CN110553853A - 基于场地下较差场景搜索的自动驾驶功能测试测评方法 - Google Patents
基于场地下较差场景搜索的自动驾驶功能测试测评方法 Download PDFInfo
- Publication number
- CN110553853A CN110553853A CN201910720260.9A CN201910720260A CN110553853A CN 110553853 A CN110553853 A CN 110553853A CN 201910720260 A CN201910720260 A CN 201910720260A CN 110553853 A CN110553853 A CN 110553853A
- Authority
- CN
- China
- Prior art keywords
- test
- scene
- automatic driving
- tested
- driving function
- 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.)
- Granted
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
本发明公开一种基于场地下较差场景搜索的自动驾驶功能测试测评方法,包括如下过程:S1:自动驾驶功能应用场景分析;S2:测试场地条件确定;S3:测试场景的参数化;S4:场景优劣度定义;S5:初始高效聚类测试场景分析与确定;S6:基于测试场景下较差场景搜索的自动驾驶功能测试。本发明应用实际测试场地对待测自动驾驶功能进行测试,使得测试结论更接近于真实状况;在不断搜索较差测试场景的基础上进行自动驾驶功能测试,对自动驾驶功能的完善程度能够直接提出改进建议。
Description
技术领域
本发明涉及智能交通技术领域,具体涉及一种基于最差场景搜索的自动驾驶功能测试测评方法。
背景技术
如何能够让自动驾驶技术安全落地是目前亟需解决的问题,解决这一问题不仅需要进一步完善自动驾驶车辆本身技术,而且需要发展合适的自动驾驶测试测评技术。现在有关于自动驾驶功能的测评方法主要可以分为仿真测试、硬件在环测试、场地测试和实际道路测试,由于在仿真测试和硬件在环测试中,使用软件替代了车辆全部硬件或一部分硬件,所以其可信度难以到达场地测试和实际道路测试的水平,而由于实际道路测试中有真实道路参与者,所以无法进行具有危险性的测试,场地测试能够在可控的情况下进行危险性测试,因此是确保自动驾驶功能安全性及在此基础上进行的自动驾驶功能实际性能测试不可或缺的方法。但自动驾驶功能所面临的场景较复杂,场景可变化参数较多,因此如何在合理的场地测试量下完成对自动驾驶功能的安全性以及性能检测,是现在亟需解决的理论与工程问题。
发明内容
为此,本发明提供了一种基于场地下较差场景搜索的自动驾驶功能测试测评方法,该方法的流程如下:
S1:待测自动驾驶功能表现所需的应用场景分析;
S2:基于应用场景分析下的测试场地条件确定;
S3:在确定的测试场地条件下测试场景的参数化,包括静态场景参数化和动态道路参与者参数化;
S4:基于待测自动驾驶功能表现及测试场景参数化的场景优劣度定义;
S5:基于待测自动驾驶功能表现及测试场景参数化的初始高效聚类测试场景分析与确定,包括各道路参与者数量的确定、各道路参与者初始相对位置的确定;
S6:基于场景优劣度定义及初始高效聚类测试场景下较差场景搜索的自动驾驶功能测试。
对待测自动驾驶功能表现所需的应用场景分析,包括待测自动驾驶车辆自身状态参数的分析、测试场地道路交通环境的分析、除待测自动驾驶车辆之外的其他道路参与者的分析、天气条件。同时确定测试场地所能提供的道路交通环境与软目标引导车等辅助测试设施。
在场景参数化的基础上进行具体测试场景优劣度的定义,依据测试场景优劣度定义,在每次试验中,具体的测试场景优劣度值通过该次试验数据计算推导出。通过场景优劣度,可以量化自动驾驶功能在一次场地测试中所表现出的优劣,场景优劣度的定义包括如何通过具体一次试验的数据计算推导出量化的场景优劣度,从而可以进行不同试验场景的比较,自动驾驶功能表现的越差,对应的场景优劣度越差,自动驾驶功能表现越好,则对应的场景优劣度越优。
在定义完场景优劣度后,进行初始高效聚类测试场景分析与确定,包含如下步骤:
S5-1:将待测自动驾驶车辆场地下测试过程按照演变过程分成多个相互作用片段,针对各相互作用片段,分析在各个相互作用片段下与待测自动驾驶车辆具有相互关系的其他道路参与者,并确定这些道路参与者的最大数量;
S5-2:确定每个其他道路参与者可处于的聚类区域,并结合场景参数化对聚类区域进行合并化简;
S5-3:依据所有其他道路参与者可处于的聚类区域,结合实际测试场地与测试条件,确定一个初始高效聚类测试场景。
初始高效聚类测试场景指场景中道路参与者数量的确定(包含待测自动驾驶车辆),各道路参与者的初始相对位置的确定(包含待测自动驾驶车辆),但各道路参与者具体出发位置和各道路参与者的测试过程中的行为不确定。测试中需要保证对待测自动驾驶功能尽可能高的测试覆盖度,就需要通过初始高效聚类测试场景与除待测自动驾驶车辆外的道路参与者具体行为相组合,形成对待测功能尽可能高的测试覆盖度。初始高效聚类测试场景选择的主要目标是确定其它道路参与者的初始位置,为得到初始高效聚类测试场景,将自动驾驶车辆场地下测试过程按照演变过程分成多个相互作用片段,针对各相互作用片段,分析在各个相互作用片段下与自动驾驶车辆具有相互关系的道路参与者,确定这些道路参与者的最大数量,接着确定这些道路参与者可处于的聚类区域,聚类区域只在一个聚类区域内的道路参与者可用一套连续参数表示,从而便于后续较差场景的搜索,最后结合实际场地与测试设备条件,确定一个或一组初始高效聚类测试场景。
进一步的,如果同时出现一组初始高效聚类测试场景,则进一步选择其中一个初始高效聚类测试场景作为最终的初始高效聚类测试场景,选择原则是基于同样的类比条件,横向比较各初始高聚类测试场景对于待测自动驾驶功能的复杂度,选择一个最为复杂的场景作为最终的初始高效聚类测试场景。
自动驾驶功能测试,基于测试场地下较差场景快速搜索,采取在线道路参与者行为控制与离线道路参与者行为策略优化相组合的方式,通过场地试验,逐渐逼近自动驾驶车辆的最差场景,包含如下步骤:
S6-1:设定试验次数及场景优劣度阈值;并确定一组除待测自动驾驶车辆外的其他道路参与者的干扰决策参数与初始参数,以及待测自动驾驶车辆的场地内初始参数;
S6-2:由所述干扰决策参数,确定其他道路参与者的行为决策,通过感知系统将行为决策上传至控制系统,控制其他道路参与者在测试场景中的行为;
S6-3:待测自动驾驶车辆和其他道路参与者在初始高效聚类测试场景中完成第一次测试,记录该测试数据;
S6-4:针对步骤S6-3的数据,计算场景优劣度;
S6-5:如果初次场地测试的场景优劣度就差于阈值,则说明该测试场景为一个较差场景,待测自动驾驶功能在该场景下的表现不满足测试要求,结束测试;
如果初次场地测试场景优劣度优于阈值,则说明该测试场景不是一个较差场景,利用对抗增强模块对其它道路参与者干扰决策参数和各道路参与者初始行为参数进行调整,目标为让场景优劣度变差,返回步骤S6-2至步骤S6-4,再次计算测试场景优劣度,重复上述过程,使得场景优劣度不断变差,并进一步分析:
1)如果在试验次数达到预设值前出现了场景优劣度差于阈值,则说明此时的测试场景即为一个针对待测自动驾驶功能的较差场景,也说明待测自动驾驶功能不够完善;
2)如果在试验次数达到预设值时场景优劣度都没有出现差于阈值,则说明未找到证明待测自动驾驶功能不完善的较差场景,待测自动驾驶功能相对完善。
与现有技术相比,本发明显著的有益效果体现在,她应用实际测试场地对待测自动驾驶功能进行测试,使得测试结论更接近于真实状况;并且在不断搜索较差测试场景的基础上进行自动驾驶功能测试,对自动驾驶功能的完善程度直接提出改进建议。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为自动换道测试场景;
图2为换道初始相关干扰车辆最大数量表现;
图3为换道中期相关干扰车辆最大数量表现;
图4为换道干扰车辆区域表现;
图5为8种换道干扰初始高效聚类测试场景;
图6为最终确定的换道干扰初始高效聚类测试场景;
图7为基于初始高效聚类测试场景的自动驾驶功能测试测评流程。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明。但本领域的技术人员应该知道,以下实施例并不是对本发明技术方案作的唯一限定,凡是在本发明技术方案精神实质下所做的任何等同变换或改动,均应视为属于本发明的保护范围。
下面通过对自动驾驶车辆的换道功能进行场地下测试测评分析,具体说明本发明的实施方式。
一.待测自动驾驶功能与场地测试条件确定
包括待测自动驾驶功能应用场景分析和测试场地及辅助测试设施的确定两方面内容:
首先对待测自动驾驶车辆的换道功能进行应用场景进行分析,比如假定待测自动驾驶车辆的换道条件为:自车车速为0-100km/h,道路中其它车辆车速为0-100km/h,道路中没有除机动车以外的其它道路参与者,道路类型为直路,道路宽度3.5至3.75m,天气条件为晴朗天气,这就是应用场景确定了。
其次对测试场地能够提供的测试条件进行确定,比如确定测试场地所能提供的道路交通环境及软目标引导车等辅助测试设施,假设测试场地能够提供道路宽度3.75,长度为800m的双向6车道直路,道路其它参与者为4辆软目标引导车,该4辆软目标引导车可作为干扰车参与试验,因此场地测试场景中能提供的最大干扰车个数为4。
二.测试场景参数化
针对待测自动驾驶功能与测试场地,对相应的测试场景进行场地测试场景的参数化,确定场景中静态场景参数和动态道路参与者等相关参数,目的是对场景优劣度定义和初始高效聚类测试场景设计。
对于上述待测自动换道功能与场地条件,同时考虑场景优劣度定义和初始高效聚类测试场景设计,可以对测试场景进行如下参数化,图1所示。
图1中,对于待测自动驾驶车辆VUT,需要确定的参数包括其在接收换道命令时的初始位置(x0,y0)、初始车速v0和目标车道,待测自动驾驶车辆的后期轨迹则由自动驾驶车辆自身依据具体场景进行生成,即所谓自动驾驶,在此不做考虑。对于其它道路参与者,如干扰车,需要确定的是干扰车数量n,及各干扰车辆的轨迹(X11,Y11)~(Xij,Yij),i代表自车道和所有干扰车道,一般i=1~3,为自车道和左右两条车道,j代表在某条车道上的第j辆干扰车。本实施例在应用场景设定时设定不考虑除机动车以外的其它道路参与者。
三.基于自动驾驶功能表现的具体测试场景优劣度定义
在场景参数化的基础上进行具体测试场景优劣度的定义,通过场景优劣度,可以量化自动驾驶功能在一次场地测试中所表现出的优劣,例如在换道测试中,当最关心的功能为安全性时,此时场景优劣度可定义为场景危险度。场景优劣度的定义包括如何通过具体一次试验的数据计算推导出量化的场景优劣度,从而可以进行不同试验场景的比较,自动驾驶功能表现的越差,对应的场景优劣度越差,自动驾驶功能表现越好,则对应的场景优劣度越优。
具体测试场景优劣度的定义是后续搜索待测功能性能表现较差场景的基础。具体到自动换道功能,其最重要的性能要求为保证安全,所以这里使用最差全局危险度MSdan对换道功能测试场景优劣度进行定义,通过场地测试数据求解全局危险度Sdan的方法分为下面三个步骤:
(1)计算车-车全局危险度Sdan-vm,其中最大车-车全局危险度MSdan-vm由待测自动驾驶车辆与各干扰车辆在各时刻相碰危险度的最大值确定,表述如下:
MSdan-vm=max{sup(Sdan-1(t)),sup(Sdan-2(t)),...,sup(Sdan-i(t))} (1)
其中,Sdan-i(t)为待测自动驾驶车辆与第i辆干扰车辆在t时刻的危险度,sup表征取Sdan-i(t)上界值,Sdan-i(t)的表述如下:
式中,(xv(t),yv(t))、Vv(t)为待测车辆t时刻的位置坐标和车速,(xi(t),yi(t))、Vi(t)为干扰车辆中第i辆车t时刻的位置坐标和车速,W为车辆宽度,WL为道路宽度,CV为一常系数,设置该系数的目的为确保(-|xv(t)-xi(t)|+(Vi(t)-Vv(t))+CV)和(-|xv(t)-xi(t)|-(Vi(t)-Vv(t))+CV)不为负值,CV取一足够大值即可;
(2)计算车道偏离全局危险度Sdan-lm,其中最大车道偏离全局危险度MSdan-lm由待测车辆相对于车道边界在各时刻偏离危险度的最大值确定,表述如下:
MSdan-lm=max{sup(Sdan-llane(t)),sup(Sdan-rlane(t))} (4)
式中,Sdan-llane(t)和Sdan-rlane(t)分别为待测车辆与任一相关车道g左侧和右侧边界t时刻的车道偏离危险度,sup同样表征取相应上界值,Sdan-llane(t)和Sdan-rlane(t)的表述如下:
式中,yg为计算Sdan-llane(t)和Sdan-rlane(t)时,相应的车道g左侧或右侧边界的y坐标,Cl为一常系数,设置该系数的目的为确保(-|xv(t)-xi(t)|+Vv(t)+Cl)不为负值,Cl取一足够大值即可,其他参数同上;
(3)计算全局危险度Sdan,其中最差全局危险度MSdan表示如下:
MSdan=max{MSdan-vm,MSdan-lm} (6)。
四.初始高效聚类测试场景的分析与设计
在定义完场景优劣度后,需要进行初始高效聚类测试场景分析与设计。初始高效聚类测试场景指场景中道路参与者数量的确定(包含待测自动驾驶车辆)、各道路参与者的初始相对位置的确定(包含待测自动驾驶车辆),但各道路参与者具体出发位置和各道路参与者测试过程中的行为不确定。测试中需要保证对待测自动驾驶功能尽可能高的测试覆盖度,所以通过初始高效聚类测试场景与除待测自动驾驶车辆外的道路参与者具体行为相组合,形成对待测功能尽可能高的测试覆盖度。
初始高效聚类测试场景选择的主要目标是确定其它道路参与者的初始位置,为得到初始高效聚类测试场景,首先需要将自动驾驶车辆场地下测试过程按照演变过程分成多个相互作用片段,针对各相互作用片段,分析在各个相互作用片段下与自动驾驶车辆具有相互关系的道路参与者,确定这些道路参与者的最大数量,接着确定这些道路参与者可处于的聚类区域,在一个聚类区域内的道路参与者可用一套连续参数表示,从而便于后续较差场景的搜索,最后结合实际场地与测试设备条件,确定一个或一组初始高效聚类测试场景。
在确定初始高效聚类测试场景后,如果出现一组初始高效聚类测试场景,需要进一步选择其中一个初始高效聚类测试场景作为后续的较差场景搜索。对一组初始高效聚类测试场景,横向比较各初始逻辑测试场景对于待测自动驾驶功能的复杂度,为使得对各初始高效聚类测试场景的复杂度评价具有一定的可比性,各场景基本初始条件需类似。
以该换道工况为例,测试中为保证对功能尽可能高的测试覆盖度,需要通过初始高效聚类测试场景与干扰车辆轨迹(包含速度)相组合,形成对测试场景尽可能高的覆盖度,初始高效聚类测试场景选择的主要目标是干扰车辆的初始位置,该初始位置可以通过对换道过程各阶段的分析获得。
首先,自动驾驶车辆自身在换道时可处于高、中和低速三车道,但对于该功能的测试,可归纳为高速换低速与低速换高速两种情况。
其次,考虑场景中干扰车辆可能对自动驾驶车辆在换道过程中产生影响的聚类区域,这里依据自动驾驶车辆换道过程演变,分析各车道数量最多的有效干扰车辆,从而得到合理数量的初始高效聚类测试场景。以自动驾驶车辆高速换低速为例,将自动驾驶换道过程分为换道开始、换道过程中与换道结束三个过程。其中,在换道初始阶段,与自动驾驶车辆有相互关系的干扰车辆最多出现在如下5个聚类区域,如图2所示的A~E区域,A指代自动驾驶车辆原车道后方,B指代原车道前方,D指代与自动驾驶车辆横向位置有干涉的换车车道区域,C和E分别为换车车道中D前后的区域。
图3为换道中期与自动驾驶车辆相关的干扰车辆最多区域,共A~F六个区域,分别为自动驾驶车辆位置的左前、左后、右前、右后、正左、正右6个区域位置。
当换道过程结束时,无论换道成功或失败,一次试验已经结束,因此不再考虑最大数量相关干扰车辆。综合换道初始与换道中期两种情况,自动换道高速换低速过程中,高速车道最大相关干扰车数量为3辆,低速车道最大相关干扰车数量也为3辆。
可视为对于相互连接的车辆初始区域统一为一个区域,在此区域中干扰车辆的具体初始位置为一连续变量进行,因此对初始高效聚类测试场景的干扰车辆数量的选择可以变为图4中所示的A、B和C区域确定,基本为原车道中自动驾驶车辆前后方车辆、换车车道中与自动驾驶车辆正对及前后方车辆。
依照相关干扰车辆最大数量的分析,A、B聚类区域车辆数量之和为3(如图3所示),C聚类区域最大数量也为3。在进行一个聚类区域内干扰车辆数量确定时,一个聚类区域内干扰车辆数目多的情况可覆盖数量少的情况,一是因为当一干扰车辆初始位置较远且后续位置继续远离自动驾驶车辆时,可认为该干扰车辆不对待测自动驾驶车辆产生影响;二是因为当A和B聚类区域的干扰车辆大于2辆时,2辆以上的干扰车辆能够产生的对自动驾驶车辆的作用可以被离自动驾驶车较近的两辆干扰车覆盖。
因此,设各聚类区域干扰车辆数量为nA、nB和nC,由于nA、nB和nC都是整数,满足下列条件的组合个数是有限的,所以干扰车辆位置的确定可以简化为求解满足下列条件的组合个数:
nA≤2;nB≤2
nA+nB≤3
nC≤3
nA+nB+nC=4
nA+nB+nC=4的原因为场景设计时已提及场地能提供的最大干扰车数量为4,为使得场景尽量复杂,因此4辆干扰车均加入试验。因此最终得到8种初始高效聚类测试场景,如图5所示。
在确定一组初始高效聚类测试场景后,须进一步选出对待测自动驾驶车辆表现较复杂的初始高效聚类测试场景。为使得对各初始高效聚类测试场景的复杂度评价具有一定的可比性,需设定各场景基本初始条件类似,这里选取各干扰车辆初始车速,干扰车辆间及干扰车辆与待测自动驾驶车辆间距均一致,这里设各干扰车辆保持车速不变,完成试验,对比测试场景的危险度值,选择危险度最高的一幅场景,最终选择图6所示的初始高效聚类测试场景作为试验场景。
五.自动驾驶功能较差场景快速搜索及自动驾驶功能测试测评
进行自动驾驶功能较差场景场地测试下快速搜索,采取的方法是在线道路参与者行为控制与离线道路参与者行为策略优化相组合的方式,通过场地试验,逐渐逼近自动驾驶车辆的最差场景。
自动驾驶功能测试测评在有限的试验次数及有限的较差场景搜索下进行,试验前设定试验次数及测试场景优劣度预设值。
在确定初始高效聚类测试场景之后,需分别确定一组除待测自动驾驶车辆之外的各道路参与者的干扰行为决策参数与初始参数,以及待测自动驾驶车辆的初始参数。不同的待测自动驾驶功能,道路参与者的干扰行为决策参数与初始行为参数也不同。通过感知系统获得行为决策输入,由上述参数确定道路参与者的行为决策,传递给控制层,最终控制相应道路参与者在测试场景中的行为。感知信息依照测试场地条件与测试设备条件,可由设备自身采集,也可由场地设备采集后传至道路参与者,或来自道路参与者之间的信息交互。待测自动驾驶车辆的行为则受待测自动驾驶功能与初始参数影响。结合其它场景因素,如此处的道路情况,天气状况,照明情况等,形成一次确定的场地试验。在场地试验后获得场地试验数据,该试验数据包含待测自动驾驶车辆与其它道路参与者的轨迹、速度和加速度等信息,以及本次试验中针对待测功能表现的场景优劣度参数。
如果试验中针对待测功能表现的场景优劣度参数优于预设值,则说明该自动驾驶车辆在本次确定的测试场景中表现出的性能不足以说明该待测功能的不足,同时也说明该测试场景不是较差场景,此时需要将试验数据反馈至计算机控制系统设置的对抗增强模块,对抗增强模块将依据自动驾驶车辆对其它道路参与者的行为反馈,对其它道路参与者干扰决策参数和各道路参与者初始行为参数进行调整,期望在下一次试验中向测试场景优劣度较差的方向发展,从而逐渐接近该自动驾驶功能可能在应用场景中出现的较差情形。
随着每一次参数调整,如果在达到试验次数预设值前就出现试验中针对待测功能表现的测试场景优劣度参数差于预设值,说明较差测试场景找到,且说明该自动驾驶功能还不够完善,结合得到的场景优劣度最差场景可以对待测自动驾驶功能进行分析,提出改进建议,达到实验目的,完成实验。
如果试验次数达到预设值时针对待测功能表现的场景优劣度参数一直都没有差于预设值,则说明该待测自动驾驶功能在大部分场景下都能在合理的性能指标下运行,也说明较差测试场景一直没有搜索到。
例如,针对自动驾驶换道功能这一实施例,采取在线干扰车辆轨迹规划与离线干扰车辆轨迹规划策略优化相组合的方式,通过实际场地测试,逐渐逼近自动驾驶车辆的最差场景,具体实施流程如图7。
先设定试验次数及最差全局危险度阈值。在确定了初始高效聚类测试场景基础上,再分别确定一组干扰车辆轨迹干扰决策参数与初始参数,以及待测自动驾驶车辆的初始参数;由轨迹干扰决策参数确定的干扰车辆轨迹决策,通过感知层获得需要的决策信息,并将决策传递给控制层,最终控制干扰车辆在测试场景中的轨迹;再结合其它场景因素,形成一次确定的场地试验。在场地试验后通过车载或场地上的测量设备获得场地试验数据,该实验数据包含待测自动驾驶车辆与干扰车的轨迹、速度和加速度等信息,并计算最差全局危险度数值。
如果初次场地测试的最差全局危险度就差于其阈值,则说明该测试场景为一个较差场景,待测自动驾驶换道功能在该场景下的表现不满足测试要求,结束测试;
如果初次场地测试最差全局危险度优于阈值,则说明该自动驾驶车辆在本次确定的试验场景中表现出的危险度不足以说明换道会发生危险,也说明该测试场景不是较差的测试场景,此时需要将试验数据反馈至对抗增强模块(计算机中设置的计算模块),对抗增强模块将依据自动驾驶车辆对干扰车辆的行为反馈,对干扰车辆干扰决策参数和初始参数进行调整,目的是逐渐搜索到最差全局危险度差于阈值的场景,从而逐渐接近该换道功能可能在应用场景中出现的危险。
随着每一次参数调整,1)如果在试验次数达到预设值前出现了最差全局危险度差于阈值,则说明此时的测试场景即为较差的测试场景,也说明待测自动驾驶换道功能不够完善;2)如果在试验次数达到预设值时最差全局危险度都没有出现差于阈值,则说明未找到证明待测自动驾驶功能不完善的较差场景,待测自动驾驶换道功能相对完善。
Claims (4)
1.一种基于场地下较差场景搜索的自动驾驶功能测试测评方法,其特征在于,包括如下过程:
S1:待测自动驾驶功能表现所需的应用场景分析;
S2:基于应用场景分析下的测试场地条件确定;
S3:在确定的测试场地条件下测试场景的参数化,包括静态场景参数化和动态道路参与者参数化;
S4:基于待测自动驾驶功能表现及测试场景参数化的场景优劣度定义;
S5:基于待测自动驾驶功能表现及测试场景参数化的初始高效聚类测试场景分析与确定,包括各道路参与者数量的确定、各道路参与者初始相对位置的确定;
S6:基于场景优劣度定义及初始高效聚类测试场景下较差场景搜索的自动驾驶功能测试。
2.根据权利要求1所述的方法,其特征在于,初始高效聚类测试场景分析与确定,包含如下步骤:
S5-1:将待测自动驾驶车辆场地下测试过程按照演变过程分成多个相互作用片段,针对各相互作用片段,分析在各个相互作用片段下与待测自动驾驶车辆具有相互关系的其他道路参与者,并确定这些道路参与者的最大数量;
S5-2:确定每个其他道路参与者可处于的聚类区域,并结合场景参数化对聚类区域进行合并化简;
S5-3:依据所有其他道路参与者可处于的聚类区域,结合实际测试场地与测试条件,确定一个初始高效聚类测试场景。
3.根据权利要求2所述的方法,其特征在于,如果同时出现一组初始高效聚类测试场景,则进一步选择其中一个初始高效聚类测试场景作为最终的初始高效聚类测试场景,选择原则是基于同样的类比条件,横向比较各初始高聚类测试场景对于待测自动驾驶功能的复杂度,选择一个最为复杂的场景作为最终的初始高效聚类测试场景。
4.根据权利要求1所述的方法,其特征在于,基于场景优劣度定义及初始高效聚类测试场景下较差场景搜索的自动驾驶功能测试,包含如下步骤:
S6-1:设定试验次数及场景优劣度阈值;
确定一组除待测自动驾驶车辆外的其他道路参与者的干扰决策参数与初始参数,以及待测自动驾驶车辆的场地内初始参数;
S6-2:由所述干扰决策参数,确定其他道路参与者的行为决策,通过感知系统将行为决策上传至控制系统,控制其他道路参与者在测试场景中的行为;
S6-3:待测自动驾驶车辆和其他道路参与者在初始高效聚类测试场景中完成第一次测试,记录该测试数据;
S6-4:针对步骤S6-3的数据,计算场景优劣度;
S6-5:如果初次场地测试的场景优劣度就差于阈值,则说明该测试场景为一个较差场景,待测自动驾驶功能在该场景下的表现不满足测试要求,结束测试;
如果初次场地测试场景优劣度优于阈值,则说明该测试场景不是一个较差场景,利用对抗增强模块对其它道路参与者干扰决策参数和各道路参与者初始行为参数进行调整,目标为让场景优劣度变差,返回步骤S6-2至步骤S6-4,再次计算测试场景优劣度,重复上述过程,使得场景优劣度不断变差,并进一步分析:
1)如果在试验次数达到预设值前出现了场景优劣度差于阈值,则说明此时的测试场景即为一个针对待测自动驾驶功能的较差场景,也说明待测自动驾驶功能不够完善;
2)如果在试验次数达到预设值时场景优劣度都没有出现差于阈值,则说明未找到证明待测自动驾驶功能不完善的较差场景,待测自动驾驶功能相对完善。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910720260.9A CN110553853B (zh) | 2019-08-06 | 2019-08-06 | 基于场地下较差场景搜索的自动驾驶功能测试测评方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910720260.9A CN110553853B (zh) | 2019-08-06 | 2019-08-06 | 基于场地下较差场景搜索的自动驾驶功能测试测评方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110553853A true CN110553853A (zh) | 2019-12-10 |
CN110553853B CN110553853B (zh) | 2020-11-20 |
Family
ID=68736959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910720260.9A Active CN110553853B (zh) | 2019-08-06 | 2019-08-06 | 基于场地下较差场景搜索的自动驾驶功能测试测评方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110553853B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144015A (zh) * | 2019-12-30 | 2020-05-12 | 吉林大学 | 一种自动驾驶汽车虚拟场景库构建方法 |
CN111444605A (zh) * | 2020-03-24 | 2020-07-24 | 上海汽车集团股份有限公司 | 一种危险测试场景覆盖度计算方法及装置 |
CN111915888A (zh) * | 2020-07-14 | 2020-11-10 | 同济大学 | 一种自动驾驶测试场景中交通参与者复杂度的计算方法 |
JP2021107782A (ja) * | 2019-12-27 | 2021-07-29 | 日産自動車株式会社 | 設計支援方法及び設計支援装置 |
CN113589798A (zh) * | 2021-08-12 | 2021-11-02 | 上海裹动科技有限公司 | 自动测试行为的生成方法及服务器 |
CN114838948A (zh) * | 2022-03-04 | 2022-08-02 | 湖北国际物流机场有限公司 | 一种机场自动驾驶引导车自动并道测试方法和系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4124654A1 (de) * | 1991-07-25 | 1993-01-28 | Bundesrep Deutschland | Verfahren zur kontinuierlichen und automatischen fahrzeugorientierung auf einer fahrbahn |
CN107727411A (zh) * | 2017-10-30 | 2018-02-23 | 青岛慧拓智能机器有限公司 | 一种自动驾驶车辆测评场景生成系统及方法 |
CN107782564A (zh) * | 2017-10-30 | 2018-03-09 | 青岛慧拓智能机器有限公司 | 一种自动驾驶车辆测评系统及方法 |
CN107843440A (zh) * | 2017-10-30 | 2018-03-27 | 青岛慧拓智能机器有限公司 | 一种自动驾驶车辆性能测试系统及方法 |
CN108765235A (zh) * | 2018-05-09 | 2018-11-06 | 公安部交通管理科学研究所 | 基于交通事故案例解构的自动驾驶车辆测试场景构建方法和测试方法 |
US20190086926A1 (en) * | 2017-09-18 | 2019-03-21 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for exporting driving property index of autonomous vehicle |
CN109753623A (zh) * | 2018-12-10 | 2019-05-14 | 清华大学 | 一种自动驾驶车辆多测试场景分析与数目化简方法 |
CN109948289A (zh) * | 2019-04-01 | 2019-06-28 | 清华大学 | 基于最大全局侵占率搜索的车辆自主泊车功能测评方法 |
WO2019132930A1 (en) * | 2017-12-28 | 2019-07-04 | Intel Corporation | System and method for simulation of autonomous vehicles |
CN109992884A (zh) * | 2019-04-01 | 2019-07-09 | 清华大学 | 基于最差场景搜索的自动驾驶车辆功能测评方法 |
CN110020797A (zh) * | 2019-03-27 | 2019-07-16 | 清华大学苏州汽车研究院(吴江) | 基于感知缺陷的自动驾驶测试场景的评价方法 |
US20190271614A1 (en) * | 2018-03-01 | 2019-09-05 | RightHook, Inc. | High-Value Test Generation For Autonomous Vehicles |
-
2019
- 2019-08-06 CN CN201910720260.9A patent/CN110553853B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4124654A1 (de) * | 1991-07-25 | 1993-01-28 | Bundesrep Deutschland | Verfahren zur kontinuierlichen und automatischen fahrzeugorientierung auf einer fahrbahn |
US20190086926A1 (en) * | 2017-09-18 | 2019-03-21 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for exporting driving property index of autonomous vehicle |
CN107727411A (zh) * | 2017-10-30 | 2018-02-23 | 青岛慧拓智能机器有限公司 | 一种自动驾驶车辆测评场景生成系统及方法 |
CN107782564A (zh) * | 2017-10-30 | 2018-03-09 | 青岛慧拓智能机器有限公司 | 一种自动驾驶车辆测评系统及方法 |
CN107843440A (zh) * | 2017-10-30 | 2018-03-27 | 青岛慧拓智能机器有限公司 | 一种自动驾驶车辆性能测试系统及方法 |
WO2019132930A1 (en) * | 2017-12-28 | 2019-07-04 | Intel Corporation | System and method for simulation of autonomous vehicles |
US20190271614A1 (en) * | 2018-03-01 | 2019-09-05 | RightHook, Inc. | High-Value Test Generation For Autonomous Vehicles |
CN108765235A (zh) * | 2018-05-09 | 2018-11-06 | 公安部交通管理科学研究所 | 基于交通事故案例解构的自动驾驶车辆测试场景构建方法和测试方法 |
CN109753623A (zh) * | 2018-12-10 | 2019-05-14 | 清华大学 | 一种自动驾驶车辆多测试场景分析与数目化简方法 |
CN110020797A (zh) * | 2019-03-27 | 2019-07-16 | 清华大学苏州汽车研究院(吴江) | 基于感知缺陷的自动驾驶测试场景的评价方法 |
CN109948289A (zh) * | 2019-04-01 | 2019-06-28 | 清华大学 | 基于最大全局侵占率搜索的车辆自主泊车功能测评方法 |
CN109992884A (zh) * | 2019-04-01 | 2019-07-09 | 清华大学 | 基于最差场景搜索的自动驾驶车辆功能测评方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021107782A (ja) * | 2019-12-27 | 2021-07-29 | 日産自動車株式会社 | 設計支援方法及び設計支援装置 |
JP7395346B2 (ja) | 2019-12-27 | 2023-12-11 | 日産自動車株式会社 | 設計支援方法及び設計支援装置 |
CN111144015A (zh) * | 2019-12-30 | 2020-05-12 | 吉林大学 | 一种自动驾驶汽车虚拟场景库构建方法 |
CN111444605A (zh) * | 2020-03-24 | 2020-07-24 | 上海汽车集团股份有限公司 | 一种危险测试场景覆盖度计算方法及装置 |
CN111915888A (zh) * | 2020-07-14 | 2020-11-10 | 同济大学 | 一种自动驾驶测试场景中交通参与者复杂度的计算方法 |
CN113589798A (zh) * | 2021-08-12 | 2021-11-02 | 上海裹动科技有限公司 | 自动测试行为的生成方法及服务器 |
CN114838948A (zh) * | 2022-03-04 | 2022-08-02 | 湖北国际物流机场有限公司 | 一种机场自动驾驶引导车自动并道测试方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110553853B (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110553853B (zh) | 基于场地下较差场景搜索的自动驾驶功能测试测评方法 | |
CN110834644B (zh) | 一种车辆控制方法、装置、待控制车辆及存储介质 | |
CN109164785B (zh) | 自动驾驶车辆的仿真测试方法、装置、设备及存储介质 | |
CN107168303A (zh) | 一种汽车的自动驾驶方法及装置 | |
DE102016113903A1 (de) | Fahrzeugfahrstreckenbestimmung | |
CN109753623B (zh) | 一种自动驾驶车辆多测试场景分析与数目化简方法 | |
CN113665574B (zh) | 智能汽车换道时长预测及拟人化轨迹规划方法 | |
CN109992884B (zh) | 基于最差场景搜索的自动驾驶车辆功能测评方法 | |
CN112829747A (zh) | 一种驾驶行为决策方法、装置及存储介质 | |
CN115735107A (zh) | 用于提供要测试的交通场景的测试过程的计算机实现的方法 | |
CN113665593A (zh) | 一种车辆智能驾驶纵向控制方法、系统及存储介质 | |
US11255687B2 (en) | Method for trajectory planning of a movable object | |
CN114475608A (zh) | 自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质 | |
CN114492043A (zh) | 考虑感知受限特性的个性化驾驶员跟车建模方法 | |
CN111123729A (zh) | 车辆驾驶仿真优化的方法、装置、存储介质和终端设备 | |
Son et al. | A simulation-based testing and validation framework for ADAS development | |
Kaur et al. | Scenario-based simulation of intelligent driving functions using neural networks | |
CN114475607B (zh) | 自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质 | |
CN115923833A (zh) | 车辆的拟人化决策控制方法、装置、车辆及存储介质 | |
CN116107252A (zh) | 车辆自主换道参数的标定方法、装置、电子设备及介质 | |
US20220223047A1 (en) | Computer-implemented method for determining similarity values of traffic scenarios | |
CN115451987A (zh) | 一种自动驾驶汽车的路径规划学习方法 | |
CN115439816A (zh) | 一种基于凸优化的无人驾驶系统转向角安全性的验证方法 | |
EP3920070A1 (en) | Testing and simulation in autonomous driving | |
CN110008577B (zh) | 基于最差全局危险度搜索的车辆自动换道功能测评方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |