驾驶行为评价方法、装置、电子设备及存储介质与流程

摘要: 本技术涉及自动驾驶仿真与驾驶行为建模领域,尤其涉及一种驾驶行为评价方法、装置、电子设备及存储介质。背景技术:1、自动驾驶系统的开发与验证需要在大量交互密集且具有...
驾驶行为评价方法、装置、电子设备及存储介质与流程

本技术涉及自动驾驶仿真与驾驶行为建模领域,尤其涉及一种驾驶行为评价方法、装置、电子设备及存储介质。

背景技术:

1、自动驾驶系统的开发与验证需要在大量交互密集且具有安全风险的交通场景下进行测试。仅依赖实车道路测试难以高效覆盖此类复杂情形,因此交通仿真已成为自动驾驶验证的重要技术手段。

2、现有技术中,一类方法采用跟驰、换道、让行、间隙接受等微观驾驶行为模型对驾驶员行为进行描述。该类方法具有变量含义清晰、计算结构明确的优点,但通常通过固定参数或粗粒度驾驶员类别表达驾驶员差异,在汇入、让行、超车等交互密集场景下难以充分反映驾驶行为的异质性。

3、另一类方法利用大规模自然驾驶数据直接学习轨迹演化规律或行为策略。该类方法能够较好保持经验数据中的行为真实性,但通常直接在轨迹层或策略层进行建模,缺少稳定的中间层表示,导致其结构可解释性不足,难以直接迁移为透明、可控的仿真执行机制。

4、此外,已有研究尝试将连续驾驶过程划分为局部行为单元进行场景识别,或基于驾驶风格、激进程度描述驾驶员差异,但前者通常停留在局部分解层面而未构建稳定的驾驶员级表示,后者则多基于粗粒度标签或潜在因子而未将高层差异显式锚定于可观测的行为单元。局部可解释行为单元与高层驾驶员差异结构之间尚缺少稳定、统一的连接机制,进而缺少一套能够同时兼顾数据基础、行为可解释性、量化评价能力和仿真可执行性的驾驶行为表示与评价方法。

5、传统微观模型虽然具有较好的语义可解释性,但难以充分表达驾驶员异质性,在驾驶行为质量评价中,评价结果与驾驶员行为风格相耦合,导致不同风格驾驶员的质量得分不可比;自然驾驶数据驱动方法虽然具有较高行为真实性,但缺少稳定、透明的中间层表示结构;现有行为评价方法缺少从片段层到驾驶员层的分层聚合机制,且未能区分个体可控行为质量。

技术实现思路

1、为了解决上述技术问题或者至少部分地解决上述技术问题,本技术提供了一种驾驶行为评价方法、装置、电子设备及存储介质。

2、第一方面,本技术提供了一种驾驶行为评价方法,包括:

3、获取目标驾驶对象的轨迹数据,并对所述轨迹数据进行连续分段,得到多个行为片段;

4、针对每个场景类别,基于多个所述行为片段确定目标驾驶对象的行为基元层评价结果,并确定目标驾驶对象的行为基元分布;

5、将所述行为基元层评价结果分别投影至多个预设的驾驶基因原型,得到在各驾驶基因原型下目标驾驶对象的驾驶质量得分,每个所述驾驶基因原型是分别根据多个场景类别下的群体驾驶数据中各驾驶对象的行为基元组成分布确定的;

6、基于目标驾驶对象的行为基元分布与各驾驶基因原型的行为基元组成分布之间的匹配关系,确定目标驾驶对象与各所述驾驶基因原型的匹配权重;

7、基于所述匹配权重及所述驾驶质量得分确定场景级驾驶员层评价结果。

8、可选地,基于多个所述行为片段确定目标驾驶对象的行为基元层评价结果,包括:

9、分别对各所述行为片段进行场景分类和行为基元分类,得到各行为片段对应的场景类别和行为基元类型;

10、针对预设的多个评价维度中的每个评价维度,基于所述评价维度中所包含的评价指标对各所述行为片段进行指标计算和归一化处理,得到各行为片段在所述评价维度下的片段级评价结果;

11、按所述场景类别和所述行为基元类型对各所述评价维度下的片段级评价结果进行聚合,得到行为基元层评价结果。

12、可选地,基于预设的多个评价维度中所包含的评价指标对各所述行为片段进行归一化处理,得到各行为片段的片段级评价结果,包括:

13、对多个评价维度中具有预设物理阈值的评价指标,采用基于sigmoid函数的单调映射或分段函数映射的方式,对各评价指标的指标计算结果进行归一化处理,得到第一归一化指标值;

14、对多个评价维度中无预设物理阈值的评价指标,采用缩放到预设区间的方式进行归一化处理,得到第二归一化指标值;

15、将所述第一归一化指标值和所述第二归一化指标值,按照评价指标所属评价维度内预设的各指标权重进行加权求和,得到各行为片段在每个评价维度下的片段级维度分数;

16、基于各行为片段在每个评价维度下的片段级维度分数确定各行为片段的片段级评价结果。

17、可选地,按所述场景类别和所述行为基元类型对各所述评价维度下的片段级评价结果进行聚合,得到行为基元层评价结果,包括:

18、将具有相同场景类别和相同行为基元类型的片段归入同一聚合组;

19、在任一聚合组内,按照行为片段持续时长或者采用事件等权策略,对各行为片段的片段级评价结果中的片段级维度分数进行加权聚合,得到聚合得分;

20、根据多个聚合组对应的所述聚合得分确定所述行为基元层评价结果。

21、可选地,将所述行为基元层评价结果分别投影至多个预设的驾驶基因原型,得到在各驾驶基因原型下目标驾驶对象的驾驶质量得分,包括:

22、基于多个场景类别下的群体驾驶数据预先获得每个场景类别对应的驾驶基因原型,所述驾驶基因原型包括多个行为基元类型对应的行为基元组成权重;

23、针对每个评价维度,基于所述驾驶基因原型中各行为基元类型对应的行为基元组成权重,将所述行为基元层评价结果分别投影至多个所述驾驶基因原型,得到在各驾驶基因原型下目标驾驶对象的驾驶质量得分。

24、可选地,所述驾驶质量得分为行为基元层评价结果按照驾驶基因原型中多个行为基元类型对应的行为基元组成权重进行加权求和的结果。

25、可选地,基于各场景类别下目标驾驶对象的行为基元分布与各驾驶基因原型的行为基元组成分布之间的匹配关系,确定目标驾驶对象与各所述驾驶基因原型的匹配权重,包括:

26、计算目标驾驶对象的行为基元分布与各驾驶基因原型的行为基元组成分布之间的分布差异度量值;

27、根据多个所述分布差异度量值确定目标驾驶对象与各所述驾驶基因原型的匹配权重。

28、可选地,根据多个所述分布差异度量值确定目标驾驶对象与各所述驾驶基因原型的匹配权重,包括:

29、将每个所述分布差异度量值作为指数核函数的自变量,经指数核函数进行负指数变换,得到匹配度;

30、将多个所述匹配度进行归一化处理,得到目标驾驶对象与各所述驾驶基因原型的匹配权重。

31、可选地,当驾驶基因原型数量小于或等于预设数量阈值时,所述指数核函数中的温度参数为预设温度参数;

32、当驾驶基因原型数量大于预设数量阈值时,所述指数核函数中的温度参数根据所述驾驶基因原型数量确定。

33、可选地,基于所述匹配权重及所述驾驶质量得分确定场景级驾驶员层评价结果,包括:

34、针对每个评价维度,基于各驾驶基因原型对应的所述匹配权重及所述驾驶质量得分进行加权聚合,得到目标驾驶对象在多个评价维度下的场景级驾驶员层评价结果。

35、可选地,所述方法还包括:

36、基于所述场景级驾驶员层评价结果,按照预设的场景暴露权重对所述场景级驾驶员层评价结果进行聚合,得到个体行为质量得分;

37、基于系统级交通流效率评价指标单独确定交通流效率结果;

38、将所述交通流效率结果作为独立于所述个体行为质量得分的并行输出结果。

39、可选地,所述场景暴露权重按照各场景类别下行为片段的总持续时长占目标驾驶对象全部行为片段总持续时长的比例确定。

40、第二方面,本技术提供了一种驾驶行为评价装置,包括:

41、第一获取模块,用于获取目标驾驶对象的轨迹数据,并对所述轨迹数据进行连续分段,得到多个行为片段;

42、第一确定模块,用于针对每个场景类别,基于多个所述行为片段确定目标驾驶对象的行为基元层评价结果,并确定目标驾驶对象的行为基元分布;

43、投影模块,用于将所述行为基元层评价结果分别投影至多个预设的驾驶基因原型,得到在各驾驶基因原型下目标驾驶对象的驾驶质量得分,每个所述驾驶基因原型是分别根据多个场景类别下的群体驾驶数据中各驾驶对象的行为基元组成分布确定的;

44、第二确定模块,用于基于目标驾驶对象的行为基元分布与各驾驶基因原型的行为基元组成分布之间的匹配关系,确定目标驾驶对象与各所述驾驶基因原型的匹配权重;

45、第三确定模块,用于基于所述匹配权重及所述驾驶质量得分确定场景级驾驶员层评价结果。

46、第三方面,本技术提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;

47、存储器,用于存放计算机程序;

48、处理器,用于执行存储器上所存放的程序时,实现第一方面任一所述的驾驶行为评价方法。

49、第四方面,本技术提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有驾驶行为评价方法的程序,所述驾驶行为评价方法的程序被处理器执行时实现第一方面任一所述的驾驶行为评价方法的步骤。

50、本技术的有益效果:本技术实施例通过获取目标驾驶对象的轨迹数据并进行连续分段,针对每个场景类别,基于行为片段确定目标驾驶对象的行为基元层评价结果和行为基元分布,通过将行为基元层评价结果分别投影至多个驾驶基因原型,得到在多个驾驶基因原型视角下目标驾驶对象的驾驶质量得分,也就是以各驾驶基因原型为评价标尺时,目标驾驶对象的驾驶质量表现对应的得分,再通过将目标驾驶对象的行为基元分布与各驾驶基因原型的行为基元组成分布进行匹配,确定目标驾驶对象与各所述驾驶基因原型所代表的驾驶风格的匹配权重,最后基于驾驶质量得分(表现)与匹配权重(风格)综合确定场景级驾驶员层评价结果,使不同风格驾驶员之间的综合评价具有风格感知性,即便两个驾驶员在相同行为基元上获得完全相同的驾驶质量得分,仍会因其行为风格不同而获得不同的场景级驾驶员层评价结果,不同风格驾驶员的驾驶行为质量可在各自匹配的驾驶基因原型下获得准确评价。