一种基于场景的无人驾驶系统可信性评价方法及装置

1.本技术涉及无人驾驶
技术领域：
：，具体涉及一种基于场景的无人驾驶系统可信性评价方法及装置。
背景技术：
：：2.中国人工智能学会发布的中国人工智能系列白皮书-智能驾驶(2017)，指出：无人驾驶车辆是新一轮科技革命背景下的新兴技术；《中国制造2025》、“互联网+”、智能制造发展规划等一系列战略规划的提出，也说明无人驾驶车辆的发展在未来将成为重中之重。现阶段，无人驾驶系统在实际部署时会受到技术手段匮乏、市场及消费者的理解和接受程度有限、伦理和相关法律困境等诸多因素的影响，这些问题无限延长着无人驾驶汽车大规模普及进程。3.开发和部署无人驾驶汽车的一个关键步骤是全面地测试和评估无人驾驶系统的可信性，满足以安全性、可理解性、可预测性、可追溯性为导向的高等级智能汽车的迫切需求。经调研国内外技术背景发现，汽车无人驾驶系统可信性测评技术尚处于空白阶段。技术实现要素：4.本技术实施例提供了一种基于场景的无人驾驶系统可信性评价方法，以解决现有技术中，汽车无人驾驶系统可信性测评技术尚处于空白阶段，难以满足以安全性、可理解性、可预测性、可追溯性为导向的高等级智能汽车的迫切需求的问题。5.相应的，本技术实施例还提供了一种基于场景的无人驾驶系统可信性评价装置、一种电子设备、一种计算机可读存储介质，用于保证上述方法的实现及应用。6.为了解决上述技术问题，本技术实施例公开了一种基于场景的无人驾驶系统可信性评价方法，所述方法包括：7.根据无人驾驶系统的具体待测功能，选取场景元素和功能测试需求进行随机组合，生成功能测试场景库；8.根据功能测试需求，确定无人驾驶系统的评价指标及评价指标的指标经验值；9.基于功能测试场景库和指标经验值进行仿真测试，获取无人驾驶系统在评价指标下的失效率；10.利用失效率构建动态贝叶斯网络可信性评价模型，并利用动态贝叶斯网络可信性评价模型输出获得无人驾驶系统的状态概率；11.根据状态概率计算无人驾驶系统的可信性及组件重要度。12.本技术实施例还公开了一种基于场景的无人驾驶系统可信性评价装置，所述装置包括：13.功能测试场景确认模块，用于根据无人驾驶系统的具体待测功能，选取场景元素和功能测试需求进行随机组合，生成功能测试场景库；14.评价指标生成模块，用于根据功能测试需求，确定无人驾驶系统的评价指标及评价指标的指标经验值；15.系统失效率计算模块，用于基于功能测试场景库和指标经验值进行仿真测试，获取无人驾驶系统在评价指标下的失效率；16.模型构建训练模块，用于利用失效率构建动态贝叶斯网络可信性评价模型，并利用动态贝叶斯网络可信性评价模型输出获得无人驾驶系统的状态概率；17.系统可信性计算模块，用于根据状态概率计算无人驾驶系统的可信性及组件重要度。18.本技术实施例还公开了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本技术实施例中一个或多个所述的方法。19.本技术实施例还公开了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如本技术实施例中一个或多个所述的方法。20.本技术实施例中，根据无人驾驶系统的具体待测功能，选取场景元素和功能测试需求进行随机组合，生成功能测试场景库；并根据功能测试需求，确定无人驾驶系统的评价指标及评价指标的指标经验值；基于功能测试场景库和指标经验值进行仿真测试，获取无人驾驶系统在评价指标下的失效率；利用失效率构建动态贝叶斯网络可信性评价模型，并利用动态贝叶斯网络可信性评价模型输出获得无人驾驶系统的状态概率；最后根据状态概率计算无人驾驶系统的可信性及组件重要度，可实现对无人驾驶系统的可信性评价。21.本技术实施例附加的方面和优点将在下面的描述部分中给出，这些将从下面的描述中变得明显，或通过本技术的实践了解到。附图说明22.本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：23.图1为本技术实施例提供的基于场景的无人驾驶系统可信性评价方法的流程图；24.图2为本技术实施例提供的人—车—路—环境系统的结构示意图；25.图3为本技术实施例提供的选取评价指标的流程图；26.图4为本技术实施例提供的无人驾驶系统拆解后的结构示意图；27.图5为本技术实施例提供的动态贝叶斯网络图形结构示意图；28.图6为本技术实施例提供的示例中的动态贝叶斯网络图形结构示意图；29.图7为本技术实施例提供的基于场景的无人驾驶系统可信性评价装置的结构示意图；30.图8为本技术实施例提供的电子设备的结构示意图。具体实施方式31.下面详细描述本技术的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本技术，而不能解释为对本技术的限制。32.本
技术领域：
：技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本技术的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组合。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。33.本领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。34.本技术实施例所提供的方案可以由任一电子设备执行，如可以是终端设备，也可以是服务器，其中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本技术在此不做限制。对于现有技术中所存在的技术问题，本技术提供的基于场景的无人驾驶系统可信性评价方法、装置以及电子设备，旨在解决现有技术的技术问题中的至少一项。35.下面以具体实施例对本技术的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。36.本技术实施例提供了一种可能的实现方式，如图1所示，提供了一种基于场景的无人驾驶系统可信性评价方法的流程图，该方案可以由任一电子设备执行，可选的，可以在服务器端或终端设备执行。37.如图1中所示，该方法可以包括以下步骤：38.步骤101，根据无人驾驶系统的具体待测功能，选取场景元素和功能测试需求进行随机组合，生成功能测试场景库。39.本技术实施例中的无人驾驶系统可以为“人—车—路—环境系统”，图2示出了人—车—路—环境系统的结构示意图。如图2所示，人—车—路—环境系统中的场景元素可以包括但不限于交通参与者、环境物理元素、气象条件；功能测试需求包括但不限于交通标志识别响应、信号灯识别与响应、行人避让、环岛通行、靠边停车、超车。本技术实施例中可以根据无人驾驶系统在选取的典型场景下的功能测试需求，通过对上述的多种场景元素和多种功能测试需求进行自由/随机组合，以构建典型场景的功能测试场景库。40.步骤102，根据功能测试需求，确定无人驾驶系统的评价指标及评价指标的指标经验值。41.可选地，所述根据功能测试需求，确定无人驾驶系统的评价指标及评价指标的指标经验值，包括：42.根据功能测试需求，确定无人驾驶系统中的功能模块；43.确定功能模块所包含的组件，并根据组件确定评价指标以及评价指标的指标经验值。44.图3示出了选取评价指标的流程图。如图3所示，本技术实施例中首先明确典型场景下无人驾驶系统要完成的任务(即无人驾驶系统的具体待测功能)，然后明确无人驾驶系统完成任务时用到的功能模块。再对所用到的功能模块进行拆解，明确功能模块包含的组件(包括硬件组成及相关算法)，依据拆解的组件，选择评定任务完成情况的相关指标作为评价指标。然后结合预先设定的标准(如根据现有政策或行业内普遍认可的已有的标准)，根据所选的所有评价指标形成评价指标体系并得到评价指标体系内所有评价指标的相关指标经验值。45.指标值是来界定指标完成标准的一个量化描述。所述的选定评价指标的指标经验值对于已选定的用于基于场景的无人驾驶系统可信性评价指标，结合预先设定的标准，得到其现有的被行业内所广泛接受的指标值。46.步骤103，基于功能测试场景库和指标经验值进行仿真测试，获取无人驾驶系统在评价指标下的失效率。47.基于功能测试场景库和指标经验值，在仿真平台上进行仿真测试，可以通过反复大量测试对指标值进行验证与优化，并最终得到无人驾驶系统在各项指标下的失效率。其中，进行测试的仿真平台，可以根据实际应用情况自行选取。48.步骤104，利用失效率构建动态贝叶斯网络可信性评价模型，并利用动态贝叶斯网络可信性评价模型输出获得无人驾驶系统的状态概率。49.贝叶斯网络(bayesiannetwork，bn)，是基于贝叶斯理论的不确定知识推理模型。贝叶斯网络模型由节点的图形结构和条件概率表(conditionalprobabilitytable，cpt)组成，能够通过节点条件概率表直观地描述节点间逻辑关系。而动态贝叶斯网络(dynamicbayesiannetwork，dbn)是贝叶斯网络的拓展，能够通过离散的多个时间片反映变量的时变效应，dbn结构中每个时间片对应一个静态贝叶斯网络。因此，dbn可以实现动态预测及数据实时更新，能够对动态随机过程进行表达和推理，在动态系统故障诊断与可信性评估等应用领域中有着一定的优势。本技术实施例中使用dbn作为构建贝叶斯网络可信性评价模型的架构，然后利用贝叶斯网络可信性评价模型输出获得无人驾驶系统的状态概率。50.步骤105，根据状态概率计算无人驾驶系统的可信性及组件重要度。51.本技术实施例中，根据无人驾驶系统的具体待测功能，选取场景元素和功能测试需求进行随机组合，生成功能测试场景库；并根据功能测试需求，确定无人驾驶系统的评价指标及评价指标的指标经验值；基于功能测试场景库和指标经验值进行仿真测试，获取无人驾驶系统在评价指标下的失效率；利用失效率构建动态贝叶斯网络可信性评价模型，并利用动态贝叶斯网络可信性评价模型输出获得无人驾驶系统的状态概率；最后根据状态概率计算无人驾驶系统的可信性及组件重要度，可实现对无人驾驶系统的可信性评价。52.除此之外，本技术实施例中能够将无人驾驶系统测试需求与测试场景紧密关联，丰富了无人驾驶系统各功能模块的性能评价指标，降低了无人驾驶系统的开发及维护成本，并提高了无人驾驶系统的测试效率，从而提高无人驾驶技术的安全性，推进高等级自动驾驶在实际道路上的部署应用。53.在一个可选的实施例中，所述基于功能测试场景库和指标经验值进行仿真测试，获取无人驾驶系统在评价指标下的失效率，包括：54.确定每个功能模块下每项评价指标的指标经验值；设所选取的评价指标的对应指标经验值为：[0055][0056]其中：ni为第i个功能模块中的评价指标的个数；为第i个功能模块中第n项指标的指标经验值。[0057]对指标经验值进行测试、验证，获取优化后的指标经验值作为评价指标值。[0058]具体地，通过在仿真平台上进行反复测试、验证，直至达到预设阈值，最终得到优化后的评价指标值为：[0059][0060]其中：ni为第i个功能模块中的评价指标的个数；为第i个功能模块中第n项指标优化后的指标值；[0061]根据评价指标值对无人驾驶系统进行测试，获得无人驾驶系统在评价指标下的失效率。[0062]通过在仿真平台上，结合优化后的各项评价指标值，对待测的无人驾驶系统进行反复大量的测试，直至达到预设阈值，可得到无人驾驶系统在相应评价指标下的失效率：[0063][0064]其中：为无人驾驶系统在第i个功能模块中第n项指标下的失效率。[0065]所述的失效率需要根据测试场景或测试需求的不同，选择不同的衡量标准。选择的无人驾驶系统失效率的衡量标准可以是依据测试的里程量(系统百公里失效率\人工干预率)、依据测试的时长(系统百小时失效率\人工干预率)、依据系统任务完成情况成功或失败的频次(系统失效频次)等。[0066]在一个可选的实施例中，所述利用失效率构建动态贝叶斯网络可信性评价模型，并利用动态贝叶斯网络可信性评价模型输出获得无人驾驶系统的状态概率包括：[0067]对无人驾驶系统进行功能划分和层级划分，获得多个功能模块和多个系统层级；[0068]根据功能模块和系统层级，确定动态贝叶斯网络图形结构，完成动态贝叶斯网络可信性评价模型的构建；[0069]基于失效率计算贝叶斯网络图形结构中各节点在各项评价指标下所有可能状态的条件概率表参数；其中，条件概率表参数包括各节点在所有可能状态下的概率值；[0070]将状态概率值作为动态贝叶斯网络可信性评价模型的输入，根据贝叶斯网络可信性评价模型的输出获取无人驾驶系统的状态概率。[0071]本技术实施例中使用dbn作为构建可信性评价模型的架构。由于无人驾驶系统可信性是时间的函数，复杂无人驾驶系统的可信性会随时间发生动态变化。在对复杂无人驾驶系统的可信性建模时，dbn中的节点可以表示系统、组件的状态，而节点间的有向边可以表示组件和系统之间的影响关系。通过条件概率表，以定量描述变量之间的关联强度，即每个节点相对于其父节点所有可能状态的条件概率。[0072]基于上述，本技术实施例中通过以下方式构建动态贝叶斯网络可信性评价模型：[0073]具体地，图4示出了一种无人驾驶系统拆解后的结构示意图。如图4所示，首先对无人驾驶系统进行功能划分和层级划分。[0074]功能划分方面，无人驾驶系统从系统自身和整车综合两个方面可划分为感知模块、决策控制模块、整车性能模块三个功能模块，其中，每个功能模块可以划分为组件，组件可以划分为硬件和相关算法。例如：感知模块可划分为硬件和感知算法，硬件可以划分为相机、激光雷达、毫米波雷达、惯性测量单元imu、全球定位gps等；感知算法可以划分为目标检测、目标跟踪(定位)、轨迹预测的算法。[0075]决策控制模块可以划分为决策算法和控制算法；决策算法可以划分为基于经验规则、基于数据驱动、基于效用函数、考虑不确定性和交互性的算法；控制算法可以划分为横向控制、纵向控制、横纵协同控制的算法。其中横向控制又可以划分为无模型、基于车辆运动学模型、基于车辆动力学模型的控制方法；纵向控制可以划分为定速巡航、自适应巡航、紧急制动的控制方法；横纵协同控制可以划分为分布式、集成协同式的方法。[0076]整车性能模块需要考虑稳定性、舒适性、安全性、高效性等性能。[0077]层级划分方面，可以划分为系统级(无人驾驶系统)、子系统级(感知模块、决策控制模块、整车性能模块)、组件级(系统包含的硬件及相关算法)。[0078]根据如图4所示的功能模块和系统层级，可以设定动态贝叶斯网络图形结构：[0079]图5示出了动态贝叶斯网络图形结构示意图，如图5所示，贝叶斯网络图形结构按照图4中无人驾驶系统的功能划分，分成感知、决策、整车性能三个部分；按照图4中无人驾驶系统的层级划分，分成系统级、子系统级、组件级三个层级。[0080]其中，动态贝叶斯网络图形结构中节点的组成自上而下分别为：[0081]表1动态贝叶斯网络图形结构的节点组成[0082][0083]需要注意的是，上述表1中的系统指无人驾驶系统；模块部分指功能模块部分；模型指动态贝叶斯网络可信性评价模型。[0084]其中，父节点上的循环箭头代表动态贝叶斯网络可信性评价模型的数据是实时更新的，更新的间隔时间为“单位1”，即δt＝1；动态贝叶斯网络可信性评价模型设定的预测时间间隔为t0；故整个动态贝叶斯网络可信性评价模型的时间设定满足：t＝{0,1,…t0}。[0085]之后，基于所构建的动态贝叶斯网络图形结构，计算动态贝叶斯网络图形结构中各节点的条件概率。[0086]需要注意的是，本技术实施例使用dbn作为可信性评价模型的架构，dbn是一种融合了时间信息的贝叶斯网络，可以将dbn看作是多个贝叶斯网络的时间片单向连接在一起构成的。每帧时间片的贝叶斯网络的结构及节点之间的关系都是完全一样的，第t帧的时间片网络只跟t-1和t+1帧的时间片网络有关，跟其他的网络片无关。故无论时间t为多少，各节点的条件概率表都是一样的，且保持不变。[0087]可选地，所述基于失效率计算动态贝叶斯网络图形结构中各节点在各项评价指标下所有可能状态的条件概率表参数，包括：[0088]将失效率输入所述动态贝叶斯网络可信性评价模型；[0089]将步骤103中得到的无人驾驶系统在相应评价指标下的失效率作为整个贝叶斯网络可信性评价模型的训练输入：[0090][0091]其中，为无人驾驶系统在第i个功能模块中第n项评价指标下的失效率。[0092]计算所述无人驾驶系统在各项所述评价指标下的工作概率；[0093][0094][0095]其中，为无人驾驶系统在第i个功能模块中第n项评价指标下的工作概率；[0096]基于所述工作概率，计算并输出贝叶斯网络图形结构中个节点在各项评价指标下所有可能状态的条件概率表参数：[0097][0098]其中：pr{ω}为ω节点集的状态概率值，其中ω＝{x1(t),x2(t),…xn(t)}；[0099]n为ω节点集所包含的节点个数；[0100]t0为设定的时间间隔；[0101]为xi(t)节点的条件概率；[0102]为xi(t)节点的所有父节点。[0103]所述将状态概率值作为动态贝叶斯网络可信性评价模型的输入，根据动态贝叶斯网络可信性评价模型的输出获取无人驾驶系统的状态概率，具体地：[0104]将t时刻系统在各项评价指标下的状态概率值作为动态贝叶斯网络可信性评价模型的输入：[0105][0106]其中：ni为第i个功能模块中的评价指标的个数；[0107]为第i个功能模块部分的第n项评价指标下无人驾驶系统的状态概率值；[0108]动态贝叶斯网络可信性评价模型的输出为t时刻预测的无人驾驶系统的状态概率sw(t)。[0109]基于所构建的动态贝叶斯网络可信性评价模型的输出(无人驾驶系统的状态概率sw(t))，计算无人驾驶系统的可信性及系统组件重要度。[0110]为了全面阐述组件可靠性和无人驾驶系统可信性之间的关系，量化组件状态变化对无人驾驶系统可信性的影响程度，需要引入一个衡量标准。本技术实施例引入了重要性测量(birnbaumimportancemeasures，bims)，作为一个衡量组件可靠性对无人驾驶系统可信性的影响程度的标准。[0111]所述的计算过程如下：[0112]无人驾驶系统系统的可信性计算：[0113][0114]其中：rs(t)为整个系统在t时刻的可信性；[0115]pr{sw(t)＝1}为sw节点在t时刻处于“1”状态时(整个系统处于工作状态时)的概率；[0116]为sw(t)的所有父节点；[0117]组件重要度的计算：[0118][0119]其中，表示第i功能模块中第ki个组件；[0120]表示组件在t时刻的重要度值；[0121]为表示节点在t时刻处于“1”状态时，sw节点在t时刻处于“1”状态的概率(当组件处于工作状态时，无人驾驶系统处于工作状态的概率)；该值可将作为已知条件，由动态贝叶斯网络可信性评价模型的输出得到；[0122]表示当ci节点在t时刻处于“0”状态时，sw节点在t时刻处于“1”状态的概率(当组件处于失效状态时，系统处于工作状态的概率)；该值可将作为已知条件，由动态贝叶斯网络可信性评价模型的输出得到。[0123]在一个可选的实施例中，所述方法还包括：[0124]基于收集到的观测数据，更新无人驾驶系统的可信性。[0125]对无人驾驶系统的可信性更新是指，通过利用收集的观测数据来更新无人驾驶系统的可信性评估结果。即当收集到无人驾驶系统状态的新观测数据时，通过动态贝叶斯网络可信性评价模型推断无人驾驶系统的新工作状态概率sw(t)。[0126]在一个可选的实施例中，所述基于收集到的观测数据，更新无人驾驶系统的可信性，包括：[0127]接受观测数据，将观测数据输入动态贝叶斯网络可信性评价模型，输出获得对应的状态概率；[0128]根据状态概率重新计算无人驾驶系统的可信性。[0129]设收集到的观测数据为e，观测数据可以分为单级观测数据和多级观测数据。[0130]可选地，对于单级观测数据的可信性更新：[0131][0132]其中：pr{sw(t)|e(t1)}可以通过将e(t1)作为已知条件，由动态贝叶斯网络可信性评价模型输出得到；[0133]e(t1)为t1时刻的单级观测值；[0134]sw(t)为t时刻预测的无人驾驶系统的状态概率，其中满足：t》t1；[0135]对于多级观测数据的可信性更新：[0136][0137]其中：pr{sw(t)|e(t1)}可以通过将e1(t1),e2(t1),…em(t1)作为已知条件，由动态贝叶斯网络可信性评价模型输出得到；[0138]e1(t1),e2(t1),…em(t1)为t1时刻的多级观测值；[0139]sw(t)为t时刻预测的无人驾驶系统的状态概率，其中满足：t》t1。[0140]作为示例：[0141](1)结合上述步骤101，本技术实施例中以城市的交叉路口、环岛、高速出入口三类典型场景为例，依据图2所示的人—车—路—环境系统的结构，列举所选取的典型场景下无人驾驶系统的主要待测功能，如表2所示：[0142]表2城市典型场景下无人驾驶系统主要功能测试点及典型场景组成要素[0143][0144][0145](2)结合上述步骤102，根据上述已明确的功能测试需求，确定无人驾驶系统的评价指标及评价指标的指标经验值。[0146]具体地，以城市交叉路口为例，选取无人驾驶系统相应的评价指标如表3所示：[0147]表3交叉路口测试场景下的评价指标选取[0148][0149][0150](3)结合上述步骤103，基于功能测试场景库和指标经验值进行仿真测试，获取无人驾驶系统在评价指标下的失效率。具体地如下：[0151]虚拟测试的仿真平台选取scanertmstudio。[0152]scanertmstudio是一个模块化的自动驾驶仿真平台，提供了构建超真实虚拟世界所需的所有工具和模型：道路环境、车辆动力学、交通、传感器、真实/虚拟司机、车头灯、天气条件和场景脚本。通用性强，且功能十分强大。[0153]所述的仿真测试整体流程如下：[0154]①已知上述步骤(2)中所选取的评价指标的对应指标经验值为：[0155][0156]②通过在仿真平台上进行反复测试、验证，最终得到优化后的评价指标值为：[0157][0158]③通过在仿真平台上，结合②中获取的优化后的各项评价指标值，对待测的无人驾驶系统进行反复大量的测试，可得到无人驾驶系统在相应评定指标值下的失效率：[0159][0160](4)结合上述步骤104，利用失效率构建动态贝叶斯网络可信性评价模型，并利用动态贝叶斯网络可信性评价模型输出获得无人驾驶系统的状态概率。[0161]所述的动态贝叶斯网络可信性评价模型的构建过程如下：[0162]①对无人驾驶系统进行功能划分和层级划分：[0163]功能划分方面，将无人驾驶系统从系统划分为感知模块、决策控制模块、整车性能模块三个功能模块，其中，每个功能模块可以划分为组件，组件可以划分为硬件和相关算法。[0164]层级划分方面，可以划分为系统级(无人驾驶系统)、子系统级(感知模块、决策控制模块、整车性能模块)、组件级(系统包含的硬件及相关算法)。[0165]②根据无人驾驶系统的功能模块和系统层级，明确动态贝叶斯网络图形结构：[0166]图6示出了示例中的动态贝叶斯网络图形结构示意图。如图6所示，动态贝叶斯网络图形结构按照上述系统拆解的功能模块分成感知模块、决策控制模块、整车性能模块三个部分；按照拆解的系统层级分成系统级、子系统级、组件级三个层级。[0167]其中，动态贝叶斯网络图形结构中节点的租场自上而下分别为：[0168]表4交叉路口测试场景下的无人驾驶系统dbn图形结构节点组成[0169][0170]更新的间隔时间设定为为“单位1”，即δt＝1，动态贝叶斯网络可信性评价模型设定的预测时间间隔为t0；故整个动态贝叶斯网络可信性评价模型的时间设定满足：t＝{0,1,…t0}。[0171]③基于所构建的动态贝叶斯网络图形结构，计算动态贝叶斯网络图形结构中各节点在各项评价指标下所有可能状态的条件概率表参数：[0172]所述的各节点的条件概率表参数计算过程如下：[0173]将上述步骤(3)中得到的无人驾驶系统在相应评价指标值下的失效率为动态贝叶斯网络可信性评价模型的训练输入：[0174][0175]可计算无人驾驶系统在各项评价指标衡量下的工作概率值：[0176][0177][0178]其中：—无人驾驶系统在第i个功能模块中第n项评价指标下的工作概率；[0179]—无人驾驶系统在第i个功能模块中第n项评价指标下的失效率；[0180]基于得到的工作概率，可计算各节点在各项评价指标下所有可能状态的条件概率表参数：[0181][0182]其中：pr{ω}为ω节点集的状态概率值，其中ω＝{x1(t),x2(t),…xn(t)}；[0183]n为ω节点集所包含的节点个数；[0184]t0为设定的时间间隔；[0185]为xi(t)节点的条件概率；[0186]为xi(t)节点的所有父节点。[0187]④动态贝叶斯网络可信性评价模型的输入为：t时刻系统在各项评价指标衡量下的状态概率值：[0188][0189]⑤动态贝叶斯网络可信性评价模型的输出为：t时刻预测的系统的状态概率sw(t)。[0190](5)基于所构建的动态贝叶斯网络可信性评价模型的输出(无人驾驶系统的状态概率sw(t))，计算无人驾驶系统的可信性及系统组件重要度。[0191]所述的计算过程如下：[0192]①无人驾驶系统的可信性计算：[0193][0194]②无人驾驶系统组件级重要度的计算：[0195]以组件(感知模块的相机组件)为例，计算的重要度：[0196][0197]其中：表示当节点在t时刻处于“1”状态时，sw节点在t时刻处于“1”状态的概率(当相机处于工作状态时，系统处于工作状态的概率)；该值可将作为已知条件，由动态贝叶斯网络可信性评价模型的输出得到；[0198]表示当节点在t时刻处于“0”状态时，sw节点在t时刻处于“1”状态的概率(当相机处于失效状态时，系统处于工作状态的概率)；该值可将作为已知条件，由动态贝叶斯网络可信性评价模型的输出得到；[0199](6)基于收集到的观测数据，完成对系统可信性的更新。[0200]设收集到的观测数据为：观测数据含义为：t1时刻组件(相机)处于工作状态，组件处于失效状态(车辆稳定性未达标)，属于多级观测数据：[0201]所述的可信性更新过程如下：[0202][0203]其中：表示将作为已知条件，由动态贝叶斯网络可信性评价模型的输出即可得到；[0204]sw(t)—为t时刻预测的无人驾驶系统的状态概率，其中满足：t》t1。[0205]基于与本技术实施例所提供的方法相同的原理，本技术实施例还提供了一种基于场景的无人驾驶系统可信性评价装置，如图7所示，所述装置包括：[0206]功能测试场景确认模块701，用于根据无人驾驶系统的具体待测功能，选取场景元素和功能测试需求进行随机组合，生成功能测试场景库；[0207]评价指标生成模块702，用于根据功能测试需求，确定无人驾驶系统的评价指标及评价指标的指标经验值；[0208]系统失效率计算模块703，用于基于功能测试场景库和指标经验值进行仿真测试，获取无人驾驶系统在评价指标下的失效率；[0209]模型构建训练模块704，用于利用失效率构建动态贝叶斯网络可信性评价模型，并利用动态贝叶斯网络可信性评价模型输出获得无人驾驶系统的状态概率；[0210]系统可信性计算模块705，用于根据状态概率计算无人驾驶系统的可信性及组件重要度。[0211]本技术实施例中，功能测试场景确认模块根据无人驾驶系统的具体待测功能，选取场景元素和功能测试需求进行随机组合，生成功能测试场景库；评价指标生成模块根据功能测试需求，确定无人驾驶系统的评价指标及评价指标的指标经验值；系统失效率计算模块基于功能测试场景库和指标经验值进行仿真测试，获取无人驾驶系统在评价指标下的失效率；模型构建训练模块利用失效率构建动态贝叶斯网络可信性评价模型，并利用动态贝叶斯网络可信性评价模型输出获得无人驾驶系统的状态概率；系统可信性计算模块根据状态概率计算无人驾驶系统的可信性及组件重要度，可实现对无人驾驶系统的可信性评价。[0212]除此之外，本技术实施例中能够将无人驾驶系统测试需求与测试场景紧密关联，丰富了无人驾驶系统各功能模块的性能评价指标，降低了无人驾驶系统的开发及维护成本，并提高了无人驾驶系统的测试效率，从而提高无人驾驶技术的安全性，推进高等级自动驾驶在实际道路上的部署应用。[0213]在一个可选的实施例中，所述评价指标生成模块702包括：[0214]第一评价指标生成子模块，用于根据功能测试需求，确定无人驾驶系统中的功能模块；[0215]第二评价指标生成子模块，用于确定功能模块所包含的组件，并根据组件确定评价指标以及评价指标的指标经验值。[0216]在一个可选的实施例中，所述系统失效率计算模块703包括：[0217]第一系统失效率计算子模块，用于确定每个功能模块下每项评价指标的指标经验值；[0218]第二系统失效率计算子模块，用于对指标经验值进行测试、验证，获取优化后的指标经验值作为评价指标值；[0219]第三系统失效率计算子模块，用于根据评价指标值对无人驾驶系统进行测试，获得无人驾驶系统在评价指标下的失效率。[0220]在一个可选的实施例中，所述模型构建训练模块704包括：[0221]第一模型构建训练子模块，用于对无人驾驶系统进行功能划分和层级划分，获得多个功能模块和多个系统层级；[0222]第二模型构建训练子模块，用于根据功能模块和系统层级，确定动态贝叶斯网络图形结构，完成动态贝叶斯网络可信性评价模型的构建；[0223]第三模型构建训练子模块，用于基于失效率计算动态贝叶斯网络图形结构中各节点在各项评价指标下所有可能状态的条件概率表参数；条件概率表参数包括各节点在所有可能状态下的概率值；[0224]第四模型构建训练子模块，用于将状态概率值作为冬天贝叶斯网络可信性评价模型的输入，根据动态贝叶斯网络可信性评价模型的输出获取无人驾驶系统的状态概率。[0225]在一个可选的实施例中，所述第三模型构建训练子模块包括：[0226]第一模型构建训练单元，用于将失效率输入动态贝叶斯网络可信性评价模型；[0227]第二模型构建训练单元，用于计算无人驾驶系统在各项评价指标下的工作概率；[0228]第三模型构建训练单元，用于基于工作概率，计算并输出动态贝叶斯网络图形结构中个节点在在各项评价指标下所有可能状态的条件概率表参数。[0229]在一个可选的实施例中，所述装置还包括：[0230]可信性更新模块，用于基于收集到的观测数据，更新无人驾驶系统的可信性。[0231]在一个可选的实施例中，所述可信性更新模块包括：[0232]第一可信性更新子模块，用于接受观测数据，将观测数据输入动态贝叶斯网络可信性评价模型，输出获得对应的状态概率；[0233]第二可信性更新子模块，用于根据状态概率重新计算无人驾驶系统的可信性。[0234]本技术实施例提供基于场景的无人驾驶系统可信性评价装置能够实现图1至图6的方法实施例中实现的各个过程，为避免重复，这里不再赘述。[0235]本技术实施例的基于场景的无人驾驶系统可信性评价装置可执行本技术实施例所提供的基于场景的无人驾驶系统可信性评价方法，其实现原理相类似，本技术各实施例中的基于场景的无人驾驶系统可信性评价装置中的各模块、单元所执行的动作是与本技术各实施例中的基于场景的无人驾驶系统可信性评价方法中的步骤相对应的，对于基于场景的无人驾驶系统可信性评价装置的各模块的详细功能描述具体可以参见前文中所示的对应的基于场景的无人驾驶系统可信性评价方法中的描述，此处不再赘述。[0236]基于与本技术的实施例中所示的方法相同的原理，本技术实施例还提供了一种电子设备，该电子设备可以包括但不限于：处理器和存储器；存储器，用于存储计算机程序；处理器，用于通过调用计算机程序执行本技术任一可选实施例所示的基于场景的无人驾驶系统可信性评价方法。与现有技术相比，本技术提供的基于场景的无人驾驶系统可信性评价方法，根据无人驾驶系统的具体待测功能，选取场景元素和功能测试需求进行随机组合，生成功能测试场景库；并根据功能测试需求，确定无人驾驶系统的评价指标及评价指标的指标经验值；基于功能测试场景库和指标经验值进行仿真测试，获取无人驾驶系统在评价指标下的失效率；利用失效率构建动态贝叶斯网络可信性评价模型，并利用动态贝叶斯网络可信性评价模型输出获得无人驾驶系统的状态概率；最后根据状态概率计算无人驾驶系统的可信性及组件重要度，可实现对无人驾驶系统的可信性评价。[0237]在一个可选实施例中，还提供了一种电子设备，如图8所示，图8所示的电子设备800可以为服务器，包括：处理器801和存储器803。其中，处理器801和存储器803相连，如通过总线802相连。可选地，电子设备800还可以包括收发器804。需要说明的是，实际应用中收发器804不限于一个，该电子设备800的结构并不构成对本技术实施例的限定。[0238]处理器801可以是cpu(centralprocessingunit，中央处理器)，通用处理器，dsp(digitalsignalprocessor，数据信号处理器)，asic(applicationspecificintegratedcircuit，专用集成电路)，fpga(fieldprogrammablegatearray，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本技术公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器801也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，dsp和微处理器的组合等。[0239]总线802可包括一通路，在上述组件之间传送信息。总线802可以是pci(peripheralcomponentinterconnect，外设部件互连标准)总线或eisa(extendedindustrystandardarchitecture，扩展工业标准结构)总线等。总线802可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。[0240]存储器803可以是rom(readonlymemory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，ram(randomaccessmemory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是eeprom(electricallyerasableprogrammablereadonlymemory，电可擦可编程只读存储器)、cd-rom(compactdiscreadonlymemory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。[0241]存储器803用于存储执行本技术方案的应用程序代码，并由处理器801来控制执行。处理器801用于执行存储器803中存储的应用程序代码，以实现前述方法实施例所示的内容。[0242]其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、pda(个人数字助理)、pad(平板电脑)、pmp(便携式多媒体播放器)、车载终端(例如车载导航终端)等的移动终端以及诸如数字tv、台式计算机等的固定终端。图8示出的电子设备仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。[0243]本技术提供的服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本技术在此不做限制。[0244]本技术实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。[0245]应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。[0246]需要说明的是，本技术上述的计算机可读存储介质还可以是计算机可读信号介质或者计算机可读存储介质与计算机可读存储介质的组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。[0247]上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。[0248]上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例所示的方法。[0249]根据本技术的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的一种基于场景的无人驾驶系统可信性评价方法及装置。[0250]可以以一种或多种程序设计语言或其组合来编写用于执行本技术的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。[0251]附图中的流程图和框图，图示了按照本技术各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。[0252]描述于本技术实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，功能测试场景确认模块还可以被描述为“用于根据无人驾驶系统的具体待测功能，选取场景元素和功能测试需求进行随机组合，生成功能测试场景库的功能测试场景确认模块”。[0253]以上描述仅为本技术的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。当前第1页12当前第1页12
技术特征：
1.一种基于场景的无人驾驶系统可信性评价方法，其特征在于，所述方法包括：根据无人驾驶系统的具体待测功能，选取场景元素和功能测试需求进行随机组合，生成功能测试场景库；根据所述功能测试需求，确定所述无人驾驶系统的评价指标及所述评价指标的指标经验值；基于所述功能测试场景库和所述指标经验值进行仿真测试，获取所述无人驾驶系统在所述评价指标下的失效率；利用所述失效率构建动态贝叶斯网络可信性评价模型，并利用所述动态贝叶斯网络可信性评价模型输出获得所述无人驾驶系统的状态概率；根据所述状态概率计算所述无人驾驶系统的可信性及组件重要度。2.根据权利要求1所述的基于场景的无人驾驶系统可信性评价方法，其特征在于，所述根据所述功能测试需求，确定所述无人驾驶系统的评价指标及所述评价指标的指标经验值，包括：根据所述功能测试需求，确定所述无人驾驶系统中的功能模块；确定所述功能模块所包含的组件，并根据所述组件确定评价指标以及所述评价指标的指标经验值。3.根据权利要求2所述的基于场景的无人驾驶系统可信性评价方法，其特征在于，所述基于所述功能测试场景库和所述指标经验值进行仿真测试，获取所述无人驾驶系统在所述评价指标下的失效率，包括：确定每个功能模块下每项评价指标的指标经验值；对所述指标经验值进行测试、验证，获取优化后的指标经验值作为评价指标值；根据所述评价指标值对所述无人驾驶系统进行测试，获得所述无人驾驶系统在所述评价指标下的失效率。4.根据权利要求1所述的基于场景的无人驾驶系统可信性评价方法，其特征在于，所述利用所述失效率构建动态贝叶斯网络可信性评价模型，并利用所述动态贝叶斯网络可信性评价模型输出获得所述无人驾驶系统的状态概率包括：对所述无人驾驶系统进行功能划分和层级划分，获得多个功能模块和多个系统层级；根据所述功能模块和所述系统层级，确定动态贝叶斯网络图形结构，完成动态贝叶斯网络可信性评价模型的构建；基于所述失效率计算所述动态贝叶斯网络图形结构中各节点在各项评价指标下所有可能状态的条件概率表参数；所述条件概率表参数包括各节点在所有可能状态下的概率值；将所述状态概率值作为所述动态贝叶斯网络可信性评价模型的输入，根据所述动态贝叶斯网络可信性评价模型的输出获取所述无人驾驶系统的状态概率。5.根据权利要求4所述的基于场景的无人驾驶系统可信性评价方法，其特征在于，所述基于所述失效率计算所述动态贝叶斯网络图形结构中各节点在各项评价指标下所有可能状态的条件概率表参数，包括：将所述失效率输入所述动态贝叶斯网络可信性评价模型；计算所述无人驾驶系统在各项所述评价指标下的工作概率；
基于所述工作概率，计算并输出动态贝叶斯网络图形结构中各节点在各项评价指标下所有可能状态的条件概率表参数。6.根据权利要求1所述的基于场景的无人驾驶系统可信性评价方法，其特征在于，所述方法还包括：基于收集到的观测数据，更新所述无人驾驶系统的可信性。7.根据权利要求6所述的基于场景的无人驾驶系统可信性评价方法，其特征在于，所述基于收集到的观测数据，更新所述无人驾驶系统的可信性，包括：接受所述观测数据，将所述观测数据输入所述动态贝叶斯网络可信性评价模型，输出获得对应的状态概率；根据所述状态概率重新计算所述无人驾驶系统的可信性。8.一种基于场景的无人驾驶系统可信性评价装置，其特征在于，所述装置包括：功能测试场景确认模块，用于根据无人驾驶系统的具体待测功能，选取场景元素和功能测试需求进行随机组合，生成功能测试场景库；评价指标生成模块，用于根据所述功能测试需求，确定所述无人驾驶系统的评价指标及所述评价指标的指标经验值；系统失效率计算模块，用于基于所述功能测试场景库和所述指标经验值进行仿真测试，获取所述无人驾驶系统在所述评价指标下的失效率；模型构建训练模块，用于利用所述失效率构建动态贝叶斯网络可信性评价模型，并利用所述动态贝叶斯网络可信性评价模型输出获得所述无人驾驶系统的状态概率；系统可信性计算模块，用于根据所述状态概率计算所述无人驾驶系统的可信性及组件重要度。9.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至7中任一项所述的方法。10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。

技术总结
本申请涉及无人驾驶技术领域，公开了一种基于场景的无人驾驶系统可信性评价方法及装置。所述方法根据无人驾驶系统的具体待测功能，选取场景元素和功能测试需求进行随机组合，生成功能测试场景库；并根据功能测试需求，确定无人驾驶系统的评价指标及评价指标的经验值；基于功能测试场景库和经验值进行仿真测试，获取无人驾驶系统在评价指标下的失效率；利用失效率构建动态贝叶斯网络可信性评价模型，并利用动态贝叶斯网络可信性评价模型输出获得无人驾驶系统的状态概率；最后根据状态概率计算无人驾驶系统的可信性及组件重要度，可实现对无人驾驶系统的可信性评价。实现对无人驾驶系统的可信性评价。实现对无人驾驶系统的可信性评价。


技术研发人员：金立生 韩卓桐 刘星辰 郭柏苍 王胤霖 雒国凤
受保护的技术使用者：燕山大学
技术研发日：2023.07.12
技术公布日：2023/9/23