CN117367831B - 智能驾驶极限测试场景构建方法、设备及介质 - Google Patents
智能驾驶极限测试场景构建方法、设备及介质 Download PDFInfo
- Publication number
- CN117367831B CN117367831B CN202311656888.XA CN202311656888A CN117367831B CN 117367831 B CN117367831 B CN 117367831B CN 202311656888 A CN202311656888 A CN 202311656888A CN 117367831 B CN117367831 B CN 117367831B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- acceleration
- test
- target vehicle
- duration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 204
- 238000010276 construction Methods 0.000 title claims abstract description 30
- 230000001133 acceleration Effects 0.000 claims abstract description 169
- 238000000034 method Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
Abstract
本发明公开了一种智能驾驶极限测试场景构建方法、设备及介质,首先通过预测试确定测试车辆在通过十字路口时常用的加速度以及加速持续时间和匀速持续时间,然后基于这些已知量,结合目标车辆在通过十字路口时常用的加速度、目标车辆的车长和车宽通过运动学方程求解目标车辆在不同极限场景中的加速持续时间,进而根据目标车辆在不同极限场景中的加速持续时间构建时间窗,并在该时间窗内选取目标时间,以该目标时间作为目标车辆的加速持续时间来构建测试场景,提高了测试场景的构建精度和全面性,且构建成本比较低,可实施性较强。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种智能驾驶极限测试场景构建方法、设备及介质。
背景技术
智能驾驶汽车起源于20世纪80年代,随着人工智能技术的进步和传感器等硬件设备的升级,智能驾驶汽车逐渐从一门前瞻性研究学科转变为应用性学科。而智能驾驶汽车的测试技术也随之发展、演变,形成了相对完善的测试体系,即以仿真测试、封闭场地测试、开放道路测试为主要手段的“三支柱”测试体系。
因此,如何构建接近现实的测试场景以及对测试车辆进行全面测试非常重要。
有鉴于此,特提出本发明。
发明内容
为了解决上述技术问题,本发明提供了一种智能驾驶极限测试场景构建方法、设备及介质,提高了极限测试场景的构建精度、全面性且构建成本较低,可实施性较强。
本发明实施例提供了一种智能驾驶极限测试场景构建方法,该方法包括:
根据测试车辆的第一加速度、第一加速持续时间、第一匀速持续时间和第一预设起始位置以及目标车辆的第二预设起始位置、第二加速度、车长和车宽结合运动学方程确定在不同极限场景中目标车辆的第二加速持续时间;其中,所述测试车辆的第一加速度、第一加速持续时间和第一匀速持续时间通过如下方式确定:控制测试车辆在无交通指示灯且无障碍物的十字路口以先加速后匀速的运动模式通过所述十字路口,并在该过程中记录所述测试车辆的第一加速度、第一加速持续时间和第一匀速持续时间;所述不同极限场景包括第一极限场景、第二极限场景和第三极限场景;所述第一极限场景为测试车辆在通过十字路口时,测试车辆的车头与目标车辆的车头发生碰撞的场景;所述第二极限场景为测试车辆在通过十字路口时,测试车辆的车头与目标车辆的车尾发生碰撞的场景;所述第三极限场景为测试车辆在通过十字路口时,测试车辆的车尾与目标车辆的车头发生碰撞的场景;所述目标车辆的行驶方向与所述测试车辆的行驶方向相互垂直;
根据所述不同极限场景中目标车辆的第二加速持续时间组成时间窗;
从所述时间窗内确定多个目标时间,所述多个目标时间至少包括所述第一极限场景中目标车辆的第二加速持续时间、所述第二极限场景中目标车辆的第二加速持续时间以及所述第三极限场景中目标车辆的第二加速持续时间;
将任一所述目标时间作为所述目标车辆的加速持续时间,获得各所述目标时间分别对应的目标车辆的运动轨迹;
根据所述目标车辆的运动轨迹构建测试场景;
其中,所述目标车辆是在无交通指示灯的十字路口与测试车辆存在碰撞风险的车辆。
本发明实施例提供了一种电子设备,所述电子设备包括:
处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行任一实施例所述的智能驾驶极限测试场景构建方法的步骤。
本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行任一实施例所述的智能驾驶极限测试场景构建方法的步骤。
本发明实施例提供的智能驾驶极限测试场景构建方法,首先通过预测试确定测试车辆在通过十字路口时常用的加速度以及加速持续时间和匀速持续时间,然后基于这些已知量,结合目标车辆在通过十字路口时常用的加速度、目标车辆的车长和车宽通过运动学方程求解目标车辆在不同极限场景中的加速持续时间,进而根据目标车辆在不同极限场景中的加速持续时间构建时间窗,并在该时间窗内选取目标时间,以该目标时间作为目标车辆的加速持续时间来构建测试场景,提高了测试场景的构建精度和全面性,且构建成本比较低,可实施性较强。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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是本发明实施例提供的一种智能驾驶极限测试场景构建方法的流程示意图;
图2是本发明实施例提供的一种十字路口场景的示意图;
图3是本发明实施例提供的第一极限场景的示意图;
图4是本发明实施例提供的第二极限场景的示意图;
图5是本发明实施例提供的第三极限场景的示意图;
图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行清楚、完整的描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
本申请实施例提供的智能驾驶极限测试场景构建方法可由智能驾驶极限测试场景构建装置执行,该装置可通过软件和/或硬件的方式实现。
示例性的,图1是本发明实施例提供的一种智能驾驶极限测试场景构建方法的流程示意图,所述在线预警方法包括如下步骤:
S110、根据测试车辆的第一加速度、第一加速持续时间、第一匀速持续时间和第一预设起始位置以及目标车辆的第二预设起始位置、第二加速度、车长和车宽结合运动学方程确定在不同极限场景中目标车辆的第二加速持续时间。
其中,所述测试车辆为自动驾驶车辆。所述测试车辆的第一加速度、第一加速持续时间和第一匀速持续时间通过如下方式确定:控制测试车辆在无交通指示灯且无障碍物的十字路口(该场景可以是实际物理场景,也可以是虚拟仿真场景,不论哪种场景均由自动驾驶算法自行控制车辆运动,不进行人为干预,目的是获得自动驾驶算法在该场景中通常输出的所述第一加速度、第一加速持续时间和第一匀速持续时间)以先加速后匀速的运动模式(这是因为通过统计发现实际驾驶中多数车辆在通过十字路口时均是采用先加速后匀速的运动模式)通过所述十字路口,并在该过程中记录所述测试车辆的第一加速度、第一加速持续时间和第一匀速持续时间。换言之,使测试车辆在无交通指示灯且无障碍物的十字路口从速度为0开始以先加速后匀速的运动模式通过所述十字路口,记录测试车辆在自动驾驶算法的控制下实际执行的加速度以及加速持续时间和匀速持续时间。然后基于获得的测试车辆在该场景下实际的第一加速度、第一加速持续时间和第一匀速持续时间、测试车辆的第一预设起始位置、目标车辆的第二预设起始位置、目标车辆的第二加速度、目标车辆的车长和车宽结合运动学方程确定在不同极限场景中目标车辆的第二加速持续时间。
所述目标车辆是在无交通指示灯的十字路口与测试车辆存在碰撞风险的车辆,所述目标车辆的行驶方向与所述测试车辆的行驶方向相互垂直,所述目标车辆的第二加速度是设定值,可以根据实际道路中各车辆在通过十字路口时通常具有的加速度进行设定,以提高最终所构建场景的逼真性。如图2所示,在图2所示的XOY坐标系中,测试车辆VUT(Vehicle Under Test,VUT)的第一预设起始位置可以表示为P0,VUT(x0,V, y0,V),可使用测试车辆VUT车头左边的一个角点代表测试车辆;目标车辆GVT(Global Vehicle Target,GVT)的第二预设起始位置可以表示为P0,GVT(x0,G, y0,G),可使用目标车辆GVT车头右边的一个角点代表目标车辆。所述第一预设起始位置和所述第二预设起始位置均是根据实际道路中车辆在十字路口场景中可能会选择的停车位置进行设定的。
