CN111079800A - 一种智能驾驶虚拟测试的加速方法及加速系统 - Google Patents

一种智能驾驶虚拟测试的加速方法及加速系统 Download PDF

Info

Publication number
CN111079800A
CN111079800A CN201911205546.XA CN201911205546A CN111079800A CN 111079800 A CN111079800 A CN 111079800A CN 201911205546 A CN201911205546 A CN 201911205546A CN 111079800 A CN111079800 A CN 111079800A
Authority
CN
China
Prior art keywords
sample data
pattern recognition
training
variable region
intelligent driving
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
Application number
CN201911205546.XA
Other languages
English (en)
Other versions
CN111079800B (zh
Inventor
籍庆辉
郑欲锋
冷如波
钱锋
王燕文
奚浩晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SAIC Motor Corp Ltd
Original Assignee
SAIC Motor Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SAIC Motor Corp Ltd filed Critical SAIC Motor Corp Ltd
Priority to CN201911205546.XA priority Critical patent/CN111079800B/zh
Publication of CN111079800A publication Critical patent/CN111079800A/zh
Application granted granted Critical
Publication of CN111079800B publication Critical patent/CN111079800B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本申请公开了一种智能驾驶虚拟测试的加速方法及加速系统，其中，所述智能驾驶虚拟测试的加速方法通过模式识别算法，找到智能驾驶虚拟测试的核心变量区域(即智能驾驶虚拟测试的关键区域)，并对其对应的样本空间按照重要程度进行重采样(SIR，Sampling Importance Resampling)，以增加总样本数据中关于临界区域或关键区域的样本数据数量，最后利用增加了核心变量区域中的样本数据数量的总样本数据对目标模式识别算法进行训练，以获得智能驾驶性能评价和预测模型，实现对智能驾驶性能的快速评价，实现缩短智能驾驶虚拟测试的测试时间，提高智能驾驶虚拟测试的测试效率，缩短测试周期和降低测试成本的目的。

