云控一体化智能驾驶自动协同测试平台及控制方法与流程

本技术涉及智能驾驶领域，具体涉及一种云控一体化智能驾驶自动协同测试平台及控制方法。

背景技术：

1、随着自动驾驶技术的迅速发展，智能驾驶系统的测试和验证变得尤为重要。传统的测试方法往往依赖于人工设定的测试场景，这不仅效率低下，而且难以覆盖所有可能的交通环境和驾驶行为。为了提高测试的全面性和自动化程度，针对于智能驾驶的测试平台应运而生。

2、在自动驾驶领域，测试场景的多样性和复杂性是确保系统可靠性的关键因素。但是，不同的用户可能有不同的测试需求，例如安全性测试、性能测试或特定功能的测试。因此，如何根据用户的测试需求来智能、准确地筛选出符合特定测试需求的场景，是一个重要的技术问题。

技术实现思路

1、考虑到以上问题而做出了本技术。本技术的一个目的是提供一种云控一体化智能驾驶自动协同测试平台及控制方法。

2、本技术的实施例提供了一种云控一体化智能驾驶自动协同测试平台的控制方法，其包括：

3、获取由用户输入的搜索条件；

4、从测试场景数据库提取备选测试场景的文本描述；

5、对所述搜索条件进行语义编码以得到搜索条件语义编码特征向量；

6、对所述备选测试场景的文本描述进行语义编码和内部相关语义增强以得到强化测试场景词粒度语义编码特征向量的序列；

7、将所述搜索条件语义编码特征向量和所述强化测试场景词粒度语义编码特征向量的序列输入单向注意力逐粒度扫描交互匹配模块以得到单向匹配结果表示向量；

8、基于所述单向匹配结果表示向量来确定搜索结果，所述搜索结果用于表示是否返回所述备选测试场景。

9、例如，根据本技术的实施例的云控一体化智能驾驶自动协同测试平台的控制方法，其中，对所述搜索条件进行语义编码以得到搜索条件语义编码特征向量，包括：

10、将所述搜索条件进行分词后输入bert模型以得到搜索条件文本语义特征向量的序列；

11、将所述搜索条件文本语义特征向量的序列进行级联以得到所述搜索条件语义编码特征向量。

12、例如，根据本技术的实施例的云控一体化智能驾驶自动协同测试平台的控制方法，其中，对所述备选测试场景的文本描述进行语义编码和内部相关语义增强以得到强化测试场景词粒度语义编码特征向量的序列，包括：

13、对所述备选测试场景的文本描述进行分词处理后输入包含bert模型和lstm模型的测试场景语义编码器以得到测试场景词粒度语义编码特征向量的序列；

14、将所述测试场景词粒度语义编码特征向量的序列输入利用序列内部相关性的语义增强模块以得到所述强化测试场景词粒度语义编码特征向量的序列。

15、例如，根据本技术的实施例的云控一体化智能驾驶自动协同测试平台的控制方法，其中，对所述备选测试场景的文本描述进行分词处理后输入包含bert模型和lstm模型的测试场景语义编码器以得到测试场景词粒度语义编码特征向量的序列，包括：

16、对所述备选测试场景的文本描述进行分词以得到备选测试场景文本描述词的序列；

17、将所述备选测试场景文本描述词的序列输入所述测试场景语义编码器的bert模型以得到备选测试场景全局文本语义特征向量的序列；

18、将所述备选测试场景文本描述词的序列输入所述测试场景语义编码器的lstm模型以得到备选测试场景上下文文本语义特征向量的序列；

19、将所述备选测试场景全局文本语义特征向量的序列和所述备选测试场景上下文文本语义特征向量的序列进行融合以得到所述测试场景词粒度语义编码特征向量的序列。

20、例如，根据本技术的实施例的云控一体化智能驾驶自动协同测试平台的控制方法，其中，将所述测试场景词粒度语义编码特征向量的序列输入利用序列内部相关性的语义增强模块以得到所述强化测试场景词粒度语义编码特征向量的序列，包括：

21、确定第一自适应调节因子和第二自适应调节因子；

22、计算所述测试场景词粒度语义编码特征向量的序列的测试场景词粒度语义内部自相关矩阵；

23、对所述测试场景词粒度语义内部自相关矩阵进行基于软最大值函数的归一化处理以得到归一化后测试场景词粒度语义内部自相关矩阵；

24、将所述归一化后测试场景词粒度语义内部自相关矩阵中与第i个测试场景词粒度语义编码特征向量对应的j个特征值分别与其对应的第j个测试场景词粒度语义编码特征向量进行点乘，将点乘后得到的特征向量的序列进行按位置相加并通过sigmoid激活函数进行处理以得到测试场景词粒度语义相关均衡特征向量，其中，j的值为一到n，n为所述测试场景词粒度语义编码特征向量的序列中测试场景词粒度语义编码特征向量的个数；

