CN102829980A - 一种智能车辆的智能程度测评方法 - Google Patents
一种智能车辆的智能程度测评方法 Download PDFInfo
- Publication number
- CN102829980A CN102829980A CN 201210218791 CN201210218791A CN102829980A CN 102829980 A CN102829980 A CN 102829980A CN 201210218791 CN201210218791 CN 201210218791 CN 201210218791 A CN201210218791 A CN 201210218791A CN 102829980 A CN102829980 A CN 102829980A
- Authority
- CN
- China
- Prior art keywords
- intelligent vehicle
- degree
- evaluation
- index
- test
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 73
- 238000012360 testing method Methods 0.000 claims abstract description 106
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 7
- 238000013210 evaluation model Methods 0.000 claims abstract description 3
- 238000004587 chromatography analysis Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000033001 locomotion Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000010189 synthetic method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract 2
- 238000011160 research Methods 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种智能车辆智能程度测评方法,包括:通过自定义智能程度评估模型将智能车辆的智能测评转为环境复杂度、测试任务复杂度和测试任务完成度的评估;采用主成份分析法从众多环境复杂度评价指标中选择与智能车辆自主驾驶最为相关的指标,采用模糊综合方法获得交通环境复杂度评估Ec;对智能车辆自主驾驶任务进行分解,采用分级分解法评估智能车辆自主驾驶任务的复杂程度,获得测试任务复杂度Mc;采用分层分析法对某路段的测试任务完成程度进行评估,得到测试任务完成程度Mg;最后进行综合获得智能车辆测试任务评估分值。通过上述方法能够更加准确地获取智能车辆的智能性信息,有效保证通过测试的智能车辆在真实交通环境中进行自主驾驶的安全性。
Description
技术领域
本发明属于信息处理技术领域,具体地涉及一种智能车辆的智能程度测评方法。
背景技术
现阶段智能车辆只能在简单、结构化的特定环境自主驾驶,还无法在真实城市环境、特别是拥挤道路和收费站等复杂交通环境下实现自主驾驶。通过智能车辆测试理论和方法研究,可以找出智能车辆环境感知、导航与定位、智能决策和规划研究中的难点。例如由于环境中光照等气候情况多变,并且交通标志变形、磨损,车辆运动使得图像获取较为模糊,使得智能车辆的环境感知能力受到限制。为了在复杂交通环境下自主行驶,智能车辆需要安装多种传感器,配合复杂处理算法进行环境感知。所以针对此设计典型交通环境对智能车辆的环境感知能力进行测试。此外,通过组织智能车比赛的方式,也可加强智能车辆研究单位之间的交流,而此类竞赛需要标准化评估方法。所以,开展智能车辆的智能程度测评方法研究具有重要意义。
现阶段还没有一种智能车辆智能测评方法能够保证测试通过的智能车辆可以在真实交通环境中自主驾驶。通过研究和设计智能测试内容可以找出智能车辆研究重点和难点;通过研究交通环境复杂度与智能车辆环境感知之间的关系,能够提供一个典型交通场景下的测试环境;通过研究测试任务复杂度及任务分解,并对测试任务进行完成程度评估,对智能车辆开展智能程度测评,只有通过相关测评之后,才可在真实交通中自主驾驶,才能有效地促进相关研究。
本发明提出一种智能车辆的智能程度测评方法,可以对智能车辆进行有效和科学的评估,使得智能车辆在通过测评之后可以在真实交通环境中自主驾驶。
发明内容
为了克服现有技术存在的上述问题,本发明提出了一种智能车辆的智能程度测评方法。
本发明的智能车辆的智能程度测评方法,包括:通过自定义智能程度评估模型将智能车辆的智能测评转为环境复杂度、测试任务复杂度和测试任务完成度的评估;采用主成份分析法从众多环境复杂度评价指标中选择与智能车辆自主驾驶最为相关的指标,然后采用模糊综合方法获得交通环境复杂度评估Ec;对智能车辆自主驾驶任务进行分解,采用分级分解法评估智能车辆自主驾驶任务的复杂程度,获得测试任务复杂度Mc;采用分层分析法对某路段的测试任务完成程度进行评估,得到测试任务完成程度Mg;获得智能车辆测试任务评估分值(Si):a和b根据每次测试经验取值,K值根据每次测试总分制取值,其中Mg=f(Ec,Mc)是根据人机结合方式进行定义,针对测试路段上的测试任务逐个获得测试任务评估分值Si,最后汇总之后得到总的测试任务分值
综上,利用本发明的方法,能够更加准确地获取智能车辆的智能性信息,有效保证通过测试的智能车辆在真实交通环境中进行自主驾驶的安全性。
附图说明
图1是本发明实施例中智能车辆智能程度测评软件示意图;
图2是本发明实施例中智能车辆智能程度测试后台测评模型图;
图3是本发明实施例中智能车辆测试任务分解图;
图4是本发明实施例中采用分层分析法评估测试任务完成程度图。
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明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
本发明的智能车辆的智能程度测评方法,通过评估智能车辆在特定的测试环境A1下自主驾驶完成情况来获得其智能程度评价。测试环境一般是选取典型的城市道路,包括多个以GPS坐标描述的路点进行划分的路段,路点以路点文件的形式加载到智能车辆,智能车辆根据路点文件进行导航和完成测试任务,每个路段之间包含多个测试任务。根据跟随在智能车辆之后的工作车辆获得的测试环境视频录像A2,可以对该路段下智能车辆经过的环境复杂程度A3、所接受测试任务复杂程度A4和测试任务完成程度A5进行评估,通过软件操作形式结合后台测评模型完成智能车辆智能程度评估。
智能车辆智能程度后台测评模型如图2所示。智能车辆在不同复杂程度测试环境下执行不同难度的测试任务,获得不同的任务完成程度。首先,采用主成分分析法进行环境复杂度指标简化选取,在此基础上专业评估人员结合测试环境复杂程度主要评价指标,采用模糊综合评价方法对环境复杂度进行综合评估,获得测试环境复杂度(Ec)E1。采用分级分解法评估智能车辆自主驾驶任务的复杂程度,获得测试内容复杂度(Mc)E2。通过观看现场交通环境的视频录像,采用分层分析法对某路段的测试任务完成程度进行评估,得到测试任务完成程度(Mg)E3。通过将三者归一化之后,结合评估综合模型得到最后智能车辆测试任务评估分值(Si):a和b根据每次测试经验取值,K值根据每次测试总分制取值。其中Mg=f(Ec,Mc)是根据分层分析法得到分值进行线性调整。通过上述模型可以针对测试路段上的测试任务逐个获得测试任务评估分值(Si),最后汇总之后得到总的测试任务分值。
本发明的智能车辆的智能程度测评方法主要包括以下几个步骤:
步骤一,采用主成分分析法进行测试环境复杂度指标简化选取。
由于交通环境中的气候光照、阴影与遮挡、道路地形、行人车辆等均影响智能车辆实现自主驾驶。为了对其测试任务路段交通环境复杂程度进行评估,需要找出该路段交通下众多对无人车辆自主行驶的影响的最主要因素。要对所涉及的环境复杂度指标参数进行简化,提取相关度最大的指标,本发明采用主成分分析法进行测试环境复杂度指标简化选取,其步骤为:在确定智能车辆驾驶环境复杂度评价指标之后,采用调查表形式收集评价指标原始值,并进行转正指标等若干预处理,确定指标的权重系数,构造综合评价模型,最后计算出各指标的综合评价进行排序。
采用主成分分析法进行测试环境复杂度指标简化选取具体包含以下几个步骤:
步骤1:通过调查问卷采集P个评价指标的向量X={x1,x2,...,xp}′的n个样本Xi={xi1,xi2,...,xip}′列出环境复杂度评价指标样本阵X=(xij)n×p。
步骤2:确定评价样本阵中原始评价指标数据都是正指标(否则需要对极小型和居中型指标转化为极大型指标)。
步骤3:将原始评价指标样本阵数据标准化。将各指标X按式转化成标准化指标其中,E(Xi)和D(Xi)分别是Xi的均值和方差。Xi的均值是0,方差是1。
步骤4:求各标准化环境复杂度评价指标Xi的两两相关系数rij,并写出相关系数矩阵R=[rij]p×p,其中
步骤5:求相关矩阵的特征根将其由大到小排序。称为第i个主成分Fi的贡献率,为前m个主成分F1,F2,...,Fm的累计贡献率。由累积方差贡献率确定主成分的个数m(m≤p),求出对应的贡献率、累计贡献率。
步骤7:求出各环境复杂度评价指标样本在m个主成分的得分y1,y2,...,ym。
步骤8:求各环境复杂度评价指标综合得分y,并排列名次,并按照实际需要选取前几名指标。步骤二,采用模糊综合评价方法对环境复杂度进行综合评估。
通过观看现场交通环境的视频录像,专业评估人员可以针对已经确定的测试环境复杂程度主要评价指标,进行某路段的测试环境复杂度评估,具体采用模糊综合评价方法,其步骤如下:
步骤1:已确定环境复杂度主要评价指标U={u1,u2,...,um},其中ui{i=1,2,...,m}为第i个评价指标。
步骤3:确定该路段下每个环境复杂度评价指标的复杂等级V={v1,v2,...,vn,};此处vj{j=1,2,...,n}表示该指标的第j个等级(例如常取‘很复杂、较复杂、复杂、简单、较简单’等5个等级)。
步骤4:进行某个环境复杂度指标的单因素评判,建立模糊关系矩阵R。对某个指标评判就是给出每个指标对于各评语等级vj{i=1,2,...,n}的隶属度。k个裁判每人给每个ui评定V中的一个等级vj{j=1,2,...,n}。若k位裁判中评定ui为等级vj等级的有kij人,则对ui的评判结果组成模糊子集进而得到从U到V的一个模糊关系R
R中第i行反映的是第i个环境复杂度指标因素对于评价等级中各等级的隶属度;第j列反映的是环境复杂度的各指标因素,分别取评价等级集合中的第j个等级的程度。
步骤5:选取模糊算子*对W和R作模糊变换,得出综合评价结果Y=W*R(其中*可为yi=max(airij);或者yi=min{1,∑min(ai,rij)};或者yi=min{1,∑(airij)}等)。
步骤6:对模糊向量Y做归一化处理得Y′={y′1,y′2,...,y′n}其中
步骤8:依次取第i个评价指标,重复前述步骤,得到第i个环境复杂度单因素指标评判结果得分si,最后得到S={s1,s2,...,sn}。
步骤9:按环境复杂度评价指标权重,采用加权平均法得到环境复杂度和任务复杂度的综合评价得分:Ec=W×ST。
步骤三,采用分级分解法评估智能测试任务的复杂度。
参考驾驶员考试中科目设置来设计智能车辆测试任务,如图3所示将智能车辆测试任务F1逐层分解为测试任务层F2、基本动作层F3和基本操作层F4。测试任务层包括:直角转弯B1、百米加减挡B2、起伏路B3、超车换道B4、汇入车流B5、会车B6、泊车B7、掉头B8、通过连续障碍B9等。基本动作层包括:起步C3、直线行驶C2、曲线行驶C1、变更车道C6、百米加减速C5、避障C7、通过路口C8。基本操作层包括:点火D1、熄火D2、挂挡D3、变速D4和转向D5。
智能车辆的一个测试路段中一般包含多个测试任务,每个测试任务都可以通过分类汇集基本操作、逐级得到其复杂度。每个基本动作可以分解为一系列的基本操作Ai={a1i,a2i,...,ani},并按基本操作个数算出基本动作的复杂度某个测试任务可以分解为多个基本动作,根据所含的基本动作个数得到其复杂度分值最后对测试任务的复杂度进行无量纲化处理,获得就是该测试任务的复杂度分值。
步骤四,采用分层分析法评估测试任务完成程度。
每个测试路段中的某个测试任务完成程度可以采用人机结合的方式进行评估。通过对被测试智能车辆进行跟车实时录像,并将实时视频传输给专业评估人员观看,然后采用分层分析法进行测试任务完成程度评估。将智能车辆测试任务完成程度G1定为分层分析的目标层H1;将智能车辆测试任务完成程度评价指标(G2,G3,G4)定为准则层H2;将所有参加测评的智能车辆(G5,G6,G7)定为方案层H3,如图4所示。
采用分层分析法评估测试任务完成程度时,各层级所用的评估方法主要步骤如下:
步骤1:在采用分层分析法评估测试任务完成程度时,首先通过准则层各指标构造成对比较矩阵A=〔aij〕n×n,(aij是第i个与第j个评价指标相对上层任务完成情况重要性比较,按照Satty建议的AHP法标度原则)。
步骤2:可以采用和法近似估算A的最大特征值λmax及其对应特征向量Uk。计算A的随机一致性比率CR,做一致性检验并作出相应的调整。首先将A的每一列向量归一化得对按行求和得到归一化得到w=(w1,w2,...,wn)T其中计算Aw,得到就是所求的最大特征值的近似值,用来判断矩阵A的一致性。
步骤3:首先,用最大特征值λmax计算成对比矩阵A不一致程度的指标CI:查表得到与矩阵阶数有关的检验成对比较矩阵A平均随机一致性的标准RI。计算A的随机一致性比率CR:判断方法如下:当CR<0.1时,判定成对比较阵A不一致程度是可接受;否则就调整成对比较矩阵A(重新考虑模型或重新构造那些一致性比率较大的判断成对比较阵),直到达到满意的一致性为止。特征向量(归一化后)即为各评价指标的权重向量。
步骤4:为了对多辆智能车进行任务完成程度排序,还需要对多辆智能车比较各个任务完成程度评价指标下的得分。首先,成对比较m辆智能车的第一个任务完成评价指标,结合前述方法得到成对比较阵B=〔bij〕m×m,(bij是第i个与第j辆车相对上层第一个评价指标评估情况比较)。
步骤5:近似估算B的最大特征值λmax及其对应特征向量U1,计算C的随机一致性比率CR,做一致性检验并作出相应的调整。最后得到的U1各元素就是N辆智能车针对各评价指标的得分。
步骤6:类似地,分别完成N辆智能车针对其他评价指标的得分Ui,{i=1,2,...,m}。
步骤7:最后将智能车针对各评价指标的得分乘以各指标的权重,得到各智能车辆评价总分,排序之后得到智能车的任务完成程度测评:
Mg=(s1,s2,...,sm)T=(U1,U2,...,Un)TUk
本发明上述描述的智能测评方法可通过图1所示的测评软件来完成。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (5)
1.一种智能车辆的智能程度测评方法,所述方法包括:
通过自定义智能程度评估模型将智能车辆的智能测评转为环境复杂度、测试任务复杂度和测试任务完成度的评估;
采用主成份分析法从众多环境复杂度评价指标中选择与智能车辆自主驾驶最为相关的指标,然后采用模糊综合方法获得交通环境复杂度评估Ec;
对智能车辆自主驾驶任务进行分解,采用分级分解法评估智能车辆自主驾驶任务的复杂程度,获得测试任务复杂度Mc;
采用分层分析法对某路段的测试任务完成程度进行评估,得到测试任务完成程度Mg;
2.如权利要求1所述的智能车辆的智能程度测评方法,其特征在于:采用主成份分析法选取与智能车辆实现自主驾驶最相关的测试环境复杂度评价指标的步骤进一步包括:确定环境复杂程度评价指标,收集评价指标原始值,进行指标预处理,确定指标权重系数,构造综合评价模型,计算出各指标综合评价并进行排序,并按照实际需要选取权重靠前的指标。
3.如权利要求1所述的智能车辆的智能程度测评方法,其特征在于:采用模糊综合方法评估测试环境复杂度的步骤进一步包括:
确定环境复杂度主要评价指标,确定各环境复杂度评价指标的权重向量W,确定每个环境复杂度评价指标复杂等级,进行某个环境复杂度单因素指标评判,建立模糊关系矩阵R,选取模糊算子*对W和R作模糊变换Y=W*R,得出单因素评价结果,对模糊向量Y做归一化处理得Y′,对每一个复杂度评价等级赋予分值,得到分值向量C,最后得复杂度单因素指标评判结果得分si=Y′TC,获得环境复杂度评价结果,重复前述步骤依次取第i个评价指标,得到S={s1,s2,...,sn},按环境复杂度评价指标权重W,采用加权平均法得到环境复杂度的综合评价得分:Ec=W×ST。
5.如权利要求1所述的智能车辆的智能程度测评方法,其特征在于:采用分层分析法对测试任务完成程度进行评估的步骤进一步包括:
通过准则层的n个指标构造成对比较矩阵A=〔aij〕n×n,其中aij是按照Satty建议的AHP法标度原则选取的、第i个与第j个评价指标相对上层任务完成情况重要性比较,采用和法近似估算A的最大特征值λmax及其对应特征向量Uk,计算A的随机一致性比率CR,做一致性检验并作出相应的调整,最后得到的Uk各元素就是各评价指标的权重,对多辆智能车进行任务完成程度排序,还要对多辆智能车比较各个任务完成程度评价指标下的得分,首先,成对比较m辆智能车的第一个任务完成评价指标,结合前述方法得到成对比较阵B=〔bij〕m×m,其中bij是第i个与第j辆车相对上层第一个评价指标评估情况比较,近似估算B的最大特征值λmax及其对应特征向量U1,计算B的随机一致性比率CR,做一致性检验并作出相应的调整,最后得到的U1各元素就是N辆智能车针对各评价指标的得分,
按照相同的步骤分别完成m辆智能车针对其他评价指标的得分Ui,{i=1,2,...,m},
最后将智能车针对各评价指标的得分乘以各指标的权重,得到各智能车辆评价总分,排序之后得到智能车的任务完成程度测评:Mg=(s1,s2,...,sm)T=(U1,U2,...,Un)TUk。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201210218791 CN102829980A (zh) | 2012-03-29 | 2012-06-28 | 一种智能车辆的智能程度测评方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210088409.4 | 2012-03-29 | ||
CN201210088409 | 2012-03-29 | ||
CN 201210218791 CN102829980A (zh) | 2012-03-29 | 2012-06-28 | 一种智能车辆的智能程度测评方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102829980A true CN102829980A (zh) | 2012-12-19 |
Family
ID=47333193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201210218791 Pending CN102829980A (zh) | 2012-03-29 | 2012-06-28 | 一种智能车辆的智能程度测评方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102829980A (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103207090A (zh) * | 2013-04-09 | 2013-07-17 | 北京理工大学 | 一种无人驾驶车辆环境模拟测试***及测试方法 |
CN103234763A (zh) * | 2013-04-09 | 2013-08-07 | 北京理工大学 | 一种无人驾驶车辆定量评价***及评价方法 |
CN103279837A (zh) * | 2013-06-05 | 2013-09-04 | 浙江中控软件技术有限公司 | 一种生产数据分析方法及*** |
CN103335853A (zh) * | 2013-07-18 | 2013-10-02 | 中国科学院自动化研究所 | 一种无人驾驶车辆认知能力测试***及方法 |
CN105579823A (zh) * | 2013-09-05 | 2016-05-11 | 克朗设备公司 | 动态操作员行为分析器 |
CN105954040A (zh) * | 2016-04-22 | 2016-09-21 | 百度在线网络技术(北京)有限公司 | 应用于无人驾驶汽车的测试方法和装置 |
CN106198049A (zh) * | 2016-07-15 | 2016-12-07 | 百度在线网络技术(北京)有限公司 | 真实车辆在环测试***和方法 |
CN106447045A (zh) * | 2016-10-14 | 2017-02-22 | 重庆交通大学 | 基于机器学习的adas***的测评方法 |
CN106575388A (zh) * | 2014-09-14 | 2017-04-19 | 克朗设备公司 | 动态工业车辆测量 |
CN107152995A (zh) * | 2017-04-24 | 2017-09-12 | 中国汽车技术研究中心 | 一种汽车碰撞试验中试验重复性的量化评价方法 |
CN107633339A (zh) * | 2016-12-15 | 2018-01-26 | 中华电信股份有限公司 | 绩效评估***及方法 |
CN108304986A (zh) * | 2017-12-15 | 2018-07-20 | 工业和信息化部计算机与微电子发展研究中心(中国软件评测中心) | 一种自动驾驶车辆行为安全的测评方法 |
CN109284889A (zh) * | 2018-07-19 | 2019-01-29 | 长安大学 | 一种无人车反应敏捷度评测方法和装置 |
CN109632331A (zh) * | 2018-12-12 | 2019-04-16 | 长安大学 | 一种低成本的adas***行人碰撞测试装置及其测试方法 |
CN109632330A (zh) * | 2018-12-12 | 2019-04-16 | 长安大学 | 一种低成本的aeb***骑自行车人碰撞测试装置及其测试方法 |
CN109782730A (zh) * | 2017-11-14 | 2019-05-21 | 通用汽车环球科技运作有限责任公司 | 用于自主***性能和评级的方法和装置 |
CN110222406A (zh) * | 2019-05-30 | 2019-09-10 | 中国人民解放军国防科技大学 | 一种基于任务阶段复杂性的无人机自主能力评估方法 |
CN110414756A (zh) * | 2018-04-28 | 2019-11-05 | 奥迪股份公司 | 交通工具驾驶***评估方法、装置、计算机设备 |
CN110633729A (zh) * | 2019-08-06 | 2019-12-31 | 清华大学苏州汽车研究院(相城) | 一种面向智能网联车辆群组测试的驾驶风险分级聚类方法 |
CN110907197A (zh) * | 2019-12-11 | 2020-03-24 | 北京京东乾石科技有限公司 | 车辆测试方法、装置和*** |
CN111160727A (zh) * | 2019-12-13 | 2020-05-15 | 北京航天云路有限公司 | 基于自定义评估模型、算法自动生成结果的可视化方法 |
CN111222750A (zh) * | 2019-11-27 | 2020-06-02 | 清华大学苏州汽车研究院(相城) | 无人驾驶车辆综合定量测评***及其方法 |
CN111344547A (zh) * | 2017-11-15 | 2020-06-26 | 罗伯特·博世有限公司 | 用于检验车辆的至少一个车辆组件的方法 |
CN111581102A (zh) * | 2020-05-11 | 2020-08-25 | 中国人民解放军陆军研究院装甲兵研究所 | 基于环境数据的测试题库*** |
CN112053555A (zh) * | 2020-07-30 | 2020-12-08 | 中汽数据有限公司 | 一种用于对停车场环境驾驶场景复杂度评级的方法 |
CN112781887A (zh) * | 2020-12-21 | 2021-05-11 | 苏州挚途科技有限公司 | 测试车辆性能的方法、装置和*** |
CN114168565A (zh) * | 2021-12-10 | 2022-03-11 | 北京宇信科技集团股份有限公司 | 业务规则模型的回溯测试方法、装置、***及决策引擎 |
CN114863585A (zh) * | 2022-04-06 | 2022-08-05 | 宗申·比亚乔佛山摩托车企业有限公司 | 一种车辆智能测试监控***、方法及云平台 |
-
2012
- 2012-06-28 CN CN 201210218791 patent/CN102829980A/zh active Pending
Cited By (47)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103207090A (zh) * | 2013-04-09 | 2013-07-17 | 北京理工大学 | 一种无人驾驶车辆环境模拟测试***及测试方法 |
CN103234763A (zh) * | 2013-04-09 | 2013-08-07 | 北京理工大学 | 一种无人驾驶车辆定量评价***及评价方法 |
CN103234763B (zh) * | 2013-04-09 | 2015-04-15 | 北京理工大学 | 一种无人驾驶车辆定量评价***及评价方法 |
CN103279837A (zh) * | 2013-06-05 | 2013-09-04 | 浙江中控软件技术有限公司 | 一种生产数据分析方法及*** |
CN103335853A (zh) * | 2013-07-18 | 2013-10-02 | 中国科学院自动化研究所 | 一种无人驾驶车辆认知能力测试***及方法 |
CN103335853B (zh) * | 2013-07-18 | 2015-09-16 | 中国科学院自动化研究所 | 一种无人驾驶车辆认知能力测试***及方法 |
US11694572B2 (en) | 2013-09-05 | 2023-07-04 | Crown Equipment Corporation | Dynamic operator behavior analyzer |
CN105579823A (zh) * | 2013-09-05 | 2016-05-11 | 克朗设备公司 | 动态操作员行为分析器 |
US11935426B2 (en) | 2013-09-05 | 2024-03-19 | Crown Equipment Corporation | Dynamic operator behavior analyzer |
CN106575388A (zh) * | 2014-09-14 | 2017-04-19 | 克朗设备公司 | 动态工业车辆测量 |
US10846953B2 (en) | 2014-09-14 | 2020-11-24 | Crown Equipment Corporation | Dynamic industrial vehicle measure |
CN106575388B (zh) * | 2014-09-14 | 2020-12-08 | 克朗设备公司 | 动态工业车辆测量 |
CN105954040A (zh) * | 2016-04-22 | 2016-09-21 | 百度在线网络技术(北京)有限公司 | 应用于无人驾驶汽车的测试方法和装置 |
CN105954040B (zh) * | 2016-04-22 | 2019-02-12 | 百度在线网络技术(北京)有限公司 | 应用于无人驾驶汽车的测试方法和装置 |
CN106198049A (zh) * | 2016-07-15 | 2016-12-07 | 百度在线网络技术(北京)有限公司 | 真实车辆在环测试***和方法 |
CN106198049B (zh) * | 2016-07-15 | 2019-03-12 | 百度在线网络技术(北京)有限公司 | 真实车辆在环测试***和方法 |
CN106447045A (zh) * | 2016-10-14 | 2017-02-22 | 重庆交通大学 | 基于机器学习的adas***的测评方法 |
CN106447045B (zh) * | 2016-10-14 | 2018-11-23 | 重庆交通大学 | 基于机器学习的adas***的测评方法 |
CN107633339A (zh) * | 2016-12-15 | 2018-01-26 | 中华电信股份有限公司 | 绩效评估***及方法 |
CN107633339B (zh) * | 2016-12-15 | 2021-05-28 | 中华电信股份有限公司 | 绩效评估***及方法 |
CN107152995A (zh) * | 2017-04-24 | 2017-09-12 | 中国汽车技术研究中心 | 一种汽车碰撞试验中试验重复性的量化评价方法 |
CN109782730A (zh) * | 2017-11-14 | 2019-05-21 | 通用汽车环球科技运作有限责任公司 | 用于自主***性能和评级的方法和装置 |
US11312411B2 (en) | 2017-11-15 | 2022-04-26 | Robert Bosch Gmbh | Method for testing at least one vehicle component of a vehicle |
CN111344547A (zh) * | 2017-11-15 | 2020-06-26 | 罗伯特·博世有限公司 | 用于检验车辆的至少一个车辆组件的方法 |
CN108304986B (zh) * | 2017-12-15 | 2021-06-29 | 工业和信息化部计算机与微电子发展研究中心(中国软件评测中心) | 一种自动驾驶车辆行为安全的测评方法 |
CN108304986A (zh) * | 2017-12-15 | 2018-07-20 | 工业和信息化部计算机与微电子发展研究中心(中国软件评测中心) | 一种自动驾驶车辆行为安全的测评方法 |
CN110414756A (zh) * | 2018-04-28 | 2019-11-05 | 奥迪股份公司 | 交通工具驾驶***评估方法、装置、计算机设备 |
CN110414756B (zh) * | 2018-04-28 | 2023-09-26 | 奥迪股份公司 | 交通工具驾驶***评估方法、装置、计算机设备 |
CN109284889A (zh) * | 2018-07-19 | 2019-01-29 | 长安大学 | 一种无人车反应敏捷度评测方法和装置 |
CN109284889B (zh) * | 2018-07-19 | 2021-10-26 | 长安大学 | 一种无人车反应敏捷度评测方法和装置 |
CN109632331A (zh) * | 2018-12-12 | 2019-04-16 | 长安大学 | 一种低成本的adas***行人碰撞测试装置及其测试方法 |
CN109632330A (zh) * | 2018-12-12 | 2019-04-16 | 长安大学 | 一种低成本的aeb***骑自行车人碰撞测试装置及其测试方法 |
CN110222406B (zh) * | 2019-05-30 | 2023-04-07 | 中国人民解放军国防科技大学 | 一种基于任务阶段复杂性的无人机自主能力评估方法 |
CN110222406A (zh) * | 2019-05-30 | 2019-09-10 | 中国人民解放军国防科技大学 | 一种基于任务阶段复杂性的无人机自主能力评估方法 |
CN110633729A (zh) * | 2019-08-06 | 2019-12-31 | 清华大学苏州汽车研究院(相城) | 一种面向智能网联车辆群组测试的驾驶风险分级聚类方法 |
CN111222750A (zh) * | 2019-11-27 | 2020-06-02 | 清华大学苏州汽车研究院(相城) | 无人驾驶车辆综合定量测评***及其方法 |
CN110907197A (zh) * | 2019-12-11 | 2020-03-24 | 北京京东乾石科技有限公司 | 车辆测试方法、装置和*** |
CN111160727A (zh) * | 2019-12-13 | 2020-05-15 | 北京航天云路有限公司 | 基于自定义评估模型、算法自动生成结果的可视化方法 |
CN111581102A (zh) * | 2020-05-11 | 2020-08-25 | 中国人民解放军陆军研究院装甲兵研究所 | 基于环境数据的测试题库*** |
CN112053555A (zh) * | 2020-07-30 | 2020-12-08 | 中汽数据有限公司 | 一种用于对停车场环境驾驶场景复杂度评级的方法 |
CN112053555B (zh) * | 2020-07-30 | 2022-11-04 | 中汽数据有限公司 | 一种用于对停车场环境驾驶场景复杂度评级的方法 |
CN112781887B (zh) * | 2020-12-21 | 2024-02-20 | 苏州挚途科技有限公司 | 测试车辆性能的方法、装置和*** |
CN112781887A (zh) * | 2020-12-21 | 2021-05-11 | 苏州挚途科技有限公司 | 测试车辆性能的方法、装置和*** |
CN114168565A (zh) * | 2021-12-10 | 2022-03-11 | 北京宇信科技集团股份有限公司 | 业务规则模型的回溯测试方法、装置、***及决策引擎 |
CN114168565B (zh) * | 2021-12-10 | 2022-07-08 | 北京宇信科技集团股份有限公司 | 业务规则模型的回溯测试方法、装置、***及决策引擎 |
CN114863585A (zh) * | 2022-04-06 | 2022-08-05 | 宗申·比亚乔佛山摩托车企业有限公司 | 一种车辆智能测试监控***、方法及云平台 |
CN114863585B (zh) * | 2022-04-06 | 2023-08-08 | 宗申·比亚乔佛山摩托车企业有限公司 | 一种车辆智能测试监控***、方法及云平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102829980A (zh) | 一种智能车辆的智能程度测评方法 | |
Nadi et al. | Multi-criteria, personalized route planning using quantifier-guided ordered weighted averaging operators | |
Mantouka et al. | Smartphone sensing for understanding driving behavior: Current practice and challenges | |
Boriboonsomsin et al. | Eco-driving: pilot evaluation of driving behavior changes among us drivers | |
Golledge et al. | Spatial behavior in transportation modeling and planning | |
Orfila et al. | An android based ecodriving assistance system to improve safety and efficiency of internal combustion engine passenger cars | |
CN109840612A (zh) | 用户驾驶行为分析方法及*** | |
Cheung et al. | Identifying driver behaviors using trajectory features for vehicle navigation | |
Horner et al. | Integrating people and place: A density-based measure for assessing accessibility to opportunities | |
Rashidi et al. | What we know and do not know about connected and autonomous vehicles | |
CN109686092B (zh) | 一种交通网络通达性评估方法 | |
Więckowski et al. | Complex sensitivity analysis in Multi-Criteria Decision Analysis: An application to the selection of an electric car | |
CN111429744A (zh) | 一种路况信息融合分析的方法、装置及存储介质 | |
CN109544926A (zh) | 一种基于路口相关性的交通流量修复方法 | |
Duleba et al. | Ranking the key areas for autonomous proving ground development using Pareto Analytic Hierarchy Process | |
CN113469755B (zh) | 一种基于广告推送的智能精准营销管理*** | |
Zhang et al. | How road network transformation may be associated with reduced carbon emissions: An exploratory analysis of 19 major Chinese cities | |
Beura et al. | Defining Bicycle Levels of Service Criteria Using Levenberg–Marquardt and Self-organizing Map Algorithms | |
Chuanxia et al. | Machine learning and IoTs for forecasting prediction of smart road traffic flow | |
Winters et al. | Assessing level of service equally across modes | |
CN113610298B (zh) | 考虑用户出行行为的用户出行能耗预测及路径推荐方法 | |
Tang et al. | A data-driven framework for natural feature profile of public transport ridership: Insights from Suzhou and Lianyungang, China | |
Bramson et al. | Scoring and classifying regions via multimodal transportation networks | |
Kaiser et al. | Digital services based on vehicle usage data: the underlying vehicle data value chain | |
Vrany et al. | Generating Synthetic Vehicle Speed Records Using LSTM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20121219 |