CN110414803A - 不同网联程度下自动驾驶***智能水平的测评方法及装置 - Google Patents

Abstract

本发明公开了一种不同网联程度下自动驾驶***智能水平的测评方法，该方法包括：S1，选取自动驾驶***智能水平的评价指标；S2，根据测试交通过程中的实际作用量和理论最小作用量之间的数值差异，获取自动驾驶***智能水平的量化评价依据；S3，确定量化评价依据的变化范围，划分出至少两个评价被测自动驾驶***的智能水平等级的测评区间，每一个测评区间对应一个智能水平等级；S4，获取被测自动驾驶***在不同网联程度下的多组量化评价依据数据；S5，对量化评价依据数据进行统计分析，根据各统计分析结果对被测自动驾驶***的智能水平进行评价。本发明能够立体而真实地对自动驾驶***在不同网联程度下的智能水平进行测评。

Description

不同网联程度下自动驾驶***智能水平的测评方法及装置

技术领域

本发明涉及一种智能网联汽车、自动驾驶汽车测评技术领域，尤其涉及一种不同网联程度下自动驾驶***智能水平的测评方法及装置。

背景技术

智能化和网联化是自动驾驶汽车发展的必然趋势，在网联化的长期发展过程中，交通中将同时存在网联车辆和非网联车辆。混合交通中不同网联程度是影响自动驾驶汽车智能水平的一项重要因素，对自动驾驶***在不同网联程度下进行智能水平的测评可以揭示背后的影响规律。近年来，自动驾驶智能测试场技术不断发展，相比于传统测试方法(如软件仿真测试、硬件在环测试、试验场景测试、实车道路测试)，其具备更强的自动化、可重复、真实度等能力，为自动驾驶***在不同网联程度下的测评提供了有效平台。

现有技术没有考虑混合交通中存在的不同网联程度这一重要因素，大多可认为是将网联程度固定为0的测评技术，并不能用于测评不同网联程度下自动驾驶***的智能水平。即便从借鉴的角度来看，现有测评技术仍存在不少问题：

1.现有技术对于自动驾驶***智能水平的评价指标选取不够合理。美国DARPA(美国国防高级计划研究局)组织的三届无人驾驶挑战赛均以完成所有规定项目的耗时长短作为评价指标，但单一指标难以反映自动驾驶***的智能水平。对智能水平分层并在每一层级下按任务分类选取指标进行综合评价，但这类综合指标并不直接地体现智能水平(如安全、高效)。

2.现有技术在测评中掺杂了主观因素，不够客观。机械地按任务类别主观上确定复杂度，对应智能水平等级，但每类任务在不同场景下的复杂度差别巨大。在选取各项评价指标对应的权重上也存在主观因素。

3.现有技术可对行驶轨迹进行量化测评，但其所选参考轨迹基于静态理想几何轨迹和驾驶人行驶轨迹，通过量化待测轨迹和参考轨迹的差异对应智能水平。但其所选参考轨迹不适用于动态交通环境，也不能体现客观上的安全和高效。

4.现有技术所得的综合评价指标和方法不足以处理网联程度在测试中的随机性。

因此，为解决上述问题，有必要开发一种不同网联程度下自动驾驶***智能水平的测评方法及装置。

发明内容

本发明的目的在于提供一种不同网联程度下自动驾驶***智能水平的测评方法及装置，其能够立体而真实地对自动驾驶***在不同网联程度下的智能水平进行测评。

为实现上述目的，本发明提供一种不同网联程度下自动驾驶***智能水平的测评方法，该方法包括如下步骤：

S1，基于行车安全场理论，选取作用量作为自动驾驶***智能水平的评价指标；

S2，根据测试交通过程中的实际作用量和理论最小作用量之间的数值差异，获取自动驾驶***智能水平的量化评价依据，该量化评价依据能够随所述实际作用量和理论最小作用量的数值差异的变化而单调变化；

S3，根据S2中的所述量化评价依据的获取方式，确定所述量化评价依据的变化范围，并划分出至少两个评价被测自动驾驶***的智能水平等级的测评区间，每一个所述测评区间对应一个智能水平等级；

S4，在设定的自动驾驶智能测试场景中，获取所述被测自动驾驶***在不同网联程度下的多组量化评价依据数据；

S5，对S4获得的每一组所述量化评价依据数据进行统计分析，并根据各统计分析结果所属S3中的所述测评区间，对所述被测自动驾驶***的智能水平进行评价。

进一步地，S4中的所述量化评价依据数据的获取方法具体包括：

根据所述自动驾驶智能测试场景中获取的所述被测车的行驶参数、其余道路使用者的行驶参数、以及道路环境测试数据，获取所述被测车行驶的实测路径的实际作用量S；

根据所述自动驾驶智能测试场景中对所述其余道路使用者预先规划的参考路径以及道路环境测试数据，获取所述自动驾驶智能测试场景下的理论最小作用量S*；

根据所述自动驾驶智能测试场景下的所述实际作用量和所述理论最小作用量之间的数值差异，结合S2中的所述量化评价依据的获取方式，获得所述量化评价依据数据。

进一步地，S41中的所述实际作用量S由下式(1)至式(7)获得：

G_i＝m_ig (4)

F_ai＝E_ai·M_i·P_i (5)

式(1)至式(7)中，A为被测车i的行驶路径的起始位置，B为被测车i的行驶路径的终止位置，t_A为A对应的时刻，t_B为B对应的时刻，L为被测车i的行驶路径中的拉格朗日量，x_i为被测车i的实测路径纵向位移，y_i为被测车i的实测路径横向位移，为被测车i沿实测路径的纵向行驶速度，为被测车i沿实测路径的纵向加速度，为被测车i沿实测路径的横向行驶速度，R_i为阻力场，G_i为恒定力场，F_ai为车道线或道路边界a对被测车i的风险作用力，E_ai为位于(x_a,y_a)处车道线或道路边界a形成的势能场在(x_i,y_i)处的矢量场强；V_ji为其余道路使用者j对被测车i产生的势能，F_ji为其余道路使用者j对被测车i产生的风险作用力，E_ji为其余道路使用者j形成的动能场在(x_i,y_i)处的矢量场强；m_i为被测车i的质量；g为重力加速度，f为滚动阻力系数，i_α为坡度，C_Di为被测车i的风阻系数，W_i为被测车i的迎风面积，λ_i为被测车i的旋转质量换算系数，P_a为车道线a或道路边界处的道路影响因子，P_i为被测车i处的影响因子，P_j为其余道路使用者j处的道路影响因子，D为车道宽度，r_ai为从车道线a或道路边界指向被测车i的质心(x_i,y_i)的距离矢量，M_i为被测车i的等效质量，M_j为其余道路使用者j的等效质量，K为调节系数，r_ji为其余道路使用者j质心(x_j,y_j)指向被测车i质心(x_i,y_i)之间的距离矢量，v_j为其余道路使用者j的速度矢量，θ_j为r_ji与v_j的夹角，a为车道线或道路边界，b为车道线或道路边界的数量，n为其余道路使用者的数量。

进一步地，所述理论最小作用量S*由下式(16)获得：

式中，为被测车i的参考路径的纵向位移；为被测车i的参考路径的横向位移，为被测车i沿参考路径的纵向行驶速度，为被测车i沿参考路径的横向行驶速度。

进一步地，S2中的所述量化评价依据的获取方式包括：

第一种情形：所述量化评价依据能够随所述实际作用量和理论最小作用量的数值差异的增大而单调变大，其表示为下式(8)：

或者

第二种情形：所述量化评价依据能够随所述实际作用量和理论最小作用量的数值差异的增大而单调变小，其表示为下式(9)：

或者

进一步地，S4中的多组量化评价依据数据为(y_k1,y_k2 ...y_km)，其中，k为其中一网联程度所对应的序号，m为该网联程度下不同网联车分布形式的数量；S5中“对S4获得的每一组所述量化评价依据数据进行统计分析”的方法包括：计算每一组所述量化评价依据数据的平均值、标准差、极值、频数与频率分布特征或特定分布拟合，并采用分布图和/或表单形式呈现所述统计分析结果。

进一步地，S5中“对S4获得的每一组所述量化评价依据数据进行统计分析”的方法具体包括：

对每一组所述量化评价依据数据分别求取其平均值和极值，以获取所述被测自动驾驶***在不同网联程度下平均可达到和至少可达到的智能水平等级，或是其智能水平等级的均值和下限；

其中，所述量化评价依据数据的平均值表示为式(17)：

在所述第一种情形下，所述量化评价依据数据的极值为式(18)表示的极大值y_kmax：

y_kmax＝max{y_k1,y_k2,...,y_km} (18)

在所述第二种情形下，所述量化评价依据数据的极值为式(19)表示的极小值y_kmin：

y_kmin＝min{y_k1,y_k2,...,y_km} (19)。

进一步地，S4之后还包括：

S6，将S4计算所得的所述实际作用量S、与所述自动驾驶智能测试场景中网联程度C和网联车的分布形式F，存储为(C,F，S)形式；

S7，在所述自动驾驶智能测试场景相同的情形下，通过改变网联程度C和网联车的分布形式F，执行步骤S41，对所述被测自动驾驶***进行测试并记录测试过程对应的实际作用量S。

本发明还提供一种不同网联程度下自动驾驶***智能水平的测评装置，所述智能水平的测评装置包括：

信息采集模块，其用于采集自动驾驶智能测试场景中被测车的行驶参数、其余道路使用者的行驶参数、以及道路环境测试数据；

作用量运算模块，其根据所述信息采集模块获取的所述被测车的行驶参数、其余道路使用者的行驶参数、以及道路环境测试数据，获取所述被测车行驶的实测路径的实际作用量，以及根据所述自动驾驶智能测试场景中对所述其余道路使用者预先规划的参考路径以及道路环境测试数据，获取所述自动驾驶智能测试场景下的理论最小作用量；和

统计评价模块，其用于存储评价被测自动驾驶***的智能水平等级的测评区间，以及根据所述作用量运算模块得到的实际作用量和理论最小作用量，获取所述被测自动驾驶***在不同网联程度下的多组量化评价依据数据，并对每一组所述量化评价依据数据进行统计分析，并根据各统计分析结果所属所述测评区间，对所述被测自动驾驶***的智能水平进行评价。

进一步地，所述作用量运算模块包括：

被测车实际作用量计算单元，其根据所述被测车的行驶参数和道路环境测试数据，计算所述被测车实测路径中的实际作用量S₀；

道路约束实际作用量计算单元，其根据所述道路环境测试数据与所述被测车的行驶数据，基于行车安全场理论，建立车道线、道路边界或静态障碍物的静态风险场，计算车道线、道路边界或静态障碍物对被测车实测路径中道路约束实际作用量S₁；

其余道路使用者实际作用量计算单元，其根据其余道路使用者的行驶参数和道路环境测试数据，计算其余道路使用者实测路径中的实际作用量S₂；

汇总单元，其根据其被测车实际作用量计算单元、道路约束实际作用量计算单元和其余道路使用者实际作用量计算单元的各自计算结果进行汇总，按下式计算所述被测车行驶的实测路径的实际作用量S：

S＝S₀-S₁-S₂。

本发明的有益效果：本发明针对混合交通这一自动驾驶***普及过程必经的长期阶段下的测评，基于自动驾驶智能测试场平台，提供一种不同网联程度下自动驾驶***智能水平的测评方法及装置。在具体的测评过程中，建立作用量指标以更客观且可解释的方式量化自动驾驶***的智能水平，并可直接体现反映智能水平两大重要因素——安全和高效。在智能水平的定级评价中，摒弃了现有技术采用人为假定场景及任务难易程度的方式，而是通过构建实际作用量与理论最小作用量之间的数值差异映射客观合理地从多角度对自动驾驶***在测试场景中的智能水平等级进行评价，且此测评方法并不限于特定的测试场景，适用面广。此外，本发明所提供的测评方法与统计分析相结合，能够很好地应对不同网联程度下由于网联车分布带来的随机性，使其还可从整体角度对自动驾驶***在不同网联程度下智能水平的测评结果更为立体而真实。