Description

一种智能驾驶虚拟测试的加速方法及加速系统
技术领域
本申请涉及车辆工程技术领域，更具体地说，涉及一种智能驾驶虚拟测试的加速方法及加速系统。
背景技术
智能网联车辆(Intelligent Connected Vehicle)搭载的智能网联技术是当前汽车行业发展的最热领域，也是代表未来人类出行方式变革的主要方向。智能网联车辆的智能驾驶技术在研发过程中，涉及到大量的测试，包括虚拟测试、封闭场地测试、公开道路测试等。其中在研发前期，虚拟测试是算法开发、功能验证和性能标定的主要测试手段。
虚拟测试，也称为仿真测试，包括工程测试领域常见的SIL/MIL/HIL/DIL/VIL等，这些测试中，共用的技术点主要是虚拟场景：静态交通参与者、动态交通参与者、道路模型、环境因素等。为了达到更完美的沉浸感，工程师通常会选择渲染程度好的虚幻引擎来实现虚拟场景的搭建。然而这些虚拟场景在虚拟测试过程中对硬件的要求非常高，单个工况和用例测试会耗费一定的工时。当测试用例非常多时，虚拟测试的及时性将受到极大挑战，甚至影响开发进度。因此针对虚拟测试，需要通过一些方法来实现智能驾驶虚拟测试的加速测试，即通过一定手段到达加快智能驾驶虚拟测试的测试进程，提高测试效率的目的
当前，对于高级辅助驾驶系统(Advanced Driver Assistance System，ADAS)测试，普遍采用的是测试矩阵法，测试矩阵法的好处就是能够全方面测试智能车辆可能遇到的ADAS所描述的场景工况。由于ADAS标准工况较少，因此测试矩阵法可以满足测试ADAS的测试需求。但是在面对更高级别的智能驾驶虚拟测试时，随着智能化等级的提升，智能驾驶系统的使用场景和所要应对的危险情况也随之扩大，从而造成测试用例和测试场景数量的极速扩大，因此通过一定技术途径提高智能驾驶虚拟测试的测试效率，缩短测试周期和降低测试成本，是非常必要的。
发明内容
为解决上述技术问题，本申请提供了一种智能驾驶虚拟测试的加速方法及加速系统，以实现提高智能驾驶虚拟测试的测试效率，缩短测试周期和降低测试成本的目的。
为实现上述技术目的，本申请实施例提供了如下技术方案：
一种智能驾驶虚拟测试的加速方法，包括：
根据目标智能驾驶算法和目标场景工况，搭建智能虚拟测试模型；
对目标变量进行基于拉丁超立方的实验设计，以获得总样本数据集，并将所述总样本数据集中的样本数据分为训练样本集和验证数据集；
按照实验设计设计典型工况的变量，并利用所述智能虚拟测试模型进行典型工况的自动化测试，并将自动化测试结果进行存储；
将自动化测试结果进行分类，获得分类结果；
利用所述训练样本集对目标模式识别算法进行训练，以获得模式识别模型，并利用所述验证数据集对所述模式识别模型进行分类精度验证，当所述模式识别模型的分类精度满足要求时，按照所述分类结果，获取智能驾驶性能评价的核心变量区域；
对所述核心变量区域按照重要程度进行重采样，以增加所述总样本数据集中所述核心变量区域中的样本数据数量；
利用增加所述核心变量区域中的样本数据数量的总样本数据对目标模式识别算法进行训练，以获得智能驾驶性能评价和预测模型。
可选的，所述智能驾驶虚拟测试的加速方法还包括：
当所述模式识别模型的分类精度不满足要求时，按照新增样本数的要求增加所述总样本数据集中的样本数据，并将增加样本数据后的总样本数据分为训练样本集和验证数据集后返回按照实验设计设计典型工况的变量，并利用所述智能虚拟测试模型进行典型工况的自动化测试，并将自动化测试结果进行存储的步骤。
可选的，所述利用所述训练样本集对目标模式识别算法进行训练，以获得模式识别模型包括：
对所述目标模式识别算法的核心参数采用遗传算法、粒子群算法和蚁群算法中的任意一项进行最优化解算，以获得最优化解算后的核心参数；
利用所述训练样本集对采用最优化解算后的核心参数的目标模式识别算法进行训练，以获得模式识别模型。
可选的，所述对所述核心变量区域按照重要程度进行重采样，以增加所述总样本数据集中所述核心变量区域中的样本数据数量包括：
根据核心变量区域确定重要性因子的取值；
基于所述重要性因子，对所述核心变量区域按照重要程度进行重采样，以增加所述总样本数据集中所述核心变量区域中的样本数据数量。
一种智能驾驶虚拟测试的加速系统，包括：
模型建立模块，用于根据目标智能驾驶算法和目标场景工况，搭建智能虚拟测试模型；
第一设计模块，用于对目标变量进行基于拉丁超立方的实验设计，以获得总样本数据集，并将所述总样本数据集中的样本数据分为训练样本集和验证数据集；
第二设计模块，用于按照实验设计设计典型工况的变量，并利用所述智能虚拟测试模型进行典型工况的自动化测试，并将自动化测试结果进行存储；
结果分类模块，用于将自动化测试结果进行分类，获得分类结果；
样本训练模块，用于利用所述训练样本集对目标模式识别算法进行训练，以获得模式识别模型，并利用所述验证数据集对所述模式识别模型进行分类精度验证，当所述模式识别模型的分类精度满足要求时，按照所述分类结果，获取智能驾驶性能评价的核心变量区域；
重采样模块，用于对所述核心变量区域按照重要程度进行重采样，以增加所述总样本数据集中所述核心变量区域中的样本数据数量；
模型获取模块，用于利用增加所述核心变量区域中的样本数据数量的总样本数据对目标模式识别算法进行训练，以获得智能驾驶性能评价和预测模型。
可选的，所述样本训练模块还用于，当所述模式识别模型的分类精度不满足要求时，按照新增样本数的要求增加所述总样本数据集中的样本数据，并将增加样本数据后的总样本数据分为训练样本集和验证数据集后返回触发所述第二设计模块。
可选的，所述样本训练模块利用所述训练样本集对目标模式识别算法进行训练，以获得模式识别模型具体用于，对所述目标模式识别算法的核心参数采用遗传算法、粒子群算法和蚁群算法中的任意一项进行最优化解算，以获得最优化解算后的核心参数；
利用所述训练样本集对采用最优化解算后的核心参数的目标模式识别算法进行训练，以获得模式识别模型。
可选的，所述重采样模块具体用于，根据核心变量区域确定重要性因子的取值；
基于所述重要性因子，对所述核心变量区域按照重要程度进行重采样，以增加所述总样本数据集中所述核心变量区域中的样本数据数量。
从上述技术方案可以看出，本申请实施例提供了一种智能驾驶虚拟测试的加速方法及加速系统，其中，所述智能驾驶虚拟测试的加速方法通过模式识别算法，找到智能驾驶虚拟测试的核心变量区域(即智能驾驶虚拟测试的关键区域)，并对其对应的样本空间按照重要程度进行重采样(SIR，Sampling Importance Resampling)，以增加总样本数据中关于临界区域或关键区域的样本数据数量，最后利用增加了核心变量区域中的样本数据数量的总样本数据对目标模式识别算法进行训练，以获得智能驾驶性能评价和预测模型，实现对智能驾驶性能的快速评价，实现缩短智能驾驶虚拟测试的测试时间，提高智能驾驶虚拟测试的测试效率，缩短测试周期和降低测试成本的目的。
所述智能驾驶虚拟测试的加速方法获得的智能驾驶性能评价和预测模型能够进行特定场景下的智能驾驶系统性能预测，结合控制器算法，可用于智能驾驶汽车危险场景下的行车危险度定义和评估。
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一种智能驾驶虚拟测试的加速方法的流程示意图；
图2为本申请的另一个实施例提供一种智能驾驶虚拟测试的加速方法的流程示意图；
图3为本申请的又一个实施例提供一种智能驾驶虚拟测试的加速方法的流程示意图；
图4为本申请的一个实施例提供的一种智能驾驶虚拟测试场景示意图；
图5为本申请的一个实施例提供的一种智能驾驶典型测试场景仿真曲线图；
图6为本申请的一个实施例提供的一种变量样本空间；
图7为本申请的一个实施例提供的一种基于重要性重采样方法的原理示意图；
图8为本申请的一个实施例提供的重要性重采样后的总样本数据集中的样本数据的分布示意图。
具体实施方式
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智能驾驶虚拟测试的加速方法，如图1所示，包括：
S101：根据目标智能驾驶算法和目标场景工况，搭建智能虚拟测试模型；
在步骤S101中，所述智能虚拟测试模型为基于智能驾驶仿真软件搭建的智能电子控制单元(intelligent Electronic ControlUnit，iECU)在环的智能驾驶虚拟测试系统，包括iECU和车辆反馈控制系统、静态交通参与者、动态交通参与者、道路模型、主车及其传感器系统。
所述目标场景工况包括但不限于巡线、防撞、跟车和泊车工况中的任意一种。
所述目标智能驾驶算法是指待进行虚拟测试的智能驾驶算法。
S102：对目标变量进行基于拉丁超立方的实验设计(Design of Experiment，DOE)，以获得总样本数据集，并将所述总样本数据集中的样本数据分为训练样本集和验证数据集；
所述目标变量是指在不同开发阶段中，重点迭代开发的变量，这些变量包括但不限于：决策规划中的驾乘性能策略变量，主车行为变量、动态交通参与者变量、概率传感器模型统计学变量、自然环境因素变量、车辆动力学变量、道路特征和附着条件变量、交通标识变量等。
可选的，所述训练样本集占总样本数据集中的样本数据的比例不低于80％。
在步骤S102中，拉丁超立方又称为拉丁超立方抽样(Latin Hypercube Sampling，LHS)是一种从多元参数分布中近似随机抽样的方法，属于分层抽样技术。
S103：按照实验设计设计典型工况的变量，并利用所述智能虚拟测试模型进行典型工况的自动化测试，并将自动化测试结果进行存储；
S104：将自动化测试结果进行分类，获得分类结果；
在步骤S104中，对自动化测试结果进行分类的类别数量建议在2-5类之间。
S105：利用所述训练样本集对目标模式识别算法进行训练，以获得模式识别模型，并利用所述验证数据集对所述模式识别模型进行分类精度验证，当所述模式识别模型的分类精度满足要求时，按照所述分类结果，获取智能驾驶性能评价的核心变量区域；
所述目标模式识别算法可以为支持向量机(Support Vector Machine，SVM)，也可以是模糊神经网络(Fuzzy Neural Networks，FNN)等，本申请对此并不做限定，具体视实际情况而定。
S106：对所述核心变量区域按照重要程度进行重采样，以增加所述总样本数据集中所述核心变量区域中的样本数据数量；
S107：利用增加所述核心变量区域中的样本数据数量的总样本数据对目标模式识别算法进行训练，以获得智能驾驶性能评价和预测模型。
在本实施例中，所述智能驾驶虚拟测试的加速方法通过模式识别算法，找到智能驾驶虚拟测试的核心变量区域(即智能驾驶虚拟测试的关键区域)，并对其对应的样本空间按照重要程度进行重采样，以增加总样本数据中关于临界区域或关键区域的样本数据数量，最后利用增加了核心变量区域中的样本数据数量的总样本数据对目标模式识别算法进行训练，以获得智能驾驶性能评价和预测模型，实现对智能驾驶性能的快速评价，实现缩短智能驾驶虚拟测试的测试时间，提高智能驾驶虚拟测试的测试效率，缩短测试周期和降低测试成本的目的。
所述智能驾驶虚拟测试的加速方法获得的智能驾驶性能评价和预测模型能够进行特定场景下的智能驾驶系统性能预测，结合控制器算法，可用于智能驾驶汽车危险场景下的行车危险度定义和评估。
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，所述智能驾驶虚拟测试的加速方法包括：
S201：根据目标智能驾驶算法和目标场景工况，搭建智能虚拟测试模型；
S202：对目标变量进行基于拉丁超立方的实验设计，以获得总样本数据集，并将所述总样本数据集中的样本数据分为训练样本集和验证数据集；
S203：按照实验设计设计典型工况的变量，并利用所述智能虚拟测试模型进行典型工况的自动化测试，并将自动化测试结果进行存储；
S204：将自动化测试结果进行分类，获得分类结果；
S205：对所述目标模式识别算法的核心参数采用遗传算法、粒子群算法和蚁群算法中的任意一项进行最优化解算，以获得最优化解算后的核心参数；
S206：利用所述训练样本集对采用最优化解算后的核心参数的目标模式识别算法进行训练，以获得模式识别模型；
S207：利用所述验证数据集对所述模式识别模型进行分类精度验证，当所述模式识别模型的分类精度满足要求时，按照所述分类结果，获取智能驾驶性能评价的核心变量区域；当所述模式识别模型的分类精度不满足要求时，按照新增样本数的要求增加所述总样本数据集中的样本数据，并将增加样本数据后的总样本数据分为训练样本集和验证数据集后返回按照实验设计设计典型工况的变量，并利用所述智能虚拟测试模型进行典型工况的自动化测试，并将自动化测试结果进行存储的步骤；
S208：对所述核心变量区域按照重要程度进行重采样，以增加所述总样本数据集中所述核心变量区域中的样本数据数量；
S209：利用增加所述核心变量区域中的样本数据数量的总样本数据对目标模式识别算法进行训练，以获得智能驾驶性能评价和预测模型。
在本实施例中，步骤S205-S207描述了一种具体地获取模式识别模型的方法以及利用总样本数据集对模式识别模型进行分类精度验证的具体方式。
其中，在当所述模式识别模型的分类精度不满足要求时，按照新增样本数的要求增加所述总样本数据集中的样本数据的过程中，新增样本数据的数量通常依据经验确定。
在上述实施例的基础上，在本申请的另一个实施例中，如图3所示，所述智能驾驶虚拟测试的加速方法包括：
S301：根据目标智能驾驶算法和目标场景工况，搭建智能虚拟测试模型；
S302：对目标变量进行基于拉丁超立方的实验设计，以获得总样本数据集，并将所述总样本数据集中的样本数据分为训练样本集和验证数据集；
S303：按照实验设计设计典型工况的变量，并利用所述智能虚拟测试模型进行典型工况的自动化测试，并将自动化测试结果进行存储；
S304：将自动化测试结果进行分类，获得分类结果；
S305：利用所述训练样本集对目标模式识别算法进行训练，以获得模式识别模型，并利用所述验证数据集对所述模式识别模型进行分类精度验证，当所述模式识别模型的分类精度满足要求时，按照所述分类结果，获取智能驾驶性能评价的核心变量区域；
S306：根据核心变量区域确定重要性因子的取值；
S307：基于所述重要性因子，对所述核心变量区域按照重要程度进行重采样，以增加所述总样本数据集中所述核心变量区域中的样本数据数量；
S308：利用增加所述核心变量区域中的样本数据数量的总样本数据对目标模式识别算法进行训练，以获得智能驾驶性能评价和预测模型。
在本实施例中，提供了一种具体地“对所述核心变量区域按照重要程度进行重采样，以增加所述总样本数据集中所述核心变量区域中的样本数据数量”的具体实施方式。
其中重要性因子的取值决定了重采样后样本数据的分布区域为所述核心变量区域，因此，所述重要性因子的取值可以在重采样之前根据所述核心变量区域确定。
下面本申请的一个具体实施例提供了一种具体地智能驾驶虚拟测试的加速方法的实施流程，包括：
步骤一、参照E-NCAP中AEB VRU(Autonomous Emergency BrakingVulnerableRoad User)的定义，基于智能驾驶仿真软件建立低速下前车切入(cut in)虚拟测试的典型场景，主车以恒定速度直行通过带泊车位的路段，行人从泊车位上的停止车辆前方以恒定速度横穿马路，主要用来描述智能驾驶车辆与行人在道路上相遇时的安全性能评估，其场景效果见图4。iECU中主要包含一个智能驾驶纵向避障安全算法，主车配置毫米波雷达和摄像头感知系统，道路为双车道良好路面附着条件，行人位于路面泊车位上，并存在一定的遮挡。典型参数的仿真曲线结果如图5所示。
避障算法综合采用碰撞时间(TTC，Time to Collision)策略和距离策略，其中TTC策略使用三级触发算法，即碰撞时间为2.8s触发30％刹车力度，碰撞时间为1.8s触发60％刹车力度，碰撞时间为0.8s触发100％刹车力度。距离策略直接与主车与行人相对距离有关，最低触发距离为3米，触发后100％刹车力度。
目标检测传感器模型采用基于统计的概率模型，具体设置为行人目标检测的漏检率为5％，误检率为10％。检测的结果以目标级信息直接输出给避障算法，供决策使用。
步骤二，选取对于智能驾驶系统安全性评价影响最大的三个变量作为本实施例中的研究对象，其分别为主车的速度、行人的速度、场景触发距离(行人开始移动时的人车之间在道路上的纵向距离)。
表1典型场景变量定义
变量名称 含义 下限值 上限值 单位
v_ego 主车速度 1.5 15 km/h
v_ped 行人速度 0.5 5 km/h
d_trig 触发距离 1 13 m
基于最优拉丁超立方对三个设计变量进行采样，共获得150组均匀分布样本，其中130组作为训练样本集，剩下的20组作为验证集，变量样本空间见图6所示。
步骤三、基于Python语言编写自动化测试脚本，将以上150个变量样本在搭建的虚拟环境下进行仿真，智能驾驶仿真软件自动存储测试结果。
步骤四、对自动化测试结果进行分析，根据安全性评估原则，将此场景下的安全性(危险态势)分为3类：
1)类别1主车与行人相撞，发生事故；
2)类别2主车与行人未相撞，行人从车辆前方安全通过；
3)类别3主车与行人未相撞，行人从车辆后方安全通过；
对于其他虚拟测试典型场景，可以此方法建立相应的安全性评价准则。
步骤五、使用SVM算法对130组训练样本集进行模式识别训练，得到此场景下的模式识别模型，作为安全性分类和回归预测模型。本实施例中核函数选取高斯函数。其中对于SVM中的高斯核函数和惩罚系数，采样粒子群优化算法进行优化，找到最优的(预测精度最高的)SVM算法中的参数值。本例中优化后的高斯核函数σ＝9.65，惩罚系数C＝15.36，μ＝0.91。
利用验证数据集对模式识别模型进行精度验证，20个验证样本点，有4个样本点预测错误。整体预测精度为80％，此实施例中认为该精度整体可以接受。因此不再进行新的DOE。
步骤六、经过对预测错误的四个样本点位置的分析，其在样本空间中的坐标为(3.8,4.7,1.6)、(2.5,2.2,4.6)、(11.0,2.5,12.7)、(14.2,1.0,9.9)，均位于安全与危险区域的边界上，即在临界区域，恰好是智能驾驶性能测评的关键区域，预测的精度会偏低。因此本申请中，基于重要性重采样技术，参考图7和图8，定义重要性因子ω(或松弛因子)，通过设计重要性采样算法，增加临界区域或关键区域的样本数。此次仿真中设置重要性因子ω为1.2，重采样后的训练样本点数量为400个，验证样本点数量为50个。重要性因子ω的取值需要结合单一工况计算时间，预测精度要求，项目分析周期等多种因素。图7为基于重要性重采样方法的示意图，图8为基于重要性重采样后的总样本数据集中的样本数据分布示意图。
步骤七、利用增加后的训练样本，进行基于SVM的智能驾驶安全性回归分析，得到预测模型，对50个验证样本进行预测，47个样本预测结果准确，准确率可以达到94％。
如果采用测试矩阵或均匀采样策略，实施步骤一到步骤五的内容，为了达到94％准确率的虚拟测试评价模型，需要DOE的样本总量在1万组以上。因此采用重要性重采样技术后，对同一个虚拟测试用例，其预测模型的总仿真时间可降到二十分之一(重采样的时间相对于智能驾驶仿真软件运行一个工况的时间可以忽略不计)，在保证仿真精度的同时，大大提高了仿真效率，节约算法开发和验证时间。
下面对本申请实施例提供的智能驾驶虚拟测试的加速系统进行描述，下文描述的智能驾驶虚拟测试的加速系统可与上文描述的智能驾驶虚拟测试的加速方法相互对应参照。
相应的，本申请实施例提供了一种智能驾驶虚拟测试的加速系统，包括：
模型建立模块，用于根据目标智能驾驶算法和目标场景工况，搭建智能虚拟测试模型；
第一设计模块，用于对目标变量进行基于拉丁超立方的实验设计，以获得总样本数据集，并将所述总样本数据集中的样本数据分为训练样本集和验证数据集；
第二设计模块，用于按照实验设计设计典型工况的变量，并利用所述智能虚拟测试模型进行典型工况的自动化测试，并将自动化测试结果进行存储；
结果分类模块，用于将自动化测试结果进行分类，获得分类结果；
样本训练模块，用于利用所述训练样本集对目标模式识别算法进行训练，以获得模式识别模型，并利用所述验证数据集对所述模式识别模型进行分类精度验证，当所述模式识别模型的分类精度满足要求时，按照所述分类结果，获取智能驾驶性能评价的核心变量区域；
重采样模块，用于对所述核心变量区域按照重要程度进行重采样，以增加所述总样本数据集中所述核心变量区域中的样本数据数量；
模型获取模块，用于利用增加所述核心变量区域中的样本数据数量的总样本数据对目标模式识别算法进行训练，以获得智能驾驶性能评价和预测模型。
可选的，所述样本训练模块还用于，当所述模式识别模型的分类精度不满足要求时，按照新增样本数的要求增加所述总样本数据集中的样本数据，并将增加样本数据后的总样本数据分为训练样本集和验证数据集后返回触发所述第二设计模块。
可选的，所述样本训练模块利用所述训练样本集对目标模式识别算法进行训练，以获得模式识别模型具体用于，对所述目标模式识别算法的核心参数采用遗传算法、粒子群算法和蚁群算法中的任意一项进行最优化解算，以获得最优化解算后的核心参数；
利用所述训练样本集对采用最优化解算后的核心参数的目标模式识别算法进行训练，以获得模式识别模型。
可选的，所述重采样模块具体用于，根据核心变量区域确定重要性因子的取值；
基于所述重要性因子，对所述核心变量区域按照重要程度进行重采样，以增加所述总样本数据集中所述核心变量区域中的样本数据数量。
综上所述，本申请实施例提供了一种智能驾驶虚拟测试的加速方法及加速系统，其中，所述智能驾驶虚拟测试的加速方法通过模式识别算法，找到智能驾驶虚拟测试的核心变量区域(即智能驾驶虚拟测试的关键区域)，并对其对应的样本空间按照重要程度进行重采样(SIR，Sampling Importance Resampling)，以增加总样本数据中关于临界区域或关键区域的样本数据数量，最后利用增加了核心变量区域中的样本数据数量的总样本数据对目标模式识别算法进行训练，以获得智能驾驶性能评价和预测模型，实现对智能驾驶性能的快速评价，实现缩短智能驾驶虚拟测试的测试时间，提高智能驾驶虚拟测试的测试效率，缩短测试周期和降低测试成本的目的。
所述智能驾驶虚拟测试的加速方法获得的智能驾驶性能评价和预测模型能够进行特定场景下的智能驾驶系统性能预测，结合控制器算法，可用于智能驾驶汽车危险场景下的行车危险度定义和评估。
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 (8)

1.一种智能驾驶虚拟测试的加速方法，其特征在于，包括：
根据目标智能驾驶算法和目标场景工况，搭建智能虚拟测试模型；
对目标变量进行基于拉丁超立方的实验设计，以获得总样本数据集，并将所述总样本数据集中的样本数据分为训练样本集和验证数据集；
按照实验设计设计典型工况的变量，并利用所述智能虚拟测试模型进行典型工况的自动化测试，并将自动化测试结果进行存储；
将自动化测试结果进行分类，获得分类结果；
利用所述训练样本集对目标模式识别算法进行训练，以获得模式识别模型，并利用所述验证数据集对所述模式识别模型进行分类精度验证，当所述模式识别模型的分类精度满足要求时，按照所述分类结果，获取智能驾驶性能评价的核心变量区域；
对所述核心变量区域按照重要程度进行重采样，以增加所述总样本数据集中所述核心变量区域中的样本数据数量；
利用增加所述核心变量区域中的样本数据数量的总样本数据对目标模式识别算法进行训练，以获得智能驾驶性能评价和预测模型。
2.根据权利要求1所述的方法，其特征在于，所述智能驾驶虚拟测试的加速方法还包括：
当所述模式识别模型的分类精度不满足要求时，按照新增样本数的要求增加所述总样本数据集中的样本数据，并将增加样本数据后的总样本数据分为训练样本集和验证数据集后返回按照实验设计设计典型工况的变量，并利用所述智能虚拟测试模型进行典型工况的自动化测试，并将自动化测试结果进行存储的步骤。
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集对目标模式识别算法进行训练，以获得模式识别模型包括：
对所述目标模式识别算法的核心参数采用遗传算法、粒子群算法和蚁群算法中的任意一项进行最优化解算，以获得最优化解算后的核心参数；
利用所述训练样本集对采用最优化解算后的核心参数的目标模式识别算法进行训练，以获得模式识别模型。
4.根据权利要求1所述的方法，其特征在于，所述对所述核心变量区域按照重要程度进行重采样，以增加所述总样本数据集中所述核心变量区域中的样本数据数量包括：
根据核心变量区域确定重要性因子的取值；
基于所述重要性因子，对所述核心变量区域按照重要程度进行重采样，以增加所述总样本数据集中所述核心变量区域中的样本数据数量。
5.一种智能驾驶虚拟测试的加速系统，其特征在于，包括：
模型建立模块，用于根据目标智能驾驶算法和目标场景工况，搭建智能虚拟测试模型；
第一设计模块，用于对目标变量进行基于拉丁超立方的实验设计，以获得总样本数据集，并将所述总样本数据集中的样本数据分为训练样本集和验证数据集；
第二设计模块，用于按照实验设计设计典型工况的变量，并利用所述智能虚拟测试模型进行典型工况的自动化测试，并将自动化测试结果进行存储；
结果分类模块，用于将自动化测试结果进行分类，获得分类结果；
样本训练模块，用于利用所述训练样本集对目标模式识别算法进行训练，以获得模式识别模型，并利用所述验证数据集对所述模式识别模型进行分类精度验证，当所述模式识别模型的分类精度满足要求时，按照所述分类结果，获取智能驾驶性能评价的核心变量区域；
重采样模块，用于对所述核心变量区域按照重要程度进行重采样，以增加所述总样本数据集中所述核心变量区域中的样本数据数量；
模型获取模块，用于利用增加所述核心变量区域中的样本数据数量的总样本数据对目标模式识别算法进行训练，以获得智能驾驶性能评价和预测模型。
6.根据权利要求5所述的系统，其特征在于，所述样本训练模块还用于，当所述模式识别模型的分类精度不满足要求时，按照新增样本数的要求增加所述总样本数据集中的样本数据，并将增加样本数据后的总样本数据分为训练样本集和验证数据集后返回触发所述第二设计模块。
7.根据权利要求5所述的系统，其特征在于，所述样本训练模块利用所述训练样本集对目标模式识别算法进行训练，以获得模式识别模型具体用于，对所述目标模式识别算法的核心参数采用遗传算法、粒子群算法和蚁群算法中的任意一项进行最优化解算，以获得最优化解算后的核心参数；
利用所述训练样本集对采用最优化解算后的核心参数的目标模式识别算法进行训练，以获得模式识别模型。
8.根据权利要求5所述的系统，其特征在于，所述重采样模块具体用于，根据核心变量区域确定重要性因子的取值；
基于所述重要性因子，对所述核心变量区域按照重要程度进行重采样，以增加所述总样本数据集中所述核心变量区域中的样本数据数量。
CN201911205546.XA 2019-11-29 2019-11-29 一种智能驾驶虚拟测试的加速方法及加速系统 Active CN111079800B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911205546.XA CN111079800B (zh) 2019-11-29 2019-11-29 一种智能驾驶虚拟测试的加速方法及加速系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911205546.XA CN111079800B (zh) 2019-11-29 2019-11-29 一种智能驾驶虚拟测试的加速方法及加速系统

Publications (2)

Publication Number Publication Date
CN111079800A true CN111079800A (zh) 2020-04-28
CN111079800B CN111079800B (zh) 2023-06-23

Family

ID=70312229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911205546.XA Active CN111079800B (zh) 2019-11-29 2019-11-29 一种智能驾驶虚拟测试的加速方法及加速系统

Country Status (1)

Country Link
CN (1) CN111079800B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111595597A (zh) * 2020-06-30 2020-08-28 中汽院智能网联科技有限公司 一种复杂环境下aeb vru性能的测试方法
CN112583414A (zh) * 2020-12-11 2021-03-30 北京百度网讯科技有限公司 场景处理方法、装置、设备、存储介质以及产品
CN113111942A (zh) * 2021-04-13 2021-07-13 东软睿驰汽车技术（沈阳）有限公司 驾驶工况数据的提取方法、装置和电子设备
CN113408061A (zh) * 2021-07-08 2021-09-17 中汽院智能网联科技有限公司 基于改进拉丁超立方抽样的虚拟驾驶场景要素重组方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020128751A1 (en) * 2001-01-21 2002-09-12 Johan Engstrom System and method for real-time recognition of driving patters
CN105573323A (zh) * 2016-01-12 2016-05-11 福州华鹰重工机械有限公司 自动驾驶轨迹生成方法及装置
CN107451661A (zh) * 2017-06-29 2017-12-08 西安电子科技大学 一种基于虚拟图像数据集的神经网络迁移学习方法
CN107609602A (zh) * 2017-09-28 2018-01-19 吉林大学 一种基于卷积神经网络的驾驶场景分类方法
CN108595901A (zh) * 2018-07-09 2018-09-28 黄梓钥 一种自动驾驶汽车标准化安全仿真验证模型数据库系统
US20180322230A1 (en) * 2017-05-08 2018-11-08 Baidu Online Network Technology (Beijing) Co., Ltd. Driverless vehicle simulation test method and apparatus, device and readable medium
CN109084992A (zh) * 2018-07-27 2018-12-25 长安大学 基于台架测试无人车智能性的方法
DE102017007136A1 (de) * 2017-07-27 2019-01-31 Opel Automobile Gmbh Verfahren und Vorrichtung zum Trainieren selbstlernender Algorithmen für ein automatisiert fahrbares Fahrzeug
CN110070139A (zh) * 2019-04-28 2019-07-30 吉林大学 面向自动驾驶环境感知的小样本在环学习系统和方法
US20190258251A1 (en) * 2017-11-10 2019-08-22 Nvidia Corporation Systems and methods for safe and reliable autonomous vehicles
CN110502852A (zh) * 2019-08-27 2019-11-26 上海汽车集团股份有限公司 一种自动驾驶仿真测试场景的生成方法及生成系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020128751A1 (en) * 2001-01-21 2002-09-12 Johan Engstrom System and method for real-time recognition of driving patters
CN105573323A (zh) * 2016-01-12 2016-05-11 福州华鹰重工机械有限公司 自动驾驶轨迹生成方法及装置
US20180322230A1 (en) * 2017-05-08 2018-11-08 Baidu Online Network Technology (Beijing) Co., Ltd. Driverless vehicle simulation test method and apparatus, device and readable medium
CN107451661A (zh) * 2017-06-29 2017-12-08 西安电子科技大学 一种基于虚拟图像数据集的神经网络迁移学习方法
DE102017007136A1 (de) * 2017-07-27 2019-01-31 Opel Automobile Gmbh Verfahren und Vorrichtung zum Trainieren selbstlernender Algorithmen für ein automatisiert fahrbares Fahrzeug
CN107609602A (zh) * 2017-09-28 2018-01-19 吉林大学 一种基于卷积神经网络的驾驶场景分类方法
US20190258251A1 (en) * 2017-11-10 2019-08-22 Nvidia Corporation Systems and methods for safe and reliable autonomous vehicles
CN108595901A (zh) * 2018-07-09 2018-09-28 黄梓钥 一种自动驾驶汽车标准化安全仿真验证模型数据库系统
CN109084992A (zh) * 2018-07-27 2018-12-25 长安大学 基于台架测试无人车智能性的方法
CN110070139A (zh) * 2019-04-28 2019-07-30 吉林大学 面向自动驾驶环境感知的小样本在环学习系统和方法
CN110502852A (zh) * 2019-08-27 2019-11-26 上海汽车集团股份有限公司 一种自动驾驶仿真测试场景的生成方法及生成系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周干;张嵩;罗悦齐;: "自动驾驶汽车仿真测试与评价方法进展" *
犹佐龙;: "智能网联汽车仿真测试方法" *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111595597A (zh) * 2020-06-30 2020-08-28 中汽院智能网联科技有限公司 一种复杂环境下aeb vru性能的测试方法
CN112583414A (zh) * 2020-12-11 2021-03-30 北京百度网讯科技有限公司 场景处理方法、装置、设备、存储介质以及产品
CN113111942A (zh) * 2021-04-13 2021-07-13 东软睿驰汽车技术（沈阳）有限公司 驾驶工况数据的提取方法、装置和电子设备
CN113408061A (zh) * 2021-07-08 2021-09-17 中汽院智能网联科技有限公司 基于改进拉丁超立方抽样的虚拟驾驶场景要素重组方法
CN113408061B (zh) * 2021-07-08 2023-05-05 中汽院智能网联科技有限公司 基于改进拉丁超立方抽样的虚拟驾驶场景要素重组方法

Also Published As

Publication number Publication date
CN111079800B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN111079800B (zh) 一种智能驾驶虚拟测试的加速方法及加速系统
CN112015843B (zh) 基于多车意图交互结果的行车风险态势评估方法及系统
Wachenfeld et al. The worst-time-to-collision metric for situation identification
CN111814308B (zh) 一种面向自动驾驶系统的加速测试系统
CN112487617A (zh) 基于碰撞模型的风险预防方法、装置、设备及存储介质
CN110686906B (zh) 车辆自动驾驶测试方法及装置
CN111426486B (zh) 辅助驾驶系统的测试方法、装置、设备及存储介质
De Gelder et al. Risk quantification for automated driving systems in real-world driving scenarios
CN114021327A (zh) 一种自动驾驶汽车感知系统性能量化评估方法
Ponn et al. An optimization-based method to identify relevant scenarios for type approval of automated vehicles
Hu et al. Efficient mapping of crash risk at intersections with connected vehicle data and deep learning models
Masuda et al. Rule‐based searching for collision test cases of autonomous vehicles simulation
CN113935143A (zh) 通过自主车辆的增加的严重性等级估计碰撞概率
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
CN116135640A (zh) 一种车辆防碰撞预警方法、系统及车辆
Hu et al. Modelling merging behaviour joining a cooperative adaptive cruise control platoon
Koenig et al. Bridging the gap between open loop tests and statistical validation for highly automated driving
Eggert et al. The foresighted driver: Future ADAS based on generalized predictive risk estimation
Shu et al. Test scenarios construction based on combinatorial testing strategy for automated vehicles
CN114730494A (zh) 用于对交通场景的空间的覆盖进行估计的方法
CN115482662A (zh) 一种危险工况下驾驶员避撞行为预测方法及系统
CN115358415A (zh) 自动驾驶学习模型的分布式训练方法及自动驾驶方法
CN114818381A (zh) 自动驾驶汽车测试场景库的构建方法
CN114677662A (zh) 一种车辆前方障碍状态预测方法、装置、设备及存储介质
CN114862159A (zh) 一种自动驾驶测试场景的评价方法

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