本發(fā)明涉及自動駕駛領域，尤其是涉及一種基于測試結果的自動駕駛測試場景生成方法。

背景技術：

1、目前自動駕駛車輛與技術在世界范圍內(nèi)得到了廣泛的研究與應用，我國自動駕駛也正處于由輔助駕駛和部分自動駕駛級別向高度自動駕駛及更高級別轉(zhuǎn)型階段，因此對于自動駕駛車輛與技術的評價測試也成為人們重點關注的對象。

2、目前公認的自動駕駛智能度評價方法大多以場景為基礎，展開自動駕駛性能評價，可見場景參數(shù)對被測車輛智能度的評價結果起著至關重要的作用，中國申請專利《cn117057107a》通過組合場景元素生成功能場景，再確定參數(shù)取值范圍，通過確定場景元素的取值得到測試場景，雖然再一定程度上解決了測試場景真實度低問題，但是僅從場景本身出發(fā)，并未考慮到被測車輛性能，因此其所構建的測試場景不能準確表示被測車輛的性能。

技術實現(xiàn)思路

1、本發(fā)明的目的就是為了克服上述現(xiàn)有技術存在的缺陷而提供一種基于測試結果的自動駕駛測試場景生成方法，通過構建場景難度量化模型，基于測試結果，模型結構參數(shù)進行標定，從而實現(xiàn)對自動駕駛測試場景的難度和區(qū)分度的量化評價，并依據(jù)評價結果完成新場景重建或舊場景調(diào)整。

2、本發(fā)明的目的可以通過以下技術方案來實現(xiàn)：

3、本發(fā)明提供了一種基于測試結果的自動駕駛測試場景生成方法，該方法包括：

4、s1、構建測驗反應等級矩陣：建立場景確立測試維度數(shù)m、被測車輛數(shù)m和測試場景數(shù)n；獲取所有被測車輛在各個測試場景中和測試維度的數(shù)據(jù)，并對該數(shù)據(jù)進行統(tǒng)一打分，基于打分情況構建測驗反應得分矩陣；依據(jù)得分等級劃分，設定評分等級總數(shù)k，將測驗反應得分矩陣轉(zhuǎn)化為測驗反應等級矩陣；

5、s2、構建場景難度量化模型：選擇難度量化模型類型，依據(jù)模型類型構建場景難度量化模型；設定所述模型中重要參數(shù)的先驗分布；

6、所述重要參數(shù)是指被測車能力參數(shù)、測試場景區(qū)分度參數(shù)和測試場景難度參數(shù)；

7、s3、估計場景難度量化模型參數(shù)：計算聯(lián)合反應概率；基于所述測驗反應得分矩陣、重要參數(shù)的先驗分布和聯(lián)合反應概率估計重要參數(shù)終值，即場景難度量化模型參數(shù)；

8、s4、場景難度評價：將所述重要參數(shù)終值輸入場景難度量化模型得到場景難度量化數(shù)值；基于所述場景難度量化數(shù)值對場景進行難度評價得到評價結果；

9、s5、評價結果閉環(huán)反饋：若所述評價結果為優(yōu)秀則將該結果作為智能度輔助評價，若所述評價結果不為優(yōu)秀則將該結果反饋至s1進行新場景生成或場景調(diào)整。

10、作為優(yōu)選技術方案，確定所述難度量化模型類型的方法為：依據(jù)測試方式確定模型為多維多級邏輯模型，再依據(jù)測試結果確定模型為二參數(shù)多維多級邏輯模型；

11、所述測試方式是指對被測車輛表現(xiàn)的打分方式，所述測試結果是測試場景的難度和區(qū)分度。

12、作為優(yōu)選技術方案，所述的二參數(shù)多維多級場景難度量化模型為：

13、

14、其中，pijk表示被測車i在場景j中獲得第k等級的概率，表示被測車i在場景j中獲得第k及以上等級的概率，表示被測車i在場景j中獲得第k+1及以上等級的概率。

15、作為優(yōu)選技術方案，獲取被測車i在場景j中獲得第k及以上等級的概率的方法為：

16、

17、其中，d為常數(shù)值；aj為場景j的區(qū)分度，表示形式為aj＝[aj1,aj2,…,ajm]，dj,k為場景j在等級k處的難度，表示形式為dj,k＝[dj,k,1,dj,k,2,…,dj,k,m]；θi為被測車i的能力，表示形式為θi＝[θi1,θi2,…,θim]；m表示測試維度數(shù)。

18、作為優(yōu)選技術方案，所述先驗分布類型為對稱分布；所述對稱分布具體指正態(tài)分布。

19、作為優(yōu)選技術方案，所述聯(lián)合反應概率為：

20、

21、其中，所述l(θ,a,d|y)表示m個被測車在n個場景上的聯(lián)合反應概率；θ表示被測車能力參數(shù)；a表示測試場景區(qū)分度參數(shù)；d表示測試場景難度參數(shù)；y表示測驗反應等級矩陣；uij,k為示性函數(shù)，表示形式為

22、作為優(yōu)選技術方案，按照能力參數(shù)θ、區(qū)分度參數(shù)a和難度參數(shù)d的順序依次估計重要參數(shù)，其具體方法為：

23、s31、根據(jù)重要參數(shù)值的先驗分布初始化重要參數(shù)值；

24、s32、在第t次迭代時，對正態(tài)分布進行更新，根據(jù)更新后的正態(tài)分布中獨立取樣作為第t+1次重要參數(shù)值；

25、s33、基于第t次重要參數(shù)值和第t+1次重要參數(shù)值計算聯(lián)合反應概率，利用馬爾科夫鏈蒙卡洛方法計算各個重要參數(shù)從第t次轉(zhuǎn)移到第t+1次的轉(zhuǎn)移概率；

26、s34、選取隨機數(shù)值，將所述轉(zhuǎn)移概率與隨機數(shù)值進行對比，滿足條件則將當前重要參數(shù)值轉(zhuǎn)移為第t+1次的重要參數(shù)值，反之重新取樣作為第t+1次重要參數(shù)值；所述隨機數(shù)為[0，1]的有理數(shù)；所述條件為所述隨機數(shù)值小于轉(zhuǎn)移概率；

27、s35、重復迭代過程至t>t，保存最后一次迭代重要參數(shù)數(shù)值，得到第一重要參數(shù)值；

28、s36、將所述第一重要參數(shù)值作為重要參數(shù)值的初始值，按s32～s34步驟進行t1次迭代，并保留所有迭代中間值；

29、s37、對所述所有迭代中間值求取平均數(shù)，得到重要參數(shù)終值。

30、作為優(yōu)選技術方案，更新正態(tài)分布的方法為：每進行一次迭代，將該次迭代得到的數(shù)值作為更新后的正態(tài)分布的數(shù)學期望，不對方差做更新處理。

31、作為優(yōu)選技術方案，所述被測車能力參數(shù)θ轉(zhuǎn)移概率的計算公式為：

32、

33、其中，t代表第t次迭代；l代表第l個維度，其取值范圍是[0，m]；f1(x|x′)表示計算x|x′之間的分布；表示估計所述能力參數(shù)θ的過程中第t次轉(zhuǎn)移到第t+1次的轉(zhuǎn)移概率；σθ為被測車能力參數(shù)θ所服從的正態(tài)分布的方差值；

34、所述測試場景區(qū)分度參數(shù)a轉(zhuǎn)移概率的計算公式為：

35、

36、其中，表示估計所述測試場景區(qū)分度參數(shù)a的過程中第t次轉(zhuǎn)移到第t+1次的轉(zhuǎn)移概率；σa為測試場景區(qū)分度參數(shù)a所服從的正態(tài)分布的方差值；

37、當獨立取樣的測試場景難度參數(shù)d滿足建立轉(zhuǎn)移概率計算公式:

38、

39、其中，表示估計所述測試場景難度參數(shù)d的過程中第t次轉(zhuǎn)移到第t+1次的轉(zhuǎn)移概率；σd為測試場景難度參數(shù)d所服從的正態(tài)分布的方差值。

40、作為優(yōu)選技術方案，評價結果優(yōu)秀是指，根據(jù)重要參數(shù)終值對場景區(qū)分度與難度排序，被測車輛在難度參數(shù)值低的場景中場景難度量化數(shù)值大，在難度參數(shù)值高的場景中場景難度量化數(shù)值小，且所有被測車輛在區(qū)分度參數(shù)值低的場景中的場景難度量化數(shù)值差異小，在區(qū)分度參數(shù)值高的場景中的場景難度量化數(shù)值差異大。

41、與現(xiàn)有技術相比，本發(fā)明具有以下優(yōu)點：

42、1)、本發(fā)明引入閉環(huán)反饋機制，通過構建場景難度量化模型，基于測試結果，利用馬爾科夫鏈蒙特卡洛方法對模型結構參數(shù)進行標定，從而實現(xiàn)對自動駕駛測試場景的難度和區(qū)分度的量化評價，并依據(jù)評價結果完成新場景重建或舊場景調(diào)整，實現(xiàn)閉環(huán)反饋實現(xiàn)了場景難度的動態(tài)優(yōu)化，有助于不斷改進測試場景庫的質(zhì)量和覆蓋范圍；

43、2)、本發(fā)明利用場景屬性量化模型對測試場景的難度和區(qū)分度進行量化評價，避免了傳統(tǒng)方法中僅依靠場景復雜度的簡單描述的局限，并通過對模型參數(shù)的精確標定，能夠更加科學地評估和分類測試場景的難易度，為新場景生成和舊場景調(diào)整提供更科學和有效的指導；

44、3)、本發(fā)明基于測試結果構建場景難度量化模型，綜合考慮包括環(huán)境感知能力、決策與規(guī)劃能力、控制執(zhí)行能力和學習適應能力在內(nèi)的多個維度，為場景生成提供了更細致和全面的數(shù)據(jù)，使得被測場景更適合被測車輛，以及被測場景的真實性更強。