CN114297048A - 一种自动驾驶仿真测试方法、***、电子设备及存储介质 - Google Patents
一种自动驾驶仿真测试方法、***、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114297048A CN114297048A CN202111374672.5A CN202111374672A CN114297048A CN 114297048 A CN114297048 A CN 114297048A CN 202111374672 A CN202111374672 A CN 202111374672A CN 114297048 A CN114297048 A CN 114297048A
- Authority
- CN
- China
- Prior art keywords
- driving
- scene
- weight
- test
- characteristic
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种自动驾驶仿真测试方法、***、电子设备及存储介质,该方法包括:对实地采集的驾驶场景数据进行特征参数提取,通过四分位法去除各特征参数中的异常值;计算驾驶场景中各特征参数权重;根据驾驶场景中各特征参数的权重,计算各驾驶场景的权重值;自动驾驶仿真测试完成后,将测试结果与各驾驶场景的权重分布匹配,获取最优测试场景。从而可以提高自动驾驶仿真测试效率,减少人工分析测试成本,缩短数据开发测试周期。
Description
技术领域
本发明属于自动驾驶领域,尤其涉及一种自动驾驶仿真测试方法、***、电子设备及存储介质。
背景技术
自动驾驶仿真测试技术在整车开发流程中能加速开发进程、降低开发成本,由于其复现性强、场景可编辑,在自动驾驶开发中已成为重要的环节。但自动驾驶技术因测试场景搭建复杂、同类场景参数适应性修改难度大,导致其开发周期长,无法快速迭代验证。
现有的自动驾驶仿真测试中,对于交通行为的控制输入,需要在仿真软件中提前预设、规划路径和车辆行为,对于已经完成的场景修改,根据参数的变化,需要多次配置修改,以确认开发车辆在不同对象车表现下的反应,实际测试效率较低
发明内容
有鉴于此,本发明实施例提供了一种自动驾驶仿真测试方法、***、电子设备及存储介质,用于解决现有自动驾驶仿真测试效率低的问题。
在本发明实施例的第一方面,提供了一种自动驾驶仿真测试方法,包括:
对实地采集的驾驶场景数据进行特征参数提取,通过四分位法去除各特征参数中的异常值;
计算驾驶场景中各特征参数权重;
根据驾驶场景中各特征参数的权重,计算各驾驶场景的权重值;
自动驾驶仿真测试完成后,将测试结果与各驾驶场景的权重分布匹配,获取最优测试场景。
在本发明实施例的第二方面,提供了一种自动驾驶仿真测试***,包括:
特征提取模块,用于对实地采集的驾驶场景数据进行特征参数提取,通过四分位法去除各特征参数中的异常值;
第一计算模块,用于计算驾驶场景中各特征参数权重;
第二计算模块,用于根据驾驶场景中各特征参数的权重,计算各驾驶场景的权重值;
匹配模块,用于自动驾驶仿真测试完成后,将测试结果与各驾驶场景的权重分布匹配,获取最优测试场景。
在本发明实施例的第三方面,提供了一种电子设备,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如本发明实施例第一方面所述方法的步骤。
在本发明实施例的第四方面,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本发明实施例第一方面提供的所述方法的步骤。
本发明实施例中,通过分别计算特征参数权重和驾驶场景的权重,根据仿真测试结果与各驾驶场景的权重分布,自动匹配最优测试场景,针对性的完成仿真测试、开发验证,有效提高驾驶数据测试质量,实现自动场景匹配减少人工分析测试场景的成本,缩短自动驾驶开发测试周期,提高仿真测试效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单介绍,显而易见地,下面描述的附图仅仅是本发明的一些实施例,对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取其他附图。
图1为本发明实施例提供的一种自动驾驶仿真测试方法的流程示意图;
图2为本发明实施例提供的一种四分卫特征参数分布示意图;
图3为本发明的实施例提供的一种自动驾驶仿真测试***的结构示意图;
图4为本发明的实施例提供的电子设备的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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前提下所获得的所有其它实施例,都属于本发明保护的范围。
应当理解,本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述,意指覆盖不排他的包含,如包含一系列步骤或单元的过程、方法或***、设备没有限定于已列出的步骤或单元。此外,“第一”“第二”用于区分不同对象,并非用于描述特定顺序。
请参阅图1,本发明实施例提供的一种自动驾驶仿真测试方法的流程示意图,包括:
S101、对实地采集的驾驶场景数据进行特征参数提取,通过四分位法去除各特征参数中的异常值;
所述驾驶场景为符合高级驾驶辅助***(ADAS)功能的驾驶场景,一般包括ACC(Adaptive Cruise Control,即自适应巡航控制)、AEB(Autonomous Emergency Braking,即自动制动)、LKA(Lane Keeping Assist,即车道保持辅助)等功能场景。
具体的,基于驾驶静态环境特征、交通参与者行为特征,对驾驶场景数据进行分类提取。所述静态环境特征包括如天气、光线、道路、交通标示等,所述交通参与者行为特征包括如速度、加速度、横移等。
基于不同场景下,各特征参数的分布,采用四分位准则提取异常值,并去除采样数据中特征参数的异常值。具体可采用Python的pandas插件,分别计算对应的上四分位数、中位数和下四分位数。
可选的,还包括:通过四分位法构建特征参数分布。
S102、计算驾驶场景中各特征参数权重;
其中,根据各特征参数在特定驾驶场景的分布,计算特征参数的权重。根据某一特定场景下特征参数类别、特征分布,确定特征参数在驾驶场景的权重。
多维度的标签数据在数据库更新或者数据库使用时都需要再次遍历采样,因此需要对每个场景样本进行加权处理。
具体的,根据公式计算每个样本的权重:
其中,wi是每个场景样本的权重,R为遍历每个样本时产生的0到1之间的随机数,Si就是每个样本的采样权重。
S103、根据驾驶场景中各特征参数的权重,计算各驾驶场景的权重值;
根据独立场景中各特征参数的权重,计算该交通场景的权重值:
wi=(w1+w2+w3+....wi)/n;
式中,wi是每个场景样本的权重,n为样本数量。
S104、自动驾驶仿真测试完成后,将测试结果与各驾驶场景的权重分布匹配,获取最优测试场景。
具体的,获取仿真测试场景对应的特征分布模型,将特征分布模型与各驾驶场景的权重分布匹配,得到最优测试场景。
通过传统测试方法得到的测试结果,可以获取测试结果及其对应理论测试模型,通过与各驾驶场景的权重分布自动匹配,得到最优测试场景。
本实施例中,可以提高自动驾驶仿真测试效率,实现最优测试场景的自动匹配,可以针对性的提高数据测试质量。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图3为本发明实施例提供的一种自动驾驶仿真测试***的结构示意图,该***包括:
特征提取模块310,用于对实地采集的驾驶场景数据进行特征参数提取,通过四分位法去除各特征参数中的异常值;
具体的,基于驾驶静态环境特征、交通参与者行为特征,对驾驶场景数据进行分类提取。
第一计算模块320,用于计算驾驶场景中各特征参数权重;
可选的,通过四分位法构建特征参数分布。
第二计算模块330,用于根据驾驶场景中各特征参数的权重,计算各驾驶场景的权重值;
其中,根据公式计算每个样本的权重:
其中,wi是每个场景样本的权重,R为遍历每个样本时产生的0到1之间的随机数,Si就是每个样本的采样分数。
匹配模块340,用于自动驾驶仿真测试完成后,将测试结果与各驾驶场景的权重分布匹配,获取最优测试场景。
具体的,获取仿真测试场景对应的特征分布模型,将特征分布模型与各驾驶场景的权重分布匹配,得到最优测试场景。
所述领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***和模块的具体工作过程可以参考前述方法实施例中对应的过程,在此不再赘述。
图4是本发明一实施例提供的一种电子设备的结构示意图。所述电子设备用于自动驾驶仿真测试。如图4所示,该实施例的电子设备4包括:存储器410、处理器420以及***总线430,所述存储器410包括存储其上的可运行的程序4101,本领域技术人员可以理解,图4中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图4对电子设备的各个构成部件进行具体的介绍:
存储器410可用于存储软件程序以及模块,处理器420通过运行存储在存储器410的软件程序以及模块,从而执行电子设备的各种功能应用以及数据处理。存储器410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(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据(比如缓存数据)等。此外,存储器410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、或其他易失性固态存储器件。
在存储器410上包含网络请求方法的可运行程序4101,所述可运行程序4101可以被分割成一个或多个模块/单元,所述一个或多个模块/单元被存储在所述存储器410中,并由处理器420执行,以实现仿真测试等,所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序4101在所述电子设备4中的执行过程。例如,所述计算机程序4101可以被分割为特征参数提取模块、第一计算模块、第二计算模块和匹配模块。
处理器420是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器410内的软件程序和/或模块,以及调用存储在存储器410内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体状态监控。可选的,处理器420可包括一个或多个处理单元;优选的,处理器420可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器420中。
***总线430是用来连接计算机内部各功能部件,可以传送数据信息、地址信息、控制信息,其种类可以是例如PCI总线、ISA总线、VESA总线等。处理器420的指令通过总线传递至存储器410,存储器410反馈数据给处理器420,***总线430负责处理器420与存储器410之间的数据、指令交互。当然***总线430还可以接入其他设备,例如网络接口、显示设备等。
在本发明实施例中,该电子设备所包括的处理420执行的可运行程序包括:
对实地采集的驾驶场景数据进行特征参数提取,通过四分位法去除各特征参数中的异常值;
计算驾驶场景中各特征参数权重;
根据驾驶场景中各特征参数的权重,计算各驾驶场景的权重值;
自动驾驶仿真测试完成后,将测试结果与各驾驶场景的权重分布匹配,获取最优测试场景。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
以上所述,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 (10)
1.一种自动驾驶仿真测试方法,其特征在于,包括:
对实地采集的驾驶场景数据进行特征参数提取,通过四分位法去除各特征参数中的异常值;
计算驾驶场景中各特征参数权重;
根据驾驶场景中各特征参数的权重,计算各驾驶场景的权重值;
自动驾驶仿真测试完成后,将测试结果与各驾驶场景的权重分布匹配,获取最优测试场景。
2.根据权利要求1所述的方法,其特征在于,所述对实地采集的驾驶场景数据进行特征参数提取包括:
基于驾驶静态环境特征、交通参与者行为特征,对驾驶场景数据进行分类提取。
3.根据权利要求1所述的方法,其特征在于,所述通过四分位法去除各特征参数中的异常值包括:
通过四分位法构建特征参数分布。
5.根据权利要求1所述的方法,其特征在于,所述将测试结果与各驾驶场景的权重分布匹配,获取最优测试场景具体为:
获取仿真测试场景对应的特征分布模型,将特征分布模型与各驾驶场景的权重分布匹配,得到最优测试场景。
6.一种自动驾驶仿真测试***,其特征在于,包括:
特征提取模块,用于对实地采集的驾驶场景数据进行特征参数提取,通过四分位法去除各特征参数中的异常值;
第一计算模块,用于计算驾驶场景中各特征参数权重;
第二计算模块,用于根据驾驶场景中各特征参数的权重,计算各驾驶场景的权重值;
匹配模块,用于自动驾驶仿真测试完成后,将测试结果与各驾驶场景的权重分布匹配,获取最优测试场景。
7.根据权利要求6所述的***,其特征在于,所述对实地采集的驾驶场景数据进行特征参数提取包括:
基于驾驶静态环境特征、交通参与者行为特征,对驾驶场景数据进行分类提取。
8.根据权利要求6所述的***,其特征在于,所述将测试结果与各驾驶场景的权重分布匹配,获取最优测试场景具体为:
获取仿真测试场景对应的特征分布模型,将特征分布模型与各驾驶场景的权重分布匹配,得到最优测试场景。
9.一种电子设备,包括存储器、处理器以及存储在所述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5任一项所述一种自动驾驶仿真测试方法的步骤。
10.一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,所述计算机程序被执行时实现如权利要求1至5任一项所述一种自动驾驶仿真测试方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111374672.5A CN114297048A (zh) | 2021-11-18 | 2021-11-18 | 一种自动驾驶仿真测试方法、***、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111374672.5A CN114297048A (zh) | 2021-11-18 | 2021-11-18 | 一种自动驾驶仿真测试方法、***、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114297048A true CN114297048A (zh) | 2022-04-08 |
Family
ID=80965156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111374672.5A Pending CN114297048A (zh) | 2021-11-18 | 2021-11-18 | 一种自动驾驶仿真测试方法、***、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114297048A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114743076A (zh) * | 2022-04-22 | 2022-07-12 | 清华大学 | 一种自动驾驶图像处理评价方法、相关设备、介质及产品 |
-
2021
- 2021-11-18 CN CN202111374672.5A patent/CN114297048A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114743076A (zh) * | 2022-04-22 | 2022-07-12 | 清华大学 | 一种自动驾驶图像处理评价方法、相关设备、介质及产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11321122B2 (en) | Method, apparatus, device and medium for processing topological relation of tasks | |
CN112396093B (zh) | 驾驶场景分类方法、装置、设备及可读存储介质 | |
CN114415628A (zh) | 自动驾驶测试方法及装置、电子设备和存储介质 | |
CN108681505B (zh) | 一种基于决策树的测试用例排序方法和装置 | |
CN114359681A (zh) | 图像识别模型训练、图像识别方法、装置、设备及介质 | |
CN114495057A (zh) | 数据采集方法、电子设备和存储介质 | |
CN115830399A (zh) | 分类模型训练方法、装置、设备、存储介质和程序产品 | |
CN114297048A (zh) | 一种自动驾驶仿真测试方法、***、电子设备及存储介质 | |
CN112434717B (zh) | 一种模型训练方法及装置 | |
WO2023137864A1 (zh) | 基于自动驾驶的感知决策模型升级方法、***及电子装置 | |
CN111444847A (zh) | 一种交通标志检测识别方法、***、装置及存储介质 | |
CN114724140A (zh) | 一种基于yolo v3的草莓成熟度检测方法、装置 | |
CN116028702A (zh) | 学习资源推荐方法、***及电子设备 | |
CN117724982A (zh) | 仿真测评方法、装置、电子设备及存储介质 | |
CN114049764B (zh) | 一种基于卷积长短时记忆神经网络的交通仿真方法及*** | |
CN116894317A (zh) | 数据处理方法、装置、电子设备和介质 | |
CN112559000B (zh) | 车辆的整车软件更新方法及装置 | |
CN112729319A (zh) | 一种自动化数据采集分析***及方法 | |
CN112308090A (zh) | 图像分类方法及装置 | |
CN113010510A (zh) | 业务识别方法、装置、***及计算设备 | |
CN110796024B (zh) | 一种针对失效样本的自动驾驶视觉感知测试方法和装置 | |
CN114861793A (zh) | 一种信息处理方法、装置及存储介质 | |
CN115273026A (zh) | 一种自动驾驶数据处理方法、装置、电子设备及介质 | |
CN118092210A (zh) | 消息处理方法、装置、电子设备及介质 | |
CN117371125A (zh) | 模型训练方法、问题定位方法、装置及设备 |
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 |