带有动态演变特征的驾驶场景的复杂性量化.

科学领域:

• 自主驾驶系统 自主驾驶系统
• 人工智能的人工智能
• 机器人技术 机器人技术 机器人技术

背景情况:

• 目前用于量化驾驶场景复杂性的方法往往忽视动态变化,主要关注静态元素.
• 场景的动态演变显著影响自动驾驶汽车 (AV) 的性能,需要更全面的复杂性措施.
• 现有的方法无法捕捉场景复杂性的时间方面,限制了它们在现实世界测试中的有效性.

研究的目的:

• 为自动驾驶提出一种新的动态场景复杂度量化 (DSCQ) 方法.
• 将环境,道路和交通实体的动态整合到一个统一的复杂度度.
• 引入动态效应透来量化不断演变的场景中的不确定性.

主要方法:

• 开发了动态场景复杂度量化 (DSCQ) 方法.
• 纳入的环境因素,道路状况和动态的交通实体.
• 利用动态效应值来测量场景演变的不确定性.
• 使用现实世界DENSE数据集验证了该方法.

主要成果:

• DSCQ方法准确地量化了现实世界的动态场景的复杂性,包括那些具有显著时间变化的场景.
• 拟议的方法捕捉了传统方法中错过的复杂性,这些方法仅专注于空间方面.
• 在量化场景复杂性和对象检测算法性能之间发现了强烈的相关性.
• 该方法量化了空间和时间尺度上的复杂性.

结论:

• 通过考虑动态演变,DSQQ方法提供了更准确和更全面的驾驶场景复杂性的评估.
• 这种方法解决了现有方法的局限性,这些方法主要关注空间复杂性.
• DSCQ方法有可能在多样化和不断变化的环境中显著提高AV安全测试的效率和有效性.