本发明属于汽车测试技术领域，具体涉及一种对智能网联汽车测试场景的分类分析方法。
背景技术：
目前，行业内已设计了海量的测试场景用于测试智能网联汽车(以下简称智能车)的高级驾驶辅助系统(adas)、自动驾驶、车联网等功能，形成了庞大的测试场景库。通常来说，出于经济成本、时间成本等原因，智能车整车厂及其相关零部件供应商在实施整车测试时无法对场景库中的全部测试场景逐一测试，而必须从中选择适合自身智能车产品的测试场景。然而现有测试场景库体系中各个测试场景互相独立，缺乏对测试场景间关联性的体系化梳理与分析，导致智能车整车厂及其相关零部件供应商在选择测试场景时缺乏理论依据。
中国专利一种智能车辆规划能力测试平台(申请号：cn201610939638.0)，包括磁盘、规划能力测试系统、待测智能车辆。所述的磁盘用于储存样本数据、任务文件、参考答案、评分规则和测试结果；所述的规划能力测试系统是针对智能车辆的规划能力进行测试的软件系统，主要由三个部分构成：测试试题题库、测试过程可视化和测试结果与量化评价方法。所述的待测智能车辆包括规划决策单元、控制单元和车载执行机构，待测智能车辆和规划能力测试系统间通过网络接口进行通信。该方案使得智能车辆能在一个可受控的、实验条件易于重复可变的、以一个相对适度的成本和空间来对其规划能力进行安全有效的测试，但该方案是基于若干硬件单元配合“题库”、“评价”实现的，搭建复杂，成本高，且其是对智能车本身能力的测试，无法满足实际应用中用户对智能车测试场景的低成本选择需求，需要作出改进。
因此急需要一种搭建方便、成本可控、有利于用户高效便捷地选择应用测试场景的对智能网联汽车测试场景的分类分析方法。
技术实现要素：
本发明的目的是提供一种对智能网联汽车测试场景的分类分析方法，以解决现有技术测试场景的选择不便、成本高、搭建复杂的问题。
本发明提供了如下的技术方案：
一种对智能网联汽车测试场景的分类分析方法，包括测试场景库，所述方法以人类驾驶行为库为依据构建主要维度，以道路类型库为依据构建次要维度，并基于所述主要维度和次要维度构建测试场景二维矩阵，以确定测试场景库中若干测试场景的矩阵坐标，进而根据所述矩阵坐标判定所述测试场景的优先级。
优选的，所述人类驾驶行为库包括直行、路口转向、变道、并线、曲线行驶、倒车和掉头泊车数据；所述道路类型库包括直道、交叉路口、弯道、环岛、匝道和特殊地形。
优选的，所述矩阵坐标的确定包括以下步骤：
s1、记录每一个测试场景发生瞬间前的人类驾驶行为数据，对应匹配所述人类驾驶行为库，以确定主要维度坐标；
s2、遍历所述道路类型库，选取与步骤s1中所述人类驾驶行为数据匹配的道路类型，确定次要维度坐标。
优选的，每一个所述测试场景有且仅有唯一的与其对应的矩阵坐标。
优选的，所述道路类型库还包括若干环境干扰元素。
优选的，对每一个所述测试场景添加n个标签，所述标签包括事件概率、事故概率、事故致死性和法规要求。
优选的，所述测试场景优先级的判断方法包括以下步骤：
对每一个所述标签设置重要程度分值，得到分项分值k1至kn，并对k1至kn对应分配权重x1至xn，计算加权分值
本发明的有益效果是：
本发明方案通过主要维度和次要维度体现测试场景的广度，通过对测试场景添加标签的方式体现测试场景的深度，通过对测试场景的重要程度分值分配权重，以加权求和计分的方式评估测试场景的综合重要程度，上述分析的方式辅助智能车整车厂及其相关零部件供应商在开展智能车整车测试时从海量的测试场景中选择优先级更高的测试场景，在满足功能广度覆盖的前提下优先选择更重要的测试场景，使其在有限的时间、资金、技术条件下达到更好的测试效果。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明方法流程示意图。；
图2是第一测试场景示意图；
图3是第二测试场景示意图；
图4是第一测试场景标签分值分析表；
图5是第二测试场景标签分值分析表。
具体实施方式
如图1所示，一种对智能网联汽车测试场景的分类分析方法，包括测试场景库，所述方法以人类驾驶行为库为依据构建主要维度，以道路类型库为依据构建次要维度，并基于所述主要维度和次要维度构建测试场景二维矩阵，以确定测试场景库中若干测试场景的矩阵坐标，进而根据所述矩阵坐标判定所述测试场景的优先级。其中，所述矩阵坐标的确定包括以下步骤：
s1、记录每一个测试场景发生瞬间前的人类驾驶行为数据，对应匹配所述人类驾驶行为库，以确定主要维度坐标；
s2、遍历所述道路类型库，选取与步骤s1中所述人类驾驶行为数据匹配的道路类型，确定次要维度坐标。
优选的，所述人类驾驶行为库包括直行、路口转向、变道、并线、曲线行驶、倒车和掉头泊车数据；所述道路类型库包括直道、交叉路口、弯道、环岛、匝道和特殊地形，道路类型库还包括若干环境干扰元素。每一个所述测试场景有且仅有唯一的与其对应的矩阵坐标。
优选的，对每一个所述测试场景添加n个标签，所述标签包括事件概率、事故概率、事故致死性和法规要求。所述测试场景优先级的判断方法包括以下步骤：
对每一个所述标签设置重要程度分值，得到分项分值k1至kn，并对k1至kn对应分配权重x1至xn，计算加权分值
具体的，如图2所示，该测试场景描述为“被测车辆直行通过交叉路口，同时右侧路口车辆右转驶入被测车辆车道，妨碍被测车辆正常行驶”，假设场景中被测车由人类驾驶员操控，则在场景发生前的瞬间，人类驾驶员正试图操作车辆直行，故该场景在二维矩阵中的主要维度坐标属于“直行”。该测试场景可能发生在“直道(通过路边沿街出口)”和“交叉路口”两种道路类型上，故将其分为直道情况和交叉路口情况两种测试场景，在二维矩阵次要维度上分别属于“直道”和“交叉路口”。
根据上述方案，将图2测试场景分为两种：场景a1(直行，直道)与场景a2(直行，交叉路口)。在场景a1中，可加入沿街小区围墙作为环境干扰元素，而在场景a2中，可加入交通灯柱、交警指挥作为环境干扰元素。如图4所示，对场景a1和场景a1分别添加标签：事件概率、事故概率、事故致死性和法规要求，设置重要度分值：高(5分)、较高(4分)、中等(3分)、较低(2分)、低(1分)和无(0分)；对标签分别分配权重：事件概率0.35、事故概率0.2、事故致死性0.1和法规要求0.35。
因此，两个场景的加权分值分别为：
场景a1：s＝0.35×2+0.2×1+0.1×3+0.35×0＝1.2；
场景a2：s＝0.35×4+0.2×3+0.1×2+0.35×0＝2.2。
如图3所示，该测试场景描述为“被测车辆进入路口右转，右后方非机动车直行，妨碍被测车辆正常路口右转弯”，假设场景中被测车由人类驾驶员操控，则在场景发生前的瞬间，人类驾驶员正试图操作车辆在路口转向，故该场景在二维矩阵中的主要维度坐标属于“路口转向”。该场景只可能发生在“交叉路口”道路类型上，故该场景在二维矩阵次要维度“道路类型”上属于“交叉路口”。
因此，将上述测试场景规定为(路口转向，交叉路口)场景。在该场景中可以加入金属护栏(机非分隔带)、交通灯柱、交通灯信号、交警指挥作为环境干扰元素。对该测试场景添加标签：事件概率、事故概率、事故致死性和法规要求，如图5所示，设置重要度分值：高(5分)、较高(4分)、中等(3分)、较低(2分)、低(1分)和无(0分)；对标签分别分配权重：事件概率0.35、事故概率0.2、事故致死性0.1和法规要求0.35。
因此，图3测试场景的加权分值为：s＝0.35×4+0.2×3+0.1×5+0.35×3＝3.55。
对不同的测试场景重复上述过程，以辅助智能车整车厂及其相关零部件供应商在开展智能车整车测试时从海量的场景中选择优先度更高的测试场景，在满足功能广度覆盖的前提下优先选择更重要的测试场景，使其在有限的时间、资金、技术条件下达到更好的测试效果。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。