CN117909249A - 一种自动驾驶场景测试用例的生成方法和设备 - Google Patents

Abstract

本发明涉及数据处理领域，公开了一种自动驾驶场景测试用例的生成方法和设备，该方法包括：通过遗传算法初始化多个测试用例，根据场景库中参数值的出现频率计算每个测试用例中每个参数值的信息熵；根据参数类型的重要程度对每个测试用例中所有参数值的信息熵加权求和，得到每个测试用例的综合信息熵；根据每个测试用例的综合信息熵、应用时的车辆碰撞风险、参数覆盖率和测试效率构建适应度函数；根据所述适应度函数迭代生成新的测试用例，直到满足终止条件。本发明的技术方案可以在保证测试覆盖率的同时，提高测试用例的质量，从而更有效地验证和优化自动驾驶系统的性能和安全性。

Description

一种自动驾驶场景测试用例的生成方法和设备

技术领域

本发明涉及数据处理领域，尤其涉及一种自动驾驶场景测试用例的生成方法和设备。

背景技术

随着自动驾驶技术的快速发展，确保自动驾驶系统在多样化的道路和交通环境中安全可靠地运行成为一项关键挑战。为了评估和验证自动驾驶系统的性能，需要进行广泛的测试，这些测试需要覆盖各种不同的驾驶场景和情境，包括日常交通、恶劣天气、紧急状况等。

传统的组合测试方法，如全组合测试（All-pairs testing，AETG）和基于复杂度的组合测试（Combinatorial Testing Based on Complexity，CTBC），虽然能够生成大量测试用例，但它们并未充分考虑测试用例的重要性和发生概率。这导致了在测试中资源的浪费，因为一些重要的测试场景可能没有得到足够的关注，而一些不太重要的场景却被过度测试。

研究表明，尽管边缘场景的发生概率相对较低，但它们对于自动驾驶系统的验证和安全性至关重要。这些边缘场景可能包括罕见的交通情况、不寻常的道路条件或突发事件。因此，有必要考虑测试用例的重要性和发生概率，以便更有效地分配测试资源。

有鉴于此，特提出本发明。

发明内容

为了解决上述技术问题，本发明提供了一种自动驾驶场景测试用例的生成方法和设备，通过融合信息熵和遗传算法的改进组合测试自动驾驶测试场景生成算法，可以在保证测试覆盖率的同时，提高测试用例的质量，从而更有效地验证和优化自动驾驶系统的性能和安全性。

本发明实施例提供了一种自动驾驶场景测试用例的生成方法，该方法包括：

S1、通过遗传算法初始化多个测试用例，每个测试用例包括不同类型参数的参数值；

S2、根据场景库中参数值的出现频率计算每个测试用例中每个参数值的信息熵；

S3、根据参数类型的重要程度对每个测试用例中所有参数值的信息熵加权求和，得到每个测试用例的综合信息熵；

S4、根据每个测试用例的综合信息熵、应用时的车辆碰撞风险、参数覆盖率和测试效率构建适应度函数；

S5、根据所述适应度函数迭代生成新的测试用例，直到满足终止条件。

本发明实施例提供了一种电子设备，所述电子设备包括：

处理器和存储器；

所述处理器通过调用所述存储器存储的程序或指令，用于执行任一实施例所述的偏自动驾驶场景测试用例的生成方法的步骤。

本发明实施例具有以下技术效果：

通过引入信息熵，它使得测试场景的生成不仅依赖于参数的组合，而且考虑到了参数值分布的多样性和概率。这种方法增加了测试场景的广泛性和深度，能更有效地揭示系统在复杂和不确定环境下的潜在故障点；通过选择、交叉和变异等遗传操作，算法能够有效地从初始生成的测试场景中发展出性能更优的测试用例。这不仅提高了测试用例的质量，也增强了测试的效率和准确性。特别是在自动驾驶测试这样一个复杂多变的领域中，这种方法提供了更为精准和全面的测试覆盖。

本发明将遗传算法与传统的场景生成方法相结合，创新性地用于优化测试场景的生成。通过选择、交叉和变异等遗传操作，算法能够有效地从初始生成的测试场景中发展出性能更优的测试用例。这不仅提高了测试用例的质量，也增强了测试的效率和准确性。

通过结合信息熵、碰撞风险、测试效率和覆盖率综合得到适应度函数，在保证测试覆盖率的同时，大大提高了测试场景生成的效率，并减少了冗余场景。这意味着能够在更短的时间内生成更具代表性和挑战性的测试场景，从而更高效地验证和优化自动驾驶系统的性能和安全性，对于加速自动驾驶系统的研发和测试周期有重要作用。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种自动驾驶场景测试用例的生成方法的流程图；

图2是本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例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做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

实施例1

本发明实施例提供的自动驾驶场景测试用例的生成方法，主要适用于自动化地生成用于测试自动驾驶车辆性能的测试用例的情况。本发明实施例提供的自动驾驶场景测试用例的生成方法可以由电子设备执行。

图1是本发明实施例提供的一种自动驾驶场景测试用例的生成方法的流程图。参见图1，该自动驾驶场景测试用例的生成方法具体包括以下5个步骤：

S1、通过遗传算法初始化多个测试用例，每个测试用例包括不同类型参数的参数值。

若要得到多个测试用例，首先需要确定测试场景空间，明确列出所有可能的场景，以便在测试中充分覆盖不同参数组合的情况。

第一步：首先选择影响自动驾驶性能的关键参数。

如道路类型（城市道路、高速公路）、行驶情境（交叉口、超车）、交通情况（高密度、低密度）、环境条件（晴天、雨天、雪天）和车辆行为（正常行驶、急刹车）等，确保参数能全面覆盖自动驾驶的潜在风险点。首先需要划分行驶区域（Driving Area），将其划分为城市区域（Urban Area），高速公路（Highway）和乡村区域（Rural Area），城市区域包括繁忙的城市街道和市区交通拥堵情况，测试场景可以涵盖城市道路的多样性，例如繁忙的商业区、学校周边、住宅区等。这些区域通常具有复杂的交通流量、多个车道、交通信号灯、斑马线和各种道路标志和标线；高速公路区域模拟在高速公路上的行驶情况，包括高速公路的直线行驶、车辆超车、匝道进出等。测试场景可以包括不同的车速限制、不同车道数量以及高速公路上的交通标志和标线；乡村区域模拟农村道路和乡村环境，这些道路可能相对较窄，交通流量较少，可能会有农用车辆、行人和动物穿行。测试场景可以包括曲线道路、突发的交通状况、通过农村市场等典型的乡村场景。如表1所示。

表1 道路类型

其次是行驶情境，将其划分交叉口、转弯、超车、停车、紧急情况五种行驶情境。交叉口情境涉及到路口交通和红绿灯控制，测试场景包括不同类型的交叉口，如十字路口、T字路口和环形交叉口。这些情境涉及到车辆的直行、左转、右转以及遵守红绿灯信号的行为；转弯情境涉及到车辆进行左转、右转或掉头操作，测试场景包括不同类型的转弯道路，如直角转弯、斜角转弯和圆弧转弯。这些情境涉及到车辆合理选择转弯线路、与其他车辆的协调和遵守交通规则；超车情境模拟车辆超越其他车辆或被其他车辆超越的情况，测试场景包括高速公路上的超车行为和城市道路上的车辆变道和超越，这些情境涉及到车辆的加速、减速、判断安全距离和变换车道等行为；停车情境模拟车辆进行平行停车和垂直停车的操作，测试场景涵盖不同类型的停车场景，如路边停车、停车位停车和停车库停车。这些情境涉及到车辆的准确停车位置、停车姿势和遵守停车规则；紧急情况涉及到车辆需要进行急刹车、避让障碍物或应对突发状况的情况，测试场景包括突然出现的障碍物、行人突然穿越道路以及突发交通状况的处理。这些情境涉及到车辆的反应速度、判断能力和避让策略。

表2 行驶情境

明确道路类型和行驶情境后，确定相关的道路环境参数。

表3 道路环境参数

表4 道路环境参数

表5 天气和光照参数

表6 车辆状态参数参数

表7 传感器参数

表8 道路设施参数

表9 车辆行为参数

表10 道路地形参数

第二步：创建一个多维参数空间，每个维度代表一个测试参数。定义测试场景空间是将各个参数的取值范围或离散值组合在一起，形成一组可能的测试场景。可以使用数学符号和公式来表示这个过程。假设有n个参数，每个参数有m个可能的取值，那么测试场景空间的大小为。

以选取三个参数为例：道路类型、车辆速度和天气状况。它们的可能取值如下：道路类型：城市道路（U）、高速公路（H）、乡村道路（R）；车辆速度：慢速（S）、中速（M）、快速（F）；天气状况：晴天（S）、雨天（R）、雪天（W）。根据这些参数和可能的取值进行排列组合得到测试场景空间TS。

通过定义测试场景空间，明确地列出所有可能的测试场景，以便在测试中充分覆盖不同参数组合的情况。

在多维参数空间中随机选取参数值得到初始种群，即初始化多个测试用例。每个测试用例对应遗传算法中的一个个体，这些测试用例可以被表示为参数值的编码串。

例如测试场景空间如下：

表11测试空间

初始化一个种群，其中包含5个测试用例。随机选择参数值来创建初始测试用例：

表12初始测试用例

S2、根据场景库中参数值的出现频率计算每个测试用例中每个参数值的信息熵。

为评估每个参数对测试用例多样性的贡献，此处计算参数的信息熵。通过计算参数的信息熵，可以获得每个参数值的多样性和分布情况。信息熵越高，表示参数值的多样性越大，对测试用例的覆盖程度也越高。如果某个参数的信息熵较低，即参数值分布较为集中，可能意味着该参数对测试用例的覆盖程度较低，因此可能需要更多关注。所以对于信息熵较高的参数值，可以尝试生成更多样化的测试用例，以覆盖参数值的不同组合。相反，对于信息熵较低的参数值，可以适度减少生成的测试用例数量，以避免重复和冗余。

对于一个参数，假设它有m个可能的取值，每个取值发生的概率分别为p₁，p₂，...，p_m。取值概率可用历史数据中的频率（或次数）近似。因此，本实施例采用如下算式计算每个参数值的信息熵；

其中，为参数X所属的参数类型在场景库中的出现次数，/>表示参数X的参数值在场景库中的出现次数；i为类型编号，假设为10种，j为参数值编号，共计/>个值，/>为X的参数值取值概率。

其中，场景库包括多个测试用例，为历史生成且用于实际测试的测试用例。

进一步的，将每个参数值的信息熵进行归一化处理。

其中表示归一化后的该参数值对应的信息熵；/>为参数X的参数类型中最小的信息熵，/>为参数X的参数类型中最大的信息熵。

优选的，除了根据参数值的出现频率计算概率之外，还可以结合贝叶斯模型推断参数取值的概率。具体的，根据场景库中参数值的出现频率和贝叶斯网络模型计算每个测试用例中每个参数值的信息熵。

贝叶斯网络是一种概率图模型，可以用来表示变量之间的依赖关系，并考虑变量之间的相关性。例如使用贝叶斯网络来表示道路类型、天气条件和交通状况之间的依赖关系。然后，可以使用贝叶斯网络来估计每个参数取值的概率，并考虑这些参数之间的相关性。假设想要估计道路类型为R、天气条件为W和交通状况为T的概率，可以使用以下公式：

其中，是R的先验概率，/>是给定R的情况下W的后验概率，/>是给定R，W情况下T的后验概率。这些先验概率和后验概率值同样可以根据场景库中对应参数出现频率来确定。如此可以得到在一些情况（例如W、T）下某个参数（R）值的概率值，从而得到指定情况下的取值概率，这样生成的测试用例更具备针对性，避免冗余。将根据参数出现频率计算得到的概率值与模型得到的概率值加权求和，得到最终的概率值，并进行信息熵的计算。

进一步的，还可以引入领域专家判断来优化取值概率：

其中、θ和/>分别表示基于出现频率和分布情况、领域专家判断、基于模型的权重分配，/>为领域专家确定的参数取值概率，/>为基于贝叶斯模型确定的参数取值概率。出现频率是通过收集和分析现有的数据，从而估计概率。领域专家判断是由领域专家可以根据其经验和专业知识，对不同参数取值的概率进行主观判断。对于基于模型的推断，需要使用贝叶斯网络模型来估计参数取值的概率。三者结合可以更准确地得到参数取值概率。示例性的，部分参数取值概率如下：

表13 参数取值概率

S3、根据参数类型的重要程度对每个测试用例中所有参数值的信息熵加权求和，得到每个测试用例的综合信息熵。

其中表示种群内的每个个体，即每个测试用例。/>表示该个体对应的综合信息熵，/>表示该类参数对应的权重，重要程度越高则权重越高，可以根据实际测试需求来确定。/>表示该参数的信息熵，/>表示该种群的内的个体个数，i为参数的类型编号，n为参数类型的总数。j为参数值编号，共计/>个值。

S4、根据每个测试用例的综合信息熵、应用时的车辆碰撞风险、参数覆盖率和测试效率构建适应度函数。

适应度函数用于评估每个测试用例（个体）的性能，它是遗传算法中用于选择的依据，这个函数可以根据不同的测试目标和需求来定义。

本实施例中的适应度函数为每个测试用例的综合信息熵、应用时的车辆碰撞风险、参数覆盖率和测试效率的加权和。

其中，是测试用例的适应度，/>、/>、/>和/>分别代表测试用例应用时的车辆碰撞风险、测试效率、参数覆盖率和综合信息熵，w1、w2、w3和w4是对应的权重。

综合信息熵已经根据S4得到，下面详细介绍应用时的碰撞风险、参数覆盖率、测试效率以及权重的计算方法。

应用时的碰撞风险：根据车辆在不同场景下的碰撞风险评估，分数越低表示越安全。使用物理模拟或统计模型预测车辆在每个测试用例下的碰撞风险，将所述碰撞风险归一化。考虑车辆与周围障碍物的距离、速度、加速度等因素，最后将碰撞风险值归一化到一个合适的范围。其中物理模拟是一种使用计算机来模拟现实世界中物理现象的方法，可以使用物理模拟来模拟自动驾驶车辆在不同场景下的运动，并计算车辆与周围障碍物的碰撞风险。物理模拟可以提供非常准确的碰撞风险估计，但计算量也很大。统计模型是一种使用统计数据来预测未来事件发生概率的模型，可以使用统计模型来估计自动驾驶车辆在不同场景下的碰撞风险。

车辆与周围障碍物之间的距离为d，速度为v，加速度为a。f1、f2和f3均为贡献函数，可以根据试验拟合得到。f函数用于调整不同因素对碰撞风险的贡献程度，表示车辆在测试用例下的碰撞风险，和/>分别表示碰撞风险值得最小和最大可能取值。

参数覆盖率：根据测试用例涵盖的不同道路类型和天气条件的数量确定所述参数覆盖率CO，分数越高表示覆盖越全面。统计测试场景中涵盖的不同道路类型的数量、涵盖的不同天气条件的数量等等，最后将道路类型覆盖和天气条件等参数类型覆盖归一化到一个合适的范围。

其中，表示场景参数覆盖情况。其中，n表示涵盖的不同道路类型和天气条件的数量，/>表示最大覆盖数量。/>表示对应道路类型或天气条件的覆盖情况。

测试效率：根据路况和车辆处理障碍物的用时计算每个测试用例的用时，用时越短则测试效率越高。其中路况可以从测试用例中直接获取，例如高速路，雨天等。车辆处理障碍物的用时可以根据车辆的平均反应速度、避障策略、障碍物尺寸、行驶里程和速度综合确定，具体取值可以通过试验获得，将获得的车辆的平均反应速度、避障策略执行时间、障碍物尺寸下的避障时间，以及基于行驶里程和速度得到的行驶时间相加得到执行任务所需的时间。

最后将任务完成时间归一化到一个合适的范围。

其中，T表示车辆执行任务所需的时间，和/>分别表示最小和最大任务完成时间。假设在某个测试场景中，完成任务的最短时间为10秒，最长时间为100秒。如果某辆车在该场景中完成任务所需的时间为30秒，则归一化后的值为0.25。

适应度函数的权重确定方法：

S41、根据历史测试用例分析，采用回归算法确定综合信息熵、应用时的车辆碰撞风险、参数覆盖率和测试效率的权重。

具体的，从场景库中选择在实际测试过程中或者仿真测试过程中安全性和效率评价较好的测试用例并进行打分，测试人员可以基于自己的经验和实际测试情况打分。将综合信息熵、应用时的车辆碰撞风险、参数覆盖率和测试效率的加权和等于评分，采用回归算法拟合得到各项的权重，也就是各项对测试用例最终表现的重要性。

进一步的，还可以结合专家经验确定各项的权重。

S42、根据所述权重，对综合信息熵、应用时的车辆碰撞风险、参数覆盖率和测试效率进行加权求和得到适应度函数。

测试目标是最大化安全性和效率，并确保覆盖不同的道路和天气条件，定义一个多目标适应度函数。

最后，应用计算出的权重于真实或模拟的自动驾驶测试数据，验证其有效性和准确性。可以通过对比不同权重设置下的测试结果来优化权重分配。

示例性的，适应度函数的指标权重可以根据具体需求进行权衡和定义，此处取值如下：

表14 权重分配结果

最后利用适应度函数计算公式，计算场景的适应度值（F）：

对于表12中初始化的每个测试用例，使用定义的适应度函数计算适应度值，计算得到的适应度值如下：

表15 适应度值

这些适应度值反映了每个测试用例的性能，值越高表示性能越好。通过遗传算法的迭代过程，根据适应度值选择较优的测试场景。

S5、根据所述适应度函数迭代生成新的测试用例，直到满足终止条件。

S51、根据适应度进行加权随机选择的轮盘赌选择法，从当前多个测试用例中选择测试用例。

根据适应度函数计算累积概率，如果随机生成的概率大于该累积概率则选中，从而获得一个新的父代候选关系用例集。通过累积概率使得适应度高的个体被选中的概率增大。

S52、对所选测试用例进行交叉和变异，生成新的测试用例。

选择的测试用例按一定概率进行交叉操作，产生新的测试用例。交叉操作采用单点变异，通过比较种群中两个连续个体，通过随机数生成出一个标记位置；交换两个个体从标记位置及以后的所有场景因素；依次处理每两个连续个体，得到一个新的父代候选关系用例集。

每个新产生的测试用例按一定概率发生变异。变异操作采用变异阈值，遍历每个个体中的所有场景因素，通过随机数生成从[0,1]随机生成一个小数，判断该小数与变异阈值大小，如果小数大于变异阈值则对应的场景因素从该类场景因素中随机选取一个进行替换；依次处理每个个体，最后得到新的父代候选关系用例集。

S53、根据适应度函数从新的测试用例中选择下一代种群并返回S51，直到满足终止条件。

对生成的新测试用例进行评估和选择，筛选出适应度较高的测试用例，作为下一代的种群。在每次迭代后，所有新生成的测试用例会根据适应度函数进行评估。然后，基于这些适应度值，选择一部分性能最优的测试用例作为下一代的种群，重新计算新的父代候选关系用例集的适应度。

设置遗传算法的终止条件，以决定何时停止迭代。终止条件设置了两种：一种是达到最大迭代次数，停止迭代。另一种是适应度达到阈值，当测试用例的适应度值超过或等于阈值，停止迭代。

实施例2

图2是本发明实施例提供的一种电子设备的结构示意图。如图2所示，电子设备200包括一个或多个处理器201和存储器202。

处理器201可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备200中的其他组件以执行期望的功能。

存储器202可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器201可以运行所述程序指令，以实现上文所说明的本发明任意实施例的自动驾驶场景测试用例的生成方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如初始外参、阈值等各种内容。

在一个示例中，电子设备200还可以包括：输入装置203和输出装置204，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。该输入装置203可以包括例如键盘、鼠标等等。该输出装置204可以向外部输出各种信息，包括预警提示信息、制动力度等。该输出装置204可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图2中仅示出了该电子设备200中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备200还可以包括任何其他适当的组件。

需要说明的是，本发明所用术语仅为了描述特定实施例，而非限制本申请范围。如本发明说明书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。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、方法或者设备中还存在另外的相同要素。

还需说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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。

Claims (10)

1.一种自动驾驶场景测试用例的生成方法，其特征在于，包括：

S1、通过遗传算法初始化多个测试用例，每个测试用例包括不同类型参数的参数值；

S2、根据场景库中参数值的出现频率计算每个测试用例中每个参数值的信息熵；

S3、根据参数类型的重要程度对每个测试用例中所有参数值的信息熵加权求和，得到每个测试用例的综合信息熵；

S4、根据每个测试用例的综合信息熵、应用时的车辆碰撞风险、参数覆盖率和测试效率构建适应度函数；

S5、根据所述适应度函数迭代生成新的测试用例，直到满足终止条件。

2.根据权利要求1所述的自动驾驶场景测试用例的生成方法，其特征在于，所述S2包括：

采用如下算式计算每个参数值的信息熵；

其中，为参数X所属的参数类型在场景库中的出现次数，/>表示参数X的参数值在场景库中的出现次数；i为类型编号，假设为10种，j为参数值编号，共计/>个值；

采用如下算式对每个参数值的信息熵进行归一化为；

其中，为参数X的参数类型中最小的信息熵，/>为参数X的参数类型中最大的信息熵。

3.根据权利要求2所述的自动驾驶场景测试用例的生成方法，其特征在于，所述S2包括：

根据场景库中参数值的出现频率和贝叶斯网络模型计算每个测试用例中每个参数值的信息熵。

4.根据权利要求1所述的自动驾驶场景测试用例的生成方法，其特征在于，在所述S4之前还包括：

使用物理模拟或统计模型预测车辆在每个测试用例下的碰撞风险；

将所述碰撞风险归一化。

5.根据权利要求1所述的自动驾驶场景测试用例的生成方法，其特征在于，在所述S4之前还包括：

根据路况和车辆处理障碍物的用时计算每个测试用例的用时；

对每个测试用例的用时归一化，用时越短则测试效率越高。

6.根据权利要求1所述的自动驾驶场景测试用例的生成方法，其特征在于，在所述S4之前还包括：

根据测试用例涵盖的不同道路类型和天气条件的数量确定所述参数覆盖率。

7.根据权利要求1所述的自动驾驶场景测试用例的生成方法，其特征在于，所述S4包括：

S41、根据历史测试用例分析，采用回归算法确定综合信息熵、应用时的车辆碰撞风险、参数覆盖率和测试效率的权重；

S42、根据所述权重，对综合信息熵、应用时的车辆碰撞风险、参数覆盖率和测试效率进行加权求和得到适应度函数。

8.根据权利要求1所述的自动驾驶场景测试用例的生成方法，其特征在于，所述S1包括：

选择影响自动驾驶性能的关键参数；

创建一个多维参数空间，在所述多维参数空间中随机选择参数值构成多个测试用例，作为所述遗传算法的初始种群。

9.根据权利要求1所述的自动驾驶场景测试用例的生成方法，其特征在于，所述S5包括：

S51、根据适应度进行加权随机选择的轮盘赌选择法，从当前多个测试用例中选择测试用例；

S52、对所选测试用例进行交叉和变异，生成新的测试用例；

S53、根据适应度函数从新的测试用例中选择下一代种群并返回S51，直到满足终止条件。

10.一种电子设备，其特征在于，所述电子设备包括：

处理器和存储器；

所述处理器通过调用所述存储器存储的程序或指令，用于执行如权利要求1至9任一项所述的自动驾驶场景测试用例的生成方法的步骤。