CN120087099A 无人配送车在微观仿真引擎中运行场景的构建方法、系统、电子设备及存储介质 （北京智能车联产业创新中心有限公司）

(19)国家知识产权局(71)申请人北京智能车联产业创新中心有限公司地址100176北京市大兴区北京经济技术开发区地盛北街1号2号楼4层408室(集群注册)(74)专利代理机构北京远大卓悦知识产权代理有限公司11369专利代理师靳雪华G06F119/02(2020.(54)发明名称无人配送车在微观仿真引擎中运行场景的本发明公开了无人配送车在微观仿真引擎中运行场景的构建方法、系统、电子设备及存储介质，构建方法包括：获取无人配送车运行的场景数据；根据场景数据进行逻辑场景提取；将逻辑场景入库建立为造成无人配送车运行失效的关键场景库；根据造成无人配送车运行失效的关键场景库在仿真引擎中设定无人配送车的场景转化种类，当无人配送车的场景转化种类为运行失效时，判定无人配送车处于异常场景中，将无人配送车的控制权限切换为安全员。本发明可解决微观仿真引擎中无人配送车模型缺乏的问题，避免了通过实际道路研究无人配送车运行规则21.一种无人配送车在微观仿真引擎中运行场景的构建方法，其特征在于，包括：获取无人配送车运行的场景数据；根据获取的场景数据进行逻辑场景提取；将所述逻辑场景入库建立为造成无人配送车运行失效的关键场景库；根据造成无人配送车运行失效的关键场景库在仿真引擎中设定无人配送车的场景转化种类，且当无人配送车的场景转化种类为运行失效时，则判定所述无人配送车处于异常场景中，将所述无人配送车的控制权限切换为安全员。2.如权利要求1所述的无人配送车在微观仿真引擎中运行场景的构建方法，其特征在于，所述安全员对无人配送车异常场景的处置时间计算方式设定如下：1)当无人配送车发生异常，附近有近端安全员时：2)当无人配送车发生异常，附近没有近端安全员时：式中：H是处理第i个异常场景所需时长；S是发生异常场景的时长；H是近端安全员处置时长；C是切换处理异常场景的补偿时间，为常数项。3.如权利要求1所述的无人配送车在微观仿真引擎中运行场景的构建方法，其特征在于，获取无人配送车运行的场景数据的包括：1.1)在无人配送车实际运行的开放道路采集关键场景数据选取无人配送车实际运行的开放道路，采集无人配送车发生脱离的关键场景：道路采集地为以一辆无人配送车运行的最大距离为半径圆形城市区域，道路采集时间为无人配送车实际运行时间，采集周期是一年，记录无人配送车脱离场景发生情况，包括地理位置、道1.2)无人配送车在封闭测试场测试实践中的关键场景数据在封闭测试场地内对无人配送车进行技术开发测试、稳定性测试、自动驾驶道路适应性测试、测试主体管理能力测试；对无人配送车在封闭试验场内通过率较低，或出现高风险事件的场景作为关键场景数据。4.如权利要求1所述的无人配送车在微观仿真引擎中运行场景的构建方法，其特征在于，根据获取的场景数据进行逻辑场景提取包括如下步骤：对获取的场景数据进行标准化处理获得格式化的场景数据，基于格式化的场景数据，首先进行概念场景的提取和分类，然后对相同概念场景的格式化的场景数据进行聚类，参与者层、环境层、主车驾驶行为层各层分别进行参数提取，按照提取到的参数上限进行逻辑场景参数泛化，并最终获得所述逻辑场景。5.如权利要求1所述的无人配送车在微观仿真引擎中运行场景的构建方法，其特征在于，将所述逻辑场景入库建立为造成无人配送车运行失效的关键场景库包括如下步骤：基于场景六层结构特征，所述场景六层结构特征包括主车驾驶行为层、道路层、交通设3征，将所述逻辑场景入库形成造成无人配送车道路运行关键场景库，所述关键场景库用于6.如权利要求2所述的无人配送车在微观仿真引擎中运行场景的构建方法，其特征在于，根据造成无人配送车运行失效的关键场景库在仿真引擎中设定无人配送车的场景转化种类包括如下步骤：根据造成无人配送车运行失效的关键场景库在仿真引擎中设置无人配送车的场景转化种类等级，其中，将无人配送车在正常行驶过程中遇到危险场景时，无人配送车自动驾驶能够保持正常行驶，不发生异常情况，则将该关键场景设置为轻度风险场景；将无人配送车在正常行驶过程中遇到危险场景时，该场景中交通参与者切入的时间与速度达到无人配送车技术能力的上限，无人配送车识别出该场景后不能再继续运行、运行失效，则所述无人配送车处于异常场景中，将所述无人配送车的控制权限切换为安全员；当所述安全员介重新启动车辆即可使无人配送车再次正常运行，则将上述关键场景设置为中度风险场景；将无人配送车在正常行驶过程中遇到危险场景时，该场景中交通参与者切入的时间与速度，超出无人配送车技术能力，使得所述无人配送车发生事故、运行失效，则所述无人配送车处于异常场景中，将所述无人配送车的控制权限切换为安全员，所述安全员接管后将所述无人配送车返厂处理，则将上述关键场景设置为重度风险场景；且，中度风险场景中Ht等于安全员近端处置实际时长，重度风险场景中Ht等于无人配送车返厂处置的实际时长。7.如权利要求4所述的无人配送车在微观仿真引擎中运行场景的构建方法，其特征在于，对获取的场景数据进行标准化处理获得格式化的场景数据包括如下步骤：归类，同时，将无人配送车相关动作数据提取并作为主车驾驶行为层。8.基于权利要求1所述的方法构建的无人配送车在微观仿真引擎中运行场景的系统，获取无人配送车运行的场景数据的模块；根据获取的场景数据进行逻辑场景提取的模块；将所述逻辑场景入库建立为造成无人配送车运行失效的关键场景库的模块；根据造成无人配送车运行失效的关键场景库在仿真引擎中设定无人配送车的场景转化种类的模块，其能够用于当无人配送车的场景转化种类为运行失效时，则判定所述无人配送车处于异常场景中，将所述无人配送车的控制权限切换为安全员。9.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-7中任一项所述的方法。10.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时，实现权利要求1-7中任一项所述的方法。4子设备及存储介质技术领域[0001]本发明涉及自动驾驶技术领域，尤其涉及无人配送车在微观仿真引擎中运行场景背景技术[0002]随着社会经济的发展，物流配送行业得到极大促进，为解决传统人工配送经济效率低、劳动强度大等问题，自动驾驶行业正积极推动无人配送技术的革新，广泛部署于物流配送、餐饮服务递送及零售贩卖等多个应用场景中的无人配送车辆，这标志着该技术的商业化落地与广泛应用。[0003]然而，无人配送车投放至开放道路后，将给道路交通参与者间的交互带来新的挑战，为道路运行的效率和安全带来新的影响。基于上述原因，需要在保证道路畅通且安全的前提下，研究无人配送车的投放。若将无人配送车直接投放在开放道路进行研究，将会给道路安全带来巨大隐患。而随着微观仿真技术的成熟发展，利用微观仿真引擎研究无人配送车在开放道路运行是现阶段最科学合理的方式之一。[0004]鉴于无人配送车辆作为一项新兴技术产物，其技术体系尚处于发展阶段，存在一定的性能局限性和技术约束。无人配送车作为自动驾驶技术的扩展应用，当前面临两大技术挑战：一是环境感知能力有限，难以全面应对极端场景；二是自主导航与决策虽已实现，但在复杂配送任务中的灵活性和适应性仍需增强。所以，有必要研究无人配送车的投放，保[0005]目前以SUMO软件为例的微观仿真引擎不具备无人配送车模型。此外，无人配送车自动驾驶能力设计运行范围有限，超出该范围，无人配送车便会出现脱离或事故等风险场景。基于该原因，微观仿真引擎中还缺乏对无人配送车在面临风险场景时，其运行方式转化的指导和设立。综上所述，需要解决无人配送车在仿真引擎中的模型指导和设立和运行场景转化方式的建立。发明内容[0006]本发明实施例的一个目的是解决至少上述问题和/或缺陷，并提供至少后面将说明的优点。[0007]本发明还有一个目的是提供无人配送车在微观仿真引擎中运行场景的构建方法、第一方面，一种无人配送车在微观仿真引擎中运行场景的构建方法，包括：获取无人配送车运行的场景数据；根据获取的场景数据进行逻辑场景提取；将所述逻辑场景入库建立为造成无人配送车运行失效的关键场景库；5根据造成无人配送车运行失效的关键场景库在仿真引擎中设定无人配送车的场景转化种类，且当无人配送车的场景转化种类为运行失效时，则判定所述无人配送车处于异常场景中，将所述无人配送车的控制权限切换为安全员。[0009]优选的是，所述的无人配送车在微观仿真引擎中运行场景的构建方法中，所述安全员对无人配送车异常场景的处置时间计算方式设定如下：1)当无人配送车发生异常，附近有近端安全员时：2)当无人配送车发生异常，附近没有近端安全员时：式中：H;是处理第i个异常场景所需时长；S是发生异常场景的时长；H是近端安全员处置时长；C是切换处理异常场景的补偿时[0010]优选的是，所述的无人配送车在微观仿真引擎中运行场景的构建方法中，获取无人配送车运行的场景数据的包括：1.1)在无人配送车实际运行的开放道路采集关键场景数据选取无人配送车实际运行的开放道路，采集无人配送车发生脱离的关键场景：道路采集地为以一辆无人配送车运行的最大距离为半径圆形城市区域，道路采集时间为无人配送车实际运行时间，采集周期是一年，记录无人配送车脱离场景发生情况，包括地理位1.2)无人配送车在封闭测试场测试实践中的关键场景数据在封闭测试场地内对无人配送车进行技术开发测试、稳定性测试、自动驾驶道路适应性测试、测试主体管理能力测试；对无人配送车在封闭试验场内通过率较低，或出现高风险事件的场景作为关键场景数据。[0011]优选的是，所述的无人配送车在微观仿真引擎中运行场景的构建方法中，根据获取的场景数据进行逻辑场景提取包括如下步骤：对获取的场景数据进行标准化处理获得格式化的场景数据，基于格式化的场景数据，首先进行概念场景的提取和分类，然后对相同概念场景的格式化的场景数据进行聚类，交通参与者层、环境层、主车驾驶行为层各层分别进行参数提取，按照提取到的参数上限进行逻辑场景参数泛化，并最终获得所述逻辑场景。[0012]优选的是，所述的无人配送车在微观仿真引擎中运行场景的构建方法中，将所述逻辑场景入库建立为造成无人配送车运行失效的关键场景库包括如下步骤：基于场景六层结构特征，所述场景六层结构特征包括主车驾驶行为层、道路层、交构特征，将所述逻辑场景入库形成造成无人配送车道路运行关键场景库，所述关键场景库[0013]优选的是，所述的无人配送车在微观仿真引擎中运行场景的构建方法中，根据造成无人配送车运行失效的关键场景库在仿真引擎中设定无人配送车的场景转化种类包括6如下步骤：设定无人配送车在微观仿真引擎中的物理参数：项目1长度2宽度3高度4速度5加速度6减速度根据造成无人配送车运行失效的关键场景库在仿真引擎中设置无人配送车的场景转化种类等级，其中，将无人配送车在正常行驶过程中遇到危险场景时，无人配送车自动驾驶能够保持正常行驶，不发生异常情况，则将该关键场景设置为轻度风险场景；将无人配送车在正常行驶过程中遇到危险场景时，该场景中交通参与者切入的时间与速度达到无人配送车技术能力的上限，无人配送车识别出该场景后不能再继续运行、运行失效，则所述无人配送车处于异常场景中，将所述无人配送车的控制权限切换为安全员；当所述安全员介重新启动车辆即可使无人配送车再次正常运行，则将上述关键场景设置为中度风险场景；将无人配送车在正常行驶过程中遇到危险场景时，该场景中交通参与者切入的时间与速度，超出无人配送车技术能力，使得所述无人配送车发生事故、运行失效，则所述无人配送车处于异常场景中，将所述无人配送车的控制权限切换为安全员，所述安全员接管后将所述无人配送车返厂处理，则将上述关键场景设置为重度风险场景；根据上述造成无人配送车运行失效的关键场景库可知，每一种关键场景均可分为[0014]计算得出无人配送车中在轻度关键场景、中度关键场景、重度关键场景的不同风CN120087099A7非机动车切入目标物切入时与无中度风险场景目标物切入时与无中度风险场景动车横穿目标物横穿时与无中度风险场景施工路段占中度风险场景8事故区域占中度风险场景直行，机动车直行冲突口，与无人配送车存在碰撞风险，预目标物通过时与无人配送车tte≤4s中度风险场景直行，机动车左转冲突在对向/左侧垂直/右侧垂直车道左目标物通过时与无人配送车tte≤4s中度风险场景直行，机动路口时，机动车加速超越抢行右转，目标物通过时与无人配送车tte≤4s中度风险场景直行，机动车右转冲突目标物通过时与无人配送车tte≤4s中度风险场景突无人配送车直行通过路口时，非机动目标物通过时与无人配送车tte≤4s中度风险场景行无人配送车直行通过路口时，非机动车在同车道内左侧后方或后方左侧目标物通过时与无人配送车ttc≤4s86.1%中度风险场景将上述概率场景配置于微观仿真引擎中，在微观仿真引擎中输入城市区域实际交通流各项数据指标，复现无人配送车在真实交通场景中的运行情况，设定无人配送车发生且设定：中度风险场景中Ht等于安全员近端处置实际时长，重度风险场景中Ht等于无人配送车返厂处置的实际时长。[0015]优选的是，所述的无人配送车在微观仿真引擎中运行场景的构建方法中，对获取的场景数据进行标准化处理获得格式化的场景数据包括如下步骤：分层归类，同时，将无人配送车相关动作数据提取并作为主车驾驶行为层。[0016]第二方面，基于所述的方法构建的无人配送车在微观仿真引擎中运行场景的系9获取无人配送车运行的场景数据的模块；根据获取的场景数据进行逻辑场景提取的模块；将所述逻辑场景入库建立为造成无人配送车运行失效的关键场景库的模块；根据造成无人配送车运行失效的关键场景库在仿真引擎中设定无人配送车的场景转化种类的模块，其能够用于当无人配送车的场景转化种类为运行失效时，则判定所述无人配送车处于异常场景中，将所述无人配送车的控制权限切换为安全员。[0017]第三方面，一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行任一项所述的方法。[0018]第四方面，一种存储介质，其上存储有计算机程序，该程序被处理器执行时，实现任一项所述的方法。[0019]本发明实施例至少包括以下有益效果：(1)本发明通过在微观仿真引擎中设定无人配送车场景转化和配置无人配送车参数，可解决微观仿真引擎中无人配送车模型缺乏的问题。[0020](2)本发明通过在微观仿真引擎中设置无人配送车模型，可用于无人配送车投放至实际道路的相关问题研究，避免了通过实际道路研究无人配送车运行规则而带来的安全风险。[0021](3)本发明能够有效指导无人配送车投放至实际道路的相关投放规则的研究。[0022]本发明实施例的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明实施例的研究和实践而为本领域的技术人员所理解。附图说明[0023]图1为本发明其中一个实施例中的易造成无人配送车运行失效的关键场景库的建立过程图。[0024]图2为本发明其中一个实施例中的数据处理中的数据格式图。[0025]图3为本发明其中一个实施例中无人配送车交通运行数据库层级图。[0026]图4为本发明其中一个实施例中的无人配送车关键场景库(逻辑场景)(示例)图。[0027]图5为本发明其中一个实施例中的无人配送车在微观仿真引擎中的可视化样式示[0028]图6为本发明其中一个实施例中的无人配送车在微观仿真引擎中对不同风险场景的应对转化示意图。具体实施方式[0029]下面结合附图对本发明实施例做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。[0030]本发明旨在为降低无人配送车因技术局限导致的道路安全风险相关研究，提供一种无人配送车在微观仿真引擎中的运行场景的构建方法。[0031]本发明要解决在城市开放道路上直接研究无人配送车投放规则带来的道路风险[0032]本发明要解决微观仿真引擎中缺乏无人配送车模型的问题。[0033]本发明要解决易造成无人配送车运行失效的关键场景类型划分的问题，使无人配送车道路场景转化问题变为可量化、可计算的决策优化模型。[0034]为使本领域技术人员更好地理解本发明的技术方案，现提供如下的实施例进行进一步说明：本发明提供一种无人配送车在微观仿真引擎中运行场景的构建方法，包括：本发明通过建立易造成无人配送车运行失效的关键场景库实现无人配送车在微观仿真中运行场景的构建。易造成无人配送车运行失效的关键场景库建立过程如图1所示。[0036]关键场景是指无人配送车的关键脱离场景，而关键脱离是指因无人配送车系统故障、策略问题、超出设计运行域等原因，控制权限切换为安全员的事件。无人配送车关键场景获取来源包括两方面工作。[0037]1.1在无人配送车实际运行的开放道路采集关键场景数据选取无人配送车实际运行的开放道路，采集无人配送车发生脱离的关键场景。采集工作的流程包括方案设计、摄像设备安装、测速设备安装以及事件记录。[0038]方案设计原则是重点观察无人配送车在开放道路运行时，无人配送车对交通标志和标线的识别及响应、对交通信号灯的识别及响应、对障碍物的识别及响应、对行人和非机动车的识别及响应，无人配送车起步、靠路边停车、交叉路口通行、自动紧急制动场景下的表现情况是否发生异常，并在此基础上进行延伸和扩充，通过摄像设备、测速设备观察无人配送车所有异常表现及对道路形成的影响，包括造成道路拥堵及道路事故。通过上述工作保证开放道路数据采集场景抽取的全面性、合理性和科学性。[0039]道路采集地为以一辆无人配送车运行的最大距离为半径圆形城市区域，道路采集时间为无人配送车实际运行时间，现阶段无人配送车运行已实现全天24小时，所以在一天内的道路采集时间为0:00~24:00,为无人配送车关键场景数据的全面性，设定采集周期是[0040]摄像设备及测速设备安装方式通过一定间距放置，以及时记录无人配送车脱离场[0041]1.2无人配送车在封闭测试场测试实践中的关键场景数据依据相关政策标准，在封闭测试场地内对无人配送车进行技术开发测试、稳定性测试、自动驾驶道路适应性测试、测试主体管理能力测试。通过上述结构化测试方式，对无人配送车在封闭试验场内通过率较低，或出现高风险事件的场景进行筛选和评估。这些场景是确定无人配送车在进入开放道路示范运营阶段重点进行风险监管和预防的关键场景。因此，上述场景也是无人配送车关键场景数据的重要来源之一。[0042]第二步：对无人配送车关键场景数据进行标准化处理场景数据标准化是指将不同来源及不同形式的场景数据格式化为统一的场景格式，便于下一步的场景设置与提取工作。[0043]标准化主要分为两个步骤，首先进行场景的接入、清洗、整理工作，将采集到的场11据分层归类。同时，本项目研究主体为无人配送侧滑，为了便于研究无人配送车的驾驶行为，将无人配送车相关动作数据提取为主车驾驶行为层。[0044]对于通过视频采集的场景数据需要进行场景的数字化，首先进行原始视频消抖、对较差的数据进行挑选和淘汰。例如，采集的视频经过人工审查后，保留符合要求的视频进入数据处理阶段；在数据处理阶段，为了保证目标检测和轨迹提取的质量，首先会对视频进行消抖处理，消除视频中图像轻微抖动、偏转等问题，随后采用目标识别和轨迹跟踪算法进行目标检测和轨迹提取，示例得，数据处理的方斜校正和变形校正进行视频画面变形矫正，根据视频处理检验结果和视频信息检验结果检验视频。通过上述步骤形成视频文件库，利用检测算子模型匹配进行检测算子参数配置，从成后生成一级轨迹文件，文件数据格式如图2所示。景目标过滤、目标类型校正、目标轨迹校正生成二级轨迹文件。然后通过中心点平滑、角度平滑工作生成三级轨迹文件，结合地图绘制形成轨迹库。[0046]针对轨迹库中三级轨迹文件，加载地图信息，设定提取的场景参数，其中，静态场景参数包括地理信息、目标类型，动态场景参数包括交互定义及动态参数定义，进而通过轨迹筛选、轨迹匹配、场景切片、场景标定工作形成场景数据文件，包括自动标注场景标签和[0047]第三步：无人配送车关键场景设置与提取基于格式化的场景数据，首先进行概念场景(或称功能场景)的设置提取和分类，通过概念场景定义，实现对场景基本情况的自然语言描述，然后对相同概念场景的格式化场景数据进行聚类。概念场景通过自然语言的方式，对场景中的关键目标和关键动作进行描述，便于管理和使用者阅读和理解场景的核心含义。[0048]在场景聚类后，对相同的概念场景，在道路层、交通层、交通设施层、临时障碍物层、交通参与者层、环境层、主车驾驶行为层各层分别进行参数提取，按照提取到的参数上限进行逻辑场景参数泛化，并最终获得逻辑场景。关键场景设置以表1为例说明。[0049]表1无人配送车关键场景设置(示例)非机动车切入从同车道左侧或右侧，或左自动驾驶目标物切入时自动驾驶目标物切入时动车横穿自动驾驶目标物横穿时施工路段占自动驾驶事故区域占自动驾驶速度0,侵占直行，机动车直行冲突无人配送车直行通过路口时，机动车在右侧左侧垂直撞时间不大于4s口自动驾驶目标物通过时直行，机动车左转冲突无人配送车直行通过路口时，机动车在对向/左侧垂直口，与无人配送车存在碰撞口自动驾驶目标物通过时直行，机动无人配送车直行通过路口时，机动车在同车道内左侧口自动驾驶目标物通过时直行，机动车右转冲突无人配送车直行通过路口时，机动车在右侧垂直车道内右转通过路口并进入无人口自动驾驶目标物通过时动车左转冲突无人配送车直行通过路口时，非机动车在对向违章左口自动驾驶目标物通过时行无人配送车直行通过路口时，非机动车在同车道内左口自动驾驶目标物通过时第四步：无人配送车关键场景入库建立易造成无人配送车运行失效的关键场景库基于场景六层结构特征，如表2所示，包括主车驾驶行为层、道路层、交通设施层、送车道路运行关键场景库，如图4所示。场景库能够完成从场景数据的管理和场景的测试等和定位。[0050]表2无人配送车关键场景的分层结构主车驾驶行为层交通设施层临时设施层交通参与者层天气、光照第五步：设置微观仿真引擎中无人配送车运行场景5.1设置无人配送车在微观仿真引擎中运行参数在微观仿真引擎中，无人配送车基本参数的标定通过如下工作完成：根据无人配送车实际运行情况确定其尺寸和速度、加速度、减速度范围，如表3所示仿真引擎中的可视化样式如图5所示。[0051]表3设置无人配送车在微观仿真引擎中的物理参数项目1长度2宽度3高度4速度5加速度6减速度5.2设定无人配送车在仿真引擎中场景转化种类根据易造成无人配送车运行失效的关键场景库在仿真引擎中设定无人配送车的场景转化种类。在上述关键场景库建立过程中，分析无人配送车遇到关键场景时行为表现，能够发现如下规律：无人配送车是在自动驾驶的基础上加入了配送功能，具备一定的自主导航和决策能力，在面对一部分危险场景时能够及时识别并采取有效措施保障车辆运行安全。然而，由于无人配送车是在自动驾驶的基础上加入了配送功能，其环境感知能力尚不完善，在面对危险等级较高的场景时，可能由于脱离车辆安全运行范围，而发生车辆脱离甚至(1)当无人配送车在正常行驶过程中遇到危险场景时，该场景中交通参与者(包括动、静态交通参与者)切入的时间与速度，恰好处在无人配送车自动驾驶感知、识别能力范围内，能够保持正常行驶，不发生异常情况。本发明将上述关键场景设定为轻度风险场景。[0052](2)当无人配送车在正常行驶过程中遇到危险场景时，该场景中交通参与者(包括动、静态交通参与者)切入的时间与速度达到无人配送车技术能力的上限，即无人配送车识别到了该场景，但由于车辆技术局限性，无人配送车在识别出该场景后不能再继续运行，需要安全员介入接管，接管后重新启动车辆即可使无人配送车再次正常运行。本发明将上述关键场景设定为中度风险场景。[0053](3)当无人配送车在正常行驶过程中遇到危险场景时，该场景中交通参与者(包括动、静态交通参与者)切入的时间与速度，超出无人配送车技术能力要安全员接管后返厂处理。本发明将上述关键场景设定为重度风险场景。[0054]根据上述易造成无人配送车运行失效的关键场景库可知，每一种关键场景均可分[0055]通过1.1节在无人配送车实际运行的开放道路采集关键场景数据的工作中，在同一城市区域内，根据实际交通数据统计，可计算得出无人配送车中不同风险度(轻度、中度、[0056]表4无人配送车中不同风险度(轻度、中度、重度)的关键场景的概率结果(示例)非机动车切入目标物切入时与无中度风险场景目标物切入时与无中度风险场景动车横穿目标物横穿时与无中度风险场景施工路段占中度风险场景事故区域占中度风险场景直行，机动车直行冲突口，与无人配送车存在碰撞风险，预目标物通过时与无人配送车tte≤4s中度风险场景直行，机动车左转冲突在对向/左侧垂直/右侧垂直车道左目标物通过时与无人配送车tte≤4s中度风险场景直行，机动路口时，机动车加速超越抢行右转，目标物通过时与无人配送车tte≤4s中度风险场景直行，机动车右转冲突目标物通过时与无人配送车tte≤4s中度风险场景突无人配送车直行通过路口时，非机动目标物通过时与无人配送车tte≤4s中度风险场景行无人配送车直行通过路口时，非机动车在同车道内左侧后方或后方左侧目标物通过时与无人配送车ttc≤4s86.1%中度风险场景将上述概率场景配置于微观仿真引擎中，过程示意图如图6所示。在微观仿真引擎中输入城市区域实际交通流各项数据指标，复现无人配送车在真实交通场景中的运行情况时，还需设定无人配送车发生异常时，安全员对其的处置规则。[0057]在无人配送车实际运行过程中配置的安全员分为近端安全员(指距离无人配送车几公里内的工作人员)和远端安全员(指无人配送车后台调度人员)。根据上述三种不同的无人配送车关键场景，本发明将安全员对无人配送车异常场景(包括中度风险场景和重度风险场景)的处置时间计算方式设定如下：1)当无人配送车发生异常，附近有近端安全员时：2)当无人配送车发生异常，附近没有近端安全员时：式中：H;是处理第i个异常场景所需时长；S是发生异常场景的时长；H是近端安全员处置时长，取决于风险场景等级，中度风险场景中H等于安全员近端处置实际时长，例如可设定为3分钟；重度风险场景中H等于无人配送车返厂处置的实际时长，例如可设定为10分钟；C是切换处理异常场景的补偿时间，为常数项。近端安全员系指在无人配送车辆实际作业区域内履行职责的工作人员，而远端安全员则是指在后台操作系统中对无人配送车辆进行远程操控的工作人员。本发明还提供基于所述的方法构建的无人配送车在微观仿真获取无人配送车运行的场景数据的模块；根据获取的场景数据进行逻辑场景提取的模块；将所述逻辑场景入库建立为造成无人配送车运行失效的关键场景库的模块；根据造成无人配送车运行失效的关键场景库在仿真引擎中设定无人配送车的场景转化种类的模块，其能够用于当无人配送车的场景转化种类为运行失效时，则判定所述无人配送车处于异常场景中，将所述无人配送车的控制权限切换为安全员。[0058]本发明还提供电子设备，该电子设备包括：至少一个处理器，以及与至少一个处理器通信连接的存储器，其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行的方法。比如，上述存储器和处理器经由总线连接在一起，能够为通用的存储器和处理器，这里不做具体限定，当处理器运行存储器存储的计算机程序时，能够执行本发明基于自引导机制的对比学习序列的推荐模型的训练方法、装置和推荐方法及装置的各项操作和功能。电子设备可以包括但不限于：个人计算机、服务器[0059]本发明还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时，实现的方法。具体实现可参见方法实施例，在此不再赘述。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存着实现上述自引导机制的对比学习序列的推荐模型的训练方法、装置和推荐方法及装置的任一实施例的功能的软件程序代码，且使该系统或者装置的计算机或处理器读出并执行存储在该存储介质中的指令。从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此机器可读代码和存储机器可读代带、非易失性存储卡和ROM。还可以通过通信网络从服务器计算机上或者云上下载程序代码。[0060]需要说明的是，上述各流程和各系统结构中，不是所有的步骤和模块都是必须的，可以根据实际需要忽略某些步骤和单元。各步骤的执行顺序不是固定的，可以根据需要进行确定。上述各实施例中的描述的装置结构可以是物理结构，也可以是逻辑结构。某个模块或单元可能由同一物理实体实现，某个模块或单元可能由多个物理实体分别实现，某个模块或单元还可以由多个独立设备中的多个部件共同实现。[0061]本发明的关键创新点如下：(1)通过无人配送车在实际道路运行中关键场景采集及无人配送车在封闭测试场内测试出现的关键场景的积累，对关键场景进行分析、建模，确立关键场景分为轻度风险场景、中度风险场