面向车载相机采集图像的智能汽车测试场景关键性量化模型

doi:10.19562/j.chinasae.qcgc.2024.04.001

摘要/Abstract

摘要：

车载相机图像是构建智能汽车测试场景库的主要数据来源，但其中关键测试场景发生概率低，大部分场景的测试价值小，若将其直接应用于智能汽车测试会浪费大量测试资源。本文提出一种面向车载相机采集图像的智能汽车测试场景关键性量化模型。首先，基于实车相机参数对实车采集的图像进行处理，输出对行车安全具有影响的参数；其次，基于风险场理论将参数整合，输出测试场景关键性量化结果；最后，对实车采集的图像进行测试场景关键性量化验证，结果表明本文模型可以精确输出测试场景关键性的具体数值，进而对比不同场景的测试价值，证明本文提出的模型可以有效筛选智能汽车关键测试场景。

关键词: 智能汽车, 测试场景, 关键性量化模型, 车载相机图像, 风险场理论

Abstract:

Onboard camera images are the main data sources for constructing the intelligent vehicle test scenario library， but the probability of critical test scenarios occurring in the actual collected onboard camera images is very low， and most of the scenarios have little test value. If it is directly applied to the intelligent vehicle test， it will waste a lot of test resources. In this paper， a criticality assessment model for the intelligent vehicle test scenario based on the onboard camera images is proposed. Firstly， the images collected from real vehicles are processed based on the camera parameters to output parameters that have impact on driving safety. Then， the parameters are integrated using the risk field theory to output the criticality assessment results of the intelligent vehicle test scenario. Finally， the criticality assessment validation is conducted on the images collected from the actual vehicle. The results show that the proposed model can accurately output the specific values of the criticality of the test scenarios in order to compare the test values of different scenarios， proving that the model proposed in this paper can effectively screen the intelligent vehicle critical test scenarios.

Key words: intelligent vehicle, test scenario, criticality assessment model, onboard camera images, risk field theory

朱冰,黄殷梓,赵健,张培兴,薛经纬. 面向车载相机采集图像的智能汽车测试场景关键性量化模型[J]. 汽车工程, 2024, 46(4): 557-563.

Bing Zhu,Yinzi Huang,Jian Zhao,Peixing Zhang,Jingwei Xue. A Criticality Assessment Model for the Intelligent Vehicle Test Scenario Based on the Onboard Camera Images[J]. Automotive Engineering, 2024, 46(4): 557-563.

图/表 12

图1

图2

图3

表1

相机参数"

项目	具体参数	数值
相机安装参数	$δ I$ /（°）	85
	$H I$ /mm	1 500
	$D i s I$ /mm	1 350
相机内参	$f o v$ /（°）	55
相机内参	$f$ /mm	6.0

表1

图4

图5

图6

图7

表2

实车图像采集平台相机参数"

项目	具体参数	数值
相机安装参数	$δ I$ /（°）	89
	$H I$ /mm	1 516
	$D i s I$ /mm	1 350
相机内参	$f o v$ /（°）	120
相机内参	$f$ /mm	7.5

表2

图8

图9

图10

参考文献 15

1	朱冰，张培兴，赵健，等. 基于场景的自动驾驶汽车虚拟测试研究进展［J］. 中国公路学报， 2019， 32（6）： 1-19.
	ZHU Bing， ZHANG Peixing， ZHAO Jian， et al. Review of scenario-based virtual validation methods for automated vehicles［J］. China Journal of Highway and Transport， 2019， 32（6）： 1-19.
2	ZHANG Xinhai， TAO Jianbo， TAN Kaige， et al. Finding critical scenarios for automated driving systems： a systematic mapping study［J］. IEEE Transactions on Software Engineering， 2023， 49（3）： 991-1026.
3	VOGEL K. A comparison of headway and time to collision as safety indicators［J］. Accident Analysis & Prevention， 2003， 35（3）： 427-433.
4	MAHMUD S M S， FERREIRA L， HOQUE M S， et al. Application of proximal surrogate indicators for safety evaluation： a review of recent developments and research needs［J］. IATSS Research， 2017， 41（4）： 153-163.
5	EVERY J L， BARICKMAN F， MARTIN J， et al. A novel method to evaluate the safety of highly automated vehicles［C］. 25th International Technical Conference on the Enhanced Safety of Vehicles （ESV） National Highway Traffic Safety Administration， Detroit， 2017.
6	LEE K， PENG H. Evaluation of automotive forward collision warning and collision avoidance algorithms［J］. Vehicle System Dynamics， 2005， 43（10）： 735-751.
7	MAMMAR S， GLASER S， NETTO M， et al. Time-to-line crossing and vehicle dynamics for lane departure avoidance［C］. The 7th International IEEE Conference on Intelligent Transportation Systems. IEEE， 2004： 618-623.
8	WANG J， WU J， LI Y. The driving safety field based on driver–vehicle-road interactions［J］. IEEE Transactions on Intelligent Transportation Systems， 2015， 16（4）： 2203-2214.
9	WANG J， WU J， ZHENG X， et al. Driving safety field theory modeling and its application in pre-collision warning system［J］. Transportation Research Part C： Emerging Technologies， 2016， 72： 306-324.
10	李文亮，周炜，宋毅，等. 基于危险度和复杂度的智能汽车测试工况评价模型［J］. 公路交通科技， 2021， 38（5）： 109-114.
	LI Wenliang， ZHOU Wei， SONG Yi， et al. A model for evaluating intelligent vehicle test condition based on risk degree and complexity degree［J］. Journal of Highway and Transportation Research and Development， 2021， 38（5）： 109-114.
11	陈浩，王红，李维汉，等. 基于行车安全场理论的预期功能安全场景风险评估［J］. 汽车工程， 2022， 44（11）： 1636-1646.
	CHEN Hao， WANG Hong， LI Weihan， et al. Risk assessment of safety of the intended functionality scenes based on driving safety field theory［J］. Automotive Engineering， 2022， 44（11）： 1636-1646.
12	LI L， GAN J， JI X， et al. Dynamic driving risk potential field model under the connected and automated vehicles environment and its application in car-following modeling［J］. IEEE Transactions on Intelligent Transportation Systems， 2020， 23（1）： 122-141.
13	HAN J， ZHAO J， ZHU B， et al. Spatial-temporal risk field for intelligent connected vehicle in dynamic traffic and application in trajectory planning［J］. IEEE Transactions on Intelligent Transportation Systems， 2023， 24（3）： 2963-2975.
14	ZHANG D， FANG B， YANG W， et al. Robust inverse perspective mapping based on vanishing point［C］. Proceedings 2014 IEEE International Conference on Security， Pattern Analysis， and Cybernetics （SPAC）. IEEE， 2014： 458-463.
15	ULBRICH S， MENZEL T， RESCHKA A， et al. Defining and substantiating the terms scene， situation， and scenario for automated driving［C］. 2015 IEEE 18th International Conference on Intelligent Transportation Systems. IEEE， 2015： 982-988.

[1]	郝建平,苏炎召,钟志华,黄晋. 面向智能汽车的SOA架构及服务调度机制研究[J]. 汽车工程, 2023, 45(9): 1563-1572.
[2]	赵高士,陈龙,蔡英凤,廉玉波,王海,刘擎超,滕成龙. 融合复杂网络和记忆增强网络的轨迹预测技术[J]. 汽车工程, 2023, 45(9): 1608-1616.
[3]	胡启慧,蔡英凤,王海,陈龙,董钊志,刘擎超. 基于层次图注意的异构多目标轨迹预测方法[J]. 汽车工程, 2023, 45(8): 1448-1456.
[4]	高翔,陈龙,王歆叶,熊晓夏,李祎承,陈月霞. 基于轨迹预测的智能汽车行驶风险评估方法[J]. 汽车工程, 2023, 45(4): 588-597.
[5]	胡杰,朱琪,陈锐鹏,张敏超,张志豪,刘昊岩. 引入必经点约束的智能汽车全局路径规划[J]. 汽车工程, 2023, 45(3): 350-360.
[6]	张紫微,郑玲,李以农,乔旭强,郑浩,王戡. 考虑前车运动不确定性的多目标自适应巡航控制[J]. 汽车工程, 2023, 45(3): 361-371.
[7]	刘正发,吴亚,刘佩根,顾荣琦,陈广. 基于特征和标签联合分布匹配的智能驾驶跨域自适应目标检测[J]. 汽车工程, 2023, 45(11): 2082-2091.
[8]	赵树廉,来飞,李克强,陈涛,孟璋劼,唐逸超,吴思宇,田浩东. 基于数字孪生技术的智能汽车测试方法研究[J]. 汽车工程, 2023, 45(1): 42-51.
[9]	邵文博,李骏,张玉新,王红. 智能汽车预期功能安全保障关键技术[J]. 汽车工程, 2022, 44(9): 1289-1304.
[10]	汪梓豪,蔡英凤,王海,陈龙,熊晓夏. 基于单目视觉运动估计的周边多目标轨迹预测方法[J]. 汽车工程, 2022, 44(9): 1318-1326.
[11]	梁旺,秦兆博,陈亮,边有钢,胡满江. 基于改进BP神经网络的智能车纵向控制方法[J]. 汽车工程, 2022, 44(8): 1162-1172.
[12]	赵健,宋东鉴,朱冰,吴杭哲,韩嘉懿,刘宇翔. 数据机理混合驱动的交通车意图识别方法[J]. 汽车工程, 2022, 44(7): 997-1008.
[13]	余嘉星,Aliasghar Arab,裴晓飞,过学迅. 考虑路径平滑性和避撞稳定性的智能汽车弯道轨迹规划研究[J]. 汽车工程, 2022, 44(5): 656-663.
[14]	江浩斌,冯张棋,洪阳珂,韦奇志,皮健. 应用于车辆纵向控制的无模型自适应滑模预测控制方法[J]. 汽车工程, 2022, 44(3): 319-329.
[15]	宋东鉴,朱冰,赵健,韩嘉懿,刘彦辰. 基于驾驶行为生成机制的智能汽车类人行为决策[J]. 汽车工程, 2022, 44(12): 1797-1808.