本申请提供了一种驾驶测试场景的确定方法、确定装置和电子设备，该确定方法包括：获取自动驾驶功能测试中用于调取测试场景的目标触发条件；将所述目标触发条件输入到训练好的梯度提升决策树模型中，以得到所述目标触发条件对应的各个场景参数的参数值范围；针对每个场景参数，从该场景参数的参数值范围内随机抽取N个参数取值，其中，N为大于或等于2的正整数；从每个场景参数对应的N个参数取值中抽取一个场景值进行组合，得到与所述目标触发条件对应的测试场景。根据所述确定方法和确定装置，可以解决现有技术中根据触发条件构建的测试场景都很固定且不具有随机性的问题。试场景都很固定且不具有随机性的问题。试场景都很固定且不具有随机性的问题。
【技术实现步骤摘要】
一种驾驶测试场景的确定方法、确定装置和电子设备
[0001]本申请涉及自动驾驶
，具体而言，涉及一种驾驶测试场景的确定方法、确定装置和电子设备。
技术介绍
[0002]随着人民生活水平的提高，轿车等交通工具成为人们主要的代步工具之一，而交通工具的智能化，也使出行更加的方便。在一些情况下，车辆可以自动执行驾驶任务，例如，开启了自动驾驶功能的家用轿车和公交车等。
[0003]自动驾驶系统的开发都遵从仿真到实车测试的过程，虚拟仿真测试作为一种零风险、快速迭代、可复现的测试方法，为自动驾驶技术上路测试奠定了坚实的基础。仿真测试可以快速有效的对算法的正确性与性能进行测试。而要实现仿真测试，就需要为仿真测试搭建虚拟的测试场景。
[0004]目前，在搭建虚拟测试场景时，一般是通过对车辆解决方案的分析推导出危害场景的触发条件，再通过人工搭建或者实车采集的方式以得到与触发条件对应的测试场景，使得用户可以进行仿真测试。但这种方法获取到的测试场景都很固定，不具有随机性，并且在人工搭建时考虑到的测试场景并不够全面，在实车采集时或因极端事件极难发生而采集不到足够量的数据，进而导致得到的测试场景也不够准确。因此如何通过触发条件自动生成与之对应的测试场景成为了不容小觑的技术问题。
技术实现思路
[0005]有鉴于此，本申请的目的在于提供一种驾驶测试场景的确定方法、确定装置及电子设备，利用训练好的梯度提升决策树模型可以得到目标触发条件对应的各个场景参数的参数值范围，然后对各个场景参数的参数值范围进行随机采样，每个参数值范围可以得到N个参数取值，最后利用每个场景参数的N个参数取值进行随机组合，可以得到目标触发条件对应的测试场景，这样根据目标触发条件确定出的测试场景具有随机性，更能符合真实的驾驶情况，并且得到的测试场景也更加准确。
[0006]第一方面，本申请实施例提供了一种驾驶测试场景的确定方法，所述确定方法包括：
[0007]获取自动驾驶功能测试中用于调取测试场景的目标触发条件；
[0008]将所述目标触发条件输入到训练好的梯度提升决策树模型中，以得到所述目标触发条件对应的各个场景参数的参数值范围；
[0009]针对每个场景参数，从该场景参数的参数值范围内随机抽取N个参数取值，其中，N为大于或等于2的正整数；
[0010]从每个场景参数对应的N个参数取值中抽取一个场景值进行组合，得到与所述目标触发条件对应的测试场景。
[0011]进一步的，通过以下方式训练所述梯度提升决策树模型：
[0012]获取样本数据，其中，所述样本数据包括至少一个触发条件，所述至少一个触发条件中每个触发条件对应的至少一个样本场景；
[0013]将所述样本数据输入至梯度提升决策树原始模型中，对所述梯度提升决策树原始模型进行训练，以得到梯度提升决策树模型。
[0014]进一步的，所述对所述梯度提升决策树原始模型进行训练，以得到梯度提升决策树模型，包括：
[0015]基于所述样本数据生成第一决策树，其中，所述第一决策树代表所述样本数据中每个样本场景对应的预测触发条件；
[0016]将所述第一决策树的预测结果与所述样本数据中的触发条件进行对比，计算所述第一决策树的预测误差和损失值；
[0017]基于所述第一决策树的预测误差生成第二决策树；
[0018]将所述第二决策树的预测结果与所述样本数据中的触发条件进行对比，计算所述第二决策树的预测误差和损失值；
[0019]若所述第二决策树的损失值大于损失阈值，或，所述梯度提升决策树原始模型中决策树的数量小于数量阈值，则基于所述第二决策树的预测误差生成下一决策树，直至所述下一决策树的损失值小于所述损失阈值或所述梯度提升决策树原始模型中决策树的数量等于所述数量阈值，得到梯度提升决策树模型。
[0020]进一步的，通过以下步骤生成决策树：
[0021](A)根据所述样本数据中每个样本场景的每个样本场景参数，确定出切分参数和所述切分参数对应的切分点；
[0022](B)基于所述切分参数和所述切分参数对应的切分点确定出两个节点区域，其中，所述节点区域用来表征以所述切分点为临界点划分出的取值范围；
[0023](C)针对于每个节点区域，基于该节点区域确定出该节点区域对应的第一输出值，其中，所述第一输出值用来表征该节点区域的预测情况；
[0024](D)基于每个节点区域对应的第一输出值，确定出所述切分点对应的平方误差，其中，所述平方误差用来表征所述切分点所划分的两个节点区域之间的预测误差；
