CN116414704A - 自动驾驶高精地图软件的测试方法及装置 - Google Patents
自动驾驶高精地图软件的测试方法及装置 Download PDFInfo
- Publication number
- CN116414704A CN116414704A CN202310334280.9A CN202310334280A CN116414704A CN 116414704 A CN116414704 A CN 116414704A CN 202310334280 A CN202310334280 A CN 202310334280A CN 116414704 A CN116414704 A CN 116414704A
- Authority
- CN
- China
- Prior art keywords
- precision map
- lane
- level
- scene
- road
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003745 diagnosis Methods 0.000 claims abstract description 150
- 230000005856 abnormality Effects 0.000 claims description 43
- 230000008859 change Effects 0.000 claims description 29
- 238000004088 simulation Methods 0.000 claims description 28
- 230000000007 visual effect Effects 0.000 claims description 28
- 238000009826 distribution Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010998 test method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication 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
- 230000000737 periodic effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3676—Test management for coverage analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3692—Test management for test results analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种自动驾驶高精地图软件的测试方法及装置,其中,该方法包括:确定模拟车辆的道路级行车位置信号;获取模拟车辆在道路级行车位置信号的高精地图数据;根据高精地图数据和道路级行车位置信号获取模拟车辆的车道级定位信号;将车道级定位信号和高精地图数据输入自动驾驶高精地图软件,并获取自动驾驶高精地图软件的实时反馈数据;根据实时反馈数据和/或高精地图数据生成自动驾驶高精地图软件的诊断结果。通过本发明实施例,解决了相关技术采用实车测试自动驾驶对高精地图数据使用诊断问题效率低的技术问题,无需进行实地完成高精地图数据验证即可实现实地高精地图真实数据获取,避免了大量的实地测试耗费人力和物力。
Description
技术领域
本发明涉及自动驾驶测试领域,具体而言,涉及一种自动驾驶高精地图软件的测试方法及装置。
背景技术
相关技术中,从辅助驾驶/自动驾驶技术来讲,高精地图被视作为感知的一个重要组成部分。在高精度地图中,包含了很详细的道路要素信息,如每条车道组成的车道线的颜色、线型、车道的续接关系及分布;道路周边的要素导流线、交通灯、交通标识牌等,通过对高精度地图的读取获取先验的感知信息,从而弥补感知超视距的信息缺陷。显然自动驾驶程序对高精度地图正确加载和使用高精度地图要素环境重构识别准确性和稳定性,成为辅助驾驶/自动驾驶稳定性和安全性起着重要作用,因此自动驾驶程序在汽车行驶过程中对地图要素准确稳定识别,以及对各个场景高精度地图可能出现的要素的处理显得尤为重要。
相关技术中,辅助驾驶/自动驾驶在使用图商提供的高精度地图数据进行程序稳定性测试及高精度地图测试是通过多台实车驾驶的方式进行全国范围覆盖测试,但由于高精度地图覆盖范围广泛、存在道路建设地域性要素差异、场景复杂等特点使得对高精地图应用程序的问题诊断及排查耗费大量时间成本、人力成本,同时实车测试的数据反馈存在时差和信息传递缺失等缺点。
针对相关技术中存在的上述问题,暂未发现高效且准确的解决方案。
发明内容
本发明提供了一种自动驾驶高精地图软件的测试方法及装置,以解决相关技术中的技术问题。
根据本发明的一个实施例,提供了一种自动驾驶高精地图软件的测试方法,包括:确定模拟车辆的道路级行车位置信号;获取所述模拟车辆在所述道路级行车位置信号的高精地图数据,其中,所述高精地图数据是车辆的自动驾驶导引数据;根据所述高精地图数据和所述道路级行车位置信号获取所述模拟车辆的车道级定位信号;将所述车道级定位信号和所述高精地图数据输入自动驾驶高精地图软件,并获取所述自动驾驶高精地图软件的实时反馈数据;根据所述实时反馈数据和/或高精地图数据生成所述自动驾驶高精地图软件的诊断结果。
进一步,确定模拟车辆的道路级行车位置信号包括:基于地理信息***生成道路级导航路径,其中,所述道路级导航路径包括从出发地到目的地途径若干点至目的地,形成的道路段坐标点集合;获取所述道路级导航路径的预设惯导参数,并采用所述预设惯导参数和所述坐标点集合得到位置模拟数据源;基于所述位置模拟数据源,按序定频输出位置信息,实时得到所述模拟车辆的道路级行车位置信号。
进一步,根据所述高精地图数据和所述道路级行车位置信号获取所述模拟车辆的车道级定位信号包括:从所述高精地图数据中获取包含所述道路级行车位置信号的坐标位置的车道集合;提取所述车道集合中所有车道的车道中心线的坐标点串;根据所述坐标点串定位距离所述道路级行车位置信号的坐标位置最近的目标车道中心线;将所述目标车道中心线所在的车道确定为所述模拟车辆的车道级定位信号。
进一步,根据所述坐标点串定位距离所述道路级行车位置信号的坐标位置最近的目标车道中心线包括:针对所述车道集合中每个车道的车道中心线的坐标点串,分别计算所述道路级行车位置信号的坐标位置至所述坐标点串的垂线距离;选择垂线距离最短的坐标点串对应的车道中心线为目标车道中心线。
