本发明属于智能网联汽车与智慧交通领域,更具体的说,本发明涉及一种基于重要度抽样理论,对智能汽车行驶安全性进行快速测试的方法。
背景技术:
随着科学技术的发展,人工智能技术日渐成熟。作为人工智能技术在汽车和交通领域的应用,自动驾驶技术也迅速发展。自动驾驶技术在交通安全的提升和交通拥堵的防治等方面具有巨大的发展潜力,基于自动驾驶技术的智能汽车具有广阔的市场前景。目前,众多的汽车厂商及互联网科技公司都在致力于自动驾驶技术的研究,自动驾驶是汽车行业和交通运行发展的方向。
智能汽车的自动驾驶系统由环境感知、规划决策和车辆控制三大模块组成。环境感知模块通过设置在智能车上的传感器,感知车辆周边交通参与者的交通参数,同时识别标志标线、信号控制、天气条件等交通环境信息。规划决策模块通过环境感知模块得到的信息,对车辆的行驶路径进行规划,同时对车辆的加减速等行为进行决策。车辆控制模块根据规划决策模块的路径规划和行为决策,对车辆的行驶方向和速度进行控制。三大模块互相联系,层层递进,最终实现自动驾驶。本发明关注的是对智能汽车三大模块中的规划决策模块的快速测试。
智能汽车在一般道路上行驶时,需要应对各种复杂的交通环境和天气状况,如混合交通流环境、大雪及雾霾天气等。因此,智能车上路之前必须经过全面严格的测试,以保证交通安全。当前,对智能汽车驾驶水平的测试主要通过实地路测和测试场测试进行。根据美国兰德公司的研究报告,因为交通事故是极小概率事件,如果要证明智能汽车比人类驾驶安全性能高20%,约需要100辆车,一天24小时,全年无休测试225年。因此,智能汽车测试需要关注高风险场景的加速加载方法,使得车辆的规划决策“智力水平”得到快速有效的测试。
针对以上问题,本发明提出了一种基于重要度抽样理论的智能汽车快速测试方法,基于实测数据,通过对少量样本的测试,实现对大量样本安全性的评估,从而实现对智能汽车行驶安全性的快速全面测试。
技术实现要素:
本发明要解决的技术问题是基于实测数据,通过对少量样本的测试,实现对大量样本安全性的评估。该方法首先基于现场交通场景采集数据,获得车辆的行驶场景参数;之后对关键参数的分布进行拟合;然后根据重要度抽样理论,使用测度指数变换(ecm)和交叉熵(ce)方法,获得用于加速测试的参数分布,基于新分布重构生成测试事件,计算高风险事件发生率,同时计算使高风险事件发生率收敛时的测试次数,计算加速测试的加速比,最终实现快速测试
本发明提出的智能汽车快速测试方法,所述方法基于重要度抽样理论,具体步骤如下:
(1)获取测试车辆和换道车辆的行驶数据:
(1.1)通过设置在测试车辆上的传感器,获取测试车辆的速度v,换道车辆的速度vc,两车之间的距离r的数据。
(1.2)计算每组数据中测试车辆到冲突点的时间(ttc),计算公式如下:
式中,r——测试车辆与换道车辆之间的距离;
(2)拟合关键参数的分布:
(2.1)计算测试车辆与换道车辆距离r的倒数r-1,使用pareto分布拟合r-1的分布,公式如下:
(2.2)计算测试车辆到冲突车点的时间ttc的倒数ttc-1,使用负指数分布拟合ttc-1的分布,公式如下:
(3)根据重要度抽样理论,进行加速测试:
(3.1)对r-1进行测度指数变换(ecm),使用新的密度函数
(3.2)对ttc-1进行测度指数变换(ecm),使用新的密度函数
(3.3)计算总体似然比,公式如下:
(3.4)使用交叉熵(ce)方法计算最优参数
式中,
iε(xj)——高风险事件是否发生的指示函数,计算公式如下:
(3.5)将求得的参数
(3.6)根据实际的换道车辆的速度vc,以及拟合得到的测试车辆与换道车辆距离r的倒数的分布
(3.7)将事件x代入测试的智能汽车控制模型,计算高风险事件ε发生的概率,计算公式如下:
(4)计算加速比:
(4.1)逐渐增加样本容量,重复步骤(3.6)和(3.7),直至高风险事件ε发生的概率收敛。判定是否收敛的指标为相对半宽lr,计算公式如下:
γ=e(iε(x))
zα=φ-1(1-α/2)
式中,lα——半宽;
γ——高风险事件发生的概率;
φ-1——正态分布n(0,1)的逆累积分布函数;
α——置信度;
n——样本容量;
在80%的置信度下,认为相对半宽lr满足lr<0.2时,高风险事件ε发生的概率收敛。记录实现收敛时的测试次数nacc。
