DE102022112060B3 - Scenario database for a method and a system for calibrating and validating a driver assistance system (ADAS) and/or an automated driving system (ADS) - Google Patents
Scenario database for a method and a system for calibrating and validating a driver assistance system (ADAS) and/or an automated driving system (ADS) Download PDFInfo
- Publication number
- DE102022112060B3 DE102022112060B3 DE102022112060.0A DE102022112060A DE102022112060B3 DE 102022112060 B3 DE102022112060 B3 DE 102022112060B3 DE 102022112060 A DE102022112060 A DE 102022112060A DE 102022112060 B3 DE102022112060 B3 DE 102022112060B3
- Authority
- DE
- Germany
- Prior art keywords
- scenario
- database
- parameters
- sensors
- parameterized
- 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 34
- 238000004088 simulation Methods 0.000 claims abstract description 73
- 238000013515 script Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims description 112
- 238000005259 measurement Methods 0.000 claims description 15
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000001556 precipitation Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 6
- 230000001939 inductive effect Effects 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 29
- 238000011156 evaluation Methods 0.000 description 28
- 238000010200 validation analysis Methods 0.000 description 13
- 230000006399 behavior Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 8
- 238000013461 design Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 4
- 238000002872 Statistical quality control Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000306 recurrent effect Effects 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
- 238000012876 topography Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06F11/3668—Software testing
- G06F11/3696—Methods or tools to render software testable
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
Abstract
Die Erfindung betrifft eine Szenariendatenbank (330) für die Durchführung eines Verfahren zur Kalibrierung und Validierung eines Fahrerassistenzsystems (ADAS) und/oder eines automatisierten Fahrsystems (ADS) und/oder einer Fahrfunktion für eine festgelegte Fahraufgabe in zumindest einem Szenario, wobei ein Szenario ein Verkehrsgeschehen in einer zeitlichen Sequenz darstellt und durch eine Auswahl von Szenarioparametern und zugehörigen Szenarioparameterwerten definiert ist, wobei die Szenariendatenbank (330) eine Datenbankstruktur mit einem tabellenbasierten relationalen Datenbankmodell für die Speicherung von Daten zu Szenarioparametern, maschinenlesbaren Skripten und weiteren Informationen verwendet, wobei das Datenbankmodell zumindest vier Spalten umfasst, wobei eine erste Spalte (332) zumindest für eine Bezeichnung eines Szenarioparameters und eine Bezeichnung des zugehörigen parametrisierten Szenarios vorgesehen ist, wobei eine zweite Spalte (333) zumindest für eine Parameterkategorie vorgesehen ist, wobei eine dritte Spalte (334) zumindest für einen Wertebereich eines Szenarioparameters wie einen Minimalwert und einen Maximalwert oder einen Standardwert vorgesehen ist, und wobei eine vierte Spalte (335) zumindest für Informationen über eine Implementierungsmethode für die Szenarioparameter in einer Simulation vorgesehen ist.The invention relates to a scenario database (330) for carrying out a method for calibrating and validating a driver assistance system (ADAS) and/or an automated driving system (ADS) and/or a driving function for a specified driving task in at least one scenario, one scenario involving a traffic event in a time sequence and is defined by a selection of scenario parameters and associated scenario parameter values, the scenario database (330) using a database structure with a table-based relational database model for storing data on scenario parameters, machine-readable scripts and other information, the database model having at least four Columns, with a first column (332) being provided at least for a designation of a scenario parameter and a designation of the associated parameterized scenario, with a second column (333) being provided at least for one parameter category, with a third column (334) being provided at least for one range of values of a scenario parameter such as a minimum value and a maximum value or a default value, and wherein a fourth column (335) is provided for at least information about an implementation method for the scenario parameters in a simulation.
Description
Die Erfindung betrifft eine Szenariendatenbank für ein Verfahren und ein System zur Kalibrierung und Validierung eines Fahrerassistenzsystems (ADAS) und/oder eines automatisierten Fahrsystems (ADS) und/oder einer Fahrfunktion für eine festgelegte Fahraufgabe in zumindest einem Szenario.The invention relates to a scenario database for a method and a system for calibrating and validating a driver assistance system (ADAS) and/or an automated driving system (ADS) and/or a driving function for a specified driving task in at least one scenario.
Moderne Fahrzeuge sind mit einer Vielzahl von Fahrassistenzsystemen bzw. automatisierten Fahrassistenzfunktionen ausgestattet, um den Fahrer beim Fahren zu unterstützen und seine Sicherheit zu erhöhen. Fahrassistenzsysteme unterstützen beispielsweise die Geschwindigkeits- und Abstandsregelung sowie Spurhalte- und Spurwechselfunktionen. Hierbei kann eine bestimmte maximale Geschwindigkeit eingestellt werden, die nicht überschritten wird, solange die Geschwindigkeitsbegrenzungsfunktion aktiviert ist. Für die Abstandsregelung, bei der ein bestimmter Abstand insbesondere zu einem vorausfahrenden Fahrzeug eingestellt wird, werden Radarsensoren, aber auch Kamerasysteme eingesetzt. Hierdurch kann der Abstand zu vorausfahrenden Fahrzeugen, aber auch zu Fahrzeugen im Seitenbereich überwacht werden. Dies führt zu einem verbesserten Fahrkomfort und einer höheren Sicherheit insbesondere bei Fahrten auf der Autobahn und bei Überholmanövern.Modern vehicles are equipped with a large number of driver assistance systems or automated driver assistance functions in order to support the driver when driving and to increase his safety. Driving assistance systems support, for example, speed and distance control as well as lane keeping and lane changing functions. A certain maximum speed can be set here, which will not be exceeded as long as the speed limit function is activated. Radar sensors, but also camera systems, are used for distance control, in which a specific distance is set, in particular from a vehicle driving ahead. This allows the distance to vehicles in front, but also to vehicles in the side area, to be monitored. This leads to improved driving comfort and greater safety, especially when driving on the freeway and when overtaking.
Dieser Trend zu Fahrerassistenzsystemen (engl. Advanced Driver Assistance System, ADAS), automatisierten Fahrsystemen (Automated Driving Systems, ADS) bei Kraftfahrzeugen, aber auch bei Luftfahrzeugen oder Wasserfahrzeugen erfordert jedoch umfangreiche Absicherungsstrategien, da die Verantwortung über die Fahrzeugführung nicht mehr uneingeschränkt beim Fahrer liegt, sondern aktive Funktionen von Rechnereinheiten übernommen werden. Daher muss sichergestellt werden, dass autonom sich bewegende Objekte nureine sehr geringere Fehlerrate beim Fahrverhalten aufweisen. Die Erkennung und Klassifizierung von Objekten und die Interpretation von Verkehrsszenarien im Umfeld eines Fahrzeugs sind wichtige Voraussetzungen für eine sichere Funktionsfähigkeit von ADAS/ADS. Hierfür ist das gezielte Testen und Trainieren der Fahrerassistenzsysteme und automatisierten Fahrsysteme sowohl mit Extrem- und Ausnahmesituationen (engl. Corner-Cases) als auch mit alltäglichen Situationen erforderlich. Derartige Extremsituationen ergeben sich durch eine besondere Kombination von verschiedenen Faktoren. Beispiele hierfür sind infrastrukturelle Besonderheiten wie beispielsweise der Straßentyp, die Randbebauung an einer Straße, die Qualität der Markierungen aber auch Umgebungsbedingungen wie beispielsweise Witterungsbedingungen, die Tages- und die Jahreszeit. Des Weiteren spielen das Verhalten der anderen Verkehrsteilnehmer, die geographische Topographie und die Wetterverhältnisse eine große Rolle.However, this trend towards driver assistance systems (Advanced Driver Assistance System, ADAS), automated driving systems (Automated Driving Systems, ADS) in motor vehicles, but also in aircraft or watercraft, requires extensive security strategies, since the responsibility for driving the vehicle no longer lies unrestrictedly with the driver , but active functions are taken over by computing units. It must therefore be ensured that autonomously moving objects only have a very low error rate in driving behavior. The recognition and classification of objects and the interpretation of traffic scenarios in the area surrounding a vehicle are important prerequisites for the secure functionality of ADAS/ADS. This requires targeted testing and training of the driver assistance systems and automated driving systems both with extreme and exceptional situations (corner cases) as well as with everyday situations. Such extreme situations result from a special combination of different factors. Examples of this are infrastructural features such as the type of road, the development on the side of a road, the quality of the markings, but also environmental conditions such as weather conditions, the time of day and the season. The behavior of other road users, the geographical topography and the weather conditions also play a major role.
Mit zunehmender Leistungsfähigkeit von Fahrerassistenzsystemen (ADAS) und automatisierten Fahrsystemen (ADS) steigt allerdings auch die Anzahl der Fahrszenarien, die von den Systemen im Straßenverkehr bewältigt werden müssen. Für die Sicherstellung eines sicheren, komfortablen und effizienten Verhaltens von ADAS/ADS durchlaufen daher einzelne Funktionen und das Gesamtsystem während der Fahrzeugentwicklung einen Kalibrierungs- und Validierungsprozess.However, with the increasing performance of driver assistance systems (ADAS) and automated driving systems (ADS), the number of driving scenarios that have to be managed by the systems in road traffic is also increasing. To ensure that ADAS/ADS behaves safely, comfortably and efficiently, individual functions and the entire system undergo a calibration and validation process during vehicle development.
