CN113642108B - 一种无人车十字路口通行场景关键测试案例生成方法 - Google Patents

Abstract

本发明面向无人车，提出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，它包含四大步骤：(1)构建无人车十字路口通行场景，分析确定无人车十字路口通行可靠性的影响因素；(2)无人车十字路口通行场景可靠性影响因素参数化处理；(3)建立基于混合高斯分布的无人车十字路口通行场景模型，基于期望最大化(EM)算法确定无人车十字路口通行场景模型的最佳参数；(4)基于重要抽样概率密度函数进行重要度抽样并获得关键测试用例，对无人车十字路口通行场景进行测试并确定无人车十字路口通行的可靠度。

Description

一种无人车十字路口通行场景关键测试案例生成方法

所属技术领域

本发明面向无人车，提出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。该方法针对无人车通过十字路口这一场景，进行可靠性影响因素分析、构建高斯模型和进行重要度抽样，从而生成无人车十字路口通行的关键测试案例。本发明属于可靠性技术领域。

背景技术

随着无人车技术的发展，可靠性问题成为了无人车应用过程中难以逾越的瓶颈。根据报道，无论是特斯拉的自动驾驶系统还是Uber原型无人车，都发生过致命的交通事故。这些悲剧促使我们在无人车技术真正运用之前，更加谨慎地在受控环境中评估其可靠性。为此我们需要使用精心设计的测试案例对无人车可靠性进行评估。

由于无人车遭遇场景的复杂性，在自然的行驶情况下，需要几亿公里的里程才能实现自动驾驶技术的可靠性评估。即使使用计算机仿真的方法，挖掘出不可靠的案例也需要大量的计算。十字路口作为车辆交汇的地点，是交通事故的多发地，无人车十字路口通行是无人车运行过程的常见任务，其评估和验证对于保证可靠性和安全性至关重要。而十字路口通行存在很多不确定的危险事件，如车辆或行人穿红灯等，为了充分挖掘这些危险事件对无人车十字路口通行的影响，我们提出了一种基于重要度抽样的自动驾驶汽车关键测试案例生成方法。通过对无人车十字路口通行可靠性进行影响因素分析、模型构建以及重要度抽样，可以更快更高效找到对无人车可靠性带来挑战的关键场景，为无人车十字路口通行场景的可靠性评估提供指导。

发明内容

避免碰撞是无人车十字路口通行的最低要求，无人车十字路口通行可靠性是指无人车在十字路口通行的过程中能够与其他车辆保持安全碰撞时间(time-to-collision，ttc)的能力。本发明针对无人车十字路口通行场景下危险场景不易挖掘测试的问题，提出了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，为无人车十字路口通行的可靠评估提供依据。该发明的整体研究思路如图1所示，该方法分为下面几个步骤：

步骤一：构建无人车十字路口通行场景，分析确定无人车十字路口通行可靠性的影响因素。

分析无人车在十字路口通行场景，确定无人车十字路口通行的可靠性影响因素。考虑到十字路口车流复杂，无人车可能与各个方向车辆碰撞的特点，无人车十字路口通行的可靠性影响因素包括：各方向车辆的出现概率、车身的转角、车辆的位置以及碰撞时间。

步骤1：十字路口车流分析，确定十字路口通行场景下与无人车存在碰撞风险的车辆。分析图2和图3所示的十字路口通行示意图以及各方向车辆的轨迹图可知，十字路口通行场景中，车辆行驶方向较多且车流比较复杂。可能与无人车发生碰撞的车辆包括左侧直行车辆、左侧左转车辆、右侧直行车辆、右侧左转车辆、右侧右转车辆以及对面左转车辆。

步骤2：分析确定速度影响因素集合，它包括本车速度、左侧直行车辆速度、左侧左转车辆速度、右侧直行车辆速度、右侧左转车辆速度、右侧右转车辆速度以及对面左转车辆速度。

步骤3：分析确定车身转角影响因素集合，它包括本车转角、左侧直行车辆转角、左侧左转车辆转角、右侧直行车辆转角、右侧左转车辆转角、右侧右转车辆转角以及对面左转车辆转角。

步骤4：分析确定位置影响因素集合，它包括左侧直行车辆位置、左侧左转车辆位置、右侧直行车辆位置、右侧左转车辆位置、右侧右转车辆位置以及对面左转车辆位置。

步骤5：分析确定碰撞时间影响因素集合，它包括无人车分别与左侧直行车辆、左侧左转车辆、右侧直行车辆、右侧左转车辆、右侧右转车辆以及对面左转车辆的碰撞时间。

步骤二：无人车十字路口通行场景可靠性影响因素参数化处理。

对无人车十字路口通行可靠性影响因素进行参数化处理，收集实际使用数据，确定参数的范围及分布，并提出无人车十字路口通行的可靠性判据。本步骤包含4个子步骤：

步骤1：将无人车十字路口通行可靠性影响因素进行参数化处理。

(1)概率因素的参数化处理：将左侧直行车辆、左侧左转车辆、右侧直行车辆、右侧左转车辆、右侧右转车辆以及对面左转车辆分别编号为A、B、C、D、E、F，且假设无人车每次和某一个方向车辆遭遇，无人车与各方向车辆遭遇的概率为p_A、p_B、p_C、p_D、p_E、p_F。

(2)速度因素参数化处理：构建速度影响参数集{v₀,v_A,v_B,v_C,v_D,v_E,v_F}。其中，v₀(t)表示无人车在t时刻的速度，v_i(t)(v_i≥0),i＝A,B,...,F表示编号为i的车辆在t时刻的速度。

(3)转角因素参数化处理：建立如图4所示的二维坐标系，纵轴y为竖直道路正方向，横轴x与竖直马路正方向垂直，在建立的坐标平面上，连接车头和车尾令其为直线l，与坐标轴相交，l与x轴的夹角即为编号为i的车辆车身转角θ_i(t)i＝A,B,...,F。其中，θ_i(t)表示编号为i的车辆在t时刻的车身转角，以水平方向的θ为基准0°，θ_i(t)的取值范围为0°≤θ≤360°。

(4)位置因素参数化处理：将各方向车辆视为质点，且以车辆底盘中心作为车辆的位置，则无人车及其他相关车辆的位置可以记为(x,y)。其中，无人车的位置为(x₀,y₀)，且在t＝0时刻，x₀＝0,y₀＝0。左侧直行车辆、左侧左转车辆、右侧直行车辆、右侧左转车辆、右侧右转车辆以及对面左转车辆位置分别表示为(x_A,y_A)、(x_B,y_B)、(x_C,y_C)、(x_D,y_D)、(x_E,y_E)、(x_F,y_F)。

(5)碰撞时间因素参数化处理：构建了ttc数据集，记t时刻无人车与第i辆车的ttc为ttc_i|_t＝t＝ttc_i(t),i＝A,B,...,F。对于在无人车行驶路径上的不同方向的车辆，ttc的计算方式有所不同。

a)无人车与直行车辆的ttc计算：基于得到的相对速度和相对距离，计算无人车和车辆的碰撞时间。

b)无人车与转弯车辆的ttc计算：对于其他转弯车辆，基于无人车和转弯车辆相对速度和相对距离，计算无人车和车辆的碰撞时间。

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。

对于相对速度、相对距离以及碰撞时间，都是由基础数据，如位置因素x_i(t)、y_i(t)、θ_i(t)以及v_i(t)等，依据数学关系计算所得出的。对于基础数据x_i(t)、y_i(t)、θ_i(t)以及v_i(t)等，需要做进一步的处理，具体处理步骤如步骤3所示。

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)基于不同无人车十字路口通行场景，收集正常行驶下可靠性影响因素的数据。

(2)剔除噪声数据，拟合各参数的观测数据，生成可用数据。

(3)绘制各参数的分布曲线图，分别使用正态分布、F分布等分布拟合曲线，比较不同分布的拟合效果，得到参数的最优分布。

(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：基于无人车十字路口通行场景，提出无人车十字路口通行的可靠性事故判据。

存在碰撞风险即ttc＞0的情况下，ttc越大，表示情况越安全。和周围车辆保持一定的碰撞时间是无人车重要的可靠性指标，当ttc小于一定时间时，车辆的碰撞风险就远远超出安全范围，车辆的反应和刹车时间不足以避免碰撞，通过以上分析确定无人车十字路口通行场景的可靠性判据为ttc_i(t)＞ttc₀,i＝A,B,...,F，ttc₀是无人车十字路口通行场景的可靠性阈值。

步骤三：建立基于混合高斯分布的无人车十字路口通行场景模型，基于期望最大化(EM)算法确定无人车十字路口通行场景模型的最佳参数。

无人车十字路口通行场景受到多个因素的影响，因而十字路口通行下的场景模型具有多维多峰值的特点，使用高斯混合模型对场景进行建模。基于各个参数服从的分布，建立无人车十字路口通行场景的高斯混合模型，并采用迭代方法求解确定混合高斯模型的参数。本步骤包含3个子步骤：

步骤1：构建基于高斯混合模型的无人车十字路口通行场景模型；

(1)高斯混合模型是多个高斯模型的线性组合，基于场景参数建立高斯混合模型的单个高斯模型为p(X|Θ)＝N(x；μ,Σ)，其中X＝[x_i(t),y_i(t),θ_i(t),v_i(t),ttc_i(t)]；Θ为概率密度函数的参数Θ＝[μ,Σ]，μ和Σ分别是均值和方差；

(2)高斯混合模型是多个高斯模型的线性组合，基于单个高斯模型，得到无人车十字路口通行场景的高斯混合模型为其中：f(X|Θ)为无人车十字路口通行场景的概率密度函数；π_m是第m个高斯分布的权重系数，满足π_m>0以及/>M是单高斯模型的数量。

步骤2：E步骤，根据参数初始值或者上一次迭代所得到的结果值，计算无人车十字路口通行场景的似然函数；

(1)列出无人车十字路口通行场景的混合高斯模型的似然函数并求解，得到最优参数即为使得当前样本发生概率最大的参数作为当前的最优参数{μ_m,Σ_m}。

(2)基于极大似然函数确定要估计参数的粗略值。

步骤3：M步骤，最大化似然函数并更新参数值，检查判断参数或对数似然函数是否收敛，若不收敛，则返回步骤2，重复步骤直到收敛，最终得到最优参数{μ_m ^*,Σ_m ^*}。

步骤四：基于重要抽样概率密度函数进行重要度抽样并获得关键测试用例，对无人车十字路口通行场景进行测试并确定无人车十字路口通行的可靠度。

基于交叉熵优化的方法确定重要抽样分布,抽样得到关键测试案例并进行无人车十字路口通行可靠性评估。其具体步骤如下：

步骤1:使用交叉熵寻优的方法确定重要抽样概率密度函数(IS-PDF)：

(1)计算最优重要抽样概率密度函数为g(x；Q_opt)与当前的重要抽样概率密度函数g(x；Q)间的交叉熵。

(2)重要抽样概率密度函数参数Q的更新和计算。

(3)最优重要抽样概率密度函数g(x；Q_opt)的确定。经过k次迭代得到的Q_k将接近最优的IS-PDF参数，即在后续的重要抽样阶段，g(x；Q_k)被用于对无人车十字路口场景进行重要抽样。

步骤2：根据g(x；Q_k)进行抽样并生成关键测试案例，基于关键测试案例对无人车进行测试，实现无人车十字路口通行场景的可靠度评估。

(1)测试案例生成：使用g(x；Q)来代替原始的无人车十字路口通行场景模型f(x；P)进行无人车十字路口通行场景抽样(Q为g(x；Q)的参数)，通过抽样得到测试案例。

(2)基于加速抽样得到的测试案例对无人车进行测试，记录无人车在测试场景下的决策以及测试结果ttc。

通过以上步骤，可以得到无人车在通过十字路口场景下的关键测试用例，并且基于测试结果得到无人车十字路口通行的可靠度。

附图说明

图1一种无人车十字路口通行场景关键测试案例生成方法流程

图2十字路口车流示意图

图3无人车碰撞风险轨迹示意图

图4车辆方向示意

具体实施方式

步骤一：构建无人车十字路口通行场景，分析确定无人车十字路口通行可靠性的影响因素。

分析无人车在十字路口通行场景，确定无人车十字路口通行的可靠性影响因素。考虑到十字路口车流复杂，无人车可能与各个方向车辆碰撞的特点，无人车十字路口通行的可靠性影响因素包括：各方向车辆的出现概率、车身的转角、车辆的位置以及碰撞时间。

步骤1：十字路口车流分析，确定十字路口通行场景下与无人车存在碰撞风险的车辆。分析图2和图3所示的十字路口通行示意图以及各方向车辆的轨迹图可知，十字路口通行场景中，车辆行驶方向较多且车流比较复杂。可能与无人车发生碰撞的车辆包括左侧直行车辆、左侧左转车辆、右侧直行车辆、右侧左转车辆、右侧右转车辆以及对面左转车辆。

步骤2：分析确定速度影响因素集合，它包括本车速度、左侧直行车辆速度、左侧左转车辆速度、右侧直行车辆速度、右侧左转车辆速度、右侧右转车辆速度以及对面左转车辆速度。

步骤3：分析确定车身转角影响因素集合，它包括本车转角、左侧直行车辆转角、左侧左转车辆转角、右侧直行车辆转角、右侧左转车辆转角、右侧右转车辆转角以及对面左转车辆转角。

步骤4：分析确定位置影响因素集合，它包括左侧直行车辆位置、左侧左转车辆位置、右侧直行车辆位置、右侧左转车辆位置、右侧右转车辆位置以及对面左转车辆位置。

步骤5：分析确定碰撞时间影响因素集合，它包括无人车分别与左侧直行车辆、左侧左转车辆、右侧直行车辆、右侧左转车辆、右侧右转车辆以及对面左转车辆的碰撞时间。

步骤二：无人车十字路口通行场景可靠性影响因素参数化处理。

对无人车十字路口通行可靠性影响因素进行参数化处理，收集实际使用数据，确定参数的范围及分布，并提出无人车十字路口通行的可靠性判据。本步骤包含4个子步骤：

步骤1：将无人车十字路口通行可靠性影响因素进行参数化处理。

(1)概率因素的参数化处理：将左侧直行车辆、左侧左转车辆、右侧直行车辆、右侧左转车辆、右侧右转车辆以及对面左转车辆分别编号为A、B、C、D、E、F，且假设无人车每次和某一个方向车辆遭遇，无人车与各方向车辆遭遇的概率为p_A、p_B、p_C、p_D、p_E、p_F。

(2)速度因素参数化处理：构建速度影响参数集{v₀,v_A,v_B,v_C,v_D,v_E,v_F}。其中，v₀(t)表示无人车在t时刻的速度，v_i(t)(v_i≥0),i＝A,B,...,F表示编号为i的车辆在t时刻的速度。

(3)转角因素参数化处理：建立如图4所示的二维坐标系，纵轴y为竖直道路正方向，横轴x与竖直马路正方向垂直，在建立的坐标平面上，连接车头和车尾令其为直线l，与坐标轴相交，l与x轴的夹角即为编号为i的车辆车身转角θ_i(t)i＝A,B,...,F。其中，θ_i(t)表示编号为i的车辆在t时刻的车身转角，以水平方向的θ为基准0°，θ_i(t)的取值范围为0°≤θ≤360°。

(4)位置因素参数化处理：将各方向车辆视为质点，且以车辆底盘中心作为车辆的位置，则无人车及其他相关车辆的位置可以记为(x,y)。其中，无人车的位置为(x₀,y₀)，且在t＝0时刻，x₀＝0,y₀＝0。左侧直行车辆、左侧左转车辆、右侧直行车辆、右侧左转车辆、右侧右转车辆以及对面左转车辆位置分别表示为(x_A,y_A)、(x_B,y_B)、(x_C,y_C)、(x_D,y_D)、(x_E,y_E)、(x_F,y_F)。

(5)碰撞时间因素参数化处理：构建了ttc数据集，记t时刻无人车与第i辆车的ttc为ttc_i|_t＝t＝ttc_i(t),i＝A,B,...,F。对于在无人车行驶路径上的不同方向的车辆，ttc的计算方式有所不同。

a)无人车与直行车辆的ttc计算

由于左侧直行车辆A和右侧直行车辆C不存在y轴方向的速度分量，则无人车与车辆A和车辆C的相对速度为：

无人车与左侧直行车辆A和右侧直行车辆C在y轴方向的相对距离为：

Δy_i＝y_i(t)-y₀(t),i＝A,C

基于得到的相对速度和相对距离，可以计算无人车和车辆i的碰撞时间为：

b)无人车与转弯车辆的ttc计算

对于其他转弯车辆，首先计算转弯车辆(B,D,E,F)速度在y轴方向的分量：

其中，是t时刻车辆i在y方向的速度分量。如果/>那么速度为y轴正方向；如果/>那么速度为y轴负方向。

无人车和转弯车辆相对速度为：

其中，是t时刻，无人车和车辆i在y方向的相对速度。如果/>说明无人车速度大于车辆i的速度，具有碰撞风险；如果/>说明无人车速度小于车辆i的速度，没有碰撞风险。

基于得到的相对速度和相对距离，可以计算无人车和车辆i的碰撞时间为：

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。

根据以上的分析可知，对于相对速度、相对距离以及碰撞时间，都是由基础数据，如位置因素x_i(t)、y_i(t)、θ_i(t)以及v_i(t)等，依据数学关系计算所得出的。对于基础数据x_i(t)、y_i(t)、θ_i(t)以及v_i(t)等，需要做进一步的处理，具体处理步骤如步骤3所示。

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)基于不同无人车十字路口通行场景，收集正常行驶下可靠性影响因素的数据。

(2)剔除噪声数据，拟合各参数的观测数据，生成可用数据。

(3)绘制各参数的分布曲线图，分别使用正态分布、F分布等分布拟合曲线，比较不同分布的拟合效果，得到参数的最优分布。

(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：基于无人车十字路口通行场景，提出无人车十字路口通行的可靠性事故判据。

分析ttc的公式可知，在存在碰撞风险即ttc＞0的情况下，ttc越大，表示情况越安全。和周围车辆保持一定的碰撞时间是无人车重要的可靠性指标，当ttc小于一定时间时，车辆的碰撞风险就远远超出安全范围，车辆的反应和刹车时间不足以避免碰撞，因而无人车十字路口通行场景的可靠性判据为ttc_i(t)＞ttc₀,i＝A,B,...,F，ttc₀是无人车十字路口通行场景的可靠性阈值。

【示例】使用美国交通部门收集的多车辆十字路口通行场景的数据集对无人车十字路口通行场景进行建模。由于数据量比较大，将遭遇车辆的速度、距离和碰撞时间的部分数据陈列如下：

表1车辆相对速度观测值

表2车辆相对距离观测值

表3车辆碰撞时间ttc观测值

通过对数据进行分析和处理，可以确定相对速度和相对距离的范围以及服从的分布以及各个分布参数如表4所示。

表4各个因素的分布参数

参数	分布	均值	方差
				遭遇车辆的速度v	高斯分布	30	5
自身车辆和遭遇车辆的横向距离l	高斯分布	5	2
				碰撞时间ttc	高斯分布	15	102

步骤三：建立基于混合高斯分布的无人车十字路口通行场景模型，基于期望最大化(EM)算法确定无人车十字路口通行场景模型的最佳参数。

无人车十字路口通行场景受到多个因素的影响，因而十字路口通行下的场景模型具有多维多峰值的特点，使用高斯混合模型对场景进行建模。基于各个参数服从的分布，建立无人车十字路口通行场景的高斯混合模型，并采用迭代方法求解确定混合高斯模型的参数。本步骤包含3个子步骤：

步骤1：构建基于高斯混合模型的无人车十字路口通行场景模型；

(1)高斯混合模型是多个高斯模型的线性组合，基于场景参数建立高斯混合模型的单个高斯模型为p(X|Θ)＝N(x；μ,Σ)，其中X＝[x_i(t),y_i(t),θ_i(t),v_i(t),ttc_i(t)]；Θ为概率密度函数的参数Θ＝[μ,Σ]，μ和Σ分别是均值和方差；

(2)高斯混合模型是多个高斯模型的线性组合，基于单个高斯模型，得到无人车十字路口通行场景的高斯混合模型为其中：f(X|Θ)为无人车十字路口通行场景的概率密度函数；π_m是第m个高斯分布的权重系数，满足π_m>0以及/>M是单高斯模型的数量。

步骤2：E步骤，根据参数初始值或者上一次迭代所得到的结果值，计算无人车十字路口通行场景的似然函数；

(1)列出无人车十字路口通行场景的混合高斯模型的似然函数并求解。

针对无人车十字路口通行场景的高斯混合模型，求解出高斯混合模型的最大似然函数，分别对模型参数{μ_m,Σ_m}求导并令导数为0：

求解以上公式得到最优参数即为使得当前样本发生概率最大的参数作为当前的最优参数{μ_m,Σ_m}。

(2)基于极大似然函数确定要估计参数的粗略值

根据当前求得的最优参数{μ_m,Σ_m}计算样本n属于第m个高斯分布的后验概率：

步骤3：M步骤，最大化似然函数并更新参数值，检查判断参数或对数似然函数是否收敛，若不收敛，则返回步骤2，重复步骤直到收敛。

根据步骤1计算的γ重新计算参数μ_m，σ_m，可得：

其中：

重新计算对数似然函数，检查判断参数是否收敛或对数似然函数是否收敛，若不收敛，则返回步骤2。重复步骤直到收敛，最终得到最优参数{μ_m ^*,Σ_m ^*}。

步骤四：基于重要抽样概率密度函数进行重要度抽样并获得关键测试用例，对无人车十字路口通行场景进行测试并确定无人车十字路口通行的可靠度。

基于交叉熵优化的方法确定重要抽样分布,抽样得到关键测试案例并进行无人车十字路口通行可靠性评估。其具体步骤如下：

步骤1:使用交叉熵寻优的方法确定重要抽样概率密度函数(IS-PDF)：

(1)计算最优重要抽样概率密度函数为g(x；Q_opt)与当前的重要抽样概率密度函数g(x；Q)间的交叉熵。

假设无人车十字路口通行场景的最优重要抽样概率密度函数为g(x；Q_opt)，当前的重要抽样概率密度函数为g(x；Q)。交叉熵算法通过迭代减小待更新的重要抽样概率密度函数g(x；Q)和理论上最优的重要抽样概率密度函数g(x；Q_opt)的交叉熵，来寻找到近似最优的重要抽样概率密度函数。因而首先计算g(x；Q)与g(x；Q_opt)之间的交叉熵：

KL(g(x；Q),g(x；Q_opt))＝∫g(x；Q_opt)ln(g(x；Q_opt)/g(x；Q))dx

(2)重要抽样概率密度函数参数Q的更新和计算。

对以上积分进行简化，求解满足如下条件的重要抽样概率密度函数参数Q为：

令参数Q的初值为P(Q₀＝P)。由第(k-1)次迭代得到的g(x；Q_k-1)作为重要抽样概率密度函数被用于更新Q得到Q_k：

其中样本x_i是由g(x；Q_k-1)抽取。通过令上式对Q_k的偏导数为0得到Q_k的更新公式：

(3)最优重要抽样概率密度函数g(x；Q_opt)的确定。经过k次迭代得到的Q_k将接近最优的IS-PDF参数，即在后续的重要抽样阶段，g(x；Q_k)被用于对无人车十字路口场景进行重要抽样。

步骤2：根据g(x；Q_k)进行抽样并生成关键测试案例，基于关键测试案例对无人车进行测试，实现无人车十字路口通行场景的可靠度评估。

(1)测试案例生成：使用g(x；Q)来代替原始的无人车十字路口通行场景模型f(x；P)进行无人车十字路口通行场景抽样(Q为g(x；Q)的参数)，通过抽样得到测试案例。

(2)基于加速抽样得到的测试案例对无人车进行测试，记录无人车在测试场景下的决策以及测试结果ttc。根据测试结果可知，无人车失效的发生概率为：

其中，指示函数I(x_i)的定义如下：根据ttc的定义可知，无人车十字路口通行可靠性函数ttc越大，表示无人车十字路口通行能力越强，如果ttc_i(t)＞ttc₀,i＝A,B,...,F，I(x)＝0；否则I(x)＝1。

【示例】基于重要度抽样方法对场景模型进行抽样，得到关键测试场景并进行测试，得到的测试案例及其测试结果如下表所示：

表5测试场景以及测试结果

设定无人车十字路口通行场景的可靠性阈值ttc₀为3s，根据表5可知，无人车通过了场景3和场景4的测试，但是，未能通过场景1和场景2的测试。基于重要抽样得到的全部测试案例对无人车十字路口通行场景进行测试，最终得到无人车十字路口通行场景下的失效概率。

通过以上步骤，可以得到无人车在通过十字路口场景下的关键测试用例，并且基于测试结果得到无人车十字路口通行的可靠度。

Claims (1)

1.一种无人车十字路口通行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：构建无人车十字路口通行场景，分析确定无人车十字路口通行可靠性的影响因素；

步骤1：十字路口车流分析，确定十字路口通行场景下与无人车存在碰撞风险的车辆：分析十字路口通行场景下各方向车辆的轨迹可知，十字路口通行场景中，车辆行驶方向较多且车流比较复杂，可能与无人车发生碰撞的车辆包括左侧直行车辆、左侧左转车辆、右侧直行车辆、右侧左转车辆、右侧右转车辆以及对面左转车辆；

步骤2：分析确定速度影响因素集合，它包括本车速度、左侧直行车辆速度、左侧左转车辆速度、右侧直行车辆速度、右侧左转车辆速度、右侧右转车辆速度以及对面左转车辆速度；

步骤3：分析确定车身转角影响因素集合，它包括本车转角、左侧直行车辆转角、左侧左转车辆转角、右侧直行车辆转角、右侧左转车辆转角、右侧右转车辆转角以及对面左转车辆转角；

步骤4：分析确定位置影响因素集合，它包括左侧直行车辆位置、左侧左转车辆位置、右侧直行车辆位置、右侧左转车辆位置、右侧右转车辆位置以及对面左转车辆位置；

步骤5：分析确定碰撞时间影响因素集合，它包括无人车分别与左侧直行车辆、左侧左转车辆、右侧直行车辆、右侧左转车辆、右侧右转车辆以及对面左转车辆的碰撞时间；

步骤二：无人车十字路口通行场景可靠性影响因素参数化处理；

对无人车十字路口通行可靠性影响因素进行参数化处理，收集实际使用数据，确定参数的范围及分布，并提出无人车十字路口通行的可靠性判据,本步骤包含4个子步骤：

步骤1：将无人车十字路口通行可靠性影响因素进行参数化处理；

(1)概率因素的参数化处理：将左侧直行车辆、左侧左转车辆、右侧直行车辆、右侧左转车辆、右侧右转车辆以及对面左转车辆分别编号为A、B、C、D、E、F，且假设无人车每次和某一个方向车辆遭遇，无人车与各方向车辆遭遇的概率为p_A、p_B、p_C、p_D、p_E、p_F；

(2)速度因素参数化处理：构建速度影响参数集{v₀,v_A,v_B,v_C,v_D,v_E,v_F},其中，v₀(t)表示无人车在t时刻的速度，v_i(t)(v_i≥0),i＝A,B,...,F表示编号为i的车辆在t时刻的速度；

(3)转角因素参数化处理：建立二维坐标系，纵轴y为竖直道路正方向，横轴x与竖直马路正方向垂直，在建立的坐标平面上，连接车头和车尾令其为直线l，与坐标轴相交，l与x轴的夹角即为编号为i的车辆车身转角θ_i(t)i＝A,B,...,F，其中，θ_i(t)表示编号为i的车辆在t时刻的车身转角，以水平方向的θ为基准0°，θ_i(t)的取值范围为0°≤θ≤360°；

(4)位置因素参数化处理：将各方向车辆视为质点，且以车辆底盘中心作为车辆的位置，则无人车及其他相关车辆的位置可以记为(x,y)，其中，无人车的位置为(x₀,y₀)，且在t＝0时刻，x₀＝0,y₀＝0，左侧直行车辆、左侧左转车辆、右侧直行车辆、右侧左转车辆、右侧右转车辆以及对面左转车辆位置分别表示为(x_A,y_A)、(x_B,y_B)、(x_C,y_C)、(x_D,y_D)、(x_E,y_E)、(x_F,y_F)；

(5)碰撞时间因素参数化处理：构建了ttc数据集，记t时刻无人车与第i辆车的ttc为ttc_i|_t＝t＝ttc_i(t),i＝A,B,...,F，对于在无人车行驶路径上的不同方向的车辆，ttc的计算方式有所不同：

a)无人车与直行车辆的ttc计算：基于得到的相对速度和相对距离，计算无人车和车辆的碰撞时间；

b)无人车与转弯车辆的ttc计算：对于其他转弯车辆，基于无人车和转弯车辆相对速度和相对距离，计算无人车和车辆的碰撞时间；

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；

对于相对速度、相对距离以及碰撞时间，都是由基础数据，如位置因素x_i(t)、y_i(t)、θ_i(t)以及v_i(t)，依据数学关系计算所得出的，对于基础数据x_i(t)、y_i(t)、θ_i(t)以及v_i(t)，需要做进一步的处理，具体处理步骤如步骤3所示；

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)基于不同无人车十字路口通行场景，收集正常行驶下可靠性影响因素的数据；

(2)剔除噪声数据，拟合各参数的观测数据，生成可用数据；

(3)绘制各参数的分布曲线图，分别使用正态分布、F分布分布拟合曲线，比较不同分布的拟合效果，得到参数的最优分布；

(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：基于无人车十字路口通行场景，提出无人车十字路口通行的可靠性事故判据；

存在碰撞风险即ttc＞0的情况下，ttc越大，表示情况越安全，和周围车辆保持一定的碰撞时间是无人车重要的可靠性指标，当ttc小于一定时间时，车辆的碰撞风险就远远超出安全范围，车辆的反应和刹车时间不足以避免碰撞，通过以上分析确定无人车十字路口通行场景的可靠性判据为ttc_i(t)＞ttc₀,i＝A,B,...,F，ttc₀是无人车十字路口通行场景的可靠性阈值；

步骤三：建立基于混合高斯分布的无人车十字路口通行场景模型，基于期望最大化(EM)算法确定无人车十字路口通行场景模型的最佳参数；

无人车十字路口通行场景受到多个因素的影响，因而十字路口通行下的场景模型具有多维多峰值的特点，使用高斯混合模型对场景进行建模，基于各个参数服从的分布，建立无人车十字路口通行场景的高斯混合模型，并采用迭代方法求解确定混合高斯模型的参数，本步骤包含3个子步骤：

步骤1：构建基于高斯混合模型的无人车十字路口通行场景模型；

(1)高斯混合模型是多个高斯模型的线性组合，基于场景参数建立高斯混合模型的单个高斯模型为p(X|Θ)＝N(x；μ,Σ)，其中X＝[x_i(t),y_i(t),θ_i(t),v_i(t),ttc_i(t)]；Θ为概率密度函数的参数Θ＝[μ,Σ]，μ和Σ分别是均值和方差；

(2)高斯混合模型是多个高斯模型的线性组合，基于单个高斯模型，得到无人车十字路口通行场景的高斯混合模型为其中：f(X|Θ)为无人车十字路口通行场景的概率密度函数；π_m是第m个高斯分布的权重系数，满足π_m>0以及/>M是单高斯模型的数量；

步骤2：E步骤，根据参数初始值或者上一次迭代所得到的结果值，计算无人车十字路口通行场景的似然函数；

(1)列出无人车十字路口通行场景的混合高斯模型的似然函数并求解，得到最优参数即为使得当前样本发生概率最大的参数作为当前的最优参数{μ_m,Σ_m}；

(2)基于极大似然函数确定要估计参数的粗略值；

步骤3：M步骤，最大化似然函数并更新参数值，检查判断参数或对数似然函数是否收敛，若不收敛，则返回步骤2，重复步骤直到收敛，最终得到最优参数{μ_m ^*,Σ_m ^*}；

步骤四：基于重要抽样概率密度函数进行重要度抽样并获得关键测试用例，对无人车十字路口通行场景进行测试并确定无人车十字路口通行的可靠度；

基于交叉熵优化的方法确定重要抽样分布,抽样得到关键测试案例并进行无人车十字路口通行可靠性评估，其具体步骤如下：

步骤1:使用交叉熵寻优的方法确定重要抽样概率密度函数(IS-PDF)；

(1)计算最优重要抽样概率密度函数为g(x；Q_opt)与当前的重要抽样概率密度函数g(x；Q)间的交叉熵；

(2)重要抽样概率密度函数参数Q的更新和计算；

(3)最优重要抽样概率密度函数g(x；Q_opt)的确定，经过k次迭代得到的Q_k将接近最优的IS-PDF参数，即在后续的重要抽样阶段，g(x；Q_k)被用于对无人车十字路口场景进行重要抽样；

步骤2：根据g(x；Q_k)进行抽样并生成关键测试案例，基于关键测试案例对无人车进行测试，实现无人车十字路口通行场景的可靠度评估；

(1)测试案例生成：使用g(x；Q)来代替原始的无人车十字路口通行场景模型f(x；P)进行无人车十字路口通行场景抽样(Q为g(x；Q)的参数)，通过抽样得到测试案例；

(2)基于加速抽样得到的测试案例对无人车进行测试，记录无人车在测试场景下的决策以及测试结果ttc；

通过以上步骤，可以得到无人车在通过十字路口场景下的关键测试用例，并且基于测试结果得到无人车十字路口通行的可靠度。