CN118035691B - 智能驾驶感知质量的量化评价方法、设备和存储介质 - Google Patents
智能驾驶感知质量的量化评价方法、设备和存储介质 Download PDFInfo
- Publication number
- CN118035691B CN118035691B CN202410437535.9A CN202410437535A CN118035691B CN 118035691 B CN118035691 B CN 118035691B CN 202410437535 A CN202410437535 A CN 202410437535A CN 118035691 B CN118035691 B CN 118035691B
- Authority
- CN
- China
- Prior art keywords
- driving
- driving style
- actual
- data
- style
- 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
- 238000000034 method Methods 0.000 title claims abstract description 119
- 230000008447 perception Effects 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000011158 quantitative evaluation Methods 0.000 title claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 79
- 239000011159 matrix material Substances 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 43
- 230000006870 function Effects 0.000 claims abstract description 37
- 238000010606 normalization Methods 0.000 claims abstract description 18
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 17
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 17
- 230000001133 acceleration Effects 0.000 claims description 28
- 230000000694 effects Effects 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 42
- 230000008859 change Effects 0.000 description 31
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 5
- 238000013441 quality evaluation Methods 0.000 description 5
- 230000035484 reaction time Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 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
- 201000003152 motion sickness Diseases 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及数据处理技术领域,公开了一种智能驾驶感知质量的量化评价方法、设备和存储介质。该方法通过针对每一个智能驾驶场景下的各个二级指标,构建对应的评价函数,并对驾驶数据集进行聚类处理,得到各驾驶风格以及聚类中心,结合贝叶斯估计确定实际驾驶风格,进而构建对应的模糊判断矩阵,通过归一化与模糊合成处理得到各二级指标的初始权重,并结合实际驾驶风格得到最终权重,最后通过最终权重与评价函数得到驾驶感知质量值,实现了对车辆智能驾驶感知的量化评价,该方法可以提高感知质量评价的准确性,并提供符合各驾驶风格特性的个性化感知质量评估,提高对智能驾驶感知质量的评价准确性和全面性。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种智能驾驶感知质量的量化评价方法、设备和存储介质。
背景技术
随着智能驾驶技术的发展,车辆功能日趋复杂,软件和传感器等硬件数量也越来越多,感知质量的量化评价对于提升驾驶体验和安全性至关重要。在此背景下,对智能驾驶车辆进行科学而充分的测试显得愈发重要,需要对传统认证方法做进一步延伸改进,保障智能驾驶汽车在实际应用的安全性。
传统的感知质量量化中,通常基于专家、驾驶员主观和客观数据得到相关的指标,通过熵值法等方法进行权重分配从而实现量化评价。然而,在某些评价场景中,评价指标的权重可能难以准确确定,因为它们可能受到主观意见、不完全信息等因素的影响;同时,传统的感知质量评价方法往往忽视了驾驶风格的多样性,导致评价结果无法全面准确地反映驾驶员的真实体验。
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感知质量的量化评价方法、设备和存储介质,提高对智能驾驶感知质量的评价准确性和全面性,可以为智能驾驶系统提供更精准的驾驶风格适配和个性化服务,从而提升整体驾驶体验和安全性。
本发明实施例提供了一种智能驾驶感知质量的量化评价方法,该方法包括:
收集驾驶数据集,并确定各一级指标以及一级指标在每个智能驾驶场景下划分的二级指标;
针对每一个智能驾驶场景下的各个二级指标,构建所述二级指标对应的评价函数;
对所述驾驶数据集进行聚类处理,得到各驾驶风格与各驾驶风格的聚类中心,并获取待评价车辆的实际驾驶数据,基于所述实际驾驶数据与各聚类中心之间的距离进行贝叶斯估计,得到实际驾驶风格;
针对每个智能驾驶场景,构建对应的模糊判断矩阵,并对所述模糊判断矩阵进行归一化处理与模糊合成处理,得到各二级指标的初始权重;
确定所述实际驾驶数据对应的实际驾驶场景,基于所述实际驾驶风格对所述实际驾驶场景下各二级指标的初始权重进行调整,得到最终权重;
基于所述实际驾驶数据以及所述实际驾驶场景下各二级指标对应的评价函数,确定各二级指标的实际评价结果,并根据各二级指标的实际评价结果与最终权重,确定所述待评价车辆的驾驶感知质量值。
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感知质量的量化评价方法的步骤。
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感知质量的量化评价方法的步骤。
本发明实施例具有以下技术效果:
通过收集驾驶数据集,并确定各一级指标和一级指标在各智能驾驶场景下划分的二级指标,进而针对每一个智能驾驶场景下的各个二级指标,构建对应的评价函数,对驾驶数据集进行聚类处理,得到各驾驶风格以及聚类中心,并结合聚类中心与待评价车辆的实际驾驶数据之间的距离进行贝叶斯估计,确定待评价车辆的实际驾驶风格,从而对每个智能驾驶场景分别构建对应的模糊判断矩阵,通过归一化与模糊合成处理得到各二级指标的初始权重,结合实际驾驶风格对实际驾驶场景下各二级指标的初始权重进行调整,得到最终权重,结合最终权重以及评价函数得到待评价车辆的驾驶感知质量值,实现了对车辆智能驾驶感知的量化评价,该方法通过模糊推理确定初始权重,可以更好地处理指标中的模糊性和不确定性,提高感知质量评价的准确性,并结合聚类与贝叶斯估计来确定实际驾驶风格,提供符合各驾驶风格特性的个性化感知质量评估,提高对智能驾驶感知质量的评价准确性和全面性,可以为智能驾驶系统提供更精准的驾驶风格适配和个性化服务,从而提升整体驾驶体验和安全性。
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感知质量的量化评价方法的流程图;
图2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。
本发明实施例提供的智能驾驶感知质量的量化评价方法,主要适用于基于待评价车辆的实际驾驶数据,确定其对应的实际驾驶风格,进而结合实际驾驶风格得到待评价车辆的驾驶感知质量值的情况。本发明实施例提供的智能驾驶感知质量的量化评价方法可以由集成在车辆控制器或云平台中的电子设备执行。
图1是本发明实施例提供的一种智能驾驶感知质量的量化评价方法的流程图。参见图1,该智能驾驶感知质量的量化评价方法具体包括:
S110、收集驾驶数据集,并确定各一级指标以及一级指标在每个智能驾驶场景下划分的二级指标。
在本发明实施例中,可以通过场景功能或者场景的行驶工况确定各个智能驾驶场景。示例性的,可以通过智能驾驶系统的典型应用和关键功能,识别智能驾驶系统中的关键智能驾驶场景,如,换道场景、紧急制动场景、自动巡航场景等。
并且,还可以确定评估智能驾驶感知的一级指标。考虑到一级指标需要概括智能驾驶车辆的核心特征,并需要体现其多方面的性能,在本发明实施例中,可以将安全性指标、平顺性指标、敏捷性指标以及智能性指标,确定为一级指标,即,将一级指标总结为4S标准,即Safety(安全性)、Smoothness(平顺性)、Sharpness(敏捷性)、Smartness(智能性)。
其中,安全性指标用于评估智能驾驶系统在不同智能驾驶场景下保护驾驶员和乘客安全的能力,包括事故预防、风险识别和风险应对等方面。平顺性指标用于评估使用智能驾驶系统进行驾驶的过程中的舒适度和平顺度,如加速度的平稳变化、转向的连贯性等。敏捷性指标用于评估智能驾驶系统在应对复杂交通或紧急情况时的反应速度和决策准确性,如急转弯、快速避障等。智能性指标用于评估智能驾驶系统的决策能力、学习能力和适应性,如路线规划的准确性、交通信号识别的准确性、交通流预测的准确性等。
在确定出各个智能驾驶场景以及各个一级指标之后,进一步的,可以根据对各个智能驾驶场景的需求分析,划分出适合每个智能驾驶场景的二级指标。
示例性的,在换道测试场景下,安全性指标下所划分的二级指标包括与目标车辆的相对距离、紧急制动距离、碰撞预警时间等,这些二级指标可以直接反映智能驾驶系统在安全方面的表现,平顺性指标下所划分的二级指标包括车辆的纵向与横向加速度变化率、乘员头部俯仰摆动频率等,这些二级指标可以衡量驾驶过程中的平顺性和舒适度,敏捷性指标下所划分的二级指标包括换道完成时间、急转弯时的侧倾风险等,这些二级指标可以反映智能驾驶系统的反应敏捷性和动态适应能力,智能性指标下所划分的二级指标包括算法反应时间、道路中心偏移量、通行效率等,这些二级指标可以评价智能驾驶系统的决策和预测能力。
在本发明实施例中,一级指标和二级指标的确定可以偏向于定性分析,如,可以通过结合专家意见和车辆的实际使用情况进行灵活调整。通过这一过程,每个待评价的智能驾驶场景均被细化为一系列具体、可量化的一级指标和二级指标。如表1-表3所示,这些指标覆盖了智能驾驶系统的关键性能和特性。
表1 各个智能驾驶场景下的一级指标和二级指标
表2 各个智能驾驶场景下的一级指标和二级指标
表3 各个智能驾驶场景下的一级指标和二级指标
除了确定各个一级指标以及各一级指标在每个智能驾驶场景下划分的二级指标之外,还可以收集驾驶数据集。如表1-表3所示的指标覆盖了智能驾驶系统的关键性能和特性,因此,还可以基于这些指标采集驾驶数据集。其中,驾驶数据集可以包括车辆的传感器数据和驾驶员的行为数据,驾驶数据集可以用下式表示:
;
式中,i表示驾驶数据集中的第i个样本,n为样本数量;针对每一个样本i,包括加速度、转向角度、车速、加速度变化值、刹车力度等。驾驶数据集可以通过在实验环境中对各智能驾驶车辆进行测试得到,或者,驾驶数据集可以通过云平台收集各个智能驾驶车辆的实际驾驶数据得到。
S120、针对每一个智能驾驶场景下的各个二级指标,构建二级指标对应的评价函数。
具体的,对于每一个待评的智能驾驶场景,在确定出对其划分的各个二级指标之后,可以针对每一个二级指标分别构建对应的评价函数,其中,评价函数可以用于计算对应的二级指标的实际评价结果。
在本发明实施例中,以换道测试场景为例,对换道测试场景下的12个二级指标(如表1-表3中的I1~I12)对应的评价函数进行示例性说明。
在换道测试场景下,安全性指标所划分的二级指标可以包括与目标车辆之间的横纵向距离、与目标车辆之间的速度差以及车辆的航向角变化率;平顺性指标所划分的二级指标可以包括横向加速度变化率、纵向加速度变化率和乘员的头部摆动频率;敏捷性指标所划分的二级指标可以包括换道完成时间、制动加速度和侧倾风险;智能型指标所划分的二级指标可以包括决策时间(即算法反应时间)、横向偏移量(即道路中心偏移量)和通行效率。
其中,横纵向距离是否安全可以用自车与目标车辆的笛卡尔距离进行评估,如下方表达式所示:
;
式中,为横纵向距离,、分别为目标车辆、自车在frenet坐标系下的s坐标,、分别为目标车辆、自车在frenet坐标系下的l坐标。横纵向距离对应的评价函数可以是:
;
式中,为横纵向距离对应的实际评价结果。
其中,换道速度是否适当可以用自车与目标车辆的车速差进行评价,如下方表达式所示:
;
式中,为与目标车辆之间的车速差,、分别为自车、目标车辆的行驶速度。车速差对应的评价函数可以是:
;
式中,为车速差对应的实际评价结果。
其中,车辆航向变化是否合理可以用自车的航向角变化率进行评价,如下方表达式所示:
;
式中,为航向角变化率,为自车的车辆航向角,其需要满足车辆动力学约束,t表示时间。航向角变化率对应的评价函数可以是:
;
式中,为航向角变化率对应的实际评价结果。
其中,车辆的纵向舒适性可以用纵向加速度的变化率进行评价,如下方表达式所示:
;
式中,为纵向加速度变化率,为自车的纵向加速度,t表示时间。纵向加速度变化率对应的评价函数可以是:
;
式中,为纵向加速度变化率对应的实际评价结果。
其中,车辆的横向舒适性可以用横向加速度的变化率进行评价,如下方表达式所示:
;
式中,为横向加速度变化率,为自车的横向加速度,t表示时间。横向加速度变化率对应的评价函数可以是:
;
式中,为横向加速度变化率对应的实际评价结果。
其中,车辆的舒适性还可以根据乘员的头部摆动频率是否在晕车区间内进行评价,如下方表达式所示:
,;
式中,为头部摆动频率,取头部摆动频率,为头部摆动频率对应的实际评价结果。
其中,智能驾驶车辆的敏捷性可以用作出决策到完成策略行为的时间进行描述,如下方表达式所示:
;
式中,为换道完成时间,、分别为换道行为的开始时刻和结束时刻。换道完成时间对应的评价函数可以是:
;
式中,为换道完成时间对应的实际评价结果。
其中,考虑到在换道的过程中有可能出现因一些意外情况(如突然出现的障碍物、前车突然刹车等)终止换道行为,而在这种情况之下,车辆的敏捷性与车辆的最大制动加速度有关,制动能力越强意味着车辆越敏捷,因此,制动加速度可以用于评估智能驾驶系统的敏捷性,如下方表达式所示:
;
式中,为最大制动加速度,为制动加速度。最大制动加速度对应的评价函数可以是:
;
式中,为最大制动加速度对应的实际评价结果。
其中,智能驾驶的敏捷性还体现在车辆的侧倾风险方面,用于表示车辆发生侧翻的次数,侧倾风险(或侧翻次数)对应的评价函数如下式所示:
;
式中,为侧倾风险对应的实际评价结果。
其中,智能驾驶的智能性一方面体现在能够迅速作出决策,在本发明实施例中,可以采用算法反应时间评价智能驾驶系统的智能性,如下方表达式所示:
;
式中,为算法反应时间,为自车车辆感知识别出特定场景的时刻,为自车车辆确定应对策略的时刻。算法反应时间对应的评价函数可以是:
;
式中,为算法反应时间对应的实际评价结果。
其中,针对换道行为,智能驾驶系统的智能性也体现在规划的轨迹符合人类驾驶员习惯上,这意味着换道过程中的横向偏移量不宜过大,因此,本发明实施例采用平均横向偏移评价智能驾驶系统的智能性,如下方表达式所示:
;
式中,为平均横向偏移量,n为轨迹的采样点数量,为第个采样点与道路中心线的距离。平均横向偏移量对应的评价函数可以是:
;
式中,为平均横向偏移量对应的实际评价结果。
其中,智能驾驶系统的智能性还体现在决策的合理性上,这主要表现在换道行为过程中,如果换道不能带来通行效率的提升,则可以确定该决策是不合理的,本发明实施例采用选定策略执行完成时与执行开始时的车速差对通行效率进行评价,如下方表达式所示:
;
式中,为通行效率,、分别为自车策略执行完成时与执行开始时的车速。通信效率对应的评价函数可以是:
;
式中,为通信效率对应的实际评价结果。
S130、对驾驶数据集进行聚类处理,得到各驾驶风格与各驾驶风格的聚类中心,并获取待评价车辆的实际驾驶数据,基于实际驾驶数据与各聚类中心之间的距离进行贝叶斯估计,得到实际驾驶风格。
其中,可以通过K-means聚类方法对驾驶数据集进行聚类处理,以分析各个驾驶风格,得到各个驾驶风格以及对应的聚类中心。
在一种具体的实施方式中,对驾驶数据集进行聚类处理,得到各驾驶风格与各驾驶风格的聚类中心,包括如下步骤:
步骤11、提取驾驶数据集中的加速度数据、转向角度数据、车速数据、刹车力度数据以及行驶路径数据;
步骤12、以每个驾驶风格的聚类中心与每个驾驶风格下的个体值之间的差异最小化为目标,对提取到的数据进行聚类处理,得到各驾驶风格与各驾驶风格的聚类中心。
在上述步骤11中,可以在驾驶数据集中选取5个驾驶特征,即加速度、转向角度、车速、刹车力度和行驶路径,进而使用5个驾驶特征对应的数据进行聚类分析。
在使用K-means聚类前,还可以对驾驶数据集中的加速度数据、转向角度数据、车速数据、刹车力度数据以及行驶路径数据进行预处理。
示例性的,首先,可以对所有数据进行标准化处理,以确保所有数据在相同的尺度上,防止任何变量由于值的范围而过度影响聚类结果。假设是由提取的所有数据构成的原始特征矩阵,标准化后的特征矩阵可以表示为:
;
式中,是标准化后的特征矩阵,表示第i个样本的第j个驾驶特征,表示第j个驾驶特征的均值,表示第个驾驶特征的标准差。
其次,可以进一步处理缺失值,即填补所有数据中的任意缺失值,以确保数据集的完整性。假设是经过标准化处理后的特征矩阵,则缺失值处理可以表示为:
;
式中,为缺失值处理后的特征矩阵,上式可以理解为,若标准化后第i个样本的第j个驾驶特征为缺失值,则使用预设填补值进行替换。
最后,可以进行噪声数据处理,以识别并处理异常值,避免异常值对聚类结果的影响。如,可以使用离群值检测算法来识别异常值,并将其进行处理或排除:
;
;
式中,表示第j个特征的下四分位数,表示第j个特征的上四分位数,参数表示离群值的阈值系数,用于控制离群值的判定严格程度,、分别为离群下限和离群上限。若缺失值处理后第个样本的第个特征值小于离群下限或大于离群上限,则该特征值为离群值,可以将其剔除,或者,使用预设填补值或平均值替换掉该特征值。
在上述步骤12中,可以基于K-means聚类的核心计算模型来更新聚类的平均值,直至目标损失函数最小化为止。具体的,可以选取损失函数为类内误差平方,如下式所示:
;
式中,k为聚类中心的数量,表示第i类,是第i类的平均值(即聚类中心),x是第i类的个体值,为目标损失函数。将收集到的驾驶数据集中的5个驾驶特征,作为K-means算法的输入,聚类结果即为驾驶风格分类结果。
在本发明实施例中,为了更准确的确定出驾驶风格的数量,即聚类出的类别数量,还可以使用Calinski-Harbasz指数确定驾驶风格的数量。
针对上述步骤12,可选的,以每个驾驶风格的聚类中心与每个驾驶风格下的个体值之间的差异最小化为目标,对提取到的数据进行聚类处理,得到各驾驶风格与各驾驶风格的聚类中心,包括如下步骤:
步骤121、获取多个预设类别数量;
步骤122、针对每一个预设类别数量,以每个驾驶风格的聚类中心与每个驾驶风格下的个体值之间的差异最小化为目标,基于预设类别数量对提取到的数据进行聚类处理,得到各聚类中心,并基于各聚类中心确定对应的聚类效果指数;
步骤123、根据所有预设类别数量对应的聚类效果指数,确定最终类别数量,根据最终类别数量确定各驾驶风格以及各驾驶风格的聚类中心。
即,可以针对每个预设类别数量,以目标损失函数最小化为目标,按照预设类型数据对驾驶数据集中提取的数据进行聚类处理,得到满足预设类别数量的各聚类中心,进而根据各聚类中心确定对应的聚类效果指数。
其中,聚类效果指数可以是Calinski-Harbasz指数。示例性的,可以通过如下公式计算聚类效果指数:
;
式中,为聚类效果指数,为类间平方误差,为簇内平方误差,为驾驶风格的数量,即预设类别数量,为驾驶数据集中的样本数,为样本的平均值,是第个驾驶风格的聚类中心,是聚类的第i个驾驶风格中的第j个样本,是聚类的第i个驾驶风格的样本数。
进一步的,可以根据所有预设类别数量对应的聚类效果指数,从中选取最终类别数量,进而基于最终类别数量得到各驾驶风格以及各驾驶风格的聚类中心。
示例性的,表4展示了不同聚类数量(预设类别数量)分别对应的聚类效果指数。
表4 不同聚类数量的CHI
从表4可以看出,当聚类数量k=3时,CHI取得最大值,故可以将样本的驾驶风格分为三类,即:激进的(aggressive)驾驶风格、温和的(moderate)驾驶风格和保守的(conservative)驾驶风格。其中保守型指谨慎驾驶,避免急加速和急转弯的驾驶风格;激进型代表频繁加速和紧急制动,快速转弯的驾驶风格;平稳型(或温和型)代表稳定的驾驶,平滑加速和减速的驾驶风格。
在上述实施方式中,通过确定不同预设类别数量分别对应的聚类效果指数,进而得到最终类别数量,以确定最终的各个驾驶风格,可以保证各个驾驶风格之间差异最大化,并保证各个驾驶风格内的不同样本之间的差异最小化,进而提高了聚类的准确性,便于后续实现驾驶风格的在线准确识别。
进一步的,在通过收集的驾驶数据集离线训练出各个驾驶风格之后,可以获取待评价车辆的实际驾驶数据,进而根据待评价车辆的实际驾驶数据进行贝叶斯估计,实现驾驶风格的在线识别。其中,实际驾驶数据可以是时间序列的驾驶数据,即由多个时间点的驾驶数据构成。
在一种具体的实施方式中,基于实际驾驶数据与各聚类中心之间的距离进行贝叶斯估计,得到实际驾驶风格,包括如下步骤:
步骤21、基于实际驾驶数据中当前时刻的数据与各聚类中心之间的距离,确定当前时刻各驾驶风格的先验概率;
步骤22、根据当前时刻各驾驶风格的先验概率以及各驾驶风格的概率分布,确定当前时刻各驾驶风格的后验概率;
步骤23、将当前时刻各驾驶风格的后验概率作为实际驾驶数据中下一时刻各驾驶风格的先验概率,确定下一时刻各驾驶风格的后验概率,直至得到实际驾驶数据中最终时刻各驾驶风格的后验概率;
步骤24、基于实际驾驶数据中最终时刻各驾驶风格的后验概率确定实际驾驶风格。
在上述步骤21中,可以将实际驾驶数据首个时刻的数据作为当前时刻的数据,其与聚类中心的距离可以用于构建似然函数:
;
式中,表示t时刻的数据与第j个聚类中心之间的欧式距离,k表示聚类中心的数量,为t时刻驾驶风格的先验概率。通过该公式,可以计算出当前时刻每个驾驶风格的先验概率。
进一步的,后验概率表示在观测到数据后,对应驾驶风格的概率,可以通过贝叶斯公式计算:
;
式中,为t时刻驾驶风格的后验概率。初始先验概率可以根据离线聚类结果中每种驾驶风格出现的频率来设定。基于该公式,可以计算出当前时刻每个驾驶风格的后验概率。
上述公式计算得到的后验概率,可以作为下一次分析的先验概率,实现基于历史数据的概率更新,并且目标是仅使用历史数据进行一次性估计,后验概率可以直接用于确定最可能属于的驾驶风格。
具体的,可以将当前时刻各驾驶风格的后验概率,作为实际驾驶数据中下一时刻各驾驶风格的先验概率,进而结合贝叶斯公式确定下一时刻各驾驶风格的后验概率,以此类推,直至得到实际驾驶数据中最终时刻各驾驶风格的后验概率。最后,可以在最终时刻各驾驶风格的后验概率中确定最大值,将最大值对应的驾驶风格作为待评价车辆的实际驾驶风格。
在上述步骤中,提过结合K-means聚类和贝叶斯估计来确定驾驶员的实际驾驶风格,可以实现结合实际驾驶风格的驾驶感知质量评价,从而便于提供定制化的驾驶体验和安全性评估,为智能驾驶系统提供更精准的驾驶风格适配和个性化服务,从而提升整体驾驶体验和安全性。
S140、针对每个智能驾驶场景,构建对应的模糊判断矩阵,并对模糊判断矩阵进行归一化处理与模糊合成处理,得到各二级指标的初始权重。
具体的,可以针对每个智能驾驶场景下的二级指标,构建对应的模糊判断矩阵。假设对于一个智能驾驶场景,其存在m个二级指标,则可以构建的模糊判断矩阵A:
;
其中矩阵元素表示二级指标相对于二级指标的重要性评分。
在一种具体的实施方式中,针对每个智能驾驶场景,构建对应的模糊判断矩阵,包括如下步骤:
步骤31、对于每一个智能驾驶场景,获取针对智能驾驶场景下各二级指标的专家评价信息,其中,专家评价信息包括专家确定的各二级指标之间的相对重要程度;
步骤32、基于专家评价信息以及预设模糊尺度,将专家评价信息转化为模糊判断矩阵,其中,预设模糊尺度用于描述与各种相对重要程度分别对应的变量。
即,可以获取专家对智能驾驶场景下各二级指标之间的相对重要程度的描述信息,进而利用预设模糊尺度和语言变量来表达专家评价信息,增强专家评价信息的灵活性和表达能力,将其转化为模糊判断矩阵。
示例性的,预设模糊尺度可以是:1=同等重要,3=稍微重要,5=明显重要,7=强烈重要,9=极端重要。例如,如果二级指标相对于二级指标是“稍微重要”,则可以确定。
通过上述步骤31-步骤32,可以引入模糊尺度改进层次分析法,构建每个智能驾驶场景下的模糊判断矩阵,使得该矩阵可以准确表达专家的主观评价,增强评价的灵活性和表达能力,进一步提高后续驾驶感知质量评价的准确性。
进一步的,在构建每个智能驾驶场景下的模糊判断矩阵之后,可以对模糊判断矩阵进行归一化处理与模糊合成处理,以得到每个智能驾驶场景下各二级指标的初始权重。
在一种具体的实施方式中,对模糊判断矩阵进行归一化处理与模糊合成处理,得到各二级指标的初始权重,包括如下步骤:
步骤41、确定模糊判断矩阵中各变量的总和,基于总和对模糊判断矩阵中的每一个变量进行归一化处理;
步骤42、确定归一化后的模糊判断矩阵中各二级指标下多个变量的均值,得到各二级指标的初始权重。
在步骤41中,可以利用模糊判断矩阵中各二级指标对应的变量的总和,对每一个变量进行归一化处理,以确保模糊判断矩阵中每个变量在[0, 1]之间:
;
式中,表示二级指标相对于二级指标的重要性变量,为归一化后的结果。
进一步的,在步骤42中,可以使用模糊合成方法处理归一化后的模糊判断矩阵,具体的,可以根据归一化后模糊判断矩阵中各二级指标下所有变量的均值,计算各二级指标的初始权重,每个二级指标的初始权重为:
;
式中,为二级指标的初始权重。
在得到智能驾驶场景下各二级指标的初始权重之后,考虑到可能专家评价存在不一致的情况,在本发明实施例中,还可以在得到基于专家评价所确定的各初始权重之后,验证专家评价的一致性。
可选的,在得到各二级指标的初始权重之后,还包括:
基于归一化处理与模糊合成处理后的模糊判断矩阵的矩阵大小与最大值,确定模糊一致性比率;若模糊一致性比率大于预设阈值,则重新构建对应的模糊判断矩阵并进行归一化处理与模糊合成处理。
其中,模糊一致性比率可以基于如下公式计算:
;
式中,为模糊一致性比率,用于评估模糊合成处理后的模糊判断矩阵的一致性,为模糊合成处理后的模糊判断矩阵中最大元素的值,即最大值,为模糊合成处理后的模糊判断矩阵的矩阵大小。
FCR的作用是帮助评估专家评价的一致性。如果FCR的值接近于0,表示专家的评价比较一致,可以认为专家对二级指标的重要性有较高的一致性。如果FCR的值较大,说明专家的评价不够一致,可能存在较大的主观偏差或不确定性,需要重新审查和调整专家的评价,以提高一致性。
具体的,若模糊一致性比率大于预设阈值,则可以重新获取专家评价信息,进而构建对应的模糊判断矩阵,通过归一化处理与模糊合成处理得到新的初始权重。
通过该方式,可以保证初始权重的一致性,进而保证驾驶感知质量评价的准确性。此外,FCR也用于比较不同专家的评价一致性,找出评价结果不一致的指标,并进一步讨论和分析。
S150、确定实际驾驶数据对应的实际驾驶场景,基于实际驾驶风格对实际驾驶场景下各二级指标的初始权重进行调整,得到最终权重。
其中,可以确定待评价车辆的实际驾驶数据对应的实际驾驶场景,以便于对该实际驾驶场景下的各二级指标进行评价。
具体的,可以根据待评价车辆的实际驾驶风格,对该实际驾驶场景下各二级指标的初始权重进行调整,以结合实际驾驶风格实现针对性的驾驶感知质量评价。
示例性的,可以根据驾驶员与聚类中心点的距离方向,即实际驾驶风格,确定需要二级指标的调整方向并对其进行调整。如,若驾驶员的实际驾驶风格偏离聚类中心点的方向是更保守型的,即实际驾驶风格为保守型,则增加安全性指标的权重。如果偏离方向是更激进型的,即实际驾驶风格为激进型,则增加敏捷性指标的权重。如果偏离方向是更注重舒适性的,即实际驾驶风格为平稳型,则增加舒适性指标的权重。如果偏离方向是更注重决策智能性的,则增加决策智能性指标的权重。
在一种具体的实施方式中,基于实际驾驶风格对实际驾驶场景下各二级指标的初始权重进行调整,得到最终权重,包括如下步骤:
步骤51、基于实际驾驶风格,在与实际驾驶风格对应的相关性矩阵中,查询各一级指标分别对应的权重调整因子,其中,相关性矩阵由各一级指标的权重调整因子构成,权重调整因子用于反映驾驶风格与各一级指标之间的相关性;
步骤52、根据各一级指标分别对应的权重调整因子,对实际驾驶场景下各二级指标的初始权重进行调整,得到最终权重。
其中,每个驾驶风格分别具备对应的相关性矩阵,相关性矩阵可以包括各一级指标的权重调整因子,驾驶风格与一级指标之间的相关性越高,权重调整因子越大。
示例性的,以驾驶风格分为保守型、激进型和平稳性为例,表5-表7分别展示了与各个驾驶风格分别对应的相关性矩阵,其中,I1~I4分别为安全性指标、敏捷性指标、平顺性指标和智能性指标,C表示驾驶风格。
表5 保守型对应的相关性矩阵
表6 激进型对应的相关性矩阵
表7 平稳型对应的相关性矩阵
在上述步骤51中,可以通过与实际驾驶风格对应的相关性矩阵中,查询得到各一级指标分别对应的权重调整因子。需要说明的是,在查询得到各一级指标分别对应的权重调整因子之后,针对每个一级指标,可以将其对应的权重调整因子,直接作为其下划分的各个二级指标所对应的权重调整因子。
进一步的,在上述步骤52中,可以使用各一级指标分别对应的权重调整因子,对实际驾驶场景下各二级指标的初始权重进行调整,得到最终权重。
假设为实际驾驶场景下的各初始权重,其中,是二级指标的初始权重,对于实际驾驶风格,调整后的最终权重为:
;
式中,是根据驾驶风格和二级指标的相关性给出的权重调整因子,使用一个0~1之间的标度来表示相关性,其中1表示最高相关性,0表示没有相关性。
通过上述步骤51-步骤52,可以能够结合实际驾驶风格,实现对智能驾驶场景下各二级指标的权重的针对性调整,使得最终得到的感知质量值能够符合驾驶员的实际驾驶风格,满足激进型驾驶员注重敏捷性指标、保守型驾驶员注重安全性指标、平稳性驾驶员注重平顺性指标等特点,实现不同驾驶风格的驾驶感知量化评价。
S160、基于实际驾驶数据以及实际驾驶场景下各二级指标对应的评价函数,确定各二级指标的实际评价结果,并根据各二级指标的实际评价结果与最终权重,确定待评价车辆的驾驶感知质量值。
在基于实际驾驶风格对各二级指标的初始权重进行调整之后,可以结合实际驾驶数据,通过实际驾驶场景下各二级指标对应的评价函数,计算得到各二级指标的实际评价结果。
进一步的,可以通过各二级指标的最终权重,对各二级指标的实际评价结果进行加权,得到待评价车辆的驾驶感知质量值。示例性的,驾驶感知质量值可以是:
;
式中,表示驾驶感知质量值,为二级指标的实际评价结果,为二级指标的最终权重。
在得到待评价车辆的驾驶感知质量值之后,可以将其与预设质量值进行比对,若驾驶感知质量值大于预设质量值,则表示待评价车辆的驾驶员的驾驶感知质量较好,若驾驶感知质量值小于预设质量值,则表示待评价车辆的驾驶员的驾驶感知质量较差,待评价车辆的智能驾驶系统需要进行优化,此时可以将待评价车辆的智能驾驶系统写入至候选系统列表中,以便于后续优化各智能驾驶系统。
示例性的,针对候选系统列表,可以统计其中各智能驾驶系统的出现频次,将出现频次低于预设频次的智能驾驶系统从列表中剔除,以避免由于传感器采集数据错误或数据干扰等原因,导致误优化的情况。
并且,针对候选系统列表,还可以统计其中各智能驾驶系统的平均感知质量值,按照平均感知质量值确定优化优先级,进而根据优化优先级确定候选系统列表中各智能驾驶系统的优化顺序。
本发明具有以下技术效果:通过收集驾驶数据集,并确定各一级指标和一级指标在各智能驾驶场景下划分的二级指标,进而针对每一个智能驾驶场景下的各个二级指标,构建对应的评价函数,对驾驶数据集进行聚类处理,得到各驾驶风格以及聚类中心,并结合聚类中心与待评价车辆的实际驾驶数据之间的距离进行贝叶斯估计,确定待评价车辆的实际驾驶风格,从而对每个智能驾驶场景分别构建对应的模糊判断矩阵,通过归一化与模糊合成处理得到各二级指标的初始权重,结合实际驾驶风格对实际驾驶场景下各二级指标的初始权重进行调整,得到最终权重,结合最终权重以及评价函数得到待评价车辆的驾驶感知质量值,实现了对车辆智能驾驶感知的量化评价,该方法通过模糊推理确定初始权重,可以更好地处理指标中的模糊性和不确定性,提高感知质量评价的准确性,并结合聚类与贝叶斯估计来确定实际驾驶风格,提供符合各驾驶风格特性的个性化感知质量评估,提高对智能驾驶感知质量的评价准确性和全面性,可以为智能驾驶系统提供更精准的驾驶风格适配和个性化服务,从而提升整体驾驶体验和安全性。
图2为本发明实施例提供的一种电子设备的结构示意图。如图2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感知质量的量化评价方法以及/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2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感知质量的量化评价方法的步骤。
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感知质量的量化评价方法的步骤。
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 (10)
1.一种智能驾驶感知质量的量化评价方法,其特征在于,包括:
收集驾驶数据集,并确定各一级指标以及一级指标在每个智能驾驶场景下划分的二级指标;
针对每一个智能驾驶场景下的各个二级指标,构建所述二级指标对应的评价函数;
对所述驾驶数据集进行聚类处理,得到各驾驶风格与各驾驶风格的聚类中心,并获取待评价车辆的实际驾驶数据,基于所述实际驾驶数据与各聚类中心之间的距离进行贝叶斯估计,得到实际驾驶风格;
针对每个智能驾驶场景,构建对应的模糊判断矩阵,并对所述模糊判断矩阵进行归一化处理与模糊合成处理,得到各二级指标的初始权重;
确定所述实际驾驶数据对应的实际驾驶场景,基于所述实际驾驶风格对所述实际驾驶场景下各二级指标的初始权重进行调整,得到最终权重;
基于所述实际驾驶数据以及所述实际驾驶场景下各二级指标对应的评价函数,确定各二级指标的实际评价结果,并根据各二级指标的实际评价结果与最终权重,确定所述待评价车辆的驾驶感知质量值。
2.根据权利要求1所述的方法,其特征在于,对所述驾驶数据集进行聚类处理,得到各驾驶风格与各驾驶风格的聚类中心,包括:
提取所述驾驶数据集中的加速度数据、转向角度数据、车速数据、刹车力度数据以及行驶路径数据;
以每个驾驶风格的聚类中心与每个驾驶风格下的个体值之间的差异最小化为目标,对提取到的数据进行聚类处理,得到各驾驶风格与各驾驶风格的聚类中心。
3.根据权利要求2所述的方法,其特征在于,以每个驾驶风格的聚类中心与每个驾驶风格下的个体值之间的差异最小化为目标,对提取到的数据进行聚类处理,得到各驾驶风格与各驾驶风格的聚类中心,包括:
获取多个预设类别数量;
针对每一个预设类别数量,以每个驾驶风格的聚类中心与每个驾驶风格下的个体值之间的差异最小化为目标,基于预设类别数量对提取到的数据进行聚类处理,得到各聚类中心,并基于各聚类中心确定对应的聚类效果指数;
根据所有预设类别数量对应的聚类效果指数,确定最终类别数量,根据最终类别数量确定各驾驶风格以及各驾驶风格的聚类中心。
4.根据权利要求1所述的方法,其特征在于,基于所述实际驾驶数据与各聚类中心之间的距离进行贝叶斯估计,得到实际驾驶风格,包括:
基于所述实际驾驶数据中当前时刻的数据与各聚类中心之间的距离,确定当前时刻各驾驶风格的先验概率;
根据当前时刻各驾驶风格的先验概率以及各驾驶风格的概率分布,确定当前时刻各驾驶风格的后验概率;
将当前时刻各驾驶风格的后验概率作为所述实际驾驶数据中下一时刻各驾驶风格的先验概率,确定下一时刻各驾驶风格的后验概率,直至得到所述实际驾驶数据中最终时刻各驾驶风格的后验概率;
基于所述实际驾驶数据中最终时刻各驾驶风格的后验概率确定实际驾驶风格。
5.根据权利要求1所述的方法,其特征在于,针对每个智能驾驶场景,构建对应的模糊判断矩阵,包括:
对于每一个智能驾驶场景,获取针对所述智能驾驶场景下各二级指标的专家评价信息,其中,所述专家评价信息包括专家确定的各二级指标之间的相对重要程度;
基于所述专家评价信息以及预设模糊尺度,将所述专家评价信息转化为模糊判断矩阵,其中,所述预设模糊尺度用于描述与各种相对重要程度分别对应的变量。
6.根据权利要求1所述的方法,其特征在于,对所述模糊判断矩阵进行归一化处理与模糊合成处理,得到各二级指标的初始权重,包括:
确定所述模糊判断矩阵中各变量的总和,基于总和对所述模糊判断矩阵中的每一个变量进行归一化处理;
确定归一化后的模糊判断矩阵中各二级指标下多个变量的均值,得到各二级指标的初始权重。
7.根据权利要求1所述的方法,其特征在于,在得到各二级指标的初始权重之后,还包括:
基于归一化处理与模糊合成处理后的模糊判断矩阵的矩阵大小与最大值,确定模糊一致性比率;
若所述模糊一致性比率大于预设阈值,则重新构建对应的模糊判断矩阵并进行归一化处理与模糊合成处理。
8.根据权利要求1所述的方法,其特征在于,基于所述实际驾驶风格对所述实际驾驶场景下各二级指标的初始权重进行调整,得到最终权重,包括:
基于所述实际驾驶风格,在与所述实际驾驶风格对应的相关性矩阵中,查询各一级指标分别对应的权重调整因子,其中,所述相关性矩阵由各一级指标的权重调整因子构成,所述权重调整因子用于反映驾驶风格与各一级指标之间的相关性;
根据各一级指标分别对应的权重调整因子,对所述实际驾驶场景下各二级指标的初始权重进行调整,得到最终权重。
9.一种电子设备,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8任一项所述的智能驾驶感知质量的量化评价方法的步骤。
10.一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8任一项所述的智能驾驶感知质量的量化评价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410437535.9A CN118035691B (zh) | 2024-04-12 | 2024-04-12 | 智能驾驶感知质量的量化评价方法、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410437535.9A CN118035691B (zh) | 2024-04-12 | 2024-04-12 | 智能驾驶感知质量的量化评价方法、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118035691A CN118035691A (zh) | 2024-05-14 |
CN118035691B true CN118035691B (zh) | 2024-07-02 |
Family
ID=90995270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410437535.9A Active CN118035691B (zh) | 2024-04-12 | 2024-04-12 | 智能驾驶感知质量的量化评价方法、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118035691B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711691A (zh) * | 2018-12-17 | 2019-05-03 | 长安大学 | 一种基于熵权模糊综合评价模型的驾驶风格评价方法 |
CN114676841A (zh) * | 2022-03-31 | 2022-06-28 | 南昌大学 | 一种产品设计评价的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115979679B (zh) * | 2023-03-22 | 2023-06-23 | 中国汽车技术研究中心有限公司 | 自动驾驶系统实际道路测试方法、设备和存储介质 |
-
2024
- 2024-04-12 CN CN202410437535.9A patent/CN118035691B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711691A (zh) * | 2018-12-17 | 2019-05-03 | 长安大学 | 一种基于熵权模糊综合评价模型的驾驶风格评价方法 |
CN114676841A (zh) * | 2022-03-31 | 2022-06-28 | 南昌大学 | 一种产品设计评价的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118035691A (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108469806B (zh) | 交替式人机共驾中驾驶权转移方法 | |
US9129519B2 (en) | System and method for providing driver behavior classification at intersections and validation on large naturalistic data sets | |
Chen et al. | Driving safety risk prediction using cost-sensitive with nonnegativity-constrained autoencoders based on imbalanced naturalistic driving data | |
CN108091132B (zh) | 一种交通流量预测方法及装置 | |
Sathyanarayana et al. | Information fusion for robust ‘context and driver aware’active vehicle safety systems | |
Guo et al. | Improved car-following strategy based on merging behavior prediction of adjacent vehicle from naturalistic driving data | |
US20170103121A1 (en) | Drive support apparatus | |
CN112541632A (zh) | 一种基于多属性决策的驾驶行为安全性评估方法 | |
CN113581209B (zh) | 驾驶辅助模式切换方法、装置、设备及存储介质 | |
US20210303732A1 (en) | Measuring the sensitivity of neural network image classifiers against adversarial attacks | |
CN115169996A (zh) | 道路风险确定方法、设备和存储介质 | |
Zardosht et al. | Identifying Driver Behavior in Preturning Maneuvers Using In‐Vehicle CANbus Signals | |
Samani et al. | Assessing driving styles in commercial motor vehicle drivers after take-over conditions in highly automated vehicles | |
Zhou et al. | A vision-based abnormal trajectory detection framework for online traffic incident alert on freeways | |
Yan et al. | Automatic identification method for driving risk status based on multi-sensor data | |
CN118035691B (zh) | 智能驾驶感知质量的量化评价方法、设备和存储介质 | |
CN115979679B (zh) | 自动驾驶系统实际道路测试方法、设备和存储介质 | |
David et al. | A review on machine learning-based models for lane-changing behavior prediction and recognition | |
Gao et al. | An ADAS with better driver satisfaction under rear-end near-crash scenarios: A spatio-temporal graph transformer-based prediction framework of evasive behavior and collision risk | |
CN115049996B (zh) | 基于证据推理规则的双传感器目标检测融合方法和系统 | |
Lim et al. | Temporal early exiting with confidence calibration for driver identification based on driving sensing data | |
CN113591780A (zh) | 一种驾驶员行车风险鉴定方法及系统 | |
EP3654246B1 (en) | Method, vehicle, system, and storage medium for indicating anomalous vehicle scenario using encoder network and replay buffer | |
Adarsh et al. | Drowsiness Detection System in Real Time Based on Behavioral Characteristics of Driver using Machine Learning Approach | |
CN113454645B (zh) | 驾驶状态检测方法及装置、设备、存储介质、系统、车辆 |
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 |