CN110727706A - 一种面向智能网联汽车测试的风险驾驶场景快速提取与分级方法 - Google Patents

一种面向智能网联汽车测试的风险驾驶场景快速提取与分级方法 Download PDF

Info

Publication number
CN110727706A
CN110727706A CN201910820969.6A CN201910820969A CN110727706A CN 110727706 A CN110727706 A CN 110727706A CN 201910820969 A CN201910820969 A CN 201910820969A CN 110727706 A CN110727706 A CN 110727706A
Authority
CN
China
Prior art keywords
driving
risk
driving scene
intelligent networked
data
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.)
Pending
Application number
CN201910820969.6A
Other languages
English (en)
Inventor
孙川
马育林
郑四发
田欢
李茹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Automotive Research Institute of Tsinghua University
Original Assignee
Suzhou Automotive Research Institute of Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Automotive Research Institute of Tsinghua University filed Critical Suzhou Automotive Research Institute of Tsinghua University
Priority to CN201910820969.6A priority Critical patent/CN110727706A/zh
Publication of CN110727706A publication Critical patent/CN110727706A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Fuzzy Systems (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种面向智能网联汽车测试的风险驾驶场景快速提取与分级方法，所述方法包括：（1）智能网联汽车驾驶时间序列数据正规化处理；（2）智能网联汽车驾驶时间序列数据降维处理；（3）智能网联汽车驾驶时间序列数据离散及符号化处理；（4）智能网联汽车风险驾驶场景快速提取与分级处理。该面向智能网联汽车测试的风险驾驶场景快速提取与分级方法可以快速提取与分级出智能网联汽车测试工况里的各类风险驾驶场景，可为后续智能网联汽车测试阶段驾驶场景库的全面构建与提炼优化提供理论方法支撑。

Description

一种面向智能网联汽车测试的风险驾驶场景快速提取与分级 方法
技术领域
本发明属于智能汽车测试领域，涉及一种面向智能网联汽车测试的风险驾驶场景快速提取与分级方法。
背景技术
研发、测试、上路是智能网联汽车市场化的三个阶段，目前我国智能网联汽车技术发展主要集中在测试阶段。测试可分为软件在环、硬件在环、车辆在环、测试场测试、道路测试等。测试阶段的驾驶数据可反馈至研发阶段用于产品优化迭代，路测的数据结果可服务于测试阶段，用来丰富真实驾驶场景库与虚拟驾驶场景库的容量，使测试场更好的还原真实行驶环境。在整个测试阶段，驾驶数据是驱动上述过程的重要来源。
车辆智能化水平的不断提高以及无线通讯技术的快速发展为智能网联汽车测试平台的搭建提供了强有力技术支持。目前车辆测试数据采集手段变得异常丰富，例如通过CAN总线技术获取车载实时数据，利用高精度传感器或惯导***监测车辆运动信息，采用高清摄像头同步录制相应监控画面等。测试数据的类型与数量已经远达到了可以分析的技术要求，但是其编码分析手段却并未随着数据量的增加而有所突破，这对后续基于数据驱动的车辆测试分析工作带来了一定的技术障碍。另一方面，针对智能网联汽车测试，风险驾驶场景是需要关注的重要测试片段，例如“全球首例特斯拉车祸”的出现就是在自动驾驶测试阶段对于风险驾驶场景的测试分析不足所致。风险驾驶场景分析的前提即从海量驾驶场景数据库中准确、快速、有效的提取与分级其片段，该方法非常依赖驾驶数据编码的技术水平，而目前对于该技术方法的研究开发非常有限。
因此，发明风险驾驶场景快速提取与分级方法，对于智能网联汽车的测试工作有着十分重要的作用和意义。换言之，风险驾驶场景的快速提取与分级是智能网联汽车测试开发的核心部分，只有准确、快速、有效的对风险驾驶事件进行提取与分级，才能保证智能网联汽车测试结果的有效性、全面性。
发明内容
本发明的目的是针对现有技术中的问题，提供一种改进的面向智能网联汽车测试的风险驾驶场景快速提取与分级方法。
为达到上述目的，本发明采用的技术方案是：
一种面向智能网联汽车测试的风险驾驶场景快速提取与分级方法，所述方法包括：
(1)智能网联汽车驾驶时间序列数据正规化处理；
(2)智能网联汽车驾驶时间序列数据降维处理；
(3)智能网联汽车驾驶时间序列数据离散及符号化处理；
(4)智能网联汽车风险驾驶场景快速提取与分级处理。
优选地，步骤(1)中，对原始驾驶时间序列数值进行正规化处理时，把原始驾驶时间序列转换成均值为0，标准方差为1的标准化时间序列。
优选地，步骤(2)中，基于分段累积近似方法将标准化正规化处理后的时间序列进行降维处理。
进一步地，经步骤(2)降维处理后的驾驶时间序列数据由初始的连续曲线变成多个分段折线段，通过某个区间内分段折线段替代初始该区间内的曲线段。
优选地，步骤(3)中，对降维处理后的时间序列数据进行K-S检验，若驾驶时间序列数据P值大于0.05，则认为通过分段累积近似方法降维处理后的驾驶时间序列数据(速度、加速度)近似服从正态分布。
进一步地，将降维处理后的时间序列数据划分为多个等概率区间，划分区间的断点按照标准正态分布表计算具体取值，采用相同符号对位于同一概率区间的时间序列值进行编码处理，得出对应的符号序列。
优选地，步骤(4)具体包括以下步骤：
a.构建及划分风险驾驶场景工况；
b.对每一类风险驾驶场景工况进行符号化编码提取；
c.每一类风险驾驶场景工况进行释义；
d.对风险驾驶场景的等级进行分级。
进一步地，所述风险驾驶场景的等级包括高风险、中风险和低风险三个等级。
优选地，所述时间序列数据至少包括速度-时间序列数据和加速度-时间序列数据。
进一步地，所述时间序列数据还包括经纬度-时间、航向角-时间、三轴加速度-时间以及CAN数据-时间序列数据中的一种或多种。
由于上述技术方案的运用，本发明与现有技术相比具有下列优点：本发明的面向智能网联汽车测试的风险驾驶场景快速提取与分级方法针对智能网联汽车测试，提出了一种风险驾驶场景快速提取与分级方法。基于符号化聚合近似方法对驾驶时间序列数据依次进行正规化处理、降维处理、离散及符号化处理。经过语义编码后先前维度很高，数据特征冗杂的驾驶时间序列数据合理地转换为了可读性强并且易于搜索定位的符号化序列，在实现大幅降低数据维度的同时又适时地保留了时间序列数据的主要特征。在驾驶数据时空语义编码的基础上，制定风险驾驶场景界定规则，实现风险驾驶场景的符号化编码，通过字符串的快速搜索并分类出智能网联汽车测试工况里的各类风险驾驶场景，并进行分级。该方法对于智能网联汽车测试具有明显的优势与作用，可为风险驾驶事件的快速提取与分级提供技术支持，为后续智能网联汽车测试阶段驾驶场景库的全面构建与提炼优化提供理论方法支撑。
附图说明
图1是本发明的面向智能网联汽车测试的风险驾驶场景快速提取与分级方法实施的流程图；
图2(a)和图2(b)是正规化处理后的驾驶时间序列数据；
图3(a)和图3(b)是降维处理后的驾驶时间序列数据；
图4(a)和图4(b)是离散并符号化处理后的驾驶时间序列数据；
图5是风险驾驶场景快速提取与分级处理流程图。
具体实施方式
下面结合附图来对本发明的技术方案作进一步的阐述。
时间序列为一组基于时间随动的事件数据或序列值构成的集合，体现了数据属性值在时间轴上的随动特性，且时间序列数据通常体量大、维度高、更新频率快。智能网联汽车在测试阶段会采集海量的驾驶时间序列数据，包括车速、加速度、方向盘转角、油门踏板、刹车踏板、视频监控等各类信息，驾驶时间序列数据简化方法能够大幅度减少数据的容量，为风险驾驶场景的快速提取与分级提供有力的技术保障。符号化表示是一种有效的离散化的时间序列降维方法，由于其算法灵活、易于上手等优势已经在较多领域广泛应用，但在汽车交通领域国内外目前鲜有应用。该方法基于符号化聚合近似对智能网联汽车驾驶时间序列数据依次进行正规化处理、降维处理、离散及符号化处理，实现对驾驶时间序列数据的编码。该方法实施的流程图如图1所示，具体包括以下步骤：
(1)智能网联汽车驾驶时间序列数据正规化处理
初始驾驶时间序列T＝t1，...，tn为连续曲线，该方法第一步是对初始驾驶时间序列T＝t1，...，tn进行正规化处理，即把初始驾驶时间序列转换成均值为0，标准方差为1的标准化时间序列，记为T’＝t’1，...，t’n。这样做的目的是为了消除量纲影响和变量自身变异大小和数值大小的影响，方便后续将时间序列数据进行降维及等概率划分为若干区间，进而进行符号序列的标记编码，图2为正规化处理后的某驾驶时间序列数据，图2(a)为速度时间序列数据，图2(b)为加速度时间序列数据。
(2)智能网联汽车驾驶时间序列数据降维处理
该方法第二步是基于分段累积近似方法将正规化处理后的时间序列T’＝t’1，...，t’n进行降维。即把长度为n的正规化处理后的时间序列继续转换成一组长度为N(N＜＜n)的时间序列向量，记为通过合理的降维处理，才能进一步离散与符号化时间序列数据。截取的驾驶时间序列数据，以速度和加速度数据为例，长度各为A个，每秒一个，共计A/60min，即n＝A。选定需要降至的维数N，对于速度、加速度时间序列数据需要分别进行时空语义编码。对于速度时间序列数据，根据其自身范围即车辆的行驶速度区间约为[0，B]，单位为km/h，可设定Nv为C(＜A)即可；对于纵向加速度时间序列数据，同样可以根据其数据特征设定相应参数，所截取的纵向加速的区间约为[-D1，D2]，单位为m/s2，可设定Na为E(＜A)。选定上述参数后，通过分段累积近似方法，就可完成对截取的速度时间序列数据、加速度时间序列数据在正规化处理后的进行降维处理，如图3为降维处理后的驾驶时间序列数据，图3(a)为速度时间序列数据，图3(b)为加速度时间序列数据。
降维处理后的驾驶时间序列数据由初始的连续曲线变成了若干个分段折线段，用某个区间内分段折线段就可“代替”初始该区间内的曲线段，这样既保留了初始区间内数据的主要特征，又实现了降低维度的需要，从而可以避免由于维度过高带来的数据挖掘问题。
(3)智能网联汽车驾驶时间序列数据离散及符号化处理
该方法第三步是在第二步数据降维处理的基础上，针对降维处理后的分段折线段进行数据离散化，然后对离散化后的数据按照语义特征(反映在速度、加速度上即为其值域)进行编码。对降维后的时间序列数据(速度及加速度)进行K-S检验，若驾驶时间序列数据P值大于0.05，则认为通过分段累积近似方法降维处理后的驾驶时间序列数据(速度、加速度)近似服从正态分布。将降维后的时间序列数据划分为m个等概率区间，划分区间的断点可以通过表1查询得到，β1，β2，...，β8是划分断点，按照标准正态分布表可以计算其具体取值。如当m取值为E时，被划分的E个空间概率均为1/E，通过查询标准正态分布表可得划分点的取值。进而采用相同符号对位于同一概率区间的时间序列值进行编码处理，得出对应的符号序列，完成了驾驶时间序列数据的离散化及符号化。
表1划分的字符数m从2到9的断点
Figure BDA0002187529230000051
划分字符数m需要在实际应用时根据场景情况合理设置即可，根据经验以及应用效果一般不超过10个为佳。例如，样本数据车速变化范围约为[30，100]，加速度变化范围约为[-2.5，2.5]，车速可按照其值域与10km/h的商，加速度可按照其值域与1m/s2的商作为参考进行划分较为合理，即ma＝70/10＝7，mv＝5/1＝5，选择7与5附近值均可。最终定为ma＝7，mv＝4，即分别采用7个符号与4个符号来对车速、加速度进行符号化划分，这些符号为a，b，c，d，e，f，g。如图4为离散并符号化处理后的驾驶时间序列数据，图4(a)为速度时间序列数据，图4(b)为加速度时间序列数据。
降维处理后的驾驶时间序列数据，即分段折线段(粗线)被等概率的划分为(实线)若干个区间，划分区间的确定可以如前述通过表1确定。对于降维处理后车速时间序列数据被等概率划分为7个区间(a，b，c，d，e，f，g)，加速度时间序列数据被等概率划分为4个区间(a，b，c，d)，如表2为驾驶时间序列数据符号化区间取值。
表2驾驶时间序列的符号化字符串区间
对于处在相应划分区间的时间序列即可采用相对应的符号进行表示，这样就把原本维度很高，数据特征冗杂的时间序列语义编码成了直观可见的符号化序列，在降低数据维度的同时又保留了时间序列数据的主要特征，且数据存储容量也大幅下降，这对后续风险驾驶场景的快速提取有着重要作用。表3为截取范例里某段驾驶数据语义编码示例。
表3驾驶数据语义编码示例
Figure BDA0002187529230000062
(4)智能网联汽车驾驶时间序列数据编码后处理二次开发
驾驶数据的类型在实际编码过程中并不仅仅局限范例中所提到的车速、纵向加速度，这里选择这两个量是考虑到通常通过这两类数据可完成对风险驾驶场景的常规分析。在编码二次开发时，根据分析内容的需要进行扩展，如增加经纬度、航向角、三轴加速度以及CAN数据(节气门开度、制动信号等)其他数据的编码工作。
上述步骤(1)～(4)中，驾驶数据编码时需要确定各个参数的取值，参数的取值并未有十分严格的规定，具体编码时可以根据数据类型特征灵活确定，但是依然得遵循一定原则。初始序列长度n可以选择较长时长，例如可选定一个8h中长途运输任务，时间频率则可根据分析精度的需要灵活确定，对于速度、加速度参数1Hz的频率基本可以满足常规分析，而对于方向盘转角参数可能需要10Hz或者更高的频率才能达到一个预期的分析效果；降维处理后时间序列长度N原则上应远小于初始序列长度n，具体取值可以将数据的值域范围作为一个参考；划分的字符数m可将数据值域与精度的商值作为参考依据。本实施例为了简洁明了的构建并演示驾驶数据的语义编码方法，所采用的范例时间较短(10min)，实际过程如上所述，可以选择较长的整个时间段，并不用完全拘泥于范例。
通过上述步骤(1)～(4)的编码方法，可以实现完全自动化的程序运行，只需读取需要编码的驾驶数据，就可以快速完成数据的语义编码，并直接调用整理需要分析的符号化数据。本编码方法的核心本质是将数值化的时间序列转化为符号化的时间序列，为分析带来直观、便利的需要。从编码方法的几个步骤来看，编码方法本身具有很强的可靠性，关于结果有效性评价更多的可以从实际案例的应用效果中得出。
(5)风险驾驶场景快速提取与分级处理
准确地捕捉风险驾驶场景对于智能网联汽车测试有着重要作用，传统依靠数据阈值的方法进行甄别工作量较大，在驾驶数据时空语义编码的基础上，提供一种行之有效的快速提取方法。
普通小型乘用车纵向加速度一般不超过0.5g；纵向减速度也有相关研究将瞬时减速度大于0.4g作为一个危险事件的触发条件。根据加速度统计分布也可知加速度分布区间主要集中在(-0.4g，0.5g)之间，在此区间外的加速度分布往往占有很小比例，这是由于车辆行驶时大部分时间段会处在稳定的、中低风险驾驶情景下。同时，驾驶人由于自身驾驶风格，如具有愤怒驾驶、攻击性驾驶等特征，或者驾驶时为了紧急避险，均会出现急加速、急减速的情况，反映在车辆特征参数上即为出现较大的纵向加速度或减速度。更进一步，如果在车速较高的情况下出现这种情况，如急加速或急减速，那么有可能出现了更高风险的驾驶场景，例如目标车辆前方出现紧急情况需要急减速，或者目标车辆为避险需要急加速等，这里我们将此类情况定义为一个高风险驾驶事件，即车辆以较高车速行驶时出现了一个较大的加速度值(绝对值)的情况。
具体的，在智能网联汽车测试过程中，用于构建及描述风险驾驶场景工况的参数有很多，实际中根据测试目标与内容进行遴选，这里采用速度、加速度两个参数构建风险驾驶场景工况。选定这两个参数后，需要确定参数的阈值进一步划分风险驾驶场景的工况，这里将速度划分为三个范围、加速度划分为四个范围，因此总计3*4＝12种工况。然后，利用上述步骤(1)～(4)的方法，对每一类风险驾驶场景工况进行符号化编码提取，并进行相应的场景释义。风险驾驶场景等级的界定，以主观评价为主，客观评价为辅，利用专家经验在风险驾驶场景释义的基础上，借鉴已经在汽车设计研发领域应用较为普遍的主观评价法，对其风险等级进行分级。最后完成风险驾驶场景工况、风险场景提取、风险场景释义、风险分级的一一对应关系，利用编码结果实现风险驾驶场景的快速提取与分级处理，其流程图见图5所示。具体的，风险驾驶场景的快速提取与分级处理流程如下：
表4风险驾驶场景快速提取与分级处理方法
Figure BDA0002187529230000081
利用上表，即可完成各类风险驾驶场景快速提取与分级。根据符号化的编码结果，这些风险场景可以通过字符串表示为ae、af、ag、be、bf、bg、ce、cf、cg、de、df、dg，如此一个从直观定性以及客观定量角度上比较复杂的风险驾驶事件被符号化表示成了两个字符串，并且通过字符串的搜索可以快速提取与分级出智能网联汽车测试工况里的各类风险驾驶场景。
应当注意的是，本发明所示的风险驾驶场景工况仅采用车速、加速度两个参数进行描述，但在具体的智能网联汽车测试过程中，常常需要根据测试的目标与内容有针对性的进行扩展，如增加经纬度、航向角、三轴加速度、CAN数据(节气门开度、制动信号等)、车头时距、天气情况、道路类型、驾驶人信息(年龄、驾龄)、驾驶人生理信息(皮电、心电、脑电)等。
本发明针对智能网联汽车测试，提出了一种风险驾驶场景快速提取与分级方法。基于符号化聚合近似方法对驾驶时间序列数据依次进行正规化处理、降维处理、离散及符号化处理。经过语义编码后先前维度很高，数据特征冗杂的驾驶时间序列数据合理地转换为了可读性强并且易于搜索定位的符号化序列，在实现大幅降低数据维度的同时又适时地保留了时间序列数据的主要特征。在驾驶数据时空语义编码的基础上，制定风险驾驶场景界定规则，实现风险驾驶场景的符号化编码，通过字符串的快速搜索并提取与分级出智能网联汽车测试工况里的各类风险驾驶场景。该方法对于智能网联汽车测试具有明显的优势与作用，可为风险驾驶事件的快速提取与分级提供技术支持，为后续智能网联汽车测试阶段驾驶场景库的全面构建与提炼优化提供理论方法支撑。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并加以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围内。

Claims (10)

1.一种面向智能网联汽车测试的风险驾驶场景快速提取与分级方法，其特征在于：所述方法包括：
（1）智能网联汽车驾驶时间序列数据正规化处理；
（2）智能网联汽车驾驶时间序列数据降维处理；
（3）智能网联汽车驾驶时间序列数据离散及符号化处理；
（4）智能网联汽车风险驾驶场景快速提取与分级处理。
2.根据权利要求1所述的面向智能网联汽车测试的风险驾驶场景快速提取与分级方法，其特征在于：步骤（1）中，对原始驾驶时间序列数值进行正规化处理时，把原始驾驶时间序列转换成均值为0，标准方差为1的标准化时间序列。
3.根据权利要求1所述的面向智能网联汽车测试的风险驾驶场景快速提取与分级方法，其特征在于：步骤（2）中，基于分段累积近似方法将标准化正规化处理后的时间序列进行降维处理。
4.根据权利要求1或3所述的面向智能网联汽车测试的风险驾驶场景快速提取与分级方法，其特征在于：经步骤（2）降维处理后的驾驶时间序列数据由初始的连续曲线变成多个分段折线段，通过某个区间内分段折线段替代初始该区间内的曲线段。
5.根据权利要求1所述的面向智能网联汽车测试的风险驾驶场景快速提取与分级方法，其特征在于：步骤（3）中，对降维处理后的时间序列数据进行K-S检验，若驾驶时间序列数据P值大于0.05，则认为通过分段累积近似方法降维处理后的驾驶时间序列数据（速度、加速度）近似服从正态分布。
6.根据权利要求5所述的面向智能网联汽车测试的风险驾驶场景快速提取与分级方法，其特征在于：将降维处理后的时间序列数据划分为多个等概率区间，划分区间的断点按照标准正态分布表计算具体取值，采用相同符号对位于同一概率区间的时间序列值进行编码处理，得出对应的符号序列。
7.根据权利要求1所述的面向智能网联汽车测试的风险驾驶场景快速提取与分级方法，其特征在于：步骤（4）具体包括以下步骤：
a．构建及划分风险驾驶场景工况；
b．对每一类风险驾驶场景工况进行符号化编码提取；
c．每一类风险驾驶场景工况进行释义；
d．对风险驾驶场景的等级进行分级。
8.根据权利要求7所述的面向智能网联汽车测试的风险驾驶场景快速提取与分级方法，其特征在于：所述风险驾驶场景的等级包括高风险、中风险和低风险三个等级。
9.根据权利要求1所述的面向智能网联汽车测试的风险驾驶场景快速提取与分级方法，其特征在于：所述时间序列数据至少包括速度-时间序列数据和加速度-时间序列数据。
10.根据权利要求9所述的面向智能网联汽车测试的风险驾驶场景快速提取与分级方法，其特征在于：所述时间序列数据还包括经纬度-时间、航向角-时间、三轴加速度-时间以及CAN数据-时间序列数据中的一种或多种。
CN201910820969.6A 2019-09-02 2019-09-02 一种面向智能网联汽车测试的风险驾驶场景快速提取与分级方法 Pending CN110727706A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910820969.6A CN110727706A (zh) 2019-09-02 2019-09-02 一种面向智能网联汽车测试的风险驾驶场景快速提取与分级方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910820969.6A CN110727706A (zh) 2019-09-02 2019-09-02 一种面向智能网联汽车测试的风险驾驶场景快速提取与分级方法

Publications (1)

Publication Number Publication Date
CN110727706A true CN110727706A (zh) 2020-01-24

Family

ID=69218750

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910820969.6A Pending CN110727706A (zh) 2019-09-02 2019-09-02 一种面向智能网联汽车测试的风险驾驶场景快速提取与分级方法

Country Status (1)

Country Link
CN (1) CN110727706A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401414A (zh) * 2020-02-29 2020-07-10 同济大学 一种基于自然驾驶数据的危险场景提取及分类方法
CN111735639A (zh) * 2020-05-26 2020-10-02 清华大学苏州汽车研究院（相城） 一种面向智能网联汽车示范区的自动驾驶场景最小集生成方法
CN112765812A (zh) * 2021-01-19 2021-05-07 中国科学院软件研究所 一种无人***决策策略的自主能力快速测评方法及***
WO2022110978A1 (en) * 2020-11-24 2022-06-02 Suzhou Zhijia Science & Technologies Co., Ltd. Method and apparatus for driving data search
CN115249408A (zh) * 2022-06-21 2022-10-28 重庆长安汽车股份有限公司 一种自动驾驶测试数据的场景分类提取方法
CN116246468A (zh) * 2023-03-14 2023-06-09 西安科技大学 基于多元时空数据的分心驾驶风险路段识别与管控方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150344030A1 (en) * 2014-05-30 2015-12-03 Honda Research Institute Europe Gmbh Method and vehicle with an advanced driver assistance system for risk-based traffic scene analysis
CN105374211A (zh) * 2015-12-09 2016-03-02 敏驰信息科技（上海）有限公司 基于多源数据计算驾驶风险与辅助车险定价的***及方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150344030A1 (en) * 2014-05-30 2015-12-03 Honda Research Institute Europe Gmbh Method and vehicle with an advanced driver assistance system for risk-based traffic scene analysis
CN105374211A (zh) * 2015-12-09 2016-03-02 敏驰信息科技（上海）有限公司 基于多源数据计算驾驶风险与辅助车险定价的***及方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙川 等: "《基于 SAX 的车载数据时空语义编码及分析方法》" *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401414A (zh) * 2020-02-29 2020-07-10 同济大学 一种基于自然驾驶数据的危险场景提取及分类方法
CN111401414B (zh) * 2020-02-29 2023-02-10 同济大学 一种基于自然驾驶数据的危险场景提取及分类方法
CN111735639A (zh) * 2020-05-26 2020-10-02 清华大学苏州汽车研究院（相城） 一种面向智能网联汽车示范区的自动驾驶场景最小集生成方法
CN111735639B (zh) * 2020-05-26 2022-03-22 清华大学苏州汽车研究院（相城） 一种面向智能网联汽车示范区的自动驾驶场景最小集生成方法
WO2022110978A1 (en) * 2020-11-24 2022-06-02 Suzhou Zhijia Science & Technologies Co., Ltd. Method and apparatus for driving data search
CN112765812A (zh) * 2021-01-19 2021-05-07 中国科学院软件研究所 一种无人***决策策略的自主能力快速测评方法及***
CN112765812B (zh) * 2021-01-19 2021-09-07 中国科学院软件研究所 一种无人***决策策略的自主能力快速测评方法及***
CN115249408A (zh) * 2022-06-21 2022-10-28 重庆长安汽车股份有限公司 一种自动驾驶测试数据的场景分类提取方法
CN116246468A (zh) * 2023-03-14 2023-06-09 西安科技大学 基于多元时空数据的分心驾驶风险路段识别与管控方法
CN116246468B (zh) * 2023-03-14 2023-11-14 西安科技大学 基于多元时空数据的分心驾驶风险路段识别与管控方法

Similar Documents

Publication Publication Date Title
CN110727706A (zh) 一种面向智能网联汽车测试的风险驾驶场景快速提取与分级方法
US9527384B2 (en) Driving context generation system for generating driving behavior description information
CN113159105B (zh) 一种驾驶行为无监督模式识别方法及数据采集监控***
CN113609016B (zh) 车辆自动驾驶测试场景的构建方法、装置、设备及介质
CN110304068B (zh) 汽车行驶环境信息的采集方法、装置、设备和存储介质
CN106956680A (zh) 一种电动汽车驾驶行为识别分析方法
CN115588310A (zh) 一种基于轨迹数据的车辆碰撞风险预测方法
CN105427620A (zh) 一种基于出租车运行数据的非法营运车辆识别方法
US10415981B2 (en) Anomaly estimation apparatus and display apparatus
Wu et al. Clustering of several typical behavioral characteristics of commercial vehicle drivers based on GPS data mining: Case study of highways in China
CN110458214A (zh) 驾驶员更换识别方法和装置
CN115291515A (zh) 一种基于数字孪生的自动驾驶仿真测试***及评价方法
Montanari et al. Pattern recognition for driving scenario detection in real driving data
CN110175218B (zh) 生成导航播报内容的方法、装置、设备和计算机存储介质
CN110097144B (zh) 一种轮胎自动检测大数据与云计算***及其应用研究
Brahim et al. A machine learning smartphone-based sensing for driver behavior classification
CN114912689A (zh) 基于地图网格索引和xgboost的超限车辆目的地预测方法及***
CN114428717A (zh) 基于真实数据的自动驾驶测试场景集更新方法和***
CN112269827B (zh) 数据处理方法、装置、计算机设备及计算机可读存储介质
US20160140779A1 (en) Drive data collection system
CN116753938A (zh) 车辆测试场景生成方法、装置、存储介质及设备
CN116307699A (zh) 基于多源数据的道路隐患点段分级方法、装置及存储介质
CN115841765A (zh) 车辆位置盲区监控方法、装置、电子设备及可读存储介质
CN113033713B (zh) 事故片段的识别方法、装置、设备及可读存储介质
Xu et al. Novel fast safety assessment method for the buffer section of maintenance work zone

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