[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN116753938A - 车辆测试场景生成方法、装置、存储介质及设备 - Google Patents

车辆测试场景生成方法、装置、存储介质及设备 Download PDF

Info

Publication number
CN116753938A
CN116753938A CN202310698303.4A CN202310698303A CN116753938A CN 116753938 A CN116753938 A CN 116753938A CN 202310698303 A CN202310698303 A CN 202310698303A CN 116753938 A CN116753938 A CN 116753938A
Authority
CN
China
Prior art keywords
vehicle
scene
risk
dangerous
environment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310698303.4A
Other languages
English (en)
Inventor
李玉峰
秦武韬
王鹏
张浪
王振凯
李娜
王亚军
陶士昌
沈毅
贾宏颖
孔繁亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Network Communication and Security Zijinshan Laboratory
Original Assignee
Network Communication and Security Zijinshan Laboratory
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Network Communication and Security Zijinshan Laboratory filed Critical Network Communication and Security Zijinshan Laboratory
Priority to CN202310698303.4A priority Critical patent/CN116753938A/zh
Publication of CN116753938A publication Critical patent/CN116753938A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3815—Road data
    • G01C21/3822—Road feature data, e.g. slope data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车辆测试场景生成方法、装置、存储介质及设备。该方法包括：获取自动驾驶车辆的多个场景要素，其中，上述多个场景要素的类型包括车辆要素，路侧要素和云端要素；在上述多个场景要素中存在风险要素的情况下，将上述自动驾驶车辆的驾驶环境划分为风险环境和一般环境；确定上述风险环境对应的详测场景集，以及确定上述一般环境对应的普测场景集；基于上述详测场景集和上述普测场景集，生成上述自动驾驶车辆的目标测试场景集。本发明解决了现有的车辆测试场景生成方法缺少车路协同要素，且测试要素数量庞大，测试效率较低的技术问题。

