CN111179585A - 自动驾驶车辆的场地测试方法及装置 - Google Patents

Abstract

本发明提供的自动驾驶车辆的场地测试方法及装置，预先采集得到真实交通场景数据，在对待测自动驾驶车辆进行场地测试时，获取当前场地环境数据，从真实交通场景数据集合中匹配得到相应的交通场景数据，以该匹配得到的交通场景数据作为测试场景数据，自动控制交通参与者的运动轨迹，下发目标任务至待测自动驾驶车辆，进而实现对待测自动驾驶车辆的测试。采用真实的交通场景数据作为测试数据进行实车测试，更加符合真实交通环境，能够提高测试结果的真实有效性，并且，整个场地测试过程，不需要人工控制各个交通参与者，提高了测试过程的安全性。基于大量道路数据分析，能够量化不同类型场景发生的概率，进而提高了测试结果的准确性。

Description

自动驾驶车辆的场地测试方法及装置

技术领域

本发明涉及自动驾驶技术领域，更具体地说，涉及自动驾驶车辆的场地测试方法及装置。

背景技术

自动驾驶车辆又称无人驾驶车辆、电脑驾驶车辆或轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能车辆。自动驾驶车辆在真实道路行驶时，需要应对复杂多变的交通场景。目前，对于自动驾驶车辆的场地测试方法有以下几种:1.为利用人工设置的测试数据，在受控场地中对自动驾驶车辆进行功能测试；由于采用的测试数据为人工设置，不能够充分反映真实交通环境的复杂性，导致测试结果准确性较差。2.基于交通事故数据进行场景重构后，针对自动驾驶车辆测试，由于事故数据只反映了极端危险的场景，测试结果不够完备。3.在真实道路上进行实车测试，由于关键的或相对危险的交通场景发生概率非常小，可能需要测试上亿公里才能完成测试验证。实车道路测试的效率非常低，测试周期很长，测试成本非常高。4.在虚拟环境搭建测试场景进行测试。搭建仿真测试场景、车辆仿真模型等过程非常复杂，且受具体软件影响，部分测试场景难以实现。同时，虚拟测试存在测试精度难以评估等应用难题。

本发明提供一种自动驾驶车辆的场地测试方法及装置，采用真实的交通场景数据作为测试数据进行实车测试，更加符合真实交通环境，能够提高了测试结果的有效性。基于大量真实交通场景数据的分析，能够量化不同类型场景的发生概率，从而提高测试结果的准确性。从真实交通场景中提取关键场景进行测试，减少不必要的场景测试，能够提升测试方法的高效性。整个场地测试过程，不需要人工控制各个交通参与者，提高测试过程的安全性。综上，本发明能够提高自动驾驶车辆测试的有效性、准确性、高效性与安全性。

发明内容

有鉴于此，本发明提出自动驾驶车辆的场地测试方法及装置，欲实现提高测试效果的目的。

为了实现上述目的，现提出的方案如下：

一种自动驾驶车辆的场地测试方法，包括：

获取当前场地环境数据；

利用所述当前场地环境数据，从预先采集得到的真实交通场景数据集合中，匹配得到相应的交通场景数据，所述交通场景数据包括交通参与者数据、道路数据、环境数据和本车行驶状态数据；

依据所述本车行驶状态数据，发送目标任务至待测自动驾驶车辆；

接收所述待测自动驾驶车辆的实际运动状态，并结合所述匹配得到的交通场景数据包括的交通参与者数据，确定并发送各个交通参与者的目标运动轨迹至相应交通参与者，以使所述各个交通参与者按照各自接收的目标运动轨迹运动；

记录所述待测自动驾驶车辆与所述各个交通参与者的实际运动状态。

可选的，所述预先采集得到真实交通场景数据集合的过程，具体包括：

获取交通场景数据，所述交通场景数据包括在真实交通环境中采集得到的交通参与者数据、道路数据、环境数据和本车行驶状态数据；

将所述交通场景数据输入预先训练得到的分类器，得到所述分类器输出的分类结果，所述分类结果包括关键场景和非关键场景；

存储所述分类结果为关键场景的交通场景数据。

可选的，在所述获取交通场景数据的步骤后，还包括：

根据人工设定的规则，判断所述交通场景数据是否为关键场景数据，若是，则存储所述交通场景数据。

可选的，在将所述交通场景数据输入预先训练得到的分类器之前，还包括：

将所述交通场景数据输入预先训练得到的特征选取模型，得到所述特征选取模型输出的特征数据，所述特征选取模型为利用交通场景样本数据、以及从所述交通场景样本数据选取的特征数据，进行训练得到的。

可选的，在将所述交通场景数据输入预先训练得到的分类器之前，还包括：

将对场景分类无用的噪声数据从所述交通场景数据中去除。

可选的，所述存储的交通场景数据供自动驾驶车辆的场地测试使用。

一种自动驾驶车辆的场地测试装置，包括：

环境数据获取单元，用于获取当前场地环境数据；

场景选取单元，用于利用所述当前场地环境数据，从预先采集得到的真实交通场景数据集合中，匹配得到相应的交通场景数据，所述交通场景数据包括交通参与者数据、道路数据、环境数据和本车行驶状态数据；

第一任务下发单元，用于依据所述本车行驶状态数据，发送目标任务至待测自动驾驶车辆；

第二任务下发单元，用于接收所述待测自动驾驶车辆的实际运动状态，并结合所述匹配得到的交通场景数据包括的交通参与者数据，确定并发送各个交通参与者的目标运动轨迹至相应交通参与者，以使所述各个交通参与者按照各自接收的目标运动轨迹运动；

记录单元，用于记录所述待测自动驾驶车辆与所述各个交通参与者的实际运动状态。

可选的，上述自动驾驶车辆的场地测试装置，还包括：

数据获取单元，用于获取交通场景数据，所述交通场景数据包括在真实交通环境中采集得到的交通参与者数据、道路数据、环境数据和本车行驶状态数据；

场景分类第一单元，用于将所述交通场景数据输入预先训练得到的分类器，得到所述分类器输出的分类结果，所述分类结果包括关键场景和非关键场景；

关键场景选取单元，用于存储所述分类结果为关键场景的交通场景数据。

可选的，真实交通数据的分类装置还包括：

场景分类第二单元，用于根据人工设定的规则，判断所述交通场景数据是否为关键场景数据，若是，则对所述交通场景数据添加关键场景标签，并将添加关键场景标签的交通场景数据进行存储。

可选的，真实交通数据的分类装置还包括：

特征选取单元，用于在将所述交通场景数据输入预先训练得到的分类器之前，将所述交通场景数据输入预先训练得到的特征选取模型，得到所述特征选取模型输出的特征数据，所述特征选取模型为利用交通场景样本数据、以及从所述交通场景样本数据选取的特征数据，进行训练得到的。

可选的，真实交通数据的分类装置还包括：

噪声去除单元，用于在将所述交通场景数据输入预先训练得到的分类器之前，将对场景分类无用的噪声数据从所述交通场景数据中去除。

与现有技术相比，本发明的技术方案具有以下优点：

上述技术方案提供的自动驾驶车辆的场地测试方法及装置，预先采集得到真实交通场景数据，在对待测自动驾驶车辆进行场地测试时，获取当前场地环境数据，从真实交通场景数据集合中匹配得到相应的交通场景数据，以该匹配得到的交通场景数据作为测试场景数据，自动控制交通参与者的运动轨迹，下发目标任务至待测自动驾驶车辆，进而实现对待测自动驾驶车辆的测试。采用真实的交通场景数据作为测试数据进行实车测试，更加符合真实交通环境，能够提高了测试结果的真实有效性。基于大量道路数据分析，能够量化不同类型场景发生的概率，进而提高测试结果的准确性。并且，整个场地测试过程，不需要人工控制各个交通参与者，提高测试过程的安全性。综上，本发明能够提高自动驾驶车辆测试的有效性、准确性、高效性与安全性。

进一步的，从真实交通场景中提取关键场景进行测试，减少不必要的场景测试，能够提升测试方法的高效性。

附图说明

为了更清楚地说明本发明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发明的实施例，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为本发明实施例提供的一种自动驾驶车辆的场地测试方法的流程图；

图2为本发明实施例提供的一种真实交通数据的分类方法的流程图；

图3为本发明实施例提供的一种真实交通数据的采集处理系统的结构示意图；

图4为本发明实施例提供的另一种真实交通数据的分类方法的流程图；

图5为本发明实施例提供的又一种真实交通数据的分类方法的流程图；

图6为本发明实施例提供的一种自动驾驶车辆的场地测试装置的逻辑结构示意图；

图7为本发明实施例提供的一种真实交通数据的分类装置的逻辑结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本实施例提供了一种自动驾驶车辆的场地测试方法，参见图1，该方法可以包括步骤：

S11：获取当前场地环境数据。

当前场地环境数据包括但不限于温度、光照强度和/或天气情况。天气情况指的是晴天、雨天、雪等天气情况。

S12：利用获取的当前场地环境数据，从预先采集得到的真实交通场景数据集合中，匹配得到相应的交通场景数据。

交通场景数据包括交通参与者数据、道路数据、环境数据和本车行驶状态数据。交通场景数据包括从真实交通环境中采集的环境数据，例如，当前场地环境数据为雨天，则从数据库中匹配得到，环境数据包含雨天的交通场景数据，并从中随机选取一个交通场景数据作为测试场景，以供后续步骤使用。

S13：依据交通场景数据包括的本车行驶状态数据，发送目标任务至待测自动驾驶车辆。

S14：接收待测自动驾驶车辆的实际运动状态，并结合交通场景数据包括的交通参与者数据，确定并发送各个交通参与者的目标运动轨迹至相应交通参与者，以使各个交通参与者按照各自接收的目标运动轨迹运动。

交通参与者包括但不限于场地中的干扰假人设备、干扰非机动车设备、干扰机动车设备。

S15：记录待测自动驾驶车辆与各个交通参与者的实际运动状态。

本实施例提供的自动驾驶车辆的场地测试方法，预先采集得到真实交通场景数据，在对待测自动驾驶车辆进行场地测试时，获取当前场地环境数据，从真实交通场景数据集合中匹配得到相应的交通场景数据，以该匹配得到的交通场景数据作为测试场景数据，自动控制交通参与者的运动轨迹，下发目标任务至待测自动驾驶车辆，进而实现对待测自动驾驶车辆的测试。采用真实的交通场景数据作为测试数据，更加符合真实交通环境，进而提高了测试效果，并且，整个场地测试过程，不需要人工控制各个交通参与者，提高测试安全性。

本实施例提供一种真实交通数据的分类方法，即预先采集得到的真实交通场景数据集合的过程，参见图2所示，该方法可以包括步骤：

S21：获取交通场景数据。

交通场景数据包括在真实交通环境中采集得到的交通参与者数据、道路数据、环境数据和本车行驶状态数据。图3示出了一种真实交通数据的采集处理系统，该系统包括：控制器11、以及分别与所述控制器11连接的环境感知传感器12、CAN网络数据采集模块13、车载定位模块14和联网模块15。其中，

环境感知传感器12，用于采集车辆周围环境信息。环境感知传感器12可以为多个图像传感器，用于采集车辆周围的图像信息。图像传感器具体的相机。

CAN网络数据采集模块13，用于从车辆CAN网络中采集车辆自身状态信息。CAN网络数据采集模块13与车辆CAN网络连接。采集的车辆自身状态信息包括但不限于车速、制动信息、油门信息、转向信息和/或车辆信号灯信息等。

车载定位模块14，用于对车辆进行定位得到定位信息。车载定位模块14包括但不限于全球卫星导航系统和/或惯性导航系统。其中全球卫星导航系统包括但不限于北斗系统、GPS、GLONASS和/或Galileo。得到的定位信息包括但不限于位置、速度和/或移动方向等信息。

联网模块15，用于从服务器获取交通路况信息。联网模块15包括但不限于3G通信模块、4G通信模块和/或5G通信模块。联网模块15还用于从服务器获取天气信息等。服务器存储由各个地区的各个道路的交通路况信息，以及各个地区的天气信息。车辆在真实交通环境中行驶，联网模块15从服务器获取车辆当前位置对应的交通路况信息以及天气信息。

控制器11，用于对车辆周围环境信息进行分析处理得到目标结构化数据，并将目标结构化数据与从CAN网络数据采集模块13、车载定位模块14和联网模块15接收的数据进行同步存储。目标结构化数据是对环境感知传感器12采集的原始数据即车辆周围环境信息进行分析处理得到的目标物的标准化的描述数据。具体的，环境感知传感器12为多个图像传感器，采集车辆周围的图像信息；控制器11运行自动检测、识别、跟踪程序对图像进行分析处理，获得的目标结构化数据包括但不限于采集设备编号、采集时间、目标物编号、目标物类型等信息。

目标结构化数据是相对于环境感知传感器12输出的原始数据而言的。如输出的原始数据为图像信息，环境感知传感器12并不能告知图像中的目标物如车辆和行人等信息。目标数据是指以车辆、行人等目标物为对象进行描述，比如描述车辆的类型、颜色等，可以通过相关算法对图像进行识别得到目标数据。对目标数据进行标准化处理，得到目标结构化数据，即目标物的标准化的描述数据。标准化处理是指将目标数据按照一定的格式、形式进行组织，方便读写管理。以Excel表格为例，将数据均按照行与列的严格定义进行存放，可以认为是标准化处理。目标结构化数据样例见下表所示：

采集设备编号

采集时间

目标物编号

目标物类型

横向位置

纵向位置

……

001

20180426105252

00001

0010

X

Y

……

……

……

……

……

……

……

……

车辆在真实交通环境中行驶，真实交通数据的采集处理系统进行数据采集记录，形成丰富立体的真实交通数据，满足了自动驾驶技术的开发测试的需求。真实交通数据的采集处理系统进行数据采集记录过程中，将所有数据按照时序存储。在某一时刻下，存储的所有数据的集合即为一个瞬时场景数据。本实施例中对交通场景数据的分类过程，是以瞬时场景数据为单位进行的。而在进行自动驾驶车辆的场地测试时，将关键场景发生前后一端时间内的瞬时场景组合，进行场景重构。

S22：将交通场景数据输入预先训练得到的分类器，得到分类器输出的分类结果。

分类结果包括关键场景和非关键场景。关键场景包括但不限于紧急刹车、紧急转向规避等危险场景，以及路口左转遇到直行车辆等具有驾驶难度场景。在本实施例中，分类器可以为基于支持向量机的机器学习模型。采用基于支持向量机的机器学习模型，使用于非线性、复杂数据结构、中小样本量的情况。利用人工标记的场景数据和真实交通数据的采集处理系统存储的瞬时场景数据，对机器学习模型进行训练，使得训练后的机器学习模型作为一个分类器，可以从真实交通数据的采集处理系统存储的交通场景数据中，识别出关键场景数据。当关键场景更新后，通过迭代学习过程，获取更加准确的分类器。

人工标记场景数据时，邀请自动驾驶车辆的开发人员、测试人员、交通管理人员、专业驾驶员等行业内专家，根据不同角度的考量，对真实交通场景进行分类，生成训练样本。

S23：存储分类结果为关键场景的交通场景数据。

本实施例提供的真实交通数据的分类方法利用预先训练好的分类器，对获取的交通场景数据进行分类，得到关键场景的数据进行存储，以供自动驾驶车辆的开发测试。通过关键场景数据的筛选，将其它重复的没有测试意义的交通场景数据进行删除，只利用关键场景数据进行自动驾驶车辆的开发测试，减小了开发测试的工作量，提高了测试效率。

利用步骤S23存储的交通场景数据，重构交通测试场景，对自动驾驶车辆的场地测试，即自动驾驶车辆在受控场地中进行测试。利用交通场景数据中的道路数据，构建场景的道路类型(即高速公路、隧道或高架桥等)、道路位置(道路交叉路口或车道内等)、车道线的特征等等。将交通场景数据中的交通参与者数据作为对应的干扰假人设备、干扰非机动车设备、干扰机动车设备的目标行驶轨迹。在进行测试时，控制中心将根据交通测试场景得到的具体运动轨迹，分发给干扰假人设备、干扰非机动车设备、干扰机动车等干扰设备，后者根据控制中心的运动轨迹信息自动控制自身行驶；同时，控制中心根据交通测试场景得到行驶任务，并发送至待测自动驾驶车辆。

考虑到通过分类器识别关键场景可能会漏掉部分关键场景的情况，本实施例提供了另一种真实交通数据的分类方法，增加了人工设定的规则，对能够通过人工建模描述的关键场景进行筛选，例如紧急刹车的危险场景；分类器负责筛选难以通过人工建模筛选的关键场景，这样通过将人工设定的规则与分类器结合的筛选方法，能够提高关键场景的筛选率，提高自动驾驶车辆测试的完整性。参见图4所示，该方法相对于图2公开的方法还可以包括步骤：

S24：根据人工设定的规则，判断交通场景数据是否为关键场景数据，若是，则存储交通场景数据。

在本实施例中，通过人工设定的规则，可以判断交通场景数据是否为紧急刹车的危险场景。具体的，通过设定规则判断本车制动加速度是否小于阈值，如-5m/s²，若是，则确定当前分析的交通场景数据为紧急刹车的危险场景。

执行步骤获得的交通场景数据由于真实交通数据的采集处理系统，在真实交通环境下采集的数据，因此数据量较大，且包含了大量对场景分类无用的噪音数据；本实施例提供了又一种真实交通数据的分类方法，在将交通场景数据输入预先训练得到的分类器之前，对获取的交通场景数据进行噪声去除，只将与关键场景的特征数据输入到分类器，噪声数据即非特征数据不输入到分类器，减少运算量的同时，提高了分类结果的准确度。参见图5所示，该方法包括步骤：

S31：获取交通场景数据。

S32：将交通场景数据输入预先训练得到的特征选取模型，得到特征选取模型输出的特征数据。

特征选取模型也是机器学习模型。特征选取模型为利用交通场景样本数据、以及从交通场景样本数据选取的特征数据，进行训练得到的。

在将交通场景数据输入预先训练得到的分类器之前，还可以通过人工选择的方式，选取出与关键场景明显相关的特征，将对场景分类无用的噪声数据从交通场景数据中去除。如对于拥堵场景相邻车道前车插入本车道场景，人工可以快速选择本车道前车车速、本车与前车车距、相邻车道前车车速等特征数据。

S33：将特征数据输入预先训练得到的分类器，得到分类器输出的分类结果。

S34：存储分类结果为关键场景的交通场景数据。

对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。

下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。

本实施例提供了一种自动驾驶车辆的场地测试装置，参见图6，该装置包括：环境数据获取单元61、场景选取单元62、第一任务下发单元63、第二任务下发单元64和记录单元65。其中，

环境数据获取单元61，用于获取当前场地环境数据。

场景选取单元62，用于利用所述当前场地环境数据，从预先采集得到的真实交通场景数据集合中，匹配得到相应的交通场景数据，所述交通场景数据包括交通参与者数据、道路数据、环境数据和本车行驶状态数据。

第一任务下发单元63，用于依据所述本车行驶状态数据，发送目标任务至待测自动驾驶车辆。

第二任务下发单元64，用于接收所述待测自动驾驶车辆的实际运动状态，并结合所述匹配得到的交通场景数据包括的交通参与者数据，确定并发送各个交通参与者的目标运动轨迹至相应交通参与者，以使所述各个交通参与者按照各自接收的目标运动轨迹运动。

记录单元65，用于记录所述待测自动驾驶车辆与所述各个交通参与者的实际运动状态。

本实施例提供了一种真实交通数据的分类装置，参见图7，该装置可以包括：数据获取单元51、场景分类第一单元52和关键场景选取单元53。其中，

数据获取单元51，用于获取交通场景数据，交通场景数据包括采集的交通参与者数据、道路数据和本车行驶状态数据。

场景分类第一单元52，用于将交通场景数据输入预先训练得到的分类器，得到分类器输出的分类结果，分类结果包括关键场景和非关键场景。

关键场景选取单元53，用于存储分类结果为关键场景的交通场景数据。

本实施例提供的真实交通数据的分类装置，包括数据获取单元51、场景分类第一单元52和关键场景选取单元53。场景分类第一单元52，利用预先训练好的分类器，对获取的交通场景数据进行分类；关键场景选取单元53对得到关键场景的数据进行存储，以供自动驾驶车辆的开发测试。通过关键场景数据的筛选，将其它重复的没有测试意义的交通场景数据进行删除，只利用关键场景数据进行自动驾驶车辆的开发测试，减小了开发测试的工作量，提高了测试效率。

在本发明的一个具体实施例中，真实交通数据的分类装置还可以包括场景分类第二单元，用于根据人工设定的规则，判断所述交通场景数据是否为关键场景数据，若是，则对所述交通场景数据添加关键场景标签，并将添加关键场景标签的交通场景数据进行存储。

在本发明的一个具体实施例中，真实交通数据的分类装置还可以包括特征选取单元，用于在将所述交通场景数据输入预先训练得到的分类器之前，将所述交通场景数据输入预先训练得到的特征选取模型，得到所述特征选取模型输出的特征数据，所述特征选取模型为利用交通场景样本数据、以及从所述交通场景样本数据选取的特征数据，进行训练得到的。

在本发明的一个具体实施例中，真实交通数据的分类装置还可以包括噪声去除单元，用于在将所述交通场景数据输入预先训练得到的分类器之前，通过人工方式，将对场景分类无用的噪声数据，从所述交通场景数据中去除。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

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。

对本发明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发明。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发明的精神或范围的情况下，在其它实施例中实现。因此，本发明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)

1.一种自动驾驶车辆的场地测试方法，其特征在于，包括：

获取当前场地环境数据；

利用所述当前场地环境数据，从预先采集得到的真实交通场景数据集合中，匹配得到相应的交通场景数据，所述交通场景数据包括交通参与者数据、道路数据、环境数据和本车行驶状态数据；

依据所述本车行驶状态数据，发送目标任务至待测自动驾驶车辆；

接收所述待测自动驾驶车辆的实际运动状态，并结合所述匹配得到的交通场景数据包括的交通参与者数据，确定并发送各个交通参与者的目标运动轨迹至相应交通参与者，以使所述各个交通参与者按照各自接收的目标运动轨迹运动；

记录所述待测自动驾驶车辆与所述各个交通参与者的实际运动状态。

2.根据权利要求1所述的方法，其特征在于，所述预先采集得到真实交通场景数据集合的过程，具体包括：

获取交通场景数据，所述交通场景数据包括在真实交通环境中采集得到的交通参与者数据、道路数据、环境数据和本车行驶状态数据；

将所述交通场景数据输入预先训练得到的分类器，得到所述分类器输出的分类结果，所述分类结果包括关键场景和非关键场景；

存储所述分类结果为关键场景的交通场景数据。

3.根据权利要求2所述的方法，其特征在于，在所述获取交通场景数据的步骤后，还包括：

根据人工设定的规则，判断所述交通场景数据是否为关键场景数据，若是，则存储所述交通场景数据。

4.根据权利要求2所述的方法，其特征在于，在将所述交通场景数据输入预先训练得到的分类器之前，还包括：

将所述交通场景数据输入预先训练得到的特征选取模型，得到所述特征选取模型输出的特征数据，所述特征选取模型为利用交通场景样本数据、以及从所述交通场景样本数据选取的特征数据，进行训练得到的。

5.根据权利要求2所述的方法，其特征在于，在将所述交通场景数据输入预先训练得到的分类器之前，还包括：

将对场景分类无用的噪声数据从所述交通场景数据中去除。

6.一种自动驾驶车辆的场地测试装置，其特征在于，包括：

环境数据获取单元，用于获取当前场地环境数据；

场景选取单元，用于利用所述当前场地环境数据，从预先采集得到的真实交通场景数据集合中，匹配得到相应的交通场景数据，所述交通场景数据包括交通参与者数据、道路数据、环境数据和本车行驶状态数据；

第一任务下发单元，用于依据所述本车行驶状态数据，发送目标任务至待测自动驾驶车辆；

第二任务下发单元，用于接收所述待测自动驾驶车辆的实际运动状态，并结合所述匹配得到的交通场景数据包括的交通参与者数据，确定并发送各个交通参与者的目标运动轨迹至相应交通参与者，以使所述各个交通参与者按照各自接收的目标运动轨迹运动；

记录单元，用于记录所述待测自动驾驶车辆与所述各个交通参与者的实际运动状态。

7.根据权利要求6所述的装置，其特征在于，还包括：

数据获取单元，用于获取交通场景数据，所述交通场景数据包括在真实交通环境中采集得到的交通参与者数据、道路数据、环境数据和本车行驶状态数据；

场景分类第一单元，用于将所述交通场景数据输入预先训练得到的分类器，得到所述分类器输出的分类结果，所述分类结果包括关键场景和非关键场景；

关键场景选取单元，用于存储所述分类结果为关键场景的交通场景数据。

8.根据权利要求7所述的装置，其特征在于，还包括：

场景分类第二单元，用于根据人工设定的规则，判断所述交通场景数据是否为关键场景数据，若是，则对所述交通场景数据添加关键场景标签，并将添加关键场景标签的交通场景数据进行存储。

9.根据权利要求7所述的装置，其特征在于，还包括：

特征选取单元，用于在将所述交通场景数据输入预先训练得到的分类器之前，将所述交通场景数据输入预先训练得到的特征选取模型，得到所述特征选取模型输出的特征数据，所述特征选取模型为利用交通场景样本数据、以及从所述交通场景样本数据选取的特征数据，进行训练得到的。

10.根据权利要求7所述的装置，其特征在于，还包括：

噪声去除单元，用于在将所述交通场景数据输入预先训练得到的分类器之前，将对场景分类无用的噪声数据从所述交通场景数据中去除。

Images