一种面向高低维测评场景的自适应自动驾驶动态场景通用生成方法技术

本发明专利技术公开了一种面向高低维测评场景的自适应自动驾驶动态场景通用生成方法，其方法为：第一步、基于层析分析法的测评场景元素维度优化；第二步、测评场景空间及关键性长尾函数构建；第三步、面向低维测评场景的自适应动态场景生成；第四步、面向高维测评场景的自适应动态场景生成；第五步、面向高低维测评场景的自适应动态场景评估；有益效果：实现了场景元素的逐级分类，从而建立起场景元素的层级模型。选取重要性权重值较大的场景元素作为决策变量，从而实现场景元素维度优化问题。建立起一种新的理想场景空间构建方法。求解出低维想场景空间中场景的发生概率。极大地提高了搜索效率。效率。效率。

【技术实现步骤摘要】
一种面向高低维测评场景的自适应自动驾驶动态场景通用生成方法


[0001]本专利技术涉及一种自动驾驶动态场景通用生成方法，特别涉及一种面向高低维测评场景的自适应自动驾驶动态场景通用生成方法。

技术介绍

[0002]目前，自动驾驶已成为主流的汽车技术发展方向之一，自动驾驶汽车是未来的发展趋势。自动驾驶汽车能够上路的前提是其行驶安全性得到充分的验证并且达到相关标准，为充分测试自动驾驶汽车的安全性及其智能算法的可靠性，需依次对自动驾驶汽车进行仿真测试、场地测试与道路测试。虽然这三种测试方法所属的阶段、测试的流程以及实施方式各不相同，但都需要设计具体的测试场景执行测试过程。因此，如何生成有代表性的面向低维测评场景的简单的自适应自动驾驶动态场景与面向高维测评场景的复杂的自适应自动驾驶动态场景成为非常关键的问题，这将极大地提高自动驾驶汽车的测试效率与测试可信性，加速自动驾驶汽车的部署进程。
[0003]目前针对自适应自动驾驶动态场景的生成方法主要有两点不足，其一为在生成场景时只考虑场景的危险性作为唯一的准则，即只关注于生成对自动驾驶汽车来说危险的场景，这种场景生成原则虽可以测试自动驾驶汽车的安全性边界，但由于生成的场景未能考虑真实道路交通情况，很多危险性较高的场景在真实道路上发生的概率极低甚至不会发生，用这样的场景测试自动驾驶汽车现实意义不大；其二为目前针对自适应自动驾驶动态场景生成的研究全部为面向低维测评场景的自适应动态场景生成，尚没有一种完善的面向高维测评场景的自适应自动驾驶动态场景生成方法，而面向高维测评场景的自适应自动驾驶动态场景生成的研究是很有必要的，因为自动驾驶汽车要想真正上路行驶，不能只局限于能够应对简单的低维场景，也要能够处理复杂的高维场景。
[0004]中国专利CN202210941004.4公开了一种自动驾驶测试场景生成方法、装置、设备及存储介质，能够根据目标交通参与者数据，生成危险度较高的自动驾驶测试场景；中国专利CN202210804060.3公开了一种自动驾驶测试场景生成方法、装置、车辆及存储介质，能够通过将仿真测试场景的关键参数区间载入场景设计文档，利用预设脚本生成仿真测试场景；中国专利CN202210741420.X公开了一种智能驾驶的自动化仿真测试系统及相关设备，其场景生成模块能够根据主车的行驶参数创建测试场景，并对测试场景泛化，生成一个或多个测试场景用于测试智能驾驶算法，但上述三个专利在生成场景时均没有考虑真实道路交通情况，且没有涉及面向高维测评场景的自适应动态场景生成问题。

技术实现思路

[0005]本专利技术的目的是为了生成能够加速自动驾驶汽车测试的关键自适应动态场景，以及提高自动驾驶汽车的测试效率与可信性和加速自动驾驶汽车的部署进程，而提供的一种面向高低维测评场景的自适应自动驾驶动态场景通用生成方法。
[0006]本专利技术提供的面向高低维测评场景的自适应自动驾驶动态场景通用生成方法，其方法包括如下步骤：
[0007]第一步、基于层析分析法的测评场景元素维度优化，具体过程如下：
