基于数据挖掘和测试闭环的无人驾驶算法开发方法技术

本发明专利技术公开了一种基于数据挖掘和测试闭环的无人驾驶算法开发方法，包括以下步骤：(1)需求分析、软件设计、软件开发、软件验证、软件集成测试、软件发布和里程测试；(2)在软件集成测试和里程测试时，持续采集测试过程中产生的各种数据；(3)从采集到的数据中挖掘出问题数据，形成问题库；(4)基于问题库对软件进行二次开发以修复问题，形成开发验证闭环。本发明专利技术在常规开发模式基础上增加了开发验证闭环和需求闭环，分别通过问题库和场景库对算法进行迭代升级，提高算法的可靠性和升级效率。提高算法的可靠性和升级效率。提高算法的可靠性和升级效率。

【技术实现步骤摘要】
基于数据挖掘和测试闭环的无人驾驶算法开发方法


[0001]本专利技术涉及一种基于数据挖掘和测试闭环的无人驾驶算法开发方法，属于自动驾驶


技术介绍

[0002]无人驾驶的算法具有很高的复杂性，一般开发都是根据项目的需求，采用V流程进行开发和验证。但对于高等级无人驾驶算法，为了降低开发成本，会考虑采用平台化软件的开发方式，采用平台软件加项目适配的方式。平台软件的开发一般是测试驱动的，路测中发现的问题会作为开发的需求输入，从而达到一个开发和测试的闭环。
[0003]目前使用纯人工的方式进行开发和测试的闭环，依赖大量路测里程以及人工对问题的判断。这种方式极其依赖测试人员的经验，如果发现问题的比例降低，就需要更多的测试里程来弥补，整体比较低效。在开发新的无人驾驶算法时，测试往往成为研发的瓶颈。

技术实现思路

[0004]本专利技术的目的是解决目前无人驾驶算法采用纯人工的方式进行开发和测试闭环比较低效的技术问题。
[0005]为实现上述专利技术目的，本专利技术提供一种基于数据挖掘和测试闭环的无人驾驶算法开发方法，包括以下步骤：(1)需求分析、软件设计、软件开发、软件验证、软件集成测试、软件发布和里程测试；(2)在软件集成测试和里程测试时，持续采集测试过程中产生的各种数据；(3)从采集到的数据中挖掘出问题数据，形成问题库；(4)基于问题库对软件进行二次开发以修复问题，形成开发验证闭环。
[0006]进一步地，所述步骤(4)后面还包括以下步骤：(5)从所述问题库中进行场景提炼，形成场景库；(6)从所述场景库中挖掘算法的可优化点；(7)将该可优化点提供给需求分析侧，形成需求闭环。
[0007]进一步地，所述步骤(5)中，还从由采集数据形成的全量库中提炼有价值的场景数据加入场景库。
[0008]进一步地，步骤(5)中所述场景提炼的过程为：首先对问题进行归因，然后对于同一原因的问题，选择几个典型场景加入场景库。
[0009]进一步地，所述典型场景至少包括问题现象、道路类别、天气情况、光照条件和时间。
[0010]进一步地，所述问题现象包括急刹、压线行驶、非预期的急刹和车辆蛇行，所述道路类别包括高速公路、城市道路和匝道，所述天气情况包括晴天、阴天、雨天和雪天，所述光照条件包括白天和黑夜。
[0011]进一步地，步骤(6)中所述可优化点基于每个问题的形成原因。
[0012]进一步地，步骤(3)中所述问题数据的挖掘方式包括人工问题挖掘、自动化问题挖掘和对照数据挖掘。
[0013]进一步地，所述人工问题挖掘包括以打标签的方式截取问题数据。
[0014]进一步地，所述自动化问题挖掘包括数据合理性校验和对照数据比较。
[0015]与现有技术相比，本专利技术的有益效果为：
[0016]1、可以使数据产生更大的价值，自动化的挖掘算法可充分利用数据中心的大算力达成仅靠人工无法达到的测试问题覆盖率，即可以自动挖掘出很多人工无法发现的问题。
[0017]2、在常规开发模式基础上增加了开发验证闭环和需求闭环，分别通过问题库和场景库对算法进行迭代升级，提高算法的可靠性和升级效率。
[0018]3、场景库可以持续积累，作为更高级迭代算法的研发依托。
附图说明
[0019]图1是本专利技术一个实施例的流程图；
[0020]图2是本专利技术一个实施例中自动化问题挖掘的原理框图。
具体实施方式
[0021]下面结合附图和具体实施例，对本专利技术的技术方案做进一步说明。
[0022]如图1所示，本专利技术基于数据挖掘和测试闭环的无人驾驶算法开发方法的一个实施例，包括如下步骤：(1)需求分析、软件设计、软件开发、软件验证、软件集成测试、软件发布和里程测试；(2)在软件集成测试和里程测试时，持续采集测试过程中产生的各种数据；(3)从采集到的数据中挖掘出问题数据，形成问题库；(4)基于问题库对软件进行二次开发以修复问题，形成开发验证闭环；(5)从所述问题库中进行场景提炼，形成场景库；(6)从所述场景库中挖掘算法的可优化点；(7)将该可优化点提供给需求分析侧，形成需求闭环。步骤(2)中的里程测试包括无人驾驶的里程测试和有人驾驶的里程测试，其中有人驾驶的里程测试采用影子模式收集数据。
[0023]在本专利技术的一个实施例中，所述步骤(5)中，还从由采集到的全量数据形成的全量库中提炼有价值的场景数据加入场景库。如，路测8小时，8小时测试过程中的传感器数据和算法中间结果数据都会被记录下来，作为全量数据。
[0024]在本专利技术的一个实施例中，步骤(5)中所述场景提炼的过程为：首先对问题进行归因，然后对于同一原因的问题，选择几个典型场景加入场景库。
[0025]在本专利技术的一个实施例中，所述典型场景至少包括以下几个维度：问题现象、道路类别、天气情况、光照条件和时间。
[0026]在本专利技术的一个实施例中，所述问题现象包括急刹、压线行驶、非预期的急刹和车辆蛇行，所述道路类别包括高速公路、城市道路和匝道，所述天气情况包括晴天、阴天、雨天和雪天，所述光照条件包括白天和黑夜。其中急刹是指前方有障碍物时的正常刹车，非预期的急刹是由前方误识别出障碍物导致的。
[0027]在本专利技术的一个实施例中，步骤(6)中所述可优化点基于每个问题的形成原因。如，非预期的急刹是由前方误识别出障碍物导致的，可能是因为相机测距不准把远处的物体识别在近处了，这样就需要针对这个场景优化相机距离识别算法，对于每个问题都需要进行归因后进行算法的优化。
[0028]在本专利技术的一个实施例中，步骤(3)中所述问题数据的挖掘方式包括人工问题挖
掘、自动化问题挖掘和和对照数据挖掘。其中自动化数据挖掘是针对算法结果数据本身进行检验，对照数据挖掘是比较无人驾驶算法结果数据与有人驾驶数据。
[0029]在本专利技术的一个实施例中，所述人工问题挖掘包括以打标签的方式截取问题数据。如，当发现自动驾驶的车辆突然无故急刹，或者突然不在路中间行驶而偏向左右，或者车辆蛇形时，测试人员可以在采集软件上记录问题出现的时间和具体现象，此即为打标签，以便后续快速找到用于进一步分析。打标签得到的问题数据都是从全量数据里截取出来的。
[0030]在本专利技术的一个实施例中，所述自动化问题挖掘包括数据合理性校验和对照数据比较。其中，对照数据包括真值数据和司机行为数据。采集真值数据时，除了本车数据外，会在作为障碍物的目标车上安装一套GPS设备，将目标车的位置、速度、加速度等信息也作为真值记录下来。司机行为数据包括踩油门、踩刹车和转动方向盘等驾驶行为。
[0031]如图2所示，自动化问题挖掘的数据来源包括环境原始数据、算法结果数据和对照数据。对照数据的来源包括采集的真值数据、司机行为数据、基于图像和点云的人工标注。针对不同的数据来源有不同的挖掘方式。
[0032]深度学习检测针对图像和点云数据，通过深度学习模型进行目标识别和语义分割的算法。首先会选取有对比数据或者标注数据的数据段，对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据挖掘和测试闭环的无人驾驶算法开发方法，其特征在于，包括以下步骤：(1)需求分析、软件设计、软件开发、软件验证、软件集成测试、软件发布和里程测试；(2)在软件集成测试和里程测试时，持续采集测试过程中产生的各种数据；(3)从采集到的数据中挖掘出问题数据，形成问题库；(4)基于问题库对软件进行二次开发以修复问题，形成开发验证闭环。2.根据权利要求1所述的基于数据挖掘和测试闭环的无人驾驶算法开发方法，其特征在于，所述步骤(4)后面还包括以下步骤：(5)从所述问题库中进行场景提炼，形成场景库；(6)从所述场景库中挖掘算法的可优化点；(7)将该可优化点提供给需求分析侧，形成需求闭环。3.根据权利要求2所述的基于数据挖掘和测试闭环的无人驾驶算法开发方法，其特征在于，所述步骤(5)中，还从由采集数据形成的全量库中提炼有价值的场景数据加入场景库。4.根据权利要求2所述的基于数据挖掘和测试闭环的无人驾驶算法开发方法，其特征在于，步骤(5)中所述场景提炼的过程为：首先对问题进行归因，然后对于同一原因的问题，选择几个典型场景加入场景库。5.根据权利要...

【专利技术属性】
技术研发人员：王成，董健，刘飞龙，桂瀚洋，胡万强，
申请(专利权)人：杭州宏景智驾科技有限公司，
类型：发明
国别省市：