一种汽车AEB测试的风格化电动两轮车目标生成与验证方法与流程

本发明涉及汽车主动安全测试，具体涉及一种汽车aeb测试的风格化电动两轮车目标生成与验证方法。

背景技术：

1、随着智能汽车主动安全技术的发展，车辆已具备对前方车辆、行人和两轮车等交通参与者进行识别、跟踪和风险判断的能力。自动紧急制动系统（aeb）作为智能汽车的安全功能，需要在车辆与弱势交通参与者发生潜在冲突前完成识别、判断和制动响应，从而降低碰撞风险。电动两轮车在城市交通中数量大、通行方式灵活，常出现在交叉口、路侧出入口及机动车与非机动车混行区域。其运动行为受骑行人习惯、通行意图和风险接受程度影响较大，容易出现速度变化、横向偏移、抢行、让行等差异化行为，这对智能汽车aeb系统的识别判断和触发时机提出了更高要求。

2、在现有的aeb测试技术中，两轮车目标多采用标准目标物、固定速度和预设轨迹进行模拟。该类测试方法主要面向标准化目标物和固定轨迹场景，重点验证被测车辆对目标物的识别和制动能力。然而，现有方法存在以下不足：

3、首先，现有两轮车仿真目标多依赖规则设定或经验参数，通常只能按照预设路径运动，不能充分体现真实电动两轮车在速度选择、加减速变化、横向偏移、让行倾向和风险接受程度上的差异，难以真实反映复杂交通场景下的两轮车动态行为。部分智能体方法虽然能够生成动态行为，但缺少对不同骑行风格的稳定生成能力及面向aeb测试的约束机制，导致生成的轨迹可能不符合两轮车实际运动学特性。

4、其次，现有测试方法在执行过程中缺少验证机制，难以判断生成的目标行为是否发生偏移或异常，以及是否始终符合最初设定的骑行风格。这种目标行为一致性的不可控性，直接影响了测试结果的可靠性与可重复性。

5、此外，现有测试结果多关注智能汽车是否制动、是否碰撞等最终结果，对目标两轮车的风格属性、交互过程和风险变化记录不足，导致测试后难以分析不同骑行风格对aeb触发和避撞效果的具体影响，降低了测试评价的完整性与有效性。

技术实现思路

1、本发明的目的在于，提出一种汽车aeb测试的风格化电动两轮车目标生成与验证方法，能够使两轮车目标能够更真实地参与智能汽车aeb测试。

2、为了实现上述目的，第一方面，本发明提出一种汽车aeb测试的风格化电动两轮车目标生成与验证方法，包括：

3、基础搭建准备，建立电动两轮车骑行风格库，提取骑行数据的运动特征进行聚类处理，形成包含不同目标风格标签的风格库；搭建智能汽车aeb测试场景；

4、风格化目标生成与交互测试执行，为目标电动两轮车分配骑行风格并锁定风格参数；采集aeb测试场景的全量状态信息；将骑行风格和全量状态信息输入目标生成模块，生成目标两轮车的原始动作决策；对所述原始动作决策进行运动学约束修正，生成目标两轮车的连续运动轨迹；控制目标电动两轮车按照所述连续运动轨迹行驶，与被测智能汽车进行aeb交互测试，并记录交互过程全量数据；

5、生成结果验证与评价输出，读取测试记录的两轮车全轨迹数据，提取核心运动特征进行目标风格回判验证；对所述全轨迹数据进行异常行为检查；综合风格回判验证结果和异常行为检查结果，判定本次测试的有效性并形成最终aeb测试评价结果。

6、基础方案的有益效果：现有aeb测试多采用固定轨迹的两轮车目标，无法反映真实道路上电动两轮车骑行风格的差异。本方案通过提取骑行数据的运动特征并进行聚类处理，建立包含不同目标风格标签的电动两轮车骑行风格库，使测试目标具备骑行风格差异，由此构建出贴近真实交通行为的aeb测试对象，提高了测试场景的真实性。

7、本技术方案为目标电动两轮车分配骑行风格并锁定风格参数，将骑行风格与采集的aeb测试场景全量状态信息共同输入目标生成模块，生成原始动作决策；再通过运动学约束修正生成连续运动轨迹。由此，目标两轮车的行为既体现风格化特征，又满足两轮车运动学规律，有助于减少原始决策不可执行或轨迹突变的问题，提高了目标运动的合理性和可控性。

8、目标电动两轮车按照连续运动轨迹行驶并与被测智能汽车进行aeb交互测试，记录交互过程全量数据；测试完成后读取两轮车全轨迹数据，提取核心运动特征进行目标风格回判验证，并对全轨迹数据进行异常行为检查，综合两方面结果判定本次测试的有效性并形成最终aeb测试评价结果。该闭环验证机制能够确认目标两轮车实际执行的行为与分配的骑行风格一致且不存在异常行为，从而保障测试结果的可重复性、真实性和评价的完整性。

9、本技术方案将风格化目标生成、aeb测试交互执行与生成结果验证整合于同一流程，可嵌入现有aeb测试流程，在目标电动两轮车侧实现风格差异化与交互特征，从而将传统固定目标扩展为兼具上述特征的测试目标，提升了复杂两轮车场景下aeb系统的测试能力。

10、作为一种可实施的优选方案，基础搭建准备步骤中，所述运动特征包括平均速度、最大速度、平均加速度、最大减速度、平均横向偏移量和抢行触发率；

11、平均速度的计算公式为：

12、

13、其中，为t时刻的电动两轮车瞬时速度，为该条骑行数据的总采样时刻数；

14、最大速度为骑行过程中所有时刻的瞬时速度中的最大值；

15、平均加速度的计算公式为：

16、

17、其中，为t时刻的加速度，当瞬时加速度大于0时判定为加速时刻，为该条骑行数据中所有加速时刻的总数量；

18、最大减速度为骑行过程中所有减速时刻的加速度中的最小值；

19、平均横向偏移量：骑行过程中所有时刻两轮车距离自身初始车道中心线的横向偏移距离的算术平均值，计算公式为：

20、

21、其中，为t时刻两轮车相对于车道中心线的横向偏移值；

22、抢行触发率：骑行过程中在冲突区域优先抢在机动车前通过的次数占总冲突次数的比例，计算公式为：

23、

24、其中，为抢行通过冲突区域的次数，为该条骑行数据中遭遇的总冲突次数。

25、作为一种可实施的优选方案，所述分配骑行风格的方式包括指定分配模式和随机分配模式；分配完成后将对应的风格标签传入目标生成模块，并在本次两轮车与智能汽车的全交互过程中保持风格参数固定不变。

26、作为一种可实施的优选方案，风格化目标生成与交互测试执行步骤中，所述全量状态信息包括：

27、目标两轮车自身状态：横向坐标、纵向坐标、瞬时速度、瞬时加速度、航向角、距离车道边界的距离；

28、被测智能汽车自身状态：横向坐标、纵向坐标、瞬时速度、瞬时加速度、车辆前轮转角、制动主缸压力；

29、车相对交互状态：纵向相对距离、横向相对距离、纵向相对速度、横向相对速度、两车与冲突点的距离以及碰撞时间ttc；

30、道路环境状态及周边交通参与者状态。

31、作为一种可实施的优选方案，风格化目标生成与交互测试执行步骤中，所述目标生成模块采用dqn决策层，将骑行风格标签和场景状态作为输入，输出加速、减速、保持、左向偏移或右向偏移的目标动作；所述dqn决策层的奖励函数根据风格参数设置不同的奖励权重，使输出的原始动作与指定的骑行风格匹配。

32、作为一种可实施的优选方案，风格化目标生成与交互测试执行步骤中，所述对原始动作决策进行运动学约束修正采用sfm社会力模型，计算总合力对原始动作进行二次修正，所述总合力包括：

33、

34、自驱动力计算公式为：

35、

36、其中，为预设的驱动力系数，为dqn输出动作对应的目标速度，为两轮车当前的瞬时速度；

37、道路边界斥力计算公式为：

38、

39、其中，为斥力强度系数，为作用范围系数，为两轮车当前距离道路边界的最短距离。

40、作为一种可实施的优选方案，风格化目标生成与交互测试执行步骤中，所述连续运动轨迹在仿真场景中直接调用轨迹数据驱动两轮车仿真模型运动，或在实车测试场景中通过v2x通信将轨迹指令下发给两轮车的自动控制系统控制实车完成轨迹跟踪；

41、所述记录交互过程全量数据包括：目标两轮车端数据、被测智能汽车端数据、交互衍生数据以及最终结果数据，所有数据均与时间戳绑定并以结构化文件格式存储。

42、作为一种可实施的优选方案，生成结果验证与评价输出步骤中，所述目标风格回判验证包括：

43、提取生成轨迹对应的核心运动特征，与风格库中预设的输入风格对应的特征区间逐一比对；若所有特征全部落入对应的特征区间范围内，则判定风格回判合格；若任意一项特征超出范围，则判定风格回判不合格。

44、作为一种可实施的优选方案，生成结果验证与评价输出步骤中，所述异常行为检查包括遍历全轨迹数据，检查是否存在以下一种或多种异常行为：

45、轨迹突变：相邻采样时刻之间的横向或纵向位移超过位移预设阈值；

46、越界行为：轨迹点坐标超出预设的通行道路边界范围；

47、异常加减速：瞬时加速度绝对值大于加减速预设阈值；

48、频繁横向偏移：一定时间内横向偏移次数超过偏移次数预设阈值；

49、长时间停滞：在无交通信号灯或障碍物区域保持静止的时长超过停滞预设阈值；

50、若未出现上述异常行为，则判定异常行为检查合格；否则判定为不合格。

51、作为一种可实施的优选方案，生成结果验证与评价输出步骤中，所述判定本次测试的有效性具体为：当且仅当风格回判验证结果为合格，同时异常行为检查结果也为合格时，判定本次风格化目标生成完全有效，对应的aeb交互过程数据全部有效并存入测试结果数据库；否则判定本次测试无效，交互数据不纳入最终的测试评价统计范围内。