基于线性时态逻辑和可拓展层次分析法的人机混合决策在线评价方法

1.本发明属于智能驾驶系统技术领域，具体涉及一种基于线性时态逻辑和可拓展层次分析法的人机混合决策在线评价方法。


背景技术：

2.纵观当前智能汽车领域，不同层级的自动驾驶技术正在迅猛发展，辅助驾驶与部分自动驾驶技术已进入到产业化阶段，在可以遇见的未来，驾驶员与智能控制系统将长期共存，有效准确的测试与评价人机共驾技术是产品认证与生命安全保障的核心，但是目前并未建立起完善统一的评价体系。
3.作为智能驾驶“大脑”的决策系统，负责处理传感器接收的感知信息，并对控制模块下达指令。实际驾驶场景中，人机所作出的混合决策是随着环境的改变实时变化的，这种动态变化决定了决策评价系统必须在线。而在线评价系统的实现面临两大难题：评价指标的选取与权重计算、评价指标的在线表示与可拓展性。
4.目前已存在一些针对人机混合决策的评价体系，主要是对比真实驾驶员的感受来选取评价指标。例如：建立一种基于舒适性、效能性和安全性的评价体系，对人工干预、人机交互和风险控制建立人机混合决策评价体系。该方法的一个缺点是：着力于单车决策效果的评价，但不适用于多车交互在复杂驾驶场景下的评价。
5.此外，现有评价体系中的权重系数计算方法主要有层次分析法、成本函数法、综合评价法等，但是这些方法都需要刚性确定基础权重系数，会加大主观性带来的偏差或影响。


技术实现要素：

6.为了克服上述问题，本发明提供基于线性时态逻辑和可拓展层次分析法的人机混合决策在线评价方法，选取动态驾驶场景、提取交通规则建立人机混合决策评价体系库，采用线性时态逻辑将各交通规则形式化为ltl公式，利用可拓展层次分析法建立当前时间窗的人机混合决策评价体系，并设计一种评价指标的分值量化公式，从而得出人机混合决策在线评价具体分值。
7.一种基于线性时态逻辑和可拓展层次分析法的人机混合决策在线评价方法，具体方法包括以下步骤：
8.步骤一、建立准则层库与评价层库，形成基本信息库
9.1.1.建立准则层库
10.选取常见主干道与匝道的驾驶场景作为准则，全部准则构成人机混合决策评价体系库的准则层库，每个驾驶场景对应一个准则，共包含10大类，分别是巡航场景、跟车场景、超车场景、被超车场景、车道减少场景、前车切入场景、前车切出场景、障碍道路场景、匝道汇入主道场景和主道驶入匝道场景；
11.1.2.建立评价层库
12.从现行交通法规中提取准则层库的全部驾驶场景下，智能驾驶车辆需要遵守的交通规则作为评价指标，每个交通规则对应一个评价指标，全部评价指标构成人机混合决策评价体系库的评价层库；
13.其中，巡航场景的评价指标包括不得超过当前道路速度限值和非拥堵或少车道情况保持右侧通行；跟车场景的评价指标包括与前车保持安全距离和不得无故停车；超车场景的评价指标包括具备速度优势、不得从右侧超车和换道时与后车保持安全距离；被超车场景的评价指标包括不得加速和不得在少车道换道；车道减少场景的评价指标为车道合并前本车需等待另一车道前车通行后继续通行；前车切入场景的评价指标包括前车切入时不得加速和前车切入后保持安全距离；前车切出场景的评价指标包括前车切出时不得加速和前车切出后与所跟车保持安全距离；障碍道路场景的评价指标包括无畅通车道时停车和有畅通车道时换道；匝道汇入主道场景的评价指标包括主道车干扰时不得变道、变道后与主道车保持安全距离和只得汇入最右侧车道；主道驶入匝道场景的评价指标包括不得加速和只得从最右侧车道驶入匝道；
14.1.3.形成基本信息库
15.记录步骤1.2所述交通规则中涉及的基本信息形成基本信息库；其中基本信息库中的信息包括：测试车距离道路尽头最小值s
rem
，测试车与周车的碰撞时间最小值t
ttc
，判定测试车为加速的加速度最小值a
lim
，测试车较被超车的速度优势最小值v
diff
，判定测试车处于拥堵路况的周车数最小值n
dense
，判定测试车处于拥堵路况的周车计算半径r
dense
，判定测试车为静止的速度最大值v
stop
，测试车行驶速度最大值v
lim
，其中v
li
m由不同道路速度限值决定；
16.步骤二、从评价层库中提取原子命题，构建各评价指标的ltl公式
17.2.1.从评价层库中提取的原子命题，如下表所示：
[0018][0019]
其中i为测试车，j为其他车辆；
[0020]
2.2.构建ltl公式
[0021]
⑴
巡航场景
[0022]
①
不得超过当前道路速度限值，该交通规则的ltl公式采用表示，其中：
[0023][0024]
②
非拥堵或少车道情况保持右侧通行，该交通规则的ltl公式采用表示，其中：
[0025]
[0026]
⑵
跟车场景
[0027]
①
与前车保持安全距离，该交通规则的ltl公式采用表示，其中：
[0028][0029]
②
不得无故停车，该交通规则的ltl公式采用表示，其中：
[0030][0031]
⑶
超车场景
[0032]
①
具备速度优势，该交通规则的ltl公式采用表示，其中：
[0033][0034]
②
不得从右侧超车，该交通规则的ltl公式采用表示，其中：
[0035][0036]
③
换道时与后车保持安全距离，该交通规则的ltl公式采用表示，其中：
[0037][0038]
⑷
被超车场景
[0039]
①
不得加速，该交通规则的ltl公式采用表示，其中：
[0040][0041]
②
不得在少车道换道，该交通规则的ltl公式采用表示，其中：
[0042][0043]
⑸
车道减少场景
[0044]
车道合并前本车需等待另一车道前车通行后继续通行，该交通规则的ltl公式采用表示，其中：
[0045][0046]
⑹
前车切入场景
[0047]
①
前车切入时不得加速，该交通规则的ltl公式采用表示，其中：
[0048][0049]
②
前车切入后保持安全距离，该交通规则的ltl公式采用表示，其中：
[0050][0051]
⑺
前车切出场景
[0052]
①
前车切出时不得加速，该交通规则的ltl公式采用表示，其中：
[0053][0054]
②
前车切出后与所跟车保持安全距离，该交通规则的ltl公式采用表示，其中：
[0055][0056]
⑻
障碍道路场景
[0057]
①
无通畅车道时停车，该交通规则的ltl公式采用表示，其中：
[0058][0059]
②
有通畅车道时换道，该交通规则的ltl公式采用表示，其中：
[0060][0061]
⑼
匝道汇入主道场景
[0062]
①
主道车干扰时不得变道，该交通规则的ltl公式采用表示，其中：
[0063][0064]
②
变道后与主道车保持安全距离，该交通规则的ltl公式采用表示，其中：
[0065][0066]
③
只得汇入最右侧车道，该交通规则的ltl公式采用表示，其中：
[0067][0068]
(10)主道驶入匝道场景
[0069]
①
不得加速，该交通规则的ltl公式采用表示，其中：
[0070][0071]
②
只得从最右侧车道驶入匝道，该交通规则的ltl公式采用表示，其中：
[0072][0073]
ltl公式中涉及的逻辑符号如表3所示：对应布尔操作符not，∧对应布尔操作符and，∨对应布尔操作符or，对应布尔操作符implies，对应布尔操作符next，∪对应布尔操作符until，对应布尔操作符always；
[0074]
所述ltl公式中下标含义：vel为速度，ls为车道选择，ov为超车，sd为安全距离，bov为被超车，zip为拉链式规则，ci为切入，co为切出，ol为障碍车道，r-m为匝道汇入主道，m-r为主道驶入匝道；
[0075]
步骤三、建立人机混合决策评价体系
[0076]
人机混合决策在线评价分值作为方案层的方案，依据人机共驾车辆所处交通环境从准则层库中选择对应的准则作为准则层，准则层包含人机共驾车辆所处交通环境的全部驾驶场景，再根据选定的驾驶场景从评价层库中选择对应的评价指标作为评价层，建立人机混合决策评价体系；
[0077]
步骤四、采用可拓展层次分析法计算每个准则对方案层方案的权重系数和每个准则对应的每个评价指标对该准则的权重系数；具体计算过程如下：
[0078]
4.1，构造可拓区间判断矩阵
[0079]
采取问卷调查的方法，对隶属于同一层次的人机协同智能控制汽车各准则或评价指标之间的相对重要性进行两两比较，统计调查结果，构建可拓区间判断矩阵a＝(a
ij
)n×n,i,j＝1,2
…
,n，该矩阵为正互反矩阵，其中n为可拓区间判断矩阵的因素数量，是一个可拓区间数；当计算准则层中各准则相对于方案层方案的权重系数时，因素数量即为准则数；当计算某个准则对应的评价层中评价指标相对于该准则的权重系数时，因素数量即为这个准则对应的评价指标数；分别为可拓区间判断矩阵第i行第j列可拓区间元素的下端点和上端点；
[0080]
4.2，计算可拓区间判断矩阵的权重系数
[0081]
对可拓区间判断矩阵a＝《a-,a+》，其中a-为区间下端点构成的矩阵，a
+
为区间上端
点构成的矩阵，求其满足一致性条件的权重系数：
[0082]
a.求a-，a
+
的最大特征值所对应的具有正分量的归一化特征矢量x-，x
+
；
[0083]
b.由计算k和m的值：
[0084][0085]
式中k和m分别为满足0＜kx-＜mx
+
的全体正实数；
[0086]
c.按下式求出可拓区间权重量s：
[0087]
s＝(s1,s2,
…
,sn)
t
＝《kx-,mx
+
》
[0088]
式中sn为该层次第n个因素对上一层次的某个因素的可拓区间权重量，t为转置；其中当该层次为准则层时，因素即为准则，上一层次为方案层；当该层次为评价层时，因素即为评价指标，上一层次为准则层；
[0089]
③
层次排序
[0090]
设v(si,sj)≥0(i≠j)表示si≥sj的可能性程度，则：
[0091][0092]
式中i,j＝1,2...,n,i≠j，表示两个权重量可拓区间数的上下端点，pi表示该层次上第i个因素对上一层次的某个因素的排序，经过归一化后得到θ＝(θ1,θ2,...θn)
t
，即为该层次上各因素对上一层次的某个因素的权重系数；
[0093]
步骤五、量化指标，加权求和计算人机混合决策分值
[0094]
5.1量化评价指标
[0095]
以规定时间窗长度内违反交通规则的时长为基础，规定评价层库中任一评价指标满分为100分，将人机协同智能控制汽车在该评价指标下的分值按以下公式进行量化：
[0096][0097]
上式中f为人机协同智能控制汽车在该评价指标下的分值，tw表示时间窗长度，t表示本次时间窗内人机协同智能控制汽车违反交通规则的时长，其取值范围为(0,tw]；α为惩罚因子，其取值范围为(0,1)，表示规定时间窗长度内人机协同智能控制汽车违反交通规则时长越长，对应惩罚分值增速越大；
[0098]
5.2加权求和计算人机混合决策分值
[0099]
当前时间窗长度内，人机协同智能控制汽车的决策分值由下式计算得到：
[0100][0101]
式中f为当前时间窗长度内人机混合决策分值，p为准则层的准则数量，wu为第u项准则对方案层方案的权重系数，q为第u项准则对应的评价指标数量，θ
uv
为第u项准则对应的第v项评价指标对该准则的权重系数，f
uv
为第u项准则对应的第v项评价指标分值；
[0102]
f值越大，说明测试车的决策效果越好。
[0103]
所述步骤一的步骤1.2中评价指标中非拥堵是指距测试车中心20m半径范围内周车数小于8辆；少车道是指相同行驶方向的车道少于3条；安全距离是指测试车与周车的碰撞时间小于2.7s，其中碰撞时间＝两车车距/两车的相对车速。
[0104]
本发明的有益效果：
[0105]
目前存在的人机混合决策评价体系，主要是对比真实驾驶员的感受来选取评价指标，这种方法着力于单车决策效果的评价，不适用于多车交互在复杂驾驶场景下的评价。在人机共驾智能车辆大规模应用时，我们首先应考虑整体车流对交通规则的服从程度。因此，本发明以现行交通规则作为人机混合决策在线评价的评价指标，充分保证了车辆在大规模交通下的通行效率以及整体安全。同时，采用线性时态逻辑将交通规则形式化为ltl公式，解决了评价体系后续调试维护的工作量较大、可拓展性较差的问题。
[0106]
此外，现有评价体系中的权重系数计算方法主要有层次分析法、成本函数法、综合评价法等，但是这些方法都需要刚性确定基础权重系数，会加大主观性带来的偏差或影响。因此，本发明选取可拓展层次分析法计算权重系数，克服了层次分析法解决专家经验判断的模糊性问题和判断矩阵的一致性问题，有效避免了层次分析法中的大量试算工作。这样既能保证判断矩阵的真实性，又能保证其一致性，使得所确定的评价体系中准则或评价指标的权重系数更加合理。
[0107]
因此，本发明实现了一种评价指标可解释、可拓展，权重系数更合理的人机混合决策在线评价方法。
附图说明
[0108]
为了更清楚地说明本发明实施例中的技术方案，下面将对本发明实施例描述中所要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据本发明实施例的内容和这些附图获得其他的附图。
[0109]
图1为本发明中人机混合决策在线评价方法流程。
[0110]
图2为本发明常见驾驶场景下的人机混合决策评价体系库。
[0111]
图3为本发明示例人机协同智能控制汽车驾驶场景。
[0112]
图4为本发明示例驾驶场景下的人机混合决策评价体系。
[0113]
图5为本发明限定条件下评价指标分值与违反规则时长关系曲线。
具体实施方式
[0114]
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描
述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
[0115]
一种基于线性时态逻辑和可拓展层次分析法的人机混合决策在线评价方法，流程如图1所示，具体方法由以下步骤实现：
[0116]
步骤一、建立准则层库与评价层库，形成基本信息库
[0117]
1.1.建立准则层库
[0118]
选取常见主干道与匝道驾驶场景作为准则，全部准则构成人机混合决策评价体系库的准则层库，每个驾驶场景对应一个准则，共包含10大类，分别是巡航场景、跟车场景、超车场景、被超车场景、车道减少场景、前车切入场景、前车切出场景、障碍道路场景、匝道汇入主道场景和主道驶入匝道场景；在实际应用中如有需求，可自由增加或减少驾驶场景，最终将所选全部场景输入人机混合决策评价体系库中的准则层库；
[0119]
根据测试车所处交通环境判断其涉及的驾驶场景，然后依据驾驶场景从准则层库中选取准则，组成人机混合决策评价体系中的准则层。
[0120]
1.2.建立评价层库
[0121]
从现行交通法规中提取准则层库的全部驾驶场景下，智能驾驶车辆需要遵守的交通规则作为评价指标(每一交通规则作为一个评价指标)，全部评价指标构成人机混合决策评价体系库的评价层库；建立的人机混合决策评价体系库如图2所示；
[0122]
其中，巡航场景的评价指标包括不得超过当前道路速度限值和非拥堵或少车道情况保持右侧通行；跟车场景的评价指标包括与前车保持安全距离和不得无故停车；超车场景的评价指标包括具备速度优势、不得从右侧超车和换道时与后车保持安全距离；被超车场景的评价指标包括不得加速和不得在少车道换道；车道减少场景需要遵守“拉链式”通行规则，即车道减少场景的评价指标为车道合并前本车需等待另一车道前车通行后继续通行；前车切入场景的评价指标包括前车切入时不得加速和前车切入后保持安全距离；前车切出场景的评价指标包括前车切出时不得加速和前车切出后与所跟车保持安全距离；障碍道路场景的评价指标包括无畅通车道时停车和有畅通车道时换道；匝道汇入主道场景的评价指标包括主道车干扰时不得变道、变道后与主道车保持安全距离和只得汇入最右侧车道；主道驶入匝道场景的评价指标包括不得加速和只得从最右侧车道驶入匝道；
[0123]
1.3.形成基本信息库
[0124]
记录步骤1.2所述交通规则中涉及的基本信息形成基本信息库；其中基本信息库中的信息包括：测试车距离道路尽头最小值s
rem
，测试车与周车的碰撞时间最小值t
ttc
，判定测试车为加速的加速度最小值a
lim
，测试车较被超车的速度优势最小值v
diff
，判定测试车处于拥堵路况的周车数最小值n
dense
，判定测试车处于拥堵路况的周车计算半径r
dense
，判定测试车为静止的速度最大值v
stop
，测试车行驶速度最大值v
lim
，其中v
lim
由不同道路速度限值决定；
[0125]
考虑测试车安全性的前提下，为精确描述交通规则而设定的参数，如表1所示：
[0126]
表1基本信息库
[0127][0128]
基本信息库是为了解释ltl公式中某些参数而建立起来的。
[0129]
步骤二、从评价层库中提取原子命题，构建各评价指标的ltl公式2.1.从评价层库中提取的原子命题，如表2所示：
[0130]
表2原子命题库
[0131][0132]
其中i为测试车，j为其他车辆；
[0133]
2.2.构建ltl公式
[0134]
⑴
巡航场景
[0135]
③
不得超过当前道路速度限值，该交通规则的ltl公式采用表示，其中：
[0136][0137]
④
非拥堵或少车道情况保持右侧通行，该交通规则的ltl公式采用表示，其中：
[0138][0139]
⑵
跟车场景
[0140]
③
与前车保持安全距离，该交通规则的ltl公式采用表示，其中：
[0141][0142]
④
不得无故停车，该交通规则的ltl公式采用表示，其中：
[0143][0144]
⑶
超车场景
[0145]
④
具备速度优势，该交通规则的ltl公式采用表示，其中：
[0146][0147]
⑤
不得从右侧超车，该交通规则的ltl公式采用表示，其中：
[0148][0149]
⑥
换道时与后车保持安全距离，该交通规则的ltl公式采用表示，其中：
[0150][0151]
⑷
被超车场景
[0152]
③
不得加速，该交通规则的ltl公式采用表示，其中：
[0153][0154]
④
不得在少车道换道，该交通规则的ltl公式采用表示，其中：
[0155][0156]
⑸
车道减少场景
[0157]
遵守“拉链式”通行规则：车道合并前本车需等待另一车道前车通行后继续通行，该交通规则的ltl公式采用表示，其中：
[0158][0159]
⑹
前车切入场景
[0160]
③
前车切入时不得加速，该交通规则的ltl公式采用表示，其中：
[0161][0162]
④
前车切入后保持安全距离，该交通规则的ltl公式采用表示，其中：
[0163]
[0164]
⑺
前车切出场景
[0165]
③
前车切出时不得加速，该交通规则的ltl公式采用表示，其中：
[0166][0167]
④
前车切出后与所跟车保持安全距离，该交通规则的ltl公式采用表示，其中：
[0168][0169]
⑻
障碍道路场景
[0170]
③
无通畅车道时停车，该交通规则的ltl公式采用表示，其中：
[0171][0172]
④
有通畅车道时换道，该交通规则的ltl公式采用表示，其中：
[0173][0174]
⑼
匝道汇入主道场景
[0175]
④
主道车干扰时不得变道，该交通规则的ltl公式采用表示，其中：
[0176][0177]
⑤
变道后与主道车保持安全距离，该交通规则的ltl公式采用表示，其中：
[0178][0179]
⑥
只得汇入最右侧车道，该交通规则的ltl公式采用表示，其中：
[0180][0181]
(10)主道驶入匝道场景
[0182]
③
不得加速，该交通规则的ltl公式采用表示，其中：
[0183][0184]
④
只得从最右侧车道驶入匝道，该交通规则的ltl公式采用表示，其中：
[0185]
[0186]
ltl公式中涉及的逻辑符号如表3所示：
[0187]
表3逻辑符号库
[0188][0189]
所述ltl公式中下标含义如表4所示：
[0190]
表4ltl公式下标符号库
[0191][0192]
步骤三、建立人机混合决策评价体系
[0193]
人机混合决策在线评价分值作为方案层，依据人机共驾车辆所处交通环境从准则层库中选择对应的准则作为准则层，准则层包含人机共驾车辆所处交通环境的全部驾驶场景，再根据选定的驾驶场景从评价层库中选择对应的评价指标作为评价层，建立人机混合决策评价体系；
[0194]
本发明选取图3所示场景作为示例，展示整个评价方法的具体操作流程。
[0195]
黑色车辆为测试车i，为人机共驾车辆，正在跟随前方车辆j1在主干道路上行驶，此时后方有一车辆j2正在采取超车行为，因此，选择跟车场景与被超车场景两个准则组成准则层，其中，跟车场景对应评价指标为与前车保持安全距离和不得无故停车，被超车场景对应评价指标为不得加速和不得在少车道换道；这四个评价指标组成评价层，建立人机混合决策评价体系，如图4所示。
[0196]
步骤四、采用可拓展层次分析法计算每个准则对方案层方案的权重系数(相对重
要程度)和一个准则对应的每个评价指标对该准则的权重系数(相对重要程度)；具体计算过程如下：
[0197]
4.1.确定可拓展层次分析法中权重系数
[0198]
⑴
可拓展层次分析法介绍
[0199]
可拓展层次分析法来源于层次分析法，层次分析法是美国匹兹堡大学著名运筹学家t.l.saaty教授创立的一种解决多目标复杂问题的定性与定量相结合的、系统化的、层次化的决策分析方法。层次分析法的基本思想是先按问题要求建立一个描述系统功能或特征的递阶层次结构，通过两两比较评价因素的相对重要性，给出相应的比例标度，构成上层某因素对下层相关因素的判断矩阵，以给出相关因素对上层某因素的相对重要程度(权重系数)组成的重要序列。
[0200]
但是在确定各个指标权重系数时，层次分析法还存在一些缺点：(1)模糊判断矩阵明确化。构造判断矩阵时，通常是一个范围而不是1～9的整数，而层次分析法将本来模糊的量明确化、使其毫无弹性是不合理的；(2)需要一致性检验。如果一致性检验不满足要求，要重新构造比较判断矩阵并计算相应的权重系数，直到一致性检验满足为止。在实际操作中，一般是需要不断调整判断矩阵的，带有一定的盲目性，并且需要经过多次调整才能通过一致性检验。为了解决上述问题，本发明采用了可拓展层次分析法。可拓展层次分析法是模拟人的评判方式，将需要计算权重系数的因素两两进行对比，给出两两之间的重要性。与层次分析法不同的是，所给出的重要性是在一个范围内而非一个固定值，这就给客观评价主观化带来一定的弹性，科学性更强。可拓展层次分析法引入可拓展理论，用区间数代替点值数构造可拓展判断矩阵，克服了层次分析法解决专家经验判断的模糊性问题和判断矩阵的一致性问题，有效避免了层次分析法中的大量试算工作。这样既能保证判断矩阵的真实性，又能保证其一致性，使得所确定的评价体系中准则或评价指标的权重系数更加合理。
[0201]
可拓展层次法一般按照如下四个步骤展开：
[0202]
①
构造可拓区间判断矩阵
[0203]
建立可拓区间判断矩阵的过程就是标量化的过程，标量化是指通过一定的标度体系，将各种原始数据转化为可直接比较的规范化格式的过程。本发明采取问卷调查的方法，设计100份调查问卷，对隶属于同一层次的人机协同智能控制汽车各准则或评价指标之间的相对重要性进行两两比较，统计调查结果，构建可拓区间判断矩阵a＝(a
ij
)n×n,i,j＝1,2
…
,n，该矩阵为正互反矩阵，其中n为可拓区间判断矩阵的因素数量，是一个可拓区间数；当计算准则层中各准则相对于方案层方案的权重系数时，因素数量即为准则数；当计算某个准则对应的评价层中评价指标相对于该准则的权重系数时，因素数量即为这个准则对应的评价指标数；分别为可拓区间判断矩阵第i行第j列可拓区间元素的下端点和上端点；
[0204]
②
计算可拓区间判断矩阵的权重系数
[0205]
对可拓区间判断矩阵a＝《a-,a+》，其中a-为区间下端点构成的矩阵，a
+
为区间上端点构成的矩阵，求其满足一致性条件的权重系数：
[0206]
a.求a-，a
+
的最大特征值所对应的具有正分量的归一化特征矢量x-，x
+
；
[0207]
b.由计算k和m的值：
[0208][0209]
式中k和m分别为满足0《kx-《mx
+
的全体正实数；
[0210]
c.按下式求出可拓区间权重量s：
[0211]
s＝(s1,s2,
…
,sn)
t
＝《kx-,mx
+
》
ꢀꢀ
(2)
[0212]
式中sn为该层次第n个因素对上一层次的某个因素的可拓区间权重量，t为转置；其中当该层次为准则层时，因素即为准则，上一层次为方案层；当该层次为评价层时，因素即为评价指标，上一层次为准则层；
[0213]
③
层次排序
[0214]
设v(si,sj)≥0(i≠j)表示si≥sj的可能性程度，则：
[0215][0216]
式中i,j＝1,2
…
,n,i≠j，表示两个权重量可拓区间数的上下端点，pi表示该层次上第i个因素对上一层次的某个因素的排序，经过归一化后得到θ＝(θ1,θ2,
…
θn)
t
，即为该层次上各因素对上一层次的某个因素的权重系数；
[0217]
4.2确定示例交通环境下评价体系中的权重系数
[0218]
示例交通环境下的评价体系中的准则层一共包含2个准则，每个准则中又包含2个评价指标，因此评价层一共包含4个评价指标；
[0219]
(1)两个准则之间的权重系数计算
[0220]
①
构造可拓区间判断矩阵
[0221]
a.确定需计算权重系数的准则：由步骤三可知，准则层由跟车场景与被超车场景组成，因此，需计算权重系数的准则为跟车场景、被超车场景。
[0222]
b.确定可拓区间数：设计100份调查问卷，对人机协同智能控制汽车的跟车场景与被超车场景之间的相对重要性进行两两比较，统计结果表明：
[0223]
跟车场景相对自身的重要性程度为1倍，因此a
11
＝《1,1》；跟车场景相对被超车场景的重要性程度为3/2～2倍，因此a
12
＝《3/2,2》；被超车场景相对跟车场景的重要性程度为1/2～2/3倍，因此a
21
＝《1/2,2/3》；被超车场景相对自身的重要性程度为1倍，因此a
22
＝《1,1》。
[0224]
c.给出准则层评价指标可拓区间判断矩阵，如表5所示。
[0225]
表5准则层可拓区间判断矩阵
[0226][0227]
②
计算准则层可拓区间判断矩阵的权重系数
[0228]
以表5为计算依据，可以得到：
[0229][0230][0231]
经计算可以得到：m＝1.0328，k＝0.9661
[0232]
x-＝[0.6340 0.3660]
t
ꢀꢀ
(8)
[0233]
x
+
＝[0.6340
ꢀꢀ
0.3660]
t
ꢀꢀ
(9)
[0234]
进而可得：
[0235]
s＝[s
1 s2]
t
＝《kx
‑ mx
+
》
ꢀꢀ
(10)
[0236]
所以：s1＝《0.6125 0.6548》，s2＝《0.3536 0.3780》
[0237]
③
层次排序
[0238]
为区分准则与评价指标权重系数，使用w代替θ作为准则的权重系数参数。
[0239]
进行层次排序，于是有：p2＝1，
[0240][0241]
再进行归一化计算可得：w＝[w1,w2]＝[0.9003,0.0997]
t
，即：跟车场景在示例人机混合决策评价体系中的权重系数为0.9003，被超车场景为0.0997。
[0242]
(2)分别对每个准则对应的两个评价指标之间的权重系数计算
[0243]
跟车场景：
[0244]
①
构造可拓区间判断矩阵
[0245]
a.确定需计算权重系数的评价指标：由步骤三可知，跟车场景包含的评价指标为规则与规则因此，需计算权重系数的评价指标为规则与规则
[0246]
b.确定可拓区间数：设计100份调查问卷，对人机协同智能控制汽车在跟车场景下，规则与规则之间的相对重要性进行两两比较，统计结果表明：
[0247]
规则相对自身的重要性程度为1倍，因此a
11
＝《1,1》；规则相对被规则的重要性程度为2～3倍，因此a
12
＝《2,3》；规则相对规则的重要性程度为1/3～1/2倍，因此a
21
＝《1/3,1/2》；规则相对自身的重要性程度为1倍，因此a
22
＝《1,1》。
[0248]
c.给出评价层跟车场景下的评价指标可拓区间判断矩阵，如表6所示。
[0249]
表6跟车场景下的可拓区间判断矩阵
[0250][0251]
②
计算评价层跟车场景下可拓区间判断矩阵的权重系数
[0252]
以表6为计算依据，可以得到：
[0253][0254][0255]
经计算可以得到：m＝1.0408，k＝0.9574
[0256]
x-＝[0.7101 0.2899]
t
ꢀꢀ
(14)
[0257]
x
+
＝[0.7101 0.2899]
t
ꢀꢀ
(15)
[0258]
进而可得：
[0259]
s＝[s
1 s2]
t
＝《kx
‑ mx
+
》
ꢀꢀ
(16)
[0260]
所以：s1＝《0.6799 0.7391》，s2＝《0.2776 0.3017》
[0261]
③
层次排序
[0262]
进行层次排序，于是有：p2＝1，
[0263][0264]
再进行归一化计算可得：θ＝[θ1,θ2]＝[0.9171,0.0829]
t
，即：跟车场景下规则的权重系数为0.9171，规则的权重系数为0.0829。
[0265]
被超车场景：
[0266]
①
构造可拓区间判断矩阵
[0267]
a.确定需计算权重系数的评价指标：由步骤三可知，被超车场景包含的评价指标为规则与规则因此，需计算权重系数的评价指标为规则与规则
[0268]
b.确定可拓区间数：设计100份调查问卷，对人机协同智能控制汽车在被超车场景下，规则与规则之间的相对重要性进行两两比较，统计结果表明：
[0269]
规则相对自身的重要性程度为1倍，因此a
11
＝《1,1》；规则相对被规则的重要性程度为2～3倍，因此a
12
＝《2/3,5/6》；规则相对规则的重要性程度为1/3～1/2倍，因此a
21
＝《6/5,3/2》；规则相对自身的重要性程度为1倍，因此a
22
＝《1,1》。
[0270]
c.给出评价层被超车场景下的评价指标可拓区间判断矩阵，如表7所示。
[0271]
表7被超车场景下的可拓区间判断矩阵
[0272][0273]
②
计算评价层被超车场景下可拓区间判断矩阵的权重系数
[0274]
以表7为计算依据，可以得到：
[0275][0276][0277]
经计算可以得到：m＝1.0269，k＝0.9723
[0278]
x-＝[0.4271 0.5729]
t
ꢀꢀ
(14)
[0279]
x
+
＝[0.4271 0.5729]
t
ꢀꢀ
(15)
[0280]
进而可得：
[0281]
s＝[s
1 s2]
t
＝《kx
‑ mx
+
》
ꢀꢀ
(16)
[0282]
所以：s1＝《0.4152 0.4385》，s2＝《0.5571 0.5884》
[0283]
③
层次排序
[0284]
进行层次排序，于是有：p2＝1，
[0285][0286]
再进行归一化计算可得：θ＝[θ1,θ2]＝[0.8639,0.1361]
t
，即：被超车场景下规则的权重系数为0.8639，规则的权重系数为0.1361。
[0287]
步骤五、量化指标，加权求和计算人机混合决策分值
[0288]
整个评价体系分为方案层、准则层、评价层，上文只是计算了准则层中准则与评价层中评价指标的权重系数。当量化得到最底层评价指标的分值后，再逐层加权求和，才是完整评价体系下得到的人机混合决策分值。
[0289]
5.1量化评价指标
[0290]
⑴
分值量化方法介绍
[0291]
本发明提出了以规定时间窗长度内违反交通规则的时长为基础的分值计算方法，规定评价层库中任一评价指标满分为100分，将人机协同智能控制汽车在该评价指标下的分值按以下公式进行量化：
[0292][0293]
上式中f为人机协同智能控制汽车在该评价指标下的分值，tw表示时间窗长度(测试者依据具体场景与实验需求自行设定时间窗长度)，t表示本次时间窗内人机协同智能控制汽车违反交通规则的时长，其取值范围为(0,tw]；α为惩罚因子，其取值范围为(0,1)，表示规定时间窗长度内人机协同智能控制汽车违反交通规则时长越长，对应惩罚分值增速越
大。当时间窗长度tw取10s，惩罚因子α分别取0.3、0.5、0.7时，评价指标分值f与违反规则时长t的关系曲线如图5所示；
[0294]
⑵
评价指标分值计算
[0295]
以跟车场景中与前车保持安全距离的评价指标为例。首先规定时间窗长度tw＝10s，惩罚因子α＝0.5；若在当前时间窗长度内测试车未保持安全距离的时长为3s，则本项指标的对应分值为：
[0296][0297]
对于单次在线评价，根据测试需求给定初始时间窗长度tw与惩罚因子α，各个评价指标对应分值计算方法可参照上述计算过程进行，按部就班的计算即可得出各指标分值，此处不再进行赘述。
[0298]
5.2加权求和计算人机混合决策分值
[0299]
⑴
分值计算方法介绍
[0300]
当前时间窗长度内，人机协同智能控制汽车的决策分值由下式计算得到：
[0301][0302]
式中f为当前时间窗长度内人机混合决策分值，p为本次评价体系中准则层的准则数量，wu为第u项准则对方案层方案的权重系数，q为第u项准则对应的评价指标数量，θ
uv
为第u项准则对应的第v项评价指标对该准则的权重系数，f
uv
为第u项准则对应的第v项评价指标分值；
[0303]
f值越大，说明测试车的决策效果越好。
[0304]
⑵
人机混合决策最终分值计算
[0305]
假设示例驾驶场景下，各指标得分与权重系数如表8所示：
[0306]
表8示例驾驶场景下各指标得分与权重表
[0307][0308]
由表8可得，利用人机混合决策分值计算方法得出人机协同智能控制汽车当前时间窗长度内决策得分为：
[0309][0310]
至此，完成本发明基于线性时态逻辑和可拓展层次分析法的人机混合决策在线评价方法的实施方式介绍。
[0311]
可拓展层次分析法是模拟人的评判方式，将各指标两两进行对比，并且两两之间
的重要性是在一个范围内而非一个固定值，这就给客观评价主观化带来一定的弹性，科学性更强。另外，可拓展层次分析法克服了层次分析法(analytic hierarchy process,ahp)在解决专家经验判断的模糊性问题和判断矩阵的一致性问题，有效避免了层次分析法中的大量试算工作，这样既能保证专家判断结果的真实性，又能保证判断矩阵的一致性，使得智能驾驶车辆各个评价指标的权重更加合理。因此，本发明选取可拓展层次分析法建立人机混合决策在线评价体系。
[0312]
现有部分研究采用了不等式约束或集合理论，用来表示仅基于单个时间状态进行评价的规则，然而，决策动态变化需要考虑过去与未来的时间状态。因此，与、或、非和蕴含成为了形式化规则的常用修饰词，进而引入了形式逻辑相关知识。作为一种离散的形式逻辑，时态逻辑不仅适用于绝对真理，而且对于可能只在某些时间点成立的真理也同样适用，因此，时态逻辑可以用来表示时间(非马尔可夫)属性。而线性时态逻辑是最成熟的时态逻辑，同时，线性时态逻辑形式化的各规则之间相互独立，这恰好解决了评价体系后续调试维护的工作量较大、可拓展性较差的问题。因此，本发明决定使用线性时态逻辑对交通规则形式化。
[0313]
在人机共驾智能车辆大规模应用时，我们首先应考虑整体车流对交通规则的服从程度，以保证车辆在大规模交通下的通行效率以及整体安全。因此，本发明决定以现行交通规则作为人机混合决策在线评价的评价指标。
[0314]
以上结合附图详细描述了本发明的优选实施方式，但是，本发明的保护范围并不局限于上述实施方式中的具体细节，在本发明的技术构思范围内，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，这些简单变型均属于本发明的保护范围。
[0315]
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
[0316]
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

技术特征：
1.一种基于线性时态逻辑和可拓展层次分析法的人机混合决策在线评价方法，其特征在于，包括以下步骤：步骤一、建立准则层库与评价层库，形成基本信息库1.1.建立准则层库选取常见主干道与匝道的驾驶场景作为准则，全部准则构成人机混合决策评价体系库的准则层库，每个驾驶场景对应一个准则，共包含10大类，分别是巡航场景、跟车场景、超车场景、被超车场景、车道减少场景、前车切入场景、前车切出场景、障碍道路场景、匝道汇入主道场景和主道驶入匝道场景；1.2.建立评价层库从现行交通法规中提取准则层库的全部驾驶场景下，智能驾驶车辆需要遵守的交通规则作为评价指标，每个交通规则对应一个评价指标，全部评价指标构成人机混合决策评价体系库的评价层库；其中，巡航场景的评价指标包括不得超过当前道路速度限值和非拥堵或少车道情况保持右侧通行；跟车场景的评价指标包括与前车保持安全距离和不得无故停车；超车场景的评价指标包括具备速度优势、不得从右侧超车和换道时与后车保持安全距离；被超车场景的评价指标包括不得加速和不得在少车道换道；车道减少场景的评价指标为车道合并前本车需等待另一车道前车通行后继续通行；前车切入场景的评价指标包括前车切入时不得加速和前车切入后保持安全距离；前车切出场景的评价指标包括前车切出时不得加速和前车切出后与所跟车保持安全距离；障碍道路场景的评价指标包括无畅通车道时停车和有畅通车道时换道；匝道汇入主道场景的评价指标包括主道车干扰时不得变道、变道后与主道车保持安全距离和只得汇入最右侧车道；主道驶入匝道场景的评价指标包括不得加速和只得从最右侧车道驶入匝道；1.3.形成基本信息库记录步骤1.2所述交通规则中涉及的基本信息形成基本信息库；其中基本信息库中的信息包括：测试车距离道路尽头最小值s
rem
，测试车与周车的碰撞时间最小值t
ttc
，判定测试车为加速的加速度最小值a
lim
，测试车较被超车的速度优势最小值v
diff
，判定测试车处于拥堵路况的周车数最小值n
dense
，判定测试车处于拥堵路况的周车计算半径r
dense
，判定测试车为静止的速度最大值v
stop
，测试车行驶速度最大值v
lim
，其中v
lim
由不同道路速度限值决定；步骤二、从评价层库中提取原子命题，构建各评价指标的ltl公式2.1.从评价层库中提取的原子命题，如下表所示：
其中i为测试车，j为其他车辆；2.2.构建ltl公式
⑴
巡航场景不得超过当前道路速度限值，该交通规则的ltl公式采用表示，其中：非拥堵或少车道情况保持右侧通行，该交通规则的ltl公式采用表示，其中：
⑵
跟车场景
与前车保持安全距离，该交通规则的ltl公式采用表示，其中：不得无故停车，该交通规则的ltl公式采用表示，其中：
⑶
超车场景具备速度优势，该交通规则的ltl公式采用表示，其中：不得从右侧超车，该交通规则的ltl公式采用表示，其中：换道时与后车保持安全距离，该交通规则的ltl公式采用表示，其中：
⑷
被超车场景不得加速，该交通规则的ltl公式采用表示，其中：不得在少车道换道，该交通规则的ltl公式采用表示，其中：
⑸
车道减少场景车道合并前本车需等待另一车道前车通行后继续通行，该交通规则的ltl公式采用表示，其中：
⑹
前车切入场景前车切入时不得加速，该交通规则的ltl公式采用表示，其中：
前车切入后保持安全距离，该交通规则的ltl公式采用表示，其中：
⑺
前车切出场景前车切出时不得加速，该交通规则的ltl公式采用表示，其中：前车切出后与所跟车保持安全距离，该交通规则的ltl公式采用表示，其中：
⑻
障碍道路场景无通畅车道时停车，该交通规则的ltl公式采用表示，其中：有通畅车道时换道，该交通规则的ltl公式采用表示，其中：
⑼
匝道汇入主道场景主道车干扰时不得变道，该交通规则的ltl公式采用表示，其中：变道后与主道车保持安全距离，该交通规则的ltl公式采用表示，其中：
只得汇入最右侧车道，该交通规则的ltl公式采用表示，其中：(10)主道驶入匝道场景不得加速，该交通规则的ltl公式采用表示，其中：只得从最右侧车道驶入匝道，该交通规则的ltl公式采用表示，其中：ltl公式中涉及的逻辑符号：对应布尔操作符not，∧对应布尔操作符and，∨对应布尔操作符or，对应布尔操作符implies，c对应布尔操作符next，∪对应布尔操作符until，对应布尔操作符always；所述ltl公式中下标含义：vel为速度，ls为车道选择，ov为超车，sd为安全距离，bov为被超车，zip为拉链式规则，ci为切入，co为切出，ol为障碍车道，r-m为匝道汇入主道，m-r为主道驶入匝道；步骤三、建立人机混合决策评价体系人机混合决策在线评价分值作为方案层的方案，依据人机共驾车辆所处交通环境从准则层库中选择对应的准则作为准则层，准则层包含人机共驾车辆所处交通环境的全部驾驶场景，再根据选定的驾驶场景从评价层库中选择对应的评价指标作为评价层，建立人机混合决策评价体系；步骤四、采用可拓展层次分析法计算每个准则对方案层方案的权重系数和每个准则对应的每个评价指标对该准则的权重系数；具体计算过程如下：4.1，构造可拓区间判断矩阵采取问卷调查的方法，对隶属于同一层次的人机协同智能控制汽车各准则或评价指标之间的相对重要性进行两两比较，统计调查结果，构建可拓区间判断矩阵a＝(a
ij
)
n
×
n
,i,j＝1,2
…
,n，该矩阵为正互反矩阵，其中n为可拓区间判断矩阵的因素数量，是一个可拓区间数；当计算准则层中各准则相对于方案层方案的权重系数时，因素数量即为准则数；当计算某个准则对应的评价层中评价指标相对于该准则的权重系数时，因素数量即为这个准则对应的评价指标数；分别为可拓区间判断矩阵第i行第j列可拓区间元素的下端点和上端点；4.2，计算可拓区间判断矩阵的权重系数对可拓区间判断矩阵a＝＜a-,a
+
＞，其中a-为区间下端点构成的矩阵，a
+
为区间上端点
构成的矩阵，求其满足一致性条件的权重系数：a.求a-，a
+
的最大特征值所对应的具有正分量的归一化特征矢量x-，x
+
；b.由计算k和m的值：式中k和m分别为满足0＜kx-＜mx
+
的全体正实数；c.按下式求出可拓区间权重量s：s＝(s1,s2,
…
,s
n
)
t
＝<kx-,mx
+
>式中s
n
为该层次第n个因素对上一层次的某个因素的可拓区间权重量，t为转置；其中当该层次为准则层时，因素即为准则，上一层次为方案层；当该层次为评价层时，因素即为评价指标，上一层次为准则层；
③
层次排序设v(s
i
,s
j
)≥0(i≠j)表示s
i
≥s
j
的可能性程度，则：式中i,j＝1,2
…
,n,i≠j，表示两个权重量可拓区间数的上下端点，p
i
表示该层次上第i个因素对上一层次的某个因素的排序，经过归一化后得到θ＝(θ1,θ2,
…
θ
n
)
t
，即为该层次上各因素对上一层次的某个因素的权重系数；步骤五、量化指标，加权求和计算人机混合决策分值5.1量化评价指标以规定时间窗长度内违反交通规则的时长为基础，规定评价层库中任一评价指标满分为100分，将人机协同智能控制汽车在该评价指标下的分值按以下公式进行量化：上式中f为人机协同智能控制汽车在该评价指标下的分值，t
w
表示时间窗长度，t表示本次时间窗内人机协同智能控制汽车违反交通规则的时长，其取值范围为(0,t
w
]；α为惩罚因子，其取值范围为(0,1)，表示规定时间窗长度内人机协同智能控制汽车违反交通规则时长越长，对应惩罚分值增速越大；5.2加权求和计算人机混合决策分值当前时间窗长度内，人机协同智能控制汽车的决策分值由下式计算得到：
式中f为当前时间窗长度内人机混合决策分值，p为准则层的准则数量，w
u
为第u项准则对方案层方案的权重系数，q为第u项准则对应的评价指标数量，θ
uv
为第u项准则对应的第v项评价指标对该准则的权重系数，f
uv
为第u项准则对应的第v项评价指标分值；f值越大，说明测试车的决策效果越好。2.根据权利要求1所述的一种基于线性时态逻辑和可拓展层次分析法的人机混合决策在线评价方法，其特征在于，所述步骤一的步骤1.2中评价指标中非拥堵是指距测试车中心20m半径范围内周车数小于8辆；少车道是指相同行驶方向的车道少于3条；安全距离是指测试车与周车的碰撞时间小于2.7s，其中碰撞时间＝两车车距/两车的相对车速。

技术总结
本发明属于智能驾驶系统技术领域，具体涉及一种基于线性时态逻辑和可拓展层次分析法的人机混合决策在线评价方法；选取动态驾驶场景、提取交通规则建立人机混合决策评价体系库，采用线性时态逻辑将各交通规则形式化为LTL公式，利用可拓展层次分析法建立当前时间窗的人机混合决策评价体系，并设计一种评价指标的分值量化公式，从而得出人机混合决策在线评价具体分值；实现评价指标可解释、可拓展，权重系数更合理的人机混合决策在线评价。重系数更合理的人机混合决策在线评价。重系数更合理的人机混合决策在线评价。


技术研发人员：曲婷 郭子超 刘普俊 王宇雷 陈启军 陈虹
受保护的技术使用者：吉林大学
技术研发日：2023.04.03
技术公布日：2023/8/14