CN113867367A - 测试场景的处理方法、装置及计算机程序产品 - Google Patents
测试场景的处理方法、装置及计算机程序产品 Download PDFInfo
- Publication number
- CN113867367A CN113867367A CN202111441263.2A CN202111441263A CN113867367A CN 113867367 A CN113867367 A CN 113867367A CN 202111441263 A CN202111441263 A CN 202111441263A CN 113867367 A CN113867367 A CN 113867367A
- Authority
- CN
- China
- Prior art keywords
- scene
- target
- space
- test
- sub
- 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 553
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000004590 computer program Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 109
- 238000013439 planning Methods 0.000 claims abstract description 100
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 92
- 230000008569 process Effects 0.000 claims abstract description 70
- 238000004088 simulation Methods 0.000 claims abstract description 52
- 238000013142 basic testing Methods 0.000 claims description 104
- 238000004364 calculation method Methods 0.000 claims description 103
- 238000012545 processing Methods 0.000 claims description 64
- 238000005303 weighing Methods 0.000 claims description 39
- 230000008859 change Effects 0.000 claims description 8
- 230000001960 triggered effect Effects 0.000 claims description 6
- 241001061260 Emmelichthys struhsakeri Species 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 abstract description 11
- 230000000875 corresponding effect Effects 0.000 description 69
- 230000006399 behavior Effects 0.000 description 47
- 238000005516 engineering process Methods 0.000 description 18
- 230000033228 biological regulation Effects 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 206010039203 Road traffic accident Diseases 0.000 description 5
- 238000010998 test method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0285—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using signals transmitted via a public communication network, e.g. GSM network
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开一种测试场景的处理方法、装置及计算机程序产品,可应用于自动驾驶领域;方法包括:在仿真系统中运行目标子测试场景,以使目标子测试场景中的主车开始行驶,目标子测试场景是通过调整基础测试场景的场景参数的参数值生成的;在目标子测试场景的运行过程中,确定主车在行驶过程中与目标子测试场景中的M个交通参与者发生碰撞所需的目标时空距离,并获取决策规划算法的边界时空距离;若根据目标时空距离和边界时空距离,确定目标子测试场景满足边界场景条件,则将目标子测试场景确定为安全边界测试场景。本申请实施例可以实现快速有效地生成安全边界测试场景,并降低安全边界测试场景的生成复杂度和生成成本。
Description
技术领域
本申请涉及互联网技术领域,具体涉及计算机技术领域,尤其涉及一种测试场景的处理方法、装置及计算机程序产品。
背景技术
在自动驾驶领域中,自动驾驶车辆在复杂环境下的行驶行为能力的测试任务,是自动驾驶车辆的研发过程中的一项重要任务。为了较为全面地对自动驾驶车辆在复杂环境下的行驶行为能力进行测试,通常需要先搭建多种测试场景,以尽可能覆盖自动驾驶车辆在行驶过程中可能会遇到的交通状况。其中,安全边界测试场景是一种较为重要的测试场景;所谓的安全边界测试场景是指:用于指示自动驾驶车辆可安全行驶和无法安全行驶之间的边界的测试场景。
目前,通常是通过关注包含危险驾驶行为(如右侧超车行为、逆向行驶行为)的交通场景,并复用从原始交通场景中采集到的多传感器数据中的形状信息和外观信息,实现对真实图像数据和道路场景中的点云进行合成处理,从而生成安全边界测试场景的。这样的处理方式只能生成包含危险驾驶行为的安全边界测试场景,且场景生成的成本较高;基于此,如何生成安全边界测试场景成为了研究热点。
发明内容
本申请实施例提供了一种测试场景的处理方法、装置及计算机程序产品,可以实现快速有效地生成安全边界测试场景,并降低安全边界测试场景的生成复杂度和生成成本。
一方面,本申请实施例提供了一种测试场景的处理方法,所述方法包括:
在仿真系统中运行目标子测试场景,以使所述目标子测试场景中的主车开始行驶,所述主车是指搭载有决策规划算法的仿真车辆;所述目标子测试场景是通过调整基础测试场景的场景参数的参数值生成的,所述目标子测试场景还包括M个交通参与者,M为正整数;
在所述目标子测试场景的运行过程中,确定所述主车在行驶过程中与所述M个交通参与者发生碰撞所需的目标时空距离;
获取所述决策规划算法的边界时空距离,所述边界时空距离用于表示所述决策规划算法对所述主车的行驶行为进行决策规划,使所述主车避免发生碰撞事故的能力;
若根据所述目标时空距离和所述边界时空距离,确定所述目标子测试场景满足边界场景条件,则将所述目标子测试场景确定为安全边界测试场景。
另一方面,本申请实施例提供了一种测试场景的处理装置,所述装置包括:
运行单元,用于在仿真系统中运行目标子测试场景,以使所述目标子测试场景中的主车开始行驶,所述主车是指搭载有决策规划算法的仿真车辆;所述目标子测试场景是通过调整基础测试场景的场景参数的参数值生成的,所述目标子测试场景还包括M个交通参与者,M为正整数;
处理单元,用于在所述目标子测试场景的运行过程中,确定所述主车在行驶过程中与所述M个交通参与者发生碰撞所需的目标时空距离;
所述处理单元,还用于获取所述决策规划算法的边界时空距离,所述边界时空距离用于表示所述决策规划算法对所述主车的行驶行为进行决策规划,使所述主车避免发生碰撞事故的能力;
所述处理单元,还用于若根据所述目标时空距离和所述边界时空距离,确定所述目标子测试场景满足边界场景条件,则将所述目标子测试场景确定为安全边界测试场景。
再一方面,本申请实施例提供了一种计算机设备,所述计算机设备包括输入接口和输出接口,所述计算机设备还包括:
处理器,适于实现一条或多条指令;以及,
计算机存储介质,所述计算机存储介质存储有一条或多条指令,所述一条或多条指令适于由所述处理器加载并执行如下步骤:
在仿真系统中运行目标子测试场景,以使所述目标子测试场景中的主车开始行驶,所述主车是指搭载有决策规划算法的仿真车辆;所述目标子测试场景是通过调整基础测试场景的场景参数的参数值生成的,所述目标子测试场景还包括M个交通参与者,M为正整数;
在所述目标子测试场景的运行过程中,确定所述主车在行驶过程中与所述M个交通参与者发生碰撞所需的目标时空距离;
获取所述决策规划算法的边界时空距离,所述边界时空距离用于表示所述决策规划算法对所述主车的行驶行为进行决策规划,使所述主车避免发生碰撞事故的能力;
若根据所述目标时空距离和所述边界时空距离,确定所述目标子测试场景满足边界场景条件,则将所述目标子测试场景确定为安全边界测试场景。
再一方面,本申请实施例提供了一种计算机存储介质,所述计算机存储介质存储有一条或多条指令,所述一条或多条指令适于由处理器加载并执行上述所提及的测试场景的处理方法。
再一方面,本申请实施例提供了一种计算机程序产品,该计算机程序产品包括计算机程序;所述计算机程序被处理器执行时,实现上述所提及的测试场景的处理方法。
本申请实施例可通过调整基础测试场景的场景参数的参数值,来生成包含主车和M个交通参与者的目标子测试场景,并在仿真系统中运行目标子测试场景,以使目标子测试场景中的主车开始行驶,从而在目标子测试场景的运行过程中,确定主车在行驶过程中与M个交通参与者发生碰撞所需的目标时空距离。考虑到主车的行驶行为是由决策规划算法进行决策规划,即主车是否发生碰撞事故主要取决于决策规划算法的能力,因此可获取用于表示决策规划算法对主车的行驶行为进行决策规划,使主车避免发生碰撞事故的能力的边界时空距离。然后,可根据目标时空距离和边界时空距离,判断目标子测试场景是否满足边界场景条件;若满足,则可将该目标子测试场景确定为安全边界测试场景,从而实现生成一个安全边界测试场景。由此处理过程可知,本申请实施例通过简单地调整基础测试场景的场景参数的参数值,便可实现安全边界测试场景的生成,这样不仅可降低安全边界测试场景的生成负责度和生成成本,可有效提升安全边界测试场景的生成效率,还可使得安全边界测试场景不局限于只包含危险驾驶行为,从而提升安全边界测试场景的全面性。并且,通过引入时空距离和边界场景条件来实现安全边界测试场景的判定,可有效提升最终生成的安全边界测试场景的有效性和可信度。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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的附图。
图1a是本申请实施例提供的一种交通场景的示意图;
图1b是本申请实施例提供的一种测试场景的示意图;
图1c是本申请实施例提供的一种测试场景的处理方案的流程示意图;
图1d是本申请实施例提供的一种终端和服务器共同执行测试场景的处理方案的示意图;
图2是本申请实施例提供的一种测试场景的处理方法的流程示意图;
图3a是本申请实施例提供的一种基础场景库所涉及的场景类别的组成概要图;
图3b是本申请实施例提供的一种标准法规维度下的场景类别的示意图;
图3c是本申请实施例提供的一种交通事故维度下的场景类别的示意图;
图4是本申请另一实施例提供的一种测试场景的处理方法的流程示意图;
图5a是本申请实施例提供的一种对道路区域进行区域划分的示意图;
图5b是本申请实施例提供的另一种对道路区域进行区域划分的示意图;
图6是本申请再一实施例提供的一种测试场景的处理方法的流程示意图;
图7是本申请实施例提供的一种测试场景的处理装置的结构示意图;
图8是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如:自动驾驶、无人驾驶、常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人机、机器人、智能医疗、智能客服、智能视频服务,等等。其中,自动驾驶技术通常包括高精地图、环境感知、行为决策、路径规划、运动控制等技术。自动驾驶测试技术通常可包括交通仿真和实车测试(即控制车辆在实际车道上行驶),且交通仿真作为一种零风险、快速迭代、可复现的测试方法,为自动驾驶技术上路奠定了坚实的基础。所谓的交通仿真又可称为道路交通仿真,其是研究复杂交通问题的重要工具;尤其是当一个系统过于复杂,无法用简单抽象的数学模型描述时,交通仿真的作用就更为突出。交通仿真可以清晰地辅助分析预测交通堵塞的地段和原因,对城市规划、交通工程和交通管理的有关方案进行比较和评价,在问题成为现实以前,尽量避免,或有所准备。总结而言,交通仿真技术是应用仿真硬件和仿真软件通过仿真实验,借助某些数值计算和问题求解,反映系统行为或过程的仿真模型技术。
