CN115017742B - 自动驾驶测试场景生成方法、装置、设备及存储介质 - Google Patents
自动驾驶测试场景生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115017742B CN115017742B CN202210941004.4A CN202210941004A CN115017742B CN 115017742 B CN115017742 B CN 115017742B CN 202210941004 A CN202210941004 A CN 202210941004A CN 115017742 B CN115017742 B CN 115017742B
- Authority
- CN
- China
- Prior art keywords
- traffic participant
- data
- traffic
- scene
- vehicle
- 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.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 80
- 230000035484 reaction time Effects 0.000 claims abstract description 39
- 238000011156 evaluation Methods 0.000 claims description 34
- 230000004044 response Effects 0.000 claims description 30
- 230000008859 change Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 16
- 238000004088 simulation Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提出一种自动驾驶测试场景生成方法、装置、设备及存储介质，该方法包括：获取至少一组交通参与者数据，其中，每组交通参与者数据中，分别包括两个交通参与者的位置信息、运动速度信息和运动方向信息；分别计算每组交通参与者数据中的两个交通参与者运动至危险发生点的耗时，得到每组交通参与者数据对应的危险反应时间；至少通过从各组交通参与者数据中选择危险反应时间小于设定时间阈值的交通参与者数据，得到目标交通参与者数据；根据所述目标交通参与者数据，生成自动驾驶测试场景。该方法能够生成危险程度较高的自动驾驶测试场景，该场景能够用于测试自动驾驶车辆在危险场景下的行驶行为。
Description
技术领域
本申请涉及自动驾驶仿真测试技术领域，尤其涉及一种自动驾驶测试场景生成方法、装置、设备及存储介质。
背景技术
自动驾驶仿真测试，是指测试自动驾驶车辆或自动驾驶算法在虚拟的自动驾驶测试场景中的行驶行为，从而判断自动驾驶车辆或自动驾驶算法是否能够达到智能的自动驾驶效果，例如自动避让障碍物、紧急情况智能应对等。
通常情况下，自动驾驶的安全性更加体现在自动驾驶车辆在危险场景中的行驶是否足够智慧。因此，有必要生成影响自动驾驶车辆的行车安全性的测试场景，用于测试自动驾驶车辆在危险场景下的行驶行为。
基于上述需求，如何度量行车场景的危险性，进而基于度量结果生成危险性较高的自动驾驶测试场景，成为了自动驾驶仿真测试的迫切需求。
发明内容
基于上述技术现状，本申请提出一种自动驾驶测试场景生成方法、装置、设备及存储介质，能够度量行车场景的危险性，并且生成危险性较高的自动驾驶测试场景。
为实现上述目的，本申请具体提出如下技术方案：
本申请第一方面提出一种自动驾驶测试场景生成方法，包括：
获取至少一组交通参与者数据，其中，每组交通参与者数据中，分别包括两个交通参与者的位置信息、运动速度信息和运动方向信息；
分别计算每组交通参与者数据中的两个交通参与者运动至危险发生点的耗时，得到每组交通参与者数据对应的危险反应时间；其中，所述危险发生点包括两个交通参与者构成危险行车场景时的位置点，在所述危险行车场景中，两个交通参与者之间的距离小于设定距离阈值；
至少通过从各组交通参与者数据中选择危险反应时间小于设定时间阈值的交通参与者数据，得到目标交通参与者数据；
根据所述目标交通参与者数据，生成自动驾驶测试场景。
本申请第二方面提出一种自动驾驶测试场景生成装置，包括：
数据获取单元，用于获取至少一组交通参与者数据，其中，每组交通参与者数据中，分别包括两个交通参与者的位置信息、运动速度信息和运动方向信息；
计算单元，用于分别计算每组交通参与者数据中的两个交通参与者运动至危险发生点的耗时，得到每组交通参与者数据对应的危险反应时间；其中，所述危险发生点包括两个交通参与者构成危险行车场景时的位置点，在所述危险行车场景中，两个交通参与者之间的距离小于设定距离阈值；
数据筛选单元，用于至少通过从各组交通参与者数据中选择危险反应时间小于设定时间阈值的交通参与者数据，得到目标交通参与者数据；
场景生成单元，用于根据所述目标交通参与者数据，生成自动驾驶测试场景。
本申请第三方面提出一种电子设备，包括：
存储器和处理器；
所述存储器与所述处理器连接，用于存储程序；
所述处理器，用于通过运行所述存储器中的程序，实现上述的自动驾驶测试场景生成方法。
本申请第四方面提出一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时，实现上述的自动驾驶测试场景生成方法。
本申请提出一种自动驾驶测试场景生成方法，该方法在获取多组交通参与者数据后，分别计算每组交通参与者数据中的两个交通参与者运动至危险发生点的耗时，得到每组交通参与者数据对应的危险反应时间。交通参与者数据的危险反应时间，能够直观体现两个交通参与者所构成的行车场景的危险程度。例如，危险反应时间越短，则行车场景越危险，危险反应时间越长，则行车场景越安全。因此，通过计算交通参与者数据对应的危险反应时间，实现了对交通参与者所构成的行车场景的危险程度的度量。
在此基础上，根据每组交通参与者数据的危险反应时间，从获取的各组交通参与者数据中选择目标交通参与者数据，并根据选择的目标交通参与者数据生成自动驾驶测试场景，能够实现从获取的各组交通参与者数据中选择所构成的行车场景的危险反应时间短的，也就是行车危险性高的数据，用于生成自动驾驶测试场景，即可得到危险程度较高的自动驾驶测试场景，该自动驾驶测试场景能够用于测试自动驾驶车辆在危险场景下的行驶行为。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种自动驾驶仿真测试场景示意图。
图2为本申请实施例提供的一种自动驾驶测试场景生成方法的流程示意图。
图3为本申请实施例提供的另一种自动驾驶测试场景生成方法的流程示意图。
图4为本申请实施例提供的又一种自动驾驶测试场景生成方法的流程示意图。
图5为本申请实施例提供的一种交通场景示意图。
图6为本申请实施例提供的另一种交通场景示意图。
图7为本申请实施例提供的一种自动驾驶测试场景生成装置的结构示意图。
图8为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
本申请实施例技术方案适用于生成自动驾驶仿真测试场景的应用场景，采用本申请实施例技术方案，能够生成对于自动驾驶车辆来说危险性较高的测试场景，从而能够用于测试自动驾驶车辆在危险场景下的行驶行为。
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
示例性实施环境
图1示出了本申请实施例技术方案所适用的一种应用场景，该应用场景为自动驾驶仿真测试场景。其中，自动驾驶***内置自动驾驶控制算法，用于控制自动驾驶车辆的行驶；仿真模拟器用于按照测试需求生成虚拟的行驶环境，由自动驾驶***控制的自动驾驶车辆在仿真模拟器生成的虚拟行驶环境中行驶；测试引擎作为自动驾驶仿真测试的中央控制器，用于对整个自动驾驶仿真测试过程进行控制，包括但不限于向自动驾驶***下发测试任务、向仿真模拟器发送场景数据、监控自动驾驶车辆在行驶环境中的行驶过程等。
本申请实施例技术方案可应用于图1中所述的测试引擎。该测试引擎可以是本地处理器，也可以是云端或本地的服务器等。测试引擎通过执行本申请实施例技术方案，能够生成符合测试需求的自动驾驶测试场景，将生成的自动驾驶测试场景数据发送给仿真模拟器，仿真模拟器按照接收的数据进行场景渲染，即可得到相应的自动驾驶测试场景。
示例性方法
请参阅图2所示，本申请实施例提出一种自动驾驶测试场景生成方法，该方法包括：
S101、获取至少一组交通参与者数据，其中，每组交通参与者数据中，分别包括两个交通参与者的位置信息、运动速度信息和运动方向信息。
具体的，上述的交通参与者，是指在交通场景中所出现的、参与到实际交通过程的对象，例如可以是位于行驶道路上的机动车辆、非机动车辆、行人、路面障碍物、动物、植物等。
理论上来说，每两个交通参与者之间，均可以构成一个交通场景，例如两个机动车辆在同一车道上前后行驶时即可形成一个简单的两车前后行驶的交通场景，进而，当两车的位置、行驶速度、行驶方向不同时，还可以衍生出其他的交通场景，例如前车切入、前车制动、后车超车的交通场景等。
