CN102829980A - 一种智能车辆的智能程度测评方法 - Google Patents

Abstract

本发明公开了一种智能车辆智能程度测评方法，包括：通过自定义智能程度评估模型将智能车辆的智能测评转为环境复杂度、测试任务复杂度和测试任务完成度的评估；采用主成份分析法从众多环境复杂度评价指标中选择与智能车辆自主驾驶最为相关的指标，采用模糊综合方法获得交通环境复杂度评估E_c；对智能车辆自主驾驶任务进行分解，采用分级分解法评估智能车辆自主驾驶任务的复杂程度，获得测试任务复杂度M_c；采用分层分析法对某路段的测试任务完成程度进行评估，得到测试任务完成程度M_g；最后进行综合获得智能车辆测试任务评估分值。通过上述方法能够更加准确地获取智能车辆的智能性信息，有效保证通过测试的智能车辆在真实交通环境中进行自主驾驶的安全性。

Description

一种智能车辆的智能程度测评方法

技术领域

本发明属于信息处理技术领域，具体地涉及一种智能车辆的智能程度测评方法。

背景技术

现阶段智能车辆只能在简单、结构化的特定环境自主驾驶，还无法在真实城市环境、特别是拥挤道路和收费站等复杂交通环境下实现自主驾驶。通过智能车辆测试理论和方法研究，可以找出智能车辆环境感知、导航与定位、智能决策和规划研究中的难点。例如由于环境中光照等气候情况多变，并且交通标志变形、磨损，车辆运动使得图像获取较为模糊，使得智能车辆的环境感知能力受到限制。为了在复杂交通环境下自主行驶，智能车辆需要安装多种传感器，配合复杂处理算法进行环境感知。所以针对此设计典型交通环境对智能车辆的环境感知能力进行测试。此外，通过组织智能车比赛的方式，也可加强智能车辆研究单位之间的交流，而此类竞赛需要标准化评估方法。所以，开展智能车辆的智能程度测评方法研究具有重要意义。

现阶段还没有一种智能车辆智能测评方法能够保证测试通过的智能车辆可以在真实交通环境中自主驾驶。通过研究和设计智能测试内容可以找出智能车辆研究重点和难点；通过研究交通环境复杂度与智能车辆环境感知之间的关系，能够提供一个典型交通场景下的测试环境；通过研究测试任务复杂度及任务分解，并对测试任务进行完成程度评估，对智能车辆开展智能程度测评，只有通过相关测评之后，才可在真实交通中自主驾驶，才能有效地促进相关研究。

本发明提出一种智能车辆的智能程度测评方法，可以对智能车辆进行有效和科学的评估，使得智能车辆在通过测评之后可以在真实交通环境中自主驾驶。

发明内容

为了克服现有技术存在的上述问题，本发明提出了一种智能车辆的智能程度测评方法。

本发明的智能车辆的智能程度测评方法，包括：通过自定义智能程度评估模型将智能车辆的智能测评转为环境复杂度、测试任务复杂度和测试任务完成度的评估；采用主成份分析法从众多环境复杂度评价指标中选择与智能车辆自主驾驶最为相关的指标，然后采用模糊综合方法获得交通环境复杂度评估E_c；对智能车辆自主驾驶任务进行分解，采用分级分解法评估智能车辆自主驾驶任务的复杂程度，获得测试任务复杂度M_c；采用分层分析法对某路段的测试任务完成程度进行评估，得到测试任务完成程度M_g；获得智能车辆测试任务评估分值(S_i)：

a和b根据每次测试经验取值，K值根据每次测试总分制取值，其中M_g＝f(E_c，M_c)是根据人机结合方式进行定义，针对测试路段上的测试任务逐个获得测试任务评估分值S_i，最后汇总之后得到总的测试任务分值

综上，利用本发明的方法，能够更加准确地获取智能车辆的智能性信息，有效保证通过测试的智能车辆在真实交通环境中进行自主驾驶的安全性。

附图说明

图1是本发明实施例中智能车辆智能程度测评软件示意图；

图2是本发明实施例中智能车辆智能程度测试后台测评模型图；

图3是本发明实施例中智能车辆测试任务分解图；

图4是本发明实施例中采用分层分析法评估测试任务完成程度图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

本发明的智能车辆的智能程度测评方法，通过评估智能车辆在特定的测试环境A1下自主驾驶完成情况来获得其智能程度评价。测试环境一般是选取典型的城市道路，包括多个以GPS坐标描述的路点进行划分的路段，路点以路点文件的形式加载到智能车辆，智能车辆根据路点文件进行导航和完成测试任务，每个路段之间包含多个测试任务。根据跟随在智能车辆之后的工作车辆获得的测试环境视频录像A2，可以对该路段下智能车辆经过的环境复杂程度A3、所接受测试任务复杂程度A4和测试任务完成程度A5进行评估，通过软件操作形式结合后台测评模型完成智能车辆智能程度评估。

智能车辆智能程度后台测评模型如图2所示。智能车辆在不同复杂程度测试环境下执行不同难度的测试任务，获得不同的任务完成程度。首先，采用主成分分析法进行环境复杂度指标简化选取，在此基础上专业评估人员结合测试环境复杂程度主要评价指标，采用模糊综合评价方法对环境复杂度进行综合评估，获得测试环境复杂度(E_c)E1。采用分级分解法评估智能车辆自主驾驶任务的复杂程度，获得测试内容复杂度(M_c)E2。通过观看现场交通环境的视频录像，采用分层分析法对某路段的测试任务完成程度进行评估，得到测试任务完成程度(M_g)E3。通过将三者归一化之后，结合评估综合模型得到最后智能车辆测试任务评估分值(S_i)：

a和b根据每次测试经验取值，K值根据每次测试总分制取值。其中M_g＝f(E_c，M_c)是根据分层分析法得到分值进行线性调整。通过上述模型可以针对测试路段上的测试任务逐个获得测试任务评估分值(S_i)，最后汇总之后得到总的测试任务分值。

本发明的智能车辆的智能程度测评方法主要包括以下几个步骤：

步骤一，采用主成分分析法进行测试环境复杂度指标简化选取。

由于交通环境中的气候光照、阴影与遮挡、道路地形、行人车辆等均影响智能车辆实现自主驾驶。为了对其测试任务路段交通环境复杂程度进行评估，需要找出该路段交通下众多对无人车辆自主行驶的影响的最主要因素。要对所涉及的环境复杂度指标参数进行简化，提取相关度最大的指标，本发明采用主成分分析法进行测试环境复杂度指标简化选取，其步骤为：在确定智能车辆驾驶环境复杂度评价指标之后，采用调查表形式收集评价指标原始值，并进行转正指标等若干预处理，确定指标的权重系数，构造综合评价模型，最后计算出各指标的综合评价进行排序。

采用主成分分析法进行测试环境复杂度指标简化选取具体包含以下几个步骤：

步骤1：通过调查问卷采集P个评价指标的向量X＝{x₁，x₂，...，x_p}′的n个样本X_i＝{x_i1，x_i2，...，x_ip}′列出环境复杂度评价指标样本阵X＝(x_ij)_n×p。

步骤2：确定评价样本阵中原始评价指标数据都是正指标(否则需要对极小型和居中型指标转化为极大型指标)。

步骤3：将原始评价指标样本阵数据标准化。将各指标X按式转化成标准化指标其中，E(X_i)和D(X_i)分别是X_i的均值和方差。X_i的均值是0，方差是1。

步骤4：求各标准化环境复杂度评价指标X_i的两两相关系数r_ij，并写出相关系数矩阵R＝[r_ij]_p×p，其中

步骤5：求相关矩阵的特征根

将其由大到小排序。

称

为第i个主成分Fi的贡献率，为前m个主成分F₁，F₂，...，F_m的累计贡献率。由累积方差贡献率确定主成分的个数m(m≤p)，求出

对应的贡献率、累计贡献率。

步骤6：求出各个主成分F_i与标准化指标

对应的系数关系。

步骤7：求出各环境复杂度评价指标样本在m个主成分的得分y₁，y₂，...，y_m。

步骤8：求各环境复杂度评价指标综合得分y，并排列名次，并按照实际需要选取前几名指标。步骤二，采用模糊综合评价方法对环境复杂度进行综合评估。

通过观看现场交通环境的视频录像，专业评估人员可以针对已经确定的测试环境复杂程度主要评价指标，进行某路段的测试环境复杂度评估，具体采用模糊综合评价方法，其步骤如下：

步骤1：已确定环境复杂度主要评价指标U＝{u₁，u₂，...，u_m}，其中u_i{i＝1，2，...，m}为第i个评价指标。

步骤2：确定各环境复杂度评价指标的权重向量W＝{w₁，w₂，...，w_m}，其中0≤w_i≤1且

(上面主成分分析可得，或采用后述的分层分析法可得)。

步骤3：确定该路段下每个环境复杂度评价指标的复杂等级V＝{v₁，v₂，...，v_n，}；此处v_j{j＝1，2，...，n}表示该指标的第j个等级(例如常取‘很复杂、较复杂、复杂、简单、较简单’等5个等级)。

步骤4：进行某个环境复杂度指标的单因素评判，建立模糊关系矩阵R。对某个指标评判就是给出每个指标对于各评语等级v_j{i＝1，2，...，n}的隶属度。k个裁判每人给每个u_i评定V中的一个等级v_j{j＝1，2，...，n}。若k位裁判中评定u_i为等级v_j等级的有k_ij人，则对u_i的评判结果组成模糊子集进而得到从U到V的一个模糊关系R

$R={(R_1,R_2,...,R_m)}^T=\left(\begin{array}{cccc}{r}_{11}& r_{12}& ...& r_{1n}\\ r_{21}& r_{22}& ...& r_{2n}\\ ...& ...& ...& ...\\ r_{m1}& r_{m2}& ...& r_{\mathrm{mn}}\end{array}\right)$

R中第i行反映的是第i个环境复杂度指标因素对于评价等级中各等级的隶属度；第j列反映的是环境复杂度的各指标因素，分别取评价等级集合中的第j个等级的程度。

步骤5：选取模糊算子*对W和R作模糊变换，得出综合评价结果Y＝W*R(其中*可为y_i＝max(a_ir_ij)；或者y_i＝min{1，∑min(a_i，r_ij)}；或者y_i＝min{1，∑(a_ir_ij)}等)。

步骤6：对模糊向量Y做归一化处理得Y′＝{y′₁，y′₂，...，y′_n}其中

步骤7：对每一个复杂度评价等级v_j赋一个分值c_j，则环境复杂度单因素指标评判结果得分为

步骤8：依次取第i个评价指标，重复前述步骤，得到第i个环境复杂度单因素指标评判结果得分s_i，最后得到S＝{s₁，s₂，...，s_n}。

步骤9：按环境复杂度评价指标权重，采用加权平均法得到环境复杂度和任务复杂度的综合评价得分：E_c＝W×S^T。

步骤三，采用分级分解法评估智能测试任务的复杂度。

参考驾驶员考试中科目设置来设计智能车辆测试任务，如图3所示将智能车辆测试任务F1逐层分解为测试任务层F2、基本动作层F3和基本操作层F4。测试任务层包括：直角转弯B1、百米加减挡B2、起伏路B3、超车换道B4、汇入车流B5、会车B6、泊车B7、掉头B8、通过连续障碍B9等。基本动作层包括：起步C3、直线行驶C2、曲线行驶C1、变更车道C6、百米加减速C5、避障C7、通过路口C8。基本操作层包括：点火D1、熄火D2、挂挡D3、变速D4和转向D5。

智能车辆的一个测试路段中一般包含多个测试任务，每个测试任务都可以通过分类汇集基本操作、逐级得到其复杂度。每个基本动作可以分解为一系列的基本操作A_i＝{a_1i，a_2i，...，a_ni}，并按基本操作个数算出基本动作的复杂度

某个测试任务可以分解为多个基本动作，根据所含的基本动作个数得到其复杂度分值

最后对测试任务的复杂度进行无量纲化处理，获得

就是该测试任务的复杂度分值。

步骤四，采用分层分析法评估测试任务完成程度。

每个测试路段中的某个测试任务完成程度可以采用人机结合的方式进行评估。通过对被测试智能车辆进行跟车实时录像，并将实时视频传输给专业评估人员观看，然后采用分层分析法进行测试任务完成程度评估。将智能车辆测试任务完成程度G1定为分层分析的目标层H1；将智能车辆测试任务完成程度评价指标(G2，G3，G4)定为准则层H2；将所有参加测评的智能车辆(G5，G6，G7)定为方案层H3，如图4所示。

采用分层分析法评估测试任务完成程度时，各层级所用的评估方法主要步骤如下：

步骤1：在采用分层分析法评估测试任务完成程度时，首先通过准则层各指标构造成对比较矩阵A＝〔a_ij〕_n×n，(a_ij是第i个与第j个评价指标相对上层任务完成情况重要性比较，按照Satty建议的AHP法标度原则)。

步骤2：可以采用和法近似估算A的最大特征值λ_max及其对应特征向量U_k。计算A的随机一致性比率CR，做一致性检验并作出相应的调整。首先将A的每一列向量归一化得

对

按行求和得到

归一化

得到w＝(w₁，w₂，...，w_n)^T其中

计算Aw，得到

就是所求的最大特征值的近似值，用来判断矩阵A的一致性。

步骤3：首先，用最大特征值λ_max计算成对比矩阵A不一致程度的指标CI：

查表得到与矩阵阶数有关的检验成对比较矩阵A平均随机一致性的标准RI。计算A的随机一致性比率CR：

判断方法如下：当CR＜0.1时，判定成对比较阵A不一致程度是可接受；否则就调整成对比较矩阵A(重新考虑模型或重新构造那些一致性比率较大的判断成对比较阵)，直到达到满意的一致性为止。特征向量(归一化后)即为各评价指标的权重向量。

步骤4：为了对多辆智能车进行任务完成程度排序，还需要对多辆智能车比较各个任务完成程度评价指标下的得分。首先，成对比较m辆智能车的第一个任务完成评价指标，结合前述方法得到成对比较阵B＝〔b_ij〕_m×m，(b_ij是第i个与第j辆车相对上层第一个评价指标评估情况比较)。

步骤5：近似估算B的最大特征值λ_max及其对应特征向量U₁，计算C的随机一致性比率CR，做一致性检验并作出相应的调整。最后得到的U1各元素就是N辆智能车针对各评价指标的得分。

步骤6：类似地，分别完成N辆智能车针对其他评价指标的得分U_i，{i＝1，2，...，m}。

步骤7：最后将智能车针对各评价指标的得分乘以各指标的权重，得到各智能车辆评价总分，排序之后得到智能车的任务完成程度测评：

M_g＝(s₁，s₂，...，s_m)^T＝(U₁，U₂，...，U_n)^TU_k

本发明上述描述的智能测评方法可通过图1所示的测评软件来完成。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (5)

1.一种智能车辆的智能程度测评方法，所述方法包括：

通过自定义智能程度评估模型将智能车辆的智能测评转为环境复杂度、测试任务复杂度和测试任务完成度的评估；

采用主成份分析法从众多环境复杂度评价指标中选择与智能车辆自主驾驶最为相关的指标，然后采用模糊综合方法获得交通环境复杂度评估E_c；

对智能车辆自主驾驶任务进行分解，采用分级分解法评估智能车辆自主驾驶任务的复杂程度，获得测试任务复杂度M_c；

采用分层分析法对某路段的测试任务完成程度进行评估，得到测试任务完成程度M_g；

获得智能车辆测试任务评估分值S_i：a和b根据每次测试经验取值，K值根据每次测试总分制取值，其中M_g＝f(E_c，M_c)是根据分层分析法得到分值进行线性调整，针对测试路段上的测试任务逐个获得测试任务评估分值S_i，最后汇总之后得到总的测试任务分值

2.如权利要求1所述的智能车辆的智能程度测评方法，其特征在于：采用主成份分析法选取与智能车辆实现自主驾驶最相关的测试环境复杂度评价指标的步骤进一步包括：确定环境复杂程度评价指标，收集评价指标原始值，进行指标预处理，确定指标权重系数，构造综合评价模型，计算出各指标综合评价并进行排序，并按照实际需要选取权重靠前的指标。

3.如权利要求1所述的智能车辆的智能程度测评方法，其特征在于：采用模糊综合方法评估测试环境复杂度的步骤进一步包括：

确定环境复杂度主要评价指标，确定各环境复杂度评价指标的权重向量W，确定每个环境复杂度评价指标复杂等级，进行某个环境复杂度单因素指标评判，建立模糊关系矩阵R，选取模糊算子*对W和R作模糊变换Y＝W*R，得出单因素评价结果，对模糊向量Y做归一化处理得Y′，对每一个复杂度评价等级赋予分值，得到分值向量C，最后得复杂度单因素指标评判结果得分s_i＝Y′^TC，获得环境复杂度评价结果，重复前述步骤依次取第i个评价指标，得到S＝{s₁，s₂，...，s_n}，按环境复杂度评价指标权重W，采用加权平均法得到环境复杂度的综合评价得分：E_c＝W×S^T。

4.如权利要求1所述的智能车辆的智能程度测评方法，其特征在于：采用分级分解法评估测试任务复杂度的步骤进一步包括：

对智能车辆自主驾驶任务进行分解，采用分级分解法将每个基本动作A_i分解为一系列的基本操作A_i＝{a_1i，a_2i，...a_ni}，得到基本动作复杂度

将测试任务分解为多个基本动作并得到其复杂度分值

无量纲化处理后得测试复杂度分值

5.如权利要求1所述的智能车辆的智能程度测评方法，其特征在于：采用分层分析法对测试任务完成程度进行评估的步骤进一步包括：

通过准则层的n个指标构造成对比较矩阵A＝〔a_ij〕_n×n，其中a_ij是按照Satty建议的AHP法标度原则选取的、第i个与第j个评价指标相对上层任务完成情况重要性比较，采用和法近似估算A的最大特征值λ_max及其对应特征向量U_k，计算A的随机一致性比率CR，做一致性检验并作出相应的调整，最后得到的U_k各元素就是各评价指标的权重，对多辆智能车进行任务完成程度排序，还要对多辆智能车比较各个任务完成程度评价指标下的得分，首先，成对比较m辆智能车的第一个任务完成评价指标，结合前述方法得到成对比较阵B＝〔b_ij〕_m×m，其中b_ij是第i个与第j辆车相对上层第一个评价指标评估情况比较，近似估算B的最大特征值λ_max及其对应特征向量U₁，计算B的随机一致性比率CR，做一致性检验并作出相应的调整，最后得到的U₁各元素就是N辆智能车针对各评价指标的得分，

按照相同的步骤分别完成m辆智能车针对其他评价指标的得分U_i，{i＝1，2，...，m}，

最后将智能车针对各评价指标的得分乘以各指标的权重，得到各智能车辆评价总分，排序之后得到智能车的任务完成程度测评：M_g＝(s₁，s₂，...，s_m)^T＝(U₁，U₂，...，U_n)^TU_k。

Images