CN112258830A - 车辆编队行驶的可靠性评估方法及其应用 - Google Patents

车辆编队行驶的可靠性评估方法及其应用 Download PDF

Info

Publication number
CN112258830A
CN112258830A CN202011148884.7A CN202011148884A CN112258830A CN 112258830 A CN112258830 A CN 112258830A CN 202011148884 A CN202011148884 A CN 202011148884A CN 112258830 A CN112258830 A CN 112258830A
Authority
CN
China
Prior art keywords
reliability
driving
vehicle
formation
vehicles
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011148884.7A
Other languages
English (en)
Other versions
CN112258830B (zh
Inventor
郑洪江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Pateo Electronic Equipment Manufacturing Co Ltd
Original Assignee
Shanghai Pateo Electronic Equipment Manufacturing Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Pateo Electronic Equipment Manufacturing Co Ltd filed Critical Shanghai Pateo Electronic Equipment Manufacturing Co Ltd
Priority to CN202011148884.7A priority Critical patent/CN112258830B/zh
Publication of CN112258830A publication Critical patent/CN112258830A/zh
Application granted granted Critical
Publication of CN112258830B publication Critical patent/CN112258830B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Abstract

本申请实施例公开了一种车辆编队行驶的可靠性评估方法及其应用，该方法包括：获取由自动驾驶车辆编队中的车辆在行驶路径中所采集的行驶数据；获取针对自动驾驶车辆编队的可靠性指标集合，可靠性指标集合包括至少一个用于评估自动驾驶车辆编队行驶的可靠性的指标；采用数据统计法对行驶数据进行数学建模以确定第一可靠性度量参数；采用层次分析法对可靠性指标集合进行数学建模以确定第二可靠性度量参数；根据第一可靠性度量参数和第二可靠性度量参数确定自动驾驶车辆编队行驶的可靠性。可见，本申请实施例利用数据统计法和层次分析法对自动驾驶车辆编队的行驶过程进行实时、动态的可靠性评估。

