【技术实现步骤摘要】
本专利技术涉及智能驾驶汽车，尤其是涉及加速测试智能汽车安全测试技术。
技术介绍
1、智能驾驶汽车的大规模部署将显著改善道路安全和能源消耗。由于交通场景是复杂且长尾的，使得智能驾驶汽车面临着不确定性的挑战。根据美国国家公路交通安全管理局(nhtsa)在2020年提交的智能驾驶事故报告表明未来每年还将发生数千起涉及2级自动驾驶汽车的车祸放生。目前自然驾驶测试是公认的测试方法，但是关键场景的低暴露率将大幅度增加测试时长和测试费用。因此，一种高效且多样化的测试场景生成方法被迫切需要。
2、现有的智能驾驶测试方法主要分为三类：基于场景分析的测试方法，基于数据驱动的测试方法以及基于生成式模型的测试方法。首先，基于场景分析的测试方法确定关键测试场景的类型依赖于专家经验，这对于黑盒的智能算法以往的经验未必总是有效的。其次，基于数据驱动的测试方法面临着测试覆盖度的挑战，因为复现的场景是观测场景的子集或者邻域场景，且依赖于观测数据集的容量和丰富度。最后，现有的生成式模型的测试方法由于高维的环境状态导致探索空间庞大，导致探索效率低下。此外，基于单...
【技术保护点】
1.一种基于多目标强化学习的智能驾驶汽车加速测试方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多目标强化学习的智能驾驶汽车加速测试方法，其特征在于，所述车辆状态预测模型采用三自由度车辆模型表达车辆动力学特性，模型的输入为车辆的横、纵向车速以及方向盘转角；状态量为车辆的横、纵向速度和航向角变化率，公式如下：
3.根据权利要求2所述的一种基于多目标强化学习的智能驾驶汽车加速测试方法，其特征在于，在车辆状态预测模型中引入了非线性轮胎模型以考虑车辆的非线性特性，计算公式如下所示：
4.根据权利要求3所述的一种基于多目标强...
【技术特征摘要】
1.一种基于多目标强化学习的智能驾驶汽车加速测试方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多目标强化学习的智能驾驶汽车加速测试方法，其特征在于，所述车辆状态预测模型采用三自由度车辆模型表达车辆动力学特性，模型的输入为车辆的横、纵向车速以及方向盘转角；状态量为车辆的横、纵向速度和航向角变化率，公式如下：
3.根据权利要求2所述的一种基于多目标强化学习的智能驾驶汽车加速测试方法，其特征在于，在车辆状态预测模型中引入了非线性轮胎模型以考虑车辆的非线性特性，计算公式如下所示：
4.根据权利要求3所述的一种基于多目标强化学习的智能驾驶汽车加速测试方法，其特征在于，为获得车辆下一时间步长可能到达的区域，采用三阶三段龙格-库塔公式对车辆状态预测模型进行离散化得到系统离散化模型，并进行预测下一时刻的车辆状态，其中，定义系统离散化模型的输入矩阵u＝[fyf fyr fxf fxr δf]，状态矩阵则递推预测过程计算公式如下：
5.根据权利要求1所述的一种基于多目标强化学习的智能驾驶汽车加速测试方法，其特征在于，通过判断轮胎状态是否到达附着极限来选择车辆边界状态，定义如下的危险边界...
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。