日本无码免费高清在线|成人日本在线观看高清|A级片免费视频操逼欧美|全裸美女搞黄色大片网站|免费成人a片视频|久久无码福利成人激情久久|国产视频一二国产在线v|av女主播在线观看|五月激情影音先锋|亚洲一区天堂av

  • 手機(jī)站
  • 小程序

    汽車測試網(wǎng)

  • 公眾號

    • 汽車測試網(wǎng)

    • 在線課堂

    • 電車測試

使用自動(dòng)編碼器從自然駕駛數(shù)據(jù)中估計(jì)測試場景的獨(dú)特性

2019-03-05 09:54:16·  來源：同濟(jì)智能汽車研究所  作者：李老師  
　
編者按：利用自然駕駛數(shù)據(jù)搭建高級駕駛輔助系統(tǒng)仿真測試環(huán)境一直是研究重點(diǎn)，然而自然駕駛數(shù)據(jù)中包含許多類似的場景，本文使用自動(dòng)編碼器從自然駕駛數(shù)據(jù)中提取出
編者按：利用自然駕駛數(shù)據(jù)搭建高級駕駛輔助系統(tǒng)仿真測試環(huán)境一直是研究重點(diǎn)，然而自然駕駛數(shù)據(jù)中包含許多類似的場景，本文使用自動(dòng)編碼器從自然駕駛數(shù)據(jù)中提取出獨(dú)特性高的場景(novel scenarios)，從實(shí)驗(yàn)結(jié)果可知，該方法能夠大幅減少測試集的冗余，從而節(jié)省大量仿真時(shí)間，對高級駕駛輔助系統(tǒng)測試的相關(guān)研究具有參考價(jià)值。
 
本文譯自《2018 IEEE Intelligent Vehicles Symposium》，作者為Jacob Langner, Johannes Bach, Lennart Ries, Stefan Otten, Marc Holzäpfel, Eric Sax。
 
摘要：高級駕駛輔助系統(tǒng)（ADAS）利用傳感器和高精度地圖等信息源提供的多種輸入信號，來完成軌跡規(guī)劃和車輛動(dòng)力學(xué)控制等任務(wù)。為了對待測系統(tǒng)進(jìn)行充分驗(yàn)證，所有在現(xiàn)實(shí)中可能出現(xiàn)的場景都應(yīng)該被測試。用于仿真的測試場景可以從自然駕駛數(shù)據(jù)中提取出來，然而自然駕駛數(shù)據(jù)中包含許多類似的場景，這些場景并未包含新的測試內(nèi)容，卻大大增加了測試工作量。本文中提出了一種測試場景自動(dòng)選擇算法，首先隨機(jī)選擇初始測試集，之后利用自動(dòng)編碼器來識別數(shù)據(jù)池內(nèi)的獨(dú)特性高的場景，之后這些場景被迭代地添加到初始測試集中, 最終得到規(guī)模小的關(guān)鍵測試集。最后在數(shù)千公里的駕駛數(shù)據(jù)集上對該方法進(jìn)行了驗(yàn)證，結(jié)果證明該方法能夠節(jié)省大量仿真時(shí)間。
 
1、引言
 
通過融合攝像頭、雷達(dá)、高精度地圖和V2X通信等多種渠道提供的信息，自動(dòng)駕駛車輛能夠?qū)崿F(xiàn)對周圍環(huán)境更深層次的理解，從而更好地與環(huán)境進(jìn)行交互，但這同時(shí)也需要更復(fù)雜的功能和算法。對于越復(fù)雜的系統(tǒng)，其驗(yàn)證和確認(rèn)（Verification and Validation， V&V）工作也越困難，需要耗費(fèi)大量的資源和時(shí)間。為了減少這些成本，現(xiàn)有研究和應(yīng)用中通常對系統(tǒng)進(jìn)行解構(gòu)，從不同的層級分別進(jìn)行測試驗(yàn)證。其中，單元級和組件級的測試復(fù)雜性是可控的，但系統(tǒng)級別的V&V仍然是一個(gè)挑戰(zhàn)。
 
系統(tǒng)級V&V常用的方法是在現(xiàn)實(shí)世界中進(jìn)行測試，這種方法具有很高的真實(shí)性和有效性。然而在現(xiàn)實(shí)世界中進(jìn)行測試十分昂貴，需要耗費(fèi)大量資源，且測試環(huán)境和測試條件并不完全可控，測試可重復(fù)性低。為了克服以上局限，通常采用與基于仿真的測試相結(jié)合的方法。仿真測試成本更低，且實(shí)時(shí)性要求較低，測試條件更加可控。但是仿真測試必須在仿真環(huán)境中建立詳細(xì)的模型，包括環(huán)境模型、車輛模型，駕駛員模型等，模型的精度和準(zhǔn)確性將直接影響測試結(jié)果。
 
此外，為了使測試覆蓋率滿足要求，需要在大量不同的場景中進(jìn)行測試。在仿真環(huán)境中手動(dòng)搭建大量測試場景通常是不可行的，必須考慮派生測試場景。其中一種方法是借助統(tǒng)計(jì)模型生成測試場景，利用基于頻率分布的知識生成真實(shí)的測試集；另一種方法是基于真實(shí)世界采集的駕駛數(shù)據(jù)，通過場景復(fù)現(xiàn)進(jìn)行仿真測試。以上兩種方法都存在測試數(shù)據(jù)冗余的問題，即存在相同或相似的場景，這大大增加了仿真時(shí)間。然而，識別整體數(shù)據(jù)池中的冗余測試數(shù)據(jù)非常困難，需要明確測試數(shù)據(jù)與待測系統(tǒng)的相關(guān)性，并且分析能提供新的測試內(nèi)容的數(shù)據(jù)。基于以上問題，本文提出了一種利用自動(dòng)編碼器從自然駕駛數(shù)據(jù)池中自動(dòng)篩選得到新的場景的方法，以最大限度地減少測試集中的冗余數(shù)據(jù)。
 
本文第2部分介紹了該方法的基本概念，第3部分為該方法的具體應(yīng)用過程，第4部分對該方法進(jìn)行了評估，第5部分為結(jié)論和展望。

2、基本概念
 
自動(dòng)編碼器是一種盡可能復(fù)現(xiàn)輸入信號的神經(jīng)網(wǎng)絡(luò)算法，其隱含層可以視為是一個(gè)編碼器和解碼器，輸入信號經(jīng)過隱含層的編碼和解碼，使得輸出層的輸出結(jié)果與輸入信號近似一致。在此過程中要求限制自動(dòng)編碼器隱含層中每層神經(jīng)元的數(shù)量，使得自動(dòng)編碼器能夠提取出輸入信號的主要特征。自動(dòng)編碼器通常用于信息壓縮，減少數(shù)據(jù)維度以及異常檢測。
 
基于自然駕駛數(shù)據(jù)的仿真環(huán)境測試中，開發(fā)軟件的每次迭代都在自然駕駛數(shù)據(jù)的幫助下進(jìn)行測試和調(diào)試。完整的駕駛數(shù)據(jù)池提供了各種不同的駕駛場景，在本文中，場景用被測車輛與車輛所處環(huán)境的交互數(shù)據(jù)表示，并將其作為自動(dòng)編碼器的輸入。仿真過程中，使用所有可用的自然駕駛數(shù)據(jù)可獲得最佳的測試覆蓋率，但為了縮短迭代時(shí)間，必須減小駕駛數(shù)據(jù)池，以獲得一個(gè)規(guī)模較小的關(guān)鍵測試集，以提供最大可能的測試覆蓋率，同時(shí)盡可能減少測試工作量。
 
一次性將一段完整的駕駛數(shù)據(jù)記錄輸入到自動(dòng)編碼器，要求有大量的輸入神經(jīng)元或非常少的采樣點(diǎn)，因此需要將完整的駕駛數(shù)據(jù)記錄分割成為若干段序列。每段序列的長度不會(huì)影響自動(dòng)編碼器復(fù)現(xiàn)給定輸入信號的能力，所以序列長度是一個(gè)可設(shè)計(jì)的參數(shù)，但采樣點(diǎn)數(shù)量和序列長度必須能表示相關(guān)的道路特征，如道路曲率和坡度等。每個(gè)選定輸入信號的序列包含相同數(shù)量的采樣點(diǎn)，將采樣點(diǎn)存入向量中，并輸入自動(dòng)編碼器，之后自動(dòng)編碼器對輸入向量進(jìn)行壓縮和復(fù)現(xiàn)，最后通過對比輸出向量與輸入向量，得到復(fù)現(xiàn)誤差。本文使用均方根誤差（RMSE）來計(jì)算復(fù)現(xiàn)誤差 ，RMSE越高，自動(dòng)編碼器對該輸入向量的復(fù)現(xiàn)效果越差，該序列越獨(dú)特。計(jì)算該段駕駛數(shù)據(jù)記錄中所有序列的均方根誤差的均值（平均復(fù)現(xiàn)誤差），即為該駕駛數(shù)據(jù)記錄的獨(dú)特性得分。
                     
圖1描述了利用自動(dòng)編碼器選擇測試集的步驟。第一步，使用訓(xùn)練數(shù)據(jù)A（初始測試集）訓(xùn)練自動(dòng)編碼器，當(dāng)自動(dòng)編碼器能夠足夠好地復(fù)現(xiàn)訓(xùn)練數(shù)據(jù)時(shí)，訓(xùn)練結(jié)束。第二步，將訓(xùn)練好的自動(dòng)編碼器應(yīng)用于駕駛數(shù)據(jù)池B中剩余的駕駛數(shù)據(jù)記錄。對于B中每段駕駛數(shù)據(jù)記錄，平均復(fù)現(xiàn)誤差越大表明復(fù)現(xiàn)效果越差——也即該段駕駛數(shù)據(jù)記錄獨(dú)特性更高。第三步，將復(fù)現(xiàn)誤差最大的駕駛數(shù)據(jù)記錄添加到初始測試集中，之后使用新的測試集重新訓(xùn)練自動(dòng)編碼器。如此迭代，直到測試集大小或數(shù)據(jù)池中剩余駕駛數(shù)據(jù)記錄的復(fù)現(xiàn)質(zhì)量達(dá)到要求。
圖1 利用自動(dòng)編碼器選擇測試集
 
由于獨(dú)特性評估很大程度上取決于初始測試集，因此將整個(gè)過程循環(huán)執(zhí)行多次，每次隨機(jī)選擇不同的初始測試集。計(jì)算每次將駕駛數(shù)據(jù)記錄添加到測試集時(shí)的獨(dú)特性得分，在處理完所有循環(huán)后，計(jì)算每段駕駛數(shù)據(jù)記錄的平均分?jǐn)?shù)。分?jǐn)?shù)越高，表明駕駛數(shù)據(jù)記錄越獨(dú)特。
由于駕駛數(shù)據(jù)記錄具有不同的長度，而每段駕駛數(shù)據(jù)記錄的獨(dú)特性是根據(jù)該駕駛數(shù)據(jù)記錄中所有序列的復(fù)現(xiàn)誤差取平均值獲得的，因此一個(gè)記錄中少數(shù)獨(dú)特性高的序列會(huì)被許多獨(dú)特性低的序列模糊化、平均化，導(dǎo)致該駕駛數(shù)據(jù)記錄整體獨(dú)特性分?jǐn)?shù)偏低。
 
對此首先用最大復(fù)現(xiàn)誤差代替平均復(fù)現(xiàn)誤差，即以所有序列復(fù)現(xiàn)誤差的最大值作為該駕駛數(shù)據(jù)記錄的獨(dú)特性分?jǐn)?shù)；為了進(jìn)一步優(yōu)化，放棄完整駕駛數(shù)據(jù)記錄的概念，將針對駕駛數(shù)據(jù)記錄的獨(dú)特性評價(jià)調(diào)整為對序列的獨(dú)特性評價(jià)。此外引入軌跡的概念，一條軌跡由至少一段連續(xù)序列組成，每段序列是駕駛數(shù)據(jù)記錄中300米行駛距離的一段數(shù)據(jù)，且與前后序列相互獨(dú)立，最后將獨(dú)特性高的單個(gè)序列進(jìn)行組合，生成更長的測試軌跡。這樣獨(dú)特性得分與駕駛數(shù)據(jù)記錄的長度無關(guān)，并且正如以下的評價(jià)步驟所示，測試集中的冗余進(jìn)一步減少。

3、具體應(yīng)用過程
 
該方法被應(yīng)用于預(yù)測巡航控制系統(tǒng)（Predictive Cruise Control，PCC）。該系統(tǒng)的功能是預(yù)測最佳行駛軌跡并控制當(dāng)前場景下的車速。與該系統(tǒng)相關(guān)的信號包括前方車輛和道路拓?fù)浣Y(jié)構(gòu)（如道路曲率以及道路限速）。對于前方車輛相關(guān)數(shù)據(jù)，可將其簡化為一個(gè)二維信號，表征前方是否存在車輛；對于道路特征相關(guān)數(shù)據(jù)，則選擇道路曲率、道路坡度、車速限制以及道路類型等信號來表征。由于必須使用與被測系統(tǒng)相關(guān)的信號創(chuàng)建測試集，因此需要將這些信號相關(guān)數(shù)據(jù)作為自動(dòng)編碼器的輸入。
 
第一步，將整個(gè)數(shù)據(jù)池中選定信號的相關(guān)數(shù)據(jù)訓(xùn)練自動(dòng)編碼器，用以確定該方法的有效性并優(yōu)化參數(shù)設(shè)置。參數(shù)包括神經(jīng)網(wǎng)絡(luò)參數(shù)（激活函數(shù)類型、隱藏層數(shù)量、內(nèi)部神經(jīng)元數(shù)量、學(xué)習(xí)速率等）和數(shù)據(jù)參數(shù)（采樣點(diǎn)數(shù)量、采樣點(diǎn)距離等）。最終選擇的神經(jīng)網(wǎng)絡(luò)參數(shù)為：Sigmoid激活函數(shù)、三層隱藏層、內(nèi)部75個(gè)神經(jīng)元的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，學(xué)習(xí)速率設(shè)置為η=0.001。對于數(shù)據(jù)參數(shù)，需要特別注意的是序列的長度。序列長度太短，則無法反映道路特征；序列過長，則樣本中的特征區(qū)域可能會(huì)被相關(guān)區(qū)域前面和后面的正常區(qū)域模糊。分割序列時(shí)還必須考慮采樣點(diǎn)的數(shù)量，因?yàn)榇嬖趯Φ缆诽卣髑凡蓸拥娘L(fēng)險(xiǎn)，如急轉(zhuǎn)彎等。序列長度300米，每隔2米采樣一次被證明能較好地反映相關(guān)道路特征。
 
第二步，將完整數(shù)據(jù)池的一小部分用于訓(xùn)練階段，當(dāng)訓(xùn)練數(shù)據(jù)的復(fù)現(xiàn)誤差足夠小即停止訓(xùn)練。之后將訓(xùn)練好的自動(dòng)編碼器應(yīng)用于其余駕駛數(shù)據(jù)記錄，并計(jì)算每段駕駛數(shù)據(jù)記錄的平均復(fù)現(xiàn)誤差和最大復(fù)現(xiàn)誤差，由于最大復(fù)現(xiàn)誤差對于駕駛數(shù)據(jù)記錄的獨(dú)特性更有意義，并且也與駕駛數(shù)據(jù)記錄的長度無關(guān)，因此將具有最大復(fù)現(xiàn)誤差的固定數(shù)量的駕駛數(shù)據(jù)記錄移動(dòng)到訓(xùn)練集中。在這之后重新訓(xùn)練網(wǎng)絡(luò)，并開始下一次迭代，直到滿足退出條件，則算法停止并返回最終的測試集。
 
4、結(jié)果和評估
 
圖2展示了基于完整駕駛數(shù)據(jù)記錄的方法，使用最大復(fù)現(xiàn)誤差選擇出的獨(dú)特性最高的四個(gè)駕駛數(shù)據(jù)記錄，其中黃色和紅色表示具有高獨(dú)特性的序列，每個(gè)駕駛數(shù)據(jù)記錄至少有一個(gè)紅色的高獨(dú)特性序列。對于某些序列，可以通過查看地圖來理解序列具有高獨(dú)特性的原因（例如在急轉(zhuǎn)彎或特殊曲線處）。然而，某些序列是直道，查看其他輸入信號有助于說明它們有高獨(dú)特性的原因，例如圖2（b）中的Duhamel道路已不在城內(nèi)，但仍限速50km/h，自動(dòng)編碼器很難復(fù)現(xiàn)這種不常見的參數(shù)組合。
圖2 獨(dú)特性分?jǐn)?shù)最高的四個(gè)駕駛數(shù)據(jù)記錄
 
如上所述，在評估駕駛數(shù)據(jù)記錄的獨(dú)特性方面，最大復(fù)現(xiàn)誤差比平均復(fù)現(xiàn)誤差更合適。當(dāng)使用平均復(fù)現(xiàn)誤差時(shí)，較長駕駛數(shù)據(jù)記錄中的獨(dú)特序列的特性會(huì)變得模糊。然而，最大復(fù)現(xiàn)誤差僅能表示駕駛數(shù)據(jù)記錄中至少包含一段獨(dú)特序列，并不能反映每段駕駛數(shù)據(jù)記錄中有多少獨(dú)特序列。本文分析了具有較大的最大復(fù)現(xiàn)誤差的駕駛數(shù)據(jù)記錄，在每個(gè)駕駛數(shù)據(jù)記錄中都能找到高獨(dú)特性的序列。但是，使用該方法在最后得到的測試集中，每個(gè)駕駛數(shù)據(jù)記錄仍有很多相似的序列。因此，后續(xù)步驟是是將整個(gè)數(shù)據(jù)池切割成等長的測試序列并獨(dú)立地評估它們的獨(dú)特性。
 
首先，將數(shù)據(jù)中的每段駕駛數(shù)據(jù)記錄分割成若干個(gè)序列，然后隨機(jī)選擇這些序列進(jìn)行初始訓(xùn)練，然后使用獨(dú)立序列而非完整的駕駛數(shù)據(jù)記錄來訓(xùn)練自動(dòng)編碼器。 
 
圖3顯示了某段駕駛數(shù)據(jù)記錄中的每個(gè)序列的最終獨(dú)特性得分。駕駛數(shù)據(jù)記錄中最長的部分是冗余的，這些數(shù)據(jù)在歷次迭代過程中都未被選中，因此獨(dú)特性得分為零，但是也有一些獨(dú)特性較高的序列。與基于完整駕駛數(shù)據(jù)記錄的方法不同，使用基于序列的方法只選擇這幾段獨(dú)特性高的序列，所有冗余數(shù)據(jù)都不會(huì)添加到測試集中。最后將連續(xù)選擇的序列自動(dòng)組合為軌跡。特殊曲線得到高獨(dú)特性得分似乎是合理的。
 
這里存在機(jī)器學(xué)習(xí)方面的問題，即作者無法證明計(jì)算出的獨(dú)特性分?jǐn)?shù)是合理的，也無法證明測試數(shù)據(jù)中其他類似的序列以及每個(gè)獨(dú)特性高的序列都被自動(dòng)編碼器檢測到。然而作者分析了所有示例序列的獨(dú)特性分?jǐn)?shù)，結(jié)果表明無論該分?jǐn)?shù)是合理的。因此，這種全自動(dòng)方法可能不會(huì)生成完美的測試集，但能極大減少冗余并從測試數(shù)據(jù)中選擇出獨(dú)特性高的序列。
圖3 每段序列的獨(dú)特性得分
結(jié)果表明，基于完整駕駛數(shù)據(jù)記錄以及基于序列的獨(dú)特性評價(jià)方法都可以大大減少測試集中的冗余。選擇完整駕駛數(shù)據(jù)記錄時(shí)，最終測試集中要模擬的距離減少到69％。基于序列的方法時(shí)，減少到19％。 

5、結(jié)論和展望
 
本文提出了一種利用自動(dòng)編碼器減少測試集冗余的自動(dòng)化方法，從實(shí)驗(yàn)結(jié)果可知，輸出結(jié)果的復(fù)現(xiàn)誤差可以被解釋為序列的獨(dú)特性表征，即表示自動(dòng)編碼器對該序列的了解程度。目前這種方法還不能得到理論性證明，但是本文的示例表明了這種方法的有效性。另外，本文比較了基于完整駕駛數(shù)據(jù)記錄和基于序列兩種評價(jià)方法的應(yīng)用效果。未來工作中，將嘗試對序列的獨(dú)特性分?jǐn)?shù)進(jìn)行解釋，此外也會(huì)將其他信號添加到自動(dòng)編碼器輸入中，以進(jìn)一步提高獨(dú)特性等級。 
 
聯(lián)系人：李老師 郵箱：11666104@#edu.cn  
分享到：
 
反對 0 舉報(bào) 0 收藏 0 評論 0
滬ICP備11026917號-25