自动驾驶算法优化度确定方法、装置及电子设备与流程

1.本技术涉及计算机技术领域，特别涉及一种自动驾驶算法优化度确定方法、装置及电子设备。


背景技术：

2.随着科技的高速发展和汽车智能化时代的到来，自动驾驶技术将在未来智能交通系统中占据极其重要的地位。自动驾驶技术对社会、驾驶员和行人均有益处，即使受其他汽车交通事故发生率的干扰，使用自动驾驶技术也可以使整体交通事故发生率稳步下降。
3.自动驾驶算法为自动驾驶技术中最重要的部分之一，为了改善自动驾驶技术，往往需要不断地改进自动驾驶算法，然而，自动驾驶算法优化度无法量化评定。


技术实现要素：

4.为了解决上述现有技术中的问题，本技术实施例提供了一种自动驾驶算法优化度确定方法、装置及电子设备，可以对自动驾驶算法优化度进行量化评定。
5.第一方面，本技术实施例提供了一种自动驾驶算法优化度确定方法，所述方法包括：
6.根据测试车辆基于第一自动驾驶算法在道路上行驶的行驶数据，确定多个第一样本对；所述第一样本对包括第一样本标准熵和第一样本标准熵对应的平均接管次数；
7.对所述多个第一样本对进行回归处理，得到第一线性方程；
8.根据测试车辆基于第二自动驾驶算法在道路上行驶的行驶数据，确定多个第二样本对；所述第二样本对包括第二样本标准熵和第二样本标准熵对应的平均接管次数；
9.根据所述多个第二样本对与所述第一线性方程，确定所述第二自动驾驶算法相较于所述第一自动驾驶算法的优化度。
10.在一种可能的实施方式中，所述根据所述多个第二样本对与所述第一线性方程，确定所述第二自动驾驶算法相较于所述第一自动驾驶算法的优化度，包括：
11.确定所述第一线性方程在设定坐标系中对应的第一驾驶状态曲线；
12.分别确定所述多个第二样本对在所述设定坐标系中对应的驾驶状态数据点；
13.根据多个驾驶状态数据点与所述第一驾驶状态曲线的位置关系，确定所述第二自动驾驶算法相较于所述第一自动驾驶算法的优化度。
14.在一种可能的实施方式中，所述根据多个驾驶状态数据点与所述第一驾驶状态曲线的位置关系，确定所述第二自动驾驶算法相较于所述第一自动驾驶算法的优化度，包括：
15.分别确定所述多个驾驶状态数据点中，位于所述第一驾驶状态曲线的上方的点数与位于所述第一驾驶状态曲线的下方的点数的比值；
16.根据所述比值，确定所述第二自动驾驶算法相较于所述第一自动驾驶算法的优化度。
17.在一种可能的实施方式中，所述根据所述多个第二样本对与所述第一线性方程，
确定所述第二自动驾驶算法相较于所述第一自动驾驶算法的优化度，包括：
18.对所述多个第二样本对进行回归处理，得到第二线性方程；
19.确定所述第一线性方程在设定坐标系中对应的第一驾驶状态曲线，以及确定所述第二线性方程在设定坐标系中对应的第二驾驶状态曲线；
20.根据所述第一驾驶状态曲线与所述第二驾驶状态曲线的位置关系，确定所述第二自动驾驶算法相较于所述第一自动驾驶算法的优化度。
21.在一种可能的实施方式中，针对基于所述第一自动驾驶算法行驶的每个测试车辆，分别执行如下操作：
22.获取所述测试车辆在任一道路路段上行驶的行驶数据，所述行驶数据包括所述测试车辆采集到设定范围内物体的速度、位置以及类别；所述物体的速度指物体相对于测试车辆的速度；所述物体的位置指物体相对于测试车辆的位置；
23.根据所述测试车辆采集到预设范围内物体的速度、位置以及类别，确定所述测试车辆在所述任一道路路段上行驶时的第一样本标准熵。
24.在一种可能的实施方式中，所述物体的位置包括物体相对于测试车辆的距离和方向角；所述根据所述测试车辆采集到预设范围内物体的速度、位置以及类别，确定所述测试车辆在所述任一道路路段上行驶时的第一样本标准熵，包括：
25.根据所述测试车辆在所述任一道路路段上行驶时采集到预设范围内物体的速度，确定第一独立熵矩阵；
26.根据所述测试车辆在所述任一道路路段上行驶时采集到预设范围内物体的方向角，确定第二独立熵矩阵；
27.根据所述测试车辆在所述任一道路路段上行驶时采集到预设范围内物体的类别，确定第三独立熵矩阵；
