CN113092133A - 一种基于高斯聚类的超声波雷达在环自动驾驶测试方法 - Google Patents
一种基于高斯聚类的超声波雷达在环自动驾驶测试方法 Download PDFInfo
- Publication number
- CN113092133A CN113092133A CN202110370761.6A CN202110370761A CN113092133A CN 113092133 A CN113092133 A CN 113092133A CN 202110370761 A CN202110370761 A CN 202110370761A CN 113092133 A CN113092133 A CN 113092133A
- Authority
- CN
- China
- Prior art keywords
- scene
- test
- vehicle
- ultrasonic
- parking
- 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
- 238000010998 test method Methods 0.000 title claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 155
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000004088 simulation Methods 0.000 claims abstract description 27
- 239000000203 mixture Substances 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 24
- 239000006185 dispersion Substances 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 20
- 241001465754 Metazoa Species 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 12
- 230000003068 static effect Effects 0.000 claims description 9
- 230000004888 barrier function Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 claims description 3
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 239000011358 absorbing material Substances 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 231100001261 hazardous Toxicity 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 3
- 239000000725 suspension Substances 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000002759 z-score normalization Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 239000000463 material Substances 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/52004—Means for monitoring or calibrating
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于高斯聚类的超声波雷达在环自动驾驶测试方法,利用高斯混合模型确定超声波雷达工作时的危险场景,利用Prescan等虚拟仿真平台搭建危险场景,在测试环路中引进真实超声波雷达增强测试可靠性,超声波雷达接受的回波信号采用回波模拟器来生成,利用Carsim软件和Simulink融入车辆的控制算法来联合进行仿真测试最终得到测试结果以评判自动驾驶汽车控制算法的可靠性与安全性;本方法克服了实际场地测试所带来的不便利、不经济的缺陷,有效降低了人力物力成本,大幅度的提高了测试效率。
Description
技术领域
本发明涉及自动驾驶汽车在环测试方法领域,具体涉及一种基于高斯聚类的超声波雷达在环自动驾驶测试方法。
背景技术
自动驾驶技术中自动泊车是不可分割的一环,现在市面上的自动泊车***大多涉及超声波雷达传感器。如何可靠的测试自动驾驶汽车控制算法的可靠性成为比较重要的问题。传统的场地测试局限性较大,采用合适的仿真方法来对车辆进行测试成为了待解决的问题。
超声波雷达利用超声波测距原理,固定在车身上的超声波雷达在汽车自动泊车时向周围发出超声波信号,并且在遇到障碍物时接收反射回来的回波信号从而得到障碍物的具***置,以生成泊车路径,使得与障碍物之间的距离小于规定距离,从而实现规避障碍物,安全泊车。
传统的场地测试方法需要人工建立各个场景,消耗的人力、物力较大,容易造成资源浪费,测试效率低下。而且由于无法脱离人的因素,测试时存在较大的安全隐患。虚拟场景测试能够很好的规避这些缺陷,但是缺少真实传感器,忽略了传感器本身的误差,不易得到更加精确的测试结果。
现存的一些硬件在环测试存在着场景确定过于复杂、易造成重复测试等问题,不够便捷与准确,如何更加便捷、高效、准确的得到测试数据以提高真实性与可信度成为待解决的问题。
发明内容
本发明提供了一种基于高斯聚类的超声波雷达在环自动驾驶测试方法以实现对于自动驾驶汽车自动泊车控制算法的测试,既克服了人工测试的效率低下与安全问题,还解决了虚拟测试对于传感器本身的忽视,能够得到更加精准的测试结果。同时优化了测试时危险场景的确定方法,有利于得到算法在最危险工况下的实际工作情况,从而提高测试的便捷性与可靠性。
本发明是通过如下技术方案实现的:
一种基于高斯聚类的超声波雷达在环自动驾驶测试方法,使用一种硬件在环自动驾驶测试设备,包括CAN总线、电脑、超声波雷达传感器、超声波回波模拟器、快速控制原型;CAN总线用于传递数据连接测试平台各装置;电脑用于运行生成危险场景的软件Prescan;超声波雷达传感器用于发出、接收超声波信号;超声波回波模拟器用于模拟超声波雷达发出的超声波遇到障碍物时反射回来的回波信号;快速控制原型主要用于融入车辆的控制算法,对于超声波雷达接收的信号进行处理转换为车辆运行的速度与距离信息,对于车辆进行控制并将更新后的车辆位置、速度状态传回回波模拟器,从而形成闭环;本方法步骤如下:
步骤一:提取现有的车辆泊车数据,确定构成测试场景的要素
将本车速度、环境温度和相对距离作为构成自动泊车测试场景的基本要素:
本车速度指的是汽车泊车时车辆相对于地面运动的平均速度;
环境温度指的是泊车场景的环境温度;
相对距离指的是汽车泊车起始位置与车位的相对距离;
泊车情况分为三种:平行泊车、垂直泊车、和斜向泊车;
平行泊车即车辆由一定位置,通过横向运动和纵向运动,使得车辆由初始位置,最终平行停到车位内;
垂直泊车即车辆由一定位置,通过横向运动和纵向运动,使得车辆由初始位置,最终垂直停到车位内;
斜向泊车即车辆由一定位置,通过横向运动和纵向运动,使得车辆由初始位置,最终斜向停到车位内;
在泊车时,会出现突发现象:有人员、车辆或者动物突然闯入预规划路径、泊车车位周围障碍物由静止突然移动的情况;
人员、车辆或者动物突然闯入预规划路径指的是在在自动泊车控制算法已经规划完毕的泊车线路上突然有人员、车辆、动物的闯入,导致出现无法完成安全泊车的情况;
泊车车位周围障碍物由静止突然移动指的是环绕车位的车辆、标志筒、护栏在车辆泊车时由原来相对于车位静止突然变为相对于车位的移动,根据超声波雷达的探测机理,测距是通过障碍物反射超声波来探测距离的,因此,在自动泊车过程进行时,车位周围的障碍物如果移动将有可能导致测距不准或者无法测距,因此考虑周围障碍物移动的情况,采用周围障碍物相对车位的位置作为考量周围障碍物是否相对于车位发生了移动的参数;
综上,组成自动泊车测试场景的要素就有:车辆的平均速度v、场景的环境温度t、车辆起始位置距车位距离s、泊车方式以及车位周围障碍物相对于车位的位置;
步骤二:搭建测试场景,进行模拟测试,提取模拟测试数据
首先对超声波雷达硬件在环测试场景要素的参数进行离散化处理,由于温度每升高1K,声速改变0.17%,所以影响超声波雷达精度的主要因素为环境温度,由于现在市场上大多数的超声波雷达传感器都有一定的温度补偿功能,为了使环境温度的影响更加的明显,选取3K为步长,从243K-313K每3K设定一个环境温度,并在此环境温度下输入其他的场景参数,这样就使得测试数据得以离散,不会出现连续的测试数据导致处理困难;
将步骤一中确定的测试场景的要素的参数数据提取输入Prescan,车辆的平均速度v在Prescan中的车辆模型参数里进行设置;场景的环境温度t在Prescan中的“天气”里设置;车辆起始位置距离车位的距离s在Prescan编辑界面内通过距离设定功能来设置;泊车方式通过Prescan中已有的泊车方式模型来搭建;车位周围障碍物及其在车辆泊车过程中是否相对车位位置发生了运动的情况通过在Prescan加入人员、车辆或者动物并且设定其位移、速度、加速度曲线来设置;如上所述建立测试场景,在Prescan中开启“Simulink”,从Simulink界面里输入待测车辆的自动泊车控制算法,然后在Prescan中的车辆模型设置界面中输入待测车辆的车辆动力学模型参数,包括:尺寸参数轮距、轴距;车辆质量;车辆悬架弹簧刚度特性;车辆传动系参数;车辆所处坐标平面为Prescan编辑界面自带坐标平面;
设定上述参数后,在Prescan中开启模拟测试;测试p次,测试项目为m项,测试项目根据中国智能网联汽车产业创新联盟和全国汽标委智能网联汽车分技术委员会于2018年联合发布的《智能网联汽车自动驾驶功能测试规程(试行)》来确定,得到一个p×m的测试数据矩阵T=(tij)p×m,其中tij为测试矩阵T中第i行第j列的数据;
以车辆在泊车过程中是否发生碰撞为评判标准,发生碰撞即为发生事故,将发生事故时的工况找出,提取发生事故时的被测车辆所处的测试场景的场景参数测试数据,将其定义为危险参数集,用矩阵T'表示,有n次测试发生了事故,测试项目为m项,将其记作T'=(t'ij)n×m,其中t'ij为矩阵T'中第i行第j列的数据;理想情况是危险参数集中的参数应当服从高斯分布,但是由于一些无法预见的原因可能导致分布呈一个偏态高斯分布,偏离真实情况,因此需要对危险参数集进行处理,采用高斯滤波;高斯滤波使用Matlab里的高斯滤波器来完成,将需要滤波的矩阵T'=(t'ij)n×m输入,即可得到滤波完毕的危险参数集,用矩阵Z表示,Z=(zij)n×m,其中Zij为矩阵Z中第i行第j列的数据;
由于矩阵Z=(zij)n×m中的参数值范围差异大,采用Z-score Normalization方法对矩阵Z=(zij)n×m进行标准化处理:
计算均值zjmean:
计算标准差
式中:xj为危险参数集X的第j列参数列向量;
Zj为高斯滤波处理后的第j列危险参数列向量;
Sj为高斯滤波处理后的第j列危险参数列向量的标准差;
j为矩阵Z的第j列,j=1,2,…,m;m为测试项目的数目,也是矩阵Z的总列数
得到预处理后的自动泊车场景危险参数集X:
X=[x1,x2,…xm]
其中的每一行向量xi(i=1,2,…,n)为每个测试用例所对应的参数向量;
步骤三:将预处理后的自动泊车场景危险参数集X以高斯混合模型进行聚类
根据步骤二中得出的预处理后的自动泊车场景危险参数集X计算组内残差平方和:
式中x'为随机选择的聚类中心;
确定聚类中心数目,组内残差平方和变化速率的拐点数l即为聚类中心的数目;
如果聚类中心数目l为1,直接对危险参数进行单高斯模型聚类:
当聚类中心数目大于1时,应用EM算法对预处理后的危险参数集X里面的危险参数进行高斯混合模型聚类,将预处理后的危险参数集X里的危险参数分解成多个高斯概率密度函数组成的模型:
θ是高斯混合模型的参数,包括的k个高斯模型的权重αk和模型参数θk,θk包括均值μk和标准差σk,k为单个高斯模型的个数;
通过极大似然法可对θ进行估计:
θ*=argmaxL(θ)
应用EM迭代算法对上述式子进行求解:
E-step:计算Q函数,Q函数代表给定p轮迭代的参数θp之后高斯混合模型G(x|θp)与给定数αk、μk、σk据之间的相似程度
式中,γik称后概率事件,即表示第i个观测数据来自第k个高斯函数的概率:
M-step:最大化Q函数,当计算第(p+1)步的参数θp+1时,只需要对第p步的αk、μk、σk求偏导并使其等于0,就可以使得Q函数极大化;
重复进行EM算法的E-step和M-step直至模型收敛即可得到高斯混合模型G(x|θ);
通过上述高斯混合模型,得到标准差σk和均值μk;
步骤四:计算场景参数离散程度
场景参数的离散程度表征了场景危险程度,被测危险参数分布越离散,表征该参数下的场景越危险,因此需根据步骤三所得的高斯混合模型计算场景参数的离散度;
定义第k个高斯模型的离散度dhk:
式中:μk为高斯公布均值;μmean为除k=1外的聚类中心均值;ω为权重系数;
用熵值法计算权重系数,由于熵值法计算采用的是各个方案某一指标占同一指标综合的比值,因此不存在量纲的影响,不需要标准化处理,若数据中有负数,就需要对数据进行非负化处理,此外,为了避免求熵值时,对数的无意义,需要进行数据平移,对于预处理后的危险参数集X,处理后得到的矩阵为R,处理过程如下所示:
由此将场景测试数据矩阵转化为标准化场景测试数据矩阵R=(rij)m×n
计算评价指标的熵:
对于n次测试,m项测试指标,第i个测试指标的熵定义为:
式中M=(ln n)-1;
并假定,当fij=0,fijln fij=0;
在求出测试指标的熵后,求测试指标的熵权,第i个指标的熵权ωi定义为:
熵权ωi应该满足:
将熵权带入离散度计算式中,由此得到离散度dhk
定义衡量危险参数覆盖范围的指标为危险域范围,将第k个危险域范围记作sk:
步骤五:计算危险场景率,选定危险场景参数
由于影响一个场景的危险程度主要由危险域离散程度和危险域范围来表征,但是单单从这两个数据无法更加直观的表征出场景的危险程度,因此,定义危险场景率Rd,将危险域离散程度和危险域范围结合来作为量化场景危险程度的指标;
危险场景率Rd如下所示:
式中:s1为k=1时的危险域范围;
smin为理论最小危险域范围;
危险场景率Rd越小,所测试的自动泊车算法在给定的场景下安全性越好,危险场景率Rd的下限值为1,如果Rd值超过1.5,算法的安全性就较差,需要进一步调整与优化处理,因此选取Rd值大于等于1.5的场景及其参数,作为测试所用场景;
步骤六:建立危险场景
提取Rd值大于等于1.5的场景中的三个基本参数矩阵A、B、C,将参数在Prescan中输入,生成测试所用场景;
步骤七:超声波雷达硬件在环测试
基于上述危险场景强化生成方法及自动泊车安全性聚类评价指标,利用Prescan搭建超声波雷达工作时的虚拟危险场景;建立超声波回波模拟器,选取合适的硬件组成回波模拟装置,用以实现目标回波信号的模拟;建立超声波暗室,周围采用吸波材料,防止周围的障碍物对于测试结果产生较大的影响;超声波暗室中置有超声波雷达和雷达转台,雷达转台通过Labview软件进行控制,可以旋转雷达,改变目标的方位角;建立超声波雷达信号收发器,可以采集超声波信号,将采集的超声波信号转化为电信号发送到超声波回波模拟器;基于电信号,通过模拟超声波传感器实现与ECU通信,实现超声波传感器的模拟;将超声波传感器注入,超声波回波模拟器接收超声波传感器所发出的信号,根据车辆动力学模型产生的已有障碍物距离和车辆速度信息加入可控制的时间延迟,再将其发射出去,超声波雷达接收到回波信号后根据发射信号与收到信号的时间差t,计算出超声波探头与障碍物之间的距离s:
式中:s为所测距离,单位为m;
t为超声波雷达发射信号与收到信号的时间差,单位为s;
v声为超声波的传播速度,单位为-m/s
由于在超声波暗室中,温度的变化较为难以用装置来模拟,因此采用公式根据所搭设场景中的温度信息对超声波的传播速度进行补偿:
v声=331.3+0.6×T
式中:T为场景中的空气温度,单位为℃;由此实现对超声波探测距离的模拟;通过模拟12路超声波的收发信号,实现距离仿真和数据通信;建立快速控制原型***,快速控制原型***选用NI公司的PXIe-8880板卡和PXIe-8513板卡,PXIe-8880板卡用于运行雷达目标筛选程序、AEB等ADAS***程序和Carsim汽车动力学模型,PXIe-8513板卡为CAN卡,用于数据传输的各个模块之间均利用CAN总线连接,形成测试环路;超声波雷达硬件在环测试过程可在显示屏上进行可视化体现;
根据上述步骤进行超声波雷达硬件在环测试,获取测试结果。
与现有技术相比本实用新型的有益效果是:
本方法因为采用高斯聚类来确定场景的危险指标,从而建立自动泊车的危险场景,所以减少了测试的数量,较好的解决了了测试冗余、测试进程缓慢的问题;由于测试过程中引入了真实的超声波雷达,相对于模拟测试具有更高的精度,同时又很好的解决了传统场地测试无法可靠的评判自动泊车算法是否安全的问题。
附图说明
下面结合附图对本发明作进一步的说明:
图1为本发明所述的一种基于高斯聚类的超声波雷达在环自动驾驶测试方法的流程简图;
图2为实际生活中的主要三种泊车情形;
图3为本方法中危险参数预处理的流程图;
图4为本方法中危险参数聚类的流程图;
具体实施方式
下面结合附图对本发明作详细的描述:
本发明提供了一种基于高斯聚类的超声波雷达在环自动驾驶测试方法,使用一种硬件在环自动驾驶测试设备,包括CAN总线、电脑、超声波雷达传感器、超声波回波模拟器、快速控制原型;CAN总线用于传递数据连接测试平台各装置;电脑用于运行生成危险场景的软件Prescan;超声波雷达传感器用于发出、接收超声波信号;超声波回波模拟器用于模拟超声波雷达发出的超声波遇到障碍物时反射回来的回波信号;快速控制原型主要用于融入车辆的控制算法,对于超声波雷达接收的信号进行处理转换为车辆运行的速度与距离信息,对于车辆进行控制并将更新后的车辆位置、速度状态传回回波模拟器,从而形成闭环;本方法步骤如下:
步骤一:提取现有的车辆泊车数据,确定构成测试场景的要素
将本车速度、环境温度和相对距离作为构成自动泊车测试场景的基本要素:
本车速度指的是汽车泊车时车辆相对于地面运动的平均速度;
环境温度指的是泊车场景的环境温度;
相对距离指的是汽车泊车起始位置与车位的相对距离;
泊车情况分为三种:平行泊车、垂直泊车、和斜向泊车;如图2所示
平行泊车即车辆由一定位置,通过横向运动和纵向运动,使得车辆由初始位置,最终平行停到车位内;
垂直泊车即车辆由一定位置,通过横向运动和纵向运动,使得车辆由初始位置,最终垂直停到车位内;
斜向泊车即车辆由一定位置,通过横向运动和纵向运动,使得车辆由初始位置,最终斜向停到车位内;
在泊车时,会出现突发现象:有人员、车辆或者动物突然闯入预规划路径、泊车车位周围障碍物由静止突然移动的情况;
人员、车辆或者动物突然闯入预规划路径指的是在在自动泊车控制算法已经规划完毕的泊车线路上突然有人员、车辆、动物的闯入,导致出现无法完成安全泊车的情况;
泊车车位周围障碍物由静止突然移动指的是环绕车位的车辆、标志筒、护栏在车辆泊车时由原来相对于车位静止突然变为相对于车位的移动,根据超声波雷达的探测机理,测距是通过障碍物反射超声波来探测距离的,因此,在自动泊车过程进行时,车位周围的障碍物如果移动将有可能导致测距不准或者无法测距,因此考虑周围障碍物移动的情况,采用周围障碍物相对车位的位置作为考量周围障碍物是否相对于车位发生了移动的参数;
综上,组成自动泊车测试场景的要素就有:车辆的平均速度v、场景的环境温度t、车辆起始位置距车位距离s、泊车方式以及车位周围障碍物相对于车位的位置;
步骤二:搭建测试场景,进行模拟测试,提取模拟测试数据
首先对超声波雷达硬件在环测试场景要素的参数进行离散化处理,由于温度每升高1K,声速改变0.17%,所以影响超声波雷达精度的主要因素为环境温度,由于现在市场上大多数的超声波雷达传感器都有一定的温度补偿功能,为了使环境温度的影响更加的明显,选取3K为步长,从243K-313K每3K设定一个环境温度,并在此环境温度下输入其他的场景参数,这样就使得测试数据得以离散,不会出现连续的测试数据导致处理困难;
将步骤一中确定的测试场景的要素的参数数据提取输入Prescan,车辆的平均速度v在Prescan中的车辆模型参数里进行设置;场景的环境温度t在Prescan中的“天气”里设置;车辆起始位置距离车位的距离s在Prescan编辑界面内通过距离设定功能来设置;泊车方式通过Prescan中已有的泊车方式模型来搭建;车位周围障碍物及其在车辆泊车过程中是否相对车位位置发生了运动的情况通过在Prescan加入人员、车辆或者动物并且设定其位移、速度、加速度曲线来设置;如上所述建立测试场景,在Prescan中开启“Simulink”,从Simulink界面里输入待测车辆的自动泊车控制算法,然后在Prescan中的车辆模型设置界面中输入待测车辆的车辆动力学模型参数,包括:尺寸参数轮距、轴距;车辆质量;车辆悬架弹簧刚度特性;车辆传动系参数;车辆所处坐标平面为Prescan编辑界面自带坐标平面;
设定上述参数后,在Prescan中开启模拟测试;测试p次,测试项目为m项,测试项目根据中国智能网联汽车产业创新联盟和全国汽标委智能网联汽车分技术委员会于2018年联合发布的《智能网联汽车自动驾驶功能测试规程(试行)》来确定,得到一个p×m的测试数据矩阵T=(tij)p×m,其中tij为测试矩阵T中第i行第j列的数据;
以车辆在泊车过程中是否发生碰撞为评判标准,发生碰撞即为发生事故,将发生事故时的工况找出,提取发生事故时的被测车辆所处的测试场景的场景参数测试数据,将其定义为危险参数集,用矩阵T'表示,有n次测试发生了事故,测试项目为m项,将其记作T'=(t'ij)n×m,其中t'ij为矩阵T'中第i行第j列的数据;理想情况是危险参数集中的参数应当服从高斯分布,但是由于一些无法预见的原因可能导致分布呈一个偏态高斯分布,偏离真实情况,因此需要对危险参数集进行处理,采用高斯滤波;高斯滤波使用Matlab里的高斯滤波器来完成,将需要滤波的矩阵T'=(t'ij)n×m输入,即可得到滤波完毕的危险参数集,用矩阵Z表示,Z=(zij)n×m,其中Zij为矩阵Z中第i行第j列的数据;
由于矩阵Z=(zij)n×m中的参数值范围差异大,采用Z-score Normalization方法对矩阵Z=(zij)n×m进行标准化处理:
计算均值zjmean:
计算标准差
式中:xj为危险参数集X的第j列参数列向量;
Zj为高斯滤波处理后的第j列危险参数列向量;
Sj为高斯滤波处理后的第j列危险参数列向量的标准差;
j为矩阵Z的第j列,j=1,2,…,m;m为测试项目的数目,也是矩阵Z的总列数
得到预处理后的自动泊车场景危险参数集X:
X=[x1,x2,…xm]
其中的每一行向量xi(i=1,2,…,n)为每个测试用例所对应的参数向量;
步骤三:将预处理后的自动泊车场景危险参数集X以高斯混合模型进行聚类
根据步骤二中得出的预处理后的自动泊车场景危险参数集X计算组内残差平方和:
式中x'为随机选择的聚类中心;
确定聚类中心数目,组内残差平方和变化速率的拐点数l即为聚类中心的数目;
如果聚类中心数目l为1,直接对危险参数进行单高斯模型聚类:
当聚类中心数目大于1时,应用EM算法对预处理后的危险参数集X里面的危险参数进行高斯混合模型聚类,将预处理后的危险参数集X里的危险参数分解成多个高斯概率密度函数组成的模型:
θ是高斯混合模型的参数,包括的k个高斯模型的权重αk和模型参数θk,θk包括均值μk和标准差σk,k为单个高斯模型的个数;
通过极大似然法可对θ进行估计:
θ*=argmaxL(θ)
应用EM迭代算法对上述式子进行求解:
E-step:计算Q函数,Q函数代表给定p轮迭代的参数θp之后高斯混合模型G(x|θp)与给定数αk、μk、σk据之间的相似程度
式中,γik称后概率事件,即表示第i个观测数据来自第k个高斯函数的概率:
M-step:最大化Q函数,当计算第(p+1)步的参数θp+1时,只需要对第p步的αk、μk、σk求偏导并使其等于0,就可以使得Q函数极大化;
重复进行EM算法的E-step和M-step直至模型收敛即可得到高斯混合模型G(x|θ);
通过上述高斯混合模型,得到标准差σk和均值μk;
步骤四:计算场景参数离散程度
场景参数的离散程度表征了场景危险程度,被测危险参数分布越离散,表征该参数下的场景越危险,因此需根据步骤三所得的高斯混合模型计算场景参数的离散度;
定义第k个高斯模型的离散度dhk:
式中:μk为高斯公布均值;μmean为除k=1外的聚类中心均值;ω为权重系数;
用熵值法计算权重系数,由于熵值法计算采用的是各个方案某一指标占同一指标综合的比值,因此不存在量纲的影响,不需要标准化处理,若数据中有负数,就需要对数据进行非负化处理,此外,为了避免求熵值时,对数的无意义,需要进行数据平移,对于预处理后的危险参数集X,处理后得到的矩阵为R,处理过程如下所示:
由此将场景测试数据矩阵转化为标准化场景测试数据矩阵R=(rij)m×n
计算评价指标的熵:
对于n次测试,m项测试指标,第i个测试指标的熵定义为:
式中M=(ln n)-1;
并假定,当fij=0,fijln fij=0;
在求出测试指标的熵后,求测试指标的熵权,第i个指标的熵权ωi定义为:
熵权ωi应该满足:
将熵权带入离散度计算式中,由此得到离散度dhk
定义衡量危险参数覆盖范围的指标为危险域范围,将第k个危险域范围记作sk:
步骤五:计算危险场景率,选定危险场景参数
由于影响一个场景的危险程度主要由危险域离散程度和危险域范围来表征,但是单单从这两个数据无法更加直观的表征出场景的危险程度,因此,定义危险场景率Rd,将危险域离散程度和危险域范围结合来作为量化场景危险程度的指标;
危险场景率Rd如下所示:
式中s1为k=1时的危险域范围;
smin为理论最小危险域范围;
危险场景率Rd越小,所测试的自动泊车算法在给定的场景下安全性越好,危险场景率Rd的下限值为1,如果Rd值超过1.5,算法的安全性就较差,需要进一步调整与优化处理,因此选取Rd值大于等于1.5的场景及其参数,作为测试所用场景;
步骤六:建立危险场景
提取Rd值大于等于1.5的场景中的三个基本参数矩阵A、B、C,将参数在Prescan中输入,生成测试所用场景;
步骤七:超声波雷达硬件在环测试
基于上述危险场景强化生成方法及自动泊车安全性聚类评价指标,利用Prescan搭建超声波雷达工作时的虚拟危险场景;建立超声波回波模拟器,选取合适的硬件组成回波模拟装置,用以实现目标回波信号的模拟;建立超声波暗室,周围采用吸波材料,防止周围的障碍物对于测试结果产生较大的影响;超声波暗室中置有超声波雷达和雷达转台,雷达转台通过Labview软件进行控制,可以旋转雷达,改变目标的方位角;建立超声波雷达信号收发器,可以采集超声波信号,将采集的超声波信号转化为电信号发送到超声波回波模拟器;基于电信号,通过模拟超声波传感器实现与ECU通信,实现超声波传感器的模拟;将超声波传感器注入,超声波回波模拟器接收超声波传感器所发出的信号,根据车辆动力学模型产生的已有障碍物距离和车辆速度信息加入可控制的时间延迟,再将其发射出去,超声波雷达接收到回波信号后根据发射信号与收到信号的时间差t,计算出超声波探头与障碍物之间的距离s:
式中s为所测距离,单位为m;
t为超声波雷达发射信号与收到信号的时间差,单位为s;
v声为超声波的传播速度,单位为-m/s
由于在超声波暗室中,温度的变化较为难以用装置来模拟,因此采用公式根据所搭设场景中的温度信息对超声波的传播速度进行补偿:
v声=331.3+0.6×T
式中:T为场景中的空气温度,单位为℃;由此实现对超声波探测距离的模拟;通过模拟12路超声波的收发信号,实现距离仿真和数据通信;建立快速控制原型***,快速控制原型***选用NI公司的PXIe-8880板卡和PXIe-8513板卡,PXIe-8880板卡用于运行雷达目标筛选程序、AEB等ADAS***程序和Carsim汽车动力学模型,PXIe-8513板卡为CAN卡,用于数据传输的各个模块之间均利用CAN总线连接,形成测试环路;超声波雷达硬件在环测试过程可在显示屏上进行可视化体现;
根据上述步骤进行超声波雷达硬件在环测试,获取测试结果。
Claims (1)
1.一种基于高斯聚类的超声波雷达在环自动驾驶测试方法,使用一种硬件在环自动驾驶测试设备,包括CAN总线、电脑、超声波雷达传感器、超声波回波模拟器、快速控制原型;CAN总线用于传递数据连接测试平台各装置;电脑用于运行生成危险场景的软件Prescan;超声波雷达传感器用于发出、接收超声波信号;超声波回波模拟器用于模拟超声波雷达发出的超声波遇到障碍物时反射回来的回波信号;快速控制原型主要用于融入车辆的控制算法,对于超声波雷达接收的信号进行处理转换为车辆运行的速度与距离信息,对于车辆进行控制并将更新后的车辆位置、速度状态传回回波模拟器,从而形成闭环;其特征在于,本方法步骤如下:
步骤一:提取现有的车辆泊车数据,确定构成测试场景的要素
将本车速度、环境温度和相对距离作为构成自动泊车测试场景的基本要素:
本车速度指的是汽车泊车时车辆相对于地面运动的平均速度;
环境温度指的是泊车场景的环境温度;
相对距离指的是汽车泊车起始位置与车位的相对距离;
泊车情况分为三种:平行泊车、垂直泊车、和斜向泊车;
平行泊车即车辆由一定位置,通过横向运动和纵向运动,使得车辆由初始位置,最终平行停到车位内;
垂直泊车即车辆由一定位置,通过横向运动和纵向运动,使得车辆由初始位置,最终垂直停到车位内;
斜向泊车即车辆由一定位置,通过横向运动和纵向运动,使得车辆由初始位置,最终斜向停到车位内;
在泊车时,会出现突发现象:有人员、车辆或者动物突然闯入预规划路径、泊车车位周围障碍物由静止突然移动的情况;
人员、车辆或者动物突然闯入预规划路径指的是在在自动泊车控制算法已经规划完毕的泊车线路上突然有人员、车辆、动物的闯入,导致出现无法完成安全泊车的情况;
泊车车位周围障碍物由静止突然移动指的是环绕车位的车辆、标志筒、护栏在车辆泊车时由原来相对于车位静止突然变为相对于车位的移动,根据超声波雷达的探测机理,测距是通过障碍物反射超声波来探测距离的,因此,在自动泊车过程进行时,车位周围的障碍物如果移动将有可能导致测距不准或者无法测距,因此考虑周围障碍物移动的情况,采用周围障碍物相对车位的位置作为考量周围障碍物是否相对于车位发生了移动的参数;
综上,组成自动泊车测试场景的要素就有:车辆的平均速度v、场景的环境温度t、车辆起始位置距车位距离s、泊车方式以及车位周围障碍物相对于车位的位置;
步骤二:搭建测试场景,进行模拟测试,提取模拟测试数据
首先对超声波雷达硬件在环测试场景要素的参数进行离散化处理,由于温度每升高1K,声速改变0.17%,所以影响超声波雷达精度的主要因素为环境温度,由于现在市场上大多数的超声波雷达传感器都有一定的温度补偿功能,为了使环境温度的影响更加的明显,选取3K为步长,从243K-313K每3K设定一个环境温度,并在此环境温度下输入其他的场景参数,这样就使得测试数据得以离散,不会出现连续的测试数据导致处理困难;
将步骤一中确定的测试场景的要素的参数数据提取输入Prescan,车辆的平均速度v在Prescan中的车辆模型参数里进行设置;场景的环境温度t在Prescan中的“天气”里设置;车辆起始位置距离车位的距离s在Prescan编辑界面内通过距离设定功能来设置;泊车方式通过Prescan中已有的泊车方式模型来搭建;车位周围障碍物及其在车辆泊车过程中是否相对车位位置发生了运动的情况通过在Prescan加入人员、车辆或者动物并且设定其位移、速度、加速度曲线来设置;如上所述建立测试场景,在Prescan中开启“Simulink”,从Simulink界面里输入待测车辆的自动泊车控制算法,然后在Prescan中的车辆模型设置界面中输入待测车辆的车辆动力学模型参数,包括:尺寸参数轮距、轴距;车辆质量;车辆悬架弹簧刚度特性;车辆传动系参数;车辆所处坐标平面为Prescan编辑界面自带坐标平面;
设定上述参数后,在Prescan中开启模拟测试;测试p次,测试项目为m项,测试项目根据中国智能网联汽车产业创新联盟和全国汽标委智能网联汽车分技术委员会于2018年联合发布的《智能网联汽车自动驾驶功能测试规程(试行)》来确定,得到一个p×m的测试数据矩阵T=(tij)p×m,其中tij为测试矩阵T中第i行第j列的数据;
以车辆在泊车过程中是否发生碰撞为评判标准,发生碰撞即为发生事故,将发生事故时的工况找出,提取发生事故时的被测车辆所处的测试场景的场景参数测试数据,将其定义为危险参数集,用矩阵T'表示,有n次测试发生了事故,测试项目为m项,将其记作T'=(t'ij)n×m,其中t′ij为矩阵T'中第i行第j列的数据;理想情况是危险参数集中的参数应当服从高斯分布,但是由于一些无法预见的原因可能导致分布呈一个偏态高斯分布,偏离真实情况,因此需要对危险参数集进行处理,采用高斯滤波;高斯滤波使用Matlab里的高斯滤波器来完成,将需要滤波的矩阵T'=(t'ij)n×m输入,即可得到滤波完毕的危险参数集,用矩阵Z表示,Z=(zij)n×m,其中Zij为矩阵Z中第i行第j列的数据;
由于矩阵Z=(zij)n×m中的参数值范围差异大,采用Z-score Normalization方法对矩阵Z=(zij)n×m进行标准化处理:
计算均值zjmean:
计算标准差
式中:xj为危险参数集X的第j列参数列向量;
Zj为高斯滤波处理后的第j列危险参数列向量;
Sj为高斯滤波处理后的第j列危险参数列向量的标准差;
j为矩阵Z的第j列,j=1,2,…,m;m为测试项目的数目,也是矩阵Z的总列数
得到预处理后的自动泊车场景危险参数集X:
X=[x1,x2,…xm]
其中的每一行向量xi(i=1,2,…,n)为每个测试用例所对应的参数向量;
步骤三:将预处理后的自动泊车场景危险参数集X以高斯混合模型进行聚类
根据步骤二中得出的预处理后的自动泊车场景危险参数集X计算组内残差平方和:
式中x'为随机选择的聚类中心;
确定聚类中心数目,组内残差平方和变化速率的拐点数l即为聚类中心的数目;
如果聚类中心数目l为1,直接对危险参数进行单高斯模型聚类:
当聚类中心数目大于1时,应用EM算法对预处理后的危险参数集X里面的危险参数进行高斯混合模型聚类,将预处理后的危险参数集X里的危险参数分解成多个高斯概率密度函数组成的模型:
θ是高斯混合模型的参数,包括的k个高斯模型的权重αk和模型参数θk,θk包括均值μk和标准差σk,k为单个高斯模型的个数;
通过极大似然法可对θ进行估计:
θ*=argmaxL(θ)
应用EM迭代算法对上述式子进行求解:
E-step:计算Q函数,Q函数代表给定p轮迭代的参数θp之后高斯混合模型G(x|θp)与给定数αk、μk、σk据之间的相似程度
式中,γik称后概率事件,即表示第i个观测数据来自第k个高斯函数的概率:
M-step:最大化Q函数,当计算第(p+1)步的参数θp+1时,只需要对第p步的αk、μk、σk求偏导并使其等于0,就可以使得Q函数极大化;
重复进行EM算法的E-step和M-step直至模型收敛即可得到高斯混合模型G(x|θ);
通过上述高斯混合模型,得到标准差σk和均值μk;
步骤四:计算场景参数离散程度
场景参数的离散程度表征了场景危险程度,被测危险参数分布越离散,表征该参数下的场景越危险,因此需根据步骤三所得的高斯混合模型计算场景参数的离散度;
定义第k个高斯模型的离散度dhk:
式中:μk为高斯公布均值;μmean为除k=1外的聚类中心均值;ω为权重系数;
用熵值法计算权重系数,由于熵值法计算采用的是各个方案某一指标占同一指标综合的比值,因此不存在量纲的影响,不需要标准化处理,若数据中有负数,就需要对数据进行非负化处理,此外,为了避免求熵值时,对数的无意义,需要进行数据平移,对于预处理后的危险参数集X,处理后得到的矩阵为R,处理过程如下所示:
由此将场景测试数据矩阵转化为标准化场景测试数据矩阵R=(rij)m×n
计算评价指标的熵:
对于n次测试,m项测试指标,第i个测试指标的熵定义为:
式中M=(lnn)-1;
并假定,当fij=0,fijln fij=0;
在求出测试指标的熵后,求测试指标的熵权,第i个指标的熵权ωi定义为:
熵权ωi应该满足:
将熵权带入离散度计算式中,由此得到离散度dhk
定义衡量危险参数覆盖范围的指标为危险域范围,将第k个危险域范围记作sk:
步骤五:计算危险场景率,选定危险场景参数
由于影响一个场景的危险程度主要由危险域离散程度和危险域范围来表征,但是单单从这两个数据无法更加直观的表征出场景的危险程度,因此,定义危险场景率Rd,将危险域离散程度和危险域范围结合来作为量化场景危险程度的指标;
危险场景率Rd如下所示:
式中:s1为k=1时的危险域范围;
smin为理论最小危险域范围;
危险场景率Rd越小,所测试的自动泊车算法在给定的场景下安全性越好,危险场景率Rd的下限值为1,如果Rd值超过1.5,算法的安全性就较差,需要进一步调整与优化处理,因此选取Rd值大于等于1.5的场景及其参数,作为测试所用场景;
步骤六:建立危险场景
提取Rd值大于等于1.5的场景中的三个基本参数矩阵A、B、C,将参数在Prescan中输入,生成测试所用场景;
步骤七:超声波雷达硬件在环测试
基于上述危险场景强化生成方法及自动泊车安全性聚类评价指标,利用Prescan搭建超声波雷达工作时的虚拟危险场景;建立超声波回波模拟器,选取合适的硬件组成回波模拟装置,用以实现目标回波信号的模拟;建立超声波暗室,周围采用吸波材料,防止周围的障碍物对于测试结果产生较大的影响;超声波暗室中置有超声波雷达和雷达转台,雷达转台通过Labview软件进行控制,可以旋转雷达,改变目标的方位角;建立超声波雷达信号收发器,可以采集超声波信号,将采集的超声波信号转化为电信号发送到超声波回波模拟器;基于电信号,通过模拟超声波传感器实现与ECU通信,实现超声波传感器的模拟;将超声波传感器注入,超声波回波模拟器接收超声波传感器所发出的信号,根据车辆动力学模型产生的已有障碍物距离和车辆速度信息加入可控制的时间延迟,再将其发射出去,超声波雷达接收到回波信号后根据发射信号与收到信号的时间差t,计算出超声波探头与障碍物之间的距离s:
式中:s为所测距离,单位为m;
t为超声波雷达发射信号与收到信号的时间差,单位为s;
v声为超声波的传播速度,单位为-m/s
由于在超声波暗室中,温度的变化较为难以用装置来模拟,因此采用公式根据所搭设场景中的温度信息对超声波的传播速度进行补偿:
v声=331.3+0.6×T
式中:T为场景中的空气温度,单位为℃;由此实现对超声波探测距离的模拟;通过模拟12路超声波的收发信号,实现距离仿真和数据通信;建立快速控制原型***,快速控制原型***选用NI公司的PXIe-8880板卡和PXIe-8513板卡,PXIe-8880板卡用于运行雷达目标筛选程序、AEB等ADAS***程序和Carsim汽车动力学模型,PXIe-8513板卡为CAN卡,用于数据传输的各个模块之间均利用CAN总线连接,形成测试环路;超声波雷达硬件在环测试过程可在显示屏上进行可视化体现;
根据上述步骤进行超声波雷达硬件在环测试,获取测试结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110370761.6A CN113092133B (zh) | 2021-04-07 | 2021-04-07 | 一种基于高斯聚类的超声波雷达在环自动驾驶测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110370761.6A CN113092133B (zh) | 2021-04-07 | 2021-04-07 | 一种基于高斯聚类的超声波雷达在环自动驾驶测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113092133A true CN113092133A (zh) | 2021-07-09 |
CN113092133B CN113092133B (zh) | 2024-03-22 |
Family
ID=76674595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110370761.6A Active CN113092133B (zh) | 2021-04-07 | 2021-04-07 | 一种基于高斯聚类的超声波雷达在环自动驾驶测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113092133B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113722566A (zh) * | 2021-08-18 | 2021-11-30 | 南斗六星***集成有限公司 | 一种自动驾驶车辆功能稳定性评定的方法 |
CN115145246A (zh) * | 2022-06-27 | 2022-10-04 | 小米汽车科技有限公司 | 控制器的测试方法、装置、车辆、存储介质及芯片 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108121205A (zh) * | 2017-12-13 | 2018-06-05 | 深圳市航盛电子股份有限公司 | 一种用于多种泊车场景的路径规划方法、***及介质 |
CN109632332A (zh) * | 2018-12-12 | 2019-04-16 | 清华大学苏州汽车研究院(吴江) | 一种自动泊车仿真测试***及测试方法 |
WO2019192145A1 (zh) * | 2018-04-04 | 2019-10-10 | 科大讯飞股份有限公司 | 全景图的视野调整方法及装置、存储介质、电子设备 |
CN110333730A (zh) * | 2019-08-12 | 2019-10-15 | 安徽江淮汽车集团股份有限公司 | 自动驾驶算法预期功能安全的验证方法、平台及存储介质 |
US20190325672A1 (en) * | 2018-04-23 | 2019-10-24 | Ford Global Technologies, Llc | X-in-the-loop tests for self-driving motor vehicles |
CN110779730A (zh) * | 2019-08-29 | 2020-02-11 | 浙江零跑科技有限公司 | 基于虚拟驾驶场景车辆在环的l3级自动驾驶***测试方法 |
CN111580500A (zh) * | 2020-05-11 | 2020-08-25 | 吉林大学 | 一种针对自动驾驶汽车安全性的评价方法 |
CN112036001A (zh) * | 2020-07-01 | 2020-12-04 | 长安大学 | 自动驾驶测试场景构建方法、装置、设备及可读存储介质 |
-
2021
- 2021-04-07 CN CN202110370761.6A patent/CN113092133B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108121205A (zh) * | 2017-12-13 | 2018-06-05 | 深圳市航盛电子股份有限公司 | 一种用于多种泊车场景的路径规划方法、***及介质 |
WO2019192145A1 (zh) * | 2018-04-04 | 2019-10-10 | 科大讯飞股份有限公司 | 全景图的视野调整方法及装置、存储介质、电子设备 |
US20190325672A1 (en) * | 2018-04-23 | 2019-10-24 | Ford Global Technologies, Llc | X-in-the-loop tests for self-driving motor vehicles |
CN109632332A (zh) * | 2018-12-12 | 2019-04-16 | 清华大学苏州汽车研究院(吴江) | 一种自动泊车仿真测试***及测试方法 |
CN110333730A (zh) * | 2019-08-12 | 2019-10-15 | 安徽江淮汽车集团股份有限公司 | 自动驾驶算法预期功能安全的验证方法、平台及存储介质 |
CN110779730A (zh) * | 2019-08-29 | 2020-02-11 | 浙江零跑科技有限公司 | 基于虚拟驾驶场景车辆在环的l3级自动驾驶***测试方法 |
CN111580500A (zh) * | 2020-05-11 | 2020-08-25 | 吉林大学 | 一种针对自动驾驶汽车安全性的评价方法 |
CN112036001A (zh) * | 2020-07-01 | 2020-12-04 | 长安大学 | 自动驾驶测试场景构建方法、装置、设备及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
赵祥模;承靖钧;徐志刚;王文威;王润民;王冠群;朱宇;汪贵平;周豫;陈南峰: "基于整车在环仿真的自动驾驶汽车室内快速测试平台", 中国公路学报, no. 006, 31 December 2019 (2019-12-31) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113722566A (zh) * | 2021-08-18 | 2021-11-30 | 南斗六星***集成有限公司 | 一种自动驾驶车辆功能稳定性评定的方法 |
CN115145246A (zh) * | 2022-06-27 | 2022-10-04 | 小米汽车科技有限公司 | 控制器的测试方法、装置、车辆、存储介质及芯片 |
CN115145246B (zh) * | 2022-06-27 | 2024-06-11 | 小米汽车科技有限公司 | 控制器的测试方法、装置、车辆、存储介质及芯片 |
Also Published As
Publication number | Publication date |
---|---|
CN113092133B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111580500B (zh) | 一种针对自动驾驶汽车安全性的评价方法 | |
CN113092133B (zh) | 一种基于高斯聚类的超声波雷达在环自动驾驶测试方法 | |
CN100520853C (zh) | 基于单频连续波雷达的车型分类方法 | |
CN106980118A (zh) | 一种车载毫米波雷达的环境测试装置及其方法 | |
CN110988839B (zh) | 基于一维卷积神经网络的墙体健康状况的快速识别方法 | |
CN103424739A (zh) | 利用大气扩散的声学测距*** | |
CN109361678A (zh) | 一种智能网联汽车自动巡航***虚假数据注入攻击检测方法 | |
CN105956790B (zh) | 低空飞行态势安全性评估指标及其评估方法 | |
CN113419942B (zh) | 一种基于自然驾驶数据的自动驾驶安全性评价方法 | |
CN103471865A (zh) | 基于线性判别法的列车悬挂***故障分离方法 | |
CN113635897B (zh) | 一种基于风险场的安全驾驶预警方法 | |
CN105372717A (zh) | 一种基于雷达和图像信号的fod融合探测方法及装置 | |
CN106125088A (zh) | 基于激光雷达测深***确定海水深度的方法 | |
CN207114751U (zh) | 一种盲点监测***的测试装置 | |
CN107187443A (zh) | 车辆失稳预警***和方法 | |
CN109341697A (zh) | 一种无人机航路规划安全性评估方法 | |
CN105118332A (zh) | 一种基于聚类分析法的空中交通管制模拟仿真异常检测方法和装置 | |
CN116994077A (zh) | 一种复杂风场作用下飞行姿态的回归预测方法 | |
US20230305135A1 (en) | Electronic device, method for controlling electronic device, and program | |
CN115033991A (zh) | 一种用于智能驾驶汽车仿真的毫米波雷达模拟方法及装置 | |
Lindenmaier et al. | Object-Level Data-Driven Sensor Simulation for Automotive Environment Perception | |
Liu et al. | How much information is lost when sampling driving behavior data? Indicators to quantify the extent of information loss | |
CN109808492B (zh) | 一种车载雷达预警装置及预警方法 | |
CN111983332A (zh) | 基于无人机的电磁信号场型校验*** | |
CN105445741A (zh) | 一种目标定位的方法、装置及*** |
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 |