买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华南理工大学申请的专利一种风险感知的自动驾驶仿真测试用例排序方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121144211B 。

龙图腾网通过国家知识产权局官网在2026-03-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511677715.5，技术领域涉及：G06F11/3668；该发明授权一种风险感知的自动驾驶仿真测试用例排序方法是由向毅;周士璇;黄翰;曹捷;洪英汉设计研发完成，并于2025-11-17向国家知识产权局提交的专利申请。

本一种风险感知的自动驾驶仿真测试用例排序方法在说明书摘要公布了：本发明公开了一种风险感知的自动驾驶仿真测试用例排序方法，涉及软件测试技术领域，包括：采集无标签的自动驾驶测试集，其中的测试用例包含若干个驾驶场景特征；采用嵌入双重稀疏约束的目标函数学习获得最优的投影矩阵；利用投影矩阵将测试集投影为低维的判别特征空间；在判别特征空间中选择欧式距离最大的两个测试用例作为排序序列的初始元素；构造基于风险驱动组件和前瞻性探索组件的策略评分器，对于候选用例生成评分；选择评分最大的一个候选用例加入排序序列的末尾；重复执行直至对所有测试用例排序；输出排序序列。通过动态平衡风险驱动的利用与前瞻性的探索，迭代地构建最优的测试执行序列，有效增强了对多样化风险场景的覆盖能力。

本发明授权一种风险感知的自动驾驶仿真测试用例排序方法在权利要求书中公布了：1.一种风险感知的自动驾驶仿真测试用例排序方法，其特征在于，包括步骤： T1、采集基于自动驾驶系统的无标签数据，获得的n个测试用例构成测试集，对测试集进行预处理；每个所述测试用例分别包含d个驾驶场景特征； T2、构造投影矩阵；基于所述投影矩阵和所述测试集构造、学习无监督的目标函数，并在所述目标函数中嵌入双重稀疏约束； 所述双重稀疏约束包括对所述目标函数进行结构化稀疏性约束和组稀疏性约束； 所述结构化稀疏性约束为，基于所述目标函数计算、构造对角权重矩阵Q和G，利用两个所述对角权重矩阵对所述目标函数的误差项和特征项分别施加自适应稀疏约束； 所述组稀疏性约束为对所述目标函数施加-范数约束，使所述投影矩阵中非零行的总数不超过预设值； 利用所述目标函数对所述投影矩阵优化； T3、利用所述投影矩阵将所述测试集从d维投影至r维，生成具备风险感知的判别特征空间，； T4、构造排序序列；在所述判别特征空间中，选择欧式距离最大的两个测试用例，作为排序序列的两个初始成员；其余测试用例记为候选用例； T5、构造风险驱动组件，用于评估所述候选用例相对于所述排序序列的多样性贡献；构造前瞻性探索组件，用于评估所述候选用例对未知风险的探索水平；基于所述风险驱动组件和所述前瞻性探索组件构造策略评分器； 所述风险驱动组件为一个候选用例生成的数值表示为，即： ； 其中，表示所述候选用例；D·表示欧式距离计算；Cost·为执行所述候选用例所需的成本；表示所述排序序列，为当前中已有的所述测试用例，t表示迭代轮次； ，表示增强高风险测试用例影响的自适应权值；为超参数，表示控制风险敏感性；•表示对测试用例进行风险水平的预先评估得到的归一化风险水平分数； 所述前瞻性探索组件为一个候选用例生成的数值表示为，即： ； 其中，表示所述候选用例；表示所有候选用例构成的集合；表示除之外的候选用例；D·表示欧式距离计算；为常数； T6、对于每一个所述候选用例，利用所述排序序列和所述策略评分器计算评分；选择评分最大的一个候选用例加入所述排序序列的末尾； T7、重复执行T6，直至对所有测试用例排序；输出所述排序序列。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华南理工大学，其通讯地址为：510641 广东省广州市天河区五山路381号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。