自動(dòng)駕駛技術(shù)的發(fā)展，將大大提高道路交通的安全性和效率。L3智能互聯(lián)汽車逐漸走上了矢量生產(chǎn)階段，而測(cè)試驗(yàn)證是衡量其功能的一個(gè)重要部分。目前，對(duì)于L3智能汽車的測(cè)試方法尚未有完整的指導(dǎo)方法。本文以中國汽車技術(shù)研究中心的自然駕駛場景數(shù)據(jù)庫為基礎(chǔ)，提出了一種用于L3智能汽車功能測(cè)試的場景設(shè)計(jì)方法和評(píng)價(jià)方法，為L3智能汽車的測(cè)試提供指導(dǎo)。

一、自然駕駛場景數(shù)據(jù)庫

自然駕駛場景數(shù)據(jù)庫是一個(gè)收集了真實(shí)道路交通數(shù)據(jù)和場景數(shù)據(jù)的大型數(shù)據(jù)庫，由中國汽車技術(shù)研究中心建立。該數(shù)據(jù)庫收集了來自全國不同城市的100個(gè)測(cè)試車輛的路況數(shù)據(jù)，包括車輛行駛軌跡、攝像頭圖像、激光雷達(dá)數(shù)據(jù)等。該數(shù)據(jù)庫中的數(shù)據(jù)量非常大，具有很高的真實(shí)性和代表性。

二、基于LGBM決策樹模型的場景特征提取方法

為了從自然駕駛場景數(shù)據(jù)庫中提取出代表性的高復(fù)雜度場景，本文采用了LGBM決策樹模型提取場景的典型特征。LGBM是一個(gè)輕量級(jí)的梯度提升框架，其具有高效、靈活、可擴(kuò)展等優(yōu)點(diǎn)，因此在大規(guī)模數(shù)據(jù)集中廣泛應(yīng)用。通過對(duì)自然駕駛場景數(shù)據(jù)庫的分析，本文提取了包括交叉口、路口、高速公路、隧道、坡道等場景類型的特征，并將其輸入到LGBM模型中。通過模型的訓(xùn)練和優(yōu)化，可以得到每個(gè)場景的典型特征。

三、場景設(shè)計(jì)方法

在提取了場景的典型特征后，本文提出了一種基于CIDAS事故場景和參數(shù)重組場景的場景設(shè)計(jì)方法。CIDAS是一種汽車碰撞事故數(shù)據(jù)集，其中包含了各種類型的碰撞事故數(shù)據(jù)，例如正面碰撞、側(cè)面碰撞、追尾碰撞等。參數(shù)重組場景是一種通過對(duì)道路交通參數(shù)進(jìn)行隨機(jī)組合得到的場景，其可以有效地提高測(cè)試覆蓋率。

基于上述方法，本文提出了如下的場景設(shè)計(jì)方法：

根據(jù)自然駕駛場景數(shù)據(jù)庫中的數(shù)據(jù)，提取出各個(gè)場景的典型特征，并確定場景類型和相應(yīng)的參數(shù)。

選取CIDAS事故場景和參數(shù)重組場景，進(jìn)行組合。其中CIDAS事故場景的選取應(yīng)該盡可能地覆蓋各種類型的碰撞事故，而參數(shù)重組場景的選取應(yīng)該盡可能地提高測(cè)試覆蓋率。

進(jìn)行場景設(shè)計(jì)，將選取的場景進(jìn)行組合，并確定每個(gè)場景的具體參數(shù)。

將場景輸入到L3智能汽車的測(cè)試平臺(tái)中，進(jìn)行測(cè)試驗(yàn)證。

通過上述方法，可以有效地提高測(cè)試覆蓋率，并對(duì)L3智能汽車的功能進(jìn)行全面的測(cè)試驗(yàn)證。

四、場景評(píng)價(jià)方法

為了對(duì)L3智能汽車的測(cè)試結(jié)果進(jìn)行評(píng)價(jià)，本文提出了一種基于場景相似性的評(píng)價(jià)方法。該方法的基本思路是將測(cè)試結(jié)果與自然駕駛場景數(shù)據(jù)庫中的場景進(jìn)行比較，計(jì)算它們之間的相似性，從而評(píng)價(jià)L3智能汽車的測(cè)試結(jié)果。

具體實(shí)現(xiàn)步驟如下：

將L3智能汽車的測(cè)試結(jié)果與自然駕駛場景數(shù)據(jù)庫中的場景進(jìn)行比較，計(jì)算它們之間的相似性。相似性可以通過計(jì)算場景特征的歐氏距離來實(shí)現(xiàn)。

將相似性分為高、中、低三個(gè)等級(jí)。如果相似性高于某個(gè)閾值，則評(píng)價(jià)結(jié)果為“通過”；如果相似性低于某個(gè)閾值，則評(píng)價(jià)結(jié)果為“未通過”；如果相似性在中間，則評(píng)價(jià)結(jié)果為“待定”。

如果評(píng)價(jià)結(jié)果為“未通過”，則需要進(jìn)行進(jìn)一步的測(cè)試和調(diào)試；如果評(píng)價(jià)結(jié)果為“通過”或“待定”，則可以進(jìn)行下一步的測(cè)試。

通過上述評(píng)價(jià)方法，可以對(duì)L3智能汽車的測(cè)試結(jié)果進(jìn)行準(zhǔn)確的評(píng)價(jià)，并指導(dǎo)測(cè)試的后續(xù)工作。

五、實(shí)驗(yàn)驗(yàn)證

為了驗(yàn)證本文提出的方法的有效性，我們?cè)谥悄芑ヂ?lián)汽車VIL測(cè)試平臺(tái)上進(jìn)行了實(shí)驗(yàn)驗(yàn)證。該平臺(tái)可以模擬各種復(fù)雜場景，包括交叉口、路口、高速公路、隧道、坡道等。我們將本文提出的場景設(shè)計(jì)方法和評(píng)價(jià)方法應(yīng)用到了該平臺(tái)中，并進(jìn)行了測(cè)試驗(yàn)證。

實(shí)驗(yàn)結(jié)果表明，本文提出的方法可以對(duì)L3智能汽車的功能進(jìn)行全面的測(cè)試驗(yàn)證，并與實(shí)際車輛測(cè)試結(jié)果具有良好的一致性。同時(shí)，我們還發(fā)現(xiàn)，本文提出的場景設(shè)計(jì)方法可以有效地提高測(cè)試覆蓋率，并對(duì)L3智能汽車的功能進(jìn)行全面的測(cè)試驗(yàn)證。

結(jié)論

本文提出了一種基于自然駕駛場景數(shù)據(jù)庫的L3智能汽車測(cè)試方法，包括場景設(shè)計(jì)方法和評(píng)價(jià)方法。通過該方法，可以從自然駕駛場景數(shù)據(jù)庫中提取出代表性的高復(fù)雜度場景，并對(duì)L3智能汽車的功能進(jìn)行全面的測(cè)試驗(yàn)證。同時(shí)，本文提出的場景設(shè)計(jì)方法可以有效地提高測(cè)試覆蓋率，并對(duì)L3智能汽車的功能進(jìn)行全面的測(cè)試驗(yàn)證。

在未來的研究中，我們將進(jìn)一步完善本文提出的方法，并在更多的測(cè)試平臺(tái)上進(jìn)行實(shí)驗(yàn)驗(yàn)證。我們還將探索更多的場景設(shè)計(jì)方法和評(píng)價(jià)方法，以提高L3智能汽車的測(cè)試效率和準(zhǔn)確性，為其商業(yè)化應(yīng)用提供技術(shù)支持。