自动驾驶场景分类方法、装置和用于自动驾驶的系统制造方法及图纸

本申请公开了一种自动驾驶场景分类方法、装置和用于自动驾驶的系统，所述方法包括以下步骤：获取待分类场景的数据；基于所述待分类场景的数据对所述待分类场景的场景元素进行分析，得到所述待分类场景的场景特征向量；将所述场景特征向量与场景库内的已有场景特征向量进行匹配，得到对所述待分类场景的分类结果。本申请的自动驾驶场景分类方法、装置和用于自动驾驶的系统具有提高场景分类效率，减少人工成本的效果。人工成本的效果。人工成本的效果。

【技术实现步骤摘要】
自动驾驶场景分类方法、装置和用于自动驾驶的系统


[0001]本申请涉及自动驾驶的
，具体而言涉及一种自动驾驶场景自动分类方法、装置和用于自动驾驶的系统。

技术介绍

[0002]随着自动驾驶技术的发展，自动驾驶研究过程中需要不断收集场景积累自己的场景库。自动驾驶每天采集到的场景数据体量较大，并且采集过程中时常发生场景的变化，数据搜集之后，需要对大量的场景进行分类，以保证每一类场景的数据能够满足日常算法的迭代开发。
[0003]相关技术中，多是靠人工的手段对自动驾驶过程中遇到的场景进行分类，以形成分类的场景库，每收集一个新的场景就需要人工进行分类，处理效率较低，难以满足需求。

技术实现思路

[0004]针对上述技术问题，本申请提供了一种自动驾驶场景分类方法、装置和用于自动驾驶的系统。
[0005]第一方面，本申请公开了一种自动驾驶场景分类方法，所述方法包括以下步骤：获取待分类场景的数据；基于所述待分类场景的数据对所述待分类场景的场景元素进行分析，得到所述待分类场景的场景特征向量；将所述场景特征向量与场景库内的已有场景特征向量进行匹配，得到对所述待分类场景的分类结果。
[0006]示例性地，所述场景元素包括地图元素和障碍物元素，所述基于所述待分类场景的数据对所述待分类场景的场景元素进行分析，得到所述待分类场景的场景特征向量，包括：基于所述待分类场景的数据对所述待分类场景的地图元素进行分析，得到地图特征向量；基于所述待分类场景的数据对所述待分类场景的障碍物元素进行分析，得到障碍物特征向量；基于所述地图特征向量和所述障碍物特征向量得到所述待分类场景的场景特征向量。
[0007]示例性地，所述障碍物元素包括障碍物分布元素和障碍物意图元素，所述障碍物特征向量包括障碍物分布特征向量和障碍物意图特征向量。
[0008]示例性地，所述地图特征向量包括对所述待分类场景的道路数量、每条道路的车道数量和车道类型、每条道路的非机动车辆数量进行的数值化表示。
[0009]示例性地，所述障碍物分布特征向量包括对所述待分类场景的场景中心周边是否存在障碍物的二分类表示。
[0010]示例性地，所述障碍物意图特征向量包括对所述待分类场景的场景中心周边是否会有障碍物到达的二分类表示。
[0011]示例性地，所述基于所述地图特征向量和所述障碍物特征向量得到所述待分类场景的场景特征向量，包括：将所述地图特征向量和所述障碍物特征向量合并，得到所述待分类场景的场景特征向量。
[0012]示例性地，所述待分类场景的数据包括数据包，所述基于所述待分类场景的数据对所述待分类场景的场景元素进行分析，得到所述待分类场景的场景特征向量，包括：将所述数据包进行切片处理得到至少一个时间切片数据；对每个所述时间切片数据的场景元素进行分析，得到每个所述时间切片数据的场景特征向量，作为场景特征子向量；汇总所有所述场景特征子向量，得到所述待分类场景的场景特征向量。
[0013]示例性地，所述汇总所有所述场景特征子向量，得到所述待分类场景的场景特征向量，包括：计算不同的所述场景特征子向量之间的相似度，将相似度大于第一预设阈值的所述场景特征子向量进行组合，得到场景特征子向量集合；计算所述场景特征子向量集合的中心点向量，作为所述待分类场景的场景特征向量。
[0014]示例性地，将所述场景特征向量与场景库内的已有场景特征向量进行匹配，得到对所述待分类场景的分类结果，包括：计算所述场景特征向量与所述场景库内的每个已有场景特征向量之间的相似度；当所述相似度中的最大值不小于第二预设阈值时，将所述最大值对应的已有场景特征向量作为所述待分类场景的分类结果；当所述相似度中的最大值小于所述第二预设阈值时，将所述待分类场景的场景特征向量作为新的场景特征向量加入到所述场景库中。
[0015]第二方面，本身公开了一种自动驾驶场景分类装置，所述装置包括存储器和处理器，所述存储器上存储有由所述处理器运行的计算机程序，所述计算机程序在被所述处理器运行时，使得所述处理器执行如下的自动驾驶场景分类方法：获取待分类场景的数据；基于所述待分类场景的数据对所述待分类场景的场景元素进行分析，得到所述待分类场景的场景特征向量；将所述场景特征向量与场景库内的已有场景特征向量进行匹配，得到对所述待分类场景的分类结果。
[0016]示例性地，所述场景元素包括地图元素和障碍物元素，所述基于所述待分类场景的数据对所述待分类场景的场景元素进行分析，得到所述待分类场景的场景特征向量，包括：基于所述待分类场景的数据对所述待分类场景的地图元素进行分析，得到地图特征向量；基于所述待分类场景的数据对所述待分类场景的障碍物元素进行分析，得到障碍物特征向量；基于所述地图特征向量和所述障碍物特征向量得到所述待分类场景的场景特征向量。
[0017]示例性地，所述障碍物元素包括障碍物分布元素和障碍物意图元素，所述障碍物特征向量包括障碍物分布特征向量和障碍物意图特征向量。
[0018]示例性地，所述地图特征向量包括对所述待分类场景的道路数量、每条道路的车道数量和车道类型、每条道路的非机动车辆数量进行的数值化表示。
[0019]示例性地，所述障碍物分布特征向量包括对所述待分类场景的场景中心周边是否存在障碍物的二分类表示。
[0020]示例性地，所述障碍物意图特征向量包括对所述待分类场景的场景中心周边是否会有障碍物到达的二分类表示。
[0021]示例性地，所述基于所述地图特征向量和所述障碍物特征向量得到所述待分类场景的场景特征向量，包括：将所述地图特征向量和所述障碍物特征向量合并，得到所述待分类场景的场景特征向量。
[0022]示例性地，所述待分类场景的数据包括数据包，所述基于所述待分类场景的数据
