CN116401111A - 脑机接口的功能检测方法、装置、电子设备及存储介质 - Google Patents
脑机接口的功能检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116401111A CN116401111A CN202310602061.4A CN202310602061A CN116401111A CN 116401111 A CN116401111 A CN 116401111A CN 202310602061 A CN202310602061 A CN 202310602061A CN 116401111 A CN116401111 A CN 116401111A
- Authority
- CN
- China
- Prior art keywords
- scene
- determining
- tested
- weight value
- detected
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 230000006870 function Effects 0.000 claims abstract description 93
- 238000012360 testing method Methods 0.000 claims abstract description 81
- 238000000034 method Methods 0.000 claims abstract description 78
- 239000013598 vector Substances 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 239000000470 constituent Substances 0.000 claims description 7
- 239000004973 liquid crystal related substance Substances 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 230000010485 coping Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000938605 Crocodylia Species 0.000 description 1
- 241000283070 Equus zebra Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
- G06F11/2221—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested to test input/output devices or peripheral units
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2273—Test methods
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请公开了一种脑机接口的功能检测方法、装置、电子设备及存储介质，涉及智能控制技术领域。其中，该方法包括：基于脑机接口的待测功能确定对应的多个待测场景；在多个待测场景中对待测功能进行实景测试得到测试结果，基于测试结果将多个待测场景分为测试通过的第一待测场景集和测试不通过的第二待测场景集；确定第一待测场景集的第一场景危险度，确定第二待测场景集的第二场景危险度；基于第一场景危险度和第二场景危险度确定待测功能的检测结果。本申请提供的技术方案，可以很准确地对智能车辆脑机接口预期功能进行评价，也为智能车辆脑机接口预期功能的评估提供了一种新思路。
Description
技术领域
本申请涉及智能控制技术领域，尤其涉及一种脑机接口的功能检测方法、装置、电子设备及存储介质。
背景技术
近年来，随着工业技术领域不断改革和创新，脑机接口作为一种利用脑电信号将神经活动解码为命令的技术已经成为智能车辆的前沿研究领域。目前，国内外领先企业与科研机构已经开始围绕智能车辆脑机接口开展相关研究，但是都尚处于探索阶段，同时也没有将脑机接口完全应用到智能车辆之中，在对智能车辆脑机接口预期功能评价的领域仍是空白。因此，亟需一种对智能车辆脑机接口的功能检测方法，以满足能够对智能车辆脑机接口预期功能进行准确性评价的需求。
发明内容
本申请提供了一种脑机接口的功能检测方法、装置、电子设备及存储介质，可以很准确地对智能车辆脑机接口预期功能进行评价，也为智能车辆脑机接口预期功能的评估提供了一种新思路。
第一方面，本申请提供了一种脑机接口的功能检测方法，该方法包括：
基于所述脑机接口的待测功能确定对应的多个待测场景；
在所述多个待测场景中对所述待测功能进行实景测试得到测试结果，基于测试结果将所述多个待测场景分为测试通过的第一待测场景集和测试不通过的第二待测场景集；
确定所述第一待测场景集的第一场景危险度，确定所述第二待测场景集的第二场景危险度；
基于所述第一场景危险度和所述第二场景危险度确定所述待测功能的检测结果。
本申请实施例提供了一种脑机接口的功能检测方法，通过对脑机接口待测功能进行实景测试，从而将待测场景进行分类得到第一待测场景集和第二待测场景集，再通过对待测场景进行解析得到场景要素，结合各场景要素的权重值得到第一待测场景集的第一场景危险度和第二待测场景集的第二场景危险度，进而确定待测功能的检测结果。本申请通过脑机接口待测功能的实景测试和对待测场景的危险度分析相结合，可以很准确地对智能车辆脑机接口预期功能进行评价，也为智能车辆脑机接口预期功能的评估提供了一种新思路。
