CN115146491B - 自动驾驶系统的测试方法和装置、存储介质及电子装置 - Google Patents

自动驾驶系统的测试方法和装置、存储介质及电子装置 Download PDF

Info

Publication number
CN115146491B
CN115146491B CN202211081977.1A CN202211081977A CN115146491B CN 115146491 B CN115146491 B CN 115146491B CN 202211081977 A CN202211081977 A CN 202211081977A CN 115146491 B CN115146491 B CN 115146491B
Authority
CN
China
Prior art keywords
driving
perception
characteristic
driver
test
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.)
Active
Application number
CN202211081977.1A
Other languages
English (en)
Other versions
CN115146491A (zh
Inventor
舒寒丹
林乾浩
孙凌旭
顾杰聪
马晓腾
林可
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foss Hangzhou Intelligent Technology Co Ltd
Original Assignee
Foss Hangzhou Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Foss Hangzhou Intelligent Technology Co Ltd filed Critical Foss Hangzhou Intelligent Technology Co Ltd
Priority to CN202211081977.1A priority Critical patent/CN115146491B/zh
Publication of CN115146491A publication Critical patent/CN115146491A/zh
Application granted granted Critical
Publication of CN115146491B publication Critical patent/CN115146491B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种自动驾驶系统的测试方法和装置、存储介质及电子装置，该自动驾驶系统的测试方法包括：获取初始驾驶特征，其中，初始驾驶特征用于模拟参考驾驶系统的初始驾驶状态；根据感知误差特征生成初始驾驶特征对应的第一测试场景特征，其中，感知误差特征用于模拟驾驶员的感知状态对操作参考驾驶系统的影响，第一测试场景特征用于模拟考虑了驾驶员的感知状态的参考驾驶系统的驾驶过程；根据第一测试场景特征确定目标测试场景特征，其中，目标测试场景特征用于通过模拟参考驾驶系统的驾驶过程对自动驾驶系统进行测试，采用上述技术方案，解决了相关技术中，测试自动驾驶系统的测试效率较低等问题。

Description

自动驾驶系统的测试方法和装置、存储介质及电子装置
技术领域
本申请涉及自动驾驶技术领域，具体而言，涉及一种自动驾驶系统的测试方法和装置、存储介质及电子装置。
背景技术
当前业界认为，自动驾驶车辆要经过2.4亿公里的无事故驾驶里程才能证明其系统的安全性不低于人类驾驶。主要原因是在这上亿公里中，大多数驾驶场景过于简单，对自动驾驶性能的校验效果不明显。
因此，基于场景的虚拟测试技术凭借其试验场景配置灵活、测试效率高、测试重复性强、测试过程安全、测试成本低等优势，成为自动驾驶汽车测试评价不可或缺的重要环节。但是现有的虚拟测试技术生成的场景大多是通过路测采集数据重建场景的方法建立同车道跟车场景库，由于日常实车路测的事故率较低，因而基于此建立的场景库对于自动驾驶系统在同车道跟车场景下的安全性测试效果较差，同时，基于自然驾驶数据还原或基于路测数据重构同车道场景库的方式均为专门生成确定性场景，其他交通参与者按照既定轨迹进行动作，不存在智能性，这与真实世界的差异较大，最终可能导致虚拟测试技术生成的场景对自动驾驶系统的测试效率较低。
针对相关技术中，测试自动驾驶系统的测试效率较低等问题，尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种自动驾驶系统的测试方法和装置、存储介质及电子装置，以至少解决相关技术中，测试自动驾驶系统的测试效率较低等问题。
根据本申请实施例的一个实施例，提供了一种自动驾驶系统的测试方法，包括：
获取初始驾驶特征，其中，所述初始驾驶特征用于模拟参考驾驶系统的初始驾驶状态；
根据感知误差特征生成所述初始驾驶特征对应的第一测试场景特征，其中，所述感知误差特征用于模拟驾驶员的感知状态对操作所述参考驾驶系统的影响，所述第一测试场景特征用于模拟考虑了所述驾驶员的感知状态的所述参考驾驶系统的驾驶过程；
根据所述第一测试场景特征确定目标测试场景特征，其中，所述目标测试场景特征用于通过模拟所述参考驾驶系统的驾驶过程对自动驾驶系统进行测试。
可选的，所述根据感知误差特征生成所述初始驾驶特征对应的第一测试场景特征，包括：
将所述初始驾驶特征作为初始时刻开始，检测每个下一时刻所述驾驶员的感知状态；
根据所述每个下一时刻所述驾驶员的感知状态确定所述每个下一时刻对应的驾驶特征；
计算所述每个下一时刻对应的驾驶特征所对应的测试场景特征，得到所述第一测试场景特征。
可选的，所述根据所述每个下一时刻所述驾驶员的感知状态确定所述每个下一时刻对应的驾驶特征，包括：
在所述感知状态用于指示所述驾驶员的感知灵敏度低于目标灵敏度的情况下，将上一时刻的感知驾驶特征确定为所述每个下一时刻对应的驾驶特征；
在所述感知状态用于指示所述驾驶员的感知灵敏度高于或者等于目标灵敏度的情况下，将所述每个下一时刻的实际驾驶特征确定为所述每个下一时刻对应的驾驶特征。
可选的，所述检测每个下一时刻所述驾驶员的感知状态，包括：
根据所述每个下一时刻的驾驶特征中的速度参数和上一时刻的驾驶特征中的速度参数计算所述每个下一时刻所对应的速度比；
在所述速度比低于速度比阈值的情况下，确定所述感知状态用于指示所述驾驶员的感知灵敏度低于目标灵敏度；
在所述速度比高于或者等于所述速度比阈值的情况下，确定所述感知状态用于指示所述驾驶员的感知灵敏度高于或者等于目标灵敏度。
可选的，所述根据所述第一测试场景特征确定目标测试场景特征，包括以下之一：
将所述第一测试场景特征确定为所述目标测试场景特征；
随机生成第二测试场景特征，其中，所述第二测试场景特征用于模拟考虑了所述驾驶员的随机驾驶操作的所述参考驾驶系统的驾驶过程；将所述第一测试场景特征和所述第二测试场景特征整合，得到所述目标测试场景特征。
可选的，所述随机生成第二测试场景特征，包括：在随机时刻生成纵向加速度偏移量参数作为所述第二测试场景特征；
所述将所述第一测试场景特征和所述第二测试场景特征整合，得到所述目标测试场景特征，包括：将所述纵向加速度偏移量参数添加至所述第一测试场景特征中所述随机时刻所对应的参数上，得到所述目标测试场景特征。
可选的，在所述根据所述第一测试场景特征确定目标测试场景特征之后，所述方法还包括：
将生成的所述目标测试场景特征构建为场景特征库；
获取所述场景特征库中每个测试场景特征的运行参数，其中，所述运行参数是使用所述每个测试场景特征对所述自动驾驶系统进行测试的过程中产生的参数；
根据所述运行参数确定所述每个测试场景特征的危险系数，其中，所述危险系数用于指示所述每个测试场景特征所模拟出的测试场景的危险程度；
将所述场景特征库中所对应的所述危险系数低于目标阈值的测试场景特征删除。
根据本申请实施例的另一个实施例，还提供了一种自动驾驶系统的测试装置，包括：
第一获取模块，用于获取初始驾驶特征，其中，所述初始驾驶特征用于模拟参考驾驶系统的初始驾驶状态；
生成模块，用于根据感知误差特征生成所述初始驾驶特征对应的第一测试场景特征，其中，所述感知误差特征用于模拟驾驶员的感知状态对操作所述参考驾驶系统的影响，所述第一测试场景特征用于模拟考虑了所述驾驶员的感知状态的所述参考驾驶系统的驾驶过程；
第一确定模块，用于根据所述第一测试场景特征确定目标测试场景特征，其中，所述目标测试场景特征用于通过模拟所述参考驾驶系统的驾驶过程对自动驾驶系统进行测试。
根据本申请实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述自动驾驶系统的测试方法。
根据本申请实施例的又一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，上述处理器通过计算机程序执行上述的自动驾驶系统的测试方法。
在本申请实施例中，获取初始驾驶特征，其中，初始驾驶特征用于模拟参考驾驶系统的初始驾驶状态；根据感知误差特征生成初始驾驶特征对应的第一测试场景特征，其中，感知误差特征用于模拟驾驶员的感知状态对操作参考驾驶系统的影响，第一测试场景特征用于模拟考虑了驾驶员的感知状态的参考驾驶系统的驾驶过程；根据第一测试场景特征确定目标测试场景特征，其中，目标测试场景特征用于通过模拟参考驾驶系统的驾驶过程对自动驾驶系统进行测试，即获取用于模拟参考驾驶系统初始驾驶状态的初始驾驶特征之后，再根据感知误差特征生成初始驾驶特征对应的第一场景特征，其中，感知误差特征用于模拟驾驶员的感知状态对操作所述参考驾驶系统的影响，因此基于感知误差特征生成的第一测试场景特征可以模拟出考虑了驾驶员的感知状态的参考驾驶系统的驾驶过程，由于参考驾驶系统考虑了驾驶员的感知状态，因此，参考驾驶系统模拟出的驾驶过程的出现危险场景的概率将得到强化，之后使用由第一测试场景特征确定的目标测试场景特征模拟参考驾驶系统的驾驶过程对自动驾驶系统进行测试，由于驾驶过程出现危险场景的概率得到强化，因此可以提高对自动驾驶系统进行测试的效率。采用上述技术方案，解决了相关技术中，测试自动驾驶系统的测试效率较低等问题，实现了提高测试自动驾驶系统的测试效率的技术效果。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请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，对于本领域普通技术人员而言，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是根据本申请实施例的一种自动驾驶系统的测试方法的硬件环境示意图；
图2是根据本申请实施例的一种自动驾驶系统的测试方法的流程图；
图3是根据本申请实施例的一种同车道跟车场景的示意图；
图4是根据本申请实施例的第一测试场景特征生成的示意图；
图5是根据本申请实施例的一种自动驾驶系统的测试流程的示意图；
图6是根据本申请实施例的一种自动驾驶系统的测试装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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。
本申请实施例所提供的方法实施例可以在计算机终端、设备终端或者类似的运算装置中执行。以运行在计算机终端上为例，图1是根据本申请实施例的一种自动驾驶系统的测试方法的硬件环境示意图。如图1所示，计算机终端可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，在一个示例性实施例中，上述计算机终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示等同功能或比图1所示功能更多的不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的消息推送的发送方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种自动驾驶系统的测试方法，应用于上述计算机终端，图2是根据本申请实施例的一种自动驾驶系统的测试方法的流程图，如图2所示，该流程包括如下步骤：
步骤S202，获取初始驾驶特征，其中，所述初始驾驶特征用于模拟参考驾驶系统的初始驾驶状态；
步骤S204，根据感知误差特征生成所述初始驾驶特征对应的第一测试场景特征，其中，所述感知误差特征用于模拟驾驶员的感知状态对操作所述参考驾驶系统的影响，所述第一测试场景特征用于模拟考虑了所述驾驶员的感知状态的所述参考驾驶系统的驾驶过程；
步骤S206，根据所述第一测试场景特征确定目标测试场景特征，其中，所述目标测试场景特征用于通过模拟所述参考驾驶系统的驾驶过程对自动驾驶系统进行测试。
通过上述步骤，获取用于模拟参考驾驶系统初始驾驶状态的初始驾驶特征之后，再根据感知误差特征生成初始驾驶特征对应的第一场景特征，其中，感知误差特征用于模拟驾驶员的感知状态对操作所述参考驾驶系统的影响，因此基于感知误差特征生成的第一测试场景特征可以模拟出考虑了驾驶员的感知状态的参考驾驶系统的驾驶过程，由于参考驾驶系统考虑了驾驶员的感知状态，因此，参考驾驶系统模拟出的驾驶过程的出现危险场景的概率将得到强化，之后使用由第一测试场景特征确定的目标测试场景特征模拟参考驾驶系统的驾驶过程对自动驾驶系统进行测试，由于驾驶过程出现危险场景的概率得到强化，因此可以提高对自动驾驶系统进行测试的效率。采用上述技术方案，解决了相关技术中，测试自动驾驶系统的测试效率较低等问题，实现了提高测试自动驾驶系统的测试效率的技术效果。
在上述步骤S202提供的技术方案中，初始驾驶特征可以但不限于为任何允许描述模拟参考驾驶系统的初始驾驶状态的参数，图3是根据本申请实施例的一种同车道跟车场景的示意图，如图3所示，场景中部署了自动驾驶系统的自动驾驶车辆（车辆1）跟随嵌入人类驾驶模型（模拟参考驾驶系统）的前车（车辆2和车辆3）中，对自动驾驶系统进行测试，其中，在模拟参考驾驶系统模拟出的场景中，对车辆的状态进行描述可以但不限于使用状态量，状态量可以包括Acceleration（加速度）、Velocity（速度）和Position（位移），比如，图中的场景中，车辆1处于位移Position
Figure 66509DEST_PATH_IMAGE001
，车辆2处于位移Position
Figure 842704DEST_PATH_IMAGE002
，车辆3处于位移Position
Figure 91283DEST_PATH_IMAGE003
，车辆1、车辆2和车辆3的Acceleration（加速度）分别是
Figure 830700DEST_PATH_IMAGE004
、
Figure 113914DEST_PATH_IMAGE005
和
Figure 871130DEST_PATH_IMAGE006
；车辆1、车辆2和车辆3的Velocity（速度）分别是
Figure 482371DEST_PATH_IMAGE007
、
Figure 415692DEST_PATH_IMAGE008
和
Figure 553412DEST_PATH_IMAGE009
；
车辆2和车辆1之间的Range（距离）
Figure 609093DEST_PATH_IMAGE010
，对应的Rangerate距离变化率
Figure 973209DEST_PATH_IMAGE011
=
Figure 179063DEST_PATH_IMAGE012
；
车辆3和车辆1之间的Range（距离）
Figure 436869DEST_PATH_IMAGE013
，对应的Range rate距离变化率
Figure 460188DEST_PATH_IMAGE014
=
Figure 170655DEST_PATH_IMAGE015
；
可选地，在本实施例中，可以但不限于使用状态方程表征场景中的前车（车辆2和车辆3）的状态，其中，状态方程可以包括决策变量和加速度序列，例如可以设计为
Figure 928002DEST_PATH_IMAGE016
，其中，x为前车的初始状态和加速度特性，
Figure 305894DEST_PATH_IMAGE017
为前车的初始速度，
Figure 201913DEST_PATH_IMAGE018
和
Figure 665255DEST_PATH_IMAGE019
表示前方两车的初始距离和初始相对速度，
Figure 822698DEST_PATH_IMAGE020
表示所有的时间步长数量，而
Figure 789517DEST_PATH_IMAGE021
表示前车的加速度序列，决策变量可以但不限于用于表征车辆之间的距离和距离的变化率，初始驾驶特征可以但不限于包括
Figure 889060DEST_PATH_IMAGE017
、
Figure 183906DEST_PATH_IMAGE018
和
Figure 800832DEST_PATH_IMAGE019
，可以但不限于通过
Figure 622158DEST_PATH_IMAGE017
、
Figure 440072DEST_PATH_IMAGE018
和
Figure 471482DEST_PATH_IMAGE019
表征模拟参考驾驶系统的初始驾驶状态。
在上述步骤S204提供的技术方案中，感知误差特征可以但不限于用于模拟驾驶员的感知状态对操作所述参考驾驶系统的影响，可以使得生成的驾驶过程更贴近实际情况，图4是根据本申请实施例的第一测试场景特征生成的示意图，如图4所示，普通的驾驶场景可以但不限于是单独使用智能驾驶模型（Intelligent Driver Model，IDM）生成的，上述智能驾驶模型生成的普通驾驶场景虽然具备模拟人类驾驶员驾驶车辆是行驶过程，但是普通的驾驶场景中的交通参与者按照既定轨迹进行动作，不存在智能性，这与真实世界的差异较大，导致对自动驾驶系统进行同车道跟车场景下的安全性测试效果较差。
可选地，在本实施例中，智能驾驶模型（Intelligent Driver Model，IDM）的加速度公式可表示为：
Figure 360941DEST_PATH_IMAGE022
其中，
Figure 260543DEST_PATH_IMAGE023
表示离散时间步长，a表示加速度，
Figure 842834DEST_PATH_IMAGE024
是常系数。
Figure 112272DEST_PATH_IMAGE025
为IDM的期望距离，与速度和两车相对速度相关。其中，
Figure 805422DEST_PATH_IMAGE026
Figure 194815DEST_PATH_IMAGE027
和
Figure 213586DEST_PATH_IMAGE028
也是常数项，可根据场景设定来调整，为了符合车辆动力学，可以对车辆的速度和加速度做出限制：
Figure 704742DEST_PATH_IMAGE029
可选地，在本实施例中，对于上述单独使用智能驾驶模型生成普通的驾驶场景可能存在的不存在智能性，这与真实世界的差异较大的问题，可以向智能驾驶模型中添加人类驾驶习惯，使生成场景更贴近真实，如图4所示，可以通过驾驶干扰模型模拟出驾驶干扰，以及，感知误差模型模拟出感知误差，再将驾驶干扰和感知误差确定为感知误差特征，其中，驾驶干扰模型可以模拟出驾驶员不专心驾驶导致的状态保持，以及，模拟出驾驶员在驾驶过程中的反应时间滞后，感知误差模型主要可以模拟出驾驶员对于相对距离的感知误差，将驾驶干扰模型和感知误差模型生成的感知误差特征融合至智能驾驶模型之后，对于输入的初始驾驶特征可以模拟出考虑了所述驾驶员的感知状态的第一测试场景特征，即输出的驾驶行为添加了人类驾驶习惯，可以使生成场景更贴近真实，同时由于引入了人类驾驶习惯，可以加强危险场景的生成，从而更全面地测试自动驾驶车辆的安全性。
在一个示例性实施例中，可以但不限于通过以下方式根据感知误差特征生成所述初始驾驶特征对应的第一测试场景特征：将所述初始驾驶特征作为初始时刻开始，检测每个下一时刻所述驾驶员的感知状态；根据所述每个下一时刻所述驾驶员的感知状态确定所述每个下一时刻对应的驾驶特征；计算所述每个下一时刻对应的驾驶特征所对应的测试场景特征，得到所述第一测试场景特征。
可选地，在本实施例中，每个下一时刻所述驾驶员的感知状态不同，对应的驾驶特征也不同，因此根据驾驶特征计算每个下一时刻对应的驾驶特征所对应的测试场景特征也存在差异，得到的第一测试场景特征由于融入了驾驶员干扰、感知误差以及时间延迟，即加强了危险场景的生成，可提高自动驾驶系统在场景中的危险事故暴露率，强化了对其安全性的测试。
在一个示例性实施例中，可以但不限于通过以下方式根据所述每个下一时刻所述驾驶员的感知状态确定所述每个下一时刻对应的驾驶特征：在所述感知状态用于指示所述驾驶员的感知灵敏度低于目标灵敏度的情况下，将上一时刻的感知驾驶特征确定为所述每个下一时刻对应的驾驶特征；在所述感知状态用于指示所述驾驶员的感知灵敏度高于或者等于目标灵敏度的情况下，将所述每个下一时刻的实际驾驶特征确定为所述每个下一时刻对应的驾驶特征。
可选地，在本实施例中，在感知状态用于指示驾驶员的感知灵敏度低于目标灵敏度的情况下，即驾驶员的注意力较为分散，可能存在反应迟钝，将上一时刻的感知驾驶特征确定为每个下一时刻对应的驾驶特征，从而模拟反应时间的延迟；在感知状态用于指示驾驶员的感知灵敏度高于或者等于目标灵敏度的情况下，即驾驶员的注意力较为集中，基本上可以视作没有反应迟滞，可以将每个下一时刻的实际驾驶特征确定为每个下一时刻对应的驾驶特征。
在一个示例性实施例中，可以但不限于通过以下方式检测每个下一时刻所述驾驶员的感知状态：根据所述每个下一时刻的驾驶特征中的速度参数和上一时刻的驾驶特征中的速度参数计算所述每个下一时刻所对应的速度比；在所述速度比低于速度比阈值的情况下，确定所述感知状态用于指示所述驾驶员的感知灵敏度低于目标灵敏度；在所述速度比高于或者等于所述速度比阈值的情况下，确定所述感知状态用于指示所述驾驶员的感知灵敏度高于或者等于目标灵敏度。
可选地，在本实施例中，驾驶员的感知状态可以通过车辆是否处于上述明显变速状态进行判断，驾驶员在驾驶车辆的过程中，往往车辆处于明显变速状态的情况下，驾驶员的注意力较为集中，此时可以将每个下一时刻的实际驾驶特征确定为每个下一时刻对应的驾驶特征；车辆处于平稳驾驶的情况下，驾驶员的注意力较为分散，可能存在反应迟钝，此时可以将上一时刻的感知驾驶特征确定为每个下一时刻对应的驾驶特征来模拟驾驶员的感知延迟。
可选地，在本实施例中，在感知状态用于指示驾驶员的感知灵敏度低于目标灵敏度的情况下，将上一时刻的感知驾驶特征确定为每个下一时刻对应的驾驶特征，即在检测到车辆未处于上述明显变速状态，驾驶员的感知灵敏度低于目标灵敏度，可以将上一时刻的感知驾驶特征确定为每个下一时刻对应的驾驶特征；
在感知状态用于指示驾驶员的感知灵敏度高于或者等于目标灵敏度的情况下，即在检测到车辆处于上述明显变速状态，驾驶员的感知灵敏度高于或者等于目标灵敏度，此时可以将每个下一时刻的实际驾驶特征确定为每个下一时刻对应的驾驶特征，综上所述，可以但不限于使用如下公式模拟出驾驶员的感知驾驶特征：
Figure 467161DEST_PATH_IMAGE030
其中，
Figure 242219DEST_PATH_IMAGE031
为根据自然驾驶数据选取的速度比阈值，根据自然驾驶数据取值范围为
Figure 244942DEST_PATH_IMAGE032
，
Figure 879185DEST_PATH_IMAGE033
为当前时刻的感知相对距离，
Figure 38771DEST_PATH_IMAGE034
为当前时刻的实际相对距离，
Figure 74860DEST_PATH_IMAGE035
为上一时刻的感知距离，
Figure 245554DEST_PATH_IMAGE036
为当前时刻与前车的相对速度，
Figure 367094DEST_PATH_IMAGE037
为上一时刻与前车的相对速度，
Figure 330371DEST_PATH_IMAGE038
可以用于表征车辆处于上述明显变速状态，可以将每个下一时刻的实际驾驶特征（当前时刻的实际相对距离
Figure 955387DEST_PATH_IMAGE034
）确定为所述每个下一时刻对应的驾驶特征（当前时刻的感知相对距离
Figure 565491DEST_PATH_IMAGE033
），otherwise（否则），将上一时刻的感知驾驶特征（上一时刻的感知距离
Figure 643169DEST_PATH_IMAGE035
）确定为所述每个下一时刻对应的驾驶特征（当前时刻的感知相对距离
Figure 144557DEST_PATH_IMAGE033
）。
在上述步骤S206提供的技术方案中，目标测试场景特征通过模拟参考驾驶系统的驾驶过程对自动驾驶系统进行测试，由于目标测试场景特征是基于第一测试场景特征确定的，第一测试场景特征为考虑了驾驶员干扰、感知误差以及时间延迟，更贴近实际情况，因此模拟生成的驾驶过程的危险场景概率得到强化，可以更全面地测试自动驾驶车辆的安全性。
在一个示例性实施例中，根据所述第一测试场景特征确定目标测试场景特征可以但不限于通过以下方式之一：
方式一：将所述第一测试场景特征确定为所述目标测试场景特征；
方式二：随机生成第二测试场景特征，其中，所述第二测试场景特征用于模拟考虑了所述驾驶员的随机驾驶操作的所述参考驾驶系统的驾驶过程；将所述第一测试场景特征和所述第二测试场景特征整合，得到所述目标测试场景特征。
可选地，在本实施例中，如图5所示，上述方法一，驾驶干扰模型和感知误差模型生成的感知误差特征融合至智能驾驶模型之后，对于输入的初始驾驶特征可以模拟出考虑了所述驾驶员的感知状态的第一测试场景特征，此时可以直接将第一测试场景特征确定为所述目标测试场景特征；
可选地，在本实施例中，如图5所示，上述方法二，由于当前开发的智能驾驶模型主要基于防止碰撞的考虑做得较为安全，并且会根据设定的目标速度按照规则进行跟踪，而实际驾驶员会倾向于加入一些随机的动作，因此还可以基于上述第一测试场景特征，通过随机模型生成第二测试场景特征来模拟考虑了所述驾驶员的随机驾驶操作的驾驶过程，最后将第一测试场景特征和第二测试场景特征整合，得到目标测试场景特征。
在一个示例性实施例中，可以但不限于通过以下方式随机生成第二测试场景特征：在随机时刻生成纵向加速度偏移量参数作为所述第二测试场景特征。
可选地，在本实施例中，纵向加速度偏移量参数可以但不限于使用纵向加速度的偏移量方程进行模拟，例如：
Figure 889659DEST_PATH_IMAGE039
，其中，
Figure 936244DEST_PATH_IMAGE040
和
Figure 625851DEST_PATH_IMAGE041
为常系数，
Figure 806297DEST_PATH_IMAGE042
为纵向加速度，
Figure 15692DEST_PATH_IMAGE043
为当前时刻的实际相对距离。
在一个示例性实施例中，可以但不限于通过以下方式将所述第一测试场景特征和所述第二测试场景特征整合，得到所述目标测试场景特征：将所述纵向加速度偏移量参数添加至所述第一测试场景特征中所述随机时刻所对应的参数上，得到所述目标测试场景特征。
可选地，在本实施例中，可以但不限于通过将纵向加速度偏移量参数与第一测试场景特征进行整合，得到所述目标测试场景特征，即：
Figure 623391DEST_PATH_IMAGE044
其中，
Figure 800294DEST_PATH_IMAGE045
为下一个时刻的加速度；
Figure 784431DEST_PATH_IMAGE046
为智能驾驶模型（IntelligentDriver Model，IDM）输出的加速度；
Figure 48666DEST_PATH_IMAGE042
为纵向加速度。
可选地，在本实施例中，通常情况下，在实际的驾驶场景中驾驶员会倾向于加入一些随机的动作，比如，随机的制动或者提速，这些随机的动作会导致车辆的纵向加速度发生随机性的变化，因此，可以通过向第一测试场景特征中添加随机时刻所对应的纵向加速度偏移量参数，控制前车车辆纵向加速度随机性变化，模拟出前车车辆的驾驶员一些随机的动作对操作参考驾驶系统的影响，从而得到的目标测试场景特征不仅可以模拟出驾驶员的感知状态对操作参考驾驶系统的影响，还可以模拟出驾驶员一些随机的动作对操作参考驾驶系统的影响，目标测试场景特征可以模拟出有事故倾向的驾驶过程，强化危险场景的生成。
在一个示例性实施例中，在所述根据所述第一测试场景特征确定目标测试场景特征之后，还可以将生成的所述目标测试场景特征构建为场景特征库；获取所述场景特征库中每个测试场景特征的运行参数，其中，所述运行参数是使用所述每个测试场景特征对所述自动驾驶系统进行测试的过程中产生的参数；根据所述运行参数确定所述每个测试场景特征的危险系数，其中，所述危险系数用于指示所述每个测试场景特征所模拟出的测试场景的危险程度；将所述场景特征库中所对应的所述危险系数低于目标阈值的测试场景特征删除。
可选地，在本实施例中，由于场景对应的状态方程可以包括决策变量和加速度序列，即
Figure 217479DEST_PATH_IMAGE016
，因此，目标测试场景特征构建为场景特征库的方式可以但不限于为：对初始驾驶特征（
Figure 757045DEST_PATH_IMAGE017
、
Figure 889080DEST_PATH_IMAGE018
和
Figure 197701DEST_PATH_IMAGE019
）进行离散取值进行场景库的建立，由于前车的加速度可以从误差驾驶模型中获取，因此决策变量可以简化为
Figure 271837DEST_PATH_IMAGE047
，对于不同的初值，前车模型会产生不同的加减速动作，将每个初值生成的场景变量进行离散时间取点，
Figure 642906DEST_PATH_IMAGE048
，其中n为取点数，由此得到危险场景强化生成的场景库。
可选地，在本实施例中，在生成测试场景特征之后，还可以对测试场景特征进行指标评估，其中，可以使用两个评估指标评估生成场景的危险程度，分别为碰撞率和碰撞时的相对速度
Figure 234425DEST_PATH_IMAGE049
，碰撞率公式为
Figure 256607DEST_PATH_IMAGE050
，其中
Figure 377010DEST_PATH_IMAGE051
为仿真测试的序号，
Figure 766534DEST_PATH_IMAGE052
为总碰撞数，
Figure 896164DEST_PATH_IMAGE053
为在第
Figure 913799DEST_PATH_IMAGE051
次仿真跑的里程数，定位为
Figure 329737DEST_PATH_IMAGE054
，其中，
Figure 938048DEST_PATH_IMAGE055
为发生撞车事件的时间点，通过比较自然驾驶数据中发生碰撞事故的里程数与测试场景中发生碰撞事故的里程数，可发现自动驾驶系统在危险事故中的暴露率是否提高。
为了更好的理解上述自动驾驶系统的测试的过程，以下再结合可选实施例对上述自动驾驶系统的测试流程进行说明，但不用于限定本申请实施例的技术方案。
在本实施例中提供了一种自动驾驶系统的测试方法，图5是根据本申请实施例的一种自动驾驶系统的测试流程的示意图，如图5所示，主要包括如下步骤：
步骤S501：基于对ODD（Operational Design Domain，运行设计域）的测试需求设计状态方程，其中，可以通过决策变量对场景进行描述；
步骤S502：基于设计状态方程对前车驾驶模型进行建模，其中，前车驾驶模型形成的跟车场景能够测试到自动驾驶车辆应对跟随车辆不规则行车的能力，出于对危险场景强化生成的考虑，在采用前车驾驶模型时引入误差智能驾驶模型（Errable Driver Model，EDM）。误差智能驾驶模型在普通的智能驾驶模型基础上添加了三个误差因素：驾驶员干扰、感知误差以及时间延迟，同时为了使驾驶模型更贴近实际情况，引入了随机驾驶模型，随机模型可以模拟出驾驶员的一些随机的动作对车辆造成的纵向加速度；
步骤S503：基于以上的误差智能驾驶模型，对场景变量的初始值离散取值进行场景库的建立，由于前车的加速度可以从误差驾驶模型中获取，因此决策变量可以简化为
Figure 605790DEST_PATH_IMAGE047
，对于不同的初值，前车模型会产生不同的加减速动作，将每个初值生成的场景变量进行离散时间取点，
Figure 336985DEST_PATH_IMAGE048
，其中n为取点数，由此得到危险场景强化生成的场景库；
步骤S504：使用场景库中的危险场景对ODD（Operational Design Domain，运行设计域）进行测试，并对测试结果进行指标评估。
通过以上的实施方式，当前主流的场景库建立方法是从路测数据中提取数据建立路测场景库，这种方法存在数据采集不全的风险，对于建立场景库的方式也主要采用遍历的方式，效率不高。相较于上述方式，本申请通过对同车道的前车嵌入人类驾驶模型，并引入误差模型，在自动化运行场景案例的同时，加强了危险场景的生成，更全面地测试自动驾驶车辆的安全性；并且，本申请提出的误差驾驶员模型公式可以根据场景初值自动化生成离散的场景变量，生成方法简单，计算效率高；同时，误差人类驾驶员模型给其他交通参与者加入了人类驾驶习惯，使生成场景更贴近真实。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的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（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本申请各个实施例的方法。
图6是根据本申请实施例的一种自动驾驶系统的测试装置的结构框图；如图6所示，包括：
第一获取模块6002，用于获取初始驾驶特征，其中，所述初始驾驶特征用于模拟参考驾驶系统的初始驾驶状态；
生成模块6004，用于根据感知误差特征生成所述初始驾驶特征对应的第一测试场景特征，其中，所述感知误差特征用于模拟驾驶员的感知状态对操作所述参考驾驶系统的影响，所述第一测试场景特征用于模拟考虑了所述驾驶员的感知状态的所述参考驾驶系统的驾驶过程；
第一确定模块6006，用于根据所述第一测试场景特征确定目标测试场景特征，其中，所述目标测试场景特征用于通过模拟所述参考驾驶系统的驾驶过程对自动驾驶系统进行测试。
通过上述实施例，获取用于模拟参考驾驶系统初始驾驶状态的初始驾驶特征之后，再根据感知误差特征生成初始驾驶特征对应的第一场景特征，其中，感知误差特征用于模拟驾驶员的感知状态对操作所述参考驾驶系统的影响，因此基于感知误差特征生成的第一测试场景特征可以模拟出考虑了驾驶员的感知状态的参考驾驶系统的驾驶过程，由于参考驾驶系统考虑了驾驶员的感知状态，因此，参考驾驶系统模拟出的驾驶过程的出现危险场景的概率将得到强化，之后使用由第一测试场景特征确定的目标测试场景特征模拟参考驾驶系统的驾驶过程对自动驾驶系统进行测试，由于驾驶过程出现危险场景的概率得到强化，因此可以提高对自动驾驶系统进行测试的效率。采用上述技术方案，解决了相关技术中，测试自动驾驶系统的测试效率较低等问题，实现了提高测试自动驾驶系统的测试效率的技术效果。
在一个示例性实施例中，所述生成模块，包括：
检测单元，用于将所述初始驾驶特征作为初始时刻开始，检测每个下一时刻所述驾驶员的感知状态；
第一确定单元，用于根据所述每个下一时刻所述驾驶员的感知状态确定所述每个下一时刻对应的驾驶特征；
计算单元，用于计算所述每个下一时刻对应的驾驶特征所对应的测试场景特征，得到所述第一测试场景特征。
在一个示例性实施例中，所述第一确定单元，还用于：
在所述感知状态用于指示所述驾驶员的感知灵敏度低于目标灵敏度的情况下，将上一时刻的感知驾驶特征确定为所述每个下一时刻对应的驾驶特征；
在所述感知状态用于指示所述驾驶员的感知灵敏度高于或者等于目标灵敏度的情况下，将所述每个下一时刻的实际驾驶特征确定为所述每个下一时刻对应的驾驶特征。
在一个示例性实施例中，所述检测单元，还用于：
根据所述每个下一时刻的驾驶特征中的速度参数和上一时刻的驾驶特征中的速度参数计算所述每个下一时刻所对应的速度比；
在所述速度比低于速度比阈值的情况下，确定所述感知状态用于指示所述驾驶员的感知灵敏度低于目标灵敏度；
在所述速度比高于或者等于所述速度比阈值的情况下，确定所述感知状态用于指示所述驾驶员的感知灵敏度高于或者等于目标灵敏度。
在一个示例性实施例中，所述第一确定模块，包括以下之一：
第二确定单元，用于将所述第一测试场景特征确定为所述目标测试场景特征；
随机单元，用于随机生成第二测试场景特征，其中，所述第二测试场景特征用于模拟考虑了所述驾驶员的随机驾驶操作的所述参考驾驶系统的驾驶过程；将所述第一测试场景特征和所述第二测试场景特征整合，得到所述目标测试场景特征。
在一个示例性实施例中，所述随机单元，还用于：在随机时刻生成纵向加速度偏移量参数作为所述第二测试场景特征；
所述随机单元，还用于：将所述纵向加速度偏移量参数添加至所述第一测试场景特征中所述随机时刻所对应的参数上，得到所述目标测试场景特征。
在一个示例性实施例中，所述装置还包括：
构建模块，用于将生成的所述目标测试场景特征构建为场景特征库；
第二获取模块，用于在所述根据所述第一测试场景特征确定目标测试场景特征之后，获取所述场景特征库中每个测试场景特征的运行参数，其中，所述运行参数是使用所述每个测试场景特征对所述自动驾驶系统进行测试的过程中产生的参数；
第二确定模块，用于根据所述运行参数确定所述每个测试场景特征的危险系数，其中，所述危险系数用于指示所述每个测试场景特征所模拟出的测试场景的危险程度；
删除模块，用于将所述场景特征库中所对应的所述危险系数低于目标阈值的测试场景特征删除。
本申请的实施例还提供了一种存储介质，该存储介质包括存储的程序，其中，上述程序运行时执行上述任一项的方法。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的程序代码：
S1，获取初始驾驶特征，其中，所述初始驾驶特征用于模拟参考驾驶系统的初始驾驶状态；
S2，根据感知误差特征生成所述初始驾驶特征对应的第一测试场景特征，其中，所述感知误差特征用于模拟驾驶员的感知状态对操作所述参考驾驶系统的影响，所述第一测试场景特征用于模拟考虑了所述驾驶员的感知状态的所述参考驾驶系统的驾驶过程；
S3，根据所述第一测试场景特征确定目标测试场景特征，其中，所述目标测试场景特征用于通过模拟所述参考驾驶系统的驾驶过程对自动驾驶系统进行测试。
本申请的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，获取初始驾驶特征，其中，所述初始驾驶特征用于模拟参考驾驶系统的初始驾驶状态；
S2，根据感知误差特征生成所述初始驾驶特征对应的第一测试场景特征，其中，所述感知误差特征用于模拟驾驶员的感知状态对操作所述参考驾驶系统的影响，所述第一测试场景特征用于模拟考虑了所述驾驶员的感知状态的所述参考驾驶系统的驾驶过程；
S3，根据所述第一测试场景特征确定目标测试场景特征，其中，所述目标测试场景特征用于通过模拟所述参考驾驶系统的驾驶过程对自动驾驶系统进行测试。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器（Read-Only Memory，简称为ROM）、随机存取存储器（Random Access Memory，简称为RAM）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种自动驾驶系统的测试方法，其特征在于，包括：
获取初始驾驶特征，其中，所述初始驾驶特征用于模拟参考驾驶系统的初始驾驶状态；
根据感知误差特征生成所述初始驾驶特征对应的第一测试场景特征，其中，所述感知误差特征用于模拟驾驶员的感知状态对操作所述参考驾驶系统的影响，所述第一测试场景特征用于模拟考虑了所述驾驶员的感知状态的所述参考驾驶系统的驾驶过程，通过驾驶干扰模型模拟出驾驶干扰，以及，感知误差模型模拟出感知误差，再将所述驾驶干扰和所述感知误差确定为所述感知误差特征，所述驾驶干扰模型允许模拟出驾驶员不专心驾驶导致的状态保持，以及，模拟出驾驶员在驾驶过程中的反应时间滞后，所述感知误差模型允许模拟出驾驶员对于相对距离的感知误差，将所述驾驶干扰模型和所述感知误差模型生成的所述感知误差特征融合至智能驾驶模型生成所述初始驾驶特征对应的第一测试场景特征；
根据所述第一测试场景特征确定目标测试场景特征，其中，所述目标测试场景特征用于通过模拟所述参考驾驶系统的驾驶过程对自动驾驶系统进行测试。
2.根据权利要求1所述的方法，其特征在于，所述根据感知误差特征生成所述初始驾驶特征对应的第一测试场景特征，包括：
将所述初始驾驶特征作为初始时刻开始，检测每个下一时刻所述驾驶员的感知状态；
根据所述每个下一时刻所述驾驶员的感知状态确定所述每个下一时刻对应的驾驶特征；
计算所述每个下一时刻对应的驾驶特征所对应的测试场景特征，得到所述第一测试场景特征。
3.根据权利要求2所述的方法，其特征在于，所述根据所述每个下一时刻所述驾驶员的感知状态确定所述每个下一时刻对应的驾驶特征，包括：
在所述感知状态用于指示所述驾驶员的感知灵敏度低于目标灵敏度的情况下，将上一时刻的感知驾驶特征确定为所述每个下一时刻对应的驾驶特征；
在所述感知状态用于指示所述驾驶员的感知灵敏度高于或者等于目标灵敏度的情况下，将所述每个下一时刻的实际驾驶特征确定为所述每个下一时刻对应的驾驶特征。
4.根据权利要求3所述的方法，其特征在于，所述检测每个下一时刻所述驾驶员的感知状态，包括：
根据所述每个下一时刻的驾驶特征中的速度参数和上一时刻的驾驶特征中的速度参数计算所述每个下一时刻所对应的速度比；
在所述速度比低于速度比阈值的情况下，确定所述感知状态用于指示所述驾驶员的感知灵敏度低于目标灵敏度；
在所述速度比高于或者等于所述速度比阈值的情况下，确定所述感知状态用于指示所述驾驶员的感知灵敏度高于或者等于目标灵敏度。
5.根据权利要求1所述的方法，其特征在于，所述根据所述第一测试场景特征确定目标测试场景特征，包括以下之一：
将所述第一测试场景特征确定为所述目标测试场景特征；
随机生成第二测试场景特征，其中，所述第二测试场景特征用于模拟考虑了所述驾驶员的随机驾驶操作的所述参考驾驶系统的驾驶过程；将所述第一测试场景特征和所述第二测试场景特征整合，得到所述目标测试场景特征。
6.根据权利要求5所述的方法，其特征在于，
所述随机生成第二测试场景特征，包括：在随机时刻生成纵向加速度偏移量参数作为所述第二测试场景特征；
所述将所述第一测试场景特征和所述第二测试场景特征整合，得到所述目标测试场景特征，包括：将所述纵向加速度偏移量参数添加至所述第一测试场景特征中所述随机时刻所对应的参数上，得到所述目标测试场景特征。
7.根据权利要求1所述的方法，其特征在于，在所述根据所述第一测试场景特征确定目标测试场景特征之后，所述方法还包括：
将生成的所述目标测试场景特征构建为场景特征库；
获取所述场景特征库中每个测试场景特征的运行参数，其中，所述运行参数是使用所述每个测试场景特征对所述自动驾驶系统进行测试的过程中产生的参数；
根据所述运行参数确定所述每个测试场景特征的危险系数，其中，所述危险系数用于指示所述每个测试场景特征所模拟出的测试场景的危险程度；
将所述场景特征库中所对应的所述危险系数低于目标阈值的测试场景特征删除。
8.一种自动驾驶系统的测试装置，其特征在于，包括：
第一获取模块，用于获取初始驾驶特征，其中，所述初始驾驶特征用于模拟参考驾驶系统的初始驾驶状态；
生成模块，用于根据感知误差特征生成所述初始驾驶特征对应的第一测试场景特征，其中，所述感知误差特征用于模拟驾驶员的感知状态对操作所述参考驾驶系统的影响，所述第一测试场景特征用于模拟考虑了所述驾驶员的感知状态的所述参考驾驶系统的驾驶过程，通过驾驶干扰模型模拟出驾驶干扰，以及，感知误差模型模拟出感知误差，再将所述驾驶干扰和所述感知误差确定为所述感知误差特征，所述驾驶干扰模型允许模拟出驾驶员不专心驾驶导致的状态保持，以及，模拟出驾驶员在驾驶过程中的反应时间滞后，所述感知误差模型允许模拟出驾驶员对于相对距离的感知误差，将所述驾驶干扰模型和所述感知误差模型生成的所述感知误差特征融合至智能驾驶模型生成所述初始驾驶特征对应的第一测试场景特征；
第一确定模块，用于根据所述第一测试场景特征确定目标测试场景特征，其中，所述目标测试场景特征用于通过模拟所述参考驾驶系统的驾驶过程对自动驾驶系统进行测试。
9.一种计算机可读的存储介质，其特征在于，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行权利要求1至7中任一项所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行权利要求1至7中任一项所述的方法。
CN202211081977.1A 2022-09-06 2022-09-06 自动驾驶系统的测试方法和装置、存储介质及电子装置 Active CN115146491B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211081977.1A CN115146491B (zh) 2022-09-06 2022-09-06 自动驾驶系统的测试方法和装置、存储介质及电子装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211081977.1A CN115146491B (zh) 2022-09-06 2022-09-06 自动驾驶系统的测试方法和装置、存储介质及电子装置

Publications (2)

Publication Number Publication Date
CN115146491A CN115146491A (zh) 2022-10-04
CN115146491B true CN115146491B (zh) 2022-11-25

Family

ID=83415861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211081977.1A Active CN115146491B (zh) 2022-09-06 2022-09-06 自动驾驶系统的测试方法和装置、存储介质及电子装置

Country Status (1)

Country Link
CN (1) CN115146491B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117601903B (zh) * 2024-01-19 2024-04-26 福思(杭州)智能科技有限公司 车辆行驶场景的生成方法、装置和存储介质及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203904888U (zh) * 2014-03-04 2014-10-29 林可欣 一种可升降的道路隔离系统
CN111861128A (zh) * 2020-06-20 2020-10-30 清华大学 自动驾驶车辆人机协同操纵过程的接管舒适性评价方法、系统及存储介质
CN113077129A (zh) * 2021-03-19 2021-07-06 东南大学 一种适用于高海拔地区的驾驶员危险感知能力评价方法
WO2022082476A1 (zh) * 2020-10-21 2022-04-28 华为技术有限公司 一种仿真交通场景文件生成方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114815605A (zh) * 2022-04-07 2022-07-29 中国科学院深圳先进技术研究院 自动驾驶测试用例生成方法、装置、电子设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203904888U (zh) * 2014-03-04 2014-10-29 林可欣 一种可升降的道路隔离系统
CN111861128A (zh) * 2020-06-20 2020-10-30 清华大学 自动驾驶车辆人机协同操纵过程的接管舒适性评价方法、系统及存储介质
WO2022082476A1 (zh) * 2020-10-21 2022-04-28 华为技术有限公司 一种仿真交通场景文件生成方法及装置
CN113077129A (zh) * 2021-03-19 2021-07-06 东南大学 一种适用于高海拔地区的驾驶员危险感知能力评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
L2自动驾驶情境下驾驶员空间记忆与视觉特征;徐杨;《万方数据》;20210915;全文 *
Privacy-Preserving auto-driving:A GAN-based approach to protect vehicular camera data;Zuobin Xiong等;《2019IEEE international conference on data Mining（ICDM）》;20200130;全文 *

Also Published As

Publication number Publication date
CN115146491A (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
US10169928B2 (en) Apparatus for providing data to a hardware-in-the-loop simulator
CN112654933A (zh) 计算机实现的用于测试控制设备的模拟方法和装置
CN110686906B (zh) 车辆自动驾驶测试方法及装置
CN115146491B (zh) 自动驾驶系统的测试方法和装置、存储介质及电子装置
CN112327806B (zh) 自动驾驶的测试方法、装置、电子设备和存储介质
CN111177887A (zh) 一种基于真实驾驶场景构造仿真轨迹数据的方法和装置
Ponn et al. An optimization-based method to identify relevant scenarios for type approval of automated vehicles
WO2020060480A1 (en) System and method for generating a scenario template
AU2021202991A1 (en) Method and system for vehicle speed profile generation
CN116011225A (zh) 场景库的生成方法、测试方法、电子设备及存储介质
CN116627793A (zh) 软件在环仿真测试的真实度评估方法及装置
CN111199083A (zh) 复现无人驾驶车辆事故数据的方法和装置
CN111767630A (zh) 一种应用于智能驾驶的虚拟仿真测试方法及装置
CN112346999B (zh) 一种场景无关的无人驾驶仿真测试评估方法及装置
CN116562175B (zh) 车辆配置对自动驾驶系统安全性影响的评估方法
CN117131589A (zh) 智能网联车辆协同算法的仿真测试方法及装置
CN115470122A (zh) 基于仿真场景的自动驾驶测试方法、装置、介质及设备
CN116362022A (zh) 交通信息仿真的方法、装置、设备及计算机存储介质
CN116341648A (zh) 自动驾驶车辆环境感知能力训练方法、装置、设备及介质
CN113268057A (zh) 无人驾驶车辆的避障处理方法及装置
CN114212124A (zh) 列车正线追踪方法、装置、电子设备及存储介质
CN111175055B (zh) 自动驾驶分布式协同仿真方法、装置以及终端
CN111462475B (zh) 实时交互式动态交通流的测试系统
CN111091581A (zh) 基于生成对抗网络的行人轨迹模拟方法、装置和存储介质
CN117827360A (zh) 仿真环境的搭建方法和搭建装置

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
GR01 Patent grant
GR01 Patent grant