-
公开(公告)号：CN118672921A
公开(公告)日：2024-09-20
申请号：CN202410800619.4
申请日：2024-06-20
Applicant: 清华大学 , 上海人工智能创新中心
IPC: G06F11/36 , G06F18/23213 , G06F18/10 , G06F18/2113
Abstract: 本发明涉及一种协同感知功能测试场景生成方法和系统，包括以下步骤：获取多源异质道路交通事故数据并进行标准化处理；对标准化处理后的交通事故数据进行定性和定量对比分析，得到事故数据对比分析结果；对标准化处理后的交通事故数据进行K‑Medoids聚类，得到主车驾驶人视线受遮挡事故的K‑Medoids场景聚类结果；根据事故数据对比分析结果以及场景聚类结果，构建协同感知功能测试场景，用于对自动驾驶汽车的自动驾驶系统进行测试。本发明可以广泛应用于协同感知测试场景生成领域。
-
公开(公告)号：CN118297143A
公开(公告)日：2024-07-05
申请号：CN202410381743.1
申请日：2024-03-29
Applicant: 清华大学
IPC: G06N5/01 , G01M17/007
Abstract: 本申请公开一种自适应测试策略调整方法及装置，本申请通过自适应搜索策略搜索到的状态动作对，平衡状态动作空间的探索与代理偏差并考虑自然驾驶环境中动作出现概率，提高了多个代理模型组合系数的调整效率，基于确定的组合系数执行自动驾驶汽车的测试，提高了自动驾驶汽车测试的鲁棒性以及测试评估的效率。
-
公开(公告)号：CN118226755A
公开(公告)日：2024-06-21
申请号：CN202410382530.0
申请日：2024-03-29
Applicant: 清华大学
IPC: G05B13/04
Abstract: 本申请公开一种自适应测试评估的方法、装置、计算机存储介质及终端，本公开实施例根据测试场景中包含的关键变量的个数将场景空间按层划分，基于每一层场景空间的第一控制参数和预先确定的每一层场景空间的重要性采样函数，确定每一层场景空间的稀疏控制变量；基于确定的每一层场景空间的稀疏控制变量，对每一层场景空间的测试结果进行估计，获得每一层场景空间的事故率；基于每一层场景空间的第一控制参数和每一层场景空间的事故率，获得自动驾驶汽车测试评估的全场景空间的事故率；可适用于高维测试环境，实现了自动驾驶汽车的高效测试评估。
-
公开(公告)号：CN116009516B
公开(公告)日：2024-09-24
申请号：CN202310063836.5
申请日：2023-01-12
Applicant: 清华大学
IPC: G05B23/02
Abstract: 本文公开一种实现自适应加速测试的方法及装置，包括：根据第i‑1次及之前的自适应加速测试的测试结果，确定第i次自适应加速测试的重要性采样函数；根据确定的第i次自适应加速测试的重要性采样函数，采样确定第i次自适应测试的测试场景Xi；在采样确定的第i次自适应测试的测试场景Xi中对自动驾驶汽车进行自适应加速测试，获得测试结果；根据获得的测试结果，确定测试场景Xi的自适应加速测试的测试指标；根据确定的测试指标判断出测试结果收敛时，将确定的测试指标确定为测试评估结果。本发明实施例通过多重重要性采样函数的确定，加速了测试场景生成，提高了自动驾驶汽车测试评估的效率。
-
公开(公告)号：CN118032374A
公开(公告)日：2024-05-14
申请号：CN202410336952.4
申请日：2024-03-22
Applicant: 清华大学
IPC: G01M17/007
Abstract: 本申请公开一种测试评估的方法、计算机存储介质及终端，包括：对一组采样场景，确定每一个采样场景的覆盖范围；根据每一个采样场景的覆盖范围，确定该一组采样场景的权重函数；根据确定的该一组采样场景的权重函数确定测试指标的估计值；根据测试指标的理论值和估计值，获得宏观等效性函数；对自动驾驶的代理模型与自动驾驶的真实模型的误差进行处理，获得微观等效性函数；根据宏观等效性函数和微观等效性函数，确定等效测试评估的综合等效性函数；对综合等效性函数进行迭代运算，获得最优采样场景。本公开实施例通过综合等效性函数，通过衡量场景覆盖范围生成少量代表性测试的采样场景，保证了少量测试成本下的自动驾驶安全性测试的可靠性。
-
Patent Agency Ranking
公开(公告)号：CN116088476A
公开(公告)日：2023-05-09
申请号：CN202310070263.9
申请日：2023-01-12
Applicant: 清华大学
IPC: G05B23/02
Abstract: 本文公开一种实现自适应加速测试评估的方法及装置，包括：对从第二次开始的自适应加速测试，根据i‑1次之前的自适应加速测试的测试结果，确定第i次自适应加速测试的重要性采样函数；根据确定的重要性采样函数，确定测试场景Xi；在测试场景Xi中进行自适应加速测试，获得第i次的测试结果；根据获得的测试结果，确定基于控制变量的自适应加速评估方法的控制参数；根据确定的控制参数，计算第i次自适应加速测试的测试指标；根据测试指标判断出测试结果收敛时，将测试指标作为测试评估结果。本发明实施例通过结合多重重要性采样的自适应加速测试与基于控制变量的自适应加速评估，加速了测试场景生成，提高了自动驾驶汽车测试评估的效率。
-
公开(公告)号：CN109598934A
公开(公告)日：2019-04-09
申请号：CN201811524283.4
申请日：2018-12-13
Applicant: 清华大学
IPC: G08G1/01 , G08G1/0968 , G05D1/02
Abstract: 本发明涉及一种基于融合规则与学习模型的无人驾驶汽车驶离高速的方法，其步骤：无人驾驶汽车在高速公路行驶过程中，根据导航系统在匝道前一段距离产生下匝道动机，利用规则模型尝试下匝道，并判断基于规则的决策模型下匝道是否降低成功率，若没有降低，则采用规则模型决策动作，反之则进入下一步；基于增强学习的框架建立混合规则与增强学习的混合决策模型及其训练方法，混合决策模型能够在远离匝道时采用规则模型驾驶，并在驶向匝道过程中，根据下匝道紧迫性利用增强学习决策模型调整车辆动作。本发明能提升无人驾驶汽车下匝道过程的行驶效率与稳定性，实现在有限感知范围，难以预测的环境车辆条件下，无人驾驶汽车高效、高稳定性的下匝道决策。
-
公开(公告)号：CN118245763A
公开(公告)日：2024-06-25
申请号：CN202410382456.2
申请日：2024-03-29
Applicant: 清华大学
IPC: G06F18/21 , G06F18/2415
Abstract: 本申请公开一种表格型密集强化学习方法、计算机存储介质及终端，包括：从关键状态集合中均匀采样初始状态，使得初始状态均为关键状态；根据学习率、时序差分误差及关键状态集合的示性函数，对未达到最优的兴趣事件的发生概率Q(s,a)进行更新学习。本公开实施例从关键状态集合中均匀采样初始状态，基于包含关键状态集合的示性函数实现兴趣事件的发生概率Q(s,a)的更新学习，使得训练数据包含的关键状态信息密集化，减少了计算量、节省了计算资源，提升了未达到最优的兴趣事件的发生概率Q(s,a)的学习效率。
-
公开(公告)号：CN116467599A
公开(公告)日：2023-07-21
申请号：CN202310410081.1
申请日：2023-04-17
Applicant: 清华大学
IPC: G06F18/214 , G06F16/29 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/084
Abstract: 本文公开一种实现测试场景生成的模型的训练方法，包括：获取用于模型训练的数据集，数据集中包含历史观测序列和地图信息；对历史观测序列进行升维，获得第一高维特征信息；根据地图信息中包含的离散点之间的相关关系，获得的第二高维特征信息；根据第一高维特征信息、第二高维特征信息与表征所有车辆在场景中的随机性的随机函数信息，生成隐变量状态信息；对隐变量状态信息进行解码，获得交通先验模型的输出；对数据集中数据，根据交通先验模型的输入和获得的交通先验模型的输出计算预设的第一损失函数，获得交通先验模型。本发明实施例训练获得了交通先验模型，为自动生成自动驾驶汽车在正常工作情况下安全行驶的驾驶场景提供了支持。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.048 seconds)
