CN113780780A - 一种混合驾驶环境自动驾驶汽车驾驶能力测评方法 - Google Patents

Abstract

本发明公开了一种混合驾驶环境自动驾驶汽车驾驶能力测评方法，根据驾驶模拟器的场景生成流程构建了适用于自动驾驶汽车测试的场景建模方法，通过人类驾驶员操纵驾驶模拟器硬件控制场景中的背景车，驾驶模拟器软件通过API使外部程序控制场景中的被测自动驾驶汽车，实现了混合驾驶环境下的自动驾驶汽车测试。最后，建立评价指标和评价标准，通过分数的方式直观展示评价结果。本发明方法相较于虚拟仿真测试，能够实现人机交互，将人类驾驶员的随机性考虑在内；相较于场地实车测试，场景丰富多变，可重复性强，同时成本低、效率高。

Description

一种混合驾驶环境自动驾驶汽车驾驶能力测评方法

技术领域

本发明属于自动驾驶汽车测试领域，涉及一种基于驾驶模拟器的混合驾驶环境下自动驾驶汽车驾驶能力测评方法。

背景技术

自动驾驶汽车由于可降低事故发生率，提高道路通行能力等优点，在解决传统汽车诸多现实问题方面显示出越来越大的优势。然而，由于交通系统的复杂性，自动驾驶汽车在混合驾驶环境中行驶时容易遇到一些安全问题。至今，自动驾驶汽车已经引发多起安全事故，其稳定性和可靠性仍然难以保证。因此，为了保证自动驾驶车辆在复杂的交通环境、随机多变的天气、多样化的驾驶任务等各种场景下均可以安全、可靠、高效地运行，在上路前需对自动驾驶车辆进行全面、系统与严格的测试。

随着自动驾驶汽车的普及，在很长一段时间内，自动驾驶汽车面临的是一个人工驾驶和自动驾驶混合的交通环境，因此混合驾驶环境下自动驾驶汽车的测试是一个十分重要的环节。目前自动驾驶汽车测试主要包括仿真测试及实车测试两种方式。仿真测试无法全面模拟人类驾驶员的随机性，对混合驾驶环境的还原程度有限，实车测试可以提供更加真实的场景，进行人机交互的测试，但是测试成本高，可重复性低，可覆盖的场景数量有限。

发明内容

本发明所要解决的技术问题是：提供一种基于驾驶模拟器的混合驾驶环境下自动驾驶汽车驾驶能力的测试与评价方法。该方法可以为自动驾驶汽车测试创造丰富多变的场景，以更加安全、高效的方式测试人类驾驶员的随机因素对自动驾驶汽车的影响，同时实验可重复性强，数据便于导出。

为解决上述技术问题，本发明采用的技术方案为：

一种基于驾驶模拟器的混合驾驶环境下自动驾驶汽车测评方法，包括以下步骤：

步骤1：根据SCANeR Studio驾驶模拟器软件操作流程，构建测试场景要素框架，测试场景要素包括静态场景要素和动态场景要素；

步骤2：对步骤1中的场景要素确定约束条件，构建适用于自动驾驶汽车测试的场景库；

步骤3：确定适用于自动驾驶汽车测试的场景建模流程，通过约束条件形成适用于自动驾驶汽车测试的场景要素后，进行场景建模；

步骤4：建立自动驾驶汽车驾驶能力评价指标，并将评价指标分为定性指标与定量指标，定性指标用于评价测试车辆的安全性、是否违规违章以及是否符合所测试项目的行为属性，定量指标用于评价测试车辆的舒适程度及所测试项目预期行为的完成效率；

步骤5：建立自动驾驶汽车驾驶能力评价标准，评价标准针对评价指标设定其值的范围，用于衡量测试的结果，依据评价标准，当定性指标全部合格时，计算定量指标项的得分，总和即为测评总分，当定性指标有一项或多项不合格时，测试结果不合格。

进一步的，所述步骤2的具体流程为：

步骤21：确定道路信息的约束条件：

对于道路类型，分为高速公路和城市道路；对于道路长度，分为短途和长途；对于起点坐标和道路方向，根据测试需要自行设置；

对于道路线形，直线部分的最大长度l与道路限速v有关，需满足l＜20v，圆曲线部分的半径R不得小于符合道路规范的最小半径R_min，圆曲线长度l_y不得小于符合道路规范的最小曲线长度l_ymin，缓和曲线的长度l_h不得小于符合规范的最小长度l_hmin，圆曲线与缓和曲线的长度之和不得小于符合规范的最小曲线长度l_min，交叉口的类型及相应信号灯、交通标线根据测试需要进行设置；

步骤22：确定车道信息约束条件：

对于车道数，依据道路类型的不同对车道数进行设置，分为单车道、车道信息相同的多车道和车道信息不同的多车道；

对于车道类型，选择包括机动车行驶车道、中央分离带、出口、环岛、快车道、人行道、停车位、斑马线、中线、路肩、路堤、沟渠、围墙、陆地、跑道、出租车道；

对于交通参与者类型，分为无车、行人、自行车、小型汽车、大型汽车和公交车；对于路面材料，选择包括铺砌面、砖面、草地；

步骤23：确定其他静态场景的约束条件：

添加其他静态景观，包括周边建筑物、交通指示牌、交通信号灯、树木；

步骤24：确定被测车的约束条件：

对于被测车类型，选择小汽车类型作为被测车辆；

对于被测车限速，通过SCANeR Studio根据所选的车辆类型在一定范围内随机生成一个对应限速，或者用户根据场景需要进行自由设置；

对于被测车位置，将被测车放置于机动车道上的任意位置；

对于被测车的控制方式，通过SCANeR Studio中的脚本编写功能为被测车编写事件，或者通过API使外部程序控制被测车；

步骤25：确定背景车的约束条件：背景车类型、位置及限速的约束条件与被测车相同；

步骤26：确定行人的约束条件：行人作为交通参与者之一，加入到场景中，选择男性、女性或孩童并设置步速信息；

步骤27：确定环境要素的约束条件：设置雪、雨、云天气及其程度以及空气饱和度、气压、空气温度、地表温度、湿度、降水量、降雪量的值。

进一步的，所述步骤3的具体流程为：

步骤31：搭建测试场地模型，设置道路基本信息、车道信息、其他静态场景及环境信息；

所述道路基本信息包括道路类型、道路长度、起点坐标、道路方向及道路线形；

所述车道信息包括车道数、车道类型、行驶车辆类型、车道宽度、车道限速及路面材料；

所述其他静态场景包括周边建筑物、交通指示牌、交通信号灯、树木；

所述环境信息包括天气、光照、空气饱和度、气压、空气温度、地表温度、湿度、降水量、降雪量；

步骤32：对被测车进行建模，设置被测车类型及型号、被测车位置、被测车限速及被测车控制模型；

步骤33：对背景车进行建模，由驾驶员操纵驾驶模拟器座舱中的各种部件作为背景车的控制方式，确定背景车的运动状态。

进一步的，所述步骤4的具体流程为：

步骤41：在安全性评价中，首先计算测试车辆与前方车辆实距D₁，测试开始后，提取测试车辆中心点的位置坐标(x_n,y_n)，前方车辆中心点的位置坐标(x_n-1,y_n-1)，被测车辆车身长度l_n，被测车前方车辆车身长度l_n-1，计算出两车的实时距离D₁：

然后计算理论安全距离Gap_safe,n，

式中，b₀为背景车的最大减速度，b₁为被测车辆的最大减速度，τ₁为被测车辆驾驶员的反应时间，v₀(t)为t时刻背景车车的速度，v₁(t)为t时刻被测车的行驶速度；

最后计算安全性指标Q＝D₁-Gap_safe,n；

步骤42：在违规违章评价中，测试开始后，提取测试车辆中心点的位置坐标(x_n,y_n)，车行道边缘线的纵坐标y_b，车行道分界线的纵坐标y_f，被测车辆车身宽度w_n，计算车辆轮廓到车行道边缘线的距离D₂和车辆轮廓到车行道分界线的距离D₃：

步骤43：在行为属性评价中，被测车辆的行为属性的实际值为X₀，行为属性的理论安全值为X_safe，计算行为属性指标G＝X₀-X_safe；

步骤44：在行为属性的效率评价中，确定行为属性指标的最大范围G₂-G₁，G₁为预期行为属性的最小边界值，G₂为预期行为属性的最大边界值；计算行为属性的效率指标u：

步骤45：在舒适性评价中，根据被测车辆的纵向最大加速度a_x，考虑舒适度而允许的最大纵向加速度a_x,max，被测车辆的横向最大加速度a_y，考虑舒适度而允许的最大横向加速度a_y,max计算被测车辆在纵向方向上的舒适性指标j_x和其在横向方向上的舒适性指标j_y：

