用于自动驾驶加速测试的关键边缘测试场景在线生成方法技术

本发明专利技术涉及一种用于自动驾驶加速测试的关键边缘测试场景在线生成方法，包括：泛化生成自然驾驶测试场景；构建场景复杂度模型，包括静态场景复杂度和动态场景复杂度；基于生成的自然驾驶测试场景以及构建的场景复杂度模型，对自动驾驶车辆进行评估测试；根据测试结果，进行场景自适应调整，包括静态场景自适应调整以及动态场景自适应调整，输出得到关键边界测试场景。与现有技术相比，本发明专利技术能够在线生成满足自然交通流行为分布、多样性且具有多重交互的关键边界测试场景，以对自动驾驶车辆的性能边界进行测试。的性能边界进行测试。的性能边界进行测试。

【技术实现步骤摘要】
用于自动驾驶加速测试的关键边缘测试场景在线生成方法


[0001]本专利技术涉及自动驾驶
，尤其是涉及一种用于自动驾驶加速测试的关键边缘测试场景在线生成方法。

技术介绍

[0002]随着自动驾驶技术的发展，近年来自动驾驶测试方法也得到了越来越多的重视，大量的研究人员付出了很多努力来加速自动驾驶的测试，从而促进自动驾驶车辆的实际应用部署。基于场景的测试方法得到了研究人员的广泛关注，智能驾驶测试的关键步骤是找到符合自然分布且关键的测试场景。只有全面覆盖各种场景，才能有效解决自动驾驶面临的安全性以及智能性等问题。然而，从计算上来说，搜索所有可能遇到的交通场景以找到关键的测试场景是不可行的，因为自然交通环境包含成千上万的参数组合。如何提高关键测试场景的生成效率和多样性已成为一个重要问题。现实世界中的驾驶场景非常复杂和多样，它包含各种结构类型的静态道路环境以及各种类型的动态交通参与者。由于现实世界中有无限多的可能场景，场景生成技术必须提供广泛的变化，以解决无限多的场景。测试场景的关键是有效再现真实世界场景的复杂性和可变性，以确保智能驾驶测试的效率和有效性。
[0003]现有的自动驾驶汽车的测试场景主要包括典型场景和关键场景两类，如表1所示。前者包含大量的低风险场景，主要测试汽车各项常规功能的实现情况。后者主要扩大了测试场景集中的高风险场景比例，实现对典型场景的补充，进一步提高了测试场景的覆盖率，通常用于自动驾驶汽车的安全性测试，寻找使得自动驾驶汽车介于发生事故和不发生事故之间的边界场景，进而指导优化自动驾驶汽车的鲁棒性和安全性。
[0004]表1典型场景和关键场景对比
[0005][0006][0007]在以往的自动驾驶测试场景的生成方法中，重点关注于高风险的碰撞场景的生成，比如采用对抗等方法使得测试自动驾驶车辆发生碰撞，但这些生成的测试场景只能对自动驾驶车辆的安全性进行测试，而无法对自动驾驶车辆的综合性能进行全面测试。此外，现有的方法主要关注均匀采样场景和动态交通场景的生成，很少综合考虑静态关键测试场景和动态关键测试场景的生成，这必然会影响自动驾驶车辆的测试效率以及测试场景的多样性。并且现有的关键场景生成方法很少考虑场景的复杂度，很难生成具有不同复杂度级别的测试场景。上述缺陷会在一定程度上影响到自动驾驶车辆的加速测试效率，无法测试到自动驾驶车辆的性能边界(指没有发生碰撞的自动驾驶车辆的性能极限)。