[0008]步骤一、基于场景参数化的场景元素层级模型构建，将场景描述为场景元素的集合，根据场景元素的基本属性与所属的地理位置条件，将场景元素进行逐级分类，从而建立起场景元素的层级模型；
[0009]场景是自动驾驶汽车与其行驶环境各元素在一段时间内的总体动态描述，从场景元素的基本属性出发，场景元素分为静态元素和动态元素，根据场景元素所属地理位置的不同，静态元素与动态元素又分为路外元素和路内元素两类；
[0010]静态元素的路外元素主要包括静态路边物，如建筑、树木和绿化带以及交通标识，静态元素的路内元素主要包括与车道相关的元素和与环境相关的元素，与车道相关的元素如车道类型、车道线型、车道数目、车道宽度、车道坡度、车道曲率、车道线类型、车道线宽度、路面类型和路面附着系数；与环境相关的元素如天气和光线的状态；
[0011]动态元素的路外元素主要包括交通参与者，如交通参与者类型和交通参与者数目，动态元素的路内元素主要包括与交通参与者相关的元素、与初始状态相关的元素和与行驶状态序列相关的元素，与交通参与者相关的元素如交通参与者类型和交通参与者数目；与初始状态相关的元素如初始位置、初始车道和初始速度；与行驶状态序列相关的元素如触发模式、相对距离序列、相对速度序列和相对加速度序列；
[0012]步骤二、基于层次分析法的场景元素维度优化，根据场景元素层次模型，通过影响传递模型求解同一层级的场景元素在自动驾驶系统各层级中的影响传递次数，计算同一层级场景元素影响传递次数的差值，根据影响传递次数差值与1
‑
9标度法的对应关系将影响传递次数差值转换为标度值，从而建立同一层级场景元素的判断矩阵，求解判断矩阵的最大特征值及其对应的特征向量，将特征向量归一化即为同一层级的各个场景元素相对于本层级的重要性权重值，通过一致性检验验证重要性权重值的合理性，根据场景元素的层次模型与每个层级各个场景元素的相对于本层级的重要性权重值，计算各个场景元素在所有场景元素中的重要性权重值，根据目标场景的类型以及需建立的测评场景的维度需求，选取重要性权重值较大的场景元素作为决策变量；
[0013]将步骤一的场景元素层次模型作为输入，通过影响传递模型求解同一层级的场景元素在自动驾驶系统各层级中的影响传递次数，影响传递模型有三点假设，具体如下：
[0014]1)、场景元素对自动驾驶系统的影响将随自动驾驶系统的层级逐级传递，且这种影响作用不会随着层级的传递而衰减；
[0015]2)、不同类型的场景元素对自动驾驶系统的影响作用相同；
[0016]3)、场景元素对自动驾驶系统影响作用的大小由场景元素在自动驾驶系统层级间的影响传递次数来表示，传递次数越多，该场景元素的影响作用就越大，且影响作用与传递次数呈线性关系；
[0017]影响传递模型中的场景元素在自动驾驶系统各层级中的影响传递次数，可以通过下式计算：
[0018][0019]式中，P(n)代表某一场景元素在自动驾驶系统各层级中的影响传递次数，n代表该场景元素的元素属性个数，E
i
代表该场景元素第i个元素属性在自动驾驶系统各层级的影响传递次数；
[0020]根据影响传递模型得到场景元素层级模型中各个层级场景元素的影响传递次数后，计算同一层级场景元素影响传递次数的差值，将影响传递次数差值转换为1
‑
9标度法中的标度，将影响传递次数差值转换为1
‑
9标度法中的标度后，建立同一层级场景元素的判断矩阵，求解判断矩阵的最大特征值及其对应的特征向量，将特征向量归一化即为同一层级场景元素的重要性权重值；
[0021]为验证重要性权重值的合理性，对判断矩阵进行一致性检验，一致性检验的公式为：
[0022][0023]式中，CR代表一致性指标，RI为层次总排序平均随机一致性指标的标准值，根据判断矩阵阶数不同取不同的值；
[0024]CI代表层次总排序一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向高低维测评场景的自适应自动驾驶动态场景通用生成方法，其特征在于：其方法包括的步骤如下：第一步、基于层析分析法的测评场景元素维度优化，具体过程如下：步骤一、基于场景参数化的场景元素层级模型构建，将场景描述为场景元素的集合，根据场景元素的基本属性与所属的地理位置条件，将场景元素进行逐级分类，从而建立起场景元素的层级模型；场景是自动驾驶汽车与其行驶环境各元素在一段时间内的总体动态描述，从场景元素的基本属性出发，场景元素分为静态元素和动态元素，根据场景元素所属地理位置的不同，静态元素与动态元素又分为路外元素和路内元素两类；静态元素的路外元素主要包括静态路边物，如建筑、树木和绿化带以及交通标识，静态元素的路内元素主要包括与车道相关的元素和与环境相关的元素，与车道相关的元素如车道类型、车道线型、车道数目、车道宽度、车道坡度、车道曲率、车道线类型、车道线宽度、路面类型和路面附着系数；与环境相关的元素如天气和光线的状态；动态元素的路外元素主要包括交通参与者，如交通参与者类型和交通参与者数目，动态元素的路内元素主要包括与交通参与者相关的元素、与初始状态相关的元素和与行驶状态序列相关的元素，与交通参与者相关的元素如交通参与者类型和交通参与者数目；与初始状态相关的元素如初始位置、初始车道和初始速度；与行驶状态序列相关的元素如触发模式、相对距离序列、相对速度序列和相对加速度序列；步骤二、基于层次分析法的场景元素维度优化，根据场景元素层次模型，通过影响传递模型求解同一层级的场景元素在自动驾驶系统各层级中的影响传递次数，计算同一层级场景元素影响传递次数的差值，根据影响传递次数差值与1
‑
9标度法的对应关系将影响传递次数差值转换为标度值，从而建立同一层级场景元素的判断矩阵，求解判断矩阵的最大特征值及其对应的特征向量，将特征向量归一化即为同一层级的各个场景元素相对于本层级的重要性权重值，通过一致性检验验证重要性权重值的合理性，根据场景元素的层次模型与每个层级各个场景元素的相对于本层级的重要性权重值，计算各个场景元素在所有场景元素中的重要性权重值，根据目标场景的类型以及需建立的测评场景的维度需求，选取重要性权重值较大的场景元素作为决策变量；将步骤一的场景元素层次模型作为输入，通过影响传递模型求解同一层级的场景元素在自动驾驶系统各层级中的影响传递次数，影响传递模型有三点假设，具体如下：1)、场景元素对自动驾驶系统的影响将随自动驾驶系统的层级逐级传递，且这种影响作用不会随着层级的传递而衰减；2)、不同类型的场景元素对自动驾驶系统的影响作用相同；3)、场景元素对自动驾驶系统影响作用的大小由场景元素在自动驾驶系统层级间的影响传递次数来表示，传递次数越多，该场景元素的影响作用就越大，且影响作用与传递次数呈线性关系；影响传递模型中的场景元素在自动驾驶系统各层级中的影响传递次数，可以通过下式计算：
式中，P(n)代表某一场景元素在自动驾驶系统各层级中的影响传递次数，n代表该场景元素的元素属性个数，E
i
代表该场景元素第i个元素属性在自动驾驶系统各层级的影响传递次数；根据影响传递模型得到场景元素层级模型中各个层级场景元素的影响传递次数后，计算同一层级场景元素影响传递次数的差值，将影响传递次数差值转换为1
‑
9标度法中的标度，将影响传递次数差值转换为1
‑
9标度法中的标度后，建立同一层级场景元素的判断矩阵，求解判断矩阵的最大特征值及其对应的特征向量，将特征向量归一化即为同一层级场景元素的重要性权重值；为验证重要性权重值的合理性，对判断矩阵进行一致性检验，一致性检验的公式为：式中，CR代表一致性指标，RI为层次总排序平均随机一致性指标的标准值，根据判断矩阵阶数不同取不同的值；CI代表层次总排序一致性指标，CI的计算公式为：式中，λ
max
