CN111426486A - 辅助驾驶系统的测试方法、装置、设备及存储介质 - Google Patents
辅助驾驶系统的测试方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111426486A CN111426486A CN202010240170.2A CN202010240170A CN111426486A CN 111426486 A CN111426486 A CN 111426486A CN 202010240170 A CN202010240170 A CN 202010240170A CN 111426486 A CN111426486 A CN 111426486A
- Authority
- CN
- China
- Prior art keywords
- motion parameter
- test
- participant
- driving system
- sampling algorithm
- 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
Images
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种辅助驾驶系统的测试方法、装置、设备及存储介质,涉及车辆测试技术领域。该方法包括:根据事故数据统计,建立预碰撞场景的参与方运动模型,并确定事故参与方的运动参数范围;采用第一抽样算法,以及采用所述第一目标运动参数,根据所述参与方运动模型,对辅助驾驶系统进行第一测试,并根据所述第一测试的结果,对所述辅助驾驶系统的参数进行优化;采用第二抽样算法,并采用所述第二目标运动参数,根据所述参与方运动模型,对优化后的所述辅助驾驶系统进行第二测试,并根据所述第二测试的结果,对所述辅助驾驶系统进行验证。应用本申请实施例,可以有效保证辅助驾驶系统的可靠性以及安全性。
Description
技术领域
本申请涉及车辆测试技术领域,具体而言,涉及一种辅助驾驶系统的测试方法、装置、设备及存储介质。
背景技术
随着汽车行业的不断发展,大多数新上市汽车都会配置辅助驾驶系统,随着辅助驾驶系统级别的升高,汽车可以完全脱离驾驶员对各种情况进行响应。所以,为了保证具有辅助驾驶系统汽车的安全性,需要通过对辅助驾驶系统进行测试,其中通过测试场景进行虚拟测试是重要的测试方法。
目前,基于人类驾驶员交通事故信息和自然驾驶信息大数据,分析提取典型测试场景,基于该测试场景,通过采用一种抽样算法对参数进行提取,实现场景的重构,继而依托重构场景进行辅助驾驶系统的测试。
然而,一种抽样算法得到的参数具有不同的侧重点,难以应对辅助驾驶系统不同研发及改进阶段的测试需求,进而仅仅采用一种抽样算法提取参数,以及基于提取的参数对辅助驾驶系统进行测试,会使得对辅助驾驶系统的测试不够完善,难以有效保证辅助驾驶系统的可靠性以及安全性。
发明内容
本申请的目的在于,针对上述现有技术中的不足,提供一种辅助驾驶系统的测试方法、装置、设备及存储介质,可以有效保证辅助驾驶系统的可靠性以及安全性。
为实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供了一种辅助驾驶系统的测试方法,所述方法包括:
根据事故数据统计,建立预碰撞场景的参与方运动模型;
根据所述事故数据统计,确定事故参与方的运动参数范围;
采用第一抽样算法,从所述运动参数范围内提取所述事故参与方的第一目标运动参数;
采用所述第一目标运动参数,根据所述参与方运动模型,对辅助驾驶系统进行第一测试,并根据所述第一测试的结果,对所述辅助驾驶系统的参数进行优化;
采用第二抽样算法,从所述运动参数范围内提取所述事故参与方的第二目标运动参数;
采用所述第二目标运动参数,根据所述参与方运动模型,对优化后的所述辅助驾驶系统进行第二测试,并根据所述第二测试的结果,对所述辅助驾驶系统进行验证。
可选地,所述根据所述事故数据统计,确定事故参与方的运动参数范围,包括:
根据所述事故数据统计,确定所述运动参数范围以及实际概率分布模型,所述实际概率分布模型为所述运动参数范围内各运动参数的发生碰撞事故的概率分布模型。
可选地,所述采用第二抽样算法,从所述运动参数范围内提取所述事故参与方的第二目标运动参数,包括:
根据所述实际概率分布模型,采用第二抽样算法,从所述运动参数范围内提取所述第二目标运动参数。
可选地,所述采用第一抽样算法,从所述运动参数范围内提取所述事故参与方的第一目标运动参数,包括:
根据预设的均匀概率分布模型,采用第一抽样算法,从所述运动参数范围内提取所述第一目标运动参数。
可选地,所述方法还包括:
根据所述实际概率分布模型,采用所述第一抽样算法,从所述运动参数范围内提取第三目标运动参数;
采用所述第三目标运动参数,根据所述参与方运动模型,对优化后的所述辅助驾驶系统进行第三测试,并根据所述第三测试的结果,确定所述辅助驾驶系统的评估参数。
可选地,所述第一抽样算法为随机抽样算法,所述第二抽样算法为重要性抽样算法、对偶抽样算法,或者,分层抽样算法。
可选地,所述运动参数范围中的各运动参数包括:初始速度和加速度。
第二方面,本申请实施例还提供了一种辅助驾驶系统的测试装置,所述装置包括:
建立模块,用于根据事故数据统计,建立预碰撞场景的参与方运动模型;
确定模块,用于根据所述事故数据统计,确定事故参与方的运动参数范围;
第一提取模块,用于采用第一抽样算法,从所述运动参数范围内提取所述事故参与方的第一目标运动参数;
第一测试模块,用于采用所述第一目标运动参数,根据所述参与方运动模型,对辅助驾驶系统进行第一测试,并根据所述第一测试的结果,对所述辅助驾驶系统的参数进行优化;
第二提取模块,用于采用第二抽样算法,从所述运动参数范围内提取所述事故参与方的第二目标运动参数;
第二测试模块,采用所述第二目标运动参数,根据所述参与方运动模型,对优化后的所述辅助驾驶系统进行第二测试,并根据所述第二测试的结果,对所述辅助驾驶系统进行验证。
可选地,所述确定模块,具体用于:
根据所述事故数据统计,确定所述运动参数范围以及实际概率分布模型,所述实际概率分布模型为所述运动参数范围内各运动参数在所述事故中的概率分布模型。
可选地,所述第二提取模块,具体用于:
根据所述实际概率分布模型,采用所述第二抽样算法,从所述运动参数范围内提取所述第二目标运动参数。
可选地,所述第一提取模块,具体用于:
根据预设的均匀概率分布模型,采用第一抽样算法,从所述运动参数范围内提取所述第一目标运动参数。
可选地,所述装置还包括:
第三提取模块,用于根据所述实际概率分布模型,采用所述第一抽样算法,从所述运动参数范围内提取第三目标运动参数;
第三测试模块,用于采用所述第三目标运动参数,根据所述参与方运动模型,对优化后的所述辅助驾驶系统进行第三测试,并根据所述第三测试的结果,确定所述辅助驾驶系统的评估参数。
可选地,所述第一抽样算法为随机抽样算法,所述第二抽样算法为重要性抽样算法、对偶抽样算法,或者,分层抽样算法。
可选地,所述运动参数范围中的各运动参数包括:初始速度和加速度。
第三方面,本申请实施例提供了一种测试设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当测试设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行上述第一方面的辅助驾驶系统的测试方法的步骤。
第四方面,本申请实施例提供了一种存储介质,所述计算机程序被处理器运行时执行上述第一方面的辅助驾驶系统的测试方法的步骤。
本申请的有益效果是:
本申请实施例提供的一种辅助驾驶系统的测试方法、装置、设备及存储介质,可根据事故数据统计,建立碰撞场景的参与方运动模型,还可确定出事故参与方的运动参数范围,还可根据采用第一抽样算法所提取的运动参数,以及建立的参与方运动模型对辅助驾驶系统进行第一测试,并根据第一测试的结果对该辅助驾驶系统的参数进行优化,以保证辅助驾驶系统的参数属于安全边界内,有效保证辅助驾驶系统的安全性;同时,还可根据第二抽样算法所提取的参数,以及该参与方运动模型对优化后的辅助驾驶系统进行第二测试,继而根据第二测试的结果对优化后的辅助驾驶系统进行验证,以验证上述优化后的辅助驾驶系统的安全性。由于该辅助驾驶系统的测试方法中,对辅助驾驶系统的测试不限于一种抽样算法,可基于一种抽样算法进行系统测试,继而进行参数优化,采用另一种抽样算法进行系统测试,继而进行系统验证,从而可以使得对辅助驾驶系统的测试更完善,进而有效保证辅助驾驶系统的可靠性以及安全性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种辅助驾驶系统测试的测试场景示意图;
图2为本申请实施例提供的一种辅助驾驶系统的测试方法流程示意图;
图3为本申请实施例提供的另一种辅助驾驶系统的测试方法的流程示意图;
图4为本申请实施例提供的一种辅助驾驶系统的测试装置的结构示意图;
图5为本申请实施例提供的另一种辅助驾驶系统的测试装置的结构示意图;
图6为本申请实施例提供的一种测试设备结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本申请一部分实施例,而不是全部的实施例。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
图1为本申请实施例提供的一种辅助驾驶系统测试的测试场景示意图,本申请下述各实施例提供的辅助驾驶系统的测试方法,都可以是基于该图1所示的预碰撞场景对辅助驾驶系统进行测试,其中,该预碰撞场景的类型可以为预设事故类型对应的预碰撞场景,也可以为测试需求对应事故类型的预碰撞场景。比如,交叉路口碰撞、变道碰撞及追尾碰撞等,此处不对预碰撞场景的类型进行限定。如图1所示,该预碰撞场景中可包括:主车1、目标车2、其他干扰车3,其中,主车1、目标车2、其他干扰车3设置有对应的初始速度,目标车2、其他干扰车3设置有对应的加速度,在该测试场景下,对主车1中的辅助驾驶系统进行测试。
需指出的是,辅助驾驶系统又称自动驾驶系统或者机器驾驶系统等其他类似的描述,本申请不对此限制。
如下通过多个实施例对本申请所提供的辅助驾驶系统的测试方法进行解释说明。图2为本申请实施例提供的一种辅助驾驶系统的测试方法的流程示意图,该方法的执行主体可以是测试设备,该测试设备的具体产品形态可以为服务器或终端设备等,安装运行有测试程序的计算机设备。如图2所示,该方法可以包括:
S201、根据事故数据统计,建立预碰撞场景的参与方运动模型。
具体的,该事故数据统计例如可以为对获取的已有的交通事故数据进行统计,得到的事故数据统计,或者,也可以为直接获取的预先统计的交通事故数据。该已有的交通事故数据或者预先统计的事故数据统计,例如存储在预设存储设备中,如与测试设备连接的数据库中。
获取到该事故数据统计后,便可基于该事故数据统计,建立测试场景库,该测试场景库中包括参与方、运动参数及静态参数等信息,该参与方包括:主车和目标车,其中,主车可以指配置有待测试的辅助驾驶系统的车,目标车可以指其他车;运动参数包括主车及目标车的下述至少一种参数:初始速度、加速度及航向角等参数;静态参数可包括:天气、时间及环境等至少一种参数。测试场景库中的信息可以采用表格的形式存储,也可以以其他的形式进行存储,此处不进行限制。
上述测试场景库可以用于通过仿真软件根据需求搭建并模拟相应的待测试的预碰撞场景。测试场景库例如可以与碰撞类型对应的场景库,对应的预碰撞场景例如可以为该碰撞类型的预碰撞场景。
本申请中,在得到测试场景库后,还可以根据测试需求,建立该测试需求对应预碰撞场景的参与方运动模型;也可基于该测试场景库,建立典型的至少一个预碰撞场景的参与方运动模型。
S202、根据事故数据统计,确定事故参与方的运动参数范围。
具体的,基于事故数据统计,可以采用聚类分析算法,得到该事故数据统计所涉及的至少一种预碰撞场景,也可以得到该典型的预碰撞场景下的具体事故案例,通过对该典型的预碰撞场景下的每个具体事故案例进行分析及汇总,可以确定事故参与方的运动参数范围,运动参数范围所包括至少一种运动参数对应的范围。该至少一种运动参数可以包括初始速度和/或加速度,如主车的初始速度变化范围,目标车的初始速度变化范围、目标车的加速度变化范围。
需要指出的是,本申请上述方案中,虽然采用的事故数据统计,然而,采用自然驾驶数据的统计,也可建立对应的参与方运动模型以及确定对应的运动参数范围,本申请不对数据源限制。
S203、采用第一抽样算法,从运动参数范围内提取事故参与方的第一目标运动参数。
具体的,该第一抽样算法例如可具有随机性,根据该第一抽样算法,在上述运动参数范围内(初始速度变化范围、加速度变化范围),提取事故参与方(主车、目标车)第一目标运动参数,该第一目标参数指的是从上述初始速度变化范围、加速度变化范围提取一个特定的初始速度信息及加速度信息。在典型的预碰撞场景下,随机提取主车将要发生碰撞的初始速度,目标车将要发生碰撞的初始速度、加速度,特定的初始速度信息及加速度信息形成第一目标运动参数。
S204、采用第一目标运动参数,根据参与方运动模型,对辅助驾驶系统进行第一测试,并根据第一测试的结果,对辅助驾驶系统的参数进行优化。
具体的,由于运动参数是一个变化范围,所以随机提取一个特定的初始速度和加速度信息,就会有多种组合情况,相当于有多种第一目标参数组合。根据多种第一目标参数组合情况以及参与方运动模型,可以对应形成多种预碰撞场景模型,也就是说,会得到大量携带不同运动参数的预碰撞场景模型。根据多种特定预碰撞场景模型,对主车上的辅助驾驶系统进行测试,得到第一测试结果,基于该第一测试结果例如可以获取该辅助驾驶系统可以避免的参数区域,也就是通常所说的主车不发生碰撞的安全运动参数边界。上述的第一测试结果相当于说主车在该安全运动参数边界不发生碰撞。可以依据多种预碰撞场景模型下的安全运动参数边界,针对性的去优化辅助驾驶系统的感知与决策算法中的参数。那么,基于该第一测试结果,可对该辅助驾驶系统的参数进行优化,使得优化后的辅助驾驶系统中的主车的运动参数不超出安全运动参数边界,即处于预设的安全参数范围内。
S205、采用第二抽样算法,从运动参数范围内提取事故参与方的第二目标运动参数。
具体的,该第二抽样算法可以为与上述第一抽样算法不同类型的抽样算法,其可具有非随机性,其可以为任一可减小分布方差的抽样算法。根据该第二抽样算法,在上述运动参数范围内(初始速度变化范围、加速度变化范围),提取事故参与方(主车、目标车)第二目标运动参数,该第二目标参数指的是从上述初始速度变化范围、加速度变化范围中提取一个特定的初始速度信息及加速度信息。在典型的预碰撞场景下,提取车主车将要发生碰撞的概率高的初始速度,目标车将要发生碰撞的概率高的初始速度、加速度,特定的初始速度信息及加速度信息形成第二目标运动参数。
S206、采用第二目标运动参数,根据参与方运动模型,对优化后的辅助驾驶系统进行第二测试,并根据第二测试的结果,对辅助驾驶系统进行验证。
具体的,上述第二目标运动参数中的初始速度、加速度都是发生碰撞概率高的参数,根据多种第二目标参数组合情况以及参与方运动模型,可以对应形成多种预碰撞场景模型,也就是说,会得到大量携带不同运动参数的预碰撞场景模型。根据多种特定预碰撞场景模型,对主车上的优化后的辅助驾驶系统进行测试,根据的第二测试的结果,对优化后的辅助驾驶系统进行验证。基于该第二测试的结果,可验证上述优化后的辅助驾驶系统的参数优化效果,如验证该优化后的辅助驾驶系统在第二目标运动参数的作用下,是否会发生事故,或者发生事故的概率是否降低等。
综上所述,本申请提供的辅助驾驶系统的测试方法中,首先可根据事故数据统计,建立碰撞场景的参与方运动模型,还可确定出事故参与方的运动参数范围,还可根据采用第一抽样算法所提取的运动参数,以及建立的参与方运动模型对辅助驾驶系统进行第一测试,并根据第一测试的结果对该辅助驾驶系统的参数进行优化,以保证辅助驾驶系统的参数属于安全边界内,有效保证辅助驾驶系统的安全性;同时,还可根据第二抽样算法所提取的参数,以及该参与方运动模型对优化后的辅助驾驶系统进行第二测试,继而根据第二测试的结果对优化后的辅助驾驶系统进行验证,以验证上述优化后的辅助驾驶系统的安全性。由于该辅助驾驶系统的测试方法中,对辅助驾驶系统的测试不限于一种抽样算法,可基于一种抽样算法进行系统测试,继而进行参数优化,采用另一种抽样算法进行系统测试,继而进行系统验证,从而可以使得对辅助驾驶系统的测试更完善,进而有效保证辅助驾驶系统的可靠性以及安全性。
在上述实施例的基础上,可选地,上述根据事故数据统计,确定事故参与方的运动参数范围,可以包括:根据事故数据统计,确定运动参数范围以及实际概率分布模型,实际概率分布模型为运动参数范围内各运动参数的发生碰撞事故的概率分布模型。
具体的,根据事故统计,可以采用聚类分析算法,得到典型的预碰撞场景,也可以得到该典型的预碰撞场景下的具体事故案例,通过对该典型的预碰撞场景下的每个具体事故案例进行分析及汇总,可以确定出每个具体事故参与方的运动参数范围。根据运动参数范围内各运动参数的发生碰撞事故的概率分布情况,基于统计学建立运动参数的实际概率分布模型,本申请实施例对建立该实际概率分布模型的方式与方法不作限定,只要实现建立实际概率分布模型即可。
可选地,上述采用第二抽样算法,从运动参数范围内提取事故参与方的第二目标运动参数,可以包括:根据实际概率分布模型,采用第二抽样算法,从运动参数范围内提取第二目标运动参数。
具体的,根据运动参数范围内各运动参数的发生碰撞事故的概率分布模型,可采用第二抽样算法,从运动参数范围内提取所述第二目标运动参数,其中,所述第二抽样算法为重要性抽样算法、对偶抽样算法,或者,分层抽样算法,当然,也可以为其他可减小分布方差的抽样算法,本申请在此不对其进行限定。
由于该实施例提供的测试方法,可通过对已有事故数据统计进行分析,得到确定事故参与方的运动参数范围以及实际概率分布模型,继而基于该实际概率分布模型采用第二抽样算法从运动参数范围内进行数据提取,可得到离散场景参数之间的未知数据,即该第二目标数据可包括离散场景的未知数据,那么,基于该第二目标数据构造测试用例进行第二测试,可保证测试与实际更贴合,有效提高对辅助驾驶系统进行测试的场景覆盖度。
若第二抽样算法为重要性抽样算法,可实现对辅助驾驶系统的重要性分布测试,满足辅助驾驶系统的快速测试和结果反馈优化需求。基于实际概率分布模型,采用重要性分布算法,得到一个新的针对于特定被测车辆的场景模型,从而避免基于人类事故数据建模所带来的测试低效的弊端,同时提高针对于被测系统的危险场景在真个测试用例集合中的比例,从而提高测试效率,满足研发阶段快速测试和结果反馈优化的目的。
可选地,上述采用第一抽样算法,从运动参数范围内提取所述事故参与方的第一目标运动参数,可以包括:根据预设的均匀概率分布模型,采用第一抽样算法,从运动参数范围内提取所述第一目标运动参数。
具体的,在事故参与方的运动参数范围内建立均匀分布模型,相当于不管实际中的参与方的初始速度、加速度发生碰撞的概率如何分布,这里首先使在参与方的运动参数范围内,运动参数发生碰撞的概率是相同的,再根据第一抽样算法,从运动参数范围内提取第一目标运动参数。
该预设的均匀概率分布模型例如可以基于该运动参数范围,确定该运动参数范围内各运动参数发生事故的平均概率,继而确定该平均概率的模型即为均匀概率分布模型。
本申请实施例提供的辅助驾驶系统的测试方法中,采用预设的均匀概率分布模型采用第一抽样算法,提取第一目标参数继而进行第一测试,该均匀概率分布模型可能够满足辅助驾驶系统设计初期的摸底测试需求。
并且,如上所示的测试方法中,在进行第一测试时基于预设的均匀概率分布模型进行参数提取,在第二测试时基于实际概率分布模型进行参数提取,通过概率分布模型的转换,能够提高事故或危险参数范围的场景的采样比重,从而提高测试用例集合的总体危险程度,即最终实现危险场景的衍生。
图3为本申请实施例提供的另一种辅助驾驶系统的测试方法的流程示意图,该方法还包括:
S301、根据实际概率分布模型,采用第一抽样算法,从运动参数范围内提取第三目标运动参数。
该实际概率分布模型例如可以为采用上述事故数据统计所得到的实际概率分布模型,该第一抽样算法例如可以为随机抽样算法。
S302、采用第三目标运动参数,根据参与方运动模型,对优化后的辅助驾驶系统进行第三测试,并根据第三测试的结果,确定辅助驾驶系统的评估参数。
该第三测试例如可以在辅助驾驶系统的设计开发后期执行,可在完成上述第一测试进行优化,以及第二测试进行系统验证后,对上述优化的辅助驾驶系统的安全性进行评估,以得到该辅助驾驶系统的评估参数,如安全评估参数。该安全评估参数例如可包括:该辅助驾驶系统在参与方的运动参数在至少一个运动参数范围内所对应的事故概率。
在一种可能的实现方中,在得到该辅助驾驶系统的评估参数后,还可基于该辅助驾驶系统的评估参数对该辅助驾驶系统进行预碰撞场景的安全评级,安全评级越高,可用于表示辅助驾驶系统在该预碰撞场景的安全性越高,反之,安全评级越低,可用于表示该辅助驾驶系统在该预碰撞场景的安全性越差。
在另一种可能的实现方式中,在得到该辅助驾驶系统的评估参数后,还可基于该辅助驾驶系统的评估参数,确定该辅助驾驶系统的危险等级,从而确定该预碰撞场景的危险分级。危险分级越高,可用于表示辅助驾驶系统在该预碰撞场景中危险性越高,安全性越低,反之,危险分级越低,可用于表示该辅助驾驶系统在该预碰撞场景的危险性越低,安全性越高。
需要指出的是,上述对该辅助驾驶系统进行预碰撞场景的安全评级,还可结合预碰撞场景的测试次数、每次测试所采用的运动参数、对应的测试结果等。如此,可保证辅助驾驶系统的安全评级更准确。
该实施例提供的辅助驾驶系统的测试方法,在辅助驾驶系统优化完成后,基于实际概率分布模型提取参数进行测试,能够根据测试统计结果能够得到辅助驾驶车辆相对于人类驾驶员的安全性改善程度的评价指标。
若第一抽样算法为随机抽样算法,那么在辅助驾驶系统优化优化完成后,依据实际概率分布模型进行随机抽样,根据测试结果能够得到自动驾驶车辆相对于人类驾驶员的安全程度的改善效果,并全面评估自动驾驶车辆或辅助驾驶系统的安全性能。
本申请实施例提供的测试方法中,可依据3种不同的概率分布模型和抽样算法的组合,按照一定的顺序对辅助驾驶系统进行测试,从而依次实现对辅助驾驶系统的摸底测试、快速验证优化效果及全面评估安全性能。
下面继续对执行本申请实施例提供的辅助驾驶系统的测试方法的装置和设备分别进行说明,具体的实现过程以及效果参见上述,如下不再赘述。
图4为本申请实施例提供的一种辅助驾驶系统的测试装置的结构示意图,如图4所示,该装置可以包括:
建立模块401,用于根据事故数据统计,建立碰撞场景的参与方运动模型;
确定模块402,用于根据事故数据统计,确定事故参与方的运动参数范围;
第一提取模块403,用于采用第一抽样算法,从运动参数范围内提取事故参与方的第一目标运动参数;
第一测试模块404,用于采用第一目标运动参数,根据参与方运动模型,对辅助驾驶系统进行第一测试,并根据第一测试的结果,对辅助驾驶系统的参数进行优化;
第二提取模块405,用于采用第二抽样算法,从运动参数范围内提取事故参与方的第二目标运动参数;
第二测试模块406,采用第二目标运动参数,根据参与方运动模型,对优化后的辅助驾驶系统进行第二测试,并根据第二测试的结果,对辅助驾驶系统进行验证。
可选的,第一提取模块403,具体用于:
根据预设的均匀概率分布模型,采用第一抽样算法,从运动参数范围内提取第一目标运动参数。
图5为本申请实施例提供的另一种辅助驾驶系统的测试装置的结构示意图,如图5所示,该装置还可以包括:
第三提取模块501,用于根据实际概率分布模型,采用第一抽样算法,从运动参数范围内提取第三目标运动参数;
第三测试模块502,用于采用第三目标运动参数,根据参与方运动模型,对优化后的辅助驾驶系统进行第三测试,并根据第三测试的结果,确定辅助驾驶系统的评估参数。
可选地,第一抽样算法为随机抽样算法,第二抽样算法为重要性抽样算法、对偶抽样算法,或者,分层抽样算法。
可选地,运动参数范围中的各运动参数包括:初始速度和加速度。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(Digital Signal Processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
图6为本申请实施例提供的一种测试设备结构示意图,图6所示,该电子设备可以包括:处理器601、存储介质602和总线603,存储介质602存储有处理器601可执行的机器可读指令,当电子设备运行时,处理器601与存储介质602之间通过总线603通信,处理器601执行机器可读指令,以执行上述辅助驾驶系统的测试方法的步骤。具体实现方式和技术效果类似,这里不再赘述。
可选地,本申请还提供一种存储介质,存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述辅助驾驶系统的测试方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本申请各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,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。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种辅助驾驶系统的测试方法,其特征在于,所述方法包括:
根据事故数据统计,建立预碰撞场景的参与方运动模型;
根据所述事故数据统计,确定事故参与方的运动参数范围;
采用第一抽样算法,从所述运动参数范围内提取所述事故参与方的第一目标运动参数;
采用所述第一目标运动参数,根据所述参与方运动模型,对辅助驾驶系统进行第一测试,并根据所述第一测试的结果,对所述辅助驾驶系统的参数进行优化;
采用第二抽样算法,从所述运动参数范围内提取所述事故参与方的第二目标运动参数;
采用所述第二目标运动参数,根据所述参与方运动模型,对优化后的所述辅助驾驶系统进行第二测试,并根据所述第二测试的结果,对所述辅助驾驶系统进行验证。
2.根据权利要求1所述的方法,其特征在于,所述根据所述事故数据统计,确定事故参与方的运动参数范围,包括:
根据所述事故数据统计,确定所述运动参数范围以及实际概率分布模型,所述实际概率分布模型为所述运动参数范围内各运动参数在所述事故中的概率分布模型。
3.根据权利要求2所述的方法,其特征在于,所述采用第二抽样算法,从所述运动参数范围内提取所述事故参与方的第二目标运动参数,包括:
根据所述实际概率分布模型,采用第二抽样算法,从所述运动参数范围内提取所述第二目标运动参数。
4.根据权利要求1所述的方法,其特征在于,所述采用第一抽样算法,从所述运动参数范围内提取所述事故参与方的第一目标运动参数,包括:
根据预设的均匀概率分布模型,采用第一抽样算法,从所述运动参数范围内提取所述第一目标运动参数。
5.根据权利要求2所述的方法,其特征在于,所述方法还包括:
根据所述实际概率分布模型,采用所述第一抽样算法,从所述运动参数范围内提取第三目标运动参数;
采用所述第三目标运动参数,根据所述参与方运动模型,对优化后的所述辅助驾驶系统进行第三测试,并根据所述第三测试的结果,确定所述辅助驾驶系统的评估参数。
6.根据权利要求1-5中任一所述的方法,其特征在于,所述第一抽样算法为随机抽样算法,所述第二抽样算法为重要性抽样算法、对偶抽样算法,或者,分层抽样算法。
7.根据权利要求1-5中任一所述的方法,其特征在于,所述运动参数范围中的各运动参数包括:初始速度和加速度。
8.一种辅助驾驶系统的测试装置,其特征在于,所述装置包括:
建立模块,用于根据事故数据统计,建立碰撞场景的参与方运动模型;
确定模块,用于根据所述事故数据统计,确定事故参与方的运动参数范围;
第一提取模块,用于采用第一抽样算法,从所述运动参数范围内提取所述事故参与方的第一目标运动参数;
第一测试模块,用于采用所述第一目标运动参数,根据所述参与方运动模型,对辅助驾驶系统进行第一测试,并根据所述第一测试的结果,对所述辅助驾驶系统的参数进行优化;
第二提取模块,用于采用第二抽样算法,从所述运动参数范围内提取所述事故参与方的第二目标运动参数;
第二测试模块,采用所述第二目标运动参数,根据所述参与方运动模型,对优化后的所述辅助驾驶系统进行第二测试,并根据所述第二测试的结果,对所述辅助驾驶系统发生验证。
9.一种测试设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当测试设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1-7任一所述辅助驾驶系统的测试方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1-7任一所述辅助驾驶系统的测试方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010240170.2A CN111426486B (zh) | 2020-03-30 | 2020-03-30 | 辅助驾驶系统的测试方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010240170.2A CN111426486B (zh) | 2020-03-30 | 2020-03-30 | 辅助驾驶系统的测试方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111426486A true CN111426486A (zh) | 2020-07-17 |
CN111426486B CN111426486B (zh) | 2022-01-21 |
Family
ID=71557333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010240170.2A Active CN111426486B (zh) | 2020-03-30 | 2020-03-30 | 辅助驾驶系统的测试方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111426486B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100836A (zh) * | 2020-09-07 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 车辆边界参数的获取方法和装置 |
CN112327806A (zh) * | 2020-11-02 | 2021-02-05 | 东软睿驰汽车技术(沈阳)有限公司 | 自动驾驶的测试方法、装置和电子设备 |
CN112346969A (zh) * | 2020-10-28 | 2021-02-09 | 武汉极目智能技术有限公司 | 一种基于数据采集平台的aeb开发验证系统及方法 |
CN114707296A (zh) * | 2022-02-24 | 2022-07-05 | 中国标准化研究院 | 一种测试场景生成方法、装置、电子设备及可读存储介质 |
CN115509909A (zh) * | 2022-09-26 | 2022-12-23 | 北京百度网讯科技有限公司 | 测试方法、装置、电子设备和存储介质 |
CN116881778A (zh) * | 2023-09-06 | 2023-10-13 | 交通运输部公路科学研究所 | 智能辅助教学系统安全预警与防护功能测试系统与方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020198640A1 (en) * | 2001-06-25 | 2002-12-26 | Gehlot Narayan L. | Automatic vehicle logging system and method |
CN107421752A (zh) * | 2017-07-13 | 2017-12-01 | 同济大学 | 一种智能汽车测试场景加速重构方法 |
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 |
CN110188797A (zh) * | 2019-04-26 | 2019-08-30 | 同济大学 | 一种基于贝叶斯优化的智能汽车快速测试方法 |
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 |
-
2020
- 2020-03-30 CN CN202010240170.2A patent/CN111426486B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020198640A1 (en) * | 2001-06-25 | 2002-12-26 | Gehlot Narayan L. | Automatic vehicle logging system and method |
CN107421752A (zh) * | 2017-07-13 | 2017-12-01 | 同济大学 | 一种智能汽车测试场景加速重构方法 |
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 |
CN110188797A (zh) * | 2019-04-26 | 2019-08-30 | 同济大学 | 一种基于贝叶斯优化的智能汽车快速测试方法 |
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 (1)
Title |
---|
朱冰 等: "基于场景的自动驾驶汽车虚拟测试研究进展", 《中国公路学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100836A (zh) * | 2020-09-07 | 2020-12-18 | 腾讯科技(深圳)有限公司 | 车辆边界参数的获取方法和装置 |
CN112100836B (zh) * | 2020-09-07 | 2022-06-07 | 腾讯科技(深圳)有限公司 | 车辆边界参数的获取方法和装置 |
CN112346969A (zh) * | 2020-10-28 | 2021-02-09 | 武汉极目智能技术有限公司 | 一种基于数据采集平台的aeb开发验证系统及方法 |
CN112346969B (zh) * | 2020-10-28 | 2023-02-28 | 武汉极目智能技术有限公司 | 一种基于数据采集平台的aeb开发验证系统及方法 |
CN112327806A (zh) * | 2020-11-02 | 2021-02-05 | 东软睿驰汽车技术(沈阳)有限公司 | 自动驾驶的测试方法、装置和电子设备 |
CN112327806B (zh) * | 2020-11-02 | 2022-02-15 | 东软睿驰汽车技术(沈阳)有限公司 | 自动驾驶的测试方法、装置、电子设备和存储介质 |
CN114707296A (zh) * | 2022-02-24 | 2022-07-05 | 中国标准化研究院 | 一种测试场景生成方法、装置、电子设备及可读存储介质 |
CN114707296B (zh) * | 2022-02-24 | 2024-03-08 | 中国标准化研究院 | 一种测试场景生成方法、装置、电子设备及可读存储介质 |
CN115509909A (zh) * | 2022-09-26 | 2022-12-23 | 北京百度网讯科技有限公司 | 测试方法、装置、电子设备和存储介质 |
CN115509909B (zh) * | 2022-09-26 | 2023-11-07 | 北京百度网讯科技有限公司 | 测试方法、装置、电子设备和存储介质 |
CN116881778A (zh) * | 2023-09-06 | 2023-10-13 | 交通运输部公路科学研究所 | 智能辅助教学系统安全预警与防护功能测试系统与方法 |
CN116881778B (zh) * | 2023-09-06 | 2023-11-28 | 交通运输部公路科学研究所 | 智能辅助教学系统安全预警与防护功能测试系统与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111426486B (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111426486B (zh) | 辅助驾驶系统的测试方法、装置、设备及存储介质 | |
CN113419942B (zh) | 一种基于自然驾驶数据的自动驾驶安全性评价方法 | |
CN110781381B (zh) | 基于神经网络的数据验证方法、装置、设备及存储介质 | |
CN112733146B (zh) | 基于机器学习的渗透测试方法、装置、设备及存储介质 | |
CN114815605A (zh) | 自动驾驶测试用例生成方法、装置、电子设备及存储介质 | |
CN111931047B (zh) | 基于人工智能的黑产账号检测方法及相关装置 | |
CN111079800A (zh) | 一种智能驾驶虚拟测试的加速方法及加速系统 | |
CN112150046A (zh) | 一种道路交叉口安全风险指数计算方法 | |
Jiang et al. | Efficient and unbiased safety test for autonomous driving systems | |
CN112016756A (zh) | 数据预测的方法和装置 | |
CN109299592B (zh) | 人机行为特征边界构建方法、系统、服务器及存储介质 | |
CN115129594A (zh) | 测试场景处理方法、装置、电子设备和存储介质 | |
CN114021440A (zh) | 一种基于matlab的fpga时序仿真验证方法及装置 | |
CN113111003B (zh) | 一种场景无关的无人驾驶仿真测试评估方法及装置 | |
CN113938408A (zh) | 一种数据流量测试方法、装置、服务器及存储介质 | |
CN111275453A (zh) | 一种物联网设备的行业识别方法及系统 | |
CN111047142B (zh) | 一种基于层次分析法的汽车评分方法及系统 | |
CN116580176A (zh) | 基于轻量化网络MobileViT的车载CAN总线异常检测方法 | |
CN106682516A (zh) | 应用程序的检测方法、检测装置和服务器 | |
CN110852893A (zh) | 基于海量数据的风险识别方法、系统、设备及存储介质 | |
CN116151965A (zh) | 一种风险特征提取方法、装置、电子设备及存储介质 | |
CN106096205B (zh) | 碰撞仿真虚拟现实的环境搭建方法及装置 | |
CN113570840A (zh) | 基于计算机视觉的加油站危险事故预警方法、装置及设备 | |
CN114297735A (zh) | 数据处理方法及相关装置 | |
CN113658426A (zh) | 一种车辆事故识别方法及装置 |
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 |