CN111784142A - 高级驾驶辅助***任务复杂度量化模型 - Google Patents

Abstract

一种高级驾驶辅助***任务复杂度量化模型，属于自动驾驶技术领域。本发明的目的是分别采用综合成本核算方法、指数等级指标和信息熵理论，分析各元素对任务复杂度的影响，用于对自动驾驶汽车的行驶任务进行量化分级，支撑第三方汽车试验场等机构对自动驾驶汽车的高级驾驶辅助***任务复杂度量化模型。本发明步骤是：***硬件复杂度、自动驾驶等级复杂度、ADAS任务逻辑信息熵、ADAS行驶任务复杂度等四步。本发明建立首个高级驾驶辅助***(ADAS)任务复杂度量化评估模型与方法，服务于整车厂和第三方测试机构建立完善的自动驾驶测试评价体系。

Description

高级驾驶辅助***任务复杂度量化模型

技术领域

本发明属于自动驾驶技术领域。

背景技术

伴随汽车行业的持续发展，我国车辆保有量逐年提升，导致城市交通拥堵、道路安全事故频繁发生。为了减少交通拥堵和交通事故造成的严重伤亡，各汽车制造商不断加大对高级驾驶辅助***(ADAS)和自动驾驶技术的研发投入以提高汽车的安全性。随着ADAS技术的不断完善并逐步向智能驾驶技术发展，汽车将在可预期的未来实现自动驾驶。根据美国机动车工程师协会SAE J3016协议，将自动驾驶等级划分为以下几个层次：L0(无自动化)，由人类驾驶者全权操作汽车，在行驶过程中可以得到警告和保护***的辅助；L1(驾驶支援)，通过驾驶环境对放线盘和加减速中的一项操作提供驾驶支援，对其他的驾驶动作都由人类驾驶员进行操作；L2(部分自动化)，通过驾驶环境对方向盘和加减速中的多项操作提供驾驶支援，其他的驾驶动作都由人类驾驶员进行操作；L3(有条件自动化)，由无人驾驶***完成所有的驾驶操作。根据***请求，人类驾驶者提供适当的应答；L4(高度自动化)，由无人驾驶***完成所有的驾驶操作，根据***请求，人类驾驶者不一定需要对所有的***请求作出应答，限定道路和环境条件等；L5(完全自动化)，由无人驾驶***完成所有的驾驶操作，人类驾驶者在可能的情况下接管，在所有的道路和环境条件下驾驶。但是，随着汽车自动化程度的不断升级，如何高效地测试和评估自动驾驶汽车的智能度及***已经成为业内亟需解决的问题之一。

道路测试是检测自动驾驶汽车***性能的必要环节，也是实现自动驾驶商业化的前提条件。自动驾驶汽车的测试与评价技术是支撑自动驾驶技术发展的关键环节，但自动驾驶测试评价对象已从传统的人、车二元独立***变为人-车-环境-任务强耦合***，测试场景及测试任务难以穷尽，评价维度纷繁复杂。目前，大部分文献侧重研究自动驾驶车辆测试方法，基于计算机仿真技术，与实车测试比较，研究高效、经济的仿真测试方法。代表方法包括：蒙特卡罗方法、蒙特卡洛加速测试方法、博弈论方法、测试场景矩阵和驾驶模拟器仿真测试。这些方法讨论了不同的自动驾驶测试方法的原理与特点，测试方法可以覆盖典型的交通场景，但是不能进行自动驾驶***测试过程中任务复杂度的评价，无法评估ADAS***任务的实际复杂程度。目前，关于自动驾驶复杂度的研究相对较少，已查明国内专利2019年，由戴姆勒公司发布了国内唯一的自动驾驶复杂度技术方案。该方案描述使用感知***措施管理前进路径的自动驾驶复杂度，用于控制车辆的自动驾驶***，示例方法包括计算沿着车辆行驶的路线的即将到来的区域的复杂度度量，响应于复杂度低于预定的低复杂度阈值，使用车辆的计算***确定车辆在即将到来的区域中行驶的轨迹。然而，该方法并没有***、科学地完善自动驾驶汽车的测试与评价体系以及ADAS***任务复杂度量化评估相关的标准与规范。

蒙特卡洛算法可以将驾驶场景变成一个随机模型，基于大数定理，随着重复测试次数得增大，测试结果总是会收敛到真值。但是要让结果逼近真值，需要非常大量的样本容量。若任用传统的蒙特卡洛算法进行测试，则需要更多的计算硬件支持，势必会增加测试的时间及成本。

关于自动驾驶复杂度的研究相对较少，已查明国内专利2019年，由戴姆勒公司发布了国内唯一的自动驾驶复杂度技术方案。该方案描述使用感知***措施管理前进路径的自动驾驶复杂度，用于控制车辆的自动驾驶***，示例方法包括计算沿着车辆行驶的路线的即将到来的区域的复杂度度量，响应于复杂度低于预定的低复杂度阈值，使用车辆的计算***确定车辆在即将到来的区域中行驶的轨迹。该方法并没有***、科学地完善自动驾驶汽车的测试与评价体系以及ADAS***任务复杂度量化评估相关的标准与规范。

发明内容

本发明的目的是分别采用综合成本核算方法、指数等级指标和信息熵理论，分析各元素对任务复杂度的影响，用于对自动驾驶汽车的行驶任务进行量化分级，支撑第三方汽车试验场等机构对自动驾驶汽车的高级驾驶辅助***任务复杂度量化模型。

本发明步骤是：

步骤一、***硬件复杂度计算

假设一个自动驾驶***包含n_a个硬件元素，其第i个硬件元素市场单价为p_i，附加价值为c_i，根据独立分布原则，定义第i个硬件元素的硬件复杂度a_i，即

步骤二、自动驾驶等级复杂度计算

定义自动驾驶各等级如下：L0级复杂度l₀；L1级复杂度l₁；L2级复杂度l₂；L3级复杂度l₃；L4级复杂度l₄和L5级复杂度l₅，根据自动驾驶等级的内涵，拟采用难度指数增长原则，计算第i个自动驾驶等级复杂度l_i，即

步骤三、ADAS任务逻辑信息熵

采用图论和信息熵理论计算第i个ADAS任务的逻辑复杂度，首先，定义第i个ADAS任务的逻辑流为一个有向图：

其中，

表示第i个有向图G_i的顶点集，ε_i表示第i个有向图G_i的顶点间的关系集合即弧的集合；

任务复杂度一阶熵的计算流程描述如下：设有向图G_i有n_i个顶点，第j个顶点依附的弧头数称为该顶点的入度

第j个顶点依附的弧尾数称为该顶点的出度

那么，按照入度和出度所构成的二元集合

分别对有向图G_i中每顶点进行归类，得到一阶信息熵的类别数n_i，1和每个类别的出入度个数m_i，1，k，k＝1，...，n_i，1。根据信息熵理论和上述变量，计算第i个ADAS任务的一阶信息熵H_i，1：

任务复杂度二阶熵的计算流程描述如下：设有向图G_i有n_i个顶点，第j个顶点邻接的顶点集合

如果第j个顶点邻接的顶点集合

与第k个顶点邻接的顶点集合

相等

那么，将顶点j和k归为同一类，通过逐一比较，得到二阶信息熵的类别数n_i，2和每个类别所包含的顶点个数m_i，2，k，k＝1，...，n_i，2，根据信息熵理论和上述变量，计算第i个ADAS任务的二阶信息熵H_i，2：

根据几何度量原则，计算第i个ADAS任务逻辑信息熵：

步骤四、ADAS行驶任务复杂度

根据以上推导公式和独立分布原则，定义第i个ADAS行驶任务的复杂度E_i等价于该任务的自动等级复杂度f_i(l₁，...，l₅)与任务所包含的计算***硬件复杂度的或并函数f_i(a₁，...，a₁₁，∧，∨)以及该任务的逻辑信息熵H_i的乘积，即：

E_i＝f_i(l₁，...，l₅)×g_i(a₁，...，a₁₁，∧，∨)×H_i (7)

其中，自动等级复杂度f_i(l₁，...，l₅)由该任务所在自动等级决定，或并函数g_i(a₁，...，a₁₁，∧，∨)根据使用设备种类和用途不同，具体内涵不同；

设第i个ADAS任务自动等级为L1，那么得到f_i＝l₁，设该任务包含第x、y和z个设备，其中第x和y个设备功能上可相互替代，任选其一或共用，并与第z个设备联合能够完成任务i，即(x∨y)∧z。那么，该ADAS任务所对应的或并函数的具体表达式则写作g_i(a₁，...，a₁₁，∧，∨)＝max(a_x，a_y)+a_z；

设第p个任务为所有ADAS任务中复杂度最高的任务，即E_max＝E_p，根据百分制原则，综合计算第i个ADAS任务的百分制行驶任务复杂度C_i：

本发明描述了用于高级驾驶辅助***(ADAS)任务复杂度量化评估模型的技术方案，从高级驾驶辅助***(ADAS)硬件复杂度评估、自动驾驶任务等级复杂度评估和ADAS任务逻辑复杂度评估三个维度，分别采用综合成本核算方法、指数等级指标和信息熵理论，分析各元素对任务复杂度的影响，示例包括三十五种ADAS任务的复杂度量化评估模型，涉及自动驾驶等级L0至L4，用于对自动驾驶汽车的行驶任务进行量化分级，支撑第三方汽车试验场等机构对自动驾驶汽车的测试与评价技术等关键环节。本发明建立首个高级驾驶辅助***(ADAS)任务复杂度量化评估模型与方法，服务于整车厂和第三方测试机构建立完善的自动驾驶测试评价体系。

附图说明

图1是本发明ADAS任务复杂度量化评估流程图；

图2是本发明交通标识识别TSR流程图；

图3是本发明自适应巡航ACC流程图；

图4是本发明自主代客泊车AVP流程图；

图5是本发明任务复杂度统计汇总图。

具体实施方式

本发明描述了用于高级驾驶辅助***(ADAS)任务复杂度量化评估模型的技术方案，从高级驾驶辅助***(ADAS)硬件复杂度评估、自动驾驶任务等级复杂度评估和ADAS任务逻辑复杂度评估三个维度，分别采用综合成本核算方法、指数等级指标和信息熵理论，分析各元素对任务复杂度的影响，示例包括三十五种ADAS任务的复杂度量化评估模型，涉及自动驾驶等级L0至L4，用于对自动驾驶汽车的行驶任务进行量化分级，支撑第三方汽车试验场等机构对自动驾驶汽车的测试与评价技术等关键环节。

本发明的详细步骤如下：

1.***硬件复杂度计算

典型的自动驾驶***包含诸多硬件元素，例如超声波雷达控制器(URC)、全景摄像头组(SVC)、前向长距毫米波雷达(LRR)、角毫米波雷达组(MRR)、前向摄像头(FCAM)、GPS/IMU定位***、LiDAR激光雷达、驾驶员监控***、动力总成***、底盘***(制动***、转向***)、车身控制器(门窗、雨刷控制等)等。假设一个自动驾驶***包含n_a个硬件元素，其第i个硬件元素市场单价为p_i，专家评估其附加价值为c_i。根据独立分布原则，定义第i个硬件元素的硬件复杂度(归一化)a_i，即

