CN117217422A - 车辆运动控制能力评估方法及其系统、设备、介质 - Google Patents
车辆运动控制能力评估方法及其系统、设备、介质 Download PDFInfo
- Publication number
- CN117217422A CN117217422A CN202311467172.5A CN202311467172A CN117217422A CN 117217422 A CN117217422 A CN 117217422A CN 202311467172 A CN202311467172 A CN 202311467172A CN 117217422 A CN117217422 A CN 117217422A
- Authority
- CN
- China
- Prior art keywords
- target
- values
- motion
- powers
- 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
- 230000033001 locomotion Effects 0.000 title claims abstract description 404
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000012360 testing method Methods 0.000 claims abstract description 127
- 238000011156 evaluation Methods 0.000 claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 15
- 230000001133 acceleration Effects 0.000 claims description 76
- 238000005070 sampling Methods 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 16
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method 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
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Abstract
本申请公开一种车辆运动控制能力评估方法及其系统、设备、介质，包括：获取测试车辆的测试数据集，测试数据集包括测试车辆在实际测试路径上的第一实际运动数据和在第一目标路径上的第一目标运动数据；基于测试数据集和极大似然估计算法，确定运动控制能力参数；获取目标车辆在当前时刻的实时数据集，实时数据集包括目标车辆在当前行驶路径上的第二实际运动数据和在第二目标路径上的第二目标运动数据；结合实时数据集和运动控制能力参数，确定目标车辆的运动控制偏差的目标均值和目标方差；结合目标均值和目标方差，对目标车辆中运动控制系统的运动控制能力进行实时评估，得到评估结果。根据本申请能够对车辆运动控制能力进行准确有效评估。
Description
技术领域
本申请属于车辆运动控制技术领域，尤其涉及一种车辆运动控制能力评估方法及其系统、设备、介质。
背景技术
目前，随着感知、控制、计算机、传感、人工智能等相关科学与技术的进步，智能驾驶车辆已进入人们的生活中，将会影响与改变人类未来交通与通行方式。
但目前智能驾驶技术还未成熟，基于现实交通环境的复杂与多变性以及感知技术的局限，以及人员误用或误操作等多种因素的影响，智能车辆的智能驾驶功能还存在大量安全隐患，尤其是智能车辆的智能驾驶功能不足或性能局限，例如智能车辆在运动控制能力上的不足。因此，如何对智能车辆的运动控制能力进行实时评估，是当前亟需解决的问题。
发明内容
本申请实施例提供一种车辆运动控制能力评估方法及其系统、设备、介质、产品，能够对智能车辆的运动控制能力进行准确有效评估。
第一方面，本申请实施例提供一种车辆运动控制能力评估方法，该方法包括：获取测试车辆的测试数据集，其中，测试数据集包括测试车辆在实际测试路径上N个采样点的第一实际运动数据，以及在第一目标路径上N个第一目标点的第一目标运动数据，实际测试路径上N个采样点对应第一目标路径上N个第一目标点，N为正整数；基于测试车辆的测试数据集和极大似然估计算法，确定运动控制能力参数；获取目标车辆在当前时刻的实时数据集，其中，实时数据集包括目标车辆在当前行驶路径上当前位置的第二实际运动数据，以及在第二目标路径上目标点的第二目标运动数据，当前行驶路径上当前位置对应第二目标路径上第二目标点；结合实时数据集和运动控制能力参数，确定目标车辆的运动控制偏差的目标均值和目标方差；结合目标均值和目标方差，对目标车辆中运动控制系统的运动控制能力进行实时评估，得到评估结果。
在第一方面的一些可实现方式中，结合实时数据集和运动控制能力参数，确定目标车辆的运动控制偏差的目标均值和目标方差，包括：将运动控制能力参数作为模型参数进行建模，得到运动控制能力评估模型；通过向运动控制能力评估模型输入实时数据集，得到目标均值和目标方差。
在第一方面的一些可实现方式中，第一实际运动数据包括采样点的实际纵向位置、实际侧向位置、运动速度和运动加速度，第二实际运动数据包括当前位置的实际纵向位置、实际侧向位置、运动速度和运动加速度，第一目标运动数据包括第一目标点的期望纵向位置、期望侧向位置、曲率、曲率变化量，第二目标运动数据包括第二目标点的期望纵向位置、期望侧向位置、曲率、曲率变化量。
在第一方面的一些可实现方式中，运动控制偏差包括纵向控制偏差和侧向控制偏差，运动控制能力参数包括纵向控制能力参数和侧向控制能力参数，目标均值包括第一均值和第二均值，目标方差包括第一方差和第二方差，结合实时数据集和运动控制能力参数，确定目标车辆的运动控制偏差的目标均值和目标方差，包括：结合纵向控制能力参数和实时数据集，确定纵向控制偏差的均值和方差，得到第一均值和第一方差；结合侧向控制能力参数和实时数据集，确定侧向控制偏差的均值和方差，得到第二均值和第二方差。
在第一方面的一些可实现方式中，结合目标均值和目标方差，对目标车辆中运动控制系统的运动控制能力进行实时评估，得到评估结果，包括：结合第一均值和第一方差，对运动控制系统的纵向运动控制能力进行实时评估，得到纵向控制能力评估结果；结合第二均值和第二方差，对运动控制系统的侧向运动控制能力进行实时评估，得到侧向控制能力评估结果。
在第一方面的一些可实现方式中，纵向控制能力参数包括第一系数集合和第二系数集合，其中，第一系数集合包括对应第一取值范围的k1个第一曲率系数、对应第二取值范围的k2个第一曲率变化量系数、对应第三取值范围的k3个第一速度系数、对应第四取值范围的k4个第一加速度系数；第二系数集合包括对应第五取值范围的k5个第二曲率系数、对应第六取值范围的k6个第二曲率变化量系数、对应第七取值范围的k7个第二速度系数、对应第八取值范围的k8个第二加速度系数；第一取值范围包括k1个取值，第二取值范围包括k2个取值，第三取值范围包括k3个取值，第四取值范围包括k4个取值，第五取值范围包括k5个取值，第六取值范围包括k6个取值，第七取值范围包括k7个取值，第八取值范围包括k8个取值，k1、k2、k3、k4、k5、k6、k7、k8均为正整数。
在第一方面的一些可实现方式中，第二实际运动数据包括当前位置的实际纵向位置、实际侧向位置、运动速度和运动加速度，第二目标运动数据包括第二目标点的期望纵向位置、期望侧向位置、曲率、曲率变化量；结合纵向控制能力参数和实时数据集，确定纵向控制偏差的均值和方差，包括：计算第二目标点的曲率为底数，k1个取值分别为指数时的k1个幂；计算第二目标点的曲率变化量为底数，k2个取值分别为指数时的k2个幂；计算当前位置的运动速度为底数，k3个取值分别为指数时的k3个幂；计算当前位置的运动加速度为底数，k4个取值分别为指数时的k4个幂；计算第二目标点的曲率为底数，预设倍数的k5个取值分别为指数时的k5个幂；计算第二目标点的曲率变化量为底数，预设倍数的k6个取值分别为指数时的k6个幂；计算当前位置的运动速度为底数，预设倍数的k7个取值分别为指数时的k7个幂；计算当前位置的运动加速度为底数，预设倍数的k8个取值分别为指数时的k8个幂；基于第一系数集合、k1个幂、k2个幂、k3个幂和k4个幂，计算得到纵向控制偏差的均值；基于第二系数集合、k5个幂、k6个幂、k7个幂和k8个幂，计算得到纵向控制偏差的方差。
在第一方面的一些可实现方式中，侧向控制能力参数包括第三系数集合和第四系数集合，其中，第三系数集合包括对应第九取值范围的k9个第三曲率系数、对应第十取值范围的k10个第三曲率变化量系数、对应第十一取值范围的k11个第三速度系数、对应第十二取值范围的k12个第三加速度系数；第四系数集合包括对应第十三取值范围的k13个第四曲率系数、对应第十四取值范围的k14个第四曲率变化量系数、对应第十五取值范围的k15个第四速度系数、对应第十六取值范围的k16个第四加速度系数；第九取值范围包括k9个取值，第十取值范围包括k10个取值，第十一取值范围包括k11个取值，第十二取值范围包括k12个取值，第十三取值范围包括k13个取值，第十四取值范围包括k14个取值，第十五取值范围包括k15个取值，第十六取值范围包括k16个取值，k9、k10、k11、k12、k13、k14、k15、k16均为正整数。
