[发明专利]基于改进的DQN算法的虚拟自动驾驶测试优化方法

说明书

本发明公开了一种基于改进的DQN算法的虚拟自动驾驶测试优化方法，包括：生成能够激活神经元的测试输入，分析深度神经网络逻辑的不同部分，生成真实驾驶场景的图像数据；对卷积神经网络的激活函数进行改进，构建一种分段的激活函数；采用Gabor滤波器代替卷积神经网络中的可训练的滤波器，将上述生成的真实驾驶场景的图像数据和Gabor滤波器进行卷积，得到多个不同方向的图像特征，将得到的图像特征输入卷积神经网络中，经过计算后，得到一个新的特征图；利用Q‑Learning算法来训练更新卷积神经网络的网络权重，得到训练模型，从而生成各种天气场景下的路况图像数据。本发明的方法在路试的基础上进一步地提高软件测试充分性，达到提高系统可靠性和安全性的目的。

技术领域

本发明涉及一种基于改进的DQN算法的虚拟自动驾驶测试优化方法，属于自动驾驶技术领域。

背景技术

自动驾驶系统是一个复杂的智能化系统，此类系统的测试与传统汽车系统测试不同，其对汽车的车-人，车-路，车-路-人等耦合系统进行检测；检验在交通环境中汽车的感知能力与应对能力，是自动驾驶汽车的测试重点。

由于自动驾驶系统这类复杂软件系统要处理海量输入的时间相关数据，并同时与其它系统进行交互，受到自动驾驶系统自身操控影响，使此类系统的测试与验证面临极大的挑战。在实际路况下的测试是必须要做的基础测试验证工作，但通过其难以做到充分，除路试道路和环境条件受限外，需要耗费大量人力时间成本，而且对于不同路况、天气、相邻静止和运动实体的复杂环境，特别对一些突发状况难以进行人工设置和复制，导致系统测试与验证不可重复，因此虚拟自动驾驶测试也越来越受到人们的关注。目前人们将深度学习系统测试技术引入到了自动驾驶测试技术中，其中代表性的有DeepTest测试工具。但DeepTest测试用例的生成技术大多都是基于基础的图像变换，如线性变换、仿射变换等，不能准确地合成模拟各种天气场景下的路况图像。

有鉴于此，实有必要开发一种能够准确合成模拟各种天气场景下的路况图像的方法。

发明内容

为了克服现有技术中存在的不足，本发明提供一种基于改进的DQN算法的虚拟自动驾驶测试优化方法，通过引入基于分段的激活函数的改进的深度Q网络(DQN)算法，以解决DeepTest生成测试用例时不能准确地合成模拟各种天气场景下的路况图像的问题。本发明的方法在路试的基础上进一步地提高软件测试充分性，从而达到提高系统可靠性和安全性的目的。

为实现上述目的，本发明采用的技术方案如下：

本发明的一种基于改进的DQN算法的虚拟自动驾驶测试优化方法，包括步骤如下：

步骤1：生成能够激活神经元的测试输入，分析深度神经网络(DNN)逻辑的不同部分，生成真实驾驶场景的图像数据；

步骤2：对卷积神经网络(CNN)的激活函数进行改进，构建一种分段的激活函数，采用构建的分段的激活函数来作为卷积神经网络全连接层的激活函数；

步骤3：采用Gabor滤波器代替卷积神经网络中的可训练的滤波器，将上述步骤1中生成的真实驾驶场景的图像数据和Gabor滤波器进行卷积，得到多个不同方向的图像特征，将得到的图像特征输入卷积神经网络中，经过卷积神经网络卷积、抽样计算后，得到一个新的特征图；通过上述步骤2中构建的分段的激活函数对得到的新的特征图进行映射；再利用Q-Learning算法来训练更新卷积神经网络的网络权重，得到训练模型，从而生成各种天气场景下的路况图像数据。

进一步地，所述步骤1具体包括：DeepTest通过在种子图像上应用不同的图像变换(包括线性变换、仿射变换和卷积变换)合成模拟各种场景下的路况图像，从而激活自动驾驶汽车深度神经网络中的不同神经元集。

进一步地，所述步骤2具体包括：基于改进的深度Q网络(DQN)算法对卷积神经网络的激活函数进行改进，构建一种分段的激活函数。