测试自动驾驶车辆的方法、装置及电子设备制造方法及图纸

本发明专利技术公开了一种测试自动驾驶车辆的方法、装置及电子设备。其中，该方法包括：获取多个避撞测试工况下自动驾驶车辆对应的目标运动参数；基于目标运动参数，利用目标避撞行为预测模型对自动驾驶车辆进行避撞行为预测，得到目标运动参数对应的目标避撞行为参数，其中，目标避撞行为预测模型采用训练样本集通过机器学习得到，目标避撞行为参数用于表征自动驾驶车辆在多个避撞测试工况下的避撞行为；利用目标运动参数和目标避撞行为参数，生成自动驾驶车辆的测试结果，其中，测试结果用于表征自动驾驶车辆的紧急避撞性能。本发明专利技术解决了相关技术对车辆避撞行为进行预测的方法其智能化水平低、准确性差的技术问题。准确性差的技术问题。准确性差的技术问题。

【技术实现步骤摘要】
测试自动驾驶车辆的方法、装置及电子设备


[0001]本专利技术涉及自动驾驶领域，具体而言，涉及一种测试自动驾驶车辆的方法、装置及电子设备。

技术介绍

[0002]随着自动驾驶研究的逐步深入，智能驾驶车辆的安全性与可靠性受到了业界的广泛关注。面对复杂的道路交通流，如何应对潜在的交通危险对于自动驾驶而言是一项严峻的挑战。在诸多交通场景中，车辆感知盲区内突然出现其他交通参与者的随机行为对自动驾驶的安全性构成了极大威胁。因此，为了提高智能驾驶车辆的主动安全性，对其在避撞过程中的驾驶行为进行预测研究是十分必要的。然而，现阶段的避撞行为预测研究方法主要基于传统数学模型描述的控制逻辑进行，其避撞系统的智能化水平较低、无法对车辆的驾驶行为进行准确预测，从而导致在应对复杂多变的交通场景时，车辆难以做出灵活的控制决策，难以保证危险场景下的驾驶安全。
[0003]针对上述相关技术对车辆避撞行为进行预测的方法其智能化水平低、准确性差的问题，目前尚未提出有效的解决方案。

技术实现思路

[0004]本专利技术实施例提供了一种测试自动驾驶车辆的方法、装置及电子设备，以至少解决相关技术对车辆避撞行为进行预测的方法其智能化水平低、准确性差的技术问题。
[0005]根据本专利技术实施例的一个方面，提供了一种测试自动驾驶车辆的方法，包括：
[0006]获取多个避撞测试工况下自动驾驶车辆对应的目标运动参数；基于目标运动参数，利用目标避撞行为预测模型对自动驾驶车辆进行避撞行为预测，得到目标运动参数对应的目标避撞行为参数，其中，目标避撞行为预测模型采用训练样本集通过机器学习得到，目标避撞行为参数用于表征自动驾驶车辆在多个避撞测试工况下的避撞行为；利用目标运动参数和目标避撞行为参数，生成自动驾驶车辆的测试结果，其中，测试结果用于表征自动驾驶车辆的紧急避撞性能。
[0007]可选地，测试自动驾驶车辆的方法还包括：利用仿真试验驱动对自动驾驶车辆进行仿真试验，构建训练样本集，其中，训练样本集中的每个训练样本包括：仿真运动参数和仿真运动参数对应的仿真避撞行为参数；利用训练样本集对初始避撞行为预测模型进行训练，得到目标避撞行为预测模型。
[0008]可选地，利用仿真试验驱动对自动驾驶车辆进行仿真试验，构建训练样本集包括：利用仿真试验驱动对自动驾驶车辆进行仿真试验，得到试验日志；基于仿真试验过程中的多个仿真行驶片段，从试验日志中筛选得到目标试验数据；采用目标试验数据构建训练样本集。
[0009]可选地，利用训练样本集对初始避撞行为预测模型进行训练，得到目标避撞行为预测模型包括：基于训练样本集中的仿真运动参数，采用初始避撞行为预测模型进行避撞
行为预测，得到仿真运动参数对应的避撞行为预测向量；根据仿真运动参数对应的仿真避撞行为参数和避撞行为预测向量计算得到训练损失；基于训练损失对初始避撞行为预测模型的网络参数进行调整，得到目标避撞行为预测模型。
[0010]可选地，目标避撞行为预测模型包括长短时记忆子模型和注意力机制子模块，初始避撞行为预测模型与目标避撞行为预测模型的网络结构相同，基于训练样本集中的仿真运动参数，采用初始避撞行为预测模型进行避撞行为预测，得到仿真运动参数对应的避撞行为预测向量包括：采用初始避撞行为预测模型中的长短时记忆子模型，对训练样本集中的仿真运动参数进行时间关联性学习，生成仿真运动参数对应的第一特征向量，其中，第一特征向量中的多个特征值的权重均匀分配；利用初始避撞行为预测模型中的注意力机制子模块，对第一特征向量中的多个特征值的权重进行调整，得到第二特征向量；对第二特征向量进行全连接回归处理，得到仿真运动参数对应的避撞行为预测向量。
[0011]可选地，采用初始避撞行为预测模型中的长短时记忆子模型，对训练样本集中的仿真运动参数进行时间关联性学习，生成仿真运动参数对应的第一特征向量包括：在长短时记忆子模型的多个层结构中，对多个连续时刻下对训练样本集中的仿真运动参数进行时间关联性学习，生成第一特征向量；其中，多个层结构中每个层结构至少包括：遗忘门控组件、输入门控组件和输出门控组件；遗忘门控组件用于：在时间关联性学习的过程中，基于前一层结构在当前时刻输出的仿真运动参数和当前层结构在前一时刻的输出特征向量，在当前层结构中从前一时刻的输出网络状态参数中确定当前时刻待保留的部分网络状态参数；输入门控组件用于：在时间关联性学习的过程中，基于前一层结构在当前时刻输出的仿真运动参数和当前层结构在前一时刻的输出特征向量，在当前层结构中确定当前时刻待更新的第二部分网络参数，并在当前层结构中创建当前时刻的候选网络状态参数，利用候选网络状态参数确定当前时刻待更新的第二部分网络状态参数，以及根据第一部分网络状态参数、第二部分网络状态参数确定当前时刻的输出网络状态参数；输出门控组件用于：在时间关联性学习的过程中，基于前一层结构在当前时刻输出的仿真运动参数和当前层结构在前一时刻的输出特征向量，在当前层结构中利用当前时刻的输出网络状态参数确定当前时刻的输出特征向量。
[0012]可选地，利用初始避撞行为预测模型中的注意力机制子模块，对第一特征向量中的多个特征值的权重进行调整，得到第二特征向量包括：利用注意力机制子模块中的全连接网络参数和预设激活函数，对第一特征向量中的多个特征值进行依赖关系分析，生成第一特征向量对应的目标权重集合；利用目标权重集合对多个特征值的权重进行更新，得到第二特征向量。
[0013]可选地，基于目标运动参数，利用目标避撞行为预测模型对自动驾驶车辆进行避撞行为预测，得到目标运动参数对应的目标避撞行为参数包括：采用目标避撞行为预测模型中的长短时记忆子模型，对目标运动参数进行时间关联性学习，生成目标运动参数对应的第三特征向量，其中，第三特征向量中的多个特征值的权重均匀分配；利用目标避撞行为预测模型中的注意力机制子模块，对第三特征向量中的多个特征值的权重进行调整，得到第四特征向量；对第四特征向量进行全连接回归处理，得到目标运动参数对应的避撞行为目标向量；利用避撞行为目标向量确定目标运动参数对应的目标避撞行为参数。
[0014]根据本专利技术实施例的另一方面，还提供了一种测试自动驾驶车辆的装置，包括：
[0015]获取模块，用于获取多个避撞测试工况下自动驾驶车辆对应的目标运动参数；预测模块，用于基于目标运动参数，利用目标避撞行为预测模型对自动驾驶车辆进行避撞行为预测，得到目标运动参数对应的目标避撞行为参数，其中，目标避撞行为预测模型采用训练样本集通过机器学习得到，目标避撞行为参数用于表征自动驾驶车辆在多个避撞测试工况下的避撞行为；生成模块，用于利用目标运动参数和目标避撞行为参数，生成自动驾驶车辆的测试结果，其中，测试结果用于表征自动驾驶车辆的紧急避撞性能。
[0016]可选地，测试自动驾驶车辆的方法还包括：仿真模块，用于利用仿真试验驱动对自动驾驶车辆进行仿真试验，构建训练样本集，其中，训练样本集中的每个训练样本包括：仿真运动参数和仿真运动参数对应的仿真避撞行为参数；利用训练样本集对初始避撞行为预测模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种测试自动驾驶车辆的方法，其特征在于，包括：获取多个避撞测试工况下自动驾驶车辆对应的目标运动参数；基于所述目标运动参数，利用目标避撞行为预测模型对所述自动驾驶车辆进行避撞行为预测，得到所述目标运动参数对应的目标避撞行为参数，其中，所述目标避撞行为预测模型采用训练样本集通过机器学习得到，所述目标避撞行为参数用于表征所述自动驾驶车辆在所述多个避撞测试工况下的避撞行为；利用所述目标运动参数和所述目标避撞行为参数，生成所述自动驾驶车辆的测试结果，其中，所述测试结果用于表征所述自动驾驶车辆的紧急避撞性能。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：利用仿真试验驱动对所述自动驾驶车辆进行仿真试验，构建所述训练样本集，其中，所述训练样本集中的每个训练样本包括：仿真运动参数和所述仿真运动参数对应的仿真避撞行为参数；利用所述训练样本集对初始避撞行为预测模型进行训练，得到所述目标避撞行为预测模型。3.根据权利要求2所述的方法，其特征在于，利用仿真试验驱动对所述自动驾驶车辆进行仿真试验，构建所述训练样本集包括：利用所述仿真试验驱动对所述自动驾驶车辆进行仿真试验，得到试验日志；基于仿真试验过程中的多个仿真行驶片段，从所述试验日志中筛选得到目标试验数据；采用所述目标试验数据构建所述训练样本集。4.根据权利要求2所述的方法，其特征在于，利用所述训练样本集对初始避撞行为预测模型进行训练，得到所述目标避撞行为预测模型包括：基于所述训练样本集中的所述仿真运动参数，采用所述初始避撞行为预测模型进行避撞行为预测，得到所述仿真运动参数对应的避撞行为预测向量；根据所述仿真运动参数对应的仿真避撞行为参数和所述避撞行为预测向量计算得到训练损失；基于所述训练损失对所述初始避撞行为预测模型的网络参数进行调整，得到所述目标避撞行为预测模型。5.根据权利要求4所述的方法，其特征在于，所述目标避撞行为预测模型包括长短时记忆子模型和注意力机制子模块，所述初始避撞行为预测模型与所述目标避撞行为预测模型的网络结构相同，基于所述训练样本集中的所述仿真运动参数，采用所述初始避撞行为预测模型进行避撞行为预测，得到所述仿真运动参数对应的避撞行为预测向量包括：采用所述初始避撞行为预测模型中的所述长短时记忆子模型，对所述训练样本集中的所述仿真运动参数进行时间关联性学习，生成所述仿真运动参数对应的第一特征向量，其中，所述第一特征向量中的多个特征值的权重均匀分配；利用所述初始避撞行为预测模型中的所述注意力机制子模块，对所述第一特征向量中的所述多个特征值的权重进行调整，得到第二特征向量；对所述第二特征向量进行全连接回归处理，得到所述仿真运动参数对应的所述避撞行为预测向量。
6.根据权利要求5所述的方法，其特征在于，采用所述初始避撞行为预测模型中的所述长短时记忆子模型，对所述训练样本集中的所述仿真运动参数进行时间关联性学习，生成所述仿真运动参数对应的第一特征向量包括：在所述长短时记忆子模型的多个层结构中，对多个连续时刻下对所述训练样本集中的所述仿真运动参数进行时间关联性学习，生成所述第一特征向量；其中，所述多个层结构中...

【专利技术属性】
技术研发人员：邢桐，刘涛，吴振昕，彭亮，张正龙，赵朋刚，迟霆，杨渊泽，王宇，赵思佳，
申请(专利权)人：中国第一汽车股份有限公司，
类型：发明
国别省市：