代表判断矩阵的最大特征值，n为判断矩阵的阶数，当CR<0.1，说明判断矩阵的一致性良好，满足一致性要求；最后，根据场景元素的层次模型与每个层级各个场景元素的相对于本层级的重要性权重值，计算出各个场景元素在所有场景元素中的重要性权重值，然后确定待研究的目标场景的类型，根据目标场景的类型以及需建立的测评场景的维度需求，选取重要性权重值较大的一些场景元素作为决策变量，即完成了场景元素的维度优化；第二步、测评场景空间及关键性长尾函数构建，具体过程如下：步骤一、基于场景元素维度优化的理想场景空间构建，理想测试场景空间通过第一步场景元素维度优化所得的决策变量进行离散化得到，每个决策变量根据其自身的元素属性离散为不同的值，决策变量的取值范围和离散步长在充分考虑现实道路条件约束的前提下，根据该决策变量的重要性权重值来确定，重要性权重值较高的决策变量，设定较大的取值范围与较小的离散步长，确保尽可能多的场景能够包含进理想测试场景空间中；重要性权重较低的决策变量，其取值范围与离散步长的选取遵循关键场景能够包含进理想测试场景空间中的原则；步骤二、基于自然驾驶数据的真实场景空间构建，通过场景数据采集车辆在真实道路上行驶进行场景数据采集，将采集得到的传感器数据进行预处理，从预处理后的场景数据中筛选出目标场景数据，从目标场景数据中筛选出决策变量对应的数据构建真实场景空间；场景数据采集还应遵循以下两个原则：1)、场景数据采集区域应包含不同道路与交通特点的城市与区域，总采集里程要足够大；
2)、场景数据采集环境要包含不同天气类型及光照类型；传感器数据预处理的具体内容包括：各传感器数据的时间对齐与空间对齐；传感器数据的有效性验证；生成车载总线对齐信号、车辆状态对齐信号和多模态环境传感器对齐信号；根据第一步选定的目标场景的类型，采用人工观看视频的方式从所有预处理后的数据中截取出所有目标场景的场景数据，每段完整的目标场景数据称之为一个场景工况，代表真实道路上所发生的一次完整的目标场景事件，将每个场景工况中决策变量对应的数据筛选出来，即构成了真实场景空间；步骤三、基于场景发生概率与场景危险度的关键性长尾函数构建，根据“对自动驾驶汽车具有挑战性，且在真实道路上具有一定发生概率”的自适应动态场景生成原则，基于场景发生概率与场景危险度设计关键性长尾函数作为筛选关键自适应动态场景的依据，关键性长尾函数的计算公式为：I(x)＝V(x)
·
P(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)式中，I(x)代表场景的关键性长尾函数值，P(x)代表场景发生概率，V(x)代表场景危险度；第三步、面向低维测评场景的自适应动态场景生成，具体过程如下：步骤一、基于凸组合算法的场景发生概率求解，通过凸组合算法将来自自然驾驶数据的低维真实场景空间中的场景转换为低维理想场景空间中的场景，求解低维理想场景空间中场景的发生概率；设存在向量{x1,x2,x3...x
n
}，如有实数λ
i
≥0，i＝1,2,3...n，且λ1+λ2+...+λ
n
＝1，则称λ1x1+λ2x2+...λ
n
x
n
为向量{x1,x2,x3...x
n
}的一个凸组合；基于凸组合算法求解场景发生概率有以下几点假设：1)、在理想场景空间的一个离散步长范围内，场景发生概率不会发生突变，是连续变化且遵循线性变化规律；2)、在理想场景空间的一个离散步长范围内，场景发生概率的线性变化规律能够通过理想场景空间中场景与场景之间的欧氏距离表征；3)、在理想场景空间的一个离散步长范围内，与高发生概率场景欧氏距离近的场景发生概率高，与高发生概率场景欧氏距离远的场景发生概率低；以一个离散步长内的场景空间为例，A1(R
A1
,Δv
A1
),A2(R
A2
,Δv
A2
),A3(R
A3
,Δv
A3
),A4(R
A4
,Δv
A4
)是二维理想场景空间中4个均匀离散场景，B(R
B
,Δv
B
)是由自然驾驶数据所得的真实场景空间中的某个场景，且B在A1，A2，A3，A4构成的矩形内部，L
11
是B到A2、A4所在直线的欧氏距离，L
12
是B到A1、A3所在直线的欧氏距离，L
21
是B到A3、A4所在直线的欧氏距离，L
22
为B到A1、A4所在直线的欧氏距离，则真实场景空间中的场景B可通过凸组合算法转化为二维理想场景空间中的场景A1，A2，A3，A4；B＝ω1·
A1+ω2·
A2+ω3·
A3+ω4·
A4ꢀꢀꢀꢀ
(5)式中，ω1，ω2，ω3，ω4分别为A1，A2，A3，A4的权重系数，其计算公式为：
按照上述方法将真实场景空间中的所有场景转化为理想场景空间中的均匀离散场景，结合其权重系数统计均匀离散场景的个数，即得到二维理想场景空间中场景的发生概率；以一个离散步长内的场景空间为例，A1(R
A1
,Δv
A1
,Δa
A1
),A2(R
A2
,Δv
A2
,Δa
A2
),A3(R
A3
,Δv
A3
,Δa
A3
),A4(R
A4
,Δv
A4
,Δa
A4
),A5(R
A5
,Δv
A5
,Δa
A5
),A6(R
A6
,Δv
A6
,Δa
A6
),A7(R
A7
,Δv
A7
,Δa
A7
),A8(R
A8
,Δv
A8
,Δa
A8
)是三维场景空间中8个均匀离散场景，B(R
B
,Δv
B
,Δa
B
)是由自然驾驶数据所得的真实场景空间中的某个场景，且B在A1，A2，A3，A4，A5，A6，A7，A8构成的立方体内部，L
11
是B到A2，A4，A6，A8所在平面的欧氏距离，L
12
是B到A1，A3，A5，A7所在平面的欧氏距离，L
21
是B到A3，A4，A7，A8所在平面的欧氏距离，L
22
是B到A1，A2，A5，A6所在平面的欧氏距离，L
31
是B到A5，A6，A7，A8所在平面的欧氏距离，L
32
是B到A1，A2，A3，A4所在平面的欧氏距离，则真实场景空间中的场景B可通过凸组合算法转化为三维理想场景空间中的场景A1，A2，A3，A4，A5，A6，A7，A8；B＝ω1·
A1+ω2·
A2+ω3·
A3+ω4·
A4+ω5·
A5+ω6·
A6+ω7·
A7+ω8·
A8ꢀꢀꢀ
(10)式中，ω1，ω2，ω3，ω4，ω5，ω6，ω7，ω8分别为A1，A2，A3，A4，A5，A6，A7，A8的权重系数，其计算公式为：计算公式为：计算公式为：计算公式为：计算公式为：计算公式为：计算公式为：计算公式为：按照上述方法将真实场景空间中的所有场景转化为理想场景空间中的均匀离散场景，
结合其权重系数统计均匀离散场景的个数，即得到三维理想场景空间中场景的发生概率；步骤二、基于支持向量回归算法的场景危险度边界求解，根据碰撞时间对真实场景空间中的场景危险度边界进行预划分，构造碰撞时间与相对加速度的联合分布，将联合分布中同属于一条边界线的边界点作为一个训练样本集，单独输入至支持向量回归算法中，每个训练样本集对应一条场景危险度边界，将所有场景危险度边界线汇总得全部的场景危险度边界，最后将真实场景空间中的场景危险度边界映射至理想场景空间中，为不同危险度的场景设置危险度系数；TTC表示两车在维持当前运动状态不变的情况下从当前时刻到发生碰撞所需要的时间，其值越小，代表场景的危险性越高，TTC通过下式计算得到：式中，R表示两车的相对距离，Δv表示本车与目标车的相对速度；制定场景危险度边界的预划分标准如下：TTC∈[0s,1s]时，场景的危险度等级为碰撞场景；TTC∈(1s,3s]时，场景的危险度等级为紧急场景；TTC∈(3s,5s]时，场景的危险度等级为冲突场景；TTC∈(5s,+∞)或(
‑
∞，0s)时，场景的危险度等级为安全场景；构造真实场景空间下TTC与Δa的联合分布，联合分布中相当于已存在由TTC＝0、TTC＝1、TTC＝3和TTC＝...

【专利技术属性】
技术研发人员：张宇飞，孙博华，马芳武，赵帅，翟洋，吴量，
申请(专利权)人：吉林大学，
类型：发明
国别省市：