CN116561662A - 一种基于自动驾驶测试场景的评价分类方法及系统 - Google Patents

一种基于自动驾驶测试场景的评价分类方法及系统 Download PDF

Info

Publication number
CN116561662A
CN116561662A CN202310535587.5A CN202310535587A CN116561662A CN 116561662 A CN116561662 A CN 116561662A CN 202310535587 A CN202310535587 A CN 202310535587A CN 116561662 A CN116561662 A CN 116561662A
Authority
CN
China
Prior art keywords
scene
generalization
scene element
neural network
evaluation
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
Application number
CN202310535587.5A
Other languages
English (en)
Inventor
姚若禹
王康
朱亚永
李如冰
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.)
Zhiji Automobile Technology Co Ltd
Original Assignee
Zhiji Automobile 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 Zhiji Automobile Technology Co Ltd filed Critical Zhiji Automobile Technology Co Ltd
Priority to CN202310535587.5A priority Critical patent/CN116561662A/zh
Publication of CN116561662A publication Critical patent/CN116561662A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请提出一种基于自动驾驶测试场景的评价分类方法及系统，所述评价分类方法包括获取场景要素和场景；基于自动驾驶测试重要性对场景进行评分获得场景评分结果，并将所述场景要素和所述场景评分结果作为样本进行神经网络的训练并获得神经网络泛化模型；将所述场景要素泛化处理获得多个场景要素点，基于所述场景要素点生成泛化场景；通过所述神经网络泛化模型对所述泛化场景进行评价和分类，得到对应所述泛化场景的场景评价及分类结果。本申请可以更方便地识别泛化场景的重要性，相较于现有技术中的评价和分类结果，其具有客观性和准确性，可以提高自动驾驶测试的准确性和可行性，也可以充分考虑各类边缘环境，有效保障了用户实车驾驶的安全。

Description

一种基于自动驾驶测试场景的评价分类方法及系统
技术领域
本申请属于自动驾驶领域，尤其涉及一种基于自动驾驶测试场景的评价分类方法及系统。
背景技术
神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。常用的神经网络包括BP神经网络、图神经网络等。
随着人工智能技术的发展，到有限条件的自动驾驶L3系统、高度自动驾驶L4、完全自动驾驶L5等需要各种场景的功能要求，导致自动驾驶汽车测试与验证的场景数量呈几何级增加。评价自动驾驶系统算法重要的标准之一为是否能够处理足够多的应用场景，自动驾驶系统能够处理的场景覆盖范围越大，可以行驶的边界范围就会更广。
现有技术中，自动驾驶测试用例根据开发需求文档逐条编写，很难大量覆盖考虑实际使用场景的多种复杂的边缘场景的开发，也无法根据实际测试中各类案例的场景情况评价各类案例的重要程度以及进行分类。自动驾驶测试场景的开发和使用仍旧存在不全面，分类混乱的情况。
因此，现有技术还有待于进一步的发展。
发明内容
为了解决现有技术中存在的难以覆盖实际使用场景中的多种复杂的边缘场景以及难以对场景评判重要性的问题，本申请提出一种基于自动驾驶测试场景的评价分类方法及系统，可以为自动驾驶测试用例提供一种良好的有关场景测试的新方法和新系统，通过所述神经网络泛化模型对所述泛化场景进行评价和分类可以获得较为客观和稳定的泛化场景的场景评价和分类结果，可以更方便的识别泛化场景的重要性。
本申请的第一方面，提供一种基于自动驾驶测试场景的评价分类方法，包括：
获取场景要素和场景；
基于自动驾驶测试重要性对场景进行评分获得场景评分结果，并将所述场景要素和所述场景评分结果作为样本进行神经网络的训练并获得神经网络泛化模型；
将所述场景要素泛化处理获得多个场景要素点，基于所述场景要素点生成泛化场景；
通过所述神经网络泛化模型对所述泛化场景进行评价和分类，得到对应所述泛化场景的场景评价及分类结果。
在本申请一可选实施例中，所述获取场景要素和场景之前，包括：
选取待处理场景要素，所述待处理场景要素包括自车车速、目标速度、光照强度、天气、车道宽度、车道曲率和/或目标种类；
对所述待处理场景要素进行量化处理生成场景要素。
在本申请一可选实施例中，所述待处理场景要素和场景的获取来源包括场景要素库，所述场景要素库内的场景要素和场景来源于实际测试需求和测试经验。
在本申请一可选实施例中，所述自动驾驶测试重要性由测试经验与法律规定确定。
在本申请一可选实施例中，所述将所述场景要素和所述场景评分结果分别作为神经网络学习的输入层和输出层进行训练，生成神经网络模型，包括：
配置输入层、隐藏层和输出层，配置输入节点为Oi；
配置学习率为I、权重Wij和偏量θj；
基于所述输入层，所述隐藏层和所述输出层获取基于所述隐藏层和所述输出层的净输入Ij，所述净输入
基于所述净输入获取对应隐藏层和输出层的净输出Oj，所述净输出基于所述净输入和所述净输出反向计算误差/>所述误差其中，Tj＝1；
基于所述误差计算上一层k的误差/>其中所述误差/>和误差/>存在以下关系：/>
若所述误差的绝对值小于预设误差，神经网络训练完成，获得神经网络泛化模型；若所述误差/>的绝对值大于预设误差，基于所述学习率、所述误差/>和所述权重更新权重和偏量，并重复以上步骤直至获得所述神经网络泛化模型，其中：
更新后的权重为：更新后的偏量为：/>
在本申请一可选实施例中，所述将所述场景要素泛化处理获得多个场景要素点，基于所述场景要素点生成泛化场景，包括：
所述场景要素至少包括第一场景要素、第二场景要素、第三场景要素和第四场景要素；
针对第一场景要素的属性以第一预设间隔划分出多个第一场景要素点；
针对第二场景要素的属性以第二预设间隔划分出多个第二场景要素点；
针对第三场景要素的属性以第三预设间隔划分出多个第三场景要素点；
针对第四场景要素的属性以第四预设间隔划分出多个第四场景要素点。
在本申请一可选实施例中，将所述场景要素泛化处理获得多个场景要素点，基于所述场景要素点生成泛化场景，包括：
所述第一场景要素为自车车速，所述第一场景要素的属性为速度；
所述第二场景要素为光照强度，所述第二场景要素的属性为流明；
所述第三场景要素为天气，所述第二场景要素的属性为天气类型；
所述第四场景要素为弯道曲率，所述第二场景要素的属性为弯道曲率值。
在本申请一可选实施例中，所述基于所述场景要素点生成泛化场景，包括：
选择至少一个场景要素中的一个场景要素点生成场景碎片；
将所述场景碎片组合生成泛化场景，所述泛化场景中包括选择的场景要素所代表的场景内容。
本申请第二方面，提供一种基于自动驾驶测试场景的评价及分类系统，包括：
获取单元，至少用于获取场景要素和场景；
训练单元，至少用于基于自动驾驶测试重要性对场景进行评分获得场景评分结果，并将所述场景要素和所述场景评分结果作为样本进行神经网络的训练并获得神经网络泛化模型；
泛化单元，至少用于将所述场景要素泛化处理获得多个场景要素点，基于所述场景要素点生成泛化场景；
评价及分类单元，至少用于通过所述神经网络泛化模型对所述泛化场景进行评价和分类，得到对应所述泛化场景的场景评价及分类结果。
本申请第三方面，提供一种电子设备，包括：
至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如本申请第一方面所述的方法。
本申请第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被计算机运行时，执行如本申请第一方面所述的方法。
本申请通过神经网络对自动驾驶场景进行评价分类，解决了现有技术中针对测试场景选择的难题。
由于神经网络泛化模型中包含了通过初始的神经网络训练的稳定的网络结构，本申请通过所述神经网络泛化模型对所述泛化场景进行评价和分类可以获得较为客观和稳定的泛化场景的场景评价和分类结果，可以更方便地识别泛化场景的重要性，相较于现有技术中的评价和分类结果，其具有客观性和准确性，可以提高自动驾驶测试的准确性和可行性，也可以充分考虑各类边缘环境，有效保障了用户实车驾驶的安全。
附图说明
图1示出了本申请一实施例中一种基于自动驾驶测试场景的评价分类方法的流程示意图；
图2示出了本申请一实施例中对神经网络训练并获得神经网络泛化模型的流程示意图；
图3示出了本申请一实施例中又一对神经网络训练并获得神经网络泛化模型的流程示意图；
图4示出了本申请一实施例中又一种基于自动驾驶测试场景的评价分类方法的流程示意图；
图5示出了本申请一实施例中又一种基于自动驾驶测试场景的评价分类系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。
如图1所示，本申请的第一方面，提供一种基于自动驾驶测试场景的评价分类方法，包括：
步骤S1：获取场景要素和场景；
具体的，场景是自动驾驶汽车与行驶环境等各种要素在一段时间内的综合动态描述和应用，它具有不可预测、不可穷尽、处理复杂、灵活多类等特点。测试的场景包括了车辆自身的要素和相关外部要素等内容。场景的内容比较丰富，在汽车实际的驾驶环境中，涉及到的场景包括多种多样，例如高速环境、雪天环境和换道环境等。
场景要素包括自车车速、目标速度、光照强度、天气、车道宽度、车道曲率和/或目标种类；
具体的，所述获取场景要素和场景之前，包括：
选取待处理场景要素，所述待处理场景要素包括自车车速、目标速度、光照强度、天气、车道宽度、车道曲率和/或目标种类；
对所述待处理场景要素进行量化处理生成场景要素。
场景要素中的内容比较多且可能存在仅有定性描述而缺乏量化的情况，因此，需要对待处理场景要素进行量化处理生成场景要素，此时的场景要素可以以数值的形式体现。其中，量化处理的方法可以采用现有技术中的如模糊聚类法等进行处理。
在本申请一实施例中，所述待处理场景要素和场景的获取来源包括场景要素库，所述场景要素库内的场景要素和场景来源于实际测试需求和测试经验。
具体的，场景要素库又称为场景库是自动驾驶汽车进行测试的强大数据支撑，既可以提供场景和场景要素以作为测试输入数据，也可以继续收集测试过程中产生的数据，场景要素库可以通过更新迭代和去噪等方式保持场景要素库的数据准确性和全面性。
此外，所述场景要素库内的场景要素和场景来源于实际测试需求和测试经验，也进一步说明了如用户或者相关测试人员可以根据测试汽车的爬坡场景来添加汽车爬坡信息、最大车速信息、加速度信息等，也可以根据测试经验，如依据汽车的等待红绿灯场景添加交通灯信息等。
步骤S2：基于自动驾驶测试重要性对场景进行评分获得场景评分结果，并将所述场景要素和所述场景评分结果作为样本进行神经网络的训练并获得神经网络泛化模型。
具体的，场景评分结果与自动驾驶测试重要性是相辅相成的，自动驾驶测试重要性越高的场景评分结果就越理想，场景评分结果是对自动驾驶重要性的量化标准。
具体的，神经网络泛化模型是可用于泛化场景的神经网络模型的一种表现形式，是神经网络训练稳定后所产生的稳定的神经网络模型通过该模型可以为泛化场景提供评价和分类依据；
具体的，自动驾驶测试重要性也可以具体理解为自动驾驶测试场景重要性，包括但不限于由测试经验与法律规定获得，重要性的判断可以通过自动驾驶公司数采车辆传感器对道路中的场景进行机器自动标注，对日常的驾驶积累数据量后即可根据标注数量区分场景出现频率及其安全性，并以此获得自动驾驶重要性。
需要理解的是，量化标准是结合法规及安全性及场景出现频率或场景出现比例几个方面进行的，为了提高对自动驾驶测试重要性的获取的精确度，可以设置重要性优先级，例如以法规(如CNCAP)要求的为最高等级，100分，其他涉及安全影响的场景(如道路AEB触发场景)也为最高等级，100分；驾驶过程中常规场景出现比例较高的重要程度其次，设置为80分；较难出现但不排除出现的场景为60分；重要程度的建立原则是法规与安全第一，其他是建立在测试场景在实际驾驶中出现频率来确定的。
此外，也可以基于开发需求对不同场景的重要性及类型进行区分，例如100分场景为法规要求场景及安全影响场景，80分为实车发生概率较高的常规场景，60分为实车发生概率较低的常规场景，依次根据涉及需求进行定义区分。
步骤S3：将所述场景要素泛化处理获得多个场景要素点，基于所述场景要素点生成泛化场景。
具体的，泛化是一种将要素按照一定步长划分，形成大量要素点的方法。此处的步长可以理解为下文所述的预设间隔。针对不同的场景要素，其步长存在区别，有的是以速度、有的以光照强度、有的则是以天气类型等。
具体的，每一个场景要素都包含了自动驾驶测试场景中的一个维度信息，如天气包含自动驾驶测试场景中涉及到天气维度的信息，如光照则包含了自动驾驶测试场景中涉及到光照的信息。
在本申请一实施例中，所述将所述场景要素泛化处理获得多个场景要素点，基于所述场景要素点生成泛化场景，包括：
所述场景要素至少包括第一场景要素、第二场景要素、第三场景要素和第四场景要素；
针对第一场景要素的属性以第一预设间隔划分出多个第一场景要素点；
针对第二场景要素的属性以第二预设间隔划分出多个第二场景要素点；
针对第三场景要素的属性以第三预设间隔划分出多个第三场景要素点；
针对第四场景要素的属性以第四预设间隔划分出多个第四场景要素点。
具体的，将所述场景要素泛化处理获得多个场景要素点，基于所述场景要素点生成泛化场景，包括：
所述第一场景要素为自车车速，所述第一场景要素的属性为速度，例如，可以设置第一预设间隔为10km/h，则第一场景要素可以泛化为0/10/20/30/40/50/60/70/80/90/100/110/120km/h等场景要素点。
所述第二场景要素为光照强度，所述第二场景要素的属性为流明，例如可以设置第二预设间隔为5流明，则第二场景要素可以泛化为0/5/10/15/20/25/30/35/40/45/50/55/60/65/70/75/80/85/90/95/100流明等场景要素点；
所述第三场景要素为天气，所述第三场景要素的属性为天气类型，例如，可以设置第三预设间隔为不同的天气类型间的差距，则第三场景要素可以泛化为雪天/雨天/阴天/晴天/沙尘暴/霜冻/霾/雾天等场景要素点。
所述第四场景要素为弯道曲率，所述第四场景要素的属性为弯道曲率值，例如，可以设置第四预设间隔为50m-1，则第四场景要素可以泛化为200/250/300/350/400/450/500/550/600m-1等场景要素点。
需要理解的是，上述仅为列举和说明，无论是场景要素的划分还是场景点的划分仅为示意作用，理论来说，针对场景要素库中的任一场景元素的皆可以进行泛化处理，且可以根据实际的自动驾驶测试场景进行泛化的精细度调整。以天气举例，如果自动驾驶测试场景需要针对雨天场景进行性能测试，其可以设置针对雨天的泛处理，例如可以以降雨量作为场景要素的预设间隔，来进行处理。
步骤S4：通过所述神经网络泛化模型对所述泛化场景进行评价和分类，得到对应所述泛化场景的场景评价及分类结果。泛化场景作为神经网络泛化模型的输入，其输出即为场景评价及分类结果。其中，场景评价结果可以通过分数、等级体现，分类结果将泛化场景存入场景要素库，有利于后续测试和进一步的分析。
由于神经网络泛化模型中包含了通过初始的神经网络训练的稳定的网络结构，通过所述神经网络泛化模型对所述泛化场景进行评价和分类可以获得较为客观和稳定的泛化场景的场景评价和分类结果，可以更方便地识别泛化场景的重要性，相较于现有技术中的评价和分类结果，其具有客观性和准确性，可以提高自动驾驶测试的准确性和可行性，也可以充分考虑各类边缘环境，有效保障了后续用户实车驾驶的安全。
在本申请一实施例中，所述基于所述场景要素点生成泛化场景，包括：
选择至少一个场景要素中的一个场景要素点生成场景碎片；
将所述场景碎片组合生成泛化场景，所述泛化场景中包括选择的场景要素所代表的场景内容。由于自动驾驶测试场景是一个复合的场景概念，即每个场景要素中包含的场景要素点可以设为一个场景碎片或者一个维度，每增加一个场景要素并选择对应场景要素中的一个场景碎片或者一个维度后，相应会增加场景内容的丰富度。碎片越多，场景内容越丰富或者说维度越高，场景内容越丰富。
在一些针对单一场景元素测试中，可以单独针对该单一场景元素做变量。
在本申请一实施例中，所述基于自动驾驶测试重要性对场景进行评分获得场景评分结果，并将所述场景要素和所述场景评分结果作为样本进行神经网络的训练并获得神经网络泛化模型。
神经网络泛化模型也可以称为神经网络学习模型，是神经网络模型的一种类型，是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种神经网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。现有技术中的神经网络算法包括BP神经网络、卷积神经网络等。
如图2-3所示，使用BP神经网络模型的步骤如下：
步骤S21：配置输入层、隐藏层和输出层，配置输入节点为Oi，其中，输入层、隐藏层和输出层的层数依次升高，所述隐藏层至少一层且层数依次升高；
配置学习率为I、权重Wij和偏量θj；
步骤S22：基于所述输入层，所述隐藏层和所述输出层获取基于所述隐藏层和所述输出层的净输入Ij，所述净输入步骤S23：基于所述净输入获取对应隐藏层和输出层的净输出Oj，所述净输出/>
步骤S24：基于所述净输入和所述净输出反向计算误差所述误差 其中，Tj＝1；
步骤S25：基于所述误差计算上一层k的误差/>其中所述误差/>和误差/>存在以下关系：
步骤S26：若所述误差的绝对值小于预设误差，神经网络训练完成，获得神经网络泛化模型；若所述误差/>的绝对值大于预设误差，基于所述学习率、所述误差/>和所述权重更新权重和偏量，并重复以上步骤直至获得所述神经网络泛化模型，其中：
更新后的权重为：
更新后的偏量为：
为了更好的说明本申请中对于神经网络模型的训练过程，先示例如下：
选择第一场景要素O1，第二场景要素O2，第三场景要素O3；
训练第一场景要素O1，第二场景要素O2，第三场景要素O3的重要程度为{1,0,1}；
配置学习率为I、权重Wij和偏量θj如表1所示：
表1
类型 O1 O2 O3 θ4 θ5 θ6 I
值 1 0 1 -0.4 0.2 0.1 0.9
类型 W14 W15 W24 W25 W34 W35 W46 W56
值 0.2 -0.3 0.4 0.1 -0.5 0.2 -0.3 -0.2
基于所述输入层，所述隐藏层和所述输出层获取基于所述隐藏层和所述输出层的净输入Ij，所述净输入
基于所述净输入获取对应隐藏层和输出层的净输出Oj，所述净输出
具体的，如表2所示：
表2
净输入Ij 净输入Oi
0.2*1+0.4*0+(-0.5)*1+(-0.4)＝-0.7 1/(1+e-(-0.7))＝0.332
(-0.3)*1+0.1*0+0.2*1+0.2＝0.1 1/(1+e-(-0.1))＝0.525
(-0.3)*0.332+(-0.2)*0.525+0.1＝-0.105 1/(1+e-(-0.105))＝0.474
基于所述误差计算上一层k的误差/>其中所述误差/>和误差/>存在以下关系：/>
若所述误差的绝对值大于预设误差，基于所述学习率、所述误差/>和所述权重更新权重和偏量，其中：
更新后的权重为：更新后的偏量为：/>具体的，如表3所示：
表3
在此，通过该方式，可以获得神经网络泛化模型，以用于后续对泛化场景的评价及分类，该方法可以解决实际测试中对评测场景选择的关键难题，通过这个方法，可以获得评测场景的重要性。
如图4所示，本申请第二方面，提供一种基于自动驾驶测试场景的评价及分类系统，包括：
获取单元51，至少用于获取场景要素和场景；
训练单元52，至少用于基于自动驾驶测试重要性对场景进行评分获得场景评分结果，并将所述场景要素和所述场景评分结果作为样本进行神经网络的训练并获得神经网络泛化模型；泛化单元53，至少用于将所述场景要素泛化处理获得多个场景要素点，基于所述场景要素点生成泛化场景；
评价及分类单元54，至少用于通过所述神经网络泛化模型对所述泛化场景进行评价和分类，得到对应所述泛化场景的场景评价及分类结果。
由于神经网络泛化模型中包含了通过初始的神经网络训练的稳定的网络结构，通过所述神经网络泛化模型对所述泛化场景进行评价和分类可以获得较为客观和稳定的泛化场景的场景评价和分类结果，可以更方便地识别泛化场景的重要性，相较于现有技术中的评价和分类结果，其具有客观性和准确性，可以提高自动驾驶测试的准确性和可行性，也可以充分考虑各类边缘环境，有效保障了后续用户实车驾驶的安全。
本申请的第三方面，提供一种电子设备，包括：
至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如本申请任意实施例所述的方法。
本申请第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被计算机运行时，执行如本申请任意实施例所述的方法。
可以理解，计算机可读存储介质可以包括：能够携带计算机程序的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、以及软件分发介质等。计算机程序包括计算机程序代码。计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、以及软件分发介质等。
在本发明的某些实施方式中，装置可以包括控制器，控制器是一个单片机芯片，集成了处理器、存储器，通信模块等。处理器可以是指控制器包含的处理器。处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，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。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明地优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (11)

1.一种基于自动驾驶测试场景的评价分类方法，其特征在于，包括：
获取场景要素和场景；
基于自动驾驶测试重要性对场景进行评分获得场景评分结果，并将所述场景要素和所述场景评分结果作为样本进行神经网络的训练并获得神经网络泛化模型；
将所述场景要素泛化处理获得多个场景要素点，基于所述场景要素点生成泛化场景；
通过所述神经网络泛化模型对所述泛化场景进行评价和分类，得到对应所述泛化场景的场景评价及分类结果。
2.如权利要求1所述的基于自动驾驶测试场景的评价分类方法，其特征在于，所述获取场景要素和场景之前，包括：
选取待处理场景要素，所述待处理场景要素包括自车车速、目标速度、光照强度、天气、车道宽度、车道曲率和/或目标种类；
对所述待处理场景要素进行量化处理生成场景要素。
3.如权利要求2所述的基于自动驾驶测试场景的评价分类方法，其特征在于，所述待处理场景要素和场景的获取来源包括场景要素库，所述场景要素库内的场景要素和场景来源于实际测试需求和测试经验。
4.如权利要求1所述的基于自动驾驶测试场景的评价分类方法，其特征在于，所述自动驾驶测试重要性由测试经验与法律规定确定。
5.如权利要求1所述的基于自动驾驶测试场景的评价分类方法，其特征在于，所述基于自动驾驶测试重要性对场景进行评分获得场景评分结果，并将所述场景要素和所述场景评分结果作为样本进行神经网络的训练并获得神经网络泛化模型，包括：
配置输入层、隐藏层和输出层，配置输入节点为Oi；
配置学习率为I、权重Wij和偏量θj；
基于所述输入层，所述隐藏层和所述输出层获取基于所述隐藏层和所述输出层的净输入Ij，所述净输入基于所述净输入获取对应隐藏层和输出层的净输出Oj，所述净输出/>
基于所述净输入和所述净输出反向计算误差所述误差/>其中，Tj＝1；
基于所述误差计算上一层k的误差/>其中所述误差/>和误差/>存在以下关系：/>
若所述误差的绝对值小于预设误差，神经网络训练完成，获得神经网络泛化模型；若所述误差/>的绝对值大于预设误差，基于所述学习率、所述误差/>和所述权重更新权重和偏量，并重复以上步骤直至获得所述神经网络泛化模型，其中：
更新后的权重为：更新后的偏量为：/>
6.如权利要求1所述的基于自动驾驶测试场景的评价分类方法，其特征在于，所述将所述场景要素泛化处理获得多个场景要素点，基于所述场景要素点生成泛化场景，包括：
所述场景要素至少包括第一场景要素、第二场景要素、第三场景要素和第四场景要素；
针对第一场景要素的属性以第一预设间隔划分出多个第一场景要素点；
针对第二场景要素的属性以第二预设间隔划分出多个第二场景要素点；
针对第三场景要素的属性以第三预设间隔划分出多个第三场景要素点；
针对第四场景要素的属性以第四预设间隔划分出多个第四场景要素点。
7.如权利要求6所述的基于自动驾驶测试场景的评价分类方法，其特征在于，将所述场景要素泛化处理获得多个场景要素点，基于所述场景要素点生成泛化场景，包括：
所述第一场景要素为自车车速，所述第一场景要素的属性为速度；
所述第二场景要素为光照强度，所述第二场景要素的属性为流明；
所述第三场景要素为天气，所述第二场景要素的属性为天气类型；
所述第四场景要素为弯道曲率，所述第二场景要素的属性为弯道曲率值。
8.如权利要求6所述的基于自动驾驶测试场景的评价分类方法，其特征在于，所述基于所述场景要素点生成泛化场景，包括：
选择至少一个场景要素中的一个场景要素点生成场景碎片；
将所述场景碎片组合生成泛化场景，所述泛化场景中包括选择的场景要素所代表的场景内容。
9.一种基于自动驾驶测试场景的评价及分类系统，其特征在于，包括：
获取单元，至少用于获取场景要素和场景；
训练单元，至少用于基于自动驾驶测试重要性对场景进行评分获得场景评分结果，并将所述场景要素和所述场景评分结果作为样本进行神经网络的训练并获得神经网络泛化模型；泛化单元，至少用于将所述场景要素泛化处理获得多个场景要素点，基于所述场景要素点生成泛化场景；
评价及分类单元，至少用于通过所述神经网络泛化模型对所述泛化场景进行评价和分类，得到对应所述泛化场景的场景评价及分类结果。
10.一种电子设备，其特征在于，包括：
至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至8中任一项所述的方法。
11.一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，所述计算机程序被计算机运行时，执行如权利要求1至8中任一项所述的方法。
CN202310535587.5A 2023-05-12 2023-05-12 一种基于自动驾驶测试场景的评价分类方法及系统 Pending CN116561662A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310535587.5A CN116561662A (zh) 2023-05-12 2023-05-12 一种基于自动驾驶测试场景的评价分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310535587.5A CN116561662A (zh) 2023-05-12 2023-05-12 一种基于自动驾驶测试场景的评价分类方法及系统

Publications (1)

Publication Number Publication Date
CN116561662A true CN116561662A (zh) 2023-08-08

Family

ID=87491207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310535587.5A Pending CN116561662A (zh) 2023-05-12 2023-05-12 一种基于自动驾驶测试场景的评价分类方法及系统

Country Status (1)

Country Link
CN (1) CN116561662A (zh)

Similar Documents

Publication Publication Date Title
CN109816032B (zh) 基于生成式对抗网络的无偏映射零样本分类方法和装置
CN110188797B (zh) 一种基于贝叶斯优化的智能汽车快速测试方法
CN112862093B (zh) 一种图神经网络训练方法及装置
CN104700099A (zh) 识别交通标志的方法和装置
CN105718490A (zh) 一种用于更新分类模型的方法及装置
CN112132014A (zh) 基于非督导金字塔相似性学习的目标重识别方法及系统
CN107748898A (zh) 文件分类方法、装置、计算设备及计算机存储介质
CN115526298A (zh) 一种高鲁棒性的大气污染物浓度综合预测方法
CN109816043A (zh) 用户识别模型的确定方法、装置、电子设备及存储介质
CN111931991A (zh) 气象临近预报方法、装置、计算机设备和存储介质
CN116263735B (zh) 神经网络的鲁棒性评估方法、装置、设备及存储介质
Cervellera et al. Copula-based scenario generation for urban traffic models
CN114819449A (zh) 预测车辆除霜性能的方法、装置、设备及存储介质
CN112434730A (zh) 一种基于GoogleNet的视频图像质量异常分类方法
CN116561662A (zh) 一种基于自动驾驶测试场景的评价分类方法及系统
CN116189130A (zh) 基于图像标注模型的车道线分割方法及装置
CN113821452B (zh) 根据被测系统测试表现动态生成测试案例的智能测试方法
CN114265954B (zh) 基于位置与结构信息的图表示学习方法
CN115293423A (zh) 基于自然灾害数据的处理方法、装置、设备及存储介质
CN114896134A (zh) 面向目标检测模型的蜕变测试方法、装置及设备
CN115223126A (zh) 一种多尺度目标检测的训练样本分配方法及系统
Lei et al. Unraveling stochastic fundamental diagrams considering empirical knowledge: modeling, limitation and further discussion
CN114820618A (zh) 瑕疵检测模型的训练方法、装置、设备及存储介质
CN115080386A (zh) 基于自动驾驶功能要求的场景有效性分析方法与设备
CN114281808A (zh) 一种交通大数据清洗方法、装置、设备及可读存储介质

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