【技术实现步骤摘要】
面向自动驾驶测试的危险变道场景泛化生成方法及系统
[0001]本专利技术属于自动驾驶加速测试
,具体涉及面向自动驾驶测试的危险变道场景泛化生成方法及系统。
技术介绍
[0002]近年来,自动驾驶汽车正在由测试示范逐步迈入量产商用阶段的过程中,自动驾驶上路前需经过数十亿英里的安全性测试,由于传统的道路、场地测试受测试效率、成本、场景等的限制,已经难以满足自动驾驶汽车测试的需求,利用虚拟仿真技术构建交通测试场景来测试自动驾驶车辆性能已成为一种重要的自动驾驶测试验证手段。为了实现自动驾驶的全方位测试,希望能够通过虚拟仿真技术,利用有效的场景生成方法,生成危险场景,发现被测自动驾驶系统的未知危险场景。现有的变道场景生成方法通过优化变道场景参数来构建危险测试场景,难以生成符合人驾车辆特征的不同切入角度的紧急变道轨迹,难以构建可从理论上避免的风险临界测试场景,不能满足自动驾驶高风险场景测试的需求。
技术实现思路
[0003]为解决了现有技术中存在的问题,本专利技术的目的是提供面向自动驾驶测试的危险变道场景泛化生成方法及系统,综合考虑自动驾驶高风险场景测试的需求,生成符合人驾车辆特征的不同切入角度的紧急变道轨迹,利用不同风险的背景车变道轨迹构建可从理论上避免的风险临界测试场景。
[0004]本专利技术采用的技术方案如下:
[0005]一种面向自动驾驶测试的背景车辆紧急变道轨迹生成方法,包括如下过程:
[0006]通过面向紧急变道轨迹生成的生成对抗模型,利用自动驾驶数据集中的紧急变道轨迹 ...
【技术保护点】
【技术特征摘要】
1.一种面向自动驾驶测试的背景车辆紧急变道轨迹生成方法,其特征在于,包括如下过程:通过面向紧急变道轨迹生成的生成对抗模型,利用自动驾驶数据集中的紧急变道轨迹数据生成符合实际的背景车辆紧急变道轨迹数据;所述面向紧急变道轨迹生成的生成对抗模型为对序列生成对抗网络进行了生成器优化、判别器优化和损失函数设计后得到的模型。2.根据权利要求1所述的一种面向自动驾驶测试的背景车辆紧急变道轨迹生成方法,其特征在于,生成器优化是在原始的序列生成对抗网络的生成器添加了批标准化运算;添加了批标准化运算的生成器模型中遗忘门f
n
表达式如下:式中,σ是sigmoid函数,W
f
表示遗忘权重,h
n
‑1表示前一层的隐藏状态,表示当前输入的内容,表示第m条紧急变道轨迹的第n个值;b
f
表示遗忘门偏置项,BN()表示批标准化操作;所述生成器输入门由两个模块组成,生成器输入门的一个模块用于将筛选的数据信息保存到记忆细胞中,公式如下:其中,W
i
表示输入权重,b
i
表示输入门偏置项,i
n
表示输入门;生成器输入门的另一个模块用于把当前时刻传递的数据信息保存到记忆细胞中,公式如下:其中,W
c
和b
c
分别表示记忆细胞权重和记忆细胞偏置项,tanh表示激活函数,新的记忆细胞c
n
由遗忘门f
n
和输入门i
n
更新,公式如下:其中,c
n
‑1表示前一个记忆细胞;生成器输出门O
n
用于计算需要输出的信息,传递当前层的隐藏状态h
n
,公式如下:h
n
=O
n
*tanh(BN(c
n
))其中,W
o
和b
o
分别表示输出门权重和记忆细胞偏置项,h
n
‑1表示前一层的隐藏状态,h
n
表示当前层的隐藏状态。3.根据权利要求1所述的一种面向自动驾驶测试的背景车辆紧急变道轨迹生成方法,其特征在于,所述的判别器优化是对原始的序列生成对抗网络的判别器添加注意力机制,具体的,在原始判别器特征提取层的前后加入了注意力机制,公式如下:式中,Q表示当前Query的矩阵,K表示Key的矩阵,V表示Value的矩阵,其中Q=K=V,Q取值为数据的概率分布矩阵。4.根据权利要求1所述的一种面向自动驾驶测试的背景车辆紧急变道轨迹生成方法,
其特征在于,损失函数设计设计时,对于生成器:生成器在预训练过程中使用的损失函数采用交叉熵损失函数;生成器在对抗训练过程中使用的是策略梯度中的损失函数,策略梯度中的损失函数为对数损失乘以奖励值,表达式如下:其中,表示对θ的梯度算子,J(θ)表示生成器的奖励值,N表示一条紧急变道轨迹数据的序列长度,表示生成的第i条紧...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。