CN112181698A - 自动驾驶极限性能的测试方法、装置、设备及存储介质 - Google Patents

自动驾驶极限性能的测试方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112181698A
CN112181698A CN202010998096.0A CN202010998096A CN112181698A CN 112181698 A CN112181698 A CN 112181698A CN 202010998096 A CN202010998096 A CN 202010998096A CN 112181698 A CN112181698 A CN 112181698A
Authority
CN
China
Prior art keywords
test
parameter
population
initial
automatic 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.)
Pending
Application number
CN202010998096.0A
Other languages
English (en)
Inventor
罗文�
高锋
吴祖亮
冼伯明
戴兴润
周翔
刘丽云
张润怀
卢潇泓
罗捷
覃毅哲
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.)
Dongfeng Liuzhou Motor Co Ltd
Original Assignee
Dongfeng Liuzhou Motor 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 Dongfeng Liuzhou Motor Co Ltd filed Critical Dongfeng Liuzhou Motor Co Ltd
Priority to CN202010998096.0A priority Critical patent/CN112181698A/zh
Publication of CN112181698A publication Critical patent/CN112181698A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0736—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function
    • G06F11/0739—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function in a data processing system embedded in automotive or aircraft systems
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及自动驾驶性能测试技术领域，公开了一种自动驾驶极限性能的测试方法、装置、设备及存储介质，所述方法包括：获取初始测试场景，根据所述初始测试场景对待测试自动驾驶系统进行性能测试，得到初始测试数据，对所述初始测试数据进行筛选，得到筛选后的初始测试数据，并根据所述筛选后的初始测试数据生成测试参数父代个体对，对所述测试参数父代个体对进行参数交叉，获得测试参数子代个体对，对所述测试参数子代个体对进行参数变异，获得测试参数种群，根据所述测试参数种群确定目标测试场景，并通过目标测试场景重新对待测试自动驾驶系统进行性能测试，得到目标测试结果。通过增加交叉位置和变异次数，获取更加高效的测试场景。

Description

自动驾驶极限性能的测试方法、装置、设备及存储介质
技术领域
本发明涉及自动驾驶性能测试技术领域，尤其涉及一种自动驾驶极限性能的测试方法、装置、设备及存储介质。
背景技术
近年来，随着互联网技术的飞速发展，自动驾驶技术日益成为人们关注的话题，自动驾驶系统的性能事关交通参与者的人身安全，在系统开发过程中测试其性能是否满足既定要求非常重要，从而需要对自动驾驶系统的性能进行测试，目前的性能测试方法主要是根据被测系统的特点，确定用于评价其性能的指标，然后构建测试场景并执行测试，最后通过分析被测系统在各场景中运行时评价指标的取值，判定被测系统的性能是否满足需求，例如，基于典型场景的测试方法，容易造成导致场景覆盖率低，不易发现潜在的性能缺陷的问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提出一种自动驾驶极限性能的测试方法、装置、设备及存储介质，旨在解决如何获取更加高效的测试场景的技术问题。
为实现上述目的，本发明提供一种自动驾驶极限性能的测试方法，所述自动驾驶极限性能的测试方法包括以下步骤：
获取初始测试场景，根据所述初始测试场景对待测试自动驾驶系统进行性能测试，得到初始测试数据；
对所述初始测试数据进行筛选，得到筛选后的初始测试数据，并根据所述筛选后的初始测试数据生成测试参数父代个体对；
对所述测试参数父代个体对进行参数交叉，获得测试参数子代个体对；
对所述测试参数子代个体对进行参数变异，获得测试参数种群；
根据所述测试参数种群确定目标测试场景，并通过目标测试场景重新对待测试自动驾驶系统进行性能测试，得到目标测试结果。
优选地，所述对所述测试参数父代个体对进行参数交叉，获得测试参数子代个体对，包括：
对所述测试参数父代个体对进行单点交叉，获得参考子代个体对；
分别对所述参考子代个体对进行竞争处理，获得测试参数子代个体对。
优选地，所述对所述测试参数父代个体对进行单点交叉，获得参考子代个体对，包括：
获取所述测试参数父代个体对的交叉位置；
在所述交叉位置进行预设次数的单点交叉，获得参考子代个体对。
优选地，所述对所述测试参数子代个体对进行参数变异，获得测试参数种群，包括：
对所述测试参数子代个体对进行基本位变异，获得初始参数子代种群；
根据所述初始参数子代种群进行竞争处理，确定测试参数种群。
优选地，所述对所述测试参数子代个体对进行基本位变异，获得初始参数子代种群，包括：
获取预设变异次数信息；
根据所述预设变异次数信息对所述测试参数子代个体对进行基本位变异，获得初始参数子代种群。
优选地，所述根据所述初始参数子代种群进行竞争处理，确定测试参数种群，包括：
获取所述初始参数子代种群中测试场景构成要素的数量、测试场景构成要素的取值以及所述取值对应的重要度；
根据所述测试场景构成要素的数量、测试场景构成要素的取值以及所述取值对应的重要度得到初始参数子代种群的复杂度；
获取所述初始参数子代种群中的种群数量，根据所述初始参数子代种群的复杂度和所述种群数量得到平均复杂度；
根据所述平均复杂度确定测试参数种群。
优选地，所述根据所述平均复杂度确定测试参数种群，包括：
根据所述平均复杂度对所述预设种群数量对应的子代种群分配概率，得到概率信息；
根据所述概率信息从所述预设种群数量对应的子代种群中选取有效的目标子代种群；
将所述有效的目标子代种群作为测试参数种群。
此外，为实现上述目的，本发明还提出一种自动驾驶极限性能的测试装置，所述自动驾驶极限性能的测试装置包括：
获取模块，用于获取初始测试场景在被测自动驾驶系统的测试数据；
筛选模块，用于对所述测试数据进行筛选，获得测试父代个体对；
交叉模块，用于对所述测试父代个体对进行交叉，获得子代个体对；
变异模块，用于所述子代个体对进行变异，确定目标测试场景；
确定模块，用于根据所述测试参数种群确定目标测试场景，并通过目标测试场景重新对待测试自动驾驶系统进行性能测试，得到目标测试结果。
此外，为实现上述目的，本发明还提出一种自动驾驶极限性能的测试设备，所述自动驾驶极限性能的测试设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的自动驾驶极限性能的测试程序，所述自动驾驶极限性能的测试程序配置有实现如上所述的自动驾驶极限性能的测试方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有自动驾驶极限性能的测试程序，所述自动驾驶极限性能的测试程序被处理器执行时实现如上文所述的自动驾驶极限性能的测试步骤。
本发明提出的自动驾驶极限性能的测试方法，通过获取初始测试场景，根据所述初始测试场景对待测试自动驾驶系统进行性能测试，得到初始测试数据，对所述初始测试数据进行筛选，得到筛选后的初始测试数据，并根据所述筛选后的初始测试数据生成测试参数父代个体对，对所述测试参数父代个体对进行参数交叉，获得测试参数子代个体对，对所述测试参数子代个体对进行参数变异，获得测试参数种群，根据所述测试参数种群确定目标测试场景，并通过目标测试场景重新对待测试自动驾驶系统进行性能测试，得到目标测试结果。通过增加交叉位置和变异次数，从而获取更加高效的测试场景。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的自动驾驶极限性能的测试设备结构示意图；
图2为本发明自动驾驶极限性能的测试方法第一实施例的流程示意图；
图3为本发明自动驾驶极限性能的测试方法第二实施例的流程示意图；
图4为本发明自动驾驶极限性能的测试方法第三实施例的流程示意图；
图5为本发明自动驾驶极限性能的测试装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的自动驾驶极限性能的测试设备结构示意图。
如图1所示，该自动驾驶极限性能的测试设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如按键，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的设备结构并不构成对自动驾驶极限性能的测试设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及自动驾驶极限性能的测试程序。
在图1所示的自动驾驶极限性能的测试设备中，网络接口1004主要用于连接外网，与其他网络设备进行数据通信；用户接口1003主要用于连接用户设备，与所述用户设备进行数据通信；本发明设备通过处理器1001调用存储器1005中存储的自动驾驶极限性能的测试程序，并执行本发明实施例提供的自动驾驶极限性能的测试方法。
基于上述硬件结构，提出本发明自动驾驶极限性能的测试方法实施例。
参照图2，图2为本发明自动驾驶极限性能的测试方法第一实施例的流程示意图。
在第一实施例中，所述自动驾驶极限性能的测试方法包括以下步骤：
步骤S10，获取初始测试场景，根据所述初始测试场景对待测试自动驾驶系统进行性能测试，得到初始测试数据。
需要说明的是，本实施例的执行主体可为自动驾驶极限性能的测试设备，还可为其他可实现相同或相似功能的设备，本实施例对此不作限制，在本实施例中，以自动驾驶极限性能的测试设备为例进行说明。
应当理解的是，所述初始测试场景可为车辆在开放道路中自然行驶获得的测试场景，也可为基于真实交通场景建立自然驾驶数据库形成的虚拟测试场景，本实施例对此不作限制。
应当理解的是，所述待测试自动驾驶系统实现无人驾驶的智能汽车系统，向被测对象提供整个测试环境，可以为自动驾驶车辆上用于自动驾驶的软件程序和硬件部分的集成体，包含交通环境模拟系统、整车模拟系统、驾驶模拟系统及交互接口模拟系统，通过提供被测系统开发环境，从而使得运行管理更加灵活，控制更为有效。
可以理解的是，通过所述初始测试场景对待测试自动驾驶系统进行性能测试，通过接收硬件设备发送的自动驾驶车辆的实时数据，对自动驾驶车辆的行驶进行控制，得到初始测试数据，例如，根据初始测试场景在待测试自动驾驶系统提供的虚拟测试环境运行，并根据特定的路段进行仿真测试，分析测试过程，从而获得在各种测试项目虚拟测试环境下行驶的速度、时间、路径、航向角等数据集合的测试结果数据，因此可以把获得的速度、时间、路径、航向角等数据作为初始测试数据。
步骤S20，对所述初始测试数据进行筛选，得到筛选后的初始测试数据，并根据所述筛选后的初始测试数据生成测试参数父代个体对。
需要说明的是，所述对所述初始测试数据进行筛选是将所述初始数据进行离散化，通过模拟自然界的自然选择过程，筛选出能够向有利于发现待测自动驾驶系统极限性能的方向进化的数据，并将筛选后的初始测试数据进行随机配对生成测试参数父代个体对，也就是说测试参数父代个体对是初始数据离散化并经过自然选择筛选后的数据集合，如速度和航向角组成的个体对、时间和路径组成的个体对、或者其他参数组成的个体对。例如，测试场景为车辆从位置1行驶到位置2，根据所述初始测试场景对待测试自动驾驶系统进行性能测试，获得车辆从位置1行驶到位置2的初始测试数据，然后根据车辆的定位信息和目的地位置信息，依据当前时刻的车辆拥堵指数信息、车道平均行车速度信息、经过红路灯情况等相关信息，通过自然选择过程筛选出最佳路径的初始测试数据，初始测试数据是车辆从位置1行驶到位置2用时较短的速度、时间、行驶路径等数据信息集合。
步骤S30，对所述测试参数父代个体对进行参数交叉，获得测试参数子代个体对。
应当理解的是，通过获取所述测试参数父代个体对的交叉位置，对所述测试参数父代个体对进行预设次数的单点交叉，获得参考子代个体对，然后分别对所述参考子代个体对进行竞争处理，获得测试参数子代个体对。
可以理解的是，所述单点交叉就是通过随机选择一个交叉点，以这个交叉点为界限，相互交换个体对交叉点位置后的数据，例如，车速20km/h、航向角10deg、时间1min和车速25km/h、航向角5deg、时间2min，交叉点位置为2，则可以将两个个体对中的第二个数据后面的数据进行互换，互换后的两个个体对形成的参考子代个体对为车速20km/h、航向角10deg、时间2min和车速25km/h、航向角5deg、时间1min。
步骤S40，对所述测试参数子代个体对进行参数变异，获得测试参数种群。
需要说明的是，获取预设变异次数信息，对所述测试参数子代个体对进行基本位变异进行预设变异次数的基本位变异，获得初始参数子代种群，所述根据所述初始参数子代种群进行竞争处理，确定测试参数种群。
可以理解的是，所述基本位变异就是通过获取的变异次数，对指定的数据进行获取次数的变异运算，从而获得初始参数子代种群。
步骤S50，根据所述测试参数种群确定目标测试场景，并通过目标测试场景重新对待测试自动驾驶系统进行性能测试，得到目标测试结果。
可以理解的是，通过上述步骤获得的测试参数种群中的数据可以确定新的测试场景，将所述新的测试场景作为初始测试场景重新对待测试自动驾驶系统进行性能测试，得到目标测试结果，以此来进行自然选择过程、交叉运算和变异运算的循环操作，达到通过制订测试场景有效性评价指标，引导种群向有利于发现被测自动驾驶系统极限性能的方向进化，从而提高自适应寻找被测系统极限性能的效率。
本实施例中通过获取初始测试场景，根据所述初始测试场景对待测试自动驾驶系统进行性能测试，得到初始测试数据，对所述初始测试数据进行筛选，得到筛选后的初始测试数据，并根据所述筛选后的初始测试数据生成测试参数父代个体对，对所述测试参数父代个体对进行参数交叉，获得测试参数子代个体对，对所述测试参数子代个体对进行参数变异，获得测试参数种群，根据所述测试参数种群确定目标测试场景，并通过目标测试场景重新对待测试自动驾驶系统进行性能测试，得到目标测试结果。通过增加交叉位置和变异次数，从而获取更加高效的测试场景。
在一实施例中，如图3所示，基于第一实施例提出本发明自动驾驶极限性能的测试方法第二实施例，所述步骤S30，包括：
步骤S301，对所述测试参数父代个体对进行单点交叉，获得参考子代个体对。
进一步的，获取所述测试参数父代个体对的交叉位置，在所述交叉位置进行预设次数的单点交叉，获得参考子代个体对。
可以理解的是，例如，测试参数的父代个体对为(A1，A2，A3，A4，A5)和(B1，B2，B3，B4，B5)，预设交叉次数为2，则获取的所述测试参数父代个体对的交叉位置为1，则对所述测试参数的父代个体对进行单点交叉后的结果为(A1，B2，B3，B4，B5)和(B1，A2，A3，A4，A5)作为第一参考子代个体对，获取的所述测试参数父代个体对的交叉位置为2，则对所述测试参数的父代个体对进行单点交叉后的结果为(A1，A2，B3，B4，B5)和(B1，B2，A3，A4，A5)作为第二个参考子代个体对，从而可以将第一参考子代个体对和第二个参考子代个体对用来作为参考子代个体对，从而进一步优化子代个体对。
