本發(fā)明涉及駕駛測試場景生成的，尤其涉及一種基于大數(shù)據(jù)分析的智能駕駛測試場景生成方法。

背景技術(shù)：

1、隨著智能駕駛技術(shù)的迅速發(fā)展，自動駕駛車輛的測試和驗(yàn)證變得越來越重要。傳統(tǒng)的測試方法主要依賴于實(shí)際道路測試和封閉場地測試，但這些方法存在成本高、時(shí)間長、覆蓋場景有限等問題。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提出一種基于大數(shù)據(jù)分析的智能駕駛測試場景生成方法，通過收集和分析大量的駕駛數(shù)據(jù)，生成更加多樣化和復(fù)雜的測試場景，這些場景能夠更全面地覆蓋自動駕駛車輛在實(shí)際道路中可能遇到的各種情況，大幅提升了測試效率和覆蓋率，不僅可以提高測試效率，降低測試成本，還能夠確保智能駕駛系統(tǒng)在多種條件下的可靠性和安全性，為智能駕駛技術(shù)的開發(fā)和驗(yàn)證提供強(qiáng)有力的支持。

2、實(shí)現(xiàn)上述目的，本發(fā)明提供的一種基于大數(shù)據(jù)分析的智能駕駛測試場景生成方法，包括以下步驟：

3、s1：采集行駛場景圖像數(shù)據(jù)并進(jìn)行預(yù)處理，得到預(yù)處理后的行駛場景圖像數(shù)據(jù)；

4、s2：對預(yù)處理后的行駛場景圖像數(shù)據(jù)進(jìn)行軌跡提取，得到車輛行駛軌跡數(shù)據(jù)；

5、s3：構(gòu)建測試場景生成模型，所述測試場景生成模型以提取得到的車輛行駛軌跡數(shù)據(jù)為輸入，以生成的駕駛測試場景為輸出，其中序貫生成為所述測試場景生成模型的實(shí)施方法；

6、s4：對構(gòu)建的測試場景生成模型進(jìn)行模型參數(shù)優(yōu)化求解，其中改進(jìn)的黏菌算法為所述優(yōu)化求解的實(shí)施方法；

7、s5：利用求解得到的測試場景生成模型生成駕駛測試場景。

8、作為本發(fā)明的進(jìn)一步改進(jìn)方法：

9、可選地，所述s1步驟中采集車輛行駛場景圖像數(shù)據(jù)并進(jìn)行預(yù)處理，包括：

10、采集車輛行駛場景圖像數(shù)據(jù)，其中車輛行駛場景圖像為車輛行駛過程中的俯視圖，所采集車輛行駛場景圖像數(shù)據(jù)為：

11、；

12、其中：

13、表示所采集車輛行駛場景圖像數(shù)據(jù)；

14、表示n張連續(xù)的車輛行駛場景圖像；

15、對車輛行駛場景圖像數(shù)據(jù)進(jìn)行預(yù)處理，其中車輛行駛場景圖像的預(yù)處理流程為：

16、s11：對車輛行駛場景圖像中的任意像素進(jìn)行灰度化處理，其中車輛行駛場景圖像中第x行第y列像素的灰度化處理公式為：

17、；

18、其中：

19、依次表示像素在r,g,b顏色通道的顏色值；

20、表示像素的灰度值；

21、s12：計(jì)算得到車輛行駛場景圖像對應(yīng)的梯度圖像：

22、；

23、；

24、其中：

25、表示像素的梯度值，x表示車輛行駛場景圖像的像素行數(shù)，y表示車輛行駛場景圖像的像素列數(shù)，,；

26、為x行y列的矩陣形式；

27、s13：將梯度圖像中的像素坐標(biāo)轉(zhuǎn)換到世界坐標(biāo)系下，其中梯度圖像中像素坐標(biāo)在世界坐標(biāo)系下的表示形式為，表示像素坐標(biāo)在世界坐標(biāo)系下的高度；

28、s14：構(gòu)成預(yù)處理后的車輛行駛場景圖像：

29、；

30、；

31、其中：

32、表示車輛行駛場景圖像中像素坐標(biāo)對應(yīng)的世界坐標(biāo)位置矩陣。

33、可選地，所述s13步驟中將梯度圖像中的像素坐標(biāo)轉(zhuǎn)換到世界坐標(biāo)系下，包括：

34、s131：將梯度圖像中的像素坐標(biāo)轉(zhuǎn)換到相機(jī)坐標(biāo)系下，其中像素坐標(biāo)的轉(zhuǎn)換結(jié)果為：

35、；

36、其中：

37、表示像素坐標(biāo)在相機(jī)坐標(biāo)系下的轉(zhuǎn)換結(jié)果；

38、,表示相機(jī)的內(nèi)參，表示水平方向焦距的長度，表示垂直方向焦距的長度，表示相機(jī)感光板中心在像素坐標(biāo)系下的水平坐標(biāo)，表示相機(jī)感光板中心在像素坐標(biāo)系下的垂直坐標(biāo)；

39、表示梯度圖像中第x行第y列像素在相機(jī)中的深度信息；

40、s132：將相機(jī)坐標(biāo)系下的坐標(biāo)轉(zhuǎn)換到世界坐標(biāo)系下，其中的轉(zhuǎn)換公式為：

41、；

42、其中：

43、表示相機(jī)的旋轉(zhuǎn)矩陣，表示相機(jī)的平移向量；

44、表示坐標(biāo)在世界坐標(biāo)系下的轉(zhuǎn)換結(jié)果。

45、可選地，所述s2步驟中對預(yù)處理后的行駛場景圖像數(shù)據(jù)進(jìn)行軌跡提取，包括：

46、對預(yù)處理后的行駛場景圖像數(shù)據(jù)進(jìn)行軌跡提取，其中預(yù)處理后車輛行駛場景圖像的軌跡提取流程為：

47、s21：計(jì)算預(yù)處理后車輛行駛場景圖像中任意像素的關(guān)鍵信息，其中的第x行第y列像素的關(guān)鍵信息為：

48、；

49、；

50、其中：

51、表示像素的關(guān)鍵信息；

52、表示像素的梯度方向，表示車輛行駛場景圖像中，以像素為起點(diǎn)，沿著方向所遍歷得到的兩個(gè)距離最近的像素的像素值，表示所遍歷得到的兩個(gè)像素到像素的距離；

53、s22：將關(guān)鍵信息高于預(yù)設(shè)閾值的像素標(biāo)記為邊緣像素，其中邊緣像素表述預(yù)處理后車輛行駛場景圖像中車輛的輪廓以及道路的輪廓；

54、s23：從邊緣像素中提取世界坐標(biāo)系下高度值為地面高度的像素，作為預(yù)處理后車輛行駛場景圖像中的軌跡像素，并提取軌跡像素的鄰近像素，將梯度值高于預(yù)設(shè)梯度閾值的像素標(biāo)記為軌跡像素；

55、s24：將軌跡像素對應(yīng)的坐標(biāo)作為預(yù)處理后車輛行駛場景圖像中的軌跡坐標(biāo)，構(gòu)成預(yù)處理后車輛行駛場景圖像的軌跡；

56、將所有預(yù)處理后車輛行駛場景圖像的軌跡整合為車輛駕駛軌跡數(shù)據(jù)。

57、可選地，所述車輛駕駛軌跡數(shù)據(jù)為：

58、；

59、其中：

60、表示第n張車輛行駛場景圖像對應(yīng)的車輛行駛軌跡以及道路軌跡，即第n個(gè)行駛路段的車輛行駛軌跡以及道路軌跡。

61、可選地，所述s3步驟中構(gòu)建測試場景生成模型，包括：

62、構(gòu)建測試場景生成模型，所述測試場景生成模型以提取得到的車輛行駛軌跡數(shù)據(jù)為輸入，以生成的駕駛測試場景為輸出，其中序貫生成為所述測試場景生成模型的實(shí)施方法；測試場景生成模型包括生成模塊以及測試模塊，生成模塊用于生成駕駛測試場景，測試模塊用于對所生成駕駛測試場景進(jìn)行駕駛安全性測試；

63、生成模塊包括輸入層、序貫特征生成層以及駕駛測試場景生成層，輸入層用于接收車輛行駛軌跡數(shù)據(jù)，序貫特征生成層用于基于連續(xù)行駛路段的軌跡數(shù)據(jù)，提取序貫軌跡特征，駕駛測試場景生成層用于將序貫軌跡特征映射為駕駛測試場景，其中駕駛測試場景為駕駛過程中的駕駛環(huán)境狀況，包括道路的行駛車輛數(shù)以及行駛車輛的速度；

64、測試模塊包括輸入層、場景特征提取層以及駕駛安全性計(jì)算層，輸入層用于接收駕駛測試場景，場景特征提取層用于從駕駛測試場景中提取場景卷積特征，駕駛安全性計(jì)算層用于將場景卷積特征轉(zhuǎn)換為駕駛安全性。在本發(fā)明實(shí)施例中，場景卷積特征為駕駛測試場景的卷積計(jì)算結(jié)果，駕駛安全性為基于激活函數(shù)的卷積計(jì)算結(jié)果映射值。

65、可選地，所述s4步驟中對構(gòu)建的測試場景生成模型進(jìn)行優(yōu)化求解，包括：

66、對構(gòu)建的測試場景生成模型進(jìn)行優(yōu)化求解，其中優(yōu)化求解流程為：

67、s41：初始化生成測試場景生成模型的模型參數(shù)，其中表示生成模塊的參數(shù)，表示測試模塊的參數(shù)；

68、s42：構(gòu)建得到測試場景生成模型的訓(xùn)練目標(biāo)函數(shù)：

69、；

70、其中：

71、表示測試場景生成模型的訓(xùn)練目標(biāo)函數(shù)，訓(xùn)練目標(biāo)函數(shù)以模型參數(shù)為輸入，以所生成駕駛測試場景的駕駛安全性作為模型參數(shù)所對應(yīng)的訓(xùn)練目標(biāo)函數(shù)值；

72、表示基于參數(shù)所構(gòu)建的生成模塊，表示基于參數(shù)所構(gòu)建的測試模塊；

73、表示基于車輛行駛軌跡以及道路軌跡所生成的駕駛測試場景；

74、表示駕駛測試場景的駕駛安全性；

75、s43：將模型參數(shù)擴(kuò)散為u組黏菌個(gè)體，其中第u組黏菌個(gè)體的擴(kuò)散公式為：

76、；

77、其中：

78、表示控制參數(shù)；

79、表示l1范數(shù)；

80、表示參數(shù)向量閾值；

81、表示元素均為1且長度與模型參數(shù)一致的向量；

82、表示擴(kuò)散得到的第u組黏菌個(gè)體；

83、s44：設(shè)置黏菌個(gè)體的當(dāng)前迭代次數(shù)為t，t的初始值為0，最大迭代次數(shù)為max，則第u組黏菌個(gè)體的第t次迭代結(jié)果為；

84、s45：對黏菌個(gè)體進(jìn)行迭代，其中第u組黏菌個(gè)體的迭代公式為：

85、；

86、；

87、；

88、其中：

89、表示將第t次迭代得到的u組黏菌個(gè)體作為訓(xùn)練目標(biāo)函數(shù)的輸入值，使得訓(xùn)練目標(biāo)函數(shù)達(dá)到最大的黏菌個(gè)體，表示對應(yīng)的訓(xùn)練目標(biāo)函數(shù)值，表示使得訓(xùn)練目標(biāo)函數(shù)達(dá)到最小的黏菌個(gè)體所對應(yīng)的訓(xùn)練目標(biāo)函數(shù)值；

90、c表示權(quán)重因子；在本發(fā)明實(shí)施例中，將c設(shè)置為0.3；

91、表示第t次迭代的迭代權(quán)重；

92、表示黏菌個(gè)體的目標(biāo)函數(shù)值權(quán)重；

93、表示以自然常數(shù)為底的指數(shù)函數(shù)；

94、表示-1至1之間的隨機(jī)數(shù)；

95、表示第t次迭代得到的u組黏菌個(gè)體中的任意兩組黏菌個(gè)體；

96、s46：令t=t+1，返回步驟s45，直到達(dá)到最大迭代次數(shù)，并從最終迭代得到的u組黏菌個(gè)體中，選取訓(xùn)練函數(shù)值最高的黏菌個(gè)體作為模型參數(shù)訓(xùn)練結(jié)果，其中，，表示序貫特征生成層中的卷積矩陣，表示駕駛測試場景生成層中的映射矩陣，表示場景特征提取層中的場景卷積特征。

97、可選地，所述s5步驟中利用測試場景生成模型生成駕駛測試場景，包括：

98、利用求解得到的測試場景生成模型生成駕駛測試場景，其中駕駛測試場景的生成流程為：

99、s51：生成模塊中的輸入層接收車輛行駛軌跡數(shù)據(jù)h；

100、s52：序貫特征生成層基于車輛行駛軌跡數(shù)據(jù)h，提取每段車輛行駛軌跡以及道路軌跡的序貫軌跡特征，其中對應(yīng)的序貫軌跡特征為：

101、；

102、其中：

103、表示對應(yīng)的序貫軌跡特征；

104、表示序貫特征生成層中的卷積矩陣；

105、s53：駕駛測試場景生成層將序貫軌跡特征映射為駕駛測試場景，其中序貫軌跡特征對應(yīng)的駕駛測試場景為：

106、；

107、其中：

108、序貫軌跡特征對應(yīng)的駕駛測試場景；

109、表示駕駛測試場景生成層中的映射矩陣；

110、表示池化操作；

111、表示激活函數(shù)；在本發(fā)明實(shí)施例中，所選取激活函數(shù)為softmax函數(shù)。

112、為了解決上述問題，本發(fā)明提供一種電子設(shè)備，所述電子設(shè)備包括：

113、存儲器，存儲至少一個(gè)指令；

114、通信接口，實(shí)現(xiàn)電子設(shè)備通信；及處理器，執(zhí)行所述存儲器中存儲的指令以實(shí)現(xiàn)上述所述的基于大數(shù)據(jù)分析的智能駕駛測試場景生成方法。

115、為了解決上述問題，本發(fā)明還提供一種計(jì)算機(jī)可讀存儲介質(zhì)，所述計(jì)算機(jī)可讀存儲介質(zhì)中存儲有至少一個(gè)指令，所述至少一個(gè)指令被電子設(shè)備中的處理器執(zhí)行以實(shí)現(xiàn)上述所述的基于大數(shù)據(jù)分析的智能駕駛測試場景生成方法。

116、相對于現(xiàn)有技術(shù)，本發(fā)明提出一種基于大數(shù)據(jù)分析的智能駕駛測試場景生成方法，該技術(shù)具有以下優(yōu)勢：

117、首先，本方案利用相機(jī)采集車輛行駛過程中的俯視圖，基于圖像中像素的梯度值、梯度方向以及鄰近圖像的梯度變化信息，得到行駛場景圖像中的邊緣像素，并將像素坐標(biāo)映射到世界坐標(biāo)系下，從邊緣像素中提取表征車輛行駛軌跡以及道路軌跡的軌跡像素，實(shí)現(xiàn)基于相機(jī)的輕量化道路軌跡提取；

118、同時(shí)，本方案構(gòu)建了測試場景生成模型，其中生成模塊用于生成駕駛測試場景，測試模塊用于對所生成駕駛測試場景進(jìn)行駕駛安全性測試，并以駕駛安全性最大化對模型參數(shù)進(jìn)行優(yōu)化求解，在優(yōu)化求解過程中，融合非線性的迭代權(quán)重以及訓(xùn)練目標(biāo)函數(shù)值權(quán)重對模型參數(shù)進(jìn)行多條件迭代，迭代權(quán)重在迭代早期促進(jìn)全局搜索，在迭代后期促進(jìn)局部搜索，采用基于隨機(jī)個(gè)體以及最優(yōu)個(gè)體的多條件迭代方式，擴(kuò)大搜索范圍，有助于得到最優(yōu)模型參數(shù)，提高所生成駕駛測試場景的駕駛安全性。