CN116897377A - 车辆的行驶状况的数字表示的比较 - Google Patents

车辆的行驶状况的数字表示的比较 Download PDF

Info

Publication number
CN116897377A
CN116897377A CN202180093375.5A CN202180093375A CN116897377A CN 116897377 A CN116897377 A CN 116897377A CN 202180093375 A CN202180093375 A CN 202180093375A CN 116897377 A CN116897377 A CN 116897377A
Authority
CN
China
Prior art keywords
driving
occupancy
vehicle
fingerprint
travel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180093375.5A
Other languages
English (en)
Inventor
P·韦伯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of CN116897377A publication Critical patent/CN116897377A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/22Matching criteria, e.g. proximity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/50Context or environment of the image
    • G06V20/56Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

用于比较车辆(50)的行驶状况的两个数字表示(1,2)的方法(100),其中,这些数字表示(1,2)分别包含关于以交通相关的对象对该车辆(50)的环境(51)的占用的占用信息(1a,2a),该方法具有如下步骤:·将该车辆(50)的环境(51)的区域(52)划分(110)为部分区域(53)的栅格;·根据第一数字表示(1)中的占用信息(1a)来求取(120)以交通相关的对象对所述部分区域(53)的占用(53a),并将所述占用合并(130)成第一行驶状况的指纹(1b);·根据第二数字表示(2)中的占用信息(2a)来求取(140)以交通相关的对象对所述部分区域(53)的占用(53a'),并将所述占用合并(150)成第二行驶状况的指纹(2b);·根据预给定的度量规则(3)来求取(160)第一指纹(1b)与第二指纹(2b)之间的相似性度量(4);·响应于该相似性度量(4)满足(170)预给定的标准(5),确定(180),所述两个行驶状况相同或至少相似。

Description

车辆的行驶状况的数字表示的比较
技术领域
本发明涉及车辆的行驶状况的数字表示的比较,该比较例如可以用于借助实际执行的行驶的记录来验证行驶的模拟。
背景技术
车辆要获得针对道路交通的运行许可,必须证明该车辆是交通安全的。因此,按照官方要求检测所有可能影响交通安全性的构件和构件组。
车辆可以以其至少部分自动化地行驶在交通中的系统,也必须明确地证明在任意情况下的运行安全性。这种证明非常复杂。从SAE自动化级别3开始,可能在总体上流入新功能实现中的总开销中仅20%投入到实际开发,而剩余的80%需要用于进行确保。
由DE 10 2018 209 108 A1已知一种设备,该设备借助神经网络预测技术系统中的意外事件概率。
为在“Safety of the intended function(期望功能安全)”(SOTIF)的范畴内研究至少部分自动化的车辆非由于具体的电气或机械故障引起的错误行为,模拟这些车辆的行驶。在此,要求证明(验证),该模拟足够接近实际。
发明内容
在本发明的范畴内,开发了一种用于比较车辆的行驶状况的两个数字表示的方法。这些数字表示可以分别呈任意形式存在。但它们分别至少包含关于以交通相关的对象对该车辆的环境的占用的占用信息。
交通相关的对象的示例例如是行驶道路标记、行驶道路边界、其他交通参与者、交通标志以及障碍物。所述占用信息可以涉及存在于车辆的环境中的所有对象,也或者可以仅涉及特定的类型的对象。因此例如可以将有关行驶道路标记的占用信息与有关其他交通参与者的占用信息分开地实现。
在本发明的范畴内,将车辆的环境的区域划分成部分区域的栅格。该区域不必环绕整个车辆延伸。例如,如果在特定的行驶任务方面意图进行行驶状况的比较,则在该行驶任务方面表征该行驶状况的区域是足够的。例如,如果要评估至少部分自动化地行驶的车辆怎样好地保持车道,则作为区域,该行驶道路的在行驶方向上位于前方的、包含至少一个车道边界或被该车辆当前行驶的车道的其他指示符的地区是足够的。
根据第一数字表示中的占用信息来求取以交通相关的对象对部分区域的占用,并将所述占用合并成第一行驶状况的指纹。同样,根据第二数字表示中的占用信息来求取以交通相关的对象对部分区域的占用,并将所述占用合并成第二行驶状况的指纹。根据预给定的度量规则来求取第一指纹与第二指纹之间的相似性度量。响应于该相似性度量值满足预给定的标准,确定,这两个行驶状况相同或至少相似。
例如,相似性度量特别是可以是任意的差度量和/或距离度量,所述差度量和/或距离度量将标量的或矢量的差或距离配属给两个指纹。在此,所述差度量和/或距离度量也还可以附加地耦合到对应的具体应用情况。例如,如果要在该行驶状况下评估,自动化的系统怎样好地识别或者说保持车道,则例如可以借助根据真实车道和/或期望车道求取的权重矩阵的元素对表征该车道的指纹的元素进行加权。
已认识到,以这种方式,特别是可以非常快地将预给定的第一行驶状况与来自预给定的储备(Vorrat)中的多个其他行驶状况进行比较,以便再识别该储备中的第一行驶状况。例如,这可以用于为对应的行驶状况调用附加信息,这些附加信息结合该行驶状况保存在所述储备中。
例如,存储的行驶状况储备可以包括由自动化系统亦或人类测试驾驶员完成的测试行驶的记录。例如,如果在这样的储备中再识别到行驶状况,则例如可以调用在该行驶状况中的、在早前的测试行驶中已有助于成功应对该行驶状况的反应。然后,可以将该反应也用于以类似的方式应对当前的状况。针对此的一个示例性应用是在由人类驾驶员控制的车辆中的驾驶辅助系统。例如,如果在这种车辆的运行中识别到如下行驶状况:在该行驶状况中有失控威胁并且制动是有意义的,则可以将该建议用信号通知该驾驶员。替代地,或者也与此结合,例如提前在制动系统中建立压力,以便在驾驶员实际促使制动时提供最大的制动力。
将环境的区域划分成部分区域的栅格,结合特别是对占用信息的分析处理,能够负责对指纹中的所述信息不仅进行抽象而且进行压缩。这特别是有利的,以便将以完全不同方式检测的数字表示以共同基础合并,而因此使其具有可比性。因此例如可以由摄像机图像得知第一表示,而由激光雷达数据得知第二表示。同样,例如可以通过模拟产生第一表示并且通过测量产生第二表示。进一步消除了如下问题:行驶状况的传感器式检测基本上仅可受限地复制,这使得再识别变得困难。因此例如,即使相同的行驶状况的、来自相同视角的两个直接彼此相继地完成的摄像机图像,在记录的像素值的平面上也远非相同。相反,哪些对象存在于何处不发生变化,并且划分成部分区域的栅格也在一定程度上吸收与此相关的变动(Fluktuationen)。
在一种特别有利的构型中,分别在一个位(Bit)中以二进制检测:部分区域是否以至少一个交通相关的对象被占用。该结论可以涉及交通相关的对象的所有被考虑到的类型,或者也可以仅涉及特定类型的对象。位和/或位序列的比较可以以机器的方式特别高效地执行。因此例如也可执行在非常大的行驶状况储备中快速地执行特定行驶状况的搜索。
因此例如,在一种特别有利的构型中,由行驶状况的至少一个模拟求取第一数字表示,并且由车辆的行驶期间借助至少一个传感器记录的测量数据的记录求取第二数字表示。例如,测量数据可以作为具有在10000行驶小时的数量级中的体量的未经分类的的时间历程存在。在此,进一步地没有注释彼此相继的行驶状况之间的过渡。借助二进制编码的指纹,也能够快速地搜索如此大的表示储备。
特别有利的是,将对于所有部分区域所检测的位合并成一个二进制数作为指纹。例如,能够以唯一的机器命令在精确的一致性方面检查两个这样的二进制数。因此,将环境的区域划分成一定数量的部分区域也是有利的,该数量是二的幂。有利地,该二的幂则相应于在用于比较的硬件平台上的寄存器的宽,即例如64位系统上的64位。
特别有利的是,所述二进制数中一个位的有效位值(Wertigkeit)越小,或越大,则在与此对应的部分区域内的对象对于该车辆在该行驶状况下的行为规划就越重要。这例如不仅简化了搜索二进制数的精确一致性,而且简化了允许二进制数在预给定的容差界限内的偏离。如果行驶状况的最重要的特征相同,则二进制数的最低有效位值的或最高有效位值的位分别也相同。
因此,例如,所述相似性度量可以取决于两个指纹中相同的位序列的长度。该长度可以特别高效地确定,并且然后直接地提供关于两个二进制数的数量上的偏差最大还可以是多大的结论。
例如,如果要研究至少部分自动化驾驶的车辆怎样好地保持车道,则可以专注地观察在该车辆的前方的区域的车道边界。如果该车道边界处于其在期望良好地保持的车道的情况下被期望的位置处,则这与行为规划较不相关,因为在行驶任务的意义上,该当前行为良好,并且不必突发地发生变化。车道边界离期望位置越远,车辆在其目标车道之外越远,反向控制越紧要。在此,例如附加地还可以考虑观察的视角。如果车道边界在前方略远处在地平线上以特定的量侧向偏移,则这相应于,车辆的路线的、比当在该车辆的直接前方的车道边界以相同的量侧向偏移相比明显更小的角度偏差。
在另一有利构型中,所述相似性度量取决于两个指纹之间的Hamming距离。Hamming距离测量两个指纹之间彼此相差多少个位。这在车辆的环境的区域的所有部分区域对于该车辆的行为规划基本上同等重要时特别有利。
在另一特别有利的构型中,将对于所有部分区域所检测的占用分别合并到矩阵中,并由此形成指纹。以这种方式,指纹中例如也保留了在总体上观察的空间区域的二维结构。因此,也能够将关于所述二维结构的附加知识用于将矩阵到指纹的可能预处理。
因此,例如可以在使用至少一个滤波器核的滤波的情况下,至少将由所述表示中的一个表示产生的矩阵转化成指纹。通过选择适合的滤波器核,能够针对对于所述比较重要的行驶状况的特定方面来定制相似性度量。例如,这样可以实现,相似性度量专门测量根据两个所研究的车辆行驶状况遵循的车道在怎样的程度上相同。
为此目的,所述相似性度量例如可以包含两个指纹的逐元素的乘积中的元素的平均值或中值。
例如,两个行驶状况的数字表示的比较可以用于验证车辆的行驶的模拟。就此而言,验证尤其意味着将模拟“锚定(verankern)”在现实中:如果能够为足够的数量的模拟行驶状况找到已知的参考行驶状况,这些参考行驶状况随后与分别所模拟的状况准确相同地进一步发展,则现实以高概率足够准确地被该模拟再现。
因此,本发明还提供一种用于验证车辆的行驶的模拟的方法。
该方法始于,将模拟行驶的至少一个模拟行驶状况转化成数字表示。进一步地,由参考行驶的时间历程来求取该参考行驶内的多个参考行驶状况的数字表示。
根据先前描述的方法,将模拟行驶状况的数字表示与参考行驶状况的数字表示进行比较。由这些比较的结果来求取一个在参考行驶内的与该模拟行驶状况相同或至少相似的至少一个参考行驶状况。通过在搜索中所使用的相似性度量来确定将什么视为相同的或相似的。
将模拟行驶的跟从该模拟行驶状况的走向(Verlauf)与所属的参考行驶的跟从所求取的参考行驶状况的走向进行比较。例如,这种比较可以参考对应的完整走向。但该比较例如也可以评估两个走向是否最终汇到相同的或相似的结果中。因此例如,变道是快速地并且以较小的曲线半径进行还是缓慢地并且以更大的曲线半径进行,不那么重要。重要的仅仅是,最终是否正确地变更了车道。
响应于模拟行驶的跟从走向根据预给定的标准与参考行驶的跟从走向一致,确定,该行驶的模拟至少对于所研究的行驶状况有效。
在此重要的并非在于,模拟行驶的跟从走向,和/或参考行驶的跟从走向,在对应的情况下是否客观上正确。而是,不仅在模拟行驶中而且在参考行驶中出现相同类型的错误正是朝向以下方向的强烈指示:该模拟足够准确地再现现实。
针对此的示例是,至少部分自动化行驶的车辆自发地转向高速公路出口。这样的出口的特定的特征、如特别新的道路状态可能诱导车辆的行为规划者的如下假定:不是当前行驶的右车道,而是该出口,是连贯的行驶道路。如果这种错误不仅在模拟中而且在一个或多个参考行驶期间的相同的或类似参考情况中出现,则该模拟以高概率覆盖导致该错误的发生的作用机制。其结果是,则能够将该模拟用于使该错误的原因可被找到,从而能够随后消除这些原因。
如果存在以上述方式经验证的模拟模型可用,则可以将这样的模拟模型用于自动化地产生行驶状况的大量变化。然后,可以由在模拟中的这些变化的对应的进展推断错误原因。因此例如能够得出模式:自发地行驶偏离高速公路倾向于发生在当累积了高速公路覆层是新的、在下雨和温度低于15℃时。
在一种特别有利的构型中,在一方面模拟行驶的和在另一方面参考行驶的跟从走向中,将分别达到的制动危险的指标(Kennzahlen)和/或针对危险缓和所需的转向潜力用于这些走向的比较。这些是针对从行驶状况出发的通过行驶机动动作最终达到的结果的关键指标。
先前描述的方法特别是例如可以是计算机实现的,而因此体现在软件中。本发明还涉及一种计算机程序,该计算机程序包含机器可读的指令,当在一个或者多个计算机上执行所述指令时,所述指令促使所述一个或者多个计算机实施所描述的方法之一。在该意义上,也可以将用于车辆的控制器和用于技术设备的嵌入式系统视为计算机,所述控制器和所述嵌入式系统同样能够实施机器可读的指令。
同样,本发明还涉及一种具有该计算机程序的机器可读的数据载体和/或下载产品。下载产品是能够通过数据网络传递的、即能够由数据网络的用户下载的数字产品,其例如可以在网上商店中被出售用于立即下载。
此外,计算机可以配备有该计算机程序,配备有该机器可读的数据载体或配备有该下载产品。
附图说明
在下文中与对本发明的优选实施例的描述一起根据附图更详细地表示另外的、改善本发明的措施。
图1示出用于比较车辆的行驶状况的两个数字表示的方法100的实施例;
图2示出用于验证车辆的行驶的模拟的方法200的实施例;
图3示出示例性地将车辆的环境的区域划分成部分区域;
图4示出在形成指纹1b时在使用滤波器核6的滤波的情况下示例性地求取两个行驶状况的相似性。
具体实施方式
图1是用于比较车辆50的行驶状况的两个数字表示1、2的方法100的实施例的示意性流程图。在步骤105中,由行驶状况的至少一个模拟求取第一数字表示1。在步骤106中,由在车辆50的行驶期间借助至少一个传感器记录的测量数据的至少一个记录求取第二数字表示2。两个数字表示1、2分别包含关于以交通相关的对象对车辆50的环境51的占用的占用信息1a、2a。在步骤110中,将环境51的区域52划分成部分区域的栅格53。在步骤120中,根据占用信息1a,求取以交通相关的对象对部分区域53的占用53a。这尤其是可以根据方框121二进制地呈位形式地进行,其分别显示:相应的部分区域53是否以对象被占用。
在步骤130中,将占用53a合并成第一行驶状况的指纹1b。如果占用53a是位,则可以根据方框131将这些占用合并成一个二进制数作为指纹1b。一般地,也可以根据方框132将占用53a合并为成矩阵M,并可以由此形成指纹1b。特别是例如可以根据方框132a,将矩阵M在使用至少一个滤波器核6的滤波的情况下转化成指纹1b。
