CN113609016A - 车辆自动驾驶测试场景的构建方法、装置、设备及介质 - Google Patents
车辆自动驾驶测试场景的构建方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113609016A CN113609016A CN202110895752.9A CN202110895752A CN113609016A CN 113609016 A CN113609016 A CN 113609016A CN 202110895752 A CN202110895752 A CN 202110895752A CN 113609016 A CN113609016 A CN 113609016A
- Authority
- CN
- China
- Prior art keywords
- scene
- vehicle
- test
- hazard
- parameter
- 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 206
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000011990 functional testing Methods 0.000 claims abstract description 32
- 230000009469 supplementation Effects 0.000 claims abstract description 17
- 238000010276 construction Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 38
- 230000002159 abnormal effect Effects 0.000 claims description 34
- 230000006399 behavior Effects 0.000 claims description 26
- 238000013507 mapping Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 230000006378 damage Effects 0.000 description 21
- 238000004088 simulation Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 239000013589 supplement Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 4
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 4
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- XXQGYGJZNMSSFD-UHFFFAOYSA-N 2-[2-(dimethylcarbamoyl)phenoxy]acetic acid Chemical compound CN(C)C(=O)C1=CC=CC=C1OCC(O)=O XXQGYGJZNMSSFD-UHFFFAOYSA-N 0.000 description 1
- 102100022443 CXADR-like membrane protein Human genes 0.000 description 1
- 241001596784 Pegasus Species 0.000 description 1
- 208000031074 Reinjury Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013142 basic testing Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000012812 general test Methods 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000007103 stamina Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3664—Environments for testing or debugging software
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3676—Test management for coverage analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3692—Test management for test results analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种车辆自动驾驶测试场景的构建方法、装置、设备及介质,该构建方法包括:获取自动驾驶的功能测试需求信息;根据所述功能测试需求信息确定场景参数组合;基于所述场景参数组合中的场景参数确定车辆危险信息;基于所述车辆危险信息确定所述车辆危险信息对应的危害结果及所述危害结果的触发条件;根据所述危害结果的触发条件和所述场景参数组合生成测试场景;获取所述测试场景下的路采数据,基于所述路采数据对所述测试场景中的场景参数进行参数空间补充和场景参数具体化,得到与所述功能测试需求信息对应的至少一个具体场景。根据所述构建方法及装置,解决了现有技术中测试场景数量不足以及随机性不够的问题。
Description
技术领域
本申请涉及自动驾驶技术领域,具体而言,涉及车辆自动驾驶测试场景的构建方法、装置、设备及介质。
背景技术
随着人民生活水平的提高,轿车等交通工具成为人们主要的代步工具之一,而交通工具的智能化,也使出行更加的方便。在一些情况下,车辆可以自动执行驾驶任务,例如,开启了自动驾驶功能的家用轿车、公交车、卡车等车辆。
自动驾驶系统的开发都遵从仿真到实车测试的过程,虚拟仿真测试作为一种零风险、快速迭代、可复现的测试方法,为自动驾驶技术上路测试奠定了坚实的基础。仿真测试可以快速有效的对算法的正确性与性能进行测试。而要实现仿真测试,就需要为仿真测试搭建虚拟的测试场景。
目前,在搭建虚拟测试场景时,是从具体场景开始规划搭建虚拟仿真测试场景,一般测试场景的获取方法是通过人工搭建或者实车采集的方式,但这种方法获取到的场景都很固定,不具有随机性,针对路况或者行车道路场景数据的采集需要昂贵的采集设备,或需要驾车到处遨游等采集难度大的方式采集,或因极端事件极难发生而采集不到足够量的数据。并且这种获取方法也不具备具体化的功能,当场景需要改变时,只能通过人工经验或者实车采集等方法重新再导入场景库中,这种测试场景的搭建方式不仅速度慢,而且还会浪费大量的人工成本。
发明内容
有鉴于此,本申请的目的在于提供一种车辆自动驾驶测试场景的构建方法及装置,以解决现有技术中测试场景数量不足以及随机性不够的问题。
第一方面,本申请实施例提供了一种车辆自动驾驶测试场景的构建方法,所述构建方法包括:
获取自动驾驶的功能测试需求信息;
根据所述功能测试需求信息确定场景参数组合,所述场景参数组合中包括至少一个场景参数;
基于所述场景参数组合中的场景参数确定车辆危险信息,所述车辆危险信息用来表征车辆的一种危险驾驶状态;
基于所述车辆危险信息确定所述车辆危险信息对应的危害结果及所述危害结果的触发条件;
根据所述危害结果的触发条件和所述场景参数组合生成测试场景;
获取所述测试场景下的路采数据,基于所述路采数据对所述测试场景中的场景参数进行参数空间补充和场景参数具体化,得到与所述功能测试需求信息对应的至少一个具体场景。
进一步的,所述构建方法还包括:
根据所述功能测试需求信息和所述场景参数,生成与所述具体场景对应的场景标签;
将所述具体场景以及所述具体场景对应的场景标签以映射关系存储至具体场景库中,所述具体场景库中存储有具体场景。
进一步的,所述基于所述车辆危险信息确定所述车辆危险信息对应的危害结果及所述危害结果的触发条件,包括:
对所述车辆危险信息进行行为分析,确定所述车辆危险信息造成的至少一个异常状态;
基于所述异常状态确定所述异常状态对应的至少一个触发条件;
基于所述异常状态和所述触发条件确定所述车辆危险信息造成的至少一个危害结果。
进一步的,所述根据所述危害结果的触发条件和所述场景参数组合生成测试场景,包括:
对所述危害结果和所述危害结果的触发条件进行分析,得到分析结果,所述分析结果包括危害严重性、行为可控性和发生概率中的至少一种;
若所述分析结果满足预设条件,则根据所述危害结果的触发条件和所述场景参数组合生成测试场景。
进一步的,所述获取所述测试场景下的路采数据,基于所述路采数据对所述测试场景中的场景参数进行参数空间补充和场景参数具体化,得到与所述功能测试需求信息对应的至少一个具体场景,包括:
获取所述测试场景下的路采数据,所述路采数据用来表征所述测试场景下的历史车辆状态范围参数;
基于所述路采数据对所述测试场景中的场景参数进行参数空间补充,生成所述测试场景对应的场景范围参数;
根据所述场景范围参数生成所述功能测试需求信息对应的逻辑场景;
基于所述场景范围参数和所述路采数据确定至少一个场景具体参数;
基于所述逻辑场景和至少一个所述场景具体参数构建与所述功能测试需求信息对应的至少一个具体场景。
第二方面,本申请实施例还提供了一种车辆自动驾驶测试场景的构建装置,所述构建装置包括:
获取模块,用于获取自动驾驶的功能测试需求信息;
场景参数组合确定模块,用于根据所述功能测试需求信息确定场景参数组合,所述场景参数组合中包括至少一个场景参数;
车辆危险信息确定模块,用于基于所述场景参数组合中的场景参数确定车辆危险信息,所述车辆危险信息用来表征车辆的一种危险驾驶状态;
危害结果和触发条件确定模块,用于基于所述车辆危险信息确定所述车辆危险信息对应的危害结果及所述危害结果的触发条件;
测试场景生成模块,用于根据所述危害结果的触发条件和所述场景参数组合生成测试场景;
具体场景生成模块,用于获取所述测试场景下的路采数据,基于所述路采数据对所述测试场景中的场景参数进行参数空间补充和场景参数具体化,得到与所述功能测试需求信息对应的至少一个具体场景。
进一步的,所述构建装置还包括:
场景标签生成模块,用于根据所述功能测试需求信息和所述场景参数,生成与所述具体场景对应的场景标签;
存储模块,用于将所述具体场景以及所述具体场景对应的场景标签以映射关系存储至具体场景库中,所述具体场景库中存储有具体场景。
进一步的,所述危害结果和触发条件确定模块还用于:
对所述车辆危险信息进行行为分析,确定所述车辆危险信息造成的至少一个异常状态;
基于所述异常状态确定所述异常状态对应的至少一个触发条件;
基于所述异常状态和所述触发条件确定所述车辆危险信息造成的至少一个危害结果。
本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的车辆自动驾驶测试场景的构建方法的步骤。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述的车辆自动驾驶测试场景的构建方法的步骤。
本申请提供的车辆自动驾驶测试场景的构建方法,首先获取自动驾驶的功能测试需求信息;然后,根据所述功能测试需求信息确定场景参数组合,所述场景参数组合中包括至少一个场景参数;基于所述场景参数组合中的场景参数确定车辆危险信息,所述车辆危险信息用来表征车辆的一种危险驾驶状态;基于所述车辆危险信息确定所述车辆危险信息对应的危害结果及所述危害结果的触发条件;根据所述危害结果的触发条件和所述场景参数组合生成测试场景;最后,获取所述测试场景下的路采数据,基于所述路采数据对所述测试场景中的场景参数进行参数空间补充和场景参数具体化,得到与所述功能测试需求信息对应的至少一个具体场景。
本申请实施例提供的车辆自动驾驶测试场景的构建方法与现有技术中的测试场景的构建方法相比,可以根据获取到的自动驾驶的功能测试需求信息确定对应的场景组合参数,再根据场景参数组合确定可能会造成的危害结果以及危害结果的触发条件,最后根据场景参数组合和触发条件来构建测试场景,利用测试场景下的路采数据对测试场景进行参数空间补充和场景参数具体化,生成与功能测试需求信息对应的至少一个具体场景。根据本申请实施例提供的车辆自动驾驶测试场景的构建方法,通过场景参数组和触发条件来构建测试场景,无需通过人工搭建或者实车采集的方式来构建,减少了构建测试场景的步骤,节省了很多人力和时间,提高了测试场景构建的效率。并且,在生成测试场景后利用测试场景对应的路采数据来对测试场景进行参数空间补充和场景参数具体化,得到至少一个具体场景,提高了场景的覆盖度,通过一个测试场景可以具体化出多个具体场景,增加了具体场景的数量,并且具体场景可以涉及很多种不同的道路状况,增加了随机性,解决了现有技术中测试场景数量不足以及随机性不够的问题。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
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车辆自动驾驶测试场景的构建方法的流程图;
图2为本申请实施例提供的一种生成与功能测试需求信息对应的具体场景的流程图;
图3为本申请实施例提供的一种车辆自动驾驶测试场景的构建装置的结构示意图之一;
图4为本申请实施例提供的一种车辆自动驾驶测试场景的构建装置的结构示意图之二;
图5为本申请实施例提供的一种电子设备的结构示意图。
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,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。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申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
随着人民生活水平的提高,轿车等交通工具成为人们主要的代步工具之一,而交通工具的智能化,也使出行更加的方便。在一些情况下,车辆可以自动执行驾驶任务,例如,开启了自动驾驶功能的家用轿车、公交车、卡车等车辆。
自动驾驶系统的开发都遵从仿真到实车测试的过程,虚拟仿真测试作为一种零风险、快速迭代、可复现的测试方法,为自动驾驶技术上路测试奠定了坚实的基础。仿真测试可以快速有效的对算法的正确性与性能进行测试。而要实现仿真测试,就需要为仿真测试搭建虚拟的测试场景。
经研究发现,从具体场景开始规划搭建虚拟仿真测试场景库,现有技术中最常见的场景库(例如中汽研)参考的是德国Pegasus项目的场景分类标准及格式,来源包括标准法规、人工经验数据、中国交通事故数据、自然驾驶数据等,包括场景数据采集、场景分类提取、场景统计分析、虚拟场景转换生成等,可应用于MIL、SIL、HIL等虚拟仿真系统的测试。场景库按照ASAM标准OpenSCenario格式进行整理:
标准法规场景全面覆盖五大ADAS及部分L3级自动驾驶功能的标准法规,包括:GB/T 26773-2011、GB/T 33577-2017、GB/T 33577-2017、GB/T 20608、JT/T 1242-2019、JT/T883-2014、ISO 15623-2013、ISO 15622、ISO 17361、ECE R130、ECE131、Euro-Ncap、IIHS等。
经验式场景主要依靠中国汽研雄厚的ADAS实测经验及数据,总结ADAS实测失效场景,并基于测试专家经验人工添加特殊场景,形成针对各项ADAS及自动驾驶功能的虚拟测试场景。
交通事故场景通过对中国宏观交通事故数据分析以及深入事故调查数据分析,提出符合中国事故的分类。基于事故数据统计得到各类事故类型、发生频率、伤亡情况、道路交通情况等比例信息,选取等比例事故,进行深入事故再现,提取车辆运动状态、运动轨迹、道路环境等信息,以GIDAS/xml等格式存储,形成事故场景库,应用于自动驾驶功能的虚拟仿真测试。
自然驾驶场景的建立经过大规模中国道路自然驾驶数据的采集,提取各类型典型场景,进行场景参数标注及统计分析,形成逻辑场景(Logical Scenario)。而后基于逻辑场景的参数分布,大规模生成具体场景(Concrete Scenario)参数,并以通用场景格式存储,形成数万级的虚拟场景文件。
可见,目前,在搭建虚拟测试场景时,是从具体场景开始规划搭建虚拟仿真测试场景,一般测试场景的获取方法是通过人工搭建或者实车采集的方式,但这种方法获取到的场景都很固定,不具有随机性,针对路况或者行车道路场景数据的采集需要昂贵的采集设备,或需要驾车到处遨游等采集难度大的方式采集,或因极端事件极难发生而采集不到足够量的数据。并且这种获取方法也不具备具体化的功能,当场景需要改变时,只能通过人工经验或者实车采集等方法重新再导入场景库中,这种测试场景的搭建方式不仅速度慢,而且还会浪费大量的人工成本。并且,现有的基础场景库中并不能涉及驾驶人员误用以及传感器性能不足这两种情况的场景,基础场景库并不能覆盖所有可能发生的情况。
基于此,本申请实施例提供了一种车辆自动驾驶测试场景的构建方法,解决了现有技术中测试场景数量不足以及随机性不够的问题。
请参阅图1,图1为本申请实施例所提供的一种车辆自动驾驶测试场景的构建方法的流程图。如图1中所示,本申请实施例提供的车辆自动驾驶测试场景的构建方法,包括:
S101,获取自动驾驶的功能测试需求信息。
需要说明的是,自动驾驶是指驾驶员执行的工作完全自动化的、高度集中控制的一种操作状态,采用先进的通信、计算机、网络和控制技术,对车辆实现实时、连续控制。功能测试需求信息指的是对于自动驾驶过程中的某种功能想要进行测试的一种需求信息,相当于一种自动驾驶过程中的被测功能。例如,该功能测试需求信息可以是“在下雨天城市公路上的自动驾驶”,也可以是“在夜晚高速公路上的自动驾驶”。
这里,应注意,上述对功能测试需求信息的例子仅是示例,实际中,功能测试需求信息不限于上述例子。
针对上述步骤S101,获取针对于自动驾驶的一种功能测试需求信息。作为一种可选的实施方式,该功能测试需求信息可以是用户发送的,也可以是工作人员根据需求自行输入的,对此本申请不做具体限定。
S102,根据所述功能测试需求信息确定场景参数组合。
其中,所述场景参数组合中包括至少一个场景参数。
需要说明的是,场景参数指的是场景中可能包含的各种基础测试数据,用于对测试场景进行建模。场景参数组合指的是有多个场景参数组成的一个参数组合,其中,场景参数组合中包括多个场景参数。根据本申请提供的实施例,在具体实施时,会设置有一个参数分析库,参考IS021448附录内的情境因素,组成能不同维度的参数库。该参数分析库中包含类似道路几何拓扑、道路设施限制、交通参与物、环境条件等等。例如,参数分析库中可以包含天气参数,例如“晴天、多云、雨天”等,也可以包括一天中的时间参数,例如“清晨、白天、傍晚、夜晚”等,也可以包括驾驶环境参数,例如“高速公路,城市道路,封闭道路”等。在建设测试场景时,可以从参数分析库中提取单个场景参数构建测试场景,例如提取“夜晚”这个场景参数,则可以构建一个夜晚中自动驾驶的场景;也可以从参数分析库中提取多个场景参数来构建测试场景,例如提取“夜晚”和“下雨天”这两个场景参数,则可以构建一个在下雨的夜晚自动驾驶的场景,场景参数的提取都是以测试目的决定的。
这里,应注意,上述对参数分析库中的场景参数的例子仅是示例,实际中,参数分析库中的场景参数不限于上述例子。
针对上述步骤S102,根据获取到的自动驾驶的功能测试需求信息,确定多个场景参数,进而确定功能需求测试信息对应的场景参数组合。例如,获取到的自动驾驶的功能测试需求信息为“在夜晚高速公路上的自动驾驶”,则确定出该功能测试需求信息对应的场景参数为“夜晚”和“高速公路”,这时对应的场景参数组合则为“夜晚中的高速公路”。
S103,基于所述场景参数组合中的场景参数确定车辆危险信息。
其中,所述车辆危险信息用来表征车辆的一种危险驾驶状态。
需要说明的是,车辆危险信息指的是车辆在自动驾驶时出现的一种危险驾驶状态,即所述车辆危险信息用来表征车辆的一种危险驾驶状态。
针对上述步骤S103,在具体实施时,基于步骤S102中确定的场景参数来确定车辆危险信息。根据本申请提供的实施例,在具体实施时,是根据当前场景参数下的传感器或者算法的局限性和弱点来分析对应的车辆危险信息。这里的传感器指的是在仿真测试过程中被测车辆上的传感器,具体地,所述的传感器可以包括深度摄像头,用来检测车道线偏移量,传感器还可以包括激光雷达,用来检测相邻车辆的相对速度。这里的算法代表着用自动驾驶系统的方法描述解决问题的策略机制,在自动驾驶仿真测试过程中用来计算车辆控制信号的算法,具体地,算法可以包括AEB(Autonomous Emergency Braking,自动紧急制动)算法,用来计算制动缸的压力,通过制动缸压力去控制车辆速;也可以包括ACC(AdaptiveCruise Control,自适应巡航控制)算法用来计算车辆的加速度,通过加速度去控制车辆速度。在自动驾驶仿真测试过程中,是仿真软件中的传感器采集到传感器数据,并发送给对应的算法,算法根据传感器数据来确定对应的控制信号。
这里,应注意,上述对传感器、传感器数据和算法的例子仅是示例,实际中,在仿真测试过程中涉及到的传感器、传感器数据和算法不限于上述例子。
延续上一实施例,当确定出的场景参数组合中的场景参数为“夜晚”和“高速公路”时,这时需要根据这两个场景参数来确定车辆在这两个场景参数下的车辆危险信息。例如,在仿真测试时,被测车辆中有一个传感器用来识别车道,因为场景参数为“夜晚”,在夜晚驾驶时由于光线较暗可能会出现被测车辆中识别车道偏移量的传感器无法精准的识别车道,进而会出现被测车辆在自动驾驶过程中不能及时识别自车所处的车道位置的情况,因此基于场景参数组合中的场景参数“夜晚”和“高速公路”确定出的车辆危险信息为“不能及时识别自车所处的车道位置”。
S104,基于所述车辆危险信息确定所述车辆危险信息对应的危害结果及所述危害结果的触发条件。
需要说明的是,危害结果指的是车辆在自动驾驶过程中,当处于车辆危险信息状态下可能会造成的对于自身车辆或驾乘人员的危害。触发条件指的是造成上述危害结果需要的一个车辆自身条件或外界环境条件。
针对上述步骤S104,在步骤S103确定出车辆危险信息后,需要根据该车辆危险信息确定车辆危险信息会造成的危害结果和发生该危害结果发生时需要的触发条件。具体的,所述基于所述车辆危险信息确定所述车辆危险信息对应的危害结果及所述危害结果的触发条件,包括:
步骤1041,对所述车辆危险信息进行行为分析,确定所述车辆危险信息造成的至少一个异常状态。
需要说明的是,行为分析指的是通过车辆危险信息分析确定后续伤害的一种分析方法。异常状态指的是车辆在自动驾驶过程中,因为车辆危险信息而造成的一种非正常状态。
作为一种可选的实施例,当确定出的车辆危险信息为“不能及时识别交通信号灯”时,这时对该车辆危险信息进行行为分析,也就是分析该车辆危险信息后续可能造成的危害,例如,当车辆在自动驾驶过程中不能及时识别交通信号灯时,当通过交通岗时如果交通信号灯为红灯,可能会出现闯红灯的行为,这时将车辆危险信息造成的异常状态确定为“闯红灯驾驶”。
延续上一实施例,当确定出的车辆危险信息为“不能及时识别自车所处的车道位置”,这时对该车道危险信息进行行为分析,也就是分析该车辆危险信息后续可能造成的危害,当车辆在自动驾驶过程中不能及时识别自车所处的车道位置时,可能会造成偏离车道行驶的情况,这时将车辆危险信息造成的异常状态确定为“偏离车道行驶”。
步骤1042,基于所述异常状态确定所述异常状态对应的至少一个触发条件。
针对上述步骤1042,基于异常状态确定异常状态对应的至少一个触发条件。延续上一实施例,当异常状态为“偏离车道行驶”时,这时该异常状态对应的触发条件可能有两个,一个是“相邻车道有车”,一个是“相邻车道无车”。
步骤1043,基于所述异常状态和所述触发条件确定所述车辆危险信息造成的至少一个危害结果。
针对上述步骤1043,在不同的场景条件下,可能会导致车辆会遭遇不同的危害结果。延续上一实施例,当异常状态为“偏离车道驾驶”,触发条件为“相邻车道有车”时,会造成被测车辆和相邻车道车辆发成碰撞,则该触发条件下会造成的一个危害结果为“车辆发生碰撞”。当异常状态为“偏离车道驾驶”,触发条件为“相邻车道无车”时,并不会造成被测车辆和相邻车道车辆发成碰撞,但是可能会由于驾乘人员自行调整方向盘以调整车辆所处的车道位置,被测车辆突然转向,会有驾乘人员体验下降的情况发生,则该触发条件下会造成的另一个危害结果为“驾乘人员体验下降”。
S105,根据所述危害结果的触发条件和所述场景参数组合生成测试场景。
需要说明的是,测试场景指的是需要进行仿真测试的一种自动驾驶仿真测试场景,也是与功能测试需求信息相对应的测试场景。
针对上述步骤S105,根据确定的危害结果的触发条件和场景参数组合生成测试场景。具体的,所述根据所述危害结果的触发条件和所述场景参数组合生成测试场景,包括:
步骤1051,对所述危害结果和所述危害结果的触发条件进行分析,得到分析结果。
其中,所述分析结果包括危害严重性、行为可控性和发生概率中的至少一种。
需要说明的是,危害严重性指的是危害结果对驾乘人员的伤害程度。能够危害到驾乘人员的生命安全的危害结果被认为危害严重性较高,只是影响到驾乘人员驾乘体验的危害结果被认为危害严重性较低。行为可控性指的是驾乘人员对危害结果的可控性。如果驾乘人员可以对危害结果进行及时的控制或预防,则认为行为可控性较高;如果驾乘人员不能对危害结果进行及时的控制或预防,则认为行为可控性较低。发生概率指的是危害结果的触发条件可能发生的概率。作为一种可选的实施方式,发生概率需要结合道路采集的数据经验来决定,在大数据的情况下,判断触发条件可能会发生的概率。
针对上述步骤1051,对危害结果和危害结果的触发条件进行分析,得到分析结果。延续上一实施例,当危害结果为“车辆发生碰撞”,触发条件为“相邻车道有车”时,对该危害结果和触发条件进行分析。首先针对危害严重性进行分析,车辆发生碰撞时很可能会危害到驾乘人员的生命安全,所以认为该触发条件下的危害结果的危害严重性高。然后对行为可控性进行分析,在夜晚驾驶过程中如果不能及时识别自车所处的车道位置时,驾乘人员也可能会由于光线较暗而看不清车道线,所以这种情况下的行为可控性低。最后对发生概率进行分析,如果道路采集的数据经验表示在高速公路自动驾驶时相邻车道有车发生的次数很多,这时则认为这种情况下的发生概率较大。然后在基于同样的分析方式,对危害结果为“驾乘人员体验下降”,触发条件为“相邻车道无车”的情况进行分析,驾乘人员体验下降不会危害到驾乘人员的生命安全,所认认为该触发条件下的危害结果的危害严重性低。因为同时发现夜晚中的高速公路的环境下的,所以这种情况下的行为可控性低。如果道路采集的数据经验表示在高速公路自动驾驶时相邻车道无车发生的次数很少,这时则认为这种情况下的发生概率较小。因此经过上述分析后,危害结果为“车辆发生碰撞”触发条件为“相邻车道有车”情况下对应的分析结果为“危害严重性高、行为可控性低和发生概率较大”;危害结果为“驾乘人员体验下降”触发条件为“相邻车道无车”情况下对应的分析结果为“危害严重性低、行为可控性低和发生概率较小”。
步骤1052,若所述分析结果满足预设条件,则根据所述危害结果的触发条件和所述场景参数组合生成测试场景。
需要说明的是,预设条件指的是提前预设好的针对于分析结果设定的预设标准。例如,预设标准可以是如果危害严重性低、行为可控性低和发生概率较小的场景可以接受;危害严重性高、行为可控性低和发生概率较大的场景不可接受。不可接受的场景则需要被测试,不可接受的场景将作为预设条件。作为一种可选的实施方式,该预设条件可以根据不同用户的要求而适应性修改。
针对上述步骤1052,根据分析得到分析结果来确定场景是否可以被接受,是否需要被测试。延续上一实施例,危害结果为“车辆发生碰撞”触发条件为“相邻车道有车”情况下对应的分析结果为“危害严重性高、行为可控性低和发生概率较大”,预设条件为危害严重性高、行为可控性低和发生概率较大的场景不可接受,分析结果满足预设条件,这时则认为危害结果为“车辆发生碰撞”触发条件为“相邻车道有车”的情况不可接受,需要生成一个测试场景被测试。危害结果为“驾乘人员体验下降”触发条件为“相邻车道无车”情况下对应的分析结果为“危害严重性低、行为可控性低和发生概率较小”,分析结果并不满足预设条件,这时则认为危害结果为“车辆发生碰撞”触发条件为“相邻车道有车”的情况可以接受,则不需要生成测试场景被测试。在满足预设条件的危害结果和该危害结果的触发条件被确定后,则根据该危害结果的触发条件和所述场景参数组合生成测试场景。如何基于场景参数和触发条件通过建模的方式来构建测试场景的技术在现有技术中已有详细的介绍,在此不再进行过多的说明。
S106,获取所述测试场景下的路采数据,基于所述路采数据对所述测试场景中的场景参数进行参数空间补充和场景参数具体化,得到与所述功能测试需求信息对应的至少一个具体场景。
需要说明的是,路采数据指的是对道路数据进行实车采集得到的参数,具体的,路采数据可以是一些道路的限速信息,车辆在某个位置的车辆速度,相邻车辆的车辆速度或者相邻车辆的相对位置等。参数空间补充指的是对场景参数进行空间补充,以得到场景范围参数,例如将车辆高速公路驾驶过程中的场景参数扩充为车辆速度为60KM/h到100KM/h之间的场景范围参数。具体化指的是对场景参数进行细化,也就是使场景参数更具体,例如一个场景参数为“夜晚”,场景参数具体化后的场景参数可以是“下雨的夜晚”。具体场景指的是更加具体的测试场景,也就是在测试场景中又增加了一些场景参数,使测试场景变得更加复杂,与真实场景更加贴切。
这里,应注意,上述对路采数据的例子仅是示例,实际中,路采数据不限于上述例子。
请参阅图2,图2为本申请实施例所提供的一种生成与功能测试需求信息对应的具体场景的流程图。如图2中所示,所述获取所述测试场景下的路采数据,基于所述路采数据对所述测试场景中的场景参数进行参数空间补充和场景参数具体化,得到与所述功能测试需求信息对应的至少一个具体场景,包括:
S201,获取所述测试场景下的路采数据。
其中,所述路采数据用来表征所述测试场景下的历史车辆状态范围参数。
需要说明的是,历史车辆状态范围参数指的是实车采集到的,在该场景下车辆的状态范围参数,例如车辆速度、相邻车辆相对距离、相邻车辆速度等。延续上一实施例,测试场景为“夜晚中高速公路上的自动驾驶,相邻车道有车”,这时根据所有的路采数据来获取该测试场景下的历史车辆状态范围参数,在该情况下的历史车辆状态范围参数为“60KM/h<车辆速度<100KM/h,10M<相邻车辆距离<15M,60KM/h<相邻车辆速度<100KM/h”。
S202,基于所述路采数据对所述测试场景中的场景参数进行参数空间补充,生成所述测试场景对应的场景范围参数。
需要说明的是,场景范围参数指的是对场景参数进行参数空间补充后得到的范围参数。
针对上述步骤S202,延续上一实施例,当确定出测试场景为“夜晚中高速公路上的自动驾驶,相邻车道有车”,在该情况下的历史车辆状态范围参数为“60KM/h<车辆速度<100KM/h,10M<相邻车辆距离<15M,60KM/h<相邻车辆速度<100KM/h”,利用该历史车辆状态范围参数进行参数空间补充,也就是与该测试场景的场景参数进行关联,得到的场景范围参数为“夜晚,高速公路,相邻车道有车,60KM/h<车辆速度<100KM/h,10M<相邻车辆距离<15M,60KM/h<相邻车辆速度<100KM/h”。
S203,根据所述场景范围参数生成所述功能测试需求信息对应的逻辑场景。
需要说明的是,逻辑场景指的是一种带有区间性场景参数的场景。针对上述步骤S203,利用场景范围参数生成逻辑场景,也就是利用场景范围参数来搭建场景,得到逻辑场景。如何基于场景范围参数通过建模的方式来构建逻辑场景的技术在现有技术中已有详细的介绍,在此不再进行过多的说明。
S204,基于所述场景范围参数和所述路采数据确定至少一个场景具体参数。
需要说明的是,场景具体参数指的是对于场景范围参数进行场景参数具体化得到的场景参数,也就是对场景范围参数进行进一步的细化。
延续上一实施例,例如,经路采数据的统计显示,80%的车辆在夜晚中高速公路上自动驾驶并且相邻车道有车的情况下,车辆速度在[80,100]KM/h,而20%的车辆在夜晚中高速公路上自动驾驶并且相邻车道有车的情况下,车辆速度在[60,80]KM/h。于是在进行场景参数具体化时,[80,100]这个区间内的颗粒度小,具体化步长可以设定为5KM/h,在[60,80]这个区间内的颗粒度大,具体化步长可以设定为10KM/h。这里,颗粒度指的是指数据仓库中数据的细化和综合程度。具体化步长指的是具体化后两个场景具体参数之间的距离。在具体化步长确定好后,利用这个具体化步长来对场景范围参数进行参数具体化,得到至少一个场景具体参数。具体的,在[80,100]这个区间内由于具体化步长为5KM/h,所以在该区间内车辆速度的场景具体参数可以确定为“80KM/h,85KM/h,90KM/h,95KM/h,100KM/h”,也就是每隔5KM/h的参数就要生成一个用来测试的场景,以符合实车采集到的路采数据的情况。而在[60,80]这个区间内由于具体化步长为10KM/h,所以在该区间内车辆速度的场景具体参数可以确定为“60KM/h,70KM/h”,也就是每隔10KM/h的参数就要生成一个用来测试的场景。同样的,对于“10M<相邻车辆距离<15M,60KM/h<相邻车辆速度<100KM/h”这两个范围参数同样以上述的方法进行场景参数具体化,得到至少一个相邻车辆距离和相邻车辆速度的场景具体参数。
S205,基于所述逻辑场景和至少一个所述场景具体参数构建与所述功能测试需求信息对应的至少一个具体场景。
针对上述步骤S205,在具体实施时,在所有的场景具体参数被确定好后,针对所有的场景具体参数中每个场景具体参数都会构建一个与之对应的具体场景。延续上一实施例,例如确定出的车辆速度的场景具体参数为“60KM/h,70KM/h”,这时针对60KM/h这个场景具体参数构建一个具体场景,该具体场景中车辆自动驾驶的速度就是60KM/h。再针对70KM/h这个场景具体参数构建一个具体场景,该具体场景中车辆自动驾驶的速度就是70KM/h。这种场景的构建方法可以是得到的测试场景更加细化更加复杂,与真实场景更加贴切。
本申请实施例提供的车辆自动驾驶测试场景的构建方法与现有技术中的测试场景的构建方法相比,可以根据获取到的自动驾驶的功能测试需求信息确定对应的场景组合参数,再根据场景参数组合确定可能会造成的危害结果以及危害结果的触发条件,最后根据场景参数组合和触发条件来构建测试场景,利用测试场景下的路采数据对测试场景进行参数空间补充和场景参数具体化,生成与功能测试需求信息对应的至少一个具体场景。据本申请实施例提供的车辆自动驾驶测试场景的构建方法,通过场景参数组和触发条件来构建测试场景,无需通过人工搭建或者实车采集的方式来构建,减少了构建测试场景的步骤,节省了很多人力和时间,提高了测试场景构建的效率。并且,在生成测试场景后利用测试场景对应的路采数据来对测试场景进行参数空间补充和场景参数具体化,得到至少一个更加细化的具体场景,提高了场景的覆盖度,通过一个测试场景可以具体化出多个具体场景,增加了具体场景的数量,并且具体场景可以涉及很多种不同的道路状况,增加了随机性,解决了现有技术中测试场景数量不足以及随机性不够的问题。
在构建好功能测试需求信息对应的至少一个具体场景,所述构建方法还包括:
A:根据所述功能测试需求信息和所述场景参数,生成与所述具体场景对应的场景标签。
需要说明的是,场景标签指的是用来标志具体场景的测试目标和分类或内容,像是具体场景的目标或者参数确定的关键字词。场景标签可以是功能测试需求信息,例如“高速公路测试”或者“封闭路段测试”等,场景标签也可以是场景的关键环境要素,例如“夜晚”、“白天”或者“相邻车道有车”等。可以把具体场景中涉及到的各个场景参数都生成标签,方便下次在使用该具体场景时方便检索。
针对上述步骤,在具体场景生成后,根据功能测试需求信息和构建该具体场景使用到的场景参数来生成具体场景对应的场景。延续上一实施例,当获取到的功能测试需求信息为“夜晚中高速公路上的自动驾驶”,这时生成的场景标签就可以是“夜晚”和“高速公路”。当生成具体场景为“夜晚中高速公路上的自动驾驶,相邻车道有车,车辆速度为90KM/h”时,生成的场景标签还可以是“相邻车道有车”和“车辆速度为90KM/h”。
B:将所述具体场景以及所述具体场景对应的场景标签以映射关系存储至具体场景库中,所述具体场景库中存储有具体场景。
需要说明的是,映射关系一般指对象关系映射,对象关系映射是用于实现面向对象编程语言里不同类型系统的数据之间的转换。具体场景库指的是一种用于存储具体场景的数据库。根据本申请提供的实施例,可以将将场景标签以及场景标签对应的具体场景以映射关系存储至映射关系库中,通过场景标签可以快速检索到场景标签所对应的具体场景。
本申请实施例提供的车辆自动驾驶测试场景的构建方法中,在创建好具体场景后,生成与具体场景对应的场景标签,并将具体场景和该具体场景相对应的场景标签存储至具体场景库中,这样下次进行自动驾驶仿真测试时,如果具体场景库中有需要的具体场景,可以直接根据场景标签调取需要的具体场景,无需再对具体场景进行构建。
请参阅图3、图4,图3为本申请实施例所提供的一种车辆自动驾驶测试场景的构建装置的结构示意图之一,图4为本申请实施例所提供的一种车辆自动驾驶测试场景的构建装置的结构示意图之二。如图3中所示,所述构建装置300包括:
获取模块301,用于获取自动驾驶的功能测试需求信息。
场景参数组合确定模块302,用于根据所述功能测试需求信息确定场景参数组合,所述场景参数组合中包括至少一个场景参数。
车辆危险信息确定模块303,用于基于所述场景参数组合中的场景参数确定车辆危险信息,所述车辆危险信息用来表征车辆的一种危险驾驶状态。
危害结果和触发条件确定模块304,用于基于所述车辆危险信息确定所述车辆危险信息对应的危害结果及所述危害结果的触发条件。
测试场景生成模块305,用于根据所述危害结果的触发条件和所述场景参数组合生成测试场景。
具体场景生成模块306,用于获取所述测试场景下的路采数据,基于所述路采数据对所述测试场景中的场景参数进行参数空间补充和场景参数具体化,得到与所述功能测试需求信息对应的至少一个具体场景。
进一步的,如图4所示,所述构建装置300还包括:
场景标签生成模块307,用于根据所述功能测试需求信息和所述场景参数,生成与所述具体场景对应的场景标签;
存储模块308,用于将所述具体场景以及所述具体场景对应的场景标签以映射关系存储至具体场景库中,所述具体场景库中存储有具体场景。
进一步的,所述危害结果和触发条件确定模块304还用于:
对所述车辆危险信息进行行为分析,确定所述车辆危险信息造成的至少一个异常状态;
基于所述异常状态确定所述异常状态对应的至少一个触发条件;
基于所述异常状态和所述触发条件确定所述车辆危险信息造成的至少一个危害结果。
进一步的,测试场景生成模块305还用于:
对所述危害结果和所述危害结果的触发条件进行分析,得到分析结果,所述分析结果包括危害严重性、行为可控性和发生概率中的至少一种;
若所述分析结果满足预设条件,则根据所述危害结果的触发条件和所述场景参数组合生成测试场景。
进一步的,具体场景生成模块306还用于:
获取所述测试场景下的路采数据,所述路采数据用来表征所述测试场景下的历史车辆状态范围参数;
基于所述路采数据对所述测试场景中的场景参数进行参数空间补充,生成所述测试场景对应的场景范围参数;
根据所述场景范围参数生成所述功能测试需求信息对应的逻辑场景;
基于所述场景范围参数和所述路采数据确定至少一个场景具体参数;
基于所述逻辑场景和至少一个所述场景具体参数构建与所述功能测试需求信息对应的至少一个具体场景。
请参阅图5,图5为本申请实施例所提供的一种电子设备的结构示意图。如图5中所示,所述电子设备400包括处理器410、存储器420和总线430。
所述存储器420存储有所述处理器410可执行的机器可读指令,当电子设备400运行时,所述处理器410与所述存储器420之间通过总线430通信,所述机器可读指令被所述处理器410执行时,可以执行如上述图1以及图2所示方法实施例中的车辆自动驾驶测试场景的构建方法的步骤,解决了现有技术中测试场景数量不足以及随机性不够的问题,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时可以执行如上述图1以及图2所示方法实施例中的车辆自动驾驶测试场景的构建方法的步骤,解决了现有技术中测试场景数量不足以及随机性不够的问题,具体实现方式可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。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,又例如,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通信接口,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。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种车辆自动驾驶测试场景的构建方法,其特征在于,所述构建方法包括:
获取自动驾驶的功能测试需求信息;
根据所述功能测试需求信息确定场景参数组合,所述场景参数组合中包括至少一个场景参数;
基于所述场景参数组合中的场景参数确定车辆危险信息,所述车辆危险信息用来表征车辆的一种危险驾驶状态;
基于所述车辆危险信息确定所述车辆危险信息对应的危害结果及所述危害结果的触发条件;
根据所述危害结果的触发条件和所述场景参数组合生成测试场景;
获取所述测试场景下的路采数据,基于所述路采数据对所述测试场景中的场景参数进行参数空间补充和场景参数具体化,得到与所述功能测试需求信息对应的至少一个具体场景。
2.根据权利要求1所述的构建方法,其特征在于,所述构建方法还包括:
根据所述功能测试需求信息和所述场景参数,生成与所述具体场景对应的场景标签;
将所述具体场景以及所述具体场景对应的场景标签以映射关系存储至具体场景库中,所述具体场景库中存储有具体场景。
3.根据权利要求1所述的构建方法,其特征在于,所述基于所述车辆危险信息确定所述车辆危险信息对应的危害结果及所述危害结果的触发条件,包括:
对所述车辆危险信息进行行为分析,确定所述车辆危险信息造成的至少一个异常状态;
基于所述异常状态确定所述异常状态对应的至少一个触发条件;
基于所述异常状态和所述触发条件确定所述车辆危险信息造成的至少一个危害结果。
4.根据权利要求1所述的构建方法,其特征在于,所述根据所述危害结果的触发条件和所述场景参数组合生成测试场景,包括:
对所述危害结果和所述危害结果的触发条件进行分析,得到分析结果,所述分析结果包括危害严重性、行为可控性和发生概率中的至少一种;
若所述分析结果满足预设条件,则根据所述危害结果的触发条件和所述场景参数组合生成测试场景。
5.根据权利要求1所述的构建方法,其特征在于,所述获取所述测试场景下的路采数据,基于所述路采数据对所述测试场景中的场景参数进行参数空间补充和场景参数具体化,得到与所述功能测试需求信息对应的至少一个具体场景,包括:
获取所述测试场景下的路采数据,所述路采数据用来表征所述测试场景下的历史车辆状态范围参数;
基于所述路采数据对所述测试场景中的场景参数进行参数空间补充,生成所述测试场景对应的场景范围参数;
根据所述场景范围参数生成所述功能测试需求信息对应的逻辑场景;
基于所述场景范围参数和所述路采数据确定至少一个场景具体参数;
基于所述逻辑场景和至少一个所述场景具体参数构建与所述功能测试需求信息对应的至少一个具体场景。
6.一种车辆自动驾驶测试场景的构建装置,其特征在于,所述构建装置包括:
获取模块,用于获取自动驾驶的功能测试需求信息;
场景参数组合确定模块,用于根据所述功能测试需求信息确定场景参数组合,所述场景参数组合中包括至少一个场景参数;
车辆危险信息确定模块,用于基于所述场景参数组合中的场景参数确定车辆危险信息,所述车辆危险信息用来表征车辆的一种危险驾驶状态;
危害结果和触发条件确定模块,用于基于所述车辆危险信息确定所述车辆危险信息对应的危害结果及所述危害结果的触发条件;
测试场景生成模块,用于根据所述危害结果的触发条件和所述场景参数组合生成测试场景;
具体场景生成模块,用于获取所述测试场景下的路采数据,基于所述路采数据对所述测试场景中的场景参数进行参数空间补充和场景参数具体化,得到与所述功能测试需求信息对应的至少一个具体场景。
7.根据权利要求6所述的构建装置,其特征在于,所述构建装置还包括:
场景标签生成模块,用于根据所述功能测试需求信息和所述场景参数,生成与所述具体场景对应的场景标签;
存储模块,用于将所述具体场景以及所述具体场景对应的场景标签以映射关系存储至具体场景库中,所述具体场景库中存储有具体场景。
8.根据权利要求6所述的构建装置,其特征在于,所述危害结果和触发条件确定模块还用于:
对所述车辆危险信息进行行为分析,确定所述车辆危险信息造成的至少一个异常状态;
基于所述异常状态确定所述异常状态对应的至少一个触发条件;
基于所述异常状态和所述触发条件确定所述车辆危险信息造成的至少一个危害结果。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线进行通信,所述机器可读指令被所述处理器运行时执行如权利要求1至5任一所述的车辆自动驾驶测试场景的构建方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读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至5任一所述的车辆自动驾驶测试场景的构建方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110895752.9A CN113609016B (zh) | 2021-08-05 | 2021-08-05 | 车辆自动驾驶测试场景的构建方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110895752.9A CN113609016B (zh) | 2021-08-05 | 2021-08-05 | 车辆自动驾驶测试场景的构建方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113609016A true CN113609016A (zh) | 2021-11-05 |
CN113609016B CN113609016B (zh) | 2024-03-15 |
Family
ID=78307047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110895752.9A Active CN113609016B (zh) | 2021-08-05 | 2021-08-05 | 车辆自动驾驶测试场景的构建方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113609016B (zh) |
Cited By (6)
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 |
CN114647582A (zh) * | 2022-03-24 | 2022-06-21 | 重庆长安汽车股份有限公司 | 自动驾驶场景生成方法 |
CN115240409A (zh) * | 2022-06-17 | 2022-10-25 | 上海智能网联汽车技术中心有限公司 | 一种基于驾驶员模型和交通流模型提取危险场景的方法 |
CN115601856A (zh) * | 2022-12-15 | 2023-01-13 | 中国汽车技术研究中心有限公司(Cn) | 自动驾驶系统预期功能安全测试场景确定方法和设备 |
CN115687163A (zh) * | 2023-01-05 | 2023-02-03 | 中汽智联技术有限公司 | 场景库构建方法、装置、设备和存储介质 |
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 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105954040A (zh) * | 2016-04-22 | 2016-09-21 | 百度在线网络技术(北京)有限公司 | 应用于无人驾驶汽车的测试方法和装置 |
CN108332977A (zh) * | 2018-01-23 | 2018-07-27 | 常熟昆仑智能科技有限公司 | 一种对智能网联汽车测试场景的分类分析方法 |
CN110705005A (zh) * | 2019-08-15 | 2020-01-17 | 同济大学 | 一种自动驾驶事故测试场景筛选方法 |
CN111122175A (zh) * | 2020-01-02 | 2020-05-08 | 北京百度网讯科技有限公司 | 测试自动驾驶系统的方法以及装置 |
CN111579251A (zh) * | 2020-04-16 | 2020-08-25 | 国汽(北京)智能网联汽车研究院有限公司 | 车辆测试场景的确定方法、装置、设备及存储介质 |
US20200334405A1 (en) * | 2018-10-26 | 2020-10-22 | Cartica Ai Ltd | Generating a simulation scenario |
US20200339109A1 (en) * | 2019-04-29 | 2020-10-29 | Nvidia Corporation | Simulating realistic test data from transformed real-world sensor data for autonomous machine applications |
CN111841012A (zh) * | 2020-06-23 | 2020-10-30 | 北京航空航天大学 | 一种自动驾驶模拟仿真系统及其测试资源库建设方法 |
US20200409816A1 (en) * | 2019-06-28 | 2020-12-31 | Robert Bosch Gmbh | Method and apparatus for testing a system, for selecting real tests, and for testing systems with machine learning components |
CN112213113A (zh) * | 2020-09-02 | 2021-01-12 | 中国第一汽车股份有限公司 | 智能驾驶移动装置的现实道路测试场景选择及规划方法 |
CN112346998A (zh) * | 2021-01-11 | 2021-02-09 | 北京赛目科技有限公司 | 一种基于场景的自动驾驶仿真测试方法及装置 |
CN112380137A (zh) * | 2020-12-04 | 2021-02-19 | 清华大学苏州汽车研究院(吴江) | 一种自动驾驶场景的确定方法、装置、设备及存储介质 |
CN112525551A (zh) * | 2020-12-10 | 2021-03-19 | 北京百度网讯科技有限公司 | 自动驾驶车辆的路测方法、装置、设备及存储介质 |
CN112597061A (zh) * | 2021-01-20 | 2021-04-02 | 中国汽车技术研究中心有限公司 | 一种acc系统性能测试方法及相关设备 |
JP2021107782A (ja) * | 2019-12-27 | 2021-07-29 | 日産自動車株式会社 | 設計支援方法及び設計支援装置 |
-
2021
- 2021-08-05 CN CN202110895752.9A patent/CN113609016B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105954040A (zh) * | 2016-04-22 | 2016-09-21 | 百度在线网络技术(北京)有限公司 | 应用于无人驾驶汽车的测试方法和装置 |
CN108332977A (zh) * | 2018-01-23 | 2018-07-27 | 常熟昆仑智能科技有限公司 | 一种对智能网联汽车测试场景的分类分析方法 |
US20200334405A1 (en) * | 2018-10-26 | 2020-10-22 | Cartica Ai Ltd | Generating a simulation scenario |
US20200339109A1 (en) * | 2019-04-29 | 2020-10-29 | Nvidia Corporation | Simulating realistic test data from transformed real-world sensor data for autonomous machine applications |
US20200409816A1 (en) * | 2019-06-28 | 2020-12-31 | Robert Bosch Gmbh | Method and apparatus for testing a system, for selecting real tests, and for testing systems with machine learning components |
CN110705005A (zh) * | 2019-08-15 | 2020-01-17 | 同济大学 | 一种自动驾驶事故测试场景筛选方法 |
JP2021107782A (ja) * | 2019-12-27 | 2021-07-29 | 日産自動車株式会社 | 設計支援方法及び設計支援装置 |
CN111122175A (zh) * | 2020-01-02 | 2020-05-08 | 北京百度网讯科技有限公司 | 测试自动驾驶系统的方法以及装置 |
CN111579251A (zh) * | 2020-04-16 | 2020-08-25 | 国汽(北京)智能网联汽车研究院有限公司 | 车辆测试场景的确定方法、装置、设备及存储介质 |
CN111841012A (zh) * | 2020-06-23 | 2020-10-30 | 北京航空航天大学 | 一种自动驾驶模拟仿真系统及其测试资源库建设方法 |
CN112213113A (zh) * | 2020-09-02 | 2021-01-12 | 中国第一汽车股份有限公司 | 智能驾驶移动装置的现实道路测试场景选择及规划方法 |
CN112380137A (zh) * | 2020-12-04 | 2021-02-19 | 清华大学苏州汽车研究院(吴江) | 一种自动驾驶场景的确定方法、装置、设备及存储介质 |
CN112525551A (zh) * | 2020-12-10 | 2021-03-19 | 北京百度网讯科技有限公司 | 自动驾驶车辆的路测方法、装置、设备及存储介质 |
KR20210088457A (ko) * | 2020-12-10 | 2021-07-14 | 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 | 자율 주행 차량의 도로 테스트 방법, 장치, 기기 및 저장매체 |
CN112346998A (zh) * | 2021-01-11 | 2021-02-09 | 北京赛目科技有限公司 | 一种基于场景的自动驾驶仿真测试方法及装置 |
CN112597061A (zh) * | 2021-01-20 | 2021-04-02 | 中国汽车技术研究中心有限公司 | 一种acc系统性能测试方法及相关设备 |
Non-Patent Citations (1)
Title |
---|
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 * |
Cited By (10)
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 |
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 |
CN114647582A (zh) * | 2022-03-24 | 2022-06-21 | 重庆长安汽车股份有限公司 | 自动驾驶场景生成方法 |
CN115240409A (zh) * | 2022-06-17 | 2022-10-25 | 上海智能网联汽车技术中心有限公司 | 一种基于驾驶员模型和交通流模型提取危险场景的方法 |
CN115240409B (zh) * | 2022-06-17 | 2024-02-06 | 上智联(上海)智能科技有限公司 | 一种基于驾驶员模型和交通流模型提取危险场景的方法 |
CN115601856A (zh) * | 2022-12-15 | 2023-01-13 | 中国汽车技术研究中心有限公司(Cn) | 自动驾驶系统预期功能安全测试场景确定方法和设备 |
CN115601856B (zh) * | 2022-12-15 | 2023-04-18 | 中国汽车技术研究中心有限公司 | 自动驾驶系统预期功能安全测试场景确定方法和设备 |
CN115687163A (zh) * | 2023-01-05 | 2023-02-03 | 中汽智联技术有限公司 | 场景库构建方法、装置、设备和存储介质 |
CN115687163B (zh) * | 2023-01-05 | 2023-04-07 | 中汽智联技术有限公司 | 场景库构建方法、装置、设备和存储介质 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113609016B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113609016B (zh) | 车辆自动驾驶测试场景的构建方法、装置、设备及介质 | |
CN109493566B (zh) | 一种基于gps数据的疲劳驾驶预测方法 | |
CN105139648B (zh) | 驾驶习惯数据生成方法及系统 | |
CN107784587A (zh) | 一种驾驶行为评价系统 | |
CN110866677A (zh) | 一种基于基准化分析的驾驶人相对风险评价方法 | |
CN107784251A (zh) | 基于图像识别技术对驾驶行为评价的方法 | |
JP2000185676A (ja) | 移動体の操作傾向解析方法、運行管理システム及びその構成装置、記録媒体 | |
CN106816020B (zh) | 基于数据分析的交通事故信息处理方法 | |
CN112256033B (zh) | 驾驶状态识别方法、设备、存储介质及装置 | |
CN117436821B (zh) | 交通事故诊断报告的生成方法、设备及存储介质 | |
KR102233723B1 (ko) | 자율 주행 차량의 운행 패턴 관리 서버 및 그것의 운행 패턴 해석 방법 | |
Lv et al. | The influence of different factors on right-turn distracted driving behavior at intersections using naturalistic driving study data | |
CN111291916A (zh) | 驾驶行为安全性预测方法、装置、电子设备及存储介质 | |
CN114077541A (zh) | 验证用于自动驾驶车辆的自动控制软件的方法和系统 | |
CN110599791A (zh) | 信息监控方法、装置和设备 | |
Yu et al. | Prediction of instantaneous driving safety in emergency scenarios based on connected vehicle basic safety messages | |
CN114428717A (zh) | 基于真实数据的自动驾驶测试场景集更新方法和系统 | |
CN116753938A (zh) | 车辆测试场景生成方法、装置、存储介质及设备 | |
Ebner et al. | Identifying and analyzing reference scenarios for the development and evaluation of active safety: application to preventive pedestrian safety | |
CN116307699A (zh) | 基于多源数据的道路隐患点段分级方法、装置及存储介质 | |
CN113706911B (zh) | 一种基于数字化交通场景的自动驾驶方法 | |
CN114802264A (zh) | 车辆控制方法、装置、电子设备 | |
Peng et al. | A Method for Vehicle Collision Risk Assessment through Inferring Driver's Braking Actions in Near-Crash Situations | |
Ali et al. | Employment of instrumented vehicles to identify real-time snowy weather conditions on freeways using supervised machine learning techniques–A naturalistic driving study | |
CN111341106B (zh) | 交通预警方法、装置和设备 |
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 | ||
CB02 | Change of applicant information |
Country or region after: China Address after: 401, Floor 4, No. 66, Zizhuyuan Road, Haidian District, Beijing, 100089 Applicant after: Beijing Saimu Technology Co.,Ltd. Address before: 100082 1501 ZhongGuanCun international innovation building, Haidian District, Beijing Applicant before: Beijing saimu Technology Co.,Ltd. Country or region before: China |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |