高洪波　張新鈺　張?zhí)炖住⒂癯±畹乱?，，

(1.北京航空航天大學(xué)軟件開發(fā)環(huán)境國家重點實驗室，北京100191; 2.清華大學(xué)信息技術(shù)中心，北京100083; 3.清華大學(xué)計算機學(xué)院，北京100083; 4.電子系統(tǒng)工程第61研究所，北京100039)

?

基于云模型的智能駕駛車輛變粒度測評研究

高洪波1，2張新鈺2張?zhí)炖?劉玉超4李德毅1，3，4

(1.北京航空航天大學(xué)軟件開發(fā)環(huán)境國家重點實驗室，北京100191; 2.清華大學(xué)信息技術(shù)中心，北京100083; 3.清華大學(xué)計算機學(xué)院，北京100083; 4.電子系統(tǒng)工程第61研究所，北京100039)

摘要:如何通過直觀、簡單和有效的測評方法，建立一個定性與定量的不確定性測評轉(zhuǎn)換模型，實現(xiàn)智能駕駛車輛的測評研究，已成為智能駕駛車輛研究領(lǐng)域急需面對和解決的一個基本問題，也是一個難題．為了解決這個問題，本文提出一種基于云模型與變粒度的測評方法．首先，提出一套4S變粒度測評體系與三級智商變粒度測評體系;其次，通過云模型將智能駕駛車輛的定性測評轉(zhuǎn)化為直觀、形象的定量測評，利用云模型的期望、熵與超熵對智能駕駛車輛進(jìn)行定量評價，從而建立一個由定性到定量的測評轉(zhuǎn)換模型．為解釋這個模型的實施，2013年未來挑戰(zhàn)賽的實例被采用．實驗的分析表明，在具有定性與定量的測評中，利用云模型的期望、熵與超熵作為定性評價的定量評價的依據(jù)，并且，基于云模型與變粒度的智能駕駛車輛的測評能夠有效地解決多目標(biāo)粒度的測評與描述性的定性評價的定量評價，從而解決了一類智能駕駛車輛的測評研究問題．

關(guān)鍵詞:云模型;變粒度;智能駕駛車輛;測評研究

1　引言

隨著無人駕駛車輛研究的不斷深入．美國、歐洲和中國分別在2004年、2006年和2009年開始在統(tǒng)一的測試環(huán)境、內(nèi)容與評判標(biāo)準(zhǔn)下，有組織地舉辦無人駕駛車輛賽事［1、2］．通過賽事增進(jìn)各研究機構(gòu)之間的溝通與交流，促進(jìn)無人駕駛車輛研究的發(fā)展．主要的無人駕駛車輛賽事包括:美國DARPA分別于2004年、2005年、2007年和2012年舉辦兩屆Grand Challenge、一屆Urban Challenge和一屆Robotics Challenge;自2006年至今歐洲連續(xù)8屆組織ELROB比賽;自2009年至今NSFC連續(xù)5屆舉辦“中國智能車未來挑戰(zhàn)”賽［3、4］．除了上述有組織地進(jìn)行無人駕駛車輛比賽之外，引起關(guān)注的還有意大利帕爾瑪大學(xué)的洲際挑戰(zhàn)賽與谷歌無人駕駛的研究．

由于無人駕駛車輛測評研究的重要性，由此開展的相關(guān)研究有: (1)基于位置及行駛軌跡的測評，Oliver wulf將公路局的精確地圖和蒙特卡洛的定位信息作為真值，對6D同時定位與地圖構(gòu)建(Simultaneous Localization and Mapping，SLAM)定位算法的性能進(jìn)行評價［5］．J．Guivant利用RTK-GPS對SLAM算法進(jìn)行實驗評價［6］，通過SLAM定位的誤差曲線來評價其定位性能的優(yōu)劣．S．Bren Colegrove建立了一套比較完整的軌跡跟蹤評價指標(biāo)體系并提出了基于專家評分的指標(biāo)權(quán)重分配方法［7］．Urmson．C［8］對無人駕駛車輛Boss的導(dǎo)航能力進(jìn)行了測試和評價; (2)基于視覺的測評，Javier Diaz Alonso［9］使用激光雷達(dá)檢測車輛換道時周邊車輛的位置，與車輛上的GPS定位的位置坐標(biāo)進(jìn)行對比，做出評價結(jié)果; (3)基于學(xué)習(xí)能力的測評，Shneie對無人駕駛車輛的地形通過的學(xué)習(xí)能力進(jìn)行評測，通過檢測多次通過后地形識別的誤差，對車輛的學(xué)習(xí)能力進(jìn)行了評估［10］．Wagan提出了HCD(Harris Corner Detector)方法，用以得到真值和被測數(shù)據(jù)的特征點，利用特征點的匹配程序估計地圖構(gòu)建的能力［11］．Censi提出了利用貝葉斯邊界的方法用來評價兩個不同無人駕駛車輛的SLAM能力［12］; (4)基于任務(wù)中心的量化測評，卡內(nèi)基梅隆大學(xué)的學(xué)者針對無人駕駛車輛Boss在提出了一套結(jié)合成本的量化評價方法［13］．Jurriaan van Diggelen［14］提出了一種應(yīng)用為中心的無人駕駛車輛評價方法．

無論是國內(nèi)外有組織的無人駕駛車輛競賽測評，還是開展的相關(guān)測評研究，這些測評規(guī)則的設(shè)計都是按照其自身的無人駕駛車輛特點量身定制的，因此，這些測試不能夠全面、系統(tǒng)、客觀地反映無人駕駛車輛的認(rèn)知能力水平．為了全面、系統(tǒng)、客觀地測試與評價智能駕駛車輛的認(rèn)知能力，必須系統(tǒng)地開展無人駕駛車輛認(rèn)知測試的研究．須通過在規(guī)范的測試環(huán)境中對智能駕駛車輛進(jìn)行測評，以達(dá)到驗證智能駕駛車輛的安全性、可靠性、穩(wěn)定性和智能性，又可以規(guī)范智能駕駛車輛技術(shù)的研究．

本文的基本思想是提出4S測評體系即安全性測評、智能性測評、平衡性測評、速度性測評與三級智商測評體系即低智商測評(LQ-測評)、中智商測評(MQ-測評)、高智商測評(SQ-測評)，即多目標(biāo)測評粒度的系統(tǒng)方法;然后通過使用云模型的期望、熵將智能駕駛車輛的定性測評轉(zhuǎn)化為直觀、形象的定量評價，從而建立一個由定性到定量的不確定性轉(zhuǎn)換模型．

2　智能駕駛車輛測評體系

2.1定義

定義1智能駕駛(Intelligent Drive，Smart Drive)包含無人駕駛與智能輔助駕駛兩種，而無人駕駛是智能駕駛發(fā)展的重要標(biāo)志［15］．

定義2自動駕駛(Autonomous Drive，Self-piloting Drive) :又稱無人駕駛，依靠人工智能、視覺計算、雷達(dá)、監(jiān)控裝置和全球定位系統(tǒng)協(xié)同合作，車輛在沒有任何人類主動的操作下，自動安全地操作機動車輛．

而在本文中出現(xiàn)智能駕駛與無人駕駛兩種名稱，由于國外文獻(xiàn)中稱無人駕駛，為了忠于原文，而國內(nèi)稱智能駕駛，為了忠于我們的研究，而從上面的定義中能看出兩者之間的關(guān)系．

定義3 4S測評體系包括測試智能駕駛車輛的安全性(Safety)、智能性(Smartness)、平衡性(Smoothness)和速度性(Speed)，簡稱為4S測評體系．

定義4三級智商測評體系是根據(jù)智能駕駛車輛技術(shù)自身發(fā)展水平、自然科學(xué)發(fā)展的規(guī)律與人類認(rèn)知水平發(fā)展的規(guī)律，由易到難、由簡單到復(fù)雜建立了智能駕駛車輛的三級智商測評體系，包括低智商測評(LQ-測評)、中智商測評(MQ-測評)、高智商測評(SQ-測評)．

2.2智能駕駛車輛4S變粒度測評體系

智能駕駛車輛測評根據(jù)實際的考核指標(biāo)項，以及相應(yīng)的考核指標(biāo)項在實際環(huán)境中受到的影響因素，比如:光照、可見度、霧、陰影等，由相應(yīng)的權(quán)重值給出影響程度．基于實踐的證明，提出基于4S智能駕駛車輛測評體系，如圖1所示．由下向上第一層為考核指標(biāo)層，第二層是考點層，第三層是4S考核層．而在實際考核過程中，以實際的目標(biāo)粒度測評需求，提出以實際測評中量值傳遞原理的變粒度的測試方法．分別以考核指標(biāo)項、考點項、4S項作為粒度．對智能駕駛車輛進(jìn)行變粒度考核，可以是指標(biāo)單項、考點單項、4S單項與組合測評．

2.2.1考核指標(biāo)粒度

如圖2所示，智能駕駛車輛4S多粒度測評體系的最低層是細(xì)化的考核指標(biāo)，它包含在各個考點中，各細(xì)化的考核指標(biāo)是相互不連通的．每個細(xì)化的考核指標(biāo)根據(jù)具體的考核內(nèi)容有相應(yīng)的、直接定性的描述性評價與定量的評價，各考核指標(biāo)的得分用A1，A2，…，An表示．

2.2.2考點粒度

如圖3所示，在考核指標(biāo)粒度的基礎(chǔ)上，考點的考核是通過包含其中的考核指標(biāo)考核進(jìn)行體現(xiàn)的，不同的考點可以包含相同的考核指標(biāo)，而同一考核指標(biāo)在不同的考點中的影響程度是不同的，即權(quán)重是不同的，各考點得分用B1，B2，…，Bn表示．考點的得分是考點中的考核指標(biāo)的得分與其在考點中的權(quán)重的乘積．例:如圖3所示，考核指標(biāo)1、考核指標(biāo)2、考核指標(biāo)3、考核指標(biāo)4的得分分別為A1，A2，A3，A4，考點2的得分為B2，考核指標(biāo)1、考核指標(biāo)2、考核指標(biāo)3、考核指標(biāo)4在考點2上的權(quán)重分別為α12，α22，α32，α42．則考點2的得分計算公式如式1所示．

2.2.34S粒度

如圖4所示，在考點粒度的基礎(chǔ)上，4S的考核是通過包含其中的考點考核進(jìn)行體現(xiàn)的，不同的S測評可以包含相同的考點，而同一考點在不同的S測評中的影響程度是不同的，即權(quán)重是不同的，各S得分用RSafety，RSmartness，RSmoothness，RSpeed表示，分別是安全性、智能性、平衡性和速度性．S的得分是S中所包含考點的得分與所包含的考點在S中的權(quán)重的乘積之和．例:如圖4所示，考點1、考點2、考點3、考點4的得分為B1，B2，B3，B4.Safety的得分為RSafety，考點1、考點2、考點3、考點4在Safety上的權(quán)重分別為β1Safety，β2Safety，β3Safety，β4Safety，則Safety的得分計算公式如式2所示．

2.3智能駕駛車輛三級智商變粒度測評體系

根據(jù)智能駕駛車輛技術(shù)自身發(fā)展水平、自然科學(xué)發(fā)展的規(guī)律以及人類認(rèn)知水平發(fā)展的規(guī)律，由易到難、由簡單到復(fù)雜建立了智能駕駛車輛三級智商的測評體系，低智商測評(LQ-測評)、中智商測評(MQ-測評)、高智商測評(SQ-測評) ;這是基于人類認(rèn)知水平的測試與評價．

如圖5所示，在4S粒度的基礎(chǔ)上，三級智商的考核是通過包含其中的S考核進(jìn)行體現(xiàn)的，不同級智商測評可以包含相同的S，而同一S在不同級智商測評中的影響程度是不同的，即權(quán)重是不同的．三級智商得分用ValueLQ，ValueMQ，．ValueSQ表示．不同級智商的得分是不同級智商中的S得分與其在不同級智商中的權(quán)重的乘積．例:如圖5所示，Safety，Smartness，Smoothness，Speed的得分為RSafety，RSmartness，RSmoothness，RSpeed，Safety，Smartness，Smoothness，Speed在MQ上的權(quán)重分別為γSafetyMQ，γSmartnessMQ，γSmoothnessMQ，γSpeedMQ，則MQ級智商的得分計算公式如式3所示．

3　云模型

3.1云的概念和定義

定義5設(shè)U是一個用精確數(shù)值表示的定量論域，C是U上的定性概念，若定量值x∈U是定性概念C的一次隨機實現(xiàn)，x對C的確定度u(x)∈［0，1］是有穩(wěn)定傾向的隨機數(shù):

則x在論域U上的分布稱為云，記為云C(X)．每一個x稱為一個云滴［16］．

上述定義的云具有下列重要性質(zhì):

(1)定義中的論域U可以是一維的，也可以是多維的．

(2)定義中提及的隨機實現(xiàn)，是概率意義下的實現(xiàn)．定義中提及的確定度，是模糊集合意義下的隸屬度，同時又具有概率意義的分布，體現(xiàn)了模糊性和隨機性的關(guān)聯(lián)性．

(3)對于任意一個x∈U，x到區(qū)間［0，1］上的映射是一對多的變換，x對C的確定度是一個概率分布，不是一個固定的數(shù)值．

(4)云由許許多多的云滴組成，云滴之間無次序性，一個云滴是定性概念在數(shù)量上的一次實現(xiàn)，云滴越多，越能反映這個定性概念的整體特征．

(5)哪個云滴出現(xiàn)的概率大，那個云滴的確定度就大，該云滴對概念的貢獻(xiàn)就大．

定義6一維正態(tài)云的數(shù)字特征表示:一維正態(tài)云由三個數(shù)字特征元組C = (Ex，En，He)［16］構(gòu)成，如圖6所示，其中:

期望Ex:云滴在論域空間分布的數(shù)學(xué)期望．就是最能夠代表定性概念的點，或者說是這個概念量化的最典型樣本．

熵En:代表定性概念的可度量粒度，熵越大，概念越宏觀．是定性概念不確定性的度量，由概念的隨機性和模糊性共同決定．一方面，En是定性概念隨機性的度量，反映能夠代表這個定性概念的云滴的離散程度;另一方面，又是定性概念亦此亦彼性的度量，反映了在論域空間可被概念接受的云滴的取值范圍．

超熵He:是熵的不確定性度量，即熵的熵，由熵的隨機性和模糊性共同決定．對于一個在一定范圍內(nèi)能夠被接受的概念，超熵較小;對于還難以形成共識的概念，則超熵較大．

定義7正態(tài)云的定量表示［17］:正態(tài)云的定量表示是二元序偶的集合: CG = { (xi，ui) |xi為C的云滴，ui為云滴xi的確定度的概率分布，1≤i≤n} n為序偶的個數(shù)，xi，ui(1≤i≤n)均根據(jù)正向云發(fā)生器(Forward Normal Cloud Generator)得到．

定義8正向云發(fā)生器是從定性概念到定量的映射，根據(jù)云的數(shù)字特征(Ex，En，He)產(chǎn)生云滴［18］．定義如下:

其中NORM(u，δ2)為期望為u，方差為δ2的正態(tài)隨機變量．

4　智能駕駛車輛測評方法

在智能駕駛車輛測評指標(biāo)中，有些是可以通過試驗獲得精確數(shù)值的定量指標(biāo);有些是定性描述指標(biāo)，其試驗結(jié)果難以用精確的數(shù)值表示，在實際的評估中，適合用區(qū)間或者語言表示．針對難以量化的指標(biāo)，采用區(qū)間數(shù)的形式表示定性知識．根據(jù)智能駕駛車輛的測評研究中定量指標(biāo)與定性指標(biāo)共存的現(xiàn)象，分別采用精確值、區(qū)間數(shù)進(jìn)行測評，對于區(qū)間數(shù)測評的結(jié)果運用云模型將其轉(zhuǎn)換成定量指標(biāo)的精確數(shù)值，最終將其統(tǒng)一轉(zhuǎn)換為精確數(shù)值進(jìn)行運算．

4.1精確值測評

對于定量指標(biāo)，通過測試人工打分與計算機打分，可直接獲得各指標(biāo)的得分情況．如壓車道線次數(shù)總分為100分，壓一次車道線扣10分，如果某智能車壓了3次，則它的得分為70分(本文采用百分制進(jìn)行定量評分)．

4.2區(qū)間數(shù)測評

對于定性指標(biāo)，由于其測評結(jié)果具有一定的不確定性，可采用區(qū)間數(shù)進(jìn)行評分，然后通過云模型將區(qū)間數(shù)轉(zhuǎn)化精確值，區(qū)間數(shù)評估與云模型的結(jié)合運用使測評結(jié)果更為科學(xué)與合理．下面給出區(qū)間數(shù)測評的步驟．

(1)確定智能駕駛車輛考核指標(biāo)集:

其中eq，q =1，2，…n為智能駕駛車輛考核指標(biāo)．

(2)確定考核指標(biāo)集對應(yīng)的評語集與區(qū)間數(shù):

其中Comment為確定的評語集，為c1，c2，c3，c4，c5，分別對應(yīng){很好，好，一般，較差，差}，V為與評語集對應(yīng)的區(qū)間數(shù)，為，分別對應(yīng)

然后將統(tǒng)計的樣本利用逆向云發(fā)生器模型得出參數(shù)(Ex，En，He)．然后利用文獻(xiàn)［19］中的逆向云發(fā)生器模型進(jìn)行計算．當(dāng)統(tǒng)計樣本個數(shù)較少時，建議采用文獻(xiàn)［20］中的擬合算法進(jìn)行計算．本文采用的是加權(quán)逆向云測評算法，如下3.3所述．

4.3加權(quán)逆向云測評算法

輸入N個云滴的集合E = { e1，e2…eN}及云滴的權(quán)值集合{ w1，w2，…wN}．

輸出N個云滴所表示的定性概念的期望Ex、熵En、和超熵He．

步驟:

(1)根據(jù)ei及其權(quán)值計算樣本均值一階樣本絕對中心矩，樣本方差: S2=

4.4測評步驟

(1)確定定性與定量考核指標(biāo)，定量考核指標(biāo)用精確值表示，定性考核指標(biāo)用區(qū)間數(shù)表示并確定對應(yīng)的區(qū)間數(shù)．

(2)將每一位裁判在考核指標(biāo)粒度的定性評價轉(zhuǎn)換為區(qū)間數(shù)，再通過逆向云模型產(chǎn)生測評值矩陣

同樣，通過逆向云模型將定量評價也轉(zhuǎn)換為測評值矩陣

其中q1為定性評價考核指標(biāo)的個數(shù)，q2為定量評價考核指標(biāo)的個數(shù)．

(3)將定性評價與定量評價生成的測評值矩陣進(jìn)行合成，生成考核指標(biāo)粒度總的測評矩陣

其中，q表示考核指標(biāo)數(shù)量．

(4)每一考核指標(biāo)在上層各考點的權(quán)重為wij(i = 1，2…q; j =1，2…n)，其中，i表示某一考核指標(biāo)，q表示考核指標(biāo)數(shù)量．j表示某一考點，n表示考點數(shù)量．權(quán)重系數(shù)矩陣表示為

(5)根據(jù)加權(quán)逆向云測評算法計算得出所有考點粒度得分的測評結(jié)果矩陣

(7)根據(jù)加權(quán)逆向云測評算法計算得出所有S粒度得分的測評結(jié)果矩陣

(8)每一S考核項在上層三級智商考核項的權(quán)重為w″ij(i =1，2，3，4; j =1，2，3)，其中，i表示某一S考核項．j表示某一級智商考核項．權(quán)重系數(shù)矩陣表示為

(9)根據(jù)加權(quán)逆向云測評算法計算得出三級智商粒度得分的測評結(jié)果矩陣

根據(jù)測評步驟，根據(jù)步驟(3)總的考核指標(biāo)測評矩陣可以獲得各考核指標(biāo)粒度的得分，根據(jù)步驟(5)總的考點測評矩陣可以獲得各考點粒度的得分，根據(jù)步驟(7)總的4S考核項測評矩陣可以獲得各S粒度的得分，根據(jù)步驟(9)總的三級智商測評矩陣可以獲得各級智商粒度的得分．根據(jù)測評步驟不同的步驟反映不同的測評層次，不同的測評層次所獲得的粒度不同，其中考核指標(biāo)粒度最細(xì)，三級智商粒度最粗．根據(jù)此測評步驟得出的測評結(jié)果，對智能車進(jìn)行不同層次與不同粒度要求的測評結(jié)果進(jìn)行排序．首先根據(jù)期望Ex的分?jǐn)?shù)進(jìn)行排序，在期望相同或相近的情況下，考慮穩(wěn)定性即熵En，最后考慮隨機性即超熵He．

5　算例與分析

智能駕駛車輛的測評系統(tǒng)根據(jù)測評粒度的不同分為4S粒度測評與三級智商粒度測評．4S粒度測評可以根據(jù)測評需求將粒度進(jìn)一步劃分為考核指標(biāo)粒度測評、考點粒度測評與4S粒度測評;三級智商粒度可以根據(jù)測評需求測試不同級別的智商，具體粒度測評劃分的操作方法見2.2節(jié)與2.3節(jié)．為驗證基于云模型智能駕駛車輛變粒度測評方法的有效性，下面給出具體操作的算例．此算例的數(shù)據(jù)來源于部分有效的FC2013數(shù)據(jù)．測評對象為智能駕駛車輛Vehicle1，Vehicle2，Vehicle3.測評過程中通過5名智能駕駛測評領(lǐng)域的專家為裁判Expert1，Expert2，…，Expert5對考核指標(biāo)進(jìn)行定性與定量測評．

5.1考核指標(biāo)粒度測評

考核指標(biāo)集參照FC2013智能車挑戰(zhàn)測評要求確定，指標(biāo)集確定為: Factor = { e1，e2，e3，e4，e5，e6，e7，e8，e9} = {車道保持，防碰撞，車速限制，避障，識別紅綠燈，距停車線，任務(wù)完成時間，異常停車，交通標(biāo)志識別}，其中e3，e6，e7，e8為定性考核指標(biāo)，e1，e2，e4，e5，e9為定量考核指標(biāo)．考核指標(biāo)測評結(jié)果定性與定量度量值及云化結(jié)果如表1、表2所示．

5.2考點粒度測評

選取具有代表性的“通過路口”考點，“通過路口”考點中的考核指標(biāo)有車道保持、車速限制、異常停車、防碰撞、避障、識別紅綠燈、識別停車線、識別交通標(biāo)志等基本動作和任務(wù)完成時間等，而這些考核指標(biāo)在“通過路口”考點中的權(quán)重分別為α11、α21、α31、α41、α51、α61、α71、α81、α91．表示為矩陣的形式為W =［0.15，0.1，0.1，0.1，0.05，0.15，0.2，0.1，0.05］．通過加權(quán)逆向云測評算法可以得出三輛智能車在“通過路口”考點的云數(shù)字特征測評結(jié)果如表3所示．

表1　定性因子測評及云化結(jié)果

表2　定量因子測評及云化結(jié)果

表3　云的數(shù)字特征測評結(jié)果

從表3與圖7可以看出三輛智能車在“通過路口”考點中，Vehicle2智能車穩(wěn)定性最好，Vehicle2熵最小，期望最大，一致程度越高，其次是Vehicle3、穩(wěn)定性最差的是Vehicle1.Vehicle1熵最大，期望最小，一致程度越低．而超熵體現(xiàn)了熵的隨機性，在本研究中可以作為參考．而本文的4S考核項粒度測評是在考點粒度測評的基本上根據(jù)考核某項S的得分而選取考點，并通過專家設(shè)置所有考點在此考核S上的權(quán)重值．具體操作方法與考點測評相同．

Schoner［21］應(yīng)用動力學(xué)系統(tǒng)理論定量分析機器人行為．Nehmzow［22］應(yīng)用統(tǒng)計學(xué)方法評估移動機器人的定位系統(tǒng)性能．Gat［23］通過測量到達(dá)目標(biāo)的時間和距離，對移動機器人和仿真結(jié)果進(jìn)行對比．Tom Duckett［24］對移動機器人定位質(zhì)量評價提出了一般性能測量和標(biāo)準(zhǔn)的試驗程序．從上述文獻(xiàn)的分析可以看出，目前移動機器人行為的定量分析是簡單的室內(nèi)環(huán)境以及簡單的執(zhí)行任務(wù)(如圓軌跡跟蹤，沿墻行走，避障等)的單項目定量分析，并未實現(xiàn)移動機器人在復(fù)雜環(huán)境以及復(fù)雜任務(wù)下的多任務(wù)粒度的定量總體分析．而本文提出的基于云模型的智能駕駛車輛變粒度測評的方法與現(xiàn)有的測評方法相比，是綜合多粒度、多層次、多需求的綜合性地定量分析，通過云模型的特點能很好地全面地定量地評價智能駕駛車輛的單個與綜合性能．

6　結(jié)論

本文提出的基于云模型的智能駕駛車輛變粒度測評思路和方法，具備較強的擴展性、適應(yīng)性與操作性: (1)針對智能駕駛車輛包含難以量化的、模糊的、不確定的定性指標(biāo)，提出利用精確值、語言值轉(zhuǎn)換為區(qū)間值的表示，并將其統(tǒng)一轉(zhuǎn)換為云模型進(jìn)行運算，實現(xiàn)了定性向定量轉(zhuǎn)換，主觀偏好與客觀數(shù)據(jù)相融合，提高了評估的科學(xué)性; (2)對于不同的目標(biāo)粒度的測評需求，提出以實際測評中量值的傳遞原理的測試與評價方法; (3)常規(guī)的測評方法弱化了測評的模糊性、隨機性、統(tǒng)計性，評定結(jié)果有失說服力;而是由大量云滴組成的云滴分布圖作為輸出．同時，云模型變粒度的測評方法同時從穩(wěn)定性、隨機性和模糊性多方面進(jìn)行測評，符合人類對復(fù)雜事物不確定性認(rèn)知的客觀要求與本質(zhì)，對于分析各種測評問題具有更大的參考價值．

參考文獻(xiàn)

［1］Thorpe C．Vision and navigation for the Carnegie-Mellon Navlab［J］．IEEE Trans，1990，PAMI-10(3) : 362－373．

［2］Pomerleau D A，Jochem T M．Rapidly adapting machine vision for automated vehicle steering［J］．IEEE Expert，1996，11(2) : 19－27．

［3］史美萍，彭曉軍，賀漢根．全虛擬無人車輛自主導(dǎo)航仿真系統(tǒng)的研究與實現(xiàn)［J］．系統(tǒng)仿真學(xué)報，2004，16(8) : 1721－1724．SHI Mei-ping，PENG Xiao-jun，HE Han-gen．Research an accomplishment of auto-navigating simulation system for virtual unmanned vehicles［J］．Journal of System Simulation，2004，16(8) : 1721－1724．(in Chinese)

［4］錢鈞，楊汝清，王晨，等．基于路標(biāo)的智能駕駛車輛定位［J］．上海交通大學(xué)學(xué)報，2007，41(6) : 894－898．QIAN Jun，YANG Ru-qing，WANG Chen，et al．Landmark based localization of intelligent vehicle［J］．Journal of Shanghai Jiaotong University，2007，41(6) : 894－898．(in Chinese)

［5］Oliver Wulf，et al．Ground truth evaluation of large urban 6D SLAM［A］．2007 International Conference on Intelligent Robots and Systems［C］．San Diego，CA: IEEE Computer Society，2007．650－657．

［6］Joes Guivant，et al．Autonomous navigation and map building using laser range sensors in outdoor applications［J］．Journal of Robotic Systems，2000，17(10) : 565－583．

［7］Colegrove S．B，et al．Tracking system performance assessment［A］．2003 6thInternational Conference on Information Fusion［C］．Australia: IEEE Computer Society，2003．926 －933．

［8］C．Urmson，et al．Autonomous driving in traffic: Boss and the urban challenge．［J］．AI Magazine，2009，30(1) : 17 －29．

［9］Javier Diaz Alonso，et al．Lane-change decision aid system based on motion-driven vehicle tracking［J］．IEEE Trans．on vehicular technology，2008，57(5) : 2736－2746．

［10］Shneier M，et al．Performance evaluation of a terrain traversability learning algorithm in the DARPA LAGR program ［A］．2006 Performance Metrics for Intelligent Systems archive Proceedings of the 6thWorkshop on Performance Metrics for Intelligent Systems table of contents Gaithersburg ［C］．Washington，DC: IEEE Computer Society，2006．103 －110．

［11］Wagan A，et al．Map quality assessment［A］．2008 Performance Metrics for Intelligent Systems archive Proceedings of the 8thWorkshop on Performance Metrics for Intelligent Systems table of contents Gaithersburg［C］．Maryland: ACM Press，2008: 278－282．

［12］Censi A．The role of bayesian bounds in comparing slam algorithms performance［A］．2008 Performance Metrics for Intelligent Systems archive Proceedings of the 8thWorkshop on Performance Metrics for Intelligent Systems table of contents Gaithersburg［C］．Maryland: ACM Press，2008: 271－277．

［13］Junqing，W，et al．A prediction-and cost function-based algorithm for robust autonomous freeway driving［A］．2010 IEEE Intelligent Vehicles Symposium (IV)［C］．San Diego，CA: IEEE Computer Society，2010: 512－517．

［14］Van Diggelen，J，et al．A usage-centered evaluation methodology for unmanned ground vehicles［A］．2012 5thInternational Conference on Advances in Computer-Human Interactions［C］．Valencia，Spain: IARIA XPS Press，2012: 186－191．

［15］Wikipedia．Smart car［DB/OL］．Http: / /en．wikipedia．org/wiki/Smart_car，2009-5-20/2015-2-17．

［16］李德毅．不確定性人工智能［M］．北京:國防工業(yè)出版社，2005．51－200．

［17］李德毅，孟海軍，史雪梅．隸屬云和隸屬云發(fā)生器［J］．計算機研究和發(fā)展，1995，32(6) : 15－20．

［18］李德仁，王樹良，李德毅，等．論空間數(shù)據(jù)發(fā)掘和知識發(fā)現(xiàn)的理論與方法［J］．武漢大學(xué)學(xué)報(信息科學(xué)版)，2002，27(3) : 221－233．LI De-ren，WANG Shu-liang，LI De-yi．Theories and technologies of spatial data mining and knowledge discovery［J］．Geomatics and information science of wuhan university，2002，27(3) : 221－233．(in Chinese)

［19］劉桂花，宋承祥，劉弘．云發(fā)生器的軟件實現(xiàn)［J］．計算機應(yīng)用研究，2007，1: 46－48．LIU Gui-hua，SONG Cheng-xiang，LIU Hong，Software implementation of cloud generators［J］．Application research of computers，2007，1: 46－48．(in Chinese)

［20］呂輝軍，王曄，李德毅，等．逆向云在定性評價中的應(yīng)用［J］．計算機學(xué)報，2003，26(8) : 1010－1014．LU Hui-jun，WANG Ye，LI De-yi，et al．The Application of backward cloud in qualitative evaluation［J］．Chinese Journal of Computers，2003，26(8) : 1010－1014．(in Chinese)

［21］G Sch?ner，et al．Dynamics of behavior: theory and applications for autonomous robot architectures［J］．Journal of Robotics and Autonomous Systems，1995，16(2－4) : 213 －45

［22］U Nehmzow．Mobile Robotics: A Practical Introduction ［M］．Berlin: Springer，2003，30－42．

［23］E Gat．Towards principled experimental study of autonomous mobile robots［J］．Journal of Autonomous Robots，1995，2(3) : 179－89．

［24］Duckett T，Nehmzow U．Quantitative analysis of mobile robot localisation systems［J］．Proc Timr Uk，1997: 1361 －6153．

高洪波(通信作者)男，1982年11月出生，安徽安慶人，現(xiàn)為北京航空航天大學(xué)計算機學(xué)院博士研究生．主要研究方向為不確定性人工智能、云模型、無人駕駛、機器學(xué)習(xí)、數(shù)據(jù)挖掘．E-mail: ghb48@126．com

張新鈺男，1979年10月出生，甘肅會寧人，現(xiàn)為中國人工智能學(xué)會副秘書長，劍橋大學(xué)訪問學(xué)者．主要研究方向為智能機器人與網(wǎng)絡(luò)教育

E-mail: xyzhang@ mail．tsinghua．edu．cn

Research of Intelligent Vehicle Variable Granularity Evaluation Based on Cloud Model

GAO Hong-bo1，2，ZHANG Xin-yu2，ZHANG Tian-lei3，LIU Yu-chao4，LI De-yi1，3，4
(1.State Key Laboratory of Software Development Environment，Beihang University，Beijing 100191，China; 2.Information Technology Center，Tsinghua University，Beijing 100083，China; 3.Department of Computer Science and Technology，Tsinghua University，Beijing 100083，China; 4.The 61th Institute of Electronic System Engineering，Beijing 100039，China)

Abstract:A direct，easy-to-operate and effective evaluation method for building a qualitative and quantitative uncertainty evaluation transformation model is urgently needed for intelligent vehicle evaluation research．It has been a challenging problem facing the researchers．Based on cloud model and variable granularity，this paper describes a measurement method．First，we proposed a set of 4S variable granularity measurement system and the three-level IQ variable granularity evaluation system．Then，we transformed the qualitative assessment over the intelligent driving vehicle into a direct image quantitative evaluation via using the Expectation，the Entropy and the Hyper Entropy of cloud model，thus building an uncertainty transformation model from qualitative to quantitative．The Future Challenge 2013 was used as a case to illustrate the model．The analysis shows that in the qualitative and quantitative evaluation，the Expectation，Entropy and Hyper Entropy based on cloud model is the basis of qualitative-evaluation of quantitative evaluation．Moreover，the intelligent vehicle evaluation based on cloud model and variable granularity can efficiently solve the multi-objective particle size measurement of evaluation and descriptive qualitative evaluation of quantitative evaluation，thereby providing solutions to the evaluation of a class of intelligent vehicle research．

Key words:cloud model; variable granularity; intelligent vehicle; evaluation research

作者簡介

基金項目:國家863計劃(No．2015AA015401) ;國家自然科學(xué)基金重大研究計劃專項(No．90920305) ;國家自然科學(xué)基金(No．61305055，No．61035004，No．61273213，No．61300006，No．61203366) ;中國工程院項目(No．2015-XY-42)

收稿日期:2014-12-17;修回日期: 2015-10-28;責(zé)任編輯:馬蘭英

DOI:電子學(xué)報URL: http: / /www．ejournal．org．cn10．3969/j．issn．0372-2112．2016．02．018

中圖分類號:TP3

文獻(xiàn)標(biāo)識碼:A

文章編號:0372-2112 (2016) 02-0365-09