同AEB用户车辆在触发AEB功能时的预设时间范围内的实车数据，其中，所述实车数据包括车况数据和触发场景图像数据；
根据所述车况数据，判断所述AEB用户车辆的驾驶员在所述AEB功能触发时是否具有紧急避险行为；
若所述AEB用户车辆的驾驶员在所述AEB功能触发时具有所述紧急避险行为，则将所述触发场景图像数据定义为触发正确场景数据，若所述AEB用户车辆的驾驶员在所述AEB功能触发时不具有所述紧急避险行为，则将所述触发场景图像数据定义为触发错误场景数据；
使用若干所述触发错误场景数据，并采用基于视觉的深度学习算法，对AEB系统中基于图像的神经网络进行训练。
2.根据权利要求1所述的开发方法，其特征在于，所述开发方法还包括：
在对所述AEB系统中基于图像的神经网络进行训练后，控制所述AEB用户车辆的AEB系统随车载OTA升级。
3.根据权利要求1或2所述的开发方法，其特征在于，所述车况数据包括但不限于制动踏板行程数据和方向盘转角数据。
4.根据权利要求3所述的开发方法，其特征在于，在根据所述车况数据，判断所述AEB用户车辆的驾驶员在所述AEB功能触发时是否具有紧急避险行为的步骤中：
若所述制动踏板行程数据大于阈值行程和/或所述方向盘转角数据大于阈值角度，则判定所述AEB用户车辆的驾驶员具有所述紧急避险行为；
若所述制动踏板行程数据小于等于阈值行程和所述方向盘转角数据小于等于阈值角度，则判定所述AEB用户车辆的驾驶员不具有所述紧急避险行为。
5.一种自动紧急制动功能开发装置，其特征在于，所述开发装置包括：
获取模块，用于获取不同AEB用户车辆在触发AEB功能时的预设时间范围内的实车数据，其中，所述实车数据包括车况数据和触发场景图像数据；
判断模块，用于根据所述车况数据，判断所述AEB用户车辆的驾驶员在所述AEB功能触发时是否具有紧急避险行为；
定义模块，用于若所述AEB用户车辆的驾驶员在所述AEB功能触发时具有所述紧急避险行为，则将所述触发场景图像数据定义为触发正确场景数据，若所述AEB用户车辆的驾驶员在所述AEB功能触发时不具有所述紧急避险行为，则将所述触发场景图像数据定义为触发错误场景数据；
训练模块，用于使用若干所述触发错误场景数据，并采用基于视觉的深度学习算法，对AEB系统中基于图像的神经网络进行训练。
6.根据权利要求5所述的开发方法，其特征在于，所述开发装置包括：
升级模块，用于在对所述AEB系统中基于图像的神经网络进行训练后，控制所述AEB用户车辆的AEB系统随车载OTA升级。
7.根据权利要求5或6所述的开发方法，其特征在于，所述车况数据包括但不限于制动踏板行程数据和方向盘转角数据。
8.根据权利要求7所述的开发方法，其特征在于，所述判断模块在用于：
若所述制动踏板行程数据大于阈值行程和/或所述方向盘转角数据大于阈值角度，则判定所述AEB用户车辆的驾驶员具有所述紧急避险行为；
若所述制动踏板行程数据小于等于阈值行程和所述方向盘转角数据小于等于阈值角度，则判定所述AEB用户车辆的驾驶员不具有所述紧急避险行为。
9.一种自动紧急制动功能开发系统，其特征在于，所述开发系统包括控制器和存储器，所述存储器内存储有计算机程序，当所述计算机程序被所述控制器执行时，使得所述开发系统执行如权利要求1-4中任一项所述的开发方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行如权利要求1-4中任一项所述的开发方法。
CN202310168262.8A 2023-02-27 2023-02-27 一种自动紧急制动功能开发方法、装置、系统及存储介质 Pending CN116305545A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310168262.8A CN116305545A (zh) 2023-02-27 2023-02-27 一种自动紧急制动功能开发方法、装置、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310168262.8A CN116305545A (zh) 2023-02-27 2023-02-27 一种自动紧急制动功能开发方法、装置、系统及存储介质

Publications (1)

Publication Number Publication Date
CN116305545A true CN116305545A (zh) 2023-06-23

Family

ID=86819831

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310168262.8A Pending CN116305545A (zh) 2023-02-27 2023-02-27 一种自动紧急制动功能开发方法、装置、系统及存储介质

Country Status (1)

Country Link
CN (1) CN116305545A (zh)

Similar Documents

Publication Publication Date Title
CN111062240B (zh) 汽车驾驶安全的监控方法、装置、计算机设备及存储介质
RU2719060C2 (ru) Система и способ для управления компонентом доступа транспортного средства
US20190155291A1 (en) Methods and systems for automated driving system simulation, validation, and implementation
CN112418711B (zh) 车辆预期功能危害评估方法、设备、存储介质及装置
CN112937520B (zh) 车辆的紧急制动方法、装置、商用车及存储介质
CN112585550A (zh) 基于神经网络的驾驶功能监控
CN116872921A (zh) 一种车辆规避风险方法、系统、车辆及存储介质
CN113165615A (zh) 车辆控制方法及装置
CN115042782B (zh) 一种车辆巡航控制方法、系统、设备及介质
CN111145554B (zh) 一种基于自动驾驶aeb的场景定位方法和装置
CN115257725A (zh) 车辆碰撞预警方法、装置、设备及存储介质
CN113104045B (zh) 车辆碰撞预警方法、装置、设备及存储介质
CN105946578A (zh) 油门踏板控制方法、装置及车辆
EP4017773B1 (en) A method for quantifying extreme traffic behavior
Sandblom et al. Probabilistic threat assessment and driver modeling in collision avoidance systems
US11263837B2 (en) Automatic real-time detection of vehicular incidents
CN116305545A (zh) 一种自动紧急制动功能开发方法、装置、系统及存储介质
US11108658B2 (en) Method for detecting data, method for updating a scenario catalog, a device, a computer program and a machine-readable memory medium
US11745766B2 (en) Unseen environment classification
CN114407860A (zh) 一种自动制动系统误触发判断方法、装置、设备及介质
CN114333414A (zh) 停车让行检测装置、停车让行检测系统以及记录介质
CN114655231B (zh) 一种卡车规范驾驶辅助方法及系统
CN114222689B (zh) 用于量化极端交通行为的方法
US20220260706A1 (en) Synthetic generation of radar and lidar point clouds
KR20230157514A (ko) 차량의 제어 장치용 소프트웨어의 평가 방법

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