进一步的，所述步骤5的具体流程为：

步骤51：在安全性评价中，测试车辆与背景车实距需大于或等于理论安全距离，即Q≥0；

步骤52：在违规违章评价中，车辆轮廓不得越过车行道边缘线和车行道分界线，即D₂＞0,D₃＞0；

步骤53：在行为属性评价中，根据实验情况确定G的范围，G₁为预期行为属性的最小边界值，G₂为预期行为属性的最大边界值，该范围作为计算效率的基准，测试得到的真实结果应在此范围内，即G₁＜G＜G₂；

步骤54：在效率评价中，设置总分w₁，根据比例关系，得到效率取不同值时对应的评分值R₁＝(1-u)×w₁；

步骤55：在舒适性评价中，设置总分w₂，其中横、纵向舒适性指标的得分各占一半，根据比例关系，得到纵向舒适度评分值R_x和横向舒适度评分值R_y：

最终得分R₂＝R_x+R_y。

有益效果：本发明与现有技术相比，具有以下优点：

本发明基于驾驶模拟器的操作流程构建了适用于自动驾驶汽车测试的场景建模方法，可以生成丰富多变的测试场景，实现对自动驾驶汽车更加全面的测试。

本发明实现了混合驾驶环境下的自动驾驶汽车测试，相较于虚拟仿真测试，本发明通过人类驾驶员操纵驾驶模拟器干预被测自动驾驶汽车，将人的随机因素考虑在内，实现了人机交互的测试过程；相较于实车场地测试，本发明能够创造丰富、多变的场景，实验可重复性强，且成本低，效率高。

本发明对自动驾驶汽车驾驶能力的测试构建了评价指标和评价标准，同时实验的可重复性强，实验数据准确易得，通过本发明的评价体系可以得到测试的得分，可以更加直观地比较测试结果，对自动驾驶汽车驾驶能力进行综合评判。

附图说明

图1为本发明方法的流程图；

图2为本发明方法的场景要素框架图；

图3为本发明方法的被测车与背景车交互方式示意图；

图4为实例中构建的场景效果图。

具体实施方式

结合附图和实施例，对本发明技术方案详细说明如下：

如图1所示为本发明的基于驾驶模拟器的混合驾驶环境自动驾驶汽车驾驶能力测评方法的总体流程图，下面结合图1对本发明的方法作进一步说明，本发明方法包括以下步骤：

步骤1：根据SCANeR Studio驾驶模拟器软件操作流程，构建测试场景要素框架，测试场景要素包括静态场景要素和动态场景要素。

SCANeR Studio拥有一套科学完整的场景生成逻辑，其操作流程包含Terrain、Vehicle、Scenario、Simulation和Analysis五个模块。首先在Terrain部分构建道路模型和其他静态交通场景，然后在Vehicle部分设置车辆动力模型的参数，接着在Scenario部分加入车辆、行人等动态要素，最后通过Simulation和Analysis进行仿真与结果输出。基于此逻辑，综合SCANeR Studio内的各项设置对场景要素进行分类，提出场景要素的框架及内容。测试场景要素包括静态场景要素和动态场景要素两大类，其中，静态场景要素包括道路基本信息、车道信息以及其他静态场景，动态场景要素包括被测车、背景车及行人，场景要素框架如图2所示。

步骤2：对步骤1中的场景要素确定约束条件，构建适用于自动驾驶汽车测试的场景库。

为使得场景真实、有效，同时生成适合自动驾驶汽车测试工作的场景，需要对具体的场景要素进行一定的约束，以生成更加符合实际的、满足自动驾驶汽车测试需要的场景，并且提高测试效率。因此在本步骤中，根据实验要求及场景所需对步骤1提出的场景要素进行一定的约束，避免生成不切合实际、背离测试目的的场景。

确定场景要素约束条件方法的具体流程为：

步骤21：确定道路信息的约束条件：

对于道路类型，根据自动驾驶汽车测试的需要及实际情况，分为高速公路和城市道路；对于道路长度，为满足不同范围的测试需要，道路长度L分为短途(L_smin≤L≤L_smax)和长途(L_lmin≤L≤L_lmax)；L_smin,L_smax为短途的最小和最大边界值，L_lmin,L_lmax为长途的最小和最大边界值；对于起点坐标和道路方向，根据测试需要自行设置；

对于道路线形，直线部分的最大长度l与道路限速v有关，需满足l＜20v，圆曲线部分的半径R不得小于符合道路规范的最小半径R_min，圆曲线长度l_y不得小于符合道路规范的最小曲线长度l_ymin，缓和曲线的长度l_h不得小于符合规范的最小长度l_hmin，圆曲线与缓和曲线的长度之和不得小于符合规范的最小曲线长度l_min，交叉口的类型及相应信号灯、交通标线根据测试需要进行设置；

步骤22：确定车道信息约束条件：

对于车道数，依据道路类型的不同对车道数进行设置，分为单车道、车道信息相同的多车道和车道信息不同的多车道；

对于车道类型，选择包括机动车行驶车道、中央分离带、出口、环岛、快车道、人行道、停车位、斑马线、中线、路肩、路堤、沟渠、围墙、陆地、跑道、出租车道；

对于交通参与者类型，分为无车、行人、自行车、小型汽车、大型汽车和公交车；对于路面材料，选择包括铺砌面、砖面、草地；

步骤23：确定其他静态场景的约束条件：

添加其他静态景观，包括周边建筑物、交通指示牌、交通信号灯、树木，以丰富场景，给驾驶员更加真实、沉浸的感受，也可以用于测试车辆的识别、感知功能；

步骤24：确定被测车的约束条件：

对于被测车类型，选择小汽车类型作为被测车辆；

对于被测车限速，通过SCANeR Studio根据所选的车辆类型在一定范围内随机生成一个对应限速，或者用户根据场景需要进行自由设置；

对于被测车位置，将被测车放置于机动车道上的任意位置；

对于被测车的控制方式，通过SCANeR Studio中的脚本编写功能为被测车编写事件，或者通过API使外部程序控制被测车；

步骤25：确定背景车的约束条件：背景车类型、位置及限速的约束条件与被测车相同；

步骤26：确定行人的约束条件：行人作为交通参与者之一，加入到场景中，选择男性、女性或孩童并设置步速信息；

步骤27：确定环境要素的约束条件：设置雪、雨、云天气及其程度以及空气饱和度、气压、空气温度、地表温度、湿度、降水量、降雪量的值。

步骤3：确定适用于自动驾驶汽车测试的场景建模流程。如步骤2所示，通过一定的约束条件形成适用于自动驾驶汽车测试的场景要素后，为生成完整的测试场景，本实施例按照“测试场地-被测车-背景车”的顺序进行场景建模，场景建模过程中，被测自动驾驶汽车与背景车的交互方式如图3所示。具体包括：

步骤31：搭建测试场地模型，设置道路基本信息、车道信息、其他静态场景及环境信息；

所述道路基本信息包括道路类型、道路长度、起点坐标、道路方向及道路线形；

所述车道信息包括车道数、车道类型、行驶车辆类型、车道宽度、车道限速及路面材料；

所述其他静态场景包括周边建筑物、交通指示牌、交通信号灯、树木；

所述环境信息包括天气、光照、空气饱和度、气压、空气温度、地表温度、湿度、降水量、降雪量；

依据车辆跟驰模型的特点和自动驾驶汽车测试的要求设计了相应的场地模型，道路基本信息及车道信息如下表1。

表1场地模型中道路及车道信息

为增加测试场景的真实感与沉浸感，在道路两旁景观添加写字楼、学校等建筑物以及一些绿化的树木、灌木丛。天气设为晴，即雪、雨、云、雾的值均为0％，光照设为80％。场地模型总体效果图如图4。

步骤32：对被测车进行建模，设置被测车类型及型号、被测车位置、被测车限速及被测车控制模型；

被测车选择SCANeRTM Studio中名为Citroen_C3_Green的小汽车，被测车位置为测试起点处(原点)，限速根据实验需要设置，本实施例中用到的限速值为60km/h、90km/h和120km/h。被测车的自定义控制由脚本编写功能实现。

