CN114371708A - 自动驾驶算法保护性能评测方法和装置 - Google Patents
自动驾驶算法保护性能评测方法和装置 Download PDFInfo
- Publication number
- CN114371708A CN114371708A CN202111678489.4A CN202111678489A CN114371708A CN 114371708 A CN114371708 A CN 114371708A CN 202111678489 A CN202111678489 A CN 202111678489A CN 114371708 A CN114371708 A CN 114371708A
- Authority
- CN
- China
- Prior art keywords
- automatic driving
- collision avoidance
- accident scene
- algorithm
- driving algorithm
- 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.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 420
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000006378 damage Effects 0.000 claims abstract description 150
- 238000011156 evaluation Methods 0.000 claims abstract description 94
- 238000004088 simulation Methods 0.000 claims abstract description 86
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 230000001133 acceleration Effects 0.000 claims description 40
- 230000036461 convulsion Effects 0.000 claims description 27
- 208000014674 injury Diseases 0.000 claims description 17
- 208000027418 Wounds and injury Diseases 0.000 claims description 16
- 230000008569 process Effects 0.000 description 23
- 206010039203 Road traffic accident Diseases 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000004044 response Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000034994 death Effects 0.000 description 3
- 231100000517 death Toxicity 0.000 description 3
- 230000000977 initiatory effect Effects 0.000 description 3
- 238000007790 scraping Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000008733 trauma Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010019196 Head injury Diseases 0.000 description 1
- 206010052428 Wound Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- HYIMSNHJOBLJNT-UHFFFAOYSA-N nifedipine Chemical compound COC(=O)C1=C(C)NC(C)=C(C(=O)OC)C1C1=CC=CC=C1[N+]([O-])=O HYIMSNHJOBLJNT-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种自动驾驶算法保护性能评测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：若避撞结果信息表示未避撞成功，则根据该事故场景下目标自动驾驶算法对应的避撞结果信息和预先建立的碰撞仿真模型，确定该事故场景下目标自动驾驶算法对应的汽车变形模拟结果和乘员碰撞模拟结果；根据该事故场景下目标自动驾驶算法对应的乘员碰撞模拟结果和乘员损伤估计算法，确定该事故场景下目标自动驾驶算法对应的乘员损伤结果；根据各事故场景下目标自动驾驶算法对应的避撞结果信息、汽车变形模拟结果和乘员损伤结果，确定目标自动驾驶算法对应的保护性能评测结果。采用本方法能够提高对自动驾驶算法保护性能评价的准确性。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种自动驾驶算法保护性能评测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
道路交通事故在全球范围内每年造成135万人死亡，其中乘员死亡数占道路事故死亡总数的29％。据分析，诱发交通事故的原因中约有94％的因素为人为因素。因此，通过引用由计算机控制的自动驾驶算法，可有效避免人为驾驶失误，显著降低道路交通事故率。然而，自动驾驶车辆在感知、决策、执行等环节中可能会出现失效现象，这成为了交通事故的新因素。因此，如何评测自动驾驶汽车的保护性能，成为了一个亟待解决的关键问题。
相关的自动驾驶算法保护性能评测方法通常聚焦于事故率。事故率是指自动驾驶汽车在行驶过程中出现事故的频率，通常以每万公里的交通事故数来描述，事故率越低，安全性越高，自动驾驶算法保护性能越好。
然而，事故率只能描述交通事故发生的概率，并不涉及事故的严重性。这会导致在事故率的评测结果来看，无法区别轻微的刮擦事故和严重的高速正面碰撞事故。显然，相关的自动驾驶算法保护性能评测方法的评价准确性低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高评价准确性的自动驾驶算法保护性能评测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种自动驾驶算法保护性能评测方法。所述方法包括：
获取事故场景数据集；所述事故场景数据集包括多个事故场景对应的场景数据；
针对每一个事故场景，确定所述事故场景下目标自动驾驶算法对应的避撞结果信息；
若所述避撞结果信息表示未避撞成功，则根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息和预先建立的碰撞仿真模型，确定所述事故场景下所述目标自动驾驶算法对应的汽车变形模拟结果和乘员碰撞模拟结果；
根据所述事故场景下所述目标自动驾驶算法对应的乘员碰撞模拟结果和乘员损伤估计算法，确定所述事故场景下所述目标自动驾驶算法对应的乘员损伤结果；
根据各所述事故场景下所述目标自动驾驶算法对应的避撞结果信息、汽车变形模拟结果和乘员损伤结果，确定所述目标自动驾驶算法对应的保护性能评测结果。
在其中一个实施例中，所述根据所述事故场景下所述目标自动驾驶算法对应的乘员碰撞模拟结果和乘员损伤估计算法，确定所述事故场景下所述目标自动驾驶算法对应的乘员损伤结果包括：
根据所述事故场景下所述目标自动驾驶算法对应的乘员碰撞模拟结果和乘员损伤估计算法，计算所述事故场景中乘员各部位对应的损伤指标；
根据所述事故场景中乘员各部位对应的损伤指标和乘员损伤估计算法，计算所述事故场景中乘员各部位对应的损伤严重结果；
根据所述事故场景中乘员各部位对应的损伤严重结果和乘员损伤估计算法，计算所述事故场景下所述目标自动驾驶算法对应的乘员损伤结果。
在其中一个实施例中，所述方法还包括：
若所述避撞结果信息表示避撞成功，则根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息和预设的避撞舒适性算法，计算所述事故场景下所述目标自动驾驶算法对应的避撞舒适性结果；
所述根据各所述事故场景下所述目标自动驾驶算法对应的避撞结果信息、汽车变形模拟结果和乘员损伤结果，确定所述目标自动驾驶算法对应的保护性能评测结果包括：
根据各所述事故场景下所述目标自动驾驶算法对应的避撞结果信息、避撞舒适性结果、汽车变形模拟结果和乘员损伤结果，确定所述目标自动驾驶算法对应的保护性能评测结果。
在其中一个实施例中，所述根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息和预设的避撞舒适性算法，计算所述事故场景下所述目标自动驾驶算法对应的避撞舒适性结果包括：
根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息和预设的避撞舒适性算法，计算所述事故场景下所述目标自动驾驶算法对应的时刻乘坐舒适性和时段乘坐舒适性；
根据所述事故场景下所述目标自动驾驶算法对应的时刻乘坐舒适性、时段乘坐舒适性和预设的避撞舒适性算法，计算所述事故场景下所述目标自动驾驶算法对应的避撞舒适性结果。
在其中一个实施例中，所述根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息和预设的避撞舒适性算法，计算所述事故场景下所述目标自动驾驶算法对应的时刻乘坐舒适性和时段乘坐舒适性包括：
根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息，确定所述事故场景下所述目标自动驾驶算法对应的最大加速度时刻、最大加加速度时刻、最大加速度时段和最大加加速度时段；
根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息、所述最大加速度时刻、所述最大加加速度时刻和预设的避撞舒适性算法，计算所述事故场景下所述目标自动驾驶算法对应的时刻乘坐舒适性；
根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息、所述最大加速度时段、所述最大加加速度时段和预设的避撞舒适性算法，计算所述事故场景下所述目标自动驾驶算法对应的时段乘坐舒适性。
在其中一个实施例中，所述针对每一个事故场景，确定所述事故场景下目标自动驾驶算法对应的避撞结果信息包括：
针对每一个事故场景，将所述事故场景对应的场景数据和目标自动驾驶算法输入至预先建立的自动驾驶模型；
根据预设的各自动驾驶启动时刻，确定分别基于每个自动驾驶启动时刻获得的目标自动驾驶算法对应的避撞结果信息。
第二方面，本申请还提供了一种自动驾驶算法保护性能评测装置。所述装置包括：
获取模块，用于获取事故场景数据集；所述事故场景数据集包括多个事故场景对应的场景数据；
第一确定模块，用于针对每一个事故场景，确定所述事故场景下目标自动驾驶算法对应的避撞结果信息；
碰撞仿真模块，用于若所述避撞结果信息表示未避撞成功，则根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息和预先建立的碰撞仿真模型，确定所述事故场景下所述目标自动驾驶算法对应的汽车变形模拟结果和乘员碰撞模拟结果；
第二确定模块，用于根据所述事故场景下所述目标自动驾驶算法对应的乘员碰撞模拟结果和乘员损伤估计算法，确定所述事故场景下所述目标自动驾驶算法对应的乘员损伤结果；
评测模块，用于根据各所述事故场景下所述目标自动驾驶算法对应的避撞结果信息、汽车变形模拟结果和乘员损伤结果，确定所述目标自动驾驶算法对应的保护性能评测结果。
在其中一个实施例中，所述第二确定模块，具体用于：
根据所述事故场景下所述目标自动驾驶算法对应的乘员碰撞模拟结果和乘员损伤估计算法，计算所述事故场景中乘员各部位对应的损伤指标；
根据所述事故场景中乘员各部位对应的损伤指标和乘员损伤估计算法，计算所述事故场景中乘员各部位对应的损伤严重结果；
根据所述事故场景中乘员各部位对应的损伤严重结果和乘员损伤估计算法，计算所述事故场景下所述目标自动驾驶算法对应的乘员损伤结果。
在其中一个实施例中，所述装置还包括：
计算模块，用于若所述避撞结果信息表示避撞成功，则根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息和预设的避撞舒适性算法，计算所述事故场景下所述目标自动驾驶算法对应的避撞舒适性结果；
所述评测模块，具体用于：
根据各所述事故场景下所述目标自动驾驶算法对应的避撞结果信息、避撞舒适性结果、汽车变形模拟结果和乘员损伤结果，确定所述目标自动驾驶算法对应的保护性能评测结果。
在其中一个实施例中，所述计算模块，具体用于：
根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息和预设的避撞舒适性算法，计算所述事故场景下所述目标自动驾驶算法对应的时刻乘坐舒适性和时段乘坐舒适性；
根据所述事故场景下所述目标自动驾驶算法对应的时刻乘坐舒适性、时段乘坐舒适性和预设的避撞舒适性算法，计算所述事故场景下所述目标自动驾驶算法对应的避撞舒适性结果。
在其中一个实施例中，所述计算模块，具体用于：
根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息，确定所述事故场景下所述目标自动驾驶算法对应的最大加速度时刻、最大加加速度时刻、最大加速度时段和最大加加速度时段；
根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息、所述最大加速度时刻、所述最大加加速度时刻和预设的避撞舒适性算法，计算所述事故场景下所述目标自动驾驶算法对应的时刻乘坐舒适性；
根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息、所述最大加速度时段、所述最大加加速度时段和预设的避撞舒适性算法，计算所述事故场景下所述目标自动驾驶算法对应的时段乘坐舒适性。
在其中一个实施例中，所述第一确定模块，具体用于：
针对每一个事故场景，将所述事故场景对应的场景数据和目标自动驾驶算法输入至预先建立的自动驾驶模型；
根据预设的各自动驾驶启动时刻，确定分别基于每个自动驾驶启动时刻获得的目标自动驾驶算法对应的避撞结果信息。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面所述的步骤。
上述自动驾驶算法保护性能评测方法、装置、计算机设备、存储介质和计算机程序产品，获取事故场景数据集；所述事故场景数据集包括多个事故场景对应的场景数据；针对每一个事故场景，确定所述事故场景下目标自动驾驶算法对应的避撞结果信息；若所述避撞结果信息表示未避撞成功，则根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息和预先建立的碰撞仿真模型，确定所述事故场景下所述目标自动驾驶算法对应的汽车变形模拟结果和乘员碰撞模拟结果；根据所述事故场景下所述目标自动驾驶算法对应的乘员碰撞模拟结果和乘员损伤估计算法，确定所述事故场景下所述目标自动驾驶算法对应的乘员损伤结果；根据各所述事故场景下所述目标自动驾驶算法对应的避撞结果信息、汽车变形模拟结果和乘员损伤结果，确定所述目标自动驾驶算法对应的保护性能评测结果。这样，使自动驾驶汽车在各种典型的道路交通险态场景中行驶，不仅评测自动驾驶算法的在避撞方面的性能，也评测自动驾驶算法在无法避撞时降低事故严重性的程度，能够区别轻微的刮擦事故和严重的高速正面碰撞事故。因此，该方法在对自动驾驶算法保护性能进行评测时，兼顾事故率与乘员损伤风险，能够准确评价自动驾驶算法的安全性，提高对自动驾驶算法保护性能评价的准确性。
附图说明
图1为一个实施例中自动驾驶算法保护性能评测方法的流程示意图；
图2为一个实施例中道路交通事故的事故场景类型分布示意图；
图3为一个实施例中碰撞仿真模型模拟碰撞过程中车辆动力学变化示意图；
图4为一个实施例中碰撞仿真模型模拟碰撞过程中乘员动力学变化示意图；
图5为一个实施例中确定事故场景下目标自动驾驶算法对应的乘员损伤结果步骤的流程示意图；
图6为一个实施例中计算事故场景下目标自动驾驶算法对应的避撞舒适性结果步骤的流程示意图；
图7为一个实施例中计算该事故场景下目标自动驾驶算法对应的时刻乘坐舒适性和时段乘坐舒适性步骤的流程示意图；
图8为一个实施例中确定事故场景下目标自动驾驶算法对应的避撞结果信息步骤的流程示意图；
图9为一个实施例中事故场景A示意图；
图10为一个实施例中自动驾驶算法保护性能评测装置的结构框图；
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种自动驾驶算法保护性能评测方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中，该方法包括以下步骤：
步骤101，获取事故场景数据集。
其中，事故场景数据集包括多个事故场景对应的场景数据。
在本申请实施例中，终端可以先确定事故场景类型。其中，事故场景类型用于对事故场景进行区分。例如，事故场景类型可以包括正面碰撞类型、左侧碰撞类型、右侧碰撞类型和尾部碰撞类型。然后，终端可以根据事故场景类型，确定事故场景数据集中的事故场景。事故场景数据集中的事故场景为真实道路交通事故场景。
接着，针对每一个事故场景，终端可以对该事故场景的场景数据进行采集，获得该事故场景的场景数据。然后，终端可以将各事故场景的场景数据，构成事故场景数据集。其中，场景数据包括环境信息数据、车辆信息数据、约束信息数据和乘员信息数据。环境信息数据可以包括事故地点(城市道路、乡村道路、高速公路、交叉路口等)、车道线信息(双向车道、单向车道、换道等)、路况信息(车流量、限速等)、标志物信息(指示灯、路标等)和路面信息(路面材质、潮湿程度、附着率等)。车辆信息数据可以包括车型信息(汽车品牌、型号、尺寸、质量、发动机排量等)和碰撞前车辆动力学序列信息(位置、速度、加速度、角速度、前轮转角、方向盘转角、油门开度、刹车情况等)。约束信息数据可以包括碰撞前乘员安全带使用情况、安全气囊使用情况和安全带限力及预紧状态。乘员信息数据可以包括乘员性别、身高、体重。
在一个示例中，针对每一个事故场景，终端可以根据事件数据记录器(Event DataRecorder，EDR)和现场事故信息，对该事故场景的场景数据进行采集，获得该事故场景的场景数据。其中，现场事故信息可以由专业事故重建团队根据现场事故信息勘验和分析得到。
在一个示例中，事故场景数据集可以包括多个区域内的事故场景对应的场景数据。终端可以先确定目标区域。其中，目标区域为事故场景数据集包括的事故场景所在的区域。然后，终端可以根据各目标区域对应的汽车信息，确定事故场景数据集中的事故场景。其中，汽车信息可以包括发展水平、汽车保有量和汽车行驶公里数。
在一个实施例中，终端先根据汽车信息，确定事故场景数据集中的事故场景类型和各事故场景类型对应的数量。然后，终端根据事故场景数据集中的事故场景类型和各事故场景类型对应的数量，确定事故场景数据集中的事故场景。终端采集了50起道路交通事故，筛选条件限制为乘用车的车车碰撞事故，且不涉及多次碰撞、车辆翻滚等工况，其碰撞情况的分布如图2所示。由图可知，该50起事故覆盖了多种碰撞类型，包括正面碰撞类型、左侧碰撞类型、右侧碰撞类型和尾部碰撞类型。
步骤102，针对每一个事故场景，确定该事故场景下目标自动驾驶算法对应的避撞结果信息。
在本申请实施例中，针对每一个事故场景，终端可以先根据该事故场景的场景数据，重建该事故场景。然后，终端可以确定自动驾驶启动时刻。例如，自动驾驶启动时刻可以为碰撞发生前5秒。然后，针对每一个事故场景，终端可以将该事故场景对应的场景数据和目标自动驾驶算法输入至预先建立的自动驾驶模型。接着，终端可以在自动驾驶启动时刻，启动目标自动驾驶算法，得到目标自动驾驶算法对应的避撞结果信息。其中，避撞结果信息可以表示是否避撞成功。在避撞成功的情况下，避撞结果信息可以包括避撞信息；在避撞失败的情况下，避撞结果信息可以包括碰撞信息。
步骤103，若避撞结果信息表示未避撞成功，则根据该事故场景下目标自动驾驶算法对应的避撞结果信息和预先建立的碰撞仿真模型，确定该事故场景下目标自动驾驶算法对应的汽车变形模拟结果和乘员碰撞模拟结果。
在本申请实施例中，若避撞结果信息表示未避撞成功，则终端可以将该事故场景下目标自动驾驶算法对应的碰撞信息输入至预先建立的碰撞仿真模型，得到该事故场景下目标自动驾驶算法对应的汽车变形模拟结果和乘员碰撞模拟结果。其中，碰撞信息包括车辆碰撞信息、碰撞约束信息和碰撞乘员信息。车辆碰撞信息包括车辆碰撞速度、车辆碰撞角度和碰撞两车重叠率。碰撞约束信息包括碰撞过程中安全带使用情况和碰撞过程中安全气囊使用情况。碰撞乘员信息包括乘员性别、身高和体重。碰撞仿真模型能够模拟碰撞过程中车辆动力学变化和乘员动力学变化，如图3和图4所示。例如，碰撞仿真模型可以为有限元模型和多刚体模型。
步骤104，根据该事故场景下目标自动驾驶算法对应的乘员碰撞模拟结果和乘员损伤估计算法，确定该事故场景下目标自动驾驶算法对应的乘员损伤结果。
在本申请实施例中，终端可以根据该事故场景下目标自动驾驶算法对应的乘员碰撞模拟结果和乘员损伤估计算法，计算该事故场景下目标自动驾驶算法对应的乘员损伤结果。其中，乘员碰撞模拟结果包括模拟碰撞的过程中乘员动力学响应序列。乘员动力学响应序列包括乘员各部位对应的动力学响应序列。例如，乘员动力学响应序列可以包括头、胸、颈、躯干、腿部对应的动力学响应序列。
步骤105，根据各事故场景下目标自动驾驶算法对应的避撞结果信息、汽车变形模拟结果和乘员损伤结果，确定目标自动驾驶算法对应的保护性能评测结果。
在本申请实施例中，针对每一个事故场景，终端可以先根据该事故场景下目标自动驾驶算法对应的避撞结果信息、汽车变形模拟结果和乘员损伤结果，计算该事故场景下目标自动驾驶算法对应的保护性能评测结果。然后，终端根据各事故场景下目标自动驾驶算法对应的保护性能评测结果，确定目标自动驾驶算法对应的保护性能评测结果。在一个示例中，终端可以先计算各事故场景下目标自动驾驶算法对应的保护性能评测结果的平均值，得到各事故场景下目标自动驾驶算法对应的平均评测结果。然后，终端可以将各事故场景下目标自动驾驶算法对应的平均评测结果，作为目标自动驾驶算法对应的保护性能评测结果。
在另一个示例中，终端可以先根据各事故场景下目标自动驾驶算法对应的避撞结果信息，计算目标自动驾驶算法对应的避撞评测结果。然后，终端可以根据各事故场景下目标自动驾驶算法对应的汽车变形模拟结果，计算目标自动驾驶算法对应的事故车辆评测结果。接着，终端可以根据各事故场景下目标自动驾驶算法对应的乘员损伤结果，计算目标自动驾驶算法对应的事故乘员评测结果。然后，终端根据目标自动驾驶算法对应的避撞评测结果、事故车辆评测结果和事故乘员评测结果，确定目标自动驾驶算法对应的保护性能评测结果。
上述自动驾驶算法保护性能评测方法中，终端获取包括多个事故场景对应的场景数据事故场景数据集，并针对每一个事故场景，确定该事故场景下目标自动驾驶算法对应的避撞结果信息；若避撞结果信息表示未避撞成功，则终端根据该事故场景下目标自动驾驶算法对应的避撞结果信息和预先建立的碰撞仿真模型，确定该事故场景下目标自动驾驶算法对应的汽车变形模拟结果和乘员碰撞模拟结果；终端根据该事故场景下目标自动驾驶算法对应的乘员碰撞模拟结果和乘员损伤估计算法，确定该事故场景下目标自动驾驶算法对应的乘员损伤结果；终端根据各事故场景下目标自动驾驶算法对应的避撞结果信息、汽车变形模拟结果和乘员损伤结果，确定目标自动驾驶算法对应的保护性能评测结果。这样使自动驾驶汽车在各种典型的道路交通险态场景中行驶，不仅评测自动驾驶算法的在避撞方面的性能，也评测自动驾驶算法在无法避撞时降低事故严重性的程度，能够区别轻微的刮擦事故和严重的高速正面碰撞事故。因此，该方法在对自动驾驶算法保护性能进行评测时，兼顾事故率与乘员损伤风险，能够准确评价自动驾驶算法的安全性，提高对自动驾驶算法保护性能评价的准确性。而且，该方法不需要将自动驾驶汽车在真实道路条件下或数值仿真环境下行驶上万公里(甚至数十万，数百万)才能得到一个比较稳定和合理的评价结果，评测过程省时省力。
在一个实施例中，如图5所示，根据事故场景下目标自动驾驶算法对应的乘员碰撞模拟结果和乘员损伤估计算法，确定事故场景下目标自动驾驶算法对应的乘员损伤结果的具体过程包括以下步骤：
步骤501，根据该事故场景下目标自动驾驶算法对应的乘员碰撞模拟结果和乘员损伤估计算法，计算该事故场景中乘员各部位对应的损伤指标。
在本申请实施例中，针对乘员的每个部位，终端可以根据乘员该部位对应的动力学响应序列和乘员损伤估计算法，计算该事故场景中乘员该部位对应的损伤指标。
步骤502，根据该事故场景中乘员各部位对应的损伤指标和乘员损伤估计算法，计算该事故场景中乘员各部位对应的损伤严重结果。
在本申请实施例中，针对乘员的每个部位，终端可以根据该事故场景中乘员该部位对应的损伤指标和乘员损伤估计算法，计算该事故场景中乘员该部位对应的损伤严重结果。
在一个示例中，部位对应的损伤严重结果可以用部位对应的严重创伤的概率进行表示。其中，严重创伤为简明损伤等级(Abbreviated Injury Scale，AIS)中3级以及3级以上。简明损伤等级用于衡量交通事故中的乘员某身体部位的损伤严重性，包括头颈、脸部、胸部、腹部、四肢、皮肤共六个部位，AIS分为6级，如表1所示。
表1AIS等级与损伤严重性的对应关系
在一个实施例中，终端可以先根据乘员该头部对应的动力学响应序列和乘员损伤估计算法，计算该事故场景中乘员头部对应的损伤指标。然后，终端可以根据该事故场景中乘员头部对应的损伤指标和乘员损伤估计算法，计算该事故场景中乘员头部对应的损伤严重结果。终端计算该事故场景中乘员头部对应的损伤严重结果的过程可以表示为：
式中，HIC15为头部损伤指标(Head Injury Criterion，HIC)，P(AIShead≥3)为头部严重创伤的概率，表示头部对应的损伤严重结果；a(t)是头部质心加速度，以重力加速度为单位；t0和te分别是碰撞开始和终止时刻；t1和t2分别是计算HIC15的开始和终止时刻，并满足使HIC15数值最大且t2-1小于15ms。
步骤503，根据该事故场景中乘员各部位对应的损伤严重结果和乘员损伤估计算法，计算该事故场景下目标自动驾驶算法对应的乘员损伤结果。
在本申请实施例中，终端可以按照从大到小的顺序，将该事故场景中乘员各部位对应的损伤严重结果进行排序，得到该事故场景中乘员各部位对应的损伤严重结果序列。然后，终端可以根据该事故场景中乘员各部位对应的损伤严重结果序列和乘员损伤估计算法，计算该事故场景下目标自动驾驶算法对应的乘员损伤结果。
在一个示例中，针对乘员的每个部位，终端可以根据该事故场景中乘员该部位对应的损伤指标和乘员损伤估计算法，计算该事故场景中乘员该部位对应的各简明损伤等级对应的概率。然后，终端可以比较该事故场景中乘员该部位对应的各简明损伤等级对应的概率，将最大的概率对应的简明损伤等级作为该事故场景中乘员该部位对应的损伤严重结果。接着，终端可以按照从大到小的顺序，将该事故场景中乘员各部位对应的损伤严重结果进行排序，得到该事故场景中乘员各部位对应的损伤严重结果序列。然后，终端可以确定在该事故场景中乘员各部位对应的损伤严重结果序列中排前三的损伤严重结果，并计算排前三的损伤严重结果的平方和，得到乘员的综合损伤严重性评分(Injury Severity Score，ISS)。然后，终端将乘员的综合损伤严重性评分，作为该事故场景下目标自动驾驶算法对应的乘员损伤结果。其中，综合损伤严重性评分用于衡量交通事故中的乘员全身的综合损伤严重性，由三处不同部位AIS最大值的平方和计算得到，但不能超过75，因此取值范围为0-75的整数。
上述自动驾驶算法保护性能评测方法中，终端根据该事故场景下目标自动驾驶算法对应的乘员碰撞模拟结果和乘员损伤估计算法，计算该事故场景中乘员各部位对应的损伤指标，再根据该事故场景中乘员各部位对应的损伤指标和乘员损伤估计算法，计算该事故场景中乘员各部位对应的损伤严重结果，然后，根据该事故场景中乘员各部位对应的损伤严重结果和乘员损伤估计算法，计算该事故场景下目标自动驾驶算法对应的乘员损伤结果。这样通过损伤生物力学经验知识，计算搭载目标自动驾驶算法的汽车在模拟碰撞时乘员损伤结果，得到的乘员损伤结果可靠。并且，这样先计算乘员各部位对应的损伤严重结果，再根据乘员各部位对应的损伤严重结果，计算乘员损伤结果，兼顾乘员身体的各个主要部位，得到的乘员损伤结果更全面。此外，将乘员损伤结果作为自动驾驶算法保护性能评测的依据，能够评测自动驾驶算法在无法避撞时降低事故严重性的程度，能够区别轻微的刮擦事故和严重的高速正面碰撞事故，兼顾事故率与乘员损伤风险，能够准确评价自动驾驶算法的安全性，提高对自动驾驶算法保护性能评价的准确性。
在一个实施例中，该方法还包括以下步骤：若避撞结果信息表示避撞成功，则根据该事故场景下目标自动驾驶算法对应的避撞结果信息和预设的避撞舒适性算法，计算该事故场景下目标自动驾驶算法对应的避撞舒适性结果。
在本申请实施例中，若避撞结果信息表示避撞成功，则终端可以根据该事故场景下目标自动驾驶算法对应的避撞信息和预设的避撞舒适性算法，计算该事故场景下目标自动驾驶算法对应的避撞舒适性结果。其中，避撞信息包括避撞过程中车辆动力学响应序列。避撞过程可以为从自动驾驶算法启动到避撞成功的过程。避撞成功时刻是从自动驾驶启动时刻开始、经过预设的避撞时间的所到达的时刻。例如，预设的避撞时间可以为10s。
根据各事故场景下目标自动驾驶算法对应的避撞结果信息、汽车变形模拟结果和乘员损伤结果，确定目标自动驾驶算法对应的保护性能评测结果包括：根据各事故场景下目标自动驾驶算法对应的避撞结果信息、避撞舒适性结果、汽车变形模拟结果和乘员损伤结果，确定目标自动驾驶算法对应的保护性能评测结果。
在本申请实施例中，针对每一个事故场景，终端可以先根据该事故场景下目标自动驾驶算法对应的避撞结果信息、避撞舒适性结果、汽车变形模拟结果和乘员损伤结果，计算该事故场景下目标自动驾驶算法对应的保护性能评测结果。然后，终端根据各事故场景下目标自动驾驶算法对应的保护性能评测结果，确定目标自动驾驶算法对应的保护性能评测结果。在一个示例中，终端可以先计算各事故场景下目标自动驾驶算法对应的保护性能评测结果的平均值，得到各事故场景下目标自动驾驶算法对应的平均评测结果。然后，终端可以将各事故场景下目标自动驾驶算法对应的平均评测结果，作为目标自动驾驶算法对应的保护性能评测结果。
在另一个示例中，终端可以先根据各事故场景下目标自动驾驶算法对应的避撞结果信息，计算目标自动驾驶算法对应的避撞评测结果。然后，终端可以根据各事故场景下目标自动驾驶算法对应的避撞舒适性结果，计算目标自动驾驶算法对应的避撞舒适性评测结果。然后，终端可以根据各事故场景下目标自动驾驶算法对应的汽车变形模拟结果，计算目标自动驾驶算法对应的事故车辆评测结果。接着，终端可以根据各事故场景下目标自动驾驶算法对应的乘员损伤结果，计算目标自动驾驶算法对应的事故乘员评测结果。然后，终端根据目标自动驾驶算法对应的避撞评测结果、避撞舒适性评测结果、事故车辆评测结果和事故乘员评测结果，确定目标自动驾驶算法对应的保护性能评测结果。
在一个实施例中，终端获取的事故场景数据集包括50个事故场景对应的场景数据。其中，避撞结果信息包括是否发生事故。避撞评测结果为事故率。终端可以先根据各事故场景下目标自动驾驶算法对应的避撞结果信息，计算目标自动驾驶算法对应的避撞评测结果，可以表示为：
其中，Paccident为事故率，Naccident为50起评测结果中发生事故的数量。避撞舒适性结果可以为避撞舒适性评分。避撞舒适性评测结果可以为平均避撞舒适性评分。然后，终端根据各事故场景下目标自动驾驶算法对应的避撞舒适性结果，计算目标自动驾驶算法对应的避撞舒适性评测结果，可以表示为：
其中，Scomfort为平均避撞舒适性评分，Scomfort_i为第i起评测结果中的避撞舒适性评分。然后，终端可以根据各事故场景下目标自动驾驶算法对应的汽车变形模拟结果，计算目标自动驾驶算法对应的事故车辆评测结果。乘员损伤结果可以为事故严重性评分。事故乘员评测结果可以为平均事故严重性评分。接着，终端可以根据各事故场景下目标自动驾驶算法对应的乘员损伤结果，计算目标自动驾驶算法对应的事故乘员评测结果，可以表示为：
其中，Sseverity为平均事故严重性评分，Sseverity_为第i起评测结果中的事故严重性评分。然后，终端根据目标自动驾驶算法对应的避撞评测结果、避撞舒适性评测结果、事故车辆评测结果和事故乘员评测结果，确定目标自动驾驶算法对应的保护性能评测结果。
上述自动驾驶算法保护性能评测方法中，若避撞结果信息表示避撞成功，则终端根据该事故场景下目标自动驾驶算法对应的避撞结果信息和预设的避撞舒适性算法，计算该事故场景下目标自动驾驶算法对应的避撞舒适性结果，再根据各事故场景下目标自动驾驶算法对应的避撞结果信息、避撞舒适性结果、汽车变形模拟结果和乘员损伤结果，确定目标自动驾驶算法对应的保护性能评测结果。这样通过计算避撞成功时的避撞舒适性结果，并结合各项信息对自动驾驶算法进行评测，更加全面评测了自动驾驶算法的在避撞方面的性能，能够更加准确评价自动驾驶算法的安全性，提高对自动驾驶算法保护性能评价的准确性。
在一个实施例中，如图6所示，根据事故场景下目标自动驾驶算法对应的避撞结果信息和预设的避撞舒适性算法，计算事故场景下目标自动驾驶算法对应的避撞舒适性结果的具体过程包括以下步骤：
步骤601，根据该事故场景下目标自动驾驶算法对应的避撞结果信息和预设的避撞舒适性算法，计算该事故场景下目标自动驾驶算法对应的时刻乘坐舒适性和时段乘坐舒适性。
在本申请实施例中，终端可以先根据自动驾驶启动时刻和预设的避撞时间，确定避撞成功时刻。其中，避撞成功时刻是从自动驾驶启动时刻开始、经过预设的避撞时间的所到达的时刻。例如，预设的避撞时间可以为10s。然后，终端可以根据自动驾驶启动算法时刻、避撞成功时刻、避撞结果信息和预设的避撞舒适性算法，分别计算该事故场景下目标自动驾驶算法对应的时刻乘坐舒适性和时段乘坐舒适性。其中，时刻乘坐舒适性是在避撞过程中某一时刻的乘坐舒适性。时段乘坐舒适性是在避撞过程中某一时段的乘坐舒适性。避撞过程可以为从自动驾驶启动到避撞成功的过程。
步骤602，根据该事故场景下目标自动驾驶算法对应的时刻乘坐舒适性、时段乘坐舒适性和预设的避撞舒适性算法，计算该事故场景下目标自动驾驶算法对应的避撞舒适性结果。
在本申请实施例中，终端可以基于预设的避撞舒适性算法，将该事故场景下目标自动驾驶算法对应的时刻乘坐舒适性和时段乘坐舒适性加权求和，并将得到的加权和作为该事故场景下目标自动驾驶算法对应的避撞舒适性结果。
上述自动驾驶算法保护性能评测方法中，终端根据该事故场景下目标自动驾驶算法对应的避撞结果信息和预设的避撞舒适性算法，计算该事故场景下目标自动驾驶算法对应的时刻乘坐舒适性和时段乘坐舒适性，再根据该事故场景下目标自动驾驶算法对应的时刻乘坐舒适性、时段乘坐舒适性和预设的避撞舒适性算法，计算该事故场景下目标自动驾驶算法对应的避撞舒适性结果。这样通过分别计算时刻乘坐舒适性和时段乘坐舒适性，再通过时刻乘坐舒适性和时段乘坐舒适性，计算避撞舒适性结果，兼顾了乘员在避撞过程中的即时舒适性和持续舒适性，进一步全面评测了自动驾驶算法的在避撞方面的性能，能够更加准确评价自动驾驶算法的安全性，进一步提高对自动驾驶算法保护性能评价的准确性。
在一个实施例中，如图7所示，根据该事故场景下目标自动驾驶算法对应的避撞结果信息和预设的避撞舒适性算法，计算该事故场景下目标自动驾驶算法对应的时刻乘坐舒适性和时段乘坐舒适性的具体过程包括以下步骤：
步骤701，根据该事故场景下目标自动驾驶算法对应的避撞结果信息，确定该事故场景下目标自动驾驶算法对应的最大加速度时刻、最大加加速度时刻、最大加速度时段和最大加加速度时段。
在本申请实施例中，终端可以根据该事故场景下目标自动驾驶算法对应的避撞结果信息，比较在避撞过程中的各个时刻的加速度，确定该事故场景下目标自动驾驶算法对应的最大加速度时刻。同时，终端可以根据该事故场景下目标自动驾驶算法对应的避撞结果信息，比较在避撞过程中的各个时刻的加加速度，确定该事故场景下目标自动驾驶算法对应的最大加加速度时刻。并且，终端可以根据该事故场景下目标自动驾驶算法对应的避撞结果信息，计算在避撞过程中的各个时段的加速度，确定该事故场景下目标自动驾驶算法对应的最大加速度时段。同时，终端可以根据该事故场景下目标自动驾驶算法对应的避撞结果信息，计算在避撞过程中的各个时段的加加速度，确定该事故场景下目标自动驾驶算法对应的最大加加速度时段。
步骤702，根据该事故场景下目标自动驾驶算法对应的避撞结果信息、最大加速度时刻、最大加加速度时刻和预设的避撞舒适性算法，计算该事故场景下目标自动驾驶算法对应的时刻乘坐舒适性。
在本申请实施例中，终端可以根据该事故场景下目标自动驾驶算法对应的避撞结果信息、最大加速度时刻、最大加加速度时刻，分别确定该事故场景下目标自动驾驶算法的时刻最大加速度和时刻最大加加速度。然后，终端可以根据时刻最大加速度、时刻最大加加速度、时刻加速度平衡系数和时刻加加速度平衡系数，计算该事故场景下目标自动驾驶算法对应的时刻乘坐舒适性。
步骤703，根据该事故场景下目标自动驾驶算法对应的避撞结果信息、最大加速度时段、最大加加速度时段和预设的避撞舒适性算法，计算该事故场景下目标自动驾驶算法对应的时段乘坐舒适性。
在本申请实施例中，终端可以根据该事故场景下目标自动驾驶算法对应的避撞结果信息、最大加速度时段、最大加加速度时段，分别确定该事故场景下目标自动驾驶算法的时段最大加速度和时段最大加加速度。然后，终端可以根据时段最大加速度、时段最大加加速度、时段加速度平衡系数和时段加加速度平衡系数，计算该事故场景下目标自动驾驶算法对应的时段乘坐舒适性。
在一个实施例中，终端计算该事故场景下目标自动驾驶算法对应的避撞舒适性结果，可以表示为：
ScoreComf＝corepoint+coreperiod
其中，ScoreComf为避撞舒适性评分，可以表示避撞舒适性结果，避撞舒适性评分高则表示乘员在避撞过程中不舒适；Scorepoint为时刻乘坐舒适性，Scoreperiod为时段乘坐舒适性；along()和alat()分别是车辆的纵向和横向加速度，jlong()和jlat()分别是车辆的纵向和横向加加速度；
为时可加速度平衡系数，
为时刻加加速度平衡系数，
为时段加速度平衡系数，
为时段加加速度平衡系数，t0和te分别是自动驾驶启动时刻和避撞成功时刻。
上述自动驾驶算法保护性能评测方法中，通过时刻最大加速度和时刻最大加加速度，计算时刻乘坐舒适性，并通过时段最大加速度和时段最大加加速度，计算时段乘坐舒适性。这样，在计算避撞舒适性结果时，兼顾乘员在避撞过程中最不舒服的时刻和时段，能够准确地评测搭载自动驾驶算法的汽车在避撞过程中的舒适性，更加准确评测自动驾驶算法的在避撞方面的性能，更加准确评价自动驾驶算法的安全性，提高对自动驾驶算法保护性能评价的准确性。
在一个实施例中，如图8所示，针对每一个事故场景，确定事故场景下目标自动驾驶算法对应的避撞结果信息的具体过程包括以下步骤：
步骤801，针对每一个事故场景，将该事故场景对应的场景数据和目标自动驾驶算法输入至预先建立的自动驾驶模型。
在本申请实施例中，针对每一个事故场景，终端可以将该事故场景对应的场景数据和目标自动驾驶算法输入至预先建立的自动驾驶模型。
步骤802，根据预设的各自动驾驶启动时刻，确定分别基于每个自动驾驶启动时刻获得的目标自动驾驶算法对应的避撞结果信息。
在本申请实施例中，终端可以预先设置各自动驾驶启动时刻。其中，自动驾驶启动时刻可以为碰撞发生前的任一时刻。
在一个实施例中，终端获取的事故场景数据集包括事故场景A对应的场景数据，事故场景A如图9所示。终端将在碰撞发生时的时刻到碰撞发生前5s的时间段内每0.2s的一个时间点，作为预设的各自动驾驶启动时刻。然后，终端根据预设的各自动驾驶启动时刻，确定分别基于每个自动驾驶启动时刻获得的目标自动驾驶算法对应的避撞结果信息。若避撞结果信息表示未避撞成功，则终端将该事故场景下目标自动驾驶算法对应的碰撞信息输入至预先建立的碰撞仿真模型，得到该事故场景下目标自动驾驶算法对应的汽车变形模拟结果和乘员碰撞模拟结果。然后，终端根据该事故场景下目标自动驾驶算法对应的乘员碰撞模拟结果和乘员损伤估计算法，确定该事故场景下目标自动驾驶算法对应的乘员损伤结果。若避撞结果信息表示避撞成功，则终端可以根据该事故场景下目标自动驾驶算法对应的避撞信息和预设的避撞舒适性算法，计算该事故场景下目标自动驾驶算法对应的避撞舒适性结果。其中，基于每个自动驾驶启动时刻获得的目标自动驾驶算法对应的避撞结果信息、乘员损伤结果和避撞舒适性结果可以表示为表2，自动驾驶启动时刻为tact，tact＝-0.8表示自动驾驶启动时刻为碰撞前0.8s。
表2目标自动驾驶算法在事故场景A中的性能表现
上述自动驾驶算法保护性能评测方法中，针对每一个事故场景，终端将该事故场景对应的场景数据和目标自动驾驶算法输入至预先建立的自动驾驶模型，并根据预设的各自动驾驶启动时刻，确定分别基于每个自动驾驶启动时刻获得的目标自动驾驶算法对应的避撞结果信息。这样分别基于多个自动驾驶启动时刻获得的目标自动驾驶算法对应的避撞结果信息，获得的避撞结果信息丰富、全面，能够覆盖同一个事故场景下不同的紧急情况，更加全面评测自动驾驶算法的在避撞方面的性能，更加全面评价自动驾驶算法的安全性，进一步提高对自动驾驶算法保护性能评价的准确性。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的自动驾驶算法保护性能评测方法的自动驾驶算法保护性能评测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个自动驾驶算法保护性能评测装置实施例中的具体限定可以参见上文中对于自动驾驶算法保护性能评测方法的限定，在此不再赘述。
在一个实施例中，如图10所示，提供了一种自动驾驶算法保护性能评测装置1000，包括：获取模块1010、第一确定模块1020、碰撞仿真模块1030、第二确定模块1040和评测模块1050，其中：
获取模块1010，用于获取事故场景数据集；所述事故场景数据集包括多个事故场景对应的场景数据；
第一确定模块1020，用于针对每一个事故场景，确定所述事故场景下目标自动驾驶算法对应的避撞结果信息；
碰撞仿真模块1030，用于若所述避撞结果信息表示未避撞成功，则根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息和预先建立的碰撞仿真模型，确定所述事故场景下所述目标自动驾驶算法对应的汽车变形模拟结果和乘员碰撞模拟结果；
第二确定模块1040，用于根据所述事故场景下所述目标自动驾驶算法对应的乘员碰撞模拟结果和乘员损伤估计算法，确定所述事故场景下所述目标自动驾驶算法对应的乘员损伤结果；
评测模块1050，用于根据各所述事故场景下所述目标自动驾驶算法对应的避撞结果信息、汽车变形模拟结果和乘员损伤结果，确定所述目标自动驾驶算法对应的保护性能评测结果。
可选的，所述第二确定模块1040，具体用于：
根据所述事故场景下所述目标自动驾驶算法对应的乘员碰撞模拟结果和乘员损伤估计算法，计算所述事故场景中乘员各部位对应的损伤指标；
根据所述事故场景中乘员各部位对应的损伤指标和乘员损伤估计算法，计算所述事故场景中乘员各部位对应的损伤严重结果；
根据所述事故场景中乘员各部位对应的损伤严重结果和乘员损伤估计算法，计算所述事故场景下所述目标自动驾驶算法对应的乘员损伤结果。
可选的，所述装置还包括：
计算模块，用于若所述避撞结果信息表示避撞成功，则根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息和预设的避撞舒适性算法，计算所述事故场景下所述目标自动驾驶算法对应的避撞舒适性结果；
所述评测模块，具体用于：
根据各所述事故场景下所述目标自动驾驶算法对应的避撞结果信息、避撞舒适性结果、汽车变形模拟结果和乘员损伤结果，确定所述目标自动驾驶算法对应的保护性能评测结果。
可选的，所述计算模块，具体用于：
根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息和预设的避撞舒适性算法，计算所述事故场景下所述目标自动驾驶算法对应的时刻乘坐舒适性和时段乘坐舒适性；
根据所述事故场景下所述目标自动驾驶算法对应的时刻乘坐舒适性、时段乘坐舒适性和预设的避撞舒适性算法，计算所述事故场景下所述目标自动驾驶算法对应的避撞舒适性结果。
可选的，所述计算模块，具体用于：
根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息，确定所述事故场景下所述目标自动驾驶算法对应的最大加速度时刻、最大加加速度时刻、最大加速度时段和最大加加速度时段；
根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息、所述最大加速度时刻、所述最大加加速度时刻和预设的避撞舒适性算法，计算所述事故场景下所述目标自动驾驶算法对应的时刻乘坐舒适性；
根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息、所述最大加速度时段、所述最大加加速度时段和预设的避撞舒适性算法，计算所述事故场景下所述目标自动驾驶算法对应的时段乘坐舒适性。
可选的，所述第一确定模块1020，具体用于：
针对每一个事故场景，将所述事故场景对应的场景数据和目标自动驾驶算法输入至预先建立的自动驾驶模型；
根据预设的各自动驾驶启动时刻，确定分别基于每个自动驾驶启动时刻获得的目标自动驾驶算法对应的避撞结果信息。
上述自动驾驶算法保护性能评测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种自动驾驶算法保护性能评测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种自动驾驶算法保护性能评测方法，其特征在于，所述方法包括：
获取事故场景数据集；所述事故场景数据集包括多个事故场景对应的场景数据；
针对每一个事故场景，确定所述事故场景下目标自动驾驶算法对应的避撞结果信息；
若所述避撞结果信息表示未避撞成功，则根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息和预先建立的碰撞仿真模型，确定所述事故场景下所述目标自动驾驶算法对应的汽车变形模拟结果和乘员碰撞模拟结果；
根据所述事故场景下所述目标自动驾驶算法对应的乘员碰撞模拟结果和乘员损伤估计算法，确定所述事故场景下所述目标自动驾驶算法对应的乘员损伤结果；
根据各所述事故场景下所述目标自动驾驶算法对应的避撞结果信息、汽车变形模拟结果和乘员损伤结果，确定所述目标自动驾驶算法对应的保护性能评测结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述事故场景下所述目标自动驾驶算法对应的乘员碰撞模拟结果和乘员损伤估计算法，确定所述事故场景下所述目标自动驾驶算法对应的乘员损伤结果包括：
根据所述事故场景下所述目标自动驾驶算法对应的乘员碰撞模拟结果和乘员损伤估计算法，计算所述事故场景中乘员各部位对应的损伤指标；
根据所述事故场景中乘员各部位对应的损伤指标和乘员损伤估计算法，计算所述事故场景中乘员各部位对应的损伤严重结果；
根据所述事故场景中乘员各部位对应的损伤严重结果和乘员损伤估计算法，计算所述事故场景下所述目标自动驾驶算法对应的乘员损伤结果。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若所述避撞结果信息表示避撞成功，则根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息和预设的避撞舒适性算法，计算所述事故场景下所述目标自动驾驶算法对应的避撞舒适性结果；
所述根据各所述事故场景下所述目标自动驾驶算法对应的避撞结果信息、汽车变形模拟结果和乘员损伤结果，确定所述目标自动驾驶算法对应的保护性能评测结果包括：
根据各所述事故场景下所述目标自动驾驶算法对应的避撞结果信息、避撞舒适性结果、汽车变形模拟结果和乘员损伤结果，确定所述目标自动驾驶算法对应的保护性能评测结果。
4.根据权利要求3所述的方法，其特征在于，所述根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息和预设的避撞舒适性算法，计算所述事故场景下所述目标自动驾驶算法对应的避撞舒适性结果包括：
根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息和预设的避撞舒适性算法，计算所述事故场景下所述目标自动驾驶算法对应的时刻乘坐舒适性和时段乘坐舒适性；
根据所述事故场景下所述目标自动驾驶算法对应的时刻乘坐舒适性、时段乘坐舒适性和预设的避撞舒适性算法，计算所述事故场景下所述目标自动驾驶算法对应的避撞舒适性结果。
5.根据权利要求4所述的方法，其特征在于，所述根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息和预设的避撞舒适性算法，计算所述事故场景下所述目标自动驾驶算法对应的时刻乘坐舒适性和时段乘坐舒适性包括：
根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息，确定所述事故场景下所述目标自动驾驶算法对应的最大加速度时刻、最大加加速度时刻、最大加速度时段和最大加加速度时段；
根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息、所述最大加速度时刻、所述最大加加速度时刻和预设的避撞舒适性算法，计算所述事故场景下所述目标自动驾驶算法对应的时刻乘坐舒适性；
根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息、所述最大加速度时段、所述最大加加速度时段和预设的避撞舒适性算法，计算所述事故场景下所述目标自动驾驶算法对应的时段乘坐舒适性。
6.根据权利要求1所述的方法，其特征在于，所述针对每一个事故场景，确定所述事故场景下目标自动驾驶算法对应的避撞结果信息包括：
针对每一个事故场景，将所述事故场景对应的场景数据和目标自动驾驶算法输入至预先建立的自动驾驶模型；
根据预设的各自动驾驶启动时刻，确定分别基于每个自动驾驶启动时刻获得的目标自动驾驶算法对应的避撞结果信息。
7.一种自动驾驶算法保护性能评测装置，其特征在于，所述装置包括：
获取模块，用于获取事故场景数据集；所述事故场景数据集包括多个事故场景对应的场景数据；
第一确定模块，用于针对每一个事故场景，确定所述事故场景下目标自动驾驶算法对应的避撞结果信息；
碰撞仿真模块，用于若所述避撞结果信息表示未避撞成功，则根据所述事故场景下所述目标自动驾驶算法对应的避撞结果信息和预先建立的碰撞仿真模型，确定所述事故场景下所述目标自动驾驶算法对应的汽车变形模拟结果和乘员碰撞模拟结果；
第二确定模块，用于根据所述事故场景下所述目标自动驾驶算法对应的乘员碰撞模拟结果和乘员损伤估计算法，确定所述事故场景下所述目标自动驾驶算法对应的乘员损伤结果；
评测模块，用于根据各所述事故场景下所述目标自动驾驶算法对应的避撞结果信息、汽车变形模拟结果和乘员损伤结果，确定所述目标自动驾驶算法对应的保护性能评测结果。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111678489.4A CN114371708B (zh) | 2021-12-31 | 2021-12-31 | 自动驾驶算法保护性能评测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111678489.4A CN114371708B (zh) | 2021-12-31 | 2021-12-31 | 自动驾驶算法保护性能评测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114371708A true CN114371708A (zh) | 2022-04-19 |
| CN114371708B CN114371708B (zh) | 2023-05-02 |
Family
ID=81142644
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111678489.4A Active CN114371708B (zh) | 2021-12-31 | 2021-12-31 | 自动驾驶算法保护性能评测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114371708B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107291972A (zh) * | 2017-03-10 | 2017-10-24 | 清华大学 | 基于多源数据挖掘的汽车智能驾驶系统有效性评价方法 |
| US20200065700A1 (en) * | 2018-08-27 | 2020-02-27 | Baidu Online Network Technology (Beijing) Co., Ltd. | Data Processing Method, Apparatus and Readable Storage Medium for Evaluating Ride Comfortability |
| CN110851958A (zh) * | 2019-10-16 | 2020-02-28 | 清华大学 | 碰撞严重性的预测方法 |
| CN112115542A (zh) * | 2019-06-03 | 2020-12-22 | 沃尔沃汽车公司 | 利用碰撞配置信息的车辆总安全性能的应用和方法 |
| CN112353392A (zh) * | 2020-11-09 | 2021-02-12 | 清华大学 | 一种智能驾驶汽车乘员舒适性评价方法 |
| CN112829742A (zh) * | 2020-12-30 | 2021-05-25 | 清华大学 | 乘员安全决策方法和装置 |
| CN113849971A (zh) * | 2021-09-16 | 2021-12-28 | 广州文远知行科技有限公司 | 驾驶系统评估方法、装置、计算机设备和存储介质 |
-
2021
- 2021-12-31 CN CN202111678489.4A patent/CN114371708B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107291972A (zh) * | 2017-03-10 | 2017-10-24 | 清华大学 | 基于多源数据挖掘的汽车智能驾驶系统有效性评价方法 |
| US20200065700A1 (en) * | 2018-08-27 | 2020-02-27 | Baidu Online Network Technology (Beijing) Co., Ltd. | Data Processing Method, Apparatus and Readable Storage Medium for Evaluating Ride Comfortability |
| CN112115542A (zh) * | 2019-06-03 | 2020-12-22 | 沃尔沃汽车公司 | 利用碰撞配置信息的车辆总安全性能的应用和方法 |
| CN110851958A (zh) * | 2019-10-16 | 2020-02-28 | 清华大学 | 碰撞严重性的预测方法 |
| CN112353392A (zh) * | 2020-11-09 | 2021-02-12 | 清华大学 | 一种智能驾驶汽车乘员舒适性评价方法 |
| CN112829742A (zh) * | 2020-12-30 | 2021-05-25 | 清华大学 | 乘员安全决策方法和装置 |
| CN113849971A (zh) * | 2021-09-16 | 2021-12-28 | 广州文远知行科技有限公司 | 驾驶系统评估方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114371708B (zh) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2024123043A (ja) | 衝突の評価 | |
| CN114418200B (zh) | 车型特异性乘员损伤预测模型训练方法及装置 | |
| Shi et al. | Effects of vehicle front-end safety countermeasures on pedestrian head injury risk during ground impact | |
| JP6697998B2 (ja) | 移動体保険料算出方法、移動体保険料算出装置、移動体保険料算出プログラム及び移動体 | |
| CN115345347A (zh) | 交通风险预测方法、装置、计算机设备和存储介质 | |
| Yao et al. | Head injuries in child pedestrian accidents—in-depth case analysis and reconstructions | |
| Müller et al. | Real-time crash severity estimation with machine learning and 2d mass-spring-damper model | |
| EP4126620B1 (en) | Coachable driver risk groups | |
| CN114386691A (zh) | 基于应激姿态预测的乘员损伤预测方法和装置 | |
| Virzì Mariotti et al. | Determination and analysis of the head and chest parameters by simulation of a vehicle–teenager impact | |
| Seyedi et al. | A comprehensive assessment of bus rollover crashes: Integration of multibody dynamic and finite element simulation methods | |
| Weng et al. | Modeling small remotely piloted aircraft system to head impact for investigating craniocerebral response | |
| Takahashi et al. | Prediction of probability of fatality due to brain injury in traffic accidents | |
| CN114371708B (zh) | 自动驾驶算法保护性能评测方法和装置 | |
| Jiang et al. | Kinematics simulation and head injury analysis for rollovers using MADYMO | |
| Williams et al. | Exploratory analysis of motorcycle incidents using naturalistic riding data | |
| CN115841712A (zh) | 一种基于v2x技术的驾驶数据处理方法、装置及设备 | |
| Pan et al. | Effect of vehicle steering maneuvers on kinematics and head injury risks of cyclists via finite element modeling analysis | |
| CN116644585B (zh) | 基于目标车辆危险度的险态场景数据生成方法和装置 | |
| Fasanmade et al. | Context-Aware Quantitative Risk Assessment Machine Learning Model for Drivers Distraction | |
| Ly et al. | Investigation of the Suitability of Energy-Based Skull Fracture Criterion Application for V-dummy Finite Element Pedestrian Model | |
| Murano et al. | Analysis of kinematic behavior of pedestrians/cyclists in vehicle collisions using impulse | |
| Tushak et al. | Comparison of injuries in multiple and single event crashes | |
| Baker et al. | Inherent Uncertainty in Pedestrian Collision Reconstruction: How Evidence Variability Affects Head Injury Kinematics and Injury Prediction | |
| Hruschka | Risk assessment for integral safety in operational motion planning of automated driving |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |