一种自动驾驶系统防御性驾驶能力评价方法

本发明涉及自动驾驶测试，尤其是涉及一种自动驾驶系统防御性驾驶能力评价方法。

背景技术：

1、随着智能驾驶技术的不断发展，人们对于自动驾驶系统的期望也逐渐提高，尤其是在处理复杂动态环境时的表现，自动驾驶系统在处理各种动态情境时面临着巨大的挑战，通常需要更高级别的决策规划能力，为确保车辆的安全运行，必须针对自动驾驶系统进行安全测试。

2、目前，针对自动驾驶系统进行安全测试评价主要侧重于被动安全和主动安全，其中，被动安全测试关注车辆在发生交通事故时能否尽量减小对人的危害；主动安全测试聚焦于车辆的感知系统到控制系统对真实风险的响应，关注真实风险出现时，车辆能否通过预警提示、主动制动、转向辅助等干预措施避免事故的发生。然而，上述安全测试方法难以量化人类驾驶员防御性驾驶的能力，从而无法对自动驾驶系统进行更严格的测试与评价。

3、对于人类驾驶员，防御性驾驶是指一种通过预见场景中的潜在风险并提前采取相应措施，从而避免交通事故发生的驾驶方式。具备防御性驾驶能力的驾驶员在行驶过程中，能够准确地预见由其他交通参与者或路况而可能导致的潜在风险，并能提前采取合理、有效的措施，从而防止事故的发生。通过将防御性驾驶能力融入自动驾驶系统评价中，可以进一步保证自动驾驶汽车的安全性，确保其能够做到“预防性安全”。然而，传统采用调查问卷方式，以收集人类驾驶员对于自动驾驶系统在防御性驾驶方面的主观定性评价，这种方式无法实现客观定量评价，现有技术设计参考驾驶员模型来实现自动的安全测试评价，但参考驾驶员模型大多基于人类标定参数，采用解析法生成确定性的紧急避险动作，此类方法不仅局限于单一的安全参考基线，且难以表征人类驾驶员行为的异质性。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种自动驾驶系统防御性驾驶能力评价方法，能够对自动驾驶系统的防御性驾驶能力进行全面准确的量化评价。

2、本发明的目的可以通过以下技术方案来实现：一种自动驾驶系统防御性驾驶能力评价方法，包括以下步骤：

3、s1、模拟复现典型防御性驾驶场景；

4、s2、采集典型防御性驾驶场景下专家驾驶员的驾驶行为数据；

5、s3、基于专家驾驶员驾驶行为数据，通过训练条件变分自编码器（conditionalvariational autoencoder，cvae），构建能够表征防御性驾驶行为概率分布的主动防御参考驾驶员模型；

6、s4、在典型防御性驾驶场景中，基于主动防御参考驾驶员模型生成参考时空安全包络区域，并在相同场景条件下对被测自动驾驶系统进行测试，获得相应测试结果；

7、s5、基于测试结果，根据被测自动驾驶系统的时空轨迹与参考时空安全包络区域的包含关系，通过计算安全性、高效性及舒适性指标，获得被测自动驾驶系统的防御性驾驶能力综合评分，即得到评价结果。

8、进一步地，所述s1具体是基于实车场地试验或仿真软件，以对典型防御性驾驶场景进行模拟复现，所述典型防御性驾驶场景具体为：基于开源自然驾驶数据及事故数据，经专家分析筛选出的需执行防御性驾驶行为以规避潜在事故或降低潜在风险的典型驾驶场景。

9、进一步地，所述s2包括以下步骤：

10、s21、选取具备防御性驾驶能力的人类专家驾驶员；

11、s22、在模拟复现的典型防御性驾驶场景中，将自车控制权移交至专家驾驶员，并采集专家驾驶员的驾驶行为数据；

12、s23、在所采集的驾驶行为数据中，筛选由于专家驾驶员采取主动防御驾驶行为而成功避免事故或有效降低潜在风险的样本，以作为防御性驾驶行为数据。

13、进一步地，所述s3包括以下步骤：

14、s31、构建cvae网络架构，包括主编码器、注意力模块、条件编码器和解码器；

15、s32、在训练阶段，利用防御性驾驶行为数据及对应的防御性驾驶场景状态信息对cvae网络进行训练，以最小化损失为训练目标，使cvae学习防御性驾驶轨迹的特征；

16、s33、在生成阶段，将当前的场景状态信息输入至训练完成的cvae中，通过潜在空间采样和解码，生成得到防御性驾驶轨迹。

17、进一步地，所述s31构建的cvae网络架构中，注意力模块用于提取场景中具有高潜在风险的场景特征向量并注入条件编码器；

18、条件编码器用于将接收的场景特征向量编码为场景特征隐变量；

19、主编码器用于将专家驾驶员的防御性驾驶轨迹序列编码为轨迹特征隐变量；

20、解码器用于拼接场景特征隐变量和轨迹特征隐变量，并映射为潜在空间中的高斯分布参数，通过从潜在空间中采样潜在变量，将与场景特征隐变量融合，生成主动防御参考驾驶员模型的规划轨迹。

21、进一步地，所述注意力模块包含时序注意力模块和目标注意力模块，所述时序注意力模块用于从场景状态信息中提取时序特征向量；

22、所述目标注意力模块用于从场景状态信息中提取目标交互特征向量；

23、将时序特征向量与目标交互特征向量进行拼接后获得场景特征向量。

24、进一步地，所述s4包括以下步骤：

25、s41、在典型防御性驾驶场景中，对主动防御参考驾驶员模型进行多次测试，生成多条参考轨迹，并映射至时间-空间联合坐标系中，划定预设置信度下的参考时空安全包络区域；

26、s42、在相同场景条件下，对被测自动驾驶系统进行测试，并记录对应的时空轨迹数据。

27、进一步地，所述s5包括以下步骤：

28、s51、分别计算安全性评分、高效性评分和舒适性评分；

29、s52、将被测自动驾驶系统的时空轨迹映射至时空坐标系，判定被测轨迹与参考安全包络区域的包含关系；

30、s53、计算被测自动驾驶系统防御性驾驶能力综合评分。

31、进一步地，所述安全性评分的计算公式为：

32、

33、

34、其中，为主动防御参考驾驶员模型的所有参考轨迹在场景中所面对的风险大小均值，为被测自动驾驶系统在场景中所面对的风险大小，和均被归一化至[0,1]范围内，为修正系数，当时表征被测自动驾驶系统的安全性水平与主动防御参考驾驶员模型持平；

35、所述高效性评分的计算公式为：

36、

37、其中，为主动防御参考驾驶员模型所有参考轨迹的效率指标计算结果均值，为被测自动驾驶系统的效率指标计算结果，为限值缩放系数；

38、所述舒适性评分的计算公式为：

39、

40、其中，为主动防御参考驾驶员模型所有参考轨迹的舒适性指标计算结果均值，为被测自动驾驶系统的舒适性指标计算结果，为舒适性限值。

41、进一步地，所述被测自动驾驶系统防御性驾驶能力综合评分的计算公式为：

42、

43、其中，为防御性驾驶能力综合评分，为安全性评分，为被测自动驾驶系统的时空轨迹，为高效性评分，为舒适性评分，、和为权重系数，和为缩放系数，数值越高，表征防御性驾驶能力越强。

44、与现有技术相比，本发明具有以下优点：

45、本发明在模拟复现典型防御性驾驶场景的基础上，通过采集专家驾驶员的驾驶行为数据来训练条件变分自编码器cvae，以构建能够表征防御性驾驶行为概率分布的主动防御参考驾驶员模型；再在典型防御性驾驶场景中，基于主动防御参考驾驶员模型生成参考时空安全包络区域，并在相同场景条件下对被测自动驾驶系统进行测试，获得相应测试结果；最后基于测试结果，根据被测自动驾驶系统的时空轨迹与参考时空安全包络区域的包含关系，通过计算安全性、高效性及舒适性指标来获得被测自动驾驶系统的防御性驾驶能力综合评分。由此能够学习专家驾驶员的防御性驾驶行为，并以参考驾驶员模型为基准，通过安全包络区域和多维指标进行综合评分，将评价体系由传统的“确定性基线”拓展至“参考时空安全区域”，从而有效且全面地评价自动驾驶系统的防御性驾驶能力。

46、本发明在采集专家驾驶员的驾驶行为数据中，筛选由于专家驾驶员采取主动防御驾驶行为而成功避免事故或有效降低潜在风险的样本，以作为防御性驾驶行为数据（包含防御性驾驶轨迹及其对应的场景状态信息），利用防御性驾驶行为数据对cvae进行训练，以最小化损失为训练目标，使cvae学习防御性驾驶轨迹的特征，以构建具备主动防御能力的参考驾驶员模型，将评价重心由紧急避险能力、事故伤害减轻程度前移至危险发生前能否主动降低风险的能力，对被测自动驾驶系统提出了更高的安全能力要求，有助于推动自动驾驶系统在风险感知、决策前瞻性及行为稳健性方面的持续迭代与优化。

47、本发明通过将多次采样的主动防御参考轨迹聚合为参考时空安全包络区域，在时间与空间联合域内界定防御性驾驶的可接受行为边界，保留了人类驾驶员在策略选择上的合理异质性，同时避免了以单一轨迹或固定阈值作为绝对标准所带来的评价偏差。

48、本发明在参考时空安全包络区域的基础上，结合安全性、高效性及舒适性多维评价指标，对被测自动驾驶系统的防御性驾驶能力进行综合评价，将自动驾驶系统的性能表现与主动防御参考驾驶员模型对比，从而对于自动驾驶系统的防御性驾驶能力进行量化评价。