本申请实施例获取多组由两个交通参与者构成的交通参与者数据，用于生成包含两个交通参与者的交通场景。其中，在每一组交通参与者数据中，分别包括两个交通参与者的位置信息、运动速度信息和运动方向信息。
理论上，每一组交通参与者数据中的交通参与者可以不同，交通参与者类型也可以不同。
本申请实施例为了便于说明本申请所提出的自动驾驶测试场景生成方法的具体处理过程，获取多组由两个机动车辆构成的交通参与者数据，即在获取的每组交通参与者数据中，分别包括两辆车的位置信息、运动速度信息和运动方向信息。其中，车辆的位置信息以车辆经纬度坐标表示，车辆的运动速度信息以车辆的行驶速度大小表示，车辆的运动方向信息以车辆的行驶方向表示。
在其他场景下，获取的交通参与者数据中，也可以不完全是机动车辆的数据，例如可以是机动车辆和自行车、机动车辆和行人、机动车辆和障碍物等各种机动车辆和其他交通参与者的数据。另外，也可以根据测试目标，有选择的获取交通参与者数据。例如，假设测试目标是测试自动驾驶车辆在前方有行人的情况下的驾驶行为，则应当生成车辆行驶前方存在行人的测试场景，此时获取的交通参与者数据，应当是包含机动车辆和行人的位置信息、运动速度信息和运动方向信息的交通参与者数据。
在本申请实施例中，以两个前后相邻的交通参与者沿相同或不同车道同向行驶的场景为例，介绍相应的自动驾驶测试场景生成方法。即，在本申请实施例中，所获取的各组交通参与者数据，分别包含两个前后相邻并且同向行驶的车辆的位置信息、运动速度信息和运动方向信息。
作为一种可选的实施方式，本申请实施例从自然场景交通流数据集（如NGSIM数据集）中搜索两车构成的交通场景，并获取相应场景下的车辆位置、行驶速度和行驶方向信息，得到多组交通参与者数据。例如，从自然场景交通流数据集中，搜索前后相邻并且同向行驶的两个车辆的场景数据，即得到交通参与者数据。
S102、分别计算每组交通参与者数据中的两个交通参与者运动至危险发生点的耗时，得到每组交通参与者数据对应的危险反应时间。
其中，所述危险发生点包括两个交通参与者构成危险行车场景时的位置点，在所述危险行车场景中，两个交通参与者之间的距离小于设定距离阈值。
具体的，在现实交通场景中，当道路上的两个交通参与者之间的距离小于某一设定距离时，两个交通参与者所构成的行车场景是非常危险的，例如两辆车之间的距离很小时、车辆与行人之间的距离很小时、车辆与障碍物之间的距离很小时，是极有可能发生车辆相撞、车撞人、车撞物的交通事故的，因此，本申请实施例将上述的两个交通参与者之间的距离小于设定距离的场景，定义为危险行车场景。该危险行车场景不仅包括两个交通参与者之间的距离较小的场景，还包括两个交通参与者碰撞的场景。
可以理解，任意的两个交通参与者在各自运动过程中，若两者构成了危险行车场景，则说明两者极有可能发生交通事故，甚至发生了交通事故。在某一时刻，若两者之间的距离与两者构成危险行车场景的距离越相近，则说明两者在该时刻构成的行车场景的危险性越高；从某一时刻开始，若两个交通参与者运动至两者构成危险行车场景的位置点的耗时越短，则说明两者在该时刻构成的行车场景的危险性越高。
基于上述事实，针对获取的每组交通参与者数据，本申请实施例计算两个交通参与者运动至这两个交通参与者构成危险行车场景时的位置点的耗时，用于度量两个交通参与者所构成的行车场景的危险性。
为便于介绍，本申请实施例将两个交通参与者构成危险行车场景时的位置点，命名为危险发生点。
对于获取的每一组交通参与者数据，根据数据中所记载的两个交通参与者的位置、运动速度和运动方向，分别计算确定两个交通参与者各自运动至危险发生点的耗时。
具体而言，对于每一组交通参与者数据中的两个交通参与者，首先确定两者构成危险行车场景时的各自位置点；然后，以获取的交通参与者数据中的每个交通参与者的位置和运动速度、运动方向信息，计算每个交通参与者运动至两者构成危险行车场景时的各自位置点的耗时。
当两者耗时相同时，将两者的相同耗时作为该组交通参与者数据对应的危险反应时间；当两者耗时不同时，将两者耗时中的较大者作为该组交通参与者数据对应的危险反应时间。
上述的危险反应时间的计算适用于两个交通参与者的运行轨迹存在交点的任意场景，例如两个交通参与者同向而行、相向而行，或者第一交通参与者静止，第二交通参与者驶向第一交通参与者等。
当两个交通参与者中的其中一个静止时，这两个交通参与者构成危险行车场景时、该静止交通参与者的位置点，即为其所在位置点，因此该静止交通参与者运动至危险发生点的耗时为零。
按照上述介绍，可以分别计算确定每组交通参与者数据对应的危险反应时间。该危险反应时间的长短，体现了每组交通参与者数据所构成的交通场景的危险性。若某一组交通参与者数据所对应的危险反应时间越长，则该组交通参与者数据所构成的交通场景的危险性越低，反之，若某一组交通参与者数据所对应的危险反应时间越短，则该组交通参与者数据所构成的交通场景的危险性越高。
S103、至少通过从各组交通参与者数据中选择危险反应时间小于设定时间阈值的交通参与者数据，得到目标交通参与者数据。
具体的，通过步骤S102的处理，数值化地度量了每组交通参与者数据所构成的交通场景的危险程度。
在此基础上，本申请实施例从各组交通参与者数据中，选择危险反应时间小于设定时间阈值的交通参与者数据，作为目标交通参与者数据。其中，该设定时间阈值被设置为一较小值，由此可以从各组交通参与者数据中，选择危险程度较高的交通参与者数据。
S104、根据所述目标交通参与者数据，生成自动驾驶测试场景。
具体的，基于上述的目标交通参与者数据进行场景建模，即可得到与目标交通参与者数据对应的自动驾驶测试场景。
作为一种示例的实施例方式，可以在highway-env环境中先构建交通场景，例如构建两个前后相邻的车辆同向行驶的交通场景，然后使用目标交通参与者数据初始化该交通场景，即可生成危险程度较高的自动驾驶测试场景。
通过上述介绍可见，本申请实施例提出的自动驾驶测试场景生成方法在获取多组交通参与者数据后，分别计算每组交通参与者数据中的两个交通参与者运动至危险发生点的耗时，得到每组交通参与者数据对应的危险反应时间。交通参与者数据的危险反应时间，能够直观体现两个交通参与者所构成的行车场景的危险程度。例如，危险反应时间越短，则行车场景越危险，危险反应时间越长，则行车场景越安全。因此，通过计算交通参与者数据对应的危险反应时间，实现了对交通参与者所构成的行车场景的危险程度的度量。
在此基础上，根据每组交通参与者数据的危险反应时间，从获取的各组交通参与者数据中选择目标交通参与者数据，并根据选择的目标交通参与者数据生成自动驾驶测试场景，能够实现从获取的各组交通参与者数据中选择所构成的行车场景的危险反应时间短的，也就是行车危险性高的数据，用于生成自动驾驶测试场景，即可得到危险程度较高的自动驾驶测试场景，该自动驾驶测试场景能够用于测试自动驾驶车辆在危险场景下的行驶行为。
上述实施例所介绍的自动驾驶测试场景生成方法对每组交通参与者数据所构成的行车场景的危险程度进行了度量，并且从多组交通参与者数据中选择危险程度较高的交通参与者数据用于生成自动驾驶测试场景。利用上述方案能够生成危险程度较高的自动驾驶测试场景。
作为一种更加优选的实施方式，本申请实施例提出的自动驾驶测试场景生成方法还计算每组交通参与者数据的自然性偏离程度，然后从获取的多组交通参与者数据中选择危险程度较高，并且自然性较高的交通参与者数据，从而最终构建得到危险程度较高，并且自然性较高的自动驾驶测试场景。
参见图3所示，本申请实施例提出的自动驾驶测试场景生成方法在执行步骤S202、分别计算每组交通参与者数据中的两个交通参与者运动至危险发生点的耗时，得到每组交通参与者数据对应的危险反应时间之后，执行步骤S203、计算每组交通参与者数据与每组交通参与者数据对应的常见场景数据的差异，确定每组交通参与者数据的自然性偏离程度。
其中，上述的与交通参与者数据对应的常见场景数据，包括在自然交通场景中出现的概率超过设定概率阈值的目标自然交通场景的数据；其中，所述目标自然交通场景为所述交通参与者数据中的两个交通参与者所构成的自然交通场景。
具体的，对于每一组交通参与者数据，根据其中的两个交通参与者的位置、运动速度和运动方向，其中的两个交通参与者会构成某一种类型的自然交通场景，例如前车切入场景、前车制动场景等。本申请实施例将交通参与者数据中的两个交通参与者所构成的自然交通场景，定义为与交通参与者数据对应的目标自然交通场景。
对于每一种类型的自然交通场景，又可根据场景中的车辆速度、距离等参数的不同，分为不同的实际场景，每种实际场景在现实情况中的出现概率是不同的。例如，对于前车制动场景，两车的相对距离和相对速度可能会有各种不同的组合情况，随之即形成各种不同的前车制动场景。
本申请实施例将在自然交通场景中出现的概率超过设定概率阈值的交通场景，定义为常见交通场景。基于此，针对每一组交通参与者数据，本申请实施例将在自然交通场景中出现的概率超过设定概率阈值的目标自然交通场景的数据，定义为与交通参与者数据对应的常见场景数据。
例如，假设某一组交通参与者数据为前车制动场景中的两个车辆的数据，则将在自然场景中出现的概率超过设定概率阈值的前车制动场景数据，定义为与该组交通参与者数据对应的常见场景数据。
