CN113419942A - 一种基于自然驾驶数据的自动驾驶安全性评价方法 - Google Patents

Abstract

本发明涉及汽车技术领域，具体的说涉及一种基于自然驾驶数据的自动驾驶安全性评价方法。该评价方法通过组合测试的方式初步建立被测逻辑场景，采集自然驾驶数据并进行分析，确定逻辑场景的参数空间及内部的概率分布，并根据自然驾驶数据获取逻辑场景在自然驾驶过程中的发生概率确定安全性评价指标，选择场景事故率和多场景综合事故率对被测自动驾驶算法在被测逻辑场景中的安全性进行综合评价。本方法在评价过程中考虑自然驾驶数据从而可以保证评价结果与自然驾驶情况贴合，同时面向多逻辑场景的评价方法符合未来自动驾驶的评价趋势。

Description

一种基于自然驾驶数据的自动驾驶安全性评价方法

技术领域

本发明涉及汽车技术领域，具体的说涉及一种基于自然驾驶数据的自动驾驶安全性评价方法。

背景技术

随着大数据、云计算、高精度地图、高精度传感器、5G通讯等技术的发展，自动驾驶技术不断成熟，然而至今仍未出现成熟完善的自动驾驶安全性评价方法。自动驾驶汽车在减少能源消耗、减少环境污染、提高驾驶舒适性等方面存在巨大的技术优势，已成为未来汽车产业发展的必然趋势。但由于系统复杂性的提高和自动驾驶设计运行区域的扩大，如何评价自动驾驶汽车的安全性已变得愈发重要。

现有的自动驾驶评价方法多为从理论角度分析应包含的评价内容，缺少量化评价指标，在评价过程中无法反映自然驾驶数据。

发明内容

本发明提供了一种基于自然驾驶数据的自动驾驶安全性评价方法，该评价方法通过组合测试的方式初步建立被测逻辑场景，采集自然驾驶数据并进行分析，确定逻辑场景的参数空间及内部的概率分布，并根据自然驾驶数据获取逻辑场景在自然驾驶过程中的发生概率确定安全性评价指标，选择场景事故率和多场景综合事故率对被测自动驾驶算法在被测逻辑场景中的安全性进行综合评价，解决了现有自动驾驶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：

一种基于自然驾驶数据的自动驾驶安全性评价方法，包括以下步骤：

步骤一、对车辆位置及运动状态进行分析，初步确定被测逻辑场景类型，逻辑场景为使用参数空间描述的场景种类；

步骤二、采集自然驾驶数据，分析逻辑场景中场景参数的参数空间及对应的概率分布；

步骤三、分析逻辑场景在自然驾驶环境中的相对发生概率；

步骤四、根据确定的逻辑场景，离散获得具体场景，具体场景为从逻辑场景中采样得到的使用具体参数描述的场景类型，并且搭建具体场景仿真环境将被测算法置入其中进行测试并获取试验结果；

步骤五、使用EM聚类算法聚类发生碰撞的具体场景参数；

步骤六、建立安全性评价指标即场景危险率；

步骤七、将得到的场景危险率与自然驾驶相关危险率进行比较。

所述步骤一的具体方法如下：

对车辆造成影响的位置包括前、后、左、右、左前、左后、右前、右后，周围车辆的运动状态包括左转、右转、直行、加速、减速、掉头、切入、切出及多种运动状态的组合；结合周围车辆的位置和运动状态判断是否存在发生危险的可能，选取有危险可能的组合作为被测逻辑场景类型。

所述步骤二中自然驾驶数据包括本车行驶过程中的运动状态及周围车辆的运动状态。

所述步骤二的具体方法如下：

在所采集的自然驾驶数据提取选择的相关被测逻辑场景数据，使用高斯分布描述逻辑场景内参数的概率分布，并使用均值加减3倍的标准差作为不同类型参数的参数空间；

[a_k,b_k]＝[μ_k-3σ_k,μ_k+3σ_k] (2)

式中，P为场景参数的概率分布模型；X为场景参数的具体取值集合；d为参数维度；Σ为用来描述各类型参数相关度的协方差矩阵；μ为各参数变量的均值；a_k为第k类场景要素参数范围的下限；b_k为第k类场景要素参数范围的上限；μ_k为第k类场景要素参数的均值；σ_k为第k类场景要素参数的标准差。

所述步骤三的具体方法如下：

采用下式分析不同逻辑场景在自然驾驶环境中的相对发生概率：

式中，n_i为统计的自然驾驶数据中第i类逻辑场景发生的次数；n为自然驾驶采集车辆数据采集过程所行驶过的总里程。

所述步骤四的具体方法如下：

根据测试需求、真实传感器精度和仿真环境精度确定不同类型参数的离散步长，当同一要素有多个步长影响因素时选择步长最长的影响因素作为该类场景要素的离散步长；根据逻辑场景参数空间及对应的离散步长获得具体场景，在仿真环境中使用遍历测试的方式将被测自动驾驶算法放入遍历所有获得的所有具体场景中进行测试，记录发生碰撞或符合筛选条件的具体场景各场景要素参数，该类场景参数统称为感兴趣场景参数。

所述步骤五的具体方法如下：

51)将得到的感兴趣场景参数进行对称处理，对称处理选择逻辑场景参数空间中的危险边界进行对称，通过公式(4)实现：

x_ij’＝2·x_i ^*-x_ij (4)

式中，x_ij’为对称处理后第i类要素在j点处的对称值；x_ij为原始数据中第i类要素在j点处的值；x_i ^*为第i类要素的危险边界；

52)将得到的感兴趣场景参数进行标准化处理，标准化处理选择Z-sore标准化处理方法，通过公式(5)实现：

x_ij”＝(x_ij’-x_{i_mean}’)/x_{i_σ}’ (5)

式中，x_ij”为标准化处理后第i类要素在j点处的值；x_ij’为对称处理后第i类要素在j点处的对称值；x_{i_mean}’为对称化处理后第i类要素的均值；x_{i_σ}’对称化处理后第i类要素的标准差；

53)使用EM聚类算法将得到的感兴趣场景参数进行聚类，通过公式(6)、(7)、(8)：

θ^*＝argmaxL(θ) (7)

式中，G(x|θ)为高斯混合模型概率密度函数；θ为高斯混合模型的参数，包括第k个单高斯模型的权重α_k和模型参数θ_k，θ_k包括均值μ_k和标准差σ_k；m为单个高斯模型的个数，N为数据点总数量；x为感兴趣场景参数；α_k为需要求得得第k个高斯分布的权重；φ(x|θ_k)为需要求得的第k个高斯分布；L(θ)为最大化θ函数；φ(x_j|θ_k)为极大似然过程中的第k个高斯模型预估参数；θ*为极大似然的θ值；K为设定的高斯混合模型中单个高斯模型数量；

54)统计得到的各个高斯分布的均值和标准差；

55)删除因对称处理产生的多余聚类。

所述步骤六的具体方法如下：

将聚类得到的危险参数空间与自然驾驶数据中对应的发生概率进行结合，并在整个参数空间范围内进行积分，从而得到考虑自然驾驶数据的逻辑场景安全性评价指标，具体通过公式(11)实现：

R_{l_c_i}＝∫P·V_collisiondx₁'dx₂'....dx_d' (11)

式中，R_{l_c_i}为被测算法在第i个逻辑场景中的场景危险率；P为该逻辑场景中的参数概率分布；V_collision为被测算法在不同参数点即具体场景处的碰撞危险值；x₁至x_d为不同的参数点即具体场景的具体参数值，其中下标表示不同的参数维度；

所述V_collision通过公式(12)得出：

式中，G_k’为危险参数聚类映射到原始坐标系的第k个高斯分布；x₁至x_d为不同的参数点即具体场景的具体参数值，其中下标表示不同的参数维度；μ_{k_i}’为映射到原始坐标系中第k个高斯分布第i维的均值(i∈[1,2,…,d])；σ_{k_i}’为映射到原始坐标系中第k个危险高斯分布第i维的标准差；m为危险点聚类高斯分布的总个数；d为逻辑场景描述要素的个数；

其中，由于危险点参数处理过程中经过标准化处理，在进行计算时需要将其映射回原始的坐标系维度，均值和标准差映射过程如公式(9)，(10)所示：

σ_{k_i}’＝σ_{k_i}·x_{i_σ}’ (9)

μ_{k_i}’＝u_{k_i}·x_{σ_i}’+x_{i_mean}’ (10)

式中，σ_{k_i}’为映射到原始坐标系中第k个危险高斯分布第i维的标准差；σ_{k_i}为标准化坐标系中第k个高斯分布第i维的标准差；x_{i_σ}’为前期标准化处理过程中的第i类要素的标准差；μ_{k_i}’为映射到原始坐标系中第k个高斯分布第i维的均值；u_{k_i}为标准化坐标系中第k个高斯分布第i维的均值；x_{i_σ}’为前期标准化处理过程中的第i类要素的标准差；x_{i_mean}’为前期标准化处理过程中的第i类要素的均值。

所述步骤七的具体方法如下：

根据中国交通事故数据库中的各类场景事故统计，统计得到不同类型逻辑场景在自然数据中发生频率P_{l_i}’及对应事故发生概率R_{c_i}，将计算得到的场景危险率与对应自然驾驶发生频率进行结合，通过公式(13)实现：

R_{c_i}'＝R_{l_c_i}·P_{l_i}' (13)

式中，R_{c_i}’为该逻辑场景在自然驾驶情况下对应的事故发生概率；R_{l_c_i}为得到的被测自动驾驶算法在该逻辑场景中的场景危险率；P_{l_i}'为该逻辑场景在自然驾驶情况下的发生概率；

R_{c_i}’与R_{c_i}对应场景事故发生概率进行比较，从而将被测自动驾驶算法的安全性进行预先性评估。

本发明的有益效果为：

本发明的提出，将自然驾驶数据融入基于场景的自动驾驶安全性评价之中，使得基于场景的自动驾驶测试方法可以更好的与自然驾驶数据相结合；同时，本发明考虑了多个不同逻辑场景之间的相对权重，这与自动驾驶安全性评估的未来趋势相贴合，未来关于自动驾驶安全性的评价必然是评估其在多个不同逻辑场景中的综合表现。本发明的实施可以推动自动驾驶汽车的产业验证流程，推动自动驾驶汽车的产业落地。

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为本发明的整体流程框图；

图2为危险逻辑场景确立的示意图；

图3为典型逻辑场景相关因素的示意图；

图4为仿真试验流程的示意图。

图5为前车制动场景和前车切入场景的示意图。

图6为前车制动场景测试结果图。

图7为前车切入场景测试结果图。

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。

参阅图1，步骤一、对车辆位置及运动状态进行分析，初步确定被测逻辑场景类型，逻辑场景为使用参数空间描述的场景种类。

参阅图2，分析车辆之间的相互位置及相对运动状态，选择周围车辆数量，根据是否可能发生危险初步确定建立逻辑场景；通过分析，可能对车辆造成影响的位置包括前、后、左、右、左前、左后、右前、右后，周围车辆的运动状态包括左转、右转、直行、加速、减速、掉头、切入、切出及多种运动状态的组合；结合周围车辆的位置和运动状态判断是否存在发生危险的可能，选取有危险可能的组合作为被测逻辑场景类型。

参阅图3，以周围存在一辆交通车为例，当车辆位于本车的左前位置时，当其突然同左侧车道切入，则本车很有可能与其发生危险。前车从左侧切入就可以算作一个典型的2车交互的危险场景。该场景的典型特征包括前车切入之前前车速度v2，前车切入之前本车速度v1，前车切入之后前车速度v3，前车切入前后纵向位移d1，前车切入之后前后车距离d2，前车切入过程持续时间t等。通过分析这类场景开始状态要素，可以从自然驾驶数据中对该逻辑场景相关场景信息进行提取。

步骤二、采集自然驾驶数据，分析逻辑场景中场景参数的参数空间及对应的概率分布；

自然驾驶数据包括本车行驶过程中的运动状态及周围车辆的运动状态。

自然驾驶数据的采集可通过收集本车行驶过程中的运动状态及周围车辆的运动状态获取或者根据现有的开源驾驶数据库进行相关数据获取。

通过采集到的自然驾驶数据，根据逻辑场景的开始及结束状态，在所采集的自然驾驶数据中收集被测逻辑场景的数据。

由于自然驾驶数据中大部分为安全场景，可以通过将被测逻辑场景放宽来提取安全场景。以前车切入时的前后车距离来对自然驾驶数据库中的相关场景进行提取。在将自然驾驶数据中所有相关的场景抽取出来之后，使用高斯分布描述逻辑场景内参数的概率分布模型，并使用均值加减3倍的标准差作为不同类型参数的参数空间；

[a_k,b_k]＝[μ_k-3σ_k,μ_k+3σ_k] (2)

式中，P为场景参数的概率分布模型；X为场景参数的具体取值集合；d为参数维度；Σ为用来描述各类型参数相关度的协方差矩阵；μ为各参数变量的均值；a_k为第k类场景要素参数范围的下限；b_k为第k类场景要素参数范围的上限；μ_k为第k类场景要素参数的均值；σ_k为第k类场景要素参数的标准差。

步骤三、分析逻辑场景在自然驾驶环境中的相对发生概率；

采用下式分析不同逻辑场景在自然驾驶环境中的相对发生概率：

式中，n_i为统计的自然驾驶数据中第i类逻辑场景发生的次数；n为自然驾驶采集车辆数据采集过程所行驶过的总里程(选定50米作为每个场景的持续里程，n的单位为米)。

步骤四、根据确定的逻辑场景，离散获得具体场景，具体场景为从逻辑场景中采样得到的使用具体参数描述的场景类型，并且搭建具体场景仿真环境将被测算法置入其中进行测试并获取试验结果；

参阅图4，根据测试需求、真实传感器精度和仿真环境精度确定不同类型参数的离散步长，当同一要素有多个步长影响因素时选择步长最长的影响因素作为该类场景要素的离散步长；根据逻辑场景参数空间及对应的离散步长获得具体场景，在仿真环境中使用遍历测试的方式将被测自动驾驶算法放入遍历所有获得的所有具体场景中进行测试，记录发生碰撞或符合筛选条件的具体场景各场景要素参数，该类场景参数统称为感兴趣场景参数。

逻辑场景用的是一个范围，比如3-5来描述场景，具体场景是一个具体的数，比如说3.3，所以具体场景是从逻辑场景中离散得到的，给一个离散步长比如说0.1，这样就会有3.0、3.1、3.2这样的数值，每个数值组合即为一个具体场景。

步骤五、使用EM聚类算法聚类发生碰撞的具体场景参数；

所述步骤五的具体方法如下：

51)将得到的感兴趣场景参数进行对称处理，对称处理选择逻辑场景参数空间中的危险边界进行对称，通过公式(4)实现：

x_ij’＝2·x_i ^*-x_ij (4)

式中，x_ij’为对称处理后第i类要素在j点处的对称值；x_ij为原始数据中第i类要素在j点处的值；x_i ^*为第i类要素的危险边界；

52)将得到的感兴趣场景参数进行标准化处理，标准化处理选择Z-sore标准化处理方法，通过公式(5)实现：

x_ij”＝(x_ij’-x_{i_mean}’)/x_{i_σ}’ (5)

式中，x_ij”为标准化处理后第i类要素在j点处的值；x_ij’为对称处理后第i类要素在j点处的对称值；x_{i_mean}’为对称化处理后第i类要素的均值；x_{i_σ}’对称化处理后第i类要素的标准差；

53)使用EM聚类算法将得到的感兴趣场景参数进行聚类，通过公式(6)、(7)、(8)：

θ^*＝argmaxL(θ) (7)

式中，G(x|θ)为高斯混合模型概率密度函数；θ为高斯混合模型的参数，包括第k个单高斯模型的权重α_k和模型参数θ_k，θ_k包括均值μ_k和标准差σ_k；m为单个高斯模型的个数，N为数据点总数量；x为感兴趣场景参数；α_k为需要求得得第k个高斯分布的权重；φ(x|θ_k)为需要求得的第k个高斯分布；L(θ)为最大化θ函数；φ(x_j|θ_k)为极大似然过程中的第k个高斯模型预估参数；θ*为极大似然的θ值；K为设定的高斯混合模型中单个高斯模型数量；

54)统计得到的各个高斯分布的均值和标准差；

55)删除因对称处理产生的多余聚类(该类聚类不在最初的参数空间中)。

步骤六、建立安全性评价指标即场景危险率；

将聚类得到的危险参数空间与自然驾驶数据中对应的发生概率进行结合，并在整个参数空间范围内进行积分，从而得到考虑自然驾驶数据的逻辑场景安全性评价指标，具体通过公式(11)实现：

R_{l_c_i}＝∫P·V_collisiondx₁'dx₂'....dx_d' (11)

式中，R_{l_c_i}为被测算法在第i个逻辑场景中的场景危险率；P为该逻辑场景中的参数概率分布；V_collision为被测算法在不同参数点即具体场景处的碰撞危险值；x₁至x_d为不同的参数点即具体场景的具体参数值，其中下标表示不同的参数维度；

所述V_collision通过公式(12)得出：

式中，G_k’为危险参数聚类映射到原始坐标系的第k个高斯分布；x₁至x_d为不同的参数点即具体场景的具体参数值，其中下标表示不同的参数维度；μ_{k_i}’为映射到原始坐标系中第k个高斯分布第i维的均值(i∈[1,2,…,d])；σ_{k_i}’为映射到原始坐标系中第k个危险高斯分布第i维的标准差；m为危险点聚类高斯分布的总个数；d为逻辑场景描述要素的个数；

其中，由于危险点参数处理过程中经过标准化处理，在进行计算时需要将其映射回原始的坐标系维度，均值和标准差映射过程如公式(9)，(10)所示：

σ_{k_i}’＝σ_{k_i}·x_{i_σ}’ (9)

μ_{k_i}’＝u_{k_i}·x_{σ_i}’+x_{i_mean}’ (10)

式中，σ_{k_i}’为映射到原始坐标系中第k个危险高斯分布第i维的标准差；σ_{k_i}为标准化坐标系中第k个高斯分布第i维的标准差；x_{i_σ}’为前期标准化处理过程中的第i类要素的标准差；μ_{k_i}’为映射到原始坐标系中第k个高斯分布第i维的均值；u_{k_i}为标准化坐标系中第k个高斯分布第i维的均值；x_{i_σ}’为前期标准化处理过程中的第i类要素的标准差；x_{i_mean}’为前期标准化处理过程中的第i类要素的均值。

步骤七、将得到的场景危险率与自然驾驶相关危险率进行比较。

根据中国交通事故数据库中的各类场景事故统计，统计得到不同类型逻辑场景在自然数据中发生频率P_{l_i}’及对应事故发生概率R_{c_i}，将计算得到的场景危险率与对应自然驾驶发生频率进行结合，通过公式(13)实现：

R_{c_i}'＝R_{l_c_i}·P_{l_i}' (13)

式中，R_{c_i}’为该逻辑场景在自然驾驶情况下对应的事故发生概率；R_{l_c_i}为得到的被测自动驾驶算法在该逻辑场景中的场景危险率；P_{l_i}'为该逻辑场景在自然驾驶情况下的发生概率；

R_{c_i}’与R_{c_i}对应场景事故发生概率进行比较，从而将被测自动驾驶算法的安全性进行预先性评估。

综上，本申请将自然驾驶数据融入基于场景的自动驾驶安全性评价之中，使得基于场景的自动驾驶测试方法可以更好的与自然驾驶数据相结合；同时，本申请考虑了多个不同逻辑场景之间的相对权重，这与自动驾驶安全性评估的未来趋势相贴合，未来关于自动驾驶安全性的评价必然是评估其在多个不同逻辑场景中的综合表现。

实施例

选取前车制动场景和前车切入场景作为本发明的应用示例，两种场景的示意如图5所示。选择两车的车辆运动状态参数作为逻辑场景的描述要素。本车道前车制动场景的两车运动状态包括前车制动时前车速度v₁₂、本车速度v₁₁、前后车距离d₁和前车制动减速度，为简化研究，前车制动减速度选择固定值。相邻车道前车切入场景的两车运动状态包括切入前后本车速度、前车速度、两车纵向距离，切入过程持续时间，切入过程前车纵向位移等，通过分析可知，切入后前车速度v₂₂、本车速度v₂₁和切入后前后车距离d₂为其他几类场景要素的最终影响结果，于场景的安全性影响最大，选择这三类要素作为前车切入场景的场景要素。采集两种场景在自然驾驶情况下的场景参数数据，采集得到的场景参数概率分布如表1和表2所示。

表1前车制动场景参数概率分布

表2前车切入场景参数概率分布

考虑测试需求(实验效率)、真实传感器精度(毫米波雷达长距离测距精度为±0.5m、中距离测距精度为±0.25m)、仿真环境精度(误差10％以内)、仿真平台的运行频率(25Hz)，将制动场景中的距离以5m的步长离散(制动场景距离范围较大，为保证测试效率取较大步长)，切入场景中的距离以2m的步长离散；将两种场景的速度参数以3m/s的步长离散，获得两种场景的具体测试用例分别为1210个和931个，如表3和表4所示。

表3前车制动场景信息

表4前车切入场景信息

将两种逻辑场景离散得到的具体场景放置于仿真环境中进行试验，得到的试验结果如图6和图7所示。根据公式(4)至公式(10)计算得到的高斯模型参数如表5所示，

表5实验数据在两种场景中的拟合高斯模型

根据公式(11)至公式(12)，计算得到的被测算法在两种被测逻辑场景中的场景风险指数分别为0.4098和1.08×10^-5，与试验结果(图6、图7)基本相符，且符合自然驾驶情况的数据分布特性。根据得到的参数结果，通过我国的自然驾驶事故数据库，可使用公式(13)对被测算法在实际驾驶情况下的表现进行对比，判断其是否符合上路标准。

Claims (9)

1.一种基于自然驾驶数据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、对车辆位置及运动状态进行分析，初步确定被测逻辑场景类型，逻辑场景为使用参数空间描述的场景种类；

步骤二、采集自然驾驶数据，分析逻辑场景中场景参数的参数空间及对应的概率分布；

步骤三、分析逻辑场景在自然驾驶环境中的相对发生概率；

步骤四、根据确定的逻辑场景，离散获得具体场景，具体场景为从逻辑场景中采样得到的使用具体参数描述的场景类型，并且搭建具体场景仿真环境将被测算法置入其中进行测试并获取试验结果；

步骤五、使用EM聚类算法聚类发生碰撞的具体场景参数；

步骤六、建立安全性评价指标即场景危险率；

步骤七、将得到的场景危险率与自然驾驶相关危险率进行比较。

2.根据权利要求1所述的一种基于自然驾驶数据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：

对车辆造成影响的位置包括前、后、左、右、左前、左后、右前、右后，周围车辆的运动状态包括左转、右转、直行、加速、减速、掉头、切入、切出及多种运动状态的组合；结合周围车辆的位置和运动状态判断是否存在发生危险的可能，选取有危险可能的组合作为被测逻辑场景类型。

3.根据权利要求1所述的一种基于自然驾驶数据的自动驾驶安全性评价方法，其特征在于，所述步骤二中自然驾驶数据包括本车行驶过程中的运动状态及周围车辆的运动状态。

4.根据权利要求3所述的一种基于自然驾驶数据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：

在所采集的自然驾驶数据提取选择的相关被测逻辑场景数据，使用高斯分布描述逻辑场景内参数的概率分布，并使用均值加减3倍的标准差作为不同类型参数的参数空间；

[a_k,b_k]＝[μ_k-3σ_k,μ_k+3σ_k](2)

式中，P为场景参数的概率分布模型；X为场景参数的具体取值集合；d为参数维度；Σ为用来描述各类型参数相关度的协方差矩阵；μ为各参数变量的均值；a_k为第k类场景要素参数范围的下限；b_k为第k类场景要素参数范围的上限；μ_k为第k类场景要素参数的均值；σ_k为第k类场景要素参数的标准差。

5.根据权利要求3所述的一种基于自然驾驶数据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：

采用下式分析不同逻辑场景在自然驾驶环境中的相对发生概率：

式中，n_i为统计的自然驾驶数据中第i类逻辑场景发生的次数；n为自然驾驶采集车辆数据采集过程所行驶过的总里程。

6.根据权利要求1所述的一种基于自然驾驶数据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：

根据测试需求、真实传感器精度和仿真环境精度确定不同类型参数的离散步长，当同一要素有多个步长影响因素时选择步长最长的影响因素作为该类场景要素的离散步长；根据逻辑场景参数空间及对应的离散步长获得具体场景，在仿真环境中使用遍历测试的方式将被测自动驾驶算法放入遍历所有获得的所有具体场景中进行测试，记录发生碰撞或符合筛选条件的具体场景各场景要素参数，该类场景参数统称为感兴趣场景参数。

7.根据权利要求6所述的一种基于自然驾驶数据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：

51)将得到的感兴趣场景参数进行对称处理，对称处理选择逻辑场景参数空间中的危险边界进行对称，通过公式(4)实现：

x_ij’＝2·x_i ^*-x_ij (4)

式中，x_ij’为对称处理后第i类要素在j点处的对称值；x_ij为原始数据中第i类要素在j点处的值；x_i ^*为第i类要素的危险边界；

52)将得到的感兴趣场景参数进行标准化处理，标准化处理选择Z-sore标准化处理方法，通过公式(5)实现：

x_ij”＝(x_ij’-x_{i_mean}’)/x_{i_σ}’ (5)

式中，x_ij”为标准化处理后第i类要素在j点处的值；x_ij’为对称处理后第i类要素在j点处的对称值；x_{i_mean}’为对称化处理后第i类要素的均值；x_{i_σ}’对称化处理后第i类要素的标准差；

53)使用EM聚类算法将得到的感兴趣场景参数进行聚类，通过公式(6)、(7)、(8)：

θ^*＝argmaxL(θ) (7)

式中，G(x|θ)为高斯混合模型概率密度函数；θ为高斯混合模型的参数，包括第k个单高斯模型的权重α_k和模型参数θ_k，θ_k包括均值μ_k和标准差σ_k；m为单个高斯模型的个数，N为数据点总数量；x为感兴趣场景参数；α_k为需要求得得第k个高斯分布的权重；φ(x|θ_k)为需要求得的第k个高斯分布；L(θ)为最大化θ函数；φ(x_j|θ_k)为极大似然过程中的第k个高斯模型预估参数；θ*为极大似然的θ值；K为设定的高斯混合模型中单个高斯模型数量；

54)统计得到的各个高斯分布的均值和标准差；

55)删除因对称处理产生的多余聚类。

8.根据权利要求6所述的一种基于自然驾驶数据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：

将聚类得到的危险参数空间与自然驾驶数据中对应的发生概率进行结合，并在整个参数空间范围内进行积分，从而得到考虑自然驾驶数据的逻辑场景安全性评价指标，具体通过公式(11)实现：

R_{l_c_i}＝∫P·V_collisiondx₁'dx₂'....dx_d' (11)

式中，R_{l_c_i}为被测算法在第i个逻辑场景中的场景危险率；P为该逻辑场景中的参数概率分布；V_collision为被测算法在不同参数点即具体场景处的碰撞危险值；x₁至x_d为不同的参数点即具体场景的具体参数值，其中下标表示不同的参数维度；

所述V_collision通过公式(12)得出：

式中，G_k’为危险参数聚类映射到原始坐标系的第k个高斯分布；x₁至x_d为不同的参数点即具体场景的具体参数值，其中下标表示不同的参数维度；μ_{k_i}’为映射到原始坐标系中第k个高斯分布第i维的均值(i∈[1,2,…,d])；σ_{k_i}’为映射到原始坐标系中第k个危险高斯分布第i维的标准差；m为危险点聚类高斯分布的总个数；d为逻辑场景描述要素的个数；

其中，由于危险点参数处理过程中经过标准化处理，在进行后续计算时需要将其映射回原始的坐标系维度，均值和标准差映射过程如公式(9)，(10)所示：

σ_{k_i}’＝σ_{k_i}·x_{i_σ}’ (9)

μ_{k_i}’＝u_{k_i}·x_{σ_i}’+x_{i_mean}’ (10)

式中，σ_{k_i}’为映射到原始坐标系中第k个危险高斯分布第i维的标准差；σ_{k_i}为标准化坐标系中第k个高斯分布第i维的标准差；x_{i_σ}’为前期标准化处理过程中的第i类要素的标准差；μ_{k_i}’为映射到原始坐标系中第k个高斯分布第i维的均值；u_{k_i}为标准化坐标系中第k个高斯分布第i维的均值；x_{i_σ}’为前期标准化处理过程中的第i类要素的标准差；x_{i_mean}’为前期标准化处理过程中的第i类要素的均值。

9.根据权利要求1所述的一种基于自然驾驶数据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：

根据中国交通事故数据库中的各类场景事故统计，统计得到不同类型逻辑场景在自然数据中发生频率P_{l_i}’及对应事故发生概率R_{c_i}，将计算得到的场景危险率与对应自然驾驶发生频率进行结合，通过公式(13)实现：

R_{c_i}'＝R_{l_c_i}·P_{l_i}' (13)

式中，R_{c_i}’为该逻辑场景在自然驾驶情况下对应的事故发生概率；R_{l_c_i}为得到的被测自动驾驶算法在该逻辑场景中的场景危险率；P_{l_i}'为该逻辑场景在自然驾驶情况下的发生概率；

R_{c_i}’与R_{c_i}对应场景事故发生概率进行比较，从而将被测自动驾驶算法的安全性进行预先性评估。

Images