CN109815555A - 自动驾驶车辆的环境建模能力评估方法及*** - Google Patents
自动驾驶车辆的环境建模能力评估方法及*** Download PDFInfo
- Publication number
- CN109815555A CN109815555A CN201811642628.6A CN201811642628A CN109815555A CN 109815555 A CN109815555 A CN 109815555A CN 201811642628 A CN201811642628 A CN 201811642628A CN 109815555 A CN109815555 A CN 109815555A
- Authority
- CN
- China
- Prior art keywords
- information
- vehicle
- automatic driving
- environmental
- driving vehicle
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供一种自动驾驶车辆的环境建模能力评估方法及***,属于智能交通领域。所述方法包括:获取所述自动驾驶车辆的车载传感***探测车辆环境的连续多个帧的环境信息;将所述连续多个帧的环境信息与对应的真实环境信息对比分析,判断是否存在信息延迟、信息漏报和信号误报中的一者或多者,若存在,则统计所述信息延迟的时间以及所述信息漏报和所述信号误报的出现次数;以及根据所述信息延迟的时间、所述信息漏报的出现次数和/或所述信号误报的出现次数评估所述自动驾驶车辆的环境建模能力。本发明提高了对信息延迟、信息漏报和信息误报等的标注频率和标注量,为评估自动驾驶车辆的环境建模能力提供了更为有力的数据支持。
Description
技术领域
本发明涉及智能交通领域,具体地涉及一种自动驾驶车辆的环境建模能力评估方法及***。
背景技术
目前,自动驾驶车辆的自动驾驶***(Autonomous Driving System,简称ADS)可分为环境感知、数据融合、决策***、控制***、执行***五部分。其中,环境感知是指通过车载传感***提取车辆、行人、道路、交通标示等车辆当前行驶环境信息,并将提取到的信息传输给其他***以实现自动驾驶的路径规划和车辆行为控制。
因此,可知环境感知是ADS的信息基础,现阶段对自动驾驶安全的重要要求就是如何能使自动驾驶车辆行驶得像正常车辆,不给环境造成困扰,并且符合人类司机的认知和预判。环境建模则是环境感知的重要部分,环境建模是对当前车辆所处环境的描述,其融合了多传感器和云端输入,旨在生成对环境精确、稳定的描述,并输出相应环境模型为车辆行驶规划提供支持。
但是,现有技术中缺少对自动驾驶车辆的环境建模能力的评估,往往只是获取单帧(单时刻)的环境感知数据,但单帧的环境感知数据对目标检测的“失败率”较高,与自动驾驶车辆的功能安全要求相差甚远,例如目前已有车辆要求目标检测的“失败率”要低于10-9,但目前业界采用单帧的环境感知数据的“失败率”在1%左右,远不到10-9的要求。另外,单帧的环境感知数据所反应的环境建模结果并不能体现车辆行驶后表现出的行驶效果,例如单帧的环境感知数据检测到障碍物存在的精确率是90%,但事实上会不会发生碰撞是不确定的,两者并不一致。
发明内容
本发明实施例的目的是提供一种自动驾驶车辆的环境建模能力评估方法及***,用于至少部分地解决上述技术问题。
为了实现上述目的,本发明实施例提供一种自动驾驶车辆的环境建模能力评估方法,包括:获取所述自动驾驶车辆的车载传感***探测车辆环境的连续多个帧的环境信息;将所述连续多个帧的环境信息与对应的真实环境信息对比分析,判断是否存在信息延迟、信息漏报和信号误报中的一者或多者,若存在,则统计所述信息延迟的时间以及所述信息漏报和所述信号误报的出现次数;以及根据所述信息延迟的时间、所述信息漏报的出现次数和/或所述信号误报的出现次数评估所述自动驾驶车辆的环境建模能力。
可选地,所述环境信息包括宏观环境信息、地图信息和障碍物信息。所述宏观环境信息包括以下的任意一者或多者:地理位置、天气、光照、时间、路面信息、传感器有效感知范围以及声音预警;所述地图信息包括以下的任意一者或多者:车道信息、路沿信息、道路信息以及导航信息;所述障碍物信息包括以下任意一种或多种实体中的信息:机动车、非机动车、行人、道路安全警示设施以及这四种实体之外的其他实体。
可选地,所述根据所述信息延迟的时间、所述信息漏报的出现次数和/或所述信号误报的出现次数评估所述自动驾驶车辆的环境建模能力包括:在设定的行驶里程内,所述信息延迟的时间低于设定时间阈值、所述信息漏报的出现次数低于第一预设次数和/或所述信息误报的出现次数低于第二预设次数时,判定所述自动驾驶车辆的环境建模能力符合要求。
可选地,所述环境建模能力评估方法还包括:根据所述自动驾驶车辆的本车车身坐标系将车辆四周环境划分为若干个道路区域;以及根据所述自动驾驶车辆在各个所述道路区域内需承担的事故责任比例确定在各个所述道路区域内进行所述连续多个帧的环境信息与所述真实环境信息的对比分析的优先级,其中所述事故责任比例越高,则所述优先级也越高。
另一方面,本发明还提供一种自动驾驶车辆的环境建模能力评估***,包括:获取模块,用于获取所述自动驾驶车辆的车载传感***探测车辆环境的连续多个帧的环境信息;分析模块,用于将所述连续多个帧的环境信息与对应的真实环境信息对比分析,判断是否存在信息延迟、信息漏报和信号误报中的一者或多者,若存在,则统计所述信息延迟的时间以及所述信息漏报和所述信号误报的出现次数;以及评估模块,用于根据所述信息延迟的时间、所述信息漏报的出现次数和/或所述信号误报的出现次数评估所述自动驾驶车辆的环境建模能力。
