1.本发明涉及汽车自动驾驶危险场景测试技术领域，尤其涉及一种危险场景生成方法、装置、设备及可读存储介质。
背景技术：2.危险场景测试对于提高自动驾驶安全性具有极大价值，通过收集危险驾驶数据，在仿真环境或封闭测试环境中复现并执行测试，验证自动驾驶汽车在危险场景下的表现，可以改进、提升自动驾驶汽车算法性能。当前危险场景数据的收集方式包括：来源于国家车辆事故深度调查体系中收集的已发生事故数据，以及通过逻辑推理或者专家经验定性描述危险场景。上述方式事故数据的收集存在局限性，例如：(1)未能准确记录危险场景的发生历程及事故发生前驾驶员的状态信息；(2)国家车辆事故深度调查体系中不包含未造成交通事故而属于危险驾驶的场景；(3)危险场景基于交通参与者之间的位置、行为关系及专家经验推理获得，无法定量描述危险或事故发生过程，导致使用泛化生成的测试用例进行测试，测试结果可信度不高。
技术实现要素：3.本发明的主要目的在于提供一种危险场景生成方法、装置、设备及可读存储介质，旨在解决现有方案所获取的危险场景数据存在局限性的技术问题。
4.第一方面，本发明提供一种危险场景生成方法，所述危险场景生成方法包括以下步骤：
5.基于目标信息提取目标场景片段，所述目标信息包括主车驾驶员的行为参数以及驾驶场景参数；
6.基于驾驶场景参数生成所述目标场景片段中的目标物列表；
7.基于所述目标物列表，生成目标场景片段中的目标车驾驶轨迹以及高精度路面地图；
8.基于第一预设个数的加权因子对所述主车驾驶员的行为参数进行加权，生成第一预设个数的主车驾驶行为参数；
9.基于第一预设个数的加权因子对目标车驾驶轨迹对应的参数进行加权，生成第一预设个数的目标车驾驶行为参数；
10.对所述第一预设个数的主车驾驶行为参数与第一预设个数的目标车驾驶行为参数进行组合，得到第二预设个数的驾驶行为组合；
11.将所述第二预设个数的驾驶行为组合映射到所述高精度路面地图中，生成目标场景；
12.对所述目标场景进行仿真重推演，以仿真重推演中发生事故的目标场景以及危险但并未发生事故的目标场景为危险场景。
13.可选的，在所述基于目标信息提取目标场景片段的步骤之前包括：
14.获取预设信息，所述预设信息包括主车驾驶员的行为参数以及驾驶场景参数；
15.筛除不具备主车定位信息或传感器信号异常的预设信息，得到目标信息。
16.可选的，所述基于目标信息提取目标场景片段的步骤包括：
17.筛选出满足第一预设阈值条件的主车驾驶员的行为参数，且满足第二预设阈值条件的驾驶场景参数的时间片段；
18.以所述时间片段为目标场景片段。
19.可选的，所述基于驾驶场景参数生成所述目标场景片段中的目标物列表的步骤包括：
20.基于驾驶场景参数，标注得到目标场景片段中的目标物；
21.对多传感器监测到的同一目标物进行融合，并基于融合结果，输出目标物列表，所述目标物列表包括：监测到目标物的时间戳，目标物类型以及目标物的状态参数。
22.可选的，所述基于所述目标物列表，生成目标场景片段中的目标车驾驶轨迹以及高精度路面地图的步骤包括：
23.确定目标物列表中目标物类型为交通车道线、道路边缘的第一目标物，结合第一目标物与地图数据，生成目标场景片段中的高精度路面地图；
24.确定目标物列表中目标物类型为车辆的第二目标物，结合第二目标物与第二目标物对应的状态参数，生成目标场景片段中的目标车驾驶轨迹。
25.可选的，所述对所述第一预设个数的主车驾驶行为参数与第一预设个数的目标车驾驶行为参数进行组合，得到第二预设个数的驾驶行为组合的步骤包括：
26.通过等间隔排列组合的方式遍历所述第一预设个数的主车驾驶行为参数与第一预设个数的目标车驾驶行为参数进行组合，得到第三预设个数的驾驶行为组合；
27.从所述第三预设个数的驾驶行为组合中，筛除主车与目标车的车速差值不满足第三预设阈值条件，或主车与目标车的距离不满足第四预设阈值条件的驾驶行为组合，得到第二预设个数的驾驶行为组合。
28.可选的，所述将所述第二预设个数的驾驶行为组合映射到所述高精度路面地图中，生成目标场景的步骤包括：
29.将每个驾驶行为组合对应的主车驾驶行为参数以及目标车驾驶行为参数与目标场景片段的坐标进行配准，得到对应场景的起始坐标；
30.基于所述起始坐标，将每个驾驶行为组合映射到所述高精度路面地图中，生成目标场景。
31.第二方面，本发明还提供一种危险场景生成装置，所述危险场景生成装置包括：
32.提取模块，用于基于目标信息提取目标场景片段，所述目标信息包括主车驾驶员的行为参数以及驾驶场景参数；
33.第一生成模块，用于基于驾驶场景参数生成所述目标场景片段中的目标物列表；
34.第二生成模块，用于基于所述目标物列表，生成目标场景片段中的目标车驾驶轨迹以及高精度路面地图；
35.第一加权模块，用于基于第一预设个数的加权因子对所述主车驾驶员的行为参数进行加权，生成第一预设个数的主车驾驶行为参数；
36.第二加权模块，用于基于第一预设个数的加权因子对目标车驾驶轨迹对应的参数
进行加权，生成第一预设个数的目标车驾驶行为参数；
37.组合模块，用于对所述第一预设个数的主车驾驶行为参数与第一预设个数的目标车驾驶行为参数进行组合，得到第二预设个数的驾驶行为组合；
38.第三生成模块，用于将所述第二预设个数的驾驶行为组合映射到所述高精度路面地图中，生成目标场景；
39.仿真模块，用于对所述目标场景进行仿真重推演，以仿真重推演中发生事故的目标场景以及危险但并未发生事故的目标场景为危险场景。
40.可选的，所述危险场景生成装置，还包括获取模块，用于：
41.获取预设信息，所述预设信息包括主车驾驶员的行为参数以及驾驶场景参数；
42.筛除不具备主车定位信息或传感器信号异常的预设信息，得到目标信息。
43.可选的，所述提取模块，具体用于：
44.筛选出满足第一预设阈值条件的主车驾驶员的行为参数，且满足第二预设阈值条件的驾驶场景参数的时间片段；
45.以所述时间片段为目标场景片段。
46.可选的，所述第一生成模块，具体用于：
47.基于驾驶场景参数，标注得到目标场景片段中的目标物；
48.对多传感器监测到的同一目标物进行融合，并基于融合结果，输出目标物列表，所述目标物列表包括：监测到目标物的时间戳，目标物类型以及目标物的状态参数。
49.可选的，所述第二生成模块，具体用于：
50.确定目标物列表中目标物类型为交通车道线、道路边缘的第一目标物，结合第一目标物与地图数据，生成目标场景片段中的高精度路面地图；
51.确定目标物列表中目标物类型为车辆的第二目标物，结合第二目标物与第二目标物对应的状态参数，生成目标场景片段中的目标车驾驶轨迹。
52.可选的，所述组合模块，具体用于：
53.通过等间隔排列组合的方式遍历所述第一预设个数的主车驾驶行为参数与第一预设个数的目标车驾驶行为参数进行组合，得到第三预设个数的驾驶行为组合；
54.从所述第三预设个数的驾驶行为组合中，筛除主车与目标车的车速差值不满足第三预设阈值条件，或主车与目标车的距离不满足第四预设阈值条件的驾驶行为组合，得到第二预设个数的驾驶行为组合。
55.可选的，所述第三生成模块，具体用于：
56.将每个驾驶行为组合对应的主车驾驶行为参数以及目标车驾驶行为参数与目标场景片段的坐标进行配准，得到对应场景的起始坐标；
57.基于所述起始坐标，将每个驾驶行为组合映射到所述高精度路面地图中，生成目标场景。
58.第三方面，本发明还提供一种危险场景生成设备，所述危险场景生成设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的危险场景生成程序，其中所述危险场景生成程序被所述处理器执行时，实现如上述所述的危险场景生成方法的步骤。
59.第四方面，本发明还提供一种可读存储介质，所述可读存储介质上存储有危险场
景生成程序，其中所述危险场景生成程序被处理器执行时，实现如上述所述的危险场景生成方法的步骤。
60.本发明提供一种危险场景生成方法、装置、设备及可读存储介质，危险场景生成方法包括：基于目标信息提取目标场景片段，所述目标信息包括主车驾驶员的行为参数以及驾驶场景参数；基于驾驶场景参数生成所述目标场景片段中的目标物列表；基于所述目标物列表，生成目标场景片段中的目标车驾驶轨迹以及高精度路面地图；基于第一预设个数的加权因子对所述主车驾驶员的行为参数进行加权，生成第一预设个数的主车驾驶行为参数；基于第一预设个数的加权因子对目标车驾驶轨迹对应的参数进行加权，生成第一预设个数的目标车驾驶行为参数；对所述第一预设个数的主车驾驶行为参数与第一预设个数的目标车驾驶行为参数进行组合，得到第二预设个数的驾驶行为组合；将所述第二预设个数的驾驶行为组合映射到所述高精度路面地图中，生成目标场景；对所述目标场景进行仿真重推演，以仿真重推演中发生事故的目标场景以及危险但并未发生事故的目标场景为危险场景。本发明通过为真实采集的驾驶场景数据叠加不同驾驶激进度的加权因子，使得在不人为制造危险驾驶的情况下获取危险场景成为可能，丰富了事故场景的来源，解决了现有方案所获取的危险场景数据存在局限性的技术问题，在提高了危险场景生成效率的同时，降低了成本。
