一种基于感知故障的自动驾驶仿真测试方法和系统技术方案

本发明专利技术公开了一种基于感知故障的自动驾驶仿真测试方法和系统，涉及自动驾驶的技术领域，包括获取自动驾驶车辆运行中的真值数据和传感器感知数据，确定感知故障场景，提取感知故障数据及其对应的真值数据；对感知故障数据进行处理，获得感知故障数据的类型及其的子类型；利用感知故障数据对应的真值数据设置场景标签；匹配感知故障数据的子类型与场景标签获得故障

【技术实现步骤摘要】
一种基于感知故障的自动驾驶仿真测试方法和系统


[0001]本专利技术涉及自动驾驶的
，更具体地，涉及一种基于感知故障的自动驾驶仿真测试方法和系统
。

技术介绍

[0002]自动驾驶车辆通过摄像头
、
激光雷达
、
毫米波雷达
、
超声波雷达等多种车载传感器来感知周围环境
、
状态，根据获得的道路
、
交通
、
车辆位置和障碍物等信息自主做出分析判断
、
路径规划，进而控制车辆行为
。
为保证自动驾驶功能可靠安全性，自动驾驶算法在车辆量产上市前需进行充分的测试工作，仿真测试相较于实车测试具有成本低
、
测试速度快
、
场景效率高的优势，而被广泛应用于软件功能验证
。
当前自动驾驶仿真测试多采用理想传感器模型，主要用于验证决策规划控制算法
。
通过对实车测试问题进行分析，其中感知问题占比达
40%
，同时传感器所感知到的信息很难达到绝对的稳定和可靠，因此建立感知故障场景开展测试对于促进算法快速迭代
、
自动驾驶车辆优化量产至关重要
。
[0003]现有技术提供了一种基于感知缺陷的自动驾驶测试场景的评价方法，包括：获取用于测试的自动驾驶场景；根据自动驾驶场景的静态和动态交通要素计算道路风险暴露程度
、
事故产生风险等级
、
事故严重程度；根据不同类型车载传感器的感知程度将自动驾驶场景进行分类，感知程度包括完全感知
、
部分感知或不能感知，对每一类自动驾驶场景进行风险等级评级，得到感知缺陷风险等级；根据得到的风险暴露程度
、
事故产生风险等级
、
事故严重程度及感知缺陷风险等级，建立评价模型进行评价，识别出关键具体场景用于自动驾驶场景风险测试评价
。
该现有技术是将提取出的各类关键场景用于风险测试评价，没有引入感知故障场景，无法实现对潜在危险行为的有效识别，进而无法确保自动驾驶的安全性和舒适性
。

技术实现思路

[0004]本专利技术的目的之一在于提供一种基于感知故障的自动驾驶仿真测试方法，以克服上述现有技术在自动驾驶仿真测试中无法实现对潜在危险行为的有效识别，自动驾驶的安全性低和舒适性差的缺陷；目的之二在于提供一种基于感知故障的自动驾驶仿真测试系统
。
[0005]为解决上述技术问题，本专利技术的技术方案如下：本专利技术提供了一种基于感知故障的自动驾驶仿真测试方法，包括：获取自动驾驶车辆运行中的地图数据
、
真值数据和传感器感知数据；基于所述真值数据和传感器感知数据，确定感知故障场景，提取感知故障数据及其对应的真值数据；对所述感知故障数据进行处理，获得感知故障数据的类型以及各类型感知故障数据的子类型；基于所述感知故障数据对应的真值数据和地图数据，设置场景标签；
将所述感知故障数据的子类型与场景标签进行匹配，获得故障
‑
场景映射关系；根据所述故障
‑
场景映射关系，为预设的自动驾驶场景库中的真值场景对应生成真实感知故障数据；基于所述自动驾驶场景库中的真值场景和对应的真实感知故障数据，进行自动驾驶仿真测试
。
[0006]优选地，利用自动驾驶车辆搭载的真值系统获取自动驾驶车辆运行中的真值数据；利用自动驾驶车辆搭载设置的车载传感器获取自动驾驶车辆运行中的传感器感知数据
。
[0007]优选地，所述车载传感器包括摄像头
、
激光雷达
、
超声波雷达
、
毫米波雷达中的一种或多种
。
[0008]优选地，所述基于真值数据和传感器感知数据，确定感知故障场景，提取感知故障数据及其对应的真值数据的具体方法为：将所述真值数据与传感器感知数据进行时间帧同步；将相同时间帧的真值数据和传感器感知数据进行对比，获得对比偏差；若在持续若干个时间帧内，对比偏差均大于预设偏差阈值，则将大于预设偏差阈值的对比偏差的开始时间帧至结束时间帧之间的传感器感知数据，作为感知故障场景；提取所述感知故障场景的开始时间帧前秒至结束时间帧后秒的时间段对应的传感器感知数据，作为感知故障数据；
[0009]提取与所述感知故障数据的时间段相同的真值数据，作为感知故障数据对应的真值数据
。
[0010]优选地，对所述感知故障数据进行处理，获得的感知故障数据的类型包括类型识别故障
、
运动状态故障数据和存在性识别故障
。
[0011]优选地，采用高斯混合模型对各类型的感知故障数据进行聚类处理，获得各类型感知故障数据的子类型，具体包括：采用高斯混合模型对类型识别故障进行聚类处理，获得类型识别故障的子类型，包括行人误识别
、
两轮车误识别
、
小车误识别
、
大车误识别
、
车道线误识别和可行驶区域边框点类型错误；采用高斯混合模型对运动状态故障数据进行聚类处理，获得运动状态故障数据的子类型，包括目标横纵向加速度错误
、
目标横纵向速度错误
、
目标横纵向距离错误
、
目标航向角错误
、
目标几何尺寸识别错误和可行驶区域边框点运动状态错误；采用高斯混合模型对存在性识别故障进行聚类处理，获得存在性识别故障的子类型，包括目标漏识别
、
虚目标和置信度偏差
。
[0012]采用高斯混合模型分别对各类型的感知故障数据进行聚类处理，高斯混合模型分别如下式所示：
[0013]其中，其中表示高斯混合模型中高斯核的数量，即任一类型的感知故障数据下聚类划分出的子类型的个数；表示第个高斯分量在模型中发生的概率，
，分别表示第个高斯分量所对应的均值矩阵和方差矩阵
。
输入量为任一类型的感知故障数据的参数集；
[0014]采用有界参数范围的期望最大化（
Expectation Maximization
，
EM
）算法进行拟合，其中
E
步计算高斯分量对观测数据的响应度：
[0015][0016]其中，为条件概率，表示数据点属于第个高斯分量的概率；
[0017]M
步计算新一轮迭代的模型参数：
[0018][0019][0020]其中，和表达式为：
[0021][0022][0023]在上式中，和分别表示在有界范围内的高斯一阶矩和二阶矩；和的取值分别为：，
;
[0024]在训练过程中的收敛条件为：
[0025]为确定高斯核的数量，采用贝叶斯信息量准则（
Bayesian Information Criterion
，
BIC
）为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于感知故障的自动驾驶仿真测试方法，其特征在于，包括：获取自动驾驶车辆运行中的地图数据
、
真值数据和传感器感知数据；基于所述真值数据和传感器感知数据，确定感知故障场景，提取感知故障数据及其对应的真值数据；对所述感知故障数据进行处理，获得感知故障数据的类型以及各类型感知故障数据的子类型；基于所述感知故障数据对应的真值数据和地图数据，设置场景标签；将所述感知故障数据的子类型与场景标签进行匹配，获得故障
‑
场景映射关系；根据所述故障
‑
场景映射关系，为预设的自动驾驶场景库中的真值场景对应生成真实感知故障数据；基于所述自动驾驶场景库中的真值场景和对应的真实感知故障数据，进行自动驾驶仿真测试
。2.
根据权利要求1所述的基于感知故障的自动驾驶仿真测试方法，其特征在于，利用自动驾驶车辆搭载的真值系统获取自动驾驶车辆运行中的真值数据；利用自动驾驶车辆搭载设置的车载传感器获取自动驾驶车辆运行中的传感器感知数据
。3.
根据权利要求2所述的基于感知故障的自动驾驶仿真测试方法，其特征在于，所述车载传感器包括摄像头
、
激光雷达
、
超声波雷达
、
毫米波雷达中的一种或多种
。4.
根据权利要求1所述的基于感知故障的自动驾驶仿真测试方法，其特征在于，所述基于真值数据和传感器感知数据，确定感知故障场景，提取感知故障数据及其对应的真值数据的具体方法为：将所述真值数据与传感器感知数据进行时间帧同步；将相同时间帧的真值数据和传感器感知数据进行对比，获得对比偏差；若在持续若干个时间帧内，对比偏差均大于预设偏差阈值，则将大于预设偏差阈值的对比偏差的开始时间帧至结束时间帧之间的传感器感知数据，作为感知故障场景；提取所述感知故障场景的开始时间帧前秒至结束时间帧后秒的时间段对应的传感器感知数据，作为感知故障数据；提取与所述感知故障数据的时间段相同的真值数据，作为感知故障数据对应的真值数据
。5.
根据权利要求1或4所述的基于感知故障的自动驾驶仿真测试方法，其特征在于，对所述感知故障数据进行处理，获得的感知故障数据的类型包括类型识别故障
、
运动状态故障数据和存在性识别故障
。6.
根据权利要求5所述的基于感知故障的自动驾驶仿真测试方法，其特征在于，采用高斯混合模型对各类型的感知故障数据进行聚类处理，获得各类型感知故障数据的子类型，具体包括：采用高斯混合模型对类型识别故障进行聚类处理，获得类型识别故障的子类型，包括行人误识别
、
两轮车误识别
、
小车误识别
、
大车误识别
、
车道线误识别和可行驶区域边框点类型错误；采用高斯混合模型对运...

【专利技术属性】
技术研发人员：刘瑛，吴平，唐诚成，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：