[发明专利]面向智能网联车在环场景导向自适应评价测试方法及系统

说明书

本发明公开了面向智能网联车在环场景导向自适应评价测试方法及系统，应用于智能网联车仿真测试技术领域，包括以下步骤：数据获取步骤：利用深度神经网络从视频数据中提取风险场景切片；数据库建立步骤：从风险场景切片中提取交通场景信息并确定该场景风险水平，根据该场景风险水平，建立场景描述文件，形成风险场景库；分析步骤：利用不同水平的风险场景对被测车辆的风险应对能力估计量进行调整，得到被测车辆最终风险应对能力。本发明依据车辆实时的测试结果调整后续场景，将虚拟和真实测试相结合，有效降低测试成本并提高测试安全性、准确性。

技术领域

本发明涉及智能网联车仿真测试技术领域，尤其涉及面向智能网联车在环场景导向自适应评价测试方法及系统。

背景技术

在智能网联车辆发展的过程中，对智能网联车辆的开发测试也由最初的模型层次(微观，中观，宏观)向着更真实更复杂的环境发展。

然而，智能网联车上路前需要测试的驾驶场景纷繁复杂。传统的测试方法主要包括仿真测试、封闭场景测试和开放道路测试。仿真测试过程难以对人、车和环境精确建模导致仿真结果往往与真实情况相去甚远。如果全部进行封闭道路测试和实际道路测试，所需的费用和时间都将难以计量。据测算测试无人驾驶系统大概需要进行8b miles(80亿英里)的道路测试，而这相当于100辆无人车在每天24小时每周7天每年365天跑400年。

因此，提供一种面向智能网联车在环场景导向自适应评价测试方法及系统，来解决上述技术问题，是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了面向智能网联车在环场景导向自适应评价测试方法及系统，依据车辆实时的测试结果调整后续场景，将虚拟和真实测试相结合，有效降低测试成本并提高测试安全性、准确性。

为了实现上述目的，本发明采用如下技术方案：

面向智能网联车在环场景导向自适应评价测试方法，包括以下步骤：

数据获取步骤：利用深度神经网络从视频数据中提取风险场景切片；

数据库建立步骤：从风险场景切片中提取交通场景信息并确定该场景风险水平，根据该场景风险水平，建立场景描述文件，形成风险场景库；

分析步骤：利用不同水平的风险场景对被测车辆的风险应对能力估计量进行调整，得到被测车辆最终风险应对能力。

可选的，数据获取步骤的具体内容包括：通过标注完成的自动驾驶风险场景数据训练深度神经网络，利用该神经网络对视频数据集中风险场景进行自动识别，输出预设连续视频帧数的风险场景切片。

可选的，数据库建立步骤具体内容包括：提取风险场景切片中任一帧图像，依次通过目标检测与分类、车道线检测、结构化信息计算、风险度量和标准格式场景形成后，进行标准场景存储，形成风险场景库。

可选的，分析步骤的具体内容包括：基于被测车辆状态和先验风险应对能力估计量从风险场景库中触发对应场景，根据被测车辆对不同风险水平场景的反应调整被测车辆风险应对能力评估，得到被测车辆最终风险应对能力。

面向智能网联车在环场景导向自适应评价测试系统，包括依次连接的数据获取模块、数据库建立模块、分析评价模块；

数据获取模块，用于利用深度神经网络从视频数据中提取风险场景切片；

数据库建立模块，用于从风险场景切片中提取交通场景信息并确定该场景风险水平，根据该场景风险水平，建立场景描述文件，形成风险场景库；

分析评价模块，用于利用不同水平的风险场景对被测车辆的风险应对能力估计量进行调整，得到被测车辆最终风险应对能力。

可选的，数据库建立模块包括依次连接的目标检测与分类单元、车道线检测单元、结构化信息计算单元、风险度量单元和标准格式场景形成单元；