可选地,所述环境信息包括宏观环境信息、地图信息和障碍物信息。所述宏观环境信息包括以下的任意一者或多者:地理位置、天气、光照、时间、路面信息、传感器有效感知范围以及声音预警;所述地图信息包括以下的任意一者或多者:车道信息、路沿信息、道路信息以及导航信息;所述障碍物信息包括以下任意一种或多种实体中的信息:机动车、非机动车、行人、道路安全警示设施以及这四种实体之外的其他实体。
可选地,所述评估模块用于根据所述信息延迟的时间、所述信息漏报的出现次数和/或所述信号误报的出现次数评估所述自动驾驶车辆的环境建模能力包括:在设定的行驶里程内,所述信息延迟的时间低于设定时间阈值、所述信息漏报的出现次数低于第一预设次数和/或所述信息误报的出现次数低于第二预设次数时,判定所述自动驾驶车辆的环境建模能力符合要求。
可选地,所述环境建模能力评估***还包括:区域划分模块,用于根据所述自动驾驶车辆的本车车身坐标系将车辆四周环境划分为若干个道路区域;优先级确定模块,用于根据所述自动驾驶车辆在各个所述道路区域内需承担的事故责任比例确定所述分析模块在各个所述道路区域内进行所述连续多个帧的环境信息与所述真实环境信息的对比分析的优先级,其中所述事故责任比例越高,则所述优先级也越高。
另一方面,本发明还提供一种计算机设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上所述的自动驾驶车辆的环境建模能力评估方法。
另一方面,本发明提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行上述的自动驾驶车辆的环境建模能力评估方法。
通过上述技术方案,本发明采用连续帧评估自动驾驶车辆的环境建模能力,提高了对信息延迟、信息漏报和信息误报等的标注频率和标注量,与只采用单帧指标的采集车方案相比,为评估自动驾驶车辆的环境建模能力提供了更为有力的数据支持,从而能够更为准确地评估车辆环境建模能力,提升车辆对环境描述的精确性和稳定性。另外,对环境描述的精确性和稳定性的提高会使得环境建模结果与车辆行驶后表现出的行驶效果尽量接近,减少两者之间的不一致性。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明实施例的一种自动驾驶车辆的环境建模能力评估方法的流程示意图;
图2(a)-(c)分别是本发明实施例中自动驾驶车辆在直道行驶、变道行驶(压线)和弯道行驶的示意图;
图3是本发明实施例中的连续帧评估的指标定义的示意图;
图4是本发明实施例的示例中的道路区域示意图;
图5是本发明实施例中道路区域的信息对比分析优先级的示意图;以及
图6是本发明实施例的一种自动驾驶车辆的环境建模能力评估***的结构示意图。
附图标记说明
100 获取模块 200 分析模块
300 评估模块 400 区域划分模块
500 优先级确定模块
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
在本发明实施例中,在未作相反说明的情况下,使用的方位词如“远、中、近”等都是基于相应轮廓而言,可结合本发明实施例中的具体描述及附图进行理解。另外,在本发明实施例中,“帧”是代表时刻,“单帧”可理解为单时刻,连续帧及连续多个帧可理解为连续时刻。
本申请发明人在实现本申请方案的过程中发现,根据投票(Voting)原则中的“少数服从多数”的特点,针对自动驾驶车辆在环境建模中的信息检测,连续帧可能会比单帧得到的信息更为精准。例如,针对自动驾驶车辆的障碍物检测,连续帧会比单帧得到更高的“成功率”。该“成功率”具体是指精确率和召回率,其中精确率和召回率是数据评估中的常用指标,结合本发明实施例的应用场景,所述精确率例如是指前方有一辆车真实存在的概率,而召回率是指前方真实存在一辆车而该车被检测到存在的概率。继续障碍物检测的例子,该例子中待检测的障碍物真实存在,而单帧检测结果为该障碍物不存在,该检测结果错误,但不能被过滤掉,而若是针对同一障碍物连续检测三帧,若其中一帧的检测结果为障碍物不存在,另外两帧的检测结果为障碍物存在,则根据“少数服务多数”的原则,错误的检测结果可以被滤掉,从而表明连续帧检测的成功率是高于单帧的。
这一点还可通过公式来得到验证,设单帧的“成功率”为p,考虑的连续帧数为n(n为奇数以符合少数符合多数的规律),帧率为m(Hz),则连续帧Voting的“成功率”为Binomial(n,p)的CDF(n/2+0.5),其中Binomial表示二项分布,CDF表示累积分布函数,两者都是统计学的常规函数,在此不再赘述。
通过上述公式验证,本申请发明人确定连续帧的信息检测相比于单帧更加精准。但同时,本申请发明人还发现随着连续帧的应用,会不可避免地引入延迟,在行车过程中,人类允许的反应时间是200-500ms,而ADS目标的延迟标准为500ms,因此在采用连续帧评估自动驾驶车辆的环境建模能力时,还需评估其带来的延迟是否符合要求。承接上述关于计算“成功率”的公式,延迟=n/m*f(p),其中f(p)是一个关于单帧的“成功率”的递增函数。
对此,本申请发明人结合上述公式,针对单帧和连续帧的检测效果,进行了三组基础测试,测试结果如表1所示。
表1单帧和连续帧的检测
根据表1,可知对于目前已有要求目标检测的“失败率”要低于10-9的车辆,但单帧远不到10-9的要求,而随着帧数的增加,连续帧有希望达到,且连续帧带来的延迟也符合ADS的延迟标准。
