CN109084992B - 基于台架测试无人车智能性的方法 - Google Patents
基于台架测试无人车智能性的方法 Download PDFInfo
- Publication number
- CN109084992B CN109084992B CN201810842710.7A CN201810842710A CN109084992B CN 109084992 B CN109084992 B CN 109084992B CN 201810842710 A CN201810842710 A CN 201810842710A CN 109084992 B CN109084992 B CN 109084992B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- unmanned vehicle
- behavior
- data
- bench
- 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.)
- Expired - Fee Related
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000003066 decision tree Methods 0.000 claims abstract description 17
- 238000007637 random forest analysis Methods 0.000 claims abstract description 15
- 230000006399 behavior Effects 0.000 claims description 132
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000013480 data collection Methods 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012795 verification Methods 0.000 description 7
- 238000012952 Resampling Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000001149 cognitive effect Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
基于台架测试无人车智能性的方法，包括以下步骤：将待测无人车设置在测试台架上进行模拟驾驶；构建虚拟场景以及虚拟场景中的各个数据类型；主车获取待测无人车的运行参数和测试台架模拟的路面信息并将主车模拟进虚拟场景中；主车与虚拟场景中的各个数据类型发生交互，产生虚拟驾驶行为数据；将主车产生的驾驶行为数据作为样本集，采用随机森林算法将决策树中输出次数最多的类别作为该测试样本的类别。由于采取数据驱动，采集主车与各个数据类型之间的驾驶行为数据，使得数据采集成本较低，所提供的原始数据具有较高的真实性，数据的可控制性实现检测场景重现。
Description
技术领域
本申请涉及无人车技术领域，具体涉及基于台架测试无人车智能型的方法。
背景技术
随着智能化程度不断提高，越来越多的无人驾驶车辆相继问世。如何对无人驾驶车辆的行为进行有效地验证与评估，是一个值得深入研究的问题。
现有的基于台架测试无人车智能型的方法模拟的环境模型比较单一，不能充分测试无人车的智能型。
发明内容
本申请提供一种基于台架测试无人车智能型的方法，对无人车智能性提供更为准确的测试。
根据第一方面，一种实施例中提供一种基于台架测试无人车智能性的方法，包括以下步骤：将待测无人车设置在测试台架上进行模拟驾驶；构建虚拟场景以及虚拟场景中的各个数据类型；主车获取待测无人车的运行参数和测试台架模拟的路面信息并将主车模拟进虚拟场景中；主车与虚拟场景中的各个数据类型发生交互，产生虚拟驾驶行为数据；将主车产生的驾驶行为数据作为样本集，采用随机森林算法将决策树中输出次数最多的类别作为该测试样本的类别。
优选地，所述虚拟场景中的数据类型包括从车模块、环境模块、道路模块、路面模块、主车行为控制模块，各个数据类型具有自治通信能力，主车行为控制模块根据感知到的虚拟场景事件以及自身变量产生相应的驾驶行为数据。
优选地，所述主车行为控制模块设有基本驾驶行为库和低级驾驶行为库，以及相应行为的触发规则库，主车将感知到的虚拟场景事件与规则库中的事件进行匹配，产生相应的驾驶行为数据。
优选地，所述从车模块内预设突发性事件和不确定性事件模型，使主车与发生突发性事件或不确定性事件的从车交互产生驾驶行为数据。
