CN113779705A - 一种自动驾驶汽车智能等级评定方法及系统 - Google Patents

一种自动驾驶汽车智能等级评定方法及系统 Download PDF

Info

Publication number
CN113779705A
CN113779705A CN202111144790.7A CN202111144790A CN113779705A CN 113779705 A CN113779705 A CN 113779705A CN 202111144790 A CN202111144790 A CN 202111144790A CN 113779705 A CN113779705 A CN 113779705A
Authority
CN
China
Prior art keywords
vehicle
index
intelligent
information
automobile
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.)
Pending
Application number
CN202111144790.7A
Other languages
English (en)
Inventor
高洪波
吕航
朱菊萍
周俊杰
何希
王成才
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.)
Institute of Advanced Technology University of Science and Technology of China
Original Assignee
Institute of Advanced Technology University of Science and Technology of China
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 Institute of Advanced Technology University of Science and Technology of China filed Critical Institute of Advanced Technology University of Science and Technology of China
Priority to CN202111144790.7A priority Critical patent/CN113779705A/zh
Publication of CN113779705A publication Critical patent/CN113779705A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种自动驾驶汽车智能等级评定方法及系统，包括：步骤S1：被测车辆在网联测试场中自动行驶，将自动行驶过程中的数据融合信息和行为决策信息上传到仿真平台；步骤S2：仿真平台根据被测车辆的数据融合信息和行为决策信息实时建立驾驶环境以及车辆的数字孪生体；步骤S3：通过车辆数字孪生体在数字场景中表现，基于预设指标权重，得到被测汽车智能等级评价。本发买那个智能汽车通过V2X技术将“车‑人‑环境”构成一个紧密相连的整体，逐步的解放驾驶员的双手双脚，让车能自动应对各种驾驶环境。

