本發明屬于自動駕駛汽車測試，具體的說是基于大模型知識引導的智能汽車關鍵場景優化生成方法。

背景技術：

1、智能汽車技術引領著交通出行領域的創新前沿，為了保證智能汽車能夠應對復雜的駕駛環境，避免發生事故，需要科學完善的測試評價體系為支撐。基于場景的測試方法通過將車輛行駛過程中可能遇到的各種行駛工況抽象為參數化和語義化描述的“測試場景片段”，可以有效模擬現實世界，對待測系統進行更全面的測試，如何高效率、高覆蓋性生成關鍵測試場景是智能汽車性能驗證的重點內容。

2、已有研究主要集中在重要性采樣和優化搜索兩方面。重要性采樣方法通過概率密度函數重構，將測試資源聚焦于關鍵場景區域，然而這類方法側重統計意義下的置信度驗證，難以直接指導算法優化迭代。相比之下，優化搜索方法通過參數空間探索直接定位系統薄弱環節，生成的關鍵測試場景可以直接用于智能汽車算法優化改進，具有更好的應用價值。然而，現在的算法普遍采用現有的智能優化算法或者基礎的改進算法直接對場景生成過程進行優化搜索，完全依賴參數組合，缺乏對測試場景的深入理解。智能駕駛等級的提高使得場景規模和復雜性大幅增加，非線性和不確定性成為測試過程的常態。傳統方法無法提供足夠的啟發式梯度信息，導致關鍵場景搜索面臨效率、覆蓋率和準確性的挑戰。將先驗知識引入優化搜索過程有望提升優化算法的性能表現，然而傳統的知識構建方法依賴大量的人工經驗，知識結構單一、固化，引導方式局限，難以應用于復雜、多維的智能汽車場景生成過程。

3、因此，亟需一種綜合考慮知識構建、知識應用優化搜索方法，實現智能汽車關鍵場景的針對性持續生成。

技術實現思路

1、為解決上述問題，本發明提供了一種基于大模型（large?language?model，llm）知識引導的智能汽車關鍵場景優化生成方法，通過知識模型、大語言模型與優化搜索的互相結合，可以迅速生成智能汽車的關鍵場景。

2、本發明技術方案結合附圖說明如下：

3、本發明提供了一種基于大模型知識引導的智能汽車關鍵場景優化生成方法，包括以下步驟：

4、s1、構建知識表達模塊，從場景理論知識和場景探索知識兩部分設計知識結果、大語言模型應用方式和動態更新過程；

5、s2、構建參數優化模塊，設計包含全局探索、局部尋優和空間剪枝多階段尋優策略，與知識模型相融合；

6、s3、搭建仿真測試模塊，基于carla仿真平臺，通過llm-agent構建場景搭建、待測系統、仿真執行、數據導出組件；

7、s4、選型預訓練大語言模型，設計選型指標并進行模型選取；

8、s5、構建評價和記憶模塊，對測試結果進行評價，并存儲過程中的所有測試和知識數據。

9、進一步的，所述s1的具體方法如下：

10、s11、建立場景理論知識，包含重要性、單調性和耦合性三部分；

11、s111、建立重要性；

12、針對確定的自動駕駛系統，通過互相比較獲取具體場景要素的重要性，從而構建要素重要性模型；

13、s112、建立單調性；

14、所述單調性用于描述在特定參數范圍內，參數與結果間的單調關系，llm基于運動學方程和物理規律分析得出，用于指導測試邊界的搜索過程；

15、s113、建立耦合性；

16、通過系統工程中的耦合度理論分析要素間的相互依賴關系，由llm完成；

17、s12、建立場景探索知識，包含空間區域特征、優解特征和收斂特征三部分；

18、s121、對空間區域特征進行分析；

19、將搜索空間分為未發掘部分和已發掘部分；

20、s122、對優解特征進行分析；

21、記錄在優化過程中發現的關鍵場景要素的最優解信息；通過實時跟蹤和分析各個要素區域的表現，保存全局最優解，當找到新的全局最優解時，將全局最優解加入集合中，設定最大容量，當超過最大容量時，移除最早進入的元素；

22、同時，通過提示詞設計，要求llm自我推斷出當前維度下的推薦取值，從而構建和動態更新優質解集合，利用llm對知識的理解能力指導后續局部尋優過程；對優質解集合中的相應維度進行統計分析，獲取均值和標準差：

23、；

24、；

25、計算結果用以輔助llm的取值推薦過程；

26、s123、評估優化搜索過程的效果；

27、s13、設計知識構建與動態更新流程；

28、通過預設的提示詞模板引導llm生成上下文提示，以此動態更新知識表達模型，從而指導后續的決策和行動；

29、s131、設計測試初始階段；

30、s132、設計優化過程；

31、s133、進行動態更新。

32、進一步的，所述s111的具體方法如下：

33、s1111、llm解析待測系統功能需求，通過自然語言推理生成要素兩兩比較語義描述，轉換為判斷矩陣；

34、s1112、基于層次分析檢驗agent進行判斷，如果一致性比率即cr檢驗通過，則表明結果可用，保存到知識庫中，供后續優化搜索使用，否則沿用之前的數值，cr的計算方法如下：

35、；

36、式中，為隨機一致性指標，當小于0.1，認為矩陣具有滿意的一致性；通過將ahp與llm結合，自動生成并更新場景要素的重要性模型，量化各要素的影響，同時llm根據后續優化過程中的參數靈敏度數據，動態調整判斷矩陣元素值，形成閉環修正系統；

37、所述s112的具體方法如下：

38、s1121、llm基于物理運動學理論，初步判斷場景要素的單調性等級；

39、s1122、構建局部靈敏度分析方法即sa，根據離散差分近似計算偏導數：

40、；

41、測試數據與靈敏度分析結果再次提供給llm，llm基于測試數據生成修正后的單調性映射表；

42、所述s113的具體方法如下：

43、s1131、利用llm對測試場景的理解能力，基于歷史數據，建立要素間的耦合關系，對耦合性強度進行標注，以耦合度矩陣m表達，其中每個元素表示要素與間的耦合強度；

44、s1132、在測試過程的每個階段，利用相關性分析即ca計算各要素間的斯皮爾曼相關系數，量化要素間的非線性關聯，提供給llm，輔助llm調整耦合關系進行，計算公式如下：

45、；

46、式中，為兩組排序數據之間的差異，為樣本數量；根據的值調整耦合度矩陣中的相應位置，以反映最新的非線性相關關系；

47、所述s121的具體方法如下：

48、s1211、llm識別搜索過程中的空白區域，同時與后續的場景空間分區策略相結合，優化全局探索效率；在維測試空間中，每個點用向量表示，其中，對于每個維度，定義任意點到最近前向遞推已知點的距離如下：

49、；

50、式中，為確定為已經發掘區域內的點集在第維度上的投影，設定閾值，如果計算的距離結果小于，則認為已經發掘；動態調整，llm基于歷史數據和理論模型自動識別和更新區域特征，從而實現加速測試過程中區域特征的動態更新；

51、所述s123的具體方法如下：

52、s1231、llm根據每次優化搜索過程中的關鍵場景數目以及粒子種群的收斂性判據，分析局部優化階段是否能夠持續發掘測試場景，或是否需要轉入全局探索階段；

53、s1232、收斂性分析包括對優化算法的收斂速度、穩定性和重復特征進行量化評估，并根據評估結果調整優化策略，以保證搜索過程的全面性，為了輔助llm分析，構建各指標計算公式如下：

54、；

55、；

56、；

57、式中，為第次迭代找到的關鍵場景數目；為初始粒子空間中的關鍵場景數目；為第代所有粒子位置的平均值；為粒子間的歐幾里得距離；

58、所述s131的具體方法如下：

59、測試初始階段，基于測試場景相關理論和待測系統信息，構建初步的場景理論模型；將場景描述轉換為提示詞，并結合上下文信息，輔助llm初始化構建理論知識模型；

60、所述s132的具體方法如下：

61、在優化過程中，收集優化搜索過程的歷史指令、種群變量狀態、場景庫數據及仿真測試結果，基于預設的涵蓋優化搜索的關鍵概念、目標函數以及場景理論相關的提示詞模板形成上下文信息；llm基于當前上下文信息，調用對應的agent計算工具，生成關于場景要素的重要性、單調性、耦合性知識，并據此動態更新場景理論知識；對于探索過程知識，記錄區域特征、優解特征和收斂特征，并對llm優解進行推斷，保存為具體數值矩陣；

62、所述s133的具體方法如下：

63、在每輪優化后，llm不斷接收新數據，通過sa、ca和ahp?agent的協同工作，實現知識檢驗與靈敏度、相關性數據生成，輔助llm學習并適應測試環境變化，調整知識表達模型；更新后的知識表達將指導后續參數優化模塊中的智能體決策行為，決策結果再次反饋至系統，形成持續改進的閉環。

64、進一步的，所述s2的具體方法如下：

65、s21、對全局探索部分進行建模；

66、s22、對局部尋優部分進行建模；

67、s23、對空間剪枝部分進行建模；

68、s24、設計優化執行過程。

69、進一步的，所述s21的具體方法如下：

70、s211、對于每個場景維度，判斷每個維度的重要性及取值區間是否發生變化；如果是初次生成或者發生變化的維度，按照場景參數的具體取值、離散步長和重要性進行重新分區；如果沒有發生變化，則無需再次分區；

71、s212、在每個單維度分區內隨機選擇數據點，并組合生成采樣空間；

72、s213、在采樣空間中采用隨機采樣方法選擇所需樣本；

73、所述s22的具體方法如下：

74、s221、區域聚合；

75、首先利用區域特征、優解特征對全局探索模塊劃分的區域進行聚合，對各場景參數在各自劃分區域內進行統計分析，從取值起點出發，將關鍵場景數量大于20%整體空間內關鍵場景數量的區域標記為核心區域；圍繞核心區域中心定義分隔帶，核心區域聚合后長度不超過該場景參數最小區域長度的3倍，對于非核心區域，以不超過最小區域5倍的長度進行聚合，長度大于核心區域；

76、s222、粒子方程優化；

77、構建與重要性知識結果等值的重要性權值；?llm通過提示詞給出推薦探索的最優解，引導粒子運動設計如下粒子運動方程：

78、；

79、；

80、式中，為時間步時粒子在第個參數維度上的速度；為慣性權重；為第個參數維度的重要性權值；為所在區域加速常數；為其他區域加速常數，所在區域和其他區域即為區域聚合后粒子所在的區域，綜合多種區域有助于粒子快速收斂和掌握全局視野；為全局加速常數；為llm加速常數；，，，為[0,1]之間的隨機數，用于增加搜索的隨機性；為當前粒子在第個參數維度上的位置；為當前粒子第個參數維度在所在區域內的最優位置；為除粒子第個參數維度所在區域外其他所有區域最優解的和；為粒子第個參數維度上的聚合區域數目；為llm分析給出的粒子第個參數維度的最優解；為時間步時的粒子位置；為計算得出的時間步時的粒子速度；

81、所述s23的具體方法如下：

82、s231、約束單調性；

83、對于已知具有單調性的參數，建立約束條件，排除根據單調性判斷不可能包含更優解的區域；

84、s232、分析耦合性；

85、針對參數間的耦合性，構建參數之間的相關性模型，利用模型判斷無效的參數組合；在搜索過程中，當遇到某組參數值時，依據耦合性分析結果，剪掉在給定參數值下不可能產生更好解的參數空間區域；

86、s233、設計剪枝緩沖帶；

87、關鍵性最高的要素初始緩沖帶最高，為要素在全局探索部分的區域寬度，其他要素緩沖帶根據重要性等比例換算，每開始執行一次空間剪枝部分，將緩沖帶寬度調整為上一輪的?3/4；

88、所述s24的具體方法如下：

89、全局探索、局部尋優和空間剪枝三個模塊的協同作用完成循環優化過程；全局探索部分在測試開始時以及優化陷入局部最優時調用，補充粒子群中的多樣個體；局部尋優部分在每一輪尋優后判斷是否循環輪數結束；每一輪尋優后判斷是否循環輪數結束，如果沒有結束則根據空間剪枝部分刪減參數空間，排除非關鍵區域；進一步集成收斂性知識，如果收斂則轉入全局探索部分生成新一輪探索結果，否則繼續執行局部尋優部分；將語句邏輯轉換為任務提示詞，輔助llm進行agent調度和優化工作。

90、進一步的，所述s3的具體方法如下：

91、s31、基于carla仿真構建仿真測試平臺；所述仿真測試平臺包含場景搭建、待測系統、仿真執行、數據導出四個核心組件；

92、s32、場景搭建組件根據輸入用例在要素庫中選取要素搭建測試場景，利用carla內部api，定制靜態場景元素、動態交通參與者和環境特征；要素庫定義了用于環境初始化的各種要素，構建的元素有：車道寬度、車道id、縱向速度、橫向速度、與車道的橫向偏移、主車與交通車間的橫向距離、縱向距離、交通車的縱向速度、橫向速度、光照強度、路面附著系數、天氣條件；待測系統組件提供外置的自動駕駛算法接口，實現傳感器設置、車輛控制信號輸入、底盤與場景反饋信息輸出，根據carla中傳感器特性，支持多種感知傳感器；仿真執行組件通過加載上述場景要素的具體取值初始化場景，并執行仿真模擬程序，過程中實時保存各交通參與者的運動學指標，包括車輛位置、速度、加速度、航向角到結果庫；數據導出組件將模擬過程中收集到的所有運動數據以標準化json格式導出合并保存。

93、進一步的，所述s4的具體方法如下：

94、選擇qwen模型。

95、進一步的，所述s5的具體方法如下：

96、s51、從與危險性相關的碰撞時間與安全距離兩個核心維度定義場景關鍵性指標，并賦予不同的關鍵性等級，如下式所示：

97、；

98、式中，為指導優化搜索的場景適應度值，為了避免碰撞時間和相對距離可能存在的負值影響梯度搜索過程，均取其倒數；碰撞時間小于0.6s，而安全距離小于3m表示極限場景，因此取1.67s-1，取0.33m-1；和的計算公式如下：

99、；

100、；

101、將場景關鍵性設計成三級，并賦予不同權值；兩個指標同時滿足時，表明場景相對位置極限，且碰撞時間極小，表明為測試過程所關注的關鍵場景，關鍵性等級為高，賦予權值10，當僅有一個指標滿足時，關鍵性等級為中，當指標均不滿足時，關鍵性等級為低，賦予權值0.1；

102、s52、數據記憶存儲歷史llm交互狀態、知識模型中的多方面知識、測試場景相關的參數空間與測試結果信息，以及歷史5個優化步長的粒子位置和運動信息；將測試場景與測試結果信息存儲到向量數據庫chroma中；對于其他信息，基于sqlite搭建sql數據庫，實現歷史對話、知識庫和粒子群優化狀態的寫入、查詢與更新。

103、本發明的有益效果為：

104、1）本發明通過知識模型、大語言模型與優化搜索算法的互相結合，可以迅速生成智能汽車的關鍵場景；

105、2）本發明設計的基于llm的知識模型自動化構建與主動更新方法，可以實現了自學習的多元知識庫動態構建，以透明的知識表示和推理機制引導準確的優化搜索過程，相較于人工生成知識更高效、更準確。

106、3）本發明設計的構建全局探索、局部尋優和空間剪枝多階段尋優策略，可以有效應用知識模型，提高關鍵場景的發掘效率。

107、4）本發明設計的基于carla仿真平臺的自動化測試工具，可以充分利用基于llm在工具調用方面的優勢，實現測試場景的自動化解構、重構、模擬、測試。