Description

车辆测试场景生成方法、装置、存储介质及设备
技术领域
本发明涉及自动驾驶安全测试技术领域，具体而言，涉及一种车辆测试场景生成方法、装置、存储介质及设备。
背景技术
随着自动驾驶技术的深入发展，部分自动驾驶产品已在特定场景和条件下投入了商业使用。车辆测试场景的构建是进行自动驾驶测试的重要基础，也是决定自动驾驶测试是否充分的关键因素，但受到计算能力、空间位置、传感器水平、气候条件等因素的制约，高级别自动驾驶所遇到的“长尾效应”问题不断涌现，许多边缘场景下的自动驾驶仍十分困难。
目前的自动驾驶的测试场景仍以“孤车智能”下的车为测试对象，考虑因素仍局限于单车的传感器、执行机构、道路环境等，没有充分考虑到云端状态、路侧状态等外在场景要素的影响，但随着场景要素的增加，需测试的场景数量随之呈指数式的增长，即使采用仿真测试的方法，测试工作量和测试的耗时也是难以估量的，无法满足车路协同下高效测试智能汽车自动驾驶的需求。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种车辆测试场景生成方法、装置、存储介质及设备，以至少解决现有的车辆测试场景生成方法缺少车路协同要素，且测试要素数量庞大，测试效率较低的技术问题。
根据本发明实施例的一个方面，提供了一种车辆测试场景生成方法，包括：获取自动驾驶车辆的多个场景要素，其中，上述多个场景要素的类型包括车辆要素，路侧要素和云端要素；在上述多个场景要素中存在风险要素的情况下，将上述自动驾驶车辆的驾驶环境划分为风险环境和一般环境；确定上述风险环境对应的详测场景集，以及确定上述一般环境对应的普测场景集；基于上述详测场景集和上述普测场景集，生成上述自动驾驶车辆的目标测试场景集。
可选的，上述获取自动驾驶车辆的多个场景要素，包括：确定车辆测试场景的多个场景要素层级；分别对上述多个场景要素层级进行二级分层细化或者多级分层细化，得到上述多个场景要素层级分别对应的细化场景要素，并将上述多个场景要素层级分别对应的细化场景要素作为上述自动驾驶车辆的多个场景要素。
可选的，上述基于上述风险要素，将上述自动驾驶车辆的驾驶环境划分为风险环境和一般环境，包括：枚举出与上述风险要素相似的相似风险要素；确定包括上述风险要素或者上述相似风险要素的驾驶环境为上述风险环境，以及不包括上述风险要素和上述相似风险要素的驾驶环境为上述一般环境。
可选的，上述确定上述风险环境对应的详测场景集，以及确定上述一般环境对应的普测场景集，包括：基于第一颗粒度，确定上述风险环境对应的详测场景集，以及基于第二颗粒度，确定上述一般环境对应的普测场景集，其中，上述第一颗粒度小于上述第二颗粒度。
可选的，上述确定上述一般环境对应的普测场景集，包括：确定上述自动驾驶车辆在当前时刻的危险背景车辆，其中，上述自动驾驶车辆的背景车辆包括普通背景车辆和上述危险背景车辆，上述危险背景车辆为发生碰撞概率最大的背景车辆；获取上述危险背景车辆在上述当前时刻的初始状态；基于上述危险背景车辆在上述当前时刻的初始状态对应的自然-风险对抗混合分布，对上述危险背景车辆进行机动采样，得到上述危险背景车辆在上述当前时刻的下一时刻的机动状态，其中，基于上述自然-风险对抗混合分布进行机动采样时发生碰撞的概率大于基于自然状态下机动分布进行机动采样时发生碰撞的概率；基于上述自然状态下机动分布，对上述普通背景车辆进行机动采样，得到上述普通背景车辆在上述当前时刻的下一时刻的机动状态；基于上述危险背景车辆在上述当前时刻的下一时刻的机动状态和上述普通背景车辆在上述当前时刻的下一时刻的机动状态，确定上述一般环境对应的普测场景集。
可选的，上述基于上述危险背景车辆在上述当前时刻的下一时刻的机动状态和上述普通背景车辆在上述当前时刻的下一时刻的机动状态，确定上述一般环境对应的普测场景集，包括：重复得到上述危险背景车辆和上述普通背景车辆分别在预定时长内多个时刻的机动状态，基于上述预定时长内多个时刻的机动状态确定上述一般环境对应的普测场景；重复上述预定时长多次，得到上述一般环境对应的普测场景集。
可选的，在基于上述危险背景车辆在上述当前时刻的初始状态对应的自然-风险对抗混合分布，对上述危险背景车辆进行机动采样，得到上述危险背景车辆在上述当前时刻的下一时刻的机动状态之前，上述方法还包括：获取上述危险背景车辆在上述当前时刻的初始状态下的自然状态下碰撞概率分布；获取车辆的自然状态下机动分布；基于上述自然状态下碰撞概率分布和上述自然状态下机动分布，确定上述危险背景车辆在上述当前时刻的初始状态对应的自然-风险对抗混合分布。
可选的，上述获取上述危险背景车辆在上述当前时刻的初始状态下的自然状态下碰撞概率分布，包括：获取上述危险背景车辆在上述当前时刻的初始状态下的机动-碰撞概率分布；基于上述机动-碰撞概率分布和上述自然状态下机动分布，确定上述自然状态下碰撞概率分布。
可选的，上述获取上述危险背景车辆在上述当前时刻的初始状态下的机动-碰撞概率分布，包括：将上述危险背景车辆在上述当前时刻的初始状态输入对抗驾驶智能体模型，得到上述危险背景车辆在上述当前时刻的初始状态下的机动-碰撞概率分布，其中，上述对抗驾驶智能体模型基于样本被测车辆与样本背景车辆之间的碰撞训练得到。
可选的，上述基于上述自然状态下碰撞概率分布和上述自然状态下机动分布，确定上述危险背景车辆在上述当前时刻的初始状态对应的自然-风险对抗混合分布，包括：将上述自然状态下碰撞概率分布和上述自然状态下机动分布按照预定比例混合的方式，获得上述危险背景车辆在上述当前时刻的初始状态对应的自然-风险对抗混合分布。
可选的，上述确定上述自动驾驶车辆在当前时刻的危险背景车辆，包括：在上述自动驾驶车辆的背景车辆为多个的情况下，分别获取多个背景车辆分别在上述当前时刻对应的自然状态下碰撞概率分布；对上述多个背景车辆分别在上述当前时刻对应的自然状态下碰撞概率分布中各种机动状态下的概率进行求和，得到求和概率；确定上述多个背景车辆中求和概率最大的背景车辆为上述危险背景车辆。
可选的，上述基于上述详测场景集和上述普测场景集，生成上述自动驾驶车辆的目标测试场景集，包括：对上述详测场景集中的多个详测场景进行第一去冗余处理，得到第一去冗余处理后的详测场景集；对上述普测场景集中的多个普测场景进行第二去冗余处理，得到第二去冗余处理后的普测场景集；基于上述第一去冗余处理后的详测场景集和上述第二去冗余处理后的普测场景集，得到上述自动驾驶车辆的上述目标测试场景集。
可选的，上述第一去冗余处理和上述第二去冗余处理，包括：确定多个场景中的等价场景，通过合并上述等价场景的方式去除冗余场景；确定多个场景中存在隶属关系的隶属场景中的子场景，通过去除上述子场景的方式去除冗余场景。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，上述非易失性存储介质存储有多条指令，上述指令适于由处理器加载并执行任意一项上述的车辆测试场景生成方法。
根据本发明实施例的另一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为运行上述计算机程序以执行任意一项上述的车辆测试场景生成方法。
