CN113849400A - 一种测试场景库生成方法、装置、设备及存储介质 - Google Patents

一种测试场景库生成方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113849400A
CN113849400A CN202111082537.3A CN202111082537A CN113849400A CN 113849400 A CN113849400 A CN 113849400A CN 202111082537 A CN202111082537 A CN 202111082537A CN 113849400 A CN113849400 A CN 113849400A
Authority
CN
China
Prior art keywords
scene
test
test scene
criticality
model
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
CN202111082537.3A
Other languages
English (en)
Inventor
徐鑫
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.)
Jingdong Kunpeng Jiangsu Technology Co Ltd
Original Assignee
Jingdong Kunpeng Jiangsu Technology 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 Jingdong Kunpeng Jiangsu Technology Co Ltd filed Critical Jingdong Kunpeng Jiangsu Technology Co Ltd
Priority to CN202111082537.3A priority Critical patent/CN113849400A/zh
Publication of CN113849400A publication Critical patent/CN113849400A/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
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G06F11/3672—Test management
    • G06F11/3684—Test management for test design, e.g. generating new test cases

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

本发明实施例公开了一种测试场景库生成方法、装置、设备及存储介质。该方法包括：在接收到测试场景库的生成指令时，获取预先为与生成指令对应的待测试场景构建出的各候选测试场景、关键度模型以及预设运行域；以关键度模型为目标且并以与预设运行域对应的参数可行集为约束，基于在测试场景空间中采样得到的初始测试场景得到关键测试场景，其中测试场景空间中包括各候选测试场景；以关键测试场景为搜索起点并且以关键测试场景在测试场景空间中的预设搜索邻域为搜索范围，在测试场景空间中进行搜索，并根据搜索结果生成测试场景库。本发明实施例的技术方案，可以高效地生成具有较高准确性的测试场景库。

Description

一种测试场景库生成方法、装置、设备及存储介质
技术领域
本发明实施例涉及自动驾驶技术领域，尤其涉及一种测试场景库生成方法、装置、设备及存储介质。
背景技术
随着计算机技术的迅速发展，自动驾驶受到了人们的广泛关注。为了提高自动驾驶车辆的安全性和可靠性，自动驾驶车辆的智能测试必不可少。
测试场景库决定了自动驾驶车辆在测试时的场景,进而影响了其在测试时的准确性和高效性，因此如何生成测试场景库是智能测试中的关键问题。
在实现本发明的过程中，发明人发现现有技术中存在以下技术问题：现有的测试场景库的生成方案在准确性和效率上有待提高。
发明内容
本发明实施例提供了一种测试场景库生成方法、装置、设备及存储介质，以实现高效生成高准确性的测试场景库的效果。
第一方面，本发明实施例提供了一种测试场景库生成方法，可以包括：
在接收到测试场景库的生成指令时，获取预先为与生成指令对应的待测试场景构建出的各候选测试场景、关键度模型和预设运行域，其中，关键度模型是用于确定待测试场景和候选测试场景间的关键度的模型；
以关键度模型为目标并且以与预设运行域对应的参数可行集为约束，基于在测试场景空间中采样到的初始测试场景得到关键测试场景，其中，测试场景空间中包括各候选测试场景；
以关键测试场景为搜索起点并且以关键测试场景在测试场景空间中的预设搜索邻域为搜索范围，在测试场景空间中进行搜索，并根据搜索结果生成测试场景库。
第二方面，本发明实施例还提供了一种测试场景库生成装置，可以包括：
关键度模型获取模块，用于在接收到测试场景库的生成指令时，获取预先为与生成指令相对应的待测试场景构建出的各候选测试场景、关键度模型以及预设运行域，其中关键度模型是用于确定待测试场景和候选测试场景间的关键度的模型；
关键测试场景得到模块，用于以关键度模型为目标且以与预设运行域对应的参数可行集为约束，基于在测试场景空间中采样到的初始测试场景得到关键测试场景，其中，测试场景空间中包括各候选测试场景；
测试场景库生成模块，用于以关键测试场景为搜索起点且以关键测试场景在测试场景空间中的预设搜索邻域为搜索范围，在测试场景空间中进行搜索，并根据搜索结果生成测试场景库。
第三方面，本发明实施例还提供了一种测试场景库生成设备，可以包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现本发明任意实施例所提供的测试场景库生成方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明任意实施例所提供的测试场景库生成方法。
本发明实施例的技术方案，通过获取预先为与接收到的测试场景库的生成指令对应的待测试场景构建的各候选测试场景、关键度模型和预设运行域，以关键度模型为目标且以与预设运行域对应的参数可行集为约束，基于在包括各候选测试场景的测试场景空间中采样得到的初始测试场景得到关键测试场景，其因为是以关键度模型为目标而保证了由此得到的关键测试场景的准确性，并且因为以与预设运行域对应的参数可行集为约束而使得由此得到的各关键测试场景是测试场景空间中的局部最优点，有效保证了它们的获得速度；进而，以关键测试场景为搜索起点且以关键测试场景在测试场景空间中的预设搜索邻域为搜索范围，在测试场景空间中进行搜索，准确的搜索起点和有限的搜索范围有效保证了搜索得到的各候选测试场景(即与待测试场景的关联度较高的关键测试场景)的准确性和高效性，根据搜索结果生成测试场景库。上述技术方案，可以高效地生成具有较高准确性的测试场景库。
附图说明
图1是本发明实施例一中的一种测试场景库生成方法的流程图；
图2a是本发明实施例一中的一种测试场景库生成方法中以Peaks函数作为关键度函数进行搜索时的结果示意图；
图2b是本发明实施例一中的一种测试场景库生成方法中以Ackley函数为关键度函数进行搜索时的结果示意图；
图3是本发明实施例二中的一种测试场景库生成方法的流程图；
图4a是本发明实施例二中的一种测试场景库生成方法中切车场景示意图；
图4b是本发明实施例二中的一种测试场景库生成方法中高速下道场景的示意图；
图5是本发明实施例三中的一种测试场景库生成方法的流程图；
图6是本发明实施例三中的一种测试场景库生成方法中可选示例的示意图；
图7是本发明实施例四中的一种测试场景库生成装置的结构框图；
图8是本发明实施例五中的一种测试场景库生成设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一中提供的一种测试场景库生成方法的流程图。本实施例可适用于生成测试场景库的情况，尤其适用于通过局部计算来高效生成高准确性的测试场景库的情况。该方法可由本发明实施例提供的测试场景库生成装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在测试场景库生成设备上，该设备可以是各种用户终端或服务器。
参见图1，本发明实施例的方法具体包括如下步骤：
S110、在接收到测试场景库的生成指令时，获取预先为与生成指令对应的待测试场景构建出的各候选测试场景、关键度模型和预设运行域，其中关键度模型是用于确定待测试场景和候选测试场景间的关键度的模型。
其中，生成指令可以是用于生成测试场景库的指令，该测试场景库可以是包括至少两个关键测试场景的场景库，该关键测试场景可以是从预先构建出的各候选测试场景中确定出的与待测试场景的关联度比较高的候选测试场景，该候选测试场景可以是预先针对待测试场景构建出的场景，该待测试场景可以是自动驾驶车辆在测试时的场景，如直行、转弯、刹车、切车、高速下道等场景。示例性的，当待测试场景是切车场景时，关键测试场景可以是2个车道，1个车道上有自动驾驶车辆(即无人车)且另1个车道上有人工驾驶车辆(其可以称为背景车辆)的场景。
关键度模型可以是预先为待测试场景构建出的以某个候选测试场景的场景信息为输入数据且以候选测试场景和待测试场景间的关键度为输出数据的模型，其可以是数学逻辑模型、人工智能模型等，其中数学逻辑模型可以是映射关系、计算公式(即数学函数)等，在此未做限定。当关键度模型通过数学函数进行表示时，其可以称为关键度函数。需要说明的是，一方面，关键度可以表示出候选测试场景和待测试场景间的关联性，二者可以呈正相关，即关键度越高，则关联性越强；当然，也可以呈负相关，这是与实际设置有关，在此未做具体限定。另一方面，场景信息可以描述候选测试场景的属性信息，其可以划分为车辆信息、障碍物信息、道路信息等几大类，其中车辆信息可以是车辆位置、车辆速度、车辆角度等，障碍物信息可以是障碍物位置、障碍物速度等，道路信息可以是道路位置、道路方向、道路角度等，在此未做具体限定。
预设运行域可以是预先为待测试场景设置的用于限定自动驾驶车辆的行驶范围的区域。
在此基础上，在接收到生成指令时，可以先确定与生成指令对应的待测试场景，进而确定预先为待测试场景构建出的各候选测试场景、关键度模型以及预设运行域。
S120、以关键度模型为目标并且以与预设运行域对应的参数可行集为约束，基于在测试场景空间中采样到的初始测试场景得到关键测试场景，其中，测试场景空间中包括各候选测试场景。
其中，测试场景空间可以是预先生成的包括各候选测试场景的空间；初始测试场景可以是在测试场景空间中随机采样到的候选测试场景，其数量可以是一个、两个或是多个，在此未做具体限定。参数可行集可以是包括与预设运行域对应的具有一定可能性的各种参数的集合，这些参数可以位于参数可行集的边界上或内部，不同的预设运行域对应的参数可行集可能相同或是不同，在此未做具体限定。
在此基础上，针对每个初始测试场景，以关键度模型为目标且以参数可行集为约束，并在测试场景空间中基于该初始测试场景搜索得到关键测试场景。换言之，可以将该初始测试场景作为起点、以关键度模型为优化目标、且以参数可行集为约束，在测试场景空间中计算出优化目标的局部最优点，由此获得针对于该初始测试场景的一系列的关键测试场景，其中每个局部最优点都可以理解为一个关键测试场景。需要说明的是，本步骤中，由于是以参数可行集为约束，因此由此获得的各关键测试场景是测试场景空间中的局部最优点，而非全局最优点。相较于全局最优点，局部最优点与待测试场景的关联度更高，且计算速率更快。另外，本步骤能在定性场景(即初始测试场景)的基础上找到更多的定量场景(即关键测试场景)，由此泛化了场景的多样性。
S130、以关键测试场景为搜索起点并且以关键测试场景在测试场景空间中的预设搜索邻域为搜索范围，在测试场景空间中进行搜索，根据搜索结果生成测试场景库。
其中，预设搜索邻域可以是预先为关键测试场景(或说待测试场景)设置的用于在测试场景空间中进行搜索的邻域，如3*3、5*5、8*8等。由此，针对每个关键测试场景，以关键测试场景为搜索起点且以关键测试场景的预设搜索邻域为搜索范围，在测试场景空间中进行搜索，得到与关键测试场景关联的一系列的候选测试场景，这些候选测试场景均可以理解为与待测试场景的关联度较高的关键测试场景。换言之，以关键测试场景为搜索起点向外拓展，在测试场景空间中搜索其的预设搜索邻域内的与其关联度较高的候选测试场景。
在实际应用中，可选的，每个候选测试场景可以理解为测试场景空间中的一个点，具体的，针对每个候选测试场景，先对候选测试场景进行特征提取，然后再根据特征提取结果进行空间映射，由此可以得到该候选测试场景在测试场景空间中的具体位置，即可以将该候选测试场景映射为该具体位置上的一个点。示例性的，生成候选测试场景的场景图片，将该场景图片输入至残差网络中进行特征提取，以切车场景为例，由此提取出的特征可以是切车速度、切车角度、切车方向等；进而，将特征提取结果输入到逻辑回归层中以完成特征的空间映射，由此将候选测试场景映射到了测试场景空间中。
需要说明的是，在本步骤中，由于是以预设搜索邻域为搜索范围来在测试场景空间中进行搜索，因此其只是在关键测试场景周围进行暴力搜索，而并非在整个测试场景空间中进行暴力搜索，由此提高了搜索效率；而且，因为其是以与待测试场景的关联度比较高的关键测试场景为搜索起点在测试场景空间中进行搜索，由此保证了搜索得到的各候选测试场景与待测试场景间的关联度，即保证了搜索结果的准确性。此时的搜索结果可以包括关键测试场景(即搜索起点)和后续搜索出的候选测试场景，因此可以基于搜索结果生产测试场景库。
为了更好地验证上文中阐述的测试场景库生成方法的有效性，且对其进行可视化，可以采用两个典型的非凸目标函数——Peaks函数和Ackley函数分别作为案例进行阐述。具体的，Peaks函数可以作为根据实际需求预先设置的二元高斯分布的概率密度函数，即其可以作为预先为待测试场景构建的关键度函数，函数表达式如下所述，其具有3个极大值点和2个极小值点：
Figure BDA0003264603460000081
其中，(x，y)是某候选测试场景的二维坐标，因此根据(x，y)计算出的f(x，y)可以理解为该候选测试场景和待测试场景间的关联度。Ackdey函数的情况类似，其函数表达式如下所述，其存在一系列极大值点和极小值点：
Figure BDA0003264603460000082
在案例研究中，Peaks函数选取50个初始采样点(即初始测试场景)，Ackley函数选取100个初始采样点，在基于上文中的测试场景库生成方法进行搜索时，搜索结果分别如图2a和图2b所示，其中x轴和y轴表示候选测试场景的二维坐标，z轴表示该候选测试场景和待测试场景间的关联度。由此可知，上述测试场景库生成方法可以有效搜索到的测试场景空间中与待测试场景的关联度较高的各候选测试场景。
本发明实施例的技术方案，通过获取预先为与接收到的测试场景库的生成指令对应的待测试场景构建的各候选测试场景、关键度模型和预设运行域，以关键度模型为目标且以与预设运行域对应的参数可行集为约束，基于在包括各候选测试场景的测试场景空间中采样得到的初始测试场景得到关键测试场景，其因为是以关键度模型为目标而保证了由此得到的关键测试场景的准确性，并且因为以与预设运行域对应的参数可行集为约束而使得由此得到的各关键测试场景是测试场景空间中的局部最优点，有效保证了它们的获得速度；进而，以关键测试场景为搜索起点且以关键测试场景在测试场景空间中的预设搜索邻域为搜索范围，在测试场景空间中进行搜索，准确的搜索起点和有限的搜索范围有效保证了搜索得到的各候选测试场景(即与待测试场景的关联度较高的关键测试场景)的准确性和高效性，根据搜索结果生成测试场景库。上述技术方案，可以高效地生成具有较高准确性的测试场景库。
一种可选的技术方案，以关键度模型为目标且以与预设运行域对应的参数可行集为约束，基于在测试场景空间中采样得到的初始测试场景得到关键测试场景，可以包括：在测试场景空间中进行采样，得到至少两个初始测试场景；针对每个初始测试场景，以关键度模型为目标且以预设运行域对应的参数可行集为约束，基于初始测试场景得到关键测试场景；在得到每个初始测试场景的各关键测试场景后，对相同的各关键测试场景进行合并，并根据合并结果进行关键测试场景的更新。其中，初始测试场景的数量是两个或多个，在分别得到每个初始测试场景的关键测试场景后，这些关键测试场景可能存在相同的情况，由此可以对相同的关键测试场景进行合并，由此保证了合并后的各关键测试场景的唯一性，进而避免了出现对同一关键测试场景进行重复搜索的情况，保证了以关键测试场景为搜索起点进行搜索时的有效性。
实施例二
图3是本发明实施例二中提供的一种测试场景库生成方法的流程图。本实施例以上述各技术方案为基础进行优化。本实施例中，可选的，上述测试场景库生成方法，还可以包括：根据待测试场景在测试场景空间中与目标自然场景间的距离确定曝光频率，并且根据待测试场景下的增强碰撞时间确定机动挑战性；根据曝光频率和机动挑战性构建得到关键度模型。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。
参见图3，本实施例的方法具体可以包括如下步骤：
S210、根据待测试场景在测试场景空间中与目标自然场景之间的距离确定曝光频率，且根据待测试场景下的增强碰撞时间确定机动挑战性，其中，测试场景空间中包括预先为待测试场景构建出的各候选测试场景。
其中，目标自然场景可以是自动驾驶车辆的自然驾驶环境，即出现在真实的物理世界的环境，并非是计算机模拟仿真出的环境，比如在真实的物理世界中高频率出现的高频自然场景等，其可以通过自然驾驶数据(Naturalistic Driving Data，NDD)分析得到，NDD可以是用来刻画自然驾驶环境的数据。由于一个待测试场景的曝光频率可以通过其在测试场景空间中与目标自然场景间的距离进行衡量，因此可以根据该距离确定曝光频率。当然，当目标自然场景的数量是至少两个时，曝光频率可以通过待测试场景在测试场景空间中与各目标自然场景构成的目标自然场景集合间的距离进行衡量。示例性的，以目标自然场景是高频自然场景为例，待测试场景和高频自然场景集合之间的距离d(x，Ω)可以通过如下式子进行表示：
Figure BDA0003264603460000101
其中，Ω表示通过自然驾驶数据分析得到的高频自然场景集合，m表示决策场景信息(其还可以称为决策变量)的维度，
Figure BDA0003264603460000102
是决策变量每一个维度上的正则化常数(可以通过自然驾驶数据分析得到)，x是待测试场景，且y是Ω中的高频自然场景集合。由此，可以通过d(x，Ω)衡量x的出现频率。
机动挑战性可以表示待测试场景在安全性测试中的危险性，其可以通过该待测试场景下的增强碰撞时间(enhanced time-to-collision，ETTC)进行衡量，可选的，其可以通过如下式子进行表示：
Figure BDA0003264603460000111
其中，R(t)和
Figure BDA0003264603460000112
分别表示t时刻下两个自动驾驶车辆间的相对距离和相对速度，ur(t)表示该两个自动驾驶车辆间的相对加速度。在此基础上，由于机动挑战性可以通过最危险的时刻t下的ETTC进行衡量，因此可以根据该最危险的时刻t下的ETTC确定待测试场景的机动挑战性。实际应用中，可选的，R(t)和
Figure BDA0003264603460000113
可以通过预先构建出的用于刻画自动驾驶车辆的自动驾驶行为的代理模型确定，如将智能驾驶模型(Intelligent DrivingModel，IDM)作为代理模型。
S220、根据曝光频率和机动挑战性构建得到关键度模型，其中关键度模型是用于确定待测试场景和候选测试场景间的关键度的模型。
其中，曝光频率和机动挑战性是关键度模型的构建过程中的两个重要参考因素，根据二者可以构建得到关键度模型。
为了更好地理解上述关键度模型的构建过程，下面以一个简单示例为例，对其进行示例性说明。假设关键度模型是关键度函数y＝ax+b，其中，a表示曝光频率，b表示机动挑战性，x表示候选测试场景的t时刻下两个自动驾驶车辆间的相对速度(即某个场景信息)，y表示关键度，因此在a和b计算得到之后，可以构建得到关键度函数。
S230、在接收到测试场景库的生成指令时，获取与生成指令对应的待测试场景的测试场景空间、关键度模型和预设运行域。
S240、以关键度模型为目标并且以与预设运行域对应的参数可行集为约束，基于在测试场景空间中采样到的初始测试场景得到关键测试场景。
S250、以关键测试场景为搜索起点并且以关键测试场景在测试场景空间中的预设搜索邻域为搜索范围，在测试场景空间中进行搜索，根据搜索结果生成测试场景库。
本发明实施例的技术方案，通过根据待测试场景在测试场景空间中与目标自然场景之间的距离确定曝光频率，且根据待测试场景下的增强碰撞时间确定机动挑战性，由于曝光频率和机动挑战性均是关键度模型在构建过程中的重要参考因素，因此根据二者可以准确构建出关键度模型。
一种可选的技术方案，上述测试场景库生成方法，还可包括：获取待测试场景下的场景信息，并根据各场景信息对待测试场景的重要度，从各场景信息中确定出决策场景信息；相应的，根据曝光频率和机动挑战性构建得到关键度模型，可包括：根据曝光频率、机动挑战性和决策场景信息，构建得到关键度模型。其中，场景信息可以是待测试场景的属性信息，如转弯角度、转弯半径、换道时间等。决策场景信息可以是各场景信息中的对待测试场景的关键度模型具有决定性影响的场景信息，其也是关键度模型构建过程中的重要参考因素。由于场景信息对待测试场景的重要度可以表示出其对关键度模型的影响程度，因此可以根据各场景信息对待测试场景的重要度从各场景信息中确定决策场景信息，进而根据曝光频率、机动挑战性和决策场景信息构建得到关键度模型，由此达到了关键度模型的准确构建的效果。
在此基础上，可选的，上述测试场景库生成方法，还可以包括：如果生成指令是用于生成复杂度小于或是等于预设复杂度阈值的测试场景库的指令，则从各决策场景信息中确定出目标场景信息，其中目标场景信息的信息维度小于决策场景信息；相应，根据曝光频率、机动挑战性和决策场景信息，构建得到关键度模型，可包括：根据曝光频率、机动挑战性和目标场景信息，构建得到关键度模型。其中，测试场景(如待测试场景、候选测试场景、关键测试场景、测试场景库等)的复杂度可以是其中的决策场景信息的复杂程度，比如低复杂度的测试场景可以是具有静态性、单一性和离散性的测试场景，其可以刻画出自然驾驶环境的主要特征。因此，如果接收到用于生成复杂度小于或等于预设复杂度阈值的测试场景库的生成指令，则可以从各决策场景信息中确定出目标场景信息，即将各决策场景信息简化为目标场景信息，再即降低决策场景信息的信息维度；进而，根据曝光频率、机动挑战性和目标场景信息，构建出具有低复杂度的待测试场景的关键度模型。
为了更好地理解上述低复杂度的待测试场景，下面以自动驾驶车辆在自然驾驶环境中高频出现的切车场景和高速下道场景为例对其进行示例性的说明。示例性的，参见图4a所示的切车场景，背景车辆在自动驾驶车辆(即无人车)前方换道至无人车所在的车道，此时以无人车的安全性为测试指标；参见图4b所示的高速下道场景，无人车需要在匝道口位置前主动换道至最右车道并驶离高速，此时以无人车的功能性为测试指标，即无人车在规定距离内换道至目标车道的能力。为了阐述低复杂度的待测试场景，可以将上述的两个典型场景的决策变量(即决策场景信息)简化为低复杂度变量(即目标决策信息)。
例如，切车场景的决策变量可以被简化为2维的低复杂度变量
Figure BDA0003264603460000131
其中，R表示切车时刻的相对距离，
Figure BDA0003264603460000141
表示切车时刻的相对速度。类似的，为了简化高速下道场景的信息维度，可以在设置预设运行域θ时引入以下假设：(1)在高速下道场景中仅存在两辆背景车辆，且均行驶在最右车道；(2)背景车辆以初始时刻的速度保持匀速运动，当后车与前车达到安全距离L时，后车转变为与前车同速运动；(3)预定义无人车的初始状态、道路的最大和最小限速以及车辆的最大和最小加速度。在这些假设下，高速下道场景的决策变量可以简化为4维的低复杂度变量x＝(p0，1，v0，1，p0，2，v0，2)，其中，p0，i，v0，i表示第i辆背景车辆的位置和速度。
实施例三
图5是本发明实施例三中提供的一种测试场景库生成方法的流程图。本实施例以上述实施例二中的各技术方案为基础进行优化。在本实施例中，可选的，目标自然场景是各自然驾驶场景中出现频率满足预设频率条件的自然驾驶场景，上述测试场景库生成方法，还可包括：对关键度模型进行随机梯度优化，得到辅助模型；相应的，以关键度模型为目标，可包括：以辅助模型为目标。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。
参见图5，本实施例的方法具体可以包括如下步骤：
S310、根据待测试场景在测试场景空间中与目标自然场景之间的距离确定曝光频率，且根据待测试场景下的增强碰撞时间确定机动挑战性，其中，测试场景空间中包括预先为待测试场景构建出的各候选测试场景，目标自然场景是各自然驾驶场景中出现频率满足预设频率条件的自然驾驶场景。
其中，当预设频率条件是出现频率大于或是等于预设频率阈值的条件时，目标自然场景可以是高频自然场景；当预设频率条件是出现频率低于或是等于预设频率阈值的条件时，目标自然场景可以是低频自然场景。此时的目标自然场景作为先验知识提出，有利于提供更好的搜索方向。
S320、根据曝光频率和机动挑战性构建得到关键度模型，并对关键度模型进行随机梯度优化，得到辅助模型，其中，关键度模型是用于确定待测试场景和候选测试场景间的关键度的模型。
其中，通过关键度模型确定出的关联度是可以通过梯度信息进行表示的，即后续在以关键度模型为目标搜索关键测试场景时，可以通过梯度信息来搜索关键测试场景。但是，在实际应用中发现，根据曝光频率和机动挑战性所构建出的关键度模型中的梯度信息大多是较为稀疏的，如在大多数待测试场景x中，其关键度模型V(x，θ)的取值为0，并且在预设搜索邻域内的候选测试场景的V(x，θ)的取值也为0。因此，如果直接以V(x，θ)为目标进行优化，那么大多数候选测试场景的梯度向量均为0向量，这无法有效地提供关键测试场景的搜索方向。因此，为了提供更好搜索方向，可以对关键度模型进行随机梯度优化，以使优化后的关键度模型(即辅助模型)既能尽可能的刻画关键度模型的趋势，又能提供更多的梯度信息。
换个角度考虑，上述对关键度模型的优化过程也可以理解为重新设置关键度模型的辅助模型(其还可以称为辅助目标函数)的过程。由此，由于关键度模型是根据曝光频率和机动挑战性构建得到的，那么辅助模型也可以根据二者构建得到。示例性，继续以上文中的d(x，Ω)和ETTC(x)为例，可以将辅助目标函数J(x)设置为这二者的加权和，具体如下述式子所示：
Figure BDA0003264603460000151
其中ω表示加权系数，用来条件两个因素之间的贡献值。
S330、在接收到测试场景库的生成指令时，获取与生成指令对应的待测试场景的测试场景空间、关键度模型、辅助模型和预设运行域。
S340、以辅助模型为目标且以与预设运行域对应的参数可行集为约束，基于在测试场景空间中采样到的初始测试场景得到关键测试场景。
其中，以梯度信息更为稠密的辅助模型为目标来进行关键测试场景的搜索，由此达到了提高搜索效率和准确性的效果。
S350、以关键测试场景为搜索起点并且以关键测试场景在测试场景空间中的预设搜索邻域为搜索范围，在测试场景空间中进行搜索，根据搜索结果生成测试场景库。
在此基础上，可选的，考虑到最终还是以关键度模型为目标进行搜索，在本步骤中可以将关键度模型作为目标，于测试场景空间中进行搜索，并在搜索得到预设数量阈值的关键测试场景时结束搜索，其中，预设数量阈值可以是根据预设运行域确定的，其可以理解为用于确定搜索出多少个关键测试场景的阈值。
本发明实施例的技术方案，通过对关键度模型进行随机梯度优化得到具有更稠密的梯度信息的辅助模型，进而以辅助模型为目标进行搜索，由此达到了提高搜索效率和准确性的效果。
为了更好地理解上述各步骤的整体实现过程，下面结合具体示例对其进行示例性的说明。示例性的，参见图6，其中，测试指标是无人车进行测试时的指标，比如安全性、功能性等指标；多起点的优化算法可以是以关键度模型为目标并且以与预设运行域对应的参数可行集为约束，基于测试场景空间中采样到的初始测试场景得到关键测试场景的过程；种子填充算法可以是以关键测试场景为搜索起点并且以关键测试场景在测试场景空间中的预设搜索邻域为搜索范围，在测试场景空间中进行搜索的过程。图6中的各部分相互配合，达到了测试场景库的高效且准确生成的效果。
实施例四
图7为本发明实施例四提供的测试场景库生成装置的结构框图，该装置用于执行上述任意实施例所提供的测试场景库生成方法。该装置与上述各实施例的测试场景库生成方法属于同一个发明构思，在测试场景库生成装置的实施例中未详尽描述的细节内容，可以参考上述测试场景库生成方法的实施例。参见图7，该装置具体可以包括：关键度模型获取模块410、关键测试场景得到模块420和测试场景库生成模块430。其中，
关键度模型获取模块410，用于在接收到测试场景库的生成指令时，获取预先为与生成指令对应的待测试场景构建出的各候选测试场景、关键度模型和预设运行域，其中关键度模型是用于确定待测试场景和候选测试场景间的关键度的模型；
关键测试场景得到模块420，用于以关键度模型为目标且以与预设运行域对应的参数可行集为约束，基于在测试场景空间中采样到的初始测试场景得到关键测试场景，其中，测试场景空间中包括各候选测试场景；
测试场景库生成模块430，用于以关键测试场景为搜索起点并且以关键测试场景在测试场景空间中的预设搜索邻域为搜索范围，在测试场景空间中进行搜索，并根据搜索结果生成测试场景库。
可选的，上述测试场景库生成装置，还可以包括：
机动挑战性确定模块，用于根据待测试场景在测试场景空间中与目标自然场景间的距离确定曝光频率，并且根据待测试场景下的增强碰撞时间确定机动挑战性；
关键度模型构建模块，用于根据曝光频率以及机动挑战性构建得到关键度模型。
在此基础上，可选的，目标自然场景是各自然驾驶场景中的出现频率满足预设频率条件的自然驾驶场景，上述测试场景库生成装置，还可以包括：
辅助模型得到模块，用于对关键度模型进行随机梯度优化，得到辅助模型；
相应的，关键测试场景得到模块420，可以包括：
目标确定单元，用于以辅助模型为目标。
在此基础上，可选的，测试场景库生成模块430，可以包括：
关键测试场景搜索单元，用于以关键度模型为目标，并于测试场景空间中进行搜索，在搜索得到预设数量阈值的关键测试场景时结束搜索，其中，预设数量阈值是根据预设运行域确定的。
再可选的，上述测试场景库生成装置，还可以包括：
决策场景信息确定模块，用于获取待测试场景下的场景信息，并根据各场景信息对待测试场景的重要度，从各场景信息中确定出决策场景信息；
相应的，关键度模型构建模块，可以包括：
关键度模型构建单元，用于根据曝光频率、机动挑战性以及决策场景信息，构建得到关键度模型。
在此基础上，可选的，上述测试场景库生成装置，还可以包括：
目标场景信息确定模块，用于如果生成指令是用于生成复杂度小于或等于预设复杂度阈值的测试场景库的指令，则从各决策场景信息中确定出目标场景信息，其中，目标场景信息的信息维度小于决策场景信息；
相应的，关键度模型构建单元，具体可以用于：
根据曝光频率、机动挑战性和目标场景信息，构建得到关键度模型。
可选的，关键测试场景得到模块420，可以包括：
初始测试场景采样单元，用于在测试场景空间中进行采样，得到至少两个初始测试场景；
关键测试场景得到单元，用于针对每个初始测试场景，以关键度模型为目标且以预设运行域对应的参数可行集为约束，基于初始测试场景得到关键测试场景；
关键测试场景合并单元，用于在得到每个初始测试场景的各关键测试场景后，对相同的各关键测试场景进行合并，并根据合并结果进行关键测试场景的更新。
本发明实施例四所提供的测试场景库生成装置，通过关键度模型获取模块和关键测试场景得到模块相互配合，获取预先为与接收到的测试场景库的生成指令对应的待测试场景构建的各候选测试场景、关键度模型以及预设运行域，以关键度模型为目标且以与预设运行域对应的参数可行集为约束，基于在包括各候选测试场景的测试场景空间中采样到的初始测试场景得到关键测试场景，其因为以关键度模型为目标而保证了由此得到的关键测试场景的准确性，并且因为是以与预设运行域对应的参数可行集为约束而使得由此得到的各关键测试场景是测试场景空间中的局部最优点，有效保证了它们的获得速度；进而，以关键测试场景为搜索起点且以关键测试场景在测试场景空间中的预设搜索邻域为搜索范围，在测试场景空间中进行搜索，准确的搜索起点和有限的搜索范围有效保证了搜索得到的各候选测试场景(即与待测试场景的关联度较高的关键测试场景)的准确性和高效性，并根据搜索结果生成测试场景库。上述装置，可以高效地生成具有较高准确性的测试场景库。
本发明实施例所提供的测试场景库生成装置可执行本发明任意实施例所提供的测试场景库生成方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述测试场景库生成装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例五
图8为本发明实施例五提供的一种测试场景库生成设备的结构示意图，如图8所示，该设备包括存储器510、处理器520、输入装置530和输出装置540。设备中的处理器520的数量可以是一个或多个，图8中以一个处理器520为例；设备中的存储器510、处理器520、输入装置530和输出装置540可以通过总线或其它方式连接，图8中以通过总线550连接为例。
存储器510作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的测试场景库生成方法对应的程序指令/模块(例如，测试场景库生成装置中的关键度模型获取模块410、关键测试场景得到模块420和测试场景库生成模块430)。处理器520通过运行存储在存储器510中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的测试场景库生成方法。
存储器510可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器510可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器510可进一步包括相对于处理器520远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置530可用于接收输入的数字或字符信息，以及产生与装置的用户设置以及功能控制有关的键信号输入。输出装置540可包括显示屏等显示设备。
实施例六
本发明实施例六提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种测试场景库生成方法，包括：
在接收到测试场景库的生成指令时，获取预先为与生成指令对应的待测试场景构建出的各候选测试场景、关键度模型和预设运行域，其中，关键度模型是用于确定待测试场景和候选测试场景间的关键度的模型；
以关键度模型为目标并且以与预设运行域对应的参数可行集为约束，基于在测试场景空间中采样到的初始测试场景得到关键测试场景，其中，测试场景空间中包括各候选测试场景；
以关键测试场景为搜索起点并且以关键测试场景在测试场景空间中的预设搜索邻域为搜索范围，在测试场景空间中进行搜索，并根据搜索结果生成测试场景库。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的测试场景库生成方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。依据这样的理解，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，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，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)执行本发明各个实施例所述的方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种测试场景库生成方法，其特征在于，包括：
在接收到测试场景库的生成指令时，获取预先为与所述生成指令对应的待测试场景构建出的各候选测试场景、关键度模型以及预设运行域，其中，所述关键度模型是用于确定所述待测试场景和所述候选测试场景间的关键度的模型；
以所述关键度模型为目标且以与所述预设运行域对应的参数可行集为约束，基于在测试场景空间中采样到的初始测试场景得到关键测试场景，其中，所述测试场景空间中包括各所述候选测试场景；
以所述关键测试场景为搜索起点并且以所述关键测试场景在所述测试场景空间中的预设搜索邻域为搜索范围，在所述测试场景空间中进行搜索，并根据搜索结果生成所述测试场景库。
2.根据权利要求1所述的方法，其特征在于，还包括：
根据所述待测试场景在所述测试场景空间中与目标自然场景间的距离确定曝光频率，并且根据所述待测试场景下的增强碰撞时间确定机动挑战性；
根据所述曝光频率和所述机动挑战性构建得到所述关键度模型。
3.根据权利要求2所述的方法，其特征在于，所述目标自然场景是各自然驾驶场景中出现频率满足预设频率条件的所述自然驾驶场景，所述方法还包括：
对所述关键度模型进行随机梯度优化，得到辅助模型；
所述以所述关键度模型为目标，包括：以所述辅助模型为目标。
4.根据权利要求3所述的方法，其特征在于，所述在所述测试场景空间中进行搜索，包括：
以所述关键度模型为目标，于所述测试场景空间中进行搜索，在搜索得到预设数量阈值的所述关键测试场景时结束搜索，其中，所述预设数量阈值包括根据所述预设运行域确定的数值。
5.根据权利要求2所述的方法，其特征在于，还包括：
获取所述待测试场景下的场景信息，并根据各所述场景信息对所述待测试场景的重要度，从各所述场景信息中确定出决策场景信息；
所述根据所述曝光频率和所述机动挑战性构建得到所述关键度模型，包括：
根据所述曝光频率、所述机动挑战性和所述决策场景信息，构建得到所述关键度模型。
6.根据权利要求5所述的方法，其特征在于，还包括：
如果所述生成指令是用于生成复杂度小于或是等于预设复杂度阈值的所述测试场景库的指令，则从各所述决策场景信息中确定出目标场景信息，其中，所述目标场景信息的信息维度小于所述决策场景信息；
所述根据所述曝光频率、所述机动挑战性和所述决策场景信息，构建得到所述关键度模型，包括：
根据所述曝光频率、所述机动挑战性和所述目标场景信息，构建得到所述关键度模型。
7.根据权利要求1所述的方法，其特征在于，以所述关键度模型为目标且以与所述预设运行域对应的参数可行集为约束，基于在测试场景空间中采样到的初始测试场景得到关键测试场景，包括：
在测试场景空间中进行采样，得到至少两个初始测试场景；
针对每个所述初始测试场景，以所述关键度模型为目标且以所述预设运行域对应的参数可行集为约束，基于所述初始测试场景得到关键测试场景；
在得到每个所述初始测试场景的各所述关键测试场景后，对相同的各所述关键测试场景进行合并，并根据合并结果进行所述关键测试场景的更新。
8.一种测试场景库生成装置，其特征在于，包括：
关键度模型获取模块，用于在接收到测试场景库的生成指令时，获取预先为与所述生成指令对应的待测试场景构建出的各候选测试场景、关键度模型以及预设运行域，其中，所述关键度模型是用于确定所述待测试场景和所述候选测试场景间的关键度的模型；
关键测试场景得到模块，用于以所述关键度模型为目标且以与所述预设运行域对应的参数可行集为约束，基于在测试场景空间中采样到的初始测试场景得到关键测试场景，其中，所述测试场景空间中包括各所述候选测试场景；
测试场景库生成模块，用于以所述关键测试场景为搜索起点且以所述关键测试场景在所述测试场景空间中的预设搜索邻域为搜索范围，在所述测试场景空间中进行搜索，并根据搜索结果生成所述测试场景库。
9.一种测试场景库生成设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的测试场景库生成方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的测试场景库生成方法。
CN202111082537.3A 2021-09-15 2021-09-15 一种测试场景库生成方法、装置、设备及存储介质 Pending CN113849400A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111082537.3A CN113849400A (zh) 2021-09-15 2021-09-15 一种测试场景库生成方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111082537.3A CN113849400A (zh) 2021-09-15 2021-09-15 一种测试场景库生成方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113849400A true CN113849400A (zh) 2021-12-28

Family

ID=78974130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111082537.3A Pending CN113849400A (zh) 2021-09-15 2021-09-15 一种测试场景库生成方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113849400A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Similar Documents

Publication Publication Date Title
JP2023027777A (ja) 障害物移動軌跡の予測方法、装置及び自動運転車両
US11983245B2 (en) Unmanned driving behavior decision-making and model training
CN106709503B (zh) 一种基于密度的大型空间数据聚类算法k-dbscan
CN108491714A (zh) 验证码的人机识别方法
CN114261400B (zh) 一种自动驾驶决策方法、装置、设备和存储介质
CN109977571B (zh) 基于数据与模型混合的仿真计算方法及装置
CN114514524A (zh) 多智能体模拟
CN109657539B (zh) 人脸颜值评价方法、装置、可读存储介质及电子设备
CN112949519B (zh) 目标检测方法、装置、设备及存储介质
CN115130536A (zh) 特征提取模型的训练方法、数据处理方法、装置及设备
CN113726545A (zh) 基于知识增强生成对抗网络的网络流量生成方法及装置
CN115601629A (zh) 模型训练方法、图像识别方法、介质、装置和计算设备
CN113849400A (zh) 一种测试场景库生成方法、装置、设备及存储介质
CN114882307A (zh) 分类模型训练和图像特征提取方法及装置
CN111126617B (zh) 一种选择融合模型权重参数的方法、装置及设备
CN110749325B (zh) 航迹规划方法和装置
CN111645687A (zh) 变道策略确定方法、装置及存储介质
CN114780967B (zh) 基于大数据漏洞挖掘的挖掘评估方法及ai漏洞挖掘系统
CN114564523B (zh) 针对智慧虚拟场景的大数据漏洞分析方法及云端ai系统
CN107105052B (zh) 基于图规划的启发式Web服务组合方法
CN113435502B (zh) 站点流量确定方法、装置、设备及存储介质
CN113705432A (zh) 一种模型训练、三维目标检测方法、装置、设备及介质
CN113221540A (zh) 一种知识点识别的方法、装置、设备和存储介质
CN116820136B (zh) 基于rrt算法的无人机路径优化方法及装置
CN115086000B (zh) 网络入侵检测方法及系统

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