CN103234763B - 一种无人驾驶车辆定量评价系统及评价方法 - Google Patents

Abstract

本发明涉及一种无人驾驶车辆评价测试方法及系统。该方法包括根据无人驾驶车辆行驶的环境复杂度、执行任务的复杂度、人工干预程度以及行驶质量对无人驾驶车辆智能水平划分等级；确定无人驾驶车辆评价测试指标体系，并采用可拓展层次分析法确定各级指标权重，以及结合无人驾驶车辆行驶参数实现无人驾驶车辆与环境交互的量化分析；最后结合无人驾驶车辆与环境交互的量化分析结果，实现无人驾驶车辆的定量测试评价。同时还提供一种相应的无人驾驶车辆评价测试系统。利用这种评价测试方法和系统，可以更加准确的对无人驾驶车辆进行定量评价，促进无人驾驶车辆技术的改进和发展，从而保证无人驾驶车辆能够在真实交通环境下安全的行驶。

Description

一种无人驾驶车辆定量评价系统及评价方法

技术领域

本发明属于车辆测试领域，尤其涉及一种无人驾驶车辆定量评价测试方法和系统。

背景技术

无人驾驶车辆是一种智能汽车，也可以称之为轮式自动机器人，其主要依靠车载传感系统感知道路环境，自动规划行车路线并控制车辆到达预定目标。图1示出了无人驾驶车辆系统逻辑结构，如图1所示无人驾驶车辆、环境和任务的三角形组成了一个复杂的、交互的系统，无人驾驶车辆的行为是无人驾驶车辆自身（物理方面-“实体”）、环境（所处环境）和无人驾驶车辆所执行的任务（控制程序）三者特性的综合结果。

为了促进无人驾驶车辆技术的发展，针对无人驾驶车辆的测试评价技术也开始出现。目前大多数的评价测试均是各个研发单位根据自身情况对其单项或部分功能要求进行单项指标评价测试。随着单项技术以及集成系统的成熟，评价测试由单项评价向复杂综合能力评价发展，逐渐出现了第三方的评价。美国DARPA（美国国防高级计划研究局）组织了三届无人驾驶车辆比赛，分别是2004年、2005年的GrandChallenge和2007年的Urban Challenge比赛以完成所有规定项目且消耗时间的长短作为评价测试指标。

现有技术中无人驾驶车辆的评价测试方法存在很大的人为主观性和倾向性，评价结果不准确。没有进行无人驾驶车辆的智能水平等级划分，评价结果缺乏科学性和准确性，而且评价过程未考虑无人驾驶车辆自身、行驶环境、人为干预等因素的影响。虽然能评出无人驾驶车辆表现的优劣，但是并未指出其具体哪项指标的不足和以后需要改进的方向，不利于无人驾驶车辆技术的发展。

因此需要实现一种可以科学的、准确的对无人驾驶车辆进行量化分析的无人驾驶车辆定量评价测试系统，从而实现人驾驶车辆的定量评价测试。使得评价过程不仅考虑各种因素的影响，保留了各级评价的全部信息，并且量化结果能较好地反映实际情况，还可方便地转化成直观的比较或排序结果。最终能够找出无人驾驶车辆各项指标的不足，指明以后需要改进的方向，更好地引导无人驾驶车辆技术的发展。

发明内容

为了达到上述目标，本发明提出了一种无人驾驶车辆定量测试评价方法，包括以下步骤：

（1）根据任务复杂程度、环境复杂程度和人工干预程度对无人驾驶车辆智能水平划分等级；

（2）选择无人驾驶车辆评价指标体系，并确定指标体系中各级指标权重；

（3）采集无人驾驶车辆的行驶轨迹；

（4）根据所属行驶轨迹进行无人驾驶车辆与环境交互的量化分析；

（5）根据步骤（4）的结果实现无人驾驶车辆的定量评价；

其中所述步骤（1）进一步包括：

根据无人驾驶车辆独立完成任务的数量和任务的难度划分任务复杂程度的第一等级；

根据交通环境属性划分环境复杂程度的第二等级；

根据无人驾驶车辆自主决策的程度确定人工干预程度的第三等级；

根据所述第一等级，第二等级和第三等级确定无人驾驶车辆智能水平的等级划分。

其中所述步骤（2）中选择无人驾驶车辆评价指标体系进一步包括：

选取初选评价指标，并根据所述初选评价指标中两两相互之间重要程度，得到比较矩阵A＝[a_ij]_n×n,n∈N，a_ij表示指标A_i相对指标A_j重要程度；

对A按列规范化，即对判断矩阵A每一列正规化 $\stackrel{\‾}{a_{\mathrm{ij}}}=\frac{a_{\mathrm{ij}}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}}(i,j=\mathrm{1,2},\·\·\·n,n\∈N),$ 再按行相加得和向量,将得N到)的和向量正规化，即得权重向量 ${\stackrel{\‾}{W}}_i=\frac{W_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{W}_i}(i=\mathrm{1,2},\·\·\·n,n\∈N);$

计算矩阵最大特征根在得到λ_max后，需进行一致性检验，一致性指标C.I.为：

确定平均随机一致性指标C.R.，如果满足就认为所得比较矩阵的判断结果可以接受；

根据权重对各个指标进行排序，选择对无人驾驶车辆智能水平影响大的指标作为最终的评价指标，其中所述评价指标被划分为不同层次或等级。

其中所述步骤（2）中确定指标体系中各级指标权重进一步包括：

对属于同一层次的各指标之间的相对重要性进行两两比较，构建可拓区间判断矩阵A＝(a_ij)_n×n,i,j＝1,2…,n，n∈N⁺为正互反矩阵，其中是一个可拓区间数，分别为判断矩阵第i行第j列可拓区间元素的上、下端点；

可拓区间数判断矩阵A＝＜A^-,A⁺＞，其中A^-为区间下端点构成的矩阵，A⁺为区间上端点构成的矩阵，求A^-，A⁺的最大特征值所对应的具有正分量的归一化特征矢量x^-，x⁺；

由 $A^{-}={\left(a_{\mathrm{ij}}^{-}\right)}_{n\×n},$ $A^{+}={\left(a_{\mathrm{ij}}^{+}\right)}_{n\×n}$ 计算k和m的值，其中 $k=\sqrt{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}(1/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}^{+})}$ 式中k，m分别为满足0＜kx^-≤mx⁺的全体正实数；i,j＝1,2,…,n，n∈N⁺；

求出权重量S＝(S₁,S₂,…,S_nk)^T＝＜kx^-,mx⁺＞，设如果V(S_i,S_j)≥0(i≠j)表示S_i≥S_j的可能性程度，则

$\left\{\begin{array}{c}{P}_j=1\\ P_i=V(S_i\≥S_j)=\frac{2(S_i^{+}-S_j^{-})}{(S_j^{+}-S_j^{-})+(S_i^{+}-S_i^{-})}\end{array}\right.$

式中i,j＝1,2,…,n,i≠j，n∈N⁺，P_i表示某层上第i个因素对上一层次上的某个因素的单排序，经归一化后得到的P＝(P₁,P₂,…P_n)^T表示某层上各因素对上一层次上的某个因素的单排序权重矢量；表示两个单层权重矢量可拓区间数的上下端点。

其中所述步骤（3）进一步包括：

获取无人驾驶车辆的无人驾驶车辆行驶轨迹f(x,y)，将其与无人驾驶车辆理想轨迹对比，求出无人驾驶车辆实际轨迹与理想轨迹的偏差随时间变化的时间数据序列D(t)。

其中所述步骤（4）进一步包括：

无人驾驶车辆轨迹偏差的时间数据序列的确定性检验，包括通过回归图的方法绘制D(t)和D(t-ν)，ν表示时间间隔，判断之前的和现在的信号值是否有因果联系；

无人驾驶车辆轨迹偏差的时间数据序列的稳定性检验，包括把时间序列D分成两个长为t的部分D(t₁)和D(t₂)。分别计算两个时间序列的均值和标准差，检验数据的不同部分的均值和标准差是否存在相似性；

根据无人驾驶车辆轨迹偏差的时间数据序列进行相空间重构Y_j,j＝1,2,…M,M∈N，Y_j表示相空间中的点；

找相空间中每个点Y_j的最近邻点并限制短暂分离；

对相空间中每个点Y_j，计算出该邻点对的i个离散时间步后的距离d_j(i),

$d_j\left(i\right)=|Y_{j+i}-Y_{\hat{j}+i}|$ ；

$i=\mathrm{1,2},\·\·\·,\min (M-j,M-\hat{j}),M\∈N$

对每个i，求出所有j的lnd_j(i)平均y(i)，即

$y\left(i\right)=\frac{1}{\mathrm{q\Δt}}\underset{j=1}{\overset{q}{\mathrm{\Σ}}}\ln d_j\left(i\right)$

其中q是非零d_j(i)的数目，并用最小二乘法作出回归直线，该直线的斜率就是最大李雅普诺夫指数λ。

其中所述步骤（5）进一步包括：

由无人驾驶车辆行为的量化结果作为各个指标的评价结果，以无人驾驶车辆行为的李雅普诺夫指数为依据，对其进行评价等级划分，得到单个因素u_ij在评价集V上的模糊集u_ji＝(r_1j,r_2j,r_3j,r_4j,r_5j)，其中r_1j表示u_ji对v₁的隶属度，进而得到评价因素的评价矩阵U_ji＝(u_1i,u_2i,…u_ni,);

确定权重和单因素模糊综合评价模型，包括由可拓层次分析法得到权重矢量P_i＝(p_1i,p_2i,…p_ni)^T，其与评价矩阵U_ji＝(u_1i,u_2i,u_ni,)进行合成运算，得到各评价因素的模糊综合评价模型u_i＝U_jiP_i＝(b₁,b₂,…b_m),m∈N，式中通过G_i＝100U_iμ,μ＝{10.80.60.40.2}^T,得到无人驾驶车辆各评价方面的分值;

确定二级模糊综合评判模型为U＝U_iP，其中为P＝(p₁,p₂,…p_n)^T无人驾驶车辆评价方面权重，为无人驾驶车辆评价方面评价矩阵U_i＝(u₁,u₂,…u_n)，得到无人驾驶车辆总的评价矩阵，通过G＝100Uμ得到无人驾驶车辆定量评价的总分值；

对无人驾驶车辆行驶的环境复杂度、执行任务的复杂度、人工干预的程度进行等级评定，得到无人驾驶车辆的综合等级；再结合无人驾驶车辆的量化分析结果，任务完成时间以及安全性得到该无人驾驶车辆的智能水平等级。

本发明还提出了一种无人驾驶车辆定量评价系统，包括智能水平等级系统，无人驾驶车辆评价指标系统，测试系统和无人驾驶车辆与环境交互的量化分析系统组成，其特征在于：

智能水平等级系统用于确定无人驾驶车辆完成任务、行驶环境和人工干预所在等级；

无人驾驶车辆评价指标系统用于确定无人驾驶车辆评价指标体系并确定各指标权重；

测试系统包括确定测试内容的子模块和确定测试环境的子模块，以及对无人驾驶车辆进行测试的GPS/DR组合定位系统；

无人驾驶车辆与环境交互的量化分析系统用于对无人驾驶车辆行驶轨迹偏差时间序列进行量化分析，计算李雅普诺夫指数。

其中所述测试内容分为导航能力测试、环境感知能力测试、控制与决策能力测试、交互能力测试四个方面；

所述测试环境分为不同的道路交通环境；

GPS/DR组合定位系统用于获得无人驾驶车辆位置信息即f(x,y)；

无人驾驶车辆与环境交互的量化分析系统包括确定性检验子系统，稳定性检验子系统，相空间重构子系统和定量描述子系统。

本发明的无人驾驶车辆定量评价方法和系统能够根据环境复杂度（EC）、执行任务的复杂度(MC)、人工干预的程度(HI)对无人驾驶车辆的智能水平进行了等级划分；通过层次分析法和专家决策法确定无人驾驶车辆的评价指标（评价方面、评价因素），并采用可拓展层次分析法确定各级评价指标的权重p_ji，p_i；采用GPS/DR组合定位测试技术采集了无人驾驶车辆的实际行驶轨迹f(x,y)，求出无人驾驶车辆实际轨迹与理想轨迹的偏差随时间变化的时间数据序列D(t)；采用动力系统理论、统计学、混沌理论等科学的方法对无人驾驶车辆与环境交互行为在相空间中进行定量地描述。通过李雅普诺夫指数定量的方法完成对无人驾驶车辆的量化分析。得到各指标的u_ji，构成单因素的评价矩阵U_ji＝(u_1i,u_2i,…u_ni,)；最后确定无人驾驶车辆的综合评定智能水平等级，得到无人驾驶车辆评价矩阵U对无人驾驶车辆进行定量评价，获得无人驾驶车辆各个评价方面分值G_i，无人驾驶车辆总分值G＝100Uμ。

利用本发明的定量评价系统，可以更加科学的、准确的对无人驾驶车辆进行定量评价，并且找到改进的方向，促进无人驾驶车辆技术的快速发展，从而保证无人驾驶车辆能够在真实交通环境下安全的行驶。

附图说明

下列附图在此作为本发明的一部分以便于理解，附图中：

图1为无人驾驶车辆系统逻辑结构；

图2为本发明中无人驾驶车辆定量评价的流程图；

图3为本发明中无人驾驶车辆指标体系；

图4为本发明无人驾驶车辆测试平台结构；

图5为本发明中直道车道保持测试样例；

图6为本发明中无人驾驶车辆定量评价测试系统结构。

具体实施方式

在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。下面结合附图，说明本发明的实施方式。

本发明所采用的评价测试方法主要涉及：（1）针对无人驾驶车辆定量评价问题，包括根据任务复杂程度、环境复杂程度和人工干预程度对无人驾驶车辆智能水平划分等级；（2）应用层次分析法确定无人驾驶车辆的评价指标，并采用可拓展层次分析法确定各级指标权重；（3）通过GPS/DR（卫星导航定位系统/航位推算系统）组合定位系统获取无人驾驶车辆的行驶参数；（4）基于动力系统理论、统计学、混沌理论结合无人驾驶车辆行驶参数，实现无人驾驶车辆与环境交互的量化分析；（5）结合无人驾驶车辆与环境交互的量化分析结果，实现无人驾驶车辆的定量评价。

图2本发明中无人驾驶车辆定量评价测试的流程图，下面结合图2进行详细描述。无人驾驶车辆定量评价测试方法主要包括以下几个步骤：

步骤一，根据任务复杂程度、环境复杂程度和人工干预程度对无人驾驶车辆智能水平划分等级。

真实道路交通环境具有复杂和不可预测的动态特性。不同类型的交通环境具有不同的特征内涵，对无人驾驶车辆的认知能力提出了不同要求。如城市道路交通环境包括结构化的复杂道路、各种交通信号、交叉路口、动态的行人、车辆等。高速公路交通环境包括结构化的简单道路、匝道、立交桥、收费站、高速行驶的其它车辆等。乡村道路包括非结构化的道路(路、砂石路、水泥或沥青等多种路表的道路)、各种类型的正负障碍、动态的行人、车辆等。环境中的交通环境元素的移动速度的快慢不同，可以划分为静止、慢、中、快，对环境复杂度的影响随着交通环境元素的频率增强而加大。而且有些交通环境元素在无人驾驶车辆行驶中是要求必须被感知的，称为关键交通环境元素，如交通标志、交通信号灯、障碍物、行人等。关键交通元素的数量对环境复杂度的影响也是很直接的。光照条件的不同（光照强度、逆光等）、天气条件的不同（雨、雪、雾、风沙等）和外界干扰（GPS屏蔽、电磁干扰等）对环境复杂度的影响是很大的。基于上述思考，环境的类型（高速公路、城市道路、乡村道路），关键交通环境元素的变化性及其数量，共同构成交通环境的属性。基于这些属性，例如可以对环境复杂度划分为五个等级（如表1所示），显然可以有其他划分方式。

表1无人驾驶车辆智能水平等级划分

无人驾驶车辆的测试可用分解为多个独立的任务，如车道保持、避让静态障碍、避让动态障碍、超车、通过交叉路口、U-Turn、停止线停车等。例如根据无人驾驶车辆独立完成任务的数量和任务的难度可以对任务复杂度划分为五个等级，显然可以有其他划分方式。

同样的在无人驾驶车辆在行驶过程中，例如根据无人驾驶车辆自主决策的程度划分人工干预程度为五个等级（显然也可以有其他划分方式）：一级（远程控制）无人驾驶车辆的运行既不承担自我决策也不自主。所有的感知、理解、分析、规划和决策均由人来完成。无人驾驶车辆的表现在很大的程度上受人影响。二级（远程操作）无人驾驶车辆感知其环境并报告给操作者。所有的分析、规划和决策由人来完成，大部分感知由人来完成，操作者按照无人驾驶车辆的参照标准控制其行动。三级（人为指导）无人驾驶车辆感知其环境并报告给操作者。大部分的分析、规划和决策由人来完成，感知和执行行动由操作者和无人驾驶车辆共同承担。四级（人为辅助）无人驾驶车辆感知其环境并报告给操作者。分析、规划和决策由操作者和无人驾驶车辆共同承担，大部分的感知和执行行动由无人驾驶车辆来完成。五级（自主）在无人驾驶车辆系统功能和限制的范围内，无人驾驶车辆承担最大程度的独立和自主。无人驾驶车辆的表现受操作者影响最小，不受人控制。无人驾驶车辆感知其环境并报告给操作者所有的感知和执行行动由无人驾驶车辆来完成，大部分的分析、规划和决策由无人驾驶车辆完成，协作可能要由人来完成。

最后综合上述三个方面划分无人驾驶车辆智能水平，如表1所示，根据任务复杂程度、环境复杂程度和人工干预程度的等级确定综合等级，而综合等级即对应10个智能水平等级（例如，如果任务复杂程度、环境复杂程度和人工干预程度都在最高等级，那么综合等级为（5,5,5），智能水平等级为第10级），显然本领域技术人员也可以采用其他等级划分方式。此外，行驶质量得分表示对应智能水平等级的量化分值。

步骤二，选择无人驾驶车辆评价指标体系，并确定各级指标权重。

在无人驾驶车辆测评体系中，可供选择的评价指标较为繁杂，根据全面性原则，初选指标可以允许重复的、不可操作的或难以操作的指标存在，只求全而不求优，在进一步的分析过程中再逐步筛选优化。在无人驾驶车辆评价体系指标的初选时，将分析法和综合法结合起来使用，即将被评价对象的总体目标分解为各个方面能力评价的分目标，然后利用现有的指标群，对其进行分析，从中选取大量的可能反映各方面能力的指标。对初选的指标体系进行完善化处理，进行筛选、优化，组成科学合理的评价指标集。对于无人驾驶车辆这样的复杂非线性系统的综合评价，通过层次分析法结合经验取值法（本领域技术人员所习知的，或者可以称之为专家决策法）合理选择需要的指标变量，排除不合理指标变量。

采用层次分析法和经验取值确定无人驾驶车辆评价指标体系具体包括以下几个步骤：

步骤1：构造两两比较判断矩阵时，使用初始的经验取值确定两个因素A_i和A_j（两个因素指初选指标，如A₁指遥控起动，A₂指遥控刹车）哪一个更重要，重要多少，需要对重要多少赋予一定数值，例如采用1-9比例尺度（标度）（A₁相对于A₂的重要程度为2，那么A₂相对于A₁的重要程度为1/2）。根据这种两两因素之间重要程度的比较，可得比较矩阵A＝[a_ij]_n×n,n∈N。（a_ij表示两个因素A_i和A_j的比例尺度；两两初选指标比较得到比例尺度构成n×n维比较矩阵）

构造比较矩阵的表格如表2所示

步骤2：对A按列规范化，即对判断矩阵A每一列正规化 $\stackrel{\‾}{a_{\mathrm{ij}}}=\frac{a_{\mathrm{ij}}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}}(i,j=\mathrm{1,2},\·\·\·n,n\∈N),$ 再按行相加得和向量,将得N到)的和向量正规化，即得权重向量 ${\stackrel{\‾}{W}}_i=\frac{W_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{W}_i}(i=\mathrm{1,2},\·\·\·n,n\∈N).$

步骤3：计算矩阵最大特征根在得到λ_max后，需进行一致性检验，一致性指标C.I.为：

步骤4：根据Saaty给出的关于平均随机一致性指标C.R.（参考文献:T.I.Saaty,The Analytic Hierarchy Process[M].McGraw HillInc.1980），只要满足就认为所得比较矩阵的判断结果可以接受。

步骤5：根据权重对各个指标进行排序，选择对无人驾驶车辆智能水平影响大的指标作为最终的评价指标。

图3示出了示例性的一种无人驾驶车辆指标体系，包括5个评价方面指标和19个评价因素指标。

无人驾驶车辆定量评价共分为三级指标：一级指标即总的评价指标是无人驾驶车辆定量评价；二级指标根据无人驾驶车辆行为的难易程度由简到难分为五个评价方面即车辆控制行为、基本行车行为、基本交通行为、高级行车行为、高级交通行为；三级指标由各个评价方面包含的各个评价因素组成。例如基本行车行为包括：直道车道保持（车辆应该在直道车道内行驶）、限速（车辆速度应该限制在最小和最大之间）、避让静态障碍（车辆应该一直试图去避开障碍物，保障车辆安全）、U型弯（车辆能够在9m宽、30m长的道路上完成U型转弯）、停止线停车（车辆的前保险杠应该停在停止线1m以内）。

采用可拓展层次分析法确定无人驾驶车辆各级评价指标权重具体包括以下几个步骤：

步骤1：构造可拓判断矩阵，采用SAATY提出的互反性1-9标度法（参考文献:T.I.Saaty,The Analytic Hierarchy Process[M].McGrawHill Inc.1980）作为可拓区间层次分析法的标量化方法。根据经验对隶属于同一层次的各元素之间的相对重要性进行两两比较，构建可拓区间判断矩阵A＝(a_ij)_n×n,i,j＝1,…2,n，n∈N⁺为正互反矩阵，其中是一个可拓区间数，分别为判断矩阵第i行第j列可拓区间元素的上、下端点。例如直道车道保持为A₁，限速为A₂，那么a₂₁＝＜1,1.5＞。

步骤2：可拓区间数判断矩阵A＝＜A^-,A⁺＞，其中A^-为区间下端点构成的矩阵，A⁺为区间上端点构成的矩阵，求A^-，A⁺的最大特征值所对应的具有正分量的归一化特征矢量x^-，x⁺。

步骤3：由 计算k和m的值，其中 $k=\sqrt{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}(1/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}^{+})},$ $m=\sqrt{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}(1/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}^{-})},$ 式中k，m分别为满足0＜kx^-≤mx⁺的全体正实数；i,j＝1,2,…,n，n∈N⁺。

步骤4：求出权重量S＝(S₁,S₂,…,S_nk)^T＝＜kx^-,mx⁺＞，设如果V(S_i,S_j)≥0(i≠j)表示S_i≥S_j的可能性程度，则

$\left\{\begin{array}{c}{P}_j=1\\ P_i=V(S_i\≥S_j)=\frac{2(S_i^{+}-S_j^{-})}{(S_j^{+}-S_j^{-})+(S_i^{+}-S_i^{-})}\end{array}\right.$

式中i,j＝1,2,…,n,i≠j，n∈N⁺，P_i表示某层上第i个因素对上一层次上的某个因素的单排序，经归一化后得到的P＝(P₁,P₂,…P_n)^T表示某层上各因素对上一层次上的某个因素的单排序权重矢量；表示两个单层权重矢量可拓区间数的上下端点。例如P₁＝0.08,P₂＝0.46,P₃＝0.46。

表3示出了示例性的一种无人驾驶车辆各级评价指标权重。

表3无人驾驶车辆各级指标权重

步骤三，通过无人驾驶车辆的GPS和DR航位推算系统采集无人驾驶车辆的行驶轨迹。

图4示出了无人驾驶车辆测试平台。全球定位系统GPS能够提供无人驾驶车辆位置信息。航位推算DR(Dead Reckoning)是自主定位系统，由航向仪磁罗盘和里程计组成，能够通过速度和航向信息推算无人驾驶车辆位置。GPS和DR获得的数据通过计算机串口通信输送至数据处理平台。数据处理平台经过融合处理得到无人驾驶车辆的实际行驶轨迹。无人驾驶车辆测试平台利用GPS和航位推算系统提供车辆位置和车体姿态信息，通过GPS/DR组合定位测试技术（齐建永.智能车辆导航定位与自动引导技术研究[D].北京：北京理工大学,2008），获取无人驾驶车辆的行驶参数：无人驾驶车辆行驶轨迹f(x,y)。将其与无人驾驶车辆理想轨迹对比，求出无人驾驶车辆实际轨迹与理想轨迹的偏差随时间变化的时间数据序列D(t)。

以图3中直道保持因素为例，参见图5，以无人驾驶车辆起点建立坐标系Oxy,单车道宽为2b，无人驾驶车辆理想轨迹为单车道的中心线，得到无人驾驶车辆的实际行驶轨迹f(x,y)。

步骤四，无人驾驶车辆与环境交互的量化分析。

无人驾驶车辆与环境交互的量化分析具体包括以下几个步骤：

步骤1：无人驾驶车辆轨迹偏差的时间数据序列的确定性检验，通过回归图的方法(Ulrich Nehmzow.Scientific methods in mobilerobotics:quantitative analysis of agent behaviour[M].London:Springer-Verlag London Limited,2006)简单地绘制D(t)和D(t-ν)（ν指时间间隔，一般取1-3），判断之前的和现在的信号值是否有因果联系。

步骤2：无人驾驶车辆轨迹偏差的时间数据序列的稳定性检验，把时间序列D分成两个长为t的部分D(t₁)和D(t₂)。分别计算两个时间序列的均值和标准差，检验数据的不同部分的均值和标准差是否存在相似性。

步骤3：对无人驾驶车辆轨迹偏差的时间数据序列采用时间延迟技术进行相空间重构Y_j,j＝1,2,…M,M∈N。（Y_j表示相空间中的点）对时间序列{x(t_i),i＝1,2,…,n,n∈N}进行FFT变换，计算出平均周期P；计算时间序列标准差σ，选取N；根据C-C的方法编程计算下面三个量： $\stackrel{\‾}{S}\left(t\right)=\frac{1}{16}\underset{m=2}{\overset{5}{\mathrm{\Σ}}}\underset{j=1}{\overset{4}{\mathrm{\Σ}}}S(m,r_j,t),$ $\mathrm{\Δ}\stackrel{\‾}{S}\left(t\right)=\frac{1}{4}\underset{m=2}{\overset{5}{\mathrm{\Σ}}}\mathrm{\ΔS}(m,t),$ $S_{\mathrm{cor}}\left(t\right)=\mathrm{\Δ}\stackrel{\‾}{S}\left(t\right)+\left|\mathrm{\Δ}\stackrel{\‾}{S}\left(t\right)\right|;$ （吕金虎,陆君安,陈士华.混沌时间序列分析及其应用[M].武汉:武汉大学出版社,2002,）根据计算结果画图，ΔS(m,t)的第一个极小值对应的t为最佳时间延迟；的第一个零点t为最佳时间延迟；S_cor(t)的最小值t对应时间窗口指延迟时间窗口）。由得到的时间延迟τ和嵌入维数m重构相空间{Y_j,j＝1,2,…M,M∈N}。

步骤4：找相空间中每个点Y_j的最近邻点并限制短暂分离，即

$d_j\left(0\right)=\underset{\hat{j}}{\min }\left|\right|Y_j-Y_{\hat{j}}\left|\right|,|j-\hat{j}|>P$

步骤5：对相空间中每个点Y_j，计算出该邻点对的i个离散时间步后的距离d_j(i)

$d_j\left(i\right)=|Y_{j+i}-Y_{\hat{j}+i}|$

$i=\mathrm{1,2},\·\·\·,\min (M-j,M-\hat{j}),M\∈N$

步骤6：对每个i，求出所有j的lnd_j(i)平均y(i)，即

$y\left(i\right)=\frac{1}{\mathrm{q\Δt}}\underset{j=1}{\overset{q}{\mathrm{\Σ}}}\ln d_j\left(i\right)$

其中q是非零d_j(i)的数目，并用最小二乘法作出回归直线，该直线的斜率就是最大李雅普诺夫指数λ。

步骤五，无人驾驶车辆的定量评价。

要实现对无人驾驶车辆的定量评价，首先结合无人驾驶车辆的量化分析结果实现无人驾驶车辆的定量评价；然后应该对无人驾驶车辆智能水平划分等级，评价结果要体现无人驾驶车辆智能水平的等级。

无人驾驶车辆的定量评价具体包括以下几个步骤：

步骤1：由无人驾驶车辆行为的量化结果作为各个指标的评价结果，以无人驾驶车辆行为的李雅普诺夫指数为依据，对其进行评价等级划分，得到单个因素u_ij在评价集V上的模糊集u_ji＝(r_1j,r_2j,r_3j,r_4j,r_5j)，其中r_1j表示u_ji对v₁的隶属度，进而得到评价因素的评价矩阵U_ji＝(u_1i,u_2i,…u_ni,)。

步骤2：确定权重和单因素模糊综合评价模型。由可拓层次分析法得到权重矢量P_i＝(p_1i,p_2i,…p_ni)^T，它与评价矩阵U_ji＝(u_1i,u_2i,u_ni,)进行合成运算，得到各评价因素的模糊综合评价模型u_i＝U_jiP_i＝(b₁,b₂,…b_m),m∈N，式中通过G_i＝100U_iμ（μ＝{10.80.60.40.2}^T）得到无人驾驶车辆各评价方面的分值。

步骤3：二级模糊综合评判模型为U＝U_iP，式中为P＝(p₁,p₂,…p_n)^T无人驾驶车辆评价方面权重，为无人驾驶车辆评价方面评价矩阵U_i＝(u₁,u₂,…u_n)，得到无人驾驶车辆总的评价矩阵。与步骤2类似，通过G＝100Uμ得到无人驾驶车辆定量评价的总分值。

步骤4：对无人驾驶车辆行驶的环境复杂度、执行任务的复杂度（完成任务的多少）、人工干预的程度（人工干预次数）进行等级评定，得到无人驾驶车辆的综合等级；再结合无人驾驶车辆的量化分析结果（实际轨迹与理想轨迹重合度λ），任务完成时间以及安全性得到该无人驾驶车辆的智能水平等级。

无人驾驶车辆定量评价的表格如如表4所示：

表3无人驾驶车辆定量评价

图6示出了本发明中无人驾驶车辆定量评价测试系统结构，无人驾驶车辆定量评价系统由智能水平等级系统、无人驾驶车辆评价指标系统、测试系统和无人驾驶车辆与环境交互的量化分析系统4个子系统组成。

智能水平等级系统主要是确定无人驾驶车辆完成任务、行驶环境和人工干预所在等级。

无人驾驶车辆评价指标系统主要是确定无人驾驶车辆评价指标体系并确定各指标权重。

测试系统包括确定测试内容的子模块和确定测试环境的子模块，以及对无人驾驶车辆进行测试的GPS/DR组合定位系统。测试系统主要是设计测试内容和测试环境，对无人驾驶车辆进行测试，得到其实际的行驶轨迹。无人驾驶车辆的测试内容分为导航能力测试、环境感知能力测试、控制与决策能力测试、交互能力测试四个方面。在每个测试内容划分出由易到难的情形。以环境感知能力测试为例，把测试内容分为简单、复杂两种情况；在简单情形下考核无人驾驶车辆对简单交通标志的识别，而在复杂情形下，考核其道路交通标识和图文信息的实时检测、识别和理解技术。测试环境分为城市道路、高速公路和乡村道路交通环境等等。如城市道路交通环境包括结构化的复杂道路、各种交通信号、交叉路口、动态的行人、车辆等，要求无人驾驶车辆具有车道跟踪、识别、理解并遵守交通信号、与行人及其它车辆正确交互等能力。高速公路交通环境包括结构化的简单道路、匝道、立交桥、收费站、高速行驶的其它车辆等，要求无人驾驶车辆具有与高速行驶的其它车辆正确交互的能力，能够完成车道保持、汇入车流、换道、超车等行为。乡村道路包括非结构化的道路、各种类型的正负障碍、动态的行人、车辆等，要求无人驾驶车辆能够识别跟踪土路、砂石路、水泥或沥青等多种路表的道路，适应行人、其它机动车、非机动车的复杂交通行为。GPS/DR组合定位系统获得无人驾驶车辆位置信息即f(x,y)。

无人驾驶车辆与环境交互的量化分析系统主要是对无人驾驶车辆行驶轨迹偏差时间序列进行量化分析，计算李雅普诺夫指数。无人驾驶车辆与环境交互的量化分析系统包括确定性检验子系统，稳定性检验子系统，相空间重构子系统和定量描述子系统。

尽管本发明是通过上述优选实施方式进行描述的，但是其实现形式并不局限于上述的实施方式。应该认识到，在不脱离本发明主旨的情况下，本领域技术人员可以对本发明做出不同的变化和修改。

本发明已经通过上述实施例进行了说明，但应当理解的是，上述实施例只是用于举例和说明的目的，而非意在将本发明限制于所描述的实施例范围内。此外本领域技术人员可以理解的是，本发明并不局限于上述实施例，根据本发明的教导还可以做出更多种的变型和修改，这些变型和修改均落在本发明所要求保护的范围以内。本发明的保护范围由附属的权利要求书及其等效范围所界定。

Claims (6)

1.一种无人驾驶车辆评价测试方法，包括以下步骤：

(1)根据任务复杂程度、环境复杂程度和人工干预程度对无人驾驶车辆智能水平划分等级；具体包括：根据无人驾驶车辆独立完成任务的数量和任务的难度划分任务复杂程度的第一等级；

根据交通环境属性划分环境复杂程度的第二等级；

根据无人驾驶车辆自主决策的程度确定人工干预程度的第三等级；

根据所述第一等级，第二等级和第三等级确定无人驾驶车辆智能水平的等级划分；

(2)选择无人驾驶车辆评价指标体系，并确定指标体系中各级指标权重；

(3)采集无人驾驶车辆的行驶轨迹；

(4)根据所属行驶轨迹进行无人驾驶车辆与环境交互的量化分析；

(5)根据步骤(4)的结果实现无人驾驶车辆的定量评价；

其中所述步骤(4)进一步包括：

无人驾驶车辆轨迹偏差的时间数据序列的确定性检验，包括通过回归图的方法绘制D(t)和D(t-ν)，ν表示时间间隔，判断之前的和现在的信号值是否有因果联系；

无人驾驶车辆轨迹偏差的时间数据序列的稳定性检验，包括把时间序列D分成两个长为t的部分D(t₁)和D(t₂)；分别计算两个时间序列的均值和标准差，检验数据的不同部分的均值和标准差是否存在相似性；

根据无人驾驶车辆轨迹偏差的时间数据序列进行相空间重构Y_j,j＝1,2,…M,M∈N，Y_j表示相空间中的点；

找相空间中每个点Y_j的最近邻点并限制短暂分离；

对相空间中每个点Y_j，计算出该邻点对的i个离散时间步后的距离d_j(i),

$\begin{array}{c}{d}_j\left(i\right)=|Y_{j+i}-T_{\hat{j}+i}|\\ i=\mathrm{1,2},...,\min (M-j,M-\hat{j}),M\∈N\end{array};$

对每个i，求出所有j的lnd_j(i)平均y(i)，即

$y\left(i\right)=\frac{1}{\mathrm{q\Δt}}\underset{j=1}{\overset{q}{\mathrm{\Σ}}}\ln d_j\left(i\right)$

其中q是非零d_j(i)的数目，并用最小二乘法作出回归直线，该直线的斜率就是最大李雅普诺夫指数λ；

其中所述步骤(5)进一步包括：

由无人驾驶车辆行为的量化结果作为各个指标的评价结果，以无人驾驶车辆行为的李雅普诺夫指数为依据，对其进行评价等级划分，得到单个因素u_ij在评价集V上的模糊集u_ji＝(r_1j,r_2j,r_3j,r_4j,r_5j)，其中r_1j表示u_ji对v₁的隶属度，进而得到评价因素的评价矩阵U_ji＝(u_1i,u_2i,…u_ni,)；

确定权重和单因素模糊综合评价模型，包括由可拓层次分析法得到权重矢量P_i＝(p_1i,p_2i,…p_ni)^T，其与评价矩阵U_ji＝(u_1i,u_2i,…u_ni,)进行合成运算，得到各评价因素的模糊综合评价模型u_i＝U_jiP_i＝(b₁,b₂,…b_m),m∈N，式中通过G_i＝100U_iμ,μ＝{1 0.8 0.6 0.4 0.2}^T,得到无人驾驶车辆各评价方面的分值；

确定二级模糊综合评判模型为U＝U_iP，其中为P＝(p₁,p₂,…p_n)^T无人驾驶车辆评价方面权重，为无人驾驶车辆评价方面评价矩阵U_i＝(u₁,u₂,…u_n)，得到无人驾驶车辆总的评价矩阵，通过G＝100Uμ得到无人驾驶车辆定量评价的总分值；

对无人驾驶车辆行驶的环境复杂度、执行任务的复杂度、人工干预的程度进行等级评定，得到无人驾驶车辆的综合等级；再结合无人驾驶车辆的量化分析结果，任务完成时间以及安全性得到该无人驾驶车辆的智能水平等级。

2.如权利要求1所述的无人驾驶车辆评价测试方法，其中所述步骤(2)中选择无人驾驶车辆评价指标体系进一步包括：

选取初选评价指标，并根据所述初选评价指标中两两相互之间重要程度，得到比较矩阵A＝[a_ij]_n×n,n∈N，a_ij表示指标A_i相对指标A_j重要程度；

对A按列规范化，即对判断矩阵A每一列正规化再按行相加得和向量将得到的和向量正规化，即得权重向量 ${\stackrel{\‾}{W}}_i=\frac{W_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{W}_i}(i=\mathrm{1,2},...n,n\∈N);$

计算矩阵最大特征根在得到λ_max后，需进行一致性检验，一致性指标C.I.为：

确定平均随机一致性指标C.R.，如果满足就认为所得比较矩阵的判断结果可以接受；

根据权重对各个指标进行排序，选择对无人驾驶车辆智能水平影响大的指标作为最终的评价指标，其中所述评价指标被划分为不同层次或等级。

3.如权利要求2所述的无人驾驶车辆评价测试方法，其中所述步骤(2)中确定指标体系中各级指标权重进一步包括：

对属于同一层次的各指标之间的相对重要性进行两两比较，构建可拓区间判断矩阵A＝(a_ij)_n×n,i,j＝1,2…,n，n∈N⁺为正互反矩阵，其中是一个可拓区间数，分别为判断矩阵第i行第j列可拓区间元素的上、下端点；

可拓区间数判断矩阵A＝＜A^-,A⁺＞，其中A^-为区间下端点构成的矩阵，A⁺为区间上端点构成的矩阵，求A^-，A⁺的最大特征值所对应的具有正分量的归一化特征矢量x^-，x⁺；

由 $A^{-}={\left(a_{\mathrm{ij}}^{-}\right)}_{n\×n},A^{+}={\left(a_{\mathrm{ij}}^{+}\right)}_{n\×n}$ 计算k和m的值，其中 $k=\sqrt{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}(1/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}^{+})}$ 式中k，m分别为满足0＜kx^-≤mx⁺的全体正实数；i,j＝1,2,…,n，n∈N⁺；

求出权重量S＝(S₁,S₂,…,S_nk)^T＝＜kx^-,mx⁺＞，设如果V(S_i,S_j)≥0(i≠j)表示S_i≥S_j的可能性程度，则

$\left\{\begin{array}{c}{P}_j=1\\ P_i=V(S_i\≥S_j)=\frac{2(S_i^{+}-S_j^{-})}{(S_j^{+}-S_j^{-})+(S_i^{+}-S_i^{-})}\end{array}\right.$

式中i,j＝1,2,…,n,i≠j，n∈N⁺，P_i表示某层上第i个因素对上一层次上的某个因素的单排序，经归一化后得到的P＝(P₁,P₂,…P_n)^T表示某层上各因素对上一层次上的某个因素的单排序权重矢量；表示两个单层权重矢量可拓区间数的上下端点。

4.如权利要求1所述的无人驾驶车辆评价测试方法，其中所述步骤(3)进一步包括：

获取无人驾驶车辆的无人驾驶车辆行驶轨迹f(x,y)，将其与无人驾驶车辆理想轨迹对比，求出无人驾驶车辆实际轨迹与理想轨迹的偏差随时间变化的时间数据序列D(t)。

5.一种无人驾驶车辆定量评价系统，包括智能水平等级系统，无人驾驶车辆评价指标系统，测试系统和无人驾驶车辆与环境交互的量化分析系统组成，其特征在于：

智能水平等级系统用于确定无人驾驶车辆完成任务、行驶环境和人工干预所在等级；

无人驾驶车辆评价指标系统用于确定无人驾驶车辆评价指标体系并确定各指标权重；

测试系统包括确定测试内容的子模块和确定测试环境的子模块，以及对无人驾驶车辆进行测试的GPS/DR组合定位系统；

无人驾驶车辆与环境交互的量化分析系统用于对无人驾驶车辆行驶轨迹偏差时间序列进行量化分析，计算李雅普诺夫指数。

6.如权利要求5所述的无人驾驶车辆定量评价系统，其中所述测试内容分为导航能力测试、环境感知能力测试、控制与决策能力测试、交互能力测试四个方面；

所述测试环境分为不同的道路交通环境；

GPS/DR组合定位系统用于获得无人驾驶车辆位置信息即f(x,y)；

无人驾驶车辆与环境交互的量化分析系统包括确定性检验子系统，稳定性检验子系统，相空间重构子系统和定量描述子系统。