一种智能车辆驾驶能力边界界定方法及相关设备与流程

1.本发明涉及自动驾驶测试数据分析技术领域，特别涉及一种智能车辆驾驶能力边界界定方法及相关设备。


背景技术：

2.汽车的智能化与网联化是未来汽车发展的大趋势，基于场景的测试技术是自动驾驶测试评价的不可或缺的重要环节。自动驾驶车辆的安全问题始终是智能交通领域的研究重点，不论国内还是国外的学者都十分关注这一话题。其中基于场景的自动驾驶车辆主动安全性评价逐渐成为学者们关注的重点，而基于逻辑场景的自动驾驶汽车的安全性评估是未来研究的主流。
3.现有应用于自动驾驶汽车仿真参数配置的方式是模糊测试，该方式通过对场景各个参数的输入通过特定的策略进行随机化的生成，最后将生成的各个动态参数进行组合，从而批量生成一个测试场景集。该测试方式能快速有效的测试出自动驾驶汽车在一类场景中的能力边界，尤其对于有潜在碰撞风险的场景，通过模糊测试可以快速找出自动驾驶汽车的安全边界，从而用于自动驾驶汽车算法的评估和迭代。
4.然而，在目前汽车的自动驾驶汽车模糊测试数据分析领域中，模糊测试仿真结果数据量大，人工分析需要逐个打开子场景，核对场景设计合理性，和自动驾驶汽车性能。此流程耗时长效率低，严重拖延模糊测试场景设计和测试迭代流程。同时，无法直观的分析出模糊场景集的能力边界和异常场景，得出自动驾驶汽车在此模糊场景驾驶能力的结论。因此，如何提高对自动驾驶汽车模糊测试数据分析效率，确定自动驾驶汽车能力边界，识别有潜在碰撞风险的异常场景，成了本领域技术人员需要解决的技术问题。


技术实现要素：

5.本发明提供了一种智能车辆驾驶能力边界界定方法及相关设备，其目的是为了有效提高自动驾驶安全测试的测试效率和准确率。
6.为了达到上述目的，本发明提供了一种智能车辆驾驶能力边界界定方法，包括：
7.步骤1，获取真实交通事故的事故数据，提炼多个典型危险逻辑场景；
8.步骤2，根据目标车辆中自动驾驶传感器的精度，对每个典型危险逻辑场景中用于表征事故车辆运动信息的动态参数进行处理，形成多个测试空间，每个测试空间包括多个测试案例，多个测试案例对应的动态参数不同；
9.步骤3，结合目标车辆的动力学模型以及替代安全指标，将根据事故数据提炼的驾驶员行为特征代入每个测试空间中，计算每个测试案例的理论风险值，得到理论事故边界，理论事故边界包括理论安全边界、理论危险边界和理论碰撞边界；替代安全指标用于表征道路的交通安全风险；
10.步骤4，针对多个测试空间中的每个测试空间，基于替代安全指标，对每个测试案例进行测试，得到每个测试案例的测试结果，并对每个测试案例进行分析，拟合得到多个测
试事故边界，测试事故边界包括测试安全边界、测试危险边界以及测试碰撞边界；
11.步骤5，比较理论事故边界与测试事故边界，计算测试危险边界在理论危险边界中所占的百分比以及在理论危险边界以外的测试危险边界的数量占总边界的百分比，得到目标车辆在多个典型危险逻辑场景的驾驶能力边界。
12.进一步来说，步骤1包括：
13.获取真实交通事故的事故数据，事故数据包括静态参数和动态参数；
14.使用无监督学习方法，以静态参数作为输入变量，选取预设聚类系数构建多个参数组合，得到多个典型危险逻辑场景。
15.进一步来说，计算每个测试案例的理论风险值，得到理论事故边界，包括：
16.通过避撞策略和所述替代安全指标，计算每个所述测试案例的最小替代安全指标mingttc
positive
，所述最小替代安全指标mingttc
positive
》0，得到每个所述测试案例的理论风险值；
17.根据最小替代安全指标mingttc
positive
对每个测试案例进行分类；
18.当0《mingttc
positive
≤0.3时为理论碰撞场景；
19.当0.3＜mingttc
positive
≤1时为理论危险场景；
20.当mingttc＞1时为理论安全场景；
21.对理论安全场景、理论危险场景、理论碰撞场景的边界进行拟合，得到理论安全边界、理论危险边界和理论碰撞边界。
22.进一步来说，定义自车和目标车在同向同车道匀速行驶，目标车的速度为v1，自车速度v2，两车相对距离d，安全距离为d
safe_distance
米，车道宽度d
lane
米；
23.当目标车做匀减速运动直至停止，减速度为a1，自车的决策点为距离目标车为d
decision
米，在自车到达决策点时，包括以下两种避撞策略：
24.直接制动情况：
25.若自车在决策点时已经开始制动，则到达安全距离所需要的时间为：
[0026][0027]
其中v2为自车的速度，a2为自车直接制动的减速度；
[0028]
若t3《t
2-t
1-d
safe_distance
/(v1+e-6
)，则选择直接制动避让；
[0029]
其中，t2为到达决策点时的时间，t1为目标车停止所需要的时间；
[0030]
变道制动避让情况：
[0031]
若自车无法在到达安全距离之前停止，则选择变道制动，若自车换道角度为θ需要t4的时间才能完成变道，
[0032][0033]
以a3的减速度运动并到达左侧车道，自车的位置和速度向量为：
[0034]
r'2＝[x
2-d
lane
,y2+v2(t
2-t4)-0.5a3(t
2-t4)2]
[0035]v2
'＝[0,v
2-a3t4]
[0036]
根据后车的位置和速度向量，计算在避撞过程中自车的替代安全指标gttc为：
[0037][0038]
其中，y1、y2表示自车的纵坐标、目标车的纵坐标，a3为自车变道制动避让的减速度，d
ij
表示两车之间最近的两个点的绝对距离；r1与r2为目标车与自车的位置向量，v1与v2为目标车与自车的速度向量。
[0039]
进一步来说，在步骤5之前还包括：
[0040]
对比理论危险边界和理论碰撞边界，确定被遗漏的测试案例；
[0041]
基于替代安全指标，在测试空间中对被遗漏的测试案例进行补充测试，得到被遗漏的测试案例的测试结果，并对该测试案例进行分析，拟合得到第二测试危险边界和第二测试碰撞边界；
[0042]
将第二测试危险边界补充至测试危险边界，得到测试危险边界集；
[0043]
将第二测试碰撞边界补充至测试碰撞边界，得到测试碰撞边界集。
[0044]
进一步来说，步骤5包括：
[0045]
采用多维高斯分布模型对多个理论危险边界进行聚类拟合，得到危险边界面，计算在危险边界面内未测试的理论危险边界的数量，得到所有理论危险边界；
[0046]
将所有理论危险边界与测试危险边界集进行比较，计算出测试危险边界集在所有理论危险边界中所占的百分比；
[0047]
根据测试危险边界集在所有理论危险边界中所占的百分比，计算在所有理论危险边界以外的测试危险边界的数量；
[0048]
计算在所有理论危险边界以外的测试危险边界的数量占总边界的百分比，得到在多个典型危险逻辑场景的驾驶能力边界。
[0049]
进一步来说，多维高斯分布模型的表达式如下：
[0050][0051]
其中，d为参数维度，d为用来描述各类型参数相关度的协方差矩阵，μ为各参数变量的均值向量，x为具体场景参数向量。
[0052]
本发明还提供了一种智能车辆驾驶能力边界界定装置，包括：
[0053]
获取模块，用于获取真实交通事故的事故数据，提炼多个典型危险逻辑场景类；
[0054]
处理模块，用于根据目标车辆中自动驾驶传感器的精度，对每个典型危险逻辑场景中用于表征事故车辆运动信息的动态参数进行处理，形成多个测试空间，每个测试空间内的不同动态参数的组合代表一件测试案例；
[0055]
计算模块，用于根据事故数据提炼的驾驶员行为特征，结合目标车辆的动力学模型以及替代安全指标，将驾驶员行为特征代入每个测试空间中，计算每个测试案例的理论风险值，得到理论事故边界，理论事故边界包括理论安全边界、理论危险边界和理论碰撞边界；替代安全指标用于表征道路的交通安全风险；
[0056]
测试模块，用于针对多个测试空间中的每个测试空间，基于替代安全指标，在测试空间中对每个测试案例进行测试，得到每个测试案例的测试结果，并对每个测试案例进行分析，拟合得到多个测试事故边界，测试事故边界包括测试安全边界、测试危险边界以及测
试碰撞边界；
[0057]
比较模块，用于比较理论事故边界与测试事故边界，计算测试危险边界在理论危险边界中所占的百分比以及在理论危险边界以外的测试危险边界的数量占总边界的百分比，得到目标车辆在多个典型危险逻辑场景的驾驶能力边界。
[0058]
本发明还提供了一种计算机可读存储介质，用于存储计算机程序，通过执行计算机程序，用于实现智能车辆驾驶能力边界界定方法。
[0059]
本发明还提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现智能车辆驾驶能力边界界定方法。
[0060]
本发明的上述方案有如下的有益效果：
[0061]
本发明通过获取真实交通事故的事故数据，提炼多个典型危险逻辑场景；根据目标车辆中自动驾驶传感器的精度，对每个典型危险逻辑场景中用于表征事故车辆运动信息的动态参数进行处理，形成多个测试空间，每个测试空间包括多个测试案例，多个测试案例对应的动态参数不同；根据事故数据提炼的驾驶员行为特征，结合目标车辆的动力学模型以及替代安全指标，将驾驶员行为特征代入每个测试空间中，计算每个测试案例的理论风险值，得到理论事故边界；针对多个测试空间中的每个测试空间，基于替代安全指标，对每个测试案例进行测试，得到每个测试案例的测试结果，并对每个测试案例进行分析，拟合得到多个测试事故边界；比较理论事故边界与测试事故边界，计算测试危险边界在理论危险边界中所占的百分比以及在理论危险边界以外的测试危险边界的数量占总边界的百分比，得到目标车辆在多个典型危险逻辑场景的驾驶能力边界；有效地提高了自动驾驶安全测试的测试效率和驾驶能力边界的准确度，为评估自动驾驶算法在该参数空间下的安全性能提供了数据支撑。
[0062]
本发明的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
[0063]
图1为本发明实施例的流程示意图；
[0064]
图2为本发明实施例中类c1簇的动态参数分布图；
[0065]
图3为本发明实施例中遍历测试拟合的碰撞边界示意图；
[0066]
图4为本发明实施例中加速测试拟合的碰撞边界示意图。
具体实施方式
[0067]
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。显然，所描述的实施例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。
[0068]
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0069]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是锁定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0070]
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
[0071]
本发明针对现有的问题，提供了一种智能车辆驾驶能力边界界定方法及相关设备。
[0072]
如图1所示，本发明的实施例提供了一种智能车辆驾驶能力边界界定方法，包括：
[0073]
步骤1，获取真实交通事故的事故数据，提炼多个典型危险逻辑场景；
[0074]
步骤2，根据目标车辆中自动驾驶传感器的精度，对每个典型危险逻辑场景中用于表征事故车辆运动信息的动态参数进行处理，形成多个测试空间，每个测试空间包括多个测试案例，多个测试案例对应的动态参数不同；
[0075]
步骤3，结合目标车辆的动力学模型以及替代安全指标，将根据事故数据提炼的驾驶员行为特征代入每个测试空间中，计算每个测试案例的理论风险值，得到理论事故边界，理论事故边界包括理论安全边界、理论危险边界和理论碰撞边界；替代安全指标用于表征道路的交通安全风险；
[0076]
步骤4，针对多个测试空间中的每个测试空间，基于替代安全指标，对每个测试案例进行测试，得到每个测试案例的测试结果，并对每个测试案例进行分析，拟合得到多个测试事故边界，测试事故边界包括测试安全边界、测试危险边界以及测试碰撞边界；
[0077]
步骤5，比较理论事故边界与测试事故边界，计算测试危险边界在理论危险边界中所占的百分比以及在理论危险边界以外的测试危险边界的数量占总边界的百分比，得到目标车辆在多个典型危险逻辑场景的驾驶能力边界。
[0078]
由于自动驾驶车辆在大量投入使用前需要经过充足的测试，概括性质的逻辑场景已无法满足自动驾驶安全测试对于高覆盖度的需求，因此需要针对场景的构成，针对构成场景的危险参数进行泛化，以得到该以该场景为基准的若干轨迹场景。
[0079]
具体来说，步骤1包括：
[0080]
获取真实交通事故的事故数据，事故数据包括静态参数和动态参数；静态参数为道路类型、道路线性、路面状况、视线遮挡、碰撞点、事故参与双方车辆类型、事故发生时间与地点等，动态参数为事故参与双方碰撞前的运动信息，即位置变化、速度变化、车头朝向变化等；
[0081]
使用无监督学习方法，以静态参数作为输入变量，选取预设聚类系数构建多个参数组合，得到多个典型危险逻辑场景。
[0082]
在本发明实施例中根据智能车辆测试需求，对真实交通事故记性深度事故调研，采集整理相关事故数据，对采集得到的事故数据进行重建并结构化处理，提炼出若干典型危险逻辑场景。
[0083]
根据事故深度调查数据，提炼典型危险逻辑场景，如下表1所示：
[0084]
表1
[0085][0086]
根据每类簇中包含的事故数据，统计出每类簇的动态参数分布图如图2所示；以类簇1为例子，其典型场景描述如下：在夜间和潮湿的道路条件下，直行进入十字路口的自车影响到直行的目标车，两车之间没有视觉障碍。自车的速度从10-39公里/小时不等，目标车的速度从18-36公里/小时不等。两车在此场景下，动态参数可以提炼为：自车速度v1、目标车速度v2、自动驾驶算法感知距离d等。
[0087]
具体来说，步骤2根据目标车辆中自动驾驶传感器的精度，对每个典型危险逻辑场景中用于表征事故车辆运动信息的动态参数进行处理，形成多个测试空间，每个测试空间内的不同动态参数的组合代表一件测试案例。
[0088]
在本发明实施例中考虑的动态参数包括事故车辆的传感器精度、被测算法模型、系统运算频率等，当多种动态参数共同影响时，选择最宽松的限制条件作为离散步长。以相对距离为例，毫米波雷达长距离测距精度为
±
0.5m，中距离测距精度为
±
0.25m，因此可以将相对距离以1m的步长进行离散。
[0089]
将目标车速度按照1.8km/h(0.5m/s)的步长，得到两车的速度集合[21km/h，39km/h]，[18.9km/h，36km/h]，根据测试需要，可以将两车的起始距离d以5m为步长进行离散，其初始的起始距离为50m，则离散后的集合为[40m，60m]，如下表2所示。
[0090]
表2
[0091]
序号v1v2d1211840222.819.845324.621.650
426.423.455528.225.26063027 731.828.8 833.630.6 935.432.4 1037.234.2 113936 [0092]
三种参数互相组合，将会在每个测试空间内形成11
×
11
×
5共605个测试案例。
[0093]
具体来说，步骤3中计算每个测试案例的理论风险值，得到理论事故边界，包括：
[0094]
通过避撞策略和替代安全指标(surrogate safety measure，ssm)，计算每个测试案例的最小替代安全指标mingttc
positive
，最小替代安全指标mingttc
positive
》0，得到每个测试案例的理论风险值；
[0095]
