CN115080391A - 一种确定自动驾驶关键场景方法及装置 - Google Patents
一种确定自动驾驶关键场景方法及装置 Download PDFInfo
- Publication number
- CN115080391A CN115080391A CN202210661874.6A CN202210661874A CN115080391A CN 115080391 A CN115080391 A CN 115080391A CN 202210661874 A CN202210661874 A CN 202210661874A CN 115080391 A CN115080391 A CN 115080391A
- Authority
- CN
- China
- Prior art keywords
- parameter
- test
- key
- risk index
- risk
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012360 testing method Methods 0.000 claims abstract description 269
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 13
- 206010039203 Road traffic accident Diseases 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 abstract description 16
- 230000008569 process Effects 0.000 description 18
- 230000006870 function Effects 0.000 description 13
- 239000002245 particle Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000012216 screening Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000010187 selection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F11/368—Test management for test version control, e.g. updating test cases to a new software version
-
- 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
-
- 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)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种确定自动驾驶关键场景方法及装置。所述方法包括:根据选择的测试场景类型确定关键测试参数的集合以及各参数的取值范围;根据所述参数的取值范围随机生成多组关键测试参数集合;以各组关键测试参数集合作为个体进行迭代计算,得到多组优化参数集合;计算所述关键测试参数集合和所述优化参数集合所对应所述测试场景的风险指数;在所述风险指数中选择符合预设条件的所述风险指数,并利用选择的所述风险指数所对应的所述测试场景生成用于自动驾驶测试的关键场景。本发明可以有效的减少样本量,提高了确定关键场景的效率,同时提高了测试自动驾驶算法的准确率。
Description
技术领域
本发明涉及自动驾驶技术领域,特别是涉及一种确定自动驾驶关键场景方法及装置。
背景技术
在自动驾驶技术的开发过程中需要对自动驾驶算法进行大量的测试和验证工作,以保证自动驾驶的安全,目前在对自动驾驶算法的测试过程中,都是通过在自动驾驶的场景中筛选关键场景,利用关键场景对自动驾驶算法进行测试,其中,关键场景为在自动驾驶过程中容易发生交通事故的场景。
目前对自动驾驶的关键场景筛选常用的策略是,通过对场景的关键测试参数在一定的范围内进行等距取值,进而形成不同具体值的测试集合,在得到测试集合中所述场景的值后,再选择其中可用于测试自动驾驶算法的测试场景,并将可用于测试自动驾驶算法的测试场景确定为关键场景,同时利用关键场景对自动驾驶算法进行测试。
由于现有技术中的测试集合中的测试场景的数量会随着关键测试参数的数量增加而增加,同时需要在得到测试集合中所述场景的值后,方可确定关键场景,导致出现筛选关键场景的所需要时间长、筛选效率低的问题。
发明内容
有鉴于此,本发明提供一种确定自动驾驶关键场景方法及装置,可以有效的减少样本量,提高了确定关键场景的效率,同时提高了测试自动驾驶算法的准确率。
为达到上述目的,本发明主要提供如下技术方案:
第一方面,本发明提供了一种确定自动驾驶关键场景方法,所述方法包括:
根据选择的测试场景类型确定关键测试参数的集合以及各参数的取值范围;
根据所述参数的取值范围随机生成多组关键测试参数集合;
以各组关键测试参数集合作为个体进行迭代计算,得到多组优化参数集合,其中,基于优化参数集合所构建的测试场景发生交通事故的风险指数小于预设值;
计算所述关键测试参数集合和所述优化参数集合所对应所述测试场景的风险指数;
在所述风险指数中选择符合预设条件的所述风险指数,并利用选择的所述风险指数所对应的所述测试场景生成用于自动驾驶测试的关键场景。
第二方面,本发明提供了一种确定自动驾驶关键场景装置,所述装置包括:
范围确定模块,用于根据选择的测试场景类型确定关键测试参数的集合以及各参数的取值范围;
参数生成模块,用于根据所述参数的取值范围随机生成多组关键测试参数集合;
迭代计算模块,用于以各组关键测试参数集合作为个体进行迭代计算,得到多组优化参数集合;
指数计算模块,用于计算所述关键测试参数集合和所述优化参数集合所对应所述测试场景的风险指数;
场景选择模块,用于在所述风险指数中选择符合预设条件的所述风险指数,并利用选择的所述风险指数所对应的所述测试场景生成用于自动驾驶测试的关键场景。
借由上述技术方案,本发明提供了一种确定自动驾驶关键场景方法及装置,具体记载了在确定关键场景以对自动驾驶算法进行测试时,首先根据测试场景类型准确的确定关键测试参数和各参数的取值范围,通过确定关键测试参数和各参数的取值范围,可以有效的减少需计算的样本量,提高了确定关键场景的效率,同时,在确定关键测试参数和各参数的取值范围之后,通过随机生成多组关键测试参数集合,并对各关键测试参数集合进行迭代计算,可以快速的对关键测试参数集合进行优化,因此,提高了确定关键场景的效率。同时计算关键测试参数集合和优化参数集合的风险指数,可以准确的掌握各测试场景发生交通事故概率的情况,并在迭代过程中选择符合预设条件的风险指数,并根据选择的风险指数对应的测试场景生成关键场景,因此,有效的避免了现有技术需要将测试集合中的所有值全部计算后,才能选择关键场景的问题,进而有效的降低了计算样本量,从而提高了确定关键场景的效率。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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1为本发明公开的一种确定自动驾驶关键场景方法的流程示意图;
图2为本发明公开的一种迭代计算方法的流程示意图;
图3为本发明公开的一种风险指数选择方法的流程示意图;
图4为本发明公开的又一种风险指数选择方法的流程示意图;
图5为本发明公开的一种第二风险指数的确定方法的流程示意图;
图6为本发明公开的又一种迭代计算方法的流程示意图;
图7为本发明公开的一种预设条件判断方法的流程示意图;
图8为本发明公开的一种确定自动驾驶关键场景装置示意图;
图9为本发明公开的又一种确定自动驾驶关键场景装置示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
在确定关键场景以对自动测试算法进行测试时,但发明人发现现有技术中时通过对场景的关键测试参数在一定的范围内进行等距取值,进而形成不同具体值的测试集合,在得到测试集合中所述场景的值后,再选择其中可用于测试自动驾驶算法的测试场景,并将可用于测试自动驾驶算法的测试场景确定为关键场景。但由于现有技术中的测试集合中的测试场景的数量会随着关键测试参数的数量增加而增加,同时需要在得到测试集合中所述场景的值后,方可确定关键场景,导致出现筛选关键场景的所需要时间长、筛选效率低的问题。
为了解决上述问题,本发明实施例提供了一种确定自动驾驶关键场景方法,具体步骤图1所示,所述方法包括:
步骤101,根据选择的测试场景类型确定关键测试参数的集合以及各参数的取值范围。
具体的,在本实施例的步骤中,在确定关键场景时,首先根据需要测试的场景类型确定场景类型的关键测试参数的集合,其中,关键测试参数的集合由多个关键测试参数构成,其中,关键测试参数用于表示测试场景中车辆的相对运动状态,包括但不限于本车速度、目标车辆速度、目标车辆的航向角和本车的航向角,在根据需要测试的场景类型确定所需要的关键测试参数的集合后,同时根据测试场景的类型确定关键测试参数的集合中各参数的取值范围。例如,需要测试的场景类型为目标车辆由右向本车正在行驶的车道上并道,此时,确定的关键测试参数的集合为本车速度、目标车辆速度和本车与目标车辆的相对距离,同时,本车速度的取值范围为20kph-120kph,目标车辆速度的取值范围为20kph-120kph,目标车辆速度和本车与目标车辆的相对距离的取值范围为5m-50m。
步骤102,根据所述参数的取值范围随机生成多组关键测试参数集合。
具体的,执行步骤101之后,在确定关键测试参数的集合和各参数的取值范围后,则在各参数的取值范围内生成多组不同的关键测试参数集合,其中,关键测试参数集合由具有具体参数值的参数构成。具体的,以上述实施例为例,当需要测试的场景为目标车辆由右向本车正在行驶的车道上并道,同时确定的关键测试参数的集合为本车速度、目标车辆速度和本车与目标车辆的相对距离,同时,本车速度的取值范围为20kph-120kph,目标车辆速度的取值范围为20kph-120kph,目标车辆速度和本车与目标车辆的相对距离的取值范围为5m-50m,在确定的各参数范围内生成多组不同的关键测试参数集合,例如,第一组关键测试参数集合中包含的具体参数值为本车速度21kph、目标车辆速度25kph、目标车辆速度和本车与目标车辆的相对距离为20m,第二组关键测试参数集合中包含的具体参数值为本车速度50kph、目标车辆速度110kph、目标车辆速度和本车与目标车辆的相对距离为30m,以此类推,随机生成多组关键测试参数集合。在本发明的实施例中优选的随机生成100组关键测试参数集合。
步骤103,以各组关键测试参数集合作为个体进行迭代计算,得到多组优化参数集合。
其中,基于优化参数集合所构建的测试场景发生交通事故的风险指数小于预设值。
具体的,在执行步骤102之后,在随机生成多组关键测试参数集合后,同时对每组关键测试参数集合进行迭代计算,同时得到每组关键测试参数集合所对应的优化参数集合,并且,优化参数集合所构建的测试场景发生交通事故的风险指数小于预设值。具体的,在本实施例中,预设值用于判断当前测试场景是否容易发生交通事故,当风险指数小于预设值时,则判断当前测试场景容易发生交通事故,同时,本实例中的风险指数越小所对应测试场景发生交通事故的概率越大。
步骤104,用于计算所述关键测试参数集合和所述优化参数集合所对应所述测试场景的风险指数。
具体的,在执行步骤103之后,首选根据生成的关键测试参数集合的参数值,利用预设函数得到关键测试参数集合风险指数,同时,对关键测试参数集合进行迭代计算和对优化参数集合进行迭代计算的过程中,得到每次迭代后优化参数集合的风险指数。具体的,以上述实施例为例,本实施例随机生成两组关键测试参数,首先对随机生成的两组关键测试参数利用预设函数计算每组关键测试参数集合的风险指数,同时,在第一组关键参数进行第一次迭代计算时,对根据第一组关键测试参数得到的第一优化测试集合,利用预设函数计算第一优化测试集合的风险指数,在对第一优化测试集合进行第二迭代时,对根据第一优化参数集合得到的第二优化测试集合,利用预设函数计算第二优化测试集合的风险指数,以此类推,第二组关键测试参数集合采用同样的方式进行计算风险指数。同时,本发明实施例优选的采用的预设函数为ObjFunc=min(TTC),其中,TTC(time to collision)是车辆仿真过程中与前方目标碰撞时间,利用预设函数ObjFunc=min(TTC)计算的数值即为风险指数,当风险指数越小时,则表示当前测试场景越容易发生交通事故。同时,预设函数也可以使用其他函数,例如前向时距(THW,time to headway),本发明实施例对预设函数不进行限制,只需能够合理的表示测试场景是否容易发生交通事故即可。
步骤105,用于在所述风险指数中选择符合预设条件的所述风险指数,并利用选择的所述风险指数所对应的所述测试场景生成用于自动驾驶测试的关键场景。
具体的,在执行步骤104之后,得到风险指数的过程中,利用预设条件,对关键测试参数集合和优化参数集合进行迭代过程中,在每次迭代时,都将得到的风险指数与预设条件进行比对,当风险指数满足预设条件时,将风险指数所对应的参数值进行输出,并将输出的参数值对应的测试场景确定为关键场景。具体的,以上述实施例为例,在同时得到第一组关键测试参数和第二组关键测试参数的风险指数后,首先将第一组关键测试参数和第二组关键测试参数的风险指数与预设条件进行比对,判断第一组关键测试参数或第二组关键测试参数的风险指数是否满足预设条件,在得到第一组关键测试参数的第一优化参数的风险指数时,将第一组关键测试参数的第一优化参数的风险指数与预设条件进行比对,判断第一组关键测试参数的第一优化参数的风险指数是否满足预设条件,以此类推,在得到的风险指数中选择符合预设条件的风险指数,并将符合预设条件的风险指数所对应的参数值进行输出,同时将输出的参数值对应的测试场景确定为关键场景。
具体的,本发明实施例中在确定自动驾驶关键场景时,优选的采用粒子群算法,即根据选择测试场景类型确定关键测试参数的集合作为一个粒子,并同时确定粒子中参数的取值范围,在确定参数的取值范围后,在参数取值范围内随机生成多个初始粒子,其中,初始粒子为上述的关键测试参数结合,并通过对各个初始粒子进行迭代计算,得到多个迭代粒子,其中,迭代粒子为上述的优化参数集合,进而计算初始粒子和迭代粒子的风险指数,并在得到风险指数中选择符合预设条件的风险指数,同时将符合预设条件的粒子所对应的测试场景,生成用于自动驾驶测试的关键场景。
具体的,在确定关键场景以对自动驾驶算法进行测试时,首先根据测试场景类型准确的确定关键测试参数和各参数的取值范围,通过确定关键测试参数和各参数的取值范围,可以有效的减少需计算的样本量,提高了确定关键场景的效率,同时,在确定关键测试参数和各参数的取值范围之后,通过随机生成多组关键测试参数集合,并对各关键测试参数集合进行迭代计算,可以快速的对关键测试参数集合进行优化,因此,提高了确定关键场景的效率。同时计算关键测试参数集合和优化参数集合的风险指数,可以准确的掌握各测试场景发生交通事故的情况,并在迭代过程中选择符合预设条件的风险指数,并根据选择的风险指数对应的测试场景生成关键场景,因此,有效的避免了现有技术需要将测试集合中的所有值全部计算后,才能选择关键场景的问题,进而有效的降低了计算样本量,从而提高了确定关键场景的效率。
进一步的,本发明实施例还提供一种迭代计算方法,该方法是对图1所示实施例步骤103中“所述以各组关键测试参数集合作为个体进行迭代计算,得到多组优化参数集合”的具体介绍,具体步骤如图2所示,包括:
步骤201,获取各所述关键测试参数集合的参数值。
具体的,在执行步骤201之后,在确定的参数取值范围内随机生成多组关键测试参数集合后,同时获取每组关键测试参数集合中每个参数的具体参数值。具体的,以上述实施例为例,当随机生成两组关键测试参数集合后,第一组关键测试参数集合中包含的具体参数值为本车速度21kph、目标车辆速度25kph、目标车辆速度和本车与目标车辆的相对距离为20m,第二组关键测试参数集合中包含的具体参数值为本车速度50kph、目标车辆速度110kph、目标车辆速度和本车与目标车辆的相对距离为30m,则分别获取第一组关键测试参数集合和第二组关键测试参数集合中各参数的参数值。
步骤202,利用迭代方程,对各所述关键测试参数集合的参数值进行迭代,得到多组所述优化参数集合。
具体的,在执行步骤201之后,在获取每组关键测试参数集合中各个参数的参数值后,使用迭代方程对每组关键测试参数集合中各个参数的参数值进行迭代,得到第一优化参数集合,同时,在得到第一优化参数集合后,根据第一优化参数集合中各参数的参数值进行再次迭代,得到第二优化参数集合,并进行重复迭代。具体的,本发明实施例的多组关键测试参数集合同时进行迭代。
具体的,本发明通过利用迭代方程,快速的对随机的关键测试参数集合进行迭代,以降低优化参数集合所对应的测试场景的风险指数,从而可以快速的确定关键场景,进而提高了确定关键场景的效率。
具体的,本发明实施例提供一种风险指数选择方法,该方法是在图1所示实施例步骤104中“计算所述关键测试参数集合和所述优化参数集合所对应所述测试场景的风险指数”之后的具体介绍,具体步骤如图3所示,所述方法还包括:
步骤301,判断所述优化参数集合的所述风险指数是否小于第一风险指数。
其中,所述第一风险指数为其他所述优化参数集合的所述风险指数中的最小值。
具体的,在执行步骤104之后,在得到优化参数集合的风险指数之后,将优化参数集合的风险指数与第一风险指数进行比对,进而判断优化参数集合的风险指数是否小于第一风险指数,其中,第一风险指数为其他优化参数集合风险指数中的对应所述测试场景的所述风险指数中的最小值。具体的,以上述实施例为例,当随机生成两组关键测试参数集合时,并对计算第一组关键测试参数集合的风险指数,此时,第一风险指数为该组关键测试参数集合对应的风险指数,然后,将根据第一组关键测试参数集合得到的优化参数集合的风险指数与第一风险指数进行比对,判断根据第一组关键测试参数集合得到的第一优化参数集合的风险指数是否小于第一风险指数,以此类推。同时,本实施例中,在进行每次迭代之后,都将迭代后优化参数集合的风险指数与第一风险指数进行比对,以判断迭代后优化参数集合的风险指数是否小于第一风险指数。
步骤302,则使用述优化参数集合的所述风险指数替换所述第一风险指数。
具体的,在执行步骤301之后,在优化参数集合的风险指数小于第一风险指数时,则使用所述优化参数集合的所述风险指数替换所述第一风险指数。具体的,以上述实施例为例,在判断根据第一组关键测试参数集合得到的优化参数集合的风险指数小于第一风险指数时,则使用根据第一组关键测试参数集合得到的优化参数集合的风险指数替换第一风险指数。同时,本实施例中,在进行每次迭代之后,在迭代后优化参数集合对应的风险指数小于第一风险指数时,则使用迭代后优化参数集合对应的风险指数替换原有的第一风险指数。例如,关键测试参数所对应的风险指数为3.3,则第一风险指数为3.3,在进行第一次迭代时,根据该关键测试参数集合得到的优化参数集合的风险指数为3.2,则使用风险指数3.2替换原有的第一风险指数,则替换后的第一风险指数为3.2,在进行第二次迭代时,将新的优化参数集合的风险指数小于替换后的第一风险指数时,则对第一风险指数进行再次替换,以此类推。
步骤303,则不对所述第一风险指数进行替换。
具体的,在执行步骤301之后,在优化参数集合的风险指数大于或等于第一风险指数时,则判断优化参数集合的风险指数过高,进而无需对原有的第一风险指数进行替换。
具体的,本发明实施例通过设置第一风险指数,可以在以每组关键测试参数集合为个体进行迭代过程中,通过将优化参数集合的风险指数与第一风险指数进行比对,进而在优化参数集合的风险指数小于第一风险指数时,通过使用优化参数集合的风险指数替换原有的第一风险指数,进行可以快速的选择优化参数集合的风险指数中的最小值,从而提高了确定关键场景的效率。
进一步的,本发明实施例提供又一种风险指数选择方法,该方法是在图1所示实施例步骤104中“计算所述关键测试参数集合和所述优化参数集合所对应所述测试场景的风险指数”之后的具体介绍,具体步骤如图4所示,所述方法还包括:
步骤401,判断所述优化参数集合的所述风险指数是否小于第二风险指数。
所述第二风险指数为参数集合的所述风险指数中的最小值,所述参数集合包括所述关键测试参数集合和所述优化参数集合。
具体的,在执行步骤104之后,在每次迭代得到各组关键测试参数所对应的优化参数集合的风险指数时,将本次迭代中所有优化参数集合的风险指数与第二风险指数进行比对,其中,所述第二风险指数为参数集合所对应所述测试场景的所述风险指数中的最小值,具体的,本发明实施例中的第二风险指数为上次迭代中所有参数集合风险指数中的最小值,例如,以上述实施例为例,在随机生成两组关键测试参数,分别为第一组关键测试参数集合和第二组关键测试参数集合,在分别得到第一组关键测试参数集合所对应的第一优化参数集合和第二组关键测试参数集合所对应的第二优化参数集合后,同时分别得到第一优化参数集合的风险指数和第二优化参数集合的风险指数后,将第一优化参数集合的风险指数和第二优化参数集合的风险指数中的最小值确定为第二风险指数,进而在得到下一次迭代后所有优化参数集合时,将每个优化参数集合的风险指数分别与第二风险指数进行比对,从而判断优化参数集合所对应所述测试场景的所述风险指数是否小于第二风险指数。本实施例中,在进行每次迭代之后,都将迭代后的所有优化参数集合的风险指数与第二风险指数进行比对。
步骤402,则使用所述优化参数集合的所述风险指数替换所述第二风险指数。
具体的,在执行步骤401之后,在判断优化参数集合所对应所述测试场景的所述风险指数小于第二风险指数时,则使用优化参数集合所对应所述测试场景的所述风险指数替换所述第二风险指数。具体的,以上述实施例为例,在得到下一次迭代后所有优化参数集合的风险指数时,在判断任一优化参数集合中的风险指数小于第二风险指数时,则对原有的第二风险指数进行替换,例如,下一次迭代的两组优化参数集合所对应的风险指数分别为2.3和3.4,第二风险指数为3.0,由于风险指数2.3小于第二风险指数3.0,进而使用2.3替换原有的第二风险指数,新的第二风险指数为2.3。同时,本实施例中,在进行每次迭代之后,在迭代后任一优化参数集合的风险指数小于第二风险指数时,则使用对应的优化参数集合的风险指数替换原有的第二风险指数。
步骤403,则不对所述第二风险指数进行替换。
具体的,在执行步骤401之后,在优化参数集合所对应的风险指数大于或等于第二风险指数时,则判断优化参数集合的风险指数过高,进而无需对原有的第二风险指数进行替换。
具体的,本发明实施例通过设置第二风险指数,可以在以在多组关键测试参数集合进行同步迭代过程中,通过将优化参数集合的风险指数与第二风险指数进行比对,进而在优化参数集合的风险指数小于第二风险指数时,通过使用优化参数集合的风险指数替换原有的第二风险指数,进行可以快速的选择所有优化参数集合风险指数中的最小值,从而提高了确定关键场景的效率。
进一步的,本发明示例提供一种第二风险指数的确定方法,该方法是在图4所示实施例步骤401中“判断所述优化参数集合的所述风险指数是否大于第二风险指数”之前的具体介绍,具体步骤如图5所示,所述方法还包括:
步骤501,获取各组所述关键测试参数集合的所述风险指数。
具体的,在执行步骤401之前,首先获取随机生成的各组关键测试参数集合的风险指数。具体的,以上述实施例为例,例如,随机生成两组关键测试参数,分别为第一组关键测试参数和第二组关键测试参数,并获取第一组关键测试参数的风险指数和第二组关键测试参数的风险指数。
步骤502,选择各组所述关键测试参数集合的所述风险指数中的最小值。
具体的,在进行步骤501之后,在获取各组关键测试参数集合的风险指数后,将各个风险指数进行比对,选择所有关键测试参数的风险指数最小值。具体的,以上述实施例为例,在获取第一组关键测试参数的风险指数和第二组关键测试参数的风险指数后,将第一组关键测试参数的风险指数和第二组关键测试参数的风险指数进行比对,选择风险指数最小值。
步骤503,将所述关键测试参数集合的所述风险指数中的最小值所对应的风险指数确定为第二风险指数。
具体的,在执行步骤502之后,在确定风险指数最小值后,将风险指数最小值确定为第二风险指数,并利用该第二风险指数与优化参数集合的风险指数进行比对。具体的,在将第一组关键测试参数的风险指数和第二组关键测试参数的风险指数进行比对后,当判断第一组关键测试参数的风险指数为最小值时,则将第一组关键测试参数的风险指数确定为第二风险指数。
进一步的,本发明实施例提供又一种迭代计算方法,该方法是对图2实施例所示步骤202中“利用迭代方程,对各所述关键测试参数集合的参数值进行迭代,得到多组所述优化参数集合”的具体介绍,具体步骤如图6所示包括:
步骤601,根据参数权重和所述关键测试参数集合所对应所述测试场景中本车速度的积,得到第一迭代参数。
步骤602,根据第一迭代系数、第一迭代因子和第一计算参数的积,得到第二迭代参数。
其中,第一计算参数为所述关键测试参数集合的参数值与第一风险指数所对应参数值的差值。
步骤603,根据第二迭代系数、第二迭代因子和第二计算参数的积,得到第三迭代参数。
其中,第二计算参数为所述关键测试参数集合的参数值与第二风险指数所对应参数值的差值。
步骤604,根据所述第一迭代参数、所述第二迭代参数和所述第三迭代参数,得到迭代参数。
步骤605,根据所述迭代参数与所述关键测试参数集合参数值的和,得到所述优化测试参数集合。
具体的,在本实施例中,在对关键测试参数集合的参数值进行迭代时,首先将关键测试参数集合的参数值转化为向量x,并按照下列公式进行计算迭代后的优化测试参数集合,具体公式如下:
Vi+1 d=w×Vi d+c1×rand1 d×(pBest1 d-xi d)+c2×rand2 d×(gBest1 d-xi d);
xi+1 d=xi d+Vi d。
其中,i表示迭代次数,且i大于等于0,w表示参数权重,c1为第一迭代系数,c2为第二迭代系数,rand1 d为第一迭代因子,且第一迭代因子属于0-1,rand2 d为第二迭代因子,且第二迭代因子属于0-1,pBest1 d为第一风险指数,gBest1 d为第二风险指数,xi d为当前的参数集合,当i=1时,xi d为关键测试参数集合,当i≥2时,xi d为优化参数集合。
具体的,当确定关键测试参数为:1.本车车速:EgoSpeed;2.切入目标车速度:TargetSpeed;3.切入时相对距离:RelvDistance,将三个关键参数转换成向量x=[x0,x1,x2],其中x0=EgoSpeed,x1=TargetSpeed,x2=RelvDistance。并通过向量进行迭代计算。
具体的,本发明实施例中通过根据第一风险指数和第二风险指数对迭代的方向进行修正,可以保证迭代后得到的优化参数集合所对应的风险指数越来越小,进而有效的提高确定关键场景的效率。
进一步的,本发明还提供一种预设条件判断方法,该方法是对图1实施例所示步骤105中“所述在所述风险指数中选择符合预设条件的所述风险指数”的具体介绍,具体步骤如图7所示,包括:
步骤701,判断所述风险指数所对应的迭代计算次数是否达到迭代次数最大值,或判断所述风险指数是否为最小值。
具体的,在执行步骤104之后,在得到风险指数过程中,在每次迭代之后,判断当前的迭代次数是否达到迭代次数最大值,同时判断所得到的风险指数是否已经为最小值,其中,迭代次数最大值为预先设置的,本实施例中,对迭代次数最大值的次数不进行限制,优选的迭代次数最大值为100次。
步骤702,在所述迭代次数等于所述迭代次数最大值,或所述风险指数为最小值时,判断符合预设条件。
具体的,在执行步骤701之后,在判断迭代次数大于迭代次数最大值时,则将迭代次数最大值所对应的所述风险指数判断为符合预设条件的所述风险指数,或,在判断迭代次数小于迭代次数最大值,且得到的风险指数为最小值时,则将风险指数最小值的所述风险指数判断为符合预设条件的所述风险指数。
进一步的,作为上述图1-7所示方法实施例的实现,本发明实施例提供了一种确定自动驾驶关键场景装置,该装置可以有效的减少样本量,提高了确定关键场景的效率,同时提高了测试自动驾驶算法的准确率。该装置的实施例与前述方法实施例对应,为便于阅读,本实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容,具体如图8所示,该装置包括:
范围确定模块10,用于根据选择的测试场景类型确定关键测试参数的集合以及各参数的取值范围;
参数生成模块20,用于根据范围确定模块10中所述参数的取值范围随机生成多组关键测试参数集合;
迭代计算模块30,用于以参数生成模块20中各组关键测试参数集合作为个体进行迭代计算,得到多组优化参数集合;
指数计算模块40,用于计算迭代计算模块30中所述关键测试参数集合和所述优化参数集合所对应所述测试场景的风险指数;
场景选择模块50,用于在指数计算模块40得到的所述风险指数中选择符合预设条件的所述风险指数,并利用选择的所述风险指数所对应的所述测试场景生成用于自动驾驶测试的关键场景。
进一步的,如图9所示,迭代计算模块30还包括:
获取单元310,用于获取各所述关键测试参数集合的参数值;
迭代单元320,用于利用迭代方程,对获取单元310获取的各所述关键测试参数集合的参数值进行迭代,得到多组所述优化参数集合。
进一步的,如图9所示,确定自动驾驶关键场景装置还包括第一更新模块60,第一更新模块60包括:
第一判断单元610,用于判断所述优化参数集合的所述风险指数是否小于第一风险指数。
第一更新单元620,用于第一判断模块610判断所述优化参数集合的所述风险指数小于第一风险指数时,使用述优化参数集合的所述风险指数替换所述第一风险指数;
进一步的,如图9所示,确定自动驾驶关键场景装置还包括第二更新模块70,第二更新模块70包括:
第二判断单元710,用于判断所述优化参数集合的所述风险指数是否小于第二风险指数。
第二更新单元720,用于在第二判断单元710判断所述优化参数集合的所述风险指数小于第二风险指数时,使用所述优化参数集合的所述风险指数替换所述第二风险指数。
进一步的,如图9所示,确定自动驾驶关键场景装置还包括第二风险指数确定模块80,第二风险指数确定80包括:
第一确定单元810,用于获取各组所述关键测试参数集合的所述风险指数。
第二确定单元820,用于在第一确定单元810获取的各组所述关键测试参数集合的选择所述风险指数中的最小值;
第三确定单元810,用于将第二确定单元820中所述关键测试参数集合的所述风险指数中的最小值所对应的风险指数确定为第二风险指数。
进一步的,如图9所示,迭代单元320还用于根据参数权重和所述关键测试参数集合所对应所述测试场景中本车速度的积,得到第一迭代参数;根据第一迭代系数、第一迭代因子和第一计算参数的积,得到第二迭代参数;根据第二迭代系数、第二迭代因子和第二计算参数的积,得到第三迭代参数;根据所述第一迭代参数、所述第二迭代参数和所述第三迭代参数,得到迭代参数;根据所述迭代参数与所述关键测试参数集合参数值的和,得到所述优化测试参数集合。
进一步的,如图9所示,场景选择模块50包括:
第一选择单元510,用于判断所述风险指数所对应的迭代计算次数是否达到迭代次数最大值,或判断所述风险指数是否为最小值;
第二选择单元520,用于在所述迭代次数等于所述迭代次数最大值,或所述风险指数为最小值时,判断符合预设条件。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
可以理解的是,上述方法及装置中的相关特征可以相互参考。另外,上述实施例中的“第一”、“第二”等是用于区分各实施例,而并不代表各实施例的优劣。
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,装置和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,在此不再一一赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
此外,存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或集合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的集合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或集合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种确定自动驾驶关键场景方法,其特征在于,所述方法包括:
根据选择的测试场景类型确定关键测试参数的集合以及各参数的取值范围;
根据所述参数的取值范围随机生成多组关键测试参数集合;
以各组关键测试参数集合作为个体进行迭代计算,得到多组优化参数集合,其中,基于优化参数集合所构建的测试场景发生交通事故的风险指数小于预设值;
计算所述关键测试参数集合和所述优化参数集合所对应所述测试场景的风险指数;
在所述风险指数中选择符合预设条件的所述风险指数,并利用选择的所述风险指数所对应的所述测试场景生成用于自动驾驶测试的关键场景。
2.根据权利要求1所述的方法,其特征在于,所述以各组关键测试参数集合作为个体进行迭代计算,得到多组优化参数集合,包括:
获取各所述关键测试参数集合的参数值;
利用迭代方程,对各所述关键测试参数集合的参数值进行迭代,得到多组所述优化参数集合。
3.根据权利要求1所述的方法,其特征在于,在计算所述关键测试参数集合和所述优化参数集合所对应所述测试场景的风险指数之后,所述方法还包括:
判断所述优化参数集合的所述风险指数是否小于第一风险指数,其中,所述第一风险指数为其他所述优化参数集合的所述风险指数中的最小值;
若是,则使用所述优化参数集合的所述风险指数替换所述第一风险指数;
若否,则不对所述第一风险指数进行替换。
4.根据权利要求1所述的方法,其特征在于,在以各组关键测试参数集合作为个体进行迭代计算,得到多组优化参数集合之后,所述方法还包括:
判断所述优化参数集合的所述风险指数是否小于第二风险指数,其中,所述第二风险指数为参数集合的所述风险指数中的最小值,所述参数集合包括所述关键测试参数集合和所述优化参数集合;
若是,则使用所述优化参数集合的所述风险指数替换所述第二风险指数;
若否,则不对所述第二风险指数进行替换。
5.根据权利要求4所述的方法,其特征在于,在判断所述优化参数集合的所述风险指数是否大于第二风险指数之前,所述方法还包括:
获取各组所述关键测试参数集合的所述风险指数;
选择各组所述关键测试参数集合的所述风险指数中的最小值;
将所述关键测试参数集合的所述风险指数中的最小值确定为第二风险指数。
6.根据权利要求2所述的方法,其特征在于,所述利用迭代方程,对各所述关键测试参数集合的参数值进行迭代,得到多组所述优化参数集合,包括:
根据参数权重和所述关键测试参数集合所对应所述测试场景中本车速度的积,得到第一迭代参数;
根据第一迭代系数、第一迭代因子和第一计算参数的积,得到第二迭代参数,其中,第一计算参数为所述关键测试参数集合的参数值与第一风险指数的差值;
根据第二迭代系数、第二迭代因子和第二计算参数的积,得到第三迭代参数,其中,第二计算参数为所述关键测试参数集合的参数值与第二风险指数的差值;
根据所述第一迭代参数、所述第二迭代参数和所述第三迭代参数,得到迭代参数;
根据所述迭代参数与所述关键测试参数集合参数值的和,得到所述优化测试参数集合。
7.根据权利要求1所述的方法,其特征在于,所述在所述风险指数中选择符合预设条件的所述风险指数,包括:
判断所述风险指数所对应的迭代计算次数是否达到迭代次数最大值,或判断所述风险指数是否为最小值;
在所述迭代次数等于所述迭代次数最大值,或所述风险指数为最小值时,判断符合预设条件。
8.一种确定自动驾驶关键场景装置,其特征在于,所述装置包括:
范围确定模块,用于根据选择的测试场景类型确定关键测试参数的集合以及各参数的取值范围;
参数生成模块,用于根据所述参数的取值范围随机生成多组关键测试参数集合;
迭代计算模块,用于以各组关键测试参数集合作为个体进行迭代计算,得到多组优化参数集合;
指数计算模块,用于计算所述关键测试参数集合和所述优化参数集合所对应所述测试场景的风险指数;
场景选择模块,用于在所述风险指数中选择符合预设条件的所述风险指数,并利用选择的所述风险指数所对应的所述测试场景生成用于自动驾驶测试的关键场景。
9.一种终端,其特征在于,所述终端用于运行程序,其中,所述终端运行时执行权利要求1-7中任意一项所述的确定自动驾驶关键场景方法。
10.一种存储介质,其特征在于,所述存储介质用于存储计算机程序,其中,所述计算机程序运行时控制所述存储介质所在设备执行权利要求1-7中任意一项所述的确定自动驾驶关键场景方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210661874.6A CN115080391A (zh) | 2022-06-13 | 2022-06-13 | 一种确定自动驾驶关键场景方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210661874.6A CN115080391A (zh) | 2022-06-13 | 2022-06-13 | 一种确定自动驾驶关键场景方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115080391A true CN115080391A (zh) | 2022-09-20 |
Family
ID=83250413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210661874.6A Pending CN115080391A (zh) | 2022-06-13 | 2022-06-13 | 一种确定自动驾驶关键场景方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115080391A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828638A (zh) * | 2023-01-09 | 2023-03-21 | 西安深信科创信息技术有限公司 | 一种自动驾驶测试场景脚本生成方法、装置及电子设备 |
CN117667638A (zh) * | 2023-12-29 | 2024-03-08 | 湖北华中电力科技开发有限责任公司 | 一种基于敏捷性能测试模型的测试场景设计方法 |
-
2022
- 2022-06-13 CN CN202210661874.6A patent/CN115080391A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828638A (zh) * | 2023-01-09 | 2023-03-21 | 西安深信科创信息技术有限公司 | 一种自动驾驶测试场景脚本生成方法、装置及电子设备 |
CN117667638A (zh) * | 2023-12-29 | 2024-03-08 | 湖北华中电力科技开发有限责任公司 | 一种基于敏捷性能测试模型的测试场景设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115080391A (zh) | 一种确定自动驾驶关键场景方法及装置 | |
US11092692B2 (en) | Apparatus and method for recognizing location in autonomous vehicle | |
JP7047498B2 (ja) | 学習プログラム、学習方法および学習装置 | |
CN115729796B (zh) | 基于人工智能的异常操作分析方法及大数据应用系统 | |
CN111834004A (zh) | 一种基于中心化空间学习的未知疾病类别识别方法及装置 | |
CN111143685A (zh) | 一种推荐系统的构建方法及装置 | |
Deng et al. | Classifying human behaviors: Improving training of conventional algorithms | |
KR101878213B1 (ko) | 가중치 그래프를 요약하는 방법, 장치 및 컴퓨터 프로그램 | |
CN116433050B (zh) | 应用于农业大数据管理系统的异常报警方法及系统 | |
US20230021674A1 (en) | Storage medium, machine learning method, and machine learning apparatus | |
CN115346005B (zh) | 基于嵌套包围盒概念用于物面网格的数据结构构建方法 | |
CN115238788A (zh) | 一种工业大数据的分类方法、系统、服务器及存储介质 | |
CN111950753A (zh) | 一种景区客流预测的方法及装置 | |
CN115131679A (zh) | 检测方法、装置及计算机存储介质 | |
CN115358342A (zh) | 一种高等级自动驾驶汽车odc边界条件确定方法及装置 | |
CN115543809A (zh) | 自动驾驶功能的测试场景库构建方法及装置 | |
CN112433952B (zh) | 深度神经网络模型公平性测试方法、系统、设备及介质 | |
CN114780646A (zh) | 车辆处理方法、装置、计算机设备及存储介质 | |
CN114861922A (zh) | 一种量子比特读取数据的分析方法、装置、设备及介质 | |
CN114330618B (zh) | 一种基于伪标签的二分类标签数据优化方法、设备及介质 | |
CN112987596B (zh) | 一种无人驾驶设备的测试方法及测试装置 | |
CN115273456B (zh) | 一种两轮电动车违规行驶的判定方法、系统和存储介质 | |
CN117217101B (zh) | 一种基于虚拟现实技术的实验模拟方法 | |
CN116361671B (zh) | 一种基于后校正的高熵knn聚类方法、设备及介质 | |
CN117609393B (zh) | 一种元数据一致性测试方法 |
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 | ||
CB02 | Change of applicant information |
Address after: 314500 988 Tong Tong Road, Wu Tong Street, Tongxiang, Jiaxing, Zhejiang Applicant after: United New Energy Automobile Co.,Ltd. Address before: 314500 988 Tong Tong Road, Wu Tong Street, Tongxiang, Jiaxing, Zhejiang Applicant before: Hozon New Energy Automobile Co., Ltd. |
|
CB02 | Change of applicant information |