一种基于高速场景自然数据集的自动驾驶加速测试方法

本发明属于自动驾驶汽车，特别是涉及自动驾驶车辆在高速行驶环境下的性能测试和安全评估。具体来说，本发明提出了一种基于高速场景自然数据集的自动驾驶加速测试方法，该方法旨在通过仿真和评估技术，有效提高自动驾驶系统在高速环境中的性能评估和安全性验证。

背景技术：

1、自动驾驶技术的发展旨在提升道路交通运输效率，并为人类出行提供便利和安全。自动驾驶面临的挑战包括应对复杂且多样的环境条件，如道路、车道、其他车辆与行人等静态和动态因素。确保自动驾驶车辆在各种交通环境中的安全可靠运行是关键。为此，自动驾驶算法的可靠性测试成为必不可少的一环。现有的方法主要包括基于最坏情况的评价和基于安全事件发生概率的评价。

2、基于最坏情况的评价，如通过穷举法或设计正交试验，虽然保证了测试的严格和详尽，但可能忽略现实中的故障概率，导致设计出现实中不常见的耗时且成本高的测试用例。相比之下，基于安全事件发生概率的评价方法则更注重实际场景中故障的概率估计，如蒙特卡洛抽样方法和重要性采样方法，使用这些方法对碰撞率或故障率进行估计，提高了准确性和可靠性，基于影响安全事件发生概率的评价方法不仅给出了自动驾驶算法在实际运行环境中的量化评价，还提供了风险管理的手段，更加具有现实意义和指导性。

3、传统的道路测试中，实际车辆行驶环境高度不确定且难以多次复现，并且实际道路测试周期长成本高，无法保证测试安全。因此实际车辆的道路测试难以满足自动驾驶车辆测试鲁棒性和安全要求，需要引入数字化虚拟仿真技术。虚拟仿真采用准确物理模型和高精度场景建模手段，能够丰富测试内容并降低成本。而虚拟仿真需要确保生成的环境与真实环境足够相似，且能够在不损失测试精度的前提下提高测试评价效率。仿真结果可用于选择性能最佳的模型在现实世界中进行测试或部署，并估计其失效风险，这可以作为安全认证论据的证据。

技术实现思路

1、结合说明书附图，本发明的技术方案如下：

2、一种基于高速场景自然数据集的自动驾驶加速测试方法，包括：

3、步骤一：从真实的高速场景自然驾驶数据集中提取影响车辆驾驶的关键参数，识别车辆出现的场景帧状态和行为参数包括车速、加速度、相对距离和换道概率，获得不同驾驶条件下人类驾驶行为的概率分布。

4、步骤二：简化定义八种场景帧，使用回归模型和概率拟合确定车辆行为概率及概率分布，从初始场景帧开始，按照“场景帧→车辆行为→新的场景帧→新的行为”这样的顺序逐步构建测试场景，环境车辆行驶过程建模为马尔可夫过程。并进行场景生成合理性验证。

5、步骤三：利用生成的虚拟测试场景对自动驾驶算法进行评估，引入重要性采样的方法并设计重要性函数，确定自动驾驶车辆的事故率μ，最优重要性函数设计基于实现最小化估计量方差的目标，以达到无偏估计并提高估计的有效性。

6、所述步骤二的具体方法如下：

7、(1)定义纵向行驶分为自由行驶(车辆同车道前方120m内无车辆)和跟驰行驶(车辆同车道前方120m内存在行驶车辆)，场景帧简化为：自由行驶且旁车道无车、自由行驶但旁车道前方有车、自由行驶但旁车道后方有车自由行驶但旁车道前方后方都有车、跟驰行驶但旁车道无车、跟驰行驶且旁车道前方有车、跟驰行驶且旁车道后方有车、跟驰行驶且旁车道前方后方都有车。

8、(2)统计各个场景帧参数组下是否进行了换道，进而使用罗吉斯蒂克回归模型估计换道的概率p(lc)，则直行的概率为p(lk)＝1-p(lc)。

9、若主车在最边缘车道上，使用一次罗吉斯蒂克回归模型即可获得换道概率和直行概率；若主车可以向左右变道，左侧概率模型获得的直行概率为左变道概率为右侧概率模型获得的直行概率为右变道概率为两种情况叠加获得的直行概率，左变道概率和右变道概率分别为：

10、

11、(3)确定主车直行的加速度或者主车换道的换道时间，同时统计场景帧状态分布和车辆行为分布：

12、自由行驶的车辆，统计其车速的分布和车速-加速度的联合分布；跟驰行驶的车辆，统计其与前车的相对距离-相对车速的联合分布，并计算ttc，若ttc为负，则统计ttc-加速度的联合分布；横向换道的车辆，换道轨迹要借助于换道时间确定，统计不同基础场景帧参数组合下换道案例中换道时间和最小ttc关系的概率分布。

13、(4)初始化场景帧，所有车辆直线行驶，av(自动驾驶车辆)的初始位置和速度固定生成，；ev(环境车辆)生成位置随机且处于自由行驶状态的领队车辆，从自由行驶车辆的车速概率分布中采样生成车速。

14、随后在每条车道上的领队车辆后方，按照从前到后的顺序生成跟驰行驶的车辆，其位置和车速参照前方车辆的位置-车速和跟驰行驶车辆与前车的相对距离-相对车速联合分布生成。

15、依据初始化场景帧获取av和ev纵向行驶的加速度或横向换道的换道时间。av处于acc模式，纵向加速度具体数值由av的算法模型给出；ev按照自然驾驶数据集使用统计学方法进行决策。

16、基于(2)中的直行或者变道的概率公式，决策ev在该场景帧所在时刻的行为：若进行变道，则从换道时间和最小ttc关系的概率分布采样换道时间，对换道行为进行控制；若决策直行，则ev的加速度按照自由行驶模式从车速-加速度的联合概率分布中采样，或者按照跟驰模式从ttc-加速度的联合分布中按速度和ttc采样。

17、底层模拟器按照车辆动力学控制模型以固定频率更新av和所有ev的状态并进入下一个新的场景帧，并确定所有车辆新的行为。这一过程随时间持续进行，形成一次测试场景，该测试场景结束的标志是av完成设定的行驶距离，或者av与ev发生碰撞。

18、(5)按照场景生成方法中ev的各类概率模型，在不设置自动驾驶车辆和重要性函数的情况下，在全是环境车辆的测试场景中运行两万公里行程，并统计了车辆运行每公里换道次数、车速频数分布、采取加速度频数分布和车辆相对距离频数分布，对比自然驾驶数据集中得到的分布，统计本发明的生成结果，对比自然驾驶数据集结果中同类型分布之间的kl散度。当两个分布完全相同时，kl散度为0，两个分布差距很大时，kl散度趋近于+∞。kl散度越小，说明两个分布越相似。

19、所述步骤三的具体方法如下：

20、(1)引入偏置概率密度函数为罕见的故障事件添加更大的采样空间，替代很少出现故障事件的自然概率密度函数q(x)进行采样，故障估计为：

21、

22、其中i(xi)为碰撞事件a发生的指示函数，称为似然比，称为重要性函数，是自然分布q(x)出现故障的条件分布。

23、(2)位置p、速度v表达ev状态变量，即si＝(p,v)，时刻t的场景帧为n为自车周围ev数量。ev的行驶过程建模为马尔可夫过程，基于时刻t场景帧代表的状态s(t)，所有ev做出的行为在第i次的仿真测试中，自动驾驶车辆的驾驶场景为xi＝{s(1),u(1),…,s(t-1),u(t-1),s(t)}。

24、环境车辆选取行为的方法为

25、设定所有的ev同时独立从各自分布中采样，ev采取行为的自然概率分布为

26、

27、其中p(ui(t)|s(t))表示时刻t的场景帧s(t)中，第i个ev选取行为ui(t)的概率。

28、(3)某一场景帧s下第i个ev进行一项动作ui的风险r(ui|s)为：

29、r(ui|s)＝p(ui|s)×p(ai|ui,s)

30、其中ai表示自动驾驶车辆(自车)与第i辆ev发生事故。

31、

32、其中p(u0|s)表示自动驾驶汽车在场景帧s下进行动作u0的概率。p(ai|ui,u0,s)表示在场景帧s下，第i辆ev进行动作ui且自动驾驶车辆进行动作u0时，两车发生事故的概率。

33、(4)使用运动学分析法分析发生事故的概率：

34、ev的切入造成事故：设定切入过程中纵向速度不变，换道时间和换道过程全程确定，碰撞事件是否发生也随之确定，p(ai|ui,u0,s)为0或者1。车辆切入导致的事故定义为

35、ε＝{min(rh(t))<rε|tlc<t<tlc+tlc}

36、rh(t)＝rh(tlc)+(vlc-v0)t-0.5a0t2

37、其中tlc为换道时长，rε为两车最小间距，rh(t)为换道过程中两车的间距，tlc为开始换道时刻，a0和v0为自动驾驶车辆加速度和速度。根据换道时间的不同，会导出不同的相对速度-两车间距下发生碰撞的分布。如说明书附图4。

38、前方ev突然急减速造成事故：使用制动威胁数进行评价，即

39、

40、其中ah是前方ev的加速度，可以看作是ui，amax<0是主车能采取的最大减速度。

41、(5)定义特定场景帧下第i个ev的危害为其可能做出的所有行为的风险总和：

42、

43、存在不为0的di(s)的场景帧定义为危险场景帧，定义危险场景帧下的关键ev索引

44、

45、(6)调整关键ev在危险场景帧下的行为，构建重要度函数:

46、

47、其中为关键ev的行为，为危险场景帧下关键ev的行为分布函数。将原始的自然分布概率和采取危险行为的概率进行加权，确立行为分布函数：

48、

49、其中ε∈[0,1]为自然分布权重系数，为关键ev在场景帧s下行为的自然分布概率，表示关键ev在场景帧s下进行动作的风险，表示关键ev在场景帧s下进行所有行为的风险总和。

50、(7)调整关键ev在危险场景帧下的行为，自动驾驶车辆的碰撞率可以估计为：

51、

52、其中ti为第i次仿真测试的总时间步长，i(xi)为第i次测试场景自动驾驶车辆出现事故的指示函数，每次测试完成的标志是自动驾驶车辆发生事故或测试达到预定的行驶距离。第i次测试过程中出现的危险场景帧的时刻集合为定义自动驾驶车辆碰撞率为：

53、

54、所述步骤三的基于最优重要性函数设计基于实现最小化估计量方差的目标，以达到无偏估计并提高估计的有效性，具体如下：

55、事故率的估计方差为

56、

57、最优重要性函数为但μ故障率未知，偏置分布与最优分布q*（x）相似的程度由kullback–leibler(kl)散度确定：

58、

59、使用自然分布概率公式代入，得

60、

61、

62、其中s(0)表示0时刻的场景帧，非危险场景帧下所有背景车辆的行为和危险场景帧下非关键背景车辆的行为都从自然分布中采样，故大部分背景车辆的行为概率设置为相同，实现采取的重要性函数和最优重要性函数之间的约分，仅剩下危险场景帧下关键背景车辆的行为概率，简化后实现使其与最优重要性函数的距离缩短，尽可能趋近于0。