CN113989767A - 一种自动驾驶测试场景复杂度分析方法及系统 - Google Patents

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

一种自动驾驶测试场景复杂度分析方法及系统

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，

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

其中，

代表指标i相对指标j的重要程度的模糊值。

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。

模糊层次分析法的标度值可以用

表示，模糊数和权重的语义描述之间的对应关系如表2所示。

表2

对于每个上级层级的指标类别，都可以构建出对应的下级层级的模糊判断矩阵

如式X所示。

公式X：

式中，l_ji＝1/u_ij，m_ji＝1/m_ij，u_ji＝1/u_ij，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。

参照公式1计算模糊判断矩阵中下级层级的各个指标类别的模糊数，公式1为

其中，D_i表示第i个指标类别的综合模糊值，

表示指标类别i相对于指标类别i的重要程度的模糊值；

参照公式2～公式4进行去模糊化计算，公式2为

公式3为

公式4为

其中，P(D_i＞D_j)表示D_i＞D_j的可能性，

表示去模糊化计算得到的第i个指标类别的权重值。

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：W_{Target_to_index}＝W_{FAHP_index_to_rule}*W_{FAHP_Rule_to_module}*W_{FAHP_module_to_target}，

其中，W_{Target_to_index}表示指标层相对于目标层的权重值，W_{FAHP_index_to_rule}表示指标层相对于准则层的权重值，W_{FAHP_Rule_to_module}表示准则层相对于模块层的权重值，W_{FAHP_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，

参照公式6～公式8计算该帧场景数据的复杂度，公式6为

公式7为

公式8为

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，α_i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，

参照公式9计算目标场景的复杂度量化结果，公式9为

其中，S_total表示目标场景的复杂度量化结果，S_t＝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

其中，

代表指标i相对指标j的重要程度的模糊值。

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。

模糊层次分析法的标度值可以用

表示，模糊数和权重的语义描述之间的对应关系如表2所示。

表2

对于每个上级层级的指标类别，都可以构建出对应的下级层级的模糊判断矩阵

如式S所示。

公式X：

式中，l_ji＝1/u_ij，m_ji＝1/m_ij，u_ji＝1/u_ij，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，A_total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D_i的计算方法如式1所示。

公式1为

其中，D_i表示第i个指标类别的综合模糊值，

表示指标类别i相对于指标类别j的重要程度的模糊值。

去模糊化的比较原则如公式2～公式4所示。

公式2为

公式3为

公式4为

其中，P(D_i＞D_j)表示D_i＞D_j的可能性，D_i和D_j分别代表第i和j个指标的综合模糊值，

表示去模糊化计算得到的第i个指标类别的权重值，它是根据D_i相对于所有其他D_j的可能度中的最小值来确定的。

W_{FAHP_index_to_rule_i}(i＝1，2...n)是对

进行归一化处理后的最终模糊层次分析法的权重计算结果。

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。

参照公式1：

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D_c1为指标类别C1的模糊数，同理可计算得到D_c2、D_c3、D_c4，计算结果如下：

D_c2＝(0.169，0.331，0.670)

D_c3＝(0.1368，0.2731，0.5314)

D_c4＝(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(D_c1≥D_c2)＝0.8913，

v(D_c1≥D_c3)＝1，

v(D_c1≥D_c4)＝1，

d(C1)＝min v(D_c1≥D_c2，D_c3，D_c4)＝min(0.8913，1，1)＝0.8913，

d(C2)＝min v(D_c2≥D_c1，D_c3，D_c4)＝min(1，1，1)＝1，

d(C3)＝min v(D_c3≥D_e1，D_c2，D_c4)＝min(0.9583，0.8622，1)＝0.8622，

d(C4)＝min v(D_c4≥D_c1，D_c2，D_c3)＝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：(W_c1，W_c2，W_e3，W_c4)＝(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：

W_{Target_to_index}＝W_{FAHP_index_to_rule}*W_{FAHP_Rule_to_module}*W_{FAHP_module_to_targ et}，

其中，W_{Target_to_index}表示指标层相对于目标层的权重值，W_{FAHP_index_to_rule}表示指标层相对于准则层的权重值，W_{FAHP_Rule_to_mod ule}表示准则层相对于模块层的权重值，W_{FAHP_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，…，z_n1}，max{z₁₂，z₂₂，…，z_n2}，…，max{z_1m，z_2m，…，z_nm})

Z^-＝(min{z₁₁，z₂₁，…，z_n1}，min{z₁₂，z₂₂，…，z_n2}，…，min{z_1m，z_2m，…，z_nm})

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。

之后参照公式6～公式8计算该帧场景数据的复杂度，公式6为

公式7为

公式8为

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，α_i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。

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。

具体的，针对该场景下每一帧场景数据计算得到的场景复杂度数值进行加权平均值的求取，即可得到该场景数据的复杂度量化结果。参照公式9计算目标场景的复杂度量化结果，公式9为

其中，S_total表示目标场景的复杂度量化结果，S_t＝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。

2.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：所述对模糊判断矩阵进行去模糊化处理包括，

参照公式1计算模糊判断矩阵中下级层级的各个指标类别的模糊数，公式1为

其中，D_i表示第i个指标类别的综合模糊值，

表示指标类别i相对于指标类别j的重要程度的模糊值；

参照公式2～公式4进行去模糊化计算，公式2为

公式3为

公式4为

其中，P(D_i＞D_j)表示D_i＞D_j的可能性，

表示去模糊化计算得到的指标层到准则层的权重值。

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：W_{Target_to_index}＝W_{FAHP_index_to_rule}*W_{FAHP_Rule_to_module}*W_{FAHP_module_to_target}，

其中，W_{Target_to_index}表示指标层相对于目标层的权重值，W_{FAHP_index_to_rule}表示指标层相对于准则层的权重值，W_{FAHP_Rule_to_module}表示准则层相对于模块层的权重值，W_{FAHP_module_to_target}表示模块层相对于目标层的权重值。

4.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，

参照公式6～公式8计算该帧场景数据的复杂度，公式6为

公式7为

公式8为

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，α_i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。

5.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，

参照公式9计算目标场景的复杂度量化结果，公式9为

其中，S_total表示目标场景的复杂度量化结果，S_t＝i表示第i帧计算得到的场景复杂度。

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。

Images