一种跟车、旁车插入场景的高风险场景构建方法及设备技术

本申请提供一种跟车、旁车插入场景的高风险场景构建方法及电子设备，该方法包括：获取跟车、旁车插入场景的待检验场景元素；利用斯皮尔曼相关性检验，从待检验场景元素中筛选出与行车风险相关性较强的场景元素，构建危险场景；计算危险场景中选定的自车与前车的车头时距；模拟自车的运动状态，实时计算自车与前车的相对距离，并确定当自车及前车的车速均为0时两车制动停车的相对距离；根据自车与前车的车头时距及两车制动停车的相对距离，构建高风险场景。该方案有助于提高自动驾驶系统检测的效率、降低检测成本。降低检测成本。降低检测成本。

【技术实现步骤摘要】
一种跟车、旁车插入场景的高风险场景构建方法及设备


[0001]本专利技术属于自动驾驶测试场景构建
，特别涉及一种跟车、旁车插入场景的高风险场景构建方法及设备。

技术介绍

[0002]以全面支撑制造强国和网络强国建设为目标，推动物联网、大数据、人工智能和实体经济的深度融合，发展先进制造业，是目前各行各业的首要任务。汽车行业作为一个国家制造业水平的核心体现，更是将推动自动驾驶汽车在现实道路中的部署，作为重要发展目标。其中，自动驾驶测试及性能评估是推动智能汽车走向成熟的关键步骤之一。
[0003]考虑智能汽车在实际部署时会受到诸多因素影响，带来不同程度的安全问题。因此，需要借助定向构建的高测试需求场景来展开完善的测试与评估，以此保障智能驾驶汽车的安全性。此外，尽管国内外对自动驾驶汽车测试场景的构建方法已有较多研究，但由于道路交通的空间元素是无限的，因此所构成的场景测试集也是无穷尽的，无法保证全面测试。
[0004]为了丰富自动驾驶测试场景数据集，通过提高测试效率和可靠性以保障自动驾驶系统的安全性，本专利技术通过实时模拟车辆状态，迭代计算场景筛选指标，提出了一种跟车、旁车插入场景的高风险场景构建方法。为定向构建满足高等级、严要求的测试场景，提高自动驾驶系统测试效率、降低测试成本、加快智能汽车落地应用提供技术支持和理论支撑。

技术实现思路

[0005]本说明书实施例的目的是提供一种跟车、旁车插入场景的高风险场景构建方法及设备。
[0006]为解决上述技术问题，本申请实施例通过以下方式实现的：
[0007]第一方面，本申请提供一种跟车、旁车插入场景的高风险场景构建方法，该方法包括：
[0008]获取跟车、旁车插入场景的待检验场景元素；
[0009]利用斯皮尔曼相关性检验，从待检验场景元素中筛选出与行车风险相关性较强的场景元素，构建危险场景；
[0010]计算危险场景中选定的自车与前车的车头时距；
[0011]模拟自车的运动状态，实时计算自车与前车的相对距离，并确定当自车及前车的车速均为0时两车制动停车的相对距离；
[0012]根据自车与前车的车头时距及两车制动停车的相对距离，构建高风险场景。
[0013]在其中一个实施例中，利用斯皮尔曼相关性检验，从待检验场景元素中筛选出与行车风险相关性较强的场景元素，构建危险场景，包括：
[0014]获取待检验场景元素的元素变量及对应的行车风险，并对所有元素变量及行车风险按照从低到高进行排序，以及确定各个元素变量各自对应的第一秩及各个行车风险各自
对应的第二秩；
[0015]根据所有的第一秩和第二秩，确定各个元素变量和对应的行车风险的斯皮尔曼相关系数；
[0016]筛选符合条件的斯皮尔曼相关系数对应的场景元素；
[0017]根据筛选出的场景元素，构建危险场景。
[0018]在其中一个实施例中，根据所有的第一秩和第二秩，确定各个元素变量和对应的行车风险的斯皮尔曼相关系数P
i
为：
[0019][0020]其中，其中，R
i
为第一秩，H
i
为第二秩，R
i
和H
i
分别为X
i
、Y
i
的秩，X
i
为元素变量，Y
i
为X
i
对应的行车风险。
[0021]在其中一个实施例中，筛选符合条件的斯皮尔曼相关系数对应的场景元素为：
[0022]斯皮尔曼相关系数P
i
满足
‑
1<P
i
<
‑
0.5和0.5<P
i
<1对应的场景元素。
[0023]在其中一个实施例中，计算危险场景中选定的自车与前车的车头时距THW为：
[0024][0025]其中，S
n
(t)为t时刻自车与前车的两车车头间距；v
n
(t)为t时刻自车的车速。
[0026]在其中一个实施例中，运用智能驾驶员模型模拟自车的运动状态，其中，智能驾驶员模型为：
[0027][0028][0029]式中：a
n
(t)为t时刻自车的加速度；a
max
为自车驾驶人期望的最大加速度；v
n
(t)为t时刻自车的车速；v
max
为驾驶人期望的速度；σ为加速参数；S
n
(t)为t时刻两车车头间距；为自车在t时刻期望的两车车头间距；S0为自车驾驶人停车时期望的两车车头间距；S1为距离参数；T为自车驾驶人期望的车头时距；Δv
n
(t)为自车与前车的车速差；b为自车驾驶人期望的减速度。
[0030]在其中一个实施例中，模拟自车的运动状态，实时计算自车与前车的相对距离，并确定当自车及前车的车速均为0时两车制动停车的相对距离，包括：
[0031]获取前车开始制动时刻t1危险场景中的自车与前车的场景元素，自车与前车的场景元素包括：前车车速v0，自车车速v
n
(t1)，两车车头间距S
n
(t1)，两车车速差Δv
n
(t1)；
[0032]将自车与前车的场景元素代入到智能驾驶员模型中，计算得到t1时刻自车的加速度a
n
(t1)；
[0033]根据t1时刻的状态确定t2时刻的各车状态，其中，t2时刻与t1时刻相差Δt：
[0034]前车车速：v(t2)＝v0‑
a
·
Δt
[0035]自车车速：v
n
(t2)＝v
n
(t1)
‑
a
n
(t1)
·
Δt
[0036]两车车速差：Δv
n
(t2)＝v
n
(t2)
‑
v(t2)＝[v
n
(t1)
‑
a
n
(t1)
·
Δt]‑
[v0‑
a
·
Δt][0037]前车的位置：
[0038]自车的位置：
[0039]根据t2时刻前车的位置和自车的位置，计算t2时刻的两车车头间距S
n
(t2)：
[0040]S
n
(t2)＝S
n
(t1)+D
前
(t2)
‑
D
自
(t2)
[0041]以此循环，直到t
n
时刻两车的速度均为0时停止计算，并计算该时刻的制动停车后的相对距离：
[0042]D
IDM
(t
n
)＝S
n
(t本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种跟车、旁车插入场景的高风险场景构建方法，其特征在于，所述方法包括：获取跟车、旁车插入场景的待检验场景元素；利用斯皮尔曼相关性检验，从所述待检验场景元素中筛选出与行车风险相关性较强的场景元素，构建危险场景；计算所述危险场景中选定的自车与前车的车头时距；模拟所述自车的运动状态，实时计算所述自车与所述前车的相对距离，并确定当所述自车及所述前车的车速均为0时两车制动停车的相对距离；根据所述自车与前车的车头时距及所述两车制动停车的相对距离，构建高风险场景。2.根据权利要求1所述的方法，其特征在于，所述利用斯皮尔曼相关性检验，从所述待检验场景元素中筛选出与行车风险相关性较强的场景元素，构建危险场景，包括：获取所述待检验场景元素的元素变量及对应的行车风险，并对所有元素变量及行车风险按照从低到高进行排序，以及确定各个元素变量各自对应的第一秩及各个行车风险各自对应的第二秩；根据所有的第一秩和第二秩，确定各个元素变量和对应的行车风险的斯皮尔曼相关系数；筛选符合条件的所述斯皮尔曼相关系数对应的场景元素；根据筛选出的场景元素，构建所述危险场景。3.根据权利要求2所述的方法，其特征在于，所述根据所有的第一秩和第二秩，确定各个元素变量和对应的行车风险的斯皮尔曼相关系数P
i
为：其中，其中，R
i
为第一秩，H
i
为第二秩，R
i
和H
i
分别为X
i
、Y
i
的秩，X
i
为元素变量，Y
i
为X
i
对应的行车风险。4.根据权利要求2所述的方法，其特征在于，所述筛选符合条件的所述斯皮尔曼相关系数对应的场景元素为：斯皮尔曼相关系数P
i
满足
‑
1<P
i
<
‑
0.5和0.5<P
i
<1对应的场景元素。5.根据权利要求1所述的方法，其特征在于，所述计算所述危险场景中选定的自车与前车的车头时距THW为：其中，S
n
(t)为t时刻自车与前车的两车车头间距；v
n
(t)为t时刻自车的车速。6.根据权利要求1所述的方法，其特征在于，运用智能驾驶员模型模拟所述自车的运动状态，其中，智能驾驶员模型为：
式中：a
n
(t)为t时刻自车的加速度；a
max
为自车驾驶人期望的最大加速度；v
n
(t)为t时刻自车的车速；v
max
为驾驶人期望的速度；σ为加速参数；S
n
(t)为t时刻两车车头间距；为自车在t时刻期望的两车车头间距；S0为自车驾驶人停车时期望的两车车头间距；S1为距离参数；T为自车驾驶人期望的车头时距；Δv
n
(t)为自车与前车的车速差；b为自车驾驶人期望的减速度。7.根据权利要求6所述的方法，其特征在于，所述模拟所述自车的运动状态，实时计算所述自车与所述前车的相对距离，并...

【专利技术属性】
技术研发人员：郭柏苍，雒国凤，韩卓桐，刘星辰，王胤霖，
申请(专利权)人：燕山大学，
类型：发明
国别省市：