廣告
自動駕駛汽車測試關(guān)鍵行人場景生成
2025-04-23 17:16:28· 來源：同濟智能汽車研究所
為了驗證本研究中提出的風險模型的有效性，TTC 的倒數(shù)表示為 作為 RDSI 的參考值進行分析，表明 與風險水平成正比。[圖 13]和[圖 14]（a）顯示了所提出的風險模型與 ，[圖 14]（b）顯示了每個交互場景中行人和車輛的 TTC。在每一幀中，它們之間較大的 TTC 值的倒數(shù)被視為 價值。如圖[13]所示，風險模型曲線與 曲線。這意味著所提出的風險模型可以有效地反映潛在的交互風險。如圖[14]所示，TTC 指標對橫向移動物體帶來的風險不敏感，導致與提出的風險模型相比，行人過馬路場景中的響應延遲。這表明與 TTC 相比，所提出的風險模型在評估橫向風險方面具有卓越的能力。
圖 13.車輛與行人互動風險的比較分析和 趨勢（最小 TTC =1.57 秒的情景）
圖 14.車輛與行人互動風險的比較分析和 趨勢（最小 TTC =1.19 秒的情景）
6.5. 行人關(guān)鍵測試場景
在原始情景庫中優(yōu)化搜索后，一共生成了 50 個關(guān)鍵場景，其分布如圖[15]所示。[圖 16]說明了從最終確定的關(guān)鍵場景中提取的不同行人運動特征的選擇。[圖 17]單獨分析了每個已確定的關(guān)鍵情景，[表 4]顯示了人行橫道特征的詳細分類。
圖 15.關(guān)鍵場景下的暴露頻率分布
圖 16.危急情況下的部分行人行為
圖 17. 在關(guān)鍵情況下，與不同速度和距離相關(guān)的風險
表 4 描述關(guān)鍵場景中的行人行為
如[表 4]所示，該實驗根據(jù)所提出的方法生成的 50 個關(guān)鍵測試場景將行人行為分為 7 種類型，這對 AV 行人測試至關(guān)重要。這些場景在信號燈交叉路口是典型且高風險的，對 AV 的感知、預測和決策構(gòu)成挑戰(zhàn)。高速之字形、亂穿馬路以及與轉(zhuǎn)彎車輛的互動等行為可能會測試 AV 預測不可預測的運動的能力。帶有規(guī)避動作或突然停止的高速穿越對 AV 的實時響應能力和自適應決策提出了挑戰(zhàn)。非標準交叉口，例如對角線移動或快速改變方向，會影響自動駕駛汽車的環(huán)境感知及其適應動態(tài)條件的能力。
廣告 編輯推薦
最新資訊
-
聯(lián)合國法規(guī)R60對兩輪車操縱件與指示裝置的
2026-03-04 12:08
-
標準立項|《汽車異種材料鉚接接頭拉伸性能
2026-03-04 11:40
-
“汽車大角度座椅 第1部分：通用要求”將有
2026-03-04 11:39
-
“汽車大角度座椅 第2部分：可靠性要求”將
2026-03-04 11:39
-
電池耐久評價開始從“電池單體性能指標”轉(zhuǎn)
2026-03-04 11:38