可以理解的是，所述预设次数的单点交叉是所述测试参数父代个体对执行交叉的次数，本实施例对交叉次数不作限制，以预设变异次数信息为L为例进行说明。
步骤S302，分别对所述参考子代个体对进行竞争处理，获得测试参数子代个体对。
进一步的，获取所述参考子代个体对中测试场景构成要素的数量、测试场景构成要素的取值以及所述取值对应的重要度，从而提高测试场景的准确性。
需要说明的是，根据所述测试场景构成要素的数量、测试场景构成要素的取值以及所述取值对应的重要度得到参考子代个体对的复杂度，根据如下公式为参考子代个体对的复杂度计算方法：
Figure BDA0002691919960000081
式中，X表示所述参考子代个体对的测试场景，xi表示第i个所述场景要素对应的取值；C(X)表示参考子代个体对的测试场景的复杂度；Ii表示所述第i个所述场景要素对应的取值的重要度，所述重要度主要是反应该要素对测试结果的影响程度，影响越大，重要度越大；m表示所述测试场景构成要素的数量。
进一步的，获取所述参考子代个体对中的预设个体对数量，根据所述初始目标子代种群的复杂度和所述个体对数量得到平均复杂度。
根据如下公式为参数子代个体对的平均复杂度计算方法：
Figure BDA0002691919960000082
式中，Xt代表由所述参考子代个体对中选取t个个体组成的个体对，其测试场景有效性，xi为Xt中第i个个体，则
Figure BDA0002691919960000083
即为参考子代个体对的平均复杂度。
可以理解的是，t可以是所述参考子代个体对中的预设个体对数量，本实施例对预设个体对数不作限制，可以是参与竞争的个体对，以预设个体对数量为t为例进行说明。
可以理解的是，根据所述平均复杂度对所述预设个体对数量对应的子代个体对分配概率，得到概率信息。
也就是说，根据参与竞争的t个个体组成的个体对复杂度的平均值，为其分配在兄弟竞争中胜出的概率，而概率信息也就是在兄弟竞争中个体对胜出的概率值，使得复杂度的平均值与胜出率正相关，且胜出率之和为1。
可以理解的是，根据所述概率信息从所述预设个体对数量对应的参考子代个体对选取有效的目标参考子代个体对。
也就是说，根据概率信息从预设个体对数量对应的参考子代个体对中随机选出一个胜出的个体对，而胜出的个体对即为有效的目标参考子代个体对。
可以理解的是，将所述有效的目标参考子代个体对作为测试参数子代个体对。
也就是说，通过对参考子代个体对所有个体对进行遍历，分别获取有效的目标参数子代个体对，生成测试参数种群，提高测试效率。
本实施例中通过获取初始测试场景，根据所述初始测试场景对待测试自动驾驶系统进行性能测试，得到初始测试数据，对所述初始测试数据进行筛选，得到筛选后的初始测试数据，并根据所述筛选后的初始测试数据生成测试参数父代个体对，对所述测试参数父代个体对进行单点交叉，获得参考子代个体，分别对所述参考子代个体对进行竞争处理，获得测试参数子代个体对，从而实现对测试参数父代个体的全交叉执行过程并进一步提高测试场景的准确性。
在一实施例中，如图3所示，基于第一实施例或第二实施例提出本发明自动驾驶极限性能的测试方法第三实施例，在本实施例中，基于第一实施例进行说明，所述步骤S40，包括：
步骤S401，对所述测试参数子代个体对进行基本位变异，获得初始参数子代种群。
进一步的，获取预设变异次数信息。
可以理解的是，所述预设变异次数信息是测试参数子代个体执行变异的次数，本实施例对变异次数不作限制，以预设变异次数信息为N为例进行说明。
进一步的，根据所述预设变异次数信息对所述测试参数子代个体对进行基本位变异，获得初始参数子代种群。
可以理解的是，对所述预设变异次数信息执行N次基本位变异算子，形成N个种群，即初始参数子代种群，例如，测试参数子代个体对为(E1，E2，E3，E4，E5)和(F1，F2，F3，F4，F5)，获取预设变异次数信息N为2，则对所述测试参数子代个体对对进行基本位变异算子后的结果为(E1，E4，E3，E2，E5)和(F1，F4，F3，F2，F5)，可以作为为初始参数子代个体，变异后的所有个体可以作为初始参数子代种群，从而进一步优化子代种群。
步骤S402，根据所述初始参数子代种群进行竞争处理，确定测试参数种群。
进一步的，获取所述初始参数子代种群中测试场景构成要素的数量、测试场景构成要素的取值以及所述取值对应的重要度。
进一步的，根据所述测试场景构成要素的数量、测试场景构成要素的取值以及所述取值对应的重要度得到参考子代个体对的复杂度，根据如下公式为参考子代个体对的复杂度计算方法：
Figure BDA0002691919960000101
式中，Y表示所述参考子代个体对的测试场景，xi表示第i个所述场景要素对应的取值，C(Y)表示参考子代个体对的测试场景的复杂度，Ii表示所述第i个所述场景要素对应的取值的重要度，m表示所述测试场景构成要素的数量。
进一步的，获取所述初始参数子代种群中的预设种群数量，根据所述初始目标子代种群的复杂度和所述种群数量得到平均复杂度。
根据如下公式为参数子代个体对的平均复杂度计算方法：
Figure BDA0002691919960000102
式中，Ye代表由所述初始参数子代种群中选取e个个体组成的个体种群，其测试场景有效性，yi为Ye中第i个个体，
Figure BDA0002691919960000103
即为初始参数子代种群的平均复杂度。
可以理解的是，e可以是所述初始参数子代种群中的预设种群数量，本实施例对预设种群数不作限制，可以是参与竞争的种群，以预设种群为e为例进行说明。
