一种全域加速优化搜索的高风险驾驶场景辨识方法技术

本发明专利技术公开了一种全域加速优化搜索的高风险驾驶场景辨识方法，包括：

【技术实现步骤摘要】
一种全域加速优化搜索的高风险驾驶场景辨识方法


[0001]本专利技术涉及汽车安全驾驶的
，特别涉及一种全域加速优化搜索的高风险驾驶场景辨识方法
。

技术介绍

[0002]自动驾驶汽车能够通过执行繁琐的
、
与驾驶有关的任务来大大减轻驾驶员的负担
。
自动驾驶汽车需要能够在各种交通流量
、
道路环境和天气条件下安全运行
。
否则，可能会发生由自动驾驶汽车带来的事故或碰撞等风险
。
鉴于此，必须对
AVs
进行彻底评估，以确保其驾驶能力，然后才能在公共道路上运行
。
[0003]目前，仅有少量配备低等级
(L0
‑
L2)
辅助驾驶功能的汽车可在真实公开道路上行驶
。
出于对安全性的考量，若一款配有高等级自动驾驶功能
(L3
‑
L5)
的汽车要上路行驶，至少需要完成里程数以亿计的测试和验证
。
单是对初版的自动驾驶原型车进行测试验证就需要花费数年时间，更不必说，自动驾驶汽车向高等级的演进过程中还需要不断迭代更新，而每次迭代又需要完成相同的巨量测试
。
耗时耗力的低效测试技术极度延缓了自动驾驶的大规模落地应用
。
[0004]目前，为了加速自动驾驶测试，基于场景的测试备受关注
。
然而，基于场景的测试同样面临海量的驾驶场景，并且大多数场景都很普通，没有安全威胁
。
因此，当只挑选出高风险场景进行测试时，所需时间可以大大减少
。
然而，目前的高风险驾驶场景辨识方法还存在效率低
、
覆盖率不高等缺陷
。

技术实现思路

[0005]针对现有技术中存在的不足之处，本专利技术的目的是提供一种全域加速优化搜索的高风险驾驶场景辨识方法，能够对全域驾驶场景进行搜索，保证了高覆盖，同时加速了高风险场景的辨识，提高了效率，推动了基于场景的自动驾驶测试
。
为了实现根据本专利技术的上述目的和其他优点，提供了一种全域加速优化搜索的高风险驾驶场景辨识方法，包括：
[0006]S1、
通过切分模块将全域驾驶场景切分成若干个场景群；
[0007]S2、
通过辨识模块建立优化问题，并对各场景群进行数据收集，计算得到各场景群的风险程度，并根据风险程度值辨识出其中的风险场景群；
[0008]S3、
通过探索模块将在风险场景群中确定一个探索方向，并沿着探索方向将风险场景群切分成若干个场景子群，并找出其中的高风险场景，再判断是否找到足够的高风险场景；当判断找到足够的高风险场景，停止高风险场景辨识，当判断未找到足够的高风险场景，则返回步骤
S2。
[0009]优选的，步骤
S1
还包括以下步骤：
[0010]S11、
通过切分模块将全域驾驶场景离散成一个由单个驾驶场景组成的场景集合；
[0011]S12、
将离散后的场景集合进行归一化处理；
[0012]S13、
将处理后的场景集合进行切分，形成若干个等大小的场景群
。
[0013]优选的，全域驾驶场景离散具体为：
[0014][0015]其中，为全域场景的初始状态集合；当
i∈[0
，
n]时，
X
i
为一个静态场景要素；当
i∈[n+1
，
n+m]，
X
i
为一个动态场景要素；为
X
i
的定义域；
[0016]被离散为：
[0017][0018]其中，
α
i
为代表离散化分辨率的常数；
X
i
，
max
为
X
i
的最大值；
X
i
，
min
为
X
i
的最小值
。
[0019]优选的，场景集合归一化具体为：
[0020][0021]其中，为归一化的全域场景集合；为归一化的全域场景初始状态集合，具体为：
[0022][0023]其中，为一个归一化的场景初始状态；为一个归一化的场景要素；为一个场景的归一化定义域；
g
为和之间的归一化映射，映射是一对一的，具体为：
[0024][0025]优选的，场景集合切分具体为：
[0026][0027]其中，为一个场景群；
k
max
为场景群的数量，定义为：
[0028][0029]其中，是场景群的归一化初始状态集合，具体为：
[0030][0031]其中，为归一化场景群中的一个归一化初始状态；
p
为一个选中的要素的索引；第
p
个场景要素的定义域被切分成了
k
max
份，为第
p
个场景要素的定义域切成的第
k
个切片，具体为：
[0032][0033]其中，为第
p
个归一化的场景要素
。
[0034]优选的，步骤
S2
中优化问题为搜索候选高风险场景，候选高风险场景具有最高风
险程度的场景，搜索是在未测试过的场景中进行的，优化问题具体为：
[0035][0036][0037]其中，为一个还未被测试过的场景的初始状态；为还未被测试过的场景的初始状态集合
。
[0038]优选的，数据收集具体为：
[0039][0040]其中，
S
(k)
为从场景群中采样的一个场景；为未采样过的场景群的索引集合，具体为：
[0041][0042]其中，为所有场景群的索引集合；为被采样过的场景群的索引集合；
[0043]为
S
(k)
的初始状态，具体为：
[0044][0045]其中，为第
i
个要素
X
i
的值取作被计算为：
[0046][0047]其中，
g
‑1为归一化映射的反函数；为第
i
个归一化要素的取值，具体为：
[0048][0049]其中，为场景群的第
i
个归一化要素的定义域；为的中位数值
。
[0050]优选的，场景群风险程度被两个指标量化，包括近似风险程度和预期风险程度，近似风险程度衡量一个场景群的风险程度，通过使用收集的数据来计算，具体为：
[0051][0052]其中，为场景群的近似风险程度，
C(S
(k)
)
为中被采样的
S
(k)
的风险程度；
...

【技术保护点】

【技术特征摘要】
1.
一种全域加速优化搜索的高风险驾驶场景辨识方法，其特征在于，包括以下步骤：
S1、
通过切分模块将全域驾驶场景切分成若干个场景群；
S2、
通过辨识模块建立优化问题，并对各场景群进行数据收集，计算得到各场景群的风险程度，并根据风险程度值辨识出其中的风险场景群；
S3、
通过探索模块将在风险场景群中确定一个探索方向，并沿着探索方向将风险场景群切分成若干个场景子群，并找出其中的高风险场景，再判断是否找到足够的高风险场景；当判断找到足够的高风险场景，停止高风险场景辨识，当判断未找到足够的高风险场景，则返回步骤
S2。2.
如权利要求1所述的一种全域加速优化搜索的高风险驾驶场景辨识方法，其特征在于，步骤
S1
还包括以下步骤：
S11、
通过切分模块将全域驾驶场景离散成一个由单个驾驶场景组成的场景集合；
S12、
将离散后的场景集合进行归一化处理；
S13、
将处理后的场景集合进行切分，形成若干个等大小的场景群
。3.
如权利要求2所述的一种全域加速优化搜索的高风险驾驶场景辨识方法，其特征在于，全域驾驶场景离散具体为：其中，为全域场景的初始状态集合；当
i∈[0
，
n]
时，
X
i
为一个静态场景要素；当
i∈[n+1
，
n+m]
，
X
i
为一个动态场景要素；为
X
i
的定义域；被离散为：其中，
α
i
为代表离散化分辨率的常数；
X
i
，
max
为
X
i
的最大值；
X
i
，
min
为
X
i
的最小值
。4.
如权利要求3所述的一种全域加速优化搜索的高风险驾驶场景辨识方法，其特征在于，场景集合归一化具体为：其中，为归一化的全域场景集合；为归一化的全域场景初始状态集合，具体为：其中，为一个归一化的场景初始状态；为一个归一化的场景要素；为一个场景的归一化定义域；
g
为和之间的归一化映射，映射是一对一的，具体为：
5.
如权利要求4所述的一种全域加速优化搜索的高风险驾驶场景辨识方法，其特征在于，场景集合切分具体为：
其中，为一个场景群；
k
max
为场景群的数量，定义为：其中，是场景群的归一化初始状态集合，具体为：其中，为归一化场景群中的一个归一化初始状态；
p
为一个选中的要素的索引；第
p
个场景要素的定义域被切分成了
k
max
份，为第
p
个场景要素的定义域切成的第
k
个切片，具体为：其中，为第
p
个归一化的场景要素

【专利技术属性】
技术研发人员：胡笳，徐恬，赖金涛，严学润，王观，熊璐，
申请(专利权)人：同济大学，
类型：发明
国别省市：