CN113989767A - 一种自动驾驶测试场景复杂度分析方法及系统 - Google Patents
一种自动驾驶测试场景复杂度分析方法及系统 Download PDFInfo
- Publication number
- CN113989767A CN113989767A CN202111148744.4A CN202111148744A CN113989767A CN 113989767 A CN113989767 A CN 113989767A CN 202111148744 A CN202111148744 A CN 202111148744A CN 113989767 A CN113989767 A CN 113989767A
- Authority
- CN
- China
- Prior art keywords
- scene
- layer
- complexity
- index
- frame
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012360 testing method Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 58
- 238000011156 evaluation Methods 0.000 claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 32
- 238000013139 quantization Methods 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims 2
- 239000002994 raw material Substances 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000011158 quantitative evaluation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Abstract
本发明公开了一种自动驾驶测试场景复杂度分析方法,涉及无人驾驶技术领域,包括对目标场景片段进行逐帧信息提取;建立单帧场景数据复杂度分析架构;对于目标场景片段中的每一帧场景数据,分别对该帧场景数据中的每个上级层级构建对应的下级层级的模糊判断矩阵;对模糊判断矩阵进行去模糊化处理,得到各个评测指标相对于目标层的权重值;对各个评测指标进行标准化处理,得到该帧场景数据的复杂度;将所有帧数据的复杂度进行加权平均,得到目标场景复杂度。本发明结合了专家经验与基于数据驱动的场景复杂度分析评价方案,充分利用专家的经验,并转化为可量化的信息,处理了专家经验存在偏差的问题,对自动驾驶测试场景复杂程度的分析准确性更高。
Description
技术领域
本发明涉及无人驾驶技术领域,特别是涉及一种自动驾驶测试场景复杂度分析方法及系统。
背景技术
目前国内外的相关企业或科研机构着重在自动驾驶各个模块的算法迭代优化上,但与之相对应的自动驾驶汽车的测试评估却还刚刚起步,在测试场景分析与场景片段的选择、搭配和建设上还缺乏系统的理论研究和支撑,使得在测试场景的评估上系统性较弱,缺乏合理有效的系统对各种自动驾驶典型测试场景的复杂度评价,导致在场景的设计与筛选上存在一定的冗余,并且也难以区分当前自动驾驶系统在某一类别场景下不同复杂程度的子场景的表现差异。
当前对于自动驾驶测试场景的评估分析技术方案,主要包含两大类,其一是基于专家经验驱动的,主要是基于交通参与者以及相关的环境信息,由相应的专家结合个人的历史经验直接进行综合打分评价;另一种则是基于数据的量化评估,更多的将各个交通参与者的相关指标进行量化统计计算,并基于此进行指标分析或者设计模型进行训练,以此得到对于场景复杂度的分析与评价。
针对基于经验驱动的分析方案,主要是针对该场景数据中的各个交通参与者以及当时的相关环境信息,由相应的专家结合自身的经验进行一个综合评价打分,以此得到对于该场景的一个评价结果,但该方案存在的问题在于各个专家的经验以及主观感受存在差异,并且无法有效的对其进行量化评价。另一种则是基于数据的量化评估,如基于引力模型的道路交通环境复杂度计算方法,使用信息熵理论建立交通环境复杂度模型,实现道路交通环境静、动态复杂程度的具体量化,但这种对于场景数据库的依赖较大,在场景数据不够齐全的情况下会影响对于场景复杂度评估的准确性,同时对于一些不易量化的指标也无法很好将其纳入该类别场景的复杂度分析中,也没有充分利用好专家经验。
发明内容
本发明所要解决的技术问题是,克服现有技术的缺点,提供一种自动驾驶测试场景复杂度分析方法及系统。
为了解决以上技术问题,本发明的技术方案如下:
一种自动驾驶测试场景复杂度分析方法,包括,
对目标场景片段进行逐帧信息提取;
建立单帧场景数据复杂度分析架构,所述单帧场景数据复杂度分析架构包括目标层、模块层、准则层和指标层,所述目标层为单帧场景数据的场景复杂度,所述模块层为单帧场景数据的场景组成要素,所述准则层为对应场景组成要素分解细化后产生的子要素,所述指标层为基于每个子要素提取出的评测指标;
对于目标场景片段中的每一帧场景数据,采用模糊层次分析法分别对每个层级中的某一类别各项指标之间构建模糊判断矩阵;
对模糊判断矩阵进行去模糊化处理,得到指标层相对于准则层的权重值、准则层相对于模块层的权重值以及模块层相对于目标层的权重值,并以此计算得到指标层中各个评测指标相对于目标层的权重值;
对各个评测指标进行标准化处理,结合TOPSIS方法将标准化后的各个评测指标自身的数值以及各个评测指标相对于目标层的权重值进行综合计算,得到该帧场景数据的复杂度;
将计算得到的所有帧数据的复杂度进行加权平均,计算得到目标场景的复杂度量化结果。
作为本发明所述自动驾驶测试场景复杂度分析方法的一种优选方案,其中:所述对模糊判断矩阵进行去模糊化处理包括,
表1
模糊层次分析法采用的标度值是模糊数。通过将评分专家重要程度判断的语言化描述转换成相应的模糊数,构建出模糊判断矩阵。模糊数的形态有很多,包括了正态分布、梯形分布、三角形分布、S型分布等。以下仅以三角分布为例来说明,用(l,m,u)的参数形式表示。其中,l≤m≤u,l,m,u分别代表模糊集的下限值,中值与上限值,模糊集的隶属度函数μ如下所示。
表2
式中,lji=1/uij,mji=1/mij,uji=1/uij,i≠j。
不同的评价专家的打分结果会构建出不同的判断矩阵,在计算最终的模糊判断矩阵时,需要对于多个专家矩阵结果进行模糊数的整合。
作为本发明所述自动驾驶测试场景复杂度分析方法的一种优选方案,其中:所述得到指标层相对于准则层的权重值、准则层相对于模块层的权重值以及模块层相对于目标层的权重值,并以此计算得到指标层中各个评测指标相对于目标层的权重值包括,
参照公式5计算指标层中各个评测指标相对于目标层的权重值,公式5为:WTarget_to_index=WFAHP_index_to_rule*WFAHP_Rule_to_module*WFAHP_module_to_target,
其中,WTarget_to_index表示指标层相对于目标层的权重值,WFAHP_index_to_rule表示指标层相对于准则层的权重值,WFAHP_Rule_to_module表示准则层相对于模块层的权重值,WFAHP_module_to_target表示模块层相对于目标层的权重值。
作为本发明所述自动驾驶测试场景复杂度分析方法的一种优选方案,其中:所述将标准化后的各个评测指标以及各个评测指标相对于目标层的权重值进行综合计算,得到该帧场景数据的复杂度包括,
其中,表示第i个指标类别与最大值的差值,表示第i个指标类别与最小值的差值,Z+表示最优方案,由标准化矩阵Z中每列元素的最大值构成,Z-表示最劣方案,由标准化矩阵Z中每列元素的最小值构成,αi表示第i个评测指标相对于目标层的权重值,S表示该帧场景数据的复杂度。
作为本发明所述自动驾驶测试场景复杂度分析方法的一种优选方案,其中:所述将计算得到的所有帧数据的复杂度进行加权平均,计算得到目标场景的复杂度量化结果包括,
其中,Stotal表示目标场景的复杂度量化结果,St=i表示第i帧计算得到的场景复杂度。
本发明还公开了一种自动驾驶测试场景复杂度分析系统,包括,
场景数据库层,其内储存有场景数据集,所述场景数据库层可根据输入的目标需求筛选提取出目标场景数据;以及
场景分析层,用于对目标场景数据的每一帧数据的复杂度进行计算,并通过对所有帧数据的复杂度进行加权平均来获取针对该目标场景数据的复杂度量化结果。
作为本发明所述自动驾驶测试场景复杂度分析系统的一种优选方案,其中:所述场景分析层包括单帧场景数据复杂度分析架构,
所述单帧场景数据复杂度分析架构包括目标层、模块层、准则层和指标层,所述目标层为单帧场景数据的场景复杂度,所述模块层为单帧场景数据的场景组成要素,所述准则层为对应场景组成要素分解细化后产生的子要素,所述指标层为基于每个子要素提取出的评测指标。
本发明还公开了一种计算机可读存储介质,所述存储介质中存储有至少一条计算机指令,所述指令由处理器加载并执行以实现上述任一技术方案所述的自动驾驶测试场景复杂度分析方法中所执行的步骤。
本发明的有益效果是:
(1)本发明结合了专家经验与基于数据驱动的场景复杂度分析评价方案,可以充分利用专家的经验信息,并将其转化为可量化的信息,同时也能有效的反映目标场景片段中的场景要素在同类别场景中的相对关系,对于自动驾驶测试场景复杂程度的量化分析的准确性更高。
(2)本发明采用了模糊层次分析法对各项指标的权重进行量化设计,相对于现有的仅仅依靠专家经验主观判断或者传统的层次分析法,更好的实现对多位专家经验的有机融合,同时很好的避免了因各个专家因个人因素而引起的评估差异,有效的提升了评价的有效性与准确性。
(3)本发明对于场景中反映复杂度的各项指标或者要素本身,不同现有方案进行将各项指标直接进行处理或者简单的进行归一化,本系统在此基础上引入TOPSIS法,结合场景数据库中的历史同类别场景信息,可以较为准确的反应待评价方案与同类别参考的自动驾驶场景数据集对应各个要素之间的优劣差距;而对于一些无法或者难以量化的方案,采用模糊处理方法将其纳入量化评估中的一部分,提升了系统复杂度评估的完备性与可靠性;
(4)本发明既可以实现对自动驾驶场景整体的复杂度进行量化分析,也可以实现对场景中某一子类如交通流等的复杂度分析,且无需重新进行模型训练与重新建立专家评估体系,该场景分析的适用范围更广。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明提供的自动驾驶测试场景复杂度分析方法的步骤示意图;
图2为本发明提供的自动驾驶测试场景复杂度分析方法中步骤S102所述的单帧场景数据复杂度分析架构的结构示意图。
具体实施方式
为使本发明的内容更容易被清楚地理解,下面根据具体实施方式并结合附图,对本发明作出进一步详细的说明。
本实施例提供了一种自动驾驶测试场景复杂度分析方法,包括步骤S101~步骤S105,具体步骤说明如下:
步骤S101:对目标场景片段进行逐帧信息提取。
步骤S102:建立单帧场景数据复杂度分析架构,所述单帧场景数据复杂度分析架构包括目标层、模块层、准则层和指标层,所述目标层为单帧场景数据的场景复杂度,所述模块层为单帧场景数据的场景组成要素,所述准则层为对应场景组成要素分解细化后产生的子要素,所述指标层为基于每个子要素提取出的评测指标。
具体的,本实施例以实际场景建立的单帧场景数据复杂度分析架构如图2所示,目标层为单帧场景数据的场景复杂度。模块层包括路面条件、环境条件、交通流、车辆条件和道路附属这些场景组成要素。准则层中对应于路面条件这一场景组成要素分解细化出道路类型、道路线型和路面情况这几种子要素,对应于环境条件这一场景组成要素分解细化出天气因素、光线条件和道路周边遮挡情况这几种子要素,对应于交通流这一场景组成要素分解细化出可行驶区域、路面交通流状态和路面参与方这几种子要素,对应于车辆条件这一场景组成要素分解细化出自车车速情况、自车状态和自车横向情况这几种子要素,对应于道路附属这一场景组成要素分解细化出交通信号灯、车道线情况和交通标识这几种子要素。指标层为基于每个子要素提取出的评测指标,以交通标识为例,包含禁行标识、单行线等,图示中仅表现了其中两个准则层子模块的指标示意图,其他每一项类似,不一一列举。
步骤S103:对于目标场景片段中的每一帧场景数据,分别对每个层级某一类别各项指标之间的相对重要程度构建模糊判断矩阵。
具体的,对于目标场景片段中的每一帧场景数据,都可以按照图2所示的单帧场景数据复杂度分析架构进行处理。首先,专家基于其经验对不同指标之间的重要程度进行打分,依次构成模糊判断矩阵表1为成对比较的模糊判断矩阵。
表1
模糊层次分析法采用的标度值是模糊数。通过将评分专家重要程度判断的语言化描述转换成相应的模糊数,构建出模糊判断矩阵。模糊数的形态有很多,包括了正态分布、梯形分布、三角形分布、S型分布等。以下仅以三角分布为例来说明,用(l,m,u)的参数形式表示。其中,l≤m≤u,l,m,u分别代表模糊集的下限值,中值与上限值,模糊集的隶属度函数μ如下所示。
表2
式中,lji=1/uij,mji=1/mij,uji=1/uij,i≠j。
不同的评价专家的打分结果会构建出不同的判断矩阵,在计算最终的模糊判断矩阵时,需要对于多个专家矩阵结果进行模糊数的整合。
下面以某一准则层与其对应的指标层为例进行说明。
模糊矩阵的运算公式如下:
M1=(l1,m1,u1);M2=(l2,m2,u2)
M1+M2=(l1+l2,m1+m2,u1+u2)
上述的A1为专家一构建的模糊判断矩阵,A2为专家二构建的模糊判断矩阵,Atotal是对专家一和专家二进行模糊数整合得到到最终模糊判断矩阵。
步骤S104:对模糊判断矩阵进行去模糊化处理,得到指标层相对于准则层的权重值、准则层相对于模块层的权重值以及模块层相对于目标层的权重值,并以此计算得到指标层中各个评测指标相对于目标层的权重值。
具体的,在整合多个专家评分结果生成最终模糊判断矩阵之后,需要将其转换为最终的指标权重,其计算过程就是对模糊判断矩阵的去模糊化处理。
第i个指标类别的综合模糊值Di的计算方法如式1所示。
去模糊化的比较原则如公式2~公式4所示。
下面以步骤S103中专家一和专家二构建出的模糊判断矩阵为例,具体说明去模糊化处理和指标权重的计算。
为方便计算,以专家一和专家二打出的分一致为例,如不一样计算方式完全相同。
上述的FCM1为代入数值后形成的最终模糊判断矩阵。
由此,计算出的Dc1为指标类别C1的模糊数,同理可计算得到Dc2、Dc3、Dc4,计算结果如下:
Dc2=(0.169,0.331,0.670)
Dc3=(0.1368,0.2731,0.5314)
Dc4=(0.0658,0.1062,0.2041)
然后参照公式2~公式4进行去模糊化操作,具体计算如下:
v(Dc1≥Dc2)=0.8913,
v(Dc1≥Dc3)=1,
v(Dc1≥Dc4)=1,
d(C1)=min v(Dc1≥Dc2,Dc3,Dc4)=min(0.8913,1,1)=0.8913,
d(C2)=min v(Dc2≥Dc1,Dc3,Dc4)=min(1,1,1)=1,
d(C3)=min v(Dc3≥De1,Dc2,Dc4)=min(0.9583,0.8622,1)=0.8622,
d(C4)=min v(Dc4≥Dc1,Dc2,Dc3)=min(0.2247,0.1349,0.2872)=0.1349
将计算得到结构进行标准化,以指标类别C1为例,其标准化后的得到的指标类别C1相对于准则层的权重为:0.8913/(0.8913+1+0.8622+0.1349)=0.3086。同理可计算得到指标类别C2、C3和C4的相对于准则层的权重值:(Wc1,Wc2,We3,Wc4)=(0.3086,0.3462,0.2985,0.0467)。
由此,步骤S103中举例的某一指标层的评测指标相对于其准则层的权重计算如上结果。同理可以计算出其他指标层相对于其对应准则层的权重值,所有准则层相对于其上级层级对应模块层的权重值,以及不同模块层对应于目标层的权重值。
计算得到指标层相对于准则层的权重值、准则层相对于模块层的权重值以及模块层相对于目标层的权重值之后,参照公式5计算指标层中各个评测指标相对于目标层的权重值,公式5为:
WTarget_to_index=WFAHP_index_to_rule*WFAHP_Rule_to_module*WFAHP_module_to_targ et,
其中,WTarget_to_index表示指标层相对于目标层的权重值,WFAHP_index_to_rule表示指标层相对于准则层的权重值,WFAHP_Rule_to_mod ule表示准则层相对于模块层的权重值,WFAHP_module_to_targ et表示模块层相对于目标层的权重值。
步骤S105:对各个评测指标进行标准化处理,将标准化后的各个评测指标以及各个评测指标相对于目标层的权重值进行综合计算,得到该帧场景数据的复杂度。
具体的,在计算出各个层级相对于整体系统的相对权重后,考虑到各指标类别量纲的差异以及各个指标类别与其理想序列之间的差别,采用TOPSIS方法对相关的指标类别进行处理,具体处理方案如下:
获取各个指标类别的最优以及最劣的参考序列,此处分为两类。其一,对于可以量化评估的指标,该数据序列的获取方式为:首先基于场景数据库中获取的该类别历史场景数据,获取出该类别场景条件下该数据的最大值,对于少量场景如存在超过该场景指标对应的数值可以采用该数据进行替代处理。其二,对于难以量化的指标,同时收集多位专家的经验,通过模糊评价方法对该指标进行去模糊化处理,以此得到如下序列:
Z+=(max{z11,z21,…,zn1},max{z12,z22,…,zn2},…,max{z1m,z2m,…,znm})
Z-=(min{z11,z21,…,zn1},min{z12,z22,…,zn2},…,min{z1m,z2m,…,znm})
对于各项指标计算和其最大最小值的关系。
对于不易量化的指标,同样采用模糊分析法,并同对反模糊化的数据标准化后求取与该项指标与理想参考序列的关系。
以下为TOPSIS的计算示例:
表3
表3中,场景数据A和场景数据B为场景数据库中该类别的历史场景数据。
表4
表4为标准化并求取各项指标的最优最劣解。
如果场景C的各项指标的权重根据模糊层次分析法计算结果为(0.2,0.3,0.4,0.1),则可以求得:
由此可以求得当前帧的复杂度为:
同理可以计算得到其他帧的复杂度。
步骤S106:将计算得到的所有帧数据的复杂度进行加权平均,计算得到目标场景的复杂度量化结果。
其中,Stotal表示目标场景的复杂度量化结果,St=i表示第i帧计算得到的场景复杂度。
由此,本发明提出的针对自动驾驶场景复杂度的计算方法,可以帮助无人驾驶车辆在测试评估前针对待分析的测试场景数据的复杂度进行有效合理的量化分析计算,有助于挑选合适的场景,同时减少不必要的重复性测试,提升测评效率。与此同时,相比于之前的针对场景复杂度的计算方案,本系统通过FAHP充分结合了专家经验,同时解决传统方案在专家评判标准难以统一的问题,通过分层分模块实现对各个指标对场景复杂度的相对权重计算;同时采用TOPSIS与模糊算法相结合的方案,兼顾考虑到各项指标分布同时也同步考虑部分指标无法量化的问题,有效反映该场景该帧信息下对应指标在同类别场景中的一个整体的分布情况,两者的有机结合可以有效的实现了对不同场景的复杂度进行量化分析,有利于帮助整个系统在测试评价分析前进行合理,有效的场景筛选与评估。
本实施例还提供了一种自动驾驶测试场景复杂度分析系统,包括场景数据库层和场景分析层。
场景数据库层主要包含如下两个部分,其一为待分析的目标场景数据集,其二为已经处理完毕的各个类别的场景数据集。场景数据库层主要来源如下三部分:
1)系统路测场景库,包含但不限于自动驾驶车辆在实际路测过程中从起步,加速,跟车,变道,减速,停车等全过程,以及车辆在不同地区,不同时间段,不同车流等交通情况下的典型路测数据场景片段以及对于某些极限场景而自主设计产生的场景片段;
2)基于仿真平台自主设计的场景数据;
3)外部公开的自动驾驶场景数据。
该层级的特点在于:1.具备一个相对完整且涉及不同类别的场景数据库;2.可以根据不同任务需求即场景特征(包括但不限于不同模块,不同评测类型,不同应用场景)自动筛选与提取对应的场景数据,作为后续分析的输入。
场景分析层通过对某一场景片段的每一帧信息的复杂度进行分析计算,然后通过对该片段数据进行加权平均的方案来获取针对该场景的复杂度量化判断。
其中,针对每一帧数据的场景复杂度分析方式如下:
图2为场景复杂度分析的基本架构图,主要描述对于某一帧整个场景复杂度分析示意图,其中包含四层,第一层为目标层,即为单帧的场景复杂度,第二层为基于场景的组成要素而划分的不同门类,包含但不限于路面条件,环境条件,交通条件,车辆条件,道路附属等;第三层为针对各个场景的不同涵盖板块的细化分解,以环境条件为例,包含天气因素,光线条件,路边其他遮挡情况,第四层为指标层,即为基于各个子板块提取出来的各项指标,以交通标识为例,包含禁行标识,单行线等,图示中仅表现了其中两个准则层子模块的指标示意图,其他每一项类似,不一一列举。然后通过FAHP-TOPSIS-Fuzzy的方案获取各个指标以及指标对场景复杂度分析的权重情况,从而实现对单帧场景数据的复杂度的量化计算。
本实施例还提供了一种计算机可读存储介质,存储介质中存储有计算机程序,该计算机程序被处理器执行时执行前述的自动驾驶测试场景复杂度分析方法中所执行的步骤。该存储介质可以是处理器能够存取的任何可用介质,该可用介质可以是磁性介质(如软盘、硬盘、磁带)、光介质(如DVD)或半导体介质(如固态硬盘)等。
除上述实施例外,本发明还可以有其他实施方式;凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围。
Claims (8)
1.一种自动驾驶测试场景复杂度分析方法,其特征在于:包括,
对目标场景片段进行逐帧信息提取;
建立单帧场景数据复杂度分析架构,所述单帧场景数据复杂度分析架构包括目标层、模块层、准则层和指标层,所述目标层为单帧场景数据的场景复杂度,所述模块层为单帧场景数据的场景组成要素,所述准则层为对应场景组成要素分解细化后产生的子要素,所述指标层为基于每个子要素提取出的评测指标;
对于目标场景片段中的每一帧场景数据,采用模糊层次分析法分别对每个层级中的某一类别各项指标之间构建模糊判断矩阵;
对模糊判断矩阵进行去模糊化处理,得到指标层相对于准则层的权重值、准则层相对于模块层的权重值以及模块层相对于目标层的权重值,并以此计算得到指标层中各个评测指标相对于目标层的权重值;
对各个评测指标进行标准化处理,结合TOPSIS方法将标准化后的各个评测指标自身的数值以及各个评测指标相对于目标层的权重值进行综合计算,得到该帧场景数据的复杂度;
将计算得到的所有帧数据的复杂度进行加权平均,计算得到目标场景的复杂度量化结果。
3.根据权利要求1所述的自动驾驶测试场景复杂度分析方法,其特征在于:所述得到指标层相对于准则层的权重值、准则层相对于模块层的权重值以及模块层相对于目标层的权重值,并以此计算得到指标层中各个评测指标相对于目标层的权重值包括,
参照公式5计算指标层中各个评测指标相对于目标层的权重值,公式5为:WTarget_to_index=WFAHP_index_to_rule*WFAHP_Rule_to_module*WFAHP_module_to_target,
其中,WTarget_to_index表示指标层相对于目标层的权重值,WFAHP_index_to_rule表示指标层相对于准则层的权重值,WFAHP_Rule_to_module表示准则层相对于模块层的权重值,WFAHP_module_to_target表示模块层相对于目标层的权重值。
6.一种自动驾驶测试场景复杂度分析系统,其特征在于:包括,
场景数据库层,其内储存有场景数据集,所述场景数据库层可根据输入的场景特征筛选提取出目标场景数据;以及
场景分析层,用于对目标场景数据的每一帧数据的复杂度进行计算,并通过对所有帧数据的复杂度进行加权平均来获取针对该目标场景数据的复杂度量化结果。
7.根据权利要求6所述的自动驾驶测试场景复杂度分析系统,其特征在于:所述场景分析层包括单帧场景数据复杂度分析架构,
所述单帧场景数据复杂度分析架构包括目标层、模块层、准则层和指标层,所述目标层为单帧场景数据的场景复杂度,所述模块层为单帧场景数据的场景组成要素,所述准则层为对应场景组成要素分解细化后产生的子要素,所述指标层为基于每个子要素提取出的评测指标。
8.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条计算机指令,所述指令由处理器加载并执行以实现权利要求1至权利要求5任一项所述的自动驾驶测试场景复杂度分析方法中所执行的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111148744.4A CN113989767A (zh) | 2021-09-29 | 2021-09-29 | 一种自动驾驶测试场景复杂度分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111148744.4A CN113989767A (zh) | 2021-09-29 | 2021-09-29 | 一种自动驾驶测试场景复杂度分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989767A true CN113989767A (zh) | 2022-01-28 |
Family
ID=79737164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111148744.4A Pending CN113989767A (zh) | 2021-09-29 | 2021-09-29 | 一种自动驾驶测试场景复杂度分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989767A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707909A (zh) * | 2022-05-23 | 2022-07-05 | 北京宏景智驾科技有限公司 | 场景评价方法和装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945507A (zh) * | 2012-10-09 | 2013-02-27 | 东北大学 | 基于模糊层次分析的分散式风电场优化选址方法及装置 |
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 |
CN113064839A (zh) * | 2021-06-03 | 2021-07-02 | 中智行科技有限公司 | 一种系统评测方法及装置 |
EP3846035A1 (en) * | 2020-01-02 | 2021-07-07 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, electronic device and storage medium for testing autonomous driving system |
CN113420975A (zh) * | 2021-06-17 | 2021-09-21 | 中智行科技有限公司 | 一种系统性能的评测方法及装置 |
-
2021
- 2021-09-29 CN CN202111148744.4A patent/CN113989767A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945507A (zh) * | 2012-10-09 | 2013-02-27 | 东北大学 | 基于模糊层次分析的分散式风电场优化选址方法及装置 |
EP3846035A1 (en) * | 2020-01-02 | 2021-07-07 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, electronic device and storage medium for testing autonomous driving system |
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 |
CN113064839A (zh) * | 2021-06-03 | 2021-07-02 | 中智行科技有限公司 | 一种系统评测方法及装置 |
CN113420975A (zh) * | 2021-06-17 | 2021-09-21 | 中智行科技有限公司 | 一种系统性能的评测方法及装置 |
Non-Patent Citations (1)
Title |
---|
董汉;舒伟;陈超;孙灿;尤超;: "危险驾驶工况场景的复杂度评估方法研究", 汽车工程, no. 06, 30 June 2020 (2020-06-30) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707909A (zh) * | 2022-05-23 | 2022-07-05 | 北京宏景智驾科技有限公司 | 场景评价方法和装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Manifold: A model-agnostic framework for interpretation and diagnosis of machine learning models | |
CN111291266B (zh) | 基于人工智能的推荐方法、装置、电子设备及存储介质 | |
CN113052211B9 (zh) | 一种基于特征的秩和通道重要性的剪枝方法 | |
Amiri et al. | Peeking inside the black-box: Explainable machine learning applied to household transportation energy consumption | |
CN110929577A (zh) | 一种基于YOLOv3的轻量级框架改进的目标识别方法 | |
Sainct et al. | Efficient methodology for seismic fragility curves estimation by active learning on Support Vector Machines | |
Tian et al. | Small object detection via dual inspection mechanism for UAV visual images | |
CN112541532B (zh) | 基于密集连接结构的目标检测方法 | |
CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN109522876B (zh) | 基于bp神经网络的地铁站楼扶梯选择预测方法及系统 | |
Obsie et al. | Prediction of student academic performance using neural network, linear regression and support vector regression: a case study | |
CN111444865A (zh) | 一种基于逐步求精的多尺度目标检测方法 | |
CN110599459A (zh) | 基于深度学习的地下管网风险评估云系统 | |
CN111784084A (zh) | 基于梯度提升决策树的出行生成预测方法、系统及装置 | |
CN111047078A (zh) | 交通特征预测方法、系统及存储介质 | |
CN111145145A (zh) | 一种基于MobileNets的图像表面缺陷检测方法 | |
CN113989767A (zh) | 一种自动驾驶测试场景复杂度分析方法及系统 | |
CN114170512A (zh) | 基于网络剪枝和参数量化结合的遥感sar目标检测方法 | |
CN116403113A (zh) | 进化剪枝轻量化卷积神经网络的滑坡识别方法、系统、设备及介质 | |
CN114202803A (zh) | 一种基于残差网络的多阶段人体异常动作检测方法 | |
CN113420975A (zh) | 一种系统性能的评测方法及装置 | |
CN114943290B (zh) | 一种基于多源数据融合分析的生物入侵识别方法 | |
Fonseca et al. | An application for risk of crime prediction using machine learning | |
Yan et al. | Machine learning for astronomical big data processing | |
CN115272814B (zh) | 一种远距离空间自适应多尺度的小目标检测方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221101 Address after: 215000 room 808, 8 / F, building 9a, launch area of Yangtze River Delta International R & D community, No. 286, qinglonggang Road, high speed rail new town, Xiangcheng District, Suzhou City, Jiangsu Province Applicant after: Tianyi Transportation Technology Co.,Ltd. Address before: 1 / F, building 28, 6055 Jinhai highway, Fengxian District, Shanghai, 201403 Applicant before: Zhongzhixing (Shanghai) Transportation Technology Co.,Ltd. |