买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜吉林大学申请的专利一种自动驾驶汽车连续测试场景复杂度实时评估的方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119180157B 。

龙图腾网通过国家知识产权局官网在2025-03-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411667369.8，技术领域涉及：G06F30/20；该发明授权一种自动驾驶汽车连续测试场景复杂度实时评估的方法是由朱冰;范天昕;张培兴;赵健设计研发完成，并于2024-11-21向国家知识产权局提交的专利申请。

本一种自动驾驶汽车连续测试场景复杂度实时评估的方法在说明书摘要公布了：本发明属于自动驾驶汽车技术领域，具体的说是一种自动驾驶汽车连续测试场景复杂度实时评估的方法。包括以下步骤：步骤一、建立场景复杂度评估框架；步骤二、对场景要素特征权重进行分析；步骤三、计算要素‑系统复杂度映射关系；步骤四、将步骤二、三中获取的场景各复杂度特征进行综合，获取连续测试场景实时复杂度评估结果。本发明可以根据车辆行驶过程实时评估周围环境复杂度，解决了现有测试场景复杂度评估方法中存在的非实时问题。

本发明授权一种自动驾驶汽车连续测试场景复杂度实时评估的方法在权利要求书中公布了：1.一种自动驾驶汽车连续测试场景复杂度实时评估的方法，其特征在于，包括以下步骤：步骤一、建立场景复杂度评估框架；建立自动驾驶汽车连续测试场景复杂度实时评估框架，分为三部分内容：场景要素特征权重分析、要素-系统复杂度映射和多系统场景复杂度耦合；步骤二、对场景要素特征权重进行分析；逐一分析不同场景要素的类型和状态对自车、交通的重要性，并建立相应的场景要素特征权重，具体如下：21以六层场景模型为基础，建立静态场景要素、动态场景要素以及天气要素的三层场景要素框架；22场景要素对自动驾驶汽车行驶过程的影响分为两部分，一部分为场景要素在该类要素中的重要权重；另一部分为场景要素属性对场景复杂度的影响；使用S表示自动驾驶车辆行驶过程中产生互动的场景要素特征权重评分，如公式1所示： 式中，uj为场景要素在该类要素中的重要权重；wi为场景要素的属性特征，使用层次分析法确定静态场景要素和动态场景要素的wi，分为五个等级，对应赋值为1-5分；下标i表示第i个场景要素的参数或取值；下标j表示不同要素层级；步骤三、计算要素-系统复杂度映射关系；从感知、决策、执行三个子系统的角度计算获取场景要素与自动驾驶汽车子系统之间的复杂度映射关系，具体如下：31对感知系统要素复杂度进行映射；选择相机、毫米波雷达、激光雷达三种传感器类型计算场景要素对感知系统的影响，具体如下：311对于相机系统，除了相机本身的特征外，考虑本车运动状态包括相对距离及相对速度两种因素；对于相对距离干扰而言，将目标场景要素和自车的相对距离等效为某一时刻目标场景要素在图像中的分布情况，进而对相机系统的识别难度进行表征；如公式5所示： 式中，Idis为某一时刻相机传感器捕捉到的图像中目标场景要素实际尺寸占据整体成像结果的比例，占比越低表示当前距离下场景要素的实际体量对传感器识别效果的影响越大；Ptarget为目标场景要素的实际尺寸；Pa为当前时刻相机传感器在目标场景要素位置的视野范围；d为目标场景要素与被测车辆的相对距离；FOV为相机传感器的视场角；对于连续型场景要素，Idis通过计算在图像中的可视长度与图像尺寸的比值获得；对于相对速度干扰而言，引入弹性系数ε，针对与被测自动驾驶汽车距离较近且高速移动的动态场景要素进行识别难度的分析；综合考虑相对距离及相对速度的干扰，计算的场景要素对相机传感器的总影响如公式6所示： 式中，Ic为场景要素对相机感知系统的复杂度映射结果，Ic越大表明该场景要素对相机感知系统而言越复杂；312对于毫米波雷达系统感知过程而言，引入系数Im对影响程度进行量化，如公式7所示： 式中，Im越大表明该场景要素对相机感知系统而言越复杂；n为毫米波雷达探测范围内近距离运动目标数量；313对于激光雷达系统，通过近似拟合得到的点云密度Ds与相对距离的关系；并且基于结果使用系数Ir1量化相对距离对激光雷达感知过程的影响程度，如公式8所示： 式中，e为自然常数；引入系数Ir2表征激光雷达探测范围内近距离运动目标数量对激光雷达的影响程度，如公式9所示： 式中，n为激光雷达探测范围内近距离运动目标数量；综合考虑场景要素目标物相对距离及近距离目标遮挡的影响，得到场景要素对激光雷达传感器的总影响系数结果如公式10所示：Ir＝Ir1+Ir210式中，Ir为场景要素对相机感知系统的复杂度映射结果，Ir越大表明该场景要素对相机感知系统而言越复杂；314综合分析天气要素对传感器感知特征的量化影响结果，将车辆传感器受不同天气要素的影响效果近似处理，得到天气要素复杂度映射结果Iw；计算天气要素特征权重评分时省略重要权重的赋值过程，仅结合影响系数计算具体评分Siweather，如公式11所示：Siweather＝1+Iw11综合各场景要素对相机、毫米波雷达、激光雷达的影响，得到场景要素与感知系统的复杂度映射关系Eperception结果如公式12所示： 式中，Ti为场景要素i被感知系统β捕捉到的总时长；Siweatherβ为对感知系统β产生影响的天气要素特征权重评分；若场景要素i由多类感知系统通过感知融合进行识别，要素对应的感知系统复杂度Eperception依照融合传感器类别数量取均值；Iβ为场景要素对不同传感器的影响，包括相机、激光雷达和毫米波雷达，β的取值包括c、m、r；∏为连乘符号；32对决策系统要素复杂度进行映射；使用决策规划裕度的概念对场景要素与决策系统间的复杂度映射结果进行量化，决策规划裕度指自动驾驶车辆在较短时间内可供规划行驶的区域范围；决策规划裕度计算过程分为车辆行驶势场和车辆可达域两部分，前者为周围交通环境对驾驶汽车决策的影响，后者为自动驾驶汽车自身动力学限制导致的行驶范围，具体如下：321计算车辆行驶势场；车辆可操作空间通过势场模型进行计算；包含静态场景要素势场及动态场景要素势场两部分；静态场景要素分为场景静态物以及约束类设施；其中，场景静态物对于自动驾驶车辆而言均具备碰撞风险，因此在决策规划过程中对交通安全的影响程度较大；用Cpi表征场景静态物要素的势场，计算过程如公式13所示： 式中，Si为场景要素特征权重评分；ri为自动驾驶车辆和场景要素之间的相对距离；k1为固定常数；约束类设施倾向于交通法规约束，与涉及生命财产损失等严重风险的相关关系较弱，因此在决策规划过程中对交通安全的影响程度相对较小；将约束类设施归类为速度约束要素和位置约束要素，分别构建势场模型；使用Cdsi表征车道线等位置约束要素的势场，计算过程如公式14所示： 使用Cdvi表示限速牌、信号灯等速度约束要素的势场，计算过程如公式15所示： 式中，Di为车道宽度；xi为目标场景要素的纵向位置；vi为自动驾驶车辆的行驶速度；vdi为约束要素对应的速度；k2、k3、k4为固定常数；vd为交通规则对车辆行驶最大速度的约束；当场景要素为信号灯红灯时认为限速为0ms，场景要素为信号灯绿灯时认为限速为本车当前车速；对于动态场景要素，认为是具有运动特征的场景静态物，动态场景要素的势场表征如公式16所示： 式中，vi为目标场景要素的移动速度；θ为自动驾驶车辆和场景要素运动方向的夹角，下标i指场景要素的序号；k5、k6为固定常数；将静态和动态场景要素势场叠加，得到当前场景的总势场Fpotential，如公式17所示： 式中，Ciλ为场景中所有要素势场的统一表达，λ为Dsi、Dvi、pi的分类代指符号，i为不同场景要素的计数编号；场景要素势场分类为静态场景要素势场和动态场景要素势场，而静态场景要素势场又细分为场景静态物势场和约束类要素势场；其中，场景静态物势场和动态场景要素势场用相同的表达式进行描述，pi为表征此二类要素的势场Cpi的分类角标；Dsi为特指车道线等位置约束类场景要素CDsi的分类角标；Dvi为特指限速等速度约束类场景要素CDvi的分类角标；322计算车辆可达域；车辆可达域指自动驾驶汽车未来短时间内由车辆动力学及考虑决策任务影响的可到达的道路区域，对应包括车辆可操作空间和车辆待决策事件区域两部分；车辆由动力学限制决定的可操作空间包含纵向和横向两部分；将纵向跟驰理论中车辆在一定速度下行驶到车辆制动停止的最小安全制动距离定义为自动驾驶车辆可操作空间的纵向极限距离，表达式如公式18所示： 式中，a为自动驾驶车辆最大减速度，取a＝10ms2；v为车辆制动前的瞬时速度；考虑车辆最大车轮转角，将静态前轮最大转角β＝40°作为车辆转弯极限，进而获取横向可操作空间；结合纵向及横向操作极限，计算自动驾驶车辆理论可操作空间；在计算过程中，考虑在此时间段内周围场景要素和动态场景要素的位置变化对场景要素势场影响，选择本车减速至静止的时间内动态场景要素同样以最大减速度制动所产生的位置偏移作为动态要素最终的势场中心，进行后续决策裕度的计算；待决策事件区域指自动驾驶汽车短时决策过程需要考虑的周围车辆的范围；在同一场景中，车辆待决策任务区域是随车辆行驶过程不断变化的，和目标场景要素与车辆的相对距离有关；将TTC即碰撞时间小于2s作为危险场景的判断依据，选取2s为时间边界，将自动驾驶车辆的待决策事件区域定义为以自车车头为圆心的半径R＝2|v|的半圆形范围；将车辆可操作空间和车辆待决策事件区域结合，基于实际道路边界得到自动驾驶车辆的可达域Fpermission；323计算车辆决策规划裕度；设置危险度等级Rick小于等于r的势场区域作为自动驾驶车辆的安全行驶区域，与车辆可达域的重叠部分面积表示在当前时刻自动驾驶车辆可实现的较为安全的行驶路径所在区域，即车辆的决策规划裕度Edicision；Edicision的计算过程如公式19所示： 式中，T为车辆行驶总时长；33对执行系统复杂度进行映射；执行系统涉及车辆自身的运动及与轮胎接触道路间的相互作用，参考后备利用轮胎力作为执行系统复杂度映射Eimplement的指标，具体如下：331将后备可利用轮胎力简化为当前车辆加速度与道路质量要素特征权重评分的乘积表示Eimplement，如公式20所示： 式中，Srp为道路层中道路质量要素的特征权重评分；v为被测车辆行驶速度；步骤四、将场景复杂度进行耦合；将步骤二、三中获取的场景各复杂度特征进行综合，获取连续测试场景实时复杂度评估结果，具体如下：41将感知、决策和执行系统间的影响传递关系作为权重系数引入场景总复杂度的耦合过程，如公式21所示： 式中，li为传递系数，l1＝3，l2＝2，l3＝1；42最终得出连续测试场景实时复杂度评估结果，如公式22所示：

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人吉林大学，其通讯地址为：130012 吉林省长春市朝阳区前进大街2699号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。