CN113485301B - 自动驾驶汽车控制系统的预期功能安全性能的量化评价方法 - Google Patents

自动驾驶汽车控制系统的预期功能安全性能的量化评价方法 Download PDF

Info

Publication number
CN113485301B
CN113485301B CN202110818881.8A CN202110818881A CN113485301B CN 113485301 B CN113485301 B CN 113485301B CN 202110818881 A CN202110818881 A CN 202110818881A CN 113485301 B CN113485301 B CN 113485301B
Authority
CN
China
Prior art keywords
transient response
output parameter
control system
scene
accident
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
Application number
CN202110818881.8A
Other languages
English (en)
Other versions
CN113485301A (zh
Inventor
白先旭
左瑜
李维汉
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202110818881.8A priority Critical patent/CN113485301B/zh
Publication of CN113485301A publication Critical patent/CN113485301A/zh
Application granted granted Critical
Publication of CN113485301B publication Critical patent/CN113485301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种自动驾驶汽车控制系统的预期功能安全性能的量化评价方法，包括：收集并处理与自动驾驶汽车控制系统预期功能安全相关的事故场景数据；构建控制系统预期功能安全相关的逻辑场景并生成测试用例；控制系统在测试用例中进行仿真测试；采用事故严重度与事故概率相结合的方法计算输出参数性能及评价指标的权重；计算控制系统在该用例测试中的量化评价分数。通过该自动驾驶汽车控制系统的预期功能安全量化评价方法可以分析自动驾驶汽车控制系统中预期功能安全相关的安全问题，并可以客观量化的评价自动驾驶汽车控制系统预期功能安全性能的优劣。

Description

自动驾驶汽车控制系统的预期功能安全性能的量化评价方法
技术领域
本发明涉及无人驾驶测试技术领域，具体涉及一种自动驾驶汽车控制系统的预期功能安全性能的量化评价方法。
背景技术
据统计，94％的道路交通事故是由驾驶员导致的，相对于人类驾驶而言，自动驾驶汽车不存在疲劳、超速、酒驾等违法行为，可减少大量道路交通事故。在自动驾驶技术领域，除了信息安全和功能安全之外，预期功能的安全性也逐渐引起人们的重视。预期功能安全强调的是避免因为预期的功能表现局限、性能不够而导致不合理的风险。由于自动驾驶车辆引发的安全事故，99％均来自预期功能安全。目前，国内对预期功能安全的研究处于起步阶段，没有一套成熟、完整的评价体系。
自动驾驶汽车控制系统决定着汽车能否运动，能否良好运动，其主要包括横向控制和纵向控制。传统的车辆控制系统评价主要是考虑控制系统的响应性能或稳定性的定性评价，未考虑控制系统的预期功能安全，且没有一个量化的评价方法。在自动驾驶汽车中，由于控制系统或控制算法自身存在缺陷、人员误操作、系统非预期的误响应等均可能导致危险，属于自动驾驶汽车控制系统的预期功能安全范畴。对自动驾驶汽车控制系统的预期功能安全性能进行一个科学的量化评价，是目前急需解决的问题。
发明内容
本发明的目的是针对现有技术中的问题，提供一种自动驾驶汽车控制系统的预期功能安全性能的量化评价方法，以其能分析自动驾驶汽车控制系统中预期功能安全相关的安全问题，并可以客观量化地评价自动驾驶汽车控制系统预期功能安全性能的优劣，从而得知自动驾驶汽车控制系统抵抗未知风险的能力。
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汽车控制系统的预期功能安全性能的量化评价方法，所述预期功能安全性能包括：自动驾驶汽车的横向输出参数响应性能和纵向输出参数响应性能，其特点在于，所述量化评价方法包括以下步骤：
步骤1、收集并处理数据；
步骤1.1、收集与所述预期功能安全性能相关的N个事故场景构成事故场景数据集X＝{X1,X2,...,Xn,...,XN}；其中，Xn表示第n个事故场景，且
Figure GDA0003573082230000011
Figure GDA0003573082230000012
表示第n个事故场景Xn中第m个场景元素；M表示场景元素数量；
步骤1.2、对事故场景数据集X中的N个事故场景进行聚类，得到I类场景子集{S1,S2,...,Si,...,SI}，其中，Si表示第i类场景子集；
步骤1.3、对第i类场景子集Si中的场景进行特征提取，得到第i类场景子集Si的特征场景元素集
Figure GDA0003573082230000021
其中，
Figure GDA0003573082230000022
表示第i类场景子集Si的第b个特征场景元素，Bi表示第i类场景子集中特征场景元素的数量；
步骤2、测试用例的泛化生成；
步骤2.1、根据I类事故场景子集，构建第i类场景子集Si的逻辑场景；
步骤2.2、确定第i类逻辑场景中第b个特征场景元素
Figure GDA0003573082230000023
的范围为
Figure GDA0003573082230000024
并从
Figure GDA0003573082230000025
中随机生成若干个
Figure GDA0003573082230000026
的值作为相应的具体场景，从而得到I类逻辑场景生成K个具体场景；
Figure GDA0003573082230000027
表示若干个
Figure GDA0003573082230000028
中的最小值，
Figure GDA0003573082230000029
表示若干个
Figure GDA00035730822300000210
中的最大值；
步骤2.3、将K个具体场景转换为K个测试用例，从而形成自动驾驶汽车控制系统的预期功能安全相关的测试用例库；
步骤3、控制系统场景仿真测试；
步骤3.1、使用测试用例库中的第j个测试用例对自动驾驶汽车控制系统进行仿真测试；
步骤3.2、采集并记录仿真测试后的自动驾驶汽车控制系统的横向输出参数在时域上的瞬态响应指标，包括：第j个横向输出参数瞬态响应的上升时间
Figure GDA00035730822300000211
第j个横向输出参数瞬态响应的超调量
Figure GDA00035730822300000212
第j个横向输出参数瞬态响应的振荡次数
Figure GDA00035730822300000213
步骤3.3、采集并记录测试后的自动驾驶汽车控制系统的纵向输出参数在时域上的瞬态响应指标，包括：第j个纵向输出参数瞬态响应的上升时间
Figure GDA00035730822300000214
第j个纵向输出参数瞬态响应的超调量
Figure GDA00035730822300000215
第j个纵向输出参数瞬态响应的振荡次数
Figure GDA00035730822300000216
步骤4、计算各个输出参数评价指标分数及其权重；
步骤4.1、统计事故场景数据集X中与各个输出参数及其瞬态响应指标有关的事故平均严重度s及其数量c；
计算与各个输出参数及其瞬态响应指标有关的事故概率
Figure GDA00035730822300000217
其中，事故平均严重度s按严重度由小到大分为1～C，共C个量化等级；
步骤4.2、计算各个输出参数评价指标分数：
步骤4.2.1、利用式(1)和式(2)分别计算第j个横向输出参数的瞬态响应的快速性
Figure GDA0003573082230000031
和纵向输出参数的瞬态响应的快速性
Figure GDA0003573082230000032
Figure GDA0003573082230000033
Figure GDA0003573082230000034
式(1)和式(2)中，
Figure GDA0003573082230000035
分别为第j个横向输出参数、纵向输出参数的瞬态响应的预设最大上升时间；
步骤4.2.2、利用式(3)和式(4)分别计算第j个横向输出参数的瞬态响应的准确性
Figure GDA0003573082230000036
和纵向输出参数的瞬态响应的准确性
Figure GDA0003573082230000037
Figure GDA0003573082230000038
Figure GDA0003573082230000039
式(3)和式(4)中，
Figure GDA00035730822300000310
分为第j个横向输出参数、纵向输出参数的预设最大超调量；
步骤4.2.3、利用式(5)和式(6)分别计算第j个横向输出参数的瞬态响应的稳定性
Figure GDA00035730822300000311
和纵向输出参数的瞬态响应的稳定性
Figure GDA00035730822300000312
Figure GDA00035730822300000313
Figure GDA00035730822300000314
式(5)和式(6)中，
Figure GDA00035730822300000315
分别为第j个横向输出参数、纵向输出参数瞬态响应的预设最大振荡次数；
步骤4.3、利用式(7)计算输出参数的瞬态响应性能的权重q：
Figure GDA0003573082230000041
式(7)中，q11、q12、q13分别为横向输出参数的瞬态响应的快速性权重、准确性权重、稳定性权重；q21、q22、q23分别为纵向输出参数的瞬态响应的快速性权重、准确性权重、稳定性权重；s11、s12、s13分别为由于横向输出参数的瞬态响应的快速性、准确性以及稳定性导致事故的平均严重度；s21、s22、s23由于纵向输出参数的瞬态响应的快速性、准确性以及稳定性导致事故的平均严重度；p11、p12、p13为与横向输出参数的瞬态响应的快速性、准确性以及稳定性有关的事故的概率；p21、p22、p23为与纵向输出参数的瞬态响应的快速性、准确性以及稳定性有关的事故的概率；
步骤5、计算各个输出参数瞬态响应性能及其权重：
步骤5.1、利用式(8)和式(9)分别计算第j个横向输出参数的瞬态响应性能
Figure GDA0003573082230000042
和纵向输出参数的瞬态响应性能
Figure GDA0003573082230000043
Figure GDA0003573082230000044
Figure GDA0003573082230000045
步骤5.2、利用式(10)计算输出参数瞬态响应性能的权重矩阵ω：
Figure GDA0003573082230000046
式(10)中，ω1为横向输出参数的瞬态响应性能的权重；ω2为纵向输出参数的瞬态响应性能的权重；s1为由于横向输出参数的瞬态响应性能导致事故的平均严重度；s2为由于纵向输出参数的瞬态响应性能导致事故的平均严重度；p1为由于横向输出参数的瞬态响应性能导致事故的概率；p2为由于纵向输出参数的瞬态响应性能导致事故的概率；
步骤6、自动驾驶汽车控制系统的预期功能安全量化评价分数计算：
步骤6.1、选择不同的测试用例，重复步骤3-步骤5，直到所有测试用例测试完毕；并统计整个测试过程中，自动驾驶汽车控制系统的错误响应次数me，从而计算错误响应率
Figure GDA0003573082230000051
步骤6.2、利用式(11)计算自动驾驶汽车控制系统在第j个测试用例中测试所得的评价分数Aj：
Figure GDA0003573082230000052
步骤6.3、利用式(12)计算自动驾驶汽车控制系统的预期功能安全量化评价分数
Figure GDA0003573082230000053
Figure GDA0003573082230000054
步骤6.4、以所述预期功能安全量化评价分数
Figure GDA0003573082230000055
作为自动驾驶汽车控制系统的预期功能安全的量化评价结果。
与现有技术相比，本发明的有益效果在于：
1、本发明的量化评价方法可确定控制系统预期功能安全相关的事故逻辑场景，根据确定的逻辑场景，可构建控制系统的预期功能安全相关的测试用例库，并在虚拟仿真软件中对控制系统进行仿真测试，对输出参数响应情况进行量化评价得到控制系统的预期功能安全性能评价分数，从而可以对自动驾驶汽车控制系统的预期功能安全性能进行评价，由此得知自动驾驶汽车控制系统的预期功能安全性能优劣，进而得知自动驾驶汽车控制系统抵抗未知风险的能力。
2、本发明在评价中根据输出参数及输出参数评价指标所导致事故的严重度和事故概率引入相应的权重，使评价结果更加综合客观。
附图说明
图1为本发明量化评价方法的流程图。
具体实施方式
本实施例中，预期功能安全性能包括：自动驾驶汽车的横向输出参数响应性能和纵向输出参数响应性能，如图1所示，一种用于自动驾驶汽车控制系统的预期功能安全性能的量化评价方法包括如下步骤：
步骤1、收集并处理数据；
步骤1.1、从网上公开的KITTI、Cityscapes、Mapillary、ApolloScape等驾驶场景数据集中收集与预期功能安全性能相关的N个事故场景构成事故场景数据集X＝{X1,X2,...,Xn,...,XN}；其中，Xn表示第n个事故场景，且
Figure GDA0003573082230000061
Figure GDA0003573082230000062
表示第n个事故场景Xn中第m个场景元素；M表示场景元素数量；本实施例中，选取N＝1000个事故场景，构成事故场景数据集X＝{X1,X2,...,Xn,...,X1000}；
步骤1.2、对事故场景数据集X中的1000个事故场景进行聚类，得到I类场景子集{S1,S2,...,Si,...,SI}，其中，Si表示第i类场景子集；本实施例中，选取I＝10，即得到10类场景子集；
步骤1.3、对第i类场景子集Si中的场景进行特征提取，即筛选出场景子集中所有场景的场景元素值不相等的场景元素，得到第i类场景子集Si的特征场景元素集
Figure GDA0003573082230000063
其中，
Figure GDA0003573082230000064
表示第i类场景子集Si的第b个特征场景元素，Bi表示第i类场景子集中特征场景元素的数量；
步骤2、测试用例的泛化生成；
步骤2.1、根据I＝10类事故场景子集，构建第i类场景子集Si的逻辑场景；
步骤2.2、确定第i类逻辑场景中第b个特征场景元素
Figure GDA0003573082230000065
的范围为
Figure GDA0003573082230000066
并从
Figure GDA0003573082230000067
中随机生成若干个
Figure GDA0003573082230000068
的值作为相应的具体场景，从而得到10类逻辑场景生成K个具体场景；
Figure GDA0003573082230000069
表示
Figure GDA00035730822300000610
可取的最小值，
Figure GDA00035730822300000611
表示
Figure GDA00035730822300000612
可取的最大值；本实施例中，选取K＝5000，即生成5000个具体场景；
步骤2.3、将5000个具体场景转换为5000个测试用例，从而形成自动驾驶汽车控制系统的预期功能安全相关的测试用例库；
步骤3、控制系统场景仿真测试；
步骤3.1、在PreScan、CARLA、VTD等虚拟仿真软件中使用测试用例库中的第j个测试用例对自动驾驶汽车控制系统进行仿真测试；
步骤3.2、采集并记录仿真测试后的自动驾驶汽车控制系统的横向输出参数在时域上的瞬态响应指标，包括：第j个横向输出参数瞬态响应的上升时间
Figure GDA0003573082230000071
第j个横向输出参数瞬态响应的超调量
Figure GDA0003573082230000072
第j个横向输出参数瞬态响应的振荡次数
Figure GDA0003573082230000073
本实施例中，横向输出参数选取汽车的横摆角速度；
步骤3.3、采集并记录测试后的自动驾驶汽车控制系统的纵向输出参数在时域上的瞬态响应指标，包括：第j个纵向输出参数瞬态响应的上升时间
Figure GDA0003573082230000074
第j个纵向输出参数瞬态响应的超调量
Figure GDA0003573082230000075
第j个纵向输出参数瞬态响应的振荡次数
Figure GDA0003573082230000076
本实施例中，纵向输出参数选取汽车的纵向加速度；
步骤4、计算各个输出参数评价指标分数及其权重；
步骤4.1、统计事故场景数据集X中与各个输出参数及其瞬态响应指标有关的事故平均严重度s及其数量c；
计算与各个输出参数及其瞬态响应指标有关的事故概率
Figure GDA0003573082230000077
其中，事故平均严重度s按严重度由小到大分为1～C，共C个量化等级；本实施例中，选取C＝4，即严重度由小到大分为1、2、3、4，四个等级；
步骤4.2、计算各个输出参数评价指标分数：
步骤4.2.1、利用式(1)和式(2)分别计算第j个横向输出参数的瞬态响应的快速性
Figure GDA0003573082230000078
和纵向输出参数的瞬态响应的快速性
Figure GDA0003573082230000079
Figure GDA00035730822300000710
Figure GDA00035730822300000711
式(1)和式(2)中，
Figure GDA00035730822300000712
分别为第j个横向输出参数、纵向输出参数的瞬态响应的预设最大上升时间；
步骤4.2.2、利用式(3)和式(4)分别计算第j个横向输出参数的瞬态响应的准确性
Figure GDA00035730822300000713
和纵向输出参数的瞬态响应的准确性
Figure GDA00035730822300000714
Figure GDA0003573082230000081
Figure GDA0003573082230000082
式(3)和式(4)中，
Figure GDA0003573082230000083
分为第j个横向输出参数、纵向输出参数的预设最大超调量；
步骤4.2.3、利用式(5)和式(6)分别计算第j个横向输出参数的瞬态响应的稳定性
Figure GDA0003573082230000084
和纵向输出参数的瞬态响应的稳定性
Figure GDA0003573082230000085
Figure GDA0003573082230000086
Figure GDA0003573082230000087
式(5)和式(6)中，
Figure GDA0003573082230000088
分别为第j个横向输出参数、纵向输出参数瞬态响应的预设最大振荡次数；
步骤4.3、利用式(7)计算输出参数的瞬态响应性能的权重q：
Figure GDA0003573082230000089
式(7)中，q11、q12、q13分别为横向输出参数的瞬态响应的快速性权重、准确性权重、稳定性权重；q21、q22、q23分别为纵向输出参数的瞬态响应的快速性权重、准确性权重、稳定性权重；s11、s12、s13分别为由于横向输出参数的瞬态响应的快速性、准确性以及稳定性导致事故的平均严重度；s21、s22、s23由于纵向输出参数的瞬态响应的快速性、准确性以及稳定性导致事故的平均严重度；p11、p12、p13为与横向输出参数的瞬态响应的快速性、准确性以及稳定性有关的事故的概率；p21、p22、p23为与纵向输出参数的瞬态响应的快速性、准确性以及稳定性有关的事故的概率；
步骤5、计算各个输出参数瞬态响应性能及其权重：
步骤5.1、利用式(8)和式(9)分别计算第j个横向输出参数的瞬态响应性能
Figure GDA0003573082230000091
和纵向输出参数的瞬态响应性能
Figure GDA0003573082230000092
Figure GDA0003573082230000093
Figure GDA0003573082230000094
步骤5.2、利用式(10)计算输出参数瞬态响应性能的权重矩阵ω：
Figure GDA0003573082230000095
式(10)中，ω1为横向输出参数的瞬态响应性能的权重；ω2为纵向输出参数的瞬态响应性能的权重；s1为由于横向输出参数的瞬态响应性能导致事故的平均严重度；s2为由于纵向输出参数的瞬态响应性能导致事故的平均严重度；p1为由于横向输出参数的瞬态响应性能导致事故的概率；p2为由于纵向输出参数的瞬态响应性能导致事故的概率；
步骤6、自动驾驶汽车控制系统的预期功能安全量化评价分数计算：
步骤6.1、选择不同的测试用例，重复步骤3-步骤5，直到所有测试用例测试完毕；并统计整个测试过程中，自动驾驶汽车控制系统的错误响应次数me，从而计算错误响应率
Figure GDA0003573082230000096
步骤6.2、利用式(11)计算自动驾驶汽车控制系统在第j个测试用例中测试所得的评价分数Aj：
Figure GDA0003573082230000097
步骤6.3、利用式(12)计算自动驾驶汽车控制系统的预期功能安全量化评价分数
Figure GDA0003573082230000098
Figure GDA0003573082230000101
步骤6.4、以预期功能安全量化评价分数
Figure GDA0003573082230000102
作为自动驾驶汽车控制系统的预期功能安全的量化评价结果。

Claims (1)

1.一种自动驾驶汽车控制系统的预期功能安全性能的量化评价方法，所述预期功能安全性能包括：自动驾驶汽车的横向输出参数响应性能和纵向输出参数响应性能，其特征在于，所述量化评价方法包括以下步骤：
步骤1、收集并处理数据；
步骤1.1、收集与所述预期功能安全性能相关的N个事故场景构成事故场景数据集X＝{X1,X2,...,Xn,...,XN}；其中，Xn表示第n个事故场景，且
Figure FDA0003573082220000011
Figure FDA0003573082220000012
表示第n个事故场景Xn中第m个场景元素；M表示场景元素数量；
步骤1.2、对事故场景数据集X中的N个事故场景进行聚类，得到I类场景子集{S1,S2,...,Si,...,SI}，其中，Si表示第i类场景子集；
步骤1.3、对第i类场景子集Si中的场景进行特征提取，得到第i类场景子集Si的特征场景元素集
Figure FDA0003573082220000013
其中，
Figure FDA0003573082220000014
表示第i类场景子集Si的第b个特征场景元素，Bi表示第i类场景子集中特征场景元素的数量；
步骤2、测试用例的泛化生成；
步骤2.1、根据I类事故场景子集，构建第i类场景子集Si的逻辑场景；
步骤2.2、确定第i类逻辑场景中第b个特征场景元素
Figure FDA0003573082220000015
的范围为
Figure FDA0003573082220000016
并从
Figure FDA0003573082220000017
中随机生成若干个
Figure FDA0003573082220000018
的值作为相应的具体场景，从而得到I类逻辑场景生成K个具体场景；
Figure FDA0003573082220000019
表示若干个
Figure FDA00035730822200000110
中的最小值，
Figure FDA00035730822200000111
表示若干个
Figure FDA00035730822200000112
中的最大值；
步骤2.3、将K个具体场景转换为K个测试用例，从而形成自动驾驶汽车控制系统的预期功能安全相关的测试用例库；
步骤3、控制系统场景仿真测试；
步骤3.1、使用测试用例库中的第j个测试用例对自动驾驶汽车控制系统进行仿真测试；
步骤3.2、采集并记录仿真测试后的自动驾驶汽车控制系统的横向输出参数在时域上的瞬态响应指标，包括：第j个横向输出参数瞬态响应的上升时间
Figure FDA00035730822200000113
第j个横向输出参数瞬态响应的超调量
Figure FDA00035730822200000114
第j个横向输出参数瞬态响应的振荡次数
Figure FDA00035730822200000115
步骤3.3、采集并记录测试后的自动驾驶汽车控制系统的纵向输出参数在时域上的瞬态响应指标，包括：第j个纵向输出参数瞬态响应的上升时间
Figure FDA00035730822200000116
第j个纵向输出参数瞬态响应的超调量
Figure FDA0003573082220000021
第j个纵向输出参数瞬态响应的振荡次数
Figure FDA0003573082220000022
步骤4、计算各个输出参数评价指标分数及其权重；
步骤4.1、统计事故场景数据集X中与各个输出参数及其瞬态响应指标有关的事故平均严重度s及其数量c；
计算与各个输出参数及其瞬态响应指标有关的事故概率
Figure FDA0003573082220000023
其中，事故平均严重度s按严重度由小到大分为1～C，共C个量化等级；
步骤4.2、计算各个输出参数评价指标分数：
步骤4.2.1、利用式(1)和式(2)分别计算第j个横向输出参数的瞬态响应的快速性
Figure FDA0003573082220000024
和纵向输出参数的瞬态响应的快速性
Figure FDA0003573082220000025
Figure FDA0003573082220000026
Figure FDA0003573082220000027
式(1)和式(2)中，
Figure FDA0003573082220000028
分别为第j个横向输出参数、纵向输出参数的瞬态响应的预设最大上升时间；
步骤4.2.2、利用式(3)和式(4)分别计算第j个横向输出参数的瞬态响应的准确性
Figure FDA0003573082220000029
和纵向输出参数的瞬态响应的准确性
Figure FDA00035730822200000210
Figure FDA00035730822200000211
Figure FDA00035730822200000212
式(3)和式(4)中，
Figure FDA00035730822200000213
分为第j个横向输出参数、纵向输出参数的预设最大超调量；
步骤4.2.3、利用式(5)和式(6)分别计算第j个横向输出参数的瞬态响应的稳定性
Figure FDA00035730822200000214
和纵向输出参数的瞬态响应的稳定性
Figure FDA00035730822200000215
Figure FDA0003573082220000031
Figure FDA0003573082220000032
式(5)和式(6)中，
Figure FDA0003573082220000033
分别为第j个横向输出参数、纵向输出参数瞬态响应的预设最大振荡次数；
步骤4.3、利用式(7)计算输出参数的瞬态响应性能的权重q：
Figure FDA0003573082220000034
式(7)中，q11、q12、q13分别为横向输出参数的瞬态响应的快速性权重、准确性权重、稳定性权重；q21、q22、q23分别为纵向输出参数的瞬态响应的快速性权重、准确性权重、稳定性权重；s11、s12、s13分别为由于横向输出参数的瞬态响应的快速性、准确性以及稳定性导致事故的平均严重度；s21、s22、s23由于纵向输出参数的瞬态响应的快速性、准确性以及稳定性导致事故的平均严重度；p11、p12、p13为与横向输出参数的瞬态响应的快速性、准确性以及稳定性有关的事故的概率；p21、p22、p23为与纵向输出参数的瞬态响应的快速性、准确性以及稳定性有关的事故的概率；
步骤5、计算各个输出参数瞬态响应性能及其权重：
步骤5.1、利用式(8)和式(9)分别计算第j个横向输出参数的瞬态响应性能
Figure FDA0003573082220000035
和纵向输出参数的瞬态响应性能
Figure FDA0003573082220000036
Figure FDA0003573082220000037
Figure FDA0003573082220000038
步骤5.2、利用式(10)计算输出参数瞬态响应性能的权重矩阵ω：
Figure FDA0003573082220000041
式(10)中，ω1为横向输出参数的瞬态响应性能的权重；ω2为纵向输出参数的瞬态响应性能的权重；s1为由于横向输出参数的瞬态响应性能导致事故的平均严重度；s2为由于纵向输出参数的瞬态响应性能导致事故的平均严重度；p1为由于横向输出参数的瞬态响应性能导致事故的概率；p2为由于纵向输出参数的瞬态响应性能导致事故的概率；
步骤6、自动驾驶汽车控制系统的预期功能安全量化评价分数计算：
步骤6.1、选择不同的测试用例，重复步骤3-步骤5，直到所有测试用例测试完毕；并统计整个测试过程中，自动驾驶汽车控制系统的错误响应次数me，从而计算错误响应率
Figure FDA0003573082220000042
步骤6.2、利用式(11)计算自动驾驶汽车控制系统在第j个测试用例中测试所得的评价分数Aj：
Figure FDA0003573082220000043
步骤6.3、利用式(12)计算自动驾驶汽车控制系统的预期功能安全量化评价分数
Figure FDA0003573082220000044
Figure FDA0003573082220000045
步骤6.4、以所述预期功能安全量化评价分数
Figure FDA0003573082220000046
作为自动驾驶汽车控制系统的预期功能安全的量化评价结果。
CN202110818881.8A 2021-07-20 2021-07-20 自动驾驶汽车控制系统的预期功能安全性能的量化评价方法 Active CN113485301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110818881.8A CN113485301B (zh) 2021-07-20 2021-07-20 自动驾驶汽车控制系统的预期功能安全性能的量化评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110818881.8A CN113485301B (zh) 2021-07-20 2021-07-20 自动驾驶汽车控制系统的预期功能安全性能的量化评价方法

Publications (2)

Publication Number Publication Date
CN113485301A CN113485301A (zh) 2021-10-08
CN113485301B true CN113485301B (zh) 2022-05-17

Family

ID=77941524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110818881.8A Active CN113485301B (zh) 2021-07-20 2021-07-20 自动驾驶汽车控制系统的预期功能安全性能的量化评价方法

Country Status (1)

Country Link
CN (1) CN113485301B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115601856B (zh) * 2022-12-15 2023-04-18 中国汽车技术研究中心有限公司 自动驾驶系统预期功能安全测试场景确定方法和设备
CN116107915B (zh) * 2023-04-14 2023-06-30 国汽(北京)智能网联汽车研究院有限公司 车辆高速公路巡航功能安全可控性指标的量化方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016143491A1 (ja) * 2015-03-11 2016-09-15 株式会社堀場製作所 模擬運転システム及び制御装置
CN109885870A (zh) * 2019-01-09 2019-06-14 同济大学 一种用于自动驾驶汽车预期功能安全的验证方法及系统
CN111580500B (zh) * 2020-05-11 2022-04-12 吉林大学 一种针对自动驾驶汽车安全性的评价方法
CN112613169B (zh) * 2020-12-16 2022-12-06 清华大学苏州汽车研究院（相城） 一种用于自动驾驶车辆误操作的预期功能安全分析方法
CN112631257B (zh) * 2020-12-29 2021-12-17 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

Also Published As

Publication number Publication date
CN113485301A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN108986869B (zh) 一种使用多模型预测的磁盘故障检测方法
CN113485301B (zh) 自动驾驶汽车控制系统的预期功能安全性能的量化评价方法
CN110009171B (zh) 用户行为模拟方法、装置、设备及计算机可读存储介质
CN112039903B (zh) 基于深度自编码神经网络模型的网络安全态势评估方法
CN110562261B (zh) 一种基于马尔可夫模型检测驾驶员风险等级的方法
WO2024067387A1 (zh) 基于特征变量评分的用户画像生成方法，设备、汽车及存储介质
CN107025468A (zh) 基于pca‑ga‑svm算法的高速公路拥堵识别方法
CN110588658A (zh) 一种基于综合模型检测驾驶员风险等级的方法
CN114299742B (zh) 一种高速公路的限速信息动态识别与更新推荐方法
CN110636066A (zh) 基于无监督生成推理的网络安全威胁态势评估方法
CN109784586B (zh) 车险的出险情况的预测方法及系统
CN113221946B (zh) 一种机械设备故障种类的诊断方法
CN113642114A (zh) 可犯错的拟人化随机跟车驾驶行为建模方法
CN110705628B (zh) 一种基于隐马尔可夫模型检测驾驶员风险等级的方法
CN112308136A (zh) 一种基于SVM-Adaboost的驾驶分心检测方法
CN115563020B (zh) 危险测试场景的生成方法及系统、电子设备、存储介质
CN115855502A (zh) 一种基于属性编码的零样本旋转机械故障诊断方法
CN116304551A (zh) 一种基于bcb模型的电机轴承故障诊断及特征提取方法
CN111881988B (zh) 基于少数类过采样方法的异质不平衡数据故障检测方法
CN108053093A (zh) 一种基于平均影响值数据变换的k-近邻故障诊断方法
CN114863210A (zh) 桥梁结构健康监测数据驱动模型的对抗样本攻击方法及系统
CN113792141A (zh) 基于协方差度量因子的特征选择方法
Sun et al. Freeway traffic safety state classification method based on multi-parameter fusion clustering
Xing et al. Optimizing longitudinal control model parameters of connected and automated vehicles using empirical trajectory data of human drivers in risky car-following scenarios
CN106056140A (zh) 基于人工智能有监督学习线性回归方法建立不同车型分工况远程定损系统及方法

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