一种基于危险点的全闭环场景重构方法与流程

1.本发明涉及一种场景重构方法，尤其是涉及一种基于危险点的全闭环场景重构方法。


背景技术：

2.原有的场景重构方法，大多根据车端回传数据提取主车和他车的轨迹点信息，他车的场景行为已固定，主车由算法节点控制进行闭环仿真。但是存在以下缺点：(1)原有实车场景重构出仿真场景后，算法迭代更新后主车行为在原有场景中则会发生变化，则可能无法复原到当时事故或bug的场景，从而无法捕捉到增加的危险场景；因此假设原有场景存在一个碰撞风险点，则算法迭代后此碰撞风险点则大概率存在无法复现的问题，此时算法迭代的有效性则会产生歧义，例：原风险场景假设在场景运行2s时会发生碰撞，而由于算法迭代更新，主车行为发生变化，可能会提前变道或减速，则该场景此时已不存在碰撞风险，若以此为算法验证结果则会给出算法迭代有效的结论，但实际上这并不能证明迭代后的算法在遇到原风险场景时就能够应对，因为在上次验证时原碰撞风险并没有复现，进而可知给出算法迭代有效的结论是不充分的。(2)即使对增加的bug进行了修复，也只能是规避既有风险，无法对此类场景进行充分验证，使得边缘场景(cornercase)数据利用价值降低，同时导致无法充分的风险前置。


