[发明专利]基于多源数据挖掘的汽车智能驾驶系统有效性评价方法

说明书

本发明公开一种基于多源数据挖掘的汽车智能驾驶系统有效性评价方法，包括步骤：1)通过多源数据挖掘得到待评价车辆模型、随机交通场景模型、乘员损伤模型；2)基于随机交通场景和车辆模型，仿真出事故的特定场景；3)利用事故再现软件仿真该场景，输出碰撞后车辆状态；4)结合乘员损伤模型，计算事故发生后的乘员损伤风险和单位里程风险；5)将待评价车辆模型替换成常规模型，重复1)‑4)步得到无待评价系统车辆的单位里程乘员损伤风险；然后对比有、无待评价系统的损伤结果，得知该系统的有效性。该评价平台依靠多源数据和已知软件，可实现多种智能驾驶系统的评价，同时该评价平台运行成本低、速度快，具有较好的普遍适用性。

技术领域

本发明涉及车辆智能驾驶技术，具体涉及一种对汽车智能驾驶系统在减少乘员损伤风险方面有效性的评价方法。

背景技术

对于汽车智能驾驶系统在减少乘员损伤风险方面的有效性的评价，现有评价方法从设备条件上讲，可分为两类：一类是实验方法，一类是仿真方法。实验方法又可分为两类：实车实验和标准测试，前者：对不同智能驾驶系统具有普遍适用性，但花费大，耗时长，具有危险性；后者：标准统一，评价客观，操作简单，可重复性好，但工况单一，无法进行多工况下的统计分析。仿真方法也可分为两类：危险场景仿真和蒙特卡洛仿真，前者：无危险性，操作简单，可重复性好，仿真多种工况，可拓展性好，可进行统计分析，但样本数量少，且反应真实情况的能力较差；后者：具有普遍适用性，但运算量较大。但就方法成立的前提条件来讲，标准测试和危险场景评价是相同的，均要求待评价的系统的应用不影响正常的驾驶行为，这保证了从现有数据提炼的场景对该系统的适用性。而实车道路实验和蒙特卡洛仿真则是采用遍历法，对待评价系统没有特殊要求。

现有评价方法从数据来源上讲，主要可分两类：事故数据、FOT数据，事故数据：能够反映各种危险的事故类型，能够建立乘员损伤模型，但数据不完整，数据库不完善，需要大量的统一化整理分类工作；FOT数据：数据完整且数目多，能够建立随机仿真场景。

发明内容

综合以上所述方法的优点，为适应未来更加复杂的智能驾驶系统的有效性评价，本发明提供一种基于多源数据挖掘的蒙特卡洛与危险场景相结合的汽车智能驾驶系统有效性仿真评价方法。该方法可以定量评价出某项智能驾驶系统应用后带来的汽车安全性改善程度，并且实现该方法的评价平台依靠多源数据和多款商业化软件，可实现多种智能驾驶系统的评价，且该平台运行成本低、速度快，具有较好的普遍适用性。

为实现上述目的，本发明采取以下技术方案：

一种基于多源数据挖掘的汽车智能驾驶系统有效性评价方法，其特征在于：包括如下步骤：

1)通过多源数据挖掘得到装有待评价智能驾驶系统的待评价车辆模型、随机交通场景模型、乘员损伤模型；

2)基于随机交通场景和待评价车辆模型，利用动力学仿真软件仿真筛选出发生事故的特定场景；

3)利用事故再现软件仿真该场景，输出碰撞后车辆状态；

4)结合乘员损伤模型，计算事故发生后的乘员损伤风险，计算单位行驶里程的乘员损伤风险；

5)将待评价车辆模型替换成常规控制的车辆模型，重复1)-4)步，得到无待评价系统车辆的单位里程乘员损伤风险，然后对比有、无待评价系统在事故场景中的损伤风险，通过对比结果，得知该系统对提高汽车安全性是否有效。

具体地：

建立待评价车辆模型的过程是：

a.利用待评价系统的实车运行数据实现车辆的回正刚度、轮胎纵向刚度、时间延迟系数的辨识：