[go: up one dir, main page]

RU2016136970A - Виртуальный тестовый стенд восприятия поверхности дороги - Google Patents

Виртуальный тестовый стенд восприятия поверхности дороги Download PDF

Info

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
Application number
RU2016136970A
Other languages
English (en)
Inventor
Венкатапатхи Раджу НАЛЛАПА
Мартин ЗЕГЕР
Эшли Элизабет МИКС
Дуглас БЛЮ
Original Assignee
ФОРД ГЛОУБАЛ ТЕКНОЛОДЖИЗ, ЭлЭлСи
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ФОРД ГЛОУБАЛ ТЕКНОЛОДЖИЗ, ЭлЭлСи filed Critical ФОРД ГЛОУБАЛ ТЕКНОЛОДЖИЗ, ЭлЭлСи
Publication of RU2016136970A publication Critical patent/RU2016136970A/ru

Links

Classifications

    • GPHYSICS
    • G06COMPUTING OR CALCULATING; COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/50Context or environment of the image
    • G06V20/56Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • GPHYSICS
    • G06COMPUTING OR CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00Arrangements for program control, e.g. control units
    • G06F9/06Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44Arrangements for executing specific programs
    • G06F9/445Program loading or initiating
    • GPHYSICS
    • G06COMPUTING OR CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/50Depth or shape recovery
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT 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
    • B60W50/00Details 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
    • B60W50/04Monitoring the functioning of the control system
    • GPHYSICS
    • G06COMPUTING OR CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING OR CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217Validation; Performance evaluation; Active pattern learning techniques
    • GPHYSICS
    • G06COMPUTING OR CALCULATING; COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • GPHYSICS
    • G06COMPUTING OR CALCULATING; COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING OR CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • GPHYSICS
    • G06COMPUTING OR CALCULATING; COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • GPHYSICS
    • G06COMPUTING OR CALCULATING; COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77Processing 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
    • G06V10/774Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING OR CALCULATING; COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77Processing 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
    • G06V10/776Validation; Performance evaluation
    • GPHYSICS
    • G06COMPUTING OR CALCULATING; COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82Arrangements 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.
RU2016136970A 2015-09-18 2016-09-15 Виртуальный тестовый стенд восприятия поверхности дороги RU2016136970A (ru)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Cited By (1)

* Cited by examiner, † Cited by third party
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