附图说明
61.图1为本发明实施例方案中涉及的危险场景生成设备的硬件结构示意图；
62.图2为本发明危险场景生成方法一实施例的流程示意图；
63.图3为本发明危险场景生成方法又一实施例的流程示意图；
64.图4为本发明危险场景生成方法再一实施例的流程示意图；
65.图5为本发明危险场景生成装置一实施例的功能模块示意图。
66.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
67.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
68.第一方面，本发明实施例提供一种危险场景生成设备。
69.参照图1，图1为本发明实施例方案中涉及的危险场景生成设备的硬件结构示意图。本发明实施例中，危险场景生成设备可以包括处理器1001(例如中央处理器central processingunit，cpu)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真wireless-fidelity，wi-fi接口)；存储器1005可以是高速随机存取存储器(random access memory，ram)，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
70.继续参照图1，图1中作为一种计算机存储介质的存储器1005中可以包括操作系
统、网络通信模块、用户接口模块以及危险场景生成程序。其中，处理器1001可以调用存储器1005中存储的危险场景生成程序，并执行本发明实施例提供的危险场景生成方法。
71.第二方面，本发明实施例提供了一种危险场景生成方法。
72.参照图2，图2为本发明危险场景生成方法一实施例的流程示意图。
73.在本发明危险场景生成方法一实施例中，危险场景生成方法包括：
74.步骤s10，基于目标信息提取目标场景片段，所述目标信息包括主车驾驶员的行为参数以及驾驶场景参数；
75.本实施例中，先基于场景采集车采集实际的自然驾驶场景，其中，场景采集为主车。在主车采集自然驾驶场景的过程中：一是，会基于激光雷达、摄像头、gps/imu、采集记录单元等传感器单元采集并记录实际的自然驾驶场景参数，如静态障碍物、动态车辆、车辆导航定位、交通标志与标线等；二是，会基于制动踏板行程、踏板力传感器、转向盘转角传感器等传感器单元采集并记录主车驾驶员的行为参数，如驾驶员操作的方向盘转角，制定轮缸压力、制动踏板行程、油门开度等；三是，会基于眼动仪、脑电仪、心电图等人体信息采集仪器采集并记录主车驾驶员的状态参数，如眼动轨迹、脑电波图、心电图等；四是，会记录主车自身的车辆状态参数，如车辆的速度、加速度、横摆角加速度、侧向加速度等。上述所得的驾驶场景参数、主车驾驶员的行为参数、主车驾驶员的状态参数、主车的车辆状态参数为目标信息。上述采集可准确记录危险场景的发生历程及事故发生前驾驶员的状态信息。
76.基于上述目标信息中的驾驶场景参数以及主车驾驶员的行为参数，可以提取出所需要的目标场景片段。目标场景片段包括：(1)单车控制类：高速上下苜蓿叶匝道、高速长桥面通行、高速长隧道通行、高速爆胎等危险场景；(2)单车通行类：有信号灯路口通行(含十字路口、t字路口)、无信号灯路口通行(含十字路口、t字路口)、城市导航(无其他车辆、行人参与，测试车辆导航定位、识别交通标志与标线、正常通行不发生偏离等危险场景能力)、障碍物识别(静态车辆、交通设施如封路雪糕筒、护栏)、隔离带通行、前方行人横穿等危险场景；(3)多车交互类：前方车辆静止、前方车辆紧急制动、前方车辆切入、前方车辆横穿等危险场景；(4)主车超车。
77.进一步，一实施例中，在所述步骤s10之前包括：
78.获取预设信息，所述预设信息包括主车驾驶员的行为参数以及驾驶场景参数；
79.筛除不具备主车定位信息或传感器信号异常的预设信息，得到目标信息。
80.本实施例中，在基于目标信息提取目标场景片段的步骤之前，还需要获取预设信息，上述预设信息，即包括在主车采集自然驾驶场景的整个过程中所采集的主车驾驶员的行为参数以及驾驶场景参数。由于在主车采集自然驾驶场景的整个过程中，需要通过激光雷达、视频、定位导航等传感器采集数据参数，在采集过程如遇城市高楼多路径效应、树荫遮蔽、隧道屏蔽等场景，定位信息会丢失，该段记录的数据参数不具备定位信息，后续无法准确基于这段数据参数做场景复现，因此需要排除上述无效数据参数。此外，如遇某一传感器输出的信号存在噪声或断电等记录异常的情况，这段数据参数若用于后续目标场景片段的提取，则会产生相应的误差。因此在得到上述预设信息后，需要筛选不具备主车定位信息或传感器信号异常的预设信息，得到目标信息，便于后续再基于筛选得到的目标信息提取目标场景片段。
81.进一步，一实施例中，所述步骤s10包括：
82.筛选出满足第一预设阈值条件的主车驾驶员的行为参数，且满足第二预设阈值条件的驾驶场景参数的时间片段；
83.以所述时间片段为目标场景片段。
84.本实施例中，具体地，在得到上述目标信息后，利用目标信息提取场景片段的步骤包括：筛选出满足第一预设阈值条件的主车驾驶员的行为参数，且满足第二预设阈值条件的驾驶场景参数的时间片段，以上述时间片段为目标场景片段。其中，针对不同的目标场景片段，上述第一预设阈值条件与第二预设阈值条件均有所不同。
85.其中，针对单车控制类：(1)高速上下苜蓿叶匝道：第一预设阈值条件为车速大于阈值v0、方向盘转角大于阈值θ0且横摆角速度阈值大于φ。将满足上述条件的时间片段均截取出来，以上述时间片段为高速上下苜蓿叶匝道的目标场景片段；(2)高速长桥面通行：第一预设阈值条件为车速大于阈值v0且侧向风速大于法治v1，将满足上述条件的时间片段均截取出来，以上述时间片段为高速长桥面通行的目标场景片段；(3)高速长隧道：第二预设阈值条件为隧道长度大于阈值l0，该场景主要依靠视觉摄像头来识别进出隧道的位置及通过车速计算进出隧道的里程得到隧道的长度，将满足上述条件的时间片段均截取出来，以上述时间片段为高高速长隧道的目标场景片段；(4)高速爆胎：第一预设阈值条件为胎压超过预设阈值存在胎压报警信号，将满足上述条件的时间片段均截取出来，以上述时间片段为高速爆胎的目标场景片段。
86.针对单车通行类：(1)路口通行：首先利用驾驶场景参数中满足第二预设阈值条件的车辆定位信息与导航地图信息做位置匹配，确定车辆的大致位置，同时第一预设阈值条件为车速大于阈值v1且方向盘转角大于阈值θ1。将满足上述条件的时间片段均截取出来，以上述时间片段为路口通行的目标场景片段；(2)障碍物识别：若确定驾驶场景参数中存在满足静态交通设施标签的第二预设阈值条件的时间片段，将满足上述条件的时间片段均截取出来，以上述时间片段为车辆前方有雪糕筒、护栏的目标场景片段；(3)隔离带通行：若确定驾驶场景参数中存在满足静态隔离带标签的第二预设阈值条件的时间片段，将满足上述条件的时间片段均截取出来，以上述时间片段为车辆前方有隔离带的目标场景片段；(4)前方行人横穿：若确定驾驶场景参数中存在满足行人标签、且带有减速决策信息的第二预设阈值条件的时间片段，将满足上述条件的时间片段均截取出来，以上述时间片段为车辆前方有行人横穿的目标场景片段。
87.针对多车交互类：(1)前方车辆静止：第一预设阈值条件为主车制动速度、踏板压力小于相应阈值。将满足上述条件的时间片段均截取出来，以上述时间片段为前方车辆静止的目标场景片段；(2)前方车辆切入：第二预设阈值条件为基于驾驶场景参数确定前方车辆存在变道行为(左变道，左前路及右后轮越过主车右侧车道线)。将满足上述条件的时间片段均截取出来，以上述时间片段为前方车辆切入的目标场景片段；(3)前方车辆横穿：第二预设阈值条件为前方车辆其速度矢量垂直于主车速度矢量。将满足上述条件的时间片段均截取出来，以上述时间片段为前方车辆横穿的目标场景片段；
88.针对主车超车：第二预设条件为主车速度大于第一预设阈值且方向盘转角大于第二预设阈值。将满足上述条件的时间片段均截取出来，以上述时间片段为主车超车的目标场景片段。
89.步骤s20，基于驾驶场景参数生成所述目标场景片段中的目标物列表；
90.本实施例中，在基于目标信息提取出目标场景片段后，会再基于目标信息中的驾驶场景参数生成上述目标场景片段中的目标物列表。其中，驾驶场景参数包括驾驶场景中出现的需要关注的，会对主车驾驶产生相应影响的目标物的参数。其中，目标物包括：车道线、交通标志标牌、信号灯、车辆、行人以及其他参与交通的交通目标。
91.进一步，一实施例中，所述步骤s20包括：
92.基于驾驶场景参数，标注得到目标场景片段中的目标物；
93.对多传感器监测到的同一目标物进行融合，并基于融合结果，输出目标物列表，所述目标物列表包括：监测到目标物的时间戳，目标物类型以及目标物的状态参数。
94.本实施例中，由于驾驶场景参数对应包括摄像头所获取的图像，激光雷达传感器所获取的点云数据。因此具体地，基于驾驶场景参数生成所述目标场景片段中的目标物列表的步骤包括：基于驾驶场景参数，通过离线自动化标注+人工核查的方式标注得到目标场景片段中的目标物以及语义信息。再基于语义信息及深度信息的视觉数据参数，确定激光雷达、摄像头、gps/imu等多传感器监测到的同一目标物。其中，语义信息即对应目标物的语义特征，深度信息即对应目标物在图像中所处像素位置对应的真实三维坐标。将所述同一目标物不同维度的参数进行融合。再基于融合结果，输出目标物列表。其中，所述目标物列表包括：监测到目标物的时间戳，目标物类型以及目标物的状态参数。
95.步骤s30，基于所述目标物列表，生成目标场景片段中的目标车驾驶轨迹以及高精度路面地图；
96.本实施例中，当基于驾驶场景参数生成所述目标场景片段中的目标物列表后，再基于上述目标物列表，生成目标场景片段中的目标车驾驶轨迹以及高精度路面地图。其中，生成的目标车驾驶轨迹用于后续分析主车在各目标场景中与目标车的交互危险度，生成的高精度地图用于后续将对应的主车与目标车映射在对应的目标场景中进行场景复现的仿真推演。
97.进一步，一实施例中，参照图3，所述步骤s30包括：
98.步骤s301，确定目标物列表中目标物类型为交通车道线、道路边缘的第一目标物，结合第一目标物与地图数据，生成目标场景片段中的高精度路面地图；
99.步骤s302，确定目标物列表中目标物类型为车辆的第二目标物，结合第二目标物与第二目标物对应的状态参数，生成目标场景片段中的目标车驾驶轨迹。
100.本实施例中，具体地，基于所述目标物列表，生成目标场景片段中的目标车驾驶轨迹以及高精度路面地图地步骤包括：先基于目标物列表确定目标物类型为交通车道线、道路边缘的第一目标物，上述第一目标物基于摄像头所获取地图像数据参数可以确定，再结合第一目标物与地图数据，即生成目标场景片段中的高精度路面地图。同时，基于目标物列表确定目标物类型为车辆的第二目标物，结合第二目标物对应的状态参数，如通过一段时间内目标车距离主车的位置，将每一帧目标物距离本车的位置点拟合起来，生成目标场景片段中的目标车驾驶轨迹。
101.步骤s40，基于第一预设个数的加权因子对所述主车驾驶员的行为参数进行加权，生成第一预设个数的主车驾驶行为参数；
102.本实施例中，由于上述目标场景片段是基于实际场景采集中的目标信息得到的，在测试运行中的时候，为了保证驾驶安全性，只能靠近比较危险的驾驶状态，但是无法基于
实际采集得到比较详细真实的主车在更危险驾驶状态下的目标场景片段。因此在原始采集的主车驾驶员的行为参数叠加不同的加权因子，以加权后的主车驾驶行为参数来扩展得到目标场景片段下的更多驾驶行为参数。其中，不同的加权因子对应不同驾驶员在刹车、超车、变道工况中激进程度，例如，可分为柔和型，一般型，激进型，异常激进型，每一激进程度对应一加权因子。即可以基于第一预设个数的加权因子对所述主车驾驶员的行为参数进行加权，生成第一预设个数的主车驾驶行为参数，从而扩展得到目标场景片段下主车的更多驾驶行为参数，其包括了主车危险驾驶状态下的驾驶行为参数。通过为真实采集的驾驶场景数据叠加不同驾驶激进度的加权因子，使得在不人为制造危险驾驶的情况下获取危险场景成为可能。
103.步骤s50，基于第一预设个数的加权因子对目标车驾驶轨迹对应的参数进行加权，生成第一预设个数的目标车驾驶行为参数；
104.本实施例中，同样的，在实际驾驶采集场景中，目标车的驾驶轨迹也是多变的，为了得到目标场景片段下更多的目标车驾驶行为参数，也需要基于第一预设个数的加权因子对目标车驾驶轨迹对应的参数进行加权，来生成第一预设个数的目标车驾驶行为参数，从而扩展得到目标场景片段下目标车的更多驾驶行为参数，其包括了目标车危险驾驶状态下的驾驶行为参数。
105.步骤s60，对所述第一预设个数的主车驾驶行为参数与第一预设个数的目标车驾驶行为参数进行组合，得到第二预设个数的驾驶行为组合；
106.本实施例中，在得到了不同目标场景片段下主车与目标车的第一预设个数的驾驶行为参数后，需要对其进行组合，得到不同目标场景片段中多车交互的驾驶行为组合。上述驾驶行为组合可以用于映射得到具体的目标场景。上述组合丰富了事故场景的来源，在提高了危险场景生成效率的同时，降低了成本。
107.进一步，一实施例中，所述步骤s60包括：
108.通过等间隔排列组合的方式遍历所述第一预设个数的主车驾驶行为参数与第一预设个数的目标车驾驶行为参数进行组合，得到第三预设个数的驾驶行为组合；
109.从所述第三预设个数的驾驶行为组合中，筛除主车与目标车的车速差值不满足第三预设阈值条件，或主车与目标车的距离不满足第四预设阈值条件的驾驶行为组合，得到第二预设个数的驾驶行为组合。
110.本实施例中，具体地，对所述第一预设个数的主车驾驶行为参数与第一预设个数的目标车驾驶行为参数进行组合，得到第二预设个数的驾驶行为组合的步骤包括：通过等间隔排列组合的方式遍历所述第一预设个数的主车驾驶行为参数与第一预设个数的目标车驾驶行为参数进行组合，得到第三预设个数的驾驶行为组合。从所述第三预设个数的驾驶行为组合中，筛除主车与目标车的车速差值不满足第三预设阈值条件(如主车车速不超过目标车车速20km/h)，或主车与目标车的距离不满足第四预设阈值条件(两车纵向距离不超过50m，横向距离不超过5m)的驾驶行为组合，得到第二预设个数的驾驶行为组合。
111.步骤s70，将所述第二预设个数的驾驶行为组合映射到所述高精度路面地图中，生成目标场景；
112.本实施例中，将上述得到的第二预设个数的驾驶行为组合映射到所述高精度路面地图，即可以生成不同驾驶激进度等级的目标场景。
113.进一步，一实施例中，参照图4，所述步骤s70包括：
114.步骤s701，将每个驾驶行为组合对应的主车驾驶行为参数以及目标车驾驶行为参数与目标场景片段的坐标进行配准，得到对应场景的起始坐标；
115.步骤s702，基于所述起始坐标，将每个驾驶行为组合映射到所述高精度路面地图中，生成目标场景。
116.本实施例中，具体地，将所述第二预设个数的驾驶行为组合映射到所述高精度路面地图中，生成目标场景的步骤包括：将每个驾驶行为组合对应的主车驾驶行为参数以及目标车驾驶行为参数与目标场景片段的坐标进行配准，得到对应场景的起始坐标。基于所述起始坐标，将每个驾驶行为组合映射到所述高精度路面地图中，生成目标场景。
117.步骤s80，对所述目标场景进行仿真重推演，以仿真重推演中发生事故的目标场景以及危险但并未发生事故的目标场景为危险场景。
118.本实施例中，在生成了目标场景之后，对上述目标场景进行仿真重推演，以仿真重推演中发生事故的目标场景以及危险但并未发生事故的目标场景为危险场景。上述危险场景即包括了未造成交通事故而属于危险驾驶的场景。
119.本实施例中提供了一种危险场景生成方法包括：基于目标信息提取目标场景片段，所述目标信息包括主车驾驶员的行为参数以及驾驶场景参数；基于驾驶场景参数生成所述目标场景片段中的目标物列表；基于所述目标物列表，生成目标场景片段中的目标车驾驶轨迹以及高精度路面地图；基于第一预设个数的加权因子对所述主车驾驶员的行为参数进行加权，生成第一预设个数的主车驾驶行为参数；基于第一预设个数的加权因子对目标车驾驶轨迹对应的参数进行加权，生成第一预设个数的目标车驾驶行为参数；对所述第一预设个数的主车驾驶行为参数与第一预设个数的目标车驾驶行为参数进行组合，得到第二预设个数的驾驶行为组合；将所述第二预设个数的驾驶行为组合映射到所述高精度路面地图中，生成目标场景；对所述目标场景进行仿真重推演，以仿真重推演中发生事故的目标场景以及危险但并未发生事故的目标场景为危险场景。本发明通过为真实采集的驾驶场景数据叠加不同驾驶激进度的加权因子，使得在不人为制造危险驾驶的情况下获取危险场景成为可能，丰富了事故场景的来源，解决了现有方案所获取的危险场景数据存在局限性的技术问题，在提高了危险场景生成效率的同时，降低了成本。
120.第三方面，本发明实施例还提供一种危险场景生成装置。
121.参照图5，危险场景生成装置一实施例的功能模块示意图。
122.本实施例中，所述危险场景生成装置包括：
123.提取模块10，用于基于目标信息提取目标场景片段，所述目标信息包括主车驾驶员的行为参数以及驾驶场景参数；
124.第一生成模块20，用于基于驾驶场景参数生成所述目标场景片段中的目标物列表；
125.第二生成模块30，用于基于所述目标物列表，生成目标场景片段中的目标车驾驶轨迹以及高精度路面地图；
126.第一加权模块40，用于基于第一预设个数的加权因子对所述主车驾驶员的行为参数进行加权，生成第一预设个数的主车驾驶行为参数；
127.第二加权模块50，用于基于第一预设个数的加权因子对目标车驾驶轨迹对应的参
数进行加权，生成第一预设个数的目标车驾驶行为参数；
128.组合模块60，用于对所述第一预设个数的主车驾驶行为参数与第一预设个数的目标车驾驶行为参数进行组合，得到第二预设个数的驾驶行为组合；
129.第三生成模块70，用于将所述第二预设个数的驾驶行为组合映射到所述高精度路面地图中，生成目标场景；
130.仿真模块80，用于对所述目标场景进行仿真重推演，以仿真重推演中发生事故的目标场景以及危险但并未发生事故的目标场景为危险场景。
131.可选的，所述危险场景生成装置，还包括获取模块，用于：
132.获取预设信息，所述预设信息包括主车驾驶员的行为参数以及驾驶场景参数；
133.筛除不具备主车定位信息或传感器信号异常的预设信息，得到目标信息。
134.可选的，所述提取模块10，具体用于：
135.筛选出满足第一预设阈值条件的主车驾驶员的行为参数，且满足第二预设阈值条件的驾驶场景参数的时间片段；
136.以所述时间片段为目标场景片段。
137.可选的，所述第一生成模块20，具体用于：
138.基于驾驶场景参数，标注得到目标场景片段中的目标物；
139.对多传感器监测到的同一目标物进行融合，并基于融合结果，输出目标物列表，所述目标物列表包括：监测到目标物的时间戳，目标物类型以及目标物的状态参数。
140.可选的，所述第二生成模块30，具体用于：
141.确定目标物列表中目标物类型为交通车道线、道路边缘的第一目标物，结合第一目标物与地图数据，生成目标场景片段中的高精度路面地图；
142.确定目标物列表中目标物类型为车辆的第二目标物，结合第二目标物与第二目标物对应的状态参数，生成目标场景片段中的目标车驾驶轨迹。
143.可选的，所述组合模块60，具体用于：
144.通过等间隔排列组合的方式遍历所述第一预设个数的主车驾驶行为参数与第一预设个数的目标车驾驶行为参数进行组合，得到第三预设个数的驾驶行为组合；
145.从所述第三预设个数的驾驶行为组合中，筛除主车与目标车的车速差值不满足第三预设阈值条件，或主车与目标车的距离不满足第四预设阈值条件的驾驶行为组合，得到第二预设个数的驾驶行为组合。
146.可选的，所述第三生成模块70，具体用于：
147.将每个驾驶行为组合对应的主车驾驶行为参数以及目标车驾驶行为参数与目标场景片段的坐标进行配准，得到对应场景的起始坐标；
148.基于所述起始坐标，将每个驾驶行为组合映射到所述高精度路面地图中，生成目标场景。
149.其中，上述危险场景生成装置中各个模块的功能实现与上述危险场景生成方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
150.第四方面，本发明实施例还提供一种可读存储介质。
151.本发明可读存储介质上存储有危险场景生成程序，其中所述危险场景生成程序被处理器执行时，实现如上述的危险场景生成方法的步骤。
152.其中，危险场景生成程序被执行时所实现的方法可参照本发明危险场景生成方法的各个实施例，此处不再赘述。
153.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
154.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
155.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。
156.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
技术特征：1.一种危险场景生成方法，其特征在于，所述危险场景生成方法包括：基于目标信息提取目标场景片段，所述目标信息包括主车驾驶员的行为参数以及驾驶场景参数；基于驾驶场景参数生成所述目标场景片段中的目标物列表；基于所述目标物列表，生成目标场景片段中的目标车驾驶轨迹以及高精度路面地图；基于第一预设个数的加权因子对所述主车驾驶员的行为参数进行加权，生成第一预设个数的主车驾驶行为参数；基于第一预设个数的加权因子对目标车驾驶轨迹对应的参数进行加权，生成第一预设个数的目标车驾驶行为参数；对所述第一预设个数的主车驾驶行为参数与第一预设个数的目标车驾驶行为参数进行组合，得到第二预设个数的驾驶行为组合；将所述第二预设个数的驾驶行为组合映射到所述高精度路面地图中，生成目标场景；对所述目标场景进行仿真重推演，以仿真重推演中发生事故的目标场景以及危险但并未发生事故的目标场景为危险场景。2.如权利要求1所述的危险场景生成方法，其特征在于，在所述基于目标信息提取目标场景片段的步骤之前包括：获取预设信息，所述预设信息包括主车驾驶员的行为参数以及驾驶场景参数；筛除不具备主车定位信息或传感器信号异常的预设信息，得到目标信息。3.