技术实现思路

[0008]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种用于自动驾驶加速测试的关键边缘测试场景在线生成方法，能够在线生成满足自然交通流行为分布、多样性且具有多重交互的关键边界测试场景，以对自动驾驶车辆的性能边界进行测试。
[0009]本专利技术的目的可以通过以下技术方案来实现：一种用于自动驾驶加速测试的关键边缘测试场景在线生成方法，包括以下步骤：
[0010]S1、泛化生成自然驾驶测试场景；
[0011]S2、构建场景复杂度模型，包括静态场景复杂度和动态场景复杂度；
[0012]S3、基于生成的自然驾驶测试场景以及构建的场景复杂度模型，对自动驾驶车辆进行评估测试；
[0013]S4、根据步骤S3得到的测试结果，进行场景自适应调整，包括静态场景自适应调整以及动态场景自适应调整，输出得到关键边界测试场景。
[0014]进一步地，所述步骤S1的具体过程为：
[0015]S11、对真实世界的驾驶环境进行环境识别，将静态交通环境和天气环境转换为静态交通场景；
[0016]S12、对真实世界的驾驶环境进行行为识别，获得动态交通参与者的自然驾驶行为分布模型；
[0017]S13、在仿真平台上将自然交通场景进行泛化、并转换为自然驾驶测试场景。
[0018]进一步地，所述步骤S13具体是利用自然驾驶环境中的自然驾驶数据进行参数泛化，生成OpenDrive以及OpenScenario格式的仿真测试场景。
[0019]进一步地，所述步骤S2中场景复杂度模型具体为：
[0020]C＝α
S
C
S
+α
D
C
D
[0021]其中，α
S
和α
D
分别是静态场景复杂度C
S
和动态场景复杂度C
D
的权重系数。
[0022]进一步地，所述步骤S2中静态场景复杂度的量化维度包括可行驶区域的面积、天气能见度和道路摩擦系数；
[0023]动态场景复杂度的量化关键变量包括被测自动驾驶车辆与周围其他交通参与者之间的遭遇角、相对距离和相对速度。
[0024]进一步地，所述静态场景复杂度具体为：
[0025][0026]其中，A
max
为可行驶区域的最大面积，A
min
为可行驶区域的最小面积，W
max
为照明和清晰度最好时的能见度距离，W
min
为照明和透明度最差时的能见度距离，F
max
为最干燥情况下的道路摩擦系数，F
min
为最潮湿的道路情况下的道路摩擦系数，γ
d
、γ
v
、γ
f
分别对应为可行驶区域面积A
d
、天气能见度W
v
和道路摩擦系数F
r
的权重系数。
[0027]进一步地，所述动态场景复杂度的计算过程具体为：
[0028]首先设置自动驾驶车辆周围潜在复杂度交通参与者的有效范围；
[0029]然后计算动态交互对的复杂度，所述交互对由被测的自动驾驶车辆和周围的交通参与者组成；
[0030]最后，综合考虑所有交互对的复杂度，以计算动态交通场景的复杂度；
[0031]所述自动驾驶车辆周围潜在复杂度交通参与者的有效范围是以车辆后轴中心点为中心的半圆来描述，该半圆的半径为：
[0032]r
range
＝max{r
safe
,r
l
}
[0033][0034]其中，r
range
为自动驾驶车辆的影响区域半径，r
safe
为被测自动驾驶车辆的安全区半径，r
l
为路口区域范围的长度，v0为自动驾驶车辆的初始速度，τ为自动驾驶车辆的响应滞后时间，和分别为自动驾驶车辆的最大加速度和最小减速度；
[0035]所述动态交互对的复杂度为：
[0036]C
i,0
＝Γ(θ
i,0
,d
i,0
,v
i,0
)＝f1(θ
i,0
)
×
f2(d
i,0
)
×
f3(v
i,0
)
[0037][0038][0039][0040][0041][0042]其中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于自动驾驶加速测试的关键边缘测试场景在线生成方法，其特征在于，包括以下步骤：S1、泛化生成自然驾驶测试场景；S2、构建场景复杂度模型，包括静态场景复杂度和动态场景复杂度；S3、基于生成的自然驾驶测试场景以及构建的场景复杂度模型，对自动驾驶车辆进行评估测试；S4、根据步骤S3得到的测试结果，进行场景自适应调整，包括静态场景自适应调整以及动态场景自适应调整，输出得到关键边界测试场景。2.根据权利要求1所述的一种用于自动驾驶加速测试的关键边缘测试场景在线生成方法，其特征在于，所述步骤S1的具体过程为：S11、对真实世界的驾驶环境进行环境识别，将静态交通环境和天气环境转换为静态交通场景；S12、对真实世界的驾驶环境进行行为识别，获得动态交通参与者的自然驾驶行为分布模型；S13、在仿真平台上将自然交通场景进行泛化、并转换为自然驾驶测试场景。3.根据权利要求2所述的一种用于自动驾驶加速测试的关键边缘测试场景在线生成方法，其特征在于，所述步骤S13具体是利用自然驾驶环境中的自然驾驶数据进行参数泛化，生成OpenDrive以及OpenScenario格式的仿真测试场景。4.根据权利要求1所述的一种用于自动驾驶加速测试的关键边缘测试场景在线生成方法，其特征在于，所述步骤S2中场景复杂度模型具体为：C＝α
