CN116580551A - 车辆驾驶行为评估方法、装置、设备及存储介质 - Google Patents
车辆驾驶行为评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116580551A CN116580551A CN202310222063.0A CN202310222063A CN116580551A CN 116580551 A CN116580551 A CN 116580551A CN 202310222063 A CN202310222063 A CN 202310222063A CN 116580551 A CN116580551 A CN 116580551A
- Authority
- CN
- China
- Prior art keywords
- data
- scene
- vehicle
- signal lamp
- simulation
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 88
- 238000004088 simulation Methods 0.000 claims abstract description 171
- 238000012360 testing method Methods 0.000 claims abstract description 142
- 230000002159 abnormal effect Effects 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000005856 abnormality Effects 0.000 claims abstract description 8
- 230000006399 behavior Effects 0.000 claims description 142
- 238000002372 labelling Methods 0.000 claims description 41
- 239000012634 fragment Substances 0.000 claims description 22
- 230000007613 environmental effect Effects 0.000 claims description 14
- 230000003068 static effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims 2
- 238000004422 calculation algorithm Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 206010000117 Abnormal behaviour Diseases 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000002459 sustained effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011990 functional testing Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000003238 somatosensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及自动驾驶技术领域,公开了一种车辆驾驶行为评估方法、装置、设备及存储介质。本方法包括:通过获取自动驾驶车辆在信号灯路口发生信号灯识别异常时的路测数据,并对路测数据进行标注,得到标注数据;基于标注数据构建信号灯路口且发生信号灯识别异常的仿真环境,并进行驾驶仿真测试,得到仿真结果;基于仿真结果对自动驾驶车辆在信号灯路口的驾驶行为进行评估,得到驾驶行为的评估结果。解决了现有技术中无法准确评估自动驾驶车辆在通过信号灯路口时,车辆驾驶行为的合理性的技术问题。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其涉及一种车辆驾驶行为评估方法、装置、设备及存储介质。
背景技术
信号灯是现代交通的重要组成部分,也是自动驾驶***发生较强交互的场景之一。在该场景中常常会因为发生前车遮挡、信号灯反光、雨水模糊等情况导致车辆无法得到准确的信号灯状态,从而影响自动驾驶***的判断,增加自动驾驶***违反交规发生安全事故的可能。
在发生前车遮挡、信号灯反光、雨水模糊等场景时,自动驾驶***要能够基于信号灯的历史状态,当前非遮挡信号灯的状态,以及道路中其他车辆的状态做出合理的反应。这是自动驾驶商业化运营前要完成的重要目标之一。
因此,为了实现自动驾驶***在信号灯场景下的快速迭代,如何评估自动驾驶车辆在通过信号灯路口时车辆驾驶行为的合理性,成了本领域技术人员需要解决的技术问题。
发明内容
本发明的主要目的在于解决现有技术中无法准确评估自动驾驶车辆在通过信号灯路口时,车辆驾驶行为的合理性的技术问题。
本发明第一方面提供了一种车辆驾驶行为评估方法,包括:获取自动驾驶车辆在信号灯路口发生信号灯识别异常时的路测数据,并对所述路测数据进行标注,得到标注数据;基于所述标注数据构建信号灯路口且发生信号灯识别异常的仿真环境,并进行驾驶仿真测试,得到仿真结果;基于所述仿真结果对所述自动驾驶车辆在所述信号灯路口的驾驶行为进行评估,得到所述驾驶行为的评估结果。
可选地,在本发明第一方面的第一种实现方式中,所述获取自动驾驶车辆在信号灯路口发生信号灯识别异常时的路测数据,并对所述路测数据进行标注,得到标注数据,包括:获取自动驾驶车辆在经过道路路口时采集的多帧环境图像数据;基于预设场景标签对所述多帧环境图像数据进行场景识别,判断所述多帧环境图像数据对应目标场景是否为信号灯路口识别异常;若是,则采集所述自动驾驶车辆在所述目标场景中的驾驶数据;将所述驾驶数据进行保存,得到路测数据,并基于所述场景标签对所述路测数据进行标注,得到标注数据。
可选地,在本发明第一方面的第二种实现方式中,所述基于所述场景标签对所述路测数据进行标注,得到标注数据,包括:基于所述场景标签对所述路测数据进行场景分类,得到所述路测数据对应的多个路测场景;利用对应的场景标签标注所述路测数据中的各路测场景,得到标注数据。
可选地,在本发明第一方面的第三种实现方式中,所述基于所述标注数据构建信号灯路口且发生信号灯识别异常的仿真环境,并进行驾驶仿真测试,得到仿真结果,包括:基于所述场景标注从所述路测数据中提取对应的场景片段数据;基于所述场景片段数据进行所述自动驾驶车辆的路测环境的构建,得到仿真环境;基于所述仿真环境进行驾驶测试,得到仿真结果。
可选地,在本发明第一方面的第四种实现方式中,所述基于所述场景片段数据进行所述自动驾驶车辆的路测环境的构建,得到仿真环境,包括:从所述场景片段数据中提取所述自动驾驶车辆对应当前场景的语义数据以及周围车辆的轨迹状态数据;基于所述场景标签中的动态元素从所述当前场景的语义数据中提取所述动态元素对应的第一数据,得到动态场景数据;基于所述场景标签中的静态元素从所述周围车辆的轨迹状态数据中提取所述静态元素对应的第二数据,得到实时背景数据;将所述动态场景数据和所述实时背景数据进行拼接,构建信号灯路口且发生信号灯识别异常的仿真环境。
可选地,在本发明第一方面的第五种实现方式中,所述基于所述仿真环境进行驾驶测试,得到仿真结果,包括:获取与所述场景片段数据对应的道路数据;根据所述道路数据,确定所述仿真环境中的多个目标仿真场景;控制所述自动驾驶车辆在所述多个目标仿真场景中行驶,得到所述自动驾驶车辆的多个场景舒适度分数和多个场景持续通行分数;基于所述多个场景舒适度分数和所述多个场景持续通行分数,确定所述自动驾驶车辆的仿真结果。
可选地,在本发明第一方面的第六种实现方式中,所述基于所述仿真结果对所述自动驾驶车辆在所述信号灯路口的驾驶行为进行评估,得到所述驾驶行为的评估结果,包括:基于所述仿真结果,确定所述自动驾驶车辆在所述信号灯路口的异常驾驶行为对应的驾驶通过率;确定所述异常驾驶行为对应的权重;基于所述驾驶通过率和所述权重,对所述自动驾驶车辆的驾驶行为进行评估,得到所述驾驶行为的评估结果。
本发明第二方面提供了一种车辆驾驶行为评估装置,包括:标注模块,用于获取自动驾驶车辆在信号灯路口发生信号灯识别异常时的路测数据,并对所述路测数据进行标注,得到标注数据;仿真模块,用于基于所述标注数据构建信号灯路口且发生信号灯识别异常的仿真环境,并进行驾驶仿真测试,得到仿真结果;评估模块,用于基于所述仿真结果对所述自动驾驶车辆在所述信号灯路口的驾驶行为进行评估,得到所述驾驶行为的评估结果。
可选地,在本发明第二方面的第一种实现方式中,所述标注模块包括:获取单元,用于获取自动驾驶车辆在经过道路路口时采集的多帧环境图像数据;判断单元,用于基于预设场景标签对所述多帧环境图像数据进行场景识别,判断所述多帧环境图像数据对应目标场景是否为信号灯路口识别异常;采集单元,用于若是,则采集所述自动驾驶车辆在所述目标场景中的驾驶数据;标注单元,用于将所述驾驶数据进行保存,得到路测数据,并基于所述场景标签对所述路测数据进行标注,得到标注数据。
可选地,在本发明第二方面的第二种实现方式中,所述标注单元具体用于:基于所述场景标签对所述路测数据进行场景分类,得到所述路测数据对应的多个路测场景;利用对应的场景标签标注所述路测数据中的各路测场景,得到标注数据。
可选地,在本发明第二方面的第三种实现方式中,所述仿真模块包括:提取单元,用于基于所述场景标注从所述路测数据中提取对应的场景片段数据;构建单元,用于基于所述场景片段数据进行所述自动驾驶车辆的路测环境的构建,得到仿真环境;仿真单元,用于基于所述仿真环境进行驾驶测试,得到仿真结果。
可选地,在本发明第二方面的第四种实现方式中,所述构建单元具体用于:从所述场景片段数据中提取所述自动驾驶车辆对应当前场景的语义数据以及周围车辆的轨迹状态数据;基于所述场景标签中的动态元素从所述当前场景的语义数据中提取所述动态元素对应的第一数据,得到动态场景数据;基于所述场景标签中的静态元素从所述周围车辆的轨迹状态数据中提取所述静态元素对应的第二数据,得到实时背景数据;将所述动态场景数据和所述实时背景数据进行拼接,构建信号灯路口且发生信号灯识别异常的仿真环境。
可选地,在本发明第二方面的第五种实现方式中,所述仿真单元具体用于:获取与所述场景片段数据对应的道路数据;根据所述道路数据,确定所述仿真环境中的多个目标仿真场景;控制所述自动驾驶车辆在所述多个目标仿真场景中行驶,得到所述自动驾驶车辆的多个场景舒适度分数和多个场景持续通行分数;基于所述多个场景舒适度分数和所述多个场景持续通行分数,确定所述自动驾驶车辆的仿真结果。
可选地,在本发明第二方面的第六种实现方式中,所述评估模块具体用于:基于所述仿真结果,确定所述自动驾驶车辆在所述信号灯路口的异常驾驶行为对应的驾驶通过率;确定所述异常驾驶行为对应的权重;基于所述驾驶通过率和所述权重,对所述自动驾驶车辆的驾驶行为进行评估,得到所述驾驶行为的评估结果。
本发明第三方面提供了一种车辆驾驶行为评估设备,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述车辆驾驶行为评估设备执行上述的车辆驾驶行为评估方法的各个步骤。
本发明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中存储有指令,当其在计算机上运行时,使得计算机执行上述的车辆驾驶行为评估方法的各个步骤。
本发明提供的技术方案中,通过获取自动驾驶车辆在信号灯路口发生信号灯识别异常时的路测数据,并对路测数据进行标注,得到标注数据;基于标注数据构建信号灯路口且发生信号灯识别异常的仿真环境,并进行驾驶仿真测试,得到仿真结果;基于仿真结果对自动驾驶车辆在信号灯路口的驾驶行为进行评估,得到驾驶行为的评估结果。解决了现有技术中无法准确评估自动驾驶车辆在通过信号灯路口时,车辆驾驶行为的合理性的技术问题。
附图说明
图1为本发明提供的车辆驾驶行为评估方法的第一个实施例示意图;
图2为本发明提供的车辆驾驶行为评估方法的第二个实施例示意图;
图3为本发明提供的车辆驾驶行为评估方法的第三个实施例示意图;
图4为本发明提供的车辆驾驶行为评估装置的第一个实施例示意图;
图5为本发明提供的车辆驾驶行为评估装置的第二个实施例示意图;
图6为本发明提供的车辆驾驶行为评估设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种车辆驾驶行为评估方法、装置、设备及存储介质,本发明的技术方案中,首先通过获取自动驾驶车辆在信号灯路口发生信号灯识别异常时的路测数据,并对路测数据进行标注,得到标注数据;基于标注数据构建信号灯路口且发生信号灯识别异常的仿真环境,并进行驾驶仿真测试,得到仿真结果;基于仿真结果对自动驾驶车辆在信号灯路口的驾驶行为进行评估,得到驾驶行为的评估结果。解决了现有技术中无法准确评估自动驾驶车辆在通过信号灯路口时,车辆驾驶行为的合理性的技术问题。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中车辆驾驶行为评估方法的第一个实施例包括:
101、获取自动驾驶车辆在信号灯路口发生信号灯识别异常时的路测数据,并对路测数据进行标注,得到标注数据;
本实施例中,当车辆进入红绿灯路口时,安全员发现自动驾驶车辆存在异常行为时,这里的异常行为可以理解为是车辆发生急刹点刹、闯红灯、以及前方是绿灯但受到阻碍车辆不起步等,这时通过操作车辆上的驾驶***对该异常行为进行问题上报,通过数据采集设备会记录整个过程中(即前后一段时间内)周围环境、道路、障碍物、红绿灯的检测信息以及车辆自身状态等信息,从而得到路测数据。
具体地,记录的数据能够在仿真的环境中再现路测的场景。此外,收集上来的数据还会基于预设场景不同打上不同的场景标签,主要为以下几类:1.信号灯遮挡;2.雨水模糊;3.信号灯反光;4.车辆尾灯误识别等。除了大的类别,还会根据周围车辆的状态、自动驾驶车辆是否为第一排起步、以及信号灯遮挡时遮挡物体的类型的不同打上更加细致化的标签。
本实施例中,收集上来的路测数据会经过人工标注的方式标记出场景中自动驾驶车辆在不同时间段内应处于的行为状态,主要分为两类行为状态:1.绿灯:平稳通行;2.红灯:稳定停止在停止线前。其中,标注原则为,借助视频数据中信号灯的状态信息、周围车流状态等信息推断出信号灯异常时(如发生遮挡、反光、雨水模糊等情况时)信号灯的正确状态,并给出自动驾驶车辆应处于平稳通行和稳定停止的时间区间。
102、基于标注数据构建信号灯路口且发生信号灯识别异常的仿真环境,并进行驾驶仿真测试,得到仿真结果;
本实施例中,将标注好的场景在仿真环境中进行回放,同时在仿真环境中启动自动驾驶软件。自动驾驶***会基于回放数据中的定位和感知信息等信息,输出控制指令控制自动驾驶车辆在仿真环境中行驶。
本实施例中,基于场景标注从路测数据中提取对应的场景片段数据;通过场景片段数据进行自动驾驶车辆的路测环境的构建,得到仿真环境;进一步地,将所述自动驾驶车辆至于所述仿真环境中进行仿真测试,也即自动驾驶测试,得到所述自动驾驶车辆至于所述仿真环境中仿真结果。
具体地,在仿真过程中,自动驾驶***会根据感知检测到的信号灯的状态以及周围车流、车道等信息来实时计算出当前的行为决策,并根据决策对自动驾驶车辆的驾驶状态进行控制调整。
103、基于仿真结果对自动驾驶车辆在信号灯路口的驾驶行为进行评估,得到驾驶行为的评估结果。
本实施例中,根据自动驾驶车辆在仿真环境中的仿真结果,对自动驾驶车辆在信号灯路口的驾驶行为进行评估,具体的评估标准如下:首先,在标注的红灯阶段(车辆稳定停止在预设道路标识之前):***会持续监控自动驾驶***的内部状态,当***分析预测出当前帧为红灯状态时,则在预设道路标识,比如停止线,后方放置一个虚拟的fence,该虚拟fence的属性为“交通信号灯”,并且规划给出的决策为停在该fence后方。
具体地,通过监控这些指标可以准确判断自动驾驶车辆的自动驾驶***是否给出红灯停止的决策。对于对应标注时段,要求自动驾驶***持续给出红灯停止的决策。如果是,则“标记评估标准1”为pass,否则为fail;2.人工标注的绿灯(平稳通行)阶段:舒适性:要求在该段标注时间段内不因为评估标准1中的fence导致的不舒适性事件发生。
本实施例中,具体实施方式为实时计算出自动驾驶车辆在驾驶过程中收集的视频数据,对应每一视频帧的体感值。当所述体感值低于预设阈值时,查看在过去的预设时间段内是否出现评估标准1中的fence。若是,则对应评估标准2“舒适性标”记为fail;若在自动驾驶车辆在驾驶过程全程的对应评估标准2“舒适性标”均标记为“pass”,也即持续通行。其中,所述持续同行指:在预设时间段内,所述自动驾驶车辆为持续通行的状态。
具体地,计算所述预设时间段内是否存在车速小于指定阈值的时刻;如果所述预设时间段存在车速小于指定阈值的时刻,则标记所述自动驾驶车辆在所述驾驶过程的评估标准2“通行性”为fail,否,则标记所述自动驾驶车辆在所述驾驶过程的评估标准2“通行性”为pass;。
进一步地,当上述所有评估标准均为pass时,则标注该场景为pass;存在任何一个标准为fail则标记该场景为fail,也即场景的最终通过标准。
本实施例中,通过比较不同自动驾驶版本总的通过率和不同场景标签下的子场景通过率,能够精确的反映出不同自动驾驶版本在信号灯路口场景中以及在预设特定场景下总体表现变化趋势。具体地,通过收集自动驾驶车辆对应自动驾驶***在信号灯路口发生的问题数据,建立数据集,通过预设标注的方式分析预测预期的车辆行为,其中,所述车辆行为主要分为通行和路口等待两个状态,并以所述车辆行为作为标准,评估所述自动驾驶车辆的驾驶状态。其中,所述驾驶状态包括所述自动驾驶车辆当前的驾驶状态是否合理、是否发生违反交通规则的行为。
本发明中提出的评价***,可以通过不断迭代用于评估的数据集,以实现各种场景的覆盖。此外,在比较不同自动驾驶软件版本时,可以使用相同的评估数据集来消除测试场景不同带来的对比结果偏差。最后通过追踪已修复的场景,防止发生regression。
本发明实施例中,通过获取自动驾驶车辆在信号灯路口发生信号灯识别异常时的路测数据,并对路测数据进行标注,得到标注数据;基于标注数据构建信号灯路口且发生信号灯识别异常的仿真环境,并进行驾驶仿真测试,得到仿真结果;基于仿真结果对自动驾驶车辆在信号灯路口的驾驶行为进行评估,得到驾驶行为的评估结果。解决了现有技术中无法准确评估自动驾驶车辆在通过信号灯路口时,车辆驾驶行为的合理性的技术问题。
请参阅图2,本发明实施例中车辆驾驶行为评估方法的第二个实施例包括:
201、获取自动驾驶车辆在经过道路路口时采集的多帧环境图像数据;
本实施例中,通过所述自动驾驶车辆的数据采集设备,获取自动驾驶车辆在经过道路路口时的多帧环境图像数据,其中,所述数据采集设备至少包括:图像采集装置、激光雷达、毫米波雷达、IMU、GPS、车速信号采集器件、方向盘转角信号采集器件、刹车踏板开合度采集器件、加速踏板开合度采集器件。
进一步地,所述数据采集设备采用多源输入同步技术,确保各种驾驶数据的同步,实现多种驾驶数据的同步采集。
202、基于预设场景标签对多帧环境图像数据进行场景识别,判断多帧环境图像数据对应目标场景是否为信号灯路口识别异常;
本实施例中,基于预设场景标签对多帧环境图像数据进行场景识别,得到识别结果,其中,该识别结果包括:驾驶数据对应的场景类别、驾驶数据中目标对象的位置信息、类别信息和ID信息;
进一步地,基于识别结果,采用规划算法和定位算法分别得到车辆规划结果、车辆定位结果,并基于车辆规划结果和车辆定位结果,采用控制算法得到车辆控制结果。上述场景识别算法包括:感知算法、规划算法、控制算法和定位算法。
本实施例中,基于预设场景标签,对图像环境数据进行识别,比如当前场景中是否识别到交通信号灯,交通信号灯是否部分被遮挡,当前自动驾驶车辆周围是否有静止车辆等,并以此判断多帧环境图像数据对应目标场景是否为信号灯路口识别异常。
203、若是,则采集自动驾驶车辆在目标场景中的驾驶数据;
本实施例中,驾驶数据为预定义场景类别的驾驶数据:在实现时,感知算法对驾驶数据对应的场景进行分类,如果驾驶数据对应的场景为预定义场景类别,则符合预设数据采集规则。需要说明的是上述预定义场景类别为车辆发生急刹点刹、车辆闯红灯、车辆前方是绿灯但该车辆周围的车辆静止、车辆周围无障碍物但是绿灯车辆不通行等场景类别,本发明实施例对上述预定义场景类别不进行具体限制。
204、将驾驶数据进行保存,得到路测数据,基于场景标签对路测数据进行场景分类,得到路测数据对应的多个路测场景;
本实施例中,将驾驶数据进行保存,得到路测数据,并对所述路测数据进行筛选,过滤掉不符合要求的路测数据。
进一步地,根据预设的场景标签,比如当前场景中是否存在红绿灯,当前场景中自动驾驶车辆周围是否有障碍物,当前场景中是否存在遮挡,当前环境中是否下雨,当前环境中是否存在雨幕遮挡交通灯的情况,当前环境中是否存在绿灯,但车辆不通行的情况等多个场景。分别根据每个场景对应的关键字,确定当前场景的场景标签。根据所述场景标签对路测数据进行场景分类,进而得到与所述路测数据相关的多个路测场景。
205、利用对应的场景标签标注路测数据中的各路测场景,得到标注数据;
本实施例中,根据对应的场景标签,多上述路测数据进行标注,得到得到标注数据。其中,数据标注是对未经处理过的语音、图片、文本、视频等数据进行加工处理,从而转变成机器可识别信息的过程。数据标注的类型主要是图像标注、语音标注、3D点云标注和文本标注。具体地,本实施例中主要用到的是图像标注,所述图像标注是对未经处理的图片数据进行加工处理,转换为机器可识别信息,然后输送到人工智能算法和模型里完成调用。
本实施例中,数据标注是通过贴标的方式,为机器***提供大量学习的样本,把需要机器识别和分辨的数据打上标签,然后让计算机不断地学习这些数据的特征,最终实现计算机能够自主识别。
206、基于标注数据构建信号灯路口且发生信号灯识别异常的仿真环境,并进行驾驶仿真测试,得到仿真结果;
207、基于仿真结果,确定自动驾驶车辆在信号灯路口的异常驾驶行为对应的驾驶通过率;
本实施例中,异常驾驶行为包括:车辆发生急刹点刹、闯红灯、绿灯阻碍交通不起步等行为。
基于仿真结果,确定自动驾驶车辆在信号灯路口的异常驾驶行为对应的驾驶通过率,目标无人驾驶车辆的异常驾驶行为可以从车联网数据信息库中随机抽样获取,也可以根据多个目标无人驾驶车辆上安装的行车记录仪获取,本申请对异常驾驶行为的获取方式不作具体限定,本领域技术人员可以根据实际需要确定。基于异常驾驶行为,确定各种异常驾驶行为对应的驾驶通过率。
208、确定异常驾驶行为对应的权重,并基于驾驶通过率和权重,对自动驾驶车辆的驾驶行为进行评估,得到驾驶行为的评估结果。
本实施例中,权重为各种异常驾驶行为对应的权重系数,表征各种异常驾驶行为数据对异常驾驶行为的评估影响。权重可以根据异常驾驶行为率和目标异常驾驶行为率进行确定。具体地,可以通过计算某一种目标异常驾驶行为率对应的熵值,根据该目标异常驾驶行为率对应的熵值确定该种异常驾驶行为对应的权重,依次类推可以得到各种异常驾驶行为对应的权重,当然也可以采用其他方式确定,在此对各种异常驾驶行为对应的权重的具体计算方式并不做任何限定。
具体地,根据各种异常驾驶行为对应的目标异常驾驶行为率以及权重,对自动驾驶车辆的驾驶行为进行评估,得到驾驶行为的评估结果。其中,评估结果用于表征目标无人驾驶车辆的驾驶行为的安全性。评估结果可以为驾驶行为安全熵。基于获取的目标无人驾驶车辆的各种异常驾驶行为对应的目标异常驾驶行为率以及与权重,可以确定安全熵的计算公式,根据该计算公式可以得到安全熵值,以该安全熵值作为表征无人驾驶车辆的驾驶行为的评估结果。
本实施例中步骤206与第一实施例中的步骤103类似,此处不再赘述。
本发明实施例中,通过获取自动驾驶车辆在信号灯路口发生信号灯识别异常时的路测数据,并对路测数据进行标注,得到标注数据;基于标注数据构建信号灯路口且发生信号灯识别异常的仿真环境,并进行驾驶仿真测试,得到仿真结果;基于仿真结果对自动驾驶车辆在信号灯路口的驾驶行为进行评估,得到驾驶行为的评估结果。解决了现有技术中无法准确评估自动驾驶车辆在通过信号灯路口时,车辆驾驶行为的合理性的技术问题。
请参阅图3,本发明实施例中车辆驾驶行为评估方法的第三个实施例包括:
301、获取自动驾驶车辆在信号灯路口发生信号灯识别异常时的路测数据,并对路测数据进行标注,得到标注数据;
302、基于场景标注,从路测数据中提取对应的场景片段数据;
本实施例中,通过对场景的标注处理,从路测数据中提取出与自动驾驶车辆交互的真实场景,并根据真实场景中的场景数据进行对预设场景进行场景分割对应的场景片段数据。
具体地,通过对预设场景进行场景分割,得到多个仿真场景的场景片段数据;进一步地,根据所述场景片段数据搭建成多个仿真场景,各目标仿真场景中均包括目标、车辆、路网和交通信号灯等信息,增加各目标仿真场景的丰富性和真实性。
303、从场景片段数据中提取自动驾驶车辆对应当前场景的语义数据以及周围车辆的轨迹状态数据;
本实施例中,生成的仿真环境,最终要用于控制自动驾驶车辆的行驶,因此,应当将生成的仿真环境转换为被测试的自动驾驶车辆视点的测试场景数据,使得被测试的自动驾驶车辆可以根据从场景片段数据中提取自动驾驶车辆对应当前场景的语义数据以及周围车辆的轨迹状态数据进行自动驾驶。
304、基于场景标签中的动态元素从当前场景的语义数据中提取动态元素对应的第一数据,得到动态场景数据;
本实施例中,先解析自动驾驶车辆接收测试场景数据时的位置,比如,根据自动驾驶车辆或路侧感知设备采集得到道路环境感知数据时,自动驾驶车辆的位置,自动驾驶车辆的行驶速度、行驶加速度,以及数据处理和传输的耗时,预测自动驾驶车辆接收测试场景数据时的位置。
基于场景标签中的动态元素从当前场景的语义数据中提取动态元素对应的第一数据,得到动态场景数据,利用自动驾驶车辆接收测试场景数据时的位置以及自动驾驶车辆或路侧感知设备采集得到道路环境感知数据时的位置,确定位置映射关系,然后基于该位置映射关系,将仿真环境转换为自动驾驶车辆接收测试场景数据时的视点的动态场景数据。
305、基于场景标签中的静态元素从周围车辆的轨迹状态数据中提取静态元素对应的第二数据,得到实时背景数据;
本实施例中,将由基于场景标签中的静态元素从周围车辆的轨迹状态数据中提取静态元素对应的第二数据进行数据融合,可以使得该位置处既有几何框架数据,又有细节的道路环境数据,例如纹理数据、光波与电磁波的反射特性数据等,即得到得到驾驶场景中的实时背景数据。
306、将动态场景数据和实时背景数据进行拼接,构建信号灯路口且发生信号灯识别异常的仿真环境;
本实施例中,将动态场景数据和实时背景数据进行拼接,构建信号灯路口且发生信号灯识别异常的仿真环境。
其中,所谓场景是车辆与交通环境中其他车辆、设施、环境、道路等元素综合交互的过程,各个场景元素组合得到不同场景的集合,自动驾驶测试场景本质上就是对所有相关场景元素的一种提炼。
具体地,对于自动驾驶测试来说,不论是在仿真环境中测试,还是在预设的真实场地中进行场地测试,目前普遍采用的都是基于场景的功能测试方法。其好处在于可以弥补基于里程的测试方法的局限性,在提高***开发效率、产品落地效率方面都有重要作用。将采集到的动态场景数据和实时背景数据进行拼接,构建信号灯路口且发生信号灯识别异常的仿真环境,通过所述仿真环境对自动驾驶车辆进行驾驶仿真。
307、获取与场景片段数据对应的道路数据,并根据道路数据,确定仿真环境中的多个目标仿真场景;
本实施例中,为了简化道路测试到仿真的重复管理环节,节省管理成本,可以不再根据道路测试数据生成仿真集合,直接对道路数据进行标注,构建道路数据库。其中,该道路数据库中包括多组待测数据,待测数据包括标注后的道路数据以及标注后的道路数据对应的自动驾驶仿真场景。
相应地,由于道路数据库中存储有大量标注后自动驾驶场景信息的道路数据,因此,在获取到仿真回归测试请求之后,可以根据该仿真回归测试请求在道路数据库中获取与目标自动驾驶场景信息对应的道路数据。
本实施例中,根据所述道路数据生成高精度语义地图,并基于所述高精度语义地图确定所述仿真环境中的多个目标仿真场景。
308、控制自动驾驶车辆在多个目标仿真场景中行驶,得到自动驾驶车辆的多个场景舒适度分数和多个场景持续通行分数;
本实施例中,控制自动驾驶车辆在多个目标仿真场景中行驶,服务器通过预设的自动驾驶算法对多个目标仿真场景分别进行自动驾驶仿真测试,得到多个初始仿真测试结果,服务器基于多个初始仿真测试结果确定自动驾驶仿真测试结果,其中,预设的自动驾驶算法包括预设场景安全程度打分算法、预设场景舒适程度打分算法和/或预设驾驶员位置差异算法。进一步地,得到自动驾驶车辆的多个场景舒适度分数和多个场景持续通行分数,基于场景舒适度分数和多个场景持续通行分数判断当前自动驾驶车辆对应自动驾驶***的性能表现,以提高自动驾驶车辆的驾驶状态的安全性。
309、基于多个场景舒适度分数和多个场景持续通行分数,确定自动驾驶车辆的仿真结果;
本实施例中,需要说明的是,自动驾驶仿真测试结果用于指示场景持续通行分数、场景舒适度分数以及目标与驾驶员之间的位置差异值,进一步地,基于多个场景舒适度分数和多个场景持续通行分数,确定自动驾驶车辆的仿真结果。例如,场景持续通行分数为3分,场景舒适度分数为5分,目标与驾驶员之间的位置差异值为0.01米,则服务器确定场景安全程度低,场景舒适程度低。进一步地,基于多个场景舒适度分数和多个场景持续通行分数,确定自动驾驶车辆的仿真结果。
310、基于仿真结果对自动驾驶车辆在信号灯路口的驾驶行为进行评估,得到驾驶行为的评估结果。
本实施例中步骤301、310与第一实施例中的步骤101、103类似,此处不再赘述。
本发明实施例中,通过获取自动驾驶车辆在信号灯路口发生信号灯识别异常时的路测数据,并对路测数据进行标注,得到标注数据;基于标注数据构建信号灯路口且发生信号灯识别异常的仿真环境,并进行驾驶仿真测试,得到仿真结果;基于仿真结果对自动驾驶车辆在信号灯路口的驾驶行为进行评估,得到驾驶行为的评估结果。解决了现有技术中无法准确评估自动驾驶车辆在通过信号灯路口时,车辆驾驶行为的合理性的技术问题。
上面对本发明实施例中车辆驾驶行为评估方法进行了描述,下面对本发明实施例中车辆驾驶行为评估装置进行描述,请参阅图4,本发明实施例中车辆驾驶行为评估装置的第一个实施例包括:
标注模块401,用于获取自动驾驶车辆在信号灯路口发生信号灯识别异常时的路测数据,并对所述路测数据进行标注,得到标注数据;
仿真模块402,用于基于所述标注数据构建信号灯路口且发生信号灯识别异常的仿真环境,并进行驾驶仿真测试,得到仿真结果;
评估模块403,用于基于所述仿真结果对所述自动驾驶车辆在所述信号灯路口的驾驶行为进行评估,得到所述驾驶行为的评估结果。
本发明实施例中,通过获取自动驾驶车辆在信号灯路口发生信号灯识别异常时的路测数据,并对路测数据进行标注,得到标注数据;基于标注数据构建信号灯路口且发生信号灯识别异常的仿真环境,并进行驾驶仿真测试,得到仿真结果;基于仿真结果对自动驾驶车辆在信号灯路口的驾驶行为进行评估,得到驾驶行为的评估结果。解决了现有技术中无法准确评估自动驾驶车辆在通过信号灯路口时,车辆驾驶行为的合理性的技术问题。
请参阅图5,本发明实施例中车辆驾驶行为评估装置的第二个实施例,该车辆驾驶行为评估装置具体包括:
标注模块401,用于获取自动驾驶车辆在信号灯路口发生信号灯识别异常时的路测数据,并对所述路测数据进行标注,得到标注数据;
仿真模块402,用于基于所述标注数据构建信号灯路口且发生信号灯识别异常的仿真环境,并进行驾驶仿真测试,得到仿真结果;
评估模块403,用于基于所述仿真结果对所述自动驾驶车辆在所述信号灯路口的驾驶行为进行评估,得到所述驾驶行为的评估结果。
本实施例中,所述标注模块401包括:
获取单元4011,用于获取自动驾驶车辆在经过道路路口时采集的多帧环境图像数据;
判断单元4012,用于基于预设场景标签对所述多帧环境图像数据进行场景识别,判断所述多帧环境图像数据对应目标场景是否为信号灯路口识别异常;
采集单元4013,用于若是,则采集所述自动驾驶车辆在所述目标场景中的驾驶数据;
标注单元4014,用于将所述驾驶数据进行保存,得到路测数据,并基于所述场景标签对所述路测数据进行标注,得到标注数据。
本实施例中,所述标注单元4014具体用于:
基于所述场景标签对所述路测数据进行场景分类,得到所述路测数据对应的多个路测场景;
利用对应的场景标签标注所述路测数据中的各路测场景,得到标注数据。
本实施例中,所述仿真模块402包括:
提取单元4021,用于基于所述场景标注从所述路测数据中提取对应的场景片段数据;
构建单元4022,用于基于所述场景片段数据进行所述自动驾驶车辆的路测环境的构建,得到仿真环境;
仿真单元4023,用于基于所述仿真环境进行驾驶测试,得到仿真结果。
本实施例中,所述构建单元4022具体用于:
从所述场景片段数据中提取所述自动驾驶车辆对应当前场景的语义数据以及周围车辆的轨迹状态数据;
基于所述场景标签中的动态元素从所述当前场景的语义数据中提取所述动态元素对应的第一数据,得到动态场景数据;
基于所述场景标签中的静态元素从所述周围车辆的轨迹状态数据中提取所述静态元素对应的第二数据,得到实时背景数据;
将所述动态场景数据和所述实时背景数据进行拼接,构建信号灯路口且发生信号灯识别异常的仿真环境。
本实施例中,所述仿真单元4023具体用于:
获取与所述场景片段数据对应的道路数据;
根据所述道路数据,确定所述仿真环境中的多个目标仿真场景;
控制所述自动驾驶车辆在所述多个目标仿真场景中行驶,得到所述自动驾驶车辆的多个场景舒适度分数和多个场景持续通行分数;
基于所述多个场景舒适度分数和所述多个场景持续通行分数,确定所述自动驾驶车辆的仿真结果。
本实施例中,所述评估模块403具体用于:
基于所述仿真结果,确定所述自动驾驶车辆在所述信号灯路口的异常驾驶行为对应的驾驶通过率;
确定所述异常驾驶行为对应的权重;
基于所述驾驶通过率和所述权重,对所述自动驾驶车辆的驾驶行为进行评估,得到所述驾驶行为的评估结果。
本发明实施例中,获取自动驾驶车辆在信号灯路口发生信号灯识别异常时的路测数据,并对路测数据进行标注,得到标注数据;基于标注数据构建信号灯路口且发生信号灯识别异常的仿真环境,并进行驾驶仿真测试,得到仿真结果;基于仿真结果对自动驾驶车辆在信号灯路口的驾驶行为进行评估,得到驾驶行为的评估结果。解决了现有技术中无法准确评估自动驾驶车辆在通过信号灯路口时,车辆驾驶行为的合理性的技术问题。
上面图4和图5从模块化功能实体的角度对本发明实施例中的车辆驾驶行为评估装置进行详细描述,下面从硬件处理的角度对本发明实施例中车辆驾驶行为评估设备进行详细描述。
图6是本发明实施例提供的一种车辆驾驶行为评估设备的结构示意图,该车辆驾驶行为评估设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对车辆驾驶行为评估设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在车辆驾驶行为评估设备600上执行存储介质630中的一系列指令操作,以实现上述各方法实施例提供的车辆驾驶行为评估方法的步骤。
车辆驾驶行为评估设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作***631,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的车辆驾驶行为评估设备结构并不构成对本申请提供的车辆驾驶行为评估设备的限定,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。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行上述车辆驾驶行为评估方法的步骤。
所述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。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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)
1.一种车辆驾驶行为评估方法,其特征在于,所述车辆驾驶行为评估方法包括:
获取自动驾驶车辆在信号灯路口发生信号灯识别异常时的路测数据,并对所述路测数据进行标注,得到标注数据;
基于所述标注数据构建信号灯路口且发生信号灯识别异常的仿真环境,并进行驾驶仿真测试,得到仿真结果;
基于所述仿真结果对所述自动驾驶车辆在所述信号灯路口的驾驶行为进行评估,得到所述驾驶行为的评估结果。
2.根据权利要求1所述的车辆驾驶行为评估方法,其特征在于,所述获取自动驾驶车辆在信号灯路口发生信号灯识别异常时的路测数据,并对所述路测数据进行标注,得到标注数据,包括:
获取自动驾驶车辆在经过道路路口时采集的多帧环境图像数据;
基于预设场景标签对所述多帧环境图像数据进行场景识别,判断所述多帧环境图像数据对应目标场景是否为信号灯路口识别异常;
若是,则采集所述自动驾驶车辆在所述目标场景中的驾驶数据;
将所述驾驶数据进行保存,得到路测数据,并基于所述场景标签对所述路测数据进行标注,得到标注数据。
3.根据权利要求1所述的车辆驾驶行为评估方法,其特征在于,所述基于所述场景标签对所述路测数据进行标注,得到标注数据,包括:
基于所述场景标签对所述路测数据进行场景分类,得到所述路测数据对应的多个路测场景;
利用对应的场景标签标注所述路测数据中的各路测场景,得到标注数据。
4.根据权利要求3所述的车辆驾驶行为评估方法,其特征在于,所述基于所述标注数据构建信号灯路口且发生信号灯识别异常的仿真环境,并进行驾驶仿真测试,得到仿真结果,包括:
基于所述场景标注从所述路测数据中提取对应的场景片段数据;
基于所述场景片段数据进行所述自动驾驶车辆的路测环境的构建,得到仿真环境;
基于所述仿真环境进行驾驶测试,得到仿真结果。
5.根据权利要求4所述的车辆驾驶行为评估方法,其特征在于,所述基于所述场景片段数据进行所述自动驾驶车辆的路测环境的构建,得到仿真环境,包括:
从所述场景片段数据中提取所述自动驾驶车辆对应当前场景的语义数据以及周围车辆的轨迹状态数据;
基于所述场景标签中的动态元素从所述当前场景的语义数据中提取所述动态元素对应的第一数据,得到动态场景数据;
基于所述场景标签中的静态元素从所述周围车辆的轨迹状态数据中提取所述静态元素对应的第二数据,得到实时背景数据;
将所述动态场景数据和所述实时背景数据进行拼接,构建信号灯路口且发生信号灯识别异常的仿真环境。
6.根据权利要求4所述的车辆驾驶行为评估方法,其特征在于,所述基于所述仿真环境进行驾驶测试,得到仿真结果,包括:
获取与所述场景片段数据对应的道路数据;
根据所述道路数据,确定所述仿真环境中的多个目标仿真场景;
控制所述自动驾驶车辆在所述多个目标仿真场景中行驶,得到所述自动驾驶车辆的多个场景舒适度分数和多个场景持续通行分数;
基于所述多个场景舒适度分数和所述多个场景持续通行分数,确定所述自动驾驶车辆的仿真结果。
7.根据权利要求1所述的车辆驾驶行为评估方法,其特征在于,所述基于所述仿真结果对所述自动驾驶车辆在所述信号灯路口的驾驶行为进行评估,得到所述驾驶行为的评估结果,包括:
基于所述仿真结果,确定所述自动驾驶车辆在所述信号灯路口的异常驾驶行为对应的驾驶通过率;
确定所述异常驾驶行为对应的权重;
基于所述驾驶通过率和所述权重,对所述自动驾驶车辆的驾驶行为进行评估,得到所述驾驶行为的评估结果。
8.一种车辆驾驶行为评估装置,其特征在于,所述车辆驾驶行为评估装置包括:
标注模块,用于获取自动驾驶车辆在信号灯路口发生信号灯识别异常时的路测数据,并对所述路测数据进行标注,得到标注数据;
仿真模块,用于基于所述标注数据构建信号灯路口且发生信号灯识别异常的仿真环境,并进行驾驶仿真测试,得到仿真结果;
评估模块,用于基于所述仿真结果对所述自动驾驶车辆在所述信号灯路口的驾驶行为进行评估,得到所述驾驶行为的评估结果。
9.一种车辆驾驶行为评估设备,其特征在于,所述车辆驾驶行为评估设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述车辆驾驶行为评估设备执行如权利要求1-7中任一项所述的车辆驾驶行为评估方法的各个步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,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1-7中任一项所述的车辆驾驶行为评估方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310222063.0A CN116580551A (zh) | 2023-03-08 | 2023-03-08 | 车辆驾驶行为评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310222063.0A CN116580551A (zh) | 2023-03-08 | 2023-03-08 | 车辆驾驶行为评估方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116580551A true CN116580551A (zh) | 2023-08-11 |
Family
ID=87534748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310222063.0A Pending CN116580551A (zh) | 2023-03-08 | 2023-03-08 | 车辆驾驶行为评估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116580551A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117591847A (zh) * | 2024-01-19 | 2024-02-23 | 福思(杭州)智能科技有限公司 | 基于车况数据的模型指向评测方法和装置 |
-
2023
- 2023-03-08 CN CN202310222063.0A patent/CN116580551A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117591847A (zh) * | 2024-01-19 | 2024-02-23 | 福思(杭州)智能科技有限公司 | 基于车况数据的模型指向评测方法和装置 |
CN117591847B (zh) * | 2024-01-19 | 2024-05-07 | 福思(杭州)智能科技有限公司 | 基于车况数据的模型指向评测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10885777B2 (en) | Multiple exposure event determination | |
CN109598066B (zh) | 预测模块的效果评估方法、装置、设备和存储介质 | |
US11380105B2 (en) | Identification and classification of traffic conflicts | |
CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
Tageldin et al. | Developing evasive action‐based indicators for identifying pedestrian conflicts in less organized traffic environments | |
CN105513349B (zh) | 基于双视角学习的山区高速公路车辆事件检测方法 | |
CN110843794A (zh) | 驾驶场景理解方法、装置和轨迹规划方法、装置 | |
KR102453627B1 (ko) | 딥러닝 기반 교통 흐름 분석 방법 및 시스템 | |
CN113470371B (zh) | 识别违规车辆的方法、***和计算机可读存储介质 | |
Kerber et al. | Clustering of the scenario space for the assessment of automated driving | |
CN106412508A (zh) | 车辆违章压线智能监控方法和*** | |
CN115618932A (zh) | 基于网联自动驾驶的交通事件预测方法、装置及电子设备 | |
CN113674523A (zh) | 交通事故分析方法、装置及设备 | |
Ansariyar et al. | Statistical analysis of vehicle-vehicle conflicts with a LIDAR sensor in a signalized intersection. | |
CN116580551A (zh) | 车辆驾驶行为评估方法、装置、设备及存储介质 | |
CN113658427A (zh) | 基于视觉与雷达的路况监控方法及***、设备 | |
Ki | Accident detection system using image processing and MDR | |
Harper et al. | Safety Validation of Autonomous Vehicles using Assertion Checking | |
CN106504542A (zh) | 车速智能监控方法和*** | |
CN114647954A (zh) | 仿真场景生成方法、装置、计算机设备及存储介质 | |
KR20220146670A (ko) | 교통 비정상 탐지 방법, 장치, 기기, 저장 매체 및 프로그램 | |
CN114527675A (zh) | 自动驾驶仿真测试方法、装置、设备及存储介质 | |
Schneider et al. | Scenario-based threat metric evaluation based on the highd dataset | |
Karim et al. | An attention-guided multistream feature fusion network for localization of risky objects in driving videos | |
CN114241373A (zh) | 一种端到端的车辆行为检测方法、***、设备及存储介质 |
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 |