专利名称：一种智能车辆的智能程度测评方法
技术领域：
本发明属于信息处理技术领域，具体地涉及ー种智能车辆的智能程度测评方法。
背景技术：
现阶段智能车辆只能在简单、结构化的特定环境自主驾驶，还无法在真实城市环境、特别是拥挤道路和收费站等复杂交通环境下实现自主驾驶。通过智能车辆测试理论和方法研究，可以找出智能车辆环境感知、导航与定位、智能决策和规划研究中的难点。例如由于环境中光照等气候情况多变，并且交通标志变形、磨损，车辆运动使得图像获取较为模糊，使得智能车辆的环境感知能力受到限制。为了在复杂交通环境下自主行驶，智能车辆需要安装多种传感器，配合复杂处理算法进行环境感知。所以针对此设计典型交通环境对智能车辆的环境感知能力进行测试。此外，通过组织智能车比赛的方式，也可加强智能车辆研究单位之间的交流，而此类竞赛需要标准化评估方法。所以，开展智能车辆的智能程度测评方法研究具有重要意义。现阶段还没有ー种智能车辆智能测评方法能够保证测试通过的智能车辆可以在 真实交通环境中自主驾驶。通过研究和设计智能测试内容可以找出智能车辆研究重点和难点；通过研究交通环境复杂度与智能车辆环境感知之间的关系，能够提供ー个典型交通场景下的测试环境；通过研究测试任务复杂度及任务分解，并对测试任务进行完成程度评估，对智能车辆开展智能程度测评，只有通过相关测评之后，才可在真实交通中自主驾驶，才能有效地促进相关研究。本发明提出ー种智能车辆的智能程度测评方法，可以对智能车辆进行有效和科学的评估，使得智能车辆在通过测评之后可以在真实交通环境中自主驾驶。

发明内容
为了克服现有技术存在的上述问题，本发明提出了ー种智能车辆的智能程度测评方法。本发明的智能车辆的智能程度测评方法，包括通过自定义智能程度评估模型将智能车辆的智能测评转为环境复杂度、测试任务复杂度和测试任务完成度的评估；采用主成份分析法从众多环境复杂度评价指标中选择与智能车辆自主驾驶最为相关的指标，然后采用模糊综合方法获得交通环境复杂度评估E。；对智能车辆自主驾驶任务进行分解，采用分级分解法评估智能车辆自主驾驶任务的复杂程度，获得测试任务复杂度M。；采用分层分析法对某路段的测试任务完成程度进行评估，得到测试任务完成程度Mg ;获得智能车辆测
(a * ト]h * M )
试任务评估分值(Si) -.S1Cκ ' i ，a和b根据每次测试经验取值，K值根据每
次测试总分制取值，其中Mg = f(Ec, MJ是根据人机结合方式进行定义，针对测试路段上的
η
测试任务逐个获得测试任务评估分值Si,最后汇总之后得到总的测试任务分值。
综上，利用本发明的方法，能够更加准确地获取智能车辆的智能性信息，有效保证通过测试的智能车辆在真实交通环境中进行自主驾驶的安全性。


图I是本发明实施例中智能车辆智能程度测评软件示意图；图2是本发明实施例中智能车辆智能程度测试后台测评模型图；图3是本发明实施例中智能车辆测试任务分解图；图4是本发明实施例中采用分层分析法评估测试任务完成程度图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并參照附图，对本发明进ー步详细说明。本发明的智能车辆的智能程度测评方法，通过评估智能车辆在特定的测试环境Al下自主驾驶完成情况来获得其智能程度评价。测试环境一般是选取典型的城市道路，包括多个以GPS坐标描述的路点进行划分的路段，路点以路点文件的形式加载到智能车辆，智能车辆根据路点文件进行导航和完成测试任务，每个路段之间包含多个测试任务。根据跟随在智能车辆之后的工作车辆获得的测试环境视频录像A2，可以对该路段下智能车辆经过的环境复杂程度A3、所接受测试任务复杂程度A4和测试任务完成程度A5进行评估，通过软件操作形式结合后台测评模型完成智能车辆智能程度评估。智能车辆智能程度后台测评模型如图2所示。智能车辆在不同复杂程度测试环境下执行不同难度的测试任务，获得不同的任务完成程度。首先，采用主成分分析法进行环境复杂度指标简化选取，在此基础上专业评估人员结合测试环境复杂程度主要评价指标，采用模糊综合评价方法对环境复杂度进行综合评估，获得测试环境复杂度(EJE1。采用分级分解法评估智能车辆自主驾驶任务的复杂程度，获得测试内容复杂度(MJE2。通过观看现场交通环境的视频录像，采用分层分析法对某路段的测试任务完成程度进行评估，得到测试任务完成程度(Mg)E3。通过将三者归ー化之后，结合评估综合模型得到最后智能车辆测
试任务评估分值
权利要求
1.ー种智能车辆的智能程度测评方法，所述方法包括 通过自定义智能程度评估模型将智能车辆的智能测评转为环境复杂度、测试任务复杂度和测试任务完成度的评估； 采用主成份分析法从众多环境复杂度评价指标中选择与智能车辆自主驾驶最为相关的指标，然后采用模糊综合方法获得交通环境复杂度评估E。； 对智能车辆自主驾驶任务进行分解，采用分级分解法评估智能车辆自主驾驶任务的复杂程度，获得测试任务复杂度Mc ； 采用分层分析法对某路段的测试任务完成程度进行评估，得到测试任务完成程度Mg ； 获得智能车辆测试任务评估分值Si
2.如权利要求I所述的智能车辆的智能程度测评方法，其特征在于采用主成份分析法选取与智能车辆实现自主驾驶最相关的测试环境复杂度评价指标的步骤进一歩包括确定环境复杂程度评价指标，收集评价指标原始值，进行指标预处理，确定指标权重系数，构造综合评价模型，计算出各指标综合评价并进行排序，并按照实际需要选取权重靠前的指标。
3.如权利要求I所述的智能车辆的智能程度测评方法，其特征在于采用模糊综合方法评估测试环境复杂度的步骤进一歩包括 确定环境复杂度主要评价指标，确定各环境复杂度评价指标的权重向量W，确定每个环境复杂度评价指标复杂等级，进行某个环境复杂度单因素指标评判，建立模糊关系矩阵R，选取模糊算子*对W和R作模糊变换Y = W*R，得出单因素评价结果，对模糊向量Y做归ー化处理得Y'，对每一个复杂度评价等级赋予分值，得到分值向量C，最后得复杂度单因素指标评判结果得分Si=Y' tC,获得环境复杂度评价結果，重复前述步骤依次取第i个评价指标，得到S= {s1; s2，. . .，sn}，按环境复杂度评价指标权重W，采用加权平均法得到环境复杂度的综合评价得分E。= WXST。
4.如权利要求I所述的智能车辆的智能程度测评方法，其特征在于采用分级分解法评估测试任务复杂度的步骤进一歩包括 对智能车辆自主驾驶任务进行分解，采用分级分解法将每个基本动作Ai分解为一系 η列的基本操作Ai = {ali； a2i，. . . ani}，得到基本动作复杂度
5.如权利要求I所述的智能车辆的智能程度测评方法，其特征在于采用分层分析法对测试任务完成程度进行评估的步骤进一歩包括通过准则层的η个指标构造成对比较矩阵A = (Bij) ηΧη，其中aij是按照Satty建议的AHP法标度原则选取的、第i个与第j个评价指标相对上层任务完成情况重要性比较，采用和法近似估算A的最大特征值λ_及其对应特征向量Uk，计算A的随机一致性比率CR，做一致性检验并作出相应的调整，最后得到的Uk各元素就是各评价指标的权重，对多辆智能车进行任务完成程度排序，还要对多辆智能车比较各个任务完成程度评价指标下的得分，首先，成对比较m辆智能车的第一个任务完成 评价指标，结合前述方法得到成对比较阵B =〔bu〕mXm，其中by是第i个与第j辆车相对上层第一个评价指标评估情况比较，近似估算B的最大特征值λ max及其对应特征向量U1,计算B的随机一致性比率CR，做一致性检验并作出相应的调整，最后得到的U1各元素就是N辆智能车针对各评价指标的得分， 按照相同的步骤分别完成m辆智能车针对其他评价指标的得分Ui, {i = l,2,...,m},最后将智能车针对各评价指标的得分乘以各指标的权重，得到各智能车辆评价总分，排序之后得到智能车的任务完成程度测评:Mg = (s1； s2，. . .，sm)T = (U1, U2，…，Un)TUk。
全文摘要
本发明公开了一种智能车辆智能程度测评方法，包括通过自定义智能程度评估模型将智能车辆的智能测评转为环境复杂度、测试任务复杂度和测试任务完成度的评估；采用主成份分析法从众多环境复杂度评价指标中选择与智能车辆自主驾驶最为相关的指标，采用模糊综合方法获得交通环境复杂度评估Ec；对智能车辆自主驾驶任务进行分解，采用分级分解法评估智能车辆自主驾驶任务的复杂程度，获得测试任务复杂度Mc；采用分层分析法对某路段的测试任务完成程度进行评估，得到测试任务完成程度Mg；最后进行综合获得智能车辆测试任务评估分值。通过上述方法能够更加准确地获取智能车辆的智能性信息，有效保证通过测试的智能车辆在真实交通环境中进行自主驾驶的安全性。
文档编号G01M17/007GK102829980SQ20121021879
公开日2012年12月19日 申请日期2012年6月28日 优先权日2012年3月29日
发明者王飞跃, 黄武陵, 耿征, 刘玉强, 孙涛 申请人:中国科学院自动化研究所