基于一维残差卷积自编码器的自动驾驶测试场景提取方法技术

一种基于一维残差卷积自编码器的自动驾驶测试场景提取方法，包括以下步骤：

【技术实现步骤摘要】
基于一维残差卷积自编码器的自动驾驶测试场景提取方法


[0001]本专利技术涉及自动驾驶领域，具体涉及一种基于一维残差卷积自编码器的自动驾驶测试场景提取方法
。

技术介绍

[0002]自然驾驶数据集是指若干自动驾驶汽车处于真实驾驶环境下的场景信息数据形成的数据集合
。
目前在自动驾驶汽车领域，通常利用自然驾驶数据集对自动驾驶汽车进行基于各种测试场景的仿真验证，以求在降低自动驾驶汽车测试成本的同时，仍然能够保证自动驾驶汽车在真实驾驶环境下的安全性
、
可靠性
。
[0003]而通过分析自动驾驶汽车在行驶途中采集到的自然驾驶数据，能使开发者更好地理解自动驾驶汽车处于真实驾驶环境下的行驶规律，并充分利用其中的有效信息，提取出各种真实驾驶场景的准确特征，用于自动驾驶系统的控制算法的开发验证，研究和评估自动驾驶系统的性能和局限性，以指导整个系统的优化和改进
。
[0004]目前，在自动驾驶汽车的测试场景提取领域，开始试图利用机器学习算法来自动地学习和发现数据中的规律和特征，并从中提取出真实的驾驶场景
。
例如，公开号为
CN112036297A
的
《
基于网联车辆驾驶数据的典型与极限场景划分与提取方法
》
利用孤立森林算法分割自然驾驶数据后，再通过自编码网络模型提取场景特征，最后通过
K
‑
Means
算法获得不同类型场景
。
[0005]然而，虽然这种基于机器学习的测试场景提取方法具有更好的灵活性和自适应性，但是该方法中自编码网络采用全连接层，参数量大，在数据输入维度高时极易过拟合，而且在聚类分析的过程中，忽略了不同特征之间的权重差异，极易将次要特征的影响放大，淡化重要特征的影响，使最终得到的结果不符合实际
。

技术实现思路

[0006]本专利技术的目的是针对现有技术对应的不足，提供一种基于一维残差卷积自编码器的自动驾驶测试场景提取方法，不但采用多个卷积层和池化层构成了一种新的自编码器，使用参数共享的卷积核，大幅度的减少了自编码器的参数量，加快了自编码器的训练速度
。
同时，通过引入残差模块的概念，避免了梯度消失和梯度爆炸等问题，使得深层神经网络更容易训练
。
此外，还考虑到了不同特征之间的权重差异，使最终的分类结果符合实际
。
[0007]本专利技术的目的是采用下述方案实现的：一种基于一维残差卷积自编码器的自动驾驶测试场景提取方法，包括以下步骤：
[0008]1)
获取自然驾驶数据集，对自然驾驶数据集进行预处理；
[0009]2)
在自然驾驶数据集中选取若干不同的场景数据，形成高维场景特征数据集；
[0010]3)
利用一维残差卷积自编码器对高维场景特征数据集的各个场景数据进行特征降维，形成低维特征类型数据集；
[0011]4)
分别计算低维特征类型数据集的各类特征向量对应的权重，并对低维特征类型
数据集的各类特征向量对应的特征数据进行赋权，得到赋权后的低维特征类型数据集；
[0012]5)
利用
K
‑
Means
聚类模型对赋权后的低维特征类型数据集进行聚类，得到低维特征类型数据集的场景数据分类，并编号；
[0013]6)
设置各场景类别的命名条件，根据各场景类别在高维场景特征数据集中对应的若干场景数据，对各场景类别命名
。
[0014]优选地，所述低维特征类型数据集中任一一类特征向量对应的权重的具体计算过程如下：
[0015]1)
对低维特征类型数据集中第
i
个场景数据的特征向量
j
对应的特征数据
x
i
‑
j
进行标准化处理；
[0016]2)
计算第
i
个场景数据在特征向量
j
中所占的比重：
[0017][0018]式中，
p
i
‑
j
为第
i
个场景数据在特征向量
j
中所占的比重，
x
′
i
‑
j
为标准化处理后的第
i
个场景数据的特征向量
j
对应的特征数据，
n
为低维特征类型数据集中场景数据的数量；
[0019]3)
计算特征向量
j
在低维特征类型数据集中的信息熵值
E
j
：
[0020][0021]式中，
E
j
为特征向量
j
在低维特征类型数据集中的信息熵值，
n
为低维特征类型数据集中场景数据的数量，
p
i
‑
j
为第
i
个场景数据在特征向量
j
中所占的比重；
[0022]4)
按照下列公式计算特征向量
j
的权重
w
j
：
[0023][0024]式中，
w
j
为低维特征类型数据集的特征向量
j
的权重，
s
为低维特征类型数据集中特征向量的种类数量，
E
j
为特征向量
j
在低维特征类型数据集中的信息熵值
。
[0025]优选地，对自然驾驶数据集进行预处理的方式包括数据清洗或
/
和数据滤波
。
[0026]优选地，设置时间长度阈值，在自然驾驶数据集中选取的各段场景数据的时间长度均处于时间长度阈值范围内
。
[0027]优选地，所述一维残差卷积自编码器包括一个编码器和一个解码器，所述编码器包括第一卷积层
、
第二卷积层
、
第三卷积层，以及第一瓶颈层，所述第一卷积层
、
第二卷积层之间设有第一最大池化层，所述第三卷积层
、
第一瓶颈层之间设有第二最大池化层；
[0028]所述解码器包括第一反卷积层
、
第二反卷积层
、
第三反卷积层，以及第二瓶颈层，所述第二瓶颈层
、
第一反卷积层之间设有第一上采样层，且第一上采样层与第一反卷积层之间设有第二跳跃连接点，所述第二反卷积层
、
第三反卷积层之间设有第二上采样层，且第二上采样层与第二反卷积层之间设有第一跳跃连接点；
[0029]所述编码器的输入特征由第一卷积层进入编码器，再依次经过第一最大池化层
、
第二卷积层
、
第三卷积层
、
第二最大池化层，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于一维残差卷积自编码器的自动驾驶测试场景提取方法，其特征在于，包括以下步骤：
1)
获取自然驾驶数据集，对自然驾驶数据集进行预处理；
2)
在自然驾驶数据集中选取若干不同的场景数据，形成高维场景特征数据集；
3)
利用一维残差卷积自编码器对高维场景特征数据集的各个场景数据进行特征降维，形成低维特征类型数据集；
4)
分别计算低维特征类型数据集的各类特征向量对应的权重，并对低维特征类型数据集的各类特征向量对应的特征数据进行赋权，得到赋权后的低维特征类型数据集；
5)
利用
K
‑
Means
聚类模型对赋权后的低维特征类型数据集进行聚类，得到低维特征类型数据集的场景数据分类，并编号；
6)
设置各场景类别的命名条件，根据各场景类别在高维场景特征数据集中对应的若干场景数据，对各场景类别命名
。2.
根据权利要求1所述基于一维残差卷积自编码器的自动驾驶测试场景提取方法，其特征在于，所述低维特征类型数据集中任一一类特征向量对应的权重的具体计算过程如下：
1)
对低维特征类型数据集中第
i
个场景数据的特征向量
j
对应的特征数据
x
i
‑
j
进行标准化处理；
2)
计算第
i
个场景数据在特征向量
j
中所占的比重：式中，
p
i
‑
j
为第
i
个场景数据在特征向量
j
中所占的比重，
x'
i
‑
j
为标准化处理后的第
i
个场景数据的特征向量
j
对应的特征数据，
n
为低维特征类型数据集中场景数据的数量；
3)
计算特征向量
j
在低维特征类型数据集中的信息熵值
E
j
：式中，
E
j
为特征向量
j
在低维特征类型数据集中的信息熵值，
n
为低维特征类型数据集中场景数据的数量，
p
i
‑
j
为第
i
个场景数据在特征向量
j
中所占的比重；
4)
按照下列公式计算特征向量
j
的权重
w
j
：式中，<...

【专利技术属性】
技术研发人员：刘永刚，刘帅，蔡春茂，郝金龙，龙美元，李志杰，
申请(专利权)人：重庆大学，
类型：发明
国别省市：