CN111915888B - 一种自动驾驶测试场景中交通参与者复杂度的计算方法 - Google Patents

Abstract

本发明涉及一种自动驾驶测试场景中交通参与者复杂度的计算方法，包括以下步骤：S1：获取测试场景中所有类型交通参与者的动力学参数阈值R_type；S2：根据各交通参与者的初始状态和动力学参数阈值R_type，计算得到对应的纵向采样距离集S^type；S3：通过优化搜索算法得到纵向采样距离集S^type中每个采样距离对应的最优纵向控制量；S4：根据采样距离和最优纵向控制量，计算预测时间t内各交通参与者的可达域Ω^type；S5：根据各交通参与者的可达域Ω^type计算测试场景的交通参与者复杂度H，与现有技术相比，本发明为自动驾驶测试场景中动态交通参与者的状态和参数设计提供依据，具有提高自动驾驶汽车测试效率等优点。

Description

一种自动驾驶测试场景中交通参与者复杂度的计算方法

技术领域

本发明涉及自动驾驶汽车技术中的测试与评价领域，尤其是涉及一种自动驾驶测试场景中交通参与者复杂度的计算方法。

背景技术

近年来，不管在学术还是工业界，自动驾驶汽车技术都是当前研究的热点之一。然而，伴随着自动驾驶技术飞速发展的同时，危险事故的频发使得一些以安全性为主的问题被逐步凸显。解决这些问题的手段之一是对自动驾驶汽车进行准确、充分且完备的测试。一个完备的测试过程，包括了在同一个环境下对被测对象进行多次测试后，用标准的评价指标对测试结果进行量化，然后反馈测试场景设计人员；设计人员根据评价结果对测试场景的安排和布置进行迭代和更新，用以加速自动驾驶汽车的测试过程，提高测试效率。

但是，目前自动驾驶测试场景的评价缺乏统一标准，这其中包括对各自动驾驶车辆典型测试场景的复杂度评价，特别是测试场景中的动态交通参与者复杂度量化方法的相关研究，导致不同参数配置下的动态交通参与者以及测试场景的横向可比性较差。因此，自动驾驶测试场景中动态交通参与者的复杂度量化研究是本领域的一大空缺。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种自动驾驶测试场景中交通参与者复杂度的计算方法，填补自动驾驶测试场景中动态交通参与者的复杂度量化研究领域的空白，为自动驾驶测试场景中动态交通参与者的设计和安排提供依据，使面向同一被测对象的不同复杂度场景，或是同一复杂度下的不同被测对象具备横向对比的条件，提高对自动驾驶汽车测试的效率，加速自动驾驶汽车的落地。

本发明的目的可以通过以下技术方案来实现：

一种自动驾驶测试场景中交通参与者复杂度的计算方法，包括以下步骤：

S1：获取测试场景中所有类型交通参与者的动力学参数阈值R_type；

S2：根据各交通参与者的初始状态和动力学参数阈值R_type，计算得到对应的纵向采样距离集S^type；

S3：通过优化搜索算法得到纵向采样距离集S^type中每个采样距离对应的最优纵向控制量；

S4：根据采样距离和最优纵向控制量，计算预测时间t内各交通参与者的可达域Ω^type；

S5：根据各交通参与者的可达域Ω^type计算测试场景的交通参与者复杂度H。

进一步地，所述的动力学参数阈值R_type的表达式为：

R_type＝(A,D)

其中，type为交通参与者的类型，A为该类交通参与者的纵向最大加速度，D为该类交通参与者的纵向最小减速度。

进一步优选地，其特征在于，所述的交通参与者的初始状态包括初始位置S₀、初始速度v₀和初始加速度a₀。

进一步地，所述的纵向控制量包括车辆沿纵向方向的加速度和减速度。

更进一步优选地，其特征在于，所述的纵向采样距离集S^type中包括预测时间t内，对应交通参与者在初始状态和动力学参数阈值R_type下，能够到达的位置与初始位置S₀的纵向距离。

