基于复杂度的自动驾驶有效静态场景构建方法和系统与流程

1.本发明涉及自动驾驶技术领域，尤其涉及一种基于复杂度的自动驾驶有效静态场景构建方法和系统。


背景技术：

2.欧盟的pegasus项目将场景分为功能场景、逻辑场景和具体场景。从逻辑场景到具体场景生成的过程中，参数的数量和范围都有多种选择，多参数组合在一起将是十分庞大的测试集，我们希望找寻某种方法来减少场景组合的数量。
3.如何通过建模来减少静态场景组合的数量是现有自动驾驶测试领域面临的重要问题。
4.现阶段，行业内关于静态场景复杂度的研究十分有限，公开的论文主要集中在场景复杂度评价建模，极少数提到如何根据复杂度评价作出一些实际的应用。
5.王荣等人的静态场景的复杂度模型引入了信息熵和判断矩阵。通过静态场景元素库为元素分类，通过不同类别的数量计算信息熵并且应用专家打分来确定权重。此模型提供了一种相对可行的复杂度计算方法，不过，无论是信息熵的计算(分类中如何计算数量不明确)，还是权重计算(只说专家打分，不说明具体依据)都太过于主观且可信度不高。
6.李江坤等人的场景复杂度模型主要应用传递模型和层次分析法组成。其中，传递模型由硬件感知、目标识别、任务决策、路径规划、路径跟踪和硬件执行这六个子模块组成，通过对个元素的属性影响计算传递数量。传递数量应用于层次分析中来计算每个元素的权重，场景中所有元素权重加和组成了复杂度。此模型引入了传递模型和元素属性分析，不足之处在于传递模型的数量计算没有道理，过于主观。
7.jianli duan等人提出了相似的模型，在层次分析法的应用中，为了减弱主观性，应用了德尔菲法。但是德尔菲法还是无法确定所选专家能合理判断，并不能保证结果的客观性，不能很好的描述场景复杂度。
8.可见，如何提供一种更为客观可靠的基于复杂度的自动驾驶有效静态场景构建方法和系统，是业内亟需解决的技术问题。


技术实现要素：

9.本发明提供一种基于复杂度的自动驾驶有效静态场景构建方法和系统，用以解决现有技术中有效静态场景的筛选过程主观性强的缺陷，实现更为客观可靠的有效静态场景构建方法。
10.本发明提供一种基于复杂度的自动驾驶有效静态场景构建方法，包括：
11.在设定的场景约束下，组合设计运行域odd形成静态场景；
12.将所述静态场景输入复杂度模型，得到所述静态场景的复杂度；
13.根据所述复杂度选取设定数量的静态场景构成有效静态场景集合，基于所述有效静态场景集合进行自动驾驶测试，并得到测试结论；
14.所述复杂度模型的输入量包括元素属性评价值、元素权重以及元素信息量；所述元素是指所述设计运行域odd的构成元素；所述元素包括环境元素、道路元素或者交通参与者元素；
15.所述属性评价值是根据所述元素的物理参数确定的；
16.所述权重是根据判断矩阵计算得到的；所述判断矩阵是根据所述元素对自动驾驶模型中功能单元的影响量化值，两两比较确定的；
17.所述信息量与所述元素在同类别元素中出现的概率负相关。
18.根据本发明提供的一种基于复杂度的自动驾驶有效静态场景构建方法，所述复杂度模型满足：
19.o＝∑iμiλilog(pi)
20.式中，o为包括m个所述元素的所述静态场景的复杂度；λi为第i个所述元素的权重；μi为第i个所述元素的属性评价值；log(pi)为第i个所述元素的信息量，由第i个所述元素在同类别元素中出现的概率pi取对数得到；i是闭区间[1，m]内的整数，表示所述元素的序号。
[0021]
根据本发明提供的一种基于复杂度的自动驾驶有效静态场景构建方法，所述自动驾驶模型的功能单元包括感知单元、规划控制单元以及定位单元。
[0022]
根据本发明提供的一种基于复杂度的自动驾驶有效静态场景构建方法，所述元素对自动驾驶模型中功能单元的影响量化值是指：
[0023]
第一场景下所述功能单元的任务执行结果，与第二场景下所述功能单元的任务执行结果的差值；
[0024]
所述第一场景为设定的标准场景；所述第二场景为以所述元素替换标准场景中的对应元素得到的场景；
[0025]
所述功能单元的任务执行结果包括：
[0026]
感知单元的目标分类结果、距离检测结果以及尺寸检测结果；
[0027]
规划控制单元执行横向控制和/或纵向控制时的附着系数；以及，
[0028]
定位单元的定位精度和定位稳定性。
[0029]
根据本发明提供的一种基于复杂度的自动驾驶有效静态场景构建方法，所述判断矩阵的行数与列数相等；所述判断矩阵第j行、第k列的元素a
j,k
满足：
[0030][0031]
式中，ej为第j行对应元素对自动驾驶模型中功能单元的影响量化值；ek为第k列对应元素对自动驾驶模型中功能单元的影响量化值。
[0032]
根据本发明提供的一种基于复杂度的自动驾驶有效静态场景构建方法，所述权重满足：
[0033]
[0034]
式中，w
x
是判断矩阵第x行的元素权重；n的取值与所述判断矩阵的行数和列数相同。
[0035]
根据本发明提供的一种基于复杂度的自动驾驶有效静态场景构建方法：
[0036]
确定存在自动驾驶统计数据，则所述元素在同类别元素中出现的概率是基于所述自动驾驶统计数据得到的；
[0037]
确定不存在自动驾驶统计数据，则设定同类别元素中每个元素出现的概率相等。
[0038]
根据本发明提供的一种基于复杂度的自动驾驶有效静态场景构建方法，所述环境元素包括白天、黎明、黄昏、夜晚、雨以及雾；所述环境元素的属性评价值是基于光照强度和能见度确定的。
[0039]
根据本发明提供的一种基于复杂度的自动驾驶有效静态场景构建方法，所述交通参与者元素包括货车和/或家用车；所述交通参与者元素的属性评价值是基于尺寸、材质以及颜色确定的。
[0040]
根据本发明提供的一种基于复杂度的自动驾驶有效静态场景构建方法，所述道路元素包括直道、坡道以及弯道；所述道路元素的属性评价值是基于车道曲率、车道坡度和停车视距确定的。
[0041]
根据本发明提供的一种基于复杂度的自动驾驶有效静态场景构建方法，所述场景约束包括：
[0042]
构成静态场景的设计运行域odd组合中包括至少一个环境元素和至少一个道路元素；
[0043]
构成静态场景的设计运行域odd组合中的元素集合满足预设的道路工程设计标准；以及，
[0044]
构成静态场景的设计运行域odd组合中不存在互斥元素；所述互斥元素是指不能同时存在的两个或多个元素。
[0045]
根据本发明提供的一种基于复杂度的自动驾驶有效静态场景构建方法，所述基于所述有效静态场景集合进行自动驾驶测试的步骤包括：
[0046]
排除所述有效静态场景集合中，不满足实车测试条件的静态场景，得到实车有效静态场景集合；
[0047]
针对设定的元素，在所述实车有效静态场景集合中：
[0048]
提取包括所述元素且复杂度最高的静态场景作为第一集合；
[0049]
提取包括所述元素且复杂度最低的静态场景作为第二集合；
[0050]
基于所述第一集合和所述第二集合执行实车自动驾驶测试。
[0051]
根据本发明提供的一种基于复杂度的自动驾驶有效静态场景构建方法，所述基于所述有效静态场景集合进行自动驾驶测试的步骤包括：
[0052]
针对设定的元素，在所述有效静态场景集合中：
[0053]
提取包括所述元素且复杂度最高的m1个静态场景作为第三集合；
[0054]
随机抽样m2个包括所述元素且不属于所述第三集合的静态场景作为第四集合；其中，m2》m1；
[0055]
基于所述第三集合和所述第四集合执行仿真自动驾驶测试。
[0056]
本发明还提供一种基于复杂度的自动驾驶有效静态场景构建系统，包括：
[0057]
组合场景模块，用于在设定的场景约束下，组合设计运行域odd形成静态场景；
[0058]
复杂度模块，用于将所述静态场景输入复杂度模型，得到所述静态场景的复杂度；
[0059]
测试模块，用于根据所述复杂度选取设定数量的静态场景构成有效静态场景集合，基于所述有效静态场景集合进行自动驾驶测试，并得到测试结论；
[0060]
所述复杂度模型的输入量包括元素属性评价值、元素权重以及元素信息量；所述元素是指所述设计运行域odd的构成元素；所述元素包括环境元素、道路元素或者交通参与者元素；
[0061]
所述属性评价值是根据所述元素的物理参数确定的；
[0062]
所述权重是根据判断矩阵计算得到的；所述判断矩阵是根据所述元素对自动驾驶模型中功能单元的影响量化值，两两比较确定的；
[0063]
所述信息量与所述元素在同类别元素中出现的概率负相关。
[0064]
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于复杂度的自动驾驶有效静态场景构建方法的步骤。
[0065]
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于复杂度的自动驾驶有效静态场景构建方法的步骤。
[0066]
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于复杂度的自动驾驶有效静态场景构建方法的步骤。
[0067]
本发明提供的基于复杂度的自动驾驶有效静态场景构建方法和系统，通过组成设计运行域odd的元素属性评价值、元素权重以及元素信息量构建复杂度模型，并以基于复杂度模型获得的静态场景复杂度选取有效静态场景执行自动驾驶测试，能够得到更为客观可靠的有效静态场景结果，并进一步使得基于有效静态场景进行的自动驾驶测试具有更高的测试效率。
附图说明
[0068]
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0069]
图1是本发明提供的基于复杂度的自动驾驶有效静态场景构建方法的流程示意图；
[0070]
图2是本发明实施例提供的复杂度模型的结构示意图；
[0071]
图3是本发明实施例提供的元素属性评价值确定过程中所述元素物理参数的示意图；
[0072]
图4是本发明实施例提供的权重计算的流程示意图；
[0073]
图5是本发明实施例提供的仿真随机抽样排序场景组合示意图；
[0074]
图6是本发明实施例提供的实车随机抽样排序场景组合示意图；
[0075]
图7是本发明提供的基于复杂度的自动驾驶有效静态场景构建系统的结构示意
图；
[0076]
图8是本发明提供的电子设备的结构示意图。
[0077]
附图标记：
[0078]
1：组合场景模块；
[0079]
2：复杂度模块；
[0080]
3：测试模块；
[0081]
810：处理器；
[0082]
820：通信接口；
[0083]
830：存储器；
[0084]
840：通信总线。
具体实施方式
[0085]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0086]
下面结合图1-图6描述本发明的基于复杂度的自动驾驶有效静态场景构建方法。
[0087]
如图1所示，本发明实施例提供一种基于复杂度的自动驾驶有效静态场景构建方法，包括：
[0088]
步骤102，在设定的场景约束下，组合设计运行域odd形成静态场景；
[0089]
步骤104，将所述静态场景输入复杂度模型，得到所述静态场景的复杂度；
[0090]
步骤106，根据所述复杂度选取设定数量的静态场景构成有效静态场景集合，基于所述有效静态场景集合进行自动驾驶测试，并得到测试结论；
[0091]
所述复杂度模型的输入量包括元素属性评价值、元素权重以及元素信息量；所述元素是指所述设计运行域odd的构成元素；所述元素包括环境元素、道路元素或者交通参与者元素；
[0092]
所述属性评价值是根据所述元素的物理参数确定的；
[0093]
所述权重是根据判断矩阵计算得到的；所述判断矩阵是根据所述元素对自动驾驶模型中功能单元的影响量化值，两两比较确定的；
[0094]
所述信息量与所述元素在同类别元素中出现的概率负相关。
[0095]
本实施例中，所述环境元素是指白天、黎明、黄昏、雨、夜晚、雾天等；所述道路元素是指直道、坡道、弯道等；所述交通参与者元素是指货车、家用车等。
[0096]
所述场景约束包括：
[0097]
构成静态场景的设计运行域odd组合中包括至少一个环境元素和至少一个道路元素；
[0098]
构成静态场景的设计运行域odd组合中的元素集合满足预设的道路工程设计标准；以及，
[0099]
构成静态场景的设计运行域odd组合中不存在互斥元素；所述互斥元素是指不能同时存在的两个或多个元素，即互斥是指物理空间中不存在的组合，比如白天和夜晚不能
组合，比如隧道和匝道不能组合。
[0100]
在一个优选的实施方式中：
[0101]
所述基于所述有效静态场景集合进行自动驾驶测试的步骤包括：
[0102]
排除所述有效静态场景集合中，不满足实车测试条件的静态场景，得到实车有效静态场景集合；
[0103]
针对设定的元素，在所述实车有效静态场景集合中：
[0104]
