CN114282776A - 车路协同评估自动驾驶安全性的方法、装置、设备和介质 - Google Patents

Abstract

本公开提供了一种评估自动驾驶安全性的方法、装置、电子设备和介质，涉及人工智能技术领域，尤其涉及自动驾驶技术领域。实现方案为：将描述交通场景的数据输入场景分布模型，以得到交通场景的状态分布和状态分布的产生概率；将状态分布输入自动驾驶车辆交互模型，以得到自动驾驶车辆执行关键动作的动作时间和动作时间的产生概率；将动作时间输入自动驾驶安全评价模型以得到安全量化指标；以及基于状态分布的产生概率、动作时间的产生概率和安全量化指标，确定交通场景的平均安全理论指标。

Description

车路协同评估自动驾驶安全性的方法、装置、设备和介质

技术领域

本公开涉及人工智能技术领域，尤其涉及自动驾驶技术领域，具体涉及一种评估自动驾驶安全性的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

自动驾驶目前主要依靠单车智能自动驾驶(Autonomous Driving，AD)。其中AD主要依靠车辆自身的视觉、毫米波雷达、激光雷达等传感器、计算单元、线控系统进行环境感知、计算决策和控制执行。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种评估自动驾驶安全性的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种评估自动驾驶安全性的方法，包括：将描述交通场景的数据输入场景分布模型，以得到所述交通场景的状态分布和所述状态分布的产生概率；将所述状态分布输入自动驾驶车辆交互模型，以得到自动驾驶车辆执行关键动作的动作时间和所述动作时间的产生概率；将所述动作时间输入自动驾驶安全评价模型以得到安全量化指标；以及于所述状态分布的产生概率、所述动作时间的产生概率和所述安全量化指标，确定所述交通场景的平均安全理论指标。

根据本公开的另一方面，提供了一种评估自动驾驶安全性的装置，包括：第一模块，被配置为将描述交通场景的数据输入场景分布模型，以得到所述交通场景的状态分布和所述状态分布的产生概率；第二模块，被配置为将所述状态分布输入自动驾驶车辆交互模型，以得到自动驾驶车辆执行关键动作的动作时间和所述动作时间的产生概率；第三模块，被配置为将所述动作时间输入自动驾驶安全评价模型以得到安全量化指标；以及第四模块，被配置为基于所述状态分布的产生概率、所述动作时间的产生概率和所述安全量化指标，确定所述交通场景的平均安全理论指标。。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述评估自动驾驶安全性的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述评估自动驾驶安全性的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述评估自动驾驶安全性的方法。

根据本公开的一个或多个实施例，本公开通过模型对自动驾驶的安全性进行评估，直观地量化了自动驾驶的安全性能。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本公开描述的各种方法的示例性系统的示意图；

图2出了根据本公开示例性实施例的评估自动驾驶安全性的方法的流程图；

图3出了根据本公开示例性实施例的用于评估自动驾驶安全性的模型框架的示意图；

图4示出了根据本公开的实施例的超视距跟驰场景示意图；

图5示出了根据本公开的实施例的车头时距的概率分布示意图；

图6示出了根据本公开的实施例的车速分布的概率分布示意图；

图7示出了根据本公开的实施例的换道冲突场景示意图；

图8出了根据本公开的实施例的无保护左转场景示意图；

图9出了根据本公开的实施例的感知模型示意图；

图10了根据本公开的实施例的多种不确定性图示意图；

图11出了根据本公开的实施例的同方差分量和异方差分量示意图；

图12出了根据本公开示例性实施例的评估自动驾驶安全性的装置的结构框图；以及

图13示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

在当前的自动驾驶领域中，较为普遍地采用了单车智能自动驾驶技术。单车智能自动驾驶受到多种因素的限制，难以彻底解决准确感知识别和高精度定位问题，无法满足当前人们对于自动驾驶技术的应用需求。而用路侧设备来执行对车辆的自动控制的方法，提升了在多种场景下对车辆的自动控制能力，满足当前人们对于自动驾驶技术的应用的多方面的需求。

基于此，本公开基于上述用路侧设备来执行对车辆的自动控制的方法，即车路协同自动驾驶技术，构建了车路协同安全性模型，通过模型对车路协同自动驾驶的安全性做出评估和计算，更直观地量化了车路协同自动驾驶的安全性能。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本公开描述的方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括机动车辆110、服务器120以及将机动车辆110耦接到服务器120的一个或多个通信网络130。

在本公开的实施例中，机动车辆110可以包括根据本公开实施例的计算设备和/或被配置以用于执行根据本公开实施例的方法。

服务器120可以运行使得能够实现评估自动驾驶安全性的方法的一个或多个服务或软件应用。在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。机动车辆110的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本公开所描述的方法的系统的一个示例，并且不旨在进行限制。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从机动车辆110接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由机动车辆110的一个或多个显示设备来显示数据馈送和/或实时事件。

网络130可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是卫星通信网络、局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(包括例如蓝牙、WiFi)和/或这些与其他网络的任意组合。

系统100还可以包括一个或多个数据库150。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库150中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库150可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库150可以是不同的类型。在某些实施例中，由服务器120使用的数据库可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库150中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

