1.一种场景任务复杂度量化模型,其特征在于:其步骤是:
步骤一、复杂度因子分析:分析各类任务的固有属性,可得车辆运动控制复杂度、oedr复杂度以及指标复杂度;车辆运动控制复杂度因子包括纵向因子和横向因子,纵向因子包括恒速、变速、跟随、联合的控制;横向因子包括保持、跟踪、避障的控制;oedr复杂度包括逻辑复杂度因子、变量复杂度因子、目标复杂度因子;逻辑复杂度包括一阶信息熵、二阶信息熵,主要的变量有:测试车辆速度υ1、目标车辆速度υ2、车道宽度x0、目标车辆与测试车辆距离d、目标车辆与虚线车道线横向距离offset、弯道半径r、变道周期t、碰撞时间ttc、行人/骑行者与车道中心线之间的距离d、目标车辆加速度a、溜坡路距离d1、测试车辆距离碰撞点所需时间ttl1、目标车辆距离碰撞点所需时间ttl2、其他目标车辆速度v3、道路限制速度speedlimit、黄灯时长yellowlight-time、红灯时长redlight-time、机动车信号灯状态leftsignal-status/rightsignal-status;变量复杂度由变量个数决定;由于测试场景中目标不尽相同,目标复杂度因子也不同;
步骤二、复杂度量化计算:
设某项任务的某个因子包含多个元素,即x、y和z,其中x和y元素可相互替代,任选其一或共用,并与z个元素联合能够完成第i个任务,该影响因子所对应的或并函数则可记为gi(a1,...,a11,∧,∨)=max(ax,ay)+az;定义第i个场景任务的车辆运动控制复杂度为si,1,纵向因子复杂度为s1,1,m,横向因子复杂度为s1,2,n,s1,1,m是参考定速巡航、行人紧急制动、自适应巡航、和高速驾驶辅助四项adas自动驾驶功能信息熵,综合评价得到的有关恒速s1,1,1,变速s1,1,2,跟随s1,1,3,横纵联合s1,1,4的或并函数f1,1,m(s1,1,1,...,s1,1,4,∧,∨);s1,2,n是参考车道保持辅助、自动并线和交通拥堵领航三项adas自动驾驶功能信息熵,综合评价得到的有关保持s1,2,1,跟踪s1,2,2,避障s1,2,3的或并函数f1,2,n(s1,2,1,...,s1,2,3,∧,∨),可得车辆运动控制复杂度:
si,1=f1,1,m+f1,2,n(1)
从基本动作库中选取完成第i个场景任务所需的动作,将其抽象为节点,并用
γi=(φi,ωi)(2)
逻辑复杂度一次熵的计算:网络图γi有αi个节点,流入第j个节点边的条数称为该节点的入度μi,j,流出第j个节点边的条数称为该节点的出度vi,j;统计网络图γi中各个节点μi,j和vi,j,按照(μi,j,vi,j)的组合不同进行分类,得到一次熵的类别数ti,1和每个类别的节点个数ii,1,li,1<αi;计算第i个场景任务的一次熵ii,1,即:
ii,1=-sum(pi,1,jlogapi,1,j)(3)
其中
逻辑复杂度二次熵的计算:网络图γi有αi个节点,第j个节点相邻的节点集合为φi,j;如果第j个节点邻接的节点集合φi,j中的任何一个元素都属于第k个节点相邻的节点集合φi,k,第k个节点相邻的节点集合φi,k中的任何一个元素都属于第j个节点邻接的节点集合φi,j,那么,将节点j和k归为一类;统计各个节点的相邻节点集合φi,j,得到二次熵的类别数ti,2和每个类别所包含的节点个数li,2,li,2<αi;计算第i个场景任务的二次熵ii,2,即:
ii,2=-sum(pi,1,jlogapi,1,j)(4)
计算第i个场景任务的oedr逻辑复杂度:
其中,m和n为权重;
oedr复杂度的第二部分为目标复杂度,定义目标复杂度为di,目标集
di=g2,1,q+g2,2,r+g2,3,s+g2,4,u(6)
目标集
di=g2,5,v+g2,6,w(7)
目标集
di=g2,7,x(8)
oedr复杂度的第三部分为变量复杂度,定义变量复杂度为ei,采用组合方式计算变量复杂度,即:
其中n表示变量个数;
根据以上公式和独立分布原则,定义第i个场景任务的oedr复杂度s2,i等价于该任务的逻辑复杂度ii与任务所包含目标复杂度di以及该任务的变量复杂度ei的乘积,即:
si,2=ii×di×ei(10)
确定评价指标的等级:
si,3=q(s3,1,s3,2,s3,3)(11)
步骤三、场景任务复杂度:
定义第i个场景任务的复杂度si等价于该任务车辆运动控制复杂度为si,1与任务所包含的oedr复杂度为si,2以及该任务的评价指标复杂度为si,3的乘积,即:
si=si,1×si,2×si,3(12)
设第p个任务为所有场景任务中复杂度最高的任务,即smax=sp,根据百分制原则,综合计算第i个场景任务的百分制场景任务复杂度zi: