(19)國家知識產(chǎn)權(quán)局(12)發(fā)明專利胡潔義葉晨樺公司11002基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法和所述復(fù)雜度選取設(shè)定數(shù)量的靜態(tài)場景構(gòu)成有效度模型獲得的靜態(tài)場景復(fù)雜度選取有效靜態(tài)場在設(shè)定的場景約束下，組合設(shè)計運(yùn)行域在設(shè)定的場景約束下，組合設(shè)計運(yùn)行域ODD形成靜態(tài)場景在設(shè)定的場景約束下，組合設(shè)計運(yùn)行域ODD形成靜態(tài)場景根據(jù)所述復(fù)雜度選取設(shè)定數(shù)量的靜態(tài)場景構(gòu)成有效靜態(tài)場景集合，基于所述有效靜態(tài)場景集合進(jìn)行自動駕駛測試，并得到測試結(jié)論21.一種基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法，其特征在于，包括：將所述靜態(tài)場景輸入復(fù)雜度模型，得到所述靜態(tài)場景的復(fù)雜度；根據(jù)所述復(fù)雜度選取設(shè)定數(shù)量的靜態(tài)場景構(gòu)成有效靜態(tài)場景集合，基于所述有效靜態(tài)場景集合進(jìn)行自動駕駛測試，并得到測試結(jié)論；所述復(fù)雜度模型的輸入量包括元素屬性評價值、元素權(quán)重以及元素信息量；所述元素是指所述設(shè)計運(yùn)行域ODD的構(gòu)成元素；所述元素包括環(huán)境元素、道路元素或者交通參與者元所述屬性評價值是根據(jù)所述元素的物理參數(shù)確定的；所述權(quán)重是根據(jù)判斷矩陣計算得到的；所述判斷矩陣是根據(jù)所述元素對自動駕駛模型中功能單元的影響量化值，兩兩比較確定的；所述信息量與所述元素在同類別元素中出現(xiàn)的概率負(fù)相關(guān)。2.根據(jù)權(quán)利要求1所述的基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法，其特征在于，所述復(fù)雜度模型滿足：第i個所述元素的屬性評價值；log(p)為第i個所述元素的信息量，由第i個所述元素在同類別元素中出現(xiàn)的概率p?取對數(shù)得到；i是閉區(qū)間[1,M]內(nèi)的整數(shù)，表示所述元素的序號。3.根據(jù)權(quán)利要求1所述的基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法，其特征在于，所述自動駕駛模型的功能單元包括感知單元、規(guī)劃控制單元以及定位單元。4.根據(jù)權(quán)利要求3所述的基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法，其特征在于，所述元素對自動駕駛模型中功能單元的影響量化值是指：第一場景下所述功能單元的任務(wù)執(zhí)行結(jié)果，與第二場景下所述功能單元的任務(wù)執(zhí)行結(jié)果的差值；所述第一場景為設(shè)定的標(biāo)準(zhǔn)場景；所述第二場景為以所述元素替換標(biāo)準(zhǔn)場景中的對應(yīng)元素得到的場景；所述功能單元的任務(wù)執(zhí)行結(jié)果包括：感知單元的目標(biāo)分類結(jié)果、距離檢測結(jié)果以及尺寸檢測結(jié)果；規(guī)劃控制單元執(zhí)行橫向控制和/或縱向控制時的附著系數(shù)；以及，定位單元的定位精度和定位穩(wěn)定性。5.根據(jù)權(quán)利要求1所述的基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法，其特征在于，所述判斷矩陣的行數(shù)與列數(shù)相等；所述判斷矩陣第j行、第k列的元素a,滿足：式中，E;為第j行對應(yīng)元素對自動駕駛模型中功能單元的影響量化值；E為第k列對應(yīng)元素對自動駕駛模型中功能單元的影響量化值。6.根據(jù)權(quán)利要求5所述的基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法，其特征在于，3所述權(quán)重滿足：式中，W是判斷矩陣第x行的元素權(quán)重；n的取值與所述判斷矩陣的行數(shù)和列數(shù)相同。7.根據(jù)權(quán)利要求1所述的基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法，其特征在于：確定存在自動駕駛統(tǒng)計數(shù)據(jù)，則所述元素在同類別元素中出現(xiàn)的概率是基于所述自動駕駛統(tǒng)計數(shù)據(jù)得到的；確定不存在自動駕駛統(tǒng)計數(shù)據(jù)，則設(shè)定同類別元素中每個元素出現(xiàn)的概率相等。8.根據(jù)權(quán)利要求1所述的基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法，其特征在于，照強(qiáng)度和能見度確定的。9.根據(jù)權(quán)利要求1所述的基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法，其特征在于，所述交通參與者元素包括貨車和/或家用車；所述交通參與者元素的屬性評價值是基于尺10.根據(jù)權(quán)利要求1所述的基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法，其特征在于，所述道路元素包括直道、坡道以及彎道；所述道路元素的屬性評價值是基于車道曲率、車道坡度和停車視距確定的。11.根據(jù)權(quán)利要求1所述的基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法，其特征在構(gòu)成靜態(tài)場景的設(shè)計運(yùn)行域ODD組合中包括至少一個環(huán)境元素和至少一個道路元素；構(gòu)成靜態(tài)場景的設(shè)計運(yùn)行域ODD組合中的元素集合滿足預(yù)設(shè)的道路工程設(shè)計標(biāo)準(zhǔn)；以構(gòu)成靜態(tài)場景的設(shè)計運(yùn)行域ODD組合中不存在互斥元素；所述互斥元素是指不能同時存在的兩個或多個元素。12.根據(jù)權(quán)利要求1所述的基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法，其特征在于，所述基于所述有效靜態(tài)場景集合進(jìn)行自動駕駛測試的步驟包括：排除所述有效靜態(tài)場景集合中，不滿足實(shí)車測試條件的靜態(tài)場景，得到實(shí)車有效靜態(tài)場景集合；針對設(shè)定的元素，在所述實(shí)車有效靜態(tài)場景集合中：提取包括所述元素且復(fù)雜度最高的靜態(tài)場景作為第一集合；提取包括所述元素且復(fù)雜度最低的靜態(tài)場景作為第二集合；基于所述第一集合和所述第二集合執(zhí)行實(shí)車自動駕駛測試。13.根據(jù)權(quán)利要求1所述的基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法，其特征在于，所述基于所述有效靜態(tài)場景集合進(jìn)行自動駕駛測試的步驟包括：針對設(shè)定的元素，在所述有效靜態(tài)場景集合中：提取包括所述元素且復(fù)雜度最高的M?個靜態(tài)場景作為第三集合；隨機(jī)抽樣M?個包括所述元素且不屬于所述第三集合的靜態(tài)場景作為第四集合；其中，M?4基于所述第三集合和所述第四集合執(zhí)行仿真自動駕駛測試。14.一種基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建系統(tǒng)，其特征在于，包括：復(fù)雜度模塊，用于將所述靜態(tài)場景輸入復(fù)雜度模型，得到所述靜態(tài)場景的復(fù)雜度；測試模塊，用于根據(jù)所述復(fù)雜度選取設(shè)定數(shù)量的靜態(tài)場景構(gòu)成有效靜態(tài)場景集合，基于所述有效靜態(tài)場景集合進(jìn)行自動駕駛測試，并得到測試結(jié)論；所述復(fù)雜度模型的輸入量包括元素屬性評價值、元素權(quán)重以及元素信息量；所述元素是指所述設(shè)計運(yùn)行域ODD的構(gòu)成元素；所述元素包括環(huán)境元素、道路元素或者交通參與者元所述屬性評價值是根據(jù)所述元素的物理參數(shù)確定的；所述權(quán)重是根據(jù)判斷矩陣計算得到的；所述判斷矩陣是根據(jù)所述元素對自動駕駛模型中功能單元的影響量化值，兩兩比較確定的；所述信息量與所述元素在同類別元素中出現(xiàn)的概率負(fù)相關(guān)。15.一種電子設(shè)備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運(yùn)行的計算機(jī)程序，其特征在于，所述處理器執(zhí)行所述程序時實(shí)現(xiàn)如權(quán)利要求1至13任一項所述基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法的步驟。16.一種非暫態(tài)計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，其特征在于，所述計算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)如權(quán)利要求1至13任一項所述基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法的步驟。17.一種計算機(jī)程序產(chǎn)品，包括計算機(jī)程序，其特征在于，所述計算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)如權(quán)利要求1至13任一項所述基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法的步驟。5基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法和系統(tǒng)技術(shù)領(lǐng)域[0001]本發(fā)明涉及自動駕駛技術(shù)領(lǐng)域，尤其涉及一種基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法和系統(tǒng)。背景技術(shù)[0002]歐盟的PEGASUS項目將場景分為功能場景、邏輯場景和具體場景。從邏輯場景到具體場景生成的過程中，參數(shù)的數(shù)量和范圍都有多種選擇，多參數(shù)組合在一起將是十分龐大的測試集，我們希望找尋某種方法來減少場景組合的數(shù)量。[0003]如何通過建模來減少靜態(tài)場景組合的數(shù)量是現(xiàn)有自動駕駛測試領(lǐng)域面臨的重要[0004]現(xiàn)階段，行業(yè)內(nèi)關(guān)于靜態(tài)場景復(fù)雜度的研究十分有限，公開的論文主要集中在場景復(fù)雜度評價建模，極少數(shù)提到如何根據(jù)復(fù)雜度評價作出一些實(shí)際的應(yīng)用。[0005]王榮等人的靜態(tài)場景的復(fù)雜度模型引入了信息熵和判斷矩陣。通過靜態(tài)場景元素庫為元素分類，通過不同類別的數(shù)量計算信息熵并且應(yīng)用專家打分來確定權(quán)重。此模型提供了一種相對可行的復(fù)雜度計算方法，不過，無論是信息熵的計算(分類中如何計算數(shù)量不明確),還是權(quán)重計算(只說專家打分，不說明具體依據(jù))都太過于主觀且可信度不高。[0006]李江坤等人的場景復(fù)雜度模型主要應(yīng)用傳遞模型和層次分析法組成。其中，傳遞通過對個元素的屬性影響計算傳遞數(shù)量。傳遞數(shù)量應(yīng)用于層次分析中來計算每個元素的權(quán)重，場景中所有元素權(quán)重加和組成了復(fù)雜度。此模型引入了傳遞模型和元素屬性分析，不足之處在于傳遞模型的數(shù)量計算沒有道理，過于主觀。[0007]JianliDuan等人提出了相似的模型，在層次分析法的應(yīng)用中，為了減弱主觀性，應(yīng)用了德爾菲法。但是德爾菲法還是無法確定所選專家能合理判斷，并不能保證結(jié)果的客[0008]可見，如何提供一種更為客觀可靠的基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法和系統(tǒng)，是業(yè)內(nèi)亟需解決的技術(shù)問題。發(fā)明內(nèi)容[0009]本發(fā)明提供一種基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法和系統(tǒng)，用以解決現(xiàn)有技術(shù)中有效靜態(tài)場景的篩選過程主觀性強(qiáng)的缺陷，實(shí)現(xiàn)更為客觀可靠的有效靜態(tài)場景構(gòu)建方法。[0010]本發(fā)明提供一種基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法，包括：[0012]將所述靜態(tài)場景輸入復(fù)雜度模型，得到所述靜態(tài)場景的復(fù)雜度；[0013]根據(jù)所述復(fù)雜度選取設(shè)定數(shù)量的靜態(tài)場景構(gòu)成有效靜態(tài)場景集合，基于所述有效靜態(tài)場景集合進(jìn)行自動駕駛測試，并得到測試結(jié)論；67[0034]式中，W是判斷矩陣第x行的元素權(quán)重；n的取值與所述判斷矩陣的行數(shù)和列數(shù)相[0035]根據(jù)本發(fā)明提供的一種基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法：[0036]確定存在自動駕駛統(tǒng)計數(shù)據(jù)，則所述元素在同類別元素中出現(xiàn)的概率是基于所述自動駕駛統(tǒng)計數(shù)據(jù)得到的；[0037]確定不存在自動駕駛統(tǒng)計數(shù)據(jù)，則設(shè)定同類別元素中每個元素出現(xiàn)的概率相等。[0038]根據(jù)本發(fā)明提供的一種基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法，所述環(huán)境能見度確定的。[0039]根據(jù)本發(fā)明提供的一種基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法，所述交通參與者元素包括貨車和/或家用車；所述交通參與者元素的屬性評價值是基于尺寸、材質(zhì)以及顏色確定的。[0040]根據(jù)本發(fā)明提供的一種基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法，所述道路元素包括直道、坡道以及彎道；所述道路元素的屬性評價值是基于車道曲率、車道坡度和停車視距確定的。[0041]根據(jù)本發(fā)明提供的一種基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法，所述場景[0042]構(gòu)成靜態(tài)場景的設(shè)計運(yùn)行域ODD組合中包括至少一個環(huán)境元素和至少一個道路元[0043]構(gòu)成靜態(tài)場景的設(shè)計運(yùn)行域ODD組合中的元素集合滿足預(yù)設(shè)的道路工程設(shè)計標(biāo)[0044]構(gòu)成靜態(tài)場景的設(shè)計運(yùn)行域ODD組合中不存在互斥元素；所述互斥元素是指不能同時存在的兩個或多個元素。[0045]根據(jù)本發(fā)明提供的一種基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法，所述基于所述有效靜態(tài)場景集合進(jìn)行自動駕駛測試的步驟包括：[0046]排除所述有效靜態(tài)場景集合中，不滿足實(shí)車測試條件的靜態(tài)場景，得到實(shí)車有效[0047]針對設(shè)定的元素，在所述實(shí)車有效靜態(tài)場景集[0048]提取包括所述元素且復(fù)雜度最高的靜態(tài)場景作為第一集合；[0049]提取包括所述元素且復(fù)雜度最低的靜態(tài)場景作為第二集合；[0050]基于所述第一集合和所述第二集合執(zhí)行實(shí)車自動駕駛測試。[0051]根據(jù)本發(fā)明提供的一種基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法，所述基于所述有效靜態(tài)場景集合進(jìn)行自動駕駛測試的步驟包括：[0052]針對設(shè)定的元素，在所述有效靜態(tài)場景集合中：[0053]提取包括所述元素且復(fù)雜度最高的M,個靜態(tài)場景作為第三集合；[0054]隨機(jī)抽樣M?個包括所述元素且不屬于所述第三集合的靜態(tài)場景作為第四集合；其[0055]基于所述第三集合和所述第四集合執(zhí)行仿真自動駕駛測試。[0056]本發(fā)明還提供一種基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建系統(tǒng)，包括：8[0058]復(fù)雜度模塊，用于將所述靜態(tài)場景輸入復(fù)雜度模型，得到所述靜態(tài)場景的復(fù)雜度；[0059]測試模塊，用于根據(jù)所述復(fù)雜度選取設(shè)定數(shù)量的靜態(tài)場景構(gòu)成有效靜態(tài)場景集合，基于所述有效靜態(tài)場景集合進(jìn)行自動駕駛測試，并得到測試結(jié)論；[0060]所述復(fù)雜度模型的輸入量包括元素屬性評價值、元素權(quán)重以及元素信息量；所述元素是指所述設(shè)計運(yùn)行域ODD的構(gòu)成元素；所述元素包括環(huán)境元素、道路元素或者交通參與者元素；[0061]所述屬性評價值是根據(jù)所述元素的物理參數(shù)確定的；[0062]所述權(quán)重是根據(jù)判斷矩陣計算得到的；所述判斷矩陣是根據(jù)所述元素對自動駕駛模型中功能單元的影響量化值，兩兩比較確定的；[0063]所述信息量與所述元素在同類別元素中出現(xiàn)的概率負(fù)相關(guān)。[0064]本發(fā)明還提供一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運(yùn)行的計算機(jī)程序，所述處理器執(zhí)行所述程序時實(shí)現(xiàn)如上述任一種所述基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法的步驟。[0065]本發(fā)明還提供一種非暫態(tài)計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，該計算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)如上述任一種所述基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法的步驟。[0066]本發(fā)明還提供一種計算機(jī)程序產(chǎn)品，包括計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)如上述任一種所述基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法的步驟。[0067]本發(fā)明提供的基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法和系統(tǒng)，通過組成設(shè)計運(yùn)行域ODD的元素屬性評價值、元素權(quán)重以及元素信息量構(gòu)建復(fù)雜度模型，并以基于復(fù)雜度模型獲得的靜態(tài)場景復(fù)雜度選取有效靜態(tài)場景執(zhí)行自動駕駛測試，能夠得到更為客觀可靠的有效靜態(tài)場景結(jié)果，并進(jìn)一步使得基于有效靜態(tài)場景進(jìn)行的自動駕駛測試具有更高的測試效率。附圖說明[0068]為了更清楚地說明本發(fā)明或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。[0069]圖1是本發(fā)明提供的基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法的流程示意[0070]圖2是本發(fā)明實(shí)施例提供的復(fù)雜度模型的結(jié)構(gòu)示意圖；[0071]圖3是本發(fā)明實(shí)施例提供的元素屬性評價值確定過程中所述元素物理參數(shù)的示意[0072]圖4是本發(fā)明實(shí)施例提供的權(quán)重計算的流程示意圖；[0073]圖5是本發(fā)明實(shí)施例提供的仿真隨機(jī)抽樣排序場景組合示意圖；[0074]圖6是本發(fā)明實(shí)施例提供的實(shí)車隨機(jī)抽樣排序場景組合示意圖；[0075]圖7是本發(fā)明提供的基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建系統(tǒng)的結(jié)構(gòu)示意9[0076]圖8是本發(fā)明提供的電子設(shè)備的結(jié)構(gòu)示意圖。[0077]附圖標(biāo)記：[0078]1:組合場景模塊；[0079]2:復(fù)雜度模塊；[0080]3:測試模塊；[0081]810:處理器；[0082]820:通信接口；[0083]830:存儲器；[0084]840:通信總線。具體實(shí)施方式[0085]為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明中的附圖，對本發(fā)明中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。[0086]下面結(jié)合圖1-圖6描述本發(fā)明的基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法。[0087]如圖1所示，本發(fā)明實(shí)施例提供一種基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方[0088]步驟102,在設(shè)定的場景約束下，組合設(shè)計運(yùn)行域ODD形成靜態(tài)場景；[0089]步驟104,將所述靜態(tài)場景輸入復(fù)雜度模型，得到所述靜態(tài)場景的復(fù)雜度；[0090]步驟106,根據(jù)所述復(fù)雜度選取設(shè)定數(shù)量的靜態(tài)場景構(gòu)成有效靜態(tài)場景集合，基于所述有效靜態(tài)場景集合進(jìn)行自動駕駛測試，并得到測試結(jié)論；[0091]所述復(fù)雜度模型的輸入量包括元素屬性評價值、元素權(quán)重以及元素信息量；所述元素是指所述設(shè)計運(yùn)行域ODD的構(gòu)成元素；所述元素包括環(huán)境元素、道路元素或者交通參與者元素；[0092]所述屬性評價值是根據(jù)所述元素的物理參數(shù)確定的；[0093]所述權(quán)重是根據(jù)判斷矩陣計算得到的；所述判斷矩陣是根據(jù)所述元素對自動駕駛模型中功能單元的影響量化值，兩兩比較確定的；[0094]所述信息量與所述元素在同類別元素中出現(xiàn)的概率負(fù)相關(guān)。是指直道、坡道、彎道等；所述交通參與者元素是指貨車、家用車等。[0096]所述場景約束包括：[0097]構(gòu)成靜態(tài)場景的設(shè)計運(yùn)行域ODD組合中包括至少一個環(huán)境元素和至少一個道路元[0098]構(gòu)成靜態(tài)場景的設(shè)計運(yùn)行域ODD組合中的元素集合滿足預(yù)設(shè)的道路工程設(shè)計標(biāo)[0099]構(gòu)成靜態(tài)場景的設(shè)計運(yùn)行域ODD組合中不存在互斥元素；所述互斥元素是指不能同時存在的兩個或多個元素，即互斥是指物理空間中不存在的組合，比如白天和夜晚不能組合，比如隧道和匝道不能組合。[0100]在一個優(yōu)選的實(shí)施方式中：[0101]所述基于所述有效靜態(tài)場景集合進(jìn)行自動駕駛測試的步驟包括：[0102]排除所述有效靜態(tài)場景集合中，不滿足實(shí)車測試條件的靜態(tài)場景，得到實(shí)車有效靜態(tài)場景集合；[0103]針對設(shè)定的元素，在所述實(shí)車有效靜態(tài)場景集合中：[0104]提取包括所述元素且復(fù)雜度最高的靜態(tài)場景作為第一集合；[0105]提取包括所述元素且復(fù)雜度最低的靜態(tài)場景作為第二集合；[0106]基于所述第一集合和所述第二集合執(zhí)行實(shí)車自動駕駛測試。[0107]所述基于所述有效靜態(tài)場景集合進(jìn)行自動駕駛測試的步驟還包括：[0108]針對設(shè)定的元素，在所述有效靜態(tài)場景集合中：[0109]提取包括所述元素且復(fù)雜度最高的M?個靜態(tài)場景作為第三集合；[0110]隨機(jī)抽樣M?個包括所述元素且不屬于所述第三集合的靜態(tài)場景作為第四集合；其[0111]基于所述第三集合和所述第四集合執(zhí)行仿真自動駕駛測試。[0112]本實(shí)施例的有益效果在于：[0113]通過組成設(shè)計運(yùn)行域ODD的元素屬性評價值、元素權(quán)重以及元素信息量構(gòu)建復(fù)雜度模型，并以基于復(fù)雜度模型獲得的靜態(tài)場景復(fù)雜度選取有效靜態(tài)場景執(zhí)行自動駕駛測試，能夠得到更為客觀可靠的有效靜態(tài)場景結(jié)果，并進(jìn)一步使得基于有效靜態(tài)場景進(jìn)行的自動駕駛測試具有更高的測試效率。[0114]根據(jù)上述實(shí)施例，在本實(shí)施例中：[0115]所述環(huán)境元素包括白天、黎明、黃昏、夜晚、雨以及霧；所述環(huán)境元素的屬性評價值是基于光照強(qiáng)度和能見度確定的。[0116]所述交通參與者元素包括貨車和/或家用車；所述交通參與者元素的屬性評價值是基于尺寸、材質(zhì)以及顏色確定的。[0117]所述道路元素包括直道、坡道以及彎道；所述道路元素的屬性評價值是基于車道曲率、車道坡度和停車視距確定的。[0118]在一個優(yōu)選的實(shí)施方式中，所述復(fù)雜度模型的構(gòu)建是基于層次分析實(shí)現(xiàn)的，如圖2所示。[0119]靜態(tài)場景組合分為三層，底層為每個分類下的odd元素(即組合構(gòu)成所述設(shè)計運(yùn)行域ODD的元素),中間層為場景分類，共同構(gòu)成了頂層靜態(tài)場景的可選組合。靜態(tài)場景模型將分為內(nèi)部評價模型和外部調(diào)整因子，每個場景組合的復(fù)雜度將由內(nèi)部評價模型和外部調(diào)整因子相乘得到。根據(jù)層次結(jié)構(gòu)會分層的特性，內(nèi)部模型將分別對底層及中間層進(jìn)行評價。底層將對odd元素組合的屬性評價，中間層應(yīng)用層次分析法對自動駕駛系統(tǒng)模塊評價得到權(quán)重，并把兩層得到的結(jié)果相乘。得到了基于實(shí)際道路研究出的理論場景模型，即內(nèi)部模型?？紤]到層次分析法有一定的主觀因素存在，引用貝葉斯思想將實(shí)際元素發(fā)生的概率加入模型。實(shí)際道路行駛時，出現(xiàn)概率越大的元素反而會降低場景的復(fù)雜度，選擇信息量作為調(diào)整因子。相比于其他靜態(tài)場景復(fù)雜度的模型，此模型對于中間層權(quán)重計算更為精確，同時引入實(shí)際概率將模型從理論帶入實(shí)際應(yīng)用。[0120]進(jìn)一步地，對于所述復(fù)雜度模型的元素屬性評價值說明如下。[0121]在模型的最底層，忽略每個元素對汽車駕駛功能的挑戰(zhàn)，只考慮每個odd元素的屬性本身對場景復(fù)雜度的影響。評價基于道路規(guī)范要求中每個odd元素設(shè)定的屬性范圍，進(jìn)行通參與者考慮三維尺寸；環(huán)境考慮光強(qiáng)和能見度等，如圖3所示。[0122]本實(shí)施例的有益效果在于：[0123]通過元素屬性評價值，能夠更為客觀的給出靜態(tài)場景的復(fù)雜度。[0125]所述復(fù)雜度模型滿足：由第i個所述元素在同類別元素中出現(xiàn)的概率p取對數(shù)得到；i是閉區(qū)間[1,M]內(nèi)的整數(shù)，表示所述元素的序號。[0127]所述判斷矩陣的行數(shù)與列數(shù)相等；所述判斷矩陣第j行、第k列的元素aj,k滿足：應(yīng)元素對自動駕駛模型中功能單元的影響量化值。[0132]式中，W是判斷矩陣第x行的元素權(quán)重；n的取值與所述判斷矩陣的行數(shù)和列數(shù)相[0133]所述自動駕駛模型的功能單元包括感知單元、規(guī)劃控制單元以及定位單元。[0134]所述元素對自動駕駛模型中功能單元的影響量化值是指：[0135]第一場景下所述功能單元的任務(wù)執(zhí)行結(jié)果，與第二場景下所述功能單元的任務(wù)執(zhí)行結(jié)果的差值；[0136]所述第一場景為設(shè)定的標(biāo)準(zhǔn)場景；所述第二場景為以所述元素替換標(biāo)準(zhǔn)場景中的對應(yīng)元素得到的場景；[0137]在一個優(yōu)選的實(shí)施方式中，所述標(biāo)準(zhǔn)場景包括白天、高速、直道；所述第二場景是以所述元素替換標(biāo)準(zhǔn)場景中同類別的元素得到的場景，例如以黎明替換白天，得到黎明、高[0138]所述功能單元的任務(wù)執(zhí)行結(jié)果包括：[0139]感知單元的目標(biāo)分類結(jié)果、距離檢測結(jié)果以及尺寸檢測結(jié)果；[0140]規(guī)劃控制單元執(zhí)行橫向控制和/或縱向控制時的附著系數(shù)；以及，[0141]定位單元的定位精度和定位穩(wěn)定性。[0142]下面將從原理的角度對本實(shí)施例中的權(quán)重進(jìn)行說明。[0143]層次分析法是指將與決策總是有關(guān)的元素分解成目標(biāo)、準(zhǔn)則、方案等層次在此基礎(chǔ)上進(jìn)行定性和定量分析的方法。主要通過判斷矩陣對不同因素的重要性程度計算權(quán)重，通過比較權(quán)重選擇最終方案。層次分析法在確定各層次因素的權(quán)重時，如果是定性的結(jié)果，往往不易被人接受，因而本實(shí)施例采用一致矩陣法，即不把因素放在一起比較，而是兩兩相互比較，盡可能減少不同性質(zhì)的元素比較的困難，以提高準(zhǔn)確度。[0144]參考層次分析法中間層權(quán)重計算方法，作為中間層計算權(quán)重的基礎(chǔ)，并在實(shí)際模型構(gòu)建中對上述方法進(jìn)行優(yōu)化。傳統(tǒng)判斷矩陣對每兩個odd元素相互比較，但對于自動駕駛道路復(fù)雜度的比較太過困難且主觀性過強(qiáng)，因此在實(shí)際應(yīng)用中，將每個元素放在同一個維度進(jìn)行比較。首先，為每個odd元素對自動駕駛系統(tǒng)復(fù)雜度影響的三個模塊(perception/感傳統(tǒng)的1-9取值法，本實(shí)施例模型只采用1、3、5取值法以降低主觀性，取能影響較小，取值為3:表示對模塊功能影響中等，取值為5表示對模塊功能影響較大。為提高模型權(quán)重的準(zhǔn)確性，對每個元素各功能影響的評價取平均，而后采用精確取值法，結(jié)果保留到小數(shù)點(diǎn)第二位。經(jīng)此步驟，可以省略傳統(tǒng)判斷矩陣計算的元素一致性判斷過程。元素間評價得分的差值作為判斷矩陣中每兩個元素對道路復(fù)雜度影響的差值，如果差值為0,填入1.如果差值為正，差值+1填入矩陣，如果差值為負(fù)，差值-1之后取正數(shù)部分的倒數(shù)填入矩陣中。通過矩陣計算即可得到每個元素的復(fù)雜度權(quán)重，如圖4所[0145]本實(shí)施例的有益效果在于：[0146]通過引入判斷矩陣的具體確定方法和權(quán)中的具體計算方案，能夠在上述實(shí)施例的基礎(chǔ)上，更為客觀的給出靜態(tài)場景的復(fù)雜度。[0148]確定存在自動駕駛統(tǒng)計數(shù)據(jù)，則所述元素在同類別元素中出現(xiàn)的概率是基于所述自動駕駛統(tǒng)計數(shù)據(jù)得到的；[0149]確定不存在自動駕駛統(tǒng)計數(shù)據(jù)，則設(shè)定同類別元素中每個元素出現(xiàn)的概率相等。[0150]信息量是用來衡量信息多少的量度。以概率取對數(shù)的形式表現(xiàn)。[0151]在不存在經(jīng)驗(yàn)概率和先驗(yàn)概率的前提下，可以假設(shè)每個類別下元素的概率相同，并在此基礎(chǔ)上迭代統(tǒng)計獲取經(jīng)驗(yàn)概率和/或先驗(yàn)概率。[0152]本實(shí)施例的有益效果在于：[0153]考慮到層次分析法有一定的主觀因素存在，引用貝葉斯思想將實(shí)際元素發(fā)生的概率加入模型。實(shí)際道路行駛時，出現(xiàn)概率越大的元素反而會降低場景的復(fù)雜度，選擇信息量作為調(diào)整因子。相比于其他靜態(tài)場景復(fù)雜度的模型，此模型對于中間層權(quán)重計算更為精確，同時引入實(shí)際概率將模型從理論帶入實(shí)際應(yīng)用。[0154]根據(jù)上述任一實(shí)施例，本實(shí)施例將通過舉例計算的方式說明復(fù)雜度模型的計算過[0156]以單個環(huán)境要素為例子，詳細(xì)說明我們的方法論(根據(jù)實(shí)際情況的不同，不同的汽車影響屬性的不同，會有一定的區(qū)別)。根據(jù)環(huán)境的屬性，我們分別考慮光照強(qiáng)度和能見度元素光照強(qiáng)度光強(qiáng)評價能見度能見度評價綜合屬性評價白天112黎明224黃昏325雨448planning&control和localization進(jìn)行評價。Perception會考慮目標(biāo)分類、橫縱向距離檢測和尺寸檢測；planning&control會考慮橫向控制、縱向控制、附著系數(shù)；localization會考慮定位精度和定位穩(wěn)定性，得到下表。素感知單元評價規(guī)劃控制單元評價定位單元評價總評價白天1111黎明11黃昏11雨3[0160]構(gòu)建判斷矩陣，例如，白天和黎明相比，白天的評價為1,而黎明的評價為1.11,相差0.11為正數(shù)則加1,得到1.11。在矩陣行為黎明，列為白天的位置填寫1.11,同時，在行為白天，列為黎明的位置填寫1/1.11。黎明和雨相比，黎明的評價為1.11,而雨的評價為2.28,相差-1.17為負(fù)數(shù)即減1,得到-2.17。去掉負(fù)號取倒數(shù)，填入矩陣行為黎明，列為雨的位置2.17,在行為雨，列為黎明的位置填入1/2.17。以此類推，我們將會如下4*4的環(huán)境元素復(fù)雜度判斷矩陣。環(huán)境odd元素白天元素屬性評價黃昏雨白天1黎明1黃昏1雨1根據(jù)計算矩陣變換計算得到各元素權(quán)重，考慮信息量為log(1/6),即假設(shè)6種環(huán)境元素(白天、黎明、黃昏、夜晚、雨以及霧)的出現(xiàn)概率相同，并帶入模型得到各元素復(fù)雜度評價如下表。素權(quán)重元素屬性評價值元素復(fù)雜度白天2黎明4黃昏5雨8[0164]由上表可得各元素的單個復(fù)雜度大小，當(dāng)多元素組合時，元素復(fù)雜度將會疊加，得到組合復(fù)雜度。[0165]下面將對上述模型進(jìn)行驗(yàn)證。[0166]由于目前業(yè)內(nèi)沒有一個公認(rèn)的測試場景組合復(fù)雜度的排序，我們無法直接驗(yàn)證模型的可行性。[0167]驗(yàn)證方法有三個假設(shè)：假設(shè)了資深駕駛員對ODD組合的排序是具有說服力的，并且采取少數(shù)服從多數(shù)的原則，即：大部分資深駕駛員認(rèn)定的順序即為正確順序。在最后，定義準(zhǔn)確度在80%的模型即可證明有效性。[0168]本模型的驗(yàn)證將采用資深駕駛員評價排序來驗(yàn)證，對于得出的復(fù)雜度模型，每次隨機(jī)抽取10組，再分別對不同抽樣組合進(jìn)行資深駕駛員排序，來測試模型是否與資深駕駛員認(rèn)知相符。由于本模型驗(yàn)證了一些復(fù)雜度十分相近的模型，會導(dǎo)致在實(shí)際的排序中會帶有一定的主觀判斷誤差，當(dāng)誤差在兩個之內(nèi)時，認(rèn)為模型的排序是準(zhǔn)確的。即排序1-10中，允許兩位數(shù)字之內(nèi)的誤差。如果10個組合都符合排序誤差之內(nèi)，準(zhǔn)確模型記為1;否則，我們將記0,即為模型不夠準(zhǔn)確。計算模型的準(zhǔn)確率為準(zhǔn)確模型的數(shù)量除以總數(shù)?？紤]到專家打分的實(shí)際認(rèn)知差別和小樣本計算概率的問題，準(zhǔn)確度在80%即為合格的模型。[0169]在本次試驗(yàn)中，邀請了10位資深駕駛員。并且根據(jù)實(shí)車和仿真測試的組合數(shù)量的不同，對實(shí)車選擇抽取12次，仿真抽取30次，得到了分別的模型準(zhǔn)確為91.7%,86.7%。由此可得，復(fù)雜度模型準(zhǔn)確度很高。采用少量的抽樣次數(shù)即可得到準(zhǔn)確率較高的模型，如果增加抽樣次數(shù)，模型的準(zhǔn)確率將會更高。同時，本次排序結(jié)果可以幫助模型完成內(nèi)部修正，并且在后續(xù)的測試中，測試結(jié)果也可以反向驗(yàn)證模型。[0170]下面將對具體應(yīng)用示例進(jìn)行說明。[0171]以圖2示出的15個odd元素為基礎(chǔ)做場景組合，將會得到組合?；谏衔膶υ貜?fù)雜度的排序，將對所有有效的元素組合進(jìn)行合理篩選輸出到下游測試。[0172]篩選將基于三個基本原則和一個假設(shè)：1)道路和環(huán)境必須同時存在2)符合道路設(shè)元素的出現(xiàn)概率相同。得到所有有效元素組合之后，進(jìn)行復(fù)雜度計算和模型驗(yàn)證。根據(jù)排列組合公式，我們計算得到3270個元素組合。經(jīng)過有效性篩選，得到共787個有效的場景組合，如下為通過計算前5名和后5名場景組合復(fù)雜度如下。序odd元素1復(fù)雜度1山路雨2匝道雨3雨4山路雨5山路雨山路白天白天黎明白天[0174]實(shí)車測試，剔除掉一些無法進(jìn)行實(shí)車測試的odd元素。剩下的組合，針對每個odd元素，選取最復(fù)雜和最簡單的兩組組合進(jìn)行測試。如果通過最復(fù)雜的測試，證明我們的自動駕駛系統(tǒng)也可以安全通過復(fù)雜度高的場景組合，同時進(jìn)行復(fù)雜度最小的組合測試，也就是基礎(chǔ)測試，確保自動駕駛系統(tǒng)具備基本的功性能。[0175]仿真測試，保留所有的odd元素，針對組合中的每個odd元素，選取排名前五的組合進(jìn)行逐一測試，并且在未選中逐一測試的組合中，隨機(jī)抽樣15-20個組合進(jìn)行隨機(jī)測試。傳統(tǒng)測試專家普遍認(rèn)為，如果自動駕駛系統(tǒng)可以處理好復(fù)雜度最高的5組組合，那么也可以處理好其他不那么復(fù)雜的場景。[0176]本實(shí)施例的有益效果在于：[0177]建立靜態(tài)場景復(fù)雜度模型，來減少自動駕駛測試場景靜態(tài)元素組合數(shù)量。在實(shí)際應(yīng)用中，該方法將會減少需測試的場景組合的數(shù)量，提高測試效率。[0178]下面對本發(fā)明提供的基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建裝置進(jìn)行描述，下文描述的基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建裝置與上文描述的基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法可相互對應(yīng)參照。[0179]本發(fā)明實(shí)施例提供一種基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建系統(tǒng)，包括：[0180]組合場景模塊1,用于在設(shè)定的場景約束下，組合設(shè)計運(yùn)行域ODD形成靜態(tài)場景；[0181]復(fù)雜度模塊2,用于將所述靜態(tài)場景輸入復(fù)雜度模型，得到所述靜態(tài)場景的復(fù)雜[0182]測試模塊3,用于根據(jù)所述復(fù)雜度選取設(shè)定數(shù)量的靜態(tài)場景構(gòu)成有效靜態(tài)場景集合，基于所述有效靜態(tài)場景集合進(jìn)行自動駕駛測試，并得到測試結(jié)論；[0183]所述復(fù)雜度模型的輸入量包括元素屬性評價值、元素權(quán)重以及元素信息量；所述元素是指所述設(shè)計運(yùn)行域ODD的構(gòu)成元素；所述元素包括環(huán)境元素、道路元素或者交通參與者元素；[0184]所述屬性評價值是根據(jù)所述元素的物理參數(shù)確定的；[0185]所述權(quán)重是根據(jù)判斷矩陣計算得到的；所述判斷矩陣是根據(jù)所述元素對自動駕駛模型中功能單元的影響量化值，兩兩比較確定的；[0186]所述信息量與所述元素在同類別元素中出現(xiàn)的概率負(fù)相關(guān)。[0189]式中，0為包括M個所述元素的所述靜態(tài)場景的復(fù)雜度；λ為第i個所述元素的權(quán)素在同類別元素中出現(xiàn)的概率p;取對數(shù)得到；i是閉區(qū)間[1,M]內(nèi)的整數(shù)，表示所述元素的序號。[0190]所述自動駕駛模型的功能單元包括感知單元、規(guī)劃控制單元以及定位單元。[0191]所述元素對自動駕駛模型中功能單元的影響量化值是指：[0192]第一場景下所述功能單元的任務(wù)執(zhí)行結(jié)果，與第二場景下所述功能單元的任務(wù)執(zhí)行結(jié)果的差值；[0193]所述第一場景為設(shè)定的標(biāo)準(zhǔn)場景；所述第二場景為以所述元素替換標(biāo)準(zhǔn)場景中的對應(yīng)元素得到的場景；[0194]所述功能單元的任務(wù)執(zhí)行結(jié)果包括：[0195]感知單元的目標(biāo)分類結(jié)果、距離檢測結(jié)果以及尺寸檢測結(jié)果；[0196]規(guī)劃控制單元執(zhí)行橫向控制和/或縱向控制時的附著系數(shù)；以及，[0197]定位單元的定位精度和定位穩(wěn)定性。[0198]所述判斷矩陣的行數(shù)與列數(shù)相等；所述判斷矩陣第j行、第k列的元素aj,滿足：應(yīng)元素對自動駕駛模型中功能單元的影響量化值。[0203]式中，W是判斷矩陣第x行的元素權(quán)重；n的取值與所述判斷矩陣的行數(shù)和列數(shù)相[0204]確定存在自動駕駛統(tǒng)計數(shù)據(jù)，則所述元素在同類別元素中出現(xiàn)的概率是基于所述自動駕駛統(tǒng)計數(shù)據(jù)得到的；[0205]確定不存在自動駕駛統(tǒng)計數(shù)據(jù)，則設(shè)定同類別元素中每個元素出現(xiàn)的概率相等。是基于光照強(qiáng)度和能見度確定的。[0207]所述交通參與者元素包括貨車和/或家用車；所述交通參與者元素的屬性評價值是基于尺寸、材質(zhì)以及顏色確定的。[0208]所述道路元素包括直道、坡道以及彎道；所述道路元素的屬性評價值是基于車道曲率、車道坡度和停車視距確定的。[0209]所述場景約束包括：[0210]構(gòu)成靜態(tài)場景的設(shè)計運(yùn)行域ODD組合中包括至少一個環(huán)境元素和至少一個道路元[0211]構(gòu)成靜態(tài)場景的設(shè)計運(yùn)行域ODD組合中的元素集合滿足預(yù)設(shè)的道路工程設(shè)計標(biāo)[0212]構(gòu)成靜態(tài)場景的設(shè)計運(yùn)行域ODD組合中不存在互斥元素；所述互斥元素是指不能同時存在的兩個或多個元素。[0213]進(jìn)一步地，所述測試模塊3包括：[0214]排除所述有效靜態(tài)場景集合中，不滿足實(shí)車測試條件的靜態(tài)場景，得到實(shí)車有效靜態(tài)場景集合；[0215]實(shí)車提取子模塊，用于針對設(shè)定的元素，在所述實(shí)車有效靜態(tài)場景集合中：[0216]提取包括所述元素且復(fù)雜度最高的靜態(tài)場景作為第一集合；[0217]提取包括所述元素且復(fù)雜度最低的靜態(tài)場景作為第二集合；[0218]實(shí)車測試子模塊，用于基于所述第一集合和所述第二集合執(zhí)行實(shí)車自動駕駛測[0219]仿真提取子模塊，用于針對設(shè)定的元素，在所述有效靜態(tài)場景集合中：[0220]提取包括所述元素且復(fù)雜度最高的M?個靜態(tài)場景作為第三集合；[0221]隨機(jī)抽樣M?個包括所述元素且不屬于所述第三集合的靜態(tài)場景作為第四集合；其[0222]仿真測試子模塊，用于基于所述第三集合和所述第四集合執(zhí)行仿真自動駕駛測[0223]圖8示例了一種電子設(shè)備的實(shí)體結(jié)構(gòu)示意圖，如圖8所示，該電子設(shè)備可以包括：處理器(processor)810、通信接口(CommunicationsInterface)820、存儲器(memory)830和通信總線840,其中，處理器810,通信接口820,存儲器830通過通信總線840完成相互間的通信。處理器810可以調(diào)用存儲器830中的邏輯指令，以執(zhí)行基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法，該方法包括：在設(shè)定的場景約束下，組合設(shè)計運(yùn)行域ODD形成靜態(tài)場景；將所述靜態(tài)場景輸入復(fù)雜度模型，得到所述靜態(tài)場景的復(fù)雜度；根據(jù)所述復(fù)雜度選取設(shè)定數(shù)量的靜態(tài)場景構(gòu)成有效靜態(tài)場景集合，基于所述有效靜態(tài)場景集合進(jìn)行自動駕駛測試，并得到測試結(jié)論；所述復(fù)雜度模型的輸入量包括元素屬性評價值、元素權(quán)重以及元素信息量；所述元素是指所述設(shè)計運(yùn)行域ODD的構(gòu)成元素；所述元素包括環(huán)境元素、道路元素或者交通參與者元素；所述屬性評價值是根據(jù)所述元素的物理參數(shù)確定的；所述權(quán)重是根據(jù)判斷矩陣計算得到的；所述判斷矩陣是根據(jù)所述元素對自動駕駛模型中功能單元的影響量化值，兩兩比較確定的；所述信息量與所述元素在同類別元素中出現(xiàn)的概率負(fù)相關(guān)。[0224]此外，上述的存儲器830中的邏輯指令可以通過軟件功能單元的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時，可以存儲在一個計算機(jī)可讀取存儲介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機(jī)軟件產(chǎn)品存儲在一個存儲介質(zhì)中，包括若干指令用以使得一臺計算機(jī)設(shè)備(可以是個人計算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實(shí)施Read-0nlyMemory)、隨機(jī)存取存儲器(RAM,RandomAccessMemory)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。[0225]另一方面，本發(fā)明還提供一種計算機(jī)程序產(chǎn)品，所述計算機(jī)程序產(chǎn)品包括計算機(jī)程序，計算機(jī)程序可存儲在非暫態(tài)計算機(jī)可讀存儲介質(zhì)上，所述計算機(jī)程序被處理器執(zhí)行時，計算機(jī)能夠執(zhí)行上述各方法所提供的基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法，該方法包括：基于復(fù)雜度的自動駕駛有效靜態(tài)場景構(gòu)建方法，該方法包括：在設(shè)定的場景約束下，組合設(shè)計運(yùn)行域ODD形成靜態(tài)場景；將所述靜態(tài)場景輸入復(fù)雜度模型，得到所述靜態(tài)場景的復(fù)雜度；根據(jù)所述復(fù)雜度選取設(shè)定數(shù)量的靜態(tài)場景構(gòu)成有效靜態(tài)場景集合，基于所述有效靜態(tài)場景集合進(jìn)行自動駕駛測試，并得到測試結(jié)論；所述復(fù)雜度模型的輸入量包括元素屬性評價值、元素權(quán)重以及元素信息量；所述元素是指所述設(shè)計運(yùn)行域ODD的構(gòu)成元素；所述元素包括環(huán)境元素、道路元素或者交通參與者元素；所述屬性評價值是根據(jù)所述元素的物理參數(shù)確定的；所述權(quán)重是根據(jù)判斷矩陣計算得到的；所述判斷矩陣是根據(jù)所述元素對自動駕駛模型中功能單元的影響量化值，兩兩比較確定的；所述信息量與所述元素在同類別元素中出現(xiàn)的概率負(fù)相關(guān)。[0226]又一方面，本發(fā)明還提供一種非暫態(tài)計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，該計算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)以執(zhí)行上述各方法提供的基于復(fù)雜