附图说明

图1为本发明所基于自动驾驶智能测试场的控制逻辑结构示意图；

图2为本发明中不同网联程度下自动驾驶***智能水平的测评流程图；

图3为本发明提供的自动驾驶智能测试场进行无信号灯交叉路口自动驾驶***测评的场景示意图；

图4为本发明中不同网联程度下测试场景生成与复现的示意图；

图5为本发明提供的车载智能水平的测评装置内部模块示意图。

具体实施方式

在附图中，使用相同或类似的标号为相同或类似的元件或具有相同或类似功能的元件。下面结合附图对本发明的实施例进行详细说明。

本实施例所提供的不同网联程度下自动驾驶***智能水平的测评方法基于自动驾驶智能测试场而实施，图1示出了自动驾驶智能测试场的控制逻辑结构示意图，图3示出了本实施例提供的自动驾驶智能测试场进行无信号灯交叉路口自动驾驶***测评的场景示意图。如图1和图3所示，自动驾驶智能测试场可以与控制中心4进行信息交互。自动驾驶智能测试场是一个完全网联的测试环境，配备有车联网通信设施、路侧通信设施5、测试道路6和差分GPS高精度定位***7等设备，这些设备说采集到的各种数据均反馈至控制中心4。控制中心4可以对被测自动驾驶车辆1(下文均简称为“被测车i或被测车1”)的规划、模拟、监控与远程控制。

具体地，如图2所示，本实施例所提供的不同网联程度下自动驾驶***智能水平的测评方法包括如下步骤：

S1，基于行车安全场理论，选取作用量作为自动驾驶***智能水平的评价指标。作用量S既包括直接反映安全性的交通风险变量，又包括直接反映高效性的在时间层面的积分，作用量S可为式(1)：

式(1)中，S为被测车在测试交通过程中的作用量，测试交通过程指的是由测试被测车自起始位置A，左转通过无信号灯交叉路口，并越过目标车道的停止线，到达的终止位置B的整个过程。t_A为测试交通过程的起始时刻(被测车到达起始位置A对应的时刻)，可对应测试任务的起始条件。t_B为测试交通过程的终止时刻(测试交通过程被测车到达终止位置B对应的时刻)，可对应测试任务的终止条件。L为被测车在测试交通过程中的拉格朗日量。

通过所选取的评价指标，S1能够客观且可解释的方式量化自动驾驶***的智能水平。

当然，在复杂的测试交通过程中，被测车的交通风险包括道路约束和其余道路使用者对其产生的风险影响。根据行车安全场理论，可将各类交通风险影响以拉格朗日量的形式加以量化，则拉格朗日量L可为式(2)：

G_i＝m_ig (4)

F_ai＝E_ai·M_i·P_i (5)

式(1)至式(7)中，A为被测车i的行驶路径的起始位置，B为被测车i的行驶路径的终止位置，t_A为A对应的时刻，t_B为B对应的时刻；L为被测车i的行驶路径中的拉格朗日量；x_i为被测车i的实测路径P1纵向位移，y_i为被测车i的实测路径P1横向位移，为被测车i沿实测路径P1的纵向行驶速度，为被测车i沿实测路径P1的纵向加速度，为被测车i沿实测路径P1的横向行驶速度，上述运动学信息可通过GPS获取；R_i为阻力场，G_i为恒定力场；F_ai为车道线或道路边界a对被测车i的风险作用力，E_ai为位于(x_a,y_a)处车道线或道路边界a形成的势能场在(x_i,y_i)处的矢量场强；V_ji为其余道路使用者j对被测车i产生的势能，F_ji为其余道路使用者j对被测车i产生的风险作用力，E_ji为其余道路使用者j形成的动能场在(x_i,y_i)处的矢量场强；m_i为被测车i的质量；g为重力加速度，一般取为9.81m/s²；f为滚动阻力系数，根据轮胎和路面状况确定，一般在0.015-0.02之间选取；i_α为坡度，根据测试场道路几何条件确定；C_Di为被测车i的风阻系数，由被测车辆外观形状确定，一般在0.25-0.5之间选取；W_i为被测车i的迎风面积，可根据被测车辆几何形状计算得到；λ_i为被测车i的旋转质量换算系数，根据汽车理论相关知识，一般可取为1.05；L_T,a为车道线a或道路边界的类型，根据行车安全场理论对其的定义选取相应值；P_a为车道线a或道路边界处的道路影响因子，P_i为被测车i处的影响因子，P_j为其余道路使用者j处的道路影响因子，参考现已发表相关论文，一般将各影响因子设为1；D为车道宽度，可通过测量测试场车道宽度获取；r_ai为从车道线a或道路边界指向被测车i的质心(x_i,y_i)的距离矢量；M_i为被测车i的等效质量，M_j为其余道路使用者j的等效质量，等效质量是车辆类型、真实质量和行驶速度的函数，可参考相关论文计算得到；K为调节系数，参考相关论文一般设为0.5；k₁，k₂和k₃为常系数，参考相关论文一般分别设为1,1.2和45；r_ji为其余道路使用者j质心(x_j,y_j)指向被测车i质心(x_i,y_i)之间的距离矢量；v_j为其余道路使用者j的速度矢量；θ_j为r_ji与v_j的夹角(逆时针为正)；a为车道线或道路边界；b为车道线或道路边界的数量；n为其余道路使用者的数量。

S2，理论上，通过对作用量S的极值分析求解，必定会存在一个参考路径P2，其对应理论最小作用量S*，即依照该参考路径P2行驶，此时对应的车辆的安全性和高效性达到最优状态。鉴于此，根据测试交通过程中的实际作用量S和理论最小作用量S*之间的数值差异，获取自动驾驶***智能水平的量化评价依据y，该量化评价依据y能够随所述实际作用量S和理论最小作用量S*的数值差异的变化而单调变化。比如：量化评价依据y可以随所述实际作用量S和理论最小作用量S*的数值差异的变大而单调变大，或者量化评价依据y可以随所述实际作用量S和理论最小作用量S*的数值差异的变大而单调变小。此处的“变大而单调变大”和“变大而单调变小”主要取决于所选取的量化评价依据y可以根据量化评价依据y的获取形式。

在一个实施例中，量化评价依据y的获取形式在本实施例中表示成式(8)和式(9)中的一种映射关系f(S,S*)，通过该映射关系f(S,S*)，能够量化实际作用量S和理论最小作用量S*之间的数值差异，即量化评价依据y随实际作用量S和理论最小作用量S*之间的差异变化而单调变化，其尺度与映射关系f(S,S*)有关。映射关系f(S,S*)包括两种情形：