本申请实施例分别计算每组交通参与者数据与每组交通参与者数据对应的常见场景数据的差异，确定每组交通参与者数据的自然性偏离程度。
示例性的，通过计算每组交通参与者数据与每组交通参与者数据对应的常见场景数据的均方根误差，即可确定每组交通参与者数据与每组交通参与者数据对应的常见场景数据的差异，该均方根误差计算结果即为每组交通参与者数据的自然性偏离程度。
对于一组交通参与者数据来说，其与对应的常见场景数据的差异越小，即说明其与常见场景数据的差异越小，因此其自然性偏离程度越小，说明其越真实、自然性越好。
基于上述的自然性偏离程度的计算，本申请在从各组交通参与者数据中选择目标交通参与者数据时，将交通参与者数据的危险反应时间和自然性偏离程度相结合，选出目标交通参与者数据。
作为一种可选的实施方式，参见图3所示，可以先执行步骤S204、从各组交通参与者数据中选择危险反应时间小于设定时间阈值的交通参与者数据，然后再执行步骤S205、从危险反应时间小于设定时间阈值的交通参与者数据中，选择自然性偏离程度小于设定的偏离阈值的交通参与者数据，作为目标交通参与者数据。
作为另一种可选的实施方式，可以先分别计算每组交通参与者数据的危险反应时间以及自然性偏离程度的加权和，作为每组交通参与者数据的评估值，然后根据各组交通参与者数据的危险反应时间以及评估值，从各组交通参与者数据中选择危险反应时间小于设定时间阈值，且评估值小于设定评估值阈值的交通参与者数据，作为目标交通参与者数据。
图3所示的实施例中的步骤S201、S202、S206分别对应图2所示的方法实施例中的步骤S101、S102、S104，其具体内容请参见图2所示的方法实施例内容。
下面，以生成前车切入的自动驾驶测试场景和前车制动的自动驾驶测试场景为例，对本申请实施例所提出的自动驾驶测试场景生成方法进行具体介绍。
针对前车制动场景，本申请实施例通过如下A1-A7的处理确定前车制动场景的常见场景数据：
A1、从自然场景交通流数据集中，检索得到制动车辆信息。
具体的，首先确定一个加速度阈值T，如-2
，然后检索数据集里所有车辆，判
断其是否存在加速度小于T的时刻，如果存在，则将该时刻的车辆信息存储为制动车辆信
息，包括车辆ID、帧ID、位置、加速度等信息。
A2、根据所述制动车辆信息，从所述自然场景交通流数据集中检索得到车辆制动场景数据。
具体的，根据存储的制动车辆信息中的开始制动的时刻信息，沿着该时刻分别向后和向前连续检索b帧和f帧，同时保证检索的帧的加速度小于0且车辆ID保持不变。即可得到（b+f）帧的车辆制动场景数据。具体包括制动车辆的ID、帧ID、位置与加速度等信息。
A3、从所述车辆制动场景数据中，检索与所述制动车辆信息对应的主车辆信息。其中，所述主车辆为处于所述制动车辆之后并且与所述制动车辆位置前后相邻的车辆。
具体的，从车辆制动场景数据中，检索位于制动车辆之后，并且与制动车辆位置前后相邻的车辆，作为与制动车辆对应的主车辆。可以理解，当制动车辆开始制动时，该主车辆是直接受制动车辆制动影响的车辆。
当从车辆制动场景数据中检索到与制动车辆对应的主车辆时，获取主车辆信息，即得到与制动车辆对应的主车辆信息，具体包括车辆ID、帧ID、位置、加速度等信息。
A4、根据制动车辆信息，以及与所述制动车辆信息对应的主车辆信息，从所述车辆制动场景数据中，检索得到前车制动场景数据。
具体的，将制动车辆信息及其对应的主车辆信息进行组合，从车辆制动场景数据中，检索出每一组制动车辆信息及其对应的主车辆信息，得到前车制动场景数据。
A5、确定每一组前车制动场景数据中的主车辆与制动车辆的相对距离和相对速度信息。
具体的，对应每一组前车制动场景数据，根据其中包含的制动车辆及其对应的主车辆的位置信息，即可计算确定两者的相对距离；根据其中包含的制动车辆及其对应的主车辆的速度关系，即可计算确定两者的相对速度。
A6、基于每一组前车制动场景数据中的主车辆与制动车辆的相对距离和相对速度信息，建立相对距离与相对速度的二维密度分布直方图模型。
具体的，对于获取的所有的前车制动场景数据，以其中的主车辆与相应的制动车辆的相对速度和相对距离分别为横坐标和纵坐标，统计每一相对距离和相对速度的组合的出现概率，建立相对距离与相对速度的二维密度分布直方图模型。
在上述的二维密度分布直方图模型中，每一组相对距离和相对速度的组合对应的直方图大小，表示这种组合的出现概率大小。
A7、根据所述相对距离与相对速度的二维密度分布直方图模型，从各组前车制动场景数据中，提取概率密度大于预设的概率密度阈值的前车制动场景数据，作为与前车制动场景数据对应的常见场景数据。
具体的，基于上述的相对距离与相对速度的二维密度分布直方图模型，从各组前车制动场景数据中，提取概率密度大于预设的概率密度阈值的前车制动场景数据，即可得到与前车制动场景数据对应的常见场景数据。
针对前车切入场景，本申请实施例通过如下B1-B7的处理确定前车制动场景的常见场景数据：
B1、从自然场景交通流数据集中，检索得到变道车辆信息。
具体的，首先检索数据集里所有车辆，判断其是否存在车道ID发生变化的时刻，如果存在，则将该时刻的车辆信息存储为变道车辆信息，包括车辆ID、帧ID、原始车道ID、目的车道ID等信息。
B2、根据所述变道车辆信息，从所述自然场景交通流数据集中检索得到车辆变道场景数据。
具体的，根据存储的变道车辆信息中的车辆变道时刻信息，沿着该时刻分别向后和向前连续检索b帧和f帧，同时保证检索的帧的横向坐标几乎不变且车道ID保持不变，即可得到（b+f）帧的车辆变道场景数据，该数据具体包括切入车辆的ID，帧ID，位置与速度等信息。
B3、从所述车辆变道场景数据中，检索与所述变道车辆信息对应的主车辆信息。其中，所述主车辆为处于所述变道车辆变道后的位置之后，并且与所述变道车辆变道后的位置前后相邻的车辆。
具体的，从车辆变道场景数据中，检索位于变道车辆变道完成后所在位置之后，并且与变道车辆变道后位置前后相邻的车辆，作为与变道车辆对应的主车辆。
从车辆变道场景数据中，检索与变道车辆信息对应的主车辆信息，同时保证主车的帧ID、时间戳与切入车辆一致且主车前方车辆的ID与切入车辆的ID一致，然后根据切入车辆的开始时刻信息确定切入时的主车辆信息。
B4、根据变道车辆信息，以及与所述变道车辆信息对应的主车辆信息，从所述车辆变道场景数据中，检索得到前车切入场景数据。
具体的，将变道车辆信息及其对应的主车辆信息进行组合，从车辆变道场景数据中，检索出每一组变道车辆信息及其对应的主车辆信息，得到前车切入场景数据。
B5、确定每一组前车切入场景数据中的主车辆与切入车辆的相对距离和相对速度信息。
具体的，对应每一组前车切入场景数据，根据其中包含的变道车辆及其对应的主车辆的位置信息，即可计算确定两者的相对距离；根据其中包含的变道车辆及其对应的主车辆的速度关系，即可计算确定两者的相对速度。
B6、基于每一组前车切入场景数据中的主车辆与切入车辆的相对距离和相对速度信息，建立相对距离与相对速度的二维密度分布直方图模型。
具体的，对于获取的所有的前车切入场景数据，以其中的主车辆与相应的变道车辆的相对速度和相对距离分别为横坐标和纵坐标，统计每一相对距离和相对速度的组合的出现概率，建立相对距离与相对速度的二维密度分布直方图模型。
在上述的二维密度分布直方图模型中，每一组相对距离和相对速度的组合对应的直方图大小，表示这种组合的出现概率大小。
B7、根据所述相对距离与相对速度的二维密度分布直方图模型，从各组前车切入场景数据中，提取概率密度大于预设的概率密度阈值的前车切入场景数据，作为与前车切入场景数据对应的常见场景数据。
具体的，基于上述的相对距离与相对速度的二维密度分布直方图模型，从各组前车切入场景数据中，提取概率密度大于预设的概率密度阈值的前车切入场景数据，即可得到与前车切入场景数据对应的常见场景数据。
基于上述的常见场景数据，参见图4所示，当执行步骤S301、获取至少一组交通参与者数据时，本申请实施例直接从上述的常见场景数据中读取至少一组交通参与者数据。
例如从上述的前车制动常见场景数据中读取制动车辆以及对应的主车辆的位置信息、运动速度信息和运动方向信息，或者，从上述的前车切入常见场景数据中读取变道车辆以及对应的主车辆的位置信息、运动速度信息和运动方向信息。
则可以理解，本申请实施例所获取的交通参与者数据中的两个交通参与者是位于同一车道或相邻车道的、具备碰撞危险的两个交通参与者。
按照上述方式，当获取到多组交通参与者数据后，通过如下步骤S302-S307的处理，生成自动驾驶测试场景：
S302、根据交通参与者数据中的第一交通参与者和第二交通参与者的位置信息、运动速度信息和运动方向信息，预测所述第一交通参与者和所述第二交通参与者的运动轨迹交点。
具体的，由上文介绍可知，每组交通参与者数据中分别包括两个交通参与者的位置信息、运动速度信息、运动方向信息等。将两个交通参与者分别标记为第一交通参与者和第二交通参与者。然后，根据每一组交通参与者数据中的第一交通参与者和第二交通参与者的位置、运动速度和运动方向，可以预测两个交通参与者的运动轨迹交点。
本申请实施例分两个交通参与者位于同一车道或相邻车道两种情况分别预测两个交通参与者的运动轨迹交点。
若交通参与者数据中的第一交通参与者和第二交通参与者位于同一车道，则根据第一交通参与者和第二交通参与者的位置信息、运动速度信息和运动方向信息，预测第一交通参与者和第二交通参与者发生碰撞的位置点，作为第一交通参与者和第二交通参与者的运动轨迹交点。
具体而言，若交通参与者数据中的第一交通参与者和第二交通参与者的运动方向相反并且运动轨迹无交集，或者第一交通参与者和第二交通参与者运动方向相同并且位置靠后的一方的速度小于位置靠前的一方的速度，则两者不会有运动轨迹交点，这时本实施例技术方案执行到这一步骤时无法计算得到运动轨迹交点，也就无法继续执行后续处理，则这种交通参与者数据会在这一步骤的时候被丢弃或者被标记无法用于生成自动驾驶测试场景。
两个交通参与者位于同一车道同向而行，并且后者运动速度大于前者运动速度的情况下，两者有碰撞可能，或者，两者位于同一车道相向而行的情况下，两者有碰撞可能，此时可以计算得到两者的运动轨迹交点，此时，两者的运动轨迹交点，即为两者的碰撞位置点。
先根据第一交通参与者和第二交通参与者的位置信息、运动速度信息和运动方向信息，计算确定第一交通参与者和第二交通参与者的碰撞时间。
然后根据第一交通参与者和第二交通参与者中的至少一个的位置信息、运动速度信息、运动方向信息，以及所述碰撞时间，计算确定第一交通参与者和第二交通参与者发生碰撞的位置点。
例如图5所示，图中两辆车分别表示交通参与者数据中的第一交通参与者和第二交通参与者。根据第一交通参与者和第二交通参与者的位置信息、运动速度信息，可以明确两者的车速和相对距离，假设第一交通参与者的车速为v1，第二交通参与者的车速为v2，且v1大于v2，另假设两车的相对距离为r1，则根据公式r1/（v1-v2）即可计算确定第一交通参与者和第二交通参与者发生碰撞的时间。
然后，根据第一交通参与者和/或第二交通参与者当前所在位置、其运动速度和所述碰撞之间，即可计算确定两者碰撞时的位置，即确定两者发生碰撞的位置点。
参照上述处理，可以针对前车制动场景，计算确定两车的运动轨迹交点。
若交通参与者数据中的第一交通参与者和第二交通参与者位于相邻车道，则根据第一交通参与者和第二交通参与者的位置信息和运动方向信息，预测第一交通参与者和第二交通参与者的行进路线的交点，作为第一交通参与者和第二交通参与者的运动轨迹交点。
其中，第一交通参与者和第二交通参与者的行进路线，是指第一交通参与者和第二交通参与者的运动轨迹沿运动方向的延长线。
具体而言，若交通参与者数据中的第一交通参与者和第二交通参与者的运动方向相反并且运动轨迹无交集，或者第一交通参与者和第二交通参与者的运动方向相同并且位置靠后的一方的运动速度小于位置靠前的一方的运动速度，则两者不会有运动轨迹交点，这时本实施例技术方案执行到这一步骤时无法计算得到运动轨迹交点，也就无法继续执行后续处理，则这种交通参与者数据会在这一步骤的时候被丢弃或者被标记无法用于生成自动驾驶测试场景。
两个交通参与者位于相邻车道的情况下，若两者相向而行，则其中任意一方向对方所在车道偏航，会使得两者的行进路线有交点，或者，若两者同向而行，在后者速度大于前者速度的情况下，其中任意一方向对方所在车道偏航，也会以使得两者的行进路线相交。
例如图6所示，图中两辆车分别表示交通参与者数据中的第一交通参与者和第二交通参与者。假设第一交通参与者的车速为v1，第二交通参与者的车速为v2，在v1大于v2的情况下，若其中任意一方向对方所在车道偏航，会使得两者的行进路线相交，此时即存在碰撞危险。
因此，针对上述的两个交通参与者位于相邻车道的情况，本申请实施例将第一交通参与者和/或第二交通参与者的运动方向朝向对方所在车道偏移设定角度，得到第一交通参与者和/或第二交通参与者的更新后的运动方向；
然后根据第一交通参与者和第二交通参与者的位置信息和更新后的运动方向信息，确定第一交通参与者和第二交通参与者的行进路线的交点。
参见图6所示，将第一交通参与者的运动方向朝向第二交通参与者所在车道偏移
较小的角度
，该角度
取0度至10度之间。当第一交通参与者的运动方向偏转后，第一交通
参与者与第二交通参与者的行进路线相交，同时可以确定两者行进路线交点的位置。
参照上述处理，对于前车切入场景，可以计算确定两车的行进路线交点。具体计算
时，前车切入的角度，即对应上述的运动方向偏移角度
。当前车行进路线的偏移角度
确定
时，可以确定前车与后车的行进路线交点。
S303、根据第一交通参与者和第二交通参与者的位置信息和运动速度信息，计算确定第一交通参与者和第二交通参与者运动至所述运动轨迹交点的最长耗时，作为交通参与者数据对应的危险反应时间。
具体的，对于交通参与者数据中的第一交通参与者和第二交通参与者位于同一车道的情况，两者的运动轨迹交点为两者发生碰撞的位置点，根据第一交通参与者和第二交通参与者的当前位置坐标、运动速度和上述的运动轨迹交点的位置坐标，即可计算确定第一交通参与者和第二交通参与者分别运动至该运动轨迹交点的耗时，取两者耗时的最长耗时，作为该交通参与者数据对应的危险反应时间。
对于交通参与者数据中的第一交通参与者和第二交通参与者位于相邻车道的情况，根据第一交通参与者和第二交通参与者的当前位置、运动速度，可以计算确定第一交通参与者与两者的行进路线交点的距离d1，以及确定第二交通参与者与两者的行进路线交点的距离d2。进而，可以分别计算确定第一交通参与者从当前位置运动至上述行进路线交点的耗时t1，以及计算确定第二交通参与者从当前位置运动至上述行进路线交点的耗时t2。然后取t1和t2中的最大者，作为该交通参与者数据对应的危险反应时间。
本申请实施例提出的计算两个交通参与者运动至两者的运动轨迹交点的耗时的处理过程，首先确定两者的运动轨迹交点，然后计算两者分别运动至两者的运动轨迹交点的耗时，并且区两者耗时的最大者作为两个交通参与者所构成的交通场景的危险反应时间，由此达到了量化场景危险程度的目的。
上述的危险反应时间计算方案由于确定轨迹交点更加灵活，因此其对于两个交通参与者位于同一车道或不同车道的情况均是适用的。因此，本申请实施例提出的量化交通场景危险程度的方法，能够适用更多的交通场景，因此能够用于识别更多类型的危险交通场景。
S304、计算每组交通参与者数据与每组交通参与者数据对应的常见场景数据的均方根误差，作为每组交通参与者数据的自然性偏离程度。
具体的，对于交通参与者数据对应的常见场景数据的数量通常是比较多的，可以将交通参与者数据对应的全部常见场景数据进行归集，得到常见场景数据集合Ω，该常见场景数据集合又可视为是与交通参与者数据对应的交通场景对应的场景数据空间。
假设某一组交通参与者数据为x，则可以通过如下公式计算该组交通参与者数据与该组交通参与者数据对应的常见场景数据的均方根误差：
其中，y为常见场景数据集合Ω中的常见场景数据；
表示场景数据的数据维度；
为归一化参数，由自然数据集分析得来。
参照上述处理，可以分别计算确定每组交通参与者数据的自然性偏离程度。
S305、分别计算每组交通参与者数据的危险反应时间以及自然性偏离程度的加权和，得到每组交通参与者数据的评估值。
具体的，假设交通参与者数据x的危险反应时间表示为
，自然性偏离程度
表示为
，本申请实施例为自然性偏离程度设置权重，然后将交通参与者数据的危险
反应时间和自然性偏离程度进行加权求和，得到交通参与者数据的评估值
。
S306、从各组交通参与者数据中选择评估值小于设定评估值阈值的交通参与者数据，作为目标交通参与者数据。
具体的，通过步骤S305的处理，分别计算确定每组交通参与者数据的评估值后，可以对筛选出的各组交通参与者数据进行筛选，从各组交通参与者数据中选出评估值小于设定评估值阈值的交通参与者数据，作为目标交通参与者数据。
或者，从各组交通参与者数据中，选出危险反应时间小于设定时间阈值，并且评估值小于设定评估值阈值的交通参与者数据，作为目标交通参与者数据。
作为一种可选的实施方式，还可以将已选出的交通参与者数据的评估值，用于指导获取交通参与者数据的处理过程。例如，借助贝叶斯优化器从上述的常见场景数据中搜索交通参与者数据，同时计算搜索到的交通参与者数据的评估值，并将已搜索到的交通参与者数据的评估值作为贝叶斯优化器的参考输入，贝叶斯优化器能够根据已搜索出的交通参与者数据的评估值，来调整后续的搜索路径，从而有利于缩小搜索空间，有利于更高效地搜索出评估值较小的交通参与者数据。
S307、根据所述目标交通参与者数据，生成自动驾驶测试场景。
经过上述步骤S301-S306的处理，可以得到多组目标交通参与者数据。
在利用得到的多组目标交通参与者数据生成自动驾驶测试场景时，本申请实施例先对获取的多组目标交通参与者数据进行聚类筛选，进一步选出更优质的交通参与者数据用于生成自动驾驶测试场景。
具体的，先对多组目标交通参与者数据进行聚类，得到至少一个目标交通参与者数据簇。
然后从各个目标交通参与者数据簇中，选出评估值均值最小的目标交通参与者数据簇，根据所述评估值均值最小的目标交通参与者数据簇，生成自动驾驶测试场景。
作为一种可选的聚类方法，本申请实施例采用K-means聚类算法对搜索到的大量目标交通参与者数据进行聚类。K-means算法是经典的基于划分的聚类方法，它的基本思想是，通过迭代寻找k个簇，使得聚类结果对应的损失函数最小。其中，损失函数可以定义为各个样本距离所属簇中心点的误差平方和：
其中
代表第
个样本，
是
所属的簇，
代表簇对应的中心点，
是簇的总数。
具体方法步骤如下所述：
（1）首先随机初始化k个目标交通参与者数据样本作为聚类中心
；
（2）针对每个目标交通参与者数据样本
计算它到k个聚类中心的距离并将其分
到距离最小的聚类中心所对应的类中；
（3）针对每个类簇
，重新计算它的聚类中心
；
（4）迭代（2）、（3）步，直到损失函数
收敛。
对于每个生成的类簇
，计算评估值均值：
其中
为类簇
的样本总数。
最后，从所有类簇中，选择M最小的类簇，并将该类簇中的目标交通参与者数据，用作生成自动驾驶测试场景的数据。
在highway-env中先构建交通场景，例如构建两个前后相邻的车辆同向行驶的交通场景，然后使用选出的目标交通参与者数据初始化该交通场景，即可生成危险程度较高的自动驾驶测试场景。
例如对于前车制动和前车切入的交通场景，先在highway-env中先构建简单的前车制动和前车切入的交通场景，然后利用通过上述步骤得到的前车制动的交通参与者数据，和前车切入的交通参与者数据，对生成的前车制动和前车切入的交通场景进行初始化，即可生成危险程度较高的前车制动和前车切入的自动驾驶测试场景。
示例性装置
相应的，本申请实施例还提供了一种自动驾驶测试场景生成装置，参见图7所示，该装置包括：
数据获取单元100，用于获取至少一组交通参与者数据，其中，每组交通参与者数据中，分别包括两个交通参与者的位置信息、运动速度信息和运动方向信息；
计算单元110，用于分别计算每组交通参与者数据中的两个交通参与者运动至危险发生点的耗时，得到每组交通参与者数据对应的危险反应时间；其中，所述危险发生点包括两个交通参与者构成危险行车场景时的位置点，在所述危险行车场景中，两个交通参与者之间的距离小于设定距离阈值；
数据筛选单元120，用于至少通过从各组交通参与者数据中选择危险反应时间小于设定时间阈值的交通参与者数据，得到目标交通参与者数据；
场景生成单元130，用于根据所述目标交通参与者数据，生成自动驾驶测试场景。
作为一种可选的实施方式，所述计算单元110还用于：
计算每组交通参与者数据与每组交通参与者数据对应的常见场景数据的差异，确定每组交通参与者数据的自然性偏离程度；
其中，与交通参与者数据对应的常见场景数据，包括在自然交通场景中出现的概率超过设定概率阈值的目标自然交通场景的数据；其中，所述目标自然交通场景为所述交通参与者数据中的两个交通参与者所构成的自然交通场景；
所述至少通过从各组交通参与者数据中选择危险反应时间小于设定时间阈值的交通参与者数据，得到目标交通参与者数据，包括：
从各组交通参与者数据中选择危险反应时间小于设定时间阈值的交通参与者数据；
从危险反应时间小于设定时间阈值的交通参与者数据中，选择自然性偏离程度小于设定的偏离阈值的交通参与者数据，作为目标交通参与者数据。
作为一种可选的实施方式，所述计算单元110还用于：
计算每组交通参与者数据与每组交通参与者数据对应的常见场景数据的差异，确定每组交通参与者数据的自然性偏离程度；
其中，与交通参与者数据对应的常见场景数据，包括在自然交通场景中出现的概率超过设定概率阈值的目标自然交通场景的数据；其中，所述目标自然交通场景为所述交通参与者数据中的两个交通参与者所构成的自然交通场景；
所述至少通过从各组交通参与者数据中选择危险反应时间小于设定时间阈值的交通参与者数据，得到目标交通参与者数据，包括：
分别计算每组交通参与者数据的危险反应时间以及自然性偏离程度的加权和，得到每组交通参与者数据的评估值；
从各组交通参与者数据中选择危险反应时间小于设定时间阈值，且评估值小于设定评估值阈值的交通参与者数据，作为目标交通参与者数据。
作为一种可选的实施方式，分别计算每组交通参与者数据中的两个交通参与者运动至危险发生点的耗时，得到每组交通参与者数据对应的危险反应时间，包括：
分别计算每组交通参与者数据中的两个交通参与者运动至两者的运动轨迹交点的最长耗时，作为每组交通参与者数据对应的危险反应时间；其中，两个交通参与者的运动轨迹交点为通过预测确定的两个交通参与者发生碰撞的位置点或两个交通参与者的运动轨迹交点。
作为一种可选的实施方式，分别计算每组交通参与者数据中的两个交通参与者运动至两者的运动轨迹交点的最长耗时，作为每组交通参与者数据对应的危险反应时间，包括：
根据交通参与者数据中的第一交通参与者和第二交通参与者的位置信息、运动速度信息和运动方向信息，预测所述第一交通参与者和所述第二交通参与者的运动轨迹交点；
根据所述第一交通参与者和所述第二交通参与者的位置信息和运动速度信息，计算确定所述第一交通参与者和所述第二交通参与者运动至所述运动轨迹交点的最长耗时，作为交通参与者数据对应的危险反应时间。
作为一种可选的实施方式，根据交通参与者数据中的第一交通参与者和第二交通参与者的位置信息、运动速度信息和运动方向信息，预测所述第一交通参与者和所述第二交通参与者的运动轨迹交点，包括：
若交通参与者数据中的第一交通参与者和第二交通参与者位于同一车道，则根据所述第一交通参与者和所述第二交通参与者的位置信息、运动速度信息和运动方向信息，预测所述第一交通参与者和所述第二交通参与者发生碰撞的位置点，作为所述第一交通参与者和所述第二交通参与者的运动轨迹交点；
若交通参与者数据中的第一交通参与者和第二交通参与者位于相邻车道，则根据所述第一交通参与者和所述第二交通参与者的位置信息和运动方向信息，预测所述第一交通参与者和所述第二交通参与者的行进路线的交点，作为所述第一交通参与者和所述第二交通参与者的运动轨迹交点。
作为一种可选的实施方式，根据所述第一交通参与者和所述第二交通参与者的位置信息、运动速度信息和运动方向信息，预测所述第一交通参与者和所述第二交通参与者发生碰撞的位置点，包括：
根据所述第一交通参与者和所述第二交通参与者的位置信息、运动速度信息和运动方向信息，计算确定所述第一交通参与者和所述第二交通参与者的碰撞时间；
根据所述第一交通参与者和所述第二交通参与者中的至少一个的位置信息、运动速度信息、运动方向信息，以及所述碰撞时间，计算确定所述第一交通参与者和所述第二交通参与者发生碰撞的位置点。
作为一种可选的实施方式，根据所述第一交通参与者和所述第二交通参与者的位置信息和运动方向信息，预测所述第一交通参与者和所述第二交通参与者的行进路线的交点，包括：
将所述第一交通参与者和/或所述第二交通参与者的运动方向朝向对方所在车道偏移设定角度，得到所述第一交通参与者和/或所述第二交通参与者的更新后的运动方向；
根据所述第一交通参与者和所述第二交通参与者的位置信息和更新后的运动方向信息，确定所述第一交通参与者和所述第二交通参与者的行进路线的交点。
作为一种可选的实施方式，所述计算每组交通参与者数据与每组交通参与者数据对应的常见场景数据的差异，确定每组交通参与者数据的自然性偏离程度，包括：
计算每组交通参与者数据与每组交通参与者数据对应的常见场景数据的均方根误差，作为每组交通参与者数据的自然性偏离程度。
作为一种可选的实施方式，所述目标交通参与者数据为多组；所述根据所述目标交通参与者数据，生成自动驾驶测试场景，包括：
对多组目标交通参与者数据进行聚类，得到至少一个目标交通参与者数据簇；
从各个目标交通参与者数据簇中，选出评估值均值最小的目标交通参与者数据簇；
根据所述评估值均值最小的目标交通参与者数据簇，生成自动驾驶测试场景。
作为一种可选的实施方式，所述获取至少一组交通参与者数据，包括：
从所述常见场景数据中，搜索得到至少一组交通参与者数据。
作为一种可选的实施方式，当所述交通参与者数据中的两个交通参与者构成前车制动场景时，与所述交通参与者数据对应的常见场景数据通过如下处理得到：
从自然场景交通流数据集中，检索得到前车制动场景数据，并确定每一组前车制动场景数据中的主车辆与制动车辆的相对距离和相对速度信息；
基于每一组前车制动场景数据中的主车辆与制动车辆的相对距离和相对速度信息，建立相对距离与相对速度的二维密度分布直方图模型；
根据所述相对距离与相对速度的二维密度分布直方图模型，从各组前车制动场景数据中，提取概率密度大于预设的概率密度阈值的前车制动场景数据，作为与前车制动场景数据对应的常见场景数据。
作为一种可选的实施方式，从自然场景交通流数据集中，检索得到前车制动场景数据，包括：
从自然场景交通流数据集中，检索得到制动车辆信息；
根据所述制动车辆信息，从所述自然场景交通流数据集中检索得到车辆制动场景数据；
从所述车辆制动场景数据中，检索与所述制动车辆信息对应的主车辆信息；其中，所述主车辆为处于所述制动车辆之后并且与所述制动车辆位置前后相邻的车辆；
根据制动车辆信息，以及与所述制动车辆信息对应的主车辆信息，从所述车辆制动场景数据中，检索得到前车制动场景数据。
作为一种可选的实施方式，当所述交通参与者数据中的两个交通参与者构成前车切入场景时，与所述交通参与者数据对应的常见场景数据通过如下处理得到：
从自然场景交通流数据集中，检索得到前车切入场景数据，并确定每一组前车切入场景数据中的主车辆与切入车辆的相对距离和相对速度信息；
基于每一组前车切入场景数据中的主车辆与切入车辆的相对距离和相对速度信息，建立相对距离与相对速度的二维密度分布直方图模型；
根据所述相对距离与相对速度的二维密度分布直方图模型，从各组前车切入场景数据中，提取概率密度大于预设的概率密度阈值的前车切入场景数据，作为与前车切入场景数据对应的常见场景数据。
作为一种可选的实施方式，从自然场景交通流数据集中，检索得到前车切入场景数据，包括：
从自然场景交通流数据集中，检索得到变道车辆信息；
根据所述变道车辆信息，从所述自然场景交通流数据集中检索得到车辆变道场景数据；
从所述车辆变道场景数据中，检索与所述变道车辆信息对应的主车辆信息；其中，所述主车辆为处于所述变道车辆变道后的位置之后，并且与所述变道车辆变道后的位置前后相邻的车辆；
根据变道车辆信息，以及与所述变道车辆信息对应的主车辆信息，从所述车辆变道场景数据中，检索得到前车切入场景数据。
本实施例提供的自动驾驶测试场景生成装置，与本申请上述实施例所提供的自动驾驶测试场景生成方法属于同一申请构思，可执行本申请上述任意实施例所提供的自动驾驶测试场景生成方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请上述实施例提供的自动驾驶测试场景生成方法的具体处理内容，此处不再加以赘述。
示例性电子设备
本申请另一实施例还提出一种电子设备，参见图8所示，该设备包括：
存储器200和处理器210；
其中，所述存储器200与所述处理器210连接，用于存储程序；
所述处理器210，用于通过运行所述存储器200中存储的程序，实现上述任一实施例公开的自动驾驶测试场景生成方法。
具体的，上述电子设备还可以包括：总线、通信接口220、输入设备230和输出设备240。
处理器210、存储器200、通信接口220、输入设备230和输出设备240通过总线相互连接。其中：
总线可包括一通路，在计算机***各个部件之间传送信息。
处理器210可以是通用处理器，例如通用中央处理器（CPU）、微处理器等，也可以是特定应用集成电路（application-specific integrated circuit，ASIC），或一个或多个用于控制本发明方案程序执行的集成电路。还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现成可编程门阵列（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。
处理器210可包括主处理器，还可包括基带芯片、调制解调器等。
存储器200中保存有执行本发明技术方案的程序，还可以保存有操作***和其他关键业务。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。更具体的，存储器200可以包括只读存储器（read-only memory，ROM）、可存储静态信息和指令的其他类型的静态存储设备、随机存取存储器（random access memory，RAM）、可存储信息和指令的其他类型的动态存储设备、磁盘存储器、flash等等。
输入设备230可包括接收用户输入的数据和信息的装置，例如键盘、鼠标、摄像头、扫描仪、光笔、语音输入装置、触摸屏、计步器或重力感应器等。
输出设备240可包括允许输出信息给用户的装置，例如显示屏、打印机、扬声器等。
通信接口220可包括使用任何收发器一类的装置，以便与其他设备或通信网络通信，如以太网，无线接入网（RAN），无线局域网(WLAN)等。
处理器210执行存储器200中所存放的程序，以及调用其他设备，可用于实现本申请上述实施例所提供的任意一种自动驾驶测试场景生成方法的各个步骤。
示例性计算机程序产品和存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的自动驾驶测试场景生成方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是存储介质，其上存储有计算机程序，计算机程序被处理器执行本说明书上述“示例性方法”部分中描述的自动驾驶测试场景生成方法中的步骤。
对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请各实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减，各实施例中记载的技术特征可以进行替换或者组合。
本申请各实施例种装置及终端中的模块和子模块可以根据实际需要进行合并、划分和删减。
本申请所提供的几个实施例中，应该理解到，所揭露的终端，装置和方法，可以通过其它的方式实现。例如，以上所描述的终端实施例仅仅是示意性的，例如，模块或子模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个子模块或模块可以结合或者可以集成到另一个模块，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块或子模块可以是或者也可以不是物理上分开的，作为模块或子模块的部件可以是或者也可以不是物理模块或子模块，即可以位于一个地方，或者也可以分布到多个网络模块或子模块上。可以根据实际的需要选择其中的部分或者全部模块或子模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块或子模块可以集成在一个处理模块中，也可以是各个模块或子模块单独物理存在，也可以两个或两个以上模块或子模块集成在一个模块中。上述集成的模块或子模块既可以采用硬件的形式实现，也可以采用软件功能模块或子模块的形式实现。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件单元，或者二者的结合来实施。软件单元可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品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、物品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、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (16)
1.一种自动驾驶测试场景生成方法，其特征在于，包括：
获取至少一组交通参与者数据，其中，每组交通参与者数据中，分别包括两个交通参与者的位置信息、运动速度信息和运动方向信息；
分别计算每组交通参与者数据中的两个交通参与者运动至危险发生点的耗时，得到每组交通参与者数据对应的危险反应时间，以及，计算每组交通参与者数据与每组交通参与者数据对应的常见场景数据的差异，确定每组交通参与者数据的自然性偏离程度；
其中，所述危险发生点包括两个交通参与者构成危险行车场景时的位置点，在所述危险行车场景中，两个交通参与者之间的距离小于设定距离阈值；
分别计算每组交通参与者数据的危险反应时间以及自然性偏离程度的加权和，得到每组交通参与者数据的评估值；
从各组交通参与者数据中选择危险反应时间小于设定时间阈值，且评估值小于设定评估值阈值的交通参与者数据，作为目标交通参与者数据；
根据所述目标交通参与者数据，生成自动驾驶测试场景。
2.根据权利要求1所述的方法，其特征在于，分别计算每组交通参与者数据中的两个交通参与者运动至危险发生点的耗时，得到每组交通参与者数据对应的危险反应时间，包括：
分别计算每组交通参与者数据中的两个交通参与者运动至两者的运动轨迹交点的最长耗时，作为每组交通参与者数据对应的危险反应时间；其中，两个交通参与者的运动轨迹交点为通过预测确定的两个交通参与者发生碰撞的位置点或两个交通参与者的运动轨迹交点。
3.根据权利要求2所述的方法，其特征在于，分别计算每组交通参与者数据中的两个交通参与者运动至两者的运动轨迹交点的最长耗时，作为每组交通参与者数据对应的危险反应时间，包括：
根据交通参与者数据中的第一交通参与者和第二交通参与者的位置信息、运动速度信息和运动方向信息，预测所述第一交通参与者和所述第二交通参与者的运动轨迹交点；
根据所述第一交通参与者和所述第二交通参与者的位置信息和运动速度信息，计算确定所述第一交通参与者和所述第二交通参与者运动至所述运动轨迹交点的最长耗时，作为交通参与者数据对应的危险反应时间。
4.根据权利要求3所述的方法，其特征在于，根据交通参与者数据中的第一交通参与者和第二交通参与者的位置信息、运动速度信息和运动方向信息，预测所述第一交通参与者和所述第二交通参与者的运动轨迹交点，包括：
若交通参与者数据中的第一交通参与者和第二交通参与者位于同一车道，则根据所述第一交通参与者和所述第二交通参与者的位置信息、运动速度信息和运动方向信息，预测所述第一交通参与者和所述第二交通参与者发生碰撞的位置点，作为所述第一交通参与者和所述第二交通参与者的运动轨迹交点；
若交通参与者数据中的第一交通参与者和第二交通参与者位于相邻车道，则根据所述第一交通参与者和所述第二交通参与者的位置信息和运动方向信息，预测所述第一交通参与者和所述第二交通参与者的行进路线的交点，作为所述第一交通参与者和所述第二交通参与者的运动轨迹交点。
5.根据权利要求4所述的方法，其特征在于，根据所述第一交通参与者和所述第二交通参与者的位置信息、运动速度信息和运动方向信息，预测所述第一交通参与者和所述第二交通参与者发生碰撞的位置点，包括：
根据所述第一交通参与者和所述第二交通参与者的位置信息、运动速度信息和运动方向信息，计算确定所述第一交通参与者和所述第二交通参与者的碰撞时间；
根据所述第一交通参与者和所述第二交通参与者中的至少一个的位置信息、运动速度信息、运动方向信息，以及所述碰撞时间，计算确定所述第一交通参与者和所述第二交通参与者发生碰撞的位置点。
6.根据权利要求4所述的方法，其特征在于，根据所述第一交通参与者和所述第二交通参与者的位置信息和运动方向信息，预测所述第一交通参与者和所述第二交通参与者的行进路线的交点，包括：
将所述第一交通参与者和/或所述第二交通参与者的运动方向朝向对方所在车道偏移设定角度，得到所述第一交通参与者和/或所述第二交通参与者的更新后的运动方向；
根据所述第一交通参与者和所述第二交通参与者的位置信息和更新后的运动方向信息，确定所述第一交通参与者和所述第二交通参与者的行进路线的交点。
7.根据权利要求1所述的方法，其特征在于，所述计算每组交通参与者数据与每组交通参与者数据对应的常见场景数据的差异，确定每组交通参与者数据的自然性偏离程度，包括：
计算每组交通参与者数据与每组交通参与者数据对应的常见场景数据的均方根误差，作为每组交通参与者数据的自然性偏离程度。
8.根据权利要求1所述的方法，其特征在于，所述目标交通参与者数据为多组；所述根据所述目标交通参与者数据，生成自动驾驶测试场景，包括：
对多组目标交通参与者数据进行聚类，得到至少一个目标交通参与者数据簇；
从各个目标交通参与者数据簇中，选出评估值均值最小的目标交通参与者数据簇；
根据所述评估值均值最小的目标交通参与者数据簇，生成自动驾驶测试场景。
9.根据权利要求1所述的方法，其特征在于，所述获取至少一组交通参与者数据，包括：
从所述常见场景数据中，搜索得到至少一组交通参与者数据。
10.根据权利要求1所述的方法，其特征在于，当所述交通参与者数据中的两个交通参与者构成前车制动场景时，与所述交通参与者数据对应的常见场景数据通过如下处理得到：
从自然场景交通流数据集中，检索得到前车制动场景数据，并确定每一组前车制动场景数据中的主车辆与制动车辆的相对距离和相对速度信息；
基于每一组前车制动场景数据中的主车辆与制动车辆的相对距离和相对速度信息，建立相对距离与相对速度的二维密度分布直方图模型；
根据所述相对距离与相对速度的二维密度分布直方图模型，从各组前车制动场景数据中，提取概率密度大于预设的概率密度阈值的前车制动场景数据，作为与前车制动场景数据对应的常见场景数据。
11.根据权利要求10所述的方法，其特征在于，从自然场景交通流数据集中，检索得到前车制动场景数据，包括：
从自然场景交通流数据集中，检索得到制动车辆信息；
根据所述制动车辆信息，从所述自然场景交通流数据集中检索得到车辆制动场景数据；
从所述车辆制动场景数据中，检索与所述制动车辆信息对应的主车辆信息；其中，所述主车辆为处于所述制动车辆之后并且与所述制动车辆位置前后相邻的车辆；
根据制动车辆信息，以及与所述制动车辆信息对应的主车辆信息，从所述车辆制动场景数据中，检索得到前车制动场景数据。
12.根据权利要求1所述的方法，其特征在于，当所述交通参与者数据中的两个交通参与者构成前车切入场景时，与所述交通参与者数据对应的常见场景数据通过如下处理得到：
从自然场景交通流数据集中，检索得到前车切入场景数据，并确定每一组前车切入场景数据中的主车辆与切入车辆的相对距离和相对速度信息；
基于每一组前车切入场景数据中的主车辆与切入车辆的相对距离和相对速度信息，建立相对距离与相对速度的二维密度分布直方图模型；
根据所述相对距离与相对速度的二维密度分布直方图模型，从各组前车切入场景数据中，提取概率密度大于预设的概率密度阈值的前车切入场景数据，作为与前车切入场景数据对应的常见场景数据。
13.根据权利要求12所述的方法，其特征在于，从自然场景交通流数据集中，检索得到前车切入场景数据，包括：
从自然场景交通流数据集中，检索得到变道车辆信息；
根据所述变道车辆信息，从所述自然场景交通流数据集中检索得到车辆变道场景数据；
从所述车辆变道场景数据中，检索与所述变道车辆信息对应的主车辆信息；其中，所述主车辆为处于所述变道车辆变道后的位置之后，并且与所述变道车辆变道后的位置前后相邻的车辆；
根据变道车辆信息，以及与所述变道车辆信息对应的主车辆信息，从所述车辆变道场景数据中，检索得到前车切入场景数据。
14.一种自动驾驶测试场景生成装置，其特征在于，包括：
数据获取单元，用于获取至少一组交通参与者数据，其中，每组交通参与者数据中，分别包括两个交通参与者的位置信息、运动速度信息和运动方向信息；
计算单元，用于分别计算每组交通参与者数据中的两个交通参与者运动至危险发生点的耗时，得到每组交通参与者数据对应的危险反应时间，以及，计算每组交通参与者数据与每组交通参与者数据对应的常见场景数据的差异，确定每组交通参与者数据的自然性偏离程度；其中，所述危险发生点包括两个交通参与者构成危险行车场景时的位置点，在所述危险行车场景中，两个交通参与者之间的距离小于设定距离阈值；
数据筛选单元，用于分别计算每组交通参与者数据的危险反应时间以及自然性偏离程度的加权和，得到每组交通参与者数据的评估值；从各组交通参与者数据中选择危险反应时间小于设定时间阈值，且评估值小于设定评估值阈值的交通参与者数据，作为目标交通参与者数据；
场景生成单元，用于根据所述目标交通参与者数据，生成自动驾驶测试场景。
15.一种电子设备，其特征在于，包括：
存储器和处理器；
所述存储器与所述处理器连接，用于存储程序；
所述处理器，用于通过运行所述存储器中的程序，实现如权利要求1至13中任意一项所述的自动驾驶测试场景生成方法。
16.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时，实现如权利要求1至13中任意一项所述的自动驾驶测试场景生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210941004.4A CN115017742B (zh) | 2022-08-08 | 2022-08-08 | 自动驾驶测试场景生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210941004.4A CN115017742B (zh) | 2022-08-08 | 2022-08-08 | 自动驾驶测试场景生成方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115017742A CN115017742A (zh) | 2022-09-06 |
| CN115017742B true CN115017742B (zh) | 2022-12-13 |
Family
ID=83065957
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210941004.4A Active CN115017742B (zh) | 2022-08-08 | 2022-08-08 | 自动驾驶测试场景生成方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115017742B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115563020B (zh) * | 2022-12-05 | 2023-03-28 | 深圳慧拓无限科技有限公司 | 危险测试场景的生成方法及***、电子设备、存储介质 |
| CN115993257B (zh) * | 2023-03-23 | 2023-05-30 | 禾多科技（北京）有限公司 | 自动驾驶***的可靠性确定方法 |
| CN116046417B (zh) * | 2023-04-03 | 2023-11-24 | 安徽深信科创信息技术有限公司 | 自动驾驶感知局限测试方法、装置、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111723470A (zh) * | 2020-05-26 | 2020-09-29 | 同济大学 | 一种基于标定优化rss模型的自动驾驶控制方法 |
| CN112069643A (zh) * | 2019-05-24 | 2020-12-11 | 北京车和家信息技术有限公司 | 一种自动驾驶仿真场景生成方法及装置 |
| CN112345272A (zh) * | 2021-01-11 | 2021-02-09 | 北京赛目科技有限公司 | 一种场景库的自动驾驶仿真测试方法及装置 |
| CN112578683A (zh) * | 2020-10-16 | 2021-03-30 | 襄阳达安汽车检测中心有限公司 | 一种优化的汽车辅助驾驶控制器在环仿真测试方法 |
| CN113642114A (zh) * | 2021-09-14 | 2021-11-12 | 吉林大学 | 可犯错的拟人化随机跟车驾驶行为建模方法 |
| CN114647954A (zh) * | 2022-04-12 | 2022-06-21 | 广州文远知行科技有限公司 | 仿真场景生成方法、装置、计算机设备及存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101308586A (zh) * | 2008-05-05 | 2008-11-19 | 戴宏 | 机动车日夜行驶观察记录装置 |
| CN105740510B (zh) * | 2016-01-22 | 2018-08-31 | 山东师范大学 | 基于网格-密度-关系的疏散人群行为仿真***及其方法 |
| US11169513B2 (en) * | 2019-03-29 | 2021-11-09 | Tusimple, Inc. | Operational testing of autonomous vehicles |
-
2022
- 2022-08-08 CN CN202210941004.4A patent/CN115017742B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112069643A (zh) * | 2019-05-24 | 2020-12-11 | 北京车和家信息技术有限公司 | 一种自动驾驶仿真场景生成方法及装置 |
| CN111723470A (zh) * | 2020-05-26 | 2020-09-29 | 同济大学 | 一种基于标定优化rss模型的自动驾驶控制方法 |
| CN112578683A (zh) * | 2020-10-16 | 2021-03-30 | 襄阳达安汽车检测中心有限公司 | 一种优化的汽车辅助驾驶控制器在环仿真测试方法 |
| CN112345272A (zh) * | 2021-01-11 | 2021-02-09 | 北京赛目科技有限公司 | 一种场景库的自动驾驶仿真测试方法及装置 |
| CN113642114A (zh) * | 2021-09-14 | 2021-11-12 | 吉林大学 | 可犯错的拟人化随机跟车驾驶行为建模方法 |
| CN114647954A (zh) * | 2022-04-12 | 2022-06-21 | 广州文远知行科技有限公司 | 仿真场景生成方法、装置、计算机设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| Deep Reinforcement Learning with NMPC Assistance Nash Switching for Urban Autonomous Driving;Sina Alighanbari et al;《IEEE Transactions on Intelligent Vehicles ( Early Access )》;20220414;全文 * |
| 基于功能测试的自动驾驶汽车换道关键场景研究;刘康;《中国优秀硕士学位论文全文数据库电子期刊 工程科技II辑》;20220415;第2022年卷(第4期);参见摘要，图4.1-4.2和第4.3节 * |
| 有条件自动驾驶汽车测试与综合评价研究;修海林;《中国优秀硕士学位论文全文数据库电子期刊 工程科技II辑》;20201015;第2020年卷(第10期);全文 * |
| 面向高速公路车辆切入场景的自动驾驶测试用例生成方法;周文帅 等;《汽车技术》;20211231;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115017742A (zh) | 2022-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115017742B (zh) | 自动驾驶测试场景生成方法、装置、设备及存储介质 | |
| Essa et al. | Simulated traffic conflicts: do they accurately represent field-measured conflicts? | |
| CN112133089B (zh) | 一种基于周围环境与行为意图的车辆轨迹预测方法、***及装置 | |
| JP6307356B2 (ja) | 運転コンテキスト情報生成装置 | |
| CN108062095A (zh) | 在概率框架内使用传感器融合的物体追踪 | |
| WO2018161037A1 (en) | Systems and methods for quantitatively assessing collision risk and severity | |
| Nguyen et al. | Traffic conflict assessment for non-lane-based movements of motorcycles under congested conditions | |
| US20210389133A1 (en) | Systems and methods for deriving path-prior data using collected trajectories | |
| EP4083959A1 (en) | Traffic flow machine-learning modeling system and method applied to vehicles | |
| CN110827326B (zh) | 模拟人车冲突场景模型生成方法、装置、设备和存储介质 | |
| CN104875740B (zh) | 用于管理跟随空间的方法、主车辆以及跟随空间管理单元 | |
| CN115618932A (zh) | 基于网联自动驾驶的交通事件预测方法、装置及电子设备 | |
| US20220383736A1 (en) | Method for estimating coverage of the area of traffic scenarios | |
| CN113867367B (zh) | 测试场景的处理方法、装置及计算机程序产品 | |
| Yuan et al. | Harnessing machine learning for next-generation intelligent transportation systems: a survey | |
| Platho et al. | Predicting velocity profiles of road users at intersections using configurations | |
| CN111881121B (zh) | 一种自动驾驶数据填充方法和装置 | |
| CN114162145A (zh) | 车辆自动驾驶方法、装置及电子设备 | |
| CN110696828B (zh) | 前向目标选择方法、装置及车载设备 | |
| CN117128979A (zh) | 一种多传感器融合方法、装置、电子设备及存储介质 | |
| CN115331446B (zh) | 车辆安全行驶策略生成方法及装置、存储介质和终端 | |
| Das et al. | Why slammed the brakes on? auto-annotating driving behaviors from adaptive causal modeling | |
| CN116704750A (zh) | 一种基于聚类算法的交通状态识别方法、电子设备、介质 | |
| Song et al. | Remote estimation of free-flow speeds | |
| US11644331B2 (en) | Probe data generating system for simulator |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: Room 533, 5th Floor, Building A3A4, Phase I, Zhong'an Chuanggu Science and Technology Park, No. 900 Wangjiang West Road, High tech Zone, Hefei City, Anhui Province, 230031 Patentee after: Anhui Xinxin Science and Technology Innovation Information Technology Co.,Ltd. Address before: 2nd Floor, Building B2, Yunhui Valley, No. 156, Tiangu 8th Road, Software New Town, Yuhua Street Office, High-tech Zone, Xi'an City, Shaanxi Province 710000 Patentee before: Xi'an Xinxin Information Technology Co.,Ltd. |