CN111784142B - 高级驾驶辅助***任务复杂度量化模型的建立方法 - Google Patents
高级驾驶辅助***任务复杂度量化模型的建立方法 Download PDFInfo
- Publication number
- CN111784142B CN111784142B CN202010586953.6A CN202010586953A CN111784142B CN 111784142 B CN111784142 B CN 111784142B CN 202010586953 A CN202010586953 A CN 202010586953A CN 111784142 B CN111784142 B CN 111784142B
- Authority
- CN
- China
- Prior art keywords
- task
- complexity
- adas
- ith
- information entropy
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000005259 measurement Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 claims 12
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 claims 12
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 claims 12
- 238000012360 testing method Methods 0.000 abstract description 26
- 238000011156 evaluation Methods 0.000 abstract description 17
- 238000011158 quantitative evaluation Methods 0.000 abstract description 9
- 230000007246 mechanism Effects 0.000 abstract description 6
- 238000011002 quantification Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000011217 control strategy Methods 0.000 description 5
- 238000010998 test method Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004297 night vision Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009118 appropriate response Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
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
技术领域
本发明属于自动驾驶技术领域。
背景技术
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,现有技术方案描述使用感知***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,现有技术方案描述使用感知***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的建立方法。
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na个硬件元素,其第i个硬件元素市场单价为pi,附加价值为ci,根据独立分布原则,定义第i个硬件元素的硬件复杂度ai,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li,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:
任务复杂度一阶熵的计算流程描述如下:设有向图Gi有ni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Gi中每顶点进行归类,得到一阶信息熵的类别数ni,1和每个类别的出入度个数mi,1,k,k=1,...,ni,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Hi,1:
任务复杂度二阶熵的计算流程描述如下:设有向图Gi有ni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ni,2和每个类别所包含的顶点个数mi,2,k,k=1,...,ni,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Hi,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Ei等价于该任务的自动等级复杂度fi(l1,...,l5)与任务所包含的计算***硬件复杂度的或并函数gi(a1,...,a11,∧,∨) 以及该任务的逻辑信息熵Hi的乘积,即:
Ei=fi(l1,...,l5)×gi(a1,...,a11,∧,∨)×Hi (7)
其中,自动等级复杂度fi(l1,...,l5)由该任务所在自动等级决定,或并函数gi(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fi=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gi(a1,...,a11,∧,∨)=max(ax,ay)+az;
设第p个任务为所有ADAS任务中复杂度最高的任务,即Emax=Ep,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Ci:
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na个硬件元素,其第i个硬件元素市场单价为pi,专家评估其附加价值为ci。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)ai,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)li,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:
任务复杂度一阶熵的计算流程描述如下:设有向图Gi有ni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Gi中每顶点进行归类,得到一阶信息熵的类别数ni,1和每个类别的出入度个数mi,1,k,k=1,...,ni,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Hi,1:
任务复杂度二阶熵的计算流程描述如下:设有向图Gi有ni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ni,2和每个类别所包含的顶点个数mi,2,k,k=1,...,ni,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Hi,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Ei等价于该任务的自动等级复杂度fi(l1,...,l5)与任务所包含的计算***硬件复杂度的或并函数gi(a1,...,a11,∧,∨) 以及该任务的逻辑信息熵Hi的乘积,即:
Ei=fi(l1,...,l5)×gi(a1,...,a11,∧,∨)×Hi (7)
其中,自动等级复杂度fi(l1,...,l5)由该任务所在自动等级决定,或并函数gi(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fi=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gi(a1,...,a11,∧,∨)=max(ax,ay)+az。
设第p个任务为所有ADAS任务中复杂度最高的任务,即Emax=Ep。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Ci:
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n1,1=3且每类出入度数为{m1,1,i,i=1,...,3}={1,2,1}
根据公式(4),计算TSR任务的一阶信息熵H1,1:
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n1,2=4和每个类别所包含的顶点个数
{m1,2,i,i=1,...,4}={1,1,1,1}
根据公式(5),计算TSR任务的二阶信息熵H1,2:
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Emax=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n24,1=14且每类出入度数为{m24,1,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H24,1:
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n24,2=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H24,2:
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Emax=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n33,1=9且每类出入度数为{m33,1,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H33,1:
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n33,2=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H24,2:
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的建立方法,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na个硬件元素,其第i′个硬件元素市场单价为pi′,附加价值为ci′,根据独立分布原则,定义第i′个硬件元素的硬件复杂度ai′,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li″,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:
任务复杂度一阶熵的计算流程描述如下:设有向图Gi有ni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Gi中每顶点进行归类,得到一阶信息熵的类别数ni,1和每个类别的出入度个数mi,1,k,k=1,...,ni,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Hi,1:
任务复杂度二阶熵的计算流程描述如下:设有向图Gi有ni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即那么,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ni,2和每个类别所包含的顶点个数mi,2,k,k=1,...,ni,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Hi,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Ei等价于该任务的自动等级复杂度fi(l1,...,l5)与任务所包含的计算***硬件复杂度的或并函数gi(a1,...,a11,∧,∨)以及该任务的逻辑信息熵Hi的乘积,即:
Ei=fi(l1,...,l5)×gi(a1,...,a11,∧,∨)×Hi (7)
其中,自动等级复杂度fi(l1,...,l5)由该任务所在自动等级决定,或并函数gi(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fi(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gi(a1,...,a11,∧,∨)=max(ax,ay)+az;
设第p个任务为所有ADAS任务中复杂度最高的任务,即Emax=Ep,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Ci:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010586953.6A CN111784142B (zh) | 2020-06-24 | 2020-06-24 | 高级驾驶辅助***任务复杂度量化模型的建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010586953.6A CN111784142B (zh) | 2020-06-24 | 2020-06-24 | 高级驾驶辅助***任务复杂度量化模型的建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111784142A CN111784142A (zh) | 2020-10-16 |
CN111784142B true CN111784142B (zh) | 2022-08-26 |
Family
ID=72759714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010586953.6A Active CN111784142B (zh) | 2020-06-24 | 2020-06-24 | 高级驾驶辅助***任务复杂度量化模型的建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784142B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862980B (zh) * | 2021-02-06 | 2022-11-18 | 西藏宁算科技集团有限公司 | 基于Carla仿真平台的车辆arhud*** |
CN113753052A (zh) * | 2021-09-01 | 2021-12-07 | 苏州莱布尼茨智能科技有限公司 | 一种新能源汽车整车安全智能驱动控制*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416267A (zh) * | 2018-02-02 | 2018-08-17 | 辽宁友邦网络科技有限公司 | 一种用于物流运输的辅助驾驶方法及*** |
CN110182217A (zh) * | 2019-04-23 | 2019-08-30 | 吉林大学 | 一种面向复杂超车场景的行驶任务复杂度量化评估方法 |
CN111026127A (zh) * | 2019-12-27 | 2020-04-17 | 南京大学 | 基于部分可观测迁移强化学习的自动驾驶决策方法及*** |
-
2020
- 2020-06-24 CN CN202010586953.6A patent/CN111784142B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416267A (zh) * | 2018-02-02 | 2018-08-17 | 辽宁友邦网络科技有限公司 | 一种用于物流运输的辅助驾驶方法及*** |
CN110182217A (zh) * | 2019-04-23 | 2019-08-30 | 吉林大学 | 一种面向复杂超车场景的行驶任务复杂度量化评估方法 |
CN111026127A (zh) * | 2019-12-27 | 2020-04-17 | 南京大学 | 基于部分可观测迁移强化学习的自动驾驶决策方法及*** |
Non-Patent Citations (3)
Title |
---|
"Development of the step complexity measure for emergency operating procedures using entropy concepts";JinkyunPark等;《Reliability Engineering & System Safety》;20020228;第71卷(第2期);全文 * |
"Modeling traffic system complexity through fuzzy entropy";Raymond Hoogendoorn等;《16th International IEEE Conference on Intelligent Transportation Systems (ITSC 2013)》;20140130;全文 * |
"多车道复杂环境下汽车驾驶倾向性特征动态提取";于翠翠等;《交通信息与安全》;20141031;第32卷(第186期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111784142A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11216748B2 (en) | Predictive control techniques for ground vehicles | |
DE102019111390B4 (de) | Verfahren zum steuern eines automatisierten fahrbetriebs eines kraftfahrzeugs | |
CN111123933B (zh) | 车辆轨迹规划的方法、装置、智能驾驶域控制器和智能车 | |
US20220187834A1 (en) | Generating trajectories for autonomous vehicles | |
US10235881B2 (en) | Autonomous operation capability configuration for a vehicle | |
US20180348777A1 (en) | Vehicle control system and method, and travel assist server | |
US11242040B2 (en) | Emergency braking for autonomous vehicles | |
CN112512887B (zh) | 一种行驶决策选择方法以及装置 | |
CN103209876A (zh) | 车辆用行驶控制装置 | |
CN112249008B (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
EP4316935A1 (en) | Method and apparatus for obtaining lane change area | |
CN111784142B (zh) | 高级驾驶辅助***任务复杂度量化模型的建立方法 | |
CN114932918A (zh) | 一种智能网联车在各种路况下行驶的行为决策方法及*** | |
CN111599166B (zh) | 用于解释交通信号和协商信号化的交叉路口的方法和*** | |
CN116901963A (zh) | 自动驾驶车辆的制动控制方法、装置、车辆和介质 | |
US20220363129A1 (en) | Motor vehicle with a computer device for generating a graphical user interface | |
US20220363130A1 (en) | User device for generating a graphical user interface | |
CN113954859B (zh) | 一种适用于非自动驾驶车辆的自动驾驶改装方法及装置 | |
Cai et al. | A strategy of vehicle following on slope road at night considering the safety of the intended functionality | |
US20220366740A1 (en) | Method for generating a graphical user interface and a non-transitory computer-readable medium | |
US20220363285A1 (en) | Device for generating a graphical user interface and a system for generating a graphical user interface | |
US20230073933A1 (en) | Systems and methods for onboard enforcement of allowable behavior based on probabilistic model of automated functional components | |
RU2771586C1 (ru) | Транспортное средство с функцией формирования корректирующего энергоэффективного трека эксплуатируемого транспортного средства | |
Santhosh et al. | Autonomous Vehicle | |
Guan et al. | Research on Real Vehicle Testing of Path Planning for Autonomous Driving Tractors Under Ice and Snow Conditions |
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 |