在第一方面的一些可实现方式中，第二实际运动数据包括当前位置的实际纵向位置、实际侧向位置、运动速度和运动加速度，第二目标运动数据包括第二目标点的期望纵向位置、期望侧向位置、曲率、曲率变化量；结合侧向控制能力参数和实时数据集，确定侧向控制偏差的均值和方差，包括：计算第二目标点的曲率为底数，k9个取值分别为指数时的k9个幂；计算第二目标点的曲率变化量为底数，k10个取值分别为指数时的k10个幂；计算当前位置的运动速度为底数，k11个取值分别为指数时的k11个幂；计算当前位置的运动加速度为底数，k12个取值分别为指数时的k12个幂；计算第二目标点的曲率为底数，预设倍数的k13个取值分别为指数时的k13个幂；计算第二目标点的曲率变化量为底数，预设倍数的k14个取值分别为指数时的k14个幂；计算当前位置的运动速度为底数，预设倍数的k15个取值分别为指数时的k15个幂；计算当前位置的运动加速度为底数，预设倍数的k16个取值分别为指数时的k16个幂；基于第三系数集合、k9个幂、k10个幂、k11个幂和k12个幂，计算得到侧向控制偏差的均值；基于第四系数集合、k13个幂、k14个幂、k15个幂和k16个幂，计算得到侧向控制偏差的方差。
第二方面，本申请实施例提供了一种车辆运动控制能力评估系统，该系统包括：获取模块，用于获取测试车辆的测试数据集，其中，测试数据集包括测试车辆在实际测试路径上N个采样点的第一实际运动数据，以及在第一目标路径上N个第一目标点的第一目标运动数据，实际测试路径上N个采样点对应第一目标路径上N个第一目标点，N为正整数；确定模块，用于基于测试车辆的测试数据集和极大似然估计算法，确定运动控制能力参数；获取模块，还用于获取目标车辆在当前时刻的实时数据集，其中，实时数据集包括目标车辆在当前行驶路径上当前位置的第二实际运动数据，以及在第二目标路径上目标点的第二目标运动数据，当前行驶路径上当前位置对应第二目标路径上第二目标点；确定模块，还用于结合实时数据集和运动控制能力参数，确定目标车辆的运动控制偏差的目标均值和目标方差；评估模块，用于结合目标均值和目标方差，对目标车辆中运动控制系统的运动控制能力进行实时评估，得到评估结果。
在第二方面的一些可实现方式中，确定模块包括：建模单元，用于将运动控制能力参数作为模型参数进行建模，得到运动控制能力评估模型；确定单元，用于通过向运动控制能力评估模型输入实时数据集，得到目标均值和目标方差。
在第二方面的一些可实现方式中，第一实际运动数据包括采样点的实际纵向位置、实际侧向位置、运动速度和运动加速度，第二实际运动数据包括当前位置的实际纵向位置、实际侧向位置、运动速度和运动加速度，第一目标运动数据包括第一目标点的期望纵向位置、期望侧向位置、曲率、曲率变化量，第二目标运动数据包括第二目标点的期望纵向位置、期望侧向位置、曲率、曲率变化量。
在第二方面的一些可实现方式中，运动控制偏差包括纵向控制偏差和侧向控制偏差，运动控制能力参数包括纵向控制能力参数和侧向控制能力参数，目标均值包括第一均值和第二均值，目标方差包括第一方差和第二方差，所述确定模块包括：确定单元，用于结合纵向控制能力参数和实时数据集，确定纵向控制偏差的均值和方差，得到第一均值和第一方差；确定单元，用于结合侧向控制能力参数和实时数据集，确定侧向控制偏差的均值和方差，得到第二均值和第二方差。
在第二方面的一些可实现方式中，评估模块具体用于：结合第一均值和第一方差，对运动控制系统的纵向运动控制能力进行实时评估，得到纵向控制能力评估结果；结合第二均值和第二方差，对运动控制系统的侧向运动控制能力进行实时评估，得到侧向控制能力评估结果。
在第二方面的一些可实现方式中，纵向控制能力参数包括第一系数集合和第二系数集合，其中，第一系数集合包括对应第一取值范围的k1个第一曲率系数、对应第二取值范围的k2个第一曲率变化量系数、对应第三取值范围的k3个第一速度系数、对应第四取值范围的k4个第一加速度系数；第二系数集合包括对应第五取值范围的k5个第二曲率系数、对应第六取值范围的k6个第二曲率变化量系数、对应第七取值范围的k7个第二速度系数、对应第八取值范围的k8个第二加速度系数；第一取值范围包括k1个取值，第二取值范围包括k2个取值，第三取值范围包括k3个取值，第四取值范围包括k4个取值，第五取值范围包括k5个取值，第六取值范围包括k6个取值，第七取值范围包括k7个取值，第八取值范围包括k8个取值，k1、k2、k3、k4、k5、k6、k7、k8均为正整数。
在第二方面的一些可实现方式中，第二实际运动数据包括当前位置的实际纵向位置、实际侧向位置、运动速度和运动加速度，第二目标运动数据包括第二目标点的期望纵向位置、期望侧向位置、曲率、曲率变化量；确定单元具体用于：计算第二目标点的曲率为底数，k1个取值分别为指数时的k1个幂；计算第二目标点的曲率变化量为底数，k2个取值分别为指数时的k2个幂；计算当前位置的运动速度为底数，k3个取值分别为指数时的k3个幂；计算当前位置的运动加速度为底数，k4个取值分别为指数时的k4个幂；计算第二目标点的曲率为底数，预设倍数的k5个取值分别为指数时的k5个幂；计算第二目标点的曲率变化量为底数，预设倍数的k6个取值分别为指数时的k6个幂；计算当前位置的运动速度为底数，预设倍数的k7个取值分别为指数时的k7个幂；计算当前位置的运动加速度为底数，预设倍数的k8个取值分别为指数时的k8个幂；基于第一系数集合、k1个幂、k2个幂、k3个幂和k4个幂，计算得到纵向控制偏差的均值；基于第二系数集合、k5个幂、k6个幂、k7个幂和k8个幂，计算得到纵向控制偏差的方差。
在第二方面的一些可实现方式中，侧向控制能力参数包括第三系数集合和第四系数集合，其中，第三系数集合包括对应第九取值范围的k9个第三曲率系数、对应第十取值范围的k10个第三曲率变化量系数、对应第十一取值范围的k11个第三速度系数、对应第十二取值范围的k12个第三加速度系数；第四系数集合包括对应第十三取值范围的k13个第四曲率系数、对应第十四取值范围的k14个第四曲率变化量系数、对应第十五取值范围的k15个第四速度系数、对应第十六取值范围的k16个第四加速度系数；第九取值范围包括k9个取值，第十取值范围包括k10个取值，第十一取值范围包括k11个取值，第十二取值范围包括k12个取值，第十三取值范围包括k13个取值，第十四取值范围包括k14个取值，第十五取值范围包括k15个取值，第十六取值范围包括k16个取值，k9、k10、k11、k12、k13、k14、k15、k16均为正整数。
在第二方面的一些可实现方式中，第二实际运动数据包括当前位置的实际纵向位置、实际侧向位置、运动速度和运动加速度，第二目标运动数据包括第二目标点的期望纵向位置、期望侧向位置、曲率、曲率变化量；确定单元具体用于：计算第二目标点的曲率为底数，k9个取值分别为指数时的k9个幂；计算第二目标点的曲率变化量为底数，k10个取值分别为指数时的k10个幂；计算当前位置的运动速度为底数，k11个取值分别为指数时的k11个幂；计算当前位置的运动加速度为底数，k12个取值分别为指数时的k12个幂；计算第二目标点的曲率为底数，预设倍数的k13个取值分别为指数时的k13个幂；计算第二目标点的曲率变化量为底数，预设倍数的k14个取值分别为指数时的k14个幂；计算当前位置的运动速度为底数，预设倍数的k15个取值分别为指数时的k15个幂；计算当前位置的运动加速度为底数，预设倍数的k16个取值分别为指数时的k16个幂；基于第三系数集合、k9个幂、k10个幂、k11个幂和k12个幂，计算得到侧向控制偏差的均值；基于第四系数集合、k13个幂、k14个幂、k15个幂和k16个幂，计算得到侧向控制偏差的方差。
第三方面，本申请实施例提供了一种电子设备，该设备包括：处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现如第一方面的任一项实施例中所示的车辆运动控制能力评估方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面的任一项实施例中所示的车辆运动控制能力评估方法的步骤。
第五方面，本申请实施例提供了一种计算机程序产品，计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如第一方面的任一项实施例中所示的车辆运动控制能力评估方法的步骤。
本申请实施例的车辆运动控制能力评估方法、系统、设备、介质、产品，获取测试车辆的测试数据集，测试数据集包括测试车辆在实际测试路径上N个采样点的第一实际运动数据，以及在第一目标路径上N个第一目标点的第一目标运动数据，实际测试路径上N个采样点对应第一目标路径上N个第一目标点，N为正整数；基于测试车辆的测试数据集和极大似然估计算法，确定运动控制能力参数；获取目标车辆在当前时刻的实时数据集，其中，实时数据集包括目标车辆在当前行驶路径上当前位置的第二实际运动数据，以及在第二目标路径上目标点的第二目标运动数据，当前行驶路径上当前位置对应第二目标路径上第二目标点；结合实时数据集和运动控制能力参数，确定目标车辆的运动控制偏差的目标均值和目标方差。如此，结合目标均值和目标方差，能够对目标车辆中运动控制系统的运动控制能力进行准确有效评估，得到评估结果。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的车辆运动控制能力评估方法的流程示意图；
图2是本申请一实施例提供的车辆运动控制能力评估场景的示例性示意图；
图3是本申请另一实施例提供的车辆运动控制能力评估方法的流程示意图；
图4是本申请再一实施例提供的车辆运动控制能力评估方法的流程示意图；
图5是本申请实施例提供的一种车辆运动控制能力评估系统的结构示意图；
图6是本申请实施例提供的一种电子设备的硬件结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
目前，随着感知、控制、计算机、传感、人工智能等相关科学与技术的进步，智能驾驶车辆已进入人们的生活中，将会影响与改变人类未来交通与通行方式。
但目前智能驾驶技术还未成熟，基于现实交通环境的复杂与多变性以及感知技术的局限，以及人员误用或误操作等多种因素的影响，智能车辆的智能驾驶功能还存在大量安全隐患，尤其是智能车辆的智能驾驶功能不足或性能局限，例如智能车辆在运动控制能力上的不足。因此，如何对智能车辆的运动控制能力进行实时评估，是当前亟需解决的问题。
针对相关技术中出现的问题，本申请实施例提供了一种车辆运动控制能力评估方法，获取测试车辆的测试数据集，测试数据集包括测试车辆在实际测试路径上N个采样点的第一实际运动数据，以及在第一目标路径上N个第一目标点的第一目标运动数据，实际测试路径上N个采样点对应第一目标路径上N个第一目标点，N为正整数；基于测试车辆的测试数据集和极大似然估计算法，确定运动控制能力参数；获取目标车辆在当前时刻的实时数据集，其中，实时数据集包括目标车辆在当前行驶路径上当前位置的第二实际运动数据，以及在第二目标路径上目标点的第二目标运动数据，当前行驶路径上当前位置对应第二目标路径上第二目标点；结合实时数据集和运动控制能力参数，确定目标车辆的运动控制偏差的目标均值和目标方差。如此，结合目标均值和目标方差，能够对目标车辆中运动控制系统的运动控制能力进行准确有效评估，得到评估结果。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的车辆运动控制能力评估方法进行详细地说明。
图1是本申请实施例提供的一种车辆运动控制能力评估方法的流程示意图，该车辆运动控制能力评估方法的执行主体可以为电子设备。需要说明的是，上述执行主体并不构成对本申请的限定。
上述电子设备可以为手机、平板电脑、一体机等具有通讯功能的设备，也可以包括虚拟机或模拟器模拟的设备，当然，还可以包括云服务器或者服务器集群等具有存储以及计算功能的设备。
如图1所示，本申请实施例提供的车辆运动控制能力评估方法可以包括步骤110-步骤150。
步骤110，获取测试车辆的测试数据集，其中，测试数据集包括测试车辆在实际测试路径上N个采样点的第一实际运动数据，以及在第一目标路径上N个第一目标点的第一目标运动数据，实际测试路径上N个采样点对应第一目标路径上N个第一目标点，N为正整数；
步骤120，基于测试车辆的测试数据集和极大似然估计算法，确定运动控制能力参数；
步骤130，获取目标车辆在当前时刻的实时数据集，其中，实时数据集包括目标车辆在当前行驶路径上当前位置的第二实际运动数据，以及在第二目标路径上目标点的第二目标运动数据，当前行驶路径上当前位置对应第二目标路径上第二目标点；
步骤140，结合实时数据集和运动控制能力参数，确定目标车辆的运动控制偏差的目标均值和目标方差；
步骤150，结合目标均值和目标方差，对目标车辆中运动控制系统的运动控制能力进行实时评估，得到评估结果。
本申请实施例的车辆运动控制能力评估方法，获取测试车辆的测试数据集，测试数据集包括测试车辆在实际测试路径上N个采样点的第一实际运动数据，以及在第一目标路径上N个第一目标点的第一目标运动数据，实际测试路径上N个采样点对应第一目标路径上N个第一目标点，N为正整数；基于测试车辆的测试数据集和极大似然估计算法，确定运动控制能力参数；获取目标车辆在当前时刻的实时数据集，其中，实时数据集包括目标车辆在当前行驶路径上当前位置的第二实际运动数据，以及在第二目标路径上目标点的第二目标运动数据，当前行驶路径上当前位置对应第二目标路径上第二目标点；结合实时数据集和运动控制能力参数，确定目标车辆的运动控制偏差的目标均值和目标方差。如此，结合目标均值和目标方差，能够对目标车辆中运动控制系统的运动控制能力进行准确有效评估，得到评估结果。
下面结合具体的实施例，对上述步骤的具体实现方式进行详细说明。
涉及步骤110，获取测试车辆的测试数据集。
具体地，测试车辆为测试场景下的智能驾驶车辆，该测试场景可以为仿真测试、台架测试、实车场地测试或者实车道路测试等。当测试车辆在测试场景下行驶时，理想状态下测试车辆的行驶路径为理想行驶路径，也即第一目标路径，但实际运动状态下，测试车辆由于存在运动控制偏差，实际行驶路径会偏离理想行驶路径，该实际行驶路径即为第一实际测试路径。也即，第一实际测试路径为该测试车辆在测试场景下的实际行驶路径，第一目标路径为该测试车辆在测试场景下的理想行驶路径，因此实际行驶路径与理想行驶路径相对应。
示例性地，如图2所示，第一目标路径21为测试车辆在测试场景下的理想行驶路径，21上包括Q1、Q2、Q3…QN共N个第一目标点，对于每个第一目标点，测试车辆在测试场景下因运动控制偏差，导致无法到达第一目标点，测试车辆与第一目标点偏离后产生一个实际位置，该实际位置即为采样点。P1、P2、P3…PN即为与Q1、Q2、Q3…QN一一对应的采样点，N个采样点组成的路径即为第一实际测试路径。
测试数据集包括智能驾驶车辆在第一实际测试路径上的第一实际运动数据，以及在第一目标路径上的第一目标运动数据。第一实际测试路径上可以包括N个采样点，N为正整数，第一实际运动数据包括测试车辆在每个采样点上的运动数据；第一目标点为第一目标路径上与采样点相对应的位置，相似地，第一目标运动数据包括测试车辆在每个第一目标点上的运动数据。
在本申请的一些实施例中，第一实际运动数据可以包括采样点的实际纵向位置、实际侧向位置、运动速度和运动加速度，第一目标运动数据可以包括第一目标点的期望纵向位置、期望侧向位置、曲率、曲率变化量。
其中，实际纵向位置和实际侧向位置为采样点的纵向位置和侧向位置，期望纵向位置和期望侧向位置为第一目标点的纵向位置和侧向位置。
参见上述示例，在图2中，x1、x2、x3…xN分别为N个采样点的实际纵向位置，y1、y2、y3…yN分别为N个采样点的实际侧向位置，v1、v2、v3…vN分别为N个采样点的运动速度，a1、a2、a3…aN分别为N个采样点的运动加速度；x1O、x2O、x3O…xNO分别为N个第一目标点的期望纵向位置，y1O、y2O、y3O…yNO分别为N个第一目标点的期望侧向位置，ρ1、ρ2、ρ3…ρN分别为N个第一目标点的曲率，曲率变化量可通过相邻两个第一目标点的曲率作差得到。
步骤120，基于测试车辆的测试数据集和极大似然估计算法，确定运动控制能力参数。
具体地，可利用极大似然估计算法，通过模型参数辨识的方式进行极大似然求解，得到测试车辆对车辆运动控制的运动控制能力参数，并将该运动控制能力参数作为智能驾驶系统的运动控制能力参数。
需要说明的是，除极大似然估计算法以外，本申请还可以采用其它算法确定测试车辆对车辆运动控制的运动控制能力参数。
在一些实施例中，运动控制能力参数可以包括纵向控制能力参数和侧向控制能力参数，在步骤120中，本申请可以通过公式（1）确定纵向控制能力参数，通过公式（2）确定侧向控制能力参数。
（1）
（2）
其中，xj为第j个采样点的实际纵向位置，xjO为第j个第一目标点的期望纵向位置，yj为第j个采样点的实际侧向位置，yjO为第j个第一目标点的期望侧向位置，j∈[1,N]，vj为第j个采样点的运动速度，为第j个采样点的运动加速度，ρj为第j个第一目标点的曲率，为第j个第一目标点的曲率变化量，i为大于或等于零的整数。
公式（1）等号左侧参数集合中的参数均为纵向控制能力参数，包括：第一曲率系数，i取值为[0,Aρz]，对应/>；第一曲率变化量系数/>，i取值为[0,Aρdz]，对应/>；第一速度系数/>，i取值为[0,Avz]，对应/>；第一加速度系数/>，i取值为[0,Avdz]，对应/>；第二曲率系数/>，i取值为[0,Bρz]，对应/>；第二曲率变化量系数/>，i取值为[0,Bρdz]，对应；第二速度系数/>，i取值为[0,Bvz]，对应/>；第二加速度系数，i取值为[0,Bvdz]，对应/>。
公式（2）等号左侧参数集合中的参数均为侧向控制能力参数，包括：第三曲率系数ai ρz， i取值为[0,Aρc]，对应；第三曲率变化量系数/>，i取值为[0,Aρdc]，对应/>；第三速度系数/>，i取值为[0,Avc]，对应/>；第三加速度系数/>，i取值为[0,Avdc]，对应/>；第四曲率系数/>，i取值为[0,Bρz]，对应/>；第四曲率变化量系数/>，i取值为[0,Bρdz]，对应；第四速度系数/>，i取值为[0,Bvz]，对应/>；第四加速度系数/>，i取值为[0,Bvdz]，对应/>。
步骤130，获取目标车辆在当前时刻的实时数据集。
具体地，目标车辆即为待评估车辆，通过获取目标车辆在当前时刻的实时数据集，对目标车辆中智能驾驶系统的运动控制能力进行实时评估。当目标车辆在当前场景下行驶时，理想状态下目标车辆的行驶路径为理想行驶路径，也即第二目标路径，但实际运动状态下，目标车辆由于存在运动控制偏差，实际行驶路径会偏离理想行驶路径，该实际行驶路径即为当前行驶路径。也即，当前行驶路径为该目标车辆在当前场景下的实际行驶路径，第二目标路径为该目标车辆在当前场景下的理想行驶路径。
在本申请的一些实施例中，第二实际运动数据可以包括当前位置的实际纵向位置、实际侧向位置、运动速度和运动加速度，第二目标运动数据可以包括第二目标点的期望纵向位置、期望侧向位置、曲率、曲率变化量。
在一些实施例中，第一实际运动数据和第二实际运动数据均为实际运动数据，因此可以通过车辆定位设备、速度传感器、加速度传感器等测量得到；第一目标运动数据和第二目标运动数据均为理想运动数据或者期望运动数据，因此可以通过自动驾驶系统规划算法实时计算得到，或者，通过自动驾驶系统寻迹算法实时规划得到。步骤140，结合实时数据集和运动控制能力参数，确定目标车辆的运动控制偏差的目标均值和目标方差。
在步骤140中，由于实时数据集是实时获取到的，因此基于实时数据集合运动控制能力参数，能够实时计算出目标均值和目标方差，时效性较高，该目标均值即为目标车辆的运动控制偏差的均值，该目标方差即为目标车辆的运动控制偏差的方差。
在本申请的一些实施例中，运动控制偏差包括纵向控制偏差和侧向控制偏差，运动控制能力参数包括纵向控制能力参数和侧向控制能力参数，目标均值包括第一均值和第二均值，目标方差包括第一方差和第二方差，图3是本申请另一实施例提供的车辆运动控制能力评估方法的流程示意图，上述步骤140可以包括图3所示的步骤310和步骤320。
步骤310，结合纵向控制能力参数和实时数据集，确定纵向控制偏差的均值和方差，得到第一均值和第一方差；
步骤320，结合侧向控制能力参数和实时数据集，确定侧向控制偏差的均值和方差，得到第二均值和第二方差。
在本申请的一些实施例中，纵向控制能力参数可以包括第一系数集合和第二系数集合，其中，第一系数集合包括对应第一取值范围的k1个第一曲率系数、对应第二取值范围的k2个第一曲率变化量系数、对应第三取值范围的k3个第一速度系数、对应第四取值范围的k4个第一加速度系数；第二系数集合包括对应第五取值范围的k5个第二曲率系数、对应第六取值范围的k6个第二曲率变化量系数、对应第七取值范围的k7个第二速度系数、对应第八取值范围的k8个第二加速度系数；第一取值范围包括k1个取值，第二取值范围包括k2个取值，第三取值范围包括k3个取值，第四取值范围包括k4个取值，第五取值范围包括k5个取值，第六取值范围包括k6个取值，第七取值范围包括k7个取值，第八取值范围包括k8个取值，k1、k2、k3、k4、k5、k6、k7、k8均为正整数。
示例性地，对于上述公式（1）、（2），第一取值范围为[0,Aρz]，k1= Aρz+1；第二取值范围为[0,Aρdz]，k2=Aρdz+1；第三取值范围为[0,Avz]，k3=Avz+1；第四取值范围为[0,Avdz]，k4=Avdz+1；第五取值范围为[0,Bρz]，k5=Bρz+1；第六取值范围为[0,Bρdz]，k6= Bρdz+1；第七取值范围为[0,Bvz]，k7= Bvz+1；第八取值范围为[0,Bvdz]， k8= Bvdz+1。 Aρz、Aρdz、Avz、Avdz、Bρz、Bρdz、Bvz、Bvdz均为正整数。
在本申请的一些实施例中，第二实际运动数据可以包括当前位置的实际纵向位置、实际侧向位置、运动速度和运动加速度，第二目标运动数据可以包括第二目标点的期望纵向位置、期望侧向位置、曲率、曲率变化量；上述步骤310具体可以包括下述步骤：
步骤3101，计算第二目标点的曲率为底数，k1个取值分别为指数时的k1个幂；
步骤3102，计算第二目标点的曲率变化量为底数，k2个取值分别为指数时的k2个幂；
步骤3103，计算当前位置的运动速度为底数，k3个取值分别为指数时的k3个幂；
步骤3104，计算当前位置的运动加速度为底数，k4个取值分别为指数时的k4个幂；
步骤3105，计算第二目标点的曲率为底数，预设倍数的k5个取值分别为指数时的k5个幂；
步骤3106，计算第二目标点的曲率变化量为底数，预设倍数的k6个取值分别为指数时的k6个幂；
步骤3107，计算当前位置的运动速度为底数，预设倍数的k7个取值分别为指数时的k7个幂；
步骤3108，计算当前位置的运动加速度为底数，预设倍数的k8个取值分别为指数时的k8个幂；
步骤3109，基于第一系数集合、k1个幂、k2个幂、k3个幂和k4个幂，计算得到纵向控制偏差的均值；
步骤3110，基于第二系数集合、k5个幂、k6个幂、k7个幂和k8个幂，计算得到纵向控制偏差的方差。
具体地，上述步骤3109可以具体包括：将第一系数集合中k1个第一曲率系数与k1个幂分别相乘后，将得到的k1个乘积相加得到第一和值；将第一系数集合中k2个第一曲率变化量系数与k2个幂分别相乘，将得到的k2个乘积相加得到第二和值；将第一系数集合中k3个第一速度系数与k3个幂分别相乘后，将得到的k3个乘积相加得到第三和值；将第一系数集合中k4个第一加速度系数与k4个幂分别相乘，将得到的k4个乘积相加得到第四和值；将第一和值、第二和值、第三和值与第四和值相加，得到纵向控制偏差的均值。
上述步骤3110可以具体包括：将第二系数集合中k5个第二曲率系数与k5个幂分别相乘后，将得到的k5个乘积相加得到第五和值；将第二系数集合中k6个第二曲率变化量系数与k6个幂分别相乘，将得到的k6个乘积相加得到第六和值；将第二系数集合中k7个第二速度系数与k7个幂分别相乘后，将得到的k7个乘积相加得到第七和值；将第二系数集合中k8个第二加速度系数与k8个幂分别相乘，将得到的k8个乘积相加得到第八和值；将第五和值、第六和值、第七和值与第八和值相加，得到纵向控制偏差的方差。
需要说明的是，预设倍数可以根据具体需求进行设置，例如设置为2倍、3倍等，本申请对此不做具体限定。
示例性地，上述纵向控制偏差的均值的具体计算过程可以通过公式（3）实现，预设倍数为2，上述纵向控制偏差的方差的具体计算过程可以通过公式（4）实现。
（3）
（4）
其中，为纵向控制偏差的均值，/>为纵向控制偏差的方差，ρ为第二目标点的曲率，/>为第二目标点的曲率变化量，v为当前位置的运动速度，/>为当前位置的运动加速度。
在本申请的一些实施例中，侧向控制能力参数可以包括第三系数集合和第四系数集合，其中，第三系数集合包括对应第九取值范围的k9个第三曲率系数、对应第十取值范围的k10个第三曲率变化量系数、对应第十一取值范围的k11个第三速度系数、对应第十二取值范围的k12个第三加速度系数；第四系数集合包括对应第十三取值范围的k13个第四曲率系数、对应第十四取值范围的k14个第四曲率变化量系数、对应第十五取值范围的k15个第四速度系数、对应第十六取值范围的k16个第四加速度系数；第九取值范围包括k9个取值，第十取值范围包括k10个取值，第十一取值范围包括k11个取值，第十二取值范围包括k12个取值，第十三取值范围包括k13个取值，第十四取值范围包括k14个取值，第十五取值范围包括k15个取值，第十六取值范围包括k16个取值，k9、k10、k11、k12、k13、k14、k15、k16均为正整数。
示例性地，对于上述公式（1）、（2），第九取值范围为[0,Aρc]，k9=Aρc+1；第十取值范围为[0,Aρdc]，k10=Aρdc+1；第十一取值范围为[0,Avc]，k11=Avc+1；第十二取值范围为[0,Avdc]，k12=Avdc+1；第十三取值范围为[0,Bρc]，k13=Bρc+1；第十四取值范围为[0,Bρdc]，k14=Bρdc+1；第十五取值范围为[0,Bvc]，k15=Bvc+1；第十六取值范围为[0,Bvdc]，k16=Bvdc+1。Aρc、Aρdc、Avc、Avdc、Bρc、Bρdc、Bvc、Bvdc均为正整数。
在本申请的一些实施例中，第二实际运动数据可以包括当前位置的实际纵向位置、实际侧向位置、运动速度和运动加速度，第二目标运动数据可以包括第二目标点的期望纵向位置、期望侧向位置、曲率、曲率变化量；上述步骤320具体可以包括下述步骤：
步骤3201，计算第二目标点的曲率为底数，k9个取值分别为指数时的k9个幂；
步骤3202，计算第二目标点的曲率变化量为底数，k10个取值分别为指数时的k10个幂；
步骤3203，计算当前位置的运动速度为底数，k11个取值分别为指数时的k11个幂；
步骤3204，计算当前位置的运动加速度为底数，k12个取值分别为指数时的k12个幂；
步骤3205，计算第二目标点的曲率为底数，预设倍数的k13个取值分别为指数时的k13个幂；
步骤3206，计算第二目标点的曲率变化量为底数，预设倍数的k14个取值分别为指数时的k14个幂；
步骤3207，计算当前位置的运动速度为底数，预设倍数的k15个取值分别为指数时的k15个幂；
步骤3208，计算当前位置的运动加速度为底数，预设倍数的k16个取值分别为指数时的k16个幂；
步骤3209，基于第三系数集合、k9个幂、k10个幂、k11个幂和k12个幂，计算得到侧向控制偏差的均值；
步骤3210，基于第四系数集合、k13个幂、k14个幂、k15个幂和k16个幂，计算得到侧向控制偏差的方差。
具体地，上述步骤3209可以具体包括：将第三系数集合中k9个第三曲率系数与k9个幂分别相乘后，将得到的k9个乘积相加得到第九和值；将第三系数集合中k10个第三曲率变化量系数与k10个幂分别相乘，将得到的k10个乘积相加得到第十和值；将第三系数集合中k11个第三速度系数与k11个幂分别相乘后，将得到的k11个乘积相加得到第十一和值；将第三系数集合中k12个第三加速度系数与k12个幂分别相乘，将得到的k12个乘积相加得到第十二和值；将第九和值、第十和值、第十一和值与第十二和值相加，得到侧向控制偏差的均值。
上述步骤3210可以具体包括：将第四系数集合中k13个第四曲率系数与k13个幂分别相乘后，将得到的k13个乘积相加得到第十三和值；将第四系数集合中k14个第四曲率变化量系数与k14个幂分别相乘，将得到的k14个乘积相加得到第十四和值；将第四系数集合中k15个第四速度系数与k15个幂分别相乘后，将得到的k15个乘积相加得到第十五和值；将第四系数集合中k16个第四加速度系数与k16个幂分别相乘，将得到的k16个乘积相加得到第十六和值；将第十三和值、第十四和值、第十五和值与第十六和值相加，得到侧向控制偏差的方差。
示例性地，上述侧向控制偏差的均值的具体计算过程可以通过公式（5）实现，预设倍数为2，上述侧向控制偏差的方差的具体计算过程可以通过公式（6）实现。
（5）
（6）
其中，为侧向控制偏差的均值，/>为侧向控制偏差的方差，ρ为第二目标点的曲率，/>为第二目标点的曲率变化量，v为当前位置的运动速度，/>为当前位置的运动加速度。
在本申请的一些实施例中，图4是本申请再一实施例提供的车辆运动控制能力评估方法的流程示意图，上述步骤140可以包括图4所示的步骤410和步骤420。
步骤410，将运动控制能力参数作为模型参数进行建模，得到运动控制能力评估模型；
步骤420，通过向运动控制能力评估模型输入实时数据集，得到目标均值和目标方差。
具体地，可以利用运动控制能力参数进行形式化建模，设计与构建能够表征智能驾驶车辆的运动控制能力的形式化模型，得到运动控制能力评估模型。
在一些实施例中，结合公式（3）、（4）、（5）、（6）可以得到运动控制能力评估模型。
在本申请的一些实施例中，同一测试数据集可以涉及各个工况，则可以利用该测试数据集得到可对应所有工况的运动控制能力参数，基于该运动控制能力参数进行建模，可以得到能够评估各个工况下智能驾驶车辆的运动控制能力的运动控制能力评估模型。
如此，得到的运动控制能力评估模型能够评估车辆在不同工况下的运动控制或执行能力，适用范围较广。
在本申请的另一些实施例中，同一测试数据集仅涉及同一工况，则根据多个工况下的多个测试数据集可以得到多个工况对应的多个运动控制能力参数，基于多个工况对应的运动控制能力参数分别建模，得到多个工况对应的多个运动控制能力评估模型。
如此，基于不同工况的测试路径得到的测试数据集，可以构建出不同的运动控制能力评估模型，从而使得到的运动控制能力评估模型在评估时更具有针对性，提升运动控制能力评估的准确度。
步骤150，结合目标均值和目标方差，对目标车辆中运动控制系统的运动控制能力进行实时评估，得到评估结果。
在步骤150中，目标均值的绝对值越小，表征运动控制系统的控制准确度越高，运动控制能力越强；目标方差越小，表征运动控制系统的控制稳定性越高，运动控制能力越强。
在本申请的一些实施例中，目标均值包括第一均值和第二均值，目标方差包括第一方差和第二方差，上述步骤150可以具体包括：
结合第一均值和第一方差，对运动控制系统的纵向运动控制能力进行实时评估，得到纵向控制能力评估结果；
结合第二均值和第二方差，对运动控制系统的侧向运动控制能力进行实时评估，得到侧向控制能力评估结果。
具体地，第一均值和/或第一方差越小，表征运动控制系统的纵向运动控制能力越高；第二均值和/或第二方差越小，表征运动控制系统的侧向运动控制能力越高。
示例性地，可以通过公式（7）对纵向运动控制能力进行实时评估，通过公式（8）对侧向运动控制能力进行实时评估。
（7）
（8）
其中，为纵向控制偏差，取偏差服从高斯分布，/>为/>的均值，也即第一均值，/>为/>的方差，也即第一方差；/>为侧向控制偏差，取偏差服从高斯分布，/>为的均值，也即第二均值，/>为/>的方差，也即第二方差。
在本申请实施例中，可以完备、高效地实现预期功能安全风险评估，便于开发人员发现系统缺陷并进行系统方案优化或更换，有利于降低系统开发成本，降低开发周期，有效提高智能驾驶系统的预期功能安全性。并且，本申请的车辆运动控制能力评估方案，可以为智能驾驶集成商，如主机厂等商家在设备选型过程时提供参考，集成商可根据智能驾驶整车层的预期功能安全要求，提出满足整车层预期功能安全需求的智能驾驶车辆运动执行设备或系统的能力量化要求，如不同工况路径、不同车辆行驶速度 下，对车辆运动控制系统执行能力，如纵向控制偏差、横向控制偏差的定量要求，保障智能驾驶车辆整车层的预期功能安全。可为智能驾驶决策算法设计与开发人员提供参考，开发人员可根据智能驾驶车辆不同目标路径、不同运动状态，车辆运动执行系统对目标状态的跟踪偏差或执行误差，选择合理、安全的智能驾驶策略与路线，提高车辆在运行过程中的预期功能安全度，保障自动驾驶车辆的安全行驶能力。
需要说明的是，本申请实施例提供的车辆运动控制能力评估方法，执行主体可以为电子设备，或者车辆运动控制能力评估系统中用于执行车辆运动控制能力评估方法的控制模块。本申请实施例中以车辆运动控制能力评估系统执行车辆运动控制能力评估方法为例，说明本申请实施例提供的车辆运动控制能力评估系统。下面对车辆运动控制能力评估系统进行详细介绍。
图5是本申请实施例提供的一种车辆运动控制能力评估系统的结构示意图。如图5所示，该车辆运动控制能力评估系统500可以包括：获取模块510、确定模块520和评估模块530。
其中，获取模块510，用于获取测试车辆的测试数据集，其中，测试数据集包括测试车辆在实际测试路径上N个采样点的第一实际运动数据，以及在第一目标路径上N个第一目标点的第一目标运动数据，实际测试路径上N个采样点对应第一目标路径上N个第一目标点，N为正整数；确定模块520，用于基于测试车辆的测试数据集和极大似然估计算法，确定运动控制能力参数；获取模块510，还用于获取目标车辆在当前时刻的实时数据集，其中，实时数据集包括目标车辆在当前行驶路径上当前位置的第二实际运动数据，以及在第二目标路径上目标点的第二目标运动数据，当前行驶路径上当前位置对应第二目标路径上第二目标点；确定模块520，还用于结合实时数据集和运动控制能力参数，确定目标车辆的运动控制偏差的目标均值和目标方差；评估模块530，用于结合目标均值和目标方差，对目标车辆中运动控制系统的运动控制能力进行实时评估，得到评估结果。
在本申请的一些实施例中，确定模块520包括：建模单元，用于将运动控制能力参数作为模型参数进行建模，得到运动控制能力评估模型；确定单元，用于通过向运动控制能力评估模型输入实时数据集，得到目标均值和目标方差。
在本申请的一些实施例中，第一实际运动数据包括采样点的实际纵向位置、实际侧向位置、运动速度和运动加速度，第二实际运动数据包括当前位置的实际纵向位置、实际侧向位置、运动速度和运动加速度，第一目标运动数据包括第一目标点的期望纵向位置、期望侧向位置、曲率、曲率变化量，第二目标运动数据包括第二目标点的期望纵向位置、期望侧向位置、曲率、曲率变化量。
在本申请的一些实施例中，运动控制偏差包括纵向控制偏差和侧向控制偏差，运动控制能力参数包括纵向控制能力参数和侧向控制能力参数，目标均值包括第一均值和第二均值，目标方差包括第一方差和第二方差，确定模块520包括：确定单元，用于结合纵向控制能力参数和实时数据集，确定纵向控制偏差的均值和方差，得到第一均值和第一方差；确定单元，用于结合侧向控制能力参数和实时数据集，确定侧向控制偏差的均值和方差，得到第二均值和第二方差。
在本申请的一些实施例中，评估模块530具体用于：结合第一均值和第一方差，对运动控制系统的纵向运动控制能力进行实时评估，得到纵向控制能力评估结果；结合第二均值和第二方差，对运动控制系统的侧向运动控制能力进行实时评估，得到侧向控制能力评估结果。
在本申请的一些实施例中，纵向控制能力参数包括第一系数集合和第二系数集合，其中，第一系数集合包括对应第一取值范围的k1个第一曲率系数、对应第二取值范围的k2个第一曲率变化量系数、对应第三取值范围的k3个第一速度系数、对应第四取值范围的k4个第一加速度系数；第二系数集合包括对应第五取值范围的k5个第二曲率系数、对应第六取值范围的k6个第二曲率变化量系数、对应第七取值范围的k7个第二速度系数、对应第八取值范围的k8个第二加速度系数；第一取值范围包括k1个取值，第二取值范围包括k2个取值，第三取值范围包括k3个取值，第四取值范围包括k4个取值，第五取值范围包括k5个取值，第六取值范围包括k6个取值，第七取值范围包括k7个取值，第八取值范围包括k8个取值，k1、k2、k3、k4、k5、k6、k7、k8均为正整数。
在本申请的一些实施例中，第二实际运动数据包括当前位置的实际纵向位置、实际侧向位置、运动速度和运动加速度，第二目标运动数据包括第二目标点的期望纵向位置、期望侧向位置、曲率、曲率变化量；确定单元具体用于：计算第二目标点的曲率为底数，k1个取值分别为指数时的k1个幂；计算第二目标点的曲率变化量为底数，k2个取值分别为指数时的k2个幂；计算当前位置的运动速度为底数，k3个取值分别为指数时的k3个幂；计算当前位置的运动加速度为底数，k4个取值分别为指数时的k4个幂；计算第二目标点的曲率为底数，预设倍数的k5个取值分别为指数时的k5个幂；计算第二目标点的曲率变化量为底数，预设倍数的k6个取值分别为指数时的k6个幂；计算当前位置的运动速度为底数，预设倍数的k7个取值分别为指数时的k7个幂；计算当前位置的运动加速度为底数，预设倍数的k8个取值分别为指数时的k8个幂；基于第一系数集合、k1个幂、k2个幂、k3个幂和k4个幂，计算得到纵向控制偏差的均值；基于第二系数集合、k5个幂、k6个幂、k7个幂和k8个幂，计算得到纵向控制偏差的方差。
在本申请的一些实施例中，侧向控制能力参数包括第三系数集合和第四系数集合，其中，第三系数集合包括对应第九取值范围的k9个第三曲率系数、对应第十取值范围的k10个第三曲率变化量系数、对应第十一取值范围的k11个第三速度系数、对应第十二取值范围的k12个第三加速度系数；第四系数集合包括对应第十三取值范围的k13个第四曲率系数、对应第十四取值范围的k14个第四曲率变化量系数、对应第十五取值范围的k15个第四速度系数、对应第十六取值范围的k16个第四加速度系数；第九取值范围包括k9个取值，第十取值范围包括k10个取值，第十一取值范围包括k11个取值，第十二取值范围包括k12个取值，第十三取值范围包括k13个取值，第十四取值范围包括k14个取值，第十五取值范围包括k15个取值，第十六取值范围包括k16个取值，k9、k10、k11、k12、k13、k14、k15、k16均为正整数。
在本申请的一些实施例中，第二实际运动数据包括当前位置的实际纵向位置、实际侧向位置、运动速度和运动加速度，第二目标运动数据包括第二目标点的期望纵向位置、期望侧向位置、曲率、曲率变化量；确定单元具体用于：计算第二目标点的曲率为底数，k9个取值分别为指数时的k9个幂；计算第二目标点的曲率变化量为底数，k10个取值分别为指数时的k10个幂；计算当前位置的运动速度为底数，k11个取值分别为指数时的k11个幂；计算当前位置的运动加速度为底数，k12个取值分别为指数时的k12个幂；计算第二目标点的曲率为底数，预设倍数的k13个取值分别为指数时的k13个幂；计算第二目标点的曲率变化量为底数，预设倍数的k14个取值分别为指数时的k14个幂；计算当前位置的运动速度为底数，预设倍数的k15个取值分别为指数时的k15个幂；计算当前位置的运动加速度为底数，预设倍数的k16个取值分别为指数时的k16个幂；基于第三系数集合、k9个幂、k10个幂、k11个幂和k12个幂，计算得到侧向控制偏差的均值；基于第四系数集合、k13个幂、k14个幂、k15个幂和k16个幂，计算得到侧向控制偏差的方差。
本申请实施例的车辆运动控制能力评估系统，获取测试车辆的测试数据集，测试数据集包括测试车辆在实际测试路径上N个采样点的第一实际运动数据，以及在第一目标路径上N个第一目标点的第一目标运动数据，实际测试路径上N个采样点对应第一目标路径上N个第一目标点，N为正整数；基于测试车辆的测试数据集和极大似然估计算法，确定运动控制能力参数；获取目标车辆在当前时刻的实时数据集，其中，实时数据集包括目标车辆在当前行驶路径上当前位置的第二实际运动数据，以及在第二目标路径上目标点的第二目标运动数据，当前行驶路径上当前位置对应第二目标路径上第二目标点；结合实时数据集和运动控制能力参数，确定目标车辆的运动控制偏差的目标均值和目标方差。如此，结合目标均值和目标方差，能够对目标车辆中运动控制系统的运动控制能力进行准确有效评估，得到评估结果。
本申请实施例中的车辆运动控制能力评估系统可以是系统，也可以是终端中的部件、集成电路、或芯片。该系统可以包括移动电子设备，也可以包括非移动电子设备。示例性地，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机（ultra-mobile personal computer，UMPC）、上网本或者个人数字助理（personal digital assistant，PDA）等，非移动电子设备可以为服务器、网络附属存储器（Network Attached Storage，NAS）、个人计算机（personal computer，PC）、电视机（television，TV）、柜员机或者自助机等，本申请实施例不作具体限定。
本申请实施例中的车辆运动控制能力评估系统可以为具有操作系统的系统。该操作系统可以为安卓（Android）操作系统，可以为iOS操作系统，还可以为其它可能的操作系统，本申请实施例不作具体限定。
图6是本申请实施例提供的一种电子设备的硬件结构示意图。
如图6所示，本实施例中的电子设备600可以包括处理器601以及存储有计算机程序指令的存储器602。
具体地，上述处理器601可以包括中央处理器（CPU），或者特定集成电路（Application Specific Integrated Circuit ，ASIC），或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器602可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器602可包括硬盘驱动器（Hard Disk Drive，HDD）、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线（Universal Serial Bus，USB）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器602可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器602可在综合网关容灾设备的内部或外部。在特定实施例中，存储器602是非易失性固态存储器。存储器可包括只读存储器（Read-Only Memory，ROM），随机存取存储器（RandomAccess Memory ，RAM），磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形（非暂态）计算机可读存储介质（例如，存储器设备），并且当该软件被执行（例如，由一个或多个处理器）时，其可操作来执行参考根据本申请实施例的方法所描述的操作。
处理器601通过读取并执行存储器602中存储的计算机程序指令，以实现上述实施例中的任意一种车辆运动控制能力评估方法。
在一个示例中，电子设备600还可以包括通信接口603和总线610。其中，如图6所示，处理器601、存储器602、通信接口603通过总线610连接并完成相互间的通信。
通信接口603，主要用于实现本申请实施例中各模块、系统、单元和/或设备之间的通信。
总线610包括硬件、软件或两者，将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口（AGP）或其他图形总线、增强工业标准架构（EISA）总线、前端总线（FSB）、超传输（HT）互连、工业标准架构（ISA）总线、无限带宽互连、低引脚数（LPC）总线、存储器总线、微信道架构（MCA）总线、外围组件互连（PCI）总线、PCI-Express（PCI-X）总线、串行高级技术附件（SATA）总线、视频电子标准协会局部（VLB）总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线610可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
本申请实施例提供的电子设备，能够实现图1-图4的方法实施例中所实现的各个过程，并能实现相同的技术效果，为避免重复，在此不再赘述。
结合上述实施例中的车辆运动控制能力评估方法，本申请实施例可提供一种车辆运动控制能力评估系统，该车辆运动控制能力评估系统包括上述实施例中的电子设备。电子设备的具体内容可参见上述实施例中的相关说明，在此不再赘述。
另外，结合上述实施例中的车辆运动控制能力评估方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种车辆运动控制能力评估方法的步骤。
结合上述实施例中的车辆运动控制能力评估方法，本申请实施例可提供一种计算机程序产品来实现。该计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如第一方面的任一项实施例中所示的车辆运动控制能力评估方法的步骤。
需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，做出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路（Application SpecificIntegrated Circuit，ASIC）、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM（EROM）、软盘、CD-ROM、光盘、硬盘、光纤介质、射频（RF）链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者系统描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、系统（系统）和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理系统的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理系统的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (12)
1.一种车辆运动控制能力评估方法，其特征在于，所述方法包括：
获取测试车辆的测试数据集，其中，所述测试数据集包括所述测试车辆在实际测试路径上N个采样点的第一实际运动数据，以及在第一目标路径上N个第一目标点的第一目标运动数据，所述实际测试路径上N个采样点对应所述第一目标路径上N个第一目标点，N为正整数；
基于所述测试车辆的测试数据集和极大似然估计算法，确定运动控制能力参数；
获取目标车辆在当前时刻的实时数据集，其中，所述实时数据集包括所述目标车辆在当前行驶路径上当前位置的第二实际运动数据，以及在第二目标路径上目标点的第二目标运动数据，所述当前行驶路径上当前位置对应所述第二目标路径上第二目标点；
结合所述实时数据集和所述运动控制能力参数，确定所述目标车辆的运动控制偏差的目标均值和目标方差；
结合所述目标均值和所述目标方差，对所述目标车辆中运动控制系统的运动控制能力进行实时评估，得到评估结果。
2.根据权利要求1所述的方法，其特征在于，所述结合所述实时数据集和所述运动控制能力参数，确定所述目标车辆的运动控制偏差的目标均值和目标方差，包括：
将所述运动控制能力参数作为模型参数进行建模，得到运动控制能力评估模型；
通过向所述运动控制能力评估模型输入所述实时数据集，得到所述目标均值和目标方差。
3.根据权利要求1所述的方法，其特征在于，所述第一实际运动数据包括所述采样点的实际纵向位置、实际侧向位置、运动速度和运动加速度，所述第二实际运动数据包括所述当前位置的实际纵向位置、实际侧向位置、运动速度和运动加速度，所述第一目标运动数据所述第一目标点的期望纵向位置、期望侧向位置、曲率、曲率变化量，所述第二目标运动数据包括所述第二目标点的期望纵向位置、期望侧向位置、曲率、曲率变化量。
4.根据权利要求1所述的方法，其特征在于，所述运动控制偏差包括纵向控制偏差和侧向控制偏差，所述运动控制能力参数包括纵向控制能力参数和侧向控制能力参数，所述目标均值包括第一均值和第二均值，所述目标方差包括第一方差和第二方差，所述结合所述实时数据集和所述运动控制能力参数，确定所述目标车辆的运动控制偏差的目标均值和目标方差，包括：
结合所述纵向控制能力参数和所述实时数据集，确定所述纵向控制偏差的均值和方差，得到所述第一均值和所述第一方差；
结合所述侧向控制能力参数和所述实时数据集，确定所述侧向控制偏差的均值和方差，得到所述第二均值和第二方差。
5.根据权利要求4所述的方法，其特征在于，所述结合所述目标均值和所述目标方差，对所述目标车辆中运动控制系统的运动控制能力进行实时评估，得到评估结果，包括：
结合所述第一均值和所述第一方差，对所述运动控制系统的纵向运动控制能力进行实时评估，得到纵向控制能力评估结果；
结合所述第二均值和所述第二方差，对所述运动控制系统的侧向运动控制能力进行实时评估，得到侧向控制能力评估结果。
6.根据权利要求4所述的方法，其特征在于，所述纵向控制能力参数包括第一系数集合和第二系数集合，其中，所述第一系数集合包括对应第一取值范围的k1个第一曲率系数、对应第二取值范围的k2个第一曲率变化量系数、对应第三取值范围的k3个第一速度系数、对应第四取值范围的k4个第一加速度系数；所述第二系数集合包括对应第五取值范围的k5个第二曲率系数、对应第六取值范围的k6个第二曲率变化量系数、对应第七取值范围的k7个第二速度系数、对应第八取值范围的k8个第二加速度系数；所述第一取值范围包括k1个取值，所述第二取值范围包括k2个取值，所述第三取值范围包括k3个取值，所述第四取值范围包括k4个取值，所述第五取值范围包括k5个取值，所述第六取值范围包括k6个取值，所述第七取值范围包括k7个取值，所述第八取值范围包括k8个取值，k1、k2、k3、k4、k5、k6、k7、k8均为正整数。
7.根据权利要求6所述的方法，其特征在于，所述第二实际运动数据包括所述当前位置的实际纵向位置、实际侧向位置、运动速度和运动加速度，所述第二目标运动数据包括所述第二目标点的期望纵向位置、期望侧向位置、曲率、曲率变化量；
所述结合所述纵向控制能力参数和所述实时数据集，确定所述纵向控制偏差的均值和方差，包括：
计算所述第二目标点的曲率为底数，所述k1个取值分别为指数时的k1个幂；
计算所述第二目标点的曲率变化量为底数，所述k2个取值分别为指数时的k2个幂；
计算所述当前位置的运动速度为底数，所述k3个取值分别为指数时的k3个幂；
计算所述当前位置的运动加速度为底数，所述k4个取值分别为指数时的k4个幂；
计算所述第二目标点的曲率为底数，预设倍数的所述k5个取值分别为指数时的k5个幂；
计算所述第二目标点的曲率变化量为底数，预设倍数的所述k6个取值分别为指数时的k6个幂；
计算所述当前位置的运动速度为底数，预设倍数的所述k7个取值分别为指数时的k7个幂；
计算所述当前位置的运动加速度为底数，预设倍数的所述k8个取值分别为指数时的k8个幂；
基于所述第一系数集合、所述k1个幂、所述k2个幂、所述k3个幂和所述k4个幂，计算得到所述纵向控制偏差的均值；
基于所述第二系数集合、所述k5个幂、所述k6个幂、所述k7个幂和所述k8个幂，计算得到所述纵向控制偏差的方差。
8.根据权利要求4所述的方法，其特征在于，所述侧向控制能力参数包括第三系数集合和第四系数集合，其中，所述第三系数集合包括对应第九取值范围的k9个第三曲率系数、对应第十取值范围的k10个第三曲率变化量系数、对应第十一取值范围的k11个第三速度系数、对应第十二取值范围的k12个第三加速度系数；所述第四系数集合包括对应第十三取值范围的k13个第四曲率系数、对应第十四取值范围的k14个第四曲率变化量系数、对应第十五取值范围的k15个第四速度系数、对应第十六取值范围的k16个第四加速度系数；所述第九取值范围包括k9个取值，所述第十取值范围包括k10个取值，所述第十一取值范围包括k11个取值，所述第十二取值范围包括k12个取值，所述第十三取值范围包括k13个取值，所述第十四取值范围包括k14个取值，所述第十五取值范围包括k15个取值，所述第十六取值范围包括k16个取值，k9、k10、k11、k12、k13、k14、k15、k16均为正整数。
9.根据权利要求8所述的方法，其特征在于，所述第二实际运动数据包括所述当前位置的实际纵向位置、实际侧向位置、运动速度和运动加速度，所述第二目标运动数据包括所述第二目标点的期望纵向位置、期望侧向位置、曲率、曲率变化量；
所述结合所述侧向控制能力参数和所述实时数据集，确定所述侧向控制偏差的均值和方差，包括：
计算所述第二目标点的曲率为底数，所述k9个取值分别为指数时的k9个幂；
计算所述第二目标点的曲率变化量为底数，所述k10个取值分别为指数时的k10个幂；
计算所述当前位置的运动速度为底数，所述k11个取值分别为指数时的k11个幂；
计算所述当前位置的运动加速度为底数，所述k12个取值分别为指数时的k12个幂；
计算所述第二目标点的曲率为底数，预设倍数的所述k13个取值分别为指数时的k13个幂；
计算所述第二目标点的曲率变化量为底数，预设倍数的所述k14个取值分别为指数时的k14个幂；
计算所述当前位置的运动速度为底数，预设倍数的所述k15个取值分别为指数时的k15个幂；
计算所述当前位置的运动加速度为底数，预设倍数的所述k16个取值分别为指数时的k16个幂；
基于所述第三系数集合、所述k9个幂、所述k10个幂、所述k11个幂和所述k12个幂，计算得到所述侧向控制偏差的均值；
基于所述第四系数集合、所述k13个幂、所述k14个幂、所述k15个幂和所述k16个幂，计算得到所述侧向控制偏差的方差。
10.一种车辆运动控制能力评估系统，其特征在于，所述系统包括：
获取模块，用于获取测试车辆的测试数据集，其中，所述测试数据集包括所述测试车辆在实际测试路径 上N个采样点的第一实际运动数据，以及在第一目标路径上N个第一目标点的第一目标运动数据，所述实际测试路径上N个采样点对应所述第一目标路径上N个第一目标点，N为正整数；
确定模块，用于基于所述测试车辆的测试数据集和极大似然估计算法，确定运动控制能力参数；
所述获取模块，还用于获取目标车辆在当前时刻的实时数据集，其中，所述实时数据集包括所述目标车辆在当前行驶路径上当前位置的第二实际运动数据，以及在第二目标路径上目标点的第二目标运动数据，所述当前行驶路径上当前位置对应所述第二目标路径上第二目标点；
所述确定模块，还用于结合所述实时数据集和所述运动控制能力参数，确定所述目标车辆的运动控制偏差的目标均值和目标方差；
评估模块，用于结合所述目标均值和所述目标方差，对所述目标车辆中运动控制系统的运动控制能力进行实时评估，得到评估结果。
11.一种电子设备，其特征在于，所述电子设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-9任意一项所述的车辆运动控制能力评估方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-9任意一项所述的车辆运动控制能力评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311467172.5A CN117217422B (zh) | 2023-11-07 | 2023-11-07 | 车辆运动控制能力评估方法及其系统、设备、介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311467172.5A CN117217422B (zh) | 2023-11-07 | 2023-11-07 | 车辆运动控制能力评估方法及其系统、设备、介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117217422A true CN117217422A (zh) | 2023-12-12 |
| CN117217422B CN117217422B (zh) | 2024-03-22 |
Family
ID=89039243
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311467172.5A Active CN117217422B (zh) | 2023-11-07 | 2023-11-07 | 车辆运动控制能力评估方法及其系统、设备、介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117217422B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1544760A2 (en) * | 2003-12-18 | 2005-06-22 | Nissan Motor Company, Limited | Three dimensional road-vehicle modeling system |
| EP1674375A1 (en) * | 2004-12-20 | 2006-06-28 | Ford Global Technologies, LLC | Method for determining a measure for evaluating the behaviour of a driver of a vehicle |
| CN107450511A (zh) * | 2017-06-28 | 2017-12-08 | 百度在线网络技术（北京）有限公司 | 评估车辆控制模型的方法、装置、设备和计算机存储介质 |
| CN109491369A (zh) * | 2018-12-05 | 2019-03-19 | 百度在线网络技术（北京）有限公司 | 车辆实际控制单元的性能评估方法、装置、设备和介质 |
| CN110487562A (zh) * | 2019-08-21 | 2019-11-22 | 北京航空航天大学 | 一种用于无人驾驶的车道保持能力检测系统及方法 |
| CN112733270A (zh) * | 2021-01-08 | 2021-04-30 | 浙江大学 | 车辆行驶轨迹预测和轨迹偏离危险度评估的系统与方法 |
| CN114270369A (zh) * | 2019-08-23 | 2022-04-01 | 法弗人工智能有限公司 | 机器人系统的性能测试 |
| CN114906128A (zh) * | 2021-09-24 | 2022-08-16 | 同济大学 | 一种基于mcts算法的自动泊车运动规划方法 |
| CN114996116A (zh) * | 2022-03-22 | 2022-09-02 | 吉林大学 | 一种针对自动驾驶系统的拟人性评价方法 |
| CN115358530A (zh) * | 2022-07-26 | 2022-11-18 | 上海交通大学 | 一种车路协同感知路侧测试数据质量评价方法 |
| CN115440027A (zh) * | 2022-07-21 | 2022-12-06 | 交通运输部公路科学研究所 | 面向多场景的智能车辆编队功能测评方法及装置 |
| CN116627793A (zh) * | 2023-02-23 | 2023-08-22 | 重庆长安汽车股份有限公司 | 软件在环仿真测试的真实度评估方法及装置 |
| US20230304896A1 (en) * | 2022-03-22 | 2023-09-28 | Jilin University | Method for evaluating performance of self-driving vehicle oriented to full parameter space of logical scenario |
| CN116968733A (zh) * | 2023-09-22 | 2023-10-31 | 国汽(北京)智能网联汽车研究院有限公司 | 车辆安全风险评估方法及其装置、设备、介质 |
-
2023
- 2023-11-07 CN CN202311467172.5A patent/CN117217422B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1544760A2 (en) * | 2003-12-18 | 2005-06-22 | Nissan Motor Company, Limited | Three dimensional road-vehicle modeling system |
| EP1674375A1 (en) * | 2004-12-20 | 2006-06-28 | Ford Global Technologies, LLC | Method for determining a measure for evaluating the behaviour of a driver of a vehicle |
| CN107450511A (zh) * | 2017-06-28 | 2017-12-08 | 百度在线网络技术（北京）有限公司 | 评估车辆控制模型的方法、装置、设备和计算机存储介质 |
| CN109491369A (zh) * | 2018-12-05 | 2019-03-19 | 百度在线网络技术（北京）有限公司 | 车辆实际控制单元的性能评估方法、装置、设备和介质 |
| CN110487562A (zh) * | 2019-08-21 | 2019-11-22 | 北京航空航天大学 | 一种用于无人驾驶的车道保持能力检测系统及方法 |
| CN114270369A (zh) * | 2019-08-23 | 2022-04-01 | 法弗人工智能有限公司 | 机器人系统的性能测试 |
| CN112733270A (zh) * | 2021-01-08 | 2021-04-30 | 浙江大学 | 车辆行驶轨迹预测和轨迹偏离危险度评估的系统与方法 |
| CN114906128A (zh) * | 2021-09-24 | 2022-08-16 | 同济大学 | 一种基于mcts算法的自动泊车运动规划方法 |
| CN114996116A (zh) * | 2022-03-22 | 2022-09-02 | 吉林大学 | 一种针对自动驾驶系统的拟人性评价方法 |
| US20230304896A1 (en) * | 2022-03-22 | 2023-09-28 | Jilin University | Method for evaluating performance of self-driving vehicle oriented to full parameter space of logical scenario |
| CN115440027A (zh) * | 2022-07-21 | 2022-12-06 | 交通运输部公路科学研究所 | 面向多场景的智能车辆编队功能测评方法及装置 |
| CN115358530A (zh) * | 2022-07-26 | 2022-11-18 | 上海交通大学 | 一种车路协同感知路侧测试数据质量评价方法 |
| CN116627793A (zh) * | 2023-02-23 | 2023-08-22 | 重庆长安汽车股份有限公司 | 软件在环仿真测试的真实度评估方法及装置 |
| CN116968733A (zh) * | 2023-09-22 | 2023-10-31 | 国汽(北京)智能网联汽车研究院有限公司 | 车辆安全风险评估方法及其装置、设备、介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117217422B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kim et al. | Model-based condition monitoring for lithium-ion batteries | |
| US9995564B2 (en) | Terminal and server for modifying magnetic field and method thereof | |
| CN112580733B (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
| CN114387319B (zh) | 点云配准方法、装置、设备以及存储介质 | |
| CN115291108A (zh) | 数据生成方法、装置、设备及计算机程序产品 | |
| CN102656581B (zh) | 信息处理设备、信息处理方法和存储介质 | |
| CN116968733B (zh) | 车辆安全风险评估方法及其装置、设备、介质 | |
| CN110645996B (zh) | 一种感知数据的提取方法及系统 | |
| CN114549136A (zh) | 供应链用户信用评价方法、装置、设备及计算机存储介质 | |
| CN117217422B (zh) | 车辆运动控制能力评估方法及其系统、设备、介质 | |
| CN115224751A (zh) | 电池充电剩余时长的获取方法、装置、电子设备及介质 | |
| CN117007083B (zh) | 车辆测距能力评估方法及其系统、设备、介质 | |
| CN115248993A (zh) | 一种仿真场景模型真实性检测方法、装置及存储介质 | |
| CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
| CN114820242A (zh) | 科技企业创新成果评价方法及其装置、设备、介质 | |
| CN114863715A (zh) | 停车数据确定方法、装置、电子设备及存储介质 | |
| CN112346995A (zh) | 一种基于银行业的测试风险预估模型的构建方法及装置 | |
| CN111291464A (zh) | 一种电力系统动态等值方法及装置 | |
| CN116433255B (zh) | 刷单嫌疑度确定方法、装置、设备及介质 | |
| CN109255432B (zh) | 神经网络模型构建方法及装置、存储介质、电子设备 | |
| CN113361379B (zh) | 生成目标检测系统和检测目标的方法及装置 | |
| CN114547101B (zh) | 数据中台的数据质量评估方法、装置、设备及存储介质 | |
| CN113038596B (zh) | 室内定位方法、装置、设备及计算机可读存储介质 | |
| CN117429311A (zh) | 续航里程预测方法、装置、设备、介质及车辆 | |
| CN114911845A (zh) | 一种处理地图数据的方法、装置、设备以及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |