CN117033162B - 一种基于场景生成的自动驾驶虚拟仿真测试方法及系统 - Google Patents
一种基于场景生成的自动驾驶虚拟仿真测试方法及系统 Download PDFInfo
- Publication number
- CN117033162B CN117033162B CN202310499564.3A CN202310499564A CN117033162B CN 117033162 B CN117033162 B CN 117033162B CN 202310499564 A CN202310499564 A CN 202310499564A CN 117033162 B CN117033162 B CN 117033162B
- Authority
- CN
- China
- Prior art keywords
- scene
- test
- simulation test
- response
- feature
- 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
Links
- 238000010998 test method Methods 0.000 title claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 257
- 230000004044 response Effects 0.000 claims abstract description 137
- 238000004088 simulation Methods 0.000 claims abstract description 128
- 238000011156 evaluation Methods 0.000 claims abstract description 61
- 230000003993 interaction Effects 0.000 claims abstract description 51
- 238000000605 extraction Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000002776 aggregation Effects 0.000 claims description 56
- 238000004220 aggregation Methods 0.000 claims description 56
- 238000010276 construction Methods 0.000 claims description 34
- 230000002159 abnormal effect Effects 0.000 claims description 31
- 238000010224 classification analysis Methods 0.000 claims description 19
- 230000007613 environmental effect Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 11
- 230000001052 transient effect Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000005259 measurement Methods 0.000 abstract description 5
- 238000004904 shortening Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 241000283070 Equus zebra Species 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010408 sweeping Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007417 hierarchical cluster analysis Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及数据处理技术领域,提供了一种基于场景生成的自动驾驶虚拟仿真测试方法及系统,所述方法包括:路况分类后,采集路况对应的图像;进行分类特征提取,获得基础特征提取结果;构建环境特征、行人特征和车辆交互特征集合;特征交互并搭建仿真测试场景;构建N个测试方案,结合仿真测试场景执行仿真测试,监督获得响应数据;通过响应数据和对应测试方案、仿真测试场景进行仿真测试评价,输出仿真测试评价结果,解决了自动驾驶道路实测的测试周期长、成本高、效率低的技术问题,实现了采用自动驾驶虚拟仿真测试的方式,测试场景配置灵活,场景覆盖率高,提升测试效率、降低测试成本,有效缩短测试周期的技术效果。
Description
技术领域
本发明涉及数据处理相关技术领域,具体涉及一种基于场景生成的自动驾驶虚拟仿真测试方法及系统。
背景技术
