[發(fā)明專利]一種基于勢(shì)場(chǎng)法和信息熵的自動(dòng)駕駛安全性評(píng)價(jià)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110703878.1
• 申請(qǐng)日: 2021-06-24
• 公開（公告）號(hào): CN113377662B
• 公開（公告）日: 2022-09-27
• 發(fā)明（設(shè)計(jì)）人: 朱冰;張培興;趙健;孫宇航;范天昕
• 申請(qǐng)（專利權(quán)）人: 吉林大學(xué)
• 主分類號(hào): G06F11/36
• 分類號(hào): G06F11/36
• 代理公司: 長春吉大專利代理有限責(zé)任公司 22201
• 代理人: 崔斌

1.一種基于勢(shì)場(chǎng)法和信息熵的自動(dòng)駕駛安全性評(píng)價(jià)方法，其特征在于，包括以下步驟：

步驟一、對(duì)邏輯場(chǎng)景內(nèi)參數(shù)概率分布使用高斯分布進(jìn)行描述，收集被測(cè)邏輯場(chǎng)景的相對(duì)發(fā)生概率；

步驟二、基于場(chǎng)景測(cè)試特征，將被測(cè)算法的危險(xiǎn)指標(biāo)分為具體場(chǎng)景固有風(fēng)險(xiǎn)指標(biāo)、具體場(chǎng)景失效風(fēng)險(xiǎn)指標(biāo)、具體場(chǎng)景危險(xiǎn)度、單邏輯場(chǎng)景危險(xiǎn)度和多邏輯場(chǎng)景危險(xiǎn)度；

步驟三、計(jì)算具體場(chǎng)景固有風(fēng)險(xiǎn)指標(biāo)；

步驟四、計(jì)算被測(cè)算法在不同具體場(chǎng)景失效風(fēng)險(xiǎn)指標(biāo)；

步驟五、計(jì)算被測(cè)算法在不同具體場(chǎng)景危險(xiǎn)度；

步驟六、計(jì)算被測(cè)算法在單邏輯場(chǎng)景中的危險(xiǎn)度；

步驟七、計(jì)算被測(cè)算法在多邏輯場(chǎng)景中的危險(xiǎn)度；

所述步驟一的具體方法如下：

使用開源自然駕駛數(shù)據(jù)集或自建自然駕駛數(shù)據(jù)采集平臺(tái)收集需要測(cè)試的邏輯場(chǎng)景場(chǎng)景要素?cái)?shù)據(jù)，對(duì)同一邏輯場(chǎng)景內(nèi)的不同場(chǎng)景要素分布范圍使用高斯分布進(jìn)行描述，如公式(1)，對(duì)不同邏輯場(chǎng)景的相對(duì)發(fā)生概率使用表格方式進(jìn)行記錄，計(jì)算公式如(2)所示，所有邏輯場(chǎng)景的相對(duì)發(fā)生概率的和為1；

其中，x_ij為第i類場(chǎng)景要素在j處的取值；Pij為第i類場(chǎng)景要素在j處的概率；σ_i為第i類場(chǎng)景要素的標(biāo)準(zhǔn)差；μ_i為第i類場(chǎng)景要素的均值；

其中，P_h為第h種邏輯場(chǎng)景的相對(duì)發(fā)生頻率；n_h為第h種邏輯場(chǎng)景在自然駕駛數(shù)據(jù)中的發(fā)生次數(shù)；n_all為自然駕駛數(shù)據(jù)中所有被測(cè)邏輯場(chǎng)景的發(fā)生總次數(shù)；

所述步驟三的具體方法如下：

31)通過邏輯場(chǎng)景最危險(xiǎn)點(diǎn)對(duì)不同具體場(chǎng)景參數(shù)形成的引力場(chǎng)描述具體場(chǎng)景固有危險(xiǎn)性指標(biāo)，如公式(3)；距離最危險(xiǎn)點(diǎn)距離的遠(yuǎn)近表達(dá)了具體場(chǎng)景參數(shù)理論情況下的危險(xiǎn)程度，邏輯場(chǎng)景最危險(xiǎn)點(diǎn)是理論情況下該邏輯場(chǎng)景中最容易發(fā)生事故的位置；

其中，U_inherent為不同具體場(chǎng)景參數(shù)的固有危險(xiǎn)性指標(biāo)；ξ為最危險(xiǎn)點(diǎn)對(duì)不同點(diǎn)的引力增益；d(q,q_danger)為最危險(xiǎn)點(diǎn)與不同具體場(chǎng)景參數(shù)距離的函數(shù)；

32)使用標(biāo)準(zhǔn)化函數(shù)歸一不同參數(shù)的距離維度；隨后通過熵權(quán)法計(jì)算不同場(chǎng)景要素的距離權(quán)重，根據(jù)距離權(quán)重計(jì)算標(biāo)準(zhǔn)化坐標(biāo)系下的不同具體場(chǎng)景參數(shù)的距離函數(shù)，并將該距離映射到實(shí)際測(cè)試場(chǎng)景坐標(biāo)系中不同具體場(chǎng)景參數(shù)距離邏輯場(chǎng)景最危險(xiǎn)點(diǎn)的距離；由于測(cè)試對(duì)于具體場(chǎng)景的測(cè)試方法是基于邏輯場(chǎng)景中所有具體場(chǎng)景的遍歷測(cè)試，采樣點(diǎn)的選擇呈現(xiàn)均勻分布，因此選擇min-max標(biāo)準(zhǔn)化方法將一類場(chǎng)景要素?cái)?shù)值歸一至0-1之間，所述場(chǎng)景要素如公式(4)所示：

其中，q_i'為標(biāo)準(zhǔn)化之后的要素參數(shù)；q_i是標(biāo)準(zhǔn)化之前的要素參數(shù)；q_{i_max}是標(biāo)準(zhǔn)化之前要素參數(shù)的最大值；q_{i_min}是標(biāo)準(zhǔn)化之前要素參數(shù)的最小值；

33)通過熵權(quán)法計(jì)算不同場(chǎng)景要素的權(quán)重；首先使用公式(5)計(jì)算權(quán)重信息熵，權(quán)重信息熵越小，該指標(biāo)的變異程度越大，提供的信息量越多，當(dāng)發(fā)生改變時(shí)其作用也較為明顯，其應(yīng)該有較大的權(quán)重；

其中，h_j為該類場(chǎng)景要素的權(quán)重信息熵；p_ij是該類場(chǎng)景要素離散得到的每個(gè)參數(shù)標(biāo)準(zhǔn)化后的重要程度；n為該邏輯場(chǎng)景離散所得的所有具體場(chǎng)景數(shù)量；q_ij'為第i個(gè)具體場(chǎng)景在第j個(gè)維度的標(biāo)準(zhǔn)化后的值；下標(biāo)j為該類場(chǎng)景要素；下標(biāo)i為該類場(chǎng)景要素離散得到的數(shù)值；

34)根據(jù)不同場(chǎng)景要到的權(quán)重信息熵，計(jì)算不同場(chǎng)景要素的權(quán)重，如公式(7)所示：

其中，w_j為不同場(chǎng)景要素的權(quán)重；h_j為該類場(chǎng)景要素的權(quán)重信息熵；k為場(chǎng)景要素的總數(shù)；

35)根據(jù)得到的不同場(chǎng)景要素權(quán)重，距離函數(shù)d(q,q_danger)的計(jì)算過程如下：

其中，k為場(chǎng)景要素的數(shù)量；w_j為不同場(chǎng)景要素的權(quán)重；q'_{danger_j}為最危險(xiǎn)點(diǎn)中不同場(chǎng)景要素的值；q'_j為樣本點(diǎn)中不同場(chǎng)景要素的值；下標(biāo)j為不同的場(chǎng)景要素類型；

所述步驟四的具體方法如下：

使用碰撞或失效危險(xiǎn)參數(shù)點(diǎn)對(duì)周圍其他點(diǎn)形成的引力場(chǎng)作為不同具體場(chǎng)景的碰撞或失效危險(xiǎn)性指標(biāo)；

其中，U_failure為具體場(chǎng)景的碰撞或失效危險(xiǎn)性指標(biāo)；η為引力增益；d(q,q_danger)為最危險(xiǎn)點(diǎn)與不同具體場(chǎng)景參數(shù)距離的函數(shù)；d*為碰撞或失效危險(xiǎn)點(diǎn)的作用距離閾值，大于此距離的場(chǎng)景危險(xiǎn)點(diǎn)不會(huì)產(chǎn)生引力；

所述步驟六的具體方法如下：

將邏輯場(chǎng)景內(nèi)所有具體場(chǎng)景進(jìn)行積分，獲得被測(cè)自動(dòng)駕駛算法在該邏輯場(chǎng)景下的總體危險(xiǎn)性評(píng)價(jià)指標(biāo)，如公式(11)所示：

其中，S是邏輯場(chǎng)景形成的參數(shù)空間；q為邏輯場(chǎng)景內(nèi)的具體場(chǎng)景；U_l為該邏輯場(chǎng)景的危險(xiǎn)評(píng)價(jià)指標(biāo)；U_c為邏輯場(chǎng)景內(nèi)不同具體場(chǎng)景的危險(xiǎn)評(píng)價(jià)指標(biāo)。