CN118227510A - 自动导航辅助驾驶系统评价方法、设备和存储介质 - Google Patents
自动导航辅助驾驶系统评价方法、设备和存储介质 Download PDFInfo
- Publication number
- CN118227510A CN118227510A CN202410637183.1A CN202410637183A CN118227510A CN 118227510 A CN118227510 A CN 118227510A CN 202410637183 A CN202410637183 A CN 202410637183A CN 118227510 A CN118227510 A CN 118227510A
- Authority
- CN
- China
- Prior art keywords
- data
- determining
- score
- evaluation value
- evaluation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 147
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 62
- 238000005457 optimization Methods 0.000 claims abstract description 39
- 238000012706 support-vector machine Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 67
- 230000008859 change Effects 0.000 claims description 30
- 238000009499 grossing Methods 0.000 claims description 8
- 230000007423 decrease Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 7
- 238000011158 quantitative evaluation Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 20
- 238000004458 analytical method Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000005314 correlation function Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000035484 reaction time Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3604—Software analysis for verifying properties of programs
- G06F11/3616—Software analysis for verifying properties of programs using software metrics
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2453—Classification techniques relating to the decision surface non-linear, e.g. polynomial classifier
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Nonlinear Science (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域,公开了一种自动导航辅助驾驶系统评价方法、设备和存储介质。该方法根据待评价系统的自动驾驶导航功能和运行边界,确定各评价指标的关联数据项,收集关联数据,进而基于支持向量机模型对操作数据进行分类,得到风险水平,确定安全性评价值,并对路径优化率和节省时间进行核密度估计,确定效率评价值,并根据自回归模型预测未来的故障趋势,结合模型预测准确性确定可靠性评价值,并根据用户反馈信息确定用户满意度评价值,最后综合安全性、效率、可靠性和用户满意度确定安全等级和性能等级,实现了对系统的定量化评价,可帮助判断系统是否需要优化,实现了对系统的全面评价,提高评价精度。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种自动导航辅助驾驶系统评价方法、设备和存储介质。
背景技术
自动导航辅助驾驶(Navigate on Autopilot,即NOA)系统具有广阔的发展前景,是自动驾驶技术在商业领域的重要市场。该技术的典型应用是在高速公路等道路上实现车辆的自主导航和控制,包括自动调节车速、自动变道超车、自动进出匝道等功能。它能显著提高道路的运输效率和通行能力,减少交通事故概率,并为驾驶员提供更舒适的驾驶体验。
NOA系统的安全性也受到越来越广泛的关注。在自动导航驾驶中,车辆需要与其他车辆和道路环境进行复杂的互动,同时必须确保系统的可靠性和安全性,以防止潜在的风险和事故发生。
当前的安全评价方法主要依赖于主观经验和定性分析,缺乏定量化的评价框架。现有评价方法在全面评估NOA系统的性能时缺乏足够的泛化能力,难以适应不同的使用场景和运行条件;同时,在处理多维度数据及其动态变化方面存在明显不足,难以全面捕捉和分析系统性能的多方面特征;另外,现有评价方法未能充分反映系统的实际表现和用户体验。
有鉴于此,特提出本发明。
发明内容
为了解决上述技术问题,本发明提供了一种自动导航辅助驾驶系统评价方法、设备和存储介质,通过融合系统性能的多种特征,实现了对NOA系统的全面评价,显著增强了评价方法的适用范围和泛化能力,并实现对实时检测的用户满意度以及效率指标的准确分析,提升了评价方法的综合性和适应性,使得评价结果能够准确反映系统的实际表现和用户体验。
本发明实施例提供了一种自动导航辅助驾驶系统评价方法,该方法包括:
基于待评价系统的自动驾驶导航功能和运行边界,确定各评价指标的关联数据项,并根据关联数据项收集所述待评价系统的关联数据;
基于训练好的支持向量机模型对所述关联数据中的所有操作数据进行分类,得到各操作数据的风险水平,并基于各操作数据的风险水平确定安全性评价值;
对所述关联数据中的路径优化率和节省时间进行核密度估计,得到概率密度函数,并基于概率密度函数中的峰值确定效率评价值;
基于训练好的自回归模型对所述关联数据中的历史故障数据进行预测,得到未来的故障趋势,基于所述故障趋势和所述自回归模型的预测准确性确定可靠性评价值;
基于所述关联数据中的用户反馈信息确定满意度变化趋势,基于所述满意度变化趋势确定用户满意度评价值;
基于所述安全性评价值、所述效率评价值、所述可靠性评价值和所述用户满意度评价值确定综合评价结果,并根据所述综合评价结果确定所述待评价系统的安全等级与性能等级。
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自动导航辅助驾驶系统评价方法的步骤。
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自动导航辅助驾驶系统评价方法的步骤。
本发明实施例具有以下技术效果:
首先根据待评价系统的自动驾驶导航功能和运行边界,确定各评价指标的关联数据项,通过关联数据项收集关联数据,进而基于训练好的支持向量机模型对其中的所有操作数据进行分类,得到各操作数据的风险水平,确定安全性评价值,并对路径优化率和节省时间进行核密度估计,得到概率密度函数,结合其中的峰值确定效率评价值,并根据训练好的自回归模型预测历史故障数据,得到未来的故障趋势,结合自回归模型的预测准确性确定可靠性评价值,并根据用户反馈信息确定满意度变化趋势,得到用户满意度评价值,最后综合安全性评价值、效率评价值、可靠性评价值和用户满意度评价值,确定待评价系统的安全等级和性能等级,实现了对NOA系统的定量化评价,可帮助判断NOA系统是否需要优化,该方法通过融合系统性能的多种特征,实现了对NOA系统的全面评价,显著增强了评价方法的适用范围和泛化能力,并且,通过对实时检测的用户满意度与效率指标进行准确分析,提升了评价方法的综合性和适应性,使得评价结果能够准确反映系统的实际表现和用户体验,此外,该方法采用支持向量机与自回归模型,对关键性能指标进行深入分析与预测,可以进一步提高评价精度。
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自动导航辅助驾驶系统评价方法的流程图;
图2是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自动导航辅助驾驶系统评价方法,主要适用于对自动导航辅助驾驶系统进行评价,以确定待评价系统的安全等级与性能等级,进而便于判断系统是否需要优化的情况。本发明实施例提供的自动导航辅助驾驶系统评价方法可以由计算机或整车控制器等电子设备执行。
图1是本发明实施例提供的一种自动导航辅助驾驶系统评价方法的流程图。参见图1,该自动导航辅助驾驶系统评价方法具体包括:
S110、基于待评价系统的自动驾驶导航功能和运行边界,确定各评价指标的关联数据项,并根据关联数据项收集待评价系统的关联数据。
其中,待评价系统可以指待评价的NOA系统。具体的,可以先确定待评价系统的自动驾驶导航功能和运行边界(Operational Design Domain,ODD)。
其中,可以根据待评价系统的运行功能定义,确定待评价系统的自动驾驶导航功能,得到的信息辅助类别下的功能可以是:驾驶员状态检测、车道偏离预警等,控制辅助类别下的功能可以是:自动紧急制动、自动紧急转向、车道保持辅助、智能限速控制、自适应巡航控制等,以及,其他类别下的功能可以是:驾驶员接管、最小风险策略等。如表1所示,示例性的展示了NOA系统的各自动驾驶导航功能、以及各功能下的运行机理与说明。
表1 NOA系统的自动驾驶导航功能及描述
此外,还可以确定待评价系统的运行边界,运行边界(即运行设计域)即为自动驾驶车辆被设计和预期安全运行的环境条件、道路类型、交通流量、天气状况等的集合。运行边界定义了自动驾驶车辆可以安全操作的边界,是待评价系统的自动驾驶导航功能和性能的前提条件。
具体的,可以通过整合待评价系统的各个自动驾驶导航功能所对应的运行机理,明确待评价系统运行域的整体条件,即运行边界,如表2所示,示例性的展示了NOA系统的运行域。
表2 NOA系统运行域
在本发明实施例中,可以将评价指标定义为安全性、效率、可靠性和用户满意度,以分别针对安全性、效率、可靠性和用户满意度,对待评价系统进行评价。
进一步的,可以通过待评价系统的自动驾驶导航功能和运行边界,研究待评价系统的预期功能、操作范围以及应用场景,确定各评价指标的关联数据项。
示例性的,安全性的关联数据项包括反应时间、刹车距离、事故率等,效率的关联数据项包括路径优化、节省时间、燃油经济性等,可靠性的关联数据项包括系统稳定性、故障率、维护周期等,用户满意度包括通过问卷调查等方法获取到的用户反馈信息。如表3所示,示例性的展示了NOA系统的评价指标。
表3 NOA系统的评价指标
进一步的,可以收集待评价系统的实际驾驶数据,其中,在收集实际驾驶数据时,可以根据关联数据项,收集待评价系统驾驶过程中产生的实验数据、用户反馈、系统日志等相关数据,得到与关联数据项所对应的关联数据。其中,关联数据可以包括操作数据、路径优化率、节省时间、历史故障数据以及用户反馈信息。
在收集到待评价系统的关联数据之后,可以对收集到的关联数据进行预处理。具体的,假设代表收集的关联数据,其中每个/>是一个多维数据点,代表不同的性能指标。
首先,对于所有关联数据,可以进行数据清洗,去除异常值操作。定义异常值识别函数/>,如果/>是异常值,则/>,否则/>。/>可以基于Z-Score方法设置阈值T来识别异常值:
;
其中,为第i个数据,/>为/>对应的Z-Score,/>和/>分别是关联数据中的均值和标准差,阈值T代表数据的偏离程度,通常为2或3,此时清洗后的关联数据为:
;
其次,清理后的数据还可以进行归一化处理,具体的,可以将数据进行最小-最大归一化:
;
其中,和/>分别是关联数据中的最小值和最大值,然后通过Z-Score标准化:
;
其中,和/>分别是清洗后的关联数据/>中的均值和标准差。通过上述过程,收集到的关联数据/>经过清洗和归一化处理后,转换成适合进一步分析和建模的数据/>。这个过程可以确保关联数据的质量和一致性,为后续的性能评价提供数据保证。
S120、基于训练好的支持向量机模型对关联数据中的所有操作数据进行分类,得到各操作数据的风险水平,并基于各操作数据的风险水平确定安全性评价值。
其中,支持向量机模型可以预先通过样本数据集训练得到。具体的,支持向量机模型可以在特征空间中寻找分割平面,最大化不同类别数据点之间的边距,以识别出高风险和低风险的操作模式。可以将支持向量机模型定义为:
;
其中,是权重向量,b 是偏置项,/>是输入特征向量(如反应时间、刹车距离等)。目标函数可以设计为:
;
其中,是松弛变量,表示数据点/>距离边距的违背程度,/>是正则化参数,用于控制分类间隔和分类错误之间的权衡。考虑到驾驶数据一般是非线性可分的数据,即正例和负例不能被一个超平面完全分开,此时需要使用非线性分类器或者将数据映射到高维空间。
因此,在本发明实施例中,在处理非线性可分的操作数据时,通过核技巧(KernelTrick)将数据映射到高维空间,在低维空间中计算两个样本之间的内积,避免了显式地进行高维空间的计算。核函数定义为径向基函数(RBF)核:
;
其中,是核函数的参数。对于新输入特征向量x,SVM模型的决策函数定义为:
;
其中,是符号函数,根据f(x)的正负判断分类(“+1”代表低风险,“-1”代表高风险)。
具体的,可以利用训练好的支持向量机模型对待评价系统的所有操作数据(包括反应时间和刹车距离)进行分类,以分别识别各个操作数据的风险水平。其中,风险水平可以反映操作数据的安全性。
进一步的,可以根据各个操作数据的风险水平计算待评价系统的安全性评价值。示例性的,可以根据所有操作数据中,低风险水平的操作数据的出现频次或高风险水平的操作数据的出现频次,确定安全性评价值,如,高风险水平的操作数据的出现频次越高,安全性评价值越低。
在一种具体的实施方式中,基于各操作数据的风险水平确定安全性评价值,包括如下步骤:
步骤11、针对低风险水平的各操作数据,基于操作数据与分类边界之间的距离确定操作数据的评分,以在距离近的情况下降低操作数据的评分;
步骤12、针对高风险水平的各操作数据,基于操作数据与分类边界之间的距离确定操作数据的评分,以在距离远的情况下降低操作数据的评分;
步骤13、根据所有低风险水平的操作数据的评分,以及各操作数据对应的权重,确定低风险评分总和,并根据所有高风险水平的操作数据的评分,以及各操作数据对应的权重,确定高风险评分总和;
步骤14、基于低风险评分总和以及高风险评分总和确定安全性评价值。
在上述步骤11中,可以针对低风险水平的每个操作数据,基于其与分类边界之间的距离确定对应的评分,低风险水平的操作数据与分类边界之间的距离越小,表示操作数据越接近高风险水平,进而可以为操作数据赋予更低的评分。例如,可以预先拟合边界距离与评分之间的正相关函数,正相关函数用于在边界距离近的情况下降低操作数据的评分,进而将边界距离代入至正相关函数,得到对应的评分。
在上述步骤12中,可以针对高风险水平的每个操作数据,基于其与分类边界之间的距离确定对应的评分,高风险水平的操作数据与分类边界之间的距离越小,表示操作数据越接近低风险水平,进而可以为操作数据赋予更高的评分。例如,可以预先拟合边界距离与评分之间的负相关函数,负相关函数用于在边界距离近的情况下提高操作数据的评分,进而将边界距离代入至负相关函数,得到对应的评分。
进一步的,在步骤13中,可以根据所有低风险水平的操作数据的评分,以及各操作数据对应的权重,计算低风险评分总和,如下式所示:
;
式中,L为低风险评分总和,n为低风险水平的操作数据的数量,为第i个低风险水平操作数据对应的评分,/>为第i个低风险水平操作数据对应的权重,各操作数据对应的权重可以是预先设置的。
并且,在步骤13中,还可以根据所有高风险水平的操作数据的评分,以及各操作数据对应的权重,计算高风险评分总和,如下式所示:
;
式中,H为高风险评分总和,m为高风险水平的操作数据的数量,为第j个高风险水平操作数据对应的评分,/>为第j个高风险水平操作数据对应的权重,各操作数据对应的权重可以是预先设置的。
进一步的,在步骤14中,可以将低风险评分总和与高风险评分总和相加,得到安全性评价值:
;
式中,为安全性评价值。
上述步骤11-步骤14,通过操作数据与分类边界之间的距离确定操作数据的评分,以针对低风险水平的操作数据,在距离近的情况下降低操作数据的评分,针对高风险水平的操作数据,在距离近的情况下提高操作数据的评分,实现了基于操作数据的风险程度的安全性评估,能够结合待评价系统的反应时间、刹车距离的风险程度,准确对系统的安全性进行评估,有效提高了安全性评价的准确性。
S130、对关联数据中的路径优化率和节省时间进行核密度估计,得到概率密度函数,并基于概率密度函数中的峰值确定效率评价值。
其中,路径优化率可以指待评价系统优化车辆行驶路径的概率,例如,可以通过判断车辆的初始规划路径与实际行驶路径是否相同,来确定待评价系统是否优化车辆行驶路径,进而通过待评价系统优化车辆行驶路径的频次确定路径优化率。
其中,节省时间可以指待评价系统通过优化车辆行驶路径所节省的行驶时间。例如,可以基于初始规划路径所对应的预计行驶时间,以及,优化行驶路径所对应的实际行驶时间,计算节省时间。
在本发明实施例中,可以使用核密度估计确定路径优化率的概率密度分布,得到路径优化率的概率密度函数,并使用核密度估计确定节省时间的概率密度分布,得到节省时间的概率密度函数。通过分析概率密度函数,了解系统效率指标的分布特征和可能的优化方向。
给定一组独立同分布的样本数据,核密度估计可以表示为:
;
式中,是核函数,n为样本数量,/>是带宽参数,用于控制估计的平滑度,带宽/>的选择对核密度估计的结果影响大,太小的带宽会导致过拟合,而太大的带宽则会导致欠拟合,通常带宽可以通过交叉验证等方法自动选择。由于高斯核平滑且在数学处理上方便,此处核函数选择高斯核:
;
式中,表示均值。
在一种具体的实施方式中,对关联数据中的路径优化率和节省时间进行核密度估计,得到概率密度函数,包括如下步骤:
步骤21、基于关联数据中路径优化率的数据量、对应的带宽参数以及预设核函数,对关联数据中的路径优化率进行核密度估计,得到路径优化率的概率密度函数;
步骤22、基于关联数据中节省时间的数据量、对应的带宽参数以及预设核函数,对关联数据中的节省时间进行核密度估计,得到节省时间的概率密度函数。
在步骤21中,在使用核密度估计确定路径优化率的概率密度函数时,可以假设表示关联数据中的各个路径优化率,对路径优化率应用核密度估计:
;
式中,表示路径优化率的概率密度函数,/>为路径优化率的数量,/>为路径优化率的带宽。
在步骤22中,在使用核密度估计确定节省时间的概率密度函数时,可以假设表示关联数据中的各个节省时间,对节省时间应用核密度估计:
;
式中,表示节省时间的概率密度函数,/>为节省时间的数量,/>为节省时间的带宽。
通过分析和/>,可以了解路径优化率和节省时间的分布特征。分析结果可以指示效率指标的潜在优化方向。如果节省时间的分布具有长尾特性,则可能表明存在极端情况下的显著节省时间。通过这个过程,核密度估计提供了一种直观且有效的方式来分析和理解NOA系统效率指标的分布特征,从而为进一步的系统优化和决策提供了有价值的信息。
在得到路径优化率与节省时间的概率密度函数之后,进一步的,可以根据概率密度函数中的峰值,确定效率评价值。例如,若路径优化率或节省时间的分布中峰值位于预设的高效率区间内,则给予高分;若分布中峰值位于中等效率区间,则给予中等分值;若峰值位于低效率区间,给予较低分值。
在一种具体的实施方式中,基于概率密度函数中的峰值确定效率评价值,包括如下步骤:
步骤31、在各预设效率区间中,确定路径优化率的概率密度函数中峰值所在的第一效率区间,并确定节省时间的概率密度函数中峰值所在的第二效率区间;
步骤32、根据第一效率区间对应的效率评分以及第二效率区间对应的效率评分,确定效率评价值。
即,可以预先设置多个效率区间,并为每个预设效率区间分别设置对应的效率评分。进一步的,可以在所有预设效率区间中,查询路径优化率的概率密度函数中峰值所在的区间,得到第一效率区间,并在所有预设效率区间中,查询节省时间的概率密度函数中峰值所在的区间,得到第二效率区间。
进一步的,可以将第一效率区间对应的效率评分与第二效率区间对应的效率评分结合,得到效率评价值。例如,效率评价值为:
;
式中,为效率评价值,/>、/>分别为路径优化率对应的权重和节省时间对应的权重,/>、/>分别为第一效率区间对应的效率评分(即基于核密度估计分析出的路径优化率对应的评分)和第二效率区间对应的效率评分(即基于核密度估计分析出的节省时间对应的评分)。
通过上述实施方式,可以实现基于概率密度函数中的峰值确定效率评价值,保证了对NOA系统进行效率评价的准确性。
S140、基于训练好的自回归模型对关联数据中的历史故障数据进行预测,得到未来的故障趋势,基于故障趋势和自回归模型的预测准确性确定可靠性评价值。
其中,自回归模型可以预先通过样本数据集训练得到。自回归模型是时间序列分析中的一种模型,用来描述一个变量与其自身过去值之间的关系,在本发明实施例中,可以用于预测未来的故障率。
具体的,对于一个时间序列,一个阶数为p的自回归模型可以表示为:
;
其中,是模型参数,/>是白噪声项。自回归模型的参数/>通过最小化预测误差的方法估计,此处可以使用最小二乘法:
;
其中,n 是时间序列的总长度。一旦估计出自回归模型的参数,就可以使用该自回归模型来预测未来的故障率。对于下一个时间点t+1,故障预测可以表示为:
;
式中,p为在预测未来的故障趋势的过程中,所使用的历史时间点的数量,为下一时刻(即未来)的故障率。
在通过自回归模型得到未来的故障率之后,可以结合历史故障数据以及未来的故障率,确定未来的故障趋势,即故障率上升、故障率下降或故障率稳定。
进一步的,可以根据未来的故障趋势,以及自回归模型的预测准确性,确定可靠性评价值。例如,若预测准确性高,并且未来的故障趋势为故障率稳定或故障率下降,则提高可靠性评价值,如果预测准确性低,或者,未来的故障趋势为故障率上升,则降低可靠性评价值。
在一种具体的实施方式中,基于故障趋势和自回归模型的预测准确性确定可靠性评价值,包括如下步骤:
步骤41、若故障趋势为故障率稳定或故障率下降,则将预设第一评分确定为故障评分,否则,将预设第二评分确定为故障评分,其中,预设第一评分高于预设第二评分;
步骤42、基于自回归模型的预测均方误差和预测均方根误差、以及故障评分,确定可靠性评价值。
在上述步骤41中,若故障趋势为故障率稳定或故障率下降,则将预设第一评分作为故障评分,否则,将低于预设第一评分的预设第二评分作为故障评分。需要说明的是,还可以结合故障率的变化幅度确定故障评分,例如,若故障趋势为故障率下降,故障率的变化幅度越大,则故障评分越高。
进一步的,在上述步骤42中,可以通过自回归模型的预测均方误差和预测均方根误差,描述自回归模型的预测准确性,并结合预测准确性和故障评分,得到可靠性评分值:
;
式中,为可靠性评分值,MSE为预测均方误差,RMSE为预测均方根误差,TrendScore是根据故障趋势的正负和幅度给出的评分,/>、/>、/>为权重因子,可以根据预测准确性和故障趋势的重要性来设定。
通过上述步骤41-步骤42,可以结合待评价系统的故障趋势以及预测故障趋势的准确性,对待评价系统的可靠性进行评估,能够准确衡量待评价系统的稳定性,保证对NOA系统的评价准确性。
S150、基于关联数据中的用户反馈信息确定满意度变化趋势,基于满意度变化趋势确定用户满意度评价值。
其中,用户反馈信息可以是通过在线调差或应用反馈机制所收集到的数据,包括用户的满意度评分。在本发明实施例中,可以通过时间序列分析方法,追踪用户满意度的长期变化。
设 表示在时间点 t 的用户满意度评分(即用户反馈信息),可以通过在线调查或应用内反馈机制获得用户满意度数据集,可以表示为/>,其中n是总的反馈数量。
针对收集到的用户反馈信息,可以通过移动平均法或者指数平滑法,确定满意度变化趋势。
在一种具体的实施方式中,基于关联数据中的用户反馈信息确定满意度变化趋势,包括如下步骤:
步骤51、针对关联数据中每一个时间点的用户反馈信息,基于时间点的用户反馈信息以及位于时间点之前的用户反馈信息,确定时间点的平均满意度;
步骤52、基于各时间点的平均满意度确定满意度变化趋势。
在上述步骤51中,针对用户反馈信息,可以应用移动平均:
;
式中,为t时间点的平均满意度,m是移动平均的时间窗口大小,表示考虑过去m个时间点的平均满意度,/>为在t时间点之前(包括t时间点)的第i个时间点的用户反馈信息。
进一步的,在上述步骤52中,可以将相邻的各时间点的平均满意度进行比较,得到满意度变化趋势,即用户满意度随时间的变化趋势,如,满意度稳定上升、满意度稳定下降或满意度波动。
通过上述步骤51-步骤52,实现了基于移动平均的用户满意度分析,能够对动态变化的用户满意度进行准确分析,结合长期的数据全面分析用户对NOA系统的满意度变化情况,保证了对NOA系统用户满意度的评价准确性。
在另一种具体的实施方式中,基于关联数据中的用户反馈信息确定满意度变化趋势,包括如下步骤:
步骤61、针对关联数据中每一个时间点的用户反馈信息,基于时间点的用户反馈信息、时间点对应的权重、前一个时间点的满意度平滑值以及前一个时间点对应的权重,确定时间点的满意度平滑值;
步骤62、基于各时间点的满意度平滑值确定满意度变化趋势。
在上述步骤61中,针对用户反馈信息,可以应用指数平滑:
;
式中,为t时间点的满意度平滑值,/>为t时间点的用户反馈信息,/>为t-1时间点的满意度平滑值,/>是平滑参数。
进一步的,在上述步骤62中,可以根据对相邻时间点的满意度平滑值进行比较,得到满意度变化趋势,即用户满意度随时间的变化趋势,如,满意度稳定上升、满意度稳定下降或满意度波动。
通过上述步骤61-步骤62,实现了基于指数平滑的用户满意度分析,可以对近期的数据给予更高的权重,能够对动态变化的用户满意度进行准确分析,结合长期的数据全面分析用户对NOA系统的满意度变化情况,保证了对NOA系统用户满意度的评价准确性。
在确定出满意度变化趋势之后,进一步的,可以通过满意度变化趋势确定用户满意度评价值。示例性的,若满意度变化趋势为满意度稳定上升,则将第一预设值作为用户满意度评价值,若满意度变化趋势为满意度稳定下降或满意度波动,则将第二预设值作为用户满意度评价值,其中第二预设值低于第一预设值。
又或者,可以对异常波动进行识别和评分,大的波动可能指示待评价系统出现系统性问题或事件影响,需要特别关注,因此,可以综合考虑趋势和波动,基于满意度变化趋势确定趋势分和稳定性分,进而根据趋势分和稳定性分得到用户满意度评价值,如:
;
式中,为用户满意度评价值,/>、/>是权重因子,可以根据趋势分/>和稳定性分/>的相对重要性进行设定。其中,趋势下降幅度越大,则趋势分越低,趋势上升幅度越大,则趋势分越高,波动程度越大,则稳定性分越低,波动程度越小,则稳定性分越高。
S160、基于安全性评价值、效率评价值、可靠性评价值和用户满意度评价值确定综合评价结果,并根据综合评价结果确定待评价系统的安全等级与性能等级。
在得到安全性评价值、效率评价值、可靠性评价值和用户满意度评价值之后,可以对安全性、效率、可靠性以及用户满意度进行结合,得到综合评价结果。
在本发明实施例中,可以通过安全性、效率、可靠性以及用户满意度分别对应的权重,对安全性评价值、效率评价值、可靠性评价值和用户满意度评价值进行加权,得到综合评价结果。
例如,设分别表示安全性、效率、可靠性和用户满意度的权重。权重可以由专家组根据每个指标的重要性和系统目标进行设定,满足条件/>。
示例性的,可以采用以下方法得到安全性、效率、可靠性和用户满意度的权重:首先,专家组根据其领域知识和经验对每个指标进行评估,并给出其对系统目标的贡献程度,这个过程可以通过专家讨论、专家调查或专家打分等方式。此外,通过对系统的整体目标进行分析,确定每个指标对于实现这些目标的重要性,包括考虑系统的关键需求、用户期望、市场竞争和组织战略等因素。还需要与系统的相关者(如用户、管理层、技术人员等)进行沟通和讨论,以了解他们对于各个指标的看法和优先级,从而确定指标的重要性和系统目标。
或者,还可以通过数学决策方法确定安全性、效率、可靠性和用户满意度的权重:通过使用决策方法,如层次分析法(Analytic Hierarchy Process,AHP)或权重分配法,来帮助确定指标的相对重要性。AHP用于确定多个指标之间的相对重要性。该方法通过对指标进行两两比较,构建一个层次结构,然后使用专家判断对每对指标的相对重要性进行打分。
在本发明实施例中,综合评价结果是基于安全性、效率、可靠性和用户满意度的权重,以及,安全性评价值、效率评价值、可靠性评价值和用户满意度评价值计算得到的。
在得到待评价系统的综合评价结果之后,可以通过综合评价结果确定待评价系统的安全等级和性能等级。
例如,可以预先设置高安全等级阈值和中安全等级阈值,并预先设置高性能等级阈值和中性能等级阈值。
若待评价系统的综合评价结果大于高安全等级阈值,则确定待评价系统的安全等级为高等级,若待评价系统的综合评价结果大于高性能等级阈值,则确定待评价系统的性能等级为高等级。
若待评价系统的综合评价结果位于高安全等级阈值与中安全等级阈值之间,则确定待评价系统的安全等级为中等级,若待评价系统的综合评价结果位于高性能等级阈值与中性能等级阈值之间,则确定待评价系统的性能等级为中等级。
若待评价系统的综合评价结果小于中安全等级阈值之间,则确定待评价系统的安全等级为低等级,若待评价系统的综合评价结果小于中性能等级阈值,则确定待评价系统的性能等级为低等级。
在得到待评价系统的安全等级与性能等级之后,还可以基于安全等级和性能等级,判断待评价系统是否需要优化,如,若安全等级不超过中等级,或者,性能等级为低等级,则确定待评价系统需要优化,进一步的,若待评价系统需要优化,则可以生成优化提示信息,并将优化提示信息发送至与该待评价系统关联的用户终端上。
除此之外,还可以对批量NOA系统进行评价,确定各个NOA系统的安全等级与性能等级,进而基于各个NOA系统的安全等级与性能等级,从中筛选出待优化的NOA系统。进一步的,还可以针对筛选出的各个待优化的NOA系统,基于安全等级与性能等级,确定各系统优化的优先级。
在本发明实施例中,考虑到在对待评价系统进行实验的过程中,可以不断收集待评价系统的关联数据,因此,还可以结合实时收集到的数据持续优化支持向量机模型和自回归模型等。
可选的,本发明实施例提供的方法还包括:
收集新的关联数据;基于新的关联数据中的操作数据对支持向量机模型进行更新,并基于新的关联数据中的历史故障数据对自回归模型进行更新。
即,可以根据新的关联数据中的操作数据,对支持向量机模型进行更新训练,并基于新的关联数据中的历史故障数据对自回归模型进行更新更新训练,以持续优化支持向量机模型和自回归模型,确保支持向量机模型和自回归模型的适应性和有效性。
此外,还可以结合新的关联数据,持续优化整个自动导航辅助驾驶系统评价方法中涉及到的权重。
本发明具有以下技术效果:首先根据待评价系统的自动驾驶导航功能和运行边界,确定各评价指标的关联数据项,通过关联数据项收集关联数据,进而基于训练好的支持向量机模型对其中的所有操作数据进行分类,得到各操作数据的风险水平,确定安全性评价值,并对路径优化率和节省时间进行核密度估计,得到概率密度函数,结合其中的峰值确定效率评价值,并根据训练好的自回归模型预测历史故障数据,得到未来的故障趋势,结合自回归模型的预测准确性确定可靠性评价值,并根据用户反馈信息确定满意度变化趋势,得到用户满意度评价值,最后综合安全性评价值、效率评价值、可靠性评价值和用户满意度评价值,确定待评价系统的安全等级和性能等级,实现了对NOA系统的定量化评价,可帮助判断NOA系统是否需要优化,该方法通过融合系统性能的多种特征,实现了对NOA系统的全面评价,显著增强了评价方法的适用范围和泛化能力,并且,通过对实时检测的用户满意度与效率指标进行准确分析,提升了评价方法的综合性和适应性,使得评价结果能够准确反映系统的实际表现和用户体验,此外,该方法采用支持向量机与自回归模型,对关键性能指标进行深入分析与预测,可以进一步提高评价精度。
本发明实施例提供的方法,具备以下有益效果:
(1)针对NOA系统安全性能和可靠性评价的不足与不精确性问题,该方法提出了采用支持向量机和自回归模型等统计与机器学习技术,实现对这些关键性能指标的深入分析和预测,从而提高了评价的精度和前瞻性;
(2)针对用户满意度监测和效率指标分析的局限性问题,该方法引入了核密度估计和动态风险评估方法,实现对用户满意度的实时监测和效率指标的精确分析,提升了评价方法的综合性和适应性;
(3)针对现有NOA系统评价方法的泛化能力不足问题,该方法优化了综合评分算法,通过融合多种分析结果,实现了对NOA系统的全面评价,显著增强了评价方法的适用范围和实用价值。
图2是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自动导航辅助驾驶系统评价方法以及/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自动导航辅助驾驶系统评价方法的步骤。
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自动导航辅助驾驶系统评价方法的步骤。
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)
1.一种自动导航辅助驾驶系统评价方法,其特征在于,包括:
基于待评价系统的自动驾驶导航功能和运行边界,确定各评价指标的关联数据项,并根据关联数据项收集所述待评价系统的关联数据;
基于训练好的支持向量机模型对所述关联数据中的所有操作数据进行分类,得到各操作数据的风险水平,并基于各操作数据的风险水平确定安全性评价值;
对所述关联数据中的路径优化率和节省时间进行核密度估计,得到概率密度函数,并基于概率密度函数中的峰值确定效率评价值;
基于训练好的自回归模型对所述关联数据中的历史故障数据进行预测,得到未来的故障趋势,基于所述故障趋势和所述自回归模型的预测准确性确定可靠性评价值;
基于所述关联数据中的用户反馈信息确定满意度变化趋势,基于所述满意度变化趋势确定用户满意度评价值;
基于所述安全性评价值、所述效率评价值、所述可靠性评价值和所述用户满意度评价值确定综合评价结果,并根据所述综合评价结果确定所述待评价系统的安全等级与性能等级。
2.根据权利要求1所述的方法,其特征在于,基于各操作数据的风险水平确定安全性评价值,包括:
针对低风险水平的各操作数据,基于操作数据与分类边界之间的距离确定操作数据的评分,以在距离近的情况下降低操作数据的评分;
针对高风险水平的各操作数据,基于操作数据与分类边界之间的距离确定操作数据的评分,以在距离远的情况下降低操作数据的评分;
根据所有低风险水平的操作数据的评分,以及各操作数据对应的权重,确定低风险评分总和,并根据所有高风险水平的操作数据的评分,以及各操作数据对应的权重,确定高风险评分总和;
基于所述低风险评分总和以及所述高风险评分总和确定安全性评价值。
3.根据权利要求1所述的方法,其特征在于,对所述关联数据中的路径优化率和节省时间进行核密度估计,得到概率密度函数,包括:
基于所述关联数据中路径优化率的数据量、对应的带宽参数以及预设核函数,对所述关联数据中的路径优化率进行核密度估计,得到路径优化率的概率密度函数;
基于所述关联数据中节省时间的数据量、对应的带宽参数以及预设核函数,对所述关联数据中的节省时间进行核密度估计,得到节省时间的概率密度函数。
4.根据权利要求1所述的方法,其特征在于,基于概率密度函数中的峰值确定效率评价值,包括:
在各预设效率区间中,确定路径优化率的概率密度函数中峰值所在的第一效率区间,并确定节省时间的概率密度函数中峰值所在的第二效率区间;
根据第一效率区间对应的效率评分以及第二效率区间对应的效率评分,确定效率评价值。
5.根据权利要求1所述的方法,其特征在于,基于所述故障趋势和所述自回归模型的预测准确性确定可靠性评价值,包括:
若所述故障趋势为故障率稳定或故障率下降,则将预设第一评分确定为故障评分,否则,将预设第二评分确定为故障评分,其中,所述预设第一评分高于所述预设第二评分;
基于所述自回归模型的预测均方误差和预测均方根误差、以及所述故障评分,确定可靠性评价值。
6.根据权利要求1所述的方法,其特征在于,基于所述关联数据中的用户反馈信息确定满意度变化趋势,包括:
针对所述关联数据中每一个时间点的用户反馈信息,基于所述时间点的用户反馈信息以及位于所述时间点之前的用户反馈信息,确定所述时间点的平均满意度;
基于各时间点的平均满意度确定满意度变化趋势。
7.根据权利要求1所述的方法,其特征在于,基于所述关联数据中的用户反馈信息确定满意度变化趋势,包括:
针对所述关联数据中每一个时间点的用户反馈信息,基于所述时间点的用户反馈信息、所述时间点对应的权重、前一个时间点的满意度平滑值以及前一个时间点对应的权重,确定所述时间点的满意度平滑值;
基于各时间点的满意度平滑值确定满意度变化趋势。
8.根据权利要求1-7任一项所述的方法,其特征在于,所述方法还包括:
收集新的关联数据;
基于新的关联数据中的操作数据对所述支持向量机模型进行更新,并基于新的关联数据中的历史故障数据对所述自回归模型进行更新。
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任一项所述的自动导航辅助驾驶系统评价方法的步骤。
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任一项所述的自动导航辅助驾驶系统评价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410637183.1A CN118227510A (zh) | 2024-05-22 | 2024-05-22 | 自动导航辅助驾驶系统评价方法、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410637183.1A CN118227510A (zh) | 2024-05-22 | 2024-05-22 | 自动导航辅助驾驶系统评价方法、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118227510A true CN118227510A (zh) | 2024-06-21 |
Family
ID=91511416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410637183.1A Pending CN118227510A (zh) | 2024-05-22 | 2024-05-22 | 自动导航辅助驾驶系统评价方法、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118227510A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019174397A1 (zh) * | 2018-03-16 | 2019-09-19 | 华为技术有限公司 | 自动驾驶安全评估方法、装置和系统 |
CN111079800A (zh) * | 2019-11-29 | 2020-04-28 | 上海汽车集团股份有限公司 | 一种智能驾驶虚拟测试的加速方法及加速系统 |
KR102221316B1 (ko) * | 2019-12-26 | 2021-03-03 | 재단법인대구경북과학기술원 | 자율 주행 기술 평가 방법 및 장치 |
CN113487863A (zh) * | 2021-06-30 | 2021-10-08 | 中国科学技术大学先进技术研究院 | 一种多因素交通风险实时定量评估系统及方法 |
CN114529131A (zh) * | 2022-01-04 | 2022-05-24 | 武汉路特斯汽车有限公司 | 一种风险评估方法、装置、电子设备及存储介质 |
CN114692713A (zh) * | 2020-12-29 | 2022-07-01 | 郑州宇通客车股份有限公司 | 一种自动驾驶车辆的驾驶行为评价方法及装置 |
CN117215893A (zh) * | 2023-09-25 | 2023-12-12 | 博世华域转向系统(武汉)有限公司 | 基于深度强化学习的辅助驾驶功能性能评价方法 |
CN117668413A (zh) * | 2023-12-01 | 2024-03-08 | 清华大学 | 考虑多类行驶要素的自动驾驶综合决策评估方法及装置 |
-
2024
- 2024-05-22 CN CN202410637183.1A patent/CN118227510A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019174397A1 (zh) * | 2018-03-16 | 2019-09-19 | 华为技术有限公司 | 自动驾驶安全评估方法、装置和系统 |
CN111079800A (zh) * | 2019-11-29 | 2020-04-28 | 上海汽车集团股份有限公司 | 一种智能驾驶虚拟测试的加速方法及加速系统 |
KR102221316B1 (ko) * | 2019-12-26 | 2021-03-03 | 재단법인대구경북과학기술원 | 자율 주행 기술 평가 방법 및 장치 |
CN114692713A (zh) * | 2020-12-29 | 2022-07-01 | 郑州宇通客车股份有限公司 | 一种自动驾驶车辆的驾驶行为评价方法及装置 |
CN113487863A (zh) * | 2021-06-30 | 2021-10-08 | 中国科学技术大学先进技术研究院 | 一种多因素交通风险实时定量评估系统及方法 |
CN114529131A (zh) * | 2022-01-04 | 2022-05-24 | 武汉路特斯汽车有限公司 | 一种风险评估方法、装置、电子设备及存储介质 |
CN117215893A (zh) * | 2023-09-25 | 2023-12-12 | 博世华域转向系统(武汉)有限公司 | 基于深度强化学习的辅助驾驶功能性能评价方法 |
CN117668413A (zh) * | 2023-12-01 | 2024-03-08 | 清华大学 | 考虑多类行驶要素的自动驾驶综合决策评估方法及装置 |
Non-Patent Citations (2)
Title |
---|
刘普辉;李义顺;: "汽车驾驶性能客观表征与仿真分析", 中国工程机械学报, no. 04, 15 August 2017 (2017-08-15) * |
龚;李苏剑;刘启生;: "驾驶员分类的路径诱导系统及评价指标", 武汉理工大学学报, no. 01, 30 January 2013 (2013-01-30) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107909179A (zh) | 一种插电式混合动力车辆行驶工况的预测模型构建方法及车辆能量管理方法 | |
US11481707B2 (en) | Risk prediction system and operation method thereof | |
CN115169996B (zh) | 道路风险确定方法、设备和存储介质 | |
CN114021840A (zh) | 换道策略生成方法和装置、计算机存储介质、电子设备 | |
CN116822652A (zh) | 地铁故障预测方法、装置、电子设备、系统及存储介质 | |
CN116226787B (zh) | 商用车出险概率预测方法、设备和介质 | |
CN111523218A (zh) | 一种基于动态多目标进化的多目标参数优化方法 | |
CN110689140A (zh) | 一种通过大数据进行轨交报警数据智能管理的方法 | |
CN118227510A (zh) | 自动导航辅助驾驶系统评价方法、设备和存储介质 | |
Luo et al. | A prediction method based on improved ridge regression | |
Lughofer et al. | On-line redundancy elimination in evolving fuzzy regression models using a fuzzy inclusion measure | |
KR102470520B1 (ko) | 국제표준(sae j1739) 기반의 잠재적 고장 영향 분석 방법 | |
CN118035691B (zh) | 智能驾驶感知质量的量化评价方法、设备和存储介质 | |
Michelaraki et al. | Modelling the Safety Tolerance Zone: Recommendations from the i-DREAMS project | |
CN118037343B (zh) | 车辆置换概率确定方法、设备和介质 | |
KR20220098423A (ko) | 객체탐지모형을 적용한 주가등락 예측장치 | |
Li | Study on Early Warning on the Financial Risk of Project Venture Capital through a Neural Network Model | |
Yadav et al. | A method for generating membership function from numerical data | |
Mahajan | Real-time driving intention prediction and crash risk estimation from naturalistic driving data using machine learning | |
Shen | Short-time cab speed prediction model based on XGBoost | |
CN117633489B (zh) | 一种基于ai的车辆安全分析方法和系统 | |
Sarkar et al. | Revealed multi-objective utility aggregation in human driving | |
Min | Investigation of Casual Factors on Traffic Accidents Using Mutual Information | |
KR20230091763A (ko) | 세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치 | |
CN118194027A (zh) | 一种车辆能耗关联因素分析方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |