[發明專利]基于感知缺陷的自動駕駛測試場景的評價方法

有效

• 申請號: 201910236167.0
• 申請日: 2019-03-27
• 公開（公告）號: CN110020797B
• 公開（公告）日: 2023-06-09
• 發明（設計）人: 管時華;潘舟金;楊舒涵
• 申請（專利權）人: 清華大學蘇州汽車研究院（吳江）
• 主分類號: G06Q10/063
• 分類號: G06Q10/063;G01M17/007;G05B23/02
• 代理公司: 蘇州創元專利商標事務所有限公司 32103
• 代理人: 范晴;丁浩秋

本發明公開了一種基于感知缺陷的自動駕駛測試場景的評價方法，包括：獲取用于測試的自動駕駛場景；根據自動駕駛場景的靜態和動態交通要素計算道路風險暴露程度、事故產生風險等級、事故嚴重程度；根據不同類型車載傳感器的感知程度將自動駕駛場景進行分類，所述感知程度包括完全感知、部分感知或不能感知，對每一類自動駕駛場景進行風險等級評級，得到感知缺陷風險等級；根據得到的風險暴露程度、事故產生風險等級、事故嚴重程度及感知缺陷風險等級，建立評價模型進行評價。從感知層面出發，對自動駕駛測試場景進行分級和評價，識別出關鍵具體場景，能全面、正確評價自動駕駛場景風險程度。

技術領域

本發明涉及自動駕駛性能的測試技術領域，具體地涉及一種基于感知缺陷的自動駕駛測試場景的評價方法。

背景技術

自動駕駛車輛一般通過車輛上的各種傳感器來感知道路環境、規劃行車路線。需要對自動駕駛車輛的自動駕駛性能進行測試來保證行駛的準確性和安全性，測試和驗證是智能網聯汽車發展的重要環節，構建自動駕駛測試場景尤為重要，識別關鍵場景是驗證智能網聯汽車的關鍵。目前識別關鍵場景的方法主要有：用道路潛伏風險分析法分析自動駕駛場景、使用安全和交通質量作為評價指標識別出關鍵場景。目前自動駕駛場景風險程度主要考慮道路風險暴露程度、事故產生風險和事故嚴重程度三種，不能正確評價自動駕駛場景風險程度。例如，2018年5月7日，直行的特斯拉Model?S迎面撞上了正轉向的卡車，導致Model?S駕駛員身亡，事故發生時Model?S正由特斯拉Autopilot自動駕駛系統控制。事故特斯拉配備8個攝像頭、1個毫米波雷達、12個超聲波雷達等。調查結果中提到，由于特斯拉Autopilot系統并未檢測到前方車輛，特斯拉駕駛員也未專心于駕駛，均是導致事故的原因。特斯拉直行在普通道路，其道路風險暴露程度、事故產生風險和事故嚴重程度等級值都是比較低的，說明自動駕駛場景下道路潛伏風險比較低。自動駕駛場景的風險等級在正常范圍，可判斷特斯拉事故場景為正常場景，系統不會預警。

中國專利文獻CN?108267322公開了一種對自動駕駛性能進行測試的方法，包括：接收由安裝在人工駕駛車輛上的傳感器中的一些所采集的與實際交通場景有關的數據；基于所述數據來構建針對自動駕駛性能的測試場景；以及在構建的測試場景中測試所述自動駕駛性能。測試場景易于構建，并且能夠反映真實的交通環境，使得對自動駕駛性能的測試結果更加準確。但是其也僅僅考慮了道路的交通環境，不能正確評價自動駕駛場景風險程度。本發明因此而來。

發明內容

針對上述技術問題，本發明提出了一種基于感知缺陷的自動駕駛測試場景的評價方法，從感知層面出發，對自動駕駛測試場景進行分級和評價，識別出關鍵具體場景，能全面、正確評價自動駕駛場景風險程度。

本發明的技術方案是：

一種基于感知缺陷的自動駕駛測試場景的評價方法，包括以下步驟：

S01：獲取用于測試的自動駕駛場景；

S02：根據自動駕駛場景的靜態和動態交通要素計算道路風險暴露程度、事故產生風險等級、事故嚴重程度；

S03：根據不同類型車載傳感器的感知程度將自動駕駛場景進行分類，所述感知程度包括完全感知、部分感知或不能感知，對每一類自動駕駛場景進行風險等級評級，得到感知缺陷風險等級；

S04：根據得到的風險暴露程度、事故產生風險等級、事故嚴重程度及感知缺陷風險等級，建立評價模型進行評價。

優選的技術方案中，所述步驟S02中傳感器的種類為3種，包括毫米波雷達、激光雷達和攝像頭，所述分類包括三種傳感器完全感知、三種傳感器都不能感知、三種傳感器都能部分感知、兩種傳感器完全感知一種部分感知、兩種傳感器部分感知一種完全感知、兩種傳感器完全感知一種不能感知、一種傳感器完全感知一種部分感知一種不能感知、兩種傳感器不能感知一種完全感知、兩種傳感器部分感知一種不能感知、兩種傳感器不能感知一種部分感知；將上述分類按照風險等級評級，分為10個等級。