在本发明实施例中，根据车辆运动学模型计算各典型危险逻辑场景中待测自车在每个时刻下的替代安全指标gttc，可根据不同的测试需求自行选取时间步长。替代安全指标计算的公式如下：
[0096][0097][0098][0099]
其中：pi为车i的二维坐标向量；pj为车j的二维坐标向量。
[0100]
根据最小替代安全指标mingttc
positive
对每个测试案例进行分类；
[0101]
当0《mingttc
positive
≤0.3时为理论碰撞场景；
[0102]
当0.3＜mingttc
positive
≤1时为理论危险场景；
[0103]
当mingttc＞1时为理论安全场景；
[0104]
对理论安全场景、理论危险场景、理论碰撞场景的边界进行拟合，得到理论安全边界、理论危险边界和理论碰撞边界。
[0105]
具体来说，对该类多维逻辑场景所对应的具体测试用例，考虑自动驾驶传感器的设置以及横向与纵向控制，预设如下：
[0106]
定义自车和目标车在同向同车道匀速行驶，目标车的速度为v1，自车速度v2，两车相对距离d，安全距离为d
safe_distance
米，车道宽度d
lane
米；
[0107]
当目标车做匀减速运动直至停止，减速度为a1，自车的决策点为距离目标车为d
decision
米，在自车未到达决策点之前，做匀速运动，在自车到达决策点时，如果自车无法在安全距离前停止，那自车会选择向左变道并且避让，如果在变道完成后，自车还未停止的话，将在左边车道以a4米的减速度继续制动并向前运动。
[0108]
首先，定义一个向量来表示两辆车的位置和速度：
[0109]
目标车的位置和速度向量为r1＝[x1,y1]，v1＝[v
1x
,v
1y
]；
[0110]
自车的位置和速度向量为r2＝[x2,y2]，v2＝[v
2x
,v
2y
]；
[0111]
其中，v
1y
和v
2y
分别表示自车和目标车在纵坐标轴的正方向上的速度，v
1x
和v
2x
分别表示自车和目标车在横坐标轴的正方向上的速度。
[0112]
当t＝0时，r1＝[0,d]，v1＝[0,v1],r2＝[0,0]，v2＝[0,v2]。
[0113]
其次，定义为d＝|r
2-r1|，表示自车与于目标车的相对距离。定义安全距离为d
safe_distance
。
[0114]
根据定义，目标车将做匀减速运动，直至停止，减速度a1。我们设t1为目标车停止所需要的时间，则有以下公式：
[0115][0116][0117]
接下来，考虑自车的运动行为。根据描述，当自车到达距离目标车为d
decision
米的位置时，将需要做出决策。我们设这个决策点的坐标为r3＝[0,y3]，其中：
[0118]
y3＝y1+d
decision
[0119]
自车在决策点之前一直以匀速运动，速度为v2，所以到达决策点时的时间为：
[0120][0121]
y2＝v2t2[0122]
后车包括以下两种避撞策略：
[0123]
直接制动情况：
[0124]
若自车在决策点时已经开始制动，则到达安全距离所需要的时间为：
[0125][0126]
其中v2为自车的速度，a2为自车直接制动的减速度；
[0127]
若t3《t
2-t
1-d
safe_distance
/(v1+e-6
)，则选择直接制动避让；
[0128]
其中，t2为到达决策点时的时间，t1为目标车停止所需要的时间；
[0129]
变道制动避让情况：
[0130]
若自车无法在到达安全距离之前停止，则选择变道制动，若自车换道角度为θ需要t4的时间才能完成变道，
[0131][0132]
以a3的减速度运动并到达左侧车道，自车的位置和速度向量为：
[0133]
r'2＝[x
2-d
lane
,y2+v2(t
2-t4)-0.5a3(t
2-t4)2]
[0134]v2
'＝[0,v
2-a3t4]
[0135]
根据后车的位置和速度向量，计算在避撞过程中自车的替代安全指标gttc为：
[0136]
[0137]
其中，y1、y2表示自车的纵坐标、目标车的纵坐标，a3为自车变道制动避让的减速度，d
ij
表示两车之间最近的两个点的绝对距离；r1与r2为目标车与自车的位置向量，v1与v2为目标车与自车的速度向量。
[0138]
步骤4，针对多个测试空间中的每个测试空间，基于替代安全指标，对每个测试案例进行测试，得到每个测试案例的测试结果，并对每个测试案例进行分析，拟合得到多个测试事故边界，测试事故边界包括测试安全边界、测试危险边界以及测试碰撞边界。
[0139]
在本发明实施例中结合大邻域搜索算法(adaptive large neighborhood search，alns)，在某黑盒自动驾驶仿真平台上对每个测试案例进行快速、自动化迭代测试，包括:
[0140]
1、初始化：随机生成一个初始解(d0,a0)，即在参数空间也就是多维逻辑场景对应的具体测试用例中随机选择一个具体测试用例作为初始解，并且设置空的解集，即危险场景集。
[0141]
2、破坏算子设定：设置六个破坏算子，分别是此多维逻辑场景各个维度参数的增加或减少一定范围内的数值，并赋予其相同的初始权重和不同初始分数：将相对距离减少、自车速度增加、目标车速度减少的破坏算子初始分数设为1.5；其余算子初始分数设为1，所有破坏算子初始权重均为1。
[0142]
3、修复算子设定：破坏后的解有极大概率不在离散后的具体测试用例中，所以结合本发明实施例的实际问题，设置四个修复算子，分别是先固定破坏后的解的一个参数再找寻未测试的具体测试用例中距离破坏后的解欧氏距离最近的解作为修复后的解，或是直接搜寻未测试的具体测试用例中欧氏距离最近的解作为修复后的解，并赋予其相同的初始权重和分数，均为1。
[0143]
4、停止准测设定：设置最大迭代次数和模拟退火停止温度，作为迭代停止的条件。
[0144]
5.迭代过程：重复以下步骤直到满足停止准则：
[0145]
(1)解破坏：根据破坏算子的权重结合轮盘赌的方法，选择破坏算子对当前解进行破坏生成一个破坏后的解，例如(d0)。
[0146]
(2)解修复：根据修复算子的权重结合轮盘赌的方法，选择修复算子对破坏后的解进行修复，产生一个修复后的新解(d1)，并计算目标函数值mingttc
positive
。
[0147]
(3)接受判断与模拟退火：根据目标函数的值即mingttc
positive
，判断是否接受新解作为当前解。例如，如果参数变化后
△
mingttc
positive
≤0，则始终接受；否则，进入模拟退火：以概率p＝exp(
‑△
mingttc
positive
/tc)接受新解，其中tc为模拟退火当前温度；再根据降温速度更新当前温度。
[0148]
(4)更新：根据算法的性质，结合算子使用情况、目标函数、解的接受情况更新破坏和修复算子的分数、使用次数与权重，权重计算方式如下：
[0149][0150]
其中w为算子权重，s为算子分数，u为算子的使用次数，ρ为权重更新系数(控制权重变化的速度)。
[0151]
分数计算方式如下：
[0152]
①
破坏/修复后得到新的全局最优解，+1.5分
[0153]
②
破坏/修复后没有得到全局最优解：
[0154]
尚未接受过的但比当前解好，+1.2分
[0155]
尚未接受过的且比当前解差：
[0156]
mingttc
positive
≤0.5且在模拟退火中被接受，+0.8分
[0157]
mingttc
positive
≤0.5且在模拟退火中被拒绝，+0.6分
[0158]
mingttc
positive
》0.5且在模拟退火中被接受，+0.4分
[0159]
mingttc
positive
》0.5且在模拟退火中被拒绝，+0.2分
[0160]
(5)解存储：将测试过的解放入已测试场景集中，防止反复测试；将接受的解放入危险场景集。
[0161]
在这个方法中，模拟退火算法被嵌套到alns算法中来进一步搜索解空间并且加速收敛。在alns算法中，模拟退火算法可以看作是一种特殊的扰动策略，用于更加深入地搜索邻域空间并且避免陷入局部最优解。同时，通过不断逐渐降低接受概率，模拟退火算法也可以帮助alns算法避免过早收敛，从而更好地发现全局最优解，其算法伪代码如下所示：
[0162]
输入：参数空间d、破坏/修复算子终止条件、算子参数(模拟退火初始温度tb、终止温度te、当前温度tc、冷却速度α、破坏/修复算子权重累加分数使用次数)
[0163]
输出：危险场景集x
*
[0164]
构建可行初始解x0，令x＝x0,tc＝tb，x
*
＝φ
[0165]
while未满足最大的外层迭代次数τdo
[0166]
while模拟退火当前温度tc》终止温度tedo
[0167]
按权重从破坏算子库中进行轮盘赌选择破坏算子对当前解x进行破坏产生破坏后的解x
destroy
[0168]
按权重从修复算子库中进行轮盘赌选择修复算子对破坏后的解x
destroy
进行修复产生新解x'
[0169]
if f(x')《f(x)then
[0170]
x＝x
′
[0171]
x
*
＝{x
*
,x'}
[0172]
else if x'满足模拟退火接收准则then
[0173]
x＝x
′
[0174]
x
*
＝{x
*
,x'}
[0175]
tc＝a*tc[0176]
更新破坏、修复算子的分数和权重
[0177]
end if
[0178]
end while
[0179]
end while
[0180]
在alns算法中，邻域结构和扰动策略是非常关键的因素，需要根据具体问题进行设计和调整。同时，停止准则也是非常重要的，需要考虑算法的运行时间和目标精度等因
素。在实际应用中，alns算法常常与其他优化技术相结合，形成混合算法以提高求解效果和速度。
[0181]
将模拟退火算法嵌套到alns算法中使用，以提高alns算法的收敛速度和解的质量。
[0182]
由于搜索算法会忽视掉一些其认为不重要的参数组合，因此，也会可能遗漏掉一些存在危险的测试场景。因此，在步骤5之前还包括：
[0183]
对比理论危险边界和理论碰撞边界，确定被遗漏的测试案例；
[0184]
基于替代安全指标，在测试空间中对被遗漏的测试案例进行补充测试，得到被遗漏的测试案例的测试结果，并对该测试案例进行分析，拟合得到第二测试危险边界和第二测试碰撞边界；
[0185]
将第二测试危险边界补充至测试危险边界，得到测试危险边界集；
[0186]
将第二测试碰撞边界补充至测试碰撞边界，得到测试碰撞边界集。
[0187]
本发明实施例采用高斯混合聚类的方法，对危险参数空间内的所有参数组合进行聚类，以避撞策略计算每个参数组合的理论风险等级作为输入特征；最终同样按照不同的风险等级：安全、危险、碰撞，在参数空间拟合出三个面，该三个面即为理论上的驾驶能力边界；该步骤得出的理论边界将作为测试边界的补充，以弥补在优化测试过程中造成的关键场景缺失的问题。
[0188]
具体来说，步骤5包括：
[0189]
采用多维高斯分布模型对多个理论危险边界进行聚类拟合，得到危险边界面，计算在危险边界面内未测试的理论危险边界的数量，得到所有理论危险边界；
[0190]
将所有理论危险边界与测试危险边界集进行比较，计算出测试危险边界集在所有理论危险边界中所占的百分比；
[0191]
根据测试危险边界集在所有理论危险边界中所占的百分比，计算在所有理论危险边界以外的测试危险边界的数量；
[0192]
计算在所有理论危险边界以外的测试危险边界的数量占总边界的百分比，得到在多个典型危险逻辑场景的驾驶能力边界。
[0193]
具体来说，多维高斯分布模型的表达式如下：
[0194][0195]
其中，d为参数维度，d为用来描述各类型参数相关度的协方差矩阵，μ为各参数变量的均值向量，x为具体场景参数向量。
[0196]
本发明实施例通过遍历方式和加速方式对测试空间进行测试，在遍历测试过程中，平均每个测试案例用时2分钟，共用时为1210分钟以上，拟合结果如图3所示；在加速测试过程中，以两车的起始距离d＝55m的情况为例子，共测试328组，共用时为478分钟，拟合结果如图4所示，两者相比，缩短了大约45％的测试时间。
[0197]
通过覆盖度与安全性的对比，对比碰撞边界内的碰撞区域面积大小，计算公式如下：对于一个三维的光滑曲面s，有：
[0198][0199]
其中d
xy
是s在xy平面的投影。
[0200]
本发明实施例通过获取真实交通事故的事故数据，提炼多个典型危险逻辑场景；根据目标车辆中自动驾驶传感器的精度，对每个典型危险逻辑场景中的动态参数进行处理，形成多个测试空间，每个测试空间包括多个测试案例；结合目标车辆的动力学模型以及替代安全指标，将根据事故数据提炼的驾驶员行为特征代入每个测试空间中，计算每个测试案例的理论风险值，得到理论事故边界；针对多个测试空间中的每个测试空间，基于替代安全指标，对每个测试案例进行测试，得到每个测试案例的测试结果，并对每个测试案例进行分析，拟合得到多个测试事故边界；比较理论事故边界与测试事故边界，计算测试危险边界在理论危险边界中所占的百分比以及在理论危险边界以外的测试危险边界的数量占总边界的百分比，得到目标车辆在多个典型危险逻辑场景的驾驶能力边界；有效地提高了自动驾驶安全测试的测试效率和驾驶能力边界的准确度，为评估自动驾驶算法在该参数空间下的安全性能提供了数据支撑。
[0201]
本发明实施例还提供了一种智能车辆驾驶能力边界界定装置，包括：
[0202]
获取模块，用于获取真实交通事故的事故数据，提炼多个典型危险逻辑场景；
[0203]
处理模块，用于根据目标车辆中自动驾驶传感器的精度，对每个典型危险逻辑场景中用于表征事故车辆运动信息的动态参数进行处理，形成多个测试空间，每个测试空间包括多个测试案例，多个测试案例对应的动态参数不同；
[0204]
计算模块，用于结合目标车辆的动力学模型以及替代安全指标，将根据事故数据提炼的驾驶员行为特征代入每个测试空间中，计算每个测试案例的理论风险值，得到理论事故边界，理论事故边界包括理论安全边界、理论危险边界和理论碰撞边界；替代安全指标用于表征道路的交通安全风险；
[0205]
测试模块，用于针对多个测试空间中的每个测试空间，基于替代安全指标，对每个测试案例进行测试，得到每个测试案例的测试结果，并对每个测试案例进行分析，拟合得到多个测试事故边界，测试事故边界包括测试安全边界、测试危险边界以及测试碰撞边界；
[0206]
比较模块，用于比较理论事故边界与测试事故边界，计算测试危险边界在理论危险边界中所占的百分比以及在理论危险边界以外的测试危险边界的数量占总边界的百分比，得到目标车辆在多个典型危险逻辑场景的驾驶能力边界。
[0207]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本发明实施例方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0208]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单
元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0209]
本发明实施例还提供了一种计算机可读存储介质，用于存储计算机程序，通过执行计算机程序，用于实现智能车辆驾驶能力边界界定方法。
[0210]
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，本发明实施例实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到构建装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0211]
本发明实施例还提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现智能车辆驾驶能力边界界定方法。
[0212]
需要说明的是，终端设备可以是手机、平板电脑、笔记本电脑、超级移动个人计算机(umpc，ultra-mobile personal computer)、上网本、个人数字助理(pda，personal digital assistant)等终端设备上，例如，终端设备可以是wlan中的站点(st，staion)，可以是蜂窝电话、无绳电话、会话启动协议(sip，session initiation protocol)电话、无线本地环路(wll，wireless local loop)站、个人数字处理(pda，personal digital assistant)设备、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、电脑、膝上型计算机、手持式通信设备、手持式计算设备、卫星无线设备等。本发明实施例实施例对终端设备的具体类型不作任何限制。
[0213]
所称处理器可以是中央处理单元(cpu，central processing unit)，该处理器还可以是其他通用处理器、数字信号处理器(dsp，digital signal processor)、专用集成电路(asic，application specific integrated circuit)、现成可编程门阵列(fpga，field-programmable gate array)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0214]
所述存储器在一些实施例中可以是所述终端设备的内部存储单元，例如终端设备的硬盘或内存。所述存储器在另一些实施例中也可以是所述终端设备的外部存储设备，例如所述终端设备上配备的插接式硬盘，智能存储卡(smc，smart media card)，安全数字(sd，secure digital)卡，闪存卡(flash card)等。进一步地，所述存储器还可以既包括所述终端设备的内部存储单元也包括外部存储设备。所述存储器用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
[0215]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本发明实施例方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0216]
以上所述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，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种智能车辆驾驶能力边界界定方法，其特征在于，包括：步骤1，获取真实交通事故的事故数据，提炼多个典型危险逻辑场景；步骤2，根据目标车辆中自动驾驶传感器的精度，对每个所述典型危险逻辑场景中用于表征事故车辆运动信息的动态参数进行处理，形成多个测试空间，每个所述测试空间包括多个测试案例，多个测试案例对应的动态参数不同；步骤3，结合所述目标车辆的动力学模型以及替代安全指标，将根据所述事故数据提炼的驾驶员行为特征代入每个所述测试空间中，计算每个所述测试案例的理论风险值，得到理论事故边界，所述理论事故边界包括理论安全边界、理论危险边界和理论碰撞边界；所述替代安全指标用于表征道路的交通安全风险；步骤4，针对多个所述测试空间中的每个测试空间，基于所述替代安全指标，对每个所述测试案例进行测试，得到每个测试案例的测试结果，并对每个测试案例进行分析，拟合得到多个测试事故边界，所述测试事故边界包括测试安全边界、测试危险边界以及测试碰撞边界；步骤5，比较所述理论事故边界与所述测试事故边界，计算所述测试危险边界在所述理论危险边界中所占的百分比以及在所述理论危险边界以外的测试危险边界的数量占总边界的百分比，得到所述目标车辆在多个典型危险逻辑场景的驾驶能力边界。2.根据权利要求1所述的智能车辆驾驶能力边界界定方法，其特征在于，所述步骤1包括：获取所述真实交通事故的事故数据，所述事故数据包括静态参数和动态参数；使用无监督学习方法，以所述静态参数作为输入变量，选取预设聚类系数构建多个参数组合，得到多个典型危险逻辑场景。3.根据权利要求2所述的智能车辆驾驶能力边界界定方法，其特征在于，计算每个所述测试案例的理论风险值，得到理论事故边界，包括：通过避撞策略和所述替代安全指标，计算每个所述测试案例的最小替代安全指标mingttc
positive
，所述最小替代安全指标mingttc
positive
>0，得到每个所述测试案例的理论风险值；根据所述最小替代安全指标mingttc
positive
对每个所述测试案例进行分类；当0＜mingttc
positive
≤0.3时为理论碰撞场景；当0.3＜mingttc
positive
≤1时为理论危险场景；当mingttc>1时为理论安全场景；对所述理论安全场景、所述理论危险场景、所述理论碰撞场景的边界进行拟合，得到理论安全边界、理论危险边界和理论碰撞边界。4.根据权利要求3所述的智能车辆驾驶能力边界界定方法，其特征在于，定义自车和目标车在同向同车道匀速行驶，目标车的速度为v1，自车速度v2，两车相对距离d，安全距离为d
safe_distance
米，车道宽度d
lane
米；当目标车做匀减速运动直至停止，减速度为a1，自车的决策点为距离目标车为d
decision
米，在自车到达决策点时，包括以下两种避撞策略：直接制动情况：若自车在决策点时已经开始制动，则到达安全距离所需要的时间为：
其中v2为自车的速度，a2为自车直接制动的减速度；若t3＜t
2-t
1-d
safe_distance
/(v1+e-6
)，则选择直接制动避让；其中，t2为到达决策点时的时间，t1为目标车停止所需要的时间；变道制动避让情况：若自车无法在到达安全距离之前停止，则选择变道制动，若自车换道角度为θ需要t4的时间才能完成变道，以a3的减速度运动并到达左侧车道，自车的位置和速度向量为：r
′2＝[x
2-d
lane
，y2+v2(t
2-t4)-0.5a3(t
2-t4)2]v2′
＝[0，v
2-a3t4]根据后车的位置和速度向量，计算在避撞过程中自车的替代安全指标gttc为：其中，y1、y2表示自车的纵坐标、目标车的纵坐标，a3为自车变道制动避让的减速度，d
ij
表示两车之间最近的两个点的绝对距离；r1与r2为目标车与自车的位置向量，v1与v2为目标车与自车的速度向量。5.根据权利要求3所述的智能车辆驾驶能力边界界定方法，其特征在于，在所述步骤5之前还包括：对比所述理论危险边界和所述理论碰撞边界，确定被遗漏的测试案例；基于所述替代安全指标，在所述测试空间中对被遗漏的测试案例进行补充测试，得到被遗漏的测试案例的测试结果，并对该测试案例进行分析，拟合得到第二测试危险边界和第二测试碰撞边界；将所述第二测试危险边界补充至所述测试危险边界，得到测试危险边界集；将所述第二测试碰撞边界补充至所述测试碰撞边界，得到测试碰撞边界集。6.根据权利要求5所述的智能车辆驾驶能力边界界定方法，其特征在于，所述步骤5包括：采用多维高斯分布模型对多个所述理论危险边界进行聚类拟合，得到危险边界面，计算在所述危险边界面内未测试的理论危险边界的数量，得到所有理论危险边界；将所有理论危险边界与所述测试危险边界集进行比较，计算出所述测试危险边界集在所有理论危险边界中所占的百分比；根据所述测试危险边界集在所有理论危险边界中所占的百分比，计算在所有理论危险边界以外的测试危险边界的数量；计算在所有理论危险边界以外的测试危险边界的数量占总边界的百分比，得到在多个典型危险逻辑场景的驾驶能力边界。7.根据权利要求6所述的智能车辆驾驶能力边界界定方法，其特征在于，所述多维高斯
分布模型的表达式如下：其中，d为参数维度，d为用来描述各类型参数相关度的协方差矩阵，μ为各参数变量的均值向量，x为具体场景参数向量。8.一种智能车辆驾驶能力边界界定装置，其特征在于，包括：获取模块，用于获取真实交通事故的事故数据，提炼多个典型危险逻辑场景；处理模块，用于根据目标车辆中自动驾驶传感器的精度，对每个所述典型危险逻辑场景中用于表征事故车辆运动信息的动态参数进行处理，形成多个测试空间，每个所述测试空间包括多个测试案例，多个测试案例对应的动态参数不同；计算模块，用于结合所述目标车辆的动力学模型以及替代安全指标，将根据所述事故数据提炼的驾驶员行为特征代入每个所述测试空间中，计算每个所述测试案例的理论风险值，得到理论事故边界，所述理论事故边界包括理论安全边界、理论危险边界和理论碰撞边界；所述替代安全指标用于表征道路的交通安全风险；测试模块，用于针对多个所述测试空间中的每个测试空间，基于所述替代安全指标，对每个所述测试案例进行测试，得到每个测试案例的测试结果，并对每个测试案例进行分析，拟合得到多个测试事故边界，所述测试事故边界包括测试安全边界、测试危险边界以及测试碰撞边界；比较模块，用于比较所述理论事故边界与所述测试事故边界，计算所述测试危险边界在所述理论危险边界中所占的百分比以及在所述理论危险边界以外的测试危险边界的数量占总边界的百分比，得到所述目标车辆在多个典型危险逻辑场景的驾驶能力边界。9.一种计算机可读存储介质，用于存储计算机程序，其特征在于，通过执行所述计算机程序，用于实现如权利要求1至7中任意一项所述的智能车辆驾驶能力边界界定方法。10.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的智能车辆驾驶能力边界界定方法。

技术总结
本发明提供了一种智能车辆驾驶能力边界界定方法及相关设备，包括：获取真实交通事故的事故数据，提炼多个典型危险逻辑场景；对每个典型危险逻辑场景中用于表征事故车辆运动信息的动态参数进行处理，形成包括多个测试案例的多个测试空间；将根据事故数据提炼的驾驶员行为特征代入每个测试空间中，计算每个测试案例的理论风险值，得到理论事故边界；基于替代安全指标，在每个测试空间中对每个测试案例进行测试和分析，拟合得到多个测试事故边界；比较理论事故边界与测试事故边界，得到目标车辆在多个典型危险逻辑场景类的驾驶能力边界；有效地提高了自动驾驶安全测试的测试效率和驾驶能力边界的准确度。驾驶能力边界的准确度。驾驶能力边界的准确度。


技术研发人员：黄合来 林子谦 陈吉光 彭靖丰 周锐 黄湘智
受保护的技术使用者：湖南纽狐科技有限公司
技术研发日：2023.05.05
技术公布日：2023/8/9