CN112596500A - 一种用于自动驾驶车辆误/漏识别的预期功能安全分析方法 - Google Patents
一种用于自动驾驶车辆误/漏识别的预期功能安全分析方法 Download PDFInfo
- Publication number
- CN112596500A CN112596500A CN202011486913.0A CN202011486913A CN112596500A CN 112596500 A CN112596500 A CN 112596500A CN 202011486913 A CN202011486913 A CN 202011486913A CN 112596500 A CN112596500 A CN 112596500A
- Authority
- CN
- China
- Prior art keywords
- scene
- vehicle
- automatic driving
- simulation test
- error
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种用于自动驾驶车辆误/漏识别的预期功能安全分析方法，包括：S1，在仿真测试软件中构建自动驾驶车辆误/漏识别虚拟危险场景地形；S2，创建自动驾驶车辆误/漏识别测试场景；S3，对模拟自动驾驶车辆进行误/漏识别场景仿真测试实验；S4，导出仿真测试数据；S5，将仿真测试数据与实车安全测试数据进行对比分析；S6，判断仿真测试数据有无异常：如仿真测试数据有异常，分析造成误/漏识别的原因，对相应传感器的参数进行调试与修正，重复步骤S3~S6；如仿真测试数据无异常，结束虚拟仿真测试。通过该自动驾驶车辆误/漏识别的预期功能安全分析方法可以减少智能驾驶所带来的安全问题，提高自动驾驶车辆安全性。
Description
技术领域
本发明涉及无人驾驶测试技术领域，具体涉及一种用于自动驾驶车辆误/漏识别的预期功能安全分析方法。
背景技术
经研究数据表明近94％的致命车祸与驾驶员直接相关，例如疲劳、超速、酒驾或其他违法行为，智能驾驶被视为可以显著降低事故率。而随着车辆***复杂性的提升，自动驾驶车辆主要依靠传感器来感知外界环境、智能算法进行控制决策等，在车辆上运用了大量的新技术，从而引入新的安全风险。
2018年3月Uber自动驾驶汽车在美国意外撞击致死一名行人，2016-2020四年间特斯拉三次因摄像头识别局限性撞向白色卡车，2020年3月沃尔沃向全球市场发出大规模召回通告，数量达70万辆，涉及9款在售车型，召回的原因是此前沃尔沃在丹麦进行的一项关于XC60的安全测试中，发现自动紧急制动***没有按预期在发生碰撞时及时刹停车辆。智能驾驶带来的安全问题越来越多，不管是交通事故还是召回事件，究其原因也不全是由于E/E***故障失效而导致的；在自动驾驶***中即使***不发生故障，也可能因为复杂智能算法的不确定性导致功能的偏离、传感器或***性能限制、驾驶员对车辆功能的误用，造成交通伤害。
自动驾驶控制***模拟人类的驾驶方式，由传感器、控制器、执行器组成，对应感知、决策、执行三大功能模块。而在感知模块中各类传感器均存在一些性能限制以及车辆自身存在一些盲区，将会导致自动驾驶车辆环境感知不足而引起对外界环境的误/漏识别，从而易造成交通伤害。
发明内容
本发明的目的是针对现有技术中的问题，提供一种用于自动驾驶车辆误/漏识别的预期功能安全分析方法。
为达到上述目的，本发明采用的技术方案是：
一种用于自动驾驶车辆误/漏识别的预期功能安全分析方法，包括如下步骤：
S1，在仿真测试软件中根据易发生自动驾驶车辆误/漏识别的真实危险场景地形构建自动驾驶车辆误/漏识别虚拟危险场景地形；
S2，将用于实车的传感器、控制决策算法及车辆行驶环境相关信息添加到所述自动驾驶车辆误/漏识别虚拟危险场景地形中，创建自动驾驶车辆误/漏识别测试场景；
S3，对模拟自动驾驶车辆进行误/漏识别场景仿真测试实验；
S4，导出所述仿真测试实验中的仿真测试数据；
S5，将所述仿真测试数据与实车在误/漏识别场景下得到的实车安全测试数据进行对比分析；
S6，判断所述仿真测试数据有无异常数据：
(1)如所述仿真测试数据有异常数据，分析造成误/漏识别的原因，基于所述仿真测试数据对相应所述传感器的参数进行调试与修正，重复步骤S3～S6；
(2)如所述仿真测试数据无异常数据，结束对自动驾驶车辆误/漏识别场景的虚拟仿真测试。
优选地，步骤S1中包括如下步骤：
(1)根据自动驾驶车辆易发生误/漏识别危险场景的真实地形的尺寸大小，在所述仿真测试软件的地形模块下1:1复现真实危险场景3D图形环境的路网，构建所述自动驾驶车辆误/漏识别虚拟危险场景地形；
(2)通过绘图软件绘制真实危险场景中所涉及的建筑物模型，并在三维建模软件中对绘制的虚拟建筑物模型进行渲染并导出；
(3)将渲染后的所述虚拟建筑物虚模型复制到所述仿真测试软件中，并将其放置到所构建的所述自动驾驶车辆误/漏识别虚拟危险场景地形中，并按照建筑物模型在真实场景中的位置与方向进行摆放；
(4)根据真实危险场景路网的逻辑，创建相应的道路逻辑；
(5)生成地形文件，构建出所需求的所述自动驾驶车辆误/漏识别虚拟危险场景地形。
优选地，步骤S2中包括如下步骤：
(1)在所述仿真测试软件中创建虚拟测试场景；
(2)根据实车所装备的传感器，在所述仿真测试软件中给模拟自动驾驶车辆在车身的相同的安装位置及角度添加传感器，同时将用于实车的所述传感器外接到所述仿真测试软件上，控制模拟自动驾驶车辆；
(3)在所述仿真测试软件中添加与实车相同的控制决策算法；
(4)在所述仿真测试软件中添加车辆行驶环境。
进一步地，所述虚拟测试场景中至少包括交通参与者及交通标志。
进一步地，所述车辆行驶环境包括道路场景、交通环境及气象状态，所述道路场景用于模拟真实环境中道路场景要素的几何特性、物理特性和行为特性；所述交通环境用于模拟真实环境中交通流量信息及周围交通车辆行为；所述气象状态用于模拟真实环境中的天气状态、时间变化以及不同时间的光影变化。
优选地，所述传感器参数至少包括所述传感器在车身上的安装位置及安装角度，各类所述传感器间的信息融合，摄像头的白平衡值、像素、帧率、靶面尺寸、感光度、信噪比等，毫米波雷达的最大作用距离、距离分辨率、最大探测速度，激光雷达的测距范围、扫描频率、角分辨率、精度。
优选地，将步骤S4获得的所述仿真测试数据存储到自动驾驶车辆误/漏识别场景仿真测试数据库中，并对所述自动驾驶车辆误/漏识别场景仿真测试数据库进行更新，所述实车安全测试数据存储于自动驾驶车辆误/漏识别场景实车安全测试数据库中，在对比分析数据候选部中对所述仿真测试数据与所述实车安全测试数据进行对比分析。
进一步地，如所述仿真测试数据有异常数据，将所述仿真测试数据存储到自动驾驶车辆误/漏识别场景仿真事故场景数据库中，更新所述自动驾驶车辆误/漏识别场景仿真事故场景数据库。
更进一步地，针对造成误/漏识别事故的原因，在事故场景数据调试修正部中对相应所述传感器的参数进行调试与修正。
进一步地，如所述仿真测试数据无异常数据，将所述仿真测试数据存储到自动驾驶车辆误/漏识别场景仿真无异常测试数据库中，更新所述自动驾驶车辆误/漏识别场景仿真无异常测试数据库。
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：本发明的用于自动驾驶车辆误/漏识别的预期功能安全分析方法可以在仿真测试软件中对自动驾驶车辆进行自动驾驶车辆误/漏识别虚拟仿真测试，并针对自动驾驶车辆误/漏识别测试场景进行多次重复测试实验，将仿真测试数据与实车安全测试数据进行对比分析，针对事故场景判断分析其事故原因，基于仿真测试的结果对相应传感器的参数进行修正或调节，从而避免事故的发生，减少智能驾驶所带来的安全问题，提高自动驾驶车辆安全性。
附图说明
附图1为本发明的用于自动驾驶车辆误/漏识别的预期功能安全分析方法的流程图；
附图2为本发明中构建自动驾驶车辆误/漏识别虚拟危险场景地形的框架图；
附图3为本发明中构建自动驾驶车辆误/漏识别测试场景的框架图；
附图4为本发明中自动驾驶车辆误/漏识别场景仿真事故场景数据库分析存储的结构框图。
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。
预期功能安全指的是不存在不可接受的由预期功能设计不足或者可预见的驾驶员误操作引起的危害而导致的不合理的风险。本发明主要研究由预期功能设计不足引起的误/漏识别而导致的不合理的风险。如图1所示，本发明的用于自动驾驶车辆误/漏识别的预期功能安全分析方法包括如下步骤：
S1，在仿真测试软件中构建自动驾驶车辆误/漏识别虚拟危险场景地形。
自动驾驶车辆环境感知主要是利用车载毫米波雷达、激光雷达、摄像头、V2X通信技术等获取道路、车辆位置和障碍物的信息，并将这些信息传输给车载控制中心，为智能网联汽车提供决策依据。而由于各类传感器均存在一些性能限制以及车辆自身存在一些盲区，将会导致自动驾驶车辆环境感知不足而引起对外界环境的误/漏识别，从而易造成交通伤害。
本发明针对自动驾驶车辆易发生误/漏识别的真实危险场景地形构建相应的自动驾驶车辆误/漏识别虚拟危险场景地形，自动驾驶车辆误/漏识别危险场景地形主要是指根据自动驾驶车辆易发生误/漏识别的真实危险场景道路尺寸大小、物理模型等在仿真测试软件中进行1：1地形复现所构建出的虚拟场景地形，其构建框架如图2所示，具体包括如下步骤。
(1)根据自动驾驶车辆易发生误/漏识别危险场景的真实地形的尺寸大小，在仿真测试软件地形模块下1:1复现真实危险场景3D图形环境的路网，构建自动驾驶车辆误/漏识别虚拟危险场景地形。
仿真测试软件主要是以动力学仿真为主，用来在车辆开发的过程中对整车的动力、稳定性、制动等进行仿真，如SCANeR、CarSim、Prescan、CARLA等等。本发明仿真测试软件优选SCANeR软件。
(2)通过绘图软件绘制真实危险场景中所涉及的建筑物模型，并在三维建模软件中对绘制的虚拟建筑物模型进行渲染并导出。
本发明中，绘图软件采用SketchUp软件，三维建模软件采用3ds MAX软件。
(3)将渲染后的虚拟建筑物虚模型复制到仿真测试软件中，并将其放置到所构建的自动驾驶车辆误/漏识别虚拟危险场景地形中，并按照建筑物模型在真实场景中的位置与方向进行摆放。
(4)根据真实危险场景路网的逻辑，在虚拟危险场景地形中编辑标志、交通灯、速度限制等逻辑信息，创建相应的道路逻辑。
(5)生成地形文件，构建出所需求的述自动驾驶车辆误/漏识别虚拟危险场景地形。
S2，根据实车及其所装载的设备等参数以及所处的危险场景外界环境信息等，将用于实车的传感器、控制决策算法及车辆行驶环境相关信息添加到所述自动驾驶车辆误/漏识别虚拟危险场景地形中，创建自动驾驶车辆误/漏识别测试场景。
自动驾驶测试场景指的是车辆测试过程中所处的地理环境、天气、道路、交通状态及车辆状态和时间等要素的集合，用于测试自动驾驶车辆相关自动驾驶功能检测项目。自动驾驶车辆误/漏识别测试场景主要是指由于传感器/***性能限制，导致感知不足，引起误/漏识别而造成交通伤害的场景。自动驾驶车辆误/漏识别测试场景构建的框架如图3所示，具体包括如下步骤。
(1)在仿真测试软件中创建虚拟测试场景。
根据自动驾驶车辆所需要实现的功能，以构建的自动驾驶车辆误/漏识别虚拟危险场景地形为基础，创建虚拟测试场景。在创建的虚拟测试场景中加入所需求的交通参与者如车、人、运动路径等、交通标志如信号灯、地标、施工等必要信息。
(2)在仿真测试软件中外接用于实车的传感器。
根据实车所装备的传感器，在仿真测试软件中给模拟自动驾驶车辆在车身的相同的安装位置及角度添加传感器，同时将用于实车的传感器外接到仿真测试软件上，控制模拟自动驾驶车辆，为其提供环境感知。
(3)在仿真测试软件中添加与实车相同的控制决策算法。
将实车的控制决策算法导入到仿真环境中，控制车辆可以在仿真环境下正常行驶。
(4)在仿真测试软件中添加车辆行驶环境。
根据真实车辆行驶环境在仿真测试软件中进行添加相应的道路场景、交通环境、气象状态。其中，道路场景用于模拟真实环境中道路场景要素的几何特性、物理特性和行为特性；交通环境是指合理的交通流量信息及周围交通车辆行为；气象状态指的是真实环境中的天气状态、时间变化以及不同时间的光影变化。
S3，在自动驾驶车辆误/漏识别测试场景中对模拟的自动驾驶车辆进行误/漏识别场景仿真测试实验。
S4，导出仿真测试实验中的仿真测试数据，将仿真测试数据存储到自动驾驶车辆误/漏识别场景仿真测试数据库中，并对自动驾驶车辆误/漏识别场景仿真测试数据库进行更新。
S5，将仿真测试数据与实车在误/漏识别场景下得到的实车安全测试数据进行对比分析。
实车安全测试数据是指在真实误/漏识别场景中驾驶员驾驶实车行驶相同的轨迹所测得的数据。实车安全测试数据存储于自动驾驶车辆误/漏识别场景实车安全测试数据库中。误/漏识别场景下自动驾驶车辆的仿真测试数据与实车安全测试数据在对比分析数据候选部中进行对比分析。
S6，判断仿真测试数据有无异常数据：
(1)如仿真测试数据有异常数据，分析造成误/漏识别的原因，基于仿真测试数据对相应传感器的参数进行调试与修正，重复步骤S3～S6，具体为：
a.将有异常的仿真测试数据存储到自动驾驶车辆误/漏识别场景仿真事故场景数据库中，对事故场景数据进行分析，得到造成误/漏识别事故的原因；
b.针对造成误/漏识别事故的原因，在事故场景数据调试修正部中对相应传感器的参数进行调试与修正，传感器的参数包含有：传感器在车身上的安装位置及安装角度，各类传感器间的信息融合，摄像头的白平衡值、像素、帧率、靶面尺寸、感光度、信噪比等，毫米波雷达的最大作用距离、距离分辨率、最大探测速度等，激光雷达的测距范围、扫描频率、角分辨率、精度等，等等。
c.重新在自动驾驶车辆误/漏识别测试场景中对模拟的自动驾驶车辆进行误/漏识别场景仿真测试实验，并将测试结果存储到自动驾驶车辆误/漏识别场景仿真测试数据库中，对自动驾驶车辆误/漏识别场景仿真测试数据库进行及时更新。
(2)如仿真测试数据无异常数据，将无异常的仿真测试数据存储到自动驾驶车辆误/漏识别场景仿真无异常测试数据库中，更新自动驾驶车辆误/漏识别场景仿真无异常测试数据库，结束对自动驾驶车辆误/漏识别场景的虚拟仿真测试。
步骤S4～S6对应的结构框图见图4所示，自动驾驶车辆误/漏识别场景仿真事故场景数据库是由于传感器/***性能限制导致环境感知不足，引起误/漏识别而造成了交通伤害的自动驾驶车辆误/漏识别测试场景构成的数据库。根据上述分析方法可获得自动驾驶车辆误/漏识别场景仿真事故场景数据库，以便于场景的快速检索与提取。如下表所示为误/漏识别事故场景数据分析表。当然也不局限于这些误/漏识别事故场景，对自动驾驶车辆误/漏识别场景的测试过程中所出现的问题，应不断的扩充到自动驾驶车辆误/漏识别场景仿真事故场景数据库，积累造成误/漏识别的触发事件及其相应的情景，避免相似事故的发生，提高自动驾驶车辆安全性。
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)
1.一种用于自动驾驶车辆误/漏识别的预期功能安全分析方法，其特征在于：包括如下步骤：
S1，在仿真测试软件中根据易发生自动驾驶车辆误/漏识别的真实危险场景地形构建自动驾驶车辆误/漏识别虚拟危险场景地形；
S2，将用于实车的传感器、控制决策算法及车辆行驶环境相关信息添加到所述自动驾驶车辆误/漏识别虚拟危险场景地形中，创建自动驾驶车辆误/漏识别测试场景；
S3，对模拟自动驾驶车辆进行误/漏识别场景仿真测试实验；
S4，导出所述仿真测试实验中的仿真测试数据；
S5，将所述仿真测试数据与实车在误/漏识别场景下得到的实车安全测试数据进行对比分析；
S6，判断所述仿真测试数据有无异常数据：
（1）如所述仿真测试数据有异常数据，分析造成误/漏识别的原因，基于所述仿真测试数据对相应所述传感器的参数进行调试与修正，重复步骤S3~S6；
（2）如所述仿真测试数据无异常数据，结束对自动驾驶车辆误/漏识别场景的虚拟仿真测试。
2.根据权利要求1所述的用于自动驾驶车辆误/漏识别的预期功能安全分析方法，其特征在于：步骤S1中包括如下步骤：
（1）根据自动驾驶车辆易发生误/漏识别危险场景的真实地形的尺寸大小，在所述仿真测试软件的地形模块下1:1复现真实危险场景3D图形环境的路网，构建所述自动驾驶车辆误/漏识别虚拟危险场景地形；
（2）通过绘图软件绘制真实危险场景中所涉及的建筑物模型，并在三维建模软件中对绘制的虚拟建筑物模型进行渲染并导出；
（3）将渲染后的所述虚拟建筑物虚模型复制到所述仿真测试软件中，并将其放置到所构建的所述自动驾驶车辆误/漏识别虚拟危险场景地形中，并按照建筑物模型在真实场景中的位置与方向进行摆放；
（4）根据真实危险场景路网的逻辑，创建相应的道路逻辑；
（5）生成地形文件，构建出所需求的所述自动驾驶车辆误/漏识别虚拟危险场景地形。
3.根据权利要求1所述的用于自动驾驶车辆误/漏识别的预期功能安全分析方法，其特征在于：步骤S2中包括如下步骤：
（1）在所述仿真测试软件中创建虚拟测试场景；
（2）根据实车所装备的传感器，在所述仿真测试软件中给模拟自动驾驶车辆在车身的相同的安装位置及角度添加传感器，同时将用于实车的所述传感器外接到所述仿真测试软件上，控制模拟自动驾驶车辆；
（3）在所述仿真测试软件中添加与实车相同的控制决策算法；
（4）在所述仿真测试软件中添加车辆行驶环境。
4.根据权利要求3所述的用于自动驾驶车辆误/漏识别的预期功能安全分析方法，其特征在于：所述虚拟测试场景中至少包括交通参与者及交通标志。
5.根据权利要求3所述的用于自动驾驶车辆误/漏识别的预期功能安全分析方法，其特征在于：所述车辆行驶环境包括道路场景、交通环境及气象状态，所述道路场景用于模拟真实环境中道路场景要素的几何特性、物理特性和行为特性；所述交通环境用于模拟真实环境中交通流量信息及周围交通车辆行为；所述气象状态用于模拟真实环境中的天气状态、时间变化以及不同时间的光影变化。
6.根据权利要求1所述的用于自动驾驶车辆误/漏识别的预期功能安全分析方法，其特征在于：所述传感器参数至少包括所述传感器在车身上的安装位置及安装角度，各类所述传感器间的信息融合，摄像头的白平衡值、像素、帧率、靶面尺寸、感光度、信噪比等，毫米波雷达的最大作用距离、距离分辨率、最大探测速度，激光雷达的测距范围、扫描频率、角分辨率、精度。
7.根据权利要求1所述的用于自动驾驶车辆误/漏识别的预期功能安全分析方法，其特征在于：将步骤S4获得的所述仿真测试数据存储到自动驾驶车辆误/漏识别场景仿真测试数据库中，并对所述自动驾驶车辆误/漏识别场景仿真测试数据库进行更新，所述实车安全测试数据存储于自动驾驶车辆误/漏识别场景实车安全测试数据库中，在对比分析数据候选部中对所述仿真测试数据与所述实车安全测试数据进行对比分析。
8.根据权利要求7所述的用于自动驾驶车辆误/漏识别的预期功能安全分析方法，其特征在于：如所述仿真测试数据有异常数据，将所述仿真测试数据存储到自动驾驶车辆误/漏识别场景仿真事故场景数据库中，更新所述自动驾驶车辆误/漏识别场景仿真事故场景数据库。
9.根据权利要求8所述的用于自动驾驶车辆误/漏识别的预期功能安全分析方法，其特征在于：针对造成误/漏识别事故的原因，在事故场景数据调试修正部中对相应所述传感器的参数进行调试与修正。
10.根据权利要求7所述的用于自动驾驶车辆误/漏识别的预期功能安全分析方法，其特征在于：如所述仿真测试数据无异常数据，将所述仿真测试数据存储到自动驾驶车辆误/漏识别场景仿真无异常测试数据库中，更新所述自动驾驶车辆误/漏识别场景仿真无异常测试数据库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011486913.0A CN112596500B (zh) | 2020-12-16 | 2020-12-16 | 一种用于自动驾驶车辆误/漏识别的预期功能安全分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011486913.0A CN112596500B (zh) | 2020-12-16 | 2020-12-16 | 一种用于自动驾驶车辆误/漏识别的预期功能安全分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112596500A true CN112596500A (zh) | 2021-04-02 |
| CN112596500B CN112596500B (zh) | 2022-01-28 |
Family
ID=75196546
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011486913.0A Active CN112596500B (zh) | 2020-12-16 | 2020-12-16 | 一种用于自动驾驶车辆误/漏识别的预期功能安全分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112596500B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113704100A (zh) * | 2021-08-20 | 2021-11-26 | 苏州智加科技有限公司 | 一种测试用例的自动管理方法及*** |
| CN114201890A (zh) * | 2022-02-16 | 2022-03-18 | 苏州博宇鑫交通科技有限公司 | 一种高速公路异常事件场景库构建方法 |
| CN114926979A (zh) * | 2022-04-22 | 2022-08-19 | 岚图汽车科技有限公司 | 测试工具及其检测车辆道路标识识别功能的方法和装置 |
| CN115601856A (zh) * | 2022-12-15 | 2023-01-13 | 中国汽车技术研究中心有限公司（Cn） | 自动驾驶***预期功能安全测试场景确定方法和设备 |
| CN116108041A (zh) * | 2023-04-04 | 2023-05-12 | 小米汽车科技有限公司 | 车辆测试数据的确定方法、装置、车辆和存储介质 |
| CN116151045A (zh) * | 2023-04-21 | 2023-05-23 | 中汽研汽车检验中心（天津）有限公司 | 车辆仿真测试数据准确性分析方法、装置、设备及介质 |
| CN117912133A (zh) * | 2024-03-19 | 2024-04-19 | 杭州三一谦成科技有限公司 | 一种基于实测数据车辆信息系数获取*** |
| CN118072260A (zh) * | 2024-04-18 | 2024-05-24 | 山东双百电子有限公司 | 一种基于图像的车辆偏移分析方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109032103A (zh) * | 2017-06-09 | 2018-12-18 | 百度在线网络技术（北京）有限公司 | 无人驾驶车辆的测试方法、装置、设备及存储介质 |
| CN109187041A (zh) * | 2018-07-19 | 2019-01-11 | 山东省科学院自动化研究所 | 一种用于自动驾驶测试场的无人测试车平台及方法 |
| CN109213126A (zh) * | 2018-09-17 | 2019-01-15 | 安徽江淮汽车集团股份有限公司 | 自动驾驶汽车测试***和方法 |
| CN109993849A (zh) * | 2019-03-22 | 2019-07-09 | 山东省科学院自动化研究所 | 一种自动驾驶测试场景再现模拟方法、装置及*** |
| CN111859618A (zh) * | 2020-06-16 | 2020-10-30 | 长安大学 | 多端在环的虚实结合交通综合场景仿真测试***及方法 |
-
2020
- 2020-12-16 CN CN202011486913.0A patent/CN112596500B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109032103A (zh) * | 2017-06-09 | 2018-12-18 | 百度在线网络技术（北京）有限公司 | 无人驾驶车辆的测试方法、装置、设备及存储介质 |
| CN109187041A (zh) * | 2018-07-19 | 2019-01-11 | 山东省科学院自动化研究所 | 一种用于自动驾驶测试场的无人测试车平台及方法 |
| CN109213126A (zh) * | 2018-09-17 | 2019-01-15 | 安徽江淮汽车集团股份有限公司 | 自动驾驶汽车测试***和方法 |
| CN109993849A (zh) * | 2019-03-22 | 2019-07-09 | 山东省科学院自动化研究所 | 一种自动驾驶测试场景再现模拟方法、装置及*** |
| CN111859618A (zh) * | 2020-06-16 | 2020-10-30 | 长安大学 | 多端在环的虚实结合交通综合场景仿真测试***及方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113704100A (zh) * | 2021-08-20 | 2021-11-26 | 苏州智加科技有限公司 | 一种测试用例的自动管理方法及*** |
| CN114201890A (zh) * | 2022-02-16 | 2022-03-18 | 苏州博宇鑫交通科技有限公司 | 一种高速公路异常事件场景库构建方法 |
| CN114926979A (zh) * | 2022-04-22 | 2022-08-19 | 岚图汽车科技有限公司 | 测试工具及其检测车辆道路标识识别功能的方法和装置 |
| CN115601856A (zh) * | 2022-12-15 | 2023-01-13 | 中国汽车技术研究中心有限公司（Cn） | 自动驾驶***预期功能安全测试场景确定方法和设备 |
| CN116108041A (zh) * | 2023-04-04 | 2023-05-12 | 小米汽车科技有限公司 | 车辆测试数据的确定方法、装置、车辆和存储介质 |
| CN116151045A (zh) * | 2023-04-21 | 2023-05-23 | 中汽研汽车检验中心（天津）有限公司 | 车辆仿真测试数据准确性分析方法、装置、设备及介质 |
| CN117912133A (zh) * | 2024-03-19 | 2024-04-19 | 杭州三一谦成科技有限公司 | 一种基于实测数据车辆信息系数获取*** |
| CN118072260A (zh) * | 2024-04-18 | 2024-05-24 | 山东双百电子有限公司 | 一种基于图像的车辆偏移分析方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112596500B (zh) | 2022-01-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112596500B (zh) | 一种用于自动驾驶车辆误/漏识别的预期功能安全分析方法 | |
| CN112613169B (zh) | 一种用于自动驾驶车辆误操作的预期功能安全分析方法 | |
| CN109213126B (zh) | 自动驾驶汽车测试***和方法 | |
| Huang et al. | Autonomous vehicles testing methods review | |
| CN109884916B (zh) | 一种自动驾驶仿真评估方法及装置 | |
| CN111006879B (zh) | 一种面向港口环境的人机混驾自动驾驶的测试方法及其测试平台 | |
| CN109901546B (zh) | 辅助驾驶车辆硬件在环仿真测试方法和*** | |
| Chen et al. | Autonomous vehicle testing and validation platform: Integrated simulation system with hardware in the loop | |
| CN112997060A (zh) | 用于修改自主车辆的控制单元的方法和*** | |
| CN111795832B (zh) | 一种智能驾驶车辆测试方法、装置及设备 | |
| Belbachir et al. | Simulation-driven validation of advanced driving-assistance systems | |
| CN112115600A (zh) | 一种自动驾驶车辆的仿真*** | |
| CN111781855A (zh) | 一种交通在环自动驾驶仿真*** | |
| CN113515105A (zh) | 用于车辆预期功能安全仿真测试的平台、方法及存储介质 | |
| CN112819968B (zh) | 基于混合现实的自动驾驶车辆的测试方法和装置 | |
| WO2020079698A1 (en) | Adas systems functionality testing | |
| CN109461342B (zh) | 一种用于无人驾驶机动车的教学***及其教学方法 | |
| US20220198107A1 (en) | Simulations for evaluating driving behaviors of autonomous vehicles | |
| CN112015164A (zh) | 基于数字孪生的智能网联汽车复杂测试场景实现*** | |
| CN114047742B (zh) | 一种智能领航高级辅助驾驶硬件在环测试***及方法 | |
| CN113887037B (zh) | 一种不同渗透率的网联环境下自动驾驶***测评方法 | |
| US20220204009A1 (en) | Simulations of sensor behavior in an autonomous vehicle | |
| CN112612288B (zh) | 一种用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法 | |
| CN112651132B (zh) | 一种用于自动驾驶车辆误操作的预期功能安全风险评估方法 | |
| Lengyel et al. | Test scenario for road sign recognition systems with special attention on traffic sign anomalies |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230105 Address after: 215000 floor 11, building 5, No. 2266, Taiyang Road, high speed railway new town, Xiangcheng District, Suzhou City, Jiangsu Province Patentee after: SUZHOU AUTOMOTIVE RESEARCH INSTITUTE TSINGHUA University (XIANGCHENG) Patentee after: TSINGHUA University Address before: 215134 Zhongqi Zero building, aigehao Road, Xiangcheng District, Suzhou City, Jiangsu Province Patentee before: SUZHOU AUTOMOTIVE RESEARCH INSTITUTE TSINGHUA University (XIANGCHENG) |