一种智能驾驶测试路线生成方法与流程

allin2023-03-25  58



1.本发明涉及智能驾驶测试领域,具体应用于整车智能驾驶测试道路选择。


背景技术:

2.目前,智能驾驶辅助系统的日趋成熟,具备驾驶辅助功能的汽车保有量逐年上升。智能驾驶辅助系统利用其丰富的车载传感器,通过对交通环境的感知,实现车辆的横向、纵向控制。使用智能驾驶辅助功能,有利于减少驾驶员长途驾驶带来的疲劳,提升驾驶舒适性。
3.在车型开发阶段,智能驾驶辅助系统整车道路测试是开发环节不可或缺的一环。但是开发阶段的mil、sil、hil测试受限于测试平台,感知系统无法做到有效模拟,导致测试结果无法真实反映系统可靠性。目前智能驾驶辅助最有效的测试手段仍是整车道路测试。
4.智能驾驶整车路测最关键的测试要素是测试场景,测试人员需要验证系统在面对不同场景下的性能表现及稳定性。因此,实际道路测试累计的里程越多,测试场景越复杂,越有利于暴露系统缺陷与不足。通常,传统测试方式一般采取增加测试里程的方式,来增加场景覆盖度。但受限于开发周期、成本等因素,车型开发阶段的道路测试里程往往是有限的。如何在有限的里程内最大程度增加场景覆盖,暴露系统缺陷,提高测试的效率,是困扰智能驾驶道路测试的重点问题。因此,需要一种方法帮助测试人员选择合理、高效的测试路线。


技术实现要素:

5.本发明提供一种智能驾驶测试路线生成方法,解决在智能驾驶辅助测试路线规划时,长期依托于经验或主观判断作为路线选择依据,无法客观比较测试路线的优劣,无法针对驾驶辅助系统的控制逻辑进行针对性测试的问题。
6.为解决上述技术问题,本发明提供如下技术方案:
7.一种智能驾驶测试路线生成方法,其包括如下步骤:
8.1、定义道路静态场景复杂度模型及其计算方法:复杂度模型中包含核心场景元素,根据元素类型按布尔值与非布尔值分别计算单一场景要素复杂度ci。
9.实际交通环境中,场景要素种类繁多,各种场景对驾驶辅助系统的影响度程度也不尽相同。本发明对场景加以筛选,将与系统关联度高的场景类型作为核心场景。本发明的核心场景是根据系统的控制逻辑以及历史测试故障数据进行确定。
10.参考iso 34502五层元素划分。因临时交通变化、交通参与者、天气条件等元素动态变化频繁,导致测试条件变化,不利于测试结果的横向对比。因此本发明不将此部分场景元素纳入统计,本发明主要选取道路等级、交通设施为主要对象。
11.在智能驾驶辅助系统的控制中,主要分为横向控制、纵向控制两个维度,主要通过前摄像头、毫米波雷达对车道以及车道周边的交通参与者、障碍物等进行识别。通过系统融合计算,发出车辆行驶路径或进行制动、减速等执行指令。
12.本发明通过对100万公里的测试数据进行分析总结,车道(车道线)的识别对系统的控制起着关键作用,60%以上的问题发生与车道相关参数有关,因此本发明将车道相关的9个特征元素纳入统计,如图包括胡同、模糊、旧线干扰、鱼骨线、缺失、超宽、超窄、一变二、二变一。其次将对雷达识别准确度有影响的路面颠簸、护栏、横穿等场景纳入统计。最后是匝道功能模块直接关联的匝道场景也被纳入统计。
13.综合以上信息,本步骤定义的道路静态场景复杂度模型中就包含17个核心场景元素,参见表1
14.表1:
[0015][0016][0017]
2、定义路段场景复杂度cj作为客观指标,并引入历史故障系数对复杂度进行修正。本步骤是将不同静态元素导致的历史故障比例作为修正系数k,对道路复杂度进行校正,使场景复杂度模型与历史故障保持正相关性,计算路段场景复杂度(公式3)。
[0018]
也即,道路场景复杂度由此路段包含的单一静态场景复杂度ci累计求和,并根据历史故障占比系数k进行修正。
[0019]
3、采集道路场景信息并处理:
[0020]
采集真实道路场景,获得路段静态场景数量,并以xkm对所有采集路面进行等分,统计计算每个xkm道路内的场景复杂度,在相同的颗粒度范围内对各路段进行横向比较,得到路段复杂度梯度模型。这里,x为厂家的设定值。
[0021]
本步骤中,通过搭载采集设备的采集车,对目标路线进行静态场景信息采集。采集内容覆盖所有核心场景要素i,包含道路几何信息、道路周边静态场景图像信息等。
[0022]
本步骤中,需要对目标区域内的线路进行全覆盖采集,采集的目标范围以行政区作为区域划分进行区域采集,根据规划的采集路线进行场景采集,路线的双向场景全覆盖。
[0023]
4、测试路线生成:通过第三方地图软件对离散的高复杂度路段进行连接,生成一条连续的高复杂度的测试路线。
[0024]
由以上技术方案可见,本发明具有如下特点:
[0025]
1、本发明的路线数据源于真实场景数据,测试路线不再以测试人员经验、主观判断作为路线选择的依据,提高了路线选择结果的可信度。
[0026]
2、本发明的核心元素的选取依据驾驶辅助系统的控制原理和历史故障,保障测试路线与系统的高关联度,测试场景更聚焦,同时减少无效的里程,提高测试效率,降低测试成本。
[0027]
3、本发明通过构建道路场景复杂度模型,构建道路的复杂度梯度。测试人员根据模型梯度选择测试路线,提升单位里程内的场景复杂度,增加驾驶辅助系统感知、融合的难度,提高系统运行负载,达到提升测试效率的目的。
[0028]
综上可见,本发明通过定义道路静态场景复杂度极其计算法方法,构建道路场景复杂度模型,过滤出高场景复杂度的路段。再通过地图工具,将各路段进行衔接,得到一条连续的高场景复杂度测试路线。本方法筛选后的路线,单位里程内的场景复杂度高,选择此路线可以增加驾驶辅助系统感知、融合的难度,提高系统运行负载,达到提升测试效率的目的。
附图说明
[0029]
图1为本发明的一个实施例提供的一种测试路线生成方法的流程图;
[0030]
图2为地图软件生成测试路线的逻辑框图;
具体实施方式
[0031]
下面结合说明书附图对本发明进行进一步的描述:
[0032]
参见图1,本实施例提供的智能驾驶测试路线生成方法包括如下步骤:
[0033]
1、定义道路静态场景复杂度模型及其计算方法
[0034]
本步骤定义的道路静态场景复杂度模型中就包含17个核心场景元素,参见表1。
[0035]
1.1、计算单一场景要素复杂度ci。
[0036]
1.1.1、对于布尔值类型要素(如:隧道),在场景中出现其自身复杂度ci即为1,否则为0。
[0037]
1.1.2、对于非布尔值类型(如:坡度、曲率)要素,按如下公式进行规一化处理,得出自身复杂度。
[0038]
坡度:
[0039][0040]
式中:
[0041]
gra代表道路满足目标值的平均坡度,目标值gra≥3%;
[0042]
w代表经验系数;
[0043]
i代表不同的场景要素。
[0044]
曲率:
[0045][0046]
式中:
[0047]
cur代表道路满足目标值曲率的平均曲率,目标值cur>0.004。
[0048]
2、定义路段场景复杂度cj:
[0049]
本方法定义道路复杂度cj作为客观指标。道路场景复杂度由此路段包含的单一静态场景复杂度ci累计求和,并根据历史故障占比系数k进行修正。
[0050][0051]
式中:
[0052]
n为场景要素;
[0053]
m为此场景在本路段出现的频次或满足目标值的里程;
[0054]
k为历史故障占比系数。
[0055]
3、场景采集及数据处理
[0056]
3.1、场景采集车对目标道路进行场景采集,采集内容包括道路场景视频图像、路线gps、里程、道路坡度、曲率等信息。主要以场景视频及整车can网络数据作为主要采集对象,覆盖以上17个核心场景要素信息。
[0057]
要求:驾驶采集车对目标区域内的线路进行全覆盖采集。确定采集的目标范围,以省级行政区作为区域划分进行区域采集。根据规划的采集路线进行场景采集,路线的双向场景全覆盖。
[0058]
3.2、采集完成后,对采集到的数据场景进行标注,并按每50公里对标注后的数据进行统计分组,按公式3得到路线场景复杂度cj。
[0059]
4、测试路线生成,参见图2:
[0060]
4.1、按照路段复杂度排序,根据测试里程需求,将对应数量的路段gps信息导入地图模块。
[0061]
4.2、地图模块获取路段起点、终点的经纬度。
[0062]
4.3、地图模块根据经纬度信息对各路段的起点、终点距离进行判断,将距离最近的两点进行连接,并借助地图内置工具按高速优先原则生成路线,得到一条连续的测试路线,路线文件可进行保存输出,输出格式包含kml,kmz等通用格式。
[0063]
4.3.1、两点之间连接时需增加判断逻辑,排除同路段的点相连,避免生成的连接路线为原始路段;
[0064]
4.3.2、按复杂度排序后的路段在真实路线中并不连续,两个路线段中通过连接路段进行连接,因此最终生成的路线里程将大于选定的路线段里程之和。选取路线段时需根据实际测试需求,通过适当减少导入地图的路线段以获取符合测试预期的路线里程。
[0065]
这里的地图模块(地图软件)可以是由厂家基于某电子地图开发平台开发的路线
规划软件。
[0066]
本方法的特点是:路线数据源于真实场景数据,测试路线不再以测试人员经验、主观判断作为路线选择的依据,提高了路线选择结果的可信度;核心元素的选取依据驾驶辅助系统的控制原理和历史故障,保障测试路线与系统的高关联度,测试场景更聚焦,同时减少无效的里程,提高测试效率,降低测试成本。

技术特征:
1.智能驾驶测试路线生成方法,其特征在于,包括如下步骤:(1)定义道路静态场景复杂度模型及其计算方法:复杂度模型中包含核心场景元素,根据元素类型按布尔值与非布尔值分别计算单一场景要素复杂度ci;(2)定义路段场景复杂度cj作为客观指标,并引入历史故障系数对复杂度进行修正:将不同静态元素导致的历史故障比例作为修正系数k,对道路复杂度进行校正,使场景复杂度模型与历史故障保持正相关性,计算路段场景复杂度cj:(3)采集真实道路场景,获得路段静态场景数量,并以xkm对所有采集路面进行等分,统计计算每个xkm道路内的路段场景复杂度cj,在相同的颗粒度范围内对各路段进行横向比较,得到路段复杂度梯度模型;(4)测试路线生成:通过地图软件对离散的高复杂度路段进行连接,生成一条连续的高复杂度的测试路线。2.根据权利要求1所述的智能驾驶测试路线生成方法,其特征在于,所述步骤(1)中,核心场景元素是根据系统控制的关键参数以及历史测试故障数据进行确定,包括隧道、上方横穿、侵入车道、护栏、曲率、坡度、匝道、车道线和补丁路面/坑洼等。3.根据权利要求1所述的智能驾驶测试路线生成方法,其特征在于,所述步骤(1)中,计算单一场景要素复杂度ci具体如下:对于布尔值类型要素,在场景中出现其自身复杂度ci即为1,否则为0;对于非布尔值类型要素,按如下公式进行规一化处理,得出自身复杂度:坡度:式中:gra代表道路满足目标值的平均坡度,目标值gra≥3%;w代表经验系数;i代表不同的场景要素;曲率:式中:cur代表道路满足目标值曲率的平均曲率,目标值cur>0.004。4.根据权利要求1所述的智能驾驶测试路线生成方法,其特征在于所述步骤(2)中路段场景复杂度cj计算公式如下:式中:n为场景要素;m为此场景在本路段出现的频次或满足目标值的里程;k为历史故障占比系数。5.根据权利要求1所述的智能驾驶测试路线生成方法,其特征在于所述步骤(3)场景采集的内容包括道路场景视频图像、路线gps、里程、道路坡度、曲率等信息,采集完成后,对采集到的数据场景进行标注,并按每x公里对标注后的数据进行统计分组,按公式3得到路段场景复杂度cj。
6.根据权利要求1所述的智能驾驶测试路线生成方法,其特征在于所述步骤(4)测试路线生成包括:(4.1)按照路段复杂度排序,根据测试里程需求,将对应数量的路段gps信息导入地图模块;(4.2)地图模块获取路段起点、终点的经纬度;(4.3)地图模块根据经纬度信息对各路段的起点、终点距离进行判断,将距离最近的两点进行连接,并借助地图内置工具按高速优先原则生成路线,得到一条连续的测试路线。

技术总结
本发明是一种智能驾驶测试路线生成方法,通过定义道路静态场景复杂度极其计算法方法,构建道路场景复杂度模型,过滤出高场景复杂度的路段,再通过地图工具,将各路段进行衔接,得到一条连续的高场景复杂度测试路线。本方法筛选后的路线,单位里程内的场景复杂度高,选择此路线可以增加驾驶辅助系统感知、融合的难度,提高系统运行负载,达到提升测试效率的目的。的。的。


技术研发人员:郭军 邓晶 张衡
受保护的技术使用者:重庆长安汽车股份有限公司
技术研发日:2022.03.21
技术公布日:2022/7/5
转载请注明原文地址: https://www.8miu.com/read-7645.html

最新回复(0)