表1自动驾驶等级分类汇总表

2.自动驾驶等级复杂度计算

根据NHTSA(National Highway Traffic Safety Administration，美国高速公路安全管理局)和SAE(Society of Automotive Engineers，美国机动车工程师学会)，现在行业内大多参考SAE J3016中的相关定义。表1为翻译的《J3016：道路机动车辆驾驶自动化***相关术语的分类和定义》截取的等级分类汇总表格。定义自动驾驶各等级如下：L0级复杂度l₀；L1级复杂度l₁；L2级复杂度l₂；L3级复杂度l₃；L4级复杂度l₄和L5级复杂度l₅。根据图2自动驾驶等级的内涵，拟采用难度指数增长原则，计算第i个自动驾驶等级复杂度(归一化)l_i，即

3.ADAS任务逻辑信息熵

结合市面上现有的功能以及J3016的等级划分，将功能进行了分类，得到提示类、前向、侧向、内部、后向、四周、大灯控制、横向控制、纵向控制、横向+纵向、低速、高速等类别。在上述分类基础上，进一步构成交通标识识别(TSR)、前方横向交通警告(FCTA)、车道偏离预警(LDW)、夜视***(NV)、电动汽车声音警告(EVW)、增强现实抬头显示(AR-HUD)、开门警示(DOW)、盲区监测(BSD)、变道辅助(LCA)、驾驶员状态监测(DMS)、后方横向交通预警(RCTA)、泊车测距功能(PDC)、倒车影像显示(RCD)、全景影像显示(SVM)、后方防撞预警(RCW)、驻车距离警告(PDA)、智能远光灯控制(IHC)、车道偏离干预(LDP)、车道保持辅助(LKA)、自动并线(ALC)、定速巡航(CC)、自适应巡航(ACC)、自动紧急制动(AEB)、行人紧急制动(AEBP)、车速辅助***(SAS)、自动泊车辅助(APA)、自动驶出(APO)、远程泊车辅助(RPA)、交通拥堵辅助(TJA)、交通拥堵领航(TJP)、自主代客泊车(AVP)、高速驾驶辅助(HWA)和高速驾驶引导(HWP)等具体的ADAS任务，覆盖L0至L4的自动驾驶等级。

采用图论和信息熵理论计算第i个ADAS任务的逻辑复杂度。首先，定义第i个ADAS任务的逻辑流为一个有向图：

其中，

表示第i个有向图G_i的顶点集，ε_i表示第i个有向图G_i的顶点间的关系集合(弧的集合)。

任务复杂度一阶熵的计算流程描述如下：设有向图G_i有n_i个顶点，第j个顶点依附的弧头数称为该顶点的入度

第j个顶点依附的弧尾数称为该顶点的出度

那么，按照入度和出度所构成的二元集合

分别对有向图G_i中每顶点进行归类，得到一阶信息熵的类别数n_i，1和每个类别的出入度个数m_i，1，k，k＝1，...，n_i，1。根据信息熵理论和上述变量，计算第i个ADAS任务的一阶信息熵H_i，1：

任务复杂度二阶熵的计算流程描述如下：设有向图G_i有n_i个顶点，第j个顶点邻接的顶点集合

如果第j个顶点邻接的顶点集合

与第k个顶点邻接的顶点集合

相等

那么，将顶点j和k归为同一类。通过逐一比较，得到二阶信息熵的类别数n_i，2和每个类别所包含的顶点个数m_i，2，k，k＝1，...，n_i，2。根据信息熵理论和上述变量，计算第i个ADAS任务的二阶信息熵H_i，2：

最后，根据几何度量原则，计算第i个ADAS任务逻辑信息熵：

4.ADAS行驶任务复杂度

根据以上推导公式和独立分布原则，定义第i个ADAS行驶任务的复杂度E_i等价于该任务的自动等级复杂度f_i(l₁，...，l₅)与任务所包含的计算***硬件复杂度的或并函数f_i(a₁，...，a₁₁，∧，∨)以及该任务的逻辑信息熵H_i的乘积，即：

E_i＝f_i(l₁，...，l₅)×g_i(a₁，...，a₁₁，∧，∨)×H_i (7)

其中，自动等级复杂度f_i(l₁，...，l₅)由该任务所在自动等级决定，或并函数g_i(a₁，...，a₁₁，∧，∨)根据使用设备种类和用途不同，具体内涵不同。设第i个ADAS任务自动等级为L1，那么得到f_i＝l₁。设该任务包含第x、y和z个设备，其中第x和y个设备功能上可相互替代，任选其一或共用，并与第z个设备联合能够完成任务i，即(x∨y)∧z。那么，该ADAS任务所对应的或并函数的具体表达式则写作g_i(a₁，...，a₁₁，∧，∨)＝max(a_x，a_y)+a_z。

设第p个任务为所有ADAS任务中复杂度最高的任务，即E_max＝E_p。根据百分制原则，综合计算第i个ADAS任务的百分制行驶任务复杂度C_i：

实例

通过市场调研和专家评估，确定11种典型自动驾驶***硬件的市场价格和附加价值如下：超声波雷达控制器(URC)p₁＝500元，c₁＝3000元；全景摄像头组(SVC)p₂＝3000元，c₂＝5000元；前向长距毫米波雷达(LRR)p₃＝2000元，c₃＝3000元；角毫米波雷达组(MRR)p₄＝2000元，c₄＝3000元；前向摄像头(FCAM)p₅＝300元，c₅＝2500元；GPS/IMU定位***(GPS)p₆＝400元，c₆＝2500元；激光雷达(LiDAR)p₇＝13万元，c₇＝4000元；驾驶员监控***(DMS)p₈＝1900元，c₈＝1750元；动力总成***(PTS)p₉＝5万元，c₉＝5000元；底盘动力***(CDS)p₁₀＝5万元，c₁₀＝5000元；车身控制器(BCM)p₁₁＝5万元，c₁₁＝5000元。根据公式(1)计算硬件复杂度(归一化)为：a₁＝0.0851、a₂＝0.1418、a₃＝0.0851、a₄＝0.0851、a₅＝0.0709、a₆＝0.0709、a₇＝0.1135、a₈＝0.0496、a₉＝0.1418、a₁₀＝0.1418和a₁₁＝0.0142。

根据公式(2)，计算L0-L5自动驾驶等级复杂度(归一化)为：l₀＝0.0043、l₁＝0.0116、l₂＝0.0315、l₃＝0.0858、l₄＝0.2331和l₅＝0.6337。

实例覆盖35项ADAS任务，包括：交通标识识别(TSR)、前方横向交通警告(FCTA)、车道偏离预警(LDW)、夜视***(NV)、电动汽车声音警告(EVW)、增强现实抬头显示(AR-HUD)、开门警示(DOW)、盲区监测(BSD)、变道辅助(LCA)、驾驶员状态监测(DMS)、后方横向交通预警(RCTA)、泊车测距功能(PDC)、倒车影像显示(RCD)、全景影像显示(SVM)、后方防撞预警(RCW)、驻车距离警告(PDA)、智能远光灯控制(IHC)、车道偏离干预(LDP)、车道保持辅助(LKA)、自动并线(ALC)、定速巡航(CC)、自适应巡航(ACC)、自动紧急制动(AEB)、行人紧急制动(AEBP)、车速辅助***(SAS)、自动泊车辅助(APA)、自动驶出(APO)、远程泊车辅助(RPA)、交通拥堵辅助(TJA)、交通拥堵领航(TJP)、自主代客泊车(AVP)、高速驾驶辅助(HWA)和高速驾驶引导(HWP)，覆盖L0至L4的自动驾驶等级。下面分别以其中3项任务：交通标识识别TSR、自适应巡航ACC和自主代客泊车AVP为例进行说明。

实例1.交通标识识别TSR

描述：通过摄像机采集交通标识信息，传到图像处理进行检测，根据识别结果做出措施。实施TSR的流程如图2所示。

第一步，逻辑有向图。TSR是第1个ADAS任务，其逻辑有向图G₁包含4个顶点(图像采集A、图像预处理B、模式识别C和跟踪算法D)和3个弧(

和

)，即

第二步，计算任务复杂度一阶熵。有向图G₁有n₁＝4个顶点，每个顶点的入度和出度分别为

对有向图G₁顶点归类，得到一阶信息熵的类别数n_1，1＝3且每类出入度数为{m_1，1，i，i＝1，...，3}＝{1，2，1}

根据公式(4)，计算TSR任务的一阶信息熵H_1，1：

第三步，计算任务复杂度二阶熵。有向图G₁有n₁＝4个顶点，每顶点邻接的顶点集合

通过逐一比较，观察各顶点没有同类项，得到二阶信息熵的类别数n_1，2＝4和每个类别所包含的顶点个数

{m_1，2，i，i＝l，...，4}＝{1，1，1，1}

根据公式(5)，计算TSR任务的二阶信息熵H_1，2：

第四步，计算任务逻辑信息熵。根据公式(6)，计算TSR任务逻辑信息熵：

第五步，TSR行驶任务复杂度。根据TSR任务所在的自动等级L0，计算f₁＝l₀。根据TSR任务所包含的设备FCAM，计算g₁＝a₅。根据公式(7)，计算TSR行驶任务的复杂度

E₁＝f₁(l₁，...，l₅)×g₁(a₁，...，a₁₁，∧，∨)×H₁＝0.0043×0.0709×2.50＝7.622×10^-4 (13)

第六步，根据35种ADAS任务实例中第p＝33个任务AVP的复杂度最高这一事实，得到E_max＝1.2201。根据公式(8)，综合计算TSR任务的百分制行驶任务复杂度：

实例2.自适应巡航ACC

描述：通过车辆传感器识别前方目标车辆，根据设定的目标车速以及车间时距实现巡航控制；若前方无车则进入定速巡航状态。实施ACC的流程如图3所示。

第一步，逻辑有向图。ACC是第24个ADAS任务，其逻辑有向图G₂₄包含21个顶点(判断前方是否存在目标车辆A、本车行驶状态B、目标车辆行驶状态C、测量回滞速度D、测量回滞距离E、间距切换阈值F、判断车速关系G、判断车距关系H、ACC跟踪模式I、恒速控制模式J、ACC速度模式K、驾驶员期望速度L、离合器(ECU)M、发动机(ECU)N、车速传感器O、节气门与变速箱联合控制策略P、变速箱换挡装置Q、节气门控制***R、制动器(ECU)S、液压控制策略T和刹车装置U)和32个弧

即

第二步，计算任务复杂度一阶熵。有向图G₂₄有n₂₄＝21个顶点，顶点入出度二元集合表示为

对有向图G₂₄顶点归类，得到一阶信息熵的类别数n_24，1＝14且每类出入度数为{m_24，l，i，i＝1，...，14}＝{3，1，1，3，2，1，1，1，1，1，1，2，2，1}

根据公式(4)，计算ACC任务的一阶信息熵H_24，1：

第三步，计算任务复杂度二阶熵。有向图G₂₄有n₂₄＝21个顶点，每顶点邻接的顶点集合

通过逐一比较，观察各顶点没有同类项，得到二阶信息熵的类别数n_24，2＝19和每个类别所包含的顶点个数

根据公式(5)，计算ACC任务的二阶信息熵H_24，2：

第四步，计算任务逻辑信息熵。根据公式(6)，计算ACC任务逻辑信息熵：

第五步，ACC行驶任务复杂度。根据ACC任务所在的自动等级L1，计算f₂₄＝l₁。根据ACC任务所包含的设备FCAM∧LRR∧GPS∧PTS∧CDS，计算g₂₄＝a₂+a₅+a₆+a₉+a₁₀。根据公式(7)，计算ACC行驶任务的复杂度

E₂₄＝f₂₄(l₁，...，l₅)×g₂₄(a₁，...，a₁₁，∧，∨)×H₂₄＝0.0116×0.5105×5.57＝0.0330 (19)

第六步，计算第p＝33个任务为所有ADAS任务中复杂度最高的任务，得到E_max＝1.2201根据公式(8)，综合计算ACC任务的百分制行驶任务复杂度：

实例3.自主代客泊车AVP

描述：停车场或其它限定区域内，基于L4自动驾驶技术实现最后几百米的慢速无人泊车功能。实施AVP的流程如图4所示。

第一步，逻辑有向图。AVP是第33个ADAS任务，其逻辑有向图G₃₃包含37个顶点(车端感知A、场端感知B、环视鱼眼相机C、前视相机D、GPS/IMUE、场地摄像头F、场地激光雷达G、历史地图信息H、终端计算与通信装置I、SLAM算法J、远程路径诱导K、实时路径规划L、泊车环境实时监测M、泊车路径重规划N、满足约束的路径曲线O、期望速度和加速度P、期望转向角Q、纵向控制算法R、离合器(ECU)S、发动机(ECU)T、车速传感器U、节气门与变速箱联合控制策略V、变速箱换挡装置W、节气门控制***X、高精度车辆定位Y、航迹推算Z、车身方位角与后轴中心位置I、车辆初始位姿II、车辆动力学模型III、车辆位置估计IV、横向控制算法V、电子稳定***VI、液压控制策略VII、刹车装置VIII、主动转向***IX、转向电机控制策略X、转向电机XI)和45个弧

即

第二步，计算任务复杂度一阶熵。有向图G₃₃有n₃₃＝37个顶点，顶点入出度二元集合表示为

对有向图G₃₃顶点归类，得到一阶信息熵的类别数n_33，1＝9且每类出入度数为{m_33，1，i，i＝1，...，9}＝{4，16，3，2，1，3，2，5，1}

根据公式(4)，计算AVP任务的一阶信息熵H_33，1：

第三步，计算任务复杂度二阶熵。有向图G₃₃有n₃₃＝37个顶点，每顶点邻接的顶点集合

通过逐一比较，观察各顶点没有同类项，得到二阶信息熵的类别数n_33，2＝31和每个类别所包含的顶点个数

根据公式(5)，计算AVP任务的二阶信息熵H_24，2：

第四步，计算任务逻辑信息熵。根据公式(6)，计算AVP任务逻辑信息熵：

第五步，AVP行驶任务复杂度。根据AVP任务所在的自动等级L4，计算f₃₃＝l₄。根据AVP任务所包含的设备LRR∧FCAM∧MRR∧URC∧SVC∧GPS∧PTS∧CDS∧BCM∧LiDAR，计算g₃₃＝a₁+a₂+a₃+a₄+a₅+a₆+a₇+a₉+a₁₀+a₁₁。根据公式(7)，计算AVP行驶任务的复杂度

E₃₃＝f₃₃(l₁，...，l₅)×g₃₃(a₁，...，a₁₁，∧，∨)×H₃₃＝0.2331×0.9502×5.51＝1.2201(25)

第六步，由于第p＝33个任务为所有ADAS任务中复杂度最高的任务，根据公式(8)，综合计算AVP任务的百分制行驶任务复杂度：

C₃₃＝100 (26)

最后，图5汇总了35项ADAS任务的百分制行驶任务复杂度。其中，TSR、FCTA、FCW、HMW、LDW、NV、EVW、AR-HUD、DOW、BSD、LCA、DMS、RCTA、PDC、RCD、SVM、RCW、PDA和IHC等L0自动驾驶等级为最低一档任务复杂度；LDP、LKA、ALC、CC、ACC、AEB、AEBP和SAS等L1自动驾驶等级为第二档任务复杂度；APA、APO、RPA和TJA等L2自动驾驶等级为第三档任务复杂度；HWA等L2.5自动驾驶等级为第四档任务复杂度；TJP、AVP和HWP等L3以上自动驾驶等级为最高档任务复杂度。

Claims (1)

1.一种高级驾驶辅助***任务复杂度量化模型，其特征在于：其步骤是：

步骤一、***硬件复杂度计算

假设一个自动驾驶***包含n_a个硬件元素，其第i个硬件元素市场单价为p_i，附加价值为c_i，根据独立分布原则，定义第i个硬件元素的硬件复杂度a_i，即

步骤二、自动驾驶等级复杂度计算

定义自动驾驶各等级如下：L0级复杂度l₀；L1级复杂度l₁；L2级复杂度l₂；L3级复杂度l₃；L4级复杂度l₄和L5级复杂度l₅，根据自动驾驶等级的内涵，拟采用难度指数增长原则，计算第i个自动驾驶等级复杂度l_i，即

步骤三、ADAS任务逻辑信息熵

采用图论和信息熵理论计算第i个ADAS任务的逻辑复杂度，首先，定义第i个ADAS任务的逻辑流为一个有向图：

其中，

表示第i个有向图G_i的顶点集，ε_i表示第i个有向图G_i的顶点间的关系集合即弧的集合；

任务复杂度一阶熵的计算流程描述如下：设有向图G_i有n_i个顶点，第j个顶点依附的弧头数称为该顶点的入度

第j个顶点依附的弧尾数称为该顶点的出度

那么，按照入度和出度所构成的二元集合

分别对有向图G_i中每顶点进行归类，得到一阶信息熵的类别数n_i，1和每个类别的出入度个数m_i，1，k，k＝1，...，n_i，1。根据信息熵理论和上述变量，计算第i个ADAS任务的一阶信息熵H_i，1：

任务复杂度二阶熵的计算流程描述如下：设有向图G_i有n_i个顶点，第j个顶点邻接的顶点集合

如果第j个顶点邻接的顶点集合

与第k个顶点邻接的顶点集合

相等

那么，将顶点j和k归为同一类，通过逐一比较，得到二阶信息熵的类别数n_i，2和每个类别所包含的顶点个数m_i，2，k，k＝1，...，n_i，2，根据信息熵理论和上述变量，计算第i个ADAS任务的二阶信息熵H_i，2：

根据几何度量原则，计算第i个ADAS任务逻辑信息熵：

步骤四、ADAS行驶任务复杂度

根据以上推导公式和独立分布原则，定义第i个ADAS行驶任务的复杂度E_i等价于该任务的自动等级复杂度f_i(l₁，...，l₅)与任务所包含的计算***硬件复杂度的或并函数f_i(a₁，...，a₁₁，∧，∨)以及该任务的逻辑信息熵H_i的乘积，即：

E_i＝f_i(l₁，...，l₅)×g_i(a₁，...，a₁₁，∧，∨)×H_i (7)

其中，自动等级复杂度f_i(l₁，...，l₅)由该任务所在自动等级决定，或并函数g_i(a₁，...，a₁₁，∧，∨)根据使用设备种类和用途不同，具体内涵不同；

设第i个ADAS任务自动等级为L1，那么得到f_i＝l₁，设该任务包含第x、y和z个设备，其中第x和y个设备功能上可相互替代，任选其一或共用，并与第z个设备联合能够完成任务i，即(x∨y)∧z。那么，该ADAS任务所对应的或并函数的具体表达式则写作g_i(a₁，...，a₁₁，∧，∨)＝max(a_x，z_y)+a_z；

设第p个任务为所有ADAS任务中复杂度最高的任务，即E_max＝E_p，根据百分制原则，综合计算第i个ADAS任务的百分制行驶任务复杂度C_i：

Images