步骤33：对背景车进行建模，由驾驶员操纵驾驶模拟器座舱中的各种部件作为背景车的控制方式，确定背景车的运动状态。

背景车选择SCANeR中显示为Citroen_C3_Red的小汽车，背景车位置为被测车前方20米处。背景车的控制由人类驾驶员操控驾驶模拟器实现。

在实验参与者进行实验之前，对行驶规则进行了统一的说明：检查驾驶模拟器设备正常后，设置被测车的限速，驾驶背景车时依照的限速标准与被测车相同。测试正式开始后，实验参与者启动背景车辆，依照自己的驾驶习惯逐渐加速至限速，在此过程中可以进行不规律的加速与减速行驶，在测试即将结束(距离道路尽头约50米)时，尽可能采取紧急刹车措施，直至背景车辆速度变为零，终止仿真，测试结束。

步骤4：建立自动驾驶汽车驾驶能力评价指标，并将评价指标分为定性指标与定量指标，定性指标用于评价测试车辆的安全性、是否违规违章以及是否符合所测试项目的行为属性，定量指标用于评价测试车辆的舒适程度及所测试项目预期行为的完成效率。

以测试自动驾驶汽车的跟驰模型为例，建立自动驾驶汽车跟驰能力评价指标的具体流程为：

步骤41：在安全性评价中，首先计算测试车辆与前方车辆实距D₁，测试开始后，提取测试车辆中心点的位置坐标(x_n,y_n)，前方车辆中心点的位置坐标(x_n-1,y_n-1)，被测车辆车身长度l_n，被测车前方车辆车身长度l_n-1，

计算出两车的实时距离D₁：

然后计算理论安全距离Gap_safe,n，

式中，b₀为背景车的最大减速度，b₁为被测车辆的最大减速度，τ₁为被测车辆驾驶员的反应时间，v₀(t)为t时刻背景车车的速度，v₁(t)为t时刻被测车的行驶速度；

最后计算安全性指标Q＝D₁-Gap_safe,n；

步骤42：在违规违章评价中，测试开始后，提取测试车辆中心点的位置坐标(x_n,y_n)，车行道边缘线的纵坐标y_b，车行道分界线的纵坐标y_f，被测车辆车身宽度w_n，计算车辆轮廓到车行道边缘线的距离D₂和车辆轮廓到车行道分界线的距离D₃：

步骤43：在行为属性评价中，被测车辆的行为属性的实际值为X₀，行为属性的理论安全值为X_safe，计算行为属性指标G＝X₀-X_safe；

以跟驰模型为例：

在跟驰特性评价中，用被测车真实轨迹与背景车真实轨迹之间的距离D₁和理论安全距离Gap_safe的差值计算跟驰特性指标G＝D₁-Gap_safe；

步骤44：在行为属性的效率评价中，确定行为属性指标的最大范围G₂-G₁，G₁为预期行为属性的最小边界值，G₂为预期行为属性的最大边界值；计算行为属性的效率指标u：

以跟驰模型为例：

在跟驰效率评价中，

为行驶过程中两车实际距离，

为行驶过程中理论安全距离，n为采样点个数，计算跟驰能力的效率uⁿ：

取其平均值得到跟驰效率指标u：

步骤45：在舒适性评价中，根据被测车辆的纵向最大加速度a_x，考虑舒适度而允许的最大纵向加速度a_x,max，被测车辆的横向最大加速度a_y，考虑舒适度而允许的最大横向加速度a_y,max计算被测车辆在纵向方向上的舒适性指标j_x和其在横向方向上的舒适性指标j_y：

步骤5：建立自动驾驶汽车驾驶能力评价标准，评价标准针对评价指标设定其值的范围，用于衡量测试的结果，依据评价标准，当定性指标全部合格时，计算定量指标项的得分，总和即为测评总分，当定性指标有一项或多项不合格时，测试结果不合格。

以测试自动驾驶汽车的跟驰模型为例，建立自动驾驶汽车跟驰能力评价标准的具体流程为：

步骤51：在安全性评价中，设置分数为15分，测试车辆与背景车实距大于或等于理论安全距离，即Q≥0时，安全性能合格，得15分，否则不合格；

步骤52：在违规违章评价中，设置总分为30分，车辆轮廓不越过车行道边缘线和车行道分界线，即D₂＞0时，得15分，否则不合格；车辆轮廓不越过车行道分界线，即D₃＞0时，得15分，否则不合格；

步骤53：在行为属性评价中，根据实验情况确定G的范围，G₁为预期行为属性的最小边界值，G₂为预期行为属性的最大边界值，该范围作为计算效率的基准，测试得到的真实结果应在此范围内，即G₁＜G＜G₂；

以跟驰模型为例：

在跟驰特性评价中，设置分数为15分，跟驰特性指标满足0＜G＜0.2Gap_safe，得15分，否则不合格。

步骤54：在效率评价中，设置总分w₁，根据比例关系，得到效率取不同值时对应的评分值R₁＝(1-u)×w₁；

以跟驰模型为例：

在跟驰效率评价中，设置总分为20分，计算效率取不同值时对应的评分R₁＝(1-u)×20；

步骤55：在舒适性评价中，设置总分为20分，计算纵向舒适度评分值R_x＝(1-j_x)×10，横向舒适度评分值R_y＝(1-j_y)×10，最终得分R₂＝R_x+R_y。

步骤56：将跟驰能力的评价结果汇总至下表2。

表2跟驰能力测评结果

本发明方法基于驾驶模拟器，提出一种混合驾驶环境下自动驾驶汽车的测试与评价方法。依托驾驶模拟器自带的仿真场景生成逻辑构建适用于自动驾驶汽车测试的场景，通过人类驾驶员操纵驾驶模拟器硬件部分与软件部分中的自动驾驶汽车模型进行交互对自动驾驶汽车进行测试，最后确定评价指标及评价标准，实现混合驾驶环境下的自动驾驶汽车驾驶能力的测试与评价。

Claims (5)

1.一种混合驾驶环境自动驾驶汽车驾驶能力测评方法，其特征在于，包括如下步骤：

步骤1：根据SCANeR Studio驾驶模拟器软件操作流程，构建测试场景要素框架，测试场景要素包括静态场景要素和动态场景要素；

步骤2：对步骤1中的场景要素确定约束条件，构建适用于自动驾驶汽车测试的场景库；

步骤3：确定适用于自动驾驶汽车测试的场景建模流程，通过约束条件形成适用于自动驾驶汽车测试的场景要素后，进行场景建模；

步骤4：建立自动驾驶汽车驾驶能力评价指标，并将评价指标分为定性指标与定量指标，定性指标用于评价测试车辆的安全性、是否违规违章以及是否符合所测试项目的行为属性，定量指标用于评价测试车辆的舒适程度及所测试项目预期行为的完成效率；

步骤5：建立自动驾驶汽车驾驶能力评价标准，评价标准针对评价指标设定其值的范围，用于衡量测试的结果，依据评价标准，当定性指标全部合格时，计算定量指标项的得分，总和即为测评总分，当定性指标有一项或多项不合格时，测试结果不合格。

2.根据权利要求1所述的混合驾驶环境自动驾驶汽车驾驶能力测评方法，其特征在于，所述步骤2的具体流程为：

步骤21：确定道路信息的约束条件：

对于道路类型，分为高速公路和城市道路；对于道路长度，分为短途和长途；对于起点坐标和道路方向，根据测试需要自行设置；

对于道路线形，直线部分的最大长度l与道路限速v有关，需满足l＜20v，圆曲线部分的半径R不得小于符合道路规范的最小半径R_min，圆曲线长度l_y不得小于符合道路规范的最小曲线长度l_ymin，缓和曲线的长度l_h不得小于符合规范的最小长度l_hmin，圆曲线与缓和曲线的长度之和不得小于符合规范的最小曲线长度l_min，交叉口的类型及相应信号灯、交通标线根据测试需要进行设置；

步骤22：确定车道信息约束条件：

对于车道数，依据道路类型的不同对车道数进行设置，分为单车道、车道信息相同的多车道和车道信息不同的多车道；

对于车道类型，选择包括机动车行驶车道、中央分离带、出口、环岛、快车道、人行道、停车位、斑马线、中线、路肩、路堤、沟渠、围墙、陆地、跑道、出租车道；

对于交通参与者类型，分为无车、行人、自行车、小型汽车、大型汽车和公交车；对于路面材料，选择包括铺砌面、砖面、草地；

步骤23：确定其他静态场景的约束条件：

添加其他静态景观，包括周边建筑物、交通指示牌、交通信号灯、树木；

步骤24：确定被测车的约束条件：

对于被测车类型，选择小汽车类型作为被测车辆；

对于被测车限速，通过SCANeR Studio根据所选的车辆类型在一定范围内随机生成一个对应限速，或者用户根据场景需要进行自由设置；

对于被测车位置，将被测车放置于机动车道上的任意位置；

对于被测车的控制方式，通过SCANeR Studio中的脚本编写功能为被测车编写事件，或者通过API使外部程序控制被测车；

步骤25：确定背景车的约束条件：背景车类型、位置及限速的约束条件与被测车相同；

步骤26：确定行人的约束条件：行人作为交通参与者之一，加入到场景中，选择男性、女性或孩童并设置步速信息；

步骤27：确定环境要素的约束条件：设置雪、雨、云天气及其程度以及空气饱和度、气压、空气温度、地表温度、湿度、降水量、降雪量的值。

3.根据权利要求1或2所述的混合驾驶环境自动驾驶汽车驾驶能力测评方法，其特征在于，所述步骤3的具体流程为：

步骤31：搭建测试场地模型，设置道路基本信息、车道信息、其他静态场景及环境信息；

所述道路基本信息包括道路类型、道路长度、起点坐标、道路方向及道路线形；

所述车道信息包括车道数、车道类型、行驶车辆类型、车道宽度、车道限速及路面材料；

所述其他静态场景包括周边建筑物、交通指示牌、交通信号灯、树木；

所述环境信息包括天气、光照、空气饱和度、气压、空气温度、地表温度、湿度、降水量、降雪量；

步骤32：对被测车进行建模，设置被测车类型及型号、被测车位置、被测车限速及被测车控制模型；

步骤33：对背景车进行建模，由驾驶员操纵驾驶模拟器座舱中的各种部件作为背景车的控制方式，确定背景车的运动状态。

4.根据权利要求3所述的混合驾驶环境自动驾驶汽车驾驶能力测评方法，其特征在于，所述步骤4的具体流程为：

步骤41：在安全性评价中，首先计算测试车辆与前方车辆实距D₁，测试开始后，提取测试车辆中心点的位置坐标(x_n,y_n)，前方车辆中心点的位置坐标(x_n-1,y_n-1)，被测车辆车身长度l_n，被测车前方车辆车身长度l_n-1，计算出两车的实时距离D₁：

然后计算理论安全距离Gap_safe,n，

式中，b₀为背景车的最大减速度，b₁为被测车辆的最大减速度，τ₁为被测车辆驾驶员的反应时间，v₀(t)为t时刻背景车车的速度，v₁(t)为t时刻被测车的行驶速度；

最后计算安全性指标Q＝D₁-Gap_safe,n；

步骤42：在违规违章评价中，测试开始后，提取测试车辆中心点的位置坐标(x_n,y_n)，车行道边缘线的纵坐标y_b，车行道分界线的纵坐标y_f，被测车辆车身宽度w_n，计算车辆轮廓到车行道边缘线的距离D₂和车辆轮廓到车行道分界线的距离D₃：

步骤43：在行为属性评价中，被测车辆的行为属性的实际值为X₀，行为属性的理论安全值为X_safe，计算行为属性指标G＝X₀-X_safe；

步骤44：在行为属性的效率评价中，确定行为属性指标的最大范围G₂-G₁，G₁为预期行为属性的最小边界值，G₂为预期行为属性的最大边界值；计算行为属性的效率指标u：

步骤45：在舒适性评价中，根据被测车辆的纵向最大加速度a_x，考虑舒适度而允许的最大纵向加速度a_x,max，被测车辆的横向最大加速度a_y，考虑舒适度而允许的最大横向加速度a_y,max计算被测车辆在纵向方向上的舒适性指标j_x和其在横向方向上的舒适性指标j_y：

5.根据权利要求4所述的混合驾驶环境自动驾驶汽车驾驶能力测评方法，其特征在于，所述步骤5的具体流程为：

步骤51：在安全性评价中，测试车辆与背景车实距需大于或等于理论安全距离，即Q≥0；

步骤52：在违规违章评价中，车辆轮廓不得越过车行道边缘线和车行道分界线，即D₂＞0,D₃＞0；

步骤53：在行为属性评价中，根据实验情况确定G的范围，G₁为预期行为属性的最小边界值，G₂为预期行为属性的最大边界值，该范围作为计算效率的基准，测试得到的真实结果应在此范围内，即G₁＜G＜G₂；

步骤54：在效率评价中，设置总分w₁，根据比例关系，得到效率取不同值时对应的评分值R₁＝(1-u)×w₁；

步骤55：在舒适性评价中，设置总分w₂，其中横、纵向舒适性指标的得分各占一半，根据比例关系，得到纵向舒适度评分值R_x和横向舒适度评分值R_y：

最终得分R₂＝R_x+R_y。

Images