在本发明实施例中，通过获取自动驾驶车辆的多个场景要素，其中，上述多个场景要素的类型包括车辆要素，路侧要素和云端要素；在上述多个场景要素中存在风险要素的情况下，将上述自动驾驶车辆的驾驶环境划分为风险环境和一般环境；确定上述风险环境对应的详测场景集，以及确定上述一般环境对应的普测场景集；基于上述详测场景集和上述普测场景集，生成上述自动驾驶车辆的目标测试场景集，达到了将众多驾驶环境分为风险环境和一般环境，并分别在两种类型环境下进行场景合并，确定详测场景集和普测场景集的目的，从而实现了在考虑路侧要素和云端要素的同时，减少冗余场景的测试，满足车路协同下高效测试智能汽车自动驾驶的需求的技术效果，进而解决了现有的车辆测试场景生成方法缺少车路协同要素，且测试要素数量庞大，测试效率较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的车辆测试场景生成方法流程图；
图2是根据本发明实施例的一种可选的风险环境下基于安全认知的详测场景生成流程示意图；
图3是根据本发明实施例的一种可选的自动驾驶车辆行驶情况的分类示意图；
图4是根据本发明实施例的一种可选的纵向机动状态区间划分示意图；
图5是根据本发明实施例的一种可选的普测场景生成流程示意图；
图6是根据本发明实施例的一种可选的自然-风险对抗混合分布生成示意图；
图7是根据本发明实施例的一种可选的自然状态下碰撞概率分布生成示意图；
图8是根据本发明实施例的一种可选的等价场景示意图；
图9是根据本发明实施例的一种可选的隶属场景示意图；
图10是根据本发明实施例的一种车辆测试场景生成装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种车辆测试场景生成方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的车辆测试场景生成方法流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取自动驾驶车辆的多个场景要素，其中，上述多个场景要素的类型包括车辆要素，路侧要素和云端要素；
步骤S104，在上述多个场景要素中存在风险要素的情况下，将上述自动驾驶车辆的驾驶环境划分为风险环境和一般环境；
步骤S106，确定上述风险环境对应的详测场景集，以及确定上述一般环境对应的普测场景集；
步骤S108，基于上述详测场景集和上述普测场景集，生成上述自动驾驶车辆的目标测试场景集。
在本发明实施例中，上述步骤S102至S108中提供的车辆测试场景生成方法的执行主体为车辆测试场景生成系统，采用上述系统获取自动驾驶车辆的多个场景要素，其中，上述多个场景要素的类型包括车辆要素，路侧要素和云端要素；在上述多个场景要素中存在风险要素的情况下，将上述自动驾驶车辆的驾驶环境划分为风险环境和一般环境；确定上述风险环境对应的详测场景集，以及确定上述一般环境对应的普测场景集；基于上述详测场景集和上述普测场景集，生成上述自动驾驶车辆的目标测试场景集。
作为一种可选的实施例，可以通过多种途径获取自动驾驶车辆在驾驶过程中产生或采集到的车路协同数据，上述车路协同数据可以大致划分为测试车辆的车辆自身要素、静态环境要素、动态环境要素、交通参与者要素、气象要素、路侧要素、云端要素和智能网联要素等，并对这些要素进行二级分层细化确定场景要素，可以通过研究、提取、分类、归纳等方式进行处理后，确定车路协同数据对应的各种实际驾驶环境特征中的场景要素，并根据这些场景要素进行排列组合生成驾驶场景，生成的驾驶场景可以覆盖所有自动驾驶车辆可能遇到的安全场景，即驾驶场景集；并通过汽车预期功能安全(Safety Of The IntendedFunct ional ity,SOTIF)认知技术分析得到的风险数据，通过判断驾驶场景中是否存在风险数据将驾驶场景集进一步划分为风险环境和一般环境，并分别根据风险环境和一般环境中的场景要素的维数进行拓展或训练，确定详测场景集和普测场景集，最后将详测场景集和普测场景集进行合并生成上述目标测试场景集。
通过本申请实施例，补充了现有智能网联汽车测试场景中缺失的路侧要素和云端要素，但因新增了路侧要素和云端要素，使得测试场景的数量变得巨大，因此，还针对测试量随要素维数呈指数增加的问题提出了普测场景集与详测场景集相结合的高效场景生成方法，可以在保证测试准确性的同时显著提升测试效率。
在一种可选的实施例中，上述获取自动驾驶车辆的多个场景要素，包括：确定车辆测试场景的多个场景要素层级；分别对上述多个场景要素层级进行二级分层细化或者多级分层细化，得到上述多个场景要素层级分别对应的细化场景要素，并将上述多个场景要素层级分别对应的细化场景要素作为上述自动驾驶车辆的多个场景要素。
作为一种可选的实施例，基于汽车预期功能安全(Safety Of The IntendedFunct ional ity,SOTIF)认知技术对上述车路协同数据分析处理，确定多个上述车路协同数据对应的数据类别，即对上述测试车辆自身要素、静态环境要素、动态环境要素、交通参与者要素、气象要素和智能网联要素等车路协同数据进行二级分层细化，确定多个场景要素，可以包括，分层1：道路要素，如道路等级、车道数量、道路类型、道路材质、道路形状等；分层2：交通设施要素，如路灯、信号灯、限速标志、指示牌、车道线等；分层3：路况改变要素，如施工、道路损毁、积水、积雪等；分层4：交通参与者要素，行人、牲口、客车、货车、军车、警车、电瓶车、摩托车等；分层5：气象环境要素，天气、温度、污染情况、光照情况等；分层6：自车状态要素，胎压、车速、载客情况、载货情况、传感器情况、导航定位情况、车机情况等；分层7：路侧状态要素，路侧计算设备状态、路侧感知设备情况、路侧通信设备情况、车路通信状态等；分层8：云端状态要素，云边通信状态、云车通信状态、云端运行状态等。
在一种可选的实施例中，上述基于上述风险要素，将上述自动驾驶车辆的驾驶环境划分为风险环境和一般环境，包括：枚举出与上述风险要素相似的相似风险要素；确定包括上述风险要素或者上述相似风险要素的驾驶环境为上述风险环境，以及不包括上述风险要素和上述相似风险要素的驾驶环境为上述一般环境。
作为一种可选的实施例，可以对八层场景要素逐层进行穷举(枚举)处理，例如：道路层子要素包括道路等级、车道数量、道路类型、道路材质等。还可以对子要素结果进行数字化穷举进行表示，例如：公路等级包括高速公路(采用“0”表示)，一级公路(采用“1”表示)，二级公路(采用“2”表示)等。并将穷举结果进行排列组合处理，例如：高速公路(0)、雨天(01)、一个交通参与者(001)构成驾驶场景A，高速公路(0)、晴天(02)、两个交通参与者(002)构成驾驶场景B等，可以通过多次穷举、组合等操作得到多个初始驾驶环境；并基于上述汽车预期功能安全认知技术分析初始驾驶场景中导致自动驾驶汽车出现驾驶风险的风险要素，例如：降雪、服务器遭受攻击、传感器性能降低等，并用过判断初始驾驶场景是否存在风险数据将驾驶场景集划分为风险场景集和一般场景集。
可选的，确定风险要素后，还可以对上述风险要素进行枚举处理，确定与上述风险要素相似的相似风险要素，并确定包括上述风险要素或者上述相似风险要素的驾驶环境为上述风险环境，以及不包括上述风险要素和上述相似风险要素的驾驶环境为上述一般环境。
作为一种可选的实施例，如图2所示的风险环境下基于安全认知的详测场景生成流程示意图，以风险数据为降雪要素为例，可以分别调整公路等级、公路形状、气温情况、光照情况等与降雪有相关的影响要素，通过枚举手段获取大量的针对降雪环境的测评场景。以风险数据为服务器遭受攻击为例，可以通过调整自车传感器状态、路侧设备运行状态、通信状态、服务器传递信息状态等与之相关的要素，通过枚举手段获取大量的针对服务器遭受攻击的测评场景。以风险数据为传感器性能降低为例，调整光照、降雨、降雪、车辆运算状态、路侧设备状态、通信状态、服务器状态等与之相关的要素，通过枚举手段获取大量的针对传感器性能降低的测评场景等。在确定多个风险环境后去除等价场景和隶属场景，得到详测场景集。
可选的，枚举处理可以得到相似的车路协同数据，例如：对风险场景中的风险数据“降雪”进行枚举，得到“降雨”、“降冰雹”等相似风险数据，场景中的其他车路协同数据保持不变，然后采用“降雨”、“降冰雹”等替换“降雪”，得到新的风险场景。再例如：保持对风险场景中的风险数据“降雪”不变，对场景中的其他车路协同数据“普通公路”进行枚举，然后采用枚举得到的数据“高速公路”替换“普通公路”，得到新的风险场景。
需要说明的是，将穷举结果进行排列组合处理时，可以从每个上述场景要素中选取至少一个上述车路协同数据，将选取的车路协同数据进行组合得到一个初始驾驶场景。
还需要说明的是，基于第一颗粒度，确定上述风险环境对应的详测场景集，以及基于第二颗粒度，确定上述一般环境对应的普测场景集，其中，上述第一颗粒度小于上述第二颗粒度，因为风险要素是相对于更需要关注的，所以针对风险要素相对于针对非风险要素生成的场景要多一些。
在一种可选的实施例中，上述确定上述一般环境对应的普测场景集，包括：确定上述自动驾驶车辆在当前时刻的危险背景车辆，其中，上述自动驾驶车辆的背景车辆包括普通背景车辆和上述危险背景车辆，上述危险背景车辆为发生碰撞概率最大的背景车辆；获取上述危险背景车辆在上述当前时刻的初始状态；基于上述危险背景车辆在上述当前时刻的初始状态对应的自然-风险对抗混合分布，对上述危险背景车辆进行机动采样，得到上述危险背景车辆在上述当前时刻的下一时刻的机动状态，其中，基于上述自然-风险对抗混合分布进行机动采样时发生碰撞的概率大于基于自然状态下机动分布进行机动采样时发生碰撞的概率；基于上述自然状态下机动分布，对上述普通背景车辆进行机动采样，得到上述普通背景车辆在上述当前时刻的下一时刻的机动状态；基于上述危险背景车辆在上述当前时刻的下一时刻的机动状态和上述普通背景车辆在上述当前时刻的下一时刻的机动状态，确定上述一般环境对应的普测场景集。
作为一种可选的实施例，如图3所示的自动驾驶车辆行驶情况的分类示意图，可以基于自然驾驶数据库，也可以是获取到的场景要素，根据自动驾驶车辆行驶情况将行驶环境信息划分为如下七类：自由驾驶(前方若干米没有车辆)、跟车驾驶、切入驾驶、切出驾驶、无相邻车辆的变道驾驶、有1辆相邻车辆的变道驾驶和有2辆相邻车辆的变道驾驶；并根据自动驾驶车辆的机动能力确定机动数据信息，例如：机动加速度的范围约[-11，7]m/s2，加速度下限可以根据百公里刹停距离35米进行计算，加速度上限可以根据百公里加速4秒进行计算，确定上述自然状态下机动分布，此处数值仅作为举例说明，可根据实际情况进行调整。
需要说明的是，在实际驾驶过程中，急加速急减速等情况一般出现较少，因此采用渐变的方式对机动加速度取值进行离散化，即自然驾驶中出现频率高的加速度区间进行密分，出现频率低的加速度区间进行粗分。
在一种可选的实施例中，上述获取车辆的自然状态下机动分布，包括：采用渐变的方式对机动状态取值进行离散化，得到车辆的上述自然状态下机动分布。
作为一种可选的实施例，如图4所示纵向机动状态区间划分示意图，用预设的离散加速度值a0代表分布于[a0-ε,a0+ε)范围的加速度，即：
其中，ε决定了区间划分的粗细度，其取值可以包括1,0.5和0.2，共划分出了25种纵向机动状态，还包括左变道及右变道两种侧向机动状态，总计可以得到27种自然状态下机动状态，例如：加速度为-10、-8、6、8的情况较少可以进行粗划分，加速度为-6.5至-3.5之间、3.5至4.5之间情况稍多可以进行中划分，加速度为-2.8至2.8之间的情况最多可以进行细划分。上述数值仅用作举例说明，可以根据实际情况进行更改。
作为一种可选的实施例，根据划分的7类行驶环境信息的情况下，根据场景要素中的汽车状态和机动数据信息等信息，基于区间划分的不同粗细度，计算得到的不同自然状态下机动状态，可以称为自然分布；即，上述自然状态下机动状态可以用于表征自然驾驶状态下，自动驾驶车辆各种机动状态出现的概率。
作为一种可选的实施例，如图5所示的普测场景生成流程示意图，在完成自然分布的计算后，还需采用强化学习训练模型进行风险对抗驾驶智能体的训练，以得到可以作为普通背景车辆(BV)和危险背景车辆(DBV)的智能体；在普测场景生成过程中，首先随机生成一个或多个智能体，以及上述智能体对应的初始时刻的初始状态，获取上述危险背景车辆在上述当前时刻的初始状态；基于上述危险背景车辆在上述当前时刻的初始状态对应的自然-风险对抗混合分布，对上述危险背景车辆进行机动采样，得到上述危险背景车辆在上述当前时刻的下一时刻的机动状态，并基于上述自然状态下机动分布，对上述普通背景车辆进行机动采样，得到上述普通背景车辆在上述当前时刻的下一时刻的机动状态；基于上述危险背景车辆在上述当前时刻的下一时刻的机动状态和上述普通背景车辆在上述当前时刻的下一时刻的机动状态，利用数值积分方法确定上述一般环境对应的连续风险对抗场景，即普测场景，重复多次上述普测场景的生成过程得到普测场景集。
在一种可选的实施例中，上述基于上述危险背景车辆在上述当前时刻的下一时刻的机动状态和上述普通背景车辆在上述当前时刻的下一时刻的机动状态，确定上述一般环境对应的普测场景集，包括：重复得到上述危险背景车辆和上述普通背景车辆分别在预定时长内多个时刻的机动状态，基于上述预定时长内多个时刻的机动状态确定上述一般环境对应的普测场景；重复上述预定时长多次，得到上述一般环境对应的普测场景集。
作为一种可选的实施例，重复得到上述危险背景车辆和上述普通背景车辆分别在预定时长内多个连续时刻的机动状态，基于预定时长内每个时刻的机动状态确定一个连续的场景，重复多次预定时长内的操作，得到多个场景，并基于多个场景构建普测场景集；判断普测场景集中的场景数量是否充足，若未达到预定数量，则再次重复多次预定时长内的操作，直至普测场景集中场景数量充足；此外，在保证普测场景集中场景数量充足后，还需去除场景集中的等价场景和隶属场景，得到去冗余后的普测场景集。
在一种可选的实施例中，在基于上述危险背景车辆在上述当前时刻的初始状态对应的自然-风险对抗混合分布，对上述危险背景车辆进行机动采样，得到上述危险背景车辆在上述当前时刻的下一时刻的机动状态之前，上述方法还包括：获取上述危险背景车辆在上述当前时刻的初始状态下的自然状态下碰撞概率分布；获取车辆的自然状态下机动分布；基于上述自然状态下碰撞概率分布和上述自然状态下机动分布，确定上述危险背景车辆在上述当前时刻的初始状态对应的自然-风险对抗混合分布。
可选的，将上述自然状态下碰撞概率分布和上述自然状态下机动分布按照预定比例混合的方式，获得上述危险背景车辆在上述当前时刻的初始状态对应的自然-风险对抗混合分布，如图6所示的自然-风险对抗混合分布生成示意图，基于上述危险背景车辆在上述当前时刻的初始状态下的归一化处理后的自然状态下碰撞概率分布与自然状态下机动分布按一定比例进行混合，获得自然-风险对抗的混合概率分布。
在一种可选的实施例中，上述获取上述危险背景车辆在上述当前时刻的初始状态下的自然状态下碰撞概率分布，包括：将上述危险背景车辆在上述当前时刻的初始状态输入对抗驾驶智能体模型，得到上述危险背景车辆在上述当前时刻的初始状态下的机动-碰撞概率分布，基于上述机动-碰撞概率分布和上述自然状态下机动分布，确定上述自然状态下碰撞概率分布。
作为一种可选的实施例，采用强化学习训练模型进行风险对抗驾驶智能体的训练过程如下，上述对抗驾驶智能体模型基于样本被测车辆与样本背景车辆之间的碰撞训练得到，定义背景车辆为智能体，利用智能驾驶模型IDM进行训练，每次训练数据的时长为半分钟。并定义背景车辆速度vb、与被测车辆间的相对位置r、相对速度vr为状态，定义背景车辆的机动ub为行动，被测车辆ua的机动按自然分布进行采样模拟。
需要说明的是，r取值范围为[0,150]m，vr的取值范围为[-35,35]m/s，vb的取值范围为[-2,35]m/s,ub的取值范围为[-11,7]m/s2，此处数值仅作为举例说明，可根据实际情况进行调整。
可选的，根据被测车辆与背景车辆是否碰撞的判断结果确定奖励，对于碰撞的决策树分支给予奖励1，对于未碰撞的决策树不给予奖励。利用强化学习方法训练对抗背景车辆(驾驶智能体)，直至训练次数达到预设阈值(例如：1*107次)或收敛(碰撞概率不再发生变化)，完成对抗驾驶智能体模型的训练。
作为一种可选的实施例，如图7所示的自然状态下碰撞概率分布生成示意图，可以根据自然分布随机采样每个车道第一台车的位置和速度，同样基于自然分布采用，确定车间距离和相对速度，随机生成后一台车的位置和速度，并在每一车道生成一组车辆，并将上述车辆的位置、速度、相对距离、相对速度等数据输入训练后的对抗驾驶智能体模型，得到机动-碰撞概率，并将上述机动-碰撞概率乘以自然状态下机动分布，得到自然状态下碰撞概率分布。
需要说明的是，上述机动-碰撞概率用于表征完成训练后的对抗驾驶智能体模型在代入车辆位置、速度、相对距离、相对速度等数据后，发生碰撞的概率；但因上述智能体在训练过程中，始终朝着发生碰撞的情况进行训练，因此，上述机动-碰撞概率较为极端，需乘以自然状态下机动分布进行中和，得到上述自然状态下碰撞概率分布；即，上述机动-碰撞概率可以表示背景车辆(智能体)在采用某种机动时发生碰撞的概率，上述自然状态下碰撞概率分布可以表示自然驾驶状态下，可能出现的机动情况及每种机动情况对应的碰撞概率。
在一种可选的实施例中，上述确定上述自动驾驶车辆在当前时刻的危险背景车辆，包括：在上述自动驾驶车辆的背景车辆为多个的情况下，分别获取多个背景车辆分别在上述当前时刻对应的自然状态下碰撞概率分布；对上述多个背景车辆分别在上述当前时刻对应的自然状态下碰撞概率分布中各种机动状态下的概率进行求和，得到求和概率；确定上述多个背景车辆中求和概率最大的背景车辆为上述危险背景车辆。
作为一种可选的实施例，基于上述自然状态下碰撞概率分布确定多个背景车辆分别在上述当前时刻对应的自然状态下碰撞概率分布，对上述多个背景车辆分别在上述当前时刻对应的自然状态下碰撞概率分布中各种机动状态下的概率进行求和，确定所有背景车辆中的碰撞发生概率最高的背景车辆，即危险背景车辆。
可选的，仍如图6所示，将危险背景车辆自然状态下碰撞概率进行归一化处理，得到归一化的自然状态下碰撞概率，并与自然状态下机动分布按一定比例进行混合，获得自然-风险对抗的混合概率分布，其中，混合公式为：Pmix＝(1-e)*Paccodent+e*Pnature，Pmix为自然-风险对抗的混合概率分布，Paccodent为归一化的自然状态下碰撞概率分布，Pnature为自然状态下机动分布，通常情况下e的值可以取0.5，也可以根据实际需求进行调整。根据混合概率分布对危险背景车辆进行机动采样，其他背景车辆按机动概率分布进行机动采样，通过运动学模型积分获得下一时各车的位置、速度等状态，得到上述危险背景车辆和上述普通背景车辆分别在预定时长内多个连续时刻的机动状态，重复基于预定时长内每个时刻的机动状态确定一个连续的场景，确定上述普测场景；并重复多次预定时长内的操作，得到多个场景，并基于多个场景构建普测场景集。
在一种可选的实施例中，上述基于上述详测场景集和上述普测场景集，生成上述自动驾驶车辆的目标测试场景集，包括：对上述详测场景集中的多个详测场景进行第一去冗余处理，得到第一去冗余处理后的详测场景集；对上述普测场景集中的多个普测场景进行第二去冗余处理，得到第二去冗余处理后的普测场景集；基于上述第一去冗余处理后的详测场景集和上述第二去冗余处理后的普测场景集，得到上述自动驾驶车辆的上述目标测试场景集。
作为一种可选的实施例，上述第一去冗余处理和上述第二去冗余处理，包括：确定多个场景中的等价场景，通过合并上述等价场景的方式去除冗余场景；确定多个场景中存在隶属关系的隶属场景中的子场景，通过去除上述子场景的方式去除冗余场景。
可选的，可以对多种风险测评场景构成的风险场景集利用场景等价关系去除冗余重复的场景，如图8所示的等价场景示意图，场景A和B的背景车辆位置均有所不同，左侧车辆位置相差较远，但该车车道与被测车车道相距较远，被测车辆几乎不受该车影响；中间车道背景车辆在横向上有一定的位置差距，右侧车道背景车辆在纵向上有一定的位置差距，但横向距离差别ε1小于预设阈值γ1，纵向距离差别ε2小于预设阈值γ2，此时场景B的等价相似度值可以视为小于与场景A的第一等价相似度阈值，场景B可以视为场景A等价场景，予以合并处理。
可选的，还可以利用子场景隶属关系去除冗余重复的场景，如图9所示的隶属场景示意图，在场景A中间车道存在一辆背景车辆，场景B除中间车道没有车辆外，其余要素与场景A一致，即，场景B包含的交通参与者信息是场景A的子集。在对被测车辆进行变道等测试时，如果能通过A场景的测试，则必定能通过B场景的测试，此时认为场景B是场景A的子场景，可以予以去除处理。
需要说明的是，可以多次利用场景等价关系和子场景隶属关系去除冗余重复的场景，确定上述目标测试场景集。
作为一种可选的实施例，基于上述第一去冗余处理后的详测场景集和上述第二去冗余处理后的普测场景集，合并详测场景集和普测场景集，完成目标测试场景构建。针对这风险场景和一般场景分别采用不同颗粒度的场景生成方法，以减少不必要的测试场景数量，缓解“维数灾难”问题。最后将根据风险场景得到的详测场景集和根据一般场景得到的普测场景集进行合并处理，得到目标测试场景集。
实施例2
根据本发明实施例，还提供了一种用于实施上述车辆测试场景生成方法的装置实施例，图10是根据本发明实施例的一种车辆测试场景生成装置的结构示意图，如图10所示，上述装置包括：获取模块100、划分模块102、确定模块104和生成模块106，其中：
获取模块100，用于获取自动驾驶车辆的多个场景要素，其中，上述多个场景要素的类型包括车辆要素，路侧要素和云端要素；
划分模块102，用于在上述多个场景要素中存在风险要素的情况下，将上述自动驾驶车辆的驾驶环境划分为风险环境和一般环境；
确定模块104，用于确定上述风险环境对应的详测场景集，以及确定上述一般环境对应的普测场景集；
生成模块106，用于基于上述详测场景集和上述普测场景集，生成上述自动驾驶车辆的目标测试场景集。
此处需要说明的是，上述获取模块100、划分模块102、确定模块104和生成模块106对应于实施例1中的步骤S102至步骤S108，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。
需要说明的是，本实施例的优选实施方式可以参见实施例1中的相关描述，此处不再赘述。
根据本发明的实施例，还提供了一种计算机可读存储介质的实施例。可选的，在本实施例中，上述计算机可读存储介质可以用于保存上述实施例1所提供的车辆测试场景生成方法所执行的程序代码。
