CN116680932B - 一种自动驾驶仿真测试场景的评估方法及装置 - Google Patents
一种自动驾驶仿真测试场景的评估方法及装置 Download PDFInfo
- Publication number
- CN116680932B CN116680932B CN202310931049.8A CN202310931049A CN116680932B CN 116680932 B CN116680932 B CN 116680932B CN 202310931049 A CN202310931049 A CN 202310931049A CN 116680932 B CN116680932 B CN 116680932B
- Authority
- CN
- China
- Prior art keywords
- simulation test
- automatic driving
- traffic
- information
- test scene
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 250
- 238000004088 simulation Methods 0.000 title claims abstract description 236
- 238000011156 evaluation Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000009471 action Effects 0.000 claims description 21
- 230000007613 environmental effect Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 16
- 238000013459 approach Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- 230000001133 acceleration Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000003595 mist Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本申请公开了一种自动驾驶仿真测试场景的评估方法及装置，通过提取自动驾驶仿真测试场景中所有交通参与者的交通信息；根据自动驾驶仿真测试场景中所有的交通参与者的交通信息，计算自动驾驶仿真测试场景的真实偏离度；若真实偏离度小于偏离度阈值，则计算自动驾驶仿真测试场景的危险度和/或复杂度；即先对自动驾驶仿真测试场景进行真实性进行评估，在自动驾驶仿真测试场景接近现实场景时再对危险性和复杂性进行评估，以真实偏离度为基准，由危险度和复杂度这两个角度对仿真测试场景进行全面的评价，可以为自动驾驶技术的测试提供了更多优质的仿真测试场景。
Description
技术领域
本申请涉及自动驾驶仿真测试技术领域，具体涉及一种自动驾驶仿真测试场景的评估方法及装置。
背景技术
随着感知和自动化技术的不断发展，自动驾驶技术也得到了快速的发展。自动驾驶汽车是指能够感知环境、自动规划路线并控制汽车达到目的地的一种智能汽车，其利用车载传感器感知汽车周围环境，融合传感器所获得的道路、汽车位置和障碍物位置等信息来规划行驶路径，并控制汽车的转向和速度，从而使汽车能够安全、高效、舒适、可靠地在道路上行驶。
自动驾驶汽车与传统人工驾驶汽车相比具有更高的复杂性，需要安装激光雷达、摄像头、毫米波雷达、GPS、自动驾驶控制器等装置。这些装置在达到高度安全性之前，不能直接在开放道路测试，必须依托仿真模拟设备进行仿真测试。自动驾驶仿真模拟设备需要构建交通场景、传感器模型、车辆动力学模型等系统，并将自动驾驶控制器接入上述系统中，形成一个完整的仿真闭环链路。
仿真测试场景是用来测试自动驾驶安全性的主要方式，在高并发的同时还可以覆盖现实场景中难以遇到的边缘场景，从而可以使用优质的仿真测试场景更有利于在更短的测试时间内发现自动驾驶安全性漏洞。然而，如何评估仿真场景的优劣性成为了一个亟需解决的技术问题。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种自动驾驶仿真测试场景的评估方法及装置，通过对自动驾驶仿真测试场景进行真实性、危险性和复杂性的综合评估，为自动驾驶技术的测试提供更多优质的仿真测试场景。
根据本申请的一个方面，提供了一种自动驾驶仿真测试场景的评估方法，包括：提取所述自动驾驶仿真测试场景中所有交通参与者的交通信息；其中，所述交通信息包括所述交通参与者在所述自动驾驶仿真测试场景中的状态信息或动作信息；根据所述自动驾驶仿真测试场景中所有的所述交通参与者的交通信息，计算所述自动驾驶仿真测试场景的真实偏离度；其中，所述真实偏离度表征所述自动驾驶仿真测试场景与自然世界规律的偏离程度；其中，所述自然世界规律表示所述交通参与者的交通信息的值在真实世界中能达到的极端范围；以及若所述真实偏离度小于偏离度阈值，则计算所述自动驾驶仿真测试场景的危险度和/或复杂度。
在一实施例中，所述根据所述自动驾驶仿真测试场景中所有的所述交通参与者的交通信息，计算所述自动驾驶仿真测试场景的真实偏离度包括：根据所述自动驾驶仿真测试场景中所有的所述交通参与者的状态信息参数值和对应的正常参数范围，计算所述自动驾驶仿真测试场景的真实偏离度。
在一实施例中，所述根据所述自动驾驶仿真测试场景中所有的所述交通参与者的状态信息参数值和对应的正常参数范围，计算所述自动驾驶仿真测试场景的真实偏离度包括：若所述交通参与者的状态信息参数值不在对应的所述正常参数范围内，则计算该所述交通参与者的状态信息参数值与对应的所述正常参数范围的上限值的超出比例；以及根据所有的所述交通参与者的所述超出比例，计算所述自动驾驶仿真测试场景的真实偏离度。
在一实施例中，所述根据所有的所述交通参与者的所述超出比例，计算所述自动驾驶仿真测试场景的真实偏离度包括：加权所有的所述交通参与者的所述超出比例，计算得到所述自动驾驶仿真测试场景的真实偏离度；其中，所述交通参与者的所述超出比例对应的权重与所述交通参与者的类型相关、或者所述交通参与者的所述超出比例对应的权重与所述交通参与者和所述自动驾驶仿真测试场景中主车的距离值相关。
在一实施例中，所述偏离度阈值的计算方式包括：根据所述自动驾驶仿真测试场景中所有的所述交通参与者的所述超出比例对应的权重，计算得到所述偏离度阈值。
在一实施例中，所述计算所述自动驾驶仿真测试场景的危险度和/或复杂度包括：分别计算所述自动驾驶仿真测试场景中每个交通参与者的状态信息危险度分值、事件信息危险度分值和环境信息危险度分值；其中，所述状态信息危险度分值表征所述交通参与者与所述自动驾驶仿真测试场景中主车的碰撞时长，所述事件信息危险度分值表征所述交通参与者执行交通动作事件的危险程度，所述环境信息危险度分值表征所述交通参与者所处环境的危险程度；以及根据所述状态信息危险度分值、所述事件信息危险度分值和所述环境信息危险度分值，计算所述自动驾驶仿真测试场景的危险度。
在一实施例中，所述根据所述状态信息危险度分值、所述事件信息危险度分值和所述环境信息危险度分值，计算所述自动驾驶仿真测试场景的危险度包括：加权所述状态信息危险度分值、所述事件信息危险度分值和所述环境信息危险度分值，计算得到所述自动驾驶仿真测试场景的危险度。
在一实施例中，所述计算所述自动驾驶仿真测试场景的危险度和/或复杂度包括：分别计算所述自动驾驶仿真测试场景的状态信息复杂度分值、事件信息复杂度分值和环境信息复杂度分值；其中，所述状态信息复杂度分值表征所述自动驾驶仿真测试场景中主车周围的交通参与者数量，所述事件信息复杂度分值表征所述交通参与者执行交通动作事件的次数，所述环境信息复杂度分值表征所述主车所处环境的复杂程度；以及根据所述状态信息复杂度分值、所述事件信息复杂度分值和所述环境信息复杂度分值，计算所述自动驾驶仿真测试场景的复杂度。
在一实施例中，所述根据所述状态信息复杂度分值、所述事件信息复杂度分值和所述环境信息复杂度分值，计算所述自动驾驶仿真测试场景的复杂度包括：加权所述状态信息复杂度分值、所述事件信息复杂度分值和所述环境信息复杂度分值，计算得到所述自动驾驶仿真测试场景的复杂度。
根据本申请的另一个方面，提供了一种自动驾驶仿真测试场景的评估装置，包括：信息提取模块，用于提取所述自动驾驶仿真测试场景中所有交通参与者的交通信息；其中，所述交通信息包括所述交通参与者在所述自动驾驶仿真测试场景中的状态信息或动作信息；真实偏离度计算模块，用于根据所述自动驾驶仿真测试场景中所有的所述交通参与者的交通信息，计算所述自动驾驶仿真测试场景的真实偏离度；其中，所述真实偏离度表征所述自动驾驶仿真测试场景与自然世界规律的偏离程度；其中，所述自然世界规律表示所述交通参与者的交通信息的值在真实世界中能达到的极端范围；以及场景评估模块，用于若所述真实偏离度小于预设的偏离度阈值，则计算所述自动驾驶仿真测试场景的危险度和/或复杂度。
本申请提供的一种自动驾驶仿真测试场景的评估方法及装置，通过提取自动驾驶仿真测试场景中所有交通参与者的交通信息，其中交通信息包括交通参与者在自动驾驶仿真测试场景中的状态信息或动作信息；根据自动驾驶仿真测试场景中所有的交通参与者的交通信息，计算自动驾驶仿真测试场景的真实偏离度，其中真实偏离度表征自动驾驶仿真测试场景与自然世界规律的偏离程度；若真实偏离度小于偏离度阈值，则计算自动驾驶仿真测试场景的危险度和/或复杂度；即先对自动驾驶仿真测试场景进行真实性进行评估，在自动驾驶仿真测试场景接近现实场景时再对危险性和复杂性进行评估，以真实偏离度为基准，由危险度和复杂度这两个角度对仿真测试场景进行全面的评价，可以为自动驾驶技术的测试提供了更多优质的仿真测试场景。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1是本申请一示例性实施例提供的一种自动驾驶仿真测试场景的评估方法的流程示意图。
图2是本申请另一示例性实施例提供的一种自动驾驶仿真测试场景的评估方法的流程示意图。
图3是本申请另一示例性实施例提供的一种自动驾驶仿真测试场景的评估方法的流程示意图。
图4是本申请另一示例性实施例提供的一种自动驾驶仿真测试场景的评估方法的流程示意图。
图5是本申请一示例性实施例提供的一种自动驾驶仿真测试场景的评估装置的结构示意图。
图6是本申请另一示例性实施例提供的一种自动驾驶仿真测试场景的评估装置的结构示意图。
图7是本申请一示例性实施例提供的电子设备的结构图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
图1是本申请一示例性实施例提供的一种自动驾驶仿真测试场景的评估方法的流程示意图。如图1所示，该自动驾驶仿真测试场景的评估方法包括如下步骤：
步骤110：提取自动驾驶仿真测试场景中所有交通参与者的交通信息。
其中，交通信息包括交通参与者在自动驾驶仿真测试场景中的状态信息或动作信息。自动驾驶技术是指利用计算机和传感器等技术，使汽车等交通工具能够在无人驾驶的情况下自动行驶的技术。它可以通过感应周围环境的传感器（如雷达、激光雷达、摄像头等）收集数据，并通过算法进行实时处理和判断，从而实现车辆的自动导航、避障、跟车等功能。自动驾驶技术的发展可以解放驾驶人员，并且还可以减少驾驶人员因疲劳驾驶和误操作而导致的交通事故，从而提高交通安全性、减少交通事故，同时还可以提高交通效率。
然而，自动驾驶技术要应用于真实场景中，还需要通过安全性的测试和验证。自动驾驶仿真测试场景是指在一定的时间和空间范围内，自动驾驶车辆与行驶环境中的其它车辆、道路、交通设施、气象条件等元素综合交互过程的总体动态描述，它是自动驾驶车辆的驾驶情景与行驶环境的有机组合，既包括各类实体元素，也涵盖了实体元素的执行动作以及实体之间的连接关系。
具体的，本申请所提供的自动驾驶仿真测试场景可以包括如下场景中的任一种或多种的组合：
（1）城市道路行驶场景：模拟城市道路的各种交通情况，包括车辆、行人、信号灯等。测试自动驾驶系统在城市环境中的交通规则遵守、车辆感知、路径规划等功能。
（2）高速公路行驶场景：模拟高速公路上的车辆流量、车道变换、超车等情况。测试自动驾驶系统在高速公路上的车辆跟随、车道保持、安全距离等功能。
（3）复杂交叉口行驶场景：模拟复杂的交叉口场景，包括多个车辆同时进入交叉口、信号灯变化等情况。测试自动驾驶系统在复杂交叉口的车辆感知、行为决策、安全驾驶等功能。
（4）恶劣环境行驶场景：模拟雨天或雪天的路面湿滑、能见度低等情况。测试自动驾驶系统在恶劣天气下的车辆控制、感知环境、路径规划等功能。
（5）突发事件应对场景：模拟突发事件如突然出现的障碍物、行人突然穿越道路等情况。测试自动驾驶系统的应急刹车、避障、优先考虑行人安全等功能。
（6）夜间行驶场景：模拟夜间的低光照条件下的行驶情况。测试自动驾驶系统在夜间环境下的车辆感知、路径规划、车辆控制等功能。
（7）车辆故障模拟场景：模拟车辆故障如刹车失效、方向盘失灵等情况。测试自动驾驶系统的故障诊断、安全应对等功能。
（8）城市停车场景：模拟在城市环境中的停车场停车。测试自动驾驶系统的车位搜索、精确停车等功能。
（9）长途驾驶场景：模拟长时间连续行驶的情况。测试自动驾驶系统的驾驶舒适性、疲劳驾驶检测等功能。
（10）车辆通信场景：模拟车辆之间的通信场景，测试自动驾驶系统的车辆间的协同行驶、交通流优化等功能。
本申请基于游戏引擎和计算机图形技术开发或搭建虚拟的三维环境，以模拟得到自动驾驶仿真测试场景，待测试的自动驾驶系统控制该虚拟的自动驾驶仿真测试场景中的一辆车辆（主车），以完成一个或多个行驶任务，自动驾驶仿真测试场景同步提供类似真实路况中可能出现的各个交通参与者（包括车辆、行人、路灯、路口等）。自动驾驶仿真测试场景通过记录主车在测试中的表现以做出评价，例如有无发生交通事故、有无违反交通规则、行驶舒适度等评价指标，自动驾驶仿真测试场景根据多个平均指标对待测试的主车进行评价，以测试该主车对应的自动驾驶技术是否完善，以避免待测试的自动驾驶技术在真实场景中测试可能带来的安全隐患，同时还可以利用自动驾驶仿真测试场景模拟真实场景中不常出现的场景，从而提高自动驾驶技术的应用场景范围。
本申请通过自动驾驶仿真测试场景提供待测试自动驾驶技术测试所需要的场景元素，并且记录待测试自动驾驶技术对应的主车和自动驾驶仿真测试场景中所有交通参与者的交通信息，以为后续评估自动驾驶仿真测试场景和待测试的自动驾驶技术提供基础数据支持。交通信息包括状态信息和环境信息（即静态信息，对应上述状态信息）、事件信息（即动态信息，对应上述动作信息）；其中，状态信息包括速度、加速度、角速度、高度、交通参与者数量、碰撞时间等；事件信息包括切入次数、切入急缓、横穿马路次数、横穿马路急缓、超速次数、超速急缓、前车刹车次数、逆行次数、闯红灯次数、路口对向直行车次、路口左侧直行车次、路口直行汇入车次、变道次数、转向次数、错误车道次数、碰撞次数和占道停车次数等；环境信息包括天气、时间和路段。
具体的，速度为自动驾驶仿真测试场景运行过程中各个交通参与者的最大速度，每1秒采集一次；加速度为自动驾驶仿真测试场景运行过程中各个交通参与者的最大加速度，每1秒采集一次；角速度为自动驾驶仿真测试场景运行过程中各个交通参与者的最大角速度，每1秒采集一次；高度为自动驾驶仿真测试场景运行过程中各个交通参与者距离车道表面的最大高度，每1秒采集一次；交通参与者数量为自动驾驶仿真测试场景运行过程中主车周围一定范围内交通参与者的平均数量，每5秒采集一次；碰撞时间为自动驾驶仿真测试场景运行过程中主车周围一定范围内主车所在车道内的各个交通参与者与主车之间的最小碰撞时间，每1秒采集一次。
切入次数为主车前方一定范围内机动车切入主车车道次数；切入急缓为主车前方一定范围内机动车切入主车车道时与主车之间的最小碰撞时间，每1秒采集一次；横穿马路次数为主车前方一定范围内非机动车、行人横穿马路次数；横穿马路急缓为主车前方一定范围内非机动车、行人横穿马路时与主车之间的最小碰撞时间，每1秒采集一次；超速次数为主车周围一定范围内机动车超速次数；超速急缓为主车周围一定范围内机动车最大超速百分比，每1秒采集一次；前车刹车次数为主车周围一定范围内机动车刹车次数；逆行次数为主车前方一定范围内机动车逆行次数；闯红灯次数为主车前方一定范围内交通参与者闯红灯次数；路口对向直行车次为主车在路口无保护左转时对向直行车辆数量；路口左侧直行车次为主车在路口无保护右转时左侧直行车辆数量；路口直行汇入车次为主车在路口执行时左右侧汇入与主车相同车道的车辆数量；变道次数为主车周围一定范围内机动车变道次数；转向次数为主车行驶过程中大于60度角转向次数；错误车道次数为单位时间内主车周围一定范围内机动车错误车道（驶入非机动车道、人行道或其他非机动车行驶车道）次数；碰撞次数为主车周围一定范围内机动车碰撞次数；占道停车次数为主车周围一定范围内同一车道内静止车辆数量。
天气为自动驾驶仿真场景内的天气状态，包括：晴天、多云、雾天（薄雾、浓雾）、雨天（小雨、中雨、大雨、暴雨）、雪天（小雪、中雪、大雪、暴雪）；时间为自动驾驶仿真场景所发生的时间，包括：清晨、上午、中午、下午、黄昏、午夜；路段为自动驾驶仿真场景所处的路面情况，包括：高速、城镇非路口、城镇路口、匝道、野外土路。
步骤120：根据自动驾驶仿真测试场景中所有交通参与者的交通信息，计算自动驾驶仿真测试场景的真实偏离度。
其中，真实偏离度表征自动驾驶仿真测试场景与自然世界规律的偏离程度，其中自然世界规律表示交通参与者的交通信息的值在真实世界中能达到的极端范围，主要表现在自动驾驶仿真测试场景中各个交通参与者的速度、加速度、角速度和高度等车辆状态是否在正常范围内，根据每个交通参与者的状态信息计算自动驾驶仿真测试场景与自然世界规律之间的真实偏离度。
步骤130：若真实偏离度小于偏离度阈值，则计算自动驾驶仿真测试场景的危险度和/或复杂度。
真实偏离度体现了自动驾驶仿真测试场景和自然世界规律之间的偏离程度，是判断自动驾驶仿真测试场景是否符合自然世界规律的依据。
若真实偏离度小于偏离度阈值，说明自动驾驶仿真测试场景基本符合或完全符合自然世界规律，此时再进一步计算自动驾驶仿真测试场景的危险度和/复杂度，以对自动驾驶仿真测试场景做进一步的性能评估。
应当理解，本申请可以选择危险度和复杂度中一个作为评估自动驾驶仿真测试场景性能的指标，也可以同时选择危险度和复杂度作为评估自动驾驶仿真测试场景性能的指标。
本申请提供的一种自动驾驶仿真测试场景的评估方法，通过提取自动驾驶仿真测试场景中所有交通参与者的交通信息，其中交通信息包括交通参与者在自动驾驶仿真测试场景中的状态信息或动作信息；根据自动驾驶仿真测试场景中所有的交通参与者的交通信息，计算自动驾驶仿真测试场景的真实偏离度，其中真实偏离度表征自动驾驶仿真测试场景与自然世界规律的偏离程度；若真实偏离度小于偏离度阈值，则计算自动驾驶仿真测试场景的危险度和/或复杂度；即先对自动驾驶仿真测试场景进行真实性进行评估，在自动驾驶仿真测试场景接近现实场景时再对危险性和复杂性进行评估，以真实偏离度为基准，由危险度和复杂度这两个角度对仿真测试场景进行全面的评价，为自动驾驶技术的测试提供更多优质的仿真测试场景。
在一实施例中，上述步骤120的具体实现方式可以是：根据自动驾驶仿真测试场景中所有的交通参与者的状态信息参数值和对应的正常参数范围，计算自动驾驶仿真测试场景的真实偏离度。
对于每一个交通参与者，其速度、加速度、角速度和高度等都不应该超出对应的正常参数范围，若超出则说明该交通参与者与真实场景中的对应交通参与者偏离较大，继而导致自动驾驶仿真测试场景与真实场景的偏离较大。
图2是本申请另一示例性实施例提供的一种自动驾驶仿真测试场景的评估方法的流程示意图。如图2所示，上述步骤120可以包括：
步骤121：若交通参与者的状态信息参数值不在对应的正常参数范围内，则计算该交通参与者的状态信息参数值与对应的正常参数范围的上限值的超出比例。
对于自动驾驶仿真测试场景中任一个交通参与者的真实偏离度，可以采用如下公式计算得到：
其中，i为状态信息（包括速度、加速度、角速度、高度），表示第i个状态信息参数值与对应的正常参数范围的上限值的超出比例，vi为该交通参与者的第i个状态信息的值，thi为该交通参与者的第i个状态信息对应的正常参数范围的上限值，该上限值由真实场景中驾驶数据统计得到，具体如下表：
表1 状态信息对应的正常参数范围
步骤122：根据所有的交通参与者的超出比例，计算自动驾驶仿真测试场景的真实偏离度。
在一实施例中，上述步骤122的具体实现方式可以是：加权所有的交通参与者的超出比例，计算得到自动驾驶仿真测试场景的真实偏离度；其中，交通参与者的超出比例对应的权重与交通参与者的类型相关、或者交通参与者的超出比例对应的权重与交通参与者和自动驾驶仿真测试场景中主车的距离值相关。
具体的，自动驾驶仿真测试场景的真实偏离度rd可以采用如下公式计算得到：
其中，为第j个交通参与者的权重（超出比例对应的权重），可以由交通参与者类型决定，也可以由交通参与者与主车的距离决定，/>为第j个交通参与者的真实偏离度（采用上述真实偏离度/>的计算公式计算得到），n为场景中交通参与者的数量。将所有交通参与者的真实偏离度累计起来即得到自动驾驶仿真测试场景的真实偏离度，真实偏离度越高代表自动驾驶仿真测试场景在真实世界中出现的可能性越低。
在一实施例中，偏离度阈值的计算方式可以是：根据自动驾驶仿真测试场景中所有的交通参与者的超出比例对应的权重，计算得到偏离度阈值。
具体的，偏离度阈值rdth可以采用如下公式计算得到：
其中，为可调参数，/>为第j个交通参与者的权重，/>为场景中交通参与者的数量。
当真实偏离度rd高于偏离度阈值rdth时，即认为自动驾驶仿真测试场景中出现过多不符合真实世界的运动状态，对自动驾驶仿真测试场景的评价为不真实，不再进行危险度得分和复杂度得分的计算；否则，进一步计算危险度得分和复杂度得分。
图3是本申请另一示例性实施例提供的一种自动驾驶仿真测试场景的评估方法的流程示意图。如图3所示，上述步骤130可以包括：
步骤131：分别计算自动驾驶仿真测试场景中每个交通参与者的状态信息危险度分值、事件信息危险度分值和环境信息危险度分值。
其中，状态信息危险度分值表征交通参与者与自动驾驶仿真测试场景中主车的碰撞时长，事件信息危险度分值表征交通参与者执行交通动作事件的危险程度，环境信息危险度分值表征交通参与者所处环境的危险程度。危险度体现了自动驾驶仿真测试场景中待测试自动驾驶系统所处环境的危险程度，主要体现在主车周围交通参与者不安全行驶行为的程度和频率、碰撞的可能性、以及处所环境、时间和路段可能带来的危险因素。
具体的，状态信息危险度分值（即碰撞时间的危险度分值）为：碰撞时间小于3秒时，每减少1秒则累计1分。
对于事件信息，各项的危险度分值如下表：
表2 事件信息危险度分值表
对于环境信息，各项的危险度分值如下表：
表3 环境信息危险度分值表
步骤132：根据状态信息危险度分值、事件信息危险度分值和环境信息危险度分值，计算自动驾驶仿真测试场景的危险度。
在一实施例中，上述步骤132的具体实现方式可以是：加权状态信息危险度分值、事件信息危险度分值和环境信息危险度分值，计算得到自动驾驶仿真测试场景的危险度。
具体的，自动驾驶仿真测试场景的危险度d可以采用如下公式计算得到：
其中，为状态信息（碰撞时间）的危险度权重；sfn为状态信息（碰撞时间）的采集次数；/>为第f次采集时处于采集范围的交通参与者数量；/>为第f次采集时第i个交通参与者的状态信息（碰撞时间）危险度分值；efn为按时间间隔采集的事件信息的采集次数；为第f次采集时处于采集范围的交通参与者数量；tei为按时间间隔采集的事件信息的种类，具体为切入急缓、横穿马路急缓、超速急缓；/>为按时间间隔采集的事件信息i的危险度权重；/>为第f次采集时第p个交通参与者的按时间间隔采集的事件信息i的危险度分值；tet为按次数采集的事件信息的种类，具体为路口对向直行车次、路口左侧直行车次、路口直行汇入车次；/>为按次数采集的事件信息i的危险度权重；/>为按次数采集的事件信息i的危险度分值；/>为按次数采集的事件信息i的发生的次数；tc为环境信息的种类，具体为天气、时间、路段；/>为环境信息i的危险度权重；/>为环境信息i的危险度分值。
其中，、/>、/>和/>的值可以根据所关注侧重点的不同而自定义，若认为碰撞相关事件对危险度影响更大，则提高状态信息中碰撞时间和事件信息中切入急缓、横穿马路急缓的危险度评分权重；若认为所处环境对危险度影响更大，则提高环境信息中天气、时间、路段的危险度评分权重。
自动驾驶仿真测试场景的危险度得分为状态信息危险度分值、事件信息危险度分值和环境信息危险度分值的总和，其越高则代表场景越危险。
图4是本申请另一示例性实施例提供的一种自动驾驶仿真测试场景的评估方法的流程示意图。如图4所示，上述步骤130可以包括：
步骤133：分别计算自动驾驶仿真测试场景的状态信息复杂度分值、事件信息复杂度分值和环境信息复杂度分值。
其中，状态信息复杂度分值表征自动驾驶仿真测试场景中主车周围的交通参与者数量，事件信息复杂度分值表征交通参与者执行交通动作事件的次数，环境信息复杂度分值表征主车所处环境的复杂程度。复杂度体现了自动驾驶仿真测试场景中待测试自动驾驶系统所处环境的复杂程度，主要体现在主车周围交通参与者的运行复杂程度，以及处所环境、时间和路段的复杂程度。
具体的，状态信息复杂度分值为：主车周围交通参与者数量大于10后每增加一个则累计1分。各事件信息复杂度分值如下表：
表4 事件信息复杂度分值表
对于环境信息，各项的复杂度分值如下表：
表5 环境信息复杂度分值表
步骤134：根据状态信息复杂度分值、事件信息复杂度分值和环境信息复杂度分值，计算自动驾驶仿真测试场景的复杂度。
在一实施例中，上述步骤134的具体实现方式可以是：加权状态信息复杂度分值、事件信息复杂度分值和环境信息复杂度分值，计算得到自动驾驶仿真测试场景的复杂度。
具体的，自动驾驶仿真测试场景的复杂度c可以采用如下公式计算得到：
其中：为状态信息（主车周围交通参与者数量）的复杂度权重；sfn为状态信息（主车周围交通参与者数量）的采集次数；/>为第i次采集时状态信息（主车周围交通参与者数量）的复杂度分值；tet为按次数采集的事件信息的种类，具体为切入次数、横穿马路次数、超速次数、逆行次数、闯红灯次数、变道次数、转向次数、碰撞次数、错误车道次数、占道停车车次；/>为按次数采集的事件信息i的复杂度权重；/>为按次数采集的事件信息i的复杂度分值；/>为按次数采集的事件信息i发生的次数；tc为环境信息的种类，具体为天气、时间、路段；/>为环境信息i的复杂度权重；/>为环境信息i的复杂度分值。
自动驾驶仿真测试场景的复杂度得分为状态信息复杂度分值、事件信息复杂度分值和环境信息复杂度分值的总和，其越高则代表自动驾驶仿真测试场景越复杂。
图5是本申请一示例性实施例提供的一种自动驾驶仿真测试场景的评估装置的结构示意图。如图5所示，该自动驾驶仿真测试场景的评估装置50包括：信息提取模块51，用于提取自动驾驶仿真测试场景中所有交通参与者的交通信息；其中，交通信息包括交通参与者在自动驾驶仿真测试场景中的状态信息或动作信息；真实偏离度计算模块52，用于根据自动驾驶仿真测试场景中所有的交通参与者的交通信息，计算自动驾驶仿真测试场景的真实偏离度；其中，真实偏离度表征自动驾驶仿真测试场景与自然世界规律的偏离程度，自然世界规律表示交通参与者的交通信息的值在真实世界中能达到的极端范围；以及场景评估模块53，用于若真实偏离度小于预设的偏离度阈值，则计算自动驾驶仿真测试场景的危险度和/或复杂度。
本申请提供的一种自动驾驶仿真测试场景的评估装置，通过信息提取模块51提取自动驾驶仿真测试场景中所有交通参与者的交通信息，其中交通信息包括交通参与者在自动驾驶仿真测试场景中的状态信息或动作信息；真实偏离度计算模块52根据自动驾驶仿真测试场景中所有的交通参与者的交通信息，计算自动驾驶仿真测试场景的真实偏离度，其中真实偏离度表征自动驾驶仿真测试场景与自然世界规律的偏离程度；若真实偏离度小于偏离度阈值，场景评估模块53则计算自动驾驶仿真测试场景的危险度和/或复杂度；即先对自动驾驶仿真测试场景进行真实性进行评估，在自动驾驶仿真测试场景接近现实场景时再对危险性和复杂性进行评估，以真实偏离度为基准，由危险度和复杂度这两个角度对仿真测试场景进行全面的评价，可以为自动驾驶技术的测试提供了更多优质的仿真测试场景。
在一实施例中，上述偏离计算模块52可以进一步配置为：根据自动驾驶仿真测试场景中所有的交通参与者的状态信息参数值和对应的正常参数范围，计算自动驾驶仿真测试场景的真实偏离度。
图6是本申请另一示例性实施例提供的一种自动驾驶仿真测试场景的评估装置的结构示意图。如图6所示，上述偏离计算模块52可以包括：超额计算单元521，用于若交通参与者的状态信息参数值不在对应的正常参数范围内，则计算该交通参与者的状态信息参数值与对应的正常参数范围的上限值的超出比例；偏离计算单元522，用于根据所有的交通参与者的超出比例，计算自动驾驶仿真测试场景的真实偏离度。
在一实施例中，上述偏离计算单元522可以进一步配置为：加权所有的交通参与者的超出比例，计算得到自动驾驶仿真测试场景的真实偏离度；其中，交通参与者的超出比例对应的权重与交通参与者的类型相关、或者交通参与者的超出比例对应的权重与交通参与者和自动驾驶仿真测试场景中主车的距离值相关。
在一实施例中，如图6所示，上述场景评估模块53可以包括：第一计算单元531，用于分别计算自动驾驶仿真测试场景中每个交通参与者的状态信息危险度分值、事件信息危险度分值和环境信息危险度分值；其中，状态信息危险度分值表征交通参与者与自动驾驶仿真测试场景中主车的碰撞时长，事件信息危险度分值表征交通参与者执行交通动作事件的危险程度，环境信息危险度分值表征交通参与者所处环境的危险程度；第二计算单元532，用于根据状态信息危险度分值、事件信息危险度分值和环境信息危险度分值，计算自动驾驶仿真测试场景的危险度。
在一实施例中，上述第二计算单元532可以进一步配置为：加权状态信息危险度分值、事件信息危险度分值和环境信息危险度分值，计算得到自动驾驶仿真测试场景的危险度。
在一实施例中，如图6所示，上述场景评估模块53可以包括：第三计算单元533，用于分别计算自动驾驶仿真测试场景的状态信息复杂度分值、事件信息复杂度分值和环境信息复杂度分值；其中，状态信息复杂度分值表征自动驾驶仿真测试场景中主车周围的交通参与者数量，事件信息复杂度分值表征交通参与者执行交通动作事件的次数，环境信息复杂度分值表征主车所处环境的复杂程度；第四计算单元534，用于根据状态信息复杂度分值、事件信息复杂度分值和环境信息复杂度分值，计算自动驾驶仿真测试场景的复杂度。
在一实施例中，上述第四计算单元534可以进一步配置为：加权状态信息复杂度分值、事件信息复杂度分值和环境信息复杂度分值，计算得到自动驾驶仿真测试场景的复杂度。
下面，参考图7来描述根据本申请实施例的电子设备。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
在该电子设备是单机设备时，该输入装置13可以是通信网络连接器，用于从第一设备和第二设备接收所采集的输入信号。
此外，该输入装置13还可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图7中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (8)
1.一种自动驾驶仿真测试场景的评估方法，其特征在于，包括：
提取所述自动驾驶仿真测试场景中所有交通参与者的交通信息；其中，所述交通信息包括所述交通参与者在所述自动驾驶仿真测试场景中的状态信息或动作信息；
根据所述自动驾驶仿真测试场景中所有的所述交通参与者的交通信息，计算所述自动驾驶仿真测试场景的真实偏离度；其中，所述真实偏离度表征所述自动驾驶仿真测试场景与自然世界规律的偏离程度；其中，所述自然世界规律表示所述交通参与者的交通信息的值在真实世界中能达到的极端范围；以及
若所述真实偏离度小于偏离度阈值，则计算所述自动驾驶仿真测试场景的危险度和/或复杂度；
其中，所述计算所述自动驾驶仿真测试场景的危险度和/或复杂度包括：
分别计算所述自动驾驶仿真测试场景中每个交通参与者的状态信息危险度分值、事件信息危险度分值和环境信息危险度分值；其中，所述状态信息危险度分值表征所述交通参与者与所述自动驾驶仿真测试场景中主车的碰撞时长，所述事件信息危险度分值表征所述交通参与者执行交通动作事件的危险程度，所述环境信息危险度分值表征所述交通参与者所处环境的危险程度；
根据所述状态信息危险度分值、所述事件信息危险度分值和所述环境信息危险度分值，计算所述自动驾驶仿真测试场景的危险度；
和/或，
分别计算所述自动驾驶仿真测试场景的状态信息复杂度分值、事件信息复杂度分值和环境信息复杂度分值；其中，所述状态信息复杂度分值表征所述自动驾驶仿真测试场景中主车周围的交通参与者数量，所述事件信息复杂度分值表征所述交通参与者执行交通动作事件的次数，所述环境信息复杂度分值表征所述主车所处环境的复杂程度；
根据所述状态信息复杂度分值、所述事件信息复杂度分值和所述环境信息复杂度分值，计算所述自动驾驶仿真测试场景的复杂度。
2.根据权利要求1所述的自动驾驶仿真测试场景的评估方法，其特征在于，所述根据所述自动驾驶仿真测试场景中所有的所述交通参与者的交通信息，计算所述自动驾驶仿真测试场景的真实偏离度包括：
根据所述自动驾驶仿真测试场景中所有的所述交通参与者的状态信息参数值和对应的正常参数范围，计算所述自动驾驶仿真测试场景的真实偏离度。
3.根据权利要求2所述的自动驾驶仿真测试场景的评估方法，其特征在于，所述根据所述自动驾驶仿真测试场景中所有的所述交通参与者的状态信息参数值和对应的正常参数范围，计算所述自动驾驶仿真测试场景的真实偏离度包括：
若所述交通参与者的状态信息参数值不在对应的所述正常参数范围内，则计算该所述交通参与者的状态信息参数值与对应的所述正常参数范围的上限值的超出比例；以及
根据所有的所述交通参与者的所述超出比例，计算所述自动驾驶仿真测试场景的真实偏离度。
4.根据权利要求3所述的自动驾驶仿真测试场景的评估方法，其特征在于，所述根据所有的所述交通参与者的所述超出比例，计算所述自动驾驶仿真测试场景的真实偏离度包括：
加权所有的所述交通参与者的所述超出比例，计算得到所述自动驾驶仿真测试场景的真实偏离度；其中，所述交通参与者的所述超出比例对应的权重与所述交通参与者的类型相关、或者所述交通参与者的所述超出比例对应的权重与所述交通参与者和所述自动驾驶仿真测试场景中主车的距离值相关。
5.根据权利要求4所述的自动驾驶仿真测试场景的评估方法，其特征在于，所述偏离度阈值的计算方式包括：
根据所述自动驾驶仿真测试场景中所有的所述交通参与者的所述超出比例对应的权重，计算得到所述偏离度阈值。
6.根据权利要求1所述的自动驾驶仿真测试场景的评估方法，其特征在于，所述根据所述状态信息危险度分值、所述事件信息危险度分值和所述环境信息危险度分值，计算所述自动驾驶仿真测试场景的危险度包括：
加权所述状态信息危险度分值、所述事件信息危险度分值和所述环境信息危险度分值，计算得到所述自动驾驶仿真测试场景的危险度。
7.根据权利要求1所述的自动驾驶仿真测试场景的评估方法，其特征在于，所述根据所述状态信息复杂度分值、所述事件信息复杂度分值和所述环境信息复杂度分值，计算所述自动驾驶仿真测试场景的复杂度包括：
加权所述状态信息复杂度分值、所述事件信息复杂度分值和所述环境信息复杂度分值，计算得到所述自动驾驶仿真测试场景的复杂度。
8.一种自动驾驶仿真测试场景的评估装置，其特征在于，包括：
信息提取模块，用于提取所述自动驾驶仿真测试场景中所有交通参与者的交通信息；其中，所述交通信息包括所述交通参与者在所述自动驾驶仿真测试场景中的状态信息或动作信息；
真实偏离度计算模块，用于根据所述自动驾驶仿真测试场景中所有的所述交通参与者的交通信息，计算所述自动驾驶仿真测试场景的真实偏离度；其中，所述真实偏离度表征所述自动驾驶仿真测试场景与自然世界规律的偏离程度；其中，所述自然世界规律表示所述交通参与者的交通信息的值在真实世界中能达到的极端范围；以及
场景评估模块，用于若所述真实偏离度小于预设的偏离度阈值，则计算所述自动驾驶仿真测试场景的危险度和/或复杂度；
其中，所述场景评估模块包括：
第一计算单元，用于分别计算所述自动驾驶仿真测试场景中每个交通参与者的状态信息危险度分值、事件信息危险度分值和环境信息危险度分值；其中，所述状态信息危险度分值表征所述交通参与者与所述自动驾驶仿真测试场景中主车的碰撞时长，所述事件信息危险度分值表征所述交通参与者执行交通动作事件的危险程度，所述环境信息危险度分值表征所述交通参与者所处环境的危险程度；
第二计算单元，用于根据所述状态信息危险度分值、所述事件信息危险度分值和所述环境信息危险度分值，计算所述自动驾驶仿真测试场景的危险度；
和/或，
第三计算单元，用于分别计算所述自动驾驶仿真测试场景的状态信息复杂度分值、事件信息复杂度分值和环境信息复杂度分值；其中，所述状态信息复杂度分值表征所述自动驾驶仿真测试场景中主车周围的交通参与者数量，所述事件信息复杂度分值表征所述交通参与者执行交通动作事件的次数，所述环境信息复杂度分值表征所述主车所处环境的复杂程度；以及
第四计算单元，用于根据所述状态信息复杂度分值、所述事件信息复杂度分值和所述环境信息复杂度分值，计算所述自动驾驶仿真测试场景的复杂度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310931049.8A CN116680932B (zh) | 2023-07-27 | 2023-07-27 | 一种自动驾驶仿真测试场景的评估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310931049.8A CN116680932B (zh) | 2023-07-27 | 2023-07-27 | 一种自动驾驶仿真测试场景的评估方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116680932A CN116680932A (zh) | 2023-09-01 |
| CN116680932B true CN116680932B (zh) | 2023-11-21 |
Family
ID=87787657
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310931049.8A Active CN116680932B (zh) | 2023-07-27 | 2023-07-27 | 一种自动驾驶仿真测试场景的评估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116680932B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111505965A (zh) * | 2020-06-17 | 2020-08-07 | 深圳裹动智驾科技有限公司 | 自动驾驶车辆仿真测试的方法、装置、计算机设备及存储介质 |
| CN111841012A (zh) * | 2020-06-23 | 2020-10-30 | 北京航空航天大学 | 一种自动驾驶模拟仿真系统及其测试资源库建设方法 |
| KR20210067194A (ko) * | 2019-11-29 | 2021-06-08 | 한국과학기술원 | 운전자 주행행태를 고려한 교통 시뮬레이션 방법과 그를 통한 도로구간 위험도 예측 및 안전 취약구간 선정 시스템 |
| 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 |
| CN113887037A (zh) * | 2021-09-28 | 2022-01-04 | 中国科学技术大学先进技术研究院 | 一种不同渗透率的网联环境下自动驾驶系统测评方法 |
| CN115270381A (zh) * | 2021-04-29 | 2022-11-01 | 北京三快在线科技有限公司 | 仿真场景生成方法、装置、自动驾驶设备及可读存储介质 |
| CN116450481A (zh) * | 2023-04-17 | 2023-07-18 | 吉林大学 | 面向自动驾驶汽车仿真测试的多逻辑场景权重分析方法 |
| WO2023133758A1 (zh) * | 2022-01-13 | 2023-07-20 | 华为技术有限公司 | 测试方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9984586B2 (en) * | 2015-11-22 | 2018-05-29 | Victor Popa-Simil | Method and device to improve the flying abilities of the airborne devices operator |
-
2023
- 2023-07-27 CN CN202310931049.8A patent/CN116680932B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210067194A (ko) * | 2019-11-29 | 2021-06-08 | 한국과학기술원 | 운전자 주행행태를 고려한 교통 시뮬레이션 방법과 그를 통한 도로구간 위험도 예측 및 안전 취약구간 선정 시스템 |
| 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 |
| CN111505965A (zh) * | 2020-06-17 | 2020-08-07 | 深圳裹动智驾科技有限公司 | 自动驾驶车辆仿真测试的方法、装置、计算机设备及存储介质 |
| CN111841012A (zh) * | 2020-06-23 | 2020-10-30 | 北京航空航天大学 | 一种自动驾驶模拟仿真系统及其测试资源库建设方法 |
| CN115270381A (zh) * | 2021-04-29 | 2022-11-01 | 北京三快在线科技有限公司 | 仿真场景生成方法、装置、自动驾驶设备及可读存储介质 |
| CN113887037A (zh) * | 2021-09-28 | 2022-01-04 | 中国科学技术大学先进技术研究院 | 一种不同渗透率的网联环境下自动驾驶系统测评方法 |
| WO2023133758A1 (zh) * | 2022-01-13 | 2023-07-20 | 华为技术有限公司 | 测试方法及装置 |
| CN116450481A (zh) * | 2023-04-17 | 2023-07-18 | 吉林大学 | 面向自动驾驶汽车仿真测试的多逻辑场景权重分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| Peng Jing ; Hanbin Hu ; Fengping Zhan ; Yuexia Chen ; Yuji Shi.Agent-Based Simulation of Autonomous Vehicles: A Systematic Literature Review.《 IEEE Access》.2020,第79089-79103页. * |
| 自动驾驶仿真技术研究现状;张微等;《汽车电器》;第13-15+18页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116680932A (zh) | 2023-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3533681B1 (en) | Method for detecting safety of driving behavior, apparatus and storage medium | |
| CN111565990B (zh) | 用于自主车辆的软件验证 | |
| CN110562258B (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
| CN109641589B (zh) | 用于自主车辆的路线规划 | |
| CN109100155A (zh) | 一种无人车在环快速仿真测试系统和方法 | |
| US20170329332A1 (en) | Control system to adjust operation of an autonomous vehicle based on a probability of interference by a dynamic object | |
| CN107843440A (zh) | 一种自动驾驶车辆性能测试系统及方法 | |
| CN114077541A (zh) | 验证用于自动驾驶车辆的自动控制软件的方法和系统 | |
| CN110716529A (zh) | 一种自动驾驶测试用例自动生成方法和装置 | |
| CN112987711B (zh) | 自动驾驶规控算法优化方法及仿真测试装置 | |
| Liu et al. | Human driver model and driver decision making for intersection driving | |
| CN115782905B (zh) | 一种自动驾驶车辆驾驶安全度量化系统 | |
| CN112606831A (zh) | 一种用于客车的防碰撞警示信息对外交互方法及系统 | |
| CN113918615A (zh) | 一种基于仿真的驾驶经验数据挖掘模型构建方法及系统 | |
| CN116680932B (zh) | 一种自动驾驶仿真测试场景的评估方法及装置 | |
| CN114692713A (zh) | 一种自动驾驶车辆的驾驶行为评价方法及装置 | |
| CN114787894A (zh) | 感知误差模型 | |
| CN115855531A (zh) | 自动驾驶汽车的测试场景构建方法、设备和介质 | |
| CN114722931A (zh) | 车载数据处理方法、装置、数据采集设备和存储介质 | |
| CN115457757A (zh) | 判定交通行为合规性的方法和装置 | |
| Gremmelmaier et al. | Cyclist behavior: a survey on characteristics and trajectory modeling | |
| Zhang et al. | Research on construction method and application of autonomous driving test scenario database | |
| CN113793523B (zh) | 一种指挥交通的方法、装置、车载设备及车辆 | |
| Ter Borg et al. | Future Urban Roads | |
| Komavec et al. | Simulation Environment for Testing Autonomous Vehicles |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Room 533, 5th Floor, Building A3A4, Phase I, Zhong'an Chuanggu Science and Technology Park, No. 900 Wangjiang West Road, High tech Zone, Hefei City, Anhui Province, 230031 Applicant after: Anhui Xinxin Science and Technology Innovation Information Technology Co.,Ltd. Address before: 2nd Floor, Building B2, Yunhui Valley, No. 156, Tiangu 8th Road, Software New Town, Yuhua Street Office, High-tech Zone, Xi'an City, Shaanxi Province 710000 Applicant before: Xi'an Xinxin Information Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |