本技術涉及自動駕駛領域，具體涉及一種自動駕駛高風險模糊測試場景生成方法、裝置、計算機設備及計算機可讀存儲介質(zhì)。

背景技術：

1、高風險測試場景對自動駕駛車輛構(gòu)建高風險測試場景尤為重要?；趫鼍暗臏y試和評估中，背景車輛模糊決策直接影響自動駕駛車輛的性能和實驗結(jié)果。收集到的實際數(shù)據(jù)受樣本量和多樣性的限制，可能無法包含對自動駕駛測試至關重要的關鍵屬性組合，并且由于單條碰撞軌跡的確定性，無法體現(xiàn)背景車輛的模糊決策特征，進而無法測試自動駕駛在交互車輛決策不確定性測試場景下的安全性能。因此，在生成場景時考慮交互車輛行為不確定性以提升測試場景的豐富性至關重要。

技術實現(xiàn)思路

1、針對上述技術問題，本技術提供一種自動駕駛高風險模糊測試場景生成方法、裝置、計算機設備及計算機可讀存儲介質(zhì)，可以提高對自動駕駛車輛的魯棒性評估準確性。

2、本技術提供一種自動駕駛高風險模糊測試場景生成方法，所述方法包括：

3、步驟s1、根據(jù)自動駕駛測試場景構(gòu)建需求，對場景進行解構(gòu)，并提取測試場景所需的靜態(tài)環(huán)境信息與交通參與者的動態(tài)參數(shù)分布；

4、步驟s2、對靜態(tài)環(huán)境信息與交通參與者的動態(tài)參數(shù)采樣，將場景提取為若干個場景截面；

5、步驟s3、利用條件表格對抗生成網(wǎng)絡實現(xiàn)場景截面泛化生成；

6、步驟s4、通過生成的每個場景截面，根據(jù)場景變量參數(shù)分布，利用三角模糊數(shù)捕獲行為不確定性，并擴充為完整的模糊軌跡序列；

7、步驟s5、結(jié)合靜態(tài)環(huán)境信息與模糊軌跡序列，構(gòu)建自動駕駛高風險模糊測試場景。

8、優(yōu)選地，所述靜態(tài)環(huán)境信息包括：交通參與者車輛類型，道路類型，路面寬度，車道數(shù)目，光照條件，天氣條件，交通控制方式，背景車輛數(shù)目。

9、優(yōu)選地，所述交通參與者的動態(tài)參數(shù)為交通參與者每一時間步長的狀態(tài)，包括：每個步長內(nèi)的縱向坐標、橫向坐標、每個坐標下的速度、加速度、朝向、轉(zhuǎn)向、相對位置差。

10、優(yōu)選地，所述對靜態(tài)環(huán)境信息與交通參與者的動態(tài)參數(shù)采樣，將場景提取為若干個場景截面，包括：

11、以預設時間的采樣區(qū)間對靜態(tài)環(huán)境信息與交通參與者的動態(tài)參數(shù)采樣，構(gòu)建場景截面；其中，所述靜態(tài)環(huán)境信息用分類變量(s1,s2,s3……sl)描述，動態(tài)參數(shù)用帶時間標簽的連續(xù)變量(d1,d2,d3……dn)描述。

12、優(yōu)選地，所述利用訓練好的條件表格對抗生成網(wǎng)絡實現(xiàn)場景截面泛化生成，包括：

13、通過對條件表格對抗生成網(wǎng)絡設置條件向量、生成器損失和采樣訓練，對場景截面進行生成；

14、對批處理的所有場景求平均來懲罰損失，根據(jù)設置的條件向量進行采樣訓練，當生成器和判別器訓練損失值達到收斂時，得到訓練好的條件表格對抗生成網(wǎng)絡。

15、優(yōu)選地，所述通過生成的每個場景截面，根據(jù)場景變量參數(shù)分布，利用三角模糊數(shù)捕獲行為不確定性，并擴充為完整的模糊軌跡序列，包括：

16、通過生成的每個場景截面，使用動態(tài)變量擴充的方式構(gòu)建完整的軌跡，以預設時間為時間步長，擴充目標車輛軌跡直到達到仿真時長，每一個時間的各參數(shù)按照以下方式更新：

17、xt+1＝xt+vtcosht

18、yt+1＝y(tǒng)t+vtsinht

19、vt+1＝vt+attt

20、

21、xt,yt,vt,at,ht分別表示目標車輛在時間t時刻的x坐標，y坐標，速度，加速度，朝向；t為時間步長，δht為在時間t時刻朝向的變化率，使用三角模糊數(shù)表述：其中分別表示為δht數(shù)據(jù)庫中δh在t時刻的下四分位，均值和上四分位；jerkt為在時間t時刻加速度的導數(shù)，同樣用三角模糊數(shù)表示：分別表示數(shù)據(jù)庫中jerkt為在時間t時刻的下四分位，均值和上四分位；通過上述公式不斷更新下一步的模糊位置，得到一組模糊軌跡序列。

22、優(yōu)選地，所述結(jié)合靜態(tài)環(huán)境信息與模糊軌跡序列，構(gòu)建自動駕駛高風險模糊測試場景，包括：

23、將所述模糊軌跡序列放入每個生成場景的靜態(tài)環(huán)境信息中，構(gòu)成完整的自動駕駛高風險模糊測試場景。

24、本發(fā)明實施例還提供了一種自動駕駛高風險模糊測試場景生成裝置，包括：

25、獲取模塊，用于根據(jù)自動駕駛測試場景構(gòu)建需求，對場景進行解構(gòu)，并提取測試場景所需的靜態(tài)環(huán)境信息與交通參與者的動態(tài)參數(shù)分布；

26、采樣模塊，用于對靜態(tài)環(huán)境信息與交通參與者的動態(tài)參數(shù)采樣，將場景提取為若干個場景截面；

27、生成模塊，用于利用條件表格對抗生成網(wǎng)絡實現(xiàn)場景截面泛化生成；

28、擴充模塊，用于通過生成的每個場景截面，根據(jù)場景變量參數(shù)分布，利用三角模糊數(shù)捕獲行為不確定性，并擴充為完整的模糊軌跡序列；

29、構(gòu)建模塊，用于結(jié)合靜態(tài)環(huán)境信息與模糊軌跡序列，構(gòu)建自動駕駛高風險模糊測試場景。

30、本技術還提供一種計算機設備，包括：存儲器、處理器，其中，所述存儲器上存儲有用于在所述處理器上執(zhí)行的計算機程序指令，所述處理器執(zhí)行該計算機程序指令時，實現(xiàn)如上所述的自動駕駛高風險模糊測試場景生成方法。

31、本技術還提供一種計算機可讀存儲介質(zhì)，所述存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上所述自動駕駛高風險模糊測試場景生成方法的步驟。

32、如上所述，本技術的自動駕駛高風險模糊測試場景生成方法，包括：s1、根據(jù)自動駕駛測試場景構(gòu)建需求，對場景進行解構(gòu)，并提取測試場景所需的靜態(tài)環(huán)境信息與交通參與者的動態(tài)參數(shù)分布；通過對場景的解構(gòu)和信息提取，能夠精準獲取測試所需的關鍵要素，包括道路布局、交通信號等靜態(tài)環(huán)境信息，以及各類交通參與者的速度、加速度、位置等動態(tài)參數(shù)分布。這種精細化的提取方式使得測試場景構(gòu)建更加靈活，能夠根據(jù)具體測試需求快速調(diào)整場景要素，從而提高了測試的針對性和效率。步驟s2、對靜態(tài)環(huán)境信息與交通參與者的動態(tài)參數(shù)采樣，將場景提取為若干個場景截面；通過對場景信息的采樣，能夠?qū)碗s場景分解為多個易于處理的截面，每個截面可以作為獨立的測試單元。這種分段處理方式可以降低整個場景的復雜度，使得后續(xù)生成和計算更加高效，同時保證了場景多樣性的充分表達，提高了場景生成的靈活性。步驟s3、利用條件表格對抗生成網(wǎng)絡實現(xiàn)場景截面泛化生成；采用條件表格對抗生成網(wǎng)絡(ctgan)實現(xiàn)截面的泛化生成，能夠生成更多不同條件下的場景截面，極大地擴展了測試場景的覆蓋范圍。ctgan在保證生成場景符合真實場景分布的同時，也能捕捉不同條件下的場景變化，從而大大提升了自動駕駛系統(tǒng)在各類復雜場景下的適應能力。步驟s4、通過生成的每個場景截面，根據(jù)場景變量參數(shù)分布，利用三角模糊數(shù)捕獲行為不確定性，并擴充為完整的模糊軌跡序列；三角模糊數(shù)能夠有效地捕捉交通參與者行為中的不確定性，并將其擴展為完整的模糊軌跡序列。這種方法不僅提高了生成場景的真實性，還能夠更好地模擬實際駕駛過程中可能遇到的隨機行為，從而對自動駕駛系統(tǒng)的應對能力進行更加嚴苛的測試。步驟s5、結(jié)合靜態(tài)環(huán)境信息與模糊軌跡序列，構(gòu)建自動駕駛高風險模糊測試場景。通過靜態(tài)環(huán)境信息和模糊軌跡序列的結(jié)合，構(gòu)建的場景能夠逼真地還原高風險交通環(huán)境中的復雜互動，尤其是在多車交互和突發(fā)情況中，能夠更好地考驗自動駕駛系統(tǒng)的決策和響應能力。與傳統(tǒng)的場景生成方式相比，這種方法更具靈活性和擴展性，能夠生成更多樣化的高風險場景，進而提高自動駕駛系統(tǒng)的測試覆蓋率和有效性。