如权利要求1所述的危险场景生成方法，其特征在于，所述基于目标信息提取目标场景片段的步骤包括：筛选出满足第一预设阈值条件的主车驾驶员的行为参数，且满足第二预设阈值条件的驾驶场景参数的时间片段；以所述时间片段为目标场景片段。4.如权利要求1所述的危险场景生成方法，其特征在于，所述基于驾驶场景参数生成所述目标场景片段中的目标物列表的步骤包括：基于驾驶场景参数，标注得到目标场景片段中的目标物；对多传感器监测到的同一目标物进行融合，并基于融合结果，输出目标物列表，所述目标物列表包括：监测到目标物的时间戳，目标物类型以及目标物的状态参数。5.如权利要求4所述的危险场景生成方法，其特征在于，所述基于所述目标物列表，生成目标场景片段中的目标车驾驶轨迹以及高精度路面地图的步骤包括：确定目标物列表中目标物类型为交通车道线、道路边缘的第一目标物，结合第一目标物与地图数据，生成目标场景片段中的高精度路面地图；确定目标物列表中目标物类型为车辆的第二目标物，结合第二目标物与第二目标物对应的状态参数，生成目标场景片段中的目标车驾驶轨迹。6.如权利要求1所述的危险场景生成方法，其特征在于，所述对所述第一预设个数的主车驾驶行为参数与第一预设个数的目标车驾驶行为参数进行组合，得到第二预设个数的驾驶行为组合的步骤包括：通过等间隔排列组合的方式遍历所述第一预设个数的主车驾驶行为参数与第一预设个数的目标车驾驶行为参数进行组合，得到第三预设个数的驾驶行为组合；
从所述第三预设个数的驾驶行为组合中，筛除主车与目标车的车速差值不满足第三预设阈值条件，或主车与目标车的距离不满足第四预设阈值条件的驾驶行为组合，得到第二预设个数的驾驶行为组合。7.如权利要求1所述的危险场景生成方法，其特征在于，所述将所述第二预设个数的驾驶行为组合映射到所述高精度路面地图中，生成目标场景的步骤包括：将每个驾驶行为组合对应的主车驾驶行为参数以及目标车驾驶行为参数与目标场景片段的坐标进行配准，得到对应场景的起始坐标；基于所述起始坐标，将每个驾驶行为组合映射到所述高精度路面地图中，生成目标场景。8.一种危险场景生成装置，其特征在于，所述危险场景生成装置包括：提取模块，用于基于目标信息提取目标场景片段，所述目标信息包括主车驾驶员的行为参数以及驾驶场景参数；第一生成模块，用于基于驾驶场景参数生成所述目标场景片段中的目标物列表；第二生成模块，用于基于所述目标物列表，生成目标场景片段中的目标车驾驶轨迹以及高精度路面地图；第一加权模块，用于基于第一预设个数的加权因子对所述主车驾驶员的行为参数进行加权，生成第一预设个数的主车驾驶行为参数；第二加权模块，用于基于第一预设个数的加权因子对目标车驾驶轨迹对应的参数进行加权，生成第一预设个数的目标车驾驶行为参数；组合模块，用于对所述第一预设个数的主车驾驶行为参数与第一预设个数的目标车驾驶行为参数进行组合，得到第二预设个数的驾驶行为组合；第三生成模块，用于将所述第二预设个数的驾驶行为组合映射到所述高精度路面地图中，生成目标场景；仿真模块，用于对所述目标场景进行仿真重推演，以仿真重推演中发生事故的目标场景以及危险但并未发生事故的目标场景为危险场景。9.一种危险场景生成设备，其特征在于，所述危险场景生成设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的危险场景生成程序，其中所述危险场景生成程序被所述处理器执行时，实现如权利要求1至7中任一项所述的危险场景生成方法的步骤。10.一种可读存储介质，其特征在于，所述可读存储介质上存储有危险场景生成程序，其中所述危险场景生成程序被处理器执行时，实现如权利要求1至7中任一项所述的危险场景生成方法的步骤。
技术总结本发明提供一种危险场景生成方法、装置、设备及可读存储介质，危险场景生成方法包括：基于目标信息提取目标场景片段；生成所述目标场景片段中的目标物列表；基于目标物列表，生成目标场景片段中的目标车驾驶轨迹以及高精度路面地图；基于加权因子进行加权，生成第一预设个数的主车驾驶行为参数与目标车驾驶行为参数；组合得到第二预设个数的驾驶行为组合；将驾驶行为组合映射到所述高精度路面地图中，生成目标场景；对目标场景进行仿真重推演，以仿真重推演中发生事故的目标场景以及危险但并未发生事故的目标场景为危险场景。通过本发明使得在不人为制造危险驾驶的情况下获取危险场景成为可能，在提高了危险场景生成效率的同时，降低了成本。降低了成本。降低了成本。
技术研发人员：刘明 江威 杜强飞 李超 刘阳
受保护的技术使用者：襄阳达安汽车检测中心有限公司
技术研发日：2022.07.15
技术公布日：2022/11/1