优选地，所述主车与从车模块设有虚拟视觉传感器、虚拟雷达传感器和虚拟GPS传感器。
优选地，所述环境模块包括交通标志、交通标线、植物、建筑、桥梁、隧道模型、行人，每种模型与主车行为控制模块中的规则库匹配。
优选地，所述道路模块包括高速公路、城市道路、乡村道路模型，每种模型与主车行为控制模块中的规则库匹配。
优选地，所述主车行为控制模块中的规则库设有优先级别，突发行为的优先级高于中长期行为的优先级、简单行为的优先级高于复杂行为的优先级。
优选地，通过测试台架实现道路倾斜模拟，所述测试台架还采集待测无人车的驾驶行为数据。
优选地，还包括对无人车智能化等级进行划分，以及设定车辆智能性评价指标，智能化等级划分后以评价指标对应的驾驶行为数据为训练集，采用随机森林算法输出智能化等级划分后的类别。
依据上述实施例的基于台架测试无人车智能性的方法，由于采取数据驱动，采集主车与各个数据类型之间的驾驶行为数据，使得数据采集成本较低，所提供的原始数据具有较高的真实性，数据的可控制性可实现检测场景重现。进一步，采用具有自治通信能力的从车模块、环境模块、道路模块与主车发生交互，使主车获得更加真实的驾驶行为数据，对无人车智能性提供更为准确的测试依据。
附图说明
图1为一实施例流程图；
图2为一实施例从车驾驶行为控制流程图；
图3为一实施例中道路模块列表；
图4为一实施例中智能化等级分类表；
图5为bagging算法流程图；
图6为基于SVM的分类器；
图7为采用SVM的分类器对无人车智能性进行计算的示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。
请参考图1，本申请基于台架测试无人车智能性的方法，包括以下步骤：
101、将待测无人车设置在测试台架上进行模拟驾驶。
将待测无人车是摆放在测试台架的实验无人车辆，待测无人车是被验证与评估的对象。测试台架是路面模拟***，为待测无人车提供翻滚、航向、俯仰三个角度的模拟，模拟现实场景中的车辆运动状态。
102、服务器构建虚拟场景以及虚拟场景中的各个数据类型。
数据类型是能够实现自治、通信程序功能的计算程序。在虚拟场景中设置一些自治、通信功能的模型，使得整个环境具有智能性，为验证与评估创造了条件。在一实施例中，数据类型包括从车模块、环境模块、道路模块、路面模块、主车行为控制模块，各个数据类型具有自治通信能力，主车行为控制模块根据感知到的虚拟场景事件以及自身变量产生相应的驾驶行为数据。
待测无人车的智能行为主要体现在对突发性、不确定性事件所做出的反应。因此，在构建虚拟场景时，有必要设定不同程度的突发性或者不确定性事件的模型。从车模块内预设突发性事件和不确定性事件模型，一方面可以更加真实地模拟主车的现实交通环境，另一方面为虚拟场景引入了不同的突发性和不确定性事件模型，使主车与发生突发性事件或不确定性事件的从车交互产生驾驶行为数据，可以作为验证与评估待测无人车智能行为的部分依据。
从车模块可以模拟不同驾驶员、同一驾驶员不同状态下的驾驶行为，为主车的自主驾驶带来不同的难度，这也为待测无人车的智能行为验证与评估提供了多种条件。
从车模块为从车模块中的各个从车预设了自身速度、加速度、方向盘转角，因此主车行为控制模块的行为的触发规则库的设计需要确定主车的速度、位置、距离信息与从车的速度、加速度、方向盘转角之间的关系。如图2所示，首先根据从车模块确定从车的初始化速度、加速度、位置等参数，然后不断调用虚拟场景的周围环境感知模块，一旦检测到有主车在检测范围内，调用设定的突发性事件情节，给主车出一道“考题”，这样为智能行为验证与评估提供了条件。如果没有主车在设定范围内出现，将按照正常检测方法，对前、左、右检测是否有障碍物，执行相应的控制行为。
103、主车获取待测无人车的运行参数和测试台架模拟的路面信息并将主车模拟进虚拟场景中，主车与虚拟场景中的各个数据类型发生交互，产生虚拟驾驶行为数据。
主车行为控制模块设有基本驾驶行为库和低级驾驶行为库，以及相应行为的触发规则库，主车将感知到的虚拟场景事件与规则库中的事件进行匹配，产生相应的驾驶行为数据。低级驾驶行为库中包含了虚拟无人车基本行为，如转向、前进、后退等。低级行为是正常场景的自动驾驶行为，主要用于主车对正常交通场景的及时反应。基本反应行为库中存储了虚拟无人车的动机类行为，如:自主感知、自主决策等。低级行为层与基本行为层间采用包容式结构连接，基本反应行为以低级驾驶行为为基本单元，包含了低级行为的功能，同时又可以构成更加复杂的任务级行为。所有行为通过行为触发规则库与虚拟场景事件匹配进行自动驾驶控制。这样主车可以实现低级行为和基本反应行为的并行，既保证了对突发交通场景的实时反应，又能充分发挥其认知规划能力，实现复杂交通场景的自动驾驶。
主车行为控制模块中的规则库设有优先级别，突发行为的优先级高于中长期行为的优先级、简单行为的优先级高于复杂行为的优先级。
主车行为控制模块能够自治与主车通信，并且记录主车与虚拟场景中各个模型之间发生的行为。通过触发检测发现主车与某模块发生了交互行为，处理的结果将会被传输到智能行为验证与评估模块，为车辆的智能行为验证与评估提供依据。
目前虚拟无人车(包括主车和从车)的动机类基本反应行为主要有自动开灯、U型掉头、信号灯识别、变化车道、跟驰、超车、驶出环岛、停车位识别、侧方位泊车、垂直泊车、紧急制动、车道偏离预警、车道保持等，并封装了如启/停车辆、左/右转、前进/后退、加/减速等低级反应行为。这些行为以参数化形式表示，存放在各自的行为库中。
虚拟无人车的行为选择机制决定了其行为决策过程，是实现其高度自治性的关键。虚拟无人车行为控制器通过行为选择机制，负责基本反应行为的选择、激活与终止。
仿真过程中，虚拟无人车认知模块规划的任务级复杂行为、虚拟环境的感知事件及用户的实时控制指令等作为外部事件(Event)，与虚拟无人车当前的内部状态值(InnerState)一同作为行为模块的输入，表达虚拟无人车的当前需求。当某种需求超过其行为选择阀值时，将触发相应的行为规则。若是简单的或者紧急的情况，则触发低级行为，产生及时的反应动作；若是中长期的复杂行为，则行为控制器根据相应规则，选择一个或一组基本反应行为，形成动作指令。动作指令经运动层实现，从而满足虚拟人的当前需求。一旦需求得到满足，其内部属性值将逐步回到正常水平；若不只一种需求需要处理，则按优先级排序。优先级确定的基本原则是最重要的需求将获得最高优先级，简单行为优先级高干复杂行为的优先级，突发事件优先级高干中长期事件的优先级。行为选择规则指明了行为激活条件及其触发结果。
为了真实表现无人车的行为特征，虚拟场景的虚拟无人车能自主地感知外部动态环境和自身内部属性的变化，根据当前目标或需求自主地决定行为方式，同时还能与其他虚拟无人车或用户交换信息，改变其自身状态。通过有效地行为控制，该模型不仅能对突发事件进行实时反应，而且具有较强的认知规划能力，能产生逼真的无人车行为。
虚拟无人车通过感知模块实时获得外部虚拟环境信息和内部车身状态的刺激。对于外部虚拟环境的感知，虚拟无人车设有虚拟视觉传感器、虚拟雷达感器和虚拟GPS传感器，可获得其当前位置和方向，可感知虚拟环境中静态物体、动态对象及突发交通场景的信息其中，主车的认知部分功能完全由被测车辆来完成，通过线程传递相关的数据至服务器中。
环境模块包括交通标志、交通标线、植物、建筑、桥梁、隧道模型、行人，每种模型与主车行为控制模块中的规则库匹配。主车在自主驾驶时，必须能够准确地识别周围环境模型，才能体现具有一定的智能行为。
道路模块包括高速公路、城市道路、乡村道路模型，每种模型与主车行为控制模块中的规则库匹配。图3列举了3种周围环境模型，模型1基于高速公路环境，有车道线无行人，要求待测无人车具备自动驾驶、识别车道线、超车功能；模型2为城市街道环境，有车道线并且有行人，要求待测无人车除具备模型1条件下的功能外还得识别并自动避让行人；模型3对车辆的智能行为要求最高，具备模型2条件下的功能外，还需要识别非结构化道路。总之，建立不同的周围环境模块以满足不同智能化程度车辆行为的验证与评估试验。
主车实时感知路面信息，包括路面的坡度、侧倾角度，然后传送给路面模拟***。因此主车需要对地形表面进行实时进行检测，获取四个车轮的高程数据，根据四个车轮的高度可以计算出路面的坡度、侧倾角度。从车行为仿真也需要对周围环境模型进行感知与检测，从而实现自动驾驶。
在一实施例中，通过测试台架实现道路倾斜模拟，所述测试台架还采集待测无人车的驾驶行为数据。
104、智能行为验证与评估模块将主车产生的驾驶行为数据作为样本集，采用随机森林算法将决策树中输出次数最多的类别作为该测试样本的类别。
在一实施例中，还包括对无人车智能化等级进行划分，以及设定车辆智能性评价指标，智能化等级划分后以评价指标对应的驾驶行为数据为训练集，采用随机森林算法输出智能化等级划分后的类别。
如图4所示，基于台架测试的无人车智能级别划分要依据无人车的智能化属性的等级划分为依据，做到由易入难，由简入烦，实现台架测试的阶段化测试任务和测试需求。目前在智能汽车智能化方面，业内普遍接受的是美国SAE分级定义。以此为基础并结合现阶段中国道路交通情况的复杂性，它可分为驾驶辅助(DA)、部分自动驾驶(PA)、有条件自动驾驶(CA)、高度自动驾驶(HA)、完全自动驾驶(FA)五个等级(如下表所示)。并以此五个级别为无人车智能量化的输出，各个行为的反馈为输入，建立无人车智能性评估分析模型对车辆智能性进行评价。
