CN111178402B - 一种自动驾驶车辆道路测试的场景分类方法及装置 - Google Patents

一种自动驾驶车辆道路测试的场景分类方法及装置 Download PDF

Info

Publication number
CN111178402B
CN111178402B CN201911298442.8A CN201911298442A CN111178402B CN 111178402 B CN111178402 B CN 111178402B CN 201911298442 A CN201911298442 A CN 201911298442A CN 111178402 B CN111178402 B CN 111178402B
Authority
CN
China
Prior art keywords
scene
component
score
test
road
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.)
Active
Application number
CN201911298442.8A
Other languages
English (en)
Other versions
CN111178402A (zh
Inventor
王荣
宋娟
薛晓卿
朱钧宇
刘法旺
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.)
Ccid Testing And Certification Center Co ltd
Original Assignee
Ccid Testing And Certification Center Co 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 Ccid Testing And Certification Center Co ltd filed Critical Ccid Testing And Certification Center Co ltd
Priority to CN201911298442.8A priority Critical patent/CN111178402B/zh
Publication of CN111178402A publication Critical patent/CN111178402A/zh
Application granted granted Critical
Publication of CN111178402B publication Critical patent/CN111178402B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/10Internal combustion engine [ICE] based vehicles
    • Y02T10/40Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供一种自动驾驶车辆道路测试的场景分类方法及装置。所述方法包括:确定一个或多个预先创建的道路场景及道路场景的场景组成要素,将所述场景组成要素划分为第一组成要素和第二组成要素;根据所述第一组成要素包含的信息量以及各个场景组成要素对应的预设分值,计算得到第一分值;在车辆的真实场景测试或者模拟场景测试中,获取第二组成要素中由各个场景组成要素本身及各个场景组成要素之间所产生的测试信息,并将所述测试信息输入到预定的模型结构中得到第二分值;根据所述第一分值及第二分值计算得到第三分值,以便基于第三分值实现道路场景的分类。本发明实现了划分不同类别道路场景的复杂度,提高了自动驾驶车辆的测试效率及测评效果。

Description

一种自动驾驶车辆道路测试的场景分类方法及装置
技术领域
本公开涉及车辆测试技术领域,尤其涉及一种自动驾驶车辆道路测试的场景分类方法及装置。
背景技术
随着社会的发展,交通工具也逐渐向多样化及智能化方向发展。在车辆的设计生产过程中,车辆测试是非常重要的环节之一。以自动驾驶车辆(例如包括智能汽车、无人驾驶汽车、智能网联汽车等)为例,在自动驾驶技术的发展以及智能网联汽车商业化应用的迫切需求下,自动驾驶车辆道路测试显得极为重要。通过对自动驾驶车辆进行道路测试,既可以对新技术进行测试验证,促进技术的发展,还可以通过测试检验自动驾驶车辆的安全性。
基于道路场景的车辆测试方法是目前主流的车辆测试方法。例如美国公路交通安全管理局(NHTSA)预碰撞场景、美国交通部(DOT)及Waymo核心驾驶能力的测试项目和场景;我国三部委联合发布的《智能网联汽车道路测试管理规范(试行)》规定自动驾驶功能检测项目,中国智能网联汽车产业创新联盟和全国汽标委针对此《管理规范》细化的检测项目及场景。而现有技术中,根据自动驾驶的功能设计出的道路测试场景,这种方式仅仅能够实现基于自动驾驶功能或测试需求对道路测试场景进行分类,而无法进一步区分不同类别的道路测试场景的难易度或复杂程度,也无法依据分类选取出适用于自动驾驶道路测试的典型场景。因此,现阶段自动驾驶车辆需要进行大量的场景测试来验证自动驾驶能力,测试效率及测评效果均有待提升。
基于现有技术,研究场景评价及分类方法是自动驾驶车辆测试亟需突破的方向之一,因此需要提供一种既能区分不同道路测试场景复杂度,又能实现道路测试场景分类的自动驾驶车辆道路测试场景分类方案。
发明内容
本公开提供一种自动驾驶车辆道路测试的场景分类方法及装置,以解决相关技术存在的无法区分不同道路测试场景的复杂度,更无法依据分类选取出适用于自动驾驶道路测试的典型场景,导致测试效率及测评效果均有待提升的问题。
为解决上述技术问题,本公开实施例的第一方面,提供一种自动驾驶车辆道路测试的场景分类方法,包括:
确定一个或多个预先创建的道路场景,并确定为创建所述道路场景所采用的场景组成要素;
获取所述场景组成要素所对应的信息,根据所述场景组成要素所对应的信息将所述场景组成要素划分为第一组成要素和第二组成要素;其中,所述第一组成要素中包含所述场景组成要素中的静态场景要素,所述第二组成要素中包含所述场景组成要素中的动态场景要素;
根据所述第一组成要素所包含的信息量以及第一组成要素中各个场景组成要素所对应的预设分值,计算得到与所述第一组成要素相对应的第一分值;其中,所述第一分值用于表示所述静态场景要素所对应的场景复杂度;
在车辆的真实场景测试或者模拟场景测试的过程中,获取所述第二组成要素中由各个场景组成要素本身及各个场景组成要素之间所产生的测试信息,并将所述测试信息输入到预定的模型结构中,得到与所述第二组成要素相对应的第二分值;其中,所述第二分值用于表示所述动态场景要素所对应的场景复杂度;
根据所述第一分值及第二分值计算得到第三分值,以便基于所述第三分值对所述道路场景进行分类。
本公开实施例的第二方面,提供一种自动驾驶车辆道路测试的场景分类装置,包括:
存储器,其上存储有计算机程序;以及
处理器,用于执行所述存储器中的所述计算机程序,以实现上述第一方面中任一项所述自动驾驶车辆道路测试的场景分类方法的步骤。
本公开实施例采用的上述至少一个技术方案能够达到以下有益效果:
通过确定一个或多个预先创建的道路场景,并确定为创建道路场景所采用的场景组成要素;获取场景组成要素所对应的信息,根据场景组成要素所对应的信息将场景组成要素划分为第一组成要素和第二组成要素;其中,第一组成要素中包含场景组成要素中的静态场景要素,第二组成要素中包含场景组成要素中的动态场景要素;根据第一组成要素所包含的信息量以及第一组成要素中各个场景组成要素所对应的预设分值,计算得到与第一组成要素相对应的第一分值;其中,第一分值用于表示静态场景要素所对应的场景复杂度;在车辆的真实场景测试或者模拟场景测试的过程中,获取第二组成要素中由各个场景组成要素本身及各个场景组成要素之间所产生的测试信息,并将测试信息输入到预定的模型结构中,得到与第二组成要素相对应的第二分值;其中,第二分值用于表示动态场景要素所对应的场景复杂度;根据第一分值及第二分值计算得到第三分值,以便基于第三分值对道路场景进行分类。
基于本发明的上述技术方案,通过将场景组成要素划分为第一组成要素和第二组成要素,其中第一组成要素可表示为静态场景要素,第二组成要素可表示为动态场景要素;进一步通过不同方式分别计算静态场景要素和动态场景要素所对应的场景复杂度,最后综合静态场景要素对应的场景复杂度分值以及动态场景要素对应的场景复杂度分值,计算得到道路场景所对应的场景复杂度分值,从而根据道路场景所对应的场景复杂度分值对其进行分类。使得最终得到的分类结果既能够体现出不同道路场景的复杂程度,还能够体现出不同道路场景的类别,基于本公开道路场景分类方法划分出的不同类别的道路场景对自动驾驶车辆进行测试时,能够大幅度提升测试效率及测评效果。
附图说明
为了更清楚地说明本公开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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例在一种实际应用场景下涉及的平台整体架构的示意图;
图2为本公开实施例提供的一种自动驾驶车辆道路测试的场景分类方法的流程示意图;
图3为本公开实施例在一个具体应用场景下的道路场景设计示意图;
图4为具体应用场景下道路场景中的静态要素构成的图形结构示意图;
图5为本公开实施例提供的一种自动驾驶车辆道路测试的场景分类装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本公开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。基于本公开实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
随着自动驾驶技术的发展以及智能网联汽车商业化应用的迫切需求,自动驾驶车辆道路测试显得极为重要,通过对自动驾驶车辆进行道路测试,一方面可以实现对新技术的测试验证,促进技术的发展,另一方面可以通过实际测试检验自动驾驶车辆的安全性,是自动驾驶车辆商业化量产的重要保障。
目前,国内外基于场景的测试方法成为主流的自动驾驶测试方法,但是现阶段道路测试场景主要是根据自动驾驶功能进行设计,虽然在根据自动驾驶功能设计出不同的道路测试场景时,也会对道路测试场景产生一定的分类。例如根据自动驾驶功能或测试需求区分出不同的道路测试场景,但是这种由于根据自动驾驶功能涉及场景而间接产生的分类,仅仅能够区分不同的自动驾驶功能或测试需求,无法体现不同类别及同一类别下不同场景的复杂程度或难易程度,更无法依据分类选取出适用于自动驾驶道路测试的典型场景。因此,由于现有的自动驾驶车辆测试典型场景不明,自动驾驶车辆缺乏在典型场景下的测试,导致自动驾驶能力评估结果缺乏信任度。另外,在目前的道路测试场景设计方法的基础上,为了达到较好的测试效果,在对自动驾驶车辆进行测试过程中,不得不通过大量的道路测试场景来对测试车进行测试验证,因此导致自动驾驶车辆测试效率低、测评结果难以保证。
鉴于以上相关技术中存在的问题,本公开基于对场景复杂度的分析,提供一种自动驾驶车辆道路测试场景的分类方案,既可以实现对不同道路测试场景进行分类,又能够划分出适用于不同自动驾驶车辆的复杂度场景,从而有助于自动驾驶企业或第三方测评机构选取合适的场景对自动驾驶能力进行测试验证,有助于提高自动驾驶测试效率以及测试结果的可信度,推进自动驾驶车辆产业化落地。上述自动驾驶车辆的应用场景不构成对本公开实施例的限定。
图1为本公开实施例在一种实际应用场景下涉及的平台整体架构的示意图。平台整体架构中包括组成道路场景的基本要素以及基本要素对应的要素组成,通过设计场景的基本要素,并选择基本要素所对应的要素组成,从而综合各要素形成场景,进一步通过本公开实施例提供的理论方法,将道路场景划分为不同难度等级的场景,例如简单难度场景、中等难度场景和复杂难度场景。下面基于上述应用场景,对本公开实施例的技术方案进行详细说明。
图2为本公开实施例提供的一种自动驾驶车辆道路测试的场景分类方法的流程示意图,该方法具体可以包括以下步骤:
在步骤S210中,确定一个或多个预先创建的道路场景,并确定为创建所述道路场景所采用的场景组成要素。
在本实施例的一些实施方式中,可以采用以下方式确定一个或多个预先创建的道路场景,例如:
方式一:从预设的场景要素库中选取一个或多个场景组成要素,利用场景组成要素创建道路场景;
方式二:直接从预设的道路场景库中选取一个或多个道路场景。
在第一种方式中,可预先设置场景要素库,场景要素库中根据要素层级可以划分为基本要素和要素组成,另外还可以定义不同的基本要素及要素组成,例如:基本要素可以包括路段、车道、道路交通标志、道路交通标线、交通信号灯、其他设施、天气、场景参与者中的一种或多种,而不同的基本要素中可以包括不同的要素组成,下面以一个具体应用场景为例进行说明,具体地:
路段中可以包括双向路段、三向路段(即T型路口)、四向路段(即十字路口)等;
车道中可以包括双车道、四车道、单车道(如环岛)等,对于双车道及四车道可采用中心线划分车道;
道路交通标志中可以包括警告标志、禁令标志、指示标志、指路标志、施工标志、辅助标志等;
道路交通标线中可以包括指示标线、禁止标线、警告标线等;
交通信号灯中可以包括机动车信号灯、非机动车信号灯、人行横道信号灯、方向指示灯(如箭头信号灯)、车道信号灯、闪光警告信号灯、道路与铁路平面交叉道口信号灯等;
其他设施中可以包括收费站、公共汽车站台、减速带、停车场、充电站、加油站、锥形桶等;
天气中可以包括白天、黑夜、晴天、雨雪雾等;
场景参与者中可以包括测试车、机动车、非机动车、行人、动物、其他障碍物、移动式交通管控设施等。
进一步地,在实际应用中,可以根据不同的测试需求从上述场景要素库中选取多个基本要素及要素组成,并通过组合的方式对其进行创建形成自动驾驶车辆道路测试场景。
在第二种方式中,还可直接从已创建好的道路场景库中选取一个或多个道路场景,并将其作为待分类的道路场景。
在步骤S220中,获取所述场景组成要素所对应的信息,根据所述场景组成要素所对应的信息将所述场景组成要素划分为第一组成要素和第二组成要素;其中,所述第一组成要素中包含所述场景组成要素中的静态场景要素,所述第二组成要素中包含所述场景组成要素中的动态场景要素。
在本实施例的一些实施方式中,根据场景组成要素所对应的信息将所述场景组成要素划分为第一组成要素和第二组成要素,可以包括以下方式的内容:
方式一:根据预先添加在场景组成要素所对应的信息中的标识,确定场景组成要素属于第一组成要素或者第二组成要素;
方式二:将场景组成要素所对应的信息与预设的第一组成要素库及第二组成要素库中的信息进行匹配,根据匹配结果确定场景组成要素属于第一组成要素或者第二组成要素。
在第一种方式中,预先添加在场景组成要素信息中的标识与预设的第一组成要素或者第二组成要素的标识相同,例如:将第一组成要素的标识设置为a,将第二组成要素的标识设置为b;因此在获取场景组成要素对应的信息后,通过识别信息中的标识,即可判断该场景组成要素属于第一组成要素或者第二组成要素。上述标识可以设置在信息中的某一特定字符位置,例如设置在信息中的末端字符位置。
在第二种方式中,还可以直接将场景组成要素信息与预设的第一组成要素库及第二组成要素库中的场景组成要素信息进行匹配,当匹配成功时,根据匹配结果确定场景组成要素属于哪一组成要素。
在本公开实施例中,可以将场景要素库中的场景组成要素划分为静态场景要素及动态场景要素。例如在实际应用中,可以将基本要素划分为静态要素和动态要素,其中静态要素可以包括路段、车道、道路交通标志、道路交通标线、交通信号灯、其他设施、天气,动态要素可以包括场景参与者。与之相对应的,各基本要素下的要素组成也随着基本要素的划分而归类于静态要素或动态要素。
在步骤S230中,根据所述第一组成要素所包含的信息量以及第一组成要素中各个场景组成要素所对应的预设分值,计算得到与所述第一组成要素相对应的第一分值;其中,所述第一分值用于表示所述静态场景要素所对应的场景复杂度。
在本实施例的一些实施方式中,可以根据以下计算式确定第一组成要素所包含的信息量,具体地:
Figure BDA0002317745880000081
其中,θ1表示第一组成要素所包含的信息量;h表示第一组成要素中各个场景组成要素所对应分组标签的类型数目之和;pi表示根据第一组成要素构建的图形结构中相同类型节点数与节点总数的比值。
进一步地,在一些实施方式中,由于可以将静态场景要素划分为基本要素及基本要素的要素组成。因此,对于要素组成来说,其对应的基本要素便可以认为是一个分组类型,例如:在路段(基本要素)下面包含四向路段(要素组成),四向路段对应分组即为路段。换言之,h可以表示道路场景中静态场景要素所包含的分组数量。
在实际应用中,可以采用图形信息熵(即图形熵)来计算第一组成要素所包含的信息量,图形信息熵被广泛应用于复杂度的计量,通过将信息以图形结构呈现,根据图形计算出信息熵,便可求出复杂度,图形一阶熵通常表示系统逻辑结构的复杂程度,在计算中,把图形结构中的节点按照具有相同输入、输出个数的原则进行分组,图中相似类型的节点越多,分的组数就越少,一阶熵值就越小,复杂度就越小。基于图形熵的定义,交通环境中出现要素的不确定性越大,其所需要的信息量就越大,即交通静态环境越复杂混乱,其熵值越大。因此,可以通过静态场景要素的信息量来表示静态场景的复杂度系数。
在本实施例的一些实施方式中,可以利用以下计算式计算得到与第一组成要素相对应的第一分值,具体地:
C0=θ1×(β1∑Y12∑Y2+......+βn∑Yn)
其中,C0表示第一分值;θ1表示第一组成要素所包含的信息量;βn表示第一组成要素中第n个分组所对应的权重;Yn表示第一组成要素中第n个分组内各个场景组成要素所对应的预设分值之和。
进一步地,在一些实施方式中,Yn表示道路场景中某一静态场景要素分组对应的总分值,通过将分组内所有的静态场景要素(要素组成)的预设分值相加即可得到分组对应的总分值,静态场景要素的预设分值可通过专家打分法来确定。βn表示道路场景中某一静态场景要素分组对应的权重,例如路段、车道、道路交通标志等对应的权重,分组权重可通过专家打分法及层次分析法来确定。
在步骤S240中,在车辆的真实场景测试或者模拟场景测试的过程中,获取所述第二组成要素中由各个场景组成要素本身及各个场景组成要素之间所产生的测试信息,并将所述测试信息输入到预定的模型结构中,得到与所述第二组成要素相对应的第二分值;其中,所述第二分值用于表示所述动态场景要素所对应的场景复杂度。
在本实施例的一些实施方式中,车辆的真实场景测试可以是根据待分类的道路场景所实际搭建的测试场景,根据该测试场景对测试车进行实车测试并采集数据。车辆的模拟场景测试可以是在仿真软件或模拟场景环境下对测试车进行测试获取相关数据。
进一步地,在一些实施方式中,由各个场景组成要素本身及各个场景组成要素之间所产生的测试信息,可以包括以下内容:
由测试对象及参与对象本身所产生的测试信息,以及测试对象与参与对象之间所产生的测试信息,测试信息包括测试对象的行驶速度、参与对象的移动速度、参与对象的移动距离中的一个或多个,以及测试对象与参与对象之间的吸引时间、夹角、距离中的一个或多个。
下面以车辆的真实场景测试过程为例,对如何获取第二组成要素中由各个场景组成要素本身及各个场景组成要素之间所产生的测试信息进行说明,具体包括以下内容:
在车辆的真实场景测试的过程中,通过安装在测试对象及参与对象上的惯导系统采集由测试对象及参与对象本身所产生的测试信息,并利用测试对象及参与对象本身所产生的测试信息,计算得到测试对象与参与对象之间所产生的测试信息。
进一步地,在一些实施方式中,惯导系统又可称为惯性导航系统INS,惯性导航系统是以陀螺和加速度计为敏感器件的导航参数解算系统,该系统根据陀螺的输出建立导航坐标系,根据加速度计输出解算出运载体在导航坐标系中的速度和位置。通过惯导系统可以采集测试对象(即测试车)与参与对象(即场景参与者)的位置信息,并进一步根据位置信息计算出两者之间的夹角和距离等信息。
在本实施例的一些实施方式中,模型结构包括引力模型,将测试信息输入到预定的模型结构中,得到与第二组成要素相对应的第二分值,包括根据以下计算式确定所述第二分值,具体地:
C1=c·K1·K2
其中,C1表示第二分值;c表示常数;K1表示测试对象的属性值;K2表示参与对象的属性值;
进一步地,根据以下计算式确定所述测试对象的属性值,具体地:
Figure BDA0002317745880000111
其中,K1表示测试对象的属性值;a表示常数;v1表示测试对象的行驶速度;d1表示测试对象与参与对象之间的距离;θ表示测试对象与参与对象之间的夹角;
进一步地,根据以下计算式确定所述参与对象的属性值,具体地:
Figure BDA0002317745880000112
其中,K2表示参与对象的属性值;p表示常数;t表示测试对象与参与对象之间的吸引时间;v2表示参与对象的移动速度;d2表示参与对象的移动距离。
进一步地,在一些实施方式中,可以将K1对应的函数当作测试对象的属性函数,将K2对应的函数当作参与对象的属性函数,上述各个公式中的常数可用于调整对应的模型规范。在实际应用中,公式K2中输入的参数t可以为测试对象的反应时间。
基于上述步骤S240公开的实施例内容,基于引力模型来计算动态场景要素对应的场景复杂度,通过提出动态场景复杂度与道路测试场景中的动态因素(即场景参与者)有关,将动态因素对测试车的影响作用视为环境复杂度的场效应机制,将测试车与动态因素之间的时间距离作为衡量场强度的指标。通过将环境复杂度的场分布进行数学描述,对动态因素进行抽象概括,根据测试车属性与交通参与者属性建立形成具有场效应的复杂度引力模型结构体系。
在步骤S250中,根据所述第一分值及第二分值计算得到第三分值,以便基于所述第三分值对所述道路场景进行分类。
在本实施例的一些实施方式中,根据第一分值及第二分值计算得到第三分值,包括根据以下计算式确定第三分值,具体地:
C=C0·C1
其中,C表示第三分值;C0表示第一分值;C1表示第二分值;进一步地,第一分值表示静态场景复杂度,第二分值表示动态场景复杂度,第三分值表示整个道路场景的复杂度。
基于前述实施例公开的内容,在道路测试场景复杂度的计算过程中,通过将场景复杂度分为静态场景复杂度和动态场景复杂度,并分别计算静态场景和动态场景的复杂度;其中对于静态场景复杂度,通过引入信息熵理论计算离散信息源的信息量总和,并结合静态场景要素的类型和权重,得到静态场景复杂度;对于动态场景复杂度,通过引入加速引力模型,考虑场景参与者与测试车之间的距离、速度等相互影响因素,得到动态场景复杂度。最后,综合静态场景复杂度和动态场景复杂度的评价结果生成场景复杂度。
值得说明的是,本公开提供了一种创新的用于道路测试场景评价的思想,针对根据场景组成要素所设计得到的道路测试场景,通过定义场景复杂度和场景复杂度模型,分别计算静态场景复杂度和动态场景复杂度,得到道路测试场景的场景复杂度,场景复杂度可用于对自动驾驶车辆道路测试过程中周围环境的描述和评估,它与道路交通环境密切相关,可用来反映道路交通环境的参与者与其所处的交通环境之间相互作用关系,是作为评价交通环境的一个重要物理参量。
进一步地,在一些实施方式中,基于第三分值对所述道路场景进行分类,可以包括以下情形:
情形一:当道路场景的数量为一个时,将道路场景对应的第三分值与预设等级对应的阈值进行比较,判断道路场景所对应的等级;
情形二:当道路场景的数量为多个时,将道路场景对应的第三分值与预设等级对应的阈值进行比较,判断道路场景所对应的等级;或者,
分别以道路场景的编号以及第三分值作为横坐标和纵坐标建立散点图,根据散点图中数据点的分布情况,将道路场景划分成多个等级;
其中,等级用于表示道路场景的复杂程度。
针对第二种情形中,将多个道路场景的复杂度分值统计到散点图中,通过散点图观察不同场景的场景复杂度分布情况,并根据场景复杂度的分布情况,将多个道路场景划分为不同的等级,例如可以将道路场景划分为简单、中等、复杂三个等级,根据这三个等级划分不同复杂度维度的场景,进而区分出简单难度场景、中等难度场景和复杂难度场景,从而实现场景的分类及复杂度评价。
进一步地,基于上述对道路场景复杂度等级及维度的划分,可以进一步挑选出适用于自动驾驶车辆道路测试的典型场景,从而基于典型场景进行车辆测试以提高测试效率和测试结果的准确性。
根据前述实施例的内容,下面以一个具体应用场景为例,对本公开实施例道路场景分类的过程进行详细说明,该具体应用场景包括以下内容:
首先,从场景要素库中选取多个场景组成要素设计出道路场景,参见图3。该图为本公开实施例在一个具体应用场景下的道路场景设计示意图,该道路场景中包括以下基本要素:路段、车道、交通信号灯及天气,各基本要素对应的要素组成为四向路段(十字路口)、双车道、机动车信号灯、白天及晴天。该场景为行人识别与决策场景,测试车直行通过路口,行人在人行横道抢行横穿道路。
进一步地,根据上述设计出的道路场景,实际搭建出车辆的真实测试场景。在真实场景测试过程中测试车位于测试车道,距离行人100米以上,开启自动驾驶模式,测试终点设在车辆前进方向通过十字路口50米以上距离,并通过安装在测试车及行人上的惯导系统实时记录测试车和行人的速度、相对距离及夹角等参数。
进一步地,根据场景复杂度表达式,分别计算静态场景复杂度和动态场景复杂度,计算过程如下:
a)计算静态场景复杂度
1.统计道路场景的交通环境
参见图4,该图示出了具体应用场景下道路场景中的静态要素构成的图形结构示意图;其中,路段对应的节点编号为1,车道对应的节点编号为2,交通信号灯对应的节点编号为5,天气对应的节点编号为7,四向路段(十字路口)对应的节点编号为1.3,双车道对应的节点编号为2.1,机动车信号灯对应的节点编号为5.1,白天对应的节点编号为7.1,晴天对应的节点编号为7.3。
2.统计道路场景的节点分组
根据图4所呈现的图形结构生成节点分组,如下表1所示:
表1
Figure BDA0002317745880000141
3.计算交通环境复杂度系数
Figure BDA0002317745880000142
4.确定静态要素分值
采用专家打分法确定场景中各静态要素的分值,例如:满分设为10,专家判断难易程度0-10,路段、车道、交通信号灯、天气分别对应分值为3、6、6.5、5。
5.计算分组权重
根据判断矩阵计算各分组权重,判断矩阵如下表2所示:
表2
判断矩阵 路段 车道 交通信号灯 天气
路段 1 3/6 3/6.5 3/5
车道 6/3 1 6/6.5 6/5
交通信号灯 6.5/3 6.5/6 1 6.5/5
天气 5/3 5/6 5/6.5 1
计算各分组权重:路段为0.1463,车道为0.2927,交通信号灯为0.3171,天气为0.2439。
6.计算静态场景复杂度
静态场景复杂度
C0=θ1×(β1∑Y12∑Y2+……+βn∑Yn)
=1.6855×(0.1463×7+0.2929×5+0.3171×6+0.2439×(3+3))
=9.8661
b)计算动态场景复杂度
根据以下动态场景复杂度的表达式,计算得到动态场景复杂度:
Figure BDA0002317745880000151
通过将实验测试数据作为引力模型的输入参数,计算出动态场景复杂度C1=1.0512。
c)计算道路场景复杂度
自动驾驶车辆道路测试场景复杂度C=C0·C1=9.8661×1.0512=10.3712
最后通过将得到的自动驾驶车辆道路测试场景复杂度与预设阈值进行比较,或者通过散点图观察多个不同道路测试场景的场景复杂度分布情况,将自动驾驶车辆道路测试场景划分为简单难度场景、中等难度场景和复杂难度场景,从而实现基于复杂程度对自动驾驶车辆道路测试场景进行分类的目的。
基于同样的思路,本公开实施例还提供了一种自动驾驶车辆道路测试的场景分类装置,如图5为本公开实施例提供的一种自动驾驶车辆道路测试的场景分类装置的结构示意图,该装置500主要包括:
确定模块501,用于确定一个或多个预先创建的道路场景,并确定为创建所述道路场景所采用的场景组成要素;
划分模块502,用于获取所述场景组成要素所对应的信息,根据所述场景组成要素所对应的信息将所述场景组成要素划分为第一组成要素和第二组成要素;其中,所述第一组成要素中包含所述场景组成要素中的静态场景要素,所述第二组成要素中包含所述场景组成要素中的动态场景要素;
第一计算模块503,用于根据所述第一组成要素所包含的信息量以及第一组成要素中各个场景组成要素所对应的预设分值,计算得到与所述第一组成要素相对应的第一分值;其中,所述第一分值用于表示所述静态场景要素所对应的场景复杂度;
第二计算模块504,用于在车辆的真实场景测试或者模拟场景测试的过程中,获取所述第二组成要素中由各个场景组成要素本身及各个场景组成要素之间所产生的测试信息,并将所述测试信息输入到预定的模型结构中,得到与所述第二组成要素相对应的第二分值;其中,所述第二分值用于表示所述动态场景要素所对应的场景复杂度;
分类模块505,用于根据所述第一分值及第二分值计算得到第三分值,以便基于所述第三分值对所述道路场景进行分类。
本公开实施例中的一种自动驾驶车辆道路测试的场景分类装置,还可以被配置成为具有以下结构的装置,包括:
存储器,其上存储有计算机程序;以及
处理器,用于执行所述存储器中的所述计算机程序,以实现上述任一项可选实施例所述的自动驾驶车辆道路测试的场景分类方法步骤。
其中,在所述处理器上运行的计算机程序被执行时所实现的自动驾驶车辆道路测试的场景分类方法可参照本公开自动驾驶车辆道路测试的场景分类方法的具体实施例,此处不再赘述。
所述处理器可以是一种集成电路芯片,具有信息处理能力。所述处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。

Claims (11)

1.一种自动驾驶车辆道路测试的场景分类方法,包括:
确定一个或多个预先创建的道路场景,并确定为创建所述道路场景所采用的场景组成要素;
获取所述场景组成要素所对应的信息,根据所述场景组成要素所对应的信息将所述场景组成要素划分为第一组成要素和第二组成要素;其中,所述第一组成要素中包含所述场景组成要素中的静态场景要素,所述第二组成要素中包含所述场景组成要素中的动态场景要素;
根据所述第一组成要素所包含的信息量以及第一组成要素中各个场景组成要素所对应的预设分值,计算得到与所述第一组成要素相对应的第一分值;其中,所述第一分值用于表示所述静态场景要素所对应的场景复杂度;
在车辆的真实场景测试或者模拟场景测试的过程中,获取所述第二组成要素中由各个场景组成要素本身及各个场景组成要素之间所产生的测试信息,并将所述测试信息输入到预定的模型结构中,得到与所述第二组成要素相对应的第二分值;其中,所述第二分值用于表示所述动态场景要素所对应的场景复杂度;
根据所述第一分值及第二分值计算得到第三分值,以便基于所述第三分值对所述道路场景进行分类。
2.如权利要求1所述的方法,其特征在于,确定一个或多个预先创建的道路场景,包括:
从预设的场景要素库中选取一个或多个场景组成要素,利用所述场景组成要素创建所述道路场景;
和/或,
直接从预设的道路场景库中选取一个或多个道路场景。
3.如权利要求1所述的方法,其特征在于,根据所述场景组成要素所对应的信息将所述场景组成要素划分为第一组成要素和第二组成要素,包括:
根据预先添加在所述场景组成要素所对应的信息中的标识,确定所述场景组成要素属于第一组成要素或者第二组成要素;
和/或,
将所述场景组成要素所对应的信息与预设的第一组成要素库及第二组成要素库中的信息进行匹配,根据匹配结果确定所述场景组成要素属于第一组成要素或者第二组成要素。
4.如权利要求1所述的方法,其特征在于,根据以下计算式确定所述第一组成要素所包含的信息量,具体地:
Figure FDA0002317745870000021
其中,θ1表示第一组成要素所包含的信息量;h表示第一组成要素中各个场景组成要素所对应分组标签的类型数目之和;pi表示根据第一组成要素构建的图形结构中相同类型节点数与节点总数的比值。
5.如权利要求4所述的方法,其特征在于,根据所述第一组成要素所包含的信息量以及第一组成要素中各个场景组成要素所对应的预设分值,计算得到与所述第一组成要素相对应的第一分值,包括根据以下计算式确定所述第一分值,具体地:
C0=θ1×(β1∑Y12∑Y2+......+βn∑Yn)
其中,C0表示第一分值;θ1表示第一组成要素所包含的信息量;βn表示第一组成要素中第n个分组所对应的权重;Yn表示第一组成要素中第n个分组内各个场景组成要素所对应的预设分值之和。
6.如权利要求1所述的方法,其特征在于,由各个场景组成要素本身及各个场景组成要素之间所产生的测试信息,包括:
由测试对象及参与对象本身所产生的测试信息,以及测试对象与参与对象之间所产生的测试信息,所述测试信息包括测试对象的行驶速度、参与对象的移动速度、参与对象的移动距离中的一个或多个,以及测试对象与参与对象之间的吸引时间、夹角、距离中的一个或多个。
7.如权利要求6所述的方法,其特征在于,在车辆的真实场景测试的过程中,获取所述第二组成要素中由各个场景组成要素本身及各个场景组成要素之间所产生的测试信息,包括:
在车辆的真实场景测试的过程中,通过安装在所述测试对象及参与对象上的惯导系统采集由测试对象及参与对象本身所产生的测试信息,并利用所述测试对象及参与对象本身所产生的测试信息,计算得到所述测试对象与参与对象之间所产生的测试信息。
8.如权利要求6所述的方法,其特征在于,所述模型结构包括引力模型,将所述测试信息输入到预定的模型结构中,得到与所述第二组成要素相对应的第二分值,包括根据以下计算式确定所述第二分值,具体地:
C1=c·K1·K2
其中,C1表示第二分值;c表示常数;K1表示测试对象的属性值;K2表示参与对象的属性值;
进一步地,根据以下计算式确定所述测试对象的属性值,具体地:
Figure FDA0002317745870000031
其中,K1表示测试对象的属性值;a表示常数;v1表示测试对象的行驶速度;d1表示测试对象与参与对象之间的距离;θ表示测试对象与参与对象之间的夹角;
进一步地,根据以下计算式确定所述参与对象的属性值,具体地:
Figure FDA0002317745870000032
其中,K2表示参与对象的属性值;p表示常数;t表示测试对象与参与对象之间的吸引时间;v2表示参与对象的移动速度;d2表示参与对象的移动距离。
9.如权利要求1所述的方法,其特征在于,根据所述第一分值及第二分值计算得到第三分值,包括根据以下计算式确定所述第三分值,具体地:
C=C0·C1
其中,C表示第三分值;C0表示第一分值;C1表示第二分值。
10.如权利要求1所述的方法,其特征在于,基于所述第三分值对所述道路场景进行分类,包括:
当所述道路场景的数量为一个时,将所述道路场景对应的第三分值与预设等级对应的阈值进行比较,判断所述道路场景所对应的等级;
当所述道路场景的数量为多个时,将所述道路场景对应的第三分值与预设等级对应的阈值进行比较,判断所述道路场景所对应的等级;或者,
分别以所述道路场景的编号以及第三分值作为横坐标和纵坐标建立散点图,根据所述散点图中数据点的分布情况,将所述道路场景划分成多个等级;
其中,所述等级用于表示所述道路场景的复杂程度。
11.一种自动驾驶车辆道路测试的场景分类装置,其特征在于,包括:
存储器,其上存储有计算机程序;以及
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1至10中任一项所述方法的步骤。
CN201911298442.8A 2019-12-13 2019-12-13 一种自动驾驶车辆道路测试的场景分类方法及装置 Active CN111178402B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911298442.8A CN111178402B (zh) 2019-12-13 2019-12-13 一种自动驾驶车辆道路测试的场景分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911298442.8A CN111178402B (zh) 2019-12-13 2019-12-13 一种自动驾驶车辆道路测试的场景分类方法及装置

Publications (2)

Publication Number Publication Date
CN111178402A CN111178402A (zh) 2020-05-19
CN111178402B true CN111178402B (zh) 2023-04-07

Family

ID=70652042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911298442.8A Active CN111178402B (zh) 2019-12-13 2019-12-13 一种自动驾驶车辆道路测试的场景分类方法及装置

Country Status (1)

Country Link
CN (1) CN111178402B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111813083B (zh) * 2020-07-09 2022-11-01 吉林大学 场景任务复杂度量化评估方法
CN111599183B (zh) * 2020-07-22 2020-10-27 中汽院汽车技术有限公司 一种自动驾驶场景分类识别系统及方法
CN112558494B (zh) * 2020-11-20 2021-11-30 北京赛目科技有限公司 一种用于自动驾驶车辆的仿真测试方法及装置
CN112440910B (zh) * 2020-11-28 2022-03-15 奇瑞汽车股份有限公司 对智能驾驶汽车进行测评的方法和装置
CN112685289A (zh) * 2020-12-11 2021-04-20 中国汽车技术研究中心有限公司 场景的生成方法、基于场景的模型在环测试方法和系统
CN112668077A (zh) * 2020-12-21 2021-04-16 苏州挚途科技有限公司 测试场地规划数据的确定方法及装置、处理器、电子装置
CN113095276A (zh) * 2021-04-26 2021-07-09 中国汽车工程研究院股份有限公司 一种汽车图像场景库数据复杂度度量方法
CN114077797A (zh) * 2021-11-29 2022-02-22 公安部道路交通安全研究中心 基于道路通行法规的自动驾驶测试场景设计方法和装置
CN113935441B (zh) * 2021-12-16 2022-03-15 中国汽车技术研究中心有限公司 汽车自动驾驶功能测试道路的选取方法、设备和存储介质
CN113935442B (zh) * 2021-12-16 2022-03-15 中国汽车技术研究中心有限公司 汽车自动驾驶功能测试道路的分类方法、设备和存储介质
CN115048972B (zh) * 2022-03-11 2023-04-07 北京智能车联产业创新中心有限公司 交通场景解构分类方法及虚实结合自动驾驶测试方法
CN116358902B (zh) * 2023-06-02 2023-08-22 中国第一汽车股份有限公司 一种车辆功能的测试方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
DE102017006338A1 (de) * 2017-06-30 2019-01-03 Daniel Karch Verfahren zum effizienten Validieren und der sicheren Applikation von autonomen und teilautonomen Fahrzeugen
CN109446371A (zh) * 2018-11-09 2019-03-08 苏州清研精准汽车科技有限公司 一种智能汽车仿真测试场景库生成方法及测试系统和方法
CN109976355A (zh) * 2019-04-26 2019-07-05 腾讯科技(深圳)有限公司 轨迹规划方法、系统、设备及存储介质
WO2019134110A1 (en) * 2018-01-05 2019-07-11 Driving Brain International Ltd. Autonomous driving methods and systems

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102017006338A1 (de) * 2017-06-30 2019-01-03 Daniel Karch Verfahren zum effizienten Validieren und der sicheren Applikation von autonomen und teilautonomen Fahrzeugen
WO2019134110A1 (en) * 2018-01-05 2019-07-11 Driving Brain International Ltd. Autonomous driving methods and systems
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
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
CN109446371A (zh) * 2018-11-09 2019-03-08 苏州清研精准汽车科技有限公司 一种智能汽车仿真测试场景库生成方法及测试系统和方法
CN109976355A (zh) * 2019-04-26 2019-07-05 腾讯科技(深圳)有限公司 轨迹规划方法、系统、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
马建勇 ; 林淼 ; .自动驾驶汽车道路测试风险控制建议.汽车工业研究.2019,(第02期),全文. *

Also Published As

Publication number Publication date
CN111178402A (zh) 2020-05-19

Similar Documents

Publication Publication Date Title
CN111178402B (zh) 一种自动驾驶车辆道路测试的场景分类方法及装置
Xing et al. Examining traffic conflicts of up stream toll plaza area using vehicles’ trajectory data
CN108364467B (zh) 一种基于改进型决策树算法的路况信息预测方法
WO2022121248A1 (zh) 测试评价信息确定方法、装置、设备及计算机存储介质
Essa et al. Simulated traffic conflicts: do they accurately represent field-measured conflicts?
US9459111B2 (en) Methods and apparatus for estimating power usage
CN110716529A (zh) 一种自动驾驶测试用例自动生成方法和装置
Tang et al. A mixed path size logit-based taxi customer-search model considering spatio-temporal factors in route choice
Vedagiri et al. Traffic safety evaluation of uncontrolled intersections using surrogate safety measures under mixed traffic conditions
CN110688311A (zh) 一种面向自动驾驶典型场景的测试用例管理方法和装置
CN111881557A (zh) 基于道路平均速度的车流仿真方法
Al-Dabbagh et al. The impact of road intersection topology on traffic congestion in urban cities
CN115795808A (zh) 一种自动驾驶决策危险场景生成方法、系统、设备及介质
CN109543255A (zh) 一种双车道环形交叉口元胞自动机模型的构建方法
CN115165398A (zh) 车辆的行驶功能测试方法、装置、计算设备及介质
CN114925457A (zh) 一种应用于车联网的预警功能测试方法及装置
Viti et al. Dynamic modeling of VISSIM's critical gap parameter at unsignalized intersections
WO2023097519A1 (zh) 一种场景获取方法及装置
Matcha et al. Mixed-traffic vehicle dynamics: analysis and comparison of microscopic Gipp's car-following Model and Intelligent Driver Model.
Lei Semi-Automated Microscopic Traffic Flow Simulation Development Using Smart City Data
Barnett et al. Comparison of Connected Automated Vehicle to Pedestrian Interaction Systems to Reduce Vehicle Waiting Times
Zhang et al. A method for evaluating the complexity of test scenarios for autonomous vehicles
CN110968909A (zh) 一种基于离散元仿真平台的非机动车仿真方法
CN116343474B (zh) 基于微观交通仿真的高速公路瓶颈动态预测方法及系统
Yu et al. Simulation-based safety analysis of diversion and confluence area in urban underground loop

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