[发明专利]高级驾驶辅助系统任务复杂度量化模型的建立方法

说明书

一种高级驾驶辅助系统任务复杂度量化模型，属于自动驾驶技术领域。本发明的目的是分别采用综合成本核算方法、指数等级指标和信息熵理论，分析各元素对任务复杂度的影响，用于对自动驾驶汽车的行驶任务进行量化分级，支撑第三方汽车试验场等机构对自动驾驶汽车的高级驾驶辅助系统任务复杂度量化模型。本发明步骤是：系统硬件复杂度、自动驾驶等级复杂度、ADAS任务逻辑信息熵、ADAS行驶任务复杂度等四步。本发明建立首个高级驾驶辅助系统(ADAS)任务复杂度量化评估模型与方法，服务于整车厂和第三方测试机构建立完善的自动驾驶测试评价体系。

技术领域

本发明属于自动驾驶技术领域。

背景技术

为了减少交通拥堵和交通事故造成的严重伤亡，各汽车制造商不断加大对高级驾驶辅助系统(ADAS)和自动驾驶技术的研发投入以提高汽车的安全性。随着ADAS技术的不断完善并逐步向智能驾驶技术发展，汽车将在可预期的未来实现自动驾驶。根据美国机动车工程师协会SAE J3016协议，将自动驾驶等级划分为以下几个层次：L0(无自动化)，由人类驾驶者全权操作汽车，在行驶过程中可以得到警告和保护系统的辅助；L1(驾驶支援)，通过驾驶环境对放线盘和加减速中的一项操作提供驾驶支援，对其他的驾驶动作都由人类驾驶员进行操作；L2(部分自动化)，通过驾驶环境对方向盘和加减速中的多项操作提供驾驶支援，其他的驾驶动作都由人类驾驶员进行操作；L3(有条件自动化)，由无人驾驶系统完成所有的驾驶操作。根据系统请求，人类驾驶者提供适当的应答；L4(高度自动化)，由无人驾驶系统完成所有的驾驶操作，根据系统请求，人类驾驶者不一定需要对所有的系统请求作出应答，限定道路和环境条件等；L5(完全自动化)，由无人驾驶系统完成所有的驾驶操作，人类驾驶者在可能的情况下接管，在所有的道路和环境条件下驾驶。但是，随着汽车自动化程度的不断升级，如何高效地测试和评估自动驾驶汽车的智能度及系统已经成为业内亟需解决的问题之一。

道路测试是检测自动驾驶汽车系统性能的必要环节，也是实现自动驾驶商业化的前提条件。自动驾驶汽车的测试与评价技术是支撑自动驾驶技术发展的关键环节，但自动驾驶测试评价对象已从传统的人、车二元独立系统变为人-车-环境-任务强耦合系统，测试场景及测试任务难以穷尽，评价维度纷繁复杂。目前，大部分文献侧重研究自动驾驶车辆测试方法，基于计算机仿真技术，与实车测试比较，研究高效、经济的仿真测试方法。代表方法包括：蒙特卡罗方法、蒙特卡洛加速测试方法、博弈论方法、测试场景矩阵和驾驶模拟器仿真测试。这些方法讨论了不同的自动驾驶测试方法的原理与特点，测试方法可以覆盖典型的交通场景，但是不能进行自动驾驶系统测试过程中任务复杂度的评价，无法评估ADAS系统任务的实际复杂程度。目前，关于自动驾驶复杂度的研究相对较少，现有技术方案描述使用感知系统措施管理前进路径的自动驾驶复杂度，用于控制车辆的自动驾驶系统，示例方法包括计算沿着车辆行驶的路线的即将到来的区域的复杂度度量，响应于复杂度低于预定的低复杂度阈值，使用车辆的计算系统确定车辆在即将到来的区域中行驶的轨迹。然而，该方法并没有系统、科学地完善自动驾驶汽车的测试与评价体系以及ADAS系统任务复杂度量化评估相关的标准与规范。

蒙特卡洛算法可以将驾驶场景变成一个随机模型，基于大数定理，随着重复测试次数得增大，测试结果总是会收敛到真值。但是要让结果逼近真值，需要非常大量的样本容量。若任用传统的蒙特卡洛算法进行测试，则需要更多的计算硬件支持，势必会增加测试的时间及成本。

关于自动驾驶复杂度的研究相对较少，现有技术方案描述使用感知系统措施管理前进路径的自动驾驶复杂度，用于控制车辆的自动驾驶系统，示例方法包括计算沿着车辆行驶的路线的即将到来的区域的复杂度度量，响应于复杂度低于预定的低复杂度阈值，使用车辆的计算系统确定车辆在即将到来的区域中行驶的轨迹。该方法并没有系统、科学地完善自动驾驶汽车的测试与评价体系以及ADAS系统任务复杂度量化评估相关的标准与规范。

发明内容

本发明的目的是分别采用综合成本核算方法、指数等级指标和信息熵理论，分析各元素对任务复杂度的影响，用于对自动驾驶汽车的行驶任务进行量化分级，支撑第三方汽车试验场等机构对自动驾驶汽车的高级驾驶辅助系统任务复杂度量化模型的建立方法。