虚拟驾驶员及基于虚拟驾驶员的自动驾驶测试方法技术

本发明专利技术属于自动驾驶技术领域，公开了虚拟驾驶员及基于虚拟驾驶员的自动驾驶测试方法，包括决策引擎，所述决策引擎用于常规自然驾驶控制，决策引擎经过训练的人工智能算法，模拟自然驾驶条件下的驾驶行为；所述决策引擎还用于测试场景控制，接收测试引擎传输的测试用例描述指令，将测试用例描述指令转换为驾驶行为；测试引擎，所述测试引擎根据测试用例规则动态生成测试用例，所述测试引擎生成并向决策引擎传达测试用例描述指令；控制接口，所述控制接口将驾驶行为转换为车辆运动控制指令，所述控制接口输出控制指令控制车辆横向和纵向运动，生成极限测试场景。生成极限测试场景。生成极限测试场景。

【技术实现步骤摘要】
虚拟驾驶员及基于虚拟驾驶员的自动驾驶测试方法


[0001]本专利技术属于自动驾驶
，具体涉及一种虚拟驾驶员及基于虚拟驾驶员的自动驾驶测试方法。

技术介绍

[0002]自动驾驶系统的预期功能安全性验证需要进行大规模的测试。现在的一种测试方法是采用在计算机中建立虚拟世界，并在虚拟世界中建立道路和交通参与者的模型，让自动驾驶车辆在虚拟或者半虚拟环境下实现大规模的测试和验证。
[0003]目前的测试方法存在的问题是测试场景采用结构化的方法预先设定，然后背景车辆按照预先设定的参数进行虚拟化运行，测试的配置复杂，工作量大，测试的场景范围有限，无法充分的穷举测试场景。

技术实现思路

[0004]为解决上述技术问题，本专利技术提供了一种基于虚拟驾驶员的自动驾驶测试方法，以解决上述
技术介绍
的配置复杂，工作量大，测试的场景范围有限，无法充分的穷举测试场景的问题。
[0005]为达到上述目的，本专利技术的技术方案如下：
[0006]虚拟驾驶方法，包括：
[0007]S1，决策引擎进行驾驶决策，模拟人类的驾驶行为，进行自然驾驶，随着驾驶场景和里程的增加，自动升级迭代决策算法；
[0008]S2，测试引擎根据场景数据和测试用例规则动态生成测试用例，所述测试引擎根据测试用例生成并向决策引擎输出测试用例描述指令；
[0009]S3，所述决策引擎接收所述测试引擎传输的测试用例描述指令，将测试用例描述指令转换为驾驶行为；
[0010]S4，控制接口将所述决策引擎做出的驾驶行为转化为车辆运动控制指令，所述控制接口控制车辆横向和纵向运动，实现测试引擎生成的极限测试场景。
[0011]优选的，S1步骤中，具有自学习能力的人工智能算法驱动决策引擎，自动迭代升级模拟驾驶能力。
[0012]所述决策引擎在进行S2前学习控制背景车模型的操作单项，可以进行自然交通场景的测试，也可以通过操作单项组合实现测试用例所需的极限场景。
[0013]所述决策引擎是具有自学习能力的人工智能算法驱动，可模拟自然驾驶行为，能够随着运行里程的增加，自动迭代升级模拟驾驶能力。实现背景车辆的人工智能算法与被测自动驾驶算法的对抗学习机制，进而提升自动驾驶算法的可靠性和安全性。
[0014]虚拟驾驶员，包括：
[0015]决策引擎，所述决策引擎用于常规自然驾驶控制，决策引擎经过训练的人工智能算法，模拟自然驾驶条件下的驾驶行为；
[0016]所述决策引擎还用于测试场景控制，接收测试引擎传输的测试用例描述指令，将测试用例描述指令转换为驾驶操作；
[0017]测试引擎，所述测试引擎根据测试用例规则动态生成测试用例，所述测试引擎生成并向决策引擎传达测试用例描述指令；
[0018]控制接口，所述控制接口将驾驶操作转换为车辆控制指令，所述控制接口输出控制指令控制车辆横向和纵向运动，生成极限测试场景。
[0019]优选的，所述决策引擎是具有自学习能力的人工智能算法驱动，模拟自然驾驶行为，随着运行里程的增加，自动迭代升级驾驶能力。
[0020]优选的，虚拟驾驶员控制卡车、乘用车、客车、摩托车等各类型机动车。
[0021]基于虚拟驾驶员的自动驾驶测试方法，包括：
[0022]步骤1，参照现实世界建立虚拟世界，所述虚拟世界包括城市信息，所述城市信息包括路网信息，基础设施信息和环境信息；
[0023]所述路网信息包括道路信息、道路几何形态信息、路面标识信息与路面功能状况信息，所述路面功能状况信息包括路面摩擦系数、不平整度和坡度；
[0024]所述道路基础设施信息包含红绿灯、绿化带、收费站、隔离栏、交通标识牌；
[0025]所述环境信息包括晴天、多云、雨天、雪天、雾天的一种或多种；
[0026]步骤2，导入被测自动驾驶车辆，该模型是具有自动驾驶感知，决策和控制模块的无人驾驶算法，以及被控车辆的动力学模型；
[0027]步骤3，导入背景车辆，所述背景车辆包括虚拟驾驶员和车辆模型，背景车辆可根据交通流信息导入单个或多个，可以是卡车、乘用车、客车、三轮车、摩托车模型的组合，用于模拟交通流状况；
[0028]虚拟驾驶员包括测试引擎、决策引擎和控制接口；
[0029]所述城市信息能够以真值信息的形式传输给虚拟驾驶员，真值信息是虚拟世界反馈的路网，环境，基础设施和交通信息的实际参数，包括位置，尺寸，速度，加速度，状态等真实物理属性；
[0030]步骤4，启动常规测试，背景车辆在虚拟驾驶员的控制下，根据虚拟世界提供的真值信息模拟自然交通流，进行城市路况的自然行驶状态的测试；
[0031]步骤5，向测试引擎导入测试场景数据，测试引擎根据场景数据和测试用例规则，生成测试用例和用例指令，实现对背景车辆的控制；
[0032]场景数据是一组结构化的场景描述语句，主要描述了测试的极限工况；
[0033]步骤6，启动极限工况测试，虚拟驾驶员根据导入的测试用例，控制背景车辆横向和纵向移动，在生成的极限场景中被测自动驾驶车的相应能力和可靠性、安全性进行测试；
[0034]步骤7，输出测试用例和测试报告。
[0035]优选的，设置背景车辆模型，包括车辆类型与车身尺寸。
[0036]优选的，设置自动驾驶车辆模型，感知、决策和控制算法。
[0037]优选的，虚拟驾驶员的决策算法模拟自然驾驶行为，实现在自然驾驶模拟交通流中的测试，主动挖掘测试的边缘场景。
[0038]优选的，虚拟驾驶员的决策算法是基于人工智能的自学习算法，能够进行迭代进化，与被测自动驾驶车的控制算法实现对抗测试，相互提升。
[0039]通过上述技术方案，本专利技术技术方案的有益效果是：
[0040]虚拟驾驶员自主驾驶背景车辆，进行动态的决策，模拟人类驾驶员的驾驶习惯和行为进行驾驶，还能根据环境的状态主动制造边缘场景，从而起到测试自动驾驶系统的边界能力，可以大幅度提升自动驾驶可靠性和安全性验证的效率，能够自动化挖掘结构化方式无法穷举的场景。
[0041]虚拟驾驶员可以安装在虚拟世界中的所有背景车辆上，实现车辆之间的动态交互，更加接近真实世界的动态驾驶场景。
[0042]随着驾驶里程的增加，自动驾驶车辆与背景车辆之间的对抗，自动驾驶的系统能力和安全性验证能力可以实现自我进化。
[0043]虚拟驾驶员还可以接受测试引擎的测试用例，生成测试的极限工况场景，用于极限工况的测试。
附图说明
[0044]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0045]图1为虚拟驾驶员流程结构示意图。
[0046]图2为本专利技术的测试状态示意图。
具体实施方式
[0047]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.虚拟驾驶方法，其特征在于，包括：S1，决策引擎进行驾驶决策，模拟人类的驾驶行为，进行自然驾驶，随着驾驶场景和里程的增加，自动升级迭代决策算法；S2，测试引擎根据场景数据和测试用例规则动态生成测试用例，所述测试引擎根据测试用例生成并向决策引擎输出测试用例描述指令；S3，所述决策引擎接收所述测试引擎传输的测试用例描述指令，将测试用例描述指令转换为驾驶行为；S4，控制接口将所述决策引擎做出的驾驶行为转化为车辆运动控制指令，所述控制接口控制车辆横向和纵向运动，实现测试引擎生成的极限测试场景。2.根据权利要求1所述的虚拟驾驶员方法，其特征在于：S1步骤中，具有自学习能力的人工智能算法驱动决策引擎，自动迭代升级驾驶模拟能力。3.虚拟驾驶员，其特征在于，包括：决策引擎，所述决策引擎用于常规自然驾驶控制，决策引擎经过训练的人工智能算法，模拟自然驾驶条件下的驾驶行为；所述决策引擎还用于测试场景控制，接收测试引擎传输的测试用例描述指令，将测试用例描述指令转换为驾驶行为；测试引擎，所述测试引擎根据测试用例规则动态生成测试用例，所述测试引擎生成并向决策引擎传达测试用例描述指令；控制接口，所述控制接口将驾驶行为转换为车辆运动控制指令，所述控制接口输出控制指令控制车辆横向和纵向运动，生成极限测试场景。4.根据权利要求3所述的虚拟驾驶员，其特征在于：所述决策引擎是具有自学习能力的人工智能算法驱动，模拟自然驾驶行为，随着运行里程的增加，自动迭代升级驾驶能力。5.根据权利要求3所述的虚拟驾驶员，其特征在于，虚拟驾驶员控制卡车、乘用车、客车、摩托车等各类型机动车。6.基于虚拟驾驶员的自动驾驶测试方法，其特征在于，包括：步骤1，参照现实世界建立虚拟世界，所述虚拟世界包括城市信息，所述城市信息包括路网信息，基础设施信息和环境信息；所述路网信息包括道路信息、道路几何形态信息、路面标识信息与路面功能状况信息，所述路面功能状况信息包括路面摩擦系数、不平整度和坡度；所述道路基础设施信息包含红绿灯、...

【专利技术属性】
技术研发人员：李洪运，李争秀，
申请(专利权)人：上海驭捷智能科技有限公司，
类型：发明
国别省市：