CN110232257B - 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 - Google Patents

Abstract

本发明涉及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，首先依次建立测试场景递阶层次结构框架，所述的结构框架至少包括四层：目标层、维度层、类别层和要素层，目标层下包括至少四个维度，每个维度下包括数个类别，每个类别下包括数个要素，根据目标层确定所要构建的目标场景，依次在各维度下确定类别，在类别中选取所需的具体要素，最终构建成目标测试场景。对各个维度内的不同层级元素赋予权重，对拟构建的场景进行要素匹配并完成对该场景测试难度系数的计算。本发明填补当下自动驾驶测试场景构建方法领域内的空缺，提出对所构建场景的测试难度等级评价方法，以及制定各功能测试项目进行测试方案。

Description

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

技术领域

本发明涉及自动驾驶汽车测试领域，特别涉及一种自动驾驶测试场景的构建方法及其测试难度系数的计算方法。

背景技术

自动驾驶技术可以有效缓解交通拥堵、降低交通事故发生率，是当今智能交通系统和人工智能领域研究的热点之一。目前，国内外的众多相关企业或科研机构大力发展自动驾驶技术，使得该技术在可行性和实用化方面取得了显著的进展，其中个别厂商的已研发出了具备L3级自动驾驶能力的智能网联汽车。

国内外自动驾驶技术飞速发展的同时使得一些问题被逐步凸显。与自动驾驶技术的发展相比，自动驾驶汽车的测试评估产业还刚刚起步，在测试道路的选择、搭配和建设上还缺乏系统的理论研究和支撑，导致在测试道路选择上较为随意；此外，国内外的示范区在测试场景的制定上缺乏统一规范和对各自动驾驶等级车辆典型测试场景的难度评价。

发明内容

为解决以上问题，本发明提出了一种自动驾驶测试场景的构建方法及其测试难度系数的计算方法，将测试场景分解成至少四个独立维度，对各个维度内的不同层级元素赋予权重，对拟构建的场景进行要素匹配并完成对该场景测试难度系数的计算。

本发明所述的一种自动驾驶测试场景的构建方法，首先依次建立测试场景递阶层次结构框架，所述的结构框架至少包括四层：目标层、维度层、类别层和要素层，目标层下包括至少四个维度，每个维度下包括数个类别，每个类别下包括数个要素，根据目标层确定所要构建的目标场景，依次在各维度下确定类别，在类别中选取所需的具体要素，最终构建成目标测试场景。

所述的结构框架中，第一层目标层T，根据被测车辆自动驾驶功能所要构建的目标场景确定。

第二层维度层，维度层为目标层的理论维度，至少包括地理维度G、道路附属维度A、道路使用维度R和环境条件维度E等几个维度；其中，地理维度主要定义了场景的静态地理条件；道路附属维度主要定义了场景内道路表面及周边的设施；道路使用维度主要涵盖了场景内使用的动态道路使用者等；环境条件维度主要定义了场景的天气、路面覆盖特征等环境条件。

第三层类别层，根据所属维度层确定构成各维度层所需的要素类别，且各类别之间相互独立，其中地理维度至少包括道路条件、路面类型、路面情况、周边环境设施中的一种或数种类别；道路附属维度至少包括无、有交通标线、有交通信号灯、有障碍物中的一种或数种类别；道路使用维度至少包括无、有人类、有动物、有车辆中的一种或数种类别；环境条件维度至少包括晴、冰、雪、雨中的一种或数种类别。

第四层要素层，根据实际测试场景的基本要素，将第三层中的类别层分别划分成具体要素；其中，道路条件类别至少包括直道、弯道、坡道、交叉口中的一种或数种要素；路面类型类别至少包括水泥路面、沥青路面、砂石路面中的一种或数种要素；路面情况类别至少包括平整路面、坑洼路面、非结构化路面中的一种或数种要素；周边环境设施类别至少包括医院、加油站、公交站中的一种或数种要素；有交通标线类别至少包括禁止标线、指示标线、警告标线、立面标记中的一种或数种要素；有交通信号灯类别至少包括机动车道信号灯、人行横道信号灯、机动车道信号灯、方向指示信号灯中的一种或数种要素；有障碍物类别至少包括小型路障、大型路障、减速带中的一种或数种要素；有人类类别至少包括拄拐棍者、坐轮椅者、矮小身材者、高大身材者中的一种或数种要素；有动物类别至少包括小型陆生动物、中型陆生动物、大型陆生动物、鸟类中的一种或数种要素；有车辆类别至少包括二轮车辆、三轮车辆、四轮车辆中的一种或数种要素、冰类型至少包括路面结冰、路面有冰和水、路面有冰和雪、路面有冰和砂中的一种或数种要素；雪类别至少包括大雪、中雪、小雪中的一种或数种要素；雨类别至少包括大雨、中雨、小雨中的一种或数种要素。

本发明所述的一种自动驾驶测试场景的难度系数计算方法，首先根据构建的测试场景分别计算第二层、第三层、第四层各构成成分的单层次权重值，其步骤如下：

(1)计算第二层维度层相对于第一层目标层的权重，具体计算方法如下：

第二层的地理维度G、道路附属维度A、道路使用维度R、环境条件维度E是由第一层的目标层T分解出的元素，构建维度层关于目标层的判断矩阵，其形式如表1所示：

表1维度层的判断矩阵形式

w_ij是同一层级内的两两因素相比较的重要程度标度值，其赋值方法如表2所示，可以得到第二层的判断矩阵w，

表2层次判断矩阵标度赋值表

标度	标度的含义
		1	表示两个场景构成元素相比，具有同样重要性
3	表示两个场景构成元素相比，一个元素比另一个元素稍微重要
		5	表示两个场景构成元素相比，一个元素比另一个元素明显重要
7	表示两个场景构成元素相比，一个元素比另一个元素强烈重要
		9	表示两个场景构成元素相比，一个元素比另一个元素极端重要
2,4,6,8	上述两相邻判断的中值

将判断矩阵w的最大特征根记为λ_max，计算对应于λ_max的特征向量并进行归一化处理，得到维度层对于目标层的相对权重向量，记为W＝{w_G,w_A,w_R,w_E}；

(2)计算第三层类别层相对于第二层维度层的相对权重，权重计算方法与步骤(1)的方法相同，经过计算得到各类别的相对权重向量，地理维度的类别层权重向量记为g＝{g₁,g₂,g₃,…,g_n}，其中g₁,g₂,g₃,…,g_n与地理维度类别层的各类别依次对应；道路附属维度的类别层权重向量记为a＝{a₀,a₁,a₂,a₃,…,a_n}，其中a₀,a₁,a₂,a₃,…,a_n与道路附属维度类别层的各类别依次对应；道路使用维度的类别层权重向量记为r＝{r₀,r₁,r₂,r₃,…,r_n}，其中r₀,r₁,r₂,r₃,…,r_n与道路使用维度类别层的各类别依次对应；环境条件维度的类别层权重向量记为e＝{e₀,e₁,e₂,e₃,…,e_n}，其中e₀,e₁,e₂,e₃,…,e_n与环境条件维度类别层的各类别依次对应；

(3)计算第四层要素层相对于第三层类别层的相对权重，权重计算方法与步骤(1)的方法相同，经过计算得到第四层相对于第三层的相对权重向量，地理维度的要素层权重向量记为{g₁₁,g₁₂,…,g_1n；g₂₁,g₂₂,…,g_2n；…；g_n1,g_n2,…,g_nn}其中g₁₁,g₁₂,…,g_1n；g₂₁,g₂₂,…,g_2n；…；g_n1,g_n2,…,g_nn与地理维度要素层的各要素依次对应；道路附属维度的要素层权重向量记为{a₁₁,a₁₂,…,a_1n；a₂₁,a₂₂,…,a_2n；…；a_n1,a_n2,…,a_nn}，其中a₁₁,a₁₂,…,a_1n；a₂₁,a₂₂,…,a_2n；…；a_n1,a_n2,…,a_nn与道路附属维度要素层的各要素依次对应；道路使用维度的要素层权重向量记为{r₁₁,r₁₂,…,r_1n；r₂₁,r₂₂,…,r_2n；…；r_n1,r_n2,…,r_nn}，其中r₁₁,r₁₂,…,r_1n；r₂₁,r₂₂,…,r_2n；…；r_n1,r_n2,…,r_nn与道路使用维度要素层的各要素依次对应；环境条件维度的要素层权重向量记为{e₁₁,e₁₂,…,e_1n；e₂₁,e₂₂,…,e_2n；…；e_n1,e_n2,…,e_nn}，其中e₁₁,e₁₂,…,e_1n；e₂₁,e₂₂,…,e_2n；…；e_n1,e_n2,…,e_nn与环境条件维度要素层的各要素依次对应；

规划场景及难度系数计算：根据实际拟测试项目对场景的需要，在4个场景维度中选取所需要的要素，场景难度系数计算如公式(1)所示：

W＝w_G×g_i×g_ij+w_Aa_ia_ij+w_Rr_ir_ij+w_Ee_ie_ij (1)

式(1)中，W为拟构建场景的总权值，即该场景的难度系数；w_G、w_A、w_R、w_E分别为维度层的权值；g_i、a_i、r_i、e_i分别为4个维度内各要素类别的权值；g_ij、a_ij、r_ij、e_ij分别为4个维度内各要素的权值。

本发明的有益效果：

本发明填补当下自动驾驶测试场景构建方法领域内的空缺，提出一种面向智能网联汽车能力测试的场景构建方法，并提出对所构建场景的测试难度等级评价方法，以及制定各功能测试项目进行测试方案。本发明为自动驾驶测试场地的建设提供理论依据与技术支持，该方法从地理维度、道路附属维度、道路使用维度以及环境条件维度出发，实际应用时可以根据需要增加场景框架的层数，以便于具体地对构成要素进行设计，例如扩充至第五层为细节层，用于详细规划第四层要素的设计方式。通过对各维度内的要素与拟构建场景的功能性需要进行匹配，从而构成不同测试难度的测试场景，用于为不同自动驾驶等级的被测车辆相关功能提供试验与测试的场景。

附图说明

图1为本发明测试场景的递阶层次结构框架示意图；

图2为本发明实施例中测试场景构成要素匹配关系示意图；

具体实施方式

利用本发明所述的方法针对被测车辆的交通信号灯识别测试项目，拟构建的测试场景描述为：该场景的地理条件为平整的水泥路面直道；道路附属条件为路面无障碍物，场景内有机动车道信号灯、方向指示信号灯和指示标线；道路使用条件为有二轮车辆，环境条件为中雪且路面有结冰。根据上述条件在结构框架内选取匹配的要素构建测试场景。

然后根据该场景的要素，各层级的权值使用本发明的场景难度系数及赋值方法，参阅图2所示，根据本方法计算得到公式(2)：

依据公式(2)计算得到W即为场景难度系数；式中w_G、w_A、w_R、w_E分别为维度层的权值；g₁,g₂,g₃分别为道路条件、路面类型、路面情况的权值；g₁₁,g₂₁,g₃₁分别为直道、水泥路面、平整路面的权值；a₁,a₂分别为交通标线、交通信号灯的权值；a₁₂,a₂₁,a₂₄分别为有指示标线、机动车的信号灯、方向指示信号灯的权值；r₃为车辆类别的权值；r₃₁为有二轮车辆的权值；e₁,e₂分别为冰、雪的权值；e₁₁,e₂₂分别为路面结冰、中雪的权值。

Claims (2)

1.一种自动驾驶测试场景的构建及其难度系数计算方法，其特征在于：首先构建自动驾驶测试场景，依次建立测试场景递阶层次结构框架，所述的结构框架至少包括四层：

第一层为目标层T，根据被测车辆自动驾驶功能所要构建的目标场景确定；

第二层为维度层，目标层至少包括地理维度G、道路附属维度A、道路使用维度R和环境条件维度E；

第三层为类别层，根据所属维度层确定构成各维度层所需的要素类别，且各类别之间相互独立，其中地理维度至少包括道路条件、路面类型、路面情况、周边环境设施中的一种或数种类别；道路附属维度至少包括无、有交通标线、有交通信号灯、有障碍物中的一种或数种类别；道路使用维度至少包括无、有人类、有动物、有车辆中的一种或数种类别；环境条件维度至少包括晴、冰、雪、雨中的一种或数种类别；

第四层为要素层，根据实际测试场景的基本要素，将第三层中的类别层分别划分成具体要素；

根据目标层确定所要构建的目标场景，依次在各维度的类别层中选取所需的类别及该类别下的具体要素，构建成目标测试场景；

分别计算第二层、第三层、第四层各构成成分的单层次权重值，其步骤如下：

(1)计算第二层维度层相对于第一层目标层的权重，具体计算方法如下：

第二层的地理维度G、道路附属维度A、道路使用维度R、环境条件维度E是由第一层的目标层T分解出的元素，构建维度层关于目标层的判断矩阵，其形式如表1所示：

表1维度层的判断矩阵形式

w_ij是同一层级内的两两因素相比较的重要程度标度值，其赋值方法如表2所示，可以得到第二层的判断矩阵w，

表2层次判断矩阵标度赋值表

标度 标度的含义 1 表示两个场景构成元素相比，具有同样重要性 3 表示两个场景构成元素相比，一个元素比另一个元素稍微重要 5 表示两个场景构成元素相比，一个元素比另一个元素明显重要 7 表示两个场景构成元素相比，一个元素比另一个元素强烈重要 9 表示两个场景构成元素相比，一个元素比另一个元素极端重要 2,4,6,8 上述两相邻判断的中值

将判断矩阵w的最大特征根记为λ_max，计算对应于λ_max的特征向量并进行归一化处理，得到维度层对于目标层的相对权重向量，记为W＝{w_G,w_A,w_R,w_E}；

(2)计算第三层类别层相对于第二层维度层的相对权重，权重计算方法与步骤(1)的方法相同，经过计算得到各类别的相对权重向量，地理维度的类别层权重向量记为g＝{g₁,g₂,g₃,…,g_n}，其中g₁,g₂,g₃,…,g_n与地理维度类别层的各类别依次对应；道路附属维度的类别层权重向量记为a＝{a₀,a₁,a₂,a₃,…,a_n}，其中a₀,a₁,a₂,a₃,…,a_n与道路附属维度类别层的各类别依次对应；道路使用维度的类别层权重向量记为r＝{r₀,r₁,r₂,r₃,…,r_n}，其中r₀,r₁,r₂,r₃,…,r_n与道路使用维度类别层的各类别依次对应；环境条件维度的类别层权重向量记为e＝{e₀,e₁,e₂,e₃,…,e_n}，其中e₀,e₁,e₂,e₃,…,e_n与环境条件维度类别层的各类别依次对应；

(3)计算第四层要素层相对于第三层类别层的相对权重，权重计算方法与步骤(1)的方法相同，经过计算得到第四层相对于第三层的相对权重向量，地理维度的要素层权重向量记为{g₁₁,g₁₂,…,g_1n；g₂₁,g₂₂,…,g_2n；…；g_n1,g_n2,…,g_nn}其中g₁₁,g₁₂,…,g_1n；g₂₁,g₂₂,…,g_2n；…；g_n1,g_n2,…,g_nn与地理维度要素层的各要素依次对应；道路附属维度的要素层权重向量记为{a₁₁,a₁₂,…,a_1n；a₂₁,a₂₂,…,a_2n；…；a_n1,a_n2,…,a_nn}，其中a₁₁,a₁₂,…,a_1n；a₂₁,a₂₂,…,a_2n；…；a_n1,a_n2,…,a_nn与道路附属维度要素层的各要素依次对应；道路使用维度的要素层权重向量记为{r₁₁,r₁₂,…,r_1n；r₂₁,r₂₂,…,r_2n；…；r_n1,r_n2,…,r_nn}，其中r₁₁,r₁₂,…,r_1n；r₂₁,r₂₂,…,r_2n；…；r_n1,r_n2,…,r_nn与道路使用维度要素层的各要素依次对应；环境条件维度的要素层权重向量记为{e₁₁,e₁₂,…,e_1n；e₂₁,e₂₂,…,e_2n；…；e_n1,e_n2,…,e_nn}，其中e₁₁,e₁₂,…,e_1n；e₂₁,e₂₂,…,e_2n；…；e_n1,e_n2,…,e_nn与环境条件维度要素层的各要素依次对应；

规划场景及难度系数计算：根据实际拟测试项目对场景的需要，在4个场景维度中选取所需要的要素，场景难度系数计算如公式(1)所示：

W＝w_G×g_i×g_ij+w_Aa_ia_ij+w_Rr_ir_ij+w_Ee_ie_ij (1)

式(1)中，W为拟构建场景的总权值，即该场景的难度系数；w_G、w_A、w_R、w_E分别为维度层的权值；g_i、a_i、r_i、e_i分别为4个维度内各要素类别的权值；g_ij、a_ij、r_ij、e_ij分别为4个维度内各要素的权值。

2.根据权利要求1所述的一种自动驾驶测试场景的构建及其难度系数计算方法，其特征在于：第四层要素层中，道路条件类别至少包括直道、弯道、坡道、交叉口中的一种或数种要素；路面类型类别至少包括水泥路面、沥青路面、砂石路面中的一种或数种要素；路面情况类别至少包括平整路面、坑洼路面、非结构化路面中的一种或数种要素；周边环境设施类别至少包括医院、加油站、公交站中的一种或数种要素；有交通标线类别至少包括禁止标线、指示标线、警告标线、立面标记中的一种或数种要素；有交通信号灯类别至少包括机动车道信号灯、人行横道信号灯、机动车道信号灯、方向指示信号灯中的一种或数种要素；有障碍物类别至少包括小型路障、大型路障、减速带中的一种或数种要素；有人类类别至少包括拄拐棍者、坐轮椅者、矮小身材者、高大身材者中的一种或数种要素；有动物类别至少包括小型陆生动物、中型陆生动物、大型陆生动物、鸟类中的一种或数种要素；有车辆类别至少包括二轮车辆、三轮车辆、四轮车辆中的一种或数种要素、冰类型至少包括路面结冰、路面有冰和水、路面有冰和雪、路面有冰和砂中的一种或数种要素；雪类别至少包括大雪、中雪、小雪中的一种或数种要素；雨类别至少包括大雨、中雨、小雨中的一种或数种要素。

Images