CN115097803A - 无人车控制系统测试方法、装置、电子设备及存储介质 - Google Patents
无人车控制系统测试方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115097803A CN115097803A CN202210607911.5A CN202210607911A CN115097803A CN 115097803 A CN115097803 A CN 115097803A CN 202210607911 A CN202210607911 A CN 202210607911A CN 115097803 A CN115097803 A CN 115097803A
- Authority
- CN
- China
- Prior art keywords
- test
- loop
- control system
- uncertain
- yaw
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本申请实施例提供了一种无人车控制系统测试方法、装置、电子设备及存储介质。其中,无人车控制系统测试方法包括:创建无人车控制系统的测试模型,测试模型包括所述控制系统的待测试参数和影响所述控制系统的不确定因素;采用蒙特卡洛法对所述不确定因素进行随机采样,得到测试样本;基于所述测试样本对所述测试模型运行仿真测试,基于测试结果确定所述待测试参数是否通过测试。本申请实施例中,考虑到不确定因素的多样性,采用蒙特卡洛法对不确定因素进行随机采样得到测试样本,基于测试样本对测试模型运行仿真测试。由于蒙特卡洛法能够更加方便、有效地解决随机性问题,因此基于蒙特卡洛的测试方法能更好地表征无人车的实际运行情况,从而提高测试结果的准确性。
Description
技术领域
本申请涉及车辆控制技术领域,特别是涉及一种无人车控制系统测试方法、装置、电子设备及存储介质。
背景技术
近年来,随着汽车电动化与智能化的飞速发展,控制系统的设计与应用成为了自动驾驶领域的重要组成部分。
无人车(也即自动驾驶车辆)由各种传感器、执行器以及电控单元组成,是一套极其复杂的综合性控制系统。此外,工况变化、外部干扰以及零部件故障等因素也为无人车控制系统带来了大量的不确定性。对于人类驾驶员,往往通过依靠经验判断来应对上述不确定性。但是对于无人车控制系统,需要从设计层面获得鲁棒性较好的控制率,保证系统有较大的稳定裕度,从而可以在各种不确定性的影响下确保系统稳定,在此基础上尽可能地保证系统的动、静态性能不会过于恶化。
自动驾驶的安全性是保证整个产业积极发展的重中之重,因此,针对无人车控制系统建立一套完整、高效的鲁棒性测试方法是目前亟待解决的技术问题。
发明内容
鉴于上述问题,本申请实施例提出了一种无人车控制系统测试方法、装置、电子设备及存储介质,用以对无人车控制系统进行自动测试。
根据本申请的实施例的第一方面,提供了一种无人车控制系统测试方法,包括:
创建无人车控制系统的测试模型,所述测试模型包括所述控制系统的待测试参数和影响所述控制系统的不确定因素;
采用蒙特卡洛法对所述不确定因素进行随机采样,得到测试样本;
基于所述测试样本对所述测试模型运行仿真测试,基于测试结果确定所述待测试参数是否通过测试。
可选地,所述采用蒙特卡洛法对所述不确定因素进行随机采样,得到测试样本,包括:针对每个不确定因素,基于预设的当前不确定因素的权重值,确定当前不确定因素的采样数量,按照当前不确定因素的采样数量,采用蒙特卡洛法对当前不确定因素进行随机采样,得到当前不确定因素的样本;基于各不确定因素的样本,组成所述测试样本;所述不确定因素的权重值与所述不确定因素对所述控制系统的影响程度正相关,所述不确定因素的权重值与所述不确定因素的采样数量正相关。
可选地,所述按照当前不确定因素的采样数量,采用蒙特卡洛法对当前不确定因素进行随机采样,包括:获取当前不确定因素的指标范围;按照当前不确定因素的采样数量和当前不确定因素的指标范围,采用蒙特卡洛法对当前不确定因素进行随机采样。
可选地,所述基于各不确定因素的样本,组成所述测试样本,包括:对全部不确定因素的样本进行全排列操作,得到所述测试样本。
可选地,所述测试模型包括依次嵌套的姿态环路、横摆角环路和横摆角速度环路;其中,所述姿态环路为最外层,所述横摆角环路为中间层,所述横摆角速度环路为最内层。
可选地,所述待测试参数包括所述姿态环路的控制器参数、所述横摆角环路的控制器参数和所述横摆角速度环路的控制器参数;基于所述测试样本对所述测试模型运行仿真测试,基于测试结果确定所述待测试参数是否通过测试,包括:断开所述横摆角环路,基于所述测试样本对所述横摆角速度环路运行第一仿真测试,基于所述第一仿真测试的测试结果确定所述横摆角速度环路的控制器参数是否通过测试;响应于所述横摆角速度环路的控制器参数通过测试,断开所述姿态环路,基于所述测试样本对所述横摆角环路运行第二仿真测试,基于所述第二仿真测试的测试结果确定所述横摆角环路的控制器参数是否通过测试;响应于所述横摆角环路的控制器参数通过测试,基于所述测试样本对所述姿态环路运行第三仿真测试,基于所述第三仿真测试的测试结果确定所述姿态环路的控制器参数是否通过测试;响应于所述姿态环路的控制器参数通过测试,确定所述待测试参数通过测试。
可选地,所述不确定因素包括以下至少一种:转向系统固有频率、转向系统阻尼、方向盘零偏、转向延迟、稳态转向增益、车身固有频率、车身阻尼、横摆角速度测量值、横摆角测量值、曲率测量值。
根据本申请的实施例的第二方面,提供了一种无人车控制系统测试装置,包括:
创建模块,用于创建无人车控制系统的测试模型,所述测试模型包括所述控制系统的待测试参数和影响所述控制系统的不确定因素;
采样模块,用于采用蒙特卡洛法对所述不确定因素进行随机采样,得到测试样本;
测试模块,用于基于所述测试样本对所述测试模型运行仿真测试,基于测试结果确定所述待测试参数是否通过测试。
可选地,所述采样模块包括:样本获取单元,用于针对每个不确定因素,基于预设的当前不确定因素的权重值,确定当前不确定因素的采样数量,按照当前不确定因素的采样数量,采用蒙特卡洛法对当前不确定因素进行随机采样,得到当前不确定因素的样本;样本组合单元,用于基于各不确定因素的样本,组成所述测试样本;所述不确定因素的权重值与所述不确定因素对所述控制系统的影响程度正相关,所述不确定因素的权重值与所述不确定因素的采样数量正相关。
可选地,所述样本获取单元,具体用于获取当前不确定因素的指标范围;按照当前不确定因素的采样数量和当前不确定因素的指标范围,采用蒙特卡洛法对当前不确定因素进行随机采样。
可选地,所述样本组合单元,具体用于对全部不确定因素的样本进行全排列操作,得到所述测试样本。
可选地,所述测试模型包括依次嵌套的姿态环路、横摆角环路和横摆角速度环路;其中,所述姿态环路为最外层,所述横摆角环路为中间层,所述横摆角速度环路为最内层。
可选地,所述待测试参数包括所述姿态环路的控制器参数、所述横摆角环路的控制器参数和所述横摆角速度环路的控制器参数;所述测试模块包括:第一测试单元,用于断开所述横摆角环路,基于所述测试样本对所述横摆角速度环路运行第一仿真测试,基于所述第一仿真测试的测试结果确定所述横摆角速度环路的控制器参数是否通过测试;第二测试单元,用于响应于所述横摆角速度环路的控制器参数通过测试,断开所述姿态环路,基于所述测试样本对所述横摆角环路运行第二仿真测试,基于所述第二仿真测试的测试结果确定所述横摆角环路的控制器参数是否通过测试;第三测试单元,用于响应于所述横摆角环路的控制器参数通过测试,基于所述测试样本对所述姿态环路运行第三仿真测试,基于所述第三仿真测试的测试结果确定所述姿态环路的控制器参数是否通过测试;确定单元,用于响应于所述姿态环路的控制器参数通过测试,确定所述待测试参数通过测试。
可选地,所述不确定因素包括以下至少一种:转向系统固有频率、转向系统阻尼、方向盘零偏、转向延迟、稳态转向增益、车身固有频率、车身阻尼、横摆角速度测量值、横摆角测量值、曲率测量值。
根据本申请的实施例的第三方面,提供了一种电子设备,包括:一个或多个处理器;和其上存储有指令的一个或多个计算机可读存储介质;当所述指令由所述一个或多个处理器执行时,使得所述处理器执行如上任一项所述的无人车控制系统测试方法。
根据本申请的实施例的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被处理器执行时,使得所述处理器执行如上任一项所述的无人车控制系统测试方法。
本申请实施例提供了一种无人车控制系统测试方法、装置、电子设备及存储介质。通过从实际应用场景中分析和总结出控制系统需要关注的不确定因素,创建包括控制系统的待测试参数和影响控制系统的不确定因素的测试模型;考虑到不确定因素的多样性,采用蒙特卡洛法对不确定因素进行随机采样得到测试样本,基于测试样本对测试模型运行仿真测试,基于测试结果确定待测试参数是否通过测试。由于蒙特卡洛法能够更加方便、有效地解决随机性问题,因此基于蒙特卡洛的测试方法能更好地表征无人车的实际运行情况,从而提高测试结果的准确性。
附图说明
为了更清楚地说明本申请的实施例的技术方案,下面将对本申请的实施例的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申请的实施例的一些附图,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例的一种无人车控制系统测试方法的步骤流程图。
图2是本申请实施例的另一种无人车控制系统测试方法的步骤流程图。
图3是本申请实施例的一种测试模型的结构示意图。
图4是本申请实施例的另一种测试模型的结构示意图。
图5是本申请实施例的一种无人车控制系统测试装置的结构框图。
图6是本申请实施例的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请的实施例中的附图,对本申请的实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只是本申请的一部分实施例,而不是本申请的全部实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例是在完成初步的控制系统参数设计后,对整体控制系统的鲁棒性进行测试,如在该测试下表现良好通过测试,则可以将控制系统参数进行实车应用;反之,则进行控制系统参数的优化迭代。以下具体说明。
参照图1,示出了本申请实施例的一种无人车控制系统测试方法的步骤流程图。
如图1所示,无人车控制系统测试方法可以包括以下步骤:
步骤101,创建无人车控制系统的测试模型,所述测试模型包括所述控制系统的待测试参数和影响所述控制系统的不确定因素。
通过结合自动驾驶量产背景,从实际应用场景中分析和总结出影响无人车控制系统的不确定因素,并设置需要进行迭代优化的无人车控制系统的待测试参数。创建无人车控制系统的测试模型,在该测试模型中添加上述控制系统的待测试参数和影响控制系统的不确定因素。
在无人车控制系统的测试模型中,对控制系统的待测试参数和影响控制系统的不确定因素进行数学计算,其中,影响控制系统的不确定因素作为测试模型的输入变量,测试模型的输出结果为无人车的状态信息。
示意性的,上述数学计算可以包括但不限于积分计算等。上述无人车的状态信息可以包括但不限于:位置、速度、加速度,等等。
步骤102,采用蒙特卡洛法对所述不确定因素进行随机采样,得到测试样本。
蒙特卡洛法通过对模型或过程的观察或抽样试验来计算所求参数的统计特征,最后给出所求解的近似值,因此对许多其它方法难以解决的随机性问题,蒙特卡洛法可以比较方便地加以解决。采用蒙特卡洛法对影响无人车控制系统的不确定因素进行随机采样,可以得到测试样本。
步骤103,基于所述测试样本对所述测试模型运行仿真测试,基于测试结果确定所述待测试参数是否通过测试。
基于测试样本对测试模型运行仿真测试。示意性的,测试样本中可以包括每个不确定因素的多个样本,可以将测试样本划分为多组,每组中包括每个不确定因素的一个样本。在运行一次仿真测试时,将一组中包括的每个不确定因素的一个样本输入测试模型,得到测试模型的输出结果,该输出结果表示无人车的状态信息。
基于测试结果确定待测试参数是否通过测试。示意性的,预先设置目标输出结果,目标输出结果表示无人车的目标状态信息。基于测试模型的输出结果与预设的目标输出结果进行对比分析,以便确定控制系统的待测试参数是否通过测试。
示意性的,可以基于测试模型的输出结果与预设的目标输出结果计算模型损失函数,在该模型损失函数满足预设条件的情况下,可以确定控制系统的待测试参数通过测试。示意性的,上述模型损失函数可以包括但不限于:交叉熵损失函数、感知损失函数、指数损失函数、平方损失函数,等等。上述预设条件可以包括但不限于:模型损失函数小于预设阈值,模型损失函数收敛,等等。
如果控制系统的待测试参数通过测试,可以表明当前控制系统的待测试参数使得控制系统的鲁棒性通过测试,因此将通过测试的待测试参数进行实车应用;如果控制系统的待测试参数未通过测试,可以表明当前控制系统的待测试参数使得控制系统的鲁棒性未通过测试,因此对设计出的待测试参数进行优化迭代,并继续运行仿真测试,从而形成控制系统开发和测试的完整闭环。
本申请实施例中,通过从实际应用场景中分析和总结出控制系统需要关注的不确定因素,创建包括控制系统的待测试参数和影响控制系统的不确定因素的测试模型;考虑到不确定因素的多样性,采用蒙特卡洛法对不确定因素进行随机采样得到测试样本,基于测试样本对测试模型运行仿真测试,基于测试结果确定待测试参数是否通过测试。由于蒙特卡洛法能够更加方便、有效地解决随机性问题,因此基于蒙特卡洛的测试方法能更好地表征无人车的实际运行情况,从而提高测试结果的准确性。
参照图2,示出了本申请实施例的另一种无人车控制系统测试方法的步骤流程图。
如图2所示,无人车控制系统测试方法可以包括以下步骤:
步骤201,创建无人车控制系统的测试模型。
在一种可选实施方式中,测试模型中可以包括但不限于车身建模部分。其中,车身建模部分包括依次嵌套的姿态(pose)环路、横摆角(yaw)环路和横摆角速度(yawrate)环路,所述姿态环路为最外层,所述横摆角环路为中间层,所述横摆角速度环路为最内层。可选地,在测试模型中,上述车身建模部分的三个环路可以利用三重积分函数表示。
根据极点配置原理,分别设置测试模型中所述姿态环路的控制器参数、所述横摆角环路的控制器参数和所述横摆角速度环路的控制器参数,将设置的控制器参数作为控制系统的待测试参数。可选地,为了设置方便,控制器参数的设置顺序可以为:横摆角速度环路的控制器参数、横摆角环路的控制器参数、姿态环路的控制器参数。
在测试模型中添加影响控制系统的不确定因素。针对上述姿态环路、横摆角环路和横摆角速度环路,添加影响这些环路的不确定因素。示意性的,不确定因素可以包括但不限于以下至少一种:稳态转向增益、车身固有频率、车身阻尼、横摆角速度测量值、横摆角测量值、曲率测量值。
其中,稳态转向增益、车身固有频率、车身阻尼来自车身建模,横摆角速度测量值、横摆角测量值、曲率测量值来自测量误差。稳态转向增益、车身固有频率、车身阻尼作用于横摆角速度环路,并且间接作用于横摆角环路和姿态环路;横摆角速度测量值和曲率测量值作用于横摆角环路,并间接作用于姿态环路;横摆角测量值作用于姿态环路。
图3是本申请实施例的一种测试模型的结构示意图。如图3所示,测试模型中,姿态环路、横摆角环路和横摆角速度环路依次嵌套,姿态环路为最外层,横摆角环路为中间层,横摆角速度环路为最内层。横摆角环路关联横摆角速度测量值和曲率测量值,姿态环路关联横摆角测量值。
在另一种可选实施方式中,进一步考虑到转向系统的不稳定性,在上述车身建模部分的基础上,还可以进一步设置转向系统建模部分。其中,转向系统建模部分可以利用二阶函数表示,转向系统建模部分与上述横摆角速度环路连接。转向系统建模部分不设置控制器参数。
针对上述车身建模部分和转向系统建模部分,添加不确定因素。示意性的,不确定因素可以包括但不限于以下至少一种:转向系统固有频率、转向系统阻尼、方向盘零偏、转向延迟、稳态转向增益、车身固有频率、车身阻尼、横摆角速度测量值、横摆角测量值、曲率测量值。
其中,转向系统固有频率、转向系统阻尼、方向盘零偏、转向延迟来自转向系统建模,稳态转向增益、车身固有频率、车身阻尼来自车身建模,横摆角速度测量值、横摆角测量值、曲率测量值来自测量误差。其中,转向系统固有频率、转向系统阻尼、方向盘零偏、转向延迟作用于转向系统建模部分,进而作用于横摆角速度环路;稳态转向增益、车身固有频率、车身阻尼作用于横摆角速度环路,并且间接作用于横摆角环路和姿态环路;横摆角速度测量值和曲率测量值作用于横摆角环路,并且间接作用于姿态环路;横摆角测量值作用于姿态环路。
图4是本申请实施例的另一种测试模型的结构示意图。如图4所示,测试模型中,姿态环路、横摆角环路和横摆角速度环路依次嵌套,姿态环路为最外层,横摆角环路为中间层,横摆角速度环路为最内层,转向系统建模部分与横摆角速度环路连接。横摆角环路关联横摆角速度测量值和曲率测量值,姿态环路关联横摆角测量值。
步骤202,基于预设的所述不确定因素的权重值,采用蒙特卡洛法对所述不确定因素进行随机采样,得到测试样本。
在一种可选实施方式中,基于预设的不确定因素的权重值,采用蒙特卡洛法对所述不确定因素进行随机采样,得到测试样本的过程,可以包括以下步骤A1~A2:
步骤A1,针对每个不确定因素,基于预设的当前不确定因素的权重值,确定当前不确定因素的采样数量,按照当前不确定因素的采样数量,采用蒙特卡洛法对当前不确定因素进行随机采样,得到当前不确定因素的样本。
针对每个不确定因素,基于该不确定因素对控制系统的影响程度,确定该不确定因素的权重值。其中,不确定因素的权重值与不确定因素对控制系统的影响程度正相关,也即,不确定因素对控制系统的影响程度越大,不确定因素的权重值越大。在实际应用中,可以根据实际应用场景确定各不确定因素对控制系统的影响程度大小,本实施例对此不作限制。
针对每个不确定因素,基于该不确定因素的权重值,确定该不确定因素的采样数量。其中,不确定因素的权重值与不确定因素的采样数量正相关,也即,不确定因素的权重值越大,不确定因素的采样数量越大。在实际应用中,可以根据实际应用场景确定不确定因素的权重值与采样数量的具体关系式,本实施例对此不作限制。
针对每个不确定因素,按照该不确定因素的采样数量,采用蒙特卡洛法对该不确定因素进行随机采样,得到该不确定因素的样本。
示意性的,可以根据实际应用场景预先设置各不确定因素的指标范围。针对当前不确定因素,获取当前不确定因素的指标范围,并按照当前不确定因素的采样数量和当前不确定因素的指标范围,采用蒙特卡洛法对当前不确定因素进行随机采样,得到当前不确定因素的样本。其中,当前不确定因素的样本数量即为当前不确定因素的采样数量。
可选地,不确定因素的指标范围可以为不确定因素的变化范围,该变化范围表示不确定因素的值在该范围内变化。该种情况下,测试模型中的不确定因素没有标称值,因此采样值表示不确定因素的值。比如,某个不确定因素的变换范围是0.8~1,则在随机采样时,该不确定因素的值将在0.8~1的范围内随机采样。
可选地,不确定因素的指标范围也可以为不确定因素的标称值和变化量,该变化量表示在该标称值的基础上变化的程度。该种情况下,测试模型中的不确定因素有标称值,并且在该标称值的基础上叠加一个变化量,因此采样值表示在不确定因素标称值的基础上叠加的变化量。比如,某个不确定因素的标称值是0.05,变化量是-0.1~0.1,则在随机采样时,该不确定因素的变化量将在-0.1~0.1的范围内随机采样。
步骤A2,基于各不确定因素的样本,组成所述测试样本。
在一种可选实施方式中,在组合各不确定因素的样本的过程中,对全部不确定因素的样本进行全排列操作,得到所述测试样本,从而能够保证样本的多样性,以及单一不确定因素可以充分覆盖其边界。
步骤203,横摆角速度环路测试是否通过。若是,则执行步骤205,若否,则执行步骤204。
首先,断开横摆角环路(横摆角环路断开进而会导致姿态环路断开),基于所述测试样本对所述横摆角速度环路运行第一仿真测试,基于所述第一仿真测试的测试结果,确定所述横摆角速度环路的控制器参数是否通过测试。对于确定是否通过测试的具体过程,可以参照上述步骤103的相关描述,本实施例在此不再详细论述。
步骤204,优化横摆角速度环路的控制器参数。之后返回执行步骤203。
步骤205,横摆角环路测试是否通过。若是,则执行步骤207,若否,则执行步骤206。
响应于所述横摆角速度环路的控制器参数通过测试,断开所述姿态环路,基于所述测试样本对所述横摆角环路运行第二仿真测试,基于所述第二仿真测试的测试结果确定所述横摆角环路的控制器参数是否通过测试。对于确定是否通过测试的具体过程,可以参照上述步骤103的相关描述,本实施例在此不再详细论述。
步骤206,优化横摆角环路的控制器参数。之后返回执行步骤205。
步骤207,姿态环路测试是否通过。若是,则执行步骤209,若否,则执行步骤208。
响应于所述横摆角环路的控制器参数通过测试,基于所述测试样本对所述姿态环路运行第三仿真测试,基于所述第三仿真测试的测试结果确定所述姿态环路的控制器参数是否通过测试。对于确定是否通过测试的具体过程,可以参照上述步骤103的相关描述,本实施例在此不再详细论述。
步骤208,优化姿态环路的控制器参数。之后返回执行步骤207。
步骤209,确定所述待测试参数通过测试。
响应于所述姿态环路的控制器参数通过测试,确定所述待测试参数通过测试。
下面,以不确定因素包括转向系统固有频率、转向系统阻尼、方向盘零偏、转向延迟、稳态转向增益、车身固有频率、车身阻尼、横摆角速度测量值、横摆角测量值和曲率测量值为例,进行详细介绍。
运行流程具体如下:
1、对无人车控制系统进行建模,分为pose、yaw和yawrate三个环路,测试模型中的参数作为后续鲁棒性分析的标称值,根据随机采样将发生更改。
2、根据极点配置原理,分别设计三个环路的控制器参数,设计顺序为yawrate、yaw、pose,该参数作为本次鲁棒性测试的基准参数,不作更改。
3、根据无人车量产背景和实际应用,本申请实施例中添加的不确定因素及指标范围如下:
a.转向系统固有频率,标称值3hz,变化范围2~3hz
b.转向系统阻尼,标称值1,变化范围0.8~1
c.方向盘零偏,标称值0°,变化范围-5~5°
d.转向延迟,标称值50ms,变化范围50~200ms
e.稳态转向增益,变化量-10%~10%
f.车身固有频率,变化量-1~1rad/s
g.车身阻尼,变化量-0.1~0.1
h.Yawrate测量值,变化量-0.2~0.2deg/s
i.Yaw测量值,变化量-2~2deg
j.曲率测量值,变化量-10%~10%
其中,不确定因素a~d来自转向系统建模,e~g来自车身建模,h~j来自测量误差。
4、对于上述不确定因素e~g,计算不确定因素e~g的标称值。
示意性的,可以根据实际应用场景设定车辆的目标速度,即确定本次测试的工况,然后根据设定的目标速度计算出不确定因素e~g的标称值。
稳态转向增益e的标称值的计算通过如下公式计算:
车身固有频率f的标称值的计算通过如下公式计算:
车身阻尼g的标称值的计算通过如下公式计算:
上述公式中,u表示纵向速度(也即目标速度),单位是m/s;L表示轴距,单位是m;m表示整车质量,单位是kg;a表示质心到前轴长度,单位是m;b表示质心到后轴长度,单位是m;k1表示前轮等效侧偏刚度,单位是N/rad;k2表示后轮等效侧偏刚度,单位是N/rad;Iz表示转动惯量,单位是kg·m^2。
5、对于上述不确定因素a~j,按照指标范围进行随机采样。
具体地,根据不确定因素对控制系统的影响程度(也即不确定因素的重要性)分配不确定因素的权重值,根据不确定因素的权重值确定不确定因素的采样数量。经过采样,分别得到不确定因素a的数量为na,不确定因素b的数量为nb,不确定因素c的数量为nc,不确定因素d的数量为nd,不确定因素e的数量为ne,不确定因素f的数量为nf,不确定因素g的数量为ng,不确定因素h的数量为nh,不确定因素i的数量为ni,不确定因素j的数量为nj。采用全排列算法,将上述采样结果进行组合,得到总样本数为N=na×nb×nc×nd×ne×nf×ng×nh×ni×nj组。
6、遍历N组样本,对pose环路、yaw环路和yawrate环路进行独立设计,共运行3*N次仿真测试,测试顺序按照yawrate环路、yaw环路、pose环路执行。
7、断开yaw环路,测试yawrate环路的鲁棒性,考察输入不确定因素a~g对性能和稳定性造成的影响,测试不通过则优化yawrate环路的控制器参数后,重新运行仿真测试。
8、断开pose环路,测试yaw环路的鲁棒性,在上述yawrate环路的性能基础上,考察输入不确定因素h和j对性能和稳定性造成的影响,测试不通过则优化yaw环路的控制器参数后,重新运行仿真测试。
9、测试pose环路的鲁棒性,在上述yawrate环路和yaw环路的性能基础上,考察输入不确定因素i对性能和稳定性造成的影响,测试不通过则优化pose环路的控制器参数后,重新运行仿真测试。
10、如果yawrate环路、yaw环路、pose环路均测试通过,则说明上述步骤2设计的控制器参数收敛,本轮鲁棒性测试通过,迭代结束。
本申请实施例中,提出了一套自动驾驶领域的控制系统鲁棒性验证流程,在系统建模过程中加入了多种不确定因素,给出了这些不确定因素指标范围。在随机采样过程中,根据不确定因素的作用强弱进行加权采样,充分覆盖了重点因素的取值边界,使得整体的鲁棒性验证更为有效合理。根据鲁棒性测试结果,可以定位到具体环路进行控制器参数的迭代,提高了控制器的开发效率。
参照图5,示出了本申请实施例的一种无人车控制系统测试装置的结构框图。
如图5所示,无人车控制系统测试装置可以包括以下模块:
创建模块501,用于创建无人车控制系统的测试模型,所述测试模型包括所述控制系统的待测试参数和影响所述控制系统的不确定因素;
采样模块502,用于采用蒙特卡洛法对所述不确定因素进行随机采样,得到测试样本;
测试模块503,用于基于所述测试样本对所述测试模型运行仿真测试,基于测试结果确定所述待测试参数是否通过测试。
可选地,所述采样模块502包括:样本获取单元,用于针对每个不确定因素,基于预设的当前不确定因素的权重值,确定当前不确定因素的采样数量,按照当前不确定因素的采样数量,采用蒙特卡洛法对当前不确定因素进行随机采样,得到当前不确定因素的样本;样本组合单元,用于基于各不确定因素的样本,组成所述测试样本;所述不确定因素的权重值与所述不确定因素对所述控制系统的影响程度正相关,所述不确定因素的权重值与所述不确定因素的采样数量正相关。
可选地,所述样本获取单元,具体用于获取当前不确定因素的指标范围;按照当前不确定因素的采样数量和当前不确定因素的指标范围,采用蒙特卡洛法对当前不确定因素进行随机采样。
可选地,所述样本组合单元,具体用于对全部不确定因素的样本进行全排列操作,得到所述测试样本。
可选地,所述测试模型包括依次嵌套的姿态环路、横摆角环路和横摆角速度环路;其中,所述姿态环路为最外层,所述横摆角环路为中间层,所述横摆角速度环路为最内层。
可选地,所述待测试参数包括所述姿态环路的控制器参数、所述横摆角环路的控制器参数和所述横摆角速度环路的控制器参数;所述测试模块503包括:第一测试单元,用于断开所述横摆角环路,基于所述测试样本对所述横摆角速度环路运行第一仿真测试,基于所述第一仿真测试的测试结果确定所述横摆角速度环路的控制器参数是否通过测试;第二测试单元,用于响应于所述横摆角速度环路的控制器参数通过测试,断开所述姿态环路,基于所述测试样本对所述横摆角环路运行第二仿真测试,基于所述第二仿真测试的测试结果确定所述横摆角环路的控制器参数是否通过测试;第三测试单元,用于响应于所述横摆角环路的控制器参数通过测试,基于所述测试样本对所述姿态环路运行第三仿真测试,基于所述第三仿真测试的测试结果确定所述姿态环路的控制器参数是否通过测试;确定单元,用于响应于所述姿态环路的控制器参数通过测试,确定所述待测试参数通过测试。
可选地,所述不确定因素包括以下至少一种:转向系统固有频率、转向系统阻尼、方向盘零偏、转向延迟、稳态转向增益、车身固有频率、车身阻尼、横摆角速度测量值、横摆角测量值、曲率测量值。
本申请实施例中,通过从实际应用场景中分析和总结出控制系统需要关注的不确定因素,创建包括控制系统的待测试参数和影响控制系统的不确定因素的测试模型;考虑到不确定因素的多样性,采用蒙特卡洛法对不确定因素进行随机采样得到测试样本,基于测试样本对测试模型运行仿真测试,基于测试结果确定待测试参数是否通过测试。由于蒙特卡洛法能够更加方便、有效地解决随机性问题,因此基于蒙特卡洛的测试方法能更好地表征无人车的实际运行情况,从而提高测试结果的准确性。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在本申请的实施例中,还提供了一种电子设备。该电子设备可以包括一个或多个处理器,以及其上存储有指令的一个或多个计算机可读存储介质,指令例如应用程序。当所述指令由所述一个或多个处理器执行时,使得所述处理器执行如上任一实施例所述的无人车控制系统测试方法。
参照图6,示出了本申请实施例的一种电子设备结构的示意图。如图6所示,电子设备包括处理器601、通信接口602、存储器603和通信总线604。其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信。
存储器603,用于存放计算机程序。
处理器601,用于执行存储器603上所存放的程序时,实现上述任一实施例的无人车控制系统测试方法。
通信接口602用于上述电子设备与其他设备之间的通信。
上述提到的通信总线604可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
上述提到的处理器601可以包括但不限于:中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)、数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,等等。
上述提到的存储器603可以包括但不限于:只读存储器(Read Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、光盘只读储存器(Compact DiscReadOnly Memory,简称CD-ROM)、电可擦可编程只读存储器(Electronic ErasableProgrammable ReadOnly Memory,简称EEPROM)、硬盘、软盘、闪存,等等。
在本申请的实施例中,还提供了一种非临时性计算机可读存储介质,其上存储有计算机程序,该计算机程序可由电子设备的处理器执行,当所述计算机程序被处理器执行时,使得所述处理器执行如上任一实施例所述的无人车控制系统测试方法。
需要说明的是,本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
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,本申请的实施例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申请的实施例的内容,并且上面对特定语言所做的描述是为了披露本申请的实施例的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本申请并帮助理解各个发明方面中的一个或多个,在上面对本申请的示例性实施例的描述中,本申请的实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本申请的实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本申请的实施例的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。
本申请的实施例的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请的实施例的动态图片的生成设备中的一些或者全部部件的一些或者全部功能。本申请的实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本申请的实施例的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本申请的实施例进行说明而不是对本申请的实施例进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请的实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
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,在此不再赘述。
以上所述,仅为本申请的实施例的具体实施方式,但本申请的实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请的实施例揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的实施例的保护范围之内。
Claims (10)
1.一种无人车控制系统测试方法,其特征在于,包括:
创建无人车控制系统的测试模型,所述测试模型包括所述控制系统的待测试参数和影响所述控制系统的不确定因素;
采用蒙特卡洛法对所述不确定因素进行随机采样,得到测试样本;
基于所述测试样本对所述测试模型运行仿真测试,基于测试结果确定所述待测试参数是否通过测试。
2.根据权利要求1所述的方法,其特征在于,所述采用蒙特卡洛法对所述不确定因素进行随机采样,得到测试样本,包括:
针对每个不确定因素,基于预设的当前不确定因素的权重值,确定当前不确定因素的采样数量,按照当前不确定因素的采样数量,采用蒙特卡洛法对当前不确定因素进行随机采样,得到当前不确定因素的样本;
基于各不确定因素的样本,组成所述测试样本;
所述不确定因素的权重值与所述不确定因素对所述控制系统的影响程度正相关,所述不确定因素的权重值与所述不确定因素的采样数量正相关。
3.根据权利要求2所述的方法,其特征在于,所述按照当前不确定因素的采样数量,采用蒙特卡洛法对当前不确定因素进行随机采样,包括:
获取当前不确定因素的指标范围;
按照当前不确定因素的采样数量和当前不确定因素的指标范围,采用蒙特卡洛法对当前不确定因素进行随机采样。
4.根据权利要求2所述的方法,其特征在于,所述基于各不确定因素的样本,组成所述测试样本,包括:
对全部不确定因素的样本进行全排列操作,得到所述测试样本。
5.根据权利要求1所述的方法,其特征在于,所述测试模型包括依次嵌套的姿态环路、横摆角环路和横摆角速度环路;其中,所述姿态环路为最外层,所述横摆角环路为中间层,所述横摆角速度环路为最内层。
6.根据权利要求5所述的方法,其特征在于,所述待测试参数包括所述姿态环路的控制器参数、所述横摆角环路的控制器参数和所述横摆角速度环路的控制器参数;基于所述测试样本对所述测试模型运行仿真测试,基于测试结果确定所述待测试参数是否通过测试,包括:
断开所述横摆角环路,基于所述测试样本对所述横摆角速度环路运行第一仿真测试,基于所述第一仿真测试的测试结果确定所述横摆角速度环路的控制器参数是否通过测试;
响应于所述横摆角速度环路的控制器参数通过测试,断开所述姿态环路,基于所述测试样本对所述横摆角环路运行第二仿真测试,基于所述第二仿真测试的测试结果确定所述横摆角环路的控制器参数是否通过测试;
响应于所述横摆角环路的控制器参数通过测试,基于所述测试样本对所述姿态环路运行第三仿真测试,基于所述第三仿真测试的测试结果确定所述姿态环路的控制器参数是否通过测试;
响应于所述姿态环路的控制器参数通过测试,确定所述待测试参数通过测试。
7.根据权利要求1所述的方法,其特征在于,所述不确定因素包括以下至少一种:转向系统固有频率、转向系统阻尼、方向盘零偏、转向延迟、稳态转向增益、车身固有频率、车身阻尼、横摆角速度测量值、横摆角测量值、曲率测量值。
8.一种无人车控制系统测试装置,其特征在于,包括:
创建模块,用于创建无人车控制系统的测试模型,所述测试模型包括所述控制系统的待测试参数和影响所述控制系统的不确定因素;
采样模块,用于采用蒙特卡洛法对所述不确定因素进行随机采样,得到测试样本;
测试模块,用于基于所述测试样本对所述测试模型运行仿真测试,基于测试结果确定所述待测试参数是否通过测试。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;和
其上存储有指令的一个或多个计算机可读存储介质;
当所述指令由所述一个或多个处理器执行时,使得所述处理器执行如权利要求1至7任一项所述的无人车控制系统测试方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,当所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至7任一项所述的无人车控制系统测试方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210607911.5A CN115097803A (zh) | 2022-05-31 | 2022-05-31 | 无人车控制系统测试方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210607911.5A CN115097803A (zh) | 2022-05-31 | 2022-05-31 | 无人车控制系统测试方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115097803A true CN115097803A (zh) | 2022-09-23 |
Family
ID=83289101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210607911.5A Pending CN115097803A (zh) | 2022-05-31 | 2022-05-31 | 无人车控制系统测试方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115097803A (zh) |
-
2022
- 2022-05-31 CN CN202210607911.5A patent/CN115097803A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111009153B (zh) | 一种轨迹预测模型的训练方法、装置和设备 | |
CN103353923B (zh) | 基于空间特征分析的自适应空间插值方法及其系统 | |
CN111290277A (zh) | 一种分布式多智能体协同故障检测方法、存储介质及设备 | |
CN110866602A (zh) | 一种集成多任务模型的方法和装置 | |
CN113743661A (zh) | 锂离子电池在线容量预测的方法、系统、设备及存储介质 | |
CN112464990A (zh) | 一种基于电流电压传感器感知振动数据的方法和装置 | |
CN112147973A (zh) | 检验系统、选择真实测试和测试系统的方法和设备 | |
US20080183449A1 (en) | Machine parameter tuning method and system | |
CN109857127B (zh) | 训练神经网络模型以及飞行器姿态解算的方法、装置 | |
CN105021199A (zh) | 基于ls 的多模型自适应状态估计方法及系统 | |
CN112685841B (zh) | 一种带有连接关系的结构的有限元建模、修正方法及系统 | |
CN115097803A (zh) | 无人车控制系统测试方法、装置、电子设备及存储介质 | |
CN113537614A (zh) | 电网工程造价预测模型的构建方法、系统、设备及介质 | |
CN109099802A (zh) | 导弹制导控制系统抗干扰测试方法及终端设备 | |
CN109581194B (zh) | 一种电子系统故障测试策略动态生成方法 | |
CN112158195B (zh) | 泊车路径规划方法、系统、车辆及存储介质 | |
CN109270900A (zh) | 一种基于层次分析法的设备状态评价方法及相关设备 | |
CN112182787B (zh) | 确定运载火箭的总体偏差量的方法、系统、终端及介质 | |
CN115248993A (zh) | 一种仿真场景模型真实性检测方法、装置及存储介质 | |
CN112733433A (zh) | 装备测试性策略优化方法和装置 | |
CN113553754A (zh) | 存储器、火灾风险预测模型构建方法、系统和装置 | |
CN116069646B (zh) | 一种多目标测试性优化的测试集确定方法及系统 | |
CN109242302A (zh) | 一种基于加权欧式距离算法的设备状态评价方法 | |
CN117951626B (zh) | 一种基于智能优化算法的电网异常状态检测方法及系统 | |
CN117763732A (zh) | 柔性机翼结构载荷评估方法、电子设备、存储介质及装置 |
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 | ||
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: Hezhong New Energy Vehicle Co.,Ltd. |