本发明涉及智能测试技术领域，特别是涉及一种自动驾驶汽车的智能测试平台及测试方法。
背景技术
缺乏有效的测试方法和技术已经成为制约自动驾驶产业化发展的瓶颈问题，针对高级别的自动驾驶汽车，目前尚未发展出成熟的测试手段和评价标准，智能化的测试方法及相关技术特别缺乏。
虽然自动驾驶汽车测试在我国得到了政府的大力支持，各地纷纷开始建立自动驾驶汽车测试场或示范区，但是我国的自动驾驶测试场还存在很多的问题，限制了我国自动驾驶的商业化进程。这些问题包括：
1.现在我国各地纷纷建立自动驾驶汽车的测试场，但是大多仍采用传统汽车的测试方法和测试设备(假人、假自行车和假车等)，侧重于测试汽车动力性能和安全性能等(比如制动和碰撞性)，对自动驾驶汽车的感知能力、决策能力和控制能力缺乏有针对性的测试方法和设备。特别是测试设备外形和运动轨迹一般固定，自动驾驶汽车可以轻易的感知和决策，无法达到有效的测试目的。
2.在当前的自动驾驶测试场中，多采用主车(被测车辆，egovehicle)与一至两辆测试车(测试专用假车，或人工驾驶真车)模拟简单交通场景，且测试过程多由人工进行现场操作。不但无法有效的模拟真实的交通场景，而且难以保证测试人员的安全。对于自动驾驶测试来说，如何在封闭的测试区模拟复杂的道路交通场景，并进行自动化和智能化的测试是亟需解决的问题。
3.目前自动驾驶测试尚无明确的评价标准，主要还是由人工进行评估，评估分级满分为100分，评判为扣分制，成绩达到80分的为通过，每评估内容专项评估次数只有一次。评价方式较为简单，不但受人的主观因素影响较大，而且对于复杂交通场景下的自动驾驶，无法直观的评价其优劣程度。使用什么方法对测试结果进行有效评价，并可以提供相应的解决方案是当前研究的重点和难点。
技术实现要素：
为了解决现有技术的不足，本发明提供了一种自动驾驶汽车的智能测试系统，本发明取代各种人工操作的测试设备，通过多车协同控制实现复杂的交通场景，不但避免了人工驾驶测试的安全问题，而且可以进行高精度的重复测试。
一种自动驾驶汽车的智能测试系统，包括智能控制中心，所述智能控制中心按照功能划分为决策层、显示层、控制层和车端层；
决策层，根据测试要求决定使用测试方案，并在测试过程中采取相应的测试策略；
显示层，通过多块显示屏来显示测试场的高精度地图，监控测试场景的整个过程，显示主车和测试车的行驶路径；
控制层，在测试过程中通过模拟驾驶的方式，实现多辆测试车的协同控制，以模拟真实复杂的交通场景，同时进行多种测试信息采集，并将采集到的数据传至云服务器，实现对多辆测试车的协同控制；
车端层，包括测试场中直接参与测试的车辆和设备，包括：主车，测试车，远程驾驶控制单元。
进一步优选的技术方案，所述测试车为可移动测试设备，所述可移动测试设备包括大型测试车平台、中型测试车平台及小型测试车平台，分别模拟大型测试车、中型测试车及小型测试车。
进一步优选的技术方案，所述控制层实现对多辆测试车的协同控制，通过可移动测试设备模拟机动车、自行车、行人和动物，在测试场中实现多种动态测试场景。
进一步优选的技术方案，所述大型测试车平台，采用电动汽车底盘为基础，在其上安装伸缩装置和快速组装仿真外壳，通过伸缩变形达到改变车体的大小，并搭配不同的快速组装仿真外壳，用于模拟各种不同大小的常用车辆。
进一步优选的技术方案，所述中型测试车平台采用微型无人车作为底盘，与自行车或电动车模型连接，用于模拟各种骑车人。
进一步优选的技术方案，所述小型测试车平台采用微型机器人作为底盘，与各种行人或动物模型连接，用于模拟人和动物。
进一步优选的技术方案，所述大型测试车平台、中型测试车平台及小型测试车平台采用远程控制驾驶和自动驾驶两种模式。
进一步优选的技术方案，所述决策层中，测试策略包括高精度地图、测试场景生成，路径规划和远程决策，测试场景生成时，根据测试车的类别和测试等级，从交通场景数据库中随机选择对应的交通场景集合；
交通场景数据库，根据中国实际交通环境采集交通流信息建立的数据库，全面覆盖自然驾驶、危险工况、交通事故、人机共驾数据、道路交通交互以及实车路测数据。
进一步优选的技术方案，所述控制层中对多辆测试车的协同控制主要是通过车辆编队和群集运动控制来实现的，具体包括：
根据测试场景和测试策略，将被测车辆和测试交通流组成编队；
控制中心发出指令，该车辆编队按照给定测试规划路径进行行驶，在测试车保持队形不变的情况下，记录被测汽车的反应和驾驶行为；
在行驶过程中，控制中心控制测试车编队进行协作运动，包括巡航运动、跟随运动、换道运动、组合运动与拆分运动，从而模拟复杂的交通场景，同时记录被测车辆的反应和驾驶行为；
所有车辆根据测试路径规划到达终点，一次测试结束，如果途中出现意外，控制中心可以紧急停止所有车辆，排除危险后重新发出指令，重新进行测试。
本申请还公开一种自动驾驶汽车的智能测试方法，包括：
需要从交通场景数据库中选择对应的测试场景，先标注熟练人工驾驶的测试数据，并使用深度学习建立熟练人工驾驶车辆的单项性能评价模型；
然后根据模型进行迁移学习，实现对自动驾驶车辆单项性能的评价；
单项性能评价，为使用深度学习和迁移学习方法建立自动驾驶的单项评价模型，并根据自动驾驶的测试数据进行评价，最后不断修正自动驾驶的单项评价模型；
完成各项单项评价后，使用多目标评价方法对自动驾驶车辆进行整体性能评价，最后通过增强学习方法进行改进；
多目标评价方法是根据pareto非支配排序方法，对自动驾驶的各个单项性能指标进行多目标评价，从而评价该被测车辆的优劣。
进一步优选的技术方案，所述测试场景在生成时，包括如下步骤：
步骤(1)首先建立交通场景数据库；
步骤(2)根据被测车型和测试要求从场景库中选择相应的场景，使用多台无人测试车模拟复杂的交通场景；
步骤(3)根据被测车辆的反应，记录相关的数据，并上传到云服务器；
其中，相关数据包括位置、方位/角度、距离、时间、速度、车辆行为决策、车辆驾驶动作以及响应时间，数据上传云服务器后，在云端进行数据处理，包括使用数据挖掘算法从中提取有用的信息，并行计算进行测试评价。
与现有技术相比，本发明的有益效果是：
本发明针对自动驾驶测试，提出一种以专用无人车测试智能汽车(uavtesticv)的思想，通过创建一种无人驾驶模式下的测试车通用平台，取代各种人工操作的测试设备，通过多车协同控制实现复杂的交通场景。不但避免了人工驾驶测试的安全问题，而且可以进行高精度的重复测试。最后基于深度学习和迁移学习方法对测试数据进行评价，针对被测车辆存在的问题，使用增强学习方法给出改进方案。
本发明可以直接应用于自动驾驶测试场的设计和实施，并为智能测试场的运行提供全面的解决方案。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1(a)-图1(b)为大型无人测试车平台设计图；
图2(a)-图2(b)为中型和小型无人测试车平台设计图；
图3智能协同控制中心结构图；
图4评价方法流程图；
图5智能测试平台技术体系图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本申请的一种典型的实施方式中，一种自动驾驶汽车的智能测试系统包括测试平台，包括大型、中型和小型测试车平台，可以在测试场中实现多种动态测试场景，动态测试场景，是通过可移动测试设备模拟机动车、自行车、行人和动物等，从而实现复杂的测试交通场景。
大型测试车平台，是采用电动汽车底盘为基础，在其上安装伸缩装置和快速组装仿真外壳。通过伸缩变形达到改变车体的大小，并搭配不同的快速组装仿真外壳，用于模拟各种不同大小的常用车辆(轿车，越野车和卡车等)，以及特种车辆(救火车，救护车，警车等)，可扩展的电子电器架构，可进行随机的自主决策，实现远程决策和自主决策的快速切换，车载装置进行测试数据采集。
大型测试车平台，包括无人驾驶底盘和伸缩装置，所述伸缩装置通过伸缩变形改变车体的大小，并搭配不同的快速组装仿真外壳，实现模拟不同的车型和车辆；
底盘上还安装有反馈控制系统，所述反馈控制系统包括中心控制装置，所述中心控制装置分别连接至电动机、制动装置及转向装置，所述中心控制装置还连接至车辆传感器测量单元，通过车辆传感器测量单元获得车辆的运动状态实现对测试车的各种操作行为进行决策和控制。
伸缩装置包括安装在底盘中部的主支撑架，所述主支撑架沿车身方向相对的两侧分别横向安装有伸缩套筒，分别为第一伸缩套筒及第二伸缩套筒，所述第一伸缩套筒及第二伸缩套筒分别垂直安装有两个伸缩套筒；
伸缩套筒内均安装有伸缩臂，每个伸缩臂伸出伸缩套筒的一端安装有防撞弹簧，防撞弹簧连接至连接卡槽，连接卡槽上均设置有防撞条，连接卡槽用于与快速组装仿真外壳连接。
主支撑架上还安装有升降台，用于在车辆外形变换时升高增加车辆高度或降低减少车辆高度，以模拟不同高度的车辆。
所述反馈控制系统还包括与中心控制装置相连的动力电池组、辅助系统，所述电动机通过传动装置连接至汽车的驱动轴。
所述中心控制装置包括控制器，所述控制器分别连接至传感器空气开关、逆变器、gps导航设备、工控机、lte交换机、路由器、imu惯性测量单元、稳压电源；
所述车辆传感器测量单元包括安装在升降台上的激光雷达及摄像头、安装在车辆底盘前端及后端的毫米波雷达、安装在伸缩装置下的轮速传感器、安装在底盘上的gps导航及imu惯性测量单元；
所述中心控制装置与控制中心通信，无人测试车中心控制装置既可以接收控制中心的指引，通过远程控制使其在场地内按照预定轨迹移动，以实现对目标车辆的测试，还可以通过自身车辆传感器测量单元具有部分环境感知能力。
所述反馈控制系统建立整车系统的动力学模型和运动学模型，使用动力学模型建立目标函数，使用一种改进的粒子群算法对目标函数进行优化，获得路径追踪所需要的精确速度控制和转向控制，从而实现测试车平台对四个车轮运动轨迹的精确控制和各个方向的自由转向。
中型测试车平台，是采用微型无人车作为底盘，与自行车或电动车等模型连接，用于模拟各种骑车人。中型测试车底盘表面采用特殊处理，减少对传感器的干扰。
小型测试车平台，是采用微型机器人作为底盘，与各种行人或动物模型连接，用于模拟人和动物。小型测试车底盘表面采用特殊处理，减少对传感器的干扰。
本申请中的中型和小型测试车底盘表面的特殊处理，主要是在涂上特殊材料，使雷达和摄像头尽量感知不到底盘，使传感器感知的对象集中在自行车和行人的模型上，减少底盘对雷达和摄像头的影响)。
中型和小型测试车都是通过底盘直接与仿真假车、假人连接，更换方便，成本较低，可以实现大批量的装备。大型测试车通过伸缩装置进行变换，并采用全新的电子电器架构，结构较为复杂，所以本文主要以大型测试车为例对测试车通用平台进行说明。
上述三种型号的无人驾驶测试车，都可以实现远程控制驾驶和自动驾驶两种模式。由于测试车平台主要在测试场中使用，所以感知系统不是研究重点。测试车平台的传感器侧重于测试数据的记录和传输，通过与协同控制中心的交互，实时监控整个测试过程，并可实现重复测试。，具体的，传感器主要包括摄像头、激光雷达和毫米波雷达，获得的数据包括位置、方位/角度、距离、时间、速度、车辆行为决策、车辆驾驶动作以及响应时间等。测试车发送给控制中心的数据类型包括数据包、图像和视频。
智能协同控制中心在车联网环境下，实现对整个测试过程的方案定制、监控、远程决策和协同控制，以及大数据收集和处理，供下一步进行评价。智能协同控制中心结构图如图3所示。
智能控制中心按照功能可以分为决策层、显示层、控制层和车端层四部分。控制中心通过决策层生成测试方案和路径规划，控制层实现对多辆测试车的协同控制，模拟复杂的多车测试场景，车端层进行多车编队的测试，整个测试过程通过显示层实时监控，并将采集到的数据传至云服务器。
决策层，是根据测试要求(例如测试车的智能等级)，决定使用何种测试方案，并在测试过程中采取适合的测试策略，包括：高精度地图，测试场景生成，路径规划和远程决策。
本申请中的测试方案主要是指测试的方法，包括测试用例的设计方法、测试环境的规划和测试工具的设计和选择。
本申请中的测试策略则主要侧重需求分析，包括制定测试启动、停止、完成的标准和条件。
测试方案根据测试目的从数据库中随机选择交通场景集，根据测试难度(或自动驾驶汽车的智能等级)确定场景中交通流(测试车辆、自行车，行人等)的种类和数量，并制定测试过程的全局路径规划。
测试策略根据测试方案的要求进行选择，根据交通流中所需要测试设备的种类和数量，采用粒子群算法进行优化，给出多车协同行驶策略，并制定测试完成标准和条件。
高精度地图，是高精度、精细化定义的地图，包含大量行车辅助信息，包括路面的几何结构，道路标示线的位置，周边道路环境的点云模型等，其精度需要达到厘米级。
交通场景数据库，是根据中国实际交通环境采集交通流信息建立的数据库，全面覆盖自然驾驶、危险工况、交通事故、人机共驾数据、道路交通交互以及实车路测数据等多个方面。
测试场景生成，是根据测试车的类别和测试等级，从交通场景数据库中随机选择对应的交通场景集合。
测试场景生成方法，包括如下步骤：
步骤(1)首先建立交通场景数据库；
步骤(2)根据被测车型和测试要求从场景库中选择相应的场景，使用多台无人测试车模拟复杂的交通场景(包括背景车辆，电动车，自行车和行人等)；
步骤(3)根据被测车辆的反应，记录相关的数据，并上传到云服务器。
其中，相关数据包括位置、方位/角度、距离、时间、速度、车辆行为决策、车辆驾驶动作以及响应时间等。数据上传云服务器后，在云端进行数据处理，包括使用数据挖掘算法从中提取有用的信息，并行计算进行测试评价等。测试场景是从交通场景数据库中取出的。
路径规划，是为测试车辆的行驶寻找一条最优的几何轨迹，包括全局路径规划和局部路径规划。
远程决策，是在全局路径规划的基础上，在远程对测试车的驾驶动作进行决策，比如跟车或变道超车；
具体的，根据测试车型和测试等级，通过高精度地图给定测试车辆的全局路径，并根据测试场景要求进行测试车的远程行为决策。
显示层，是在控制中心通过多块显示屏来显示测试场的高精度地图，监控测试场景的整个过程，显示主车和测试车的行驶路径，并根据测试要求和测试场景进行实时决策。
控制层，是在测试过程中通过模拟驾驶的方式(触屏控制，模拟方向盘操作等)，实现多辆测试车的协同控制，以模拟真实复杂的交通场景。同时控制中心通过安装在测试车上的传感器和路侧单元，进行多种测试信息采集。
模拟驾驶控制，是通过汽车动力学仿真物理系统、多通道立体投影系统、六自由度运动平台、用户输入硬件系统、立体声音响、中控系统等，在控制中心以接近真实的驾驶操作对远程测试车进行精确控制。
多车协同控制，是通过控制中心同时控制多辆测试车进行编队行驶等驾驶动作，从而实现复杂的动态交通场景。
多车协同控制，使用模拟驾驶的方式，远程驾驶无人测试车进行多车的协同测试，从而模拟复杂交通场景。
多车的协同控制主要是通过车辆编队和群集运动控制来实现的，具体步骤包括：
第一步：根据测试场景和测试策略，将被测车辆和测试交通流(可能包括测试车，电动车，自行车和行人等)组成编队。
第二步：控制中心发出指令，该车辆编队按照给定测试规划路径进行行驶，在测试车保持队形不变的情况下，记录被测汽车的反应和驾驶行为。
第三步：在行驶过程中，控制中心控制测试车编队进行协作运动，包括巡航运动、跟随运动、换道运动、组合运动与拆分运动，从而模拟复杂的交通场景，同时记录被测车辆的反应和驾驶行为。
第四步：所有车辆根据测试路径规划到达终点，一次测试结束。如果途中出现意外，控制中心可以紧急停止所有车辆，排除危险后返回步骤二，重新进行测试。
测试信息采集，是通过多种传感器对测试过程中的信息进行记录和上传云服务器。
车端层，是测试场中直接参与测试的车辆和设备，包括：主车，测试车，远程驾驶控制单元。
主车，是被测的自动驾驶车辆。
测试车，是模拟交通场景中的背景车辆或行人等，属于一类可移动测试设备。
云服务器，云服务器是云计算服务的重要组成部分，是面向各类互联网用户提供综合业务能力的服务平台。云服务器平台的每个集群节点被部署在互联网的骨干数据中心，可独立提供计算、存储、在线备份、托管、带宽等互联网基础设施服务。
在对测试系统的测试进行评价时，本发明将自动驾驶汽车的评价分为单项性能评价(感知性能，决策性能，控制性能等)和整体性能评价两个阶段进行。对于复杂的交通场景，首先需要从交通场景数据库中选择对应的测试场景，先标注熟练人工驾驶的测试数据，并使用深度学习建立熟练人工驾驶车辆的单项性能评价模型。然后根据模型进行迁移学习，实现对自动驾驶车辆单项性能的评价。完成各项单项评价后，使用多目标评价方法对自动驾驶车辆进行整体性能评价，最后通过增强学习方法进行改进。
测试场景集进行自动驾驶单项性能评价，流程图如图4所示，包括如下步骤：
步骤(1)：根据测试需求从交通场景库中选择对应的多个场景，首先使用人工驾驶进行多次测试，记录数据并进行数据标注(标注测试结果的好坏程度)；
步骤(2)：使用人工驾驶测试数据进行深度学习建模，建立人工驾驶的评价模型；
步骤(3)：使用迁移学习的方法，通过人工驾驶的评价模型建立自动驾驶的单项性能评价模型；
步骤(4)：使用自动驾驶进行测试，并记录相关数据；
步骤(5)：对自动驾驶的测试数据进行评价，得到单项性能评价结果，同时对迁移学习获得的自动驾驶单项性能评价模型进行修正。
单项性能评价结果，使用多目标评价方法，获得自动驾驶的整体性能评价。
评价结果，使用增强学习方法，有针对性的对被测自动驾驶车辆进行单项性能的改进和增强。
数据标注，是对人工驾驶取得的测试数据进行整理后进行统一标准的分类标注。
深度学习方法，是机器学习中一种基于对数据进行表征学习的方法，通过多层的卷积神经网络来对未知数据进行预测。
迁移学习方法，就是把已学训练好的模型参数迁移到新的模型来帮助新模型训练。
单项性能评价，是使用深度学习和迁移学习方法建立自动驾驶的单项评价模型，并根据自动驾驶的测试数据进行评价，最后不断修正自动驾驶的单项评价模型。
增强学习方法，是一种机器学习方法，使智能体(agent)在交互式环境中通过试验并根据自己的行动和经验反馈的错误来进行学习。
多目标评价方法，是根据pareto非支配排序方法，对自动驾驶的各个单项性能指标进行多目标(指标)评价分析，从而评价该被测车辆的优劣。
整体性能评价，是根据各种单项性能指标进行多目标评价，最终得出的自动驾驶汽车综合性能的评价。本发明智能测试平台关键技术体系如图5所示。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。