自动驾驶车辆控制测评标准
自动驾驶中,车辆控制是基础,以什么指标来测评就显的很关键,以下是Apollo 车辆控制评测分析指标,可以在此基础上做裁剪,来满足自己自动驾驶车辆控制的需求。
序号 | 参数 | 名称 | 说明 |
---|---|---|---|
平均控制性能相关参数 |
控制器平均效果(即统计平均误差)统计参数
|
重点反映控制误差在全程中的(统计意义上的)平均效果
|
|
1 | station_err_std |
纵向位置误差率
|
描述规划控制过程中,纵向位置误差均方根 |
2 | station_err_std_harsh |
纵向位置误差率 (大加速度) |
描述轨迹规划纵向加速度大于1m/s2时,纵向位置误差率 |
3 | speed_err_std | 纵向速度误差率 | 描述规划控制过程中,纵向速度误差平方根 |
4 | speed_err_std_harsh |
纵向速度误差率 (大加速度) |
描述轨迹规划纵向加速度大于1m/s2时,速度误差均方根 |
5 | lateral_err_std | 横向位置误差率 | 转向过程中,车辆横向位置误差的均方根 |
6 | lateral_err_std_harsh |
横向位置误差率 (大轨迹曲率) |
描述转向过程中,规划轨迹曲率大于0.05 (1/m),横向误差的均方根 |
7 | lateral_err_rate_std |
横向线速度误差率 (大轨迹曲率) |
描述转向过程中,横向线速度误差的均方根 |
8 | lateral_err_rate_std_harsh | 横向线速度误差率 | 描述转向过程中,规划轨迹曲率大于0.05 (1/m),横向线速度误差的均方根 |
9 | heading_err_std | 航向误差率 | 航向误差均方根 |
10 | heading_err_std_harsh |
航向误差率 (大轨迹曲率) |
规划轨迹曲率大于0.05 (1/m),航向误差均方根 |
11 | heading_err_rate_std | 航向角速度误差率 | 航向角速度误差均方根 |
12 | heading_err_rate_std_harsh |
航向角速度误差率 (大轨迹曲率) |
规划轨迹曲率大于0.05 (1/m),航向误差均方根 |
峰值控制性能相关参数 |
控制器峰值效果 (即最大误差) 统计参数 |
重点反映控制误差在全程中的峰值 (与预设阈值比较) |
|
13 | station_err_peak | 最大纵向位置误差率 | 最大纵向位置误差占阈值1m的比例 |
14 | speed_err_peak | 最大速度误差率 | 最大纵向速度误差占阈值0.5m/s的比例 |
15 | lateral_err_peak | 最大横向位置误差率 | 最大横向位置误差占阈值0.5m的比例 |
16 | lateral_err_rate_peak | 最大横向线速度误差率 | 最大横向线速度误差占阈值0.5m/s的比例 |
17 | heading_err_peak | 最大航向角误差率 | 最大航向角误差占阈值0.523rad(即30°)的比例 |
18 | heading_err_rate_peak | 最大航向角速度误差率 | 最大航向角速度误差占阈值0.523rad/s(即30°/s)的比例 |
19 | ending_station_err_trajectory_0 | 终点纵向位置误差 | 当规划线路达到终点时,最终纵向位置误差占阈值1m的比例(注意,对于停车入库/道边停车等开放空间场景会基于动作分解后的各段trajectory_0, trajectory_1, trajectory_2, …, 分别生成参数) |
20 | ending_lateral_err_trajectory_0 | 终点横向位置误差 | 当规划线路达到终点时,最终横向位置误差占阈值0.5m的比例(开放空间场景下结果如上解释) |
21 | ending_heading_err_trajectory_0 | 终点航向角误差 | 当规划线路达到终点时,最终航向角误差占阈值**0.523rad/s(即30°/s)的比例(开放空间场景下结果如上解释) |
体感评估相关参数 | 体感较差的加速度占比 | 重点反映与体感紧密相关的指标超标(与预设合适体感区间比较)次数占比 | |
22 | acc_bad_sensation | 终点航向角误差 | 纵向加速度大于4m/s2的次数在全程统计数据中的占比 |
23 | jerk_bad_sensation | 终点航向角误差 | 纵向加加速度大于2m/s3的次数在全程统计数据中的占比 |
24 | lateral_acc_bad_sensation | 体感较差的横向加速度占比 | 横向加速度大于4m/s2的次数在全程统计数据中的占比 |
25 | heading_acc_bad_sensation | 体感较差的航向角角加速度占比 | 航向角的角加速度大于π rad/s2的次数在全程统计数据中的占比 |
26 | heading_jerk_bad_sensation | 体感较差的航向角占比 | 航向角的角加加速度大于π/2 rad/s3的次数在全程统计数据中的占比 |
控制使用度相关参数 | 各项控制操作使用量统计参数 | 重点反映控制模块发出命令、使用时间等指标的使用度 | |
27 | throttle_control_usage | 油门控制使用率 | 油门控制指令均方根 |
28 | throttle_control_usage_harsh |
油门控制使用率 (大加速度) |
加速度大于1m/s2的油门控制指令均方根 |
29 | brake_control_usage | 刹车控制使用率 | 刹车控制指令均方根 |
30 | brake_control_usage_harsh |
刹车控制使用率 (大加速度) |
加速度大于1m/s2的刹车控制指令均方根 |
31 | steering_control_usage | 转向控制使用率 | 转角控制指令均方根 |
32 | steering_control_usage_harsh |
转向控制使用率 (大加速度) |
加速度大于1m/s2的转角控制指令均方根 |
33 | total_time_usage | 控制模块计算时间平均比例 | 控制模块实际消耗计算时间占每个控制时间周期的比例(平均值) |
34 | total_time_peak | 控制模块计算时间峰值比例 | 控制模块实际消耗计算时间占每个控制时间周期的比例(最大值) |
35 | total_time_exceeded_count | 控制模块计算时间超限次数占比 | 控制模块实际消耗计算时间超过控制时间周期的次数在在全程统计数据中的占比 |
车辆检测校准参数 | 利用数据测算校准车辆特征的相关参 | 重点反映对于车辆底盘、定位模块特征值的测算或校准 | |
36 | throttle_deadzone_mean | 油门无效区间 | 油门踏板平均响应范围(油门命令高于此区间,油门机械系统才开始响应) |
37 | brake_deadzone_mean | 刹车无效区间 | 刹车踏板平均响应范围(刹车命令高于此区间,刹车机械系统才开始响应) |
38 | pose_heading_offset_std | 航行角校准误差率 | 利用位置变化趋势计算航向角,并与定位模块提供的航向角做差,所得角误差(除以π所得比例)的均方根 |
39 | pose_heading_offset_peak | 最大航行角校准误差率 | 利用位置变化趋势计算航向角,并与定位模块提供的航向角做差,所得角误差(除以π所得比例)的最大值 |
控制事件统计参数 | 特殊控制事件的相关参数 | 重点反映全程出现的特殊控制事件如重新规划、控制错误等的统计,以及综合性能评估 | |
40 | replan_trajectory_count | 重新规划次数占比 | 因误差过大造车的路线重新规划的次数,在全程统计数据中的占比 |
41 | control_error_code_count | 控制错误次数占比 | 出现控制错误(error code)的次数, 在全程统计数据中的占比 |
42 | weighted_score | 综合性能评分 | (仅供参考)综合抽取控制效果、体感用度、特殊控制时间等重要参数,并加权后的权值得分 |
其他,可参考Apollo的 “control_profiling_online_cn.md”这个文档。
自动驾驶车辆控制测评标准相关推荐
- 关于自动驾驶车辆控制
目录 1. 本文目的 2. 自动驾驶中控制原理 2.1 控制在自动驾驶中的位置 2.2 控制的数据流 3. 汽车控制模型 3.1 汽车运动学模型 3.2 汽车动力学模型 3.3 运动学模型和动力学模型 ...
- 自动驾驶车辆控制(车辆运动学模型)
本文应配合b站up主"忠厚老实的老王"的自动驾驶控制算法系列视频食用. 文章目录 1. 两个车辆运动学模型 1.1 三个坐标系 1.2符号定义 1.3车辆运动学模型 1.4车辆动力 ...
- 自动驾驶车辆控制(坐标转换与横向积分误差)
文章目录 前言 一. Frenet坐标变换与横向误差微分方程 1.1问题描述 1.2 公式推导 前言 本文应配合b站up主"忠厚老实的老王"的自动驾驶控制算法系列视频食用.. 一. ...
- 自动驾驶车辆转向控制(通过扭矩控制实现方向盘转角控制)
本文介绍通过增量式PID控制器实现通过对自动驾驶车辆的EPS进行扭矩响应控制从而实现对期望方向盘转角的控制. 控制器采用增量式PID 对连续PID控制以一定离散化方法离散后就可以得到数字PID控制,离 ...
- 自动驾驶车辆运动控制过程中,对PID控制参数的优化和整定。 传统PID控制算法
自动驾驶车辆运动控制过程中,对PID控制参数的优化和整定. 传统PID控制算法,由于参数固定,在道路曲率较大和车速变化情况下难以满足控制需求,采用RL强化学习算法(DDPG算法,Actor-Criti ...
- 用发型、妆容和面部形态解释人脸识别准确性的性别差异;在CARLA实施的基于交叉口情况覆盖的自动驾驶车辆验证和确认框架;迈向医学同行影响的Shapley价值图框架;确定运动想象脑机接口中各种用户状态和特
中文标题:用发型.妆容和面部形态解释人脸识别准确性的性别差异 英文标题:Gendered Differences in Face Recognition Accuracy Explained by H ...
- 全新 ADAS 和自动驾驶车辆系统的处理器性能和安全要求
简介 当今汽车行业的创新正在加速,因为各公司正在竞相成为安全和自动驾驶车辆领域的市场领导者.随着车辆控制正在从人类转变为车辆的主动安全系统,更多传感器 – 摄像头.雷达.激光雷达等 – 正被添加到汽车 ...
- 自动驾驶车辆运动规划综述-2015
0.摘要 智能车辆已经提高了其在受控环境下实现高度.甚至完全自动驾驶的能力.使用车载传感器和通信网络系统(即基础设施和其它车辆)接收场景信息.考虑到可用的信息,不同的运动规划和控制技术已经被实现用于复 ...
- 综述:城市道路自动驾驶车辆规划与控制技术
作者 | 深蓝学院 编辑 | 深蓝AI 点击下方卡片,关注"自动驾驶之心"公众号 ADAS巨卷干货,即可获取 点击进入→自动驾驶之心[规划控制]技术交流群 后台回复[规划控制综述 ...
最新文章
- 【五线谱】符干朝向与连音线 ( 符干朝向 | 第三线以下符干朝上 | 第三线以上符干朝下 | 连音线 )
- SQL SERVER 常用日期计算
- 上传附件删除、session清空问题
- Qt定时器的精度问题
- forward和redirect区别
- 网络爬虫--25.【selenium实战】实现拉勾网爬虫之--selenium获取数据
- Redis 6.0 源码阅读笔记(3) -- 概述 Redis 重要数据结构及其 6 种数据类型
- 安装SPSS激活时提示could not create the Java virtual machine
- python的requests爬取Uniprot中蛋白序列和N-糖基化位点
- python对图像镜像旋转操作
- hdr_beg(host) hdr_reg(host) hdr_dom(host)
- js常用效果代码封装
- myEclipse 注册码 在线生成
- springboot高校学生宿舍水电费报修考勤管理系统
- 量化投资学习——股指期货ETF套利
- 移动联通电信频段划分
- HTML+CSS制作家乡旅游网页(杭州旅游网页设计dw制作)
- Maven 导入 com.sun.javadoc包
- 汽车售后投诉处理的方法
- CAS SSO 单点登录 【完整版】
热门文章
- python软件-mPython(图形化编程软件) V0.5.0 官方版
- 手游传奇刷元宝_传奇手游如何刷元宝
- python做一副54扑克牌发牌技巧_最强大脑!杭四中高一男生邹全50秒轻松记住一副扑克牌...
- 集群(1)---集群的概念
- 深耕ElasticSearch - 认识搜索引擎的索引
- Bsnet:Bi-Similarity Network for Few-shot Fine-grained Image Classification论文复现
- i7 10700和10700f 10700k这三个CPU有什么区别
- windows日志查看与清理
- scratch接球游戏 电子学会图形化编程scratch等级考试三级真题和答案解析2022年3月
- python习作——简易24点计算器