25、计算所述第一自适应调节因子与所述测试场景词粒度语义相关均衡特征向量之点乘和所述第二自适应调节因子与所述第i个测试场景词粒度语义编码特征向量之点乘的按位置逐元素相加以得到第i个强化测试场景词粒度语义编码特征向量。

26、例如，根据本技术的实施例的云控一体化智能驾驶自动协同测试平台的控制方法，其中，计算所述测试场景词粒度语义编码特征向量的序列的测试场景词粒度语义内部自相关矩阵，包括：

27、将所述第i个测试场景词粒度语义编码特征向量和所述第j个测试场景词粒度语义编码特征向量进行级联以得到测试场景词粒度语义级联特征向量，其中，i≠j；

28、将权重特征向量的转置向量乘所述测试场景词粒度语义级联特征向量后，将获得的值通过非线性激活函数以得到所述第i个测试场景词粒度语义编码特征向量和所述第j个测试场景词粒度语义编码特征向量之间的内部自相关度；

29、进一步得到由各个所述内部自相关度组成的所述测试场景词粒度语义内部自相关矩阵。

30、例如，根据本技术的实施例的云控一体化智能驾驶自动协同测试平台的控制方法，其中，将所述搜索条件语义编码特征向量和所述强化测试场景词粒度语义编码特征向量的序列输入单向注意力逐粒度扫描交互匹配模块以得到单向匹配结果表示向量，包括：

31、计算所述搜索条件语义编码特征向量与所述强化测试场景词粒度语义编码特征向量的序列中的各个强化测试场景词粒度语义编码特征向量之间的语义相似度以得到单向匹配语义度量系数的序列；

32、对所述单向匹配语义度量系数的序列进行基于软最大值函数的归一化处理以得到单向匹配语义度量权重的序列；

33、以所述单向匹配语义度量权重的序列作为权重，计算所述强化测试场景词粒度语义编码特征向量的序列的加权和以得到单向匹配交互重塑特征向量；

34、计算所述搜索条件语义编码特征向量与所述单向匹配交互重塑特征向量之间的差分特征向量作为所述单向匹配结果表示向量。

35、例如，根据本技术的实施例的云控一体化智能驾驶自动协同测试平台的控制方法，其中，计算所述搜索条件语义编码特征向量与所述强化测试场景词粒度语义编码特征向量的序列中的各个强化测试场景词粒度语义编码特征向量之间的语义相似度以得到单向匹配语义度量系数的序列，包括：

36、将所述搜索条件语义编码特征向量与所述强化测试场景词粒度语义编码特征向量进行级联后，将权重向量与级联得到的特征向量进行相乘；

37、将相乘得到的数值与偏置参数进行相加；

38、对相加得到的数值进行基于sigmoid函数的非线性激活处理以得到所述单向匹配语义度量系数。

39、例如，根据本技术的实施例的云控一体化智能驾驶自动协同测试平台的控制方法，其中，基于所述单向匹配结果表示向量来确定搜索结果，所述搜索结果用于表示是否返回所述备选测试场景，包括：

40、将所述单向匹配结果表示向量输入基于分类器的搜索结果生成器以得到所述搜索结果。

41、例如，根据本技术的实施例的云控一体化智能驾驶自动协同测试平台的控制方法，还包括：训练步骤，用于对模型进行训练；

42、其中，所述训练步骤，包括：

43、获取训练数据，所述训练数据，包括：训练搜索条件，以及，备选测试场景的训练文本描述；

44、将所述训练搜索条件进行分词后输入bert模型以得到训练搜索条件文本语义特征向量的序列；

45、将所述训练搜索条件文本语义特征向量的序列进行级联以得到训练搜索条件语义编码特征向量；

46、对所述备选测试场景的训练文本描述进行分词处理后输入包含bert模型和lstm模型的测试场景语义编码器以得到训练测试场景词粒度语义编码特征向量的序列；

47、将所述训练测试场景词粒度语义编码特征向量的序列输入利用序列内部相关性的语义增强模块以得到训练强化测试场景词粒度语义编码特征向量的序列；

48、将所述训练搜索条件语义编码特征向量和所述训练强化测试场景词粒度语义编码特征向量的序列输入单向注意力逐粒度扫描交互匹配模块以得到训练单向匹配结果表示向量；

49、将所述训练单向匹配结果表示向量输入基于分类器的搜索结果生成器以得到分类损失函数值；

50、基于损失函数通过梯度反向传播来训练模型。

51、本技术的实施例还提供了一种云控一体化智能驾驶自动协同测试平台，其中，所述云控一体化智能驾驶自动协同测试平台根据前述任一所述的控制方法运行。

52、根据本技术的实施例的云控一体化智能驾驶自动协同测试平台及控制方法，其利用先进的人工智能技术和自然语言处理技术，以从用户输入的搜索条件中理解用户的测试需求和意图，并将其与描述测试场景的文本语义特征进行匹配，从而将高度匹配的测试场景返回给用户。通过这样的方式，实现海量场景的全自动化匹配，以满足不同用户对自动驾驶系统测试的多样化需求。