高级辅助驾驶算法迭代方法与流程

本发明涉及汽车测试，尤其涉及一种高级辅助驾驶算法迭代方法。

背景技术：

1、高级驾驶员辅助系统(adas)整体可分为感知层、决策层、和执行层。其中，感知层由雷达传感器(毫米、超声波、激光雷达)、视觉传感器(单双目摄像头、红外热成像传感器)、高精地图等构成；决策层，由芯片通过算法实现交互决策、路径规划等；执行层，实现汽车的动力转换、制动、转向及灯光效果等功能。adas域控制器通过连接这些传感器设备，通过多传感器融合、定位、路径规划、进而做出决策控制，该过程需要执行大量运算，一旦出现错误就可能导致严重后果，因此需要对控制器及整车的整体性能进行充分的测试。

2、测试环节涉及的相关技术内容，主要有：数据闭环为汽车采集的数据经过一系列处理、标注、管理、存储等处理，形成有效数据集，存储于云端服务器，进行算法训练测试和车端部署，形成一套由数据驱动算法迭代，进而驱动智能驾驶能力升级的一套闭环系统；实车在环仿真测试(vil)是在虚拟环境中建立一个同现实世界一致的虚拟模型，真实车辆行驶于真实测试场地，同时映射到虚拟测试环境中，通过车辆在环测试仿真平台与待测真实车辆的实时数据交互，完成adas功能验证的整车闭环测试系统。

3、由此，当前针对控制器adas算法的验证方法之一为基于所设置真实世界场景的封闭场地测试+开放道路测试，测试车辆在封闭测试场地或实际道路，针对特定adas功能，进行验证。场景根据法规，现场设置目标与主车运动方式，封闭场地测试前方目标物为假车/假人，假人底部装有移动小车，用于控制假人的运动速度和方向，测试完成后根据判断条件人为判断算法是否符合预设与法规要求；而开放道路测试需要在封闭场地测试对功能安全性验证后进行，处于项目后期阶段，而在算法更新后，重新进行现场布置与针对性的测试。该测试方式至少存在如下弊端：(1)开放道路测试为真实的交通环境，风险系数较高。(2)场景覆盖面有限，出现问题时，无法满足软件更新迭代的及时性。

4、当前，针对控制器adas算法的验证方法之二为基于人为建立仿真场景的硬件在环测试hil(hardware-in-the-loop)+实车在环测试vil(vehicle-in-the-loop)，具体是当控制器软、硬件均接近量产时，在台架和实车上对控制器进行验证。其中hil阶段建立虚拟的仿真环境，在虚拟的仿真环境中预设所需测试的场景，与真实控制器进行通讯，真实摄像头拍摄虚拟的场景或通过注入方式获取虚拟场景；vil阶段将控制器安装于真实的车辆，并进行运算、决策控制。该测试方式至少存在如下弊端：(1)场景覆盖面有限，出现问题时，无法满足软件更新迭代的及时性。(2)软硬件为接近量产状态，无法及时发现软件开发问题。

技术实现思路

1、鉴于上述，本发明旨在提供一种高级辅助驾驶算法迭代方法，以解决前述提及的技术问题。

2、本发明采用的技术方案如下：

3、本发明提供了一种高级辅助驾驶算法迭代方法，其中包括：

4、基于测试车及量产车的车端所采集的数据，获取测试场景数据；其中，量产车采集数据的方式包括自动采样以及人工采样；

5、在对测试场景数据预处理后，执行数据标注及数据增强处理；

6、对自动驾驶算法进行在环测试和调试后，利用标注及增强后的测试场景数据对自动驾驶算法进行实车在环仿真测试；

7、利用预设阈值对实车在环仿真测试的测试结果进行多维评价，并对临界的测试结果进行场景强化后的复测；

8、待自动驾驶算法优化并通过评价之后，在车端进行部署。

9、在其中至少一种可能的实现方式中，所述自动采样以及人工采样，对应设置为影子模式以及一键触发模式；其中，影子模式为内置触发模式，当场景为预设场景时，自动触发捕获场景数据；一键触发模式则由用户自行通过按钮指令以捕获所需场景数据。

10、在其中至少一种可能的实现方式中，所述一键触发模式包括：

11、在手动提供指令之后，向用户询问是否捕获场景数据并上传；

12、若确认上传，则采集提供指令前、后既定时段的数据，并从中截取所需场景；

13、若确认不上传或等待预设时长无回复时，则退出一键触发模式。

14、在其中至少一种可能的实现方式中，所述实车在环仿真测试包括：

15、控制器从云端获取点云数据和视频数据，且毫米波雷达信号通过仿真平台进行总线模拟并传递至控制器；

16、控制器对注入的雷达信号和摄像头信号进行感知融合并作出决策判断，发出控制指令至测试车辆，以执行对应的控制策略；

17、通过惯导系统将测试车辆基于控制策略实际执行的运动状态，传递至仿真车辆，实现仿真车辆和测试车辆的联动；

18、其中，所述测试车辆为真实车辆，处于真实封闭测试场地；所述仿真车辆为仿真平台中的虚拟车辆，处于云端提供的虚拟测试场景中，且所述仿真车辆配置真值雷达传感器，作为测试数据用于测试评价。

19、在其中至少一种可能的实现方式中，所述实车在环仿真测试还包括：

20、摄像头提供的视频数据以及激光雷达提供的点云数据，在二者采集过程中进行时间同步；以及，

21、通过动态点云叠加对激光雷达点云进行点云数据强化；

22、通过对摄像头视频风格转移处理、叠加天气，对摄像头视频进行感知强化。

23、在其中至少一种可能的实现方式中，所述对临界的测试结果进行场景强化后的复测包括：

24、在评价介于预设的上限阈值与下限阈值之间时，通过云端调参方式以强化测试场景，所述调参是指对影响评价标准的所有参数执行综合强化；

25、并将强化后的测试场景，重新加载到车端，并再次进行实车在环仿真强化测试。

26、在其中至少一种可能的实现方式中，所述执行数据标注及数据增强处理包括：

27、对测试场景数据进行数据预处理后，对摄像头拍摄视频和雷达点云数据进行数据标注，标注内容至少包括如下一种：车道线、交通标识、车辆、行人；

28、标注信息作为测试真值与视频及点云数据一并存储在云端；

29、对标注后的场景数据从静态场景信息、动态目标信息两个维度进行数据增强。

30、与现有技术相比，本发明的主要设计构思在于，在实车动力学表现下快速采用云端场景进行测试，测试场景来自真实采集数据和量产车触发上传数据，并通过泛化实现场景丰富，符合实际且长尾场景覆盖度高，能够快速准确验证模型的合理性和准确性；此外，量产车数据采集包含影子模式和一键触发模式，涵盖内置的危险场景上传，和驾驶员认为的不合理场景上传，通过模型优化和vil测试，有利于将模型优化得更合理。再者，测试评价的阈值设置上下限，对临界测试结果，从云端进行场景强化，载入vil测试车辆复测，并可以结合实车驾驶，实现强化vil测试。本发明基于丰富的实测场景数据库完成算法测试闭环，解决了算法测试的时效性与全面性问题，结合合格性评判方法和强化测试方法，实现算法的全面测试和快速迭代。

31、具体关于量产车数据上传的触发模式，还可以补充的是，场景截取可以分两级，第一级为统一时间截取，第二级为自动算法下的细化截取。