CN109426696A - 自动驾驶评价装置以及自动驾驶评价方法 - Google Patents
自动驾驶评价装置以及自动驾驶评价方法 Download PDFInfo
- Publication number
- CN109426696A CN109426696A CN201810980231.1A CN201810980231A CN109426696A CN 109426696 A CN109426696 A CN 109426696A CN 201810980231 A CN201810980231 A CN 201810980231A CN 109426696 A CN109426696 A CN 109426696A
- Authority
- CN
- China
- Prior art keywords
- automatic pilot
- mentioned
- traffic scene
- scene
- past
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 142
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 164
- 230000008859 change Effects 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000011161 development Methods 0.000 description 21
- 238000012545 processing Methods 0.000 description 20
- 230000033228 biological regulation Effects 0.000 description 19
- 239000011159 matrix material Substances 0.000 description 9
- 238000004088 simulation Methods 0.000 description 8
- 230000007704 transition Effects 0.000 description 7
- 241000222712 Kinetoplastida Species 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 206010016322 Feeling abnormal Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 1
- 238000001028 reflection method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/10—Path keeping
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/04—Monitoring the functioning of the control system
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/14—Adaptive cruise control
- B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/06—Improving the dynamic response of the control system, e.g. improving the speed of regulation or avoiding hunting or overshoot
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/10—Historical data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Human Computer Interaction (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明提供自动驾驶评价装置以及自动驾驶评价方法,自动驾驶评价装置用于通过模拟来评价自动驾驶算法,具备:初始交通场景设定部,通过基于自动驾驶算法进行自动驾驶的自动驾驶车模型的初始状态、移动体模型的初始状态、以及被配置自动驾驶车模型以及移动体模型的道路环境的设定,来设定包含自动驾驶车模型以及移动体模型的初始交通场景;过去交通场景运算部,基于初始交通场景,运算从初始交通场景的时刻起回溯的过去时刻中的包括自动驾驶车模型以及移动体模型的过去交通场景;以及性能评价部,基于过去交通场景来评价自动驾驶算法的性能。
Description
技术领域
本发明涉及评价自动驾驶算法的自动驾驶评价装置以及自动驾驶评价方法。
背景技术
以往,作为与自动驾驶的功能的评价有关的技术文献,公知有日本特开2017-105453号公报。该公报中记载了一种在电子游戏环境中运转自动驾驶的车辆对象和其他的车辆对象,根据与其他的车辆对象的运行情况对应的自动驾驶的车辆对象的运行情况来评价自动驾驶的功能的方法。
专利文献1:日本特开2017-105453号公报
然而,在上述这样的以往的评价方法中,设定包括自动驾驶的车辆对象的初始的交通场景,根据从初始的交通场景经过时间的情况下的基于自动驾驶算法的车辆对象的运行情况来评价自动驾驶的功能。作为初始的交通状况,例如可考虑若直行则自动驾驶的车辆对象和其他的车辆对象碰撞这样的状况。然而,可考虑根据自动驾驶算法控制车辆对象,以便不会一开始就陷入初始的交通场景,对于自动驾驶算法的评价有改善的余地。
发明内容
鉴于此,在本技术领域中,希望提供一种能够进行自动驾驶算法的适当评价的自动驾驶评价装置或者自动驾驶评价方法。
为了解决上述课题,本发明的一个方式是用于通过模拟来评价自动驾驶算法的自动驾驶评价装置,具备:初始交通场景设定部,通过基于自动驾驶算法进行自动驾驶的自动驾驶车模型的初始状态、移动体模型的初始状态以及被配置自动驾驶车模型以及移动体模型的道路环境的设定,来设定包含自动驾驶车模型以及移动体模型的初始交通场景;过去交通场景运算部,基于初始交通场景,运算从初始交通场景的时刻起回溯的过去时刻中的包括自动驾驶车模型以及移动体模型的过去交通场景;以及性能评价部,基于过去交通场景来评价自动驾驶算法的性能。
根据本发明的一个方式所涉及的自动驾驶评价装置,由于运算从初始交通场景起回溯的过去交通场景,并基于过去交通场景来评价自动驾驶算法的性能,所以与不考虑过去交通场景的情况相比,能够适当地评价自动驾驶算法。
在本发明的一个方式所涉及的自动驾驶评价装置中,可以还具备:比较用过去交通场景生成部,通过过去交通场景的微小变更,生成过去时刻中的预先设定的数量的比较用过去交通场景;以及自动驾驶反映场景运算部,运算在自动驾驶车模型通过自动驾驶算法而自动驾驶的状态下从过去交通场景经过了设定时间的自动驾驶反映场景,并且分别运算在自动驾驶车模型通过自动驾驶算法而自动驾驶的状态下从比较用过去交通场景经过了设定时间的比较用自动驾驶反映场景,性能评价部基于初始交通场景、过去交通场景、比较用过去交通场景、自动驾驶反映场景、以及比较用自动驾驶反映场景来评价自动驾驶算法的性能。
根据上述自动驾驶评价装置,从过去时刻中的过去交通场景运算自动驾驶反映场景,并且从过去时刻中的多个比较用过去交通场景运算比较用过去交通场景,并基于这些场景来评价自动驾驶算法。因此,根据上述自动驾驶评价装置,通过自动驾驶算法的反映能够识别从过去交通场景以及比较用过去交通场景朝向初始交通场景是稳定地收敛还是不稳定地发散的趋势,能够适当地评价针对初始交通场景的自动驾驶算法的性能。
在本发明的一个方式所涉及的自动驾驶评价装置中,过去交通场景运算部也可以反复进行从初始交通场景的时刻起每次回溯规定时间的时刻中的自动驾驶车模型的状态以及移动体模型的状态的运算,将自动驾驶车模型的状态以及移动体模型的状态双方成为预先设定的遵守法律法规状态的时刻作为过去时刻,来运算过去交通场景。
根据上述自动驾驶评价装置,由于从初始交通场景的时刻起每次回溯规定时间,将自动驾驶车模型的状态以及移动体模型的状态双方成为预先设定的遵守法律法规状态的时刻作为过去时刻来运算过去交通场景,所以能够避免采用不适当的违反法律法规的状态的过去交通场景作为自动驾驶算法的评价的前提,能够适当地评价自动驾驶算法。
在本发明的一个方式所涉及的自动驾驶评价装置中,可以还具备:将来状态运算部,基于自动驾驶车模型的初始状态、移动体模型的初始状态以及道路环境,运算从初始交通场景的时刻起通过自动驾驶算法而自动驾驶时的自动驾驶车模型的将来状态和从初始交通场景的时刻起进行预先设定的移动的移动体模型的将来状态;以及关系判定部,基于自动驾驶车模型的将来状态和移动体模型的将来状态,判定自动驾驶车模型和移动体模型是否成为低评价关系,性能评价部基于关系判定部的判定结果来评价自动驾驶算法的性能。
根据上述自动驾驶评价装置,由于通过运算从初始交通场景的时刻起通过自动驾驶算法而自动驾驶时的自动驾驶车模型的将来状态和移动体模型的将来状态,能够判定在反映自动驾驶算法而从初始交通场景开始起经过时间时是否为低评价关系,所以能够适当地评价自动驾驶算法。
本发明的其他方式是用于通过模拟来评价自动驾驶算法的自动驾驶评价装置中的自动驾驶评价方法,包括:初始交通场景设定步骤,通过基于自动驾驶算法进行自动驾驶的自动驾驶车模型的初始状态、移动体模型的初始状态以及被配置自动驾驶车模型以及移动体模型的道路环境的设定,来设定包含自动驾驶车模型以及移动体模型的初始交通场景;过去交通场景运算步骤,基于初始交通场景,运算从初始交通场景的时刻起回溯的过去时刻中的包括自动驾驶车模型以及移动体模型的过去交通场景;以及性能评价步骤,基于过去交通场景来评价自动驾驶算法的性能。
根据本发明的其他方式所涉及的自动驾驶评价方法,由于通过运算从初始交通场景起回溯的过去时刻中的自动驾驶车模型的过去状态以及过去时刻中的移动体模型的过去状态来运算过去交通场景,并基于初始交通场景和过去交通场景来评价自动驾驶算法的性能,所以与不考虑过去交通场景的情况相比,能够适当地评价自动驾驶算法。
在本发明的其他方式所涉及的自动驾驶评价方法中,可以还包括:比较用过去交通场景生成步骤,通过过去交通场景的微小变更来生成过去时刻中的预先设定的数量的比较用过去交通场景;以及自动驾驶反映场景运算步骤,运算在自动驾驶车模型通过自动驾驶算法而自动驾驶的状态下从过去交通场景经过了设定时间的自动驾驶反映场景,并且分别运算在自动驾驶车模型通过自动驾驶算法而自动驾驶的状态下从比较用过去交通场景经过了设定时间的比较用自动驾驶反映场景,在性能评价步骤中,基于初始交通场景、过去交通场景、比较用过去交通场景、自动驾驶反映场景、以及比较用自动驾驶反映场景来评价自动驾驶算法的性能。
根据上述自动驾驶评价方法,从过去时刻中的过去交通场景运算自动驾驶反映场景,并且从过去时刻中的多个比较用过去交通场景运算比较用过去交通场景,基于这些场景来评价自动驾驶算法。因此,根据上述自动驾驶评价方法,能够识别通过自动驾驶算法的反映从过去交通场景以及比较用过去交通场景朝向初始交通场景是稳定地收敛还是不稳定地发散的趋势,能够对避免为自动驾驶算法不到达初始交通场景适当地评价。
在本发明的其他方式所涉及的自动驾驶评价方法中,可以在过去交通场景运算步骤中,反复进行从初始交通场景的时刻起每次回溯规定时间的时刻中的自动驾驶车模型的状态以及移动体模型的状态的运算,将自动驾驶车模型的状态以及移动体模型的状态双方成为预先设定的遵守法律法规状态的时刻作为过去时刻,来运算过去交通场景。
根据上述自动驾驶评价方法,由于从初始交通场景的时刻起每次回溯规定时间,将自动驾驶车模型的状态以及移动体模型的状态双方成为预先设定的遵守法律法规状态的时刻作为过去时刻来运算过去交通场景,所以能够避免采用不适当的违反法律法规的状态的过去交通场景作为自动驾驶算法的评价的前提,能够适当地评价自动驾驶算法。
在本发明的其他方式所涉及的自动驾驶评价方法中,可以还包括:将来状态运算步骤,基于自动驾驶车模型的初始状态、移动体模型的初始状态以及道路环境,运算从初始交通场景的时刻起通过自动驾驶算法而自动驾驶时的自动驾驶车模型的将来状态和从初始交通场景的时刻起进行预先设定的移动的移动体模型的将来状态;以及关系判定步骤,基于自动驾驶车模型的将来状态和移动体模型的将来状态,判定自动驾驶车模型和移动体模型是否成为预先决定的低评价关系,在性能评价步骤中,基于关系判定步骤的判定结果来评价自动驾驶算法的性能。
根据上述自动驾驶评价方法,由于通过运算从初始交通场景的时刻起通过自动驾驶算法而自动驾驶时的自动驾驶车模型的将来状态和移动体模型的将来状态,能够判定在反映自动驾驶算法而从初始交通场景开始经过时间时是否成为预先决定的低评价关系,所以能够适当地评价自动驾驶算法。
如以上说明那样,根据本发明的一个方式所涉及的自动驾驶评价装置或者其他方式所涉及的自动驾驶评价方法,能够适当地评价自动驾驶算法。
附图说明
图1是表示第一实施方式所涉及的自动驾驶评价装置的框图。
图2是表示自动驾驶评价装置的硬件构成的图。
图3是表示初始交通场景的一个例子的图。
图4(a)是表示向初始交通场景的时间发展稳定的情况下的图像的图。图4(b)是表示向初始交通场景的时间发展不稳定的情况下的图像的图。
图5是表示从过去交通场景以及比较用过去交通场景起的时间发展不稳定的情况下的具体例子的图。
图6是表示初始交通场景设定处理以及反向计算处理的流程图。
图7是表示基于力学稳定性的性能评价处理的流程图。
图8是表示第二实施方式所涉及的自动驾驶评价装置的框图。
图9是表示第二实施方式中的性能评价的一个例子的表。
图10是表示正向计算处理的流程图。
具体实施方式
以下,参照附图对本发明的实施方式进行说明。
[第一实施方式]
图1是表示第一实施方式所涉及的自动驾驶评价装置的框图。图1所示的自动驾驶评价装置100是用于通过模拟来评价自动驾驶算法的装置。自动驾驶算法是用于控制能够自动驾驶的车辆来执行自动驾驶的算法。自动驾驶算法能够为独立的基础设施协调型的算法。自动驾驶是指即使车辆的驾驶员不进行驾驶操作也使车辆自动地行驶的车辆控制。
自动驾驶算法的评价通过使用反映了基于自动驾驶算法的自动驾驶的自动驾驶车模型和移动体模型的模拟来进行。自动驾驶车模型是指为了反映基于自动驾驶算法的自动驾驶而在模拟上模仿能够自动驾驶的车辆的模型。
移动体模型是指为了评价自动驾驶算法而在模拟上模仿移动体的模型。移动体包含其他车辆、行人、自行车、动物、机器人、个人移动体等中的至少一个。对模型而言,能够行动的范围根据种类不同。例如,车辆的模型与行人的模型相比,速度的上限较高、方位的角速度(方向的变更速度)的上限较低。能够行动的范围分别被适当地设定。
以往,作为自动驾驶算法的评价,研究出使时间从自动驾驶车模型和移动体模型相互干涉这样的交通场景发展,基于反映了自动驾驶算法的自动驾驶车模型的运行情况来评价自动驾驶算法的性能。作为一个例子,自动驾驶车模型和移动体模型相互干涉这样的交通场景是若相互直行则自动驾驶车模型和移动体模型会碰撞这样的交通场景。
然而,自动驾驶算法被设计为不会一开始就陷入自动驾驶车模型和移动体模型相互干涉这样的困难的交通场景(extreme conditions:极端条件)。因此,从性能评价的观点来看,希望对自动驾驶算法是否不使困难的交通场景产生、或者自动驾驶算法是否不会陷入困难的交通场景进行评价,而不对使从困难的交通场景起时间发展的情况下的自动驾驶算法的运行情况进行评价。
鉴于此,在自动驾驶评价装置100中,通过利用使用了自动驾驶车模型以及移动体模型的适当的模拟来确认自动驾驶算法是否陷入成为评价对象的交通场景(后述的初始交通场景),由此进行自动驾驶算法的性能评价。
〈第一实施方式的自动驾驶评价装置的构成〉
对第一实施方式的自动驾驶评价装置100的构成进行说明。首先,对自动驾驶评价装置100的硬件构成进行说明。图2是表示自动驾驶评价装置100的硬件构成的图。
如图2所示,自动驾驶评价装置100在物理上能够构成为包括1个或者多个CPU[Central Processing Unit:中央处理器]101、RAM[Random Access Memory:随机存取存储器]102以及ROM[Read Only Memory:只读存储器]103、作为输入设备的键盘以及鼠标等输入装置104、半导体存储器等存储装置105、网卡等作为数据收发设备的通信模块106、显示器等输出装置107等的计算机。
CPU101通过在处理的执行时将必要的程序等从ROM103或者存储装置105等加载到RAM102,并执行加载的程序来实现各种动作。程序以及处理所需要的数据也可以经由通信模块106输入。此外,自动驾驶评价装置100也可以由多台计算机构成。
接下来,参照图1对自动驾驶评价装置100的功能性构成进行说明。如图1所示,自动驾驶评价装置100具有初始交通场景设定部11、过去交通场景运算部12、比较用过去交通场景生成部13、自动驾驶反映场景运算部14、以及性能评价部15。
初始交通场景设定部11设定自动驾驶算法的评价所使用的初始交通场景。初始交通场景是成为通过模拟进行的自动驾驶算法的评价的基准的交通场景。初始交通场景包含自动驾驶车模型的初始状态、移动体模型的初始状态、以及被配置自动驾驶车模型以及移动体模型的道路环境。
自动驾驶车模型的初始状态是指初始交通场景中的自动驾驶车模型的状态。对自动驾驶算法而言,由于旨在遵守法律法规所以可考虑使初始状态成为遵守法律法规状态。自动驾驶车模型的状态包含自动驾驶车模型的位置、朝向以及速度。可认为成为算法评价的对象的自动驾驶车模型的状态不包括横摆率、加速度(或者减速度)。此外,自动驾驶车模型的状态并不是将包括横摆率以及加速度(或者减速度)的方式排除的状态。
同样,移动体模型的初始状态是指初始交通场景中的移动体模型的状态。移动体模型的状态包含移动体模型的位置、朝向以及速度。移动体模型的状态可以加上横摆率,也可以加上加速度(或者减速度)。可以对移动体模型预先设定决定移动体模型的运行情况的移动体算法。或者,也可以直接给予移动体模型的初始状态的前后的力学动作。作为一个例子,移动体算法能够为以当前的速度继续向当前行进的方位移动的算法。移动体算法也可以按模型的种类(车辆、行人等)预先设定。
道路环境是被配置自动驾驶车模型以及移动体模型的模拟上的道路环境。道路环境只要是车辆能够行驶的环境即可,可以是停车场内。作为道路环境,例如可设定自动驾驶车模型行驶的车道的环境、移动体模型行驶的车道的环境。车道的环境包含车道的形状、车道的曲率、车道的宽度等。道路环境中也可以预先设定法定速度的信息、车道的行进方向的信息。行进方向也可以不是每个车道而被决定为左侧通行或者右侧通行。道路环境也可以包含车道上的信号灯的点亮状况。
这里,图3是表示初始交通场景的一个例子的图。图3中示出自动驾驶车模型M、移动体模型(其他车辆模型)N、自动驾驶车模型M行驶的行驶车道R1、与行驶车道R1相邻的对向车道R2、行驶车道R1与对向车道R2之间的中央线C。在图3所示的初始交通场景中,自动驾驶车模型M正在行驶车道R1内行驶。另一方面,移动体模型N从对向车道R2跨越中央线C就要冲到自动驾驶车模型M的前方。在自动驾驶评价装置100中,利用这样的初始交通场景来进行自动驾驶算法的评价。
此外,在一个初始交通场景中也可以存在多个移动体模型,也可以存在多个自动驾驶车模型。初始交通场景不需要是图3所示那样的困难的交通场景,不需要是自动驾驶车模型以及移动体模型即将碰撞之前的交通场景。初始交通场景也可以是自动驾驶车模型以及移动体模型双方在车道内以法定最高速度内的速度行驶的通常的交通场景。
过去交通场景运算部12运算时间从初始交通场景起回溯的交通场景亦即过去交通场景。过去交通场景运算部12提取初始交通场景的时间微分分量(自动驾驶车模型的速度等),通过反向计算来运算作为力学系描述的过去交通场景。将过去交通场景的时刻称为过去时刻。
过去交通场景运算部12运算过去交通场景,该过去交通场景包括过去时刻中的自动驾驶车模型的状态以及过去时刻中的移动体模型的状态。过去交通场景的运算被作为使用初始交通场景的时间微分分量进行微小时间的时间回溯的力学系的模拟来进行。
以下,对反向计算(backward calculation)的一个例子进行说明。首先,作为前提,若将自动驾驶车模型的状态(力学状态)表现为ξa,将其时间发展运算符表现为则自动驾驶车模型的状态的时间变化被表现为下述的公式(1)。t是时间,δt是微小时间。
【数1】
另外,将移动体模型的状态(力学状态)表现为ξb,将其时间发展运算符表现为F^b。这里,设为有多个移动体模型,使用b=1、2、3…来表现各移动体模型。该情况下,移动体模型的状态的时间变化被表现为下述的公式(2)。
【数2】
上述的公式(1)、(2)能够统一表示为下述的公式(3)、(4)。
【数3】
此时,将作为下述的公式(5)而表示的E(t)称为时间t时的交通场景(与初始交通场景对应),将Τ^(δt,A,F)称为交通场景中的时间发展运算符。
【数4】
E(t)=t(ξA(t),ξl(t),ξ2(t);…) …(5)
根据以上的前提,为了从时间t时的交通场景E(t)求出时间回溯了δt的过去的交通场景E(t-δt),需要求出时间反转运算符的逆运算符即时间回溯运算符Τ^-1(δt,A,F)。以下,对通过归纳方式求出时间回溯了δt的过去的交通场景E(t-δt)的方法进行说明。
首先,考虑构成交通场景的一个车辆模型的状态(力学状态)。车辆模型的力学状态ξ的一个例子是其位置x、速度v、方位φ、方位的角速度ω。这能够表示为下述的公式(6)。
【数5】
此时,ξ(t-δt)能够如下述的公式(7)~(9)那样展开而近似。
【数6】
这里,Τ^-1(δt)是线形时间回溯运算符。
将使用了该线形时间回溯运算符的在自动驾驶车模型与移动体模型之间没有相互作用的力学时间回溯考虑为下述的公式(10)。另外,将考虑了包括自动驾驶算法的影响的自动驾驶车模型与移动体模型之间的相互作用的时间发展考虑为下述的公式(11)。公式(11)的e(t)是从过去的交通场景E(t-δt)起考虑包括自动驾驶算法的影响的自动驾驶车模型与移动体模型之间的相互作用而时间发展到初始交通场景的时间t时的交通场景(后述的恢复交通场景)。
【数7】
E0(t-δt)=T-1(δt)E(t) …(10)
该情况下,在评价对象的自动驾驶算法A没有要避开移动体模型的情况(没有相互作用的情况)下,期待为下述的公式(12)。
【数8】
e(t)=E(t) …(12)
另一方面,在自动驾驶算法A要避开移动体模型的情况(有相互作用的情况)下,为下述的公式(13)。
【数9】
e(t)≠E(t) …(13)
其中,即便是该情况,也期待存在满足下述公式(14)的E(t-δt)。
【数10】
此时的E(t-δt)在如下述的公式(15)那样规定了初始状态的情况下,使用下述的公式(16)~(18)以归纳方式求出。这里,α是规定收敛计算的效率的自由参数。
【数11】
E0(t)=E(t) …(15)
ΔEi+1(t)=ei+1(t)-E(t) …(17)
Ei+1(t)=Ei(t)-αΔEi+1(t) …(18)
具体而言,时间t时的误差ΔEi+1(t)只要将成为预先设定的允许范围内(例如规定的微小量以下)时的下述公式(19)中的过去交通场景候补Ei+1(t-δt)作为过去交通场景运算部12求取的过去交通场景E(t-δt)即可。
【数12】
Ei(t-δt)=T-1(δt)Ei(t) …(19)
通过进行上述的反向计算,过去交通场景运算部12能够运算过去交通场景E(t-δt)。
此外,过去交通场景运算部12也可以将自动驾驶车模型的状态和移动体模型的状态双方成为了预先设定的遵守法律法规状态或者通常行驶状态的时刻作为过去时刻。以下,只要不需要特别区别遵守法律法规状态和通常行驶状态均记载为遵守法律法规状态。即,过去交通场景运算部12可以反复进行从初始交通场景的时刻每次分别回溯规定时间的过去的交通场景(过去交通场景候补)的运算,求出上述的误差ΔEi+1(t)在允许范围内且自动驾驶车模型的状态和移动体模型的状态双方是遵守法律法规状态的过去交通场景候补作为过去交通场景。规定时间是指预先设定的时间。
遵守法律法规状态是指各移动体模型(包括自动驾驶车模型)遵守预先设定的交通法规的状态。并且,可考虑附加各移动体模型沿着车道正在交叉路口处将车道间顺畅地连接的区域内行驶这一条件。
通常行驶状态是指各移动体模型大体遵守交通法规,并且没有迫在眉睫的风险的可能性的状态。通常行驶状态的具体例是指各移动体模型沿着车道或者在交叉路口处将车道间顺畅地连接的区域内行驶,并且多个移动体模型未在同一车道或者上述区域并行,并且各移动体模型的速度大体是法定速度(限制速度)以下的状态。这里所说的大体是法定速度以下是指在实施自动驾驶算法的性能评价的情况下,为了确保性能的稳健性而假定为即使在其他的移动体模型的速度超过法定速度时也能够避免风险的速度。例如,假定超过法定速度20%或超过15km/h的速度等。
遵守法律法规状态和通常行驶状态一般没有包含关系。具体而言,在各移动体模型超过法定速度的情况下,不是遵守法律法规状态。另一方面,法定速度以下且自行车和汽车在同一车道行驶的情况在通常汽车想要在同一车道行驶并超过在同一车道的左侧行驶的自行车的情况下是遵守法律法规状态,但不是通常行驶状态。
是遵守法律法规状态这一判定既可以为狭义上的是否是遵守法律法规状态的判定,也可以为是否是通常行驶状态的判定,既可以是两者的逻辑积,也可以是两者的逻辑和。
作为一个例子,自动驾驶车模型的遵守法律法规状态能够为在自动驾驶车模型行驶的行驶车道所被设定的法定速度的范围内沿着行驶车道的行进方向在行驶车道内行驶的状态。同样,移动体模型是其他车辆模型时的遵守法律法规状态能够为在移动体模型行驶的车道所被设定的法定速度的范围内沿着车道的行进方向在车道内行驶的状态。移动体模型是行人模型时的遵守法律法规状态能够为移动体模型在车道之外设定的行人区域或者人行横道区域移动的状态。另外,过去交通场景运算部12也可以考虑道路环境来运算过去交通场景。另一个被考虑的过去时刻是自动驾驶车模型的状态从遵守法律法规状态脱离的时刻(或者从该时刻回溯了规定时间的时刻)。该情况下,自动驾驶算法以通过遵守法规而不陷入初始交通场景的方式动作。
比较用过去交通场景生成部13根据过去交通场景的微小变更,生成预先设定的数量的比较用过去交通场景。过去交通场景的微小变更例如是过去时刻中的自动驾驶车模型的状态(参数)的微小变更或者过去时刻中的移动体模型的状态(参数)的微小变更。比较用过去交通场景生成部13可以将自动驾驶车模型以及移动体模型双方的状态微小变更,也可以仅将自动驾驶车模型以及移动体模型的一方的状态微小变更。预先设定的数量能够为后述的过去交通场景的维数。
过去时刻中的自动驾驶车模型的状态的微小变更例如通过对自动驾驶车模型的状态所包含的位置、速度等参数加上微小量来进行。微小量能够使用预先设定的值。微小量可以是接近0的任意的随机值(例如小于0.3的随机值)。微小变更不一定需要通过加上微小量来进行,也可以是减去微小量、乘以或者除以成为微小量那样的系数,也可以通过预先设定的运算式进行。微小变更的方法并不局限于上述的方法。
这里,对比较用过去交通场景的生成的一个例子进行说明。首先,过去交通场景E(t-kδt)由M维向量表现。k是任意的系数。此时,能够使用M个标准正交向量um(m=1,2,…,M)来考虑下述的公式(20)~(22)。Pm(m=1,2,…,M)是比较用过去交通场景,δp是接近0的微小量,ΔPm是过去交通场景E(t-kδt)与比较用过去交通场景Pm的差。
【数13】
Pm=E(t-kδt)+δp·um …(20)
ΔPm=Pm-E(t-kδt) …(21)
=δp·um …(22)
比较用过去交通场景生成部13能够使用上述的公式(20)~(22)来生成预先设定的M个比较用过去交通场景Pm。
自动驾驶反映场景运算部14基于过去交通场景、道路环境以及自动驾驶算法,来运算自动驾驶反映场景。自动驾驶反映场景是指在自动驾驶车模型通过自动驾驶算法而自动驾驶的状态下从过去交通场景经过了设定时间的交通场景。设定时间是预先设定的时间。作为设定时间,能够设定微小的时间。另外,设定时间也可以与过去交通场景运算部12的1个步骤量的时间或从过去时刻到初始交通场景的时刻的时间相同。
移动体模型也按照预先设定的移动体算法进行移动。此外,移动体模型不一定需要移动,也可以停止。移动体模型也可以以从过去交通场景中的移动体模型的状态成为初始交通场景中的移动体模型的初始状态的方式进行移动。移动体算法也可以考虑与自动驾驶车模型的相互作用来变更移动体模型的运行情况。该情况下,自动驾驶算法也根据移动体模型的移动带来的影响来执行自动驾驶车模型的自动驾驶。
另外,自动驾驶反映场景运算部14基于比较用过去交通场景、道路环境以及自动驾驶算法来运算比较用自动驾驶反映场景。比较用自动驾驶反映场景是指在自动驾驶车模型通过自动驾驶算法而自动驾驶的状态下从比较用过去交通场景经过了设定时间的交通场景。自动驾驶反映场景运算部14对每个比较用过去交通场景分别运算比较用自动驾驶反映场景。自动驾驶反映场景运算部14与运算自动驾驶反映场景的情况同样地运算比较用自动驾驶反映场景。
以下,对自动驾驶反映场景以及比较用自动驾驶反映场景的运算的一个例子进行说明。自动驾驶反映场景运算部14能够用下述的公式(23)、(24)来表示通过使过去交通场景E(t-kδt)和比较用过去交通场景Pm时间发展设定时间δt而得到的自动驾驶反映场景以及比较用自动驾驶反映场景。Qm(m=1,2,…,M)是自动驾驶反映场景或者比较用自动驾驶反映场景。
【数14】
该ΔQm描述了从公式(21)以及(22)记载的过去交通场景E(t-kδt)起的变量通过1个步骤的时间发展如何变化。若通过使用了矩阵H的线性转换来描述该变化,则能如下所示。
【数15】
(ΔQ1,ΔQ2,…,ΔQM)=H(ΔP1,ΔP2,…,ΔPM) …(25)
H=(ΔQ1,ΔQ2,…,ΔQM)(ΔP1,ΔP2,…,ΔPM)-1 …(26)
而且,如后所述,通过解析该线形转换的性质,能够评价过去交通场景的时间反转的稳定性。具体而言,能够通过矩阵H的最大固有值是否大于1来评价,能够在大于1的情况下评价为不稳定,在1以下的情况下评价为稳定。
性能评价部15基于过去交通场景来评价自动驾驶算法的性能。具体而言,性能评价部15通过基于过去交通场景、自动驾驶反映场景、比较用过去交通场景、以及比较用自动驾驶反映场景,来评价自动驾驶算法通过自动驾驶算法的反映从过去交通场景以及比较用过去交通场景朝向初始交通场景是稳定地收敛还是不稳定地发散,由此进行自动驾驶算法的性能评价。
这里,图4(a)是表示向初始交通场景的时间发展稳定的情况的图像的图。在图4(a)中,从过去开始的箭头示出使过去交通场景以及比较用过去交通场景朝向未来时间发展的状况。此外,从初始交通场景朝向未来的箭头示出从初始交通场景起时间发展的状况。从初始交通场景开始的时间发展将在后述的第二实施方式中描述。
如图4(a)所示,在向初始交通场景的时间发展稳定的情况下,从过去开始的箭头朝向初始交通场景收敛。即,通过时间发展,将过去交通场景微小变更后的比较用过去交通场景也接近初始交通场景。这表示即使将基于自动驾驶算法的自动驾驶反映到自动驾驶车模型,也难以避免到达初始交通场景。该情况下,能够评价为自动驾驶算法不具有避免从过去交通场景以及比较用过去交通场景到达初始交通场景的性能。此外,这里以初始交通场景是困难的交通场景的情况为例对评价进行说明。
图4(b)是表示向初始交通场景的时间发展不稳定的情况的图像的图。如图4(b)所示,在向初始交通场景的时间发展不稳定的情况下,从过去开始的箭头不收敛于初始交通场景而发散。即,通过时间发展,比较用过去交通场景不接近初始交通场景中的初始状态而成为分别不同的状态。这表示若将基于自动驾驶算法的自动驾驶反映到自动驾驶车模型,则会避免从过去交通场景以及比较用过去交通场景到达初始交通场景。该情况下,能够评价为自动驾驶算法具有避免到达初始交通场景的性能。此外,在即使图4(b)所示的箭头的一部分到达初始交通场景、剩余的箭头不到达初始交通场景的情况下也能说是不稳定的情况。
这里,为了在图4(a)以及图4(b)中容易理解,作为箭头相对于初始交通场景的收敛(稳定)和发散(不稳定)进行了说明,但即使不使时间从过去时刻发展到初始交通场景的时刻也能够进行稳定性的评价。即,若着眼于从过去时刻到初始交通场景的时刻的全部时间段中的一部分时间段,则在不收敛于初始交通场景而不稳定地发散的情况下,无论如何选择一部分的时间段都能够认为总是因时间发展而产生发散。
图5是表示从过去交通场景以及比较用过去交通场景开始的时间发展不稳定的情况的具体例子的图。在图5中,示出过去时刻(t-kδt)中的过去交通场景E(t-kδt)、第一比较用过去交通场景P1(t-kδt)、第二比较用过去交通场景P2(t-kδt)。
第一比较用过去交通场景P1(t-kδt)是将过去交通场景E(t-kδt)微小变更了δp·u1的交通场景。同样,第二比较用过去交通场景P2(t-kδt)是将过去交通场景E(t-kδt)微小变更了δp·u2的交通场景。箭头的长度相当于交通场景的差。
另外,在图5中,示出使时间从过去时刻t-kδt发展了设定时间δt后的时刻t-(k-1)δt中的自动驾驶反映场景E(t-(k-1)δt)、第一比较用自动驾驶反映场景Q1(t-(k-1)δt)、第二比较用自动驾驶反映场景Q2(t-(k-1)δt)。此外,设定时间不一定需要是δt。
第一比较用自动驾驶反映场景Q1(t-(k-1)δt)是在反映出基于自动驾驶算法的自动驾驶的状态下使第一比较用过去交通场景P1(t-kδt)时间发展了δt后的交通场景。同样,第二比较用自动驾驶反映场景Q2(t-(k-1)δt)是在反映出基于自动驾驶算法的自动驾驶的状态下使第二比较用过去交通场景P2(t-kδt)时间发展了δt后的交通场景。
在图5所示的状况中,时间发展后的自动驾驶反映场景E(t-(k-1)δt)与第一比较用自动驾驶反映场景Q1(t-(k-1)δt)的差大于过去交通场景E(t-kδt)与第一比较用过去交通场景P1(t-kδt)的差δp·u1。该情况下,由于自动驾驶反映场景E(t-(k-1)δt)与第一比较用自动驾驶反映场景Q1(t-(k-1)δt)的差因时间发展而扩大,所以能够评价为不收敛于初始交通场景而不稳定地发散。即,能够评价为自动驾驶算法具有避免到达初始交通场景的性能。
这样一来,性能评价部15能够基于过去交通场景、自动驾驶反映场景、比较用过去交通场景、以及比较用自动驾驶反映场景,来评价自动驾驶算法的性能。
更具体而言,性能评价部15运算在上述的公式(26)中说明的转换矩阵H(k),能够进行使用了转换矩阵H(k)的自动驾驶算法的稳定性的评价。公知为在转换矩阵H(k)的固有值的最大固有值λmax(k)大于1的情况下,即使是非常类似的两个交通场景(例如过去交通场景和比较用过去交通场景),交通场景间的差也根据时间发展而变大(不稳定)。并且,还公知为成为时间发展的主要要素。
该时间发展的转换矩阵H(k)以及最大固有值λmax(k)在能够进行时间回溯计算的情况下,能够通过沿着时间轴E(t-nδt)→E(t-(n-1)δt)→E(t-(n-2)δt)→…→E(t-δt)→E(t)的计算来求出。
在下述的公式(27)示出这样求出的最大固有值的列λmax(k)、k。
【数16】
λmax(k),k=n,(n-1),…2,1 …(27)
上述的公式(27)表示随着时间发展的交通场景的稳定性。具体而言,在λmax(k)>1的情况下,根据到此为止的计算可知,两个交通场景(例如自动驾驶反映场景以及比较用自动驾驶反映场景)的差根据时间发展而变大。即,变得不稳定。此外,也可知在该情况下,下述的公式(28)所示的λmax(k)之积呈几何级数增大。
【数17】
换句话说,即使存在能够到达初始交通场景E(t)的过去交通场景,若作为现实而在过去交通场景有微小变更(有微小的差异),则也意味着不到达初始交通场景E(t)。即,能够评价为自动驾驶算法不会陷入初始交通场景E(t)、更准确而言在使δt成为0的极限中陷入初始交通场景E(t)的概率逐渐接近0。
相反,在λmax(k)<1的情况下,由于时间发展后的两个交通场景的差因时间发展而迅速地接近0,所以可知对于时间发展是稳定的。此外,在λmax(k)=1的情况下能够认为稳定。
这样一来,性能评价部15能够评价自动驾驶算法对于初始交通场景是稳定地收敛还是不稳定地发散。性能评价部15能够在自动驾驶算法对于初始交通场景不稳定地发散的情况下,评价为自动驾驶算法具有避免到达初始交通场景的性能。
〈第一实施方式的自动驾驶评价装置的自动驾驶评价方法〉
以下,对第一实施方式的自动驾驶评价装置100的自动驾驶评价方法进行说明。图6是表示初始交通场景设定处理以及反向计算处理的流程图。
如图6所示,作为S10,自动驾驶评价装置100进行初始交通场景设定部11的初始交通场景的设定(初始交通场景设定步骤)。初始交通场景设定部11设定自动驾驶算法的性能评价所使用的交通场景作为初始交通场景。
在S12中,自动驾驶评价装置100通过过去交通场景运算部12提取初始交通场景的时间微分分量(自动驾驶车模型的速度以及移动体模型的速度等)。
在S14中,自动驾驶评价装置100通过过去交通场景运算部12运算规定时间前的过去交通场景候补。过去交通场景运算部12基于初始交通场景的时间微分分量,以力学方式运算使自动驾驶车模型的初始状态以及移动体模型的初始状态时间回溯的过去交通场景候补。过去交通场景运算部12例如利用上述的公式(10)来运算过去交通场景候补。
在S16中,自动驾驶评价装置100通过过去交通场景运算部12运算恢复交通场景。过去交通场景运算部12通过从过去交通场景候补进行考虑了包括自动驾驶算法的影响的自动驾驶车模型与移动体模型之间的相互作用的时间发展,来运算恢复交通场景。过去交通场景运算部12例如利用上述的公式(11)来运算恢复交通场景。
在S18中,自动驾驶评价装置100通过过去交通场景运算部12来运算与初始交通场景的差。初始交通场景与恢复交通场景的差对应于上述的公式(17)。
在S20中,自动驾驶评价装置100通过过去交通场景运算部12来判定初始交通场景与恢复交通场景的差是否在允许范围内。允许范围是预先设定的范围。允许范围例如包含有允许速度阈值、允许距离阈值、允许方位阈值。
例如在初始交通场景候补和恢复交通场景中仅自动驾驶车模型的状态不同的情况下,当初始交通场景候补与恢复交通场景的自动驾驶车模型的速度的差、位置的差(距离)、以及方位的差的绝对值分别是允许速度阈值以下、允许距离阈值以下、以及允许方位阈值以下时,过去交通场景运算部12判定为初始交通场景与恢复交通场景的差在允许范围内。在移动体模型也不同的情况下也同样能够使用阈值来判定。此外,也可以将速度、位置、方位以外的要素使用于上述判定。
此外,在从过去交通场景开始的时间发展不稳定的情况下,根据模拟有初始交通场景候补与从过去交通场景求出的恢复交通场景的差不收敛(发散)的情况,有时上述的结束条件不适当在。在这样的情况下,能够根据公式(17)所记载的每1个步骤的误差是规定的值以下、并且回溯了的时间、kδt为规定的时间,认为满足结束条件。
自动驾驶评价装置100在判定为初始交通场景与恢复交通场景的差是允许范围内的情况下(S20:是),移至S24。自动驾驶评价装置100在判定为初始交通场景与恢复交通场景的差不是允许范围内的情况下(S20:否),移至S26。
在S22中,自动驾驶评价装置100通过过去交通场景运算部12来判定过去交通场景候补中的自动驾驶车模型以及移动体模型是否是遵守法律法规状态,或者是否满足结束条件。过去交通场景候补中的自动驾驶车模型以及移动体模型为遵守法律法规状态例如是指自动驾驶车模型以及移动体模型双方在各自行驶的车道所被设定的法定速度的范围内沿着车道的行进方向在车道内行驶的状态。
结束条件是指为了判定过去交通场景的运算的结束而预先设定的条件。过去交通场景运算部12可以在进行了恒定时间量(例如10秒)的时间回溯的情况下,判定为满足结束条件。过去交通场景运算部12也可以在过去交通场景候补中的自动驾驶车模型为违反法律法规状态的情况下,判定为满足结束条件。或者,过去交通场景运算部12也可以在过去交通场景候补中的自动驾驶车模型为违反法律法规状态后进行了预先决定的规定时间的时间回溯的时刻,判定为满足结束条件。违反法律法规状态能够为不是遵守法律法规状态的状态。
违反法律法规状态中也可以包含自动驾驶车模型的速度超过了行驶车道的法定最高速度的状态。违反法律法规状态中也可以包含自动驾驶车模型没有车道变更等的理由而脱离了行驶车道的状态。违反法律法规状态中也可以包含自动驾驶车模型向与行驶车道的行进方向大致相反方向行驶的状态。另外,在判定中使用通常行驶状态的情况下,也可以包含多个移动体模型(也可以包括自动驾驶车模型)正在同一车道行驶的状态。
在自动驾驶评价装置100判定为过去交通场景候补中的自动驾驶车模型以及移动体模型不是遵守法律法规状态并且判定为未满足结束条件的情况下(S22:否),移至S24。在自动驾驶评价装置100判定为过去交通场景候补中的自动驾驶车模型以及移动体模型是遵守法律法规状态或者满足了结束条件的情况下(S22:是),移至S26。
在S24中,自动驾驶评价装置100通过过去交通场景运算部12来运算从当前的过去交通场景候补起规定时间前的交通场景作为新的过去交通场景候补。然后,自动驾驶评价装置100对于新的过去交通场景候补从S16开始反复进行处理。
在S26中,自动驾驶评价装置100通过过去交通场景运算部12将过去交通场景候补设定为过去交通场景。然后,自动驾驶评价装置100开始性能评价处理。其中,图6所示的S12~S26构成运算过去交通场景的过去交通场景运算步骤。
在这样得到的过去交通场景中,当自动驾驶车模型不是遵守法律法规状态的情况下,由于与被设计为自动驾驶车模型维持遵守法律法规状态矛盾,所以能够评价为自动驾驶车模型不陷入初始交通场景。即使在对自动驾驶车模型认可为了确保安全而部分地从遵守法律法规状态脱离的情况下,自动驾驶车模型也被评价为能够通过检测在陷入初始交通场景之前经过的违反法律法规状态(或非通常行驶状态),来对驾驶员等发出警告。另一方面,在所得到的过去交通场景中自动驾驶车模型是遵守法律法规状态的情况下,进行基于力学稳定性的评价。
图7是表示基于力学稳定性的性能评价处理的流程图。如图7所示,作为S30,自动驾驶评价装置100读取过去交通场景运算部12运算出的过去交通场景。
在S32中,自动驾驶评价装置100通过比较用过去交通场景生成部13生成比较用过去交通场景(比较用过去交通场景生成步骤)。比较用过去交通场景生成部13通过过去交通场景的微小变更来生成预先设定的数量的比较用过去交通场景。
在S34中,自动驾驶评价装置100通过自动驾驶反映场景运算部14来运算自动驾驶反映场景以及比较用自动驾驶反映场景(自动驾驶反映场景运算步骤)。自动驾驶反映场景运算部14基于过去交通场景和自动驾驶算法,来运算在自动驾驶车模型通过自动驾驶算法而自动驾驶的状态下从过去交通场景经过了设定时间的自动驾驶反映场景。另外,自动驾驶反映场景运算部14基于比较用过去交通场景和自动驾驶算法,分别运算在自动驾驶车模型通过自动驾驶算法而自动驾驶的状态下从比较用过去交通场景经过了设定时间的比较用自动驾驶反映场景。
在S36中,自动驾驶评价装置100通过性能评价部15来运算转换矩阵H。性能评价部15基于过去交通场景、比较用过去交通场景、自动驾驶反映场景、以及比较用自动驾驶反映场景,来运算公式(26)所示的转换矩阵H。
在S38中,自动驾驶评价装置100通过性能评价部15求出转换矩阵H的最大固有值λmax。性能评价部15能够通过沿着时间轴“E(t-nδt)→E(t-(n-1)δt)→E(t-(n-2)δt)→…→E(t-δt)→E(t)”的计算来求出。
在S40中,自动驾驶评价装置100通过性能评价部15来评价自动驾驶算法的性能。性能评价部15基于最大固有值λmax来评价自动驾驶算法的性能。其中,图7所示的S36、S38、S40构成评价自动驾驶算法的性能的性能评价步骤。该评价结果如上所述当自动驾驶车的动作在力学上不稳定的情况下被评价为不会陷入初始交通场景,在稳定的情况下被评价为有陷入初始交通场景的情况。
〈第一实施方式的自动驾驶评价装置的作用效果〉
根据以上说明的第一实施方式的自动驾驶评价装置100,由于运算从初始交通场景起回遡的过去交通场景,基于过去交通场景来评价自动驾驶算法的性能,所以与不考虑过去交通场景的情况相比,能够适当地评价自动驾驶算法。
另外,根据自动驾驶评价装置100,从过去交通场景运算自动驾驶反映场景,并且从过去时刻中的多个比较用过去交通场景运算比较用过去交通场景,并基于这些场景来评价自动驾驶算法。因此,根据自动驾驶评价装置100,能够通过自动驾驶算法的反映来识别从过去交通场景以及比较用过去交通场景朝向初始交通场景是稳定地收敛还是不稳定地发散的趋势,能够适当地评价针对初始交通场景的自动驾驶算法的性能。
并且,根据自动驾驶评价装置100,由于从初始交通场景的时刻起每次回溯规定时间,将自动驾驶车模型的状态以及移动体模型的状态双方成为预先设定的遵守法律法规状态的时刻作为过去时刻来运算过去交通场景,所以可避免采用不适当的违反法律法规的状态的过去交通场景作为自动驾驶算法的评价的前提,能够适当地评价自动驾驶算法。
[第二实施方式]
图8是表示第二实施方式所涉及的自动驾驶评价装置的框图。图8所示的自动驾驶评价装置200与第一实施方式相比,仅基于正向计算(forward calculation)进行自动驾驶算法的评价这一点不同。
在自动驾驶评价装置200中,在被评价为自动驾驶算法稳定地向初始交通场景收敛的情况下,通过对从初始交通场景开始时间发展的情况下的自动驾驶算法的运行情况进行评价,来进行自动驾驶算法的性能评价。此外,自动驾驶评价装置200可以不管第一实施方式中说明的稳定性的评价,而总是对从初始交通场景开始时间发展的情况下的自动驾驶算法的运行情况进行评价。
〈第二实施方式的自动驾驶评价装置的构成〉
如图8所示,第二实施方式的自动驾驶评价装置200与第一实施方式相比,具有将来状态运算部20和关系判定部21。
将来状态运算部20基于自动驾驶车模型的初始状态、移动体模型的初始状态以及道路环境,来运算从初始交通场景的时刻起通过自动驾驶算法自动驾驶时的自动驾驶车模型的将来状态、和从初始交通场景的时刻起进行预先设定的移动的移动体模型的将来状态。将来状态运算部20与反向计算对比,执行面向将来的正向计算。
自动驾驶车模型的将来状态是指从初始交通场景的时刻开始时间发展时的自动驾驶车模型的状态。移动体模型的将来状态是指从初始交通场景的时刻开始时间发展时的移动体模型的状态。移动体模型按照预先设定的移动体算法移动。此外,移动体模型也可以在初始状态为停止的情况下不移动而停止。
将来状态运算部20与从过去交通场景运算自动驾驶反映场景的方法同样,从初始交通场景运算自动驾驶车模型的将来状态以及移动体模型的将来状态。将来状态运算部20可以通过公知的方法,从初始交通场景运算自动驾驶车模型的将来状态以及移动体模型的将来状态。
将来状态运算部20例如可以从初始交通场景的时刻开始使时间每次发展恒定时间,反复进行自动驾驶车模型的将来状态以及移动体模型的将来状态的运算。将来状态运算部20在后述的关系判定部21中判定为自动驾驶车模型和移动体模型成为预先决定的低评价关系的情况、或者判定为满足结束条件的情况下,结束将来状态的运算。
关系判定部21基于自动驾驶车模型的将来状态和移动体模型的将来状态,判定自动驾驶车模型和移动体模型是否成为低评价关系。低评价关系作为自动驾驶车模型以及移动体模型的关系被预先设定。低评价关系例如包含图3所示那样的自动驾驶车模型以及移动体模型由于直行而相互碰撞这样的关系。
此外,低评价关系并不局限于自动驾驶车模型以及移动体模型碰撞这样的关系。低评价关系也可以包含为了避免与移动体模型的碰撞而自动驾驶车模型成为违反法律法规状态的关系。低评价关系也可以包含自动驾驶车模型以及移动体模型双方成为违反法律法规状态的关系。
关系判定部21判定是否满足预先设定的结束条件。结束条件是为了判定将来状态运算部20的将来状态的运算的结束而预先设定的条件。关系判定部21在将来状态运算部20从初始交通场景的时刻到预先设定的时间后(例如30秒后)运算出将来状态的情况下,判定为满足结束条件。关系判定部21也可以在自动驾驶车模型的将来状态和移动体模型的将来状态稳定地开始扩大距离的情况下,判定为满足结束条件。自动驾驶车模型的将来状态和移动体模型的将来状态稳定地开始扩大距离的情况例如是指每恒定时间的分离距离为阈值以上的情况。
性能评价部22基于关系判定部21的判定结果来评价自动驾驶算法的性能。在通过关系判定部21判定为自动驾驶车模型和移动体模型成为低评价关系的情况下,性能评价部22能够评价为自动驾驶算法没有在到达初始交通场景时能够避免自动驾驶车模型以及移动体模型成为低评价关系的性能。在通过关系判定部21判定为自动驾驶车模型和移动体模型不成为低评价关系的情况下,性能评价部22能够评价为自动驾驶算法具有即使到达初始交通场景也能够避免自动驾驶车模型以及移动体模型成为低评价关系的性能。
图9是表示第二实施方式中的性能评价的一个例子的表。在图9中,示出了将困难的初始交通场景(参照图3)设定为评价对象的情况下的自动驾驶算法的性能评价的一个例子。
如图9所示,在通过第一实施方式中描述的反向计算自动驾驶算法评价为对于初始交通场景不稳定地发散的情况下,不管过去交通场景中的自动驾驶车模型以及移动体模型的遵守法律法规和第二实施方式中的从初始交通场景起的正向计算的结果,性能评价部22都进行自动驾驶算法的性能没有问题这一评价(OK评价)。该情况下,由于即使是在从初始交通场景进行了正向计算的情况下被判定为自动驾驶车模型以及移动体模型成为低评价关系的自动驾驶算法,也在具有从一开始就避免到达初始交通场景的性能的情况下不导致低评价关系,所以性能评价部22能够评价为自动驾驶算法的性能没有问题。
另外,在通过反向计算评价为自动驾驶算法对于初始交通场景稳定地收敛的情况下,当过去交通场景中的自动驾驶车模型以及移动体模型是遵守法律法规状态,并且通过正向计算判定为自动驾驶车模型以及移动体模型不为低评价关系时,性能评价部22进行自动驾驶算法的性能没有问题这一评价(OK评价)。
另一方面,在通过反向计算评价为自动驾驶算法对于初始交通场景稳定地收敛的情况下,当过去交通场景中的自动驾驶车模型以及移动体模型是遵守法律法规状态,通过正向计算判定为自动驾驶车模型以及移动体模型为低评价关系时,性能评价部22进行自动驾驶算法的性能有问题这一评价(NG评价)。该情况下,由于通过反映基于自动驾驶算法的自动驾驶,来从遵守法律法规状态的过去交通场景经由初始交通场景使自动驾驶车模型以及移动体模型成为低评价关系,所以性能评价部22能够评价为自动驾驶算法的性能有问题。
在通过反向计算评价为自动驾驶算法对于初始交通场景稳定收敛的情况下,当过去交通场景中的自动驾驶车模型是违反法律法规状态的情况时,性能评价部22进行自动驾驶算法没有问题这一评价(OK评价)。该情况下,由于若在过去时刻中没有自动驾驶车模型成为违反法律法规状态这样的异常事态,则能够认为自动驾驶算法不会达到达初始交通场景,所以性能评价部22评价为自动驾驶算法没有问题。
〈第二实施方式的自动驾驶评价装置的自动驾驶评价方法〉
以下,对第二实施方式的自动驾驶评价装置200的自动驾驶评价方法进行说明。这里,对正向计算处理进行说明。该正向计算处理也包含使用了正向计算结果的性能评价处理。此外,因为反向计算处理与第一实施方式相同,所以省略说明。
图10是表示正向计算处理的流程图。如图10所示,作为S50,自动驾驶评价装置200进行初始交通场景设定部11的初始交通场景的设定(初始交通场景设定步骤)。初始交通场景设定部11设定自动驾驶算法的性能评价所使用的交通场景作为初始交通场景。此外,S50是与图5所示的S10相同的处理,在已经设定了初始交通场景的情况下能够省略。反向计算和正向计算哪个都可以先执行,也可以仅在反向计算中被评价为稳定的情况下进行正向计算。
在S52中,自动驾驶评价装置200通过将来状态运算部20运算从初始交通场景的时刻到恒定时间后通过自动驾驶算法而自动驾驶时的自动驾驶车模型的将来状态和移动体模型的将来状态(将来状态运算步骤)。将来状态运算部20与从过去交通场景运算自动驾驶反映场景的方法同样,从初始交通场景运算自动驾驶车模型的将来状态以及移动体模型的将来状态。
在S54中,自动驾驶评价装置200通过关系判定部21判定自动驾驶车模型和移动体模型是否变为低评价关系、或者是否满足结束条件(关系判定步骤)。关系判定部21基于自动驾驶车模型的将来状态和移动体模型的将来状态来进行上述判定。自动驾驶评价装置200在判定为自动驾驶车模型和移动体模型未成为低评价关系,并且判定为未满足结束条件的情况下(S54:否),移至S56。另一方面,自动驾驶评价装置200在判定为自动驾驶车模型和移动体模型成为低评价关系、或者满足结束条件的情况下(S54:是),移至S58。
在S56中,自动驾驶评价装置200通过将来状态运算部20运算进一步到恒定时间后通过自动驾驶算法而自动驾驶时的自动驾驶车模型的将来状态和移动体模型的将来状态。然后,自动驾驶评价装置200返回S54来反复进行处理。
在S58中,自动驾驶评价装置200通过性能评价部22评价自动驾驶算法的性能。性能评价部22基于关系判定部21的判定结果(S54的判定结果)来评价自动驾驶算法的性能。性能评价部22基于关系判定部21的判定结果,评价反映基于自动驾驶算法的自动驾驶而从初始交通场景进行了正向计算时自动驾驶车模型和移动体模型是否成为低评价关系。此外,性能评价部22也可以在执行完第一实施方式中的反向计算处理的情况下,根据反向计算结果来如图9所示评价自动驾驶算法的性能。
〈第二实施方式的自动驾驶评价装置的作用效果〉
根据以上说明的第二实施方式的自动驾驶评价装置200,由于通过运算从初始交通场景的时刻通过自动驾驶算法而自动驾驶时的自动驾驶车模型的将来状态和移动体模型的将来状态,能够判定在反映自动驾驶算法而从初始交通场景开始经过时间时是否成为预先决定的低评价关系,所以能够适当地评价自动驾驶算法。
以上,对本发明的优选实施方式进行了说明,但本发明并不局限于上述的实施方式。本发明能够以上述的实施方式为主,通过基于本领域技术人员的知识实施了各种变更、改进的各种方式来实施。
初始交通场景并不局限于上述的交通场景。初始交通场景也可以是其他车辆模型(移动体模型)在交叉路口处与自动驾驶车模型的行驶车道交叉的车道上接近而来的交通场景。初始交通场景也可以是行人模型(移动体模型)要进入在停车场内自动驾驶车模型想要驻车的停车位的交通场景。初始交通场景也可以是在交叉路口内自动驾驶车模型左右转时行人模型(移动体模型)横穿自动驾驶车模型的前面的交通场景。初始交通场景也可以是自动驾驶车模型左转时在自动驾驶车模型的左后方行驶的摩托车模型直行过来的交通场景。
过去交通场景的时刻亦即过去时刻也可以固定为从初始交通场景起恒定时间之前的时刻。即,过去交通场景运算部12也可以通过一次运算求出从初始交通场景起恒定时间之前的时刻下的交通场景作为过去交通场景。
在稳定性的评价中,着眼于从过去时刻到初始交通场景的时刻为止的全部时间段中的一部分时间段而进行,但也可以不是一部分而使用全部时间段。即,自动驾驶反映场景运算部14也可以在自动驾驶车模型通过自动驾驶算法而自动驾驶的状态下从过去交通场景的过去时刻经过到初始交通场景的时刻来运算自动驾驶反映场景。同样,自动驾驶反映场景运算部14也可以从过去时刻经过到初始交通场景的时刻来运算比较用自动驾驶反映场景。
比较用过去交通场景的数量也可以为比过去交通场景的维数小的2以上的数量。
附图标记的说明
11…初始交通场景设定部,12…过去交通场景运算部,13…比较用过去交通场景生成部,14…自动驾驶反映场景运算部,15、22…性能评价部,20…状态运算部,21…关系判定部,100、200…自动驾驶评价装置,101…CPU,102…RAM,103…ROM,104…输入装置,105…存储装置,106…通信模块,107…输出装置。
Claims (8)
1.一种自动驾驶评价装置,是用于通过模拟来评价自动驾驶算法的自动驾驶评价装置,其中,具备:
初始交通场景设定部,通过基于上述自动驾驶算法进行自动驾驶的自动驾驶车模型的初始状态、移动体模型的初始状态、以及被配置上述自动驾驶车模型以及上述移动体模型的道路环境的设定,来设定包含上述自动驾驶车模型以及上述移动体模型的初始交通场景;
过去交通场景运算部,基于上述初始交通场景,运算从上述初始交通场景的时刻起回溯的过去时刻中的包括上述自动驾驶车模型以及上述移动体模型的过去交通场景;以及
性能评价部,基于上述过去交通场景,来评价上述自动驾驶算法的性能。
2.根据权利要求1所述的自动驾驶评价装置,其中,还具备:
比较用过去交通场景生成部,通过上述过去交通场景的微小变更,来生成上述过去时刻中的预先设定的数量的比较用过去交通场景;和
自动驾驶反映场景运算部,运算在上述自动驾驶车模型通过上述自动驾驶算法而自动驾驶的状态下从上述过去交通场景经过了设定时间的自动驾驶反映场景,并且分别运算在上述自动驾驶车模型通过上述自动驾驶算法而自动驾驶的状态下从上述比较用过去交通场景经过了上述设定时间的比较用自动驾驶反映场景,
上述性能评价部基于上述初始交通场景、上述过去交通场景、上述比较用过去交通场景、上述自动驾驶反映场景以及上述比较用自动驾驶反映场景来评价上述自动驾驶算法的性能。
3.根据权利要求1或者2所述的自动驾驶评价装置,其中,
上述过去交通场景运算部反复进行从上述初始交通场景的时刻起每次回溯规定时间的时刻中的上述自动驾驶车模型的状态以及上述移动体模型的状态的运算,将上述自动驾驶车模型的状态以及上述移动体模型的状态双方成为预先设定的遵守法律法规状态的时刻作为上述过去时刻,来运算上述过去交通场景。
4.根据权利要求1~3中的任意一项所述的自动驾驶评价装置,其中,还具备:
将来状态运算部,基于上述自动驾驶车模型的上述初始状态、上述移动体模型的上述初始状态以及上述道路环境,来运算从上述初始交通场景的时刻起通过上述自动驾驶算法而自动驾驶时的上述自动驾驶车模型的将来状态、和从上述初始交通场景的时刻起进行预先设定的移动的上述移动体模型的将来状态;和
关系判定部,基于上述自动驾驶车模型的将来状态和上述移动体模型的将来状态,来判定上述自动驾驶车模型和上述移动体模型是否成为低评价关系,
上述性能评价部基于上述关系判定部的判定结果,来评价上述自动驾驶算法的性能。
5.一种自动驾驶评价方法,是用于通过模拟来评价自动驾驶算法的自动驾驶评价装置中的自动驾驶评价方法,其中,包括:
初始交通场景设定步骤,通过基于上述自动驾驶算法进行自动驾驶的自动驾驶车模型的初始状态、移动体模型的初始状态、以及被配置上述自动驾驶车模型以及上述移动体模型的道路环境的设定,来设定包含上述自动驾驶车模型以及上述移动体模型的初始交通场景;
过去交通场景运算步骤,基于上述初始交通场景,来运算从上述初始交通场景的时刻起回溯的过去时刻中的包括上述自动驾驶车模型以及上述移动体模型的过去交通场景;以及
性能评价步骤,基于上述过去交通场景,来评价上述自动驾驶算法的性能。
6.根据权利要求5所述的自动驾驶评价方法,其中,还包括:
比较用过去交通场景生成步骤,通过上述过去交通场景的微小变更,来生成上述过去时刻中的预先设定的数量的比较用过去交通场景;和
自动驾驶反映场景运算步骤,运算在上述自动驾驶车模型通过上述自动驾驶算法而自动驾驶的状态下从上述过去交通场景经过了设定时间的自动驾驶反映场景,并且分别运算在上述自动驾驶车模型通过上述自动驾驶算法而自动驾驶的状态下从上述比较用过去交通场景经过了上述设定时间的比较用自动驾驶反映场景,
在上述性能评价步骤中,基于上述初始交通场景、上述过去交通场景、上述比较用过去交通场景、上述自动驾驶反映场景以及上述比较用自动驾驶反映场景,来评价上述自动驾驶算法的性能。
7.根据权利要求5或者6所述的自动驾驶评价方法,其中,
在上述过去交通场景运算步骤中,反复进行从上述初始交通场景的时刻起每次回溯规定时间的时刻中的上述自动驾驶车模型的状态以及上述移动体模型的状态的运算,将上述自动驾驶车模型的状态以及上述移动体模型的状态双方成为预先设定的遵守法律法规状态的时刻作为上述过去时刻,来运算上述过去交通场景。
8.根据权利要求5~7中的任意一项所述的自动驾驶评价方法,其中,还包括:
将来状态运算步骤,基于上述自动驾驶车模型的上述初始状态、上述移动体模型的上述初始状态以及上述道路环境,来运算从上述初始交通场景的时刻起通过上述自动驾驶算法而自动驾驶时的上述自动驾驶车模型的将来状态、和从上述初始交通场景的时刻起进行预先设定的移动的上述移动体模型的将来状态;和
关系判定步骤,基于上述自动驾驶车模型的将来状态和上述移动体模型的将来状态,来判定上述自动驾驶车模型和上述移动体模型是否成为预先决定的低评价关系,
在上述性能评价步骤中,基于上述关系判定步骤的判定结果,来评价上述自动驾驶算法的性能。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017164460A JP6946861B2 (ja) | 2017-08-29 | 2017-08-29 | 自動運転評価装置及び自動運転評価方法 |
JP2017-164460 | 2017-08-29 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109426696A true CN109426696A (zh) | 2019-03-05 |
CN109426696B CN109426696B (zh) | 2023-07-11 |
Family
ID=65321511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810980231.1A Active CN109426696B (zh) | 2017-08-29 | 2018-08-27 | 自动驾驶评价装置以及自动驾驶评价方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11161521B2 (zh) |
JP (1) | JP6946861B2 (zh) |
CN (1) | CN109426696B (zh) |
DE (1) | DE102018120961A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197027A (zh) * | 2019-05-28 | 2019-09-03 | 百度在线网络技术(北京)有限公司 | 一种自动驾驶测试方法、装置、智能设备和服务器 |
CN111326001A (zh) * | 2020-02-26 | 2020-06-23 | 中国联合网络通信集团有限公司 | 自动驾驶的方法和装置 |
CN112417636A (zh) * | 2019-08-23 | 2021-02-26 | 动态Ad 有限责任公司 | 计算机实现的方法和用于运载工具自行操作的*** |
CN113535569A (zh) * | 2021-07-22 | 2021-10-22 | 中国第一汽车股份有限公司 | 自动驾驶的控制效果确定方法 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10520948B2 (en) | 2017-05-12 | 2019-12-31 | Autonomy Squared Llc | Robot delivery method |
US11328219B2 (en) * | 2018-04-12 | 2022-05-10 | Baidu Usa Llc | System and method for training a machine learning model deployed on a simulation platform |
CN112987711B (zh) * | 2019-11-30 | 2022-08-09 | 华为技术有限公司 | 自动驾驶规控算法优化方法及仿真测试装置 |
CN111122175B (zh) | 2020-01-02 | 2022-02-25 | 阿波罗智能技术(北京)有限公司 | 测试自动驾驶***的方法以及装置 |
US11814080B2 (en) | 2020-02-28 | 2023-11-14 | International Business Machines Corporation | Autonomous driving evaluation using data analysis |
US11702101B2 (en) | 2020-02-28 | 2023-07-18 | International Business Machines Corporation | Automatic scenario generator using a computer for autonomous driving |
US11644331B2 (en) | 2020-02-28 | 2023-05-09 | International Business Machines Corporation | Probe data generating system for simulator |
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 |
CN112230632B (zh) * | 2020-10-28 | 2024-06-14 | 北京航迹科技有限公司 | 用于自动驾驶的方法、装置、设备和存储介质 |
US20220207209A1 (en) * | 2020-12-30 | 2022-06-30 | Beijing Voyager Technology Co., Ltd. | Deterministic sampling of autonomous vehicle simulation variables at runtime |
CN112926137B (zh) * | 2021-03-16 | 2022-05-06 | 中南大学 | 一种道路限速值评估的计算方法 |
KR102541430B1 (ko) * | 2021-04-02 | 2023-06-13 | 인하대학교 산학협력단 | 자율주행 시스템의 운전 능력 자동 평가 시스템 및 방법 |
CN113158560B (zh) * | 2021-04-09 | 2024-02-09 | 中国科学院合肥物质科学研究院 | 一种基于场景对抗的智能驾驶车辆自主能力测试方法 |
CN113954854B (zh) * | 2021-11-30 | 2023-04-07 | 广汽埃安新能源汽车有限公司 | 智能驾驶功能优化方法、装置、电子设备和存储介质 |
JP2023164047A (ja) * | 2022-04-28 | 2023-11-10 | 三菱重工業株式会社 | 評価用データ作成装置、評価用データ作成方法及び評価用データ作成プログラム |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104718507A (zh) * | 2012-11-05 | 2015-06-17 | 松下知识产权经营株式会社 | 自主行走装置的行走信息生成装置、方法及程序、以及自主行走装置 |
JP2015182764A (ja) * | 2014-03-24 | 2015-10-22 | ホンダ リサーチ インスティテュート ヨーロッパ ゲーエムベーハーHonda Research Institute Europe GmbH | 対象とする交通物体の移動挙動を予測するための方法及びシステム |
JP2015228204A (ja) * | 2014-05-30 | 2015-12-17 | ホンダ リサーチ インスティテュート ヨーロッパ ゲーエムベーハーHonda Research Institute Europe GmbH | 先進運転者支援システムによりリスクベースの交通シーン分析を行う方法、及び当該分析を行う当該システムを備える乗り物 |
CN106338988A (zh) * | 2015-07-06 | 2017-01-18 | 丰田自动车株式会社 | 自动驾驶车辆的控制装置 |
CN106371439A (zh) * | 2016-09-13 | 2017-02-01 | 同济大学 | 一种统一的自动驾驶横向规划方法与*** |
CN107050865A (zh) * | 2015-12-08 | 2017-08-18 | 罗伯特·博世有限公司 | 用于验证机动车的驾驶辅助功能的方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10268749A (ja) | 1997-03-28 | 1998-10-09 | Nissan Motor Co Ltd | 自律走行体のシミュレーション方法 |
JP5021506B2 (ja) * | 2008-01-21 | 2012-09-12 | 株式会社豊田中央研究所 | 交通流シミュレーションシステム及び方法 |
CA2913322C (en) * | 2013-06-14 | 2021-09-21 | Wallace E. Larimore | A method and system of dynamic model identification for monitoring and control of dynamic machines with variable structure or variable operation conditions |
EP2990290B1 (en) * | 2014-09-01 | 2019-11-06 | Honda Research Institute Europe GmbH | Method and system for post-collision manoeuvre planning and vehicle equipped with such system |
US10372089B2 (en) * | 2014-10-10 | 2019-08-06 | Japan Science And Technology Agency | Predicted value shaping system, control system, predicted value shaping method, control method, and predicted value shaping program |
JP2016192010A (ja) | 2015-03-31 | 2016-11-10 | 株式会社日立製作所 | 電子制御装置 |
JP2016192910A (ja) | 2015-03-31 | 2016-11-17 | 雪印メグミルク株式会社 | プロセスチーズ類およびその製造方法 |
JP6803556B2 (ja) | 2016-03-14 | 2020-12-23 | パナソニックIpマネジメント株式会社 | 洗面化粧ユニット |
US10127818B2 (en) * | 2017-02-11 | 2018-11-13 | Clear Commute Ventures Pty Ltd | Systems and methods for detecting and avoiding an emergency vehicle in the proximity of a substantially autonomous vehicle |
-
2017
- 2017-08-29 JP JP2017164460A patent/JP6946861B2/ja active Active
-
2018
- 2018-07-17 US US16/037,420 patent/US11161521B2/en active Active
- 2018-08-27 CN CN201810980231.1A patent/CN109426696B/zh active Active
- 2018-08-28 DE DE102018120961.4A patent/DE102018120961A1/de active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104718507A (zh) * | 2012-11-05 | 2015-06-17 | 松下知识产权经营株式会社 | 自主行走装置的行走信息生成装置、方法及程序、以及自主行走装置 |
JP2015182764A (ja) * | 2014-03-24 | 2015-10-22 | ホンダ リサーチ インスティテュート ヨーロッパ ゲーエムベーハーHonda Research Institute Europe GmbH | 対象とする交通物体の移動挙動を予測するための方法及びシステム |
JP2015228204A (ja) * | 2014-05-30 | 2015-12-17 | ホンダ リサーチ インスティテュート ヨーロッパ ゲーエムベーハーHonda Research Institute Europe GmbH | 先進運転者支援システムによりリスクベースの交通シーン分析を行う方法、及び当該分析を行う当該システムを備える乗り物 |
CN106338988A (zh) * | 2015-07-06 | 2017-01-18 | 丰田自动车株式会社 | 自动驾驶车辆的控制装置 |
CN107050865A (zh) * | 2015-12-08 | 2017-08-18 | 罗伯特·博世有限公司 | 用于验证机动车的驾驶辅助功能的方法 |
CN106371439A (zh) * | 2016-09-13 | 2017-02-01 | 同济大学 | 一种统一的自动驾驶横向规划方法与*** |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197027A (zh) * | 2019-05-28 | 2019-09-03 | 百度在线网络技术(北京)有限公司 | 一种自动驾驶测试方法、装置、智能设备和服务器 |
CN110197027B (zh) * | 2019-05-28 | 2023-07-18 | 百度在线网络技术(北京)有限公司 | 一种自动驾驶测试方法、装置、智能设备和服务器 |
CN112417636A (zh) * | 2019-08-23 | 2021-02-26 | 动态Ad 有限责任公司 | 计算机实现的方法和用于运载工具自行操作的*** |
US11945440B2 (en) | 2019-08-23 | 2024-04-02 | Motional Ad Llc | Data driven rule books |
CN111326001A (zh) * | 2020-02-26 | 2020-06-23 | 中国联合网络通信集团有限公司 | 自动驾驶的方法和装置 |
CN113535569A (zh) * | 2021-07-22 | 2021-10-22 | 中国第一汽车股份有限公司 | 自动驾驶的控制效果确定方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2019043157A (ja) | 2019-03-22 |
DE102018120961A1 (de) | 2019-02-28 |
CN109426696B (zh) | 2023-07-11 |
US11161521B2 (en) | 2021-11-02 |
JP6946861B2 (ja) | 2021-10-13 |
US20190061776A1 (en) | 2019-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109426696A (zh) | 自动驾驶评价装置以及自动驾驶评价方法 | |
US11727497B2 (en) | Safe state to safe state navigation | |
US11430071B2 (en) | Navigation based on liability constraints | |
US20220227367A1 (en) | Systems and methods for vehicle navigation | |
US11181926B2 (en) | Trajectory selection for an autonomous vehicle | |
US11345340B2 (en) | Systems and methods for navigating a vehicle | |
US10606278B2 (en) | Constraint relaxation in a navigational system | |
CN106428009B (zh) | 车辆轨迹确定的***和方法 | |
Schörner et al. | Predictive trajectory planning in situations with hidden road users using partially observable markov decision processes | |
US20230286536A1 (en) | Systems and methods for evaluating domain-specific navigation system capabilities | |
Koç et al. | Pedestrian emergence estimation and occlusion-aware risk assessment for urban autonomous driving | |
CN115362092A (zh) | 车辆行动评价装置、车辆行动评价方法以及车辆行动评价程序 | |
WO2021166448A1 (ja) | 車両行動生成装置、車両行動生成方法、および車両行動生成プログラム | |
US12037019B2 (en) | Navigation with a safe longitudinal distance | |
CN114217601A (zh) | 自驾车的混合决策方法及其*** | |
Gómez-Huélamo et al. | SmartMOT: Exploiting the fusion of HD Maps and Multi-Object Tracking for Real-Time Motion Prediction in Intelligent Vehicles applications |
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 |