自动驾驶汽车测试场景生成与对抗性测试方法研究

作     者：宋旭 

作者单位：吉林大学 

学位级别：硕士

导师姓名：陈虹

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 082304[工学-载运工具运用工程] 081104[工学-模式识别与智能系统] 080204[工学-车辆工程] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0823[工学-交通运输工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：自动驾驶汽车 蒙特卡罗测试 对抗性测试 测试场景 

摘      要：随着汽车行业的飞速蓬勃发展,汽车智能化已成为全球相对流行的趋势。在智能汽车上路之前,必须经过周全的测试和验证。传统的测试方法主要依赖于大量的实际道路测试场景,以发现可能导致自动驾驶功能异常的问题和各种安全隐患。在考虑测试内容、测试效率以及测试成本等方面,道路测试存在一系列挑战,包括测试时间长、成本昂贵、测试场景单一以及无法确保安全等问题。这些问题成为了限制自动驾驶系统迅速发展和更新迭代的关键因素。在这种大背景下,自动驾驶汽车的模拟与测试备受当今社会的重视。然而,当前的模拟测试技术尚不够完善,存在着评估效率低、边缘场景和危险情境在数据集中数量稀少等问题。围绕上述问题,本文以自动驾驶汽车测试场景为研究对象,在总结现有的自动驾驶汽车虚拟仿真测试方法的基础上,针对仿真测试中自动驾驶汽车测试场景的生成和评估问题展开研究。具体研究内容如下: (1)针对自动驾驶测试场景要素描述困难问题,将测试场景要素描述为测试场景本身要素和外部交通环境要素。基于密歇根大学SPMD数据集,选取自然驾驶数据中的重要数据项以及换道场景下的数据变化特征。在此基础上,针对换道场景自然驾驶数据特征提取困难问题,结合车辆两侧车轮位置变化信息以及两侧车轮移动到目标车道的准确时间信息,提出了一种基于车轮变化信息的换道场景提取算法,提高了换道场景提取效率。 (2)针对蒙特卡罗方法生成的测试场景安全性较高导致测试效率低等问题,提出了基于重要性采样的危险换道测试场景生成方法。首先,基于风险评估的概念,设计了换道场景危险程度和场景暴露频率相结合的重要度函数,给出了场景的风险关键值;然后,基于提取出的原始场景,生成了对本车驾驶行为影响更大的危险本车换道场景;最后,搭建了基于Pre Scan和Matlab/Simulink的联合仿真平台,在被测车辆上集成ACC和AEB算法,验证了算法的有效性。 (3)针对提取出的危险换道测试场景数量稀少,覆盖率低的问题,提出了基于深度强化学习的危险换道对抗性测试评估方法。首先,设计了非零和的奖励函数,避免在对抗过程中生成不合理的场景;然后,针对在训练模型的过程中非常耗时的问题,采用基于集成模型的训练策略,极大的提高了训练效率;最后,通过DP-means聚类方法对不同的对抗策略进行聚类,测试结果表明,通过学习方式生成的对抗场景能够更加有效的实现车辆性能的测试。