据此,本申请发明人基于上述发明思路,提出了一种自动驾驶车辆的环境建模能力评估方法及***。
图1是本发明实施例的一种自动驾驶车辆的环境建模能力评估方法的流程示意图。如图1所示,所述环境建模能力评估方法可以包括以下步骤:
步骤S100,获取所述自动驾驶车辆的车载传感***探测车辆环境的连续多个帧的环境信息。
其中,所述环境信息包括宏观环境信息、地图信息和障碍物信息。所述宏观环境信息包括以下的任意一者或多者:地理位置、天气、光照、时间、路面信息、传感器有效感知范围以及声音预警。所述地图信息包括以下的任意一者或多者:车道信息、路沿信息、道路信息以及导航信息。所述障碍物信息包括以下任意一种或多种实体中的信息:机动车、非机动车、行人、道路安全警示设施以及这四种实体之外的其他实体。
在更为优选的实施例,环境信息还可以包括本车信息和工程能力信息。据此,宏观环境信息、地图信息、障碍物信息及本车信息和工程能力信息的具体内容如表2所示。
表2环境信息表
对于表2,针对宏观环境信息,以天气和光照为例,可区分出白天还是夜晚、下雨还是无雨等场景,而车辆的车载传感***为对这些场景的准确检测,是对车辆的环境建模能力的重要要求。
针对地图信息,以车道信息为例,图2(a)-(c)分别是本发明实施例中自动驾驶车辆在直道行驶、变道行驶(压线)和弯道行驶的示意图,可知直道行驶中需重点检测车辆当前行驶的主车道以及两侧的次车道,而对于次次车道等可以有较少的关注;变道行驶中,车辆压线变道,其当前行驶的车道及将要变道的车道都应作为主车道被重点检测,此时原来的次次车道变成了新的次车道,也需要重点检测;在弯道行驶中,主车道和次车道的划分与直道相同,但还要注意检测弯道曲率。因此,可知车辆行驶中,要重点检测的车道会发生变化,从而对车道的准确检测也是对车辆的环境建模能力的重要要求。
针对障碍物信息,障碍物是车辆行驶中最易导致交通事故的因素,其作为评估车辆环境建模能力的重要因素是显而易见的。另外,车辆周围不同区域的障碍物对车辆的行驶安全的影响程度不同,这点将在下文中的合适部分进行描述,在此则不再赘述。
需说明的是,其中的障碍物层级、本车层级、地图层级、宏观环境层级都明显与环境建模相关,是特定用于评估环境建模能力的,而工程能力主要用于对***的性能、资源、稳定性进行评估,其不仅在环境建模能力评估中适用,在针对其他***的能力评估中也适用。
步骤S200,将所述连续多个帧的环境信息与对应的真实环境信息对比分析,判断是否存在信息延迟、信息漏报和信号误报中的一者或多者,若存在,则统计所述信息延迟的时间以及所述信息漏报和所述信号误报的出现次数。
其中,信息延迟、信息漏报和信号误报是本发明实施例中用于评估所述自动驾驶车辆的环境建模能力的三个指标。下面将结合图3对这三种指标的定义进行说明。
图3是本发明实施例中的连续帧评估的指标定义的示意图。如图3所示,以检测前方车辆ID(x)是否出现为例,其中ID为车辆标识,ID(x)表示车辆标识为x的车。获取本车的车载传感***检测关于该车辆ID(x)是否出现的连续多个帧的信息,作为推论值,以及获取该车辆ID(x)是否真实存在的信息,作为真值。
参考图3,实线表示车辆ID(x)真实存在于本车的设定检测范围内,虚线表示车辆ID(x)未出现在本车的所述设定检测范围内。Diff表示真值和推论值的信息对比分析结果,可知推论值检测到车辆ID(x)时间晚于真值,晚的这段时间即是信息延时;在真值示出车辆ID(x)存在,而推论值示出该车辆ID(x)不存在时,表示出现信息漏报;在真值示出车辆ID(x)不存在,而推论值示出该车辆ID(x)存在时,表示出现信息误报。其中,信息延迟的单位为毫秒(ms),信息漏报和信号误报以“XXX公里每车次”的形式表达,举例而言,针对信息漏报,“每100公里每车次”,表示100公里漏报了一个车次。需说明的是,本发明实施例的“车次”是针对特定的一辆车的概念(例如车辆ID(x))所统计的该车辆被漏报的情况,假设10辆车每辆车漏报10次,按车次来算漏报为10,按次来算则漏报为100)。
进一步地,针对图3示出的指标,计算所有延迟的时间(一般是取时间均值)以及统计本车在规定行程里内信号漏报和信息误报的次数。
步骤S300,根据所述信息延迟的时间、所述信息漏报的出现次数和/或所述信号误报的出现次数评估所述自动驾驶车辆的环境建模能力。
在优选的实施例中,该步骤S300具体包括:在设定的行驶里程内,在所述信息延迟的时间低于设定时间阈值、所述信息漏报的出现次数低于第一预设次数和/或所述信息误报的出现次数低于第二预设次数时,判定所述自动驾驶车辆的环境建模能力符合要求。
其中,所述时间阈值、所述第一预设次数以及所述第二预设次数可根据实际需要来进行设置,以确定车辆的环境建模能力是否会符合设定要求。一般地,信息延迟的时间越低、所述信息漏报及所述信息误报的出现次数越少,表明车辆检测到的环境数据越接近于真值,从而车辆的环境建模能力越强。
在更为优选的实施例中,本发明实施例所述的自动驾驶车辆的环境建模能力评估方法还可以包括图1中未示出的步骤S400及步骤S500。
步骤S400,根据所述自动驾驶车辆的本车车身坐标系将车辆四周环境划分为若干个道路区域。
其中,本车车身坐标系是以车辆后轴为y轴,车头正中间的中线为x轴,其在自动驾驶领域是最为常规的坐标系,在此不再进行赘述。
图4是本发明实施例的示例中的道路区域示意图。参考图4,该示例中,以本车为中心,依据本车车身坐标系,可划分为主前近距区域、主后近距区域、侧前近距区域、侧后近距区域、主前中距区域、侧前中距区域、主前远距区域、侧前远距区域以及正侧区域,其中“主”为主车道区域,“侧”为主车道外、路沿内的区域;“近、中、远”是根据车辆在前车紧急刹车时,仍能保持安全的最小距离来确定,例如针对两种不同刹车能力的前车,该距离分别为60m和100m,则相对于本车,60m以内的范围“近”,60m至100m的范围为“中”,100m以外的范围为“远”;“前、后”是相对于车辆运行方向理解的;“正侧”则是指车辆左、右两侧的车辆大致平行的区域。
步骤S500,根据所述自动驾驶车辆在各个所述道路区域内需承担的事故责任比例确定在各个所述道路区域内进行所述连续多个帧的环境信息与所述真实环境信息的对比分析的优先级,其中所述事故责任比例越高,则所述优先级也越高。
举例而言,结合图4,根据需承担的事故责任比例,“主”明显会高于“侧”,“远距”范围内的障碍物在遵守交规行驶时,针对本车为绝对安全障碍物。因此,可根据事故责任比例,划分三个等级的优先级,从高到低分别表示为P0、P1和P2。
图5是本发明实施例中道路区域的信息对比分析优先级的示意图。如图5所示,在优选的实施例中,主前近距区域、主前中距区域和主前远距区域被配置为最高的P0级,即在这三个区域中优先进行步骤S200中涉及的真值和推论值的信息对比分析。另外,将正侧区域、侧前近距区域、侧后近距区域设置为次优的P1级,侧前中距、侧前远距和主后近距设置为最低的P2级。
进一步地,在设置好信息对比分析的优先级之后,还可基于本车车身坐标系,确定障碍物坐标点,以判断障碍物属于哪个区域,并根据其区域对应的优先级确定对障碍物进行推论值和真值的信息对比分析的顺序。其中,障碍物坐标点具体是基于预设的自动化计算算法和人工修正来得到的。
下面通过一个示例来具体介绍在本发明实施例的环境建模能力评估方法在具体车辆上的应用。该示例中,应用本发明实施例的环境建模能力评估方法的车辆为测试车,另外一辆形成方案对比的车辆为采集车,表3是测试车与采集车的方案对比表。
表3,方案对比表
其中,指标标注频率是指标注是否有信息延迟、信息漏报和信息误报的频率,2Sensor是测试车的车载传感***,是指包括图像传感器和毫米波雷达的传感***,3Sensor是采集车的车载传感***,是指包括图像传感器、毫米波雷达和激光雷达的传感***。
从表3可以看出,即使测试车的传感器类型不及采集车,但测试车采用本发明实施例的连续帧评估自动驾驶车辆的环境建模能力的方案,提高了对信息延迟、信息漏报和信息误报等的标注频率和标注量,并同时产出单帧指标和连续帧指标,与只采用单帧指标的采集车方案相比,为评估自动驾驶车辆的环境建模能力提供了更为有力的数据支持,从而能够更为准确地评估车辆环境建模能力,提升车辆对环境描述的精确性和稳定性。另外,对环境描述的精确性和稳定性的提高会使得环境建模结果与车辆行驶后表现出的行驶效果尽量接近,减少两者之间的不一致性。
图6是本发明实施例的一种自动驾驶车辆的环境建模能力评估***的结构示意图,该环境建模能力评估***与上述环境建模能力评估方法基于相同的发明思路。
如图6所示,所述环境建模能力评估***包括:获取模块100,用于获取所述自动驾驶车辆的车载传感***探测车辆环境的连续多个帧的环境信息;分析模块200,用于将所述连续多个帧的环境信息与对应的真实环境信息对比分析,判断是否存在信息延迟、信息漏报和信号误报中的一者或多者,若存在,则统计所述信息延迟的时间以及所述信息漏报和所述信号误报的出现次数;以及评估模块300,用于根据所述信息延迟的时间、所述信息漏报的出现次数和/或所述信号误报的出现次数评估所述自动驾驶车辆的环境建模能力。
在优选的实施例中,所述环境信息包括宏观环境信息、地图信息和障碍物信息。所述宏观环境信息包括以下的任意一者或多者:地理位置、天气、光照、时间、路面信息、传感器有效感知范围以及声音预警;所述地图信息包括以下的任意一者或多者:车道信息、路沿信息、道路信息以及导航信息;所述障碍物信息包括以下任意一种或多种实体中的信息:机动车、非机动车、行人、道路安全警示设施以及这四种实体之外的其他实体。
在优选的实施例中,所述评估模块300用于根据所述信息延迟的时间、所述信息漏报的出现次数和/或所述信号误报的出现次数评估所述自动驾驶车辆的环境建模能力包括:在设定的行驶里程内,所述信息延迟的时间低于设定时间阈值、所述信息漏报的出现次数低于第一预设次数和/或所述信息误报的出现次数低于第二预设次数时,判定所述自动驾驶车辆的环境建模能力符合要求。
在优选的实施例中,所述环境建模能力评估***还包括:区域划分模块400,用于根据所述自动驾驶车辆的本车车身坐标系将车辆四周环境划分为若干个道路区域;优先级确定模块500,用于根据所述自动驾驶车辆在各个所述道路区域内需承担的事故责任比例确定所述分析模块在各个所述道路区域内进行所述连续多个帧的环境信息与所述真实环境信息的对比分析的优先级,其中所述事故责任比例越高,则所述优先级也越高。
需说明的是,本发明实施例的环境建模能力评估***与上述实施例的环境建模能力评估方法的具体实施细节及效果相同或相似,在此不再赘述。
本发明另一实施例还提供一种计算机设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上所述的自动驾驶车辆的环境建模能力评估方法。
本发明另一实施例还提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行如上所述的自动驾驶车辆的环境建模能力评估方法。
对于计算机设备及机器可读存储介质中的自动驾驶车辆的环境建模能力评估方法可参考上述实施例进行理解,在此不再赘述。下面主要结合应用场景对计算机设备及机器可读存储介质进行进一步介绍。
本领域内的技术人员应明白,本发明实施例可提供为方法、装置(设备或***)、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置(设备或***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算机设备包括一个或多个处理器(CPU)、存储器、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本发明实施例可提供为方法、***或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范围内,可以对本发明实施例的技术方案进行多种简单变型,例如改变步骤执行顺序,这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施例对各种可能的组合方式不再另行说明。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施例的思想,其同样应当视为本发明实施例所公开的内容。
Claims (10)
1.一种自动驾驶车辆的环境建模能力评估方法,其特征在于,所述环境建模能力评估方法包括:
获取所述自动驾驶车辆的车载传感***探测车辆环境的连续多个帧的环境信息;
将所述连续多个帧的环境信息与对应的真实环境信息对比分析,判断是否存在信息延迟、信息漏报和信号误报中的一者或多者,若存在,则统计所述信息延迟的时间以及所述信息漏报和所述信号误报的出现次数;以及
根据所述信息延迟的时间、所述信息漏报的出现次数和/或所述信号误报的出现次数评估所述自动驾驶车辆的环境建模能力。
2.根据权利要求1所述的自动驾驶车辆的环境建模能力评估方法,其特征在于,所述环境信息包括宏观环境信息、地图信息和障碍物信息;
所述宏观环境信息包括以下的任意一者或多者:地理位置、天气、光照、时间、路面信息、传感器有效感知范围以及声音预警;
其中,所述地图信息包括以下的任意一者或多者:车道信息、路沿信息、道路信息以及导航信息;
其中,所述障碍物信息包括以下任意一种或多种实体中的信息:机动车、非机动车、行人、道路安全警示设施以及这四种实体之外的其他实体。
3.根据权利要求1所述的自动驾驶车辆的环境建模能力评估方法,其特征在于,所述根据所述信息延迟的时间、所述信息漏报的出现次数和/或所述信号误报的出现次数评估所述自动驾驶车辆的环境建模能力包括:
在设定的行驶里程内,在所述信息延迟的时间低于设定时间阈值、所述信息漏报的出现次数低于第一预设次数和/或所述信息误报的出现次数低于第二预设次数时,判定所述自动驾驶车辆的环境建模能力符合要求。
4.根据权利要求1至3中任意一项所述的自动驾驶车辆的环境建模能力评估方法,其特征在于,所述环境建模能力评估方法还包括:
根据所述自动驾驶车辆的本车车身坐标系将车辆四周环境划分为若干个道路区域;以及
根据所述自动驾驶车辆在各个所述道路区域内需承担的事故责任比例确定在各个所述道路区域内进行所述连续多个帧的环境信息与所述真实环境信息的对比分析的优先级,其中所述事故责任比例越高,则所述优先级也越高。
5.一种自动驾驶车辆的环境建模能力评估***,其特征在于,所述环境建模能力评估***包括:
获取模块,用于获取所述自动驾驶车辆的车载传感***探测车辆环境的连续多个帧的环境信息;
分析模块,用于将所述连续多个帧的环境信息与对应的真实环境信息对比分析,判断是否存在信息延迟、信息漏报和信号误报中的一者或多者,若存在,则统计所述信息延迟的时间以及所述信息漏报和所述信号误报的出现次数;以及
评估模块,用于根据所述信息延迟的时间、所述信息漏报的出现次数和/或所述信号误报的出现次数评估所述自动驾驶车辆的环境建模能力。
6.根据权利要求5所述的自动驾驶车辆的环境建模能力评估***,其特征在于,所述环境信息包括宏观环境信息、地图信息和障碍物信息;
所述宏观环境信息包括以下的任意一者或多者:地理位置、天气、光照、时间、路面信息、传感器有效感知范围以及声音预警;
其中,所述地图信息包括以下的任意一者或多者:车道信息、路沿信息、道路信息以及导航信息;
其中,所述障碍物信息包括以下任意一种或多种实体中的信息:机动车、非机动车、行人、道路安全警示设施以及这四种实体之外的其他实体。
7.根据权利要求5所述的自动驾驶车辆的环境建模能力评估***,其特征在于,所述评估模块用于根据所述信息延迟的时间、所述信息漏报的出现次数和/或所述信号误报的出现次数评估所述自动驾驶车辆的环境建模能力包括:
在设定的行驶里程内,所述信息延迟的时间低于设定时间阈值、所述信息漏报的出现次数低于第一预设次数和/或所述信息误报的出现次数低于第二预设次数时,判定所述自动驾驶车辆的环境建模能力符合要求。
8.根据权利要求5至7中任意一项所述的自动驾驶车辆的环境建模能力评估***,其特征在于,所述环境建模能力评估***还包括:
区域划分模块,用于根据所述自动驾驶车辆的本车车身坐标系将车辆四周环境划分为若干个道路区域;
优先级确定模块,用于根据所述自动驾驶车辆在各个所述道路区域内需承担的事故责任比例确定所述分析模块在各个所述道路区域内进行所述连续多个帧的环境信息与所述真实环境信息的对比分析的优先级,其中所述事故责任比例越高,则所述优先级也越高。
9.一种计算机设备,其特征在于,该计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至4中任意一项所述的自动驾驶车辆的环境建模能力评估方法。
10.一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行权利要求1至4中任意一项所述的自动驾驶车辆的环境建模能力评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811642628.6A CN109815555B (zh) | 2018-12-29 | 2018-12-29 | 自动驾驶车辆的环境建模能力评估方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811642628.6A CN109815555B (zh) | 2018-12-29 | 2018-12-29 | 自动驾驶车辆的环境建模能力评估方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109815555A true CN109815555A (zh) | 2019-05-28 |
CN109815555B CN109815555B (zh) | 2023-04-18 |
Family
ID=66603355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811642628.6A Active CN109815555B (zh) | 2018-12-29 | 2018-12-29 | 自动驾驶车辆的环境建模能力评估方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109815555B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111811828A (zh) * | 2020-04-17 | 2020-10-23 | 新奇点智能科技集团有限公司 | 一种无人车驾驶测试方法、装置、***及存储介质 |
CN111966108A (zh) * | 2020-09-02 | 2020-11-20 | 成都信息工程大学 | 基于导航***的极端天气无人驾驶控制*** |
CN112540365A (zh) * | 2020-12-10 | 2021-03-23 | 中国第一汽车股份有限公司 | 一种评估方法、装置、设备及存储介质 |
CN113016153A (zh) * | 2019-08-30 | 2021-06-22 | 百度时代网络技术(北京)有限公司 | 验证在自动驾驶车辆中使用的传感器的定时 |
CN115098989A (zh) * | 2022-05-09 | 2022-09-23 | 北京智行者科技有限公司 | 道路环境建模方法及装置、存储介质、终端及移动设备 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH079886A (ja) * | 1993-06-29 | 1995-01-13 | Hitachi Ltd | 車両の運転情報装置 |
CN101572623A (zh) * | 2009-04-30 | 2009-11-04 | 上海大学 | 基于主客观组合评价的网络性能综合评价方法 |
CN101872526A (zh) * | 2010-06-01 | 2010-10-27 | 重庆市海普软件产业有限公司 | 基于可编程摄像技术的烟火智能识别方法 |
CN203480561U (zh) * | 2013-04-09 | 2014-03-12 | 北京理工大学 | 一种非接触式无人驾驶车辆行驶状态测量*** |
CN104635736A (zh) * | 2014-12-19 | 2015-05-20 | 财团法人车辆研究测试中心 | 用于驾驶行为决策的自动驾驶***及其方法 |
US20150187224A1 (en) * | 2013-10-15 | 2015-07-02 | Mbfarr, Llc | Driving assessment and training method and apparatus |
CN105022397A (zh) * | 2014-04-25 | 2015-11-04 | 谷歌公司 | 用于使用多个传感器进行物体检测的方法和*** |
CN105717507A (zh) * | 2014-12-19 | 2016-06-29 | 现代摩比斯株式会社 | 用于车辆的雷达***及其操作方法 |
CN106767853A (zh) * | 2016-12-30 | 2017-05-31 | 中国科学院合肥物质科学研究院 | 一种基于多信息融合的无人驾驶车辆高精度定位方法 |
CN107031656A (zh) * | 2015-12-18 | 2017-08-11 | 福特全球技术公司 | 用于车轮止动器检测的虚拟传感器数据生成 |
CN107076848A (zh) * | 2014-08-05 | 2017-08-18 | 法雷奥开关和传感器有限责任公司 | 用于生成周围环境地图的方法,和驾驶员辅助*** |
CN107328410A (zh) * | 2017-06-30 | 2017-11-07 | 百度在线网络技术(北京)有限公司 | 用于定位自动驾驶车辆的方法和汽车电脑 |
US9836895B1 (en) * | 2015-06-19 | 2017-12-05 | Waymo Llc | Simulating virtual objects |
WO2018002910A1 (en) * | 2016-06-28 | 2018-01-04 | Cognata Ltd. | Realistic 3d virtual world creation and simulation for training automated driving systems |
CN107589418A (zh) * | 2016-07-07 | 2018-01-16 | 福特全球技术公司 | 用于护柱接收器检测的虚拟传感器数据生成 |
CN108137083A (zh) * | 2016-09-28 | 2018-06-08 | 百度(美国)有限责任公司 | 用于自动驾驶车辆控制的***延迟估计方法 |
CN108628298A (zh) * | 2017-03-21 | 2018-10-09 | 百度(美国)有限责任公司 | 用于自动驾驶车辆的控制型规划和控制*** |
CN108647437A (zh) * | 2018-05-09 | 2018-10-12 | 公安部交通管理科学研究所 | 一种自动驾驶汽车评价方法及评价*** |
CN108694367A (zh) * | 2017-04-07 | 2018-10-23 | 北京图森未来科技有限公司 | 一种驾驶行为模型的建立方法、装置和*** |
CN108981730A (zh) * | 2017-05-31 | 2018-12-11 | 百度(美国)有限责任公司 | 用于为操作自动驾驶车辆生成参考路径的方法和*** |
-
2018
- 2018-12-29 CN CN201811642628.6A patent/CN109815555B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH079886A (ja) * | 1993-06-29 | 1995-01-13 | Hitachi Ltd | 車両の運転情報装置 |
CN101572623A (zh) * | 2009-04-30 | 2009-11-04 | 上海大学 | 基于主客观组合评价的网络性能综合评价方法 |
CN101872526A (zh) * | 2010-06-01 | 2010-10-27 | 重庆市海普软件产业有限公司 | 基于可编程摄像技术的烟火智能识别方法 |
CN203480561U (zh) * | 2013-04-09 | 2014-03-12 | 北京理工大学 | 一种非接触式无人驾驶车辆行驶状态测量*** |
US20150187224A1 (en) * | 2013-10-15 | 2015-07-02 | Mbfarr, Llc | Driving assessment and training method and apparatus |
CN105022397A (zh) * | 2014-04-25 | 2015-11-04 | 谷歌公司 | 用于使用多个传感器进行物体检测的方法和*** |
CN107076848A (zh) * | 2014-08-05 | 2017-08-18 | 法雷奥开关和传感器有限责任公司 | 用于生成周围环境地图的方法,和驾驶员辅助*** |
CN105717507A (zh) * | 2014-12-19 | 2016-06-29 | 现代摩比斯株式会社 | 用于车辆的雷达***及其操作方法 |
CN104635736A (zh) * | 2014-12-19 | 2015-05-20 | 财团法人车辆研究测试中心 | 用于驾驶行为决策的自动驾驶***及其方法 |
US9836895B1 (en) * | 2015-06-19 | 2017-12-05 | Waymo Llc | Simulating virtual objects |
CN107031656A (zh) * | 2015-12-18 | 2017-08-11 | 福特全球技术公司 | 用于车轮止动器检测的虚拟传感器数据生成 |
WO2018002910A1 (en) * | 2016-06-28 | 2018-01-04 | Cognata Ltd. | Realistic 3d virtual world creation and simulation for training automated driving systems |
CN107589418A (zh) * | 2016-07-07 | 2018-01-16 | 福特全球技术公司 | 用于护柱接收器检测的虚拟传感器数据生成 |
CN108137083A (zh) * | 2016-09-28 | 2018-06-08 | 百度(美国)有限责任公司 | 用于自动驾驶车辆控制的***延迟估计方法 |
CN106767853A (zh) * | 2016-12-30 | 2017-05-31 | 中国科学院合肥物质科学研究院 | 一种基于多信息融合的无人驾驶车辆高精度定位方法 |
CN108628298A (zh) * | 2017-03-21 | 2018-10-09 | 百度(美国)有限责任公司 | 用于自动驾驶车辆的控制型规划和控制*** |
CN108694367A (zh) * | 2017-04-07 | 2018-10-23 | 北京图森未来科技有限公司 | 一种驾驶行为模型的建立方法、装置和*** |
CN108981730A (zh) * | 2017-05-31 | 2018-12-11 | 百度(美国)有限责任公司 | 用于为操作自动驾驶车辆生成参考路径的方法和*** |
CN107328410A (zh) * | 2017-06-30 | 2017-11-07 | 百度在线网络技术(北京)有限公司 | 用于定位自动驾驶车辆的方法和汽车电脑 |
CN108647437A (zh) * | 2018-05-09 | 2018-10-12 | 公安部交通管理科学研究所 | 一种自动驾驶汽车评价方法及评价*** |
Non-Patent Citations (3)
Title |
---|
张卫华等: "基于JMASE的地空导弹联合建模与仿真", 《***仿真学报》 * |
杜小川等: "综合客运枢纽布局规划要点及编制指引", 《现代城市研究》 * |
陈铭松等: "基于通信的列车控制***可信构造:形式化方法综述", 《软件学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113016153A (zh) * | 2019-08-30 | 2021-06-22 | 百度时代网络技术(北京)有限公司 | 验证在自动驾驶车辆中使用的传感器的定时 |
US11488389B2 (en) | 2019-08-30 | 2022-11-01 | Baidu Usa Llc | Verifying timing of sensors used in autonomous driving vehicles |
CN113016153B (zh) * | 2019-08-30 | 2023-12-05 | 百度时代网络技术(北京)有限公司 | 验证在自动驾驶车辆中使用的传感器的定时 |
CN111811828A (zh) * | 2020-04-17 | 2020-10-23 | 新奇点智能科技集团有限公司 | 一种无人车驾驶测试方法、装置、***及存储介质 |
CN111966108A (zh) * | 2020-09-02 | 2020-11-20 | 成都信息工程大学 | 基于导航***的极端天气无人驾驶控制*** |
CN112540365A (zh) * | 2020-12-10 | 2021-03-23 | 中国第一汽车股份有限公司 | 一种评估方法、装置、设备及存储介质 |
CN115098989A (zh) * | 2022-05-09 | 2022-09-23 | 北京智行者科技有限公司 | 道路环境建模方法及装置、存储介质、终端及移动设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109815555B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109815555A (zh) | 自动驾驶车辆的环境建模能力评估方法及*** | |
CN104217590B (zh) | 用于使主车辆中的电子控制器确定交通密度的方法 | |
CN108022450B (zh) | 一种基于蜂窝网络的辅助驾驶方法及交通控制单元 | |
JP2009037561A (ja) | 走行計画生成装置 | |
CN111738207B (zh) | 车道线检测方法、装置、电子设备及可读存储介质 | |
CN112781887B (zh) | 测试车辆性能的方法、装置和*** | |
JP6714513B2 (ja) | 車両のナビゲーションモジュールに対象物の存在を知らせる車載装置 | |
CN105848981B (zh) | 用于车辆的驾驶员辅助方法和*** | |
CN101327796B (zh) | 用于避免后路***通碰撞的方法和设备 | |
Lytrivis et al. | An advanced cooperative path prediction algorithm for safety applications in vehicular networks | |
CN107248320A (zh) | 危险预警方法、***、v2x车载终端及存储器 | |
CN107221195B (zh) | 汽车车道预测方法及车道级地图 | |
WO2016170647A1 (ja) | オクルージョン制御装置 | |
CN113936491B (zh) | 一种基于5g网络的自动驾驶路况导航方法、***及介质 | |
JP2018536943A (ja) | 環状交差点通行時の車両ドライバの支援 | |
CN104859662A (zh) | 自主车辆中的故障处理 | |
JP7146686B2 (ja) | 列車制御システム及び当該システムを搭載した鉄道車両 | |
Lee et al. | Collision risk assessment for possible collision vehicle in occluded area based on precise map | |
CN114179862B (zh) | 用于列车的筛选识别方法及装置、列车筛选识别*** | |
CN109887321B (zh) | 无人车变道安全判别方法、装置及存储介质 | |
CN106218612A (zh) | 一种汽车安全行驶的方法、装置以及终端 | |
CN112590778B (zh) | 车辆控制的方法、装置、控制器和智能汽车 | |
US11081007B2 (en) | Road shape prediction apparatus, other-vehicle route prediction apparatus, and driving assistance apparatus | |
CN109974731A (zh) | 一种无人驾驶***路径规划目标选择的方法和设备 | |
CN111951552B (zh) | 一种自动驾驶中风险管理的方法以及相关装置 |
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 |