第一种情形：所述量化评价依据能够随所述实际作用量和理论最小作用量的数值差异的增大而单调变大，其表示为下式(8)：

或者

第二种情形：所述量化评价依据能够随所述实际作用量和理论最小作用量的数值差异的增大而单调变小，其表示为下式(9)：

或者

当然，映射关系f(S,S*)还可以是除了上述四种形式之外的其它形式，只要满足量化评价依据y随实际作用量S和理论最小作用量S*之间的差异变化而单调变化的要求即可。

优选地，S2具体包括如下S21和S22：

S21，根据测试交通过程中的实际作用量S，计算理论最小作用量S*和其相应的参考路径P2。根据式(1)提供的实际作用量S(泛函)的表达式，按照式(10)求变分并使其得0，可解得理论最小作用量S*对应的具体参考路径P2(是时间的函数)，再将该参考路径P2代入式(1)，可得到理论最小作用量S*的具体数值：

S22，根据实际作用量S以及S21得到的理论最小作用量S*，通过构建自动驾驶***智能水平的量化评价依据y的获取形式，建立划分自动驾驶***的智能水平等级的量化评价依据y。式(8)和式(9)中，显然，实际作用量S和理论最小作用量S*之间的数值差异通过二者之差来体现。根据作用量S的定义，必有实际作用量S大于理论最小作用量S*。

S3，根据S2中的所述量化评价依据的获取方式，确定所述量化评价依据y的变化范围，并划分出至少两个评价被测自动驾驶***的智能水平等级的测评区间(如下若干区间所示)，每一个所述测评区间对应一个智能水平等级：

[y₀,y₁)[y₁,y₂)...[y_n-1,y_n]

其中，y₀,y₁,…,y_n为各区间的端点值。测试过程中，各端点值按如下规则确定：

1.随机招募若干个驾驶人，在相同的测试场景下，完全由驾驶人操控被测车，计算不同驾驶人操控下的作用量、量化评价依据y，从而可计算量化评价依据均值标准差σ_hm；

2.当n为偶数，令当n为奇数，令优选地，n＝5；

3.长度均等化构建各区间，且设定为上述量化评价依据标准差σ_hm的比例值，即y_k-y_k-1＝k_p·σ_hm,区间长度系数k_p可结合细化程度的需要选取；优选地，k_p＝2；

4.调整极左区间与极右区间的覆盖范围，主要是y₀和y_n，使其恰与基于映射关系的量化评价依据y在理论上的覆盖范围一致。

例如：本实施例中，采用的是第一种情形且采用的是左边对应的映射关系，即y＝(S-S*)/S*。此时，量化评价依据y越小，智能水平越高。在该例中，假定σ_hm＝0.25，则量化评价依据y的范围[0,+∞)，并对其划分为5个区间，区间长度系数k_p＝2，每个区间对应一个智能水平等级，依次为“很高”、“较高”、“中等”、“较低”、“很低”，如下智能水平等级表1所示：

表1

y区间	[0,0.5)	[0.5,1.0)	[1.0,1.5)	[1.5,2.0)	[2.0,+∞)
						智能等级	很高	较高	中等	较低	很低

S4，在图2至图4所示的设定的自动驾驶智能测试场景中，获取所述被测自动驾驶***在不同网联程度下的多组量化评价依据数据。

优选地，S4中的所述量化评价依据数据的获取方法具体包括：

S41，在每次测试前，通过控制中心4，生成与复现自动驾驶智能测试场景以及改变必要测试条件，以获取每次测试条件下的所述被测车的行驶参数、其余道路使用者的行驶参数和道路环境测试数据。

“控制中心4”可以对自动驾驶智能测试场进行监控和控制，并通过自动驾驶智能测试场的反馈信息进行数据采集，构成了测试过程中的数据中心。“控制中心4”还可以形成高精度地图，具有与测试场景中的各类车辆通信并对其进行路径规划等重要功能。

具体地，控制中心4软件层根据所接收数据的对象的不同类别，存在不同的软件模块与之对接，各模块相互独立运作，以融合优化方式进行处理。模块与模块之间适宜采用分布式的通信方式，软件方案可选用“ZeroMQ”作为通信库，并选择ZeroMQ的“发布-订阅”工作模式。所有模块都可被挂载到一个ZeroMQ式信息总线上，每个模块获取到最新的测试信息后，会将其“发布”在该信息总线上，供需要的模块进行“订阅”。需要说明的一点是，在测试开始前对测试场景中的网联车辆和非网联车辆分别进行了不同的标记，这些标记将同时伴随其所传输的参数在该信息总线上进行体现，可起到辅助“订阅”的模块甄别信息来源之用。比如对被测车左转通过无信号灯交叉路口这一过程的智能水平进行测试，以对该测试场景中的自动驾驶***智能水平进行评价时：当被测车左转通过了无信号灯交叉路口，控制中心4可通过其高精度地图与差分GPS定位功能精准捕捉这一信息，并终止该网联程度的该种网联车分布形式的条件下的测试过程，控制中心4软件层各模块间的信息交互随之终止，但先前的所有测试信息均已被控制中心4存储下来，构成该测试过程的数据中心。

“其余道路使用者”主要包括网联车辆2和非网联车辆3。

“必要测试条件”为预先设定的一系列有限个以网联车辆占比体现的网联程度、网联车辆的分布形式、以及是否在全网联程度下激活被测车的独立传感***。也就是说，在智能测试场中，网联程度和网联车分布可以改变，从而建立不同的测试条件。

“测试场景”中各交通要素包括：如图2和图3所示，被测车1、网联车辆2、非网联车辆3、测试道路6、测试设施和测试背景物。在本实施例中，测试场景设定为：被测车1由南向北径直接近无信号灯交叉路口停止线，并安全地通过该路口，左转驶向西侧车道，越过停止线并离开该路口。

“测试场景”中，被测车1上安装有待测评的自动驾驶***，并将该自动驾驶***接入自动驾驶智能测试场景的集中式车联网中，允许其根据自身的算法和测试条件，通过控制中心4的数据中心获取所需的外界信息。网联车辆和非网联车辆，均未安装有待测评的自动驾驶***。网联车辆2和非网联车辆3由控制中心4设定为模拟人工驾驶的车辆，且网联车辆2和非网联车辆3均可与控制中心4进行通信并对其进行路径规划。网联车辆2和非网联车辆3的区别在于能否通过控制中心4与被测车1进行通信并交换必要信息(如位置、速度、加速度等)。测试道路6为在自动驾驶智能测试场中选取的适宜测试场景的部分道路结构，在本实施例中，测试道路6为十字交叉路口，并撤去红绿灯等指示通行信号的软硬件设备，构成无信号灯交叉路口测试道路。测试设施主要包括差分GPS基站7、交通摄像头、路侧通信设备5和通信设备DSRC/LTE-V)等。测试背景物主要包括无信号灯交叉路口附近用于模拟建筑物、街区等的背景物。

在每次测试中，从自动驾驶智能测试场反馈至控制中心4的测试数据中提取被测车的行驶参数、网联车辆2和非网联车辆3的行驶参数、以及道路环境测试数据。其中，“行驶参数”包括纵横向位移、速度和加速度等。“道路环境测试数据”包括除被测车1，网联车辆2和非网联车辆3之外的其余道路使用者的路径信息，道路环境的路面粗糙度、坡度、风力，车道线或道路边界位置，静态障碍物位置与尺寸等。

上述测试数据均采用集中式通信拓扑结构实现信息和数据的交互。被测车、网联车辆和非网联车辆将自身可从CAN中提取的行驶参数，包括纵横向位移、速度、加速度等参数各自打包，通过DSRC或LTE-V通信技术实时传输至路侧通信设施，并通过路侧通信设施与控制中心4的专有通信方式将各参数反馈至控制中心4。本实施例中并未考虑其余道路使用者(如模拟运动行人、模型运动骑车人及自行车等)，但并不影响测评方法的有效性，且若存在其余道路使用者，可通过同样地通信技术和方式，将其路径信息和参数反馈至控制中心4。至于道路环境的测试数据，包括道路环境的路面粗糙度，道路坡度，风力大小、方向和速度，车道线或道路边界所在位置，静态障碍物位置和尺寸大小等，基本可认为是静态数据，因而在测试过程伊始，将所有道路环境的测试数据打包通过前述通信技术和方式一次性传输至控制中心4。

而且，在测试的过程中，被测车需要通过感知获取他车及道路环境的信息辅助内部自动驾驶***的智能决策和控制。一方面，被测车上安装有一些传感器，包括摄像头、激光雷达、毫米波雷达、超声波雷达等，满足自动驾驶***在测试过程中对独立感知的硬件要求，并可与车内被测自动驾驶***实现软件层的连接和断开；另一方面，该自动驾驶***也可能通过网联的感知方式获取信息，该自动驾驶***与路侧通信设施以及控制中心4软件层被测车模块进行信息交互，而控制中心4软件层被测车模块再通过ZeroMQ式信息总线与其它模块进行信息交互，此时带有非网联车辆特定标记的数据将不被允许传输给控制中心4软件层被测车模块，进而从源头上阻止了此类信息通过控制中心4-路侧通信设备-被测车的通信链路进行传输，也就保证测试过程中被测车无法通过网联方式获取到非网联车辆的任何信息。

S42，在每次测试后，根据所述自动驾驶智能测试场景中获取的所述被测车的行驶参数、其余道路使用者的行驶参数、以及道路环境测试数据，获取所述被测车行驶的实测路径P1的实际作用量S。其中，利用上述式(1)和式(2)，作用量S为拉格朗日量L的时间积分，拉格朗日量L包括三部分：被测车的动能与阻力势能L₀，车道线、道路边界或静态障碍物对被测车产生的势能V₁，其余道路使用者对被测车产生的总势能V₂。

其中，“被测车的动能与阻力势能L₀”计算方法如下：

通过所获取的被测车的行驶参数与部分道路环境测试数据，结合被测车的静态特性参数，其包括质量、滚动阻力系数、风阻系数、迎风面积、旋转质量换算系数等，可计算被测车的动能与阻力势能L₀，其计算式如下式(11)：

其中，“车道线、道路边界或静态障碍物对被测车产生的势能V₁”计算方法如下：

基于行车安全场理论，可建立车道线、道路边界或静态障碍物的静态风险场。根据所获取道路环境测试数据与部分被测车的行驶数据，可计算车道线、道路边界或静态障碍物对被测车产生的势能V₁，其计算式如下式(12)：

其中，“其余道路使用者对被测车产生的总势能V₂”计算方法如下：

基于行车安全场理论，可建立其余道路使用者的动态风险场。其余道路使用者包括网联车辆、非网联车辆以及弱势道路使用者等。根据所获取他车以及道路环境测试数据，可计算其余道路使用者对被测车产生的总势能V₂，其计算式如下式(13)：

拉格朗日量L的计算方法如下式(14)所示：

L＝L₀-V₁-V₂ (14)

根据测试过程中被测车完成任务的时间，对测试过程中的拉格朗日量L进行积分，可计算出此次测试的网联程度及其分布条件下，被测车实测路径P1所对应的作用量S，实际作用量S计算式为如下的式(15)：

在确定本实施例选定的无信号灯交叉路口左转通行这一测试场景后，控制中心4可在每次测试的初始时复现该测试场景，该测试场景的复现方法具体包括：

当存在一些交通要素(如被测车、网联车辆、非网联车辆)尚未处于对其预先设定的初始测试条件时，首先，控制中心4借助其对测试场中各要素的自动化的高效监控控制能力，针对不满足测试条件的这些交通要素进行高精度路径规划，使其尽快并准确地抵达符合初始测试条件的位置。然后，控制中心4对所有就位的交通要素进行高精度姿态控制，使其符合初始测试姿态要求。最后，控制中心4对所有处于预设位置和姿态设定的交通要素实现初始运动控制，使各交通要素在预定的初始位置、以预设的姿态同时达到初始测试所要求的运动参数(如速度、加速度等)。

在进行测试之前，如图4所示，控制中心4还需对除被测车以外的所有车辆的网联特征进行设定与标记。所述设定与标记包含两个维度。其中一个维度是网联程度的设定：选取某一网联程度(如50％)，即网联车辆在除被测车以外的所有车辆中所占的比例大小。其中另一个维度是网联车辆分布形式的设定：由于只有部分车辆为网联车辆，需要对其在所有车辆中进行分配，本实施例所选分配形式为随机分配，符合混合交通环境下网联车辆分布的不可预测性，并对所分配的网联车辆进行一种形式的标记，而对其余非网联车辆进行另一种形式的标记。需要说明的是，本实施例不赘述地说明了一种网联程度下的一种网联车分布形式，而在真实情况下一系列循环测试的过程中，网联程度及网联车的分布形式可变而非固定不变。

S43，根据所述自动驾驶智能测试场景中对所述其余道路使用者预先规划的参考路径P2以及道路环境测试数据，获取所述自动驾驶智能测试场景下的理论最小作用量S*。其中，所述理论最小作用量S*由下式(16)获得：

式中，为被测车i的参考路径P2的纵向位移；为被测车i的参考路径P2的横向位移，为被测车i沿参考路径P2的纵向行驶速度，为被测车i沿参考路径P2的横向行驶速度。

需要说明的是，不论测试场景中的网联程度及其分布条件如何变化，被测车应存在一个统一的理论最小作用量S*，这是由测试场景的不断复现和理论最小作用量的计算方式所决定的。

S44，根据测S42中的所述实际作用量和S43中的所述理论最小作用量之间的数值差异，结合S2中的所述量化评价依据的获取方式，获得多组所述量化评价依据数据。具体地，对每一个网联程度下的所有网联车分布形式对应的一组作用量数据(S_k1,S_k2 ...S_km)结合理论最小作用量S*进行差异程度计算，输出对应的一组量化评价依据数据。每一组量化评价依据数据通过(y_k1,y_k2 ...y_km)进行呈现，并且，k为其中一网联程度所对应的序号，m为该网联程度下不同网联车分布形式的数量。

S5，对S4获得的每一组所述量化评价依据数据进行统计分析，并根据各统计分析结果所属S3中的所述测评区间，对所述被测自动驾驶***的智能水平进行评价，最后将被测自动驾驶***在不同网联程度下的智能水平定级评价结果以可视化的形式打印输出。

在一个实施例中，S5中的“对S4获得的每一组所述量化评价依据数据进行统计分析”的方法包括：

计算每一组所述量化评价依据数据的平均值、标准差、极值、频数与频率分布特征或特定分布拟合，并采用分布图和/或表单形式呈现所述统计分析结果。具体地，对每一组所述量化评价依据数据分别求取其平均值和极值，以获取所述被测自动驾驶***在不同网联程度下平均可达到和至少可达到的智能水平等级，或是其智能水平等级的均值和下限。

其中，所述量化评价依据数据的平均值表示为式(17)：

在所述量化评价依据采用随所述实际作用量和理论最小作用量的数值差异的增大而单调变大的情形下，所以所述量化评价依据的极大值决定智能水平等级的下限，此时所述量化评价依据数据的极值为式(18)表示的极大值y_kmax：

y_kmax＝max{y_k1,y_k2,...,y_km} (18)

在所述量化评价依据采用随所述实际作用量和理论最小作用量的数值差异的增大而单调变小的情形下，所以所述量化评价依据的极小值决定智能水平等级的下限，此时所述量化评价依据数据的极值为式(19)表示的极小值y_kmin：

y_kmin＝min{y_k1,y_k2,...,y_km} (19)

在一个实施例中，S5中的“对所述被测自动驾驶***的智能水平进行评价”具体是根据量化评价依据的统计分析结果以及智能水平等级区间，对被测自动驾驶***在不同网联程度下的智能水平进行多角度定级评价。其中，“多角度”关注点包括：一般地，从平均意义角度被测自动驾驶***在不同网联程度下可达到的智能水平等级、在不同网联程度下被测自动驾驶***至少可达到的智能水平等级、被测自动驾驶***在不同网联程度下的智能水平等级的分布特征等。特别地，在零网联程度下仅基于被测车独立感知被测自动驾驶***可达到的智能水平等级、在全网联程度下仅基于多车网联感知被测自动驾驶***可达到的智能水平等级。

在一个实施例中，S4之后还包括：

S6，将S4计算所得被测车在无信号灯交叉路口测试过程的实际作用量S、与所述自动驾驶智能测试场景中网联程度C和网联车的分布形式F，以一组数据的形式存入智能水平的测评装置统计分析模块中的数据存储单元，存储形式如下：

(C,F，S) (20)

式(20)中，C为网联程度，可为小数形式也可为百分比形式；F为网联车分布形式数据标记，需建立一种标记关联方法，通过数据标记网联车的不同分布形式。在本实施例中，预先通过序号与网联车分布形式相关联，则序号即可标记网联车分布形式；S为测试过程的实际作用量。

S7，在所述自动驾驶智能测试场景相同的情形下，通过改变网联程度C和网联车的分布形式F，执行步骤S41，对所述被测自动驾驶***进行测试并记录测试过程对应的实际作用量S。

如图5所示，本发明还提供一种不同网联程度下自动驾驶***智能水平的测评装置，所述智能水平的测评装置设在被测车上，在一次测试终止后，被测车上安装的智能水平的测评装置将向控制中心4通过路侧设备进行信息与数据请求，控制中心4的数据中心将向智能水平的测评装置开放本次测试过程中的所有可被控制中心4获取的数据，不论是网联车行驶参数还是非网联车行驶参数，此时二者的特定标记不起作用。

所述智能水平的测评装置包括信息采集模块、作用量运算模块、统计评价模块和结果显示模块，其中：

信息采集模块用于采集自动驾驶智能测试场景中被测车的行驶参数、其余道路使用者的行驶参数、以及道路环境测试数据。

作用量运算模块根据所述信息采集模块获取的所述被测车的行驶参数、其余道路使用者的行驶参数、以及道路环境测试数据，获取所述被测车行驶的实测路径P1的实际作用量，以及根据所述自动驾驶智能测试场景中对所述其余道路使用者预先规划的参考路径P2以及道路环境测试数据，获取所述自动驾驶智能测试场景下的理论最小作用量。

统计评价模块用于存储评价被测自动驾驶***的智能水平等级的测评区间，以及根据所述作用量运算模块得到的实际作用量和理论最小作用量，获取所述被测自动驾驶***在不同网联程度下的多组量化评价依据数据，并对每一组所述量化评价依据数据进行统计分析，并根据各统计分析结果所属所述测评区间，对所述被测自动驾驶***的智能水平进行评价。

结果显示模块用于以可视化的形式打印输出被测自动驾驶***在不同网联程度下的智能水平定级评价结果。

在一个实施例中，所述作用量运算模块包括被测车实际作用量计算单元、道路约束实际作用量计算单元、其余道路使用者实际作用量计算单元和汇总单元，其中：

被测车实际作用量计算单元将通过通信技术和方式请求并获取控制中心4的数据中心所存储的被测车的行驶参数与部分道路环境测试数据，再调用被测车的静态特性参数，其包括质量、滚动阻力系数、风阻系数、迎风面积、以及旋转质量换算系数等，利用下式(21)至式(24)，可得到计算被测车实测路径P1中每一时间步长的动能与阻力势能L₀，并对其进行积分，计算所述被测车测试过程中的实际作用量S₀：

G_i＝m_ig (24)

式(21)至式(24)中，R_i为阻力场；G_i为恒定力场；m_i为被测车i的质量；x_i为被测车i的纵向位移；y_i为被测车i的横向位移；g为重力加速度；f为滚动阻力系数；i_α为坡度；C_Di为被测车i的风阻系数；W_i为被测车i的迎风面积；λ_i为被测车i的旋转质量换算系数。

道路约束实际作用量计算单元将通过通信技术和方式请求并获取控制中心4的数据中心所存储的道路环境测试数据与部分被测车的行驶数据，基于行车安全场理论，可建立车道线、道路边界或静态障碍物的静态风险场，从而可计算车道线、道路边界或静态障碍物对被测车实测路径P1中每一时间步长的产生的势能V₁并对其进行积分得到道路约束实际作用量S₁，计算方式如下：

F_ai＝E_ai·M_i·P_i (27)

式中，E_ai为位于(x_a,y_a)处车道线a或道路边界形成的势能场在(x_i,y_i)处的矢量场强，L_T,a为车道线a或道路边界的类型，P_a为车道线a或道路边界处的道路影响因子，D为车道宽度，r_ai为从车道线a或道路边界指向被测车i的质心(x_i,y_i)的距离矢量，K为调节系数，M_i为被测车i的等效质量，P_i为被测车i处的道路影响因子，a为车道线或道路边界,b为车道线或道路边界的数量,n为其余道路使用者的数量,k₂为常系数。

其余道路使用者只包括网联车辆和非网联车辆。其余道路使用者实际作用量计算单元将通过通信技术和方式请求并获取控制中心4的数据中心所存储的网联车辆和非网联车辆的行驶参数以及道路环境测试数据，基于行车安全场理论，可建立网联车辆和非网联车辆的动态风险场，从而可计算网联车辆和非网联车辆对被测车实测路径P1中每一时间步长的产生的总势能V₂并对其进行积分得到其余道路使用者实际作用量S₂，计算方式如下：

式中，V_ji为其余道路使用者j对被测车i产生的势能，F_ji为其余道路使用者j对被测车i产生的风险作用力，E_ji为其余道路使用者j形成的动能场在(x_i,y_i)处的矢量场强，grad E_ji为其余道路使用者j对被测车i产生的场强梯度，K为调节系数，P_i为被测车i处的影响因子，P_j为其余道路使用者j处的道路影响因子，M_i为被测车i的等效质量，M_j为其余道路使用者j的等效质量，r_ji为其余道路使用者j质心(x_j,y_j)指向被测车i质心(x_i,y_i)之间的距离矢量，V_ij为被测车i对其余道路使用者j产生的势能，v_j为其余道路使用者j的速度矢量，θ_j为r_ji与v_j的夹角，为v_j与x轴的夹角，k₁和k₃为常系数。

汇总单元根据其被测车实际作用量计算单元、道路约束实际作用量计算单元和其余道路使用者实际作用量计算单元的各自计算结果进行汇总，可计算出此次测试的网联程度及其分布条件下，被测车实测路径P1所对应的作用量S，计算方式如下：

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种不同网联程度下自动驾驶***智能水平的测评方法，其特征在于，包括如下步骤：

S1，基于行车安全场理论，选取作用量作为自动驾驶***智能水平的评价指标；

S2，根据测试交通过程中的实际作用量和理论最小作用量之间的数值差异，获取自动驾驶***智能水平的量化评价依据，该量化评价依据能够随所述实际作用量和理论最小作用量的数值差异的变化而单调变化；

S3，根据S2中的所述量化评价依据的获取方式，确定所述量化评价依据的变化范围，并划分出至少两个评价被测自动驾驶***的智能水平等级的测评区间，每一个所述测评区间对应一个智能水平等级；

S4，在设定的自动驾驶智能测试场景中，获取所述被测自动驾驶***在不同网联程度下的多组量化评价依据数据；

S5，对S4获得的每一组所述量化评价依据数据进行统计分析，并根据各统计分析结果所属S3中的所述测评区间，对所述被测自动驾驶***的智能水平进行评价。

2.如权利要求1所述的不同网联程度下自动驾驶***智能水平的测评方法，其特征在于，S4中的所述量化评价依据数据的获取方法具体包括：

根据所述自动驾驶智能测试场景中获取的所述被测车的行驶参数、其余道路使用者的行驶参数、以及道路环境测试数据，获取所述被测车行驶的实测路径的实际作用量S；

根据所述自动驾驶智能测试场景中对所述其余道路使用者预先规划的参考路径以及道路环境测试数据，获取所述自动驾驶智能测试场景下的理论最小作用量S*；

根据所述自动驾驶智能测试场景下的所述实际作用量和所述理论最小作用量之间的数值差异，结合S2中的所述量化评价依据的获取方式，获得所述量化评价依据数据。

3.如权利要求2所述的不同网联程度下自动驾驶***智能水平的测评方法，其特征在于，S41中的所述实际作用量S由下式(1)至式(7)获得：

G_i＝m_ig (4)

F_ai＝E_ai·M_i·P_i (5)

式(1)至式(7)中，A为被测车i的行驶路径的起始位置，B为被测车i的行驶路径的终止位置，t_A为A对应的时刻，t_B为B对应的时刻，L为被测车i的行驶路径中的拉格朗日量，x_i为被测车i的实测路径纵向位移，y_i为被测车i的实测路径横向位移，为被测车i沿实测路径的纵向行驶速度，为被测车i沿实测路径的纵向加速度，为被测车i沿实测路径的横向行驶速度，R_i为阻力场，G_i为恒定力场，F_ai为车道线或道路边界a对被测车i的风险作用力，E_ai为位于(x_a,y_a)处车道线或道路边界a形成的势能场在(x_i,y_i)处的矢量场强；V_ji为其余道路使用者j对被测车i产生的势能，F_ji为其余道路使用者j对被测车i产生的风险作用力，E_ji为其余道路使用者j形成的动能场在(x_i,y_i)处的矢量场强；m_i为被测车i的质量；g为重力加速度，f为滚动阻力系数，i_α为坡度，C_Di为被测车i的风阻系数，W_i为被测车i的迎风面积，λ_i为被测车i的旋转质量换算系数，P_a为车道线a或道路边界处的道路影响因子，P_i为被测车i处的影响因子，P_j为其余道路使用者j处的道路影响因子，D为车道宽度，r_ai为从车道线a或道路边界指向被测车i的质心(x_i,y_i)的距离矢量，M_i为被测车i的等效质量，M_j为其余道路使用者j的等效质量，K为调节系数，r_ji为其余道路使用者j质心(x_j,y_j)指向被测车i质心(x_i,y_i)之间的距离矢量，v_j为其余道路使用者j的速度矢量，θ_j为r_ji与v_j的夹角，a为车道线或道路边界，b为车道线或道路边界的数量，n为其余道路使用者的数量。

4.如权利要求3所述的不同网联程度下自动驾驶***智能水平的测评方法，其特征在于，所述理论最小作用量S*由下式(16)获得：

式中，为被测车i的参考路径的纵向位移；为被测车i的参考路径的横向位移，为被测车i沿参考路径的纵向行驶速度，为被测车i沿参考路径的横向行驶速度。

5.如权利要求2所述的不同网联程度下自动驾驶***智能水平的测评方法，其特征在于，S2中的所述量化评价依据的获取方式包括：

第一种情形：所述量化评价依据能够随所述实际作用量和理论最小作用量的数值差异的增大而单调变大，其表示为下式(8)：

第二种情形：所述量化评价依据能够随所述实际作用量和理论最小作用量的数值差异的增大而单调变小，其表示为下式(9)：

6.如权利要求1至5中任一项所述的不同网联程度下自动驾驶***智能水平的测评方法，其特征在于，S4中的多组量化评价依据数据为(y_k1,y_k2...y_km)，其中，k为其中一网联程度所对应的序号，m为该网联程度下不同网联车分布形式的数量；S5中“对S4获得的每一组所述量化评价依据数据进行统计分析”的方法包括：计算每一组所述量化评价依据数据的平均值、标准差、极值、频数与频率分布特征或特定分布拟合，并采用分布图和/或表单形式呈现所述统计分析结果。

7.如权利要求6所述的不同网联程度下自动驾驶***智能水平的测评方法，其特征在于，S5中“对S4获得的每一组所述量化评价依据数据进行统计分析”的方法具体包括：

对每一组所述量化评价依据数据分别求取其平均值和极值，以获取所述被测自动驾驶***在不同网联程度下平均可达到和至少可达到的智能水平等级，或是其智能水平等级的均值和下限；

其中，所述量化评价依据数据的平均值表示为式(17)：

在所述第一种情形下，所述量化评价依据数据的极值为式(18)表示的极大值y_kmax：

y_kmax＝max{y_k1,y_k2,...,y_km} (18)

在所述第二种情形下，所述量化评价依据数据的极值为式(19)表示的极小值y_kmin：

y_kmin＝min{y_k1,y_k2,...,y_km} (19)。

8.如权利要求6所述的不同网联程度下自动驾驶***智能水平的测评方法，其特征在于，S4之后还包括：

S6，将S4计算所得的所述实际作用量S、与所述自动驾驶智能测试场景中网联程度C和网联车的分布形式F，存储为(C,F，S)形式；

S7，在所述自动驾驶智能测试场景相同的情形下，通过改变网联程度C和网联车的分布形式F，执行步骤S41，对所述被测自动驾驶***进行测试并记录测试过程对应的实际作用量S。

9.一种不同网联程度下自动驾驶***智能水平的测评装置，其特征在于，所述智能水平的测评装置设在被测车上，包括：

信息采集模块，其用于采集自动驾驶智能测试场景中被测车的行驶参数、其余道路使用者的行驶参数、以及道路环境测试数据；

作用量运算模块，其根据所述信息采集模块获取的所述被测车的行驶参数、其余道路使用者的行驶参数、以及道路环境测试数据，获取所述被测车行驶的实测路径的实际作用量，以及根据所述自动驾驶智能测试场景中对所述其余道路使用者预先规划的参考路径以及道路环境测试数据，获取所述自动驾驶智能测试场景下的理论最小作用量；和

统计评价模块，其用于存储评价被测自动驾驶***的智能水平等级的测评区间，以及根据所述作用量运算模块得到的实际作用量和理论最小作用量，获取所述被测自动驾驶***在不同网联程度下的多组量化评价依据数据，并对每一组所述量化评价依据数据进行统计分析，并根据各统计分析结果所属所述测评区间，对所述被测自动驾驶***的智能水平进行评价。

10.如权利要求9所述的不同网联程度下自动驾驶***智能水平的测评装置，其特征在于，所述作用量运算模块包括：

被测车实际作用量计算单元，其根据所述被测车的行驶参数和道路环境测试数据，计算所述被测车实测路径中的实际作用量S₀；

道路约束实际作用量计算单元，其根据所述道路环境测试数据与所述被测车的行驶数据，基于行车安全场理论，建立车道线、道路边界或静态障碍物的静态风险场，计算车道线、道路边界或静态障碍物对被测车实测路径中道路约束实际作用量S₁；

其余道路使用者实际作用量计算单元，其根据其余道路使用者的行驶参数和道路环境测试数据，计算其余道路使用者实测路径中的实际作用量S₂；

汇总单元，其根据其被测车实际作用量计算单元、道路约束实际作用量计算单元和其余道路使用者实际作用量计算单元的各自计算结果进行汇总，按下式计算所述被测车行驶的实测路径的实际作用量S：

S＝S₀-S₁-S₂。