(4.2)使用实际的vc,r-1,ttc-1,计算实际事件xemp=[vc,r-1,ttc-1]的高风险事件ε发生的概率收敛时的测试次数nemp。
(4.3)计算加速比,计算公式如下:
demp=rcnemp
τc=min(t|r(t)<rε)
式中,demp——实际数据车辆行驶的里程数;
rc——现实中发生一次测试事件车辆行驶的里程数;
dacc——加速测试里程数;
tc——测试事件发生的时刻;
τc——第n次测试中车辆行驶的时间;
rε——高风险事件发生的距离阈值;
与现有技术相比,本发明的技术方案具有以下有益效果:
1.本发明提出的智能汽车快速测试方法,应用了重要度抽样理论和交叉熵方法,通过少量样本的测试,使高风险事件发生率收敛,达到与大量样本测试相同的高风险事件发生率,显著提高了测试效率,同时保证了测试的可信度。
2.本发明提出的智能汽车快速测试方法,可以通过对实测数据的分析,生成最具有代表性和最需要测试的交通场景,提供给其他的测试平台,如驾驶模拟器、测试场测试和硬件在环测试等,缩短测试周期,减少时间和资金的消耗,对全面快速地测试智能汽车的安全性具有重要意义。
附图说明
图1本发明提出的智能汽车快速测试方法流程图。
图2本发明实施例中的临近区域示意图。
图3本发明实施例中相对半宽随测试次数的变化曲线图。
具体实施方式
下面结合附图和实施例,对本发明的技术方案作详细说明。本实施例在以本发明技术方案为前提下进行实施,但本发明的保护范围不限于下述的实施例。
实施例1
利用上海市自然驾驶数据,测试本发明在对车辆换道行为测试的加速效果,包括以下详细步骤:
(1)提取测试车辆和换道车辆的行驶数据:
定义换道车辆越过车道中心线的时刻为换道时刻。通过上海市自然驾驶车辆采集的数据,提取换道车辆插入自然驾驶车辆所在车道时刻自然驾驶车辆和换道车辆的行驶数据,包括后车速度v、前车速度vc和前后车距离r,并计算对应的ttc。有效数据需要满足v∈(2m/s,40m/s),vc∈(2m/s,40m/s),r∈(0.1m,75m)。通过数据筛选处理,共提取32104条有效数据。
(2)拟合关键参数的分布:
(2.1)计算前后车距离的倒数r-1,使用pareto分布拟合r-1的分布,公式如下:
参数的取值为:
(2.2)计算ttc的倒数ttc-1,使用负指数分布拟合ttc-1的分布,公式如下:
参数的取值为:
(3)对关键参数进行ecm变换:
使用新的密度函数
参数的取值为:
使用新的密度函数
参数的取值为:
则总体似然比为:
(4)定义测试模型及高风险事件:
本实施例中,测试的场景为换道车辆插入测试车辆所在车道时,测试车辆行驶的安全性,测试模型为智能汽车的自动紧急制动(aeb)模型。aeb模型的公式为:
thw=r/v
模型参数的取值为:
本实施例中,定义的高风险事件为,换道车辆插入测试车辆所在车道后,测试车辆出现在换道车辆的临近区域内。邻近区域定义为,换道车辆前保险杠向前4英尺到后保险杠向后30英尺的区域。如图2所示。
(5)使用ce方法计算最优参数:
最优参数
为求得最优参数
使用300条实际数据,进行10次迭代计算,参数
(6)进行加速测试,计算高风险事件发生率达到收敛时的测试次数:
根据实际的换道车辆的速度vc,以及拟合得到的测试车辆与换道车辆距离r的倒数的分布
逐渐增加样本容量,计算高风险事件ε发生的概率,计算公式如下:
同时计算该样本容量下的相对半宽lr,计算公式如下:
γ=e(iε(x))
zα=φ-1(1-α/2)
式中,lα——半宽;
γ——高风险事件发生的概率;
φ-1——正态分布n(0,1)的逆累积分布函数;
α——置信度;
n——样本容量;
计算结果显示,在测试次数即样本容量大于435时,相对半宽lr满足lr<0.2,高风险事件发生率达到收敛,即nacc=435。同理,计算使用实际数据时,高风险事件发生率达到收敛的测试次数,求得nnature=10391。上述计算结果如图3所示。
(7)计算加速比:
加速比的计算公式如下:
demp=rcnemp
τc=min(t|r(t)<rε)
式中,demp——实际数据车辆行驶的里程数;
rc——现实中发生一次测试事件车辆行驶的里程数;
dacc——加速测试里程数;
tc——测试事件发生的时刻;
τc——第n次测试中车辆行驶的时间;
rε——高风险事件发生的距离阈值;
计算得到dacc=33.45,dnature=7.94×104,因此加速比为: