本申请涉及自动驾驶技术领域，为危险测试场景的生成方法，所述方法包括：收集自然驾驶场景集；分析自然驾驶场景集中的危险性元素；将自然驾驶场景用危险性元素的状态执行动作来表示；量化每个状态中执行每个动作的暴露度、严重度和可控度，来计算量化的危险度，作为危险度矩阵；在危险度矩阵中，筛选出大于目标危险度的动作，作为危险测试场景。本申请将测试场景生成问题转化为了一个状态序列生成问题，因此能够高效生成大量危险场景，用以解决现有技术中的生成危险测试场景消耗巨大时间和经济成本的问题。本申请公开一种危险测试场景的生成方法及系统、电子设备、存储介质。存储介质。存储介质。
【技术实现步骤摘要】
危险测试场景的生成方法及系统、电子设备、存储介质
[0001]本申请属于自动驾驶
，涉及一种危险测试场景的生成方法及系统、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]而在自动驾驶技术研究中生成危险测试场景是重要的一环。为了生成自动驾驶的危险测试场景，相关技术公开了一种自然驾驶的场景生成方法，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；第二步，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；第三步，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；最后，根据所述目标交通参与者数据,生成自动驾驶测试场景。
[0004]现有技术虽然能够实现生成对应的危险测试场景，但需要对所有测试场景进行计算，道路测试的时间成本和经济成本最大。
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]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，基于自然驾驶的场景生成，最危险场景评估法和临界工况场景生成法等。
[0007]而在自动驾驶技术研究中生成危险测试场景是重要的一环。现有技术虽然能够实现生成对应的危险测试场景，但需要对所有测试场景进行计算，道路测试的时间成本和经济成本比较大。
[0008]为了解决相关技术中存在的问题，本公开实施例提供了危险测试场景的生成方法及系统、电子设备、存储介质，用以解决现有技术中的生成危险测试场景消耗巨大时间和经
济成本的问题。
[0009]在一些实施例中，提供了一种危险测试场景的生成方法，方法包括：S10，收集自然驾驶场景集，所述自然驾驶场景集包括多个自然驾驶场景；S20，分析自然驾驶场景集中的危险性元素；所述危险性元素为驾驶场景中影响危险的元素；S30，将自然驾驶场景用危险性元素的状态执行动作来表示；S40，根据自然驾驶场景集，分析出动作空间范围；S50，在动作空间范围内，量化每个状态中执行每个动作的暴露度、严重度和可控度，来计算量化的危险度，作为危险度矩阵；其中，所述暴露度为在车辆处于危险状况时，对人员和财产造成危害的可能性；所述严重度为在车辆处于危险状况时，对生命和财产造成的损害的严重性；所述可控度为在车辆处于危险状况时，驾驶员控制车辆的程度；S60，计算初始状态执行所有动作的危险度之和，作为初始状态的危险度；S70，在危险度矩阵中，以初始状态的危险度作为起点，筛选出大于目标危险度的动作，将初始状态和大于目标危险度的动作，作为危险测试场景。
[0010]优选地，所述方法中的危险性元素包括背景车辆与被测试车的相对速度，背景车辆与被测试车的相对距离，被测试车的车速。
[0011]优选地，S30的将自然驾驶场景用状态执行动作来表示，包括：用的序列来表示每个自然驾驶场景用状态执行动作，其中，表示在状态s做动作a。
[0012]优选地，S50的量化自然驾驶场景集中每个状态中执行每个动作的暴露度，包括：状态s、动作a出现的频率作为暴露度的量化值E，即：，其中，表示状态s执行动作a的暴露度。
[0013]优选地，S50的量化自然驾驶场景集中每个状态中执行每个动作的危险度，包括：通过计算当前状态的碰撞时间TTC进行确定，根据下式计算，TC进行确定，根据下式计算，其中，表示状态s执行动作a的危险度，D为相对距离，V为相对速度。
[0014]优选地，S50的量化自然驾驶场景集中每个状态中执行每个动作的可控性，包括：设为状态s执行动作a的危险度，为状态s执行动作a的可控性，则
其中，为下个动作，用期待表示；S50的计算量化的危险度，包括：通过量化和强化学习中的时间差分算法可得，为：其中，m为动作a的空间范围，进行规范后得到的迭代公式为：；其中t为时间，st为当前时间下做的状态，a
t
为当前时间下做的动作，和为强化学习中的系数；根据迭代公式迭代计算后，获得危险度矩阵；其中危险度矩阵的每个单位为状态下动作的危险性。
[0015]优选地，S60的计算初始状态执行所有动作的危险度之和，作为初始状态的危险度，包括：初始状态的危险度为初始状态下做出空间内所有动作a的危险性之和，m为a的空间范围；根据，计算初始状态的危险度。
[0016]在一些实施例中，公开了一种系统，包括：收集模块，被配置为收集自然驾驶场景集，所述自然驾驶场景集包括多个自然驾驶场景；分析危险性元素模块，被配置为分析自然驾驶场景集中的危险性元素；所述危险性元素为驾驶场景中影响危险的元素；转化表示模块，被配置为将自然驾驶场景用危险性元素的状态执行动作来表示；分析空间范围模块，被配置为根据自然驾驶场景集，分析出动作空间范围；获取危险度矩阵模块，被配置为在动作空间范围内，量化每个状态中执行每个动作的暴露度、严重度和可控度，来计算量化的危险度，作为危险度矩阵；其中，所述暴露度为在车辆处于危险状况时，对人员和财产造成危害的可能性；所述严重度为在车辆处于危险状况时，对生命和财产造成的损害的严重性；所述可控度为在车辆处于危险状况时，驾驶员控制车辆的程度；计算初始状态模块，被配置为计算初始状态执行所有动作的危险度之和，作为初始状态的危险度；生成危险测试场景模块，被配置为在危险度矩阵中，以初始状态的危险度作为起点，筛选出大于目标危险度的动作，将初始状态和大于目标危险度的动作，作为危险测试场景。
[0017]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，执行如上述的危险测试场景的生成方法。
[0018]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危险测试场景的生成方法。
[0019]本公开实施例提供的一种危险测试场景的生成方法及系统、电子设备本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种危险测试场景的生成方法，其特征在于，所述方法包括：S10，收集自然驾驶场景集，所述自然驾驶场景集包括多个自然驾驶场景；S20，分析自然驾驶场景集中的危险性元素；所述危险性元素为驾驶场景中影响危险的元素；S30，将自然驾驶场景用危险性元素的状态执行动作来表示；S40，根据自然驾驶场景集，分析出动作空间范围；S50，在动作空间范围内，量化每个状态中执行每个动作的暴露度、严重度和可控度，来计算量化的危险度，作为危险度矩阵；其中，所述暴露度为在车辆处于危险状况时，对人员和财产造成危害的可能性；所述严重度为在车辆处于危险状况时，对生命和财产造成的损害的严重性；所述可控度为在车辆处于危险状况时，驾驶员控制车辆的程度；S60，计算初始状态执行所有动作的危险度之和，作为初始状态的危险度；S70，在危险度矩阵中，以初始状态的危险度作为起点，筛选出大于目标危险度的动作，将初始状态和大于目标危险度的动作，作为危险测试场景。2.根据权利要求1所述的方法，其特征在于，所述方法中的危险性元素包括背景车辆与被测试车的相对速度，背景车辆与被测试车的相对距离，被测试车的车速。3.根据权利要求1所述的方法，其特征在于，S30的将自然驾驶场景用状态执行动作来表示，包括：危险性元素的状态执行动作的序列来表示自然驾驶场景。4.根据权利要求3所述的方法，其特征在于，S50的量化自然驾驶场景集中每个状态中执行每个动作的暴露度，包括：状态s、动作a出现的频率作为暴露度的量化值E，即：，其中，表示状态s执行动作a的暴露度。5.根据权利要求4所述的方法，其特征在于，S50的量化自然驾驶场景集中每个状态中执行每个动作的危险度，包括：通过计算当前状态的碰撞时间TTC进行确定，根据下式计算，通过计算当前状态的碰撞时间TTC进行确定，根据下式计算，其中，表示状态s执行动作a的危险度，D为相对距离，V为相对速度。6.根据权利要求5所述的方法，其特征在于，S50的量化自然驾驶场景集中每个状态中执行每个动作的可控性，包括：设为状态s执行动作a的危险度，为状态s执行动作a的可控性，则
其中，为下个动作，用期待表示...
【专利技术属性】
技术研发人员：周锐，孟康，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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。