CN113468670B - 一种自动驾驶车辆整车级别的性能评价方法 - Google Patents
一种自动驾驶车辆整车级别的性能评价方法 Download PDFInfo
- Publication number
- CN113468670B CN113468670B CN202110820459.6A CN202110820459A CN113468670B CN 113468670 B CN113468670 B CN 113468670B CN 202110820459 A CN202110820459 A CN 202110820459A CN 113468670 B CN113468670 B CN 113468670B
- Authority
- CN
- China
- Prior art keywords
- safety
- formula
- index
- factor
- scene
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 48
- 238000012360 testing method Methods 0.000 claims abstract description 95
- 238000000034 method Methods 0.000 claims abstract description 29
- 206010039203 Road traffic accident Diseases 0.000 claims abstract description 19
- 231100001267 hazard identification Toxicity 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000011158 quantitative evaluation Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000011076 safety test Methods 0.000 claims description 6
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 3
- 230000001133 acceleration Effects 0.000 description 6
- 238000011002 quantification Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011981 development test Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000005290 field theory Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 101150039322 outE gene Proteins 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000009781 safety test method Methods 0.000 description 1
- 230000003238 somatosensory effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 231100000041 toxicology testing Toxicity 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Security & Cryptography (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
Abstract
本发明公开了一种自动驾驶车辆整车级别的性能评价方法，其步骤包括：1、获取道路安全交通事故数据，建立场景危害识别模型；2、拟合场景元素的概率分布，生成测试用例并计算权重；3、确定性能评价的维度为安全性、预期功能安全性和舒适性，选择各自的指标；4、分析整车测试的数据结果，结合测试用例的权重计算性能评价值。本发明能提升安全评估准确性，有效量化测试过程的预期功能安全和舒适性，从而为复杂交通环境下自动驾驶车辆整车性能评估提供全面判据。
Description
技术领域
本发明涉及车辆性能评价领域，特别是关于一种用于自动驾驶车辆开发测试和综合评价的自动驾驶车辆整车级别的性能评价方法。
背景技术
随着自动驾驶技术的快速发展，自动驾驶车辆(AV)的功能也逐渐完善，变得更加智能和稳定。但是传统的系统设计与测试都是以特定场景为例，并不能保证其在未知场景的性能，比如自动紧急制动系统(AEB)在雾天多次误触发，车道线保持系统(LKS)在车道线突然消失的场景下失稳等。日益复杂的交通场景使得通过特定场景测试的车辆在实际应用中安全性降低，不满足顾客对自动驾驶车辆安全性的高要求。
预期功能安全(SOTIF)的提出就是为了解决AV设计不足和性能局限问题，但是目前有关SOTIF指标量化的研究仍处于起步阶段。清华大学的王建强等人提出基于人-车-路多方面因素的行车风险评价方法，建立了行车安全场通用模型，定量描述了各交通因素对于行车安全的影响，并应用于碰撞预警算法中进行了实车验证，但是该模型的参数校准不精确且未考虑车辆动力学。中汽研的李波等人从AV的安全风险和驾驶场景出发，通过安全分析和试验研究，提出了量化思想的AV预期功能安全接受准则和SOTIF场景用例库优先度子集的测试评价方法，但是采用的是传统电控系统功能安全的指标，不能全面地反应环境对行驶车辆的影响。
舒适性的评价有两个难点：一是评价因素的确定，二是主观评价与客观物理量的精确映射。车辆横、纵向的运动以及其在道路上的位置、垂直载荷、操作风格等都会影响车辆的舒适性。长安大学的王畅等人采用单因素分析法和二元逻辑回归分析模型确定影响乘坐舒适性的因素，建立了基于双向长短期记忆网络的舒适性预测模型，但是考虑的因素仅包括车辆运动状态和乘客的生理特征。同济大学的陈君毅等人提出了基于BP神经网络的主、客观映射评价方法，用来评价自动驾驶车辆的交通协调性，并以匝道汇入处两车交互场景为例验证了其评价模型的可行性与准确性，但是缺乏对复杂交通流环境的深入研究。
综上所述，现有的测试与评价方式不能兼顾场景的复杂度与指标的全面性。传统的指标主要考虑自车的运动状态，忽略了驾驶环境的影响，所以适用于基础场景；先进的指标综合考虑了人-车-路的相互作用，量化了复杂场景内所有物体对自车造成的风险，但是忽略了车辆动力学且依赖车端感知设备和路端监测设备的支持。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种自动驾驶车辆整车级别的性能评价方法，以期能提升安全评估准确性，有效量化测试过程的预期功能安全和舒适性，从而为复杂交通环境下自动驾驶车辆整车性能评估提供全面判据。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种自动驾驶车辆整车级别的性能评价方法的特点在于，包括以下步骤：
步骤1、建立场景危害识别模型：
步骤1.1、获取道路安全交通事故数据中的N个场景元素X1,X2,…,Xn,…,XN并作为神经网络模型的输入，获取所述道路安全交通事故数据中的危害指数W并作为神经网络模型的输出，从而对所述神经网络模型进行训练，得到场景危害识别模型；其中，Xn表示第n个场景元素；n＝1,2,…,N；所述危害指数W由式(1)计算得到：
W＝ε·M+(1-ε)·S (1)
式(1)中，M是所述道路安全交通事故数据中的事故数，S是所述道路安全交通事故数据中事故的严重程度，ε是权重；
步骤2、拟合场景元素的概率分布，生成测试用例并计算权重：
步骤2.1、定义环境层、静物层、动态层、道路层，并将N个场景元素X1,X2,…,Xn,…,XN按照自然属性和物理属性划分到相应的层中；
步骤2.2、将N个场景元素X1,X2,…,Xn,…,XN中属于文字描述类型的场景元素进行量化后，得到离散型的场景元素值；
利用二项分布及其变体对离散型的场景元素值进行拟合，得出相应的概率分布函数；
利用高斯分布对连续型的场景元素值进行拟合，得出相应的概率密度函数；
步骤2.3、设置覆盖度约束，并按照N个场景元素的概率分布函数和概率密度函数生成I个测试用例，使得各类场景元素的覆盖率接近100％；
步骤2.4、将任意第i个测试用例中的N个场景元素作为所述场景危害识别模型的输入，从而得到第i个测试用例的危害指数Wi，利用式(2)计算第i个测试用例的权重ωi：
步骤3、确定评价的维度包括：安全性、预期功能安全性和舒适性；每个维度均对应有相应的指标，其中，安全性指标是根据测试用例的具体场景进行选择；预期功能安全性指标为相对驾驶安全指数RDSI，舒适性指标为影响人类体感和观感的因素集合；
步骤4、将整车模型在I个测试用例中进行测试，分析整车测试的数据结果并计算性能评价值：
步骤4.1、构建安全置信区间用于判断安全性：
步骤4.1.1、利用式(3)统计第j轮测试中第i个测试用例的单位里程事故数从而得到第j轮测试中I个测试用例的单位里程事故数/>并作为第j轮的样本数据；
式(3)中，是第j轮测试中第i个测试用例的安全性指标超过阈值的次数，/>是第j轮测试中第i个测试用例的里程；
步骤4.1.2、当完成J轮测试后，利用J轮样本数据对泊松分布中的参数λ进行区间估计，从而利用式(4)得到置信度为1-α的置信区间(λmin,λmax)：
式(4)中，α是显著性水平，Y是J轮样本数据的均值，uα2是标准正态分布上侧α/2分位点；
对置信区间(λmin,λmax)进行偏移调整，得到调整后的置信区间(ξ·λmin,ξ·λmax)；其中，ξ是偏移率，且ξ∈[0,1]；
步骤4.1.3、根据所设定的危害事故发生率λ*进行安全性判断：
当λ*≤ξ·λmax，代表整车安全性测试不通过，整车性能待提高，并返回步骤4；
当λ*≥ξ·λmax，代表整车安全性测试通过，继续预期功能安全性和舒适性评价；
步骤4.2、基于行车安全场的预期功能安全性的量化评价：
步骤4.2.1：将整车的驾驶状态分为三种：当时，表示安全驾驶状态；当/>时，表示危险驾驶状态；当/>时，表示极危险驾驶状态；其中，/>和/>是危险驾驶状态的下限值和上限值；
以第i个测试用例的里程si作为自变量，相对驾驶安全指数RDSI为因变量，从而得到拟合后的RDSI变化线；
利用式(5)和式(6)分别对里程si进行积分，得第i个测试用例的危险状态值ri和总状态值Ri：
式(5)中，sk表示RDSI变化线分别与或/>的第k个交点；
式(6)中，s0和send是第i个测试用例的起、止里程；
步骤4.2.2、利用式(7)计算第i个测试用例的预期功能安全性的量化评价值Eso_i：
步骤4.2.3、利用式(8)计算预期功能安全性的量化评价值Eso：
步骤4.3、基于优劣解距离法的舒适性评价：
步骤4.3.1、对舒适性指标中的任意第e个因素xe，利用式(9)计算第e个因素xe的均方根值
式(9)中，t0、t1是测试的起、止时间；
步骤4.3.2、根据第e个因素xe的类型，选用不同的正向化函数，计算第e个因素xe的评价值
若第e个因素xe的类型为极大型指标且最优值为+∞或者第e个因素xe的类型为极小型指标且最优值为-∞，则利用式(10.1)进行正向化处理，得到第e个因素xe的评价值
若第e个因素xe的类型为极大型指标且最优值为b，则利用式(10.2)进行正向化处理，得到第e个因素xe的评价值
若第e个因素xe的类型为极小型指标且最优值为a，则利用式(10.3)进行正向化处理，得到第e个因素xe的评价值
若第e个因素xe的类型为中间型指标且最优值为m，则利用式(10.4)进行正向化处理，得到第e个因素xe的评价值
若第e个因素xe的类型为区间型指标且最优区间为[A,B]，首先进行区间变换，令新下界p＝[|A+B|-(B-A)]/2，新上界q＝[|A+B|+(B-A)]/2，在利用式(10.5)进行正向化处理，得到第e个因素xe的评价值
步骤4.3.3、利用式(11)计算第i个测试用例下的舒适性评价值Eco_i：
式(11)中，是人体对第e个因素xe的敏感指数；E表示因素总数；
步骤4.3.4、利用式(12)舒适性的评价值Eco：
与现有技术相比，本发明的有益效果在于：
1、本发明合理地选择评价指标对整车性能进行划分，能够充分利用各指标的优点，提升了测试的完整性与准确性。同时考虑到系统在非设定ODD下的性能，以交通事故数据集作为随机场景生成的基础，增强了场景的对抗性和覆盖度。场景的分层和元素的量化实现了场景构建的完整性和测试用例权重的客观计算。
2、本发明利用数理统计的知识，以多轮场景测试的结果为样本，对泊松分布中的参数λ进行估计，结合了自然驾驶数据下的事故率，构造并偏移安全置信区间，使得判断标准接近自然数据，综合考察了整车在不同事故场景下的安全性，从而保障了整车在复杂交通环境下的安全性。
3、本发明利用行车安全场量化了预期功能安全的测试评价，以危险状态值与总状态值之比作为评价指标，弥补了预期功能安全量化领域的空白，为复杂交通场景下车辆的预期功能安全研究提供了新的方法。
4、本发明利用优劣解距离法建立了车辆舒适性评价模型。对每个指标进行正向化以统一指标的类型和最优值，同时结合人体敏感度客观全面地评价了汽车的舒适性，从而能广泛应用在自动驾驶车辆性能测试与评价上。
附图说明
图1是本发明自动驾驶车辆整车测试与性能评价流程图；
图2是本发明基于交通事故数据的测试用例生成流程图；
图3是本发明基于行车安全场的预期功能安全量化示意图；
图4是本发明基于优劣解距离法的舒适性评价流程图。
具体实施方式
本实施例中，如图1所示，一种自动驾驶车辆整车级别的性能评价方法，包括以下步骤：
步骤1、建立场景危害识别模型：对道路安全交通事故进行数据分析，选择输入(场景要素)与输出(事故危害)，利用神经网络建立场景危害识别模型；
步骤1.1、如图2所示以英国交通部公布的道路安全事故数据为例，获取道路安全交通事故数据中的N个场景元素X1,X2,…,Xn,…,XN并作为神经网络模型的输入，包括路面等级、路面状态、天气条件，交通参与者等，获取道路安全交通事故数据中的危害指数W并作为神经网络模型的输出，从而对神经网络模型进行训练，得到场景危害识别模型；其中，Xn表示第n个场景元素；n＝1,2,…,N；危害指数W由式(1)计算得到：
W＝ε·M+(1-ε)·S (1)
式(1)中，M是道路安全交通事故数据中的事故数，S是道路安全交通事故数据中事故的严重程度，ε是权重；
对于简单的数据集，一层隐藏层已经足够拟合任何包含从一个有限空间到另一个有限空间的连续映射的函数，所以本实施方式中选用单隐藏层的BP神经网络。
步骤2、拟合场景元素的概率分布，生成测试用例并计算权重：对场景要素进行分层，拟合各场景要素的概率分布，从而随机组合生成多测试用例集合，以归一化后的危害指数作为场景测试用例的权重；
利用事故数据构建场景增加了场景的对抗性，考虑了整车在设计运行域以外的性能，加快了安全性的测试流程。
步骤2.1、定义环境层、静物层、动态层、道路层，并将N个场景元素X1,X2,…,Xn,…,XN按照自然属性和物理属性划分到相应的层中；
步骤2.2、如表1所示，将N个场景元素X1,X2,…,Xn,…,XN中属于文字描述类型的场景元素进行量化后，如路面等级、天气条件，得到离散型的场景元素值；
表1
利用二项分布及其变体对离散型的场景元素值进行拟合，得出相应的概率分布函数；
利用高斯分布对连续型的场景元素值进行拟合，得出相应的概率密度函数；
如表2所示，连续型的场景元素包括速度，加速度等；
表2
利用高斯分布对连续型的场景元素值进行拟合，得出相应的概率密度函数；
步骤2.3、设置覆盖度约束，并按照N个场景元素的概率分布函数和概率密度函数生成I个测试用例，使得各类场景元素的覆盖率接近100％；
步骤2.4、将任意第i个测试用例中的N个场景元素作为场景危害识别模型的输入，从而得到第i个测试用例的危害指数Wi，利用式(2)计算第i个测试用例的权重ωi：
步骤3、确定评价的维度包括：安全性、预期功能安全性和舒适性；每个维度均对应有相应的指标，其中，安全性指标是根据测试用例的具体场景进行选择，以充分利用不同关键指标的优势提高安全评价的准确性；预期功能安全性指标为相对驾驶安全指数RDSI，舒适性指标为影响人类体感和观感的因素集合；
步骤3.1、安全性指标根据测试用例的具体场景选择，如表3所示：
表3
以切入场景为例，安全指标是碰撞时间TTC*＝0s；
步骤3.2、预期功能安全的指标是行车安全场中相对驾驶安全指数RDSI，指标区间为其中/>和/>是特定场景下危险驾驶状态的下限和上限值；
步骤3.3、舒适域的指标是横向加速度ax和纵向加速度ay及其导数的集合，指标的阈值集合为其中，/>分别是体感舒适区的横、纵向加速度及其导数。
步骤4、将整车模型在I个测试用例中进行测试，分析整车测试的数据结果并计算性能评价值：以安全区间为核心对整车进行安全性判断，并计算预期功能安全评价值和舒适性评价值；
步骤4.1、构建安全置信区间用于判断安全性：
步骤4.1.1、利用式(3)统计第j轮测试中第i个测试用例的单位里程事故数从而得到第j轮测试中I个测试用例的单位里程事故数/>并作为第j轮的样本数据；
式(3)中，是第j轮测试中第i个测试用例的安全性指标超过阈值的次数，/>是第j轮测试中第i个测试用例的里程；
步骤4.1.2、当完成J轮测试后，利用J轮样本数据对泊松分布中的参数λ进行区间估计，从而利用式(4)得到置信度为1-α的置信区间(λmin,λmax)：
式(4)中，α是显著性水平，是J轮样本数据的均值，uα/2是标准正态分布上侧α/2分位点；
对置信区间(λmin,λmax)进行偏移调整，得到调整后的置信区间(ξ·λmin,ξ·λmax)；其中，ξ是偏移率，且ξ∈[0,1]；
取显著性水平α＝0.01，查标准正态分布表得uα2＝2.325，假设进行了5轮测试，每轮测试10个测试用例，J＝5，I＝10，ξ＝0.001，则置信度为99％的置信区间为(-5.7×10-3,6.4×10-3)，偏移后的区间为(-5.7×10-6,6.4×10-6)；
步骤4.1.3、根据所设定的危害事故发生率λ*进行安全性判断：
当λ*≤ξ·λmax，代表整车安全性测试不通过，整车性能待提高，并返回步骤4；
当λ*≥ξ·λmax，代表整车安全性测试通过，继续预期功能安全性和舒适性评价；
取λ*＝7.6×10-6，由于λ*＞ξ·λmax＝6.4×10-6所以安全性测试通过。
步骤4.2、基于行车安全场的预期功能安全性的量化评价：
步骤4.2.1、由于步骤4.1中已经进行过安全性判断，所以SOTIF的评价集中在驾驶风险的计算。以第i个测试用例的里程si作为自变量，相对驾驶安全指数RDSI为因变量，从而得到拟合后的RDSI变化线。行车安全场理论将整车的驾驶状态分为三种：当时，表示安全驾驶状态；当/>时，表示危险驾驶状态；当/>时，表示极危险驾驶状态；其中，/>和/>是危险驾驶状态的下限值和上限值；
利用式(5)和式(6)分别对里程si进行积分，得第i个测试用例的危险状态值ri和总状态值Ri：
式(5)中，sk表示RDSI变化线分别与或/>的第k个交点；
式(6)中，s0和send是第i个测试用例的起、止里程；
图3为第1个测试用例下RDSI的变化线，驾驶风险的计算是危险驾驶状态下RDSI对里程s的积分(图中阴影部分)，两条分界线与函数RDSI的图像的交点记为s1,s2,s3,s4,s5,s6；
计算第1个测试用例的危险状态值r1和总状态值R1：
步骤4.2.2、利用式(7)计算第i个测试用例的预期功能安全性的量化评价值Eso_i：
计算第1个测试用例的预期功能安全性的量化评价值：
步骤4.2.3、利用式(8)计算预期功能安全性的量化评价值Eso：
步骤4.3、基于优劣解距离法的舒适性评价：
步骤4.3.1、如图4所示，影响舒适性的因素较多并且在测试过程中可以通过传感器直接得到或间接计算出具体的值，所以舒适性的评价采用优劣解距离法。对舒适性指标中的任意第e个因素xe，利用式(9)计算第e个因素xe的均方根值
式(9)中，t0、t1是测试的起、止时间；
根据步骤3.3选择的舒适性指标为横向加速度ax和纵向加速度ay及其导数，计算各因素的均方根值：
步骤4.3.2、根据第e个因素xe的类型，选用不同的正向化函数，如表4所示，计算第e个因素xe的评价值
表4
若第e个因素xe的类型为极大型指标且最优值为+∞或者第e个因素xe的类型为极小型指标且最优值为-∞，则利用式(10.1)进行正向化处理，得到第e个因素xe的评价值
若第e个因素xe的类型为极大型指标且最优值为b，则利用式(10.2)进行正向化处理，得到第e个因素xe的评价值
若第e个因素xe的类型为极小型指标且最优值为a，则利用式(10.3)进行正向化处理，得到第e个因素xe的评价值
若第e个因素xe的类型为中间型指标且最优值为m，则利用式(10.4)进行正向化处理，得到第e个因素xe的评价值
若第e个因素xe的类型为区间型指标且最优区间为[A,B]，首先进行区间变换，令新下界p＝[|A+B|-(B-A)]/2，新上界q＝[|A+B|+(B-A)]/2，在利用式(10.5)进行正向化处理，得到第e个因素xe的评价值
由于ax,ay,均为区间型指标，所以选用式(10.5)，查表得指标的舒适域所以正向化结果如下：
步骤4.3.3、利用式(11)计算第i个测试用例下的舒适性评价值Eco_i：
式(11)中，βxe是人体对第e个因素xe的敏感指数；E表示因素总数；
取E＝4，则第1个测试用例的舒适性评价值Eco_1＝0.8155；
步骤4.3.4、因为在某些场景下，安全性与舒适性不能同时满足，所以舒适性评价的计算也要结合场景权重，利用式(12)舒适性的评价值Eco：
综上所述，本发明在一定程度上为场景生成提供了参照，解决了整车性能测试的场景设计问题；同时从安全性，预期功能安全性和舒适性对整车进行评价，综合了不同关键性指标的优势从而提高安全性评价的准确性，解决了预期功能安全量化的问题。
Claims (1)
1.一种自动驾驶车辆整车级别的性能评价方法，其特征在于，包括以下步骤：
步骤1、建立场景危害识别模型：
步骤1.1、获取道路安全交通事故数据中的N个场景元素X1,X2,…,Xn,…,XN并作为神经网络模型的输入，获取所述道路安全交通事故数据中的危害指数W并作为神经网络模型的输出，从而对所述神经网络模型进行训练，得到场景危害识别模型；其中，Xn表示第n个场景元素；n＝1,2,…,N；所述危害指数W由式(1)计算得到：
W＝ε·M+(1-ε)·S (1)
式(1)中，M是所述道路安全交通事故数据中的事故数，S是所述道路安全交通事故数据中事故的严重程度，ε是权重；
步骤2、拟合场景元素的概率分布，生成测试用例并计算权重：
步骤2.1、定义环境层、静物层、动态层、道路层，并将N个场景元素X1,X2,…,Xn,…,XN按照自然属性和物理属性划分到相应的层中；
步骤2.2、将N个场景元素X1,X2,…,Xn,…,XN中属于文字描述类型的场景元素进行量化后，得到离散型的场景元素值；
利用二项分布及其变体对离散型的场景元素值进行拟合，得出相应的概率分布函数；
利用高斯分布对连续型的场景元素值进行拟合，得出相应的概率密度函数；
步骤2.3、设置覆盖度约束，并按照N个场景元素的概率分布函数和概率密度函数生成I个测试用例，使得各类场景元素的覆盖率接近100％；
步骤2.4、将任意第i个测试用例中的N个场景元素作为所述场景危害识别模型的输入，从而得到第i个测试用例的危害指数Wi，利用式(2)计算第i个测试用例的权重ωi：
步骤3、确定评价的维度包括：安全性、预期功能安全性和舒适性；每个维度均对应有相应的指标，其中，安全性指标是根据测试用例的具体场景进行选择；预期功能安全性指标为相对驾驶安全指数RDSI，舒适性指标为影响人类体感和观感的因素集合；
步骤4、将整车模型在I个测试用例中进行测试，分析整车测试的数据结果并计算性能评价值：
步骤4.1、构建安全置信区间用于判断安全性：
步骤4.1.1、利用式(3)统计第j轮测试中第i个测试用例的单位里程事故数Yi j，从而得到第j轮测试中I个测试用例的单位里程事故数并作为第j轮的样本数据；
式(3)中，是第j轮测试中第i个测试用例的安全性指标超过阈值的次数，/>是第j轮测试中第i个测试用例的里程；
步骤4.1.2、当完成J轮测试后，利用J轮样本数据对泊松分布中的参数λ进行区间估计，从而利用式(4)得到置信度为1-α的置信区间(λmin,λmax)：
式(4)中，α是显著性水平，是J轮样本数据的均值，uα2是标准正态分布上侧α/2分位点；
对置信区间(λmin,λmax)进行偏移调整，得到调整后的置信区间(ξ·λmin,ξ·λmax)；其中，ξ是偏移率，且ξ∈[0,1]；
步骤4.1.3、根据所设定的危害事故发生率λ*进行安全性判断：
当λ*≤ξ·λmax，代表整车安全性测试不通过，整车性能待提高，并返回步骤4；
当λ*≥ξ·λmax，代表整车安全性测试通过，继续预期功能安全性和舒适性评价；
步骤4.2、基于行车安全场的预期功能安全性的量化评价：
步骤4.2.1：将整车的驾驶状态分为三种：当时，表示安全驾驶状态；当/>时，表示危险驾驶状态；当/>时，表示极危险驾驶状态；其中，/>和/>是危险驾驶状态的下限值和上限值；
以第i个测试用例的里程si作为自变量，相对驾驶安全指数RDSI为因变量，从而得到拟合后的RDSI变化线；
利用式(5)和式(6)分别对里程si进行积分，得第i个测试用例的危险状态值ri和总状态值Ri：
式(5)中，sk表示RDSI变化线分别与或/>的第k个交点；
式(6)中，s0和send是第i个测试用例的起、止里程；
步骤4.2.2、利用式(7)计算第i个测试用例的预期功能安全性的量化评价值Eso_i：
步骤4.2.3、利用式(8)计算预期功能安全性的量化评价值Eso：
步骤4.3、基于优劣解距离法的舒适性评价：
步骤4.3.1、对舒适性指标中的任意第e个因素xe，利用式(9)计算第e个因素xe的均方根值
式(9)中，t0、t1是测试的起、止时间；
步骤4.3.2、根据第e个因素xe的类型，选用不同的正向化函数，计算第e个因素xe的评价值
若第e个因素xe的类型为极大型指标且最优值为+∞或者第e个因素xe的类型为极小型指标且最优值为-∞，则利用式(10.1)进行正向化处理，得到第e个因素xe的评价值
若第e个因素xe的类型为极大型指标且最优值为b，则利用式(10.2)进行正向化处理，得到第e个因素xe的评价值
若第e个因素xe的类型为极小型指标且最优值为a，则利用式(10.3)进行正向化处理，得到第e个因素xe的评价值
若第e个因素xe的类型为中间型指标且最优值为m，则利用式(10.4)进行正向化处理，得到第e个因素xe的评价值
若第e个因素xe的类型为区间型指标且最优区间为[A,B]，首先进行区间变换，令新下界p＝[|A+B|-(B-A)]/2，新上界q＝[|A+B|+(B-A)]/2，在利用式(10.5)进行正向化处理，得到第e个因素xe的评价值
步骤4.3.3、利用式(11)计算第i个测试用例下的舒适性评价值Eco_i：
式(11)中，是人体对第e个因素xe的敏感指数；E表示因素总数；
步骤4.3.4、利用式(12)舒适性的评价值Eco：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110820459.6A CN113468670B (zh) | 2021-07-20 | 2021-07-20 | 一种自动驾驶车辆整车级别的性能评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110820459.6A CN113468670B (zh) | 2021-07-20 | 2021-07-20 | 一种自动驾驶车辆整车级别的性能评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113468670A CN113468670A (zh) | 2021-10-01 |
| CN113468670B true CN113468670B (zh) | 2023-11-03 |
Family
ID=77881310
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110820459.6A Active CN113468670B (zh) | 2021-07-20 | 2021-07-20 | 一种自动驾驶车辆整车级别的性能评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113468670B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114743076A (zh) * | 2022-04-22 | 2022-07-12 | 清华大学 | 一种自动驾驶图像处理评价方法、相关设备、介质及产品 |
| CN114862157B (zh) * | 2022-04-22 | 2024-09-06 | 同济大学 | 一种支持运行设计域评估的高等级自动驾驶系统评价方法 |
| CN114925597B (zh) * | 2022-04-25 | 2024-07-12 | 华东师范大学 | 一种智能车数字孪生模型建模的不确定性分析方法 |
| CN115662166B (zh) * | 2022-09-19 | 2024-04-09 | 长安大学 | 一种自动驾驶数据处理方法及自动驾驶交通系统 |
| CN116957344B (zh) * | 2023-09-20 | 2023-12-08 | 清华大学苏州汽车研究院（相城） | 自动紧急制动系统的安全性评价方法、装置、设备及介质 |
| CN117367788B (zh) * | 2023-12-08 | 2024-02-13 | 江苏梦天机电科技有限公司 | 一种新能源变速箱功能测试系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019213980A1 (zh) * | 2018-05-08 | 2019-11-14 | 清华大学 | 基于行车安全场的车辆智能安全决策方法 |
| CN110597711A (zh) * | 2019-08-26 | 2019-12-20 | 湖南大学 | 一种基于场景和任务的自动驾驶测试用例生成方法 |
| CN111580500A (zh) * | 2020-05-11 | 2020-08-25 | 吉林大学 | 一种针对自动驾驶汽车安全性的评价方法 |
| CN111666307A (zh) * | 2019-12-03 | 2020-09-15 | 张少军 | 根据场景观察进行直觉推断的无人驾驶安全判断系统 |
| CN112465395A (zh) * | 2020-12-15 | 2021-03-09 | 同济大学 | 一种面向自动驾驶汽车的多维度综合评价方法及装置 |
| CN112612288A (zh) * | 2020-12-29 | 2021-04-06 | 清华大学苏州汽车研究院（相城） | 一种用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法 |
| CN112631257A (zh) * | 2020-12-29 | 2021-04-09 | 清华大学苏州汽车研究院（相城） | 一种用于自动驾驶车辆误操作的预期功能安全测试评价方法 |
| CN112744223A (zh) * | 2021-01-18 | 2021-05-04 | 北京智能车联产业创新中心有限公司 | 自动驾驶车辆交叉路口表现评价方法及系统 |
-
2021
- 2021-07-20 CN CN202110820459.6A patent/CN113468670B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019213980A1 (zh) * | 2018-05-08 | 2019-11-14 | 清华大学 | 基于行车安全场的车辆智能安全决策方法 |
| CN110597711A (zh) * | 2019-08-26 | 2019-12-20 | 湖南大学 | 一种基于场景和任务的自动驾驶测试用例生成方法 |
| CN111666307A (zh) * | 2019-12-03 | 2020-09-15 | 张少军 | 根据场景观察进行直觉推断的无人驾驶安全判断系统 |
| CN111580500A (zh) * | 2020-05-11 | 2020-08-25 | 吉林大学 | 一种针对自动驾驶汽车安全性的评价方法 |
| CN112465395A (zh) * | 2020-12-15 | 2021-03-09 | 同济大学 | 一种面向自动驾驶汽车的多维度综合评价方法及装置 |
| CN112612288A (zh) * | 2020-12-29 | 2021-04-06 | 清华大学苏州汽车研究院（相城） | 一种用于自动驾驶车辆误/漏识别的预期功能安全风险评估方法 |
| CN112631257A (zh) * | 2020-12-29 | 2021-04-09 | 清华大学苏州汽车研究院（相城） | 一种用于自动驾驶车辆误操作的预期功能安全测试评价方法 |
| CN112744223A (zh) * | 2021-01-18 | 2021-05-04 | 北京智能车联产业创新中心有限公司 | 自动驾驶车辆交叉路口表现评价方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于交通事故的自动驾驶虚拟测试方法研究;张珊;王蕾;郭魁元;张嘉芮;刘少华;;中国汽车(05);全文 * |
| 用于自动驾驶汽车的汽车―骑车人事故场景分析;韩大双;马志雄;朱西产;曾宇凡;;汽车安全与节能学报(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113468670A (zh) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113468670B (zh) | 一种自动驾驶车辆整车级别的性能评价方法 | |
| CN108960426B (zh) | 基于bp神经网络的道路坡度综合估计系统 | |
| CN110796859A (zh) | 基于交通流的实时交通状态辨识及事故风险预警方法 | |
| CN109711691A (zh) | 一种基于熵权模糊综合评价模型的驾驶风格评价方法 | |
| CN106022561A (zh) | 驾驶行为综合评价方法 | |
| CN112541632A (zh) | 一种基于多属性决策的驾驶行为安全性评估方法 | |
| Peng et al. | Intelligent method for identifying driving risk based on V2V multisource big data | |
| CN110619482A (zh) | 基于逻辑回归和单层次分析赋权法的驾驶行为评分方法 | |
| Luo et al. | Research of Vehicle Rear‐End Collision Model considering Multiple Factors | |
| CN113642114B (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
| CN113954855A (zh) | 一种汽车驾驶模式自适应匹配方法 | |
| Zhou et al. | Objective Evaluation of Drivability in Passenger Cars with Dual‐Clutch Transmission: A Case Study of Static Gearshift Condition | |
| CN116700217A (zh) | 一种车辆跟车控制算法的性能评价方法、装置和存储介质 | |
| CN115771506A (zh) | 基于乘员风险认知的车辆行驶策略的确定方法和装置 | |
| Li et al. | Modeling and verification of heavy-duty truck drivers’ car-following characteristics | |
| Zhao et al. | Correlations between subjective and objective evaluations of on-center steering feel | |
| CN110751054B (zh) | 一种异常驾驶行为的检测系统 | |
| Liu et al. | Driving intention identification based on long short-term memory neural network | |
| CN109118034B (zh) | 驾驶行为三维定量综合评价方法 | |
| CN111950867A (zh) | 一种突发水环境污染应急的技术评估方法 | |
| CN113902276A (zh) | 一种驾驶行为综合评分计算方法 | |
| Xiong et al. | Subjective evaluation of vehicle active safety using PreScan and Simulink: Lane departure warning system as an example | |
| Xiong et al. | A Multi-Level Risk Framework for Driving Safety Assessment Based on Vehicle Trajectory | |
| Ruiwen et al. | Research on a Comprehensive Evaluation System for Driving Behavior by Introducing Fuzzy Evaluation Based on Natural Driving Data | |
| Luo et al. | Modeling analysis of improved minimum safe following distance under Internet of vehicles |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |