CN115979679B - 自动驾驶***实际道路测试方法、设备和存储介质 - Google Patents
自动驾驶***实际道路测试方法、设备和存储介质 Download PDFInfo
- Publication number
- CN115979679B CN115979679B CN202310280259.5A CN202310280259A CN115979679B CN 115979679 B CN115979679 B CN 115979679B CN 202310280259 A CN202310280259 A CN 202310280259A CN 115979679 B CN115979679 B CN 115979679B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- driving
- vehicle dynamics
- dynamics parameter
- 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.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及自动驾驶领域,公开了一种自动驾驶***实际道路测试方法、设备和存储介质。该方法包括:在被测车辆在实际社会道路上以自动驾驶模式行驶的过程中,实时获取驾驶环境感知数据;对所述被测车辆的行驶时段进行切分,得到多个时段,对驾驶环境感知数据进行分割,将驾驶环境感知数据分别输入到驾驶员模型中,得到拟人化的驾驶员控制数据;将拟人化的驾驶员控制数据分别输入到车辆动力学模型中,得到第一车辆动力学参数数据;将与同一时段对应的第一车辆动力学参数数据与第二车辆动力学参数数据进行比较,确定自动驾驶***的测试结果。本实施例实现了自动驾驶***实际道路测试,解决了自动驾驶***智能化性能难以测试评价的问题。
Description
技术领域
本发明涉及自动驾驶领域,尤其涉及一种自动驾驶***实际道路测试方法、设备和存储介质。
背景技术
自动驾驶不仅是车辆工程领域的研究前沿,也是未来汽车工业的发展方向,同时还是解决交通安全、能源浪费和环境污染等问题的重要技术手段。随着自动驾驶汽车进入新的纵深发展阶段,如何全面准确地测试自动驾驶***的综合性能,是当前整个汽车行业和学术界关注的研究热点。相比于传统汽车测试,对于自动驾驶汽车特有的“智能化”属性如何进行全面的测试评价,在国内外尚无普遍认同的测试自动驾驶产品的功能与性能的方案。目前最被国际社会接受认可的自动驾驶测试方法—“多支柱法”自动驾驶测试准则,即通过仿真测试、场地测试和实际道路测试等多种途径与方式进行测试,其中,实际道路测试可以较好地验证自动驾驶***在应对各种随机交通情况下的智能化的性能表现。
驾驶员模型最初是由车辆动力学工程师提出和完成的,人们称这类驾驶员模型为“虚拟测试驾驶员”,用于闭环测试和仿真,即通过操作车辆在给定或自行设定的速度下沿着指定路线行驶。中国专利202011312152.7提出一种基于驾驶员模型的测试方法及装置,通过触发匹配他车车辆对应的驾驶员模型,匹配他车车辆基于其对应的驾驶员模型行驶,以便辅助被测车辆的自动驾驶算法的测试,以实现对被测车辆性能的准确测试。但是并没有考虑如何在实际道路测试中,基于驾驶员模型进行自动驾驶***功能及性能测试,无法验证自动驾驶***在更为复杂的真实环境下的智能化性能表现。中国专利201410055985.8提出一种基于驾驶员模型的车辆转向***参数的辅助设计***和方法,整个测试过程模拟的是人的驾驶过程,通过改变转向***参数,获得汽车的状态响应,通过对状态响应的分析,优化转向***的参数,使转向***的性能更加符合人的驾驶特性。但是没有考虑自动驾驶***的整车表现,只是关注如何基于驾驶员模型开展车辆转向***的测试验证。中国专利202210432328.5提出一种基于个性化驾驶员模型的自动驾驶测试场景生成方法,以人类驾驶数据作为数据来源,通过构建个性化具有不同风格的驾驶员模型,能够有效提升测试场景的真实性和复杂性。但是没有考虑如何将驾驶员模型应用于实际道路测试的具体环节,也没有给出具体的测试***及方案。
有鉴于此,特提出本发明。
发明内容
为了解决上述技术问题,本发明提供了一种自动驾驶***实际道路测试方法、设备和存储介质,实现了自动驾驶***实际道路测试,解决了自动驾驶***智能化性能难以测试评价的问题。
本发明实施例提供了一种自动驾驶***实际道路测试方法,该方法包括:
在被测车辆在实际社会道路上以自动驾驶模式行驶的过程中,实时获取驾驶环境感知数据;
基于所述驾驶环境感知数据,按照不同的环境场景类型对所述被测车辆的行驶时段进行切分,得到多个时段,其中,不同时段对应的环境场景类型不同;
根据所述多个时段对所述驾驶环境感知数据进行分割,以确定与每个时段分别对应的子驾驶环境感知数据;
将与每个时段分别对应的子驾驶环境感知数据分别输入到驾驶员模型中,得到与每个时段分别对应的拟人化的驾驶员控制数据;
将与每个时段分别对应的拟人化的驾驶员控制数据分别输入到车辆动力学模型中,得到与每个时段分别对应的第一车辆动力学参数数据;将与同一时段对应的第一车辆动力学参数数据与第二车辆动力学参数数据进行比较,确定自动驾驶***的测试结果,其中,所述第二车辆动力学参数数据是通过对所述被测车辆中CAN总线传输的数据进行读取得到。
本发明实施例提供了一种电子设备,所述电子设备包括:
处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行任一实施例所述的自动驾驶***实际道路测试方法的步骤。
本发明实施例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程序或指令,所述程序或指令使计算机执行任一实施例所述的自动驾驶***实际道路测试方法的步骤。
本发明实施例具有以下技术效果:
提出一种基于成熟驾驶员模型的自动驾驶实际道路测试方法,可以面向自动驾驶实际道路测试随机性的挑战,充分利用成熟驾驶员模型的泛化能力,可以针对实际、随机的自动驾驶测试路线,自动生成拟人化的驾驶行为,并且通过与自动驾驶***的自动行为进行横向对比,生成自动驾驶***智能化性能方面的测试结果,较为科学地提出一种用于测试评价自动驾驶智能化性能的合理方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种自动驾驶***实际道路测试方法的流程图;
图2是本发明实施例提供的一种自动驾驶***实际道路测试***的结构示意图;
图3为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行清楚、完整的描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。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的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
本发明实施例提供的自动驾驶***实际道路测试方法,可以面向自动驾驶实际道路测试随机性的挑战,充分利用成熟驾驶员模型的泛化能力,可以针对实际、随机的自动驾驶测试路线,自动生成拟人化的驾驶行为,并且通过与自动驾驶***的自动行为进行横向对比,生成自动驾驶***智能化性能方面的测试结果,较为科学地提出一种用于测试评价自动驾驶智能化性能的合理方法。本发明实施例提供的自动驾驶***实际道路测试方法可以由电子设备执行。
图1是本发明实施例提供的一种自动驾驶***实际道路测试方法的流程图。参见图1,该自动驾驶***实际道路测试方法具体包括:
S110、在被测车辆在实际社会道路上以自动驾驶模式行驶的过程中,实时获取驾驶环境感知数据。
其中,所述驾驶环境感知数据包括被测车辆前方障碍物信息,被测车辆前方车辆信息,红绿灯信息,限速标志信息,道路曲率信息,被测车辆的位置信息,横、纵向动力学参数信息,前方车辆相较于被测车辆的相对速度以及前方车辆相较于被测车辆的相对距离中的至少一个。
所述驾驶环境感知数据由所述被测车辆中的摄像头、GPS/INS组合导航***以及毫米波雷达传感器采集得到,所述摄像头安装于所述被测车辆前挡风玻璃的内侧。具体的,所述摄像头经过标定,用来实时感知车辆前方障碍物信息、前方车辆信息、红绿灯信息、限速标志信息和道路曲率信息。所述GPS/INS组合导航***用来实时获取车辆的位置信息以及横纵向动力学参数信息。所述毫米波雷达传感器用来获取前方车辆相较于被测自动驾驶车辆的相对速度、相对距离信息。
S120、基于所述驾驶环境感知数据,按照不同的环境场景类型对所述被测车辆的行驶时段进行切分,得到多个时段,其中,不同时段对应的环境场景类型不同。
S130、根据所述多个时段对所述驾驶环境感知数据进行分割,以确定与每个时段分别对应的子驾驶环境感知数据。
其中,所述环境场景类型包括社会车辆右转弯、社会车辆左转弯、社会车辆跟车行驶、社会车辆的前方车辆切入、社会车辆的前方车辆切出、或者社会车辆变道。
换言之,将被测车辆在一个具体的环境场景中的行驶历程划分为一个时段。
通过基于所述驾驶环境感知数据,按照不同的环境场景类型对所述被测车辆的行驶时段进行切分,实现了将本次实际道路测试所经历过的测试场景进行片段化分割,获取不同环境场景所对应的起止时间。
通过按照环境场景进行分类,可以测试自动驾驶***在具体场景中的性能表现,有利于提升测试准确度以及测试覆盖度,保证测试的全面性。
S140、将与每个时段分别对应的子驾驶环境感知数据分别输入到驾驶员模型中,得到与每个时段分别对应的拟人化的驾驶员控制数据。
其中,所述拟人化的驾驶员控制数据包括油门踏板开度、制动踏板开度以及方向盘转角中的至少一个。通过驾驶员模型模拟真实驾驶员在具体环境场景下的驾驶行为,将该驾驶行为与自动驾驶***的自动驾驶行为进行比较,从而确定自动驾驶***的智能化性能表现,实现对自动驾驶***的测试。
S150、将与每个时段分别对应的拟人化的驾驶员控制数据分别输入到车辆动力学模型中,得到与每个时段分别对应的第一车辆动力学参数数据。
进一步的,为了提高驾驶行为的模拟精度,进而提高自动驾驶***的测试精度,对所述驾驶员模型进行改进,使所述驾驶员模型能够基于驾驶环境感知数据得到不同驾驶风格的拟人化的驾驶员控制数据。
对应的,所述与每个时段分别对应的拟人化的驾驶员控制数据包括:与每个时段分别对应的不同驾驶风格的拟人化的驾驶员控制数据,所述不同驾驶风格包括保守型、普通型以及激进型。
所述将与每个时段分别对应的拟人化的驾驶员控制数据分别输入到车辆动力学模型中,得到与每个时段分别对应的第一车辆动力学参数数据,包括:
将与每个时段分别对应的不同驾驶风格的拟人化的驾驶员控制数据分别输入到车辆动力学模型中,得到与每个时段分别对应的不同驾驶风格的子车辆动力学参数数据,所述不同驾驶风格的子车辆动力学参数数据组成所述第一车辆动力学参数数据。即一个时段对应有三个子车辆动力学参数数据,分别是保守型驾驶员对应的子车辆动力学参数数据,普通型驾驶员对应的子车辆动力学参数数据以及激进型驾驶员对应的子车辆动力学参数数据。
因此,需要通过一定的策略对上述三个子车辆动力学参数数据进行筛选,最终保留其中一个。示例性的,所述将与同一时段对应的第一车辆动力学参数数据与第二车辆动力学参数数据进行比较,确定自动驾驶***的测试结果之前,所述方法还包括:
将一时段所对应的不同驾驶风格的子车辆动力学参数数据分别与该一时段所对应的第二车辆动力学参数数据进行相似度计算,将相似度最大的子车辆动力学参数数据确定为该一时段对应的第一车辆动力学参数数据。
S160、将与同一时段对应的第一车辆动力学参数数据与第二车辆动力学参数数据进行比较,确定自动驾驶***的测试结果。
其中,所述第二车辆动力学参数数据是通过对所述被测车辆中CAN总线传输的数据进行读取得到。
示例性的,所述将与同一时段对应的第一车辆动力学参数数据与第二车辆动力学参数数据进行比较,确定自动驾驶***的测试结果,包括:
将与同一时段对应的第一车辆动力学参数数据与第二车辆动力学参数数据逐一进行比较,基于均方根误差确定每项指标的相似度;
将不同指标的相似度进行加权求和,获得所述测试结果;
所述第一车辆动力学参数数据与所述第二车辆动力学参数数据均包括纵向加速度、纵向急动度、横向加速度、横向急动度、横摆角以及横摆角速度中的至少一项指标。
本实施例具有以下技术效果:提出一种基于成熟驾驶员模型的自动驾驶实际道路测试方法,可以面向自动驾驶实际道路测试随机性的挑战,充分利用成熟驾驶员模型的泛化能力,可以针对实际、随机的自动驾驶测试路线,自动生成拟人化的驾驶行为,并且通过与自动驾驶***的自动行为进行横向对比,生成自动驾驶***智能化性能方面的测试结果,较为科学地提出一种用于测试评价自动驾驶智能化性能的合理方法。
在上述实施例技术方案的基础上,本发明实施例还提供了获取所述驾驶员模型的方案,目的是获取能够准确模拟不同环境场景下不同驾驶风格的驾驶员的驾驶行为。
具体的,获取P组驾驶员模型训练数据组;每一组所述驾驶员模型训练数据组包括驾驶环境感知训练数据、驾驶员控制训练数据以及驾驶风格评价信息;至少部分所述驾驶员模型训练数据组中的驾驶风格评价信息不同;
基于所述P组驾驶员模型训练数据组,对广义回归神经网络(Generalizedregressionneural network, GRNN)进行训练,获得所述驾驶员模型。
所述获取P组驾驶员模型训练数据组之后,基于所述P组驾驶员模型训练数据组,对广义回归神经网络(Generalized regressionneural network, GRNN)进行训练之前,还包括:
基于每一组所述驾驶员模型训练数据中的驾驶环境感知训练数据和/或驾驶员控制训练数据,确定与每一组驾驶员模型训练数据对应的N个特征参数的取值;
构建N维空间,以所述N个特征参数的取值为坐标值,确定每一组驾驶员模型训练初始数据在N维空间的对应点;
利用K均值聚类分析算法对N维空间中的P个对应点进行聚类,得到M个聚类结果;
为每一个聚类结果确定代表点,所述代表点为其所属聚类结果中的对应点,每个所述代表点距其所属的所述聚类结果的聚类中心的距离大于第一设定阈值,且每个所述代表点距其他聚类结果的聚类中心的距离大于第二设定阈值;
对每一组所述驾驶员模型训练数据中的所述驾驶风格评价信息进行修正,以使修正后每一组驾驶员模型训练数据中的所述驾驶风格评价信息与属于同一聚类结果的代表点的驾驶风格评价信息一致。
所述基于每一组所述驾驶员模型训练数据中的驾驶环境感知训练数据和/或驾驶员控制训练数据,确定与每一组驾驶员模型训练数据对应的N个特征参数的取值之前,还包括:
在备选参数中,进行主成分分析,确定N个特征参数;所述备选参数包括车速平均值、车速标准差、车速最大值、纵向加速度平均值、纵向加速度标准差、纵向加速度最大值、横向加速度平均值、横向加速度标准差、横向加速度最大值、方向盘转角平均值、方向盘转角标准差以及方向盘转角最大值。
进一步的,参考如图2所示的一种自动驾驶***实际道路测试***的结构示意图,包括前向测试摄像头210、GPS/INS组合导航***220、毫米波雷达传感器230、车载CAN总线数据读取模块240、自动驾驶测试场景片段化处理模块250、成熟驾驶员模型260、车辆动力学模型270、车辆动力学参数相似性对比模块280、自动驾驶***智能化性能测试结果显示模块290、驾驶风格分类判别模块300以及成熟驾驶员自然驾驶行为数据库310。
其中,前向测试摄像头210用于实时感知车辆前方障碍物信息、前方车辆信息、红绿灯信息、限速标志信息和道路曲率信息。GPS/INS组合导航***220用来实时获取车辆的位置信息以及横纵向动力学参数信息。毫米波雷达传感器230用来获取前方车辆相较于被测自动驾驶车辆的相对速度、相对距离信息。车载CAN总线数据读取模块240用于读取自动驾驶***的第二车辆动力学参数数据。
自动驾驶测试场景片段化处理模块250用于将本次实际道路测试所经历过的测试场景进行片段化分割,即基于所述驾驶环境感知数据,按照不同的环境场景类型对所述被测车辆的行驶时段进行切分,得到多个时段,其中,不同时段对应的环境场景类型不同,根据所述多个时段对所述驾驶环境感知数据进行分割,以确定与每个时段分别对应的子驾驶环境感知数据。
成熟驾驶员模型260用于基于每个时段分别对应的子驾驶环境感知数据获得与每个时段分别对应的拟人化的驾驶员控制数据。
车辆动力学模型270用于基于每个时段分别对应的拟人化的驾驶员控制数据获得与每个时段分别对应的第一车辆动力学参数数据。
车辆动力学参数相似性对比模块280用于将同一时段对应的第一车辆动力学参数数据与第二车辆动力学参数数据进行比较,确定自动驾驶***的测试结果。
自动驾驶***智能化性能测试结果显示模块290用于显示所述测试结果。
驾驶风格分类判别模块300用于将大量成熟驾驶员的驾驶行为数据进行聚类分析,并形成面向不同场景的驾驶风格分类,即保守型、普通型和激进型三类,同时做好标签化处理。具体的,采用主成分分析(Principal ComponentAnalysis,PCA)对高维数据特征进行降维处理,由于各个特征参数量纲不同,数据量级差异很大,数量级大的数据会掩盖数量级小的数据所反映的信息,因此首先采用Z-score标准化方法对数据进行处理,让各维度数据按比例伸缩到同一个区域范围内,以消除量纲影响,之后在标准化数据集上进行PCA处理。当主成分累计方差贡献率接近于1时(通常取85%),这时用前m个特征变量代替原p 个变量进行综合分析,既简化了计算步骤,又保留了原特征的信息。随后,采用K均值聚类分析算法来识别成熟驾驶员的具体驾驶风格.K均值聚类分析算法选取输入量k后根据相似性原则,将n个数据对象划分为k个类簇,聚类后满足:同一类簇中数据对象相似度较高,而不同类簇中的数据对象相似度较低。
成熟驾驶员自然驾驶行为数据库310存储有大量成熟驾驶员自然驾驶行为数据。具体的,驾驶员的年龄在20~50岁之间,数据的采集频率为10Hz。男性驾驶员170人,女性驾驶员30人。为满足道路条件的多样性,选择的路线涉及高速公路、城市快速路、国道以及乡村道路等路段,包括弯道、直道和匝道。此外,数据中还包括3位专业的驾驶评估师对每位驾驶员总体驾驶风格的评估结果。驾驶评估师均为驾龄20年以上的职业驾驶员,评估过程中,每位驾驶员按照平时的驾驶习惯在给定路线上驾驶车辆,3位专业驾驶评估师同时坐在车上,通过密集观察驾驶员的操作(如节气门踏板、制动踏板的使用)以及驾驶评估师的主观感受(驾驶员情绪、乘车舒适度)来评估驾驶风格。评估结果分为保守、普通和激进三种。驾驶评估师对驾驶员的驾驶风格评估分类标签。
目前,表征驾驶风格属性的特征参数还没有统一标准,国内外许多学者选取了速度、加速度、节气门踏板位置、节气门踏板压力作为具有代表性的特征参数来评价驾驶风格,效果良好。本专利在前人研究基础上选取200位成熟驾驶员的车速、纵向加速度、横向加速度、方向盘转角,本文使用频率为10Hz的原始数据计算了4个汽车参数在每秒内的平均值(Mean)、标准差(Std)、最大值(Max)3类统计量,共形成了12维特征参数,为后续的驾驶风格分类判别模块提供数据样本。
图3为本发明实施例提供的一种电子设备的结构示意图。如图3所示,电子设备400包括一个或多个处理器401和存储器402。
处理器401可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备400中的其他组件以执行期望的功能。
存储器402可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器401可以运行所述程序指令,以实现上文所说明的本发明任意实施例的自动驾驶***实际道路测试方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如初始外参、阈值等各种内容。
在一个示例中,电子设备400还可以包括:输入装置403和输出装置404,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。该输入装置403可以包括例如键盘、鼠标等等。该输出装置404可以向外部输出各种信息,包括预警提示信息、制动力度等。该输出装置404可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图3中仅示出了该电子设备400中与本发明有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备400还可以包括任何其他适当的组件。
除了上述方法和设备以外,本发明的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的自动驾驶***实际道路测试方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本发明的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的自动驾驶***实际道路测试方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
需要说明的是,本发明所用术语仅为了描述特定实施例,而非限制本申请范围。如本发明说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。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,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
还需说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”等应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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。
Claims (8)
1.一种自动驾驶***实际道路测试方法,其特征在于,所述自动驾驶***集成于被测车辆中,所述方法包括:
在被测车辆在实际社会道路上以自动驾驶模式行驶的过程中,实时获取驾驶环境感知数据;
基于所述驾驶环境感知数据,按照不同的环境场景类型对所述被测车辆的行驶时段进行切分,得到多个时段,其中,不同时段对应的环境场景类型不同;
根据所述多个时段对所述驾驶环境感知数据进行分割,以确定与每个时段分别对应的子驾驶环境感知数据;
将与每个时段分别对应的子驾驶环境感知数据分别输入到驾驶员模型中,得到与每个时段分别对应的拟人化的驾驶员控制数据;
将与每个时段分别对应的拟人化的驾驶员控制数据分别输入到车辆动力学模型中,得到与每个时段分别对应的第一车辆动力学参数数据;
将与同一时段对应的第一车辆动力学参数数据与第二车辆动力学参数数据进行比较,确定自动驾驶***的测试结果,其中,所述第二车辆动力学参数数据是通过对所述被测车辆中CAN总线传输的数据进行读取得到;
所述驾驶员模型能够基于驾驶环境感知数据得到不同驾驶风格的拟人化的驾驶员控制数据;
所述与每个时段分别对应的拟人化的驾驶员控制数据包括:与每个时段分别对应的不同驾驶风格的拟人化的驾驶员控制数据,所述不同驾驶风格包括保守型、普通型以及激进型;
所述将与每个时段分别对应的拟人化的驾驶员控制数据分别输入到车辆动力学模型中,得到与每个时段分别对应的第一车辆动力学参数数据,包括:
将与每个时段分别对应的不同驾驶风格的拟人化的驾驶员控制数据分别输入到车辆动力学模型中,得到与每个时段分别对应的不同驾驶风格的子车辆动力学参数数据,所述不同驾驶风格的子车辆动力学参数数据组成所述第一车辆动力学参数数据;
所述将与同一时段对应的第一车辆动力学参数数据与第二车辆动力学参数数据进行比较,确定自动驾驶***的测试结果之前,所述方法还包括:
将一时段所对应的不同驾驶风格的子车辆动力学参数数据分别与该一时段所对应的第二车辆动力学参数数据进行相似度计算,将相似度最大的子车辆动力学参数数据确定为该一时段对应的第一车辆动力学参数数据。
2.根据权利要求1所述的方法,其特征在于,所述驾驶环境感知数据由所述被测车辆中的摄像头、GPS/INS组合导航***以及毫米波雷达传感器采集得到,所述摄像头安装于所述被测车辆前挡风玻璃的内侧;
所述驾驶环境感知数据包括被测车辆前方障碍物信息,被测车辆前方车辆信息,红绿灯信息,限速标志信息,道路曲率信息,被测车辆的位置信息,横、纵向动力学参数信息,前方车辆相较于被测车辆的相对速度以及前方车辆相较于被测车辆的相对距离中的至少一个;
所述拟人化的驾驶员控制数据包括油门踏板开度、制动踏板开度以及方向盘转角中的至少一个;
所述环境场景类型包括社会车辆右转弯、社会车辆左转弯、社会车辆跟车行驶、社会车辆的前方车辆切入、社会车辆的前方车辆切出、或者社会车辆变道。
3.根据权利要求1所述的方法,其特征在于,所述将与同一时段对应的第一车辆动力学参数数据与第二车辆动力学参数数据进行比较,确定自动驾驶***的测试结果,包括:
将与同一时段对应的第一车辆动力学参数数据与第二车辆动力学参数数据逐一进行比较,基于均方根误差确定每项指标的相似度;
将不同指标的相似度进行加权求和,获得所述测试结果;
所述第一车辆动力学参数数据与所述第二车辆动力学参数数据均包括纵向加速度、纵向急动度、横向加速度、横向急动度、横摆角以及横摆角速度中的至少一项指标。
4.根据权利要求1所述的方法,其特征在于,还包括:
获取P组驾驶员模型训练数据组;每一组所述驾驶员模型训练数据组包括驾驶环境感知训练数据、驾驶员控制训练数据以及驾驶风格评价信息;至少部分所述驾驶员模型训练数据组中的驾驶风格评价信息不同;
基于所述P组驾驶员模型训练数据组,对广义回归神经网络(Generalized regressionneural network, GRNN)进行训练,获得所述驾驶员模型。
5.根据权利要求4所述的方法,其特征在于,所述获取P组驾驶员模型训练数据组之后,基于所述P组驾驶员模型训练数据组,对广义回归神经网络(Generalized regressionneural network, GRNN)进行训练之前,还包括:
基于每一组所述驾驶员模型训练数据中的驾驶环境感知训练数据和/或驾驶员控制训练数据,确定与每一组驾驶员模型训练数据对应的N个特征参数的取值;
构建N维空间,以所述N个特征参数的取值为坐标值,确定每一组驾驶员模型训练初始数据在N维空间的对应点;
利用K均值聚类分析算法对N维空间中的P个对应点进行聚类,得到M个聚类结果;
为每一个聚类结果确定代表点,所述代表点为其所属聚类结果中的对应点,每个所述代表点距其所属的所述聚类结果的聚类中心的距离大于第一设定阈值,且每个所述代表点距其他聚类结果的聚类中心的距离大于第二设定阈值;
对每一组所述驾驶员模型训练数据中的所述驾驶风格评价信息进行修正,以使修正后每一组驾驶员模型训练数据中的所述驾驶风格评价信息与属于同一聚类结果的代表点的驾驶风格评价信息一致。
6.根据权利要求5所述的方法,其特征在于,所述基于每一组所述驾驶员模型训练数据中的驾驶环境感知训练数据和/或驾驶员控制训练数据,确定与每一组驾驶员模型训练数据对应的N个特征参数的取值之前,还包括:
在备选参数中,进行主成分分析,确定N个特征参数;所述备选参数包括车速平均值、车速标准差、车速最大值、纵向加速度平均值、纵向加速度标准差、纵向加速度最大值、横向加速度平均值、横向加速度标准差、横向加速度最大值、方向盘转角平均值、方向盘转角标准差以及方向盘转角最大值。
7.一种电子设备,其特征在于,所述电子设备包括:
处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行如权利要求1至6任一项所述的自动驾驶***实际道路测试方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行如权利要求1至6任一项所述的自动驾驶***实际道路测试方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310280259.5A CN115979679B (zh) | 2023-03-22 | 2023-03-22 | 自动驾驶***实际道路测试方法、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310280259.5A CN115979679B (zh) | 2023-03-22 | 2023-03-22 | 自动驾驶***实际道路测试方法、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115979679A CN115979679A (zh) | 2023-04-18 |
CN115979679B true CN115979679B (zh) | 2023-06-23 |
Family
ID=85961134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310280259.5A Active CN115979679B (zh) | 2023-03-22 | 2023-03-22 | 自动驾驶***实际道路测试方法、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115979679B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118035691B (zh) * | 2024-04-12 | 2024-07-02 | 中国汽车技术研究中心有限公司 | 智能驾驶感知质量的量化评价方法、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016216023A (ja) * | 2015-04-21 | 2016-12-22 | パナソニックIpマネジメント株式会社 | 運転支援方法およびそれを利用した運転支援装置、運転制御装置、車両、運転支援プログラム |
CN111947938A (zh) * | 2020-08-03 | 2020-11-17 | 中国第一汽车股份有限公司 | 自动驾驶车辆在环测试***、方法、服务器及存储介质 |
CN112130472A (zh) * | 2020-10-14 | 2020-12-25 | 广州小鹏自动驾驶科技有限公司 | 一种自动驾驶的仿真测试***和方法 |
CN112526968A (zh) * | 2020-11-25 | 2021-03-19 | 东南大学 | 映射真实世界道路条件的自动驾驶虚拟测试平台搭建方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109032102B (zh) * | 2017-06-09 | 2020-12-18 | 百度在线网络技术(北京)有限公司 | 无人驾驶车辆测试方法、装置、设备及存储介质 |
US11586914B2 (en) * | 2019-01-11 | 2023-02-21 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems and methods for evaluating perception systems for autonomous vehicles using quality temporal logic |
CN111856969B (zh) * | 2020-08-06 | 2023-08-01 | 北京赛目科技有限公司 | 自动驾驶仿真测试方法及装置 |
CN112506170B (zh) * | 2020-11-20 | 2021-10-01 | 北京赛目科技有限公司 | 一种基于驾驶员模型的测试方法及装置 |
CN112525551B (zh) * | 2020-12-10 | 2023-08-29 | 北京百度网讯科技有限公司 | 自动驾驶车辆的路测方法、装置、设备及存储介质 |
CN112721949B (zh) * | 2021-01-12 | 2022-07-12 | 重庆大学 | 一种自动驾驶车辆纵向驾驶拟人化程度评价方法 |
CN116829919A (zh) * | 2021-05-28 | 2023-09-29 | 吉林大学 | 基于航测数据的自动驾驶***测试方法、测试***及存储介质 |
CN114354219A (zh) * | 2022-01-07 | 2022-04-15 | 苏州挚途科技有限公司 | 自动驾驶车辆的测试方法及装置 |
CN115048972B (zh) * | 2022-03-11 | 2023-04-07 | 北京智能车联产业创新中心有限公司 | 交通场景解构分类方法及虚实结合自动驾驶测试方法 |
-
2023
- 2023-03-22 CN CN202310280259.5A patent/CN115979679B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016216023A (ja) * | 2015-04-21 | 2016-12-22 | パナソニックIpマネジメント株式会社 | 運転支援方法およびそれを利用した運転支援装置、運転制御装置、車両、運転支援プログラム |
CN111947938A (zh) * | 2020-08-03 | 2020-11-17 | 中国第一汽车股份有限公司 | 自动驾驶车辆在环测试***、方法、服务器及存储介质 |
CN112130472A (zh) * | 2020-10-14 | 2020-12-25 | 广州小鹏自动驾驶科技有限公司 | 一种自动驾驶的仿真测试***和方法 |
CN112526968A (zh) * | 2020-11-25 | 2021-03-19 | 东南大学 | 映射真实世界道路条件的自动驾驶虚拟测试平台搭建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115979679A (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840660B (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
Vasconcelos et al. | Smartphone-based outlier detection: a complex event processing approach for driving behavior detection | |
CN106570560B (zh) | 基于标准化驾驶行为和相空间重构的驾驶风格定量评价方法 | |
Erdogan et al. | Real-world maneuver extraction for autonomous vehicle validation: A comparative study | |
CN115979679B (zh) | 自动驾驶***实际道路测试方法、设备和存储介质 | |
CN106585635A (zh) | 驾驶行为评分方法和装置 | |
CN107364446B (zh) | 操作机动车辆的方法 | |
CN110858312A (zh) | 基于模糊c均值聚类算法的驾驶员驾驶风格分类方法 | |
JP2023540613A (ja) | 運転者支援システムを試験するための方法およびシステム | |
CN114021840A (zh) | 换道策略生成方法和装置、计算机存储介质、电子设备 | |
Suzdaleva et al. | Two-layer pointer model of driving style depending on the driving environment | |
Wang et al. | SafeDrive: A new model for driving risk analysis based on crash avoidance | |
Cai et al. | Cnn-lstm driving style classification model based on driver operation time series data | |
CN113642114B (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
CN114692713A (zh) | 一种自动驾驶车辆的驾驶行为评价方法及装置 | |
Li | A scenario-based development framework for autonomous driving | |
CN116151045A (zh) | 车辆仿真测试数据准确性分析方法、装置、设备及介质 | |
Fazio et al. | A new application for analyzing driving behavior and environment characterization in transportation systems based on a fuzzy logic approach | |
US20220390596A1 (en) | Method, apparatus and computer program for enabling a sensor system for detecting objects in an environment of a vehicle | |
CN113591780A (zh) | 一种驾驶员行车风险鉴定方法及*** | |
Zhao et al. | Driver lane changing intention recognition based on multi-class information | |
CN114861516B (zh) | 一种车辆动力性能确定方法、装置及存储介质 | |
Li et al. | Research on Personalized AEB Strategies Based on Self-Supervised Contrastive Learning | |
Zhang et al. | An Embedded Driving Style Recognition Approach: Leveraging Knowledge in Learning | |
Zhang et al. | Finding critical scenarios for automated driving systems: The data extraction form |
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 |