进一步的，所述确定所述第一待测场景集的第一场景危险度，包括：解析所述第一待测场景集中各待测场景的组成元素得到所述各待测场景对应的场景要素，其中，在场景元素的层级关系上，所述场景要素包括结构要素、类别要素和键值要素；基于所述场景要素的权重值确定所述各待测场景的场景危险度，从而得到所述第一待测场景集的第一场景危险度。
进一步的，通过如下方式确定所述场景要素的权重值：通过层次分析法分别计算所述结构要素的第一权重值、所述类别要素的第一权重值和所述键值要素的第一权重值；通过熵值法分别计算所述结构要素的第二权重值、所述类别要素的第二权重值和所述键值要素的第二权重值；基于所述结构要素的第一权重值和所述结构要素的第二权重值确定所述结构要素的综合权重值，基于所述类别要素的第一权重值和所述类别要素的第二权重值确定所述类别要素的综合权重值，基于所述键值要素的第一权重值和所述键值要素的第二权重值确定所述键值要素的综合权重值，从而得到所述场景要素的综合权重值。
进一步的，所述结构要素的数量为多个；所述通过层次分析法分别计算所述结构要素的第一权重值，包括：确定待测场景中多个结构要素的重要性分值；基于所述重要性分值确定所述多个结构要素对应的标度矩阵；对所述标度矩阵进行归一化处理得到权重向量；对所述权重向量进行一致性检验得到检验结果；若所述检验结果为检验通过，则基于所述权重向量确定所述多个结构要素中各结构要素的第一权重值。
进一步的，所述对所述权重向量进行一致性检验得到检验结果，包括：确定所述权重向量的最大特征根；基于所述最大特征根计算所述权重向量的一致性比率；基于所述一致性比率和预设数值之间的大小关系确定所述一致性检验的验结果。
进一步的，所述通过熵值法分别计算所述结构要素的第二权重值，包括：确定所述各结构要素在所述多个待测场景中的出现概率；基于所述出现概率确定所述各结构要素在所述待测场景中的出现熵值；基于所述出现熵值确定所述各结构要素的权重熵值；基于所述权重熵值确定所述各结构要素的第二权重值。
进一步的，所述解析所述第一待测场景集中各待测场景的组成元素得到所述各待测场景对应的场景要素，包括：对每个待测场景在结构层上进行元素分割得到结构要素；对所述结构要素在类别层上进行元素分割得到所述结构要素下的类别要素；对所述类别要素在元素层上进行元素分割得到所述类别要素下的键值要素，从而得到所述各待测场景对应的场景要素。
第二方面，本申请提供了一种脑机接口的功能检测装置，该装置包括：
待测场景确定模块，用于基于所述脑机接口的待测功能确定对应的多个待测场景；
待测场景分类模块，用于在所述多个待测场景中对所述待测功能进行实景测试得到测试结果，基于测试结果将所述多个待测场景分为测试通过的第一待测场景集和测试不通过的第二待测场景集；
场景危险度确定模块，用于确定所述第一待测场景集的第一场景危险度，确定所述第二待测场景集的第二场景危险度；
检测结果确定模块，用于基于所述第一场景危险度和所述第二场景危险度确定所述待测功能的检测结果。
第三方面，本申请提供了一种电子设备，该电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任意实施例所述的脑机接口的功能检测方法。
第四方面，本申请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存储有计算机指令，所述计算机指令用于使处理器执行时实现本申请任意实施例所述的脑机接口的功能检测方法。
需要说明的是，上述计算机指令可以全部或者部分存储在计算机可读存储介质上。其中，计算机可读存储介质可以与脑机接口的功能检测装置的处理器封装在一起，也可以与脑机接口的功能检测装置的处理器单独封装，本申请对此不做限定。
本申请中第二方面、第三方面以及第四方面的描述，可以参考第一方面的详细描述；并且，第二方面、第三方面以及第四方面的描述的有益效果，可以参考第一方面的有益效果分析，此处不再赘述。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其他特征将通过以下的说明书而变得容易理解。
可以理解的是，在使用本申请各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本申请所涉及个人信息的类型、使用范围以及使用场景等告知用户并获得用户的授权。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本申请实施例提供的一种脑机接口的功能检测方法的第一流程示意图；
图2为本申请实施例提供的一种脑机接口的功能检测方法的第二流程示意图；
图3为本申请实施例提供的一种脑机接口的功能检测装置的结构示意图；
图4是用来实现本申请实施例的一种脑机接口的功能检测方法的电子设备的框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”“第二”“目标”以及“原始”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够实施除了在这里图示或描述之外的顺序。此外，术语“包括”“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本申请实施例提供的一种脑机接口的功能检测方法的第一流程示意图，本实施例可适用于对智能车辆脑机接口预期功能进行评价的情况。本实施例提供的一种脑机接口的功能检测方法可以由本申请实施例提供的脑机接口的功能检测装置来执行，该装置可以通过软件和/或硬件的方式实现，并集成在执行本方法的电子设备中。本实施例以智能车辆上配置脑机接口为基础，介绍智能车辆脑机接口的功能检测方法。
参见图1，本实施例的方法包括但不限于如下步骤：
S110、基于脑机接口的待测功能确定对应的多个待测场景。
其中，脑机接口是一种在脑与智能车辆之间建立直接的通信渠道，利用脑电信号将神经活动解码为命令的技术。待测功能是指脑机接口所具备的全部功能中的一种或多种。待测场景是指对脑机接口进行检测的应用场景。
在本申请实施例中，基于待测功能对应的参数配置智能车辆的脑机接口，以得到具备待测功能的脑机接口；再确定对该待测功能进行检测的多个应用场景，作为待测场景。可选的，可以根据场景配置软件生成待测场景的虚拟测试场景。
S120、在多个待测场景中对待测功能进行实景测试得到测试结果，基于测试结果将多个待测场景分为测试通过的第一待测场景集和测试不通过的第二待测场景集。
在本申请实施例中，经上述步骤S110确定出待测功能对应的多个待测场景之后，逐个在各待测场景中对智能车辆的自动驾驶应对能力进行实景测试，得到待测功能的测试结果。其中，测试结果包括能通过某个待测场景的测试（即测试通过）和不能通过某个待测场景的测试（即测试不通过）。
根据某个待测场景对应的测试结果可以确定出智能车辆在该待测场景中的自动驾驶应对能力，再根据自动驾驶应对能力的高低将该待测场景归为第一待测场景集或者第二待测场景集。
示例性的，当A待测场景对应的测试结果为测试通过，表明智能车辆在A待测场景中的自动驾驶应对能力很好，将A待测场景归为第一待测场景集。
S130、确定第一待测场景集的第一场景危险度，确定第二待测场景集的第二场景危险度。
在本申请实施例中，虽然第一待测场景集为测试通过的待测场景集合，但是也会存在测试不通过（即智能车辆发生事故）的概率，因而需要确定第一待测场景集中待测场景测试不通过的概率，即第一场景危险度。同理，需要确定第二待测场景集中待测场景测试不通过的概率，即第二场景危险度。
进一步的，确定第一待测场景集的第一场景危险度，包括：解析第一待测场景集中各待测场景的组成元素得到各待测场景对应的场景要素；基于场景要素的权重值确定各待测场景的场景危险度，从而得到第一待测场景集的第一场景危险度。其中，在场景元素的层级关系上，场景要素包括结构要素、类别要素和键值要素。
具体的，解析第一待测场景集中各待测场景的组成元素得到各待测场景对应的场景要素，包括：对每个待测场景在结构层上进行元素分割得到结构要素；对结构要素在类别层上进行元素分割得到结构要素下的类别要素；对类别要素在元素层上进行元素分割得到类别要素下的键值要素，从而得到各待测场景对应的场景要素。
在本申请实施例中，对第一待测场景集中各待测场景进行层次划分，其至少包括四层：目标层、结构层、类别层和元素层，各层次依次递进，各层次对于场景划分的细化程度依次递增。
第一层为目标层，在本实施例中以智能车辆脑机接口预期功能的待测场景为目标层。
第二层为结构层，在目标层的基础上对每个待测场景在结构层次上进行元素分割得到结构要素。结构要素由至少一种要素组成。示例性的，结构要素至少包括五个层面：道路层面、交通设施层面、其他设施层面、交通参与者层面以及气候环境层面；其中，道路层面对场景中道路情况进行描述，交通设施层面对基础道路设施进行定义，其他设施层面涵盖除交通设施外所有实际存在建筑设施，交通参与者层面中包括所有除主车外场景中的动态参与者，气候环境层面对场景天气等环境特征进行描述。
第三层为类别层，在结构层的基础上在类别层上进行细化得到结构要素下的类别要素。类别要素由至少一种要素组成。示例性的，可以将道路层面至少细化为路面类型、路面情况、道路等级及路口情况，交通设施层面进一步至少通过无交通设施、信号灯、道路标线与交通标志牌进行描述，将其他设施层面至少分割为无其他设施、周边设施及道路障碍，气候环境层面至少包括天气情况与光照强度。
第四层为元素层，在类别层的基础上在元素层上进行细化得到类别要素下的键值要素，键值要素是场景元素划分中最细致的层面。键值要素由至少一种要素组成。示例性的，其具体到场景中的实际情况、设施，路面类型至少包括沥青路面、水泥混凝土路面、砌块路面等，路面情况至少包括平整路面、泥泞路面、非结构化路面等，道路等级包括快速路、主干路、次干路与支路，路口情况至少包括直行道路、单向转弯路口、十字路口等，信号灯至少包括机动车道信号灯、非机动车道信号灯、斑马线处信号灯等，道路标线包括指示标线、警告标线与禁止标线，交通标志牌至少包括禁止标志、警告标志、限速标志等，周边设施至少包括写字楼、公交站、加油站等，道路障碍至少包括减速带、施工遮挡、小型路障等，车辆至少包括非机动两轮车、小型轿车、货运卡车等，人类至少包括坐轮椅者、高大身材者、矮小身材者等，动物至少包括爬行动物、小型宠物、常见鸟类等，天气情况至少包括晴天、雨天、雪天等，光照强度至少包括较弱、适中、刺眼等。
在本申请实施例中，在确定出待测场景对应的场景要素之后，基于预先配置的场景要素权重表，分别确定结构要素的权重值、类别要素的权重值和键值要素的权重值。基于待测场景中结构层中各结构要素所占权重、对应类别层中各类别要素所占权重，以及对应元素层中各键值要素所占权重，计算出待测场景对应的场景危险度。基于同样方法，可以得到第一待测场景集中各待测场景的场景危险度，从而可以得到第一待测场景集的第一场景危险度。
需要说明的是，第二待测场景集的第二场景危险度的确定过程和第一待测场景集的第一场景危险度的确定过程一样，在此不做赘述。
S140、基于第一场景危险度和第二场景危险度确定待测功能的检测结果。
在本申请实施例中，经上述步骤S130确定出第一待测场景集的第一场景危险度和第二待测场景集的第二场景危险度之后，可以绘制第一场景危险度对应的区间和第二场景危险度对应的区间的分布图，从分布图中确定出两个区间的临界值，该临界值可以表示智能车辆脑机接口待测功能可应对场景的最大危险度，以此作为该智能车辆脑机接口待测功能评价数据，即待测功能的检测结果。
本实施例提供的技术方案，基于脑机接口的待测功能确定对应的多个待测场景；在多个待测场景中对待测功能进行实景测试得到测试结果，基于测试结果将多个待测场景分为测试通过的第一待测场景集和测试不通过的第二待测场景集；确定第一待测场景集的第一场景危险度，确定第二待测场景集的第二场景危险度；基于第一场景危险度和第二场景危险度确定待测功能的检测结果。本申请通过对脑机接口待测功能进行实景测试，从而将待测场景进行分类得到第一待测场景集和第二待测场景集，再通过对待测场景进行解析得到场景要素，结合各场景要素的权重值得到第一待测场景集的第一场景危险度和第二待测场景集的第二场景危险度，进而确定待测功能的检测结果。本申请通过脑机接口待测功能的实景测试和对待测场景的危险度分析相结合，可以很准确地对智能车辆脑机接口预期功能进行评价，也为智能车辆脑机接口预期功能的评估提供了一种新思路。
下面进一步描述本申请实施例提供的脑机接口的功能检测方法，图2为本申请实施例提供的一种脑机接口的功能检测方法的第二流程示意图。本申请实施例是在上述实施例的基础上进行优化，具体优化为：本实施例对场景要素权重值的确定过程（即图1对应实施例中提及的场景要素权重表）进行详细的解释说明。可选的，在场景元素的层级关系上，场景要素包括结构要素、类别要素和键值要素。
参见图2，本实施例的方法包括但不限于如下步骤：
S210、通过层次分析法分别计算结构要素的第一权重值、类别要素的第一权重值和键值要素的第一权重值。
进一步的，结构要素的数量为多个；通过层次分析法分别计算结构要素的第一权重值，包括：首先，根据表1确定待测场景的结构层中各结构要素之间的相对重要程度，进而确定出各结构要素的重要性分值；基于重要性分值确定多个结构要素对应的标度矩阵，记为
，其中/>
为第i个结构要素相对与第j个结构要素的相对重要程度。如下表1所示为各结构要素间的相对重要程度赋值表：
表1 各结构要素间的相对重要程度赋值表
然后，对标度矩阵进行归一化处理得到权重向量。具体为：对标度矩阵按行计算得到
，即可形成中间向量/>
。再对中间向量E进行归一化处理得到/>
， 即可得到结构层的权重向量/>
，其中，i和j均为结构要素的索引号，n为结构要素的数量，/>
为索引号为i的结构要素对应的中间向量，/>
为索引号为i的结构要素对应的权重向量。
最后，对权重向量进行一致性检验得到检验结果，具体为：确定权重向量的最大特征根，记为
；基于最大特征根计算一致性指标，记为CI，计算公式为：/>
，n为结构要素的数量。同时，根据如下表2选取随机一致性指标，记为RI。根据一致性指标CI与随机一致性指标RI计算权重向量的一致性比率，记为CR，计算公式为：/>
。基于一致性比率和预设数值（如0.1）之间的大小关系确定一致性检验的验结果。若检验结果为检验通过，则基于权重向量确定多个结构要素中各结构要素的第一权重值。
假如一致性比率CR小于0.1，认为标度矩阵
的不一致程度在容许范围之内，通过一致性检验，可依次将权重向量/>
中各个元作为各结构要素的第一权重值；假如一致性比率CR不小于0.1，认为标度矩阵A的不一致程度不在容许范围之内，没有通过一致性检验，需要重新构造标度矩阵/>
，重新计算权重向量，直至通过一致性检验。
如下表2所示为随机一致性表，按图1对应实施例中所示例的待测场景的结构层中包括五个结构要素，故经查询表2选取n=5，RI=1.12。
表2 随机一致性表
需要说明的是，类别要素的第一权重值的确定过程、键值要素的第一权重值的确定过程和结构要素的第一权重值的确定过程一样，在此不做赘述。同样需要进行一致性检验方可作为后续计算数据。
S220、通过熵值法分别计算结构要素的第二权重值、类别要素的第二权重值和键值要素的第二权重值。
在上述步骤S210中，在层次分析法中对相对重要程度进行赋值时，是用户根据主观判断进行，故在本步骤中加入熵值法利用构建智能汽车脑机接口测试场景数据对各结构要素、类别要素、键值要素的权重进行客观判断，以减小主观性。
进一步的，通过熵值法分别计算结构要素的第二权重值，包括：首先，通过公式
计算各结构要素在多个待测场景中的出现概率。然后，基于出现概率/>
通过预设熵值计算公式确定各结构要素在待测场景中的出现熵值，记为/>
；基于出现熵值/>
通过公式/>
分别计算第i个结构要素的权重熵值，记为/>
，即可得到结构层的权重向量/>
；基于权重熵值可依次将权重向量/>
中各个元作为各结构要素的第二权重值。其中，/>
为结构层中结构要素i在目标层k的出现概率，/>
为结构层各结构要素在智能汽车脑机接口测试场景生成时已进行标准化的数据，m为目标层的数量，也就是待测场景的数量，n为结构要素的数量，i为结构要素的索引号，k为待测场景的索引号。
需要说明的是，类别要素的第二权重值的确定过程、键值要素的第二权重值的确定过程和结构要素的第二权重值的确定过程一样，在此不做赘述。
S230、基于结构要素的第一权重值和结构要素的第二权重值确定结构要素的综合权重值，基于类别要素的第一权重值和类别要素的第二权重值确定类别要素的综合权重值，基于键值要素的第一权重值和键值要素的第二权重值确定键值要素的综合权重值，从而得到场景要素的综合权重值。
在本申请实施例中，基于层次分析法计算出各层级要素的第一权重值
，基于熵值法出各层级要素的第二权重值/>
。再通过公式/>
计算各层级要素的综合权重。基于此，便可以得到结构要素的综合权重值、类别要素的综合权重值和键值要素的综合权重值。其中，n为结构要素的数量，i为结构要素的索引号。
本实施例提供的技术方案，通过层次分析法分别计算结构要素的第一权重值、类别要素的第一权重值和键值要素的第一权重值；通过熵值法分别计算结构要素的第二权重值、类别要素的第二权重值和键值要素的第二权重值；基于结构要素的第一权重值和结构要素的第二权重值确定结构要素的综合权重值，基于类别要素的第一权重值和类别要素的第二权重值确定类别要素的综合权重值，基于键值要素的第一权重值和键值要素的第二权重值确定键值要素的综合权重值，从而得到场景要素的综合权重值。本申请利用层次分析法与熵值法结合的主客观融合方法确定场景要素的综合权重，进而利用综合权重计算场景危险度。本申请通过脑机接口待测功能的实景测试和对待测场景的危险度分析相结合，可以很准确地对智能车辆脑机接口预期功能进行评价，也为智能车辆脑机接口预期功能的评估提供了一种新思路。
图3为本申请实施例提供的一种脑机接口的功能检测装置的结构示意图，如图3所示，该装置300可以包括：
待测场景确定模块310，用于基于所述脑机接口的待测功能确定对应的多个待测场景；
待测场景分类模块320，用于在所述多个待测场景中对所述待测功能进行实景测试得到测试结果，基于测试结果将所述多个待测场景分为测试通过的第一待测场景集和测试不通过的第二待测场景集；