对所述待分类场景的场景元素进行分析，得到所述待分类场景的场景特征向量，包括：将所述数据包进行切片处理得到至少一个时间切片数据；对每个所述时间切片数据的场景元素进行分析，得到每个所述时间切片数据的场景特征向量，作为场景特征子向量；汇总所有所述场景特征子向量，得到所述待分类场景的场景特征向量。
[0023]示例性地，所述汇总所有所述场景特征子向量，得到所述待分类场景的场景特征向量，包括：计算不同的所述场景特征子向量之间的相似度，将相似度大于第一预设阈值的所述场景特征子向量进行组合，得到场景特征子向量集合；计算所述场景特征子向量集合的中心点向量，作为所述待分类场景的场景特征向量。
[0024]示例性地，将所述场景特征向量与场景库内的已有场景特征向量进行匹配，得到对所述待分类场景的分类结果，包括：计算所述场景特征向量与所述场景库内的每个已有场景特征向量之间的相似度；当所述相似度中的最大值不小于第二预设阈值时，将所述最大值对应的已有场景特征向量作为所述待分类场景的分类结果；当所述相似度中的最大值小于所述第二预设阈值时，将所述待分类场景的场景特征向量作为新的场景特征向量加入到所述场景库中。
[0025]第三方面，本申请本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动驾驶场景分类方法，其特征在于，所述方法包括以下步骤：获取待分类场景的数据；基于所述待分类场景的数据对所述待分类场景的场景元素进行分析，得到所述待分类场景的场景特征向量；将所述场景特征向量与场景库内的已有场景特征向量进行匹配，得到对所述待分类场景的分类结果。2.根据权利要求1所述的方法，其特征在于，所述场景元素包括地图元素和障碍物元素，所述基于所述待分类场景的数据对所述待分类场景的场景元素进行分析，得到所述待分类场景的场景特征向量，包括：基于所述待分类场景的数据对所述待分类场景的地图元素进行分析，得到地图特征向量；基于所述待分类场景的数据对所述待分类场景的障碍物元素进行分析，得到障碍物特征向量；基于所述地图特征向量和所述障碍物特征向量得到所述待分类场景的场景特征向量。3.根据权利要求2所述的方法，其特征在于，所述障碍物元素包括障碍物分布元素和障碍物意图元素，所述障碍物特征向量包括障碍物分布特征向量和障碍物意图特征向量。4.根据权利要求2所述的方法，其特征在于，所述地图特征向量包括对所述待分类场景的道路数量、每条道路的车道数量和车道类型、每条道路的非机动车辆数量进行的数值化表示。5.根据权利要求3所述的方法，其特征在于，所述障碍物分布特征向量包括对所述待分类场景的场景中心周边是否存在障碍物的二分类表示。6.根据权利要求3所述的方法，其特征在于，所述障碍物意图特征向量包括对所述待分类场景的场景中心周边是否会有障碍物到达的二分类表示。7.根据权利要求2
‑
6中的任一项所述的方法，其特征在于，所述基于所述地图特征向量和所述障碍物特征向量得到所述待分类场景的场景特征向量，包括：将所述地图特征向量和所述障碍物特征向量合并，得到所述待分类场景的场景特征向量。8.根据权利要求1所述的方法，其特征在于，所述待分类场景的数据包括数据包，所述基于所述待分类场景的数据对所述待分类场景的场景元素进行分析，得到所述待分类场景的场景特征向量，包括：将所述数据包进行切片处理得到至少一个时间切片数据；对每个所述时间切片数据的场景元素进行分析，得到每个所述时间切片数据的场景特征向量，作为场景特征子向量；汇总所有所述场景特征子向量，得到所述待分类场景的场景特征向量。9.根据权利要求8所述的方法，其特征在于，所述汇总所有所述场景特征子向量，得到所述待分类场景的场景特征向量，包括：计算不同的所述场景特征子向量之间的相似度，将相似度大于第一预设阈值的所述场景特征子向量进行组合，得到场景特征子向量集合；计算所述场景特征子向量集合的中心点向量，作为所述待分类场景的场景特征向量。
10.根据权利要求1所述的方法，其特征在于，将所述场景特征向量与场景库内的已有场景特征向量进行匹配，得到对所述待分类场景的分类结果，包括：计算所述场景特征向量与所述场景库内的每个已有场景特征向量之间的相似度；当所述相似度中的最大值不小于第二预设阈值时，将所述最大值对应的已有场景特征向量作为所述待分类场景的分类结果；当所述相似度中的最大值小于所述第二预设阈值时，将所述待分类场景的场景特征向量作为新的场景特征向量加入到所述场景库中。11.一种自动驾驶场景分类装置，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有由所述处理器运行的计算机程序，所述计算机程序在被所述处理器运行时，使得所述处理器执行如下的自动驾驶场景分类方法：获取待分类场景的数据；基于所述待分类场景的数据对所述待分类场景的场景元素进行分析，得到所述待分类场景的场景特征向量；将所述场景特征向量与场景库内的已有场景特征向量进行匹配，得到对所述待分类场景的分类结果。12.根据权利要求11所述的装置，其特征在于，所述场景元素包括地图元素和障碍物元素，所述基于所述待分类场景的数据对所述待分类场景的场景元...

【专利技术属性】
技术研发人员：潘余昌，
申请(专利权)人：九识苏州智能科技有限公司，
类型：发明
国别省市：