技术实现要素：

3.本发明提供了一种基于危险点的全闭环场景重构方法，解决了在对实车场景重构为仿真场景时判断场景风险点的问题，其技术方案如下所述：
4.一种基于危险点的全闭环场景重构方法，包括以下步骤：
5.s1：从实车数据中抽象出主车与他车的轨迹点位置，然后从该数据重构出仿真场景，根据数据异常点、轨迹曲线的极值点、ttc异常或功能预警点等数据分析出该场景的危险点；
6.s2：将此危险点涉及的坐标及时间转化为通用的世界坐标及绝对时间戳，并以此为绝对时空位置点，在仿真场景中进行场景危险点的打点动作；
7.s3：在到达此危险点时，原始数据中的主车行为，并记为case0，根据此时的仿真传感器及车身底盘信号进行问题定位，从传感器和底盘信号分析是否有异常，异常点处的上下游节点的信息处理是否合理，逐步排查问题；
8.s4：如果case0的闭环仿真测试不通过，则需要算法进行进一步的根因分析及算法更新，直到该问题解除为止；
9.s5：在case0测试通过后，在该危险点对主车场景相关的关键因素进行场景泛化，生成case1～casen的危险场景簇，逐个进行仿真测试来进行算法性能的进一步提升与迭代。
10.进一步的，步骤s1中，所述数据异常点包括定位、规划、控制的节点信息的不合理
跳变，所述轨迹曲线的极值点包括最大偏移量处，所述ttc异常是指小于目标ttc有碰撞风险的时间点或时间段，所述功能预警点包括感知、预测、定位、融合的节点异常消息、功能预警信号。
11.进一步的，步骤s2中，所述所述打点动作是指打上一个触发的标记，使得主车在到达危险点前只进行循迹的行为。
12.进一步的，步骤s4中，经过步骤s3的定位到问题后，通过算法开发解决问题，实现常规调试的过程。
13.进一步的，步骤s5中，所述场景相关的关键因素包括主车速度、横摆角、场景车道线。
14.进一步的，步骤s1中，危险点的因素包括数据异常点、轨迹曲线的极值点、ttc异常或功能预警点的至少一个。
15.进一步的，步骤s3中，所述异常包括传感器信号有跳变、当前障碍物距离已经超出安全范围。
16.进一步的，步骤s5中，各个case由case0衍生而来，属于同一个场景簇，每个case的区别在于在危险点的速度、横摆角、场景车道线等场景相关的因素不同。
17.所述基于危险点的全闭环场景重构方法，通过数据异常点、轨迹曲线的极值点、ttc或功能预警点等数据分析技术手段判断场景风险点，继而从此危险点进行，速度、航向角等多维度的场景泛化，既保证了场景重构的风险复原度，同时能够对该场景进行最大程度的泛化，从而对数据进行最大价值的利用，对算法迭代进行验证，有效且高效的做到风险前置，增加整个自动驾驶系统的稳定性及安全性。
附图说明
18.图1是所述基于危险点的全闭环场景重构方法的流程示意图。
具体实施方式
19.所述基于危险点的全闭环场景重构方法，是对算法进行测试的过程中，增加测试覆盖度及真实性，算法怎么迭代并不重要，本方法是在算法迭代后还能验证之前出现的bug并且能更充分的验证。
20.如图1所示，所述基于危险点的全闭环场景重构方法，包括以下步骤：
21.s1：从实车数据中抽象出主车与他车的轨迹点位置，然后从该数据重构出仿真场景，根据数据异常点、轨迹曲线的极值点、ttc异常或功能预警点等数据分析出该场景的危险点。
22.所述数据异常点包括定位、规划、控制等节点的信息的不合理跳变，所述轨迹曲线的极值点包括最大偏移量处，所述ttc异常是指小于目标ttc有碰撞风险的时间点或时间段，所述功能预警点包括感知、预测、定位、融合等节点的异常消息、功能预警信号等。
23.数据异常点例如障碍物距离低于安全阈值，ttc过小、碰撞预警信号已发出，轨迹曲线的极值例如左前方车辆较近距离未完全切入后又切出，则该障碍物轨迹曲线则会出现一个极值点，这个极值点的出现时刻即为场景危险点；而这几个因素例如在发生危险碰撞风险时，可能是单个触发也可能是同时都会触发。
24.s2：将此危险点涉及的坐标及时间转化为通用的世界坐标及绝对时间戳，并以此为绝对时空位置点，在仿真场景中进行场景危险点的打点动作。
25.所述打点动作也就是再次打上一个触发(trigger)的标记，自此该场景在主车到达危险点前按照原始数据中的行为进行运行，也就是主车在到达危险点前只进行循迹的行为。
26.s3：在到达此危险点时，首先复现原始数据中的主车行为，并记为case0，进行闭环仿真和同时算法开发可以根据此时的仿真传感器及车身底盘信号进行问题定位，从传感器和底盘信号分析是否有异常，异常点处的上下游节点的信息处理是否合理，逐步排查问题。
27.本发明能够实现仿真测试手段的能力提升，在本发明的基础上，进行闭环仿真和同时算法开发，可以更加准确和有效。
28.所述异常的情况，例如传感器信号有跳变、或者当前障碍物距离已经超出安全范围。
29.s4：如果case0的闭环仿真测试不通过，则需要算法进行进一步的根因分析及算法更新，直到该问题解除为止。
30.因case0即为bug场景，是软件版本迭代必须通过的场景，如case0不通过则原则上软件不能发布新的版本，在此场景下，经过步骤s3的定位到问题后，有算法开发解决问题实际即为常规调试(debug)的过程。
31.本发明作为仿真测试手段，提升的是仿真测试的能力，能更好的帮助被测算法发现问题，通过算法进行进一步的根因分析及算法更新，可以使得算法的数据基础更加准确。
32.s5：在case0测试通过后，只能保证此次算法迭代对于case0是能够进行风险应对，但为了保证自动驾驶算法对于这一类问题均能够风险规避，则在该危险点对主车的速度、横摆角、场景车道线等场景相关的关键因素进行场景泛化，生成case1～casen的危险场景簇，逐个进行仿真测试来进行算法性能的进一步提升与迭代。
33.各个case由case0衍生而来，属于同一个场景簇，每个case的区别在于在危险点的速度、横摆角、场景车道线等场景相关的因素不同。
34.该方法首先保证了复原原始场景的危险点行为，达到了进行闭环仿真的真正价值，同时对于众多次测试和数据回传的数据中，一旦发现一个cornercase，则首要保证对此场景的复现，同时通过进行最大程度的泛化，保证测试验证不仅对case0，而且是对case1～casen的验证，也就是对于一个cornercase的发现，这会要求算法对于同类case都能够进行风险应对，而不是算法浅尝辄止的对case0通过后即停止测试验证从而算法停止更新升级，将风险留给可能发生但是并不一定能够及时捕捉到的case1～casen，因此本专利所述方法对于提升整个自动驾驶方案的迭代效果及效率有着很大程度上的提高。
35.所述基于危险点的全闭环场景重构方法，能够在场景重构的同时捕捉场景危险点，并能够在危险点进行场景复原并实现场景泛化的闭环验证。本文中的名词解释如下：
36.主车：仿真场景中的主要被测对象，通常由自动驾驶算法控制；
37.他车：仿真场景中除主车外的其他交通车辆；
38.ttc：timetocollision主车与前车发生碰撞的时间；
39.泛化：由具体的、个别的扩大为一般的；
40.场景泛化：由一个场景为基础，对齐进行参数上、状态上的调整得到一系列与原始
场景具有关联性同时也具备差异性的场景簇的技术手段；
41.cornercase：边角案例或病态案例是指其操作参数在正常范围以外的问题或是情形，而且多半是几个环境变数或是条件都在极端值的情形，即使这些极端值都还在参数规格范围内(或是边界)，在自动驾驶测试中通常指小概率发生的案例。
42.所述基于危险点的全闭环场景重构方法，通过数据异常点、轨迹曲线的极值点、ttc或功能预警点等数据分析技术手段判断场景风险点，继而从此危险点进行，速度、航向角等多维度的场景泛化，既保证了场景重构的风险复原度，同时能够对该场景进行最大程度的泛化，从而对数据进行最大价值的利用，对算法迭代进行验证，有效且高效的做到风险前置，增加整个自动驾驶系统的稳定性及安全性。

技术特征：
1.一种基于危险点的全闭环场景重构方法，包括以下步骤：s1：从实车数据中抽象出主车与他车的轨迹点位置，然后从该数据重构出仿真场景，根据数据异常点、轨迹曲线的极值点、ttc异常或功能预警点等数据分析出该场景的危险点；s2：将此危险点涉及的坐标及时间转化为通用的世界坐标及绝对时间戳，并以此为绝对时空位置点，在仿真场景中进行场景危险点的打点动作；s3：在到达此危险点时，原始数据中的主车行为，并记为case0，根据此时的仿真传感器及车身底盘信号进行问题定位，从传感器和底盘信号分析是否有异常，异常点处的上下游节点的信息处理是否合理，逐步排查问题；s4：如果case0的闭环仿真测试不通过，则需要算法进行进一步的根因分析及算法更新，直到该问题解除为止；s5：在case0测试通过后，在该危险点对主车场景相关的关键因素进行场景泛化，生成case1～casen的危险场景簇，逐个进行仿真测试来进行算法性能的进一步提升与迭代。2.根据权利要求1所述的基于危险点的全闭环场景重构方法，其特征在于：步骤s1中，所述数据异常点包括定位、规划、控制的节点信息的不合理跳变，所述轨迹曲线的极值点包括最大偏移量处，所述ttc异常是指小于目标ttc有碰撞风险的时间点或时间段，所述功能预警点包括感知、预测、定位、融合的节点异常消息、功能预警信号。3.根据权利要求1所述的基于危险点的全闭环场景重构方法，其特征在于：步骤s2中，所述所述打点动作是指打上一个触发的标记，使得主车在到达危险点前只进行循迹的行为。4.根据权利要求1所述的基于危险点的全闭环场景重构方法，其特征在于：步骤s4中，经过步骤s3的定位到问题后，通过算法开发解决问题，实现常规调试的过程。5.根据权利要求1所述的基于危险点的全闭环场景重构方法，其特征在于：步骤s5中，所述场景相关的关键因素包括主车速度、横摆角、场景车道线。6.根据权利要求1所述的基于危险点的全闭环场景重构方法，其特征在于：步骤s1中，危险点的因素包括数据异常点、轨迹曲线的极值点、ttc异常或功能预警点的至少一个。7.根据权利要求1所述的基于危险点的全闭环场景重构方法，其特征在于：步骤s3中，所述异常包括传感器信号有跳变、当前障碍物距离已经超出安全范围。8.根据权利要求1所述的基于危险点的全闭环场景重构方法，其特征在于：步骤s5中，各个case由case0衍生而来，属于同一个场景簇，每个case的区别在于在危险点的速度、横摆角、场景车道线等场景相关的因素不同。

技术总结
本发明提供一种基于危险点的全闭环场景重构方法，包括以下步骤：S1：从实车数据中抽象出主车与他车的轨迹点位置，并分析出该场景的危险点；S2：将此危险点涉及的坐标及时间转化为通用的世界坐标及绝对时间戳，并以此为绝对时空位置点；S3：在到达此危险点时，根据此时的仿真传感器及车身底盘信号进行问题定位；S4：如果闭环仿真测试不通过，需要算法进行根因分析及算法更新，直到该问题解除为止；S5：在该危险点对主车场景相关的关键因素进行场景泛化，生成Case1～Casen的危险场景簇，逐个进行仿真测试来进行算法性能的进一步提升与迭代。本方法有效且高效的做到风险前置，增加整个自动驾驶系统的稳定性及安全性。驶系统的稳定性及安全性。驶系统的稳定性及安全性。


技术研发人员：秦明博
受保护的技术使用者：禾多科技（北京）有限公司
技术研发日：2023.02.28
技术公布日：2023/5/16