一种基于自动驾驶测试场景的评价分类方法及系统技术方案

本申请提出一种基于自动驾驶测试场景的评价分类方法及系统，所述评价分类方法包括获取场景要素和场景；基于自动驾驶测试重要性对场景进行评分获得场景评分结果，并将所述场景要素和所述场景评分结果作为样本进行神经网络的训练并获得神经网络泛化模型；将所述场景要素泛化处理获得多个场景要素点，基于所述场景要素点生成泛化场景；通过所述神经网络泛化模型对所述泛化场景进行评价和分类，得到对应所述泛化场景的场景评价及分类结果。本申请可以更方便地识别泛化场景的重要性，相较于现有技术中的评价和分类结果，其具有客观性和准确性，可以提高自动驾驶测试的准确性和可行性，也可以充分考虑各类边缘环境，有效保障了用户实车驾驶的安全。实车驾驶的安全。实车驾驶的安全。

【技术实现步骤摘要】
一种基于自动驾驶测试场景的评价分类方法及系统


[0001]本申请属于自动驾驶领域，尤其涉及一种基于自动驾驶测试场景的评价分类方法及系统。

技术介绍

[0002]神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。常用的神经网络包括BP神经网络、图神经网络等。
[0003]随着人工智能技术的发展，到有限条件的自动驾驶L3系统、高度自动驾驶L4、完全自动驾驶L5等需要各种场景的功能要求，导致自动驾驶汽车测试与验证的场景数量呈几何级增加。评价自动驾驶系统算法重要的标准之一为是否能够处理足够多的应用场景，自动驾驶系统能够处理的场景覆盖范围越大，可以行驶的边界范围就会更广。
[0004]现有技术中，自动驾驶测试用例根据开发需求文档逐条编写，很难大量覆盖考虑实际使用场景的多种复杂的边缘场景的开发，也无法根据实际测试中各类案例的场景情况评价各类案例的重要程度以及进行分类。自动驾驶测试场景的开发和使用仍旧存在不全面，分类混乱的情况。
[0005]因此，现有技术还有待于进一步的发展。

技术实现思路

[0006]为了解决现有技术中存在的难以覆盖实际使用场景中的多种复杂的边缘场景以及难以对场景评判重要性的问题，本申请提出一种基于自动驾驶测试场景的评价分类方法及系统，可以为自动驾驶测试用例提供一种良好的有关场景测试的新方法和新系统，通过所述神经网络泛化模型对所述泛化场景进行评价和分类可以获得较为客观和稳定的泛化场景的场景评价和分类结果，可以更方便的识别泛化场景的重要性。
[0007]本申请的第一方面，提供一种基于自动驾驶测试场景的评价分类方法，包括：获取场景要素和场景；基于自动驾驶测试重要性对场景进行评分获得场景评分结果，并将所述场景要素和所述场景评分结果作为样本进行神经网络的训练并获得神经网络泛化模型；将所述场景要素泛化处理获得多个场景要素点，基于所述场景要素点生成泛化场景；通过所述神经网络泛化模型对所述泛化场景进行评价和分类，得到对应所述泛化场景的场景评价及分类结果。
[0008]在本申请一可选实施例中，所述获取场景要素和场景之前，包括：选取待处理场景要素，所述待处理场景要素包括自车车速、目标速度、光照强度、天气、车道宽度、车道曲率和/或目标种类；对所述待处理场景要素进行量化处理生成场景要素。
[0009]在本申请一可选实施例中，所述待处理场景要素和场景的获取来源包括场景要素库，所述场景要素库内的场景要素和场景来源于实际测试需求和测试经验。
[0010]在本申请一可选实施例中，所述自动驾驶测试重要性由测试经验与法律规定确定。
[0011]在本申请一可选实施例中，所述将所述场景要素和所述场景评分结果分别作为神经网络学习的输入层和输出层进行训练，生成神经网络模型，包括：配置输入层、隐藏层和输出层，配置输入节点为O
i
；配置学习率为I、权重W
ij
和偏量θ
j
；基于所述输入层，所述隐藏层和所述输出层获取基于所述隐藏层和所述输出层的净输入I
j
，所述净输入基于所述净输入获取对应隐藏层和输出层的净输出O
j
，所述净输出基于所述净输入和所述净输出反向计算误差所述误差其中，T
j
＝1；基于所述误差计算上一层k的误差其中所述误差和误差存在以下关系：若所述误差的绝对值小于预设误差，神经网络训练完成，获得神经网络泛化模型；若所述误差的绝对值大于预设误差，基于所述学习率、所述误差和所述权重更新权重和偏量，并重复以上步骤直至获得所述神经网络泛化模型，其中：更新后的权重为：更新后的偏量为：
[0012]在本申请一可选实施例中，所述将所述场景要素泛化处理获得多个场景要素点，基于所述场景要素点生成泛化场景，包括：所述场景要素至少包括第一场景要素、第二场景要素、第三场景要素和第四场景要素；针对第一场景要素的属性以第一预设间隔划分出多个第一场景要素点；针对第二场景要素的属性以第二预设间隔划分出多个第二场景要素点；针对第三场景要素的属性以第三预设间隔划分出多个第三场景要素点；针对第四场景要素的属性以第四预设间隔划分出多个第四场景要素点。
[0013]在本申请一可选实施例中，将所述场景要素泛化处理获得多个场景要素点，基于所述场景要素点生成泛化场景，包括：所述第一场景要素为自车车速，所述第一场景要素的属性为速度；所述第二场景要素为光照强度，所述第二场景要素的属性为流明；所述第三场景要素为天气，所述第二场景要素的属性为天气类型；所述第四场景要素为弯道曲率，所述第二场景要素的属性为弯道曲率值。
[0014]在本申请一可选实施例中，所述基于所述场景要素点生成泛化场景，包括：选择至少一个场景要素中的一个场景要素点生成场景碎片；
将所述场景碎片组合生成泛化场景，所述泛化场景中包括选择的场景要素所代表的场景内容。
[0015]本申请第二方面，提供一种基于自动驾驶测试场景的评价及分类系统，包括：获取单元，至少用于获取场景要素和场景；训练单元，至少用于基于自动驾驶测试重要性对场景进行评分获得场景评分结果，并将所述场景要素和所述场景评分结果作为样本进行神经网络的训练并获得神经网络泛化模型；泛化单元，至少用于将所述场景要素泛化处理获得多个场景要素点，基于所述场景要素点生成泛化场景；评价及分类单元，至少用于通过所述神经网络泛化模型对所述泛化场景进行评价和分类，得到对应所述泛化场景的场景评价及分类结果。
[0016]本申请第三方面，提供一种电子设备，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如本申请第一方面所述的方法。
[0017]本申请第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被计算机运行时，执行如本申请第一方面所述的方法。
[0018]本申请通过神经网络对自动驾驶场景进行评价分类，解决了现有技术中针对测试场景选择的难题。
[0019]由于神经网络泛化模型中包含了通过初始的神经网络训练的稳定的网络结构，本申请通过所述神经网络泛化模型对所述泛化场景进行评价和分类可以获得较为客观和稳定的泛化场景的场景评价和分类结果，可以更方便地识别泛化场景的重要性，相较于现有技术中的评价和分类结果，其具有客观性和准确性，可以提高自动驾驶测试的准确性和可行性，也可以充分考虑各类边缘环境，有效保障了用户实车驾驶的安全。
附图说明
[0020]图1示出了本申请一实施例中一种基于自动驾驶测试场景的评价分类方法的流程示意图；图2示出了本申请一实施例中对神经网络训练并获得神经网络泛化模型的流程示意图；图3示出了本申请一实施例中又一对神经网络训练并获得神经网络泛化模型的流程示意图；图4示出了本申请一实施例中又一种基于自动驾驶测试场景的评价本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自动驾驶测试场景的评价分类方法，其特征在于，包括：获取场景要素和场景；基于自动驾驶测试重要性对场景进行评分获得场景评分结果，并将所述场景要素和所述场景评分结果作为样本进行神经网络的训练并获得神经网络泛化模型；将所述场景要素泛化处理获得多个场景要素点，基于所述场景要素点生成泛化场景；通过所述神经网络泛化模型对所述泛化场景进行评价和分类，得到对应所述泛化场景的场景评价及分类结果。2.如权利要求1所述的基于自动驾驶测试场景的评价分类方法，其特征在于，所述获取场景要素和场景之前，包括：选取待处理场景要素，所述待处理场景要素包括自车车速、目标速度、光照强度、天气、车道宽度、车道曲率和/或目标种类；对所述待处理场景要素进行量化处理生成场景要素。3.如权利要求2所述的基于自动驾驶测试场景的评价分类方法，其特征在于，所述待处理场景要素和场景的获取来源包括场景要素库，所述场景要素库内的场景要素和场景来源于实际测试需求和测试经验。4.如权利要求1所述的基于自动驾驶测试场景的评价分类方法，其特征在于，所述自动驾驶测试重要性由测试经验与法律规定确定。5.如权利要求1所述的基于自动驾驶测试场景的评价分类方法，其特征在于，所述基于自动驾驶测试重要性对场景进行评分获得场景评分结果，并将所述场景要素和所述场景评分结果作为样本进行神经网络的训练并获得神经网络泛化模型，包括：配置输入层、隐藏层和输出层，配置输入节点为O
i
；配置学习率为I、权重W
ij
和偏量θ
j
；基于所述输入层，所述隐藏层和所述输出层获取基于所述隐藏层和所述输出层的净输入I
j
，所述净输入基于所述净输入获取对应隐藏层和输出层的净输出O
j
，所述净输出基于所述净输入和所述净输出反向计算误差所述误差其中，T
j
＝1；基于所述误差计算上一层k的误差其中所述误差和误差存在以下关系：若所述误差的绝对值小于预设误差，神经网络训练完成，获得神经网络泛化模型；若所述误差的绝对值大于预设误差，基于所述学习率、所述误差和所述权重更新权重和偏量，并重复以上步骤直至获得所述神经网络泛化模型，其中：更新后的权重为：更新后的偏量为：6.如权利要...

【专利技术属性】
技术研发人员：姚若禹，王康，朱亚永，李如冰，
申请(专利权)人：智己汽车科技有限公司，
类型：发明
国别省市：