一种基于变道场景数据的典型变道轨迹确定方法、装置及计算机存储介质制造方法及图纸

一种基于变道场景数据的典型变道轨迹确定方法、装置及计算机存储介质，涉及自动驾驶技术领域。解决了现有变道轨迹的提取技术存在的轨迹公共特征的提取率较低以及由于特征提取时考虑的因素不够充分导致获得的变道轨迹应用于自动转向控制或者自动驾驶中失去了实际落地应用的能力的问题。所述方法中，基于自动驾驶车辆采集的变道场景数据提取表征变道轨迹的参数，并基于所述参数获得轨迹表达；然后对变道轨迹进行分割成若干子轨迹；针对每条子轨迹的参数特征进行转换，汇总后获得变道轨迹数据集；针对该数据集进行聚类获得典型的变道轨迹。本发明专利技术是根据实际变道场景获得的变道轨迹，应用于自动驾驶技术领域更可靠。应用于自动驾驶技术领域更可靠。应用于自动驾驶技术领域更可靠。

【技术实现步骤摘要】
一种基于变道场景数据的典型变道轨迹确定方法、装置及计算机存储介质


[0001]本专利技术涉及自动驾驶
，具体涉及到变道场景的轨迹确定技术。

技术介绍

[0002]在自动驾驶
中，车辆行驶过程中的轨迹控制与规划是车辆可靠、安全、稳定运行的关键。而变道作为车辆行驶过程的基本动作，研究典型车辆变道轨迹对自动驾驶车辆转向控制研究以及自动驾驶功能开发具有重要作用。
[0003]目前，现有变道轨迹的提取技术一般采用线性拟合以及聚类的方法来提取典型变道轨迹，这类技术往往会忽略变道轨迹的局部变化信息，实现不了轨迹公共特征的有效提取。同时现有技术提取典型的变道轨迹是往往单单考虑车辆变道过程中位置特征信息，忽略了变道时间、车辆速度、转角等特征对变道轨迹的影响，无法有效提取具有典型特征的变道轨迹，使得研发出来自动转向控制以及自动驾驶功能不具备典型性，失去实际落地应用的能力。

技术实现思路

[0004]本专利技术解决了现有变道轨迹的提取技术存在的轨迹公共特征的提取率较低以及由于特征提取时考虑的因素不够充分导致获得的变道轨迹应用于自动转向控制或者自动驾驶中失去了实际落地应用的能力的问题。
[0005]本专利技术所述的一种基于变道场景数据的典型变道轨迹确定方法包括：
[0006]轨迹参数提取与轨迹表达的步骤：基于自动驾驶车辆采集的变道场景数据提取表征变道轨迹的参数，并基于所述参数获得轨迹表达；
[0007]变道轨迹分割步骤：将每条变道轨迹分割成N等段的N个片段，每个片段为一个子轨迹；<br/>[0008]子轨迹参数特征转换步骤：从每一个子轨迹中提取轨迹参数，并将所述轨迹参数进行特征转换，获得第m条轨迹中的第n个子轨迹的参数特征为：
[0009]TS'
mn
＝[Angel'
mn
，Speed'
mn
，Position_X'
mn
，Position_Y
m
'
n
]，
[0010]其中，Angel`
mn
表示第m条轨迹中的第n个子轨迹的方向盘转角，Speed`
mn
表示第m条轨迹中的第n个子轨迹的车速,Position_X`
mn
表示第m条轨迹中的第n个子轨迹的横向距离跨度，Position_Y`
mn
表示第m条轨迹中的第n个子轨迹的纵向距离跨度；将特征转换后的数据汇总获得变道轨迹数据集；
[0011]轨迹聚类步骤：利用k
‑
means算法对所述变道轨迹数据集进行聚类，以类中心来反应典型的轨迹特征，从而完成到典型的变道轨迹的提取与确定。
[0012]进一步地，所述表征变道轨迹的参数包括：方向盘转角Angle、车速Speed、本车纵向位置Position_X、本车横向位置Position_Y四个参数。
[0013]进一步地，所述基于所述轨迹表达为：TD＝{TR1，TR1，......，TRM}，M为所有变道
轨迹数据总量，TR1表示第1条变道轨迹，TR2表示第2条变道轨迹，......，TRM表示第M条变道轨迹。
[0014]进一步地，所述变道轨迹数据集DR为：
[0015][0016]其中：TS
11
为第1条变道轨迹中第1个轨迹片段的轨迹，以此类推；
[0017]其中第m条变道轨迹中的第n个片段的轨迹表示为：
[0018]TS
mn
＝[Cond
m,(n
‑
1)j/N+1
，Cond
m,(n
‑
1)j/N+2
，......，Cond
m,nj/N
]，
[0019]其中，1≤n≤N，1≤m≤M,其中Cond
m,(n
‑
1)j/N+1
为第m条变道轨迹中的第n个片段中时刻(n
‑
1)j/N+1的特征。
[0020]进一步地，所述Angel`
mn
是根据
[0021][0022]获得的，其中表示
[0023]＜Angel
m,(n
‑
1)j/N+1
，Angel
m,(n
‑
1)j/N+2
，......，Angel
m,nj/N
＞
[0024]中的最大值；
[0025]表示
[0026]＜Angel
m,(n
‑
1)j/N+1
，Angel
m,(n
‑
1)j/N+2
，......，Angel
m,nj/N
＞
[0027]中的最小值；
[0028]所述Speed`
mn
是通过获得的，其中：表示
[0029]＜Speed
m,(n
‑
1)j/N+1
，Speed
m,(n
‑
1)j/N+2
，......，Speed
m,nj/N
＞
[0030]中的最大值；
[0031]表示
[0032]＜Speed
m,(n
‑
1)j/N+1
，Speed
m,(n
‑
1)j/N+2
，......，Speed
m,nj/N
＞
[0033]中的最小值；
[0034]表示
[0035]＜Speed
m,(n
‑
1)j/N+1
，Speed
m,(n
‑
1)j/N+2
，......，Speed
m,nj/N
＞的均值；
[0036]Position_X`
mn
和Position_Y`
mn
是通过
[0037][0038][0039]获得的，其中：
[0040]表示
[0041]＜Position_X
m,(n
‑
1)j/N+1
，Position_X
m,(n
‑
1)j/N+2
，......，Position_X
m,nj/N
＞
[0042]中的最大值，
[0043]表示
[0044]＜Position_X
m,(n
‑
1)j/N+1
，Position_X
m,(n
‑
1)j/N+2
，......，Position_X
m,nj/N
＞
[0045]中的最小值，
[0046]表示
[0047]＜Position_X
m,(n...