场景危险度确定模块330，用于确定所述第一待测场景集的第一场景危险度，确定所述第二待测场景集的第二场景危险度；
检测结果确定模块340，用于基于所述第一场景危险度和所述第二场景危险度确定所述待测功能的检测结果。
进一步的，上述场景危险度确定模块330，可以具体用于：解析所述第一待测场景集中各待测场景的组成元素得到所述各待测场景对应的场景要素，其中，在场景元素的层级关系上，所述场景要素包括结构要素、类别要素和键值要素；基于所述场景要素的权重值确定所述各待测场景的场景危险度，从而得到所述第一待测场景集的第一场景危险度。
进一步的，上述脑机接口的功能检测装置，还可以包括：权重值确定模块；
所述权重值确定模块，用于通过层次分析法分别计算所述结构要素的第一权重值、所述类别要素的第一权重值和所述键值要素的第一权重值；通过熵值法分别计算所述结构要素的第二权重值、所述类别要素的第二权重值和所述键值要素的第二权重值；基于所述结构要素的第一权重值和所述结构要素的第二权重值确定所述结构要素的综合权重值，基于所述类别要素的第一权重值和所述类别要素的第二权重值确定所述类别要素的综合权重值，基于所述键值要素的第一权重值和所述键值要素的第二权重值确定所述键值要素的综合权重值，从而得到所述场景要素的综合权重值。
可选的，所述结构要素的数量为多个；
进一步的，上述权重值确定模块，可以具体用于：确定待测场景中多个结构要素的重要性分值；基于所述重要性分值确定所述多个结构要素对应的标度矩阵；对所述标度矩阵进行归一化处理得到权重向量；对所述权重向量进行一致性检验得到检验结果；若所述检验结果为检验通过，则基于所述权重向量确定所述多个结构要素中各结构要素的第一权重值。
进一步的，上述权重值确定模块，还可以具体用于：确定所述权重向量的最大特征根；基于所述最大特征根计算所述权重向量的一致性比率；基于所述一致性比率和预设数值之间的大小关系确定所述一致性检验的验结果。
进一步的，上述权重值确定模块，还可以具体用于：确定所述各结构要素在所述多个待测场景中的出现概率；基于所述出现概率确定所述各结构要素在所述待测场景中的出现熵值；基于所述出现熵值确定所述各结构要素的权重熵值；基于所述权重熵值确定所述各结构要素的第二权重值。
进一步的，上述场景危险度确定模块330，可以具体用于：对每个待测场景在结构层上进行元素分割得到结构要素；对所述结构要素在类别层上进行元素分割得到所述结构要素下的类别要素；对所述类别要素在元素层上进行元素分割得到所述类别要素下的键值要素，从而得到所述各待测场景对应的场景要素。
本实施例提供的脑机接口的功能检测装置可适用于上述任意实施例提供的脑机接口的功能检测方法，具备相应的功能和有益效果。
图4是用来实现本申请实施例的一种脑机接口的功能检测方法的电子设备的框图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）和其它类似的计算装置。本文所示的部件、它们的连接和关系以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器（ROM）12、随机访问存储器（RAM）13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器（ROM）12中的计算机程序或者从存储单元18加载到随机访问存储器（RAM）13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出（I/O）接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如脑机接口的功能检测方法。
在一些实施例中，脑机接口的功能检测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的脑机接口的功能检测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行脑机接口的功能检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置和该至少一个输出装置。
用于实施本申请的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）或者包括中间件部件的计算系统（例如，应用服务器）或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）或者包括这种后台部件、中间件部件或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。例如，本领域技术人员可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤；可以并行地执行、顺序地执行或者不同的次序执行本申请中记载的各步骤，只要能够实现本申请的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (10)
1.一种脑机接口的功能检测方法，其特征在于，所述方法包括：
基于所述脑机接口的待测功能确定对应的多个待测场景；
在所述多个待测场景中对所述待测功能进行实景测试得到测试结果，基于测试结果将所述多个待测场景分为测试通过的第一待测场景集和测试不通过的第二待测场景集；
确定所述第一待测场景集的第一场景危险度，确定所述第二待测场景集的第二场景危险度；
基于所述第一场景危险度和所述第二场景危险度确定所述待测功能的检测结果。
2.根据权利要求1所述的脑机接口的功能检测方法，其特征在于，所述确定所述第一待测场景集的第一场景危险度，包括：
解析所述第一待测场景集中各待测场景的组成元素得到所述各待测场景对应的场景要素，其中，在场景元素的层级关系上，所述场景要素包括结构要素、类别要素和键值要素；
基于所述场景要素的权重值确定所述各待测场景的场景危险度，从而得到所述第一待测场景集的第一场景危险度。
3.根据权利要求2所述的脑机接口的功能检测方法，其特征在于，通过如下方式确定所述场景要素的权重值：
通过层次分析法分别计算所述结构要素的第一权重值、所述类别要素的第一权重值和所述键值要素的第一权重值；
通过熵值法分别计算所述结构要素的第二权重值、所述类别要素的第二权重值和所述键值要素的第二权重值；
基于所述结构要素的第一权重值和所述结构要素的第二权重值确定所述结构要素的综合权重值，基于所述类别要素的第一权重值和所述类别要素的第二权重值确定所述类别要素的综合权重值，基于所述键值要素的第一权重值和所述键值要素的第二权重值确定所述键值要素的综合权重值，从而得到所述场景要素的综合权重值。
4.根据权利要求3所述的脑机接口的功能检测方法，其特征在于，所述结构要素的数量为多个；所述通过层次分析法分别计算所述结构要素的第一权重值，包括：
确定待测场景中多个结构要素的重要性分值；
基于所述重要性分值确定所述多个结构要素对应的标度矩阵；
对所述标度矩阵进行归一化处理得到权重向量；
对所述权重向量进行一致性检验得到检验结果；
若所述检验结果为检验通过，则基于所述权重向量确定所述多个结构要素中各结构要素的第一权重值。
5.根据权利要求4所述的脑机接口的功能检测方法，其特征在于，所述对所述权重向量进行一致性检验得到检验结果，包括：
确定所述权重向量的最大特征根；
基于所述最大特征根计算所述权重向量的一致性比率；
基于所述一致性比率和预设数值之间的大小关系确定所述一致性检验的验结果。
6.根据权利要求4所述的脑机接口的功能检测方法，其特征在于，所述通过熵值法分别计算所述结构要素的第二权重值，包括：
确定所述各结构要素在所述多个待测场景中的出现概率；
基于所述出现概率确定所述各结构要素在所述待测场景中的出现熵值；
基于所述出现熵值确定所述各结构要素的权重熵值；
基于所述权重熵值确定所述各结构要素的第二权重值。
7.根据权利要求2所述的脑机接口的功能检测方法，其特征在于，所述解析所述第一待测场景集中各待测场景的组成元素得到所述各待测场景对应的场景要素，包括：
对每个待测场景在结构层上进行元素分割得到结构要素；
对所述结构要素在类别层上进行元素分割得到所述结构要素下的类别要素；
对所述类别要素在元素层上进行元素分割得到所述类别要素下的键值要素，从而得到所述各待测场景对应的场景要素。
8.一种脑机接口的功能检测装置，其特征在于，所述装置包括：
待测场景确定模块，用于基于所述脑机接口的待测功能确定对应的多个待测场景；
待测场景分类模块，用于在所述多个待测场景中对所述待测功能进行实景测试得到测试结果，基于测试结果将所述多个待测场景分为测试通过的第一待测场景集和测试不通过的第二待测场景集；
场景危险度确定模块，用于确定所述第一待测场景集的第一场景危险度，确定所述第二待测场景集的第二场景危险度；
检测结果确定模块，用于基于所述第一场景危险度和所述第二场景危险度确定所述待测功能的检测结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7中任一所述的脑机接口的功能检测方法。
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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1至7中任一所述的脑机接口的功能检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310602061.4A CN116401111B (zh) | 2023-05-26 | 2023-05-26 | 脑机接口的功能检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310602061.4A CN116401111B (zh) | 2023-05-26 | 2023-05-26 | 脑机接口的功能检测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116401111A true CN116401111A (zh) | 2023-07-07 |
| CN116401111B CN116401111B (zh) | 2023-09-05 |
Family
ID=87010762
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310602061.4A Active CN116401111B (zh) | 2023-05-26 | 2023-05-26 | 脑机接口的功能检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116401111B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170024500A1 (en) * | 2015-07-21 | 2017-01-26 | Tata Elxsi Limited | System and method for enhanced emulation of connected vehicle applications |
| CN107169289A (zh) * | 2017-05-19 | 2017-09-15 | 西安工程大学 | 一种基于可拓最优组合赋权法的滑坡危险性评价方法 |
| CN111580500A (zh) * | 2020-05-11 | 2020-08-25 | 吉林大学 | 一种针对自动驾驶汽车安全性的评价方法 |
| US20210078590A1 (en) * | 2019-09-12 | 2021-03-18 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method for constructing test scenario library, electronic device and medium |
