一种用于自主无人系统的测试方法与流程

1.本发明属于无人系统测试技术领域，尤其涉及一种用于自主无人系统的测试方法。


背景技术：

2.自主无人系统是拥有认知、分析、决策和行动等能力的高度智能化的闭环反馈控制系统。随着人工智能技术的快速发展，自主、集群、有人/无人协同为典型特征的规模化无人系统，将成为未来科技的重要发展方向。目前自主无人系统由两大部分组成，一是具备智能处理和决策能力的无人平台，二是具有感知、交互、通信等能力的辅助部分组成。自主无人系统具备感知、交互和学习的能力，基于知识进行自主推理、自主决策，从而达成设定的目标。
3.人工智能无论从理论研究还是从应用实践都存在众多分支和发展方向。在理论上人工智能分为王大学派，如符号主义(symbolicism)或计算机学派(computerism)；连结主义或生理学派(physiologism)；行为主义(actionism)或控制论学派(cybemeticsism)等。在应用实践上，人工智能可应用的方向包括符号计算、模式识别、机器翻译、机器学习、问题求解、逻辑推理与定理证明、自然语言处理、分布式人工智能、计算机视觉、智能信息检索、专家系统等。
4.由于每种具体的人工智能系统往往只具备一个或若干上述提到的功能，没有统一的分析和测试方法对不同的人工智能系统进行测试。因此，针对自主无人系统的人工智能水平的定量评测还面临多项困难，需要研究建立针对无人系统人工智能水平的表征方法，建立认知和决策行为评级量表，研究量化的测试方法，对无人系统的人工智能水平进行评估。


技术实现要素：

5.基于此，本发明提供一种用于自主无人系统的测试方法，通过借鉴人类智商测试的分析策略，构建智能评价指标量表和计算方法。
6.本发明通过以下技术方案实现。
7.一种用于自主无人系统的测试方法，包括：
8.根据自主无人系统的智能化特征，构建分层分级的评估模型量表，建立分层分级的指标因素集u；对所述指标因素集u中的各项属性进行评分，确定决策能力评价集v；将所述指标因素集u的各项属性与对应的决策能力评价集v进行组合，构建评判隶属矩阵r；对指标因素集u中的各项属性进行相对权重评估，通过构建比较评判矩阵a，最终得出分级指标的权重向量w；将指标权重向量w和分级指标评判隶属矩阵r相乘，最终得出模糊决策集b，所述模糊决策集b的各个元素即为对自主无人的系统的各个指标因素的评分。
9.本发明的有益效果：
10.相对于传统评估模型量表中是针对特定智能设备或算法进行评估，本发明没有限
制评估模型量表的内容，通过多级评分及加权的量表设计方法，使评分方法具备高度扩展性；本发明的评估计算过程引入模糊决策的计算方法，通过指标权重向量，实现对不同评分项目的权重调整。
附图说明
11.图1为本发明一种用于自主无人系统的测试方法流程图。
具体实施方式
12.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。
13.如图1所示，本实施方式中的一种用于自主无人系统的测试方法，具体包括如下步骤：
14.步骤一、根据自主无人系统的智能化特征，构建分层分级的评估模型量表，建立分层分级的指标因素集u；
15.具体实施时，可以针对评估对象的实际情况，提出一些切实能够反映评估对象效能的评估内容，所述评估内容的好坏与系统性能的好坏密切相关，评估内容构成模型的最高一层(以下简称顶层)，然后，将每一项评估内容层层分解，直至产生可精确定义的和可精确测试的属性为止，将这些属性按照层级组合起来，本层级的属性组合成该层级的指标因素子集合，该集合同时是上一层级的指标因素集的元素之一。以此类推，构建完整分层分级的指标因素集u；
16.步骤二、对所述指标因素集u中的各项属性进行评分，确定决策能力评价集v；
17.本实施例中所述的评判集是对决策能力进行评估的基本标准，采用量化或非量化评分方法，对指标因素集u中的某项具体指标进行评估，并统计评分的结果。
18.所述量化评分方法是通过搭建试验环境，对自主无人系统的某项指标进行测试，并根据指标给出评分的数值的分布；例如，得分在[0,10)、[10,20)、
……
、[90,100]分数区间的分数的占比，各分值占比的集合即为评价集v。
[0019]
所述非量化评分方法是通过多名专家评分，对自主无人系统的某项指标进行打分，并统计评分的分布；例如，打分在[0,10)、[10,20)、
……
、[90,100]分数区间的专家的占比，各分值占比的集合即为评价集v。
[0020]
步骤三、将所述指标因素集u的各项属性与对应的决策能力评价集v进行组合，构建评判隶属矩阵r。具体为：对所述指标因素集u中的每个指标因素，都完成评分，形成该指标因素对应的评判集，然后将所有评判集依照指标因素集u的结构组合起来，得到指标评判隶属矩阵r，其中各个元素表示为r
ij
，即第j个指标关于第i项评价因素的指标值；
[0021]
步骤四、对指标因素集u中的各项属性进行相对权重评估，通过构建比较评判矩阵a，最终得出分级指标的权重向量w；
[0022]
具体实施时，由于各级指标对自主无人系统的各个属性对自主无人系统智能水平的影响程度不同，因此在进行综合评判时，进一步按照重要程度对不同属性进行加权，给出每级指标的权重向量w。
[0023]
采用层次分析法对指标因素集u中的各项属性进行相对权重评估，具体为：
[0024]
首先，构造比较评判矩阵a，根据各指标之间的内在联系，通过两两比较法，确定自主无人系统的各个属性之间的相对重要程度，构造比较评判矩阵a＝(a
ij
)，ij表示第i个指标与第j个指标的相对重要性，然后，将评判矩阵a按行、列进行归一化后，得到权重向量w。
[0025]
步骤五、将指标权重向量w和分级指标评判隶属矩阵r相乘，最终得出模糊决策集b，所述模糊决策集b的各个元素即为对自主无人的系统的各个指标因素的评分。
[0026]
自此，实现对自主无人的系统的智能特征的量化评估。
[0027]
实施例1:
[0028]
(1)针对某个自主无人系统，建立评估模型量表，并构建三级指标因素集。一级评判指标共有n类，其构成的因素集u如下：
[0029]
u＝{指标1，指标2，指标3，
……
，指标n}＝{u1,u2,u3,
…
,un}
[0030]
同理，上述指标中第k类一级指标，可以划分为m类二级评判指标，其构成的因素集如下：
[0031]
uk＝{指标1，指标2，指标3，
……
，指标m}＝{uk1,uk2,uk3,
…
,ukm}
[0032]
依次类推，上述指标中，第q类二级指标，可以划分为l类三级评判指标，其构成因素集如下：
[0033]
ukq＝{指标1，指标2，指标3，
……
，指标l}＝{ukq1,ukq2,ukq3,
…
,ukql}
[0034]
如上所述，逐级对指标进行分解，直至分解到最底层可精确定义的和可精确测试的属性。
[0035]
(2)制定评判集，采用100分制打分方法，最高分数是100，代表在该项指标上，自主无人系统达到最高智能程度；最低分数为0，代表在该项指标上，自主无人系统无智能。划定各个评分区间，可以得到评判集v：
[0036]
v＝(v1,v2,v3,v4,v5,v6,v7,v8,v9,v10)＝([0,10)，[10,20)，[20,30)，[30,40)，
[0037]
[40,50)，[50,60)，[60,70)，[70,80)，[80,90)，[90,100])
[0038]
通过多次试验或多个专家打分，统计打分在[0,10)、[10,20)、
……
、[90,100]分数区间的占比，计算出该项指标对应的评判集。
[0039]
(3)确定分级指标评判隶属矩阵r，即用评判集v中的分数，为指标因素集u中的每个指标因素进行评分，形成分级指标评判隶属矩阵r。
[0040]
(4)确定分级指标权重向量w。构造比较评判矩阵a，对指标因素集u中的元素进行两两比较，得到评判矩阵a中的各个元素值。评判矩阵a中的元素用aij表示，若因素i与因素j比较得aij，那么因素j与因素i比较得1/aij。aij的取值一般取正整数1、3、5、7、9及其倒数。以某个因素为准则，本层次因素i与因素j相比，1、3、5、7、9分别表示i比j同样重要、稍微重要、明显重要、强烈重要和极端重要。将得到的评判矩阵a，按行、列进行归一化后，得到权重向量w。
[0041]
(5)计算得到模糊决策集b
[0042]
采用权重指标向量w和评判隶属矩阵r进行合成运算，得到v上的模糊子集b，即b＝w
·
r。按此方法进行各级指标的运算。
[0043]
最后，将b与一级指标对应的评判集v相乘，得到最终分数值，通过此分数对自主无人系统的分数进行量化评估。
[0044]
综上所述，以上仅为本发明的较佳实例而已，并非用于限定本发明的保护范围。凡
在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。