一种人机共驾车辆智能评价方法及系统

1.本发明涉及人机共驾车辆测试技术领域，尤其是涉及一种人机共驾车辆智能评价方法及系统。


背景技术：

2.目前，由于人工智能技术的发展尚未成熟，具有完全自主驾驶能力的智能车辆还没有诞生，在很长一段时期内，道路交通场景会以人机共驾车辆(人机共驾车辆为驾驶员与智能驾驶员辅助系统同时共享对车辆的控制，即人机结合完成驾驶任务)为主，因此人机共驾车辆成为现阶段自动驾驶研究领域重点关注的对象。
3.人机共驾车辆系统中，一方面驾驶员可以通过转向盘、油门刹车踏板等直接控制车辆行驶。另一方面，智能驾驶员辅助系统可以通过传感器感知道路交通环境，通过计算机规划行车路线，通过执行器控制车辆完成驾驶辅助任务。为了判断人机共驾车辆在道路交通环境中的表现，首先要发展人机共驾车辆的测试评价技术。在现有的测试评价方法多为对某一项或者某一部分功能进行测试评价，缺乏对人机共驾车辆整体的任务测试与评价方案。同时，现有评价技术中主观因素较强，评价结果不够准确，智能水平难以量化。这些问题的存在制约着智能交通技术的发展。
4.因此需要研究一种人机共驾车辆智能评价方法与系统，实现人机共驾车辆智能水平的定量评价。


技术实现要素：

5.针对上述现有技术中存在的问题，本发明提供一种人机共驾车辆智能评价方法及系统。
6.为了实现上述目的，第一方面，本发明提供一种人机共驾车辆智能评价方法，其包括以下步骤：
7.步骤s101、分别采集人机共驾车辆进行任务测试和功能测试的实际数据，其中任务测试包括人机共驾车辆在不同环境下不同任务的测试，功能测试包括驾驶员和智能驾驶员辅助系统每个功能部分的测试；
8.步骤s102、根据实际数据分别获取任务测试的分数和功能测试的分数；
9.步骤s103、根据任务测试的分数和功能测试的分数，得到人机共驾车辆的总分数；
10.步骤s104、根据总分数，获取人机共驾车辆的智能评价结果。
11.第二方面，本发明提供一种人机共驾车辆智能评价系统，其包括：
12.分别采集人机共驾车辆进行任务测试和功能测试的实际数据的模块，其中任务测试包括人机共驾车辆在不同环境下不同任务的测试，功能测试包括驾驶员和智能驾驶员辅助系统每个功能部分的测试；
13.根据数据分别获取任务测试的分数和功能测试的分数的模块；
14.根据任务测试的分数和功能测试的分数，得到人机共驾车辆的总分数的模块；
15.根据总分数，获取人机共驾车辆的智能评价结果的模块。
16.第三方面，本发明提供一种电子设备，其包括：存储器，处理器；
17.存储器用于存储处理器可执行指令；
18.处理器用于根据存储器存储的可执行指令，实现如第一方面的人机共驾车辆智能评价方法。
19.本发明的人机共驾车辆智能评价方法及系统所具有的有益效果包括：
20.(1)本发明通过对人机共驾车辆进行任务测试和功能测试，能够实现对人机共驾车辆智能的定量化评价；
21.(2)本发明通过建立不同的子任务和子系统，从而能够选择人机共驾过程中关键因素，从而提高对人机共驾车辆智能评价的准确性；
22.(3)本发明能够提高对无人驾驶车辆智能的综合测试，测试数据全面，更加准确，为人机共驾交通安全问题的改善提供了理论依据。
附图说明
23.图1是本发明一实施例提供的人机共驾车辆智能评价方法的流程示意图；
24.图2是本发明另一实施例提供的人机共驾车辆智能评价系统的结构示意图。
具体实施方式
25.下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
26.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
27.目前，对人机共驾车辆的智能评价多为对某一项或者某一部分功能进行测试评价，缺乏对人机共驾车辆整体的任务测试与评价方案。同时，现有评价技术中主观因素较强，评价结果不够准确，智能水平难以量化。
28.为了解决上述问题，本发明根据测试环境和测试任务的不同，对人机共驾车辆进行任务测试；以及对驾驶员和智能驾驶员辅助系统每个功能部分进行功能测试；获取任务测试和功能测试各自相应的分数，从而得到人机共驾车辆整体的总分数，通过总分数获得人机共驾车辆的智能水平或等级，从而实现了对人机共驾车辆的定量化评价。
29.第一方面，本发明提供人机共驾车辆智能评价方法，如图1所示，该评价方法主要包括：
30.步骤s101、分别采集人机共驾车辆进行任务测试和功能测试的实际数据，其中任务测试包括人机共驾车辆在不同环境下不同任务的测试，功能测试包括驾驶员和智能驾驶员辅助系统每个功能部分的测试。
31.具体地，通过建立人机共驾车辆体系结构的模块化表征，根据各个模块的组件与功能将测试内容分为任务测试和功能测试。根据驾驶员在任务测试时需要用到的组件及相应功能，以及智能驾驶员辅助系统可提供的辅助设备组件及相应功能，进行功能测试。
32.在本发明中，一次任务测试可以主要包括：(1)车辆跟随任务；(2)超车任务；(3)拐弯任务；(4)避障任务；(5)紧急停车任务等等。
33.其中，人机共驾车辆主要包括驾驶员和智能驾驶员辅助系统，两者通过人机交互统一为一个整体。驾驶员功能部分的测试主要包括驾驶员的心理特征、生理特征以及社会特征等方面的测试，智能驾驶员辅助系统功能部分的测试主要包括智能驾驶员辅助系统中设备的参数(设备型号、处理频率、精度、工作条件、适用场景等)的测试，以及得到的评价结果。
34.在本发明的一个优选实施方式中，在步骤s101之前或之中或之后，优选步骤s101之前，还可以包括：
35.(1-1)、分配任务测试和功能测试的权重。
36.其中，本发明对任务测试的权重和功能测试的权重的分配不作具体的限制，可以根据实际情况而确定。优选地，可以根据环境的复杂度、任务的复杂度、人机交互程度、和/或驾驶员和智能驾驶员辅助系统的信息，来确定任务测试和功能测试的权重。其中可以采用层次分析法、专家估测法和/或客观定权法，优选专家估测法来分配任务测试和功能测试的权重。
37.具体地，由于任务测试的复杂性，即使是相同车辆相同驾驶员在同一环境同一任务下做出的反应动作和反应时间也不同，即具有较大的差异性，而且功能测试在相同车辆相同驾驶员的情况下不会出现较大的误差。另一方面，任务测试属于综合性测试，更能体现人机共驾车辆的水平；功能测试属于基础测试，体现能力较弱。因此优选地，任务测试的权重不小于功能测试的权重。结合义务教育阶段考试命题比例要求，测试机械记忆的试题和客观性试题比例原则上不超过40％。因此，将任务测试的权重设为0.6，而功能测试的权重设为0.4时，最终获得的智能评价结果与实际情况更加吻合。
38.(1-2)、确定任务测试中至少一个任务的权重。
39.具体地，一次任务测试中可以包括不同的任务，例如车辆跟随任务、超车任务、拐弯任务、避障任务和紧急停车任务等，而每个任务的对环境的要求、人机交互程度的要求、和/或驾驶员和智能驾驶员辅助系统的要求均不同，并且每个任务自身的复杂程度也不同，因此，为了提高定量化评价的准确性，分配任务测试中每个任务的权重。
40.更具体地，本发明对任务的权重的分配不作具体的限制，可以根据实际情况而确定。优选地，可以根据任务的复杂度、环境的复杂度、人机交互程度、和/或驾驶员和智能驾驶员辅助系统的信息，来分配每个任务的权重。其中可以采用层次分析法、专家估测法和/或客观定权法，优选层次分析法或专家估测法来确定每个任务的权重。
41.示例性地，由于避障任务的复杂程度较高，而紧急停车任务要求驾驶员的快速反应，且较高的人机交互程度等，超车任务要求驾驶员的经验水平，以及周身车辆的行驶情况等因素，而拐弯任务需要考虑周身车辆的行驶情况或者道路上行人的情况，因此在确定每个任务的权重时，优选避障任务的权重≥紧急停车任务的权重和/或超车任务的权重≥拐弯任务的权重和/或车辆跟随任务的权重。
42.例如，在人机共驾车辆在进行上述5个任务时，根据专家估测法将避障任务的权重设为0.3，紧急停车任务的权重和/或超车任务的权重设为0.2，拐弯任务的权重和/或车辆跟随任务的权重设为0.15，使得注重任务的复杂程度，从而最终获得的智能评价结果与实际情况更加吻合，同时能够基本解决人机共驾车辆在实际情况所面临的情况，并且能够准确的实现人机共驾车辆定量化评价。
43.(1-3)、分配执行至少一个任务时，当前实际环境的权重，实际环境包括天气、道路类型和路况中的至少一者。
44.在本发明中，实际环境包括雨天、晴天、雾天等天气环境，也可以包括城市道路、乡村道路和高速公路等道路类型，还可以包括十字路口、t型路口、s型弯道和u型弯道、路锥、石碓、路障、路口车辆、前车急停和突遇行人等路况。
45.其中不同环境下有多种不同的任务，不同任务下也有不同环境，而且在同一环境下又可以对应不同的任务或者同一任务可以对应不同的环境。示例性地，在雨天情况下，由于能见度较低、地面湿滑等因素，很可能会完成车辆跟随任务、紧急停车任务等。示例性地，超车任务可以是在城市道路或者高速路上完成的。
46.在本发明中，在执行每个任务时，所需要考虑的实际环境也不相同，主要包括：(1)不同天气环境下的车辆跟随任务；包括晴天、雨天和雾天环境；(2)不同道路类型下的超车任务；包括城市道路、乡村道路和高速公路；(3)不同道路环境下的拐弯任务；包括十字路口、t型路口、s型弯道和u型弯道；(4)静态与动态障碍物下的避障任务；包括路锥、石碓、路障和路口车辆；(5)突发情况下紧急停车任务；包括前车急停和突遇行人。
47.示例性地，由于每个任务在不同环境下的复杂程度也并不相同，例如在雨天时，由于地面的湿滑，能见度下降，在完成任务时需要比晴天时难度增加。在城市道路中，由于城市道路交通复杂，人群流动多变，在完成任务时需要比在乡村道路上难度加大，因此为了提高定量化评价的准确性，确定每个任务在不同环境下对应的权重。本发明可以采用层次分析法、专家估测法和/或客观定权法，优选层次分析法或专家估测法来分配不同环境的权重。
48.例如，在完成车辆跟随时任务时，晴天、雨天和雾天的权重分别设置为0.2、0.4和0.4；在完成超车任务时，将城市道路、乡村道路、高速公路的权重分别设置为0.4、0.3和0.3；在完成拐弯任务时，将十字路口、t型路口、s型弯道、u型弯道的权重分别设置为0.3、0.2、0.3和0.2；在完成避障任务时，将路锥、石碓、路障、路口车辆的权重分别设置为0.2、0.2、0.3和0.3；在完成紧急停车时，将前车急停和突遇行人的权重分别设置为0.5和0.5。这样设置能够根据实际情况准确的判断在执行对应任务时所需要的难易程度，从而提高定量化评价的准确性。
49.(1-4)、分配对应任务对应的感知层、规划层和控制层与总体表现的权重。
50.具体地，本发明对感知层、规划层和控制层、和总体表现的权重的分配不作具体的限制，可以根据实际情况而确定。
51.优选地，可以根据任务的复杂度、环境的复杂度、人机交互程度、和/或驾驶员和智能驾驶员辅助系统的信息，来分配每个任务对应的感知层、规划层和控制层、和总体表现的权重。其中可以采用层次分析法、专家估测法和/或客观定权法，优选专家估测法来分配每个任务对应的感知层、规划层和控制层、和总体表现权重。
52.更具体地，一次任务测试中可以包括不同的任务，而每个任务中对应的感知层、规划层和控制层以及总体表现可以均不同，因此可以将每个任务的感知层、规划层和控制层的权重分配为不同的数值，也可以分配为相同的数值，同时对应的将总体表现的权重分配为不同的数值，也可以分配为相同的数值。
53.示例性地，可以将车辆跟随任务、超车任务、拐弯任务、避障任务和紧急停车任务等五个任务对应的感知层、规划层和控制层的权重设置为不同的数值，或者也可以设置为相同的数值，同时该五个任务的总体表现设置为不同的数值或者相同的数值。
54.其中，由于每个任务完成时，总体表现(完成任务后的表现结果)往往比一系列操作过程(感知层、规划层和控制层的各个子任务)更重要。因此优选总体表现的权重不小于感知层、规划层和控制层的权重。
55.例如，根据教育部义务教育阶段评价：完善学习过程评价与考试结果评价有机结合的学业考评制度要求，以考试为主，兼顾学习过程，将车辆跟随任务、超车任务、拐弯任务、避障任务和紧急停车任务等五个任务对应的感知层、规划层和控制层的权重均设为0.4，将五个任务对应的总体表现的权重均设为0.6，从而能够整体评价人机共驾车辆的综合性能。
56.又例如，使用层次分析法对车辆跟随任务过程表现和总体表现进行分析，判断矩阵取时，可得对应的感知层、规划层和控制层的权重为0.2，总体表现的权重为0.8，这样更加突出总体表现的重要性；同理，可得超车任务对应的感知层、规划层和控制层的权重为0.5，总体表现的权重为0.5，这说明该任务过程表现和总体表现同样重要；同理，可得拐弯任务对应的感知层、规划层和控制层的权重为0.3，总体表现的权重为0.7，这说明该任务过程表现不如总体表现重要；同理，可得避障任务对应的感知层、规划层和控制层的权重为0.4，总体表现的权重为0.6，这说明该任务过程中总体表现的重要性；同理，可得紧急刹车任务对应的感知层、规划层和控制层的权重为0.2，总体表现的权重为0.8，这说明该任务过程中总体表现的重要性。根据上述过程，将每个任务的感知层、规划层和控制层，与总体表现的权重分配为不同的数值，更加符合任务过程中的实际情况。
57.步骤s102、根据实际数据分别获取任务测试的分数和功能测试的分数。
58.在本发明的一个优选实施方式中，步骤s102的过程，可以包括：
59.(2-1)、将对应任务对应划分为感知层对应的至少一个第一子任务、规划层对应的至少一个第二子任务和/或控制层对应的至少一个第三子任务。
60.具体地，人机共驾一般包括环境感知、决策规划和车辆控制三大部分。类似于人机共驾车辆在行驶过程中，首先，驾驶员通过视觉、听觉、触觉等感官系统感知行驶环境和车辆状态，智能驾驶员辅助系统通过配置内部传感器和外部传感器获取自身状态及周边环境信息。内部传感器主要包括车辆速度传感器、加速传感器、轮速传感器、横摆角速度传感器等；主流的外部传感器包括摄像头、激光雷达、毫米波雷达以及定位系统(如全球定位系统(gps)、北斗卫星导航(bds)、惯性导航系统(ins)等)。其次，将感知的信息进行融合，通过智能算法学习外界场景信息，规划车辆运行轨迹；最后，跟踪规划的运行轨迹，控制车辆的油门、刹车和转向等驾驶动作，调节车辆行驶速度、位置和方向等状态，以保证车辆的安全性、操纵性和稳定性。
61.由此可见，每个任务在感知层、规划层和控制层上均可以对应有相应的一个或多个子任务，如表1所示。
62.表1
63.64.[0065][0066]
(2-2)、将对应任务完成后的总体表现对应划分为至少一个子表现。
[0067]
具体地，由过程(2-1)可知，在每个任务完成后的总体表现均对应有相应的一个或多个子表现，如表1所示。具体地：
[0068]
当完成车辆跟随任务后，总体表现可以对应有跟车距离、碰撞时间两个子表现。
[0069]
当完成超车任务后，总体表现可以对应有超车时间、偏航角误差两个子表现。
[0070]
当完成拐弯任务后，总体表现可以对应有过弯时间、轨迹误差两个子表现。
[0071]
当完成避障任务后，总体表现可以对应有避障成功率一个子表现。
[0072]
(2-3)、获取至少一个第一子任务、至少一个第二子任务、至少一个第三子任务和/或至少一个子表现的分数。
[0073]
优选地，任务测试的实际数据可以包括任一任务的测试次数，及对应的某一个第一子任务、第二子任务、第三子任务或子表现成功的次数；和/或任一第一子任务或第二子任务或第三子任务或子表现数据采集点的个数，以及相应数据点的实际值；和/或任一第一子任务或第二子任务或第三子任务或子表现采集的对应表1的实际值等等。利用这些实际数据，根据成功率计算、符合率计算、误差计算和调查问卷中的至少一者获取至少一个第一子任务、至少一个第二子任务、至少一个第三子任务和/或至少一个子表现的分数，更优选地，获取每个第一子任务、第二子任务、第三子任务、和子表现的分数qj。
[0074]
具体地，第j个第一子任务或第二子任务或第三子任务或子表现的分数用qj表示，其中j∈{1,2,
…
,n
x
}，n
x
为第一子任务、第二子任务、第三子任务或子表现的个数；
[0075]
例如，可以利用成功率来计算qj：
[0076][0077]
其中，n表示某一任务的测试次数，b表示对应的某一个第一子任务、第二子任务、第三子任务或子表现成功的次数。
[0078]
或者，可以利用符合率来计算qj：
[0079][0080]
其中，nf为第j个第一子任务或第二子任务或第三子任务或子表现数据采集点的个数，di为第i个数据点的实际值，di为第i个数据点的期望值，ei为第i个数据点的取值区间长度。
[0081]
或者，可以利用误差来计算qj：
[0082][0083]
其中，h表示第j个第一子任务或第二子任务或第三子任务或子表现测试数据的期望值，e表示第j个第一子任务或第二子任务或第三子任务或子表现采集的实际值与对应期望值的误差。
[0084]
具体地，调查问卷是通过对驾驶员进行问卷调查进行打分。调查问卷主要面向任务测试和功能测试中驾驶员和智能驾驶员辅助系统的基本情况进行调查，并给出评价分数。
[0085]
(2-4)、计算子任务和子表现的平均分数，从而获取任务测试的分数。
[0086]
在本发明中，根据子任务和子表现的平均分数，以及对应的感知层、规划层和控制层、总体表现的权重，得到相同环境下的分数，然后根据不同实际环境的权重，获得不同环境下的分数，然后根据不同任务的权重，获得一次任务测试的分数，即一次任务测试可以包括测试多个任务。具体地，
[0087][0088]
其中，n∈{1,2,
…
,m}，m表示一次任务测试中任务的总数；wn表示任务n的权重；w
n(感知层、规划层和控制层)
表示任务n对应的感知层、规划层和控制层的权重；w
n(总体表现)
表示总体表现的权重；w
n(环境a)
表示任务n对应的环境a的权重；表示任务n对应的环境a的权重；表示任务n对应的子任务、子表现的平均分数。
[0089][0090][0091]
例如，车辆跟随任务时，目标识别的分数、驾驶员状态识别的分数与目标距离感知的分数之和为第一子任务的总分数；加速的分数、减速的分数、停车的分数、请求干预的分数、辅助提示的分数之和为第二子任务的总分数，刹车控制的分数、警报器发出警报的分数和油门控制的分数之和为第三子任务的总分数。
[0092]
同理，可以获得其他任务中相应的第一子任务、第二子任务和第三子任务的总分数。
[0093]
在本发明中，通过将任务测试中每个任务，以及对应任务的每个环境进行权重分配，将任务对应的感知层、规划层和控制层，和总体表现进行权重分配，然后对对应子任务和子表现进行分数获取，从而能够定量化地得到在任务测试时人机共驾车辆的整体评价，与实际情况相符合，为人机共驾车辆的安全性提供了保障。
[0094]
在本发明的另一个优选实施方式中，在步骤s102中，还可以包括：
[0095]
(3-1)、将人机共驾车辆划分为至少一个子系统，并获取至少一个子系统的权重。
[0096]
优选地，根据在任务测试时所需要的组件和功能，将人机共驾车辆划分为至少一个子系统。同时根据测试功能类型，至少一个子系统包括感知子系统、规划子系统和/或控制子系统，如表2所示。具体包括：
[0097]
(i)根据第一子任务的要求，选择传感器和驾驶员感觉器官，确定人机混合情境计算方法，得到第一子任务相关组件(包括i-1)～i-7))，将第一子任务相关组件统一为感知子系统。其中，
[0098]
i-1)目标识别组件(驾驶员视觉器官和听觉器官，智能驾驶员辅助系统摄像头、目标车辆识别算法和人机混合情境计算方法)；
[0099]
i-2)车道线识别组件(驾驶员视觉器官，智能驾驶员辅助系统摄像头和车道线识别算法)；
[0100]
i-3)周身车辆识别组件(驾驶员视觉器官，智能驾驶员辅助系统摄像头、雷达、显示屏、多传感器信息融合算法和人机混合情境计算方法)；
[0101]
i-4)交通标志与信号识别组件(驾驶员视觉器官和听觉器官，智能驾驶员辅助系统摄像头和信号标志识别算法)；
[0102]
i-5)障碍物识别组件(驾驶员视觉器官，智能驾驶员辅助系统摄像头、雷达、显示屏和障碍物识别算法)；
[0103]
i-6)本车速度感知组件(驾驶员视觉器官，智能驾驶员辅助系统摄像头、雷达和gps)；
[0104]
i-7)本车位置感知组件(驾驶员视觉器官，智能驾驶员辅助系统摄像头、雷达和gps)。
[0105]
(ii)根据第二子任务的要求，选择计算设备与驾驶员信息处理器官，确定知识结构与规划方法，获得第二子任务相关组件(包括ii-1)～ii-3))。将第二子任务相关组件统一为规划子系统。其中，
[0106]
ii-1)速度规划组件(驾驶员大脑，智能驾驶员辅助系统计算机和分布式协同规划算法)；
[0107]
ii-2)方向规划组件(驾驶员大脑，智能驾驶员辅助系统计算机和分布式协同规划算法)；
[0108]
ii-3)人机交互规划组件(驾驶员大脑，智能驾驶员辅助系统计算机和分布式协同规划算法)。
[0109]
(iii)根据第三子任务的要求，选择执行器与驾驶员动作器官，选择控制方法，获得第三子任务相关组件(包括iii-1)～iii-5))。将第三子任务相关组件统一为控制子系统。其中，
[0110]
iii-1)刹车控制组件(驾驶员运动器官，智能驾驶员辅助系统执行器和交互与协同控制算法)；
[0111]
iii-2)油门控制组件(驾驶员运动器官，智能驾驶员辅助系统执行器和交互与协同控制算法)；
[0112]
iii-3)转向控制组件(驾驶员运动器官，智能驾驶员辅助系统执行器和交互与协
同控制算法)；
[0113]
iii-4)警报器组件(智能驾驶员辅助系统警报器和事件触发算法)；
[0114]
iii-5)主动学习组件(智能驾驶员辅助系统计算机和主动学习算法)。
[0115]
在本发明的一个优选实施方式中，每个子系统的权重根据任务测试中每个任务的权重，每个任务对应的每个实际环境的权重；以及对应的感知层、规划层与控制层每个子任务对应的总分数而确定。
[0116]
也就是，感知层总分数q
(感知层)
为每个任务的权重乘以与相应的实际坏境与相应的第一子任务的总分数之积的和，然后加和
[0117]
规划层总分数q
(规划层)
为每个任务的权重乘以与相应的实际坏境与相应的第二子任务的总分数之积的和，然后加和；
[0118]
控制层总分数q
(控制层)
为每个任务的权重乘以与相应的实际坏境与相应的第三子任务的总分数之积的和，然后加和；
[0119]
则感知子系统的权重w
(感知子系统)
＝q
(感知层)
/(q
(感知层)
+q
(规划层)
+q
(控制层)
)；
[0120]
规划子系统的权重w
(规划子系统)
＝q
(规划层)
/(q
(感知层)
+q
(规划层)
+q
(控制层)
)
[0121]
控制子系统的权重w
(控制子系统)
＝q
(控制层)
/(q
(感知层)
+q
(规划层)
+q
(控制层)
)。
[0122]
经研究发现，根据每个子任务获得的总分数，就能够判断出在对应任务测试时，感知层、规划层和控制层三层所占的比重，将其用于确定子系统的权重，从而得到更加符合该测试方案的人机共驾车辆的功能评价。
[0123]
经研究发现，根据上述对每个任务的感知层、规划层和控制层赋予上述分数，并根据任务、实际环境的不同权重获取感知子系统、规划子系统和控制子系统的权重，能够准确规划人机共驾车辆的轨迹，从而进一步提高人机共驾车辆的智能水平。
[0124]
(3-2)、分配对应子系统中驾驶员和智能驾驶员辅助系统的权重。
[0125]
更具体地，本发明对驾驶员和智能驾驶员辅助系统的权重的分配不作具体的限制，可以根据实际情况而确定。优选地，可以根据任务的复杂度、环境的复杂度、人机交互程度、和/或驾驶员和智能驾驶员辅助系统的信息，来分配每个子系统中驾驶员和智能驾驶员辅助系统的权重。例如可以采用层次分析法、专家估测法和/或客观定权法，优选专家估测法来分配每个子系统中驾驶员和智能驾驶员辅助系统的权重。
[0126]
更具体地，每个子系统中驾驶员和智能驾驶员辅助系统所起的作用不同，因此可以将每个子系统的驾驶员的权重分配为不同的数值，也可以分配为相同的数值，同时对应的将智能驾驶员辅助系统的权重分配为不同的数值，也可以分配为相同的数值。
[0127]
例如，将感知子系统、规划子系统对应的驾驶员的权重设为0.6，感知子系统、规划子系统对应的智能驾驶员辅助系统的权重对应设为0.4，着重考察驾驶员的感知与规划能力，将控制子系统对应的驾驶员的权重设为0.4，控制子系统对应的智能驾驶员辅助系统的权重对应设为0.6，着重考察智能辅助系统的控制能力。
[0128]
在本发明的一个更优选实施方式中，步骤s102过程，还可以包括：
[0129]
(4-1)、将至少一个子系统划分为驾驶员对应的至少一个第一子系统和智能驾驶
员辅助系统对应的至少一个第二子系统。
[0130]
优选地，将感知子系统划分为驾驶员对应的至少一个第一感知子系统和智能驾驶员辅助系统对应的至少一个第二感知子系统，
[0131]
将规划子系统划分为驾驶员对应的至少一个第一规划子系统和智能驾驶员辅助系统对应的至少一个第二规划子系统，
[0132]
将控制子系统划分为驾驶员对应的至少一个第一控制子系统和智能驾驶员辅助系统对应的至少一个第二控制子系统，具体可以如表2所示。
[0133]
表2
[0134]
[0135][0136]
(4-2)、获取至少一个第一子系统和至少一个第二子系统的分数。
[0137]
同理可以获得表2的子系统功能测试的实际数据，根据成功率计算、符合率计算、误差计算和调查问卷中的至少一者获取第一感知子系统、第一规划子系统、第一控制子系统、第二感知子系统、第二规划子系统、第二控制子系统的每一者的分数。其中，该过程与步骤(2-3)过程相一致，在此不做一一赘述。
[0138]
在本发明中，通过将功能测试时将每个子系统进行权重分配，将子系统对应的驾驶员和智能驾驶员辅助系统进行权重分配，然后对对应感知、规划、控制子系统进行分数计算，从而能够定量化的得到在功能测试时人机共驾车辆的整体评价。
[0139]
具体地，q
(功能测试)
＝w
(感知子系统)
*(w
1(驾驶员)
*q
(第一感知子系统)
+w
1(智能驾驶员辅助系统)
*q
(第二感知子系统)
)+w
(规划子系统)
*(w
2(驾驶员)
*q
(第一规划子系统)
+w
2(智能驾驶员辅助系统)
*q
(第二规划子系统)
)+w
(控制子系统)
*(w
3(驾驶员)
*q
(第一控制子系统)
+w
3(智能驾驶员辅助系统)
*q
(第二控制子系统)
)，其中，w表示权重，q表示分数。
[0140]
步骤s103、根据任务测试的分数和功能测试的分数，得到人机共驾车辆的总分数。
[0141]
具体地，q
(总)
＝w
(任务测试)
*q
(任务测试)
+w
(功能测试)
*q
(功能测试)
。
[0142]
由此可见，本发明通过对人机共驾车辆进行任务测试和功能测试，能够实现对人机共驾车辆智能的定量化评价。
[0143]
步骤s104、根据总分数，获取人机共驾车辆的智能评价结果。
[0144]
具体地，该步骤s104可以进一步包括：
[0145]
(5-1)多次对人机共驾车辆进行任务测试和功能测试，得到总分数的平均值。
[0146]
具体地，多次进行步骤s101～s103，得到人机共驾车辆的人机共驾车辆的总分数的平均值。
[0147][0148]
其中，q
(总)p
表示第p次测试的总分数；m表示测试的次数，p为大于0小于等于m的整数，qm表示m次测试后总分数的平均值。
[0149]
(5-2)根据总分数的平均值获得人机共驾车辆在同类车辆中的相对分数。
[0150]
具体地，可以通过下式获得相对分数：
[0151][0152]
其中，表示相对分数，表示该类车辆测试总分数的平均值，其中可以用下式表示：
[0153][0154]
其中，表示第k个该类车辆的总分数，nm表示该类车辆的测试数目。
[0155]
其中，同类产品的总分数也可以根据本发明步骤s101～s103得到，也可以根据现有的测试结果得到，优选采用本发明步骤s101～s103得到。
[0156]
(5-3)根据相对分数获得人机共驾车辆的智能等级。
[0157]
具体地，可以根据实际韦克斯勒智力分类法划分各个智商分数段，如表3所示。
[0158]
表3
[0159]
相对分数[0,70)[70,80)[80,90)[90,110)[110,120)[120,130)130以上智能水平智能欠缺低能边缘智能中下智能中等智能中上智能优秀智能超优
[0160]
具体地，多次对人机共驾车辆进行任务测试和功能测试，并对其与同类车辆进行比较，从而能够得到该人机共驾车辆的智力水平，实现了对人机共驾车辆的定量评价，为驾驶员在驾驶人机共驾车辆的安全性提供了保证。
[0161]
第二方面，本发明提供一种人机共驾车辆智能评价系统，如图2所示，该评价系统主要包括：
[0162]
分别采集人机共驾车辆进行任务测试和功能测试的实际数据的模块201，其中任务测试包括人机共驾车辆在不同环境下不同任务的测试，功能测试包括驾驶员和智能驾驶员辅助系统每个功能部分的测试；
[0163]
根据实际数据分别获取任务测试的分数和功能测试的分数的模块202；
[0164]
根据任务测试的分数和功能测试的分数，得到人机共驾车辆的总分数的模块203；
[0165]
根据总分数，获取人机共驾车辆的智能评价结果的模块204。
[0166]
本发明提供的人机共驾车辆智能评价系统，可用于执行上述第一方面描述的一种人机共驾车辆智能评价方法，其实现原理和技术效果类似，在此不再赘述。
[0167]
优选地，本发明一种人机共驾车辆智能评价系统中各模块可直接在硬件中、在由处理器执行的软件模块中或在两者的组合中。
[0168]
软件模块可驻留在ram存储器、快闪存储器、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可装卸盘、cd-rom或此项技术中已知的任何其它形式的存储介质中。示范性存储介质耦合到处理器，使得处理器可从存储介质读取信息和向存储介质写入信息。
[0169]
处理器可以是中央处理单元(英文：central processing unit，简称：cpu)，还可以是其他通用处理器、数字信号处理器(英文：digital signal processor，简称：dsp)、专用集成电路(英文：application specific integrated circuit，简称：asic)、现场可编程门阵列(英文：field programmable gate array，简称：fpga)或其它可编程逻辑装置、离散门或晶体管逻辑、离散硬件组件或其任何组合等。通用处理器可以是微处理器，但在替代方案中，处理器可以是任何常规处理器、控制器、微控制器或状态机。处理器还可实施为计算装置的组合，例如dsp与微处理器的组合、多个微处理器、结合dsp核心的一个或一个以上微
处理器或任何其它此类配置。在替代方案中，存储介质可与处理器成一体式。处理器和存储介质可驻留在asic中。asic可驻留在用户终端中。在替代方案中，处理器和存储介质可作为离散组件驻留在用户终端中。
[0170]
第三方面，本发明提供一种电子设备，其包括：存储器，处理器；
[0171]
存储器用于存储处理器可执行指令；
[0172]
处理器用于根据存储器存储的可执行指令，实现第一方面的人机共驾车辆智能评价方法。
[0173]
第四方面，本发明提供一种计算机可读存储介质，其特征在于，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如第一方面的人机共驾车辆智能评价方法。
[0174]
第五方面，一种程序产品，程序产品包括计算机程序，计算机程序存储在可读存储介质中，至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使执行第一方面描述的人机共驾车辆智能评价方法。
[0175]
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0176]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0177]
实施例
[0178]
选择驾驶员甲，分别采集该驾驶员操作下人机共驾车辆进行任务测试和功能测试的实际数据，其中已知该人机共驾车辆的智能水平处于中等水平(相对分数在90～110之间)。
[0179]
取任务测试的权重为0.6，功能测试的权重为0.4。
[0180]
任务测试选择车辆跟随任务和拐弯任务，其权重分别设为0.5和0.5。
[0181]
使用层次分析法，得到车辆跟随任务对应的感知层、决策层和控制层的权重0.2，总体表现的权重0.8。同理可得车辆拐弯任务对应的感知层、决策层和控制层的权重0.3，总体表现的权重0.7。
[0182]
车辆跟随任务在感知层上有目标车辆识别、驾驶员状态识别、目标距离感知3个第一子任务；在决策层上有加速、减速、请求干预、辅助提示4个第二子任务；在控制层上有警报器发出警报1个第三子任务。
[0183]
当进行跟随任务时，总体表现有跟车距离、碰撞时间两个子表现。
[0184]
在晴天车辆跟随任务中，3个第一子任务：目标车辆识别、驾驶员状态识别、目标距离感知的分数分别为95、80、98；4个第二子任务：加速、减速、请求干预、辅助提示的分数分别为85、80、85、80；1个第三子任务：警报器发出警报的分数为100；两个子表现：跟车距离、
碰撞时间的分数分别为85、88。
[0185]
晴天车辆跟随第一子任务总分数273，第二子任务总分数330，第三子任务总分数100，过程总分数703，子表现总分数173。
[0186]
在雨天车辆跟随任务中，3个第一子任务：目标车辆识别、驾驶员状态识别、目标距离感知的分数分别为80、80、97；4个第二子任务：加速、减速、请求干预、辅助提示的分数分别为82、80、88、85；1个第三子任务：警报器发出警报的分数为100；两个子表现：跟车距离、碰撞时间的分数分别为80、85。
[0187]
雨天车辆跟随第一子任务总分数257，第二子任务总分数335，第三子任务总分数100，过程总分数692，子表现总分数165。如表4所示：
[0188]
表4
[0189][0190]
晴天、雨天通过比较，得到判断矩阵因此可得晴天、雨天权重分别为
[0191]
根据子任务均分和子表现均分，车辆跟随任务测试的得分为：
[0192]q(任务1)
＝(0.2*87.88+0.8*86.5)/3+(0.2*86.5+0.8*82.5)*2/3＝84.46。
[0193]
十字路口拐弯任务在感知层上有车道线识别、驾驶员状态识别、交通标志与信号识别3个第一子任务；在决策层上有加速、减速、停车、打转向灯、转动方向盘5个第二子任务；在控制层上有警报器发出警报1个第三子任务。
[0194]
当进行十字路口拐弯任务时，总体表现有轨迹误差、过弯时间两个子表现。
[0195]
在十字路口拐弯任务中，3个第一子任务：车道线识别、驾驶员状态识别、交通标志与信号识别的分数分别为90、80、82；5个第二子任务：加速、减速、停车、打转向灯、转动方向盘的分数分别为85、80、85、85、80；1个第三子任务：警报器发出警报的分数为100；两个子表现：轨迹误差、过弯时间的分数分别为80、80。
[0196]
十字路口拐弯任务第一子任务总分252，第二子任务总分415，第三子任务100，过程总为767，子表现总分数160。
[0197]
s型弯道任务在感知层上有车道线识别、驾驶员状态识别2个第一子任务；在决策层上有加速、减速、转动方向盘3个第二子任务；在控制层上有转向控制、警报器发出警报2个第三子任务。
[0198]
当进行s型弯道任务时，总体表现有轨迹误差、过弯时间两个子表现。
[0199]
s型弯道拐弯任务中，2个第一子任务：车道线识别、驾驶员状态识别的分数分别为90、80；3个第二子任务：加速、减速、转动方向盘的分数分别为85、80、80；2个第三子任务：执行器转动转向盘、警报器发出警报的分数为90、100；两个子表现：轨迹误差、过弯时间的分数分别为90、90。
[0200]
s型弯道拐弯任务第一子任务总分170，第二子任务总分245，第三子任务190，过程总为605，子表现总分数180。如表5所示：
[0201]
表5
[0202][0203]
该实施例中十字路口、s型弯道通过比较，得到判断矩阵因此可得十字路口、s型弯道权重分别为0.5、0.5。
[0204]
根据子任务均分和子表现均分，s型弯道任务测试的得分为q
(任务2)
＝(0.3*85.22+0.7*80)*0.5+(0.3*86.43+0.7*90)*0.5＝85.25
[0205]
综上q
(任务测试)
＝w
(任务1)
*q
(任务1)
+w
(任务2)
*q
(任务2)
＝0.5*84.46+0.5*85.25＝84.86。
[0206]
下面给出功能测试各个子系统权重的计算过程。首先，列出任务测试中，不同场景下的第一子任务、第二子任务和第三子任务的总分数，根据任务和环境权重对其加权求和，具体如表6所示：
[0207]
表6
[0208][0209]q(感知层)
＝0.5*(1/3*273+2/3*257)+0.5*(252*0.5+170*0.5)＝236.67
[0210]q(规划层)
＝0.5*(1/3*330+2/3*335)+0.5*(415*0.5+245*0.5)＝331.67
[0211]q(控制层)
＝0.5*(1/3*100+2/3*100)+0.5*(100*0.5+190*0.5)＝122.5
[0212]
因此可得：
[0213]w(感知子系统)
＝0.34；
[0214]w(规划子系统)
＝0.48；
[0215]w(控制子系统)
＝0.18；
[0216]
根据人机交互程度，确定驾驶员和智能驾驶员辅助系统在感知子系统中所占权重分别为0.6、0.4。并获得第一感知子系统的分数为100，第二感知子系统的分数为90.83。
[0217]q(感知子系统)
＝w
1(驾驶员)
*q
(第一感知子系统)
+w
1(智能驾驶员辅助系统)
*q
(第二感知子系统)
＝0.6*100+0.4*90.83＝96.33。
[0218]
根据人机交互程度，确定驾驶员和智能驾驶员辅助系统在规划子系统中所占权重分别为0.5、0.5。并获得第一规划子系统的分数为85，第二规划子系统的分数为88.33。
[0219]q(规划子系统)
＝w
2(驾驶员)
*q
(第一规划子系统)
+w
2(智能驾驶员辅助系统)
*q
(第二规划子系统)
＝0.5*85+0.5*88.33＝86.67。
[0220]
根据人机交互程度，确定驾驶员和智能驾驶员辅助系统在控制子系统中所占权重分别为0.6、0.4。并获得第一控制子系统的分数为86.67，第二控制子系统的分数为93.33。q
(控制子系统)
＝w
3(驾驶员)
*q
(第一控制子系统)
+w
3(智能驾驶员辅助系统)
*q
(第二控制子系统)
＝0.6*86.67+0.4*93.33＝89.33。
[0221]q(功能测试)
＝w
(感知子系统)
*q
(感知子系统)
)+w
(规划子系统)
*q
(规划子系统)
+w
(控制子系统)
*q
(控制子系统)
＝0.34*96.33+0.48*86.67+0.18*89.33＝90.43。
[0222]
根据任务测试的分数和功能测试的分数，得到人机共驾车辆的总分数。
[0223]
具体地，q
(总)
＝w
(任务测试)
*q
(任务测试)
+w
(功能测试)
*q
(功能测试)
＝0.6*84.86+0.4*90.43＝87.09。
[0224]
对该驾驶员操作下的人机共驾车辆进行5次任务测试，得到总分数分别为87.09，86.13，88.67，86.92，87.16，由此可得该驾驶员操作下的人机共驾车辆总分数的平均值qm为87.19。
[0225]
选择另外2名驾驶员乙、丙依次进行测试，各自测试总分数的平均值分别为80.34、89.36。由此可得的值为85.63。
[0226]
分别计算3位驾驶员操作下的人机共驾车辆的相对分数。其中，驾驶员甲驾驶人机共驾车辆时，人机共驾车辆的相对分数为：101.82；驾驶员乙驾驶人机共驾车辆时，人机共驾车辆的相对分数为：93.82；驾驶员丙驾驶人机共驾车辆时，人机共驾车辆的相对分数为：104.36。
[0227]
根据表3可知，三位驾驶员操作下的人机共驾车辆智能水平均为中等水平，可知此处智能水平判断准确，且与人为因素(驾驶员)无关，说明了该方法能够准确的定量化评价人机共驾车辆智能水平。
[0228]
以上结合具体实施方式和范例性实例对本发明进行了详细说明，不过这些说明并不能理解为对本发明的限制。本领域技术人员理解，在不偏离本发明精神和范围的情况下，可以对本发明技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本发明的范围内。