[发明专利]一种基于势场法和信息熵的自动驾驶安全性评价方法

权利要求书

1.一种基于势场法和信息熵的自动驾驶安全性评价方法，其特征在于，包括以下步骤：

步骤一、对逻辑场景内参数概率分布使用高斯分布进行描述，收集被测逻辑场景的相对发生概率；

步骤二、基于场景测试特征，将被测算法的危险指标分为具体场景固有风险指标、具体场景失效风险指标、具体场景危险度、单逻辑场景危险度和多逻辑场景危险度；

步骤三、计算具体场景固有风险指标；

步骤四、计算被测算法在不同具体场景失效风险指标；

步骤五、计算被测算法在不同具体场景危险度；

步骤六、计算被测算法在单逻辑场景中的危险度；

步骤七、计算被测算法在多逻辑场景中的危险度；

所述步骤一的具体方法如下：

使用开源自然驾驶数据集或自建自然驾驶数据采集平台收集需要测试的逻辑场景场景要素数据，对同一逻辑场景内的不同场景要素分布范围使用高斯分布进行描述，如公式(1)，对不同逻辑场景的相对发生概率使用表格方式进行记录，计算公式如(2)所示，所有逻辑场景的相对发生概率的和为1；

其中，x_ij为第i类场景要素在j处的取值；Pij为第i类场景要素在j处的概率；σ_i为第i类场景要素的标准差；μ_i为第i类场景要素的均值；

其中，P_h为第h种逻辑场景的相对发生频率；n_h为第h种逻辑场景在自然驾驶数据中的发生次数；n_all为自然驾驶数据中所有被测逻辑场景的发生总次数；

所述步骤三的具体方法如下：

31)通过逻辑场景最危险点对不同具体场景参数形成的引力场描述具体场景固有危险性指标，如公式(3)；距离最危险点距离的远近表达了具体场景参数理论情况下的危险程度，逻辑场景最危险点是理论情况下该逻辑场景中最容易发生事故的位置；

其中，U_inherent为不同具体场景参数的固有危险性指标；ξ为最危险点对不同点的引力增益；d(q,q_danger)为最危险点与不同具体场景参数距离的函数；

32)使用标准化函数归一不同参数的距离维度；随后通过熵权法计算不同场景要素的距离权重，根据距离权重计算标准化坐标系下的不同具体场景参数的距离函数，并将该距离映射到实际测试场景坐标系中不同具体场景参数距离逻辑场景最危险点的距离；由于测试对于具体场景的测试方法是基于逻辑场景中所有具体场景的遍历测试，采样点的选择呈现均匀分布，因此选择min-max标准化方法将一类场景要素数值归一至0-1之间，所述场景要素如公式(4)所示：

其中，q_i'为标准化之后的要素参数；q_i是标准化之前的要素参数；q_{i_max}是标准化之前要素参数的最大值；q_{i_min}是标准化之前要素参数的最小值；

33)通过熵权法计算不同场景要素的权重；首先使用公式(5)计算权重信息熵，权重信息熵越小，该指标的变异程度越大，提供的信息量越多，当发生改变时其作用也较为明显，其应该有较大的权重；

其中，h_j为该类场景要素的权重信息熵；p_ij是该类场景要素离散得到的每个参数标准化后的重要程度；n为该逻辑场景离散所得的所有具体场景数量；q_ij'为第i个具体场景在第j个维度的标准化后的值；下标j为该类场景要素；下标i为该类场景要素离散得到的数值；

34)根据不同场景要到的权重信息熵，计算不同场景要素的权重，如公式(7)所示：

其中，w_j为不同场景要素的权重；h_j为该类场景要素的权重信息熵；k为场景要素的总数；

35)根据得到的不同场景要素权重，距离函数d(q,q_danger)的计算过程如下：

其中，k为场景要素的数量；w_j为不同场景要素的权重；q'_{danger_j}为最危险点中不同场景要素的值；q'_j为样本点中不同场景要素的值；下标j为不同的场景要素类型；

所述步骤四的具体方法如下：

使用碰撞或失效危险参数点对周围其他点形成的引力场作为不同具体场景的碰撞或失效危险性指标；

其中，U_failure为具体场景的碰撞或失效危险性指标；η为引力增益；d(q,q_danger)为最危险点与不同具体场景参数距离的函数；d*为碰撞或失效危险点的作用距离阈值，大于此距离的场景危险点不会产生引力；

所述步骤六的具体方法如下：

将逻辑场景内所有具体场景进行积分，获得被测自动驾驶算法在该逻辑场景下的总体危险性评价指标，如公式(11)所示：

其中，S是逻辑场景形成的参数空间；q为逻辑场景内的具体场景；U_l为该逻辑场景的危险评价指标；U_c为逻辑场景内不同具体场景的危险评价指标。