CN113378301A - 一种基于重要度抽样的无人车超车场景关键测试案例生成方法 - Google Patents
一种基于重要度抽样的无人车超车场景关键测试案例生成方法 Download PDFInfo
- Publication number
- CN113378301A CN113378301A CN202110707351.6A CN202110707351A CN113378301A CN 113378301 A CN113378301 A CN 113378301A CN 202110707351 A CN202110707351 A CN 202110707351A CN 113378301 A CN113378301 A CN 113378301A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- overtaking
- unmanned vehicle
- reliability
- parameters
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000005070 sampling Methods 0.000 title claims abstract description 21
- 239000000203 mixture Substances 0.000 claims abstract description 36
- 230000001131 transforming effect Effects 0.000 claims abstract description 4
- 238000004088 simulation Methods 0.000 claims description 15
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000005315 distribution function Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- CGFFKDRVHZIQHL-UHFFFAOYSA-N 1-but-3-en-2-yl-3-(methylcarbamothioylamino)thiourea Chemical compound CNC(=S)NNC(=S)NC(C)C=C CGFFKDRVHZIQHL-UHFFFAOYSA-N 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 2
- 238000013461 design Methods 0.000 abstract description 5
- 239000006185 dispersion Substances 0.000 description 2
- 238000001422 normality test Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Analysis (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Primary Health Care (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于重要度抽样的无人车超车场景关键测试案例生成方法。该方法分析了无人车的超车场景,并根据重要度抽样的原理生成极端情况下无人车超车场景关键的测试案例。它包含四大步骤:(1)构建无人车超车场景,确定超车可靠性的影响因素;(2)分析超车可靠性影响因素的参数,并确定参数的范围及分布;(3)构建高斯混合模型,确定模型参数;(4)变换高斯混合模型,进行重要度抽样,确定关键测试用例。基于该方法即可提高无人车超车场景的测试效率,为无人车安全可靠超车设计提供指导。
Description
所属技术领域
本发明提出了一种基于重要度抽样的无人车超车场景关键测试案例生成方法,其目的是 提高无人车超车场景的测试效率,从而为无人车可靠性设计提供依据。本发明属于可靠性工 程技术领域。
背景技术
无人驾驶技术是智慧交通、智慧城市的重要组成部分,无人车的安全及可靠极其重要。 超车行为涉及到车辆的横纵向运动,无人车在应对周边车辆超车时,既要避免不与超车车辆 相撞,又要避免不被后车追尾。但由于道路交通瞬息万变,无人车需长时间行驶多次才会有 一次濒临危险的超车案例,这使得无人车研制过程难以有效采样,超车场景测试效率低下。 鉴于此,本发明以无人车安全可靠超车为目标,融合影响因素分析、参数建模、重要度抽样 等方法,设计了一种基于重要度抽样的超车场景测试案例生成方法,获取无人车超车场景下 的关键测试用例,以提高无人车超车场景的测试效率,为无人车可靠性设计提供依据。
