[发明专利]基于自适应筛选的车辆危险测试场景识别方法

说明书

本发明公开了一种基于自适应筛选的车辆危险测试场景识别方法，涉及车辆安全技术领域。该方法通过同时使用两种不同的分类器模型进行训练，并基于原有训练场景集的训练过程基础，引入额外的训练场景参数分别进行两个分类器模型的预测，再根据二者预测结果相异的训练场景参数，不断更新分类器模型各自对应的训练场景集进行自适应筛选训练，实现两个分类器模型逐渐自适应地优化，达到提高车辆危险测试场景识别模型识别精度的技术效果。

技术领域

本发明涉及自动驾驶技术领域，特别涉及一种基于自适应筛选的车辆危险测试场景识别方法。

背景技术

随着科技的进步，车辆自动驾驶技术正在快速发展，随之也带来大量自动驾驶技术的安全性问题。基于被测车辆在有限个场景中的表现理论上可评价该车在整个运行空间（Operational Design Domain）中的安全性。由于在真实驾驶环境中，理论上存在无数个场景，故找到被测车辆性能边界，即安全运行区域与非安全运行区域之间的分界线具有重要意义。

考虑在真实世界中执行场景经济费用高，测试效率低，使用仿真手段进行大部分场景执行工作已经成为了行业内的共识。此外，由于被测系统在进行测试过程中不一定可获得，例如，在开发初期，被测系统并不存在，因此需要使用替代模型（Surrogate Model，SM），比如，论文《Risk Assessment of Highly Automated Vehicles with NaturalisticDriving Data: A Surrogate-based Optimization Method》公开了大量SM的获取方法，包括高斯过程回归模型和支持向量机回归方法。

现有技术通常使用单种分类模型测试结果，并结合优化算法找到边界性能表现边界得到自动驾驶边缘测试场景的生成模型，然而，单一分类模型在不确定性的控制方法上往往存在较大局限性，导致其生成模型对测试场景类型的识别精度往往较低。

发明内容

针对现有技术存在的上述问题，本发明提供了一种基于自适应筛选的车辆危险测试场景识别方法，通过同时使用支持向量基分类器（SVMC）和高斯过程分类器（GPC）进行训练，并基于原有训练场景集的训练过程基础，引入额外的训练场景参数分别进行两个分类器模型的预测，再根据二者预测结果相异的训练场景参数，不断更新分类器模型各自对应的训练场景集进行自适应筛选训练，实现两个分类器模型逐渐自适应地优化，达到提高车辆危险测试场景识别模型识别精度的技术效果。本发明使用机器学习分类算法自适应筛选进行，可解决单一分类算法精度低，样本筛选难的技术问题。

根据本发明实施例的一个方面，提供一种基于自适应筛选的车辆危险测试场景识别方法，其特征在于，所述方法包括：

S1：获取预设数量组训练场景参数作为初始场景集，对于所述初始场景集中的每组训练场景参数，根据所述训练场景参数及预设危险度阈值计算得到对应的真实场景类型标签，并根据各组训练场景参数及对应的真实场景类型标签生成初始训练场景集；

S2：将所述初始训练场景集分别作为第一训练场景集和第二训练场景集，采用所述第一训练场景集对第一分类器模型进行训练，采用所述第二训练场景集对第二分类器模型进行训练；

S3：再次获取预设数量组训练场景参数作为训练场景集，分别采用训练后的所述第一分类器模型和训练后的所述第二分类器模型计算所述训练场景集中预设数量组训练场景参数对应的场景类型标签，并将两种分类器模型计算结果不匹配的训练场景参数确定为差异场景集；

S4：根据所述差异场景集分别更新所述第一训练场景集和所述第二训练场景集，并执行S2中所述采用所述第一训练场景集对第一分类器模型进行训练，采用所述第二训练场景集对第二分类器模型进行训练的步骤；

S5：在S2中所述第一分类器模型与所述第二分类器模型的训练过程中，分别实时计算所述第一分类器模型与所述第二分类器模型对训练场景参数所对应场景类型标签的错检率，若检测到存在错检率低于预设阈值的分类器模型，则将所述分类器模型确定为车辆危险测试场景识别模型。