CN114889617A - 实现自动驾驶汽车预期功能安全的边角场景收集方法 - Google Patents

Abstract

本发明公开了一种实现自动驾驶汽车预期功能安全的边角场景收集方法，包括：步骤1)驾驶员在环；步骤2)影子模式服务是否正常；步骤3)调用影子模式服务；步骤4)调用边角场景收集服务；步骤5)设定触发边角场景的判定条件，对影子模式下的自动驾驶功能的规划及决策输出与驾驶员对本车的规划和决策输出进行对比，若两者的差值大于设定值，则执行步骤6)，若两者的差值小于等于设定值，则返回执行步骤4)；步骤6)调用边角场景记录服务；步骤7)将步骤6)中记录的信息存储在本地存储器并上传到云端；步骤8)返回执行步骤4)。本发明能够有效对边角场景进行收集，以解决自动驾驶中预期功能安全验证不充分的难题。

Description

实现自动驾驶汽车预期功能安全的边角场景收集方法

技术领域

本发明涉及自动驾驶技术领域，具体涉及一种实现自动驾驶汽车预期功能安全的边角场景收集方法。

背景技术

多起因自动驾驶汽车引发的致命交通事故表明，依靠传统的以质量保障(ISO26262《道路车辆功能安全》)为中心的车辆安全体系已经不能完全满足自动驾驶车辆的安全保障需求。在这种背景下，国际标准组织下设的功能安全工作组启动了ISO 21448《道路车辆预期功能安全》标准的制定。预期功能安全重点关注自动驾驶车辆行为安全，解决因自身设计不足和性能局限在遇到一定的触发条件(如环境干扰或人员误用)时导致的整车行为危害。自动驾驶场景高度复杂，无法定义全部场景，在预期功能安全开发流程中，未知场景的评估决定着自动驾驶的残余风险是否可以接受。由于设计不足及性能局限往往在边角场景更容易被触发，因此收集和识别自动驾驶中的边角场景对预期功能安全的开发有着重要的意义。在当前L4及以上完全自动驾驶并未量产以前，L3级别的驾驶是许多主机厂的一种尝试，但为了满足后期L4及以上自动驾驶的要求，部分主机厂采用预留硬件的方式，采用高性能传感器和高算力自动驾驶芯片，为后期自动驾驶算法升级和迭代做准备。这意味着消费者花费高昂的价钱购买的汽车在当前却无法支持高级别的自动驾驶功能，无论对消费者还是主机厂来说都是一种资源的浪费。在L3自动驾驶中，驾驶员仍负主要责任，在日常驾驶中更多是驾驶员主导。当驾驶员在环，未开启自动驾驶功能时，自动驾驶相关的传感器和算法仍在后台运行，但不对驾驶行为进行决策，这种模式称为影子模式。在影子模式下可以开发出很多与自动驾驶场景和数据相关的功能，甚至可以提前进行新算法的验证，这是对高性能传感器和高算力自动驾驶芯片资源的一种有效利用。通过影子模式可以高效地获取海量数据，通过对数据进行有效处理和训练，能够加速自动驾驶的发展。

如在申请号为CN201910021029.0的发明专利申请中公开了一种用于自动驾驶汽车预期功能安全的验证方法及系统中，所述方法包括基于对象车辆的系统框架，确定危险事件和触发事件；危险事件评估与筛选；确定触发事件的接受度；以及验证触发事件是否满足预设的接受度。该方法采用四个平台分别处理以上四个模块，对预期功能安全验证具有较强的完整性和系统性。但该方法是基于分析出来的已知危害场景触发条件来进行验证，无法对未知场景尤其是边角场景进行收集和验证，同时对预期功能安全的残余风险评估存在一定的局限性，从而使得对预期功能安全的验证不充分。

发明内容

针对现有技术存在的上述不足，本发明要解决的技术问题是：如何提供一种能够有效对边角场景进行收集，以解决自动驾驶中预期功能安全验证不充分难题的实现自动驾驶汽车预期功能安全的边角场景收集方法。

为了解决上述技术问题，本发明采用如下技术方案：

实现自动驾驶汽车预期功能安全的边角场景收集方法，其特征在于，包括以下步骤：

步骤1)驾驶员在环，具有自动驾驶功能的汽车处于全人工驾驶模式；

步骤2)影子模式服务是否正常，若是则执行步骤3)，若否则返回执行步骤1)；

步骤3)调用影子模式服务；

步骤4)调用边角场景收集服务，且边角场景收集服务需要收集的场景要素信息包括本车感知系统对目标的识别信息、本车决策系统的控制信息、以及本车周围的环境信息；

步骤5)设定触发边角场景的判定条件，对影子模式下的自动驾驶功能的规划及决策输出与驾驶员对本车的规划和决策输出进行对比以得到两者的差值，若两者的差值大于设定值，则执行步骤6)，若两者的差值小于等于设定值，则返回执行步骤4)；

步骤6)调用边角场景记录服务，基于面向服务的架构来进行边角场景的架构设计，并记录此时边角场景收集服务收集的要素信息、以及步骤5)中两者的差值情况；

步骤7)将步骤6)中记录的信息存储在本地存储器并上传到云端；

步骤8)返回执行步骤4)。

优选的，步骤5)中，触发边角场景的判定条件包括本车决策系统输出的横向控制和纵向控制信号。

优选的，步骤5)中，触发边角场景的判定条件包括本车决策系统输出的横向方向盘转角角速度、横向方向盘转角加速度、本车纵向速度、以及本车纵向加速度。

优选的，步骤5)中，设定驾驶员控制的本车纵向加速度为a_driver，自动驾驶功能决策输出的本车纵向加速度为a_adas，则两者差值a_diff＝a_driver-a_adas，若a_diff小于等于设定值，则判定本车纵向加速度差值Trig_a为真；

设定驾驶员控制的本车纵向速度为v_driver，自动驾驶功能决策输出的本车纵向速度为v_adas，则两者差值v_diff＝v_driver-v_adas，若v_diff小于等于设定值，则判定本车纵向速度差值Trig_v为真；

设定驾驶员控制的横向方向盘转角加速度为β_driver，自动驾驶功能决策输出的横向方向盘转角加速度为β_adas，则两者差值β_diff＝β_driver-β_adas，若β_diff小于等于设定值，则判定本车横向方向盘转角加速度差值Trig_β为真；

设定驾驶员控制的横向方向盘转角角速度为ω_driver，自动驾驶功能决策输出的向方向盘转角角速度为ω_adas，则两者差值ω_diff＝ω_driver-ω_adas，若ω_diff小于等于设定值，则判定本车横向方向盘转角角速度差值Trig_ω为真；

步骤5)中，若本车纵向加速度差值Trig_a、本车纵向速度差值Trig_v、本车横向方向盘转角加速度差值Trig_β、本车横向方向盘转角角速度差值Trig_ω中任意一个为假，则执行步骤6)，否则返回执行步骤4)。

优选的，步骤5)中，若|-0.3*a_adas|≤|a_diff|≤|0.3*a_adas|，则判定本车纵向加速度差值Trig_a为真；

若|-0.3*v_adas|≤|v_diff|≤|0.3*v_adas|，则判定本车纵向速度差值Trig_v为真；

若|-0.2*β_adas|≤|β_diff|≤|0.2*β_adas|，则判定本车横向方向盘转角加速度差值Trig_β为真；

若|-0.2*ω_adas|≤|ω_diff|≤|0.2*ω_ades|，则判定本车横向方向盘转角角速度差值Trig_ω为真。

优选的，步骤5)中，将驾驶员控制下的本车行驶路径与3S内自动驾驶功能输出的局部规划路径进行对比，从路径的方向、宽度、曲率方面的偏差来设计公差带，当本车行驶路径超过公差带范围时，则触发边角场景收集服务。

优选的，步骤4)中，本车的感知系统对目标的识别要素包括：目标类型、目标长度、目标宽度、目标高度、目标横向位置、目标纵向位置、目标航向角、目标横向速度、目标纵向速度、目标横向加速度、目标纵向加速度、目标尾灯信息、目标车灯信息、目标距离左侧车道线距离、目标距离右侧车道线距离、目标编号。

优选的，步骤4)中，本车决策系统的控制信息包括：当前的路径规划信息、横向控制角度、横向控制角加速度、纵向控制速度、纵向控制加速度。

优选的，步骤4)中，本车周围的环境信息包括道路结构、交通设施、交通参与者、道路临时事件、以及场景环境。

优选的，步骤4)中，道路结构按区域分为城市、公路、山区、乡村、停车场、收费站、高速服务区，道路结构按拓扑类型分为直道、十字路口、T字路口、X字路口、弯道、汇入口、汇出口、Y字路口，且道路结构包括车道数量、车道宽度、车道方向、车道护栏；

交通设施分为路灯、交通信号灯、车道指示牌、限速指示牌、标志牌；

道路临时事件分为道路施工、交通事故、交通管制、交通信号灯失效、车辆占据车道、物体占据车道；

交通参与者分为车辆、行人、动物、人群、背景车流；

场景环境分为天气、时间段、温湿度、风向风速、可见度、光源。

与现有技术相比，本发明具有以下优点：

1、本发明在大规模路试过程中能够有效筛选出对自动驾驶算法训练和预期功能安全验证有高价值的边角场景，避免无效场景的里程堆积，保证自动驾驶中预期功能安全验证的充分性。

2、本发明在影子模式下进行边角场景的收集，具有采集范围广，覆盖率高，硬件利用率高的优点。

3、本发明基于面向服务架构开发(SOA)的预期功能安全边角场景收集的服务，可以基于自动驾驶服务商或用户需求被订阅并调用，具有很强的灵活性；可以通过空中下载技术进行软件升级，不断进行边角场景收集算法的优化和迭代，做到常用常新，保持产品的竞争力。

附图说明

图1为本发明实现自动驾驶汽车预期功能安全的边角场景收集方法的流程图；

图2为本发明实现自动驾驶汽车预期功能安全的边角场景收集方法中边角场景的架构图；

图3为本发明实现自动驾驶汽车预期功能安全的边角场景收集方法中需要收集的场景要素信息示意图。

具体实施方式

下面将结合附图及实施例对本发明作进一步说明。

如附图1所示，实现自动驾驶汽车预期功能安全的边角场景收集方法，包括以下步骤：

步骤1)驾驶员在环，具有自动驾驶功能的汽车处于全人工驾驶模式。即此时自动驾驶相关的传感器和算法仍在后台运行，但不对驾驶行为进行决策，本车完全由驾驶员进行操作驾驶。

步骤2)影子模式服务是否正常，若是则执行步骤3)，若否则返回执行步骤1)。

步骤3)调用影子模式服务。

步骤4)调用边角场景收集服务，且边角场景收集服务需要收集的场景要素信息包括本车感知系统对目标的识别信息、本车决策系统的控制信息、以及本车周围的环境信息，其中感知系统包括前向摄像头、后向摄像头、侧向摄像头、毫米波雷达、激光雷达等；决策系统包括横向控制、纵向控制、垂向控制等，如附图2所示，边角场景的认定一般分为三类，一类是来源于预期功能安全分析中得到的已知场景；一类是来自于交通事故事件的场景；另一类为影子模式下自动驾驶决策与驾驶员操作不一致的场景，通过制定合适的策略来判定不一致的触发条件，由于前两类属于已知场景，本发明主要收集的是第三类边角场景。

如附图3所示，本车的感知系统对目标的识别要素包括：目标类型、目标长度、目标宽度、目标高度、目标横向位置、目标纵向位置、目标航向角、目标横向速度、目标纵向速度、目标横向加速度、目标纵向加速度、目标尾灯信息、目标车灯信息、目标距离左侧车道线距离、目标距离右侧车道线距离、目标编号。

具体的，本车决策系统的控制信息包括：当前的路径规划信息、横向控制角度、横向控制角加速度、纵向控制速度、纵向控制加速度。

具体的，本车周围的环境信息包括道路结构、交通设施、交通参与者、道路临时事件、以及场景环境。

具体的，道路结构按区域分为城市、公路、山区、乡村、停车场、收费站、高速服务区，道路结构按拓扑类型分为直道、十字路口、T字路口、X字路口、弯道、汇入口、汇出口、Y字路口，且道路结构包括车道数量、车道宽度、车道方向、车道护栏；

交通设施分为路灯、交通信号灯、车道指示牌、限速指示牌、标志牌；

道路临时事件分为道路施工、交通事故、交通管制、交通信号灯失效、车辆占据车道、物体占据车道；

交通参与者分为车辆、行人、动物、人群、背景车流；

场景环境分为天气、时间段、温湿度、风向风速、可见度、光源。

步骤5)设定触发边角场景的判定条件，对影子模式下的自动驾驶功能的规划及决策输出与驾驶员对本车的规划和决策输出进行对比以得到两者的差值，若两者的差值大于设定值，则执行步骤6)，若两者的差值小于等于设定值，则返回执行步骤4)，如附图2所示，其中自动驾驶功能的控制系统包括传感器融合和自动驾驶控制器，其中自动驾驶控制器内设有影子模式服务。

具体的，步骤5)中，触发边角场景的判定条件包括本车决策系统(即包括自动驾驶功能的决策输出，也包括驾驶员对本车的决策输出)输出的横向控制和纵向控制信号。

具体的，步骤5)中，触发边角场景的判定条件包括本车决策系统输出的横向方向盘转角角速度、横向方向盘转角加速度、本车纵向速度、以及本车纵向加速度。

具体的，步骤5)中，设定驾驶员控制的本车纵向加速度为a_driver，自动驾驶功能决策输出的本车纵向加速度为a_adas，则两者差值a_diff＝a_driver-a_adas，若a_diff小于等于设定值，则判定本车纵向加速度差值Trig_a为真；

设定驾驶员控制的本车纵向速度为v_driver，自动驾驶功能决策输出的本车纵向速度为v_adas，则两者差值v_diff＝v_driver-v_adas，若v_diff小于等于设定值，则判定本车纵向速度差值Trig_v为真；

设定驾驶员控制的横向方向盘转角加速度为β_driver，自动驾驶功能决策输出的横向方向盘转角加速度为β_adas，则两者差值β_diff＝β_driver-β_adas，若β_diff小于等于设定值，则判定本车横向方向盘转角加速度差值Trig_β为真；

设定驾驶员控制的横向方向盘转角角速度为ω_driver，自动驾驶功能决策输出的向方向盘转角角速度为ω_adas，则两者差值ω_diff＝ω_driver-ω_adas，若ω_diff小于等于设定值，则判定本车横向方向盘转角角速度差值Trig_ω为真；

具体的，步骤5)中，若本车纵向加速度差值Trig_a、本车纵向速度差值Trig_v、本车横向方向盘转角加速度差值Trig_β、本车横向方向盘转角角速度差值Trig_ω中任意一个为假，则执行步骤6)，否则返回执行步骤4)。

具体的，步骤5)中，若|-0.3*a_adas|≤|a_diff|≤|0.3*a_adas|，则判定本车纵向加速度差值Trig_a为真；

若|-0.3*v_adas|≤|v_diff|≤|0.3*v_adas|，则判定本车纵向速度差值Trig_v为真；

若|-0.2*β_adas|≤|β_diff|≤|0.2*β_adas|，则判定本车横向方向盘转角加速度差值Trig_β为真；

若|-0.2*ω_adas|≤|ω_diff|≤|0.2*ω_adas|，则判定本车横向方向盘转角角速度差值Trig_ω为真。

步骤6)调用边角场景记录服务，基于面向服务的架构来进行边角场景的架构设计，进行应用层和数据流设计，包括触发条件的逻辑，场景需要收集的要素信息，服务的调用等，并记录此时边角场景收集服务收集的要素信息、以及步骤5)中两者的差值情况。

步骤7)将步骤6)中记录的信息存储在本地存储器并上传到云端；将收集完成的边角场景信息进行整合单独放置在一个内存区的专用文件夹，及时上传至云端供后台工程师下载并进一步完成后续场景测试用例的生成。具体的，在将记录的信息存储在本地存储器上时还需要判断本地存储空间是否充足，若是则直接执行步骤8)，若否则调用边角场景数据本地删除服务释放部分本地存储空间，并在本地存储空间充足后执行步骤8)。

步骤8)返回执行步骤4)。

在本实施例中，步骤5)中，还可以通过下面的方法来触发边角场景收集服务：将驾驶员控制下的本车行驶路径与3S内自动驾驶功能输出的局部规划路径进行对比，从路径的方向、宽度、曲率方面的偏差来设计公差带，当本车行驶路径超过公差带范围时，则触发边角场景收集服务。

与现有技术相比，本发明在大规模路试过程中能够有效筛选出对自动驾驶算法训练和预期功能安全验证有高价值的边角场景，避免无效场景的里程堆积，保证自动驾驶中预期功能安全验证的充分性。本发明在影子模式下进行边角场景的收集，具有采集范围广，覆盖率高，硬件利用率高的优点。本发明基于面向服务架构(SOA)开发的预期功能安全边角场景收集的服务，可以基于自动驾驶服务商或用户需求被订阅并调用，具有很强的灵活性；可以通过空中下载技术进行软件升级，不断进行边角场景收集算法的优化和迭代，做到常用常新，保持产品的竞争力。

最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.实现自动驾驶汽车预期功能安全的边角场景收集方法，其特征在于，包括以下步骤：

步骤1)驾驶员在环，具有自动驾驶功能的汽车处于全人工驾驶模式；

步骤2)影子模式服务是否正常，若是则执行步骤3)，若否则返回执行步骤1)；

步骤3)调用影子模式服务；

步骤4)调用边角场景收集服务，且边角场景收集服务需要收集的场景要素信息包括本车感知系统对目标的识别信息、本车决策系统的控制信息、以及本车周围的环境信息；

步骤5)设定触发边角场景的判定条件，对影子模式下的自动驾驶功能的规划及决策输出与驾驶员对本车的规划和决策输出进行对比以得到两者的差值，若两者的差值大于设定值，则执行步骤6)，若两者的差值小于等于设定值，则返回执行步骤4)；

步骤6)调用边角场景记录服务，基于面向服务的架构来进行边角场景的架构设计，并记录此时边角场景收集服务收集的要素信息、以及步骤5)中两者的差值情况；

步骤7)将步骤6)中记录的信息存储在本地存储器并上传到云端；

步骤8)返回执行步骤4)。

2.根据权利要求1所述的实现自动驾驶汽车预期功能安全的边角场景收集方法，其特征在于，步骤5)中，触发边角场景的判定条件包括本车决策系统输出的横向控制和纵向控制信号。

3.根据权利要求2所述的实现自动驾驶汽车预期功能安全的边角场景收集方法，其特征在于，步骤5)中，触发边角场景的判定条件包括本车决策系统输出的横向方向盘转角角速度、横向方向盘转角加速度、本车纵向速度、以及本车纵向加速度。

4.根据权利要求3所述的实现自动驾驶汽车预期功能安全的边角场景收集方法，其特征在于，步骤5)中，设定驾驶员控制的本车纵向加速度为a_driver，自动驾驶功能决策输出的本车纵向加速度为a_adas，则两者差值a_aiff＝a_driver-a_adas，若a_diff小于等于设定值，则判定本车纵向加速度差值Trig_a为真；

设定驾驶员控制的本车纵向速度为v_driver，自动驾驶功能决策输出的本车纵向速度为v_adas，则两者差值v_diff＝v_driver-v_adas，若v_diff小于等于设定值，则判定本车纵向速度差值Trig_v为真；

设定驾驶员控制的横向方向盘转角加速度为β_driver，自动驾驶功能决策输出的横向方向盘转角加速度为β_adas，则两者差值β_diff＝β_driver-β_adas，若β_diff小于等于设定值，则判定本车横向方向盘转角加速度差值Trig_β为真；

设定驾驶员控制的横向方向盘转角角速度为ω_driver，自动驾驶功能决策输出的向方向盘转角角速度为ω_adas，则两者差值ω_diff＝ω_driver-ω_adas，若ω_diff小于等于设定值，则判定本车横向方向盘转角角速度差值Trig_ω为真；

步骤5)中，若本车纵向加速度差值Trig_a、本车纵向速度差值Trig_v、本车横向方向盘转角加速度差值Trig_β、本车横向方向盘转角角速度差值Trig_ω中任意一个为假，则执行步骤6)，否则返回执行步骤4)。

5.根据权利要求4所述的实现自动驾驶汽车预期功能安全的边角场景收集方法，其特征在于，步骤5)中，若|-0.3*a_adas|≤|a_diff|≤|0.3*a_adas|，则判定本车纵向加速度差值Trig_a为真；

若|-0.3*v_adas|≤|v_diff|≤|0.3*v_adas|，则判定本车纵向速度差值Trig_v为真；

若|-0.2*β_adas|≤|β_diff|≤|0.2*β_adas|，则判定本车横向方向盘转角加速度差值Trig_β为真；

若|-0.2*ω_adas|≤|ω_diff|≤|0.2*ω_adas|，则判定本车横向方向盘转角角速度差值Trig_ω为真。

6.根据权利要求1所述的实现自动驾驶汽车预期功能安全的边角场景收集方法，其特征在于，步骤5)中，将驾驶员控制下的本车行驶路径与3S内自动驾驶功能输出的局部规划路径进行对比，从路径的方向、宽度、曲率方面的偏差来设计公差带，当本车行驶路径超过公差带范围时，则触发边角场景收集服务。

7.根据权利要求1所述的实现自动驾驶汽车预期功能安全的边角场景收集方法，其特征在于，步骤4)中，本车的感知系统对目标的识别要素包括：目标类型、目标长度、目标宽度、目标高度、目标横向位置、目标纵向位置、目标航向角、目标横向速度、目标纵向速度、目标横向加速度、目标纵向加速度、目标尾灯信息、目标车灯信息、目标距离左侧车道线距离、目标距离右侧车道线距离、目标编号。

8.根据权利要求1所述的实现自动驾驶汽车预期功能安全的边角场景收集方法，其特征在于，步骤4)中，本车决策系统的控制信息包括：当前的路径规划信息、横向控制角度、横向控制角加速度、纵向控制速度、纵向控制加速度。

9.根据权利要求1所述的实现自动驾驶汽车预期功能安全的边角场景收集方法，其特征在于，步骤4)中，本车周围的环境信息包括道路结构、交通设施、交通参与者、道路临时事件、以及场景环境。

10.根据权利要求9所述的实现自动驾驶汽车预期功能安全的边角场景收集方法，其特征在于，步骤4)中，道路结构按区域分为城市、公路、山区、乡村、停车场、收费站、高速服务区，道路结构按拓扑类型分为直道、十字路口、T字路口、X字路口、弯道、汇入口、汇出口、Y字路口，且道路结构包括车道数量、车道宽度、车道方向、车道护栏；

交通设施分为路灯、交通信号灯、车道指示牌、限速指示牌、标志牌；

道路临时事件分为道路施工、交通事故、交通管制、交通信号灯失效、车辆占据车道、物体占据车道；

交通参与者分为车辆、行人、动物、人群、背景车流；

场景环境分为天气、时间段、温湿度、风向风速、可见度、光源。

Images