自动驾驶系统的可靠性确定方法、装置、设备及介质与流程

1.本发明实施例涉及自动驾驶技术领域，尤其涉及一种自动驾驶系统的可靠性确定方法、装置、设备及介质。


背景技术：

2.随着车辆智能化的发展，自动驾驶已是大势所趋，自动驾驶汽车实现上路之前必须经过严格功能安全测试。自动驾驶仿真测试是以数学建模的方式将自动驾驶的应用场景进行数字化还原，建立尽可能接近真实世界的系统模型，无需实车直接通过软件进行仿真测试便可达到对自动驾驶系统及算法进行测试验证的目的。仿真测试具有场景覆盖度高、测试过程安全和测试效率高等优势。
3.然而，仿真测试难以穷举和测试所有的场景，并且，现有技术无法实现对自动驾驶系统可靠性等进行量化和评估。


技术实现要素：

4.本发明实施例提供了一种自动驾驶系统的可靠性确定方法、装置、设备及介质，以实现自动驾驶系统的可靠性结果的量化，并且，实现自动驾驶系统在某一类场景下的所有测试场景下的失效概率的预测。
5.第一方面，本发明实施例提供了一种自动驾驶系统的可靠性确定方法，所述方法包括：
6.基于预先构建的车辆模型、传感器模型、自动驾驶系统的控制模型以及场景模型，获取所述自动驾驶系统对应的场景仿真结果；
7.基于所述场景仿真结果以及所述场景模型对应的各场景变量，确定所述场景变量与所述场景仿真结果的响应面；
8.基于各所述场景变量对应的概率密度函数、各所述场景变量的范围、所述响应面以及预设失效条件确定所述自动驾驶系统对应的失效概率。
9.可选的，所述方法还包括：
10.获取预设的各场景变量，其中，所述场景变量包括所述场景变量的类型以及场景变量的范围；
11.获取预先构建的仿真场景模板；
12.基于所述场景变量的类型以及所述场景变量的范围，对各所述场景变量进行第一抽样处理，基于第一抽样处理的结果以及所述仿真场景模板确定场景模型。
13.可选的，所述方法还包括：
14.搭建场景静态要素，其中，所述场景静态要素包括道路信息、车道信息、以及环境信息中的至少一种；
15.搭建场景动态要素，其中，所述场景动态要素包括交通特性信息、本车信息、目标车信息以及其他交通参与者信息中的至少一种；
16.获取预设环境条件、仿真时长、仿真触发条件以及仿真终止条件，基于所述场景静态要素、所述场景动态要素、所述预设环境条件、所述仿真时长、所述仿真触发条件以及所述仿真终止条件建立仿真场景模板。
17.可选的，所述基于预先构建的车辆模型、传感器模型、自动驾驶系统的控制模型以及场景模型，获取所述自动驾驶系统对应的场景仿真结果，包括：
18.基于所述控制模型获取所述车辆模型发送的当前时刻的车辆运动信息，以及所述传感器模型发送的当前时刻的目标信息；
19.通过所述控制模型，基于所述当前时刻的车辆运动信息、所述当前时刻的目标信息以及所述场景模型，确定下一时刻的运动控制信息发送至所述车辆模型；
20.基于所述车辆模型确定的各时刻的车辆运动信息、所述控制模型确定的各时刻的运动控制信息以及所述传感器模型确定的各时刻的目标信息，获取所述自动驾驶系统对应的场景仿真结果。
21.可选的，所述基于各所述场景变量对应的概率密度函数、各所述场景变量的范围、所述响应面以及预设失效条件确定所述自动驾驶系统对应的失效概率，包括：
22.基于各所述场景变量对应的概率密度函数、各所述场景变量的范围以及所述响应面确定抽样输出结果；
23.基于所述抽样输出结果、所述概率密度函数以及预设失效条件确定所述自动驾驶系统对应的失效概率。
24.可选的，所述基于各所述场景变量对应的概率密度函数、各所述场景变量的范围以及所述响应面确定抽样输出结果，包括：
25.获取各所述场景变量对应的概率密度函数；
26.基于所述概率密度函数以及所述场景变量的范围，对各所述场景变量进行第二抽样处理，得到各所述场景变量的抽样变量结果；
27.基于所述抽样变量结果以及所述响应面确定抽样输出结果。
28.可选的，所述方法还包括：
29.基于所述场景仿真结果，计算各所述场景变量对应的灵敏度信息；
30.基于各所述场景变量对应的灵敏度信息，在各所述场景变量中剔除不满足预设灵敏度要求的场景变量。
31.第二方面，本发明实施例还提供了一种自动驾驶系统的可靠性确定装置，所述装置包括：
32.仿真模块，用于基于预先构建的车辆模型、传感器模型、自动驾驶系统的控制模型以及场景模型，获取所述自动驾驶系统对应的场景仿真结果；
33.响应面构建模块，用于基于所述场景仿真结果以及所述场景模型对应的各场景变量，确定所述场景变量与所述场景仿真结果的响应面；
34.失效概率确定模块，用于基于各所述场景变量对应的概率密度函数、各所述场景变量的范围、所述响应面以及预设失效条件确定所述自动驾驶系统对应的失效概率。
35.第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
36.一个或多个处理器；
37.存储装置，用于存储一个或多个程序，
38.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例提供的自动驾驶系统的可靠性确定方法。
39.第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例提供的自动驾驶系统的可靠性确定方法。
40.上述发明中的实施例具有如下优点或有益效果：
41.通过预先构建的车辆模型、传感器模型、自动驾驶系统的控制模型以及场景模型，获取自动驾驶系统的场景仿真结果，基于场景仿真结果以及该场景模型对应的各场景变量，构建场景变量与场景仿真结果的响应面，进一步基于该响应面、各场景变量的概率密度函数、各场景变量的范围以及预设失效条件，确定该自动驾驶系统对应的失效概率，该方法通过确定失效概率实现了对自动驾驶系统的可靠性结果的量化，为自动驾驶系统的开发和改进提供有力的支持；并且，该方法通过场景变量的概率密度函数，实现了自动驾驶系统在某一类场景下的所有测试场景下的失效概率的预测，解决了现有技术无法穷举所有测试场景的技术问题。
附图说明
42.为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
43.图1a为本发明实施例一所提供的一种自动驾驶系统的可靠性确定方法的流程示意图；
44.图1b为本发明实施例一所提供的一种响应面的示意图；
45.图2为本发明实施例二所提供的一种自动驾驶系统的可靠性确定方法的流程示意图；
46.图3为本发明实施例三所提供的一种自动驾驶系统的可靠性确定方法的流程示意图；
47.图4为本发明实施例四所提供的一种自动驾驶系统的可靠性确定方法的流程示意图；
48.图5为本发明实施例五所提供的一种自动驾驶系统的可靠性确定装置的结构示意图；
49.图6为本发明实施例六所提供的一种电子设备的结构示意图。
具体实施方式
50.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
51.实施例一
52.图1a为本发明实施例一提供的一种自动驾驶系统的可靠性确定方法的流程示意
图，本实施例可适用于对自动驾驶系统的可靠性进行分析的情况，尤其适用于根据预先构建的车辆模型、传感器模型、自动驾驶系统的控制模型以及场景模型，计算出自动驾驶系统的失效概率的情况，该方法可以由自动驾驶系统的可靠性确定装置来执行，该装置可以由硬件和/或软件来实现，该方法具体包括如下步骤：
53.s110、基于预先构建的车辆模型、传感器模型、自动驾驶系统的控制模型以及场景模型，获取所述自动驾驶系统对应的场景仿真结果。
54.其中，车辆模型可以是模拟车辆在实际操作中的运动特性的动力学模型。车辆模型可以根据预设的车体参数、空气动力学参数以及传动参数构建。示例性的，可以是诸如整车高度、整车宽度、迎风面积、空气密度、簧上质量的质心距前轴的距离、簧上质量的质心距里面的高度、车辆轴距等参数。
55.传感器模型可以基于实际测试车辆安装的传感器信息搭建。例如，传感器模型可以包括激光雷达模型、摄像头模型以及毫米波雷达模型等。在传感器模型的构建过程中，还可以选择传感器模型的类型，如物理级、信号级、真值级，以及选择传感器的安装位置、基本参数的配置等。可选的，车辆模型以及传感器模型可以在自动驾驶仿真软件中预先构建。
56.在本实施例中，示例性的，自动驾驶系统可以是诸如自动紧急制动系统(advanced/automatic emergency braking，aeb)、上坡辅助系统、防抱死制动系统、拥堵跟车系统、高速代驾系统、自动泊车系统等控制系统。具体的，自动驾驶系统的控制模型可以是用于按照自动驾驶系统中的自动驾驶算法进行车辆控制的模型。自动驾驶系统的控制模型可在simulink环境下与其它模型进行集成。
57.场景模型可以是根据自动驾驶系统待测试的各个仿真场景所构建的模型。场景模型可以在自动驾驶仿真软件中预先构建。例如，以自动驾驶系统为自动紧急制动系统为例，场景模型可以是直道前方匀速行驶车辆追尾测试(car-to-car rear moving，ccrm)模型、直道前方减速行驶车辆追尾测试(car-to-car rear braking，ccrb)模型等。场景模型可以基于各场景变量的不同取值构建得到，其包含多个仿真测试场景。示例性的，对于ccrm模型，场景变量可以是本车速度、目标车速度以及偏置率等变量，通过对本车速度、目标车速度以及偏置率等变量进行多次赋值，可以得到包含多个仿真测试场景的场景模型。
58.具体的，在建立出车辆模型、传感器模型、自动驾驶系统的控制模型以及场景模型后，各模型之间可以进行数据交互，通过交互的数据进行测试场景的仿真，得到场景仿真结果。例如，车辆模型可以向控制模型输入本车速度、本车加速度、方向盘转角、油门以及制动踏板开度等信息，传感器模型可以向控制模型输入目标车辆或目标物体与本车的相对距离、相对速度、相对角度等信息，场景模型可以向传感器模型输入目标车辆或目标物体的相关信息，车辆模型可以向场景模型输入车辆的位姿信息，控制模型可以向车辆模型发送车辆的制动信息。通过各个模型输出的数据，可以提取出自动驾驶系统的场景仿真结果。
59.其中，场景仿真结果可以包含与测试场景相关的各种数据，不同的测试场景(场景模型)下场景仿真结果所包含的数据不同，例如，针对ccrm模型，场景仿真结果可以包括碰撞时间(time to collision，ttc，可以通过两车车距和两车的相对车速计算得到)、是否发生碰撞、两车最小相对距离等数据。
