CN113158560A - 一种基于场景对抗的智能驾驶车辆自主能力测试方法 - Google Patents

一种基于场景对抗的智能驾驶车辆自主能力测试方法 Download PDF

Info

Publication number
CN113158560A
CN113158560A CN202110382823.5A CN202110382823A CN113158560A CN 113158560 A CN113158560 A CN 113158560A CN 202110382823 A CN202110382823 A CN 202110382823A CN 113158560 A CN113158560 A CN 113158560A
Authority
CN
China
Prior art keywords
scene
simulation test
driving vehicle
intelligent driving
test scene
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
Application number
CN202110382823.5A
Other languages
English (en)
Other versions
CN113158560B (zh
Inventor
余彪
郑小坤
梁华为
祝辉
徐礼伟
陈志磊
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.)
Hefei Institutes of Physical Science of CAS
Original Assignee
Hefei Institutes of Physical Science of CAS
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 Hefei Institutes of Physical Science of CAS filed Critical Hefei Institutes of Physical Science of CAS
Priority to CN202110382823.5A priority Critical patent/CN113158560B/zh
Publication of CN113158560A publication Critical patent/CN113158560A/zh
Application granted granted Critical
Publication of CN113158560B publication Critical patent/CN113158560B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Optimization (AREA)
  • Genetics & Genomics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于场景对抗的智能驾驶车辆自主能力测试方法，具体步骤包括建立基于对抗性测试的参数化仿真测试场景及单目标的优化模型；获取待测智能驾驶车辆系统的仿真测试场景数据，并输入建立的自主能力量化的评估模型，得到待测智能驾驶车辆系统的性能边界和评估结果；根据评估结果判断当前仿真测试场景是否是期望的仿真测试场景；根据期望阈值重新调整仿真测试场景参数，形成下一次的仿真测试场景，直至最接近期望阈值，利用进化搜索策略对得到期望的优化模型求解。本发明生成转化为优化搜索问题，建立单目标优化模型，并以启发式搜索算法作为搜索策略。实现简单场景快速向具有挑战性场景的演变，减少对场景库的依赖，提升测试效率。

Description

一种基于场景对抗的智能驾驶车辆自主能力测试方法
技术领域
本发明涉及智能驾驶车辆测试评价技术领域，特别涉及一种基于场景对抗的智能驾驶车辆自主能力测试方法。
背景技术
为了充分验证智能驾驶车辆的自主能力，需要行驶足够多的测试里程数进行评估。Nidhi和Susan运用统计学方法表明智能驾驶汽车须测试行驶数亿英里甚至数千亿英里才足以证明智能驾驶汽车的安全性，基于当前常用的实车测试方法需要数十年甚至上百年的时间来完成这些测试里程。而仿真测试能够极大的节省实车测试所带来的人力、物力与财力上的消耗，同时具有场景配置灵活、测试效率高、测试重复性强等优点，因此，仿真测试已经成为当前用来加速智能驾驶车辆自主能力的验证与评估的重要手段。在上亿公里的仿真测试中，通过制定极端特定场景案例不但可以提高算法的鲁棒性，还可以减少研发成本。具有挑战性的测试场景更易测出智能驾驶车辆的性能边界。而不同复杂程度的挑战性场景可以很好的量化定义智能驾驶车辆的自主性能边界。挑战性场景的加速生成是有效评估智能驾驶车辆自主性能边界的重要手段。
现有技术的不足之处在于，目前大部分挑战性场景的生成方案是基于已有的场景库或大量的场景数据的基础上。因此挑战性测试场景的生成方式需要大量的样本空间，以及可能面临着大量计算的困扰，存在场景覆盖性不全，测试成本消耗巨大等问题。
发明内容
本发明的目的克服现有技术存在的不足，为实现以上目的，采用一种基于场景对抗的智能驾驶车辆自主能力测试方法，以解决上述背景技术中提出的问题。
一种基于场景对抗的智能驾驶车辆自主能力测试方法，具体步骤包括：
建立基于对抗性测试的参数化仿真测试场景及单目标的优化模型；
获取待测智能驾驶车辆系统的仿真测试场景数据，并输入建立的自主能力量化的评估模型，得到待测智能驾驶车辆系统的性能边界和评估结果；
根据评估结果判断当前仿真测试场景是否是期望的仿真测试场景；
根据期望阈值重新调整仿真测试场景参数，形成下一次的仿真测试场景，直至最接近期望阈值，利用进化搜索策略对得到期望的优化模型求解。
作为本发明的进一步的方案：所述参数化仿真测试场景的具体步骤包括：
根据仿真测试场景所需要的测试要求，获取仿真测试场景中环境参数进行参数化；
所述环境参数包括对象的类型、空间位置信息、航向信息、体积大小、速度、加速度、轨迹、材质、太阳能量、光源位置，以及气候类型。
作为本发明的进一步的方案：所述建立单目标的优化模型的具体步骤包括：
将基于对抗性测试的参数化后的仿真测试场景转化为单目标多维搜索空间下的优化问题，建立优化模型，数学模型为：
Figure BDA0003013621260000021
其中，X＝(r1,r2,r3,…,rn)为参数化的仿真测试场景的集合，r为仿真测试场景的一个环境参数，M表示被测算法，R(M,X)表示被测算法M在仿真测试场景X下的测试结果，
Figure BDA0003013621260000022
表示测试结果R(M,X)对应的评估结果，Cp表示期望达到评估结果、即期望阈值,mind(X)表示当前仿真测试场景与期望的能够体现智能驾驶车辆性能边界的仿真测试场景最接近。
作为本发明的进一步的方案：所述获取待测智能驾驶车辆系统的仿真测试场景数据，并输入建立的自主能力量化的评估模型，得到待测智能驾驶车辆系统的性能边界和评估结果的具体步骤包括：
获取待测智能驾驶车辆系统的参数化后的仿真测试场景数据；
建立自主能力量化的评估模型，模型公式如下：
Figure BDA0003013621260000023
其中，
Figure BDA0003013621260000024
表示测试结果R(M,X)对应的评估结果，Ssafety、Ssmooth、Ssharp、Ssmart分别表示智能驾驶车辆综合能力的四项评价指标，即安全性、舒适性、敏捷性、智能性，wi，i∈{1,2,3,4}分别为四项评价指标的权重系数、且
Figure BDA0003013621260000031
将参数化后的仿真测试场景数据输入评估模型，得到对应的评估结果。
作为本发明的进一步的方案：所述安全性评价指标确定的具体步骤包括：
将时间序列化作为安全性评估指标；
根据运动物体在智能驾驶车辆周围形成动能场的场强；以及
根据静止物体在智能驾驶车辆周围形成势能场的场强，得到对智能驾驶车辆的风险系数，具体公式如下：
Figure BDA0003013621260000032
Figure BDA0003013621260000033
DRPt＝VP+RP；
Figure BDA0003013621260000034
其中，DRPt为仿真测试场景中t时刻行车风险系数，VP为运动物体i(xi,yi)在其周围形成的动能场在(xj,yj)处场强的表达式，RP为静止物体i(xi,yi)在其周围形成的势能场在(xj,yj)处场强的表达式，n为场景中运动障碍物个数，rij＝(xj-xi,yj-yi)表示两点间距离矢量，k1,k2,G均为大于0的常数，vi为物体i的速度,θi为物体i速度方向与rij的夹角，T为测试时长。
作为本发明的进一步的方案：所述舒适性评价指标确定的具体步骤包括：
根据智能驾驶车辆的加速度a的变化率确定舒适性评价指标，具体公式如下：
Figure BDA0003013621260000041
其中，f(t)表示仿真测试场景输出的加速度与时间的关系函数，Δt为计算加速度的变化率时对测试时长T无限等分后的时间长度。
作为本发明的进一步的方案：所述敏捷性评价指标确定的具体步骤包括：
根据仿真测试场景的完成时间与全程智能驾驶车辆的平均速度作为敏捷性评价指标，具体公式如下：
Figure BDA0003013621260000042
其中，v(t)≤vmax，vmax为最大速度上限，vi为i时刻自车的速度值，若v(t)超过最大限制速度值，则设定v(t)＝0。
作为本发明的进一步的方案：所述智能性评价指标确定的具体步骤包括：
根据智能驾驶车辆规避风险能力作为智能性评价指标，具体公式如下：
Figure BDA0003013621260000043
Figure BDA0003013621260000044
其中，DRPt为仿真测试场景中t时刻行车风险系数，M(t)为测试过程中t时刻的规避风险能力的体现函数，k1,k2均为大于0的常数，Rn∈{R1:0.5,R2:1,R3:0.5,R4:0.5,R5:0.3,}为测试过程中车辆因违反交通规则的处罚系数。
作为本发明的进一步的方案：所述利用进化搜索策略对得到期望的优化模型求解的具体步骤包括：
根据进化搜索策略的遗传算法进行对抗测试的优化模型求解；
将仿真测试场景数据集合的环境参数X＝(r1,r2,r3,…,rn)进行二进制编码；
根据环境参数r期望的精度值pi确定需要的基因数li，具体公式为：
Figure BDA0003013621260000051
其中，pi∈N为变量ri∈[ai,bi]期望达到的精度值；
根据基因数li以及环境参数r进行二进制编码，进而生成种群规模n的初始种群{X1,X2,…,Xn}；
根据优化模型d(X)确定适应度为c(X)＝1/d(X)；
再根据选择概率
Figure BDA0003013621260000052
选择生成新的种群；
利用交叉概率和变异概率进行下个个体的基因序列相互交叉和基因变异；
进行迭代，最后输出适应度最高的解。
与现有技术相比，本发明存在以下技术效果：
通过采用上述的技术方案，建立智能驾驶车辆对抗性测试场景生成框架，根据提供的不同仿真测试场景数据，从而逼近最具有挑战性场景，得到最易测出待测智能驾驶车辆的性能边界，并生成转化为优化搜索问题，建立基于对抗测试的单木目标优化模型，且以启发式搜索算法作为搜索策略。实现初始化简单场景快速向具有挑战性场景的演变，从而减少了对场景库的依赖，减少仿真实验次数，提升了仿真测试效率。
附图说明
下面结合附图，对本发明的具体实施方式进行详细描述：
图1为本申请公开的一些实施例的智能驾驶车辆自主能力测试方法的步骤示意图；
图2为本申请公开的一些实施例的仿真对抗测试整体设计框架的示意图；
图3为本申请公开的一些实施例的行车风险场场强与复杂仿真场景对比图；
图4为本申请公开的一些实施例的遗传算法实现对抗测试优化模型流程图。
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。
请参考图1，本发明实施例中，一种基于场景对抗的智能驾驶车辆自主能力测试方法，具体步骤包括：
S1、建立基于对抗性测试的参数化仿真测试场景及单目标的优化模型；
如图2所示，建立智能驾驶车辆对抗性测试场景生成框架，使得待测智能驾驶车辆系统与仿真测试系统进行交互。
仿真测试系统可以根据待测智能驾驶车辆系统的不同，提供相应所需的仿真测试场景数据，待测智能驾驶车辆系统反馈处理结果给仿真测试系统。
待测智能驾驶车辆系统在不同的测试场景下测试会得到不同的测试结果。同时对不同的测试结果，利用建立的自主能力量化的评估模型进行评估，获得待测智能驾驶车辆系统的自主能力程度的高低。
智能驾驶车辆系统测试的目的是为了得到待测智能驾驶车辆系统的性能边界，并且能够快速的发现问题并指出问题，从而对智能驾驶车辆系统的能力改善提出针对性的指导意见。
为了得到最易测出的智能驾驶车辆系统的性能边界，可通过确定最优环境参数生成对应的具有挑战性的测试场景。
在一些具体的实施例中，所述参数化仿真测试场景的具体步骤包括：
首先根据仿真测试场景所需要的测试要求，获取仿真测试场景中环境参数，进行结构化和参数化数据；
所述环境参数包括对象的类型objectTypeNamei、空间位置信息Posei、航向信息Headingi、体积大小Sizei、速度vi、加速度ai、轨迹Trajectoryi、材质Materiali、太阳能量PowerRatio、光源位置Pose，以及气候类型Weather。
具体对应的环境参数数据化如下表所示：
Figure BDA0003013621260000071
在一些具体的实施例中，所述建立单目标的优化模型的具体步骤包括：
将基于对抗性测试的参数化后的仿真测试场景转化为单目标多维搜索空间下的优化问题，建立优化模型，数学模型为：
Figure BDA0003013621260000072
其中，X＝(r1,r2,r3,…,rn)为参数化的仿真测试场景的集合，r为仿真测试场景的一个环境参数，M表示被测算法，R(M,X)表示被测算法M在仿真测试场景X下的测试结果，
Figure BDA0003013621260000073
表示测试结果R(M,X)对应的评估结果，Cp表示期望达到评估结果、即期望阈值,mind(X)表示当前仿真测试场景与期望的能够体现智能驾驶车辆性能边界的仿真测试场景最接近，mind(X)取值越小，则两者月接近。，测试结果是指智能驾驶车辆从场景起始位置到目标位置这一过程中与时间相关连续的状态与位置信息。
具体的，目标函数为d(X)值无限逼近零，同时约束条件为测试结果R(M,X)有值且满足正常输出，即智能驾驶车辆在阈值时间内到达目标点位置附近。同时保证
Figure BDA0003013621260000081
评估值在容忍区间内。约束条件保证了在搜索范围内排除极端无意义的测试情况。
S2、获取待测智能驾驶车辆系统的仿真测试场景数据，并输入建立的自主能力量化的评估模型，得到待测智能驾驶车辆系统的性能边界和评估结果；
具体步骤包括：
获取待测智能驾驶车辆系统的参数化后的仿真测试场景数据；
建立自主能力量化的评估模型，模型公式如下：
Figure BDA0003013621260000082
其中，
Figure BDA0003013621260000083
表示测试结果R(M,X)对应的评估结果，Ssafety、Ssmooth、Ssharp、Ssmart分别表示智能驾驶车辆综合能力的四项评价指标，即安全性、舒适性、敏捷性、智能性，wi，i∈{1,2,3,4}分别为四项评价指标的权重系数、且
Figure BDA0003013621260000084
将参数化后的仿真测试场景数据输入评估模型，得到对应的评估结果。
在一些具体的实施例中，所述安全性评价指标确定的具体步骤包括：
如图3所示，为了确定智能驾驶车辆行驶过程中，各种要素对安全性造成的风险度。建立行车风险场模型，利用场景中障碍物对它车各类风险累计形成场的对应关系。同时通过行车风险场的场强分布图，可以非常直观的判断出各个位置行车危险程度的大小。将时间序列化作为安全性评估指标。
具体的，行车风险场模型由运动物体形成的动能场、静止物体形成的势能场两部分组成。
根据运动物体在智能驾驶车辆周围形成动能场的场强；以及
根据静止物体在智能驾驶车辆周围形成势能场的场强，得到对智能驾驶车辆的风险系数，具体公式如下：
Figure BDA0003013621260000091
Figure BDA0003013621260000092
DRPt＝VP+RP；
Figure BDA0003013621260000093
以对随时间递进而变化的DRP(t)函数求数值积分再除以时间来表示这一过程的安全系性评价指标。
其中，DRPt为仿真测试场景中t时刻行车风险系数，VP为运动物体i(xi,yi)在其周围形成的动能场在(xj,yj)处场强的表达式，RP为静止物体i(xi,yi)在其周围形成的势能场在(xj,yj)处场强的表达式，n为场景中运动障碍物个数；
具体的，(xi,yi)为该运动物体的坐标，x轴为沿道路线方向，y轴为垂直于道路线方向，矢量VP表征运动物体i对周围环境产生的潜在危险程度，场强越大，表示物体i产生的潜在危险越大，场强方向与rij相同，且沿场强方向，场强减小速度最快，rij＝(xj-xi,yj-yi)表示两点间距离矢量，k1,k2,G均为大于0的常数，物体i沿x轴正向运动，vi为物体i的速度,θi为物体i速度方向与rij的夹角，顺时针方向为正，T为测试时长。
在一些具体的实施例中，所述舒适性评价指标确定的具体步骤包括：
测试结果有每一时刻智能驾驶车辆的横向加速度ax、纵向加速度ay及垂直方向加速度az，智能驾驶车辆的加速度a＝ax+ay+az。加速度的变化率与车辆的舒适性相关，据此建立舒适性评价指标公式。
根据智能驾驶车辆的加速度a的变化率确定舒适性评价指标，具体公式如下：
Figure BDA0003013621260000101
其中，f(t)表示仿真测试场景输出的加速度与时间的关系函数，Δt为计算加速度的变化率时对测试时长T无限等分后的时间长度。函数公式平方是将函数的细节表现放大化。
在一些具体的实施例中，所述敏捷性评价指标确定的具体步骤包括：
根据仿真测试场景的完成时间与全程智能驾驶车辆的平均速度作为敏捷性评价指标，具体公式如下：
Figure BDA0003013621260000102
其中，v(t)≤vmax，vmax为最大速度上限，vi为i时刻自车的速度值，若v(t)超过最大限制速度值，则设定v(t)＝0。
在一些具体的实施例中，所述智能性评价指标确定的具体步骤包括：
智能驾驶车辆能够提前规避和预防交通事故发生，则说明智能驾驶车辆更具有智能性。当智能驾驶车辆所处位置在场景对应行车风险场中DRPt风险系数升高时，采取降速规避风险。当DRPt风险系数降低时，进行适当提速逃离高风险区域。以上可称为智能驾驶车辆规避风险能力。
根据智能驾驶车辆规避风险能力作为智能性评价指标，具体公式如下：
Figure BDA0003013621260000103
Figure BDA0003013621260000104
其中，DRPt为仿真测试场景中t时刻行车风险系数，M(t)为测试过程中t时刻的规避风险能力的体现函数，k1,k2均为大于0的常数，Rn∈{R1:0.5,R2:1,R3:0.5,R4:0.5,R5:0.3,}为测试过程中车辆因违反交通规则的处罚系数。
具体处罚系数对应违反交通行为如下表所示：
符号 描述 扣除的分值
R<sub>1</sub> 自车在行驶过程中超速 0.5
R<sub>2</sub> 不遵守信号灯指示 1
R<sub>3</sub> 碾压黄色车道线，即道路边界线 0.5
R<sub>4</sub> 碾压双杠实体车道线 0.5
R<sub>5</sub> 非变道状态下，碾压车道线 0.3
S3、根据评估结果判断当前仿真测试场景是否是期望的仿真测试场景；
S4、根据期望阈值重新调整仿真测试场景参数，形成下一次的仿真测试场景，直至最接近期望阈值，利用进化搜索策略对得到期望的优化模型求解。
在一些具体的实施例中，所述利用进化搜索策略对得到期望的优化模型求解的具体步骤包括：
如图4所示，图示为遗传算法实现对抗测试优化模型流程。
根据进化搜索策略的遗传算法进行对抗测试的优化模型求解；
将仿真测试场景数据集合的环境参数X＝(r1,r2,r3,…,rn)进行二进制编码；
根据环境参数r期望的精度值pi确定需要的基因数li，具体公式为：
Figure BDA0003013621260000111
其中，pi∈N为变量ri∈[ai,bi]期望达到的精度值；
根据基因数li以及环境参数r进行二进制编码，进而生成种群规模n的初始种群{X1,X2,…,Xn}；
根据优化模型d(X)确定适应度为c(X)＝1/d(X)，适应度函数反应了个体对环境的适应能力，d(X)的值越小代表适应能力越强；
再根据选择概率
Figure BDA0003013621260000112
选择生成新的种群；
利用设定的交叉概率τ∈(0,1)和变异概率
Figure BDA0003013621260000121
在τ∈(0,1)概率下个体之间相互交叉基因序列，并在
Figure BDA0003013621260000122
变异概率下对个体某一位上基因发生变异。
进行迭代，最后输出适应度最高的解。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于场景对抗的智能驾驶车辆自主能力测试方法，其特征在于，包括：
建立基于对抗性测试的参数化仿真测试场景及单目标的优化模型；
获取待测智能驾驶车辆系统的仿真测试场景数据，并输入建立的自主能力量化的评估模型，得到待测智能驾驶车辆系统的性能边界和评估结果；
根据评估结果判断当前仿真测试场景是否是期望的仿真测试场景；
根据期望阈值重新调整仿真测试场景参数，形成下一次的仿真测试场景，直至最接近期望阈值，利用进化搜索策略对得到期望的优化模型求解。
2.根据权利要求1所述一种基于场景对抗的智能驾驶车辆自主能力测试方法，其特征在于，所述参数化仿真测试场景的具体步骤包括：
根据仿真测试场景所需要的测试要求，获取仿真测试场景中环境参数进行参数化；
所述环境参数包括对象的类型、空间位置信息、航向信息、体积大小、速度、加速度、轨迹、材质、太阳能量、光源位置，以及气候类型。
3.根据权利要求2所述一种基于场景对抗的智能驾驶车辆自主能力测试方法，其特征在于，所述建立单目标的优化模型的具体步骤包括：
将基于对抗性测试的参数化后的仿真测试场景转化为单目标多维搜索空间下的优化问题，建立优化模型，数学模型为：
Figure FDA0003013621250000011
其中，X＝(r1,r2,r3,…,rn)为参数化的仿真测试场景的集合，r为仿真测试场景的一个环境参数，M表示被测算法，R(M,X)表示被测算法M在仿真测试场景X下的测试结果，
Figure FDA0003013621250000012
表示测试结果R(M,X)对应的评估结果，Cp表示期望达到评估结果、即期望阈值,mind(X)表示当前仿真测试场景与期望的能够体现智能驾驶车辆性能边界的仿真测试场景最接近。
4.根据权利要求3所述一种基于场景对抗的智能驾驶车辆自主能力测试方法，其特征在于，所述获取待测智能驾驶车辆系统的仿真测试场景数据，并输入建立的自主能力量化的评估模型，得到待测智能驾驶车辆系统的性能边界和评估结果的具体步骤包括：
获取待测智能驾驶车辆系统的参数化后的仿真测试场景数据；
建立自主能力量化的评估模型，模型公式如下：
Figure FDA0003013621250000021
其中，
Figure FDA0003013621250000022
表示测试结果R(M,X)对应的评估结果，Ssafety、Ssmooth、Ssharp、Ssmart分别表示智能驾驶车辆综合能力的四项评价指标，即安全性、舒适性、敏捷性、智能性，wi，i∈{1,2,3,4}分别为四项评价指标的权重系数、且
Figure FDA0003013621250000023
将参数化后的仿真测试场景数据输入评估模型，得到对应的评估结果。
5.根据权利要求4所述一种基于场景对抗的智能驾驶车辆自主能力测试方法，其特征在于，所述安全性评价指标确定的具体步骤包括：
将时间序列化作为安全性评估指标；
根据运动物体在智能驾驶车辆周围形成动能场的场强；以及
根据静止物体在智能驾驶车辆周围形成势能场的场强，得到对智能驾驶车辆的风险系数，具体公式如下：
Figure FDA0003013621250000024
Figure FDA0003013621250000025
DRPt＝VP+RP；
Figure FDA0003013621250000026
其中，DRPt为仿真测试场景中t时刻行车风险系数，VP为运动物体i(xi,yi)在其周围形成的动能场在(xj,yj)处场强的表达式，RP为静止物体i(xi,yi)在其周围形成的势能场在(xj,yj)处场强的表达式，n为场景中运动障碍物个数，rij＝(xj-xi,yj-yi)表示两点间距离矢量，k1,k2,G均为大于0的常数，vi为物体i的速度,θi为物体i速度方向与rij的夹角，T为测试时长。
6.根据权利要求5所述一种基于场景对抗的智能驾驶车辆自主能力测试方法，其特征在于，所述舒适性评价指标确定的具体步骤包括：
根据智能驾驶车辆的加速度a的变化率确定舒适性评价指标，具体公式如下：
Figure FDA0003013621250000031
其中，f(t)表示仿真测试场景输出的加速度与时间的关系函数，Δt为计算加速度的变化率时对测试时长T无限等分后的时间长度。
7.根据权利要求6所述一种基于场景对抗的智能驾驶车辆自主能力测试方法，其特征在于，所述敏捷性评价指标确定的具体步骤包括：
根据仿真测试场景的完成时间与全程智能驾驶车辆的平均速度作为敏捷性评价指标，具体公式如下：
Figure FDA0003013621250000032
其中，v(t)≤vmax，vmax为最大速度上限，vi为i时刻自车的速度值，若v(t)超过最大限制速度值，则设定v(t)＝0。
8.根据权利要求7所述一种基于场景对抗的智能驾驶车辆自主能力测试方法，其特征在于，所述智能性评价指标确定的具体步骤包括：
根据智能驾驶车辆规避风险能力作为智能性评价指标，具体公式如下：
Figure FDA0003013621250000033
Figure FDA0003013621250000034
其中，DRPt为仿真测试场景中t时刻行车风险系数，M(t)为测试过程中t时刻的规避风险能力的体现函数，k1,k2均为大于0的常数，Rn∈{R1:0.5,R2:1,R3:0.5,R4:0.5,R5:0.3,}为测试过程中车辆因违反交通规则的处罚系数。
9.根据权利要求4所述一种基于场景对抗的智能驾驶车辆自主能力测试方法，其特征在于，所述利用进化搜索策略对得到期望的优化模型求解的具体步骤包括：
根据进化搜索策略的遗传算法进行对抗测试的优化模型求解；
将仿真测试场景数据集合的环境参数X＝(r1,r2,r3,…,rn)进行二进制编码；
根据环境参数r期望的精度值pi确定需要的基因数li，具体公式为：
Figure FDA0003013621250000041
其中，pi∈N为变量ri∈[ai,bi]期望达到的精度值；
根据基因数li以及环境参数r进行二进制编码，进而生成种群规模n的初始种群{X1,X2,…,Xn}；
根据优化模型d(X)确定适应度为c(X)＝1/d(X)；
再根据选择概率
Figure FDA0003013621250000042
选择生成新的种群；
利用交叉概率和变异概率进行下个个体的基因序列相互交叉和基因变异；
进行迭代，最后输出适应度最高的解。
CN202110382823.5A 2021-04-09 2021-04-09 一种基于场景对抗的智能驾驶车辆自主能力测试方法 Active CN113158560B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110382823.5A CN113158560B (zh) 2021-04-09 2021-04-09 一种基于场景对抗的智能驾驶车辆自主能力测试方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110382823.5A CN113158560B (zh) 2021-04-09 2021-04-09 一种基于场景对抗的智能驾驶车辆自主能力测试方法

Publications (2)

Publication Number Publication Date
CN113158560A true CN113158560A (zh) 2021-07-23
CN113158560B CN113158560B (zh) 2024-02-09

Family

ID=76889674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110382823.5A Active CN113158560B (zh) 2021-04-09 2021-04-09 一种基于场景对抗的智能驾驶车辆自主能力测试方法

Country Status (1)

Country Link
CN (1) CN113158560B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112997128A (zh) * 2021-04-19 2021-06-18 华为技术有限公司 一种自动驾驶场景的生成方法、装置及系统
CN113610166A (zh) * 2021-08-10 2021-11-05 吉林大学 一种用于建立针对智能车辆的测试场景库的方法
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
CN113936262A (zh) * 2021-11-01 2022-01-14 北京赛目科技有限公司 一种车辆边界场景的确定方法、装置及存储介质
CN114328465A (zh) * 2022-01-04 2022-04-12 吉林大学 一种针对人机共驾测试的侧方插入场景提取方法
CN114407932A (zh) * 2022-02-23 2022-04-29 武汉路特斯汽车有限公司 一种评估智能驾驶系统能力的方法
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
CN115640947A (zh) * 2022-12-26 2023-01-24 中国汽车技术研究中心有限公司 车机功能评价方法、电子设备及存储介质
CN117196262A (zh) * 2023-11-06 2023-12-08 中船凌久高科(武汉)有限公司 一种基于状态编码优化的测试场车辆与场景匹配调度方法
CN117744366A (zh) * 2023-12-19 2024-03-22 万物镜像(北京)计算机系统有限公司 一种自动驾驶边缘仿真测试场景生成方法、装置及设备
WO2024207700A1 (zh) * 2023-04-06 2024-10-10 南京大学 一种驾驶控制系统的场景测试方法、装置、介质及设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070129930A1 (en) * 2005-12-07 2007-06-07 Utah State University Robustness optimization system
US20140122032A1 (en) * 2012-10-26 2014-05-01 Xerox Corporation Methods, systems and processor-readable media for optimizing intelligent transportation system strategies utilizing systematic genetic algorithms
US20190061776A1 (en) * 2017-08-29 2019-02-28 Toyota Jidosha Kabushiki Kaisha Autonomous driving evaluation apparatus and autonomous driving evaluation method
CN109902018A (zh) * 2019-03-08 2019-06-18 同济大学 一种智能驾驶系统测试案例的获取方法
CN109992884A (zh) * 2019-04-01 2019-07-09 清华大学 基于最差场景搜索的自动驾驶车辆功能测评方法
US20200089247A1 (en) * 2018-09-14 2020-03-19 Florian Shkurti Iterative generation of adversarial scenarios
GB202008354D0 (en) * 2020-06-03 2020-07-15 Five Ai Ltd Testing and simulation in autonomous driving
CN111814308A (zh) * 2020-06-08 2020-10-23 同济大学 一种面向自动驾驶系统的加速测试系统
US20200406911A1 (en) * 2018-03-16 2020-12-31 Huawei Technologies Co., Ltd. Self-Driving Safety Evaluation Method, Apparatus, and System
CN112465395A (zh) * 2020-12-15 2021-03-09 同济大学 一种面向自动驾驶汽车的多维度综合评价方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070129930A1 (en) * 2005-12-07 2007-06-07 Utah State University Robustness optimization system
US20140122032A1 (en) * 2012-10-26 2014-05-01 Xerox Corporation Methods, systems and processor-readable media for optimizing intelligent transportation system strategies utilizing systematic genetic algorithms
US20190061776A1 (en) * 2017-08-29 2019-02-28 Toyota Jidosha Kabushiki Kaisha Autonomous driving evaluation apparatus and autonomous driving evaluation method
US20200406911A1 (en) * 2018-03-16 2020-12-31 Huawei Technologies Co., Ltd. Self-Driving Safety Evaluation Method, Apparatus, and System
US20200089247A1 (en) * 2018-09-14 2020-03-19 Florian Shkurti Iterative generation of adversarial scenarios
CN109902018A (zh) * 2019-03-08 2019-06-18 同济大学 一种智能驾驶系统测试案例的获取方法
CN109992884A (zh) * 2019-04-01 2019-07-09 清华大学 基于最差场景搜索的自动驾驶车辆功能测评方法
GB202008354D0 (en) * 2020-06-03 2020-07-15 Five Ai Ltd Testing and simulation in autonomous driving
CN111814308A (zh) * 2020-06-08 2020-10-23 同济大学 一种面向自动驾驶系统的加速测试系统
CN112465395A (zh) * 2020-12-15 2021-03-09 同济大学 一种面向自动驾驶汽车的多维度综合评价方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
XIAOKUN ZHENG;HUAWEI LIANG;BIAO YU; ET AL.: "Rapid Generation of Challenging Simulation Scenarios for Autonomous Vehicles Based on Adversarial Test", 《2020 IEEE INTERNATIONAL CONFERENCE ON MECHATRONICS AND AUTOMATION (ICMA)》, pages 1166 - 1172 *
周干;张嵩;罗悦齐;: "自动驾驶汽车仿真测试与评价方法进展", 汽车文摘, no. 04, pages 48 - 51 *
张学显;刘伟;余彪;许铁娟;周鹏飞;: "数据驱动的智能车辆目标检测能力测试评价方法", 计算机系统应用, no. 11, pages 249 - 253 *
张珊;王蕾;郭魁元;张嘉芮;刘少华;: "基于交通事故的自动驾驶虚拟测试方法研究", 中国汽车, no. 05, pages 34 - 39 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112997128B (zh) * 2021-04-19 2022-08-26 华为技术有限公司 一种自动驾驶场景的生成方法、装置及系统
CN112997128A (zh) * 2021-04-19 2021-06-18 华为技术有限公司 一种自动驾驶场景的生成方法、装置及系统
CN113610166B (zh) * 2021-08-10 2023-12-26 吉林大学 一种用于建立针对智能车辆的测试场景库的方法
CN113610166A (zh) * 2021-08-10 2021-11-05 吉林大学 一种用于建立针对智能车辆的测试场景库的方法
CN113936262A (zh) * 2021-11-01 2022-01-14 北京赛目科技有限公司 一种车辆边界场景的确定方法、装置及存储介质
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
CN114328465A (zh) * 2022-01-04 2022-04-12 吉林大学 一种针对人机共驾测试的侧方插入场景提取方法
CN114407932A (zh) * 2022-02-23 2022-04-29 武汉路特斯汽车有限公司 一种评估智能驾驶系统能力的方法
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
CN115640947A (zh) * 2022-12-26 2023-01-24 中国汽车技术研究中心有限公司 车机功能评价方法、电子设备及存储介质
CN115640947B (zh) * 2022-12-26 2023-05-05 中国汽车技术研究中心有限公司 车机功能评价方法、电子设备及存储介质
WO2024207700A1 (zh) * 2023-04-06 2024-10-10 南京大学 一种驾驶控制系统的场景测试方法、装置、介质及设备
CN117196262A (zh) * 2023-11-06 2023-12-08 中船凌久高科(武汉)有限公司 一种基于状态编码优化的测试场车辆与场景匹配调度方法
CN117196262B (zh) * 2023-11-06 2024-02-13 中船凌久高科(武汉)有限公司 一种基于状态编码优化的测试场车辆与场景匹配调度方法
CN117744366A (zh) * 2023-12-19 2024-03-22 万物镜像(北京)计算机系统有限公司 一种自动驾驶边缘仿真测试场景生成方法、装置及设备
CN117744366B (zh) * 2023-12-19 2024-08-30 万物镜像(北京)计算机系统有限公司 一种自动驾驶边缘仿真测试场景生成方法、装置及设备

Also Published As

Publication number Publication date
CN113158560B (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
CN113158560B (zh) 一种基于场景对抗的智能驾驶车辆自主能力测试方法
CN107169567B (zh) 一种用于车辆自动驾驶的决策网络模型的生成方法及装置
CN111024898A (zh) 一种基于CatBoost模型的车辆尾气浓度超标判别方法
CN115422747A (zh) 一种机动车尾气污染物排放量的计算方法和计算装置
CN109376331A (zh) 一种基于梯度提升回归树的城市公交车排放率估计方法
CN106777893A (zh) 一种利用可移动污染物探测器辨识城市空间多污染物源的方法
KR20200122239A (ko) 연소 엔진을 탑재한 차량의 구동 시스템의 배기가스 배출량 감소 방법
CN115376101A (zh) 一种面向自动驾驶环境感知的增量式学习方法和系统
CN113378479A (zh) 基于自动驾驶测试智能平台车的智能化标准方法和系统
CN113312733A (zh) 一种信控环形交叉口仿真模型参数标定方法、装置、设备及存储介质
Yang et al. Construction of high-precision driving cycle based on Metropolis-Hastings sampling and genetic algorithm
Liu et al. Development of Driver‐Behavior Model Based onWOA‐RBM Deep Learning Network
CN113051808A (zh) 用于测试机器的方法和设备
Xing et al. Optimizing longitudinal control model parameters of connected and automated vehicles using empirical trajectory data of human drivers in risky car-following scenarios
Xing et al. Driving cycle recognition for hybrid electric vehicle
CN114862159B (zh) 一种自动驾驶测试场景的评价方法
CN115114786B (zh) 一种用于交通流仿真模型的评估方法、系统和存储介质
CN111125862A (zh) 一种基于遗传算法和比功率的跟驰模型排放测算方法
Madziel et al. Energy Consumption of Electric Vehicles: Analysis of Selected Parameters Based on Created Database. Energies 2023, 16, 1437
CN111832599A (zh) 一种基于机器学习随机森林的加油站预测方法
CN114495519B (zh) 一种高速公路智慧可视化展示系统
CN116448134A (zh) 基于风险场与不确定分析的车辆路径规划方法及装置
CN114701517A (zh) 基于强化学习的多目标复杂交通场景下自动驾驶解决方法
Zareian et al. A combined Apriori algorithm and fuzzy controller for simultaneous ramp metering and variable speed limit determination in a freeway
Topić et al. Static Stochastic Model-Based Prediction of City Bus Velocity

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