自动驾驶测试场景相关概念
自动驾驶测试场景
- 一、概念
- 二、分类
- 2.1、按照场景的抽象程度可分为:功能场景、逻辑场景、具体场景。
- 2.2.、按功能划分
- 2.3、 按环境复杂度
- 2.3、按场景类型
- 三、要素
- 四、挑战与趋势
- 4.1、长尾场景覆盖
- 4.2、伦理决策测试
- 4.3、车路协同测试
- 4.4、联邦学习驱动
一、概念
自动驾驶测试场景是指在一定的时间和空间范围内,自动驾驶汽车与行驶环境中的其它车辆、道路、交通设施、气象条件等元素综合交互过程的一种总体动态描述。它是自动驾驶汽车的驾驶情景与行驶环境的有机组合,既包括各类实体元素,也涵盖了实体执行的动作及实体之间的连接关系;亦是验证车辆在真实或模拟环境中处理各类驾驶任务的关键环节,其设计直接影响系统安全性与可靠性。
二、分类
2.1、按照场景的抽象程度可分为:功能场景、逻辑场景、具体场景。
- a.功能场景:ü 通过语义描述的最抽象级别的操作场景, 即通过语言场景符号来描述场景区域内的实体以及实体间的关系;ü 功能场景用于概念阶段的项目定义、危险分析和风险评估;在测试过程中,往往需要将功能场景转换为逻辑场景,并转换为可用于相应仿真环境的数据格式。
- b.逻辑场景ü 通过定义状态空间内变量的参数范围来表达实体特征和实体间的关系;ü 逻辑场景是基于状态空间变量对功能场景的进一步详细描述,用于项目开发阶段生成需求;对于每一个具有连续取值范围的逻辑场景, 都可以派生出任意数量的具体场景。
- c.具体场景ü 通过确定状态空间中每个参数的具体值来明确描述实体和实体间的关系,以状态空间详细描述了测试场景;ü 具体场景可以直接转化为测试用例;要将具体场景转换成测试用例, 需要增加被测对象的预期行为表现以及对相关测试设施的需求。

2.2.、按功能划分
- 感知测试:目标检测(行人/车辆/障碍物)、车道线识别、交通标志识别等。
- 决策规划测试:路径规划、避障策略、交通规则遵守(如红灯/变道)。
- 控制测试:刹车/加速/转向平滑性、紧急情况下的制动性能。
2.3、 按环境复杂度
- 封闭场地:测试基础功能(如泊车、低速避障),常见于初期开发。
- 开放道路:涵盖城市道路、高速、山路等真实场景,需应对动态交通流。
- 极端环境:雨雪冰雾、强光逆光、复杂天气下的传感器鲁棒性。
2.3、按场景类型
- 常规场景:直行、转弯、跟车、超车。
- 边缘场景:罕见但危险的Case(如突然横穿马路、道路施工标识误判)。
- 长尾场景:概率极低但后果严重的事件(如「鬼探头」行人)
三、要素
测试场景要素:主要分为测试车辆自身要素和外部交通环境要素两大部分;外部交通环境要素又涵盖:静态环境要素、动态环境要素、交通参与者要素、气象要素等。
- 测试车辆自身要素:指测试车辆自身的基础属性、位置信息、运动状态信息及驾驶任务信息。
- 静态环境要素:指交通环境中静止状态的物体。包括:道路、交通设施、周围景观以及障碍物等。
- 动态环境要素:指交通环境中处于动态变化的要素。包括:动态指示设施 和 通信环境信息。
- 交通参与者要素:在自动驾驶测试场景中对本车决策规划造成影响的对象信息。包括:车辆、行人和动物。
- 气象要素:包括驾驶场景中的环境温度、光照条件以及天气情况等信息。

四、挑战与趋势
4.1、长尾场景覆盖
如何高效生成罕见场景?需结合数据挖掘(从事故报告、保险理赔中提取)与合成数据技术。
4.2、伦理决策测试
道德困境模拟(电车难题变种),目前依赖专家定义优先级规则。
4.3、车路协同测试
V2X通信延迟、信号干扰对决策的影响需在联合测试中验证。
4.4、联邦学习驱动
多车企共享匿名化测试数据,提升场景多样性而不泄露商业机密。
相关文章:
自动驾驶测试场景相关概念
自动驾驶测试场景 一、概念二、分类2.1、按照场景的抽象程度可分为:功能场景、逻辑场景、具体场景。2.2.、按功能划分2.3、 按环境复杂度2.3、按场景类型 三、要素四、挑战与趋势4.1、长尾场景覆盖4.2、伦理决策测试4.3、车路协同测试4.4、联邦学习驱动…...
给小白的oracle优化工具,了解一下
有时懒得分析或语句太长,可以尝试用oracle的dbms_sqldiag包进行sql优化, --How To Use DBMS_SQLDIAG To Diagnose Query Performance Issues (Doc ID 1386802.1) --诊断SQL 性能 SET ECHO ON SET LINESIZE 132 SET PAGESIZE 999 SET LONG 999999 SET SER…...
DMA发送全部历史记录数据到串口
背景 博主参与的项目中,有个读取全部历史记录的功能,如果下位机在主程序中将全部历史记录单纯地通过串口传输会比较占用cpu资源,影响主程序中别的功能。最后商量得出以下实现方案: 定义两个发送缓冲区DMATxbuf1和DMATxbuf2&…...
基因型—环境两向表数据分析——品种生态区划分
参考资料:农作物品种试验数据管理与分析 用于品种生态区划分的GGE双标图有两种功能图:试点向量功能图和“谁赢在哪里”功能图。双标图的具体模型基于SD定标和h加权和试点中心化的数据。本例中籽粒产量的GGE双标图仅解释了G和GE总变异的53.6%,…...
电路中如何计算电容容值大小
一个例题: 【电路中电容容值是怎么算出来的?】https://www.bilibili.com/video/BV1RQ4y1c7i1?vd_source3cc3c07b09206097d0d8b0aefdf07958...
c++中迭代器和指针有什么区别?
在 C 中,迭代器和指针虽然在某些场景下有相似的行为,但它们在设计目的、功能和使用场景上有本质区别。以下是详细对比和最佳实践: 一、核心区别对比表 特征指针迭代器本质原生数据类型,直接存储内存地址类对象,抽象容…...
GPT大语言模型与搜索引擎:技术本质与应用场景的深度解析
引言 在人工智能和自然语言处理(NLP)领域,GPT(Generative Pre-trained Transformer)大语言模型和搜索引擎是两个备受关注的技术。尽管它们都涉及到信息检索和生成,但它们在技术原理、应用场景和用户体验上…...
FreeRTOS-中断管理
实验目的 创建一个队列及一个任务,按下按键 KEY1 触发中断,在中断服务函数里向队列里发送数据,任务则阻塞接 收队列数据。 实验代码 实验结果 这样就实现了,使用中断往队列的发送信息,用任务阻塞接收信息...
计算机毕业设计SpringBoot+Vue.js音乐网站(源码+文档+PPT+讲解)
温馨提示:文末有 CSDN 平台官方提供的学长联系方式的名片! 温馨提示:文末有 CSDN 平台官方提供的学长联系方式的名片! 温馨提示:文末有 CSDN 平台官方提供的学长联系方式的名片! 作者简介:Java领…...
更换k8s容器运行时环境为docker
更换k8s容器运行时环境为docker k8s-V1.24之后容器运行时默认是containerd,若想改为熟悉的docker作为运行时,需要做以下操作 在每个节点安装containerd、docker; 每个节点安装cri-docker; 调整kubelet配置并重启验证。 1.安装docker、con…...
知识图谱-资源网
知识图谱-资源网 http://openkg.cn/datasets-type/https://www.ownthink.com/knowledge.html...
CTF-web: Rust 的过程宏
Rust 的过程宏(Procedural Macros)是一种强大的元编程工具,允许你在编译时对代码进行操作和生成。与属性宏和派生宏不同,过程宏可以接收并处理任意 Rust 代码,生成新的代码片段。这里有一个简单的例子来说明 Rust 的过…...
小程序Three Dof识别 实现景区AR体验
代码工程 GitCode - 全球开发者的开源社区,开源代码托管平台 dof...
Windows 11 下正确安装 Docker Desktop 到 D 盘的完整教程
文章目录 Windows 11 在 D 盘正确安装 Docker Desktop 的完整教程**前言****准备工作****1. 手动创建 Docker 相关目录**(⚠️ **这一步非常重要**,否则会报错)**2. 下载 Docker Desktop 安装程序****3. 使用管理员权限打开终端** **安装 Doc…...
锐评当前主流的各大编程语言
喵~ 让本喵来爪爪锐评一波编程语言吧!(ฅ•ω•ฅ)✧ 🐍 Python “简单到能拿爪子写代码喵~” 但缩进强迫症克星!写起来像在撸猫,跑起来…有时候像猫主子突然打翻水杯(GIL锁警告)~ 库多到能埋人࿰…...
2.数据结构:1.Tire 字符串统计
1.Tire 字符串统计 #include<algorithm> #include<cstring> #include<iostream>using namespace std;const int N100010; int son[N][26];//至多 N 层,每一层至多 26 个节点(字母) int cnt[N];//字符串至多 N 个ÿ…...
2020 年英语(一)考研真题 笔记(更新中)
Section I Use of English(完型填空) 原题 Directions:Read the following text. Choose the best word (s) for each numbered blank and mark A, B, C or D on the ANSWER SHEET. (10 points) Even if families are less likely to si…...
YOLO11改进加入ResNet网络
文章目录 1.改进目的2.demo引入2.1代码2.2 结果展示2.3 BottleNeck详解 1.改进目的 原始YOLO11模型训练好以后,检测结果mAP结果很低,视频检测结果很差,于是想到改进网络,这里介绍改进主干网络。 2.demo引入 2.1代码 # File: 2…...
硬编码(三)经典变长指令一
我们在前两节的硬编码中学习了定长指令,接下来学习变长指令 对于定长指令,我们通过opcode便可知该指令的长度,但是对于变长指令却是不可知的。变长指令长度由opcode,ModR/M,SIB共同决定。变长指令通常在需要操作内存的…...
在线VS离线TTS(语音合成芯片)有哪些优势-AIOT智能语音产品方案
离线 TTS 存在语音质量欠佳、音色选择有限、语言支持单一更新困难、占用资源多、适应性差、难以个性化定制等痛点 01更新维护困难 由于是离线模式,难以及时获取最新的语音数据和算法更新,无法得到持续改进。 02占用本地资源 需要在设备本地存储较大的…...
【Spring Boot】掌握 Spring 事务:隔离级别与传播机制解读与应用
前言 ???本期讲解关于spring 事务传播机制介绍~~~ ??感兴趣的小伙伴看一看小编主页:-CSDN博客 ?? 你的点赞就是小编不断更新的最大动力 ??那么废话不多说直接开整吧~~ 目录 ???1.事务的隔离级别 ??1.1MySQL事务隔离级别 ??1.2Spring事务隔离…...
PySide(PyQT)重新定义contextMenuEvent()实现鼠标右键弹出菜单
在 PySide中,contextMenuEvent() 是 QWidget 类(以及继承自它的所有子类)的一个事件处理方法,主要用于处理上下文菜单事件,也就是当用户在控件上右键点击时触发的事件。 • 通过重新定义contextMenuEvent()来实现自定…...
Redis 持久化方式:RDB(Redis Database)和 AOF(Append Only File)
本部分内容是关于博主在学习 Redis 时关于持久化部分的记录,介绍了 RDB 和 AOF 两种持久化方式,详细介绍了持久化的原理、配置、使用方式、优缺点和使用场景。并对两种持久化方式做了对比。文章最后介绍了 Redis 持久化的意义并与其他常见的缓存技术做了…...
数据库测试
TPCH 22条SQL语句分析 - xibuhaohao - 博客园 TPCH模型规范、测试说明及22条语句 - zhjh256 - 博客园 TPC-DS 性能比较:TiDB 与 Impala-PingCAP | 平凯星辰 揭秘Oracle TPC-H性能优化:如何提升数据库查询速度,揭秘实战技巧与挑战 引言 T…...
< 自用文儿 > Gobuster 暴力扫描工具与 SecLists 安全测试词表集合
Ethice 道德问题 GFW 的保护下,很多的设备操作系统是停留在更老的版本,应用软件也是,因此很多的漏洞没有被修复。通讯没有使用加密,例如网页没有使用 HTTPS 网站很多。几乎是半裸的在网络上等着被食。 不做恶是下限。 环境&…...
上海市计算机学会竞赛平台2024年4月月赛丙组排序分数
排序分数 内存限制: 256 Mb时间限制: 1000 ms 题目描述 给定正整数 nn,请按从小到大的顺序输出所有大于00 且小于 11 的,分母不超过 nn 的最简分数,例如 n5n5 时,输出: 15, 14, 13, 25, 12, 35, 23, 34, 45…...
【大语言模型笔记进阶一步】提示语设计学习笔记,跳出框架思维,自己构建提示词
一、大语言模型应用场景 1. 文本生成 文本创作: 诗歌故事,剧本,推文帖子 摘要与改写: 长文本摘要与简化,多语言翻译与本地化 结构化生成: 表格,根据需求生成代码片段,API文档生成…...
软件工程应试复习(考试折磨版)
针对学校软件工程考试,参考教材《软件工程导论(第6版)》1-8章 学习的艺术:不断地尝试,我一定会找到高效用的方法,让学习变成一门艺术,从应试备考中解救出我的时间同胞们。 好嘞!既然…...
关于网页地图的坐标系
EPSG:4326地理坐标系 和 EPSG:3857Web 墨卡托投影 EPSG:4326 定义:EPSG:4326 是基于 WGS84 椭球的地理坐标系,使用经度(Longitude)和纬度(Latitude)表示地球上的位置。特点: 经度范围为 -180 …...
环境会影响你的决策:K近邻算法(KNN)
环境会影响你的决策:K近邻算法(KNN) 1. 核心思想与流程 KNN是一种基于局部相似性的分类算法,核心思想是“近朱者赤”:待测样本的类别由其最近的k个邻居的多数类别决定。 关键步骤: 定义空间与距离:通常采…...