提取包括所述元素且复杂度最高的静态场景作为第一集合；
[0105]
提取包括所述元素且复杂度最低的静态场景作为第二集合；
[0106]
基于所述第一集合和所述第二集合执行实车自动驾驶测试。
[0107]
所述基于所述有效静态场景集合进行自动驾驶测试的步骤还包括：
[0108]
针对设定的元素，在所述有效静态场景集合中：
[0109]
提取包括所述元素且复杂度最高的m1个静态场景作为第三集合；
[0110]
随机抽样m2个包括所述元素且不属于所述第三集合的静态场景作为第四集合；其中，m2》m1；
[0111]
基于所述第三集合和所述第四集合执行仿真自动驾驶测试。
[0112]
本实施例的有益效果在于：
[0113]
通过组成设计运行域odd的元素属性评价值、元素权重以及元素信息量构建复杂度模型，并以基于复杂度模型获得的静态场景复杂度选取有效静态场景执行自动驾驶测试，能够得到更为客观可靠的有效静态场景结果，并进一步使得基于有效静态场景进行的自动驾驶测试具有更高的测试效率。
[0114]
根据上述实施例，在本实施例中：
[0115]
所述环境元素包括白天、黎明、黄昏、夜晚、雨以及雾；所述环境元素的属性评价值是基于光照强度和能见度确定的。
[0116]
所述交通参与者元素包括货车和/或家用车；所述交通参与者元素的属性评价值是基于尺寸、材质以及颜色确定的。
[0117]
所述道路元素包括直道、坡道以及弯道；所述道路元素的属性评价值是基于车道曲率、车道坡度和停车视距确定的。
[0118]
在一个优选的实施方式中，所述复杂度模型的构建是基于层次分析实现的，如图2所示。
[0119]
静态场景组合分为三层，底层为每个分类下的odd元素(即组合构成所述设计运行域odd的元素)，中间层为场景分类，共同构成了顶层静态场景的可选组合。静态场景模型将分为内部评价模型和外部调整因子，每个场景组合的复杂度将由内部评价模型和外部调整因子相乘得到。根据层次结构会分层的特性，内部模型将分别对底层及中间层进行评价。底层将对odd元素组合的属性评价，中间层应用层次分析法对自动驾驶系统模块评价得到权重，并把两层得到的结果相乘。得到了基于实际道路研究出的理论场景模型，即内部模型。考虑到层次分析法有一定的主观因素存在，引用贝叶斯思想将实际元素发生的概率加入模型。实际道路行驶时，出现概率越大的元素反而会降低场景的复杂度，选择信息量作为调整因子。相比于其他静态场景复杂度的模型，此模型对于中间层权重计算更为精确，同时引入实际概率将模型从理论带入实际应用。
[0120]
进一步地，对于所述复杂度模型的元素属性评价值说明如下。
[0121]
在模型的最底层，忽略每个元素对汽车驾驶功能的挑战，只考虑每个odd元素的属性本身对场景复杂度的影响。评价基于道路规范要求中每个odd元素设定的属性范围，进行1-5的重要性评价，由1到5表示越来越重要。例如：道路考虑曲率半径，停车视距，坡度等；交通参与者考虑三维尺寸；环境考虑光强和能见度等，如图3所示。
[0122]
本实施例的有益效果在于：
[0123]
通过元素属性评价值，能够更为客观的给出静态场景的复杂度。
[0124]
根据上述任一实施例，在本实施例中：
[0125]
所述复杂度模型满足：
[0126]
o＝∑iμiλilog(pi)式中，o为包括m个所述元素的所述静态场景的复杂度；λi为第i个所述元素的权重；μi为第i个所述元素的属性评价值；log(pi)为第i个所述元素的信息量，由第i个所述元素在同类别元素中出现的概率pi取对数得到；i是闭区间[1，m]内的整数，表示所述元素的序号。
[0127]
所述判断矩阵的行数与列数相等；所述判断矩阵第j行、第k列的元素a
j,k
满足：
[0128][0129]
式中，ej为第j行对应元素对自动驾驶模型中功能单元的影响量化值；ek为第k列对应元素对自动驾驶模型中功能单元的影响量化值。
[0130]
所述权重满足：
[0131][0132]
式中，w
x
是判断矩阵第x行的元素权重；n的取值与所述判断矩阵的行数和列数相同。
[0133]
所述自动驾驶模型的功能单元包括感知单元、规划控制单元以及定位单元。
[0134]
所述元素对自动驾驶模型中功能单元的影响量化值是指：
[0135]
第一场景下所述功能单元的任务执行结果，与第二场景下所述功能单元的任务执行结果的差值；
[0136]
所述第一场景为设定的标准场景；所述第二场景为以所述元素替换标准场景中的对应元素得到的场景；
[0137]
在一个优选的实施方式中，所述标准场景包括白天、高速、直道；所述第二场景是以所述元素替换标准场景中同类别的元素得到的场景，例如以黎明替换白天，得到黎明、高速、直道的第二场景。
[0138]
所述功能单元的任务执行结果包括：
[0139]
感知单元的目标分类结果、距离检测结果以及尺寸检测结果；
[0140]
规划控制单元执行横向控制和/或纵向控制时的附着系数；以及，
[0141]
定位单元的定位精度和定位稳定性。
[0142]
下面将从原理的角度对本实施例中的权重进行说明。
[0143]
层次分析法是指将与决策总是有关的元素分解成目标、准则、方案等层次在此基础上进行定性和定量分析的方法。主要通过判断矩阵对不同因素的重要性程度计算权重，通过比较权重选择最终方案。层次分析法在确定各层次因素的权重时，如果是定性的结果，往往不易被人接受，因而本实施例采用一致矩阵法，即不把因素放在一起比较，而是两两相互比较，尽可能减少不同性质的元素比较的困难，以提高准确度。
[0144]
参考层次分析法中间层权重计算方法，作为中间层计算权重的基础，并在实际模型构建中对上述方法进行优化。传统判断矩阵对每两个odd元素相互比较，但对于自动驾驶道路复杂度的比较太过困难且主观性过强，因此在实际应用中，将每个元素放在同一个维度进行比较。首先，为每个odd元素对自动驾驶系统复杂度影响的三个模块(perception/感知单元，planning and control/规划控制单元，localization/定位单元)进行评价。比起传统的1-9取值法，本实施例模型只采用1、3、5取值法以降低主观性，取值为1表示对模块功能影响较小，取值为3：表示对模块功能影响中等，取值为5表示对模块功能影响较大。为提高模型权重的准确性，对每个元素各功能影响的评价取平均，而后采用精确取值法，结果保留到小数点第二位。经此步骤，可以省略传统判断矩阵计算的元素一致性判断过程。元素间评价得分的差值作为判断矩阵中每两个元素对道路复杂度影响的差值，如果差值为0，填入1。如果差值为正，差值 1填入矩阵，如果差值为负，差值-1之后取正数部分的倒数填入矩阵中。通过矩阵计算即可得到每个元素的复杂度权重，如图4所示。
[0145]
本实施例的有益效果在于：
[0146]
通过引入判断矩阵的具体确定方法和权中的具体计算方案，能够在上述实施例的基础上，更为客观的给出静态场景的复杂度。
[0147]
根据上述任一实施例，在本实施例中：
[0148]
确定存在自动驾驶统计数据，则所述元素在同类别元素中出现的概率是基于所述自动驾驶统计数据得到的；
[0149]
确定不存在自动驾驶统计数据，则设定同类别元素中每个元素出现的概率相等。
[0150]
信息量是用来衡量信息多少的量度。以概率取对数的形式表现。
[0151]
在不存在经验概率和先验概率的前提下，可以假设每个类别下元素的概率相同，并在此基础上迭代统计获取经验概率和/或先验概率。
[0152]
本实施例的有益效果在于：
[0153]
考虑到层次分析法有一定的主观因素存在，引用贝叶斯思想将实际元素发生的概率加入模型。实际道路行驶时，出现概率越大的元素反而会降低场景的复杂度，选择信息量作为调整因子。相比于其他静态场景复杂度的模型，此模型对于中间层权重计算更为精确，同时引入实际概率将模型从理论带入实际应用。
[0154]
根据上述任一实施例，本实施例将通过举例计算的方式说明复杂度模型的计算过程。
[0155]
1、元素属性评价值。
[0156]
以单个环境要素为例子，详细说明我们的方法论(根据实际情况的不同，不同的汽车影响属性的不同，会有一定的区别)。根据环境的属性，我们分别考虑光照强度和能见度对复杂度的影响，分别得出元素的属性评价，见下表。
[0157][0158]
考虑到汽车对场景复杂度的影响，我们将分别对三个模块：perception，planning&control和localization进行评价。perception会考虑目标分类、横纵向距离检测和尺寸检测；planning&control会考虑横向控制、纵向控制、附着系数；localization会考虑定位精度和定位稳定性，得到下表。
[0159][0160]
构建判断矩阵，例如，白天和黎明相比，白天的评价为1，而黎明的评价为1.11，相差0.11为正数则加1，得到1.11。在矩阵行为黎明，列为白天的位置填写1.11，同时，在行为白天，列为黎明的位置填写1/1.11。黎明和雨相比，黎明的评价为1.11，而雨的评价为2.28，相差-1.17为负数即减1，得到-2.17。去掉负号取倒数，填入矩阵行为黎明，列为雨的位置2.17，在行为雨，列为黎明的位置填入1/2.17。以此类推，我们将会如下4*4的环境元素复杂度判断矩阵。
[0161][0162]
根据计算矩阵变换计算得到各元素权重，考虑信息量为log(1/6)，即假设6种环境元素(白天、黎明、黄昏、夜晚、雨以及雾)的出现概率相同，并带入模型得到各元素复杂度评价如下表。
[0163][0164]
由上表可得各元素的单个复杂度大小，当多元素组合时，元素复杂度将会叠加，得到组合复杂度。
[0165]
下面将对上述模型进行验证。
[0166]
由于目前业内没有一个公认的测试场景组合复杂度的排序，我们无法直接验证模型的可行性。
[0167]
验证方法有三个假设：假设了资深驾驶员对odd组合的排序是具有说服力的，并且采取少数服从多数的原则，即：大部分资深驾驶员认定的顺序即为正确顺序。在最后，定义准确度在80％的模型即可证明有效性。
[0168]
本模型的验证将采用资深驾驶员评价排序来验证，对于得出的复杂度模型，每次随机抽取10组，再分别对不同抽样组合进行资深驾驶员排序，来测试模型是否与资深驾驶员认知相符。由于本模型验证了一些复杂度十分相近的模型，会导致在实际的排序中会带有一定的主观判断误差，当误差在两个之内时，认为模型的排序是准确的。即排序1-10中，允许两位数字之内的误差。如果10个组合都符合排序误差之内，准确模型记为1；否则，我们将记0，即为模型不够准确。计算模型的准确率为准确模型的数量除以总数。考虑到专家打分的实际认知差别和小样本计算概率的问题，准确度在80％即为合格的模型。
[0169]
在本次试验中，邀请了10位资深驾驶员。并且根据实车和仿真测试的组合数量的不同，对实车选择抽取12次，仿真抽取30次，得到了分别的模型准确为91.7％，86.7％。由此可得，复杂度模型准确度很高。采用少量的抽样次数即可得到准确率较高的模型，如果增加抽样次数，模型的准确率将会更高。同时，本次排序结果可以帮助模型完成内部修正，并且在后续的测试中，测试结果也可以反向验证模型。
[0170]
下面将对具体应用示例进行说明。
[0171]
以图2示出的15个odd元素为基础做场景组合，将会得到∑
1≤i≤15 c(15，i)个场景组合。基于上文对元素复杂度的排序，将对所有有效的元素组合进行合理筛选输出到下游测试。
[0172]
筛选将基于三个基本原则和一个假设：1)道路和环境必须同时存在2)符合道路设计标准，例如：隧道和弯道不会同时存在3)元素互斥，例如：白天和夜晚不会同时存在。基于以上原则，得到2，3，4，5，6个odd元素组合。一个假设：道路、交通参与者和环境内部每个odd元素的出现概率相同。得到所有有效元素组合之后，进行复杂度计算和模型验证。根据排列组合公式，我们计算得到3270个元素组合。经过有效性筛选，得到共787个有效的场景组合，如下为通过计算前5名和后5名场景组合复杂度如下。
[0173][0174]
实车测试，剔除掉一些无法进行实车测试的odd元素。剩下的组合，针对每个odd元素，选取最复杂和最简单的两组组合进行测试。如果通过最复杂的测试，证明我们的自动驾驶系统也可以安全通过复杂度高的场景组合，同时进行复杂度最小的组合测试，也就是基础测试，确保自动驾驶系统具备基本的功性能。
[0175]
仿真测试，保留所有的odd元素，针对组合中的每个odd元素，选取排名前五的组合进行逐一测试，并且在未选中逐一测试的组合中，随机抽样15-20个组合进行随机测试。传统测试专家普遍认为，如果自动驾驶系统可以处理好复杂度最高的5组组合，那么也可以处理好其他不那么复杂的场景。
[0176]
本实施例的有益效果在于：
[0177]
建立静态场景复杂度模型，来减少自动驾驶测试场景静态元素组合数量。在实际应用中，该方法将会减少需测试的场景组合的数量，提高测试效率。
[0178]
下面对本发明提供的基于复杂度的自动驾驶有效静态场景构建装置进行描述，下文描述的基于复杂度的自动驾驶有效静态场景构建装置与上文描述的基于复杂度的自动驾驶有效静态场景构建方法可相互对应参照。
[0179]
本发明实施例提供一种基于复杂度的自动驾驶有效静态场景构建系统，包括：
[0180]
组合场景模块1，用于在设定的场景约束下，组合设计运行域odd形成静态场景；
[0181]
复杂度模块2，用于将所述静态场景输入复杂度模型，得到所述静态场景的复杂度；
[0182]
测试模块3，用于根据所述复杂度选取设定数量的静态场景构成有效静态场景集合，基于所述有效静态场景集合进行自动驾驶测试，并得到测试结论；
[0183]
所述复杂度模型的输入量包括元素属性评价值、元素权重以及元素信息量；所述
元素是指所述设计运行域odd的构成元素；所述元素包括环境元素、道路元素或者交通参与者元素；
[0184]
所述属性评价值是根据所述元素的物理参数确定的；
[0185]
所述权重是根据判断矩阵计算得到的；所述判断矩阵是根据所述元素对自动驾驶模型中功能单元的影响量化值，两两比较确定的；
[0186]
所述信息量与所述元素在同类别元素中出现的概率负相关。
[0187]
具体地，所述复杂度模型满足：
[0188]
o＝∑iμiλilog(pi)
[0189]
式中，o为包括m个所述元素的所述静态场景的复杂度；λi为第i个所述元素的权重；μi为第i个所述元素的属性评价值；log(pi)为第i个所述元素的信息量，由第i个所述元素在同类别元素中出现的概率pi取对数得到；i是闭区间[1，m]内的整数，表示所述元素的序号。
[0190]
所述自动驾驶模型的功能单元包括感知单元、规划控制单元以及定位单元。
[0191]
所述元素对自动驾驶模型中功能单元的影响量化值是指：
[0192]
第一场景下所述功能单元的任务执行结果，与第二场景下所述功能单元的任务执行结果的差值；
[0193]
所述第一场景为设定的标准场景；所述第二场景为以所述元素替换标准场景中的对应元素得到的场景；
[0194]
所述功能单元的任务执行结果包括：
[0195]
感知单元的目标分类结果、距离检测结果以及尺寸检测结果；
[0196]
规划控制单元执行横向控制和/或纵向控制时的附着系数；以及，
[0197]
定位单元的定位精度和定位稳定性。
[0198]
所述判断矩阵的行数与列数相等；所述判断矩阵第j行、第k列的元素a
j,k
满足：
[0199][0200]
式中，ej为第j行对应元素对自动驾驶模型中功能单元的影响量化值；ek为第k列对应元素对自动驾驶模型中功能单元的影响量化值。
[0201]
所述权重满足：
[0202][0203]
式中，w
x
是判断矩阵第x行的元素权重；n的取值与所述判断矩阵的行数和列数相同。
[0204]
确定存在自动驾驶统计数据，则所述元素在同类别元素中出现的概率是基于所述自动驾驶统计数据得到的；
[0205]
确定不存在自动驾驶统计数据，则设定同类别元素中每个元素出现的概率相等。
[0206]
所述环境元素包括白天、黎明、黄昏、夜晚、雨以及雾；所述环境元素的属性评价值
是基于光照强度和能见度确定的。
[0207]
所述交通参与者元素包括货车和/或家用车；所述交通参与者元素的属性评价值是基于尺寸、材质以及颜色确定的。
[0208]
所述道路元素包括直道、坡道以及弯道；所述道路元素的属性评价值是基于车道曲率、车道坡度和停车视距确定的。
[0209]
所述场景约束包括：
[0210]
构成静态场景的设计运行域odd组合中包括至少一个环境元素和至少一个道路元素；
[0211]
构成静态场景的设计运行域odd组合中的元素集合满足预设的道路工程设计标准；以及，
[0212]
构成静态场景的设计运行域odd组合中不存在互斥元素；所述互斥元素是指不能同时存在的两个或多个元素。
[0213]
进一步地，所述测试模块3包括：
[0214]
排除所述有效静态场景集合中，不满足实车测试条件的静态场景，得到实车有效静态场景集合；
[0215]
实车提取子模块，用于针对设定的元素，在所述实车有效静态场景集合中：
[0216]
提取包括所述元素且复杂度最高的静态场景作为第一集合；
[0217]
提取包括所述元素且复杂度最低的静态场景作为第二集合；
[0218]
实车测试子模块，用于基于所述第一集合和所述第二集合执行实车自动驾驶测试。
[0219]
仿真提取子模块，用于针对设定的元素，在所述有效静态场景集合中：
[0220]
提取包括所述元素且复杂度最高的m1个静态场景作为第三集合；
[0221]
随机抽样m2个包括所述元素且不属于所述第三集合的静态场景作为第四集合；其中，m2》m1；
[0222]
仿真测试子模块，用于基于所述第三集合和所述第四集合执行仿真自动驾驶测试。
[0223]
图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(communicationsinterface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行基于复杂度的自动驾驶有效静态场景构建方法，该方法包括：在设定的场景约束下，组合设计运行域odd形成静态场景；将所述静态场景输入复杂度模型，得到所述静态场景的复杂度；根据所述复杂度选取设定数量的静态场景构成有效静态场景集合，基于所述有效静态场景集合进行自动驾驶测试，并得到测试结论；所述复杂度模型的输入量包括元素属性评价值、元素权重以及元素信息量；所述元素是指所述设计运行域odd的构成元素；所述元素包括环境元素、道路元素或者交通参与者元素；所述属性评价值是根据所述元素的物理参数确定的；所述权重是根据判断矩阵计算得到的；所述判断矩阵是根据所述元素对自动驾驶模型中功能单元的影响量化值，两两比较确定的；所述信息量与所述元素在同类别元素中出现的概率负相关。
[0224]
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为
独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0225]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于复杂度的自动驾驶有效静态场景构建方法，该方法包括：基于复杂度的自动驾驶有效静态场景构建方法，该方法包括：在设定的场景约束下，组合设计运行域odd形成静态场景；将所述静态场景输入复杂度模型，得到所述静态场景的复杂度；根据所述复杂度选取设定数量的静态场景构成有效静态场景集合，基于所述有效静态场景集合进行自动驾驶测试，并得到测试结论；所述复杂度模型的输入量包括元素属性评价值、元素权重以及元素信息量；所述元素是指所述设计运行域odd的构成元素；所述元素包括环境元素、道路元素或者交通参与者元素；所述属性评价值是根据所述元素的物理参数确定的；所述权重是根据判断矩阵计算得到的；所述判断矩阵是根据所述元素对自动驾驶模型中功能单元的影响量化值，两两比较确定的；所述信息量与所述元素在同类别元素中出现的概率负相关。
[0226]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于复杂度的自动驾驶有效静态场景构建方法，该方法包括：在设定的场景约束下，组合设计运行域odd形成静态场景；将所述静态场景输入复杂度模型，得到所述静态场景的复杂度；根据所述复杂度选取设定数量的静态场景构成有效静态场景集合，基于所述有效静态场景集合进行自动驾驶测试，并得到测试结论；所述复杂度模型的输入量包括元素属性评价值、元素权重以及元素信息量；所述元素是指所述设计运行域odd的构成元素；所述元素包括环境元素、道路元素或者交通参与者元素；所述属性评价值是根据所述元素的物理参数确定的；所述权重是根据判断矩阵计算得到的；所述判断矩阵是根据所述元素对自动驾驶模型中功能单元的影响量化值，两两比较确定的；所述信息量与所述元素在同类别元素中出现的概率负相关。
[0227]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0228]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施
例或者实施例的某些部分所述的方法。
[0229]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。