CN116997890A - 生成未知不安全场景、改进自动交通工具、计算机系统 - Google Patents
生成未知不安全场景、改进自动交通工具、计算机系统 Download PDFInfo
- Publication number
- CN116997890A CN116997890A CN202280016505.XA CN202280016505A CN116997890A CN 116997890 A CN116997890 A CN 116997890A CN 202280016505 A CN202280016505 A CN 202280016505A CN 116997890 A CN116997890 A CN 116997890A
- Authority
- CN
- China
- Prior art keywords
- scene
- scenes
- sco
- vehicle
- unknown
- 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
Links
- 238000000034 method Methods 0.000 claims abstract description 77
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000004088 simulation Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 6
- 230000000903 blocking effect Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 description 15
- 238000013480 data collection Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 230000015654 memory Effects 0.000 description 11
- 238000013459 approach Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000002948 stochastic simulation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000004387 environmental modeling Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
- B60W60/0016—Planning or execution of driving tasks specially adapted for safety of the vehicle or its occupants
-
- 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
- G06F11/3664—Environments for testing or debugging software
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- 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
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
一种用于生成未知不安全场景(SUU)以评估和改进自动交通工具(VHC)的安全性的计算机实现的方法,包括提供多个不同场景(SCO)的第一过程(PC1)。为了提高自动交通工具(VHC)的安全性和设计这些的效率,本发明提出提供将多个不同场景(SCO)减少为未知不安全场景(SUU)的场景(SCO)的第二过程(PC2)。此外,本发明涉及提供一种用于通过应用计算机实现的方法来模拟系统的计算机系统(CPS)。
Description
技术领域
本发明涉及一种用于生成未知不安全场景、尤其是用于评估自动交通工具的安全性的计算机实现的方法,包括提供多个不同场景的第一过程。此外,本发明涉及包括至少一个处理器的计算机系统,该处理器被配备来执行根据本发明的方法。
背景技术
近些年来,在自动驾驶功能和技术(例如,传感器技术、高性能计算、机器学习、计算机视觉等)的开发中取得了显著的进步。然而,尽管自动驾驶功能的大量发展,但是引入能够在无监督的非结构化环境中驾驶的全自动交通工具仍然是长期的目标。
目前市场上的主要驾驶员辅助系统被分类为SAE级别1或2(自动化级别1:辅助模式:某些辅助系统帮助交通工具操作,例如自适应巡航控制(ACC);自动化级别2:辅助模式、部分自动化;诸如自动停车、车道保持、一般纵向引导、加速、制动的功能由辅助系统(例如,交通阻塞辅助)来执行,并且已经被设计用于特定情形。相比较而言,具有高自主级别(SAE级别3、4、5)的系统必须被彻底地测试并且在复杂的交通情形、不利的天气和照明条件以及演变的情景(包括边缘/拐角情形以及罕见但安全相关的事件)中是稳健的。在它们可以安全地投放市场之前,这将需要大量的测试驾驶公里。这意味着传统的验证方法、过程和工具不能有效地处理验证这些新系统的挑战性问题。
为了评估自动交通工具(AV)的安全性,必须考虑各个方面。首先,必须通过功能安全确保安全操作,如ISO26262(道路交通工具-功能安全)所描述。本标准涉及由硬件和软件中的系统和随机故障引起的技术故障引起的危害。此外,必须确保所谓的预期功能安全(SOTIF)。SOTIF侧重于在没有技术系统故障的情况下,缓解功能不足导致的风险和危害。SOTIF分析涵盖系统弱点识别以及导致危害事件的场景。
根据SOTIF,根据两个属性对场景进行分类:首先,场景是已知的或未知的,这取决于它们是否已经被设计者预见。其次,它们是安全的或不安全的。这产生四种类型的场景:
-已知安全,
-已知不安全,
-未知不安全,以及
-未知安全。
SOTIF分析主要集中于识别未知不安全场景。当发现不安全场景时,可以减轻其风险。
识别SOTIF评估的未知不安全场景是一项开放挑战。
为了获得这样的场景,已知从诸如测试驾驶或事故数据库的数据中提取它们。然而,从测试驾驶中提取仍然需要很多测试公里。从事故数据库中提取具有缺点,这些缺点目前涉及人类驾驶员。这些可能不是代表性的,因为对于人类驾驶员危险的场景对于自动驾驶系统可能不是危险的。另一方面,自动驾驶功能可能引入新的危险。
SOTIF考虑了由潜在系统危害以及特定操作情况引起的危害事件。因此,检测这种危险需要识别触发危险且以前未知的不安全情况。术语“危险性”和“新颖性”分别用于指示场景不安全和未知的可能性。安全性评估的最新场景识别技术被分为:
一种已知的方法是所谓的基于知识的场景生成。当基于知识生成场景时,应当考虑许多因素。这里,必须验证自主交通工具的一些方面,例如操作设计域、对象和事件检测和响应、交通工具操纵和故障管理。例如,操作设计域分类和基于本体的场景生成是指导如何将不同元素组合为场景的方法。
另一种已知的方法是通过参数变化进行场景识别。在该方法中,场景创建从逻辑场景开始。为了找到危险场景,对参数范围进行采样。危险性指标或适应度函数可被用于区分相关场景与不相关场景。相关/逻辑场景以功能场景开始,然后通过定义参数范围来获得。关键性能指标(KPI)被分配给每个逻辑场景,其被用作危险性指标。然后,可以使用参数变化来选择具体场景。
另一种已知的方法是具有自动优化或篡改的场景识别。在该方法中,场景创建从(一组)具体场景开始,然后增加其复杂度或危险性。危险性指标或目标函数被用于支持搜索。在大多数情况下,使用模拟以迭代方式进行优化。该方法基于可达性分析,旨在测试运动规划器。首先确定预期可达集合。该集合包含除不可避免地会导致事故的状态之外的所有可达状态。为了计算可达集合,需要交通工具模型。然后,通过计算对应于预期可达集合的所有位置的区域来获得可驾驶区域。可驾驶区域被用作危险性度量。接下来,使用优化例程来缩小可驾驶区域。
另一种已知的方法是数据库场景识别。先前章节中讨论的方法基于知识场景的生成。相比,将在本节中呈现的方法从数据中提取场景。前两个作用涉及被测试自动驾驶系统本来可以避免的碰撞检测。碰撞频率统计估计的基于数据的场景选择可被细分为以下组。
-随机模拟中的碰撞避免
在此方法中,从事故数据库中选择场景。接下来,使用随机模拟来评估自动驾驶系统的安全有效性。扫描各种参数,例如对应于其相应模型的其他交通参与者的行为。这样,可以确定自动驾驶系统是否能够避免事故。这种方法需要非常详细的事故说明,并且仅提供关于自动功能性本身可能引入的新的潜在危险的有限信息。
-基于搜索的可避免碰撞
主要使用两种基于搜索的方法来在模拟中找到可避免碰撞。可避免碰撞被定义为在具有被测试自动驾驶系统特定配置的特定场景中发生的碰撞,但是如果系统被不同地配置则该碰撞将被避免。第一种是顺序方法,其中场景的危险首先被最大化以找到碰撞。然后,执行多目标搜索以找到在相同场景中不会产生碰撞的不同权重。目的是最小化危险并最小化在初始权重与重新配置权重之间的距离。第二种方法是多目标方法,其将搜索碰撞与避免碰撞的替代配置相结合。最小化在原始与重新配置的权重之间的距离的目的保持不变。
-极值理论的场景选择
在此方法中,在统计上估计碰撞的频率。为此,使用包括传感器数据的事故数据,从而可以计算与碰撞的接近度。利用极值理论,可以外推近碰撞事件的频率以产生真实碰撞的估计频率。
发明内容
本发明的目的通过独立权利要求来实现。从属权利要求描述了本发明的有利发展和修改。
本发明通过一种开头提到的类型的方法解决了传统方法的上述问题和缺点,该方法包括将多个不同场景减少为未知不安全场景的第二过程。
本发明将“情景”称为“场景”发生的环境。例如,优选地,位置、天气条件和照明条件可以定义一个场景。
在本发明的措辞中,“基本场景元素”被定义为描述道路用户在横向和纵向方向上的行为或移动的抽象模型。该行为优选地被理解为相应参与者的水平移动。
根据本发明,“场景”是特定情景中所有道路用户和他们各自的基本场景元素(即,他们的行为)的组合。
在本发明的措辞中,“3D环境”可被理解为具有形象外观的3D交互式环境。该3D环境允许交通工具轮胎接触片与该3D环境的对应接触表面之间的相互作用,尤其是机械相互作用,以及该交通工具的传感器与3D环境之间的其他传感器相互作用,尤其是电磁的、例如光学相互作用。
应当注意,贯穿本申请的“一”或“一个”的使用不排除多个,并且“包括”不排除其他步骤或元件。此外,可以组合结合不同实施例描述的元件。还应当注意,权利要求中的附图标记不应当被解释为限制权利要求的范围。
将来自知识库的场景的构造与对来自所记录数据的场景的搜索进行比较会产生以下相似性和差异。
这些方法之间的相似性例如可以是场景的模拟是重要的。此外,大多数方法需要危险性指标或目标函数来区分危险或非危险场景。
作为区别,可以提及的是,一组方法从逻辑场景开始,然后对参数空间进行采样。这可以使用正常采样、参数的随机变化或组合测试方法来完成。其它方法从一个或一组具体场景开始并应用优化过程,大部分是迭代的。使用例如基于转换的RRT、进化算法、单目标和多目标优化来完成优化。
如所讨论的,当前场景识别方法通常仅集中于危险性和潜在的不安全情况,而不一定集中于未知的情况。同时,使用了对于危险性的各种定义和指标。
本发明的一个目的是开发一种以识别未知和不安全的场景为目标的通用方法。
根据本发明,通过最初定义的方法提供了上述问题的解决方案,该方法进一步包括:
-将多个不同场景减少为未知不安全场景的第二过程。
根据本发明的方法的一个优选实施例包括如下步骤:
-通过生成3D-环境,数据收集和输入数据到模拟环境,
-场景选择和提取基本场景元素,
-选择道路用户的数量和类型以及产生大量场景,
-对未知不安全场景的优化。
作为优选实施例,提供多个不同场景的该第一过程可以包括:
-步骤1:通过生成3D环境,收集数据并将数据导入模拟环境,
-步骤2:选择场景并从该场景中提取基本场景元素,
-步骤3:选择多个道路用户并且选择每个道路用户的类型并且生成多个不同场景。
优选地,收集真实世界数据包括使用以下至少一项的传感器的传感器记录:
-无人驾驶飞机,
-路旁传感器,
-配备有传感器组的交通工具,
-正常交通工具的机群。尤其地,使用这些可能性的组合或全部能够实现更加逼真的模拟,产生自主驾驶系统的安全性的有效测试和最有价值的改进。
根据本发明,生成3D环境会将真实世界记录的数据转换为交互式模拟设施-分别为3D环境-从而实现在交通工具与其周围环境之间的交互(例如,在地面/路面与轮胎之间的机械交互)。该交互式3D环境还允许对情景和场景的修正。这些修正是产生多个场景的一个必要要素,该多个场景包括给予改进自主驾驶系统的显著潜力的尤其感兴趣的场景。
根据本发明,该第二过程包括步骤4,其特征在于将多个不同场景减少到更加选择的多个场景,这些场景包括较高部分未知不安全场景、优选仅包括未知不安全场景。虽然先前的步骤中的一个能够对场景进行修正并且生成多个不同场景,但是并非所生成的所有这些场景都足以用于提高自主驾驶系统的安全性。因此,步骤4提供感兴趣场景的选择。
另一优选实施例规定,步骤1还包括子步骤,如:
(1a)通过传感器测量和记录真实场景数据的测量来收集数据,
(1b)将多个场景的真实场景数据的传感器测量的记录提供到数据收集中,
(1c)将该数据收集的数据输入到模拟环境中,
(1d)由该模拟环境从该数据收集生成至少一个3D环境。
另一优选实施例规定,步骤2包括:
(2a)从该3D环境中选择情景以建立场景,
(2b)从该情景中提取基本场景元素。
尤其地,基本场景元素的提取让位于场景的交互性、模块性和可变性,而不会失去真实数据记录的真实性。
一个优选实施例通过子步骤规定了场景的修正:
(3a)选择用于生成场景的道路用户的数量和类型,以及随后
(3b)基于所选择的道路用户的数目和类型生成多个场景。现实世界数据的这种变化过程是有效的,并且产生良好的场景质量。
根据本发明的另一优选实施例,步骤4包括以下子步骤:
(4a)通过为每个场景确定作为危险性随时间变化的严重性指标,朝向未知不安全场景的较高部分减少该多个场景。根据该实施例,可以丢弃具有严重性指标的场景,该严重性指标指示该场景是不太未知不安全的。因此,根据本发明的该优选实施例,具有不超过预定危险性阈值的严重性指标量的场景更可能是之前已知的,并且因此不被认为是未知的,并且优选地被丢弃。
优选地,该严重性指标可以被定义为:
-危险性指标的时间导数或
-危险性指标的组合的时间导数或
-最优选地作为危险性指标或危险性指标组合的时间导数的量。
这种组合可以是几个危险性指标的加权和。
该定义有利地反映出,对于交通工具和自主驾驶系统而言,场景对于道路用户而言分别是未知的、意外的。
最优选地,一个危险性指标或作为本发明的变体、唯一的危险性指标可以是预测碰撞时间,其中严重性指标优选地被建模为该预测碰撞时间的时间导数的量,或可选地建模为该预测碰撞时间的负时间导数。其它算法选择也是可能的,例如该预测碰撞时间的该时间导数的倒数值或负倒数值。
选项“该预测的时间碰撞的负时间导数”例如使得能够评估两个属性:通过仅评估一个参数的未知或意外属性和不安全(或危险)属性。意外和危害性随着严重性指标的增加而增加。其他危险性指标可以与道路状况相关。取决于湿度、湿度、雨量和温度,道路可以是湿的、滑的或结冰的。这些因素可能影响轮胎牵引力。这些条件(如突然的黑冰、雾或雷暴)的变化的意外性(未知)可被量化为这些危险性指标的时间导数的量。
某一时刻的预测碰撞时间或短时碰撞时间值被定义为,如果保持碰撞航向和速度差,则直到两个道路用户或交通工具之间的碰撞发生为止所剩余的时间。
本发明的一个有用的变体规定了,修正该情景或场景包括这些附加步骤中的至少一个:
(1e)识别该3D环境中至少一个道路用户的至少一个轨迹的至少一个阻塞部分,
填充该阻塞部分,
(1f)从该3D环境中的至少一个道路用户的至少一个轨迹中移除至少一个动态对象以具有平滑轨迹,
(1g)向至少一个道路用户添加虚拟传感器。
尤其地,本发明涉及一种用于改进自动交通工具的安全性的设备和/或方法,该设备被配备用于执行该方法并且该方法包括以下步骤:
-提供包括至少一个处理器的驾驶员辅助系统(优选为高级驾驶员辅助系统[ADAS]),该驾驶员辅助系统包括至少一个处理器,该处理器被配备用于在交通工具的操作中半自主地或自主地控制干预;交通工具的操作可以被认为是驾驶交通工具(例如,加速、制动),或控制特定的操纵(例如,停车驾驶辅助),或读取信号设备,或在危险情形之前不久或期间通过适当的人机界面警告驾驶员;
-提供至少两个(当比较仅两个不同的设定时)、优选地多于两个参数(ADAS参数)设定用于配置控制行为的干预,
-以多个不同的参数设定,使用根据权利要求1-12中至少一项的方法生成的至少一个未知不安全场景的模拟,在环路中(意味着某物在环路中XiL)测试该驾驶员辅助系统(优选为高级驾驶员辅助系统)的至少一部分;例如,在环硬件HiL(https:// de.wikipedia.org/wiki/Hardware_in_the_Loop)),
-关于预定标准选择比其他参数设定表现更好的多个不同参数设定中的至少一个参数设定,
-通过所选择的参数设定之一来配置自动交通工具驾驶员辅助系统(ADAS),
-使用所配置的驾驶员辅助系统(ADAS),驾驶自动交通工具。
在此优选地,提供用于配置干预控制行为的参数(ADAS-参数)设定可以通过以下方式来完成:在第一猜测中任意地选择每个参数的任意优选地合理的分别可行的值,或者通过遵循优化策略来选择每个参数的合理的分别可行的区间并且从这些区间中选择优选地等距值以优选地覆盖整个范围并且随机地或系统地组合不同参数的这些值并且比较相应的驾驶员辅助系统参数性能。
相应驾驶员辅助系统参数性能的比较可以通过比较以下项来完成:
-相应场景期间的最大(或最小或危险性量(取决于危险性指标))危险性值,或
-危险性积分或
-危险性/严重性的比率或
-其它已知标准以分别评价所得到的安全性和安全性改进。
此外,本发明涉及该设备、例如包括至少一个处理器的计算机系统,该处理器被配备用于执行根据本发明或其变体或优选实施例之一的方法。
用于执行根据本发明或其优选实施例之一的方法的设备可以是计算机网络中的计算机、个人计算机或工作站,并且包括中央处理单元、系统存储器以及将包括系统存储器的各种系统组件联接到中央处理单元的系统总线。系统总线可以是多个类型的总线结构中的任一种,包括存储器总线或存储器控制器、外围总线和使用各种总线体系结构中任一种的本地总线。系统存储器可以包括只读存储器(ROM)和/或随机存取存储器(RAM)。基本输入/输出系统(BIOS)可以存储在ROM中,该基本输入/输出系统包含诸如在启动期间帮助在个人计算机内的元件之间传送信息的基本例程。计算机还可以包括用于从硬盘读取和向硬盘写入的硬盘驱动器。硬盘驱动器可以通过硬盘驱动器接口与系统总线联接。驱动器及其相关联的存储介质为计算机提供机器可读指令、数据结构、程序模块和其它数据的非易失性存储。尽管这里描述的示例性环境采用硬盘,但是本领域技术人员将理解,可以使用其它类型的存储介质,例如闪存卡、数字视频盘、随机存取存储器(RAMS)、只读存储器(ROM)等,来代替上面介绍的存储设备,或者除了上面介绍的存储设备之外还使用其它类型的存储介质。多个程序模块可被存储在硬盘、ROM或RAM上,诸如操作系统、一个或多个应用程序,如用于估计的方法和/或其它程序模块,和/或例如程序数据。
本发明的其他可能实现方式或替代解决方案还包括以上或以下关于这些实施例描述的特征的组合(在此未明确提及)。本领域技术人员还可以将单个的或单独的方面和特征添加到本发明的最基本的形式中。
到目前为止,已经关于所要求保护的方法和装置描述了本发明。这里的特征、优点或替换实施例可以被分配给其他要求保护的对象(例如计算机程序或装置,即设备或计算机程序产品),反之亦然。
换言之,可以利用在该方法的背景中描述或要求保护的特征来改进针对该设备要求保护或描述的主题,反之亦然。在这种情况下,该方法的功能特征分别由系统的结构单元体现,反之亦然。通常,在计算机科学中,软件实现和对应的硬件实现是等效的。因此,例如,用于“存储”数据的方法步骤可以用存储单元和将数据写入存储器的相应指令来执行。为了避免冗余,尽管该设备也可以用在参考该方法描述的可替换实施例中,但是这些实施例没有针对该设备再次明确描述。
不是该方法的所有步骤都必须在相同的组件或计算机实例上执行,而是也可以在不同的计算机实例上执行,这是本发明的一部分。
此外,可以在一个单元中执行上述方法的各个步骤,而在另一个单元中执行剩余的组件,作为分布式系统。
根据下面的描述和实施例,上述本发明的特性、特征和优点以及实现它们的方式变得更清楚和更易于理解,下面的描述和实施例将在附图的背景中更详细地描述。下面的描述并不将本发明限制于所包含的实施例。在不同的图中,相同的部件或部分可以用相同的附图标记来标记。通常,附图不是按比例的。应当理解,本发明的优选实施例也可以是从属权利要求或上述实施例与相应独立权利要求的任何组合。
附图说明
现在参照附图仅以示例的方式描述本发明的实施例,其中:
图1描绘了根据本发明的方法的步骤;
图2示出了不同的可能数据源和数据收集方法;
图3示出了情景位置中的源和接收闸门
图4为源闸门1生成的图形和假设参数分布;
图5示出了已知不安全场景(左上)、未知不安全场景(右上)、由于前行交通工具的急制动而导致的碰撞时间的平稳减少(左下)以及由于前行交通工具的剧烈车道改变而导致的碰撞时间的突然下降(右下);
图6示出了具有三个动态道路用户的情景的多目标优化。
附图中的图示分别是示意性的形式。
注意,在不同的图中,相似或相同的元件可以具有相同的附图标记。
具体实施方式
图1示出了说明根据本发明的方法步骤的简化流程图。
根据本发明的方法的更一般的聚类包括:
-提供多个不同场景SCO的第一过程PC1,以及
-将多个不同场景SCO减少至作为未知不安全场景SUU的场景SCO的第二过程PC2。
更细节地分解该第一过程PC1,其特征为:
-步骤1:
通过测量和记录由传感器SNR测量的真实场景SCO数据来收集数据CDT,例如从真实交通工具VHC操作收集数据CDT,以及
将该数据收集DCL的数据CDT输入到模拟环境SME,以及
由该模拟环境SME从该数据收集DCL生成至少一个3D环境3DE;
-步骤2:
从该3D环境3DE中选择场景SCN以建立场景SCO,以及
从该场景SCN中提取基本场景SCO元素SEL。
-步骤3:
选择道路用户RUS的数量#RUS和选择每个道路用户RUS的类型,并且基于所选择道路用户RUS的数量和类型生成多个场景SCO。
更详细地,该第一过程PC1的特征还在于步骤4:通过为每个场景SCO确定严重性指标SID作为危险性CTC随时间的变化,并丢弃严重性指标SID的量不超过预定阈值TRS的场景SCO,来将该多个场景SCO向较高部分未知不安全场景SUU减小RDC。
首先,应选择情景位置、天气和照明条件,然后应在所选情景SCN中收集数据。通过集中于特定情景位置,数据收集的效率通过为不同的道路用户找到更多变化的场景而增加,这也增加了在一个位置中找到罕见场景的可能性。可以实现用于数据收集的不同方法。通常,可以收集真实数据或者可以生成合成数据。
图2示出了说明步骤1的数据收集DCL的简化流程图,该数据收集属于例如在特定情景SCN位置中生成未知不安全场景SUU的第一过程PC1。
对于真实数据RDT 4,图2示出了数据收集的四种示例性方式(也参见图1),涉及使用以下至少一项的传感器SNR的传感器SNR记录:
-无人驾驶飞机DRN,
-路旁传感器SNR,
-配备有传感器SNR组的交通工具,
-正常交通工具的机群。
然后,应处理所收集的数据(后处理PPC,优选地对于每种传感器记录类型不同),并通过生成3D环境将其导入模拟环境SME。
模拟环境SME和/或后处理PPC能够识别和填充所收集数据的轨迹TRJ的阻塞部分。阻塞可由合成数据SDT填充。此外,优选地,可以为动态对象过滤数据,使得轨迹平滑。填充数据集的阻塞部分增加了提取基本场景元素的可能性,这将在下面进一步解释。此外,将数据导入模拟环境SME提供了通过向道路用户RUS添加虚拟传感器(附加合成数据SDT)来丰富数据的可能性。
步骤(2)的基本场景元素ESE的情景选择和提取属于下一组步骤。基于图的方法(见图3、4)可用于从输入到该模拟环境SME的导入数据中提取基本场景元素BSE。首先,在情景位置上定义源闸门(英语:source gate)SOG(#1、2、3、4)和接收闸门(英语:sink gate)SIG(#5、6、7、8)(见图4)。然后将基于从源闸门SOG中的每一个到接收闸门SIG中的一个的移动的可能性来建立图的边缘。可以从所收集的数据CDT生成这些基本场景元素BSE的参数分布。例如,道路用户RUS的移动MVM可以在纵向方向上通过恒定加速度、恒定速度和恒定加速度来提取,并且道路用户RUS的横向移动可以在恒定曲率〖(ρ〗_1=C_1)、瞬时曲率〖(ρ〗_2=C_2(X,Y))和恒定曲率〖(ρ〗_3=C_3)的三个移动MVM中提取。其中C_1和C_3是常数,C_2是道路用户在全局坐标中的X、Y位置的函数。变道(左/右)、U形转弯、转弯(左/右)是瞬时曲率函数的例子。
针对未知不安全场景SUU的该优化属于下一组步骤(c)。在本发明的措辞中,该优化是将多个不同场景SCO减少至作为包括较高部分未知不安全场景SUU的场景SCO、优选地仅包括未知不安全场景SUU。
在大量场景SCO中,分别在先前步骤中生成的多个不同场景SCO和/或测试用例中,仅有限数量的情况是危险的,因此对于设计者是感兴趣的。需要一种优化算法来找到未知不安全场景SUU,该优化的一个重要部分是适当目标函数的定义,其有效地将可能的大量场景SCO朝向被称为危险性指标的未知不安全场景SCO缩小。
严重性指标可被优选地定义为:
危险性随时间的变化。
这可以分别建模表示,严重性被定义为危险性指标的时间导数。对于作为最广泛使用的危险性指标之一的“碰撞时间”(TTC),例如可以将严重性指标建模为(d(TTC))/dt。严重性值越高,表示该场景SCO危险性越高,对于主机交通工具是预料之外的,并且因此可以被分类为未知场景。
图5示出了装备有前向传感器SNR的主机交通工具VHC仅能够检测主机交通工具VHC前方的一个交通工具VHC的两种不同场景。在左侧,主机交通工具在接近前行交通工具VHC,该前行交通工具在急制动BRK。在这种情况下,当TTC变得更小时,危险性越高。然而,导数项不大,因为主机交通工具VHC具有清晰的视线并且因此可以及时地检测到前行交通工具VHC在制动BRK。在右侧,前行交通工具由于静止交通工具VHC而执行突然的车道改变LCH。在这种情况下,TTC会更突然地减小,这意味着该场景SCO是预料之外的,因此对于主机交通工具VHC是未知的场景SUU。
所引入的严重性指标可以使用优选为非线性的方法来改进(甚至可以优化)自动交通工具的安全性,并且严重性指标可以在改进或优化设备或过程(例如HEEDS,用于优化的西门子软件)中实现。为了避免产生物理上不可能的场景SCO,可将约束应用于模拟环境SME中的主机交通工具VHC、其它道路用户RUS和环境3DE的模型(例如,Simcenter Prescan(预扫描)-用于交通工具、传感器和环境建模的西门子软件,用于环境和传感器模拟的模拟工具)。
为了在特定情景SCN中找到尽可能多的未知不安全场景SUU,不仅应当考虑具有最高严重性值的场景SCO(全局最大值)。也可以提取可以表示严重性指标的局部最大值的其它场景。为此,可以使用多目标优化方法来避开局部优化并找到所有可能的局部优化以及全局最优。
在此背景下,图6示出了道路用户RUS的场景,此处是行人PDS突然走出进入道路并且其他交通工具由于静止的公共汽车而将车道改变为主机交通工具车道。这可以产生至少两个不同的危险场景SCO,如图6所示。如图所示,当主机交通工具非常靠近其他道路用户RUS,可以首先找到解决方案(示出为严重性的全局最大值):在其他交通工具VHC执行其车道改变时的交通工具VHC。在主机交通工具VHC非常靠近行人PDS并且然后行人PDS进入道路的情况下,找到第二解决方案(局部最大值)。由于行人PDS被停放的交通工具VHC阻挡而不能被看到,这对于主机交通工具VHC分别产生不安全未知场景SUU。以上场景SCO清楚地示出了道路用户RUS的不同状态。该示例示出了多目标优化方法如何有助于基于状态中的差异来找到全局GLM和局部LOM最大值。
仅使用该危险性函数将发现不安全已知场景,其效率可能显著降低。根据本发明,通过该时间导数实现了新颖功能,因此本发明能够找到符合SOTIF标准的未知不安全场景。因此,在模拟环境SME中用于验证和确认ADAS或AD功能所需的测试量可以显著减少。本发明的优点可以总结如下:
-无需从初始具体场景开始创建未知不安全场景
-能够根据SOTIF标准找到未知不安全场景的新颖功能
-智能数据收集可能更可取:这与特定情景SCN位置上的数据收集是协同有效的,这一方面提高了数据收集的效率,并且另一方面提高了在一个位置中发现罕见情况的可能性。
-将数据导入到模拟环境SME可以增加探索更完整的参数分布以及通过在模拟环境SME中虚拟地增加传感器SNR来丰富数据的可能性。
虽然已经参考优选实施例详细描述了本发明,但是应当理解,本发明不限于所公开的示例,并且本领域技术人员可以在不脱离本发明的范围的情况下对其进行许多附加的修改和变化。
Claims (9)
1.一种用于生成未知不安全场景(SUU)、尤其是用于评估自动交通工具(VHC)的安全性的计算机实现的方法,包括:
-提供多个不同场景(SCO)的第一过程(PC1),
其特征在于,
-将所述多个不同场景(SCO)减少为包括较高部分未知不安全场景(SUU)、优选地仅包括未知不安全场景(SUU)的场景(SCO)的第二过程(PC2)。
2.根据权利要求1所述的计算机实现的方法,其中,所述第一过程(PC1)的特征在于:
-步骤1:通过生成3D环境(3DE),收集数据(CDT)并将数据导入模拟环境(SME),
-步骤2:选择(SEC)情景(SCN)并从所述情景中提取(EXR)基本场景元素(BSE),
-步骤3:选择多个道路用户(RUS)并且选择每个道路用户(RUS)的类型并且生成多个不同场景(SCO)。
3.根据权利要求1或2所述的方法,其中,所述第二过程(PC2)包括:
步骤4:通过针对每个场景(SCO)将严重性指标(SID)确定为危险性(CTC)随时间的变化并且丢弃严重性指标(SID)不超过预定义阈值(TRS)的场景(SCO),将多个场景(SCO)朝向较高部分未知不安全场景(SUU)进行减少。
4.根据权利要求2所述的方法,其中,所述步骤1涉及使用传感器(SNR)记录以下至少一项的传感器(SNR)的RCD:
-无人驾驶飞机(DRN),
-路旁传感器(SNR),
-配备有传感器(SNR)组的交通工具,
-普通交通工具机群。
5.根据权利要求3所述的方法,其中,所述严重性指标(SID)被定义为:
-危险性(CTC)指标的时间导数或
-危险性(CTC)指标的组合的时间导数。
6.根据权利要求5的方法,其中,所述危险性(CTC)指标是预测碰撞时间(TTC),其中,所述严重性指标(SID)被建模为所述预测碰撞时间(TTC)的时间导数。
7.根据权利要求5所述的方法,步骤1包括附加步骤:
(1e)识别所述3D环境(3DE)中的至少一个道路用户(RUS)的至少一条轨迹(TRJ)的至少一个阻塞部分,填充所述阻塞部分,
(1f)从所述3D环境(3DE)中的至少一个道路用户(RUS)的至少一条轨迹(TRJ)中移除至少一个动态对象,以具有平滑的轨迹(TRJ),
(1g)向至少一个道路用户(RUS)添加虚拟传感器。
8.一种用于改善自动交通工具(VHC)的安全性的方法,包括:
-提供包括至少一个处理器(CPU)的驾驶员辅助系统(ADAS),所述处理器(CPU)被配备用于在所述交通工具(VHC)的操作中半自主地或自主地控制干预,
所述处理器(CPU)的配备包括提供用于配置干预控制行为的ADAS参数设定(PRS),
-提供所述处理器(CPU)的ADAS参数设定(PRS),
以多个不同参数设定(PRS),使用由根据权利要求1-7中至少一项所述的方法所产生的至少一个未知不安全场景(SUU)的模拟,在环路中测试高级驾驶员辅助系统(ADAS)的至少一部分,
选择所述多个不同参数设定(PRS)中的关于预定义准则(PDC)相比于其它参数设定(PRS)表现更好的至少一个参数设定(PRS),
通过所选择的参数设定(PRS)中的一者来配置自动交通工具(VHC)驾驶员辅助系统(ADAS),
用所配置的驾驶员辅助系统(ADAS)驾驶所述自动交通工具(VHC)。
9.一种包括至少一个处理器(CPU)的装置(CPS),所述处理器(CPU)被配备用于执行根据前述权利要求1-7中至少一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP21158742.3 | 2021-02-23 | ||
EP21158742 | 2021-02-23 | ||
PCT/EP2022/050269 WO2022179759A1 (en) | 2021-02-23 | 2022-01-07 | Generating unknown-unsafe scenarios, improving automated vehicles, computer system |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116997890A true CN116997890A (zh) | 2023-11-03 |
Family
ID=74859687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280016505.XA Pending CN116997890A (zh) | 2021-02-23 | 2022-01-07 | 生成未知不安全场景、改进自动交通工具、计算机系统 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20240092394A1 (zh) |
EP (1) | EP4264436A1 (zh) |
JP (1) | JP2024506108A (zh) |
KR (1) | KR20230144646A (zh) |
CN (1) | CN116997890A (zh) |
WO (1) | WO2022179759A1 (zh) |
-
2022
- 2022-01-07 CN CN202280016505.XA patent/CN116997890A/zh active Pending
- 2022-01-07 KR KR1020237032264A patent/KR20230144646A/ko not_active Application Discontinuation
- 2022-01-07 EP EP22701297.8A patent/EP4264436A1/en active Pending
- 2022-01-07 WO PCT/EP2022/050269 patent/WO2022179759A1/en active Application Filing
- 2022-01-07 JP JP2023550684A patent/JP2024506108A/ja active Pending
- 2022-01-07 US US18/278,400 patent/US20240092394A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022179759A1 (en) | 2022-09-01 |
KR20230144646A (ko) | 2023-10-16 |
EP4264436A1 (en) | 2023-10-25 |
JP2024506108A (ja) | 2024-02-08 |
US20240092394A1 (en) | 2024-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598066B (zh) | 预测模块的效果评估方法、装置、设备和存储介质 | |
CN111506980B (zh) | 对虚拟驾驶环境生成交通场景的方法及装置 | |
CN111508101B (zh) | 通过检测驾驶场景来评估驾驶员的驾驶习惯的方法和装置 | |
CN108803623B (zh) | 一种自动驾驶车辆个性化行车的方法和行车合法化的系统 | |
CN113343461A (zh) | 自动驾驶车辆的仿真方法、装置、电子设备及存储介质 | |
CN112487905B (zh) | 一种车辆周边行人危险等级预测方法及系统 | |
CN113486822A (zh) | 一种基于驾驶意图的周围车辆轨迹预测方法及系统 | |
CN111079800B (zh) | 一种智能驾驶虚拟测试的加速方法及加速系统 | |
CN113935143A (zh) | 通过自主车辆的增加的严重性等级估计碰撞概率 | |
CN114972911A (zh) | 自动驾驶感知算法模型的输出数据收集处理方法及设备 | |
Karunakaran et al. | Automatic lane change scenario extraction and generation of scenarios in OpenX format from real-world data | |
US20220383736A1 (en) | Method for estimating coverage of the area of traffic scenarios | |
El Mostadi et al. | Virtual test scenarios for ADAS: Distance to real scenarios matters! | |
CN110696828B (zh) | 前向目标选择方法、装置及车载设备 | |
CN112509321A (zh) | 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质 | |
Rosyid et al. | Comparison of deep learning models in pothole avoidance for self-driving car | |
CN116776288A (zh) | 一种智能驾驶感知模型的优化方法、装置及存储介质 | |
CN116361175A (zh) | 一种自动驾驶车辆在不同安全域的测试场景创建方法 | |
CN116997890A (zh) | 生成未知不安全场景、改进自动交通工具、计算机系统 | |
CN116461546A (zh) | 车辆预警方法、装置、存储介质和处理器 | |
CN116310748A (zh) | 一种自动驾驶场景恢复及自动驾驶原型测试方法和系统 | |
CN116580551A (zh) | 车辆驾驶行为评估方法、装置、设备及存储介质 | |
Hammit et al. | Radar-vision algorithms to process the trajectory-level driving data in the SHRP2 Naturalistic Driving Study | |
CN115860461A (zh) | 一种平面交叉口下非机动车交通冲突的风险因子评估方法 | |
CN113192340B (zh) | 高速公路施工车辆的识别方法、装置、设备及存储介质 |
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 |