与步骤120类似,在步骤140中,根据占用信息2a求取以交通相关的对象部分对部分区域53的占用53a'。这特别是可以根据方框141二进制地呈位形式地进行,其分别显示:相应的部分区域53是否以对象被占用。
在步骤150中,与步骤130类似,将占用53a'合并成第一行驶状况的指纹2b。如果占用53a'是位,则可以根据方框151将这些占用合并成一个二进制数作为指纹1b。一般地,也可以根据方框152将占用53a合并为成矩阵M,并可以由此形成指纹2b。特别是例如可以根据区块152a,将矩阵M在使用至少一个滤波器核6的滤波的情况下转化成指纹2b。
在步骤160中,根据预给定的度量规则3求取第一指纹1b与第二指纹2b之间的相似性度量值4。在步骤170中检查,该相似性度量值是否符合预给定的标准5。如果是这种情况(真值1),则在步骤180中确定,数字表示1和2所表征的两个行驶状况相同或至少相似。
图2是用于验证车辆50的行驶的模拟的方法200的实施例的示意性流程图。
在步骤210中,将模拟行驶的至少一个模拟行驶状况1*转化成数字表示1。在步骤220中,由参考行驶的时间历程2z求取在参考行驶内的多个参考行驶状况的数字表示2。在步骤230中,根据先前描述的方法100,将模拟行驶状况的数字表示1与参考行驶状况的数字表示2进行比较。
由在这些比较230中求取的相似性4,在步骤240中求取参考行驶内的至少一个参考行驶状况2*。这例如可以是以下参考行驶状况2*:对于所述参考行驶状况2*,相似性4最大或高于相似性度量的阈值。
在步骤250中,将模拟行驶的跟从模拟行驶状况1*的走向1#与所属的参考行驶的跟从所求取的参考行驶状况2*的走向2#进行比较。为此特别是可以例如根据方框251,在一方面模拟行驶的和在另一方面参考行驶的跟从走向1#、2#中,使用分别达到的制动危险的指标和/或针对危险缓和所需的转向潜力。
在步骤260中,根据预给定标准7在如下方面检查比较250的结果250a:模拟行驶的跟从走向1#是否与参考行驶的跟从走向2#一致。如果是这种情况(真值1),则在步骤270中确定,该行驶的模拟至少对于所研究的行驶状况1*有效。
图3示例性示出怎样从车辆50的环境51中选择区域52并将该区域划分成部分区域53。在该示例中,区域52处于在左旁边并且在行驶方向上在车辆50的前方。区域52长50m,宽3.75m。该区域包含车道边界F。
区域52被划分成63个部分区域53。这些部分区域53包含在2与64之间的位索引,这些位索引说明行驶道路边界F的部分在对应的部分区域中的出现对于车辆50的行为规划在怎样的程度上重要。位索引越高,重要性越低。因此,如果车道边界F保持在其额定的位置处,则这较不重要。然而如果车道边界F游移到区域52的边缘处,则这更重要,更具体地说,其越靠近车辆50并且车辆50的曲线的角度偏差因此越大,越更重要。具有位索引1的位被保留以在检测时显示错误。
因此可以将行驶状况的数字表示1、2压缩成一个唯一的64位数字作为指纹1b、2b。
图4示意性地阐明怎样在使用滤波器核6的滤波的情况下求取指纹1b,并且然后将其与第二指纹2b一起计算成相似性4。在图1所示的示例中,在通过表示1和2所表征的两个行驶状况下,车道位置略在水平方向上偏移。在矩阵中,单个元素中的点密度分别表示该元素的值。一个元素中的点密度越大,该元素的值越大。
第一表示1涉及车道位置恰好在中间的行驶状况。因此,其中合并有占用53a的矩阵M在中间具有带有特别大的值的列。通过使用滤波器核6对矩阵M的滤波,在由此产生的指纹1b中,高数值向左和向右被略微“平均化(verschmiert)”。
第二表示2涉及如下行驶状况:在该行驶状况中,车道位置略向左偏移的。因此,在其中合并有占用53a'的无滤波地产生的指纹2b中,因此在中间偏左的列中具有特别大的值。如果将指纹2b逐元素地与指纹1b相乘,则产生中间结果,在该中间结果中,在中间偏左产生带有偏高的值的列。该中间结果的所有元素的平均值或中值的形成提供所求的相似性4。如果在第二行驶状况中,车道位置同样在中央,则该相似性明显表现得更高。

Claims (15)

1.一种用于比较车辆(50)的行驶状况的两个数字表示(1,2)的方法(100),其中,所述数字表示(1,2)分别包含关于以交通相关的对象对所述车辆(50)的环境(51)的占用的占用信息(1a,2a),所述方法具有如下步骤:
·将所述车辆(50)的环境(51)的区域(52)划分(110)为部分区域的栅格(53);
·根据第一数字表示(1)中的占用信息(1a)来求取(120)以交通相关的对象对所述部分区域(53)的占用(53a),并将所述占用合并(130)成第一行驶状况的指纹(1b);
·根据第二数字表示(2)中的占用信息(2a)来求取(140)以交通相关的对象对所述部分区域(53)的占用(53a'),并将所述占用合并(150)成第二行驶状况的指纹(2b);
·根据预给定的度量规则(3)来求取(160)所述第一指纹(1b)与所述第二指纹(2b)之间的相似性度量(4);
·响应于所述相似性度量(4)满足(170)预给定的标准(5),确定(180),两个行驶状况相同或至少相似。
2.根据权利要求1所述的方法(100),其中,分别在一个位中以二进制检测(121,141)部分区域(53)是否以至少一个交通相关的对象占用。
3.根据权利要求2所述的方法(100),其中,将对于所有部分区域(53)所检测的位合并(131,151)成二进制数作为指纹(1b,2b)。
4.根据权利要求3所述的方法(100),其中,所述二进制数中的一个位的有效位值越小,或越大,则在与此对应的部分区域(53)中的对象对于所述车辆(50)在所述行驶状况下的行为规划就越重要。
5.根据权利要求3至4中任一项所述的方法(100),其中,所述相似性度量(4)取决于在两个指纹(1b,2b)中相同的位序列的长度。
6.根据权利要求2至5中任一项所述的方法(100),其中,所述相似性度量(4)取决于所述两个指纹(1b,2b)之间的Hamming距离。
7.根据权利要求1至6中任一项所述的方法(100),其中,将对于所有部分区域所检测的占用(53a)分别合并到矩阵(M)中,并由此形成(132,152)所述指纹(1b,2b)。
8.根据权利要求7所述的方法(100),其中,在使用至少一个滤波器核(6)的滤波的情况下至少将由所述表示(1,2)中的一个表示产生的矩阵(M)转化(132a,152a)成指纹(1b,2b)。
9.根据权利要求7至8中任一项所述的方法(100),其中,所述相似性度量(4)包含两个指纹(1b,2b)的逐元素的乘积中的元素的平均值或中值。
10.根据权利要求1至9中任一项所述的方法(100),其中,由行驶状况的至少一个模拟求取(105)所述第一数字表示(1),并且其中,由在车辆(50)的行驶期间借助至少一个传感器记录的测量数据的至少一个记录求取(106)所述第二数字表示(2)。
11.一种用于验证车辆(50)的行驶的模拟的方法(200),所述方法具有步骤:
·将模拟行驶的至少一个模拟行驶状况(1*)转化(210)成数字表示(1);
·由参考行驶的时间历程(2z)来求取(220)所述参考行驶内的多个参考行驶情况的数字表示(2);
·根据权利要求1至10中任一项所述的方法(100),将所述模拟行驶状况的数字表示(1)与所述参考行驶状况的数字表示(2)进行比较(230);
·由所述比较的结果(230a)来求取(240)一个参考行驶内的与所述模拟行驶状况(1*)相同或至少相似的至少一个参考行驶状况(2*);
·将所述模拟行驶的跟从所述模拟行驶状况(1*)的走向(1#)与所属的参考行驶的跟从所求取的参考行驶状况(2*)的走向(2#)进行比较(250);
·响应于所述模拟行驶的跟从走向(1#)根据预给定的标准(7)与所述参考行驶的跟从走向(2#)一致(260),确定(270),所述行驶的模拟至少对于研究的行驶状况(1*)有效。
12.根据权利要求11所述的方法(200),其中,在一方面所述模拟行驶的和在另一方面所述参考行驶的跟从走向(1#,2#)中,将分别达到的制动危险的指标和/或针对危险缓和所需的转向潜力用于(251)这些走向(1#,2#)的比较(250)。
13.一种计算机程序,所述计算机程序包含机器可读的指令,当在一个或者多个计算机上执行所述指令时,所述指令促使所述一个或者多个计算机实施根据权利要求1至12中任一项所述的方法(100,200)。
14.一种机器可读的数据载体和/或下载产品,所述机器可读的数据载体和/或下载产品具有根据权利要求13所述的计算机程序。
15.一种计算机,所述计算机具有根据权利要求13所述的计算机程序和/或根据权利要求14所述的机器可读的数据载体和/或下载产品。
CN202180093375.5A 2020-12-09 2021-12-02 车辆的行驶状况的数字表示的比较 Pending CN116897377A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE102020215535.6 2020-12-09
DE102020215535.6A DE102020215535A1 (de) 2020-12-09 2020-12-09 Vergleich digitaler Repräsentationen von Fahrsituationen eines Fahrzeugs
PCT/EP2021/084000 WO2022122553A1 (de) 2020-12-09 2021-12-02 Vergleich digitaler repräsentationen von fahrsituationen eines fahrzeugs

Publications (1)

Publication Number Publication Date
CN116897377A true CN116897377A (zh) 2023-10-17

Family

ID=78916756

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180093375.5A Pending CN116897377A (zh) 2020-12-09 2021-12-02 车辆的行驶状况的数字表示的比较

Country Status (4)

Country Link
US (1) US20240037296A1 (zh)
CN (1) CN116897377A (zh)
DE (1) DE102020215535A1 (zh)
WO (1) WO2022122553A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022213244A1 (de) 2022-12-08 2024-06-13 Zf Friedrichshafen Ag Fahrzeugsystem zur Erhöhung der Sicherheit eines Fahrzeugs, Verfahren und Verwendung

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011107458A1 (de) 2011-07-15 2013-01-17 Audi Ag Verfahren zum Evaluieren einer Objekterkennungseinrichtung eines Kraftfahrzeugs
DE102014204317A1 (de) 2014-03-10 2015-09-10 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zur Ermittlung von Kreuzungsparametern
US11048832B2 (en) * 2018-01-12 2021-06-29 Intel Corporation Simulated vehicle operation modeling with real vehicle profiles
DE102018209108A1 (de) 2018-03-05 2019-09-05 Robert Bosch Gmbh Schnelle Fehleranalyse für technische Vorrichtungen mit maschinellem Lernen
US20200074233A1 (en) * 2018-09-04 2020-03-05 Luminar Technologies, Inc. Automatically generating training data for a lidar using simulated vehicles in virtual space
WO2020079685A1 (en) * 2018-10-17 2020-04-23 Cognata Ltd. System and method for generating realistic simulation data for training an autonomous driver

Also Published As

Publication number Publication date
WO2022122553A1 (de) 2022-06-16
DE102020215535A1 (de) 2022-06-09
US20240037296A1 (en) 2024-02-01

Similar Documents

Publication Publication Date Title
CN111506980B (zh) 对虚拟驾驶环境生成交通场景的方法及装置
JP6838241B2 (ja) 移動体挙動予測装置
US20220048536A1 (en) Method and device for testing a driver assistance system
Agamennoni et al. Estimation of multivehicle dynamics by considering contextual information
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
US20230343153A1 (en) Method and system for testing a driver assistance system
CN110077416B (zh) 一种基于决策树的驾驶员意图分析方法及系统
KR102517546B1 (ko) 차량 주행 위험 예측 시스템 및 그 방법
KR102592830B1 (ko) 차량용 센서퓨전 타겟 예측 장치 및 그의 센서 퓨전 타겟 예측 방법과 그를 포함하는 차량
CN112734808A (zh) 一种车辆行驶环境下易受伤害道路使用者的轨迹预测方法
CN114694449B (zh) 一种生成车辆交通场景的方法和装置、训练方法和装置
CN111814766B (zh) 车辆行为预警方法、装置、计算机设备和存储介质
DE102018215351A1 (de) Verfahren zum Erzeugen einer Informationssammlung zu Fahrszenarien wenigstens eines Fahrzeugs, sowie Fahrzeug, Anordnung und daraus bestehendes System
JP2022502750A (ja) センサデータ流を分析するための方法及び装置、並びに、車両を誘導するための方法
Feth et al. Dynamic risk assessment for vehicles of higher automation levels by deep learning
CN116897377A (zh) 车辆的行驶状况的数字表示的比较
CN112149908A (zh) 车辆驾驶预测方法、系统、计算机设备及可读存储介质
CN114842439A (zh) 跨感知设备的车辆识别方法、装置、电子设备及存储介质
Karunakaran et al. Automatic lane change scenario extraction and generation of scenarios in OpenX format from real-world data
CN115257801A (zh) 轨迹规划方法及装置、服务器、计算机可读存储介质
CN115169477A (zh) 辅助驾驶系统的安全感评估方法、装置、设备及存储介质
DE102020200876A1 (de) Verfahren zum Verarbeiten von Sensordaten einer Sensorik eines Fahrzeugs
CN114651190A (zh) 用于批准使用检测车辆的环境中的物体的传感器系统的方法、设备和计算机程序
KR102484139B1 (ko) 인공지능모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법, 장치 및 시스템
EP4428714A1 (en) Measuring the generalization ability of a trained machine learning model with respect to given measurement data

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