本發(fā)明涉及自動駕駛系統(tǒng)測試，尤其涉及一種自動駕駛仿真測試特征選擇方法。

背景技術：

1、在自動駕駛系統(tǒng)（ads）的規(guī)?；瘧眠M程中，復雜動態(tài)環(huán)境下的安全性與可靠性驗證成為關鍵瓶頸——現(xiàn)有虛擬仿真測試技術需通過海量極端場景覆蓋以評估系統(tǒng)行為邊界，但其場景生成面臨多維動態(tài)耦合挑戰(zhàn)：一方面，ads的運動學特性、道路拓撲結(jié)構(gòu)、多智能體交互規(guī)則及環(huán)境參數(shù)（如光照、氣象）的協(xié)同演化顯著提升了場景空間的復雜度；另一方面，傳統(tǒng)窮舉式測試因需遍歷所有潛在特征組合而引發(fā)指數(shù)級計算資源消耗，導致測試效率與成本難以滿足實際工程化需求，亟需構(gòu)建高覆蓋度、低冗余的場景生成優(yōu)化方法以突破驗證效能邊界。

2、當前低成本自動駕駛測試研究聚焦于測試用例優(yōu)化技術,?包括測試套件最小化、測試用例選擇與優(yōu)先級排序等，這種技術主要通過啟發(fā)式策略降低測試集規(guī)模，但未能解決高維場景特征空間帶來的維度災難問題。盡管深度學習在特征降維領域展現(xiàn)出潛在優(yōu)勢，但其固有的黑箱特性導致特征可解釋性缺失，且依賴大量標注數(shù)據(jù)的訓練范式是資源密集型的。與深度學習相對的，傳統(tǒng)特征選擇方法具備物理可解釋性的優(yōu)勢，其更適用于自動駕駛測試任務場景。然而，現(xiàn)有研究尚未建立針對自動駕駛場景特定特性的特征選擇框架。

技術實現(xiàn)思路

1、針對現(xiàn)有技術存在的問題，本發(fā)明提供了一種自動駕駛仿真測試特征選擇方法，通過算法快速迭代優(yōu)化，在無需先驗標注數(shù)據(jù)條件下，可以高效識別并選擇與關鍵測試場景最相關的特征。

2、本發(fā)明的技術方案是這樣實現(xiàn)的：

3、一種自動駕駛仿真測試特征選擇方法，包括以下步驟：

4、t1、采集自動駕駛系統(tǒng)的無標簽測試集，記為第一測試集；所述第一測試集包含d個駕駛場景特征；每個所述駕駛場景特征對應n個測試用例；

5、對所述第一測試集進行預處理，生成第二測試集；

6、構(gòu)建滿足正交約束的投影矩陣；構(gòu)建稀疏權重矩陣；

7、t2、獲取所述第二測試集的初始的偽標簽，將所述駕駛場景特征劃分為安全場景或關鍵場景；

8、t3、利用所述投影矩陣，將所述第二測試集投影至r維的判別特征空間，；

9、t4、利用所述稀疏權重矩陣對所述投影矩陣施加稀疏權重；構(gòu)建所述判別特征空間的目標優(yōu)化函數(shù)；對所述目標優(yōu)化函數(shù)進行求解，得到離散的特征選擇矩陣；特征選擇矩陣為用于場景定義特征降維的最優(yōu)矩陣。

10、t5、根據(jù)所述特征選擇矩陣的非零行索引生成最終場景特征子集。最終場景特征子集用于后續(xù)測試用例優(yōu)先排序或仿真模擬測試。

11、作為以上方案的進一步優(yōu)化，?所述預處理為，對所述第一測試集進行中心化處理，得到所述第二測試集，即：

12、；

13、其中，表示所述第一測試集,，r為實數(shù)集，表示d×n維實數(shù)矩陣的集合；表示所述第二測試集；表示n×1的全1列向量，表示一個n×n的矩陣，且矩陣的每一個元素均為。

14、通過矩陣中心化處理，可以將第二測試集的均值調(diào)整為零，便于后續(xù)統(tǒng)計分析。

15、作為以上方案的進一步優(yōu)化，所述t2中，利用聚類算法獲取所述第二測試集的初始的偽標簽；所述偽標簽記為，且；其中，0對應表示所述安全場景，1對應表示所述關鍵場景。

16、進一步的，聚類算法采用k-means聚類算法。

17、作為以上方案的進一步優(yōu)化，所述t3中，利用目標函數(shù)構(gòu)建所述判別特征空間，所述目標函數(shù)表示為：

18、；

19、其中，表示frobenius范數(shù)約束；表示所述投影矩陣，且，r為實數(shù)集，表示d×n維實數(shù)矩陣的集合；為的聚類質(zhì)心矩陣；表示單位矩陣，表示在上施加的正交約束。

20、frobenius?范數(shù)是矩陣的一種范數(shù)，用于衡量矩陣整體大小。它定義為矩陣各項元素的絕對值平方的總和的平方根。

21、為了增加特征空間的判別性，以使低維特征空間可以有效地區(qū)分關鍵場景，使用約束跡比目標來最小化投影點在屬于同一類測試用例之間距離，最大化屬于不同類測試用例之間的距離，從而學習判別的特征空間。約束跡比目標是線性判別分析的一種特殊形式的矩陣表達。

22、作為以上方案的進一步優(yōu)化，所述稀疏權重矩陣包括兩個，分別表示為和，且；

23、的第i個對角元素表示為：；

24、的第i個對角元素表示為：；

25、其中，為的第i列元素，為的第i列元素；為預設常數(shù)；為一個足夠小的常數(shù)，用于避免過擬合；

26、施加稀疏權重后，所述目標函數(shù)表示為：

27、；

28、其中，表示的聚類質(zhì)心矩陣。

29、通過稀疏權重矩陣對約束跡比目標施加稀疏性，以增強構(gòu)建的判別特征空間對于異常測試用例的魯棒性。

30、作為以上方案的進一步優(yōu)化，對所述目標函數(shù)添加范數(shù)約束，得到所述目標優(yōu)化函數(shù)，表示為：

31、；

32、其中，表示范數(shù)約束。

33、范數(shù)約束是一種結(jié)合了結(jié)構(gòu)化稀疏性與特征選擇能力的混合范數(shù)約束方法。其目的是使每一行的范數(shù)盡可能小，行內(nèi)出現(xiàn)盡可能多的0元素。

34、在投影矩陣上施加范數(shù)約束來施加特征稀疏性，是為了學習離散的特征評分，極化每個場景特征的評分，以形成更清晰和定義明確的決策邊界，使目標優(yōu)化函數(shù)適用于特征選擇任務。

35、作為以上方案的進一步優(yōu)化，所述t4中，利用增廣拉格朗日法和交替方向乘子法對所述目標優(yōu)化函數(shù)求解，得到所述特征選擇矩陣。

36、增廣拉格朗日方法（augmented?lagrangian?method,?alm）是一種結(jié)合拉格朗日乘子法和罰函數(shù)法的優(yōu)化技術，主要用于求解帶約束的優(yōu)化問題。其核心思想是通過引入拉格朗日乘子和二次罰項，將原約束問題轉(zhuǎn)化為無約束優(yōu)化問題，同時提升收斂速度和數(shù)值穩(wěn)定性。

37、交替方向乘子法（alternating?direction?method?of?multipliers,?admm）的基本思想是通過將復雜優(yōu)化問題分解為多個可并行求解的子問題，交替優(yōu)化原始變量和對偶變量，實現(xiàn)高效收斂。

38、利用增廣拉格朗日和交替方向乘子法對目標優(yōu)化函數(shù)進行求解，即固定其他變量單獨優(yōu)化某個指定變量，并通過交替優(yōu)化最終達到結(jié)果的收斂，得到最優(yōu)離散特征選擇矩陣。交替優(yōu)化是不斷交替更新的過程，直至達到停止迭代條件，其中停止迭代條件為目標值小于設定的閾值，或迭代次數(shù)達到最大迭代數(shù)，得到最優(yōu)參數(shù)，即完成結(jié)果收斂。

39、與現(xiàn)有技術相比，本發(fā)明取得以下有益效果：

40、本發(fā)明提出一種無監(jiān)督無參數(shù)的自動駕駛系統(tǒng)（ads）關鍵場景特征選擇方法，通過構(gòu)建魯棒判別特征空間，結(jié)合稀疏約束與極化離散評分機制，實現(xiàn)安全臨界場景的精準分離。具體而言，利用-范數(shù)作為空間維度中的距離度量，增強場景安全域與風險域的幾何可分性，同時引入-范數(shù)對測試用例施加稀疏性約束，有效抑制異常樣本的干擾；在此基礎上，設計具有極化效應的離散評分機制，通過強化高判別性特征的權重差異驅(qū)動決策邊界向低密度區(qū)域收縮，在無需先驗標注數(shù)據(jù)條件下實現(xiàn)安全場景與關鍵場景特征的快速解耦與高效劃分。