S
C
S
+α
D
C
D
其中，α
S
和α
D
分别是静态场景复杂度C
S
和动态场景复杂度C
D
的权重系数。5.根据权利要求4所述的一种用于自动驾驶加速测试的关键边缘测试场景在线生成方法，其特征在于，所述步骤S2中静态场景复杂度的量化维度包括可行驶区域的面积、天气能见度和道路摩擦系数；动态场景复杂度的量化关键变量包括被测自动驾驶车辆与周围其他交通参与者之间的遭遇角、相对距离和相对速度。6.根据权利要求5所述的一种用于自动驾驶加速测试的关键边缘测试场景在线生成方法，其特征在于，所述静态场景复杂度具体为：其中，A
max
为可行驶区域的最大面积，A
min
为可行驶区域的最小面积，W
max
为照明和清晰度最好时的能见度距离，W
min
为照明和透明度最差时的能见度距离，F
max
为最干燥情况下的道路摩擦系数，F
min
为最潮湿的道路情况下的道路摩擦系数，γ
d
、γ
v
、γ
f
分别对应为可行驶区域面积A
d
、天气能见度W
v
和道路摩擦系数F
r
的权重系数。7.根据权利要求5所述的一种用于自动驾驶加速测试的关键边缘测试场景在线生成方法，其特征在于，所述动态场景复杂度的计算过程具体为：首先设置自动驾驶车辆周围潜在复杂度交通参与者的有效范围；
然后计算动态交互对的复杂度，所述交互对由被测的自动驾驶车辆和周围的交通参与者组成；最后，综合考虑所有交互对的复杂度，以计算动态交通场景的复杂度；所述自动驾驶车辆周围潜在复杂度交通参与者的有效范围是以车辆后轴中心点为中心的半圆来描述，该半圆的半径为：r
range
＝max{r
safe
,r
l
}其中，r
range
为自动驾驶车辆的影响区域半径，r
safe
为被测自动驾驶车辆的安全区半径，r
l
为路口区域范围的长度，v0为自动驾驶车辆的初始速度，τ为自动驾驶车辆的响应滞后时间，和分别为自动驾驶车辆的最大加速度和最小减速度；所述动态交互对的复杂度为：C
i,0
＝Γ(θ
i,0
,d
i,0
,v
i,θ
)＝f1(θ
i,0
)
×
f2(d
i,0
)
×
f3(v
i,θ
)))))其中，C
i,0
为动态交通参与者之间复杂度，θ
i,0
为动态交通参与者之间的相遇角，d
i,0
为动态交通参与者之间的相对距离，v
i,0
为动态交通参与者之间的相对速度，f1(θ
i,0
)为相遇角θ
i,0
与动态交互复杂度C
i,0
之间的关系，f2(d
i,0
)为相对距离d
i,0
与动态交互复杂度C
i,0
之间的关系，f3(v
i,0
)为相对速度v
i,0
与动态交互复杂度C
i,0
之间的关系，d
i
′
,0
为标准化后的相对距离，d
i,0
为不同交通参与者之间的相对距离，d
min
为最不复杂情况下的相对距离，等于自动驾驶车辆的影响区域半径r
range
，d
max
为最复杂情况下的相对距离、等于零，表示两辆车无限接近，v
i
′
,0
为标准化后的相对速度，v
i,0
为不同交通参与者之间的相对速度，v
min
为最不复杂情况下的相对速度，等于3.5m/s的发散相对速度，v
max
为最复杂情况下的相对速度，等于3.5m/s的收敛相对速度；所述动态交通场景的复杂度为：
其中，C
D
为动态场景复杂度，C
t
为在时间步长t处平滑之前的集成的动态场景复杂度，N为影响区域范围内的车辆对的数量，λ
i
为交通参与者i的影响，C
i,0
为交互对集合E
N+1
的复杂度，k表示滑动窗口的长度。8.根据权利要求1所述的一种用于自动驾驶加速测试的关键边缘测试场景在线生成方法，其特征在于，所述步骤S4具体包括以下步骤：S41、根据步骤S3得到的测试结果，确定当前测试场景属于安全关键测试场景、关键边缘测试场景还是需要进一步自适应优化的测试场景；如果属于安全关键测试场景，则将生成的场景放入安全关键测试场景库中；如果属于关键边缘测试场景，则将生成的场景放入关键边缘测试场景库中；如果不满足所需场景的要求，则执行步骤S42；S42、通过关键边缘测试场景自适应生成算法进一步在线自适应调整和优化当前的测试场景，其中，关键边缘测试场景自适应生成算法从静态场景和动态场景两个角度同时进行场景的自适应优化：静态场景的自适应优化从可行驶区域、天气能见度和道路摩擦系数三个方面进行；动态交通场景的自适应优化是通过选择主要其他对抗交通参与者，对其进行自然和对抗的行为优化来实现的；在进行静态场景和动态交通场景自适应优化的过程中还利用场景复杂度模型对优化后的场景复杂度进行量化，基于场景复杂度提升系数来自适应提升测试场景的复杂度和危险度，最终生成具有不同复杂度级别的、用于不同维度性能测试的、覆盖各种场景的关键测试场景库。9.根据权利要求8所述的一种用于自动驾驶加速测试的关键边缘测试场景在线生成方法，其特征在于，所述步骤S42中进行静态场景自适应优化...

【专利技术属性】
技术研发人员：王琳，周俊洁，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：