28.根据所述测试车辆在所述任一道路路段上行驶时采集到预设范围内物体的距离，确定距离系数矩阵；
29.根据所述第一独立熵矩阵、第二独立熵矩阵、第三独立熵矩阵以及所述距离系数矩阵，确定k值矩阵；
30.根据所述k值矩阵，确定所述测试车辆在所述任一道路路段上行驶时的第一样本标准熵。
31.在一种可能的实施方式中，所述根据所述k值矩阵，确定所述测试车辆在所述任一道路路段上行驶时的第一样本标准熵，包括：
32.根据拉格朗日函数对所述k值矩阵进行处理，获得熵的估计值；
33.根据所述熵的估计值，确定所述测试车辆在所述任一道路路段上行驶时的第一样本标准熵。
34.第二方面，本技术实施例提供了一种自动驾驶算法优化度确定装置，所述装置包括：
35.数据获取单元，用于根据测试车辆基于第一自动驾驶算法在道路上行驶的行驶数据，确定多个第一样本对；所述第一样本对包括第一样本标准熵和第一样本标准熵对应的平均接管次数；
36.处理单元，用于对所述多个第一样本对进行回归处理，得到第一线性方程；
37.根据测试车辆基于第二自动驾驶算法在道路上行驶的行驶数据，确定多个第二样本对；所述第二样本对包括第二样本标准熵和第二样本标准熵对应的平均接管次数；
38.根据所述多个第二样本对与所述第一线性方程，确定所述第二自动驾驶算法相较于所述第一自动驾驶算法的优化度。
39.第三方面，本技术实施例提供了一种电子设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时，实现第一方面一种自动驾驶算法优化度确定方法中任一项所述的方法。
40.第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现第一方面一种自动驾驶算法优化度确定方法中任一项所述的方法。
41.本技术实施例提供的一种自动驾驶算法优化度确定方法、装置及电子设备，可以根据测试车辆基于第一自动驾驶算法在道路上行驶的行驶数据，确定多个第一样本对，其中，第一样本对包括第一样本标准熵和在第一样本标准熵对应的平均接管次数，对多个第一样本对进行回归处理，可以得到第一线性方程，再根据测试车辆基于第二自动驾驶算法在道路上行驶的行驶数据，确定多个第二样本对，其中，第二样本对包括第二样本标准熵和在第二样本标准熵对应的平均接管次数，根据多个第二样本对与第一线性方程，可以确定第二自动驾驶算法相较于第一自动驾驶算法的优化度。通过将自动驾驶算法量化，可以对自动驾驶算法的优化度进行评定。
附图说明
42.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
43.图1为本技术实施例提供的一种自动驾驶算法优化度确定方法的应用场景图；
44.图2为本技术实施例提供的一种自动驾驶算法优化度确定方法的流程图；
45.图3为本技术实施例提供的另一种自动驾驶算法优化度确定方法的流程图；
46.图4为本技术实施例提供的一种道路路段物体的示意图；
47.图5为本技术实施例提供的一种坐标系的示意图；
48.图6为本技术实施例提供的另一种坐标系的示意图；
49.图7为本技术实施例提供的一种自动驾驶算法优化度确定装置的结构示意图；
50.图8为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
51.为了使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术作进一步地详细描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本技术保护的范围。
52.需要说明的是，本技术的文件中涉及的术语“包括”和“具有”以及它们的变形，意
图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
53.随着科技的高速发展，自动驾驶技术在人们日常出行中担负的作用越来越重要。然而，对于自动驾驶技术中最重要的部分之一，自动驾驶算法的改进优化却无法进行量化评定，工作人员无法评定迭代后的自动驾驶算法相较于上一代自动驾驶算法是否有改进。
