基于自然驾驶实验的智能汽车交通场景事件链重构方法技术

本发明专利技术涉及一种基于自然驾驶实验的智能汽车交通场景事件链重构方法，具体包括以下步骤：S1、基于自然驾驶实验，获取主体车辆及主体车辆的周围车辆的行驶数据，并标记周围车辆；S2、根据时空边界，以及主体车辆与标记的周围车辆的相对关系，获取原始的交通参与者事件链；S3、确定主体车辆与周围车辆的处理优先级，对原始的交通参与者事件链进行分层处理，得到主体车辆和周围车辆的数据检测故障；S4、根据主体车辆和周围车辆的数据检测故障，通过数据驱动与模型驱动的方法进行数据修复，重构交通参与者事件链，实现对交通场景的复现。与现有技术相比，本发明专利技术具有场景复原的精度较高、有效解决事件链数据中数据缺失、数据精度不足的问题等优点。问题等优点。问题等优点。

【技术实现步骤摘要】
基于自然驾驶实验的智能汽车交通场景事件链重构方法


[0001]本专利技术涉及智能汽车与智慧交通领域，尤其是涉及一种基于自然驾驶数据，整合数据驱动和模型驱动的数据修复方法对交通场景中交通参与者的事件链数据进行重构的方法。

技术介绍

[0002]智能驾驶技术对交通安全的提升和交通拥堵的防治等方面具有巨大的发展潜力，基于智能驾驶技术的智能汽车具有广阔的市场前景。然而智能汽车在现实世界行驶需要应对各种复杂的交通场景，因此在量产上路之前必须经过严格的测试以确保其车辆安全运行。
[0003]智能驾驶汽车测试过程中面临重大挑战，传统的实车实地测试耗费巨大的资金及时间成本。因此，虚拟测试成为一种必要的智能驾驶汽车测试方法。由于虚拟测试往往在仿真平台上进行，相比于实车实地测试，能够更好的保证测试的安全性，并且大大降低测试的资金和时间成本。同时，可以通过设计不同的测试方案，实现定制化测试。结合不同的加速测试方法，虚拟测试能够实现高测试里程的覆盖，大大提高了测试的效率。
[0004]现有的虚拟测试往往是基于距离的测试，但其只考虑了驾驶距离，而忽略了驾驶过程中可能遇到的各类场景。由于现实生活中高危场景的出现频率较低，基于距离的测试对高危场景的测试往往不足，从而导致测试算例浪费在低挑战性的驾驶功能上，无法保证智能汽车能够应对各类驾驶场景。因此，智能驾驶汽车的测试需要实现基于场景的测试，保证在测试过程中能够覆盖各类现实生活中可能遇到的驾驶场景，同时实现测试结果可迁移。
[0005]为了能够真实的反映交通运行状态，基于自然驾驶实验和道路测试的场景采集方法是目前接受度高且较为合理的采集方法。相比于基于事故数据的方法以及基于驾驶模拟器采集数据的方法，该方法能够采集到更多周围交通参与者的数据，且所有交通场景都来自真实驾驶环境。但由于检测设备、通信系统、环境因素等原因，自然驾驶实验采集到的驾驶数据往往存在一定程度的错误，比如无法自动识别并标记检测对象，由于雷达检测范围以及检测时长有限而带来的数据缺失、检测设备精度不足带来的数据误差、雷达对检测目标的错误识别带来的重复检测等问题。由于数据检测问题在很大程度上影响了场景还原的效果，因此，需要对采集到的原始数据进行修复和重构。考虑到不同的交通参与者在场景中发挥的作用不同，在进行数据重构时需要考虑处理的优先级，优先处理对场景具有重要影响的车辆。为了进一步判别周围车辆的横向抖动是由于车辆位移还是检测误差造成，加入视频图像处理的方法进行辅助判别。同时，不同类型的数据检测问题之间修复难度差异较大，对于数据缺失和精度不足等修复难度较低的数据检测问题，可以通过插值、平滑等数据驱动的修复方法，但对于雷达漏检、错检造成的车辆数据缺失、重复检测等问题，无法通过简单的数据修复方法解决，因此，在进行事件链修复的过程中需要考虑车辆之间的交互作用，利用微观交通流与车辆运动学的相关知识辅助还原真实的驾驶轨迹。

技术实现思路

[0006]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于自然驾驶实验的智能汽车交通场景事件链重构方法，通过聚类算法和数据修复方法解决原始事件链数据中数据缺失、数据精度不足的问题，运用交通流模型对事件链数据进行重构，实现对真实驾驶工况发生时的交通运行状态的高精度还原。
[0007]本专利技术的目的可以通过以下技术方案来实现：
[0008]一种基于自然驾驶实验的智能汽车交通场景事件链重构方法，具体包括以下步骤：
[0009]S1、基于自然驾驶实验，获取主体车辆及主体车辆的周围车辆的行驶数据，并标记所述周围车辆；
[0010]S2、根据预设的时空边界，以及所述主体车辆与标记的周围车辆的相对关系，获取原始的交通参与者事件链；
[0011]S3、确定主体车辆和周围车辆的处理优先级，对所述原始的交通参与者事件链进行分层处理，得到主体车辆和周围车辆存在的数据检测故障；
[0012]S4、根据主体车辆和周围车辆存在的数据检测故障，通过数据驱动与模型驱动的方法进行数据修复，重构交通参与者事件链，实现对交通场景的复现。
[0013]所述步骤S1中主体车辆及主体车辆的周围车辆的行驶数据通过设置在主体车辆上的检测器采集得到。
[0014]所述主体车辆上设有雷达，步骤S1中通过Mean
‑
Shift聚类对雷达检测到的周围车辆进行聚类，并对完成聚类的周围车辆进行标记。
[0015]所述交通参与者事件链具体为以交通事件的发生时刻为参考点，包括参考点向前向后一定时间长度的时间序列数据。
[0016]所述数据检测故障包括强交互类数据检测故障和弱交互类数据检测故障。
[0017]进一步地，所述强交互类数据检测故障包括主体车辆的速度数据缺失、车道线数据缺失、数据检测精度不足(具体为横向轨迹抖动)，以及所述周围车辆的事件链数据缺失和数据检测精度不足；所述弱交互类数据检测故障包括雷达盲点造成的周围车辆数据大面积缺失、雷达检测时间短造成的事件链数据缺失率高和同一目标多次检测，具体如表1所示，表1如下：
[0018]表1事件链数据检测问题汇总表
[0019][0020]所述弱交互类数据检测故障还包括通过视频图像识别方法辅助周围车辆横向运动判别，识别与主体车辆存在交互且存在明显横向位移的周围车辆，定位周围车辆的数据检测故障。
[0021]进一步地，所述强交互类数据检测故障的数据修复难度较低，通过数据驱动的方法进行数据修复，数据驱动的方法包括对数据缺失进行插值、剔除异常值以及数据平滑。
[0022]进一步地，所述对数据缺失进行插值具体为分段线性插值，通过线性函数对数据缺失的时间段进行拟合，得到位于该区间内的任意点的插值结果(若缺失值位于数据的起始或结束时段，将其按端点值进行插补，具体公式如下所示：
[0023][0024]其中，(x0,y0)和(x1,y1)为缺失区间两个端点坐标，x为区间(x0,x1)内的任意点；
[0025]剔除异常值的具体过程为通过滑动四分位差距法和方差法确定阈值，其中滑动四分位差距法以中位数加减上下四分位值，形成两条阈值曲线，用来剔除异常值，阈值曲线的计算公式如下所示：
[0026]I
P
＝Q2+I
V
[0027]I
W
＝Q2‑
I
V
[0028]I
V
＝Q3‑
Q1[0029]其中，I
P
为上临界值，I
w
为下临界值，I
v
为四分位距，Q2为数据的中位数，Q1为数据的第一四分位数，Q3为数据的第三四分位数；
[0030]方差法通过数据的均值加减多个标准差，形成两个阈值，具体计算公式如下：
[0031]c1＝c0+n*std
[0032]c2＝c0‑
n*std
[0033]其中，c1为上临界值，c2为下临界值，c0为数据均值，std为数据标准差，n为标准差的数量；
...

【技术保护点】

【技术特征摘要】
1.一种基于自然驾驶实验的智能汽车交通场景事件链重构方法，其特征在于，具体包括以下步骤：S1、基于自然驾驶实验，获取主体车辆及主体车辆的周围车辆的行驶数据，并标记所述周围车辆；S2、根据预设的时空边界，以及所述主体车辆与标记的周围车辆的相对关系，获取原始的交通参与者事件链；S3、确定主体车辆与周围车辆的处理优先级，对所述原始的交通参与者事件链进行分层处理，得到主体车辆和周围车辆存在的数据检测故障；S4、根据主体车辆和周围车辆存在的数据检测故障，通过数据驱动与模型驱动的方法进行数据修复，重构交通参与者事件链，实现对交通场景的复现。2.根据权利要求1所述的一种基于自然驾驶实验的智能汽车交通场景事件链重构方法，其特征在于，所述步骤S1中主体车辆及主体车辆的周围车辆的行驶数据通过设置在主体车辆上的检测器采集得到。3.根据权利要求1所述的一种基于自然驾驶实验的智能汽车交通场景事件链重构方法，其特征在于，所述主体车辆上设有雷达，步骤S1中通过Mean
‑
Shift聚类对雷达检测到的周围车辆进行聚类，并对完成聚类的周围车辆进行标记。4.根据权利要求1所述的一种基于自然驾驶实验的智能汽车交通场景事件链重构方法，其特征在于，所述交通参与者事件链具体为以交通事件的发生时刻为参考点，包括参考点向前向后一定时间长度的时间序列数据。5.根据权利要求2所述的一种基于自然驾驶实验的智能汽车交通场景事件链重构方法，其特征在于，所述数据检测故障包括强交互类数据检测故障和弱交互类数据检测故障。6.根据权利要求5所述的一种基于自然驾驶实验的智能汽车交通场景事件链重构方法，其特征在于，所述强交互类数据检测故障包括主体车辆的速度数据缺失、车道线数据缺失、数据检测精度不足，以及所述周围车辆的事件链数据缺失和数据检测精度不足；所述弱交互类数据检测故障包括雷达盲点造成的周围车辆数据大面积缺失、雷达检测时间短造成的事件链数据缺失率高和同一目标多次检测。7.根据权利要求5所述的一种基于自然驾驶实验的智能汽车交通场景事件链重构方法，其特征在于，所述强交互类数据检测故障通过数据驱动的方法进行数据修复，数据驱动的方法包括对数据缺失进行插值、剔除异常值以及数据平滑。8.根据权利要求7所述的一种基...

【专利技术属性】
技术研发人员：孙剑，李宇迪，田野，奚浩晨，周东浩，蒙艺玮，籍庆辉，
申请(专利权)人：上海汽车集团股份有限公司，
类型：发明
国别省市：