机动车辆110可以包括传感器111用于感知周围环境。传感器111可以包括下列传感器中的一个或多个：视觉摄像头、红外摄像头、超声波传感器、毫米波雷达以及激光雷达(LiDAR)。不同的传感器可以提供不同的检测精度和范围。摄像头可以安装在车辆的前方、后方或其他位置。视觉摄像头可以实时捕获车辆内外的情况并呈现给驾驶员和/或乘客。此外，通过对视觉摄像头捕获的画面进行分析，可以获取诸如交通信号灯指示、交叉路口情况、其他车辆运行状态等信息。红外摄像头可以在夜视情况下捕捉物体。超声波传感器可以安装在车辆的四周，用于利用超声波方向性强等特点来测量车外物体距车辆的距离。毫米波雷达可以安装在车辆的前方、后方或其他位置，用于利用电磁波的特性测量车外物体距车辆的距离。激光雷达可以安装在车辆的前方、后方或其他位置，用于检测物体边缘、形状信息，从而进行物体识别和追踪。由于多普勒效应，雷达装置还可以测量车辆与移动物体的速度变化。

机动车辆110还可以包括通信装置112。通信装置112可以包括能够从卫星141接收卫星定位信号(例如，北斗、GPS、GLONASS以及GALILEO)并且基于这些信号产生坐标的卫星定位模块。通信装置112还可以包括与移动通信基站142进行通信的模块，移动通信网络可以实施任何适合的通信技术，例如GSM/GPRS、CDMA、LTE等当前或正在不断发展的无线通信技术(例如5G技术)。通信装置112还可以具有车联网或车联万物(Vehicle-to-Everything，V2X)模块，被配置用于实现例如与其它车辆143进行车对车(Vehicle-to-Vehicle，V2V)通信和与路侧设备144进行车辆到路侧设备(Vehicle-to-Infrastructure，V2I)通信的车与外界的通信。此外，通信装置112还可以具有被配置为例如通过使用IEEE802.11标准的无线局域网或蓝牙与用户终端145(包括但不限于智能手机、平板电脑或诸如手表等可佩戴装置)进行通信的模块。利用通信装置112，机动车辆110还可以经由网络130接入服务器120。

机动车辆110还可以包括控制装置113。控制装置113可以包括与各种类型的计算机可读存储装置或介质通信的处理器，例如中央处理单元(CPU)或图形处理单元(GPU)，或者其他的专用处理器等。控制装置113可以包括用于自动控制车辆中的各种致动器的自动驾驶系统。自动驾驶系统被配置为经由多个致动器响应来自多个传感器111或者其他输入设备的输入而控制机动车辆110(未示出的)动力总成、转向系统以及制动系统等以分别控制加速、转向和制动，而无需人为干预或者有限的人为干预。控制装置113的部分处理功能可以通过云计算实现。例如，可以使用车载处理器执行某一些处理，而同时可以利用云端的计算资源执行其他一些处理。控制装置113可以被配置以执行根据本公开的方法。此外，控制装置113可以被实现为根据本公开的机动车辆侧(客户端)的计算设备的一个示例。

可以理解，机动车不是必须包括上述各种车端传感设备。根据本发明的一些实施例，在机动车辆不具备或者不启用这些车端传感设备的情况下仍可实现安全可靠的自动驾驶。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的方法和装置。

图2出了根据本公开示例性实施例的评估自动驾驶安全性的方法的流程图。

如图2示，所述评估自动驾驶安全性的方法200可以包括：步骤S201、将描述交通场景的数据输入场景分布模型，以得到所述交通场景的状态分布和所述状态分布的产生概率；步骤S202、将所述状态分布输入自动驾驶车辆交互模型，以得到自动驾驶车辆执行关键动作的动作时间和所述动作时间的产生概率；步骤S203、将所述动作时间输入自动驾驶安全评价模型以得到安全量化指标；以及步骤S204、基于所述状态分布的产生概率、所述动作时间的产生概率和所述安全量化指标，确定所述交通场景的平均安全理论指标。

由此，基于所构建的模型，由真实数据生成仿真的交通场景，并基于模型的计算对该交通场景下的自动驾驶的安全性进行量化评估。

图3示出了一种用于评估自动驾驶安全性的模型框架的示意图，如图3所示，针对交通场景的具体状态分布可以通过超参数θ进行表征，T_act则表示自动驾驶车辆执行感知、变道、路口转弯等关键动作的动作时间。给定一组θ和T_act，借助自动驾驶安全评价模型可以得到安全量化指标P_safe。同时，通过场景分布模型和自动驾驶车辆交互模型分别求得任一组θ和Tact的产生概率，进而通过积分得到该类场景下的平均安全理论指标。

根据一些实施例，步骤S201包括：将描述交通场景的数据输入场景分布模型，以得到所述交通场景的状态分布，其中，所述状态分布基于多个参数；以及基于所述多个参数中的每一个参数的概率分布，计算所述状态分布的产生概率。

描述交通场景的数据可以包括该交通场景中的自动驾驶车辆和其他非自动驾驶车辆的速度、车与车之间的车距等数据。基于这些数据，利用场景分布模型确定该交通场景的状态分布θ。在一个示例中，在某个场景中，{θ}＝{v₁，v₂，h₂}，其中，v₁为自动驾驶车辆的前车的速度，v₂为自动驾驶车辆的速度，h₂为两车的车头时距，则针对该场景，其状态分布的产生概率可以基于状态分布θ的每一个参数的概率来计算，即P(v₁，v₂，h₂)＝P(v₁)·P(v₂)·P(h₂)。

根据一些实施例，所述交通场景为多种交通场景类型中的一种类型，所述多种交通场景类型包括：超视距跟驰场景、换道冲突场景和无保护左转场景。

下文将对上述三种交通场景的状态分布的产生概率的计算进行详细介绍。

在如图4所示的超视距跟驰场景中，超参数{θ}＝{v₁，v₂，h₂}，其中v₁为自动驾驶车辆2的前车1的速度，v₂为自动驾驶车辆2的速度，h₂为两车的车头时距，d₁为前车1与路侧设备之间的距离，d₂为两车距离并可以通过d₂＝v₂h₂计算。其中两车速度v均满足对数正态分布，h₂的分布为负指数分布，d₁假设为常值，两车速度v的分布q(v)可以表示为：

上式中，μ，σ为对数正态分布的基本参数，其中，μ为均值，σ为标准差，n为正整数，通过真实交通流数据拟合得出，它们的公式表达如下

假定前车速度和后车速度符合范围v∈[v_min，v_max]，对速度概率分布归一化处理计算得到前车的速度概率

同理求出v₂的速度概率P(v₂)。车头时距h₂的概率分布为：

P(h)＝λe^-λh，λ为参数

其中

其中

指的是平均车头时距。在自由交通流状态下，车头时距一般取值范围为[1.889，2.344](单位：s)，取

拟合可以得到：

P(h)＝0.1742e^-0.1742h

车头时距的分布在坐标轴中的图示如图5所示。

车速分布为：

车速的分布在坐标轴中的图示如图6所示。

由于v₁，v₂，h₂为独立变量，故超视距跟驰场景的状态分布的产生概率为：

P(v₁，v₂，h₂)＝P(v₁)·P(v₂)·P(h₂)

在如图7所示的换道冲突场景中，超参数{θ}＝{v₁，v₂，v₃，h₂，h₃}，其中v₃为自动驾驶车辆3的速度，v₂为位于自动驾驶车辆3右前方的遮挡车辆2的速度，v₁为即将要换道的车辆1的速度，d₁为车辆1与路侧设备之间的距离，假定为常值，h₂为车辆2与车辆1之间的车头时距，h₃为车辆2与自动驾驶车辆3之间的车头时距，三车之间的速度分布均满足超视距跟驰场景中的速度对数正态分布，h₂满足超视距跟驰场景中的车头时距负指数分布，h₃假定为均匀分布

故换道冲突场景的状态分布的产生概率为：

P(v₁，v₂，v₃，d₁，h₂，h₃)＝P(v₁)·P(v₂)·P(v₃)·P(h₂)·P(h₃)

在如图8所示的无保护左转场景中，超参数{θ}＝{v₁，v₂，v₃，d₁，d₂，d₃}，其中v₁为对向直行车1的速度，v₂为遮挡车2的速度，v₃为自动驾驶车辆3的速度。此处定义自动驾驶车辆3与对向直行车1之间发生碰撞的点为冲突点，d₁表示直行车1与冲突点的距离，d₂为遮挡车2与冲突点所在的垂直于道路延伸方向的直线的距离，d₃为自动驾驶车辆3与冲突点所在的垂直于道路延伸方向的直线的距离。根据真实车辆数据状态分布，可推算出v₁，v₂的分布近似满足对数正态分布，v₃的分布近似满足泊松分布，1/d₁，1/d₂近似满足泊松分布，d₃假设为均匀分布，无保护左转场景的状态分布的产生概率为：

P(v₁，v₂，v₃，d₁，d₂，d₃)＝P(v₁)·P(v₂)·P(v₃)·P(d₁)·P(d₂)·P(d₃)。

根据一些实施例，所述自动驾驶车辆交互模型包括感知模型和与所述交通场景的类型相对应的车辆交互模型。其中，与所述超视距跟驰场景相对应的车辆交互模型为跟驰驾驶模型，与所述换道冲突场景相对应的车辆交互模型为车道变更模型，并且与所述无保护左转场景相对应的车辆交互模型为左转模型。

由此，针对不同类型的交通场景构建与之相对应的车辆交互模型，用于确定不同交通场景下车辆的交互行为，以评估不同交通场景下的自动驾驶的安全性。

下文中的实施例将对不同的车辆交互模型中的车辆的交互行为给出具体的描述。

根据一些实施例，在与超视距跟驰场景相对应的跟驰驾驶模型中，如图4所示，位于自动驾驶车辆2前方的车辆1与自动驾驶车辆2分别以v₁和v₂的速度行驶在同一车道上，响应于感测到自动驾驶车辆2的前车1开始减速，自动驾驶车辆2需相应地进行减速以避免碰撞；在与换道冲突场景相对应的车道变更模型中，如图7所示，响应于感测到前车1换道行驶，自动驾驶车辆3需相应地进行减速以避免碰撞；在与无保护左转场景相对应的左转模型中，如图8所示，响应于对向车辆1直行以及对向车辆2左转，自动驾驶车辆3需相应地减速以避免碰撞。基于以上各个车辆交互模型所确定的车辆交互行为，可以确定针对不同的交通场景，自动驾驶车辆应执行的关键动作，以避免碰撞。

根据一些实施例，将所述状态分布输入自动驾驶车辆交互模型，以得到自动驾驶车辆执行关键动作的动作时间和所述动作时间的产生概率包括：利用所述与所述交通场景的类型相对应的车辆交互模型，确定所述自动驾驶车辆在所述交通场景下待执行的所述关键动作；以及基于所述状态分布，利用所述感知模型确定所述自动驾驶车辆执行所述关键动作的动作时间和所述动作时间的产生概率。

可以理解的是，自动驾驶车辆执行关键动作的动作时间包括感知相关事件的时间以及对相关事件做出响应的时间。下面的实施例对相关事件以及对应的关键动作给出了详细的描述。

根据一些实施例，所述交通场景为超视距跟驰场景，并且所述关键动作包括：所述自动驾驶车辆感知到前车减速并且所述自动驾驶车辆完成相应的减速动作。

根据一些实施例，所述交通场景为换道冲突场景，并且所述关键动作包括：所述自动驾驶车辆感知到前车换道行驶并且所述自动驾驶车辆完成相应的减速动作。

根据一些实施例，所述交通场景为无保护左转场景，并且所述关键动作包括以下至少之一：所述自动驾驶车辆感知到对向直行车辆并且所述自动驾驶车辆完成相应的减速动作；和所述自动驾驶车辆感知到对向左转车辆并且所述自动驾驶车辆完成相应的减速动作。

对于相关时间的感知的不确定性是单车智能和车路协同产生驾驶安全差异的核心因素，包括硬件检测的不确定性、软件模型的不确定性与多传感器融合的不确定性。对这类不确定性，可使用贝叶斯神经网络对感知模型进行误差表征与估计。针对传感器的硬件检测不确定性，依照用于风险评估和可靠性分析的偶然不确定性分析方法，可以对传感器的检测过程进行建模并通过使用最大似然估计方法来估计其不确定性分布；针对传感器的软件模型不确定性，引入在主动学习领域中的认知不确定性分析方法，利用皮尔逊相关系数分析得到感知算法不确定性与被测物体距离、被测物体被遮挡比例成线性正相关；针对多传感器融合的不确定性，由于贝叶斯网络的不确定性输出服从正态分布，仅考虑采用不同感知模型的不同传感器的感知结果级融合，其不确定性等同于多个正态分布不确定性的叠加。

感知模型的不确定性，如图9所示，具体包括：(1)评估同方差偶然不确定性；(2)评估异方差偶然不确定性；(3)评估认知不确定性。

在风险分析和可靠性分析方法中，不确定性通常分为两种：一种为偶然不确定性(aleatoric uncertainty)，另外一种为认知不确定性(epistemic uncertainty)。这种划分的依据为不确定性的来源。偶然不确定性的来源通常为感知模型中的自然随机噪声，包括受传感器分辨率等传感器内在品质相关参数影响的随机噪声，以及受传感器成像特性影响的随机噪声等。认知不确定性的来源是感知模型缺少知识，或数据而带来的不确定性，通常由规则训练样本数据分布与实际被检测样本数据分布差异过大导致。通常在不改变模型的前提下，偶然不确定是无法减少的，而认知不确定会随着训练数据量的增加而减少。

如图10，上左图片为原图，上中为标注真值，上右为语义分割的结果。下左图片为偶然不确定性，下右图片为认知不确定性。偶然不确定性的主要原因是被测目标远离摄像头，导致的画面模糊；认知不确定性主要原因是为被测物体与训练集数据分布有偏差。导致偶然不确定性的因素是多样化的。对于不同类型的感知任务以及传感器类型导致偶然不确定性的因素难以一一枚举，很难根据每一个影响因素分别进行建模。因此，按照不确定度的分布，可以将偶然不确定性拆分成两个组成分量：同方差不确定性和异方差不确定性。其中同方差不确定度在不同的输入下保持为常数项，异方差不确定度会随着输入的变化而变化。

如图11，左图为同方差分量，右图为异方差分量。横轴为模型输入量，纵轴为不确定性。深色线表示不确定性的平均值，浅色区域表示方差范围。通常使用贝叶斯神经网络方法计算不确定性，对于分类问题，可以表示为：

p(y|f^W(x))＝Softmax(f^W(x))

其中，y代表模型的输出，x代表模型的输入，W代表知识不确定性为0的情况下贝叶斯神经网络的权重，f^W(x)表示模型在参数为W条件下、输入为x的输出结果，Softmax代表神经网络中Softmax层的作用。

用

表示对W的估计，则知识不确定性表示为f^W(x)与

的距离。

根据MC-dropout方法，可以估计出分类任务中的误差分布。通过统计分析，可以得到以下结论：

1.认知不确定度与感知目标欧几里得距离皮尔逊相关系数接近0，不相关。

2.偶然不确定度的异方差部分与感知目标欧几里得距离皮尔逊相关系数接近1，成正相关。

因此，在公开中感知的不确定性与欧几里得距离成正相关。在给定条件下，特定传感器的偶然不确定与认知不确定之和为总不确定性(Total Uncertainty，TU)。

在物体在传感器x轴0～50m范围内，y和z保持恒定，设TU(x)＝0.004x+0.05。

在超视距跟驰场景中，感知不确定性是一个跟随距离变化的函数，即P_tu(d)＝0.004d+0.05，即当自动驾驶车辆有一定概率感知到与前车距离，如果感知到，认为在此之后的时间序列中感知一直存在且不会消失；若没有感知到，则自动驾驶车辆保持当前状态的速度行驶。

若感知到与前车的距离，根据跟驰驾驶模型，使用如下的公式对自车进行加速度控制。计算控制系数α，根据α判断自动驾驶模型当前应当完成加速或减速或保持当前状态等操作。

上式中，ω为控制参数，在一个示例中，

s^*为期望距离，s为两车之间的距离，即当v＝v₁＝v₂，s^*＝s时，为控制模型的稳态解。此时认为达到了理想跟车状态，在该情况下s^*的值满足条件：前车意外突然减速至0，后车仍可采取舒适减速度减速所需的安全距离，其中b_com表示舒适减速度。

上式中a_act表示自动驾驶车辆响应的加速度，可以通过模型减速度(b_m)或模型加速度(a_m)计算得到。

同时加入关键动作时间指标T_act，关键动作时间描述为感知生效且完成关键动作的时间，即感知到前车减速且自车完成对应的减速动作的时间，T_act的分布服从P(T_act)，计算公式如下：

上式中P_S(t₁)表示在超视距跟驰场景中，自动驾驶车辆在t₁时刻完成关键动作的概率，(1-P_S(iΔT))表示自动驾驶车辆在iΔT时刻未完成该关键动作的概率，其中i为非负整数，ΔT为t₁时间内较短的时间段，关键动作时间t₁的概率P(t₁)可由上式计算得到。

在换道冲突场景中，关键动作时间用t₁，t₂表示，关键动作表示感知到前车换道，自动驾驶车辆同时完成减速动作，t₁的含义为前车变道的时间，假定其服从均匀分布：

t₁～U(t_min，t_max)

t₂的含义为感知生效的时间，即自动驾驶车辆感知到前车变道行驶到完成相应减速所用的时间，计算方式如下：

上式中P_S(t₁)表示在换道冲突场景中，自动驾驶车辆在t₂时刻完成关键动作的概率，(1-P_S(iΔT))表示自动驾驶车辆在iΔT时刻未完成该关键动作的概率，其中i为非负整数，ΔT为t₂时间内较短的时间段，关键动作时间t₂的概率P(t₂)可由上式计算得到。

在无保护左转场景中，关键动作时间分为直行感知生效时间t₁，即自动驾驶车辆感知到对向直行车辆并且自动驾驶车辆完成相应的减速动作所用时间，左转感知生效时间t₂，即自动驾驶车辆感知到对向左转车辆并且自动驾驶车辆完成相应的减速动作所用时间，t₁，t₂分别的计算方式为：

上式中的两个关键动作时间的概率的计算方式与超视距跟驰场景和换道冲突场景中关键动作时间的概率的计算方式类似，在此不作赘述。

由此，计算出不同交通场景下的自动驾驶车辆执行关键动作的动作时间，并作为输入，输入自动驾驶安全评价模型中，用于安全量化指标的计算。

根据一些实施例，所述自动驾驶安全评价模型包括安全评价模型和与所述交通场景的类型相对应的车辆交互模型。其中，车辆交互模型用于确定交通场景，安全评价模型基于该交通场景的类型确定与该交通场景相应的安全量化指标，用于评价该交通场景下的自动驾驶的安全性。

根据一些实施例，将所述动作时间输入自动驾驶安全评价模型以得到安全量化指标包括：将所述动作时间输入自动驾驶安全评价模型以得到安全量化指标包括：利用所述与所述交通场景的类型相对应的车辆交互模型，确定与所述交通场景的类型相对应的安全量化指标的计算方法；以及基于所述计算方法和所述动作时间，利用所述安全评价模型确定所述安全量化指标。

安全量化指标的计算方法是基于交通场景的类型来确定的，不同类型的交通场景中由于车辆的交互行为不同需要利用安全评价模型通过不同的计算方法来确定其对应的安全量化指标。

在无保护左转场景中，如图8所示，若感知生效，则根据

计算自动驾驶车辆和对向直行车到达冲突点的时间差，其中，

为车辆1到达冲突点所用时间，

为自动驾驶车辆3到达冲突点所用时间。若时间差过小，表示二者发生碰撞的概率较大，则自动驾驶车辆3应减速停车避让直行车1，若时间差过大，则自动驾驶车辆3加速通过左转路口即可。

碰撞时间(TTC，Time to Collision)一般可以定义为：如果车辆不改变当前的运动特性，则控制车辆与前方跟随车辆相撞所需要的时间。也可以理解为采取某种对策以避免碰撞的时间衡量标准。如果后车没有采取相应的对策来响应前车的突然减速，则会发生追尾冲突。TTC值越小，意味着发生碰撞的可能性越高，即此种场景越危险。TTC可以经由下式计算得到，其中S为两车之间的距离，ΔV为两车之间的相对速度：

由于TTC评价中未考虑加速度对跟车模型的影响，因此采用改进的碰撞时间(MTTC，Modified Time to Collision)的安全评价标准更符合现实情况。MTTC的计算方式如下，在确定采取加速度动作a_act＝a₂后，每一个当前状态下均有一个MTTC的值，MTTC＝f(v₁，v₂，a_act，s)，对一段时间序列的MTTC求平均值。作为该状态下的MTTC值，与MTTC的标准阈值4s比较，高于该阈值时认为该状态下较安全，低于该阈值时认为处于危险状态。基于两车的速度、加速度的数值比较，其中F表示后车，L表示前车，两车发生冲突的可能性如下表1：

表1

C：冲突发生；P：可能冲突；I：不可能发生冲突

判断是否可能发生冲突完全是基于两车的轨迹参数，包括相对距离、相对速度和相对加速度的计算方法如下：

一般来说，如果TTC较小，则会发生碰撞，因自车没有足够的时间做出响应并采取措施来避免碰撞。然而，很难确定TTC值实际上有多短，因不同的驾驶车辆具备不同的响应能力，并且车辆的性能、交通状况也会影响TTC。以往的研究也对TTC阈值的选择提出了不同的建议。例如，Van der Horst(1991)和Farber(1991)建议TTC值为4秒，以区分道路上的安全和不舒适情况。Hogema和Janssen(1996)建议，对于没有自动巡航控制系统的驾驶员，TTC最小值为3.5秒，对于配备车辆的驾驶员，TTC最小值为2.6秒。

目前没有广泛认同的一个标准，但是设定一个合理的阈值仍然必要。在本文中，设计的仿真环境中为无事故环境，同时模拟驾驶员也工作在理想情况，因此选择一个相对较长的TTC是合理的。

在超视距跟驰和换道冲突场景中，通过计算平均MTTC值表征该场景下的安全性，越高的MTTC代表当前的安全性越高。在无保护左转场景中，使用通过路口的时间差评价左转的安全性：

ΔT值越大，表明直行车离冲突点就越远，即此时采取左转策略越安全，当ΔT较小时，则左转车减速停车等待直行车通过。

因此，在时间维度上，可以使用TTC或是MTTC作为超视距跟驰场景和换道冲突场景的安全量化指标，使用到达冲突点的时间差ΔT来作为无保护左转场景的安全量化指标。

根据一些实施例，可以引入基于概率的安全评价指标用于评价相应场景下自动驾驶的安全性。在一个示例中，在概率维度，使用实际未发生碰撞的概率P_Safe作为安全评价指标来评估相应场景下自动驾驶的安全性。

Hayward提出的基于碰撞时间的车辆驾驶行为安全量化技术指标受到行业内的普遍认可，该模型虽可用于分析车路协同自动驾驶的安全性，但往往只针对非智能车辆或处于理想工况的车路协同系统，在真实场景中，往往存在传感器失效、不良天气影响及算法边缘场景(corner case)等状况，造成了理想仿真场景与实际交通场景在感知方面的较大差异，无法体现车路协同为单车智能提供冗余信息和互补信息的优势，因此，本公开在传统安全模型框架的基础上加入感知模型，得到一个更接近真实场景的自动驾驶安全理论模型框架。框架中所涉及的各模型如下：

(1)场景分布模型：由大量实际交通数据统计得出，车速服从对数正态分布，在非路口条件下的车头时距服从负指数分布，在路口条件下的冲突距离的倒数和左转车速服从泊松分布，其中各模型的参数可以结合特定场景的实际交通数据通过最大似然估计等方法得到。

(2)感知模型：感知的不确定性是单车智能和车路协同产生驾驶安全差异的核心因素，包括硬件检测的不确定性、软件模型的不确定性与多传感器融合的不确定性。对这类不确定性，可使用贝叶斯神经网络对感知模型进行误差表征与估计。

(3)车辆交互模型：针对超视距跟驰、换道冲突和无保护左转场景，分别使用了跟驰驾驶模型、车道变更模型和左转模型，实现仿真场景下的车辆交互。

(4)安全评价模型：为评价系统的安全性，引入基于时间和基于概率的安全评价指标。在时间维度，使用碰撞时间(TTC，Time to Collision)和抵达冲突点时间差ΔT作为安全评价指标；在概率维度，使用实际未发生碰撞的概率PSafe作为安全评价指标。

将上述三个典型交通场景分别代入上述自动驾驶安全的理论模型框架中，计算在不同典型场景下的安全量化指标，分析其安全性，如下表2所示：

表2

本公开还提供了一种评估自动驾驶安全性的装置1200。如图12所示，装置1200包括：第一模块1201，被配置为将描述交通场景的数据输入场景分布模型，以得到所述交通场景的状态分布和所述状态分布的产生概率；第二模块1202，被配置为将所述状态分布输入自动驾驶车辆交互模型，以得到自动驾驶车辆执行关键动作的动作时间和所述动作时间的产生概率；第三模块1203，被配置为将所述动作时间输入自动驾驶安全评价模型以得到安全量化指标；以及第四模块1204，被配置为基于所述状态分布的产生概率、所述动作时间的产生概率和所述安全量化指标，确定所述交通场景的平均安全理论指标。

所述评估自动驾驶安全性的装置1200的模块1201-1204的操作与前面描述的步骤S201-S204的操作类似，在此不作赘述。

根据一些实施例，第一模块1201包括：第一单元，被配置为将描述交通场景的数据输入场景分布模型，以得到所述交通场景的状态分布，其中，所述状态分布基于多个参数；以及第二单元，被配置为基于所述多个参数中的每一个参数的概率分布，计算所述状态分布的产生概率。

根据一些实施例，所述交通场景为多种交通场景类型中的一种类型，并且其中，所述自动驾驶车辆交互模型包括感知模型和与所述交通场景的类型相对应的车辆交互模型。

根据一些实施例，所述多种交通场景类型包括：超视距跟驰场景、换道冲突场景和无保护左转场景，并且与所述超视距跟驰场景相对应的车辆交互模型为跟驰驾驶模型，与所述换道冲突场景相对应的车辆交互模型为车道变更模型，并且与所述无保护左转场景相对应的车辆交互模型为左转模型。

根据一些实施例，第二模块1202包括：第三单元，被配置为利用所述与所述交通场景的类型相对应的车辆交互模型，确定所述自动驾驶车辆在所述交通场景下待执行的所述关键动作；以及第四单元，被配置为基于所述状态分布，利用所述感知模型确定所述自动驾驶车辆执行所述关键动作的动作时间和所述动作时间的产生概率。

根据一些实施例，所述交通场景为超视距跟驰场景，所述关键动作包括：所述自动驾驶车辆感知到前车减速并且所述自动驾驶车辆完成相应的减速动作。

根据一些实施例，所述交通场景为换道冲突场景，所述关键动作包括：所述自动驾驶车辆感知到前车换道行驶并且所述自动驾驶车辆完成相应的减速动作。

根据一些实施例，所述交通场景为无保护左转场景，所述关键动作包括以下至少之一：所述自动驾驶车辆感知到对向直行车辆并且所述自动驾驶车辆完成相应的减速动作；和所述自动驾驶车辆感知到对向左转车辆并且所述自动驾驶车辆完成相应的减速动作。

根据一些实施例，所述自动驾驶安全评价模型包括安全评价模型和与所述交通场景的类型相对应的车辆交互模型。

根据一些实施例，所述第三模块1203包括：第五单元，被配置为利用所述与所述交通场景的类型相对应的车辆交互模型，确定与所述交通场景的类型相对应的安全量化指标的计算方法；以及第六单元，被配置为基于所述计算方法和所述动作时间，利用所述安全评价模型确定所述安全量化指标。根据本公开的另一方面，还提供一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的评估自动驾驶安全性的方法。

根据本公开的另一方面，还提供一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述的评估自动驾驶安全性的方法。

根据本公开的另一方面，还提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现上述的评估自动驾驶安全性的方法。

参考图13，现将描述可以作为本公开的服务器的电子设备1300的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图13所示，设备1300包括计算单元1301，其可以根据存储在只读存储器(ROM)1302中的计算机程序或者从存储单元1308加载到随机访问存储器(RAM)1303中的计算机程序，来执行各种适当的动作和处理。在RAM 1303中，还可存储设备1300操作所需的各种程序和数据。计算单元1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。

设备1300中的多个部件连接至I/O接口1305，包括：输入单元1306、输出单元1307、存储单元1308以及通信单元1309。输入单元1306可以是能向设备1300输入信息的任何类型的设备，输入单元1306可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1307可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1308可以包括但不限于磁盘、光盘。通信单元1309允许设备1300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元1301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1301的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1301执行上文所描述的各个方法和处理，例如评估自动驾驶安全性的方法。例如，在一些实施例中，评估自动驾驶安全性的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1302和/或通信单元1309而被载入和/或安装到设备1300上。当计算机程序加载到RAM 1303并由计算单元1301执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元1301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行评估自动驾驶安全性的方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (23)

1.一种评估自动驾驶安全性的方法，包括：

将描述交通场景的数据输入场景分布模型，以得到所述交通场景的状态分布和所述状态分布的产生概率；

将所述状态分布输入自动驾驶车辆交互模型，以得到自动驾驶车辆执行关键动作的动作时间和所述动作时间的产生概率；

将所述动作时间输入自动驾驶安全评价模型以得到安全量化指标；以及

基于所述状态分布的产生概率、所述动作时间的产生概率和所述安全量化指标，确定所述交通场景的平均安全理论指标。

2.根据权利要求1所述的方法，其中，将描述交通场景的数据输入场景分布模型，以得到所述交通场景的状态分布和所述状态分布的产生概率包括：

将描述交通场景的数据输入场景分布模型，以得到所述交通场景的状态分布，其中，所述状态分布基于多个参数；以及

基于所述多个参数中的每一个参数的概率分布，计算所述状态分布的产生概率。

3.根据权利要求1所述的方法，其中，所述交通场景为多种交通场景类型中的一种类型，并且其中，所述自动驾驶车辆交互模型包括感知模型和与所述交通场景的类型相对应的车辆交互模型。

4.根据权利要求3所述的方法，其中，所述多种交通场景类型包括：超视距跟驰场景、换道冲突场景和无保护左转场景，并且

其中，与所述超视距跟驰场景相对应的车辆交互模型为跟驰驾驶模型，与所述换道冲突场景相对应的车辆交互模型为车道变更模型，并且与所述无保护左转场景相对应的车辆交互模型为左转模型。

5.根据权利要求4所述的方法，其中，将所述状态分布输入自动驾驶车辆交互模型，以得到自动驾驶车辆执行关键动作的动作时间和所述动作时间的产生概率包括：

利用所述与所述交通场景的类型相对应的车辆交互模型，确定所述自动驾驶车辆在所述交通场景下待执行的所述关键动作；以及

基于所述状态分布，利用所述感知模型确定所述自动驾驶车辆执行所述关键动作的动作时间和所述动作时间的产生概率。

6.根据权利要求5所述的方法，其中，所述交通场景为超视距跟驰场景，并且其中，所述关键动作包括：所述自动驾驶车辆感知到前车减速并且所述自动驾驶车辆完成相应的减速动作。

7.根据权利要求5所述的方法，其中，所述交通场景为换道冲突场景，并且其中，所述关键动作包括：所述自动驾驶车辆感知到前车换道行驶并且所述自动驾驶车辆完成相应的减速动作。

8.根据权利要求5所述的方法，其中，所述交通场景为无保护左转场景，并且其中，所述关键动作包括以下至少之一：

所述自动驾驶车辆感知到对向直行车辆并且所述自动驾驶车辆完成相应的减速动作；和

所述自动驾驶车辆感知到对向左转车辆并且所述自动驾驶车辆完成相应的减速动作。

9.根据权利要求1-8中任一项所述的方法，其中，所述自动驾驶安全评价模型包括安全评价模型和与所述交通场景的类型相对应的车辆交互模型。

10.根据权利要求9所述的方法，其中，将所述动作时间输入自动驾驶安全评价模型以得到安全量化指标包括：

利用所述与所述交通场景的类型相对应的车辆交互模型，确定与所述交通场景的类型相对应的安全量化指标的计算方法；以及

基于所述计算方法和所述动作时间，利用所述安全评价模型确定所述安全量化指标。

11.一种评估自动驾驶安全性的装置，包括：

第一模块，被配置为将描述交通场景的数据输入场景分布模型，以得到所述交通场景的状态分布和所述状态分布的产生概率；

第二模块，被配置为将所述状态分布输入自动驾驶车辆交互模型，以得到自动驾驶车辆执行关键动作的动作时间和所述动作时间的产生概率；

第三模块，被配置为将所述动作时间输入自动驾驶安全评价模型以得到安全量化指标；以及

第四模块，被配置为基于所述状态分布的产生概率、所述动作时间的产生概率和所述安全量化指标，确定所述交通场景的平均安全理论指标。

12.根据权利要求11所述的装置，其中，所述第一模块包括：

第一单元，被配置为将描述交通场景的数据输入场景分布模型，以得到所述交通场景的状态分布，其中，所述状态分布基于多个参数；以及

第二单元，被配置为基于所述多个参数中的每一个参数的概率分布，计算所述状态分布的产生概率。

13.根据权利要求11所述的装置，其中，所述交通场景为多种交通场景类型中的一种类型，并且其中，所述自动驾驶车辆交互模型包括感知模型和与所述交通场景的类型相对应的车辆交互模型。

14.根据权利要求13所述的装置，其中，所述多种交通场景类型包括：超视距跟驰场景、换道冲突场景和无保护左转场景，并且

其中，与所述超视距跟驰场景相对应的车辆交互模型为跟驰驾驶模型，与所述换道冲突场景相对应的车辆交互模型为车道变更模型，并且与所述无保护左转场景相对应的车辆交互模型为左转模型。

15.根据权利要求14所述的装置，其中，所述第二模块包括：

第三单元，被配置为利用所述与所述交通场景的类型相对应的车辆交互模型，确定所述自动驾驶车辆在所述交通场景下待执行的所述关键动作；以及

第四单元，被配置为基于所述状态分布，利用所述感知模型确定所述自动驾驶车辆执行所述关键动作的动作时间和所述动作时间的产生概率。

16.根据权利要求15所述的装置，其中，所述交通场景为超视距跟驰场景，并且其中，所述关键动作包括：所述自动驾驶车辆感知到前车减速并且所述自动驾驶车辆完成相应的减速动作。

17.根据权利要求15所述的装置，其中，所述交通场景为换道冲突场景，并且其中，所述关键动作包括：所述自动驾驶车辆感知到前车换道行驶并且所述自动驾驶车辆完成相应的减速动作。

18.根据权利要求15所述的装置，其中，所述交通场景为无保护左转场景，并且其中，所述关键动作包括以下至少之一：

所述自动驾驶车辆感知到对向直行车辆并且所述自动驾驶车辆完成相应的减速动作；和

所述自动驾驶车辆感知到对向左转车辆并且所述自动驾驶车辆完成相应的减速动作。

19.根据权利要求11-18中任一项所述的装置，其中，所述自动驾驶安全评价模型包括安全评价模型和与所述交通场景的类型相对应的车辆交互模型。

20.根据权利要求19所述的装置，其中，所述第三模块包括：

第五单元，被配置为利用所述与所述交通场景的类型相对应的车辆交互模型，确定与所述交通场景的类型相对应的安全量化指标的计算方法；以及

第六单元，被配置为基于所述计算方法和所述动作时间，利用所述安全评价模型确定所述安全量化指标。

21.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至10中任一项所述的方法。

22.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1至10中任一项所述的方法。

23.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1至10中任一项所述的方法。

Images