无人车自主能力评估方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种无人车自主能力评估方法、装置、设备及存储介质，涉及自动驾驶领域。所述方法包括：获取针对参考无人车的多个测试任务；获取测试任务的任务困难度计算所基于的度量值；获取测试任务的测试数据；获取测试任务的环境复杂度计算所基于的度量值；获取测试任务的任务完成质量；获取多个任务样本，基于多个任务样本调整任务评估模型、环境评估模型以及自主能力等级模型的参数；通过任务评估模型和环境评估模型，计算多个测试任务的任务困难度和环境复杂度，并结合多个测试任务的任务完成质量，获取自主能力边界曲线；通过自主能力等级模型和自主能力边界曲线，评估目标无人车的自主能力。本发明专利技术实现了对无人车自主能力水平的准确评估。水平的准确评估。水平的准确评估。

【技术实现步骤摘要】
无人车自主能力评估方法、装置、设备及存储介质


[0001]本专利技术涉及自动驾驶
，具体涉及一种无人车自主能力评估方法、装置、设备及存储介质。

技术介绍

[0002]无人驾驶汽车(简称为“无人车”)的快速发展，离不开良好的评估体系以及基于该评估体系的评估方法，良好的评估体系和评估方法能够有效地指导自动驾驶技术的发展。
[0003][0004]因此，预设客观的评估体系对促进自动驾驶的安全可靠发展具有重大意义。目前国内外进行了多次自动驾驶比赛和测试，虽然都对无人车做出了评价，但仅仅是从任务完成角度实现性能的考察，对无人车的自主能力水平并未做出分析及评价。并且，相关技术中对无人车的性能考察仅仅基于单次测试任务的测试数据，准确度较低。

技术实现思路

[0005]为克服现有技术的不足，本专利技术提出了一种无人车自主能力评估方法、装置、设备及存储介质，实现了对无人车自主能力水平的快速准确评估。本专利技术的技术解决方案，包括：
[0006]一种无人车自主能力评估方法，所述方法包括：
[0007]获取针对参考无人车的多个测试任务，所述测试任务是实际用于测试的自动驾驶任务；
[0008]按照任务评估模型分别拆解多个测试任务，得到每个测试任务的任务困难度计算所基于的度量值；其中，所述任务评估模型是反映自动驾驶任务执行困难程度的多层次模型；
[0009]分别运行多个测试任务，获取每个测试任务的测试数据；
[0010]按照环境评估模型基于每个测试任务的测试数据，获取相应测试任务的环境复杂度计算所基于的度量值；其中，所述环境评估模型是反映自动驾驶任务中测试场景复杂程度的多层次模型；
[0011]按照质量评估模型基于每个测试任务的测试数据，获取相应测试任务的任务完成质量；其中，所述质量评估模型是反映自动驾驶任务执行情况的多层次模型；
[0012]获取多个任务样本，并基于多个任务样本调整所述任务评估模型、所述环境评估模型以及自主能力等级模型的参数；其中，所述自主能力等级模型用于通过自动驾驶任务的任务困难度和环境复杂度来评估无人车的自主能力；
[0013]通过所述任务评估模型和所述环境评估模型，分别计算多个测试任务的任务困难度和环境复杂度，并结合多个测试任务的任务完成质量，获取自主能力边界曲线；其中，所述自主能力边界曲线用于反映在确保自动驾驶任务执行成功的情况下，无人车自主能力所能达到的最高水平；
[0014]通过所述自主能力等级模型和所述自主能力边界曲线，评估目标无人车的自主能力，所述目标无人车和所述参考无人车为同一辆无人车或者为同一类型无人车。
[0015]可选地，所述任务评估模型包括特性层、子特性层以及度量元层；所述特性层包括任务困难度；所述子特性层包括所述任务困难度计算所基于的感知子特性、规划子特性和控制子特性；所述度量元层包括：所述感知子特性计算所基于的感知范围、感知类型和感知精度，所述规划子特性计算所基于的规划协同和驾驶行为，所述控制子特性计算所基于的横向控制和纵向控制。
[0016]可选地，所述环境评估模型包括特性层、子特性层以及度量元层；所述特性层包括环境复杂度；所述子特性层包括所述环境复杂度计算所基于的静态环境子特性、动态环境子特性、气象环境子特性和场景事故子特性；所述度量元层包括：所述静态环境子特性计算所基于的道路环境、交通环境、静态障碍物平均密度和静态障碍物平均大小，所述动态环境子特性计算所基于的动态障碍物密度、交通流平均速度和交通流平均加速度，所述气象环境子特性计算所基于的天气环境和光照环境，所述场景事故子特性计算所基于的场景事故数量、无人车到事故地点的最小距离和无人车受事故影响时长。
[0017]可选地，所述质量评估模型包括特性层、子特性层以及度量元层；所述特性层包括：任务完成质量；所述子特性层包括：所述任务完成质量计算所基于的安全性、平稳性、交规遵守情况和任务完成度；所述度量元层包括：所述安全性计算所基于的每公里碰撞次数、避障失败率和最危险障碍距离，所述平稳性计算所基于的路径平滑程度和速度平稳性，所述交通遵守情况计算所基于的遵守交通信号灯、遵守交通标线和遵守交通标记，所述任务完成度计算所基于的执行时间效率、速度保持率、到达精度、距离准确率和轨迹偏差率。
[0018]可选地，所述获取多个任务样本，并基于多个任务样本调整所述任务评估模型、所述环境评估模型以及自主能力等级模型的参数，包括：按照递增性要求获取多个任务样本，一个任务样本对应于一个自动驾驶任务，且每个任务样本包括：相应自动驾驶任务的任务困难度计算所基于的度量值、相应自动驾驶任务的环境复杂度计算所基于的度量值，以及参考无人车在相应自动驾驶任务下的自主能力等级；其中，在所述递增性要求下，所述多个任务样本中在后获取的任务样本相比于在先获取的任务样本存在以下至少一项特征：相应自动驾驶任务的任务困难度计算所基于的度量值较大、相应自动驾驶任务的环境复杂度计算所基于的度量值较大；按照所述任务评估模型，对每个任务样本中相应自动驾驶任务的任务困难度计算所基于的度量值进行处理，得到相应自动驾驶任务的任务困难度；按照所述环境评估模型，对每个任务样本中相应自动驾驶任务的环境复杂度计算所基于的度量值进行处理，得到相应自动驾驶任务的环境复杂度；针对每个任务样本，通过所述自主能力等级模型对相应自动驾驶任务的任务困难度和环境复杂度进行处理，得到所述参考无人车在相应自动驾驶任务下的预测能力等级；基于所述参考无人车在所有自动驾驶任务下的预测能力等级和自主能力等级，构建损失函数；通过调整所述任务评估模型、所述环境评估模型以及所述自主能力等级模型的参数，最小化所述损失函数。
[0019]可选地，所述通过所述任务评估模型和所述环境评估模型，分别计算多个测试任务的任务困难度和环境复杂度，并结合多个测试任务的任务完成质量，获取自主能力边界曲线，包括：按照所述任务评估模型，对每个测试任务的任务困难度计算所基于的度量值进行处理，得到相应测试任务的任务困难度；按照所述环境评估模型，对每个测试任务的环境
复杂度计算所基于的度量值进行处理，得到相应测试任务的环境复杂度；基于每个测试任务的任务完成质量，标记相应测试任务的达标情况，所述达标情况包括：任务达标和任务未达标；以每个测试任务的任务困难度和环境复杂度构造数据点，并将每个测试任务的标记作为相应数据点的标签；按照数据点的标签对数据点进行分类，得到两类数据点，并基于所述两类数据点计算所述自主能力边界曲线。
[0020]可选地，所述基于每个测试任务的任务完成质量，标记相应测试任务的达标情况之前，还包括：从多个测试任务中筛选满足目标条件的至少一个测试任务，所述目标条件包括对以下至少一项的条件限制：任务完成质量、任务困难度、任务困难度计算所基于的度量值、环境复杂度、环境复杂度计算所基于的度量值。
[0021]可选地，所述基于所述两类数据点计算所述自主能力边界曲线，包括：构造基于任务困难度和环境复杂度的边界曲线模型；基于所述边界曲线模型，构造环境复杂度关于任务本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人车自主能力评估方法，其特征在于，所述方法包括：获取针对参考无人车的多个测试任务，所述测试任务是实际用于测试的自动驾驶任务；按照任务评估模型分别拆解多个测试任务，得到每个测试任务的任务困难度计算所基于的度量值；其中，所述任务评估模型是反映自动驾驶任务执行困难程度的多层次模型；分别运行多个测试任务，获取每个测试任务的测试数据；按照环境评估模型基于每个测试任务的测试数据，获取相应测试任务的环境复杂度计算所基于的度量值；其中，所述环境评估模型是反映自动驾驶任务中测试场景复杂程度的多层次模型；按照质量评估模型基于每个测试任务的测试数据，获取相应测试任务的任务完成质量；其中，所述质量评估模型是反映自动驾驶任务执行情况的多层次模型；获取多个任务样本，并基于多个任务样本调整所述任务评估模型、所述环境评估模型以及自主能力等级模型的参数；其中，所述自主能力等级模型用于通过自动驾驶任务的任务困难度和环境复杂度来评估无人车的自主能力；通过所述任务评估模型和所述环境评估模型，分别计算多个测试任务的任务困难度和环境复杂度，并结合多个测试任务的任务完成质量，获取自主能力边界曲线；其中，所述自主能力边界曲线用于反映在确保自动驾驶任务执行成功的情况下，无人车自主能力所能达到的最高水平；通过所述自主能力等级模型和所述自主能力边界曲线，评估目标无人车的自主能力，所述目标无人车和所述参考无人车为同一辆无人车或者为同一类型无人车。2.如权利要求1所述的方法，其特征在于，所述任务评估模型包括特性层、子特性层以及度量元层；所述特性层包括任务困难度；所述子特性层包括所述任务困难度计算所基于的感知子特性、规划子特性和控制子特性；所述度量元层包括：所述感知子特性计算所基于的感知范围、感知类型和感知精度，所述规划子特性计算所基于的规划协同和驾驶行为，所述控制子特性计算所基于的横向控制和纵向控制。3.如权利要求1所述的方法，其特征在于，所述环境评估模型包括特性层、子特性层以及度量元层；所述特性层包括环境复杂度；所述子特性层包括所述环境复杂度计算所基于的静态环境子特性、动态环境子特性、气象环境子特性和场景事故子特性；所述度量元层包括：所述静态环境子特性计算所基于的道路环境、交通环境、静态障碍物平均密度和静态障碍物平均大小，所述动态环境子特性计算所基于的动态障碍物密度、交通流平均速度和交通流平均加速度，所述气象环境子特性计算所基于的天气环境和光照环境，所述场景事故子特性计算所基于的场景事故数量、无人车到事故地点的最小距离和无人车受事故影响时长。4.如权利要求1所述的方法，其特征在于，所述质量评估模型包括特性层、子特性层以
及度量元层；所述特性层包括任务完成质量；所述子特性层包括所述任务完成质量计算所基于的安全性、平稳性、交规遵守情况和任务完成度；所述度量元层包括：所述安全性计算所基于的每公里碰撞次数、避障失败率和最危险障碍距离，所述平稳性计算所基于的路径平滑程度和速度平稳性，所述交通遵守情况计算所基于的遵守交通信号灯、遵守交通标线和遵守交通标记，所述任务完成度计算所基于的执行时间效率、速度保持率、到达精度、距离准确率和轨迹偏差率。5.如权利要求1所述的方法，其特征在于，所述获取多个任务样本，并基于多个任务样本调整所述任务评估模型、所述环境评估模型以及自主能力等级模型的参数，包括：按照递增性要求获取多个任务样本，一个任务样本对应于一个自动驾驶任务，且每个任务样本包括：相应自动驾驶任务的任务困难度计算所基于的度量值、相应自动驾驶任务的环境复杂度计算所基于的度量值，以及参考无人车在相应自动驾驶任务下的自主能力等级；其中，在所述递增性要求下，所述多个任务样本中在后获取的任务样本相比于在先获取的任务样本存在以下至少一项特征：相应自动驾驶任务的任务困难度计算所基于的度量值较大、相应自动驾驶任务的环境复杂度计算所基于的度量值较大；按照所述任务评估模型，对每个任务样本中相应自动驾驶任务的任务困难度计算所基于的度量值进行处理，得到相应自动驾驶任务的任务困难度；按照所述环境评估模型，对每个任务样本中相应自动驾驶任务的环境复杂度计算所基于的度量值进行处理，得到相应自动驾驶任务的环境复杂度；针对每个任务样本，通过所述自主能力等级模型对相应自动驾驶任务的任务困难度和环境复杂度进行处理，得到所述参考无人车在相应自动驾驶任务下的预测能力等级；基于所述参考无人车在所有自动驾驶任务下的预测能力等级和自主能力等级，构建损失函数；通过调整所述任务评估模型、所述环境评估模型以及所述自主能力等级模型的参数，最小化所述损失函数。6.如权利要求1所述的方法，其特征在于，所述通过所述任务评估模型和所述环境评估模型，分别计算多个测试任务的任务困难度和环境复杂度，并结合多个测试任务的任务完成质量，获取自主能力边界曲线，包括：按照所述任务评估模型，对每个测试任务的任务困难度计算所基于的度量值进行处理，得到相应测试任务的任务困难...

【专利技术属性】
技术研发人员：董乾，李瑞，孟令中，薛云志，杨光，刘光镇，武斌，
申请(专利权)人：中国科学院软件研究所，
类型：发明
国别省市：