[0025](E)调整所述切分参数对应的切分点，返回执行步骤(A)，直至所述平方误差达到误差阈值，得到最优切分参数对应的最优目标切分点，并将所述最优切分参数下的最优目标切分点作为所述决策树对应的结点。
[0026]进一步的，所述将所述目标触发条件输入到训练好的梯度提升决策树模型中，以得到所述目标触发条件对应的各个场景参数的参数值范围，包括：
[0027]基于所述目标触发条件和所述梯度提升决策树模型，确定与所述目标触发条件对应的至少一个场景参数；
[0028]针对于每个场景参数，基于所述梯度提升决策树模型中的决策树确定该场景参数对应的取值切分点，其中，所述取值切分点用来表征该场景参数在所述目标触发条件下的临界点；
[0029]基于该场景参数和该场景参数对应的取值切分点确定出该场景参数的参数值范围。
[0030]进一步的，所述针对每个场景参数，从该场景参数的参数值范围内随机抽取N个参
数取值，包括：
[0031]针对于每个场景参数，对该场景参数的参数值范围进行等间隔划分，得到在该场景参数的参数值范围内的N个子参数值范围；
[0032]针对于N个子参数值范围，对每个子参数值范围内的参数进行随机取样，以得到在该场景参数对应的N个参数取值。
[0033]第二方面，本申请实施例还提供了一种驾驶测试场景的确定装置，所述确定装置包括：
[0034]目标触发条件确定模块，用于获取自动驾驶功能测试中用于调取测试场景的目标触发条件；
[0035]参数值范围确定模块，用于将所述目标触发条件输入到训练好的梯度提升决策树模型中，以得到所述目标触发条件对应的各个场景参数的参数值范围；
[0036]参数取值确定模块，用于针对每个场景参数，从该场景参数的参数值范围内随机抽取N个参数取值，其中，N为大于或等于2的正整数；
[0037]测试场景确定模块，用于从每个场景参数对应的N个参数取值中抽取一个场景值进行组合，得到与所述目标触发条件对应的测试场景。
[0038]进一步的，所述确定装置还包括模型训练模块，所述模型训练模块用于通过以下方式训练所述梯度提升决策树模型：
[0039]获取样本数据，其中，所述样本数据包括至少一个触发条件，所述至少一个触发条件中每个触发条件对应的至少一个样本场景；
[0040]将所述样本数据输本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种驾驶测试场景的确定方法，其特征在于，所述确定方法包括：获取自动驾驶功能测试中用于调取测试场景的目标触发条件；将所述目标触发条件输入到训练好的梯度提升决策树模型中，以得到所述目标触发条件对应的各个场景参数的参数值范围；针对每个场景参数，从该场景参数的参数值范围内随机抽取N个参数取值，其中，N为大于或等于2的正整数；从每个场景参数对应的N个参数取值中抽取一个场景值进行组合，得到与所述目标触发条件对应的测试场景。2.根据权利要求1所述的确定方法，其特征在于，通过以下方式训练所述梯度提升决策树模型：获取样本数据，其中，所述样本数据包括至少一个触发条件，所述至少一个触发条件中每个触发条件对应的至少一个样本场景；将所述样本数据输入至梯度提升决策树原始模型中，对所述梯度提升决策树原始模型进行训练，以得到梯度提升决策树模型。3.根据权利要求2所述的确定方法，其特征在于，所述对所述梯度提升决策树原始模型进行训练，以得到梯度提升决策树模型，包括：基于所述样本数据生成第一决策树，其中，所述第一决策树代表所述样本数据中每个样本场景对应的预测触发条件；将所述第一决策树的预测结果与所述样本数据中的触发条件进行对比，计算所述第一决策树的预测误差和损失值；基于所述第一决策树的预测误差生成第二决策树；将所述第二决策树的预测结果与所述样本数据中的触发条件进行对比，计算所述第二决策树的预测误差和损失值；若所述第二决策树的损失值大于损失阈值，或，所述梯度提升决策树原始模型中决策树的数量小于数量阈值，则基于所述第二决策树的预测误差生成下一决策树，直至所述下一决策树的损失值小于所述损失阈值或所述梯度提升决策树原始模型中决策树的数量等于所述数量阈值，得到梯度提升决策树模型。4.根据权利要求3所述的确定方法，其特征在于，通过以下步骤生成决策树：(A)根据所述样本数据中每个样本场景的每个样本场景参数，确定出切分参数和所述切分参数对应的切分点；(B)基于所述切分参数和所述切分参数对应的切分点确定出两个节点区域，其中，所述节点区域用来表征以所述切分点为临界点划分出的取值范围；(C)针对于每个节点区域，基于该节点区域确定出该节点区域对应的第一输出值，其中，所述第一输出值用来表征该节点区域的预测情况；(D)基于每个节点区域对应的第一输出值，确定出所述切分点对应的平方误差，其中，所述平方误差用来表征所述切分点所划分的两个节点区域之间的预测误差；(E)调整所述切分参数对应的切分点，返回执行步骤(A)，直至所述平方误差达到误差阈值，得到最优切分参数对应的最优目标切分点，并将所述最优切分参数下的最优目标切...
【专利技术属性】
技术研发人员：胡大林，彭思阳，胡艳玲，杨强，
申请(专利权)人：北京赛目科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。