面向自动驾驶测试的危险变道场景泛化生成方法及系统

1.本发明属于自动驾驶加速测试技术领域，具体涉及面向自动驾驶测试的危险变道场景泛化生成方法及系统。


背景技术：

2.近年来，自动驾驶汽车正在由测试示范逐步迈入量产商用阶段的过程中，自动驾驶上路前需经过数十亿英里的安全性测试，由于传统的道路、场地测试受测试效率、成本、场景等的限制，已经难以满足自动驾驶汽车测试的需求，利用虚拟仿真技术构建交通测试场景来测试自动驾驶车辆性能已成为一种重要的自动驾驶测试验证手段。为了实现自动驾驶的全方位测试,希望能够通过虚拟仿真技术，利用有效的场景生成方法，生成危险场景，发现被测自动驾驶系统的未知危险场景。现有的变道场景生成方法通过优化变道场景参数来构建危险测试场景，难以生成符合人驾车辆特征的不同切入角度的紧急变道轨迹，难以构建可从理论上避免的风险临界测试场景，不能满足自动驾驶高风险场景测试的需求。


技术实现要素：

3.为解决了现有技术中存在的问题，本发明的目的是提供面向自动驾驶测试的危险变道场景泛化生成方法及系统，综合考虑自动驾驶高风险场景测试的需求，生成符合人驾车辆特征的不同切入角度的紧急变道轨迹，利用不同风险的背景车变道轨迹构建可从理论上避免的风险临界测试场景。
4.本发明采用的技术方案如下：
5.一种面向自动驾驶测试的背景车辆紧急变道轨迹生成方法，包括如下过程：
6.通过面向紧急变道轨迹生成的生成对抗模型，利用自动驾驶数据集中的紧急变道轨迹数据生成符合实际的背景车辆紧急变道轨迹数据；所述面向紧急变道轨迹生成的生成对抗模型为对序列生成对抗网络进行了生成器优化、判别器优化和损失函数设计后得到的模型。
7.优选的，生成器优化是在原始的序列生成对抗网络的生成器添加了批标准化运算；
8.添加了批标准化运算的生成器模型中遗忘门fn表达式如下：
[0009][0010]
式中，σ是sigmoid函数，wf表示遗忘权重，h
n-1
表示前一层的隐藏状态，表示当前输入的内容，表示第m条紧急变道轨迹的第n个值；bf表示遗忘门偏置项，bn()表示批标准化操作；
[0011]
所述生成器输入门由两个模块组成，生成器输入门的一个模块用于将筛选的数据信息保存到记忆细胞中，公式如下：
[0012][0013]
其中，wi表示输入权重，bi表示输入门偏置项，in表示输入门；
[0014]
生成器输入门的另一个模块用于把当前时刻传递的数据信息保存到记忆细胞中，公式如下：
[0015][0016]
其中，wc和bc分别表示记忆细胞权重和记忆细胞偏置项，tanh表示激活函数，新的记忆细胞cn由遗忘门fn和输入门in更新，公式如下：
[0017][0018]
其中，c
n-1
表示前一个记忆细胞；
[0019]
生成器输出门on用于计算需要输出的信息，传递当前层的隐藏状态hn，公式如下：
[0020][0021]hn
＝on*tanh(bn(cn))
[0022]
其中，wo和bo分别表示输出门权重和记忆细胞偏置项，h
n-1
表示前一层的隐藏状态，hn表示当前层的隐藏状态。
[0023]
优选的，所述的判别器优化是对原始的序列生成对抗网络的判别器添加注意力机制，具体的，在原始判别器特征提取层的前后加入了注意力机制，公式如下：
[0024][0025]
式中，q表示当前query的矩阵，k表示key的矩阵，v表示value的矩阵，其中q＝k＝v,q取值为数据的概率分布矩阵。
[0026]
优选的，损失函数设计设计时，对于生成器：
[0027]
生成器在预训练过程中使用的损失函数采用交叉熵损失函数；
[0028]
生成器在对抗训练过程中使用的是策略梯度中的损失函数，策略梯度中的损失函数为对数损失乘以奖励值，表达式如下：
[0029][0030]
其中，表示对θ的梯度算子，j(θ)表示生成器的奖励值，n表示一条紧急变道轨迹数据的序列长度，表示生成的第i条紧急变道轨迹的n-1个值，li表示生成器生成的值的空间，表示生成第n个值，g
θ
表示生成器，θ表示生成器参数，表示判别器，表示判别器参数，表示生成器和判别器的动作价值。
[0031]
优选的，损失函数设计设计时，对于判别器：
[0032]
判别器在预训练和对抗训练过程中的损失函数是一样的，使用交叉熵用作分类和预测任务的目标函数，使用对数损失函数来训练判别器，损失函数的表达式如下：
[0033][0034]
其中，表示最小化判别器的参数，表示输入到判别器的值的数学期望，表示判别器，表示输入到生成器的值的数学期望，p
data
表示真实紧急变道轨迹
数据的分布，l表示输入到判别器的值。
[0035]
本发明提供了一种用于实现本发明如上所述的面向自动驾驶测试的背景车辆紧急变道轨迹生成方法的装置，包括：
[0036]
背景车辆紧急变道轨迹数据生成模块：用于通过面向紧急变道轨迹生成的生成对抗模型，利用自动驾驶数据集中的紧急变道轨迹数据生成符合实际的背景车辆紧急变道轨迹数据。
[0037]
本发明提供了一种面向自动驾驶测试的危险变道场景泛化生成方法，包括以下步骤：
[0038]
s1，利用车辆最短安全距离模型计算权利要求1所述面向自动驾驶测试的背景车辆紧急变道轨迹生成方法生成的每条背景车辆紧急变道轨迹数据对应的被测自动驾驶车辆的初始状态；
[0039]
s2，结合权利要求1所得的背景车辆紧急变道轨迹数据和所述被测自动驾驶车辆的初始状态，生成紧急变道轨迹对应的危险变道场景；
[0040]
s3，循环s1到s2，生成所有背景车辆紧急变道轨迹数据对应的危险变道场景。
[0041]
优选的：解耦自动驾驶车辆的安全约束，建立得到所述车辆最短安全距离模型。
[0042]
优选的，被测自动驾驶车辆的初始状态用以下公式计算：
[0043][0044][0045][0046]
其中，d
min
表示被测自动驾驶车辆与背景车辆最小安全距离，v
av
表示被测自动驾驶车辆初始速度，dh是被测自动驾驶车辆与背景车辆的初始横向距离，a
max
表示被测自动驾驶车辆的最大减速度，l表示背景车辆的长度，v
hv
表示背景车辆的行驶的平均速度，t1表示变减速运动阶段的时间，t2表示匀减速运动阶段的时间段。
[0047]
本发明提供了一种面向自动驾驶测试的危险变道场景泛化生成系统，包括：
[0048]
危险变道场景生成模块：用于利用本发明误伤所述的面向自动驾驶测试的危险变道场景泛化生成方法生成危险变道场景；
[0049]
仿真交通场景生成模块：用于在unity3d中搭建仿真交通场景，并在搭建的仿真交通场景中注入背景车辆行驶轨迹和被测自动驾驶车辆所需要的数据；
[0050]
测试模块：用于将所述危险变道场景中背景车辆运动轨迹和被测自动驾驶车辆初始状态注入到所述仿真交通场景中，测试自动驾驶车辆控制算法的有效性。
[0051]
与现有技术相比，本发明具有如下有益效果：
[0052]
本发明针对自动驾驶虚拟测试动态危险变道场景生成问题，基于公开自动驾驶数据集中的紧急变道轨迹数据，提出一种考虑人驾车辆特征的紧急变道轨迹对抗生成方法(bn-am-seqgan)，构建基于安全距离的两车变道状态约束模型，计算风险临界场景下的被测自动驾驶车辆初始状态，提出危险场景泛化生成算法，生成危险变道变道场景，形成危险变道场景库。本发明解决了现有的变道场景生成方法通过优化变道场景参数来构建危险测试场景，难以生成符合人驾车辆特征的不同切入角度的紧急变道轨迹，难以构建可从理论
上避免的风险临界测试场景，不能满足自动驾驶高风险场景测试需求的问题。
附图说明
[0053]
图1是本发明面向紧急变道轨迹生成的生成对抗模型(即bn-am-seqgan)的结构图；
[0054]
图2是本发明技术方案中被测自动驾驶车辆和背景车辆行驶状态示意图；
[0055]
图3是本发明实施例中生成的危险变道测试场景示意图；
[0056]
图4(a)是本发明实施例中背景车辆速度为15m/s的危险变道场景；图4(b)是本发明实施例中背景车辆速度为20m/s的危险变道场景；
[0057]
图5是本发明仿真平台搭建的虚拟变道测试场景；
[0058]
图6是三种生成对抗网络损失值对比图。
具体实施方式
[0059]
下面结合附图和具体实施方式对本发明进行详细说明。
[0060]
针对自动驾驶虚拟测试动态危险变道场景生成问题，本发明基于公开紧急变道轨迹数据，提出一种面向自动驾驶测试的紧急变道轨迹生成方法(bn-am-seqgan)，构建基于安全距离的两车变道状态约束模型，计算风险临界场景下的被测自动驾驶车辆初始状态，提出危险变道场景泛化生成算法，生成危险变道场景，形成危险变道场景库。为了避免产生不切实际的危险场景，需要根据车辆动力学和物理极限，构建安全边界模型，结合背景车不同切入角度，生成理论上可避免的风险临界测试场景。
[0061]
本发明面向自动驾驶测试的紧急变道轨迹生成方法，包括下列步骤：
[0062]
步骤1，对序列生成对抗网络(seqgan)分别进行生成器优化、判别器优化、损失函数设计，建立本发明面向紧急变道轨迹生成的生成对抗模型(bn-am-seqgan)；
[0063]
步骤2，将公开自动驾驶数据集中的紧急变道轨迹数据注入到步骤1建立的面向紧急变道轨迹生成的生成对抗模型中，生成符合实际的背景车辆紧急变道轨迹数据；
[0064]
参见图1，所述步骤1包括以下步骤：
[0065]
步骤1.1，生成器优化是原始序列生成对抗网络的生成器添加批标准化运算。假设当前的输入是加批标准化运算的生成器模型中遗忘门fn表示为：
[0066][0067]
式中σ是sigmoid函数，wf表示遗忘权重，h
n-1
表示前一层的隐藏状态，表示当前输入的内容，表示第m条紧急变道轨迹的第n个值，bf表示遗忘门偏置项，bn()表示批标准化操作。生成器输入门包括两个模块，生成器输入门的一个模块用于将筛选的数据信息保存到记忆细胞中，公式如下：
[0068][0069]
其中wi表示输入权重，bi表示输入门偏置项，in表示输入门。
[0070]
生成器输入门的另一个模块用于把当前时刻传递的数据信息保存到记忆细胞中，公式如下：
[0071]
[0072]
其中wc和bc分别表示记忆细胞权重和记忆细胞偏置项，tanh表示激活函数。新的记忆细胞cn由遗忘门fn和输入门in更新。公式如下：
[0073][0074]
其中，c
n-1
表示前一个记忆细胞；
[0075]
所述生成器输出门on计算需要输出的信息，传递当前层的隐藏状态hn，公式如下：
[0076][0077]hn
＝on*tanh(bn(cn))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0078]
其中wo和，bo分别表示输出门权重和记忆细胞偏置项，h
n-1
表示前一层的隐藏状态，hn表示当前层的隐藏状态。
[0079]
步骤1.2，判别器优化是对原始序列生成对抗网络的判别器添加注意力机制。在原始判别器特征提取层的前后加入了注意力机制，公式如下：
[0080][0081]
式中q表示当前query的矩阵,k表示key的矩阵,v表示value的矩阵,其中q＝k＝v,q取值为数据的概率分布矩阵.
[0082]
步骤1.3，损失函数设计，对于生成器来说，预训练和对抗训练过程中使用的损失函数是不一样的，在预训练过程中，生成器使用的是交叉熵损失函数，而在对抗过程中，使用的则是策略梯度中的损失函数，即对数损失乘以奖励值，可用式(8)表示。
[0083][0084]
其中，表示对θ的梯度算子，j(θ)表示生成器的奖励值，n表示一条紧急变道轨迹数据的序列长度，表示生成的第i条紧急变道轨迹的n-1个值，li表示生成器生成的值的空间，表示生成第n个值，g
θ
表示生成器，θ表示生成器参数，表示判别器，表示判别器参数，表示生成器和判别器的动作价值。
[0085]
对于判别器来说，在预训练和对抗训练过程中的损失函数是一样的，使用交叉熵用作分类和预测任务的目标函数，使用对数损失函数来训练判别器，损失函数可用式(9)表示:
[0086][0087]
其中，表示最小化判别器的参数，表示输入到判别器的值的数学期望，表示判别器，表示输入到生成器的值的数学期望，p
data
表示真实紧急变道轨迹数据的分布，l表示输入到判别器的值。
[0088]
使用真实紧急变道轨迹数据作为评估度量，使用最小平均负对数似然作为生成序列的损失值，如式(10)所示，在生成数据实验中nll值越小说明生成效果越好。
[0089][0090]
其中表示第i条原始变道轨迹的概率分布。
[0091]
实施例1
[0092]
筛选美国ngsim us101 data公开数据集中变道完成时间小于2s的变道轨迹数据，获取车辆的速度、位置信息，形成由511条紧急变道轨迹构成的数据集，并把变道起始位置点坐标进行归零处理。x轴方向为车辆纵向行驶的方向，y轴方向为车辆的横向行驶方向，提取的真实紧急变道轨迹可以表示为集合l＝{l1,..,li,
…
,l
511
}，其中第i条变道状态轨迹}，其中第i条变道状态轨迹n表示变道轨迹的序列长度，设置为20，li∈l，表示变道的横向位置和纵向速度。在提取到的紧急变道轨迹数据集中，变道完成时间在1.4s到2s之间的场景占所有场景的70％。其中背景车辆平均速度取值范围为1m/s到23m/s，91％的背景车辆平均速度的标准差均低于0.4m/s。
[0093]
将得到的紧急变道轨迹作为bn-am-seqgan的输入，实验参数如表1所示。计算变道开始与变道结束时原始速度和生成速度的状态分布，其中真实变道轨迹变道开始的速度分布服从n(12.1998，3.6887)的正态分布，变道结束的速度分布服从n(12.6799，3.7498)的正态分布。表明生成的速度概率密度符合真实速度概率密度的分布状态。计算原始变道轨迹与生成变道轨迹的纵向速度及横向位置的均方根误差，其中91.36％的横向位置均方根误差小于0.5，81.12％的纵向速度均方根误差有小于0.5，且最大均方根误差均不超过2，表明生成变道轨迹与原始变道轨迹具有较高的相似性。
[0094]
表1
[0095][0096]
本发明面向自动驾驶测试的危险变道场景泛化生成方法，包括以下步骤：
[0097]
步骤1，解耦自动驾驶车辆的安全约束，建立车辆最短安全距离模型；
[0098]
步骤2，利用步骤1建立的车辆最短安全距离模型计算紧急变道轨迹生成方法生成的每条背景车辆紧急变道轨迹对应的被测自动驾驶车辆的初始状态；
[0099]
步骤3，结合紧急变道轨迹生成方法生成的紧急变道轨迹和步骤,2所得的被测自动驾驶车辆的初始状态，生成紧急变道轨迹对应的危险变道场景；
[0100]
步骤4，循环执行步骤2到步骤3，生成所有紧急变道轨迹对应的危险变道场景；
[0101]
上述步骤2中，计算被测自动驾驶车辆的初始状态用公式(11)-公式(13)表示。
[0102][0103][0104][0105]
结合图2，其中d
min
表示被测自动驾驶车辆与背景车辆最小安全距离，v
av
表示被测
自动驾驶车辆初始速度，dh是被测自动驾驶车辆与背景车辆的初始横向距离，a
max
表示被测自动驾驶车辆的最大减速度，l表示背景车辆的长度，v
hv
表示背景车辆的行驶的平均速度，t1表示变减速运动阶段的时间，t2表示匀减速运动阶段的时间段。
[0106]
实施例2
[0107]
随机选取使用紧急变道轨迹生成方法生成的一条紧急变道轨迹，计算对应的被测自动驾驶车辆初始状态。如图3所示，背景车辆的速度v
av
为17m/s，变道完成时间t为1.8s，其余参数设置如表2所示，代入公式(11)-公式(13)得：
[0108][0109][0110][0111]
表2
[0112][0113][0114]
因此可以计算出被测自动驾驶车辆初始状态(x
av
；y
av
；v
av
)为(1.52；-12.7；27.2)，被测自动驾驶车辆经过1.8s的紧急制动，速度降为17m/s，与背景车辆速度相同，制动完成被测自动驾驶车辆位置恰好未与背景车辆发生碰撞，符合危险变道场景要求。
[0115]
实施例3
[0116]
将使用ngsim us101数据集生成的轨迹按照变道纵向速度划分成多个区间，在每个区间分别生成多条紧急变道轨迹，并按车辆以最大减速度减速的安全距离模型计算对应的被测自动驾驶车辆运动轨迹，构建不同速度的危险变道场景，选择10组典型的危险变道场景如图4所示。背景车辆轨迹的变道切入角度不同，说明生成轨迹的多样性。两车轨迹保持临界安全距离，但不相交(图3为从图4中随机抽取的一组危险变道场景，可以看到背景车辆轨迹与被测自动驾驶车辆轨迹不相交)，表明生成的变道测试场景属于危险变道场景。
[0117]
本发明面向自动驾驶测试的危险变道场景泛化生成系统，包括下列步骤：
[0118]
步骤1，利用危险变道场景泛化生成方法，生成危险变道场景；
[0119]
步骤2，在unity3d中搭建仿真交通场景，并在搭建的仿真交通场景中注入背景车辆行驶轨迹和被测自动驾驶车辆所需要的数据；
[0120]
步骤3，将步骤1生成的危险变道场景中背景车辆运动轨迹和被测自动驾驶车辆初始状态注入到步骤2搭建的仿真交通场景中，测试自动驾驶车辆控制算法的有效性。
[0121]
实施例4
[0122]
如图5所示，从生成的变道场景中抽选一组危险变道测试案例，背景车辆初始位置为(0，0)，速度v
av
为17m/s，变道完成时间为1.8s，被测自动驾驶车辆初始位置为(1.52，-12.7)，初始速度为27.2m/s，背景车辆变道时刻被测自动驾驶车辆开始紧急制动，直到背景车完成变道，被测自动驾驶车辆速度减至于变道车速度相同，未发生碰撞。
[0123]
实验对比了bn-am-seqgan和seqgan生成的变道轨迹的变道完成时间与真实变道完成时间的百分比，生成的511条、50 000条变道轨迹以及原始的511条变道轨迹的变道完成时间分布对比结果如表3所示。
[0124]
表3
[0125][0126]
bn-am-seqgan生成的变道轨迹分布更接近原始变道轨迹，与原始变道轨迹的变道完成时间分布相比，seqgan生成的511条变道轨迹和50 000条变道轨迹的变道完成时间分布均方根误差分别为1.56和1.04，bn-am-seqgan生成的511条变道轨迹和50 000条变道轨迹的变道完成时间分布均方根误差分别为0.81和0.63，因此本发明所提bn-am-seqgan的轨迹生成的准确性优于seqgan，增加了生成轨迹与真实轨迹的近似程度。按变道完成时间进行分类，不同的变道完成时间表示不同的紧急程度，所有生成的变道轨迹都在1-2s内完成变道，表明生成的轨迹是紧急变道轨迹。
[0127]
实验将bn-am-seqgan与rankgan、seqgan生成数据时的损失值进行了对比，结果如图6所示，在生成对抗网络中损失值r越低说明生成效果越好。bn-am-seqgan的损失值比其它两种网络都低，并且收敛速度快，说明bn-am-seqgan生成数据效果比seqgan和rankgan的效果好。
[0128]
为了说明所提出的网络在生成数据有效性方面的优势，实验对比了上述三种网络生成相同数量轨迹时符合紧急变道条件的轨迹数量，即生成变道完成时间小于2s并且序列
中相邻轨迹点没有较大跳跃的轨迹。bn-am-seqgan筛选50 000条符合要求的紧急变道轨迹需要生成62681条序列。因此分别使用seqgan、rankgan生成62 681条变道序列，利用相同的紧急变道条件筛选出44 647、46 001条符合要求的紧急变道轨迹，如表4所示。
[0129]
表4
[0130][0131]
由表4可以看出，bn-am-seqgan生成数据的有效性最高。
[0132]
本发明使用改进的序列生成对抗网络算法(bn-am-seqgan)，能够生成符合真实变道特征的紧急变道轨迹，解决了如何生成符合人驾车辆特征的不同切入角度的紧急变道轨迹以及如何利用不同风险的背景车辆变道轨迹构建可从理论上避免的风险临界测试场景的问题，能够有效生成自动驾驶测试危险变道场景。通过网络训练和碰撞约束计算，得到的自动驾驶测试危险变道场景对自动驾驶控制算法进行训练，可以有效提升自动驾驶测试效率。

技术特征：
1.一种面向自动驾驶测试的背景车辆紧急变道轨迹生成方法，其特征在于，包括如下过程：通过面向紧急变道轨迹生成的生成对抗模型，利用自动驾驶数据集中的紧急变道轨迹数据生成符合实际的背景车辆紧急变道轨迹数据；所述面向紧急变道轨迹生成的生成对抗模型为对序列生成对抗网络进行了生成器优化、判别器优化和损失函数设计后得到的模型。2.根据权利要求1所述的一种面向自动驾驶测试的背景车辆紧急变道轨迹生成方法，其特征在于，生成器优化是在原始的序列生成对抗网络的生成器添加了批标准化运算；添加了批标准化运算的生成器模型中遗忘门f
n
表达式如下：式中，σ是sigmoid函数，w
f
表示遗忘权重，h
n-1
表示前一层的隐藏状态，表示当前输入的内容，表示第m条紧急变道轨迹的第n个值；b
f
表示遗忘门偏置项，bn()表示批标准化操作；所述生成器输入门由两个模块组成，生成器输入门的一个模块用于将筛选的数据信息保存到记忆细胞中，公式如下：其中，w
i
表示输入权重，b
i
表示输入门偏置项，i
n
表示输入门；生成器输入门的另一个模块用于把当前时刻传递的数据信息保存到记忆细胞中，公式如下：其中，w
c
和b
c
分别表示记忆细胞权重和记忆细胞偏置项，tanh表示激活函数，新的记忆细胞c
n
由遗忘门f
n
和输入门i
n
更新，公式如下：其中，c
n-1
表示前一个记忆细胞；生成器输出门o
n
用于计算需要输出的信息，传递当前层的隐藏状态h
n
，公式如下：h
n
＝o
n
*tanh(bn(c
n
))其中，w
o
和b
o
分别表示输出门权重和记忆细胞偏置项，h
n-1
表示前一层的隐藏状态，h
n
表示当前层的隐藏状态。3.根据权利要求1所述的一种面向自动驾驶测试的背景车辆紧急变道轨迹生成方法，其特征在于，所述的判别器优化是对原始的序列生成对抗网络的判别器添加注意力机制，具体的，在原始判别器特征提取层的前后加入了注意力机制，公式如下：式中，q表示当前query的矩阵，k表示key的矩阵，v表示value的矩阵，其中q＝k＝v,q取值为数据的概率分布矩阵。4.根据权利要求1所述的一种面向自动驾驶测试的背景车辆紧急变道轨迹生成方法，
其特征在于，损失函数设计设计时，对于生成器：生成器在预训练过程中使用的损失函数采用交叉熵损失函数；生成器在对抗训练过程中使用的是策略梯度中的损失函数，策略梯度中的损失函数为对数损失乘以奖励值，表达式如下：其中，表示对θ的梯度算子，j(θ)表示生成器的奖励值，n表示一条紧急变道轨迹数据的序列长度，表示生成的第i条紧急变道轨迹的m-1个值，l
i
表示生成器生成的值的空间，表示生成第m个值，g
θ
表示生成器，θ表示生成器参数，表示判别器，表示判别器参数，表示生成器和判别器的动作价值。5.根据权利要求1所述的一种面向自动驾驶测试的背景车辆紧急变道轨迹生成方法，其特征在于，损失函数设计设计时，对于判别器：判别器在预训练和对抗训练过程中的损失函数是一样的，使用交叉熵用作分类和预测任务的目标函数，使用对数损失函数来训练判别器，损失函数的表达式如下：其中，表示最小化判别器的参数，表示输入到判别器的值的数学期望，表示判别器，表示输入到生成器的值的数学期望，p
data
表示真实紧急变道轨迹数据的分布，l表示输入到判别器的值。6.用于实现权利要求1-5任意一项所述的面向自动驾驶测试的背景车辆紧急变道轨迹生成方法的装置，其特征在于，包括：背景车辆紧急变道轨迹数据生成模块：用于通过面向紧急变道轨迹生成的生成对抗模型，利用自动驾驶数据集中的紧急变道轨迹数据生成符合实际的背景车辆紧急变道轨迹数据。7.一种面向自动驾驶测试的危险变道场景泛化生成方法，其特征在于，包括以下步骤：s1，利用车辆最短安全距离模型计算权利要求1所述面向自动驾驶测试的背景车辆紧急变道轨迹生成方法生成的每条背景车辆紧急变道轨迹数据对应的被测自动驾驶车辆的初始状态；s2，结合权利要求1所得的背景车辆紧急变道轨迹数据和所述被测自动驾驶车辆的初始状态，生成紧急变道轨迹对应的危险变道场景；s3，循环s1到s2，生成所有背景车辆紧急变道轨迹数据对应的危险变道场景。8.根据权利要求7所述的一种面向自动驾驶测试的危险变道场景泛化生成方法，其特征在于：解耦自动驾驶车辆的安全约束，建立得到所述车辆最短安全距离模型。9.根据权利要求7所述的一种面向自动驾驶测试的危险变道场景泛化生成方法，其特征在于，被测自动驾驶车辆的初始状态用以下公式计算：
其中，d
min
表示被测自动驾驶车辆与背景车辆最小安全距离，v
av
表示被测自动驾驶车辆初始速度，d
h
是被测自动驾驶车辆与背景车辆的初始横向距离，a
max
表示被测自动驾驶车辆的最大减速度，l表示背景车辆的长度，v
hv
表示背景车辆的行驶的平均速度，t1表示变减速运动阶段的时间，t2表示匀减速运动阶段的时间段。10.一种面向自动驾驶测试的危险变道场景泛化生成系统，其特征在于，包括：危险变道场景生成模块：用于利用权利要求7-9任意一项所述的面向自动驾驶测试的危险变道场景泛化生成方法生成危险变道场景；仿真交通场景生成模块：用于在unity3d中搭建仿真交通场景，背景车辆行驶轨迹需要数据注入，被测自动驾驶车辆搭载自动驾驶控制算法，其初始状态需要数据注入；测试模块：用于将所述危险变道场景中背景车辆运动轨迹和被测自动驾驶车辆初始状态注入到所述仿真交通场景中，测试自动驾驶车辆控制算法的有效性。

技术总结
本发明公开了面向自动驾驶测试的危险变道场景泛化生成方法及系统，本发明设计了面向紧急变道轨迹生成的生成对抗模型，使用公开自动驾驶数据集中紧急变道轨迹作为原始数据输入到该模型并生成紧急变道轨迹；解耦自动驾驶车辆的横纵向运动学约束，建立换道过程中的安全约束模型，从而计算每条生成的紧急变道轨迹对应的被测自动驾驶车辆的初始状态，生成自动驾驶测试危险变道场景。本发明能够生成符合真实变道特征的紧急变道轨迹，解决了如何生成符合人驾车辆特征的不同切入角度的紧急变道轨迹以及如何利用不同风险的背景车辆变道轨迹构建可从理论上避免的风险临界测试场景的问题，能够有效生成自动驾驶测试危险变道场景。能够有效生成自动驾驶测试危险变道场景。能够有效生成自动驾驶测试危险变道场景。


技术研发人员：赵祥模 景首才 赵玉钰 惠飞
受保护的技术使用者：长安大学
技术研发日：2023.02.27
技术公布日：2023/10/8