随机森林算法由Leo Breiman和Adele Cutler提出。该算法结合了Breimans的“Bootstrap aggregating”思想和Ho的“random subspac”方法。其实质是一个包含多个诀策树的分类器，这些决策树的形成采用了随机的方法，因此也叫做随机决策树，随机森林中的树之间是没有关联的。当测试数据进入随机森林时，其实就是让每一棵决策树进行分类，最后取所有决策树中分类结果最多的那类为最终的结果。因此随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。
Bootstrap法重采样
设集合S中含有n个不同的样本{x1，x2，···，xn}，若每次有放回地从集合S中抽取一个样本，一共抽取n次，形成新的集合S，则集合S中不包含某个样本xi(i＝1，2，3···，n)的概率为
当n→∞时，有
因此，虽然新集合s的样本总数相等(都为n)，但是新集合中坑包含了重复的样本(有放回抽取)，若出去重复的样本，新集合S中仅包含了原集合S中约1-0.368*100％＝63.2％的样本。
Bagging算法概述
Bagging(Bootstrap aggregating的缩写)算法是最早的集成学习算法，其基本思路如图5所示。具体步骤可以描述为：
利用Bootstrap方法重采样，随机产生T个训练集S1，S2，…，ST；
利用每个训练集，生成对应的决策树C1，C2，…，Ct；
对于测试集样本X，利用每个决策树进行测试，得到对应的类别C1(X)，C2(X)，…，Cr(X)；
采用投票的方法，将T个决策树中输出最多的类别作为测试集样本X所属的类别。
随机森林的算法流程
随机森林算法与Bagging算法类似，均是基于Bootstrap方法重采样，产生多个训练集。不同的是，随机森林算法在构建决策树的时候，采用了随机选取***属性集的方法。详细的随机森林算法流程如下所示(不妨设样本的属性个数为M，m为大于零且小于M的整数)：
利用Bootstrap方法重采样，随机产生T个训练集S1，S2，…，ST。
利用每个训练集，生成对应的决策树C1，C2，…，CT；在每个非叶子节点(内部节点)上选择属性前，从M个属性中随机抽取m个属性作为当前节点的***属性集，并以这m个属性中最好的***方式对该节点进行***(一般而言，在整个森林的生长过程中，m的值维持不变)。
每棵树都完整成长，而不进行剪枝。
对于测试集样本X，利用每个决策树进行测试，得到对应的类别C1(X)，Cz(X)，…，CT(X)。
采用投票的方法，将T个决策树中输出最多的类别作为测试集样本X所属的类别。
基于支持向量机的分类器设计，支持向量机的体系结构如图6所示。其中，b为偏置参数。
无人车测试数据要来自于具有等级的无人车辆在测试台上测得的实际数据。数据包含具体数量的样本和具体的特征分量，智能级别作为每个样本的类别标签要给出。在正式进行分类之前要对SVM(支持向量机)进行训练可以得到分类模型，再利用得到的模型对测试集进行类别标签预测即可得到智能级别评价。
智能性评价流程
将通过认定的不同智能级别的智能车在台架上进行测试。通过大量多次的重复检测，完成对主服务器中生成的不同场景数据的采集。将采集的数据作为训练集对SVM分类器进行训练，确定最佳的惩罚参数和函数参数。下一步采集测试数据，测试集样本发送给决策树，根据投票选择众数，确定对被测车辆的智能性。
模型整体流程
车辆智能性评价指标分为车辆基本行为i、车辆高级行为j、基本交通行为k和高级交通行为m分设定以参数：直道车道保持i1、停止线停车i2、U型弯i3、限速i4、避让静态障碍i5；车辆高级行为j分别设定为：弯道车道保持j1、车语言指令j2、交叉路口通行j3、动态规划j4、GPS导航性能j5；基本交通行为：禁止逆行k1、车距保持k2；高级交通行为：交通标志识别m1、信号灯识别m2、紧急制动m3。
驾驶行为数据包含具体数量的样本和具体的特征分量，智能级别作为每个样本的类别标签。在正式进行分类之前要对SVM(支持向量机)进行训练可以得到分类模型，再利用得到的模型对测试集进行类别标签预测即可得到智能级别评价。
如图7所示，智能级别评价Y＝[y1，y2，y3，y4，y5]，y1驾驶辅助(DA)、y2部分自动驾驶(PA)、y3有条件自动驾驶(CA)、y4高度自动驾驶(HA)、y5完全自动驾驶(FA)。
其中，X(i1)--X(m3)为各个智能性评价指标下采集的样本集；K()为核函数；X为特征向量，分别对应X(i1)--X(m3)；Xi1--Xm3为对应车辆行为的参数。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。
Claims (7)
1.基于台架测试无人车智能性的方法，其特征在于包括以下步骤：
将待测无人车设置在测试台架上进行模拟驾驶；
构建虚拟场景以及虚拟场景中的各个数据类型，所述虚拟场景中的数据类型包括从车模块、环境模块、道路模块、路面模块和主车行为控制模块，各个数据类型具有自治通信能力，所述从车模块内预设突发性事件和不确定性事件模型，所述主车行为控制模块设有基本驾驶行为库和低级驾驶行为库，以及相应行为的触发规则库；
主车获取待测无人车的运行参数和测试台架模拟的路面信息并将主车模拟进虚拟场景中；主车与虚拟场景中的各个数据类型发生交互，产生虚拟驾驶行为数据，所述驾驶行为数据包括：主车与发生突发性事件或不确定性事件的从车交互产生的驾驶行为数据，和，主车将感知到的虚拟场景事件与规则库中的事件进行匹配，产生的驾驶行为数据；
将主车产生的驾驶行为数据作为样本集，采用随机森林算法将决策树中输出次数最多的类别作为该测试样本的类别。
2.如权利要求1所述的基于台架测试无人车智能性的方法，其特征在于：所述主车与从车模块设有虚拟视觉传感器、虚拟雷达传感器和虚拟GPS传感器。
3.如权利要求1所述的基于台架测试无人车智能性的方法，其特征在于：所述环境模块包括交通标志、交通标线、植物、建筑、桥梁、隧道模型、行人，每种模型与主车行为控制模块中的规则库匹配。
4.如权利要求1所述的基于台架测试无人车智能性的方法，其特征在于：所述道路模块包括高速公路、城市道路、乡村道路模型，每种模型与主车行为控制模块中的规则库匹配。
5.如权利要求1所述的基于台架测试无人车智能性的方法，其特征在于：所述主车行为控制模块中的规则库设有优先级别，突发行为的优先级高于中长期行为的优先级、简单行为的优先级高于复杂行为的优先级。
6.如权利要求1所述的基于台架测试无人车智能性的方法，其特征在于：通过测试台架实现道路倾斜模拟，所述测试台架还采集待测无人车的驾驶行为数据。
7.如权利要求1所述的基于台架测试无人车智能性的方法，其特征在于：还包括对无人车智能化等级进行划分，以及设定车辆智能性评价指标，智能化等级划分后以评价指标对应的驾驶行为数据为训练集，采用随机森林算法输出智能化等级划分后的类别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810842710.7A CN109084992B (zh) | 2018-07-27 | 2018-07-27 | 基于台架测试无人车智能性的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810842710.7A CN109084992B (zh) | 2018-07-27 | 2018-07-27 | 基于台架测试无人车智能性的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109084992A CN109084992A (zh) | 2018-12-25 |
| CN109084992B true CN109084992B (zh) | 2020-06-16 |
Family
ID=64831053
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810842710.7A Expired - Fee Related CN109084992B (zh) | 2018-07-27 | 2018-07-27 | 基于台架测试无人车智能性的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109084992B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110864913B (zh) * | 2019-11-28 | 2021-09-03 | 苏州智加科技有限公司 | 车辆测试方法、装置、计算机设备及存储介质 |
| CN110955972B (zh) * | 2019-11-28 | 2023-08-18 | 苏州智加科技有限公司 | 虚拟场景生成方法、装置、计算机设备及存储介质 |
| CN111079800B (zh) * | 2019-11-29 | 2023-06-23 | 上海汽车集团股份有限公司 | 一种智能驾驶虚拟测试的加速方法及加速*** |
| CN111178402B (zh) * | 2019-12-13 | 2023-04-07 | 赛迪检测认证中心有限公司 | 一种自动驾驶车辆道路测试的场景分类方法及装置 |
| CN111649957A (zh) * | 2020-06-08 | 2020-09-11 | 山东省交通规划设计院有限公司 | 一种隧道环境自动驾驶车辆行驶能力测试***和测试方法 |
| CN111881031A (zh) * | 2020-07-23 | 2020-11-03 | 深圳慕智科技有限公司 | 一种智能交通软硬件精度扰动方法库及风险指标构建方法 |
| CN112230228B (zh) * | 2020-09-30 | 2024-05-07 | 中汽院智能网联科技有限公司 | 一种基于场地测试技术的智能汽车视觉传感器测试方法 |
| CN112373483B (zh) * | 2020-11-23 | 2022-07-29 | 浙江天行健智能科技有限公司 | 一种基于前向神经网络的车辆速度和转向预测方法 |
| WO2022165811A1 (zh) * | 2021-02-07 | 2022-08-11 | 华为技术有限公司 | 一种仿真方法以及相关设备 |
| CN113219944B (zh) * | 2021-04-27 | 2022-05-31 | 同济大学 | 一种用于混合交通流工况的智能车辆控制策略测试平台 |
| CN113627740B (zh) * | 2021-07-20 | 2024-06-25 | 东风汽车集团股份有限公司 | 一种驾驶负荷评价模型构建***及构建方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107024927A (zh) * | 2016-02-01 | 2017-08-08 | 上海无线通信研究中心 | 一种自动驾驶***和方法 |
| CN107957583A (zh) * | 2017-11-29 | 2018-04-24 | 江苏若博机器人科技有限公司 | 一种多传感器融合全天候快速无人车探测避障*** |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102393744B (zh) * | 2011-11-22 | 2014-09-10 | 湖南大学 | 一种无人驾驶汽车的导航方法 |
| 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 |
| 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 |
| CN104477167B (zh) * | 2014-11-26 | 2018-04-10 | 浙江大学 | 一种智能驾驶***及其控制方法 |
| GB2557252B (en) * | 2016-12-02 | 2020-03-25 | Christian Schwazl | Physical environment simulator for vehicle testing |
| CN108267322A (zh) * | 2017-01-03 | 2018-07-10 | 北京百度网讯科技有限公司 | 对自动驾驶性能进行测试的方法和*** |
| CN107918392B (zh) * | 2017-06-26 | 2021-10-22 | 深圳瑞尔图像技术有限公司 | 一种自动驾驶车辆个性化行车及获取行车执照的方法 |
| CN107272683A (zh) * | 2017-06-19 | 2017-10-20 | 中国科学院自动化研究所 | 基于acp方法的平行智能车控制*** |
| CN107272687A (zh) * | 2017-06-29 | 2017-10-20 | 深圳市海梁科技有限公司 | 一种自动驾驶公交车辆的驾驶行为决策*** |
| CN107526906A (zh) * | 2017-10-11 | 2017-12-29 | 吉林大学 | 一种基于数据采集的驾驶风格辨识装置及方法 |
| CN108267325A (zh) * | 2018-01-29 | 2018-07-10 | 上海测迅汽车科技有限公司 | 无人驾驶整车实物在环测试方法 |
-
2018
- 2018-07-27 CN CN201810842710.7A patent/CN109084992B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107024927A (zh) * | 2016-02-01 | 2017-08-08 | 上海无线通信研究中心 | 一种自动驾驶***和方法 |
| CN107957583A (zh) * | 2017-11-29 | 2018-04-24 | 江苏若博机器人科技有限公司 | 一种多传感器融合全天候快速无人车探测避障*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109084992A (zh) | 2018-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109084992B (zh) | 基于台架测试无人车智能性的方法 | |
| CN112703459B (zh) | 对抗场景的迭代生成 | |
| US9665802B2 (en) | Object-centric fine-grained image classification | |
| Dogan et al. | Autonomous driving: A comparison of machine learning techniques by means of the prediction of lane change behavior | |
| CN109774724A (zh) | 用于自主驾驶***的开发&评估的场景生成和参数扫描的方法和设备 | |
| CN109466543A (zh) | 规划自主运动 | |
| CN109100155A (zh) | 一种无人车在环快速仿真测试***和方法 | |
| CN116134292A (zh) | 用于性能测试和/或训练自动驾驶车辆规划器的工具 | |
| EP3958129A1 (en) | Method and system for validating autonomous control software for a self-driving vehicle | |
| Thammachantuek et al. | Comparison of machine learning algorithm's performance based on decision making in autonomous car | |
| CN109782751A (zh) | 用于自主***性能和基准测试的方法和设备 | |
| CN113918615A (zh) | 一种基于仿真的驾驶经验数据挖掘模型构建方法及*** | |
| Xiong et al. | Research on the quantitative evaluation system for unmanned ground vehicles | |
| CN117521389A (zh) | 一种基于车路协同感知仿真平台的车辆感知测试方法 | |
| CN117217314A (zh) | 一种基于元数据驱动与因果分析理论的驾驶情境推理方法 | |
| CN115855531A (zh) | 自动驾驶汽车的测试场景构建方法、设备和介质 | |
| CN114987495A (zh) | 一种面向高度自动驾驶的人机混合决策方法 | |
| Guo et al. | How will humans cut through automated vehicle platoons in mixed traffic environments? A simulation study of drivers’ gaze behaviors based on the dynamic areas of interest | |
| CN117242460A (zh) | 不安全驾驶场景的计算机化检测 | |
| KR20230144646A (ko) | 미지의-불안전한 시나리오들을 생성하는 것, 자동화된 차량들을 개선하는 것, 컴퓨터 시스템 | |
| Wang et al. | Driver modeling based on vehicular sensing data | |
| Khezaz et al. | Driving Context Detection and Validation using Knowledge-based Reasoning. | |
| Luo et al. | UML-based design of intelligent vehicles virtual reality platform | |
| Gu | Integrating fuzzy trajectory data and artificial intelligence methods for multi-style lane-changing behavior prediction | |
| US12030520B2 (en) | Method and system for validating autonomous control software for a self-driving vehicle |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200616 |