CN110705005B - 一种自动驾驶事故测试场景筛选方法 - Google Patents

Abstract

本发明涉及一种自动驾驶事故测试场景筛选方法，该方法包括如下步骤：(1)获取事故测试场景集；(2)建立危险度分层评分模型，每一层设有多个评分指标，确定各评分指标的评分权重；(3)利用危险度分层评分模型计算事故测试场景集中的各测试场景的危险度；(4)选取危险度在设定阈值内的测试场景为自动驾驶事故测试场景。与现有技术相比，本发明通过自动驾驶测试场景的危险度进行自动驾驶事故测试场景的筛选，能够精简测试工况集，得到真正可用于测试的工况，减少测试成本，从而便于有针对性地筛选出自动驾驶行车安全性测试的场景，提高测试效率。

Description

一种自动驾驶事故测试场景筛选方法

技术领域

本发明涉及自动驾驶汽车测试技术，尤其是涉及一种自动驾驶事故测试场景筛选方法。

背景技术

在自动驾驶技术的开发过程中需要进行大量的测试、评价和验证工作。Wachenfeld等人曾发布其对自动驾驶测试里程的预测研究，认为自动驾驶的必要测试里程将达到2.4亿公里甚至更多，导致自动驾驶技术开发的周期长、成本高。因此目前国内外对于自动驾驶测试的方法主要为建立自动驾驶测试场景库，并按场景对自动驾驶功能进行测试。

目前利用自然驾驶数据建立测试场景库逐渐成为自动驾驶安全性测试的主流方法。在预碰撞时间(Time to Collision，TTC)为0-1秒，有极大可能发生交通事故时，自动驾驶汽车应采取恰当的应对方式来避免这起可能发生的事故。该测试场景在自然驾驶数据中无法得到。因此需要从交通事故场景入手，对事故场景下的驾驶员驾驶机理及事故工况进行研究，并建立事故场景库。针对建立的交通事故场景库，对该交通事故场景危险度建立评价模型，能够有效地筛选出必要的测试场景，从而大大减少自动驾驶汽车安全性开发和测试的成本。

目前对自动驾驶汽车安全性研究主要集中于封闭测试场道的规划、自动驾驶算法的安全性评估以及自动驾驶行为的安全性评估。如：中国专利CN109886474A提出一种面向自动驾驶车辆测试的封闭测试场规划方法，以测试场的场地边界、自动驾驶测试场景需求为输入，能够获得自动驾驶汽车封闭测试场道路的规划方案，从而避免规划过程中过于依赖主观经验调整。中国专利CN109426696A提出一种提供自动驾驶评价装置以及自动驾驶评价方法，自动驾驶评价装置用于通过模拟来评价自动驾驶算法，基于初始交通场景，运算从初始交通场景的时刻起回溯的过去时刻中的包括自动驾驶车模型以及移动体模型的过去交通场景，同时，基于过去交通场景来评价自动驾驶算法的性能。中国专利CN109710658A提出一种自动驾驶评测方法、装置及设备，能够客观评测不同驾驶场景下人工驾驶与自动驾驶的差异性，以及自动驾驶行为是否安全可靠。

目前对于自动驾驶事故测试场景的筛选研究很少，缺少一种方法来精简测试工况集，得到真正可用于测试的工况，减少测试成本。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种自动驾驶事故测试场景筛选方法。

本发明的目的可以通过以下技术方案来实现：

一种自动驾驶事故测试场景筛选方法，该方法包括如下步骤：

(1)获取事故测试场景集；

(2)建立危险度分层评分模型，每一层设有多个评分指标，确定各评分指标的评分权重；

(3)利用危险度分层评分模型计算事故测试场景集中的各测试场景的危险度；

(4)选取危险度在设定阈值内的测试场景为自动驾驶事故测试场景。

所述的危险度分层评分模型具体为：

P＝α₁C+α₂D；

C＝ω₁C₁+ω₂C₂；

D＝β₁D₁+β₂D₂+β₃D₃；

其中，P为测试场景的危险度，C和D为上层评分指标的评分函数，α₁和α₂为上层评分指标的评分权重，C₁、C₂、D₁、D₂和D₃为下层评分指标的评分函数，ω₁、ω₂、β₁、β₂和β₃为下层评分指标的评分权重，且满足：α₁+α₂＝1，ω₁+ω₂＝1，β₁+β₂+β₃＝1。

所述的上层评分指标包括事故宏观统计特征和事故危险度，进而C为事故宏观统计特征的评分函数，D为事故危险度的评分函数。

事故宏观统计特征这一上层评分指标包括两个下层评分指标，分别为事故频数和每起事故的平均参与者人数，进而C₁为事故频数的评分函数，C₂为每起事故的平均参与者人数的评分函数。

事故危险度这一上层评分指标包括三个下层评分指标，分别为死亡人数、重伤人数和轻伤人数，进而D₁为死亡人数的评分函数，D₂为重伤人数的评分函数，D₃为轻伤人数的评分函数。

所述的事故频数的评分函数C₁具体为：

C₁＝θM，

其中，θ为同一个基础场景下该复杂场景的事故频数占比百分数，M为常数，M＝100；

所述的每起事故的平均参与者人数的评分函数C₂具体为：

其中，p为平均事故参与人数。

所述的死亡人数的评分函数D₁具体为：

所述的重伤人数的评分函数D₂具体为：

所述的轻伤人数的评分函数D₃具体为：

其中，p₁为平均事故死亡人数，p₂为平均事故重伤人数，p₃为平均事故轻伤人数。

下层评分指标的评分权重通过层次分析法获得，具体为，将ω₁和ω₂作为一组评分权重，β₁、β₂和β₃作为另一组评分权重，对每一组评分权重进行如下操作：

(a)根据评分权重对应的下层评分指标采用1-9标度法确定下层评价指标间的相对重要程度，构造判断矩阵：

S＝[a_ij]，

a_ij为第i个下层评价指标和第j个下层评价指标的重要程度标度值，i＝1,2,……,n，j＝1,2,……,n，n为每一组评分权重中对应的下层评价指标的个数；

(b)对判断矩阵按列归一化；

(c)按行相加得到和向量；

(d)将和向量归一化得到权重向量，权重向量中的元素即为对应的评分权重。

与现有技术相比，本发明具有如下优点：本发明通过自动驾驶测试场景的危险度进行自动驾驶事故测试场景的筛选，能够精简测试工况集，得到真正可用于测试的工况，减少测试成本，从而便于有针对性地筛选出自动驾驶行车安全性测试的场景，提高测试效率。

附图说明

图1为本发明自动驾驶事故测试场景筛选方法的流程框图；

图2为本发明危险度分层评分模型的结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。

实施例

如图1所示，一种自动驾驶事故测试场景筛选方法，该方法包括如下步骤：

(1)获取事故测试场景集；

(2)建立危险度分层评分模型，每一层设有多个评分指标，确定各评分指标的评分权重；

(3)利用危险度分层评分模型计算事故测试场景集中的各测试场景的危险度；

(4)选取危险度在设定阈值内的测试场景为自动驾驶事故测试场景。

如图2所示为危险度分层评分模型的结构框图，其具体数学模型为：

P＝α₁C+α₂D；

C＝ω₁C₁+ω₂C₂；

D＝β₁D₁+β₂D₂+β₃D₃；

其中，P为测试场景的危险度，C和D为上层评分指标的评分函数，α₁和α₂为上层评分指标的评分权重，C₁、C₂、D₁、D₂和D₃为下层评分指标的评分函数，ω₁、ω₂、β₁、β₂和β₃为下层评分指标的评分权重，且满足：α₁+α₂＝1，ω₁+ω₂＝1，β₁+β₂+β₃＝1。

上层评分指标包括事故宏观统计特征和事故危险度，进而C为事故宏观统计特征的评分函数，D为事故危险度的评分函数。

事故宏观统计特征这一上层评分指标包括两个下层评分指标，分别为事故频数和每起事故的平均参与者人数，进而C₁为事故频数的评分函数，C₂为每起事故的平均参与者人数的评分函数。

事故危险度这一上层评分指标包括三个下层评分指标，分别为死亡人数、重伤人数和轻伤人数，进而D₁为死亡人数的评分函数，D₂为重伤人数的评分函数，D₃为轻伤人数的评分函数。

事故频数的评分函数C₁具体为：

C₁＝θM，

其中，θ为同一个基础场景下该复杂场景的事故频数占比百分数，M为常数，M＝100，例如汽车-骑车人事故场景下，路口所占比例为40％，路段所占比例为60％，则路口的C₁为40分，路段的C₁为60分。

每起事故的平均参与者人数的评分函数C₂取值如表1所示：

表1每起事故的平均参与者人数

C₂具体数学模型为：

其中，p为平均事故参与人数。

死亡人数的评分函数D₁取值如表2所示：

表2死亡人数的评分函数

D₁具体数学模型为：

其中，p₁为平均事故死亡人数。

重伤人数的评分函数D₂取值如表3所示：

表3重伤人数的评分函数

D₂具体数学模型为：

其中，p₂为平均事故重伤人数。

轻伤人数的评分函数D₃取值如表4所示：

表4轻伤人数的评价函数

D₃具体数学模型为：

其中，p₃为平均事故轻伤人数。

下层评分指标的评分权重通过层次分析法获得，具体为，将ω₁和ω₂作为一组评分权重，β₁、β₂和β₃作为另一组评分权重，对每一组评分权重进行如下操作：

(a)根据评分权重对应的下层评分指标采用1-9标度法确定下层评价指标间的相对重要程度，构造判断矩阵：

S＝[a_ij]，

a_ij为第i个下层评价指标和第j个下层评价指标的重要程度标度值，i＝1,2,……,n，j＝1,2,……,n，n为每一组评分权重中对应的下层评价指标的个数，a_ij＝f(x_i,x_j)。

本实施例中，1-9标度法确定下层评价指标间的相对重要程度具体如表5所示：

表5层次分析法判断矩阵参考

(b)对判断矩阵按列归一化：

(c)按行相加得到和向量：

(d)将和向量归一化得到权重向量，权重向量中的元素即为对应的评分权重：

另外，计算判断矩阵S的最大特征根λ_max：

计算判断矩阵S的一致性指标：

令：

C.R.为一致性比率，当C.R.＜0.1时认为判断矩阵满足一致性要求，否则重新构造判断矩阵并依次执行步骤(b)～(d)获取评分权重。R.I.为平均随机一致性指标，取值如表6。

表6平均随机一致性指标取值

本实施例此处以交通事故场景危险度的权重计算为例，评价指标重要度关系表如表7。

表7事故场景危险度评价指标重要度关系表

用同样的方法计算事故宏观统计特征评价函数的权重，计算结果计入单个交通事故场景危险程度综合评价表，如表8所示。

表8单个交通事故场景危险程度综合评价表

上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。

Claims (6)

1.一种自动驾驶事故测试场景筛选方法，其特征在于，该方法包括如下步骤：

(1)获取事故测试场景集；

(2)建立危险度分层评分模型，每一层设有多个评分指标，确定各评分指标的评分权重；

(3)利用危险度分层评分模型计算事故测试场景集中的各测试场景的危险度；

(4)选取危险度在设定阈值内的测试场景为自动驾驶事故测试场景；

所述的危险度分层评分模型具体为：

P＝α₁C+α₂D；

C＝ω₁C₁+ω₂C₂；

D＝β₁D₁+β₂D₂+β₃D₃；

其中，P为测试场景的危险度，C和D为上层评分指标的评分函数，α₁和α₂为上层评分指标的评分权重，C₁、C₂、D₁、D₂和D₃为下层评分指标的评分函数，ω₁、ω₂、β₁、β₂和β₃为下层评分指标的评分权重，且满足：α₁+α₂＝1，ω₁+ω₂＝1，β₁+β₂+β₃＝1；

所述的上层评分指标包括事故宏观统计特征和事故危险度，进而C为事故宏观统计特征的评分函数，D为事故危险度的评分函数。

2.根据权利要求1所述的一种自动驾驶事故测试场景筛选方法，其特征在于，事故宏观统计特征这一上层评分指标包括两个下层评分指标，分别为事故频数和每起事故的平均参与者人数，进而C₁为事故频数的评分函数，C₂为每起事故的平均参与者人数的评分函数。

3.根据权利要求1所述的一种自动驾驶事故测试场景筛选方法，其特征在于，事故危险度这一上层评分指标包括三个下层评分指标，分别为死亡人数、重伤人数和轻伤人数，进而D₁为死亡人数的评分函数，D₂为重伤人数的评分函数，D₃为轻伤人数的评分函数。

4.根据权利要求2所述的一种自动驾驶事故测试场景筛选方法，其特征在于，所述的事故频数的评分函数C₁具体为：

C₁＝θM，

其中，θ为同一个基础场景下对应测试场景的事故频数占比百分数，M为常数，M＝100；

所述的每起事故的平均参与者人数的评分函数C₂具体为：

其中，p为平均事故参与人数。

5.根据权利要求3所述的一种自动驾驶事故测试场景筛选方法，其特征在于，所述的死亡人数的评分函数D₁具体为：

所述的重伤人数的评分函数D₂具体为：

所述的轻伤人数的评分函数D₃具体为：

其中，p₁为平均事故死亡人数，p₂为平均事故重伤人数，p₃为平均事故轻伤人数。

6.根据权利要求3所述的一种自动驾驶事故测试场景筛选方法，其特征在于，下层评分指标的评分权重通过层次分析法获得，具体为，将ω₁和ω₂作为一组评分权重，β₁、β₂和β₃作为另一组评分权重，对每一组评分权重进行如下操作：

(a)根据评分权重对应的下层评分指标采用1-9标度法确定下层评价指标间的相对重要程度，构造判断矩阵：

S＝[a_ij]，

a_ij为第i个下层评价指标和第j个下层评价指标的重要程度标度值，i＝1,2,……,n，j＝1,2,……,n，n为每一组评分权重中对应的下层评价指标的个数；

(b)对判断矩阵按列归一化；

(c)按行相加得到和向量；

(d)将和向量归一化得到权重向量，权重向量中的元素即为对应的评分权重。

Images