自动驾驶就是车辆在无驾驶员操作的情况下自行实现驾驶,比如扫地机器人在扫地的时候就是在自动驾驶,是机器自带的一种能力,自动驾驶虚拟仿真就是对自动驾驶能力进行仿真测试,自动驾驶一般分为感知、决策、控制三个环节。
完备的数据库和以及具体场景是进行自动驾驶决策重要参考,但由于场景信息为乘法逻辑,很容易造成场景参数空间爆炸,但场景参数过少会导致自动驾驶功能不可用,实车道路测试的测试周期长、成本高、效率低,对于一些极端的危险场景,道路测试安全性无法保障,由此,对自动驾驶能力进行仿真测试存在必要性。
综上所述,现有技术中存在自动驾驶道路实测的测试周期长、成本高、效率低的技术问题。
发明内容
本申请通过提供了一种基于场景生成的自动驾驶虚拟仿真测试方法及系统,旨在解决现有技术中的自动驾驶道路实测的测试周期长、成本高、效率低的技术问题。
鉴于上述问题,本申请实施例提供了一种基于场景生成的自动驾驶虚拟仿真测试方法及系统。
本申请公开的第一个方面,提供了一种基于场景生成的自动驾驶虚拟仿真测试方法,其中,所述方法应用于自动驾驶虚拟仿真测试系统,所述自动驾驶仿真测试系统与场景捕捉模块、场景搭建模块通信连接,所述方法包括:对基础路况进行路况分类分析,通过路况分类分析结果进行路况基础场景图像采集,获得基础场景图像;通过所述场景捕捉模块进行所述基础场景图像的每一路况分类特征提取,获得基础特征提取结果,其中,所述基础特征提取结果带有路况分类标识;构建环境特征、行人特征和车辆交互特征集合;通过所述场景搭建模块控制对所述基础特征提取结果、所述环境特征、所述行人特征和所述车辆交互特征集合进行特征交互,搭建仿真测试场景;构建N个测试方案,通过所述N个测试方案、所述仿真测试场景执行仿真测试,并监督获得响应数据;通过所述响应数据和对应测试方案、仿真测试场景进行仿真测试评价,输出仿真测试评价结果。
本申请公开的另一个方面,提供了一种基于场景生成的自动驾驶虚拟仿真测试系统,其中,所述系统包括:图像采集单元,所述图像采集单元用于对基础路况进行路况分类分析,通过路况分类分析结果进行路况基础场景图像采集,获得基础场景图像;特征提取单元,所述特征提取单元用于通过场景捕捉模块进行所述基础场景图像的每一路况分类特征提取,获得基础特征提取结果,其中,所述基础特征提取结果带有路况分类标识;特征集合构建单元,所述特征集合构建单元用于构建环境特征、行人特征和车辆交互特征集合;场景搭建单元,所述场景搭建单元用于通过场景搭建模块控制对所述基础特征提取结果、所述环境特征、所述行人特征和所述车辆交互特征集合进行特征交互,搭建仿真测试场景;响应数据获得单元,所述响应数据获得单元用于构建N个测试方案,通过所述N个测试方案、所述仿真测试场景执行仿真测试,并监督获得响应数据;仿真测试评价单元,所述仿真测试评价单元用于通过所述响应数据和对应测试方案、仿真测试场景进行仿真测试评价,输出仿真测试评价结果。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了路况分类后,采集路况对应的图像;进行分类特征提取,获得基础特征提取结果;构建环境特征、行人特征和车辆交互特征集合;通过场景搭建模块控制对基础特征提取结果、环境特征、行人特征和车辆交互特征集合进行特征交互,搭建仿真测试场景;构建N个测试方案,结合仿真测试场景执行仿真测试,监督获得响应数据;通过响应数据和对应测试方案、仿真测试场景进行仿真测试评价,输出仿真测试评价结果,实现了采用自动驾驶虚拟仿真测试的方式,测试场景配置灵活,场景覆盖率高,提升测试效率、降低测试成本,有效缩短测试周期的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种基于场景生成的自动驾驶虚拟仿真测试方法可能的流程示意图;
图2为本申请实施例提供了一种基于场景生成的自动驾驶虚拟仿真测试方法中仿真测试场景搭建可能的流程示意图;
图3为本申请实施例提供了一种基于场景生成的自动驾驶虚拟仿真测试方法中测试约束可能的流程示意图;
图4为本申请实施例提供了一种基于场景生成的自动驾驶虚拟仿真测试系统可能的结构示意图。
附图标记说明:图像采集模块100,特征提取模块200,特征集合构建模块300,仿真测试场景搭建模块400,响应数据获得模块500,仿真测试评价模块600。
具体实施方式
本申请实施例提供了一种基于场景生成的自动驾驶虚拟仿真测试方法及系统,解决了自动驾驶道路实测的测试周期长、成本高、效率低的技术问题,实现了采用自动驾驶虚拟仿真测试的方式,测试场景配置灵活,场景覆盖率高,提升测试效率、降低测试成本,有效缩短测试周期的技术效果。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种基于场景生成的自动驾驶虚拟仿真测试方法,其中,所述方法应用于自动驾驶虚拟仿真测试系统,所述自动驾驶仿真测试系统与场景捕捉模块、场景搭建模块通信连接,所述方法包括:
S10:对基础路况进行路况分类分析,通过路况分类分析结果进行路况基础场景图像采集,获得基础场景图像;
S20:通过所述场景捕捉模块进行所述基础场景图像的每一路况分类特征提取,获得基础特征提取结果,其中,所述基础特征提取结果带有路况分类标识;
S30:构建环境特征、行人特征和车辆交互特征集合;
具体而言,所述自动驾驶仿真测试系统与场景捕捉模块、场景搭建模块通信连接,所述通信连接简单来说就是通过信号的传输交互,在所述自动驾驶仿真测试系统与场景捕捉模块、场景搭建模块之间构成通讯网络为进行驾驶虚拟仿真测试提供硬件支持;
所述基础路况为测试路段的中真实的路况数据(基础路况包括红绿灯、减速带、十字路口、斑马线、行人、车辆道路绿化等相关路况交通数据,测试路段符合ISO-34501《2022道路车辆自动驾驶系统测试场景》),可以依照环境特征(包括红绿灯、减速带、十字路口、斑马线、道路绿化、路灯等)、行人特征(盲点、鬼探头)、车辆交互特征(包括车辆行驶方向等)进行路况分类,获取路况分类分析结果,所述路况分类分析结果包括环境特征分类单元、行人特征分类单元、车辆交互特征分类单元;依照所述路况分类分析结果,将所述路况分类分析结果作为图像采集需要遵守的规则,在基础路况确定的测试路段上,进行路况基础场景图像采集,获得基础场景图像,以保证采集所得图像全面覆盖环境特征、行人特征、车辆交互特征,为后续进行数据提供支持;
将所述路况分类分析结果作为图像采集需要遵守的规则,具体的:可以依照KNN算法(K-NearestNeighbor,K-近邻算法,使用KNN算法可以保证取样数据具有代表性,全面覆盖环境特征、行人特征、车辆交互特征,为保证所述基础场景图像的完整性提供了支持),设置一坐标系,将所述环境特征作为第一类别特征、所述行人特征作为第二类别特征、所述车辆交互特征作为第三类别特征,在所述坐标系中录入多个坐标点(坐标系的第一坐标轴内的坐标值可以是环境特征、坐标系的第二坐标轴的坐标值可以是行人特征、坐标系的第三坐标轴的可以是车辆交互特征),为保证基础场景图像的完备性提供技术支撑(输入任意场景图像,若输入的任意场景图像均可以使用K个最近的坐标点表征,即表明基础场景图像具备完备性,其中,K为正整数);
将所述路况分类分析结果导入至所述场景捕捉模块,依照所述路况分类分析结果,通过所述场景捕捉模块,对所述基础场景图像的每一路况依次进行分类特征提取(分类特征提取:将所述环境特征作为第一类别特征、所述行人特征作为第二类别特征、所述车辆交互特征作为第三类别特征,就是将包括红绿灯、减速带、十字路口、斑马线等相关的环境特征识别为第一类别特征),获得基础特征提取结果,所述基础特征提取结果带有路况分类标识(路况分类标识:第一类别特征标识、第二类别特征标识、第三类别特征标识),为快速进行路况特征分类提取提供支持;
将存在第一类别特征标识的划分至环境特征子集中;将存在第二类别特征标识的划分至行人特征子集中;将存在第三类别特征标识的划分至车辆交互特征子集中,对所述环境特征子集、所述行人特征子集与所述车辆交互特征子集进行合并,确定环境特征、行人特征和车辆交互特征集合,为进行驾驶虚拟仿真测试提供数据支持。
S40:通过所述场景搭建模块控制对所述基础特征提取结果、所述环境特征、所述行人特征和所述车辆交互特征集合进行特征交互,搭建仿真测试场景;
如图2所示,步骤S40包括步骤:
S41:通过大数据构建M个常态化场景约束指标;
S42:设定常态化场景与异常场景的构建比例;
S43:根据所述构建比例对所述M个常态化场景约束指标进行指标出现频率和指标值确定;
S44:根据确定的指标出现频率和指标值的所述M个常态化场景约束指标完成仿真测试场景搭建。
具体而言,通过所述场景搭建模块控制对所述基础特征提取结果、所述环境特征、所述行人特征和所述车辆交互特征集合进行特征交互(特征交互:单一的特征通常是非常分散,在进行机器学习时很难直接学习到隐藏在数据背后的规律,对原始特征进行组合导入Embedding层(嵌入层),由于所述基础特征提取结果、所述环境特征、所述行人特征和所述车辆交互特征集合之间是存在关联的,先进行组合是非常有效的,可能捕捉到更有效的特征之间的关系),所述场景搭建模块将所述基础特征提取结果、所述环境特征、所述行人特征和所述车辆交互特征集合作为原始特征,对原始特征进行组合,然后直接导入NFM(lNeuralFactorizationMachine)模型中的Embedding层(嵌入层),在基础场景图像中的场景可以精准识别区分后(识别通过率不低于99.9%),确定仿真测试场景;
在满足交通规则约束下,通过大数据,构建M个常态化场景约束指标(常态化场景约束指标:如车人约束,即包括在斑马线前的车让人规则;如车车约束,即包括在转弯车辆让直行车辆规则;如减速带前提前减速规则;一般的,在大数据中出现的次数越多,即表明属于日常能碰见的规则,规则就越常态化;在大数据中出现的次数越少,即表明属于日常难以碰见的规则,规则就非常态化,如鬼探头);获取常态化场景(出现的次数多,日常能碰见的场景)与异常场景(出现的次数少,日常难以碰见的场景)的构建比例(需要保证各种场景的全面覆盖)可以设置为7:3(虽然日常难以碰见,但鬼探头之类的非常态化的场景的事故发生概率大,不能仅仅依照次数越多设置常态化场景与异常场景的构建比例,7:3是多次验证优选所得);
依照所述构建比例,对所述M个常态化场景约束指标进行指标出现频率(经统计,常态化场景所涉及的指标出现频率与异常场景所涉及的指标出现频率约为9.27:0.83)和指标值(车人约束场景需要的指标包括:车辆行驶方向、行人通过方向等相关指标;鬼探头场景需要的指标包括:车辆行驶盲区、行人视觉盲区等相关指标)确定;依照常态化场景与异常场景的构建比例,以指标出现频率和指标值的所述M个常态化场景约束指标为原始特征,完成仿真测试场景搭建(可以使用CarSim、CarMaker或其他任意驾驶场景仿真软件作为场景搭建的工具),为仿真测试场景提供稳定的数据支持,充分考虑到出现的次数少非常态化的场景,以保证所得仿真测试场景的完备性。
S50:构建N个测试方案,通过所述N个测试方案、所述仿真测试场景执行仿真测试,并监督获得响应数据;
步骤S50包括步骤:
S51:对仿真测试执行数据监督,获得自动驾驶的场景响应速度数据;
S52:基于所述仿真测试执行响应决策监督,获得场景响应准确性数据;
S53:通过所述仿真测试场景获得各测试场景的响应需求权重;
S54:根据所述响应需求权重对所述场景响应速度数据和所述场景响应准确性数据进行响应评价,获得响应评价结果;
S55:将所述响应评价结果作为所述响应数据。
具体而言,构建N个测试方案(在本申请实施例中,N个测试方案为自动驾驶方案,可以包括暂时停车、减速、远近光灯交替使用不少于3次、加速通行、换道避障等多种自动驾驶方案),N为正整数,通过所述N个测试方案、所述仿真测试场景执行仿真测试,并监督获得响应数据,包括,将所述N个测试方案应用于所述仿真测试场景中应用自动驾驶技术的车辆上,在仿真测试场景中,对仿真测试执行数据监督,获得自动驾驶的场景响应速度数据(场景响应之前有一个决策的过程,选出一种自动驾驶方案,然后执行选出的自动驾驶方案,自动驾驶的场景响应速度数据即决策所用时耗);
通过所述仿真测试的执行响应决策监督,获得场景响应准确性数据(对于同一个场景,可能有多个决策,但是有最佳决策和不是特别好的决策,示例性的,红绿灯为绿色且倒计时不足5秒,可以选择加速通过,也可以选择刹车等待下一个绿灯,若为拥堵路段,选择刹车等待下一个绿灯为最佳决策,加速通过为不是特别好的决策),若选出的自动驾驶方案为最佳决策,则场景响应准确性为100%;若选出的自动驾驶方案为错误的决策,则场景响应准确性为0%,所述自动驾驶的场景响应速度数据包括选出的自动驾驶方案、选出的自动驾驶方案对应的场景响应准确性;
基于所述仿真测试场景,进行测试场景切换,通过所述N个测试方案,重复上述仿真测试,获取各测试场景的响应需求权重(在各测试场景的中被确定为最佳决策的次数越多、被确定为错误决策的次数越少,响应需求权重值越大,可以对最佳决策、错误决策进行统计,确定响应需求权重值);将所述响应需求权重作为响应优先级,对所述场景响应速度数据和所述场景响应准确性进行响应评价标识,在响应评价标识完成后获得响应评价结果;将所述响应评价结果作为所述响应数据,为进行响应决策优选提供支持。
S60:通过所述响应数据和对应测试方案、仿真测试场景进行仿真测试评价,输出仿真测试评价结果。
步骤S60包括步骤:
S61:设置场景聚合粒度,通过所述场景聚合粒度基于基础场景分级和所述响应需求权重对所述仿真测试场景进行场景聚合;
S62:获得每一场景聚合结果的聚合标识;
S63:通过所述响应评价结果对同一场景聚合结果进行响应分析,并将响应分析结果与聚合标识进行所述仿真测试评价,输出获得所述仿真测试评价结果。
具体而言,通过所述响应数据和对应测试方案、仿真测试场景进行仿真测试评价,输出仿真测试评价结果,包括,一般的,场景粒度越大,场景就越确定,场景响应准确性越高,但是场景粒度大带来的海量数据,不可避免的,会使得响应时耗延长(若遇到紧急情况,响应时耗越长,事故发生的概率越大),由此,需要适当的进行场景聚合(进行场景聚合,可能会使得无法匹配到最佳决策,但相较于不进行场景聚合的安全性更高);设置场景聚合粒度(场景中的环境特征、行人特征和车辆交互特征越多,场景粒度越高;场景中的环境特征、行人特征和车辆交互特征越少,场景聚合度越高,可以依照ISO-34501《2022道路车辆自动驾驶系统测试场景》,对应设置场景聚合粒度)所述场景聚合粒度包括场景粒度与场景聚合度;
通过所述场景聚合粒度,基于基础场景分级和所述响应需求权重,对所述仿真测试场景分别进行环境特征聚合、行人特征聚合和车辆交互特征聚合(场景聚合:环境特征聚合、行人特征聚合和车辆交互特征聚合)(环境特征聚合:通过K-Medoids(中心点)算法,简单来说就是选所述仿真测试场景中环境特征中最中心作为参照点,进行自底向上的凝聚层次聚类分析,迭代直到所述仿真测试场景中环境特征分布不再变化后,获取环境特征聚合完成),在分别完成环境特征聚合、行人特征聚合和车辆交互特征聚合后,获取场景聚合结果;
在仿真测试场景分别完成环境特征聚合、行人特征聚合和车辆交互特征聚合后,表明场景聚合完成,对场景聚合完成的每一场景聚合结果进行聚合标识;通过所述响应评价结果对同一场景聚合结果进行响应分析(响应分析:在响应时耗中的去掉一个极大值与一个极小值后,计算响应时耗平均值),将响应分析结果作为第一方面的仿真测试评价指标;将聚合标识作为第二方面的仿真测试评价指标,进行所述仿真测试评价,获得所述仿真测试评价结果,在保证响应精度的前提下,将响应时耗限制到适当值,为紧急时刻及时执行响应决策提供基础。
本申请实施例还包括:
S631:设定自动驾驶传输信号干扰测试方案;
S632:通过所述传输信号干扰测试方案执行干扰控制,并采集获得瞬态干扰响应结果;
S633:对自动驾驶进行连续执行干扰控制,采集获得窗口干扰响应结果;
S634:将所述瞬态干扰响应结果和所述窗口干扰响应结果添加至所述仿真测试评价结果。
具体而言,通过所述响应评价结果对同一场景聚合结果进行响应分析,并将响应分析结果与聚合标识进行所述仿真测试评价,输出获得所述仿真测试评价结果,还包括,实测表明,信号干扰确实无法避免,却并非无计可施,设定自动驾驶传输信号干扰测试方案(由自动驾驶仿真测试领域的相关测试人员设定),所述传输信号干扰测试方案中包括同频干扰、电磁干扰、交调干扰;将所述传输信号干扰测试方案运载至无线干扰器中,进行干扰模拟,同时,对自动驾驶进行连续执行干扰控制(干扰控制:高增益控制、高增益控制、滑模控制),同步进行信号采集,获得瞬态干扰响应结果(瞬态干扰响应结果:干扰控制过程,接收端口当前的输出信号);对自动驾驶进行连续执行干扰控制,连续进行信号采集,采集获得窗口干扰响应结果(窗口干扰响应结果包括原始信号与干扰响应信号;在输入端口传输内容一致的情况下,受到干扰前,接收端口的输出信号为原始信号;受到干扰后,执行干扰控制情况下接收端口的输出信号为干扰响应信号,一般的,若原始信号与干扰响应信号相同,则证明干扰控制的可行性);将所述瞬态干扰响应结果和所述窗口干扰响应结果添加至所述仿真测试评价结果,通过进行干扰模拟,为保证虚拟仿真测试过程的真实性。
如图3所示,本申请实施例还包括:
S64:对异常测试结果进行测试统计,并将测试统计结果进行异常特征归类;
S65:基于异常特征归类结果构建测试约束模块;
S66:通过所述测试约束模块对后续自动驾驶的测试约束。
具体而言,若出现对异常测试结果(异常测试结果为自动驾驶虚拟仿真测试过程发生驾驶安全事故),需要对异常测试结果进行测试统计,并将测试统计结果进行异常特征归类(异常特征归类:将自动驾驶车辆与绿化带、路灯发生的驾驶安全事故归类至环境异常特征;将自动驾驶车辆与行人发生的驾驶安全事故归类至行人异常特征、将自动驾驶车辆与其他车辆发生的驾驶安全事故归类至车辆交互异常特征),归类完成后,获取异常特征归类结果;将专家系统(专家系统=知识库+推理机)作为模型基础,将所述异常特征归类结果导入知识库中,获取测试约束模块;在测试约束模块的监督下,对后续自动驾驶的测试约束,出现对异常测试结果的虚拟仿真测试过程会被直接舍弃,但直接舍弃会产生自动驾驶虚拟仿真测试系统算力浪费,将异常测试结果统计并应用于测试约束,降低自动驾驶虚拟仿真测试系统的算力浪费。
本申请实施例还包括:
S67:获得搭建的所述仿真测试场景的场景反馈信息,并搭建场景寻优控制模块;
S68:通过所述寻优控制模块进行后续场景搭建的寻优优化。
具体而言,在搭建仿真测试场景的过程中,同步进行数据采集,获得搭建的所述仿真测试场景的场景反馈信息,所述场景反馈信息包括环境特征反馈信息(环境会变化,如雨天、雪天)、行人特征反馈信息(行人灵活度高,还需要留意行人的行人通过方向出现突变)和车辆交互特征反馈信息(包括周围车辆的加速、减速、未启动转向灯的变道),以多元评价模型为模型基础,以环境特征反馈信息作为第一重维度、以行人特征反馈信息作为第二重维度、以车辆交互特征反馈信息作为第三重维度,搭建场景寻优控制模块;在仿真测试场景基础上,通过所述寻优控制模块进行后续场景搭建的寻优优化,为保证仿真测试场景的丰富性与全面性提供基础。
综上所述,本申请实施例所提供的一种基于场景生成的自动驾驶虚拟仿真测试方法及系统具有如下技术效果:
1.由于采用了路况分类后,采集路况对应的图像;进行分类特征提取,获得基础特征提取结果;构建环境特征、行人特征和车辆交互特征集合;通过场景搭建模块控制对基础特征提取结果、环境特征、行人特征和车辆交互特征集合进行特征交互,搭建仿真测试场景;构建N个测试方案,结合仿真测试场景执行仿真测试,监督获得响应数据;通过响应数据和对应测试方案、仿真测试场景进行仿真测试评价,输出仿真测试评价结果,本申请通过提供了一种基于场景生成的自动驾驶虚拟仿真测试方法及系统,实现了采用自动驾驶虚拟仿真测试的方式,测试场景配置灵活,场景覆盖率高,提升测试效率、降低测试成本,有效缩短测试周期的技术效果。
2.由于采用了设定自动驾驶传输信号干扰测试方案;执行干扰控制,并采集获得瞬态干扰响应结果;连续执行干扰控制,采集获得窗口干扰响应结果;将瞬态干扰响应结果和窗口干扰响应结果添加至仿真测试评价结果,通过进行干扰模拟,为保证虚拟仿真测试过程的真实性。
实施例二
基于与前述实施例中一种基于场景生成的自动驾驶虚拟仿真测试方法相同的发明构思,如图4所示,本申请实施例提供了一种基于场景生成的自动驾驶虚拟仿真测试系统,其中,所述系统包括:
图像采集单元100,所述图像采集单元用于对基础路况进行路况分类分析,通过路况分类分析结果进行路况基础场景图像采集,获得基础场景图像;
特征提取单元200,所述特征提取单元用于通过场景捕捉模块进行所述基础场景图像的每一路况分类特征提取,获得基础特征提取结果,其中,所述基础特征提取结果带有路况分类标识;
特征集合构建单元300,所述特征集合构建单元用于构建环境特征、行人特征和车辆交互特征集合;
场景搭建单元400,所述场景搭建单元用于通过场景搭建模块控制对所述基础特征提取结果、所述环境特征、所述行人特征和所述车辆交互特征集合进行特征交互,搭建仿真测试场景;
响应数据获得单元500,所述响应数据获得单元用于构建N个测试方案,通过所述N个测试方案、所述仿真测试场景执行仿真测试,并监督获得响应数据;
仿真测试评价单元600,所述仿真测试评价单元用于通过所述响应数据和对应测试方案、仿真测试场景进行仿真测试评价,输出仿真测试评价结果。
进一步的,所述系统包括:
执行数据监督单元,所述执行数据监督单元用于对仿真测试执行数据监督,获得自动驾驶的场景响应速度数据;
执行响应决策监督单元,所述执行响应决策监督单元用于基于所述仿真测试执行响应决策监督,获得场景响应准确性数据;
响应需求权重获得单元,所述响应需求权重获得单元用于通过所述仿真测试场景获得各测试场景的响应需求权重;
响应评价结果获得单元,所述响应评价结果获得单元用于根据所述响应需求权重对所述场景响应速度数据和所述场景响应准确性数据进行响应评价,获得响应评价结果;
响应数据确定单元,所述响应数据确定单元用于将所述响应评价结果作为所述响应数据。
进一步的,所述系统包括:
常态化场景约束指标构建单元,所述常态化场景约束指标构建单元用于通过大数据构建M个常态化场景约束指标;
构建比例设定单元,所述构建比例设定单元用于设定常态化场景与异常场景的构建比例;
频率和指标值确定单元,所述频率和指标值确定单元用于根据所述构建比例对所述M个常态化场景约束指标进行指标出现频率和指标值确定;
仿真测试场景搭建单元,所述仿真测试场景搭建单元用于根据确定的指标出现频率和指标值的所述M个常态化场景约束指标完成仿真测试场景搭建。
进一步的,所述系统包括:
场景聚合单元,所述场景聚合单元用于设置场景聚合粒度,通过所述场景聚合粒度基于基础场景分级和所述响应需求权重对所述仿真测试场景进行场景聚合;
聚合标识单元,所述聚合标识单元用于获得每一场景聚合结果的聚合标识;
响应分析单元,所述响应分析单元用于通过所述响应评价结果对同一场景聚合结果进行响应分析,并将响应分析结果与聚合标识进行所述仿真测试评价,输出获得所述仿真测试评价结果。
进一步的,所述系统包括:
信号干扰测试方案设定单元,所述信号干扰测试方案设定单元用于设定自动驾驶传输信号干扰测试方案;
第一干扰控制单元,所述第一干扰控制单元用于通过所述传输信号干扰测试方案执行干扰控制,并采集获得瞬态干扰响应结果;
第二干扰控制单元,所述第二干扰控制单元用于对自动驾驶进行连续执行干扰控制,采集获得窗口干扰响应结果;
响应结果添加单元,所述响应结果添加单元用于将所述瞬态干扰响应结果和所述窗口干扰响应结果添加至所述仿真测试评价结果。
进一步的,所述系统包括:
测试统计单元,所述测试统计单元用于对异常测试结果进行测试统计,并将测试统计结果进行异常特征归类;
测试约束模块构建单元,所述测试约束模块构建单元用于基于异常特征归类结果构建测试约束模块;
测试约束单元,所述测试约束单元用于通过所述测试约束模块对后续自动驾驶的测试约束。
进一步的,所述系统包括:
场景寻优控制模块搭建单元,所述场景寻优控制模块搭建单元用于获得搭建的所述仿真测试场景的场景反馈信息,并搭建场景寻优控制模块;
场景搭建寻优优化单元,所述场景搭建寻优优化单元用于通过所述寻优控制模块进行后续场景搭建的寻优优化。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (7)
1.一种基于场景生成的自动驾驶虚拟仿真测试方法,其特征在于,所述方法应用于自动驾驶虚拟仿真测试系统,所述自动驾驶虚拟仿真测试系统与场景捕捉模块、场景搭建模块通信连接,所述方法包括:
对基础路况进行路况分类分析,通过路况分类分析结果进行路况基础场景图像采集,获得基础场景图像;
通过所述场景捕捉模块进行所述基础场景图像的每一路况分类特征提取,获得基础特征提取结果,其中,所述基础特征提取结果带有路况分类标识;
构建环境特征、行人特征和车辆交互特征集合;
通过所述场景搭建模块控制对所述基础特征提取结果、所述环境特征、所述行人特征和所述车辆交互特征集合进行特征交互,搭建仿真测试场景;
构建N个测试方案,通过所述N个测试方案、所述仿真测试场景执行仿真测试,并监督获得响应数据;
通过所述响应数据和对应测试方案、仿真测试场景进行仿真测试评价,输出仿真测试评价结果;
获取响应数据还包括:
对仿真测试执行数据监督,获得自动驾驶的场景响应速度数据;
基于所述仿真测试执行响应决策监督,获得场景响应准确性数据;
通过所述仿真测试场景获得各测试场景的响应需求权重;
根据所述响应需求权重对所述场景响应速度数据和所述场景响应准确性数据进行响应评价,获得响应评价结果;
将所述响应评价结果作为所述响应数据。
2.如权利要求1所述的方法,其特征在于,所述方法包括:
通过大数据构建M个常态化场景约束指标;
设定常态化场景与异常场景的构建比例;
根据所述构建比例对所述M个常态化场景约束指标进行指标出现频率和指标值确定;
根据确定的指标出现频率和指标值的所述M个常态化场景约束指标完成仿真测试场景搭建。
3.如权利要求2所述的方法,其特征在于,所述方法包括:
设置场景聚合粒度,通过所述场景聚合粒度基于基础场景分级和所述响应需求权重对所述仿真测试场景进行场景聚合;
获得每一场景聚合结果的聚合标识;
通过所述响应评价结果对同一场景聚合结果进行响应分析,并将响应分析结果与聚合标识进行所述仿真测试评价,输出获得所述仿真测试评价结果。
4.如权利要求1所述的方法,其特征在于,所述方法包括:
设定自动驾驶传输信号干扰测试方案;
通过所述传输信号干扰测试方案执行干扰控制,并采集获得瞬态干扰响应结果;
对自动驾驶进行连续执行干扰控制,采集获得窗口干扰响应结果;
将所述瞬态干扰响应结果和所述窗口干扰响应结果添加至所述仿真测试评价结果。
5.如权利要求1所述的方法,其特征在于,所述方法包括:
对异常测试结果进行测试统计,并将测试统计结果进行异常特征归类;
基于异常特征归类结果构建测试约束模块;
通过所述测试约束模块对后续自动驾驶的测试约束。
6.如权利要求1所述的方法,其特征在于,所述方法包括:
获得搭建的所述仿真测试场景的场景反馈信息,并搭建场景寻优控制模块;
通过所述寻优控制模块进行后续场景搭建的寻优优化。
7.一种基于场景生成的自动驾驶虚拟仿真测试系统,其特征在于,用于实施权利要求1-6任一项所述的一种基于场景生成的自动驾驶虚拟仿真测试方法,包括:
图像采集单元,所述图像采集单元用于对基础路况进行路况分类分析,通过路况分类分析结果进行路况基础场景图像采集,获得基础场景图像;
特征提取单元,所述特征提取单元用于通过场景捕捉模块进行所述基础场景图像的每一路况分类特征提取,获得基础特征提取结果,其中,所述基础特征提取结果带有路况分类标识;
特征集合构建单元,所述特征集合构建单元用于构建环境特征、行人特征和车辆交互特征集合;
场景搭建单元,所述场景搭建单元用于通过场景搭建模块控制对所述基础特征提取结果、所述环境特征、所述行人特征和所述车辆交互特征集合进行特征交互,搭建仿真测试场景;
响应数据获得单元,所述响应数据获得单元用于构建N个测试方案,通过所述N个测试方案、所述仿真测试场景执行仿真测试,并监督获得响应数据;
仿真测试评价单元,所述仿真测试评价单元用于通过所述响应数据和对应测试方案、仿真测试场景进行仿真测试评价,输出仿真测试评价结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310499564.3A CN117033162B (zh) | 2023-05-06 | 2023-05-06 | 一种基于场景生成的自动驾驶虚拟仿真测试方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310499564.3A CN117033162B (zh) | 2023-05-06 | 2023-05-06 | 一种基于场景生成的自动驾驶虚拟仿真测试方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117033162A CN117033162A (zh) | 2023-11-10 |
CN117033162B true CN117033162B (zh) | 2024-02-09 |
Family
ID=88632388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310499564.3A Active CN117033162B (zh) | 2023-05-06 | 2023-05-06 | 一种基于场景生成的自动驾驶虚拟仿真测试方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117033162B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3786854A1 (en) * | 2019-08-29 | 2021-03-03 | Visteon Global Technologies, Inc. | Methods and systems for determining driving behavior |
CN115291515A (zh) * | 2022-08-01 | 2022-11-04 | 广州蔚驰科技有限公司 | 一种基于数字孪生的自动驾驶仿真测试系统及评价方法 |
CN115470118A (zh) * | 2022-08-30 | 2022-12-13 | 中汽创智科技有限公司 | 基于环境仿真场景的测试分析方法、装置、介质及设备 |
CN116050116A (zh) * | 2023-01-03 | 2023-05-02 | 重庆长安汽车股份有限公司 | 一种仿真驾驶测试方法、装置、电子设备及存储介质 |
-
2023
- 2023-05-06 CN CN202310499564.3A patent/CN117033162B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3786854A1 (en) * | 2019-08-29 | 2021-03-03 | Visteon Global Technologies, Inc. | Methods and systems for determining driving behavior |
CN115291515A (zh) * | 2022-08-01 | 2022-11-04 | 广州蔚驰科技有限公司 | 一种基于数字孪生的自动驾驶仿真测试系统及评价方法 |
CN115470118A (zh) * | 2022-08-30 | 2022-12-13 | 中汽创智科技有限公司 | 基于环境仿真场景的测试分析方法、装置、介质及设备 |
CN116050116A (zh) * | 2023-01-03 | 2023-05-02 | 重庆长安汽车股份有限公司 | 一种仿真驾驶测试方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于unity和kinect的交警手势识别仿真系统的设计和实现;周天彤;徐飞林;张旖帆;邹凌;;计算机测量与控制(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117033162A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109637137B (zh) | 基于车路协同的交通管理系统 | |
CN111311918B (zh) | 一种基于视觉分析的交通管理方法及装置 | |
CN110322687B (zh) | 确定目标交叉口运行状态信息的方法和装置 | |
CN113935441B (zh) | 汽车自动驾驶功能测试道路的选取方法、设备和存储介质 | |
CN113033840B (zh) | 一种公路养护的判断方法和装置 | |
CN116434523A (zh) | 信息感知场景下基于约束度的车辆主动安全管控方法及装置 | |
CN116631186A (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统 | |
CN117033162B (zh) | 一种基于场景生成的自动驾驶虚拟仿真测试方法及系统 | |
CN116168538B (zh) | 一种平面道路车辆通行空间识别方法 | |
CN117409584A (zh) | 基于碳中和的新型智慧城市交通管理方法和系统 | |
CN112435485A (zh) | 一种用于车路信息协同的系统 | |
Jin et al. | Automatic freeway incident detection based on fundamental diagrams of traffic flow | |
CN113077630B (zh) | 基于深度学习的红绿灯检测方法、装置、设备及存储介质 | |
Tian et al. | Understanding scenarios for cooperative V2P safety applications using connected vehicle datasets | |
CN113421067A (zh) | 一种共享自行车品牌识别与数量管理方法及系统 | |
CN112819360A (zh) | 一种高速公路路侧感知设备布设方案评估方法及系统 | |
Yang et al. | Traffic Safety Region Estimation Based on SFS–PCA–LSSVM: An Application to Highway Crash Risk Evaluation | |
CN117894181B (zh) | 一种全域通行异常状况集成监测方法及系统 | |
CN109785622B (zh) | 一种基于车载电子标签技术的拥堵区域识别方法 | |
CN118225457A (zh) | 一种自动驾驶测试用高速路段仿真测试场地及其搭建方法 | |
WO2023097519A1 (zh) | 一种场景获取方法及装置 | |
Guo et al. | Safety Criteria for Selecting a Smart Corridor: Random Forest Approach using HSIS Data from Washington State | |
Agarwal et al. | Intelligent System for Road Accident Detection in India using Deep Learning Models | |
CN118193134A (zh) | 一种自动驾驶测试用雨天仿真测试场地及其搭建方法 | |
CN118378335A (zh) | 一种改扩建期路侧感知设备多目标优化布设方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |