一种基于重要度抽样的无人车十字路口通行场景关键测试案例生成方法技术

本发明专利技术面向无人车，提出一种基于重要度抽样的无人车十字路口通行场景关键测试案例生成方法，它包含四大步骤：(1)构建无人车十字路口通行场景，分析确定无人车十字路口通行可靠性的影响因素；(2)无人车十字路口通行场景可靠性影响因素参数化处理；(3)建立基于混合高斯分布的无人车十字路口通行场景模型，基于期望最大化(EM)算法确定无人车十字路口通行场景模型的最佳参数；(4)基于重要抽样概率密度函数进行重要度抽样并获得关键测试用例，对无人车十字路口通行场景进行测试并确定无人车十字路口通行的可靠度。十字路口通行的可靠度。十字路口通行的可靠度。

【技术实现步骤摘要】
一种基于重要度抽样的无人车十字路口通行场景关键测试案例生成方法
所属

[0001]本专利技术面向无人车，提出一种基于重要度抽样的无人车十字路口通行场景关键测试案例生成方法。该方法针对无人车通过十字路口这一场景，进行可靠性影响因素分析、构建高斯模型和进行重要度抽样，从而生成无人车十字路口通行的关键测试案例。本专利技术属于可靠性


技术介绍

[0002]随着无人车技术的发展，可靠性问题成为了无人车应用过程中难以逾越的瓶颈。根据报道，无论是特斯拉的自动驾驶系统还是Uber原型无人车，都发生过致命的交通事故。这些悲剧促使我们在无人车技术真正运用之前，更加谨慎地在受控环境中评估其可靠性。为此我们需要使用精心设计的测试案例对无人车可靠性进行评估。
[0003]由于无人车遭遇场景的复杂性，在自然的行驶情况下，需要几亿公里的里程才能实现自动驾驶技术的可靠性评估。即使使用计算机仿真的方法，挖掘出不可靠的案例也需要大量的计算。十字路口作为车辆交汇的地点，是交通事故的多发地，无人车十字路口通行是无人车运行过程的常见任务，其评估和验证对于保证可靠性和安全性至关重要。而十字路口通行存在很多不确定的危险事件，如车辆或行人穿红灯等，为了充分挖掘这些危险事件对无人车十字路口通行的影响，我们提出了一种基于重要度抽样的自动驾驶汽车关键测试案例生成方法。通过对无人车十字路口通行可靠性进行影响因素分析、模型构建以及重要度抽样，可以更快更高效找到对无人车可靠性带来挑战的关键场景，为无人车十字路口通行场景的可靠性评估提供指导。
专利技术内容
[0004]避免碰撞是无人车十字路口通行的最低要求，无人车十字路口通行可靠性是指无人车在十字路口通行的过程中能够与其他车辆保持安全碰撞时间(time
‑
to
‑
collision，ttc)的能力。本专利技术针对无人车十字路口通行场景下危险场景不易挖掘测试的问题，提出了一种基于重要度抽样的无人车十字路口通行场景关键测试案例生成方法，为无人车十字路口通行的可靠评估提供依据。该专利技术的整体研究思路如图1所示，该方法分为下面几个步骤：
[0005]步骤一：构建无人车十字路口通行场景，分析确定无人车十字路口通行可靠性的影响因素。
[0006]分析无人车在十字路口通行场景，确定无人车十字路口通行的可靠性影响因素。考虑到十字路口车流复杂，无人车可能与各个方向车辆碰撞的特点，无人车十字路口通行的可靠性影响因素包括：各方向车辆的出现概率、车身的转角、车辆的位置以及碰撞时间。
[0007]步骤1：十字路口车流分析，确定十字路口通行场景下与无人车存在碰撞风险的车辆。分析图2和图3所示的十字路口通行示意图以及各方向车辆的轨迹图可知，十字路口通
行场景中，车辆行驶方向较多且车流比较复杂。可能与无人车发生碰撞的车辆包括左侧直行车辆、左侧左转车辆、右侧直行车辆、右侧左转车辆、右侧右转车辆以及对面左转车辆。
[0008]步骤2：分析确定速度影响因素集合，它包括本车速度、左侧直行车辆速度、左侧左转车辆速度、右侧直行车辆速度、右侧左转车辆速度、右侧右转车辆速度以及对面左转车辆速度。
[0009]步骤3：分析确定车身转角影响因素集合，它包括本车转角、左侧直行车辆转角、左侧左转车辆转角、右侧直行车辆转角、右侧左转车辆转角、右侧右转车辆转角以及对面左转车辆转角。
[0010]步骤4：分析确定位置影响因素集合，它包括左侧直行车辆位置、左侧左转车辆位置、右侧直行车辆位置、右侧左转车辆位置、右侧右转车辆位置以及对面左转车辆位置。
[0011]步骤5：分析确定碰撞时间影响因素集合，它包括无人车分别与左侧直行车辆、左侧左转车辆、右侧直行车辆、右侧左转车辆、右侧右转车辆以及对面左转车辆的碰撞时间。
[0012]步骤二：无人车十字路口通行场景可靠性影响因素参数化处理。
[0013]对无人车十字路口通行可靠性影响因素进行参数化处理，收集实际使用数据，确定参数的范围及分布，并提出无人车十字路口通行的可靠性判据。本步骤包含4个子步骤：
[0014]步骤1：将无人车十字路口通行可靠性影响因素进行参数化处理。
[0015](1)概率因素的参数化处理：将左侧直行车辆、左侧左转车辆、右侧直行车辆、右侧左转车辆、右侧右转车辆以及对面左转车辆分别编号为A、B、C、D、E、F，且假设无人车每次和某一个方向车辆遭遇，无人车与各方向车辆遭遇的概率为p
A
、p
B
、p
C
、p
D
、p
E
、p
F
。
[0016](2)速度因素参数化处理：构建速度影响参数集{v0,v
A
,v
B
,v
C
,v
D
,v
E
,v
F
}。其中，v0(t)表示无人车在t时刻的速度，v
i
(t)(v
i
≥0),i＝A,B,...,F表示编号为i的车辆在t时刻的速度。
[0017](3)转角因素参数化处理：建立如图4所示的二维坐标系，纵轴y为竖直道路正方向，横轴x与竖直马路正方向垂直，在建立的坐标平面上，连接车头和车尾令其为直线l，与坐标轴相交，l与x轴的夹角即为编号为i的车辆车身转角θ
i
(t)i＝A,B,...,F。其中，θ
i
(t)表示编号为i的车辆在t时刻的车身转角，以水平方向的θ为基准0
°
，θ
i
(t)的取值范围为0
°
≤θ≤360
°
。
[0018](4)位置因素参数化处理：将各方向车辆视为质点，且以车辆底盘中心作为车辆的位置，则无人车及其他相关车辆的位置可以记为(x,y)。其中，无人车的位置为(x0,y0)，且在t＝0时刻，x0＝0,y0＝0。左侧直行车辆、左侧左转车辆、右侧直行车辆、右侧左转车辆、右侧右转车辆以及对面左转车辆位置分别表示为(x
A
,y
A
)、(x
B
,y
B
)、(xC,y
C
)、(x
D
,y
D
)、(xE,y
E
)、(xF,y
F
)。
[0019](5)碰撞时间因素参数化处理：我们构建了ttc数据集，记t时刻无人车与第i辆车的ttc为ttc
i
|
t＝t
＝ttc
i
(t),i＝A,B,...,F。对于在无人车行驶路径上的不同方向的车辆，ttc的计算方式有所不同。
[0020]a)无人车与直行车辆的ttc计算：基于得到的相对速度和相对距离，计算无人车和车辆的碰撞时间。
[0021]b)无人车与转弯车辆的ttc计算：对于其他转弯车辆，基于无人车和转弯车辆相对速度和相对距离，计算无人本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.步骤一：构建无人车十字路口通行场景，分析确定无人车十字路口通行可靠性的影响因素；步骤1：十字路口车流分析，确定十字路口通行场景下与无人车存在碰撞风险的车辆：分析十字路口通行场景下各方向车辆的轨迹可知，十字路口通行场景中，车辆行驶方向较多且车流比较复杂，可能与无人车发生碰撞的车辆包括左侧直行车辆、左侧左转车辆、右侧直行车辆、右侧左转车辆、右侧右转车辆以及对面左转车辆；步骤2：分析确定速度影响因素集合，它包括本车速度、左侧直行车辆速度、左侧左转车辆速度、右侧直行车辆速度、右侧左转车辆速度、右侧右转车辆速度以及对面左转车辆速度；步骤3：分析确定车身转角影响因素集合，它包括本车转角、左侧直行车辆转角、左侧左转车辆转角、右侧直行车辆转角、右侧左转车辆转角、右侧右转车辆转角以及对面左转车辆转角；步骤4：分析确定位置影响因素集合，它包括左侧直行车辆位置、左侧左转车辆位置、右侧直行车辆位置、右侧左转车辆位置、右侧右转车辆位置以及对面左转车辆位置；步骤5：分析确定碰撞时间影响因素集合，它包括无人车分别与左侧直行车辆、左侧左转车辆、右侧直行车辆、右侧左转车辆、右侧右转车辆以及对面左转车辆的碰撞时间；步骤二：无人车十字路口通行场景可靠性影响因素参数化处理；对无人车十字路口通行可靠性影响因素进行参数化处理，收集实际使用数据，确定参数的范围及分布，并提出无人车十字路口通行的可靠性判据,本步骤包含4个子步骤：步骤1：将无人车十字路口通行可靠性影响因素进行参数化处理；(1)概率因素的参数化处理：将左侧直行车辆、左侧左转车辆、右侧直行车辆、右侧左转车辆、右侧右转车辆以及对面左转车辆分别编号为A、B、C、D、E、F，且假设无人车每次和某一个方向车辆遭遇，无人车与各方向车辆遭遇的概率为p
A
、p
B
、p
C
、p
D
、p
E
、p
F
；(2)速度因素参数化处理：构建速度影响参数集{v0,v
A
,v
B
,v
C
,v
D
,v
E
,v
F
},其中，v0(t)表示无人车在t时刻的速度，v
i
(t)(v
i
≥0),i＝A,B,...,F表示编号为i的车辆在t时刻的速度；(3)转角因素参数化处理：建立二维坐标系，纵轴y为竖直道路正方向，横轴x与竖直马路正方向垂直，在建立的坐标平面上，连接车头和车尾令其为直线l，与坐标轴相交，l与x轴的夹角即为编号为i的车辆车身转角θ
i
(t)i＝A,B,...,F，其中，θ
i
(t)表示编号为i的车辆在t时刻的车身转角，以水平方向的θ为基准0
°
，θ
i
(t)的取值范围为0
°
≤θ≤360
°
；(4)位置因素参数化处理：将各方向车辆视为质点，且以车辆底盘中心作为车辆的位置，则无人车及其他相关车辆的位置可以记为(x,y)，其中，无人车的位置为(x0,y0)，且在t＝0时刻，x0＝0,y0＝0，左侧直行车辆、左侧左转车辆、右侧直行车辆、右侧左转车辆、右侧右转车辆以及对面左转车辆位置分别表示为(x
A
,y
A
)、(x
B
,y
B
)、(x
C
,y
C
)、(x
D
,y
D
)、(x
E
,y
E
)、(x
F
,yF)；(5)碰撞时间因素参数化处理：我们构建了ttc数据集，记t时刻无人车与第i辆车的ttc为对于在无人车行驶路径上的不同方向的车辆，ttc的计算方式有所不同：a)无人车与直行车辆的ttc计算：基于得到的相对速度和相对距离，计算无人车和车辆
的碰撞时间；b)无人车与转弯车辆的ttc计算：对于其他转弯车辆，基于无人车和转弯车辆相对速度和相对距离，计算无人车和车辆的碰撞时间；步骤2：依据可靠性影响因素的不同性质，将各可靠性影响因素分类；根据以上的分析可知，对于相对速度、相对距离以及碰撞时间，都是由基础数据，如位置因素x
i
(t)、y
i
(t)、θ
i
(t)以及v
i
(t)等，依据数学关系计算所得出的，对于基础数据x
i
(t)、y

【专利技术属性】
技术研发人员：杨德真，贾露露，任羿，钱诚，王自力，冯强，孙博，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：