CN117708099B - 矿山自动驾驶感知能力测试场景库构建方法及测试方法 - Google Patents
矿山自动驾驶感知能力测试场景库构建方法及测试方法 Download PDFInfo
- Publication number
- CN117708099B CN117708099B CN202410161059.2A CN202410161059A CN117708099B CN 117708099 B CN117708099 B CN 117708099B CN 202410161059 A CN202410161059 A CN 202410161059A CN 117708099 B CN117708099 B CN 117708099B
- Authority
- CN
- China
- Prior art keywords
- scene
- environment
- mine
- parameters
- test
- 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 225
- 230000008447 perception Effects 0.000 title claims abstract description 213
- 238000010276 construction Methods 0.000 title claims abstract description 47
- 238000010998 test method Methods 0.000 title claims abstract description 19
- 230000003068 static effect Effects 0.000 claims abstract description 54
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000013145 classification model Methods 0.000 claims abstract description 30
- 230000007613 environmental effect Effects 0.000 claims description 45
- 238000004519 manufacturing process Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及自动驾驶技术领域,提供一种矿山自动驾驶感知能力测试场景库构建方法及测试方法,该构建方法获取样本车辆在露天矿山自动驾驶过程中各时刻的车辆运动信息以及环境感知数据;利用场景分类模型,对环境图像进行分类,确定环境感知数据的作业要素场景参数以及环境要素场景参数;利用目标检测模型,对环境图像进行目标检测,确定环境感知数据的动态要素场景参数以及静态要素场景参数;对车辆运动信息进行解析,确定环境感知数据的行驶状态场景参数;接收第一用户针对于环境感知数据输入的困难场景参数,并基于环境感知数据及其各要素场景参数,可以构建面向露天矿山的完备的矿山自动驾驶感知能力测试场景库。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其涉及一种矿山自动驾驶感知能力测试场景库构建方法及测试方法。
背景技术
随着自动驾驶技术的发展,自动驾驶技术由低级自动驾驶走向高阶自动驾驶。自动驾驶测试作为评估自动驾驶汽车性能的核心环节,在整个自动驾驶开发闭环中占据了越来越重要的位置。而环境感知作为自动驾驶技术的基础任务,其表现关乎上游决策规划等任务的有效性。因此,环境感知的测试在整个自动驾驶测试体系中格外重要,不仅关乎自动驾驶的效率,更关乎自动驾驶运行过程中的安全性。如何构建感知能力测试场景库是很多自动驾驶研发人员重点关注的问题。
目前,在一些通用区域,如城市区域和港口区域,已经有比较成熟的自动驾驶感知能力测试场景库构建方法,并且已经有一部分开源数据可以为自动驾驶研究人员提供相关的研究数据。但是,在一些特定区域,如重点关注的露天矿山区域,相关的感知能力测试场景库构建方法还处于研究空白。而且,由于露天矿山区域的特殊性,其并不能采用与城市等其他区域通用的构建方法来实现感知能力测试场景库的构建。
基于此,现急需提供一种矿山自动驾驶感知能力测试场景库构建方法,以弥补现有技术的空白。
发明内容
本发明提供一种矿山自动驾驶感知能力测试场景库构建方法及测试方法,用以解决现有技术中存在的缺陷。
本发明提供一种矿山自动驾驶感知能力测试场景库构建方法,包括:
获取样本车辆在露天矿山自动驾驶过程中各时刻的车辆运动信息以及环境感知数据;所述环境感知数据包括环境图像;
基于场景分类模型,对所述环境图像进行分类,确定所述环境感知数据的作业要素场景参数以及环境要素场景参数;
基于目标检测模型,对所述环境图像进行目标检测,确定所述环境感知数据的动态要素场景参数以及静态要素场景参数;
对所述车辆运动信息进行解析,确定所述环境感知数据的行驶状态场景参数;
接收第一用户针对于所述环境感知数据输入的困难场景参数,并基于所述环境感知数据及其作业要素场景参数、环境要素场景参数、动态要素场景参数、静态要素场景参数、行驶状态场景参数以及困难场景参数,构建矿山自动驾驶感知能力测试场景库。
根据本发明提供的一种矿山自动驾驶感知能力测试场景库构建方法,所述作业要素场景参数包括所述样本车辆的作业位置要素参数;
所述环境要素场景参数包括天气要素场景参数以及光线要素场景参数;
所述动态要素场景参数包括所述样本车辆周围的动态交通参与者的类别参数;
所述静态要素场景参数包括所述样本车辆周围的静态交通参与者的类别参数;
所述行驶状态场景参数包括所述样本车辆执行的驾驶操作参数;
所述困难场景参数包括遮挡场景参数、碰撞场景参数以及异常场景参数中的一种。
根据本发明提供的一种矿山自动驾驶感知能力测试场景库构建方法,所述环境感知数据还包括所述样本车辆在露天矿山自动驾驶过程中各时刻的点云数据及位置信息。
根据本发明提供的一种矿山自动驾驶感知能力测试场景库构建方法,所述环境感知数据的类别包括真实生产环境下采集的真实环境感知数据以及虚拟仿真环境下获取的合成环境感知数据。
本发明还提供一种矿山自动驾驶感知能力测试方法,包括:
接收第二用户的场景需求指令;
基于所述场景需求指令,对矿山自动驾驶感知能力测试场景库中的环境感知数据按场景参数进行筛选,生成测试用例;所述矿山自动驾驶感知能力测试场景库基于上述的矿山自动驾驶感知能力测试场景库构建方法得到;
基于所述测试用例,对目标车辆的矿山自动驾驶感知能力进行测试。
根据本发明提供的一种矿山自动驾驶感知能力测试方法,所述测试用例包括真实生产环境下的真实测试用例以及虚拟仿真环境下的合成测试用例;
所述基于所述测试用例,对目标车辆的矿山自动驾驶感知能力进行测试,包括:
基于所述真实测试用例以及所述合成测试用例,在真实生产环境以及虚拟仿真环境下,对所述目标车辆的矿山自动驾驶感知能力进行融合测试。
根据本发明提供的一种矿山自动驾驶感知能力测试方法,所述基于所述测试用例,对目标车辆的矿山自动驾驶感知能力进行测试,之后包括:
若测试所得分数小于预设阈值,将所述测试用例对应的目标场景进行反馈,并重新在所述目标场景下,对所述目标车辆的矿山自动驾驶感知能力进行测试。
本发明还提供一种矿山自动驾驶感知能力测试场景库构建系统,包括:
数据获取模块,用于获取样本车辆在露天矿山自动驾驶过程中各时刻的车辆运动信息以及环境感知数据;所述环境感知数据包括环境图像;
场景分类模块,用于基于场景分类模型,对所述环境图像进行分类,确定所述环境感知数据的作业要素场景参数以及环境要素场景参数;
目标检测模块,用于基于目标检测模型,对所述环境图像进行目标检测,确定所述环境感知数据的动态要素场景参数以及静态要素场景参数;
信息解析模块,用于对所述车辆运动信息进行解析,确定所述环境感知数据的行驶状态场景参数;
测试场景库构建模块,用于接收第一用户针对于所述环境感知数据输入的困难场景参数,并基于所述环境感知数据及其作业要素场景参数、环境要素场景参数、动态要素场景参数、静态要素场景参数、行驶状态场景参数以及困难场景参数,构建矿山自动驾驶感知能力测试场景库。
本发明还提供一种矿山自动驾驶感知能力测试系统,包括:
指令接收模块,用于接收第二用户的场景需求指令;
测试用例生成模块,用于基于所述场景需求指令,对矿山自动驾驶感知能力测试场景库中的环境感知数据按场景参数进行筛选,生成测试用例;所述矿山自动驾驶感知能力测试场景库基于上述的矿山自动驾驶感知能力测试场景库构建方法得到;
测试模块,用于基于所述测试用例,对目标车辆的矿山自动驾驶感知能力进行测试。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述的矿山自动驾驶感知能力测试场景库构建方法,或如上述任一种所述的矿山自动驾驶感知能力测试方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述的矿山自动驾驶感知能力测试场景库构建方法,或如上述任一种所述的矿山自动驾驶感知能力测试方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述的矿山自动驾驶感知能力测试场景库构建方法,或如上述任一种所述的矿山自动驾驶感知能力测试方法。
本发明提供的矿山自动驾驶感知能力测试场景库构建方法及测试方法,该构建方法充分考虑露天矿山区域的特殊性,根据露天矿山的环境特点,构建面向露天矿山的完备的矿山自动驾驶感知能力测试场景库,可以用于矿山自动驾驶车辆的环境感知能力的测试,从而有效评估和提升自动驾驶车辆的环境感知能力,全面解决露天矿山自动驾驶感知能力评估的难题,推动露天矿山自动驾驶的生产落地应用。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例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,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是本发明提供的矿山自动驾驶感知能力测试场景库构建方法的流程示意图;
图2是本发明提供的矿山自动驾驶感知能力测试场景库构建方法中露天矿山区域涉及的各类要素场景示意图;
图3是本发明提供的矿山自动驾驶感知能力测试方法的流程示意图;
图4是本发明提供的矿山自动驾驶感知能力测试场景库构建方法以及矿山自动驾驶感知能力测试方法的融合示意图;
图5是本发明提供的矿山自动驾驶感知能力测试场景库构建系统的结构示意图;
图6是本发明提供的矿山自动驾驶感知能力测试系统的结构示意图;
图7是本发明提供的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,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书中的术语“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
为弥补现有技术中没有针对于露天矿山区域的感知能力测试场景库的构建方法。本发明实施例中提供了一种矿山自动驾驶感知能力测试场景库构建方法,以弥补现有技术的空白。
图1为本发明实施例中提供的一种矿山自动驾驶感知能力测试场景库构建方法,包括:
S11,获取样本车辆在露天矿山自动驾驶过程中各时刻的车辆运动信息以及环境感知数据;所述环境感知数据包括环境图像;
S12,基于场景分类模型,对所述环境图像进行分类,确定所述环境感知数据的作业要素场景参数以及环境要素场景参数;
S13,基于目标检测模型,对所述环境图像进行目标检测,确定所述环境感知数据的动态要素场景参数以及静态要素场景参数;
S14,对所述车辆运动信息进行解析,确定所述环境感知数据的行驶状态场景参数;
S15,接收第一用户针对于所述环境感知数据的困难场景,并基于所述环境感知数据及其作业要素场景参数、环境要素场景参数、动态要素场景参数、静态要素场景参数、行驶状态场景参数以及困难场景参数,构建矿山自动驾驶感知能力测试场景库。
具体地,本发明实施例中提供的矿山自动驾驶感知能力测试场景库构建方法,其执行主体为矿山自动驾驶感知能力测试场景库构建系统,该系统可以配置于计算机内,该计算机可以为本地计算机或云计算机,本地计算机可以是电脑、平板等,此处不作具体限定。
首先执行步骤S11,获取样本车辆在露天矿山自动驾驶过程中各时刻的车辆运动信息以及环境感知数据;所述环境感知数据包括环境图像。样本车辆可以包括多个,样本车辆的类别包括实体样本车辆和虚拟样本车辆,样本车辆可以是露天矿山区域内的作业机械,例如可以是穿孔机,挖掘机,装载机,自卸汽车,平板车和拖车等运输车辆,推土机,颚式破碎机、反击式破碎机、锤式破碎机和辊式破碎机等类型的破碎机,洒水车、加油车、起重机、升降机等辅助设备。
车辆运动信息可以包括样本车辆在露天矿山自动驾驶过程中的车辆运动状态信息以及定位轨迹信息。环境感知信息可以包括环境图像、样本车辆在露天矿山自动驾驶过程中各时刻的点云数据及位置信息。
实体车辆的车辆运动信息可以通过实体车辆的车辆系统采集得到并传输至矿山自动驾驶感知能力测试场景库构建系统,实体车辆的环境感知信息可以通过安装在实体车辆上的各类信息采集设备进行采集得到。例如,环境图像可以通过摄像头或相机采集得到,该摄像头或相机均可以是红外设备,也可以是可见光设备,进而环境图像可以是红外图像,也可以是可见光图像,还可以是由红外图像和可见光图像融合得到,此处不作具体限定。虚拟车辆的车辆运动信息以及环境感知信息均可以通过仿真得到。
然后执行S12,利用场景分类模型,对环境图像进行分类,确定环境感知数据的作业要素场景参数以及环境要素场景参数。此处,可以将环境图像输入至场景分类模型,由场景分类模型对环境图像进行编解码,得到并输出环境感知数据的作业要素场景参数和环境要素场景参数。其中,作业要素场景参数用于对作业要素场景进行标识,每个作业要素场景均对应有一个作业要素场景参数。环境要素场景参数用于对环境要素场景进行标识,每个环境要素场景均对应有一个环境要素场景参数。
该过程可以理解为是对环境感知数据进行作业要素场景和环境要素场景的自动标注。通过确定环境感知数据的作业要素场景参数,可以方便评估自动驾驶车辆在不同作业要素场景的环境感知能力。通过确定环境感知数据的环境要素场景参数,可以方便对自动驾驶车辆在露天矿山的不同环境下的感知能力的有效评估和测试。
如图2所示,露天矿山区域涉及的作业要素场景可以包括装载区、运输道路、卸载区以及破碎站,还可以包括维修区以及加油区等,可以根据露天矿山的实际生产作业场景,按照作业地点进行划分。露天矿山区域涉及的环境要素场景可以包括阴天、雾天、晴天、冰雹、雨天、雪天、扬尘等天气要素场景以及傍晚、白天、夜晚、逆光等光线要素场景,可以按露天矿山的环境特点进行划分。
步骤S12中采用的场景分类模型可以通过携带有作业要素场景标签以及环境要素场景标签的样本环境图像对初始分类模型进行训练得到,例如可以将样本环境图像输入至初始分类模型,得到初始分类模型输出的作业要素场景预测结果和环境要素场景预测结果,然后利用作业要素场景预测结果与作业要素场景标签计算第一损失,利用环境要素场景预测结果与环境要素场景标签计算第二损失,利用第一损失和第二损失计算第一综合损失,并利用第一综合损失,对初始分类模型进行迭代训练,得到场景分类模型。
此后执行步骤S13,利用目标检测模型,对环境图像进行目标检测,确定环境感知数据的动态要素场景参数以及静态要素场景参数。可以将环境图像输入至目标检测模型,由目标检测模型对环境图像中的动态要素场景和静态要素场景进行识别,得到并输出环境感知数据的动态要素场景参数以及静态要素场景参数。其中,动态要素场景参数用于对动态要素场景进行标识,每个动态要素场景均对应有一个动态要素场景参数。静态要素场景参数用于对静态要素场景进行标识,每个静态要素场景均对应有一个静态要素场景参数。
该过程可以理解为是对环境感知数据进行动态要素场景和静态要素场景的自动标注。通过确定环境感知数据的动态要素场景参数,可以方便自动驾驶车辆对不同动态要素场景进行感知评估与测试。通过确定环境感知数据的静态要素场景参数,可以方便自动驾驶车辆对不同静态要素场景进行感知评估和测试。
如图2所示,露天矿山区域涉及的动态要素场景可以包括矿卡、电铲、宽体车、辅助作业车、乘用车以及行人等,可以根据露天矿山存在的动态交通参与者的类别进行划分。露天矿山区域涉及的静态要素场景可以包括车辙、电缆、水坑、落石、建筑物、挡墙、围栏、植被、指示牌、立杆、锥桶以及警示牌等,可以按露天矿山存在的静态交通参与者的类别进行划分。
步骤S13中采用的目标检测模型可以通过携带有动态要素场景标签以及静态要素场景标签的样本环境图像对初始检测模型进行训练得到,例如可以将样本环境图像输入至初始检测模型,得到初始检测模型输出的动态要素场景预测结果和静态要素场景预测结果,然后利用动态要素场景预测结果与动态要素场景标签计算第三损失,利用静态要素场景预测结果与静态要素场景标签计算第四损失,利用第三损失和第四损失计算第二综合损失,并利用第二综合损失,对初始检测模型进行迭代训练,得到目标检测模型。
此后执行步骤S14,对车辆运动信息进行解析,确定环境感知数据的行驶状态场景参数。该行驶状态场景参数用于对行驶状态场景进行标识,每个行驶状态场景均对应有一个行驶状态场景参数。
如图2所示,露天矿山区域涉及的行驶状态场景可以包括跟车、超车、制动、倒车、变道、转弯、上坡、下坡以及十字路口等,可以按露天矿山在实际生产中车辆的行驶状态进行划分。
该过程可以理解为是对环境感知数据进行行驶状态场景的自动标注。通过确定环境感知数据的行驶状态场景参数,可以方便对自动驾驶车辆在不同行车状态下的环境感知能力的评估与测试。
最后执行步骤S15,接收第一用户针对于环境感知数据输入的困难场景参数。此处,困难场景参数用于对困难(corner case)场景进行标识,每个困难场景均对应有一个困难场景参数。
如图2所示,露天矿山区域涉及的困难场景可以包括遮挡、碰撞风险,异常障碍等,可以按露天矿山存在的困难场景特点进行划分。
该过程可以理解为是通过第一用户输入的困难场景参数对环境感知数据进行困难场景的人工标注。通过确定环境感知数据的困难场景参数,可以评估自动驾驶车辆在困难场景下的环境感知能力。
最后,利用环境感知数据及其作业要素场景参数、环境要素场景参数、动态要素场景参数、静态要素场景参数、行驶状态场景参数以及困难场景参数,构建矿山自动驾驶感知能力测试场景库。在矿山自动驾驶感知能力测试场景库中,将作业要素场景参数、环境要素场景参数、动态要素场景参数、静态要素场景参数、行驶状态场景参数以及困难场景参数均作为环境感知数据的标签,可以从六个要素场景维度对环境感知数据进行场景划分,便于后续对矿山自动驾驶感知能力测试场景库中的环境感知数据的有效应用。
本发明实施例中提供的矿山自动驾驶感知能力测试场景库构建方法,首先获取样本车辆在露天矿山自动驾驶过程中各时刻的车辆运动信息以及环境感知数据;然后利用场景分类模型,对环境图像进行分类,确定环境感知数据的作业要素场景参数以及环境要素场景参数;此后利用目标检测模型,对环境图像进行目标检测,确定环境感知数据的动态要素场景参数以及静态要素场景参数;此后,对车辆运动信息进行解析,确定环境感知数据的行驶状态场景参数;最后接收第一用户针对于环境感知数据输入的困难场景参数,并基于环境感知数据及其作业要素场景参数、环境要素场景参数、动态要素场景参数、静态要素场景参数、行驶状态场景参数以及困难场景参数,构建矿山自动驾驶感知能力测试场景库。该构建方法充分考虑露天矿山区域的特殊性,根据露天矿山的环境特点,构建面向露天矿山的完备的矿山自动驾驶感知能力测试场景库,可以用于矿山自动驾驶车辆的环境感知能力的测试,从而有效评估和提升自动驾驶车辆的环境感知能力,全面解决露天矿山自动驾驶感知能力评估的难题,推动露天矿山自动驾驶的生产落地应用。
在上述实施例的基础上,所述作业要素场景参数包括所述样本车辆的作业位置要素参数;
所述环境要素场景参数包括天气要素场景参数以及光线要素场景参数;
所述动态要素场景参数包括所述样本车辆周围的动态交通参与者的类别参数;
所述静态要素场景参数包括所述样本车辆周围的静态交通参与者的类别参数;
所述行驶状态场景参数包括所述样本车辆执行的驾驶操作参数;
所述困难场景参数包括遮挡场景参数、碰撞场景参数以及异常场景参数中的一种。
具体地,每一时刻的环境感知数据的作业要素场景参数可以包括该时刻的作业位置要素参数,例如可以包括装载区参数、运输道路参数、卸载区参数、破碎站参数、维修区参数以及加油区参数中的一个。
每一时刻的环境感知数据的环境要素场景参数包括天气要素场景参数以及光线要素场景参数,天气要素场景参数可以包括阴天参数、雾天参数、晴天参数、冰雹参数、雨天参数、雪天参数、扬尘参数等参数中的一个,光线要素场景参数可以包括傍晚、白天、夜晚、逆光等参数中的一个。
每一时刻的环境感知数据的动态要素场景参数包括样本车辆周围的动态交通参与者的类别参数,例如可以包括矿卡参数、电铲参数、宽体车参数、辅助作业车辆参数、乘用车参数以及行人参数等参数中的一个。
每一时刻的环境感知数据的静态要素场景参数包括样本车辆周围的静态交通参与者的类别参数,例如可以包括车辙参数、电缆参数、水坑参数、落石参数、建筑物参数、挡墙参数、围栏参数、植被参数、指示牌参数、立杆参数、锥桶参数以及警示牌参数等参数中的一个。
每一时刻的环境感知数据的行驶状态场景参数包括样本车辆执行的驾驶操作参数,例如可以包括跟车参数、超车参数、制动参数、倒车参数、变道参数、转弯参数、上坡参数、下坡参数以及十字路口参数等参数中的一个。
每一时刻的环境感知数据的困难场景参数包括遮挡场景参数、碰撞场景参数以及异常场景参数中的一种。
本发明实施例中,各时刻的环境感知数据均通过对应的作业要素场景参数、环境要素场景参数、动态要素场景参数、静态要素场景参数、行驶状态场景参数以及困难场景参数这六种场景参数进行标识,可以对各时刻的环境感知数据进行充分掌握,便于后续应用。
在上述实施例的基础上,所述环境感知数据还包括所述样本车辆在露天矿山自动驾驶过程中各时刻的点云数据及位置信息。
具体地,为保证各时刻的环境感知数据的丰富度,可以引入样本车辆在露天矿山自动驾驶过程中各时刻的点云数据及位置信息,实体车辆的点云数据可以通过雷达采集得到,位置信息可以通过对点云数据进行处理后得到。由此,在最后构建得到的矿山自动驾驶感知能力测试场景库中,环境感知数据包含有点云数据及位置信息,以便于扩大后续对环境感知数据的应用范围。
在上述实施例的基础上,所述环境感知数据的类别包括真实生产环境下采集的真实环境感知数据以及虚拟仿真环境下获取的合成环境感知数据。
具体地,由于样本车辆包括实体样本车辆以及虚拟样本车辆,进而实体样本车辆对应的环境感知数据为真实生产环境下采集的真实环境感知数据,虚拟样本车辆对应的环境感知数据为虚拟仿真环境下获取的合成环境感知数据。
本发明实施例中,真实环境感知数据可以通过数据采集设备以及车辆系统采集得到,合成环境感知数据可以通过仿真得到。通过包含上述两类数据,可以使环境感知数据更加丰富,保证后续自动驾驶感知能力测试的准确性。
如图3所示,在上述实施例的基础上,本发明实施例中还提供了一种矿山自动驾驶感知能力测试方法,包括:
S21,接收第二用户的场景需求指令;
S22,基于所述场景需求指令,对所述矿山自动驾驶感知能力测试场景库中的环境感知数据按场景参数进行筛选,生成测试用例;所述矿山自动驾驶感知能力测试场景库基于上述各实施例中提供的矿山自动驾驶感知能力测试场景库构建方法得到;
S23,基于所述测试用例,对目标车辆的矿山自动驾驶感知能力进行测试。
具体地,本发明实施例中提供的矿山自动驾驶感知能力测试方法,其执行主体为矿山自动驾驶感知能力测试系统,该系统可以配置于目标车辆的环境感知系统内,也可以配置在第三方设备内,第三方设备可以是计算机,该计算机可以为本地计算机或云计算机,本地计算机可以是电脑、平板等,此处不作具体限定。
在矿山自动驾驶感知能力测试场景库构建系统构建得到矿山自动驾驶感知能力测试场景库之后,可以将矿山自动驾驶感知能力测试场景库部署至矿山自动驾驶感知能力测试系统内。
矿山自动驾驶感知能力测试系统在进行测试时,首先执行步骤S21,接收第二用户的场景需求指令,该第二用户可以通过前端界面输入场景需求指令,该场景需求指令中可以包含有目标场景参数,该目标场景参数可以是作业要素场景参数、环境要素场景参数、动态要素场景参数、静态要素场景参数、行驶状态场景参数以及困难场景参数中的任意一个或多个。
然后,执行步骤S22,利用该场景需求指令,可以对矿山自动驾驶感知能力测试场景库中的环境感知数据按场景参数进行筛选,生成测试用例。即从矿山自动驾驶感知能力测试场景库中筛选出具有目标场景参数的环境感知数据,并通过筛选得到对环境感知数据以及目标场景参数生成测试用例。
最后,执行步骤S23,利用测试用例,对目标车辆的矿山自动驾驶感知能力进行测试。此处,目标车辆为实体车辆。为了客观地评估矿山自动驾驶感知能力,可以设置统一的露天矿山自动驾驶感知能力测试评价准则,该准则中可以包含一系列的评估指标,包括但不限于检测精度、识别速度、误检率、漏检率等。
例如,对目标车辆按目标场景参数配置目标场景,并获取目标车辆在目标场景下的环境感知数据,并利用获取到的环境感知数据以及测试用例中的环境感知数据,计算评估指标,并利用评估指标,对目标车辆在目标场景下的自动驾驶感知能力进行评估。
本发明实施例中提供的矿山自动驾驶感知能力测试方法,将构建得到的矿山自动驾驶感知能力测试场景库应用于生成测试用例,进而对目标车辆的矿山自动驾驶感知能力进行测试,可以提高测试准确性和测试效率。
在上述实施例的基础上,所述测试用例包括真实生产环境下的真实测试用例以及虚拟仿真环境下的合成测试用例;
所述基于所述测试用例,对目标车辆的矿山自动驾驶感知能力进行测试,包括:
基于所述真实测试用例以及所述合成测试用例,在真实生产环境以及虚拟仿真环境下,对所述目标车辆的矿山自动驾驶感知能力进行融合测试。
具体地,生成的测试用例可以包括真实生产环境下的真实测试用例以及虚拟仿真环境下的合成测试用例,真实测试用例可以通过场景需求指令中包含的目标场景参数以及从矿山自动驾驶感知能力测试场景库中筛选出具有目标场景参数的真实环境感知数据生成,合成测试用例可以通过场景需求指令中包含的目标场景参数以及从矿山自动驾驶感知能力测试场景库中筛选出具有目标场景参数的合成环境感知数据生成。
此后,可以利用真实测试用例,在真实生产环境下,对目标车辆的矿山自动驾驶感知能力进行融合测试。利用合成测试用例,在虚拟仿真环境下,对目标车辆的矿山自动驾驶感知能力进行融合测试。由此,可以采用真实测试和仿真测试融合的方式,对目标车辆在各场景下进行感知能力评估,可以使评估结果更加可靠。
在上述实施例的基础上,所述基于所述测试用例,对目标车辆的矿山自动驾驶感知能力进行测试,之后包括:
若测试所得分数小于预设阈值,将所述测试用例对应的目标场景进行反馈,并重新在所述目标场景下,对所述目标车辆的矿山自动驾驶感知能力进行测试。
具体地,在对目标车辆的矿山自动驾驶感知能力进行测试之后,得到的测试结果可以包括测试所得分数,并可以通过判断测试所得分数与预设阈值之间的大小关系,确定目标车辆在目标场景下的矿山自动驾驶感知能力的好坏。其中,预设阈值可以根据需要进行设定,此处不作具体限定。
若测试所得分数小于预设阈值,则说明目标车辆在目标场景下的矿山自动驾驶感知能力较差,此时可以将测试用例对应的目标场景进行反馈,并重新在目标场景下,对目标车辆的矿山自动驾驶感知能力进行测试,以加大在目标场景下的测试力度,挖掘感知能力的不足,为目标车辆的环境感知系统的迭代提供测试依据。
如图4所示,为本发明实施例中提供的矿山自动驾驶感知能力测试场景库构建方法以及矿山自动驾驶感知能力测试方法的融合示意图,图4中,在矿山自动驾驶感知能力测试场景库构建方法中,先获取露天矿山自动驾驶的真实环境感知数据以及合成环境感知数据,将其作为原始数据,分别通过场景分类模型、目标检测模型以及人工标注的方式,对其中的环境图像进行场景参数的确定。其中,场景参数可以包括作业要素场景参数、环境要素场景参数、动态要素场景参数、静态要素场景参数、行驶状态场景参数以及困难场景参数。
此后,利用得到对场景参数以及原始数据,构建矿山自动驾驶感知能力测试场景库。
在矿山自动驾驶感知能力测试方法中,结合场景参数,对上述构建的矿山自动驾驶感知能力测试场景库中的环境感知数据按场景参数进行筛选,生成测试用例。
此后,通过预先设置的露天矿山自动驾驶感知能力测试评价准则,利用测试用例,采用真实测试和仿真测试融合的方式,对目标车辆的矿山自动驾驶感知能力进行测试。
该构建方法和测试方法充分考虑露天矿山区域的特殊性,根据露天矿山的环境特点,构建面向露天矿山的完备的矿山自动驾驶感知能力测试场景库,可以实现矿山自动驾驶车辆的环境感知能力的测试,从而有效评估和提升自动驾驶车辆的环境感知能力,全面解决露天矿山自动驾驶感知能力评估的难题,推动露天矿山自动驾驶的生产落地应用。
如图5所示,在上述实施例的基础上,本发明实施例中提供了一种矿山自动驾驶感知能力测试场景库构建系统,包括:
数据获取模块51,用于获取样本车辆在露天矿山自动驾驶过程中各时刻的车辆运动信息以及环境感知数据;所述环境感知数据包括环境图像;
场景分类模块52,用于基于场景分类模型,对所述环境图像进行分类,确定所述环境感知数据的作业要素场景参数以及环境要素场景参数;
目标检测模块53,用于基于目标检测模型,对所述环境图像进行目标检测,确定所述环境感知数据的动态要素场景参数以及静态要素场景参数;
信息解析模块54,用于对所述车辆运动信息进行解析,确定所述环境感知数据的行驶状态场景参数;
测试场景库构建模块55,用于接收第一用户针对于所述环境感知数据输入的困难场景参数,并基于所述环境感知数据及其作业要素场景参数、环境要素场景参数、动态要素场景参数、静态要素场景参数、行驶状态场景参数以及困难场景参数,构建矿山自动驾驶感知能力测试场景库。
在上述实施例的基础上,本发明实施例中提供的矿山自动驾驶感知能力测试场景库构建系统,所述作业要素场景参数包括所述样本车辆的作业位置要素参数;
所述环境要素场景参数包括天气要素场景参数以及光线要素场景参数;
所述动态要素场景参数包括所述样本车辆周围的动态交通参与者的类别参数;
所述静态要素场景参数包括所述样本车辆周围的静态交通参与者的类别参数;
所述行驶状态场景参数包括所述样本车辆执行的驾驶操作参数;
所述困难场景参数包括遮挡场景参数、碰撞场景参数以及异常场景参数中的一种。
在上述实施例的基础上,本发明实施例中提供的矿山自动驾驶感知能力测试场景库构建系统,所述环境感知数据还包括所述样本车辆在露天矿山自动驾驶过程中各时刻的点云数据及位置信息。
在上述实施例的基础上,本发明实施例中提供的矿山自动驾驶感知能力测试场景库构建系统,所述环境感知数据的类别包括真实生产环境下采集的真实环境感知数据以及虚拟仿真环境下获取的合成环境感知数据。
具体地,本发明实施例中提供的矿山自动驾驶感知能力测试场景库构建系统中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的,实现的效果也是一致的,具体参见上述实施例,本发明实施例中对此不再赘述。
如图6所示,在上述实施例的基础上,本发明实施例中提供了一种矿山自动驾驶感知能力测试系统,包括:
指令接收模块61,用于接收第二用户的场景需求指令;
测试用例生成模块62,用于基于所述场景需求指令,对矿山自动驾驶感知能力测试场景库中的环境感知数据按场景参数进行筛选,生成测试用例;所述矿山自动驾驶感知能力测试场景库基于上述各实施例中提供的矿山自动驾驶感知能力测试场景库构建方法得到;
测试模块63,用于基于所述测试用例,对目标车辆的矿山自动驾驶感知能力进行测试。
在上述实施例的基础上,本发明实施例中提供的矿山自动驾驶感知能力测试系统,所述测试用例包括真实生产环境下的真实测试用例以及虚拟仿真环境下的合成测试用例;
所述测试模块具体用于:
基于所述真实测试用例以及所述合成测试用例,在真实生产环境以及虚拟仿真环境下,对所述目标车辆的矿山自动驾驶感知能力进行融合测试。
在上述实施例的基础上,本发明实施例中提供的矿山自动驾驶感知能力测试系统,还包括反馈模块,用于:
若测试所得分数小于预设阈值,将所述测试用例对应的目标场景进行反馈,并重新在所述目标场景下,对所述目标车辆的矿山自动驾驶感知能力进行测试。
具体地,本发明实施例中提供的矿山自动驾驶感知能力测试系统中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的,实现的效果也是一致的,具体参见上述实施例,本发明实施例中对此不再赘述。
图7示例了一种电子设备的实体结构示意图,如图7所示,该电子设备可以包括:处理器(Processor)710、通信接口(Communications Interface)720、存储器(Memory)730和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令,以执行上述各实施例中提供的矿山自动驾驶感知能力测试场景库构建方法,或矿山自动驾驶感知能力测试方法。
此外,上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各实施例中提供的矿山自动驾驶感知能力测试场景库构建方法,或矿山自动驾驶感知能力测试方法。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例中提供的矿山自动驾驶感知能力测试场景库构建方法,或矿山自动驾驶感知能力测试方法。
以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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的精神和范围。
Claims (10)
1.一种矿山自动驾驶感知能力测试场景库构建方法,其特征在于,包括:
获取样本车辆在露天矿山自动驾驶过程中各时刻的车辆运动信息以及环境感知数据;所述环境感知数据包括环境图像;
基于场景分类模型,对所述环境图像进行分类,确定所述环境感知数据的作业要素场景参数以及环境要素场景参数;所述环境要素场景参数包括天气要素场景参数以及光线要素场景参数;所述场景分类模型可以通过携带有作业要素场景标签以及环境要素场景标签的样本环境图像对初始分类模型进行训练得到,将所述样本环境图像输入至所述初始分类模型,得到所述初始分类模型输出的作业要素场景预测结果和环境要素场景预测结果,利用所述作业要素场景预测结果与所述作业要素场景标签计算第一损失,利用所述环境要素场景预测结果与所述环境要素场景标签计算第二损失,利用所述第一损失和所述第二损失计算第一综合损失,并利用所述第一综合损失,对所述初始分类模型进行迭代训练,得到所述场景分类模型;
基于目标检测模型,对所述环境图像进行目标检测,确定所述环境感知数据的动态要素场景参数以及静态要素场景参数;所述目标检测模型通过携带有动态要素场景标签以及静态要素场景标签的样本环境图像对初始检测模型进行训练得到,将所述样本环境图像输入至初始检测模型,得到所述初始检测模型输出的动态要素场景预测结果和静态要素场景预测结果,利用所述动态要素场景预测结果与所述动态要素场景标签计算第三损失,利用所述静态要素场景预测结果与所述静态要素场景标签计算第四损失,利用所述第三损失和所述第四损失计算第二综合损失,并利用所述第二综合损失,对所述初始检测模型进行迭代训练,得到所述目标检测模型;
对所述车辆运动信息进行解析,确定所述环境感知数据的行驶状态场景参数;
接收第一用户针对于所述环境感知数据输入的困难场景参数,并基于所述环境感知数据及其作业要素场景参数、环境要素场景参数、动态要素场景参数、静态要素场景参数、行驶状态场景参数以及困难场景参数,构建矿山自动驾驶感知能力测试场景库;所述困难场景参数包括遮挡场景参数、碰撞场景参数以及异常场景参数中的一种。
2.根据权利要求1所述的矿山自动驾驶感知能力测试场景库构建方法,其特征在于,所述作业要素场景参数包括所述样本车辆的作业位置要素参数;
所述动态要素场景参数包括所述样本车辆周围的动态交通参与者的类别参数;
所述静态要素场景参数包括所述样本车辆周围的静态交通参与者的类别参数;
所述行驶状态场景参数包括所述样本车辆执行的驾驶操作参数。
3.根据权利要求1所述的矿山自动驾驶感知能力测试场景库构建方法,其特征在于,所述环境感知数据还包括所述样本车辆在露天矿山自动驾驶过程中各时刻的点云数据及位置信息。
4.根据权利要求1-3中任一项所述的矿山自动驾驶感知能力测试场景库构建方法,其特征在于,所述环境感知数据的类别包括真实生产环境下采集的真实环境感知数据以及虚拟仿真环境下获取的合成环境感知数据。
5.一种矿山自动驾驶感知能力测试方法,其特征在于,包括:
接收第二用户的场景需求指令;
基于所述场景需求指令,对矿山自动驾驶感知能力测试场景库中的环境感知数据按场景参数进行筛选,生成测试用例;所述矿山自动驾驶感知能力测试场景库基于如权利要求1-4中任一项所述的矿山自动驾驶感知能力测试场景库构建方法得到;
基于所述测试用例,对目标车辆的矿山自动驾驶感知能力进行测试。
6.根据权利要求5所述的矿山自动驾驶感知能力测试方法,其特征在于,所述测试用例包括真实生产环境下的真实测试用例以及虚拟仿真环境下的合成测试用例;
所述基于所述测试用例,对目标车辆的矿山自动驾驶感知能力进行测试,包括:
基于所述真实测试用例以及所述合成测试用例,在真实生产环境以及虚拟仿真环境下,对所述目标车辆的矿山自动驾驶感知能力进行融合测试。
7.根据权利要求5所述的矿山自动驾驶感知能力测试方法,其特征在于,所述基于所述测试用例,对目标车辆的矿山自动驾驶感知能力进行测试,之后包括:
若测试所得分数小于预设阈值,将所述测试用例对应的目标场景进行反馈,并重新在所述目标场景下,对所述目标车辆的矿山自动驾驶感知能力进行测试。
8.一种矿山自动驾驶感知能力测试场景库构建系统,其特征在于,包括:
数据获取模块,用于获取样本车辆在露天矿山自动驾驶过程中各时刻的车辆运动信息以及环境感知数据;所述环境感知数据包括环境图像;
场景分类模块,用于基于场景分类模型,对所述环境图像进行分类,确定所述环境感知数据的作业要素场景参数以及环境要素场景参数;所述环境要素场景参数包括天气要素场景参数以及光线要素场景参数;所述场景分类模型可以通过携带有作业要素场景标签以及环境要素场景标签的样本环境图像对初始分类模型进行训练得到,将所述样本环境图像输入至所述初始分类模型,得到所述初始分类模型输出的作业要素场景预测结果和环境要素场景预测结果,利用所述作业要素场景预测结果与所述作业要素场景标签计算第一损失,利用所述环境要素场景预测结果与所述环境要素场景标签计算第二损失,利用所述第一损失和所述第二损失计算第一综合损失,并利用所述第一综合损失,对所述初始分类模型进行迭代训练,得到所述场景分类模型;
目标检测模块,用于基于目标检测模型,对所述环境图像进行目标检测,确定所述环境感知数据的动态要素场景参数以及静态要素场景参数;所述目标检测模型通过携带有动态要素场景标签以及静态要素场景标签的样本环境图像对初始检测模型进行训练得到,将所述样本环境图像输入至初始检测模型,得到所述初始检测模型输出的动态要素场景预测结果和静态要素场景预测结果,利用所述动态要素场景预测结果与所述动态要素场景标签计算第三损失,利用所述静态要素场景预测结果与所述静态要素场景标签计算第四损失,利用所述第三损失和所述第四损失计算第二综合损失,并利用所述第二综合损失,对所述初始检测模型进行迭代训练,得到所述目标检测模型;
信息解析模块,用于对所述车辆运动信息进行解析,确定所述环境感知数据的行驶状态场景参数;
测试场景库构建模块,用于接收第一用户针对于所述环境感知数据输入的困难场景参数,并基于所述环境感知数据及其作业要素场景参数、环境要素场景参数、动态要素场景参数、静态要素场景参数、行驶状态场景参数以及困难场景参数,构建矿山自动驾驶感知能力测试场景库;所述困难场景参数包括遮挡场景参数、碰撞场景参数以及异常场景参数中的一种。
9.一种矿山自动驾驶感知能力测试系统,其特征在于,包括:
指令接收模块,用于接收第二用户的场景需求指令;
测试用例生成模块,用于基于所述场景需求指令,对矿山自动驾驶感知能力测试场景库中的环境感知数据按场景参数进行筛选,生成测试用例;所述矿山自动驾驶感知能力测试场景库基于如权利要求1-4中任一项所述的矿山自动驾驶感知能力测试场景库构建方法得到;
测试模块,用于基于所述测试用例,对目标车辆的矿山自动驾驶感知能力进行测试。
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述的矿山自动驾驶感知能力测试场景库构建方法,或如权利要求5-7中任一项所述的矿山自动驾驶感知能力测试方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410161059.2A CN117708099B (zh) | 2024-02-05 | 2024-02-05 | 矿山自动驾驶感知能力测试场景库构建方法及测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410161059.2A CN117708099B (zh) | 2024-02-05 | 2024-02-05 | 矿山自动驾驶感知能力测试场景库构建方法及测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117708099A CN117708099A (zh) | 2024-03-15 |
CN117708099B true CN117708099B (zh) | 2024-05-24 |
Family
ID=90144649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410161059.2A Active CN117708099B (zh) | 2024-02-05 | 2024-02-05 | 矿山自动驾驶感知能力测试场景库构建方法及测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117708099B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541258A (zh) * | 2020-12-08 | 2021-03-23 | 特路(北京)科技有限公司 | 一种自动驾驶汽车试验场测试场景库 |
CN113343461A (zh) * | 2021-06-07 | 2021-09-03 | 芜湖雄狮汽车科技有限公司 | 自动驾驶车辆的仿真方法、装置、电子设备及存储介质 |
CN115016323A (zh) * | 2022-06-21 | 2022-09-06 | 际络科技(上海)有限公司 | 自动驾驶的仿真测试系统及方法 |
CN115795808A (zh) * | 2022-11-08 | 2023-03-14 | 清华大学 | 一种自动驾驶决策危险场景生成方法、系统、设备及介质 |
CN115937352A (zh) * | 2023-02-22 | 2023-04-07 | 北京易控智驾科技有限公司 | 矿山场景仿真方法、系统、电子设备及存储介质 |
CN116629000A (zh) * | 2023-05-30 | 2023-08-22 | 北京踏歌智行科技有限公司 | 一种针对矿区矿卡的软件在环仿真构建方法 |
CN117290997A (zh) * | 2023-08-14 | 2023-12-26 | 吉林大学 | 一种基于数字孪生模式的人机共驾决策系统测评方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115123298A (zh) * | 2022-06-15 | 2022-09-30 | 北京航空航天大学 | 适用于双桥转向无驾驶室矿用作业车辆的主动感知系统 |
-
2024
- 2024-02-05 CN CN202410161059.2A patent/CN117708099B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541258A (zh) * | 2020-12-08 | 2021-03-23 | 特路(北京)科技有限公司 | 一种自动驾驶汽车试验场测试场景库 |
CN113343461A (zh) * | 2021-06-07 | 2021-09-03 | 芜湖雄狮汽车科技有限公司 | 自动驾驶车辆的仿真方法、装置、电子设备及存储介质 |
CN115016323A (zh) * | 2022-06-21 | 2022-09-06 | 际络科技(上海)有限公司 | 自动驾驶的仿真测试系统及方法 |
CN115795808A (zh) * | 2022-11-08 | 2023-03-14 | 清华大学 | 一种自动驾驶决策危险场景生成方法、系统、设备及介质 |
CN115937352A (zh) * | 2023-02-22 | 2023-04-07 | 北京易控智驾科技有限公司 | 矿山场景仿真方法、系统、电子设备及存储介质 |
CN116629000A (zh) * | 2023-05-30 | 2023-08-22 | 北京踏歌智行科技有限公司 | 一种针对矿区矿卡的软件在环仿真构建方法 |
CN117290997A (zh) * | 2023-08-14 | 2023-12-26 | 吉林大学 | 一种基于数字孪生模式的人机共驾决策系统测评方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117708099A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10416628B2 (en) | Real vehicle in-the-loop test system and method | |
Maeda et al. | Road damage detection and classification using deep neural networks with smartphone images | |
US10635912B2 (en) | Virtual sensor data generation for wheel stop detection | |
EP4036886A2 (en) | Method and apparatus for monitoring vehicle, cloud control platform and system for vehicle-road collaboration | |
CN109782364B (zh) | 基于机器视觉的交通标志牌缺失检测方法 | |
CN110688311A (zh) | 一种面向自动驾驶典型场景的测试用例管理方法和装置 | |
CN110716529A (zh) | 一种自动驾驶测试用例自动生成方法和装置 | |
CN113343461A (zh) | 自动驾驶车辆的仿真方法、装置、电子设备及存储介质 | |
CN105702152A (zh) | 地图生成方法和装置 | |
US20180011953A1 (en) | Virtual Sensor Data Generation for Bollard Receiver Detection | |
CN111753612B (zh) | 一种抛洒物检测方法、装置及存储介质 | |
US11919530B2 (en) | Method and system for validating an autonomous vehicle stack | |
DE102019120265A1 (de) | Vorhersage des dynamischen Ansprechens | |
US11748664B1 (en) | Systems for creating training data for determining vehicle following distance | |
CN110675476A (zh) | 一种直观传达自动驾驶场景定义的方法和装置 | |
CN112633557A (zh) | 一种基于大数据的道路安全预警方法、装置、电子设备及存储介质 | |
Ryghaug et al. | Testing emergent technologies in the Arctic: how attention to place contributes to visions of autonomous vehicles | |
CN117708099B (zh) | 矿山自动驾驶感知能力测试场景库构建方法及测试方法 | |
CN114844925B (zh) | 无人矿山全域智能监测系统 | |
Katsamenis et al. | Real time road defect monitoring from UAV visual data sources | |
JP2023095812A (ja) | 車載データ処理方法、装置、電子デバイス、記憶媒体、及びプログラム | |
KR102377393B1 (ko) | 중장비 및 가스관 인식용 영상 분석 방법 및 시스템 | |
門洋 | A proposal of a test system for automated driving system involving operational environment | |
KR102681837B1 (ko) | 자율주행 테스트 케이스 평가 시스템 | |
Avera | Framework for leveraging data from autonomous trucks to improve state maintenance operations |
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 |