广告
自动驾驶汽车测试关键行人场景生成
2025-04-23 17:16:28· 来源：同济智能汽车研究所
为了验证本研究中提出的风险模型的有效性，TTC 的倒数表示为 作为 RDSI 的参考值进行分析，表明 与风险水平成正比。[图 13]和[图 14]（a）显示了所提出的风险模型与 ，[图 14]（b）显示了每个交互场景中行人和车辆的 TTC。在每一帧中，它们之间较大的 TTC 值的倒数被视为 价值。如图[13]所示，风险模型曲线与 曲线。这意味着所提出的风险模型可以有效地反映潜在的交互风险。如图[14]所示，TTC 指标对横向移动物体带来的风险不敏感，导致与提出的风险模型相比，行人过马路场景中的响应延迟。这表明与 TTC 相比，所提出的风险模型在评估横向风险方面具有卓越的能力。
图 13.车辆与行人互动风险的比较分析和 趋势（最小 TTC =1.57 秒的情景）
图 14.车辆与行人互动风险的比较分析和 趋势（最小 TTC =1.19 秒的情景）
6.5. 行人关键测试场景
在原始情景库中优化搜索后，一共生成了 50 个关键场景，其分布如图[15]所示。[图 16]说明了从最终确定的关键场景中提取的不同行人运动特征的选择。[图 17]单独分析了每个已确定的关键情景，[表 4]显示了人行横道特征的详细分类。
图 15.关键场景下的暴露频率分布
图 16.危急情况下的部分行人行为
图 17. 在关键情况下，与不同速度和距离相关的风险
表 4 描述关键场景中的行人行为
如[表 4]所示，该实验根据所提出的方法生成的 50 个关键测试场景将行人行为分为 7 种类型，这对 AV 行人测试至关重要。这些场景在信号灯交叉路口是典型且高风险的，对 AV 的感知、预测和决策构成挑战。高速之字形、乱穿马路以及与转弯车辆的互动等行为可能会测试 AV 预测不可预测的运动的能力。带有规避动作或突然停止的高速穿越对 AV 的实时响应能力和自适应决策提出了挑战。非标准交叉口，例如对角线移动或快速改变方向，会影响自动驾驶汽车的环境感知及其适应动态条件的能力。
广告 
最新资讯
-
电动汽车车架刚度性能分析与对比
2025-11-04 16:56
-
重磅！吉利收购雷诺巴西26.4%股份！
2025-11-04 10:51
-
面向自动驾驶系统的人工智能数据集评估建议
2025-11-03 21:06
-
电动汽车车架模态性能分析
2025-11-03 21:04
-
一汽车项目落地南京，项目总投资约40亿元！
2025-11-03 21:04
