RU2016136970A - Виртуальный тестовый стенд восприятия поверхности дороги - Google Patents
Виртуальный тестовый стенд восприятия поверхности дороги Download PDFInfo
- Publication number
- RU2016136970A RU2016136970A RU2016136970A RU2016136970A RU2016136970A RU 2016136970 A RU2016136970 A RU 2016136970A RU 2016136970 A RU2016136970 A RU 2016136970A RU 2016136970 A RU2016136970 A RU 2016136970A RU 2016136970 A RU2016136970 A RU 2016136970A
- Authority
- RU
- Russia
- Prior art keywords
- virtual
- sensor
- computer system
- road
- anomaly
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/04—Monitoring the functioning of the control system
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Claims (48)
1. Способ, содержащий этапы, на которых:
получают с помощью компьютерной системы данные датчика, выводимые виртуальным датчиком, моделирующим работу датчика изображений, когда виртуальный датчик воспринимает виртуальную аномалию, заданную в пределах виртуальной поверхности дороги;
получают с помощью одного или более алгоритмов, применяемых компьютерной системой к данным датчика, по меньшей мере один воспринимаемый размер виртуальной аномалии; и
определяют с помощью компьютерной системы эффективность одного или более алгоритмов путем сравнения по меньшей мере одного воспринимаемого размера с по меньшей мере одним действительным размером виртуальной аномалии, которая задана на виртуальной поверхности дороги.
2. Способ по п. 1, в котором датчик изображений выбирают из группы, состоящей из камеры, лазерного сканера и радиолокационного устройства.
3. Способ по п. 2, дополнительно содержащий этап, на котором получают с помощью компьютерной системы наземные контрольные данные, содержащие по меньшей мере один действительный размер.
4. Способ по п. 3, дополнительно содержащий этап, на котором используют с помощью компьютерной системы данные датчика, наземные контрольные данные и контролируемые методы обучения для улучшения эффективности одного или более алгоритмов.
5. Способ по п. 4, в котором виртуальную аномалию выбирают из группы, состоящей из виртуальной выбоины, виртуальной искусственной неровности для ограничения скорости движения, виртуальной крышки канализационного люка и виртуальной неровной местности.
6. Способ по п. 1, в котором получение данных датчика содержит этапы, на которых:
осуществляют прохождение, с помощью компьютерной системы, виртуального датчика по виртуальной поверхности дороги при моделировании;
управляют с помощью компьютерной системы во время прохождения точкой обзора виртуального датчика относительно виртуальной поверхности дороги; и
записывают с помощью компьютерной системы данные датчика, которые выводятся виртуальным датчиком во время прохождения.
7. Способ по п. 6, в котором управление содержит этап, на котором изменяют угол установки виртуального датчика относительно виртуальной поверхности дороги.
8. Способ по п. 7, в котором управление дополнительно содержит этап, на котором изменяют расстояние в направлении по нормали между виртуальной поверхностью дороги и виртуальным датчиком.
9. Способ по п. 8, в котором управление дополнительно содержит этап, на котором перемещают виртуальный датчик относительно виртуальной поверхности дороги, как предписано моделью движения транспортного средства, моделирующей движение транспортного средства, несущего виртуальный датчик и едущего по виртуальной поверхности дороги.
10. Способ по п. 9, в котором датчик изображений выбирают из группы, состоящей из камеры, лазерного сканера и радиолокационного устройства.
11. Способ по п. 10, дополнительно содержащий этап, на котором получают с помощью компьютерной системы наземные контрольные данные, содержащие по меньшей мере один действительный размер.
12. Способ по п. 11, дополнительно содержащий этап, на котором используют с помощью компьютерной системы данные датчика, наземные контрольные данные и контролируемые методы обучения для улучшения эффективности одного или более алгоритмов.
13. Способ по п. 12, в котором виртуальную аномалию выбирают из группы, состоящей из виртуальной выбоины, виртуальной искусственной неровности для ограничения скорости движения, виртуальной крышки канализационного люка и виртуальной неровной местности.
14. Способ тестирования эффективности одного или более алгоритмов обнаружения аномалий, причем упомянутый способ содержит этапы, на которых:
получают с помощью компьютерной системы данные датчика, выводимые виртуальным датчиком, моделирующим работу датчика изображений, когда виртуальный датчик воспринимает виртуальную аномалию, заданную в пределах виртуальной поверхности дороги;
получают с помощью одного или более алгоритмов, применяемых компьютерной системой к данным датчика, по меньшей мере один воспринимаемый размер виртуальной аномалии;
получают с помощью компьютерной системы наземные контрольные данные, задающие точные размеры виртуальной аномалии, которая задана на виртуальной поверхности дороги;
определяют с помощью компьютерной системы эффективность одного или более алгоритмов путем сравнения по меньшей мере одного воспринимаемого размера с по меньшей мере одним действительным размером из точных размеров.
15. Способ по п. 14, в котором получение данных датчика содержит этапы, на которых:
выполняют с помощью компьютерной системы моделирование, содержащее
прохождение виртуального датчика по виртуальной поверхности дороги и
перемещение, во время прохождения, виртуального датчика относительно виртуальной поверхности дороги, как предписано моделью движения транспортного средства, моделирующей движение транспортного средства, едущего по виртуальной поверхности дороги и при этом несущего виртуальный датчик; и
записывают с помощью компьютерной системы данные датчика, которые выводятся виртуальным датчиком во время прохождения.
16. Способ по п. 15, в котором перемещение содержит этапы, на которых:
изменяют угол установки виртуального датчика относительно виртуальной поверхности дороги; и
изменяют расстояние в направлении по нормали между виртуальной поверхностью дороги и виртуальным датчиком.
17. Способ по п. 16, в котором датчик изображений выбирают из группы, состоящей из камеры, лазерного сканера и радиолокационного устройства.
18. Способ по п. 17, дополнительно содержащий этап, на котором используют с помощью компьютерной системы данные датчика, наземные контрольные данные и контролируемые методы обучения для улучшения эффективности одного или более алгоритмов.
19. Способ по п. 18, в котором виртуальную аномалию выбирают из группы, состоящей из виртуальной выбоины, виртуальной искусственной неровности для ограничения скорости движения, виртуальной крышки канализационного люка и виртуальной неровной местности.
20. Компьютерная система, содержащая:
один или более процессоров;
память, функционально соединенную с одним или более процессорами; и
причем память хранит:
виртуальную среду вождения, запрограммированную на включение в себя множества виртуальных аномалий,
первую программную модель, запрограммированную на моделирование датчика,
вторую программную модель, запрограммированную на моделирование транспортного средства,
модуль моделирования, запрограммированный на использование виртуальной среды вождения, первой программной модели и второй программной модели для получения выходных данных, моделирующих то, какими были бы выходные данные от датчика, если бы датчик был установлен на транспортном средстве, и если бы транспортное средство ехало по реальной среде вождения, совпадающей с виртуальной средой вождения, и
модуль восприятия, запрограммированный на применение одного или более алгоритмов к выходным данным для получения воспринимаемых размеров, характеризующих каждую виртуальную аномалию из множества виртуальных аномалий.
21. Способ, содержащий этапы, на которых:
получают с помощью компьютерной системы данные датчика, выводимые виртуальным датчиком, воспринимающим виртуальную аномалию в виртуальной среде вождения;
получают с помощью алгоритма, применяемого с помощью компьютерной системы к данным датчика, воспринимаемый размер виртуальной аномалии; и
определяют с помощью компьютерной системы эффективность алгоритма путем сравнения воспринимаемого размера с действительным размером виртуальной аномалии, которая задана в виртуальной среде вождения.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US14/858,671 US20170083794A1 (en) | 2015-09-18 | 2015-09-18 | Virtual, road-surface-perception test bed |
| US14/858,671 | 2015-09-18 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2016136970A true RU2016136970A (ru) | 2018-03-20 |
Family
ID=57288607
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2016136970A RU2016136970A (ru) | 2015-09-18 | 2016-09-15 | Виртуальный тестовый стенд восприятия поверхности дороги |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20170083794A1 (ru) |
| CN (1) | CN106547588A (ru) |
| GB (1) | GB2544391A (ru) |
| MX (1) | MX2016012108A (ru) |
| RU (1) | RU2016136970A (ru) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU191374U1 (ru) * | 2018-11-16 | 2019-08-02 | Автономная некоммерческая образовательная организация высшего образования "Сколковский институт науки и технологий" | Устройство на основе ансамбля гетерогенных нейронных сетей для уточнения прогнозов модели metro в задаче прогнозирования параметров и оценки состояния дорожного покрытия |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11210436B2 (en) * | 2016-07-07 | 2021-12-28 | Ford Global Technologies, Llc | Virtual sensor-data-generation system and method supporting development of algorithms facilitating navigation of railway crossings in varying weather conditions |
| US10521677B2 (en) * | 2016-07-14 | 2019-12-31 | Ford Global Technologies, Llc | Virtual sensor-data-generation system and method supporting development of vision-based rain-detection algorithms |
| US11474202B2 (en) * | 2017-07-19 | 2022-10-18 | Intel Corporation | Compensating for a sensor deficiency in a heterogeneous sensor array |
| CN107527074B (zh) * | 2017-09-05 | 2020-04-07 | 百度在线网络技术(北京)有限公司 | 用于车辆的图像处理方法和装置 |
| EP3486766A1 (en) * | 2017-11-17 | 2019-05-22 | Steinbeis Interagierende Systeme GmbH | Computer-implemented method of augmenting a simulation model of a physical environment of a vehicle |
| US11620419B2 (en) * | 2018-01-24 | 2023-04-04 | Toyota Research Institute, Inc. | Systems and methods for identifying human-based perception techniques |
| WO2019166142A1 (en) * | 2018-03-01 | 2019-09-06 | Jaguar Land Rover Limited | Methods and apparatus for acquisition and tracking, object classification and terrain inference |
| US11087176B2 (en) * | 2018-05-08 | 2021-08-10 | Microsoft Technology Licensing, Llc | Spatial localization design service |
| US11354459B2 (en) * | 2018-05-08 | 2022-06-07 | Microsoft Technology Licensing, Llc | Computer vision and speech algorithm design service |
| US10754344B2 (en) | 2018-07-19 | 2020-08-25 | Toyota Research Institute, Inc. | Method and apparatus for road hazard detection |
| EP3611068B1 (en) * | 2018-08-16 | 2022-12-21 | Continental Autonomous Mobility Germany GmbH | Driving assistance method and device, and vehicle |
| KR20200133920A (ko) * | 2019-05-21 | 2020-12-01 | 현대자동차주식회사 | 인공신경망 기반의 투사정보 인식 장치 및 그 방법 |
| US11284284B2 (en) * | 2019-08-13 | 2022-03-22 | T-Mobile Usa, Inc. | Analysis of anomalies using ranking algorithm |
| US12228419B2 (en) | 2021-07-29 | 2025-02-18 | Zoox, Inc. | Systematic fault detection in vehicle control systems |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102842250A (zh) * | 2011-06-22 | 2012-12-26 | 上海日浦信息技术有限公司 | 基于快速控制原型的开发型汽车驾驶模拟方法 |
| CN102999050B (zh) * | 2012-12-13 | 2015-04-08 | 哈尔滨工程大学 | 一种智能水下机器人的自主避障方法 |
| CN103335658B (zh) * | 2013-06-19 | 2016-09-14 | 华南农业大学 | 一种基于弧线路径生成的自主车辆避障方法 |
| CN104290745B (zh) * | 2014-10-28 | 2017-02-01 | 奇瑞汽车股份有限公司 | 车辆用半自动驾驶系统的驾驶方法 |
-
2015
- 2015-09-18 US US14/858,671 patent/US20170083794A1/en not_active Abandoned
-
2016
- 2016-09-14 CN CN201610825776.6A patent/CN106547588A/zh not_active Withdrawn
- 2016-09-15 RU RU2016136970A patent/RU2016136970A/ru not_active Application Discontinuation
- 2016-09-16 GB GB1615831.3A patent/GB2544391A/en not_active Withdrawn
- 2016-09-19 MX MX2016012108A patent/MX2016012108A/es unknown
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU191374U1 (ru) * | 2018-11-16 | 2019-08-02 | Автономная некоммерческая образовательная организация высшего образования "Сколковский институт науки и технологий" | Устройство на основе ансамбля гетерогенных нейронных сетей для уточнения прогнозов модели metro в задаче прогнозирования параметров и оценки состояния дорожного покрытия |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106547588A (zh) | 2017-03-29 |
| GB201615831D0 (en) | 2016-11-02 |
| US20170083794A1 (en) | 2017-03-23 |
| GB2544391A (en) | 2017-05-17 |
| MX2016012108A (es) | 2017-03-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2016136970A (ru) | Виртуальный тестовый стенд восприятия поверхности дороги | |
| RU2016139696A (ru) | Формирование данных выявления границ полос движения в виртуальной среде | |
| US11126891B2 (en) | Systems and methods for simulating sensor data using a generative model | |
| RU2016149163A (ru) | Генерация данных виртуальных датчиков для выявления колесного упора | |
| Allan et al. | Planetary rover simulation for lunar exploration missions | |
| RU2016140057A (ru) | Испытательный стенд для выявления границ полосы движения в виртуальной среде вождения | |
| US10510187B2 (en) | Method and system for virtual sensor data generation with depth ground truth annotation | |
| US10229231B2 (en) | Sensor-data generation in virtual driving environment | |
| US20190065933A1 (en) | Augmenting Real Sensor Recordings With Simulated Sensor Data | |
| US20190065637A1 (en) | Augmenting Real Sensor Recordings With Simulated Sensor Data | |
| US20190278698A1 (en) | Autonomous Vehicle Simulation And Testing | |
| RU2015156117A (ru) | Испытательный стенд виртуальной автономной реакции | |
| WO2021146905A1 (zh) | 基于深度学习的场景模拟器构建方法、装置和计算机设备 | |
| CN109101690A (zh) | 用于渲染车辆自动驾驶模拟器中的场景的方法和装置 | |
| RU2017123627A (ru) | Способ генерации виртуальных данных с датчиков для выявления приемников оградительных столбов | |
| RU2017100440A (ru) | Алгоритм обучения для избежания столкновений | |
| RU2016101520A (ru) | Вычислительное устройство, способ и вычислительная система | |
| CN111580128B (zh) | 一种机动车驾驶人考试场地自动检测建模的方法 | |
| US12541027B2 (en) | Lidar simulation system | |
| US11636684B2 (en) | Behavior model of an environment sensor | |
| JP7746990B2 (ja) | 反射成分抑制画像生成装置、反射成分抑制推論モデル生成装置、反射成分抑制画像生成方法、及びプログラム | |
| JP6350082B2 (ja) | 画像処理装置 | |
| Nentwig et al. | Hardware-in-the-loop testing of computer vision based driver assistance systems | |
| CN117034579A (zh) | 点云数据生成方法、装置、设备及存储介质 | |
| KR101475210B1 (ko) | 가상로봇 시뮬레이션 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FA93 | Acknowledgement of application withdrawn (no request for examination) |
Effective date: 20190916 |