【技术实现步骤摘要】
本专利技术涉及汽车智能驾驶，具体涉及一种预期功能安全的运行场景评估评估方法及装置。
技术介绍
1、安全是汽车产业持续健康发展的核心，随着智能驾驶系统的飞速发展，要求人对车辆的控制或监控逐步减少，导致智能驾驶系统需要解决的场景越来越多，越来越复杂。为解决此问题，预期功能安全(sotif，safety of the intended function)应运而生。作为功能安全的补充，预期功能安全主要解决智能驾驶控制系统的功能局限与人员误用，其与智能驾驶系统运行场景和相关道路参与人员行为强相关，面对由辅助驾驶向自动驾驶发展的智能驾驶发展趋势，亟需一种满足预期功能安全的运行场景评估方法。
2、现有技术中已见基于预设的未知不安全场景下测试获得sotif方案，但该方案在实际智能驾驶过程中，由于场景的复杂性，导致无法实现对未知不安全场景的评估。
技术实现思路
1、本专利技术的目的之一在于提供一种预期功能安全的运行场景评估方法，以解决现有技术中无法对未知不安全场景的评估；目的之二在于提供一种预期功能安全的运行场景评估装置。
2、为了实现上述目的，本专利技术采用的技术方案如下：
3、一种预期功能安全的运行场景评估方法，包括：获取车辆的环境感知数据；基于所述环境感知数据与所述预期功能安全边界条件，确定车辆的当前运行场景；若所述当前运行场景属于安全场景，则基于神经网络模型对所述当前运行场景进行处理，获得运行场景置信度；若所述运行场景置信度小于设定阈值，则确定所述当前运行
4、根据上述技术手段，由于采用了预期功能安全边界条件与神经网络模型结合的方式实现对当前运行场景进行评估，实现了算力消耗较少的同时，还能够对遇到的运行场景的安全性进行实时评估。
5、进一步的，所述方法还包括：对所述未知不安全场景设置标签；将所述标签以及所述未知不安全场景上传至影子系统。
6、根据上述技术手段，保证了智能驾驶系统的安全性。
7、进一步，所述基于神经网络模型对所述当前运行场景进行处理，获得运行场景置信度包括：
8、基于所述神经网络模型对所述当前运行场景进行处理，提取所述当前运行场景的部分关键参数；
9、基于所述神经网络模型确定所述部分关键参数与训练样本的所述运行场景置信度，其中，所述训练样本包括：安全场景的样本参数和不安全场景的样本参数。
10、根据上述技术手段，实现了算力消耗较少。
11、进一步，所述基于所述神经网络模型确定所述部分关键参数与训练样本的所述运行场景置信度包括：
12、将所述部分关键参数与训练样本中的安全场景的样本参数进行匹配，若在安全场景的样本参数中匹配到所述部分关键参数，则认为当前运行场景为安全场景；
13、若在安全场景的样本参数中未匹配到所述部分关键参数，则将所述部分关键参数与训练样本中的不安全场景的样本参数进行匹配，若在所述不安全场景的样本参数中匹配到所述部分关键参数，则获取所述部分关键参数对应的置信度，将所述置信度作为所述运行场景置信度，判断所述运行场景置信度是否小于设定阈值；
14、若在所述不安全场景的样本参数中未匹配到所述部分关键参数，则认为所述运行场景置信度小于设定阈值。
15、根据上述技术手段，实现了对未知安全场景的识别。
16、进一步，所述基于神经网络模型对所述当前运行场景进行处理，获得运行场景置信度包括：
17、基于所述神经网络模型对所述当前运行场景进行处理，提取所述当前运行场景的全部关键参数；
18、基于所述神经网络模型确定所述全部关键参数与训练样本的所述运行场景置信度，其中，所述训练样本包括：安全场景的样本参数和不安全场景的样本参数。
19、根据上述技术手段，实现了算力消耗较少。
20、进一步，所述基于所述神经网络模型确定所述全部关键参数与训练样本的所述运行场景置信度包括：
21、将所述全部关键参数与训练样本中的安全场景的样本参数进行匹配，若在安全场景的样本参数中匹配到所述全部关键参数，则认为当前运行场景为安全场景；
22、若在安全场景的样本参数中未匹配到所述全部关键参数，则将所述全部关键参数与训练样本中的不安全场景的样本参数进行匹配，若在所述不安全场景的样本参数中匹配到所述全部关键参数，则获取所述全部关键参数对应的置信度，将所述置信度作为所述运行场景置信度，判断所述运行场景置信度是否小于设定阈值；
23、若在所述不安全场景的样本参数中未匹配到所述全部关键参数，则认为所述运行场景置信度小于设定阈值。
24、根据上述技术手段，实现了对未知安全场景的识别。
25、进一步，所述基于所述环境感知数据与所述预期功能安全边界条件，确定车辆的当前运行场景包括：
26、若所述环境感知数据大于预期功能安全边界条件，则确定所述当前运行场景属于未知不安全场景；
27、若所述环境感知数据小于预期功能安全边界条件，则若所述当前运行场景不属于未知不安全场景。
28、根据上述技术手段，实现了对未知不安全场景的评估。
29、进一步，所述方法还包括：
30、获取来自控制器的新增运行场景及对应的预期功能安全边界条件；
31、基于所述新增运行场景对所述神经网络模型进行更新；
32、将所述新增运行场景及对应的预期功能安全边界条件进行对应存储。
33、根据上述技术手段，实现了对神经网络模型的优化，提高了神经网络模型对未知不安全场景评估的准确性。
34、一种预期功能安全的运行场景评估装置，包括：感知模块，用于获取车辆的环境感知数据；确定模块，用于基于所述环境感知数据与所述预期功能安全边界条件，确定车辆的当前运行场景；处理模块，用于若所述当前运行场景属于安全场景，则基于神经网络模型对所述当前运行场景进行处理，获得运行场景置信度；运行场景模块，用于若所述运行场景置信度小于设定阈值，则确定当前运行场景属于未知不安全场景。
35、进一步，所述装置还包括：
36、标签模块，用于对所述未知不安全场景设置标签；
37、上传模块，用于将所述标签以及所述未知不安全场景上传至影子系统。
38、进一步，所述处理模块包括：
39、第一提取单元，用于基于所述神经网络模型对所述当前运行场景进行处理，提取所述当前运行场景的部分关键参数；
40、第一匹配单元，用于基于所述神经网络模型确定所述部分关键参数与训练样本的运行场景置信度，其中，所述训练样本包括：安全场景的样本参数和不安全场景的样本参数。
41、进一步，所述第一匹配单元包括：
42、安全样本参数子模块，用于将所述部分关键参数与训练样本中的安全场景的样本参数进行匹配，若在安全场景的样本参数中匹配到所述部分关键参数，则认为当前运行本文档来自技高网...
【技术保护点】
1.一种预期功能安全的运行场景评估方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，所述基于神经网络模型对所述当前运行场景进行处理，获得运行场景置信度包括：
4.根据权利要求3所述的方法，其特征在于，所述基于所述神经网络模型确定所述部分关键参数与训练样本的所述运行场景置信度包括：
5.根据权利要求1所述的方法，其特征在于，所述基于神经网络模型对所述当前运行场景进行处理，获得运行场景置信度包括：
6.根据权利要求5所述的方法，其特征在于，所述基于所述神经网络模型确定所述全部关键参数与训练样本的所述运行场景置信度包括：
7.根据权利要求1所述的方法，其特征在于，所述基于所述环境感知数据与所述预期功能安全边界条件，确定车辆的当前运行场景包括：
8.根据权利要求1-7任一项所述的方法，其特征在于，所述方法还包括：
9.一种预期功能安全的运行场景评估装置，其特征在于，包括：
10.根据权利要求9所述的装置，
11.根据权利要求9所述的装置，其特征在于，所述处理模块包括：
12.根据权利要求11所述的装置，其特征在于，所述第一匹配单元包括：
13.根据权利要求9所述的装置，其特征在于，所述处理模块包括：
14.根据权利要求13所述的装置，其特征在于，所述第二匹配单元包括：
15.根据权利要求9所述的装置，其特征在于，所述确定模块，具体用于若所述环境感知数据大于预期功能安全边界条件，则确定所述当前运行场景属于未知不安全场景；若所述环境感知数据小于预期功能安全边界条件，则确定所述当前运行场景属于安全场景。
16.根据权利要求9-15任一项所述的装置，其特征在于，所述装置还包括：
...【技术特征摘要】
1.一种预期功能安全的运行场景评估方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，所述基于神经网络模型对所述当前运行场景进行处理，获得运行场景置信度包括：
4.根据权利要求3所述的方法，其特征在于，所述基于所述神经网络模型确定所述部分关键参数与训练样本的所述运行场景置信度包括：
5.根据权利要求1所述的方法，其特征在于，所述基于神经网络模型对所述当前运行场景进行处理，获得运行场景置信度包括：
6.根据权利要求5所述的方法，其特征在于，所述基于所述神经网络模型确定所述全部关键参数与训练样本的所述运行场景置信度包括：
7.根据权利要求1所述的方法，其特征在于，所述基于所述环境感知数据与所述预期功能安全边界条件，确定车辆的当前运行场景包括：
8.根据权利要求1-7任一项...
【专利技术属性】
技术研发人员：周宏伟，杨越，何文，陈城，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。