为实现将智能驾驶辅助系统测试整合纳入车辆品质管理体系流程的目的,探讨并建立开展智能驾驶辅助系统测试的流程和方法,同时为其他整车企业建立相关测试流程提供参考。通过分析国内外智能驾驶辅助系统测试技术的学术研究和应用现状,分别...为实现将智能驾驶辅助系统测试整合纳入车辆品质管理体系流程的目的,探讨并建立开展智能驾驶辅助系统测试的流程和方法,同时为其他整车企业建立相关测试流程提供参考。通过分析国内外智能驾驶辅助系统测试技术的学术研究和应用现状,分别从X in the Loop在环测试方法的实现、整车系统测试技术应用、实验室环境下智能驾驶辅助系统的测试技术3个方面,对目前现有的研究与应用成果进行了梳理,总结行业内开展智能驾驶辅助系统测试的技术原理、评价方法、软硬件条件和场景设置。结合整车制造企业的技术、人员和设备条件,基于分析和总结的结果,建立适用于整车制造企业的智能驾驶辅助系统试验体系和流程,多款车型的试验结果表明,该试验体系能有效地指导完成智能驾驶辅助系统的测试。展开更多
文摘传统的夜间车辆检测基于车灯特征的提取和识别,这类方法容易发生误判、检测精度和检测实时性不高。针对上述问题,本文研究了基于改进Mask RCNN(mask RCNN-night vehicle detection,Mask RCNN-NVD)的夜间车辆检测算法。将残差网络(residual network,ResNet)结构中的普通卷积修改为数量为16组的分组卷积,通过16组1×1卷积实现通道数叠加,将网络参数降至普通卷积的1/16,提升检测速度,并实现与普通卷积相同的效果;将通道注意力机制模块(squeeze-and-excitation,SE)嵌入ResNet结构中,通过2个全连接层构建瓶颈结构,将归一化权重加权到各通道特征,增强网络表征能力;在特征金字塔网络(feature pyramid networks,FPN)后加入自底向上结构,将底层特征强定位信息传递到高层语义特征中;加入自适应池化层,根据区域候选网络(region proposal network,RPN)产生的候选区域分配至不同尺度特征图中,并在底层特征与各阶段最高层特征之间加入跳跃连接结构,实现缩减模型参数的同时保留模型的全局表征能力。通过对开源数据集Microsoft common objects in context(MS COCO)、Berkeley deep drive 100K(BDD100K)的夜间行车图像进行数据增强,构建用于评估检测性能的测试集2000张。实验结果表明:算法在测试集上的平均精度(mean Average Precsion,mAP)值高达92.62,每秒图像处理帧数(Frames Per Second,FPS)值高达30帧。相比于原始Mask RCNN算法分别在mAP值上提高1.68,FPS值提高4帧,验证提出的方法可以有效提升夜间车辆检测的准确性和实时性。
文摘为实现将智能驾驶辅助系统测试整合纳入车辆品质管理体系流程的目的,探讨并建立开展智能驾驶辅助系统测试的流程和方法,同时为其他整车企业建立相关测试流程提供参考。通过分析国内外智能驾驶辅助系统测试技术的学术研究和应用现状,分别从X in the Loop在环测试方法的实现、整车系统测试技术应用、实验室环境下智能驾驶辅助系统的测试技术3个方面,对目前现有的研究与应用成果进行了梳理,总结行业内开展智能驾驶辅助系统测试的技术原理、评价方法、软硬件条件和场景设置。结合整车制造企业的技术、人员和设备条件,基于分析和总结的结果,建立适用于整车制造企业的智能驾驶辅助系统试验体系和流程,多款车型的试验结果表明,该试验体系能有效地指导完成智能驾驶辅助系统的测试。
