基于事故信息的智能车极端测试场景自动生成方法与系统技术方案

本发明专利技术公开了一种基于事故信息的智能车极端测试场景自动生成方法与系统，方法：获取实际交通事故的调查信息文本，先进行预处理，再利用自然语言处理技术从中提取实际交通事故的场景静态要素，包括场景路网信息、天气环境信息、场景起终点信息和碰撞基本信息；基于提取到的场景静态要素初始化待生成场景，采用深度确定性梯度策略算法搜索待生成场景的动态参数组合集；将提取的实际交通事故的场景静态要素作为待生成场景的静态要素，并与搜索得到的动态参数组合集结合，生成与实际交通事故类似的智能车交通事故极端测试场景。本发明专利技术支撑智能车极端测试场景库的搭建，加速其测试落地。地。地。

【技术实现步骤摘要】
基于事故信息的智能车极端测试场景自动生成方法与系统


[0001]本专利技术涉及自动驾驶仿真
，特别涉及一种基于事故信息的智能车极端测试场景自动生成方法与系统。

技术介绍

[0002]仿真测试是验证智能车安全性能的重要手段，而构建庞大的测试场景库是测试的首要基础。针对测试场景的搭建，目前研究主要集中在车辆自然驾驶场景、标准法规场景、和事故极端场景，为弥补基于自然驾驶场景测试方法中危险场景触发频率低导致整体测试效率低下的缺陷，从事故数据中提取极端场景来加速整体测试过程的方法已经引起业内广泛关注。现有事故极端场景提取的研究，侧重于关键类型场景的聚类提取，一些场景差异信息会被忽略，且最终极端场景的搭建过程自动化程度不高。为解决上述问题，亟待一种从现有事故调查信息自动化提取极端测试场景的方法。

技术实现思路

[0003]本专利技术提供一种基于事故信息的智能车极端测试场景自动生成方法与系统，支撑智能车极端测试场景库的搭建，加速其测试落地。
[0004]为实现上述技术目的，本专利技术采用如下技术方案：
[0005]一种基于事故信息的智能车极端测试场景自动生成方法，包括：
[0006]获取实际交通事故的调查信息文本，先进行预处理，再利用自然语言处理技术从中提取实际交通事故的场景静态要素，包括场景路网信息、天气环境信息、场景起终点信息和碰撞基本信息；
[0007]基于提取到的场景静态要素初始化待生成场景，采用深度确定性梯度策略算法搜索待生成场景的动态参数组合集；
[0008]将提取的实际交通事故的场景静态要素作为待生成场景的静态要素，并与搜索得到的动态参数组合集结合，生成与实际交通事故类似的智能车交通事故极端测试场景。
[0009]进一步地，所述场景起终点信息包括交通事故参与方的相对位置信息和相对行驶方位信息，所述碰撞基本信息包括交通事故的碰撞位置和碰撞角度，碰撞位置包括事故点地理位置和碰撞点在车身的位置。
[0010]进一步地，对调查信息文本进行预处理包括：次要信息剔除、词干词形还原和拼写错误更正；所述利用自然语言处理技术从中提取实际交通事故的场景静态要素，具体利用训练好的自然语言处理模型，从预处理后的事故描述信息文本中提取场景静态要素信息。
[0011]进一步地，所述采用深度确定性梯度策略算法搜索待生成场景的动态参数组合集，具体包括：将待生成场景参与方的速度、加速度和位置一起作为深度确定性梯度策略算法中的状态，将待生成场景参与方的加减速和转向操作一起作为深度确定性梯度策略算法中的动作，采用深度确定性梯度策略算法并根据待生成场景参与方的初始速度、加速度和位置，逐步搜索待生成场景的动态参数组合集，直到生成的动态参数组合满足与实际交通
事故的碰撞基本信息相同，结束搜索。
[0012]进一步地，所述深度确定性梯度策略算法的模型训练奖励函数，包括合理性约束评估模型和危险性评估模型；所述合理性约束评估模型包括交通规则约束和车辆稳定性约束；所述危险性评估模型用于引导待生成场景的交通事故参与方逐渐行驶至实际交通事故的碰撞位置，合理性约束评估模型用于防止生成的动态参数组合的不合理性；所述奖励函数表达式为：
[0013]w＝c1w1+c2w2+c3w3[0014]式中，w表示奖励函数值；w1、w2、w3分别表示交通规则约束奖励、稳定性约束奖励和场景危险性奖励，c1、c2、c3为对应奖励的分配系数。
[0015]进一步地，所述交通规则约束和车辆稳定性约束，通过对应的约束开关字段控制交通规则约束和车辆稳定性约束分别是否参与合理性约束评估模型，若实际交通事故是由参与方不遵守交通规则导致，则交通规则约束不参与合理性约束评估模型，若实际交通事故是由参与方车辆稳定性导致，则车辆稳定性约束不参与合理性约束评估模型。
[0016]进一步地，所述车辆稳定性约束从车辆的横摆角速度横向速度v
y
、加速度a和转角θ进行动力学约束：
[0017][0018][0019]|θ|≤θ
lim
[0020]|a|≤a
lim
[0021]式中，α
r
表示后轮侧偏角，v
x
和v
y
分别表示车辆质心的纵向速度和横向速度，为横摆角速度，l
r
和l
f
分别为车辆质心到后、前轴的距离；α
r,lim
为后轮侧偏角阈值，为后轮的线性侧偏刚度；θ
lim
表示车辆的转角极限，a
lim
表示车辆加速度极限。
[0022]进一步地，危险性评估模型考虑参与方之间距离和各参与方到实际交通事故碰撞位置的距离，且分别与各距离变化值呈负相关：
[0023][0024]式中，w3表示场景危险性约束的奖励，ΔD表示参与方到碰撞位置的距离变化，Δd表示参与方之间的距离变化量，n表示场景参与方个数,z1、z2分别表示各部分的分配系数，f和g分别表示以参与方之间距离变化和参与方到碰撞点距离变化为自变量的负相关函数。
[0025]进一步地，将静态要素与动态参数组合集结合以生成智能车交通事故极端测试场景，具体是将静态要素与动态参数组合集转化成基于XML格式的场景通用格式OpenX系列文件。
[0026]一种基于事故信息的智能车极端测试场景自动生成系统，包括：
[0027]文本预处理模块，用于：对获取的实际交通事故的调查信息文本进行预处理；
[0028]自然语言处理模块，用于：从预处理后的调查信息文本中提取实际交通事故的场
景静态要素，包括场景路网信息、天气环境信息、场景起终点信息和碰撞基本信息；
[0029]动态参数搜索模块，用于：基于提取到的场景静态要素初始化待生成场景，采用深度确定性梯度策略算法搜索待生成场景的动态参数组合集；
[0030]极端测试场景生成模块，用于：对接自然语言处理模块和动态要素搜索模块的输出结果，即极端场景静、动态要素，结合生成与实际交通事故类似的智能车交通事故极端测试场景，即转化成测试场景通用格式文件；
[0031]存储模块，用于：存储自然语言处理模块、深度确定性梯度策略算法的模型超参数，以及转化得到的各类极端测试场景文件。
[0032]有益效果
[0033]本专利技术一方面促进了事故调查领域向智能车测试领域的深度延伸，能够扩展现有智能车测试场景库；第二方面，本专利技术关注于与实际交通事故高度相似的极端测试场景搭建，所得到的测试场景危险性较为显著，在一定程度上能够加速智能车及相关安全产品的测试落地；第三方面，本专利技术最终生成的极端测试场景，是基于XML格式的场景通用格式OpenX系列文件，能够将提取的极端测试场景信息直接转化成仿真软件通用的标准格式，提高了本专利技术结果的通用性。因此，本专利技术应用于智能车及相关安全产品的测试应用环节，能够检验其在极端危险场景下的安全性能，及时发现被测车辆的不足，加速安全功能的升级完善。
附图说明
...

【技术保护点】

【技术特征摘要】
1.一种基于事故信息的智能车极端测试场景自动生成方法，其特征在于，包括：获取实际交通事故的调查信息文本，先进行预处理，再利用自然语言处理技术从中提取实际交通事故的场景静态要素，包括场景路网信息、天气环境信息、场景起终点信息和碰撞基本信息；基于提取到的场景静态要素初始化待生成场景，采用深度确定性梯度策略算法搜索待生成场景的动态参数组合集；将提取的实际交通事故的场景静态要素作为待生成场景的静态要素，并与搜索得到的动态参数组合集结合，生成与实际交通事故类似的智能车交通事故极端测试场景。2.根据权利要求1所述的智能车极端测试场景自动生成方法，其特征在于，所述场景起终点信息包括交通事故参与方的相对位置信息和相对行驶方位信息，所述碰撞基本信息包括交通事故的碰撞位置和碰撞角度，碰撞位置包括事故点地理位置和碰撞点在车身的位置。3.根据权利要求1所述的智能车极端测试场景自动生成方法，其特征在于，对调查信息文本进行预处理包括：次要信息剔除、词干词形还原和拼写错误更正；所述利用自然语言处理技术从中提取实际交通事故的场景静态要素，具体利用训练好的自然语言处理模型，从预处理后的事故描述信息文本中提取场景静态要素信息。4.根据权利要求1所述的智能车极端测试场景自动生成方法，其特征在于，所述采用深度确定性梯度策略算法搜索待生成场景的动态参数组合集，具体包括：将待生成场景参与方的速度、加速度和位置一起作为深度确定性梯度策略算法中的状态，将待生成场景参与方的加减速和转向操作一起作为深度确定性梯度策略算法中的动作，采用深度确定性梯度策略算法并根据待生成场景参与方的初始速度、加速度和位置，逐步搜索待生成场景的动态参数组合集，直到生成的动态参数组合满足与实际交通事故的碰撞基本信息相同，结束搜索。5.根据权利要求1所述的智能车极端测试场景自动生成方法，其特征在于，所述深度确定性梯度策略算法的模型训练奖励函数，包括合理性约束评估模型和危险性评估模型；所述合理性约束评估模型包括交通规则约束和车辆稳定性约束；所述危险性评估模型用于引导待生成场景的交通事故参与方逐渐行驶至实际交通事故的碰撞位置，合理性约束评估模型用于防止生成的动态参数组合的不合理性；所述奖励函数表达式为：w＝c1w1+c2w2+c3w3式中，w表示奖励函数值；w1、w2、w3分别表示交通规则约束奖励、稳定性约束奖励和场景危险性奖励，c1、c2、c3为对应奖励的分配系数。6.根据权利要求5所述的智能车极端测试场景自动生成方法，其特征在于，所述交通规则约束和车辆稳定性约束，通过对应的约束开关字段控制交通规则约束和车辆稳定性约束分别是否参与合理性约束评估模型，若实际交通事故是由参与方...

【专利技术属性】
技术研发人员：胡林，陆涛，李根，易晓剑，黄晶，王方，王丹琦，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：