CN108536977A - 一种智能无人驾驶车辆定量评价*** - Google Patents
一种智能无人驾驶车辆定量评价*** Download PDFInfo
- Publication number
- CN108536977A CN108536977A CN201810338677.4A CN201810338677A CN108536977A CN 108536977 A CN108536977 A CN 108536977A CN 201810338677 A CN201810338677 A CN 201810338677A CN 108536977 A CN108536977 A CN 108536977A
- Authority
- CN
- China
- Prior art keywords
- interpolation
- path
- state
- module
- automatic driving
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于无人驾驶技术领域,公开了一种智能无人驾驶车辆定量评价***,所述智能无人驾驶车辆定量评价***包括:程序检测模块、电器设备检测模块、速度检测模块、故障检测模块、功耗检测模块、数据处理模块、云服务模块、定量评价模块、显示模块、记录仪模块。本发明通过云服务模块可以大大提高数据分析处理速度,提高定量评价效率;同时通过定量评价模块,可以更加科学的、准确的对无人驾驶车辆进行定量评价,并且找到改进的方向,促进无人驾驶车辆技术的快速发展,从而保证无人驾驶车辆能够在真实交通环境下安全的行驶。
Description
技术领域
本发明属于无人驾驶技术领域,尤其涉及一种智能无人驾驶车辆定量评价***。
背景技术
目前,业内常用的现有技术是这样的:
无人驾驶车辆是智能汽车的一种,主要依靠车内的以计算机***为主的智能驾驶仪来实现无人驾驶的目标;它是利用车载传感器来感知车辆周围环境,并根据感知所获得的道路、车辆位置和障碍物信息,控制车辆的转向和速度,从而使车辆能够安全、可靠地在道路上行驶。然而,现有的无人驾驶车辆定量评价***处理数据速度慢;同时评价不够全面,准确性不高。
随着科技的快速发展和工业需求的不断提高,各种软硬件设计的的复杂度也日益增加,对于可靠性和安全性的要求也不断提高。***的可靠性,安全性和正确性已经受到了科学界和工业界的广泛关注。形式化验证和测试是解决该问题的主要方法。形式化验证方法始于20世纪60年代末的Floyd、Hoare和Manna等在程序规范和验证方面的研究。形式化验证方法分为两大类:基于定理证明和基于模型。20世纪80年代初提出的模型检测(ModelChecking)属于基于模型的形式化验证方法,思想相对简单和自动化程度高,可以广泛用于硬件电路***和网络协议***的验证。模型检测就是先把***建模为有限状态转移***,并用时态逻辑描述特验证的规范,在有限状态转移***上进行穷尽搜索,确定规范是否被满足,若没有满足,给出反例指出为什么没有满足。模型检测面临状态***问题,所谓状态***问题即***状态数随着状态规模的增加呈指数级增加。所以该领域的研究人员使用各种方法缩减搜索的状态空间,基于反例引导的抽象模型检测是常用的技术。基于反例路径的抽象细化(Counterexample-Guided Abstraction Refinement,CEGAR)技术的过程如下:给定一个模型和性质,首先通过抽象的方法生成一个抽象模型。抽象模型包含的行为可能会多于原始模型,但是,抽象模型的结构和描述都比原始模型简单,所以可以缓解状态空间***问题。然后调用模型检测器,检测公式是否在抽象模型中有效。如果有效,则程序终止;否则,会给出反例路径,然后进行重构(reconstruction)过程,即在原始模型中,如果成功找到一条路径对应于反例路径,则程序结束;否则,反例路径为虚假反例路径,下一个迭代过程开始,重新生成抽象模型,进行验证。重复此过程,直到返回有效或者无效,或者状态空间***造成程序停止。动态符号执行技术是一种符号执行与具体执行相结合的测试手段。符号执行是指在不执行程序的前提下,用符号值表示程序变量的值,然后模拟程序执行来进行相关分析。首先,对待分析代码构建控制流图(Control Flow Graph,CFG),它是编译器内部用有向图表示一个程序过程的抽象数据结构。在CFG上从入口节点开始模拟执行,在遇到分支节点时,使用约束求解器判定哪条分支可行,并根据预先设计的路径调度策略实现对该过程所有路径的遍历分析,最后输出每条可执行路径的分析结果。动态符号执行是以具体数值作为输入,同时启动代码模拟执行器,并从当前路径的分支语句的谓词中搜集所有符号约束。然后根据策略反转约束中的一个分支,构造一条新的可行的路径约束,并用约束求解器求解出一个可行的新的具体输入,接着符号执行引擎对新输入值进行新一轮的分析。通过使用这种输入迭代产生新输入的方法,理论上所有可行的路径都可以被计算并分析一遍。动态符号执行技术的主要瓶颈是路径***问题,即随着程序中分支数的增多,路径呈指数级增加。插值是缓解路径***问题的有效方法,主要是一种搜索剪枝的思想,通过利用不可行路径给行节点标记插值,插值是指一定不会到达被标记为错误行的条件约束。对于分支节点,若该节点的每个分支都被探索过,那么在该节点标记的插值为全插值,否则为半插值。在动态符号执行中,若从开始节点到当前节点的路径约束满足当前节点的全插值,则该路径可被归并,即不被探索,从而有效缓解了路径***问题。对于大规模***,抽象模型在进行验证时细化次数过多,且模型检测的瓶颈是状态***问题,因此提出一种行之有效并加快抽象模型验证的方法刻不容缓。
综上所述,现有技术存在的问题是:
现有的无人驾驶车辆定量评价***处理数据速度慢;同时评价不够全面,准确性不高。
对于大规模***,抽象模型在进行验证时细化次数过多,且模型检测的瓶颈是状态***。
发明内容
针对现有技术存在的问题,本发明提供了一种智能无人驾驶车辆定量评价***。
本发明是这样实现的,一种智能无人驾驶车辆定量评价***包括:
程序检测模块、电器设备检测模块、速度检测模块、故障检测模块、功耗检测模块、数据处理模块、云服务模块、定量评价模块、显示模块、记录仪模块;
程序检测模块,与数据处理模块连接,用于对无人驾驶车进行程序正常状态检测;
电器设备检测模块,与数据处理模块连接,用于对无人驾驶车电器设备正常状态检测;
速度检测模块,与数据处理模块连接,用于对无人驾驶车的行驶速度进行检测;
故障检测模块,与数据处理模块连接,用于对无人驾驶车的故障信号进行检测;
功耗检测模块,与数据处理模块连接,用于对无人驾驶车的功耗程度进行检测;
数据处理模块,与程序检测模块、电器设备检测模块、速度检测模块、故障检测模块、功耗检测模块、云服务模块、定量评价模块、显示模块连接,用于对检测的数据进行处理分析,并发送给云服务模块;
云服务模块,与数据处理模块连接,用于通过云服务器集中大数据计算资源对检测数据进行处理;
定量评价模块,与数据处理模块连接,用于通过数学的方法,对收集和处理检测数据资料,对无人驾驶车做出定量结果的价值判断;
具体包括:
利用集成的采集模块进行数据处理模块传输的信号进行采集,包括:首先,用感知设备在独立的采样周期内对目标信号x(t)进行采集,并用A/D方式对信号进行数字量化;然后,对量化后的信号x(i)进行降维;最后,对降维后的信号进行重构;其中t为采样时刻,i为量化后的信号排序;
对量化后的信号进行降维,具体是对量化后的信号通过有限脉冲响应滤波器的差分方程其中h(0),…,h(L-1)为滤波器系数,设计基于滤波的压缩感知信号采集框架,构造如下托普利兹测量矩阵:
则观测其中b1,…,bL看作滤波器系数;子矩阵ΦFT的奇异值是格拉姆矩阵G(ΦF,T)=Φ′FTΦFT特征值的算术根,验证G(ΦF,T)的所有特征值λi∈(1-δK,1+δK),i=1,…,T,则ΦF满足RIP,并通过求解如下最优化问题来重构原信号;通过线性规划方法来重构原信号,亦即BP算法;
针对实际压缩信号,图像信号的采集,则修改ΦF为如下形式:
如果信号在变换基矩阵Ψ上具有稀疏性,则通过求解如下最优化问题,精确重构出原信号;其中Φ与Ψ不相关,Ξ称为CS矩阵;
利用集成的转换处理模块对采集模块采集的信息转换为C程序语言;
还进行:读入C程序,对C程序进行语法语义分析,并从抽象语法树中提取出控制流自动机CFG;给CFG添加safety插值和error插值,扩展CFG;在根据CFG生成ARG的过程中,在每一个状态,判断safety插值和error插值是否被当前路径公式蕴含;
某一个状态的error插值被蕴含,则说明程序存在一条真反例路径,程序不安全,验证结束;如果safety插值被蕴含,则说明该状态的后续所有路径都是安全的,不需要遍历,减少了遍历的路径;如果发现一个虚假反例路径,则根据Craig插值,计算和更新safety插值和error插值。
利用集成的转换处理模块对采集模块采集的信息转换为C程序语言;还进行的方法包括:
步骤一,根据待验证的程序,生成控制流图CFG,给CFG中的结点添加3个属性:R插值,S插值和E插值,R插值是结点可达的约束条件,判断一个状态的可达性;S插值和E插值对路径进行规约,加快程序的验证;给CFG的边添加属性W;一条边的W值表示以该边指向的结点为根结点的子图中,还没有被遍历的分支的个数;
步骤二,根据生成的CFG,生成抽象可达图ARG,如果沿着一条路径生成一个新状态s,如果s对应的R插值被满足,说明状态s可达,继续沿着状态s遍历该路径;否则,状态s不可达,则该路径终止,遍历其他路径;对于一个可达的状态s,如果状态s对应的E插值被该路径对应的路径公式蕴含,说明沿着该状态存在一条到达目标状态的路径,程序不安全;如果状态s对应的S插值被蕴含,说明以状态为起点的所有路径都是安全的,不需要沿着状态s探索程序;如果状态s是可达的,且E插值和S插值都不被蕴含,则继续沿着状态s遍历该路径;
步骤三,在生成ARG的过程中,发现一条反例路径,到达目标状态,则需要进一步判断反例路径是否虚假;不是虚假反例,则说明程序是不安全的;否则,根据虚假反例,细化模型,分别计算并更新对应状态的R插值,S插值和E插值,执行重新生成ARG,直到找到一条真反例路径或不存在反例路径。
所述步骤一生成待验证程序的CFG,并且初始化结点和边的属性,包括以下步骤:
(1)找到CFG中的目标结点,从目标结点开始反向遍历CFG,遍历的结点和边都保留,没有遍历到的结点和边都删除;
(2)得到裁剪后的CFG,初始化属性的值,对各个结点的三种插值进行初始化,初次遍历CFG,生成ARG的过程中,每一个结点的R插值的初始值都为{true};对于S插值,定义了为一个二元组:(F,Is),其中,F的值域为{full,half},Is的值是一个由谓词组成的合取式;对于一个结点l,如果l没有后继结点或者l的所有后继结点的S插值都是full,记为f,表示l的所有后继结点都被遍历过,则l的S插值也是full,否则,l的S插值为half,记为h,具体的形式如下:
l是终结点,S插值的初始值为(full,true),表示如果到达终结点,路径一定是安全的;l是目标结点,S插值的初始值为(full,false),表示如果到达目标结点,路径一定是反例路径;对于其他结点,S插值的初始值为(half,true),具体的形式如下:
l是目标结点,E插值的初始值为true,表示路径一定是真反例;l是终结点,E插值的初始值为false,表示路径一定不可能到达目标结点;对于其他结点,E插值的初始值为false,初始认为都不能到达目标结点;对于每一条迁移的W属性,初始值为⊥,表示还没开始遍历,其中,W的值域为{N+,⊥},N+是正整数集合;
所述步骤二中,利用W属性决定分支边的遍历顺序,同时,利用S插值和E插值,加快验证的效率,具体的步骤包括:
(1)得到一个可达状态s',根据CFG的迁移关系,产生后继状态;如果存在多个可能的后继,根据边的W值,决定遍历顺序;边的W值的优先级为:(>0)>⊥>0;如果边的W值相同,则随机选择;对于一个后继状态s,根据R插值,如果状态s不可达,则当前路径终止,遍历其他路径;如果当前状态s可达,首先判断s的E插值是否为false;如果是false,说明s[0]的后继结点还没被遍历过,跳转到(2);如果不是false,首先采用SSA原则,每一个变量至多被赋值一次,得到从初始状态s0到达s的路径公式,记为Pf(s0,…,s);用求解器判断Pf(s0,…,s)是否蕴含s的E插值;如果蕴含,则说明程序存在一条真反例,程序不安全,验证结束;否则跳转到(2);
(2)判断s的S插值是否为full插值;如果不是full插值,则跳转到(3);如果是full插值,得到从初始状态s0到达s的路径公式,记为Pf(s0,…,s),然后用求解器判断Pf(s0,…,s)是否蕴含s的S插值;如果蕴含,则说明以状态s为起点的所有路径都是安全的,不需要探索,当前路径终止,遍历其他路径;
(3)判断s是否目标状态,如果是目标状态,则发现一条反例路径,执行步骤三;如果不是,进一步判断s是否被其他状态覆盖;如果s被覆盖,则不需要探索当前路径,遍历其他路径;如果s不被覆盖,则继续探索当前路径;
(4)如果存在没有被遍历的可达状态,则跳转到(1);否则,验证结束,程序安全;
所述步骤三中计算插值和W属性的具体步骤包括:
1)在生成ARG的过程中,发现一条反例路径path:〈s0,e0,s1,…,en-1,sn〉;利用SMT求解器判断path是不是虚假;如果path是真反例,则程序不安全,验证结束;如果path是虚假的,则执行2);
2)计算R插值,对于状态si,0<i<n,将path划分为两部分:pre和post;pre子序列为<s0,…,si>,post子序列为<si,…,sn>,利用Craig插值公式计算新的R插值,Craig(pre,post),更新si[0]的R插值,形式化地表示为:
R-Intp(si[0])=R-Intp(si[0])∪Craig(Pf(s0,..,si),Pf(si,…,sn));
其中,Pf(s0,…,si)表示从s0到si的路径对应的路径公式;
3)计算S插值,首先找到path的可达的有效序列Π=<s0,...,sm>,0<m<n,且si状态可达,si+1状态不可达;对于Π的每一个状态si,0<i≤m,判断S插值的的第一个元素是full还是half;si[0]的所有后继结点的S插值都是full,则si[0]的S插值为full,否则,si[0]的S插值为half;具体的形式如下:
对于S插值的第二个元素,记为Is(si[0]),分两种情况,如果i=m,则Is(si[0])是边ei+1的路径公式取反;如果0<i<m,Is(si[0])利用Craig插值计算,记为Craig(A,B);其中,A表示从s0到si的路径公式,B是边ei对应的公式和状态si+1对应的S插值取反的合取式;具体的形式如下:
其中,A=Pf(s0,…,si),B=Pf(si,ei,si+1)∧!(Is(si+1[0]);从sm状态开始倒序地计算每个状态的插值,直到初始状态或者某一状态的S插值为half;
4)计算E插值,找到path的最大有效后缀序列Π=<si,…,sn>,0<i≤n;从si状态开始,利用Craig插值,倒序地计算对应的E插值,记为Craig(A,B);对于si,A是从si到sn的路径公式和sn的E插值的合取式,B是从s0到si的路径公式;对于状态sj,0<j<i,A是从sj到sj+1的路径公式和sj+1的E插值的合取式,B是从s0到sj的路径公式,具体的形式如下:
5)计算边的W值,根据反例路径和更新后的S插值,来计算对应边的W值,对于一条边e:(s,op,s'),如果s'的S插值是full,则e的W值为0;如果s'的S插值是half,且s'是最后一个可达状态,e的W值为s'[0]的出边的个数-1;如果s'的S插值是half,且s'不是最后一个可达状态,e的W值为两部分的和:1)s'[0]的出边中W值不为⊥的边的W值的和,2)s'[0]的出边中W值为⊥的边的个数;对于边e:(s,op,s'),s':(l',c',p')具体的形式如下:
6)跳转到步骤二,重新生成ARG。
显示模块,与数据处理模块连接,用于显示检测的数据和评价的信息。包括:壳体、无线模块、屏幕、按键;所述壳体为硬质材料,用于保护内部器件;所述无线模块嵌于壳体上,与屏幕通过导线相连;所述屏幕嵌于壳体上;所述按键与屏幕相连,与无线模块通过导线相连。
进一步,所述定量评价模块评价方法如下:
首先,数据处理模块将对无人驾驶车的检测数据处理后发送给云服模块通过大数据资源进行计算分析,并反馈给数据处理模块,数据处理模块将反馈数据发送给定量评价模块;
然后,定量评价模块根据任务复杂程度、环境复杂程度和人工干预程度对无人驾驶车辆智能水平划分等级;选择无人驾驶车辆评价指标体系,并确定指标体系中各级指标权重;采集无人驾驶车辆的行驶轨迹;
最后,根据所属行驶轨迹进行无人驾驶车辆与环境交互的量化分析;根据量化分析的结果实现无人驾驶车辆的定量评价。
进一步,所述其中所述无人驾驶车辆智能水平划分等级包括:
根据无人驾驶车辆独立完成任务的数量和任务的难度划分任务复杂程度的第一等级;
根据交通环境属性划分环境复杂程度的第二等级;
根据无人驾驶车辆自主决策的程度确定人工干预程度的第三等级;
根据所述第一等级,第二等级和第三等级确定无人驾驶车辆智能水平的等级划分。
进一步,所述记录仪模块用于交通情况等记录存储。
综上所述,本发明的优点及积极效果为:
本发明通过云服务模块可以大大提高数据分析处理速度,提高定量评价效率;同时通过定量评价模块,可以更加科学的、准确的对无人驾驶车辆进行定量评价,并且找到改进的方向,促进无人驾驶车辆技术的快速发展,从而保证无人驾驶车辆能够在真实交通环境下安全的行驶。
本发明更加充分地利用了模型检测中虚假反例路径提供的信息,通过计算S插值和E插值,提高了检测的效率,使得模型检测算法可以更好地应用于大规模的程序;S插值可以判断出一个状态后续所有可能的路径序列是否都是安全的,从而避免不必要的探索,大大地减少ARG的状态数;E插值可以运用于快速地判断程序中是否存在真反例路径,加快了程序的验证,提高了效率。
本发明裁剪了CFG中无用的结点和边,进一步缩小了遍历的状态空间,在CFG的边上添加W属性,使得程序验证的效率得到进一步的提升。通过缩减抽象模型验证时的路径搜索空间从而缓解状态***问题,加快验证效率。同时提供了两种优化操作,使得验证过程更加高效;主要应用于工业,军事,农业,科研等领域设计的软硬件***正确性的形式化验证,以及各类通信协议安全性,可靠性的形式化验证。
附图说明
图1是本发明实施例提供的智能无人驾驶车辆定量评价***结构示意图;
图中:1、程序检测模块;2、电器设备检测模块;3、速度检测模块;4、故障检测模块;5、功耗检测模块;6、数据处理模块;7、云服务模块;8、定量评价模块;9、显示模块。
图2是本发明实施例提供的智能无人驾驶车辆记录仪模块结构示意图;
图中:10、外壳;11、摄像机;12、雷达监测器;13、播放器;14、内置存储器;15、USB接口。
图3是本发明实施例提供的智能无人驾驶车辆显示模块结构示意图;
图中:16、壳体;17、无线模块;18、屏幕;19、按键。
图4是本发明实施例提供的待验证程序Exa.c及CFG示意图。
图5是本发明实施例提供的仅使用R插值所要遍历的路径示意图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示,本发明实施例提供的智能无人驾驶车辆定量评价***包括:程序检测模块1、电器设备检测模块2、速度检测模块3、故障检测模块4、功耗检测模块5、数据处理模块6、云服务模块7、定量评价模块8、显示模块9。
如图2是本发明实施例提供的智能无人驾驶车辆记录仪模块结构示意图;
图中:外壳10、摄像机11、雷达监测器12、播放器13、内置存储器14、USB接口15。
如图3是本发明实施例提供的智能无人驾驶车辆显示模块结构示意图;
图中:壳体16、无线模块17、屏幕18、按键19.