进一步,根据所述高精地图数据和所述道路级行车位置信号获取所述模拟车辆的车道级定位信号包括:从所述道路级行车位置信号的前一帧车道级定位信号的属性信息中读取变道特征信息,其中,所述变道特征信息用于表征车道变更的影响因素;解析所述变道特征信息,确定前一帧车道级定位信号的变更车道;采用所述变更车道的车道中心线计算所述道路级行车位置信号的坐标位置至所述变更车道的车道中心线的投影点;采用所述投影点的坐标确定车道级定位信号。
进一步,根据所述实时反馈数据生成所述自动驾驶高精地图软件的诊断结果包括:解析所述实时反馈数据对业务端的影响程度,以及解析所述实时反馈数据的输出模块;生成与所述影响程度匹配的异常等级,以及查找与所述输出模块匹配的异常类型;将所述异常等级和所述异常类型确定所述自动驾驶高精地图软件的第一诊断结果。
进一步,在将所述异常等级和所述异常类型确定所述自动驾驶高精地图软件的第一诊断结果之后,所述方法还包括:将所述第一诊断结果与所述车道级定位信号进行关联,并根据所述车道级定位信号显示所述第一诊断结果在参考图层中的点位信息;基于所述点位信息生成所述参考图层的诊断结果分布图。
进一步,在基于所述点位信息生成所述参考图层的诊断结果分布图之后,所述方法还包括:针对每个诊断结果,根据所述诊断结果分布图确定诊断结果所在的地理位置;基于所述地理位置生成场景标签,其中,所述场景标签包括以下至少之一:高架场景、隧道场景、匝道场景、高速立交场景;将所述场景标签添加至对应诊断结果的属性信息中。
进一步,在将所述场景标签添加至对应诊断结果的属性信息中之后,所述方法还包括:针对每个场景类别,统计对应场景类别中所有诊断结果的总数量,以及统计对应场景类别中目标异常等级出现的第一数量,以及目标异常类型出现的第二数量;基于所述第一数量和所述总数量计算所述目标异常等级的第一异常占比,以及基于所述第二数量和所述总数量计算所述目标异常类型的第二异常占比;采用所述第一异常占比和所述第二异常占比生成所述自动驾驶高精地图软件在对应场景类别的场景覆盖质量。
进一步,根据所述高精地图数据生成所述自动驾驶高精地图软件的诊断结果包括:解析所述高精地图数据的视觉显示要素,其中,所述视觉显示要素包括以下至少之一:车道线标识、车道线类型、运行设计域ODD故障、车道限速、车道类型、车道曲率;在地理信息***中将所述视觉显示要素与参考图层进行图层叠加,并根据所述视觉显示要素与所述参考图层的匹配度计算所述高精地图数据的准确度,将所述准确度确定为所述自动驾驶高精地图软件的第二诊断结果。
根据本发明的另一个实施例,提供了一种自动驾驶高精地图软件的测试装置,包括:确定模块,用于确定模拟车辆的道路级行车位置信号;第一获取模块,用于获取所述模拟车辆在所述道路级行车位置信号的高精地图数据,其中,所述高精地图数据是车辆的自动驾驶导引数据;第二获取模块,用于根据所述高精地图数据和所述道路级行车位置信号获取所述模拟车辆的车道级定位信号;第三获取模块,用于将所述车道级定位信号和所述高精地图数据输入自动驾驶高精地图软件,并获取所述自动驾驶高精地图软件的实时反馈数据;生成模块,用于根据所述实时反馈数据和/或高精地图数据生成所述自动驾驶高精地图软件的诊断结果。
进一步,所述确定模块包括:第一生成单元,用于基于地理信息***生成道路级导航路径,其中,所述道路级导航路径包括从出发地到目的地途径若干点至目的地,形成的道路段坐标点集合;处理单元,用于获取所述道路级导航路径的预设惯导参数,并采用所述预设惯导参数和所述坐标点集合得到位置模拟数据源;输出单元,用于基于所述位置模拟数据源,按序定频输出位置信息,实时得到所述模拟车辆的道路级行车位置信号。
进一步,所述第二获取模块包括:获取单元,用于从所述高精地图数据中获取包含所述道路级行车位置信号的坐标位置的车道集合;提取单元,用于提取所述车道集合中所有车道的车道中心线的坐标点串;定位单元,用于根据所述坐标点串定位距离所述道路级行车位置信号的坐标位置最近的目标车道中心线;第一确定单元,用于将所述目标车道中心线所在的车道确定为所述模拟车辆的车道级定位信号。
进一步,所述定位单元包括:计算子单元,用于针对所述车道集合中每个车道的车道中心线的坐标点串,分别计算所述道路级行车位置信号的坐标位置至所述坐标点串的垂线距离;选择子单元,用于选择垂线距离最短的坐标点串对应的车道中心线为目标车道中心线。
进一步,所述第二获取模块包括:读取单元,用于从所述道路级行车位置信号的前一帧车道级定位信号的属性信息中读取变道特征信息,其中,所述变道特征信息用于表征车道变更的影响因素;解析单元,用于解析所述变道特征信息,确定前一帧车道级定位信号的变更车道;计算单元,用于采用所述变更车道的车道中心线计算所述道路级行车位置信号的坐标位置至所述变更车道的车道中心线的投影点;第二确定单元,用于采用所述投影点的坐标确定车道级定位信号。
进一步,所述生成模块包括:第一解析单元,用于解析所述实时反馈数据对业务端的影响程度,以及解析所述实时反馈数据的输出模块;处理单元,用于生成与所述影响程度匹配的异常等级,以及查找与所述输出模块匹配的异常类型;第一确定单元,用于将所述异常等级和所述异常类型确定所述自动驾驶高精地图软件的第一诊断结果。
进一步,所述生成模块还包括:显示单元,用于在所述确定单元将所述异常等级和所述异常类型确定所述自动驾驶高精地图软件的第一诊断结果之后,将所述第一诊断结果与所述车道级定位信号进行关联,并根据所述车道级定位信号显示所述第一诊断结果在参考图层中的点位信息;生成单元,用于基于所述点位信息生成所述参考图层的诊断结果分布图。
进一步,所述生成模块还包括:第二确定单元,用于在所述生成单元基于所述点位信息生成所述参考图层的诊断结果分布图之后,针对每个诊断结果,根据所述诊断结果分布图确定诊断结果所在的地理位置;第一生成单元,用于基于所述地理位置生成场景标签,其中,所述场景标签包括以下至少之一:高架场景、隧道场景、匝道场景、高速立交场景;添加单元,用于将所述场景标签添加至对应诊断结果的属性信息中。
进一步,所述生成模块还包括:第一计算单元,用于在所述添加单元将所述场景标签添加至对应诊断结果的属性信息中之后,针对每个场景类别,统计对应场景类别中所有诊断结果的总数量,以及统计对应场景类别中目标异常等级出现的第一数量,以及目标异常类型出现的第二数量;第二计算单元,用于基于所述第一数量和所述总数量计算所述目标异常等级的第一异常占比,以及基于所述第二数量和所述总数量计算所述目标异常类型的第二异常占比;第二生成单元,用于采用所述第一异常占比和所述第二异常占比生成所述自动驾驶高精地图软件在对应场景类别的场景覆盖质量。
进一步,所述生成模块包括:第二解析单元,用于解析所述高精地图数据的视觉显示要素,其中,所述视觉显示要素包括以下至少之一:车道线标识、车道线类型、运行设计域ODD故障、车道限速、车道类型、车道曲率;第三确定单元,用于在地理信息***中将所述视觉显示要素与参考图层进行图层叠加,并根据所述视觉显示要素与所述参考图层的匹配度计算所述高精地图数据的准确度,将所述准确度确定为所述自动驾驶高精地图软件的第二诊断结果。
根据本发明的另一个实施例,提供了一种自动驾驶高精地图软件的测试装置,包括:案例管理模块,用于创建测试场景案例、管理场景中测试路径、标注测试场景标签,记录测试案例的案例信息;场景测试路径管理模块,用于根据测试场景案例为单元管理的测试路径数据,记录路径通过经纬度坐标空间生成的模拟定位轨迹数据;位置模拟模块,用于按照设定的频率、采样间距实时插值生成模拟定位轨迹数据,并播发位置数据,从自动驾驶高精地图软件中获取前位置的高精地图数据;数据诊断模块,用于使用诊断规则对自动驾驶高精地图软件的输出结果进行诊断,并根据输出结果对业务端的使用影响的严重程度进行诊断,对诊断结果划分错误等级;根据输出模块的名称,对诊断结果进行分类;将分类分级的诊断结果与模拟定位的空间位置进行关联,获得具有空间位置信息的测试诊断结果;地图信息可视化模块,用于按照专题信息展示高精地图,获取直观展示高精地图各要素完整性的定性判定;在将高精地图要素与图层叠加,实现要素差异对比,获取直观高精地图要素准确性的定性判定;展示空间位置信息测试诊断结果,获取诊断结果分布图;基于诊断结果分布图和场景信息将诊断结果进行场景分类标记,获取带有场景分类标签的诊断结果;统计分析模块,用于根据各场景出现诊断的错误类型数量与场景总诊断错误数进行占比分析、根据各场景出现诊断的错误等级数量与总的诊断错误数进行占比分析,对诊断程序的场景覆盖质量和处理数据质量进行评定。
根据本申请实施例的另一方面,还提供了一种存储介质,该存储介质包括存储的程序,程序运行时执行上述的步骤。
根据本申请实施例的另一方面,还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;其中:存储器,用于存放计算机程序;处理器,用于通过运行存储器上所存放的程序来执行上述方法中的步骤。
本申请实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述方法中的步骤。
通过本发明实施例,确定模拟车辆的道路级行车位置信号,获取模拟车辆在道路级行车位置信号的高精地图数据,根据高精地图数据和道路级行车位置信号获取模拟车辆的车道级定位信号,将车道级定位信号和高精地图数据输入自动驾驶高精地图软件,并获取自动驾驶高精地图软件的实时反馈数据,根据实时反馈数据和/或高精地图数据生成自动驾驶高精地图软件的诊断结果,通过确定模拟车辆的道路级行车位置信号,并获取道路级行车位置信号所在的车道级定位信号,将车道级定位信号输入自动驾驶高精地图软件以获取其实时反馈数据,进而采用实时反馈数据和/或高精地图数据实现了对自动驾驶高精地图软件的诊断测试,能够反应模拟车辆行驶过程中自动驾驶高精地图软件的变化状态信息,从而诊断出后端使用的适用情况,解决了相关技术采用实车测试自动驾驶对高精地图数据使用诊断问题效率低的技术问题,无需进行实地完成高精地图数据验证即可实现实地高精地图真实数据获取,避免了大量的实地测试耗费人力和物力。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的一种计算机的硬件结构框图;
图2是根据本发明实施例的一种自动驾驶高精地图软件的测试方法的流程图;
图3是本发明实施例的一个实施流程图;
图4是本发明实施例自动驾驶高精地图软件的测试装置的示意图
图5是根据本发明实施例的一种自动驾驶高精地图软件的测试装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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的实施例,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,都应当属于本申请保护的范围。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
本申请实施例一所提供的方法实施例可以在车载终端、服务器、计算机、测试设备、或者类似的处理装置中执行。以运行在计算机上为例,图1是本发明实施例的一种计算机的硬件结构框图。如图1所示,计算机可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述计算机还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述计算机的结构造成限定。例如,计算机还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的一种自动驾驶高精地图软件的测试方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102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。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。
传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机的通信供应商提供的无线网络。在一个实例中,传输设备106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种自动驾驶高精地图软件的测试方法,图2是根据本发明实施例的一种自动驾驶高精地图软件的测试方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,确定模拟车辆的道路级行车位置信号;
本实施例的道路级行车位置信号包括模拟车辆在GIS***中的道路坐标位置。
步骤S204,获取模拟车辆在道路级行车位置信号的高精地图数据,其中,高精地图数据是车辆的自动驾驶导引数据;
在一个示例中,通过将道路级行车位置信号输入待测试的自动驾驶高精地图软件,可以输出在道路级行车位置信号的高精地图数据。
步骤S206,根据高精地图数据和道路级行车位置信号获取模拟车辆的车道级定位信号;
本实施例的道路级行车位置信号包括模拟车辆在GIS***中的车道中心线的坐标位置。
步骤S208,将车道级定位信号和高精地图数据输入自动驾驶高精地图软件,并获取自动驾驶高精地图软件的实时反馈数据;
可选的,自动驾驶高精地图软件的实时反馈数据为结构体数据,包括输出的当前位置前方的高精地图要素信息计算结果,包括前方的特殊区域(施工区域、收费站区域、隧道区域)的距离及长度,前方匝道距离、匝道与行车位置的方位、车道级导航引导信息、前方曲率定距曲率值、车道变化类型和距离等。
步骤S210,根据实时反馈数据和/或高精地图数据生成自动驾驶高精地图软件的诊断结果。
本实施例的诊断结果用于表征自动驾驶高精地图软件返回数据的时效性和准确性。
通过上述步骤,确定模拟车辆的道路级行车位置信号,获取模拟车辆在道路级行车位置信号的高精地图数据,根据高精地图数据和道路级行车位置信号获取模拟车辆的车道级定位信号,将车道级定位信号和高精地图数据输入自动驾驶高精地图软件,并获取自动驾驶高精地图软件的实时反馈数据,根据实时反馈数据和/或高精地图数据生成自动驾驶高精地图软件的诊断结果,通过确定模拟车辆的道路级行车位置信号,并获取道路级行车位置信号所在的车道级定位信号,将车道级定位信号输入自动驾驶高精地图软件以获取其实时反馈数据,进而采用实时反馈数据和/或高精地图数据实现了对自动驾驶高精地图软件的诊断测试,能够反应模拟车辆行驶过程中自动驾驶高精地图软件的变化状态信息,从而诊断出后端使用的适用情况,解决了相关技术采用实车测试自动驾驶对高精地图数据使用诊断问题效率低的技术问题,无需进行实地完成高精地图数据验证即可实现实地高精地图真实数据获取,避免了大量的实地测试耗费人力和物力。
在本实施例的一个实施方式中,确定模拟车辆的道路级行车位置信号包括:基于地理信息***生成道路级导航路径,其中,道路级导航路径包括从出发地到目的地途径若干点至目的地,形成的道路段坐标点集合;获取道路级导航路径的预设惯导参数,并采用预设惯导参数和坐标点集合得到位置模拟数据源;基于位置模拟数据源,按序定频输出位置信息,实时得到模拟车辆的道路级行车位置信号。
首先构建与自动驾驶高精地图软件的地图和导航地图一致的测量坐标系,可以是国家开放的GCJ02、WGS84,也可以是其他自定义坐标系等地理坐标。
在此坐标***空间中生成测试环境所需的全局路径规划的道路级定位信息,实例中车辆的道路级别位置信息是指在坐标空间中,创建一条从出发地A点经途经点(a1、a2、a3…)到目的地B点测试路段串联起的点位信息,这种位置是道路级别的点位信息,依次串联坐标点形成道路级导航路径的坐标点集合,作为模拟自动驾驶车辆移动的空间位置数据源。同时,通过道路节点串的重新采样,按照测试需求设置采样间距、计算航向角、速度等INS(IntertialNavigation System)惯导参数。作为道路级定位的位置模拟数据源,代替实车测试中的INS信号源。
可选的,通过生成的路径位置模拟数据源可以是全部在道路范围内的位置信息,也可以是部分点信息在道路范围内,部分点在道路范围外,目的是用于测试高精地图程序对位置输入异常的反馈。
最后基于模拟测试路径的位置模拟数据源,按照顺序、定频输出一个位置信息,获取模拟行车位置信号。将位置模拟数据源按照测试的要求,通过一定的协议、方式等模拟为一个道路级的行车位置信号。
在本实施例的一个实施方式中,根据高精地图数据和道路级行车位置信号获取模拟车辆的车道级定位信号包括:
S11,从高精地图数据中获取包含道路级行车位置信号的坐标位置的车道集合;
通过道路及定位信号和的高精地图定位信号,形成更为详细的环境信息,通过高精地图详细场景信息,可以进而从自动驾驶高精地图软件的各段Link中获取道路级行车位置信号的位置所在最近的车道(Lane)的集合。
S12,提取车道集合中所有车道的车道中心线的坐标点串;
S13,根据坐标点串定位距离道路级行车位置信号的坐标位置最近的目标车道中心线;
在一个示例中,根据坐标点串定位距离道路级行车位置信号的坐标位置最近的目标车道中心线包括:针对车道集合中每个车道的车道中心线的坐标点串,分别计算道路级行车位置信号的坐标位置至坐标点串的垂线距离;选择垂线距离最短的坐标点串对应的车道中心线为目标车道中心线。
S14,将目标车道中心线所在的车道确定为模拟车辆的车道级定位信号。
基于车道集合,提取每个车道的车道中心线的坐标点串,与道路级行车位置信号的坐标位置,根据模拟参数、变道特征信息等,获取定位的目标车道中心线,通过车道集合R(L1、L2...Ln),提取车道集合的每根车道中心线,组成集合M(M1、M2...Mn),依次计算M中的每一个元素到道路级行车位置信号的坐标点的距离,通过排序确定M到道路级行车位置信号的坐标点,获取最近的目标车道中心线M’。
在本实施例的另一个实施方式中,根据高精地图数据和道路级行车位置信号获取模拟车辆的车道级定位信号包括:从道路级行车位置信号的前一帧车道级定位信号的属性信息中读取变道特征信息,其中,变道特征信息用于表征车道变更的影响因素;解析变道特征信息,确定前一帧车道级定位信号的变更车道;采用变更车道的车道中心线计算道路级行车位置信号的坐标位置至变更车道的车道中心线的投影点;采用投影点的坐标确定车道级定位信号。
在实现模拟车辆车道切换的场景时,不再单纯考虑获取最近的车道中心线,需要基于道路级行车位置信号获取的高精地图数据中的车道连接关系、设置的距变道特征道距离参数、随机参数和前一帧的变道特征信息,变道特征信息包括但不限于车道变宽点、车道变窄点、车道线变化点、车道属性变化点。利用变道特征信息调整车道定位的车道号,提取确定车道的中心线,最后基于最近车道中心线,通过计算点到坐标点串的投影的最近点,获取模拟车辆的车道级定位信号。
在上述实施方式中,可以采用最近的车道中心线确定车道级位置信号,由于车道模拟定位信号与输入的道路级行车位置信号是相关的,作为测试输入源,道路级行车位置信号有正常和异常的情况,因此道路级行车位置信号的位置正常时参与计算,获取最近车道中心线,在道路级行车位置信号的位置作为异常输入时,不参与获取中心线位置,直接将道路级行车位置信号的位置直接作为车道级定位位置。
在本实施例的一个诊断场景中,根据实时反馈数据生成自动驾驶高精地图软件的诊断结果包括:解析实时反馈数据对业务端的影响程度,以及解析实时反馈数据的输出模块;生成与影响程度匹配的异常等级,以及查找与输出模块匹配的异常类型;将异常等级和异常类型确定自动驾驶高精地图软件的第一诊断结果。
获取被测程序(自动驾驶高精地图软件)输出的实时反馈数据,根据其对后端业务使用的影响的严重程度,对输出结果进行诊断并确定诊断的错误等级,等级可以分为致命错误、一般错误、警告等(也可以按照其他方式来分级);根据输出模块的名称,对诊断结果进行分类,基于已分类和已确定错误等级的诊断结果。
在一个实例中,在生成与影响程度匹配的异常等级时,根据实时反馈数据中数值的响应时间、数值范围、数值有效性等确定异常等级,若输出的周期类数值超预期,输出值的类型无效,确定为警告;距离类数值<0,曲率类数值>10,长度类数值<0,方位类数值>360,索引类数值为-1,确定为致命错误;距离类数值超出阈值,曲率类数值超出阈值,确定为一般性错误。
可选的,在将异常等级和异常类型确定自动驾驶高精地图软件的第一诊断结果之后,还包括:将第一诊断结果与车道级定位信号进行关联,并根据车道级定位信号显示第一诊断结果在参考图层中的点位信息;基于点位信息生成参考图层的诊断结果分布图。
可选的,本实施例的参考图层可以包含GIS***中的导航路网地图和高清影像地图的图层。
在一个示例中,在基于点位信息生成参考图层的诊断结果分布图之后,还包括:针对每个诊断结果,根据诊断结果分布图确定诊断结果所在的地理位置;基于地理位置生成场景标签,其中,场景标签包括以下至少之一:高架场景、隧道场景、匝道场景、高速立交场景;将场景标签添加至对应诊断结果的属性信息中。
对已分类和已确定错误等级的诊断结果和车道级定位信号进行关联,获取具有空间位置信息测试诊断结果;基于带有空间位置信息的诊断结果,在GIS***中将高精地图和其他参考图层,对诊断结果信息的点位坐标信息进行叠加展示,获取诊断结果分布图;基于诊断结果分布图,识别出诊断结果的位置所属的场景,场景分类包括但不限于高架场景、隧道场景、匝道场景、高速立交场景等,在GIS***中将诊断结果进行场景分类标记,得到带有场景分类标签的诊断结果。
基于上述示例,在将场景标签添加至对应诊断结果的属性信息中之后,还包括:针对每个场景类别,统计对应场景类别中所有诊断结果的总数量,以及统计对应场景类别中目标异常等级出现的第一数量,以及目标异常类型出现的第二数量;基于第一数量和总数量计算目标异常等级的第一异常占比,以及基于第二数量和总数量计算目标异常类型的第二异常占比;采用第一异常占比和第二异常占比生成自动驾驶高精地图软件在对应场景类别的场景覆盖质量。
在本示例中,通过统计带有场景分类标签的诊断结果,根据各场景出现诊断的错误类型数量与场景总诊断错误数占比、各场景出现诊断的错误等级数量与总的诊断错误数占比,对自动驾驶高精地图软件的场景覆盖质量和处理数据质量进行评定。
在本实施例的另一个诊断场景中,根据高精地图数据生成自动驾驶高精地图软件的诊断结果包括:解析高精地图数据的视觉显示要素,其中,视觉显示要素包括以下至少之一:车道线标识、车道线类型、运行设计域(Operational Design Domain,ODD)故障、车道限速、车道类型、车道曲率;在地理信息***中将视觉显示要素与参考图层进行图层叠加,并根据视觉显示要素与参考图层的匹配度计算高精地图数据的准确度,将准确度确定为自动驾驶高精地图软件的第二诊断结果。
基于车道级定位信号,在GIS***中展示高精地图可以获得直观的高精地图要素展示和参照对比;如渲染车道线标识专题、车道线类型专题、车道异常专题(ODD故障)、车道限速专题、车道类型专题、车道曲率异常专题等;获取直观展示高精地图各要素完整性的定性判定;在GIS***中将高精地图要素与图层叠加,如导航路网地图、高清影像地图等,将高精地图要素与现实道路情况差异对比,获取直观高精地图要素准确性的定性判定。
图3是本发明实施例的一个实施流程图,基于本实施例提供的一种自动驾驶高精地图数据及程序诊断的方法,包括:
S31、基于GIS***生成道路级导航路径,获取模拟测试路径的位置信息数据源;
S32、基于模拟测试路径的位置信息数据源,按照顺序、定频输出一个位置信息,获取模拟道路级行车位置信号;
S33、基于模拟行车位置信号,输入被测程序,获取该位置的高精地图数据,然后分开执行S34~S37和S38;
S34、通过获取的道路级行车位置信号和高精地图数据获取模拟行车位置的车道级定位信号;
S35、将车道级定位数据和高精地图数据输入被测程序,获取被测程序输出结果;
S36、诊断被测程序输出结果的诊断结果,并确定诊断结果的错误等级和错误类型,与车道级空间位置息进行关联,标记场景信息,获取具有空间位置和场景标签的诊断结果;
进一步,获取被测程序输出结果,根据对后端使用的影响的严重程度,对输出结果进行诊断,并确定诊断结果的错误等级,等级分为致命错误、一般错误、警告;根据输出模块的名称,对诊断结果进行分类,基于已分类和已确定错误等级的诊断结果和道路级行车位置信号进行关联,获取具有空间位置信息的测试诊断结果;
基于具有空间位置信息的测试诊断结果,在GIS***中将高精地图、参考图层(如导航路网、高清影像等)、测试诊断结果的点位信息进行叠加展示,获取诊断结果分布图;
基于诊断结果分布图,诊断结果的位置所属的场景,场景分类包括但不限于高架场景、隧道场景、匝道场景、高速立交场景等,在GIS***中将诊断结果进行场景分类标记,获取带有场景分类标签的诊断结果。
S37、基于具有空间位置和场景标记的诊断结果,对被测程序的场景覆盖质量和处理数据质量进行评定;
统计带有场景分类标签的诊断结果,根据各场景出现诊断的错误类型数量与场景总诊断错误数占比、各场景出现诊断的错误等级数量与总的诊断错误数占比,对诊断程序的场景覆盖质量和处理数据质量进行评定。
S38、基于高精地图数据,在GIS***中展示高精地图,获得直观的高精地图要素展示和参照对比;
如渲染车道线标识专题、车道线类型专题、车车道线异常、非ODD区域专题、特殊区域专题、车道类型专题等;获取直观展示高精地图各要素完整性的定性判定。在GIS***中将高精地图要素与现实道路的参考图层叠加,参考图层如导航路网地图、高清影像地图等,将高精地图要素与现实道路情况差异对比,获取直观高精地图要素准确性的定性判定。
本实施例的方案还提供了自动驾驶高精地图软件的测试装置,图4是本发明实施例自动驾驶高精地图软件的测试***的示意图,包括测试装置、自动驾驶域控制器、导航地图控制器,整体包括:案例管理模块、场景测试路径管理模块、位置模拟模块、车道级定位模拟模块(安装自动驾驶高精地图软件)、数据诊断模块、地图信息可视化模块、统计分析模块,其中,
案例管理模块,用于创建测试场景案例、场景中测试路径管理、测试场景标签标注等,记录测试案例的信息。
场景测试路径管理模块,用于根据案例为单元管理的测试路径数据,记录路径通过经纬度坐标空间生成的模拟定位轨迹数据。
位置模拟模块,用于使用的测试路径的按照设定的频率、采样间距实时插值生成模拟定位轨迹数据,并播发位置数据,从自动驾驶地图程序中获取前位置的高精地图数据。
车道级定位模拟模块,用于根据通过测模拟定位获取的高精地图数据和位置模拟模块播发的位置数据。通过获取高精地图车道的几何信息和位置数据的坐标信息,根据模拟参数、高精地图获取当前位置前方车道变宽点、车道变窄点、车道线变化点、车道属性变化点等信息形成变道的特征信息,调整车道定位信息坐标,模拟行车过程中变道效果。
数据诊断模块,用于使用诊断规则对被测程序的结果进行诊断,并根据计算结果对后端使用的影响的严重程度,对诊断结果划分错误等级;根据输出模块的名称,对诊断结果进行分类。分类分级的诊断结果与模拟定位的空间位置进行关联,获得具有空间位置信息测试诊断结果。
地图信息可视化模块,用于专题信息展示高精地图,获取直观展示高精地图各要素完整性的定性判定;在将高精地图要素与图层叠加,实现要素差异对比,获取直观高精地图要素准确性的定性判定;展示空间位置信息测试诊断结果,获取诊断结果分布图;基于诊断结果分布图和场景信息将诊断结果进行场景分类标记,获取带有场景分类标签的诊断结果。
统计分析模块,用于根据各场景出现诊断的错误类型数量与场景总诊断错误数占比分析、各场景出现诊断的错误等级数量与总的诊断错误数占比分析,对诊断程序的场景覆盖质量和处理数据质量进行评定;