60.示例性的，所述基于预先构建的车辆模型、传感器模型、自动驾驶系统的控制模型以及场景模型，获取所述自动驾驶系统对应的场景仿真结果，包括：基于所述控制模型获取
所述车辆模型发送的当前时刻的车辆运动信息，以及所述传感器模型发送的当前时刻的目标信息；通过所述控制模型，基于所述当前时刻的车辆运动信息、所述当前时刻的目标信息以及所述场景模型，确定下一时刻的运动控制信息发送至所述车辆模型；基于所述车辆模型确定的各时刻的车辆运动信息、所述控制模型确定的各时刻的运动控制信息以及所述传感器模型确定的各时刻的目标信息，获取所述自动驾驶系统对应的场景仿真结果。
61.其中，目标信息可以包括目标车辆或目标物体的位置、速度、加速度、与本车的相对距离、相对速度、相对角度等信息；车辆运动信息可以包括本车速度、加速度、方向盘转角、油门以及制动踏板开度等信息。具体的，控制模型可以通过自动驾驶算法，根据当前时刻的车辆运动信息、目标信息以及场景模型，计算出下一时刻的车辆运动信息，并将其作为制动信息发送至车辆模型，以使车辆模型在下一时刻按照该制动信息运动；控制模型可以与车辆模型、传感器模型、场景模型连接起来，形成闭环。根据各个时刻下各模型输出的信息，可以得到自动驾驶系统的场景仿真结果。
62.s120、基于所述场景仿真结果以及所述场景模型对应的各场景变量，确定所述场景变量与所述场景仿真结果的响应面。
63.其中，场景模型对应的各场景变量可以是构建场景模型所需的变量。例如，针对ccrm模型，各场景变量可以是本车速度、本车加速度、本车初始位置、本车行驶方向、本车终点位置、目标车速度、目标车辆加速度、目标车辆初始位置、目标车辆行驶方向、目标车辆终点位置以及其他交通参与者状态。
64.具体的，本实施例可以通过数学优化分析软件，构造场景变量与仿真系统输出的场景仿真结果之间的响应面。任意两个场景变量和一个场景仿真结果即可构造出一个响应面。场景变量在一定程度上相当于输入x，仿真系统输出的场景仿真结果相当于y，响应面可以是三维空间内描述x-y关系的函数。
65.示例性的，如图1b所示，展示了一种响应面的示意图，以ccrm模型为例，场景变量采用目标车速度和本车速度，场景仿真结果采用两车最小相对距离，即可将目标车速和本车车速作为输入，两车最小相对距离作为输出，构造出响应面。需要说明的是，本实施例中响应面的数量可以为一个，也可以为多个。
66.在一种实施方式中，考虑到场景变量的数量可以为多个，部分场景变量对场景仿真结果的影响较大，部分场景变量对场景仿真结果的影响较小，如偏置率对场景仿真结果的影响非常小。针对没有影响或者影响较小的场景变量，可以在后续的响应面构建以及失效概率分析中将其忽略掉，以简化计算，提高自动驾驶系统的可靠性分析效率。即，所述方法还包括：基于所述场景仿真结果，计算各所述场景变量对应的灵敏度信息；基于各所述场景变量对应的灵敏度信息，在各所述场景变量中剔除不满足预设灵敏度要求的场景变量。
67.其中，灵敏度信息可以描述自动驾驶系统中场景变量的不确定性对场景仿真结果的影响。示例性的，计算各场景变量对应的灵敏度信息，可以是基于方差的方法计算。通过该方式，可以分析出各场景变量的灵敏度，从而确定出各场景变量对于场景仿真结果的重要度并将其量化，以仅针对满足预设灵敏度要求的场景变量，进行后续响应面构建或者失效概率的分析，简化计算，提高了失效概率的分析效率。需要说明的是，计算各所述场景变量对应的灵敏度信息的步骤，可以在构造响应面之前执行，以对重要的场景变量进行响应面的构造，减少计算量，提高失效概率的分析效率。
68.s130、基于各所述场景变量对应的概率密度函数、各所述场景变量的范围、所述响应面以及预设失效条件确定所述自动驾驶系统对应的失效概率。
69.其中，场景变量的概率密度函数可以基于大数据分析或车联网数据提取分析得到。示例性的，根据大数据分析可知，车速在一段道路上基本服从正态分布，因此，车速的概率密度函数可以是正态分布函数。场景变量的范围可以是场景变量的取值范围，例如0-100；需要说明的是，场景变量具备多种类型，如连续、离散、常数或者函数等，不同类型的场景变量的取值范围可以不同。
70.预设失效条件可以是预先设置的自动驾驶系统的失效条件。示例性的，对于aeb系统的ccrm场景，预设失效条件可以是两车发生碰撞，即两车最小相对距离小于0。
71.具体的，可以通过各场景变量的概率密度函数、各场景变量的范围、构造的各响应面以及预设失效条件，在数学优化分析软件中运用概率的方法计算出自动驾驶系统在该场景模型下的失效概率。如，可以在场景变量的范围内对场景变量的取值进行采样，根据响应面确定各场景变量的采样取值对应的仿真结果，进一步的，根据各采样取值对应的仿真结果、预设失效条件以及概率密度函数计算出自动驾驶系统的失效概率。
72.在本实施例中，可以通过自动驾驶仿真软件与数学优化分析软件进行联合仿真，基于自动驾驶仿真软件集成自动驾驶系统的控制模型、车辆模型、传感器模型和场景模型，建立对自动驾驶系统中的自动驾驶控制算法进行测试的仿真场景，然后基于数学优化分析软件构造响应面，定义场景变量的概率密度函数后计算失效概率。其中，本实施例可以基于自动驾驶仿真软件和数学优化分析软件进行联合仿真，可实现自动测试还可以利用云端加速测试，有利于提升效率和降低成本；并且，该方法还具备覆盖度高和安全性高的特点，具体的，可以对测试场景进行灵活的配置，亦可对极端、危险的工况进行仿真测试测试和后续的计算分析过程，能有效覆盖自动驾驶功能测试盲区；此外，该方法还可以实现分析结果的量化，采用基于概率的方法进行自动驾驶系统可靠性分析，可靠性分析结果可解释可量化，可为自动驾驶算法的开发和改进提供有力的支持。
73.本实施例的技术方案，通过预先构建的车辆模型、传感器模型、自动驾驶系统的控制模型以及场景模型，获取自动驾驶系统的场景仿真结果，基于场景仿真结果以及该场景模型对应的各场景变量，构建场景变量与场景仿真结果的响应面，进一步基于该响应面、各场景变量的概率密度函数、各场景变量的范围以及预设失效条件，确定该自动驾驶系统对应的失效概率，该方法通过确定失效概率实现了对自动驾驶系统的可靠性结果的量化，为自动驾驶系统的开发和改进提供有力的支持；并且，该方法通过场景变量的概率密度函数，实现了自动驾驶系统在某一类场景下的所有测试场景下的失效概率的预测，解决了现有技术无法穷举所有测试场景的技术问题。
74.实施例二
75.图2为本发明实施例二提供的一种自动驾驶系统的可靠性确定方法的流程示意图，本实施例在上述实施例的基础上，可选的，所述方法还包括：获取预设的各场景变量，其中，所述场景变量包括所述场景变量的类型以及场景变量的范围；获取预先构建的仿真场景模板；基于所述场景变量的类型以及所述场景变量的范围，对各所述场景变量进行第一抽样处理，基于第一抽样处理的结果以及所述仿真场景模板确定场景模型。其中与上述各实施例相同或相应的术语的解释在此不再赘述。参见图2，本实施例提供的自动驾驶系统的
可靠性确定方法包括以下步骤：
76.s210、获取预设的各场景变量，其中，所述场景变量包括所述场景变量的类型以及场景变量的范围。
77.其中，预设的各场景变量可以根据待测试场景的类型进行定义。例如，以测试aeb系统为例，若待测试场景为ccrm，则可以定义场景变量包括本车速度、目标车速度、偏置率等信息，其中，偏置率为本车与目标车的重叠部分占本车的比例，重叠定义的参考线是本车的中心线，在100％重叠的情况下，本车与目标车的中心线对齐。
78.当然，在定义各场景变量的同时，还可以对场景变量的类型和范围进行定义，其中，场景变量的类型可以是诸如连续、离散、常数或者函数等类型，场景变量的范围可以是取值范围。示例性的，本车车速或目标车速度的类型可以是连续变量；道路属性(如道路的附着系数)的类型可以为离散变量。
79.s220、获取预先构建的仿真场景模板，基于所述场景变量的类型以及所述场景变量的范围，对各所述场景变量进行第一抽样处理，基于第一抽样处理的结果以及所述仿真场景模板确定场景模型。
80.具体的，本实施例可以根据场景变量的类型以及场景变量的范围，对场景变量进行第一抽样处理，得到场景变量的不同取值。在本实施例中，可以根据场景变量的类型和范围进行随机抽样，抽样的策略和数量可以根据场景模型来确定，一般可以采用简单随机抽样策略，抽样数量102～103量级即可满足需求。
81.通过该方式，得到各个场景变量的多个取值，作为第一抽样处理的结果。进一步的，将第一抽样处理的结果，即各个场景变量的多个取值代入至预先构建的仿真场景模板中，得到场景模型中的各个仿真测试场景。具体的，每个场景变量在取一个值后，取值的各场景变量合起来构成一个样本，将样本代入至仿真场景模板，相当于建立了一个仿真测试场景；各个仿真测试场景构成场景模型。示例性的，a1、b1、c1构成一个样本；a2、b2、c2构成一个样本，等。
82.示例性的，仿真场景模板可以通过如下方式构建，即，可选的，所述方法还包括：搭建场景静态要素，其中，所述场景静态要素包括道路信息、车道信息、以及环境信息中的至少一种；搭建场景动态要素，其中，所述场景动态要素包括交通特性信息、本车信息、目标车信息以及其他交通参与者信息中的至少一种；获取预设环境条件、仿真时长、仿真触发条件以及仿真终止条件，基于所述场景静态要素、所述场景动态要素、所述预设环境条件、所述仿真时长、所述仿真触发条件以及所述仿真终止条件建立仿真场景模板。
83.即，仿真场景模板的构建包括场景静态要素的构建，场景动态要素的构建，定义预设环境条件，设置仿真时长、仿真触发条件以及仿真终止条件。其中，场景静态要素可以包括道路信息、车道信息、以及环境信息中的至少一种。道路信息可以包括道路几何特征(如道路长度、道路宽度)、道路表面材质以及道路车道数量。车道信息可以包括车道长度、车道宽度、车道线信息。环境信息可以包括红绿灯、路面标识、交通牌、路障、围栏、道路建筑(如桥梁、隧道)等。交通特性信息可以是车辆密度、车辆速度、人车分布等信息；本车信息可以包括本车几何模型信息、本车运动参数以及本车运动路线等信息；目标车信息可以包括目标车几何模型信息、目标车运动参数以及目标车运动路线等信息；其他交通参与者信息可以包括行人、动物等参与对象的运动信息、几何模型信息等。预设环境条件可以是对仿真环
境要素的设置条件，其包括但不限于天气类型、光照能见度等数据的设置。仿真触发条件可以是触发仿真测试开始的条件，例如本车开始制动。仿真终止条件可以是结束仿真测试的条件，如，本车车速降低为0的时刻；当然，为了确保采集到足够的场景仿真结果，仿真终止条件可以设置本车车速为降低为0并经过设定延迟时间。通过该方法，实现了仿真场景模板的构建，场景模型中的各个仿真测试场景都可以基于该仿真场景模板得到。
84.s230、基于预先构建的车辆模型、传感器模型、自动驾驶系统的控制模型以及场景模型，获取所述自动驾驶系统对应的场景仿真结果。
85.s240、基于所述场景仿真结果以及所述场景模型对应的各场景变量，确定所述场景变量与所述场景仿真结果的响应面。
86.s250、基于各所述场景变量对应的概率密度函数、各所述场景变量的范围、所述响应面以及预设失效条件确定所述自动驾驶系统对应的失效概率。
87.本实施例的技术方案，通过定义各个场景变量，构建仿真场景模板，并根据场景变量的类型以及场景变量的范围，对各场景变量进行第一抽样处理，进而根据第一臭氧处理的结果以及仿真场景模板确定场景模型，实现了各个仿真测试场景的建立。并且，可以通过对仿真测试场景的灵活配置，实现对极端、危险的工况进行仿真测试测试和后续的计算分析过程，能有效覆盖自动驾驶功能测试盲区。
88.实施例三
89.图3为本发明实施例三提供的一种自动驾驶系统的可靠性确定方法的流程示意图，本实施例在上述实施例的基础上，可选的，所述基于各所述场景变量对应的概率密度函数、各所述场景变量的范围、所述响应面以及预设失效条件确定所述自动驾驶系统对应的失效概率，包括：基于各所述场景变量对应的概率密度函数、各所述场景变量的范围以及所述响应面确定各所述场景变量的抽样输出结果；基于所述抽样输出结果、所述概率密度函数以及预设失效条件确定所述自动驾驶系统对应的失效概率。其中与上述各实施例相同或相应的术语的解释在此不再赘述。参见图3，本实施例提供的自动驾驶系统的可靠性确定方法包括以下步骤：
90.s310、基于预先构建的车辆模型、传感器模型、自动驾驶系统的控制模型以及场景模型，获取所述自动驾驶系统对应的场景仿真结果。
91.s320、基于所述场景仿真结果以及所述场景模型对应的各场景变量，确定所述场景变量与所述场景仿真结果的响应面。
92.s330、基于各所述场景变量对应的概率密度函数、各所述场景变量的范围以及所述响应面确定抽样输出结果。
93.其中，抽样输出结果可以是场景变量的抽样取值在响应面中对应的场景仿真结果。示例性的，所述基于各所述场景变量对应的概率密度函数、各所述场景变量的范围以及所述响应面确定抽样输出结果，可以是：获取各所述场景变量对应的概率密度函数；基于所述概率密度函数以及所述场景变量的范围，对各所述场景变量进行第二抽样处理，得到各所述场景变量的抽样变量结果；基于所述抽样变量结果以及所述响应面确定抽样输出结果。
94.具体的，可以对场景变量进行第二抽样处理，以得到各个场景变量的不同取值，进一步的，可以通过响应面快速获取抽样变量结果对应的场景仿真结果，即抽样输出结果。需
要说明的是，抽样输出结果可以包括仿真出的场景仿真结果，也可以包括构造响应面时拟合的结果。
95.可选的，还可以基于预设约束条件对场景变量进行第二抽样处理，其中，预设约束条件可以是预先设置的用于约束抽样到的场景变量的取值的条件；例如，本车速度大于前车速度。通过约束条件可以避免对影响较小的场景变量取值进行可靠性分析，进而减少了可靠性分析的计算量，进一步提高了分析效率。
96.其中，可以根据场景变量的数量、失效条件的形式以及抽样数量选取合适的第二抽样处理的方法，第二抽样处理的方法包括但不限于蒙特卡洛抽样、拉丁超立方抽样、重要性抽样以及自适应抽样。
97.例如，可以采用拉丁超立方抽样方法对各场景变量进行第二抽样处理。其中，拉丁超立方抽样方法是利用分层的原理在设计空间内随机抽样，既可以保证抽样点不聚集，具备良好的空间覆盖性，又可以保证高抽样效率。采用拉丁超立方抽样方法对各场景变量进行第二抽样处理的过程可以为：(1)根据需要抽样的样本点n，将每个场景变量的空间划分为n份；(2)在场景变量的每个子空间域内进行一次等概率的随机抽样，共得到n个数据；(3)将各个场景变量的n个数据随机匹配为n个样本点(其中，每个数据在匹配时仅使用一次)。
98.s340、基于所述抽样输出结果、所述概率密度函数以及预设失效条件确定所述自动驾驶系统对应的失效概率。
99.具体的，可以通过预设失效条件判断抽样输出结果中每一个场景变量取值对应的场景仿真结果是否为失效结果，获取每一个失效结果所对应的场景变量在概率密度函数中的分布概率，根据各失效结果对应的场景变量的分布概率计算出自动驾驶系统的失效概率。
100.本实施例的技术方案，通过各场景变量对应的概率密度函数、各场景变量的范围以及响应面确定抽样输出结果，进而通过抽样输出结果、概率密度函数以及预设失效条件确定自动驾驶系统对应的失效概率，实现了自动驾驶系统的可靠性分析结果的量化，并且实现了对自动驾驶系统在所有测试场景下的失效概率的预测。例如，某一个场景变量的范围为[0,100]，且该场景变量在此范围内连续，那么，该场景变量的取值可以是无穷的，所以仿真测试场景的数量也可以是无穷的，然而现有技术无法对所有仿真测试场景进行测试。采用本实施例提供的方法，可以通过抽样的方法实现样本代替整体，并且通过抽样输出结果、概率密度函数以及预设失效条件计算失效概率，可以实现运用高效采样方法进行自动驾驶系统的可靠性计算和分析，解决了现有技术无法穷举全部测试场景的技术问题，进而提高了自动驾驶系统的可靠性分析结果的准确性。
[0101]
实施例四
[0102]
图4为本发明实施例四提供的一种自动驾驶系统的可靠性确定方法的流程示意图，本实施例可适用于对自动驾驶系统的可靠性进行分析的情况，尤其适用于根据预先构建的车辆模型、传感器模型、自动驾驶系统的控制模型以及场景模型，计算出自动驾驶系统的失效概率的情况，如图4所示，本实施例提供的自动驾驶系统的可靠性确定方法包括如下步骤：
[0103]
s410、建立自动驾驶仿真软件和数学优化分析软件的数据交互通道。
[0104]
当前，自动驾驶仿真软件和数学优化分析软件普遍提供丰富的接口，可以通过直
接(仿真软件和数学优化分析软件接口互通)或者间接的方式(借助python程序等工具)打通仿真软件和数学优化分析软件之间的数据交互通道。
[0105]
s420、在自动驾驶仿真软件中搭建车辆模型和传感器模型，并集成控制模型。
[0106]
具体的，控制模型可以在simulink中搭建或者用c++代码实现，并和其他模型(车辆模型、传感器模型等)进行集成。自动驾驶仿真软件中还可以搭建车辆模型和传感器模型。车辆模型向控制模型输入本车速度、加速度、方向盘转角、油门及制动踏板开度等信息；传感器模型向控制模型输入目标物体与本车的相对距离、相对速度、相对角度等信息。通过该方式，将控制模型(自动驾驶控制算法)和车辆模型连接起来，形成闭环。
[0107]
s430、在自动驾驶仿真软件中搭建场景模型。
[0108]
具体的，场景模型的搭建包括如下步骤：
[0109]
步骤1、根据所测试的自动驾驶系统，明确测试场景类型，并定义场景变量(包括定义场景变量的类型及范围等)；
[0110]
步骤2、搭建仿真场景模板；
[0111]
其中，仿真场景模板的建立包括：(1)进行静态要素的定义，包括建立场景道路模型、设置道路长度、车道宽度、道路材质属性、车道线以及配置环境信息等；(2)进行动态要素的定义，包括设置本车、目标车以及其他交通参与者状态，如车速、初始位置、行驶方向等；(3)设置环境条件(光照、雨雪雾、风等)；(4)设置仿真时长、仿真触发条件以及仿真终止条件。
[0112]
步骤3、对场景变量进行第一次抽样，根据抽样结果以及仿真场景模板确定各个仿真测试场景，根据各个仿真测试场景构成场景模型。
[0113]
s440、基于自动驾驶仿真软件以及数学优化分析软件执行联合仿真，并通过自动驾驶仿真软件，将场景仿真结果通过数据通道反馈至数学优化分析软件。
[0114]
具体的，通过自动驾驶仿真软件，对车辆模型、传感器模型、自动驾驶系统的控制模型以及场景模型进行仿真，得到场景仿真结果，自动驾驶仿真软件通过数据通道将场景仿真结果传输至数学优化分析软件。
[0115]
s450、通过数学优化分析软件，构造场景变量和场景仿真结果之间的响应面，并确定各场景变量的灵敏度信息。
[0116]
具体的，可以通过数学优化分析软件中的内部算法，根据场景变量以及场景仿真结果构造出场景变量和场景仿真结果之间的响应面。
[0117]
s460、定义场景变量的分布类型以及场景变量的概率密度函数。
[0118]
s470、定义预设约束条件以及预设失效条件。
[0119]
具体的，可以利用数学优化分析软件定义预设约束条件，及预设失效条件。例如对于测试aeb系统的ccrm场景，预设约束条件可定义为自车速度大于前车速度，预设失效条件可以定义为两车发生碰撞，即两车最小相对距离小于0。
[0120]
s480、对各场景变量进行第二次抽样，并根据概率密度函数、预设失效条件以及响应面确定失效概率。
[0121]
具体的，可以根据预设约束条件、场景变量的范围以及概率密度函数对各场景变量进行第二次抽样，进一步的，根据响应面确定出场景变量的抽样取值对应的仿真结果，基于预设失效条件判断仿真结果是否为失效结果，进而基于失效结果所对应的场景变量取值
在概率密度函数中的分布概率，计算出失效概率。
[0122]
本实施例的技术方案，根据所测试的自动驾驶控制算法，建立仿真场景模板，并根据建立的场景在数学优化分析软件中定义场景变量及其范围，根据场景变量的类型选取合适的随机抽样方法，对场景变量进行抽样、组合形成具体的仿真测试场景，所生成的仿真测试场景在仿真软件中自动的执行仿真过程并将场景仿真结果自动传输给数学优化分析软件。在数学优化分析软件中，构造出场景变量和场景仿真结果之间的高质量响应面，并基于方差的分析方法量化场景变量的灵敏度，从而明确场景变量的重要度。基于场景变量的概率分布函数等运用高效的抽样方法和算法，通过定义系统失效条件从而计算其失效概率，实现了对自动驾驶系统的可靠性的计算和量化。
[0123]
实施例五
[0124]
图5为本发明实施例五提供的一种自动驾驶系统的可靠性确定装置的结构示意图，本实施例可适用于对自动驾驶系统的可靠性进行分析的情况，尤其适用于根据预先构建的车辆模型、传感器模型、自动驾驶系统的控制模型以及场景模型，计算出自动驾驶系统的失效概率的情况，该装置具体包括：仿真模块510、响应面构建模块520以及失效概率确定模块530。
[0125]
仿真模块510，用于基于预先构建的车辆模型、传感器模型、自动驾驶系统的控制模型以及场景模型，获取所述自动驾驶系统对应的场景仿真结果；
[0126]
响应面构建模块520，用于基于所述场景仿真结果以及所述场景模型对应的各场景变量，确定所述场景变量与所述场景仿真结果的响应面；
[0127]
失效概率确定模块530，用于基于各所述场景变量对应的概率密度函数、各所述场景变量的范围、所述响应面以及预设失效条件确定所述自动驾驶系统对应的失效概率。
[0128]
可选的，所述装置还包括场景模型构建模块，所述场景模型构建模块，用于获取预设的各场景变量；获取预先构建的仿真场景模板；基于所述场景变量的类型以及所述场景变量的范围，对各所述场景变量进行第一抽样处理，基于第一抽样处理的结果以及所述仿真场景模板确定场景模型，其中，所述场景变量包括所述场景变量的类型以及场景变量的范围。
[0129]
可选的，所述装置还包括场景模板构建模块，所述场景模板构建模块，用于搭建场景静态要素，其中，所述场景静态要素包括道路信息、车道信息、以及环境信息中的至少一种；搭建场景动态要素，其中，所述场景动态要素包括交通特性信息、本车信息、目标车信息以及其他交通参与者信息中的至少一种；获取预设环境条件、仿真时长、仿真触发条件以及仿真终止条件，基于所述场景静态要素、所述场景动态要素、所述预设环境条件、所述仿真时长、所述仿真触发条件以及所述仿真终止条件建立仿真场景模板。
[0130]
可选的，所述仿真模块510具体用于：
[0131]
基于所述控制模型获取所述车辆模型发送的当前时刻的车辆运动信息，以及所述传感器模型发送的当前时刻的目标信息；通过所述控制模型，基于所述当前时刻的车辆运动信息、所述当前时刻的目标信息以及所述场景模型，确定下一时刻的运动控制信息发送至所述车辆模型；基于所述车辆模型确定的各时刻的车辆运动信息、所述控制模型确定的各时刻的运动控制信息以及所述传感器模型确定的各时刻的目标信息，获取所述自动驾驶系统对应的场景仿真结果。
[0132]
可选的，所述失效概率确定模块530包括抽样单元以及概率计算单元；其中，
[0133]
所述抽样单元，用于基于各所述场景变量对应的概率密度函数、各所述场景变量的范围以及所述响应面确定抽样输出结果；
[0134]
所述概率计算单元，用于基于所述抽样输出结果、所述概率密度函数以及预设失效条件确定所述自动驾驶系统对应的失效概率。
[0135]
可选的，所述抽样单元具体用于：
[0136]
获取各所述场景变量对应的概率密度函数；基于所述概率密度函数以及所述场景变量的范围，对各所述场景变量进行第二抽样处理，得到各所述场景变量的抽样变量结果；基于所述抽样变量结果以及所述响应面确定抽样输出结果。
[0137]
可选的，所述装置还包括敏感度分析模块，所述敏感度分析模块，用于基于所述场景仿真结果，计算各所述场景变量对应的灵敏度信息；基于各所述场景变量对应的灵敏度信息，在各所述场景变量中剔除不满足预设灵敏度要求的场景变量。
[0138]
在本实施例中，通过仿真模块，获取预先构建的车辆模型、传感器模型、自动驾驶系统的控制模型以及场景模型，并确定自动驾驶系统的场景仿真结果，通过响应面构建模块，基于场景仿真结果以及该场景模型对应的各场景变量，构建场景变量与所述场景仿真结果的响应面，进一步通过失效概率确定模块，基于该响应面、各场景变量的概率密度函数、各场景变量的范围以及预设失效条件，确定该自动驾驶系统对应的失效概率，该方法通过确定失效概率实现了对自动驾驶系统的可靠性结果的量化，为自动驾驶系统的开发和改进提供有力的支持；并且，该方法通过场景变量的概率密度函数，实现了对自动驾驶系统在所有测试场景下的失效概率的预测，解决了现有技术无法穷举所有测试场景的技术问题。
[0139]
本发明实施例所提供的自动驾驶系统的可靠性确定装置可执行本发明任意实施例所提供的自动驾驶系统的可靠性确定方法，具备执行方法相应的功能模块和有益效果。
[0140]
值得注意的是，上述系统所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。
[0141]
实施例六
[0142]
图6是本发明实施例六提供的一种电子设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图6显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。设备12典型的是承担自动驾驶系统可靠性分析功能的电子设备。
[0143]
如图6所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，存储器28，连接不同组件(包括存储器28和处理单元16)的总线18。
[0144]
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(industry standard architecture，isa)总线，微通道体系结构(micro channel architecture，mca)总线，增强型isa总线、视频电子标准协会(video electronics standards association，vesa)局域总线以及外围组件互连(peripheral component interconnect，pci)总线。
[0145]
电子设备12典型地包括多种计算机可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0146]
存储器28可以包括易失性存储器形式的计算机装置可读介质，例如随机存取存储器(random access memory，ram)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机存储介质。仅作为举例，存储装置34可以用于读写不可移动的、非易失性磁介质(不可移动的、非易失性磁介质在图6中未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(compact disc-read only memory，cd-rom)、数字视盘(digital video disc-read only memory，dvd-rom)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品40，该程序产品40具有一组程序模块42，这些程序模块被配置以执行本发明各实施例的功能。程序产品40，可以存储在例如存储器28中，这样的程序模块42包括但不限于一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
[0147]
电子设备12也可以与一个或多个外部设备14(例如键盘、鼠标、摄像头等和显示器)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(local area network，lan)，广域网wide area network，wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(redundant arrays of independent disks，raid)装置、磁带驱动器以及数据备份存储装置等。
[0148]
处理器16通过运行存储在存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述实施例所提供的自动驾驶系统的可靠性确定方法，包括：
[0149]
基于预先构建的车辆模型、传感器模型、自动驾驶系统的控制模型以及场景模型，获取所述自动驾驶系统对应的场景仿真结果；
[0150]
基于所述场景仿真结果以及所述场景模型对应的各场景变量，确定所述场景变量与所述场景仿真结果的响应面；
[0151]
基于各所述场景变量对应的概率密度函数、各所述场景变量的范围、所述响应面以及预设失效条件确定所述自动驾驶系统对应的失效概率。
[0152]
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的自动驾驶系统的可靠性确定方法的技术方案。
[0153]
实施例七
[0154]
本发明实施例七还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的自动驾驶系统的可靠性确定方法步骤，该方法包括：
[0155]
基于预先构建的车辆模型、传感器模型、自动驾驶系统的控制模型以及场景模型，获取所述自动驾驶系统对应的场景仿真结果；
[0156]
基于所述场景仿真结果以及所述场景模型对应的各场景变量，确定所述场景变量与所述场景仿真结果的响应面；
[0157]
基于各所述场景变量对应的概率密度函数、各所述场景变量的范围、所述响应面以及预设失效条件确定所述自动驾驶系统对应的失效概率。
[0158]
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0159]
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0160]
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0161]
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言——诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0162]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。