自动驾驶测试数据生成方法及系统、电子设备、存储介质技术方案

本申请涉及自动驾驶技术领域，自动驾驶测试数据生成方法，所述方法包括：通过遗传算法，计算出最危险场景数据；将最危险场景数据作为暴力搜索算法的起始场景数据，通过暴力搜索算法，获取场景数据，作为危险场景测试数据集。通过对场景的简化和关键参数定义，减少重复场景测试和低效场景的测试，遗传算法迭代优化种群所需的数据较少，利用种群适应度的反馈数据，解决了自然驾驶数据的获取困难问题；危险场景的分布区域连通，可以采用暴力搜索的方式获取更多的危险场景。因此，本申请能够高效生成大量危险场景数据。本申请公开一种自动驾驶测试数据生成方法及系统、电子设备、存储介质。存储介质。存储介质。

【技术实现步骤摘要】
自动驾驶测试数据生成方法及系统、电子设备、存储介质


[0001]本申请属于自动驾驶
，涉及一种自动驾驶测试数据生成方法及系统、电子设备、存储介质。

技术介绍

[0002]基于场景的仿真测试是智能网联汽车与自动驾驶落地的重要一环。仿真测试是指基于计算机软件对智能网联汽车的驾驶环境和道路环境进行模拟，提供多传感器感知、动力学、气象等与背景环境的交互反馈；场景生成是仿真测试的重要组成部分，包括静态场景和动态场景，静态场景提供路网信息、感知需要的背景环境等信息，动态场景提供车辆与行人的行为动作交互。目前场景生成的方法有，基于自然驾驶数据的场景生成，最危险场景评估法和临界工况场景生成法等。
[0003]基于自然驾驶数据的场景生成方法，利用对海量自然驾驶数据的重采样，分析场景变量的暴露频率分布和该场景下待测车辆的机动难度。在低维度场景下，通过梯度优化和种子填充法搜索生成高暴露频率和较为危险的重要场景。该方法生成的场景的覆盖性强、测试有效性高，但需要大量自然驾驶数据提供搜索方向。
[0004]现有技术往往通过自然驾驶数据来获取样本分布，生成危险场景。自然驾驶样本分布下的危险场景数据数量少，这限制了数据驱动下场景生成的应用和效果，难以生成大量危险场景数据。

技术实现思路

[0005]为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键／重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
[0006]为了解决相关技术中存在的问题，本公开实施例提供了自动驾驶测试数据生成方法及系统、电子设备、存储介质，用以解决现有技术中的通过自然驾驶样本分布而生成危险场景数据导致数量不足的问题。
[0007]在一些实施例中，提供了一种自动驾驶测试数据生成方法，方法包括：S100，通过遗传算法，计算出最危险场景数据；S200，将最危险场景数据作为暴力搜索算法的起始场景数据，通过暴力搜索算法，获取场景数据，作为危险场景测试数据集。
[0008]优选地，通过遗传算法，计算出最危险场景数据，包括：S101，确定遗传算法的搜索空间，定义参数边界作为场景数据边界；S102，初始化种群中的个体基因数据；S103，对种群的个体基因数据进行解码得到场景数据；S104，计算场景数据的TTC指标；S105，对场景数据进行编码，转化为个体基因数据；
S106，从种群中选择父本；S107，通过父代生成子代；S108，判断是否达到最大迭代次数：若达到最大迭代次数，继续；若没达到，则重新执行对种群的个体基因数据进行解码得到场景数据；S109，选择适应度最高的个体基因进行解码，得到最危险场景数据；优选地，所述搜索空间的约束矩阵为：，其中，为最小的相对速度、为最小的相对速度、为最小的相对距离和为最大的相对距离。
[0009]优选地，TTC指标计算为：；其中，表示相对距离，表示相对速度，k表示仿真步长。
[0010]优选地，从种群中选择父本，包括：通过轮盘赌选择部分个体作为父代。
[0011]优选地，将最危险场景数据作为暴力搜索算法的起始场景数据，通过暴力搜索算法，获取场景数据，作为危险场景测试数据集，包括： S201，以最危险场景数据的网格作为暴力搜索的起始场景;S202，对起始场景顺次进行一次横向场景搜索，获得一个横向场景；S203，判断所述横向场景是否为危险，若是，则继续；若否，则重新执行S202；S204，将所述横向场景作为危险横向场景，并加入危险场景测试数据集S205，对危险横向场景进行一次纵向场景搜索，获得危险横向场景的纵向场景；S206，判断危险横向场景的纵向场景是否危险，若是，则将危险横向场景的纵向场景作为起始场景，重新执行S202；若否，则继续；S207，重复执行多次S202至S206直至搜索不到危险纵向场景。
[0012]优选地，所述方法中判断场景是否为危险，是通过计算场景TTC指标来判断。
[0013]在一些实施例中，公开了一种系统，包括：遗传算法模块，被配置为通过遗传算法，计算出最危险场景数据；暴力搜索模块，被配置为将最危险场景数据作为暴力搜索算法的起始场景数据，通过暴力搜索算法，获取场景数据，作为危险场景测试数据集。
[0014]在一些实施例中，公开了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，执行如上述的自动驾驶测试数据生成方法。
[0015]在一些实施例中，公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行如上述的自动驾驶测试数据生成方法。
[0016]本公开实施例提供的一种自动驾驶测试数据生成方法及系统、电子设备、存储介质，可以实现以下技术效果：本公开实施例通过遗传算法，计算出最危险场景数据；将最危险场景数据作为暴力搜索算法的起始场景数据，通过暴力搜索算法，获取场景数据，作为危险场景测试数据集。本公开实施例能够大量生成危险场景测试数据。
[0017]以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。
附图说明
[0018]一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：图1是本公开实施例提供的一种自动驾驶测试数据生成方法流程图；图2是本公开实施例提供的一种通过遗传算法计算出最危险场景数据的流程图；图3是本公开实施例提供的一种通过暴力搜索获取危险场景测试数据集的流程图；图4是本公开实施例提供的一种横向搜索和纵向搜索的示意图；图5是本公开实施例提供的一种自动驾驶测试数据生成系统示意图；图6是本公开实施例提供的一种自动驾驶测试数据生成电子设备示意图。
具体实施方式
[0019]为了能够更加详尽地了解本公开实施例的特点与
技术实现思路
，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和系统可以简化展示。
[0020]以下描述和附图充分地示出本专利技术的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本专利技术的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，各实施方案可以被单独地或总地用术语“专利技术”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的专利技术，不是要自动地限制该应用的范围为任何单个专利技术或专利技术构思。本文中，诸如第一和第二等之类的关系术语仅仅用于将一个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动驾驶测试数据生成方法，其特征在于，所述方法包括：S100，通过遗传算法，计算出最危险场景数据；S200，将最危险场景数据作为暴力搜索算法的起始场景数据，通过暴力搜索算法，获取场景数据，作为危险场景测试数据集。2.根据权利要求1所述的方法，其特征在于，通过遗传算法，计算出最危险场景数据，包括：S101，确定遗传算法的搜索空间，定义参数边界作为场景数据边界；S102，初始化种群中的个体基因数据；S103，对种群的个体基因数据进行解码得到场景数据；S104，计算场景数据的TTC指标，作为适应度函数；S105，对场景数据进行编码，转化为个体基因数据；S106，从种群中选择父本；S107，通过父代生成子代；S108，判断是否达到最大迭代次数：若达到最大迭代次数，继续；若没达到，则重新执行对种群的个体基因数据进行解码得到场景数据；S109，选择适应度最高的个体基因进行解码，得到最危险场景数据。3.根据权利要求2所述的方法，其特征在于，所述搜索空间的约束矩阵为：其中，为最小的相对速度、为最小的相对速度、为最小的相对距离和为最大的相对距离。4.根据权利要求2所述的方法，其特征在于，TTC指标计算为：；其中，表示相对距离，表示相对速度，k表示仿真步长。5.根据权利要求2所述的方法，其特征在于，从种群中选择父本，包括：通过轮盘赌选择部分个体作为父代。6.根据权利要求1所述的方法，其特征在于，将最危险场景数据作为暴力搜索算法的起始场景数...

【专利技术属性】
技术研发人员：周锐，刘瑜平，孙佳优，曹东璞，
申请(专利权)人：深圳慧拓无限科技有限公司，
类型：发明
国别省市：