公开/公告号CN113158560A
专利类型发明专利
公开/公告日2021-07-23
原文格式PDF
申请/专利权人 中国科学院合肥物质科学研究院;
申请/专利号CN202110382823.5
申请日2021-04-09
分类号G06F30/27(20200101);G06F30/15(20200101);G06N3/12(20060101);G06F111/04(20200101);
代理机构34115 合肥天明专利事务所(普通合伙);
代理人娄岳
地址 230031 安徽省合肥市蜀山湖路350号
入库时间 2023-06-19 11:57:35
技术领域
本发明涉及智能驾驶车辆测试评价技术领域,特别涉及一种基于场景对抗的智能驾驶车辆自主能力测试方法。
背景技术
为了充分验证智能驾驶车辆的自主能力,需要行驶足够多的测试里程数进行评估。Nidhi和Susan运用统计学方法表明智能驾驶汽车须测试行驶数亿英里甚至数千亿英里才足以证明智能驾驶汽车的安全性,基于当前常用的实车测试方法需要数十年甚至上百年的时间来完成这些测试里程。而仿真测试能够极大的节省实车测试所带来的人力、物力与财力上的消耗,同时具有场景配置灵活、测试效率高、测试重复性强等优点,因此,仿真测试已经成为当前用来加速智能驾驶车辆自主能力的验证与评估的重要手段。在上亿公里的仿真测试中,通过制定极端特定场景案例不但可以提高算法的鲁棒性,还可以减少研发成本。具有挑战性的测试场景更易测出智能驾驶车辆的性能边界。而不同复杂程度的挑战性场景可以很好的量化定义智能驾驶车辆的自主性能边界。挑战性场景的加速生成是有效评估智能驾驶车辆自主性能边界的重要手段。
现有技术的不足之处在于,目前大部分挑战性场景的生成方案是基于已有的场景库或大量的场景数据的基础上。因此挑战性测试场景的生成方式需要大量的样本空间,以及可能面临着大量计算的困扰,存在场景覆盖性不全,测试成本消耗巨大等问题。
发明内容
本发明的目的克服现有技术存在的不足,为实现以上目的,采用一种基于场景对抗的智能驾驶车辆自主能力测试方法,以解决上述背景技术中提出的问题。
一种基于场景对抗的智能驾驶车辆自主能力测试方法,具体步骤包括:
建立基于对抗性测试的参数化仿真测试场景及单目标的优化模型;
获取待测智能驾驶车辆系统的仿真测试场景数据,并输入建立的自主能力量化的评估模型,得到待测智能驾驶车辆系统的性能边界和评估结果;
根据评估结果判断当前仿真测试场景是否是期望的仿真测试场景;
根据期望阈值重新调整仿真测试场景参数,形成下一次的仿真测试场景,直至最接近期望阈值,利用进化搜索策略对得到期望的优化模型求解。
作为本发明的进一步的方案:所述参数化仿真测试场景的具体步骤包括:
根据仿真测试场景所需要的测试要求,获取仿真测试场景中环境参数进行参数化;
所述环境参数包括对象的类型、空间位置信息、航向信息、体积大小、速度、加速度、轨迹、材质、太阳能量、光源位置,以及气候类型。
作为本发明的进一步的方案:所述建立单目标的优化模型的具体步骤包括:
将基于对抗性测试的参数化后的仿真测试场景转化为单目标多维搜索空间下的优化问题,建立优化模型,数学模型为:
其中,X=(r
作为本发明的进一步的方案:所述获取待测智能驾驶车辆系统的仿真测试场景数据,并输入建立的自主能力量化的评估模型,得到待测智能驾驶车辆系统的性能边界和评估结果的具体步骤包括:
获取待测智能驾驶车辆系统的参数化后的仿真测试场景数据;
建立自主能力量化的评估模型,模型公式如下:
其中,
将参数化后的仿真测试场景数据输入评估模型,得到对应的评估结果。
作为本发明的进一步的方案:所述安全性评价指标确定的具体步骤包括:
将时间序列化作为安全性评估指标;
根据运动物体在智能驾驶车辆周围形成动能场的场强;以及
根据静止物体在智能驾驶车辆周围形成势能场的场强,得到对智能驾驶车辆的风险系数,具体公式如下:
DRP
其中,DRP
作为本发明的进一步的方案:所述舒适性评价指标确定的具体步骤包括:
根据智能驾驶车辆的加速度a的变化率确定舒适性评价指标,具体公式如下:
其中,f(t)表示仿真测试场景输出的加速度与时间的关系函数,Δt为计算加速度的变化率时对测试时长T无限等分后的时间长度。
作为本发明的进一步的方案:所述敏捷性评价指标确定的具体步骤包括:
根据仿真测试场景的完成时间与全程智能驾驶车辆的平均速度作为敏捷性评价指标,具体公式如下:
其中,v(t)≤v
作为本发明的进一步的方案:所述智能性评价指标确定的具体步骤包括:
根据智能驾驶车辆规避风险能力作为智能性评价指标,具体公式如下:
其中,DRP
作为本发明的进一步的方案:所述利用进化搜索策略对得到期望的优化模型求解的具体步骤包括:
根据进化搜索策略的遗传算法进行对抗测试的优化模型求解;
将仿真测试场景数据集合的环境参数X=(r
根据环境参数r期望的精度值p
其中,p
根据基因数l
根据优化模型d(X)确定适应度为c(X)=1/d(X);
再根据选择概率
利用交叉概率和变异概率进行下个个体的基因序列相互交叉和基因变异;
进行迭代,最后输出适应度最高的解。
与现有技术相比,本发明存在以下技术效果:
通过采用上述的技术方案,建立智能驾驶车辆对抗性测试场景生成框架,根据提供的不同仿真测试场景数据,从而逼近最具有挑战性场景,得到最易测出待测智能驾驶车辆的性能边界,并生成转化为优化搜索问题,建立基于对抗测试的单木目标优化模型,且以启发式搜索算法作为搜索策略。实现初始化简单场景快速向具有挑战性场景的演变,从而减少了对场景库的依赖,减少仿真实验次数,提升了仿真测试效率。
附图说明
下面结合附图,对本发明的具体实施方式进行详细描述:
图1为本申请公开的一些实施例的智能驾驶车辆自主能力测试方法的步骤示意图;
图2为本申请公开的一些实施例的仿真对抗测试整体设计框架的示意图;
图3为本申请公开的一些实施例的行车风险场场强与复杂仿真场景对比图;
图4为本申请公开的一些实施例的遗传算法实现对抗测试优化模型流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,本发明实施例中,一种基于场景对抗的智能驾驶车辆自主能力测试方法,具体步骤包括:
S1、建立基于对抗性测试的参数化仿真测试场景及单目标的优化模型;
如图2所示,建立智能驾驶车辆对抗性测试场景生成框架,使得待测智能驾驶车辆系统与仿真测试系统进行交互。
仿真测试系统可以根据待测智能驾驶车辆系统的不同,提供相应所需的仿真测试场景数据,待测智能驾驶车辆系统反馈处理结果给仿真测试系统。
待测智能驾驶车辆系统在不同的测试场景下测试会得到不同的测试结果。同时对不同的测试结果,利用建立的自主能力量化的评估模型进行评估,获得待测智能驾驶车辆系统的自主能力程度的高低。
智能驾驶车辆系统测试的目的是为了得到待测智能驾驶车辆系统的性能边界,并且能够快速的发现问题并指出问题,从而对智能驾驶车辆系统的能力改善提出针对性的指导意见。
为了得到最易测出的智能驾驶车辆系统的性能边界,可通过确定最优环境参数生成对应的具有挑战性的测试场景。
在一些具体的实施例中,所述参数化仿真测试场景的具体步骤包括:
首先根据仿真测试场景所需要的测试要求,获取仿真测试场景中环境参数,进行结构化和参数化数据;
所述环境参数包括对象的类型objectTypeName
具体对应的环境参数数据化如下表所示:
在一些具体的实施例中,所述建立单目标的优化模型的具体步骤包括:
将基于对抗性测试的参数化后的仿真测试场景转化为单目标多维搜索空间下的优化问题,建立优化模型,数学模型为:
其中,X=(r
具体的,目标函数为d(X)值无限逼近零,同时约束条件为测试结果R(M,X)有值且满足正常输出,即智能驾驶车辆在阈值时间内到达目标点位置附近。同时保证
S2、获取待测智能驾驶车辆系统的仿真测试场景数据,并输入建立的自主能力量化的评估模型,得到待测智能驾驶车辆系统的性能边界和评估结果;
具体步骤包括:
获取待测智能驾驶车辆系统的参数化后的仿真测试场景数据;
建立自主能力量化的评估模型,模型公式如下:
其中,
将参数化后的仿真测试场景数据输入评估模型,得到对应的评估结果。
在一些具体的实施例中,所述安全性评价指标确定的具体步骤包括:
如图3所示,为了确定智能驾驶车辆行驶过程中,各种要素对安全性造成的风险度。建立行车风险场模型,利用场景中障碍物对它车各类风险累计形成场的对应关系。同时通过行车风险场的场强分布图,可以非常直观的判断出各个位置行车危险程度的大小。将时间序列化作为安全性评估指标。
具体的,行车风险场模型由运动物体形成的动能场、静止物体形成的势能场两部分组成。
根据运动物体在智能驾驶车辆周围形成动能场的场强;以及
根据静止物体在智能驾驶车辆周围形成势能场的场强,得到对智能驾驶车辆的风险系数,具体公式如下:
DRP
以对随时间递进而变化的DRP(t)函数求数值积分再除以时间来表示这一过程的安全系性评价指标。
其中,DRP
具体的,(x
在一些具体的实施例中,所述舒适性评价指标确定的具体步骤包括:
测试结果有每一时刻智能驾驶车辆的横向加速度a
根据智能驾驶车辆的加速度a的变化率确定舒适性评价指标,具体公式如下:
其中,f(t)表示仿真测试场景输出的加速度与时间的关系函数,Δt为计算加速度的变化率时对测试时长T无限等分后的时间长度。函数公式平方是将函数的细节表现放大化。
在一些具体的实施例中,所述敏捷性评价指标确定的具体步骤包括:
根据仿真测试场景的完成时间与全程智能驾驶车辆的平均速度作为敏捷性评价指标,具体公式如下:
其中,v(t)≤v
在一些具体的实施例中,所述智能性评价指标确定的具体步骤包括:
智能驾驶车辆能够提前规避和预防交通事故发生,则说明智能驾驶车辆更具有智能性。当智能驾驶车辆所处位置在场景对应行车风险场中DRP
根据智能驾驶车辆规避风险能力作为智能性评价指标,具体公式如下:
其中,DRP
具体处罚系数对应违反交通行为如下表所示:
S3、根据评估结果判断当前仿真测试场景是否是期望的仿真测试场景;
S4、根据期望阈值重新调整仿真测试场景参数,形成下一次的仿真测试场景,直至最接近期望阈值,利用进化搜索策略对得到期望的优化模型求解。
在一些具体的实施例中,所述利用进化搜索策略对得到期望的优化模型求解的具体步骤包括:
如图4所示,图示为遗传算法实现对抗测试优化模型流程。
根据进化搜索策略的遗传算法进行对抗测试的优化模型求解;
将仿真测试场景数据集合的环境参数X=(r
根据环境参数r期望的精度值p
其中,p
根据基因数l
根据优化模型d(X)确定适应度为c(X)=1/d(X),适应度函数反应了个体对环境的适应能力,d(X)的值越小代表适应能力越强;
再根据选择概率
利用设定的交叉概率τ∈(0,1)和变异概率
进行迭代,最后输出适应度最高的解。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定,均应包含在本发明的保护范围之内。
机译: 一种学习方法和学习设备,它与V2V通信获取的其他自主车辆的空间检测结果与其自己的自主车辆的空间检测结果集成,以及使用此{学习方法和学习设备进行集成对象的测试方法和测试设备 通过来自其他自主车辆的V2V通信获取的检测信息,其具有目前自主车辆生成的对象检测信息,以及使用相同的测试方法和测试设备}
机译: 一种学习方法和学习设备,其旨在通过基于设备独立预测切换自主车辆的模式,以及使用此方法的测试方法和测试设备来实现自主驾驶安全性。
机译: 基于语义对抗的基于函数测试方法在自主驾驶中