发明内容
本发明的目的是分析无人车的超车场景,根据重要度抽样的原理,生成极端情况下无人 车超车场景关键的测试案例,为无人车安全可靠超车设计提供依据。
其中,无人车超车可靠性是指无人车在超车车辆执行超车操作至完成超车的过程中,未 他车被撞车或追尾,并能够安全行驶的能力。
本发明提供的一种基于重要度抽样的无人车超车场景关键测试案例生成方法。其中,本 发明假设无人车在高速公路上行驶,且无人车被超车的过程中,始终是沿公路方向平直行驶。 本发明主要包含以下步骤:
步骤一:构建无人车超车场景,分析确定超车可靠性的影响因素。
根据无人车在面对周围车辆超车的场景实例,确定无人车应对超车的可靠性影响因素, 作为衡量超车可靠性的关键指标。
无人车超车可靠性的影响因素是衡量无人车应对超车车辆超车是否能达到安全可靠的关 键指标,无人车超车可靠性的影响因素包括:车辆类别、速度影响因素、车身转角因素、位 置影响因素。
步骤1:车辆类别划分。依据车辆的普通特征、使用目的及功能,将车辆划分为不同类别, 并设定每种类别车辆的前后左右轴距。
步骤2:分析确定速度影响因素集合,它包括本车速度、超车车辆速度、左车速度、右车 速度、前车速度、后车速度。
步骤3:分析确定超车车辆车身转角影响因素,建立二维坐标系,纵轴y为平直马路正方 向,横轴x与平直马路正方向垂直,取坐标平面的直线l表示超车车辆车身的方向。
步骤4:分析确定位置影响因素集合,它包括本车位置、超车车辆位置、左车位置、右车 位置、前车位置及后车位置。对超车车辆、左车、右车、前车、后车编号,分别记作Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ,并将每一相关车辆视为质点,以车辆底盘中心标记每一车辆的位置,用二维坐标表示,将无人车及其他相关车辆的位置记作(x,y)。记本车位置为(x0,y0),且在t=0时刻,x0=0,y0=0。超车车辆位置、左车位置、右车位置、前车位置、后车位置分别表示为(x Ⅰ,yⅠ)、(xⅡ,yⅡ)、(xⅢ,yⅢ)、(xⅤ,yⅤ)、(xⅥ,yⅥ)。
步骤二:超车可靠性影响因素参数分析。
对无人车的超车可靠性影响因素参数化处理,收集实际使用数据,对参数进行分类并分 析确定参数的范围及分布,并提出超车可靠性的安全判据。本步骤包含4个子步骤:
步骤1:将无人车超车可靠性影响因素进行参数化处理。
(1)依据车辆的普通特征、使用目的及功能,将车辆划分为c种类别,分别记作{u1,u2,...,uc},并根据不同种类车辆的轴距、车长不同,构建各类车辆的影响参数集 {α1,α2,...,αn},{β1,β2,...,βn}。其中,αc(c=1,2,…n,αc>0)表示步骤一中所划分的第c种车辆的轴距长度,βc(c=1,2,…n,βc>0)(βn>0)表示第c种车辆的车长,并分别记无人车的轴距 和车长为α0,β0。
(2)基于车辆在时间段t(0s≤t≤1s)内的速度由车辆的瞬时速度及车辆的加速度决定的 原则,构建速度影响参数集{v0,vⅠ,vⅡ,…vⅤ},{a0,aⅠ,aⅡ,…aⅤ}。其中,v0(t)表示无人车在t时刻 的速度,vi(t)(vi≥0)表示编号为i的车辆在t时刻的速度,a0(t)表示无人车在t时刻的加速度, ai(t)(ai≥0)表示编号为i的车辆在t时刻的加速度。
(3)超车车辆在执行超车操作过程中的车身转角会影响超车车辆的超车方向以及超车路 径,因此,构建车辆车身转角影响参数集θi(t)。其中,θi(t)表示编号为i的车辆在t时刻的车 身转角。在建立的坐标平面上,连接车头和车尾令其为直线l,与坐标轴交于原点,l与y轴的 夹角即为编号为i的车辆车身转角θi(t)。其中,以超车车辆在直行情况下的θ为基准0°,车 辆在执行右转操作时θ为正值,执行左转操作时θ为负值。θi(t)的取值范围为-90°≤θ≤90°。
(4)基于无人车与周围各车辆距离越远,超车安全性越高的原则,构建位置影响参数集, 作为衡量位置因素超车可靠性的依据。令t=0时,位置因素x0|t=0=x0(t)=0,y0|t=0=y0(t)=0, 并记t时刻时的位置为xi|t=t=xi(t),yi|t=t=yi(t)。在此基础上,记位置影响因素的参数集为{d Ⅰ,dⅡ,…dⅤ},{sⅠ,sⅡ,…sⅤ}。其中,sci代表第c种类且编号为i的车辆在t时刻与无人车的横向距离, dci代表第c种类且编号为i的车辆在t时刻与无人车的纵向距离。计算公式如下(1)、(2)所 示:
步骤2:依据可靠性影响因素的不同性质,将各可靠性影响因素分类。
(1)对于车长αc及轴距βc,该参数是由车的类型c所决定的。对一天内马路上行驶过的 各c类车辆的数量进行计数,计算各类型车辆出现的概率pc,得出c种类别车辆出现频次的离 散分布,作为生成关键测试案例时他车类型抽样的数量及概率的依据。
(2)对于垂直距离dci(t)及纵向距离sci(t),该参数是由位置因素xi(t)、yi(t)以及θi(t)依 据数学关系计算所得出的。
(3)对于vi(t),ai(t)及θi(t),做以下步骤3所示的数据处理:
步骤3:收集可靠性影响因素在正常行驶下的数据,并对所得数据进行处理和分析,从而 确定参数的范围以及服从的分布。
(1)基于不同超车场景,收集可靠性影响因素在正常行驶下的数据。
①在某一次无人车超车的仿真场景下,通过仿真系统的输出值,无人车可实时读取得到 可靠性影响参数的数值xj。其中,xj表示第j个观测数据,j=1,2,…,N。
②对无人车超车仿真场景进行多次重复测试,并重复①中操作,即得到由N个样本观测 值组成的观测数据集X。
(2)拟合各参数的观测数据进行线性回归,剔除噪声数据,生成可用数据,并取其最小 值及最大值,作为该参数的参考取值范围,分别记作[vimin,vimax]、[aimin,aimax]、[θimin,θimax]。
(3)对生成的各参数的可用数据进行从小到大排序,记为x(1),x(2),…,x(n),其中下标表示 排列的顺序号。分布拟合后得到经验分布函数,公式如下(3)所示:
比较经验分布函数与理论分布函数,得出参数服从的分布假设。
(4)基于假设检验,进行分布检验,最终确定参数服从的分布。
步骤4:基于无人车超车场景,提出超车可靠性事故判据。
针对无人车超车场景,仿真系统实时监测更新并迭代sci(t)、dci(t)、vi(t)、ai(t)、θi(t)的数 值,可生成得超车可靠性超车场景的测试案例。其中,无人车出现被追尾、被侧碰、被他车 对角撞,而无法被安全超车的判据为:
基于此,可得到瞬时速度vi(t),加速度ai(t)以及车身转角θi(t)的极大极小值、服从的参数 以及超车可靠性的安全判据。
步骤三:构建高斯混合模型,确定模型参数。
基于得出的参数范围及服从的分布,建立无人车超车场景的混合高斯模型,并采用迭代 方法求解,从而确定混合高斯模型的参数。本步骤包含2个子步骤:
步骤1:基于参数对无人车超车场景建立混合高斯模型。
高斯混合模型是k(k=1,2,…,K)个单高斯模型组合而成的模型。基于步骤二得出的k个无 人车超车场景影响因素,且每个影响因素均遵从单高斯模型将其组合,得到无人车超车场景的混合高斯模型。令δk为所有观测数据中属于第k个子模型的 概率,且δk满足因此,由定义得高斯混合模型的概率分布为
步骤2:使用迭代算法,确定模型的参数。
(1)计算每个数据j来自子模型k的可能性公式如下:
其中,γjk表示第j个观测数据属于第k个子模型的概率。
(2)计算新一轮迭代的模型参数:
(3)重复计算(6)和(7)直至收敛,即||μi+1-μi||<ε、||σi+1-σi||<ε、||δi+1-δi||<ε, 取ε=0.01,最终确定混合高斯模型的参数{μk,σk,δk}。
步骤四:重要度抽样,变换高斯混合模型,确定关键测试用例。
(3)从P(x)中抽取k个独立同分布的样本x1,x2,…,xk;
(4)利用独立样本估计各个参数期望,最终生成无人车超车场景关键测试案例的参数, 并还原为真实的测试场景。
附图说明
图1一种基于重要度抽样的无人车超车场景关键测试案例生成方法流程
图2无人车超车场景示意图
图3超车车辆数据残差图
图4超车车辆可用数据直方拟合图
图5超车车辆正态性检验结果
具体实施方式
步骤一:构建无人车超车场景,分析确定超车可靠性的影响因素。
根据无人车在面对周围车辆超车的场景实例,确定无人车应对超车的可靠性影响因素, 作为衡量超车可靠性的关键指标。
无人车超车可靠性的影响因素是衡量无人车应对超车车辆超车是否能达到安全可靠的关 键指标,无人车超车可靠性的影响因素包括:车辆类别、速度影响因素、车身转角因素、位 置影响因素。
步骤1:车辆类别划分。依据车辆的普通特征、使用目的及功能,将车辆划分为不同类别, 并设定每种类别车辆的左右轴距及车长。
步骤2:分析确定速度影响因素集合,它包括本车速度、超车车辆速度、左车速度、右车 速度、前车速度、后车速度。
步骤3:分析确定超车车辆车身转角影响因素,建立二维坐标系,纵轴y为平直马路正方 向,横轴x与平直马路正方向垂直,取坐标平面的直线l表示超车车辆车身的方向。
步骤4:分析确定位置影响因素集合,它包括本车位置、超车车辆位置、左车位置、右车 位置、前车位置及后车位置。对超车车辆、左车、右车、前车、后车编号,分别记作Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ,并将每一相关车辆视为质点,以车辆底盘中心标记每一车辆的位置,用二维坐标表示,将无人车及其他相关车辆的位置记作(x,y)。记本车位置为(x0,y0),且在t=0时刻,x0=0,y0=0。超车车辆位置、左车位置、右车位置、前车位置、后车位置分别表示为(x Ⅰ,yⅠ)、(xⅡ,yⅡ)、(xⅢ,yⅢ)、(xⅤ,yⅤ)、(xⅥ,yⅥ)。
【示例】依据某种分类方式对车辆进行类别划分,得到5种车辆等级,各类车辆的轴距长 (单位:m)如下表1所示:
表1某分类方式各类车辆轴距
步骤二:超车可靠性影响因素参数分析。
对无人车的超车可靠性影响因素参数化处理,收集实际使用数据,对参数进行分类并分 析确定参数的范围及分布,并提出超车可靠性的安全判据。本步骤包含4个子步骤:
步骤1:将无人车超车可靠性影响因素进行参数化处理。
(1)依据车辆的普通特征、使用目的及功能,将车辆划分为c种类别,分别记作{u1,u2,...,uc},并根据不同种类车辆的轴距、车长不同,构建各类车辆的影响参数集 {α1,α2,...,αn},{β1,β2,...,βn}。其中,αc(c=1,2,…n,αc>0)表示步骤一中所划分的第c种车辆的轴距长度,βc(c=1,2,…n,βc>0)(βn>0)表示第c种车辆的车长,并分别记无人车的轴距 和车长为α0,β0。
(2)基于车辆在时间段t(0s≤t≤1s)内的速度由车辆的瞬时速度及车辆的加速度决定的 原则,构建速度影响参数集{v0,vⅠ,vⅡ,…vⅤ},{a0,aⅠ,aⅡ,…aⅤ}。其中,v0(t)表示无人车在t时刻 的速度,vi(t)(vi≥0)表示编号为i的车辆在t时刻的速度,a0(t)表示无人车在t时刻的加速度, ai(t)(ai≥0)表示编号为i的车辆在t时刻的加速度。
(3)超车车辆在执行超车操作过程中的车身转角会影响超车车辆的超车方向以及超车路 径,因此,构建车辆车身转角影响参数集θi(t)。其中,θi(t)表示编号为i的车辆在t时刻的车 身转角。在建立的坐标平面上,连接车头和车尾令其为直线l,与坐标轴交于原点,l与y轴的 夹角即为编号为i的车辆车身转角θi(t)。其中,以超车车辆在直行情况下的θ为基准0°,车 辆在执行右转操作时θ为正值,执行左转操作时θ为负值。θi(t)的取值范围为-90°≤θ≤90°。
(4)基于无人车与周围各车辆距离越远,超车安全性越高的原则,构建位置影响参数集, 作为衡量位置因素超车可靠性的依据。令t=0时,位置因素x0|tt=0=x0(t)=0,y0|tt=0=y0(t)=0, 并记t时刻时的位置为xi|t=t=xi(t),yi|t=t=yi(t)。在此基础上,记位置影响因素的参数集为{d Ⅰ,dⅡ,…dⅤ},{sⅠ,sⅡ,…sⅤ}。其中,sci代表第c种类且编号为i的车辆在t时刻与无人车的横向距离, dci代表第c种类且编号为i的车辆在t时刻与无人车的纵向距离。计算公式如下(1)、(2)所 示:
步骤2:依据可靠性影响因素的不同性质,将各可靠性影响因素分类。
(1)对于车长αc及轴距βc,该参数是由车的类型c所决定的。对一天内马路上行驶过的 各c类车辆的数量进行计数,计算各类型车辆出现的概率pc,得出c种类别车辆出现频次的离 散分布,作为生成关键测试案例时他车类型抽样的数量及概率的依据。
(2)对于垂直距离dci(t)及纵向距离sci(t),该参数是由位置因素xi(t)、yi(t)以及θi(t)依 据数学关系计算所得出的。
(3)对于vi(t),ai(t)及θi(t),做以下步骤3所示的数据处理:
步骤3:收集可靠性影响因素在正常行驶下的数据,并对所得数据进行处理和分析,从而 确定参数的范围以及服从的分布。
(1)基于不同超车场景,收集可靠性影响因素在正常行驶下的数据。
①在某一次无人车超车的仿真场景下,通过仿真系统的输出值,无人车可实时读取得到 可靠性影响参数的数值xj。其中,xj表示第j个观测数据,j=1,2,…,N。
②对无人车超车仿真场景进行多次重复测试,并重复①中操作,即得到由N个样本观测 值组成的观测数据集X。
(2)拟合各参数的观测数据进行线性回归,剔除噪声数据,生成可用数据,并取其最小 值及最大值,作为该参数的参考取值范围,分别记作[vimin,vimax]、[aimin,aimax]、[θimin,θimax]。
(3)对生成的各参数的可用数据进行从小到大排序,记为x(1),x(2),…,x(n),其中下标表示 排列的顺序号。分布拟合后得到经验分布函数,公式如下(3)所示:
比较经验分布函数与理论分布函数,得出参数服从的分布假设。
(4)基于假设检验,进行分布检验,最终确定参数服从的分布。
步骤4:基于无人车超车场景,提出超车可靠性事故判据。
针对无人车超车场景,仿真系统实时监测更新并迭代sci(t)、dci(t)、vi(t)、ai(t)、θi(t)的数 值,可生成得超车可靠性超车场景的测试案例。其中,无人车出现被追尾、被侧碰、被他车 对角撞,而无法被安全超车的判据为:
基于此,可得到瞬时速度vi(t),加速度ai(t)以及车身转角θi(t)的极大极小值、服从的参数 以及超车可靠性的安全判据。
【示例】以vi(t)为例,观察并分析某100次无人车被超车场景,得到超车车辆的速度vi (km/h),记录观测数据如下表2所示:
表2超车车辆速度观测值
对上述100个超车车辆速度值作回归并检验,作残差图如附图3所示,可见该组数据存在 噪声。剔除第4、5、7、30、65、89个噪声数据之后,对剩余的94个可用数据从小到大进行排 列如下表3所示:
表3超车车辆速度可用数据
由上表可知,超车车辆车速的极小值为70.7km/h,极大值为106.3km/h,超车车辆车速的 取值范围[vimin,vimax]=[70.7,106.3]。
拟合回归上表3数据得到拟合直方图如附图4所示,依据图形可直观推测分布函数服从正 态分布,对数据做正态性检验结果如附图5所示,可知当p<0.16时,该分布服从正态分布。
步骤三:构建高斯混合模型,确定模型参数。
基于得出的参数范围及服从的分布,建立无人车超车场景的混合高斯模型,并采用迭代 方法求解,从而确定混合高斯模型的参数。本步骤包含2个子步骤:
步骤1:基于参数对无人车超车场景建立混合高斯模型。
高斯混合模型是k(k=1,2,…,K)个单高斯模型组合而成的模型。基于步骤二得出的k个无 人车超车场景影响因素,且每个影响因素均遵从单高斯模型将其组合,得到无人车超车场景的混合高斯模型。令δk为所有观测数据中属于第k个子模型的 概率,且δk满足因此,由定义得高斯混合模型的概率分布为
步骤2:使用迭代算法,确定模型的参数。
(1)计算每个数据j来自子模型k的可能性公式如下:
其中,γjk表示第j个观测数据属于第k个子模型的概率。
(2)计算新一轮迭代的模型参数:
(3)重复计算(14)和(15)直至收敛,即||μi+1-μi||<ε、||σi+1-σi||<ε、||δi+1-δi||<ε, 取ε=0.01,最终确定混合高斯模型的参数{μk,σk,δk}。
表3超车可靠性参数单高斯模型
超车可靠性参数 | 参数取值范围 | μ<sub>k</sub> | σ<sub>k</sub> |
v<sub>i</sub>(t) | [60,120] | 90 | 10 |
a<sub>i</sub>(t) | [-3,3] | 0 | 1 |
θ<sub>i</sub>(t) | [-30°,30°] | 0 | 3 |
将该场景下由vi(t)、ai(t)、θi(t)的单高斯模型用数学方法组合,则可得无人车超车场 景的混合高斯模型。
步骤四:重要度抽样,变换高斯混合模型,确定关键测试用例。
(3)从P(x)中抽取k个独立同分布的样本x1,x2,…,xk;
(4)利用独立样本估计各个参数期望,最终生成无人车超车场景关键测试案例的参数, 并还原为真实的测试场景。
【示例】在某一次的超车场景下,对无人车超车场景的高斯混合模型进行变换,并进行 重要度抽样,得到在t时刻时无人车超车场景的关键测试案例如下表4所示:
表4无人车超车关键测试案例
由上表3知,该无人车超车场景为处于高风险的关键场景,右车在超车的过程中,会与 无人车发生碰撞。
Claims (1)
1.一种基于重要度抽样的无人车超车场景关键测试案例生成方法,其特征在于它包含以下步骤:
步骤一:构建无人车超车场景,分析确定超车可靠性的影响因素;
根据无人车在面对周围车辆超车的场景实例,确定无人车应对超车的可靠性影响因素,作为衡量超车可靠性的关键指标;
无人车超车可靠性的影响因素是衡量无人车应对超车车辆超车是否能达到安全可靠的关键指标,无人车超车可靠性的影响因素包括:车辆类别、速度影响因素、车身转角因素、位置影响因素;
步骤1:依据车辆的普通特征、使用目的及功能,将车辆划分为不同类别,并设定每种类别车辆的前后左右轴距;
步骤2:分析确定速度影响因素集合,它包括本车速度、超车车辆速度、左车速度、右车速度、前车速度、后车速度;
步骤3:分析确定超车车辆车身转角影响因素,建立二维坐标系,纵轴y为平直马路正方向,横轴x与平直马路正方向垂直,取坐标平面的直线l表示超车车辆车身的方向;
步骤4:分析确定位置影响因素集合,它包括本车位置、超车车辆位置、左车位置、右车位置、前车位置及后车位置,对超车车辆、左车、右车、前车、后车编号,分别记作Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ,并将每一相关车辆视为质点,以车辆底盘中心标记每一车辆的位置,用二维坐标表示,将无人车及其他相关车辆的位置记作(x,y),记本车位置为(x0,y0),且在t=0时刻,x0=0,y0=0,超车车辆位置、左车位置、右车位置、前车位置、后车位置分别表示为(xⅠ,yⅠ)、(xⅡ,yⅡ)、(xⅢ,yⅢ)、(xⅤ,yⅤ)、(xⅥ,yⅥ);
步骤二:超车可靠性影响因素参数分析;
对无人车的超车可靠性影响因素参数化处理,收集实际使用数据,对参数进行分类并分析确定参数的范围及分布,并提出超车可靠性的安全判据,本步骤包含4个子步骤:
步骤1:将无人车超车可靠性影响因素进行参数化处理,
(1)依据车辆的普通特征、使用目的及功能,将车辆划分为c种类别,分别记作{u1,u2,...,uc},并根据不同种类车辆的轴距、车长不同,构建各类车辆的影响参数集{α1,α2,...,αn},{β1,β2,...,βn},其中,αc(c=1,2,…n,αc>0)表示步骤一中所划分的第c种车辆的轴距长度,βc(c=1,2,…n,βc>0)(βn>0)表示第c种车辆的车长,并分别记无人车的轴距和车长为α0,β0;
(2)基于车辆在时间段t(0s≤t≤1s)内的速度由车辆的瞬时速度及车辆的加速度决定的原则,构建速度影响参数集{v0,vⅠ,vⅡ,…vⅤ},{a0,aⅠ,aⅡ,…aⅤ},其中,v0(t)表示无人车在t时刻的速度,vi(t)(vi≥0)表示编号为i的车辆在t时刻的速度,a0(t)表示无人车在t时刻的加速度,ai(t)(ai≥0)表示编号为i的车辆在t时刻的加速度;
(3)超车车辆在执行超车操作过程中的车身转角会影响超车车辆的超车方向以及超车路径,因此,构建车辆车身转角影响参数集θi(t);其中,θi(t)表示编号为i的车辆在t时刻的车身转角,在建立的坐标平面上,连接车头和车尾令其为直线l,与坐标轴交于原点,l与y轴的夹角即为编号为i的车辆车身转角θi(t);其中,以超车车辆在直行情况下的θ为基准0°,车辆在执行右转操作时θ为正值,执行左转操作时θ为负值;θi(t)的取值范围为-90°≤θ≤90°;
(4)基于无人车与周围各车辆距离越远,超车安全性越高的原则,构建位置影响参数集,作为衡量位置因素超车可靠性的依据,令t=0时,位置因素x0|t=0=x0(t)=0,y0|t=0=y0(t)=0,并记t时刻时的位置为xi|t=t=xi(t),yi|t=t=yi(t);在此基础上,记位置影响因素的参数集为{dⅠ,dⅡ,…dⅤ},{sⅠ,sⅡ,…sⅤ};其中,sci代表第c种类且编号为i的车辆在t时刻与无人车的横向距离,dci代表第c种类且编号为i的车辆在t时刻与无人车的纵向距离;计算公式如下(1)、(2)所示:
步骤2:依据可靠性影响因素的不同性质,将各可靠性影响因素分类;
(1)对于车长αc及轴距βc,该参数是由车的类型c所决定的,对一天内马路上行驶过的各c类车辆的数量进行计数,计算各类型车辆出现的概率pc,得出c种类别车辆出现频次的离散分布,作为生成关键测试案例时他车类型抽样的数量及概率的依据;
(2)对于垂直距离dci(t)及纵向距离sci(t),该参数是由位置因素xi(t)、yi(t)以及θi(t)依据数学关系计算所得出的;
(3)对于vi(t),ai(t)及θi(t),做以下步骤3所示的数据处理;
步骤3:收集可靠性影响因素在正常行驶下的数据,并对所得数据进行处理和分析,从而确定参数的范围以及服从的分布;
(1)基于不同超车场景,收集可靠性影响因素在正常行驶下的数据;
①在某一次无人车超车的仿真场景下,通过仿真系统的输出值,无人车可实时读取得到可靠性影响参数的数值xj,其中,xj表示第j个观测数据,j=1,2,…,N;
②对无人车超车仿真场景进行多次重复测试,并重复①中操作,即得到由N个样本观测值组成的观测数据集X;
(2)拟合各参数的观测数据进行线性回归,剔除噪声数据,生成可用数据,并取其最小值及最大值,作为该参数的参考取值范围,分别记作[vimin,vimax]、[aimin,aimax]、[θimin,θimax];
(3)对生成的各参数的可用数据进行从小到大排序,记为x(1),x(2),…,x(n),其中下标表示排列的顺序号,分布拟合后得到经验分布函数,公式如下(3)所示:
比较经验分布函数与理论分布函数,得出参数服从的分布假设;
(4)基于假设检验,进行分布检验,最终确定参数服从的分布;
步骤4:基于无人车超车场景,提出超车可靠性事故判据;
针对无人车超车场景,仿真系统实时监测更新并迭代sci(t)、dci(t)、vi(t)、ai(t)、θi(t)的数值,可生成得超车可靠性超车场景的测试案例,其中,无人车出现被追尾、被侧碰、被他车对角撞,而无法被安全超车的判据为:
基于此,可得到瞬时速度vi(t),加速度ai(t)以及车身转角θi(t)的极大极小值、服从的参数以及超车可靠性的安全判据;
步骤三:构建高斯混合模型,确定模型参数;
基于得出的参数范围及服从的分布,建立无人车超车场景的混合高斯模型,并采用迭代方法求解,从而确定混合高斯模型的参数,本步骤包含2个子步骤:
步骤1:基于参数对无人车超车场景建立混合高斯模型;
高斯混合模型是k(k=1,2,…,K)个单高斯模型组合而成的模型,基于步骤二得出的k个无人车超车场景影响因素,且每个影响因素均遵从单高斯模型将其组合,得到无人车超车场景的混合高斯模型,令δk为所有观测数据中属于第k个子模型的概率,且δk满足δk≥0,因此,由定义得高斯混合模型的概率分布为
步骤2:使用迭代算法,确定模型的参数;
(1)计算每个数据j来自子模型k的可能性公式如下:
其中,γjk表示第j个观测数据属于第k个子模型的概率;
(2)计算新一轮迭代的模型参数;
步骤四:重要度抽样,变换高斯混合模型,确定关键测试用例;
(4)利用独立样本估计各个参数期望,最终生成无人车超车场景关键测试案例的参数,并还原为真实的测试场景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110707351.6A CN113378301B (zh) | 2021-06-22 | 2021-06-22 | 一种基于重要度抽样的无人车超车场景关键测试案例生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110707351.6A CN113378301B (zh) | 2021-06-22 | 2021-06-22 | 一种基于重要度抽样的无人车超车场景关键测试案例生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113378301A true CN113378301A (zh) | 2021-09-10 |
CN113378301B CN113378301B (zh) | 2022-05-24 |
Family
ID=77579006
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110707351.6A Active CN113378301B (zh) | 2021-06-22 | 2021-06-22 | 一种基于重要度抽样的无人车超车场景关键测试案例生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378301B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023193196A1 (zh) * | 2022-04-07 | 2023-10-12 | 中国科学院深圳先进技术研究院 | 自动驾驶测试用例生成方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018122585A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于浮动车数据的城市道路交通异常检测方法 |
CN111580500A (zh) * | 2020-05-11 | 2020-08-25 | 吉林大学 | 一种针对自动驾驶汽车安全性的评价方法 |
WO2021058223A1 (de) * | 2019-09-27 | 2021-04-01 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur effizienten, simulativen applikation automatisierter fahrfunktionen |
-
2021
- 2021-06-22 CN CN202110707351.6A patent/CN113378301B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018122585A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于浮动车数据的城市道路交通异常检测方法 |
WO2021058223A1 (de) * | 2019-09-27 | 2021-04-01 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur effizienten, simulativen applikation automatisierter fahrfunktionen |
CN111580500A (zh) * | 2020-05-11 | 2020-08-25 | 吉林大学 | 一种针对自动驾驶汽车安全性的评价方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023193196A1 (zh) * | 2022-04-07 | 2023-10-12 | 中国科学院深圳先进技术研究院 | 自动驾驶测试用例生成方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113378301B (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Feng et al. | Testing scenario library generation for connected and automated vehicles, part II: Case studies | |
CN112036001A (zh) | 自动驾驶测试场景构建方法、装置、设备及可读存储介质 | |
CN111547064B (zh) | 一种用于汽车自适应巡航系统的驾驶风格识别和分类方法 | |
CN105608286B (zh) | 基于粒子群优化算法的车辆保险杠结构优化方法 | |
CN113642108A (zh) | 一种基于重要度抽样的无人车十字路口通行场景关键测试案例生成方法 | |
CN108482481B (zh) | 四轮独立驱动与转向电动汽车的四轮转向控制方法 | |
CN113378301B (zh) | 一种基于重要度抽样的无人车超车场景关键测试案例生成方法 | |
CN109978025A (zh) | 一种基于高斯过程回归的智能网联车辆前车加速度预测方法 | |
Yang et al. | RBFNN based terminal sliding mode adaptive control for electric ground vehicles after tire blowout on expressway | |
CN115662184A (zh) | 一种车辆行车风险评估方法 | |
CN115482662B (zh) | 一种危险工况下驾驶员避撞行为预测方法及系统 | |
CN114818381A (zh) | 自动驾驶汽车测试场景库的构建方法 | |
CN115171389A (zh) | 基于gmm-hmm的高速公路他车超车换道意图识别方法 | |
Xu et al. | Roadside estimation of a vehicle’s center of gravity height based on an improved single-stage detection algorithm and regression prediction technology | |
Anil et al. | Driver behavior analysis using K-means algorithm | |
Gallo et al. | An explainable approach for car driver identification | |
CN114544191A (zh) | 自动驾驶测试场景量化评估方法及相关设备 | |
Weber et al. | Data-driven bev modeling for realistic consumption calculation in traffic simulation | |
Shu et al. | A sum-of-squares polynomial approach for road anomaly detection using vehicle sensor measurements | |
CN117115759B (zh) | 一种基于类别引导的路侧交通目标检测系统及方法 | |
CN117719524B (zh) | 一种驾驶安全风险识别预警方法、装置、终端及存储介质 | |
Wang et al. | Driving Style Identification Strategy Based on DS Evidence Theory | |
Bogdanović et al. | Research of the influences of input parameters on the result of vehicles collision simulation | |
Qin et al. | Research on Safety Classification for Vehicle Anti-collision Data by Improved Interval Fuzzy Reasoning |
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 |