CN117669364A - 车道保持辅助系统测试场景的提取方法、服务器及介质 - Google Patents
车道保持辅助系统测试场景的提取方法、服务器及介质 Download PDFInfo
- Publication number
- CN117669364A CN117669364A CN202311567871.7A CN202311567871A CN117669364A CN 117669364 A CN117669364 A CN 117669364A CN 202311567871 A CN202311567871 A CN 202311567871A CN 117669364 A CN117669364 A CN 117669364A
- Authority
- CN
- China
- Prior art keywords
- failure
- criterion layer
- scene
- lane
- lane line
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012360 testing method Methods 0.000 title claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 47
- 239000013598 vector Substances 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 17
- 238000004220 aggregation Methods 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 2
- 239000010755 BS 2869 Class G Substances 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 5
- 238000012827 research and development Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种车道保持辅助系统测试场景的提取方法、服务器及介质,所述方法包括:获取若干已发生的LKAS失效场景,失效场景中包含有若干个失效因素,利用层次分析法,确定各失效因素对LKAS失效场景的影响的权重,选择权重大于预设权重阈值的失效因素作为选定失效因素,对于每一LKAS失效场景提取选定失效因素,生成失效场景样本,根据失效场景样本之间的相似度进行迭代聚类,确定聚类个数,选取聚类过程中出现次数最多的参数值作为选定失效因素的选定参数值,生成各类LKAS测试场景。本发明能够基于大量真实的LKAS失效场景提取出具有代表性LKAS失效场景,以供研发人员及测试人员进行针对性测试。
Description
技术领域
本发明涉及LKAS(Lane Keeping Assist System,车道保持辅助系统)领域,尤其涉及一种车道保持辅助系统测试场景的提取方法、服务器及介质。
背景技术
LKAS(Lane Keeping Assist System,车道保持辅助系统)是ADAS(AdvancedDriving Assistance System,高级驾驶辅助系统)的重要组成部分,其作用为在驾驶员分心时,防止或纠正车辆偏离原车道。2010年以来,多家权威机构制定并修改了LKAS测试标准及法规,在主流的标准及法规中,天气、能见度、风速和照度等要素均受到了严格的限制。然而,在真实的交通场景中,大雨、强光和车道线褪色等不利条件给LKAS带来了巨大的挑战,因此,有必要分析真实道路场景中可能影响LKAS的外部因素。当前,尚未有能够基于大量真实的LKAS失效场景提取出具有代表性LKAS失效场景的方法,以供研发人员及测试人员进行针对性测试。
发明内容
本发明提供了一种车道保持辅助系统测试场景的提取方法、服务器及介质,所述方法可以提取出具有代表性的LKAS失效场景,供研发及测试人员进行针对性测试。
本发明一实施例提供了一种车道保持辅助系统测试场景的提取方法,包括:
获取若干已发生的LKAS失效场景,失效场景中包含有若干个失效因素;
通过层次分析法,确定各失效因素对LKAS失效场景的影响的权重;提取权重大于预设权重阈值的失效因素作为选定失效因素;
对于每一LKAS失效场景,提取LKAS失效场景的选定失效因素,根据所提取的选定失效因素,生成失效场景样本;
计算各失效场景样本之间的相似度,根据相似度将失效场景样本进行迭代聚类,并在迭代聚类过程中生成用于表征每次迭代后的类别数与聚合系数之间的关系的曲线图;
将曲线图中曲线肘部位置对应的类别数,作为选定的聚类个数;
提取所述聚类个数所对应的所有失效场景聚类样本;其中,所述失效场景聚类样本为,聚类后每一类所对应聚类结果;
对于每一类的聚类结果中的每一选定效因素,选取聚类过程中出现次数最多的参数值作为选定失效因素的选定参数值;
根据每一类的聚类结果中每一选定失效因素的选定参数值,生成各类LKAS测试场景。
进一步的,所述失效因素包括:自车车速、天气类型、车道保持功能失效时刻、车道保持功能失效地点、车道线有无遮挡、车辆前方是否有车辆、车辆侧面是否有车辆、车道形式、车道线颜色、第一车道线类型、第二车道线类型以及车道线是否有磨损;其中,所述第一车道线类型用于指示车道线为单线或双线,所述第二车道线类型用于指示车道线为实线或虚线。
进一步的,通过层次分析法,确定各失效因素对LKAS失效场景的影响的权重,提取权重大于预设权重阈值的失效因素作为选定失效因素,包括:
将自车车速,归类为自车状态;
将天气类型、车道保持功能失效时刻、车道保持功能失效地点、车道线有无遮挡、车辆前方是否有车辆以及车辆侧面是否有车辆,归类为外部环境;
将车道形式、车道线颜色、第一车道线类型、第二车道线类型以及车道线是否有磨损,归类为车道线状态;
根据自车状态、外部环境以及车道线状态构建准则层,根据自车车速、天气类型、车道保持功能失效时刻、车道保持功能失效地点、车道线有无遮挡、车辆前方是否有车辆、车辆侧面是否有车辆、车道形式、车道线颜色、第一车道线类型、第二车道线类型以及车道线是否有磨损构建子准则层;
将所述的失效场景中包含有若干各失效因素进行归类划分,对归类划分的各失效因素层级分类,建立准则层和子准则层;
根据建立的准则层和子准则层构造判断矩阵;
根据所述判断矩阵提取准则层的正则化特征向量、准则层的最大特征根、子准则层的正则化特征向量以及子准则层的准则层的最大特征根;
根据准则层的正则化特征向量、准则层的最大特征根、子准则层的正则化特征向量以及子准则层的准则层的最大特征根,计算得到子准则层中各失效因素的权重值;
提取权重大于预设权重阈值的失效因素作为选定失效因素。
进一步的,在根据所述判断矩阵提取准则层的正则化特征向量、准则层的最大特征根、子准则层的正则化特征向量以及子准则层的准则层的最大特征根,之后还包括:
重复执行判断矩阵修正操作,直至判断矩阵所对应一致性指标小于或等于所述预设值;
其中,所述判断矩阵修正操作包括:
根据准则层的最大特征根以及子准则层的准则层的最大特征根,计算一致性指标;
在所述一致性指标大于预设值时,修正判断矩阵,并根据修改后的判断矩阵重新计算提取准则层的正则化特征向量、准则层的最大特征根、子准则层的正则化特征向量以及子准则层的准则层的最大特征根。
进一步的,对于每一LKAS失效场景,提取LKAS失效场景的选定失效因素,根据所提取的选定失效因素,生成失效场景样本,包括:
对于每一LKAS失效场景,提取LKAS失效场景的选定失效因素;
对选定失效因素的参数特征进行赋值,生成失效场景样本。
进一步的,计算各失效场景样本之间的相似度,根据相似度将失效场景样本进行迭代聚类,包括:
对于每一失效场景样本,将失效场景样本作为一类,形成若干类;
计算每类的离差平方和得到类与类之间的距离,选择距离最近的两类进行合并,直到所有失效场景样本迭代聚类归为一类。
在上述方法项实施例的基础上,本发明对应提供了一种服务器,服务器包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任一项方法项实施例所述的一种车道保持辅助系统测试场景的提取方法。
在上述方法项实施例的基础上,本发明对应提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现任一方法项实施例所述一种车道保持辅助系统测试场景的提取方法。
本发明的实施例,具有如下有益效果:
本发明提供了一种车道保持辅助系统测试场景的提取方法、服务器介质,所述方法首先通过获取LKAS使用中记录的已发生的失效时刻所对应的失效场景,失效场景中包含有若干各失效因素,再利用层次分析法,确定各失效因素对LKAS失效场景的影响的权重,提取权重大于预设权重阈值的失效因素作为选定失效因素,根据对于每一LKAS失效场景所提取的选定失效因素,生成失效场景样本,并计算各失效场景样本之间的相似度进行迭代聚类,根据在迭代聚类过程中生成的类别数与聚合系数之间的关系的曲线图,选择肘部位置的类别数作为选定的聚类个数,提取对应的聚类个数的所有失效场景聚类样本的聚类结果,选取聚类过程中出现次数最多的参数值作为选定失效因素的选定参数值,根据每一类的聚类结果中每一选定失效因素的选定参数值,生成各类具有代表性的LKAS测试场景,供研发人员及测试人员进行针对性测试,以提升LKAS在使用中的稳定性。
附图说明
图1是本发明一实施例提供的一种车道保持辅助系统测试场景的提取方法的流程示意图。
图2是本发明一实施例提供的类别数-聚合系数曲线示意图。
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,本领域普通技术人员在没有作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。
请参照图1,是本发明一实施例提供的一种车道保持辅助系统测试场景的提取方法的流程示意图,包括如下具体步骤:
S1、获取若干已发生的LKAS失效场景,失效场景中包含有若干个失效因素;
在对车道保持辅助系统测试场景提取时,首先获取LKAS使用中记录的已发生的失效时刻所对应的失效场景,失效场景中包含多种失效失效因素。
优选的,所述所述失效因素包括:自车车速、天气类型、车道保持功能失效时刻、车道保持功能失效地点、车道线有无遮挡、车辆前方是否有车辆、车辆侧面是否有车辆、车道形式、车道线颜色、第一车道线类型、第二车道线类型以及车道线是否有磨损;其中,所述第一车道线类型用于指示车道线为单线或双线,所述第二车道线类型用于指示车道线为实线或虚线。
S2、通过层次分析法,确定各失效因素对LKAS失效场景的影响的权重;提取权重大于预设权重阈值的失效因素作为选定失效因素;
优选的,通过层次分析法,确定各失效因素对LKAS失效场景的影响的权重,提取权重大于预设权重阈值的失效因素作为选定失效因素,包括:将自车车速,归类为自车状态;将天气类型、车道保持功能失效时刻、车道保持功能失效地点、车道线有无遮挡、车辆前方是否有车辆以及车辆侧面是否有车辆,归类为外部环境;将车道形式、车道线颜色、第一车道线类型、第二车道线类型以及车道线是否有磨损,归类为车道线状态;根据自车状态、外部环境以及车道线状态构建准则层,根据自车车速、天气类型、车道保持功能失效时刻、车道保持功能失效地点、车道线有无遮挡、车辆前方是否有车辆、车辆侧面是否有车辆、车道形式、车道线颜色、第一车道线类型、第二车道线类型以及车道线是否有磨损构建子准则层;将所述的失效场景中包含有若干各失效因素进行归类划分,对归类划分的各失效因素层级分类,建立准则层和子准则层;根据建立的准则层和子准则层构造判断矩阵;根据所述判断矩阵提取准则层的正则化特征向量、准则层的最大特征根、子准则层的正则化特征向量以及子准则层的准则层的最大特征根;根据准则层的正则化特征向量、准则层的最大特征根、子准则层的正则化特征向量以及子准则层的准则层的最大特征根,计算得到子准则层中各失效因素的权重值;提取权重大于预设权重阈值的失效因素作为选定失效因素。
具体的,首先,构建LKAS失效场景的层次架构模型,将自车车速,归类为自车状态;将天气类型、车道保持功能失效时刻、车道保持功能失效地点、车道线有无遮挡、车辆前方是否有车辆以及车辆侧面是否有车辆,归类为外部环境;将车道形式、车道线颜色、第一车道线类型、第二车道线类型以及车道线是否有磨损,归类为车道线状态;将自车状态、外部环境以及车道线状态作为准则层,将自车车速、天气类型、车道保持功能失效时刻、车道保持功能失效地点、车道线有无遮挡、车辆前方是否有车辆、车辆侧面是否有车辆、车道形式、车道线颜色、第一车道线类型、第二车道线类型以及车道线是否有磨损构作为子准则层,示意性的,如下表所示:
其次,根据构建LKAS失效场景的层次架构模型,利用“1-9标度法”构造判断矩阵a;“1-9标度法”,根据下层因素相对于上层因素的重要程度,两两比较本层内的因素。
构造判断矩阵a:
其中,aij表示第i个因素和第j个因素的比较结果,aii=1。
例如:以下为准则层判断矩阵:
例如:以下为子准则层-车道线状态的判断矩阵:
例如:以下为子准则层-外部环境的判断矩阵:
根据利用标度法建立的准则层和子准则层的判断矩阵,计算准则层的正则化特征向量、准则层的最大特征根、子准则层的正则化特征向量以及子准则层的准则层的最大特征根,根据准则层的正则化特征向量、准则层的最大特征根计算得到准则层各失效因素的权重值,根据子准则层的正则化特征向量以及子准则层的准则层的最大特征根计算得到子准则层中各失效因素的权重值。再根据计算所得的子准则层中各失效因素的权重值乘以其自身所在的准则层的权重值,确定各失效因素的的权重值,提取权重大于预设阈值的失效因素作为选定失效因素。计算判断矩阵的正则化特征向量W和最大特征根λmax计算方式如下:
aW=λmaxW,W=(wa1,wa2,...,wai)T
式中,W表示正则化特征向量、λmax表示最大特征根,aW表示权重值。
例如:以下为准则层的权重计算表:
那么,根据上表准则层判断矩阵可以计算得到,自车状态的权重为7.20%、车道线状态的权重为27.90%和外部环境的权重为64.91%;
例如:以下为子准则层-外部环境的权重计算表:
那么,根据上表子准则层-外部环境判断矩阵可以计算得到,天气类型的权重值为27.12%、功能失效时刻的权重值为19.17%、功能失效地点的权重值为7.14%、车道线有无遮挡的权重值为37.70%、前方是否有车辆的权重值为3.58%和侧面是否有车辆的权重值为5.30%;
例如:以下为子准则层-车道线状态的权重计算表:
那么,根据上表子准则层-车道线状态判断矩阵可以计算得到,车道形式的权重值为42.21%、车道线颜色的权重值为26.98%、第一车道线类型的权重值为5.18%、第二车道线类型的权重值为9.23%和车道线是否有磨损的权重值为16.41%;
根据计算所得的子准则层中各失效因素的权重值乘以其自身所在的准则层的权重值,确定各失效因素的的权重值,提取权重大于预设阈值的失效因素作为选定失效因素。
例如:以下为子准则层各失效因素的权重计算表:
那么,以天气类型为例,其权重等于外部环境在准则层中权重乘以其自身在子准则层(外部环境)中的权重,即64.91%×27.12%=17.61%。以此类推,计算各失效因素的的权重值,提取权重大于预设权重阈值的失效因素作为选定失效因素,在本发明中预设权重阈值为4.00%,提取权重大于4.00%的失效因素作为选定的失效因素,即提取车道线有无遮挡、天气类型、功能失效时刻、车道形式、车道线颜色、自车车速、功能失效地点、车道线是否有磨损作为选定失效因素。
在一个优选的实施例中,在根据所述判断矩阵提取准则层的正则化特征向量、准则层的最大特征根、子准则层的正则化特征向量以及子准则层的准则层的最大特征根,之后还包括:重复执行判断矩阵修正操作,直至判断矩阵所对应一致性指标小于或等于所述预设值;其中,所述判断矩阵修正操作包括:根据准则层的最大特征根以及子准则层的准则层的最大特征根,计算一致性指标;在所述一致性指标大于预设值时,修正判断矩阵,并根据修改后的判断矩阵重新计算提取准则层的正则化特征向量、准则层的最大特征根、子准则层的正则化特征向量以及子准则层的准则层的最大特征根。
由于判断矩阵是对主观判断的数值体现,与客观数值的重要程度存在一定的差异,为此需对判断矩阵进行一致性校验。
通过以下公式计算判断矩阵的一致性指标:
其中,CI表示判断矩阵的一致性指标,λmax表示判断矩阵的最大特征值,n表示判断矩阵的最大特征值数量;
通过以下公式计算判断矩阵的一致性比率:
其中,CR表示判断矩阵的一致性比率,RI表示平均随机一致性指标,取值如下表所示:
若CR≤0.10,则认为建立的判断矩阵具有完全一致性,即各层失效因素的权重能较好地反映该因素相对于LKAS失效场景的重要程度;否则需要重新判断失效因素间的相对重要程度,修正判断矩阵,直至CR≤0.10,通过一致性校验。
重新计算修改后的判断矩阵重新计算提取准则层的正则化特征向量、准则层的最大特征根、子准则层的正则化特征向量以及子准则层的准则层的最大特征根,不断修正判断矩阵,进行一致性校验;通过这一实施例,能够减少主观判断数值的重要程度与客观数值的误差,从而使所构建的判断矩阵更准确。
S3、对于每一LKAS失效场景,提取LKAS失效场景的选定失效因素,根据所提取的选定失效因素,生成失效场景样本;
优选的,对于每一LKAS失效场景,提取LKAS失效场景的选定失效因素,根据所提取的选定失效因素,生成失效场景样本,包括:对于每一LKAS失效场景,提取LKAS失效场景的选定失效因素;对选定失效因素的参数特征进行赋值,生成失效场景样本。
对选定失效因素的参数特征进行赋值,将失效因素转化为名义尺度变量,它是指没有数值关系,但具有类别之分的变量。变量取值相同时,两者之间距离为0;变量取值不同时,两者之间距离为1。
例如:以下为LKAS场景参数与参数特征表:
/>
那么,以天气类型为例,“晴/多云”和“雨/雾/霾”两参数特征取值分别为1和3,虽然数值差异为2,但是变量之间的距离为1。
对每一LKAS失效场景提取车道线有无遮挡、天气类型、功能失效时刻、车道形式、车道线颜色、自车车速、功能失效地点以及车道线是否有磨损作为选定的8个失效因素,对选定的8个失效因素的参数特征进行赋值,生成失效场景样本。
S4、计算各失效场景样本之间的相似度,根据相似度将失效场景样本进行迭代聚类,并在迭代聚类过程中生成用于表征每次迭代后的类别数与聚合系数之间的关系的曲线图。
优选的,计算各失效场景样本之间的相似度,根据相似度将失效场景样本进行迭代聚类,包括:对于每一失效场景样本,将失效场景样本作为一类,形成若干类;计算每类的离差平方和得到类与类之间的距离,选择距离最近的两类进行合并,直到所有失效场景样本迭代聚类归为一类。
首先,计算每个类类内样本的离差平方和,类内样本的离差平方和(即聚合系数)为:
式中,np为类Gp中含有的样本个数;为类Gp中的第i个样本;/>为类Gp的重心。
类Gp与类Gq之间的距离为:
类Gp与类Gq之间的距离为:
式中,Sr为类Gp与类Gq合并后的新类Gr的类内样本的离差平方和,Sq为类Gq的类内样本的离差平方和。
其次,合并距离最近的两类,得到n-1类;以此类推,直至所有样本聚成一类,并在迭代聚类过程中生成用于表征每次迭代后的类别数与聚合系数之间的关系的曲线图。
例如:以下为聚类过程(聚类计划)如下:
/>
以上表为例,阶段数表示聚合样本数量、组合聚类表示聚类的样本组合、聚类1和聚类2表示各样本编号、首次出现聚类的阶段表示组合聚类所包含的样本首次进行样本聚类时聚类阶段数以及下一个阶段表示组合聚类所包含的样本进行第二次聚类的聚类阶段数。那么,根据上表200个样本(即200类),首次聚类合并距离最近的两类,样本聚类即为199类;以此类推,直至所有样本聚成一类,并在迭代聚类过程中生成用于表征每次迭代后的类别数与聚合系数之间的关系的曲线图。请参照图2,为类别数-聚合系数曲线示意图。
S5、将曲线图中曲线肘部位置对应的类别数,作为选定的聚类个数;
随着聚类数的减少,聚合程度逐渐升高,那么表征每次迭代后的类别数与聚合系数之间的关系的曲线图将逐渐趋于陡峭,此时曲线图呈现一个手肘的形状,选择这个肘部位置所对应的类别数作为选定的聚类个数。参照图2,以类别数-聚合系数曲线示意图为例,曲线图的肘部位置趋近于“9”,即选择肘部位置对应的9类作为选定的聚类个数。
S6、提取所述聚类个数所对应的所有失效场景聚类样本;其中,所述失效场景聚类样本为,聚类后每一类所对应聚类结果;
根据表征每次迭代后的类别数与聚合系数之间的关系的曲线图,选择曲线图肘部位置所对应的类别数作为选定的聚类个数,输出聚类过程中进行到所确定的聚类个数相对应的每一类聚类结果。
例如:以下为选定聚类个数后每一类所对应聚类结果表:
/>
/>
/>
那么,根据S5所选择的曲线图中肘部位置对应的9类作为选定的聚类个数,输出失效场景样本在聚类到第9类时相对应每一类的聚类结果,如上述“选定聚类个数后每一类所对应聚类表”所示,即输出车道线有无遮挡、天气类型、功能失效时刻、车道形式、车道线颜色、自车车速、功能失效地点以及车道线是否有磨损聚类到第9类时对应的聚类结果。
S7、对于每一类的聚类结果中的每一选定失效因素,选取聚类过程中出现次数最多的参数值作为选定失效因素的选定参数值;
那么,根据S6选定聚类个数后每一类所对应聚类结果表,以第1类为例,对于车道线有无遮挡这一选定失效因素,其参数值为“有”时,出现次数8次,参数值为“无”,出现次数14次,即选取参数值为“无”,作为选定失效因素的选定参数值;参数为天气类型,参数值为“晴/多云”,出现次数17次,参数值为“阴”,出现次数5次,参数值为“雨/雾/霾”,出现次数0次,即选取参数值为“晴/多云”,作为选定失效因素的选定参数值,以此类推,选定每一类的聚类结果中出现次数最多的参数值作为选定失效因素的选定参数值。其中,出现次数代表每个选定的失效因素在失效场景样本聚类过程中包含此选定失效因素对应参数值的总数量,比如:共计10个场景样本进行聚类,10个样本中有8个样含有车道线有遮挡的形式,那么车道线有无遮挡这一选定因素,其参数值为“有”时所对应的数值为“8”,即车道线有遮挡这一选定失效因素出现次数为8次。
S8、根据每一类的聚类结果中每一选定效因素的选定参数值,生成各类LKAS测试场景。
例如:以参数特征生成的9类LKAS测试场景表:
/>
根据上述选定类别数以及对应的聚类结果,选定出现次数最多的参数值作为第二失效因素的选定参数值,从大量样本中提取具有特代表性的LKAS失效场景,从而帮助LKAS研发及测试人员更有针对性地进行测试,提升效率。
实施例二
相应地,本发明实施例提供了一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述发明实施例所述的一种车道保持辅助系统测试场景的提取方法。
服务器可以是云端服务器等计算设备。所述设备可包括,但不仅限于,处理器、存储器。
所述存储器可用于存储所述计算机程序,所述处理器通过运行或执行存储在所述存储器内的计算机程序,以及调用存储在存储器内的数据,实现所述设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所称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 Integrated Circuit,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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述服务器的控制中心,利用各种接口和线路连接整个服务器的各个部分。
实施例三
相应地,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行上述发明实施例所述的一种车道保持辅助系统测试场景提取的方法。
所述计算机可读存储介质,将计算机程序存储在所述计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述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。所述计算机可读介质可以包括:能够携带所述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-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (8)
1.一种车道保持辅助系统测试场景的提取方法,其特征在于,包括:
获取若干已发生的LKAS失效场景,失效场景中包含有若干个失效因素;
通过层次分析法,确定各失效因素对LKAS失效场景的影响的权重;提取权重大于预设权重阈值的失效因素作为选定失效因素;
对于每一LKAS失效场景,提取LKAS失效场景的选定失效因素,根据所提取的选定失效因素,生成失效场景样本;
计算各失效场景样本之间的相似度,根据相似度将失效场景样本进行迭代聚类,并在迭代聚类过程中生成用于表征每次迭代后的类别数与聚合系数之间的关系的曲线图;
将曲线图中曲线肘部位置对应的类别数,作为选定的聚类个数;
提取所述聚类个数所对应的所有失效场景聚类样本;其中,所述失效场景聚类样本为,聚类后每一类所对应聚类结果;
对于每一类的聚类结果中的每一选定失效因素,选取聚类过程中出现次数最多的参数值作为选定失效因素的选定参数值;
根据每一类的聚类结果中每一选定失效因素的选定参数值,生成各类LKAS测试场景。
2.根据权利要求1所述的一种车道保持辅助系统测试场景的提取方法,其特征在于,所述失效因素包括:自车车速、天气类型、车道保持功能失效时刻、车道保持功能失效地点、车道线有无遮挡、车辆前方是否有车辆、车辆侧面是否有车辆、车道形式、车道线颜色、第一车道线类型、第二车道线类型以及车道线是否有磨损;其中,所述第一车道线类型用于指示车道线为单线或双线,所述第二车道线类型用于指示车道线为实线或虚线。
3.根据权利要求2所述的一种车道保持辅助系统测试场景的提取方法,其特征在于,通过层次分析法,确定各失效因素对LKAS失效场景的影响的权重,提取权重大于预设权重阈值的失效因素作为选定失效因素,包括:
将自车车速,归类为自车状态;
将天气类型、车道保持功能失效时刻、车道保持功能失效地点、车道线有无遮挡、车辆前方是否有车辆以及车辆侧面是否有车辆,归类为外部环境;
将车道形式、车道线颜色、第一车道线类型、第二车道线类型以及车道线是否有磨损,归类为车道线状态;
根据自车状态、外部环境以及车道线状态构建准则层,根据自车车速、天气类型、车道保持功能失效时刻、车道保持功能失效地点、车道线有无遮挡、车辆前方是否有车辆、车辆侧面是否有车辆、车道形式、车道线颜色、第一车道线类型、第二车道线类型以及车道线是否有磨损构建子准则层;
将所述的失效场景中包含有若干各失效因素进行归类划分,对归类划分的各失效因素层级分类,建立准则层和子准则层;
根据建立的准则层和子准则层构造判断矩阵;
根据所述判断矩阵提取准则层的正则化特征向量、准则层的最大特征根、子准则层的正则化特征向量以及子准则层的准则层的最大特征根;
根据准则层的正则化特征向量、准则层的最大特征根、子准则层的正则化特征向量以及子准则层的准则层的最大特征根,计算得到子准则层中各失效因素的权重值;
提取权重大于预设权重阈值的失效因素作为选定失效因素。
4.如根据权利要求3所述的一种车道保持辅助系统测试场景的提取方法,其特征在于,在根据所述判断矩阵提取准则层的正则化特征向量、准则层的最大特征根、子准则层的正则化特征向量以及子准则层的准则层的最大特征根,之后还包括:
重复执行判断矩阵修正操作,直至判断矩阵所对应一致性指标小于或等于所述预设值;
其中,所述判断矩阵修正操作包括:
根据准则层的最大特征根以及子准则层的准则层的最大特征根,计算一致性指标;
在所述一致性指标大于预设值时,修正判断矩阵,并根据修改后的判断矩阵重新计算提取准则层的正则化特征向量、准则层的最大特征根、子准则层的正则化特征向量以及子准则层的准则层的最大特征根。
5.根据权利要求1所述的一种车道保持辅助系统测试场景的提取方法,其特征在于,对于每一LKAS失效场景,提取LKAS失效场景的选定失效因素,根据所提取的选定失效因素,生成失效场景样本,包括:
对于每一LKAS失效场景,提取LKAS失效场景的选定失效因素;
对选定失效因素的参数特征进行赋值,生成失效场景样本。
6.根据权利要求5所述的一种车道保持辅助系统测试场景的提取方法,其特征在于,计算各失效场景样本之间的相似度,根据相似度将失效场景样本进行迭代聚类,包括:
对于每一失效场景样本,将失效场景样本作为一类,形成若干类;
计算每类的离差平方和得到类与类之间的距离,选择距离最近的两类进行合并,直到所有失效场景样本迭代聚类归为一类。
7.一种服务器,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述一种车道保持辅助系统测试场景提取方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述一种车道保持辅助系统测试场景提取的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311567871.7A CN117669364A (zh) | 2023-11-22 | 2023-11-22 | 车道保持辅助系统测试场景的提取方法、服务器及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311567871.7A CN117669364A (zh) | 2023-11-22 | 2023-11-22 | 车道保持辅助系统测试场景的提取方法、服务器及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117669364A true CN117669364A (zh) | 2024-03-08 |
Family
ID=90067284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311567871.7A Pending CN117669364A (zh) | 2023-11-22 | 2023-11-22 | 车道保持辅助系统测试场景的提取方法、服务器及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117669364A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110579359A (zh) * | 2019-09-10 | 2019-12-17 | 武汉光庭信息技术股份有限公司 | 自动驾驶失效场景库的优化方法及系统、服务器及介质 |
US20210078590A1 (en) * | 2019-09-12 | 2021-03-18 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method for constructing test scenario library, electronic device and medium |
CN113688042A (zh) * | 2021-08-25 | 2021-11-23 | 北京赛目科技有限公司 | 测试场景的确定方法、装置、电子设备及可读存储介质 |
CN114913492A (zh) * | 2022-04-19 | 2022-08-16 | 清华大学 | 智能车路系统场景生成方法、系统、存储介质及计算设备 |
CN115689259A (zh) * | 2023-01-04 | 2023-02-03 | 交通运输部公路科学研究所 | 路段车路协同场景优先级确定方法、装置、设备及介质 |
US20230234613A1 (en) * | 2020-06-03 | 2023-07-27 | Five AI Limited | Testing and simulation in autonomous driving |
-
2023
- 2023-11-22 CN CN202311567871.7A patent/CN117669364A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110579359A (zh) * | 2019-09-10 | 2019-12-17 | 武汉光庭信息技术股份有限公司 | 自动驾驶失效场景库的优化方法及系统、服务器及介质 |
US20210078590A1 (en) * | 2019-09-12 | 2021-03-18 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method for constructing test scenario library, electronic device and medium |
US20230234613A1 (en) * | 2020-06-03 | 2023-07-27 | Five AI Limited | Testing and simulation in autonomous driving |
CN113688042A (zh) * | 2021-08-25 | 2021-11-23 | 北京赛目科技有限公司 | 测试场景的确定方法、装置、电子设备及可读存储介质 |
CN114913492A (zh) * | 2022-04-19 | 2022-08-16 | 清华大学 | 智能车路系统场景生成方法、系统、存储介质及计算设备 |
CN115689259A (zh) * | 2023-01-04 | 2023-02-03 | 交通运输部公路科学研究所 | 路段车路协同场景优先级确定方法、装置、设备及介质 |
Non-Patent Citations (2)
Title |
---|
孟醒等: "基于虚拟场景的车道保持辅助系统仿真测试", 汽车实用技术, no. 24, 31 December 2019 (2019-12-31), pages 34 - 36 * |
朱波等: "基于多通道态势图的自动驾驶场景表征方法", 中国公路学报, no. 08, 31 August 2020 (2020-08-31), pages 204 - 214 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368887B (zh) | 雷雨天气预测模型的训练方法及雷雨天气预测方法 | |
CN111340026B (zh) | 车辆年款识别模型的训练方法以及车辆年款的识别方法 | |
CN112001403B (zh) | 一种图像轮廓检测方法及系统 | |
CN112016674A (zh) | 一种基于知识蒸馏的卷积神经网络的量化方法 | |
CN113608916A (zh) | 故障诊断的方法、装置、电子设备及存储介质 | |
CN112488297B (zh) | 一种神经网络剪枝方法、模型生成方法及装置 | |
CN110148117B (zh) | 基于电力图像的电力设备缺陷识别方法、装置与存储介质 | |
WO2021185121A1 (zh) | 模型生成方法、目标检测方法、装置、设备及存储介质 | |
CN115147092A (zh) | 资源审批方法、随机森林模型的训练方法及装置 | |
CN110135428B (zh) | 图像分割处理方法和装置 | |
CN111798047A (zh) | 风控预测方法、装置、电子设备及存储介质 | |
CN115223042A (zh) | 基于YOLOv5网络模型的目标识别方法及装置 | |
CN116309612B (zh) | 基于频率解耦监督的半导体硅晶圆检测方法、装置及介质 | |
CN111275166B (zh) | 基于卷积神经网络的图像处理装置、设备及可读存储介质 | |
CN112733652A (zh) | 图像目标识别方法、装置、计算机设备及可读存储介质 | |
CN111860623A (zh) | 基于改进ssd神经网络的统计树木数量的方法及系统 | |
CN116527398A (zh) | 物联网卡风险识别方法、装置、设备及存储介质 | |
CN117669364A (zh) | 车道保持辅助系统测试场景的提取方法、服务器及介质 | |
CN114511731A (zh) | 目标检测器的训练方法、装置、存储介质和电子设备 | |
DE112022000915T5 (de) | Erstellen eines statistischen modells und auswerten der modellleistung | |
CN111126271B (zh) | 卡口抓拍图像车辆检测方法、计算机存储介质及电子设备 | |
CN114549884A (zh) | 一种异常图像检测方法、装置、设备及介质 | |
CN113139617A (zh) | 一种输电线路自主定位方法、装置及终端设备 | |
CN112598663A (zh) | 基于视觉显著性的粮食害虫检测方法和装置 | |
CN112598664A (zh) | 基于视觉显著性的虫粮等级判定方法和装置 |
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 |