CN116881778A - 智能辅助教学系统安全预警与防护功能测试系统与方法 - Google Patents
智能辅助教学系统安全预警与防护功能测试系统与方法 Download PDFInfo
- Publication number
- CN116881778A CN116881778A CN202311145175.7A CN202311145175A CN116881778A CN 116881778 A CN116881778 A CN 116881778A CN 202311145175 A CN202311145175 A CN 202311145175A CN 116881778 A CN116881778 A CN 116881778A
- Authority
- CN
- China
- Prior art keywords
- data
- accident
- test
- scene
- vehicle
- 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 132
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000006399 behavior Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000010998 test method Methods 0.000 claims 1
- 230000008859 change Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了智能辅助教学系统安全预警与防护功能测试系统与方法,包括获取种子场景,根据所述种子场景进行变异获得待测事故场景,获取测试指标和事故测试数据,对所述事故测试数据进行预处理,提取预处理后的所述事故测试数据的特征,将提取特征后的所述事故测试数据输入第一算法获取初始分类数据,将所述初始分类数据输入第二算法获取事故分类数据,根据预设标准对所述事故分类数据进行分析获取根源数据,将所述根源数据和所述安全预警数据所述提示数据比对,判断事故发生前有无预警、车辆显示屏是否正确提示,输出比对结果。该方法不仅可以提高安全预警与防护功能测试的精度,同时具有较好的可解释性,可以直接应用于智能辅助教学系统中。
Description
技术领域
本发明涉及测试领域,尤其涉及智能辅助教学系统安全预警与防护功能测试系统与方法。
背景技术
测试技术在智能教学系统安全预警与防护领域的应用越来越广泛,可以帮助智能辅助教学系统的管理者迅速、准确地测试车辆的安全预警与防护功能,实现安全预警与防护功能的调整。目前,驾校教练车使用学员众多,基于教练车的行驶速度快、制动距离较长和错误操作严重影响安全预警与防护功能测试的准确性,使得安全预警与防护功能测试存在较多的不确定因素,导致安全预警与防护功能测试存在较大的不确定性。虽然已经发明了一些基于人工的安全预警与防护功能测试方法,但是仍不能有效解决安全预警与防护功能的不确定问题。
发明内容
本发明的目的是要提供智能辅助教学系统安全预警与防护功能测试方法。
为达到上述目的,本发明是按照以下技术方案实施的:
本发明包括以下步骤:
A获取种子场景,根据所述种子场景进行变异获得待测事故场景,获取测试指标和事故测试数据,对所述事故测试数据进行预处理,提取预处理后的所述事故测试数据的特征,所述事故测试数据包括车辆与前方车辆或障碍物的距离、车辆的行为数据、车辆的速度数据、车辆与道路边界的距离、车辆的直行数据、车辆的转向数据、车辆的倒车数据、车辆的轮胎滑移数据、车辆的制动行为数据和车辆的加速踏板、车门状态数据、安全预警数据和提示数据;
B将提取特征后的所述事故测试数据输入第一算法获取初始分类数据,将所述初始分类数据输入第二算法获取事故分类数据;
C根据预设标准对所述事故分类数据进行分析获取根源数据,将所述根源数据和所述安全预警数据所述提示数据比对,判断事故发生前有无预警、车辆显示屏是否正确提示,输出比对结果。
进一步的,根据所述种子场景进行变异获得待测事故场景的方法,包括在种子场景中,通过变异种子场景的各项配置来生成新的待测事故场景,监测各待测事故场景的仿真执行结果,验证变异后的场景是否会造成学员驾驶车辆的不当行为,变异种子场景的方法包括改变输入参数的改变教练车参数、调整学员驾驶行为、改变驾驶速度和增加障碍物。
进一步的,采集所述事故测试数据通过相机、激光雷达、超生波雷达和传感器进行实时获取。
进一步的,在步骤A中所述预处理的方法包括对所述事故测试数据进行删除缺失值和异常值、数据集成、将数据变换成需要的形式。
进一步的,提取预处理后的所述事故测试数据的特征的方法,包括:
将预处理后的所述事故测量数据输入特征提取模型,获取特征向量,所述特征提取模型基于神经网络,采用随机森林算法将预处理后的所述事故测量数据按生成训练集和测试集,将训练集输入,对训练集数据进行数据增强,将数据增强后的数据和原始训练集数据构成样本对,将样本对进行比对,计算样本对的对比损失:
其中相似度函数为,指示函数为/>,样本数量为2N,样本为a,训练集数据为i,增强后的数据为j,筛选出对比损失小于0.1的特征并输出。
进一步的,将提取特征后的所述事故测试数据输入第一算法获取初始分类数据的方法,包括:
对所述事故测试数据的特征进行标准化,将标准化后的特征进行降维,采用相关性分析筛选降维后的特征获得优质特征,计算优质特征的相关度:
其中聚类簇数量为k,维数为m,优质特征n的簇为,优质特征m的簇为/>,簇/>的聚类中心为/>,簇/>的聚类中心为/>,先关度越大表示簇间优质特征距离越远,簇内优质特征距离越近,输出初始分类数据。
进一步的,将所述初始分类数据输入第二算法获取事故分类数据的方法,包括:
将初始分类数据输入第二算法,根据优质特征,给定目标函数:
其中k个类别的初始分类数据集合为,事故测试到第k个超平面的距离为,统一待求解的参数为/>,事故测试数据为i、j,超参数为C;
计算事故测试数据到不同超平面的距离:
其中事故测试数据的优质特征为,事故测试数据的类别数为K,T次方超平面K的参数为/>,T次方超平面k的常数为/>,根据事故测试数据到不同超平面的距离进行分类,事故测试数据距离最小的超平面就是事故预测数据的类别。
进一步的,根据预设标准对所述事故分类数据进行分析获取根源数据的方法,包括:
制定预设标准,根据事故分类数据选取标准,计算选取标准与事故分类数据的关联度:
其中第i事故分类数据为,第j预设标准为/>,事故分类数据的均值为/>,预设标准的均值为/>,分辨系数为/>,事故分类数据和预设标准绝对偏差的极大值/>,事故分类数据和预设标准绝对偏差的极小值/>,时间变量的数量为N,时间变量为n,根据关联度大小获取事故发生的根源。
进一步的,将所述根源数据和所述安全预警数据所述提示数据比对的方法,包括确定根源数据、安全预警数据和提示数据的时间戳格式并统一,将统一格式后的根源数据、安全预警数据和提示数据按照时间戳进行排序,将同一时间戳事故发生前是否发出预警、提示数据是否与根源数据相同作为目标,循环比对排序后的根源数据、安全预警数据和提示数据,输出比对结果。
第二方面,智能辅助教学系统安全预警与防护功能测试系统,包括:
特征提取模块:用于获取种子场景,根据所述种子场景进行变异获得待测事故场景,获取测试指标和事故测试数据,对所述事故测试数据进行预处理,提取预处理后的所述事故测试数据的特征,所述事故测试数据包括车辆与前方车辆或障碍物的距离、车辆的行为数据、车辆的速度数据、车辆与道路边界的距离、车辆的直行数据、车辆的转向数据、车辆的倒车数据、车辆的轮胎滑移数据、车辆的制动行为数据和车辆的加速踏板、车门状态数据、安全预警数据和提示数据;
分类模块:用于将提取特征后的所述事故测试数据输入第一算法获取初始分类数据,将所述初始分类数据输入第二算法获取事故分类数据;
分析模块:用于根据预设标准对所述事故分类数据进行分析获取根源数据,将所述根源数据和所述安全预警数据所述提示数据比对,判断事故发生前有无预警、车辆显示屏是否正确提示,输出比对结果。
本发明的有益效果是:
本发明是智能辅助教学系统安全预警与防护功能测试方法,与现有技术相比,本发明具有以下技术效果:
本发明通过数据预处理、提取特征、数据分类、计算关联度、事故根源分析和比对步骤,可以提高安全预警与防护功能测试的准确性,从而提高安全预警与防护功能测试的精度,将安全预警与防护功能测试量化,可以大大节省资源和人力成本,提高工作效率,可以实现智能教学系统的安全预警与防护功能测试,实时对智能教学系统的安全预警与防护功能测试索进行测试方法改进,对智能教学系统的安全预警与防护功能测试具有重要意义,可以适应不同基于大数据的教练车智能辅助教学系统、不同用户的智能教学系统的安全预警与防护功能测试需求,具有一定的普适性。
附图说明
图1为本发明智能辅助教学系统安全预警与防护功能测试方法的步骤流程图;
图2为本发明智能辅助教学系统安全预警与防护功能测试系统构成图。
具体实施方式
下面通过具体实施例对本发明作进一步描述,在此发明的示意性实施例以及说明用来解释本发明,但并不作为对本发明的限定。
本发明智能辅助教学系统安全预警与防护功能测试方法包括以下步骤:
如图1所示,在本实施例中,包括以下步骤:
A获取种子场景,根据所述种子场景进行变异获得待测事故场景,获取测试指标和事故测试数据,对所述事故测试数据进行预处理,提取预处理后的所述事故测试数据的特征,所述事故测试数据包括车辆与前方车辆或障碍物的距离、车辆的行为数据、车辆的速度数据、车辆与道路边界的距离、车辆的直行数据、车辆的转向数据、车辆的倒车数据、车辆的轮胎滑移数据、车辆的制动行为数据和车辆的加速踏板、车门状态数据、安全预警数据和提示数据;
B将提取特征后的所述事故测试数据输入第一算法获取初始分类数据,将所述初始分类数据输入第二算法获取事故分类数据;
C根据预设标准对所述事故分类数据进行分析获取根源数据,将所述根源数据和所述安全预警数据所述提示数据比对,判断事故发生前有无预警、车辆显示屏是否正确提示,输出比对结果;
在实际评估中,将某驾校的训练场地作为种子场景,所述测试指标包括安全距离预警、不安全行为预警、安全速度预警、安全边界预警、直行安全防护、转向安全防护、倒车安全防护、误踩加速踏板或突然打开车门安全制动、溜车安全制动和远程制动和安全防护,将待测事故场景1在教练车左前方10m且与车辆纵向水平线的夹角不小于120°处设置体积不大于100cm×50cm×50cm的障碍物,车辆挂一挡、以8km/h车速直行,至距离障碍物3.25m处左转,至与障碍物发生碰撞;
待测事故场景2不系安全带情况下、不关闭车门情况下、不打左转向灯情况下完成车辆起步;选择任意训练课程进行训练,在训练过程中单手握转向盘、双手脱离转向盘、低头挂挡、解脱安全带、手持电话放置耳边做拨打电话状、在不观察后视镜的情况下完成左转、在不观察后视镜的情况下完成换道、在不使用转向灯的情况下完成左转、在不使用转向灯的情况下完成换道、将车辆熄火解脱安全带、使用左手打开车门完成下车,至发生碰撞;
待测事故场景3在教练车正后方20m处设置体积不大于100cm×50cm×50cm的障碍物,车辆挂倒挡、以5km/h车速直行,至与障碍物发生碰撞或车辆自主制动,在教练车左后方10m且与车辆纵向水平线的夹角不小于120°处设置体积不大于100cm×50cm×50cm的障碍物,车辆挂倒、以5km/h车速直行,至距离障碍物3.25m处左转,至与障碍物发生碰撞;待测事故场景4在教练车正前方10m以外的地方设置体积不大于100cm×50cm×50cm的障碍物,车辆挂一挡、以10km/h车速直行,至与障碍物发生碰撞,将上述四个待测事故场景作为研究对象。
在本实施例中,根据所述种子场景进行变异获得待测事故场景的方法,包括在种子场景中,通过变异种子场景的各项配置来生成新的待测事故场景,监测各待测事故场景的仿真执行结果,验证变异后的场景是否会造成学员驾驶车辆的不当行为,变异种子场景的方法包括改变输入参数的改变教练车参数、调整学员驾驶行为、改变驾驶速度和增加障碍物。
在本实施例中,采集所述事故测试数据通过相机、激光雷达、超生波雷达和传感器进行实时获取。
在本实施例中,在步骤A中所述预处理的方法包括对所述事故测试数据进行删除缺失值和异常值、数据集成、将数据变换成需要的形式。
在本实施例中,提取预处理后的所述事故测试数据的特征的方法,包括:
将预处理后的所述事故测量数据输入特征提取模型,获取特征向量,所述特征提取模型基于神经网络,采用随机森林算法将预处理后的所述事故测量数据按生成训练集和测试集,将训练集输入,对训练集数据进行数据增强,将数据增强后的数据和原始训练集数据构成样本对,将样本对进行比对,计算样本对的对比损失:
其中相似度函数为,指示函数为/>,样本数量为2N,样本为a,训练集数据为i,增强后的数据为j,筛选出对比损失小于0.1的特征并输出;
在实际评估中,提取的特征为超车行为、变道行为、停车行为、最大速度、平均速度、速度变化率、最小距离、平均距离、距离变化率、直行时间、直行距离、直行加速度、转向时间、转向角度、转向加速度、倒车时间、倒车距离、倒车速度、滑移率、滑移角、滑移时间、制动时间、制动距离、制动力、加速踏板位置、加速踏板变化率、车门开关状态、车门打开时间、安全预警触发次数、安全预警类型、防护装置触发次数、防护装置状态。
在本实施例中,将提取特征后的所述事故测试数据输入第一算法获取初始分类数据的方法,包括:
对所述事故测试数据的特征进行标准化,将标准化后的特征进行降维,采用相关性分析筛选降维后的特征获得优质特征,计算优质特征的相关度:
其中聚类簇数量为k,维数为m,优质特征n的簇为,优质特征m的簇为/>,簇/>的聚类中心为/>,簇/>的聚类中心为/>,先关度越大表示簇间优质特征距离越远,簇内优质特征距离越近,输出初始分类数据;
在实际评估中,待测事故场景1筛选特征转向时间、转向角度、转向加速度的相关度分别为0.68、0.81、0.72,待测事故场景2筛选特征超车行为、变道行为、停车行为的相关度分别为0.51、0.47、0.77,待测事故场景3筛选特征倒车时间、倒车距离、倒车速度的相关度分别为0.54、0.73、0.82,待测事故场景4筛选特征直行时间、直行距离、直行加速度的相关度分别为0.65、0.77、0.8,初始分类为待测事故场景1为转向数据,待测事故场景2为不安全行为,待测事故场景3为倒车,待测事故场景4为直行。
在本实施例中,将所述初始分类数据输入第二算法获取事故分类数据的方法,包括:
将初始分类数据输入第二算法,根据优质特征,给定目标函数:
其中k个类别的初始分类数据集合为,事故测试到第k个超平面的距离为,统一待求解的参数为/>,事故测试数据为i、j,超参数为C;
计算事故测试数据到不同超平面的距离:
其中事故测试数据的优质特征为,事故测试数据的类别数为K,T次方超平面K的参数为/>,T次方超平面k的常数为/>,根据事故测试数据到不同超平面的距离进行分类,事故测试数据距离最小的超平面就是事故预测数据的类别;
在实际评估中,待测事故场景1到超平面左转向、危险驾驶操作、左倒车、慢直行的距离为0.73、0.21、0.19、0.31,待测事故场景2到超平面左转向、危险驾驶操作、左倒车、慢直行的距离为0.27、0.69、0.14、0.31,待测事故场景3到超平面左转向、危险驾驶操作、左倒车、慢直行的距离为0.24、0.18、0.8、0.3,待测事故场景4到超平面左转向、危险驾驶操作、左倒车、慢直行的距离为0.22、0.32、0.17、0.78,待测事故场景1的事故分类为左转向,待测事故场景2的事故分类为危险驾驶操作,待测事故场景3的事故分类为左倒车,待测事故场景4的事故分类为慢直行。
在本实施例中,根据预设标准对所述事故分类数据进行分析获取根源数据的方法,包括:
制定预设标准,根据事故分类数据选取标准,计算选取标准与事故分类数据的关联度:
其中第i事故分类数据为,第j预设标准为/>,事故分类数据的均值为/>,预设标准的均值为/>,分辨系数为/>,事故分类数据和预设标准绝对偏差的极大值/>,事故分类数据和预设标准绝对偏差的极小值/>,时间变量的数量为N,时间变量为n,根据关联度大小获取事故发生的根源;
在实际评估中,事故分类数据选取标准为能探测和识别车头与教练车纵向水平面左右两侧不小于120°且距离不小于3.25m的障碍物,并能在发生危险事件前采取先预警后制动的防护措施,制动后应与障碍物保持不小于20cm的安全距离,且发动机不熄火并持续保持安全制动状态;能探测和识别教练车正后方距离不小于10m的障碍物,并能在发生危险事件前先预警后制动,制动后应与障碍物保持不小于20cm的安全距离,且发动机不熄火并持续保持安全制动状态,能探测和识别车尾与教练车纵向水平面左右两侧不小于120°且距离不小于3.25m的障碍物,并能在发生危险事件前采取先预警后制动的防护措施,制动后应与障碍物保持不小于20cm的安全距离,且发动机不熄火并持续保持安全制动状态;车辆直行与障碍物,能探测和识别教练车正前方距离不小于10m的障碍物,并能在发生危险事件前先预警后制动,制动后应与障碍,物保持不小于20cm的安全距离,且发动机不熄火并持续保持安全制动状态;车辆起步时,学员未按规定系安全带、未关闭车门以及未正确使用转向灯,训练中出现训练中出现单手握转向盘或双手脱离转向盘、低头挂挡、松开安全带、拨打手持电话以及在转向、变道操作时不观察后视镜、不使用转向灯等情况,在学员从车内打开车门时,提醒学员通过后视镜或扭头观察车辆前后交通情况并能对学员未使用右手开门进行语音或机械振动的预警,待测事故场景1的事故根源为转向角度小于120°,待测事故场景2的事故根源为未关闭车门,待测事故场景3的事故根源为转向角度小于120°,待测事故场景4的事故根源为制动后应与障碍物保持小于20cm。
在本实施例中,确定根源数据、安全预警数据和提示数据的时间戳格式并统一,将统一格式后的根源数据、安全预警数据和提示数据按照时间戳进行排序,将同一时间戳事故发生前是否发出预警、提示数据是否与根源数据相同作为目标,循环比对排序后的根源数据、安全预警数据和提示数据,输出比对结果;
在实际评估中,将根源与事故测试比对待测事故场景1及时发出安全预警但未给出正确提示、待测事故场景2及时发出安全预警并给出正确提示、待测事故场景3及时发出安全预警但未给出正确提示、待测事故场景4未能及时发出安全预警并给出正确提示,安全预警与防护功能测试的结果是转向角度小于120°不能给出正确提示、当制动后应与障碍物保持小于20cm不能发出安全预警。
第二方面,智能辅助教学系统安全预警与防护功能测试系统,包括:
特征提取模块:用于获取种子场景,根据所述种子场景进行变异获得待测事故场景,获取测试指标和事故测试数据,对所述事故测试数据进行预处理,提取预处理后的所述事故测试数据的特征,所述事故测试数据包括车辆与前方车辆或障碍物的距离、车辆的行为数据、车辆的速度数据、车辆与道路边界的距离、车辆的直行数据、车辆的转向数据、车辆的倒车数据、车辆的轮胎滑移数据、车辆的制动行为数据和车辆的加速踏板、车门状态数据、安全预警数据和提示数据;
分类模块:用于将提取特征后的所述事故测试数据输入第一算法获取初始分类数据,将所述初始分类数据输入第二算法获取事故分类数据;
分析模块:用于根据预设标准对所述事故分类数据进行分析获取根源数据,将所述根源数据和所述安全预警数据所述提示数据比对,判断事故发生前有无预警、车辆显示屏是否正确提示,输出比对结果。
图2是本申请的一个实施例系统构成图,请参考图2,该系统包括安全预警与防护功能判定系统、数据采集装置、被测试目的物、测试障碍物、测试教练车,数据采集装置与被测试目的物及测试教练车连接,测试教练车与被测试目的物连接,数据采集装置的数据端口与安全预警与防护功能判定系统连接,安全预警与防护功能判定系统与被测试目的物、测试教练车连接,数据采集装置采集来自被测试目的物、设置测试障碍物后测试教练车产生的测试数据,将测试数据传输至安全预警与防护判定系统,测试障碍物放置在测试教练车的路途中,数据采集装置包括相机、激光雷达、超生波雷达和传感器。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.智能辅助教学系统安全预警与防护功能测试方法,其特征在于,包括以下步骤:
A获取种子场景,根据所述种子场景进行变异获得待测事故场景,获取测试指标和事故测试数据,对所述事故测试数据进行预处理,提取预处理后的所述事故测试数据的特征,所述事故测试数据包括车辆与前方车辆或障碍物的距离、车辆的行为数据、车辆的速度数据、车辆与道路边界的距离、车辆的直行数据、车辆的转向数据、车辆的倒车数据、车辆的轮胎滑移数据、车辆的制动行为数据和车辆的加速踏板、车门状态数据、安全预警数据和提示数据;
B将提取特征后的所述事故测试数据输入第一算法获取初始分类数据,将所述初始分类数据输入第二算法获取事故分类数据;
C根据预设标准对所述事故分类数据进行分析获取根源数据,将所述根源数据和所述安全预警数据所述提示数据比对,判断事故发生前有无预警、车辆显示屏是否正确提示,输出比对结果。
2.根据权利要求1所述的智能辅助教学系统安全预警与防护功能测试方法,其特征在于,根据所述种子场景进行变异获得待测事故场景的方法,包括在种子场景中,通过变异种子场景的各项配置来生成新的待测事故场景,监测各待测事故场景的仿真执行结果,验证变异后的场景是否会造成学员驾驶车辆的不当行为,变异种子场景的方法包括改变输入参数的改变教练车参数、调整学员驾驶行为、改变驾驶速度和增加障碍物。
3.根据权利要求1所述的智能辅助教学系统安全预警与防护功能测试方法,其特征在于,采集所述事故测试数据通过相机、激光雷达、超生波雷达和传感器进行实时获取。
4.根据权利要求1所述的智能辅助教学系统安全预警与防护功能测试方法,其特征在于,在步骤A中所述预处理的方法包括对所述事故测试数据进行删除缺失值和异常值、数据集成、将数据变换成需要的形式。
5.根据权利要求1所述的智能辅助教学系统安全预警与防护功能测试方法,其特征在于,提取预处理后的所述事故测试数据的特征的方法,包括:
将预处理后的所述事故测量数据输入特征提取模型,获取特征向量,所述特征提取模型基于神经网络,采用随机森林算法将预处理后的所述事故测量数据按生成训练集和测试集,将训练集输入,对训练集数据进行数据增强,将数据增强后的数据和原始训练集数据构成样本对,将样本对进行比对,计算样本对的对比损失:
其中相似度函数为,指示函数为/>,样本数量为2N,样本为a,训练集数据为i,增强后的数据为j,筛选出对比损失小于0.1的特征并输出。
6.根据权利要求1所述的智能辅助教学系统安全预警与防护功能测试方法,其特征在于,将提取特征后的所述事故测试数据输入第一算法获取初始分类数据的方法,包括:
对所述事故测试数据的特征进行标准化,将标准化后的特征进行降维,采用相关性分析筛选降维后的特征获得优质特征,计算优质特征的相关度:
其中聚类簇数量为k,维数为m,优质特征n的簇为,优质特征m的簇为/>,簇/>的聚类中心为/>,簇/>的聚类中心为/>,先关度越大表示簇间优质特征距离越远,簇内优质特征距离越近,输出初始分类数据。
7.根据权利要求1所述的智能辅助教学系统安全预警与防护功能测试方法,其特征在于,将所述初始分类数据输入第二算法获取事故分类数据的方法,包括:
将初始分类数据输入第二算法,根据优质特征,给定目标函数:
其中k个类别的初始分类数据集合为,事故测试到第k个超平面的距离为/>,统一待求解的参数为/>,事故测试数据为i、j,超参数为C;
计算事故测试数据到不同超平面的距离:
其中事故测试数据的优质特征为,事故测试数据的类别数为K,T次方超平面K的参数为/>,T次方超平面k的常数为/>,根据事故测试数据到不同超平面的距离进行分类,事故测试数据距离最小的超平面就是事故预测数据的类别。
8.根据权利要求1所述的智能辅助教学系统安全预警与防护功能测试方法,其特征在于,根据预设标准对所述事故分类数据进行分析获取根源数据的方法,包括:
制定预设标准,根据事故分类数据选取标准,计算选取标准与事故分类数据的关联度:
其中第i事故分类数据为,第j预设标准为/>,事故分类数据的均值为/>,预设标准的均值为/>,分辨系数为/>,事故分类数据和预设标准绝对偏差的极大值/>,事故分类数据和预设标准绝对偏差的极小值/>,时间变量的数量为N,时间变量为n,根据关联度大小获取事故发生的根源。
9.根据权利要求1所述的智能辅助教学系统安全预警与防护功能测试方法,其特征在于,将所述根源数据和所述安全预警数据所述提示数据比对的方法,包括确定根源数据、安全预警数据和提示数据的时间戳格式并统一,将统一格式后的根源数据、安全预警数据和提示数据按照时间戳进行排序,将同一时间戳事故发生前是否发出预警、提示数据是否与根源数据相同作为目标,循环比对排序后的根源数据、安全预警数据和提示数据,输出比对结果。
10.智能辅助教学系统安全预警与防护功能测试系统,其特征在于,包括:
特征提取模块:用于获取种子场景,根据所述种子场景进行变异获得待测事故场景,获取测试指标和事故测试数据,对所述事故测试数据进行预处理,提取预处理后的所述事故测试数据的特征,所述事故测试数据包括车辆与前方车辆或障碍物的距离、车辆的行为数据、车辆的速度数据、车辆与道路边界的距离、车辆的直行数据、车辆的转向数据、车辆的倒车数据、车辆的轮胎滑移数据、车辆的制动行为数据和车辆的加速踏板、车门状态数据、安全预警数据和提示数据;
分类模块:用于将提取特征后的所述事故测试数据输入第一算法获取初始分类数据,将所述初始分类数据输入第二算法获取事故分类数据;
分析模块:用于根据预设标准对所述事故分类数据进行分析获取根源数据,将所述根源数据和所述安全预警数据所述提示数据比对,判断事故发生前有无预警、车辆显示屏是否正确提示,输出比对结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311145175.7A CN116881778B (zh) | 2023-09-06 | 2023-09-06 | 智能辅助教学系统安全预警与防护功能测试系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311145175.7A CN116881778B (zh) | 2023-09-06 | 2023-09-06 | 智能辅助教学系统安全预警与防护功能测试系统与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116881778A true CN116881778A (zh) | 2023-10-13 |
CN116881778B CN116881778B (zh) | 2023-11-28 |
Family
ID=88259048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311145175.7A Active CN116881778B (zh) | 2023-09-06 | 2023-09-06 | 智能辅助教学系统安全预警与防护功能测试系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116881778B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160431A (zh) * | 2015-09-10 | 2015-12-16 | 清华大学 | 一种对未来车辆汽车驾驶员辅助系统的安全效能预测方法 |
CN108765235A (zh) * | 2018-05-09 | 2018-11-06 | 公安部交通管理科学研究所 | 基于交通事故案例解构的自动驾驶车辆测试场景构建方法和测试方法 |
US20190108768A1 (en) * | 2007-04-12 | 2019-04-11 | Farzan Mohamed | Driver Training System and Method |
CN111426486A (zh) * | 2020-03-30 | 2020-07-17 | 中国标准化研究院 | 辅助驾驶系统的测试方法、装置、设备及存储介质 |
CN112733353A (zh) * | 2020-12-31 | 2021-04-30 | 成都运达科技股份有限公司 | 一种全自动驾驶仿真培训验证方法、系统、终端及介质 |
US20230025414A1 (en) * | 2020-04-02 | 2023-01-26 | Huawei Technologies Co., Ltd. | Method for identifying abnormal driving behavior |
CN116164984A (zh) * | 2023-02-28 | 2023-05-26 | 奇瑞新能源汽车股份有限公司 | 一种限速标志辅助系统道路试验装置及试验方法 |
-
2023
- 2023-09-06 CN CN202311145175.7A patent/CN116881778B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190108768A1 (en) * | 2007-04-12 | 2019-04-11 | Farzan Mohamed | Driver Training System and Method |
CN105160431A (zh) * | 2015-09-10 | 2015-12-16 | 清华大学 | 一种对未来车辆汽车驾驶员辅助系统的安全效能预测方法 |
CN108765235A (zh) * | 2018-05-09 | 2018-11-06 | 公安部交通管理科学研究所 | 基于交通事故案例解构的自动驾驶车辆测试场景构建方法和测试方法 |
CN111426486A (zh) * | 2020-03-30 | 2020-07-17 | 中国标准化研究院 | 辅助驾驶系统的测试方法、装置、设备及存储介质 |
US20230025414A1 (en) * | 2020-04-02 | 2023-01-26 | Huawei Technologies Co., Ltd. | Method for identifying abnormal driving behavior |
CN112733353A (zh) * | 2020-12-31 | 2021-04-30 | 成都运达科技股份有限公司 | 一种全自动驾驶仿真培训验证方法、系统、终端及介质 |
CN116164984A (zh) * | 2023-02-28 | 2023-05-26 | 奇瑞新能源汽车股份有限公司 | 一种限速标志辅助系统道路试验装置及试验方法 |
Non-Patent Citations (2)
Title |
---|
JABER, ALAA ABDULHADY: "Fault diagnosis of industrial robot gears based on discrete wavelet transform and artificial neural network", INSIGHT, vol. 58, no. 4, pages 179 - 186 * |
邹鹏;谌雨章;蔡必汉;: "基于深度学习的智能车辆辅助驾驶系统设计", 信息与电脑(理论版), no. 11, pages 139 - 140 * |
Also Published As
Publication number | Publication date |
---|---|
CN116881778B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
CN108877213B (zh) | 交通事故的识别方法及系统 | |
CN103531042A (zh) | 基于驾驶人类型的车辆追尾预警方法 | |
CN111415533B (zh) | 弯道安全预警监控方法、装置以及系统 | |
CN108769104B (zh) | 一种基于车载诊断系统数据的路况分析预警方法 | |
CN105976449A (zh) | 车辆远程自动定损碰撞检测方法及系统 | |
CN110901385B (zh) | 一种基于驾驶员疲劳状态的主动限速方法 | |
CN109031251A (zh) | 一种汽车车载传感器故障自动检测方法及装置 | |
CN114379559B (zh) | 一种基于车辆信息采集系统的驾驶风险评价特征画像方法 | |
CN112644506A (zh) | 一种基于模型长短时记忆神经网络lstm-nn检测驾驶人驾驶分心的方法 | |
CN112991685A (zh) | 考虑驾驶人疲劳状态影响的交通系统风险评估及预警方法 | |
JP7354295B2 (ja) | 車両信号を処理して挙動危険性の測度を計算するための装置及び方法 | |
CN114419880A (zh) | 一种基于人车和环境的驾驶行为分析方法及系统 | |
Derbel | Driving style assessment based on the GPS data and fuzzy inference systems | |
CN115965235A (zh) | 一种公交城市公交事故风险因素分析方法 | |
CN112070927A (zh) | 一种高速公路车辆微观驾驶行为分析系统与分析方法 | |
CN112356849A (zh) | 一种危险驾驶的预警方法及装置 | |
CN110992709A (zh) | 一种基于驾驶员疲劳状态的主动限速系统 | |
CN116881778B (zh) | 智能辅助教学系统安全预警与防护功能测试系统与方法 | |
Attal et al. | Riding patterns recognition for Powered two-wheelers users' behaviors analysis | |
Chen et al. | Predicting driver lane change maneuvers using vehicle kinematic data | |
CN111775948B (zh) | 一种驾驶行为分析方法及装置 | |
Peng et al. | A Method for Vehicle Collision Risk Assessment through Inferring Driver's Braking Actions in Near-Crash Situations | |
IL292806A (en) | Method, device and computer program for operating a sensor system for detecting objects in the environment of a vehicle | |
CN112530164A (zh) | 一种高海拔地区道路主动驾驶安全预警方法及系统 |
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 |