CN115935620A - 仿真测试场景推荐方法、装置、存储介质及计算机设备 - Google Patents
仿真测试场景推荐方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN115935620A CN115935620A CN202211476028.3A CN202211476028A CN115935620A CN 115935620 A CN115935620 A CN 115935620A CN 202211476028 A CN202211476028 A CN 202211476028A CN 115935620 A CN115935620 A CN 115935620A
- Authority
- CN
- China
- Prior art keywords
- difference
- simulation test
- scene
- evaluation index
- automatic driving
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 275
- 238000012360 testing method Methods 0.000 title claims abstract description 269
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000011156 evaluation Methods 0.000 claims abstract description 225
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 89
- 238000012216 screening Methods 0.000 claims abstract description 6
- 230000000875 corresponding effect Effects 0.000 claims description 186
- 230000001133 acceleration Effects 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 10
- 230000002596 correlated effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 15
- 238000012795 verification Methods 0.000 description 10
- 230000006399 behavior Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种仿真测试场景推荐方法、装置、存储介质及计算机设备,方法包括:获取由第一自动驾驶算法在每个仿真测试场景下输出的第一自动驾驶数据,以及由第二自动驾驶算法在每个仿真测试场景下输出的第二自动驾驶数据;根据第一自动驾驶数据、第二自动驾驶数据和预先设置的各个差异评价指标,确定每个仿真测试场景在各个差异评价指标下的差异值;针对每个差异评价指标,根据该差异评价指标对应的各个差异值,在各个仿真测试场景中筛选出差异程度大的仿真测试场景作为该差异评价指标对应的目标场景;根据各个差异评价指标对应的目标场景,确定推荐场景集合;推荐场景集合包括至少一个目标场景。采用本申请可提高测试效率。
Description
技术领域
本申请涉及自动驾驶技术领域,尤其涉及一种仿真测试场景推荐方法、装置、存储介质及计算机设备。
背景技术
随着自动驾驶算法的不断迭代,自动驾驶算法发展出越来越多的版本。为评估不同版本的自动驾驶算法的优劣,需要对两个不同版本的自动驾驶算法进行AB测试。在AB测试的过程中,需要令两个版本的自动驾驶算法在相同的仿真测试环境和仿真测试场景集合下进行仿真测试,并根据两个版本的自动驾驶算法在不同仿真测试场景下输出的自动驾驶数据,比较两个版本的表现优劣。然而,在进行AB测试时,往往会使用大量的仿真测试场景,而现有技术却是采用人工验证的方式逐一验证不同版本的自动驾驶算法在各个仿真测试场景下的表现,消耗时间长,测试效率低。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一,特别是现有技术中消耗时间长,测试效率低的技术缺陷。
第一方面,本申请实施例提供了一种仿真测试场景推荐方法,所述方法包括:
获取由第一自动驾驶算法在每个仿真测试场景下输出的第一自动驾驶数据,以及由第二自动驾驶算法在每个所述仿真测试场景下输出的第二自动驾驶数据;
根据所述第一自动驾驶数据、所述第二自动驾驶数据和预先设置的各个差异评价指标,确定每个所述仿真测试场景在各个所述差异评价指标下的差异值;
针对每个所述差异评价指标,根据该差异评价指标对应的各个差异值,在各个所述仿真测试场景中筛选出差异程度大的仿真测试场景作为该差异评价指标对应的目标场景;
根据各个所述差异评价指标对应的目标场景,确定推荐场景集合;所述推荐场景集合包括至少一个所述目标场景。
在其中一个实施例中,所述根据各个所述差异评价指标对应的目标场景,确定推荐场景集合的步骤,包括:
将各个所述差异评价指标对应的目标场景数量进行累加,以得到目标场景总数量;
根据所述目标场景总数量和每个所述差异评价指标对应的目标场景数量,分别确定每个所述差异评价指标对应的目标场景占比;
获取预先设置的推荐场景总数量;
根据所述推荐场景总数量和各个所述差异评价指标对应的目标场景占比,在各个所述差异评价指标对应的目标场景中选取K个推荐场景,以得到包括K个所述推荐场景的推荐场景集合;其中,K为所述推荐场景总数量。
在其中一个实施例中,所述差异值与差异程度成正相关;
所述根据所述推荐场景总数量和各个所述差异评价指标对应的目标场景占比,在各个所述差异评价指标对应的目标场景中选取K个推荐场景,以得到包括K个所述推荐场景的推荐场景集合的步骤,包括:
获取预先设置的每个所述差异评价指标对应的推荐上限值和推荐下限值;
针对每个所述差异评价指标,按照从大到小的排序方式,对该差异评价指标对应的各个目标场景的差异值进行排序,并将排序次序为第1至N个差异值所对应的目标场景作为各个所述推荐场景,将各个所述推荐场景添加到所述推荐场景集合中,其中,N为该差异评价指标对应的推荐下限值;
获取所述推荐场景集合的已确定场景数量;
若所述已确定场景数量小于所述推荐场景总数量,则根据所述推荐场景总数量、各个所述差异评价指标对应的目标场景占比和各个所述差异评价指标对应的推荐上限值,分别确定每个所述差异评价指标对应的实际上限值;
针对每个所述差异评价指标,将该差异评价指标对应的各个目标场景的差异值中,排序次序为第(N+1)至M个差异值所对应的目标场景作为各个所述推荐场景,将各个所述推荐场景添加到所述推荐场景集合中,其中,M为该差异评价指标对应的实际上限值。
在其中一个实施例中,各个所述差异评价指标包括档位差异指标;
所述根据所述第一自动驾驶数据、所述第二自动驾驶数据和预先设置的各个差异评价指标,确定每个所述仿真测试场景在各个所述差异评价指标下的差异值的步骤,包括:
根据所述第一自动驾驶数据中的档位信息,分别生成每个所述仿真测试场景对应的第一档位字符串信息;
根据所述第二自动驾驶数据中的档位信息,分别生成每个所述仿真测试场景对应的第二档位字符串信息;
针对每个所述仿真测试场景,计算该仿真测试场景对应的第一档位字符串信息和该仿真测试场景对应的第二档位字符串信息之间的第一编辑距离,并将所述第一编辑距离作为该仿真测试场景在所述档位差异指标下的差异值。
在其中一个实施例中,各个所述差异评价指标包括转向灯差异指标;
所述根据所述第一自动驾驶数据、所述第二自动驾驶数据和预先设置的各个差异评价指标,确定每个所述仿真测试场景在各个所述差异评价指标下的差异值的步骤,包括:
根据所述第一自动驾驶数据中的转向灯状态,分别生成每个所述仿真测试场景对应的第一转向灯字符串信息;
根据所述第二自动驾驶数据中的转向灯状态,分别生成每个所述仿真测试场景对应的第二转向灯字符串信息;
针对每个所述仿真测试场景,计算该仿真测试场景对应的第一转向灯字符串信息和该仿真测试场景对应的第二转向灯字符串信息之间的第二编辑距离,并将所述第二编辑距离作为该仿真测试场景在所述转向灯差异指标下的差异值。
在其中一个实施例中,各个所述差异评价指标包括加速度差异指标和横移差异指标;
所述根据所述第一自动驾驶数据、所述第二自动驾驶数据和预先设置的各个差异评价指标,确定每个所述仿真测试场景在各个所述差异评价指标下的差异值的步骤,包括:
针对每个所述仿真测试场景,采用滑窗法处理所述第一自动驾驶数据在该仿真测试场景下的加速度和所述第二自动驾驶数据在该仿真测试场景下的加速度,以得到各个加速度差异平均值,并将最大加速度差异平均值作为该仿真测试场景在所述加速度差异指标下的差异值,以及采用滑窗法处理所述第一自动驾驶数据在该仿真测试场景下的方向盘转动角度和所述第二自动驾驶数据在该仿真测试场景下的方向盘转动角度,以得到各个转角差异平均值,并将最大转角差异平均值作为该仿真测试场景在所述横移差异指标下的差异值。
在其中一个实施例中,各个所述差异评价指标包括行驶轨迹差异指标;
所述根据所述第一自动驾驶数据、所述第二自动驾驶数据和预先设置的各个差异评价指标,确定每个所述仿真测试场景在各个所述差异评价指标下的差异值的步骤,包括:
针对每个所述仿真测试场景,根据所述第一自动驾驶数据中对应于该仿真测试场景的行驶位置和所述第二自动驾驶数据中对应于该仿真测试场景的行驶位置,计算欧式距离,并将所述欧式距离作为该仿真测试场景在所述行驶轨迹差异指标下的差异值。
第二方面,本申请实施例提供了一种仿真测试场景推荐装置,所述装置包括:
自动驾驶数据获取模块,用于获取由第一自动驾驶算法在每个仿真测试场景下输出的第一自动驾驶数据,以及由第二自动驾驶算法在每个所述仿真测试场景下输出的第二自动驾驶数据;
差异确定模块,用于根据所述第一自动驾驶数据、所述第二自动驾驶数据和预先设置的各个差异评价指标,确定每个所述仿真测试场景在各个所述差异评价指标下的差异值;
目标场景确定模块,用于针对每个所述差异评价指标,根据该差异评价指标对应的各个差异值,在各个所述仿真测试场景中筛选出差异程度大的仿真测试场景作为该差异评价指标对应的目标场景;
推荐场景确定模块,用于根据各个所述差异评价指标对应的目标场景,确定推荐场景集合;所述推荐场景集合包括至少一个所述目标场景。
第三方面,本申请实施例提供了一种存储介质,所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述任一实施例所述仿真测试场景推荐方法的步骤。
第四方面,本申请实施例提供了一种计算机设备,包括:一个或多个处理器,以及存储器;
所述存储器中存储有计算机可读指令,所述计算机可读指令被所述一个或多个处理器执行时,执行上述任一实施例所述仿真测试场景推荐方法的步骤。
在本申请的仿真测试推荐方法、装置、存储介质及计算机设备中,计算机设备可使用相同的仿真测试场景对第一自动驾驶算法和第二自动驾驶算法进行仿真测试,并根据预先设置的各个差异评价指标、由第一自动驾驶算法输出的第一自动驾驶数据和由第二自动驾驶算法输出的第二自动驾驶数据,确定第一自动驾驶算法和第二自动驾驶算法在各个仿真测试场景和各个差异评价指标下的差异值。针对每个差异评价指标,计算机设备可根据该差异评价指标对应的各个差异值,在各个仿真测试场景中筛选出差异程度足够大的仿真测试场景作为该差异评价指标对应的目标场景。在确定各个差异评价指标对应的目标场景后,计算机设备可以在各个目标场景中确定推荐场景集合所包括的推荐场景。如此,计算机设备可以在大量的仿真测试场景中自动挑选出最有可能表现出版本变化的仿真测试场景,并据此得到推荐场景集合,以便于工程师对推荐场景集合中的少量场景进行人工验证。既确保推荐的仿真测试场景能够准确反映算法版本变化,又大大减少需要进行人工验证的仿真场景数量,从而可降低人工验证所消耗的时间,进而可提高测试效率。
附图说明
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,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为一个实施例中仿真测试场景推荐方法的流程示意图;
图2为一个实施例中确定推荐场景集合步骤的流程示意图;
图3为一个实施例中选取K个推荐场景步骤的流程示意图;
图4为一个实施例中确定每个所述仿真测试场景在各个所述差异评价指标下的差异值步骤的流程示意图之一;
图5为一个实施例中确定每个所述仿真测试场景在各个所述差异评价指标下的差异值步骤的流程示意图之二;
图6为一个实施例中仿真测试场景推荐装置的结构示意图;
图7为一个实施例中计算机设备的结构示意图。
具体实施方式
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,都属于本申请保护的范围。
在一个实施例中,本申请提供了一种仿真测试场景推荐方法。下述实施例以该方法应用于计算机设备为例进行说明,可以理解,该计算设备是指具备数据处理功能的设备,可以但不限于是个人笔记本电脑、台式笔记本电脑、单个服务器或者服务器集群等。如图1所示,本申请的方法可以包括如下步骤:
S102:获取由第一自动驾驶算法在每个仿真测试场景下输出的第一自动驾驶数据,以及由第二自动驾驶算法在每个所述仿真测试场景下输出的第二自动驾驶数据。
其中,第一自动驾驶算法和第二自动驾驶算法可以是不同版本的自动驾驶算法。在进行AB测试时,计算机设备可以采用相同的仿真测试场景集分别对不同版本的自动驾驶算法进行仿真测试。该仿真测试场景集可包括多个仿真测试场景,计算机设备分别采用每个仿真测试场景对第一自动驾驶算法进行仿真测试,以及分别采用每个仿真测试场景对第二自动驾驶算法进行仿真测试,以获取第一自动驾驶算法和第二自动驾驶算法针对相同的仿真测试场景集输出的第一自动驾驶数据和第二自动驾驶数据。
第一自动驾驶数据能够反映受控于第一自动驾驶算法的模拟车辆在面对每个仿真测试场景时的行为状态和/或驾驶行为。同理,第二自动驾驶数据能够反映受控于第二自动驾驶算法的模拟车辆在面对每个仿真测试场景时的行为状态和/或驾驶行为。第一自动驾驶数据和第二自动驾驶数据可以包括相同类别的驾驶数据,例如,第一自动驾驶数据和第二自动驾驶数据均可包括轨迹数据、加速度数据、方向盘转角信息、档位信息和转向灯信息等。
S104:根据所述第一自动驾驶数据、所述第二自动驾驶数据和预先设置的各个差异评价指标,确定每个所述仿真测试场景在各个所述差异评价指标下的差异值。
其中,差异评价指标可以是用于评估第一自动驾驶算法和第二自动驾驶算法在同一仿真测试场景下的行为状态差异和/或驾驶行为差异的指标。
具体而言,可预先设置有一个或多个的差异评价指标。针对每个仿真测试场景,计算机设备可从第一自动驾驶数据中提取第一自动驾驶算法在该仿真测试场景下输出的自动驾驶数据,以及从第二自动驾驶数据中提取第二自动驾驶算法在该仿真测试场景下输出的自动驾驶数据,并根据不同版本的自动驾驶算法在同一仿真测试场景下输出的自动驾驶数据,确定该仿真测试场景在各个差异评价指标的差异值。该差异值用于反映第一自动驾驶算法和第二自动驾驶算法在同一仿真测试场景下的行为状态差异程度和/或驾驶行为差异程度。可以理解,针对任意两个差异评价指标,计算机设备可依据采用相同或不同的计算方式来获取仿真测试场景在各个差异评价指标下的差异值,本申请对此不作具体限制。
S106:针对每个所述差异评价指标,根据该差异评价指标对应的各个差异值,在各个所述仿真测试场景中筛选出差异程度大的仿真测试场景作为该差异评价指标对应的目标场景。
在S104后,计算机设备可得到每个仿真测试场景在各个差异评价指标下的差异值。其中,每个差异评价指标可对应着多个差异值,各个差异值用于反映各个仿真测试场景在同一差异评价指标下的差异程度。针对每个差异评价指标,计算机设备可以根据各个仿真测试场景在该差异评价指标下的差异值,确定第一自动驾驶算法和第二自动驾驶算法在每个仿真测试场景及该差异评价指标下的差异程度,并据此筛选出在该差异评价指标下差异程度大的仿真测试场景作为该差异评价指标对应的目标场景。
可以理解,计算机设备可以采用任意方式来根据各个差异值确定各个仿真测试场景的差异程度。在其中一个实施例中,针对每个差异评价指标,计算机设备可获取该差异评价指标对应的差异阈值,并将差异值大于该差异阈值的仿真测试场景作为该差异评价指标对应的目标场景。进一步地,每个差异评价指标对应的差异阈值可以基于人工经验设置。
S108:根据各个所述差异评价指标对应的目标场景,确定推荐场景集合;所述推荐场景集合包括至少一个所述目标场景。
在得到各个差异评价指标对应的目标场景后,计算机设备可以在各个差异评价指标对应的目标场景中确定值得关注的推荐场景,以得到包括各个推荐场景的推荐场景集合。在其中一个实施例中,计算机设备可以将部分或全部的目标场景作为推荐场景,以得到推荐场景集合。
在其中一个实施例中,在确定推荐场景集合后,计算机设备可以向工程师推荐推荐场景集合中的各个推荐场景,以便于工程师对各个推荐场景进行人工验证,并评估第一自动驾驶算法和第二自动驾驶算法的优劣。
在本申请中,计算机设备可以在大量的仿真测试场景中自动挑选出最有可能表现出版本变化的仿真测试场景,并据此得到推荐场景集合,以便于工程师对推荐场景集合中的少量场景进行人工验证。既确保推荐的仿真测试场景能够准确反映算法版本变化,又大大减少需要进行人工验证的仿真场景数量,从而可降低人工验证所消耗的时间,进而可提高测试效率。
在一个实施例中,如图2所示,所述根据各个所述差异评价指标对应的目标场景,确定推荐场景集合的步骤,包括:
S202:将各个所述差异评价指标对应的目标场景数量进行累加,以得到目标场景总数量。
其中,差异评价指标对应的目标场景指标是指该差异评价指标所对应的目标场景的数量,目标场景总数量是指全部差异评价指标所对应的目标场景的总数。具体地,每个差异评价指标可对应着一个或多个的目标场景。计算机设备可分别确定每个差异评价指标所对应的目标场景数量,并将各个目标场景数量进行累加,以得到目标场景总数量。
S204:根据所述目标场景总数量和每个所述差异评价指标对应的目标场景数量,分别确定每个所述差异评价指标对应的目标场景占比。
其中,差异评价指标对应的目标场景占比是指该差异评价指标对应的目标场景数量占目标场景总数量的比例。针对每个差异评价指标,计算机设备可计算该差异评价指标对应的目标场景数量与目标场景总数量之间的比值,并将该比值作为该差异评价指标对应的目标场景占比。
S206:获取预先设置的推荐场景总数量。
其中,推荐场景总数量是指预先给定的、工程师希望关注的仿真测试场景总数量。换言之,计算机设备可以在P仿真测试场景中确定K个有明显差异的仿真测试场景作为推荐场景。其中,P、K均为正整数,P大于K,K为推荐场景总数量。
S208:根据所述推荐场景总数量和各个所述差异评价指标对应的目标场景占比,在各个所述差异评价指标对应的目标场景中选取K个推荐场景,以得到包括K个所述推荐场景的推荐场景集合;其中,K为所述推荐场景总数量。
具体而言,计算机设备可结合各个差异评价指标所对应的目标场景占比来确定推荐场景,进而得到推荐场景集合,使得推荐场景集合可以反映各个差异评价指标有明显差异的仿真测试场景(即目标场景)的占比。例如,针对每个差异评价指标,计算机设备可以计算推荐场景总数量和该差异评价指标对应的目标场景占比之间的乘积Q,并从该差异评价指标对应的目标场景中选取Q个目标场景作为推荐场景。
本实施例中,根据推荐场景总数量和各个差异评价指标对应的目标场景占比,在各个差异评价指标对应的目标场景中选取推荐场景,使得推荐场景集合可以反映各个差异评价指标有明显差异的仿真测试场景的占比,以便于结合该占比进行人工验证,以进一步提高测试效率。
在一个实施例中,所述差异值与差异程度成正相关。换言之,差异值越大,则差异程度越大。
如图3所示,所述根据所述推荐场景总数量和各个所述差异评价指标对应的目标场景占比,在各个所述差异评价指标对应的目标场景中选取K个推荐场景,以得到包括K个所述推荐场景的推荐场景集合的步骤,包括:
S302:获取预先设置的每个所述差异评价指标对应的推荐上限值和推荐下限值。
每个差异评价指标均有其对应的推荐上限值和推荐下限值,需要说明的是,每个差异评价指标对应的推荐上限值可以相同或不同,同理,每个差异评价指标对应的推荐下限值可以相同或不同,本申请对此不作具体限制。
S304:针对每个所述差异评价指标,按照从大到小的排序方式,对该差异评价指标对应的各个目标场景的差异值进行排序,并将排序次序为第1至N个差异值所对应的目标场景作为各个所述推荐场景,将各个所述推荐场景添加到所述推荐场景集合中,其中,N为该差异评价指标对应的推荐下限值。
具体而言,针对每个差异评价指标,计算机设备可以按照从大到小的排序方式,对该差异评价指标对应的各个差异值进行排序。由于差异值与差异程度成正相关,因此,差异值越大,差异程度越大,排序次序越前。排序后,计算机设备可以将每个差异评价指标下,前N个差异值对应的目标场景选为推荐场景。如此,可分别将每个差异评价指标中,差异最大的N个目标场景选入到推荐场景集合内。
S306:获取所述推荐场景集合的已确定场景数量。
其中,已确定场景数量可以是推荐场景集合中已包括的推荐场景数量,也即,已选取的推荐场景数量。
S308:若所述已确定场景数量小于所述推荐场景总数量,则根据所述推荐场景总数量、各个所述差异评价指标对应的目标场景占比和各个所述差异评价指标对应的推荐上限值,分别确定每个所述差异评价指标对应的实际上限值。
一般而言,推荐场景总数量一般大于各个差异评价指标对应的推荐下限值之和。在分别将每个差异评价指标对应的N个目标场景选入推荐场景集合后,推荐场景集合中的已确定场景数量一般小于推荐场景总数量,因此,还需目前从未选入推荐场景集合的各个目标场景中筛选出推荐场景。
在此情况下,针对每个差异评价指标,计算机设备可根据推荐场景总数量、该差异评价指标对应的目标场景占比和该差异评价指标对应的推荐上限值,确定该差异评价指标对应的实际上限值。在其中一个实施例中,计算机设备可计算推荐场景总数量和该差异评价指标对应的目标场景占比之间的乘积Q,并将Q与该差异评价指标对应的推荐上限值二者之间的较小值作为该差异评价指标对应的实际上限值。
S310:针对每个所述差异评价指标,将该差异评价指标对应的各个目标场景的差异值中,排序次序为第(N+1)至M个差异值所对应的目标场景作为各个所述推荐场景,将各个所述推荐场景添加到所述推荐场景集合中,其中,M为该差异评价指标对应的实际上限值。
在确定每个差异评价指标对应的实际上限值M后,计算机设备可以分别在每个差异评价指标对应的排序后的各个差异值中,将排序次序为第(N+1)至M个差异值所对应的目标场景作为推荐场景。例如,对于某一差异评价指标,N为5,M为15,则可将排序次序为第6至15(共10个)差异值分别对应的目标场景作为推荐场景。
本实施例中,考虑到不同差异评价指标对应的目标场景在数量上可能会有所失衡,因此,本申请先可将每个差异评价指标中,差异最大的N个目标场景选入到推荐场景集合内,而后再根据按照各个差异评价指标对应的目标场景占比分配剩余的推荐场景。如此,既可避免各个差异评价指标对应推荐场景数量特别失调,又能尽可能地反映原始比例,以便于工程师后续进行人工验证,进而可进一步提高测试效率。
在一个实施例中,各个所述差异评价指标包括档位差异指标。也即,在各个差异评价指标中,其中一个差异评价指标为档位差异指标。其中,档位差异指标是指用于评估受控于第一自动驾驶算法的模拟车辆和受控于第二自动驾驶算法的模拟车辆在同一仿真测试场景下的车辆档位差异的指标。
如图4所示,所述根据所述第一自动驾驶数据、所述第二自动驾驶数据和预先设置的各个差异评价指标,确定每个所述仿真测试场景在各个所述差异评价指标下的差异值的步骤,包括:
S402:根据所述第一自动驾驶数据中的档位信息,分别生成每个所述仿真测试场景对应的第一档位字符串信息。
其中,每个仿真测试场景对应的第一档位字符串信息可以反映受控于第一自动驾驶算法的模拟车辆在该仿真测试场景的每个仿真帧下的车辆档位信息。在其中一个实施例中,针对每个仿真测试场景,计算机设备可以从第一自动驾驶数据的档位信息中,获取该仿真测试场景在每个仿真帧下的档位信息,并将各个仿真帧对应的档位信息拼接为字符串,从而可得到第一档位字符串信息。例如,第一档位字符串信息可以为PPPPDDDD。
S404:根据所述第二自动驾驶数据中的档位信息,分别生成每个所述仿真测试场景对应的第二档位字符串信息。
每个仿真测试场景对应的第二档位字符串信息可以反映受控于第二自动驾驶算法的模拟车辆在该仿真测试场景的每个仿真帧下的车辆档位信息。进一步地,计算机设备获取每个仿真测试场景对应的第二档位字符串信息可类似于获取第一档位字符串信息的过程,在此不再赘述。
S406:针对每个所述仿真测试场景,计算该仿真测试场景对应的第一档位字符串信息和该仿真测试场景对应的第二档位字符串信息之间的第一编辑距离,并将所述第一编辑距离作为该仿真测试场景在所述档位差异指标下的差异值。
其中,编辑距离是针对两个字符串(例如英文字符串)的差异程度的量化量测方式,其量测方式为评估至少需要多少次的处理才能将一个字符串变成另一个字符串。
计算机设备可计算同一仿真测试场景对应的第一字符串档位信息和第二字符串档位信息之间的编辑距离(第一编辑距离),从而可得到第一自动驾驶算法和第二自动驾驶算法在同一仿真测试场景下的档位差异。计算机设备可将计算所得的第一编辑距离作为该仿真测试场景在档位差异指标下的差异值。
本实施例中,通过在各个差异评价指标中设置档位差异指标,并将第一档位字符串信息和第二档位字符串信息之间的编辑距离作为仿真测试场景在档位差异指标下的差异值,从而可从多维度准确评估第一自动驾驶算法和第二自动驾驶算法针对同一仿真测试场景的差异,以便于后续在多个仿真测试场景中准确确定值得关注的变化场景。
在一个实施例中,各个所述差异评价指标包括转向灯差异指标。也即,在各个差异评价指标中,其中一个差异评价指标为转向灯差异指标。该转向灯差异指标是指用于评估受控于第一自动驾驶算法的模拟车辆和受控于第二自动驾驶算法的模拟车辆在同一仿真测试场景下的转向灯差异的指标。
如图5所示,所述根据所述第一自动驾驶数据、所述第二自动驾驶数据和预先设置的各个差异评价指标,确定每个所述仿真测试场景在各个所述差异评价指标下的差异值的步骤,包括:
S502:根据所述第一自动驾驶数据中的转向灯状态,分别生成每个所述仿真测试场景对应的第一转向灯字符串信息。
其中,每个仿真测试场景对应的第一转向灯字符串信息可以反映受控于第一自动驾驶算法的模拟车辆在该仿真测试场景的每个仿真帧下的车辆转向灯信息。在其中一个实施例中,针对每个仿真测试场景,计算机设备可以从第一自动驾驶数据的转向灯状态中,获取该仿真测试场景在每个仿真帧下的转向灯状态,并将各个仿真帧对应的转向灯状态拼接为字符串,从而可得到第一转向灯字符串信息。例如,第一转向灯字符串信息可以为LLLLNNNRRR,其中L代表开启左转转向灯,N代表没有开启左转及右转转向灯,R代表开启右转转向灯。
S504:根据所述第二自动驾驶数据中的转向灯状态,分别生成每个所述仿真测试场景对应的第二转向灯字符串信息。
每个仿真测试场景对应的第二转向灯字符串信息可以反映受控于第二自动驾驶算法的模拟车辆在该仿真测试场景的每个仿真帧下的车辆转向灯信息。进一步地,计算机设备获取每个仿真测试场景对应的第二转向灯字符串信息可类似于获取第一转向灯字符串信息的过程,在此不再赘述。
S506:针对每个所述仿真测试场景,计算该仿真测试场景对应的第一转向灯字符串信息和该仿真测试场景对应的第二转向灯字符串信息之间的第二编辑距离,并将所述第二编辑距离作为该仿真测试场景在所述转向灯差异指标下的差异值。
关于编辑距离的具体解释可参阅上述实施例,此处不再赘述。计算机设备可计算同一仿真测试场景对应的第一转向灯字符串信息和第二转向灯字符串信息之间的编辑距离(第二编辑距离),从而可得到第一自动驾驶算法和第二自动驾驶算法在同一仿真测试场景下的转向灯状态差异。计算机设备可将计算所得的第二编辑距离作为该仿真测试场景在转向灯差异指标下的差异值。
本实施例中,通过在各个差异评价指标中设置转向灯差异指标,并将第一转向灯字符串信息和第二转向灯字符串信息之间的编辑距离作为仿真测试场景在转向灯差异指标下的差异值,从而可从多维度准确评估第一自动驾驶算法和第二自动驾驶算法针对同一仿真测试场景的差异,以便于后续在多个仿真测试场景中准确确定值得关注的变化场景。
在一个实施例中,各个所述差异评价指标包括加速度差异指标和横移差异指标。需要说明的是,除加速度差异指标和横移差异指标外,还可包括更多的差异评价指标,本文对此不作限制。
其中,加速度差异指标可用于评估受控于第一自动驾驶算法的模拟车辆和受控于第二自动驾驶算法的模拟车辆在同一仿真测试场景下的加速度差异。类似地,横移差异指标可用于评估受控于第一自动驾驶算法的模拟车辆和受控于第二自动驾驶算法的模拟车辆在同一仿真测试场景下的横向移动差异。
所述根据所述第一自动驾驶数据、所述第二自动驾驶数据和预先设置的各个差异评价指标,确定每个所述仿真测试场景在各个所述差异评价指标下的差异值的步骤,包括:
针对每个所述仿真测试场景,采用滑窗法处理所述第一自动驾驶数据在该仿真测试场景下的加速度和所述第二自动驾驶数据在该仿真测试场景下的加速度,以得到各个加速度差异平均值,并将最大加速度差异平均值作为该仿真测试场景在所述加速度差异指标下的差异值,以及采用滑窗法处理所述第一自动驾驶数据在该仿真测试场景下的方向盘转动角度和所述第二自动驾驶数据在该仿真测试场景下的方向盘转动角度,以得到各个转角差异平均值,并将最大转角差异平均值作为该仿真测试场景在所述横移差异指标下的差异值。
具体而言,在采用滑窗法处理第一自动驾驶算法和第二自动驾驶算法在同一仿真测试场景下的加速度时,可按照预先设置的窗口长度设置滑动窗口,并令该固定长度的滑动窗口,从该仿真测试场景的第1个仿真帧滑动至最后一个仿真帧。针对每个滑动窗口,分别计算该滑动窗口中各个仿真帧下的加速度差异,并据此求得该滑动窗口对应的加速度差异平均值。在得到同一仿真测试场景对应的各个加速度差异平均值后,计算机设备将最大加速度差异平均值作为该仿真测试场景在加速度差异指标下的差异值。
以窗口长度为1秒,每秒包括10个仿真帧为例,如下式所示,针对每个仿真测试场景,计算机设备可使用长度为1秒的滑动窗口计算10个仿真帧对应的车辆加速度的平均差异度(即加速度差异平均值),并选取该仿真测试场景的所有滑动窗口中的最大加速度差异平均值。
式中,DISTaccel(t0)为t0时刻对应的加速度差异平均值,accelo(t)为由第一自动驾驶算法输出的t时刻下的加速度,accels(t)为由第二自动驾驶算法输出的t时刻下的加速度,MAXDISTaccel为最大加速度差异平均值。
类似地,在采用滑窗法处理第一自动驾驶算法和第二自动驾驶算法在同一仿真测试场景下的方向盘转动角度时,其具体实现过程可参照上述采用滑窗法处理加速度的过程,在此不再赘述。
计算机设备可采用滑窗法处理第一自动驾驶算法和第二自动驾驶算法在同一仿真测试场景下的方向盘转动角度,以得到各个角差异平均值,并将最大转角差异平均值作为该仿真测试场景在横移差异指标下的差异值。
本实施例中,通过采用滑窗法计算同一仿真测试场景下的各个加速度差异平均值及转角差异平均值,并将各个加速度差异平均值中的最大加速度差异平均值和最大转角差异平均值作为该仿真测试场景在加速度差异指标和横移差异指标下的差异值,从而可从多维度准确评估第一自动驾驶算法和第二自动驾驶算法针对同一仿真测试场景的差异,以便于后续在多个仿真测试场景中准确确定值得关注的变化场景。
在一个实施例中,各个所述差异评价指标包括行驶轨迹差异指标。也即,在各个差异评价指标中,其中一个差异评价指标为行驶轨迹差异指标。该行驶轨迹差异指标是指用于评估受控于第一自动驾驶算法的模拟车辆和受控于第二自动驾驶算法的模拟车辆在同一仿真测试场景下的行驶轨迹的指标。
所述根据所述第一自动驾驶数据、所述第二自动驾驶数据和预先设置的各个差异评价指标,确定每个所述仿真测试场景在各个所述差异评价指标下的差异值的步骤,包括:
针对每个所述仿真测试场景,根据所述第一自动驾驶数据中对应于该仿真测试场景的行驶位置和所述第二自动驾驶数据中对应于该仿真测试场景的行驶位置,计算欧式距离,并将所述欧式距离作为该仿真测试场景在所述行驶轨迹差异指标下的差异值。
在其中一个实施例中,对于每个仿真测试场景,计算机设备可以按照下式计算第一自动驾驶算法和第二自动驾驶算法在该仿真测试场景下对应的欧式距离:
式中,DISTtraj为欧式距离,tstart为该仿真测试场景第一个仿真帧对应的仿真时刻,tend为该仿真测试场景最后一个仿真帧对应的仿真时刻,poso(t).x为受控于第一自动驾驶算法的模拟车辆在t时刻下的x坐标,poss(t).x为受控于第二自动驾驶算法的模拟车辆在t时刻下的x坐标,poso(t).y为受控于第一自动驾驶算法的模拟车辆在t时刻下的y坐标,poss(t).y为受控于第二自动驾驶算法的模拟车辆在t时刻下的y坐标,n为该仿真测试场景中仿真帧的总数量。
本实施例中,可从多维度准确评估第一自动驾驶算法和第二自动驾驶算法针对同一仿真测试场景的差异,以便于后续在多个仿真测试场景中准确确定值得关注的变化场景。
下面对本申请实施例提供的仿真测试场景推荐装置进行描述,下文描述的仿真测试场景推荐装置与上文描述的仿真测试场景推荐方法可相互对应参照。
在一个实施例中,本申请实施例还提供了一种仿真测试场景推荐装置600。如图6所示,所述装置600包括自动驾驶数据获取模块610、差异确定模块620、目标场景确定模块630和推荐场景确定模块640。其中:
自动驾驶数据获取模块610,用于获取由第一自动驾驶算法在每个仿真测试场景下输出的第一自动驾驶数据,以及由第二自动驾驶算法在每个所述仿真测试场景下输出的第二自动驾驶数据;
差异确定模块620,用于根据所述第一自动驾驶数据、所述第二自动驾驶数据和预先设置的各个差异评价指标,确定每个所述仿真测试场景在各个所述差异评价指标下的差异值;
目标场景确定模块630,用于针对每个所述差异评价指标,根据该差异评价指标对应的各个差异值,在各个所述仿真测试场景中筛选出差异程度大的仿真测试场景作为该差异评价指标对应的目标场景;
推荐场景确定模块640,用于根据各个所述差异评价指标对应的目标场景,确定推荐场景集合;所述推荐场景集合包括至少一个所述目标场景。
在一个实施例中,所述推荐场景确定模块640包括累加单元、占比计算单元、总数量获取单元和推荐单元。其中,累加单元用于将各个所述差异评价指标对应的目标场景数量进行累加,以得到目标场景总数量。占比计算单元用于根据所述目标场景总数量和每个所述差异评价指标对应的目标场景数量,分别确定每个所述差异评价指标对应的目标场景占比。总数量获取单元用于获取预先设置的推荐场景总数量。推荐单元用于根据所述推荐场景总数量和各个所述差异评价指标对应的目标场景占比,在各个所述差异评价指标对应的目标场景中选取K个推荐场景,以得到包括K个所述推荐场景的推荐场景集合;其中,K为所述推荐场景总数量。
在一个实施例中,所述差异值与差异程度成正相关。所述推荐单元包括限值获取单元、第一选取单元、已确定场景数量确定单元、实际上限值确定单元和第二选取单元。其中,限值获取单元用于获取预先设置的每个所述差异评价指标对应的推荐上限值和推荐下限值。第一选取单元用于针对每个所述差异评价指标,按照从大到小的排序方式,对该差异评价指标对应的各个目标场景的差异值进行排序,并将排序次序为第1至N个差异值所对应的目标场景作为各个所述推荐场景,将各个所述推荐场景添加到所述推荐场景集合中,其中,N为该差异评价指标对应的推荐下限值。已确定场景数量确定单元用于获取所述推荐场景集合的已确定场景数量。实际上限值确定单元用于若所述已确定场景数量小于所述推荐场景总数量,则根据所述推荐场景总数量、各个所述差异评价指标对应的目标场景占比和各个所述差异评价指标对应的推荐上限值,分别确定每个所述差异评价指标对应的实际上限值。第二选取单元用于针对每个所述差异评价指标,将该差异评价指标对应的各个目标场景的差异值中,排序次序为第(N+1)至M个差异值所对应的目标场景作为各个所述推荐场景,将各个所述推荐场景添加到所述推荐场景集合中,其中,M为该差异评价指标对应的实际上限值。
在一个实施例中,各个所述差异评价指标包括档位差异指标。所述差异确定模块620包括第一档位信息确定单元、第二档位信息确定单元和第一差异值确定单元。其中,第一档位信息确定单元用于根据所述第一自动驾驶数据中的档位信息,分别生成每个所述仿真测试场景对应的第一档位字符串信息。第二档位信息确定单元用于根据所述第二自动驾驶数据中的档位信息,分别生成每个所述仿真测试场景对应的第二档位字符串信息。第一差异值确定单元用于针对每个所述仿真测试场景,计算该仿真测试场景对应的第一档位字符串信息和该仿真测试场景对应的第二档位字符串信息之间的第一编辑距离,并将所述第一编辑距离作为该仿真测试场景在所述档位差异指标下的差异值。
在一个实施例中,各个所述差异评价指标包括转向灯差异指标。所述差异确定模块620包括第一转向灯信息确定单元、第二转向灯信息确定单元和第二差异值确定单元。其中,第一转向灯信息确定单元用于根据所述第一自动驾驶数据中的转向灯状态,分别生成每个所述仿真测试场景对应的第一转向灯字符串信息。第二转向灯信息确定单元用于根据所述第二自动驾驶数据中的转向灯状态,分别生成每个所述仿真测试场景对应的第二转向灯字符串信息。第二差异值确定单元用于针对每个所述仿真测试场景,计算该仿真测试场景对应的第一转向灯字符串信息和该仿真测试场景对应的第二转向灯字符串信息之间的第二编辑距离,并将所述第二编辑距离作为该仿真测试场景在所述转向灯差异指标下的差异值。
在一个实施例中,各个所述差异评价指标包括加速度差异指标和横移差异指标。所述差异确定模块620包括第三差异值确定单元。该第三差异值确定单元用于针对每个所述仿真测试场景,采用滑窗法处理所述第一自动驾驶数据在该仿真测试场景下的加速度和所述第二自动驾驶数据在该仿真测试场景下的加速度,以得到各个加速度差异平均值,并将最大加速度差异平均值作为该仿真测试场景在所述加速度差异指标下的差异值,以及采用滑窗法处理所述第一自动驾驶数据在该仿真测试场景下的方向盘转动角度和所述第二自动驾驶数据在该仿真测试场景下的方向盘转动角度,以得到各个转角差异平均值,并将最大转角差异平均值作为该仿真测试场景在所述横移差异指标下的差异值。
在一个实施例中,各个所述差异评价指标包括行驶轨迹差异指标。所述差异确定模块620包括第四差异值确定单元。该第四差异值确定单元用于针对每个所述仿真测试场景,根据所述第一自动驾驶数据中对应于该仿真测试场景的行驶位置和所述第二自动驾驶数据中对应于该仿真测试场景的行驶位置,计算欧式距离,并将所述欧式距离作为该仿真测试场景在所述行驶轨迹差异指标下的差异值。
在一个实施例中,本申请还提供了一种存储介质,所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述任意实施例所述仿真测试场景推荐方法的步骤。
在一个实施例中,本申请还提供了一种计算机设备。所述计算机设备中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述任意实施例中所述仿真测试场景推荐方法的步骤。
示意性地,图7为本申请实施例提供的一种计算机设备的内部结构示意图,在一个示例中,该计算机设备可以为服务器。参照图7,计算机设备900包括处理组件902,其进一步包括一个或多个处理器,以及由存储器901所代表的存储器资源,用于存储可由处理组件902的执行的指令,例如应用程序。存储器901中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件902被配置为执行指令,以执行上述任意实施例所述仿真测试场景推荐方法的步骤。
计算机设备900还可以包括一个电源组件903被配置为执行计算机设备900的电源管理,一个有线或无线网络接口904被配置为将计算机设备900连接到网络,和一个输入输出(I/O)接口905。计算机设备900可以操作基于存储在存储器901的操作系统,例如WindowsServer TM、Mac OS XTM、Unix TM、Linux TM、Free BSDTM或类似。
本领域技术人员可以理解,本申请示出的计算机设备的内部结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本文中,“一”、“一个”、“所述”、“该”和“其”也可以包括复数形式,除非上下文清楚指出另外的方式。多个是指至少两个的情况,如2个、3个、5个或8个等。“和/或”包括相关所列项目的任何及所有组合。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间可以根据需要进行组合,且相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种仿真测试场景推荐方法,其特征在于,所述方法包括:
获取由第一自动驾驶算法在每个仿真测试场景下输出的第一自动驾驶数据,以及由第二自动驾驶算法在每个所述仿真测试场景下输出的第二自动驾驶数据;
根据所述第一自动驾驶数据、所述第二自动驾驶数据和预先设置的各个差异评价指标,确定每个所述仿真测试场景在各个所述差异评价指标下的差异值;
针对每个所述差异评价指标,根据该差异评价指标对应的各个差异值,在各个所述仿真测试场景中筛选出差异程度大的仿真测试场景作为该差异评价指标对应的目标场景;
根据各个所述差异评价指标对应的目标场景,确定推荐场景集合;所述推荐场景集合包括至少一个所述目标场景。
2.根据权利要求1所述的仿真测试场景推荐方法,其特征在于,所述根据各个所述差异评价指标对应的目标场景,确定推荐场景集合的步骤,包括:
将各个所述差异评价指标对应的目标场景数量进行累加,以得到目标场景总数量;
根据所述目标场景总数量和每个所述差异评价指标对应的目标场景数量,分别确定每个所述差异评价指标对应的目标场景占比;
获取预先设置的推荐场景总数量;
根据所述推荐场景总数量和各个所述差异评价指标对应的目标场景占比,在各个所述差异评价指标对应的目标场景中选取K个推荐场景,以得到包括K个所述推荐场景的推荐场景集合;其中,K为所述推荐场景总数量。
3.根据权利要求2所述的仿真测试场景推荐方法,其特征在于,所述差异值与差异程度成正相关;
所述根据所述推荐场景总数量和各个所述差异评价指标对应的目标场景占比,在各个所述差异评价指标对应的目标场景中选取K个推荐场景,以得到包括K个所述推荐场景的推荐场景集合的步骤,包括:
获取预先设置的每个所述差异评价指标对应的推荐上限值和推荐下限值;
针对每个所述差异评价指标,按照从大到小的排序方式,对该差异评价指标对应的各个目标场景的差异值进行排序,并将排序次序为第1至N个差异值所对应的目标场景作为各个所述推荐场景,将各个所述推荐场景添加到所述推荐场景集合中,其中,N为该差异评价指标对应的推荐下限值;
获取所述推荐场景集合的已确定场景数量;
若所述已确定场景数量小于所述推荐场景总数量,则根据所述推荐场景总数量、各个所述差异评价指标对应的目标场景占比和各个所述差异评价指标对应的推荐上限值,分别确定每个所述差异评价指标对应的实际上限值;
针对每个所述差异评价指标,将该差异评价指标对应的各个目标场景的差异值中,排序次序为第(N+1)至M个差异值所对应的目标场景作为各个所述推荐场景,将各个所述推荐场景添加到所述推荐场景集合中,其中,M为该差异评价指标对应的实际上限值。
4.根据权利要求1所述的仿真测试场景推荐方法,其特征在于,各个所述差异评价指标包括档位差异指标;
所述根据所述第一自动驾驶数据、所述第二自动驾驶数据和预先设置的各个差异评价指标,确定每个所述仿真测试场景在各个所述差异评价指标下的差异值的步骤,包括:
根据所述第一自动驾驶数据中的档位信息,分别生成每个所述仿真测试场景对应的第一档位字符串信息;
根据所述第二自动驾驶数据中的档位信息,分别生成每个所述仿真测试场景对应的第二档位字符串信息;
针对每个所述仿真测试场景,计算该仿真测试场景对应的第一档位字符串信息和该仿真测试场景对应的第二档位字符串信息之间的第一编辑距离,并将所述第一编辑距离作为该仿真测试场景在所述档位差异指标下的差异值。
5.根据权利要求1所述的仿真测试场景推荐方法,其特征在于,各个所述差异评价指标包括转向灯差异指标;
所述根据所述第一自动驾驶数据、所述第二自动驾驶数据和预先设置的各个差异评价指标,确定每个所述仿真测试场景在各个所述差异评价指标下的差异值的步骤,包括:
根据所述第一自动驾驶数据中的转向灯状态,分别生成每个所述仿真测试场景对应的第一转向灯字符串信息;
根据所述第二自动驾驶数据中的转向灯状态,分别生成每个所述仿真测试场景对应的第二转向灯字符串信息;
针对每个所述仿真测试场景,计算该仿真测试场景对应的第一转向灯字符串信息和该仿真测试场景对应的第二转向灯字符串信息之间的第二编辑距离,并将所述第二编辑距离作为该仿真测试场景在所述转向灯差异指标下的差异值。
6.根据权利要求1至5任一项所述的仿真测试场景推荐方法,其特征在于,各个所述差异评价指标包括加速度差异指标和横移差异指标;
所述根据所述第一自动驾驶数据、所述第二自动驾驶数据和预先设置的各个差异评价指标,确定每个所述仿真测试场景在各个所述差异评价指标下的差异值的步骤,包括:
针对每个所述仿真测试场景,采用滑窗法处理所述第一自动驾驶数据在该仿真测试场景下的加速度和所述第二自动驾驶数据在该仿真测试场景下的加速度,以得到各个加速度差异平均值,并将最大加速度差异平均值作为该仿真测试场景在所述加速度差异指标下的差异值,以及采用滑窗法处理所述第一自动驾驶数据在该仿真测试场景下的方向盘转动角度和所述第二自动驾驶数据在该仿真测试场景下的方向盘转动角度,以得到各个转角差异平均值,并将最大转角差异平均值作为该仿真测试场景在所述横移差异指标下的差异值。
7.根据权利要求1至5任一项所述的仿真测试场景推荐方法,其特征在于,各个所述差异评价指标包括行驶轨迹差异指标;
所述根据所述第一自动驾驶数据、所述第二自动驾驶数据和预先设置的各个差异评价指标,确定每个所述仿真测试场景在各个所述差异评价指标下的差异值的步骤,包括:
针对每个所述仿真测试场景,根据所述第一自动驾驶数据中对应于该仿真测试场景的行驶位置和所述第二自动驾驶数据中对应于该仿真测试场景的行驶位置,计算欧式距离,并将所述欧式距离作为该仿真测试场景在所述行驶轨迹差异指标下的差异值。
8.一种仿真测试场景推荐装置,其特征在于,所述装置包括:
自动驾驶数据获取模块,用于获取由第一自动驾驶算法在每个仿真测试场景下输出的第一自动驾驶数据,以及由第二自动驾驶算法在每个所述仿真测试场景下输出的第二自动驾驶数据;
差异确定模块,用于根据所述第一自动驾驶数据、所述第二自动驾驶数据和预先设置的各个差异评价指标,确定每个所述仿真测试场景在各个所述差异评价指标下的差异值;
目标场景确定模块,用于针对每个所述差异评价指标,根据该差异评价指标对应的各个差异值,在各个所述仿真测试场景中筛选出差异程度大的仿真测试场景作为该差异评价指标对应的目标场景;
推荐场景确定模块,用于根据各个所述差异评价指标对应的目标场景,确定推荐场景集合;所述推荐场景集合包括至少一个所述目标场景。
9.一种存储介质,其特征在于,所述存储介质中存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1至7任一项所述仿真测试场景推荐方法的步骤。
10.一种计算机设备,其特征在于,包括:一个或多个处理器,以及存储器;
所述存储器中存储有计算机可读指令,所述计算机可读指令被所述一个或多个处理器执行时,执行如权利要求1至7任一项所述仿真测试场景推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211476028.3A CN115935620A (zh) | 2022-11-23 | 2022-11-23 | 仿真测试场景推荐方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211476028.3A CN115935620A (zh) | 2022-11-23 | 2022-11-23 | 仿真测试场景推荐方法、装置、存储介质及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115935620A true CN115935620A (zh) | 2023-04-07 |
Family
ID=86653347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211476028.3A Pending CN115935620A (zh) | 2022-11-23 | 2022-11-23 | 仿真测试场景推荐方法、装置、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115935620A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116358902A (zh) * | 2023-06-02 | 2023-06-30 | 中国第一汽车股份有限公司 | 一种车辆功能的测试方法、装置、电子设备及存储介质 |
-
2022
- 2022-11-23 CN CN202211476028.3A patent/CN115935620A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116358902A (zh) * | 2023-06-02 | 2023-06-30 | 中国第一汽车股份有限公司 | 一种车辆功能的测试方法、装置、电子设备及存储介质 |
CN116358902B (zh) * | 2023-06-02 | 2023-08-22 | 中国第一汽车股份有限公司 | 一种车辆功能的测试方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598086B (zh) | 文章推荐方法、装置、计算机设备及存储介质 | |
US10073908B2 (en) | Functional space-time trajectory clustering | |
CN109033966B (zh) | 绕路检测模型训练方法和装置,以及绕路检测方法和装置 | |
CN109614615B (zh) | 实体匹配方法、装置及电子设备 | |
CN110956255A (zh) | 难样本挖掘方法、装置、电子设备及计算机可读存储介质 | |
CN110909868A (zh) | 基于图神经网络模型的节点表示方法和装置 | |
KR20170097535A (ko) | 비관심 아이템을 활용한 아이템 추천 방법 및 장치 | |
CN115935620A (zh) | 仿真测试场景推荐方法、装置、存储介质及计算机设备 | |
CN110689230B (zh) | 一种区域的贫困程度确定方法、电子装置及存储介质 | |
CN114511037A (zh) | 一种自动化特征筛选方法、装置、电子设备及存储介质 | |
CN111784246B (zh) | 物流路径的估测方法 | |
CN112857376A (zh) | 一种车辆道路匹配的方法和装置 | |
CN112100509A (zh) | 信息推荐方法、装置、服务器和存储介质 | |
CN112256957A (zh) | 一种信息排序方法、装置、电子设备及存储介质 | |
CN116028788A (zh) | 特征分箱方法、装置、计算机设备及存储介质 | |
CN115495504A (zh) | 数据查询方法和装置、电子设备、计算机可读存储介质 | |
US9122705B1 (en) | Scoring hash functions | |
CN114997621A (zh) | 基于信任和意见相似度综合关系的方案筛选方法及系统 | |
KR102323424B1 (ko) | 관측평점과 유사도 그래프를 활용한 추천 알고리즘의 평점 예측 방법 | |
CN111353428B (zh) | 动作信息识别方法、装置、电子设备及存储介质 | |
García et al. | Benchmarking research performance at the university level with information theoretic measures | |
CN109299321B (zh) | 一种曲目推荐方法及装置 | |
CN104796478A (zh) | 一种资源推荐方法及装置 | |
CN110907946A (zh) | 一种位移填补建模的方法和相关装置 | |
CN113254435B (zh) | 一种数据增强方法及系统 |
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 |