进一步的，根据所述平均复杂度确定测试参数种群。
可以理解的是，根据所述平均复杂度对所述预设种群数量对应的子代种群分配概率，得到概率信息。
也就是说，根据参与竞争的e个个体组成的个体种群复杂度的平均值，为其分配在兄弟竞争中胜出的概率，而概率信息也就是在兄弟竞争中种群胜出的概率值，使得复杂度的平均值与胜出率正相关，且胜出率之和为1。
可以理解的是，根据所述概率信息从所述预设种群数量对应的子代种群中选取有效的目标子代种群。
也就是说，根据概率信息从预设种群数量对应的子代种群中随机选出一个胜出的个体种群，而胜出的个体种群即为有效的目标种群。
可以理解的是，将所述有效的目标子代种群作为测试参数种群。
也就是说，通过对参考子代个体所有种群进行遍历，分别获取有效的目标子代种群，生成测试参数种群。
本实施例中通过初始测试场景在待测试自动驾驶系统进行性能测试获得的测试数据，在对所述测试数据进行自然选择过程和交叉运算获得测试参数子代个体对，然后对所述测试参数子代个体对进行基本位变异，获得初始参数子代种群，根据所述初始参数子代种群进行竞争处理，从竞争胜出的种群中选取测试参数种群，从而提高测试效率。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有自动驾驶极限性能的测试程序，所述自动驾驶极限性能的测试程序被处理器执行时实现如上文所述的自动驾驶极限性能的测试方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
此外，参照图4，本发明实施例还提出一种自动驾驶极限性能的测试装置，所述自动驾驶极限性能的测试装置包括：
获取模块10，用于获取初始测试场景在被测自动驾驶系统的测试数据。
应当理解的是，所述初始测试场景可为车辆在开放道路中自然行驶获得的测试场景，也可为基于真实交通场景建立自然驾驶数据库形成的虚拟测试场景，本实施例对此不作限制。
应当理解的是，所述待测试自动驾驶系统实现无人驾驶的智能汽车系统，向被测对象提供整个测试环境，可以为自动驾驶车辆上用于自动驾驶的软件程序和硬件部分的集成体，包含交通环境模拟系统、整车模拟系统、驾驶模拟系统及交互接口模拟系统，通过提供被测系统开发环境，从而使得运行管理更加灵活，控制更为有效。
可以理解的是，通过所述初始测试场景对待测试自动驾驶系统进行性能测试，通过接收硬件设备发送的自动驾驶车辆的实时数据，对自动驾驶车辆的行驶进行控制，得到初始测试数据，例如，根据初始测试场景在待测试自动驾驶系统提供的虚拟测试环境运行，并根据特定的路段进行仿真测试，然后分析测试过程，从而获得在各种测试项目虚拟测试环境下行驶的速度、时间、路径、航向角等数据集合的测试结果数据，因此可以把获得的速度、时间、路径、航向角等数据作为初始测试数据。
筛选模块20，用于所述测试数据进行筛选，获得测试父代个体对。
需要说明的是，所述对所述初始测试数据进行筛选是将所述初始数据进行离散化，通过模拟自然界的自然选择过程，筛选出能够向有利于发现待测自动驾驶系统极限性能的方向进化的数据，并将筛选后的初始测试数据进行随机配对生成测试参数父代个体对，也就是说测试参数父代个体对是初始数据离散化并经过自然选择筛选后的数据集合，如速度和航向角组成的个体对、时间和路径组成的个体对、或者其他参数组成的个体对。例如，测试场景为车辆从位置1行驶到位置2，根据所述初始测试场景对待测试自动驾驶系统进行性能测试，获得车辆从位置1行驶到位置2的初始测试数据，然后根据车辆的定位信息和目的地位置信息，依据当前时刻的车辆拥堵指数信息、车道平均行车速度信息、经过红路灯情况等相关信息，通过自然选择过程筛选出最佳路径的初始测试数据，初始测试数据是车辆从位置1行驶到位置2用时较短的速度、时间、行驶路径等数据信息集合。
交叉模块30，用于对所述测试父代个体对进行交叉，获得子代个体对。
应当理解的是，获取所述测试参数父代个体对的交叉位置，对所述测试参数父代个体对进行预设次数的单点交叉，获得参考子代个体对，然后分别对所述参考子代个体对进行竞争处理，获得测试参数子代个体对。
可以理解的是，所述单点交叉就是通过随机选择一个交叉点，以这个交叉点为界限，相互交换个体对交叉点位置后的数据，例如，车速20km/h、航向角10deg、时间1min和车速25km/h、航向角5deg、时间2min，交叉点位置为2，则可以将两个个体对中的第二个数据后面的数据进行互换，互换后的两个个体对形成的参考子代个体对为车速20km/h、航向角10deg、时间2min和车速25km/h、航向角5deg、时间1min。
变异模块40，用于所述子代个体对进行变异，确定目标测试场景。
需要说明的是，获取预设变异次数信息，对所述测试参数子代个体对进行基本位变异进行预设变异次数的基本位变异，获得初始参数子代种群，所述根据所述初始参数子代种群进行竞争处理，确定测试参数种群。
可以理解的是，所述基本位变异就是通过获取的变异次数，对指定的数据进行获取次数的变异运算，从而获得初始参数子代种群。
确定模块50，用于根据所述测试参数种群确定目标测试场景，并通过目标测试场景重新对待测试自动驾驶系统进行性能测试，得到目标测试结果。
可以理解的是，通过上述步骤获得的测试参数种群中的数据可以确定新的测试场景，将所述新的测试场景作为初始测试场景重新对待测试自动驾驶系统进行性能测试，得到目标测试结果，以此来进行自然选择过程、交叉运算和变异运算的循环操作，达到通过制订测试场景有效性评价指标，引导种群向有利于发现被测自动驾驶系统极限性能的方向进化，从而提高自适应寻找被测系统极限性能的效率。
本实施例中通过获取初始测试场景，根据所述初始测试场景对待测试自动驾驶系统进行性能测试，得到初始测试数据，对所述初始测试数据进行筛选，得到筛选后的初始测试数据，并根据所述筛选后的初始测试数据生成测试参数父代个体对，对所述测试参数父代个体对进行参数交叉，获得测试参数子代个体对，对所述测试参数子代个体对进行参数变异，获得测试参数种群，根据所述测试参数种群确定目标测试场景，并通过目标测试场景重新对待测试自动驾驶系统进行性能测试，得到目标测试结果。通过增加交叉位置和变异次数，获取更加高效的测试场景。
在一实施例中，所述交叉模块30，还用于对所述测试参数父代个体对进行单点交叉，获得参考子代个体对；分别对所述参考子代个体对进行竞争处理，获得测试参数子代个体对。
在一实施例中，所述交叉模块30，还用于获取所述测试参数父代个体对的交叉位置；在所述交叉位置进行预设次数的单点交叉，获得参考子代个体对。
在一实施例中，所述变异模块40，还用于对所述测试参数子代个体对进行基本位变异，获得初始参数子代种群；根据所述初始参数子代种群进行竞争处理，确定测试参数种群。
在一实施例中，所述变异模块40，还用于获取预设变异次数信息；根据所述预设变异次数信息对所述测试参数子代个体对进行基本位变异，获得初始参数子代种群。
在一实施例中，所述变异模块40，还用于获取所述初始参数子代种群中测试场景构成要素的数量、测试场景构成要素的取值以及所述取值对应的重要度；根据所述测试场景构成要素的数量、测试场景构成要素的取值以及所述取值对应的重要度得到初始目标子代种群的复杂度；获取所述初始参数子代种群中的种群数量，根据所述初始目标子代种群的复杂度和所述种群数量得到平均复杂度；根据所述平均复杂度确定测试参数种群。
在一实施例中，所述变异模块40，还用于根据所述平均复杂度对所述预设种群数量对应的子代种群分配概率，得到概率信息；根据所述概率信息从所述预设种群数量对应的子代种群中选取有效的目标子代种群；将所述有效的目标子代种群作为测试参数种群。
在本发明所述自动驾驶极限性能的测试装置的其他实施例或具体实现方法可参照上述各方法实施例，此处不再赘述。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该估算机软件产品存储在如上所述的一个估算机可读存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台智能自动驾驶极限性能的测试设备(可以是手机，估算机，自动驾驶极限性能的测试设备，空调器，或者网络自动驾驶极限性能的测试设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种自动驾驶极限性能的测试方法，其特征在于，所述自动驾驶极限性能的测试方法包括以下步骤：
获取初始测试场景，根据所述初始测试场景对待测试自动驾驶系统进行性能测试，得到初始测试数据；
对所述初始测试数据进行筛选，得到筛选后的初始测试数据，并根据所述筛选后的初始测试数据生成测试参数父代个体对；
对所述测试参数父代个体对进行参数交叉，获得测试参数子代个体对；
对所述测试参数子代个体对进行参数变异，获得测试参数种群；
根据所述测试参数种群确定目标测试场景，并通过目标测试场景重新对待测试自动驾驶系统进行性能测试，得到目标测试结果。
2.如权利要求1所述的自动驾驶极限性能的测试方法，其特征在于，所述对所述测试参数父代个体对进行参数交叉，获得测试参数子代个体对，包括：
对所述测试参数父代个体对进行单点交叉，获得参考子代个体对；
分别对所述参考子代个体对进行竞争处理，获得测试参数子代个体对。
3.如权利要求2所述的自动驾驶极限性能的测试方法，其特征在于，所述对所述测试参数父代个体对进行单点交叉，获得参考子代个体对，包括：
获取所述测试参数父代个体对的交叉位置；
在所述交叉位置进行预设次数的单点交叉，获得参考子代个体对。
4.如权利要求1所述的自动驾驶极限性能的测试方法，其特征在于，所述对所述测试参数子代个体对进行参数变异，获得测试参数种群，包括：
对所述测试参数子代个体对进行基本位变异，获得初始参数子代种群；
根据所述初始参数子代种群进行竞争处理，确定测试参数种群。
5.如权利要求4所述的自动驾驶极限性能的测试方法，其特征在于，所述对所述测试参数子代个体对进行基本位变异，获得初始参数子代种群，包括：
获取预设变异次数信息；
根据所述预设变异次数信息对所述测试参数子代个体对进行基本位变异，获得初始参数子代种群。
6.如权利要求4所述的自动驾驶极限性能的测试方法，其特征在于，所述根据所述初始参数子代种群进行竞争处理，确定测试参数种群，包括：
获取所述初始参数子代种群中测试场景构成要素的数量、测试场景构成要素的取值以及所述取值对应的重要度；
根据所述测试场景构成要素的数量、测试场景构成要素的取值以及所述取值对应的重要度得到初始参数子代种群的复杂度；
获取所述初始参数子代种群中的预设种群数量，根据所述初始参数子代种群的复杂度和所述预设种群数量得到平均复杂度；
根据所述平均复杂度确定测试参数种群。
7.如权利要求6所述的自动驾驶极限性能的测试方法，其特征在于，所述根据所述平均复杂度确定测试参数种群，包括：
根据所述平均复杂度对所述预设种群数量对应的子代种群分配概率，得到概率信息；
根据所述概率信息从所述预设种群数量对应的子代种群中选取有效的目标子代种群；
将所述有效的目标子代种群作为测试参数种群。
8.一种自动驾驶极限性能的测试装置，其特征在于，所述自动驾驶极限性能的测试装置包括：
获取模块，用于获取初始测试场景在被测自动驾驶系统的测试数据；
筛选模块，用于对所述测试数据进行筛选，获得测试父代个体对；
交叉模块，用于对所述测试父代个体对进行交叉，获得子代个体对；
变异模块，用于所述子代个体对进行变异，确定目标测试场景；
确定模块，用于根据所述测试参数种群确定目标测试场景，并通过目标测试场景重新对待测试自动驾驶系统进行性能测试，得到目标测试结果。
9.一种自动驾驶极限性能的测试设备，其特征在于，所述自动驾驶极限性能的测试设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的自动驾驶极限性能的测试程序，所述自动驾驶极限性能的测试程序配置有实现如权利要求1至7中任一项所述的自动驾驶极限性能的测试方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有自动驾驶极限性能的测试程序，所述自动驾驶极限性能的测试程序被处理器执行时实现如权利要求1至7中任一项所述的自动驾驶极限性能的测试方法的步骤。
CN202010998096.0A 2020-09-21 2020-09-21 自动驾驶极限性能的测试方法、装置、设备及存储介质 Pending CN112181698A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010998096.0A CN112181698A (zh) 2020-09-21 2020-09-21 自动驾驶极限性能的测试方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010998096.0A CN112181698A (zh) 2020-09-21 2020-09-21 自动驾驶极限性能的测试方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN112181698A true CN112181698A (zh) 2021-01-05

Family

ID=73956399

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010998096.0A Pending CN112181698A (zh) 2020-09-21 2020-09-21 自动驾驶极限性能的测试方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112181698A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113406962A (zh) * 2021-08-20 2021-09-17 禾多阡陌科技(北京)有限公司 自动驾驶车辆测试信息确定方法、装置和电子设备
CN113815380A (zh) * 2021-07-20 2021-12-21 东风柳州汽车有限公司 空调控制方法、装置、设备及存储介质
CN113918475A (zh) * 2021-12-15 2022-01-11 腾讯科技（深圳）有限公司 测试处理方法、装置、计算机设备及存储介质
CN115080450A (zh) * 2022-08-22 2022-09-20 深圳慧拓无限科技有限公司 自动驾驶测试数据生成方法及系统、电子设备、存储介质
WO2022246860A1 (zh) * 2021-05-28 2022-12-01 深圳市大疆创新科技有限公司 一种自动驾驶系统的性能测试方法
CN117056746A (zh) * 2023-10-11 2023-11-14 长春汽车工业高等专科学校 一种基于大数据的汽车测试平台及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9785886B1 (en) * 2017-04-17 2017-10-10 SparkCognition, Inc. Cooperative execution of a genetic algorithm with an efficient training algorithm for data-driven model creation
CN110955159A (zh) * 2019-11-28 2020-04-03 安徽江淮汽车集团股份有限公司 自动驾驶仿真例编制方法、装置、电子设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9785886B1 (en) * 2017-04-17 2017-10-10 SparkCognition, Inc. Cooperative execution of a genetic algorithm with an efficient training algorithm for data-driven model creation
CN110955159A (zh) * 2019-11-28 2020-04-03 安徽江淮汽车集团股份有限公司 自动驾驶仿真例编制方法、装置、电子设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
FLORIAN KLUCK 等: "Genetic Algorithm-based Test Parameter Optimization for ADAS System Testing", 《2019 IEEE 19TH INTERNATIONAL CONFERENCE ON SOFTWARE QUALITY, RELIABILITY AND SECURITY (QRS)》 *
施振兴等: "基于遗传算法的自动驾驶仪参数多目标优化研究", 《空天防御》 *
朱超等: "基于进化策略的开放式车辆路径问题", 《物流技术》 *
邓璐娟等: "基于改进粒子群算法的测试数据自动生成研究", 《计算机测量与控制》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022246860A1 (zh) * 2021-05-28 2022-12-01 深圳市大疆创新科技有限公司 一种自动驾驶系统的性能测试方法
CN113815380A (zh) * 2021-07-20 2021-12-21 东风柳州汽车有限公司 空调控制方法、装置、设备及存储介质
CN113406962A (zh) * 2021-08-20 2021-09-17 禾多阡陌科技(北京)有限公司 自动驾驶车辆测试信息确定方法、装置和电子设备
CN113918475A (zh) * 2021-12-15 2022-01-11 腾讯科技（深圳）有限公司 测试处理方法、装置、计算机设备及存储介质
CN115080450A (zh) * 2022-08-22 2022-09-20 深圳慧拓无限科技有限公司 自动驾驶测试数据生成方法及系统、电子设备、存储介质
CN117056746A (zh) * 2023-10-11 2023-11-14 长春汽车工业高等专科学校 一种基于大数据的汽车测试平台及方法

Similar Documents

Publication Publication Date Title
CN112181698A (zh) 自动驾驶极限性能的测试方法、装置、设备及存储介质
Park et al. Development and Evaluation of a Procedure for the Calibration of Simulation Models
CN110009171B (zh) 用户行为模拟方法、装置、设备及计算机可读存储介质
Ban A game theoretical approach for modelling merging and yielding behaviour at freeway on-ramp sections
CN110955159B (zh) 自动驾驶仿真例编制方法、装置、电子设备及存储介质
CN109117863B (zh) 基于深度卷积生成对抗网络的绝缘子样本扩充方法及装置
CN112083933A (zh) 一种基于强化学习的服务功能链部署方法
Tesoriere et al. The surrogate safety appraisal of the unconventional elliptical and turbo roundabouts
CN113688957A (zh) 一种基于多模型融合的目标检测方法、装置、设备及介质
CN113093569A (zh) 自动驾驶的仿真测试方法、装置、设备和存储介质
CN114354219A (zh) 自动驾驶车辆的测试方法及装置
CN109743286A (zh) 一种基于图卷积神经网络的ip类型标记方法及设备
CN117172633B (zh) 一种面向工业互联网平台的制造服务子图仿真方法及系统
Ni et al. Effect of heavy rainstorm and rain-induced waterlogging on traffic flow on urban road sections: Integrated experiment and simulation study
JP2020064584A (ja) サポートベクターマシンに基づく交差点知能運転方法及びそのシステム
CN115114329A (zh) 数据流异常检测的方法、装置、电子设备和存储介质
CN115186305B (zh) 一种构建数据元件模型并生产数据元件的方法
CN110782117A (zh) 驾驶风险检测方法及装置、存储介质、电子设备
Vargas et al. Methodology to quantitatively assess impacts of 5G telecommunications cybersecurity risk scenarios on dependent connected urban transportation systems
CN115729829A (zh) 一种基于改进遗传算法的自动驾驶加速测试方法
CN113612631B (zh) 车联网威胁建模方法、系统及计算机可读存储介质
CN106504532B (zh) 一种确定上游信号控制点位的方法和装置
CN114821173A (zh) 图像分类方法、装置、设备及存储介质
CN114780646A (zh) 车辆处理方法、装置、计算机设备及存储介质
CN114297048A (zh) 一种自动驾驶仿真测试方法、系统、电子设备及存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210105