54.基于此，本技术实施例提供一种自动驾驶算法优化度确定方法，可以根据测试车辆基于第一自动驾驶算法在道路上行驶的行驶数据，确定多个第一样本对，其中，第一样本对包括第一样本标准熵和在第一样本标准熵对应的平均接管次数，对多个第一样本对进行回归处理，可以得到第一线性方程，再根据测试车辆基于第二自动驾驶算法在道路上行驶的行驶数据，确定多个第二样本对，其中，第二样本对包括第二样本标准熵和在第二样本标准熵对应的平均接管次数，根据多个第二样本对与第一线性方程，可以确定第二自动驾驶算法相较于第一自动驾驶算法的优化度。通过将自动驾驶算法量化，可以评定迭代后的自动驾驶算法相较于上一代自动驾驶算法是否有改进。
55.下面首先对本技术实施例的技术方案能够适用的应用场景做一些简单介绍，需要说明的是，以下介绍的应用场景仅用于说明本技术实施例而非限定。在具体实施时，可以根据实际需要灵活地应用本技术实施例提供的技术方案。
56.图1为本技术实施例提供的自动驾驶算法优化度确定方法的应用场景示意图。如图1所示，该应用场景包括服务器10和车载终端20。车载终端20与服务器10通过通信网络连接，其中，服务器10可以分别连接多个车载终端20。
57.基于第一自动驾驶算法和基于第二自动驾驶算法行驶的测试车辆在测试路段行驶，测试车辆内乘坐有驾驶员，测试车辆自动驾驶存在碰撞风险时，可以提醒驾驶员对车辆进行接管，并记录行驶过程中不同道路路段需要驾驶员接管车辆的次数。测试车辆中安装有车载终端20，在行驶的过程中，车载终端20可以采集测试路段上进入其设定距离范围内的其他物体的种类、距离、速度和方向角等行驶数据。在行驶结束后，将上述采集到的行驶数据与本次行驶过程中各道路路段需要驾驶员接管车辆的次数发送至服务器10，服务器10可以根据行驶数据确定熵值，再将熵值与需要驾驶员接管车辆的次数设置在同一坐标系中，通过对比基于第一自动驾驶算法行驶的测试车辆行驶过程中熵值与接管次数生成的第一驾驶状态曲线，与基于第二自动驾驶算法行驶的测试车辆行驶过程中熵值与接管次数生成的驾驶状态数据点的位置关系，可以确定第二自动驾驶算法是否有改进。
58.需要说明的是，图1中的车载终端20的安装位置仅用于举例，车载终端20具体在图中的位置，并不作为实际安装在车辆中的固定位置。车载终端20的位置也可以在车辆其他位置，比如车载终端20安装在车门处、前排座位之间等位置。
59.为进一步说明本技术实施例提供的技术方案，下面结合附图以及具体实施方式对此进行详细的说明。虽然本技术实施例提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本技术实施例提供的执行顺序。所述方法在实际的处理过程中或者装置执行时，可按照实施例或者附图所示的方法顺序执行或者并执行。
60.图2示出了本技术实施例提供的一种自动驾驶算法优化度确定方法的流程图，该方法可以由车载终端与服务器配合完成。如图2所示，该自动驾驶算法优化度方法包括以下步骤：
61.步骤s201，根据测试车辆基于第一自动驾驶算法在道路上行驶的行驶数据，确定多个第一样本对。
62.其中，第一样本对可以包括第一样本标准熵和第一样本标准熵对应的平均接管次数。第一样本标准熵可以用于表征测试车辆所处的道路路段的驾驶难易度，第一样本熵越高，说明测试车辆需要处理的所处道路路段的路况信息越复杂，驾驶难度越高，相反，第一样本熵越低，说明测试车辆需要处理的所处道路路段的路况信息越简单，驾驶难度越低。第一样本标准熵对应的平均接管次数指行驶在驾驶难易度为第一样本标准熵的道路路段上时，测试车辆在单位行驶距离上的平均接管次数。
63.在一些实施例中，可以针对基于第一自动驾驶算法行驶的任意一个测试车辆在任一道路路段上的行驶数据，采用如图3所示的步骤确定第一样本对：
64.步骤s2011，获取测试车辆在任一道路路段上行驶的行驶数据。
65.其中，行驶数据包括测试车辆采集到设定范围内物体的速度、位置以及类别；设定范围内的物体可以包括测试车辆在行驶过程中，道路上进入其设定距离范围内的物体，测试车辆可以通过图像采集器或雷达探测进入其设定距离范围内的物体。物体的速度指物体相对于测试车辆的速度；物体的位置指物体相对于测试车辆的位置。
66.示例性地，可以使多辆基于第一自动驾驶算法行驶的测试车辆，分不同时段在测试路段上行驶，例如，可以使50辆基于第一自动驾驶算法行驶的测试车辆，在测试路段上行驶。可以将测试路段划分为多个道路路段，针对每个测试车辆，可以获取该测试车辆在每个道路路段上行驶的行驶数据。
67.以测试车辆a为例，假设测试路段包括l1、l2、l3、l4和l5五个道路路段。在测试车辆a在道路路段l1上行驶的过程中，测试车辆a的车载终端可以采集进入其设定距离范围内的物体的速度、位置和类别。如图4所示，物体的类别可以包括不同种类的车辆、行人等。例如，物体的类别可以为行人、三轮车、自动驾驶汽车、非自动驾驶小型汽车和大型车辆等等；物体的位置为各物体相对于测试车辆的位置，根据物体的位置可以确定各物体相对于测试车辆的方向角和距离，物体的速度为各物体相对于测试车辆的速度。在测试车辆行驶的过程中，车载终端会上报需要驾驶员接管车辆的次数，每辆测试车辆结束行驶后，可以将采集到的行驶数据与本次行驶过程中每个道路路段需要驾驶员接管车辆的次数发送至服务器。
68.步骤s2012，根据测试车辆在任一道路路段上行驶时采集到预设范围内物体的速度，确定第一独立熵矩阵。
69.仍以测试车辆a在道路路段l1上行驶为例，服务器可以根据测试车辆a在道路路段l1上行驶时采集到设定范围内物体的速度，确定测试车辆在该道路路段的第一独立熵矩阵，第一独立熵矩阵为在速度纬度的独立熵矩阵。其中，测试车辆在速度纬度的独立熵矩阵包括测试车辆行驶过程中采集到设定范围内物体的多个速度对应的条件熵，和每个速度对应的条件熵的熵值，速度纬度的条件熵用于表征测试车辆在某个物体当前的速度下，发生碰撞的概率，条件熵的计算公式为h(p)＝-∑x,yp～(x)p(y|x)logp(y|x)，其中，p(y|x)表示已知x的条件下y发生的概率，p～(x)为经验分布。速度纬度的独立熵矩阵如下表所示，其
中h
sn
表示速度sn对应的条件熵，e表示速度sn对应的条件熵的熵值。
[0070][0071]
步骤s2013，根据测试车辆在任一道路路段上行驶时采集到预设范围内物体的方向角，确定第二独立熵矩阵。
[0072]
仍以测试车辆a在道路路段l1上行驶为例，服务器可以根据测试车辆a在道路路段l1上行驶时采集到设定范围内物体的方向角，确定测试车辆在该道路路段的第二独立熵矩阵，第二独立熵矩阵为在方向角纬度的独立熵矩阵。其中，测试车辆在方向角纬度的独立熵矩阵包括测试车辆行驶过程中采集到设定范围内物体的多个方向角对应的条件熵，和每个方向角对应条件熵的熵值，方向角纬度的条件熵用于表征测试车辆在某个物体当前的方向角下，发生碰撞的概率，条件熵的计算公式为h(p)＝-∑x,yp～(x)p(y|x)logp(y|x)，其中，p(y|x)表示已知x的条件下y发生的概率，p～(x)为经验分布。方向角纬度的独立熵矩阵如下表所示，其中h
dn
表示方向角dn对应的条件熵，e表示方向角dn对应的条件熵的熵值。
[0073][0074][0075]
步骤s2014，根据测试车辆在任一道路路段上行驶时采集到预设范围内物体的类别，确定第三独立熵矩阵。
[0076]
仍以测试车辆a在道路路段l1上行驶时为例，服务器可以根据测试车辆a在道路路段l1上行驶时采集到设定范围内物体的类别，确定测试车辆在该道路路段的第三独立熵矩阵，第三独立熵矩阵为类别纬度的独立熵矩阵。其中，测试车辆在类别纬度的独立熵矩阵包括测试车辆行驶过程中采集到设定范围内物体的多个类别对应的条件熵，和每个类别对应条件熵的熵值。类别纬度的条件熵用于表征测试车辆遇到某个物体类别的条件下，发生碰撞的概率，条件熵的计算公式为h(p)＝-∑x,yp～(x)p(y|x)logp(y|x)，其中，p(y|x)表示已知x的条件下y发生的概率，p～(x)为经验分布。类别纬度的独立熵矩阵如下表所示，其中h
cn
表示类别cn对应的条件熵，e表示类别cn对应的条件熵的熵值。
[0077][0078]
步骤s2015，根据测试车辆在任一道路路段上行驶时采集到预设范围内物体的距离，确定距离系数矩阵。
[0079]
仍以测试车辆a在道路路段l1上行驶时为例，服务器可以根据测试车辆a在道路路段l1上行驶时采集到设定范围内物体的距离，确定测试车辆在该道路路段的距离系数矩阵：
[0080]
k11 k12 k13
……
k1n
[0081]
k21 k22 k23
……
k2n
[0082]
k31 k32 k33
……
k3n
[0083]
需要说明的是，步骤s2012、步骤s2013、步骤s2014以及步骤s2015的执行顺序不是固定的，例如，可以先执行步骤s2014，再分别执行步骤s2013、步骤s2012和步骤s2015，也可以同时执行步骤s2012、步骤s2013、步骤s2014以及步骤s2015,本技术对此不作限定。
[0084]
步骤s2016，根据第一独立熵矩阵、第二独立熵矩阵、第三独立熵矩阵以及距离系
数矩阵，确定k值矩阵。
[0085]
可以将第一独立熵矩阵、第二独立熵矩阵、第三独立熵矩阵以及距离系数矩阵输入到下式中：
[0086]
h(p)1＝k
11hs1
+k
12hs2
+k
13hs3
+
………
+k
1nhsn
+β1[0087]
h(p)2＝k
21hd1
+k
22hd2
+k
23hd3
+
………
+k
2nhdn
+β2[0088]
h(p)3＝k
31hc1
+k
32hc2
+k
33hc3
+
………
+k
3nhcn
+β3[0089]
输出|k
inhin
+βi|，i表示第i个纬度，1≤i≤3，n表示第n个采集数据的时刻，由于隔离带对侧的物体不会影响驾驶，因此，可以令隔离带对侧的k
in
＝0，其中，β为补偿因子，h(p)为不同纬度的熵。再根据最小二乘法，对|k
inhin
+βi|进行回归分析，可以得到k值矩阵。
[0090]
步骤s2017，根据k值矩阵，确定测试车辆在任一道路路段上行驶时的第一样本标准熵。
[0091]
仍以测试车辆a在道路路段l1上行驶为例，示例性地，可以根据拉格朗日函数对k值矩阵进行处理，获得测试车辆a在道路路段l1上行驶的熵的估计值根据测试车辆a在道路路段l1上行驶的熵的估计值可以确定测试车辆a在道路路段l1上行驶的第一样本标准熵。
[0092]
具体地说，获得测试车辆a在道路路段l1上行驶的熵的估计值之后，可以对测试车辆a在道路路段l1上行驶的熵的估计值进行标注化处理，得到测试车辆a在道路路段l1上行驶的每点估计值(标)(p)，可以为(标)(p)添加天气和时间扰动补偿，得到h(标)(p)＝f1 h(p)+δ(天气和时间扰动补偿)，其中，f1为系数矩阵，将h(标)(p)输入到可以输出测试车辆a在道路路段l1上行驶的第一样本标准熵。
[0093]
步骤s2018，根据测试车辆在任一道路路段上行驶时的第一样本标准熵和测试车辆在对应道路路段上的平均接管次数，确定第一样本对。
[0094]
通过上述方法，针对每个测试车辆，服务器可以确定该测试车辆在每个道路路段上行驶时的第一样本标准熵，并获取该测试车辆在每个道路路段上行驶时的平均接管次数，进而可以获得多个第一样本标准熵及每个第一样本标准熵对应的平均接管次数，将每个第一样本标准熵与其对应的平均接管次数作为一个第一样本对，可以得到多个第一样本对。
[0095]
通过步骤s201确定多个第一样本对之后，可以执行步骤s202。
[0096]
步骤s202，对多个第一样本对进行回归处理，得到第一线性方程。
[0097]
在获取到多个样本对后，可以对多个第一样本对进行回归处理，得到第一线性方程。
[0098]
步骤s203，根据测试车辆基于第二自动驾驶算法在道路上行驶的行驶数据，确定多个第二样本对。
[0099]
确定多个第二样本对的过程与步骤s201确定多个第一样本对的过程相同，区别仅在于测试车辆基于第二自动驾驶算法在道路上行驶并采集数据，在此不再赘述。
[0100]
步骤s204，根据多个第二样本对与第一线性方程，确定第二自动驾驶算法相较于第一自动驾驶算法的优化度。
