一种自动驾驶测试场景复杂度分析方法及系统技术方案

本发明专利技术公开了一种自动驾驶测试场景复杂度分析方法，涉及无人驾驶技术领域，包括对目标场景片段进行逐帧信息提取；建立单帧场景数据复杂度分析架构；对于目标场景片段中的每一帧场景数据，分别对该帧场景数据中的每个上级层级构建对应的下级层级的模糊判断矩阵；对模糊判断矩阵进行去模糊化处理，得到各个评测指标相对于目标层的权重值；对各个评测指标进行标准化处理，得到该帧场景数据的复杂度；将所有帧数据的复杂度进行加权平均，得到目标场景复杂度。本发明专利技术结合了专家经验与基于数据驱动的场景复杂度分析评价方案，充分利用专家的经验，并转化为可量化的信息，处理了专家经验存在偏差的问题，对自动驾驶测试场景复杂程度的分析准确性更高。分析准确性更高。分析准确性更高。

【技术实现步骤摘要】
一种自动驾驶测试场景复杂度分析方法及系统


[0001]本专利技术涉及无人驾驶
，特别是涉及一种自动驾驶测试场景复杂度分析方法及系统。

技术介绍

[0002]目前国内外的相关企业或科研机构着重在自动驾驶各个模块的算法迭代优化上，但与之相对应的自动驾驶汽车的测试评估却还刚刚起步，在测试场景分析与场景片段的选择、搭配和建设上还缺乏系统的理论研究和支撑，使得在测试场景的评估上系统性较弱，缺乏合理有效的系统对各种自动驾驶典型测试场景的复杂度评价，导致在场景的设计与筛选上存在一定的冗余，并且也难以区分当前自动驾驶系统在某一类别场景下不同复杂程度的子场景的表现差异。
[0003]当前对于自动驾驶测试场景的评估分析技术方案，主要包含两大类，其一是基于专家经验驱动的，主要是基于交通参与者以及相关的环境信息，由相应的专家结合个人的历史经验直接进行综合打分评价；另一种则是基于数据的量化评估，更多的将各个交通参与者的相关指标进行量化统计计算，并基于此进行指标分析或者设计模型进行训练，以此得到对于场景复杂度的分析与评价。
[0004]针对基于经验驱动的分析方案，主要是针对该场景数据中的各个交通参与者以及当时的相关环境信息，由相应的专家结合自身的经验进行一个综合评价打分，以此得到对于该场景的一个评价结果，但该方案存在的问题在于各个专家的经验以及主观感受存在差异，并且无法有效的对其进行量化评价。另一种则是基于数据的量化评估，如基于引力模型的道路交通环境复杂度计算方法，使用信息熵理论建立交通环境复杂度模型，实现道路交通环境静、动态复杂程度的具体量化，但这种对于场景数据库的依赖较大，在场景数据不够齐全的情况下会影响对于场景复杂度评估的准确性，同时对于一些不易量化的指标也无法很好将其纳入该类别场景的复杂度分析中，也没有充分利用好专家经验。

技术实现思路

[0005]本专利技术所要解决的技术问题是，克服现有技术的缺点，提供一种自动驾驶测试场景复杂度分析方法及系统。
[0006]为了解决以上技术问题，本专利技术的技术方案如下：
[0007]一种自动驾驶测试场景复杂度分析方法，包括，
[0008]对目标场景片段进行逐帧信息提取；
[0009]建立单帧场景数据复杂度分析架构，所述单帧场景数据复杂度分析架构包括目标层、模块层、准则层和指标层，所述目标层为单帧场景数据的场景复杂度，所述模块层为单帧场景数据的场景组成要素，所述准则层为对应场景组成要素分解细化后产生的子要素，所述指标层为基于每个子要素提取出的评测指标；
[0010]对于目标场景片段中的每一帧场景数据，采用模糊层次分析法分别对每个层级中
的某一类别各项指标之间构建模糊判断矩阵；
[0011]对模糊判断矩阵进行去模糊化处理，得到指标层相对于准则层的权重值、准则层相对于模块层的权重值以及模块层相对于目标层的权重值，并以此计算得到指标层中各个评测指标相对于目标层的权重值；
[0012]对各个评测指标进行标准化处理，结合TOPSIS方法将标准化后的各个评测指标自身的数值以及各个评测指标相对于目标层的权重值进行综合计算，得到该帧场景数据的复杂度；
[0013]将计算得到的所有帧数据的复杂度进行加权平均，计算得到目标场景的复杂度量化结果。
[0014]作为本专利技术所述自动驾驶测试场景复杂度分析方法的一种优选方案，其中：所述对模糊判断矩阵进行去模糊化处理包括，
[0015]首先，专家基于其经验对不同指标之间的重要程度进行打分，依次构成模糊判断矩阵表1为成对比较的模糊判断矩阵。
[0016][0017]表1
[0018]其中，代表指标i相对指标j的重要程度的模糊值。
[0019]模糊层次分析法采用的标度值是模糊数。通过将评分专家重要程度判断的语言化描述转换成相应的模糊数，构建出模糊判断矩阵。模糊数的形态有很多，包括了正态分布、梯形分布、三角形分布、S型分布等。以下仅以三角分布为例来说明，用(l，m，u)的参数形式表示。其中，l≤m≤u，l，m，u分别代表模糊集的下限值，中值与上限值，模糊集的隶属度函数μ如下所示。
[0020][0021]模糊层次分析法的标度值可以用表示，模糊数和权重的语义描述之间的对应关系如表2所示。
[0022][0023]表2
[0024]对于每个上级层级的指标类别，都可以构建出对应的下级层级的模糊判断矩阵如式X所示。
[0025]公式X：
[0026]式中，l
ji
＝1/u
ij
，m
ji
＝1/m
ij
，u
ji
＝1/u
ij
，i≠j。
[0027]不同的评价专家的打分结果会构建出不同的判断矩阵，在计算最终的模糊判断矩阵时，需要对于多个专家矩阵结果进行模糊数的整合。
[0028]参照公式1计算模糊判断矩阵中下级层级的各个指标类别的模糊数，公式1为
[0029]其中，D
i
表示第i个指标类别的综合模糊值，表示指标类别i相对于指标类别i的重要程度的模糊值；
[0030]参照公式2～公式4进行去模糊化计算，公式2为
[0031]公式3为公式4
为
[0032]其中，P(D
i
＞D
j
)表示D
i
＞D
j
的可能性，表示去模糊化计算得到的第i个指标类别的权重值。
[0033]作为本专利技术所述自动驾驶测试场景复杂度分析方法的一种优选方案，其中：所述得到指标层相对于准则层的权重值、准则层相对于模块层的权重值以及模块层相对于目标层的权重值，并以此计算得到指标层中各个评测指标相对于目标层的权重值包括，
[0034]参照公式5计算指标层中各个评测指标相对于目标层的权重值，公式5为：W
Target_to_index
＝W
FAHP_index_to_rule
*W
FAHP_Rule_to_module
*W
FAHP_module_to_target
，
[0035]其中，W
Target_to_index
表示指标层相对于目标层的权重值，W
FAHP_index_to_rule
表示指标层相对于准则层的权重值，W
FAHP_Rule_to_module
表示准则层相对于模块层的权重值，W
FAHP_module_to_target
表示模块层相对于目标层的权重值。
[0036]作为本专利技术所述自动驾驶测试场景复杂度分析方法的一种优选方案，其中：所述将标准化后的各个评测指标以及各个评测指标相对于目标层的权重值进行综合计算，得到该帧场景数据的复杂度包括，
[0037]参照公式6～公式8计算该帧场景数据的复杂度，公式6为公式7为公式8为
[0038]其中，表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动驾驶测试场景复杂度分析方法，其特征在于：包括，对目标场景片段进行逐帧信息提取；建立单帧场景数据复杂度分析架构，所述单帧场景数据复杂度分析架构包括目标层、模块层、准则层和指标层，所述目标层为单帧场景数据的场景复杂度，所述模块层为单帧场景数据的场景组成要素，所述准则层为对应场景组成要素分解细化后产生的子要素，所述指标层为基于每个子要素提取出的评测指标；对于目标场景片段中的每一帧场景数据，采用模糊层次分析法分别对每个层级中的某一类别各项指标之间构建模糊判断矩阵；对模糊判断矩阵进行去模糊化处理，得到指标层相对于准则层的权重值、准则层相对于模块层的权重值以及模块层相对于目标层的权重值，并以此计算得到指标层中各个评测指标相对于目标层的权重值；对各个评测指标进行标准化处理，结合TOPSIS方法将标准化后的各个评测指标自身的数值以及各个评测指标相对于目标层的权重值进行综合计算，得到该帧场景数据的复杂度；将计算得到的所有帧数据的复杂度进行加权平均，计算得到目标场景的复杂度量化结果。2.根据权利要求1所述的自动驾驶测试场景复杂度分析方法，其特征在于：所述对模糊判断矩阵进行去模糊化处理包括，参照公式1计算模糊判断矩阵中下级层级的各个指标类别的模糊数，公式1为其中，D
i
表示第i个指标类别的综合模糊值，表示指标类别i相对于指标类别j的重要程度的模糊值；参照公式2～公式4进行去模糊化计算，公式2为公式3为公式4为其中，P(D
i
＞D
j
)表示D
i
＞D
j
的可能性，表示去模糊化计算得到的指标层到准则层的权重值。3.根据权利要求1所述的自动驾驶测试场景复杂度分析方法，其特征在于：所述得到指标层相对于准则层的权重值、准则层相对于模块层的权重值以及模块层相对于目标层的权
重值，并以此计算得到指标层中各个评测指标相对于目标层的权重值包括，参照公式5计算指标层中各个评测指标相对于目标层的权重值，公式5为：W
Target_to_index
＝W
FAHP_index_to_rule
*W
FAHP_Rule_to_module
*W
FAHP_module_to_target
，其中，W
Target_to_index
表示指标层相对于...

【专利技术属性】
技术研发人员：何露，王劲，
申请(专利权)人：中智行上海交通科技有限公司，
类型：发明
国别省市：