| WO2021073083A1 (zh) * | 2019-10-15 | 2021-04-22 | 南京莱斯网信技术研究院有限公司 | 一种基于节点负载的数据动态分区系统 |
| CN113109055A (zh) * | 2020-01-10 | 2021-07-13 | 上海汽车集团股份有限公司 | 测试场景等级计算方法、装置及计算机存储介质 |
| CN113326210A (zh) * | 2021-08-03 | 2021-08-31 | 北京赛目科技有限公司 | 一种自动驾驶测试场景的确定方法及装置 |
| CN113377662A (zh) * | 2021-06-24 | 2021-09-10 | 吉林大学 | 一种基于势场法和信息熵的自动驾驶安全性评价方法 |
| CN113989768A (zh) * | 2021-09-29 | 2022-01-28 | 中智行(上海)交通科技有限公司 | 一种自动驾驶测试场景分析方法及系统 |
| CN113987751A (zh) * | 2021-09-27 | 2022-01-28 | 蜂巢智能转向系统(江苏)有限公司保定分公司 | 一种方案筛选方法、装置、电子设备及存储介质 |
| CN114896166A (zh) * | 2022-06-08 | 2022-08-12 | 中国第一汽车股份有限公司 | 场景库构建方法、装置、电子设备及存储介质 |
| CN114896325A (zh) * | 2022-05-26 | 2022-08-12 | 东风汽车集团股份有限公司 | 一种用于预期功能安全的场景测试评价方法与系统 |
| CN115140075A (zh) * | 2022-07-07 | 2022-10-04 | 重庆长安汽车股份有限公司 | 车辆预期功能安全的量化评估方法、装置、设备及介质 |
| CN115376324A (zh) * | 2022-10-24 | 2022-11-22 | 中国汽车技术研究中心有限公司 | 车辆场景复杂度确定方法 |
| CN115454861A (zh) * | 2022-09-19 | 2022-12-09 | 北京百度网讯科技有限公司 | 自动驾驶仿真场景构建方法和装置 |
| US20220412843A1 (en) * | 2021-11-24 | 2022-12-29 | Jilin University | Automatic driving acceleration test method considering efficiency and coverage |
| CN115544888A (zh) * | 2022-10-17 | 2022-12-30 | 吉林大学 | 一种基于物理机理与机器学习混杂理论的动态场景边界评估方法 |
| CN115563020A (zh) * | 2022-12-05 | 2023-01-03 | 深圳慧拓无限科技有限公司 | 危险测试场景的生成方法及系统、电子设备、存储介质 |
-
2023
- 2023-05-26 CN CN202310602061.4A patent/CN116401111B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170024500A1 (en) * | 2015-07-21 | 2017-01-26 | Tata Elxsi Limited | System and method for enhanced emulation of connected vehicle applications |
| CN107169289A (zh) * | 2017-05-19 | 2017-09-15 | 西安工程大学 | 一种基于可拓最优组合赋权法的滑坡危险性评价方法 |
| US20210078590A1 (en) * | 2019-09-12 | 2021-03-18 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method for constructing test scenario library, electronic device and medium |
| WO2021073083A1 (zh) * | 2019-10-15 | 2021-04-22 | 南京莱斯网信技术研究院有限公司 | 一种基于节点负载的数据动态分区系统 |
| CN113109055A (zh) * | 2020-01-10 | 2021-07-13 | 上海汽车集团股份有限公司 | 测试场景等级计算方法、装置及计算机存储介质 |
| CN111580500A (zh) * | 2020-05-11 | 2020-08-25 | 吉林大学 | 一种针对自动驾驶汽车安全性的评价方法 |
| CN113377662A (zh) * | 2021-06-24 | 2021-09-10 | 吉林大学 | 一种基于势场法和信息熵的自动驾驶安全性评价方法 |
| CN113326210A (zh) * | 2021-08-03 | 2021-08-31 | 北京赛目科技有限公司 | 一种自动驾驶测试场景的确定方法及装置 |
| CN113987751A (zh) * | 2021-09-27 | 2022-01-28 | 蜂巢智能转向系统(江苏)有限公司保定分公司 | 一种方案筛选方法、装置、电子设备及存储介质 |
| CN113989768A (zh) * | 2021-09-29 | 2022-01-28 | 中智行(上海)交通科技有限公司 | 一种自动驾驶测试场景分析方法及系统 |
| US20220412843A1 (en) * | 2021-11-24 | 2022-12-29 | Jilin University | Automatic driving acceleration test method considering efficiency and coverage |
| CN114896325A (zh) * | 2022-05-26 | 2022-08-12 | 东风汽车集团股份有限公司 | 一种用于预期功能安全的场景测试评价方法与系统 |
| CN114896166A (zh) * | 2022-06-08 | 2022-08-12 | 中国第一汽车股份有限公司 | 场景库构建方法、装置、电子设备及存储介质 |
| CN115140075A (zh) * | 2022-07-07 | 2022-10-04 | 重庆长安汽车股份有限公司 | 车辆预期功能安全的量化评估方法、装置、设备及介质 |
| CN115454861A (zh) * | 2022-09-19 | 2022-12-09 | 北京百度网讯科技有限公司 | 自动驾驶仿真场景构建方法和装置 |
| CN115544888A (zh) * | 2022-10-17 | 2022-12-30 | 吉林大学 | 一种基于物理机理与机器学习混杂理论的动态场景边界评估方法 |
| CN115376324A (zh) * | 2022-10-24 | 2022-11-22 | 中国汽车技术研究中心有限公司 | 车辆场景复杂度确定方法 |
| CN115563020A (zh) * | 2022-12-05 | 2023-01-03 | 深圳慧拓无限科技有限公司 | 危险测试场景的生成方法及系统、电子设备、存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| YILIN YAN ET AL.: "Danger Degree Evaluation Method of Crossroad Scenario Based on Naturalistic Driving Analysis", 《2018 21ST INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC)》, pages 1435 - 1440 * |
| 修海林: "有条件自动驾驶汽车测试与综合评价研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 10, pages 5 * |
| 陈廖天歌: "汽车自适应巡航控制测试评价方法研究", 《中国优秀硕士学位论文全文数据库 信息科技II辑》, no. 01, pages 4 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116401111B (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113408141B (zh) | 一种自动驾驶测试方法、装置及电子设备 | |
| CN110579359B (zh) | 自动驾驶失效场景库的优化方法及系统、服务器及介质 | |
| CN110304068B (zh) | 汽车行驶环境信息的采集方法、装置、设备和存储介质 | |
| CN112540365B (zh) | 一种评估方法、装置、设备及存储介质 | |
| CN112579464A (zh) | 自动驾驶算法的校验方法、装置、设备以及存储介质 | |
| CN112559371B (zh) | 一种自动驾驶测试方法、装置及电子设备 | |
| CN113423063A (zh) | 基于车载t-box的车辆监控方法、装置、车辆及介质 | |
| CN115129594A (zh) | 测试场景处理方法、装置、电子设备和存储介质 | |
| CN111696347B (zh) | 一种自动化分析交通事件信息的方法和装置 | |
| CN116401111B (zh) | 脑机接口的功能检测方法、装置、电子设备及存储介质 | |
| CN111931650A (zh) | 目标检测模型构建及闯红灯追责方法、系统、终端及介质 | |
| CN113177497A (zh) | 视觉模型的训练方法、车辆识别方法及装置 | |
| CN117129527A (zh) | 一种城市道路铺设质量检测方法及系统 | |
| Anagnostopoulos et al. | Predicting Roundabout Lane Capacity using Artificial Neural Networks. | |
| CN114973656A (zh) | 交通交互性能的评估方法、装置、设备、介质和产品 | |
| CN115248993A (zh) | 一种仿真场景模型真实性检测方法、装置及存储介质 | |
| CN114066288A (zh) | 一种基于智慧数据中心的营运道路应急检测方法及系统 | |
| CN113902999A (zh) | 一种跟踪方法、装置、设备及介质 | |
| CN116358902B (zh) | 一种车辆功能的测试方法、装置、电子设备及存储介质 | |
| CN117894181B (zh) | 一种全域通行异常状况集成监测方法及系统 | |
| CN114755035B (zh) | 一种基于车载终端的智能驾驶多维度测试方法 | |
| CN115985124B (zh) | 车辆行驶的控制方法、装置、存储介质及电子装置 | |
| CN116403403B (zh) | 一种基于大数据分析的交通预警方法、系统、设备及介质 | |
| CN116957344B (zh) | 自动紧急制动系统的安全性评价方法、装置、设备及介质 | |
| CN117808349A (zh) | 一种v2x场景下乘客满意度的影响因素识别方法及装置 |
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 |