无人驾驶车辆集环境感知、认知、决策规划和驾驶控制等功能于一体,能够自主、安全、可靠地在特定环境下行驶。无人驾驶车辆智能行为的测试与评价是国家自然科学基金委重大研究计划“视听觉信息的认知计算”(简称重大研究计划)的一项重要研究内容。目前,我国对无人驾驶车辆的智能驾驶行为能力的测试与评价主要是通过举办“中国智能车未来挑战赛”开展相关研究工作的。　　 众所周知,无人驾驶车辆的智能驾驶行为是受其感知、认知、决策、控制及相关自然环境等多种因素共同作用的结果,其中认知能力是体现无人驾驶车辆智能行为能力的一个重要方面。对无人驾驶车辆认知能力测试与评价的研究也是该重大研究计划的一项主要工作。本文拟开展无人驾驶车辆认知能力测试设计及其评价方法方面的研究工作,希望能推动无人驾驶车辆智能测试与评价及其相关技术的快速发展。　　 首先介绍了本论文的整体研究思路:从交通场景认知和交通现象认知两个角度设计了无人驾驶车辆认知能力的测试方案,提出了交通标志认知能力和泊车认知能力两项测试内容,选取了评价指标,并对其进行了评价。交通系统中的交通标志共有七大类,本文将其认知能力测试分为图像特征的分辨性能测试和分类算法的分类性能测试两种,每种测试进一步又分为类间交通标志识别测试和类内交通标志识别测试。对于泊车认知能力测试,本文通过改变无人驾驶车辆与泊车位之间的方向和位置关系,来测试无人驾驶车辆的泊车认知能力。在评价研究方面,基于上述两项测试内容,通过比较多种不同的评价算法,本文选取模糊TOPSIS评价方法对无人驾驶车辆认知能力进行评价,并对该方法进行了改进,将改进后的方法与机器智能测试中常用到的Sugeno模糊积分评价方法进行比较,从而验证本文改进的模糊TOPSIS评价方法在无人驾驶车辆认知能力评价方面的有效性。　　 其次,测试了无人驾驶车辆的交通标志认知能力。在模式识别研究中,通常采用的交通标志识别能力评价指标包括识别正确率、训练时间、分类时间等,本文设计了基于GTSB交通标志数据库的类间测试和类内测试。在类间和类内测试中,测试了基于One-Against-One SVM分类器和One-Against-All SVM分类器分别对不同的图像特征的交通标志的识别能力,并用混淆矩阵分析了基于不同图像特征的两种SVM分类器对不同交通标志的识别能力。然后在类间和类内两项测试的基础上,进一步选取了未训练情况识别正确率作为对常用指标的补充,为后续的评价提供了基础。接着还探讨了可能的10余种指标,并验证了其有效性。　　 再次,测试了无人驾驶车辆的泊车认知能力。采用本文提出的泊车控制算法,通过改变无人驾驶车辆与泊车位之间的相对方向和位置,测试了无人驾驶车辆的泊车认知能力。选取了三种指标(泊车时间、泊车结束后车辆中心位置与泊车位中心位置的距离、泊车轨迹的平滑程度),并验证了其有效性,为后续的评价提供了基础。　　 然后,评价了无人驾驶车辆的认知能力。本文对模糊TOPSIS评价方法进行了改进:在研究模糊数计算方法的基础上,对传统三角模糊数的距离计算公式进行了简化计算,并将简化后的三角模糊数计算方法引入到模糊TOPSIS评价方法中。在上述测试内容研究与评价指标选取的基础上,运用本文改进的模糊TOPSIS评价方法评价了无人驾驶车辆的综合认知能力;然后从改变模糊数距离计算方法和指标权重值两个方面进一步研究其认知能力;最后将无人驾驶车辆认知能力的评价结果与机器智能测试中常用到的Sugeno模糊积分评价方法评价的结果进行了对比,得到不同的无人驾驶车辆认知能力排名,并对得到的评价结果进行了分析。　　 最后,总结了本论文的研究内容和成果,并对下一步工作进行展望。