Description

车辆编队行驶的可靠性评估方法及其应用
技术领域
本申请涉及自动驾驶技术领域，具体涉及一种车辆编队行驶的可靠性评估方法及其应用。
背景技术
自动驾驶车辆编队，是自动驾驶领域的重要应用，其通过将具有自动驾驶的多辆车辆进行合理编队，从而提高车辆行驶的安全性、效率、行驶里程和行驶时间，以及缓解交通拥堵和提升交通运行效率。
自动驾驶车辆编队行驶的可靠性关系到车队的行驶效率和行驶时间，对驾驶策略、驾驶安全以及稳定性也有着重要作用。然而，目前针对自动驾驶车辆编队行驶的可靠性的研究较少，还需要进一步研究。
发明内容
本申请实施例提供了一种车辆编队行驶的可靠性评估方法及其应用，以期望实现利用数据统计法和层次分析法对自动驾驶车辆编队的行驶过程进行实时、动态的可靠性评估。
第一方面，本申请实施例提供一种车辆编队行驶的可靠性评估方法，包括以下步骤：
获取由自动驾驶车辆编队中的车辆在行驶路径中所采集的行驶数据；
获取针对所述自动驾驶车辆编队的可靠性指标集合，所述可靠性指标集合包括至少一个用于评估所述自动驾驶车辆编队行驶的可靠性的指标；
采用数据统计法对所述行驶数据进行数学建模以确定第一可靠性度量参数；
采用层次分析法对所述可靠性指标集合进行数学建模以确定第二可靠性度量参数；
根据所述第一可靠性度量参数和所述第二可靠性度量参数确定所述自动驾驶车辆编队行驶的可靠性。
可见，通过实时获取由自动驾驶车辆编队中的车辆在行驶路径中所采集的行驶数据，以及从影响自动驾驶车辆编队行驶的可靠性的因素出发，获取可靠性指标集合。然后，通过采用数据统计法对行驶数据进行数学建模以确定第一可靠性度量参数，以及采用层次分析法对该可靠性指标集合进行数学建模以确定第二可靠性度量参数。最终，本申请实施例实现利用数据统计法和行驶数据对自动驾驶车辆编队的行驶过程进行实时、动态的可靠性评估以缩短可靠性的评估周期，以及实现利用层次分析法和可靠性指标集合对自动驾驶车辆编队的行驶过程进行可靠性评估以提高可靠性的评估效率。
第二方面，本申请实施例提供一种车辆编队行驶的可靠性评估装置，所述装置包括处理单元和通信单元，所述处理单元用于：
通过所述通信单元获取由自动驾驶车辆编队中的车辆在行驶路径中所采集的行驶数据；
获取针对所述自动驾驶车辆编队的可靠性指标集合，所述可靠性指标集合包括至少一个用于评估所述自动驾驶车辆编队行驶的可靠性的指标；
采用数据统计法对所述行驶数据进行数学建模以确定第一可靠性度量参数；
采用层次分析法对所述可靠性指标集合进行数学建模以确定第二可靠性度量参数；
根据所述第一可靠性度量参数和所述第二可靠性度量参数确定所述自动驾驶车辆编队行驶的可靠性。
可见，通过实时获取由自动驾驶车辆编队中的车辆在行驶路径中所采集的行驶数据，以及从影响自动驾驶车辆编队行驶的可靠性的因素出发，获取可靠性指标集合。然后，通过采用数据统计法对行驶数据进行数学建模以确定第一可靠性度量参数，以及采用层次分析法对该可靠性指标集合进行数学建模以确定第二可靠性度量参数，从而实现利用数据统计法对自动驾驶车辆编队的行驶过程进行实时、动态的可靠性评估以缩短可靠性的评估周期，以及实现利用层次分析法对自动驾驶车辆编队的行驶过程进行可靠性评估以提高可靠性的评估效率。
第三方面，本申请实施例提供一种服务器，所述服务器包括处理器、存储器和通信接口，所述存储器存储有一个或多个程序，并且所述一个或多个程序由所述处理器执行，所述一个或多个程序用于执行本申请实施例第一方面中的步骤的指令。
可见，通过服务器的计算优势实现第一方面中利用数据统计法和层次分析法对自动驾驶车辆编队的行驶过程进行实时、动态的可靠性评估，以及提高针对可靠性评估的运算效率。
第四方面，本申请实施例提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储用于电子数据交换的计算机程序，所述计算机程序可操作来使得计算机执行本申请实施例第一方面或者第二方面中所描述的部分或全部步骤。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种自动驾驶车辆编队行驶的可靠性评估系统的架构示意图；
图2是本申请实施例提供的一种服务器的结构示意图；
图3是本申请实施例提供的一种车辆编队行驶的可靠性评估方法的流程示意图；
图4是本申请实施例提供的一种层级结构模型的结构示意图；
图5是本申请实施例提供的一种车辆编队行驶的可靠性评估装置的功能单元组成框图；
图6是本申请实施例提供的又一种服务器的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、软件、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。下面结合附图，对本申请实施例进行详细介绍。
为了更好地理解本申请实施例的技术方案，先对本申请实施例可能涉及的自行驾驶车辆编队行驶的可靠性评估系统进行介绍，如图1所示。自行驾驶车辆编队行驶的可靠性评估系统100可以包括服务器110和自动驾驶车辆编队120，而自动驾驶车辆编队120可以包括车辆1201、车辆1202和车辆1203等。其中，服务器110和自动驾驶车辆编队120之间建立有通信链路；同时，自动驾驶车辆编队120中的车辆之间也建立有通信链路。需要说明的是，通信链路可以为有线通信链路，也可以为无线通信链路，对此不作具体限制。
具体的，本申请实施例的服务器110可以为各种用于提供自动驾驶车辆编队行驶的可靠性评估功能的服务器、车联网云平台、车联网服务器、物联网设备、数据中心网络设备、云计算设备、支持802.11协议的计算机、支持5G系统中的网络设备以及未来演进的公用陆地移动通信网络(public land mobile network，PLMN)中的网络设备等，本申请实施例不作具体限制。
下面对服务器110可能的结构示例进行介绍，请参阅图2。图2是本申请实施例提供的一种服务器的结构示意图。服务器110可以包括处理器210、通信模块220、电源管理模块230、存储模块240。处理器210以对应的总线形式连接和控制通信模块220、电源管理模块230、存储模块240。其中，处理器210是服务器110的控制中心，并通过各种接口和线路连接服务器110的各个部分。
具体的，处理器210通过运行或执行存储模块240内的软件程序和/或模块，调用存储器内的存储数据，以执行服务器110的各种功能和处理数据，并监控服务器110的整体运行。可选的，处理器210可以包括中央处理器(central processing unit，CPU)、数字信号处理器(digital signal processor，DSP)、专用集成电路(application-specificintegrated circuit，ASIC)和现场可编程门阵列(field programmable gate array，FPGA)等。
具体的，通信模块220可以实现第二代2G移动通信技术网络、第三代3G移动通信技术网络、第四代4G移动通信技术网络和第五代5G移动通信技术网络等功能以执行通信数据的接收与发送，可以提供2.4GHz和5GHz的信道频谱资源以执行通信数据的接收与发送，也可以实现车联网或物联网等功能以执行通信数据的接收与发送。可选的，通信模块220可以用于接收自动驾驶车辆编队中的车辆发送的感知数据。
具体的，电源管理模块230可以包括电源管理芯片，并可以为服务器110提供电能变换、分配、检测等管理功能。
具体的，存储模块240可以用于存储软件程序和/或模块，并且可以包括存储程序区和存储数据区。其中，存储程序区可以用于存储操作系统或者至少一个功能所需的软件程序等，并且该至少一个功能所需的软件程序可以用于执行本申请实施例中的自动驾驶车辆编队行驶的可靠性评估功能；存储数据区可以用于存储感知数据等。
由于自动驾驶车辆编队的车队行驶的可靠性关系到车队的行驶效率和行驶时间，对整体的驾驶决策、驾驶安全以及稳定性有着重要作用，而当前国内外关于自动驾驶车辆编队行驶的可靠性研究较少，且一般是从自动驾驶车辆的软硬件角度进行可靠性研究，大多采用静态方法，即事后统计结果。当对自动驾驶车辆进行编队时，车队行驶过程需要随时掌握车队当前的状态，并要求针对可靠性的度量值满足实时和动态特点，因此需要针对自动驾驶车辆编队的行驶过程进行动态可靠性的评估。
结合上述描述，下面本申请实施例将从方法示例的角度介绍车辆编队行驶的可靠性评估方法的执行步骤，请参阅图3。图3是本申请实施例提供的一种车辆编队行驶的可靠性评估方法的流程示意图，该方法包括：
S310、获取由自动驾驶车辆编队中的车辆在行驶路径中所采集的行驶数据。
具体的，行驶路径可以是由自动驾驶车辆编队的测试项目所规划确定的，其中，测试项目可以包括车队行驶路程、车队行驶速度、目标车辆行驶速度、相邻车辆之间的车头间距、路况识别情况、方向指示信号灯识别情况、停车让行标志识别情况、道路交通标志识别情况等。此外，行驶路径可以通过服务器或其他设备下发给自动驾驶车辆编队中的车辆的导航系统中，也可以是预先配置在自动驾驶车辆编队中的车辆的导航系统中。
需要说明的是，自动驾驶车辆中车辆之间的通信系统功能是通过车辆上安装的车载终端来建立车载自组织网络，实现车队内部通信，以及保证车队内的车辆位置和状态信息的传输与共享，而车载终端可以包括具有车用无线通信(vehicle-to-everything，V2X)功能的通信设备、具有车联网的TBOX设备等。同时，车队内的车辆需要以自身为中心，不断获取周围车辆的状态信息，并通过共享状态信息为驾驶策略、行驶规划与控制提供必要信息，并且引导车需要掌握车队的实时状态信息，为驾驶策略提供依据，从而实现近距离的车辆编队行驶。此外，车辆之间的通信系统需要实现车辆编队的管理，包括创建车队、解散车队、车辆入队和车辆出队等状态的切换，使得整个车队步调一致，协调运行。
进一步需要说明的是，由于行驶数据作为评估自动驾驶车辆编队行驶的可靠性的重要因素，因此本申请实施例通过车载终端来采集自动驾驶车辆编队中的车辆在行驶路径中的自动驾驶数据，并通过车载终端之间进行数据共享，以及通过车载终端上传到服务器。
下面对本申请实施例中的行驶数据做一个示例说明。
在一个可能的示例中，行驶数据可以包括以下至少一种：车辆编队状态、车辆行驶位置、车辆行驶速度、车辆方向盘转角、车辆方向盘角速度、车辆纵向加速度、车辆横向加速度、车头间距和目标车辆速度。
表1
参数 名称 单位 采样频率
编队状态 Formation Status 0/1 1Hz
车辆行驶位置 Vehicle Local m 1000Hz
车辆行驶速度 Vehicle Velocity m/s 1000Hz
方向盘转角 Steering Angle ° 1000Hz
方向盘角速度 Steering Angle Rate °/s 1000Hz
纵向加速度 Y Acceleration m/s<sup>2</sup> 1000Hz
横向加速度 X Acceleration m/s<sup>2</sup> 1000Hz
车头间距 Distance Headway m 10Hz
目标车辆速度 Target Vehicle Speed m/s 10Hz
需要说明的是，车辆编队状态可以用于表示当前自动驾驶车辆编队在行驶过程中的整体车辆编队情况，例如参与编队的车辆数量、参与编队的车辆顺序等，而车辆编队信息可以通过自动驾驶车辆编队中车辆的车载终端之间的相互通信以共享确定出，并由车载终端实时上传到服务器。车辆行驶位置可以通过车辆的全球定位系统(global positioningsystem，GPS)模块采集到，并通过车辆的控制器局域网络(controller area network，CAN)传输给车载终端，在由车载终端之间进行相互共享，以及实时上传到服务器。
进一步需要说明的是，车辆行驶速度、车辆方向盘转角、车辆方向盘角速度、车辆纵向加速度、车辆横向加速度等可以通过车辆上的相关传感器采集到，并通过CAN网络传输给车载终端，在由车载终端之间进行相互共享，以及实时上传到服务器。
举例说明，自动驾驶车辆编队中的车辆可以通过表1中的参数一栏和采样频率一栏进行行驶数据的采集。
S320、获取针对自动驾驶车辆编队行驶的可靠性指标集合。
其中，可靠性指标集合包括至少一个用于评估自动驾驶车辆编队行驶的可靠性的指标。
需要说明的是，由于存在多个影响自动驾驶车辆编队行驶的可靠性的因素，例如自动驾驶车辆编队中各个车辆之间的通信网络的可靠性、车辆与服务器之间的通信网络的可靠性、采集行驶数据的可靠性等，因此本申请实施例从影响自动驾驶车辆编队行驶的可靠性的因素出发，从而通过该影响自动驾驶车辆编队行驶的可靠性的因素来获取可靠性指标集合。
表2
Figure BDA0002740577600000061
下面对本申请实施例中的可靠性指标集合作一个示例说明。
在一个可能的示例中，可靠性指标集合可以包括一级指标和二级指标；其中，一级指标可以包括以下至少一种：通信可靠性、行驶数据可靠性、安全跟车可靠性；通信可靠性可以包括二级指标中的以下至少一种：网络生存性、网络抗毁性、网络有效率、网络可用性和网络完成性；行驶数据可靠性可以包括二级指标中的以下至少一种：行驶数据稳定性、行驶数据有效率、行驶数据层次性；安全跟车可靠性可以包括所述二级指标中的以下至少一种：车辆相距碰撞时间、车辆相距碰撞距离、车辆跟随稳定性。
具体的，通信可靠性可以用于表示自动驾驶车辆编队中的车辆在通信网络过程中数据传输的可靠性。其中，通信网络可以包括车辆与车辆之间的V2X通信网络、车辆与服务器之间的V2X通信网络、车辆与路测设施之间的V2X通信网络。
具体的，网络生存性可以用于表示在V2X通信网络发生故障时，V2X通信网络继续提供服务的能力；网络抗毁性可以用于表示在V2X通信网络中出现确定性或随机性故障时，V2X通信网络维持或恢复其性能到一个可接受程度的能力；网络有效率可以用于表示V2X通信网络的预期功能与实际完成结果的程度；网络可用性可以用于表示在V2X通信网络部分失效时，V2X通信网络能继续满足通信性能需求的概率；网络完成性可以用于表示V2X通信网络在不同业务性能级别上正常或降级完成规定业务的能力。
具体的，行驶数据可靠性可以用于表示自动驾驶车辆编队中的车辆在行驶路径中所采集的行驶数据的可靠性。
具体的，行驶数据稳定性可以用于表示行驶数据的数据波动性与离散性；行驶数据有效率可以用于表示行驶数据与预期数据之间的衡量关系；感知数据层次性可以用于表示行驶数据由整体到局部、横向到纵向的衡量关系。
具体的，安全跟车可靠性可以用于表示自动驾驶车辆编队中的车辆之间安全跟车的可靠性。
具体的，车辆相距碰撞时间可以用于表示跟随车辆与前车辆之间的碰撞时间；车辆相距碰撞距离可以用于表示跟随车辆与前车辆之间的碰撞距离；车辆跟车稳定性可以用于表示在行驶时间内跟随车辆无故障行驶时间的概率。
举例说明，可靠性指标集合可以通过表2中的一级指标和二级指标示例。
S330、采用数据统计法对所述行驶数据进行数学建模以确定第一可靠性度量参数。
下面本实施例对服务器如何采用数据统计法对所述行驶数据进行数学建模以确定第一可靠性度量参数进行具体说明。
采用数据统计法对行驶数据进行数学建模以得到可靠性度量参数模型，如表3所示。
表3
Figure BDA0002740577600000071
在表3中，自动驾驶汽车编队中的车辆发生的行驶故障包括首车对交通标志或标线识别错误、首车对交通信号灯识别错误、首车对周围障碍物识别错误、首车对行人及非机动车识别错误、跟随车辆识别前车错误、前方车辆行驶状态判断错误、跟车对前车行驶状态判断错误、人工操作接管出错、靠路边停车的不可靠因素、车队超车的不可靠因素、车队过交叉路口通行的不可靠因素、车队自动紧急制动的不可靠因素。
具体的，首车对交通标志或标线识别错误时的自动驾驶行为可以包括如下：识别错误限速值、限速标志时所做的减速或未减速的自动驾驶行为；识别错误停车让行标志标线时所做的减速、停车或未减速的自动驾驶行为；识别错误人行横道线时未减速或减速的加速度过小的自动驾驶行为等。
具体的，首车对交通信号灯识别错误时的自动驾驶行为可以包括如下：车辆未能按照机动车信号灯指示进行驾驶；车辆未能按照方向指示信号灯进行驾驶等。
具体的，首车对周围障碍物识别错误时的自动驾驶行为可以包括如下：前方障碍物不可越过(大石块等)时车辆仍按原速度直线行驶或减速的加速度过小的自动驾驶行为；前方障碍物可以越过(井盖、减速带、水坑等)时车辆按原速度直线行驶或制动停车的自动驾驶行为等。
具体的，首车对行人及非机动车识别错误时的自动驾驶行为可以包括如下：行人或两轮车横穿马路时车辆按原速度直线行驶或减速的加速度过小的自动驾驶行为；行人或两轮车沿道路行走时车辆按原速度直线行驶或减速的加速度过小的自动驾驶行为等。
具体的，跟随车辆识别前车错误时的自动驾驶行为可以包括如下：未检测到前车的位置及距离信息；未收到前车的自动驾驶建议策略信息；与前车的间隙中插入其他车辆或紧急车辆等。
具体的，前方车辆行驶状态判断错误时的自动驾驶行为可以包括如下：当前方车辆进行变换车道时，两车纵向距离过小，自身车辆按照正常速度行驶或减速的加速度过小的自动驾驶行为；当前方车辆进行加速时，没有及时响应而造成编队距离过大的自动驾驶行为等。
具体的，跟车对前车行驶状态判断错误时的自动驾驶行为可以包括如下：稳定跟车行驶情形时，车辆行驶速度高于前车车速的自动驾驶行为或始终按一定车速行驶的自动驾驶行为；“停—走”跟车行驶情形时，当前方车辆减速至停止时，自身车辆制动加速度过小的自动驾驶行为，以及前方车辆起步后自身车辆仍处于停车状态或起步时间过长的自动驾驶行为等。
具体的，人工操作接管出错时的自动驾驶行为可以包括如下：车辆遇到超出设计运行范围的场景时，由于没有发出人工操作接管请求信号，而自主进行驾驶的自动驾驶行为；人工操作接管请求发出后仍自主进行驾驶的自动驾驶行为等。
具体的，靠路边停车的不可靠因素时的自动驾驶行为可以包括如下：靠路边应急停车时，未开启右转向灯或进入应急车道后未能开启危险警告信号灯的自动驾驶行为，以及车辆进行靠边停车时部分车身仍处在应急车道外的自动驾驶行为；最右车道内靠边停车时，车辆在进行变道靠边停车时未开启右转向灯的自动驾驶行为，以及车辆在进行靠边停车时未能一次性完成(倒车等)的自动驾驶行为等。
具体的，车队超车的不可靠因素时的自动驾驶行为可以包括如下：编队在超车过程中未能考虑编队长度而超车失败的自动驾驶行为；车辆编队在超车过程中加速度过小使超车过程太长的自动驾驶行为等。
具体的，车队过交叉路口通行的不可靠因素时的自动驾驶行为可以包括如下：首车通行(右方来车先行)情形时，跟随车辆按原速度直线行驶、制动加速度过大或制动停车的自动驾驶行为；首车右转通行(直行优先)情形时，跟随车辆未能正确跟随、未能制动减速或者制动停车的自动驾驶行为；首车左转通行(直行优先)情形时，跟随车辆未能正确跟随编队、未能制动减速或者制动停车的自动驾驶行为等。
具体的，车队自动紧急制动的不可靠因素时的自动驾驶行为可以包括如下：前车静止时，自身车辆仍按原速度直线行驶、制动加速度过小或者未能发出报警信息的自动驾驶行为；前方车辆制动减速时，自身车辆仍按原速度直线行驶、制动加速度过小或者未能发出报警信息的自动驾驶行为；行人横穿时，自身车辆未能及时进行制动减速、未能发出报警信息的自动驾驶行为。
下面具体给出表3中可靠性度量参数的具体计算公式。
1)平均无故障运行里程：
Figure BDA0002740577600000091
其中，M为所记录的自动驾驶车辆编队的行驶路径的总公里数，r为自动驾驶车辆在编队行驶时出现行驶故障的总次数。
2)平均无故障运行时间：
Figure BDA0002740577600000092
其中，T为所记录的自动驾驶车辆编队在编队状态下完成行驶路径的行车总时长；N为所记录的自动驾驶车辆编队的编队数量，r为自动驾驶车辆编队在编队行驶时出现行驶故障的总次数。
3)平均首次故障里程：
Figure BDA0002740577600000093
其中，N为所记录的自动驾驶车辆编队的编队数量，mi为第i队自动驾驶车辆编队出现首次行驶故障的里程数。
4)平均失效前时间：
Figure BDA0002740577600000094
其中，
Figure BDA0002740577600000095
5)失效率：
在时间间隔[t1,t2]内，失效率函数为：
Figure BDA0002740577600000101
其中，R(t1)为t1时刻的可靠度；R(t2)为t2时刻的可靠度。
6)可靠度：
可靠度R(t)是指一个自动驾驶车辆编队系统从零时刻到t时刻期间都能正常运行的概率：
R(t)＝P(T＞t),t≥0，
其中，T为一个随机变量，表示自动驾驶车辆编队系统发生失效前或失效时间。
如果表示失效前时间随机变量T的密度函数为f(t)，则可靠度R(t)为：
Figure BDA0002740577600000102
综上所述，第一可靠性度量参数S1可以包括以下至少一种：平均无故障运行里程、平均无故障运行时间、平均首次故障里程、平均失效前时间、失效率、可靠度。可以理解的是，通过上述的计算公式，可以求得第一可靠性度量参数S1。
可见，本申请实施例采用数据统计法对行驶数据进行数学建模以确定第一可靠性度量参数，并为后续通过第一可靠性度量参数确定出自动驾驶车辆编队行驶的可靠性，从而实现利用数据统计法和行驶数据对自动驾驶车辆编队的行驶过程进行实时、动态的可靠性评估以缩短可靠性的评估周期。
S340、采用层次分析法对可靠性指标集合进行数学建模以确定第二可靠性度量参数。
下面本实施例对服务器如何采用层次分析法对可靠性指标集合进行数学建模以确定第二可靠性度量参数作一个示例说明。
在一个可能的示例中，采用层次分析法对可靠性指标集合进行数学建模以确定第二可靠性度量参数，可以包括以下操作：按照可靠性指标集合中的指标所属的级别对可靠性指标集合进行分层以得到至少一个第一分层；比较第一分层中的每两个指标之间的相对重要性以确定第一判断矩阵；在第一判断矩阵通过一致性检验时，确定第一分层中的指标对应的第一权重向量，第一权重向量用于表示第一判断矩阵的最大特征根的归一化特征向量；根据第一分层中的指标对评级的隶属度确定第一隶属度矩阵；根据第一权重向量和第一隶属度矩阵确定第二可靠性度量参数。
需要说明的是，层次分析法(analytic hierarchy process，AHP)是一种根据问题的性质和要达到的总目标，将问题分解为不同的组成因素，并按照各个因素之间的相互关联影响以及隶属关系，将各个因素按照不同的层次聚集组合，以形成一个多层次的层次结构模型，从而使问题归结为最低层相对于最高层的相对重要权值的确定或相对优劣次序的排序。因此，本申请实施例从影响自动驾驶车辆编队的因素出发，建立可靠性指标集合，并通过层次分析法对可靠性指标集合进行数学建模以形成一个多层次的层级结构模型，从而实现对自动驾驶车辆编队行驶的可靠性评估。
下面本申请结合表2所示的可靠性指标集合对本示例进行举例说明。
(1)自动驾驶车辆编队行驶的可靠性
在表2中，由于可靠性指标集合包括具有第一级别的一级指标和具有第二级别的二级指标，而一级指标和二级指标又包含有各类指标，因此按照可靠性指标集合中的指标所述的级别对可靠性指标集合进行分层以得到两个分层。例如，在图4所示的层级结构模型中，将通信可靠性、行驶数据可靠性和安全跟车可靠性作为第一层，而将网络生存性、网络抗毁性、网络有效率、网络可用性、网络完成性、行驶数据稳定性、行驶数据有效率、行驶数据层次性、车辆相距碰撞时间、车辆相距碰撞距离和车辆跟随稳定性作为第二层。
首先，将第一层中的指标表示为X＝{x1,x2,x3}，其中，参数x1表示为通信可靠性，参数x2表示为行驶数据可靠性，参数x3表示为安全跟车可靠性；然后，比较第一层中的每两个指标之间的相对重要性以确定判断矩阵A:
A＝(aij)3×3,i∈[1,3],j∈[1,3]，
其中，元素aij表示参数xi与参数xj对可靠性的相对重要性，而参数xj与参数xi对可靠性的相对重要性表示为aji＝1/aij。其中，元素aij的值可以通过1-9标度和指数标度法确定，例如表4所示。
由于通信可靠性、行驶数据可靠性和安全跟车可靠性都对可靠性评估有着重要影响，而通信可靠性又相较其他两个指标更加重要，因此通过专家打分，可以确定出判断矩阵A的具体矩阵值，例如表5所示。在表5中，通过表4中的指数标度可知，通信可靠性比行驶数据可靠性的相对重要性在稍微重要与明显重要之间，而通信可靠性比行驶数据可靠性的相对重要性也在稍微重要与明显重要之间。同理，行驶数据可靠性与安全跟车可靠性的相对重要性为稍微重要。
表4
Figure BDA0002740577600000111
表5
Figure BDA0002740577600000112
通过表5所示，判断矩阵A表示为：
Figure BDA0002740577600000121
按照如下步骤计算判断矩阵A的最大特征根和特征向量：
1)计算判断矩阵A各行元素乘积：
由公式
Figure BDA0002740577600000122
可得，M＝(2.6504,0.7834,0.4814)。
2)计算Mi的n次方根：
由公式
Figure BDA0002740577600000123
可得，
Figure BDA0002740577600000124
3)向量归一化：
由公式
Figure BDA0002740577600000125
可得，归一化特征向量为w＝(0.4479,0.2984,0.2537)。
4)计算判断矩阵A的最大特征根:
由公式
Figure BDA0002740577600000126
可得，λmax＝3.0064。
5)一致性检验：
一致性检验的原理是：当n阶正互反矩阵为一致性矩阵时，则存在λmax＝n；当n阶正互反矩阵在一致性上存在误差时，则存在λmax＞n。如果误差越大，则λmax-n的值越大。
由于随机一致性指标(random consistency index，RI)与矩阵阶数n相关，因此通过阶数n便可查表得到RI，如表6所示，而判断矩阵A的一致性指标(consistency index，CI)定义如下：
Figure BDA0002740577600000127
表6
n 1 2 3 4 5 6 7 8 9
RI 0 0 0.52 0.89 1.12 1.24 1.36 1.41 1.46
随机一致性比率(random consistency ratio，CR)定义如下：
Figure BDA0002740577600000128
其中，如果CR的值越大，则表示判断矩阵A的逻辑冲突越严重，不一致性越高；如果CR的值小于0.1，则判断矩阵A的一致性良好，判断矩阵A通过一致性检验，否则需要对判断矩阵A进行修正。
通过上述公式和表6，可得判断矩阵A的一致性为：
Figure BDA0002740577600000131
Figure BDA0002740577600000132
因此，判断矩阵A通过一致性检验，第一层中的指标对应的权重向量为w＝(0.4479,0.2984,0.2537)。
重复上述步骤，依次计算通信可靠性、行驶数据可靠性和安全跟车可靠性的权值向量。
(2)通信可靠性
对通信可靠性构建判断矩阵B，其中，指标选取的代表性和科学性是比较重要的，对可靠性影响较大。例如，在表7中，通过表4中的指数标度可知，网络生存性比网络抗毁性稍微重要，其余依次类推。
表7
Figure BDA0002740577600000133
通过表7所示，判断矩阵B表示为：
Figure BDA0002740577600000134
1)计算判断矩阵B的各行元素乘积，可得
M＝(7.0343,2.0781,0.6142,0.6142,0.1815)；
2)计算Mi的n次方根，可得
Figure BDA0002740577600000135
3)向量归一化，可得
w＝(0.2863,0.2243,0.1758,0.1758,0.1378)；
4)计算判断矩阵B的最大特征根，可得λmax＝5.0002。
5)一致性检验
判断矩阵B的一致性为：
Figure BDA0002740577600000141
Figure BDA0002740577600000142
因此，判断矩阵B通过一致性检验，通信可靠性的权重向量表示为w＝(0.2863,0.2243,0.1758,0.1758,0.1378)。
(3)行驶数据可靠性
对行驶数据可靠性构建判断矩阵C,如表8所示，通过表4中的指数标度可知，行驶数据稳定性比行驶数据有效率稍微重要，其余依次类推。
通过表8所示，判断矩阵C表示为：
Figure BDA0002740577600000143
1)计算判断矩阵C的各行元素乘积，可得
M＝(1.6282,0.7840,0.7840)；
2)计算Mi的n次方根，可得
Figure BDA0002740577600000144
3)向量归一化，可得
w＝(0.3894,0.3053,0.3053)；
4)计算判断矩阵C的最大特征根，可得λmax＝3.0003
5)一致性检验
判断矩阵B的一致性为：
Figure BDA0002740577600000145
Figure BDA0002740577600000146
因此，判断矩阵C通过一致性检验，行驶数据可靠性的权重向量表示为w＝(0.3894,0.3053,0.3053)。
表8
行驶数据可靠性 行驶数据稳定性 行驶数据有效率 行驶数据层次性
行驶数据稳定性 1 1.276 1.276
行驶数据有效率 0.784 1 1
行驶数据层次性 0.784 1 1
(4)安全跟车可靠性
对安全跟车可靠性构建判断矩阵D,如表9所示，通过表4中的指数标度可知，车辆相距碰撞时间比车辆跟随稳定性稍微重要，其余依次类推。
通过表9所示，判断矩阵D表示为：
Figure BDA0002740577600000151
1)计算判断矩阵D的各行元素乘积，可得
M＝(1.2760,1.2760,0.6147)；
2)计算Mi的n次方根，可得
Figure BDA0002740577600000152
3)向量归一化，可得
w＝(0.3592,0.3592,0.2816)；
4)计算判断矩阵D的最大特征根，可得λmax＝3.0003；
5)一致性检验
判断矩阵B的一致性为：
Figure BDA0002740577600000153
Figure BDA0002740577600000154
因此，判断矩阵D通过一致性检验，通信可靠性的权重向量表示为w＝(0.3592,0.3592,0.2816)。
表9
Figure BDA0002740577600000155
综上所述，本示例获取到每层中的指标对应的权重向量如表10所示。
表10
Figure BDA0002740577600000156
下面本实施例将对如何根据第一分层中的指标对评级的隶属度确定第一隶属度矩阵作一个示例说明。
在一个可能的示例中，根据第一分层中的指标对评级的隶属度确定第一隶属度矩阵，可以包括以下操作：获取预设评级表，预设评级表可以用于表示评分与评级之间的对应关系；确定第一分层中的指标对预设评级表中的评级的隶属度；根据隶属度构建第一隶属度矩阵。
需要说明的是，隶属度可以用于表示第一分层中的指标属于预设评级表中的某个评级的程度，因此通过建立评分与评级之间的对应关系的预设评级表，再确定出第一分层中的指标属于预设评级表中的某个评级的程度，从而实现根据隶属度确定出第一隶属度矩阵。
具体的，预设评级表中的评分区间可以包括以下至少一种：(85，100]、(70，85]、(50，70]、(20，50]、(0，20]；预设评级表中的评级可以包括以下至少一种：非常可靠、较可靠、一般、较不可靠、不可靠。下面本实施例提供一种预设评级表的示例，如表11所示。在表11中，预设评级表中的评分区间包括(85，100]、(70，85]、(50，70]、(20，50]、(0，20]，而预设评级表中的评级包括非常可靠、较可靠、一般、较不可靠、不可靠。
表11
评分p (85，100] (70，85] (50，70] (20，50] (0，20]
评级v 非常可靠v<sub>1</sub> 较可靠v<sub>2</sub> 一般v<sub>3</sub> 较不可靠v<sub>4</sub> 不可靠v<sub>5</sub>
表12
Figure BDA0002740577600000161
由于可靠性指标集合可能包括多个级别的指标，因此在采用层次分析法对对可靠性指标集合进行数学建模时，其层级结构模型可以有多个分层，包括多个中间层和一个最底层。例如，在如图4所示的两个分层中，第一层为中间层，第二层为最底层。然而，在如何确定第一分层中的指标对预设评级表中的评级的隶属度时，第一分层为中间层还是最底层时，具有不同的实现方式，下面进行具体说明。
方式一：
在第一分层为层级结构模型中的最底层时，确定第一分层中的指标对预设评级表中的评级的隶属度，可以包括以下操作：获取针对第一分层中的指标对预设评级表中的评级由专家打分的预设值；将预设值输入预先训练好的神经网络进行动态调整以确定隶属度。
可以理解的是，在第一分层为最低层时，先由专家打分，再由神经网络进行动态调整以得到隶属度。
下面本实施例提供一种在第一分层为最低层时第一隶属度矩阵的示例，如表12所示。
方式二：
在第一分层为层级结构模型中的中间层时，确定第一分层中的指标对预设评级表中的评级的隶属度，可以包括以下操作：计算第一分层的下一层中的指标对应的权重向量与第一分层的下一层中的指标对应的隶属度矩阵之间的乘积以确定隶属度向量；根据隶属度向量确定第一分层中的指标对预设评表中的评级的隶属度。
下面本实施例通过图4和表12所示，当第一分层为层级结构模型中的第一层，而第一分层的下一层为第二层时，对如何根据第一分层中的指标对评级的隶属度确定第一隶属度矩阵进行介绍说明。
(1)针对通信可靠性的隶属度向量
根据表12所示，第二层中网络生存性、网络抗毁性、网络有效性、网络可用性和网络完成性对应的隶属度矩阵R1为：
Figure BDA0002740577600000171
因此，针对通信可靠性的隶属度向量r1为：
Figure BDA0002740577600000172
(2)针对行驶数据可靠性的隶属度向量
根据表12所示，第二层中行驶数据稳定性、行驶数据有效率、行驶数据层次性对应的隶属度矩阵R2为：
Figure BDA0002740577600000181
因此，针对行驶数据可靠性的隶属度向量r2为：
Figure BDA0002740577600000182
(3)针对安全跟车可靠性的隶属度向量
表13
Figure BDA0002740577600000183
根据表12所示，第二层中车辆相距碰撞时间、车辆相距碰撞距离、车辆跟随稳定性对应的隶属度矩阵R3为：
Figure BDA0002740577600000184
因此，针对行驶数据可靠性的隶属度向量r3为：
Figure BDA0002740577600000185
综上所述，通过隶属度向量r1、r2和r3确定第一隶属度矩阵，如表13所示。
下面本实施例对如何根据权重向量和第一隶属度矩阵确定第二可靠性度量参数作一个示例说明。
在一个可能的示例中，根据权重向量和第一隶属度矩阵确定第二可靠性度量参数，可以包括以下操作：计算权重向量与第一隶属度矩阵之间的乘积以确定针对自动驾驶车辆编队行驶的可靠性的隶属度向量；计算评级表中的评分与隶属度向量之间的乘积以确定第二可靠性度量参数。
举例说明，根据表10和表13所示，针对自动驾驶车辆编队行驶的可靠性的隶属度向量SR为：
Figure BDA0002740577600000191
第二可靠性度量参数S2为：
S2＝(0.1872×100+0.1861×85+0.3666×70+0.2602×50)/100＝0.7321。
可见，本申请实施例采用层次分析法对可靠性指标集合进行数学建模以确定第二可靠性度量参数，并在后续通过第二可靠性度量参数确定出自动驾驶车辆编队行驶的可靠性，从而实现利用层次分析和可靠性指标集合对自动驾驶车辆编队的行驶过程进行可靠性评估。相比于上述数据统计法中需要实时采集行驶数据的方式，层次分析法可以直接利用专家打分等方式对可靠性指标集合进行数学建模，从而提高可靠性的评估效率。
S350、根据第一可靠性度量参数和第二可靠性度量参数确定自动驾驶车辆编队行驶的可靠性。
下面本申请将对云服务如何根据第一可靠性度量参数和第二可靠性度量参数确定自动驾驶车辆编队行驶的可靠性作一个示例说明。
在一个可能的示例中，根据第一可靠性度量参数和第二可靠性度量参数确定所述自动驾驶车辆编队行驶的可靠性，可以包括以下操作：根据第一可靠性度量参数、第二可靠性度量参数和预设度量公式计算出自动驾驶车辆编队行驶的可靠性；其中，预设度量公式为：
γ＝α*S1+β*S2，
其中，γ表示自动驾驶车辆编队行驶的可靠性，α和β表示比例系数，S1表示所述第一可靠性度量参数，所述S2表示所述第二可靠性度量参数。需要说明的是，本申请通过分析第一可靠性度量参数和第二可靠性度量参数在计算自动驾驶车辆编队行驶的可靠性时各自所占的比例(α和β)，通过不断调整比例系数或者预设的比例系数，从而有利于保证计算出的自动驾驶车辆编队行驶的可靠性更加准确。
具体的，α和β可以为预设比例系数或者可调的比例系数。
可以看出，本申请实施例中，通过实时获取由自动驾驶车辆编队中的车辆在行驶路径中所采集的行驶数据，以及从影响自动驾驶车辆编队行驶的可靠性的因素出发，获取可靠性指标集合。然后，通过采用数据统计法对行驶数据进行数学建模以确定第一可靠性度量参数，以及采用层次分析法对该可靠性指标集合进行数学建模以确定第二可靠性度量参数。最终，本申请实施例实现利用数据统计法和行驶数据对自动驾驶车辆编队的行驶过程进行实时、动态的可靠性评估以缩短可靠性的评估周期，以及实现利用层次分析法和可靠性指标集合对自动驾驶车辆编队的行驶过程进行可靠性评估以提高可靠性的评估效率。
上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是，服务器110为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所提供的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对服务器110进行功能单元的划分，例如，可以对应各个功能划分各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。需要说明的是，本申请实施例中对单元的划分是示意性的，只是一种逻辑功能划分，而实际实现时可以有另外的划分方式。
在采用集成的单元的情况下，图5是本申请实施例提供的一种车辆编队行驶的可靠性评估装置的功能单元组成框图。车辆编队行驶的可靠性评估装置500具体包括：处理单元520和通信单元530。处理单元520用于执行图3中的全部步骤，以及用于本文所描述的技术的其它过程。通信单元530用于与自动驾驶车辆编队120之间的无线通信。车辆编队行驶的可靠性评估装置500还可以包括存储单元510，用于存储程序代码和数据。
其中，处理单元520可以是处理器或控制器，例如可以是CPU、通用处理器、DSP、ASIC、FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框、模块和电路。处理单元520也可以是实现计算功能的组合，例如包含一个或多个微处理器组合、DSP和微处理器的组合等。通信单元530可以是通信接口、收发器、收发电路等，存储单元510可以是存储器。当处理单元520为处理器，通信单元530为通信接口，存储单元510为存储器时，本申请实施例所涉及的车辆编队行驶的可靠性评估装置500可以为图6所示的服务器。
具体实现时，处理单元520用于执行如上述方法实施例中的任一步骤，且在执行诸如发送等数据传输时，可选择的调用通信单元530来完成相应操作。下面进行详细说明。
处理单元520用于，获取由自动驾驶车辆编队中的车辆在行驶路径中所采集的行驶数据；获取针对所述自动驾驶车辆编队的可靠性指标集合，所述可靠性指标集合包括至少一个用于评估所述自动驾驶车辆编队行驶的可靠性的指标；采用数据统计法对所述行驶数据进行数学建模以确定第一可靠性度量参数；采用层次分析法对所述可靠性指标集合进行数学建模以确定第二可靠性度量参数；根据所述第一可靠性度量参数和所述第二可靠性度量参数确定所述自动驾驶车辆编队行驶的可靠性。
可以看出，本实施例中，通过实时获取由自动驾驶车辆编队中的车辆在行驶路径中所采集的行驶数据，以及从影响自动驾驶车辆编队行驶的可靠性的因素出发，获取可靠性指标集合。然后，通过采用数据统计法对行驶数据进行数学建模以确定第一可靠性度量参数，以及采用层次分析法对该可靠性指标集合进行数学建模以确定第二可靠性度量参数。最终，本申请实施例实现利用数据统计法和行驶数据对自动驾驶车辆编队的行驶过程进行实时、动态的可靠性评估以缩短可靠性的评估周期，以及实现利用层次分析法和可靠性指标集合对自动驾驶车辆编队的行驶过程进行可靠性评估以提高可靠性的评估效率。
在一个可能的示例中，在采用层次分析法对可靠性指标集合进行数学建模以确定第二可靠性度量参数方面，处理单元520具体用于：按照可靠性指标集合中的指标所属的级别对可靠性指标集合进行分层以得到至少一个第一分层；比较第一分层中的每两个指标之间的相对重要性以确定第一判断矩阵；在第一判断矩阵通过一致性检验时，确定第一分层中的指标对应的第一权重向量，第一权重向量用于表示第一判断矩阵的最大特征根的归一化特征向量；根据第一分层中的指标对评级的隶属度确定第一隶属度矩阵；根据权重向量和第一隶属度矩阵确定第二可靠性度量参数。
在一个可能的示例中，在根据第一分层中的指标对评级的隶属度确定第一隶属度矩阵方面，处理单元520具体用于：获取预设评级表，预设评级表用于表示评分与评级之间的对应关系；确定第一分层中的指标对预设评级表中的评级的隶属度；根据隶属度构建第一隶属度矩阵。
在一个可能的示例中，在根据权重向量和第一隶属度矩阵确定第二可靠性度量参数方面，处理单元520具体用于：计算权重向量与第一隶属度矩阵之间的乘积以确定自动驾驶车辆编队行驶的可靠性的隶属度向量；计算预设评级表中的评分与所述隶属度向量之间的乘积以确定所述第二可靠性度量参数。
在一个可能的示例中，在根据第一可靠性度量参数和第二可靠性度量参数确定自动驾驶车辆编队行驶的可靠性方面，处理单元520具体用于：根据第一可靠性度量参数、第二可靠性度量参数和预设度量公式计算出自动驾驶车辆编队行驶的可靠性；其中，预设度量公式为：
γ＝α*S1+β*S2，
其中，γ表示自动驾驶车辆编队行驶的可靠性，α和β表示比例系数，S1表示第一可靠性度量参数，S2表示第二可靠性度量参数。
在一个可能的示例中，行驶路径可以满足以下至少一种方式：行驶路径是由自动驾驶车辆编队的测试项目所规划确定的、行驶路径被发送给自动驾驶车辆编队中的车辆的导航系统中、行驶路径是预先配置在自动驾驶车辆编队中的车辆的导航系统中。
在一个可能的示例中，行驶数据包括以下至少一种：车辆编队状态、车辆行驶位置、车辆行驶速度、车辆方向盘转角、车辆方向盘角速度、车辆纵向加速度、车辆横向加速度、车头间距。
在一个可能的示例中，可靠性指标集合包括一级指标和二级指标；其中，一级指标包括以下至少一种：通信可靠性、行驶数据可靠性、安全跟车可靠性；通信可靠性包括所述二级指标中的以下至少一种：网络生存性、网络抗毁性、网络有效率、网络可用性和网络完成性；行驶数据可靠性包括所述二级指标中的以下至少一种：行驶数据稳定性、行驶数据有效率、行驶数据层次性；安全跟车可靠性包括所述二级指标中的以下至少一种：车辆相距碰撞时间、车辆相距碰撞距离、车辆跟随稳定性。
下面介绍本申请实施例提供的又一种服务器600的结构示意图，如图6所示。其中，服务器600包括处理器610、存储器620、通信接口630和至少一个用于连接处理器610、存储器620、通信接口630的通信总线。
处理器610可以是一个或多个中央处理器CPU。在处理器610是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。存储器620包括但不限于是随机存储记忆体(Random Access Memory,RAM)、只读存储器(Read-Only Memory,ROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)或便携式只读存储器(Compact Disc Read-Only Memory,CD-ROM)，并且存储器620用于相关指令及数据。通信接口630用于接收和发送数据。
需要说明的是，服务器600中的处理器610用于读取存储器620中存储的一个或多个程序621，执行上述图3所示的方法实施例中的方法，也就是说，服务器600可以用于执行的操作与方法与本申请实施例前述方法由服务器110所执行的操作与方法一致，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，其中，该计算机可读存储介质存储用于电子数据交换的计算机程序，该计算机程序可操作来使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品，其中，该计算机程序产品包括计算机程序，该计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
需要说明的是，对于上述的各方法实施例，为了简单描述，将其都表述为一系列的动作组合。本领域技术人员应该知悉，本申请不受所描述的动作顺序的限制，因为本申请实施例中的某些步骤可以采用其他顺序或者同时进行。此外，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请实施例所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，本领域技术人员应该知悉，所描述的装置可以通过其它的方式实现。可以理解的是，上述描述的装置实施例仅仅是示意性的。例如，上述单元的划分只是一种逻辑功能划分，实际中可以有另外的划分方式。也就是说，多个单元或组件可以结合或集成到另一个软件，以及一些特征可以忽略或不执行。此外，所显示或讨论的相互之间的耦合、直接耦合或通信连接等方式可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电性或其它的形式。
上述作为分离部件说明的单元可以是物理上分开的，也可以不是。此外，上述作为单元显示的部件可以是物理单元，也可以不是，即可以位于一个网络单元上，也可以分布到多个网络单元上。因此，上述各个实施例可以根据实际的需要选择其中的部分或者全部单元来实现。
另外，上述各个实施例中的各个功能单元可以集成在一个处理单元中，也可以存在不同的物理单元中，还可以两个或两个以上的功能单元集成在一个物理单元中。上述单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。可以理解的是，本申请的技术方案(该技术方案对现有技术做出贡献的部分或者该技术方案的全部或部分)可以通过计算机软件产品的形式体现。该计算机软件产品存储在一个存储器中，包括若干指令用以使得计算机设备(个人计算机、服务器或者网络设备等)执行本申请实施例的全部或部分步骤。此外，上述存储器包括U盘、ROM、RAM、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员应该知悉，本申请实施例的全部或部分步骤可以通过程序来指令相关的硬件来完成，该程序可以存储于存储器中，该存储器可以包括闪存盘、ROM、RAM、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，本申请实施例中的说明只是用于帮助理解本申请的方法及其核心思想。本领域技术人员应该知悉，本申请实施例在具体实施方式和应用范围上均会有改变之处，至此，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种车辆编队行驶的可靠性评估方法，其特征在于，包括以下步骤：
获取由自动驾驶车辆编队中的车辆在行驶路径中所采集的行驶数据；
获取针对所述自动驾驶车辆编队的可靠性指标集合，所述可靠性指标集合包括至少一个用于评估所述自动驾驶车辆编队行驶的可靠性的指标；
采用数据统计法对所述行驶数据进行数学建模以确定第一可靠性度量参数；
采用层次分析法对所述可靠性指标集合进行数学建模以确定第二可靠性度量参数；
根据所述第一可靠性度量参数和所述第二可靠性度量参数确定所述自动驾驶车辆编队行驶的可靠性。
2.根据权利要求1所述的方法，其中，所述采用层次分析法对所述可靠性指标集合进行数学建模以确定第二可靠性度量参数，包括以下步骤：
按照所述可靠性指标集合中的指标所属的级别对所述可靠性指标集合进行分层以得到至少一个第一分层；
比较所述第一分层中的每两个指标之间的相对重要性以确定第一判断矩阵；
在所述第一判断矩阵通过一致性检验时，确定所述第一分层中的指标对应的第一权重向量，所述第一权重向量用于表示所述第一判断矩阵的最大特征根的归一化特征向量；
根据所述第一分层中的指标对评级的隶属度确定第一隶属度矩阵；
根据所述权重向量和所述第一隶属度矩阵确定所述第二可靠性度量参数。
3.根据权利要求2所述的方法，其中，所述根据所述第一分层中的指标对评级的隶属度确定第一隶属度矩阵，包括以下步骤：
获取预设评级表，所述预设评级表用于表示评分与评级之间的对应关系；
确定所述第一分层中的指标对所述预设评级表中的评级的隶属度；
根据所述隶属度构建所述第一隶属度矩阵。
4.根据权利要求3所述的方法，其中，所述根据所述权重向量和所述第一隶属度矩阵确定所述第二可靠性度量参数，包括以下步骤：
计算所述权重向量与所述第一隶属度矩阵之间的乘积以确定所述自动驾驶车辆编队行驶的可靠性的隶属度向量；
计算所述预设评级表中的评分与所述隶属度向量之间的乘积以确定所述第二可靠性度量参数。
5.根据权利要求1所述的方法，其中，所述行驶路径满足以下至少一种方式：所述行驶路径是由所述自动驾驶车辆编队的测试项目所规划确定的、所述行驶路径被发送给所述自动驾驶车辆编队中的车辆的导航系统中、所述行驶路径是预先配置在所述自动驾驶车辆编队中的车辆的导航系统中。
6.根据权利要求1所述的方法，其中，所述行驶数据包括以下至少一种：车辆编队状态、车辆行驶位置、车辆行驶速度、车辆方向盘转角、车辆方向盘角速度、车辆纵向加速度、车辆横向加速度、车头间距。
7.根据权利要求1-6任一项所述的方法，其中，所述可靠性指标集合包括一级指标和二级指标；其中，
所述一级指标包括以下至少一种：通信可靠性、行驶数据可靠性、安全跟车可靠性；
所述通信可靠性包括所述二级指标中的以下至少一种：网络生存性、网络抗毁性、网络有效率、网络可用性和网络完成性；
所述行驶数据可靠性包括所述二级指标中的以下至少一种：行驶数据稳定性、行驶数据有效率、行驶数据层次性；
所述安全跟车可靠性包括所述二级指标中的以下至少一种：车辆相距碰撞时间、车辆相距碰撞距离、车辆跟随稳定性。
8.一种车辆编队行驶的可靠性评估装置，其特征在于，所述装置包括处理单元和通信单元，所述处理单元用于：
通过所述通信单元获取由自动驾驶车辆编队中的车辆在行驶路径中所采集的行驶数据；
获取针对所述自动驾驶车辆编队的可靠性指标集合，所述可靠性指标集合包括至少一个用于评估所述自动驾驶车辆编队行驶的可靠性的指标；
采用数据统计法对所述行驶数据进行数学建模以确定第一可靠性度量参数；
采用层次分析法对所述可靠性指标集合进行数学建模以确定第二可靠性度量参数；
根据所述第一可靠性度量参数和所述第二可靠性度量参数确定所述自动驾驶车辆编队行驶的可靠性。
9.一种服务器，其特征在于，包括处理器、存储器和通信接口，所述存储器存储有一个或多个程序，并且所述一个或多个程序由所述处理器执行，所述一个或多个程序包括用于执行如权利要求1-7任一项所述的方法中的步骤的指令。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储用于电子数据交换的计算机程序，其中，所述计算机程序可操作来使得计算机执行如权利要求1-7中任一项所述的方法。
CN202011148884.7A 2020-10-23 2020-10-23 车辆编队行驶的可靠性评估方法及其应用 Active CN112258830B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011148884.7A CN112258830B (zh) 2020-10-23 2020-10-23 车辆编队行驶的可靠性评估方法及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011148884.7A CN112258830B (zh) 2020-10-23 2020-10-23 车辆编队行驶的可靠性评估方法及其应用

Publications (2)

Publication Number Publication Date
CN112258830A true CN112258830A (zh) 2021-01-22
CN112258830B CN112258830B (zh) 2023-04-28

Family

ID=74261079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011148884.7A Active CN112258830B (zh) 2020-10-23 2020-10-23 车辆编队行驶的可靠性评估方法及其应用

Country Status (1)

Country Link
CN (1) CN112258830B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113114539A (zh) * 2021-04-20 2021-07-13 成都福马智行科技有限公司 一种智能网联设备的先进性评估方法
CN114613130A (zh) * 2022-02-18 2022-06-10 北京理工大学 交通与运载系统中驾驶可信性分析方法
CN115410376A (zh) * 2021-05-28 2022-11-29 深圳成谷科技有限公司 应用于车路协同的车辆身份确定方法、装置及设备
CN115578849A (zh) * 2022-09-28 2023-01-06 东南大学 一种专用道环境下自动驾驶车辆集中式编队的优化方法
CN117093811A (zh) * 2023-07-17 2023-11-21 上海智能汽车融合创新中心有限公司 一种自动驾驶安全能力评价方法、装置及设备
CN117093811B (zh) * 2023-07-17 2024-05-10 上海智能汽车融合创新中心有限公司 一种自动驾驶安全能力评价方法、装置及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105711586A (zh) * 2016-01-22 2016-06-29 江苏大学 一种基于前向车辆驾驶人驾驶行为的前向避撞系统及避撞算法
CN110599025A (zh) * 2019-09-06 2019-12-20 武汉理工大学 自动驾驶汽车驾驶行为可靠性指标评估方法
CN110826848A (zh) * 2019-09-19 2020-02-21 安徽百诚慧通科技有限公司 基于层次分析法的驾驶人风险评估方法
CN110932932A (zh) * 2019-11-13 2020-03-27 上海博泰悦臻电子设备制造有限公司 自动驾驶云服务平台的可靠性确定方法及相关装置
CN110992513A (zh) * 2019-11-13 2020-04-10 上海博泰悦臻电子设备制造有限公司 自动驾驶车辆的可靠性评估方法及相关装置
CN111047142A (zh) * 2019-11-14 2020-04-21 佛山科学技术学院 一种基于层次分析法的汽车评分方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105711586A (zh) * 2016-01-22 2016-06-29 江苏大学 一种基于前向车辆驾驶人驾驶行为的前向避撞系统及避撞算法
CN110599025A (zh) * 2019-09-06 2019-12-20 武汉理工大学 自动驾驶汽车驾驶行为可靠性指标评估方法
CN110826848A (zh) * 2019-09-19 2020-02-21 安徽百诚慧通科技有限公司 基于层次分析法的驾驶人风险评估方法
CN110932932A (zh) * 2019-11-13 2020-03-27 上海博泰悦臻电子设备制造有限公司 自动驾驶云服务平台的可靠性确定方法及相关装置
CN110992513A (zh) * 2019-11-13 2020-04-10 上海博泰悦臻电子设备制造有限公司 自动驾驶车辆的可靠性评估方法及相关装置
CN111047142A (zh) * 2019-11-14 2020-04-21 佛山科学技术学院 一种基于层次分析法的汽车评分方法及系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113114539A (zh) * 2021-04-20 2021-07-13 成都福马智行科技有限公司 一种智能网联设备的先进性评估方法
CN115410376A (zh) * 2021-05-28 2022-11-29 深圳成谷科技有限公司 应用于车路协同的车辆身份确定方法、装置及设备
CN114613130A (zh) * 2022-02-18 2022-06-10 北京理工大学 交通与运载系统中驾驶可信性分析方法
CN115578849A (zh) * 2022-09-28 2023-01-06 东南大学 一种专用道环境下自动驾驶车辆集中式编队的优化方法
CN115578849B (zh) * 2022-09-28 2023-08-29 东南大学 一种专用道环境下自动驾驶车辆集中式编队的优化方法
CN117093811A (zh) * 2023-07-17 2023-11-21 上海智能汽车融合创新中心有限公司 一种自动驾驶安全能力评价方法、装置及设备
CN117093811B (zh) * 2023-07-17 2024-05-10 上海智能汽车融合创新中心有限公司 一种自动驾驶安全能力评价方法、装置及设备

Also Published As

Publication number Publication date
CN112258830B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
US11016504B1 (en) Method and system for repairing a malfunctioning autonomous vehicle
CN112258830B (zh) 车辆编队行驶的可靠性评估方法及其应用
US10134278B1 (en) Autonomous vehicle application
CN110562258B (zh) 一种车辆自动换道决策的方法、车载设备和存储介质
US9940834B1 (en) Autonomous vehicle application
US20190213103A1 (en) Software validation for autonomous vehicles
JP2020013537A (ja) 路面状態推定装置及び路面状態推定方法
CN104859662A (zh) 自主车辆中的故障处理
US10755565B2 (en) Prioritized vehicle messaging
CN111785023A (zh) 一种车辆碰撞风险预警方法及系统
CN112829753B (zh) 基于毫米波雷达的护栏估计方法、车载设备和存储介质
CN110562269A (zh) 一种智能驾驶车辆故障处理的方法、车载设备和存储介质
WO2022232292A1 (en) Ride comfort improvement in different traffic scenarios for autonomous vehicle
US10953871B2 (en) Transportation infrastructure communication and control
CN114162133A (zh) 驾驶场景的风险评估方法、装置和计算机可读存储介质
CN112017428B (zh) 路侧车联网装置、高架桥路段识别方法及车载车联网装置
CN115440023A (zh) 交通违规行为的判定方法和装置
CN116737857A (zh) 道路数据处理方法、相关装置和介质
CN116168542B (zh) 一种基于大型车辆的行为监测的预警方法及系统
Anagnostopoulos et al. Application of Artificial Neural Network for Modelling and Predicting Roundabout Capacity
CN115903615A (zh) 车辆集群行驶的可靠性确定方法与装置、服务器
Narasimhan Ramakrishnan Design and evaluation of perception system algorithms for semi-autonomous vehicles
US20230331256A1 (en) Discerning fault for rule violations of autonomous vehicles for data processing
Ghasemi et al. Traffic Lane Change Detection using smartphone sensors and GPS
CN117601858A (zh) 车辆防追尾避让方法、设备及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 201821 room 208, building 4, No. 1411, Yecheng Road, Jiading Industrial Zone, Jiading District, Shanghai

Applicant after: Botai vehicle networking technology (Shanghai) Co.,Ltd.

Address before: Room 208, building 4, 1411 Yecheng Road, Jiading Industrial Zone, Jiading District, Shanghai, 201800

Applicant before: SHANGHAI PATEO ELECTRONIC EQUIPMENT MANUFACTURING Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant