CN115903615A

CN115903615A - 车辆集群行驶的可靠性确定方法与装置、服务器

Info

Publication number: CN115903615A
Application number: CN202211639625.3A
Authority: CN
Inventors: 郑洪江; 谢超
Original assignee: Pateo Connect and Technology Shanghai Corp
Current assignee: Pateo Connect and Technology Shanghai Corp
Priority date: 2022-12-20
Filing date: 2022-12-20
Publication date: 2023-04-04

Abstract

本申请公开了一种车辆集群行驶的可靠性确定方法与装置、服务器，该方法包括：获取自动驾驶车辆集群中的车辆在行驶路径中所涉及的第一数据；根据第一数据确定在第一时刻下的M个偏差率，M为正整数；将M个偏差率输入神经网络模型以得到系统故障率；根据系统故障率确定马尔科夫模型所建模的自动驾驶车辆集群中的车辆在第一时刻下行驶的状态转移概率矩阵；根据状态转移概率矩阵确定自动驾驶车辆集群中的车辆在第二时刻下行驶的可靠性，第二时刻为第一时刻的下一时刻，从而利用神经网络模型和马尔科夫模型实现对自动驾驶车辆集群的行驶过程进行实时、动态、准确的可靠性确定。

Description

车辆集群行驶的可靠性确定方法与装置、服务器

技术领域

本申请涉及自动驾驶技术领域，具体涉及一种车辆集群行驶的可靠性确定方法与装置、服务器。

背景技术

自动驾驶车辆集群，是自动驾驶领域的重要应用，能有效提升自动驾驶规模化交通运行效率，能显著缓解交通拥堵等。

自动驾驶车辆集群包括自动驾驶单车和自动驾驶车辆编队。其中，自动驾驶单车是具有自动驾驶功能的单个车辆，而自动驾驶车辆编队是通过将具有自动驾驶功能的多个车辆进行合理编队所组成的。

自动驾驶车辆集群行驶的可靠性关系到自动驾驶单车和自动驾驶车辆编队的行驶效率和行驶时间，对自动驾驶策略、自动驾驶安全以及稳定性有着重要影响。然而，目前针对自动驾驶车辆集群行驶的可靠性的研究较少，还需要进一步研究。

发明内容

本申请实施例提供了一种车辆集群行驶的可靠性确定方法与装置、服务器，以期望利用神经网络模型和马尔科夫模型实现对自动驾驶车辆集群的行驶过程进行实时、动态、准确的可靠性确定。

第一方面，为本申请的一种车辆集群行驶的可靠性确定方法，包括：

获取自动驾驶车辆集群中的车辆在行驶路径中所涉及的第一数据，所述第一数据包括以下至少之一项：基础安全消息、路侧信息、路侧安全消息、信号相位定时信息、地图数据消息；

根据所述第一数据确定在第一时刻下的M个偏差率，所述偏差率用于表示所述自动驾驶车辆集群中的车辆在所述行驶路径中产生偏差的概率，M为正整数；

将M个所述偏差率输入神经网络模型以得到系统故障率，所述系统故障率用于表示所述自动驾驶车辆集群中的车辆在所述第一时刻下发生系统故障的概率；

根据所述系统故障率确定马尔科夫模型所建模的所述自动驾驶车辆集群中的车辆在所述第一时刻下行驶的状态转移概率矩阵；

根据所述状态转移概率矩阵确定所述自动驾驶车辆集群中的车辆在第二时刻下行驶的可靠性，所述第二时刻为所述第一时刻的下一时刻。

可见，本申请可以从影响自动驾驶车辆集群行驶的可靠性的因素出发，运用所实时获取的数据(即第一数据)来计算至少一个(即M个)偏差率，将该至少一个偏差率输入神经网络模型来计算自动驾驶车辆集群中的车辆在某一时刻(即第一时刻)下发生系统故障的概率以得到系统故障率，以及将该系统故障率输入马尔科夫模型来预测自动驾驶车辆集群中的车辆在下一时刻(即第二时刻)下行驶的状态变化趋势以确定(评估/估计/分析等)可靠性。

这样，通过采用神经网络模型的不断学习、训练能力和较高的预测能力，可以保证所得到的系统故障率具有更高的准确度，以及通过采用马尔科夫模型的预测能力而不需要依据大量的历史数据进行分析推导，使得所需收集的数据量少，计算量小，实用性较强，最终实现对自动驾驶车辆集群的行驶过程进行实时、动态、准确的可靠性确定，大幅缩短可靠性的评估周期，提高可靠性的评估效率，满足当下汽车行业针对自动驾驶车辆集群行驶的可靠性评估的发展需求。

第二方面，为本申请的一种车辆集群行驶的可靠性确定装置，包括：

数据获取单元，用于获取自动驾驶车辆集群中的车辆在行驶路径中所涉及的第一数据，所述第一数据包括以下至少之一项：基础安全消息、路侧信息、路侧安全消息、信号相位定时信息、地图数据消息；

偏差率确定单元，用于根据所述第一数据确定在第一时刻下的M个偏差率，所述偏差率用于表示所述自动驾驶车辆集群中的车辆在所述行驶路径中产生偏差的概率，M为正整数；

系统故障率确定单元，用于将M个所述偏差率输入神经网络模型以得到系统故障率，所述系统故障率用于表示所述自动驾驶车辆集群中的车辆在所述第一时刻下发生系统故障的概率；

状态转移概率矩阵确定单元，用于根据所述系统故障率确定马尔科夫模型在所述第一时刻下的状态转移概率矩阵；

可靠性确定单元，用于根据所述状态转移概率矩阵确定所述自动驾驶车辆集群在第二时刻下行驶的可靠性，所述第二时刻为所述第一时刻的下一时刻。

可见，本申请可以通过车辆集群行驶的可靠性确定装置从影响自动驾驶车辆集群行驶的可靠性的因素出发，运用所实时获取的数据(即第一数据)来计算至少一个(即M个)偏差率，将该至少一个偏差率输入神经网络模型来计算自动驾驶车辆集群中的车辆在某一时刻(即第一时刻)下发生系统故障的概率以得到系统故障率，以及将该系统故障率输入马尔科夫模型来预测自动驾驶车辆集群中的车辆在下一时刻(即第二时刻)下行驶的状态变化趋势以确定可靠性。

这样，通过采用神经网络模型的不断学习、训练能力和较高的预测能力，可以保证所得到的系统故障率具有更高的准确度，以及通过采用马尔科夫模型的预测能力而不需要依据大量的历史数据进行分析推导，使得所需收集的数据量少，计算量小，实用性较强，最终实现对自动驾驶车辆集群的行驶过程进行实时、动态、准确的可靠性确定(评估/估计/分析等)，大幅缩短可靠性的评估周期，提高可靠性的评估效率，满足当下汽车行业针对自动驾驶车辆集群行驶的可靠性评估的发展需求。

第三方面，为本申请的一种服务器，包括处理器、存储器及存储在所述存储器上的计算机程序或指令，所述处理器执行所述计算机程序或指令以实现上述第一方面中所设计的方法中的步骤。

可见，本申请可以通过服务器的计算优势实现上述第一方面中利用神经网络模型和马尔科夫模型对自动驾驶车辆集群的行驶过程进行实时、动态、准确的可靠性确定，以及提高针对可靠性确定的运算效率。

第四方面，为本申请的一种计算机可读存储介质，其中，其存储有计算机程序或指令，所述计算机程序或指令被执行时以实现上述第一方面中所设计的方法中的步骤。

第五方面，为本申请的一种计算机程序产品，包括计算机程序或指令，其中，所述计算机程序或指令被执行时以实现上述第一方面中所设计的方法中的步骤。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。

图1是本申请实施例的一种自行驾驶车辆集群行驶的可靠性确定系统架构的示意图；

图2是本申请实施例的一种自动驾驶车辆集群行驶的可靠性确定系统的结构示意图；

图3是本申请实施例的一种车辆当前所行驶路径的行驶限速的示意图；

图4是本申请实施例的一种车辆当前行驶方向的示意图；

图5是本申请实施例的一种车辆当前车身中心位置的示意图；

图6是本申请实施例的一种相同的行驶路径上的前后两辆车的示意图；

图7是本申请实施例的一种红绿灯路口的前向停止线的示意图；

图8是本申请实施例的一种马尔科夫状态中的五个状态之间相互转移的示意图；

图9是本申请实施例的一种状态转移概率矩阵的更新过程的示意图；

图10是本申请实施例的一种车辆集群行驶的可靠性确定方法的流程示意图；

图11是本申请实施例的一种车辆集群行驶的可靠性确定装置的功能单元组成框图；

图12是本申请实施例的一种服务器的结构示意图。

具体实施方式

为了本技术领域人员更好理解本申请的技术方案，下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。显然所描述的实施例是本申请一部分实施例，而不是全部的实施例。针对本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应理解，本申请实施例中涉及的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如，包含了一系列步骤或单元的过程、方法、软件、产品或设备没有限定于已列出的步骤或单元，而是还包括没有列出的步骤或单元，或还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

本申请实施例中涉及的“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本申请实施例中的“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示如下三种情况：单独存在A，同时存在A和B，单独存在B。其中，A、B可以是单数或者复数。字符“/”可以表示前后关联对象是一种“或”的关系。另外，符号“/”也可以表示除号，即执行除法运算。

本申请实施例中的“以下至少一项(个)”或其类似表达，指的是这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a、b或c中的至少一项(个)，可以表示如下七种情况：a，b，c，a和b，a和c，b和c，a、b和c。其中，a、b、c中的每一个可以是元素，也可以是包含一个或多个元素的集合。

目前，自动驾驶车辆集群行驶的可靠性关系到自动驾驶单车和自动驾驶车辆编队的行驶效率和行驶时间，对自动驾驶策略、自动驾驶安全以及稳定性有着重要影响。然而，当前国内外针对自动驾驶车辆集群行驶的可靠性研究方法较少，且存在一定不足。

比如，一种方式是从自动驾驶车辆单车的软硬件的可靠性角度出发进行研究的，但是这种方式是静态评估的方法，属于事后统计的结果。而在自动驾驶车辆集群运行的过程中，需要随时掌握单车、车队、车队内各单车当前的状态，要求可靠性度量值是实时和动态的，因此需要针对自动驾驶车辆集群行驶进行动态可靠性的评估。

一种方式是采用分层统计的方法来评估自动驾驶车辆集群行驶的可靠性，虽然这种方式能够针对自动驾驶车辆集群行驶进行动态可靠性的评估，但是这种方式存在计算复杂、可靠性评估周期长、实用性差等不足。

基于此，本申请实施例可以从影响自动驾驶车辆集群行驶的可靠性的因素出发，运用所实时获取的数据来计算至少一个(即M个)偏差率，将该至少一个偏差率输入神经网络模型来计算自动驾驶车辆集群中的车辆在某一时刻下发生系统故障的概率以得到系统故障率，以及将该系统故障率输入马尔科夫模型来预测自动驾驶车辆集群中的车辆在下一时刻下行驶的状态变化趋势以确定可靠性。

这样，通过采用神经网络模型的不断学习、训练能力和较高的预测能力，可以保证所得到的系统故障率具有更高的准确度，以及通过采用马尔科夫模型的预测能力而不需要依据大量的历史数据进行分析推导，使得所需收集的数据量少，计算量小，实用性较强，最终实现对自动驾驶车辆集群的行驶过程进行实时、动态的可靠性确定(评估/估计/分析等)，大幅缩短可靠性的评估周期，提高可靠性的评估效率，满足当下汽车行业针对自动驾驶车辆集群行驶的可靠性评估的发展需求。

下面对本申请实施例所涉及的技术方案、所能达到的有益效果以及相关概念等进行具体说明。

1、自行驾驶车辆集群行驶的可靠性确定系统架构

1)自行驾驶车辆集群

本申请实施例的自动驾驶车辆集群，是自动驾驶领域的重要应用，能有效提升自动驾驶规模化交通运行效率，能显著缓解交通拥堵等。

自动驾驶车辆集群，可以是由多个动态因子组成的复杂多态系统，可以包括自动驾驶单车和自动驾驶车辆编队。其中，自动驾驶单车是具有自动驾驶功能的单个车辆，而自动驾驶车辆编队是通过将具有自动驾驶功能的多个车辆进行合理编队所组成的。

自动驾驶车辆集群中的各个车辆可以通过车联网(vehicle to everything，V2X)实现互联互通。

2)车载单元(On-Board Unit，OBU)

本申请实施例的车载单元，可以安装于自动驾驶车辆集群中的各个车辆上，可以是用于实现车联网(V2X)通信和支持V2X应用的硬件单元。

车载单元能够获取车辆的标识信息、行驶速度、航向角、方向盘转角、四轴加速度等基础安全消息(basic safety message，BSM)。

车载单元可以通过专用短程通信技术(dedicated short-rangecommunications，DSRC)、长期演进车辆技术(long term evolution-vehicle，LTE-V)、新无线V2X技术(new radio-V2X，NR-V2X)、车辆到基础设施技术(vehicle to infrastructure，V2I)等车联网技术与路侧单元(road side unit，RSU)之间进行互联通信。

需要说明的是，本申请实施例可以将车载单元称为车载设备。

3)路侧单元

本申请实施例的路侧单元安装于交叉路口、事故多发地、狭窄而险要的道路或者高速公路出入口等道路地区，是用于实现V2X通信和支持V2X应用的硬件单元。

路侧单元可以与车载单元进行V2X通信，以便获取来自车载单元的BSM。

需要说明的是，本申请实施例可以将路侧单元称为路侧设备。

4)服务器

本申请实施例的服务器可以为用于提供车辆集群行驶的可靠性确定(估计/评估/分析等)等功能的软硬件单元。

例如，该软硬件单元可以是基础设施即服务(infrastructure as a service，IaaS)、平台即服务(platform as a service，PaaS)、软件即服务(software as service，SAAS)平台、数据库等。

服务器可以是云平台、云服务器、硬件服务器、软件服务器、软硬件服务器、物联网服务器、web服务器、应用服务器、负载均衡器(Nginx)、数据中心网络设备、个人计算机(personal computer，PC)、计算设备、5G系统中的网络设备以及未来演进的公用陆地移动通信网络(public land mobile network，PLMN)中的网络设备、核心网设备等，对此不作具体限制。

服务器可以与车载单元进行V2X通信，也可以与路侧单元进行V2X通信。

例如，车载单元车辆到网络(Vehicle to Network，V2N)技术与服务器连接，使得服务器可以与车载单元之间进行数据交互，对数据进行存储和处理，以及提供车辆所需要的各类应用服务。

5)自行驾驶车辆集群行驶的可靠性确定系统架构

本申请实施例的技术方案可以应用于自行驾驶车辆集群行驶的可靠性确定系统架构。其中，自行驾驶车辆集群行驶的可靠性确定系统架构可以由自行驾驶车辆集群、路侧单元和服务器组成。

示例性的，如图1所示，自行驾驶车辆集群行驶的可靠性确定系统架构10包括服务器110、路侧单元120和自动驾驶车辆集群130，而自动驾驶车辆集群130包括自动驾驶单车1301、自动驾驶单车1302、自动驾驶单车1303、自动驾驶车辆编队1304和自动驾驶车辆编队1305。其中，自动驾驶车辆编队1304由多个车辆进行合理编队所组成，自动驾驶车辆编队1305由多个车辆进行合理编队所组成。

服务器110和路侧单元120之间建立有V2X通信。服务器110和自动驾驶车辆集群130中的各个车辆之间建立有V2X通信。自动驾驶车辆集群130中的各个车辆之间建立有V2X通信。

当然，图1所示的自行驾驶车辆集群行驶的可靠性确定系统架构10还可以包括其他数量的服务器、路侧单元或自动驾驶车辆集群，对此不作具体限制。

2、第一数据

需要说明的是，在自行驾驶车辆集群行驶的可靠性确定系统架构中，自动驾驶车辆集群中的各个车辆、路侧单元和服务器均需要不断进交互，以及产生实时和动态的数据。

为了实现对自动驾驶车辆集群的行驶过程进行实时、动态的可靠性确定(估计/评估/分析等)，本申请实施例需要对自动驾驶车辆集群在行驶过程中产生或需要的大量数据进行获取，而获取得到的数据可以统称为第一数据。另外，第一数据也可以采用其他术语描述，对此不作具体限制。

具体的，第一数据可以包括以下至少之一项：基础安全消息(Basic SafetyMessage，BSM)、路侧信息(Road Side Information，RSI)、路侧安全消息(Road SafetyMessage，RSM)、信号相位定时信息(Signal Phase Timing Message，SPAT)、地图数据消息(Map Data，MAP)。

具体的，第一数据具有时间性。因此，不同时刻下的第一数据可能不同。下面对第一数据可能包括的各个信息进行具体说明。

(1)BSM

BSM是使用最广泛的一个应用层消息，可以用来在自动驾驶车辆集群中的各个车辆之间交换安全状态数据。

自动驾驶车辆集群中的车辆可以广播BSM，使得将自身的实时状态告知自动驾驶车辆集群中的其他车辆，以此支持一系列协同安全等应用。

需要说明的是，自动驾驶车辆集群中的车辆可以通过V2X网络将自身的BSM广播给附近的其他车辆、路侧单元和服务器等。

当车辆将自身的BSM广播给路侧单元时，该路侧单元可以将该BSM上传到服务器。也就是说，本申请实施例的数据采集方法可以是通过路侧单元收集自动驾驶车辆集群中的各个车辆的BSM以上传到服务器。

BSM可以包括消息编号、车辆标识信息、时间精度、车辆行驶位置、车辆行驶速度、车辆定位系统自身精度、车辆当前位置精度、车辆档位状态、航向角、方向盘转角、车辆运行状态精度、车辆四轴加速度、车辆刹车系统状态、车辆尺寸、车辆类型、车辆安全辅助信息、紧急车辆附加信息。例如，如表1所示。

表1

参数	描述
		车辆行驶位置	Position3D_t pos；
车辆行驶速度	Speed_t speed；
		航向角	Heading_t heading；
方向盘转角	SteeringWheelAngle_t angle；
		车辆刹车系统状态	BrakeSystemStatus_t brakes；
车辆四轴加速度	AccelerationSet4Way_t accelSet；
		车辆安全辅助信息	struct VehicleSafetyExtensions safetyExt；
…	…

1)车辆安全辅助信息

本申请实施例中，车辆安全辅助信息可以包括车辆的特殊状态位(如应急灯亮起、ABS系统被触发、车身稳定系统被触发、爆胎、安全气囊弹出、车辆故障无法行驶等)、车辆历史行驶轨迹、车辆行驶路线、车辆灯光信息等中的至少之一项。

2)车辆标识信息

本申请实施例中，车辆标识信息可以用于唯一标识车辆、该车辆的行驶行为以及该车辆的自身数据等。

示例性的，如表2所示，车辆标识信息包括车辆标识符、驾驶行为信息、自动驾驶车辆编队中的位置信息、自动驾驶车辆编队中的头部车辆的VID中的至少之一项。

其中，驾驶行为信息，可以用于指示车辆是自动驾驶单车还是自动驾驶车辆编队。若驾驶行为信息指示0，则表示该车辆是自动驾驶单车。若驾驶行为信息指示0，则表示该车辆是自动驾驶编队中的车辆。

自动驾驶车辆编队中的位置信息，可以用于指示车辆在自动驾驶车辆编队中所处的位置。若自动驾驶车辆编队中的位置信息为0，则表示该车辆是自动驾驶车辆编队中的头部车辆；若自动驾驶车辆编队中的位置信息为1，则表示该车辆是自动驾驶车辆编队中的第二个车辆；依次类推。

自动驾驶车辆编队中的头部车辆的VID，可以用于指示自动驾驶车辆编队中的头部车辆的唯一标识号。

表2

(2)RSI

RSI可以由路侧单元向自身周围的自动驾驶车辆集群中的车辆发布的交通事件信息以及交通标志信息等。

RSI可以包括一个或多个交通事件信息或者交通标志信息，以及发送该路侧信息的路侧单元的编号以及参考位置坐标等。

需要说明的是，服务器可以获取来自路侧单元的RSI，也可以自身配置有RSI，对此不作具体限制。

(3)RSM

RSM可以是路侧单元通过自身拥有的相应检测手段，得到周围交通参与者的实时状态信息(如路侧单元本身、周围车辆、非机动车、行人等)，并广播给自身周围的自动驾驶车辆集群中的车辆。

需要说明的是，服务器可以获取来自路侧单元的RSM，也可以自身配置有RSM，对此不作具体限制。

(4)SPAT

SPAT可以包含一个或多个路口信息灯的当前状态信息。将SPAT和MAP进行结合，可以为自动驾驶车辆集群中的车辆提供实时的前方信号灯相位信息。

需要说明的是，服务器可以获取来自路侧单元的SPAT，也可以自身配置有SPAT，对此不作具体限制。

例如，如表3所示，SPAT包括状态信息。其中，该状态信息可以包括路口位置信息、路口红绿灯相位信息等。

表3

参数	描述
		状态信息	IntersectionStateList_t intersections；

(5)MAP

MAP可以由路侧单元广播，向自身周围的自动驾驶车辆集群中的车辆传递局部区域的地图信息。

需要说明的是，服务器可以获取来自路侧单元的MAP，也可以自身配置有MAP，对此不作具体限制。

MAP可以包括局部区域的路口信息、路段信息、车道信息、道路之间的连接关系等。

另外，MAP可以包括多个路口或区域的地图数据。

例如，如表4，MAP可以包括道路信息。其中，该道路信息包括道路节点位置、车道信息、道路限速信息等。

表4

参数	描述
		道路信息	NodeList_t nodes；

(6)第一数据的运用

本申请实施例可以运用第一数据来对自动驾驶车辆集群在行驶过程中进行实时、动态的可靠性确定(估计/评估/分析等)。

示例性的，如图2所示，本申请实施例可以将第一数据输入到自动驾驶车辆集群行驶的可靠性确定系统。

自动驾驶车辆集群行驶的可靠性确定系统，可以用于评估自动驾驶车辆集群在行驶过程中的可靠性。

例如，自动驾驶车辆集群行驶的可靠性确定系统可以实现如下：运用第一数据来计算至少一个(即M个，M为正整数)偏差率，将该至少一个偏差率输入神经网络模型来计算自动驾驶车辆集群中的车辆在某一时刻下发生系统故障的概率以得到系统故障率，以及将该系统故障率输入马尔科夫模型来预测自动驾驶车辆集群中的车辆在下一时刻下行驶的状态变化趋势以确定可靠性。

自动驾驶车辆集群行驶的可靠性确定系统，可以包括自动驾驶单车的可靠性确定子系统和自动驾驶车辆编队行驶的可靠性确定子系统。

其中，自动驾驶单车的可靠性确定子系统，可以用于评估自动驾驶单车在行驶过程中的可靠性。

自动驾驶车辆编队行驶的可靠性确定子系统，可以用于评估自动驾驶车辆编队在行驶过程中的可靠性。

结果输出单元，可以用于对自动驾驶车辆集群行驶的可靠性确定系统的结果进行可视化输出。

例如，结果输出单元可以输出数据报表，或在服务器的监控屏幕上实时动态显示输出结果。

3、偏差率

需要说明的是，本申请实施例可以从影响自动驾驶车辆集群行驶的可靠性的因素出发，运用所实时获取的第一数据来计算不同时刻下的至少一个(即M(M≥1)个)偏差率，该偏差率可以用于表示自动驾驶车辆集群中的车辆在行驶路径中产生偏差的概率。

也就是说，偏差率可以是影响自动驾驶车辆集群行驶的可靠性的动态因子，而自动驾驶车辆集群可以是由多个动态因子组成的复杂多态系统。

同时，自动驾驶车辆集群中的所有车辆在某一时刻下各自对应有M个偏差率。

例如，当第一数据包括在时间段[t_i,t_j]内的自动驾驶车辆集群中的车辆k的数据时，本申请实施例可以运用该数据来计算在时刻t_j下的车辆k对应的M个偏差率。

在一些可能的实现中，M个偏差率可以包括速度偏差率、转向角偏差率、横向位置偏移率、第一碰撞时间偏差率、第二碰撞时间偏差率等中的至少之一项。

(1)速度偏差率

本申请实施例中，速度偏差率可以用于表示自动驾驶车辆集群中的车辆的行驶速度与行驶路径的行驶限速之间产生速度偏差的概率。

具体的，速度偏差率具有时间性。因此，不同时刻下的速度偏差率可能不同。

需要说明的是，行驶路径可以是由自动驾驶车辆集群的测试项目所规划确定的，可以是通过服务器下发给自动驾驶车辆集群中的车辆的导航系统中，可以是预先配置在自动驾驶车辆集群中的车辆的导航系统中，而测试项目可以包括车辆行驶路程、车辆行驶速度、行驶限速、目标车辆行驶速度、相邻车辆之间的车头间距、路况识别情况、方向指示信号灯识别情况、停车让行标志识别情况、道路交通标志识别情况等。

另外，行驶路径中可以存在多个行驶路段的行驶限速要求。因此，当自动驾驶车辆集群中的车辆行驶在某一行驶路段上时，车辆的当前行驶速度可能大于、等于或小于该行驶路段的行驶限速。例如，如图3所示，车辆当前所行驶路径的行驶限速为60km/h。

由于本申请实施例可以通过实时上报的BSM来获取自动驾驶车辆集群中的每个车辆的当前行驶速度，因此可以通过这些行驶速度和行驶路径中的行驶限速来确定当前行驶速度是否与行驶限度存在速度偏差，以便评估自动驾驶车辆集群中的车辆在行驶过程中的可靠性。

例如，若车辆k在时刻t_j下所在行驶路径的行驶限速为v_l(t)，且车辆k在时刻t_j下的行驶速度为v_h(t)，则速度偏差率

为：

(2)转向角偏差率

本申请实施例中，转向角偏差率可以用于表示自动驾驶车辆集群中的车辆的行驶方向与行驶路径之间产生转向角偏差的概率。

另外，转向角偏差率具有时间性。因此，不同时刻下的转向角偏差率可能不同。

需要说明的是，自动驾驶车辆集群中的车辆在沿行驶路径行驶时，该车辆的行驶方向可能与行驶路径之间存在一定的转向角偏差。

由于本申请实施例可以通过实时上报的BSM来获取自动驾驶车辆集群中的每个车辆当前的航向角、方向盘转角等，以便确定每个车辆的行驶方向，因此可以通过这些行驶方向和行驶路径来确定自动驾驶车辆集群是否与行驶路径存在转向角偏差，以便评估自动驾驶车辆集群中的车辆在行驶过程中的可靠性。

例如，如图4所示，若车辆k在时刻t_j下的行驶方向由虚线方向410表示，行驶路线由虚线420表示，且虚线方向410与虚线420之间的夹角为a(t)，则转向角偏差率

为

其中，π表示弧度。

(3)横向位置偏移率

本申请实施例中，横向位置偏移率可以用于表示自动驾驶车辆集群中的车辆的车身中心位置与行驶路径之间产生横向位置偏差的概率。

另外，横向位置偏移率具有时间性。因此，不同时刻下的横向位置偏移率可能不同。

需要说明的是，自动驾驶车辆集群中的车辆在沿行驶路径行驶时，该车辆的车身中心位置可能与行驶路径之间存在一定的横向位置偏差。

由于本申请实施例可以通过实时上报的BSM来获取自动驾驶车辆集群中的每个车辆当前的车辆行驶位置、车辆尺寸等，以便确定每个车辆的车身中心位置，因此可以通过这些车身中心位置和行驶路径来确定自动驾驶车辆集群是否与行驶路径存在横向位置偏差，以便评估自动驾驶车辆集群中的车辆在行驶过程中的可靠性。

例如，如图5所示，若在时刻t_j下的行驶路线由虚线510表示，车辆k在时刻t_j下的车身中心位置与虚线510之间的垂直距离为d(t)，以及车辆k在时刻t_j下所在车道的车道宽度为w(t)，则横向位置偏差率

为

(4)第一碰撞时间偏差率

本申请实施例中，第一碰撞时间偏差率可以用于表示自动驾驶车辆集群中的前后车辆的前向碰撞预警(Forward Collision Warning，FCW)碰撞时间(Time To Collision，TTC)与第一预设前向碰撞预警碰撞时间之间产生碰撞时间偏差的概率。

另外，第一碰撞时间偏差率具有时间性。因此，不同时刻下的第一碰撞时间偏差率可能不同。

需要说明的是，自动驾驶车辆集群中的车辆在沿行驶路径行驶时，在相同的行驶路径上可能存在前后两辆车。例如，如图6所示，车辆610和车辆620在相同的行驶路径630上。

为此，需要计算前后两辆车的前向碰撞预警碰撞时间。该前向碰撞预警碰撞时间T₁(t)为：

其中，D₁(t)表示前后两辆车之间的车间距离；v_r(t)表示前后两辆车之间的相对行驶速度。

由于本申请实施例可以通过实时上报的BSM来获取自动驾驶车辆集群中的每个车辆当前的车辆行驶位置、行驶速度等，以便确定在相同行驶路径上的前后两辆车之间的车间距离，因此可以通过这些行驶速度和车间距离来确定前向碰撞预警碰撞时间。

第一预设前向碰撞预警碰撞时间可以是标准所规定的一个预设值。该预设值可以是当前车辆的行驶速度对应的最晚前向碰撞预警碰撞时间，可以是当前车辆的行驶速度对应的最早前向碰撞预警碰撞时间。

表5

例如，如表5所示，若当前车辆的行驶速度为40km/h，该当前车辆的前车的行驶速度为20km/h，两车发生碰撞时的重叠率为50％，则最晚前向碰撞预的车间距离为10.51m，最早前向碰撞预的车间距离为17.29m，最晚前向碰撞预警碰撞时间为1.89s，最早前向碰撞预警碰撞时间为3.11s；依次同理可知。

另外，第一预设前向碰撞预警碰撞时间可以由路侧单元实时向自动驾驶车辆集群中的车辆或服务器进行广播。对此，自动驾驶车辆集群中的车辆或服务器可以获知该第一预设前向碰撞预警碰撞时间。例如，该第一预设前向碰撞预警碰撞时间可以由RSI或RSM携带。

若第一预设前向碰撞预警碰撞时间为T_C(t)，且自动驾驶车辆集群中的前后车辆的前向碰撞预警碰撞时间为T₁(t)，则车辆k在时刻t_j下的第一碰撞时间偏差率E_j ^k,_rT1(t)为：

(5)第二碰撞时间偏差率

本申请实施例中，第二碰撞时间偏差率可以用于表示自动驾驶车辆集群中的车辆到碰撞预警目标的前向碰撞预警碰撞时间与第二预设前向碰撞预警碰撞时间之间产生碰撞时间偏差的概率。

另外，第二碰撞时间偏差率具有时间性。因此，不同时刻下的第二碰撞时间偏差率可能不同。

在一些可能的实现中，该碰撞预警目标可以是行驶路径中的红绿灯路口的前向停止线，可以是行驶路径中的任意碰撞预警目标物体等。

另外，该碰撞预警目标的位置信息可以由路侧单元实时向自动驾驶车辆集群中的车辆或服务器进行广播。对此，自动驾驶车辆集群中的车辆或服务器可以获知该车辆与该碰撞预警目标之间的距离。例如，该碰撞预警目标的位置信息可以由RSI或RSM携带。

同理，该碰撞预警目标的位置信息可以由路侧单元实时向服务器上报。对此，服务器可以根据该碰撞预警目标的位置信息和实时上报的BSM确定自动驾驶车辆集群中的车辆与该碰撞预警目标之间的距离。

例如，以碰撞预警目标是行驶路径中的红绿灯路口的前向停止线为例，如图7所示。其中，线段720表示红绿灯路口的前向停止线。路侧单元730可以实时向车辆710广播红绿灯路口的前向停止线的位置信息。

为此，需要计算车辆到碰撞预警目标的前向碰撞预警碰撞时间。该前向碰撞预警碰撞时间T₂(t)为：

其中，D₂(t)表示车辆与碰撞预警目标之间的距离；v(t)表示车辆的行驶速度。

由于本申请实施例可以通过实时上报的BSM来获取自动驾驶车辆集群中的每个车辆当前的车辆行驶位置、行驶速度等，以及通过RSI或RSM获取碰撞预警目标的位置信息，因此可以通过这些行驶速度、车辆行驶位置和碰撞预警目标的位置信息来确定前向碰撞预警碰撞时间。

第二预设前向碰撞预警碰撞时间可以是标准所规定的一个预设值。该预设值可以是当前车辆的行驶速度对应的最晚前向碰撞预警碰撞时间，可以是当前车辆的行驶速度对应的最早前向碰撞预警碰撞时间。

例如，如表6所示，若当前车辆的行驶速度为20km/h，则最晚前向碰撞预的距离为10.51m，最早前向碰撞预的车间距离为17.29m，最晚前向碰撞预警碰撞时间为1.89s，最早前向碰撞预警碰撞时间为3.11s；依次同理可知。

表6

另外，第二预设前向碰撞预警碰撞时间可以由路侧单元实时向自动驾驶车辆集群中的车辆或服务器进行广播。对此，自动驾驶车辆集群中的车辆或服务器可以获知该第二预设前向碰撞预警碰撞时间。例如，该第二预设前向碰撞预警碰撞时间可以由RSI或RSM携带。

若第二预设前向碰撞预警碰撞时间为T_S(t)，且自动驾驶车辆集群中的车辆到碰撞预警目标的前向碰撞预警碰撞时间为T₂(t)，则车辆k在时刻t_j下的第二碰撞时间偏差率

为：

4、采用神经网络模型计算系统故障率

结合上述“3、偏差率”中的内容可知，自动驾驶车辆集群中的所有车辆在某一时刻下各自对应有M个偏差率。由于自动驾驶车辆集群中存在的车辆数较多(如P个车辆)，因此本申请实施例可以计算得到大量的偏差率(如P*M个偏差率)，且不同车辆各自对应的偏差率都可能不同，使得根据偏差率来确定自动驾驶车辆集群是否发生系统故障时存在处理量大、处理复杂度高等情况。

为了提高处理效率和准确性，本申请实施例可以将这些偏差率输入到神经网络模型以输出自动驾驶车辆集群中的车辆在某一时刻下发生系统故障的概率，即系统故障率，以便通过采用神经网络模型的不断学习、训练能力较高的预测能力，有利于提高系统故障率的准确性，以及将系统故障率输入马尔科夫模型来预测自动驾驶车辆集群中的车辆在下一时刻下行驶的状态变化趋势以确定可靠性。

(1)神经网络模型

本申请实施例中，神经网络模型可以是各种类型的网络模型，例如，前馈神经网络(feedforward neural network，FNN)模型、反馈神经网络(feedback neural network，FNN)模型等中的之一。

前馈神经网络模型可以包括反向传播(back propagation，BP)神经网络模型、卷积神经网络(convolutional neural networks，CNN)模型、深度卷积神经网络(deepconvolutional neural networks，DCNN)模型、残差网络(ResNet)模型、生成对抗网络(generative adversarial networks，GAN)模型、全卷积神经网络(fully convolutionalnetworks，FCN)模型等中的之一。

反馈神经网络模型可以包括循环神经网络(recurrent neural network，RNN)模型、长短期记忆网络(long short term memory network，LSTM)模型、Hopfield网络模型、玻尔兹曼机等中的之一。

(2)系统故障率

本申请实施例中，系统故障率可以用于表示自动驾驶车辆集群中的车辆在某一时刻下发生系统故障的概率。

具体的，系统故障率在时间维度上呈现连续的取值。也就是说，不同时刻下的系统故障率的取值可以成为一条连续的曲线。

(3)系统故障率的置信值

需要说明的是，由于神经网络模型需要不断利用一定的期望值来进行学习和训练，以便保证输出的准确性，因此本申请实施引入了系统故障率的置信值。

系统故障率的置信值，可以用于表示神经网络模型进行学习和训练所需的期望值。

另外，M个偏差率中的不同偏差率各自对应一个系统故障率的置信值。

例如，速度偏差率

对应一个系统故障率的置信值，转向角偏差率

对应一个系统故障率的置信值等。

(4)影响度区间

为了确定系统故障率的置信值，本申请实施例引入了影响度区间。

影响度区间，可以用于表示偏差率对系统故障率的影响度的阈值区间其中，影响度区间由影响度阈值构成，而影响度阈值用于表示偏差率对系统故障率的置信值的影响度的大小。

例如，以偏差率为速度偏差率

为例，若速度偏差率

对系统故障率的影响度的阈值区间为

则速度偏差率

对应的影响度区间为

其中，

和

为两个影响度阈值。

在一些可能的实现中，影响度区间可以存在如下至少一项：

◆M个偏差率中的不同偏差率各自对应有马尔科夫状态中的L(L为正整数)个状态，且L个状态中的不同状态对应的影响度区间可能不同；其中，马尔科夫状态可以是采用马尔科夫模型所建模的自动驾驶车辆集群中的车辆在不同时刻下的状态，具体在后文描述；

◆M个偏差率中的不同偏差率各自对应的影响度区间可能不同；

◆影响度区间中的影响度阈值可以是通过大数据统计来确定的；

◆若影响度区间中的影响度阈值越大，则偏差率对系统故障率的影响度就越大；

·影响度区间中的影响度阈值不随时间变化，即影响度阈值为固定值；

◆系统故障率的置信值可以是影响度区间中的随机值。

例如，马尔科夫状态包括“正常状态”、“一般状态”、“异常状态”、“故障状态”，即L＝4。其中，自动驾驶车辆集群中的车辆k在时刻t_j下的速度偏差率

对应的“正常状态”的影响度区间为

速度偏差率

对应的“一般状态”的影响度区间为

速度偏差率

对应的“异常状态”的影响度区间为

速度偏差率

对应的“故障状态”的影响度区间为

其中，

为影响度阈值，用于表示速度偏差率

对应的马尔科夫状态对系统故障率的置信值的影响度的大小。若

越大，则影响度就越大。

同理，自动驾驶车辆集群中的车辆k在时刻t_j下的转向角偏差率

对应的正常状态的影响度区间为

与

不同，其余同理可知。

(5)影响度区间对应的敏感度阈值

为了确定系统故障率的置信值，本申请实施例引入了影响度区间对应的敏感度阈值。

敏感度阈值，可以用于表示偏差率影响系统故障率的敏感度的阈值。

需要说明的是，若敏感度阈值越大，则表示偏差率影响系统故障率的敏感度越大，即表示该偏差率即便发生很小的变化，也会严重影响到系统故障率。

在一些可能的实现中，敏感度阈值可以存在如下至少一项：

◆不同影响度区间对应的敏感度阈值可能不同；

◆M个偏差率中的不同偏差率各自对应的敏感度阈值可能不同；

◆敏感度阈值可以是通过大数据统计来确定的；

◆若敏感度阈值越大，则偏差率影响系统故障率的敏感度就越大，即偏差率发生很小的变化，也会严重影响到系统故障率；

◆敏感度阈值不随时间变化，即敏感度阈值为固定值。

例如，若自动驾驶车辆集群中的车辆k在时刻t_j下的速度偏差率

对应的“正常状态”的影响度区间为

速度偏差率

对应的“一般状态”的影响度区间为

速度偏差率

对应的“异常状态”的影响度区间为

速度偏差率

对应的“故障状态”的影响度区间为

则上述4个影响度区对应3个敏感度阈值，即

其中，

(6)确定偏差率对应的系统故障率的置信值

需要说明的是，本申请实施例可以根据M个偏差率、影响度区间和敏感度阈值确定该M个偏差率各自对应的系统故障率的置信值。

为了便于区分，偏差率对应的系统故障率的置信值可以称为第一置信值，即第一置信值用于表示系统故障率的置信值。当前，第一置信值也可以采用其他术语描述，对此不作具体限制。

对应的正常状态的影响度区间为

速度偏差率

对应的一般状态的影响度区间为

速度偏差率

对应的异常状态的影响度区间为

速度偏差率

对应的故障状态的影响度区间为

则上述4个影响度区间对应3个敏感度阈值，即

则速度偏差率

对应的系统故障率的置信值为

其中，

表示影响度区间

的随机值，其余同理可知。

(7)确定车辆对应的系统故障率的置信值

需要说明的是，本申请实施例可以根据车辆的M个偏差率各自对应的系统故障率的置信值确定该车辆对应的系统故障率的置信值。

另外，由于车辆对应的系统故障率的置信值为在某一时刻下的值，因此在时间维度上呈现离散状态。

为了便于区分，该车辆对应的系统故障率的置信值可以称为第二置信值。当前，第二置信值也可以采用其他术语描述，对此不作具体限制。

在一些可能的实现中，该车辆对应的系统故障率的置信值可以是该车辆的M个偏差率各自对应的系统故障率的置信值中的最大值。即，第二置信值是M个偏差率各自对应的系统故障率的置信值中的最大值。

例如，当自动驾驶车辆集群中的车辆k在时刻t_j下的M(M＝5)个偏差率包括速度偏差率

转向角偏差率

横向位置偏差率

第一碰撞时间偏差率

第二碰撞时间偏差率

时，若速度偏差率

对应的系统故障率的置信值为

转向角偏差率

对应的系统故障率的置信值为

横向位置偏差率

对应的系统故障率的置信值为

第一碰撞时间偏差率

对应的系统故障率的置信值为

第二碰撞时间偏差率

对应的系统故障率的置信值为

则车辆k在时刻t_j下对应的系统故障率的置信值

(8)神经网络模型的输出

需要说明的是，结合上述可知，本申请实施例可以将M个偏差率输入神经网络模型，并以车辆对应的系统故障率的置信值作为期望值进行学习和训练以输出系统故障率。

车辆对应的系统故障率的置信值在时间维度上是离散的，而系统故障率在时间维度上是连续的。因此，本申请实施例可以通过神经网络模型将在时间维度上离散的系统故障率的置信值拟合成一条连续的系统故障率的曲线，满足真实场景中的时间连续情况，保证系统故障率更加真实、可靠和准确。

例如，将车辆k在时刻t_j下的M(M＝5)个偏差率，即速度偏差率

转向角偏差率

横向位置偏差率

第一碰撞时间偏差率

第二碰撞时间偏差率

输入神经网络模型，并以车辆k在时刻t_j下对应的系统故障率的置信值

作为期望值进行学习和训练以输出系统故障率

(9)示例性说明

综上所述，下面对采用神经网络模型计算系统故障率的流程做一个示例性说明。

步骤一：获取N个影响度区间和影响度区间对应的敏感度阈值。

其中，N为M和L的乘积，M为自动驾驶车辆集群中的车辆在第一时刻下对应的偏差率的个数，L为偏差率对应的马尔科夫状态中的状态个数。

例如，自动驾驶车辆集群中的车辆k在时刻t_j下对应M(M＝5)个偏差率，即速度偏差率

转向角偏差率

横向位置偏差率

第一碰撞时间偏差率

第二碰撞时间偏差率

每个偏差率对应的马尔科夫状态中的L(L＝4)个状态，即正常状态、一般状态、异常状态、故障状态。

对此，本申请实施例可以获取20个影响度区间。其中，速度偏差率

对应的正常状态的影响度区间为

转向角偏差率

对应的正常状态的影响度区间为

其余同理可知。

另外，速度偏差率

对应的4个状态的影响度区间所对应的敏感度阈值分别为

其余同理可知。

步骤二：根据M个偏差率、N个影响度区间和影响度区间的敏感度阈值确定M个偏差率各自对应的系统故障率的置信值。

需要说明的是，本申请实施例可以根据偏差率和敏感度阈值的大小关系来确定N个影响度区间中的一个影响度区间(为了便于区分，该影响度区间称为第一影响度区间)，并将该影响度区间中的随机值作为该偏差率对应的系统故障率的置信值。

例如，结合上述描述，自动驾驶车辆集群中的车辆k在时刻t_j下的速度偏差率

对应的系统故障率的置信值为

其余偏差率对应的系统故障率的置信值同理可知。

步骤三：将M个偏差率输入神经网络模型，并以M个偏差率各自对应的系统故障率的置信值作为期望值进行学习和训练以输出系统故障率。

需要说明的是，由于神经网络模型需要不断利用一定的期望值来进行学习和训练，以便保证输出的准确性，因此本申请实施例以M个偏差率各自对应的系统故障率的置信值作为期望值进行学习和训练，从而通过神经网络模型将在时间维度上离散的系统故障率的置信值拟合成一条连续的系统故障率的曲线，满足真实场景中的时间连续情况，保证系统故障率更加真实、可靠和准确。

在一些可能的实现中，本申请实施例也可以将车辆对应的系统故障率的置信值作为期望值进行学习和训练，以便减少学习和训练的规模。

例如，本申请实施例可以确定M个偏差率各自对应的系统故障率的置信值中的最大值以得到车辆对应的系统故障率的置信值，以及将M个偏差率输入神经网络模型，并以车辆对应的系统故障率的置信值作为期望值进行学习和训练以输出系统故障率。

5、采用马尔科夫模型预测自动驾驶车辆集群行驶的可靠性

需要说明的是，本申请实施例的马尔科夫模型可以通过状态转移概率矩阵来建模自动驾驶车辆集群的行驶从一个状态转移到另一个状态，不需要依据大量的数据进行分析推导，所需收集的数据量少，计算量小，实用性较强，大幅缩短可靠性的评估周期，提高可靠性的评估效率，满足当下汽车行业针对自动驾驶车辆集群行驶的可靠性确定(估计/评估/分析等)的发展需求。

在本申请实施例中，自动驾驶车辆集群的行驶过程可以看做是一个在时间维度上的连续变化过程，在不影响可靠性评估意义的情况下，为了降低计算复杂度，缩短可靠性的评估周期，提高可靠性的评估效率，本申请实施例可以将连续变化过程通过马尔科夫模型建模为在时间维度上的离散状态，即马尔科夫状态。

(1)马尔科夫状态

在本申请实施例中，马尔科夫状态可以是采用马尔科夫模型所建模的自动驾驶车辆集群中的车辆在不同时刻下行驶的状态。

在一些可能的实现中，马尔科夫状态可以包括以下至少之一项：

初始状态(为了便于区分，也可以称为第一状态或其他术语)、正常状态(为了便于区分，也可以称为第二状态或其他术语)、一般状态(为了便于区分，也可以称为第三状态或其他术语)、异常状态(为了便于区分，也可以称为第四状态或其他术语)、故障状态(为了便于区分，也可以称为第五状态或其他术语)。

其中，初始状态可以用于表示采用马尔科夫模型对自动驾驶车辆集群中的车辆处于未行驶所建模的状态。

正常状态，可以用于表示采用马尔科夫模型对自动驾驶车辆集群中的车辆处于正常行驶所建模的状态；

一般状态，可以用于表示采用马尔科夫模型对自动驾驶车辆集群中的车辆处于一般行驶所建模的状态；

异常状态，可以用于表示采用马尔科夫模型对自动驾驶车辆集群中的车辆处于异常行驶所建模的状态；

故障状态，可以用于表示采用马尔科夫模型对自动驾驶车辆集群中的车辆处于故障行驶所建模的状态。

需要说明的是，初始状态会不可逆地转移到除初始状态的其它状态，而其它状态之间可以互相转移或保持。

例如，如图8所示，初始状态会不可逆地转移到正常状态、一般状态、异常状态或者故障状态，而正常状态、一般状态、异常状态和故障状态四者之间可以相互转移或保持。

另外，自动驾驶车辆集群中的车辆处于正常行驶、一般行驶、异常行驶或故障行驶可以根据上述“采用神经网络模型计算系统故障率”中的系统故障率来确定。

例如，结合上述举例，车辆k在时刻t_j下神经网络模型输出的系统故障率为

此时存在如下：

正常行驶：

也就是说，采用马尔科夫模型所建模的自动驾驶车辆集群中的车辆k在时刻t_j下行驶的状态为“正常状态”。

一般行驶：

也就是说，采用马尔科夫模型所建模的自动驾驶车辆集群中的车辆k在时刻t_j下行驶的状态为“一般状态”。

异常行驶：

也就是说，采用马尔科夫模型所建模的自动驾驶车辆集群中的车辆k在时刻t_j下行驶的状态为“异常状态”。

故障行驶：

也就是说，采用马尔科夫模型所建模的自动驾驶车辆集群中的车辆k在时刻t_j下行驶的状态为“故障状态”。

(2)状态转移概率矩阵

状态转移概率矩阵，可以称为状态迁移概率矩阵，可以用于表示自动驾驶车辆集群的行驶从一个状态转移到另一个状态的概率。

需要说明的是，状态转移概率矩阵在一段时间的样本数据学习后，且在没有样本数据输入后，会趋向一个稳定态，即状态转移概率矩阵不再随时刻的变化而发生改变。只有新的样本数据统计概率结果发生了明显的变化时，稳定态才会被打破，即状态转移概率矩阵才会再次随时刻的变化而发生改变。

下面以马尔科夫状态包括初始状态、正常状态、一般状态、异常状态、故障状态为例进行具体说明。

(3)初始状态下的状态转移概率矩阵

需要说明的是，在初始状态下的正常状态、一般状态、异常状态、故障状态之间的转移概率是相同的。

例如，初始状态下的状态转移概率矩阵为：

其中，正常状态转移到正常状态的转移概率为0.25，正常状态转移到一般状态的转移概率为0.25，正常状态转移到异常状态的转移概率为0.25，正常状态转移到故障状态的转移概率为0.25，其余同理可知。

(4)初始状态对应的状态概率

需要说明的是，在初始状态下，正常状态、一般状态、异常状态、故障状态各自发生的概率是相同的，即初始状态对应的状态概率中的取值是相同的。

例如，初始状态对应的状态概率为：

P₀＝[0.25 0.25 0.25 0.25]。

(5)状态转移概率矩阵的更新

需要说明的是，由于自动驾驶车辆集群中的车辆在不同时刻下行驶的状况存在发生改变的情况，因此本申请实施例需要通过数据统计结果和状态的变化情况来更新状态转移概率矩阵。

例如，在时间段[t_i,t_j]内，车辆k在时刻t_i下行驶的状态为正常状态。若车辆k在时刻t_j下神经网络模型输出的系统故障率为

且

则车辆k在时刻t_j下行驶的状态将从正常状态改变为一般状态。因此，本申请实施例可以根据车辆在时刻t_i下行驶的状态和在时刻t_j下行驶的状态来更新状态转移概率矩阵。

又例如，若在不同时刻下的一个状态转移过程为：“初始状态”→“正常状态”→“正常状态”→“一般状态”→“一般状态”→“异常状态”，则状态转移概率矩阵的更新过程如图9所示。

在图9中，初始状态下的状态转移概率矩阵为：

其中，正常状态、一般状态、异常状态、故障状态之间的转移概率是相同的，均为0.25。

当“正常状态”→“正常状态”时，即正常状态保持不变，需要对状态转移概率矩阵进行更新，而更新后的状态转移概率矩阵为：

其中，通过统计结果，从正常状态转移到正常状态的转移概率为1。当然，也可以为其他取值，对此不作具体限制。

当“正常状态”→“一般状态”时，即从正常状态改变为一般状态，需要对状态转移概率矩阵进行更新，而更新后的状态转移概率矩阵为：

其中，通过统计结果，从正常状态转移到一般状态的转移概率为0.5，以及从正常状态转移到正常状态的转移概率为0.5。当然，也可以为其他取值，对此不作具体限制。

当“一般状态”→“一般状态”时，即一般状态保持不变，需要对状态转移概率矩阵进行更新，而更新后的状态转移概率矩阵为：

其中，通过统计结果，从一般状态转移到一般状态的转移概率为1。当然，也可以为其他取值，对此不作具体限制。

当“一般状态”→“异常状态”时，即从一般状态改变为异常状态，需要对状态转移概率矩阵进行更新，而更新后的状态转移概率矩阵为：

其中，通过统计结果，从一般状态转移到异常状态的转移概率为0.5，以及从一般状态转移到一般状态的转移概率为0.5。当然，也可以为其他取值，对此不作具体限制。

(6)预测自动驾驶车辆集群中的车辆在下一时刻下行驶的状态概率

需要说明的是，本申请实施例可以根据自动驾驶车辆集群中的车辆在当前时刻下行驶的状态对应的状态概率和更新后的状态转移概率矩阵来预测在下一时刻下行驶的状态概率。

例如，自动驾驶车辆集群中的车辆k在时刻t_j下行驶的状态为正常状态，该正常状态对应的状态概率为

以及更新后的状态转移概率矩阵为PM_j。因此，根据状态概率

和状态转移概率矩阵PM_j来预测车辆k在下一时刻t_j+1下行驶的状态对应的状态概率

其中，状态概率

中的取值a表示在下一时刻t_j+1下行驶的状态为正常状态所发生的概率；状态概率

中的取值b表示在下一时刻t_j+1下行驶的状态为一般状态所发生的概率；状态概率

中的取值c表示在下一时刻t_j+1下行驶的状态为异常状态所发生的概率；状态概率

中的取值d表示在下一时刻t_j+1下行驶的状态为故障状态所发生的概率。

(7)预测自动驾驶车辆集群中的车辆在下一时刻下行驶的可靠性

需要说明的是，本申请实施例可以根据上述所预测的自动驾驶车辆集群中的车辆在下一时刻下行驶的状态概率确定自动驾驶车辆集群中的车辆在下一时刻下行驶的可靠性。

在本申请实施例中，当自动驾驶车辆集群中的车辆处于正常行驶(即正常状态)，或者自动驾驶车辆集群中的车辆处于正常行驶(即正常状态)和一般行驶(即一般状态)时，自动驾驶车辆集群中的车辆的行驶可以认为是可靠的。因此，自动驾驶车辆集群中的车辆在下一时刻下行驶的可靠性可以存在如下：

◆自动驾驶车辆集群中的车辆在下一时刻下行驶的可靠性，为上述所预测的自动驾驶车辆集群中的车辆在下一时刻下行驶的状态概率中正常状态所发生的概率；

例如，若预测车辆k在下一时刻t_j+1下行驶的状态对应的状态概率

则车辆k在下一时刻t_j+1下行驶的可靠性为

◆自动驾驶车辆集群中的车辆在下一时刻下行驶的可靠性，为上述所预测的自动驾驶车辆集群中的车辆在下一时刻下行驶的状态概率中正常状态所发生的概率和一般状态所发生的概率之和。

则车辆k在下一时刻t_j+1下行驶的可靠性为

(8)将所预测的自动驾驶车辆集群中的车辆在下一时刻下行驶的状态概率反馈给神经网络模型

需要说明的是，本申请实施例可以将所预测的自动驾驶车辆集群中的车辆在下一时刻下行驶的状态对应的状态概率作为神经网络模型输出的期望值以反馈给神经网络模型，从而实现对神经网络模型进行学习和训练，以便提高神经网络模型输出系统故障率的准确性。

在本申请实施例中，当自动驾驶车辆集群中的车辆处于故障行驶(即故障状态)，或者自动驾驶车辆集群中的车辆处于异常行驶(即异常状态)和故障行驶(即故障状态)时，自动驾驶车辆集群中的车辆的行驶可以认为存在系统故障。因此，自动驾驶车辆集群中的车辆在下一时刻下行驶的系统故障率作为神经网络模型输出的期望值以反馈给神经网络模型。其中，自动驾驶车辆集群中的车辆在下一时刻下行驶的系统故障率可以存在如下：

◆自动驾驶车辆集群中的车辆在下一时刻下行驶的系统故障率，为上述所预测的自动驾驶车辆集群中的车辆在下一时刻下行驶的状态概率中故障状态所发生的概率；

则车辆k在下一时刻t_j+1下行驶的系统故障率为

◆自动驾驶车辆集群中的车辆在下一时刻下行驶的系统故障率，为上述所预测的自动驾驶车辆集群中的车辆在下一时刻下行驶的状态概率中异常状态所发生的概率和故障状态所发生的概率之和。

则车辆k在下一时刻t_j+1下行驶的系统故障率为

(9)预测自动驾驶车辆集群在下一时刻下行驶的可靠性

需要说明的是，通过上述“(7)预测自动驾驶车辆集群中的车辆在下一时刻下行驶的可靠性”中的内容可知，本申请实施例可以预测出自动驾驶车辆集群中的每个车辆在下一时刻下行驶的可靠性。

1)自动驾驶单车在下一时刻下行驶的可靠性

若预测的车辆为自动驾驶单车，则该车辆在下一时刻下行驶的可靠性即为自动驾驶单车在下一时刻下行驶的可靠性。

2)自动驾驶车辆编队在下一时刻下行驶的可靠性

若预测的车辆为自动驾驶车辆编队中的车辆，则自动驾驶车辆编队在下一时刻下行驶的可靠性，可以为该自动驾驶车辆编队中的所有车辆各自在下一时刻下行驶的可靠性之和的平均值。

例如，自动驾驶集群中的第n个自动驾驶车辆编队在下一时刻t_j+1下行驶的可靠性

其中，m表示第n个自动驾驶车辆编队中的车辆总数；

表示第n个自动驾驶车辆编队中的第1个车辆(即头部车辆)在下一时刻t_j+1下行驶的可靠性；

表示第n个自动驾驶车辆编队中的第2个车辆在下一时刻t_j+1下行驶的可靠性；

表示第n个自动驾驶车辆编队中的第m个车辆(即尾部车辆)在下一时刻t_j+1下行驶的可靠性，其余同理可知。

3)自动驾驶车辆集群在下一时刻下行驶的可靠性

需要说明的是，自动驾驶车辆集群在下一时刻下行驶的可靠性，可以为所有自动驾驶单车在下一时刻下行驶的可靠性与所有自动驾驶车辆编队在下一时刻下行驶的可靠性之和的平均值。

例如，自动驾驶集群在下一时刻t_j+1下行驶的可靠性R_j+1：

其中，N表示自动驾驶车辆集群中自动驾驶单车和自动驾驶车辆编队的总数。

6、一种车辆集群行驶的可靠性确定方法的示例性说明

结合上述描述，下面将从方法示例的角度对车辆集群行驶的可靠性确定方法进行示例性说明，请参阅图10。图10是本申请实施例的一种车辆集群行驶的可靠性确定方法的流程示意图，该方法可以应用于服务器；该方法可以包括：

S1010、获取自动驾驶车辆集群中的车辆在行驶路径中所涉及的第一数据。

其中，第一数据可以包括以下至少之一项：基础安全消息(BSM)、路侧信息(RSI)、路侧安全消息(RSM)、信号相位定时信息(SPAT)、地图数据消息(MAP)。

需要说明的是，“第一数据”的说明可以详见上述“2、第一数据”中的内容描述，对此不再赘述。

S1020、根据第一数据确定在第一时刻下的M个偏差率。

其中，偏差率用于表示自动驾驶车辆集群中的车辆在行驶路径中产生偏差的概率，M为正整数。

需要说明的是，“第一时刻”，可以理解为某一时刻或者当前时刻，对此不作具体限制。

“偏差率”的说明可以详见上述“3、偏差率”中的内容描述，对此不再赘述。

在一些可能的实现中，M个偏差率包括以下至少之一项：速度偏差率、转向角偏差率、横向位置偏移率、第一碰撞时间偏差率、第二碰撞时间偏差率；

速度偏差率，用于表示自动驾驶车辆集群中的车辆的行驶速度与行驶路径的行驶限速之间产生速度偏差的概率；

转向角偏差率，用于表示自动驾驶车辆集群中的车辆的行驶方向与行驶路径之间产生转向角偏差的概率；

横向位置偏移率，用于表示自动驾驶车辆集群中的车辆的车身中心位置与行驶路径之间产生横向位置偏差的概率；

第一碰撞时间偏差率，用于表示自动驾驶车辆集群中的前后车辆的前向碰撞预警碰撞时间与第一预设前向碰撞预警碰撞时间之间产生碰撞时间偏差的概率；

第二碰撞时间偏差率，用于表示自动驾驶车辆集群中的车辆到碰撞预警目标的前向碰撞预警碰撞时间与第二预设前向碰撞预警碰撞时间之间产生碰撞时间偏差的概率。

S1030、将M个偏差率输入神经网络模型以得到系统故障率。

其中，系统故障率用于表示自动驾驶车辆集群中的车辆在第一时刻下发生系统故障的概率。

需要说明的是，“系统故障率”的说明可以详见上述“4、采用神经网络模型计算系统故障率”中的内容描述，对此不再赘述。

在一些可能的实现中，S1030中的将M个偏差率输入神经网络模型以得到系统故障率，可以包括：

获取N个影响度区间和影响度区间对应的敏感度阈值；其中，影响度区间用于表示偏差率对系统故障率的影响度的阈值区间；影响度区间对应的敏感度阈值用于表示偏差率影响系统故障率的敏感度的阈值；N为M和L的乘积，L为偏差率对应的马尔科夫状态中的状态个数；

根据M个偏差率、N个影响度区间和影响度区间的敏感度阈值确定M个偏差率各自对应的第一置信值，第一置信值用于表示系统故障率的置信值；

将M个偏差率输入神经网络模型，并以第一置信值作为期望值进行学习和训练以输出系统故障率。

可见，本申请实施例可以根据M个偏差率、N个影响度区间和影响度区间的敏感度阈值来确定系统故障率的置信值，并将系统故障率的置信值作为神经网络模型进行学习和训练所需的期望值，从而有利于提高神经网络模型输出的系统故障率的正确性。

