智能汽车蓬勃发展，已经成长为最热的行业风口之一，尤其是智能驾驶，有望创造新的产业神话。但是，如何正确量化智能驾驶的功能边界，准确评估智能汽车的智能驾驶水平，行业内仍缺乏行之有效的评价方法。本项目通过对比分析汽车的智能驾驶功能，建立智能驾驶功能测试流程，开展车辆智能驾驶功能测试，并形成一个可复现、可量化的功能评分体系，同时结合用户用车场景，构建一个相对符合实际的评分计算模型，以对用户理解并有效评价智能驾驶提供充分的量化辅助作用，可为今后汽车企业搭建宝贵的数据交流平台提供基础支撑，也有望推动智能驾驶的积极正向发展与良性竞争。

完成新能源汽车智能驾驶功能测试流程设计，参与企业的实验测试，研究分析智能驾驶功能策略及参数对智能驾驶性能的影响机制；建立一个可复现、可量化的智能驾驶功能评分体系，并搭建一个相对符合实际的评分计算模型，可根据实际情况进行系数适配与优化，为汽车企业针对智能驾驶的研发提供辅助工具。

基于yolo模型，结合kitti 数据集，建立车辆行驶场景视觉检测模型，分析场景目标位置、种类、距离、场景复杂度等参数，为智驾功能评分提供参考。

采用resnet18+LSTM+MLP网络搭建智能驾驶安全评价视频回归模型。模型在测试集上实现MSE=2.32、R²=0.54，预测评分与真实评分的Pearson相关系数达0.732。

多模态输入的Bradley-Terry模型，通过对视频分支采用了3D卷积网络，对传感器分支采用了双向LSTM网络，成功预测的数量6/8，平均误差值为0.74分，偏好预测准确率为85.71%，舒适度预测效果优良。