CN110579359A - 自动驾驶失效场景库的优化方法及***、服务器及介质 - Google Patents
自动驾驶失效场景库的优化方法及***、服务器及介质 Download PDFInfo
- Publication number
- CN110579359A CN110579359A CN201910854684.4A CN201910854684A CN110579359A CN 110579359 A CN110579359 A CN 110579359A CN 201910854684 A CN201910854684 A CN 201910854684A CN 110579359 A CN110579359 A CN 110579359A
- Authority
- CN
- China
- Prior art keywords
- failure
- scene
- factors
- library
- complexity
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的自动驾驶失效场景库的优化方法及***、服务器及存储介质,其通过分析自动驾驶路测过程中记录的失效事件数据,确定出各个因子的失效权重比,使用层次分析法综合得到测试场景的复杂度,进而确定不同场景对测试功能的重要程度、不同测试场景用例的优先级,实现对测试场景库的优化,对测试场景用例的设计、测试实施、测试后的评估都有着重要的意义;且本发明通过对各个因素进行层级分类,使各因素的失效权重比计算更加精确。
Description
技术领域
本发明涉及自动驾驶中失效测试技术领域,尤其涉及一种自动驾驶失效场 景库的优化方法及***、服务器及存储介质。
背景技术
驾驶场景数据是智能网联汽车研发与测试的重要资源,是重新定义智能汽 车等级的关键数据依据。场景库作为智能网联车的用例集,由于场景参数分布 的连续性以及场景因子排列组合的多样性,测试场景用例也是无限量的。因此, 对测试场景进行评价、标定各个场景的复杂度、确定测试的优先级显得尤为重 要。
发明内容
有鉴于此,本发明实施例提供了一种自动驾驶失效场景库的优化方法及系 统、服务器及存储介质,以解决现有自动驾驶测试场景用例的构建中,通过场 景元素不同的排列组合,测试场景用例的个数呈比例式增长,对于每个场景用 例的复杂度评定也没有相应的***方法及标准,测试过程中未能明确出场景用 例的优先级及重要程度等技术问题。
本发明实施例的第一方面,提供了一种自动驾驶失效场景库的优化方法, 所述自动驾驶失效场景库的优化方法包括如下步骤:
对每个场景的因素进行归类划分,确定出各个类别的层级;
根据路测事件集计算可量化因素在整个路测事件中的失效权重比;
制作比例标度表,基于比例标度表构造判断矩阵,根据判断矩阵的特征向 量计算出不可量化因素所占的失效权重比;
根据各层级因素的失效权重比计算每个失效场景的复杂度,根据复杂度高 低确定测试场景用例的优先级。
本发明实施例的第二方面,提供了一种自动驾驶失效场景库的优化***, 所述自动驾驶失效场景库的优化***包括如下功能模块:
层级分类模块,配置为对每个场景的因素进行归类划分,确定出各个类别 的层级;
量化计算模块,配置为根据路测事件集计算可量化因素在整个路测事件中 的失效权重比;
矩阵计算模块,配置为制作比例标度表,基于比例标度表构造判断矩阵, 根据判断矩阵的特征向量计算出不可量化因素所占的失效权重比;
优先级确定模块,配置为根据各层级因素的失效权重比计算每个失效场景 的复杂度,根据复杂度高低确定测试场景用例的优先级。
本发明实施例的第三方面,提供了一种服务器,包括存储器、处理器以及 存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行 所述计算机程序时实现如上所述自动驾驶失效场景库的优化方法的步骤。
本发明实施例的第四方面,提供了一种计算机可读存储介质,所述计算机 可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所 述自动驾驶失效场景库的优化方法的步骤。
本发明提供的自动驾驶失效场景库的优化方法,其通过分析自动驾驶路测 过程中记录的失效事件数据,确定出各个因子的失效权重比,使用层次分析法 综合得到测试场景的复杂度,进而确定不同场景对测试功能的重要程度、不同 测试场景用例的优先级,实现对测试场景库的优化,对测试场景用例的设计、 测试实施、测试后的评估都有着重要的意义;且本发明通过对各个因素进行层 级分类,使各因素的失效权重比计算更加精确。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技 术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅 仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳 动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的自动驾驶失效场景库的优化方法的流程框图;
图2为本发明实施例提供的自动驾驶失效场景库的优化方法中因素的层级 分类图;
图3为本发明实施例提供的自动驾驶失效场景库的优化***的功能模块框 图;
