CN111767651B - 指标预测模型的构建方法、指标预测方法和装置 - Google Patents

Abstract

本申请公开了指标预测模型的构建方法、指标预测方法和装置，涉及自动驾驶、智能交通、云平台等领域。具体实现方案为：根据与第一程序集合中的每个第一自动驾驶程序分别对应的历史驾驶数据，确定每个第一自动驾驶程序的目标指标的测试值；其中，第一程序集合包括至少两个第一自动驾驶程序；基于每个第一自动驾驶程序分别进行仿真驾驶，得到每个第一自动驾驶程序的核心仿真指标的测试值；根据目标指标的测试值和核心仿真指标的测试值，构建指标预测模型。本申请实施例具有成本低、效率高、测试准确的效果。

Description

指标预测模型的构建方法、指标预测方法和装置

技术领域

本申请涉及计算机技术领域，尤其涉及自动驾驶、智能交通、云平台等领域。

背景技术

为了综合客观评估自动驾驶程序的能力，需要获得自动驾驶程序的相关指标的测试结果。一般来说，安装自动驾驶程序的车辆需要行驶数万公里甚至数十万公里，才能得到足够多的行驶数据，确定出稳定的指标测试结果。

发明内容

本申请提供了一种指标预测模型的构建方法、指标预测方法、装置、电子设备和存储介质。

根据本申请的一方面，提供了一种指标预测模型的构建方法，包括：

根据与第一程序集合中的每个第一自动驾驶程序分别对应的历史驾驶数据，确定每个第一自动驾驶程序的目标指标的测试值；其中，第一程序集合包括至少两个第一自动驾驶程序；

基于每个第一自动驾驶程序分别进行仿真驾驶，得到每个第一自动驾驶程序的核心仿真指标的测试值；

根据目标指标的测试值和核心仿真指标的测试值，构建指标预测模型。

根据本申请的另一方面，提供了一种自动驾驶程序的指标预测方法，包括：

获取目标程序；

基于目标程序进行仿真驾驶，得到目标程序的核心仿真指标的测试值；

将目标程序的核心仿真指标的测试值输入至指标预测模型，得到目标程序的目标指标的测试值。

根据本申请的另一方面，提供了一种指标预测模型的构建装置，包括：

第一确定模块，用于根据与第一程序集合中的每个第一自动驾驶程序分别对应的历史驾驶数据，确定每个第一自动驾驶程序的目标指标的测试值；其中，第一程序集合包括至少两个第一自动驾驶程序；

第一仿真模块，用于基于每个第一自动驾驶程序分别进行仿真驾驶，得到每个第一自动驾驶程序的核心仿真指标的测试值；

构建模块，用于根据目标指标的测试值和核心仿真指标的测试值，构建指标预测模型。

根据本申请的另一方面，提供了一种自动驾驶程序的指标预测装置，包括：

第一获取模块，用于获取目标程序；

第三仿真模块，用于基于目标程序进行仿真驾驶，得到目标程序的核心仿真指标的测试值；

预测模块，用于将目标程序的核心仿真指标的测试值输入至指标预测模型，得到目标程序的目标指标的测试值。

根据本申请的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本申请任意实施例提供的方法。

根据本申请的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行本申请任意实施例提供的方法。

根据本申请的技术方案，利用已有历史驾驶数据的第一程序集合，得到目标指标的测试值和核心仿真指标的测试值，再根据两类指标的测试值构建指标预测模型。因此，根据该指标预测模型可以由核心仿真指标的测试值得到目标指标的测试值。对于目标程序，可以通过仿真驾驶得到核心仿真指标的测试值，然后利用指标预测模型得到目标指标的测试值。具有成本低、效率高、测试准确的效果。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请示例性实施例提供的指标预测模型的构建方法的示意图；

图2是本申请示例性实施例提供的指标预测模型的构建方法的示意图；

图3是本申请示例性实施例提供的自动驾驶程序的指标预测方法的示意图；

图4是本申请应用于MPI预测的应用示例的示意图；

图5是本申请应用于MPI预测的应用示例的示意图；

图6是本申请示例性实施例提供的指标预测模型的构建装置的示意图；

图7是本申请示例性实施例提供的指标预测模型的构建装置的示意图；

图8是本申请示例性实施例提供的自动驾驶程序的指标预测装置的示意图；

图9是用来实现本申请实施例的方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1示出了本申请示例性实施例的指标预测模型的构建方法的示意图，如图1所示，该方法包括：

步骤S11，根据与第一程序集合中的每个第一自动驾驶程序分别对应的历史驾驶数据，确定每个第一自动驾驶程序的目标指标的测试值；其中，第一程序集合包括至少两个第一自动驾驶程序；

步骤S12，基于每个第一自动驾驶程序分别进行仿真驾驶，得到每个第一自动驾驶程序的核心仿真指标的测试值；

步骤S13，根据目标指标的测试值和核心仿真指标的测试值，构建指标预测模型。

本申请实施例中，目标指标可以用于评估自动驾驶能力如稳定性、安全性、智能性等。

目标指标包括MPI（Miles Per Intervention，每两次人工干预之间行驶的平均里程数）。自动驾驶车辆在开放道路行驶时，车内的测试员或安全员在自动驾驶程序检测到故障，或者基于安全准则认为具有潜在安全风险时，会选择接管车辆脱离自动驾驶模式。MPI表征两次人工干预之间自动驾驶车辆行驶的距离的平均值。MPI的测试值越大代表人工干预次数越少，自动驾驶程序的稳定性、智能性和安全性越高。

目标指标的测试值可以根据历史驾驶数据确定。其中，历史驾驶数据可以指构建指标预测模型之前，自动驾驶程序在车辆上运行，通过车辆行驶一定的里程数而得到的驾驶数据，可以包括每次人工干预的时间和对应的里程数等。

本申请实施例中，仿真指标可以指能够通过仿真驾驶得到测试值的指标。一般来说，仿真指标与驾驶行为相关。例如，仿真指标包括闯红灯次数、急加速次数、急刹车次数、纵向加速度变化率超出阈值的次数、横向角速度超出阈值的次数等。在一些应用场景中，这些仿真指标可以称为metric，其测试值可以称为metric通过率。核心仿真指标可以包括上述仿真指标中的一种或多种。

目标指标例如MPI一般与人工干预相关，难以通过仿真获得，一般通过实车大规模的测试得到，耗时长、成本高、效率低。本申请实施例利用已有历史驾驶数据的第一程序集合，得到目标指标的测试值和核心仿真指标的测试值，再根据两类指标的测试值构建指标预测模型。因此，根据该指标预测模型可以由核心仿真指标的测试值得到目标指标的测试值。对于待测的自动驾驶程序，即目标程序，可以通过仿真驾驶得到核心仿真指标的测试值，然后利用指标预测模型得到目标指标的测试值。相比通过实车大规模的测试获得目标指标的测试值，本申请实施例具有成本低、效率高、测试准确的效果。

具体实施时，在步骤S11，根据与第一程序集合中的每个第一自动驾驶程序分别对应的历史驾驶数据，确定每个第一自动驾驶程序的目标指标的测试值之前，可以对历史驾驶数据进行清洗，对历史驾驶数据中出现的非程序原因产生的人工干预次数进行统计，得到非程序原因导致的人工干预占比。将历史驾驶数据中非程序原因导致的人工干预记录去除，保留程序原因的导致的人工干预记录。然后，再利用保留的数据确定目标指标的测试值。

在一种实施方式中，可以根据经验预先筛选对自动驾驶能力较为敏感的仿真指标，作为用于构建模型的核心仿真指标。

在一种实施方式中，可以利用已有历史驾驶数据的第二程序集合，确定核心仿真指标。具体而言，在基于第一自动驾驶程序进行仿真驾驶之前，指标预测模型的构建方法还可以包括：

基于第二驾驶程序集合中的每个第二自动驾驶程序分别进行仿真驾驶，得到每个第二自动驾驶程序的仿真指标的测试值；其中，第二驾驶程序集合包括至少两个第二驾驶程序；

根据仿真指标的测试值，确定第二程序集合中各第二自动驾驶程序间的仿真指标的测试差值；

选取测试差值符合预设条件的仿真指标作为核心仿真指标。

其中，第一程序集合与第二程序集合可以完全相同、完全不同或有交集。

示例性地，可以从已知目标指标的测试值的自动驾驶程序例如上述至少两个第一自动驾驶程序中，筛选目标指标的测试值相差较大的自动驾驶程序，作为第二自动驾驶程序。也可以从研发迭代过程中的各版本的自动驾驶程序中筛选出版本差异较大的第二自动驾驶程序。利用自动驾驶能力差异大的第二自动驾驶程序，可以使自动驾驶能力差异对各类仿真指标的影响得到更明显的体现，有利于准确确定对目标指标敏感度高的核心仿真指标。

具体实施时，通过仿真驾驶可以得到每个第二驾驶程序的至少两个仿真指标的测试值。可以针对至少两个仿真指标中的每一个仿真指标，分别得到各自动驾驶程序间的测试差值。然后，根据该测试差值，从至少两个仿真指标中选取出核心仿真指标。

示例性地，上述用于选取核心仿真指标的预设条件，可以是测试差值大于预设阈值。在已知目标指标的测试值的情况下，上述用于选取核心仿真指标的预设条件，也可以是仿真指标的测试差值与目标指标的测试差值呈正相关。

根据该实施方式，利用不同的自动驾驶程序进行仿真驾驶，得到不同的自动驾驶程序间的仿真指标的测试差值。利用仿真指标的测试差值，可以找到对自动驾驶能力敏感度高的核心仿真指标。利用核心仿真指标构建指标预测模型，有利于提高指标预测模型的准确度。

作为一种示例性的实施方式，上述步骤S13中，根据第一程序集合中各第一驾驶程序的目标指标的测试值和核心仿真指标的测试值，可以采用深度模型的训练方法，得到指标预测模型。

作为一种示例性的实施方式，上述步骤S13，可以包括：

将核心仿真指标的测试值作为自变量，目标指标的测试值作为因变量，采用最小二乘法构建指标预测模型。

采用最小二乘法构建模型，可以降低对数据源的数据量要求，利用少量第一自动驾驶程序的历史驾驶数据，即可得到指标预测模型。因此，根据该示例性的实施方式，可以进一步减少对实车测试的依赖。

示例性地，如图2所示，指标预测模型的构建方法还可以包括：

步骤S21，根据与第三程序集合中的每个第三自动驾驶程序分别对应的历史驾驶数据，确定硬件故障对目标指标的影响因子；其中，第三程序集合中包括至少一个第三自动驾驶程序；

步骤S22，根据影响因子，修正指标预测模型。

其中，第三程序集合与第一程序集合相比，或与第二程序集合相比，可以完全相同、完全不同或者有交集。

举例而言，第三驾驶程序对应的历史驾驶数据可以包括每次人工干预的起始时间和对应的里程数，以及每次人工干预的原因。将硬件故障导致的人工干预次数与人工干预总次数的比例作为影响因子，如果该影响影子为0.2，则修正指标预测模型，使预测的目标指标的测试值增加0.2倍或减少0.2倍。在具体实施时，可根据目标指标的类型确定修正方式。

根据该示例性实施方式，利用车辆的硬件故障对目标指标的影响因子修正指标预测模型，可以使指标预测模型预测的目标指标测试值更符合实际驾驶情况，提高指标预测模型的准确性。

在一种示例性的实施方式中，构建的指标预测模型可以与行驶区域对应。

具体而言，上述步骤S11，根据与第一程序集合中的每个第一自动驾驶程序分别对应的历史驾驶数据，确定每个第一自动驾驶程序的目标指标的测试值，可以包括：

根据与每个第一自动驾驶程序分别对应的通过在目标区域上驾驶得到的历史驾驶数据，确定每个第一驾驶程序的目标指标的测试值。

上述步骤S12，基于每个第一自动驾驶程序分别进行仿真驾驶，得到每个第一自动驾驶程序的核心仿真指标的测试值，包括：

根据目标区域上各车辆的驾驶参数，在仿真平台中设置模拟目标区域的仿真区域；

基于每个第一自动驾驶程序分别进行在仿真区域上的仿真驾驶，得到每个第一自动驾驶程序的核心仿真指标的测试值。

上述步骤S13，根据目标指标的测试值和核心仿真指标的测试值，构建指标预测模型，包括：

根据目标指标的测试值和核心仿真指标的测试值，构建与目标区域对应的指标预测模型。

根据该示例性的实施方式，用于确定目标指标的测试值的历史驾驶数据与目标区域对应，进行仿真驾驶的仿真区域也与目标区域对应，从而，可以得到与目标区域对应的指标预测模型。因此，对于待预测的目标程序，可以得到与目标区域对应的目标指标的预测值，评估其在不同区域上的自动驾驶能力，得到更有针对性的预测结果。

其中，根据目标区域上各车辆的驾驶参数，在仿真平台中设置模拟目标区域的仿真区域，可以是对目标区域进行挖掘，得到其对应的特征，例如车辆在目标区域中通过的路口的交通流量、左转遇到的障碍物的速度、与多个距离分别对应的切车次数、与多个交通流量级别分别对应的变道次数等；然后，根据目标区域的特征，设置仿真区域。

具体实施时，可以基于历史数据，采用数据挖掘的手段，对多个目标区域进行挖掘，形成对应多个目标区域的场景分布数据库，建立大数据集合。其中，可以在云计算平台上进行数据挖掘。

图3示出了本申请示例性实施例提供的自动驾驶程序的指标预测方法，如图3所示，该方法包括：

步骤S31，获取目标程序；

步骤S32，基于目标程序进行仿真驾驶，得到目标程序的核心仿真指标的测试值；

步骤S33，将目标程序的核心仿真指标的测试值输入至指标预测模型，得到目标程序的目标指标的测试值。

其中，指标预测模型可基于第一程序集合中的每个第一自动驾驶程序的核心仿真指标的测试值和目标指标的测试值得到。每个第一自动驾驶程序的核心仿真指标的测试值基于仿真驾驶得到，目标指标的测试值基于历史驾驶数据得到。

本实施例中，对于目标程序，可以通过仿真驾驶得到核心仿真指标的测试值，然后利用指标预测模型得到目标指标的测试值。具有成本低、效率高、测试准确的效果。其中，指标预测模型的相关技术细节可参考上述实施例设置。

示例性地，在步骤S32中，基于目标程序进行仿真驾驶，得到目标程序的核心仿真指标的测试值，包括：

获取目标区域；

根据目标区域，确定仿真平台中的仿真区域；

基于目标程序进行在仿真区域上的仿真驾驶，得到目标程序的核心仿真指标的测试值。

在步骤S33中，将目标程序的核心仿真指标的测试值输入至指标预测模型，得到目标程序的目标指标的测试值，包括：

将目标程序的核心仿真指标的测试值输入至与目标区域对应的指标预测模型，得到目标程序在目标区域上的目标指标的测试值。

该示例中，对于目标程序，可以得到与目标区域对应的目标指标的预测值，评估其在不同区域上的自动驾驶能力，得到更有针对性的预测结果。

根据本申请的技术方案，利用已有历史驾驶数据的第一程序集合，得到目标指标的测试值和核心仿真指标的测试值，再根据两类指标的测试值构建指标预测模型。因此，根据该指标预测模型可以由核心仿真指标的测试值得到目标指标的测试值。对于目标程序，可以通过仿真驾驶得到核心仿真指标的测试值，然后利用指标预测模型得到目标指标的测试值。具有成本低、效率高、测试准确的效果。

图4示出了本申请应用于MPI预测的应用示例的示意图。如图4所示，可以先初选预测方法例如选取的模型的类型，然后对已有的历史数据进行收集和分析，确认预测方法。再对历史数据进行仿真，具体而言，基于历史数据对应的自动驾驶程序进行仿真。结合历史数据和仿真结果建立数学模型。再检验模型是否可用，如果不可用，则返回初选预测方法的步骤，直至检验到模型可用。再对模型进行回归、评价、修正。利用自动驾驶程序进行MPI预测并统计误差，如果误差不满足要求则返回对模型进行回归、评价、修正，直至误差满足要求，输出模型，并基于模型进行预测程序的开发。对于自动驾驶程序的新版本预测需求和新区域预测需求，都可以利用预测程序完成预测。

图5示出了本申请应用于MPI预测的应用示例的示意图。如图5所示，在一次预测任务中，输入条件为预测软件版本（即待预测的某个版本的自动驾驶程序）、预测硬件方案（即运行自动驾驶程序的车辆信息例如型号等）和预测行驶区域（即目标区域）。将符合输入条件的信息输入到仿真平台。仿真平台基于预测行驶区域，利用预测场景分类器和组合器，确定对应的仿真区域。仿真平台中预先配置核心仿真指标为metric_A、metric_B、metric_C和metric_D，通过仿真驾驶得到这些核心仿真指标的测试值。然后，将核心仿真指标的测试值输入预测模型，预测模型中包括初始预测模型，利用初始预测模型获得初步的预测结果后，经硬件影响因子修正，可以得到MPI预测结果。

图6示出了本申请示例性实施例提供的指标预测模型的构建装置，包括：

第一确定模块610，用于根据与第一程序集合中的每个第一自动驾驶程序分别对应的历史驾驶数据，确定每个第一自动驾驶程序的目标指标的测试值；其中，第一程序集合包括至少两个第一自动驾驶程序；

第一仿真模块620，用于基于每个第一自动驾驶程序分别进行仿真驾驶，得到每个第一自动驾驶程序的核心仿真指标的测试值；

构建模块630，用于根据目标指标的测试值和核心仿真指标的测试值，构建指标预测模型。

示例性地，如图7所示，该装置还包括：

第二仿真模块710，用于基于第二程序集合中的每个第二自动驾驶程序分别进行仿真驾驶，得到每个第二自动驾驶程序的仿真指标的测试值；其中，第二程序集合包括至少两个第二自动驾驶程序；

第二确定模块720，用于根据仿真指标的测试值，确定第二程序集合中各第二自动驾驶程序间的仿真指标的测试差值；

选取模块730，用于选取测试差值符合预设条件的仿真指标作为核心仿真指标。

示例性地，构建模块630还用于将核心仿真指标的测试值作为自变量，目标指标的测试值作为因变量，采用最小二乘法构建指标预测模型。

示例性地，该装置还包括：

第三确定模块740，用于根据与第三程序集合中的每个第三自动驾驶程序分别对应的历史驾驶数据，确定硬件故障对目标指标的影响因子；其中，第三程序集合中包括至少一个第三自动驾驶程序；

修正模块750，用于根据影响因子，修正指标预测模型。

示例性地，第一确定模块610还用于根据与每个第一自动驾驶程序分别对应的通过在目标区域上驾驶得到的历史驾驶数据，确定每个第一驾驶程序的目标指标的测试值；

第一仿真模块620包括：

区域设置单元621，用于根据目标区域上各车辆的驾驶参数，在仿真平台中设置模拟目标区域的仿真区域；

第一区域仿真单元622，用于基于每个第一自动驾驶程序分别进行在仿真区域上的仿真驾驶，得到每个第一自动驾驶程序的核心仿真指标的测试值；

构建模块630还用于根据目标指标的测试值和核心仿真指标的测试值，构建与目标区域对应的指标预测模型。

示例性地，目标指标为每两次人工干预之间行驶的平均里程数MPI。

图8示出了本申请示例性实施例提供的一种自动驾驶程序的指标预测装置，包括：

第一获取模块810，用于获取目标程序；

第三仿真模块820，用于基于目标程序进行仿真驾驶，得到目标程序的核心仿真指标的测试值；

预测模块830，用于将目标程序的核心仿真指标的测试值输入至指标预测模型，得到目标程序的目标指标的测试值。

示例性地，第三仿真模块820包括：

获取单元，用于获取目标区域；

区域确定单元，用于根据目标区域，确定仿真平台中的仿真区域；

第二区域仿真单元，用于基于目标程序进行在仿真区域上的仿真驾驶，得到目标程序的核心仿真指标的测试值；

预测模块830还用于将目标程序的核心仿真指标的测试值输入至与目标区域对应的指标预测模型，得到目标程序在目标区域上的目标指标的测试值。

本申请实施例提供的装置，能够实现本申请任意实施例提供的方法，具备相应的有益效果。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图9所示，是根据本申请实施例的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图9所示，该电子设备包括：一个或多个处理器901、存储器902，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置（诸如，耦合至接口的显示设备）上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作（例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统）。图9中以一个处理器901为例。

存储器902即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的方法。

存储器902作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的方法对应的程序指令/模块（例如，附图6所示的第一确定模块610、第一仿真模块620和构建模块630）。处理器901通过运行存储在存储器902中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。

存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

电子设备还可以包括：输入装置903和输出装置904。处理器901、存储器902、输入装置903和输出装置904可以通过总线或者其他方式连接，图9中以通过总线连接为例。

输入装置903可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置904可以包括显示设备、辅助照明装置（例如，LED）和触觉反馈装置（例如，振动电机）等。该显示设备可以包括但不限于，液晶显示器（LCD）、发光二极管（LED）显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC（专用集成电路）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序（也称作程序、软件、软件应用、或者代码）包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置（例如，磁盘、光盘、存储器、可编程逻辑装置（PLD）），包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与虚拟专用服务器（VPS）服务中，存在的管理难度大，业务扩展性弱的缺陷。

根据本申请的技术方案，利用已有历史驾驶数据的第一程序集合，得到目标指标的测试值和核心仿真指标的测试值，再根据两类指标的测试值构建指标预测模型。因此，根据该指标预测模型可以由核心仿真指标的测试值得到目标指标的测试值。对于目标程序，可以通过仿真驾驶得到核心仿真指标的测试值，然后利用指标预测模型得到目标指标的测试值。具有成本低、效率高、测试准确的效果。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (10)

1.一种指标预测模型的构建方法，包括：

根据与所述每个第一自动驾驶程序分别对应的通过在目标区域上驾驶得到的历史驾驶数据，确定所述每个第一驾驶程序的目标指标的测试值；其中，第一程序集合包括至少两个第一自动驾驶程序，所述目标指标为每两次人工干预之间行驶的平均里程数MPI；

根据所述目标区域上各车辆的驾驶参数，在仿真平台中设置模拟所述目标区域的仿真区域；

基于所述每个第一自动驾驶程序分别进行在所述仿真区域上的仿真驾驶，得到所述每个第一自动驾驶程序的核心仿真指标的测试值；

将所述核心仿真指标的测试值作为自变量，所述目标指标的测试值作为因变量，采用最小二乘法构建与所述目标区域对应的指标预测模型。

2.根据权利要求1所述的方法，还包括：

基于第二程序集合中的每个第二自动驾驶程序分别进行仿真驾驶，得到所述每个第二自动驾驶程序的仿真指标的测试值；其中，所述第二程序集合包括至少两个第二自动驾驶程序；

根据所述仿真指标的测试值，确定所述第二程序集合中各第二自动驾驶程序间的仿真指标的测试差值；

选取所述测试差值符合预设条件的仿真指标作为所述核心仿真指标。

3.根据权利要求1所述的方法，还包括：

根据与第三程序集合中的每个第三自动驾驶程序分别对应的历史驾驶数据，确定硬件故障对所述目标指标的影响因子；其中，所述第三程序集合中包括至少一个第三自动驾驶程序；

根据所述影响因子，修正所述指标预测模型。

4.一种自动驾驶程序的指标预测方法，包括：

获取目标程序，所述目标程序为待测的自动驾驶程序；

获取目标区域；根据所述目标区域，确定仿真平台中的仿真区域；

基于所述目标程序进行在所述仿真区域上的仿真驾驶，得到所述目标程序的核心仿真指标的测试值；

将所述目标程序的核心仿真指标的测试值输入至目标区域对应的指标预测模型，得到所述目标程序在所述目标区域上的目标指标的测试值，所述指标预测模型为采用如权利要求1-3任一项所述方法构建的指标预测模型。

5.一种指标预测模型的构建装置，包括：

第一确定模块，用于根据与所述每个第一自动驾驶程序分别对应的通过在目标区域上驾驶得到的历史驾驶数据，确定所述每个第一驾驶程序的目标指标的测试值；其中，第一程序集合包括至少两个第一自动驾驶程序，所述目标指标为每两次人工干预之间行驶的平均里程数MPI；

第一仿真模块包括：

区域设置单元，用于根据所述目标区域上各车辆的驾驶参数，在仿真平台中设置模拟所述目标区域的仿真区域；

第一区域仿真单元，用于基于所述每个第一自动驾驶程序分别进行在所述仿真区域上的仿真驾驶，得到所述每个第一自动驾驶程序的核心仿真指标的测试值；

构建模块，用于将所述核心仿真指标的测试值作为自变量，所述目标指标的测试值作为因变量，采用最小二乘法构建与所述目标区域对应的指标预测模型。

6.根据权利要求5所述的装置，还包括：

第二仿真模块，用于基于第二程序集合中的每个第二自动驾驶程序分别进行仿真驾驶，得到所述每个第二自动驾驶程序的仿真指标的测试值；其中，所述第二程序集合包括至少两个第二自动驾驶程序；

第二确定模块，用于根据所述仿真指标的测试值，确定所述第二程序集合中各第二自动驾驶程序间的仿真指标的测试差值；

选取模块，用于选取所述测试差值符合预设条件的仿真指标作为所述核心仿真指标。

7.根据权利要求5所述的装置，还包括：

第三确定模块，用于根据与第三程序集合中的每个第三自动驾驶程序分别对应的历史驾驶数据，确定硬件故障对所述目标指标的影响因子；其中，所述第三程序集合中包括至少一个第三自动驾驶程序；

修正模块，用于根据所述影响因子，修正所述指标预测模型。

8.一种自动驾驶程序的指标预测装置，包括：

第一获取模块，用于获取目标程序，所述目标程序为待测的自动驾驶程序；

第三仿真模块，用于获取目标区域；根据所述目标区域，确定仿真平台中的仿真区域；基于所述目标程序进行仿真驾驶，得到所述目标程序的核心仿真指标的测试值；

预测模块，用于将所述目标程序的核心仿真指标的测试值输入至目标区域对应的指标预测模型，得到所述目标程序在所述目标区域上的目标指标的测试值，所述指标预测模型为采用如权利要求5-7任一项所述装置构建的指标预测模型。

9.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。

10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。