張培興，邱 彬，朱 冰，趙 健，孫宇航，范天昕

（1. 吉林大學(xué)，汽車仿真與控制國(guó)家重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)春 130022；2. 清華大學(xué)，汽車安全與節(jié)能國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100084；3. 工業(yè)和信息化部裝備工業(yè)發(fā)展中心，北京 100846）

前言

隨著自動(dòng)駕駛技術(shù)的不斷成熟，實(shí)現(xiàn)自動(dòng)駕駛汽車量產(chǎn)上路已具備了一定的技術(shù)可行性，然而如何驗(yàn)證自動(dòng)駕駛系統(tǒng)的安全性尚未形成統(tǒng)一的共識(shí)，這已成為制約自動(dòng)駕駛汽車量產(chǎn)的重要障礙。

基于場(chǎng)景的測(cè)試方法是解決自動(dòng)駕駛系統(tǒng)安全性驗(yàn)證難題的重要手段，根據(jù)自動(dòng)駕駛汽車的開發(fā)過程將測(cè)試場(chǎng)景分為功能場(chǎng)景、邏輯場(chǎng)景和具體場(chǎng)景3 個(gè)層次。具體場(chǎng)景作為測(cè)試過程中直接使用的場(chǎng)景結(jié)構(gòu)，其生成方法已成為當(dāng)前的研究熱點(diǎn)。在研究初期，從邏輯場(chǎng)景抽樣具體場(chǎng)景的過程多采用遍歷獲取所有組合或蒙特卡洛隨機(jī)生成的方式。由于邏輯場(chǎng)景中覆蓋大量的安全具體場(chǎng)景，這類場(chǎng)景對(duì)于測(cè)試過程而言價(jià)值較小，降低了整體的測(cè)試效率。為解決這一問題，基于危險(xiǎn)場(chǎng)景強(qiáng)化生成的加速測(cè)試方法得到越來越多的關(guān)注。這類方法主要分為基于概率的方法與基于優(yōu)化的方法兩類?；诟怕实姆椒ㄗ钕扔蒢hao 等提出，其使用重要性采樣的方式建立似然函數(shù)，提升危險(xiǎn)場(chǎng)景發(fā)生概率從而提高測(cè)試效率；Feng等和Gao等也提出了類似的基于概率的危險(xiǎn)場(chǎng)景生成方式?；趦?yōu)化的方法將危險(xiǎn)場(chǎng)景看作參數(shù)空間中的最優(yōu)解，尋找危險(xiǎn)具體場(chǎng)景的過程可視為參數(shù)優(yōu)化的過程，Zhu等建立了多種優(yōu)化搜索框架。

然而，上述兩類加速方法大多基于串行處理結(jié)構(gòu)，即下一試驗(yàn)點(diǎn)的生成必須依賴上一試驗(yàn)結(jié)果，這使其無(wú)法充分利用并行計(jì)算的優(yōu)勢(shì)。隨著自動(dòng)駕駛系統(tǒng)復(fù)雜程度的增加和應(yīng)用范圍的擴(kuò)大，其須測(cè)試的場(chǎng)景數(shù)量呈指數(shù)爆炸的形式，并行的測(cè)試手段將成為未來自動(dòng)駕駛測(cè)試的趨勢(shì)。一些學(xué)者已開始將并行測(cè)試手段引入自動(dòng)駕駛系統(tǒng)測(cè)試過程，Andreas 等將快速搜索隨機(jī)樹引入并行測(cè)試中，百度也正在建立自動(dòng)駕駛并行測(cè)試實(shí)驗(yàn)室，但現(xiàn)有研究大多未考慮危險(xiǎn)場(chǎng)景的強(qiáng)化生成，尚未實(shí)現(xiàn)并行測(cè)試與加速測(cè)試的有效融合。

為解決上述方法的不足，本文中將并行測(cè)試方法與基于優(yōu)化的危險(xiǎn)場(chǎng)景生成框架相融合，提出一種自動(dòng)駕駛系統(tǒng)并行加速測(cè)試方法。該方法分為3層架構(gòu)：頂層管理層負(fù)責(zé)子集空間之間底層執(zhí)行單元的流動(dòng)和子集空間關(guān)閉與合并；中層協(xié)調(diào)層負(fù)責(zé)下屬子集空間內(nèi)底層執(zhí)行單元測(cè)試參數(shù)的生成；底層執(zhí)行層負(fù)責(zé)具體試驗(yàn)的運(yùn)行。以前車切入場(chǎng)景為例，對(duì)某黑盒自動(dòng)駕駛算法分別使用并行加速、并行遍歷、單線程加速和單線程遍歷4 種方式進(jìn)行對(duì)比測(cè)試，在測(cè)試具體場(chǎng)景總數(shù)為4590 的情況下，4 種方式均發(fā)現(xiàn)所有危險(xiǎn)場(chǎng)景，其分別耗時(shí)1.3、5.7、22.4和96.2 h，證明了本文方法的有效性。

1 并行加速測(cè)試架構(gòu)

隨著自動(dòng)駕駛系統(tǒng)復(fù)雜程度的增加，測(cè)試過程須考慮的要素?cái)?shù)量不斷提高，由此導(dǎo)致邏輯場(chǎng)景參數(shù)空間迅速增大，且隨著測(cè)試要素種類的增加極易產(chǎn)生維度爆炸現(xiàn)象，傳統(tǒng)矩陣測(cè)試的方式在測(cè)試效率和測(cè)試成本等方面已無(wú)法滿足自動(dòng)駕駛系統(tǒng)的測(cè)試需求，基于危險(xiǎn)場(chǎng)景強(qiáng)化生成的加速測(cè)試方法成為自動(dòng)駕駛系統(tǒng)安全性驗(yàn)證的主流。

將加速測(cè)試方法與并行計(jì)算方式相結(jié)合，提出由頂層管理層、中層協(xié)調(diào)層、底層執(zhí)行層構(gòu)成的3 層并行加速測(cè)試架構(gòu)，在充分利用多計(jì)算單元優(yōu)勢(shì)進(jìn)行并行計(jì)算的前提下，通過危險(xiǎn)場(chǎng)景強(qiáng)化生成進(jìn)一步加速測(cè)試進(jìn)程。加速測(cè)試架構(gòu)如圖1 所示，每層包含若干個(gè)計(jì)算單元。

圖1 并行加速測(cè)試架構(gòu)

在試驗(yàn)過程中，首先將邏輯參數(shù)空間的全集空間按照一定的規(guī)律劃分為若干個(gè)僅包含參數(shù)空間不同部分內(nèi)容的子集空間；分配不同計(jì)算單元的角色，包括頂、中、底3 層，整個(gè)全集空間僅包含一個(gè)頂層管理單元，每個(gè)子集空間有其各自的中層協(xié)調(diào)單元，其余均為底層執(zhí)行單元；將底層執(zhí)行單元平均分配到不同的中層協(xié)調(diào)單元下屬的子集空間中進(jìn)行參數(shù)試驗(yàn)；隨著試驗(yàn)的進(jìn)行，頂層管理單元協(xié)調(diào)底層執(zhí)行層中的不同底層執(zhí)行單元在不同子集空間之間進(jìn)行流動(dòng)，將量化指標(biāo)值較差的子集空間中的低效單元轉(zhuǎn)移到量化指標(biāo)值較好的子集空間；中層協(xié)調(diào)單元計(jì)算下屬子集空間內(nèi)的底層執(zhí)行單元執(zhí)行試驗(yàn)的具體參數(shù)，并標(biāo)記下屬子集空間內(nèi)的低效單元；底層執(zhí)行層由多個(gè)并行的計(jì)算單元構(gòu)成，它們可各自獨(dú)立地接收中層協(xié)調(diào)層發(fā)送來的試驗(yàn)參數(shù)進(jìn)行試驗(yàn)。相比現(xiàn)有方法，由于將邏輯場(chǎng)景參數(shù)空間分區(qū)，可以在宏觀層級(jí)保障測(cè)試的完備性，更大幾率發(fā)現(xiàn)所有危險(xiǎn)場(chǎng)景所在區(qū)域；通過子集空間之間和子集空間內(nèi)部的底層執(zhí)行單元調(diào)度，可以在微觀層級(jí)提高危險(xiǎn)場(chǎng)景的生成概率，提升測(cè)試效率。

架構(gòu)中涉及的名詞定義如下：

（1）頂層管理單元 負(fù)責(zé)全集空間層面調(diào)度底層執(zhí)行單元流動(dòng)的計(jì)算單元，數(shù)量為1，同時(shí)負(fù)責(zé)子集空間關(guān)閉與合并；

（2）中層協(xié)調(diào)單元 負(fù)責(zé)下屬子集空間層級(jí)的底層執(zhí)行單元流動(dòng)的計(jì)算單元，其數(shù)量與活躍子集空間數(shù)量相同，同時(shí)負(fù)責(zé)標(biāo)記子集空間內(nèi)的低效單元；

（3）底層執(zhí)行單元 接收中層協(xié)調(diào)單元發(fā)送的試驗(yàn)參數(shù)進(jìn)行仿真試驗(yàn)的計(jì)算單元；

（4）低效單元 測(cè)試效率較低，可能被頂層管理單元調(diào)配至其它子集空間的底層執(zhí)行單元；

（5）全集空間 邏輯場(chǎng)景參數(shù)空間離散生成的所有具體場(chǎng)景參數(shù)集合空間；

（6）子集空間 將全集空間劃分得到的部分具體場(chǎng)景參數(shù)集合空間；

（7）量化指標(biāo) 根據(jù)試驗(yàn)?zāi)康乃x的評(píng)價(jià)指標(biāo)。

頂層管理單元在一輪迭代過程中的詳細(xì)工作內(nèi)容如下：頂層管理單元首先根據(jù)每個(gè)子集空間里的中層協(xié)調(diào)單元發(fā)送的子集空間量化指標(biāo)值確定該空間的流入流出情況，如圖2 中的藍(lán)色、橙色方框所示；隨后頂層管理單元會(huì)依次計(jì)算每個(gè)流出子集空間內(nèi)的每個(gè)低效單元是否流出，將確定流出的低效單元進(jìn)行標(biāo)記；之后頂層管理單元依次計(jì)算流出的低效單元流入的子集空間標(biāo)號(hào)，如圖2 中的箭頭所示；對(duì)于沒有探索價(jià)值的子集空間，頂層管理單元會(huì)將其關(guān)閉避免底層執(zhí)行單元流入，如圖2 中的叉號(hào)所示。在試驗(yàn)結(jié)束后，頂層管理單元還將臨近的危險(xiǎn)位置所在的子集空間進(jìn)行合并，從而形成完整的危險(xiǎn)空間分布，如圖2 中左下方兩個(gè)小區(qū)域邊界的虛線所示。

圖2 頂層管理單元工作示意

為保證空間內(nèi)部的底層執(zhí)行單元前往較為危險(xiǎn)的參數(shù)位置，建立了中層協(xié)調(diào)單元以確保子集空間內(nèi)的危險(xiǎn)場(chǎng)景參數(shù)強(qiáng)化生成，整個(gè)工作框架如圖3所示。為擴(kuò)大前期探索自由度，本文中引入了匯聚區(qū)域的概念，匯聚區(qū)域指子集空間內(nèi)量化指標(biāo)值超過閾值的參數(shù)點(diǎn)位置（極值點(diǎn)）可以影響的周圍其他參數(shù)的范圍，如圖3 中的陰影區(qū)域所示。中層協(xié)調(diào)單元的管理原則如下：匯聚區(qū)域內(nèi)的底層執(zhí)行單元會(huì)根據(jù)極值點(diǎn)的位置和自身最大量化指標(biāo)值的位置進(jìn)行移動(dòng)，而匯聚區(qū)域外的底層執(zhí)行單元僅會(huì)根據(jù)自身的最大量化指標(biāo)值的位置進(jìn)行移動(dòng)，如圖3 中的空心箭頭和實(shí)心箭頭所示。同時(shí)，中層協(xié)調(diào)單元會(huì)記錄空間內(nèi)的低效單元，如圖2和圖3中的黃色圓所示。

圖3 中層協(xié)調(diào)單元工作示意

2 加速測(cè)試模塊構(gòu)建

2.1 頂層管理模塊

子集空間之間的底層執(zhí)行單元流動(dòng)分為流入和流出兩部分。在每輪迭代結(jié)束后，對(duì)于子集空間平均量化指標(biāo)值低于總體平均量化指標(biāo)值且不存在活躍危險(xiǎn)場(chǎng)景的子集空間，頂層管理單元會(huì)調(diào)度該子集空間內(nèi)的低效單元以一定的概率離開當(dāng)前空間并遷至其他流入空間。流失子集空間內(nèi)的低效單元離開當(dāng)前空間的概率p為

式中：p為第個(gè)子集空間中低效單元離開該空間的概率；ˉ為第次迭代所有底層執(zhí)行單元量化指標(biāo)的平均值；g為第次迭代第個(gè)子集空間中的平均量化指標(biāo)值；為當(dāng)前迭代次數(shù)；為調(diào)節(jié)參數(shù)，代表頂層執(zhí)行者的權(quán)威程度，該值越大，頂層管理單元的權(quán)威程度越大，次級(jí)管理者越容易聽從頂層管理單元的調(diào)配，該值一般大于10；為預(yù)先設(shè)計(jì)的最大迭代次數(shù)；為頂層管理單元期望分配給每個(gè)子集空間的底層執(zhí)行單元數(shù)量，該值一般大于初始分配的底層執(zhí)行單元數(shù)量，代表頂層管理單元期望每個(gè)子集空間都有足夠多的底層執(zhí)行單元；n為第個(gè)子集空間在第輪迭代時(shí)的底層執(zhí)行單元數(shù)量；n為第個(gè)子集空間在第輪迭代時(shí)剩余的活躍極值點(diǎn)數(shù)量。

當(dāng)前空間量化指標(biāo)值越差、底層執(zhí)行單元數(shù)量越多、迭代次數(shù)越大，則該低效單元越易離開。

通過頂層管理模塊的運(yùn)行，底層執(zhí)行單元會(huì)逐步向具有較高探索價(jià)值的子集空間富集，進(jìn)一步強(qiáng)化高危險(xiǎn)子集空間內(nèi)危險(xiǎn)場(chǎng)景的生成，提高測(cè)試效率。

需要注意的是，一個(gè)空間內(nèi)可能存在多個(gè)低效單元，它們?cè)谝淮蔚械碾x開概率是順序計(jì)算的，即每個(gè)確定離開的低效單元都會(huì)改變當(dāng)前子集空間內(nèi)的底層執(zhí)行單元數(shù)量從而影響該空間的流失概率；當(dāng)一個(gè)子集空間內(nèi)的所有底層執(zhí)行單元都流失后，頂層執(zhí)行會(huì)將該空間定義為無(wú)價(jià)值區(qū)，將該空間關(guān)閉。

量化指標(biāo)值較好或有新危險(xiǎn)場(chǎng)景產(chǎn)生的空間為流入空間，流入空間的流入概率與該子集空間的底層執(zhí)行單元數(shù)量、新產(chǎn)生的危險(xiǎn)場(chǎng)景數(shù)量和量化指標(biāo)值有關(guān)，其流入概率為

式中：為符合輸入條件的子集空間個(gè)數(shù)；n*為符合條件的個(gè)子集空間在第回合的底層執(zhí)行單元的總個(gè)數(shù)；g*為符合條件的個(gè)子集空間在第回合的量化指標(biāo)的總和；l*為符合條件的個(gè)子集空間在第回合產(chǎn)生的最大極值點(diǎn)的總數(shù)；a、b、c為調(diào)節(jié)參數(shù)，用來調(diào)節(jié)3個(gè)子項(xiàng)的權(quán)重，它們之和為1，隨著迭代的進(jìn)行，新產(chǎn)生極值點(diǎn)數(shù)量的影響權(quán)重c越來越大；、、、分別為a、b的初始和終止系數(shù)。

同樣需要注意的是，每個(gè)新低效單元的流入都會(huì)改變空間的底層執(zhí)行單元數(shù)量，從而須重新計(jì)算流入不同空間的概率。

頂層管理還負(fù)責(zé)結(jié)束迭代。為保證沒有危險(xiǎn)場(chǎng)景生成時(shí)及時(shí)停止迭代以提高計(jì)算效率，該方法設(shè)定的迭代停止條件為不存在活躍極值點(diǎn)，且一定迭代次數(shù)內(nèi)沒有產(chǎn)生新的極值點(diǎn)。

2.2 中層協(xié)調(diào)模塊

中層協(xié)調(diào)模塊主要負(fù)責(zé)子集空間內(nèi)部的危險(xiǎn)場(chǎng)景強(qiáng)化生成，可參考現(xiàn)有優(yōu)化算法，例如模擬退火法和梯度下降法等，考慮到子集空間內(nèi)參數(shù)并行的需求，參考粒子群優(yōu)化算法計(jì)算子集空間內(nèi)底層執(zhí)行單元的下一次試驗(yàn)參數(shù)。同時(shí)，為保證試驗(yàn)前期有較強(qiáng)的隨機(jī)搜索能力，引入了匯聚區(qū)域的概念。滿足式（6）的點(diǎn)即表示其位于匯聚區(qū)域內(nèi)，所有符合條件的點(diǎn)即構(gòu)成了匯聚區(qū)域空間。

匯聚區(qū)域代表區(qū)域內(nèi)極值（危險(xiǎn)場(chǎng)景）影響的區(qū)域，它隨著迭代次數(shù)的增加不斷擴(kuò)大。

其中：

式中：s為參數(shù)點(diǎn)在第維度與最近活躍極值點(diǎn)的距離；為參數(shù)空間的不同維度；為參數(shù)空間的維度；r為在第維的匯聚區(qū)域軸長(zhǎng)；r為第輪迭代的匯聚區(qū)域軸長(zhǎng)；為初始的匯聚區(qū)域軸長(zhǎng)；為參數(shù)空間不同維度的參數(shù)最大值；為參數(shù)空間不同維度的參數(shù)最小值；為所有底層執(zhí)行單元的數(shù)量。

底層執(zhí)行單元下一回合移動(dòng)的速度為

下一次參數(shù)的位置為

式中x為第+1 輪迭代中底層執(zhí)行單元的移動(dòng)位置。

由于參數(shù)空間一般經(jīng)過離散處理，計(jì)算得到的點(diǎn)可能不會(huì)正好落在離散得到的參數(shù)點(diǎn)的位置處，此時(shí)在未試驗(yàn)的參數(shù)點(diǎn)中找到距離計(jì)算得到最近的參數(shù)作為下一次試驗(yàn)參數(shù)。

對(duì)于極值位置處的底層執(zhí)行單元，中層協(xié)調(diào)會(huì)在未試驗(yàn)過的參數(shù)點(diǎn)中尋找距離其當(dāng)前位置最近的參數(shù)點(diǎn)作為其下一步試驗(yàn)參數(shù)。本文中規(guī)定當(dāng)這一最近距離大于最初離散步長(zhǎng)歐氏距離2 倍時(shí)，中層協(xié)調(diào)會(huì)將其剔除出活躍極值集合。

對(duì)于新流入的底層執(zhí)行單元，中層協(xié)調(diào)會(huì)隨機(jī)選擇一個(gè)活躍極值，并將其最近的未試驗(yàn)過的位置作為下一次試驗(yàn)參數(shù)。

中層協(xié)調(diào)還負(fù)責(zé)標(biāo)記空間內(nèi)的低效單元。 空間中第個(gè)底層執(zhí)行單元成為低效單元的概率f為

式中：、為調(diào)節(jié)參數(shù)，其和為1；為5 輪迭代次數(shù)內(nèi)所有底層執(zhí)行單元的平均量化指標(biāo)值；ˉ′為第個(gè)底層執(zhí)行單元在該子集空間內(nèi)5 輪迭代次數(shù)內(nèi)的平均量化指標(biāo)值；為該空間內(nèi)5 輪迭代次數(shù)內(nèi)底層執(zhí)行單元的平均量化指標(biāo)值；l為極值標(biāo)記，若該點(diǎn)在第回合為最大極值，則為0；w為子集空間內(nèi)第個(gè)底層執(zhí)行單元在第輪迭代時(shí)的擁擠系數(shù)，若其在上一回合的計(jì)算得到的點(diǎn)與未試驗(yàn)最近點(diǎn)的距離大于最初離散步長(zhǎng)歐氏距離的2 倍（計(jì)算點(diǎn)周圍的離散參數(shù)點(diǎn)全部被試驗(yàn)），則該點(diǎn)處為1，否則為0。

為防止低效單元在不同子集空間之間發(fā)生頻繁流動(dòng)，規(guī)定一個(gè)底層執(zhí)行單元在當(dāng)前空間迭代次數(shù)少于5時(shí)不會(huì)被標(biāo)記為低效單元。

2.3 底層執(zhí)行模塊

底層執(zhí)行層是在試驗(yàn)過程中負(fù)責(zé)執(zhí)行具體仿真試驗(yàn)的多個(gè)計(jì)算單元構(gòu)成的集合，計(jì)算單元可由不同測(cè)試軟件構(gòu)成。本文中選擇Matlab、PreScan 和CarSim 聯(lián)合仿真作為底層執(zhí)行單元，Matlab 作為頂層管理單元和中層協(xié)調(diào)單元的算法承載平臺(tái)，如圖4 所示。Matlab 在承載算法的同時(shí)，其UDP 模塊還負(fù)責(zé)頂層管理層、中層協(xié)調(diào)層與底層執(zhí)行層之間的數(shù)據(jù)通信；PreScan 提供仿真場(chǎng)景環(huán)境和傳感器模型，同時(shí)控制仿真測(cè)試的自動(dòng)進(jìn)行；CarSim負(fù)責(zé)提供高精度車輛動(dòng)力學(xué)模型。

圖4 計(jì)算單元軟件詳情

3 測(cè)試試驗(yàn)與結(jié)果分析

為評(píng)定所提出的并行加速測(cè)試方法在自動(dòng)駕駛系統(tǒng)測(cè)試過程中的實(shí)用價(jià)值，使用并行加速、并行遍歷、單線程加速、單線程遍歷4 種方式對(duì)某黑盒自動(dòng)駕駛算法在前車切入場(chǎng)景中的安全性進(jìn)行測(cè)試，量化指標(biāo)選擇測(cè)試過程中的最大碰撞時(shí)間的倒數(shù)。

以HighD數(shù)據(jù)集中的前車切入邏輯場(chǎng)景為例，參照現(xiàn)有場(chǎng)景要素選擇方法。本次試驗(yàn)選擇切入后本車速度、切入后前車與本車距離和切入后前車速度v作為場(chǎng)景參數(shù)，它們的參數(shù)空間分別為［14 m/s，38 m/s］、［5 m，55 m］、［18.5 m/s，45.5 m/s］。速度間隔取3 m/s，距離間隔取1 m，共得到4590個(gè)具體場(chǎng)景參數(shù)。

為說明并行加速方法的有效性，且考慮測(cè)試過程中的設(shè)備成本，并行與單線程測(cè)試過程中的底層執(zhí)行單元并未選擇相同的配置。單線程測(cè)試過程中，選擇的主機(jī)參數(shù)為：CPU i99900k、GPU RTX 2080ti、內(nèi)存32GB；并行測(cè)試過程中，選擇的主機(jī)參數(shù)為：CPU i56500、GPU GTX 1060、內(nèi)存16GB。

4 種方法均發(fā)現(xiàn)了所有危險(xiǎn)情況，危險(xiǎn)結(jié)果如圖5 所示（圖中不同坐標(biāo)軸代表邏輯場(chǎng)景參數(shù)類型，空心圓代表測(cè)試過的危險(xiǎn)情況具體場(chǎng)景參數(shù)位置）。

圖5 前車切入測(cè)試場(chǎng)景危險(xiǎn)結(jié)果

參照SHRP2 中關(guān)于碰撞危害等級(jí)的定義：嚴(yán)重碰撞、一般碰撞、輕度碰撞和接近碰撞，文中將接近碰撞及以上危害等級(jí)的場(chǎng)景均視為危險(xiǎn)情況，篩選的具體參數(shù)選擇碰撞時(shí)間（time to collision，TTC），其閾值根據(jù)現(xiàn)有數(shù)據(jù)統(tǒng)計(jì)情況選擇1.5 s。

4 種方法的測(cè)試過程如表1 所示。從表中可以看出，并行加速測(cè)試方法耗時(shí)并沒有完全與單線程方法形成底層執(zhí)行單元的倍數(shù)關(guān)系，首先是因?yàn)椴⑿袦y(cè)試主機(jī)配置相比單線程測(cè)試較低，其次是多線程之間的通信延遲和不同測(cè)試情況下的等待。本文設(shè)定的測(cè)試時(shí)長(zhǎng)為30 s，當(dāng)發(fā)生碰撞時(shí)試驗(yàn)直接彈出，由于在并行的情況下本文的方法會(huì)等待所有底層執(zhí)行單元都完成當(dāng)輪迭代后再進(jìn)行下一步參數(shù)計(jì)算，這在一定程度上降低了算法的測(cè)試效率。不過根據(jù)4 種方法測(cè)試結(jié)果看出，雖然并行測(cè)試使用的主機(jī)配置較弱，但本文提出的方法充分顯示了多單元并行計(jì)算的優(yōu)勢(shì)，加速自動(dòng)駕駛仿真測(cè)試流程。

表1 4種方法測(cè)試過程

4 結(jié)論

針對(duì)自動(dòng)駕駛系統(tǒng)加速測(cè)試需求，將并行測(cè)試方法與危險(xiǎn)場(chǎng)景強(qiáng)化生成框架相結(jié)合，提出一種自動(dòng)駕駛系統(tǒng)并行加速測(cè)試方法，建立了3 層架構(gòu)，頂層管理和中層協(xié)調(diào)分別負(fù)責(zé)全集空間和子集空間內(nèi)的場(chǎng)景尋優(yōu)，底層執(zhí)行層負(fù)責(zé)具體仿真試驗(yàn)。將該方法與并行遍歷、單線程加速、單線程遍歷3 種方法進(jìn)行對(duì)比。結(jié)果表明，本文提出的并行加速測(cè)試方法可有效、快速地搜索出危險(xiǎn)具體場(chǎng)景參數(shù)，加速自動(dòng)駕駛系統(tǒng)測(cè)試流程，提高測(cè)試效率。