进一步的，将M个偏差率输入神经网络模型，并以第一置信值作为期望值进行学习和训练以输出系统故障率，可以包括：

确定M个偏差率各自对应的第一置信值中的最大值以得到第二置信值；

将M个偏差率输入神经网络模型，并以第二置信值作为期望值进行学习和训练以输出系统故障率。

可见，本申请实施例可以将M个偏差率各自对应的系统故障率的置信值中的最大值作为神经网络模型进行学习和训练所需的期望值，以便避免将M个偏差率各自对应的系统故障率的置信值都作为期望值，从而有利于简化神经网络模型的学习和训练过程，提高学习和训练效率。

进一步的，马尔科夫状态可以包括以下至少之一项：

第一状态、第二状态、第三状态、第四状态、第五状态；

第一状态用于表示采用马尔科夫模型对自动驾驶车辆集群中的车辆处于未行驶所建模的状态；

第二状态用于表示采用马尔科夫模型对自动驾驶车辆集群中的车辆处于正常行驶所建模的状态；

第三状态用于表示采用马尔科夫模型对自动驾驶车辆集群中的车辆处于一般行驶所建模的状态；

第四状态用于表示采用马尔科夫模型对自动驾驶车辆集群中的车辆处于异常行驶所建模的状态；

第五状态用于表示采用马尔科夫模型对自动驾驶车辆集群中的车辆处于故障行驶所建模的状态。

可见，本申请实施例可以采用马尔科夫模型来建模自动驾驶车辆集群中的车辆在不同时刻下行驶的状态。

S1040、根据系统故障率确定马尔科夫模型所建模的自动驾驶车辆集群中的车辆在第一时刻下行驶的状态转移概率矩阵。

需要说明的是，“马尔科夫模型”和“状态转移概率矩阵”的说明可以详见上述“5、采用马尔科夫模型预测自动驾驶车辆集群行驶的可靠性”中的内容描述，对此不再赘述。

在一些可能的实现中，S1040中的根据系统故障率确定马尔科夫模型所建模的自动驾驶车辆集群中的车辆在第一时刻下行驶的状态转移概率矩阵，可以包括：

根据系统故障率确定马尔科夫模型所建模的自动驾驶车辆集群中的车辆在第一时刻下行驶的状态；

根据自动驾驶车辆集群中的车辆在第一时刻下行驶的状态和在第三时刻下行驶的状态确定马尔科夫模型在第一时刻下的状态转移概率矩阵，第三时刻为第一时刻的上一时刻。

可见，本申请实施例可以通过系统故障率实现确定车辆在第一时刻下行驶的状态，以及通过车辆在第一时刻下行驶的状态和该第一时刻的上一时刻下行驶的状态来确定状态转移概率矩阵，从而通过在不同时刻下的状态变化实现对状态转移概率矩阵进行更新。

S1050、根据状态转移概率矩阵确定自动驾驶车辆集群中的车辆在第二时刻下行驶的可靠性，第二时刻为第一时刻的下一时刻。

在一些可能的实现中，根据状态转移概率矩阵确定自动驾驶车辆集群中的车辆在第二时刻下行驶的可靠性，可以包括：

根据自动驾驶车辆集群中的车辆在第一时刻下行驶的状态对应的状态概率和状态转移概率矩阵确定自动驾驶车辆集群中的车辆在第二时刻下行驶的状态对应的状态概率；

根据自动驾驶车辆集群中的车辆在第二时刻下行驶的状态对应的状态概率确定自动驾驶车辆集群中的车辆在第二时刻下行驶的可靠性。

可见，本申请实施例可以通过车辆在第一时刻下行驶的状态对应的状态概率和状态转移概率矩阵来预测在该第一时刻的下一时刻下行驶的状态概率，以及通过所预测的车辆在下一时刻下行驶的状态概率确定车辆在下一时刻下行驶的可靠性，从而实现预测车辆在下一时刻下行驶的可靠性。

进一步的，该方法还可以包括：

将自动驾驶车辆集群中的车辆在第二时刻下行驶的状态对应的状态概率作为神经网络模型输出的期望值以对神经网络模型进行学习和训练。

可见，本申请实施例可以将所预测的车辆在下一时刻下行驶的状态对应的状态概率作为神经网络模型输出的期望值以反馈给神经网络模型，从而实现对神经网络模型进行学习和训练，以便提高神经网络模型输出系统故障率的准确性。

可以看出，在图10所述的方法中，本申请实施例可以从影响自动驾驶车辆集群行驶的可靠性的因素出发，运用所实时获取的数据来计算至少一个(即M个)偏差率，将该至少一个偏差率输入神经网络模型来计算自动驾驶车辆集群中的车辆在某一时刻(即第一时刻)下发生系统故障的概率以得到系统故障率，以及将该系统故障率输入马尔科夫模型来预测自动驾驶车辆集群中的车辆在下一时刻(即第二时刻)下行驶的状态变化趋势以确定可靠性。

7、一种车辆集群行驶的可靠性确定装置的示例性说明

1)描述

上述主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是，服务器为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。

本领域技术人员应该知悉，结合本文中所提供的实施例描述的各示例的方法、功能、模块、单元或者步骤，本申请能够以硬件或者硬件与计算机软件的结合形式来实现。某个方法、功能、模块、单元或者步骤究竟以硬件或计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用使用不同方法来实现所描述的方法、功能、模块、单元或者步骤，但是这种实现不应认为超出本申请的范围。

本申请实施例可以根据上述方法示例对服务器进行功能单元/模块的划分。例如，可以对应各个功能划分各个功能单元/模块，也可以将两个或两个以上的功能集成在一个功能单元/模块中。上述集成的功能单元/模块既可以采用硬件的方式实现，也可以采用软件程序的方式实现。需要说明的是，本申请实施例中对功能单元/模块的划分是示意性的，只是一种逻辑功能划分，而实际实现时可以有另外的划分方式。

在采用集成的单元/模块的情况下，图11是本申请实施例的一种车辆集群行驶的可靠性确定装置的功能单元组成框图。车辆集群行驶的可靠性确定装置1100，具体包括：数据获取单元1101、偏差率确定单元1102、系统故障率确定单元1103、状态转移概率矩阵确定单元1104、可靠性确定单元1105。

在一些可能的实现中，数据获取单元1101、偏差率确定单元1102、系统故障率确定单元1103、状态转移概率矩阵确定单元1104、可靠性确定单元1105可以是相互分离的单元，也可以集成在一起。

例如，数据获取单元1101、偏差率确定单元1102、系统故障率确定单元1103、状态转移概率矩阵确定单元1104、可靠性确定单元1105集成在处理单元中。

处理单元可以是处理器或控制器，如中央处理器(central processing unit，CPU)、通用处理器、数字信号处理器(digital signal processor，DSP)、专用集成电路(application-specific integrated circuit，ASIC)、现场可编程门阵列(fieldprogrammable gate array，FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。

处理单元可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框、单元、模块或电路等。

处理单元可以是实现计算功能的组合，如包含一个或多个微处理器组合、DSP和微处理器的组合等。

在一些可能的设计中，车辆集群行驶的可靠性确定装置1100还可以包括存储单元，用于存储辆集群行驶的可靠性确定装置1100所执行的计算机程序或者指令。该存储单元可以是存储器。

在一些可能的设计中，车辆集群行驶的可靠性确定装置1100可以是芯片/芯片模组/处理器/服务器/操作系统。

具体实现时，数据获取单元1101、偏差率确定单元1102、系统故障率确定单元1103、状态转移概率矩阵确定单元1104、可靠性确定单元1105可以用于执行上述方法实施例中描述的步骤。下面进行详细说明。

数据获取单元1101，用于获取自动驾驶车辆集群中的车辆在行驶路径中所涉及的第一数据，第一数据包括以下至少之一项：基础安全消息、路侧信息、路侧安全消息、信号相位定时信息、地图数据消息；

偏差率确定单元1102，用于根据第一数据确定在第一时刻下的M个偏差率，偏差率用于表示自动驾驶车辆集群中的车辆在行驶路径中产生偏差的概率，M为正整数；

系统故障率确定单元1103，用于将M个偏差率输入神经网络模型以得到系统故障率，系统故障率用于表示自动驾驶车辆集群中的车辆在第一时刻下发生系统故障的概率；

状态转移概率矩阵确定单元1104，用于根据系统故障率确定马尔科夫模型在第一时刻下的状态转移概率矩阵；

可靠性确定单元1105，用于根据状态转移概率矩阵确定自动驾驶车辆集群在第二时刻下行驶的可靠性，第二时刻为第一时刻的下一时刻。

可见，本申请实施例可以从影响自动驾驶车辆集群行驶的可靠性的因素出发，运用所实时获取的数据来计算至少一个(即M个)偏差率，将该至少一个偏差率输入神经网络模型来计算自动驾驶车辆集群中的车辆在某一时刻下发生系统故障的概率以得到系统故障率，以及将该系统故障率输入马尔科夫模型来预测自动驾驶车辆集群中的车辆在下一时刻下行驶的状态变化趋势以确定可靠性。

需要说明的是，车辆集群行驶的可靠性确定装置1100执行的各个操作的具体实现可以参见上述图10所示的方法实施例的相应描述，在此不再赘述。

2)一些具体实现方式

在一些可能的实现中，在将M个偏差率输入神经网络模型以得到系统故障率方面，系统故障率确定单元1103用于：

获取N个影响度区间和影响度区间对应的敏感度阈值，影响度区间用于表示偏差率对系统故障率的影响度的阈值区间；其中，影响度区间对应的敏感度阈值用于表示偏差率影响系统故障率的敏感度的阈值；N为M和L的乘积，L为偏差率对应的马尔科夫状态中的状态个数；

在一些可能的实现中，在将M个偏差率输入神经网络模型，并以第一置信值作为期望值进行学习和训练以输出系统故障率方面，系统故障率确定单元1103用于：

在一些可能的实现中，马尔科夫状态包括以下至少之一项：

第一状态、第二状态、第三状态、第四状态、第五状态；

在一些可能的实现中，在根据系统故障率确定马尔科夫模型所建模的自动驾驶车辆集群中的车辆在第一时刻下行驶的状态转移概率矩阵方面，状态转移概率矩阵确定单元1104用于：

在一些可能的实现中，在根据状态转移概率矩阵确定自动驾驶车辆集群中的车辆在第二时刻下行驶的可靠性方面，可靠性确定单元1105用于：

在一些可能的实现中，车辆集群行驶的可靠性确定装置1100还包括：

状态概率反馈单元，用于将自动驾驶车辆集群中的车辆在第二时刻下行驶的状态对应的状态概率作为神经网络模型输出的期望值以对神经网络模型进行学习和训练。

在一些可能的实现中，M个偏差率包括以下至少之一项：

速度偏差率、转向角偏差率、横向位置偏移率、第一碰撞时间偏差率、第二碰撞时间偏差率；

8、一种服务器的示例性说明

下面介绍本申请实施例的一种服务器的结构示意图，如图12所示。其中，服务器1200包括处理器1210、存储器1220和用于连接处理器1210、存储器1220的通信总线。

处理器1210可以是一个或多个中央处理器CPU。在处理器1210是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。存储器1220包括但不限于是随机存储记忆体(random access memory,RAM)、只读存储器(read-only memory,ROM)、可擦除可编程只读存储器(erasable programmable read only memory,EPROM)或便携式只读存储器(compact disc read-only memory,CD-ROM)，并且存储器1220用于存储相关指令及数据。

在一些可能的实现中，服务器1200还可以包括通信接口，该通信接口用于接收和发送数据。

具体实现时，处理器1210执行存储器1220中存储的计算机程序或指令1221以实现如下步骤：获取自动驾驶车辆集群中的车辆在行驶路径中所涉及的第一数据，第一数据包括以下至少之一项：基础安全消息、路侧信息、路侧安全消息、信号相位定时信息、地图数据消息；

根据第一数据确定在第一时刻下的M个偏差率，偏差率用于表示自动驾驶车辆集群中的车辆在行驶路径中产生偏差的概率，M为正整数；

将M个偏差率输入神经网络模型以得到系统故障率，系统故障率用于表示自动驾驶车辆集群中的车辆在第一时刻下发生系统故障的概率；

根据系统故障率确定马尔科夫模型所建模的自动驾驶车辆集群中的车辆在第一时刻下行驶的状态转移概率矩阵；

根据状态转移概率矩阵确定自动驾驶车辆集群中的车辆在第二时刻下行驶的可靠性，第二时刻为第一时刻的下一时刻。

需要说明的是，服务器1200执行的各个操作的具体实现可以参见上述图10所示的方法实施例的相应描述，在此不再赘述。

9、其他示例性说明

本申请实施例还提供一种计算机可读存储介质，其中，该计算机可读存储介质上存储有计算机程序或指令，该计算机程序或指令被处理器执行时以实现上述实施例中所设计的方法中的步骤。

本申请实施例还提供一种计算机程序产品，包括计算机程序或指令，其中，该计算机程序或指令被处理器执行时以实现上述实施例中所设计的方法中的步骤。示例性的，该计算机程序产品可以为一个软件安装包。

需要说明的是，对于上述的各个实施例，为了简单描述，将其都表述为一系列的动作组合。本领域技术人员应该知悉，本申请不受所描述的动作顺序的限制，因为本申请实施例中的某些步骤可以采用其他顺序或者同时进行。另外，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作、步骤、模块或单元等并不一定是本申请实施例所必须的。

在上述实施例中，本申请实施例对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

关于上述实施例中描的各个装置、产品包含模块/单元，其可以是软件模块/单元，也可以是硬件模块/单元，或者也可以部分是软件模块/单元，部分是硬件模块/单元。例如，对于应用或集成芯片的各个装置、产品其包含的各个模块/单元可以都采用电路等硬件的方式实现，或者至少部分模块/单元可以采用软件程序的方式实现，该运行于芯片内部集成处理器，剩余的部分模块/单元可以采用电路等硬件方式实现；对于应于或集成芯片模组的各个装置、产品，其包含的各个模块/单元可以都采用电路等硬件的方式实现，不同模块/单元可以位于芯片模组的同一件(例如片、电路模块等)或者不同组件中，至少部分/单元可以采用软件程序的方式实现，该软件程运行于芯片模组内部集成处理器剩余部分模块/单元可以采用电路等硬件方式实现；对于应或集成终端的各个装置、产品，其包含的模块/单元可以都采用电路等硬件的方式实现，不同的模块/单元可以位于终端内同一组件(例如，芯片、电路模块等)或者不同组件中，或者至少部分模块/单元可以采用软件程序的方式实现，该序运行于终端内部集成的处理器，剩余分模块/单元可以采用电路等硬件方式实现。

本领域技术人员应该知悉，本申请实施例所描述的方法、步骤或者相关模块/单元的功能可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式来实现，也可以是由处理器执行计算机程序指令的方式来实现。其中，该计算机程序产品包括至少一个计算机程序指令，计算机程序指令可以由相应的软件模块组成，软件模块可以被存放于RAM、闪存、ROM、EPROM、EEPROM、寄存器、硬盘、移动硬盘、只读光盘(CD-ROM)或者本领域熟知的任何其它形式的存储介质中。该计算机程序指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输。例如，该计算机程序指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质、或者半导体介质(如SSD)等。

上述实施例中描述的各个装置或产品包含的各个模块/单元，其可以是软件模块/单元，可以是硬件模块/单元，也可以一部分是软件模块/单元，而另一部分是硬件模块/单元。例如，对于应用于或集成于芯片的各个装置或产品，其包含的各个模块/单元可以都采用电路等硬件的方式实现；或者，其包含的一部分模块/单元可以采用软件程序的方式实现，该软件程序运行于芯片内部集成的处理器，而另一部分(如果有)的部分模块/单元可以采用电路等硬件方式实现。对于应用于或集成于芯片模组的各个装置或产品，或者应用于或集成于终端的各个装置或产品，同理可知。

以上所述的具体实施方式，对本申请实施例的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请实施例的具体实施方式而已，并不用于限定本申请实施例的保护范围。凡在本申请实施例的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本申请实施例的保护范围之内。

Claims

1.一种车辆集群行驶的可靠性确定方法，其特征在于，包括：

2.根据权利要求1所述的方法，其中，所述将M个所述偏差率输入神经网络模型以得到系统故障率，包括：

获取N个影响度区间和所述影响度区间对应的敏感度阈值，所述影响度区间用于表示所述偏差率对所述系统故障率的影响度的阈值区间；其中，所述影响度区间对应的敏感度阈值用于表示所述偏差率影响所述系统故障率的敏感度的阈值；N为M和L的乘积，L为所述偏差率对应的马尔科夫状态中的状态个数；

根据M个所述偏差率、N个所述影响度区间和所述影响度区间的敏感度阈值确定M个所述偏差率各自对应的第一置信值，所述第一置信值用于表示所述系统故障率的置信值；

将M个所述偏差率输入所述神经网络模型，并以所述第一置信值作为期望值进行学习和训练以输出所述系统故障率。

3.根据权利要求2所述的方法，其中，所述将M个所述偏差率输入所述神经网络模型，并以所述第一置信值作为期望值进行学习和训练以输出所述系统故障率，包括：

确定M个所述偏差率各自对应的所述第一置信值中的最大值以得到第二置信值；

将M个所述偏差率输入所述神经网络模型，并以所述第二置信值作为期望值进行学习和训练以输出所述系统故障率。

4.根据权利要求2所述的方法，其中，所述马尔科夫状态包括以下至少之一项：

第一状态、第二状态、第三状态、第四状态、第五状态；

所述第一状态用于表示采用所述马尔科夫模型对所述自动驾驶车辆集群中的车辆处于未行驶所建模的状态；

所述第二状态用于表示采用所述马尔科夫模型对所述自动驾驶车辆集群中的车辆处于正常行驶所建模的状态；

所述第三状态用于表示采用所述马尔科夫模型对所述自动驾驶车辆集群中的车辆处于一般行驶所建模的状态；

所述第四状态用于表示采用所述马尔科夫模型对所述自动驾驶车辆集群中的车辆处于异常行驶所建模的状态；

所述第五状态用于表示采用所述马尔科夫模型对所述自动驾驶车辆集群中的车辆处于故障行驶所建模的状态。

5.根据权利要求1所述的方法，其中，所述根据所述系统故障率确定马尔科夫模型所建模的所述自动驾驶车辆集群中的车辆在所述第一时刻下行驶的状态转移概率矩阵，包括：

根据所述系统故障率确定所述马尔科夫模型所建模的所述自动驾驶车辆集群中的车辆在所述第一时刻下行驶的状态；

根据所述自动驾驶车辆集群中的车辆在所述第一时刻下行驶的状态和在第三时刻下行驶的状态，确定所述马尔科夫模型在所述第一时刻下的所述状态转移概率矩阵，所述第三时刻为所述第一时刻的上一时刻。

6.根据权利要求5所述的方法，其中，所述根据所述状态转移概率矩阵确定所述自动驾驶车辆集群中的车辆在第二时刻下行驶的可靠性，包括：

根据所述自动驾驶车辆集群中的车辆在所述第一时刻下行驶的状态对应的状态概率和所述状态转移概率矩阵，确定所述自动驾驶车辆集群中的车辆在所述第二时刻下行驶的状态对应的状态概率；

根据所述自动驾驶车辆集群中的车辆在所述第二时刻下行驶的状态对应的状态概率，确定所述自动驾驶车辆集群中的车辆在所述第二时刻下行驶的可靠性。

7.根据权利要求6所述的方法，其中，还包括：

将所述自动驾驶车辆集群中的车辆在所述第二时刻下行驶的状态对应的状态概率作为所述神经网络模型输出的期望值以对所述神经网络模型进行学习和训练。

8.根据权利要求1所述的方法，其中，M个所述偏差率包括以下至少之一项：

所述速度偏差率，用于表示所述自动驾驶车辆集群中的车辆的行驶速度与所述行驶路径的行驶限速之间产生速度偏差的概率；

所述转向角偏差率，用于表示所述自动驾驶车辆集群中的车辆的行驶方向与所述行驶路径之间产生转向角偏差的概率；

所述横向位置偏移率，用于表示所述自动驾驶车辆集群中的车辆的车身中心位置与所述行驶路径之间产生横向位置偏差的概率；

所述第一碰撞时间偏差率，用于表示所述自动驾驶车辆集群中的前后车辆的前向碰撞预警碰撞时间与第一预设前向碰撞预警碰撞时间之间产生碰撞时间偏差的概率；

所述第二碰撞时间偏差率，用于表示所述自动驾驶车辆集群中的车辆到碰撞预警目标的前向碰撞预警碰撞时间与第二预设前向碰撞预警碰撞时间之间产生碰撞时间偏差的概率。

9.一种车辆集群行驶的可靠性确定装置，其特征在于，包括：

10.一种服务器，包括处理器、存储器及存储在所述存储器上的计算机程序或指令，其特征在于，所述处理器执行所述计算机程序或指令以实现权利要求1-8任一项所述方法的步骤。