所述不同极限场景包括第一极限场景、第二极限场景和第三极限场景。所述第一极限场景为测试车辆VUT在通过十字路口时,测试车辆VUT的车头与目标车辆GVT的车头发生碰撞的场景,如图3所示,为测试车辆VUT的初始位置,为测试车辆VUT的加速段结束、匀速段开始的位置;为目标车辆GVT的初始位置,/>为目标车辆GVT的加速段结束、匀速段开始的位置,/>为测试车辆VUT与目标车辆GVT的碰撞点。/>为测试车辆在加速段的加速度(即所述第一加速度),/>为测试车辆VUT的加速段持续时间(即所述第一加速持续时间),/>为测试车辆VUT的匀速段持续时间(即所述第一匀速持续时间)。/>为目标车辆GVT的加速段持续时间(即所述第二加速持续时间),/>为目标车辆GVT的匀速段持续时间(即所述第二匀速持续时间)。
所述第二极限场景为测试车辆在通过十字路口时,测试车辆的车头与目标车辆的车尾发生碰撞的场景,如图4所示,为测试车辆VUT的初始位置,为测试车辆VUT的加速段结束、匀速段开始的位置,为测试车辆VUT的匀速段结束的位置;为目标车辆GVT的初始位置,/>为目标车辆GVT的加速段结束、匀速段开始的位置,/>为目标车辆GVT匀速段结束的位置。/>为测试车辆VUT的加速段持续时间(即所述第一加速持续时间),/>为测试车辆VUT的匀速段持续时间(即所述第一匀速持续时间)。/>为目标车辆GVT的加速段持续时间(即所述第二加速持续时间),/>为目标车辆GVT的匀速段持续时间(即所述第二匀速持续时间)。
所述第三极限场景为测试车辆在通过十字路口时,测试车辆的车尾与目标车辆的车头发生碰撞的场景。如图5所示,为测试车辆VUT的初始位置,为测试车辆VUT的加速段结束、匀速段开始的位置,/>为该场景下测试车辆的加速段持续时间,/>为测试车辆VUT的匀速段结束位置,/>为测试车辆VUT的匀速段持续时间;/>为目标车辆GVT的初始位置,/>为目标车辆GVT的加速段结束、匀速段开始的位置。为目标车辆GVT的匀速段结束的位置。/>为测试车辆VUT的加速段持续时间(即所述第一加速持续时间),/>为测试车辆VUT的匀速段持续时间(即所述第一匀速持续时间)。/>为目标车辆GVT的加速段持续时间(即所述第二加速持续时间),/>为目标车辆GVT的匀速段持续时间(即所述第二匀速持续时间)。
假设测试车辆VUT与目标车辆GVT车长相同均为,车宽相同均为/>。当两车的加速度/>、/>确定时,两车到达各极限状态时目标车辆GVT的加速段时间(即第二加速持续时间)的关系为/>。根据其大小关系将/>作为时间窗的下限,/>作为时间窗的上限,即/>。在该时间窗内,采用包括/>、/>、/>在内的至少三个时间点作为测试用例,验证智能驾驶车辆(即测试车辆)在此场景下的性能。因此,需要求解不同极限场景中目标车辆的第二加速持续时间/>、/>。
具体的,由上可知,测试车辆VUT、目标车辆GVT的初始位置、、测试车辆的VUT预试验参数/>、/>、/>、目标车辆GVT的预设加速度/>均为已知参数。则按如下算法可获得第一极限场景A中目标车辆GVT的关键参数。
测试车辆VUT加速段轨迹的运动学表示为:
(1)
测试车辆VUT匀速段轨迹的运动学表示为:
(2)
目标车辆GVT加速段轨迹的运动学表示为:
(3)
目标车辆GVT匀速段轨迹的运动学表示为:
(4)
根据碰撞点坐标及碰撞时间构建如下等式:
根据上述(1)-(4)可推导出如下关系式:
其中,表示目标车辆的第二加速度,/>为设定值,/>表示测试车辆的第一加速度,/>表示在第一极限场景下测试车辆的所述第一加速持续时间,/>表示目标车辆的第二预设起始位置的纵坐标,/>表示测试车辆的第一预设起始位置的纵坐标,/>表示在第一极限场景下目标车辆的第二加速持续时间,/>表示测试车辆的第一预设起始位置的横坐标,/>表示目标车辆的第二预设起始位置的横坐标,/>表示在第一极限场景下测试车辆的第一匀速持续时间,/>表示在第一极限场景下目标车辆的第二匀速持续时间。
基于与上述类似的推导过程,可分别获得第二极限场景和第三极限场景中目标车辆的第二加速持续时间的求解算式。具体的,在第二极限场景中存在如下等式关系:
结合运动学公式(类似上述公式(1)-(4))可推导出如下计算式,通过如下计算式联合求解确定第二极限场景中目标车辆的第二加速持续时间:
其中,表示目标车辆的第二加速度,/>为设定值,/>表示测试车辆的第一加速度,/>表示在第二极限场景下测试车辆的所述第一加速持续时间,/>表示在第二极限场景下目标车辆的第二加速持续时间,/>表示目标车辆的第二预设起始位置的纵坐标,/>表示测试车辆的第一预设起始位置的纵坐标,/>表示测试车辆的第一预设起始位置的横坐标,/>表示目标车辆的第二预设起始位置的横坐标,LG表示目标车辆的车长,WG表示目标车辆的车宽,/>表示在第二极限场景下测试车辆的第一匀速持续时间,表示在第二极限场景下目标车辆的第二匀速持续时间。
在第三极限场景中存在如下等式关系:
结合运动学公式(类似上述公式(1)-(4))可推导出如下计算式,通过如下计算式联合求解确定第三极限场景中目标车辆的第二加速持续时间:
其中,表示目标车辆的第二加速度,/>为设定值,/>表示测试车辆的第一加速度,/>表示在第三极限场景下测试车辆的所述第一加速持续时间,/>表示在第三极限场景下目标车辆的第二加速持续时间,/>表示目标车辆的第二预设起始位置的纵坐标,/>表示测试车辆的第一预设起始位置的纵坐标,/>表示测试车辆的第一预设起始位置的横坐标,/>表示目标车辆的第二预设起始位置的横坐标,LG表示目标车辆的车长,WG表示目标车辆的车宽,/>表示在第三极限场景下测试车辆的第一匀速持续时间,表示在第三极限场景下目标车辆的第二匀速持续时间。
S120、根据所述不同极限场景中目标车辆的第二加速持续时间组成时间窗。
假设测试车辆VUT与目标车辆GVT车长相同均为,车宽相同均为/>。当两车的加速度/>、/>确定时,两车到达各极限状态时目标车辆GVT的加速段时间的关系为。根据其大小关系将/>作为时间窗的下限,/>作为时间窗的上限,即/>。在该时间窗内,采用包括/>、/>、/>在内的至少三个时间点作为测试用例,验证自动驾驶车辆(即测试车辆)在此场景下的性能。
概括性的,将所述第三极限场景下目标车辆的第二加速持续时间作为所述时间窗的下限值,将所述第二极限场景下目标车辆的第二加速持续时间作为所述时间窗的上限值。
S130、从所述时间窗内确定多个目标时间,所述多个目标时间至少包括所述第一极限场景中目标车辆的第二加速持续时间、所述第二极限场景中目标车辆的第二加速持续时间以及所述第三极限场景中目标车辆的第二加速持续时间。
进一步的,还可采用除所述第一极限场景中目标车辆的第二加速持续时间、所述第二极限场景中目标车辆的第二加速持续时间以及所述第三极限场景中目标车辆的第二加速持续时间之外的时间窗内的其它时间作为所述目标时间。在对应各目标时间的试验中若目标车辆与测试车辆均没有发生碰撞,则可认为测试车辆在该场景下测试通过。
即所述多个目标时间至少包括第一极限场景中目标车辆的第二加速持续时间,第二极限场景中目标车辆的第二加速持续时间/>以及第三极限场景中目标车辆的第二加速持续时间/>。比如/>=7.27s,/>=7.56s,/>=6.98s,则所述时间窗为[6.98,7.56],所述目标时间可以是6.98s、7.27s,7.56s,还可以是除6.98s、7.27s,7.56s之外的其它时间,例如7.41s。。
S140、将任一所述目标时间作为所述目标车辆的加速持续时间,获得各所述目标时间分别对应的目标车辆的运动轨迹;根据所述目标车辆的运动轨迹构建测试场景。
具体的,控制目标车辆从所述第二预设起始位置启动,按照先加速后匀速的运动模式行驶,且加速度为所述第二加速度且加速持续时间为任一所述目标时间,该场景即为构建的测试场景,使测试车辆在该测试场景下行驶,验证测试车辆的自动驾驶性能,具体验证测试车辆是否能感知到目标车辆,是否能够让行或抢行从而避免碰撞。
进一步的,在构建的测试场景下对所述测试车辆进行测试,具体的,控制目标车辆从所述第二预设起始位置启动,按照先加速后匀速的运动模式行驶,且加速度为所述第二加速度且加速持续时间为任一所述目标时间;同时控制测试车辆从所述第一预设起始位置启动;在所述目标车辆和测试车辆交互行驶的过程中,根据测试车辆的驾驶行为确定测试车辆的自动驾驶性能。比如=7.27s,/>=7.56s,/>=6.98s,当所述目标时间为6.98s,如果测试车辆能够识别到目标车辆,并执行加速抢行,从而避免与目标车辆相撞,则表示测试车辆的自动驾驶性能良好,本次测试通过;当所述目标时间为7.27s,如果测试车辆能够识别到目标车辆,并执行减速让行或者加速抢行,从而避免与目标车辆相撞,则表示测试车辆的自动驾驶性能良好,本次测试通过;当所述目标时间为7.56s,如果测试车辆能够识别到目标车辆,并执行减速让行,从而避免与目标车辆相撞,则表示测试车辆的自动驾驶性能良好,本次测试通过。三次测试均通过,则表示被测车辆在此场景下测试通过。
本发明实施例提供的智能驾驶极限测试场景构建方法,考虑了车辆的实际体积,可以为智能驾驶车辆测试提供更精确、全面、逼真的测试场景。另外本发明实施例所提出的场景构建方法可以减少传统智能驾驶车辆极限场景设计的偶然性,实现车辆更全面的性能测试,并且该方法适用于十字路口、行人横穿、切入、换道等多种场景,其实施性和普适性较强。
图6为本发明实施例提供的一种电子设备的结构示意图。如图6所示,电子设备400包括一个或多个处理器401和存储器402。
处理器401可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备400中的其他组件以执行期望的功能。
存储器402可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器401可以运行所述程序指令,以实现上文所说明的本发明任意实施例的智能驾驶极限测试场景构建方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如初始外参、阈值等各种内容。
在一个示例中,电子设备400还可以包括:输入装置403和输出装置404,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。该输入装置403可以包括例如键盘、鼠标等等。该输出装置404可以向外部输出各种信息,包括预警提示信息、制动力度等。该输出装置404可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图6中仅示出了该电子设备400中与本发明有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备400还可以包括任何其他适当的组件。
除了上述方法和设备以外,本发明的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的智能驾驶极限测试场景构建方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本发明的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的智能驾驶极限测试场景构建方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
需要说明的是,本发明所用术语仅为了描述特定实施例,而非限制本申请范围。如本发明说明书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。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“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
还需说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”等应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案。
Claims (7)
1.一种智能驾驶极限测试场景构建方法,其特征在于,包括:
通过预试验确定测试车辆在通过十字路口时常用的第一加速度以及第一加速持续时间和第一匀速持续时间,包括:控制测试车辆通过无交通指示灯且无障碍物的十字路口,不进行人为干预,并在该过程中记录所述测试车辆在自动驾驶算法的控制下实际执行的第一加速度、第一加速持续时间和第一匀速持续时间;所述测试车辆为自动驾驶车辆;
根据测试车辆的第一加速度、第一加速持续时间、第一匀速持续时间和第一预设起始位置以及目标车辆的第二预设起始位置、第二加速度、车长和车宽结合运动学方程确定在不同极限场景中目标车辆的第二加速持续时间;所述不同极限场景包括第一极限场景、第二极限场景和第三极限场景;所述第一极限场景为测试车辆在通过十字路口时,测试车辆的车头与目标车辆的车头发生碰撞的场景;所述第二极限场景为测试车辆在通过十字路口时,测试车辆的车头与目标车辆的车尾发生碰撞的场景;所述第三极限场景为测试车辆在通过十字路口时,测试车辆的车尾与目标车辆的车头发生碰撞的场景;所述目标车辆的行驶方向与所述测试车辆的行驶方向相互垂直;
根据所述不同极限场景中目标车辆的第二加速持续时间组成时间窗;
从所述时间窗内确定多个目标时间,所述多个目标时间至少包括所述第一极限场景中目标车辆的第二加速持续时间、所述第二极限场景中目标车辆的第二加速持续时间以及所述第三极限场景中目标车辆的第二加速持续时间;
将任一所述目标时间作为所述目标车辆的加速持续时间,获得各所述目标时间分别对应的目标车辆的运动轨迹;
根据所述目标车辆的运动轨迹构建测试场景,控制目标车辆从所述第二预设起始位置启动,按照先加速后匀速的运动模式行驶,且加速度为所述第二加速度且加速持续时间为任一所述目标时间,该场景即为构建的测试场景,使测试车辆在该测试场景下行驶,验证测试车辆的自动驾驶性能,具体验证测试车辆是否能感知到目标车辆,是否能够让行或抢行从而避免碰撞;
并在构建的测试场景下对所述测试车辆进行测试,包括:控制目标车辆从所述第二预设起始位置启动,按照先加速后匀速的运动模式行驶,且加速度为所述第二加速度且加速持续时间为任一所述目标时间;同时控制测试车辆从所述第一预设起始位置启动;在所述目标车辆和测试车辆交互行驶的过程中,根据测试车辆的驾驶行为确定测试车辆的自动驾驶性能;当所述目标时间为所述第一极限场景中目标车辆的第二加速持续时间时,如果测试车辆能够识别到目标车辆,并执行减速让行或者加速抢行,从而避免与目标车辆相撞,则表示测试车辆的自动驾驶性能良好,本次测试通过;当所述目标时间为所述第二极限场景中目标车辆的第二加速持续时间时,如果测试车辆能够识别到目标车辆,并执行减速让行,从而避免与目标车辆相撞,则表示测试车辆的自动驾驶性能良好,本次测试通过;当所述目标时间为所述第三极限场景中目标车辆的第二加速持续时间时,如果测试车辆能够识别到目标车辆,并执行加速抢行,从而避免与目标车辆相撞,则表示测试车辆的自动驾驶性能良好,本次测试通过;当上述三次测试均通过,则表示被测车辆在此场景下测试通过;
其中,所述目标车辆是在无交通指示灯的十字路口与测试车辆存在碰撞风险的车辆。
2.根据权利要求1所述的方法,其特征在于,针对所述第一极限场景,所述根据测试车辆的第一加速度、第一加速持续时间、第一匀速持续时间和第一预设起始位置以及目标车辆的第二预设起始位置、第二加速度、车长和车宽结合运动学方程确定在不同极限场景中目标车辆的第二加速持续时间,包括:
通过如下计算式联合求解确定目标车辆的第二加速持续时间:
其中,表示目标车辆的第二加速度,/>为设定值,/>表示测试车辆的第一加速度,表示在第一极限场景下测试车辆的所述第一加速持续时间,/>表示目标车辆的第二预设起始位置的纵坐标,/>表示测试车辆的第一预设起始位置的纵坐标,/>表示在第一极限场景下目标车辆的第二加速持续时间,/>表示测试车辆的第一预设起始位置的横坐标,/>表示目标车辆的第二预设起始位置的横坐标,/>表示在第一极限场景下测试车辆的第一匀速持续时间,/>表示在第一极限场景下目标车辆的第二匀速持续时间。
3.根据权利要求1所述的方法,其特征在于,针对所述第二极限场景,所述根据测试车辆的第一加速度、第一加速持续时间、第一匀速持续时间和第一预设起始位置以及目标车辆的第二预设起始位置、第二加速度、车长和车宽结合运动学方程确定在不同极限场景中目标车辆的第二加速持续时间,包括:
通过如下计算式联合求解确定目标车辆的第二加速持续时间:
其中,表示目标车辆的第二加速度,/>为设定值,/>表示测试车辆的第一加速度,表示在第二极限场景下测试车辆的所述第一加速持续时间,/>表示在第二极限场景下目标车辆的第二加速持续时间,/>表示目标车辆的第二预设起始位置的纵坐标,表示测试车辆的第一预设起始位置的纵坐标,/>表示测试车辆的第一预设起始位置的横坐标,/>表示目标车辆的第二预设起始位置的横坐标,LG表示目标车辆的车长,WG表示目标车辆的车宽,/>表示在第二极限场景下测试车辆的第一匀速持续时间,/>表示在第二极限场景下目标车辆的第二匀速持续时间。
4.根据权利要求1所述的方法,其特征在于,针对所述第三极限场景,所述根据测试车辆的第一加速度、第一加速持续时间、第一匀速持续时间和第一预设起始位置以及目标车辆的第二预设起始位置、第二加速度、车长和车宽结合运动学方程确定在不同极限场景中目标车辆的第二加速持续时间,包括:
通过如下计算式联合求解确定目标车辆的第二加速持续时间:
其中,表示目标车辆的第二加速度,/>为设定值,/>表示测试车辆的第一加速度,表示在第三极限场景下测试车辆的所述第一加速持续时间,/>表示在第三极限场景下目标车辆的第二加速持续时间,/>表示目标车辆的第二预设起始位置的纵坐标,表示测试车辆的第一预设起始位置的纵坐标,/>表示测试车辆的第一预设起始位置的横坐标,/>表示目标车辆的第二预设起始位置的横坐标,LG表示目标车辆的车长,WG表示目标车辆的车宽,/>表示在第三极限场景下测试车辆的第一匀速持续时间,/>表示在第三极限场景下目标车辆的第二匀速持续时间。
5.根据权利要求1所述的方法,其特征在于,所述根据所述不同极限场景中目标车辆的第二加速持续时间组成时间窗,包括:
将所述第三极限场景下目标车辆的第二加速持续时间作为所述时间窗的下限值,将所述第二极限场景下目标车辆的第二加速持续时间作为所述时间窗的上限值。
6.一种电子设备,其特征在于,所述电子设备包括:
处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行如权利要求1至5任一项所述的智能驾驶极限测试场景构建方法的步骤。
7.一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存储程序或指令,所述程序或指令使计算机执行如权利要求1至5任一项所述的智能驾驶极限测试场景构建方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311656888.XA CN117367831B (zh) | 2023-12-06 | 2023-12-06 | 智能驾驶极限测试场景构建方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311656888.XA CN117367831B (zh) | 2023-12-06 | 2023-12-06 | 智能驾驶极限测试场景构建方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117367831A CN117367831A (zh) | 2024-01-09 |
CN117367831B true CN117367831B (zh) | 2024-04-09 |
Family
ID=89391343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311656888.XA Active CN117367831B (zh) | 2023-12-06 | 2023-12-06 | 智能驾驶极限测试场景构建方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117367831B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112799964A (zh) * | 2021-03-17 | 2021-05-14 | 中汽数据有限公司 | 测试场景生成方法、装置、设备和存储介质 |
CN113642108A (zh) * | 2021-08-11 | 2021-11-12 | 北京航空航天大学 | 一种基于重要度抽样的无人车十字路口通行场景关键测试案例生成方法 |
CN116013101A (zh) * | 2023-03-27 | 2023-04-25 | 之江实验室 | 一种基于网联环境的无信号路口速度建议系统和方法 |
CN116189472A (zh) * | 2021-11-26 | 2023-05-30 | 上海汽车集团股份有限公司 | 一种路口预警方法及装置 |
WO2023140476A1 (ko) * | 2022-01-21 | 2023-07-27 | 주식회사 모라이 | 자율 주행 알고리즘의 성능 평가 방법 및 시스템 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115620536A (zh) * | 2022-10-18 | 2023-01-17 | 北京航空航天大学 | 自动驾驶环境下基于危险度的交叉口通行效率提升方法 |
CN116206285A (zh) * | 2023-03-06 | 2023-06-02 | 酷哇科技有限公司 | 应用于自动驾驶的交通弱势群体碰撞风险评估方法及系统 |
-
2023
- 2023-12-06 CN CN202311656888.XA patent/CN117367831B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112799964A (zh) * | 2021-03-17 | 2021-05-14 | 中汽数据有限公司 | 测试场景生成方法、装置、设备和存储介质 |
CN113642108A (zh) * | 2021-08-11 | 2021-11-12 | 北京航空航天大学 | 一种基于重要度抽样的无人车十字路口通行场景关键测试案例生成方法 |
CN116189472A (zh) * | 2021-11-26 | 2023-05-30 | 上海汽车集团股份有限公司 | 一种路口预警方法及装置 |
WO2023140476A1 (ko) * | 2022-01-21 | 2023-07-27 | 주식회사 모라이 | 자율 주행 알고리즘의 성능 평가 방법 및 시스템 |
CN116013101A (zh) * | 2023-03-27 | 2023-04-25 | 之江实验室 | 一种基于网联环境的无信号路口速度建议系统和方法 |
Non-Patent Citations (2)
Title |
---|
AEBS场地测试方法;黄俊富;赵凯;;汽车科技(第05期);21-25 * |
基于仿真的自动驾驶汽车十字路口关键测试场景研究;王志洋;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(第10期);C035-183 * |
Also Published As
Publication number | Publication date |
---|---|
CN117367831A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11328219B2 (en) | System and method for training a machine learning model deployed on a simulation platform | |
JP7000638B2 (ja) | 車両制御方法、装置、コンピュータ機器及び記憶媒体 | |
US20200265710A1 (en) | Travelling track prediction method and device for vehicle | |
US20200262448A1 (en) | Decision method, device, equipment in a lane changing process and storage medium | |
US11545033B2 (en) | Evaluation framework for predicted trajectories in autonomous driving vehicle traffic prediction | |
KR102354615B1 (ko) | 자율 주행 차량의 저속 정경을 위한 보행자 상호 작용 시스템 | |
CN108073168B (zh) | 对自主驾驶车辆进行决策的评估体系 | |
US10824153B2 (en) | Cost design for path selection in autonomous driving technology | |
US10507813B2 (en) | Method and system for automated vehicle emergency light control of an autonomous driving vehicle | |
US20180143622A1 (en) | Method to dynamically adjusting steering rates of autonomous vehicles | |
CN112249032B (zh) | 一种自动驾驶决策方法、系统、设备及计算机存储介质 | |
CN110462543A (zh) | 用于评估自动驾驶车辆的感知要求的基于仿真的方法 | |
CN108622003A (zh) | 用于自动驾驶车辆的碰撞预测以及安全气囊预先展开系统 | |
CN108733046A (zh) | 用于自动驾驶车辆的轨迹重新规划的系统和方法 | |
US11180160B2 (en) | Spiral curve based vertical parking planner system for autonomous driving vehicles | |
JP2020200033A (ja) | 視覚ベース知覚システムによる敵対的サンプルの検出 | |
US20190276012A1 (en) | Post collision analysis-based vehicle action optimization for autonomous driving vehicles | |
CN112506170B (zh) | 一种基于驾驶员模型的测试方法及装置 | |
CN114511999A (zh) | 一种行人行为预测方法及装置 | |
CN117367831B (zh) | 智能驾驶极限测试场景构建方法、设备及介质 | |
WO2023230740A1 (zh) | 一种异常驾驶行为识别的方法、装置和交通工具 | |
CN115907250A (zh) | 用于调整自主驾驶车辆的运动规划器的基于学习的评论器 | |
CN117413257A (zh) | 用于测试车辆用司机辅助系统的方法和系统 | |
US11312380B2 (en) | Corner negotiation method for autonomous driving vehicles without map and localization | |
Guan et al. | Pedestrian Avoidance with and Without Incoming Traffic by Using Deep Reinforcement Learning |
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 |