Description

一种自动驾驶汽车智能等级评定方法及系统
技术领域
本发明涉及自动驾驶车测试技术领域，具体地，涉及一种自动驾驶汽车智能等级评定方法及系统，更为具体地，涉及基于数字孪生的网联测试场对自动驾驶汽车智能等级的评定方法。
背景技术
相比于传统型驾驶汽车，智能自动驾驶汽车的特点之一就是将“人-车-环境”三者紧密结合，在不断改进智能汽车的过程中逐步减弱人在整个系统中的作用，直至实现完全的无人驾驶。
现阶段要想实现真正的无人驾驶还有着一段路程要走，而在这段路程中需要一个自动驾驶测试场来准确检测出目前研发出来智能汽车的智能化等级。对智能汽车最直接最有效的方法就是让汽车在测试场的各种复杂的路段进行行驶测试，但是由于土地资源比较宝贵，大面积长路段的测试场的建设成本比较昂贵，并且城市以及乡村的各种复杂路段的还原度有限，所以单纯的实际场地测试会导致测试场的建设成本高但测试效率并没有想象中的理想。为了缩短有效测试路段的长度或面积，并且弥补测试场的真实度和丰富性，非常有必要增设仿真模拟测试部分。本发明便是讨论一种在完全网联的测试环境下自动驾驶测试场实时获取车路等环境信息对自动驾驶汽车进行智能化等级划分的方法。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种自动驾驶汽车智能等级评定方法及系统。
根据本发明提供的一种自动驾驶汽车智能等级评定方法，包括：
步骤S1：被测车辆在网联测试场中自动行驶，将自动行驶过程中的数据融合信息和行为决策信息上传到仿真平台；
步骤S2：仿真平台根据被测车辆的数据融合信息和行为决策信息实时建立驾驶环境以及车辆的数字孪生体；
步骤S3：通过车辆数字孪生体在数字场景中表现，基于预设指标权重，得到被测汽车智能等级评价。
优选地，所述步骤S1包括：
步骤S1.1：被测车辆在网联测试场中自动行驶，车辆通过传感器技术获取车辆自身的行驶状况；通过V2X技术获取驾驶场景中人、车、路和网络信息；
步骤S1.2：将获取的车辆自身的行驶状况以及通过V2X技术获取的多维场景信息进行数据融合，得到数据融合信息；
步骤S1.3：将数据融合信息利用决策控制算法得到行为决策信息。
优选地，所述步骤S2包括：
步骤S2.1：仿真平台根据车辆数据融合信息构建1：1的数字场景模型；
步骤S2.2：仿真平台根据车辆自身信息和行为决策信息在数字场景模型中仿真出被测车辆的数字孪生体。
优选地，所述步骤S3包括：
步骤S3.1：通过车辆数字孪生体在数字场景中表现，并基于自动汽车需求功能偏重选择若干个指标并赋予指标权重，得到被测车辆的三级汽车智能化评价指标分数；
步骤S3.2：根据得到的被测车辆的三级汽车智能化评价指标分数，基于预设的一级和二级汽车智能等级评价指标权重计算二级指标分数、一级指标分数以及被测车辆得到的总分；
步骤S3.3：预设智能等级的总分区间，基于被测车辆的总分得到车辆最终的智能等级。
优选地，所述步骤S3.2包括：
二级指标分数包括：
Figure BDA0003285050170000021
其中，nij表示三级指标的数量；Cijk表示三级指标分数，其中i表示一级指标序号；j表示二级指标序号；k表示三级指标序号；γijk表示第i项一级指标中第j项二级指标中第k项三级指标的权重；βij表示第i项一级指标中第j项二级指标的权重；
所述一级指标分数包括：
Figure BDA0003285050170000031
其中，ai表示被测车辆总体评价中第i项一级指标的权重；
所述被测车辆得到的总分包括：
S＝A1*x+A2*(1-x) (3)
其中，x表示预设的以及智能等级评价指标权重。
根据本发明提供的一种自动驾驶汽车智能等级评定系统，包括：
模块M1：被测车辆在网联测试场中自动行驶，将自动行驶过程中的数据融合信息和行为决策信息上传到仿真平台；
模块M2：仿真平台根据被测车辆的数据融合信息和行为决策信息实时建立驾驶环境以及车辆的数字孪生体；
模块M3：通过车辆数字孪生体在数字场景中表现，基于预设指标权重，得到被测汽车智能等级评价。
优选地，所述模块M1包括：
模块M1.1：被测车辆在网联测试场中自动行驶，车辆通过传感器技术获取车辆自身的行驶状况；通过V2X技术获取驾驶场景中人、车、路和网络信息；
模块M1.2：将获取的车辆自身的行驶状况以及通过V2X技术获取的多维场景信息进行数据融合，得到数据融合信息；
模块M1.3：将数据融合信息利用决策控制算法得到行为决策信息。
优选地，所述模块M2包括：
模块M2.1：仿真平台根据车辆数据融合信息构建1：1的数字场景模型；
模块M2.2：仿真平台根据车辆自身信息和行为决策信息在数字场景模型中仿真出被测车辆的数字孪生体。
优选地，所述模块M3包括：
模块M3.1：通过车辆数字孪生体在数字场景中表现，并基于自动汽车需求功能偏重选择若干个指标并赋予指标权重，得到被测车辆的三级汽车智能化评价指标分数；
模块M3.2：根据得到的被测车辆的三级汽车智能化评价指标分数，基于预设的一级和二级汽车智能等级评价指标权重计算二级指标分数、一级指标分数以及被测车辆得到的总分；
模块M3.3：预设智能等级的总分区间，基于被测车辆的总分得到车辆最终的智能等级。
优选地，所述模块M3.2包括：
二级指标分数包括：
Figure BDA0003285050170000041
其中，nij表示三级指标的数量；Cijk表示三级指标分数，其中i表示一级指标序号；j表示二级指标序号；k表示三级指标序号；γijk表示第i项一级指标中第j项二级指标中第k项三级指标的权重；βij表示第i项一级指标中第j项二级指标的权重；
所述一级指标分数包括：
Figure BDA0003285050170000042
其中，ai表示被测车辆总体评价中第i项一级指标的权重；
所述被测车辆得到的总分包括：
S＝A1*x+A2*(1-x) (3)
其中，x表示预设的以及智能等级评价指标权重。
与现有技术相比，本发明具有如下的有益效果：
1、智能汽车通过V2X技术将“车-人-环境”构成一个紧密相连的整体，逐步的解放驾驶员的双手双脚，让车能自动应对各种驾驶环境；
2、依据“人-车-环境”三者的模拟覆盖率，测试方法可以分为四种，分别为行驶仿真、驾驶模拟、受限场地测试和实证试验，如表1所示，四种方法从行驶仿真到实证试验，按照顺序真实性在增加，方法的真实要素越多测试的准确性也就越高，虚拟要素越多测试的经济性越好；
3、最终计算得出的评价分数结果可为汽车智能化等级提供判断依据，从而促进智能汽车技术研发及产品开发水平的整体提升，也为社会消费者提供科学、合理、可靠的参考依据。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为自动驾驶汽车智能等级评定系统示意图；
图2为智能汽车自动驾驶流程图；
图3为实证试验中的网络连接示意图；
图4为实证试验的原理示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
根据本发明提供的一种自动驾驶汽车智能等级评定方法，包括：
步骤S1：被测车辆在网联测试场中自动行驶，将自动行驶过程中的数据融合信息和行为决策信息上传到仿真平台；
步骤S2：仿真平台根据被测车辆的数据融合信息和行为决策信息实时建立驾驶环境以及车辆的数字孪生体；
步骤S3：通过车辆数字孪生体在数字场景中表现，基于预设指标权重，得到被测汽车智能等级评价。
具体地，所述步骤S1包括：
步骤S1.1：被测车辆在网联测试场中自动行驶，车辆通过传感器技术获取车辆自身的行驶状况；通过V2X技术获取驾驶场景中人、车、路和网络信息；例如由车上安装的各种传感器采集距离、温度、声音、图像等信息，并需要对采集的信息进行适当处理，转化为精确的数据，供下一步数据融合使用。其中传感器包括红外传感器、超声波传感器、激光雷达传感器、视觉传感器、GPS传感器等；
步骤S1.2：将获取的车辆自身的行驶状况以及通过V2X技术获取的多维场景信息进行数据融合，得到数据融合信息；
步骤S1.3：将数据融合信息利用决策控制算法得到行为决策信息。具体地，智能汽车利用数据融合技术将通过V2X技术获取的多维场景信息以及通过车辆传感器采集的车辆状态信息进行集中处理，构建对现处环境的整体认知，并在理解全局环境后，依据决策控制算法计算出智能汽车应对当前路况应行驶的路线和应做出的行动(转向、加速、减速或紧急刹车等)，即做出车辆下一步的路线规划和行为决策。
具体地，所述步骤S2包括：
步骤S2.1：仿真平台根据车辆数据融合信息构建1：1的数字场景模型；
步骤S2.2：仿真平台根据车辆自身信息和行为决策信息在数字场景模型中仿真出被测车辆的数字孪生体。
具体地，所述步骤S3包括：
步骤S3.1：通过车辆数字孪生体在数字场景中表现，并基于自动汽车需求功能偏重选择若干个指标并赋予指标权重，得到被测车辆的三级汽车智能化评价指标分数；
步骤S3.2：根据得到的被测车辆的三级汽车智能化评价指标分数，基于预设的一级和二级汽车智能等级评价指标权重计算二级指标分数、一级指标分数以及被测车辆得到的总分；
步骤S3.3：预设智能等级的总分区间，基于被测车辆的总分得到车辆最终的智能等级。
具体地，所述步骤S3.2包括：
二级指标分数包括：
Figure BDA0003285050170000061
其中，nij表示三级指标的数量；Cijk表示三级指标分数，其中i表示一级指标序号；j表示二级指标序号；k表示三级指标序号；γijk表示第i项一级指标中第j项二级指标中第k项三级指标的权重；βij表示第i项一级指标中第j项二级指标的权重；
所述一级指标分数包括：
Figure BDA0003285050170000062
其中，ai表示被测车辆总体评价中第i项一级指标的权重；
所述被测车辆得到的总分包括：
S＝A1*x+A2*(1-x) (3)
其中，x表示预设的以及智能等级评价指标权重。
根据本发明提供的一种自动驾驶汽车智能等级评定系统，包括：
模块M1：被测车辆在网联测试场中自动行驶，将自动行驶过程中的数据融合信息和行为决策信息上传到仿真平台；
模块M2：仿真平台根据被测车辆的数据融合信息和行为决策信息实时建立驾驶环境以及车辆的数字孪生体；
模块M3：通过车辆数字孪生体在数字场景中表现，基于预设指标权重，得到被测汽车智能等级评价。
具体地，所述模块M1包括：
模块M1.1：被测车辆在网联测试场中自动行驶，车辆通过传感器技术获取车辆自身的行驶状况；通过V2X技术获取驾驶场景中人、车、路和网络信息；
模块M1.2：将获取的车辆自身的行驶状况以及通过V2X技术获取的多维场景信息进行数据融合，得到数据融合信息；
模块M1.3：将数据融合信息利用决策控制算法得到行为决策信息。
具体地，所述模块M2包括：
模块M2.1：仿真平台根据车辆数据融合信息构建1：1的数字场景模型；
模块M2.2：仿真平台根据车辆自身信息和行为决策信息在数字场景模型中仿真出被测车辆的数字孪生体。
具体地，所述模块M3包括：
模块M3.1：通过车辆数字孪生体在数字场景中表现，并基于自动汽车需求功能偏重选择若干个指标并赋予指标权重，得到被测车辆的三级汽车智能化评价指标分数；
模块M3.2：根据得到的被测车辆的三级汽车智能化评价指标分数，基于预设的一级和二级汽车智能等级评价指标权重计算二级指标分数、一级指标分数以及被测车辆得到的总分；
模块M3.3：预设智能等级的总分区间，基于被测车辆的总分得到车辆最终的智能等级。
具体地，所述模块M3.2包括：
二级指标分数包括：
Figure BDA0003285050170000071
其中，nij表示三级指标的数量；Cijk表示三级指标分数，其中i表示一级指标序号；j表示二级指标序号；k表示三级指标序号；γijk表示第i项一级指标中第j项二级指标中第k项三级指标的权重；βij表示第i项一级指标中第j项二级指标的权重；
所述一级指标分数包括：
Figure BDA0003285050170000081
其中，ai表示被测车辆总体评价中第i项一级指标的权重；
所述被测车辆得到的总分包括：
S＝A1*x+A2*(1-x) (3)
其中，x表示预设的以及智能等级评价指标权重。
实施例2
实施例2是实施例1的变化例
为了对测试场内的测试智能汽车的自动驾驶行为进行实时全面评估，测试场的环境被设置为完全网联。测试场集成LTE、LTE-V、DSRC、Wi-Fi、EUHT等无线网络，以构建完备的V2X体系。V2X(车用无线通信技术)是将车辆与一切事物相连接的信息通信技术，其中V代表车辆，X代表任何与车交互信息的对象，当前X主要包含车、人、交通路侧基础设施和网络。交互的信息模式包括：车与车之间(Vehicle to Vehicle,V2V)、车与路之间(Vehicle toInfrastructure,V2I)、车与人之间(Vehicle to Pedestrian,V2P)、车与网络之间(Vehicle to Network,V2N)的交互。通过V2X体系可以基本实现“人-车-环境”的紧密结合。
为了提高测试场对测试车辆的评估效率，提高测试场各种路段的利用率，减小测试车辆的失败概率，避免不必要的资源浪费和财产损失，测试场还配备了仿真以及模拟的场地。车辆的测试有仿真试验，驾驶模拟，虚拟环境真实驾驶，实地真实驾驶四个方法。四个方法的真实性在逐步的增加，一步步将虚拟部分替换为真实部分，虚拟数据预测真实的发生，从理论上规避现实中错误的发生；真实的存在反馈虚拟的不足，从实际上验证和完善虚拟方法。
为了使测试场能够尽可能的复现出现实生活中驾驶汽车可能遇到的所有情况，测试场应综合考虑路面条件、道路复杂度、行人密度及随机性、天气变化以及交通法规等因素构建尽可能丰富的不同难度等级的道路环境，以测试受测智能车辆的个体智能与协同智能，个体智能包括高级辅助驾驶功能(AEB、LDWS、LCA、PED等)和自动驾驶功能，协同智能包括V2V(前向碰撞预警，异常车辆提醒，高优先级车辆让行，盲区预警等)、V2I(交通灯预警，交叉路口碰撞预警，绿波车速引导，前方拥堵提醒等)、V2N(在线/实时导航，动态路径规划，远程监控，触摸交互等)和V2P(行人穿行道路预警，行人/非机动车避让，弱势交通参与者预警等)。
规划好测试场的配置后，下面设计智能汽车的智能化等级评定方法。汽车智能化等级按照美国国家公路交通安全管理局(NHTSA)对智能汽车划分为5个等级，分别是L0、L1、L2、L3、L4。这里L0表示人工驾驶，驾驶人时刻控制车辆；L1表示辅助驾驶，横向或纵向单维度辅助；L2表示半自动驾驶，驾驶人需要时刻监管控制；L3表示高度自动驾驶，驾驶人可以阶段脱离监管控制；L4则为最终的无人驾驶，驾驶人可全程脱离监管控制。目前智能汽车的发展水平最高只能达到L2到L3之间，因此本发明的等级评定只针对L3以下的车辆进行测评，依据最终测试得分的区间，汽车的等级分为S1、S2、S3、S4、S5。等级的评定需要综合利用主客观评价方法确定指标权重，并构建评价模型完成汽车智能化评价实例的具体实施流程。最终计算得出的评价分数结果可为汽车智能化等级提供判断依据，从而促进智能汽车技术研发及产品开发水平的整体提升，也为社会消费者提供科学、合理、可靠的参考依据。
为了实现实际被测车辆在测试场中能够被测出真实的智能等级，本发明通过以下几点对发明具体内容进行解释。
1.智能网联汽车的驾驶流程
智能网联汽车与传统的人工驾驶汽车不同，智能汽车通过V2X技术将“车-人-环境”构成一个紧密相连的整体，逐步的解放驾驶员的双手双脚，让车能自动应对各种驾驶环境。为了让智能车系统能够代替人来感知、判断和控制，智能车的驾驶流程大致如图1所示，“感知环境-数据融合-生成策略-执行动作”。
感知环境：智能汽车对驾驶环境的感知由车上安装的各种传感器采集距离、温度、声音、图像等信息，并需要对采集的信息进行适当处理，转化为精确的数据，供下一步数据融合使用。目前常用于智能汽车上的传感器有红外传感器、超声波传感器、激光雷达传感器、视觉传感器、GPS传感器等。
数据融合：将上一步传感器所收集到的信息进行集中融合，构建智能车对现处环境的整体认知。感知过程类似人体感知器官对外界环境收集视觉和听觉等感觉，数据融合则就是类似人体对感觉信息的认知。
生成策略：系统在理解全局环境后，会依据处理算法计算出智能车应对当前路况应行驶的路线和应做出的行动(转向、加速、减速或紧急刹车等)，即做出车辆下一步的路线规划和行为决策。
执行动作：在系统做出决策结果后，系统会将结果传递给控制系统生成执行指令，随后执行机构就会依据决策做出相应的动作，完成驾驶动作。
2.网联测试场的测试方法
对智能汽车最直接最有效的方法就是让汽车在测试场的各种复杂的路段进行行驶测试，但是由于土地资源比较宝贵，大面积长路段的测试场的建设成本比较昂贵，并且城市以及乡村的各种复杂路段的还原度有限，所以单纯的实际场地测试会导致测试场的建设成本高但测试效率并没有想象中的理想。
为了缩短有效测试路段的长度或面积，并且弥补测试场的真实度和丰富性，非常有必要增设仿真模拟测试部分。依据“人-车-环境”三者的模拟覆盖率，测试方法可以分为四种，分别为行驶仿真、驾驶模拟、受限场地测试和实证试验。如表1所示，四种方法从行驶仿真到实证试验，按照顺序真实性在增加，方法的真实要素越多测试的准确性也就越高，虚拟要素越多测试的经济性越好。
此处只是为了介绍测试场的测试方法有哪几种，本次发明实际用到的就只有实证试验方法一种。此处也不作为发明的技术指标。
其中，行驶仿真和驾驶模拟常用于零部件和系统的测试，可以灵活的根据需求将车辆待测的部分模拟化放入模拟测试场景，得出该部分的理论性能和跑分。受限场地测试和实证试验则用于整车的测试，可用于整车的性能验收或缺陷反馈。四种方法可以根据实际需要组合测试，提高测试效率。
3.实车实证试验
本发明在智能汽车实际上路测试中运用了DT(Digital Twin数字孪生)技术，充分利用测试汽车的物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而对智能汽车在测试场中行驶在虚拟空间进行现实同步、历史记录和未来预测。
不同于仿真测试，基于数字孪生的实证测试是通过真实的场景数据构建虚拟测试场景，投射进来的虚拟画面都是真实车辆在真实场景下的真实发生，属于真实物理空间在虚拟空间完成了投射复现，而物理空间与虚拟空间之间的连接依靠的就是V2X技术。
系统中的网络连接主要利用了LET-V2X的直连通信链路和4G/5G的蜂窝通信链路，如图2所示，其中LET-V2X用于采集道路的环境信息，例如道路障碍物、行人走动情况、附近鸣笛声、红绿灯情况等，4G/5G则用于建立物理空间和虚拟空间之间的连接。物理空间与虚拟空间的同步性就在于系统网络连接的效率，一般要求车辆状态信息的刷新频率在10-20Hz，传输延迟不超过20ms。其中需要通过V2X技术传输的信息包括交通参与者列表、交通参与者唯一ID、时间、交通参与者的水平和垂直位置信息、车辆ID等。
基于数字孪生的智能车实证试验是在智能车自身自动行驶的基础上将行驶过程中的一些数据上传到了仿真平台，用于在仿真平台构建智能汽车以及驾驶场景的实时数字孪生体，实证试验的框图如图3、图4所示。在智能汽车通过传感器采集环境信息并对这些信息完成数据融合处理后，将智能汽车对环境的认知上传至仿真平台，仿真平台便利用这些信息构建出实时的测试场景，在场景生成过程中，要考虑道路环境(车道、车道线、路面、天气和光照、场景要素)、交通状况(车流、行人拥挤、自适应巡航控制)、交通参与者(车辆、行人、障碍物)和环境传感器(雷达、摄像机、全球定位系统/地图、无线通信)等影响因素，构建1∶1的数字场景模型。在智能汽车做出决策响应后，智能车也将把决策信息上传到仿真平台，仿真平台则将对车辆的决策和行为做出对应的评估，最终生成测试报告。上传的信息数据可保留为该次测试的历史记录，用于扩充仿真平台的数据库，在数据库足够大的情况下，在智能车的测试过程中，仿真平台可根据数据库预测车辆的未来表现情况，若危险则给予警告，若安全则可根据测试车辆的下一步实际表现得以验证，进一步扩充数据库，提高系统预测的准确性。
被测车辆的智能等级评定方法
智能化等级按照美国国家公路交通安全管理局(NHTSA)可以对智能汽车划分为5个等级，分别是L0(人工驾驶)、L1(辅助驾驶)、L2(半自动驾驶)、L3(高度自动驾驶)、L4(无人驾驶)。本发明中默认被测车辆的标准等级处于L2和L3之间，并在两个等级之间划分了5个等级，作为本发明最后得出的车辆智能化等级。等级的评定可根据智能汽车在测试场的各种表现进行打分，再根据指标和权重按照算法计算出该测试车辆最后的总分，依据总分所在的分数区间即可判断车辆的智能等级。
评价指标可以根据包含关系分成2个一级指标，一级指标下可再次划分为若干个二级指标，同样二级指标下可划分为若干个三级指标。每个级别的指标可以根据在自动驾驶中的重要性分配权重，这样构成了一个汽车智能化评价体系。其中，体系中的一级指标分成了汽车个体智能和协同智能评价指标，代表了衡量汽车智能化等级的最终评价指标。对于评价体系的二级指标，个体智能指标下的二级指标主要侧重了先进驾驶辅助系统(ADAS)的评价，所以本发明中忽略了其他方面只对ADAS进行评价，主要考察智能车在行驶过程中的自主判断和执行能力；而在协同智能下的二级指标则对V2X的四个方面，即V2V(车对车)、V2I(车对路)、V2N(车对网)、V2P(车对人)的性能进行了侧重评价，主要考察智能车在行驶过程中与环境中各元素的信息交互的能力。三级指标则是在二级指标的基础上进一步细化，具体到能够反映汽车智能化水平的功能及性能指标，通过判断各项指标的功能有无与性能好坏，实现汽车智能化水平的有效评价。参考表2指标对智能等级的划分，可以根据实际需求有侧重性和选择性的挑选二级指标下的其中几个三级指标进行权值赋值。
对于智能汽车的最终指标分数的计算方法可以分以下四个步骤。
首先，由测试结果生成三级指标分数Cijk(第i项一级指标中第j项二级指标中第k项三级指标的分数)，其中i为一级指标序号，j为二级指标序号，k为三级指标序号，i的值在1到2之间，j的值在1到4之间，k的值取决于i号一级指标下j号二级指标下选取的三级指标的数量nij。
然后，依据三级指标的值带入公式(3-1)计算出对应的二级指标的得分Bij(第i项一级指标中第j项二级指标的分数)。其中γijk为第i项一级指标中第j项二级指标中第k项三级指标的权重，βij为第i项一级指标中第j项二级指标的权重。
Figure BDA0003285050170000121
接着，可以进一步根据公式(3-2)和(3-3)计算出一级指标的得分Ai(第i项一级指标的分数)。
Figure BDA0003285050170000122
Figure BDA0003285050170000123
最后，根据公式(3-4)计算出被测车辆的最终测试分数S。
S＝A1*40％+A2*60％ (3-4)
其中每一个指标，包括1-3级指标分数的满分均为100分，根据测试车辆的最终得分所在的区间，即可判定车辆的智能化等级。如表3，共有五个得分区间，分别是[40,48)，[48,56)，[56,64)，[64,72)，[72,80)，依据这5个区间，车辆的智能等级分为S1、S2、S3、S4、S5。
表1网联测试场的4种测试方法的特征
人 车 环境
行驶仿真 虚拟 虚拟 虚拟
驾驶模拟 真实 虚拟 虚拟
受限场地测试 真实 真实 虚拟
实证试验 真实 真实 真实
表2.汽车智能化指数评价指标
(a)各级指标的权重分布
Figure BDA0003285050170000131
(b)三级指标的参考测试项目
Figure BDA0003285050170000132
Figure BDA0003285050170000141
表3.总分区间对应的智能化等级本
总分 智能等级
[40,48) S1
[48,56) S2
[56,64) S3
[64,72) S4
[72,80) S5
领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种自动驾驶汽车智能等级评定方法，其特征在于，包括：
步骤S1：被测车辆在网联测试场中自动行驶，将自动行驶过程中的数据融合信息和行为决策信息上传到仿真平台；
步骤S2：仿真平台根据被测车辆的数据融合信息和行为决策信息实时建立驾驶环境以及车辆的数字孪生体；
步骤S3：通过车辆数字孪生体在数字场景中表现，基于预设指标权重，得到被测汽车智能等级评价。
2.根据权利要求1所述的自动驾驶汽车智能等级评定方法，其特征在于，所述步骤S1包括：
步骤S1.1：被测车辆在网联测试场中自动行驶，车辆通过传感器技术获取车辆自身的行驶状况；通过V2X技术获取驾驶场景中人、车、路和网络信息；
步骤S1.2：将获取的车辆自身的行驶状况以及通过V2X技术获取的多维场景信息进行数据融合，得到数据融合信息；
步骤S1.3：将数据融合信息利用决策控制算法得到行为决策信息。
3.根据权利要求1所述的自动驾驶汽车智能等级评定方法，其特征在于，所述步骤S2包括：
步骤S2.1：仿真平台根据车辆数据融合信息构建1：1的数字场景模型；
步骤S2.2：仿真平台根据车辆自身信息和行为决策信息在数字场景模型中仿真出被测车辆的数字孪生体。
4.根据权利要求1所述的自动驾驶汽车智能等级评定方法，其特征在于，所述步骤S3包括：
步骤S3.1：通过车辆数字孪生体在数字场景中表现，并基于自动汽车需求功能偏重选择若干个指标并赋予指标权重，得到被测车辆的三级汽车智能化评价指标分数；
步骤S3.2：根据得到的被测车辆的三级汽车智能化评价指标分数，基于预设的一级和二级汽车智能等级评价指标权重计算二级指标分数、一级指标分数以及被测车辆得到的总分；
步骤S3.3：预设智能等级的总分区间，基于被测车辆的总分得到车辆最终的智能等级。
5.根据权利要求1所述的自动驾驶汽车智能等级评定方法，其特征在于，所述步骤S3.2包括：
二级指标分数包括：
Figure FDA0003285050160000021
其中，nij表示三级指标的数量；Cijk表示三级指标分数，其中i表示一级指标序号；j表示二级指标序号；k表示三级指标序号；γijk表示第i项一级指标中第j项二级指标中第k项三级指标的权重；βij表示第i项一级指标中第j项二级指标的权重；
所述一级指标分数包括：
Figure FDA0003285050160000022
其中，ai表示被测车辆总体评价中第i项一级指标的权重；
所述被测车辆得到的总分包括：
S＝A1*x+A2*(1-x) (3)
其中，x表示预设的以及智能等级评价指标权重。
6.一种自动驾驶汽车智能等级评定系统，其特征在于，包括：
模块M1：被测车辆在网联测试场中自动行驶，将自动行驶过程中的数据融合信息和行为决策信息上传到仿真平台；
模块M2：仿真平台根据被测车辆的数据融合信息和行为决策信息实时建立驾驶环境以及车辆的数字孪生体；
模块M3：通过车辆数字孪生体在数字场景中表现，基于预设指标权重，得到被测汽车智能等级评价。
7.根据权利要求6所述的自动驾驶汽车智能等级评定系统，其特征在于，所述模块M1包括：
模块M1.1：被测车辆在网联测试场中自动行驶，车辆通过传感器技术获取车辆自身的行驶状况；通过V2X技术获取驾驶场景中人、车、路和网络信息；
模块M1.2：将获取的车辆自身的行驶状况以及通过V2X技术获取的多维场景信息进行数据融合，得到数据融合信息；
模块M1.3：将数据融合信息利用决策控制算法得到行为决策信息。
8.根据权利要求6所述的自动驾驶汽车智能等级评定系统，其特征在于，所述模块M2包括：
模块M2.1：仿真平台根据车辆数据融合信息构建1：1的数字场景模型；
模块M2.2：仿真平台根据车辆自身信息和行为决策信息在数字场景模型中仿真出被测车辆的数字孪生体。
9.根据权利要求6所述的自动驾驶汽车智能等级评定系统，其特征在于，所述模块M3包括：
模块M3.1：通过车辆数字孪生体在数字场景中表现，并基于自动汽车需求功能偏重选择若干个指标并赋予指标权重，得到被测车辆的三级汽车智能化评价指标分数；
模块M3.2：根据得到的被测车辆的三级汽车智能化评价指标分数，基于预设的一级和二级汽车智能等级评价指标权重计算二级指标分数、一级指标分数以及被测车辆得到的总分；
模块M3.3：预设智能等级的总分区间，基于被测车辆的总分得到车辆最终的智能等级。
10.根据权利要求6所述的自动驾驶汽车智能等级评定系统，其特征在于，所述模块M3.2包括：
二级指标分数包括：
Figure FDA0003285050160000031
其中，nij表示三级指标的数量；Cijk表示三级指标分数，其中i表示一级指标序号；j表示二级指标序号；k表示三级指标序号；γijk表示第i项一级指标中第j项二级指标中第k项三级指标的权重；βij表示第i项一级指标中第j项二级指标的权重；
所述一级指标分数包括：
Figure FDA0003285050160000032
其中，ai表示被测车辆总体评价中第i项一级指标的权重；
所述被测车辆得到的总分包括：
S＝A1*x+A2*(1-x) (3)
其中，x表示预设的以及智能等级评价指标权重。
CN202111144790.7A 2021-09-28 2021-09-28 一种自动驾驶汽车智能等级评定方法及系统 Pending CN113779705A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111144790.7A CN113779705A (zh) 2021-09-28 2021-09-28 一种自动驾驶汽车智能等级评定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111144790.7A CN113779705A (zh) 2021-09-28 2021-09-28 一种自动驾驶汽车智能等级评定方法及系统

Publications (1)

Publication Number Publication Date
CN113779705A true CN113779705A (zh) 2021-12-10

Family

ID=78854264

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111144790.7A Pending CN113779705A (zh) 2021-09-28 2021-09-28 一种自动驾驶汽车智能等级评定方法及系统

Country Status (1)

Country Link
CN (1) CN113779705A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114419897A (zh) * 2022-03-30 2022-04-29 成都柔水科技有限公司 一种基于v2x技术的城市交通cim系统及其展示方法
CN114625637A (zh) * 2022-02-23 2022-06-14 浙江吉利控股集团有限公司 一种基于动态虚拟场景的测试方法及评价方法
CN115258093A (zh) * 2022-08-30 2022-11-01 江苏科技大学 一种欠驱商船自主靠离泊测试方法及系统
CN115577317A (zh) * 2022-09-30 2023-01-06 北京大数据先进技术研究院 数据融合效果评估方法、系统、电子设备及储存介质
CN116434539A (zh) * 2023-02-28 2023-07-14 东南大学 基于数字孪生的极端雨水天气下高速公路车速预警方法
CN116985803A (zh) * 2023-09-26 2023-11-03 赛奎鹰智能装备(威海)有限责任公司 电动滑板车速度自适应控制系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111267866A (zh) * 2020-01-13 2020-06-12 腾讯科技（深圳）有限公司 信息处理方法、装置、介质及电子设备
CN112382086A (zh) * 2020-10-30 2021-02-19 上海炬宏信息技术有限公司 自动驾驶汽车开放道路测试评价系统的使用方法
CN112781887A (zh) * 2020-12-21 2021-05-11 苏州挚途科技有限公司 测试车辆性能的方法、装置和系统
CN113050455A (zh) * 2021-03-27 2021-06-29 上海智能新能源汽车科创功能平台有限公司 一种用于智能网联汽车的数字孪生测试系统及控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111267866A (zh) * 2020-01-13 2020-06-12 腾讯科技（深圳）有限公司 信息处理方法、装置、介质及电子设备
CN112382086A (zh) * 2020-10-30 2021-02-19 上海炬宏信息技术有限公司 自动驾驶汽车开放道路测试评价系统的使用方法
CN112781887A (zh) * 2020-12-21 2021-05-11 苏州挚途科技有限公司 测试车辆性能的方法、装置和系统
CN113050455A (zh) * 2021-03-27 2021-06-29 上海智能新能源汽车科创功能平台有限公司 一种用于智能网联汽车的数字孪生测试系统及控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王羽: "汽车智能化指数及评价方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 4, pages 035 - 191 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114625637A (zh) * 2022-02-23 2022-06-14 浙江吉利控股集团有限公司 一种基于动态虚拟场景的测试方法及评价方法
CN114419897A (zh) * 2022-03-30 2022-04-29 成都柔水科技有限公司 一种基于v2x技术的城市交通cim系统及其展示方法
CN115258093A (zh) * 2022-08-30 2022-11-01 江苏科技大学 一种欠驱商船自主靠离泊测试方法及系统
CN115258093B (zh) * 2022-08-30 2023-10-27 江苏科技大学 一种欠驱商船自主靠离泊测试方法及系统
CN115577317A (zh) * 2022-09-30 2023-01-06 北京大数据先进技术研究院 数据融合效果评估方法、系统、电子设备及储存介质
CN115577317B (zh) * 2022-09-30 2024-04-05 北京大数据先进技术研究院 数据融合效果评估方法、系统、电子设备及储存介质
CN116434539A (zh) * 2023-02-28 2023-07-14 东南大学 基于数字孪生的极端雨水天气下高速公路车速预警方法
CN116434539B (zh) * 2023-02-28 2024-03-15 东南大学 基于数字孪生的极端雨水天气下高速公路车速预警方法
CN116985803A (zh) * 2023-09-26 2023-11-03 赛奎鹰智能装备(威海)有限责任公司 电动滑板车速度自适应控制系统及方法
CN116985803B (zh) * 2023-09-26 2023-12-29 赛奎鹰智能装备(威海)有限责任公司 电动滑板车速度自适应控制系统及方法

Similar Documents

Publication Publication Date Title
CN113779705A (zh) 一种自动驾驶汽车智能等级评定方法及系统
CN112789619B (zh) 一种仿真场景的构建方法、仿真方法以及设备
RU2733015C1 (ru) Оперативное управление автономным транспортным средством
RU2725920C1 (ru) Управление оперативным управлением автономным транспортным средством
CN110531740B (zh) 一种智能车智能化程度量化测评方法
CN107782564A (zh) 一种自动驾驶车辆测评系统及方法
CN110162003B (zh) 一种行车主动服务系统测试验证平台及其测试方法
US20220355825A1 (en) Predicting agent trajectories
CN113064487A (zh) 一种交互虚拟仿真系统
CN114365108A (zh) 虚拟环境下的自动驾驶车辆模拟方法
CN113887037B (zh) 一种不同渗透率的网联环境下自动驾驶系统测评方法
WO2022156181A1 (zh) 一种运动轨迹的预测方法及装置
KR20230159308A (ko) 첨단 운전자 보조 시스템(adas) 및/또는 자동화된 운전 시스템(ads)을 교정하고 검증하기 위한 방법, 시스템 및 컴퓨터 프로그램 제품
KR20220136006A (ko) 자율 주행 차량의 성능을 평가하기 위한 테스트 시나리오의 선택
US20230150549A1 (en) Hybrid log simulated driving
CN116880462B (zh) 自动驾驶模型、训练方法和自动驾驶方法和车辆
Saxena et al. Multiagent sensor fusion for connected & autonomous vehicles to enhance navigation safety
CN117521389A (zh) 一种基于车路协同感知仿真平台的车辆感知测试方法
Bai et al. Cyber mobility mirror for enabling cooperative driving automation in mixed traffic: A co-simulation platform
Ma Effects of vehicles with different degrees of automation on traffic flow in urban areas
US20230077863A1 (en) Search algorithms and safety verification for compliant domain volumes
CN114969004A (zh) 轨迹融合方法、装置、设备、介质及产品
CN116129631A (zh) 一种车路协同数据处理方法及相关设备
Lei Semi-Automated Microscopic Traffic Flow Simulation Development Using Smart City Data
US20230415772A1 (en) Trajectory planning based on extracted trajectory features

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211210

RJ01 Rejection of invention patent application after publication