基于模糊识别的自动驾驶弯道路况标记方法及存储介质技术

本发明专利技术公开了一种基于模糊识别的自动驾驶弯道路况标记方法及存储介质，通过信号预处理得到车速、横向加速度、方向转角等数值，将变量模糊化后经过基于规则语言的模糊推理，然后解模糊化后得出对道路弯曲状况的计算值，由值的大小来判断道路的弯曲程度。本发明专利技术能够快速分离出符合弯道路况场景的数据集，以满足各种弯道场景的数据标记，并用于自动驾驶仿真、算法训练等应用场景。法训练等应用场景。法训练等应用场景。

【技术实现步骤摘要】
基于模糊识别的自动驾驶弯道路况标记方法及存储介质


[0001]本专利技术属于自动驾驶
，更具体涉及一种基于模糊识别的自动驾驶弯道路况标记方法及存储介质。

技术介绍

[0002]自动驾驶技术研发过程中，需要进行大量试验获取试验事件(试验过程中发生的定义异常事件上报所包含的信号和视频文件)来验证功能的可靠性，其中，在不同路况场景下验证是确保自动驾驶功能可用的重要环节，弯道路况场景作为道路场景中出现频次最高且容易发生事故的路况场景一直以来备受重视，如何正确的标记弯道，根据标记结果形成弯道场景数据集，然后使用标记的弯道数据集对车辆行驶条件进行算法训练和仿真测试以确保所述场景下自动驾驶功能的可靠性。因此，形成具有弯道标记的路况环境数据集对于自动驾驶意义重大。
[0003]目前，已有将模糊识别算法应用在自动驾驶数据处理和规则识别方面，如我国专利CN111881032A公开了一种基于高阶软件系统和多路激光雷达设备并利用模糊测试技术来实施自动驾驶软件系统的自动化测试评估，通过模糊测试技术来实施自动驾驶软件系统的自动化测试评估，主要采用了分布式点云数据生成和测试技术，特征是能够高效进行自动化测试用例生成、自动驾驶软件系统评估以及测试报告的生成。在具体流程中使用基于模糊引导的测试数据生成、分布式技术、点云数据分析、点云格式转换、数据度量、系统评估以及报告生成技术，通过分布式架构实现大规模高效测试，并基于构建蜕变关系评估模型缺陷，最终完成对自动驾驶系统的安全度评价。虽然能够满足场景化测试用例的要求，但是要付出较高的软件和硬件成本。
[0004]综上所述，传统路况标记方法主要是通过视觉传感器来识别道路环境从而判断车辆所处的道路车道线是直线还是曲线，如FC(前视高清摄像头)传感器识别车道线来识别道路的曲线或者直线，以此来判断当前车辆所处的路况条件为弯道还是直道。但是这种识别方式对算法的要求很高，而且高度依赖车道线和周围环境，当涉及复杂变化的道路环境如雨雾天气，涉水路面或者在车道线模糊以及无车道线的地方算法识别就相当困难，其次这种识别方式对硬件设备的性能要求也很高，也造成了采集成本的增加。

技术实现思路

[0005]为解决上述问题，本专利技术提供了一种基于模糊识别的自动驾驶弯道路况标记方法及存储介质，通过车速、车辆横向加速度和方向转角三类信号融合形成模糊规则库，再通过模糊规则运算及解模糊运算输出弯道路况识别结果。
[0006]为了解决上述技术问题，本专利技术采用的技术方案是这样的：一种基于模糊识别的自动驾驶弯道路况标记方法，包括以下步骤，
[0007]S1、获取车辆在驶过弯道时的行驶状态参数；
[0008]S2、建立该行驶状态参数与弯道的弯道程度的对应关系；
[0009]S3、通过输入行驶状态参数获取弯道的弯道程度，并对该弯道进行事件标记。
[0010]作为优化，步骤S2包括，
[0011]S201、模糊化：对所述行驶状态参数及弯道的弯道程度进行模糊化处理；
[0012]S202、规则库：根据行驶状态参数与弯道程度之间的经验关系制定规则库；
[0013]S203、推理机：根据所述规则库和模糊化处理后的行驶状态参数与弯道程度建立行驶状态参数与弯道程度之间的模糊关系。
[0014]作为优化，所述行驶状态参数包括车速、横向加速度和方向转角。
[0015]作为优化，步骤S201包括，
[0016]S2011、定义所述行驶状态参数和弯道程度的基本论域；
[0017]S2012、定义所述行驶状态参数和弯道程度的量化模糊论域；
[0018]S2013、确定量化等级获取对应的语言值，和量化比例因子；
[0019]S2014、选取隶属度函数；
[0020]S2015、获取行驶状态参数和弯道程度的模糊向量。
[0021]作为优化，对应于车速的隶属度函数选取三角形函数，对应于横向加速度和方向转角的隶属度函数选取高斯函数。
[0022]作为优化，步骤S202中，根据经验关系通过模糊条件判断语句制定规则库，其中，所述规则库包括多条基于所述模糊条件判断语句的语言规则，分别对应于行驶状态参数与弯道程度之间的对应关系。
[0023]作为优化，步骤S203中，根据行驶状态参数和弯道程度的模糊向量获取其隶属矩阵，根据该隶属矩阵获取行驶状态参数与弯曲程度之间对应于每一条语言规则的模糊关系，并对各模糊关系之间进行交集、合成运算后获取行驶状态参数与弯曲程度之间的模糊关系矩阵。
[0024]作为优化，步骤S3中，根据所述模糊关系矩阵，通过行驶状态参数的隶属矩阵与模糊关系矩阵的乘积获取弯道程度的输出模糊集合。
[0025]作为优化，由所述弯道程度的输出模糊集合中按最大隶属度解模糊化公式获取一精确值，并根据该精确值对弯道程度进行事件标记。
[0026]基于上述方法，本专利技术还提供了一种存储介质，所述存储介质存储有一个或者多个程序，所述一个或者多个程序被处理器运行时，执行所述的基于模糊识别的自动驾驶弯道路况标记方法的步骤。
[0027]与现有技术相比，本专利技术具有如下优点：
[0028]本专利技术能够快速分离出符合弯道路况场景的数据集，以满足各种弯道场景的数据标记，并用于自动驾驶仿真、算法训练等应用场景。通过信号预处理得到车速、横向加速度、方向转角的数值，将变量模糊化后经过基于规则语言的模糊推理，然后解模糊化后得出对道路弯曲状况的计算值，由值的大小来判断道路的弯曲程度。
[0029]1)不需要基于图像识别算法，仅通过输入信号和模糊规则库就可以对事件数据标记出弯道路况，耗费算力小。
[0030]2)本专利技术是基于车辆信号(车速、车辆横向加速度、方向转角)和驾驶经验形成的规则库来判定弯道特征，这种基于信号的方式相对稳定可靠，确保了模糊算法输入的确定性。
[0031]3)基于经验规则库的模糊合成运算和解模糊逆运算，在不依赖于道路环境精确地数学模型条件下，可以较为全面的覆盖规则范围内的弯道场景，给出一个确定的弯道程度标记(如左急弯、左缓弯、直道，右缓弯，右急弯)，免去了人工标记的不确定性。
附图说明
[0032]图1为本专利技术的原理示意图；
[0033]图2为本专利技术的实施例工作流程示意图。
具体实施方式
[0034]下面将结合附图及实施例对本专利技术作进一步说明。
[0035]实施例：参见图1
‑
图2，
[0036]一种基于模糊识别的自动驾驶弯道路况标记方法，包括以下步骤，
[0037]S1、信号预处理：获取车辆在驶过弯道时的行驶状态参数。所述行驶状态参数包括车速、横向加速度和方向转角等。车端的信号以CAN报文格式由控制器上传到云端，报文需要在云端被处理成对应的有含义的车速(v)、车辆横向加速度(α)、方向转角(β)数值，具体的，将每一帧的CAN报文中代表车速、横向加速度、方向转角的报文通过解析矩阵解析成具有实际含义的物理量，如车速v k本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模糊识别的自动驾驶弯道路况标记方法，其特征在于，包括以下步骤，S1、获取车辆在驶过弯道时的行驶状态参数；S2、建立该行驶状态参数与弯道的弯道程度的对应关系；S3、通过输入行驶状态参数获取弯道的弯道程度，并对该弯道进行事件标记。2.根据权利要求1所述的基于模糊识别的自动驾驶弯道路况标记方法，其特征在于，步骤S2包括，S201、模糊化：对所述行驶状态参数及弯道的弯道程度进行模糊化处理；S202、规则库：根据行驶状态参数与弯道程度之间的经验关系制定规则库；S203、推理机：根据所述规则库和模糊化处理后的行驶状态参数与弯道程度建立行驶状态参数与弯道程度之间的模糊关系。3.根据权利要求1或2所述的基于模糊识别的自动驾驶弯道路况标记方法，其特征在于，所述行驶状态参数包括车速、横向加速度和方向转角。4.根据权利要求3所述的基于模糊识别的自动驾驶弯道路况标记方法，其特征在于，步骤S201包括，S2011、定义所述行驶状态参数和弯道程度的基本论域；S2012、定义所述行驶状态参数和弯道程度的量化模糊论域；S2013、确定量化等级获取对应的语言值，和量化比例因子；S2014、选取隶属度函数；S2015、获取行驶状态参数和弯道程度的模糊向量。5.根据权利要求4所述的基于模糊识别的自动驾驶弯道路况标记方法，其特征在于，对应于车速的隶属度函数选取三角形函数，对...

【专利技术属性】
技术研发人员：张晓，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：