图4为本发明实施例提供的服务器的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结 合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描 述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施 例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提 下所获得的所有其它实施例,都属于本发明保护的范围。
本发明实施例提供的一种自动驾驶失效场景库的优化方法,如图1所示, 所述自动驾驶失效场景库的优化方法包括如下步骤:
S1、对每个场景的因素进行归类划分,确定出各个类别的层级。
因素的层级分类中,相邻两层级之间,下一层级因素是上一层级因素的具 化分类;如图2所示,第一层(决策层)包括:动态场景、静态场景;第二层 (中间层)包括静态场景的细化分类:天气、道路、光线强度等,和和动态场 景的细化分类:自车速度、目标车速度等;第三层(因素层)包含具体的各类 因素:例如天气中包含晴天、雨天、雪天、雾天等,通过上述层级分类,能够 使各因素的失效权重比计算更加精确。
S2、根据路测事件集计算可量化因素在整个路测事件中的失效权重比。
所述可量化因素包括但不限于:晴天、雨天、雪天、雾天的天数,可量化 因素在整个路测事件集中的失效权重比具体为:具有该因素出现的失效事件的 概率。例如为计算雨天的失效权重比:实车路测累积天数n1天,其中雨天共 n2天,记录的失效事件m2中,雨天出现的次数为m1,即:雨天的失效权重比 为C1=(m2/m1)/(n2/n1),结合同类下其他天气(晴天C2、雪天C3、雾天C4), 得出雨天在路测事件集中所占失效权重比为:C1/(C1+C2+C3+C4)。
S3、制作比例标度表,基于比例标度表构造判断矩阵,根据判断矩阵的特 征向量计算出不可量化因素所占的失效权重比,其中,所述比例标度表用于设 定因素对比的权重量化值,所述判断矩阵中包含的因素为同一类型因素。
根据经验制作比例标度表,如下:
因素i比因素j | 量化值 |
同等重要 | 1 |
稍微重要 | 3 |
较强重要 | 5 |
强烈重要 | 7 |
极端重要 | 9 |
两相邻判断的中间值 | 2,4,6,8 |
基于比例标度表来量化判断矩阵中aij为要素i与要素j重要性比较结果, 例如:摄像头LDW(车线偏离预警)中,对于摄像头车线识别的影响,根据经 验设定雾天比晴天更加重要,查比例标度表得其量化值为5,反之,晴天与雾 天相比后,量化值为1/5。
将天气因素进行两两比较得到整个判断矩阵。如下表所示:
晴天 | 雨天 | 雪天 | 雾天 | |
晴天 | 1 | 3 | 3 | 5 |
雨天 | 1/3 | 1 | 1 | 3 |
雪天 | 1/3 | 1 | 1 | 3 |
雾天 | 1/5 | 1/3 | 1/3 | 1 |
计算出判断矩阵的特征向量得到:
晴天 | 雨天 | 雪天 | 雾天 | 特征向量(权重) | |
晴天 | 1 | 3 | 3 | 5 | 0.0781 |
雨天 | 1/3 | 1 | 1 | 3 | 0.1998 |
雪天 | 1/3 | 1 | 1 | 3 | 0.1998 |
雾天 | 1/5 | 1/3 | 1/3 | 1 | 0.5222 |
对于矩阵阶层较多的情况,特征向量可由MATLAB等软件进行编码,实现自 动化计算得到。
S4、根据各层级因素的失效权重比计算每个失效场景的复杂度,根据复杂 度高低确定测试场景用例的优先级。
根据决策层的权重比A1~An、中间层的权重比B1~Bn、因素层的权重比 C1~Cn,计算出整个场景的复杂度:F=A1*B1*C1+…+An*Bn*Cn。
为使复杂度更加直观化、可视化、便于统计分析,根据上、下极端场景将 场景复杂度映射为百分制。
所述复杂度映射转换公式如下:
Fbai=(F-Fmin)*100/(Fmax-Fmin)
其中,Fbai为转换的百分制复杂度,Fmin为下极端限场景,Fmax为上极 端限场景。
例如:下极端场景为晴天、普通道路、白天、自车低速、…构成的场景, 场景其复杂度为Fmin=0.4;上极端场景为雾天、高速道路、夜晚、自车高速、… 构成的场景,求得其场景复杂度为Fmax=0.8。那么该上下极限场景下,场景总 复杂度F=0.6映射的复杂度为50。
场景的复杂度越高,其测试优先级越高,复杂度越低,其测试优先级越低, 甚至是复杂度较低的场景用例可视为无效用例进行剔除,总之,基于各个场景 用例的复杂度,确定不同场景对测试功能的重要程度、不同测试场景用例的优 先级,实现对测试场景库的优化。
另外,在通过参数重组构建场景库时,还可根据各个因素的所占权重比, 对权重高的因素进行重组,构建具有典型性、代表性的场景用例。
本发明提供的自动驾驶失效场景库的优化方法,其通过分析自动驾驶路测 过程中记录的失效事件数据,确定出各个因子的失效权重比,使用层次分析法 综合得到测试场景的复杂度,进而确定不同场景对测试功能的重要程度、不同 测试场景用例的优先级,实现对测试场景库的优化,对测试场景用例的设计、 测试实施、测试后的评估都有着重要的意义;且本发明通过对各个因素进行层 级分类,使各因素的失效权重比计算更加精确。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后, 各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施 过程构成任何限定。
上面主要描述了一种自动驾驶失效场景库的优化方法,下面将对一种自动 驾驶失效场景库的优化***进行详细描述。
图3示出了本发明实施例提供的自动驾驶失效场景库的优化***的一个功 能模块框图。如图3所示,所述自动驾驶失效场景库的优化***包括如下功能 模块:
层级分类模块10,配置为对每个场景的因素进行归类划分,确定出各个类 别的层级;
量化计算模块20,配置为根据路测事件集计算可量化因素在整个路测事件 中的失效权重比;
矩阵计算模块30,配置为制作比例标度表,基于比例标度表构造判断矩阵, 根据判断矩阵的特征向量计算出不可量化因素所占的失效权重比;
优先级确定模块40,配置为根据各层级因素的失效权重比计算每个失效 场景的复杂度,根据复杂度高低确定测试场景用例的优先级。
图4是本发明一实施例提供的自动驾驶失效场景库的优化的服务器结构的 示意图。所述服务器为提供计算服务的设备,通常指具有较高计算能力,通过 网络提供给多个用户使用的计算机。如图4所示,该实施例的服务器5包括: 存储器51、处理器52以及***总线53,所述存储器51包括存储其上的可运行 的程序511,本领域技术人员可以理解,图4中示出的终端设备结构并不构成 对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件, 或者不同的部件布置。
下面结合图4对终端设备的各个构成部件进行具体的介绍:
存储器51可用于存储软件程序以及模块,处理器52通过运行存储在存储 器51的软件程序以及模块,从而执行终端的各种功能应用以及数据处理。存储 器51可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、 至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存 储数据区可存储根据终端的使用所创建的数据(比如音频数据、电话本等)等。 此外,存储器51可以包括高速随机存取存储器,还可以包括非易失性存储器, 例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在存储器51上包含自动驾驶失效场景库的优化方法的可运行程序511,所 述可运行程序511可以被分割成一个或多个模块/单元,所述一个或多个模块/ 单元被存储在所述存储器51中,并由处理器52执行,以完成通知的传递并获 取通知实现过程,所述一个或多个模块/单元可以是能够完成特定功能的一系列 计算机程序指令段,该指令段用于描述所述计算机程序511在所述服务器5中 的执行过程。例如,所述计算机程序511可以被分割为获取模块、比对模块、 拼接模块和发送模块。
处理器52是服务器的控制中心,利用各种接口和线路连接整个终端设备的 各个部分,通过运行或执行存储在存储器51内的软件程序和/或模块,以及调 用存储在存储器51内的数据,执行终端的各种功能和处理数据,从而对终端进 行整体监控。可选的,处理器52可包括一个或多个处理单元;优选的,处理器 52可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、 应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解 调处理器也可以不集成到处理器52中。
***总线53是用来连接计算机内部各功能部件,可以传送数据信息、地址 信息、控制信息,其种类可以是例如PCI总线、ISA总线、VESA总线等。处理 器52的指令通过总线传递至存储器51,存储器51反馈数据给处理器52,*** 总线53负责处理器52与存储器51之间的数据、指令交互。当然***总线53 还可以接入其他设备,例如网络接口、显示设备等。
所述服务器应至少包括CPU、芯片组、内存、磁盘***等,其他构成部件 在此不再赘述。
在本发明实施例中,该终端所包括的处理器52执行的可运行程序具体为: 一种自动驾驶失效场景库的优化方法,其包括:
对每个场景的因素进行归类划分,确定出各个类别的层级;
根据路测事件集计算可量化因素在整个路测事件中的失效权重比;
制作比例标度表,基于比例标度表构造判断矩阵,根据判断矩阵的特征向 量计算出不可量化因素所占的失效权重比;
根据各层级因素的失效权重比计算每个失效场景的复杂度,根据复杂度高 低确定测试场景用例的优先级。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述 的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程, 在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详 述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各实 施例的模块、单元和/或方法步骤,能够以电子硬件、或者计算机软件和电子硬 件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案 的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同 方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽 管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理 解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分 技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱 离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种自动驾驶失效场景库的优化方法,其特征在于,所述自动驾驶失效场景库的优化方法包括如下步骤:
对每个场景的因素进行归类划分,确定出各个类别的层级;