[0101]
在一种可选的实施方式中，可以确定第一线性方程在设定坐标系中对应的第一驾驶状态曲线，分别确定多个第二样本对在设定坐标系中对应的驾驶状态数据点，根据多个驾驶状态数据点与第一驾驶状态曲线的位置关系，确定第二自动驾驶算法相较于第一自动驾驶算法的优化度。
[0102]
第一线性方程在设定坐标系中对应的第一驾驶状态曲线与多个第二样本对在设定坐标系中对应的驾驶状态数据点的位置关系，如图5所示，图中空心的圆形为多个第二样本对在设定坐标系中对应的驾驶状态数据点，“+”组成的曲线为第一驾驶状态曲线，第一驾驶状态曲线的线型可以是直线。示例性地，可以分别确定多个驾驶状态数据点中，位于第一驾驶状态曲线的上方的点数与位于第一驾驶状态曲线的下方的点数的比值，根据比值，确定第二自动驾驶算法相较于第一自动驾驶算法的优化度。
[0103]
例如，多个第二样本对在设定坐标系中对应的驾驶状态数据点中，位于第一驾驶状态曲线的上方的点数与位于第一驾驶状态曲线的下方的点数的比值如果为9：1，则说明在同一样本标准熵，即同一驾驶难度下，第二自动驾驶算法相较于第一自动驾驶算法需要驾驶员接管的次数更多，说明第二自动驾驶算法相较于第一自动驾驶算法有下降，相反，多个第二样本对在设定坐标系中对应的驾驶状态数据点中，位于第一驾驶状态曲线的上方的点数与位于第一驾驶状态曲线的下方的点数的比值如果为1：9，则说明在同一样本标准熵，即同一驾驶难度下，第二自动驾驶算法相较于第一自动驾驶算法需要驾驶员接管的次数更少，说明第二自动驾驶算法相较于第一自动驾驶算法有改进。
[0104]
在一些实施例中，可以分别确定多个驾驶状态数据点中，位于设定区域的点数与总点数的比值，根据比值，确定第二自动驾驶算法相较于第一自动驾驶算法的优化度，如图6所示，虚线表示第一线性方程在设定坐标系中对应的第一驾驶状态曲线，设定区域可以包括下降严重区域、偏下降区域、改善未明显区域、改善良好区域和改善优良区域。
[0105]
例如，假设多个第二样本对在设定坐标系中对应的驾驶状态数据点中，位于改善优良区域的点数与总点数的比值如果为9：1，则说明在同一样本标准熵，即同一驾驶难度下，第二自动驾驶算法相较于第一自动驾驶算法需要驾驶员接管的次数更少，说明第二自动驾驶算法相较于第一自动驾驶算法有优良的改善，假设多个第二样本对在设定坐标系中对应的驾驶状态数据点中，位于下降严重区域的点数与总点数的比值如果为9：1，则说明在同一样本标准熵，即同一驾驶难度下，第二自动驾驶算法相较于第一自动驾驶算法需要驾驶员接管的次数更多，说明第二自动驾驶算法相较于第一自动驾驶算法下降严重。
[0106]
在另一种可选的实施方式中，如果获取的第二自动驾驶算法的行驶数据较多，可以获得足够多的第二样本对，也可以对多个第二样本对进行回归处理，得到第二线性方程，确定第一线性方程在设定坐标系中对应的第一驾驶状态曲线，以及确定第二线性方程在设定坐标系中对应的第二驾驶状态曲线，根据第一驾驶状态曲线与第二驾驶状态曲线的位置关系，确定第二自动驾驶算法相较于第一自动驾驶算法的优化度。
[0107]
例如，第一驾驶状态曲线和第二驾驶状态曲线的线型均可以是直线。如果第二驾驶状态曲线的斜率大于第一驾驶状态曲线的斜率，则说明相较于第一自动驾驶算法，第二自动驾驶算法有下降，第二驾驶状态曲线的斜率与第一驾驶状态曲线的斜率差值越大，说明第二自动驾驶算法相较于第一自动驾驶算法下降的越严重，如果第二驾驶状态曲线的斜率小于第一驾驶状态曲线的斜率，则说明相较于第一自动驾驶算法，第二自动驾驶算法有
改进，第一驾驶状态曲线的斜率与第二驾驶状态曲线的斜率差值越大，说明第二自动驾驶算法相较于第一自动驾驶算法改善的效果越好，如果第二驾驶状态曲线的斜率等于第一驾驶状态曲线，则说明相较于第一自动驾驶算法，第二自动驾驶算法没有改进，也没有下降。
[0108]
基于同一发明构思，本发明实施例中还提供了一种自动驾驶算法优化度确定装置的结构示意图，如图7所示，该自动驾驶算法优化度确定装置包括：
[0109]
数据获取单元701，用于根据测试车辆基于第一自动驾驶算法在道路上行驶的行驶数据，确定多个第一样本对；第一样本对包括第一样本标准熵和第一样本标准熵对应的平均接管次数；第一样本标准熵用于表征测试车辆所处的道路路段的驾驶难易度；第一样本标准熵对应的平均接管次数指行驶在驾驶难易度为第一样本标准熵的道路路段上时，测试车辆在单位行驶距离上的平均接管次数；
[0110]
处理单元702，用于对多个第一样本对进行回归处理，得到第一线性方程；
[0111]
根据测试车辆基于第二自动驾驶算法在道路上行驶的行驶数据，确定多个第二样本对；第二样本对包括第二样本标准熵和第二样本标准熵对应的平均接管次数；
[0112]
根据多个第二样本对与第一线性方程，确定第二自动驾驶算法相较于第一自动驾驶算法的优化度。
[0113]
基于相同的发明构思，本技术实施例还提供了一种电子设备，该电子设备可以是上文中的服务器。该电子设备至少包括用于存储数据的存储器和处理器，其中，对于用于数据处理的处理器而言，在执行处理时，可以采用微处理器、cpu、gpu(graphics processing unit，图形处理单元)、dsp或fpga实现。对于存储器来说，存储器中存储有操作指令，该操作指令可以为计算机可执行代码，通过该操作指令来实现上述本技术实施例的自动驾驶算法优化度确定方法的流程中的各个步骤。
[0114]
图8为本技术实施例提供的一种电子设备的结构示意图。如图8所示，电子设备800包括存储器801、处理器802、数据获取模块803和总线804。该存储器801、处理器802和数据获取模块803均通过总线804连接，该总线804用于该存储器801、处理器802和数据获取模块803之间传输数据。
[0115]
其中，存储器801可用于存储软件程序以及模块，处理器802通过运行存储在存储器801中的软件程序以及模块，从而执行电子设备800的各种功能应用以及数据处理，如本技术实施例提供自动驾驶算法优化度确定方法。存储器801可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个应用的应用程序等；存储数据区可存储根据电子设备800的使用所创建的数据等。此外，存储器801可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0116]
处理器802是电子设备800的控制中心，利用总线804以及各种接口和线路连接整个电子设备800的各个部分，通过运行或执行存储在存储器801内的软件程序和/或模块，以及调用存储在存储器801内的数据，执行电子设备800的各种功能和处理数据。可选的，处理器802可包括一个或多个处理单元，如cpu、gpu(graphics processing unit，图形处理单元)、数字处理单元等。
[0117]
本技术实施例还提供了一种计算机可读存储介质，该计算机存储介质中存储有计算机可执行指令，该计算机程序被处理器执行时可用于实现本技术任一实施例所记载的自
动驾驶算法优化度确定方法。
[0118]
在一些可能的实施方式中，本技术提供的自动驾驶算法优化度确定方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本技术各种示例性实施方式的自动驾驶算法优化度确定方法的步骤，例如，计算机设备可以执行如图2所示的自动驾驶算法优化度确定方法的流程。
[0119]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0120]
本技术是参照根据本技术的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0121]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0122]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0123]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。