CN116597690A - 智能网联汽车的高速公路测试场景生成方法、设备及介质 - Google Patents
智能网联汽车的高速公路测试场景生成方法、设备及介质 Download PDFInfo
- Publication number
- CN116597690A CN116597690A CN202310875401.0A CN202310875401A CN116597690A CN 116597690 A CN116597690 A CN 116597690A CN 202310875401 A CN202310875401 A CN 202310875401A CN 116597690 A CN116597690 A CN 116597690A
- Authority
- CN
- China
- Prior art keywords
- scene
- intelligent network
- determining
- obstacle
- test
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 230000008878 coupling Effects 0.000 claims abstract description 21
- 238000010168 coupling process Methods 0.000 claims abstract description 21
- 238000005859 coupling reaction Methods 0.000 claims abstract description 21
- 230000003068 static effect Effects 0.000 claims description 24
- 230000000694 effects Effects 0.000 claims description 20
- 230000033001 locomotion Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 241001465754 Metazoa Species 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010998 test method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000018185 Betula X alpestris Nutrition 0.000 description 1
- 235000018212 Betula X uliginosa Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
-
- 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
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
- G08G1/096827—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route where the route is computed onboard
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Analytical Chemistry (AREA)
- Radar, Positioning & Navigation (AREA)
- Chemical & Material Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了智能网联汽车的高速公路测试场景生成方法、设备及介质,涉及交通控制技术领域。其中,方法包括:确定智能网联汽车对应的多个测试场景需求,根据多个测试场景需求,对用于测试智能网联汽车的基本场景要素进行重组,以构建多个测试场景需求分别对应的场景要素层;对场景要素层进行耦合,构建得到智能网联汽车对应的功能场景;对功能场景进行逻辑化,以通过逻辑化后的功能场景,生成智能网联汽车对应的高速公路测试场景;获取智能网联汽车所在的当前监测路段对应的障碍物数据,并确定相应的障碍物类型;针对各障碍物的障碍物类型,确定障碍物的位置或移动路径,并根据位置或移动路径,确定智能网联汽车在当前监测路段的行进策略。
Description
技术领域
本申请涉及交通控制技术领域,具体涉及智能网联汽车的高速公路测试场景生成方法、设备及介质。
背景技术
智能网联汽车是搭载先进的车载传感器、控制器、执行器等装置,并融合现代通信与网络技术,实现V2X智能信息交换共享,具备复杂的环境感知、智能决策、协同控制和执行等功能,可实现安全、舒适、节能、高效行驶,并最终可替代人来操作的新一代汽车。智能网联汽车需要在真实或者虚拟环境中至少进行110亿英里的里程测试,才能证明自动驾驶系统比人类驾驶员更可靠。
然而,基于里程的测试方法具有测试周期长、效率低、成本高等弊端,自动驾驶汽车要商业化落地,单纯依靠基于里程的测试方法显然是不够的,还需要对车辆的驾驶性能进行测试,以最大限度保证智能网联车辆的安全性。因此,基于场景的仿真测试方法也随之出现并得到了广泛应用。高速公路作为高速公路场景作为智能网联汽车仿真测试的重要场景,其具有车辆运行速度快、事故易发等独有的特色,但是现有的智能网联汽车测试场景生成方法并未考虑智能网联车辆在高速公路这一场景下的性能测试。
发明内容
为了解决上述问题,本申请提出了智能网联汽车的高速公路测试场景生成方法,包括:
确定智能网联汽车对应的多个测试场景需求,根据所述多个测试场景需求,对用于测试所述智能网联汽车的基本场景要素进行重组,以构建所述多个测试场景需求分别对应的场景要素层;其中,每个场景要素层由至少一种类型的基本场景要素构成,所述基本场景要素是通过对场景数据进行特征提取所得到的;
对所述场景要素层进行耦合,构建得到所述智能网联汽车对应的功能场景;
对所述功能场景进行逻辑化,以通过逻辑化后的所述功能场景,生成所述智能网联汽车对应的高速公路测试场景;
基于所述高速公路测试场景,按照预设的时间间隔,获取所述智能网联汽车所在的当前监测路段对应的障碍物数据,并确定相应的障碍物类型;
针对各障碍物的障碍物类型,确定所述障碍物的位置或移动路径,并根据所述位置或移动路径,确定所述智能网联汽车在所述当前监测路段的行进策略。
在本申请的一种实现方式中,确定相应的障碍物类型,具体包括:
获取所述障碍物数据所在的当前帧数据,并对所述当前帧数据进行坐标转换,以确定所述障碍物在所述当前帧数据中对应的坐标;
针对相邻的当前帧数据,根据所述当前帧数据对应障碍物的坐标,确定所述障碍物的移动距离,并根据所述移动距离,确定所述障碍物的类型;其中,障碍物类型包括静止障碍物和移动障碍物。
在本申请的一种实现方式中,针对各障碍物的障碍物类型,确定所述障碍物的位置或移动路径,并根据所述位置或移动路径,确定所述智能网联汽车在所述当前监测路段的行进策略,具体包括:
在所述障碍物为静止障碍物的情况下,确定所述当前监测路段的路段标记信息;其中,所述路段标记信息至少包括车道线位置和路沿位置;
根据所述路段标记信息,确定所述静止障碍物是否在所述智能网联汽车的可行驶路径中;
若所述静止障碍物在所述可行驶路径中,确定所述静止障碍物对应的位置,并确定所述智能网联汽车的导航路径是否与所述静止障碍物对应的可行驶路径存在重合,以确定所述智能网联汽车在所述当前监测路段的行进策略;
在所述障碍物为移动障碍物的情况下,获取所述智能网联汽车的周边汽车的车辆信息,将所述车辆信息输入至预设的路径预测模型中,预测未来所述周边汽车的行驶路径;
确定所述行驶路径和所述智能网联汽车的导航路径之间相交的碰撞位置,根据所述碰撞位置,确定所述智能网联汽车在所述当前监测路段的行进策略。
在本申请的一种实现方式中,确定智能网联汽车对应的多个测试场景需求之前,所述方法还包括:
获取所需的场景数据,对所述场景数据进行场景理解,并对所述场景数据进行特征识别,以识别出用于测试智能网联汽车的场景对象要素以及除所述场景对象要素之外的场景环境要素;
确定所述场景对象要素中的场景主体和场景参与者,并确定所述场景环境要素对于所述场景主体能够产生的影响效应,根据所述影响效应,识别出所述用于测试智能网联汽车的主体环境要素和气象环境要素;
从所述场景数据中,依次提取与所述场景主体相匹配的测试车辆要素、与所述场景参与者相匹配的交通参与者要素、所述主体环境要素以及所述气象环境要素,以得到用于测试智能网联车辆的基本场景要素。
在本申请的一种实现方式中,确定所述场景环境要素对于所述场景主体能够产生的影响效应,根据所述影响效应,识别出所述用于测试智能网联汽车的主体环境要素和气象环境要素,具体包括:
针对每个场景环境要素,确定所述场景环境要素是否能够对所述场景主体产生直接影响效应;
若是,则确定所述场景环境要素为用于测试智能网联汽车的主体环境因素,并确定所述主体环境要素对应的要素状态,以根据所述要素状态,将所述主体环境要素划分为静态主体环境要素和动态主体环境要素;其中,所述要素状态包括静止状态和运动状态;
若否,则确定所述场景环境要素为气象环境要素。
在本申请的一种实现方式中,对所述场景要素层进行耦合,构建得到所述智能网联汽车对应的功能场景,具体包括:
确定所述场景要素层之间的层级依赖关系,根据所述层级依赖关系,确定所述场景要素层之间的耦合顺序;
按照所述耦合顺序,依次对所述场景要素层进行耦合,以构建得到所述智能网联汽车对应的功能场景。
在本申请的一种实现方式中,对所述功能场景进行逻辑化,具体包括:
确定所述功能场景包含的多个实体以及所述多个实体之间的关系;其中,所述实体包括所述场景要素层和所述基本场景要素;
根据所述多个实体之间的关系,构建用于描述所述关系的状态空间,以实现对所述功能场景的逻辑化,得到对应的逻辑场景。
在本申请的一种实现方式中,通过逻辑化后的所述功能场景,生成所述智能网联汽车对应的高速公路测试场景,具体包括:
基于预设规则,确定所述状态空间对应的状态参数范围;
从所述状态参数范围中选取指定参数值,并根据所述指定参数值,对所述逻辑场景中的各实体进行赋值,以生成所述智能网联汽车对应的高速公路测试场景。
本申请实施例提供了智能网联汽车的高速公路测试场景生成设备,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指令,所述指令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:
确定智能网联汽车对应的多个测试场景需求,根据所述多个测试场景需求,对用于测试所述智能网联汽车的基本场景要素进行重组,以构建所述多个测试场景需求分别对应的场景要素层;其中,每个场景要素层由至少一种类型的基本场景要素构成,所述基本场景要素是通过对场景数据进行特征提取所得到的;
对所述场景要素层进行耦合,构建得到所述智能网联汽车对应的功能场景;
对所述功能场景进行逻辑化,以通过逻辑化后的所述功能场景,生成所述智能网联汽车对应的高速公路测试场景;
基于所述高速公路测试场景,按照预设的时间间隔,获取所述智能网联汽车所在的当前监测路段对应的障碍物数据,并确定相应的障碍物类型;
针对各障碍物的障碍物类型,确定所述障碍物的位置或移动路径,并根据所述位置或移动路径,确定所述智能网联汽车在所述当前监测路段的行进策略。
本申请实施例提供了一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
确定智能网联汽车对应的多个测试场景需求,根据所述多个测试场景需求,对用于测试所述智能网联汽车的基本场景要素进行重组,以构建所述多个测试场景需求分别对应的场景要素层;其中,每个场景要素层由至少一种类型的基本场景要素构成,所述基本场景要素是通过对场景数据进行特征提取所得到的;
对所述场景要素层进行耦合,构建得到所述智能网联汽车对应的功能场景;
对所述功能场景进行逻辑化,以通过逻辑化后的所述功能场景,生成所述智能网联汽车对应的高速公路测试场景;
基于所述高速公路测试场景,按照预设的时间间隔,获取所述智能网联汽车所在的当前监测路段对应的障碍物数据,并确定相应的障碍物类型;
针对各障碍物的障碍物类型,确定所述障碍物的位置或移动路径,并根据所述位置或移动路径,确定所述智能网联汽车在所述当前监测路段的行进策略。
通过本申请提出的智能网联汽车的高速公路测试场景生成方法能够带来如下有益效果:
以高速公路环境为对象,对用于测试智能网联汽车的基础场景要素进行重组,通过重组后得到的各场景要素层,耦合形成高速公路环境下智能网联汽车仿真测试专用场景,可以提高智能网联汽车测试的针对性与专业度,有助于高速公路环境下仿真测试的高效进行。通过确定高速公路测试场景中障碍物的位置或移动路径,对智能网联汽车的行进策略进行调整,能够有效降低高速公路场景下事故发生的概率,提高车辆驾驶性能。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的一种智能网联汽车的高速公路测试场景生成方法的流程示意图;
图2为本申请实施例提供的另一种智能网联汽车的高速公路测试场景生成方法的流程示意图;
图3为本申请实施例提供的智能网联汽车的高速公路测试场景生成设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、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,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
如图1所示,本申请实施例提供的一种智能网联汽车的高速公路测试场景生成方法,包括:
101:确定智能网联汽车对应的多个测试场景需求,根据多个测试场景需求,对用于测试智能网联汽车的基本场景要素进行重组,以构建多个测试场景需求分别对应的场景要素层;其中,每个场景要素层由至少一种类型的基本场景要素构成,基本场景要素是通过对场景数据进行特征提取所得到的。
自动驾驶车辆在安全、可靠地投入市场运行前,需要经过大规模的交通场景测试验证,而交通场景的生成则需要充分的数据基础。场景数据作为高速公路测试场景构建的基础信息,主要包括事故视频相关标准、构建法规、文本规范以及从各方面采集场景构建所需要的基础数据信息,该基础数据信息主要包括道路基本信息(例如车道宽度等)、交通设施(道路辅助设施、交通标志标线等)等内容,可通过现场测量、查看项目施工图等方式获取。
若要生成不同的高速公路测试场景,则需要对场景数据进行特征提取,从而从场景数据中,提取出用于测试智能网联汽车的基本场景要素。特征提取可通过人工或自动的方式进行,基本场景要素是高速公路测试场景的组成要素,主要包括测试车辆要素、静态主体环境要素、动态主体环境要素、交通参与者要素和气象环境要素等。
具体地,获取所需的场景数据,对场景数据进行场景理解,从而实现对高速公路测试场景的感知、分析和解释。其中,场景理解可通过以下步骤进行:
首先,对场景数据进行特征表示,这是是图像理解的基础工作。由于图像中包含大量冗余信息,因此提取能正确解释图像的有效信息是特征表示的重要研究内容之一。通过提取场景数据中的特征信息,并在提取有效特征信息的基础上对特征信息进行编码,形成特征描述算子。
然后,采用基于贝叶斯的相关模型和基于无向图模型等算法,基于特征构建相应的训练模型,并通过贝叶斯推理,构建训练模型推理算法,进而,采用不同的测试集对训练模型进行评估,以检验模型的泛化性能,确保其准确率可以满足实际应用的要求。如此,通过训练完成的模型可对场景数据进行理解评价。
在场景理解的基础上,需要对场景数据进行特征识别,从而识别出用于测试智能网联汽车的场景对象要素以及除场景对象要素之外的场景环境要素。其中,场景对象要素表示高速公路测试场景中的测试对象(智能网联车辆)和与测试对象相关联的其他对象,即交通参与者,比如,其他车辆、行人、动物等能够存在于高速公路上的对象。场景环境要素则表示能够对测试对象产生潜在影响的外部要素,比如,气象因素、交通设施、道路等。
进一步地,在识别出场景对象要素和场景环境要素后,需要进一步对其进行识别,以从场景对象要素中确定场景主体和场景参与者。场景主体指的是高速公路测试场景中的测试对象,即智能网联车辆,场景参与者则是参与到高速公路这一测试场景的其他对象,而在识别出场景主体后,需确定场景环境要素对于场景主体能够产生的影响效应,从而根据影响效应,识别出用于测试智能网联汽车的主体环境要素和气象环境要素。
需要说明的是,影响效应包括直接影响效应和间接影响效应,直接影响效应能够直接作用于场景主体上从而影响其测试结果,而间接影响效应则是间接作用于场景主体从而对其产生相应影响。因此,可针对每个场景环境要素,确定该场景环境要素是否能够对场景主体产生直接影响效应。若是,则说明该场景环境要素为用于测试智能网联汽车的主体环境因素,此时需进一步确定主体环境要素对应的要素状态,从而根据要素状态,将主体环境要素划分为静态主体环境要素和动态主体环境要素。其中,要素状态包括静止状态和运动状态。若否,则该场景环境要素为气象环境要素。
主体环境因素指的是能够直接作用于智能网联车辆从而影响其驾驶效果的因素。其中,静态主体环境因素是指高速公路中无运动物体,且通过视觉可以感受到的区域场景,主要包括障碍物、周围景观、交通设施以及道路等。障碍物是指位于车辆行进路线的静态物体,包括正障碍和负障碍,正障碍指各种位于道路平面上方的物体,负障碍是指低于道路平面的坑、沟等;周围景观是指路侧的建筑物等,主要由建筑物和花草树木两种元素构成,在高速公路场景构建中,此类因素影响较小;交通设施主要包括道路辅助设施、道路交通标线、道路交通标志,是人们赋予其意义后才对交通起作用的标志;道路包括桥涵、匝道、交叉口、路表以及路段,是静态环境要素的核心,限制车辆的形式及规范驾驶行为。动态主体环境因素是指车辆动态驾驶任务中处于动态变化的要素,主要包括动态指示设施及通信环境信息,动态指示设施主要包括交通信号灯、可变交通标志、交通警察;通信环境信息主要为车辆间、车辆与道路之间变化的通信状况,主要包括信号强度信息、电磁干扰信息、信号延迟信息。
气象环境要素指的是能够间接影响智能网联车辆测试效果的外部环境因素,其如果长期作用于场景主体上便可对场景主体产生影响。主要包括环境温度信息、光照条件信息以及天气情况信息等。环境温度信息主要影响各元器件的使用精度;光照条件信息主要包括光线强度、光线角度等,主要影响场景采集过程中的能见度,尤其是影响各类摄像头的感知能力;天气情况信息主要包括雨、雪、雾、霾等天气状况,主要对传感器的工作精度和工作范围产生影响。
在识别出各类要素后,需要对获取的要素进行分类与聚类。根据元素分布特点,从DBSCAN、OPTICS、STING、K-MEANS和BIRCH等聚类算法中选取恰当的算法进行分类与聚类研究,从而获得各类有效要素信息。进而,便可从场景数据中,依次提取与场景主体相匹配的测试车辆要素、与场景参与者相匹配的交通参与者要素、主体环境要素以及气象环境要素,以得到用于测试智能网联车辆的基本场景要素。
其中,测试车辆要素主要包括车辆的重量、几何信息、重量、性能信息、位置状态信息、运动状态信息与驾驶任务信息。几何信息包括车辆长、宽、高与重心位置等,反映车辆空间信息;性能信息包括车辆最大车速、最大加速度、最大爬坡度、百公里油耗等,反映车辆的运动性能;位置状态信息包括坐标信息,主要反映了车辆位置信息;车道位置信息反应测试车辆所在车道与道路中其他车道的具体位置关系;运动状态信息:括横向运动状态信息与纵向运动状态信息,反映车辆当前运动状态;驾驶任务信息:括感知识别类驾驶任务信息、路径规划类驾驶任务信息、人机交互类驾驶任务信息、联网通信类驾驶任务信息,反映完成车辆在接下来一段时间内烦人驾驶目的。
交通参与者要素是指在自动驾驶测试场景中对车辆决策规划造成影响的对象信息,主要包括其他车辆信息、行人以及动物等。其他车辆信息是主要的交通参与者,对于其他的车辆的车型、位置、纵向运动、横向运动等都是场景中的关键要素;行人的位置、速度、方向等特征会对自动驾驶汽车产生很大影响,但是,高速公路场景下该要素较少出现;动物在高速公路场景下该要素较少出现,少数鸟类等动物会对交通环境产生影响。
需要说明的是,通过上述过程提取到基本场景要素之后,还需对其进行规范和修正,以提高高速公路测试场景的可用性和准确性。基于相关标准、构建法规、文本规范等数据信息,获取基本场景要素对应的要素标准范围,并将基本场景要素与要素标准范围进行对比,以此确定基本场景要素是否与要素标准范围相匹配。如果不匹配,则说明当前获取到的基本场景要素可能存在一定偏差,此时需要重新对场景数据进行特征提取,从而从场景数据中,提取出与要素标准范围相匹配的基本场景要素。需要说明的是,若通过重新获取到的场景数据提取到的基本场景要素仍不符合要素标准范围,此时可通过人工修正的方式对其进行修正,保证场景数据的准确性。
在对智能网联汽车进行测试时,需要考虑到能够影响测试效果的多个因素,比如,交通设施、环境等,因此,综合上述多个因素,可确定智能网联汽车对应的多个测试场景需求,根据多个测试场景需求,能够对前面提取到的基本场景要素进行重组,从而通过重组后的基本场景要素,构建出多个测试场景需求分别对应的场景要素层。其中,每个场景要素层由至少一种类型的基本场景要素构成。
高速公路测试场景的主要构成元素可通过以下表达式表示:
S={I,F,P,E,D}
其中,S为高速公路测试场景,I为基础设施层,F为交通设施层,P为交通参与层,E为环境层,D为数字信息层。
在本申请实施例中,根据测试车辆要素,构建基础设施层。基础设施层主要指以道路元素为主的基础设施内容,高速公路场景下道路元素为边缘规则、路面平坦、有明显的车道线及其他人工标记的结构化道路。高速公路场景的基础设施层较为统一,背景环境较为单一,道路的几何特征也更明显。
对静态主体环境要素和动态主体环境要素进行重组,可构建交通设施层。交通设施层主要指以标志标线为主要特征区分的元素。首先,根据车道线的多少可以分为两车道场景与多车道场景;其次,根据车道线形态可以分为直道场景与分合流区场景。交通标志在高速公路场景下主要分为交通标志符号与临时交通设施,交通标志符号指各类限速标识牌、可变车道指示等,临时交通设施指桩桶、提示牌等指示标志。
对测试车辆要素和交通参与者要素进行重组,可构建交通参与层。交通参与层通常包括各种类型的汽车、电动自行车、自行车、摩托车等交通工具及行人。高速公路场景下主要以汽车为主,需要说明的是,根据汽车的不同形态可构建不同场景。
根据气象环境因素,构建环境层。环境层通常包括测试的天气、温度、光照、能见度等场景。
根据动态主体环境要素,构建数字信息层。数字信息层主要指自动驾驶车辆运行过程中所需的V2X通信、高精度地图等内容。
102:对场景要素层进行耦合,构建得到智能网联汽车对应的功能场景。
单个场景要素层仅能反映出智能网联汽车的某一测试需求,若要模拟完整真实的行车状况,还需对场景要素层进行耦合,得到融合多个测试场景需求的功能场景。
具体地,确定上述场景要素层之间的层级依赖关系,根据层级依赖关系,确定场景要素层之间的耦合顺序。层级依赖关系表示不同场景要素层之间的关联性,比如,交通设施层的存在需要依赖于基础设施层,交通参与层的存在需要依赖于交通设施层等。由层级依赖关系所确定出的耦合顺序为:基础设施层、交通设施层、交通参与层、环境层、数字信息层。这样,按照耦合顺序,依次对场景要素层进行耦合,便可构建得到智能网联汽车对应的功能场景。
103:对功能场景进行逻辑化,以通过逻辑化后的功能场景,生成智能网联汽车对应的高速公路测试场景。
功能场景仅是对测试功能的简单耦合,其只需要描述道路的几何结构和拓扑结构、与其他交通参与者的交互以及天气状况等基本信息,其具有较高的抽象程度。若要生成能够实现完整测试流程的测试场景,还需在功能场景的基础上,对功能场景进行逻辑化。
具体地,确定功能场景包含的多个实体以及多个实体之间的关系。其中,实体包括场景要素层和基本场景要素。关系可以指的是场景要素层之间的依赖关系,也可以是基本场景要素之间的关联关系,比如,对于路程这一测试车辆要素来说,其与时间和车速相关,因此,在确定出多个实体后,需根据多个实体之间的关系,构建用于描述关系的状态空间,以实现对功能场景的逻辑化,得到对应的逻辑场景。状态空间以逻辑向量的形式存在,逻辑向量中的每一个元素均对应一个实体。
而在得到逻辑场景后,通过逻辑场景中的状态空间选择确定的参数值,使用具体的数值来表示实体与实体之间的关系,便可确定具体的高速公路测试场景。因此,在逻辑场景的基础上,需要基于预设规则,确定状态空间对应的状态参数范围。预设规则可以指的是预先设定的约束条件、概率分布函数或是法律法规规定,比如,对于高速公路最左侧车道速度这一基本场景要素来说,可根据相关规定确定其对应的状态参数范围为[110km/h,120km/h]。需要说明的是,部分实体对应的状态参数范围还可根据其与其他实体之间的关系,通过相应公式或算法求得。在确定出状态参数范围后,可从状态参数范围中选取指定参数值,并根据指定参数值,对逻辑场景中的各实体进行赋值,如此,便生成可智能网联汽车对应的不同高速公路测试场景。在选取指定参数值时,可选取具有代表性的离散值,以保证测试场景的生成效率。
104:基于高速公路测试场景,按照预设的时间间隔,获取智能网联汽车所在的当前监测路段对应的障碍物数据,并确定相应的障碍物类型。
待生成高速公路测试场景后,便可基于不同的测试场景,对智能网联车辆的导航性能进行测试,以提高导航准确度。对于高速公路这一场景来说,智能网联汽车的行驶路径是事先确定的,并且通常情况下不会因为拥堵事故发生更改,因此,本申请实施例在对智能网联汽车进行导航时,仅考虑行驶车道与障碍物之间是否存在冲突即可。
在一个实施例中,按照预设的时间间隔,获取智能网联汽车所在的当前监测路段对应的障碍物数据,障碍物数据可通过测试场景中的模拟公路监测设备来获取。通过获取障碍物数据所在的当前帧数据,并对当前帧数据进行坐标转换,便可确定障碍物在所述当前帧数据中对应的坐标。针对相邻的当前帧数据,根据当前帧数据对应障碍物的坐标,确定障碍物的移动距离,并根据移动距离,确定障碍物的类型。其中,障碍物类型包括静止障碍物和移动障碍物。
105:针对各障碍物的障碍物类型,确定障碍物的位置或移动路径,并根据位置或移动路径,确定智能网联汽车在当前监测路段的行进策略。
在确定出高速公路上存在障碍物后,可根据不同的障碍物类型,确定智能网联汽车在当前监测路段的行进策略,行进策略指的是继续沿当前行驶路径进行,还是需更换车道后继续行驶。
具体地,在障碍物为静止障碍物的情况下,确定当前监测路段的路段标记信息。其中,路段标记信息至少包括车道线位置和路沿位置。根据路段标记信息,确定静止障碍物是否在智能网联汽车的可行驶路径中,此处的可行驶路径指的是车辆的可允许行驶范围,即车道内部,如果静止障碍物不位于智能网联汽车能够行驶的范围内,此时则无需调整智能网联汽车的行进策略。如果静止障碍物在可行驶路径中,确定静止障碍物对应的位置,并确定智能网联汽车的导航路径是否与静止障碍物对应的可行驶路径存在重合,以确定智能网联汽车在当前监测路段的行进策略,如果存在重合,则需要调整智能网联汽车的当前行驶路径。
在障碍物为移动障碍物的情况下,获取智能网联汽车的周边汽车的车辆信息,将车辆信息输入至预设的路径预测模型中,预测未来周边汽车的行驶路径。确定行驶路径和智能网联汽车的导航路径之间相交的碰撞位置,根据碰撞位置,对处于行进状态下的智能网联汽车进行控制,便可通过确定智能网联汽车和周边汽车之间是否存在碰撞冲突,及时调整智能网联汽车的行进策略。
图2为本申请实施例提供的另一种智能网联汽车的高速公路测试场景生成方法的流程示意图。
如图2所示,获取场景数据,其中,场景数据包括事故视频、原始数据、数据信息或是相关标准、构建规程、文本规范等。在获取到场景数据后,对获取的场景数据进行特征提取,从而对基本场景要素进行解耦,得到相应的测试车辆要素、静态主体环境因素、动态主体环境因素、交通参与者要素和气象环境要素。其中,特征提取可通过人工特征提取或自动特征提取的方式进行。对提取到的基本场景要素进行重组,构建出相应的基础设施层、交通设施层、交通参与层、环境层和数据信息层。待完成场景要素层的构建后,对上述场景要素层进行层级耦合,可得到用于测试智能网联汽车的功能场景,然后,通过确定状态空间的状态参数范围,能够实现对功能场景的逻辑化,从而得到相应的逻辑场景。逻辑场景不仅融合了各个测试功能,还能反映出智能网联汽车的运行逻辑,通过逻辑场景中的状态空间选择确定的参数值,使用具体的数值来表示实体与实体之间的关系,便可确定具体的高速公路测试场景。
以上为本申请提出的方法实施例。基于同样的发明构思,本申请实施例还提供了智能网联汽车的高速公路测试场景生成设备,其结构如图3所示。
图3为本申请实施例提供的智能网联汽车的高速公路测试场景生成设备的结构示意图。如图3所示,设备包括:
至少一个处理器;
以及,与至少一个处理器通信连接的存储器;
其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:
确定智能网联汽车对应的多个测试场景需求,根据多个测试场景需求,对用于测试智能网联汽车的基本场景要素进行重组,以构建多个测试场景需求分别对应的场景要素层;其中,每个场景要素层由至少一种类型的基本场景要素构成,基本场景要素是通过对场景数据进行特征提取所得到的;
对场景要素层进行耦合,构建得到智能网联汽车对应的功能场景;
对功能场景进行逻辑化,以通过逻辑化后的功能场景,生成智能网联汽车对应的高速公路测试场景;
基于高速公路测试场景,按照预设的时间间隔,获取智能网联汽车所在的当前监测路段对应的障碍物数据,并确定相应的障碍物类型;
针对各障碍物的障碍物类型,确定障碍物的位置或移动路径,并根据位置或移动路径,确定智能网联汽车在当前监测路段的行进策略。
本申请实施例还提供了一种非易失性计算机存储介质,存储有计算机可执行指令,计算机可执行指令设置为:
确定智能网联汽车对应的多个测试场景需求,根据多个测试场景需求,对用于测试智能网联汽车的基本场景要素进行重组,以构建多个测试场景需求分别对应的场景要素层;其中,每个场景要素层由至少一种类型的基本场景要素构成,基本场景要素是通过对场景数据进行特征提取所得到的;
对场景要素层进行耦合,构建得到智能网联汽车对应的功能场景;
对功能场景进行逻辑化,以通过逻辑化后的功能场景,生成智能网联汽车对应的高速公路测试场景;
基于高速公路测试场景,按照预设的时间间隔,获取智能网联汽车所在的当前监测路段对应的障碍物数据,并确定相应的障碍物类型;
针对各障碍物的障碍物类型,确定障碍物的位置或移动路径,并根据位置或移动路径,确定智能网联汽车在当前监测路段的行进策略。
Claims (10)
1.智能网联汽车的高速公路测试场景生成方法,其特征在于,所述方法包括:
确定智能网联汽车对应的多个测试场景需求,根据所述多个测试场景需求,对用于测试所述智能网联汽车的基本场景要素进行重组,以构建所述多个测试场景需求分别对应的场景要素层;其中,每个场景要素层由至少一种类型的基本场景要素构成,所述基本场景要素是通过对场景数据进行特征提取所得到的;
对所述场景要素层进行耦合,构建得到所述智能网联汽车对应的功能场景;
对所述功能场景进行逻辑化,以通过逻辑化后的所述功能场景,生成所述智能网联汽车对应的高速公路测试场景;
基于所述高速公路测试场景,按照预设的时间间隔,获取所述智能网联汽车所在的当前监测路段对应的障碍物数据,并确定相应的障碍物类型;
针对各障碍物的障碍物类型,确定所述障碍物的位置或移动路径,并根据所述位置或移动路径,确定所述智能网联汽车在所述当前监测路段的行进策略。
2.根据权利要求1所述的智能网联汽车的高速公路测试场景生成方法,其特征在于,确定相应的障碍物类型,具体包括:
获取所述障碍物数据所在的当前帧数据,并对所述当前帧数据进行坐标转换,以确定所述障碍物在所述当前帧数据中对应的坐标;
针对相邻的当前帧数据,根据所述当前帧数据对应障碍物的坐标,确定所述障碍物的移动距离,并根据所述移动距离,确定所述障碍物的类型;其中,障碍物类型包括静止障碍物和移动障碍物。
3.根据权利要求2所述的智能网联汽车的高速公路测试场景生成方法,其特征在于,针对各障碍物的障碍物类型,确定所述障碍物的位置或移动路径,并根据所述位置或移动路径,确定所述智能网联汽车在所述当前监测路段的行进策略,具体包括:
在所述障碍物为静止障碍物的情况下,确定所述当前监测路段的路段标记信息;其中,所述路段标记信息至少包括车道线位置和路沿位置;
根据所述路段标记信息,确定所述静止障碍物是否在所述智能网联汽车的可行驶路径中;
若所述静止障碍物在所述可行驶路径中,确定所述静止障碍物对应的位置,并确定所述智能网联汽车的导航路径是否与所述静止障碍物对应的可行驶路径存在重合,以确定所述智能网联汽车在所述当前监测路段的行进策略;
在所述障碍物为移动障碍物的情况下,获取所述智能网联汽车的周边汽车的车辆信息,将所述车辆信息输入至预设的路径预测模型中,预测未来所述周边汽车的行驶路径;
确定所述行驶路径和所述智能网联汽车的导航路径之间相交的碰撞位置,根据所述碰撞位置,确定所述智能网联汽车在所述当前监测路段的行进策略。
4.根据权利要求1所述的智能网联汽车的高速公路测试场景生成方法,其特征在于,确定智能网联汽车对应的多个测试场景需求之前,所述方法还包括:
获取所需的场景数据,对所述场景数据进行场景理解,并对所述场景数据进行特征识别,以识别出用于测试智能网联汽车的场景对象要素以及除所述场景对象要素之外的场景环境要素;
确定所述场景对象要素中的场景主体和场景参与者,并确定所述场景环境要素对于所述场景主体能够产生的影响效应,根据所述影响效应,识别出用于测试所述智能网联汽车的主体环境要素和气象环境要素;
从所述场景数据中,依次提取与所述场景主体相匹配的测试车辆要素、与所述场景参与者相匹配的交通参与者要素、所述主体环境要素以及所述气象环境要素,以得到用于测试智能网联车辆的基本场景要素。
5.根据权利要求4所述的智能网联汽车的高速公路测试场景生成方法,其特征在于,确定所述场景环境要素对于所述场景主体能够产生的影响效应,根据所述影响效应,识别出所述用于测试智能网联汽车的主体环境要素和气象环境要素,具体包括:
针对每个场景环境要素,确定所述场景环境要素是否能够对所述场景主体产生直接影响效应;
若是,则确定所述场景环境要素为用于测试智能网联汽车的主体环境因素,并确定所述主体环境要素对应的要素状态,以根据所述要素状态,将所述主体环境要素划分为静态主体环境要素和动态主体环境要素;其中,所述要素状态包括静止状态和运动状态;
若否,则确定所述场景环境要素为气象环境要素。
6.根据权利要求1所述的智能网联汽车的高速公路测试场景生成方法,其特征在于,对所述场景要素层进行耦合,构建得到所述智能网联汽车对应的功能场景,具体包括:
确定所述场景要素层之间的层级依赖关系,根据所述层级依赖关系,确定所述场景要素层之间的耦合顺序;
按照所述耦合顺序,依次对所述场景要素层进行耦合,以构建得到所述智能网联汽车对应的功能场景。
7.根据权利要求1所述的智能网联汽车的高速公路测试场景生成方法,其特征在于,对所述功能场景进行逻辑化,具体包括:
确定所述功能场景包含的多个实体以及所述多个实体之间的关系;其中,所述实体包括所述场景要素层和所述基本场景要素;
根据所述多个实体之间的关系,构建用于描述所述关系的状态空间,以实现对所述功能场景的逻辑化,得到对应的逻辑场景。
8.根据权利要求7所述的智能网联汽车的高速公路测试场景生成方法,其特征在于,通过逻辑化后的所述功能场景,生成所述智能网联汽车对应的高速公路测试场景,具体包括:
基于预设规则,确定所述状态空间对应的状态参数范围;
从所述状态参数范围中选取指定参数值,并根据所述指定参数值,对所述逻辑场景中的各实体进行赋值,以生成所述智能网联汽车对应的高速公路测试场景。
9.智能网联汽车的高速公路测试场景生成设备,其特征在于,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指令,所述指令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:
确定智能网联汽车对应的多个测试场景需求,根据所述多个测试场景需求,对用于测试所述智能网联汽车的基本场景要素进行重组,以构建所述多个测试场景需求分别对应的场景要素层;其中,每个场景要素层由至少一种类型的基本场景要素构成,所述基本场景要素是通过对场景数据进行特征提取所得到的;
对所述场景要素层进行耦合,构建得到所述智能网联汽车对应的功能场景;
对所述功能场景进行逻辑化,以通过逻辑化后的所述功能场景,生成所述智能网联汽车对应的高速公路测试场景;
基于所述高速公路测试场景,按照预设的时间间隔,获取所述智能网联汽车所在的当前监测路段对应的障碍物数据,并确定相应的障碍物类型;
针对各障碍物的障碍物类型,确定所述障碍物的位置或移动路径,并根据所述位置或移动路径,确定所述智能网联汽车在所述当前监测路段的行进策略。
10.一种非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
确定智能网联汽车对应的多个测试场景需求,根据所述多个测试场景需求,对用于测试所述智能网联汽车的基本场景要素进行重组,以构建所述多个测试场景需求分别对应的场景要素层;其中,每个场景要素层由至少一种类型的基本场景要素构成,所述基本场景要素是通过对场景数据进行特征提取所得到的;
对所述场景要素层进行耦合,构建得到所述智能网联汽车对应的功能场景;
对所述功能场景进行逻辑化,以通过逻辑化后的所述功能场景,生成所述智能网联汽车对应的高速公路测试场景;
基于所述高速公路测试场景,按照预设的时间间隔,获取所述智能网联汽车所在的当前监测路段对应的障碍物数据,并确定相应的障碍物类型;
针对各障碍物的障碍物类型,确定所述障碍物的位置或移动路径,并根据所述位置或移动路径,确定所述智能网联汽车在所述当前监测路段的行进策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310875401.0A CN116597690B (zh) | 2023-07-18 | 2023-07-18 | 智能网联汽车的高速公路测试场景生成方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310875401.0A CN116597690B (zh) | 2023-07-18 | 2023-07-18 | 智能网联汽车的高速公路测试场景生成方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116597690A true CN116597690A (zh) | 2023-08-15 |
CN116597690B CN116597690B (zh) | 2023-10-20 |
Family
ID=87608366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310875401.0A Active CN116597690B (zh) | 2023-07-18 | 2023-07-18 | 智能网联汽车的高速公路测试场景生成方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116597690B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033562A (zh) * | 2023-10-09 | 2023-11-10 | 北京中机车辆司法鉴定中心 | 基于场景要素匹配的危险预测方法以及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110597711A (zh) * | 2019-08-26 | 2019-12-20 | 湖南大学 | 一种基于场景和任务的自动驾驶测试用例生成方法 |
US20210197851A1 (en) * | 2019-12-30 | 2021-07-01 | Yanshan University | Method for building virtual scenario library for autonomous vehicle |
WO2022251890A1 (de) * | 2021-06-02 | 2022-12-08 | Avl List Gmbh | Verfahren und system zum testen eines fahrerassistenzsystems für ein fahrzeug |
CN115587501A (zh) * | 2022-11-09 | 2023-01-10 | 工业和信息化部装备工业发展中心 | 用于对智能网联汽车进行测试的场景库的构建方法及装置 |
CN115616937A (zh) * | 2022-12-02 | 2023-01-17 | 广汽埃安新能源汽车股份有限公司 | 自动驾驶仿真测试方法、装置、设备和计算机可读介质 |
CN115695473A (zh) * | 2022-10-11 | 2023-02-03 | 启明信息技术股份有限公司 | 一种智能网联汽车仿真测试场景的本体构建方法 |
CN115843059A (zh) * | 2022-11-02 | 2023-03-24 | 长沙汽车创新研究院 | 一种v2x硬件在环数字物理融合测试系统 |
-
2023
- 2023-07-18 CN CN202310875401.0A patent/CN116597690B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110597711A (zh) * | 2019-08-26 | 2019-12-20 | 湖南大学 | 一种基于场景和任务的自动驾驶测试用例生成方法 |
US20210197851A1 (en) * | 2019-12-30 | 2021-07-01 | Yanshan University | Method for building virtual scenario library for autonomous vehicle |
WO2022251890A1 (de) * | 2021-06-02 | 2022-12-08 | Avl List Gmbh | Verfahren und system zum testen eines fahrerassistenzsystems für ein fahrzeug |
CN115695473A (zh) * | 2022-10-11 | 2023-02-03 | 启明信息技术股份有限公司 | 一种智能网联汽车仿真测试场景的本体构建方法 |
CN115843059A (zh) * | 2022-11-02 | 2023-03-24 | 长沙汽车创新研究院 | 一种v2x硬件在环数字物理融合测试系统 |
CN115587501A (zh) * | 2022-11-09 | 2023-01-10 | 工业和信息化部装备工业发展中心 | 用于对智能网联汽车进行测试的场景库的构建方法及装置 |
CN115616937A (zh) * | 2022-12-02 | 2023-01-17 | 广汽埃安新能源汽车股份有限公司 | 自动驾驶仿真测试方法、装置、设备和计算机可读介质 |
Non-Patent Citations (1)
Title |
---|
杨秋燕;秦明明;: "基于场景元素的智能网联汽车场景构建探析", 时代汽车, no. 12, pages 26 - 27 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033562A (zh) * | 2023-10-09 | 2023-11-10 | 北京中机车辆司法鉴定中心 | 基于场景要素匹配的危险预测方法以及系统 |
CN117033562B (zh) * | 2023-10-09 | 2024-02-23 | 北京中机车辆司法鉴定中心 | 基于场景要素匹配的危险预测方法以及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116597690B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10281920B2 (en) | Planning for unknown objects by an autonomous vehicle | |
US10095234B2 (en) | Planning for unknown objects by an autonomous vehicle | |
US10234864B2 (en) | Planning for unknown objects by an autonomous vehicle | |
CN115014370A (zh) | 用于生成地图信息的系统、方法和计算机可读介质 | |
DE112018002143T5 (de) | Systeme und verfahren zur kompression von fahrspurdaten | |
CN111797001A (zh) | 一种基于SCANeR的自动驾驶仿真测试模型的构建方法 | |
CN115824194A (zh) | 一种用于为车辆规划路线的系统和方法 | |
CN115719481A (zh) | 用于涉及交通灯和交通标志的交通工具导航的系统和方法 | |
CN113050455A (zh) | 一种用于智能网联汽车的数字孪生测试系统及控制方法 | |
CN112885145B (zh) | 路口风险预警的方法和装置 | |
CN117053812A (zh) | 使用电子地平线导航交通工具 | |
CN108428254A (zh) | 三维地图的构建方法及装置 | |
JP2023106536A (ja) | 画像分析に基づく車両ナビゲーションのためのシステム | |
CN108520635B (zh) | 一种混合现实道路显示系统 | |
CN116597690B (zh) | 智能网联汽车的高速公路测试场景生成方法、设备及介质 | |
DE112021002680T5 (de) | Systeme und verfahren zum erkennen einer offenen tür | |
CN116670610A (zh) | 用于公共速度映射和导航的系统和方法 | |
CN117651668A (zh) | 用于监测车道标记质量的系统和方法 | |
CN117056153A (zh) | 校准和验证驾驶员辅助系统和/或自动驾驶系统的方法、系统和计算机程序产品 | |
US20230150549A1 (en) | Hybrid log simulated driving | |
DE102021201177A1 (de) | Computerimplementiertes Verfahren und Computerprogramm zur Generierung von Fahrstrecken für ein automatisiertes Fahrsystem | |
CN116842688A (zh) | 一种面向自动驾驶决策算法的在线合规验证系统 | |
CN115610442A (zh) | 实现自主载具的合成场景 | |
WO2023279396A1 (zh) | 设计运行区域的识别方法及装置 | |
CN117010154A (zh) | 一种自动驾驶传感器仿真置信度评估方法、系统及装置 |
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 |