CN115230736A - 一种面向测试的自动驾驶车辆分层解耦方法及系统 - Google Patents
一种面向测试的自动驾驶车辆分层解耦方法及系统 Download PDFInfo
- Publication number
- CN115230736A CN115230736A CN202210829061.3A CN202210829061A CN115230736A CN 115230736 A CN115230736 A CN 115230736A CN 202210829061 A CN202210829061 A CN 202210829061A CN 115230736 A CN115230736 A CN 115230736A
- Authority
- CN
- China
- Prior art keywords
- decoupling
- test
- vehicle
- automatic driving
- evaluation element
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000011156 evaluation Methods 0.000 claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 230000008878 coupling Effects 0.000 claims abstract description 20
- 238000010168 coupling process Methods 0.000 claims abstract description 20
- 238000005859 coupling reaction Methods 0.000 claims abstract description 20
- 238000010606 normalization Methods 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 23
- 230000007246 mechanism Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 6
- 239000000470 constituent Substances 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 32
- 238000004088 simulation Methods 0.000 abstract description 6
- 239000000203 mixture Substances 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000011990 functional testing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Prevention of errors by analysis, debugging or testing of software
- G06F11/3668—Testing of software
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种面向测试的自动驾驶车辆分层解耦方法及系统，方法包括：基于专家经验对自动驾驶被测对象的物理结构、逻辑关系和应用功能进行解析，得到解析信息；根据所述解析信息进行非线性分层解耦，得到多个测评要素特征；对所述测评要素特征依次进行归一化处理和拉普拉斯特征映射，得到低维解耦方阵；根据所述低维解耦方阵进行要素提取，得到测评要素。本发明首先要对其进行解构，解析自动驾驶系统的物理构成、逻辑关系及应用功能等，分析自动驾驶不同算法对仿真测试的不同测试需求，然后针对自动驾驶的多模块提出支持名个功能模块的测试支持方法。本发明能够提高自动驾驶车辆各层级间耦合度高的测试的针对性。
Description
技术领域
本发明涉及自动驾驶控制技术领域，特别是涉及一种面向测试的自动驾驶车辆分层解耦方法及系统。
背景技术
基于场景的虚拟仿真测试对于自动驾驶的发展有着巨大的推动力和发展潜力，但是相关研究目前处于起步阶段，离建立系统性自动驾驶测试理论、方法和平台仍存在很大差距。具体而言存在的不足为：自动驾驶车辆各层级间耦合度高测试缺乏针对性，车辆行驶环境复杂度高、随机性强，目前的测试场景难以反映真实的高复杂度、随机性强的交通环境，未能形成自动驾驶系统多层级、多难度等级的高置信场景构建方法，同时缺乏对应测试目标的场景快速搜索方法，测试效率低、置信度不足。
发明内容
为了克服现有技术的不足，本发明的目的是提供一种面向测试的自动驾驶车辆分层解耦方法及系统。
为实现上述目的，本发明提供了如下方案：
一种面向测试的自动驾驶车辆分层解耦方法，包括：
基于专家经验对自动驾驶被测对象的物理结构、逻辑关系和应用功能进行解析，得到解析信息；
根据所述解析信息进行非线性分层解耦，得到多个测评要素特征；
对所述测评要素特征依次进行归一化处理和拉普拉斯特征映射，得到低维解耦方阵；
根据所述低维解耦方阵进行要素提取，得到测评要素。
优选地，所述物理结构包括：
所述物理结构包括车载设备、决策计算单元和执行机构；
所述车载设备包括车载摄像头、激光雷达、毫米波雷达、车载惯导和车载IMU；所述决策计算单元包括决策系统、控制系统、感知系统和导航定位系统；所述执行机构包括线控模块、驱动模块和算法模块。
优选地，所述逻辑关系包括数据交互中间件和数据路由。
优选地，所述应用功能包括自动障碍、自动紧急制动、智能泊车和车联网。
优选地，所述根据所述解析信息进行非线性分层解耦，得到多个测评要素特征，包括：
基于所述解析信息分析自动驾驶车辆的层级耦合机理；
根据所述层级耦合机理建立车辆的多变量控制系统；所述多变量控制系统包括解耦变量配对关系；
根据所述多变量控制系统设计逆系统；
根据所述逆系统对所述多变量控制系统进行层级解耦，得到构成要素间的影响关系；
根据所述影响关系提取测评要素特征。
优选地，所述对所述测评要素特征依次进行归一化处理和拉普拉斯特征映射，得到低维解耦方阵，包括：
将各个所述测评要素特征统一至预设区间内，得到各个测评要素的归一化值；
根据所述归一化值确定数据谱图；所述数据谱图中的各个数据点为所述归一化值对应的所述测评要素；
针对每个数据点，将距离所述数据点最近的K个点进行连接；K为预设值；
根据所述数据点的连接线，确定数据点之间的权重；
根据所述权重确定拉普拉斯矩阵的特征向量与特征值；
根据所述特征向量与所述特征值得到所述低维解耦方阵。
优选地，根据所述低维解耦方阵进行要素提取，得到测评要素，包括：
从系统、设备和功能三个层面分别对所述低维解耦方阵进行要素提取，得到各个所述测评要素。
一种面向测试的自动驾驶车辆分层解耦系统，包括：
解析单元，用于基于专家经验对自动驾驶被测对象的物理结构、逻辑关系和应用功能进行解析，得到解析信息；
解耦单元，用于根据所述解析信息进行非线性分层解耦，得到多个测评要素特征；
映射单元，用于对所述测评要素特征依次进行归一化处理和拉普拉斯特征映射，得到低维解耦方阵；
提取单元，用于根据所述低维解耦方阵进行要素提取，得到测评要素。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种面向测试的自动驾驶车辆分层解耦方法及系统，方法包括：基于专家经验对自动驾驶被测对象的物理结构、逻辑关系和应用功能进行解析，得到解析信息；根据所述解析信息进行非线性分层解耦，得到多个测评要素特征；对所述测评要素特征依次进行归一化处理和拉普拉斯特征映射，得到低维解耦方阵；根据所述低维解耦方阵进行要素提取，得到测评要素。本发明首先要对其进行解构，解析自动驾驶系统的物理构成、逻辑关系及应用功能等，分析自动驾驶不同算法对仿真测试的不同测试需求，然后针对自动驾驶的多模块提出支持各个功能模块的测试支持方法。本发明能够提高自动驾驶车辆各层级间耦合度高的测试的针对性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的实施例中的面向测试的自动驾驶车辆分层解耦方法的流程图；
图2为本发明提供的实施例中的系统解耦及测评要素提取示意图；
图3为发明提供的实施例中的解耦后的等效结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种面向测试的自动驾驶车辆分层解耦方法及系统，能够提高自动驾驶车辆各层级间耦合度高的测试的针对性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明提供的实施例中的面向测试的自动驾驶车辆分层解耦方法的流程图，如图1所示，本发明提供了一种面向测试的自动驾驶车辆分层解耦方法，包括：
步骤100：基于专家经验对自动驾驶被测对象的物理结构、逻辑关系和应用功能进行解析，得到解析信息。
步骤200：根据所述解析信息进行非线性分层解耦，得到多个测评要素特征。
步骤300：对所述测评要素特征依次进行归一化处理和拉普拉斯特征映射，得到低维解耦方阵。
步骤400：根据所述低维解耦方阵进行要素提取，得到测评要素。
优选地，所述物理结构包括：
所述物理结构包括车载设备、决策计算单元和执行机构。
所述车载设备包括车载摄像头、激光雷达、毫米波雷达、车载惯导和车载IMU；所述决策计算单元包括决策系统、控制系统、感知系统和导航定位系统；所述执行机构包括线控模块、驱动模块和算法模块。
优选地，所述逻辑关系包括数据交互中间件和数据路由。
优选地，所述应用功能包括自动障碍、自动紧急制动、智能泊车和车联网。
具体的，自动驾驶被测对象的物理结构主要包括车载设备(车载摄像头、激光雷达，毫米波雷达，车载惯导，车载IMU等组成)，决策计算单元(决策、控制、感知、导航定位系统)和执行机构(包括线控、各个驱动模块及算法模块)；应用功能指面向测试需求的相关功能，如自动避障、AVP(智能泊车)、V2X等；逻辑关系指被测对象的系统架构及各模块单元之间的交互作用，如数据交互中间件、数据路由等。
图2为本发明提供的实施例中的系统解耦及测评要素提取示意图，如图2所示，本实施例中的提供了自动驾驶被测对象多层次解耦的流程，基于专家经验法，解析自动驾驶车辆的物理构成、逻辑关系及应用服务，分析自动驾驶的层级耦合机理，提出复杂环境下自动驾驶的动态解耦策略，实现对自动驾驶车辆的层级解耦；分析其构成要素间的影响关系，分层提取测评要素。在系统充分解耦之后，对各个系统要素进行归化处理，然后基于拉普拉斯特征映射等方法进行降维处理，提取系统关键的测评要素，明确不同被测对象的测试需求。
进一步地，如表1所示，表1为面向“自动避障”功能测试示意表。
表1
优选地，所述步骤200包括：
基于所述解析信息分析自动驾驶车辆的层级耦合机理。
根据所述层级耦合机理建立车辆的多变量控制系统；所述多变量控制系统包括解耦变量配对关系。
根据所述多变量控制系统设计逆系统。
根据所述逆系统对所述多变量控制系统进行层级解耦，得到构成要素间的影响关系。
根据所述影响关系提取测评要素特征。
具体的，本实施例中，分析自动驾驶车辆的层级耦合机理，建立车辆模型确定车辆多变量系统解耦变量配对关系。然后设计逆系统，使原来带有耦合非线性特性的系统转换为多个线性解耦子系统，实现对自动驾驶系统的非线性解耦控制，消除系统解耦控制中的非线性耦合因素，可以有效解决耦合对系统造成的影响，提高系统性能。在对自动驾驶车辆进行层级解耦后，得到构成要素间的影响关系，分层提取测评要素。
具体地，如“自动避障”功能测试，以其执行机构(物理结构)中线控底盘为例，分析“自动避障”功能测试中主动转向控制和主动制动控制存在严重耦合，控制结构通过车辆主动转向系统和主动制动系统产生附加的前轮转角和横摆力矩进行底盘集成控制。由于轮胎侧向力同时与侧偏角和垂向载荷有关，且两者均受到质心侧偏角和横摆角速度影响，横摆角速度和质心侧偏角通过轮胎作用产生耦合；当对车辆施加主动制动控制车辆稳定行驶时，由于横摆力矩对作用也会使车辆自身产生横摆运动，横摆角速度在于纵向速度对综合作用下，惯性作用在非惯性系中会体现出来，导致车辆产生侧向运动，横摆与侧向两个自由度间存在耦合，需采用非线性解耦控制对主动制动和主动转向进行合理配置，以消除两者的干涉和耦合。
首先考虑底盘集成控制的非线性系统，即多变量输入输出系统：
简记为：
其输出为：
简记为：
y＝h(x,u)；
其中，x＝(x1,x2,…xn)T∈Rn是系统的状态变量，n是维数。u＝(u1,u2…uq)T∈Rq是系统的输入变量，y＝(y1,y2,…,yq)∈Rq是系统输出向量。该系统为q维输入q维输出n阶非线性动态系统。
得到非线性系统：
采用Interactor算法证明多变量系统的可逆性，对于车辆非线性系统，δf T]T为系统输入,[v ωr]T为状态变量，车辆系统输出变量为质心侧偏角和横摆角速度，记为[β ωr]T。
对于非线性系统中的y1求时间导数，直到第ri阶导数
中显含输入变量，即输出变量的ri阶导数对输入变量的雅克比矩阵秩为1：
则此相对阶为α1＝ri。
对式中y2进行求导，直到第rj阶导数：
对于车辆非线性系统存在非负整数1和1，使得第rj阶导数的公式等于系统输出的个数，则系统的相对阶向量为r＝[1 1]T，且
(2为系统的阶数)，由隐函数存在定理可得，原车辆系统存在逆系统，逆系统可以如下表示：
其中φ(·)为逆系统中的输入和输出的函数映射关系。令Z1＝β，Z2＝ωr，
作为输入给逆系统，那么系统的逆系统可如下表达：
u＝φ(z1,z2,z3,z4)；
将该逆系统串联在车辆模型前面便可以实现系统的解耦如图3所示。
进一步地，针对多变量控制的系统，通过给予单输入激励，测其稳态响应，确定系统的前轮转角和横摆力矩对质心侧偏角的相对增益矩阵，当相对增益接近于1时，则系统可以通过这一种变量配对关系，从而确定输入输出的配对关系，即选择前轮转角控制质心侧偏角，横臂力矩控制横摆角速度。利用逆系统模型将原系统补偿为具有线性传递关系的伪线性系统来减弱系统各回路间的耦合影响，实现输入输出的一一映射关系。对于通过解耦预补偿器计算得到的主动前轮转角和主动横摆力矩，其中，主动前轮转角不需要伺服环控制，可由主动转向执行机构直接获得；而主动横摆力矩则可以通过对不同的车轮施加制动力来实现，选择合理的主动横摆力矩分配策略，以保证底盘集成控制系统的控制效果。在进行解耦设计后，提取输出变量质心侧偏角和横摆角速度作为测评要素。
同样的，可以对车载感知、数据交互中间件等模块进行非线性分析，确定多输入输出变量解耦配对关系，完成多层解耦。
优选地，所述步骤300包括：
将各个所述测评要素特征统一至预设区间内，得到各个测评要素的归一化值；
根据所述归一化值确定数据谱图；所述数据谱图中的各个数据点为所述归一化值对应的所述测评要素；
针对每个数据点，将距离所述数据点最近的K个点进行连接；K为预设值；
根据所述数据点的连接线，确定数据点之间的权重；
根据所述权重确定拉普拉斯矩阵的特征向量与特征值；
根据所述特征向量与所述特征值得到所述低维解耦方阵。
具体的，本实施例中将所有的测评要素特征都统一到一个大致相同的数值区间内，以便不同维度之间的特征能有一定比较性。归一化处理后将所有的测评要素特征分别作为一个点，点构建成一个图，将每个点最近的K个点连上边。K是一个预先设定的值。确定点与点之间的权重大小，选用热核函数来确定，如果点i和点j相连，那么它们关系的权重设定为：
另外一种可选的简化设定是Wjj＝1如果点i，j相连，否则Wii＝0。计算拉普拉斯矩阵L的特征向量与特征值：Ly＝λDy，其中D是对角矩阵，满足Dii＝∑jWji，L＝D-W。使用最小的m个非零特征值对应的特征向量作为降维后的结果输出，得到低维方阵。
优选地，所述步骤400包括：
从系统、设备和功能三个层面分别对所述低维解耦方阵进行要素提取，得到各个所述测评要素。
具体的，在得到低维解耦方阵后，从系统、设备和功能三个层面进行要素提取。系统即被测对象的自动驾驶相关系统(软件模块、中间件层等)；设备即为当前测试中参与作用的感知、执行等单元设备，如摄像头感知能力、雷达感知能力、线控能力等；功能即为面向测试过程中明确的测试需求，如规避障碍场景测试中，提取的功能测评要素为：障碍物目标检测、主动制动、主动换道转向。
此外，本实施例中还公开了一种多功能模块的测试支持方法。本申请研究复合测试场景数据库、多仿真工具与综合评价方法之间的物理/逻辑耦合特性，构建自动驾驶算法接入仿真的标准模型；分析自动驾驶不同算法对通用仿真数据格式要求，在自动驾驶常用标准框架基础上，建立支持接入感知模块、定位模块、决策模块、规划模块、控制模块等模块的测试支持系统。
本实施例还对应上述方法提供了一种面向测试的自动驾驶车辆分层解耦系统，包括：
解析单元，用于基于专家经验对自动驾驶被测对象的物理结构、逻辑关系和应用功能进行解析，得到解析信息；
解耦单元，用于根据所述解析信息进行非线性分层解耦，得到多个测评要素特征；
映射单元，用于对所述测评要素特征依次进行归一化处理和拉普拉斯特征映射，得到低维解耦方阵；
提取单元，用于根据所述低维解耦方阵进行要素提取，得到测评要素。
本发明的有益效果如下：
本发明基于自动驾驶车辆在线测试，首先要对其进行解构，解析自动驾驶系统的物理构成、逻辑关系及应用功能等，分析自动驾驶不同算法对仿真测试的不同测试需求，提高了自动驾驶车辆各层级间耦合度高的测试的针对性。且针对自动驾驶的多模块提出支持多个功能模块的测试支持方法，进一步地提高了自动驾驶测试的针对性和测试效率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种面向测试的自动驾驶车辆分层解耦方法，其特征在于，包括：
基于专家经验对自动驾驶被测对象的物理结构、逻辑关系和应用功能进行解析，得到解析信息；
根据所述解析信息进行非线性分层解耦，得到多个测评要素特征；
对所述测评要素特征依次进行归一化处理和拉普拉斯特征映射，得到低维解耦方阵；
根据所述低维解耦方阵进行要素提取，得到测评要素。
2.根据权利要求1所述的面向测试的自动驾驶车辆分层解耦方法，其特征在于，所述物理结构包括：
所述物理结构包括车载设备、决策计算单元和执行机构；
所述车载设备包括车载摄像头、激光雷达、毫米波雷达、车载惯导和车载IMU；所述决策计算单元包括决策系统、控制系统、感知系统和导航定位系统；所述执行机构包括线控模块、驱动模块和算法模块。
3.根据权利要求1所述的面向测试的自动驾驶车辆分层解耦方法，其特征在于，所述逻辑关系包括数据交互中间件和数据路由。
4.根据权利要求1所述的面向测试的自动驾驶车辆分层解耦方法，其特征在于，所述应用功能包括自动障碍、自动紧急制动、智能泊车和车联网。
5.根据权利要求1所述的面向测试的自动驾驶车辆分层解耦方法，其特征在于，所述根据所述解析信息进行非线性分层解耦，得到多个测评要素特征，包括：
基于所述解析信息分析自动驾驶车辆的层级耦合机理；
根据所述层级耦合机理建立车辆的多变量控制系统；所述多变量控制系统包括解耦变量配对关系；
根据所述多变量控制系统设计逆系统；
根据所述逆系统对所述多变量控制系统进行层级解耦，得到构成要素间的影响关系；
根据所述影响关系提取测评要素特征。
6.根据权利要求1所述的面向测试的自动驾驶车辆分层解耦方法，其特征在于，所述对所述测评要素特征依次进行归一化处理和拉普拉斯特征映射，得到低维解耦方阵，包括：
将各个所述测评要素特征统一至预设区间内，得到各个测评要素的归一化值；
根据所述归一化值确定数据谱图；所述数据谱图中的各个数据点为所述归一化值对应的所述测评要素；
针对每个数据点，将距离所述数据点最近的K个点进行连接；K为预设值；
根据所述数据点的连接线，确定数据点之间的权重；
根据所述权重确定拉普拉斯矩阵的特征向量与特征值；
根据所述特征向量与所述特征值得到所述低维解耦方阵。
7.根据权利要求1所述的面向测试的自动驾驶车辆分层解耦方法，其特征在于，根据所述低维解耦方阵进行要素提取，得到测评要素，包括：
从系统、设备和功能三个层面分别对所述低维解耦方阵进行要素提取，得到各个所述测评要素。
8.一种面向测试的自动驾驶车辆分层解耦系统，其特征在于，包括：
解析单元，用于基于专家经验对自动驾驶被测对象的物理结构、逻辑关系和应用功能进行解析，得到解析信息；
解耦单元，用于根据所述解析信息进行非线性分层解耦，得到多个测评要素特征；
映射单元，用于对所述测评要素特征依次进行归一化处理和拉普拉斯特征映射，得到低维解耦方阵；
提取单元，用于根据所述低维解耦方阵进行要素提取，得到测评要素。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2022106370473 | 2022-06-07 | ||
| CN202210637047 | 2022-06-07 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115230736A true CN115230736A (zh) | 2022-10-25 |
Family
ID=83674078
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210829061.3A Withdrawn CN115230736A (zh) | 2022-06-07 | 2022-07-14 | 一种面向测试的自动驾驶车辆分层解耦方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115230736A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116821386A (zh) * | 2023-08-30 | 2023-09-29 | 深圳巨湾科技有限公司 | 一种基于多源异构数据结构化的单一特征评估控制方法 |
-
2022
- 2022-07-14 CN CN202210829061.3A patent/CN115230736A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116821386A (zh) * | 2023-08-30 | 2023-09-29 | 深圳巨湾科技有限公司 | 一种基于多源异构数据结构化的单一特征评估控制方法 |
| CN116821386B (zh) * | 2023-08-30 | 2023-11-21 | 深圳巨湾科技有限公司 | 一种基于多源异构数据结构化的单一特征评估控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Menhour et al. | An efficient model-free setting for longitudinal and lateral vehicle control: Validation through the interconnected Pro-SiVIC/RTMaps prototyping platform | |
| Jiang et al. | Recursive total principle component regression based fault detection and its application to vehicular cyber-physical systems | |
| Pan et al. | Data-driven vehicle modeling of longitudinal dynamics based on a multibody model and deep neural networks | |
| Cheng et al. | Parameter and state estimation for articulated heavy vehicles | |
| CN113408047B (zh) | 一种基于时滞反馈神经网络的车辆动力学预测模型、及训练数据获取方法、训练方法 | |
| Song et al. | Virtual-point-based fault-tolerant lateral and longitudinal control of 4W-steering vehicles | |
| US11893004B2 (en) | Anomaly detection in multidimensional sensor data | |
| Fang et al. | A high-performance neural network vehicle dynamics model for trajectory tracking control | |
| Chung et al. | A decentralized fault detection filter | |
| Yang et al. | Active suspension robust preview control by considering actuator delay | |
| Dai et al. | A bargaining game-based human–machine shared driving control authority allocation strategy | |
| Gao et al. | Autonomous driving based on modified sac algorithm through imitation learning pretraining | |
| CN115230736A (zh) | 一种面向测试的自动驾驶车辆分层解耦方法及系统 | |
| Leanza et al. | On the vehicle dynamics prediction via model-based observation | |
| Imine et al. | Heavy vehicle suspension parameters identification and estimation of vertical forces: Experimental results | |
| Yang et al. | State estimation of buses: A hybrid algorithm of deep neural network and unscented Kalman filter considering mass identification | |
| Ahmed et al. | Analysis of vehicle handling using a simple track model of automobile | |
| CN115828425A (zh) | 轮胎模型及路面附着系数协同辨识方法、系统 | |
| Liu et al. | Vehicle state and parameter estimation based on improved extend Kalman filter | |
| Brennan et al. | Dimensionless robust control with application to vehicles | |
| Wang et al. | Research on digital twin vehicle stability monitoring system based on side slip angle | |
| Fouka et al. | Motorcycle state estimation and tire cornering stiffness identification applied to road safety: Using observer-based identifiers | |
| Ayberk et al. | Design of a Multi-Objective Lateral Controller for Highly Automated Vehicles | |
| Liu et al. | Vehicle state and parameter estimation based on adaptive anti-outlier unscented Kalman filter and GA-BPNN method | |
| Li et al. | Parameter Identification of Tractor‐Semitrailer Model under Steering and Braking |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221025 |
|
| WW01 | Invention patent application withdrawn after publication |