详情

原文传递基于自然驾驶数据的纵向避撞测试场景衍生方法研究

论文题名：	基于自然驾驶数据的纵向避撞测试场景衍生方法研究
关键词：	汽车试验;纵向避撞;测试场景;自然驾驶数据
摘要：	基于里程的测试方法以其低下的测试效率已被证明不适用于自动驾驶车辆开发。如何在设计阶段保证自动驾驶系统的安全性，并在测试验证阶段对之进行合理测试评价现已成为亟待解决的问题。基于场景的测试评价方法以其灵活性、可复现性、测试安全性高及测试成本低的特点被广泛应用于智能汽车的测试评价领域，并已逐渐成为自动驾驶测试评价的规范性方法。然而现实交通的随机性、不确定性、自适应性造成了车辆运行场景的无限性，基于专家经验进行分析能够得到有效的测试场景，但难以保证场景的多样性与覆盖率。使用数据挖掘方法从自然驾驶数据中衍生场景则面临着由机器学习算法黑箱模型带来的生成场景合理性与可解释性的挑战。为充分挖掘自动驾驶系统未知的合理运行场景，本文综合了安全分析方法与自然驾驶数据集挖掘学习理论，利用深度学习模型结合专家经验对测试场景空间进行探索，针对自驾系统纵向避撞测试场景进行了以下研究：　　首先，以HWP系统为例进行自动驾驶系统纵向避撞安全分析，得到基于知识的纵向避撞功能场景。进行待分析系统的相关项定义，即定义HWP系统的功能与硬件架构、设计运行条件（ODC），分析得到系统初始架构。而后基于 HAZOP 方法使用引导词对纵向避撞场景涉及的制动功能进行非预期行为识别，将识别得到的非预期行为与运行场景相结合形成整车级的危害事件，根据ISO26262推荐的严重度（S）、暴露率（E）和可控性（C）评价指标及取值进行危害事件的风险评估，得到上述危害事件的汽车安全完整性等级（ASIL），总结风险不可接受的危害事件得到基于知识的 HWP 典型避撞功能场景，为场景衍生学习模型添加道路约束提供依据，并支撑后续对待测系统的测试评价。　　其次，使用Argoverse自然驾驶场景数据库进行避撞场景的推理与衍生，得到了基于数据生成的纵向避撞衍生功能场景。在传统变分自编码器模型中引入门控循环控制单元对场景帧前后状态进行关联，融合生成式网络与循环神经网络的特点，实现了对时序轨迹数据的学习生成。为增加衍生场景的真实性，本文使用自适应实例正则化风格迁移方法将自然驾驶数据对应的道路结构图片作为变分自编码器轨迹生成的约束，构建了融合道路条件的轨迹生成模型。模型使用Argoverse轨迹数据进行训练，而后使用模型生成的轨迹数据集经由编码器降维后进行聚类，得到衍生的自动驾驶纵向避撞测试场景等价类，进行归纳得到语义化的纵向避撞功能场景。　　最后，构建模型在环测试平台，实现待测自驾系统在上述典型纵向避撞场景下的性能测试评价应用。首先综合分析基于知识与基于数据的纵向避撞功能场景，归纳典型测试场景，依据法规进行功能场景的参数化，设计测试用例。使用Prescan构建虚拟测试场景，而后使用Prescan与Simulink构建自动驾驶系统模型在环测试系统，实现待测自动驾驶系统在典型纵向避撞测试场景下的测试评价，验证了本文提出的场景挖掘分析方法得到的测试场景。
作者：	郭屹杰
专业：	车辆工程
导师：	章新杰
授予学位：	硕士
授予学位单位：	吉林大学
学位年度：	2023