程序检测模块1,与数据处理模块6连接,用于对无人驾驶车进行程序正常状态检测;
电器设备检测模块2,与数据处理模块6连接,用于对无人驾驶车电器设备正常状态检测;
速度检测模块3,与数据处理模块6连接,用于对无人驾驶车的行驶速度进行检测;
故障检测模块4,与数据处理模块6连接,用于对无人驾驶车的故障信号进行检测;
功耗检测模块5,与数据处理模块6连接,用于对无人驾驶车的功耗程度进行检测;
数据处理模块6,与程序检测模块1、电器设备检测模块2、速度检测模块3、故障检测模块4、功耗检测模块5、云服务模块7、定量评价模块8、显示模块9连接,用于对检测的数据进行处理分析,并发送给云服务模块7;
云服务模块7,与数据处理模块6连接,用于通过云服务器集中大数据计算资源对检测数据进行处理;
定量评价模块8,与数据处理模块6连接,用于通过数学的方法,对收集和处理检测数据资料,对无人驾驶车做出定量结果的价值判断;
显示模块9,与数据处理模块6连接,用于显示检测的数据和评价的信息。所述壳体16为硬质材料,用于保护内部器件;所述无线模块17嵌于壳体16上,与屏幕18通过导线相连;所述屏幕18嵌于壳体16上;所述按键19与屏幕18相连,与无线模块17通过导线相连。
本发明提供的定量评价模块8评价方法如下:
首先,数据处理模块将对无人驾驶车的检测数据处理后发送给云服模块通过大数据资源进行计算分析,并反馈给数据处理模块,数据处理模块将反馈数据发送给定量评价模块;
然后,定量评价模块根据任务复杂程度、环境复杂程度和人工干预程度对无人驾驶车辆智能水平划分等级;选择无人驾驶车辆评价指标体系,并确定指标体系中各级指标权重;采集无人驾驶车辆的行驶轨迹;
最后,根据所属行驶轨迹进行无人驾驶车辆与环境交互的量化分析;根据量化分析的结果实现无人驾驶车辆的定量评价。
本发明提供的其中所述无人驾驶车辆智能水平划分等级包括:
根据无人驾驶车辆独立完成任务的数量和任务的难度划分任务复杂程度的第一等级;
根据交通环境属性划分环境复杂程度的第二等级;
根据无人驾驶车辆自主决策的程度确定人工干预程度的第三等级;
根据所述第一等级,第二等级和第三等级确定无人驾驶车辆智能水平的等级划分。
本发明提供的其中所述无人驾驶车辆记录仪模块包括:所述外壳10为硬质材料,通过吸扣固定于汽车档风玻璃上;所述摄像机11嵌于外壳内部,与内置存储器14相连;所述内置存储器14固定于外壳10内部,与雷达监测器12相连;所述雷达监测器12与播放器13通过导线连接;所述播放器13嵌于外壳10外侧;所述USB接口15置于外壳10外侧,与内置存储器14相连。
本发明工作时,通过程序检测模块1对无人驾驶车进行程序正常状态检测;通过电器设备检测模块2对无人驾驶车电器设备正常状态检测;通过速度检测模块3对无人驾驶车的行驶速度进行检测;通过故障检测模块4对无人驾驶车的故障信号进行检测;通过功耗检测模块5对无人驾驶车的功耗程度进行检测;数据处理模块6对检测的数据进行处理分析,并发送给云服务模块7;接着,通过云服务模块7集中大数据计算资源对检测数据进行处理;通过定量评价模块8对收集和处理检测数据资料,对无人驾驶车做出定量结果的价值判断;通过雷达监测器12对交通指示灯和违章拍摄进行提醒,然后将信息发送给数据处理模块6对汽车进行减速或刹车等操作;摄像机11将拍摄到视频传到内置存储器14中进行存储,USB接口15可以充当电源接口,也可以将数据导出外部设备;最后,在屏幕18上显示相关数据,通过无线模块17远程连接,可对显示信息进行操作,在数据出现问题时,也可以远程对在按键19操作,通过显示模块9显示检测的数据和评价的信息。
图4是本发明实施例提供的待验证程序Exa.c及CFG示意图。
图5是本发明实施例提供的仅使用R插值所要遍历的路径示意图。
下面结合具体分析对本发明作进一步描述。
本发明实施例提供的定量评价模块,与数据处理模块连接,用于通过数学的方法,对收集和处理检测数据资料,对无人驾驶车做出定量结果的价值判断;
具体包括:
利用集成的采集模块进行数据处理模块传输的信号进行采集,包括:首先,用感知设备在独立的采样周期内对目标信号x(t)进行采集,并用A/D方式对信号进行数字量化;然后,对量化后的信号x(i)进行降维;最后,对降维后的信号进行重构;其中t为采样时刻,i为量化后的信号排序;
对量化后的信号进行降维,具体是对量化后的信号通过有限脉冲响应滤波器的差分方程其中h(0),…,h(L-1)为滤波器系数,设计基于滤波的压缩感知信号采集框架,构造如下托普利兹测量矩阵:
则观测其中b1,…,bL看作滤波器系数;子矩阵ΦFT的奇异值是格拉姆矩阵G(ΦF,T)=Φ′FTΦFT特征值的算术根,验证G(ΦF,T)的所有特征值λi∈(1-δK,1+δK),i=1,…,T,则ΦF满足RIP,并通过求解如下最优化问题来重构原信号;通过线性规划方法来重构原信号,亦即BP算法;
针对实际压缩信号,图像信号的采集,则修改ΦF为如下形式:
如果信号在变换基矩阵Ψ上具有稀疏性,则通过求解如下最优化问题,精确重构出原信号;其中Φ与Ψ不相关,Ξ称为CS矩阵;
利用集成的转换处理模块对采集模块采集的信息转换为C程序语言;
还进行:读入C程序,对C程序进行语法语义分析,并从抽象语法树中提取出控制流自动机CFG;给CFG添加safety插值和error插值,扩展CFG;在根据CFG生成ARG的过程中,在每一个状态,判断safety插值和error插值是否被当前路径公式蕴含;
某一个状态的error插值被蕴含,则说明程序存在一条真反例路径,程序不安全,验证结束;如果safety插值被蕴含,则说明该状态的后续所有路径都是安全的,不需要遍历,减少了遍历的路径;如果发现一个虚假反例路径,则根据Craig插值,计算和更新safety插值和error插值。
利用集成的转换处理模块对采集模块采集的信息转换为C程序语言;还进行的方法包括:
步骤一,根据待验证的程序,生成控制流图CFG,给CFG中的结点添加3个属性:R插值,S插值和E插值,R插值是结点可达的约束条件,判断一个状态的可达性;S插值和E插值对路径进行规约,加快程序的验证;给CFG的边添加属性W;一条边的W值表示以该边指向的结点为根结点的子图中,还没有被遍历的分支的个数;
步骤二,根据生成的CFG,生成抽象可达图ARG,如果沿着一条路径生成一个新状态s,如果s对应的R插值被满足,说明状态s可达,继续沿着状态s遍历该路径;否则,状态s不可达,则该路径终止,遍历其他路径;对于一个可达的状态s,如果状态s对应的E插值被该路径对应的路径公式蕴含,说明沿着该状态存在一条到达目标状态的路径,程序不安全;如果状态s对应的S插值被蕴含,说明以状态为起点的所有路径都是安全的,不需要沿着状态s探索程序;如果状态s是可达的,且E插值和S插值都不被蕴含,则继续沿着状态s遍历该路径;
步骤三,在生成ARG的过程中,发现一条反例路径,到达目标状态,则需要进一步判断反例路径是否虚假;不是虚假反例,则说明程序是不安全的;否则,根据虚假反例,细化模型,分别计算并更新对应状态的R插值,S插值和E插值,执行重新生成ARG,直到找到一条真反例路径或不存在反例路径。
所述步骤一生成待验证程序的CFG,并且初始化结点和边的属性,包括以下步骤:
(1)找到CFG中的目标结点,从目标结点开始反向遍历CFG,遍历的结点和边都保留,没有遍历到的结点和边都删除;
(2)得到裁剪后的CFG,初始化属性的值,对各个结点的三种插值进行初始化,初次遍历CFG,生成ARG的过程中,每一个结点的R插值的初始值都为{true};对于S插值,定义了为一个二元组:(F,Is),其中,F的值域为{full,half},Is的值是一个由谓词组成的合取式;对于一个结点l,如果l没有后继结点或者l的所有后继结点的S插值都是full,记为f,表示l的所有后继结点都被遍历过,则l的S插值也是full,否则,l的S插值为half,记为h,具体的形式如下:
l是终结点,S插值的初始值为(full,true),表示如果到达终结点,路径一定是安全的;l是目标结点,S插值的初始值为(full,false),表示如果到达目标结点,路径一定是反例路径;对于其他结点,S插值的初始值为(half,true),具体的形式如下:
l是目标结点,E插值的初始值为true,表示路径一定是真反例;l是终结点,E插值的初始值为false,表示路径一定不可能到达目标结点;对于其他结点,E插值的初始值为false,初始认为都不能到达目标结点;对于每一条迁移的W属性,初始值为⊥,表示还没开始遍历,其中,W的值域为{N+,⊥},N+是正整数集合;
所述步骤二中,利用W属性决定分支边的遍历顺序,同时,利用S插值和E插值,加快验证的效率,具体的步骤包括:
(1)得到一个可达状态s',根据CFG的迁移关系,产生后继状态;如果存在多个可能的后继,根据边的W值,决定遍历顺序;边的W值的优先级为:(>0)>⊥>0;如果边的W值相同,则随机选择;对于一个后继状态s,根据R插值,如果状态s不可达,则当前路径终止,遍历其他路径;如果当前状态s可达,首先判断s的E插值是否为false;如果是false,说明s[0]的后继结点还没被遍历过,跳转到(2);如果不是false,首先采用SSA原则,每一个变量至多被赋值一次,得到从初始状态s0到达s的路径公式,记为Pf(s0,…,s);用求解器判断Pf(s0,…,s)是否蕴含s的E插值;如果蕴含,则说明程序存在一条真反例,程序不安全,验证结束;否则跳转到(2);
(2)判断s的S插值是否为full插值;如果不是full插值,则跳转到(3);如果是full插值,得到从初始状态s0到达s的路径公式,记为Pf(s0,…,s),然后用求解器判断Pf(s0,…,s)是否蕴含s的S插值;如果蕴含,则说明以状态s为起点的所有路径都是安全的,不需要探索,当前路径终止,遍历其他路径;
(3)判断s是否目标状态,如果是目标状态,则发现一条反例路径,执行步骤三;如果不是,进一步判断s是否被其他状态覆盖;如果s被覆盖,则不需要探索当前路径,遍历其他路径;如果s不被覆盖,则继续探索当前路径;
(4)如果存在没有被遍历的可达状态,则跳转到(1);否则,验证结束,程序安全;
所述步骤三中计算插值和W属性的具体步骤包括:
1)在生成ARG的过程中,发现一条反例路径path:〈s0,e0,s1,…,en-1,sn〉;利用SMT求解器判断path是不是虚假;如果path是真反例,则程序不安全,验证结束;如果path是虚假的,则执行2);
2)计算R插值,对于状态si,0<i<n,将path划分为两部分:pre和post;pre子序列为<s0,…,si>,post子序列为<si,…,sn>,利用Craig插值公式计算新的R插值,Craig(pre,post),更新si[0]的R插值,形式化地表示为:
R-Intp(si[0])=R-Intp(si[0])∪Craig(Pf(s0,..,si),Pf(si,…,sn));
其中,Pf(s0,…,si)表示从s0到si的路径对应的路径公式;
3)计算S插值,首先找到path的可达的有效序列Π=<s0,...,sm>,0<m<n,且si状态可达,si+1状态不可达;对于Π的每一个状态si,0<i≤m,判断S插值的的第一个元素是full还是half;si[0]的所有后继结点的S插值都是full,则si[0]的S插值为full,否则,si[0]的S插值为half;具体的形式如下:
对于S插值的第二个元素,记为Is(si[0]),分两种情况,如果i=m,则Is(si[0])是边ei+1的路径公式取反;如果0<i<m,Is(si[0])利用Craig插值计算,记为Craig(A,B);其中,A表示从s0到si的路径公式,B是边ei对应的公式和状态si+1对应的S插值取反的合取式;具体的形式如下:
其中,A=Pf(s0,…,si),B=Pf(si,ei,si+1)∧!(Is(si+1[0]);从sm状态开始倒序地计算每个状态的插值,直到初始状态或者某一状态的S插值为half;
4)计算E插值,找到path的最大有效后缀序列Π=<si,…,sn>,0<i≤n;从si状态开始,利用Craig插值,倒序地计算对应的E插值,记为Craig(A,B);对于si,A是从si到sn的路径公式和sn的E插值的合取式,B是从s0到si的路径公式;对于状态sj,0<j<i,A是从sj到sj+1的路径公式和sj+1的E插值的合取式,B是从s0到sj的路径公式,具体的形式如下:
5)计算边的W值,根据反例路径和更新后的S插值,来计算对应边的W值,对于一条边e:(s,op,s'),如果s'的S插值是full,则e的W值为0;如果s'的S插值是half,且s'是最后一个可达状态,e的W值为s'[0]的出边的个数-1;如果s'的S插值是half,且s'不是最后一个可达状态,e的W值为两部分的和:1)s'[0]的出边中W值不为⊥的边的W值的和,2)s'[0]的出边中W值为⊥的边的个数;对于边e:(s,op,s'),s':(l',c',p')具体的形式如下:
6)跳转到步骤二,重新生成ARG。
显示模块,与数据处理模块连接,用于显示检测的数据和评价的信息。包括:壳体、无线模块、屏幕、按键;所述壳体为硬质材料,用于保护内部器件;所述无线模块嵌于壳体上,与屏幕通过导线相连;所述屏幕嵌于壳体上;所述按键与屏幕相连,与无线模块通过导线相连。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (7)
1.一种智能无人驾驶车辆定量评价***,其特征在于,所述智能无人驾驶车辆定量评价***包括:
定量评价模块,与数据处理模块连接,用于通过数学的方法,对收集和处理检测的数据资料做出定量结果的价值判断;具体包括:
利用集成的采集模块进行数据处理模块传输的信号进行采集,包括:首先,用感知设备在独立的采样周期内对目标信号x(t)进行采集,并用A/D方式对信号进行数字量化;然后,对量化后的信号x(i)进行降维;最后,对降维后的信号进行重构;其中t为采样时刻,i为量化后的信号排序;
对量化后的信号进行降维,具体是对量化后的信号通过有限脉冲响应滤波器的差分方程其中h(0),…,h(L-1)为滤波器系数,设计基于滤波的压缩感知信号采集框架,构造如下托普利兹测量矩阵:
则观测其中b1,…,bL看作滤波器系数;子矩阵ΦFT的奇异值是格拉姆矩阵G(ΦF,T)=Φ′FTΦFT特征值的算术根,验证G(ΦF,T)的所有特征值λi∈(1-δK,1+δK),i=1,…,T,则ΦF满足RIP,并通过求解如下最优化问题来重构原信号;通过线性规划方法来重构原信号,亦即BP算法;
针对实际压缩信号,图像信号的采集,则修改ΦF为如下形式:
如果信号在变换基矩阵Ψ上具有稀疏性,则通过求解如下最优化问题,精确重构出原信号;其中Φ与Ψ不相关,Ξ称为CS矩阵;
利用集成的转换处理模块对采集模块采集的信息转换为C程序语言;
还进行:读入C程序,对C程序进行语法语义分析,并从抽象语法树中提取出控制流自动机CFG;给CFG添加safety插值和error插值,扩展CFG;在根据CFG生成ARG的过程中,在每一个状态,判断safety插值和error插值是否被当前路径公式蕴含;
某一个状态的error插值被蕴含,则说明程序存在一条真反例路径,程序不安全,验证结束;如果safety插值被蕴含,则说明该状态的后续所有路径都是安全的,不需要遍历,减少了遍历的路径;如果发现一个虚假反例路径,则根据Craig插值,计算和更新safety插值和error插值。
2.如权利要求1所述的智能无人驾驶车辆定量评价***,其特征在于,利用集成的转换处理模块对采集模块采集的信息转换为C程序语言;还进行的方法包括:
步骤一,根据待验证的程序,生成控制流图CFG,给CFG中的结点添加3个属性:R插值,S插值和E插值,R插值是结点可达的约束条件,判断一个状态的可达性;S插值和E插值对路径进行规约,加快程序的验证;给CFG的边添加属性W;一条边的W值表示以该边指向的结点为根结点的子图中,还没有被遍历的分支的个数;
步骤二,根据生成的CFG,生成抽象可达图ARG,如果沿着一条路径生成一个新状态s,如果s对应的R插值被满足,说明状态s可达,继续沿着状态s遍历该路径;否则,状态s不可达,则该路径终止,遍历其他路径;对于一个可达的状态s,如果状态s对应的E插值被该路径对应的路径公式蕴含,说明沿着该状态存在一条到达目标状态的路径,程序不安全;如果状态s对应的S插值被蕴含,说明以状态为起点的所有路径都是安全的,不需要沿着状态s探索程序;如果状态s是可达的,且E插值和S插值都不被蕴含,则继续沿着状态s遍历该路径;
步骤三,在生成ARG的过程中,发现一条反例路径,到达目标状态,则需要进一步判断反例路径是否虚假;不是虚假反例,则说明程序是不安全的;否则,根据虚假反例,细化模型,分别计算并更新对应状态的R插值,S插值和E插值,执行重新生成ARG,直到找到一条真反例路径或不存在反例路径。
3.如权利要求2所述的智能无人驾驶车辆定量评价***,其特征在于,所述步骤一生成待验证程序的CFG,并且初始化结点和边的属性,包括以下步骤:
(1)找到CFG中的目标结点,从目标结点开始反向遍历CFG,遍历的结点和边都保留,没有遍历到的结点和边都删除;
(2)得到裁剪后的CFG,初始化属性的值,对各个结点的三种插值进行初始化,初次遍历CFG,生成ARG的过程中,每一个结点的R插值的初始值都为{true};对于S插值,定义了为一个二元组:(F,Is),其中,F的值域为{full,half},Is的值是一个由谓词组成的合取式;对于一个结点l,如果l没有后继结点或者l的所有后继结点的S插值都是full,记为f,表示l的所有后继结点都被遍历过,则l的S插值也是full,否则,l的S插值为half,记为h,具体的形式如下:
l是终结点,S插值的初始值为(full,true),表示如果到达终结点,路径一定是安全的;l是目标结点,S插值的初始值为(full,false),表示如果到达目标结点,路径一定是反例路径;对于其他结点,S插值的初始值为(half,true),具体的形式如下:
l是目标结点,E插值的初始值为true,表示路径一定是真反例;l是终结点,E插值的初始值为false,表示路径一定不可能到达目标结点;对于其他结点,E插值的初始值为false,初始认为都不能到达目标结点;对于每一条迁移的W属性,初始值为⊥,表示还没开始遍历,其中,W的值域为{N+,⊥},N+是正整数集合;
所述步骤二中,利用W属性决定分支边的遍历顺序,同时,利用S插值和E插值,加快验证的效率,具体的步骤包括:
(1)得到一个可达状态s',根据CFG的迁移关系,产生后继状态;如果存在多个可能的后继,根据边的W值,决定遍历顺序;边的W值的优先级为:(>0)>⊥>0;如果边的W值相同,则随机选择;对于一个后继状态s,根据R插值,如果状态s不可达,则当前路径终止,遍历其他路径;如果当前状态s可达,首先判断s的E插值是否为false;如果是false,说明s[0]的后继结点还没被遍历过,跳转到(2);如果不是false,首先采用SSA原则,每一个变量至多被赋值一次,得到从初始状态s0到达s的路径公式,记为Pf(s0,…,s);用求解器判断Pf(s0,…,s)是否蕴含s的E插值;如果蕴含,则说明程序存在一条真反例,程序不安全,验证结束;否则跳转到(2);
(2)判断s的S插值是否为full插值;如果不是full插值,则跳转到(3);如果是full插值,得到从初始状态s0到达s的路径公式,记为Pf(s0,…,s),然后用求解器判断Pf(s0,…,s)是否蕴含s的S插值;如果蕴含,则说明以状态s为起点的所有路径都是安全的,不需要探索,当前路径终止,遍历其他路径;
(3)判断s是否目标状态,如果是目标状态,则发现一条反例路径,执行步骤三;如果不是,进一步判断s是否被其他状态覆盖;如果s被覆盖,则不需要探索当前路径,遍历其他路径;如果s不被覆盖,则继续探索当前路径;
(4)如果存在没有被遍历的可达状态,则跳转到(1);否则,验证结束,程序安全;
所述步骤三中计算插值和W属性的具体步骤包括:
1)在生成ARG的过程中,发现一条反例路径path:〈s0,e0,s1,…,en-1,sn〉;利用SMT求解器判断path是不是虚假;如果path是真反例,则程序不安全,验证结束;如果path是虚假的,则执行2);
2)计算R插值,对于状态si,0<i<n,将path划分为两部分:pre和post;pre子序列为<s0,…,si>,post子序列为<si,…,sn>,利用Craig插值公式计算新的R插值,Craig(pre,post),更新si[0]的R插值,形式化地表示为:
R-Intp(si[0])=R-Intp(si[0])∪Craig(Pf(s0,..,si),Pf(si,…,sn));
其中,Pf(s0,…,si)表示从s0到si的路径对应的路径公式;
3)计算S插值,首先找到path的可达的有效序列Π=<s0,...,sm>,0<m<n,且si状态可达,si+1状态不可达;对于Π的每一个状态si,0<i≤m,判断S插值的的第一个元素是full还是half;si[0]的所有后继结点的S插值都是full,则si[0]的S插值为full,否则,si[0]的S插值为half;具体的形式如下:
对于S插值的第二个元素,记为Is(si[0]),分两种情况,如果i=m,则Is(si[0])是边ei+1的路径公式取反;如果0<i<m,Is(si[0])利用Craig插值计算,记为Craig(A,B);其中,A表示从s0到si的路径公式,B是边ei对应的公式和状态si+1对应的S插值取反的合取式;具体的形式如下:
其中,A=Pf(s0,…,si),B=Pf(si,ei,si+1)∧!(Is(si+1[0]);从sm状态开始倒序地计算每个状态的插值,直到初始状态或者某一状态的S插值为half;
4)计算E插值,找到path的最大有效后缀序列Π=<si,…,sn>,0<i≤n;从si状态开始,利用Craig插值,倒序地计算对应的E插值,记为Craig(A,B);对于si,A是从si到sn的路径公式和sn的E插值的合取式,B是从s0到si的路径公式;对于状态sj,0<j<i,A是从sj到sj+1的路径公式和sj+1的E插值的合取式,B是从s0到sj的路径公式,具体的形式如下:
5)计算边的W值,根据反例路径和更新后的S插值,来计算对应边的W值,对于一条边e:(s,op,s'),如果s'的S插值是full,则e的W值为0;如果s'的S插值是half,且s'是最后一个可达状态,e的W值为s'[0]的出边的个数-1;如果s'的S插值是half,且s'不是最后一个可达状态,e的W值为两部分的和:1)s'[0]的出边中W值不为⊥的边的W值的和,2)s'[0]的出边中W值为⊥的边的个数;对于边e:(s,op,s'),s':(l',c',p')具体的形式如下:
6)跳转到步骤二,重新生成ARG。
4.如权利要求1所述的智能无人驾驶车辆定量评价***,其特征在于,所述的智能无人驾驶车辆定量评价***还包括:
程序检测模块,与数据处理模块连接,用于对无人驾驶车进行程序正常状态检测;
电器设备检测模块,与数据处理模块连接,用于对无人驾驶车电器设备正常状态检测;
速度检测模块,与数据处理模块连接,用于对无人驾驶车的行驶速度进行检测;
故障检测模块,与数据处理模块连接,用于对无人驾驶车的故障信号进行检测;
功耗检测模块,与数据处理模块连接,用于对无人驾驶车的功耗程度进行检测;
数据处理模块,与程序检测模块、电器设备检测模块、速度检测模块、故障检测模块、功耗检测模块、云服务模块、定量评价模块、显示模块连接,用于对检测的数据进行处理分析,并发送给云服务模块;
云服务模块,与数据处理模块连接,用于通过云服务器集中大数据计算资源对检测数据进行处理。
5.如权利要求1所述的智能无人驾驶车辆定量评价***,其特征在于,所述的智能无人驾驶车辆定量评价***还包括:
显示模块,与数据处理模块连接,用于显示检测的数据和评价的信息;包括:壳体、无线模块、屏幕、按键;所述壳体为硬质材料,用于保护内部器件;所述无线模块嵌于壳体上,与屏幕通过导线相连;所述屏幕嵌于壳体上;所述按键与屏幕相连,与无线模块通过导线相连;
记录仪模块,与数据处理模块连接,用于记录汽车行驶路况信息;
记录仪模块包括:外壳、摄像机、雷达监测器、播放器、内置存储器、USB接口;所述外壳为硬质材料,通过吸扣固定于汽车档风玻璃上;所述摄像机嵌于外壳内部,与内置存储器相连;所述内置存储器固定于外壳内部,与雷达监测器相连;所述雷达监测器与播放器通过导线连接;所述播放器嵌于外壳外侧;所述USB接口置于外壳外侧,与内置存储器相连。
6.如权利要求1所述的智能无人驾驶车辆定量评价***,其特征在于,所述定量评价模块评价方法如下:
首先,数据处理模块将对无人驾驶车的检测数据处理后发送给云服模块通过大数据资源进行计算分析,并反馈给数据处理模块,数据处理模块将反馈数据发送给定量评价模块;
然后,定量评价模块根据任务复杂程度、环境复杂程度和人工干预程度对无人驾驶车辆智能水平划分等级;选择无人驾驶车辆评价指标体系,并确定指标体系中各级指标权重;采集无人驾驶车辆的行驶轨迹;
最后,根据所属行驶轨迹进行无人驾驶车辆与环境交互的量化分析;根据量化分析的结果实现无人驾驶车辆的定量评价。
7.如权利要求6所述的智能无人驾驶车辆定量评价***,其特征在于,无人驾驶车辆智能水平划分等级包括:
根据无人驾驶车辆独立完成任务的数量和任务的难度划分任务复杂程度的第一等级;
根据交通环境属性划分环境复杂程度的第二等级;
根据无人驾驶车辆自主决策的程度确定人工干预程度的第三等级;
根据所述第一等级,第二等级和第三等级确定无人驾驶车辆智能水平的等级划分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810338677.4A CN108536977A (zh) | 2018-04-16 | 2018-04-16 | 一种智能无人驾驶车辆定量评价*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810338677.4A CN108536977A (zh) | 2018-04-16 | 2018-04-16 | 一种智能无人驾驶车辆定量评价*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108536977A true CN108536977A (zh) | 2018-09-14 |
Family
ID=63480828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810338677.4A Withdrawn CN108536977A (zh) | 2018-04-16 | 2018-04-16 | 一种智能无人驾驶车辆定量评价*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108536977A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360294A (zh) * | 2018-10-26 | 2019-02-19 | 百度在线网络技术(北京)有限公司 | 无人车的评价方法、装置、计算机设备及存储介质 |
CN109406166A (zh) * | 2018-10-30 | 2019-03-01 | 百度在线网络技术(北京)有限公司 | 无人车的分级方法、装置、设备、存储介质和车辆 |
CN109435955A (zh) * | 2018-10-22 | 2019-03-08 | 百度在线网络技术(北京)有限公司 | 一种自动驾驶***性能评估方法、装置、设备及存储介质 |
CN109684468A (zh) * | 2018-12-13 | 2019-04-26 | 四川大学 | 针对循证医学的文献筛选标注平台 |
CN109711009A (zh) * | 2018-12-13 | 2019-05-03 | 北京掌行通信息技术有限公司 | 无人驾驶汽车性能评价方法、装置、电子设备及介质 |
CN109960148A (zh) * | 2019-03-20 | 2019-07-02 | 中国科学院软件研究所 | 一种智能无人***的自主性评估方法及*** |
CN115830578A (zh) * | 2023-02-23 | 2023-03-21 | 北京金石视觉数字科技有限公司 | 应用于目标无人车辆的物品巡检方法、装置和电子设备 |
-
2018
- 2018-04-16 CN CN201810338677.4A patent/CN108536977A/zh not_active Withdrawn
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109435955A (zh) * | 2018-10-22 | 2019-03-08 | 百度在线网络技术(北京)有限公司 | 一种自动驾驶***性能评估方法、装置、设备及存储介质 |
CN109435955B (zh) * | 2018-10-22 | 2020-08-25 | 百度在线网络技术(北京)有限公司 | 一种自动驾驶***性能评估方法、装置、设备及存储介质 |
CN109360294A (zh) * | 2018-10-26 | 2019-02-19 | 百度在线网络技术(北京)有限公司 | 无人车的评价方法、装置、计算机设备及存储介质 |
CN109406166A (zh) * | 2018-10-30 | 2019-03-01 | 百度在线网络技术(北京)有限公司 | 无人车的分级方法、装置、设备、存储介质和车辆 |
CN109684468A (zh) * | 2018-12-13 | 2019-04-26 | 四川大学 | 针对循证医学的文献筛选标注平台 |
CN109711009A (zh) * | 2018-12-13 | 2019-05-03 | 北京掌行通信息技术有限公司 | 无人驾驶汽车性能评价方法、装置、电子设备及介质 |
CN109684468B (zh) * | 2018-12-13 | 2023-05-09 | 四川大学 | 针对循证医学的文献筛选标注*** |
CN109960148A (zh) * | 2019-03-20 | 2019-07-02 | 中国科学院软件研究所 | 一种智能无人***的自主性评估方法及*** |
CN115830578A (zh) * | 2023-02-23 | 2023-03-21 | 北京金石视觉数字科技有限公司 | 应用于目标无人车辆的物品巡检方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108536977A (zh) | 一种智能无人驾驶车辆定量评价*** | |
US11783590B2 (en) | Method, apparatus, device and medium for classifying driving scenario data | |
Liu et al. | A cellular automata traffic flow model combined with a BP neural network based microscopic lane changing decision model | |
CN112771550B (zh) | 高效规则集实现方式的自动生成 | |
Zheng et al. | Traffic conflict techniques for road safety analysis: open questions and some insights | |
CN109844666A (zh) | 用于车内预测性故障检测的***和方法 | |
CN109327695A (zh) | 用于高度现实的虚拟测试驾驶场景的测试驾驶场景数据库*** | |
Berger | Automating acceptance tests for sensor-and actuator-based systems on the example of autonomous vehicles | |
CN107844415A (zh) | 一种基于插值的模型检测路径缩减方法、计算机 | |
Zheng et al. | On the state of the art in verification and validation in cyber physical systems | |
Acevedo et al. | New developments in the study of species distribution | |
Ramakrishna et al. | Anti-carla: An adversarial testing framework for autonomous vehicles in carla | |
CN115113542A (zh) | 自动驾驶仿真方法、***、电子设备及可读存储介质 | |
Torfah et al. | Learning monitorable operational design domains for assured autonomy | |
CN111199083A (zh) | 复现无人驾驶车辆事故数据的方法和装置 | |
Lu et al. | DeepQTest: Testing Autonomous Driving Systems with Reinforcement Learning and Real-world Weather Data | |
CN115964905B (zh) | 高原山地道路的排放测试工况构建方法和介质 | |
CN109581194B (zh) | 一种电子***故障测试策略动态生成方法 | |
CN117131589A (zh) | 智能网联车辆协同算法的仿真测试方法及装置 | |
Luo et al. | Dynamic simplex: Balancing safety and performance in autonomous cyber physical systems | |
CN116166642A (zh) | 基于引导信息的时空数据填补方法、***、设备及介质 | |
JP7092958B1 (ja) | 情報処理方法、情報処理装置、及びプログラム | |
Hayes et al. | Comparing models of nondeterministic expression evaluation | |
CN114416555A (zh) | 一种页面性能的测试方法、装置、介质及设备 | |
WO2019034233A1 (en) | SYSTEM AND METHOD FOR VEHICLE MODELING AND SIMULATION |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180914 |
|
WW01 | Invention patent application withdrawn after publication |