CN114065549A - 自动驾驶水平评估方法、装置、设备及存储介质 - Google Patents
自动驾驶水平评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114065549A CN114065549A CN202111443811.5A CN202111443811A CN114065549A CN 114065549 A CN114065549 A CN 114065549A CN 202111443811 A CN202111443811 A CN 202111443811A CN 114065549 A CN114065549 A CN 114065549A
- Authority
- CN
- China
- Prior art keywords
- scene
- test
- simulation
- automatic driving
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及自动驾驶领域,公开了一种自动驾驶水平评估方法、装置、设备及存储介质,该方法包括:基于目标区域的规范驾驶数据,构建测试全集,其中,所述测试全集用于表征所述目标区域中的全部场景;将所述规范驾驶数据输入预设的场景复杂度评估模型中,基于所述场景复杂度评估模型输出的场景复杂度构建测试精选集;将所述测试全集和所述测试精选集进行模拟,得到对应的自动驾驶模拟结果;根据所述自动驾驶模拟结果和所述规范驾驶数据,进行计算得到自动驾驶水平评分。本方法通过规范驾驶数据构建驾驶全集,并利用场景复杂度评估模型构建测试精选集,提高了目标区域的仿真场景的复杂性和全面性,进而提高自动驾驶水平评估的准确性。
Description
技术领域
本发明涉及自动驾驶领域,尤其涉及一种自动驾驶水平评估方法、装置、设备及存储介质。
背景技术
随着信息和控制技术的快速发展,自动驾驶技术逐渐被汽车厂家和用户所接受。自动驾驶不仅能够将汽车行驶的危险性降到最低,而且能够减轻用户繁重的驾驶任务,因此,自动驾驶也是未来汽车发展的一大趋势。在实际应用中,直接使用尚不成熟的自动驾驶车辆在真实道路上进行系统和算法的验证,不但成本高,而且非常危险。如果能够使用系统仿真技术在虚拟环境中对自动驾驶车辆进行测试和验证,可以减少人力物力成本,而且规避了潜在安全风险。在仿真测试过程中,一般需要进行详细的场景描述,并利用场景描述语句中的各个描述生成对应于场景描述语句的仿真场景。目前的仿真场景生成方法,需要输入精确的场景描述,难以全面穷尽所有情况的仿真场景,易降低仿真场景的复杂性和全面性,导致对自动驾驶进行评估的准确性降低。
发明内容
本发明的主要目的在于解决现有的在自动驾驶水平评估过程中,仿真场景的全面和复杂性较低的技术问题。
本发明第一方面提供了一种自动驾驶水平评估方法,包括:基于目标区域的规范驾驶数据,构建测试全集,其中,所述测试全集用于表征所述目标区域中的全部场景;将所述规范驾驶数据输入预设的场景复杂度评估模型中,基于所述场景复杂度评估模型输出的场景复杂度构建测试精选集;将所述测试全集和所述测试精选集进行模拟,得到对应的自动驾驶模拟结果;根据所述自动驾驶模拟结果和所述规范驾驶数据,进行计算得到自动驾驶水平评分。
可选的,在本发明第一方面的第一种实现方式中,所述基于目标区域的规范驾驶数据,构建测试全集包括:按照预设的时间间隔,将所述目标区域的规范驾驶数据进行滑动窗口处理,分别得到多个第一子场景;获取所述第一子场景对应的时间信息,并基于所述时间信息,确定各第一子场景对应的模拟目的地;将所述模拟目的地设置为对应的第一子场景的模拟因素,将所有第一子场景和对应的模拟因素汇总,得到测试全集。
可选的,在本发明第一方面的第二种实现方式中,所述将所述规范驾驶数据输入预设的场景复杂度评估模型中,基于所述场景复杂度评估模型输出的场景复杂度构建测试精选集包括:按照预设的时刻跨度,将所述目标区域的规范驾驶数据进行滑动窗口处理,分别得到多个时刻场景;将所述时刻场景输入预设的场景复杂度评估模型中,得到多个时刻场景对应的场景复杂度;基于各时刻场景对应的场景复杂度构建测试精选集。
可选的,在本发明第一方面的第三种实现方式中,所述基于各时刻场景对应的场景复杂度构建测试精选集包括:依次判断各时刻场景对应的场景复杂度是否大于预设的复杂度阈值;获取场景复杂度大于所述复杂度阈值的时刻场景的场景时间;基于时刻场景的场景时间和所述规范驾驶数据构建测试精选集。
可选的,在本发明第一方面的第四种实现方式中,所述基于时刻场景的场景时间和所述规范驾驶数据构建测试精选集包括:将所述场景时间设置为潜在关键时间点;将所述潜在关键时间点提前N秒,得到潜在模拟触发点;根据预设的机器学习聚类算法,将所有潜在模拟触发点进行聚类,并基于得到的聚类簇生成对应的第二子场景;基于所述第二子场景对应的时间信息,确定各第二子场景对应的模拟目的地;将第二子场景对应的模拟目的地设置为对应的模拟因素,将所有第二子场景和对应的模拟因素汇总,得到测试精选集。
可选的,在本发明第一方面的第五种实现方式中,在所述将第二子场景对应的模拟目的地设置为对应的模拟因素,将所有第二子场景和对应的模拟因素汇总,得到测试精选集之后,还包括:获取各第二子场景对应的场景起始点;计算所述场景起始点与对应的模拟目的地之间的距离值,并基于所述距离值判断对应的第二子场景是否为静止场景;将确定为静止场景的第二子场景以及对应的模拟因素从所述测试精选集中筛除。
可选的,在本发明第一方面的第六种实现方式中,所述自动驾驶模拟结果包括模拟行驶轨迹,所述规范驾驶数据包括规范驾驶轨迹;所述根据所述自动驾驶模拟结果和所述规范驾驶数据,进行计算得到自动驾驶水平评分包括:计算所述模拟行驶轨迹与所述规范驾驶轨迹的平均距离;计算所述模拟轨迹与所述规范驾驶轨迹的距离大于预设距离阈值前的时间长度;基于所述平均距离和所述时间长度,计算所述自动驾驶水平评分。
本发明第二方面提供了一种自动驾驶水平评估装置,包括:全集构建模块,用于基于目标区域的规范驾驶数据,构建测试全集,其中,所述测试全集用于表征所述目标区域中的全部场景;精选集构建模块,用于将所述规范驾驶数据输入预设的场景复杂度评估模型中,基于所述场景复杂度评估模型输出的场景复杂度构建测试精选集;模拟模块,用于将所述测试全集和所述测试精选集进行模拟,得到对应的自动驾驶模拟结果;计算模块,用于根据所述自动驾驶模拟结果和所述规范驾驶数据,进行计算得到自动驾驶水平评分。
可选的,在本发明第二方面的第一种实现方式中,所述全集构建模块具体用于:按照预设的时间间隔,将所述目标区域的规范驾驶数据进行滑动窗口处理,分别得到多个第一子场景;获取所述第一子场景对应的时间信息,并基于所述时间信息,确定各第一子场景对应的模拟目的地;将所述模拟目的地设置为对应的第一子场景的模拟因素,将所有第一子场景和对应的模拟因素汇总,得到测试全集。
可选的,在本发明第二方面的第二种实现方式中,所述精选集构建模块具体包括:场景划分单元,用于按照预设的时刻跨度,将所述目标区域的规范驾驶数据进行滑动窗口处理,分别得到多个时刻场景;模型输入单元,用于将所述时刻场景输入预设的场景复杂度评估模型中,得到多个时刻场景对应的场景复杂度;构建单元,用于基于各时刻场景对应的场景复杂度构建测试精选集。
可选的,在本发明第二方面的第三种实现方式中,所述构建单元具体包括:判断子单元,用于依次判断各时刻场景对应的场景复杂度是否大于预设的复杂度阈值;获取子单元,用于获取场景复杂度大于所述复杂度阈值的时刻场景的场景时间;测试精选集构建子单元,用于基于时刻场景的场景时间和所述规范驾驶数据构建测试精选集。
可选的,在本发明第二方面的第四种实现方式中,所述测试精选集构建子单元具体用于:将所述场景时间设置为潜在关键时间点;将所述潜在关键时间点提前N秒,得到潜在模拟触发点;根据预设的机器学习聚类算法,将所有潜在模拟触发点进行聚类,并基于得到的聚类簇生成对应的第二子场景;基于所述第二子场景对应的时间信息,确定各第二子场景对应的模拟目的地;将第二子场景对应的模拟目的地设置为对应的模拟因素,将所有第二子场景和对应的模拟因素汇总,得到测试精选集。
可选的,在本发明第二方面的第五种实现方式中,所述自动驾驶水平评估装置还包括筛除模块,所述筛除模块具体用于:获取各第二子场景对应的场景起始点;计算所述场景起始点与对应的模拟目的地之间的距离值,并基于所述距离值判断对应的第二子场景是否为静止场景;将确定为静止场景的第二子场景以及对应的模拟因素从所述测试精选集中筛除。
可选的,在本发明第二方面的第六种实现方式中,所述自动驾驶模拟结果包括模拟行驶轨迹,所述规范驾驶数据包括规范驾驶轨迹;所述计算模块具体用于:计算所述模拟行驶轨迹与所述规范驾驶轨迹的平均距离;计算所述模拟轨迹与所述规范驾驶轨迹的距离大于预设距离阈值前的时间长度;基于所述平均距离和所述时间长度,计算所述自动驾驶水平评分。
本发明第三方面提供了一种自动驾驶水平评估设备,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述指令,以使得所述自动驾驶水平评估设备执行上述的自动驾驶水平评估方法的步骤。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的自动驾驶水平评估方法的步骤。
本发明的技术方案中,基于目标区域的规范驾驶数据,构建测试全集,其中,所述测试全集用于表征所述目标区域中的全部场景;将所述规范驾驶数据输入预设的场景复杂度评估模型中,基于所述场景复杂度评估模型输出的场景复杂度构建测试精选集;将所述测试全集和所述测试精选集进行模拟,得到对应的自动驾驶模拟结果;根据所述自动驾驶模拟结果和所述规范驾驶数据,进行计算得到自动驾驶水平评分。本方法通过规范驾驶数据构建驾驶全集,并利用场景复杂度评估模型构建测试精选集,提高了目标区域的仿真场景的复杂性和全面性,进而提高自动驾驶水平评估的准确性。
附图说明
图1为本发明实施例中自动驾驶水平评估方法的第一个实施例示意图;
图2为本发明实施例中自动驾驶水平评估方法的第二个实施例示意图;
图3为本发明实施例中自动驾驶水平评估方法的第三个实施例示意图;
图4为本发明实施例中自动驾驶水平评估装置的一个实施例示意图;
图5为本发明实施例中自动驾驶水平评估装置的另一个实施例示意图;
图6为本发明实施例中自动驾驶水平评估设备的一个实施例示意图;
图7为本发明实施例中生成第二子场景的过程示意图。
具体实施方式
本申请实施例提供了一种自动驾驶水平评估方法、装置、设备及存储介质,用于解决现有的在自动驾驶水平评估过程中,仿真场景的全面和复杂性较低的技术问题。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中自动驾驶水平评估方法的第一个实施例包括:
101、基于目标区域的规范驾驶数据,构建测试全集,其中,测试全集用于表征目标区域中的全部场景;
可以理解的是,本发明的执行主体可以为自动驾驶水平评估装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
在本实施例中,可以针对不同的目标区域进行测试集的构建,目标区域可以为城中村,也可以为城市区域,根据实际需求进行选定,在本实施例中,目标区域为城中村为例。将自动驾驶系统开启定位模块、感知模块和数据采集模块,司机在各种场景下驾驶汽车,数据采集模块实时记录下经过的位置、当时的车速、加速度以及周围的障碍物信息,用于后续处理,生成场景。
在本实施例中,若进行长时间的仿真,自动驾驶车辆和原数据中人类司机的行驶轨迹有可能产生比较大的差异,导致此时自动驾驶车辆和周围障碍的相互关系偏离真实,因此需要先将采集的规范驾驶数据基于预设的时间间隔通过滑动窗口,切割成为长度相等的子场景,所述时间间隔可以根据实际需求进行设定,在本实施例中,以5秒为例。
在本实施例中,在测试全集生成过程中设置仿真因素为仿真车辆的目的地,仿真车辆的目的地设置为一分钟后的人工驾驶主车位置,将划分的所有子场景和对应的仿真因素汇总得到测试全集。
102、将规范驾驶数据输入预设的场景复杂度评估模型中,基于场景复杂度评估模型输出的场景复杂度构建测试精选集;
在本实施例中,主要利用接管概率模型作为场景复杂度评估模型来估计场景复杂度,该模型原用于预测在无人驾驶状态中,自动驾驶车辆需要人工接管的可能性,在实际应用中,由于全程都是人工驾驶,接管概率的上升主要表示为场景复杂,主车遇障碍物,近距离有强交互。
在本实施例中,基于不同场景的场景复杂度进行场景筛选,将场景复杂度大于预设阈值的场景已经对应的仿真因素作为测试精选集,其中在测试精选集生成过程中设置仿真因素为仿真车辆的目的地,仿真车辆的目的地设置为一分钟后的人工驾驶主车位置。
103、将测试全集和测试精选集进行模拟,得到对应的自动驾驶模拟结果;
在本实施例中,将采集的驾驶数据包在仿真环境中进行回放,同时在仿真环境中启动自动驾驶软件,自动驾驶系统接收数据中的定位和感知信息,输出控制指令控制仿真中的自动驾驶车辆行驶,得到自动驾驶模拟结果。
104、根据自动驾驶模拟结果和规范驾驶数据,进行计算得到自动驾驶水平评分。
在本实施例中,基于预设的仿真计算指标,对自动驾驶模拟结果和规范驾驶数据进行指标量化计算,得到的结果即为目标区域中的自动驾驶水平评分,仿真计算指标可以根据实际需求进行设置,在本实施例中仿真计算指标分为两方面,分别是仿真期间仿真车辆与规范行为的平均距离以及仿真车辆与规范行为发生偏离前的时长,其中此处偏离定义为仿真车辆与规范行为距离2米以上。
在本实施例中,基于目标区域的规范驾驶数据,构建测试全集,其中,所述测试全集用于表征所述目标区域中的全部场景;将所述规范驾驶数据输入预设的场景复杂度评估模型中,基于所述场景复杂度评估模型输出的场景复杂度构建测试精选集;将所述测试全集和所述测试精选集进行模拟,得到对应的自动驾驶模拟结果;根据所述自动驾驶模拟结果和所述规范驾驶数据,进行计算得到自动驾驶水平评分。本方法通过规范驾驶数据构建驾驶全集,并利用场景复杂度评估模型构建测试精选集,提高了目标区域的仿真场景的复杂性和全面性,进而提高自动驾驶水平评估的准确性。
请参阅图2,本发明实施例中自动驾驶水平评估方法的第二个实施例包括:
201、按照预设的时间间隔,将目标区域的规范驾驶数据进行滑动窗口处理,分别得到多个第一子场景;
在本实施例中,若进行长时间的仿真,自动驾驶车辆和原数据中人类司机的行驶轨迹有可能产生比较大的差异,导致此时自动驾驶车辆和周围障碍的相互关系偏离真实,因此需要先将采集的规范驾驶数据基于预设的时间间隔通过滑动窗口,切割成为长度相等的子场景。
202、获取第一子场景对应的时间信息,并基于时间信息,确定各第一子场景对应的模拟目的地;
203、将模拟目的地设置为对应的第一子场景的模拟因素,将所有第一子场景和对应的模拟因素汇总,得到测试全集;
在本实施例中,在测试全集生成过程中设置仿真因素为仿真车辆的目的地,仿真车辆的目的地设置为一分钟后的人工驾驶主车位置,将划分的所有子场景和对应的仿真因素汇总得到测试全集。
204、将规范驾驶数据输入预设的场景复杂度评估模型中,基于场景复杂度评估模型输出的场景复杂度构建测试精选集;
205、将测试全集和测试精选集进行模拟,得到对应的自动驾驶模拟结果;
206、计算模拟行驶轨迹与规范驾驶轨迹的平均距离;
207、计算模拟轨迹与规范驾驶轨迹的距离大于预设距离阈值前的时间长度;
208、基于平均距离和时间长度,计算自动驾驶水平评分。
在本实施例中基于预设的仿真计算指标,对自动驾驶模拟结果和规范驾驶数据进行指标量化计算,得到的结果即为目标区域中的自动驾驶水平评分,仿真计算指标可以根据实际需求进行设置,在本实施例中仿真计算指标分为两方面,分别是仿真期间仿真车辆与规范行为的平均距离以及仿真车辆与规范行为发生偏离前的时长,其中此处偏离定义为仿真车辆与规范行为距离2米以上。
在本实施例中,模拟行驶轨迹与规范驾驶轨迹的平均距离可以通过对场景中每个小时间段内对模拟行驶轨迹与规范驾驶轨迹的距离进行计算,并取所有小时间段的距离的平均值,得到的结果即为平均距离,例如,子场景的时间长度为5s,小时间段为1s,则取子场景中1s、2s、3s、4s和5s时模拟行驶轨迹与规范驾驶轨迹的距离值,再去这些距离值的平均值,得到的即为该子场景对应的距离平均值。
本实施例在上一实施例的基础上,详细基于目标区域的规范驾驶数据,构建测试全集的过程,按照预设的时间间隔,将所述目标区域的规范驾驶数据进行滑动窗口处理,分别得到多个第一子场景;获取所述第一子场景对应的时间信息,并基于所述时间信息,确定各第一子场景对应的模拟目的地;将所述模拟目的地设置为对应的第一子场景的模拟因素,将所有第一子场景和对应的模拟因素汇总,得到测试全集。本方法通过规范驾驶数据构建驾驶全集,并利用场景复杂度评估模型构建测试精选集,提高了目标区域的仿真场景的复杂性和全面性,进而提高自动驾驶水平评估的准确性。
请参阅图3,本发明实施例中自动驾驶水平评估方法的第三个实施例包括:
301、基于目标区域的规范驾驶数据,构建测试全集,其中,测试全集用于表征目标区域中的全部场景;
302、按照预设的时刻跨度,将目标区域的规范驾驶数据进行滑动窗口处理,分别得到多个时刻场景;
在本实施例中,构建精选集的目的是筛选出有目标区域中最有挑战性的复杂场景,便于有针对性的开发。
在本实施例中,测试全集构建的过程中是通过预设的时间间隔,一般设置为5秒为一个时间间隔,构建子场景,而对于测试精选集,则是对每个时刻跨度进行滑动窗口,例如每秒,在根据每秒的时刻场景构建一个5s的子场景。
303、将时刻场景输入预设的场景复杂度评估模型中,得到多个时刻场景对应的场景复杂度;
在本实施例中,主要利用接管概率模型来估计场景复杂度。该模型原用于预测在无人驾驶状态中,车辆需要人工接管的可能性。由于规范驾驶数据的采集,全程都是人工驾驶,所以接管概率的上升主要表示场景复杂,主车遇障碍物,距离近有强交互。
304、依次判断各时刻场景对应的场景复杂度是否大于预设的复杂度阈值;
305、获取场景复杂度大于复杂度阈值的时刻场景的场景时间;
306、将场景时间设置为潜在关键时间点;
在本实施例中,设置一个阈值集合,每当接管概率上升超过其中一个阈值,设该时间点为一个潜在关键时间点。
307、将潜在关键时间点提前N秒,得到潜在模拟触发点;
在本实施例中,将潜在关键时间点提前N秒时间作为潜在仿真触发点,例如2秒。
308、根据预设的机器学习聚类算法,将所有潜在模拟触发点进行聚类,并基于得到的聚类簇生成对应的第二子场景;
309、基于第二子场景对应的时间信息,确定各第二子场景对应的模拟目的地;
310、将第二子场景对应的模拟目的地设置为对应的模拟因素,将所有第二子场景和对应的模拟因素汇总,得到测试精选集;
在本实施例中,如图7所示,折线为一段时间内的接管概率变化,图中的点为潜在关键时间点,虚线为潜在模拟触发点,实线为聚类后的出发点,阴影为第二子场景覆盖的时段。
311、获取各第二子场景对应的场景起始点;
312、计算场景起始点与对应的模拟目的地之间的距离值,并基于距离值判断对应的第二子场景是否为静止场景;
313、将确定为静止场景的第二子场景以及对应的模拟因素从测试精选集中筛除;
在本实施例中,需要筛除车辆由于司机主观因素停止不前的场景,可以根据场景复杂度和场景起始点与对应的模拟目的地之间的距离值判断是否为司机主观因素停止不前,例如当场景复杂度很低时,此时,在正常情况下由于场景并不复杂,所以场景起始点与对应的模拟目的地之间的距离值应该较大,但是根据规范驾驶数据计算得到的场景起始点与对应的模拟目的地之间的距离值却较小,则能够说明该场景是由于司机主观因素停止不前导致的。
314、将测试全集和测试精选集进行模拟,得到对应的自动驾驶模拟结果;
315、根据自动驾驶模拟结果和规范驾驶数据,进行计算得到自动驾驶水平评分。
本实施例在前实施例的基础上,详细描述了将规范驾驶数据输入预设的场景复杂度评估模型中,基于场景复杂度评估模型输出的场景复杂度构建测试精选集的过程,通过按照预设的时刻跨度,将目标区域的规范驾驶数据进行滑动窗口处理,分别得到多个时刻场景;将时刻场景输入预设的场景复杂度评估模型中,得到多个时刻场景对应的场景复杂度;基于各时刻场景对应的场景复杂度构建测试精选集。本方法通过规范驾驶数据构建驾驶全集,并利用场景复杂度评估模型构建测试精选集,提高了目标区域的仿真场景的复杂性和全面性,进而提高自动驾驶水平评估的准确性。
上面对本发明实施例中自动驾驶水平评估方法进行了描述,下面对本发明实施例中自动驾驶水平评估装置进行描述,请参阅图4,本发明实施例中自动驾驶水平评估装置一个实施例包括:
全集构建模块401,用于基于目标区域的规范驾驶数据,构建测试全集,其中,所述测试全集用于表征所述目标区域中的全部场景;
精选集构建模块402,用于将所述规范驾驶数据输入预设的场景复杂度评估模型中,基于所述场景复杂度评估模型输出的场景复杂度构建测试精选集;
模拟模块403,用于将所述测试全集和所述测试精选集进行模拟,得到对应的自动驾驶模拟结果;
计算模块404,用于根据所述自动驾驶模拟结果和所述规范驾驶数据,进行计算得到自动驾驶水平评分。
本发明实施例中,所述自动驾驶水平评估装置运行上述自动驾驶水平评估方法,所述自动驾驶水平评估装置基于目标区域的规范驾驶数据,构建测试全集,其中,所述测试全集用于表征所述目标区域中的全部场景;将所述规范驾驶数据输入预设的场景复杂度评估模型中,基于所述场景复杂度评估模型输出的场景复杂度构建测试精选集;将所述测试全集和所述测试精选集进行模拟,得到对应的自动驾驶模拟结果;根据所述自动驾驶模拟结果和所述规范驾驶数据,进行计算得到自动驾驶水平评分。本方法通过规范驾驶数据构建驾驶全集,并利用场景复杂度评估模型构建测试精选集,提高了目标区域的仿真场景的复杂性和全面性,进而提高自动驾驶水平评估的准确性。
请参阅图5,本发明实施例中自动驾驶水平评估装置的第二个实施例包括:
全集构建模块401,用于基于目标区域的规范驾驶数据,构建测试全集,其中,所述测试全集用于表征所述目标区域中的全部场景;
精选集构建模块402,用于将所述规范驾驶数据输入预设的场景复杂度评估模型中,基于所述场景复杂度评估模型输出的场景复杂度构建测试精选集;
模拟模块403,用于将所述测试全集和所述测试精选集进行模拟,得到对应的自动驾驶模拟结果;
计算模块404,用于根据所述自动驾驶模拟结果和所述规范驾驶数据,进行计算得到自动驾驶水平评分。
在本实施例中,所述全集构建模块401具体用于:按照预设的时间间隔,将所述目标区域的规范驾驶数据进行滑动窗口处理,分别得到多个第一子场景;获取所述第一子场景对应的时间信息,并基于所述时间信息,确定各第一子场景对应的模拟目的地;将所述模拟目的地设置为对应的第一子场景的模拟因素,将所有第一子场景和对应的模拟因素汇总,得到测试全集。
在本实施例中,所述精选集构建模块402具体包括:场景划分单元4021,用于按照预设的时刻跨度,将所述目标区域的规范驾驶数据进行滑动窗口处理,分别得到多个时刻场景;模型输入单元4022,用于将所述时刻场景输入预设的场景复杂度评估模型中,得到多个时刻场景对应的场景复杂度;构建单元4023,用于基于各时刻场景对应的场景复杂度构建测试精选集。
在本实施例中,所述构建单元4023具体包括:判断子单元40231,用于依次判断各时刻场景对应的场景复杂度是否大于预设的复杂度阈值;获取子单元40232,用于获取场景复杂度大于所述复杂度阈值的时刻场景的场景时间;测试精选集构建子单元40233,用于基于时刻场景的场景时间和所述规范驾驶数据构建测试精选集。
在本实施例中,所述测试精选集构建子单元40233具体用于:将所述场景时间设置为潜在关键时间点;将所述潜在关键时间点提前N秒,得到潜在模拟触发点;根据预设的机器学习聚类算法,将所有潜在模拟触发点进行聚类,并基于得到的聚类簇生成对应的第二子场景;基于所述第二子场景对应的时间信息,确定各第二子场景对应的模拟目的地;将第二子场景对应的模拟目的地设置为对应的模拟因素,将所有第二子场景和对应的模拟因素汇总,得到测试精选集。
在本实施例中,所述自动驾驶水平评估装置还包括筛除模块405,所述筛除模块405具体用于:获取各第二子场景对应的场景起始点;计算所述场景起始点与对应的模拟目的地之间的距离值,并基于所述距离值判断对应的第二子场景是否为静止场景;将确定为静止场景的第二子场景以及对应的模拟因素从所述测试精选集中筛除。
在本实施例中,所述自动驾驶模拟结果包括模拟行驶轨迹,所述规范驾驶数据包括规范驾驶轨迹;所述计算模块404具体用于:计算所述模拟行驶轨迹与所述规范驾驶轨迹的平均距离;计算所述模拟轨迹与所述规范驾驶轨迹的距离大于预设距离阈值前的时间长度;基于所述平均距离和所述时间长度,计算所述自动驾驶水平评分。
本实施例在上一实施例的基础上,详细描述了各个模块的具体功能以及部分模块的单元构成,通过规范驾驶数据构建驾驶全集,并利用场景复杂度评估模型构建测试精选集,提高了目标区域的仿真场景的复杂性和全面性,进而提高自动驾驶水平评估的准确性。
上面图4和图5从模块化功能实体的角度对本发明实施例中的中自动驾驶水平评估装置进行详细描述,下面从硬件处理的角度对本发明实施例中自动驾驶水平评估设备进行详细描述。
图6是本发明实施例提供的一种自动驾驶水平评估设备的结构示意图,该自动驾驶水平评估设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对自动驾驶水平评估设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在自动驾驶水平评估设备600上执行存储介质630中的一系列指令操作,以实现上述自动驾驶水平评估方法的步骤。
自动驾驶水平评估设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的自动驾驶水平评估设备结构并不构成对本申请提供的自动驾驶水平评估设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述自动驾驶水平评估方法的步骤。
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,上述描述的系统或装置、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。
所述集成的单元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,可以存储在一个计算机可读取存储介质中。基于这样的理解,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或者该技术方案的全部或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)执行本发明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-only memory,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。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种自动驾驶水平评估方法,其特征在于,所述自动驾驶水平评估方法包括:
基于目标区域的规范驾驶数据,构建测试全集,其中,所述测试全集用于表征所述目标区域中的全部场景;
将所述规范驾驶数据输入预设的场景复杂度评估模型中,基于所述场景复杂度评估模型输出的场景复杂度构建测试精选集;
将所述测试全集和所述测试精选集进行模拟,得到对应的自动驾驶模拟结果;
根据所述自动驾驶模拟结果和所述规范驾驶数据,进行计算得到自动驾驶水平评分。
2.根据权利要求1所述的自动驾驶水平评估方法,其特征在于,所述基于目标区域的规范驾驶数据,构建测试全集包括:
按照预设的时间间隔,将所述目标区域的规范驾驶数据进行滑动窗口处理,分别得到多个第一子场景;
获取所述第一子场景对应的时间信息,并基于所述时间信息,确定各第一子场景对应的模拟目的地;
将所述模拟目的地设置为对应的第一子场景的模拟因素,将所有第一子场景和对应的模拟因素汇总,得到测试全集。
3.根据权利要求1所述的自动驾驶水平评估方法,其特征在于,所述将所述规范驾驶数据输入预设的场景复杂度评估模型中,基于所述场景复杂度评估模型输出的场景复杂度构建测试精选集包括:
按照预设的时刻跨度,将所述目标区域的规范驾驶数据进行滑动窗口处理,分别得到多个时刻场景;
将所述时刻场景输入预设的场景复杂度评估模型中,得到多个时刻场景对应的场景复杂度;
基于各时刻场景对应的场景复杂度构建测试精选集。
4.根据权利要求3所述的自动驾驶水平评估方法,其特征在于,所述基于各时刻场景对应的场景复杂度构建测试精选集包括:
依次判断各时刻场景对应的场景复杂度是否大于预设的复杂度阈值;
获取场景复杂度大于所述复杂度阈值的时刻场景的场景时间;
基于时刻场景的场景时间和所述规范驾驶数据构建测试精选集。
5.根据权利要求4所述的自动驾驶水平评估方法,其特征在于,所述基于时刻场景的场景时间和所述规范驾驶数据构建测试精选集包括:
将所述场景时间设置为潜在关键时间点;
将所述潜在关键时间点提前N秒,得到潜在模拟触发点;
根据预设的机器学习聚类算法,将所有潜在模拟触发点进行聚类,并基于得到的聚类簇生成对应的第二子场景;
基于所述第二子场景对应的时间信息,确定各第二子场景对应的模拟目的地;
将第二子场景对应的模拟目的地设置为对应的模拟因素,将所有第二子场景和对应的模拟因素汇总,得到测试精选集。
6.根据权利要求5所述的自动驾驶水平评估方法,其特征在于,在所述将第二子场景对应的模拟目的地设置为对应的模拟因素,将所有第二子场景和对应的模拟因素汇总,得到测试精选集之后,还包括:
获取各第二子场景对应的场景起始点;
计算所述场景起始点与对应的模拟目的地之间的距离值,并基于所述距离值判断对应的第二子场景是否为静止场景;
将确定为静止场景的第二子场景以及对应的模拟因素从所述测试精选集中筛除。
7.根据权利要求1-6所述的自动驾驶水平评估方法,其特征在于,所述自动驾驶模拟结果包括模拟行驶轨迹,所述规范驾驶数据包括规范驾驶轨迹;
所述根据所述自动驾驶模拟结果和所述规范驾驶数据,进行计算得到自动驾驶水平评分包括:
计算所述模拟行驶轨迹与所述规范驾驶轨迹的平均距离;
计算所述模拟轨迹与所述规范驾驶轨迹的距离大于预设距离阈值前的时间长度;
基于所述平均距离和所述时间长度,计算所述自动驾驶水平评分。
8.一种自动驾驶水平评估装置,其特征在于,所述自动驾驶水平评估装置包括:
全集构建模块,用于基于目标区域的规范驾驶数据,构建测试全集,其中,所述测试全集用于表征所述目标区域中的全部场景;
精选集构建模块,用于将所述规范驾驶数据输入预设的场景复杂度评估模型中,基于所述场景复杂度评估模型输出的场景复杂度构建测试精选集;
模拟模块,用于将所述测试全集和所述测试精选集进行模拟,得到对应的自动驾驶模拟结果;
计算模块,用于根据所述自动驾驶模拟结果和所述规范驾驶数据,进行计算得到自动驾驶水平评分。
9.一种自动驾驶水平评估设备,其特征在于,所述自动驾驶水平评估设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述自动驾驶水平评估设备执行如权利要求1-7中任一项所述的自动驾驶水平评估方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质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中任一项所述的自动驾驶水平评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111443811.5A CN114065549B (zh) | 2021-11-30 | 2021-11-30 | 自动驾驶水平评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111443811.5A CN114065549B (zh) | 2021-11-30 | 2021-11-30 | 自动驾驶水平评估方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114065549A true CN114065549A (zh) | 2022-02-18 |
CN114065549B CN114065549B (zh) | 2023-04-07 |
Family
ID=80277506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111443811.5A Active CN114065549B (zh) | 2021-11-30 | 2021-11-30 | 自动驾驶水平评估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114065549B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108267322A (zh) * | 2017-01-03 | 2018-07-10 | 北京百度网讯科技有限公司 | 对自动驾驶性能进行测试的方法和系统 |
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 |
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 |
CN113064839A (zh) * | 2021-06-03 | 2021-07-02 | 中智行科技有限公司 | 一种系统评测方法及装置 |
US20210316753A1 (en) * | 2020-12-10 | 2021-10-14 | Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. | Road test method and apparatus for autonomous driving vehicle, device and storage medium |
CN113687600A (zh) * | 2021-10-21 | 2021-11-23 | 中智行科技有限公司 | 仿真测试方法、装置、电子设备及存储介质 |
CN113688042A (zh) * | 2021-08-25 | 2021-11-23 | 北京赛目科技有限公司 | 测试场景的确定方法、装置、电子设备及可读存储介质 |
-
2021
- 2021-11-30 CN CN202111443811.5A patent/CN114065549B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108267322A (zh) * | 2017-01-03 | 2018-07-10 | 北京百度网讯科技有限公司 | 对自动驾驶性能进行测试的方法和系统 |
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 |
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 |
US20210316753A1 (en) * | 2020-12-10 | 2021-10-14 | Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. | Road test method and apparatus for autonomous driving vehicle, device and storage medium |
CN113064839A (zh) * | 2021-06-03 | 2021-07-02 | 中智行科技有限公司 | 一种系统评测方法及装置 |
CN113688042A (zh) * | 2021-08-25 | 2021-11-23 | 北京赛目科技有限公司 | 测试场景的确定方法、装置、电子设备及可读存储介质 |
CN113687600A (zh) * | 2021-10-21 | 2021-11-23 | 中智行科技有限公司 | 仿真测试方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
吴琼: "构建基于真实场景下自动驾驶车辆模拟仿真测试", 《智能网联汽车》 * |
王荣 等: "自动驾驶车辆道路测试场景评价方法与试验验证", 《汽车工程》 * |
董汉等: "危险驾驶工况场景的复杂度评估方法研究", 《汽车工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114065549B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hauer et al. | Did we test all scenarios for automated and autonomous driving systems? | |
CN109598066B (zh) | 预测模块的效果评估方法、装置、设备和存储介质 | |
CN110245406B (zh) | 行驶仿真方法、装置及存储介质 | |
US11904873B2 (en) | Computer-implemented simulation method and system for testing control units | |
CN112767644B (zh) | 一种基于视频识别的公路隧道内火灾预警方法及装置 | |
CN114415628A (zh) | 自动驾驶测试方法及装置、电子设备和存储介质 | |
WO2020060480A1 (en) | System and method for generating a scenario template | |
Ponn et al. | An optimization-based method to identify relevant scenarios for type approval of automated vehicles | |
CN113093569A (zh) | 自动驾驶的仿真测试方法、装置、设备和存储介质 | |
CN113665574A (zh) | 智能汽车换道时长预测及拟人化轨迹规划方法 | |
CN112671487B (zh) | 一种车辆测试的方法、服务器以及测试车辆 | |
US20230236088A1 (en) | Computer-aided method and device for predicting speeds for vehicles on the basis of probability | |
CN114647954A (zh) | 仿真场景生成方法、装置、计算机设备及存储介质 | |
CN114065549B (zh) | 自动驾驶水平评估方法、装置、设备及存储介质 | |
CN114030473B (zh) | 车辆自动驾驶行为评估方法、装置、设备及存储介质 | |
CN111381575B (zh) | 自动测试方法、装置、服务器、电子设备及存储介质 | |
RU2507565C2 (ru) | Способ моделирования процессов двухуровневого управления и система для его осуществления (варианты) | |
CN113962110A (zh) | 自动驾驶轨迹评估方法、装置、设备及存储介质 | |
CN116011225A (zh) | 场景库的生成方法、测试方法、电子设备及存储介质 | |
CN115657494A (zh) | 虚拟对象仿真方法、装置、设备及存储介质 | |
CN114169129A (zh) | 自动驾驶的可视化评估方法和装置 | |
CN114861321A (zh) | 交通流仿真的问题场景提取方法、装置、设备及介质 | |
CN113836726A (zh) | 动态行驶场景的仿真方法、装置、电子设备及存储介质 | |
CN115237095A (zh) | 车辆行驶控制模型的测试方法、装置、设备及存储介质 | |
CN116739115B (zh) | 面向无人飞行器逃逸策略建模的数据样本生成方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |