智能汽車是汽車?電子?信息通信?道路交通運(yùn)輸?shù)刃袠I(yè)深度融合的新型產(chǎn)業(yè)形態(tài)?當(dāng)前, 我國(guó)智能汽車產(chǎn)業(yè)進(jìn)入快車道, 技術(shù)創(chuàng)新日益活躍, 新型應(yīng)用蓬勃發(fā)展, 產(chǎn)業(yè)規(guī)模不斷擴(kuò)大,而相應(yīng)的測(cè)試技術(shù)體系也在不斷完善, 推動(dòng)產(chǎn)業(yè)進(jìn)步?本書首先立足于整體現(xiàn)狀對(duì)智能汽車測(cè)試體系架構(gòu)進(jìn)行綜述, 并針對(duì)測(cè)試技術(shù)的發(fā)展趨勢(shì)和整個(gè)核心技術(shù)進(jìn)行詳細(xì)描述;然后, 針對(duì)測(cè)試體系中每一測(cè)試過(guò)程的概念?核心思想?關(guān)鍵技術(shù)?測(cè)試方法?發(fā)展趨勢(shì)等進(jìn)行詳細(xì)描述?

注：本文節(jié)選自《智能汽車測(cè)試技術(shù)》第七章節(jié)，由機(jī)械工業(yè)出版社于2025年6月份出版

https://mp.weixin.qq.com/s/RtAUb4gGthDTyfS6piB8uQ

《智能汽車測(cè)試技術(shù)》目錄 

第1 章

導(dǎo)論

1.1 背景與需求/ 001

1.2 基本概念/ 003

1.2.1 測(cè)試與評(píng)價(jià)的基本概念/ 003

1.2.2 產(chǎn)品全生命周期中的測(cè)評(píng)技術(shù)/ 004

1.3 現(xiàn)狀與挑戰(zhàn)/ 005

1.4 本書章節(jié)安排/ 006

第2 章

智能汽車

測(cè)評(píng)概述

 2.1 測(cè)評(píng)需求分析/ 009

2.1.1 安全性測(cè)試與驗(yàn)證/ 009

2.1.2 智能性測(cè)試與評(píng)價(jià)/ 012

2.2 測(cè)試方法論/ 015

2.2.1 安全性測(cè)試驗(yàn)證框架/ 015

2.2.2 智能性測(cè)試評(píng)估框架和體系/ 017

2.3 測(cè)試工具鏈及應(yīng)用要求/ 023

2.3.1 測(cè)試工具鏈/ 023

2.3.2 測(cè)試需求與測(cè)試工具的適配性/ 027

2.4 本章小結(jié)/ 029

參考文獻(xiàn)/ 030

第3 章

智能汽車

測(cè)試場(chǎng)景

3.1 場(chǎng)景基本概念/ 031

3.2 場(chǎng)景體系/ 033

3.2.1 場(chǎng)景要素與屬性/ 033

3.2.2 場(chǎng)景層級(jí)/ 035

3.2.3 場(chǎng)景分類/ 036

3.3 場(chǎng)景生成方法/ 037

3.3.1 基于形式化描述的場(chǎng)景生成方法/ 037

3.3.2 基于駕駛員模型的場(chǎng)景生成方法/ 040

3.3.3 安全關(guān)鍵場(chǎng)景生成方法/ 048

3.4 場(chǎng)景采集與利用/ 051

3.4.1 場(chǎng)景采集技術(shù)/ 051

3.4.2 場(chǎng)景庫(kù)搭建/ 052

3.5 本章小結(jié)/ 052

參考文獻(xiàn)/ 053

第4 章

環(huán)境感知

系統(tǒng)的測(cè)試

技術(shù)與方法

4.1 環(huán)境感知系統(tǒng)測(cè)試需求分析/ 055

4.2 環(huán)境感知系統(tǒng)介紹/ 057

4.2.1 感知系統(tǒng)/ 057

4.2.2 硬件模組/ 058

4.2.3 認(rèn)知算法/ 058

4.3 環(huán)境感知系統(tǒng)測(cè)試技術(shù)框架/ 059

4.4 各類感知環(huán)境介紹/ 060

4.4.1 封閉場(chǎng)地環(huán)境/ 060

4.4.2 道路交通環(huán)境/ 064

4.4.3 虛擬仿真環(huán)境/ 066

4.5 數(shù)據(jù)生成模型介紹/ 069

4.5.1 降雨圖像生成方法概述/ 070

4.5.2 降雨圖像生成模型介紹/ 071

4.5.3 降雨圖像生成模型結(jié)果/ 075

4.6 具體測(cè)試案例/ 076

4.6.1 案例一:基于封閉場(chǎng)地環(huán)境的感知系統(tǒng)測(cè)試/ 076

4.6.2 案例二:基于虛擬仿真環(huán)境的硬件模組測(cè)試/ 078

4.6.3 案例三:基于虛擬仿真環(huán)境的感知系統(tǒng)測(cè)試/ 081

4.6.4 案例四:基于三類感知環(huán)境和數(shù)據(jù)生成模型的

認(rèn)知算法測(cè)試/ 083

4.7 本章小結(jié)/ 086

參考文獻(xiàn)/ 087

第5 章

決策規(guī)劃

系統(tǒng)的測(cè)試

技術(shù)與方法

 5.1 決策規(guī)劃系統(tǒng)的測(cè)試需求與挑戰(zhàn)/ 089

5.1.1 測(cè)試需求/ 089

5.1.2 測(cè)試挑戰(zhàn)/ 090

5.2 基于場(chǎng)景的測(cè)試技術(shù)與方法/ 092

5.2.1 靜態(tài)試驗(yàn)設(shè)計(jì)測(cè)試方法/ 092

5.2.2 動(dòng)態(tài)試驗(yàn)設(shè)計(jì)測(cè)試方法/ 094

5.3 基于真實(shí)里程的測(cè)試技術(shù)與方法/ 101

5.3.1 開放道路測(cè)試技術(shù)/ 101

5.3.2 重要度采樣加速測(cè)試方法/ 103

5.4 基于虛擬里程的測(cè)試技術(shù)與方法/ 104

5.4.1 虛擬里程測(cè)試系統(tǒng)組成框架/ 105

5.4.2 用于虛擬里程測(cè)試的NPC 模型生成方法/ 106

5.4.3 用于虛擬里程測(cè)試的NPC 模型性能驗(yàn)證/ 113

5.4.4 虛擬里程測(cè)試的應(yīng)用/ 118

5.4.5 小結(jié)/ 130

5.5 其他測(cè)試技術(shù)/ 131

5.5.1 自動(dòng)化測(cè)試技術(shù)/ 131

5.5.2 錯(cuò)誤注入測(cè)試技術(shù)/ 139

5.5.3 分布式自動(dòng)化測(cè)試技術(shù)/ 152

5.6 本章小結(jié)/ 157

參考文獻(xiàn)/ 157

第6 章

整車測(cè)試

技術(shù)與方法

6.1 整車測(cè)評(píng)需求分析/ 159

6.2 封閉測(cè)試場(chǎng)地平臺(tái)/ 160

6.2.1 封閉測(cè)試場(chǎng)/ 160

6.2.2 動(dòng)態(tài)模擬目標(biāo)物系統(tǒng)/ 162

6.2.3 定位與數(shù)據(jù)采集系統(tǒng)/ 163

6.3 開放道路測(cè)試系統(tǒng)/ 164

6.3.1 測(cè)試方案制定/ 165

6.3.2 數(shù)據(jù)采集與數(shù)據(jù)閉環(huán)系統(tǒng)/ 165

6.4 本章小結(jié)/ 166

第7 章

智能汽車

安全性評(píng)估

7.1 基于具體場(chǎng)景的安全性評(píng)估/ 169

7.1.1 場(chǎng)景瞬時(shí)風(fēng)險(xiǎn)評(píng)估方法/ 170

7.1.2 多階段安全評(píng)估/ 180

7.1.3 單個(gè)測(cè)試場(chǎng)景結(jié)果外推/ 181

7.2 基于邏輯場(chǎng)景的安全性評(píng)估/ 182

7.2.1 評(píng)估要求/ 182

7.2.2 面向邏輯場(chǎng)景評(píng)價(jià)的危險(xiǎn)域識(shí)別方法/ 183

7.3 針對(duì)被測(cè)功能的安全性評(píng)估/ 192

7.4 本章小結(jié)/ 192

參考文獻(xiàn)/ 193

第8 章

智能汽車

綜合行駛

性能評(píng)估

 8.1 測(cè)評(píng)需求與研究現(xiàn)狀/ 195

8.1.1 測(cè)評(píng)需求/ 195

8.1.2 研究現(xiàn)狀/ 195

8.2 測(cè)評(píng)基本流程/ 197

8.3 典型測(cè)試場(chǎng)景矩陣/ 198

8.4 測(cè)試方法與流程/ 199

8.4.1 測(cè)試方案/ 199

8.4.2 背景車跟馳模型/ 199

8.4.3 測(cè)試數(shù)據(jù)輸出/ 201

8.5 評(píng)價(jià)方法與流程/ 202

8.5.1 評(píng)價(jià)體系/ 202

8.5.2 評(píng)價(jià)流程/ 204

8.6 測(cè)評(píng)示例/ 206

8.7 本章小結(jié)/ 209

參考文獻(xiàn)/ 209

附 錄

附錄A 測(cè)試工況參數(shù)設(shè)置/ 210

附錄B 背景車跟馳模型/ 212

附錄C 歸一化方法/ 214

附錄D 常見縮寫詞/ 216

7 . 2 基于邏輯場(chǎng)景的安全性評(píng)估

基于邏輯場(chǎng)景的安全性評(píng)估的關(guān)鍵在于如何基于邏輯場(chǎng)景下所有具體場(chǎng)景的測(cè)評(píng)結(jié)果整合得到邏輯場(chǎng)景層級(jí)的測(cè)評(píng)結(jié)果。其本質(zhì)是將連續(xù)的參數(shù)空間中離散的“點(diǎn)” 的評(píng)價(jià)外推至“體” 的評(píng)價(jià), 即對(duì)邏輯場(chǎng)景中各具體危險(xiǎn)場(chǎng)景所處子空間(以下統(tǒng)稱為危險(xiǎn)域) 的評(píng)價(jià)。

7.2.1 評(píng)估要求

基于邏輯場(chǎng)景的安全性評(píng)估需要滿足全面性、準(zhǔn)確性和可見性的要求。全面性和準(zhǔn)確性是指準(zhǔn)確且全面地評(píng)價(jià)被測(cè)系統(tǒng)在整個(gè)邏輯場(chǎng)景參數(shù)空間中的安全性能; 可見性是能夠直觀地給出被測(cè)系統(tǒng)在邏輯場(chǎng)景參數(shù)空間中危險(xiǎn)域的具體參數(shù)范圍, 這樣有助于研發(fā)人員找到被測(cè)系統(tǒng)問(wèn)題的所在?；诖? 將邏輯場(chǎng)景的評(píng)價(jià)指標(biāo)概括為危險(xiǎn)域模態(tài)、空間分布和占比三項(xiàng)指標(biāo)。其中, 危險(xiǎn)域模態(tài)數(shù)量即危險(xiǎn)域所處的不同參數(shù)子空間數(shù)量, 以發(fā)現(xiàn)不同的危險(xiǎn)場(chǎng)景類別,表征評(píng)價(jià)的全面性;危險(xiǎn)域空間分布即危險(xiǎn)域所處的不同參數(shù)子空間范圍,表征被測(cè)系統(tǒng)所處危險(xiǎn)場(chǎng)景的參數(shù)范圍,以便于反饋至研發(fā)進(jìn)行針對(duì)性改進(jìn),即評(píng)價(jià)的可見性;危險(xiǎn)域占比大小即危險(xiǎn)域參數(shù)范圍與邏輯場(chǎng)景整體參數(shù)范圍的比值,表征被測(cè)系統(tǒng)在邏輯場(chǎng)景層級(jí)整體安全水平的準(zhǔn)確估計(jì),即評(píng)價(jià)的準(zhǔn)確性。因此,為保證評(píng)價(jià)的全面性和準(zhǔn)確性,需基于測(cè)試結(jié)果評(píng)價(jià)發(fā)現(xiàn)所有的危險(xiǎn)域模態(tài),同時(shí)精細(xì)刻畫輸出其空間范圍,并準(zhǔn)確評(píng)估其占比大小。

7.2.2 面向邏輯場(chǎng)景評(píng)價(jià)的危險(xiǎn)域識(shí)別方法

現(xiàn)有的危險(xiǎn)與識(shí)別方法可以分為兩類,一類是基于決策樹的方法,另一類是基于聚類的方法?；跊Q策樹的方法,利用決策樹將參數(shù)空間中的危險(xiǎn)域從參數(shù)空間中逐步劃分出來(lái)。基于聚類的方法,利用聚類算法將參數(shù)空間中位置相近的危險(xiǎn)樣本點(diǎn)自動(dòng)識(shí)別成一類,并輸出每一類的危險(xiǎn)域邊界。

1. 基于決策樹的危險(xiǎn)域識(shí)別方法

面向邏輯場(chǎng)景評(píng)價(jià)提出全面性、準(zhǔn)確性、可見性的評(píng)價(jià)目標(biāo)?；谖ｋU(xiǎn)域模態(tài)、空間分布和占比的識(shí)別目標(biāo),進(jìn)行邏輯場(chǎng)景危險(xiǎn)域識(shí)別。首先,為保證邏輯場(chǎng)景模態(tài)的全面性,基于MeanShift算法實(shí)現(xiàn)對(duì)危險(xiǎn)域的自動(dòng)聚類分區(qū),以發(fā)現(xiàn)不同場(chǎng)景類別。其次,為精細(xì)刻畫各個(gè)危險(xiǎn)模態(tài)對(duì)應(yīng)的空間邊界,采用基于特征選擇記憶化的決策樹算法(DecisionTreebyMemorizationFeatureSelec?tion,DT?MFS)進(jìn)行空間劃分,以保證危險(xiǎn)場(chǎng)景所屬最小危險(xiǎn)域的完全劃分和顯式輸出;最后,在準(zhǔn)確刻畫邊界的基礎(chǔ)上,基于對(duì)決策路徑的解析自動(dòng)化計(jì)算危險(xiǎn)域占比,實(shí)現(xiàn)對(duì)邏輯場(chǎng)景層級(jí)的安全水平準(zhǔn)確評(píng)估。危險(xiǎn)域識(shí)別方法總體流程圖如圖7-11所示。

圖7 -11 危險(xiǎn)域識(shí)別方法總體流程圖

(1)危險(xiǎn)域模態(tài)識(shí)別

為保證評(píng)價(jià)的全面性,采用MeanShift算法,以自動(dòng)識(shí)別高維空間中所有的危險(xiǎn)域模態(tài),避免危險(xiǎn)域識(shí)別時(shí)漏掉某個(gè)模態(tài)。MeanShift算法能夠自適應(yīng)地確定類簇?cái)?shù)量,適應(yīng)非均勻、非平坦形狀的類簇。能夠?qū)⒖臻g距離相近的樣本劃為同一區(qū)間并輸出各樣本對(duì)應(yīng)類簇,符合預(yù)期的危險(xiǎn)域需求。

(2)危險(xiǎn)域分布識(shí)別

基于上述分區(qū),為識(shí)別對(duì)應(yīng)的危險(xiǎn)域分布,需選取合適空間劃分方法來(lái)劃分出危險(xiǎn)域。為保證高維空間決策邊界的識(shí)別,選擇C4.5決策樹算法。該算法的決策邊界平行于坐標(biāo)軸,能夠構(gòu)成顯式的超長(zhǎng)方體決策區(qū)域,滿足評(píng)價(jià)的可見性要求。

但現(xiàn)有的決策樹算法存在特征劃分不充分的問(wèn)題,可能導(dǎo)致危險(xiǎn)域識(shí)別不準(zhǔn)確,從而影響邏輯場(chǎng)景整體評(píng)價(jià)的準(zhǔn)確度。

特征劃分不充分是指,在基于決策樹算法的空間劃分過(guò)程中,每次劃分都會(huì)基于信息增益率或信息增益等指標(biāo),在特征集合中找到指標(biāo)最小值對(duì)應(yīng)的特征及數(shù)值,作為最優(yōu)二值切分點(diǎn)。因此,可能存在某些特征未被劃分,就已經(jīng)實(shí)現(xiàn)完全的二分類,完成決策樹的構(gòu)建。

特征劃分不充分示例如圖7-12所示。該危險(xiǎn)域的邊界應(yīng)為x=[-8,-6],y=[7,10]。而用原始的決策樹進(jìn)行危險(xiǎn)域劃分時(shí),y=7這一邊界(紅色虛線)未被劃分到,即特征劃分不充分。因此,若在更高維度的空間中基于這一類特征劃分原理進(jìn)行危險(xiǎn)域識(shí)別,會(huì)造成幾何級(jí)的誤差。

因此,需要改進(jìn)決策樹算法最優(yōu)劃分特征的選擇策略,采用動(dòng)態(tài)的候選集合,實(shí)現(xiàn)全維度的空間劃分,得到危險(xiǎn)場(chǎng)景所屬的最小子空間,以準(zhǔn)確識(shí)別危險(xiǎn)域。

針對(duì)邏輯場(chǎng)景危險(xiǎn)域識(shí)別問(wèn)題,決策樹算法的目標(biāo)為:基于場(chǎng)景樣本集,劃分得到危險(xiǎn)場(chǎng)景所屬的最小子空間即危險(xiǎn)域。由于計(jì)算危險(xiǎn)域時(shí),特征劃分不充分會(huì)造成極大誤差,因此算法要求各維度的上下邊界盡可能都被劃分。在此基礎(chǔ)上,對(duì)各子空間再進(jìn)一步細(xì)分,提高危險(xiǎn)域識(shí)別的準(zhǔn)確度。

基于上述目標(biāo),DT?MFS算法采用了記憶化的候選集合策略,其最優(yōu)特征選擇策略如下:

1)決策樹構(gòu)建前,設(shè)定候選特征集A為包含各特征上下邊界的集合,用于子樹劃分過(guò)程中的特征記憶化。對(duì)應(yīng)每個(gè)特征,分別采用上標(biāo)l和u對(duì)應(yīng)下邊界和上邊界。

圖7 -12 特征劃分不充分示例

2)最優(yōu)劃分特征選擇時(shí),對(duì)特征集A進(jìn)行記憶化更新。每次從特征集中選擇最優(yōu)劃分特征ai 后,刪除對(duì)應(yīng)子節(jié)點(diǎn)的最優(yōu)劃分特征,避免子節(jié)點(diǎn)后續(xù)選擇最優(yōu)劃分特征時(shí)仍選擇該特征。具體來(lái)說(shuō),①若相應(yīng)子節(jié)點(diǎn)的判斷條件是對(duì)特征ai 下邊界的劃分,則更新子節(jié)點(diǎn)對(duì)應(yīng)的候選特征集A=A-al i ;②若相應(yīng)子節(jié)點(diǎn)的判斷條件是對(duì)特征ai 上邊界的劃分,則更新A=A-au?；诖?保證每一維度都能被劃分到新的上邊界和下邊界,除非達(dá)到提前停止條件即代碼段1中的3類遞歸返回情況。

3)節(jié)點(diǎn)對(duì)應(yīng)的候選特征集A為空集時(shí),表明該節(jié)點(diǎn)對(duì)應(yīng)的決策區(qū)域全部維度的上下邊界都已得到劃分,即完成全維度劃分,得到各類樣本所屬的最小子空間。

4)若子節(jié)點(diǎn)已完成全維度劃分,后續(xù)劃分策略為初始化特征集為A,并取消特征記憶化選擇。即按照決策樹算法的原始策略,采用固定候選集合進(jìn)行最優(yōu)特征劃分,實(shí)現(xiàn)對(duì)參數(shù)空間的進(jìn)一步細(xì)分。

記憶化的最優(yōu)特征選擇策略示意圖如圖7-13所示。

圖7-13 記憶化的最優(yōu)特征選擇策略示意圖

1)決策樹構(gòu)建前,設(shè)定候選特征集為

2)最優(yōu)劃分特征選擇時(shí),如節(jié)點(diǎn)0~4判斷條件為a1 >-5,即對(duì)特征a1 的下邊界進(jìn)行劃分,因此更新結(jié)點(diǎn)4對(duì)應(yīng)的候選特征集A=A-a1l ={a1u, a2u, a2u, a3u, au}。如圖7-13中的節(jié)點(diǎn)0至節(jié)點(diǎn)1判斷條件為a1 <-5,即對(duì)特征a1 的上邊界進(jìn)行劃分,則更新節(jié)點(diǎn)1對(duì)應(yīng)的候選特征集

至此,完成對(duì)危險(xiǎn)域的完全劃分,實(shí)現(xiàn)基于DT?MFS算法的決策樹構(gòu)建過(guò)程。

針對(duì)決策樹算法存在的過(guò)擬合即子節(jié)點(diǎn)過(guò)多的問(wèn)題,需進(jìn)一步將范圍相近的危險(xiǎn)子節(jié)點(diǎn)進(jìn)行合并,以減少危險(xiǎn)子節(jié)點(diǎn)數(shù)量,便于危險(xiǎn)域的整合輸出。具體的,兩兩比較決策樹輸出的所有危險(xiǎn)子節(jié)點(diǎn)對(duì)應(yīng)的空間,若兩個(gè)子空間相近,滿足合并條件,則將其合并為一個(gè)危險(xiǎn)域,從而減少了危險(xiǎn)域數(shù)量,提高評(píng)價(jià)結(jié)果的可見性,使各危險(xiǎn)域分布更簡(jiǎn)潔明晰地反饋至研發(fā),能夠針對(duì)相應(yīng)危險(xiǎn)域進(jìn)行功能迭代。

另外,由DT?MFS算法原理可知,在特征劃分過(guò)程中存在提前遞歸返回的情況。對(duì)于這類情況,可能仍存在特征劃分不充分問(wèn)題。因此,為防止提前遞歸或誤劃分導(dǎo)致的葉子節(jié)點(diǎn)對(duì)應(yīng)子空間的某個(gè)維度邊界范圍過(guò)大,在決策樹構(gòu)建完成后采用空間范圍限定的策略,通過(guò)設(shè)定范圍閾值和判斷邊界是否仍為原始邊界,篩除原有危險(xiǎn)子空間中邊界范圍過(guò)大的空間。

為識(shí)別危險(xiǎn)域分布,需基于上述DT?MFS算法,解析決策樹得到由決策邊界表示的決策區(qū)域。根據(jù)決策樹根節(jié)點(diǎn)到葉子節(jié)點(diǎn)的決策路徑,將各節(jié)點(diǎn)對(duì)應(yīng)的判斷條件作交集,得到?jīng)Q策邊界表達(dá)式見式(7-1)。其中判斷條件如a1> v1,則表示被超平面a1= v1 分割開的兩個(gè)區(qū)域中的一個(gè)。決策樹算法中每個(gè)葉子節(jié)點(diǎn)對(duì)應(yīng)的決策路徑形成的區(qū)域交集即葉子節(jié)點(diǎn)對(duì)應(yīng)類Ym 的決策區(qū)域,其決策邊界與坐標(biāo)軸平行。

對(duì)應(yīng)危險(xiǎn)域分布識(shí)別問(wèn)題,決策樹的判斷條件即參數(shù)上邊界或下邊界的劃分,各節(jié)點(diǎn)具有相應(yīng)的關(guān)鍵/非關(guān)鍵的類別標(biāo)簽。因此,通過(guò)解析各關(guān)鍵葉子節(jié)點(diǎn)對(duì)應(yīng)的決策區(qū)域,即實(shí)現(xiàn)超長(zhǎng)方體危險(xiǎn)域分布的識(shí)別,實(shí)現(xiàn)評(píng)價(jià)結(jié)果的可見性。

(3)危險(xiǎn)域占比計(jì)算

基于上述高維超長(zhǎng)方體的危險(xiǎn)域分布,提出了一種危險(xiǎn)域占比計(jì)算方法。為避免由于各維度空間分布識(shí)別不準(zhǔn)確導(dǎo)致的各維誤差乘積幾何級(jí)增長(zhǎng),該指標(biāo)將識(shí)別得到的各維度長(zhǎng)度進(jìn)行扁平化計(jì)算。設(shè)原始空間維度數(shù)為d,各維度邊長(zhǎng)為L(zhǎng)i ,經(jīng)上述方法識(shí)別得到N個(gè)關(guān)鍵子空間,單個(gè)子空間的單維度邊長(zhǎng)為lni ,其中n表示第n個(gè)關(guān)鍵子空間,i表示第i個(gè)維度。關(guān)鍵子空間占比指標(biāo)為F,表示為

由式(7-2)可知,關(guān)鍵子空間占比F最大值為1,即原始空間全部為關(guān)鍵子空間;最小值為0,即整個(gè)空間無(wú)任何關(guān)鍵子空間。F指標(biāo)可實(shí)現(xiàn)關(guān)鍵子空間占比的歸一化評(píng)價(jià),且數(shù)值隨著關(guān)鍵子空間的增大而增大,滿足評(píng)價(jià)結(jié)果的準(zhǔn)確性。

2. 基于高斯混合模型的危險(xiǎn)域識(shí)別方法

基于高斯混合模型的危險(xiǎn)域識(shí)別方法利用多維高斯混合模型擬合搜索得到的危險(xiǎn)樣本點(diǎn),并基于3σ原則輸出危險(xiǎn)域。另外,在輸出危險(xiǎn)域時(shí)會(huì)出現(xiàn)兩個(gè)危險(xiǎn)域邊界重合的情況,須對(duì)可合并危險(xiǎn)域進(jìn)行合并后,再輸出最終的危險(xiǎn)域。其主要步驟包括危險(xiǎn)參數(shù)預(yù)處理和危險(xiǎn)參數(shù)聚類,如圖7-14所示。

圖7 -14 多維邏輯場(chǎng)景危險(xiǎn)參數(shù)聚類流程

(1)危險(xiǎn)參數(shù)預(yù)處理

由于給定多維度邏輯場(chǎng)景邊界的限制,危險(xiǎn)樣本點(diǎn)集可能不會(huì)是一個(gè)完整的高斯分布范圍。因此需要將危險(xiǎn)樣本點(diǎn)集在給定參數(shù)空間的危險(xiǎn)邊界按照不同的參數(shù)維度坐標(biāo)軸進(jìn)行對(duì)稱。這樣既可以將危險(xiǎn)樣本點(diǎn)集構(gòu)建成一個(gè)完整的高斯分布,還可以保證后續(xù)標(biāo)準(zhǔn)化處理后的數(shù)據(jù)均值落在最危險(xiǎn)參數(shù)點(diǎn)位置。

由于多維度邏輯場(chǎng)景參數(shù)類型不同,參數(shù)數(shù)值范圍差異較大,因此需要對(duì)參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理。具體見式(7-3)。

式中,xf 為危險(xiǎn)參數(shù)集X的第f維危險(xiǎn)參數(shù)列向量;bf 為對(duì)稱處理后的第f維危險(xiǎn)參數(shù)列向量;bf _mean 為對(duì)稱處理后第f維危險(xiǎn)參數(shù)的均值;sf 為對(duì)稱處理后第f維危險(xiǎn)參數(shù)的標(biāo)準(zhǔn)差;下角標(biāo)f代表多維度邏輯場(chǎng)景的第f個(gè)維度;d為多維度邏輯場(chǎng)景的變量維度總數(shù)。由此,可得預(yù)處理之后的多維度邏輯場(chǎng)景危險(xiǎn)參數(shù)集X,見式(7-4)。X中的每一行向量xj (j=1,2,…,m)為每個(gè)危險(xiǎn)測(cè)試用例所對(duì)應(yīng)的參數(shù)向量。

(2)危險(xiǎn)參數(shù)聚類

參數(shù)聚類首先需要確定聚類中心數(shù)量,本節(jié)中采用組內(nèi)殘差平方和計(jì)算危險(xiǎn)參數(shù)聚類中心數(shù)量。組內(nèi)殘差平方和是指所有聚類中每個(gè)類內(nèi)的要素距離其聚類中心的誤差平方的總和, 見式(7 -5)。

當(dāng)組內(nèi)殘差平方和變化速率變慢時(shí), 即認(rèn)為增大聚類數(shù)目也不能對(duì)聚類結(jié)果進(jìn)行有效的提高, 該速率變化的拐點(diǎn)數(shù)即聚類中心數(shù)目。

當(dāng)聚類中心為1 時(shí), 可直接對(duì)危險(xiǎn)參數(shù)進(jìn)行單高斯模型聚類, 見式(7 -6)。

當(dāng)聚類中心大于1 時(shí), 應(yīng)用最大期望值(EM) 算法對(duì)危險(xiǎn)參數(shù)進(jìn)行高斯混合模型聚類, 即將危險(xiǎn)參數(shù)分解為多個(gè)高斯概率密度函數(shù)組成的模型, 見式(7 -7)。

通過(guò)上述單高斯模型或高斯混合模型, 可以得到模型參數(shù), 即均值和標(biāo)準(zhǔn)差。利用這些聚類參數(shù)建立智能汽車安全性評(píng)價(jià)指標(biāo)。

同時(shí), 由于危險(xiǎn)參數(shù)預(yù)處理時(shí)進(jìn)行的對(duì)稱處理會(huì)導(dǎo)致數(shù)據(jù)擴(kuò)大, 因此需要對(duì)這部分多余的數(shù)據(jù)進(jìn)行刪除。坐標(biāo)軸處數(shù)據(jù)分布在對(duì)稱處理之后不會(huì)增加高斯分布的數(shù)量, 但是會(huì)造成區(qū)域擴(kuò)大; 其他位置的分布在對(duì)稱處理之后會(huì)導(dǎo)致高斯分布數(shù)量增加。因此在整個(gè)聚類完成之后需要?jiǎng)h除該類多余的分布(多余分布的特點(diǎn)為均值存在對(duì)稱性, 標(biāo)準(zhǔn)差等同), 并對(duì)坐標(biāo)軸處因?qū)ΨQ造成的區(qū)域擴(kuò)大進(jìn)行修正。對(duì)于那些刪除數(shù)量少于(2d -1)的高斯分布類型, 即位于坐標(biāo)軸處的高斯分布, 其標(biāo)準(zhǔn)差的修正過(guò)程見式(7 -12) 和式(7 -13)。

3. 方法驗(yàn)證

(1)危險(xiǎn)域分布識(shí)別準(zhǔn)確度驗(yàn)證指標(biāo)設(shè)計(jì)

(2)危險(xiǎn)域識(shí)別方法驗(yàn)證結(jié)果 

選取基于信賴域的貝葉斯優(yōu)化算法在Holder?Table測(cè)試函數(shù)上開展加速測(cè)試,得到樣本點(diǎn),識(shí)別危險(xiǎn)域,輸出相應(yīng)模態(tài)、分布和占比。進(jìn)一步的,將基于決策樹的危險(xiǎn)域識(shí)別方法與基于聚類的危險(xiǎn)域識(shí)別方法進(jìn)行對(duì)比,分別計(jì)算兩類方法的模態(tài)識(shí)別準(zhǔn)確度、空間相似度以及危險(xiǎn)域占比準(zhǔn)確度,結(jié)果見表7-5。

表7-5 兩類方法的識(shí)別結(jié)果對(duì)比

危險(xiǎn)域占比準(zhǔn)確度計(jì)算公式見式(7-15)。

式中, Ad 為危險(xiǎn)域占比準(zhǔn)確度;G為危險(xiǎn)域占比真值;T為方法識(shí)別的危險(xiǎn)域占比結(jié)果。圖7-15展示了危險(xiǎn)域占比真值為0.1時(shí),危險(xiǎn)域占比準(zhǔn)確度隨識(shí)別的危險(xiǎn)域占比結(jié)果變化情況?？梢钥闯?識(shí)別的占比和真值相同,均為0.1時(shí),準(zhǔn)確度為1;當(dāng)識(shí)別的占比不為0.1時(shí),占比值與真值0.1差距越大,準(zhǔn)確度越小。因此,該指標(biāo)可以準(zhǔn)確反映識(shí)別的危險(xiǎn)域占比的準(zhǔn)確程度。

圖7 -15 危險(xiǎn)域占比準(zhǔn)確度隨識(shí)別的占比結(jié)果變化情況

實(shí)驗(yàn)結(jié)果分析如下:

1) 危險(xiǎn)域模態(tài)識(shí)別方面, 在Holder?Table測(cè)試函數(shù)上兩種方法均能識(shí)別危險(xiǎn)域的所有模態(tài)。

2) 危險(xiǎn)域占比計(jì)算方面, 基于決策樹的方法的危險(xiǎn)域占比準(zhǔn)確度更高。由表7 - 5 可知, 其占比準(zhǔn)確度為96.0% , 比基于聚類的方法的結(jié)果(91.5% ) 高4.5% 。

3) 危險(xiǎn)域分布識(shí)別方面, 基于決策樹的危險(xiǎn)域識(shí)別結(jié)果的空間相似度比

基于聚類的方法更高。由表7 -5 可知, 其空間相似度為96.5%, 比基于聚類的方法的結(jié)果(88.3%) 高8.2%。

7 . 3 針對(duì)被測(cè)功能的安全性評(píng)估

針對(duì)被測(cè)功能的安全性評(píng)估就是對(duì)被測(cè)系統(tǒng)某個(gè)功能的整體安全性的評(píng)估。將上述得到的單邏輯場(chǎng)景中的被測(cè)智能汽車安全性評(píng)價(jià)結(jié)果與邏輯場(chǎng)景權(quán)重相結(jié)合, 即可得到被測(cè)智能汽車在多個(gè)邏輯場(chǎng)景中的綜合評(píng)價(jià):

式中, Sall為被測(cè)智能汽車在多個(gè)邏輯場(chǎng)景中的綜合評(píng)價(jià)結(jié)果; wi 為第i 個(gè)邏輯場(chǎng)景的相對(duì)權(quán)重; Si 為被測(cè)智能汽車在單個(gè)邏輯場(chǎng)景中的評(píng)價(jià)結(jié)果, Si 可通過(guò)前面提及的任意一種方式在識(shí)別出危險(xiǎn)域后獲取, 即識(shí)別出危險(xiǎn)域后, 通過(guò)計(jì)算危險(xiǎn)域占比來(lái)得到。關(guān)于相對(duì)權(quán)重wi , 可以通過(guò)邏輯場(chǎng)景自身的屬性包括暴露率、危害度等確定。其中, 暴露率是指該類邏輯場(chǎng)景在自然駕駛狀況下出現(xiàn)的概率。危害度為該場(chǎng)景對(duì)被測(cè)智能汽車造成損害的嚴(yán)重性。

7 . 4 本章小結(jié)

本章基于三層抽象場(chǎng)景架構(gòu), 分三部分介紹了智能汽車安全性評(píng)估方法。第一部分介紹了基于具體場(chǎng)景的安全性評(píng)估方法, 主要內(nèi)容為場(chǎng)景瞬時(shí)風(fēng)險(xiǎn)評(píng)估方法, 包括面向單一目標(biāo)物的、基于可達(dá)集的和基于勢(shì)場(chǎng)論的評(píng)估方法; 另外還介紹了基于多階段安全評(píng)估和單個(gè)測(cè)試場(chǎng)景結(jié)果外推的具體場(chǎng)景安全性評(píng)估方法。第二部分介紹了邏輯場(chǎng)景的安全性評(píng)估方法, 以基于決策樹的危險(xiǎn)域識(shí)別方法和基于高斯混合模型的危險(xiǎn)域識(shí)別方法為例進(jìn)行了詳細(xì)介紹和驗(yàn)證;第三部分介紹了針對(duì)被測(cè)功能的安全性評(píng)估方法。

參考文獻(xiàn)

[1]InternationalOrganizationforStandardization.Roadvehicles?Testscenariosforautomateddrivingsys?tems?scenariobasedsafetyevaluationframework:ISO34502:2022[S].Geneva:ISO,2022.

[2]KILICARSLANM,ZHENGJY.PredictvehiclecollisionbyTTCfrommotionusingasinglevideocam?era[J].IEEETransactionsonIntelligentTransportationSystems,2018,20(2):522-533.

[3]JANSSONJ.Collisionavoidancetheory:Withapplicationtoautomotivecollisionmitigation[D].link?ping:link?pingUniversityElectronicPress,2005.

[4]LIY,LUJ,XUK.Crashriskpredictionmodeloflane?changebehavioronapproachingintersections[J].DiscreteDynamicsinNatureandSociety,2017.DOI:10.1155/2017/7328562.

[5]NILSSONJ,?DBLOMACE,FREDRIKSSONJ.Worst?caseanalysisofautomotivecollisionavoidancesystems[J].IEEETransactionsonVehicularTechnology,2015,65(4):1899-1911.

[6]TYAGII.Threatassessmentforavoidingcollisionswithperpendicularvehiclesatintersections[C]//2021IEEEInternationalConferenceonElectroInformationTechnology(EIT).NewYork:IEEE,2021:184-187.

[7]HOSSEINISM,MURGOVSKIN,DECAMPOSGR,etal.Adaptiveforwardcollisionwarningalgorithmforautomotiveapplications[C]//2016AmericanControlConference(ACC).NewYork:IEEE,2016:5982-5987.

[8]WINKLERS,WERNEKEJ,VOLLRATHM.Timingofearlywarningstagesinamultistagecollisionwarningsystem:Drivers