【技术保护点】

【技术特征摘要】
1.一种基于变道场景数据的典型变道轨迹确定方法，其特征在于，所述方法包括：轨迹参数提取与轨迹表达的步骤：基于自动驾驶车辆采集的变道场景数据提取表征变道轨迹的参数，并基于所述参数获得轨迹表达；变道轨迹分割步骤：将每条变道轨迹分割成N等段的N个片段，每个片段为一个子轨迹；子轨迹参数特征转换步骤：从每一个子轨迹中提取轨迹参数，并将所述轨迹参数进行特征转换，获得第m条轨迹中的第n个子轨迹的参数特征为：TS'
mn
＝[Angel'
mn
，Speed'
mn
，Position_X'
mn
，Position_Y
′
mn
]，其中，Angel`
mn
表示第m条轨迹中的第n个子轨迹的方向盘转角，Speed`
mn
表示第m条轨迹中的第n个子轨迹的车速,Position_X`
mn
表示第m条轨迹中的第n个子轨迹的横向距离跨度，Position_Y`
mn
表示第m条轨迹中的第n个子轨迹的纵向距离跨度；将特征转换后的数据汇总获得变道轨迹数据集；轨迹聚类步骤：利用k
‑
means算法对所述变道轨迹数据集进行聚类，以类中心来反应典型的轨迹特征，从而完成到典型的变道轨迹的提取与确定。2.根据权利要求1所述的一种基于变道场景数据的典型变道轨迹确定方法，其特征在于，所述表征变道轨迹的参数包括：方向盘转角Angle、车速Speed、本车纵向位置Position_X、本车横向位置Position_Y四个参数。3.根据权利要求1所述的一种基于变道场景数据的典型变道轨迹确定方法，其特征在于，所述基于所述轨迹表达为：TD＝{TR1，TR2，......，TRM}，M为所有变道轨迹数据总量，TR1表示第1条变道轨迹，TR2表示第2条变道轨迹，......，TRM表示第M条变道轨迹。4.根据权利要求1所述的一种基于变道场景数据的典型变道轨迹确定方法，其特征在于，所述变道轨迹数据集DR为：其中：TS
11
为第1条变道轨迹中第1个轨迹片段的轨迹，以此类推；其中第m条变道轨迹中的第n个片段的轨迹表示为：TS
mn
＝[Cond
m,(n
‑
1)j/N+1
，Cond
m,(n
‑
1)j/N+2
，......，Cond
m,nj/N
]，其中，1≤n≤N，1≤m≤M,其中Cond
m,(n
‑
1)j/N+1
为第m条变道轨迹中的第n个片段中时刻(n
‑
1)j/N+1的特征。5.根据权利要求1所述的一种基于变道场景数据的典型变道轨迹确定方法，其特征在于，所述Angel`
mn
是根据获得的，其中表示＜Angel
m,(n
‑
1)j/N+1
，Angel
m,(n
‑
1)j/N+2
，......，Angel
m,nj/N
＞中的最大值；表示
＜Angel
m,(n
‑
1)j/N+1
，Angel
m,(n
‑
1)j/N+2
，......，Angel
m,nj/N
＞中的最小值；所述Speed`
mn
是通过获得的，其中：表示＜Speed
m,(n
‑
1)j/N+1
，Speed
m,(n
‑
1)j/N+2
，......，Speed
m,nj/N
＞中的最大值；表示＜Speed
m,(n
‑
1)j/N+1
，Speed
m,(n
‑
1)j/N+2
，......，Speed
m,nj/N
＞中的最小值；表示＜Speed
m,(n
‑
1)j/N+1
，Speed
m,(n
‑
1)j/N+2
，......，Speed
m,nj/N
＞的均值；Position_X`
mn
和Position_Y`
mn
是通过是通过获得的，其中：表示＜Position_X
m,(n
‑
1)j/N+1
，Position_X
m,(n
‑
1)j/N+2
，......，Position_X
m,nj/N
＞中的最大值，表示＜Position_X
m,(n
‑
1)j/N+1
，Position_X
m,(n
‑
1)j/N+2
，......，Position_X
m,nj/N
＞中的最小值；表示＜Position_X
m,(n
‑
1)j/N+1
，Position_X
m,(n
‑
1)j/N+2
，......，Position_X
m,nj/N
＞中的最大值，表示＜Position_X
m,(n
‑
1)j/N+1
，Position_X
m,(n
‑
1)j/N+2
，......，Position_X
m,nj/N
＞中的最小值。6.根据权利要求1所述的一种基于变道场景数据的典型变道轨迹确定方法，其特征在于，所述利用k
‑
means算法对所述变道轨迹数据集进行聚类，以类中心来反应典型的轨迹特征的方法为：从特征转换的轨迹特征变道轨迹数据集中随机选择k个样本作为初始的k个质心向量：{μ1，μ2，...，μ
k
}；重复下列过程直至收敛：A)将类簇划分为Cj,j＝1,2,3,
…
,k，k为类簇总数；B)针对每一条变道轨迹TRi到各个质心
μ
j
，j＝1，2，3，...，k，其中i＝1,2,3,
…
,M，然后进一步获得各个质心间的距离d
ij
，将TRi类别标注为最小dij所对应的Cj；对于j＝1，2，3，...，k，对C
j
中所有的变道轨迹数据重新计算新的质心；如果所有的k个质心向量未发生变化，表示数据收敛，则转到下一步骤，否则返回步骤A)继续；获得C＝{C1,C2,
…
,Ck}以及对应质心{μ1，μ2，...，μ
k
}，所述质心即为本发明所提取的典型的变道轨迹特征。7.根据权利要求6所述的一种基于变道场景数据的典型变道轨迹确定方法，其特征在于，所述各个质心间的距离d
ij
是通过下述方法获得的：a)首先定义方向盘转角、车速、本车纵向位置、本车横向位置特征的权重向量为：W＝{W
Angel
，W
Speed
，W
Position_X
，W
Position_Y
}其中：各个特征的权重取值均大于或等于零并且满足W
Angel
+W
Speed
+W
Position_X
+W
Position_Y
＝1，b)计算两轨迹之间的距离，假设待计算的两个轨迹分...

【专利技术属性】
技术研发人员：张建军，郑建明，覃斌，张宇飞，刘迪，
申请(专利权)人：中国第一汽车股份有限公司，
类型：发明
国别省市：