可选的，在本实施例中，上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选的，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取自动驾驶车辆的多个场景要素，其中，上述多个场景要素的类型包括车辆要素，路侧要素和云端要素；在上述多个场景要素中存在风险要素的情况下，将上述自动驾驶车辆的驾驶环境划分为风险环境和一般环境；确定上述风险环境对应的详测场景集，以及确定上述一般环境对应的普测场景集；基于上述详测场景集和上述普测场景集，生成上述自动驾驶车辆的目标测试场景集。
可选的，上述计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：确定车辆测试场景的多个场景要素层级；分别对上述多个场景要素层级进行二级分层细化或者多级分层细化，得到上述多个场景要素层级分别对应的细化场景要素，并将上述多个场景要素层级分别对应的细化场景要素作为上述自动驾驶车辆的多个场景要素。
可选的，上述计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：确定上述风险场景集中每个上述风险场景对应的初始风险数据；基于上述初始风险数据进行枚举处理，确定目标风险数据集，其中，上述枚举处理用于确定多个目标风险数据；遍历上述目标风险数据集中的目标风险数据，并采用上述目标风险数据对上述初始风险数据进行替换处理，生成上述详测场景集。
可选的，上述计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：枚举出与上述风险要素相似的相似风险要素；确定包括上述风险要素或者上述相似风险要素的驾驶环境为上述风险环境，以及不包括上述风险要素和上述相似风险要素的驾驶环境为上述一般环境。
可选的，上述计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：基于第一颗粒度，确定上述风险环境对应的详测场景集，以及基于第二颗粒度，确定上述一般环境对应的普测场景集，其中，上述第一颗粒度小于上述第二颗粒度。
可选的，上述计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：确定上述自动驾驶车辆在当前时刻的危险背景车辆，其中，上述自动驾驶车辆的背景车辆包括普通背景车辆和上述危险背景车辆，上述危险背景车辆为发生碰撞概率最大的背景车辆；获取上述危险背景车辆在上述当前时刻的初始状态；基于上述危险背景车辆在上述当前时刻的初始状态对应的自然-风险对抗混合分布，对上述危险背景车辆进行机动采样，得到上述危险背景车辆在上述当前时刻的下一时刻的机动状态，其中，基于上述自然-风险对抗混合分布进行机动采样时发生碰撞的概率大于基于自然状态下机动分布进行机动采样时发生碰撞的概率；基于上述自然状态下机动分布，对上述普通背景车辆进行机动采样，得到上述普通背景车辆在上述当前时刻的下一时刻的机动状态；基于上述危险背景车辆在上述当前时刻的下一时刻的机动状态和上述普通背景车辆在上述当前时刻的下一时刻的机动状态，确定上述一般环境对应的普测场景集。
可选的，上述计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：重复得到上述危险背景车辆和上述普通背景车辆分别在预定时长内多个时刻的机动状态，基于上述预定时长内多个时刻的机动状态确定上述一般环境对应的普测场景；重复上述预定时长多次，得到上述一般环境对应的普测场景集。
可选的，上述计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取上述危险背景车辆在上述当前时刻的初始状态下的自然状态下碰撞概率分布；获取车辆的自然状态下机动分布；基于上述自然状态下碰撞概率分布和上述自然状态下机动分布，确定上述危险背景车辆在上述当前时刻的初始状态对应的自然-风险对抗混合分布。
可选的，上述计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取上述危险背景车辆在上述当前时刻的初始状态下的机动-碰撞概率分布；基于上述机动-碰撞概率分布和上述自然状态下机动分布，确定上述自然状态下碰撞概率分布。
可选的，上述计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：将上述危险背景车辆在上述当前时刻的初始状态输入对抗驾驶智能体模型，得到上述危险背景车辆在上述当前时刻的初始状态下的机动-碰撞概率分布，其中，上述对抗驾驶智能体模型基于样本被测车辆与样本背景车辆之间的碰撞训练得到。
可选的，上述计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：将上述自然状态下碰撞概率分布和上述自然状态下机动分布按照预定比例混合的方式，获得上述危险背景车辆在上述当前时刻的初始状态对应的自然-风险对抗混合分布。
可选的，上述计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：在上述自动驾驶车辆的背景车辆为多个的情况下，分别获取多个背景车辆分别在上述当前时刻对应的自然状态下碰撞概率分布；对上述多个背景车辆分别在上述当前时刻对应的自然状态下碰撞概率分布中各种机动状态下的概率进行求和，得到求和概率；确定上述多个背景车辆中求和概率最大的背景车辆为上述危险背景车辆。
可选的，上述计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：对上述详测场景集中的多个详测场景进行第一去冗余处理，得到第一去冗余处理后的详测场景集；对上述普测场景集中的多个普测场景进行第二去冗余处理，得到第二去冗余处理后的普测场景集；基于上述第一去冗余处理后的详测场景集和上述第二去冗余处理后的普测场景集，得到上述自动驾驶车辆的上述目标测试场景集。
可选的，上述计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：确定多个场景中的等价场景，通过合并上述等价场景的方式去除冗余场景；确定多个场景中存在隶属关系的隶属场景中的子场景，通过去除上述子场景的方式去除冗余场景。
根据本发明的实施例，还提供了一种处理器的实施例。可选的，在本实施例中，上述计算机可读存储介质可以用于保存上述实施例1所提供的车辆测试场景生成方法所执行的程序代码。
本申请实施例提供了一种电子设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取自动驾驶车辆的多个场景要素，其中，上述多个场景要素的类型包括车辆要素，路侧要素和云端要素；在上述多个场景要素中存在风险要素的情况下，将上述自动驾驶车辆的驾驶环境划分为风险环境和一般环境；确定上述风险环境对应的详测场景集，以及确定上述一般环境对应的普测场景集；基于上述详测场景集和上述普测场景集，生成上述自动驾驶车辆的目标测试场景集。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取自动驾驶车辆的多个场景要素，其中，上述多个场景要素的类型包括车辆要素，路侧要素和云端要素；在上述多个场景要素中存在风险要素的情况下，将上述自动驾驶车辆的驾驶环境划分为风险环境和一般环境；确定上述风险环境对应的详测场景集，以及确定上述一般环境对应的普测场景集；基于上述详测场景集和上述普测场景集，生成上述自动驾驶车辆的目标测试场景集。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (15)

1.一种车辆测试场景生成方法，其特征在于，包括：
获取自动驾驶车辆的多个场景要素，其中，所述多个场景要素的类型包括车辆要素，路侧要素和云端要素；
在所述多个场景要素中存在风险要素的情况下，将所述自动驾驶车辆的驾驶环境划分为风险环境和一般环境；
确定所述风险环境对应的详测场景集，以及确定所述一般环境对应的普测场景集；
基于所述详测场景集和所述普测场景集，生成所述自动驾驶车辆的目标测试场景集。
2.根据权利要求1所述的方法，其特征在于，所述获取自动驾驶车辆的多个场景要素，包括：
确定车辆测试场景的多个场景要素层级；
分别对所述多个场景要素层级进行二级分层细化或者多级分层细化，得到所述多个场景要素层级分别对应的细化场景要素，并将所述多个场景要素层级分别对应的细化场景要素作为所述自动驾驶车辆的多个场景要素。
3.根据权利要求1所述的方法，其特征在于，所述基于所述风险要素，将所述自动驾驶车辆的驾驶环境划分为风险环境和一般环境，包括：
枚举出与所述风险要素相似的相似风险要素；
确定包括所述风险要素或者所述相似风险要素的驾驶环境为所述风险环境，以及不包括所述风险要素和所述相似风险要素的驾驶环境为所述一般环境。
4.根据权利要求1所述的方法，其特征在于，所述确定所述风险环境对应的详测场景集，以及确定所述一般环境对应的普测场景集，包括：
基于第一颗粒度，确定所述风险环境对应的详测场景集，以及基于第二颗粒度，确定所述一般环境对应的普测场景集，其中，所述第一颗粒度小于所述第二颗粒度。
5.根据权利要求1所述的方法，其特征在于，所述确定所述一般环境对应的普测场景集，包括：
确定所述自动驾驶车辆在当前时刻的危险背景车辆，其中，所述自动驾驶车辆的背景车辆包括普通背景车辆和所述危险背景车辆，所述危险背景车辆为发生碰撞概率最大的背景车辆；
获取所述危险背景车辆在所述当前时刻的初始状态；
基于所述危险背景车辆在所述当前时刻的初始状态对应的自然-风险对抗混合分布，对所述危险背景车辆进行机动采样，得到所述危险背景车辆在所述当前时刻的下一时刻的机动状态，其中，基于所述自然-风险对抗混合分布进行机动采样时发生碰撞的概率大于基于自然状态下机动分布进行机动采样时发生碰撞的概率；
基于所述自然状态下机动分布，对所述普通背景车辆进行机动采样，得到所述普通背景车辆在所述当前时刻的下一时刻的机动状态；
基于所述危险背景车辆在所述当前时刻的下一时刻的机动状态和所述普通背景车辆在所述当前时刻的下一时刻的机动状态，确定所述一般环境对应的普测场景集。
6.根据权利要求5所述的方法，其特征在于，所述基于所述危险背景车辆在所述当前时刻的下一时刻的机动状态和所述普通背景车辆在所述当前时刻的下一时刻的机动状态，确定所述一般环境对应的普测场景集，包括：
重复得到所述危险背景车辆和所述普通背景车辆分别在预定时长内多个时刻的机动状态，基于所述预定时长内多个时刻的机动状态确定所述一般环境对应的普测场景；
重复所述预定时长多次，得到所述一般环境对应的普测场景集。
7.根据权利要求5所述的方法，其特征在于，在基于所述危险背景车辆在所述当前时刻的初始状态对应的自然-风险对抗混合分布，对所述危险背景车辆进行机动采样，得到所述危险背景车辆在所述当前时刻的下一时刻的机动状态之前，所述方法还包括：
获取所述危险背景车辆在所述当前时刻的初始状态下的自然状态下碰撞概率分布；
获取所述危险背景车辆的自然状态下机动分布；
基于所述自然状态下碰撞概率分布和所述自然状态下机动分布，确定所述危险背景车辆在所述当前时刻的初始状态对应的自然-风险对抗混合分布。
8.根据权利要求7所述的方法，其特征在于，所述获取所述危险背景车辆在所述当前时刻的初始状态下的自然状态下碰撞概率分布，包括：
获取所述危险背景车辆在所述当前时刻的初始状态下的机动-碰撞概率分布；
基于所述机动-碰撞概率分布和所述自然状态下机动分布，确定所述自然状态下碰撞概率分布。
9.根据权利要求8所述的方法，其特征在于，所述获取所述危险背景车辆在所述当前时刻的初始状态下的机动-碰撞概率分布，包括：
将所述危险背景车辆在所述当前时刻的初始状态输入对抗驾驶智能体模型，得到所述危险背景车辆在所述当前时刻的初始状态下的机动-碰撞概率分布，其中，所述对抗驾驶智能体模型基于样本被测车辆与样本背景车辆之间的碰撞训练得到。
10.根据权利要求7所述的方法，其特征在于，所述基于所述自然状态下碰撞概率分布和所述自然状态下机动分布，确定所述危险背景车辆在所述当前时刻的初始状态对应的自然-风险对抗混合分布，包括：
将所述自然状态下碰撞概率分布和所述自然状态下机动分布按照预定比例混合的方式，获得所述危险背景车辆在所述当前时刻的初始状态对应的自然-风险对抗混合分布。
11.根据权利要求5所述的方法，其特征在于，所述确定所述自动驾驶车辆在当前时刻的危险背景车辆，包括：
在所述自动驾驶车辆的背景车辆为多个的情况下，分别获取多个背景车辆分别在所述当前时刻对应的自然状态下碰撞概率分布；
对所述多个背景车辆分别在所述当前时刻对应的自然状态下碰撞概率分布中各种机动状态下的概率进行求和，得到求和概率；
确定所述多个背景车辆中求和概率最大的背景车辆为所述危险背景车辆。
12.根据权利要求1至11中任一项所述的方法，其特征在于，所述基于所述详测场景集和所述普测场景集，生成所述自动驾驶车辆的目标测试场景集，包括：
对所述详测场景集中的多个详测场景进行第一去冗余处理，得到第一去冗余处理后的详测场景集；
对所述普测场景集中的多个普测场景进行第二去冗余处理，得到第二去冗余处理后的普测场景集；
基于所述第一去冗余处理后的详测场景集和所述第二去冗余处理后的普测场景集，得到所述自动驾驶车辆的所述目标测试场景集。
13.根据权利要求12所述的方法，其特征在于，所述第一去冗余处理和所述第二去冗余处理，包括：
确定多个场景中的等价场景，通过合并所述等价场景的方式去除冗余场景；
确定多个场景中存在隶属关系的隶属场景中的子场景，通过去除所述子场景的方式去除冗余场景。
14.一种非易失性存储介质，其特征在于，所述非易失性存储介质存储有多条指令，所述指令适于由处理器加载并执行权利要求1至13中任意一项所述的车辆测试场景生成方法。
15.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至13中任意一项所述的车辆测试场景生成方法。
CN202310698303.4A 2023-06-13 2023-06-13 车辆测试场景生成方法、装置、存储介质及设备 Pending CN116753938A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310698303.4A CN116753938A (zh) 2023-06-13 2023-06-13 车辆测试场景生成方法、装置、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310698303.4A CN116753938A (zh) 2023-06-13 2023-06-13 车辆测试场景生成方法、装置、存储介质及设备

Publications (1)

Publication Number Publication Date
CN116753938A true CN116753938A (zh) 2023-09-15

Family

ID=87947182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310698303.4A Pending CN116753938A (zh) 2023-06-13 2023-06-13 车辆测试场景生成方法、装置、存储介质及设备

Country Status (1)

Country Link
CN (1) CN116753938A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117041916A (zh) * 2023-09-27 2023-11-10 创意信息技术股份有限公司 一种海量数据处理方法、装置、系统及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117041916A (zh) * 2023-09-27 2023-11-10 创意信息技术股份有限公司 一种海量数据处理方法、装置、系统及存储介质
CN117041916B (zh) * 2023-09-27 2024-01-09 创意信息技术股份有限公司 一种海量数据处理方法、装置、系统及存储介质

Similar Documents

Publication Publication Date Title
CN113609016B (zh) 车辆自动驾驶测试场景的构建方法、装置、设备及介质
EP3533681B1 (en) Method for detecting safety of driving behavior, apparatus and storage medium
CN110400478B (zh) 一种路况通知方法及装置
CN104978853B (zh) 一种道路交通安全评估方法及系统
Kovaceva et al. Identification of aggressive driving from naturalistic data in car-following situations
CN109493566B (zh) 一种基于gps数据的疲劳驾驶预测方法
CN107038860B (zh) 一种基于adas技术及回归模型的用户驾驶行为评分方法
CN107784251A (zh) 基于图像识别技术对驾驶行为评价的方法
CN107784587A (zh) 一种驾驶行为评价系统
CN110304068B (zh) 汽车行驶环境信息的采集方法、装置、设备和存储介质
CN113640014B (zh) 自动驾驶车辆测试场景的构建方法、装置及可读存储介质
Wu et al. Clustering of several typical behavioral characteristics of commercial vehicle drivers based on GPS data mining: Case study of highways in China
CN116753938A (zh) 车辆测试场景生成方法、装置、存储介质及设备
CN106564503A (zh) 产生异常驾驶行为的行为信息确定方法及装置
CN116307699A (zh) 基于多源数据的道路隐患点段分级方法、装置及存储介质
CN116461546A (zh) 车辆预警方法、装置、存储介质和处理器
Yu et al. Prediction of instantaneous driving safety in emergency scenarios based on connected vehicle basic safety messages
CN116052475A (zh) 一种车辆风险预警方法、系统、存储介质及设备
CN114912689A (zh) 基于地图网格索引和xgboost的超限车辆目的地预测方法及系统
Xu et al. Novel fast safety assessment method for the buffer section of maintenance work zone
CN106570535A (zh) 一种基于adas和obd数据用户分类方法
CN113192340B (zh) 高速公路施工车辆的识别方法、装置、设备及存储介质
CN117494018A (zh) 一种基于群体数据分析的异常行为监测预警方法
CN111341106B (zh) 交通预警方法、装置和设备
CN115578856A (zh) 一种自动驾驶汽车道路测试安全风险评估方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Country or region after: China

Address after: No. 9 Mozhou East Road, Nanjing City, Jiangsu Province, 211111

Applicant after: Zijinshan Laboratory

Address before: No. 9 Mozhou East Road, Jiangning Economic Development Zone, Jiangning District, Nanjing City, Jiangsu Province

Applicant before: Purple Mountain Laboratories

Country or region before: China