CN110502852B - 一种自动驾驶仿真测试场景的生成方法及生成系统 - Google Patents

Abstract

本申请公开了一种自动驾驶仿真测试场景的生成方法及生成系统，其中，所述自动驾驶仿真测试场景的生成方法利用有限的待分割纵向驾驶行为数据作为数据集，利用目标神经网络模型对数据集进行分割和分类，并从分类后的目标数据中随机采样和重组生成大量的前车数据，从而能够根据这些前车数据生成大量、且可以较为全面地覆盖实际驾驶场景的仿真测试场景，进而实现了提高利用生成的自动驾驶仿真测试场景对自动驾驶功能测试的全面性的目的。

Description

一种自动驾驶仿真测试场景的生成方法及生成系统

技术领域

本申请涉及车辆工程技术领域，更具体地说，涉及一种自动驾驶仿真测试场景的生成方法及生成系统。

背景技术

随着车辆工程技术的不断发展，机动车辆的各类辅助驾驶功能不断涌现，其中，自动驾驶(Autonomous vehicles；Self-driving automobile)功能逐渐成为研发人员的重要研发方向之一。

具有自动驾驶功能的机动车辆由传感器感知道路和交通环境，由计算机决策并控制车辆的操纵，理论上该系统可以替代人类驾驶员。但在自动驾驶的实际发展过程中，如果要将其部署到公共道路上，首先应该全面地评估其系统安全性，将保证足够高的可靠性作为部署的前提条件，另外，能够投入实际使用的自动驾驶汽车，也必须符合人机工程合理性，并且在融入交通环境之后能保证总体的交通效率不因自动驾驶汽车的加入而降低。

为了达到上述目的，自动驾驶算法必须经过充分而广泛的道路测试，因为现实中的交通环境复杂多变，每一个交通场景都由大量不同因素组合，并且具有很强的随机性。而随着自动驾驶系统的迭代改进频率不断提高，基本的道路测试方法因效率较低、成本较高而难以满足需求。

因此，现有技术中通常通过人为选取场景并生成自动驾驶仿真测试场景的方式来对自动驾驶功能进行测试，但同样受限于实际场景复杂多变的原因，这种方式生成的自动驾驶仿真测试场景通常为边界情况，即在极限情况下，从算法角度来绝对地保证机动车辆的安全性，但是这样无疑缺乏了大量更加普遍的仿真测试场景，使得利用这些自动驾驶仿真测试场景对自动驾驶功能进行测试时，缺少全面性的测试，难以反映自动驾驶功能的真实情况。

发明内容

为解决上述技术问题，本申请提供了一种自动驾驶仿真测试场景的生成方法及生成系统，以实现通过该自动驾驶仿真测试场景的生成方法可以生成大量符合自然交通场景的自动驾驶仿真测试场景，并且使得生成的自动驾驶仿真测试场景可以较为全面地覆盖实际驾驶场景，提高利用生成的自动驾驶仿真测试场景对自动驾驶功能测试的全面性的目的。

为实现上述技术目的，本申请实施例提供了如下技术方案：

一种自动驾驶仿真测试场景的生成方法，包括：

获取多个纵向驾驶行为数据，对所述纵向驾驶行为数据进行分割和标记，以获得多个具有跟车阶段标签的训练样本；

利用所述训练样本对待训练神经网络模型进行训练，以获得具有对所述纵向驾驶行为数据进行分割和对分割后的纵向驾驶行为数据进行分类功能的目标神经网络模型；

获取多个待分割纵向驾驶行为数据，并利用所述目标神经网络模型对所述待分割纵向驾驶行为数据进行分割和分类，以获得多个具有跟车阶段标签的目标数据；

将具有不同跟车阶段标签的目标数据放入不同的数据库中，以生成多个资源数据库；

从多个所述资源数据库中随机采样，并对采样的目标数据按照预设顺序组合，获得前车模型，并根据所述前车模型建立仿真测试场景。

可选的，所述对所述纵向驾驶行为数据进行分割和标记包括：

根据所述纵向驾驶行为数据中的主车驾驶员行为特征，对所述纵向驾驶行为数据进行分割，并根据分割后的纵向驾驶行为数据的主车驾驶员行为特征，对分割后的纵向驾驶行为数据进行标记；

所述主车驾驶员行为特征包括：主车的加速度、主车与前车的相对速度和主车与前车的距离。

可选的，所述利用所述训练样本对待训练神经网络模型进行训练包括：

利用所述训练样本，采用共轭梯度法对所述待训练神经网络模型进行训练。

可选的，所述跟车阶段标签包括加速度适应阶段标签、速度适应阶段标签、跟随阶段标签和远离阶段标签；

所述将具有不同跟车阶段标签的目标数据放入不同的数据库中，以生成多个资源数据库包括：

将具有加速度适应阶段标签的目标数据放入第一数据库中，生成具有加速度适应阶段标签的资源数据库；

将具有速度适应阶段标签的目标数据放入第二数据库中，生成具有速度适应阶段标签的资源数据库；

将具有跟随阶段标签的目标数据放入第三数据库中，生成具有跟随阶段标签的资源数据库；

将具有远离阶段标签的目标数据放入第四数据库中，生成具有远离阶段标签的资源数据库。

可选的，所述从多个所述资源数据库中随机采样，并对采样的目标数据按照预设顺序组合，获得前车模型，并根据所述前车模型建立仿真测试场景包括：

从每个所述资源数据库中依次随机采样，以获取分别具有加速度适应阶段标签、速度适应阶段标签、跟随阶段标签和远离阶段标签的目标数据；

按照加速度适应阶段标签、速度适应阶段标签、跟随阶段标签和远离阶段标签的顺序排列，将获取的具有加速度适应阶段标签、速度适应阶段标签、跟随阶段标签和远离阶段标签的目标数据，通过积分的方法获得连续的速度曲线；

将获得的连续的速度曲线作为仿真测试场景中的前车模型。

一种自动驾驶仿真测试场景的生成系统，包括：

第一数据获取模块，用于获取多个纵向驾驶行为数据，对所述纵向驾驶行为数据进行分割和标记，以获得多个具有跟车阶段标签的训练样本；

模型训练模块，用于利用所述训练样本对待训练神经网络模型进行训练，以获得具有对所述纵向驾驶行为数据进行分割和对分割后的纵向驾驶行为数据进行分类功能的目标神经网络模型；

数据分类模块，用于获取多个待分割纵向驾驶行为数据，并利用所述目标神经网络模型对所述待分割纵向驾驶行为数据进行分割和分类，以获得多个具有跟车阶段标签的目标数据；

数据库生成模块，用于将具有不同跟车阶段标签的目标数据放入不同的数据库中，以生成多个资源数据库；

模型生成模块，用于从多个所述资源数据库中随机采样，并对采样的目标数据按照预设顺序组合，获得前车模型，并根据所述前车模型建立仿真测试场景。

可选的，所述第一数据获取模块对所述纵向驾驶行为数据进行分割和标记具体用于，

根据所述纵向驾驶行为数据中的主车驾驶员行为特征，对所述纵向驾驶行为数据进行分割，并根据分割后的纵向驾驶行为数据的主车驾驶员行为特征，对分割后的纵向驾驶行为数据进行标记；

所述主车驾驶员行为特征包括：主车的加速度、主车与前车的相对速度和主车与前车的距离。

可选的，所述模型训练模块利用所述训练样本对待训练神经网络模型进行训练具体用于，

利用所述训练样本，采用共轭梯度法对所述待训练神经网络模型进行训练。

可选的，所述跟车阶段标签包括加速度适应阶段标签、速度适应阶段标签、跟随阶段标签和远离阶段标签；

所述数据库生成模块包括：

第一数据库单元，用于将具有加速度适应阶段标签的目标数据放入第一数据库中，生成具有加速度适应阶段标签的资源数据库；

第二数据库单元，用于将具有速度适应阶段标签的目标数据放入第二数据库中，生成具有速度适应阶段标签的资源数据库；

第三数据库单元，用于将具有跟随阶段标签的目标数据放入第三数据库中，生成具有跟随阶段标签的资源数据库；

第四数据库单元，用于将具有远离阶段标签的目标数据放入第四数据库中，生成具有远离阶段标签的资源数据库。

可选的，所述模型生成模块包括：

随机采样单元，用于从每个所述资源数据库中依次随机采样，以获取分别具有加速度适应阶段标签、速度适应阶段标签、跟随阶段标签和远离阶段标签的目标数据；

曲线生成单元，用于按照加速度适应阶段标签、速度适应阶段标签、跟随阶段标签和远离阶段标签的顺序排列，将获取的具有加速度适应阶段标签、速度适应阶段标签、跟随阶段标签和远离阶段标签的目标数据，通过积分的方法获得连续的速度曲线；

模型确定单元，用于将获得的连续的速度曲线作为仿真测试场景中的前车模型。

从上述技术方案可以看出，本申请实施例提供了一种自动驾驶仿真测试场景的生成方法及生成系统，其中，所述自动驾驶仿真测试场景的生成方法首先对获取的纵向驾驶行为数据进行分割和标记，以获得待训练神经网络模型的训练样本，并利用获得的训练样本对待训练神经网络模型进行训练，以获得目标神经网络模型，然后获取多个待分割纵向驾驶行为数据作为数据集输入目标神经网络模型，以获得多个具有跟车阶段标签的目标数据，最后对具有不同跟车阶段标签的目标数据进行重组，以获得前车模型，实现仿真测试场景的生成。所述自动驾驶仿真测试场景的生成方法利用有限的待分割纵向驾驶行为数据作为数据集，利用目标神经网络模型对数据集进行分割和分类，并从分类后的目标数据中随机采样和重组生成大量的前车数据，从而能够根据这些前车数据生成大量、且可以较为全面地覆盖实际驾驶场景的仿真测试场景，进而实现了提高利用生成的自动驾驶仿真测试场景对自动驾驶功能测试的全面性的目的。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请的一个实施例提供的一种自动驾驶仿真测试场景的生成方法的流程示意图；

图2为本申请的另一个实施例提供的一种自动驾驶仿真测试场景的生成方法的流程示意图；

图3为本申请的一个实施例提供的一种对纵向驾驶行为数据进行分割和标记的示意图；

图4为本申请的一个实施例提供的一种神经网络模型的结构示意图；

图5为本申请的又一个实施例提供的一种自动驾驶仿真测试场景的生成方法的流程示意图。

具体实施方式

正如前文所述，自动驾驶功能必须经过充分而广泛的道路测试，由于自动驾驶系统的迭代改进频率不断提高，基本的道路测试方法因效率较低、成本较高而难以满足需求。因此，必须要通过合理方法的测试过程来判定自动驾驶算法是否达标，是否优化，并且要能够通过测试找到失败的具体点。测试的内容应该尽可能准确地反映自然交通环境的状况，同时还应该有尽可能广的覆盖现实中所有可能发生的情况。一方面，如果采取在自然驾驶环境中不断随机运行被测的自动驾驶汽车，这样做虽然可以反映真实的交通状况，尽可能广地覆盖所有可能发生的情况，但是效率却非常低，同时对自动驾驶功能的测试成本很高。

另一方面，如果反过来，人为挑选出关键场景，或者是边界场景，并且基于这些有限的场景去做标准化的测试，这样做的话，我们可以很快找到某方面性能的边界，比如，安全性的边界，例如AEB(Autonomous Emergency Braking，主动制动)测试。我们就用极限场景去测试这个安全功能，可以很直白地得出结果。

但是，这个结果仅仅是边界，控制策略不可能只考虑边界情况，实时上，现实中的绝大多数情况，都不是边界情况。举个简单的例子，如果只有边界测试结果作为参考，那么，自动驾驶供的控制策略只能设计确保极端情况下不发生事故的安全距离和减速度等。这一设计，可以在极限范围内，从算法角度来说，绝对地保证安全性。而现实中的自动驾驶策略不可能这样设计，实际的自动驾驶功能的策略设计还必须考虑各种中间状态下的舒适性和效率性等其它维度。因此实际运行场景中包括的中间状态几乎是无穷多的，所以无法直接从条件推出策略设计，而是要走一条迂回的路：先基于各种理论可以来设计策略，然后测试，评估和发现问题，再返回去修改，经过这样的迭代，才能有效的均衡地提升多方位的性能。

有鉴于此，本申请实施例提供了一种自动驾驶仿真测试场景的生成方法，包括：

获取多个纵向驾驶行为数据，对所述纵向驾驶行为数据进行分割和标记，以获得多个具有跟车阶段标签的训练样本；

利用所述训练样本对待训练神经网络模型进行训练，以获得具有对所述纵向驾驶行为数据进行分割和对分割后的纵向驾驶行为数据进行分类功能的目标神经网络模型；

获取多个待分割纵向驾驶行为数据，并利用所述目标神经网络模型对所述待分割纵向驾驶行为数据进行分割和分类，以获得多个具有跟车阶段标签的目标数据；

将具有不同跟车阶段标签的目标数据放入不同的数据库中，以生成多个资源数据库；

从多个所述资源数据库中随机采样，并对采样的目标数据按照预设顺序组合，获得前车模型，并根据所述前车模型建立仿真测试场景。

所述自动驾驶仿真测试场景的生成方法利用有限的待分割纵向驾驶行为数据作为数据集，利用目标神经网络模型对数据集进行分割和分类，并从分类后的目标数据中随机采样和重组生成大量的前车数据，从而能够根据这些前车数据生成大量、且可以较为全面地覆盖实际驾驶场景的仿真测试场景，进而实现了提高利用生成的自动驾驶仿真测试场景对自动驾驶功能测试的全面性的目的。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供了一种自动驾驶仿真测试场景的生成方法，如图1所示，包括：

S101：获取多个纵向驾驶行为数据，对所述纵向驾驶行为数据进行分割和标记，以获得多个具有跟车阶段标签的训练样本；

S102：利用所述训练样本对待训练神经网络模型进行训练，以获得具有对所述纵向驾驶行为数据进行分割和对分割后的纵向驾驶行为数据进行分类功能的目标神经网络模型；

S103：获取多个待分割纵向驾驶行为数据，并利用所述目标神经网络模型对所述待分割纵向驾驶行为数据进行分割和分类，以获得多个具有跟车阶段标签的目标数据；

S104：将具有不同跟车阶段标签的目标数据放入不同的数据库中，以生成多个资源数据库；

S105：从多个所述资源数据库中随机采样，并对采样的目标数据按照预设顺序组合，获得前车模型，并根据所述前车模型建立仿真测试场景。

相对于大规模真实自然驾驶场景测试，本申请实施例提供的自动驾驶仿真测试场景的生成方法，可以利用有限的数据量，组合成丰富的测试场景，从而提高效率，节约成本。相对于人为定义的标准化边界场景测试，所述自动驾驶仿真测试场景的生成方法能反映现实世界的场景的随机性，覆盖面更广，并且能考察自动驾驶汽车的更多维度的性能，不局限于安全性。相对于基于离散化加速度数据重构测试场景。所述自动驾驶仿真测试场景的生成方法的优点是其基础是“心理-物理感知模型”，而非纯粹的概率驱动，即所述自动驾驶仿真测试场景的生成方法是从人类驾驶行为的本质机理上出发而构建的，不但能从宏观上反映整个交通的状态，反映关键场景出现的概率，同时还能从微观上反映出人类驾驶员个体的驾驶行为。可以更真实地反映自动驾驶汽车所处的实际环境。

所述自动驾驶仿真测试场景的生成方法首先对获取的纵向驾驶行为数据进行分割和标记，以获得待训练神经网络模型的训练样本，并利用获得的训练样本对待训练神经网络模型进行训练，以获得目标神经网络模型，然后获取多个待分割纵向驾驶行为数据作为数据集输入目标神经网络模型，以获得多个具有跟车阶段标签的目标数据，最后对具有不同跟车阶段标签的目标数据进行重组，以获得前车模型，实现仿真测试场景的生成。所述自动驾驶仿真测试场景的生成方法利用有限的待分割纵向驾驶行为数据作为数据集，利用目标神经网络模型对数据集进行分割和分类，并从分类后的目标数据中随机采样和重组生成大量的前车数据，从而能够根据这些前车数据生成大量、且可以较为全面地覆盖实际驾驶场景的仿真测试场景，进而实现了提高利用生成的自动驾驶仿真测试场景对自动驾驶功能测试的全面性的目的。

在上述实施例的基础上，在本申请的一个实施例中，如图2所示，所述对所述纵向驾驶行为数据进行分割和标记包括：

S1011：根据所述纵向驾驶行为数据中的主车驾驶员行为特征，对所述纵向驾驶行为数据进行分割，并根据分割后的纵向驾驶行为数据的主车驾驶员行为特征，对分割后的纵向驾驶行为数据进行标记；

所述主车驾驶员行为特征包括：主车的加速度、主车与前车的相对速度和主车与前车的距离。

所述纵向驾驶行为数据通常至少包括一对机动车辆的行车数据，例如主车(被测机动车辆)和前车的速度、距离、相对速度和相对距离等。

参考图3，图3提供了一种对纵向驾驶行为数据进行分割和标记的示意图，在图3中横坐标为主车和前车的相对速度，单位为m/s，纵坐标为主车和前车的相对距离，单位为m。图3中，A1表示加速度适应阶段，A2表示速度适应阶段，A3表示跟随阶段，A4表示远离阶段。

从图3中可以看出，通过主车驾驶员行为特征，可以将一段纵向驾驶行为数据分割为多段具有不同标记的纵向驾驶行为数据。

在本申请的一些实施例中，所述跟车阶段标签包括加速度适应阶段标签、速度适应阶段标签、跟随阶段标签和远离阶段标签等四个阶段标签；

在实际应用过程中，可以通过简单的记号作为不同的跟车阶段标签，例如可以利用1作为加速度适应阶段的标签，利用2作为速度适应阶段标签，利用3作为跟随阶段的标签，利用4作为远离阶段的标签等。

每个不同阶段，对应着驾驶员的“驾驶决定”和“操纵行为”的切换，例如，在自动驾驶阶段，驾驶员的“决定”是“保持期望车速”，相应的“操纵行为”是“稳定控制油门”。当前方出现慢车，并且慢车进入到本车驾驶员的感知范围时，本车的驾驶决定和行为可能会随前车的行为的变化而变化，例如，如果前车制动(后车驾驶员感知到前车制动灯亮起)，则后车驾驶员可能切换其“驾驶决定”为“适应前车减速度”，相应的“操纵行为”可能变化为“释放油门”或者“释放油门并制动”。在“适应前车减速度”阶段的过程中，后车速度可能仍然比前车快，那么后车会继续接近前车，当距离缩短到一定长度时，后车进入了能够对自身与前车的速度差有明显感知的区域，如果进入这种状态，后车的驾驶决定和操纵行为将会再次改变，他将从“加速度适应”模式，切换到“速度适应模式”，也就是说后车驾驶员在这个阶段会决定“降低本车速度，接近前车速度”，相应的，他的操纵行为将变为“加大制动力”直到其感知到的速度差达到0左右。

基于上述理论，即可以对作为训练集的纵向驾驶行为数据进行分割和标记。在实际的标记过程中，可以基于分割后的纵向驾驶行为数据包含的主车的加速度、主车与前车的相对速度和主车与前车的距离等数据，绘制出“相对速度-相对距离”曲线，基于该曲线上的边界点，可以自动将分割后的纵向驾驶行为数据分为四个不同的阶段，并且打上标签实现分类。

在上述实施例的基础上，在本申请的另一个实施例中，所述利用所述训练样本对待训练神经网络模型进行训练包括：

利用所述训练样本，采用共轭梯度法对所述待训练神经网络模型进行训练。

本实施例中采用的神经网络模型如图4所示，包括：输入层、隐含层和输出层，其中，第一层为输入层，用于接收输入数据，第一层的结点数目为每个样本中的元素个数。第二层为隐含层，隐含层的结点数为N_node，N_node将在模型训练过程中根据每次的训练结果情况进行调节，以达到优化模型的目的。第三层为输出层，用于输出“模式识别”的结果，这一层的节点数目为预先定义好的模式的个数，比如在本发明中的识别目标是“四种驾驶过程行为”，那么在输出层就有4个结点，每个结点代表了驾驶过程行为中的一种。采用神经网络的好处是，模型本身是基于对现象的观察-归纳，而不需要人为地给它定义规则。

另外，在本实施例中，采用共轭梯度法对待训练神经网络模型进行训练，也即是在执行梯度下降法时，针对多维度非线性问题，在每一个方向上的一步梯度下降与其它方向的梯度正交，从而保证每个方向上的梯度下降不影响其它方向。

在上述实施例的基础上，在本申请的又一个实施例中，如图5所示，所述将具有不同跟车阶段标签的目标数据放入不同的数据库中，以生成多个资源数据库包括：

S1041：将具有加速度适应阶段标签的目标数据放入第一数据库中，生成具有加速度适应阶段标签的资源数据库；

S1042：将具有速度适应阶段标签的目标数据放入第二数据库中，生成具有速度适应阶段标签的资源数据库；

S1043：将具有跟随阶段标签的目标数据放入第三数据库中，生成具有跟随阶段标签的资源数据库；

S1044：将具有远离阶段标签的目标数据放入第四数据库中，生成具有远离阶段标签的资源数据库。

相应的，所述从多个所述资源数据库中随机采样，并对采样的目标数据按照预设顺序组合，获得前车模型，并根据所述前车模型建立仿真测试场景包括：

S1051：从每个所述资源数据库中依次随机采样，以获取分别具有加速度适应阶段标签、速度适应阶段标签、跟随阶段标签和远离阶段标签的目标数据；

S1052：按照加速度适应阶段标签、速度适应阶段标签、跟随阶段标签和远离阶段标签的顺序排列，将获取的具有加速度适应阶段标签、速度适应阶段标签、跟随阶段标签和远离阶段标签的目标数据，通过积分的方法获得连续的速度曲线；

S1053：将获得的连续的速度曲线作为仿真测试场景中的前车模型。

在实际的应用过程中，在获取了前车模型后，还需要在仿真场景中的后车模型中执行智能驾驶纵向控制算法，进行自动驾驶机动车辆的自动驾驶功能的仿真测试与分析。

下面对本申请实施例提供的自动驾驶仿真测试场景的生成系统进行描述，下文描述的自动驾驶仿真测试场景的生成系统可与上文描述的自动驾驶仿真测试场景的生成方法相互对应参照。

相应的，本申请实施例提供了一种自动驾驶仿真测试场景的生成系统，包括：

第一数据获取模块，用于获取多个纵向驾驶行为数据，对所述纵向驾驶行为数据进行分割和标记，以获得多个具有跟车阶段标签的训练样本；

模型训练模块，用于利用所述训练样本对待训练神经网络模型进行训练，以获得具有对所述纵向驾驶行为数据进行分割和对分割后的纵向驾驶行为数据进行分类功能的目标神经网络模型；

数据分类模块，用于获取多个待分割纵向驾驶行为数据，并利用所述目标神经网络模型对所述待分割纵向驾驶行为数据进行分割和分类，以获得多个具有跟车阶段标签的目标数据；

数据库生成模块，用于将具有不同跟车阶段标签的目标数据放入不同的数据库中，以生成多个资源数据库；

模型生成模块，用于从多个所述资源数据库中随机采样，并对采样的目标数据按照预设顺序组合，获得前车模型，并根据所述前车模型建立仿真测试场景。

可选的，所述第一数据获取模块对所述纵向驾驶行为数据进行分割和标记具体用于，

根据所述纵向驾驶行为数据中的主车驾驶员行为特征，对所述纵向驾驶行为数据进行分割，并根据分割后的纵向驾驶行为数据的主车驾驶员行为特征，对分割后的纵向驾驶行为数据进行标记；

所述主车驾驶员行为特征包括：主车的加速度、主车与前车的相对速度和主车与前车的距离。

可选的，所述模型训练模块利用所述训练样本对待训练神经网络模型进行训练具体用于，

利用所述训练样本，采用共轭梯度法对所述待训练神经网络模型进行训练。

可选的，所述跟车阶段标签包括加速度适应阶段标签、速度适应阶段标签、跟随阶段标签和远离阶段标签；

所述数据库生成模块包括：

第一数据库单元，用于将具有加速度适应阶段标签的目标数据放入第一数据库中，生成具有加速度适应阶段标签的资源数据库；

第二数据库单元，用于将具有速度适应阶段标签的目标数据放入第二数据库中，生成具有速度适应阶段标签的资源数据库；

第三数据库单元，用于将具有跟随阶段标签的目标数据放入第三数据库中，生成具有跟随阶段标签的资源数据库；

第四数据库单元，用于将具有远离阶段标签的目标数据放入第四数据库中，生成具有远离阶段标签的资源数据库。

可选的，所述模型生成模块包括：

随机采样单元，用于从每个所述资源数据库中依次随机采样，以获取分别具有加速度适应阶段标签、速度适应阶段标签、跟随阶段标签和远离阶段标签的目标数据；

曲线生成单元，用于按照加速度适应阶段标签、速度适应阶段标签、跟随阶段标签和远离阶段标签的顺序排列，将获取的具有加速度适应阶段标签、速度适应阶段标签、跟随阶段标签和远离阶段标签的目标数据，通过积分的方法获得连续的速度曲线；

模型确定单元，用于将获得的连续的速度曲线作为仿真测试场景中的前车模型。

综上所述，本申请实施例提供了一种自动驾驶仿真测试场景的生成方法及生成系统，其中，所述自动驾驶仿真测试场景的生成方法首先对获取的纵向驾驶行为数据进行分割和标记，以获得待训练神经网络模型的训练样本，并利用获得的训练样本对待训练神经网络模型进行训练，以获得目标神经网络模型，然后获取多个待分割纵向驾驶行为数据作为数据集输入目标神经网络模型，以获得多个具有跟车阶段标签的目标数据，最后对具有不同跟车阶段标签的目标数据进行重组，以获得前车模型，实现仿真测试场景的生成。所述自动驾驶仿真测试场景的生成方法利用有限的待分割纵向驾驶行为数据作为数据集，利用目标神经网络模型对数据集进行分割和分类，并从分类后的目标数据中随机采样和重组生成大量的前车数据，从而能够根据这些前车数据生成大量、且可以较为全面地覆盖实际驾驶场景的仿真测试场景，进而实现了提高利用生成的自动驾驶仿真测试场景对自动驾驶功能测试的全面性的目的。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种自动驾驶仿真测试场景的生成方法，其特征在于，包括：

获取多个纵向驾驶行为数据，对所述纵向驾驶行为数据进行分割和标记，以获得多个具有跟车阶段标签的训练样本；

利用所述训练样本对待训练神经网络模型进行训练，以获得具有对所述纵向驾驶行为数据进行分割和对分割后的纵向驾驶行为数据进行分类功能的目标神经网络模型；

获取多个待分割纵向驾驶行为数据，并利用所述目标神经网络模型对所述待分割纵向驾驶行为数据进行分割和分类，以获得多个具有跟车阶段标签的目标数据；

将具有不同跟车阶段标签的目标数据放入不同的数据库中，以生成多个资源数据库；

从多个所述资源数据库中随机采样，并对采样的目标数据按照预设顺序组合，获得前车模型，并根据所述前车模型建立仿真测试场景。

2.根据权利要求1所述的方法，其特征在于，所述对所述纵向驾驶行为数据进行分割和标记包括：

根据所述纵向驾驶行为数据中的主车驾驶员行为特征，对所述纵向驾驶行为数据进行分割，并根据分割后的纵向驾驶行为数据的主车驾驶员行为特征，对分割后的纵向驾驶行为数据进行标记；

所述主车驾驶员行为特征包括：主车的加速度、主车与前车的相对速度和主车与前车的距离。

3.根据权利要求1所述的方法，其特征在于，所述利用所述训练样本对待训练神经网络模型进行训练包括：

利用所述训练样本，采用共轭梯度法对所述待训练神经网络模型进行训练。

4.根据权利要求1所述的方法，其特征在于，所述跟车阶段标签包括加速度适应阶段标签、速度适应阶段标签、跟随阶段标签和远离阶段标签；

所述将具有不同跟车阶段标签的目标数据放入不同的数据库中，以生成多个资源数据库包括：

将具有加速度适应阶段标签的目标数据放入第一数据库中，生成具有加速度适应阶段标签的资源数据库；

将具有速度适应阶段标签的目标数据放入第二数据库中，生成具有速度适应阶段标签的资源数据库；

将具有跟随阶段标签的目标数据放入第三数据库中，生成具有跟随阶段标签的资源数据库；

将具有远离阶段标签的目标数据放入第四数据库中，生成具有远离阶段标签的资源数据库。

5.根据权利要求4所述的方法，其特征在于，所述从多个所述资源数据库中随机采样，并对采样的目标数据按照预设顺序组合，获得前车模型，并根据所述前车模型建立仿真测试场景包括：

从每个所述资源数据库中依次随机采样，以获取分别具有加速度适应阶段标签、速度适应阶段标签、跟随阶段标签和远离阶段标签的目标数据；

按照加速度适应阶段标签、速度适应阶段标签、跟随阶段标签和远离阶段标签的顺序排列，将获取的具有加速度适应阶段标签、速度适应阶段标签、跟随阶段标签和远离阶段标签的目标数据，通过积分的方法获得连续的速度曲线；

将获得的连续的速度曲线作为仿真测试场景中的前车模型。

6.一种自动驾驶仿真测试场景的生成系统，其特征在于，包括：

第一数据获取模块，用于获取多个纵向驾驶行为数据，对所述纵向驾驶行为数据进行分割和标记，以获得多个具有跟车阶段标签的训练样本；

模型训练模块，用于利用所述训练样本对待训练神经网络模型进行训练，以获得具有对所述纵向驾驶行为数据进行分割和对分割后的纵向驾驶行为数据进行分类功能的目标神经网络模型；

数据分类模块，用于获取多个待分割纵向驾驶行为数据，并利用所述目标神经网络模型对所述待分割纵向驾驶行为数据进行分割和分类，以获得多个具有跟车阶段标签的目标数据；

数据库生成模块，用于将具有不同跟车阶段标签的目标数据放入不同的数据库中，以生成多个资源数据库；

模型生成模块，用于从多个所述资源数据库中随机采样，并对采样的目标数据按照预设顺序组合，获得前车模型，并根据所述前车模型建立仿真测试场景。

7.根据权利要求6所述的系统，其特征在于，所述第一数据获取模块对所述纵向驾驶行为数据进行分割和标记具体用于，

根据所述纵向驾驶行为数据中的主车驾驶员行为特征，对所述纵向驾驶行为数据进行分割，并根据分割后的纵向驾驶行为数据的主车驾驶员行为特征，对分割后的纵向驾驶行为数据进行标记；

所述主车驾驶员行为特征包括：主车的加速度、主车与前车的相对速度和主车与前车的距离。

8.根据权利要求6所述的系统，其特征在于，所述模型训练模块利用所述训练样本对待训练神经网络模型进行训练具体用于，

利用所述训练样本，采用共轭梯度法对所述待训练神经网络模型进行训练。

9.根据权利要求6所述的系统，其特征在于，所述跟车阶段标签包括加速度适应阶段标签、速度适应阶段标签、跟随阶段标签和远离阶段标签；

所述数据库生成模块包括：

第一数据库单元，用于将具有加速度适应阶段标签的目标数据放入第一数据库中，生成具有加速度适应阶段标签的资源数据库；

第二数据库单元，用于将具有速度适应阶段标签的目标数据放入第二数据库中，生成具有速度适应阶段标签的资源数据库；

第三数据库单元，用于将具有跟随阶段标签的目标数据放入第三数据库中，生成具有跟随阶段标签的资源数据库；

第四数据库单元，用于将具有远离阶段标签的目标数据放入第四数据库中，生成具有远离阶段标签的资源数据库。

10.根据权利要求9所述的系统，其特征在于，所述模型生成模块包括：

随机采样单元，用于从每个所述资源数据库中依次随机采样，以获取分别具有加速度适应阶段标签、速度适应阶段标签、跟随阶段标签和远离阶段标签的目标数据；

曲线生成单元，用于按照加速度适应阶段标签、速度适应阶段标签、跟随阶段标签和远离阶段标签的顺序排列，将获取的具有加速度适应阶段标签、速度适应阶段标签、跟随阶段标签和远离阶段标签的目标数据，通过积分的方法获得连续的速度曲线；

模型确定单元，用于将获得的连续的速度曲线作为仿真测试场景中的前车模型。

Images