CN111881520A - 一种自动驾驶测试的异常检测方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种自动驾驶测试的异常检测方法、装置、计算机设备及存储介质，该方法包括：模拟操作对象在场景数据中对虚拟车辆执行自动驾驶、以测试自动驾驶程序，获得测试结果，场景数据由真实车辆在路面行驶时采集；在测试结果中查询切换操作，切换操作表示从自动驾驶模式切换至手动驾驶模式，及从手动驾驶模式切换至自动驾驶模式；若切换操作相同，则确定切换操作作为目标操作；确定自动驾驶程序在发生目标操作的场景数据中的状态；若状态为异常状态，则根据测试结果定位发生处于异常状态的目标操作的因素。根据目标操作的状态来判断自动驾驶程序在真实场景下的测试结果是否存在异常，提高了异常检测的效率和准确度。

Description

一种自动驾驶测试的异常检测方法、装置、计算机设备及存储 介质

技术领域

本发明实施例涉及自动驾驶技术，尤其涉及一种自动驾驶测试的异常检测方法、装置、计算机设备及存储介质。

背景技术

自动驾驶作为当前全球汽车与交通出行领域智能化和网联化发展的主要方向，将在未来的交通中具有重要的价值。

为了保证车辆自动驾驶***的安全性，通常需要在非真实车辆环境下对自动驾驶软件进行一些仿真模拟测试，并对这些测试输出的测试结果进行分析，以定位自动驾驶程序在运行过程中出现的问题。

然而，由于自动驾驶的场景复杂、且多样化，基于不同场景下的自动驾驶程序的测试结果都会存在差异，即使同一场景下的自动驾驶程序的测试结果也会存在不同，往往测试人员需要针对每一类场景对自动驾驶程序进行大量的测试，以充分暴露出自动驾驶程序的潜在异常。目前，测试人员通过收集大量的测试结果进行事后分析处理，逐一对所有测试结果都进行分析查阅，需要消耗很多的时间和精力，还可能会出现漏检、错检的情况。

发明内容

本发明提供一种自动驾驶测试的异常检测方法、装置、计算机设备及存储介质，以解决纯人工的异常检测操作存在检测效率低下，且容易发生错检、漏检的问题。

第一方面，本发明实施例提供了一种自动驾驶测试的异常检测方法，包括：

模拟业务对象在场景数据中对虚拟车辆执行自动驾驶、以测试自动驾驶程序，获得测试结果，所述场景数据由真实车辆在路面行驶时采集；

在所述测试结果中查询切换操作，所述切换操作表示从自动驾驶模式切换至手动驾驶模式，及从所述手动驾驶模式切换至所述自动驾驶模式；

若所述切换操作相同，则确定所述切换操作作为目标操作；

确定所述自动驾驶程序在发生所述目标操作的场景数据中的状态；

若所述状态为异常状态，则根据所述测试结果定位发生处于所述异常状态的目标操作的因素。

第二方面，本发明实施例还提供了一种自动驾驶测试的异常检测装置，包括：

数据获取模块，用于模拟业务对象在场景数据中对虚拟车辆执行自动驾驶、以测试自动驾驶程序，获得测试结果，所述场景数据由真实车辆在路面行驶时采集；

查询模块，用于在所述测试结果中查询切换操作，所述切换操作表示从自动驾驶模式切换至手动驾驶模式，及从所述手动驾驶模式切换至所述自动驾驶模式；

目标操作确定模块，用于若所述切换操作相同，则确定所述切换操作作为目标操作；

状态确定模块，用于确定所述自动驾驶程序在发生所述目标操作的场景数据中的状态；

异常定位模块，用于若所述状态为异常状态，则根据所述测试结果定位发生处于所述异常状态的目标操作的因素。

第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的异常检测方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的异常检测方法。

本发明通过模拟业务对象在场景数据中对虚拟车辆执行自动驾驶、以测试自动驾驶程序，获得测试结果，场景数据由真实车辆在路面行驶时采集；在测试结果中查询切换操作，切换操作表示从自动驾驶模式切换至手动驾驶模式，及从手动驾驶模式切换至自动驾驶模式；若切换操作相同，则确定切换操作作为目标操作；确定自动驾驶程序在发生目标操作的场景数据中的状态；若状态为异常状态，则根据测试结果定位发生处于异常状态的目标操作的因素。获取自动驾驶程序在真实场景下的测试结果，从测试结果中自动定位目标操作的状态，根据目标操作的状态来判断自动驾驶程序的测试结果是否存在异常，在一定程度上实现了自动化的异常检测过程，根据异常状态进一步定位发生处于异常状态的目标操作的因素，能够在一定程度上避免纯人工检测自动驾驶测试结果中出现的错检、漏检的问题，可以对大量的测试结果进行高效的异常状态检测，能够提高自动驾驶测试的异常检测效率，保证检测的准确性。

附图说明

图1为本发明实施例提供的无人驾驶车辆的结构示意图；

图2为本发明实施例提供的测试架构的结构示意图；

图3为本发明实施例一提供的一种自动驾驶测试的异常检测方法的流程图；

图4为本发明实施例一提供的一种测试场景地点循环设置的示意图；

图5是本发明实施例二提供的一种自动驾驶测试的异常检测方法的流程图；

图6为本发明实施例三提供的一种自动驾驶测试的异常检测装置的结构示意图；

图7为本发明实施例四提供的一种计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

为了进一步理解本发明的技术方案，下面对自动驾驶的定义和自动驾驶技术分层进行解析：

自动驾驶是指让汽车自己拥有环境感知、路径规划并且自主实现车辆控制的技术，也就是电子技术控制汽车进行的仿人驾驶或是自动驾驶。

根据车辆***对于车辆操控任务的把控程度，将自动驾驶技术分为L0-L5五个层级，***在L1-L3级主要起辅助功能；当到达L4级，车辆驾驶将全部交给***，而L4、L5的区别在于特定场景和全场景应用。

L0层级称为非自动化层级，其定义是：由驾驶员全程负责执行动态驾驶任务，可能会得到车辆***警告或其他干预***的辅助支持。

L1层级称为驾驶人辅助层级，其定义是：在特定驾驶模式下，单项驾驶辅助***通过获取车辆行车环境信息对车辆横向或纵向驾驶动作进行操控，但驾驶员需要负责对除此之外的动态驾驶任务进行操作。

L2层级称为部分自动化层级，其定义是：在特定驾驶模式下，多项驾驶辅助***通过获取车辆行车环境信息对车辆横向或纵向驾驶动作同时进行操控，但驾驶员需要负责对除此之外的动态驾驶任务进行操作。

L3层级称为有条件自动化层级，其定义是：在特定驾驶模式下，***负责执行车辆全部动态驾驶任务，驾驶员需要在特殊情况发生时，适时对***提出的干预请求进行回应。

L4层级称为高度自动化层级，其定义是：在特定驾驶模式下，***负责执行车辆全部动态驾驶任务，即使驾驶员在特殊情况发生时未能对***提出的干预请求做出回应。

L5层级称为全自动化层级，其定义是：***负责完成全天候全路况的动态驾驶任务，***可由驾驶员进行管理。

参见图1，示出了可以应用本发明实施例中自动驾驶的测试方法、自动驾驶的测试装置的实施例的无人驾驶车辆100。

如图1所示，无人驾驶车辆100可以包括驾驶控制设备101，车身总线102，ECU(Electronic Control Unit，电子控制单元)103、ECU 104、ECU 105，传感器106、传感器107、传感器108和执行器件109、执行器件110、执行器件111。

驾驶控制设备(又称为车载大脑)101负责整个无人驾驶车辆100的总体智能控制。驾驶控制设备101可以是单独设置的控制器，例如可编程逻辑控制器(ProgrammableLogicController，PLC)、单片机、工业控制机等；也可以是由其他具有输入/输出端口，并具有运算控制功能的电子器件组成的设备；还可以是安装有车辆驾驶控制类应用的计算机设备。驾驶控制设备可以对从车身总线102上接收到的各个ECU发来的数据和/或各个传感器发来的数据进行分析处理，作出相应的决策，并将决策对应的指令发送到车身总线。

车身总线102可以是用于连接驾驶控制设备101，ECU 103、ECU 104、ECU 105，传感器106、传感器107、传感器108以及无人驾驶车辆100的其他未示出的设备的总线。由于CAN(Controller AreaNetwork，控制器局域网络)总线的高性能和可靠性已被广泛认同，因此目前机动车中常用的车身总线为CAN总线。当然，可以理解的是车身总线也可以是其他类型的总线。

车身总线102可以将驾驶控制设备101发出的指令发送给ECU 103、ECU 104、ECU105，ECU 103、ECU 104、ECU 105再将上述指令进行分析处理后发给相应的执行器件执行。

传感器106、传感器107、传感器108包括但不限于激光雷达、相机、加速度计、陀螺仪、磁力计、超声波雷达，等等。

激光雷达作为无人驾驶领域常用的传感器，是一种使用激光对物体进行探测和测距的设备，其传感器内部具有一种旋转结构，能够每秒钟向环境发送数百万光脉冲，输出点云数据。

相机一般用于对无人驾驶车辆的周边环境拍摄图片，记录车辆行驶的场景。

加速度计也叫重力感应器，其通过测量组件在某个轴向的受力情况来得到轴向上的加速度大小和方向。

陀螺仪也叫地感器，其输出数据为某个轴向上角速度的大小与方向，一般常用的是三轴陀螺仪，三轴陀螺仪的工作原理是通过测量三维坐标系内陀螺转子的垂直轴与设备之间的夹角，并计算角速度，通过夹角和角速度来判别物体在三维空间内的运动状态。

磁力计也叫地磁、磁感器，可用于测试磁场强度和方向，定位设备的方位。

超声波雷达的工作原理是通过超声波发射装置向外发出超声波，到通过接收器接收到发送过来超声波时的时间差来测算距离。常见的超声波雷达有两种，一种是安装在汽车前后保险杠上的，也就是用于测量汽车前后障碍物的倒车雷达，另一种是安装在汽车侧面的，用于测量侧方障碍物距离的超声波雷达，可应用于泊车库位检测和高速横向辅助。

需要说明的是，本发明实施例所提供的自动驾驶的测试方法可以由驾驶控制设备101执行，相应地，自动驾驶的测试装置一般设置于驾驶控制设备101中，本发明实施例所提供的自动驾驶的测试是指虚拟的仿真测试，其中用于测试的自动驾驶程序也是在虚拟测试中运行的程序，该自动驾驶程序可以由驾驶控制设备101内的其他模块共同配合执行。

应该理解，图1中的无人驾驶车辆、驾驶控制设备、车身总线、ECU、执行器件和传感器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的无人驾驶车辆、驾驶控制设备、车身总线、ECU和传感器。

出于经济成本和时间的考量，无人驾驶车辆在道路上行驶测试之前，往往需要先对自动驾驶程序进行大量的仿真测试，这类仿真测试需要预先准备场景数据，比如，安全员驾驶真实车辆在路面进行行驶(路测的过程)，同时记录相应的场景数据。

该场景数据中包含真实车辆上配备的各个传感器采集到的数据，比如视频数据、加速度、角速度、三维点云等等。

为了对大量的场景数据进行管理分类，便于日后测试自动驾驶程序，可以为每次采集到的场景数据都配置一个描述文件，在描述文件内写清楚有关场景数据的具体信息，例如，场景类型、传感器类型、数据类型等等。

由于真实车辆在实际行驶中采集到的场景数据十分有限，为了丰富测试的多样性，补充更多的场景数据用于测试自动驾驶程序，可以采用随机生成器模拟真实的场景数据生成虚拟的场景数据，将虚拟的场景数据与真实的场景数据进行融合，对单一场景数据进行衍生和扩展，也可以在真实的场景数据中，选取部分场景数据用随机生成器替代，或者还可以使用随机生成器对部分真实的场景数据进行调整。

如图2所示，本发明实施例提供的测试架构包括第一云服务210和第二云服务220，第一云服务210与第二云服务220相互关联。

第一云服务210和第二云服务220都是云服务，云服务是指通过网络以按需、易扩展的方式获得所需服务，云服务多用于实现数据存取、运算等目的。

第一云服务210一般部署在一个网络，使得客户端与第一云服务210处于同一个网络，如公网，也称公有云，负责调度、生成测试的参数，第二云服务220一般部署在另一个网络，如在局域网，也称私有云，负责执行测试。

第一云服务210包括控制***211、数据库212和接口213。

第二云服务220包括机器221、机器222、机器223，机器221中运行有守护进程2210，机器222中运行有守护进程2220，机器223中运行有守护进程2230。其中，守护进程是一类在后台运行的进程，用于执行特定的***任务。守护进程一般在***引导的时候启动，并且会一直运行直到***关闭。

控制***211用于控制测试的整体流程，负责机器的调度，以及测试开始前各个准备步骤的执行控制等等，数据库212用于存储着第一云服务210与第二云服务220需要用于交互的信息，接口213用于外部设备访问第一云服务210。

第一云服务210的接口213开放给第二云服务220中的守护进程2210、守护进程2220和守护进程2230访问，为这些守护进程提供特定交互数据，第一云服务210中的数据库212与控制***211连接，控制***211可以访问数据库212内存储的数据，还可以在数据库212内查询第二云服务220中机器221、机器222、机器223的状态，第一云服务210中的数据库212与接口213连接，守护进程2210、守护进程2220和守护进程2230都可以通过接口213来访问数据库212内部的测试详细信息，守护进程运行在各台机器上，与数据库212中的数据进行交互，并在机器上执行指定程序和指令进行测试。

应该理解，图2中的第一云服务的接口、第二云服务的机器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的接口和机器。

实施例一

图3为本发明实施例一提供的一种自动驾驶测试的异常检测方法的流程图，本实施例可适用于对自动驾驶的测试结果进行异常检测的情况，该方法可以由异常检测装置来执行，该异常检测装置可以由软件和/或硬件实现，可配置在计算机设备中，例如，服务器、个人电脑等计算设备，等等，该方法具体包括如下步骤：

步骤301、模拟操作对象在场景数据中对虚拟车辆执行自动驾驶、以测试自动驾驶程序，获得测试结果。

对于不同业务领域而言，可以设置不同的操作对象，即具有特定业务操作能力的对象，对于自动驾驶领域的测试而言，操作对象为具有车辆驾驶操纵能力的对象，可以表示为安全员或者远程操作终端，等等。

为了模拟真实车辆的路测过程，在测试平台中模拟真实车辆的内外部件构造了一台虚拟车辆，该虚拟车辆可以执行虚拟的测试。

在具体实现中，可在第一云服务中，响应于测试自动驾驶程序的请求，设置用于测试自动驾驶程序的参数；从第二云服务中，选定测试自动驾驶程序的机器；在第二云服务中，守护进程从第一云服务中读取参数；守护进程模拟操作对象，按照参数在场景数据中对虚拟车辆执行自动驾驶，以测试自动驾驶程序，获得测试结果。

用户在客户端(如浏览器)登录第一云服务，并向第一云服务提供自动驾驶程序，请求对该自动驾驶程序进行测试。

为了提高测试的效率，第一云服务能够满足多个测试任务的需求，即第一云服务可以处理同一客户端中的多个测试任务，也可以处理多个客户端中陆续递交的测试任务。具体的，客户端的用户可以通过网络向第一云服务提交测试任务的请求，第一云服务会对用户提交的请求作出响应，将请求存储在队列中，第一云服务内部的控制***会依据请求的优先级从队列中读取用于测试自动驾驶程序的请求，对该请求进行解析，根据解析的结果执行一系列的测试准备操作，例如，对自动驾驶程序的源代码进行编译、选择与请求配套的测试模块、选择初始化的模式、设置用于测试自动驾驶程序的参数，等等。

设置用于测试自动驾驶程序的参数，该参数包括真实车辆在路面行驶时采集到的场景数据，可以根据用户的需求对测试自动驾驶程序的场景数据进行选择，比如，用户主动要求对哪个具体的场景数据测试自动驾驶程序，又比如，用户要求选定场景数据的类型，如高速路、城市道路等，再比如，用户无要求，则随机选择场景数据，或者自动选择测试评分较高的场景数据。

设置用于测试自动驾驶程序的参数不仅包括真实车辆在路面行驶时采集到的场景数据，还包括地点、时长、传感器的类型、针对同一场景数据的测试频率等。

需要说明的是，当第一云服务接收到大量测试自动驾驶程序的请求时，若没有优先级的限制，则依次响应存储在队列中的请求，本实施例对此不作任何限定。

参照图2，第二云服务220用于配合第一云服务210、对自动驾驶程序进行测试，第二云服务220中具有多个测试自动驾驶程序的机器(即具有计算能力的设备)，当第二云服务220处于正常工作状态时，每个机器中均已运行守护进程，这些守护进程2210、2220、2230可以通过访问第一云服务210暴露的接口213来获取测试的详细信息，然后执行自动驾驶程序的测试操作。

一般情况下，第二云服务中的每台机器在同一时间执行一个测试，因此，在本实施例中，第一云服务维护第二云服务中各个机器实时的状态，通过该状态选定测试合适的自动驾驶程序的机器对自动驾驶程序进行测试。

在具体实现中，可在第一云服务本地查询第二云服务中各个机器的状态，状态包括空闲、占用，空闲表示机器未执行测试，占用表示机器已执行测试。

若遍历到某个机器的状态为空闲，则可以确定在该机器中测试自动驾驶程序，与此同时，将该机器的状态从空闲修改为占用，避免执行其他测试、造成冲突。

当然，当接收该机器发送的、完成测试的消息，则可以将该机器的状态从占用修改为空闲，释放资源，等待下一次测试。

需要说明的是，选定用于测试自动驾驶程序的机器的方式有很多，本实施例对此不作限定。除了上述示例方法外，还可以参考如下方式选定用于测试自动驾驶程序的机器，例如，将第二云服务中每台机器的工作状态记录到一个列表中，该列表会实时更新机器的最新状态，当接收到测试自动驾驶程序的请求时，可以通过读取该列表中机器的状态来确定用于进行本次测试的机器；或者，对第二云服务中的每台机器设置一个标志位，具体的，当机器处于工作状态时，将标志位置1，当机器发生故障时，将标志位置N，当机器处于正常的空闲状态时，则将标志位置0。

第一云服务在选定机器之后，则通知该机器中的守护进程对自动驾驶程序执行测试，该守护进行响应该通知，从第一云服务中请求自动驾驶程序以及适于对自动驾驶程序进行测试的参数。

在具体实现中，参照图2，第一云服务210中具有数据库212、接口213，在该数据库中存储有为每个测试而设置的参数，第二云服务220中的守护进程可以通过第一云服务210暴露的接口213，请求其测试所应用的参数。

第一云服务210在验证守护进程的合法性之后，在数据库212中读取在该守护进程所在机器测试自动化程序的参数，并通过该接口213将该参数发送至该守护进程。

在测试过程中，守护进程模拟操作对象启动自动驾驶模式，在自动驾驶模式下，守护进程模拟操作对象输入地点，以使自动驾驶程序生成经过地点、且位于场景数据内的测试路线，守护进程模拟操作对象执行启动操作，以使自动驾驶程序驱动虚拟车辆沿测试路线行驶。

守护进程负责检测自动驾驶程序的测试状态(完成、未完成)，如果未完成测试自动驾驶程序，则将所有地点设置为未行驶，由守护进程判断是否剩余未行驶的地点，继续进行测试；如果已完成测试自动驾驶程序，则对自动驾驶程序生成测试结果。

在测试过程中，还包括：守护进程确定自动驾驶模式是否发生异常，若发生异常，守护进程模拟操作对象将自动驾驶模式切换至手动驾驶模式，在手动驾驶模式下，守护进程模拟操作对象在场景数据中驾驶虚拟车辆，直至自动驾驶模式恢复正常，等到自动驾驶模式恢复正常的时候，守护进程模拟操作对象将手动驾驶模式切换至自动驾驶模式。其中，守护进程会将检测到的自动驾驶模式的状态均记录在测试结果中，包括自动驾驶模式正常和异常的测试情况；此外，从自动驾驶模式切换至手动驾驶模式时的第一时间点、第一场景、第一位置数据，以及从手动驾驶模式切换至自动驾驶模式时的第二时间点、第二场景、第二位置数据均会被记录在测试结果中。

守护进程模拟操作对象在真实的场景数据中测试自动驾驶程序，可以使整个自动驾驶程序的测试过程更加贴近真实的自动驾驶的路测过程，获得的测试结果更为真实可靠；更进一步的，基于更为真实可靠的测试结果，能够在实际路测之前，预先测试出自动驾驶程序在与真实的场景数据结合中、程序内部存在的一些问题，以便根据测试结果对自动驾驶程序进行及时调整，可以解决自动驾驶程序在纯虚拟的测试环境下、测试过程失真的问题。

测试完成后，测试结果会以测试报告的形式反馈给测试提交者。测试结果包括虚拟车辆运行自动驾驶程序的全部日志信息(时间、地点位置、传感数据、传感器类型、行驶速度、测试路线、切换操作的次数、切换操作发生时的时间点、手动驾驶模式占距测试总时长的时间占比等等)，用于标记场景数据类型的描述文件，性能信息(各模块执行效率，整体cpu/内存/IO等***资源使用情况)，等等。

步骤302、在测试结果中查询切换操作。

在本实施例中，切换操作表示从自动驾驶模式切换至手动驾驶模式，以及从手动驾驶模式切换至自动驾驶模式的完整操作。

由于测试结果中记录了行驶速度、地点位置、切换操作的次数、切换操作发生时的时间点、手动驾驶模式占距测试总时长的时间占比等日志信息，因此，可以基于日志信息中记录的数据，对测试结果进行筛选，以查询切换操作，比如，统计多个测试结果中的切换操作的次数，又比如，以手动驾驶模式占距测试总时长的时间占比为筛选条件，对大量的测试结果进行筛选，以在这些测试结果中查询切换操作，获得存在切换操作的多个测试结果。

步骤303、若切换操作相同，则确定切换操作作为目标操作；

在存在切换操作的多个测试结果中，根据用于标记场景数据类型的描述文件，将多个测试结果按照场景数据的类型进行分类，使得同一个自动驾驶程序在同一场景数据下的多个测试结果被划分至同一个类别。

由于一个测试结果中可能会存在多个切换操作，每个切换操作出现的原因都可能不同，可以根据切换操作来确定自动驾驶程序的状态为正常还是异常，因此需要判断同一个类别中的多个测试结果中的切换操作是相同还是不同，将相同的切换操作进行统计，以进一步定位出现相同切换操作的原因。

切换操作相同表示多个测试结果中发生切换操作的时机相同，即从自动驾驶模式切换至手动驾驶模式的时机相同、以及从手动驾驶模式切换至自动驾驶模式的时机也相同。可以采用大数据分析的方法对切换操作的时机进行统计，比如用聚类算法去识别每个测试结果中发生自动驾驶模式切换至手动驾驶模式的时机、以及手动驾驶模式切换至自动驾驶模式的时机，以确定切换操作的时机是否相同。

针对同一个类别的测试结果，还可以根据手动驾驶模式占距测试总时长的时间占比、切换操作发生时的时间点、地点位置等信息来确定切换操作是否相同，若切换操作相同，则确定切换操作作为目标操作。例如，查找测试结果中发生自动驾驶模式切换至手动驾驶模式的第一时间点，再在同一个测试结果中查找发生手动驾驶模式切换至自动驾驶模式的第二时间点，若第一时间点与第二时间点的时间差值小于预设的阈值，则确定该场景数据下的多个测试结果的切换操作相同，确定该切换操作为目标操作。

具体的，还可以采用聚类分析的方法对同一场景数据下的多个测试结果进行处理，统计这些测试结果中从自动驾驶模式切换至手动驾驶模式时的第一场景,以及统计这些测试结果中从手动驾驶模式切换至自动驾驶模式时的第二场景，对所有的第一场景进行分类，对所有的第二场景进行分类，读取多个第一场景的第一位置数据，读取多个第二场景的第二位置数据，将多个第一位置数据进行比较，计算得到第一位置差值，将多个第二位置数据进行比较，计算得到第二位置差值，若第一位置差值和第二位置差值均小于预设的阈值，则确定第一场景中发生的切换操作为目标操作。

步骤304、确定自动驾驶程序在发生目标操作的场景数据中的状态；

在本实施例中，可以对目标操作进行分析，即根据目标操作的频次、时间间隔、置信度区间等数据分析自动驾驶程序在场景数据中发生目标操作合理性，从而确定自动驾驶程序在发生目标操作的场景数据中的状态是正常、亦或是异常。

例如，统计同一场景数据内的多个测试结果中发生目标操作的概率，将该概率与预设的阈值进行比较，若概率小于预设的阈值，则确定自动驾驶程序在发生目标操作的场景数据中的状态为正常状态，若概率大于等于预设的阈值，则确定自动驾驶程序在发生目标操作的场景数据中的状态为异常状态。也可以将同一场景数据下的多个测试结果输入到聚类模型中进行分析检测，确定自动驾驶程序在发生目标操作的场景数据中的状态为正常状态还是异常状态。需要说明的是，本实施例对用于确定自动驾驶程序在发生目标操作的场景数据中的状态的方式不作任何限定。

步骤305、若状态为异常状态，则根据测试结果定位发生处于异常状态的目标操作的因素。

当确定自动驾驶程序在发生目标操作的场景数据中的状态为异常状态时，根据测试结果定位发生处于异常状态的目标操作的因素，即对测试结果中的数据进行排查，分析出现切换操作的原因，例如对地点位置、行驶速度进行异常数据检测；也可以是对测试结果中的传感器工作状态以及传感器的原始传感数据进行异常排查，以定位发生处于异常状态的目标操作的因素。

在一种异常定位的方式中，可从同一场景数据内的测试结果中抽取测试路线的位置数据与目标路线的位置数据，其中，目标路线为真实车辆在路面行驶、采集场景数据时的路线；计算测试路线与目标路线之间的差异；若该差异超过预设的偏差值，则定位发生处于异常状态的目标操作的因素可能是自动驾驶程序的路径规划模块存在异常。

在另一种异常定位的方式中，可以对测试结果中的传感器工作状态以及传感器的原始传感数据进行异常排查，例如，从测试结果中查询自动驾驶程序在发生目标操作之前使用的传感器为激光雷达、相机、加速度计、磁力计、陀螺仪和超声波雷达，若磁力计发生故障，则将磁力计的工作状态设置为禁用，再次对测试自动驾驶程序的传感器类型进行选型，仅选用激光雷达、相机、加速度计、陀螺仪和超声波雷达作为参与测试的传感器，模拟操作对象在场景数据中对虚拟车辆执行自动驾驶、以测试自动驾驶程序，获得新的测试结果；若新的测试结果中未查询到处于异常状态的目标操作，则确定发生处于异常状态的目标操作的因素为传感器发生故障；又或者是，发现是激光雷达故障，则用毫米波雷达替代激光雷达，重新进行测试自动驾驶程序，获得新的测试结果。

经过上述方法排除了传感器故障的原因，则对测试结果中的传感数据进行异常定位。

具体的，对测试结果中的传感数据进行异常定位，包括：

从测试结果中查询传感器在所有目标操作之前记录的数据，作为原始传感数据，从而基于原始传感数据计算参考传感数据。

针对每个时间点、计算原始传感数据的平均值，以组成参考传感数据；或者，针对每个时间点、计算原始传感数据的协方差，以作为参考传感数据。

识别目标传感数据相对于参考传感数据处于偏离状态。

其中，目标传感数据为处于异常状态的目标操作对应的原始传感数据。

针对每个时间点、计算目标传感数据与参考传感数据之间的差值，作为单点差异；计算所有单点差异的平均值，作为整体差异；若整体差异大于预设的差异阈值，则确定目标传感数据相对于参考传感数据处于偏离状态。当然，还可以通过比较目标传感数据与参考传感数据的协方差、三阶矩来识别偏离状态。需要说明的是，本实施例对偏离状态的识别方式不作任何限定。

禁止运行处于偏离状态的传感器。

例如，若处于偏离状态的传感器为陀螺仪，则将陀螺仪的工作状态设置为禁用，可以选用其他传感器(比如磁力计)进行替代，或者使用仿真数据替代磁力计的传感数据。

在禁止运行处于偏离状态的传感器的条件下，模拟操作对象在场景数据中对虚拟车辆执行自动驾驶、以测试自动驾驶程序，获得新的测试结果，具体包括：

首先，守护进程模拟操作对象启动自动驾驶模式，以运行自动驾驶程序。

守护进程模拟操作对象对虚拟车辆执行启动操作，此时守护进程对虚拟车辆的行驶状态进行监控，待虚拟车辆的行驶状态保持稳定时，守护进程激活虚拟车辆的自动驾驶模式，以在真实的测试场景数据中运行自动驾驶程序。

其次，在自动驾驶模式下，守护进程模拟操作对象输入地点，以使自动驾驶程序生成经过地点、且位于场景数据内的测试路线。

当虚拟车辆的自动驾驶模式为激活状态时，守护进程从第一云服务的数据库中读取参数，该参数中包含有地点，守护进程可以在场景数据中依次读取预先给定的地点，以使待测试的自动驾驶程序依据这些地点自动规划驾驶路径，生成经过地点、且位于场景数据内的测试路线。其中，守护进程模拟操作对象输入地点，能够更加真实的模拟操作对象在路测过程中为配置有自动驾驶***的车辆、设置行驶路线中所要经过的地点的操作。

在一种设置地点的方式中，参数中的地点可以以队列等形式依次排列，守护进程依次读取队列中的地点，每两个地点之间形成一段测试路线，位于首位的地点(即该场景数据中、虚拟车辆初始所处的地点)与位于末位的地点相同，使得多个测试路线可组成封闭、训练的测试路线，具体而言，在自动驾驶模式下，守护进程读取队列的数据，从而判断是否剩余未行驶的地点(即守护进程设置为目的地的地点)，若是，则守护进程读取下一个未行驶的地点，模拟操作对象输入地点、将该地点设置为下一次自动驾驶的目的地，以使自动驾驶程序生成从当前的地点至下一个未行驶的地点、且位于场景数据内的测试路线；若否，则守护进程确定完成生成位于场景数据内、且在所有地点循环的测试路线，从而完成一次在封闭、训练的测试路线对自动驾驶程序的测试。

例如，如图4所示，位于首位的地点和位于末位的地点都是A地点,守护进程驱动虚拟车辆从A地点开始行驶，沿B地点、C地点、D地点继续行驶，当虚拟车辆到达E地点时，守护进程判断出剩余未行驶的F地点、G地点和H地点，则守护进程依次读取F地点、G地点和H地点，驱动虚拟车辆从E地点继续行驶经过F地点、G地点和H地点，此时，自动驾驶程序已生成从A地点-B地点-C地点-D地点-E地点-F地点-G地点-H地点的测试路线，直到虚拟车辆再次回到A地点，自动驾驶程序生成从A地点-B地点-C地点-D地点-E地点-F地点-G地点-H地点-A地点的测试路线，确定完成生成位于本次测试的场景数据内、且在所有地点循环的测试路线。将位于首位的地点与位于末位的地点设定为相同的地点，使得测试自动驾驶程序的场景能够首尾相连，可以循环播放，从而支持长时间的软件模拟运行。再者，由于采集到的真实的场景数据有限，为了满足测试的需求，将测试自动驾驶程序的场景数据循环播放，既可以测试自动驾驶程序在单一场景数据中的鲁棒性，又能够降低采集场景数据的成本。

进一步的，在完成一次在封闭、训练的测试路线对自动驾驶程序的测试之后，守护进程判断是否满足测试的完成条件，从而判断是否完成测试自动驾驶程序。例如，守护进程可以通过读取预先设置的参数中的目标时长、目标循环次数来判断是否完成测试自动驾驶程序，即测试的时长超过目标时长，或者，在封闭、训练的测试路线测试的次数超过目标训练次数，即可认为完成测试，否则，认为未完成测试。

如果未完成测试自动驾驶程序，则将所有地点设置为未行驶，进入下一次循环的测试路线。在下一次循环的测试路线中，可以更换场景数据中的传感器类型，以测试传感器与自动驾驶程序的适配性，例如，上一次测试中使用的是激光雷达、相机、加速度计和陀螺仪，下一次循环测试中可以使用激光雷达、超声波雷达、加速度计、陀螺仪和磁力计。

如果已完成测试自动驾驶程序，则对自动驾驶程序生成测试结果。

此外，在自动驾驶模式下，守护进程模拟操作对象执行启动操作，以使自动驾驶程序驱动虚拟车辆沿测试路线行驶，在这个测试过程中，守护进程通过检测当前测试的状态，与真实车辆在路面行驶采集场景数据时的状态进行比较，从而确定自动驾驶模式是否发生异常，即两者相符，可以认为自动驾驶模式正常，两者不符，可以认为自动驾驶模式发生异常。若自动驾驶模式异常，守护进程模拟操作对象将自动驾驶模式切换至手动驾驶模式，在手动驾驶模式下，守护进程模拟操作对象在场景数据中驾驶虚拟车辆，直至自动驾驶模式恢复正常。若自动驾驶模式正常，守护进程模拟操作对象将手动驾驶模式切换至自动驾驶模式。

守护进程可以通过实时查询自动驾驶测试过程中的输出结果来确定自动驾驶模式发生异常，例如虚拟车辆的位姿数据异常、传感器的输出数据异常，等等。

需要说明的是，本实施中自动驾驶模式正常和异常的测试情况均会记录在测试结果中。

若新的测试结果中未查询到处于异常状态的目标操作，则确定发生处于异常状态的目标操作的因素为自动驾驶程序与传感器之间不适配。

本发明通过模拟操作对象在场景数据中对虚拟车辆执行自动驾驶、以测试自动驾驶程序，获得测试结果，场景数据由真实车辆在路面行驶时采集；在测试结果中查询切换操作，切换操作表示从自动驾驶模式切换至手动驾驶模式，及从手动驾驶模式切换至自动驾驶模式；若切换操作相同，则确定切换操作作为目标操作；确定自动驾驶程序在发生目标操作的场景数据中的状态；若状态为异常状态，则根据测试结果定位发生处于异常状态的目标操作的因素。获取自动驾驶程序在真实场景下的测试结果，参考测试结果中多个指标数据来自动定位目标操作的状态，确认该状态所依据的数据量较大、种类多样化，因此判断目标操作的状态是可靠且准确的，根据目标操作的状态来判断自动驾驶程序的测试结果是否存在异常，在一定程度上实现了自动化的异常检测过程，根据异常状态进一步定位发生处于异常状态的目标操作的因素，能够在一定程度上避免纯人工检测自动驾驶测试结果中出现的错检、漏检的问题，可以对大量的测试结果进行高效的异常状态检测，能够提高自动驾驶测试的异常检测效率，保证检测的准确性。

实施例二

图5为本发明实施例二提供的一种自动驾驶测试的异常检测方法的流程图，本实施例以前述实施例为基础，对自动驾驶测试的异常检测方法进行了内容的补充和细化，该方法具体包括如下步骤：

步骤501、模拟操作对象在场景数据中对虚拟车辆执行自动驾驶、以测试自动驾驶程序，获得测试结果。

在实际应用中，配备有自动驾驶***的车辆在道路上进行测试的过程中，为了避免突发情况的发生，通常会配备有安全员，安全员能够对车辆执行动态驾驶任务，动态驾驶任务包括对车辆的速度、转向、变道、灯光、喇叭等进行控制，还包括对障碍物进行主动躲避、对实际行驶路径进行规划、对驾驶环境变化进行决策响应、对驾驶环境进行实时监测与预先准备等等。

以操作对象为安全员为例，守护进程充当安全员这一角色，按照第一云服务配置的参数对测试进行操作，例如，当开始测试时，守护进程模拟安全员启动虚拟车辆，在场景数据中对虚拟车辆执行动态驾驶任务，可以通过读取参数中的地点执行更改目的地的操作、执行转向操作、执行变道操作等等，也可以通过读取参数中的速度让虚拟车辆保持稳定的速度行驶，还可以在特定的场景数据区域启动接管命令和开启自动驾驶模式的命令，守护进程负责检测自动驾驶程序的测试状态为完成或者未完成，同时，守护进程模拟安全员确定自动驾驶模式是否发生异常，若发生异常，守护进程模拟安全员将自动驾驶模式切换至手动驾驶模式，在手动驾驶模式下，守护进程模拟安全员在场景数据中驾驶虚拟车辆，直至自动驾驶模式恢复正常，等到自动驾驶模式恢复正常的时候，守护进程模拟安全员将手动驾驶模式切换至自动驾驶模式。

以操作对象为远程操作终端为例，守护进程模拟远程操作终端从第一云服务获取测试所需的参数，守护进程按照参数中的不同配置信息、模拟远程操作终端对虚拟车辆下发远程操控命令，使虚拟车辆在场景数据中执行自动驾驶，守护进程模拟远程操作终端对虚拟车辆的自动驾驶过程进行远程监控和干预，以测试自动驾驶程序。

总而言之，守护进程模拟操作对象，按照参数在场景数据中对虚拟车辆执行自动驾驶，以测试自动驾驶程序，并将测试的全部流程、中间生成数据以及输出结果等与测试相关的全部信息保存记录，获得测试结果。

步骤502、在测试结果中查询切换操作。

可以通过预先设置查询条件以在测试结果中查询切换操作；也可以通过编写具有筛选信息的脚本文件，将测试报告与脚本文件关联，以在测试结果中查询切换操作。

步骤503、查询切换操作中、从自动驾驶模式切换至手动驾驶模式时所处的第一位置。

在本示例中，可以以自动驾驶模式切换至手动驾驶模式作为脚本信息，撰写脚本文件，从大量的测试结果中查询该切换操作的位置，作为第一位置。

步骤504、查询切换操作中、从手动驾驶模式切换至自动驾驶模式时所处的第二位置。

可以参考第一位置的方式，以查询切换操作中、从手动驾驶模式切换至自动驾驶模式时所处的第二位置。或者，在测试结果中查找地点位置、时间，生成位置-时间的列表，读取测试结果中切换操作发生时的时间点，将该时间点与位置-时间的列表进行对应，查询测试结果中从手动驾驶模式切换至自动驾驶模式时的位置，作为第一位置。

步骤505、对第一位置进行聚类，以获得多个第一簇。

在本实施例中，针对多个第一位置，可以通过划分法、层次法、基于密度的方法、基于网格的方法、基于模型方法等方式对第一位置进行聚类，形成多个第一簇，每个第一簇中包含有一个或多个第一位置。

以K-Means聚类为例，首先，选择多个第一位置，随机初始化这些位置各自的中心点，中心点是与每个位置点向量长度相同的位置；其次，计算每个位置点到中心点的距离，位置点距离哪个中心点最近就划分到哪一类中；再次，计算每一类中中心点作为新的中心点；重复以上步骤，直到每一类中心在每次迭代后变化程度收敛位置，最终得到多个关于第一位置的第一簇。

步骤506、对第二位置进行聚类，以获得多个第二簇。

在本实施例中，针对多个第二位置，可以通过划分法、层次法、基于密度的方法、基于网格的方法、基于模型方法等方式对第二位置进行聚类，形成多个第二簇，每个第二簇中包含有一个或多个第二位置。

以DBSCAN聚类为例，以DBSCAN聚类对第二位置进行聚类，首先确定半径r和最小位置点，从一个没有被访问过的任意第二位置点开始，以这个第二位置点为中心，r为半径的圆内包含的其他第二位置点的数量是否大于或等于最小位置点，如果大于或等于最小位置点则该第二位置点被标记为中心点，反之则被标记为噪声点，重复上述步骤，如果一个噪声点存在与某个中心点为半径的圆内，则这个噪声点被标记为边缘点，反之依然为噪声点，重复之前的步骤直到所有第二位置点都被访问过，最终获得第二簇。

步骤507、若切换操作属于同一个第一簇且属于同一个第二簇，则确定切换操作相同、属于目标操作。

结合上述对测试结果中切换操作的分析，若从自动驾驶模式切换至手动驾驶模式、以及从手动驾驶模式切换至自动驾驶模式的切换操作都属于同一个第一簇且属于同一个第二簇，则确定切换操作相同、属于目标操作。

本实施例通过聚类方法筛选目标操作，能够增加容错性，选择合理的切换操作为目标操作。

步骤508、确定自动驾驶程序在发生目标操作的场景数据中的状态。

在具体实现中，如果自动驾驶程序在场景数据中发生目标操作是异常的，则表示自动驾驶程序在场景数据中发生目标操作属于小概率的事件，通过大量统计目标操作可在多个测试结果中统计发生目标操作的频率；

若频率小于或等于预设的第一频率阈值，则确定自动驾驶程序在发生目标操作的场景数据中的状态为异常状态；

若频率大于或等于预设的第二频率阈值，则确定自动驾驶程序在发生目标操作的场景数据中的状态为正常状态；

其中，第一频率阈值小于第二频率阈值。

上述具体实现方式选择第一频率阈值和第二频率阈值作为筛选测试结果的两个条件，能够增强测试结果筛选的置信度，可以将大于第一频率阈值且小于第二频率阈值这部分的测试结果视为置信度不够高的结果筛选出来交给测试人员去进行人工检测，而置信度高的测试结果则交由自动化的异常检测方法，使用人工检测与自动化检测这两种方式对自动驾驶的测试结果进行分析检测，能够在一定程度上避免纯人工检测自动驾驶测试结果中出现的错检、漏检的问题，可以对大量的测试结果进行高效的异常状态检测，能够提高自动驾驶测试的异常检测效率，保证检测的准确性。

步骤509、若状态为正常状态，则确定自动驾驶程序与场景数据之间不适配。

在本实施例中，当确定自动驾驶程序在发生目标操作的场景数据中的状态为正常状态时，则确定自动驾驶程序与场景数据之间不适配，将该自动驾驶程序更换其他的场景数据进行重新测试。

实施例三

图6为本发明实施例三提供的一种自动驾驶测试的异常检测装置的结构示意图，该装置具体可以包括如下模块：

数据获取模块601，用于模拟操作对象在场景数据中对虚拟车辆执行自动驾驶、以测试自动驾驶程序，获得测试结果，所述场景数据由真实车辆在路面行驶时采集；

查询模块602，用于在所述测试结果中查询切换操作，所述切换操作表示从自动驾驶模式切换至手动驾驶模式，及从所述手动驾驶模式切换至所述自动驾驶模式；

目标操作确定模块603，用于若所述切换操作相同，则确定所述切换操作作为目标操作；

状态确定模块604，用于确定所述自动驾驶程序在发生所述目标操作的场景数据中的状态；

异常定位模块605，用于若所述状态为异常状态，则根据所述测试结果定位发生处于所述异常状态的目标操作的因素。

在本发明的一个实施例中，异常检测装置还包括：

正常定位模块，用于若所述状态为正常状态，则确定所述自动驾驶程序与所述场景数据之间不适配。

在本发明的一个实施例中，所述数据获取模块601包括：

测试请求子模块，用于在第一云服务中，响应于测试自动驾驶程序的请求，设置用于测试所述自动驾驶程序的参数，所述参数包括真实车辆在路面行驶时采集到的场景数据；

机器选定子模块，用于从第二云服务中，选定测试所述自动驾驶程序的机器，所述机器中已运行守护进程；

参数读取子模块，用于在所述第二云服务中，由所述机器中的守护进程从所述第一云服务中读取所述参数；

自动驾驶测试子模块，用于所述守护进程模拟操作对象，按照所述参数在所述场景数据中对虚拟车辆执行自动驾驶，以测试所述自动驾驶程序。

在本发明的一个实施例中，所述目标操作确定模块603包括：

第一查询子模块，用于查询所述切换操作中、从自动驾驶模式切换至手动驾驶模式时所处的第一位置；

第二查询子模块，用于查询所述切换操作中、从所述手动驾驶模式切换至所述自动驾驶模式时所处的第二位置；

第一聚类子模块，用于对所述第一位置进行聚类，以获得多个第一簇；

第二聚类子模块，用于对所述第二位置进行聚类，以获得多个第二簇；

目标操作确定子模块，用于若所述切换操作属于同一个所述第一簇且属于同一个所述第二簇，则确定所述切换操作相同、属于目标操作。

在本发明的一个实施例中，所述状态确定模块604包括：

频率统计子模块，用于在多个所述测试结果中统计发生所述目标操作的频率；

异常状态确定子模块，用于若所述频率小于或等于预设的第一频率阈值，则确定所述自动驾驶程序在发生所述目标操作的场景数据中的状态为异常状态；

正常状态确定子模块，用于若所述频率大于或等于预设的第二频率阈值，则确定所述自动驾驶程序在发生所述目标操作的场景数据中的状态为正常状态；其中，所述第一频率阈值小于所述第二频率阈值。

在本发明的一个实施例中，所述异常定位模块605包括：

传感器查询子模块，用于从所述测试结果中查询所述自动驾驶程序在发生所述目标操作之前使用的传感器；

传感器禁用子模块，用于若所述传感器发生故障，则禁止运行所述传感器；

第一条件测试子模块，用于在禁止运行所述传感器的条件下，模拟操作对象在所述场景数据中对虚拟车辆执行自动驾驶、以测试所述自动驾驶程序，获得新的测试结果；

传感器故障确定子模块，用于若所述新的测试结果中未查询到处于所述异常状态的目标操作，则确定发生处于所述异常状态的目标操作的因素为所述传感器发生故障。

传感数据查询子模块，用于若所述传感器未发生故障，则从所述测试结果中查询所述传感器在所有所述目标操作之前记录的数据，作为原始传感数据；

参考传感数据计算子模块，用于基于所述原始传感数据计算参考传感数据；

偏离识别子模块，用于识别目标传感数据相对于所述参考传感数据处于偏离状态，所述目标传感数据为处于所述异常状态的目标操作对应的原始传感数据；

偏离传感器禁用子模块，用于禁止运行处于所述偏离状态的传感器；

第二条件测试子模块，用于在禁止运行处于所述偏离状态的传感器的条件下，模拟操作对象在所述场景数据中对虚拟车辆执行自动驾驶、以测试所述自动驾驶程序，获得新的测试结果；

适配确定子模块，用于若所述新的测试结果中未查询到处于所述异常状态的目标操作，则确定发生处于所述异常状态的目标操作的因素为所述自动驾驶程序与所述传感器之间不适配。

在本发明的一个实施例中，所述参考传感数据计算子模块还包括：

参考传感数据计算单元，用于针对每个时间点、计算所述原始传感数据的平均值，以组成参考传感数据。

在本发明的一个实施例中，所述偏离识别子模块还包括：

差值计算单元，用于针对每个时间点、计算目标传感数据与所述参考传感数据之间的差值，作为单点差异；

平均值计算单元，用于计算所有所述单点差异的平均值，作为整体差异；

偏离状态确定单元，用于若所述整体差异大于预设的差异阈值，则确定所述目标传感数据相对于所述参考传感数据处于偏离状态。

本发明实施例所提供的异常检测装置可执行本发明任意实施例所提供的异常检测方法，具备执行方法相应的功能模块和有益效果。

实施例四

图7为本发明实施例四提供的一种计算机设备的结构示意图。如图7所示，该计算机设备包括处理器700、存储器701、通信模块702、输入装置703和输出装置704；计算机设备中处理器700的数量可以是一个或多个，图7中以一个处理器700为例；计算机设备中的处理器700、存储器701、通信模块702、输入装置703和输出装置704可以通过总线或其他方式连接，图7中以通过总线连接为例。

存储器701作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本实施例中的自动驾驶的测试方法对应的模块(例如，如图6所示的自动驾驶测试的异常检测装置中的数据获取模块601、查询模块602、目标操作确定模块603、状态确定模块604和异常定位模块605)。处理器700通过运行存储在存储器701中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的自动驾驶的测试方法。

存储器701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***、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器701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，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器701可进一步包括相对于处理器700远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

通信模块702，用于与显示屏建立连接，并实现与显示屏的数据交互。

输入装置703可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入，还可以是用于获取图像的摄像头以及获取音频数据的拾音设备。

输出装置704可以包括扬声器等音频设备。

需要说明的是，输入装置703和输出装置704的具体组成可以根据实际情况设定。

处理器700通过运行存储在存储器701中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的电子白板的连接节点控制方法。

本实施例提供的计算机设备，可执行本发明任一实施例提供的自动驾驶的测试方法，具体相应的功能和有益效果。

实施例五

本发明实施例五还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现一种自动驾驶测试的异常检测方法，该方法包括：

模拟操作对象在场景数据中对虚拟车辆执行自动驾驶、以测试自动驾驶程序，获得测试结果，所述场景数据由真实车辆在路面行驶时采集；

在所述测试结果中查询切换操作，所述切换操作表示从自动驾驶模式切换至手动驾驶模式，及从所述手动驾驶模式切换至所述自动驾驶模式；

若所述切换操作相同，则确定所述切换操作作为目标操作；

确定所述自动驾驶程序在发生所述目标操作的场景数据中的状态；

若所述状态为异常状态，则根据所述测试结果定位发生处于所述异常状态的目标操作的因素。

当然,本发明实施例所提供的计算机可读存储介质,其计算机程序不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的自动驾驶测试的异常检测方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

值得注意的是，上述自动驾驶测试的异常检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (11)

1.一种自动驾驶测试的异常检测方法，其特征在于，包括：

模拟操作对象在场景数据中对虚拟车辆执行自动驾驶、以测试自动驾驶程序，获得测试结果，所述场景数据由真实车辆在路面行驶时采集；

在所述测试结果中查询切换操作，所述切换操作表示从自动驾驶模式切换至手动驾驶模式，及从所述手动驾驶模式切换至所述自动驾驶模式；

若所述切换操作相同，则确定所述切换操作作为目标操作；

确定所述自动驾驶程序在发生所述目标操作的场景数据中的状态；

若所述状态为异常状态，则根据所述测试结果定位发生处于所述异常状态的目标操作的因素。

2.根据权利要求1所述的方法，其特征在于，所述模拟操作对象在场景数据中对虚拟车辆执行自动驾驶、以测试自动驾驶程序，获得测试结果，所述场景数据由真实车辆在路面行驶时采集，包括：

在第一云服务中，响应于测试自动驾驶程序的请求，设置用于测试所述自动驾驶程序的参数，所述参数包括真实车辆在路面行驶时采集到的场景数据；

从第二云服务中，选定测试所述自动驾驶程序的机器，所述机器中已运行守护进程；

在所述第二云服务中，由所述机器中的守护进程从所述第一云服务中读取所述参数；

所述守护进程模拟操作对象，按照所述参数在所述场景数据中对虚拟车辆执行自动驾驶，以测试所述自动驾驶程序。

3.根据权利要求1所述的方法，其特征在于，所述若所述切换操作相同，则确定所述切换操作作为目标操作，包括：

查询所述切换操作中、从自动驾驶模式切换至手动驾驶模式时所处的第一位置；

查询所述切换操作中、从所述手动驾驶模式切换至所述自动驾驶模式时所处的第二位置；

对所述第一位置进行聚类，以获得多个第一簇；

对所述第二位置进行聚类，以获得多个第二簇；

若所述切换操作属于同一个所述第一簇且属于同一个所述第二簇，则确定所述切换操作相同、属于目标操作。

4.根据权利要求1所述的方法，其特征在于，所述确定所述自动驾驶程序在发生所述目标操作的场景数据中的状态，包括：

在多个所述测试结果中统计发生所述目标操作的频率；

若所述频率小于或等于预设的第一频率阈值，则确定所述自动驾驶程序在发生所述目标操作的场景数据中的状态为异常状态；

若所述频率大于或等于预设的第二频率阈值，则确定所述自动驾驶程序在发生所述目标操作的场景数据中的状态为正常状态；

其中，所述第一频率阈值小于所述第二频率阈值。

5.根据权利要求1所述的方法，其特征在于，所述若所述状态为异常状态，则根据所述测试结果定位发生处于所述异常状态的目标操作的因素，包括：

从所述测试结果中查询所述自动驾驶程序在发生所述目标操作之前使用的传感器；

若所述传感器发生故障，则禁止运行所述传感器；

在禁止运行所述传感器的条件下，模拟操作对象在所述场景数据中对虚拟车辆执行自动驾驶、以测试所述自动驾驶程序，获得新的测试结果；

若所述新的测试结果中未查询到处于所述异常状态的目标操作，则确定发生处于所述异常状态的目标操作的因素为所述传感器发生故障。

6.根据权利要求1-5任一项所述的方法，其特征在于，若所述状态为异常状态，则根据所述测试结果定位发生处于所述异常状态的目标操作的因素，包括：

从所述测试结果中查询所述自动驾驶程序在发生所述目标操作之前使用的传感器；

若所述传感器未发生故障，则从所述测试结果中查询所述传感器在所有所述目标操作之前记录的数据，作为原始传感数据；

基于所述原始传感数据计算参考传感数据；

识别目标传感数据相对于所述参考传感数据处于偏离状态，所述目标传感数据为处于所述异常状态的目标操作对应的原始传感数据；

禁止运行处于所述偏离状态的传感器；

在禁止运行处于所述偏离状态的传感器的条件下，模拟操作对象在所述场景数据中对虚拟车辆执行自动驾驶、以测试所述自动驾驶程序，获得新的测试结果；

若所述新的测试结果中未查询到处于所述异常状态的目标操作，则确定发生处于所述异常状态的目标操作的因素为所述自动驾驶程序与所述传感器之间不适配。

7.根据权利要求6所述的方法，其特征在于，

所述基于所述原始传感数据计算参考传感数据，包括：

针对每个时间点、计算所述原始传感数据的平均值，以组成参考传感数据；

所述识别目标传感数据相对于所述参考传感数据处于偏离状态，包括：

针对每个时间点、计算目标传感数据与所述参考传感数据之间的差值，作为单点差异；

计算所有所述单点差异的平均值，作为整体差异；

若所述整体差异大于预设的差异阈值，则确定所述目标传感数据相对于所述参考传感数据处于偏离状态。

8.根据权利要求1-5任一项所述的方法，其特征在于，还包括：

若所述状态为正常状态，则确定所述自动驾驶程序与所述场景数据之间不适配。

9.一种自动驾驶测试的异常检测装置，其特征在于，包括：

数据获取模块，用于模拟操作对象在场景数据中对虚拟车辆执行自动驾驶、以测试自动驾驶程序，获得测试结果，所述场景数据由真实车辆在路面行驶时采集；

查询模块，用于在所述测试结果中查询切换操作，所述切换操作表示从自动驾驶模式切换至手动驾驶模式，及从所述手动驾驶模式切换至所述自动驾驶模式；

目标操作确定模块，用于若所述切换操作相同，则确定所述切换操作作为目标操作；

状态确定模块，用于根据所述目标操作确定所述自动驾驶程序在发生所述目标操作的场景数据中的状态；

异常定位模块，用于若所述状态为异常状态，则根据所述测试结果定位发生处于所述异常状态的目标操作的因素。

10.一种计算机设备，其特征在于，所述计算机设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的异常检测方法。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的异常检测方法。

Images