CN109753623B - 一种自动驾驶车辆多测试场景分析与数目化简方法 - Google Patents

Abstract

本发明公开一种自动驾驶车辆多测试场景分析与数目化简方法，包括：确定需要测试的一组场景，对每一场景参数化，完成具体场景下测试轨迹分析，得到未完成任务的轨迹；在上述轨迹的基础上，分析与自动驾驶能力相关的参数，定义为场景特性参数；在完成多个场景的分析后，得到多场景特性参数组，在组中去掉被重叠或包含的参数组，即对应去掉该场景。本发明的自动驾驶车辆多测试场景分析与数目化简方法能够用于减少现有各种自动驾驶车辆测试测评过程中需要进行测试的场景数目，从而减少测试量，降低了测试成本，有助于推进自动驾驶技术的发展。

Description

一种自动驾驶车辆多测试场景分析与数目化简方法

技术领域

本发明涉及智能交通技术领域，具体涉及一种自动驾驶车辆多测试场景分析与测试场景数目化简方法。

背景技术

自动驾驶技术的推广能够减少交通事故，降低城市拥堵，提高道路通行效率，并解放人工驾驶的时间。汽车的智能化将是国民经济新的增长点。现阶段，自动驾驶技术的感知、决策和控制技术已逐渐成熟，影响自动驾驶技术进一步推广的主要阻力为对其安全性的考虑。

为确保自动驾驶车辆的安全性，现阶段主要通过场地测试与道路测试对其自动驾驶能力进行测试与测评。与传统车辆被动安全相关性能的测试有所不同，自动驾驶车辆所涉及的性能较多，而针对每个性能需要测试的场景又有较多参数组合，从而造成自动驾驶车辆测试场景多，流程时间长和成本高。这不仅提高了自动驾驶研发成本，而且由于场景参数的复杂性，无法通过穷举完成对自动驾驶性能的测评。而现有研究中对自动驾驶测评理论的研究较少，尤其是对场景的分析与测试流程的化简。

发明内容

本发明提供了一种自动驾驶车辆测评场景分析与测评场景数目化简方法。该方法首先输入需要进行分析的具体测试场景集，对需要进行自动驾驶车辆测评的具体场景通过场景的轨迹遍历进行分析，得到测评任务未完成的轨迹组；然后通过对轨迹进行分析，得到所对应的场景特性参数(SCP，Scenario Character Parameter)；然后利用特性参数相互重叠或包含的关系，得到场景间的包含关系；最后采用同样特性覆盖法，用最少场景代替原有测试场景，从而达到对冗余测评场景删除，进而化简测评场景数目的目的。

基于该目的，本发明的技术方案如下：

首先，需要对测试场景进行参数化，将场景的参数分为定性参数与定量参数，其中定性参数和定量参数包含常规的场景参数和针对测试所定义的变量。

其次，在测试场景下，按照测试任务采用任何可用的轨迹规划算法规划测试车辆的行驶轨迹，找出未完成测试任务的失败轨迹；

再次，对参数化后的场景进行基于轨迹的遍历分析后，获得导致测试任务失败的、与自动驾驶能力相关的场景特性参数；

最后，利用多场景特性参数间相互重叠或包含的关系，利用特性参数覆盖法去除冗余测试场景，化简测试场景数目。

在对每一失败轨迹进行故障分析时，建立针对每一失败轨迹的故障树，所述故障树结构为：顶层为故障事件，底层为引起故障的基本事件，中间各层为由基本事件导致故障事件的中间事件。依据故障树结构，将基本事件分为两类，一类为单个基本事件发生即可导致顶事件发生的基本事件；第二类为需要两个或两个以上基本事件间的组合才能导致顶事件发生的基本事件。如果自动驾驶车辆不存在上述单个基本事件或多个基本事件组合所描述的问题，则自动驾驶车辆能够完成该场景下的测试，所以这两类基本事件组成了场景对自动驾驶能力要求的阈值。

对同一场景下不同参数形成的故障轨迹进行分析，将分析得到的单个基本事件(或多个基本事件间的组合)定义为场景特性参数(SCP，Scenario Character Parameter)，该SCP可被用于多个场景间比较。

使用同样方法得到不同场景下的SCP，依据各组SCP，通过分析SCP间参数的覆盖关系，去除特性参数被完全重叠或包含的所在一组测试场景，即可进行测试场景数目的化简。

根据场景的参数化，SCP也可以分为定量SCP与定性SCP。

对同一场景下的轨迹结合SCP分析时，综合每一种轨迹下的SCP，在同一类SCP选取最严格的SCP。

场景特性参数(SCP)对应自动驾驶车辆相关能力分为感知、决策与控制三类；感知类SCP与自动驾驶系统通过传感器获得环境信息的能力相关；决策类SCP与自动驾驶系统在获得周围信息后，规划合理路径的能力相关；控制类SCP与自动驾驶车辆对已规划路径的跟踪能力相关。按照上述步骤进行场景的分析，对需要进行测试的场景集的数目进行了化简，从而在不降低场景集对自动驾驶车辆测试覆盖范围的前提下减少了所需测试量。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1示出了本发明实施例的自动驾驶车辆测试场景分析与数目化简流程示意图；

图2示出了本发明一个实施例的场景参数化示意图；

图3示出了本发明一个实施例的基于轨迹遍历分析后得到的碰撞场景演变示意图；

图4示出了本发明一个实施例的一个场景下针对其中一个碰撞轨迹进行故障树分析的示意图；

图5示出了本发明一个实施例的搜索能够覆盖所有SCP的最少场景数量搜索方法。

具体实施方式

在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。下面结合附图，说明本发明的实施方式。

下面结合图1的整体流程，进行详细描述，对测试场景进行分析，然后进行数目化简，整个过程大概分为以下几步：

S1：建立测试场景集

对车辆所有需要性能测试的测试场景建立一场景集。

S2：测试场景参数化

需要对测试场景进行参数化管理，场景参数包括定性参数与定量参数，每一场景特征都用这类参数来表达。

定量参数包括：干扰车辆数量，干扰车辆初始位置与初始速度，被测车辆初始位置与初始速度，车道数，当有弯道时的弯道曲率等。

定性参数包括：车辆类型(乘用车或商用车)，道路设施条件(如道路标线、交通标示是否清晰无遮挡)，光照条件(正常光照、逆光、路灯、黑暗等)，天气情况(晴朗、雾、雨、雪等)，道路情况(干燥、积水、积雪、结冰、洒砂等)。

除了上述常规的场景参数，定性与定量参数中还包含针对测试所定义的变量，如：被测车辆目标位置坐标与被测车辆完成目标限制时间；用于定义自动驾驶车辆的轨迹是否为安全轨迹的自动驾驶与干扰车辆间最小距离；为确保车辆基本舒适度的自动驾驶车辆的极限加速/减速度等。具体的一个场景参数化图示如图2，G11、G12、G13、G21、G22、G23为两条车道上对被测车辆VUT干扰的车辆，相应地，V_G11、V_G12…V_T等为对应车速，X₁₁₂、X₁₁₂、X₂₁₂、X₂₂₃等为对应车道上两辆车之间的车距；X_T为被测车辆与最接近干扰车辆的纵向车距。

S3：测试场景基于轨迹的遍历分析

其次，对参数化后的场景进行基于轨迹的遍历分析。利用某轨迹规划算法对行驶轨迹进行规划时，往往由于不同的轨迹规划算法在同一场景下生成的轨迹不同，从而使得对场景的分析受到所使用轨迹规划算法的影响。为了能够使得对场景的分析脱离某一特定轨迹规划算法的影响，本发明对场景中自动驾驶车辆可能的轨迹进行穷举分析，从而得到导致测试场景所对应的测试任务失败的所有轨迹，并将所得的轨迹用于下一步对场景特性参数的分析。

以高速双车道的换道测试场景、有两辆干扰车辆为例，通过轨迹遍历分析，依照场景片段演变的描述方法，以持续性行为作为场景片段之间的连接，得到的碰撞场景演变如图3所示。

S4：失败轨迹故障树建立

针对上述每一种导致任务未完成的轨迹进行故障树分析，从而得到针对某一失败轨迹的故障树。故障树结构如下，其最顶层为导致任务未完成的故障事件，最底层为可导致该故障发生的基本事件，顶事件与基本事件之间为中间事件。

故障树的分析过程为从顶层事件开始列出直接产生顶层事件的全部中间事件，如碰撞避免规划时间过晚导致碰撞无法避免或未规划碰撞避免行为等；然后继续追溯导致中间事件发生的全部可能的直接因素，如此迭代直到分析到可以表征自动驾驶一定能力的基本事件。一种双车道换道场景碰撞轨迹的故障树实施例分析结果如图4所示，导致该碰撞轨迹的原因包括未规划碰撞规避或碰撞规避规划时间过晚(碰撞无法避免)或其他中间事件，导致碰撞规避规划时间过晚(碰撞无法避免)的原因又包括目标轨迹预测错误或目标被检测但检测到的时间过晚或决策算法有误或控制算法有误，导致目标被检测但检测到的时间过晚又包括错误的距离判断或距离估计误差过大或传感器检测距离不足，其中错误的距离判断为定性基本事件，距离估计误差过大和传感器检测距离不足为定量基本事件，例如可以通过场景参数与车辆参数确定距离估计误差大于某一阈值时，将导致碰撞的发生。总而言之，任何基本事件最终都可以归结到测试场景的定性和/或定量参数上。

S5：失败轨迹下的测试场景特性参数组

对场景下的失败轨迹进行基于故障树的分析，并结合场景参数，得到每一种失败轨迹下的场景特性参数(简称为SCP)。其中，在归纳总结所有关系到故障发生的场景特性参数时，选取原则是在同一类SCP中，选取较严格的SCP。

场景特性参数SCP与无人驾驶车辆感知、决策或控制所对应的能力相关，某一场景的场景特性参数SCP指当车辆能力对应的实际参数不满足该数值时，将导致该车辆在此场景下的任务无法完成。因此，可以将任务刚好无法完成时的临界场景特性参数作为阈值，有关于车辆的参数表征车辆能力。

本发明一个实施例的任务未完成时，一个场景内SCP间的整合分析如表1。说明：

1)如果某一轨迹中包含影响定性参数的事件，则标注为y，若没有则标注为n；

2)如果某一轨迹中包含影响定量参数的事件，则标注具体数值，若没有则标注为n。计算具体数值方法为刚好导致测试任务未完成时的阈值，对不同的基本事件有不同的计算方法，在图4中有举例说明。

以上影响定性参数和定量参数的事件都包括单个基本事件和多个基本事件，多个基本事件是指由两个以上的单个基本事件的组合。

表1.一个场景SCP间的整合表

通过上述场景分析即可得到对应的失败轨迹场景特性。使用同样的方法对其他场景进行分析，从而得到多场景下的SCP组，如表2所示。

S6：多测试场景数目的简化

在完成对所需要进行自动驾驶车辆测评的多个场景的分析后，得到每一个场景对应的场景特性参数SCP，利用场景特性参数SCP之间相互重叠或包含的关系，搜索用最少场景就可以覆盖原有需要测试场景所包含全部场景特性参数SCP的一组场景，并使用这组场景替代原有需要测试场景组合，从而降低需要测试的场景数目。

依据各组SCP，通过分析SCP间的覆盖关系，即可进行测试场景数目的化简，具体方法如下：

表2示出了本发明一个实施例的多个场景与SCP间的对应关系，表中列出了7种场景下单个定性基本事件、多个定性基本事件、单个定量基本事件、多个定量基本事件下的SCP，同样，对于定性事件，如果有定性参数的影响，则标注为y，否则标注为n。对于定量基本事件，如果有该定量参数的影响，则标注为具体数值，否则标注为n。定量参数阈值越小，则对自动驾驶相关能力越苛刻。设分析后得到的定量基本事件各参数x1>x3>x5>x6>x7,y1>y2>y3>y4,z1>z2>z4>z7,m3>m4>m6>m7,n2>n3>n6>n7，从表2中可看出，场景1、3和4覆盖了所有的定性基本事件与定量基本事件，且所涉及的定量基本事件的参数值最为严格，因此场景1、3和4完成了对原有7个场景测试内容的覆盖。

然后利用各场景SCP之间相互重叠或包含的关系，通过如图5所示的方法搜索用最少场景就可以覆盖原有需要测试场景所包含SCP的一组场景，用该组场景替代原有场景。

表2.一个实施例的多个场景与SCP间的对应关系图

按照上述步骤进行场景的分析，对并需要进行的测试的场景集进行了化简，从而在不降低场景所需测试能力的前提下减少了所需测试的场景。

本发明已经通过上述实施例进行了说明，应当理解的是，上述实施例只是用于举例和说明的目的，而非意在将本发明限制于所描述的实施例范围内。

Claims (4)

1.一种自动驾驶车辆多测试场景分析与数目化简方法，其特征在于，

首先完成指定测试场景和测试任务下的测试车辆的所有轨迹规划，并从中找出未完成测试任务的失败轨迹；

其次在对所述失败轨迹分析的基础上，得出导致任务未完成的测试场景特性参数；

然后利用多测试场景特性参数间相互重叠或包含的关系，找出测试场景间的重叠或包含关系；

最后利用测试场景间的重叠或包含关系，去除冗余测试场景，化简测试场景数目；

具体包括如下步骤：

S1：建立测试场景集；

S2：测试场景参数化；

S3：测试场景基于轨迹的遍历分析；

S4：失败轨迹故障树建立；

S5：建立失败轨迹下的测试场景特性参数组；

S6：多测试场景数目的化简；

其中，

所述步骤S2中，测试场景用定量和/或定性参数表征；

所述步骤S3中，利用轨迹规划算法对测试车辆在同一测试场景、同一测试任务下的行驶轨迹进行遍历规划，从中找出所有未能完成测试任务的失败轨迹，用于下一步的故障分析；

所述步骤S4中，针对每一失败轨迹进行故障分析，并建立针对每一失败轨迹的故障树，所述故障树结构为：顶层为故障事件，底层为引起故障的基本事件，中间各层为由基本事件导致故障事件的中间事件；

所述步骤S5中，针对每一失败轨迹以及故障树，找出对应于基本事件的测试场景特性参数，然后总结多个失败轨迹，建立对应的多测试场景特性参数组；

所述步骤S6中，针对步骤S5总结的多测试场景特性参数组进行化简，去除冗余测试场景。

2.根据权利要求1所述的自动驾驶车辆多测试场景分析与数目化简方法，其特征在于，所述基本事件分为两类，一类为发生即可导致顶事件发生的基本事件；另一类为需要两个或两个以上基本事件间的组合才能导致顶事件发生的基本事件。

3.根据权利要求1所述的自动驾驶车辆多测试场景分析与数目化简方法，其特征在于，在寻找与失败轨迹相关的测试场景特性参数时，选取原则是在同一类参数中选择最严格的参数。

4.根据权利要求1所述的自动驾驶车辆多测试场景分析与数目化简方法，其特征在于，去除冗余测试场景的方法是，利用多测试场景特性参数之间相互重叠或包含的关系，去除特性参数被完全重叠或包含的所在一组测试场景。

Images