Allerdings stellt eine solche Kalibrierung und Validierung auch eine große Herausforderung bei der Integration moderner ADAS/ADS in ein Fahrzeug dar aufgrund eines funktionalen Spezifikationsdefizits für Fahrassistenzsysteme. Während in der Automobilindustrie für konventionelle Systeme ein anforderungsbasierter Testprozess etabliert ist, bei dem Testfälle anhand von Testspezifikationen erstellt werden, fehlt dies bisher für ADAS/ADS, da im Gegensatz zu konventionellen Systemen eine wesentlich größere Anzahl von Einflussgrößen zu berücksichtigen ist, wie insbesondere die Fahrumgebung, die mittels Sensoren erfasst wird. Die Menge von Szenarien, die in der Fahrumgebung des Fahrzeugs auftreten können und die von ADAS/ADS korrekt erkannt und verarbeitet werden müssen, wird durch eine Operational Design Domain (ODD) dargestellt. Dazu gehören sowohl alltägliche Fahrszenarien als auch sehr selten auftretende Corner Cases. Um ein ADAS/ADS mit konventionellen Methoden zu testen, zu kalibrieren und zu validieren, müsste die gesamte ODD für ein ADAS/ADS erfasst und in einem Anforderungskatalog dokumentiert werden. Dies ist aufgrund der Komplexität der Fahrumgebung und der daraus resultierenden großen Anzahl von Fahrszenarien nicht möglich. Dieses Problem wird als funktionales Spezifikationsdefizit bezeichnet. Es erschwert sowohl den Kalibrierungs- als auch den Validierungsprozess von ADAS/ADS und erfordert alternative Ansätze zu den bestehenden Methoden.However, such a calibration and validation also poses a major challenge when integrating modern ADAS/ADS into a vehicle due to a functional specification deficit for driver assistance systems. While a requirements-based test process has been established for conventional systems in the automotive industry, in which test cases are created using test specifications, this has so far been lacking for ADAS/ADS, since in contrast to conventional systems, a significantly larger number of influencing variables have to be taken into account, such as the driving environment in particular , which is detected by sensors. The set of scenarios that can occur in the driving environment of the vehicle and that must be correctly recognized and processed by ADAS/ADS is represented by an Operational Design Domain (ODD). This includes everyday driving scenarios as well as very rare corner cases. In order to test, calibrate and validate an ADAS/ADS using conventional methods, the entire ODD for an ADAS/ADS would have to be recorded and documented in a requirements catalogue. This is not possible due to the complexity of the driving environment and the resulting large number of driving scenarios. This problem is known as a functional specification deficit. It complicates both the ADAS/ADS calibration and validation process and requires alternative approaches to the existing methods.
Aufgrund der Herausforderungen bei der Kalibrierung und Validierung von ADAS/ADS werden neben den bekannten Methoden daher neue Ansätze benötigt, um den Fahrzeugentwicklungsprozess mit vertretbarem Aufwand und akzeptablen Kosten durchzuführen. Es ist daher erstrebenswert, zunehmend virtuelle Verfahren zur Simulation der Kalibrierung und Validierung von ADAS/ADS zu verwenden und diese virtuelle Simulationsverfahren in einer Weise zu gestalten, dass eine objektive Vergleichbarkeit von verschiedenen ADAS/ADS-Systemen mit sich unterscheidenden Funktionalitäten hinsichtlich der Leistungsfähigkeit und Sicherheit möglich ist. Die Herausforderungen ergeben sich insbesondere durch die Vielzahl an Szenarien, die eingesetzten Simulationsverfahren und die Auswahl von passenden Metriken zur Bewertung der Simulationsergebnisse.Due to the challenges in the calibration and validation of ADAS/ADS, new approaches are needed in addition to the known methods in order to carry out the vehicle development process with justifiable effort and acceptable costs. It is therefore desirable to increasingly use virtual methods to simulate the calibration and validation of ADAS/ADS and to design these virtual simulation methods in such a way that an objective comparability of different ADAS/ADS systems with different functionalities in terms of performance and security is possible. The challenges arise in particular from the large number of scenarios that simulation methods used and the selection of suitable metrics for evaluating the simulation results.
Zudem stellt ein Szenario ein maschinenlesbare Datenobjekt dar, das eine Vielzahl von Merkmalen und Eigenschaften umfasst. Bisher werden diese Daten in einer Datenbank sehr unstrukturiert gespeichert, so dass es häufig schwierig ist, das passende Szenario aus der Vielzahl von gespeicherten Szenarien gezielt auszuwählen und die für eine virtuelle Kalibrierung und Validierung von ADAS/ADS notwendigen Informationen zu einem Szenario in der Datenbank aufzufinden.In addition, a scenario represents a machine-readable data object that includes a large number of characteristics and properties. So far, this data has been stored in a database in a very unstructured manner, so that it is often difficult to specifically select the appropriate scenario from the large number of stored scenarios and to find the information about a scenario in the database that is necessary for a virtual calibration and validation of ADAS/ADS .
Die
Die
Die
Die
Die
Die der Erfindung zu Grunde liegende Aufgabe besteht nun darin, eine Datenbankstruktur für Szenarien zur virtuellen Kalibrierung und Validierung eines Fahrerassistenzsystems (ADAS) und/oder eines automatisierten Fahrsystems (ADS) anzugeben, so dass der Kalibrierungs- und Validierungsprozess weniger Zeit benötigt und mit einer verbesserten Effizienz durchgeführt werden kann, um die Sicherheit von ADAS/ADS zu erhöhen und Ressourcen sowie Kosten einsparen zu können.The object on which the invention is based is now to specify a database structure for scenarios for virtual calibration and validation of a driver assistance system (ADAS) and/or an automated driving system (ADS), so that the calibration and validation process requires less time and with an improved efficiency can be carried out in order to increase the security of ADAS/ADS and to be able to save resources and costs.
Diese Aufgabe wird hinsichtlich einer Szenariendatenbank für ein Verfahren durch die Merkmale des Patentanspruchs 1 und hinsichtlich einer Szenariendatenbank für ein System durch die Merkmale des Patentanspruchs 8 erfindungsgemäß gelöst. Die weiteren Ansprüche betreffen bevorzugte Ausgestaltungen der Erfindung.This object is achieved according to the invention with regard to a scenario database for a method by the features of patent claim 1 and with regard to a scenario database for a system by the features of patent claim 8 . The further claims relate to preferred embodiments of the invention.
Durch eine erfindungsgemäße optimierte Datenbankstruktur einer Datenbank für Szenarien wird die Effizienz und Sicherheit von Kalibrierungs- und Validierungsaufgaben für ADAS/ADS verbessert.The efficiency and security of calibration and validation tasks for ADAS/ADS is improved by an optimized database structure according to the invention of a database for scenarios.
Gemäß einem ersten Aspekt stellt die Erfindung eine Szenariendatenbank für die Durchführung eines Verfahrens zur Kalibrierung und Validierung eines Fahrerassistenzsystems (ADAS) und/oder eines automatisierten Fahrsystems (ADS) und/oder einer Fahrfunktion für eine festgelegte Fahraufgabe in zumindest einem Szenario bereit. Ein Szenario stellt ein Verkehrsgeschehen in einer zeitlichen Sequenz dar und ist durch eine Auswahl von Szenarioparametern und zugehörigen Szenarioparameterwerten definiert ist, und wobei bei einem parametrisierten Szenario die Szenarioparameter und zugehörigen Szenarioparameterwerte frei wählbar sind, und bei einem konkreten Szenario die konkreten Szenarioparameter und zugehörigen konkreten Szenarioparameterwerte festgelegt sind. Die Szenariendatenbank verwendet eine Datenbankstruktur mit einem tabellenbasierten relationalen Datenbankmodell für die Speicherung von Daten zu Szenarioparametern, maschinenlesbaren Skripten und weiteren Informationen, wobei das Datenbankmodell zumindest vier Spalten umfasst, wobei eine erste Spalte zumindest für eine Bezeichnung eines Szenarioparameters und eine Bezeichnung des zugehörigen parametrisierten Szenarios vorgesehen ist, wobei eine zweite Spalte zumindest für eine Parameterkategorie vorgesehen ist, wobei eine dritte Spalte zumindest für einen Wertebereich eines Szenarioparameters wie einen Minimalwert und einen Maximalwert oder einen Standardwert vorgesehen ist, und wobei eine vierte Spalte zumindest für Informationen über eine Implementierungsmethode für die Szenarioparameter in einer Simulation vorgesehen ist.According to a first aspect, the invention provides a scenario database for performing a method for calibrating and validating a driver assistance system (ADAS) and/or an automated driving system (ADS) and/or a driving function for a specified driving task in at least one scenario. A scenario represents traffic events in a time sequence and is defined by a selection of scenario parameters and associated scenario parameter values, and with a parameterized scenario the scenario parameters and associated scenario parameter values can be freely selected, and in a concrete scenario the concrete scenario parameters and associated concrete scenario parameter values are fixed. The scenario database uses a database structure with a table-based relational database model for storing data on scenario parameters, machine-readable scripts and other information, the database model comprising at least four columns, with a first column being provided at least for a description of a scenario parameter and a description of the associated parameterized scenario is provided, wherein a second column is provided at least for a parameter category, wherein a third column is provided at least for a value range of a scenario parameter such as a minimum value and a maximum value or a default value, and wherein a fourth column is provided at least for information about an implementation method for the scenario parameters in a simulation is provided.
In einer vorteilhaften Weiterbildung ist/sind eine fünfte Spalte für eine Speicherung von dynamischen Labels zur Kennzeichnung von parametrisierten Szenarien, Szenarioparametern und/oder Gruppen von Szenarioparametern vorgesehen und/oder eine sechste Spalte zur Speicherung von Informationen über die stochastische Verteilung von Szenarioparametern in realen Verkehrsszenarien vorgesehen.In an advantageous development, a fifth column is/are provided for storing dynamic labels for identifying parameterized scenarios, scenario parameters and/or groups of scenario parameters and/or a sixth column is provided for storing information about the stochastic distribution of scenario parameters in real traffic scenarios .
In einer vorteilhaften Ausführungsform umfasst das Verfahren zur Kalibrierung und Validierung eines Fahrerassistenzsystems (ADAS) und/oder eines automatisierten Fahrsystems (ADS) und/oder einer Fahrfunktion für eine festgelegte Fahraufgabe in zumindest einem Szenario die folgenden Verfahrensschritte:
- - Erstellen von Testfällen von einem Testagenten durch Auswählen von parametrisierten Szenarien und Szenarioparametern aus der Szenariendatenbank sowie Kalibrierungsparametern aus einer Kalibrierungsparameterdatenbank mittels einer Teststrategie für die Fahraufgabe;
- - Weitergeben der ausgewählten Testfälle an ein Simulationsmodul; und
- - Durchführen einer Simulation von dem Simulationsmodul zur Bestimmung von Simulationsergebnissen.
- - Creation of test cases by a test agent by selecting parameterized scenarios and scenario parameters from the scenario database and calibration parameters from a calibration parameter database using a test strategy for the driving task;
- - passing the selected test cases to a simulation module; and
- - Performing a simulation by the simulation module to determine simulation results.
In einer weiteren Ausführungsform ist vorgesehen, dass die parametrisierten Szenarien aus Messdaten von Sensoren generiert werden, wobei die Sensoren eine Verkehrssituation, ein Fahrverhalten und Verkehrsobjekte in der Umgebung eines Kraftfahrzeugs aufnehmen, und wobei mittels einer Softwareapplikation aus den Messdaten parametrisierte Szenarien identifiziert und klassifiziert werden.In a further embodiment, it is provided that the parameterized scenarios are generated from measurement data from sensors, with the sensors recording a traffic situation, driving behavior and traffic objects in the vicinity of a motor vehicle, and with a software application being used to identify and classify parameterized scenarios from the measurement data.
Insbesondere sind die verwendeten Sensoren als Radarsysteme, LIDAR-Systeme zur optischen Abstands- und Geschwindigkeitsmessung, bildaufnehmende 2D/3D-Kameras im sichtbaren, IR- und/oder UV-Bereich, GPS-Systeme, Beschleunigungssensoren, Geschwindigkeitssensoren, kapazitive Sensoren, induktive Sensoren, Spannungssensoren, Niederschlagssensoren und/oder Temperatursensoren ausgebildet.In particular, the sensors used are radar systems, LIDAR systems for optical distance and speed measurement, image-recording 2D/3D cameras in the visible, IR and/or UV range, GPS systems, acceleration sensors, speed sensors, capacitive sensors, inductive sensors, Voltage sensors, precipitation sensors and / or temperature sensors formed.
Vorteilhafterweise verwendet die Softwareapplikation Algorithmen der künstlichen Intelligenz zur Identifikation und Klassifizierung der parametrisierten Szenarien.The software application advantageously uses artificial intelligence algorithms to identify and classify the parameterized scenarios.
Insbesondere stellt ein Szenarioparameter und/oder ein Kalibrierungsparameter eine physikalische Größe, eine chemische Größe, ein Drehmoment, eine Drehzahl, eine Spannung, eine Stromstärke, eine Beschleunigung, eine Geschwindigkeit, einen Bremswert, eine Richtung, einen Winkel, einen Radius, einen Ort, eine Zahl, ein bewegliches Objekt wie ein Kraftfahrzeug, eine Person oder einen Radfahrer, ein unbewegliches Objekt wie ein Gebäude oder einen Baum, eine Straßenkonfiguration wie eine Autobahn, ein Straßenschild, eine Ampel, einen Tunnel, einen Kreisverkehr, eine Abbiegespur, ein Verkehrsaufkommen, eine topographische Struktur wie eine Steigung, eine Uhrzeit, eine Temperatur, einen Niederschlagswert, eine Witterung und/oder eine Jahreszeit dar.In particular, a scenario parameter and/or a calibration parameter represents a physical quantity, a chemical quantity, a torque, a speed, a voltage, a current, an acceleration, a speed, a braking value, a direction, an angle, a radius, a location, a number, a moving object such as an automobile, person, or cyclist, an immovable object such as a building or tree, a road configuration such as a freeway, a road sign, a traffic light, a tunnel, a roundabout, a turning lane, a volume of traffic, represents a topographical structure such as an incline, a time, a temperature, a precipitation value, a weather condition and/or a season.
Gemäß einem zweiten Aspekt stellt die Erfindung ein System zur Kalibrierung und Validierung eines Fahrerassistenzsystems (ADAS) und/oder eines automatisierten Fahrsystems (ADS) und/oder einer Fahrfunktion für eine festgelegte Fahraufgabe in zumindest einem Szenario bereit. Ein Szenario stellt ein Verkehrsgeschehen in einer zeitlichen Sequenz dar und ist durch eine Auswahl von Szenarioparametern und zugehörigen Szenarioparameterwerten definiert, wobei bei einem parametrisierten Szenario die Szenarioparameter und zugehörigen Szenarioparameterwerte frei wählbar sind, und bei einem konkreten Szenario die konkreten Szenarioparameter und zugehörigen konkreten Szenarioparameterwerte festgelegt sind. Die Szenariendatenbank verwendet eine Datenbankstruktur mit einem tabellenbasierten relationalen Datenbankmodell für die Speicherung von Daten zu Szenarioparametern, maschinenlesbaren Skripten und weiteren Informationen, wobei das Datenbankmodell zumindest vier Spalten umfasst, wobei eine erste Spalte zumindest für eine Bezeichnung eines Szenarioparameters und eine Bezeichnung des zugehörigen parametrisierten Szenarios vorgesehen ist, wobei eine zweite Spalte zumindest für eine Parameterkategorie vorgesehen ist, wobei eine dritte Spalte zumindest für einen Wertebereich eines Szenarioparameters wie einen Minimalwert und einen Maximalwert oder einen Standardwert vorgesehen ist, und wobei eine vierte Spalte zumindest für Informationen über eine Implementierungsmethode für die Szenarioparameter in einer Simulation vorgesehen ist.According to a second aspect, the invention provides a system for calibrating and validating a driver assistance system (ADAS) and/or an automated driving system (ADS) and/or a driving function for a specified driving task in at least one scenario. A scenario represents traffic events in a time sequence and is defined by a selection of scenario parameters and associated scenario parameter values, with the scenario parameters and associated scenario parameter values being freely selectable in a parameterized scenario, and with a concrete scenario the concrete scenario parameters and associated concrete scenario parameter values being fixed . The scenario database uses a database structure with a table-based relational database model for storing data on scenario parameters, machine-readable scripts and other information, the database model comprising at least four columns, with a first column being provided at least for a description of a scenario parameter and a description of the associated parameterized scenario is provided, wherein a second column is provided at least for a parameter category, wherein a third column is provided at least for a value range of a scenario parameter such as a minimum value and a maximum value or a default value, and wherein a fourth column is provided at least for information about an implementation method for the scenario parameters in a simulation is provided.
In einer Weiterbildung ist/sind eine fünfte Spalte für eine Speicherung von dynamischen Labels zur Kennzeichnung von parametrisierten Szenarien, Szenarioparametern und/oder Gruppen von Szenarioparametern und/oder eine sechste Spalte zur Speicherung von Informationen über die stochastische Verteilung von Szenarioparametern in realen Verkehrsszenarien vorgesehen.In one development, a fifth column is/are provided for storing dynamic labels for identifying parameterized scenarios, scenario parameters and/or groups of scenario parameters and/or a sixth column for storing information about the stochastic distribution of scenario parameters in real traffic scenarios.
In einer vorteilhaften Ausführungsform ist vorgesehen, dass das System zumindest ein Testmodul mit einem Testagenten und einer Teststrategie und ein Simulationsmodul umfasst, wobei der Testagent ausgebildet ist, Testfälle durch Auswählen von parametrisierten Szenarien und Szenarioparametern aus der Szenariendatenbank sowie Kalibrierungsparametern aus einer Kalibrierungsparameterdatenbank mittels der Teststrategie für die Fahraufgabe zu erstellen und die ausgewählten Testfälle an das Simulationsmodul weiterzugeben; wobei das Simulationsmodul ausgebildet ist, eine Simulation zur Bestimmung von Simulationsergebnissen durchzuführen.An advantageous embodiment provides that the system comprises at least one test module with a test agent and a test strategy and a simulation module, the test agent being designed to test cases by selecting parameterized scenarios and scenario parameters from the scenario database and calibration to create test parameters from a calibration parameter database using the test strategy for the driving task and to forward the selected test cases to the simulation module; wherein the simulation module is designed to carry out a simulation to determine simulation results.
Insbesondere werden die parametrisierten Szenarien aus Messdaten von Sensoren generiert, wobei die Sensoren eine Verkehrssituation, ein Fahrverhalten und Verkehrsobjekte in der Umgebung eines Kraftfahrzeugs aufnehmen, und wobei mittels einer Softwareapplikation aus den Messdaten parametrisierte Szenarien identifiziert und klassifiziert werden.In particular, the parameterized scenarios are generated from measurement data from sensors, the sensors recording a traffic situation, driving behavior and traffic objects in the vicinity of a motor vehicle, and parameterized scenarios being identified and classified from the measurement data using a software application.
Vorteilhafterweise sind die verwendeten Sensoren als Radarsysteme, LIDAR-Systeme zur optischen Abstands- und Geschwindigkeitsmessung, bildaufnehmende 2D/3D-Kameras im sichtbaren, IR- und/oder UV-Bereich, GPS-Systeme, Beschleunigungssensoren, Geschwindigkeitssensoren, kapazitive Sensoren, induktive Sensoren, Spannungssensoren, Niederschlagssensoren und/oder Temperatursensoren ausgebildet.Advantageously, the sensors used are radar systems, LIDAR systems for optical distance and speed measurement, image-recording 2D/3D cameras in the visible, IR and/or UV range, GPS systems, acceleration sensors, speed sensors, capacitive sensors, inductive sensors, Voltage sensors, precipitation sensors and / or temperature sensors formed.
In einer weiteren Ausführungsform verwendet die Softwareapplikation Algorithmen der künstlichen Intelligenz zur Identifikation und Klassifizierung der parametrisierten Szenarien.In a further embodiment, the software application uses artificial intelligence algorithms to identify and classify the parameterized scenarios.
Insbesondere stellt ein Szenarioparameter und/oder ein Kalibrierungsparameter eine physikalische Größe, eine chemische Größe, ein Drehmoment, eine Drehzahl, eine Spannung, eine Stromstärke, eine Beschleunigung, eine Geschwindigkeit, einen Bremswert, eine Richtung, einen Winkel, einen Radius, einen Ort, eine Zahl, ein bewegliches Objekt wie ein Kraftfahrzeug, eine Person oder einen Radfahrer, ein unbewegliches Objekt wie ein Gebäude oder einen Baum, eine Straßenkonfiguration wie eine Autobahn, ein Straßenschild, eine Ampel, einen Tunnel, einen Kreisverkehr, eine Abbiegespur, ein Verkehrsaufkommen, eine topographische Struktur wie eine Steigung, eine Uhrzeit, eine Temperatur, einen Niederschlagswert, eine Witterung und/oder eine Jahreszeit dar.In particular, a scenario parameter and/or a calibration parameter represents a physical quantity, a chemical quantity, a torque, a speed, a voltage, a current, an acceleration, a speed, a braking value, a direction, an angle, a radius, a location, a number, a moving object such as an automobile, person, or cyclist, an immovable object such as a building or tree, a road configuration such as a freeway, a road sign, a traffic light, a tunnel, a roundabout, a turning lane, a volume of traffic, represents a topographical structure such as an incline, a time, a temperature, a precipitation value, a weather condition and/or a season.
Nachfolgend wird die Erfindung anhand von in der Zeichnung dargestellten Ausführungsbeispielen näher erläutert.The invention is explained in more detail below with reference to exemplary embodiments illustrated in the drawing.
Dabei zeigt:
-
1 ein Blockdiagramm zur Erläuterung eines Ausführungsbeispiels eines erfindungsgemäßen Systems; -
2 eine schematische Darstellung eines Graphen; -
3 eine schematische Darstellung einer Szenariendatenbank.
-
1 a block diagram to explain an embodiment of a system according to the invention; -
2 a schematic representation of a graph; -
3 a schematic representation of a scenario database.
Zusätzliche Kennzeichen, Aspekte und Vorteile der Erfindung oder ihrer Ausführungsbeispiele werden in der nachfolgenden Beschreibung in Verbindung mit den Ansprüchen erläutert.Additional characteristics, aspects and advantages of the invention or its embodiments are explained in the following description in connection with the claims.
Für das Testen, Trainieren und Absichern von Fahrerassistenzsystemen (ADAS) und automatisierten Fahrsystemen (ADS) werden zunehmend simulierte Verkehrsszenarien, die durch Programmierung erstellt werden, verwendet. Als Szenario wird im Rahmen der Erfindung ein Verkehrsgeschehen in einer zeitlichen Sequenz bezeichnet. Ein Beispiel für ein Szenario ist das Befahren einer Autobahnbrücke, das Abbiegen auf einer Abbiegespur, das Durchfahren eines Tunnels, das Einbiegen in einen Kreisverkehr oder das Halten vor einem Fußgängerübergang. Darüber hinaus können spezifische Sichtverhältnisse beispielsweise aufgrund der Dämmerung oder einer hohen Sonnenlichteinstrahlung sowie Umweltbedingungen wie das Wetter und die Jahreszeit, das Verkehrsaufkommen sowie bestimmte geographische topographische Verhältnisse ein Szenario beeinflussen. Beispielsweise kann ein Überholvorgang als ein Szenario beschrieben werden, bei dem ein erstes Fahrzeug sich zunächst hinter einem anderen Fahrzeug befindet, dann einen Spurwechsel auf die andere Fahrbahn durchführt und die Geschwindigkeit erhöht, um das andere Fahrzeug zu überholen. Ein derartiges Szenario wird auch als Cut-In-Szenario bezeichnet. Zudem spielen die Jahreszeit und die Wetterverhältnisse eine Rolle, da bei Starkregen und Glätte die Straßenverhältnisse anders aussehen als an einem sonnigen Sommertag.Simulated traffic scenarios created by programming are increasingly used for testing, training and validating driver assistance systems (ADAS) and automated driving systems (ADS). A traffic event in a time sequence is referred to as a scenario within the scope of the invention. An example of a scenario is entering a freeway overpass, turning into a branch lane, driving through a tunnel, entering a roundabout, or stopping at a pedestrian crossing. In addition, specific visibility conditions, for example due to twilight or high levels of sunlight, as well as environmental conditions such as the weather and time of year, traffic volume and certain geographical topographical conditions can influence a scenario. For example, an overtaking maneuver can be described as a scenario where a first vehicle is initially behind another vehicle, then changes lanes to the other lane and increases speed to overtake the other vehicle. Such a scenario is also referred to as a cut-in scenario. The time of year and the weather conditions also play a role, since the road conditions look different when it rains and is icy than on a sunny summer day.
Um Fahrerassistenzsysteme (ADAS) und automatisierte Fahrsysteme (ADS) in einem Kraftfahrzeug einsetzen zu können, müssen diese für einen verlässlichen Einsatz kalibriert und validiert werden. Die Kalibrierung dient dazu, das ADAS/ADS bzw. einzelne Fahrfunktionen an den jeweiligen Fahrzeugtyp sowie an das gewünschte Verhalten einer Fahrfunktion anzupassen, ohne dabei den Softwarecode zu ändern. Dazu werden Kalibrierungsparameter modifiziert und dem ADAS/ADS in einem Datensatz zur Verfügung gestellt. Dabei ist es erforderlich, einen geeigneten Datensatz von Kalibrierungsparametern für ein optimales Verhalten des ADAS/ADS bzw. einer ausgewählten Fahrfunktion in möglichst vielen Szenarien der Operational Design Domain (ODD) zu finden.In order to be able to use driver assistance systems (ADAS) and automated driving systems (ADS) in a motor vehicle, they must be calibrated and validated for reliable use. The calibration is used to adapt the ADAS/ADS or individual driving functions to the respective vehicle type and to the desired behavior of a driving function without changing the software code. For this purpose, calibration parameters are modified and made available to the ADAS/ADS in a data record. It is necessary to find a suitable data set of calibration parameters for optimal ADAS/ADS behavior or a selected driving function in as many operational design domain (ODD) scenarios as possible.
Unter einem „Modul“ kann im Zusammenhang mit der Erfindung beispielsweise ein Prozessor und/oder eine Prozessoreinheit und/oder eine Speichereinheit zum Speichern von Programmbefehlen verstanden werden. Der Prozessor ist speziell dazu eingerichtet, die Programmbefehle derart auszuführen, um das erfindungsgemäße Verfahren oder einen Schritt des erfindungsgemäßen Verfahrens zu implementieren oder zu realisieren. Insbesondere kann ein Modul in einer Cloud-Computing-Infrastruktur integriert sein.In connection with the invention, a “module” can be understood to mean, for example, a processor and/or a processor unit and/or a memory unit for storing program instructions. The processor is specifically set up to execute the program instructions in such a way as to implement or realize the method according to the invention or a step of the method according to the invention. In particular, a module can be integrated in a cloud computing infrastructure.
Unter einem „Prozessor“ kann im Zusammenhang mit der Erfindung beispielsweise eine Maschine oder eine elektronische Schaltung verstanden werden. Bei einem Prozessor kann es sich insbesondere um einen Hauptprozessor (engl. Central Processing Unit, CPU), einen Mikroprozessor oder einen Mikrocontroller, beispielsweise eine anwendungsspezifische integrierte Schaltung oder einen digitalen Signalprozessor, möglicherweise in Kombination mit einer Speichereinheit zum Speichern von Programmbefehlen, etc. handeln. Auch kann unter einem Prozessor ein virtualisierter Prozessor, eine virtuelle Maschine oder eine Soft-CPU verstanden werden. Es kann sich beispielsweise auch um einen programmierbaren Prozessor handeln, der mit Konfigurationsschritten zur Ausführung des genannten erfindungsgemäßen Verfahrens ausgerüstet wird oder mit Konfigurationsschritten derart konfiguriert ist, dass der programmierbare Prozessor die erfindungsgemäßen Merkmale des Verfahrens, des Systems, der Module, oder anderer Aspekte und/oder Teilaspekte der Erfindung realisiert. Insbesondere kann der Prozessor hochparallele Recheneinheiten und leistungsfähige Grafikmodule enthalten.In the context of the invention, a “processor” can be understood to mean, for example, a machine or an electronic circuit. A processor can in particular be a central processing unit (CPU), a microprocessor or a microcontroller, for example an application-specific integrated circuit or a digital signal processor, possibly in combination with a memory unit for storing program instructions, etc . A processor can also be understood to mean a virtualized processor, a virtual machine or a soft CPU. It can also be a programmable processor, for example, which is equipped with configuration steps for executing the mentioned method according to the invention or is configured with configuration steps in such a way that the programmable processor has the inventive features of the method, the system, the modules, or other aspects and/or or implemented partial aspects of the invention. In particular, the processor can contain highly parallel computing units and powerful graphics modules.
Unter einer „Speichereinheit“ oder einem „Speichermodul“ kann im Zusammenhang mit der Erfindung beispielsweise ein flüchtiger Speicher in Form eines Arbeitsspeichers (engl. Random-Access Memory, RAM) oder ein dauerhafter Speicher wie eine Festplatte oder ein Datenträger oder z. B. ein wechselbares Speichermodul verstanden werden. Es kann sich bei dem Speichermodul aber auch um eine cloudbasierte Speicherlösung handeln.In the context of the invention, a “memory unit” or a “memory module” can mean, for example, a volatile memory in the form of a random-access memory (RAM) or a permanent memory such as a hard disk or a data carrier or e.g. B. be understood as a removable memory module. However, the storage module can also be a cloud-based storage solution.
Der Testagent 220 des Testagentenmoduls 200 erstellt mittels einer Softwareapplikation eine Mehrzahl von Testfällen Ti für eine oder mehrere Fahraufgabe(n). Die jeweilige Fahraufgabe wird vor dem Starten der Simulation formuliert, beispielsweise von einem Experten wie einem Ingenieur. Es kann aber auch vorgesehen sein, dass eine Liste von Fahraufgaben von einer Softwareapplikation generiert wird. Diese Liste kann dann sukzessive von dem System 100 bearbeitet werden. Eine beispielhafte Fahraufgabe ist ein Spurwechsel auf einer Autobahn.The
Für die Auswahl und die Gestaltung der Testfälle Ti ist die Teststrategie 230 vorgesehen, die vorgibt, wie der Testagent 220 die Testfälle Ti erstellt. Für die Festlegung der Teststrategie 230 können verschiedene Berechnungsverfahren und Algorithmen, insbesondere Algorithmen der künstlichen Intelligenz vorgesehen sein.The
Die erforderlichen Informationen für die Erstellung der Testfälle Ti entnimmt der Testagent 220 der Kalibrierungsparameterdatenbank 320, der Szenariendatenbank 330 und der Bewertungsdatenbank 340. Im Rahmen der Erfindung kann vorgesehen sein, dass darüber hinaus weitere Datenbanken verwendet werden. Die erstellten Testfälle Ti werden in der Testdatenbank 300 gespeichert.The
Unter „Datenbank“ ist sowohl ein Speicheralgorithmus als auch die Hardware in Form einer Speichereinheit zu verstehen. Insbesondere können die Datenbanken 300, 320, 330, 340 als Teil einer Cloud-Computing-Infrastruktur ausgebildet sein."Database" means both a storage algorithm and the hardware in the form of a storage unit. In particular, the
Die Erstellung der Testfälle Ti erfolgt auf der Basis von parametrisierten Szenarien, die auch als logische Szenarien bezeichnet werden. Als ein parametrisiertes Szenario wird im Rahmen der Erfindung ein Szenario bezeichnet, das insbesondere in einem maschinenlesbaren Code geschrieben ist. Ein parametrisiertes Szenario SZp wird durch verschiedene Szenarioparameter P1, P2, ...,Pn aus einer Menge von möglichen Szenarioparametern Pi und zugehörigen Szenarioparameterwerten PV1,PV2, ..., PVn aus einer Menge von möglichen Szenarioparameterwerten PVi definiert, wobei Szenarioparameterwerte PVi den Wertebereich eines Szenarioparameters Pi festlegen. Ein Szenarioparameter Pi stellt beispielsweise eine physikalische Größe, eine chemische Größe, ein Drehmoment, eine Drehzahl, eine Spannung, eine Stromstärke, eine Beschleunigung, eine Geschwindigkeit, einen Bremswert, eine Richtung, einen Winkel, einen Radius, einen Ort, eine Zahl, ein bewegliches Objekt wie ein Kraftfahrzeug, eine Person oder einen Radfahrer, ein unbewegliches Objekt wie ein Gebäude oder einen Baum, eine Straßenkonfiguration wie eine Autobahn, ein Straßenschild, eine Ampel, einen Tunnel, einen Kreisverkehr, eine Abbiegespur, ein Verkehrsaufkommen, eine topographische Struktur wie eine Steigung, eine Uhrzeit, eine Temperatur, einen Niederschlagswert, eine Witterung und/oder eine Jahreszeit dar. The test cases T i are created on the basis of parameterized scenarios, which are also referred to as logical scenarios. Within the scope of the invention, a scenario that is written in particular in a machine-readable code is referred to as a parameterized scenario. A parameterized scenario SZp is defined by various scenario parameters P 1 , P 2 , ..., P n from a set of possible scenario parameters P i and associated scenario parameter values PV 1 , PV 2 , ..., PV n from a set of possible scenario parameter values PV i defined, with scenario parameter values PV i specifying the value range of a scenario parameter P i . A scenario parameter P i represents, for example, a physical quantity, a chemical quantity, a torque, a speed, a voltage, a current, an acceleration, a speed, a braking value, a direction, an angle, a radius, a location, a number, a moving object such as a motor vehicle, a person or a cyclist, an immovable object such as a building or a tree, a road configuration such as a freeway, a road sign, a traffic light, a tunnel, a roundabout, a turning lane, a volume of traffic, a topographical structure like a gradient, a clock time, a temperature, a precipitation value, a weather condition and/or a season.
Szenarioparameter Pi kennzeichnen somit im Rahmen der vorliegenden Erfindung Eigenschaften und Merkmale eines Szenarios.Scenario parameters P i thus characterize properties and features of a scenario within the scope of the present invention.
Ein parametrisiertes Szenario SZp umfasst eine zeitliche Folge von Zeitintervallen Δt1,Δt2., ...,Δtn, in denen jeweils verschiedene Szenen und Ereignisse stattfinden. Ein parametrisiertes Szenario SZp beginnt mit einer Startszene und entwickelt sich dann durch auftretende Ereignisse weiter, aus denen im zeitlichen Verlauf neue Folgeszenen entstehen. Die Startszene wird somit durch ein oder mehrere Ereignisse verändert. Bei einem Ereignis kann es sich sowohl um eine von einem Verkehrsteilnehmer aktiv ausgelöste Reaktion wie eine Beschleunigung handeln als auch um ein Ereignis, das zyklisch wiederkehrt, wie beispielsweise die Schaltvorgänge einer Ampel. Die Startszene und die einzelnen Folgeszenen umfassen somit jeweils nur ein kleines Zeitintervall Δt bzw. eine Momentaufnahme, während ein parametrisiertes Szenario SZp eine längere Zeitspanne umfasst. In einer Graphendarstellung eines Szenarios SZp können die Ereignisse als Kanten und die einzelnen Szenen als Knoten eines Graphen dargestellt werden, wie dies in
Im Rahmen der vorliegenden Erfindung wird zwischen einem parametrisierten Szenario SZp und einem konkreten Szenario SZc unterschieden. Als ein parametrisiertes Szenario SZp wird im Rahmen dieser Erfindung ein Szenario definiert, bei dem sowohl die Szenarioparameter Pi als auch die zugehörigen Szenarioparameterwerte PVi nicht alle festgelegt sind. Durch die Wahl konkreter Szenarioparameter Pci und zugehöriger Szenarioparameterwerte PVci bzw. Wertebereiche der Szenarioparameterwerte PVci wird aus dem parametrisierten Szenario SZp ein konkretes Szenario SZc. Bei einem konkreten Szenario SZc sind somit die konkreten Szenarioparameter Pci und zugehörigen konkreten Szenarioparameterwerte PVci bzw. Wertebereiche der Szenarioparameterwerte PVci festgelegt. Bei beiden Szenarien, sowohl dem parametrisierten Szenario SZp als auch dem konkreten Szenario SZc, handelt es sich jeweils um Szenarien, die insbesondere in einem maschinenlesbaren Code geschrieben sind.Within the scope of the present invention, a distinction is made between a parameterized scenario SZp and a concrete scenario SZc. Within the scope of this invention, a scenario is defined as a parameterized scenario SZp in which both the scenario parameters P i and the associated scenario parameter values PV i are not all specified. By choosing concrete scenario parameters Pc i and associated scenario parameter values PVc i or value ranges of the scenario parameter values PVc i , the parameterized scenario SZp becomes a concrete scenario SZc. In a specific scenario SZc, the specific scenario parameters Pc i and associated specific scenario parameter values PVc i or value ranges of the scenario parameter values PVc i are thus specified. Both scenarios, both the parameterized scenario SZp and the concrete scenario SZc, are scenarios that are written in particular in a machine-readable code.
Für die Erstellung von parametrisierten Szenarien SZpi können verschiedene Quellen wie Anforderungsspezifikationen, Expertenwissen und/oder Messungen im öffentlichen Straßenverkehr oder auf Testgeländen mittels Sensoren verwendet werden, die eine Verkehrssituation, ein Fahrverhalten und den Verkehr in der Umgebung eines Ego-Fahrzeugs aufnehmen. Die verwendeten Sensoren können insbesondere als Radarsysteme, LIDAR-Systeme zur optischen Abstands- und Geschwindigkeitsmessung, bildaufnehmende 2D/3D-Kameras im sichtbaren, IR- und/oder UV-Bereich, und/oder GPS-Systeme ausgebildet sein. Des Weiteren können Beschleunigungssensoren, Geschwindigkeitssensoren, kapazitive Sensoren, induktive Sensoren, Spannungssensoren Niederschlagssensoren und/oder Temperatursensoren, etc. verwendet werden. Mittels einer Softwareapplikation kann aus den aufgenommenen Sensorsignalen und Daten an einem bestimmten geographischen Ort ein jeweils passendes parametrisiertes Szenario SZpi abgeleitet werden. Die Softwareapplikation verwendet insbesondere Algorithmen der künstlichen Intelligenz zur Identifikation und Klassifizierung der parametrisierten Szenarien SZpi. Bei den Algorithmen der künstlichen Intelligenz kann es sich insbesondere um Encoder und Decoder mit neuronalen Netzen handeln.Various sources such as requirement specifications, expert knowledge and/or measurements on public roads or on test sites using sensors that record a traffic situation, driving behavior and the traffic in the vicinity of an ego vehicle can be used to create parameterized scenarios SZp i . The sensors used can be designed in particular as radar systems, LIDAR systems for optical distance and speed measurement, image-recording 2D/3D cameras in the visible, IR and/or UV range, and/or GPS systems. Furthermore, acceleration sensors, speed sensors, capacitive sensors, inductive sensors, voltage sensors, precipitation sensors and/or temperature sensors, etc. can be used. Using a software application, a suitable parameterized scenario SZp i can be derived from the recorded sensor signals and data at a specific geographic location. In particular, the software application uses artificial intelligence algorithms to identify and classify the parameterized scenarios SZp i . The artificial intelligence algorithms can in particular be encoders and decoders with neural networks.
Ein neuronales Netzwerk besteht aus Neuronen, die in mehreren Schichten angeordnet und unterschiedlich miteinander verbunden sind. Ein Neuron ist in der Lage, an seinem Eingang Informationen von außerhalb oder von einem anderen Neuron entgegenzunehmen, die Information in einer bestimmten Art zu bewerten und sie in veränderter Form am Neuronen-Ausgang an ein weiteres Neuron weiterzuleiten oder als Endergebnis auszugeben. Hidden-Neuronen sind zwischen den Input-Neuronen und Output-Neuronen angeordnet. Je nach Netzwerktyp können mehrere Schichten von Hidden-Neuronen vorhanden sein. Sie sorgen für die Weiterleitung und Verarbeitung der Informationen. Output-Neuronen liefern schließlich ein Ergebnis und geben dieses an die Außenwelt aus. Neuronale Netzwerke lassen sich durch unbeaufsichtigtes oder überwachtes Lernen trainieren.A neural network consists of neurons that are arranged in several layers and connected to each other in different ways. A neuron is able to receive information from outside or from another neuron at its input, to evaluate the information in a certain way and to pass it on to another neuron in a changed form at the neuron output or to output it as the end result. Hidden neurons are located between the input neurons and output neurons. Depending on the network type, there can be several layers of hidden neurons. They ensure the forwarding and processing of the information. Finally, output neurons deliver a result and output it to the outside world. Neural networks can be trained through unsupervised or supervised learning.
Durch die unterschiedliche Anordnung und Verknüpfung der Neuronen entstehen verschiedene Typen von neuronalen Netzwerken wie insbesondere ein vorwärtsgerichtetes Netzwerk (engl. Feedforward Neural Network, FNN), ein rückgekoppeltes Netzwerk (engl. Recurrent Neural Network, RNN) mit Rückkopplung oder ein gefaltetes neuronales Netzwerk (engl. Convolutional Neural Network, CNN). Ein gefaltetes neuronales Netzwerk besitzt mehrere Faltungsschichten und ist für maschinelles Lernen und Anwendungen im Bereich der Mustererkennung und Bilderkennung sehr gut geeignet. Da ein großer Teil der von den Sensoren aufgenommenen Daten als Bilder vorliegen, werden insbesondere gefaltete neuronale Netzwerke (CNN) verwendet.The different arrangement and connection of the neurons results in different types of neural networks, such as a feedforward neural network (FNN), a recurrent neural network (RNN) with feedback or a folded neural network .Convolutional Neural Network, CNN). A folded neural network has multiple layers of convolution and is very well suited for machine learning and applications in the field of pattern recognition and image recognition. Since a large part of the data recorded by the sensors is available as images, folded neural networks (CNN) in particular are used.
Die parametrisierten Szenarien SZpi und Szenarioparameter Pi, werden in der Szenariendatenbank 330 gespeichert. Erfindungsgemäß beruht die Datenbankstruktur der Szenariendatenbank 330 auf einem tabellenbasierten relationalen Datenbankmodell, in dem Daten zu Szenarioparametern Pi, maschinenlesbaren Skripten und weiteren Informationen gespeichert werden. Für die Abfrage der Daten kann beispielsweise die Datenbanksprache SQL (Structured Query Language) eingesetzt werden, die Methoden der relationalen Algebra verwendet.The parameterized scenarios SZp i and scenario parameters P i are stored in the
Wie in der
Neben diesen vier Spalten kann eine weitere fünfte Spalte 336 für die Speicherung von dynamischen Labels vorgesehen sein, die von dem Testagenten 220 vergeben werden. Beispiele für Labels sind Gewichte, um parametrisierte Szenarien SZpi, Szenarioparameter Pi oder Gruppen von Szenarioparametern Pi hinsichtlich verschiedener Kriterien zu gewichten. Des Weiteren kann eine sechste Spalte 337 vorgesehen sein, in welcher Informationen über die stochastische Verteilung der Szenarioparameter Pi in realen Verkehrsszenarien gespeichert sind.In addition to these four columns, a further
Die Szenariendatenbank 330 enthält somit alle notwendigen Parameterdaten und maschinenlesbaren Skripte für die Auswahl der erforderlichen parametrisierten Szenarien SZpi für Testfälle Ti. Der Testagent 220 kann auf die parametrisierten Szenarien SZpi und Szenarioparameter Pi zugreifen, um die erforderlichen Testfälle Ti für das Simulationsmodul 400 zu erstellen. Durch das tabellenbasierte relationale Datenbankmodell der Szenariendatenbank 330 können alle notwendigen Informationen einfach abgerufen werden. Der Testagent 220 kann somit auf effiziente Weise diejenigen Testfälle Ti aus der Menge an möglichen parametrisierten Szenarien SZpi erstellen, die für die Kalibrierung und Validierung von ADAS/ADS von Interesse sind, indem ausgewählte parametrisierte Szenarien SZpi und passende Szenarioparameter Pi aus der Szenariendatenbank 240 sowie ein Datensatz von Kalibrierungsparametern Pcali aus der Kalibrierungsparameterdatenbank 230 bestimmt werden. Bei den Kalibrierungsparametern Pcali kann es sich ebenfallfs um eine physikalische Größe, eine chemische Größe, ein Drehmoment, eine Drehzahl, eine Spannung, eine Stromstärke, eine Beschleunigung, eine Geschwindigkeit, einen Bremswert, eine Richtung, einen Winkel, einen Radius, einen Ort, eine Zahl, ein bewegliches Objekt wie ein Kraftfahrzeug, eine Person oder einen Radfahrer, ein unbewegliches Objekt wie ein Gebäude oder einen Baum, eine Straßenkonfiguration wie eine Autobahn, ein Straßenschild, eine Ampel, einen Tunnel, einen Kreisverkehr, eine Abbiegespur, ein Verkehrsaufkommen, eine topographische Struktur wie eine Steigung, eine Uhrzeit, eine Temperatur, einen Niederschlagswert, eine Witterung und/oder eine Jahreszeit handeln.The
Diese von dem Testagenten 220 erstellten relevanten Testfälle Ti decken die in der „Operational Design Domain“ (ODD) festgelegten relevanten Verkehrssituationen ab, die von Fahrassistenzsystemen und automatisierte Fahrfunktionen beherrscht werden müssen. Bei einem Testfall Ti handelt es sich somit um ein relevantes konkretes Szenario SZc durch die Festlegung von konkreten Szenarioparametern Pci und einem Datensatz von Kalibrierungsparametern Pcali für das zu testende ADAS/ADS bzw. die zu testende Fahrfunktion.These relevant test cases T i created by the
Insbesondere ist vorgesehen, dass die Datenbankstruktur der Kalibrierungsgsparameterdatenbank 320 ebenfalls auf einem tabellenbasierten relationalen Datenbankmodell beruht. Dabei sind Spalten für die Parameterbezeichnung der Kalibrierungsparameter Pcali, die Parameterkategorie, den Wertebereich eines Kalibrierungsparameters Pcali, die Implementierungsmethode und dynamische Labels vorgesehen, in denen Daten zu den Kalibrierungsparametern Pcali, maschinenlesbare Skripte und weitere Informationen gespeichert sind. Auf die Kalibrierungsparameterdatenbank 320 können der Testagent 220 und das Simulationsmodul 400 zugreifen.In particular, it is provided that the database structure of the
Die Teststrategie 230 des Testagenten 220 entscheidet somit über die Konfiguration der Testfälle Ti mit ausgewählten Kombinationen von parametrisierten Szenarien SZpi und konkreten Szenarioparametern Pci sowie weiteren Kalibrierungsparametern Pcali für das zu testende ADAS/ADS bzw. die zu testende Fahrfunktion. Die verwendete Teststrategie 230 wird durch den Zweck der Simulation vorgegeben, d.h. welche Erkenntnisse über das Verhalten eines ADAS/ADS bzw. einer bestimmten Fahrfunktion bei der Durchführung der festgelegten Fahraufgabe in einer Simulation gewonnen werden sollen. Beispielsweise können für die virtuelle Validierung eines ADAS/ADS mit einem konstantem Datensatz an Kalibrierungsparametern Pcali. verschiedene parametrisierte Szenarien SZpi und Szenarioparameter-Kombinationen mittels eines kombinatorischen Verfahrens erstellt werden. Darüber hinaus kann eine iterative Strategie auf der Grundlage mathematischer Optimierer implementiert werden, um die Kalibrierungsparameter Pcali für eine kleinere Menge von verschiedenen parametrisierten Szenarien Szpi anzupassen. Hierdurch kann das Verhalten des ADAS/ADS bzw. der ausgewählten Fahrfunktion für eine kleine Menge von parametrisierten Szenarien Szpi optimiert werden.The
Die auf diese Weise bestimmten Testfälle Ti speichert der Testagent 220 in der Testdatenbank 300. Dabei kann vorgesehen sein, dass die Datenbankstruktur der Testdatenbank 300 ebenfalls auf einem tabellenbasierten relationalen Datenbankmodell beruht. So können die Daten für einen Testfall Ti eine Test-Identifikationsnummer (Test-ID), einen Benutzernamen, eine Erstellungszeit und die Bezeichnung für das ausgewählte parametrisierte Szenario Szpi enthalten. Des Weiteren können diejenigen konkreten Szenarioparameter Pci gespeichert werden, die das parametrisierte Szenario Szpi in ein konkretes Szenario Szci transformieren. Zudem kann der relevante Datensatz an Kalibrierungsparametern Pcali für das zu testende ADAS/ADS bzw. die zu testende Fahrfunktion in der Testdatenbank 300 abgelegt werden. Darüber hinaus können weitere Daten wie Leistungsindikatoren (KPIs) hinsichtlich der Bewertung der Performance des jeweiligen ADAS/ADS bzw. der jeweiligen Fahrfunktion bei der Simulation sowie Bewertungsindikatoren für die Bewertung der durchgeführten Simulation gespeichert werden. Des Weiteren können Informationen zum Status der Simulation wie „durchgeführt oder nicht durchgeführt“ einem Testfall Ti zugeordnet werden. Zusätzlich können weitere Textnachrichten, Videosequenzen und oder Audiosequenzen, etc. mit weiteren Informationen gespeichert werden. Insgesamt können somit alle relevanten Informationen zu einem Testfall Ti in der Testdatenbank 300 gespeichert werden, wobei die Informationen in entsprechend vorgesehenen Spalten des Datenbankmodells angeordnet sind.The
Für die Durchführung einer Simulation der erstellten Testfälle Ti übergibt der Testagent 220 einen Testfall Ti oder mehrere Testfälle Ti an das Simulationsmodul 400. Zudem kann das Simulationsmodul 400 Informationen über die Kalibrierungsparameter Pcali aus der Kalibrierungsparameterdatenbank 320 sowie Informationen über die parametrisierten Szenarien SZpi und die Szenarioparameter Pi wie maschinenlesbare Skripte aus der Szenariendatenbank 330 abrufen, um die Simulation durchführen zu können. Das Simulationsmodul 400 umfasst verschiedene Untermodule 410, 420, 430, die für die Simulation von spezifischen Eigenschaften der Testfälle Ti ausgebildet sind und miteinander interagieren können. Sie sind als austauschbare Untermodule ausgebildet und haben die Aufgabe, einzelne Aspekte eines jeweiligen Testfalls Ti oder einer Mehrzahl von Testfällen Ti zu simulieren. Ein erstes Untermodul 410 kann als Umgebungsmodellmodul ausgebildet sein, das sich auf die Umgebung bezieht und verschiedene Umgebungen eines Kraftfahrzeugs 10 abbildet. Ein zweites Untermodul 420 kann als Fahrermodellmodul ausgebildet sein, das sich auf den Fahrmodus bzw. Fahrstil eines Fahrers wie dynamisch oder defensiv bezieht. Ein drittes Untermodul 430 kann als Fahrzeugmodellmodul ausgebildet sein, das verschiedene Modelle eines Kraftfahrzeugs beispielsweise hinsichtlich der unterschiedlichen Ausbildung des Antriebsstrangs, der Fahrdynamik und weiterer Teilfunktionen umfasst. Die Untermodule 410, 420, 430 setzen die Beschreibung des jeweiligen Testfalls Ti für eine spezifische Situation bzw. Konfiguration um und stellen die notwendigen Eingangsdaten für die Simulation einer Fahrassistenzfunktion in einem Fahrfunktionsmodul 440 bereit.To carry out a simulation of the test cases T i created, the
Das Simulationsmodul 400 bzw. die verschiedenen Untermodule 410, 420, 430 sind mit ein oder mehreren Datenbanken 480 verbunden, in denen Sensorsignale von Sensoren 470 und weitere Daten gespeichert sind.The
In der Datenbank 480 können zudem weitere historische Daten in Form von Bildern, Graphiken, Zeitreihen, Kenngrößen, etc. gespeichert sein. So können beispielsweise Zielgrößen und Zielwerte in der Datenbank 480 abgelegt sein, die einen Sicherheitsstandard für die Simulation definieren. Die Datenbank 480 kann ebenfalls in einer Cloud-Computing-Infrastruktur integriert sein.In addition, further historical data in the form of images, graphics, time series, parameters, etc. can be stored in the
Das Simulationsmodul 400 führt somit eine Simulation der Testfälle Ti für eine festgelegte Fahraufgabe durch und übergibt die Simulationsergebnisse 450 dem Bewertungsmodul 500.The
Das Bewertungsmodul 500 bewertet die Simulationsergebnisse 450 hinsichtlich der Leistungs- und Funktionsfähigkeit von ein oder mehreren Funktionen bzw. der Gesamtperformance eines Fahrerassistenzsystems (ADAS) bzw. eines automatisierten Fahrsystems (ADS) insbesondere in Form von Leistungsindikatoren (KPIs). Zudem wird die Qualität des durchgeführten Simulationsverfahrens bewertet insbesondere in Form von Simulationsqualitätskriterien (SQCs). Aus diesen Bewertungen erstellt das Bewertungsmodul 500 Bewertungsergebnisse 550. Die Bewertungsergebnisse 550 in Form von Leistungsindikatoren (KPIs) und Simulationsqualitätskriterien (SQCs) werden an das Testagentenmodul 200 weitergegeben. Der Testagent 220 kann die Kalibrierungsparameter Pcali in der Kalibrierungsparameterdatenbank 320, die parametrisierten Szenarien Szpi und die Szenarioparameter Pi in der Szenariendatenbank 330 und die Bewertungsergebnisse 550 mit Labeln wie Gewichten oder zur Kennzeichnung von besonderen Eigenschaften versehen, um neue Testfälle Tk für die festgelegte Fahraufgabe zu erstellen.The
Insbesondere ist vorgesehen, dass die Datenbankstruktur der Bewertungsdatenbank 340 ebenfalls auf einem tabellenbasierten relationalen Datenbankmodell beruht und in entsprechend vorgesehenen Spalten insbesondere die KPIs und SQCs der Bewertungsergebnisse 550 gespeichert werden.In particular, it is provided that the database structure of the
Insbesondere kann die Teststrategie 230 mittels der durch die Bewertungsergebnisse 550 geänderten Daten in der Kalibrierungsparameterdatenbank 320, der Szenariendatenbank 330 und der Bewertungsdatenbank 340 angepasst werden. Die neuen Testfälle Tk werden wiederum in der Testdatenbank 300 abgelegt und können für einen neuen Simulationszyklus in dem Simulationsmodul 400 und einer anschließenden Bewertung in dem Bewertungsmodul 500 verwendet werden.In particular, the
Die Kombination aus dem Simulationsmodul 400 und dem Auswertungsmodul 500 bildet somit die Basis für die Bearbeitung von Testfällen Ti im Rahmen der virtuellen Kalibrierung und Validierung. Die von dem Testagenten 220 erstellten Testfälle Ti werden in dem Simulationsmodul 400 simuliert, wobei das Simulationsmodul 400 Zugriff auf die Kalibrierungsparameterdatenbank 320 und die Szenariendatenbank 330 hat, um die erforderlichen Informationen zu erhalten. Nach erfolgreicher Simulation werden die Simulationsergebnisse 450 an das Bewertungsmodul 500 übergeben. Das Bewertungsmodul 500 hat Zugriff auf die Bewertungsdatenbank 340 und die Szenariendatenbank 330, um benötige Informationen abzurufen. Sowohl das Simulationsmodul 400 als auch das Bewertungsmodul 500 enthalten austauschbare Untermodule, so dass eine Anpassung an unterschiedliche Funktionen und Anwendungsfälle sowie die separate Weiterentwicklung der Untermodule ermöglicht ist.The combination of the
Nach dem Durchlaufen eines ersten Simulationszyklus mit ersten Testfällen Ti, werden zweite Testfälle Tk von dem Testagenten 220 mittels der an die Simulationsergebnisse 450 und die Berechnungsergebnisse des ersten Simulationsdurchlaufs angepassten Teststrategie 230 erstellt. Mit diesen zweiten Testfällen Tk wird ein neuer Simulationsdurchlauf begonnen. Anhand der Bewertungsergebnisse 550 wird entschieden, ob die zweiten Testfälle Tk einem bestimmten Bewertungskriterium genügen oder ob eine weitere Anpassung der Teststrategie 230 für die Durchführung eines weiteren Simulationszyklus erforderlich ist. Falls die Bewertungsergebnisse 550 ergeben, dass die Simulationsergebnis 450 konvergieren, werden die Testfälle Tk des letzten Simulationszyklus an das Ausgabemodul 700 weitergegeben.After running through a first simulation cycle with first test cases T i , second test cases T k are created by the
Auf der Grundlage der von dem Bewertungsmodul 500 erstellten Bewertungsergebnisse 550 in Form von KPIs und SQCs kann dann für die Testfälle Tk des letzten Simulationszyklus ein optimaler Datensatz von Kalibrierungsparametern Pcali für das Fahrerassistenzsystem (ADAS) und/oder das automatisierte Fahrsystem (ADS) und/oder die Fahrfunktion für die Durchführung der festgelegten Fahraufgabe ermittelt werden. Dieser Datensatz an Kalibrierungsparametern Pcali definiert das Verhalten des Fahrerassistenzsystems (ADAS) und/oder des automatisierten Fahrsystems (ADS) und/oder der Fahrfunktion für die festgelegte Fahraufgabe und kann dann als Ausgabeergebnisse 750 von dem Ausgabemodul 700 ausgegeben werden. Zudem umfassen Ausgabeergebnisse 750 Informationen über die durchgeführte Simulation. Die Qualität der Ausgabeergebnisse 750 hängt dabei von der Qualität der Szenariobeschreibung und der Art der Simulation sowie der Definition der Bewertungsmetriken ab.On the basis of the evaluation results 550 created by the
Durch die erfindungsgemäße Datenbankstruktur der Szenariendatenbank 330 können die Merkmale und Eigenschaften eines parametrisierten Szenarios SZpi effizient und übersichtlich gespeichert werden, so dass ein bestimmtes parametrisiertes Szenario Szpi, das für die Erstellung eines Testfalls Ti erforderlich ist, durch eine einfache Suchabfrage leicht auffindbar ist. Dies vereinfacht die Durchführung der virtuellen Kalibrierung und Validierung eines ADAS/ADS, so dass Ressourcen eingespart werden können, da sowohl das reale Abfahren von Teststrecken mit Standardverkehrssituationen als auch mit spezifischen Corner-Cases reduziert werden kann.The database structure of the
BezugszeichenlisteReference List
- 1010
- Kraftfahrzeugmotor vehicle
- 100100
- Systemsystem
- 200200
- Testagentenmodultest agent module
- 220220
- Testagenttest agent
- 230230
- Teststrategietest strategy
- 300300
- Testdatenbanktest database
- 320320
- Kalibrierungsparameterdatenbankcalibration parameter database
- 330330
- Szenariendatenbankscenario database
- 332332
- erste Spaltefirst column
- 333333
- zweite Spaltesecond column
- 334334
- dritte Spaltethird column
- 335335
- vierte Spaltefourth column
- 336336
- fünfte Spaltefifth column
- 337337
- sechste Spaltesixth column
- 340340
- Bewertungsdatenbankrating database
- 400400
- Simulationsmodulsimulation module
- 410410
- Umgebungsmodellmodulenvironment model module
- 420420
- Fahrermodellmoduldriver model module
- 430430
- Fahrzeugmodellmodulvehicle model module
- 440440
- Fahrfunktionsmoduldriving function module
- 450450
- Simulationsergebnissesimulation results
- 470470
- Sensorensensors
- 480480
- DatenbankDatabase
- 500500
- Bewertungsmodulrating module
- 510510
- FunktionsbewertungsmodulFeature Evaluation Module
- 520520
- Simulationsbewertungsmodulsimulation evaluation module
- 550550
- Bewertungsergebnisseassessment results
- 700700
- Ausgabemoduloutput module
- 750750
- Ausgabedatenoutput data
- 900900
- Computerprogrammproduktcomputer program product
- 950950
- Programmcodeprogram code
Claims (14)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022112060.0A DE102022112060B3 (en) | 2022-05-13 | 2022-05-13 | Scenario database for a method and a system for calibrating and validating a driver assistance system (ADAS) and/or an automated driving system (ADS) |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022112060.0A DE102022112060B3 (en) | 2022-05-13 | 2022-05-13 | Scenario database for a method and a system for calibrating and validating a driver assistance system (ADAS) and/or an automated driving system (ADS) |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102022112060B3 true DE102022112060B3 (en) | 2023-04-20 |
Family
ID=85773388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022112060.0A Active DE102022112060B3 (en) | 2022-05-13 | 2022-05-13 | Scenario database for a method and a system for calibrating and validating a driver assistance system (ADAS) and/or an automated driving system (ADS) |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102022112060B3 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116204791A (en) * | 2023-04-25 | 2023-06-02 | 山东港口渤海湾港集团有限公司 | Construction and management method and system for vehicle behavior prediction scene data set |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017009971A1 (en) | 2017-10-26 | 2019-05-02 | Daimler Ag | A method of testing a lane keeping assistance system for a vehicle |
DE102018205804A1 (en) | 2018-04-17 | 2019-10-17 | Conti Temic Microelectronic Gmbh | ECU testing device for testing, securing and developing functions |
DE102020005507A1 (en) | 2020-09-09 | 2021-01-07 | Daimler Ag | Method for testing an automated driving function |
US20210179124A1 (en) | 2019-12-17 | 2021-06-17 | Foretellix Ltd. | System and methods thereof for monitoring proper behavior of an autonomous vehicle |
DE102021100149A1 (en) | 2020-08-05 | 2022-02-10 | Dspace Digital Signal Processing And Control Engineering Gmbh | Computer-implemented method for providing a test history of traffic scenarios to be tested |
-
2022
- 2022-05-13 DE DE102022112060.0A patent/DE102022112060B3/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017009971A1 (en) | 2017-10-26 | 2019-05-02 | Daimler Ag | A method of testing a lane keeping assistance system for a vehicle |
DE102018205804A1 (en) | 2018-04-17 | 2019-10-17 | Conti Temic Microelectronic Gmbh | ECU testing device for testing, securing and developing functions |
US20210179124A1 (en) | 2019-12-17 | 2021-06-17 | Foretellix Ltd. | System and methods thereof for monitoring proper behavior of an autonomous vehicle |
DE102021100149A1 (en) | 2020-08-05 | 2022-02-10 | Dspace Digital Signal Processing And Control Engineering Gmbh | Computer-implemented method for providing a test history of traffic scenarios to be tested |
DE102020005507A1 (en) | 2020-09-09 | 2021-01-07 | Daimler Ag | Method for testing an automated driving function |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116204791A (en) * | 2023-04-25 | 2023-06-02 | 山东港口渤海湾港集团有限公司 | Construction and management method and system for vehicle behavior prediction scene data set |
CN116204791B (en) * | 2023-04-25 | 2023-08-11 | 山东港口渤海湾港集团有限公司 | Construction and management method and system for vehicle behavior prediction scene data set |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3365741B1 (en) | Method for fully automatic guidance of a vehicle system and corresponding motor vehicle | |
DE102022112059B3 (en) | Method, system and computer program product for calibrating and validating a driver assistance system (ADAS) and/or an automated driving system (ADS) | |
DE102007053501A1 (en) | Method for developing and / or testing at least one safety and / or driver assistance system for a motor vehicle and simulation environment | |
DE102019124018A1 (en) | Method for optimizing tests of control systems for automated vehicle dynamics systems | |
WO2021058223A1 (en) | Method for applying automated driving functions efficiently and in a simulated manner | |
DE102019219241A1 (en) | Method for creating a road user algorithm for computer simulation of road users, method for training at least one algorithm for a control device of a motor vehicle, computer program product and motor vehicle | |
DE102019205079A1 (en) | Selective deactivation of computing units for artificial neural networks | |
DE102021100149A1 (en) | Computer-implemented method for providing a test history of traffic scenarios to be tested | |
DE102019218613A1 (en) | Object classification method, object classification circuit, motor vehicle | |
DE102022112060B3 (en) | Scenario database for a method and a system for calibrating and validating a driver assistance system (ADAS) and/or an automated driving system (ADS) | |
WO2021037911A1 (en) | Classification of ai modules | |
DE102022108677B3 (en) | Method, system and computer program product for determining objective parameters for predicting a subjective evaluation of a driver assistance system and/or an automated driver assistance function | |
DE102020201931A1 (en) | Method for training at least one algorithm for a control unit of a motor vehicle, method for optimizing a traffic flow in a region, computer program product and motor vehicle | |
AT524932B1 (en) | Method and system for testing a driver assistance system for a vehicle | |
DE102022107845A1 (en) | Method, system and computer program product for selecting concrete scenarios | |
DE102020212921A1 (en) | Method, computer program and device for evaluating a usability of simulation data | |
DE102022116564A1 (en) | Method, system and computer program product for evaluating test cases for testing and training a driver assistance system (ADAS) and/or an automated driving system (ADS) | |
DE102021201445A1 (en) | Computer-implemented method for testing conformance between real and synthetic images for machine learning | |
DE102022117841A1 (en) | Method, system and computer program product for calibrating and validating a driver assistance system (ADAS) and/or an automated driving system (ADS) taking into account a subjective evaluation | |
DE102022119715A1 (en) | Method, system and computer program product for objectively evaluating the performance of an ADAS/ADS system | |
DE102019128223A1 (en) | Methods, devices and computer programs | |
DE102019118607A1 (en) | ANOMALY DETECTOR FOR VEHICLE CONTROL SIGNALS | |
DE102022102501B3 (en) | Method, system and computer program product for determining an assessment of the functionality of a component of a motor vehicle | |
DE102022127857A1 (en) | Method, system and computer program product for sensitivity analysis of application parameters for automated driving functions | |
DE102021104077B3 (en) | Method, system and computer program product for the automated generation of traffic data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication | ||
R018 | Grant decision by examination section/examining division | ||
R020 | Patent grant now final |