一种基于多样性预测的驾驶场景风险评估方法技术

本发明专利技术公开了一种基于多样性预测的驾驶场景风险评估方法，其方法为：步骤一

【技术实现步骤摘要】
一种基于多样性预测的驾驶场景风险评估方法


[0001]本专利技术涉及一种驾驶场景风险评估方法，特别涉及一种基于多样性预测的驾驶场景风险评估方法
。

技术介绍

[0002]目前，随着自动驾驶技术的不断发展，如何保证自动驾驶汽车的安全性成为制约自动驾驶技术落地的最大障碍
。
测试与评价技术也越来越得到研究者的关注
。
[0003]如何评价自动驾驶算法在场景测试时的风险性是领域内的研究热点
。
具体场景测试包含一个连续动态的测试过程，现有的风险评估主要针对单一或几个风险指标的综合，比如碰撞时间，车头时距等等，这些指标只能建立单一行驶方向上的危险评价，不能全面评估测试过程中的所有风险
。
风险场广泛用于自动驾驶决策领域中的动态风险评估，但仿真测试领域更多关注碰撞冲突相关风险，风险场难以全面体现实际场景的准确风险数值
。
利用轨迹预测的思想对场景风险进行评估，可以获取可预见的未来风险数值，对算法决策和测试具有较高的应用价值
。
然而现有方法自身存在局限性，例如，
CN202110872094.1
难以预测出真实场景下的多样性交互特征；另一方面，预测结果和场景风险难以进行深度耦合计算
。
同时，为了自动驾驶算法的整体评估以及加速测试领域的研究，需要对整体测试过程输出一个量化结果，现有方法为直接采用测试过程中的风险指标极值，比如碰撞时间的最小值，这种评价方式可以评估一个时间节点的风险值，但并不能准确评估全局过程中的自动驾驶汽车面临的风险值
。
因此，本专利提出了一种全局风险量化评估方法，可以实现整个测试过程中的场景风险评估
。

技术实现思路

[0004]本专利技术的目的是为了解决现有的驾驶场景风险评估方法不能准确评估全局过程中的自动驾驶汽车面临的风险值的问题，而提供的一种基于多样性预测的驾驶场景风险评估方法
。
[0005]本专利技术提供的基于多样性预测的驾驶场景风险评估方法，其方法包括的步骤如下：
[0006]步骤一
、
处理自然驾驶数据集，按规则提取典型交互场景，具体过程如下：
[0007]1)、
将具备潜在交互特征的有价值训练场景定义为：长时序下的双车混行场景；
[0008]2)、
针对自然驾驶数据集，设计如下场景提取规则：两辆车的行车时间都大于
30s
，且相对距离小于
40m
的连续行驶时间段超过
18s
；
[0009]步骤二
、
处理交互场景数据，构建训练数据集，具体过程如下：
[0010]处理数据，将各场景中每时刻的车辆坐标
、
速度
、
加速度作为所需数据保留，删除其他信息，进行数据归一化
、
对齐和插值的操作，便于模型识别，对预处理数据集进行划分，按7：1：2划分训练集
、
测试集
、
验证集；
[0011]步骤三
、
构建
VAE
‑
LSTM
轨迹预测网络，并进行训练，具体过程如下：
[0012]1)、
构建改进的
VAE
‑
LSTM
模型，
VAE
‑
LSTM
模型由一个
LSTM
网络
、
一个
VAE
编码器和一个
VAE
解码器组成，
LSTM
网络负责从历史轨迹中提取时空特征，
VAE
编码器负责将时空特征映射到隐变量的均值和方差，
VAE
解码器负责将隐变量映射回未来轨迹，在
VAE
编码器和解码器中，引入社会池化层，使得每个时间步长可以接收到相邻轨迹的隐变量信息，从而增强隐变量空间的多样性和连续性；
[0013]2)、
定义损失函数，包含重构损失函数和
KL
散度损失函数两部分，重构损失函数用于衡量预测轨迹和真实轨迹之间的差异，
KL
散度损失函数用于衡量隐变量和先验分布之间的差异；
[0014]3)、
设置训练所需基础参数，优化器
、
学习率
、
批大小
、
迭代次数，根据步骤二中的训练数据进行训练过程；
[0015]步骤四
、
设计风险评估算法的具体应用场景，具体过程如下：
[0016]针对具体场景测试过程，设计典型测试场景，并按照自然驾驶数据集中的数据特征设定各车辆的运行工况；
[0017]步骤五
、
根据运动主体类型与静态障碍物类型，确定各参与者的风险影响因子，构建空间位置坐标系，执行仿真测试，根据多帧历史空间状态，使用预测模型预测其未来轨迹，具体过程如下：
[0018]1)、
运动主体和静态障碍物是轨迹预测与冲突计算的重要依据，根据功能场景能够快速确定，根据运动主体与障碍物的尺寸信息，确定其风险影响因子，风险影响因子会影响后续风险冲突的计算结果，
s
的计算公式如下：
[0019]s
＝
x
×
y/2
[0020]式中，
x
表示该物体的长度，
y
表示该物体的宽度；
[0021]2)、
在场景空间中构建横纵向坐标系，将各运动要素的位置信息参数化表述；
[0022]3)、
执行仿真测试，根据多帧历史空间状态，使用
LSTM
预测模型预测其未来轨迹；
[0023]4)、VAE
‑
LSTM
预测网络会输出多种可能的预测轨迹，并给出对应的概率；
[0024]步骤六
、
根据运动主体的轨迹预测结果，计算主车与其他交通参与者和静止主体的基准冲突情况，具体过程如下：
[0025]1)、
根据前文预测得出的轨迹数据，对于每一条可能轨迹，以
0.5s
为断点进行轨迹取值，分别获得各运动主体6个位置，主车位置标注为
(ego_x
i
，
ego_y
i
)
，其他交通参与者位置标注为
(A_x
i
，
A_y
i
),(B_x
i
，
B_y
i
),(C_x
i
，
C_y
i
)...(Z_x
i
，
Z_y
i
)
，式中，
x
表示坐标系中的横坐标，
y
表示纵坐标，
i
表示第
...

【技术保护点】

【技术特征摘要】
1.
一种基于多样性预测的驾驶场景风险评估方法，其特征在于：其方法包括的步骤如下：步骤一
、
处理自然驾驶数据集，按规则提取典型交互场景，具体过程如下：
1)、
将具备潜在交互特征的有价值训练场景定义为：长时序下的双车混行场景；
2)、
针对自然驾驶数据集，设计如下场景提取规则：两辆车的行车时间都大于
30s
，且相对距离小于
40m
的连续行驶时间段超过
18s
；步骤二
、
处理交互场景数据，构建训练数据集，具体过程如下：处理数据，将各场景中每时刻的车辆坐标
、
速度
、
加速度作为所需数据保留，删除其他信息，进行数据归一化
、
对齐和插值的操作，便于模型识别，对预处理数据集进行划分，按7：1：2划分训练集
、
测试集
、
验证集；步骤三
、
构建
VAE
‑
LSTM
轨迹预测网络，并进行训练，具体过程如下：
1)、
构建改进的
VAE
‑
LSTM
模型，
VAE
‑
LSTM
模型由一个
LSTM
网络
、
一个
VAE
编码器和一个
VAE
解码器组成，
LSTM
网络负责从历史轨迹中提取时空特征，
VAE
编码器负责将时空特征映射到隐变量的均值和方差，
VAE
解码器负责将隐变量映射回未来轨迹，在
VAE
编码器和解码器中，引入社会池化层，使得每个时间步长可以接收到相邻轨迹的隐变量信息，从而增强隐变量空间的多样性和连续性；
2)、
定义损失函数，包含重构损失函数和
KL
散度损失函数两部分，重构损失函数用于衡量预测轨迹和真实轨迹之间的差异，
KL
散度损失函数用于衡量隐变量和先验分布之间的差异；
3)、
设置训练所需基础参数，优化器
、
学习率
、
批大小
、
迭代次数，根据步骤二中的训练数据进行训练过程；步骤四
、
设计风险评估算法的具体应用场景，具体过程如下：针对具体场景测试过程，设计典型测试场景，并按照自然驾驶数据集中的数据特征设定各车辆的运行工况；步骤五
、
根据运动主体类型与静态障碍物类型，确定各参与者的风险影响因子，构建空间位置坐标系，执行仿真测试，根据多帧历史空间状态，使用预测模型预测其未来轨迹，具体过程如下：
1)、
运动主体和静态障碍物是轨迹预测与冲突计算的重要依据，根据功能场景能够快速确定，根据运动主体与障碍物的尺寸信息，确定其风险影响因子，风险影响因子会影响后续风险冲突的计算结果，
s
的计算公式如下：
s
＝
x
×
y/2
式中，
x
表示该物体的长度，
y
表示该物体的宽度；
2)、
在场景空间中构建横纵向坐标系，将各运动要素的位置信息参数化表述；
3)、
执行仿真测试，根据多帧历史空间状态，使用
LSTM
预测模型预测其未来轨迹；
4)、VAE
‑
LSTM
预测网络会输出多种可能的预测轨迹，并给出对应的概率；步骤六
、
根据运动主体的轨迹预测结果，计算主车与其他交通参与者和静止主体的基准冲突情况，具体过程如下：
1)、
根据前文预测得出的轨迹数据，对于每一条可能轨迹，以
0.5s
为断点进行轨迹取值，分别获得各运动主体6个位置，主车位置标注为
(ego_x
i
,ego_y
i
)
，其他交通参与者位置
标注为
(A_x
i
,A_y
i
),(B_x
i
,B_y
i
),(C_x
i
,C_y
i
)...(Z_x
i
,Z_y
i
)
，式中，
x
表示坐标系中的横坐标，
y
表示纵坐标，
i
表示第
i
个取值，
i∈[0,5]
；
2)、
根据预测出的位置
、
速度和加速度信息，计算主车与其他交通参与者和静止主体的冲突情况；根据步骤五中预测得出的位置
、
速度和加速度信息，能够计算每一个时刻主车与其他交通参与者和静止障碍物的冲突情况，具体计算方式如下：对于主车和障碍物...

【专利技术属性】
技术研发人员：朱冰，汤瑞，武龙杰，张培兴，赵健，
申请(专利权)人：吉林大学，
类型：发明
国别省市：