CN114818381A - 自动驾驶汽车测试场景库的构建方法 - Google Patents
自动驾驶汽车测试场景库的构建方法 Download PDFInfo
- Publication number
- CN114818381A CN114818381A CN202210588192.7A CN202210588192A CN114818381A CN 114818381 A CN114818381 A CN 114818381A CN 202210588192 A CN202210588192 A CN 202210588192A CN 114818381 A CN114818381 A CN 114818381A
- Authority
- CN
- China
- Prior art keywords
- scene
- cut
- library
- distance
- test
- 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
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
Abstract
一种自动驾驶汽车测试场景库的构建方法,属于自动驾驶测试技术领域。本发明的目的是针对不同的场景类型、自动驾驶汽车模型和性能指标提出了一种针对测试场景库生成问题通用框架的自动驾驶汽车测试场景库的构建方法。本发明的步骤是:场景描述与场景关键变量参数化,提取切入场景原始数据,对切入场景数据进行拟合,采用多参数吉布斯抽样方法进行采样生成原始场景库,设计场景风险函数,设计切入场景辅助目标函数,代理模型构建,使用风险函数搜索关键场景,辅助目标函数提供搜索方向,生成测试场景库。本发明可以对高维度场景进行构建,相比其他方法对汽车的测试次数更少,可以加速评估自动驾驶汽车测试。
Description
技术领域
本发明属于自动驾驶测试技术领域。
背景技术
近年来,随着自动驾驶技术的飞速发展,自动驾驶汽车商业化进程取得了长足的进步。安全一直是智能汽车发展过程中的核心命题。研究表明,至少应进行100亿公里的道路测试,以在95%的置信度下验证自动驾驶汽车的安全性。测试和验证要在无穷多的场景下进行,这对自动驾驶企业来说是一个挑战。传统测试存在周期长、成本高等一系列不足,难以满足更新周期短、设计复杂的高水平自动驾驶汽车的测试要求。虚拟仿真技术可以模拟真实世界的驾驶环境并执行测试和验证在计算机软件中,降低了成本,加快了测试过程。场景是虚拟仿真试验的基础。设计合理的方案可以提高测试效率,提高验证的置信度。方案设计的多样性、合理性和关键性是影响方案设计的主要因素。多样性意味着场景可以覆盖尽可能多的不同类型;合理性要求虚拟场景符合现实世界的规则;关键性要求在场景设计中选择更有价值的案例进行测试。
自动驾驶汽车是一种功能非常强大的智能驾驶汽车。对于我们出行非常方便。但是目前自动驾驶汽车并没有发展到完全自动驾驶的时代,而是半自动驾驶半人工驾驶,自动驾驶功能只是起了一个协助的作用。早期的简单的辅助驾驶***仅仅依赖车载或者环境传感器的数据进行开环测试即可完成功能验证,然而随着越来越多的自动驾驶公司致力于SAE L5级别的自动驾驶解决方案,闭环测试就显得必不可少。
测试是汽车自动驾驶技术研发和实际应用的关键。测试的关键性体现在两个方面:一是测试与技术研发相互促进。自动驾驶技术通过“研发、测试、再研发、再测试”的迭代过程逐步发展完善;二是由于汽车自动驾驶的黑箱特性。测试是汽车自动驾驶实际应用的必由之路。测试已经成为企业分析自动驾驶技术成熟程度的有效办法,也是监督者判断汽车自动驾驶能否安全和高效运行的重要手段。与传统车辆的模块化测试不同,汽车自动驾驶的测试注重对整车性能的评估。而传统车辆的测试侧重对车辆安全相关的零部件的***的评估,加上在传统车辆中由驾驶员完成全部驾驶任务,车辆测试无须考虑驾驶员负责的功能。而在自动驾驶车辆中采用智能技术部件部分或者完全替代驾驶员,使得整车***具有黑箱性和智能性的特点;再考虑车辆行驶环境的复杂性,汽车自动驾驶的测试评价面临诸多挑战。
发明内容
本发明的目的是针对不同的场景类型、自动驾驶汽车模型和性能指标提出了一种针对测试场景库生成问题通用框架的自动驾驶汽车测试场景库的构建方法。
本发明的步骤是:
S1.场景描述与场景关键变量参数化
切入场景的关键因素被简化为两个维度:
X=[R,Ve]T (1)
其中R和Ve表示在切入时刻的距离和速度,即前车后保险杠与本车前保险杠之间的纵向距离和速度,X为所有关键变量的集合;
S2、对自然驾驶数据进行分析,提取切入场景原始数据
对于每个切入事件,切入时刻由前方车辆越过车道标记时的时间瞬间确定,并记录该时刻的距离和速度以进行分析,设计了以下查询条件:①车辆在切入时间的速度;②切入时间的相对距离;
其中R-1表示自我车和前车之间距离的倒数,μ和σ是正态分布的均值和方差参数;
Ve通过采用如下等式的指数分布进行拟合:
其中λ是指数分布的速度参数,然后采用多参数吉布斯抽样方法,根据上述概率分布函数对自然驾驶数据采样生成原始场景库;
S4、设计场景风险函数
定义场景的风险如下所示:
W(X|θ)=P(Y|X,θ)P(X|θ) (4)
其中X表示测试场景库的关键变量,θ表示测试场景库的预定参数,Y表示切入场景事故事件,W(X|θ)表示场景的风险,P(Y|X,θ)表示汽车在切入场景中的机动挑战,P(X|θ)表示切入场景发生在道路中的发生频率;
S5、设计切入场景辅助目标函数
通过最小归一化正增强碰撞时间估计机动挑战,ETTC是针对不同速度场景的最广泛使用的安全评估指标之一,被定义为:
其中R(t)和Ve(t)为时刻t时的距离和距离率,ur(t)为相对加速度,ETTC为碰撞时间,采用了一个归一化因子,表示为UI,并通过自然驾驶数据分析进行校准,ETTC的负值将设置为1,然后,最小的归一化正ETTC为:
mnpETTC(t)=mintnpETTC(t) (6)
其中:
场景的发生频率是通过场景与公共集合之间的距离来估计的,公共集由自然驾驶数据分析确定,距离定义为:
其中:Ω表示公共集,md表示关键变量的维度,UF,i表示第i个维度的归一化因子,y表示为在公共集的其他关键变量,yi表示在公共集的第i个其他变量,Xi表示第i个关键变量,参数有自然驾驶数据校正;
切入案例的辅助目标函数如下所示:
其中J(x)表示辅助目标函数,mnpETTC表示最小归一化碰撞时间,d(X,Ω)表示场景变量X和高发生频率区域Ω之间的距离,ω表示平衡这两项的权重系数;
S6、代理模型构建,分析自然驾驶数据,利用自然驾驶数据校准模型
一个校准的智能驾驶模型被选为切入事件后汽车跟随行为的代理模型:
其中s0、bIDM和T是常数参数,添加了加速度和速度的约束为:
vmin≤v≤vmax,amin≤u≤amax (12)
事故事件定义为范围小于阈值,即R(t)<dacci;
S7、使用风险函数搜索关键场景,辅助目标函数提供搜索方向,生成测试场景库。
本发明关键场景的阈值确定为:
其中N为切入场景的总数。
本发明的有益效果是:
1.其他构建自动驾驶汽车测试场景库的方法只适合低维度场景。而本发明可以对高维度场景进行构建;
2.本发明为构建自动驾驶汽车测试场景库提供一个比较全面的框架或步骤。按照此框架可以对不同类型的工况或操作设计域生成对应的测试场景库,以进行自动驾驶汽车的测试评价工作;
3.本发明所用方法生成的测试场景库相比其他方法对汽车的测试次数更少,可以加速评估自动驾驶汽车测试。
附图说明
图1是自动驾驶汽车测试场景库通用整体框架;
图2是切入案例工况图;
图3是切入场景概率分布图;
图4a是切入场景距离分布拟合曲线;
图4b是切入场景速度分布拟合曲线;
图5是代理模型安全性能图;
图6是测试场景库概率分布图;
图7a是自然驾驶数据对事故率评估结果曲线;
图7b是本发明提出方法对事故率评估结果曲线。
具体实施方式
本发明针对不同的场景类型、自动驾驶汽车模型和性能指标提出了一种针对测试场景库生成问题的通用框架。尽管提出的框架是通用的,但是存在一些其他的问题会因不同的情况而异,例如自然驾驶数据分析和处理过程、不同场景的关键变量不同以及不同场景的变量维度不同等。其次,所提出的框架处理不同性能指标的能力非常重要。经过仔细调研,大多数现有发明只关注安全性,这个性能指标对于即将部署的自动驾驶汽车是必不可少的。最后,将所提出的方法直接应用于高维情况之中可能会出现问题,因为关键场景搜索的计算复杂度随着维数的增加呈指数增长。但是,大多数驾驶场景本身就是高维的,解决高维度问题是必然要面对的一个问题。
本发明通过设计风险函数和辅助目标函数对自然驾驶数据进行采样,最终生成测试场景库。第一大步骤为场景描述与场景关键变量参数化。场景关键变量指的是场景中对于自动驾驶汽车具有决定意义的变量,例如切入场景中的主车速度以及和前车之间相对距离。第一步骤还包括对自然驾驶数据进行分析,并提取目标场景原始数据。第二大步骤为对上一步骤中提取得到的数据进行分变量拟合,例如在切入场景中可以用适当的概率密度函数分别对主车速度以及和前车之间相对距离这两个变量进行拟合,然后根据概率密度函数在关键影响的参数空间中采样。采样后得到的场景数据生成原始场景库。采用多参数吉布斯抽样方法,根据概率分布函数生成原始场景库。吉布斯抽样的主要思想是根据关键变量的当前值,依次从每个变量的分布中生成一个个体,从而生成高维变量的样本。因此,生成样本的序列就形成了一个马尔可夫链,这个马尔可夫链的平稳分布就是目标高维分布。第三大步骤为场景风险函数的设计、场景辅助目标函数的设计、还有代理模型的构建。场景的风险本质是衡量其在评估性能指标的重要性。场景风险设计为场景的发生频率和机动挑战的乘积。
定义场景的风险如下所示:
W(X|θ)=P(Y|X,θ)P(X|θ)
其中X表示测试场景库的关键变量,θ表示测试场景库的预定参数,Y表示自动驾驶汽车感兴趣的事件(例如事故),W(X|θ)表示场景的风险,P(Y|X,θ)表示汽车的机动挑战,P(X|θ)表示场景发生在道路中的发生频率。代理模型为自动驾驶汽车。引入代理模型的原因是:我们假设没有确切的自动驾驶汽车行为模型。因此,我们引入代理模型来反映不同自动驾驶汽车的一些通用特征。理想的代理模型应该根据类似于人类驾驶模型校准的实际驾驶数据进行校准。然而,在现阶段,很少有公开的自动驾驶数据可用于公共研究。因此,我们利用人类驾驶数据来校准代理模型。这是合理的,因为人类驾驶员的共同行为特征可以作为自动驾驶汽车评估的标准。人类驾驶员的关键场景也是自动驾驶汽车的有意义的测试场景。此外,许多算法都是通过模仿人类的驾驶行为来开发的。机动挑战为自动驾驶汽车在场景中遇到感兴趣的事件的概率。场景的发生频率表示场景在道路上发生的概率。为了计算场景风险,P(X|θ)可以根据原始场景库计算,而是P(Y|X,θ)通过模拟代理模型获得的。该定义还表明,在现实世界中具有较高发生概率和较高机动挑战的场景应该具有更高的自动驾驶汽车评估优先级。尽管大多数关键场景很少见,但部分场景的发生频率比其他场景高几个数量级。设计辅助目标函数的原因是:直接使用风险函数作为目标函数是有问题的。风险函数提供的关键场景搜索方向的信息很少,导致优化过程降级为随机抽样过程,这对于复杂场景来说效率低下。为了解决这个问题,设计了一个辅助目标函数来指导搜索方向。在辅助目标函数下,采用多起点优化方法搜索局部关键场景。第四大步骤是使用第三大步骤的风险函数搜索关键场景,并在搜索的过程中使用设计的辅助目标函数提供搜索方向,所有场景风险超过设定阈值的场景都将包含在测试场景库中。最后利用生成的测试场景库利用蒙特卡洛模拟进行汽车安全性的估计。
本发明的目的通过以下技术方案实现:设计风险函数和辅助目标函数对自然驾驶数据进行采样,最终生成测试场景库。包括以下步骤:
步骤一:场景描述与场景关键变量参数化;
步骤二:对自然驾驶数据进行分析,提取目标场景原始数据;
步骤三:对目标场景数据进行拟合,采用多参数吉布斯抽样方法进行采样生成原始场景库;
步骤四:设计场景风险函数。场景风险函数设计为场景的发生频率和机动挑战的乘积;
步骤五:设计目标场景辅助目标函数。分析自然驾驶数据,确定辅助目标函数的参数;
步骤六:代理模型构建,分析自然驾驶数据,利用自然驾驶数据校准模型;
步骤七:使用风险函数搜索关键场景,辅助目标函数提供搜索方向,并将所有场景风险超过设定阈值的场景都将包含在测试场景库中;
步骤八:进行蒙特卡洛模拟,使用生成的测试场景库对汽车安全性进行评估。
下面结合附图进一步详细描述本发明的技术内容,构造特点本发明为自动驾驶汽车测试场景库生成提供了一个框架,该框架如图1所示,该框架包含以下步骤:1.场景描述与场景关键变量参数化(本发明中以切入工况为例,切入场景关键变量为本车速度Ve以及本车和前车的距离R)2.对自然驾驶数据进行分析,并提取目标场景原始数据。(本发明所用自然驾驶数据为SPMD数据集,提取目标场景为切入场景原始数据)3.对目标场景关键变量数据进行拟合,并采用多参数吉布斯抽样方法进行采样自然驾驶数据生成原始场景库。(本发明利用概率密度函数对切入场景关键变量本车速度Ve以及本车和前车的距离R进行拟合,然后根据概率密度函数在关键影响的参数空间中采样。采样后得到的场景数据生成原始场景库。采用多参数吉布斯抽样方法,根据概率分布函数生成原始场景库)4.设计场景风险函数。场景风险函数设计为场景的发生频率和机动挑战的乘积(本发明场景的发生频率为切入场景在自然驾驶数据集中的发生概率。机动挑战由后面第六点代理模型获得)。5.设计场景辅助目标函数。分析自然驾驶数据,确定辅助目标函数的参数(本发明场景辅助目标函数根据切入场景进行构建,并根据原始场景库中的数据确定辅助目标函数的参数)。6.代理模型构建,分析自然驾驶数据,利用自然驾驶数据校准模型(本发明代理模型采用已存在的IDM模型作为切入后的跟驰模型,并用切入场景数据对模型进行校准)。7.使用风险函数搜索关键场景,辅助目标函数提供搜索方向,并将所有场景风险超过设定阈值的场景都将包含在测试场景库中。8.进行蒙特卡洛模拟,使用生成的测试场景库对汽车安全性进行评估。具体地:
将使用本发明提出的框架对切入案例进行分析。切入案例具体指的是现实社会中本车辆正常行驶过程中,有前方车辆***到本车辆前方的过程。切入案例是在现实世界中非常普遍的。切入案例工况图如图2所示。下面将按照测试场景库框架进行分析。
1.场景描述与场景关键变量参数化
与大多数现有发明类似,切入案例的关键因素被简化为两个维度。即:
X=[R,Ve]T (1)
其中R和Ve表示在切入时刻的距离(前车后保险杠与本车前保险杠之间的纵向距离)和速度。X为所有关键变量的集合。为了简化,假设背景车辆在切入行为后保持恒定速度,并且道路环境参数是预先确定的。所有这些预先确定的参数都表示为θ。
2.对自然驾驶数据进行分析,提取切入场景原始数据
本发明示例中所用数据集是来自密歇根大学安全试验模型部署SPMD数据集。在数据库中,有98辆配备了数据采集***的轿车,可以以10Hz的频率测量自身车辆,先前车辆和车道标记之间的纵向和横向距离。通过分析这些横向距离,可以识别切入事件。对于每个切入事件,切入时刻由前方车辆越过车道标记时的时间瞬间确定,并记录该时刻的距离和速度以进行分析。在本发明中,设计了以下查询条件,以从数据库中提取所有切入事件。(1)车辆在切入时间的速度属于(2m/s,30m/s);(2)切入时间的相对距离属于(0.1m,90m)。成功获得了52635合格的事件。自然驾驶数据的分布如图3所示,其中较亮的颜色表示较高的发生频率。距离和速度分别以2m和0.4m/s离散化。
3.对切入场景数据进行拟合,采用多参数吉布斯抽样方法进行采样生成原始场景库对提取的切入数据集进行分析,找到关键影响变量的适当拟合概率密度函数。其中R-1的分布如图4(a)所示,R-1为距离R的倒数。用对数正态分布来描述。可以通过以下概率密度函数对R-1进行采样:
其中R-1表示自我车和前车之间距离的倒数。μ和σ是正态分布的均值和方差参数。
Ve通过采用如下等式的指数分布进行拟合:
其中λ是指数分布的速度参数。Ve的拟合结果如图4(b)所示。然后采用多参数吉布斯抽样方法,根据上述概率分布函数对自然驾驶数据采样生成原始场景库。
4.设计场景风险函数。场景风险函数设计为切入场景发生频率和机动挑战的乘积。定义场景的风险如下所示:
W(X|θ)=P(Y|X,θ)P(X|θ) (4)
其中X表示测试场景库的关键变量,θ表示测试场景库的预定参数,Y表示切入场景事故事件,W(X|θ)表示场景的风险,P(Y|X,θ)表示汽车在切入场景中的机动挑战,P(X|θ)表示切入场景发生在道路中的发生频率。
5.设计切入场景辅助目标函数。分析切入场景数据,确定辅助目标函数的参数为了提供关键场景的搜索方向,辅助目标函数被设计为估计的机动挑战和原始场景库切入场景发生频率的乘积。通过最小归一化正增强碰撞时间(mnpETTC)估计机动挑战。ETTC是针对不同速度场景的最广泛使用的安全评估指标之一,它被定义为:
其中R(t)和Ve(t)为时刻t时的距离和距离率,ur(t)为相对加速度,ETTC为碰撞时间。通过模拟,可以得到不同场景下的ETTC值。为了使指数具有可比性,我们采用了一个归一化因子,表示为UI,并通过自然驾驶数据分析进行校准。ETTC的负值将设置为1。然后,最小的归一化正ETTC(mnpETTC)可以计算为:
mnpETTC(t)=mint npETTC(t) (6)
其中:
场景的发生频率是通过场景与公共集合(即高发生频率的场景)之间的距离来估计的。
公共集由自然驾驶数据分析确定,距离定义为:
其中:Ω表示公共集,md表示关键变量的维度,UF,i表示第i个维度的归一化因子,y表示为在公共集的其他关键变量,yi表示在公共集的第i个其他变量,Xi表示第i个关键变量,参数有自然驾驶数据校正。
切入案例的辅助目标函数示例如下所示:
其中J(x)表示辅助目标函数,mnpETTC表示最小归一化碰撞时间,d(X,Ω)表示场景变量X和高发生频率区域Ω之间的距离,ω表示平衡这两项的权重系数。辅助目标函数的参数值如表1所示。
表1:辅助目标函数参数值
参数 | 值 | 参数 | 值 |
m<sub>d</sub> | 2 | U<sub>I</sub> | 100 |
U<sub>F,1</sub> | 18 | U<sub>F,2</sub> | 20 |
6.代理模型构建,分析自然驾驶数据,利用自然驾驶数据校准模型代理模型构建是库生成过程中非常重要的一步。引入代理模型的原因是:(1)机动挑战P(Y|X,θ)是通过模拟代理模型获得的。(2)我们假设没有确切的自动驾驶汽车行为模型。因此,我们引入代理模型来反映不同自动驾驶汽车的一些通用特征。理想的代理模型应该根据类似于人类驾驶模型校准的实际驾驶数据进行校准。然而,在现阶段,很少有公开的自动驾驶数据可用于公共研究。因此,我们利用人类驾驶数据来校准代理模型。
在这个案例研究中,一个校准的智能驾驶模型(IDM)被选为切入事件后汽车跟随行为的代理模型:
其中s0、bIDM和T是常数参数。添加了加速度和速度的约束以使模型更实用(即模型容易发生事故的行为)为:
vmin≤v≤vmax,amin≤u≤amax (12)
事故事件定义为范围小于阈值,即R(t)<dacci。校准值列于表2。图5显示了所选代理模型的安全性能,其中代理模型在黄色区域的场景中发生事故。
表2:代理模型参数值
参数 | 值 | 参数 | 值 |
v<sub>max</sub> | 40m/s | v<sub>min</sub> | 2m/s |
a<sub>min</sub> | -4m<sup>2</sup>/s | a<sub>max</sub> | 2m<sup>2</sup>/s |
α<sub>IDM</sub> | 2 | β<sub>IDM</sub> | 18 |
c<sub>IDM</sub> | 4 | s<sub>0</sub> | 2 |
L<sub>IDM</sub> | 4 | T | 1 |
b<sub>IDM</sub> | 3 | d<sub>acci</sub> | 1m |
7.使用风险函数搜索关键场景,辅助目标函数提供搜索方向,生成测试场景库。
其中N为切入场景的总数。距离和速度的离散化区间分别为2m和0.4m/s,距离和距离率的范围边界分别为(0,90]和[-20,10]。所有场景风险超过阈值γ的场景都将包含在库中。
库生成过程之后获得的概率分布如图6所示。颜色表示场景的概率,与仅考虑自然驾驶数据分布的图3相比,新分布同时考虑了机动挑战和切入场景的存在频率。
8.进行蒙特卡洛模拟,使用生成的测试场景库对汽车安全性进行评估由上一步计算得出关键场景的阈值为:
其中N=1568。所有场景风险超过阈值γ的场景都将包含在库中。在这种情况下,生成的库总共包含143个场景,约占所有场景的9.12%。
在此步骤中,使用蒙特卡洛模拟进行测试评估。首先测试场景从生成的自然驾驶数据分布中提取。对于所提出的方法,测试场景是在图6中生成的库采样的。选择使用的自动驾驶模型在采样场景中进行测试,并记录事故事件。使用自然驾驶数据对事故率评估的结果如图7(a)所示,事故率收敛为1×10-3需要接近10000次测试。使用本发明测试场景库生成框架生成的场景库对事故率评估的结果如图7(b)所示,事故率收敛为1×10-3仅需要接近1000次测试。所提出的方法相比于自然驾驶数据评估方法快约10倍。
Claims (2)
1.一种自动驾驶汽车测试场景库的构建方法,其特征在于:其步骤是:
S1.场景描述与场景关键变量参数化
切入场景的关键因素被简化为两个维度:
X=[R,Ve]T (1)
其中R和Ve表示在切入时刻的距离和速度,即前车后保险杠与本车前保险杠之间的纵向距离和速度,X为所有关键变量的集合;
S2、对自然驾驶数据进行分析,提取切入场景原始数据
对于每个切入事件,切入时刻由前方车辆越过车道标记时的时间瞬间确定,并记录该时刻的距离和速度以进行分析,设计了以下查询条件:①车辆在切入时间的速度;②切入时间的相对距离;
S3、对切入场景数据进行拟合,采用多参数吉布斯抽样方法进行采样生成原始场景库R-1为距离R的倒数,用对数正态分布来描述,通过以下概率密度函数对R-1进行采样:
其中R-1表示自我车和前车之间距离的倒数,μ和σ是正态分布的均值和方差参数;
Ve通过采用如下等式的指数分布进行拟合:
其中λ是指数分布的速度参数,然后采用多参数吉布斯抽样方法,根据上述概率分布函数对自然驾驶数据采样生成原始场景库;
S4、设计场景风险函数
定义场景的风险如下所示:
W(X|θ)=P(Y|X,θ)P(X|θ) (4)
其中X表示测试场景库的关键变量,θ表示测试场景库的预定参数,Y表示切入场景事故事件,W(X|θ)表示场景的风险,P(Y|X,θ)表示汽车在切入场景中的机动挑战,P(X|θ)表示切入场景发生在道路中的发生频率;
S5、设计切入场景辅助目标函数
通过最小归一化正增强碰撞时间估计机动挑战,ETTC是针对不同速度场景的最广泛使用的安全评估指标之一,被定义为:
其中R(t)和Ve(t)为时刻t时的距离和距离率,ur(t)为相对加速度,ETTC为碰撞时间,采用了一个归一化因子,表示为UI,并通过自然驾驶数据分析进行校准,ETTC的负值将设置为1,然后,最小的归一化正ETTC为:
mnpETTC(t)=mintnpETTC(t) (6)
其中:
场景的发生频率是通过场景与公共集合之间的距离来估计的,公共集由自然驾驶数据分析确定,距离定义为:
其中:Ω表示公共集,md表示关键变量的维度,UF,i表示第i个维度的归一化因子,y表示为在公共集的其他关键变量,yi表示在公共集的第i个其他变量,Xi表示第i个关键变量,参数有自然驾驶数据校正;
切入案例的辅助目标函数如下所示:
其中J(x)表示辅助目标函数,mnpETTC表示最小归一化碰撞时间,d(X,Ω)表示场景变量X和高发生频率区域Ω之间的距离,ω表示平衡这两项的权重系数;
S6、代理模型构建,分析自然驾驶数据,利用自然驾驶数据校准模型
一个校准的智能驾驶模型被选为切入事件后汽车跟随行为的代理模型:
其中s0、bIDM和T是常数参数,添加了加速度和速度的约束为:
vmin≤v≤vmax,amin≤u≤amax (12)
事故事件定义为范围小于阈值,即R(t)<dacci;
S7、使用风险函数搜索关键场景,辅助目标函数提供搜索方向,生成测试场景库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210588192.7A CN114818381A (zh) | 2022-05-27 | 2022-05-27 | 自动驾驶汽车测试场景库的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210588192.7A CN114818381A (zh) | 2022-05-27 | 2022-05-27 | 自动驾驶汽车测试场景库的构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114818381A true CN114818381A (zh) | 2022-07-29 |
Family
ID=82518730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210588192.7A Pending CN114818381A (zh) | 2022-05-27 | 2022-05-27 | 自动驾驶汽车测试场景库的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114818381A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828638A (zh) * | 2023-01-09 | 2023-03-21 | 西安深信科创信息技术有限公司 | 一种自动驾驶测试场景脚本生成方法、装置及电子设备 |
-
2022
- 2022-05-27 CN CN202210588192.7A patent/CN114818381A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828638A (zh) * | 2023-01-09 | 2023-03-21 | 西安深信科创信息技术有限公司 | 一种自动驾驶测试场景脚本生成方法、装置及电子设备 |
CN115828638B (zh) * | 2023-01-09 | 2023-05-23 | 西安深信科创信息技术有限公司 | 一种自动驾驶测试场景脚本生成方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169567B (zh) | 一种用于车辆自动驾驶的决策网络模型的生成方法及装置 | |
Zhu et al. | Typical-driving-style-oriented personalized adaptive cruise control design based on human driving data | |
Feng et al. | Testing scenario library generation for connected and automated vehicles, part I: Methodology | |
US11308330B2 (en) | Method and device for constructing autonomous driving test scenes, terminal and readable storage media | |
Feng et al. | Testing scenario library generation for connected and automated vehicles, part II: Case studies | |
Zhao | Accelerated Evaluation of Automated Vehicles. | |
Akagi et al. | A risk-index based sampling method to generate scenarios for the evaluation of automated driving vehicle safety | |
CN111079800B (zh) | 一种智能驾驶虚拟测试的加速方法及加速*** | |
Xu et al. | Accelerated testing for automated vehicles safety evaluation in cut-in scenarios based on importance sampling, genetic algorithm and simulation applications | |
CN114815605A (zh) | 自动驾驶测试用例生成方法、装置、电子设备及存储介质 | |
Ponn et al. | An optimization-based method to identify relevant scenarios for type approval of automated vehicles | |
CN111552926A (zh) | 基于车联网的驾驶行为评价方法、***及存储介质 | |
Nitsche et al. | A novel, modular validation framework for collision avoidance of automated vehicles at road junctions | |
Hyeon et al. | Influence of speed forecasting on the performance of ecological adaptive cruise control | |
CN114818381A (zh) | 自动驾驶汽车测试场景库的构建方法 | |
Koenig et al. | Bridging the gap between open loop tests and statistical validation for highly automated driving | |
Shu et al. | Test scenarios construction based on combinatorial testing strategy for automated vehicles | |
CN113642114A (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
Su et al. | Integrated framework for test and evaluation of autonomous vehicles | |
CN115482662B (zh) | 一种危险工况下驾驶员避撞行为预测方法及*** | |
CN105869412A (zh) | 一种基于车辆行驶数据的急加速行为识别方法 | |
CN114701517A (zh) | 基于强化学习的多目标复杂交通场景下自动驾驶解决方法 | |
CN114616157A (zh) | 用于通过强化学习检查自动化的行驶功能的方法和*** | |
Yang et al. | Simulation testing scenario generation for comfort evaluation of automated vehicles | |
Sun et al. | Intelligent Vehicle Automatic Stop‐and‐Go Task Based on Humanized Learning Control Model |
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 |