采用本实施例提供的自动驾驶高精度地图数据及程序诊断,使用经纬度坐标空间构建自动驾驶车辆行驶轨迹场景;可以快速将实车移动移动的效果获取真实场景高精地图数据,根据真实的高精地图数据和模拟行驶轨迹的道路及定位,通过获取车道几何关系、车道特征、变道因子进行自动变换车道定位模拟,准确可以通过调整变道因子模拟车道定位数据,输入自动驾驶地图程序驱动程序计算当前的地图环境信息(如匝道距离、匝道长度、最近匝道方向等信息);再利用诊断模块获取计算信息和地图数据信息进行正确性检查、数据完整性检查、值域检查,并通过检查对象进行分类和检查值的范围进行等级划分,同时记录错误的位置信息并关联场景信息,利用可视化***直观展现错误的空间分布关联性便于发现程序的薄弱场景;有效利用案例中存储的路径进行场景归档管理,可进行长时间监测程序的运行状态,并将诊断结果进行场景归档分类,达到无人值守长效运行的效果。降低人工监视检测数据结果的时间,提高检测的效率,降低实地测试的成本。
本实施例构建的测试软件结合自动驾驶控制域中的自动驾驶高精地图软件和高精度地图数据,实现排查高精度地图数据制作及转换过程中的问题,以及软件开发中数据计算问题。因此,本申请能够反应模拟车辆行驶过程中高精度地图和导航地图变化状态信息,并能确定后端使用高精使用信息的适用情况。无需进行实地完成高精地图数据验证即可实现实地高精地图真实数据获取,避免了大量的实地测试耗费人力和物力。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,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,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,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。
实施例2
在本实施例中还提供了一种自动驾驶高精地图软件的测试装置、***,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图5是根据本发明实施例的一种自动驾驶高精地图软件的测试装置的结构框图,如图5所示,该装置包括:
确定模块50,用于确定模拟车辆的道路级行车位置信号;
第一获取模块52,用于获取所述模拟车辆在所述道路级行车位置信号的高精地图数据,其中,所述高精地图数据是车辆的自动驾驶导引数据;
第二获取模块54,用于根据所述高精地图数据和所述道路级行车位置信号获取所述模拟车辆的车道级定位信号;
第三获取模块56,用于将所述车道级定位信号和所述高精地图数据输入自动驾驶高精地图软件,并获取所述自动驾驶高精地图软件的实时反馈数据;
生成模块58,用于根据所述实时反馈数据和/或高精地图数据生成所述自动驾驶高精地图软件的诊断结果。
可选地,所述确定模块包括:第一生成单元,用于基于地理信息***生成道路级导航路径,其中,所述道路级导航路径包括从出发地到目的地途径若干点至目的地,形成的道路段坐标点集合;处理单元,用于获取所述道路级导航路径的预设惯导参数,并采用所述预设惯导参数和所述坐标点集合得到位置模拟数据源;输出单元,用于基于所述位置模拟数据源,按序定频输出位置信息,实时得到所述模拟车辆的道路级行车位置信号。
可选地,所述第二获取模块包括:获取单元,用于从所述高精地图数据中获取包含所述道路级行车位置信号的坐标位置的车道集合;提取单元,用于提取所述车道集合中所有车道的车道中心线的坐标点串;定位单元,用于根据所述坐标点串定位距离所述道路级行车位置信号的坐标位置最近的目标车道中心线;第一确定单元,用于将所述目标车道中心线所在的车道确定为所述模拟车辆的车道级定位信号。
可选地,所述定位单元包括:计算子单元,用于针对所述车道集合中每个车道的车道中心线的坐标点串,分别计算所述道路级行车位置信号的坐标位置至所述坐标点串的垂线距离;选择子单元,用于选择垂线距离最短的坐标点串对应的车道中心线为目标车道中心线。
可选地,所述第二获取模块包括:读取单元,用于从所述道路级行车位置信号的前一帧车道级定位信号的属性信息中读取变道特征信息,其中,所述变道特征信息用于表征车道变更的影响因素;解析单元,用于解析所述变道特征信息,确定前一帧车道级定位信号的变更车道;计算单元,用于采用所述变更车道的车道中心线计算所述道路级行车位置信号的坐标位置至所述变更车道的车道中心线的投影点;第二确定单元,用于采用所述投影点的坐标确定车道级定位信号。
可选地,所述生成模块包括:第一解析单元,用于解析所述实时反馈数据对业务端的影响程度,以及解析所述实时反馈数据的输出模块;处理单元,用于生成与所述影响程度匹配的异常等级,以及查找与所述输出模块匹配的异常类型;第一确定单元,用于将所述异常等级和所述异常类型确定所述自动驾驶高精地图软件的第一诊断结果。
可选地,所述生成模块还包括:显示单元,用于在所述确定单元将所述异常等级和所述异常类型确定所述自动驾驶高精地图软件的第一诊断结果之后,将所述第一诊断结果与所述车道级定位信号进行关联,并根据所述车道级定位信号显示所述第一诊断结果在参考图层中的点位信息;生成单元,用于基于所述点位信息生成所述参考图层的诊断结果分布图。
可选地,所述生成模块还包括:第二确定单元,用于在所述生成单元基于所述点位信息生成所述参考图层的诊断结果分布图之后,针对每个诊断结果,根据所述诊断结果分布图确定诊断结果所在的地理位置;第一生成单元,用于基于所述地理位置生成场景标签,其中,所述场景标签包括以下至少之一:高架场景、隧道场景、匝道场景、高速立交场景;添加单元,用于将所述场景标签添加至对应诊断结果的属性信息中。
可选地,所述生成模块还包括:第一计算单元,用于在所述添加单元将所述场景标签添加至对应诊断结果的属性信息中之后,针对每个场景类别,统计对应场景类别中所有诊断结果的总数量,以及统计对应场景类别中目标异常等级出现的第一数量,以及目标异常类型出现的第二数量;第二计算单元,用于基于所述第一数量和所述总数量计算所述目标异常等级的第一异常占比,以及基于所述第二数量和所述总数量计算所述目标异常类型的第二异常占比;第二生成单元,用于采用所述第一异常占比和所述第二异常占比生成所述自动驾驶高精地图软件在对应场景类别的场景覆盖质量。
可选地,所述生成模块包括:第二解析单元,用于解析所述高精地图数据的视觉显示要素,其中,所述视觉显示要素包括以下至少之一:车道线标识、车道线类型、运行设计域ODD故障、车道限速、车道类型、车道曲率;第三确定单元,用于在地理信息***中将所述视觉显示要素与参考图层进行图层叠加,并根据所述视觉显示要素与所述参考图层的匹配度计算所述高精地图数据的准确度,将所述准确度确定为所述自动驾驶高精地图软件的第二诊断结果。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例3
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,确定模拟车辆的道路级行车位置信号;
S2,获取所述模拟车辆在所述道路级行车位置信号的高精地图数据,其中,所述高精地图数据是车辆的自动驾驶导引数据;
S3,根据所述高精地图数据和所述道路级行车位置信号获取所述模拟车辆的车道级定位信号;
S4,将所述车道级定位信号和所述高精地图数据输入自动驾驶高精地图软件,并获取所述自动驾驶高精地图软件的实时反馈数据;
S5,根据所述实时反馈数据和/或高精地图数据生成所述自动驾驶高精地图软件的诊断结果。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,确定模拟车辆的道路级行车位置信号;
S2,获取所述模拟车辆在所述道路级行车位置信号的高精地图数据,其中,所述高精地图数据是车辆的自动驾驶导引数据;
S3,根据所述高精地图数据和所述道路级行车位置信号获取所述模拟车辆的车道级定位信号;
S4,将所述车道级定位信号和所述高精地图数据输入自动驾驶高精地图软件,并获取所述自动驾驶高精地图软件的实时反馈数据;
S5,根据所述实时反馈数据和/或高精地图数据生成所述自动驾驶高精地图软件的诊断结果。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个***,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,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元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单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (14)
1.一种自动驾驶高精地图软件的测试方法,其特征在于,包括:
确定模拟车辆的道路级行车位置信号;
获取所述模拟车辆在所述道路级行车位置信号的高精地图数据,其中,所述高精地图数据是车辆的自动驾驶导引数据;
根据所述高精地图数据和所述道路级行车位置信号获取所述模拟车辆的车道级定位信号;
将所述车道级定位信号和所述高精地图数据输入自动驾驶高精地图软件,并获取所述自动驾驶高精地图软件的实时反馈数据;
根据所述实时反馈数据和/或高精地图数据生成所述自动驾驶高精地图软件的诊断结果。
2.根据权利要求1所述的方法,其特征在于,确定模拟车辆的道路级行车位置信号包括:
基于地理信息***生成道路级导航路径,其中,所述道路级导航路径包括从出发地到目的地途径若干点至目的地,形成的道路段坐标点集合;
获取所述道路级导航路径的预设惯导参数,并采用所述预设惯导参数和所述坐标点集合得到位置模拟数据源;
基于所述位置模拟数据源,按序定频输出位置信息,实时得到所述模拟车辆的道路级行车位置信号。
3.根据权利要求1所述的方法,其特征在于,根据所述高精地图数据和所述道路级行车位置信号获取所述模拟车辆的车道级定位信号包括:
从所述高精地图数据中获取包含所述道路级行车位置信号的坐标位置的车道集合;
提取所述车道集合中所有车道的车道中心线的坐标点串;
根据所述坐标点串定位距离所述道路级行车位置信号的坐标位置最近的目标车道中心线;
将所述目标车道中心线所在的车道确定为所述模拟车辆的车道级定位信号。
4.根据权利要求3所述的方法,其特征在于,根据所述坐标点串定位距离所述道路级行车位置信号的坐标位置最近的目标车道中心线包括:
针对所述车道集合中每个车道的车道中心线的坐标点串,分别计算所述道路级行车位置信号的坐标位置至所述坐标点串的垂线距离;
选择垂线距离最短的坐标点串对应的车道中心线为目标车道中心线。
5.根据权利要求1所述的方法,其特征在于,根据所述高精地图数据和所述道路级行车位置信号获取所述模拟车辆的车道级定位信号包括:
从所述道路级行车位置信号的前一帧车道级定位信号的属性信息中读取变道特征信息,其中,所述变道特征信息用于表征车道变更的影响因素;
解析所述变道特征信息,确定前一帧车道级定位信号的变更车道;
采用所述变更车道的车道中心线计算所述道路级行车位置信号的坐标位置至所述变更车道的车道中心线的投影点;
采用所述投影点的坐标确定车道级定位信号。
6.根据权利要求1所述的方法,其特征在于,根据所述实时反馈数据生成所述自动驾驶高精地图软件的诊断结果包括:
解析所述实时反馈数据对业务端的影响程度,以及解析所述实时反馈数据的输出模块;
生成与所述影响程度匹配的异常等级,以及查找与所述输出模块匹配的异常类型;
将所述异常等级和所述异常类型确定所述自动驾驶高精地图软件的第一诊断结果。
7.根据权利要求6所述的方法,其特征在于,在将所述异常等级和所述异常类型确定所述自动驾驶高精地图软件的第一诊断结果之后,所述方法还包括:
将所述第一诊断结果与所述车道级定位信号进行关联,并根据所述车道级定位信号显示所述第一诊断结果在参考图层中的点位信息;
基于所述点位信息生成所述参考图层的诊断结果分布图。
8.根据权利要求7所述的方法,其特征在于,在基于所述点位信息生成所述参考图层的诊断结果分布图之后,所述方法还包括:
针对每个诊断结果,根据所述诊断结果分布图确定诊断结果所在的地理位置;
基于所述地理位置生成场景标签,其中,所述场景标签包括以下至少之一:高架场景、隧道场景、匝道场景、高速立交场景;
将所述场景标签添加至对应诊断结果的属性信息中。
9.根据权利要求8所述的方法,其特征在于,在将所述场景标签添加至对应诊断结果的属性信息中之后,所述方法还包括:
针对每个场景类别,统计对应场景类别中所有诊断结果的总数量,以及统计对应场景类别中目标异常等级出现的第一数量,以及目标异常类型出现的第二数量;
基于所述第一数量和所述总数量计算所述目标异常等级的第一异常占比,以及基于所述第二数量和所述总数量计算所述目标异常类型的第二异常占比;
采用所述第一异常占比和所述第二异常占比生成所述自动驾驶高精地图软件在对应场景类别的场景覆盖质量。
10.根据权利要求1所述的方法,其特征在于,根据所述高精地图数据生成所述自动驾驶高精地图软件的诊断结果包括:
解析所述高精地图数据的视觉显示要素,其中,所述视觉显示要素包括以下至少之一:车道线标识、车道线类型、运行设计域ODD故障、车道限速、车道类型、车道曲率;
在地理信息***中将所述视觉显示要素与参考图层进行图层叠加,并根据所述视觉显示要素与所述参考图层的匹配度计算所述高精地图数据的准确度,将所述准确度确定为所述自动驾驶高精地图软件的第二诊断结果。
11.一种自动驾驶高精地图软件的测试装置,其特征在于,包括:
确定模块,用于确定模拟车辆的道路级行车位置信号;
第一获取模块,用于获取所述模拟车辆在所述道路级行车位置信号的高精地图数据,其中,所述高精地图数据是车辆的自动驾驶导引数据;
第二获取模块,用于根据所述高精地图数据和所述道路级行车位置信号获取所述模拟车辆的车道级定位信号;
第三获取模块,用于将所述车道级定位信号和所述高精地图数据输入自动驾驶高精地图软件,并获取所述自动驾驶高精地图软件的实时反馈数据;
生成模块,用于根据所述实时反馈数据和/或高精地图数据生成所述自动驾驶高精地图软件的诊断结果。
12.一种自动驾驶高精地图软件的测试装置,其特征在于,包括:
案例管理模块,用于创建测试场景案例、管理场景中测试路径、标注测试场景标签,记录测试案例的案例信息;
场景测试路径管理模块,用于根据测试场景案例为单元管理的测试路径数据,记录路径通过经纬度坐标空间生成的模拟定位轨迹数据;
位置模拟模块,用于按照设定的频率、采样间距实时插值生成模拟定位轨迹数据,并播发位置数据,从自动驾驶高精地图软件中获取前位置的高精地图数据;
数据诊断模块,用于使用诊断规则对自动驾驶高精地图软件的输出结果进行诊断,并根据输出结果对业务端的使用影响的严重程度进行诊断,对诊断结果划分错误等级;根据输出模块的名称,对诊断结果进行分类;将分类分级的诊断结果与模拟定位的空间位置进行关联,获得具有空间位置信息的测试诊断结果;
地图信息可视化模块,用于按照专题信息展示高精地图,获取直观展示高精地图各要素完整性的定性判定;在将高精地图要素与图层叠加,实现要素差异对比,获取直观高精地图要素准确性的定性判定;展示空间位置信息测试诊断结果,获取诊断结果分布图;基于诊断结果分布图和场景信息将诊断结果进行场景分类标记,获取带有场景分类标签的诊断结果;
统计分析模块,用于根据各场景出现诊断的错误类型数量与场景总诊断错误数进行占比分析、根据各场景出现诊断的错误等级数量与总的诊断错误数进行占比分析,对诊断程序的场景覆盖质量和处理数据质量进行评定。
13.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至10任一项中所述的方法。
14.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至10任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310334280.9A CN116414704A (zh) | 2023-03-30 | 2023-03-30 | 自动驾驶高精地图软件的测试方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310334280.9A CN116414704A (zh) | 2023-03-30 | 2023-03-30 | 自动驾驶高精地图软件的测试方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116414704A true CN116414704A (zh) | 2023-07-11 |
Family
ID=87054234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310334280.9A Pending CN116414704A (zh) | 2023-03-30 | 2023-03-30 | 自动驾驶高精地图软件的测试方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116414704A (zh) |
-
2023
- 2023-03-30 CN CN202310334280.9A patent/CN116414704A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112816954B (zh) | 一种基于真值的路侧感知***评测方法和*** | |
CN108242145B (zh) | 异常轨迹点检测方法和装置 | |
US11520684B2 (en) | Method and apparatus for testing autonomous vehicle, and storage medium | |
CN111696343B (zh) | 一种轨迹数据处理方法及装置 | |
CN102116639B (zh) | 一种对电子地图的交通限制信息自动校验的方法与装置 | |
US7363151B2 (en) | Map error information obtaining system and map error information obtaining method | |
CN109754594A (zh) | 一种路况信息获取方法及其设备、存储介质、终端 | |
CN111125293B (zh) | 公交网络模型自动生成方法、装置及电子设备 | |
CN107430815A (zh) | 用于自动识别停车区的方法和*** | |
CN106595682A (zh) | 一种地图数据的差分更新方法、***及服务器 | |
CN110530381B (zh) | 基于导航数据的地图现势性检测方法、装置及存储介质 | |
US20180066946A1 (en) | Method and System for Improving Spatial Accuracy of Map Data | |
CN109507699A (zh) | 车用卫星定位校正方法及装置 | |
CN111765904A (zh) | 自动驾驶车辆的测试方法、装置、电子设备和介质 | |
CN115384516A (zh) | 运输车的轮胎磨损里程计算方法、装置及设备 | |
CN102980592A (zh) | 一种通过gps经纬度自动计算车辆脉冲系数的方法及装置 | |
CN110675631A (zh) | 一种交通流溯源分析方法及*** | |
CN113343359B (zh) | 一种自动驾驶预期功能安全触发条件评估方法及*** | |
CN111854766A (zh) | 一种道路信息确定方法、装置、电子设备及存储介质 | |
CN111665062B (zh) | 一种adas***开放道路测试路线设计方法 | |
CN116414704A (zh) | 自动驾驶高精地图软件的测试方法及装置 | |
JP2019023620A (ja) | 自動化された車両のためのデジタルマップを最適化する方法 | |
CN107356260A (zh) | 应用于自动路测的导航***及方法 | |
CN113362488B (zh) | Obd监测数据处理*** | |
Pribe et al. | Learning to associate observed driver behavior with traffic controls |
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 |