进一步地，所述的步骤S3具体包括：

S31：初始化第j个采样距离

的纵向控制量

S32：计算对应交通参与者在纵向控制量

下，预测时间t内能够到达的纵向距离S_i；

S33：判断计算得到的纵向距离S_i是否等于该采样距离

对应的预设纵向距离S_j，若是，则输出当前纵向控制量

作为该采样距离

的最优纵向控制量U_j ^*，否则执行步骤S34；

S34：向使得该采样距离

横向距离X最大化的方向优化搜索，更新纵向控制量

并返回执行步骤S32；

S35：重复执行步骤S31-S34，直至得到所有采样距离对应的最优纵向控制量。

进一步地，所述的最优纵向控制量包含在预测时间t内的n个纵向离散控制量a_i，所述的步骤S4具体包括：

S41：对纵向离散控制量a_i进行迭代搜索，计算对应交通参与者在第j个采样距离

下，预测时间t内运动轨迹可达到的最大横向距离X_max，确定在该采样距离下的轨迹边界；

S42：重复执行步骤S41得到所有采样距离下的轨迹边界，并根据各采样距离下的轨迹边界，得到对应交通参与者在预测时间t内的可达域Ω^type；

S43：重复步骤S41-S42，得到各交通参与者在预测时间t内的可达域Ω^type。

进一步地，所述的步骤S5具体包括：

S51：计算可达域Ω^type面积，并得到对应交通参与者选择可达域Ω^type内某一条轨迹的概率，记为轨迹概率

S52：基于信息熵理论计算测试场景内各交通参与者的运动轨迹复杂度H_txpe；

S53：判断测试场景中交通参与者个数是否大于一个，若是，则执行步骤S54，否则输出该交通参与者的运动轨迹复杂度H_type，作为测试场景的交通参与者复杂度H；

S54：将测试场景下所有交通参与者的可达域Ω^type求并集，并减去可达域Ω^type中各交通参与者尺寸所占的面积，得到测试场景总可达域；

S55：利用总可达域计算得到测试场景的总复杂度H_total，作为测试场景的交通参与者复杂度H。

更进一步地，所述的交通参与者的运动轨迹复杂度H_type的计算式为：

其中，

为交通参与者在可达域Ω^type内m条轨迹中选择x轨迹的概率。

所述的总复杂度H_total的计算式为：

其中，

为第τ个交通参与者的可达域，M为测试场景中交通参与者的个数。

优选地，所述的交通参与者的类型包括轿车、客车、摩托车、自行车和行人。

与现有技术相比，本发明具有以下优点：

1)本发明提出的面向自动驾驶测试场景中动态交通参与者复杂度的量化方法，能够填补当下自动驾驶测试场景复杂度量化方法的空缺，为自动驾驶测试场景中动态交通参与者的设计和安排提供依据，使面向同一被测对象的不同复杂度场景，或是同一复杂度下的不同被测对象具备横向对比的条件，提高对自动驾驶汽车测试的效率，从而可快速发现被测车辆系统所存在的问题，促进自动驾驶汽车的迭代更新，加速自动驾驶汽车的落地；

2)本发明方法利用信息熵理论计算自动驾驶测试场景内交通参与者的运动轨迹复杂度，提高测试场景复杂度计算的准确性；

3)本发明方法基于车辆运动学，使用控制量描述车辆的横向与纵向运动，计算所得的车辆可达域能够较为全面地反映车辆基于当前状态，在未来一定预测时间内的行驶可能性，因此由该可达域确定的交通参与者的复杂度计算较为合理；

4)本发明使用的算法于MATLAB上开发完成，亦可用于后续的车辆运动控制的模拟仿真所获得的确定车辆控制量下车辆可达域和复杂度的计算。

附图说明

图1为本发明方法执行流程示意图；

图2为本发明整体流程示意图；

图3为本发明优化搜索算法流程图；

图4为实施例测试场景中各交通参与者的可达域示意图，其中，(4a)为大客车最大可达域，(4b)为小汽车最大可达域；

图5为实施例中测试场景下两车的总可达域示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

如图1所示，本发明提供一种自动驾驶测试场景中交通参与者复杂度的计算方法，包括以下步骤：

S1：获取测试场景中所有类型交通参与者的动力学参数阈值R_type；

S2：根据各交通参与者的初始状态和动力学参数阈值R_type，计算得到对应的纵向采样距离集S^type；

S3：通过优化搜索算法得到纵向采样距离集S^type中每个采样距离对应的最优纵向控制量；

S4：根据采样距离和最优纵向控制量，计算预测时间t内各交通参与者的可达域Ω^type；

S5：根据各交通参与者的可达域Ω^type计算测试场景的交通参与者复杂度H。

(1)步骤S1

S1：获取测试场景中所有类型交通参与者的动力学参数阈值R_type，动力学参数阈值R_type的表达式为：

R_type＝(A,D)

其中，type为交通参与者的类型，A为该类交通参与者的纵向最大加速度，D为该类交通参与者的纵向最小减速度。

该步骤首先确定不同类型交通参与者动力学参数阈值范围R_type(A,D)，其中动力学参数为交通参与者的纵向最大加速度A以及最小减速度D，即动力学参数阈值范围R_type的集合可以为：

其中，A_car为轿车最大加速度，D_car为轿车最小减速度，A_bus为客车最大加速度，D_bus为客车最小减速度，A_moto为摩托车最大加速度，D_moto为摩托车最小减速度，A_bike为自行车最大加速度，D_bike为自行车最小减速度，本发明考虑到不同交通参与者的尺寸大小和动力学参数，将交通参与者的类型分为包括但不限于轿车、客车、摩托车、自行车、行人等。

(2)步骤S2

S2：根据各交通参与者的初始状态和动力学参数阈值R_type，计算得到对应的纵向采样距离集S^type。

车辆的初始状态包括初始位置S₀、初始速度v₀和初始加速度a₀，确定的纵向采样距离集S^type中的元素为采样距离，即为初始位置点与能够到达点间的纵向距离：

m为采样距离的个数，各采样距离之间的距离间隔可以设置为1m，也可以设置为其他数值。

(3)步骤S3-步骤S4

S3：通过优化搜索算法得到纵向采样距离集S^type中每个采样距离对应的。

S4：根据采样距离和最优纵向控制量，计算预测时间t内各交通参与者的可达域Ω^type。

使用优化搜索算法从动力学参数阈值R_type范围内选取在每一采样距离

下的最优纵向控制量U_j ^*：

其中最优纵向控制量U_j ^*包含在预测时间t内的纵向离散控制量a_i(i＝1,2,…,n)，n为预测时间t内纵向离散控制量a_i的个数，各离散控制量a_i之间时间间隔为Δt。

通过对离散控制量a_i进行迭代搜索计算该类交通参与者在预测时间t内，采样距离为

的轨迹可达到的最大横向距离X，进而确定在该采样距离下轨迹边界所确定的可达域，最终得到该类交通参与者在预测时间t内的可达域Ω^type：

优化搜索算法具体包括以下步骤：

S31：初始化第j个采样距离

的纵向控制量

S32：计算对应交通参与者在纵向控制量

下，预测时间t内能够到达的纵向距离S_i；

S33：判断计算得到的纵向距离S_i是否等于该采样距离

对应的预设纵向距离S_j，若是，则输出当前纵向控制量

作为该采样距离

的最优纵向控制量U_j ^*，否则执行步骤S34；

S34：向使得该采样距离

横向距离X最大化的方向优化搜索，更新纵向控制量

并返回执行步骤S32；

S35：重复执行步骤S31-S34，直至得到所有采样距离对应的最优纵向控制量。

迭代搜索具体包括以下步骤：

S41：对纵向离散控制量a_i进行迭代搜索，计算对应交通参与者在第j个采样距离

下，预测时间t内运动轨迹可达到的最大横向距离X_max，确定在该采样距离下的轨迹边界；

S42：重复执行步骤S41得到所有采样距离下的轨迹边界，并根据各采样距离下的轨迹边界，得到对应交通参与者在预测时间t内的可达域Ω^type；

S43：重复步骤S41-S42，得到各交通参与者在预测时间t内的可达域Ω^type。

(4)步骤S5

S5：根据各交通参与者的可达域Ω^type计算测试场景的交通参与者复杂度H。

为了方便计算，认为交通参与者的轨迹在可达域Ω^type内部是均匀分布的，车辆选择可达域内某一条轨迹的轨迹概率

其中<Ω^type>为通过交通参与者在动力学参数约束下的可达域面积，

基于信息熵理论计算测试场景的交通参与者复杂度H时，具体包括两种情况：

(1)该场景下只有一个交通参与者，交通参与者的运动轨迹复杂度H_type即为测试场景的交通参与者复杂度H。

此时信息熵计算公式中的概率参数P即为车辆选择可达域内某一条轨迹x的概率，即

即该交通参与者的运动轨迹复杂度H_type的计算式为：

(2)该场景内有多个交通参与者

此时需要将同一场景下M个不同交通参与者的可达域求并集，并减去可达域中因交通参与者尺寸所占的面积，获得场景中总可达域，最终得到测试场景的总复杂度H_total作为测试场景的交通参与者复杂度H，测试场景的总复杂度H_total的计算式为：

其中，

为第τ个交通参与者的可达域，M为测试场景中交通参与者的个数。

实施例1

本实施例中，测试场景中的交通参与者种类包括小汽车(car)和大客车(bus)，确定两者的动力学参数阈值分别为：

小汽车动力学参数阈值R_car＝(-7.5,6.9)，大客车动力学参数阈值,R_bus＝(-6.0,4.0)。

两种车辆的初始状态参数配置相同，具体为：

S₀＝0；

a₀＝0.5；(ms^-2)

v₀＝15；(ms^-1)

然后根据车辆初始状态与动力学阈值范围计算，得到小汽车全力减速的最终纵向位置为15，全力加速的最终纵向位置为162，故小汽车采样距离集S^car＝{16,17,…,162}，同理大客车的采样距离集S^bus＝{19,20,…,125}。

通过优化搜索获得每个采样距离对应的最优纵向控制量，根据该最优纵向控制量确定车辆在每个时间戳下的坐标参数，连接每个坐标点后获得小汽车和大客车的最大可达域边界分别图4所示，该可达域范围为车辆从下车道的车道中心线位置出发往上车道变道时，车辆可以到达的区域范围。

本实施例中，每个纵向采样距离

确定的可达域边界由50个点构成，每个坐标点之间的时间间隔为0.1s，因此本实施例中预测时间t＝5s，即可以获得车辆未来5s的可达域。

得到两种车辆的采样距离集和最优纵向控制量后，就能够计算两种车辆的可达域面积：对每一个纵向采样距离计算可达域面积Ω^type，通过迭代获得小汽车的最大可达域面积Ω^car＝830.5701m²，大客车的最大可达域面积Ω^bus＝616.2915m²，并求得小汽车的运动轨迹复杂度H_car＝9.70BIT，大客车的运动轨迹复杂度H_bus＝9.27BIT。

当小汽车和大客车位于同一测试场景下时，如图5所示，测试场景的中可达域总面积为小汽车可达域面积减去大客车所占面积，本实施例所选大客车的尺寸为5990mm，宽度为2050mm，即总可达域面积Ω_total＝818.2736m²，最后计算得到该场景总复杂度H_total＝9.67BIT。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种自动驾驶测试场景中交通参与者复杂度的计算方法，其特征在于，包括以下步骤：

S1：获取测试场景中所有类型交通参与者的动力学参数阈值R_type；

S2：根据各交通参与者的初始状态和动力学参数阈值R_type，计算得到对应的纵向采样距离集S^type；

S3：通过优化搜索算法得到纵向采样距离集S^type中每个采样距离对应的最优纵向控制量；

S4：根据采样距离和最优纵向控制量，计算预测时间t内各交通参与者的可达域Ω^type；

S5：根据各交通参与者的可达域Ω^type计算测试场景的交通参与者复杂度H；

其中，步骤S5具体包括：

S51：计算可达域Ω^type面积，并得到对应交通参与者选择可达域Ω^type内某一条轨迹的概率，记为轨迹概率

S52：基于信息熵理论计算测试场景内各交通参与者的运动轨迹复杂度H_type；

S53：判断测试场景中交通参与者个数是否大于一个，若是，则执行步骤S54，否则输出该交通参与者的运动轨迹复杂度H_type，作为测试场景的交通参与者复杂度H；

S54：将测试场景下所有交通参与者的可达域Ω^type求并集，并减去可达域Ω^type中各交通参与者尺寸所占的面积，得到测试场景总可达域；

S55：利用总可达域计算得到测试场景的总复杂度H_total，作为测试场景的交通参与者复杂度H。

2.根据权利要求1所述的一种自动驾驶测试场景中交通参与者复杂度的计算方法，其特征在于，所述的动力学参数阈值R_type的表达式为：

R_type＝(A，D)

其中，type为交通参与者的类型，A为该类交通参与者的纵向最大加速度，D为该类交通参与者的纵向最小减速度。

3.根据权利要求2所述的一种自动驾驶测试场景中交通参与者复杂度的计算方法，其特征在于，所述的交通参与者的初始状态包括初始位置S₀、初始速度v₀和初始加速度a₀。

4.根据权利要求1所述的一种自动驾驶测试场景中交通参与者复杂度的计算方法，其特征在于，所述的纵向控制量包括车辆沿纵向方向的加速度和减速度。

5.根据权利要求3所述的一种自动驾驶测试场景中交通参与者复杂度的计算方法，其特征在于，所述的纵向采样距离集S^type中包括预测时间t内，对应交通参与者在初始状态和动力学参数阈值R_type下，能够到达的位置与初始位置S₀的纵向距离。

6.根据权利要求1所述的一种自动驾驶测试场景中交通参与者复杂度的计算方法，其特征在于，所述的步骤S3具体包括：

S31：初始化第j个采样距离

的纵向控制量

S32：计算对应交通参与者在纵向控制量

下，预测时间t内能够到达的纵向距离S_i；

S33：判断计算得到的纵向距离S_i是否等于该采样距离

对应的预设纵向距离S_j，若是，则输出当前纵向控制量

作为该采样距离

的最优纵向控制量U_j ^*，否则执行步骤S34；

S34：向使得该采样距离

横向距离X最大化的方向优化搜索，更新纵向控制量

并返回执行步骤S32；

S35：重复执行步骤S31-S34，直至得到所有采样距离对应的最优纵向控制量。

7.根据权利要求6所述的一种自动驾驶测试场景中交通参与者复杂度的计算方法，其特征在于，所述的最优纵向控制量包含在预测时间t内的n个纵向离散控制量a_i，所述的步骤S4具体包括：

S41：对纵向离散控制量a_i进行迭代搜索，计算对应交通参与者在第j个采样距离

下，预测时间t内运动轨迹可达到的最大横向距离X_max，确定在该采样距离下的轨迹边界；

S42：重复执行步骤S41得到所有采样距离下的轨迹边界，并根据各采样距离下的轨迹边界，得到对应交通参与者在预测时间t内的可达域Ω^type；

S43：重复步骤S41-S42，得到各交通参与者在预测时间t内的可达域Ω^type。

8.根据权利要求1所述的一种自动驾驶测试场景中交通参与者复杂度的计算方法，所述的交通参与者的运动轨迹复杂度H_type的计算式为：

其中

为交通参与者在可达域Ω^type内m条轨迹中选择x轨迹的概率；

所述的总复杂度H_total的计算式为：

其中，

为第τ个交通参与者的可达域，M为测试场景中交通参与者的个数。

9.根据权利要求1所述的一种自动驾驶测试场景中交通参与者复杂度的计算方法，所述的交通参与者的类型包括轿车、客车、摩托车、自行车和行人。

Images