CN105954040B - 应用于无人驾驶汽车的测试方法和装置 - Google Patents
应用于无人驾驶汽车的测试方法和装置 Download PDFInfo
- Publication number
- CN105954040B CN105954040B CN201610256748.7A CN201610256748A CN105954040B CN 105954040 B CN105954040 B CN 105954040B CN 201610256748 A CN201610256748 A CN 201610256748A CN 105954040 B CN105954040 B CN 105954040B
- Authority
- CN
- China
- Prior art keywords
- parameter
- test scene
- test
- default
- complexity
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
Abstract
本申请公开了应用于无人驾驶汽车的测试方法和装置。该方法的一具体实施方式包括:从预设测试场景参数组合中选取出用于测试无人驾驶汽车性能的测试场景参数组合;基于测试场景参数组合中各个类型的测试场景参数对应的预设值和测试场景参数对应的预设权重值,分别确定每一个测试场景参数组合对应的测试场景的复杂度参数;聚合数值对应于同一预设数值区间的复杂度参数;基于无人驾驶汽车是否通过复杂度参数对应的测试场景的测试结果,生成指示无人驾驶汽车是否通过复杂度参数对应的测试场景的指示信息。实现了对测试场景的复杂度的量化,进一步地,可以确定对应于同一难度的多个不同的测试场景,进而提升无人驾驶汽车的测试的准确性。
Description
技术领域
本申请涉及人工智能领域,具体涉及无人驾驶汽车领域,尤其涉及应用于无人驾驶汽车的测试方法和装置。
背景技术
车辆性能测试是提升车辆安全性的重要手段。在对车辆的性能的测试中,需要设置不同的测试场景,然后,根据车辆是否可以通过不同的复杂度的测试场景的测试,判断车辆的性能。目前,通常以人工方式确定测试场景的复杂度,在不同的复杂度下对车辆的性能进行测试。
然而,当采用上述方式对车辆进行测试时,缺乏对测试场景的复杂度的量化。一方面,会出现因人工判断测试场景的复杂度错误而引起的测试结果失真的问题。另一方面,无法基于测试场景的复杂度对测试难度进行分类,难以实现对车辆的性能在不同的难度下的精确测试。
发明内容
本申请提供了应用于无人驾驶汽车的测试方法和装置,用于解决上述背景技术部分存在的技术问题。
第一方面,本申请提供了应用于无人驾驶汽车的测试方法,该方法包括:从预设测试场景参数组合中选取出用于测试无人驾驶汽车性能的测试场景参数组合,其中,预设测试场景参数组合基于对与无人驾驶汽车的测试场景相关联的不同类型的测试场景参数进行组合而生成;基于选取出的测试场景参数组合中各个类型的测试场景参数对应的预设值和测试场景参数对应的预设权重值,分别确定每一个测试场景参数组合对应的测试场景的复杂度参数;聚合数值对应于同一预设数值区间的复杂度参数,其中,预设数值区间对应一个测试难度;基于无人驾驶汽车是否通过复杂度参数对应的测试场景的测试结果,生成指示无人驾驶汽车是否通过复杂度参数对应的测试场景的指示信息。
第二方面,本申请提供了应用于无人驾驶汽车的测试装置,该装置包括:选取单元,配置用于从预设测试场景参数组合中选取出用于测试无人驾驶汽车性能的测试场景参数组合,其中,预设测试场景参数组合基于对与无人驾驶汽车的测试场景相关联的不同类型的测试场景参数进行组合而生成;确定单元,配置用于基于选取出的测试场景参数组合中各个类型的测试场景参数对应的预设值和测试场景参数对应的预设权重值,分别确定每一个测试场景参数组合对应的测试场景的复杂度参数;聚合单元,配置用于聚合数值对应于同一预设数值区间的复杂度参数,其中,预设数值区间对应一个测试难度;生成单元,配置用于基于无人驾驶汽车是否通过复杂度参数对应的测试场景的测试结果,生成指示无人驾驶汽车是否通过复杂度参数对应的测试场景的指示信息。
本申请提供的应用于无人驾驶汽车的测试方法和装置,通过从预设测试场景参数组合中选取出用于测试无人驾驶汽车性能的测试场景参数组合;基于测试场景参数组合中各个类型的测试场景参数对应的预设值和测试场景参数对应的预设权重值,分别确定每一个测试场景参数组合对应的测试场景的复杂度参数;聚合数值对应于同一预设数值区间的复杂度参数;基于无人驾驶汽车是否通过复杂度参数对应的测试场景的测试结果,生成指示无人驾驶汽车是否通过复杂度参数对应的测试场景的指示信息。实现了对测试场景的复杂度的量化,进一步地,可以确定对应于同一难度的多个不同的测试场景,进而提升无人驾驶汽车的测试的准确性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了根据本申请的应用于无人驾驶汽车的测试方法的一个实施例的流程图;
图2示出了本申请中的无人驾驶汽车的测试方法的一个示例性流程图;
图3示出了根据本申请的应用于无人驾驶汽车的测试装置的一个实施例的结构示意图;