针对自动驾驶技术所涉及的实车测试,本申请实施例基于仿真系统(即自动驾驶车辆的交通仿真系统)和贝叶斯优化搜索技术,提出了一种测试场景的处理方案,以实现通过较低的生成成本快速有效地生成安全边界测试场景,从而为实车测试提供关键的测试场景。其中,①贝叶斯优化搜索技术可理解成是一种黑盒优化算法,该算法的大致思路包括:针对待求解对象,首先可生成关于该待求解对象的一个或多个初始点添加至候选解集合;然后根据该候选解集合中的各点寻找下一个有可能是极值的点,将求解出的点加入候选解集合中,重复此步骤,直至迭代终止;最后从候选解集合中找出极值点作为最终的解。②测试场景是指可用于反映实际的交通情况的场景,测试场景中可包括主车(egocar)和至少一个交通参与者;其中,主车是指搭载有决策规划算法(或称为自动驾驶算法)的仿真车辆,交通参与者是指在交通场景中可能参与交互(如碰撞)的动态或静态物体,例如车辆、行人、动物、障碍物(如锥形桶、石头)等,此处提及的交通场景可以是指在仿真系统中构建的用于模拟真实交通状况的仿真测试场景。例如参见图1a所示:交通场景中包括车辆11、车辆12、行人13及自行车14;车辆11搭载了决策规划算法,而车辆12、行人13及自行车14均可能会和车辆11产生交互(如碰撞)。那么,车辆11便为该交通场景中的主车,车辆12、行人13和自行车14均为交通参与者。基于此,测试场景可以例如是:主车正前方20米有一辆车辆以5m/s(米/秒)的速度行驶、主车以10m/s的速度行驶的场景,如图1b所示;或者,测试场景可以例如是:主车以20m/s的速度行驶,且主车前方200米处有一个行人正在横穿公路的场景,等等。
基于上述贝叶斯优化搜索技术的相关内容,下面结合图1c所示的流程图,对本申请实施例所提出的测试场景的处理方案的大致原理进行阐述。具体的,该测试场景的处理方案的实现流程大致如下:首先,可将安全边界测试场景作为待求解对象。构建基础场景库,该基础场景库中可包括一个或多个基础测试场景;每个基础测试场景中均可包括主车和至少一个交通参与者,且不同基础测试场景中所包括的交通参与者的数量可相同或不同,对此不作限定。然后,可基于场景构建算法生成并筛选出安全边界测试场景集,该安全边界测试场景集中包括一个或多个安全边界测试场景。进一步的,还可将确定决策规划算法在每个安全边界测试场景中的安全边界值,并输出决策规划算法的各个安全边界值以及相应的安全边界测试场景集,以在后续基于各安全边界测试场景进行实车测试的过程中,可参考相应的安全边界值来对车辆进行决策规划,从而减少碰撞事故的发生次数。也就是说,在基础场景库中的各个基础测试场景均被扫描后,产生决策规划算法在各个安全边界测试场景(即满足边界场景条件的各个子测试场景)下的安全边界值后,计算机设备可通过数据库、报表展示模块、数据检索模块、历史对比模块等,完成对安全边界值和相应的安全边界测试场景的存储、查询、对比以及可视化管理。
其中,基于场景构建算法生成并筛选出安全边界测试场景集的一种实施方式可以是:先可通过场景构建算法调整基础场景库中的各个基础测试场景的场景参数的参数值,得到多个子测试场景;一个子测试场景可理解成是一个候选解,且每个子测试场景中可包括对应的基础测试场景所涉及的主车和交通参与者。其中,场景构建算法的大致原理为:先确定场景参数的参数值调整方向,再按照确定的参数值调整方向调整相应的场景参数的参数值。然后,可从多个子测试场景中筛选出一个或多个安全边界测试场景,以构成安全边界测试场景集;具体的,可依次或并行地在仿真系统中运行各个子测试场景,以各个子测试场景中的主车开始行驶。在任一子测试场景的运行过程中,可确定主车在行驶过程中与交通参与者发生碰撞所需的时空距离,从而根据确定的时空距离和决策规划算法的边界时空距离判断该任一子测试场景是否满足边界场景条件。若满足,则可将该任一子测试场景作为最终的解,即将该任一子测试场景确定为安全边界测试场景,从而实现生成一个安全边界测试场景;若不满足,则可继续判断其他的子测试场景是否为安全边界测试场景。
或者,基于场景构建算法生成并筛选出安全边界测试场景集的一种实施方式可以是:可依次扫描基础测试库中的各个基础测试场景,每扫描到一个基础测试场景,便可通过场景构建算法对该基础测试场景的场景参数的参数值进行调整以生成一个子测试场景。且每生成一个子测试场景,便可在仿真系统中运行当前生成的子测试场景,以使当前生成的子测试场景中的主车开始行驶。然后,可根据主车在行驶过程中与当前生成的子测试场景中的其他交通参与者发生碰撞所需的时空距离,以及决策规划算法的边界时空距离,判断当前生成的子测试场景是否满足边界场景条件。若满足,则可将该当前生成的子测试场景确定为安全边界测试场景,从而实现生成一个安全边界测试场景;若不满足,则可再次执行参数值的调整操作,以生成新的子测试场景,进而重复执行上述步骤。
基于上述所提及的测试场景的处理方案的相关描述,需要说明以下几点:
①上述方案描述中所提及的时空距离可以包括时间维度和空间维度中的一种或多种维度下的距离。时间维度下的距离可称为时间距离(简称为时距),其单位可以是秒、分钟、小时等;例如,若车辆A和车辆B在0.6秒后可发生碰撞,则车辆A和车辆B之间的时距为0.6秒。空间维度下的距离可称为空间距离(简称空距),其单位可以是米、厘米、千米等;例如,若车辆A和车辆B相距100米,则车辆A和车辆B之间的空距为100米。由此可见,本申请实施例所提及的时空距离可包括以下至少一种:时距和空距。
②上述所提及的测试场景的处理方案可由一个计算机设备执行;其中,该计算机设备可以是终端或服务器。此处所提及的终端可以包括但不限于:智能手机、平板电脑、笔记本电脑、台式计算机、智能穿戴设备(如智能手表)、智能电视、智能车载终端等;终端内可安装并运行各式各样的应用,如以路网数据为基础的地图导航应用(或路线规划应用)、地图开放平台对应的应用、社交应用等等。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content DeliveryNetwork,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器,等等。
或者,上述所提及的测试场景的处理方案也可由终端和服务器共同执行。例如,终端可负责生成基础测试场景,并基于场景构建算法和基础测试场景生成子测试场景,然后将生成的子测试场景发送至服务器;从而使得服务器执行子测试场景的运行操作、时空距离的确定操作以及安全边界测试场景的判定操作等,如图1d所示。又如,终端可负责通过调整预先创建的一个或多个基础测试场景的场景参数的参数值,得到多个子测试场景;以及负责在仿真系统中运行各个子测试场景,以确定每个子测试场景中的主车在行驶过程中与交通参与者发生碰撞所需的时空距离,然后将确定出的时空距离发送至服务器。此情况下,服务器可负责根据确定的各个时空距离和边界时空距离,分别判断各个子测试场景是否满足边界场景条件;从而将满足边界场景条件的子测试场景确定为安全边界测试场景。
通过上述描述可见,本申请实施例可所提出的测试场景的处理方案可实现从大量复杂的交通场景参数组合中,快速搜索产生有效的安全边界测试场景;并智能快速地检测到被测的决策规划算法的安全边界能力,解决仿真在仿真系统下快速生成有效安全边界测试场景,验证决策规范算法的安全边界能力的问题。通过这样的场景生成方式,可在一定程度上减少大量无效的测试场景数量,从而实现高效地寻找到决策规划算法的安全边界能力,为自动驾驶车辆进行下一步的场地或道路测试提供关键测试场景和安全能力预估。
基于上述测试场景的处理方案的相关描述,本申请实施例提出一种测试场景的处理方法;该测试场景的处理方法可以由上述所提及的计算机设备(即终端或服务器)执行,或者由终端和服务器共同执行。为便于阐述,本申请实施例主要以计算机设备执行该测试场景的处理方法为例进行说明;请参见图2,该测试场景的处理方法可包括以下步骤S201-S204:
S201,在仿真系统中运行目标子测试场景,以使目标子测试场景中的主车开始行驶。
在本申请实施例中,主车是指搭载有决策规划算法的仿真车辆;目标子测试场景是通过调整基础测试场景的场景参数的参数值生成的,且目标子测试场景还包括M个交通参与者(M为正整数)和道路区域,主车是在道路区域中行驶的。其中,基础测试场景是根据实际的测试需求或测试经验所预先构建的测试场景;基础测试场景的场景参数是指用于构建基础测试场景所需的参数,其可包括但不限于主车的行驶速度、主车和交通参与者之间的相对距离、交通参与者的属性信息(如行驶速度、尺寸信息)以及道路的平坦程度,等等。应理解的是,不同的基础测试场景,其对应的场景参数可相同或不同,对此不作限定。例如,若基础测试场景是主车正前方20米有一辆车辆(即交通参与者)以5m/s的速度行驶、且主车以10m/s的速度行驶的场景;则该基础测试场景的场景参数可包括:主车的行驶速度、主车和交通参与者之间的相对距离、交通参与者的行驶速度等。又如,若基础测试场景是:主车以40m/s的速度行驶,且主车前方1000米处有一个障碍物(即交通参与者)的场景;则该基础测试场景的场景参数可包括:主车的行驶速度、主车和交通参与者之间的相对距离,交通参与者的尺寸信息等等。
需要说明的是,本申请实施例所提及的目标子测试场景可以是:通过实时地调整基础场景库中的一个基础测试场景的场景参数的参数值,所生成的子测试场景;或者该目标子测试场景可以是:预先通过对基础测试场景的场景参数执行多次参数值的调整操作,所生成的多个子测试场景中的其中一个子测试场景,对此不作限定。其中,基础场景库的生成方式可以是:按照标准法规、交通事故、安全类型、自然驾驶等维度,针对每一类典型的场景创建基础测试场景(或称为基础交通场景),最终采用创建的各个基础测试场景构建得到一个基础场景库,如图3a所示。
其中:①标准法规可包括但不限于:ADAS(Advanced Driving AssistanceSystem,高级驾驶辅助系统)、NHTSA(美国高速公路安全管理局)、自动驾驶路测规程、i-VISTA(i-VISTA智能汽车集成系统试验区,一种针对自动驾驶车辆的智能化程度指定的测评体系)、ISO(International Organization for Standardization,国际标准化组织)、C-NCAP(China-New Car Assessment Programme,中国新车碰撞测试方法和评价标准)、Euro-NCAP(欧洲新车碰撞测试方法和评价标准))、J-NCAP(新车碰撞测试方法和评价标准),等等。②交通事故可包括但不限于:车辆与车辆的事故、车辆与行人的事故、车辆与非机动车的事故、车辆与固定物体的事故、车辆自身的事故,等等。③安全类型可包括但不限于:预期安全、信息安全、功能安全,等等;功能安全可进一步涉及硬件失效和软件失效等两类场景,硬件失效可包括但不限于以下硬件:传感器、ECU(Electronic Control Unit,电子控制单元)计算单元等;软件失效可包括但不限于以下软件:感知模块、定位模块、规划模块、执行模块等。④自然驾驶可包括:高速驾驶、城区驾驶、园区驾驶、山区驾驶,等等;高速路驾驶可进一步涉及直行路、隧道、匝道以及服务区等类别的场景,直行路类场景和隧道类场景又均可细分为直行场景、向左变道场景、向右变道场景、跟车场景等,匝道类场景又可细分为驶入匝道场景和驶出匝道场景,服务区类场景又可细分为驶入服务区场景和驶出服务区场景。
应理解的是,图3a只是示例性地表征了基础场景库所涉及的场景类别的组成概要图,并未穷举出各个维度所涉及的全部场景类别。
例如参见图3b所示:在标准法规这一维度下,ADAS这一法规可进一步涉及信息辅助类的场景以及控制辅助类的场景,该控制辅助类的场景又可进一步包括自动紧急制动(Autonomous Emergency Braking,AEB)的场景,等等;需要说明的是,自动紧急制动这一项未直接显示在图3b中,可通过触发控制辅助类这一项的展开组件来触发显示自动紧急制动这一项。NHTSA这一法规可进一步涉及Crash(碰撞)类的场景、Fault(故障)类的场景、RoadEdge Departure(道路边缘偏离)类的场景、Vehicle(s)(交通工具)类的场景、LeadVehicle(主导车辆)类的场景、Junction(交叉路口)类的场景、Miscellaneous(混杂的)类场景,等等。自动驾驶路测规程这一法规可进一步涉及用于测试交通指示识别及响应能力的场景、用于测试物体识别及响应能力的场景、用于测试驾驶能力的场景,等等。i-VISTA这一法规可进一步涉及智能行车类的场景、智能泊车类的场景、智能安全类的场景、智能交互类的场景、智能能效类的场景,等等。ISO这一法规可进一步涉及功能安全类的场景、预期安全类的场景,等等。C-NCAP这一法规可进一步涉及AEB-C2C(自动紧急制动-消费者对消费者)场景、AEB-VRU_Ped(车对行人自动刹车能力)场景、FCW(前方碰撞预警)场景,等等。Euro-NCAP这一法规可进一步涉及C2C场景、VRU场景等等。
又如参见图3c所示:在交通事故这一维度下,其所涉及的车辆与车辆的事故可进一步涉及:让行类场景、杂项类场景、超车类场景、掉头类场景。并且,让行类场景又可细分为:1、变更车道时,未让正在该车道内行驶的车先行的场景;2、路口未让交通标志、交通标线规定优先通行的一方先行的场景;3、在交通标志、交通标线未规定优先通行的路口,未让右方道路的来车先行的场景;4、遇相对方向来车,左转弯车未让直行车先行的场景;5、相对方向行驶的右转弯车未让左转弯车的场景;6、绿灯亮时,转弯车未让被放行的直行车先行的场景;7、红灯亮时,右转弯车未让被放行的车先行的场景;8、障碍路段场景,具体可包括但不限于:有障碍的一方未让无障碍的一方先行的场景,以及有障碍的一方已驶入障碍路段,无障碍一方未让有障碍的一方先行的场景;9、坡道路段,具体可包括但不限于:下坡车未让上坡车先行的场景,以及下坡车已行至中途而上坡车未上坡时,上坡车未让下坡车先行的场景;10、狭窄山路会车时,靠山体的一方未让未靠山体的一方先行的场景;11、出入环形路口的车未让已在路口内的车先行的场景,等等。
S202,在目标子测试场景的运行过程中,确定主车在行驶过程中与M个交通参与者发生碰撞所需的目标时空距离。
由前述可知,主车搭载有决策规划算法,该决策规划算法可对主车的行驶行为进行决策规划。而经研究表明:针对任一测试场景而言,在察觉到该任一测试场景中的主车继续行驶X时长(即时间距离)或Y空间距离后,会与其他交通参与者发生碰撞的情况下,若该决策规划算法可在该X时长或该Y空间距离内,通过决策规划主车执行换道行驶行为、减速行驶行为、刹车行驶行为等一种或多种行为,来避免主车和其他交通参与者发生碰撞,则可表明该任一测试场景为安全测试场景,即主车可在该任一测试场景中安全行驶。相应的,若该决策规划算法无法在该X时长或该Y空间距离内,通过决策规划主车执行换道行驶行为、减速行驶行为、刹车行驶行为等一种或多种行为,来避免主车和其他交通参与者发生碰撞,则可表明该任一测试场景为危险测试场景,即主车在该任一测试场景中无法安全行驶。其中,X和Y均为正整数。
由此可见,主车是否可在任一测试场景中进行安全行驶,主要取决于决策规划算法通过决策规划主车的行驶行为,以避免主车发生碰撞事故所需的最小时距(或最小空距(即最短空间距离)),与主车和其他交通参与者发生碰撞所需的X时长(或Y空间距离)之间的大小关系。当最小时长大于X时长时,主车在任一测试场景中无法安全行驶;当最小时长小于或等于X时长时,主车在任一测试场景中可安全行驶。而又由于安全边界测试场景是用于指示车辆可安全行驶和无法安全行驶之间的边界的测试场景,因此针对任一测试场景而言,可基于主车在该任一测试场景中与其他交通参与者发生碰撞所需的X时长(或Y空间距离),与决策规划算法对应的最小时距(或最小空距),来判定任一测试场景是否为安全边界测试场景。
基于上述研究结果,计算机设备在通过步骤S201运行目标子测试场景后,便可通过步骤S202在目标子测试场景的运行过程中,确定主车在行驶过程中与M个交通参与者发生碰撞所需的目标时空距离,以便于后续基于该目标时空距离来判断目标子测试场景是否为安全边界测试场景。此处所提及的目标时空距离可包括:主车和M个交通参与者中的至少一个交通参与者发生碰撞所需的一个或多个参考时空距离;其中,主车和任一交通参与者发生碰撞所需的一个参考时空距离,可以根据主车和该任一交通参与者在同一时刻下的状态信息计算得到。具体的,状态信息可包括速度、加速度、位置等信息;基于状态信息计算得到的参考时空距离可包括以下至少一项:时距(时间距离)以及空距(空距距离)。
在一种实施方式中,计算机设备在执行步骤S202时,可在目标子测试场景的运行过程中,实时统计目标子测试场景的已运行时长。当统计得到的已运行时长等于预设运行时长时,可基于主车在目标时刻(已运行时长等于预设运行时长的时刻)的状态信息,以及每个交通参与者在目标时刻的状态信息,分别计算主车和每个交通参与者发生碰撞的时空距离,从而采用计算出的M个时空距离构建得到主车在行驶过程中与M个交通参与者发生碰撞的目标时空距离。或者,考虑到在主车的行驶过程中,通常是离主车较近的交通参与者与主车发生碰撞,对于离主车较远的交通参与者而言,其与主车发生碰撞的概率通常较小。基于此,为节省处理资源以及提升目标时空距离的计算效率,计算机设备在确定已运行时长等于预设运行时长后,先基于主车在目标时刻的位置以及各个交通参与者在目标时刻的位置,从M个交通参与者中选取与主车相近的一个或多个交通参与者,作为主车的邻近交通参与者;然后,基于主车在目标时刻的状态信息以及每个邻近交通参与者在目标时刻的状态信息,分别计算主车和每个邻近交通参与者发生碰撞的时空距离,从而采用计算出的全部时空距离构建得到主车在行驶过程中与M个交通参与者发生碰撞的目标时空距离。
另一种实施方式中,考虑到在目标子测试场景的运行过程中,主车的行驶过程是一个动态的过程,不同时刻的状态信息可能相同或不同。因此,为了提升后续安全边界测试场景的判断结果的准确性,计算机设备可周期性地获取主车的状态信息和M个交通参与者的状态信息。每次获取到主车的状态信息和M个交通参与者的状态信息后,均可基于当前获取到的状态信息计算主车和每个交通参与者发生碰撞所需的时空距离。这样可在目标子测试场景运行结束后,采用计算得到的全部时空距离构建得到主车在行驶过程中与M个交通参与者发生碰撞所需的目标时空距离。或者,计算机设备也可周期性地确定主车的位置以及各个交通参与者的位置;每次确定了位置后,便可根据当前确定的各个位置从M个交通参与者中与主车距离较近的K个目标交通参与者(K∈[1,M]),从而基于主车的状态信息和每个目标交通参与者的状态信息执行时空距离的计算操作,以得到主车和每个目标交通参与者发生碰撞所需的参考时空距离;从而在目标子测试场景运行结束后,采用计算得到的全部参考时空距离构建得到主车在行驶过程中与M个交通参与者发生碰撞所需的目标时空距离。
需要说明的是,此处所提及的目标交通参与者和前述所提及的邻近交通参与者,均是指的与主车相近的交通参与者。并且,从M个交通参与者中选取目标交通参与者的原理,与从M个交通参与者中选取邻近交通参与者的原理是相同的。该目标交通参与者和邻近交通参与者的主要区别在于:目标交通参与者是在每次周期性地确定出主车和各个交通参与者的位置后,根据当前确定的各个位置从M个交通参与者中选取的;而邻近交通参与者则是根据主车和各个交通参与者在目标时刻的位置,从M个交通参与者中选取的。
S203,获取决策规划算法的边界时空距离。
其中,边界时空距离用于表示决策规划算法对主车的行驶行为进行决策规划,使主车避免发生碰撞事故的能力,此能力可通过最小时距和最小空距中的至少一样来体现。例如,若最小时距为0.6秒,则可体现决策规划算法的能力为:可至少通过0.6秒的时长来对主车的行驶行为进行决策规划,使主车避免发生碰撞事故。又如,若最小空距为100米,则可体现决策规划算法的能力为:可在车辆至少继续行驶100米时,通过对主车的行驶行为进行决策规划,使主车避免发生碰撞事故。基于此,决策规划算法的边界时空距离可包括以下至少一项:决策规划算法对主车的行驶行为进行决策规划,使主车避免发生碰撞事故所需的最小时距;以及,决策规划算法对主车的行驶行为进行决策规划,使主车避免发生碰撞事故所需的最小空距。
需要说明的是,决策规划算法的边界时空距离可以是由决策规划算法的算法研发者根据决策规划算法的性能设置的;或者,决策规划算法的边界时空距离也可以是本申请实施例根据经验值基于决策规划算法的性能预估得到的,对此不作限定。并且,本申请实施例对步骤S202和步骤S203的执行顺序不作限定。例如,可先执行步骤S202再执行步骤S203;又如,可先执行步骤S203再执行步骤S202;又如,可同时执行步骤S202和步骤S203,等等。
S204,若根据目标时空距离和边界时空距离,确定目标子测试场景满足边界场景条件,则将目标子测试场景确定为安全边界测试场景。
计算机设备在通过步骤S202得到目标时空距离以及通过步骤S203得到边界时空距离后,便可根据目标时空距离和边界时空距离,判断目标子测试场景是否满足边界场景条件;若满足,则可通过步骤S204将目标子测试场景确定为安全边界测试场景。其中,边界场景条件可根据实际需求或经验值设置。例如,目标时空距离包括多个参考时空距离,边界场景条件可以包括:目标时空距离中存在预设数量的参考时空距离大于或等于边界时空距离的条件,或者目标时空距离中存在预设数量的参考时空距离与边界时空距离之间的比值大于或等于预设比值的条件;其中,预设数量可等于或小于目标时空距离所包括的参考时空距离的数量,对此不作限定。
进一步的,边界场景条件还可包括:目标时空距离中存在目标数量的参考时空距离与边界时空距离之间的差值,小于预设差值的条件。当目标子测试场景满足此条件,可表明目标子测试场景对应的目标时空距离与边界时空距离相近,从而可说明目标子测试场景接近了决策规划算法的算法边界;由此可见,通过此条件可进一步准确地判定目标子测试场景是否为安全边界测试场景。举例说明:设边界时空距离包括最小时距,且最小时距为0.6秒,预设差值为0.05秒,预设数量和目标数量均为3;那么,若目标时空距离包括以下参考时空距离:0.61秒、0.60秒以及0.63秒,则由于目标时空距离中存在3个参考时空距离大于边界时空距离(0.6秒),且各个参考时空距离与边界时空距离之间的差值依次为:0.01秒、0秒以及0.63秒,可见存在3个参考时空距离与边界时空距离之间的差值小于预设差值,因此可确定目标子测试边界满足边界场景条件。若目标时空距离包括以下参考时空距离:0.61秒、0.60秒以及0.68秒,则虽然目标时空距离中存在3个参考时空距离大于边界时空距离(0.6秒),但由于各个参考时空距离与边界时空距离之间的差值依次为:0.01秒、0秒以及0.68秒,可见只存在2个参考时空距离与边界时空距离之间的差值小于预设差值,因此可确定目标子测试边界不满足边界场景条件。
本申请实施例可通过调整基础测试场景的场景参数的参数值,来生成包含主车和M个交通参与者的目标子测试场景,并在仿真系统中运行目标子测试场景,以使目标子测试场景中的主车开始行驶,从而在目标子测试场景的运行过程中,确定主车在行驶过程中与M个交通参与者发生碰撞所需的目标时空距离。考虑到主车的行驶行为是由决策规划算法进行决策规划,即主车是否发生碰撞事故主要取决于决策规划算法的能力,因此可获取用于表示决策规划算法对主车的行驶行为进行决策规划,使主车避免发生碰撞事故的能力的边界时空距离。然后,可根据目标时空距离和边界时空距离,判断目标子测试场景是否满足边界场景条件;若满足,则可将该目标子测试场景确定为安全边界测试场景,从而实现生成一个安全边界测试场景。由此处理过程可知,本申请实施例通过简单地调整基础测试场景的场景参数的参数值,便可实现安全边界测试场景的生成,这样不仅可降低安全边界测试场景的生成负责度和生成成本,可有效提升安全边界测试场景的生成效率,还可使得安全边界测试场景不局限于只包含危险驾驶行为,从而提升安全边界测试场景的全面性。并且,通过引入时空距离和边界场景条件来实现安全边界测试场景的判定,可有效提升最终生成的安全边界测试场景的有效性和可信度。
基于上述图2所示的方法实施例的相关描述,本申请实施例提供的另一种测试场景的处理方法。在本申请实施例中,仍以计算机设备执行该测试场景的处理方法为例进行说明;请参见图4,该测试场景的处理方法可以包括以下步骤S401-S408:
S401,扫描基础场景库中的各个基础测试场景,并将当前扫描的基础测试场景确定为当前基础测试场景。
S402,遍历当前基础测试场景的各个场景参数,并将当前遍历的场景参数确定为目标场景参数。
S403,对目标场景参数的参数值进行调整以生成子测试场景,并将当前生成的子测试场景确定为目标子测试场景,以触发执行步骤S404。
在具体实现中,由图4所示的流程图可知,计算机设备可能会重复地执行步骤S403以对同一个目标场景参数的参数值执行多次参数值的调整操作。那么,在首次对目标场景参数执行参数值的调整操作时,即首次执行步骤S403时,步骤S403的具体实施方式可以是:获取目标场景参数的初始参数值,并确定默认的参数值调整方向;然后按照默认的参数值调整方向,调整初始参数值以生成子测试场景。其中,初始参数值是指在首次对目标场景参数执行参数值的调整操作之前,该目标场景参数所具有的参数值;默认的参数值调整方向可根据实际需求或经验值设定,如默认的参数值调整方向可以是参数值增大的方向,也可以是参数值减小的方向,对此不作限定。进一步的,在按照默认的参数值调整方向,调整初始参数值以生成子测试场景的具体过程中,计算机设备可获取与默认的参数值调整方向相匹配的参数值调整系数,并采用该参数值调整系数对初始参数值进行调整,从而基于调整后的参数值生成子测试场景。具体的,若默认的参数值调整方向为参数值增大的方向,则参数值调整系数为大于1的值,如参数值调整系数可以等于2,即可对初始参数值进行放大2倍的操作,以实现对初始参数值的调整;若默认的参数值调整方向为参数值减少的方向,则参数值调整系数为小于1的值,如参数值调整系数可以等于1/2,即可对初始参数值进行缩小1/2的操作。
在非首次对目标场景参数执行参数值的调整操作时,即非首次执行步骤S403时,步骤S403的具体实施方式可以是:首先,可确定一个或多个历史子测试场景,历史子测试场景是指:历史通过调整当前基础测试场景的目标场景参数的参数值,所生成的子测试场景。其次,可基于主车和交通参与者在每个历史子测试场景中发生碰撞所对应的历史时空距离,分析出时空距离变化方向。需要说明的是,若历史子测试场景的数量为1个,则计算机设备可基于该历史子测试场景对应的历史时空距离,以及主车和交通参与者在当前基础测试场景中发生碰撞所需的历史时空距离,分析出时空距离变化方向;其中,该时空距离变化方向可包括:时空距离变大的方向,或者时空距离变小的方向。
然后,可根据时空距离变化方向和目标场景参数的历史参数值调整方向,确定目标场景参数的当前参数值调整方向。具体的,若时空距离变化方向包括时空距离变小的方向,则可表明历史参数值调整方向是正确的,继续按照该历史参数值调整方向调整参数值,可使得参数值逐渐接近边界值;因此,此情况下可将历史参数值调整方向确定为目标场景参数的当前参数值调整方向。相应的,若时空距离变化方向包括时空距离变大的方向,则可表明继续按照该历史参数值调整方向调整参数值,可使得参数值逐渐远离边界值;因此,此情况下可将历史参数值调整方向的反方向确定为目标场景参数的当前参数值调整方向。具体的,若历史参数值调整方向为参数值增大的方向,则可将参数值减小的方向确定为目标场景参数的当前参数值调整方向;若历史参数值调整方向为参数值减小的方向,则可将参数值增大的方向确定为目标场景参数的当前参数值调整方向。
在确定当前参数值调整方向后,计算机设备可按照当前参数值调整方向,对目标场景参数的参数值进行调整,以生成子测试场景。在一种实施方式,计算机设备可直接获取目标场景参数的初始参数值(或当前参数值),从而按照当前参数值调整方向对该初始参数值进(或当前参数值)行调整,以生成子测试场景;其中,当前参数值是指在本次执行步骤S403时,目标场景参数所具有的参数值。另一种实施方式中,考虑到当前参数值调整方向和历史参数值调整方向可能相同或相反;当两者相反时,若直接按照当前参数值调整方向对当前参数值进行调整,则可能会使得当前调整后的参数值与目标场景参数的历史参数值相同或相近,从而使得基于当前调整后的参数值所得到的子测试场景(即目标子测试场景)与基于历史参数值所构建的历史子测试场景是类似的。例如,目标场景参数为主车的行驶速度,且历史按照参数值增大的方向对目标场景参数的参数值执行了放大2倍的处理,从而将该目标场景参数的参数值从20m/s调整至了40m/s,即目标场景参数的当前参数值为40m/s;若当前参数值调整方向与历史参数值调整方向相反,则直接按照参数值减小的方向对当前参数值执行缩小1/2的处理,则会使得目标场景参数的参数值从40m/s调整至20m/s,进而使得目标子测试场景和基于历史参数值20m/s所构建的历史子测试场景是相同的。
由于基于图4所示的流程图可知,本申请实施例是在历史子测试场景不满足边界场景条件的情况下,才执行本次的步骤S403的;因此,若生成的目标子测试场景与历史子测试场景类似,则可表明目标子测试场景大概率也是不满足边界场景条件的。而在已知目标子测试场景不满足边界场景条件的情况下,仍通过执行步骤S403之后的后续步骤来判断目标子测试场景是否满足边界场景条件,会导致后续步骤的执行是无用的,从而导致执行后续步骤所消耗的处理资源的有效利用率较低。基于此,为了提升目标子测试场景的生成有效性,从而保证执行后续步骤所消耗的处理资源的有效利用率,计算机设备可通过判断当前参数值调整方向和历史参数值调整方向之间的关系,来选择对目标场景参数的当前参数值还是初始参数值进行调整,以避免当前生成的子测试场景与历史子测试场景相似。具体的,若当前参数值调整方向和历史参数值调整方向相同,则计算机设备可获取目标场景参数的当前参数值,并按照当前参数值调整方向,调整当前参数值以生成子测试场景;若当前参数值调整方向和历史参数值调整方向不同,则计算机设备可获取目标场景参数的初始参数值,并按照当前参数值调整方向,调整初始参数值以生成子测试场景。
需要说明的是,按照当前参数值调整方向调整初始参数值或当前参数值的具体方式,可参见前述所提及的按照默认的参数值调整方向调整初始参数值的具体方式,在此不再赘述。举例说明:仍设目标场景参数为主车的行驶速度,且目标场景参数的初始参数值为20m/s,当前是第2次执行步骤S403;第1次是按照参数值增大的方向对目标场景参数的初始参数值执行放大2倍的处理,从而将该目标场景参数的参数值从20m/s调整至了40m/s,即目标场景参数的当前参数值为40m/s。由于当前参数值调整方向与历史参数值调整方向相反,则在第2次调整目标场景参数的参数值时,可按照参数值减小的方向对初始参数值执行缩小1/2的处理,使得目标场景参数的参数值从20m/s调整至10m/s,这样可使得目标子测试场景为包括主车的行驶速度为10m/s的场景,从而使得目标子测试场景与历史子测试场景不同。
S404,在仿真系统中运行目标子测试场景。
S405,在目标子测试场景的运行过程中,确定主车在行驶过程中与M个交通参与者发生碰撞所需的目标时空距离。
在一种实施方式中,步骤S405的具体实施方式可以是:在目标子测试场景的运行过程中,每检测到时空距离计算周期到达时,分别基于主车的当前状态信息和每个交通参与者的当前状态信息,计算主车与每个交通参与者发生碰撞所需的时空距离,得到当前到达的时空距离计算周期对应的M个时空距离。在目标子测试场景运行结束后,可采用每个时空距离计算周期对应的M个时空距离,构建得到主车在行驶过程中与M个交通参与者发生碰撞的目标时空距离;也就是说,此情况下的目标时空距离包括Q×M个时空距离。
其中,Q的取值等于在目标子测试场景的运行过程中,总共到达的时空距离计算周期的数量;例如,在目标子测试场景的运行过程中,总共检测到5次时空距离计算周期到达,即总共到达了5个时空距离计算周期,那么Q等于5。需要说明的是,本申请实施例所提出的时空距离计算周期可根据实际需求或者经验值设置,对此不作限定。例如,时空距离计算周期可以为1秒;此情况下,计算机设备每检测到时间经过了1秒,便可确定检测到时空距离计算周期到达;也就是说,计算机设备可依次在目标子测试场景开始运行后的第1秒、第2秒、第3秒等时刻,确定检测到时空距离计算周期到达。又如,若目标子测试场景在运行过程中所呈现出的效果类似于视频的播放效果,则时空距离计算周期还可以以帧为单位进行设置,如设置时空距离计算周期为1帧;此情况下,计算机设备每检测到显示新的一帧运行画面,便可确定检测到时空距离计算周期到达;也就是说,计算机设备可依次在显示第1帧运行画面、第2帧运行画面、第3帧运行画面等时刻,确定检测到时空距离计算周期到达。
另一种实施方式中,步骤S405的具体实施方式可以是:在目标子测试场景的运行过程中,每检测到时空距离计算周期到达时,确定主车在道路区域中的当前位置,以及M个交通参与者中的每个交通参与者在道路区域中的当前位置;接着,可基于主车的当前位置以及每个交通参与者的当前位置,从M个交通参与者选取K个目标交通参与者。然后,分别基于主车的当前状态信息和每个目标交通参与者的当前状态信息,计算主车与每个目标交通参与者发生碰撞所需的参考时空距离,得到当前到达的时空距离计算周期对应的K个参考时空距离。在目标子测试场景运行结束后,可采用每个时空距离计算周期对应的K个参考时空距离,构建得到主车在行驶过程中与M个交通参与者发生碰撞的目标时空距离;也就是说,此情况下的目标时空距离包括:Q个时空距离计算周期中的每个时空距离计算周期对应的K个参考时空距离,即目标时空距离包括Q×K个参考时空距离。
其中,从M个交通参与者选取K个目标交通参与者的一种实施方式可以是:基于主车的当前位置从道路区域划分出多个子区域,该多个子区域中可包括:包含当前位置的第一子区域,与第一子区域相邻的一个或多个第二子区域;然后,根据每个交通参与者的当前位置,将M个交通参与者中处于任一第二子区域内的交通参与者,均作为目标交通参与者。需要说明的是,本申请实施例对道路区域的划分方式不作限定。例如,可以将主车的当前位置作为中心,按照预设的区域尺寸从主车的当前位置的前后左右这四个方位,对道路区域进行区域划分,以从道路区域中划分出一个九宫格,如图5a所示;此情况下,九宫格中的中间区域(即图5a中的第5个区域)为第一子区域,除中间区域以外的其他各个区域均为第二子区域。相应的,图5a中位于第2个区域、第7个区域以及第9个区域中的车辆,均为目标交通参与者。又如,可以将主车的当前位置作为中心,按照预设的区域尺寸从主车的当前位置的前后两个方位,对道路区域进行区域划分,以从道路区域中划分出3个区域,如图5b所示;此情况下,3个区域中的中间区域(即图5b中的第2个区域)为第一子区域,其他的区域均为第二子区域。相应的,图5b中位于第1个区域中的车辆为目标交通参与者。
可选的,从M个交通参与者选取K个目标交通参与者的另一种实施方式可以是:根据主车的当前位置以及各个交通参与者的当前位置,分别计算主车与每个交通参与者之间的相对位置距离。然后,将相对位置距离大于距离阈值的各个交通参与者均作为目标交通参与者;或者,按照相对位置距离从小到大的顺序,选取K个相对位置距离,从而将K个相对位置距离中的每个相对位置距离对应的交通参与者作为目标交通参与者。
需要说明的是,在上述所提及的步骤S405的两种实施方式中,主车和任一交通参与者(M个交通参与者中的某个交通参与者,或K个目标交通参与者中的某个目标交通参与者)之间发生碰撞所需的时空距离的计算方式可以是:根据主车的当前状态信息和该任一交通参与者的当前状态信息,计算H个时空距离指标中的每个时空距离指标的指标值,从而将采用计算得到的各个指标值构建得到主车和任一交通参与者发生碰撞所需的时空距离。其中,H为正整数;H个时空距离指标可根据业务需求或经验值设置,如H个时空距离指标可包括但不限于:TTC(Time To Collision,碰撞时间)、THW(Time Head Way,车头时距)、LD(Lateral Distance,横向距离)等指标。其中,TTC的指标值和THW指标的指标值本质上均是时距;TTC指标的指标值等于:主车和任一交通参与者之间的相对位置距离,除以主车和任一交通参与者之间的相对速度;THW指标的指标值等于:主车和任一交通参与者之间的相对位置距离,除以主车的当前速度。
S406,获取决策规划算法的边界时空距离,该边界时空距离可包括:H个时空距离指标中的每个时空距离指标的第二指标值。其中,TTC指标的第二指标值和THW指标的第二指标值可理解成是前述所提及的最小时距,LD指标的第二指标值可理解成是前述所提及的最小空距。
S407,根据目标时空距离和边界时空距离,判断目标子测试场景是否满足边界场景条件。
由前述步骤S405的相关描述可知,目标时空距离可包括:Q个时空距离计算周期中的每个时空距离计算周期对应的M个时空距离,或者Q个时空距离计算周期中的每个时空距离计算周期对应的K个参考时空距离。考虑到针对目标时空距离的两种情况,计算机设备所采用的步骤S407的具体实施方式类似;因此为便于阐述,下面以目标时空距离包括每个时空距离计算周期对应的K个参考时空距离为例,对步骤S407的具体实施方式进行说明。具体的,步骤S407的实施方式可包括如下步骤s11-s16:
s11,扫描Q个时空距离计算周期,确定当前扫描的第q个时空距离计算周期,q∈[1,Q]。
s12,根据边界时空距离和第q个时空距离计算周期对应的各个参考时空距离,计算主车与第q个时空距离计算周期对应的各个目标交通参与者之间的交通安全衡量值。
具体的,由于任一参考时空距离包括:H个时空距离指标中的每个时空距离指标的第一指标值,边界时空距离包括:H个时空距离指标中的每个时空距离指标的第二指标值。因此,步骤s12的具体实施过程可包括:针对第q个时空距离计算周期对应的第k个目标交通参与者,确定第q个时空距离计算周期对应的第k个参考时空距离,k∈[1,K]。并遍历H个时空距离指标中的各个时空距离指标,并确定当前遍历的第i个时空距离指标,i∈[1,H]。然后,可从第k个参考时空距离中,获取第i个时空距离指标的第一指标值;以及,从边界时空距离中获取第i个时空距离指标的第二指标值。接着,可根据获取到的第一指标值和第二指标值之间的差异,确定主车和第k个目标交通参与者在第i个时空距离指标下的安全衡量值。在各个时空距离指标均被遍历后,整合主车和第k个目标交通参与者在各个时空距离指标下的安全衡量值,得到主车与第k个目标交通参与者之间的交通安全衡量值。
其中,根据获取到的第一指标值和第二指标值之间的差异,确定主车和第k个目标交通参与者在第i个时空距离指标下的安全衡量值的具体实施方式可以是:计算获取到的第一指标值和第二指标值之间的指标值差值,将计算得到的指标值差值与第二指标值之间的比值,确定为主车和第k个目标交通参与者在第i个时空距离指标下的安全衡量值。或者,计算获取到的第一指标值(采用r表示)和第二指标值(采用t表示)之间的比率,将计算得到的比率确定为主车和第k个目标交通参与者在第i个时空距离指标下的安全衡量值(采用表示);即此实施方式下,安全衡量值的计算公式可参见下述公式1.1所示:
其中,整合主车和第k个目标交通参与者在各个时空距离指标下的安全衡量值,得到主车与第k个目标交通参与者之间的交通安全衡量值的具体实施方式可以是:对主车与第k个目标交通参与者在各个时空距离指标下的安全衡量值进行均值运算或加权求和,将均值运算结果或加权求和结果作为主车与第k个目标交通参与者之间的交通安全衡量值。或者,从主车与第k个目标交通参与者在各个时空距离指标下的安全衡量值中,选取最小的安全衡量值作为主车与第k个目标交通参与者之间的交通安全衡量值;即此实施方式下,主车与第k个目标交通参与者之间的交通安全衡量值(采用Sk表示)的整合公式可参见下述公式1.2所示:
s13,对计算出的各个交通安全衡量值进行整合,得到第q个时空距离计算周期对应的边界交通安全衡量值。
在一种具体实施方式中,计算机设备可对计算出的各个交通安全衡量值进行均值运算或加权求和,得到第q个时空距离计算周期对应的边界交通安全衡量值。另一种具体实施方式中,计算机设备可从计算出的各个交通安全衡量值中选取最小的交通安全衡量值,作为第q个时空距离计算周期对应的边界交通安全衡量值;即此实施方式下,第q个时空距离计算周期对应的边界交通安全衡量值(采用S表示)的整合公式可参见下述公式1.3所示:
s14,在Q个时空距离计算周期均被扫描后,计算机设备可统计Q个时空距离计算周期中边界交通安全衡量值大于安全衡量值阈值的时空距离计算周期的数量。
s15,若统计出的数量大于或等于数量阈值,则可确定目标子测试场景满足边界场景条件。
在一种实施方式中,若统计出的数量大于或等于数量阈值,则可直接确定目标子测试场景满足边界场景条件。进一步的,在另一种实施方式中,若统计出的数量大于或等于数量阈值,则可先计算每个时空距离计算周期对应的边界交通安全衡量值与安全衡量值阈值之间的差值,若计算出的各个差值均小于差值阈值,则确定目标子测试场景满足边界场景条件。或者,若计算出的全部差值中存在一定数量的差值小于差值阈值,则可确定目标子测试场景满足边界场景条件;其中,一定数量可根据经验值或实际的测试需求进行设置。
s16,若统计出的数量小于数量阈值,则确定目标子测试场景不满足边界场景条件。
S408,若根据目标时空距离和边界时空距离,确定目标子测试场景满足边界场景条件,则将目标子测试场景确定为安全边界测试场景。
可选的,在将目标子测试场景确定为安全边界测试场景后,可将目标时空距离确定为决策规划算法在目标子测试场景下的安全边界值;然后,在数据库中,关联记录目标子测试场景和该安全边界值,以便于后续在基于该目标子测试场景对主车进行实车测试时,可通过参考该安全边界值来对车辆进行决策规划,从而减少碰撞事故的发生次数。
进一步的,计算机设备在执行完步骤S408后,可判断当前基础测试场景的各个场景参数是否均被遍历。若未均被遍历,则可跳转至步骤S402以重新选取一个目标场景参数,进而再次执行步骤S403-S407;若已均被遍历,则可结束流程。或者,若已均被遍历,则可进一步判断基础场景库中的各个基础测试场景是否均被扫描;若未均被扫描,则可跳转至步骤S401以重新选取当前基础测试场景;若已均被扫描,则可结束流程。
可选的,若根据目标时空距离和边界时空距离,确定目标子测试场景不满足边界场景条件,则触发执行对目标场景参数进行调整以生成子测试场景的步骤,即跳转至步骤S403。或者,在其他实施例中,若根据目标时空距离和边界时空距离,确定目标子测试场景不满足边界场景条件,则触发执行遍历当前基础测试场景的各个场景参数,并将当前遍历的场景参数确定为目标场景参数的步骤,即跳转至步骤S402,进而再次执行步骤S403-S407。
本申请实施例可通过调整基础测试场景的场景参数的参数值,来生成包含主车和M个交通参与者的目标子测试场景,并在仿真系统中运行目标子测试场景,以使目标子测试场景中的主车开始行驶,从而在目标子测试场景的运行过程中,确定主车在行驶过程中与M个交通参与者发生碰撞所需的目标时空距离。考虑到主车的行驶行为是由决策规划算法进行决策规划,即主车是否发生碰撞事故主要取决于决策规划算法的能力,因此可获取用于表示决策规划算法对主车的行驶行为进行决策规划,使主车避免发生碰撞事故的能力的边界时空距离。然后,可根据目标时空距离和边界时空距离,判断目标子测试场景是否满足边界场景条件;若满足,则可将该目标子测试场景确定为安全边界测试场景,从而实现生成一个安全边界测试场景。由此处理过程可知,本申请实施例通过简单地调整基础测试场景的场景参数的参数值,便可实现安全边界测试场景的生成,这样不仅可降低安全边界测试场景的生成负责度和生成成本,可有效提升安全边界测试场景的生成效率,还可使得安全边界测试场景不局限于只包含危险驾驶行为,从而提升安全边界测试场景的全面性。并且,通过引入时空距离和边界场景条件来实现安全边界测试场景的判定,可有效提升最终生成的安全边界测试场景的有效性和可信度。
基于上述图2和图4所示的方法实施例的相关描述,本申请实施例提供的另一种测试场景的处理方法。在本申请实施例中,仍以计算机设备执行该测试场景的处理方法为例进行说明;请参见图6,该测试场景的处理方法可包括以下步骤S601-S608:
S601,扫描基础场景库中的各个基础测试场景,并将当前扫描的基础测试场景确定为当前基础测试场景。
S602,通过对当前基础测试场景的场景参数的参数值进行一次或多次调整,得到当前基础测试场景对应的一个或多个子测试场景。
其中,一次调整操作触发生成一个子测试场景;并且,计算机设备每次可以只对当前基础测试场景的一个场景参数的参数值进行调整,也可以同时对当前基础测试场景的多个场景参数的参数值进行调整,对此不作限定。例如,设当前基础测试场景是AEB类的测试场景,其具体是主车正前方20米有一辆交通车以5m/s的速度行驶,主车以10m/s的速度行驶的场景;可见,当前基础测试场景至少具有以下三个场景参数:主车的行驶速度、两车的相对位置距离,以及交通车的行驶速度;且三个场景参数的初始参数值依次为:10m/s、20米、5m/s。那么,在通过步骤S602对当前基础测试场景的场景参数的参数值进行一次或多次调整的过程中,以主车的行驶速度为10m/s、5m/s、20m/s,两车的相对位置距离为20m、40m、10m,交通车的行驶速度为5m/s、10m/s、2.5m/s等参数值随机初始化,便可得到多个子测试场景。例如,可得到主车的行驶速度为20m/s,两车的相对位置距离为10米,交通车的行驶速度为2.5m/s的子测试场景A;又如,主车的行驶速度为20m/s,两车的相对位置距离为10米,交通车的行驶速度为5m/s的子测试场景B,等等。
S603,遍历当前基础测试场景对应的各个子测试场景,并将当前遍历的子测试场景确定为目标子测试场景,触发执行步骤S604。
S604,在仿真系统中运行目标子测试场景。
S605,在目标子测试场景的运行过程中,确定主车在行驶过程中与M个交通参与者发生碰撞所需的目标时空距离。
S606,获取决策规划算法的边界时空距离。
S607,根据目标时空距离和边界时空距离,判断目标子测试场景是否满足边界场景条件。
在一种具体实现中,计算机设备在通过步骤S605得到目标时空距离,以及通过步骤S607得到边界时空距离后,可以立马执行步骤S607;那么在此具体实现中,S607的具体实施方式可参见前述步骤S407的相关描述,在此不再赘述。
另一种具体实现中,计算机设备在通过步骤S605得到目标时空距离后,可以先不执行步骤S607,而是迭代执行步骤S603-S605,直至子测试场景集中的各个子测试场景均被遍历,从而得到各个子测试场景对应的目标时空距离,然后再执行步骤S607;在此情况下,可涉及G个目标子测试场景,G的取值等于当前基础测试场景对应的子测试场景的总数。那么,步骤S607所提及的目标子测试场景可以是指第g个目标子测试场景,g∈[1,G];相应的,步骤S607中所提及的目标时空距离是指第g个目标时空距离。基于此,步骤S609的具体实施方式可以是:
首先,可判断第g个目标时空距离是否大于或等于边界时空距离。若不大于,则可确定第g个目标子测试场景不满足边界场景条件。若大于或等于,则可从G个目标时空距离中筛选出大于或等于边界时空距离的其他目标边界时空距离。或者,若大于或等于,则可进一步判断第g个目标时空距离是否小于主车和交通参与者在当前基础测试场景发生碰撞所需的时空距离,若小于,则执行从G个目标时空距离中筛选出大于或等于边界时空距离的其他目标边界时空距离的步骤,否则,则确定第g个目标子测试场景不满足边界场景条件。在筛选出其他目标边界时空距离后,可判断第g个目标时空距离是否小于其他目标边界时空距离。若小于其他目标边界时空距离,则可确定第g个目标子测试场景满足边界场景条件;若不小于其他目标边界时空距离,则可确定第g个目标子测试场景不满足边界场景条件。通过此实施方式,可实现从G个子测试场景中搜索出最临近边界的子测试场景作为安全边界测试场景,从而提升安全边界测试场景的准确性。
举例说明:仍设当前基础测试场景是AEB类的测试场景,其具体是主车正前方20米有一辆交通车以5m/s的速度行驶,主车以10m/s的速度行驶的场景;并且,通过对当前基础测试场景的场景参数的参数值进行调整,可得到子测试场景A(主车的行驶速度为20m/s,两车的相对位置距离为10米,交通车的行驶速度为2.5m/s),以及子测试场景B(主车的行驶速度为20m/s,两车的相对位置距离为10米,交通车的行驶速度为5m/s)。假如只考虑TTC的碰撞时间,则子测试场景A对应的目标时空距离可包括t1,且t1=10/(20-2.5)=0.571,即这种情况下只需要大约0.571s主车就会撞上交通车;子测试场景B对应的目标时空距离可包括t2,且t2=10/(20-5)=0.667,也即这种情况下需要大约0.667s主车就会撞上交通车。若决策规划算法的边界时空距离包括最小时距0.6s,由于当前基础测试场景对应的时空距离为20/(20-5)=4,因此按照步骤S607的实施方式,最终可搜索到安全边界测试场景为子测试场景A,且决策规划算法在该安全边界测试场景下的安全边界能力值为0.667s。
S608,若根据目标时空距离和边界时空距离,确定目标子测试场景满足边界场景条件,则将目标子测试场景确定为安全边界测试场景。
本申请实施例可通过调整基础测试场景的场景参数的参数值,来生成包含主车和M个交通参与者的目标子测试场景,并在仿真系统中运行目标子测试场景,以使目标子测试场景中的主车开始行驶,从而在目标子测试场景的运行过程中,确定主车在行驶过程中与M个交通参与者发生碰撞所需的目标时空距离。考虑到主车的行驶行为是由决策规划算法进行决策规划,即主车是否发生碰撞事故主要取决于决策规划算法的能力,因此可获取用于表示决策规划算法对主车的行驶行为进行决策规划,使主车避免发生碰撞事故的能力的边界时空距离。然后,可根据目标时空距离和边界时空距离,判断目标子测试场景是否满足边界场景条件;若满足,则可将该目标子测试场景确定为安全边界测试场景,从而实现生成一个安全边界测试场景。由此处理过程可知,本申请实施例通过简单地调整基础测试场景的场景参数的参数值,便可实现安全边界测试场景的生成,这样不仅可降低安全边界测试场景的生成负责度和生成成本,可有效提升安全边界测试场景的生成效率,还可使得安全边界测试场景不局限于只包含危险驾驶行为,从而提升安全边界测试场景的全面性。并且,通过引入时空距离和边界场景条件来实现安全边界测试场景的判定,可有效提升最终生成的安全边界测试场景的有效性和可信度。
基于上述测试场景的处理方法实施例的描述,本申请实施例还公开了一种测试场景的处理装置,所述测试场景的处理装置可以是运行于计算机设备中的一个计算机程序(包括程序代码)。该测试场景的处理装置可以执行图2、图4或图6所示的测试场景的处理方法。请参见图7,所述测试场景的处理装置可以运行如下单元:
运行单元701,用于在仿真系统中运行目标子测试场景,以使所述目标子测试场景中的主车开始行驶,所述主车是指搭载有决策规划算法的仿真车辆;所述目标子测试场景是通过调整基础测试场景的场景参数的参数值生成的,所述目标子测试场景还包括M个交通参与者,M为正整数;
处理单元702,用于在所述目标子测试场景的运行过程中,确定所述主车在行驶过程中与所述M个交通参与者发生碰撞所需的目标时空距离;
所述处理单元702,还用于获取所述决策规划算法的边界时空距离,所述边界时空距离用于表示所述决策规划算法对所述主车的行驶行为进行决策规划,使所述主车避免发生碰撞事故的能力;
所述处理单元702,还用于若根据所述目标时空距离和所述边界时空距离,确定所述目标子测试场景满足边界场景条件,则将所述目标子测试场景确定为安全边界测试场景。
在一种实施方式中,所述目标子测试场景包括道路区域,所述主车是在所述道路区域中行驶的;相应的,处理单元702在用于在所述目标子测试场景的运行过程中,确定所述主车在行驶过程中与所述M个交通参与者发生碰撞所需的目标时空距离时,可具体用于:
在所述目标子测试场景的运行过程中,每检测到时空距离计算周期到达时,确定所述主车在所述道路区域中的当前位置,以及所述M个交通参与者中的每个交通参与者在所述道路区域中的当前位置;
基于所述主车的当前位置以及所述每个交通参与者的当前位置,从所述M个交通参与者选取K个目标交通参与者,K∈[1,M];
分别基于所述主车的当前状态信息和每个目标交通参与者的当前状态信息,计算所述主车与所述每个目标交通参与者发生碰撞所需的参考时空距离,得到当前到达的时空距离计算周期对应的K个参考时空距离;
其中,所述主车在行驶过程中与所述M个交通参与者发生碰撞所需的目标时空距离包括:Q个时空距离计算周期中的每个时空距离计算周期对应的K个参考时空距离;Q的取值等于在所述目标子测试场景的运行过程中,总共到达的时空距离计算周期的数量。
另一种实施方式中,处理单元702在用于基于所述主车的当前位置以及所述每个交通参与者的当前位置,从所述M个交通参与者选取K个目标交通参与者时,可具体用于:
基于所述主车的当前位置从所述道路区域划分出多个子区域,所述多个子区域中包括:包含所述主车的当前位置的第一子区域,与所述第一子区域相邻的一个或多个第二子区域;
根据所述每个交通参与者的当前位置,将所述M个交通参与者中处于任一第二子区域内的交通参与者,均作为目标交通参与者。
另一种实施方式中,处理单元702还可用于:
扫描所述Q个时空距离计算周期,确定当前扫描的第q个时空距离计算周期,q∈[1,Q];
根据所述边界时空距离和所述第q个时空距离计算周期对应的各个参考时空距离,计算所述主车与所述第q个时空距离计算周期对应的各个目标交通参与者之间的交通安全衡量值;
对计算出的各个交通安全衡量值进行整合,得到所述第q个时空距离计算周期对应的边界交通安全衡量值;
在所述Q个时空距离计算周期均被扫描后,统计所述Q个时空距离计算周期中边界交通安全衡量值大于安全衡量值阈值的时空距离计算周期的数量;
若统计出的数量大于或等于数量阈值,则确定所述目标子测试场景满足边界场景条件;若统计出的数量小于所述数量阈值,则确定所述目标子测试场景不满足边界场景条件。
另一种实施方式中,任一参考时空距离包括:H个时空距离指标中的每个时空距离指标的第一指标值,所述边界时空距离包括:所述H个时空距离指标中的每个时空距离指标的第二指标值,H为正整数;相应的,处理单元702在用于根据所述边界时空距离和所述第q个时空距离计算周期对应的各个参考时空距离,计算所述主车与所述第q个时空距离计算周期对应的各个目标交通参与者之间的交通安全衡量值时,可具体用于:
针对所述第q个时空距离计算周期对应的第k个目标交通参与者,确定所述第q个时空距离计算周期对应的第k个参考时空距离,k∈[1,K];
遍历所述H个时空距离指标中的各个时空距离指标,并确定当前遍历的第i个时空距离指标,i∈[1,H];
从所述第k个参考时空距离中,获取所述第i个时空距离指标的第一指标值;以及,从所述边界时空距离中获取所述第i个时空距离指标的第二指标值;
根据获取到的第一指标值和第二指标值之间的差异,确定所述主车和所述第k个目标交通参与者在所述第i个时空距离指标下的安全衡量值;
在所述各个时空距离指标均被遍历后,整合所述主车和所述第k个目标交通参与者在所述各个时空距离指标下的安全衡量值,得到所述主车与所述第k个目标交通参与者之间的交通安全衡量值。
另一种实施方式中,处理单元702在用于对计算出的各个交通安全衡量值进行整合,得到所述第q个时空距离计算周期对应的边界交通安全衡量值时,可具体用于:
从计算出的各个交通安全衡量值中选取最小的交通安全衡量值,作为所述第q个时空距离计算周期对应的边界交通安全衡量值;
或者,对计算出的各个交通安全衡量值进行均值运算,得到所述第q个时空距离计算周期对应的边界交通安全衡量值。
另一种实施方式中,处理单元702还可用于:
扫描基础场景库中的各个基础测试场景,并将当前扫描的基础测试场景确定为当前基础测试场景;
遍历所述当前基础测试场景的各个场景参数,并将当前遍历的场景参数确定为目标场景参数;
对所述目标场景参数的参数值进行调整以生成子测试场景,并将当前生成的子测试场景确定为目标子测试场景,触发执行所述在仿真系统中运行目标子测试场景的步骤。
另一种实施方式中,处理单元702还可用于:
若根据所述目标时空距离和所述边界时空距离,确定所述目标子测试场景不满足边界场景条件,则触发执行所述对所述目标场景参数的参数值进行调整以生成子测试场景的步骤。
另一种实施方式中,在首次对所述目标场景参数执行参数值的调整操作时,处理单元702在用于对所述目标场景参数的参数值进行调整以生成子测试场景时,可具体用于:
获取所述目标场景参数的初始参数值,并确定默认的参数值调整方向;
按照所述默认的参数值调整方向,调整所述初始参数值以生成子测试场景。
另一种实施方式中,在非首次对所述目标场景参数执行参数值的调整操作时,处理单元702在用于对所述目标场景参数的参数值进行调整以生成子测试场景时,可具体用于:
确定一个或多个历史子测试场景,历史子测试场景是指:历史通过调整所述当前基础测试场景的所述目标场景参数的参数值,所生成的子测试场景;
基于所述主车和交通参与者在每个历史子测试场景中发生碰撞所对应的历史时空距离,分析出时空距离变化方向;
根据所述时空距离变化方向和所述目标场景参数的历史参数值调整方向,确定所述目标场景参数的当前参数值调整方向;
按照所述当前参数值调整方向,对所述目标场景参数的参数值进行调整,以生成子测试场景。
另一种实施方式中,处理单元702在用于按照所述当前参数值调整方向,对所述目标场景参数的参数值进行调整,以生成子测试场景时,可具体用于:
若所述当前参数值调整方向和所述历史参数值调整方向相同,则获取所述目标场景参数的当前参数值,并按照所述当前参数值调整方向,调整所述当前参数值以生成子测试场景;
若所述当前参数值调整方向和所述历史参数值调整方向不同,则获取所述目标场景参数的初始参数值,并按照所述当前参数值调整方向,调整所述初始参数值以生成子测试场景。
另一种实施方式中,处理单元702还可用于:
扫描基础场景库中的各个基础测试场景,并将当前扫描的基础测试场景确定为当前基础测试场景;
通过对所述当前基础测试场景的场景参数的参数值进行一次或多次调整,得到所述当前基础测试场景对应的一个或多个子测试场景,一次调整操作触发生成一个子测试场景;
遍历所述当前基础测试场景对应的各个子测试场景,并将当前遍历的子测试场景确定为目标子测试场景,触发执行所述在仿真系统中运行目标子测试场景的步骤。
另一种实施方式中,处理单元702还可用于:
在将所述目标子测试场景确定为安全边界测试场景后,将所述目标时空距离确定为所述决策规划算法在所述目标子测试场景下的安全边界值;
在数据库中,关联记录所述目标子测试场景和所述安全边界值。
根据本申请的另一个实施例,图7所示的测试场景的处理装置中的各个单元可以分别或全部合并为一个或若干个另外的单元来构成,或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成,这可以实现同样的操作,而不影响本申请的实施例的技术效果的实现。上述单元是基于逻辑功能划分的,在实际应用中,一个单元的功能也可以由多个单元来实现,或者多个单元的功能由一个单元实现。在本申请的其它实施例中,基于测试场景的处理装置也可以包括其它单元,在实际应用中,这些功能也可以由其它单元协助实现,并且可以由多个单元协作实现。
根据本申请的另一个实施例,可以通过在包括中央处理单元(CPU)、随机存取存储介质(RAM)、只读存储介质(ROM)等处理元件和存储元件的例如计算机的通用计算设备上运行能够执行如图2、图4或图6中所示的相应方法所涉及的各步骤的计算机程序(包括程序代码),来构造如图7中所示的测试场景的处理装置设备,以及来实现本申请实施例的测试场景的处理方法。所述计算机程序可以记载于例如计算机可读记录介质上,并通过计算机可读记录介质装载于上述计算设备中,并在其中运行。
本申请实施例可通过调整基础测试场景的场景参数的参数值,来生成包含主车和M个交通参与者的目标子测试场景,并在仿真系统中运行目标子测试场景,以使目标子测试场景中的主车开始行驶,从而在目标子测试场景的运行过程中,确定主车在行驶过程中与M个交通参与者发生碰撞所需的目标时空距离。考虑到主车的行驶行为是由决策规划算法进行决策规划,即主车是否发生碰撞事故主要取决于决策规划算法的能力,因此可获取用于表示决策规划算法对主车的行驶行为进行决策规划,使主车避免发生碰撞事故的能力的边界时空距离。然后,可根据目标时空距离和边界时空距离,判断目标子测试场景是否满足边界场景条件;若满足,则可将该目标子测试场景确定为安全边界测试场景,从而实现生成一个安全边界测试场景。由此处理过程可知,本申请实施例通过简单地调整基础测试场景的场景参数的参数值,便可实现安全边界测试场景的生成,这样不仅可降低安全边界测试场景的生成负责度和生成成本,可有效提升安全边界测试场景的生成效率,还可使得安全边界测试场景不局限于只包含危险驾驶行为,从而提升安全边界测试场景的全面性。并且,通过引入时空距离和边界场景条件来实现安全边界测试场景的判定,可有效提升最终生成的安全边界测试场景的有效性和可信度。
基于上述方法实施例以及装置实施例的描述,本申请实施例还提供一种计算机设备。请参见图8,该计算机设备至少包括处理器801、输入接口802、输出接口803以及计算机存储介质804。其中,计算机设备内的处理器801、输入接口802、输出接口803以及计算机存储介质804可通过总线或其他方式连接。计算机存储介质804可以存储在计算机设备的存储器中,所述计算机存储介质804用于存储计算机程序,所述计算机程序包括程序指令,所述处理器801用于执行所述计算机存储介质804存储的程序指令。处理器801(或称CPU(Central Processing Unit,中央处理器))是计算机设备的计算核心以及控制核心,其适于实现一条或多条指令,具体适于加载并执行一条或多条指令从而实现相应方法流程或相应功能。
在一个实施例中,本申请实施例所述的处理器801可以用于进行一系列的测试场景的处理,具体包括:在仿真系统中运行目标子测试场景,以使所述目标子测试场景中的主车开始行驶,所述主车是指搭载有决策规划算法的仿真车辆;所述目标子测试场景是通过调整基础测试场景的场景参数的参数值生成的,所述目标子测试场景还包括M个交通参与者,M为正整数;在所述目标子测试场景的运行过程中,确定所述主车在行驶过程中与所述M个交通参与者发生碰撞所需的目标时空距离;获取所述决策规划算法的边界时空距离,所述边界时空距离用于表示所述决策规划算法对所述主车的行驶行为进行决策规划,使所述主车避免发生碰撞事故的能力;若根据所述目标时空距离和所述边界时空距离,确定所述目标子测试场景满足边界场景条件,则将所述目标子测试场景确定为安全边界测试场景,等等。
本申请实施例还提供了一种计算机存储介质(Memory),所述计算机存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机存储介质提供存储空间,该存储空间存储了计算机设备的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或多条的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器;可选的,还可以是至少一个位于远离前述处理器的计算机存储介质。
在一个实施例中,可由处理器加载并执行计算机存储介质中存放的一条或多条指令,以实现上述有关图2、图4或图6所示的测试场景的处理方法实施例中的方法的相应步骤;具体实现中,计算机存储介质中的一条或多条指令由处理器加载并执行如下步骤:
在仿真系统中运行目标子测试场景,以使所述目标子测试场景中的主车开始行驶,所述主车是指搭载有决策规划算法的仿真车辆;所述目标子测试场景是通过调整基础测试场景的场景参数的参数值生成的,所述目标子测试场景还包括M个交通参与者,M为正整数;
在所述目标子测试场景的运行过程中,确定所述主车在行驶过程中与所述M个交通参与者发生碰撞所需的目标时空距离;
获取所述决策规划算法的边界时空距离,所述边界时空距离用于表示所述决策规划算法对所述主车的行驶行为进行决策规划,使所述主车避免发生碰撞事故的能力;
若根据所述目标时空距离和所述边界时空距离,确定所述目标子测试场景满足边界场景条件,则将所述目标子测试场景确定为安全边界测试场景。
在一种实施方式中,所述目标子测试场景包括道路区域,所述主车是在所述道路区域中行驶的;相应的,在所述目标子测试场景的运行过程中,确定所述主车在行驶过程中与所述M个交通参与者发生碰撞所需的目标时空距离时,所述一条或多条指令可由处理器加载并具体执行:
在所述目标子测试场景的运行过程中,每检测到时空距离计算周期到达时,确定所述主车在所述道路区域中的当前位置,以及所述M个交通参与者中的每个交通参与者在所述道路区域中的当前位置;
基于所述主车的当前位置以及所述每个交通参与者的当前位置,从所述M个交通参与者选取K个目标交通参与者,K∈[1,M];
分别基于所述主车的当前状态信息和每个目标交通参与者的当前状态信息,计算所述主车与所述每个目标交通参与者发生碰撞所需的参考时空距离,得到当前到达的时空距离计算周期对应的K个参考时空距离;
其中,所述主车在行驶过程中与所述M个交通参与者发生碰撞所需的目标时空距离包括:Q个时空距离计算周期中的每个时空距离计算周期对应的K个参考时空距离;Q的取值等于在所述目标子测试场景的运行过程中,总共到达的时空距离计算周期的数量。
另一种实施方式中,在基于所述主车的当前位置以及所述每个交通参与者的当前位置,从所述M个交通参与者选取K个目标交通参与者时,所述一条或多条指令可由处理器加载并具体执行:
基于所述主车的当前位置从所述道路区域划分出多个子区域,所述多个子区域中包括:包含所述主车的当前位置的第一子区域,与所述第一子区域相邻的一个或多个第二子区域;
根据所述每个交通参与者的当前位置,将所述M个交通参与者中处于任一第二子区域内的交通参与者,均作为目标交通参与者。
另一种实施方式中,所述一条或多条指令还可由处理器加载并具体执行:
扫描所述Q个时空距离计算周期,确定当前扫描的第q个时空距离计算周期,q∈[1,Q];
根据所述边界时空距离和所述第q个时空距离计算周期对应的各个参考时空距离,计算所述主车与所述第q个时空距离计算周期对应的各个目标交通参与者之间的交通安全衡量值;
对计算出的各个交通安全衡量值进行整合,得到所述第q个时空距离计算周期对应的边界交通安全衡量值;
在所述Q个时空距离计算周期均被扫描后,统计所述Q个时空距离计算周期中边界交通安全衡量值大于安全衡量值阈值的时空距离计算周期的数量;
若统计出的数量大于或等于数量阈值,则确定所述目标子测试场景满足边界场景条件;若统计出的数量小于所述数量阈值,则确定所述目标子测试场景不满足边界场景条件。
另一种实施方式中,任一参考时空距离包括:H个时空距离指标中的每个时空距离指标的第一指标值,所述边界时空距离包括:所述H个时空距离指标中的每个时空距离指标的第二指标值,H为正整数;相应的,在根据所述边界时空距离和所述第q个时空距离计算周期对应的各个参考时空距离,计算所述主车与所述第q个时空距离计算周期对应的各个目标交通参与者之间的交通安全衡量值时,所述一条或多条指令还可由处理器加载并具体执行:
针对所述第q个时空距离计算周期对应的第k个目标交通参与者,确定所述第q个时空距离计算周期对应的第k个参考时空距离,k∈[1,K];
遍历所述H个时空距离指标中的各个时空距离指标,并确定当前遍历的第i个时空距离指标,i∈[1,H];
从所述第k个参考时空距离中,获取所述第i个时空距离指标的第一指标值;以及,从所述边界时空距离中获取所述第i个时空距离指标的第二指标值;
根据获取到的第一指标值和第二指标值之间的差异,确定所述主车和所述第k个目标交通参与者在所述第i个时空距离指标下的安全衡量值;
在所述各个时空距离指标均被遍历后,整合所述主车和所述第k个目标交通参与者在所述各个时空距离指标下的安全衡量值,得到所述主车与所述第k个目标交通参与者之间的交通安全衡量值。
另一种实施方式中,在对计算出的各个交通安全衡量值进行整合,得到所述第q个时空距离计算周期对应的边界交通安全衡量值时,所述一条或多条指令可由处理器加载并具体执行:
从计算出的各个交通安全衡量值中选取最小的交通安全衡量值,作为所述第q个时空距离计算周期对应的边界交通安全衡量值;
或者,对计算出的各个交通安全衡量值进行均值运算,得到所述第q个时空距离计算周期对应的边界交通安全衡量值。
另一种实施方式中,所述一条或多条指令还可由处理器加载并具体执行:
扫描基础场景库中的各个基础测试场景,并将当前扫描的基础测试场景确定为当前基础测试场景;
遍历所述当前基础测试场景的各个场景参数,并将当前遍历的场景参数确定为目标场景参数;
对所述目标场景参数的参数值进行调整以生成子测试场景,并将当前生成的子测试场景确定为目标子测试场景,触发执行所述在仿真系统中运行目标子测试场景的步骤。
另一种实施方式中,所述一条或多条指令还可由处理器加载并具体执行:
若根据所述目标时空距离和所述边界时空距离,确定所述目标子测试场景不满足边界场景条件,则触发执行所述对所述目标场景参数的参数值进行调整以生成子测试场景的步骤。
另一种实施方式中,在首次对所述目标场景参数执行参数值的调整操作时,在对所述目标场景参数的参数值进行调整以生成子测试场景时,所述一条或多条指令可由处理器加载并具体执行:
获取所述目标场景参数的初始参数值,并确定默认的参数值调整方向;
按照所述默认的参数值调整方向,调整所述初始参数值以生成子测试场景。
另一种实施方式中,在非首次对所述目标场景参数执行参数值的调整操作时,在对所述目标场景参数的参数值进行调整以生成子测试场景时,所述一条或多条指令可由处理器加载并具体执行:
确定一个或多个历史子测试场景,历史子测试场景是指:历史通过调整所述当前基础测试场景的所述目标场景参数的参数值,所生成的子测试场景;
基于所述主车和交通参与者在每个历史子测试场景中发生碰撞所对应的历史时空距离,分析出时空距离变化方向;
根据所述时空距离变化方向和所述目标场景参数的历史参数值调整方向,确定所述目标场景参数的当前参数值调整方向;
按照所述当前参数值调整方向,对所述目标场景参数的参数值进行调整,以生成子测试场景。
另一种实施方式中,在按照所述当前参数值调整方向,对所述目标场景参数的参数值进行调整,以生成子测试场景时,所述一条或多条指令可由处理器加载并具体执行:
若所述当前参数值调整方向和所述历史参数值调整方向相同,则获取所述目标场景参数的当前参数值,并按照所述当前参数值调整方向,调整所述当前参数值以生成子测试场景;
若所述当前参数值调整方向和所述历史参数值调整方向不同,则获取所述目标场景参数的初始参数值,并按照所述当前参数值调整方向,调整所述初始参数值以生成子测试场景。
另一种实施方式中,所述一条或多条指令还可由处理器加载并具体执行:
扫描基础场景库中的各个基础测试场景,并将当前扫描的基础测试场景确定为当前基础测试场景;
通过对所述当前基础测试场景的场景参数的参数值进行一次或多次调整,得到所述当前基础测试场景对应的一个或多个子测试场景,一次调整操作触发生成一个子测试场景;
遍历所述当前基础测试场景对应的各个子测试场景,并将当前遍历的子测试场景确定为目标子测试场景,触发执行所述在仿真系统中运行目标子测试场景的步骤。
另一种实施方式中,所述一条或多条指令还可由处理器加载并具体执行:
在将所述目标子测试场景确定为安全边界测试场景后,将所述目标时空距离确定为所述决策规划算法在所述目标子测试场景下的安全边界值;
在数据库中,关联记录所述目标子测试场景和所述安全边界值。
本申请实施例可通过调整基础测试场景的场景参数的参数值,来生成包含主车和M个交通参与者的目标子测试场景,并在仿真系统中运行目标子测试场景,以使目标子测试场景中的主车开始行驶,从而在目标子测试场景的运行过程中,确定主车在行驶过程中与M个交通参与者发生碰撞所需的目标时空距离。考虑到主车的行驶行为是由决策规划算法进行决策规划,即主车是否发生碰撞事故主要取决于决策规划算法的能力,因此可获取用于表示决策规划算法对主车的行驶行为进行决策规划,使主车避免发生碰撞事故的能力的边界时空距离。然后,可根据目标时空距离和边界时空距离,判断目标子测试场景是否满足边界场景条件;若满足,则可将该目标子测试场景确定为安全边界测试场景,从而实现生成一个安全边界测试场景。由此处理过程可知,本申请实施例通过简单地调整基础测试场景的场景参数的参数值,便可实现安全边界测试场景的生成,这样不仅可降低安全边界测试场景的生成负责度和生成成本,可有效提升安全边界测试场景的生成效率,还可使得安全边界测试场景不局限于只包含危险驾驶行为,从而提升安全边界测试场景的全面性。并且,通过引入时空距离和边界场景条件来实现安全边界测试场景的判定,可有效提升最终生成的安全边界测试场景的有效性和可信度。
需要说明的是,根据本申请实施例的一个方面,还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述图2、图4或图6所示的测试场景的处理方法实施例方面的各种可选方式中提供的方法。
并且,应理解的是,以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (15)
1.一种测试场景的处理方法,其特征在于,包括:
在仿真系统中运行目标子测试场景,以使所述目标子测试场景中的主车开始行驶,所述主车是指搭载有决策规划算法的仿真车辆;所述目标子测试场景是通过调整基础测试场景的场景参数的参数值生成的,所述目标子测试场景还包括M个交通参与者,M为正整数;
在所述目标子测试场景的运行过程中,确定所述主车在行驶过程中与所述M个交通参与者发生碰撞所需的目标时空距离;
获取所述决策规划算法的边界时空距离,所述边界时空距离用于表示所述决策规划算法对所述主车的行驶行为进行决策规划,使所述主车避免发生碰撞事故的能力;
若根据所述目标时空距离和所述边界时空距离,确定所述目标子测试场景满足边界场景条件,则将所述目标子测试场景确定为安全边界测试场景。
2.如权利要求1所述的方法,其特征在于,所述目标子测试场景包括道路区域,所述主车是在所述道路区域中行驶的;所述在所述目标子测试场景的运行过程中,确定所述主车在行驶过程中与所述M个交通参与者发生碰撞所需的目标时空距离,包括:
在所述目标子测试场景的运行过程中,每检测到时空距离计算周期到达时,确定所述主车在所述道路区域中的当前位置,以及所述M个交通参与者中的每个交通参与者在所述道路区域中的当前位置;
基于所述主车的当前位置以及所述每个交通参与者的当前位置,从所述M个交通参与者选取K个目标交通参与者,K∈[1,M];
分别基于所述主车的当前状态信息和每个目标交通参与者的当前状态信息,计算所述主车与所述每个目标交通参与者发生碰撞所需的参考时空距离,得到当前到达的时空距离计算周期对应的K个参考时空距离;
其中,所述主车在行驶过程中与所述M个交通参与者发生碰撞所需的目标时空距离包括:Q个时空距离计算周期中的每个时空距离计算周期对应的K个参考时空距离;Q的取值等于在所述目标子测试场景的运行过程中,总共到达的时空距离计算周期的数量。
3.如权利要求2所述的方法,其特征在于,所述基于所述主车的当前位置以及所述每个交通参与者的当前位置,从所述M个交通参与者选取K个目标交通参与者,包括:
基于所述主车的当前位置从所述道路区域划分出多个子区域,所述多个子区域中包括:包含所述主车的当前位置的第一子区域,与所述第一子区域相邻的一个或多个第二子区域;
根据所述每个交通参与者的当前位置,将所述M个交通参与者中处于任一第二子区域内的交通参与者,均作为目标交通参与者。
4.如权利要求2或3所述的方法,其特征在于,所述方法还包括:
扫描所述Q个时空距离计算周期,确定当前扫描的第q个时空距离计算周期,q∈[1,Q];
根据所述边界时空距离和所述第q个时空距离计算周期对应的各个参考时空距离,计算所述主车与所述第q个时空距离计算周期对应的各个目标交通参与者之间的交通安全衡量值;
对计算出的各个交通安全衡量值进行整合,得到所述第q个时空距离计算周期对应的边界交通安全衡量值;
在所述Q个时空距离计算周期均被扫描后,统计所述Q个时空距离计算周期中边界交通安全衡量值大于安全衡量值阈值的时空距离计算周期的数量;
若统计出的数量大于或等于数量阈值,则确定所述目标子测试场景满足边界场景条件;若统计出的数量小于所述数量阈值,则确定所述目标子测试场景不满足边界场景条件。
5.如权利要求4所述的方法,其特征在于,任一参考时空距离包括:H个时空距离指标中的每个时空距离指标的第一指标值,所述边界时空距离包括:所述H个时空距离指标中的每个时空距离指标的第二指标值,H为正整数;
所述根据所述边界时空距离和所述第q个时空距离计算周期对应的各个参考时空距离,计算所述主车与所述第q个时空距离计算周期对应的各个目标交通参与者之间的交通安全衡量值,包括:
针对所述第q个时空距离计算周期对应的第k个目标交通参与者,确定所述第q个时空距离计算周期对应的第k个参考时空距离,k∈[1,K];
遍历所述H个时空距离指标中的各个时空距离指标,并确定当前遍历的第i个时空距离指标,i∈[1,H];
从所述第k个参考时空距离中,获取所述第i个时空距离指标的第一指标值;以及,从所述边界时空距离中获取所述第i个时空距离指标的第二指标值;
根据获取到的第一指标值和第二指标值之间的差异,确定所述主车和所述第k个目标交通参与者在所述第i个时空距离指标下的安全衡量值;
在所述各个时空距离指标均被遍历后,整合所述主车和所述第k个目标交通参与者在所述各个时空距离指标下的安全衡量值,得到所述主车与所述第k个目标交通参与者之间的交通安全衡量值。
6.如权利要求4所述的方法,其特征在于,所述对计算出的各个交通安全衡量值进行整合,得到所述第q个时空距离计算周期对应的边界交通安全衡量值,包括:
从计算出的各个交通安全衡量值中选取最小的交通安全衡量值,作为所述第q个时空距离计算周期对应的边界交通安全衡量值;
或者,对计算出的各个交通安全衡量值进行均值运算,得到所述第q个时空距离计算周期对应的边界交通安全衡量值。
7.如权利要求1-3任一项所述的方法,其特征在于,所述方法还包括:
扫描基础场景库中的各个基础测试场景,并将当前扫描的基础测试场景确定为当前基础测试场景;
遍历所述当前基础测试场景的各个场景参数,并将当前遍历的场景参数确定为目标场景参数;
对所述目标场景参数的参数值进行调整以生成子测试场景,并将当前生成的子测试场景确定为目标子测试场景,触发执行所述在仿真系统中运行目标子测试场景的步骤。
8.如权利要求7所述的方法,其特征在于,所述方法还包括:
若根据所述目标时空距离和所述边界时空距离,确定所述目标子测试场景不满足边界场景条件,则触发执行所述对所述目标场景参数的参数值进行调整以生成子测试场景的步骤。
9.如权利要求7所述的方法,其特征在于,在首次对所述目标场景参数执行参数值的调整操作时,所述对所述目标场景参数的参数值进行调整以生成子测试场景,包括:
获取所述目标场景参数的初始参数值,并确定默认的参数值调整方向;
按照所述默认的参数值调整方向,调整所述初始参数值以生成子测试场景。
10.如权利要求7所述的方法,其特征在于,在非首次对所述目标场景参数执行参数值的调整操作时,所述对所述目标场景参数的参数值进行调整以生成子测试场景,包括:
确定一个或多个历史子测试场景,历史子测试场景是指:历史通过调整所述当前基础测试场景的所述目标场景参数的参数值,所生成的子测试场景;
基于所述主车和交通参与者在每个历史子测试场景中发生碰撞所对应的历史时空距离,分析出时空距离变化方向;
根据所述时空距离变化方向和所述目标场景参数的历史参数值调整方向,确定所述目标场景参数的当前参数值调整方向;
按照所述当前参数值调整方向,对所述目标场景参数的参数值进行调整,以生成子测试场景。
11.如权利要求10所述的方法,其特征在于,所述按照所述当前参数值调整方向,对所述目标场景参数的参数值进行调整,以生成子测试场景,包括:
若所述当前参数值调整方向和所述历史参数值调整方向相同,则获取所述目标场景参数的当前参数值,并按照所述当前参数值调整方向,调整所述当前参数值以生成子测试场景;
若所述当前参数值调整方向和所述历史参数值调整方向不同,则获取所述目标场景参数的初始参数值,并按照所述当前参数值调整方向,调整所述初始参数值以生成子测试场景。
12.如权利要求1所述的方法,其特征在于,所述方法还包括:
扫描基础场景库中的各个基础测试场景,并将当前扫描的基础测试场景确定为当前基础测试场景;
通过对所述当前基础测试场景的场景参数的参数值进行一次或多次调整,得到所述当前基础测试场景对应的一个或多个子测试场景,一次调整操作触发生成一个子测试场景;
遍历所述当前基础测试场景对应的各个子测试场景,并将当前遍历的子测试场景确定为目标子测试场景,触发执行所述在仿真系统中运行目标子测试场景的步骤。
13.如权利要求1所述的方法,其特征在于,所述方法还包括:
在将所述目标子测试场景确定为安全边界测试场景后,将所述目标时空距离确定为所述决策规划算法在所述目标子测试场景下的安全边界值;
在数据库中,关联记录所述目标子测试场景和所述安全边界值。
14.一种测试场景的处理装置,其特征在于,包括:
运行单元,用于在仿真系统中运行目标子测试场景,以使所述目标子测试场景中的主车开始行驶,所述主车是指搭载有决策规划算法的仿真车辆;所述目标子测试场景是通过调整基础测试场景的场景参数的参数值生成的,所述目标子测试场景还包括M个交通参与者,M为正整数;
处理单元,用于在所述目标子测试场景的运行过程中,确定所述主车在行驶过程中与所述M个交通参与者发生碰撞所需的目标时空距离;
所述处理单元,还用于获取所述决策规划算法的边界时空距离,所述边界时空距离用于表示所述决策规划算法对所述主车的行驶行为进行决策规划,使所述主车避免发生碰撞事故的能力;
所述处理单元,还用于若根据所述目标时空距离和所述边界时空距离,确定所述目标子测试场景满足边界场景条件,则将所述目标子测试场景确定为安全边界测试场景。
15.一种计算机程序产品,包括计算机程序,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1-13任一项所述的测试场景的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111441263.2A CN113867367B (zh) | 2021-11-30 | 2021-11-30 | 测试场景的处理方法、装置及计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111441263.2A CN113867367B (zh) | 2021-11-30 | 2021-11-30 | 测试场景的处理方法、装置及计算机程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113867367A true CN113867367A (zh) | 2021-12-31 |
CN113867367B CN113867367B (zh) | 2022-02-22 |
Family
ID=78985404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111441263.2A Active CN113867367B (zh) | 2021-11-30 | 2021-11-30 | 测试场景的处理方法、装置及计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113867367B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115687164A (zh) * | 2023-01-05 | 2023-02-03 | 中汽智联技术有限公司 | 测试用例泛化筛选方法、设备和存储介质 |
DE102022206281A1 (de) | 2022-06-23 | 2023-08-10 | Zf Friedrichshafen Ag | Überprüfen einer Fahrzeugfunktion |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110579216A (zh) * | 2019-09-12 | 2019-12-17 | 百度在线网络技术(北京)有限公司 | 测试场景库构建方法、装置、电子设备和介质 |
CN110795818A (zh) * | 2019-09-12 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 一种确定虚拟测试场景方法、装置、电子设备和存储介质 |
US20200134494A1 (en) * | 2018-10-26 | 2020-04-30 | Uatc, Llc | Systems and Methods for Generating Artificial Scenarios for an Autonomous Vehicle |
CN111599181A (zh) * | 2020-07-22 | 2020-08-28 | 中汽院汽车技术有限公司 | 用于智能驾驶系统测试的典型自然驾驶场景识别提取方法 |
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 |
CN113326639A (zh) * | 2021-08-03 | 2021-08-31 | 北京赛目科技有限公司 | 一种自动驾驶测试场景的确定方法、装置及电子设备 |
-
2021
- 2021-11-30 CN CN202111441263.2A patent/CN113867367B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200134494A1 (en) * | 2018-10-26 | 2020-04-30 | Uatc, Llc | Systems and Methods for Generating Artificial Scenarios for an Autonomous Vehicle |
CN110579216A (zh) * | 2019-09-12 | 2019-12-17 | 百度在线网络技术(北京)有限公司 | 测试场景库构建方法、装置、电子设备和介质 |
CN110795818A (zh) * | 2019-09-12 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 一种确定虚拟测试场景方法、装置、电子设备和存储介质 |
CN111599181A (zh) * | 2020-07-22 | 2020-08-28 | 中汽院汽车技术有限公司 | 用于智能驾驶系统测试的典型自然驾驶场景识别提取方法 |
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 |
CN113326639A (zh) * | 2021-08-03 | 2021-08-31 | 北京赛目科技有限公司 | 一种自动驾驶测试场景的确定方法、装置及电子设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022206281A1 (de) | 2022-06-23 | 2023-08-10 | Zf Friedrichshafen Ag | Überprüfen einer Fahrzeugfunktion |
CN115687164A (zh) * | 2023-01-05 | 2023-02-03 | 中汽智联技术有限公司 | 测试用例泛化筛选方法、设备和存储介质 |
CN115687164B (zh) * | 2023-01-05 | 2023-04-14 | 中汽智联技术有限公司 | 测试用例泛化筛选方法、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113867367B (zh) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11714413B2 (en) | Planning autonomous motion | |
CN109520744B (zh) | 自动驾驶车辆的驾驶性能测试方法和装置 | |
CN111133485B (zh) | 自主交通工具的对象预测优先级排序系统和方法 | |
CN110562258B (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
US11555706B1 (en) | Processing graph representations of tactical maps using neural networks | |
CN113486531B (zh) | 一种车辆行驶路径规划方法、设备及系统 | |
US11693409B2 (en) | Systems and methods for a scenario tagger for autonomous vehicles | |
CN113867367B (zh) | 测试场景的处理方法、装置及计算机程序产品 | |
Nguyen et al. | Traffic conflict assessment for non-lane-based movements of motorcycles under congested conditions | |
CN103155015A (zh) | 移动物预测装置、假想活动物预测装置、程序模块、移动物预测方法以及假想活动物预测方法 | |
Niranjan et al. | Deep learning based object detection model for autonomous driving research using carla simulator | |
US11529951B2 (en) | Safety system, automated driving system, and methods thereof | |
CN115017742B (zh) | 自动驾驶测试场景生成方法、装置、设备及存储介质 | |
KR20230173724A (ko) | 자율 주행 차량에 대한 다양한 교통 시나리오들에서의 승차감 개선 | |
CN112406905A (zh) | 基于交通工具的数据处理方法、装置、计算机及存储介质 | |
Banerjee et al. | A modern intersection data analytics system for pedestrian and vehicular safety | |
US20230339513A1 (en) | Method for testing autonomous-driving algorithm, and related device | |
US11657268B1 (en) | Training neural networks to assign scores | |
KR20230024392A (ko) | 주행 의사 결정 방법 및 장치 및 칩 | |
Yu | Method for quantitative evaluation of traffic complexity on the highway | |
Lei | Semi-Automated Microscopic Traffic Flow Simulation Development Using Smart City Data | |
Siddique | Modeling drivers' lateral movement behavior under weak-lane disciplined traffic conditions | |
KR102484139B1 (ko) | 인공지능모델을 이용하여 이륜차의 운전 패턴 정보를 기초로 이륜차 보험료를 산출하는 방법, 장치 및 시스템 | |
Altekar | Data-Driven Inclusive Framework for Safety Assessment of Connected and Autonomous Vehicular Traffic | |
EP4219259A1 (en) | Method, computer system and non-transitory computer readable medium for target selection in the vicinity of a vehicle |
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 |