CN114896754B - 面向逻辑场景全参数空间的自动驾驶***性能评估方法 - Google Patents
面向逻辑场景全参数空间的自动驾驶***性能评估方法 Download PDFInfo
- Publication number
- CN114896754B CN114896754B CN202210285067.9A CN202210285067A CN114896754B CN 114896754 B CN114896754 B CN 114896754B CN 202210285067 A CN202210285067 A CN 202210285067A CN 114896754 B CN114896754 B CN 114896754B
- Authority
- CN
- China
- Prior art keywords
- scene
- vehicle
- evaluation
- collision
- parameter space
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 90
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims description 51
- 238000005070 sampling Methods 0.000 claims description 48
- 238000004422 calculation algorithm Methods 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013316 zoning Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 abstract description 3
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于自动驾驶汽车测试评价技术领域,具体的说是一种面向逻辑场景全参数空间的自动驾驶汽车性能评估方法。该性能评估方法在给定自动驾驶***的测试逻辑场景及其匹配的参数空间之后,将被测自动驾驶***放入该逻辑场景中进行测试,获取各个具体测试工况下的行驶数据,在获得被测自动驾驶***在整个被测逻辑场景参数空间中测试过程的行驶轨迹场之后,首先根据理想车辆运动曲线将逻辑场景分区,分为安全区和危险区两部分;随后确定两个分区中的评估重点及评价指标;根据测试结果计算整个参数空间中的整体表现,从而得到整个全参数空间的性能评估结果。
Description
技术领域
本发明属于自动驾驶汽车测试评价技术领域,具体的说是一种面向逻辑场景全参数空间的自动驾驶汽车性能评估方法。
背景技术
随着自动驾驶***技术的不断提升,各家车企均推出了其各自的自动驾驶车型,然而如何评估各家自动驾驶汽车性能水平的高低,至今仍没有统一的标准。目前,基于场景的测试方法已成为自动驾驶***安全性验证的主流,根据自动驾驶***行驶过程中可能遇到的各种工况确定测试场景,其中,逻辑场景通过使用参数空间的形式描述同一类测试工况,是现有基于场景的测试评价方法的主要层级。
现有方法的评价方法多为针对单一参数工况的评价,且以相同的评估维度评估逻辑场景参数空间中不同位置处的具体场景,缺乏面向逻辑场景全参数空间的性能评估方法。
发明内容
本发明提供了一种面向逻辑场景全参数空间的自动驾驶汽车性能评估方法,在给定被测自动驾驶***的测试逻辑场景及其匹配的参数空间之后,将被测自动驾驶***放入该逻辑场景中进行测试,获取各个具体测试工况下的行驶数据,在获得被测自动驾驶***在整个被测逻辑场景参数空间中测试过程的行驶轨迹场之后,首先根据理想车辆运动曲线将逻辑场景分区,分为安全区和危险区两部分;随后确定两个分区中的评估重点及评价指标;根据测试结果计算整个参数空间中的整体表现,从而得到整个全参数空间的性能评估结果。
本发明技术方案结合附图说明如下:
一种面向逻辑场景全参数空间的自动驾驶汽车性能评估方法,包括以下步骤:
步骤一、对逻辑场景参数空间进行分区;
步骤二、确定逻辑场景参数空间不同区域内的评价维度;
步骤三、计算行驶轨迹场;
步骤四、构建安全区内通顺性评估指标;
步骤五、构建危险区内避撞性评估指标;
步骤六、构建逻辑场景全参数空间评价指标。
所述步骤一的具体方法如下:
根据人类驾驶员自然驾驶数据或预先设定合格***行驶过程中的危险情况,将逻辑场景参数空间分为危险区和安全区;所述危险区是指驾驶时可能会发生碰撞的区域;所述安全区是指驾驶时安全,很难发生碰撞的区域;
其中,分区的原则为车辆仅进行减速操作,是否可以避免危险;最大制动减速度根据测试场景路面附着系数进行设定,在行驶过程中,搭载合格***或人类驾驶员的车辆的能及时准确的感知前方障碍物的各种信息,所述信息包括类型、速度、位置,当车辆行驶至安全距离模型设定的危险距离时,车辆立刻采取减速操作,记录搭载合格***的车辆在整个行驶场景的碰撞时间倒数即ITTC的信息,碰撞时间的倒数的计算公式如公式(1)所示;若整个行驶里程中的ITTC的最大值不大于0.7s-1,则认为场景为一个安全场景,否则认为场景为一个危险场景;
ITTC=v/d (1)
式中,d为被测车辆与障碍物之间的相对距离;v为被测车辆与障碍物之间的相对速度;
由于无法对参数空间中的所有参数组合都进行测试,因此无法通过测试的方法获取精确的危险区与安全区的连续边界;使用高斯过程对边界进行拟合;高斯过程如公式(2)所示:
f(x)~GP(m,k) (2)
式中,f(x)为拟合结果;m为均值函数;k为协方差函数;m定义为0矩阵,核密度函数选择平方指数型核函数,如公式(3)所示:
式中,σf为特征长度标量;σl为信号标准差;x为训练数据;x*为未知位置处的数据;
经过高斯过程拟合,最后将参数空间中的危险部分与***分进行划分,从而得到危险区和安全区。
所述步骤二的具体方法如下:
所述危险区内的评价维度由避撞性指标体现;所述安全区内的评价维度由通顺性指标体现;
所述步骤三的具体方法如下:
行驶轨迹场指车辆行驶过程中对周围空间影响所残留的轨迹,与车辆的行驶轨迹、对应位置速度、对应位置影响时间、车辆物理参数有关,由于通顺性评价时针对的是同一车辆,因此将车辆物理参数的影响除去;定义的轨迹场如公式(4)所示,当车辆经过操作后停止不动时,计算时长选择通过场景的平均时长;在针对具体时间点的周围空间影响计算如公式(5)所示;
S=∑s (4)
式中,S为行驶轨迹场,即车辆整个行驶过程对周围空间影响的总和;s为瞬时场,即车辆行驶的瞬间对周围时空所造成的影响;rij为不同位置与车辆中心所组成的向量;vi为车辆的速度;θi为rij与vi的夹角;k1和k2为修正参数;将车辆视为一个质点,并将车辆前进方向距离车辆质心1m远处的瞬时场数值视为整个车辆1m内的瞬时场数值。
所述步骤四的具体方法如下:
使用被测算法与人类驾驶员自然驾驶数据或预先设定的理想***行驶的轨迹场相似性来对被测算法的通顺性进行评估;在计算完成被测算法和理想***在同一测试场景中的轨迹场之后,首先根据道路长度,每隔5m选取一条采样线段,并在采样线段上选取采样点;选取采样点时要采样距离行驶中心0.5m处的采样点,即首先沿道路方向向前进行采样,采样间隔为5m,在一条采样线段中,以车辆中心点为中心,上下间隔0.5m进行采样,上下各采样4个采样点,加上行驶中心采样点一条采样线段共采样9个点,对每一采样点,被测算法与理性算法在采样点位置处的相似度为
dij=1-|hij1-hij2|/(hij2+hij1) (6)
式中,hij1为采样点处被测自动驾驶***的行驶轨迹场数值;hij2为采样点处理想算法的行驶轨迹场数值;
采样获取整个道路长度上所有的dij,被测算法与理想算法在具体场景中行驶过程的通顺性为
在真实自然驾驶条件下,一个场景发生的概率越高,则驾驶人体会场景的时间越长,场景所占的比重也越大,因此在得到单个具体场景的通顺性评价指标后以概率为权重获取整个安全区内的评价结果,如(8)所示
式中,pi为第i个具体场景在自然驾驶条件下在本类型场景中的发生概率。
所述步骤五的具体方法如下:
在进行危险区内的避撞性能评估时,包含两部分的评估内容,一部分为是否可以躲避危险,另一部分为当危险不可避免时是否可以减少碰撞损失;首先定义碰撞损失的概念;
式中,Li是第i个具体场景中被测算法的碰撞损失;w是碰撞过程中被测车辆的保险杠使用率,即保险杠参与碰撞的面积,最小取0.5;ve和vo是被测车辆碰撞时的速度和碰撞障碍物在碰撞时的速度;Ui是碰撞严重度;
除了碰撞损失,不同位置处的场景的重要性权重也是不同的;对于碰撞而言,一旦发生碰撞,其对于乘员而言即为一个确定事件,因此在危险区考虑碰撞的避免能力,而不是相关场景发生的相对概率;
在进行碰撞避免能力的评估时,考虑当前具体场景参数位置与最危险参数位置处的相对距离,距离的计算方法如公式(11)所示
式中,ri是危险区中第i个具体场景的相对权重;ri *为逻辑场景参数空间中最危险的参数点与具体场景参数点形成的向量;ri **是逻辑场景参数空间中最危险的参数点与ri *所在的直线与安全区/危险区边界的交点所形成的向量;
在得到了被测算法在具体场景处的碰撞损失及对应的权重之后,便得到整个危险区内的评价指标;由于理想算法在运行过程中假设其感知***、决策***、执行***全部都以理想状态运行,因此其碰撞损失一定是最小的,因此C的值一定小于等于1。
式中,C是安全性指标;Lgi是理想***在危险区中第i个具体场景中的碰撞损失;nc是所有发生碰撞的具体场景数量。
所述步骤六的具体方法如下:
在获取了安全区内的评价指标与危险区内的评价指标之后,将二者结合得到被测算法在整个逻辑场景参数空间中的性能评估;以百分制为基础,被测算法的综合评价指标结果为
S=a·k5·C+b·k6·D (13)
式中,a和b是安全性指标与通顺性指标的相对打分,百分制的情况下二者的和为100;k5和k6是修正参数,当被测***数量低于阈值时,阈值取10,二者可分别取1,当被测***超过阈值时,根据统计结果修正二者的值,使不同测试***的评估结果具有高斯分布或指数分布统计特征。
本发明的有益效果为:
本发明根据不同具体场景的危险度将逻辑场景参数空间分区,并确定两个分区中的评估维度及具体评价指标,从而根据被测算法的测试结果获得整个逻辑场景参数空间中的整体性能表现。最终得到逻辑场景层级的自动驾驶性能评估,并可以根据不同具体场景位置处的评估重点针对性进行评价。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
参阅图1,一种面向逻辑场景全参数空间的自动驾驶汽车性能评估方法,包括以下步骤:
步骤一、对逻辑场景参数空间进行分区;
具体方法如下:
根据人类驾驶员自然驾驶数据或预先设定合格***行驶过程中的危险情况,将逻辑场景参数空间分为危险区和安全区;所述危险区是指驾驶时可能会发生碰撞的区域;所述安全区是指驾驶时安全,很难发生碰撞的区域;
其中,分区的原则为车辆仅进行减速操作,是否可以避免危险;最大制动减速度根据测试场景路面附着系数进行设定,在行驶过程中,搭载合格***或人类驾驶员的车辆的能及时准确的感知前方障碍物的各种信息,所述信息包括类型、速度、位置,当车辆行驶至安全距离模型设定的危险距离时,车辆立刻采取减速操作,记录搭载合格***的车辆在整个行驶场景的碰撞时间倒数即ITTC的信息,碰撞时间的倒数的计算公式如公式(1)所示;若整个行驶里程中的ITTC的最大值不大于0.7s-1,则认为场景为一个安全场景,否则认为场景为一个危险场景;
ITTC=v/d (1)
式中,d为被测车辆与障碍物之间的相对距离;v为被测车辆与障碍物之间的相对速度;
由于无法对参数空间中的所有参数组合都进行测试,因此无法通过测试的方法获取精确的危险区与安全区的连续边界;使用高斯过程对边界进行拟合;高斯过程如公式(2)所示:
f(x)~GP(m,k) (2)
式中,f(x)为拟合结果;m为均值函数;k为协方差函数;m定义为0矩阵,核密度函数选择平方指数型核函数,如公式(3)所示:
式中,σf为特征长度标量;σl为信号标准差;x为训练数据;x*为未知位置处的数据;
经过高斯过程拟合,最后将参数空间中的危险部分与***分进行划分,从而得到危险区和安全区。
步骤二、确定逻辑场景参数空间不同区域内的评价维度;
所述危险区内的评价维度由避撞性指标体现;所述安全区内的评价维度由通顺性指标体现。
具体如下:
将安全区和危险区内的参数空间进行离散处理,获得供测试的具体场景集合,使用这些具体场景对被测算法进行仿真测试获得测试结果;在针对安全区进行通顺性指标评价时,若测试结果存在碰撞,则不进行安全区场景内的通顺性指标计算,并将安全区内的碰撞结果通过步骤五中的损失模型计算碰撞损失,并将碰撞位置处的场景参数与试验结果置于碰撞集中;当安全区全空间无碰撞产生时,则根据步骤四计算每个具体场景中的单个具体场景通顺性指标及整个安全区内的通顺性指标;根据步骤五计算被测算法在危险区内的避撞性指标;根据步骤六将安全性指标与通顺性指标相结合得到逻辑场景全参数空间的综合评价结果。
步骤三、计算行驶轨迹场;
具体方法如下:
行驶轨迹场指车辆行驶过程中对周围空间影响所残留的轨迹,与车辆的行驶轨迹、对应位置速度、对应位置影响时间、车辆物理参数有关,由于通顺性评价时针对的是同一车辆,因此将车辆物理参数的影响除去;定义的轨迹场如公式(4)所示,当车辆经过操作后停止不动时,计算时长选择通过场景的平均时长;在针对具体时间点的周围空间影响计算如公式(5)所示;
S=∑s (4)
式中,S为行驶轨迹场,即车辆整个行驶过程对周围空间影响的总和;s为瞬时场,即车辆行驶的瞬间对周围时空所造成的影响;rij为不同位置与车辆中心所组成的向量;vi为车辆的速度;θi为rij与vi的夹角;k1和k2为修正参数;将车辆视为一个质点,并将车辆前进方向距离车辆质心1m远处的瞬时场数值视为整个车辆1m内的瞬时场数值。
步骤四、构建安全区内通顺性评估指标;
具体方法如下:
使用被测算法与人类驾驶员自然驾驶数据或预先设定的理想***行驶的轨迹场相似性来对被测算法的通顺性进行评估;在计算完成被测算法和理想***在同一测试场景中的轨迹场之后,首先根据道路长度,每隔5m选取一条采样线段,并在采样线段上选取采样点;选取采样点时要采样距离行驶中心0.5m处的采样点,即首先沿道路方向向前进行采样,采样间隔为5m,在一条采样线段中,以车辆中心点为中心,上下间隔0.5m进行采样,上下各采样4个采样点,加上行驶中心采样点一条采样线段共采样9个点,对每一采样点,被测算法与理性算法在采样点位置处的相似度为
dij=1-|hij1-hij2|/(hij2+hij1) (6)
式中,hij1为采样点处被测自动驾驶***的行驶轨迹场数值;hij2为采样点处理想算法的行驶轨迹场数值;
采样获取整个道路长度上所有的dij,被测算法与理想算法在具体场景中行驶过程的通顺性为
在真实自然驾驶条件下,一个场景发生的概率越高,则驾驶人体会场景的时间越长,场景所占的比重也越大,因此在得到单个具体场景的通顺性评价指标后以概率为权重获取整个安全区内的评价结果,如(8)所示
式中,pi为第i个具体场景在自然驾驶条件下在本类型场景中的发生概率。
步骤五、构建危险区内避撞性评估指标;
具体方法如下:
在进行危险区内的避撞性能评估时,包含两部分的评估内容,一部分为是否可以躲避危险,另一部分为当危险不可避免时是否可以减少碰撞损失;首先定义碰撞损失的概念;
式中,Li是第i个具体场景中被测算法的碰撞损失;w是碰撞过程中被测车辆的保险杠使用率,即保险杠参与碰撞的面积,最小取0.5;ve和vo是被测车辆碰撞时的速度和碰撞障碍物在碰撞时的速度;Ui是碰撞严重度;
除了碰撞损失,不同位置处的场景的重要性权重也是不同的;对于碰撞而言,一旦发生碰撞,其对于乘员而言即为一个确定事件,因此在危险区考虑碰撞的避免能力,而不是相关场景发生的相对概率;
在进行碰撞避免能力的评估时,考虑当前具体场景参数位置与最危险参数位置处的相对距离,距离的计算方法如公式(11)所示
式中,ri是危险区中第i个具体场景的相对权重;ri *为逻辑场景参数空间中最危险的参数点与具体场景参数点形成的向量;ri **是逻辑场景参数空间中最危险的参数点与ri *所在的直线与安全区/危险区边界的交点所形成的向量;
在得到了被测算法在具体场景处的碰撞损失及对应的权重之后,便得到整个危险区内的评价指标;由于理想算法在运行过程中假设其感知***、决策***、执行***全部都以理想状态运行,因此其碰撞损失一定是最小的,因此C的值一定小于等于1。
式中,C是安全性指标;Lgi是理想***在危险区中第i个具体场景中的碰撞损失;nc是所有发生碰撞的具体场景数量。
步骤六、构建逻辑场景全参数空间评价指标。
具体方法如下:
在获取了安全区内的评价指标与危险区内的评价指标之后,将二者结合得到被测算法在整个逻辑场景参数空间中的性能评估;以百分制为基础,被测算法的综合评价指标结果为
S=a·k5·C+b·k6·D (13)
式中,a和b是安全性指标与通顺性指标的相对打分,百分制的情况下二者的和为100;k5和k6是修正参数,当被测***数量低于阈值时,阈值取10,二者可分别取1,当被测***超过阈值时,根据统计结果修正二者的值,使不同测试***的评估结果具有高斯分布或指数分布统计特征。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明的保护范围并不局限于上述实施方式中的具体细节,在本发明的技术构思范围内,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (2)
1.一种面向逻辑场景全参数空间的自动驾驶汽车性能评估方法,其特征在于,包括以下步骤:
步骤一、对逻辑场景参数空间进行分区;
步骤二、确定逻辑场景参数空间不同区域内的评价维度;
步骤三、计算行驶轨迹场;
步骤四、构建安全区内通顺性评估指标;
步骤五、构建危险区内避撞性评估指标;
步骤六、构建逻辑场景全参数空间评价指标;
所述步骤一的具体方法如下:
根据人类驾驶员自然驾驶数据或预先设定合格***行驶过程中的危险情况,将逻辑场景参数空间分为危险区和安全区;所述危险区是指驾驶时可能会发生碰撞的区域;所述安全区是指驾驶时安全,很难发生碰撞的区域;
其中,分区的原则为车辆仅进行减速操作,是否能避免危险;最大制动减速度根据测试场景路面附着系数进行设定,在行驶过程中,搭载合格***或人类驾驶员的车辆能及时准确的感知前方障碍物的各种信息,所述信息包括类型、速度、位置;当车辆行驶至安全距离模型设定的危险距离时,车辆立刻采取减速操作,记录搭载合格***的车辆在整个行驶场景的碰撞时间倒数即ITTC的信息,碰撞时间的倒数的计算公式如公式(1)所示;若整个行驶里程中的ITTC的最大值不大于0.7s-1,则认为场景为一个安全场景,否则认为场景为一个危险场景;
ITTC = v / d (1)
式中,d为被测车辆与障碍物之间的相对距离;v为被测车辆与障碍物之间的相对速度;
由于无法对参数空间中的所有参数组合都进行测试,因此无法通过测试的方法获取精确的危险区与安全区的连续边界;使用高斯过程对边界进行拟合;高斯过程如公式(2)所示:
f(x)~GP(m,k)(2)
式中,f(x)为拟合结果;m为均值函数;k为协方差函数;m定义为0矩阵,核密度函数选择平方指数型核函数,如公式(3)所示:
式中,σf为特征长度标量;σl为信号标准差;x为训练数据;x*为未知位置处的数据;
经过高斯过程拟合,最后将参数空间中的危险部分与***分进行划分,从而得到危险区和安全区;
所述步骤三的具体方法如下:
行驶轨迹场指车辆行驶过程中对周围空间影响所残留的轨迹,与车辆的行驶轨迹、对应位置速度、对应位置影响时间、车辆物理参数有关,由于通顺性评价时针对的是同一车辆,因此将车辆物理参数的影响除去;定义的轨迹场如公式(4)所示,当车辆经过操作后停止不动时,计算时长选择通过场景的平均时长;在针对具体时间点的周围空间影响计算如公式(5)所示;
S=Σs (4)
式中,S为行驶轨迹场,即车辆整个行驶过程对周围空间影响的总和;s为瞬时场,即车辆行驶的瞬间对周围时空所造成的影响;rij为不同位置与车辆中心所组成的向量;vi为车辆的速度;θi为rij与vi的夹角;k1和k2为修正参数;将车辆视为一个质点,并将车辆前进方向距离车辆质心1m远处的瞬时场数值视为整个车辆1m内的瞬时场数值;
所述步骤四的具体方法如下:
使用被测算法与人类驾驶员自然驾驶数据或预先设定的理想***行驶的轨迹场相似性来对被测算法的通顺性进行评估;在计算完成被测算法和理想***在同一测试场景中的轨迹场之后,首先根据道路长度,每隔5m选取一条采样线段,并在采样线段上选取采样点;选取采样点时要采样距离行驶中心0.5m处的采样点,即首先沿道路方向向前进行采样,采样间隔为5m,在一条采样线段中,以车辆中心点为中心,上下间隔0.5m进行采样,上下各采样4个采样点,加上行驶中心采样点一条采样线段共采样9个点,对每一采样点,被测算法与理性算法在采样点位置处的相似度为
dij=1-|hij1-hij2|/(hij2+hij1) (6)
式中,hij1为采样点处被测自动驾驶***的行驶轨迹场数值;hij2为采样点处理想算法或人类驾驶员的行驶轨迹场数值;
采样获取整个道路长度上所有的dij,被测算法在整个行驶过程的通顺性为
式中,n是dij的采样数量;
在真实自然驾驶条件下,一个场景发生的概率越高,则驾驶人体会场景的时间越长,场景所占的比重也越大,因此在得到单个具体场景的通顺性评价指标后以概率为权重获取整个安全区内的评价结果,如(8)所示
式中,pi是第i个具体场景在自然驾驶条件下在本类型场景中的发生概率;
所述步骤五的具体方法如下:
在进行危险区内的避撞性能评估时,包含两部分的评估内容,一部分为是否可以躲避危险,另一部分为当危险不可避免时是否可以减少碰撞损失;首先定义碰撞损失的概念;
式中,Li是第i个具体场景中被测算法的碰撞损失;w是碰撞过程中被测车辆的保险杠使用率,即保险杠参与碰撞的面积,最小取0.5;ve和vo是被测车辆碰撞时的速度和碰撞障碍物在碰撞时的速度;Ui是碰撞严重度;
除了碰撞损失,不同位置处的场景的重要性权重也是不同的;对于碰撞而言,一旦发生碰撞,其对于乘员而言即为一个确定事件,因此在危险区考虑碰撞的避免能力,而不是相关场景发生的相对概率;
在进行碰撞避免能力的评估时,考虑当前具体场景参数位置与最危险参数位置处的相对距离,距离的计算方法如公式(11)所示
式中,ri是危险区中第i个具体场景的相对权重;ri *为逻辑场景参数空间中最危险的参数点与具体场景参数点形成的向量;ri **是逻辑场景参数空间中最危险的参数点与ri *所在的直线与安全区/危险区边界的交点所形成的向量;
在得到了被测算法在具体场景处的碰撞损失及对应的权重之后,便得到整个危险区内的评价指标;由于理想算法在运行过程中假设其感知***、决策***、执行***全部都以理想状态运行,因此其碰撞损失一定是最小的,因此C的值一定小于等于1;
式中,C是安全性指标;Lgi是理想***在危险区中第i个具体场景中的碰撞损失;nc是所有发生碰撞的具体场景数量;Li是第i个具体场景中被测算法的碰撞损失;
所述步骤六的具体方法如下:
在获取了安全区内的评价指标与危险区内的评价指标之后,将二者结合得到被测算法在整个逻辑场景参数空间中的性能评估;以百分制为基础,被测算法的综合评价指标结果为
S=a·k5·C+b·k6·D (13)
式中,a和b是安全性指标与通顺性指标的相对打分,百分制的情况下二者的和为100;k5和k6是修正参数,当被测***数量低于阈值时,阈值取10,二者分别取1,当被测***超过阈值时,根据统计结果修正二者的值,使不同测试***的评估结果具有高斯分布或指数分布统计特征。
2.根据权利要求1所述的一种面向逻辑场景全参数空间的自动驾驶汽车性能评估方法,其特征在于,所述步骤二的具体方法如下:
所述危险区内的评价维度由避撞性指标体现;所述安全区内的评价维度由通顺性指标体现。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210285067.9A CN114896754B (zh) | 2022-03-22 | 2022-03-22 | 面向逻辑场景全参数空间的自动驾驶***性能评估方法 |
US17/943,167 US20230304896A1 (en) | 2022-03-22 | 2022-09-12 | Method for evaluating performance of self-driving vehicle oriented to full parameter space of logical scenario |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210285067.9A CN114896754B (zh) | 2022-03-22 | 2022-03-22 | 面向逻辑场景全参数空间的自动驾驶***性能评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114896754A CN114896754A (zh) | 2022-08-12 |
CN114896754B true CN114896754B (zh) | 2024-06-04 |
Family
ID=82715577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210285067.9A Active CN114896754B (zh) | 2022-03-22 | 2022-03-22 | 面向逻辑场景全参数空间的自动驾驶***性能评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114896754B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117698770B (zh) * | 2024-02-06 | 2024-04-12 | 北京航空航天大学 | 基于多场景融合的自动驾驶决策安全碰撞风险评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019215599A (ja) * | 2018-06-11 | 2019-12-19 | アイシン・エィ・ダブリュ株式会社 | 運転評価装置、及び運転評価プログラム |
US10831207B1 (en) * | 2018-08-22 | 2020-11-10 | BlueOwl, LLC | System and method for evaluating the performance of a vehicle operated by a driving automation system |
CN113419942A (zh) * | 2021-04-30 | 2021-09-21 | 吉林大学 | 一种基于自然驾驶数据的自动驾驶安全性评价方法 |
CN113985875A (zh) * | 2021-10-27 | 2022-01-28 | 福州大学 | 基于碰撞预测模型的人工势场无人车动态路径规划方法 |
CN114021327A (zh) * | 2021-10-28 | 2022-02-08 | 同济大学 | 一种自动驾驶汽车感知***性能量化评估方法 |
-
2022
- 2022-03-22 CN CN202210285067.9A patent/CN114896754B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019215599A (ja) * | 2018-06-11 | 2019-12-19 | アイシン・エィ・ダブリュ株式会社 | 運転評価装置、及び運転評価プログラム |
US10831207B1 (en) * | 2018-08-22 | 2020-11-10 | BlueOwl, LLC | System and method for evaluating the performance of a vehicle operated by a driving automation system |
CN113419942A (zh) * | 2021-04-30 | 2021-09-21 | 吉林大学 | 一种基于自然驾驶数据的自动驾驶安全性评价方法 |
CN113985875A (zh) * | 2021-10-27 | 2022-01-28 | 福州大学 | 基于碰撞预测模型的人工势场无人车动态路径规划方法 |
CN114021327A (zh) * | 2021-10-28 | 2022-02-08 | 同济大学 | 一种自动驾驶汽车感知***性能量化评估方法 |
Non-Patent Citations (1)
Title |
---|
面向多维度逻辑场景的自动驾驶安全性聚类评价方法;朱冰等;《汽车工程》;20201125;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114896754A (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110949398B (zh) | 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 | |
US20230304896A1 (en) | Method for evaluating performance of self-driving vehicle oriented to full parameter space of logical scenario | |
CN109871599B (zh) | 一种无人驾驶车辆运行安全指数评价方法 | |
Deng et al. | Improved driving behaviors prediction based on fuzzy logic-hidden markov model (fl-hmm) | |
CN114896754B (zh) | 面向逻辑场景全参数空间的自动驾驶***性能评估方法 | |
CN111243338A (zh) | 基于车辆加速度的碰撞风险评价方法 | |
CN112365706B (zh) | 一种基于多源信息的异常车距辨识方法 | |
CN111582586A (zh) | 用于减少抖动的多车队驾驶危险预测***与方法 | |
CN112183947A (zh) | 轨道交通车辆综合评价方法、装置、电子设备及存储介质 | |
CN116135640A (zh) | 一种车辆防碰撞预警方法、***及车辆 | |
CN114090404B (zh) | 一种考虑效率和覆盖度的自动驾驶加速测试方法 | |
JP5750179B1 (ja) | 自動ブレーキシステムの評価支援プログラム、及び評価支援装置 | |
CN110843767A (zh) | 一种基于样条理论的自动入库泊车方法及*** | |
CN117809458A (zh) | 一种交通事故风险实时评估方法及*** | |
CN112172829B (zh) | 车道偏离预警方法、装置、电子设备和存储介质 | |
CN113592221A (zh) | 基于安全替代评价指标的道路路段风险动态评估方法 | |
CN117235656A (zh) | 一种基于大数据和云计算的城市交通管理***及方法 | |
CN117111578A (zh) | 一种自动驾驶***探测盲区导向模糊测试方法及*** | |
CN110047167A (zh) | 车辆急转弯次数等效统计方法 | |
CN114996116A (zh) | 一种针对自动驾驶***的拟人性评价方法 | |
CN113722982A (zh) | 一种基于多模型融合的汽车传感器攻击检测与防御方法 | |
CN115731261B (zh) | 基于高速公路雷达数据的车辆换道行为识别方法及*** | |
CN117125083B (zh) | 考虑驾驶风格倾性的车辆跟驰行为风险量化方法 | |
CN117104255B (zh) | 一种智能驾驶车辆智能感知人车交互***及方法 | |
CN117719524B (zh) | 一种驾驶安全风险识别预警方法、装置、终端及存储介质 |
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 |