CN113377662A - 一种基于势场法和信息熵的自动驾驶安全性评价方法 - Google Patents

Abstract

本发明是一种基于势场法和信息熵的自动驾驶安全性评价方法。包括以下步骤：一、收集被测逻辑场景的相对发生概率；二、将被测算法的危险指标分为具体场景固有风险指标、具体场景失效风险指标、具体场景危险度、单逻辑场景危险度和多逻辑场景危险度；三、计算具体场景固有风险指标；四、计算被测算法在不同具体场景失效风险指标；五、计算被测算法在不同具体场景危险度；六、计算被测算法在单逻辑场景中的危险度；七、计算被测算法在多逻辑场景中的危险度。本方法可以用于自动驾驶汽车的测试流程体系中，并可应用于各类自动驾驶测试比赛之中，可以推动自动驾驶汽车的验证流程，具有广泛的应用前景。

Description

一种基于势场法和信息熵的自动驾驶安全性评价方法

技术领域

本发明属于自动驾驶汽车测试评价技术领域，具体的说是一种基于势场法 和信息熵的自动驾驶安全性评价方法。

背景技术

随着高精度传感、人工智能、大数据等技术的发展，自动驾驶汽车已具备 了技术上的可行性。当前，自动驾驶汽车的安全性验证成为了阻碍自动驾驶汽 车量产上路的重要阻碍，如何评价自动驾驶汽车的安全性至今仍未形成明确的 流程。当前评价方法多以单一测试用例下的通过性评价或者基于测试里程的人 工干预次数评价，评价指标单一，难以满足高等级自动驾驶汽车的评价需求。 由于自动驾驶汽车行驶场景多种多样，在对其进行安全性评价时，需考虑其在 多种不同场景下的综合表现。

发明内容

本发明提供了一种基于势场法和信息熵的自动驾驶安全性评价方法，本发 明基于势场法对逻辑场景中的一类测试用例进行整体评价获得单个逻辑场景 中的综合评价结果，并使用信息熵确定不同逻辑场景的相对权重，最终加权获 得被测算法在多个逻辑场景中的综合表现，解决了现有自动驾驶汽车安全性评 价方法存在的上述问题。

本发明技术方案结合附图说明如下：

一种基于势场法和信息熵的自动驾驶安全性评价方法，包括以下步骤：

步骤一、对逻辑场景内参数概率分布使用高斯分布进行描述，收集被测逻 辑场景的相对发生概率；

步骤二、基于场景测试特征，将被测算法的危险指标分为具体场景固有风 险指标、具体场景失效风险指标、具体场景危险度、单逻辑场景危险度和多逻 辑场景危险度；

步骤三、计算具体场景固有风险指标；

步骤四、计算被测算法在不同具体场景失效风险指标；

步骤五、计算被测算法在不同具体场景危险度；

步骤六、计算被测算法在单逻辑场景中的危险度；

步骤七、计算被测算法在多逻辑场景中的危险度。

所述步骤一的具体方法如下：

使用开源自然驾驶数据集或自建自然驾驶数据采集平台收集需要测试的 逻辑场景场景要素数据，对同一逻辑场景内的不同场景要素分布范围使用高斯 分布进行描述，如公式(1)，对不同逻辑场景的相对发生概率使用表格方式进 行记录，计算公式如(2)所示，所有逻辑场景的相对发生概率的和为1；

其中，x_ij为第i类场景要素在j处的取值；Pij为第i类场景要素在j处的概 率；σ_i为第i类场景要素的标准差；μ_i为第i类场景要素的标准差；

其中，P_h为第h种逻辑场景的相对发生频率；n_h为第h种逻辑场景在自然 驾驶数据中的发生次数；n_all为自然驾驶数据中所有被测逻辑场景的发生总次 数。

所述步骤二的具体方法如下：

影响自动驾驶算法在场景中的安全性的要素包括具体场景自身的危险性、 被测自动驾驶算法的性能、具体场景对应的自然驾驶概率、逻辑场景的相对发 生概率、逻辑场景信息熵大小，根据安全性的要素，将被测自动驾驶算法的安 全性指标分为具体场景固有风险指标、具体场景失效风险指标、具体场景危险 度、单逻辑场景危险度和多逻辑场景危险度。

所述步骤三的具体方法如下：

31)通过逻辑场景最危险点对不同具体场景参数形成的引力场描述具体场 景固有危险性指标，如公式(3)；距离最危险点距离的远近表达了具体场景参 数理论情况下的危险程度，逻辑场景最危险点是理论情况下该逻辑场景中最容 易发生事故的位置；

其中，U_inherent为不同具体场景参数的固有危险性指标；ξ为最危险点对不同 点的引力增益；d(q,q_danger)为最危险点与不同具体场景参数距离的函数；

32)使用标准化函数归一不同参数的距离维度；随后通过熵权法计算不同 场景要素的距离权重，根据距离权重计算标准化坐标系下的不同具体场景参数 的距离函数，并将该距离映射到实际测试场景坐标系中不同具体场景参数距离 逻辑场景最危险点的距离；由于测试对于具体场景的测试方法是基于逻辑场景 中所有具体场景的遍历测试，采样点的选择呈现均匀分布，因此选择min-max 标准化方法将一类场景要素数值归一至0-1之间，所述场景要素如公式(4) 所示：

其中，q_i'为标准化之后的要素参数；q_i是标准化之前的要素参数；q_{i_max}是 标准化之前要素参数的最大值；q_{i_min}是标准化之前要素参数的最小值；

33)通过熵权法计算不同场景要素的权重；首先使用公式(5)计算权重信 息熵，权重信息熵越小，该指标的变异程度越大，提供的信息量越多，当发生 改变时其作用也较为明显，其应该有较大的权重；

其中，h_j为该类场景要素的权重信息熵；p_ij是该类场景要素离散得到的每 个参数标准化后的重要程度；n为该逻辑场景离散所得的所有具体场景数量； q_ij'为第i个具体场景在第j个维度的标准化后的值；下标j为该类场景要素； 下标i为该类场景要素离散得到的数值；

34)根据不同场景要到的权重信息熵，计算不同场景要素的权重，如公式 (7)所示：

其中，w_j为不同场景要素的权重；h_j为该类场景要素的权重信息熵；k为 场景要素的总数；

35)根据得到的不同场景要素权重，距离函数d(q,q_danger)的计算过程如下：

其中，k为场景要素的数量；w_j为不同场景要素的权重；q'_{danger_j}为最危险 点中不同场景要素的值；q'_j为样本点中不同场景要素的值；下标j为不同的场 景要素类型。

所述步骤四的具体方法如下：

使用碰撞或失效危险参数点对周围其他点形成的引力场作为不同具体场 景的碰撞或失效危险性指标；

其中，U_failure为具体场景的碰撞或失效危险性指标；η为引力增益；d(q,q_danger) 为最危险点与不同具体场景参数距离的函数；d*为碰撞或失效危险点的作用 距离阈值，大于此距离的场景危险点不会产生引力。

所述步骤五的具体方法如下：

将具体场景的固有风险性指标U_inherent和具体场景的碰撞或失效危险性指标U_failure，便获得具体场景的具体场景危险度，如公式(10)所示：

U_{c_k}＝max(U_{inherent_k}+U_{failure_k},1) (10)

式中，U_{c_k}为第k个具体场景的具体场景危险度；下标k代表第k个具体场 景，U_{inherent_k}和U_{failure_k}为第k个具体场景的固有风险指标和失效风险指标。

所述步骤六的具体方法如下：

将逻辑场景内所有具体场景进行积分，获得被测自动驾驶算法在该逻辑场 景下的总体危险性评价指标，如公式(11)所示：

其中，S是逻辑场景形成的参数空间；q为逻辑场景内的具体场景；U_l为 该逻辑场景的危险评价指标；U_c为逻辑场景内不同具体场景的危险评价指标。

所述步骤七的具体方法如下：

71)不同逻辑场景的相对权重由两部分决定，一部分是逻辑场景自身重要 程度，即该逻辑场景的信息含量，另一部分是自然驾驶中的逻辑场景相对发生 概率，即不同逻辑场景之间的相对发生次数比例；

72)使用信息熵表达逻辑场景自身的信息含量，如公式(12)所示，信息 熵的值越大，表明该逻辑场景蕴含的信息量越多，相比而言就越重要；使用遍 历测试对逻辑场景内离散得到的具体场景进行测试，不考虑不同具体场景的概 率分布；因此对于单个逻辑场景的信息熵进行计算时，将逻辑场景离散得到的 各个具体场景看作均匀分布；若把所有逻辑场景内的具体场景都看均匀分布， 后续进行逻辑场景的权重比较时会消除采取均匀分布而造成的误差；

其中，H_j为该逻辑场景的信息熵；p_ij为逻辑场景中离散得到的具体场景发 生概率；n为该逻辑场景离散得到的具体场景数目；下标j为该类场景要素； 下标i为该类场景要素离散得到的数值；S是逻辑场景形成的参数空间；

73)除了考虑逻辑场景的自身信息含量，也要考虑不同逻辑场景之间在自 然驾驶条件下的相对发生概率，公式(14)表示考虑自然驾驶数据条件下不同 逻辑场景之间的相对信息熵；

H_j'＝P_j·H_j (14)

其中，H_j'为不同逻辑场景的相对信息熵；H_j为计算不同逻辑场景的具体 信息熵；P_j·为不同逻辑场景之间的相对发生概率；

74)根据逻辑场景的相对信息熵计算不同逻辑场景的相对权重，公式(15)

其中，W_j为不同逻辑场景的相对权重；H_j'为不同逻辑场景的相对信息熵；

75)根据计算得到的不同逻辑场景的危险性评价指标及相对权重，计算被 测自动驾驶算法在所有被测逻辑场景下的综合危险性评价，如公式(16)所示：

E_safety＝∑H_j·W_j (16)

其中，E_safety为被测自动驾驶算法在所有被测逻辑场景下的综合危险性评价； W_j为不同逻辑场景的相对权重；H_j为该逻辑场景的信息熵；

E_safety越大，则表明被测自动驾驶算法在选择的逻辑场景中的表现越差，越 容易发生危险。

本发明的有益效果为：

本发明使用人工势场法将逻辑场景中离散的测试结果整合为连续的分布， 并获取了逻辑场景的综合表示。同时使用势场法及自然驾驶数据，对不同逻辑 场景的权重进行了分析，进而获取了被测自动驾驶算法在多逻辑场景中的综合 评价指标。本方法可以用于自动驾驶汽车的测试流程体系中，并可应用于各类 自动驾驶测试比赛之中，可以推动自动驾驶汽车的验证流程，具有广泛的应用 前景。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使 用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例， 因此不应被看作是对范围的限定，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相关的附图。

图1为多逻辑场景综合危险性指标计算流程；

图2为前车制动场景示意图；

图3为前车左侧切入场景示意图；

图4为前车右侧切人场景示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全 部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性 劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于势场法和信息熵的自动驾驶安全性评价方法，包括以下步骤：

步骤一、对逻辑场景内参数概率分布使用高斯分布进行描述，收集被测逻 辑场景的相对发生概率；

使用开源自然驾驶数据集或自建自然驾驶数据采集平台收集需要测试的逻 辑场景场景要素数据，对同一逻辑场景内的不同场景要素分布范围使用高斯分 布进行描述，如公式(1)，对不同逻辑场景的相对发生概率使用表格方式进行 记录，例如表1，计算公式如(2)所示，所有逻辑场景的相对发生概率的和 为1；

其中，x_ij为第i类场景要素在j处的取值；Pij为第i类场景要素在j处的概 率；σ_i为第i类场景要素的标准差；μ_i为第i类场景要素的标准差；

其中，P_h为第h种逻辑场景的相对发生频率；n_h为第h种逻辑场景在自然 驾驶数据中的发生次数；n_all为自然驾驶数据中所有被测逻辑场景的发生总次 数。

表1逻辑场景相对发生概率统计表

逻辑场景	逻辑场景1	逻辑场景2	……
				相对发生概率	P<sub>1</sub>	P<sub>2</sub>	……

步骤二、基于场景测试特征，将被测算法的危险指标分为具体场景固有风 险指标、具体场景失效风险指标、具体场景危险度、单逻辑场景危险度和多逻 辑场景危险度；

影响自动驾驶算法在场景中的安全性的要素包括具体场景自身的危险性、 被测自动驾驶算法的性能、具体场景对应的自然驾驶概率、逻辑场景的相对发 生概率、逻辑场景信息熵大小，根据安全性的要素，将被测自动驾驶算法的安 全性指标分为具体场景固有风险指标、具体场景失效风险指标、具体场景危险 度、单逻辑场景危险度和多逻辑场景危险度。

步骤三、计算具体场景固有风险指标；

31)通过逻辑场景最危险点对不同具体场景参数形成的引力场描述具体场 景固有危险性指标，如公式(3)；距离最危险点距离的远近表达了具体场景参 数理论情况下的危险程度，逻辑场景最危险点是理论情况下该逻辑场景中最容 易发生事故的位置；

其中，U_inherent为不同具体场景参数的固有危险性指标；ξ为最危险点对不同 点的引力增益；d(q,q_danger)为最危险点与不同具体场景参数距离的函数；

32)使用标准化函数归一不同参数的距离维度；随后通过熵权法计算不同 场景要素的距离权重，根据距离权重计算标准化坐标系下的不同具体场景参数 的距离函数，并将该距离映射到实际测试场景坐标系中不同具体场景参数距离 逻辑场景最危险点的距离；由于测试对于具体场景的测试方法是基于逻辑场景 中所有具体场景的遍历测试，采样点的选择呈现均匀分布，因此选择min-max 标准化方法将一类场景要素数值归一至0-1之间，所述场景要素如公式(4) 所示：

其中，q_i'为标准化之后的要素参数；q_i是标准化之前的要素参数；q_{i_max}是 标准化之前要素参数的最大值；q_{i_min}是标准化之前要素参数的最小值；

33)通过熵权法计算不同场景要素的权重；首先使用公式(5)计算权重信 息熵，权重信息熵越小，该指标的变异程度越大，提供的信息量越多，当发生 改变时其作用也较为明显，其应该有较大的权重；

其中，h_j为该类场景要素的权重信息熵；p_ij是该类场景要素离散得到的每 个参数标准化后的重要程度；n为该逻辑场景离散所得的所有具体场景数量；q_ij'为第i个具体场景在第j个维度的标准化后的值；下标j为该类场景要素； 下标i为该类场景要素离散得到的数值；

34)根据不同场景要到的权重信息熵，计算不同场景要素的权重，如公式 (7)所示：

其中，w_j为不同场景要素的权重；h_j为该类场景要素的权重信息熵；k为 场景要素的总数；

35)根据得到的不同场景要素权重，距离函数d(q,q_danger)的计算过程如下：

其中，k为场景要素的数量；w_j为不同场景要素的权重；q'_{danger_j}为最危险 点中不同场景要素的值；q'_j为样本点中不同场景要素的值；下标j为不同的场 景要素类型。

步骤四、计算被测算法在不同具体场景失效风险指标；

使用碰撞或失效危险参数点对周围其他点形成的引力场作为不同具体场 景的碰撞或失效危险性指标；

其中，U_failure为具体场景的碰撞或失效危险性指标；η为引力增益；d(q,q_danger) 为最危险点与不同具体场景参数距离的函数；d*为碰撞或失效危险点的作用 距离阈值，大于此距离的场景危险点不会产生引力。

步骤五、计算被测算法在不同具体场景危险度；

将具体场景的固有风险性指标U_inherent和具体场景的碰撞或失效危险性指标U_failure，便获得具体场景的具体场景危险度，如公式(10)所示：

U_{c_k}＝max(U_{inherent_k}+U_{failure_k},1) (10)

式中，U_{c_k}为第k个具体场景的具体场景危险度；下标k代表第k个具体场 景，U_{inherent_k}和U_{failure_k}为第k个具体场景的固有风险指标和失效风险指标。

步骤六、计算被测算法在单逻辑场景中的危险度；

将逻辑场景内所有具体场景进行积分，获得被测自动驾驶算法在该逻辑场 景下的总体危险性评价指标，如公式(11)所示：

其中，S是逻辑场景形成的参数空间；q为逻辑场景内的具体场景；U_l为 该逻辑场景的危险评价指标；U_c为逻辑场景内不同具体场景的危险评价指标。

步骤七、计算被测算法在多逻辑场景中的危险度。

71)不同逻辑场景的相对权重由两部分决定，一部分是逻辑场景自身重要 程度，即该逻辑场景的信息含量，另一部分是自然驾驶中的逻辑场景相对发生 概率，即不同逻辑场景之间的相对发生次数比例；

72)使用信息熵表达逻辑场景自身的信息含量，如公式(12)所示，信息 熵的值越大，表明该逻辑场景蕴含的信息量越多，相比而言就越重要；使用遍 历测试对逻辑场景内离散得到的具体场景进行测试，不考虑不同具体场景的概 率分布；因此对于单个逻辑场景的信息熵进行计算时，将逻辑场景离散得到的 各个具体场景看作均匀分布；若把所有逻辑场景内的具体场景都看均匀分布， 后续进行逻辑场景的权重比较时会消除采取均匀分布而造成的误差；

其中，H_j为该逻辑场景的信息熵；p_ij为逻辑场景中离散得到的具体场景发 生概率；n为该逻辑场景离散得到的具体场景数目；下标j为该类场景要素； 下标i为该类场景要素离散得到的数值；S是逻辑场景形成的参数空间；

73)除了考虑逻辑场景的自身信息含量，也要考虑不同逻辑场景之间在自 然驾驶条件下的相对发生概率，公式(14)表示考虑自然驾驶数据条件下不同 逻辑场景之间的相对信息熵；

H_j'＝P_j·H_j (14)

其中，H_j'为不同逻辑场景的相对信息熵；H_j为计算不同逻辑场景的具体 信息熵；P_j·为不同逻辑场景之间的相对发生概率；

74)根据逻辑场景的相对信息熵计算不同逻辑场景的相对权重，公式(15)

其中，W_j为不同逻辑场景的相对权重；H_j'为不同逻辑场景的相对信息熵；

75)根据计算得到的不同逻辑场景的危险性评价指标及相对权重，计算被 测自动驾驶算法在所有被测逻辑场景下的综合危险性评价，如公式(16)所示：

E_safety＝∑H_j·W_j (16)

其中，E_safety为被测自动驾驶算法在所有被测逻辑场景下的综合危险性评价； W_j为不同逻辑场景的相对权重；H_j为该逻辑场景的信息熵；

E_safety越大，则表明被测自动驾驶算法在选择的逻辑场景中的表现越差，越 容易发生危险。

实施例

选择前车制动、前车左侧切入、前车右侧切入三种场景作为算法测试的三 种场景。三种场景的示意图如图1至图3所示。根据数据集得到的三种场景的 参数类型范围及离散步长选择如表2至表4所示。表中，d_brake为前车制动场景 中前车制动时的前后车距离，v_{brake_ego}为前车制动场景中前车制动时的本车速 度，v_{brake_front}为前车制动场景中前车制动时的前车速度，d_{cut_l}为前车左侧切入 场景中前车切入后的瞬间前后车距离，v_{cut_ego_l}为前车左侧切入场景中前车切入 后的瞬间本车车速v_{cut_front_l}为前车左侧切入场景中前车切入后的瞬间前车车速， d_{cut_r}为前车右侧切入场景中前车切入后的瞬间前后车距离，v_{cut_ego_r}为前车右侧 切入场景中前车切入后的瞬间本车速，v_{cut_front_r}为前车右侧切入场景中前车切 入后的瞬间前车车速。

表2前车制动场景相关参数

表3前车左侧切入场景相关参数

表4前车右侧切入场景相关参数

将得到的所有具体场景进行仿真遍历测试，根据测试结果得到的安全性参 数如表5所示。

表5被测算法的安全性计算结果

最终得到的被测算法在三种场景的安全性评价参数为0.623。

以上结合附图详细描述了本发明的优选实施方式，但是，本发明的保护范 围并不局限于上述实施方式中的具体细节，在本发明的技术构思范围内，任何 熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方 案及其发明构思加以等同替换或改变，这些简单变型均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征， 在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重 复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不 违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (8)

1.一种基于势场法和信息熵的自动驾驶安全性评价方法，其特征在于，包括以下步骤：

步骤一、对逻辑场景内参数概率分布使用高斯分布进行描述，收集被测逻辑场景的相对发生概率；

步骤二、基于场景测试特征，将被测算法的危险指标分为具体场景固有风险指标、具体场景失效风险指标、具体场景危险度、单逻辑场景危险度和多逻辑场景危险度；

步骤三、计算具体场景固有风险指标；

步骤四、计算被测算法在不同具体场景失效风险指标；

步骤五、计算被测算法在不同具体场景危险度；

步骤六、计算被测算法在单逻辑场景中的危险度；

步骤七、计算被测算法在多逻辑场景中的危险度。

2.根据权利要求1所述的一种基于势场法和信息熵的自动驾驶安全性评价方法，其特征在于，所述步骤一的具体方法如下：

使用开源自然驾驶数据集或自建自然驾驶数据采集平台收集需要测试的逻辑场景场景要素数据，对同一逻辑场景内的不同场景要素分布范围使用高斯分布进行描述，如公式(1)，对不同逻辑场景的相对发生概率使用表格方式进行记录，计算公式如(2)所示，所有逻辑场景的相对发生概率的和为1；

其中，x_ij为第i类场景要素在j处的取值；Pij为第i类场景要素在j处的概率；σ_i为第i类场景要素的标准差；μ_i为第i类场景要素的标准差；

其中，P_h为第h种逻辑场景的相对发生频率；n_h为第h种逻辑场景在自然驾驶数据中的发生次数；n_all为自然驾驶数据中所有被测逻辑场景的发生总次数。

3.根据权利要求1所述的一种基于势场法和信息熵的自动驾驶安全性评价方法，其特征在于，所述步骤二的具体方法如下：

影响自动驾驶算法在场景中的安全性的要素包括具体场景自身的危险性、被测自动驾驶算法的性能、具体场景对应的自然驾驶概率、逻辑场景的相对发生概率、逻辑场景信息熵大小，根据安全性的要素，将被测自动驾驶算法的安全性指标分为具体场景固有风险指标、具体场景失效风险指标、具体场景危险度、单逻辑场景危险度和多逻辑场景危险度。

4.根据权利要求1所述的一种基于势场法和信息熵的自动驾驶安全性评价方法，其特征在于，所述步骤三的具体方法如下：

31)通过逻辑场景最危险点对不同具体场景参数形成的引力场描述具体场景固有危险性指标，如公式(3)；距离最危险点距离的远近表达了具体场景参数理论情况下的危险程度，逻辑场景最危险点是理论情况下该逻辑场景中最容易发生事故的位置；

其中，U_inherent为不同具体场景参数的固有危险性指标；ξ为最危险点对不同点的引力增益；d(q,q_danger)为最危险点与不同具体场景参数距离的函数；

32)使用标准化函数归一不同参数的距离维度；随后通过熵权法计算不同场景要素的距离权重，根据距离权重计算标准化坐标系下的不同具体场景参数的距离函数，并将该距离映射到实际测试场景坐标系中不同具体场景参数距离逻辑场景最危险点的距离；由于测试对于具体场景的测试方法是基于逻辑场景中所有具体场景的遍历测试，采样点的选择呈现均匀分布，因此选择min-max标准化方法将一类场景要素数值归一至0-1之间，所述场景要素如公式(4)所示：

其中，q_i'为标准化之后的要素参数；q_i是标准化之前的要素参数；q_{i_max}是标准化之前要素参数的最大值；q_{i_min}是标准化之前要素参数的最小值；

33)通过熵权法计算不同场景要素的权重；首先使用公式(5)计算权重信息熵，权重信息熵越小，该指标的变异程度越大，提供的信息量越多，当发生改变时其作用也较为明显，其应该有较大的权重；

其中，h_j为该类场景要素的权重信息熵；p_ij是该类场景要素离散得到的每个参数标准化后的重要程度；n为该逻辑场景离散所得的所有具体场景数量；q_ij'为第i个具体场景在第j个维度的标准化后的值；下标j为该类场景要素；下标i为该类场景要素离散得到的数值；

34)根据不同场景要到的权重信息熵，计算不同场景要素的权重，如公式(7)所示：

其中，w_j为不同场景要素的权重；h_j为该类场景要素的权重信息熵；k为场景要素的总数；

35)根据得到的不同场景要素权重，距离函数d(q,q_danger)的计算过程如下：

其中，k为场景要素的数量；w_j为不同场景要素的权重；q'_{danger_j}为最危险点中不同场景要素的值；q'_j为样本点中不同场景要素的值；下标j为不同的场景要素类型。

5.根据权利要求1所述的一种基于势场法和信息熵的自动驾驶安全性评价方法，其特征在于，所述步骤四的具体方法如下：

使用碰撞或失效危险参数点对周围其他点形成的引力场作为不同具体场景的碰撞或失效危险性指标；

其中，U_failure为具体场景的碰撞或失效危险性指标；η为引力增益；d(q,q_danger)为最危险点与不同具体场景参数距离的函数；d*为碰撞或失效危险点的作用距离阈值，大于此距离的场景危险点不会产生引力。

6.根据权利要求1所述的一种基于势场法和信息熵的自动驾驶安全性评价方法，其特征在于，所述步骤五的具体方法如下：

将具体场景的固有风险性指标U_inherent和具体场景的碰撞或失效危险性指标U_failure，便获得具体场景的具体场景危险度，如公式(10)所示：

U_{c_k}＝max(U_{inherent_k}+U_{failure_k},1) (10)

式中，U_{c_k}为第k个具体场景的具体场景危险度；下标k代表第k个具体场景，U_{inherent_k}和U_{failure_k}为第k个具体场景的固有风险指标和失效风险指标。

7.根据权利要求1所述的一种基于势场法和信息熵的自动驾驶安全性评价方法，其特征在于，所述步骤六的具体方法如下：

将逻辑场景内所有具体场景进行积分，获得被测自动驾驶算法在该逻辑场景下的总体危险性评价指标，如公式(11)所示：

其中，S是逻辑场景形成的参数空间；q为逻辑场景内的具体场景；U_l为该逻辑场景的危险评价指标；U_c为逻辑场景内不同具体场景的危险评价指标。

8.根据权利要求1所述的一种基于势场法和信息熵的自动驾驶安全性评价方法，其特征在于，所述步骤七的具体方法如下：

71)不同逻辑场景的相对权重由两部分决定，一部分是逻辑场景自身重要程度，即该逻辑场景的信息含量，另一部分是自然驾驶中的逻辑场景相对发生概率，即不同逻辑场景之间的相对发生次数比例；

72)使用信息熵表达逻辑场景自身的信息含量，如公式(12)所示，信息熵的值越大，表明该逻辑场景蕴含的信息量越多，相比而言就越重要；使用遍历测试对逻辑场景内离散得到的具体场景进行测试，不考虑不同具体场景的概率分布；因此对于单个逻辑场景的信息熵进行计算时，将逻辑场景离散得到的各个具体场景看作均匀分布；若把所有逻辑场景内的具体场景都看均匀分布，后续进行逻辑场景的权重比较时会消除采取均匀分布而造成的误差；

其中，H_j为该逻辑场景的信息熵；p_ij为逻辑场景中离散得到的具体场景发生概率；n为该逻辑场景离散得到的具体场景数目；下标j为该类场景要素；下标i为该类场景要素离散得到的数值；S是逻辑场景形成的参数空间；

73)除了考虑逻辑场景的自身信息含量，也要考虑不同逻辑场景之间在自然驾驶条件下的相对发生概率，公式(14)表示考虑自然驾驶数据条件下不同逻辑场景之间的相对信息熵；

H_j'＝P_j·H_j (14)

其中，H_j'为不同逻辑场景的相对信息熵；H_j为计算不同逻辑场景的具体信息熵；P_j·为不同逻辑场景之间的相对发生概率；

74)根据逻辑场景的相对信息熵计算不同逻辑场景的相对权重，公式(15)

其中，W_j为不同逻辑场景的相对权重；H_j'为不同逻辑场景的相对信息熵；

75)根据计算得到的不同逻辑场景的危险性评价指标及相对权重，计算被测自动驾驶算法在所有被测逻辑场景下的综合危险性评价，如公式(16)所示：

E_safety＝∑H_j·W_j (16)

其中，E_safety为被测自动驾驶算法在所有被测逻辑场景下的综合危险性评价；W_j为不同逻辑场景的相对权重；H_j为该逻辑场景的信息熵；

E_safety越大，则表明被测自动驾驶算法在选择的逻辑场景中的表现越差，越容易发生危险。

Images