根据路测事件集计算可量化因素在整个路测事件中的失效权重比;
制作比例标度表,基于比例标度表构造判断矩阵,根据判断矩阵的特征向量计算出不可量化因素所占的失效权重比;
根据各层级因素的失效权重比计算每个失效场景的复杂度,根据复杂度高低确定测试场景用例的优先级。
2.根据权利要求1所述自动驾驶失效场景库的优化方法,其特征在于,因素的层级分类中,相邻两层级之间,下一层级因素是上一层级因素的具化分类。
3.根据权利要求1所述自动驾驶失效场景库的优化方法,其特征在于,可量化因素在整个路测事件集中的失效权重比具体为:具有该因素出现的失效事件的概率。
4.根据权利要求1所述自动驾驶失效场景库的优化方法,其特征在于,所述比例标度表用于设定因素对比的权重量化值。
5.根据权利要求1所述自动驾驶失效场景库的优化方法,其特征在于,所述判断矩阵中包含的因素为同一类型因素。
6.根据权利要求1所述自动驾驶失效场景库的优化方法,其特征在于,在进行复杂度比较之前,根据上、下极端场景将场景复杂度映射为百分制。
7.根据权利要求6所述自动驾驶失效场景库的优化方法,其特征在于,所述复杂度映射转换公式如下:
Fbai=(F-Fmin)*100/(Fmax-Fmin)
其中,Fbai为转换的百分制复杂度,Fmin为下极端限场景,Fmax为上极端限场景。
8.一种自动驾驶失效场景库的优化***,其特征在于,所述自动驾驶失效场景库的优化***包括如下功能模块:
层级分类模块,配置为对每个场景的因素进行归类划分,确定出各个类别的层级;
量化计算模块,配置为根据路测事件集计算可量化因素在整个路测事件中的失效权重比;
矩阵计算模块,配置为制作比例标度表,基于比例标度表构造判断矩阵,根据判断矩阵的特征向量计算出不可量化因素所占的失效权重比;
优先级确定模块,配置为根据各层级因素的失效权重比计算每个失效场景的复杂度,根据复杂度高低确定测试场景用例的优先级。
9.一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述自动驾驶失效场景库的优化方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述自动驾驶失效场景库的优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910854684.4A CN110579359B (zh) | 2019-09-10 | 2019-09-10 | 自动驾驶失效场景库的优化方法及***、服务器及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910854684.4A CN110579359B (zh) | 2019-09-10 | 2019-09-10 | 自动驾驶失效场景库的优化方法及***、服务器及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110579359A true CN110579359A (zh) | 2019-12-17 |
CN110579359B CN110579359B (zh) | 2021-11-09 |
Family
ID=68811419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910854684.4A Active CN110579359B (zh) | 2019-09-10 | 2019-09-10 | 自动驾驶失效场景库的优化方法及***、服务器及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110579359B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111765903A (zh) * | 2020-06-29 | 2020-10-13 | 北京百度网讯科技有限公司 | 自动驾驶车辆的测试方法、装置、电子设备和介质 |
CN112328477A (zh) * | 2020-11-02 | 2021-02-05 | 东软睿驰汽车技术(沈阳)有限公司 | 自动驾驶算法测试用例的生成方法、装置和电子设备 |
CN112629881A (zh) * | 2020-12-16 | 2021-04-09 | 北京航空航天大学 | 一种自动驾驶仿真测试要素的提取方法 |
CN112740295A (zh) * | 2020-03-31 | 2021-04-30 | 华为技术有限公司 | 检测车辆行驶场景的复杂度的方法和装置 |
EP3846035A1 (en) * | 2020-01-02 | 2021-07-07 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, electronic device and storage medium for testing autonomous driving system |
CN113109055A (zh) * | 2020-01-10 | 2021-07-13 | 上海汽车集团股份有限公司 | 测试场景等级计算方法、装置及计算机存储介质 |
CN113326210A (zh) * | 2021-08-03 | 2021-08-31 | 北京赛目科技有限公司 | 一种自动驾驶测试场景的确定方法及装置 |
CN113589798A (zh) * | 2021-08-12 | 2021-11-02 | 上海裹动科技有限公司 | 自动测试行为的生成方法及服务器 |
CN117669364A (zh) * | 2023-11-22 | 2024-03-08 | 中汽研汽车检验中心(广州)有限公司 | 车道保持辅助***测试场景的提取方法、服务器及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234763A (zh) * | 2013-04-09 | 2013-08-07 | 北京理工大学 | 一种无人驾驶车辆定量评价***及评价方法 |
CN105389673A (zh) * | 2015-12-16 | 2016-03-09 | 河南理工大学 | 一种区域突发环境污染事故风险综合评价方法 |
CN105719510A (zh) * | 2016-04-15 | 2016-06-29 | 江苏大学 | 车联网环境下道路交通事故链阻断***的效率评价方法 |
CN105954040A (zh) * | 2016-04-22 | 2016-09-21 | 百度在线网络技术(北京)有限公司 | 应用于无人驾驶汽车的测试方法和装置 |
CN108332977A (zh) * | 2018-01-23 | 2018-07-27 | 常熟昆仑智能科技有限公司 | 一种对智能网联汽车测试场景的分类分析方法 |
CN108921200A (zh) * | 2018-06-11 | 2018-11-30 | 百度在线网络技术(北京)有限公司 | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 |
CN109409768A (zh) * | 2018-11-12 | 2019-03-01 | 广东工业大学 | 物流运输车辆的预警方法 |
WO2019132930A1 (en) * | 2017-12-28 | 2019-07-04 | Intel Corporation | System and method for simulation of autonomous vehicles |
-
2019
- 2019-09-10 CN CN201910854684.4A patent/CN110579359B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234763A (zh) * | 2013-04-09 | 2013-08-07 | 北京理工大学 | 一种无人驾驶车辆定量评价***及评价方法 |
CN105389673A (zh) * | 2015-12-16 | 2016-03-09 | 河南理工大学 | 一种区域突发环境污染事故风险综合评价方法 |
CN105719510A (zh) * | 2016-04-15 | 2016-06-29 | 江苏大学 | 车联网环境下道路交通事故链阻断***的效率评价方法 |
CN105954040A (zh) * | 2016-04-22 | 2016-09-21 | 百度在线网络技术(北京)有限公司 | 应用于无人驾驶汽车的测试方法和装置 |
WO2019132930A1 (en) * | 2017-12-28 | 2019-07-04 | Intel Corporation | System and method for simulation of autonomous vehicles |
CN108332977A (zh) * | 2018-01-23 | 2018-07-27 | 常熟昆仑智能科技有限公司 | 一种对智能网联汽车测试场景的分类分析方法 |
CN108921200A (zh) * | 2018-06-11 | 2018-11-30 | 百度在线网络技术(北京)有限公司 | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 |
CN109409768A (zh) * | 2018-11-12 | 2019-03-01 | 广东工业大学 | 物流运输车辆的预警方法 |
Non-Patent Citations (2)
Title |
---|
董军 等: "多层次***的动态评价研究", 《运筹与管理》 * |
黄丽: "部分自动驾驶汽车场地测试与评价研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210087889A (ko) * | 2020-01-02 | 2021-07-13 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 자율주행시스템 테스트 방법, 장치 및 기록 매체 |
US11556128B2 (en) | 2020-01-02 | 2023-01-17 | Apollo Intelligent Driving Technology (Beijing) Co., Ltd. | Method, electronic device and storage medium for testing autonomous driving system |
KR102487336B1 (ko) | 2020-01-02 | 2023-01-10 | 아폴로 인텔리전트 드라이빙 테크놀로지(베이징) 컴퍼니 리미티드 | 자율주행시스템 테스트 방법, 장치 및 기록 매체 |
EP3846035A1 (en) * | 2020-01-02 | 2021-07-07 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, electronic device and storage medium for testing autonomous driving system |
CN113109055A (zh) * | 2020-01-10 | 2021-07-13 | 上海汽车集团股份有限公司 | 测试场景等级计算方法、装置及计算机存储介质 |
CN112740295A (zh) * | 2020-03-31 | 2021-04-30 | 华为技术有限公司 | 检测车辆行驶场景的复杂度的方法和装置 |
CN111765903A (zh) * | 2020-06-29 | 2020-10-13 | 北京百度网讯科技有限公司 | 自动驾驶车辆的测试方法、装置、电子设备和介质 |
CN111765903B (zh) * | 2020-06-29 | 2022-08-09 | 阿波罗智能技术(北京)有限公司 | 自动驾驶车辆的测试方法、装置、电子设备和介质 |
CN112328477A (zh) * | 2020-11-02 | 2021-02-05 | 东软睿驰汽车技术(沈阳)有限公司 | 自动驾驶算法测试用例的生成方法、装置和电子设备 |
CN112328477B (zh) * | 2020-11-02 | 2023-08-15 | 东软睿驰汽车技术(沈阳)有限公司 | 自动驾驶算法测试用例的生成方法、装置和电子设备 |
CN112629881A (zh) * | 2020-12-16 | 2021-04-09 | 北京航空航天大学 | 一种自动驾驶仿真测试要素的提取方法 |
CN113326210A (zh) * | 2021-08-03 | 2021-08-31 | 北京赛目科技有限公司 | 一种自动驾驶测试场景的确定方法及装置 |
CN113326210B (zh) * | 2021-08-03 | 2021-10-12 | 北京赛目科技有限公司 | 一种自动驾驶测试场景的确定方法及装置 |
CN113589798A (zh) * | 2021-08-12 | 2021-11-02 | 上海裹动科技有限公司 | 自动测试行为的生成方法及服务器 |
CN117669364A (zh) * | 2023-11-22 | 2024-03-08 | 中汽研汽车检验中心(广州)有限公司 | 车道保持辅助***测试场景的提取方法、服务器及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110579359B (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110579359B (zh) | 自动驾驶失效场景库的优化方法及***、服务器及介质 | |
CN109087510B (zh) | 交通监测方法及装置 | |
CN103020978B (zh) | 结合多阈值分割与模糊聚类的sar图像变化检测方法 | |
CN112258093B (zh) | 风险等级的数据处理方法及装置、存储介质、电子设备 | |
CN113468967B (zh) | 基于注意力机制的车道线检测方法、装置、设备及介质 | |
US11380104B2 (en) | Method and device for detecting illegal parking, and electronic device | |
CN114140683A (zh) | 一种航拍图像目标检测的方法、设备与介质 | |
CN108805174A (zh) | 聚类方法及装置 | |
CN114116528B (zh) | 一种内存访问地址预测方法、装置、存储介质及电子设备 | |
CN116091964A (zh) | 高位视频场景解析方法以及*** | |
CN116263735A (zh) | 神经网络的鲁棒性评估方法、装置、设备及存储介质 | |
CN111310660B (zh) | 用于adas场景的目标检测虚警抑制方法及装置 | |
CN113159640A (zh) | 一种评价指标权重的确定方法、装置、设备及介质 | |
CN114021609A (zh) | 车辆属性的识别模型训练方法及装置、识别方法及装置 | |
CN116401111B (zh) | 脑机接口的功能检测方法、装置、电子设备及存储介质 | |
CN116358902B (zh) | 一种车辆功能的测试方法、装置、电子设备及存储介质 | |
CN114419907B (zh) | 事故多发路段判断方法、装置、终端设备及介质 | |
CN112597835B (zh) | 驾驶行为的评估方法、装置、电子设备及可读存储介质 | |
CN117541883B (zh) | 图像生成模型训练、图像生成方法、***以及电子设备 | |
US20240135679A1 (en) | Method for classifying images and electronic device | |
WO2023097519A1 (zh) | 一种场景获取方法及装置 | |
CN117591614A (zh) | 基于多源数据和emd距离的地理区域相似度评估方法 | |
CN117953307A (zh) | 一种面向高分辨率大场景遥感影像的非均衡多地物要素分类方法、***、设备及介质 | |
CN116824494A (zh) | 一种安全监测方法、装置、电子设备及存储介质 | |
CN117407521A (zh) | 小区分类方法及装置 |
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 |