图4是适于用来实现本申请实施例的应用于无人驾驶汽车的测试装置的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
请参考图1,其示出了根据本申请的应用于无人驾驶汽车的测试方法的一个实施例的流程100。该方法包括以下步骤:
步骤101,从预设测试场景参数组合中选取出用于测试无人驾驶汽车性能的测试场景参数组合。
在本实施例中,预设测试场景参数组合基于对与无人驾驶汽车的测试场景相关联的不同类型的测试场景参数进行组合而生成。
可以预先确定用于组成无人驾驶汽车的测试场景的测试场景参数,对测试场景参数进行正交划分,即将测试场景参数划分为不同的类型。
在本实施例中,测试场景参数可以包括但不限于:道路拓扑结构参数、天气参数、车辆操控参数、车辆状态参数、道路材质参数、光照参数、行人参数、障碍物参数。
在本实施例中,道路拓扑结构参数的取值可以包括但不限于:直路,曲线路、环岛、立交桥、隧道、十字路口、丁字路口。天气参数的取值可以包括但不限于:晴天、雨天、雪天、雾天、阴天、多云、冰雹。车辆操控参数的取值可以包括但不限于:直行、转弯、掉头、超车、倒车。车辆状态的取值可以包括但不限于:速度、体积、重量。道路材质参数的取值可以包括但不限于:柏油路、沥青路、砂石路、泥泞路。光照参数的取值可以包括但不限于正午、清晨、傍晚。行人参数的取值可以包括但不限于行人位置、姿态、数量。障碍物参数的取值可以包括但不限于位置、大小、数量。
在本实施例中,可以预先将上述测试场景参数进行组合,生成包含不同的类型的测试场景参数的预设测试场景参数组合,在对无人驾驶汽车的性能进行测试时,可以从预设测试场景组合中选取出用于测试无人驾驶汽车的性能的测试场景参数组合。
步骤102,基于测试场景参数的预设值和测试场景参数的预设权重值,计算复杂度参数。
在本实施例中,在通过步骤101从预设测试场景参数组合中选取出用于测试无人驾驶汽车性能的测试场景参数组合之后,可以通过对测试场景组合中的各个测试场景参数进行加权求和,计算每一个测试场景参数组合对应的复杂度参数,即每一个测试场景参数组合对应的测试场景的复杂度,该复杂度参数可以用于表示测试场景的复杂度,即无人驾驶汽车通过测试的难易程度。
以道路拓扑结构参数为例,道路拓扑结构参数的取值可以为直路、曲线路、环岛、立交桥、隧道、十字路口、丁字路口。在计算测试场景的复杂度时,直路,曲线路、环岛、立交桥、隧道、十字路口、丁字路口可以分别对应一个预设值。道路拓扑结构参数则可以对应一个预设权重值。
在本实施例的一些可选的实现方式中,基于选取出的测试场景参数组合中各个测试场景参数对应的预设值和测试场景参数对应的预设权重值,分别确定每一个测试场景的复杂度包括:
采用以下公式计算测试场景的复杂度:
其中,C表示复杂度参数,wi为第i个测试场景参数对应的预设值,Ei为第i个测试场景参数对应的预设权重值,测试场景参数对应的预设权重值之和为1。
上述公式中,wi根据测试场景参数取值的不同,对应的预设值也是不同的。假设上述公式中第i个测试场景参数为道路拓扑结构参数,则道路拓扑结构参数的取值可以为直路、曲线路、环岛、立交桥、隧道、十字路口、丁字路口。在计算测试场景的复杂度参数时,直路、曲线路、环岛、立交桥、隧道、十字路口、丁字路口可以分别对应一个预设值。即wi的数值可以为直路、曲线路、环岛、立交桥、隧道、十字路口、丁字路口对应的预设值之一。
在本实施例中,还可根据实际情况再次将测试场景参数划分为多个正交的子参数,即不同类型的子参数。可以通过如下公式计算测试场景参数对应的预设值:其中,Ei表示第i个测试场景参数对应的预设值,M表示第i个测试场景参数的子参数的个数,wij表示第j个子参数的权重,ej表示第j个子参数对应的预设值,其中,
在本实施例的一些可选的实现方式中,还包括:获取测试场景参数对应的历史测试结果,历史测试结果为在测试场景参数对应的测试场景的预设次数的测试中,无人驾驶汽车未通过测试的次数与预设次数的比例;基于比例,配置测试场景参数对应的预设值。
在本本实施例中,可以采用以下方式确定测试场景参数中每一个类型的测试场景参数对应的预设值:以道路拓扑结构参数可以为直路、曲线路、环岛、立交桥、隧道、十字路口、丁字路口为例,可以获取分别直路、曲线路、环岛、立交桥、隧道、十字路口、丁字路口的历史测试结果。该历史测试结果可以为在其他测试参数相同的情况下,例如,天气参数、车辆操控参数、车辆状态参数、道路材质参数、光照参数的取值相同的情况下,分别对直路、曲线路、环岛、立交桥、隧道、十字路口、丁字路口的测试中,无人驾驶汽车未通过测试的次数与总测试次数的比例。该比例可以用于表示直路、曲线路、环岛、立交桥、隧道、十字路口、丁字路口的难度。可以将该比例作为环岛、直路、曲线路对应的预设值。
应理解,上述说明确定测试场景参数的不同取值对应的预设值的方式仅为示例性的,在本实施例中,可以根据测试场景参数所有可能的取值,在其他测试条件相同的情况下即其他测试场景参数取值相同的情况下,计算未通过测试次数与总测试次数的比例,确定测试场景参数的每一个取值对应的预设值。
在本实施例的一些可选的实现方式中,还包括:获取测试场景参数组合对应的专家经验数据,专家经验数据指示测试场景参数组合对应的测试场景的难度;将测试场景参数组合和专家经验数据作为预设机器学习模型的训练样本对预设机器学习模型进行训练,其中,每一个预设机器学习模型的隐藏层的节点,对应一个测试场景参数,每一个节点对应一个初始权重值;将训练后的预设机器学习模型的隐藏层的节点的权重值作为测试场景参数对应的预设权重值。
在本实施例中,可以预先建立机器学习模型,将测试场景参数组合和专家经验数据作为机器学习模型的训练样本,利用训练后的机器学习模型确定测试场景参数对应的预设权重值。专家经验数据可以为专家评定的测试场景的测试难度的等级。
在本实施例中,可以预先将测试场景的测试难度划分为不同的等级,例如,难、较难、适中、较容易、容易。由专家对测试场景的测试难度进行评定,可以生成专家经验数据。
以测试场景A和测试场景B为例,测试场景A为:在晴天的曲线道路上执行超车动作,测试无人驾驶汽车能否正确超车。测试场景B为:在雪天的环岛道路上执行右转弯动作,测试无人驾驶汽车能否正确转弯。则测试场景A对应的测试场景参数组合为{曲线路、晴天、超车}。场景B对应的测试场景参数组合为{环岛、雪天、转弯}。可以根据测试场景B比测试场景A复杂的专家意见,生成专家经验数据,例如,测试场景A的测试难度为适中,测试场景B的测试难度为较难。
然后,可以将测试场景A、B对应的测试场景参数组合与专家经验数据作为机器学习模型的训练样本。例如,输入的样本可以采用以下形式表示:{曲线路、晴天、超车、适中}、{环岛、下雪天、转弯,较难}。
在本实施例中,可以利用海量测试场景参数组合和专家经验数据组成的样本对机器学习模型进行训练,使得机器学习模型确定各个测试场景参数对应的预设权重值,该权重值可以用于表示预设场景参数相对于测试场景的测试难度的权重。
以机器学习模型为BP神经网络为例,输入层的节点可以为测试场景参数,每一个测试场景参数可以对应一个与输入层的节点连接的隐藏层节点。其中,输入层与的节点和隐藏层节点之间的权重值可以用于表示测试场景参数对应的权重值。通过利用测试参数组合以及专家经验数据作为机器学习模型的训练样本对该BP神经网络型进行训练,使得测试场景参数的权重值被不断地调整,从而最终确定测试场景参数对应的预设权重值。
步骤103,聚合数值对应于同一预设数值区间的复杂度参数。
在本实施例中,预设数值区间对应一个测试难度。在通过步骤102基于测试场景参数的预设值和测试场景参数的预设权重值,计算测试场景的复杂度参数之后,可以得到多个不同的测试场景的复杂度参数。当多个不同的测试场景的复杂度参数的数值对应于同一预设数值区间时,则可以表示多个不同的测试场景的测试难度相似,可以相当于上述多个不同的测试场景对应与同一测试难度。
在本实施例中,可以将对应于同一预设数值区间的复杂度参数进行聚合,换言之,对复杂度参数对应的测试场景进行聚合,从而实现根据复杂度参数的数值,划分出属于同一测试难度的测试场景。
步骤104,基于无人驾驶汽车是否通过复杂度参数对应的测试场景的测试结果,生成指示信息。
在本实施例中,在通过步骤103聚合数值对应于同一预设数值区间的复杂度参数,可以生成多个由数值对应于同一预设数值区间的复杂度参数对应的测试场景组成的测试场景集合。在每一个测试场景集合中,包含测试场景的测试难度相似的多个测试场景。
在本实施例中,在对无人驾驶汽车进行测试时,可以在属于同一测试难度的多个测试场景下,对无人驾驶汽车的性能进行测试,得到指示无人驾驶汽车是否通过该测试难度的测试的指示信息。例如,只有无人驾驶汽车全部通过属于同一测试难度的所有测试场景的测试,才能算通过该测试难度的测试场景的测试。
在本实施例的一些可选的实现方式中,还包括:对选取出用于测试无人驾驶汽车性能的测试场景参数组合进行组合,生成测试场景库;将每一个用于测试无人驾驶汽车性能的测试场景参数组合的复杂度参数的均值作为测试场景库的复杂度参数。
在本实施例中,还可以对选取出用于测试无人驾驶汽车性能的测试场景参数组合进行组合,生成测试场景库。可以将每一个用于测试无人驾驶汽车性能的测试场景参数组合的复杂度参数的均值作为测试场景库的复杂度参数。从而,在对无人驾驶汽车的性能进行测试时,可以选取不同的复杂度参数对应的测试场景库,对无人驾驶汽车的性能进行测试。
请参考图2,其示出了本申请中的无人驾驶汽车的测试方法的一个示例性流程图。
步骤201:划分测试场景参数。
可以预先划分出道路拓扑结构参数、天气参数、车辆操控参数、车辆状态参数、道路材质参数、光照参数、行人参数、障碍物参数等测试场景元素。每一个测试场景参数的取值为多个,以道路拓扑结构参数为例,道路拓扑结构参数的取值可以为直路、曲线路、环岛、立交桥、隧道、十字路口、丁字路口。
步骤202:多位专家给出测试场景参数对应的权重值和预设值。
可以由多位专家给出各个测试场景参数对应的权重值和预设值。例如,由多位专家给出道路拓扑结构参数、天气参数、车辆操控参数、车辆状态参数、道路材质参数、光照参数、行人参数、障碍物参数等参数各自对应的权重值。
同时,针对每一个参数,多位专家可以给出该参数在不同的取值时对应的预设值。以测试场景参数为道路拓扑结构参数,道路拓扑结构参数的取值可以为直路、曲线路、环岛、立交桥、隧道、十字路口、丁字路口为例,多位专家可以给出上述每一个取值时道路拓扑结构参数对应的预设值。
步骤203:通过加权平均法计算测试场景参数对应的权重值和预设值。
可以通过加权平均法求出计算各个测试场景参数对应的权重值和预设。以加权平均法计算测试场景参数对应的权重值为例,每一个专家给出的测试场景参数对应的权重值对应一个专家权重值,该专家权重值可以用于表示专家的等级。多位专家的专家权重值之和为1。可以针对每一个测试场景参数,分别计算,每一个专家给出的测试场景参数对应的权重值和专家权重值的乘积,然后,将多个乘积进行相加,得到测试场景参数对应的权重值。
可以基于上述通过加权平均法求出计算各个测试场景参数对应的权重值的过程,计算测试场景参数在不同的取值时对应的预设值。
步骤204:判断权重值和预设值是否合理,若不合理,则重新执行步骤201,若合理,则执行步骤205。
在通过加权平均法计算各个测试场景参数对应的权重值和预设值之后,可以判断各个权重值和预设值是否合理,例如,由评审人员判断各个权重值和预设值是否合理。若不合理,则重新执行步骤201,若合理,则执行步骤205。
步骤205:根据测试场景参数,组成测试场景。
可以利用道路拓扑结构参数、天气参数、车辆操控参数、车辆状态参数、道路材质参数、光照参数、行人参数、障碍物参数,组成不同的测试场景参数组合,该测试场景参数组合可以用于表示测试场景。
步骤206:计算单个测试场景的复杂度。
步骤207:计算测试场景库的复杂度。
进一步参考图3,作为对上述各图所示方法的实现,本申请提供了一种应用于无人驾驶汽车的测试装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例的应用于无人驾驶汽车的测试装置300包括:选取单元301,确定单元302,聚合单元303,生成单元304。其中,选取单元301配置用于从预设测试场景参数组合中选取出用于测试无人驾驶汽车性能的测试场景参数组合,其中,预设测试场景参数组合基于对与无人驾驶汽车的测试场景相关联的不同类型的测试场景参数进行组合而生成;确定单元302配置用于基于选取出的测试场景参数组合中各个类型的测试场景参数对应的预设值和测试场景参数对应的预设权重值,分别确定每一个测试场景参数组合对应的测试场景的复杂度参数;聚合单元303配置用于聚合数值对应于同一预设数值区间的复杂度参数,其中,预设数值区间对应一个测试难度;生成单元304配置用于基于无人驾驶汽车是否通过复杂度参数对应的测试场景的测试结果,生成指示无人驾驶汽车是否通过复杂度参数对应的测试场景的指示信息。
在本实施例的一些可选的实现方式中,测试场景参数包括:道路拓扑结构参数、天气参数、车辆操控参数、车辆状态参数、道路材质参数、光照参数、行人参数、障碍物参数。
在本实施例的一些可选的实现方式中,确定单元302包括:复杂度参数计算子单元(未示出),配置用于采用以下公式计算测试场景的复杂度参数:
其中,C表示复杂度参数,wi为第i个测试场景参数对应的预设值,Ei为第i个测试场景参数对应的预设权重值,测试场景参数对应的预设权重值之和为1。
在本实施例的一些可选的实现方式中,装置300还包括:第一获取单元(未示出),配置用于获取测试场景参数对应的历史测试结果,历史测试结果为在测试场景参数对应的测试场景的预设次数的测试中,无人驾驶汽车未通过测试的次数与预设次数的比例;配置单元(未示出),配置用于基于比例,配置测试场景参数对应的预设值。
在本实施例的一些可选的实现方式中,装置300还包括:第二获取单元(未示出),配置用于获取测试场景参数组合对应的专家经验数据,专家经验数据指示测试场景参数组合对应的测试场景的难度;训练单元(未示出),配置用于将预设测试场景参数组合和专家经验数据组成预设机器学习模型的训练样本对预设机器学习模型进行训练,其中,每一个预设机器学习模型的隐藏层的节点对应一个测试场景参数,每一个隐藏层的节点对应一个初始权重值;权重配置单元(未示出),配置用于将训练后的预设机器学习模型的隐藏层的节点的权重值作为测试场景参数对应的预设权重值。
在本实施例的一些可选的实现方式中,装置300还包括:组合单元(未示出),配置用于对选取出用于测试无人驾驶汽车性能的测试场景参数组合进行组合,生成测试场景库;复杂度参数配置单元(未示出),配置用于将每一个用于测试无人驾驶汽车性能的测试场景参数组合的复杂度参数的均值作为测试场景库的复杂度参数。
图4示出了适于用来实现本申请实施例的应用于无人驾驶汽车的测试装置的计算机系统的结构示意图。
如图4所示,计算机系统400包括中央处理单元(CPU)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM403中,还存储有系统400操作所需的各种程序和数据。CPU401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分509经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
作为另一方面,本申请还提供了一种非易失性计算机存储介质,该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的非易失性计算机存储介质;也可以是单独存在,未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序,当所述一个或者多个程序被一个设备执行时,使得所述设备:从预设测试场景参数组合中选取出用于测试无人驾驶汽车性能的测试场景参数组合,其中,所述预设测试场景参数组合基于对与无人驾驶汽车的测试场景相关联的不同类型的测试场景参数进行组合而生成;基于测试场景参数组合中各个类型的测试场景参数对应的预设值和测试场景参数对应的预设权重值,分别确定每一个测试场景参数组合对应的测试场景的复杂度参数;聚合数值对应于同一预设数值区间的复杂度参数,其中,预设数值区间对应一个测试难度;基于无人驾驶汽车是否通过所述复杂度参数对应的测试场景的测试结果,生成指示无人驾驶汽车是否通过复杂度参数对应的测试场景的指示信息。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种应用于无人驾驶汽车的测试方法,其特征在于,所述方法包括:
从预设测试场景参数组合中选取出用于测试无人驾驶汽车性能的测试场景参数组合,其中,所述预设测试场景参数组合基于对与无人驾驶汽车的测试场景相关联的不同类型的测试场景参数进行组合而生成;
基于选取出的测试场景参数组合中各个类型的测试场景参数对应的预设值和测试场景参数对应的预设权重值,分别确定每一个测试场景参数组合对应的测试场景的复杂度参数;
聚合数值对应于同一预设数值区间的复杂度参数,其中,预设数值区间对应一个测试难度;
基于无人驾驶汽车是否通过所述复杂度参数对应的测试场景的测试结果,生成指示无人驾驶汽车是否通过复杂度参数对应的测试场景的指示信息,所述方法还包括:获取所述测试场景参数对应的历史测试结果,所述历史测试结果为在所述测试场景参数对应的测试场景的预设次数的测试中,无人驾驶汽车未通过测试的次数与预设次数的比例;基于所述比例,配置测试场景参数对应的所述预设值。
2.根据权利要求1所述的方法,其特征在于,所述测试场景参数包括:道路拓扑结构参数、天气参数、车辆操控参数、车辆状态参数、道路材质参数、光照参数、行人参数、障碍物参数。
3.根据权利要求2所述的方法,其特征在于,基于选取出的测试场景参数组合中各个类型的测试场景参数对应的预设值和测试场景参数对应的预设权重值,分别确定每一个测试场景参数组合对应的测试场景的复杂度参数包括:
采用以下公式计算测试场景的复杂度参数:
其中,C表示所述复杂度参数,wi为第i个测试场景参数对应的预设值,Ei为第i个测试场景参数对应的预设权重值,测试场景参数对应的预设权重值之和为1。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述测试场景参数组合对应的专家经验数据,所述专家经验数据指示所述测试场景参数组合对应的测试场景的难度;
将所述测试场景参数组合和专家经验数据组成预设机器学习模型的训练样本对预设机器学习模型进行训练,其中,每一个所述预设机器学习模型的隐藏层的节点对应一个测试场景参数,每一个隐藏层的节点对应一个初始权重值;
将训练后的预设机器学习模型的隐藏层的节点的权重值作为所述测试场景参数对应的预设权重值。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
对选取出用于测试无人驾驶汽车性能的测试场景参数组合进行组合,生成测试场景库;
将每一个用于测试无人驾驶汽车性能的测试场景参数组合的复杂度参数的均值作为所述测试场景库的复杂度参数。
6.一种应用于无人驾驶汽车的测试装置,其特征在于,所述装置包括:
选取单元,配置用于从预设测试场景参数组合中选取出用于测试无人驾驶汽车性能的测试场景参数组合,其中,所述预设测试场景参数组合基于对与无人驾驶汽车的测试场景相关联的不同类型的测试场景参数进行组合而生成;
确定单元,配置用于基于选取出的测试场景参数组合中各个类型的测试场景参数对应的预设值和测试场景参数对应的预设权重值,分别确定每一个测试场景参数组合对应的测试场景的复杂度参数;
聚合单元,配置用于聚合数值对应于同一预设数值区间的复杂度参数,其中,预设数值区间对应一个测试难度;
生成单元,配置用于基于无人驾驶汽车是否通过所述复杂度参数对应的测试场景的测试结果,生成指示无人驾驶汽车是否通过复杂度参数对应的测试场景的指示信息;
第一获取单元,配置用于获取所述测试场景参数对应的历史测试结果,所述历史测试结果为在所述测试场景参数对应的测试场景的预设次数的测试中,无人驾驶汽车未通过测试的次数与预设次数的比例;
配置单元,配置用于基于所述比例,配置测试场景参数对应的所述预设值。
7.根据权利要求6所述的装置,其特征在于,所述测试场景参数包括:道路拓扑结构参数、天气参数、车辆操控参数、车辆状态参数、道路材质参数、光照参数、行人参数、障碍物参数。
8.根据权利要求7所述的装置,其特征在于,所述确定单元包括:
复杂度参数计算子单元,配置用于采用以下公式计算测试场景的复杂度参数:
其中,C表示所述复杂度参数,wi为第i个测试场景参数对应的预设值,Ei为第i个测试场景参数对应的预设权重值,测试场景参数对应的预设权重值之和为1。
9.根据权利要求6所述的装置,其特征在于,所述装置还包括:
第二获取单元,配置用于获取所述测试场景参数组合对应的专家经验数据,所述专家经验数据指示所述测试场景参数组合对应的测试场景的难度;
训练单元,配置用于将所述预设测试场景参数组合和专家经验数据组成预设机器学习模型的训练样本对预设机器学习模型进行训练,其中,每一个所述预设机器学习模型的隐藏层的节点对应一个测试场景参数,每一个隐藏层的节点对应一个初始权重值;
权重配置单元,配置用于将训练后的预设机器学习模型的隐藏层的节点的权重值作为所述测试场景参数对应的预设权重值。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
组合单元,配置用于对选取出用于测试无人驾驶汽车性能的测试场景参数组合进行组合,生成测试场景库;
复杂度参数配置单元,配置用于将每一个用于测试无人驾驶汽车性能的测试场景参数组合的复杂度参数的均值作为所述测试场景库的复杂度参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610256748.7A CN105954040B (zh) | 2016-04-22 | 2016-04-22 | 应用于无人驾驶汽车的测试方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610256748.7A CN105954040B (zh) | 2016-04-22 | 2016-04-22 | 应用于无人驾驶汽车的测试方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105954040A CN105954040A (zh) | 2016-09-21 |
CN105954040B true CN105954040B (zh) | 2019-02-12 |
Family
ID=56915299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610256748.7A Active CN105954040B (zh) | 2016-04-22 | 2016-04-22 | 应用于无人驾驶汽车的测试方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105954040B (zh) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376061B (zh) * | 2016-10-13 | 2019-12-10 | 北京百度网讯科技有限公司 | 用于开发无人驾驶车辆应用的方法和装置 |
CN107179761B (zh) * | 2017-04-19 | 2019-04-26 | 深圳怡化电脑股份有限公司 | 一种验钞器测试方法、装置及atm机 |
CN107219774A (zh) * | 2017-06-09 | 2017-09-29 | 湖南中车时代通信信号有限公司 | 一种基于现场捕获的ato列车参数确定方法 |
CN109032102B (zh) * | 2017-06-09 | 2020-12-18 | 百度在线网络技术(北京)有限公司 | 无人驾驶车辆测试方法、装置、设备及存储介质 |
CN108332977B (zh) * | 2018-01-23 | 2020-06-12 | 常熟昆仑智能科技有限公司 | 一种对智能网联汽车测试场景的分类分析方法 |
CN108595340B (zh) * | 2018-05-11 | 2021-06-08 | 重庆大学 | 一种汽车主动安全系统测试场景的自动生成方法 |
CN109118760B (zh) * | 2018-08-16 | 2020-10-30 | 山东省科学院自动化研究所 | 无人驾驶车辆交通标志视觉检测及响应综合测试系统和方法 |
US11030364B2 (en) | 2018-09-12 | 2021-06-08 | Ford Global Technologies, Llc | Evaluating autonomous vehicle algorithms |
CN109360294A (zh) * | 2018-10-26 | 2019-02-19 | 百度在线网络技术(北京)有限公司 | 无人车的评价方法、装置、计算机设备及存储介质 |
CN109406166A (zh) * | 2018-10-30 | 2019-03-01 | 百度在线网络技术(北京)有限公司 | 无人车的分级方法、装置、设备、存储介质和车辆 |
CN110020457A (zh) * | 2019-02-15 | 2019-07-16 | 武汉光庭信息技术股份有限公司 | 一种用于智能网联汽车道路测试的路线设计方法及装置 |
CN110232257B (zh) * | 2019-07-02 | 2020-10-23 | 吉林大学 | 一种自动驾驶测试场景的构建方法及其难度系数计算方法 |
CN110579359B (zh) * | 2019-09-10 | 2021-11-09 | 武汉光庭信息技术股份有限公司 | 自动驾驶失效场景库的优化方法及系统、服务器及介质 |
CN110795818B (zh) * | 2019-09-12 | 2022-05-17 | 腾讯科技(深圳)有限公司 | 一种确定虚拟测试场景方法、装置、电子设备和存储介质 |
CN110579216B (zh) * | 2019-09-12 | 2022-02-18 | 阿波罗智能技术(北京)有限公司 | 测试场景库构建方法、装置、电子设备和介质 |
CN110763483A (zh) * | 2019-09-26 | 2020-02-07 | 泰牛汽车技术(苏州)有限公司 | 一种安全等级测试场景库的自动生成方法及装置 |
CN110796007B (zh) * | 2019-09-27 | 2023-03-03 | 华为技术有限公司 | 场景识别的方法与计算设备 |
CN110954341B (zh) * | 2019-12-13 | 2021-10-26 | 中国汽车工程研究院股份有限公司 | 一种智能网联汽车测试场景的测试方法和系统 |
CN111122175B (zh) | 2020-01-02 | 2022-02-25 | 阿波罗智能技术(北京)有限公司 | 测试自动驾驶系统的方法以及装置 |
CN111551190B (zh) * | 2020-04-27 | 2022-07-22 | 北京百度网讯科技有限公司 | 自动驾驶确定定位能力的方法、装置、设备及介质 |
CN111477028B (zh) * | 2020-04-28 | 2022-05-24 | 北京百度网讯科技有限公司 | 自动驾驶中用于生成信息的方法和装置 |
CN111858927B (zh) * | 2020-06-09 | 2023-11-24 | 阿波罗智能技术(北京)有限公司 | 数据测试方法、装置、电子设备及存储介质 |
CN112053555B (zh) * | 2020-07-30 | 2022-11-04 | 中汽数据有限公司 | 一种用于对停车场环境驾驶场景复杂度评级的方法 |
CN113032261B (zh) * | 2021-03-23 | 2022-09-30 | 北京三快在线科技有限公司 | 一种仿真测试的方法及装置 |
CN113432885B (zh) * | 2021-06-03 | 2023-03-24 | 北京三快在线科技有限公司 | 用于确定无人车的车道测试路线的方法、装置及存储介质 |
CN113609016B (zh) * | 2021-08-05 | 2024-03-15 | 北京赛目科技股份有限公司 | 车辆自动驾驶测试场景的构建方法、装置、设备及介质 |
CN114354219A (zh) * | 2022-01-07 | 2022-04-15 | 苏州挚途科技有限公司 | 自动驾驶车辆的测试方法及装置 |
CN117056746A (zh) * | 2023-10-11 | 2023-11-14 | 长春汽车工业高等专科学校 | 一种基于大数据的汽车测试平台及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102829980A (zh) * | 2012-03-29 | 2012-12-19 | 中国科学院自动化研究所 | 一种智能车辆的智能程度测评方法 |
CN103234763A (zh) * | 2013-04-09 | 2013-08-07 | 北京理工大学 | 一种无人驾驶车辆定量评价系统及评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150183439A1 (en) * | 2012-03-29 | 2015-07-02 | Google Inc. | Systems and methods for monitoring and reporting vehicle efficiency |
-
2016
- 2016-04-22 CN CN201610256748.7A patent/CN105954040B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102829980A (zh) * | 2012-03-29 | 2012-12-19 | 中国科学院自动化研究所 | 一种智能车辆的智能程度测评方法 |
CN103234763A (zh) * | 2013-04-09 | 2013-08-07 | 北京理工大学 | 一种无人驾驶车辆定量评价系统及评价方法 |
Non-Patent Citations (1)
Title |
---|
无人车通过特殊区域智能行为评价研究;张昕;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20150715;第3章和第5.2节 |
Also Published As
Publication number | Publication date |
---|---|
CN105954040A (zh) | 2016-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105954040B (zh) | 应用于无人驾驶汽车的测试方法和装置 | |
Mo et al. | A physics-informed deep learning paradigm for car-following models | |
Farazi et al. | Deep reinforcement learning in transportation research: A review | |
CN106198049B (zh) | 真实车辆在环测试系统和方法 | |
Ye et al. | Short-term traffic speed forecasting based on data recorded at irregular intervals | |
TWI638328B (zh) | 電力需求預測裝置、電力供給系統、電力需求預測方法、程式、供給電力管理裝置 | |
US20020133329A1 (en) | Simulation program product, method and system utilizing a plurality of simulation-models | |
Sadeghi-Niaraki et al. | Real world representation of a road network for route planning in GIS | |
CN107180530A (zh) | 一种基于深度时空卷积循环网络的路网状态预测方法 | |
US20160125307A1 (en) | Air quality inference using multiple data sources | |
Lu et al. | A hybrid model for lane-level traffic flow forecasting based on complete ensemble empirical mode decomposition and extreme gradient boosting | |
CN109902899A (zh) | 信息生成方法和装置 | |
CN107521500A (zh) | 信息获取方法和装置 | |
CN110111562A (zh) | 一种城市交通宏观区域边界控制方法 | |
Chen et al. | Multi-step prediction of experienced travel times using agent-based modeling | |
Zhu et al. | Green routing fuel saving opportunity assessment: A case study using large-scale real-world travel data | |
Moghimi et al. | Short-term prediction of signal cycle on an arterial with actuated-uncoordinated control using sparse time series models | |
EP4021027A1 (en) | Distributed learning to learn context-specific driving patterns | |
Golze et al. | Traffic regulator detection using GPS trajectories | |
CN104574966B (zh) | 可变信息标识装置及可变信息标识方法 | |
Modi et al. | A system for electric vehicle’s energy-aware routing in a transportation network through real-time prediction of energy consumption | |
EP3871911A1 (en) | System and method for a driver assistance function of a vehicle | |
CN108349500A (zh) | 用于分析车辆的驾驶员的驾驶方式的方法和装置 | |
Peter et al. | Model for the analysis of traffic networks and traffic modelling of Gy*** ör | |
Fazekas et al. | Detecting change in the urban road environment along a route based on traffic sign and crossroad data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |