1.一种面向智能汽车复杂测试场景的主客观融合关键性量化方法,其特征在于,包括以下步骤:(1)对复杂测试场景数据集进行处理:
将第n个复杂测试场景的第t时刻数据拆分成三个场景要素,包括气象要素交通要素和道路要素(2)主客观融合关键性量化方法
(2.1)主观复杂测试场景关键性量化方法
首先利用虚拟仿真软件复现上述三个场景要素,即在虚拟仿真场景中构建与真实环境相同的复杂场景;
然后将主车的驾驶视角在驾驶模拟器上进行展示;
招募数名驾驶人,在观测驾驶模拟器上的视频后,需要对测试场景进行复杂场景评价,即关键性量化;主观评价矩阵重于测试场景的两个方面:驾驶员认为场景存在碰撞风险的程度和驾驶员是否愿意控制车辆以提高交通效率;利用主观评价矩阵确定该复杂测试场景对应的主观评价结果;
为了保证主观量化的合理性,选取数个不同的驾驶员对每个测试场景进行量化,利用个数加权最终得到第n个测试场景的主观量化结果Labn,具体的加权过程如下:式中,j代表场景标签数值;mj为驾驶人选择j标签对应的人数;
(2.2)客观复杂测试场景关键性量化方法
客观复杂测试场景关键性量化方法基于风险场方法进行构建,利用风险场方法分别针对交通要素和道路要素构建风险场,并利用气象要素构建场强衰减系数;然后利用上述场强分别构建主车和环境产生的风险场,并利用它们之间的交互作用构建交互场强特征,将交互场强特征IFF定义为客观方法的量化结果,将场景的交通、道路和气象要素三种异质的要素融合成一个量化结果,进而客观地描述主车在当前驾驶环境中的行车风险;
所述的交互场特征的计算过程如下:
首先,由道路要素、交通要素和气象要素分别产生道路势场交通势场和不利天气场强度劣化因子在此基础上,构建出环境场强然后,按照与相同的方法计算主车产生的风险场最后,基于Delaunay三角离散化方法离散和两个连续的非均匀势场,并计算两个离散势场之间的相互作用值IFFn,t;和之间的排斥越强烈,相应的IFFn,t值就越大,这代表了第n个场景中第t个时间点驾驶环境对本车产生的安全风险越大;将场景中取所有时刻中最大的IFFn,t作为客观复杂测试场景关键性量化结果IFFn;为保证关键性量化结果量纲一致性,将IFFn进行归一化处理;
(2.3)通过取主观和客观的测试场景关键性量化结果的平均值得出最终场景的量化结果Cn,其表达式为:(3)利用软聚类算法对测试场景进行关键性量化
借助软聚类算法对未进行量化的测试场景进行关键性量化,使用的软聚类算法考虑了样本数目不均衡的情况,利用软聚类算法基于已量化的关键性结果对其他场景进行自动关键性量化,输出最终的复杂测试场景关键性量化结果。
2.根据权利要求1所述的一种面向智能汽车复杂测试场景的主客观融合关键性量化方法,其特征在于:步骤(1)中,气象要素包括降雨强度Ra和雾气能见度Vis;交通要素包括车辆的横纵向位置、速度和加速度;道路要素包括路面附着系数μ、车道线位置和车道线线性。
3.根据权利要求1所述的一种面向智能汽车复杂测试场景的主客观融合关键性量化方法,其特征在于:步骤(2.2)中,所述的交通势场计算方法如下:单个车辆m产生的交通势场被定义为基于位置、速度和加速度运动参数的其与周围位置碰撞风险的表示,其映射关系表示为的表达式为:
其中,Mm是由车辆m的类型和实际质量决定的虚拟质量;γR描述了雨水导致的路面附着系数μ的变化,μr表示降雨后的路面附着力降低系数;cr是一个常数,决定了接近m时的风险增长率,cr设为0.7;是时空域中任意一点与m之间的时空距离,其构建过程考虑了车辆速度;
所述的道路势场计算方法如下:
道路势场考虑两类重要的道路要素,一类是静态障碍物产生的势场另一类是车道产生的势场产生的风险是均匀分布的,在计算时将速度设为0,从而得到与静态障碍物相对应的对于车道而言,车道产生的势场的表达式为:其中,NL表示车道数;Ii表示第i条车道的车道线线性ε所产生的意义,存在实线对应的取值大于虚线取值的关系;σ为固定值,该值的大小决定了本车接近车道线时的增长率;的表达式为:天气条件智能汽车感知系统考虑雨和雾两种天气条件,建模雨和雾对智能汽车感知模块的影响;雨雾天气条件对本车感知模块产生的不利天气场强度劣化因子受和目标与本车之间纵向距离Dis的耦合效应影响,采用表示,其中W( )的选择取决于不同传感器的校准;表示与没有不利天气条件时相比,该情景的风险加剧系数;的建模过程是确定Dis和的不同组合下该强度劣化因子的变化规律;
根据上述三种势场计算方法,得出场景n时刻t的表达式:
对于的建立,其值由和之间的最大强度并乘以确定。
4.根据权利要求3所述的一种面向智能汽车复杂测试场景的主客观融合关键性量化方法,其特征在于:将的构建方法应用于雨雾天气下智能汽车的相机感知模块中的YOLO-v5目标识别功能;为了得到Dis和的综合参数组合,利用PreScan和Simulink生成图像来构造W( );首先,在PreScan中构建不同下的不同Dis场景,并结合Simulink记录当前Dis值和相应图像;其次,将获取的图像输入YOLO-v5以识别图像中的目标,并记录Dis和不同组合下的IOU识别结果,定义为IOUW;再次,记录无的不同Dis下的IOU识别结果,定义为IOUO;最后,Dis、和感知衰减系数ΘW分别以x轴、y轴和z轴表示;
IOUW和IOUO之间的绝对差值定义为ΘW,分别在同一Dis场景中受天气条件影响和不受天气条件影响时获得,ΘW的表达式为:ΘW=|IOUW-IOUO|
记录了包括降雨强度Ra和雾气能见度Vis在内的Dis和不同组合的IOUW结果,从而构建出ΘW;的表达式为:其中,βT为物体类别系数,用于确定不同目标物体对自我车辆造成的风险程度。
5.根据权利要求1所述的一种面向智能汽车复杂测试场景的主客观融合关键性量化方法,其特征在于:步骤(2.2)中,两个离散势场之间的相互作用值IFFn,t计算方法如下:在得到和之后,首先通过Delaunay三角形离散化方法对连续势场进行离散化;随后,利用每个三角形曲面的特征点计算IFFn,t;
所述的Delaunay三角形具有唯一性、最优性和最接近性优点,使用Delaunay三角形分别处理和得出相应的三角形曲面和通过使用的风险特征点和的风险特征点分别量化和之间的IFFn,t;和的计算方法相同,以为例进行说明:第i个的三个顶点坐标分别为和相应的表达式为:参照万有引力定律,IFFn,t由和量化,其表达式为:
其中,是指第n个场景中第i个在t时刻的坐标值;是指第n个场景中第j个在t时刻的坐标值。
6.根据权利要求1所述的一种面向智能汽车复杂测试场景的主客观融合关键性量化方法,其特征在于:步骤(3)中,所述的软聚类算法针对传统的硬聚类算法其隶属度值非0即1的严格隶属关系,使用模糊集合理论,将原隶属度扩展为0到1之间的任意值,提高聚类算法对现实数据集的处理能力;通用均衡模糊C-means聚类算法GEFCM是对传统模糊C-means聚类算法最优化准则进行了改进,GEFCM设置的目标函数为:且满足约束条件:
式中,m表示模糊度控制系数;ci代表第i组聚簇的聚类中心,i=1,2,…,c,c代表总聚簇个数;xj为测试场景数据,j=1,2,…,n代表共有n个测试场景数据进行聚类;U=(uij)c*n为隶属矩阵,uij代表隶属度表示xj属于第i组聚簇的程度;Dis(xj,ci)表示场景xj与场景ci之间的相似度,需要分别考虑场景中交通NT、道路NR和气象NW参数取值,具体的定义为:式中,代表两个场景中所有对应位置车辆轨迹之间的DTW距离的平均值;根据GEFCM目标函数及约束条件基于拉格朗日乘子法构建新的目标函数:对GEFCM目标函数公式中uij和ci求偏导数,并令其结果为0,从而得到:通过左右两侧对i进行累加,得出:
从而得到拉格朗日乘子λj的表达式:
将λj带入原式得出uij的迭代公式:
通过软聚类算法能够获取未进行主客观关键性量化的测试场景的量化结果,uij和ci的表达式属于互相耦合的联立方程,无法得到解析解,因此通过迭代得出uij和ci的估计值。