System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于自动驾驶测试,具体的说是一种基于多源数据集解析的智能汽车场景要素库构建方法。
技术介绍
1、目前基于场景的测试已经是自动驾驶汽车虚拟测试的主流方向,更完备的边缘场景能使自动驾驶汽车更好地面对难以预测、无限丰富的真实世界。在生成测试场景的流程中,明确场景要素是其中的重要一环。目前针对场景要素种类的研究较为完善,从道路、交通参与者、环境各方面的动态和静态进行了详细说明,整套体系可以描述典型场景所能包含的场景要素。但现有研究中没有考虑语义类要素,测试场景主要针对轨迹和气象要素,一方面,这些方法忽略了部分关键的语义要素,从而无法描述真实世界中存在的部分场景;另一方面,它们对无需细致量化的要素进行盲目表述,增加了整体测试空间的大小。
2、可见,有关边缘场景的构建仍然缺少较为完整的理论基础,缺乏针对语义要素的细致研究,无法满足测试的效率和数量的需求,构建系统的场景要素库可以一定程度解决这一问题。因此,亟需一种从多源数据集中提取语义和参数要素的方法架构,从而获得一种基于多源数据集解析的智能汽车场景要素库构建方法。
技术实现思路
1、为解决上述问题,本专利技术提供了一种基于多源数据集解析的智能汽车场景要素库构建方法,能够为测试提供全面、高效、精准的测试场景。
2、本专利技术技术方案结合附图说明如下:
3、一种基于多源数据集解析的智能汽车场景要素库构建方法,包括以下步骤:
4、步骤一、对现有的数据集进行分析,得到语义要素数据集,筛选的数据
5、步骤二、明确语义要素范围,对语义要素进行分类;
6、步骤三、基于目标检测方法对影像描述数据集中语义要素进行提取与解析,包含对单帧图像和连续帧视频的语义要素提取;
7、步骤四、基于统计学方法对参数描述数据集中参数要素进行提取与解析,得到数据的参数空间以及分布情况;
8、步骤五、构建本体框架,基于uml构建要素本体,本体构成基于五层结构结合语义要素特性进行改进;
9、步骤六、面向自动驾驶汽车待测试功能匹配本体中的要素,进行要素组合,从而构建出智能汽车场景要素库。
10、进一步的,所述步骤一的具体方法如下:
11、11)对现有数据集进行筛选,筛选出的数据集包含不同类别车辆的运动状态、不同测试地点和驾驶场景;其中,所述运动状态的车辆主体类型大于3种所述测试地点包括城市和乡镇;所述驾驶场景包括高速和城市快速路;
12、12)处理上述自然驾驶数据集,对自然驾驶数据集做出分类划分,将图像类数据集归为影像描述数据集,将轨迹类数据集归为参数描述数据集。
13、进一步的,所述步骤二的具体方法如下:
14、21)明确语义要素的范围,语义要素为表达场景要素中非参数化的部分,包括基础语义即测试场景中的静态结构要素和动态运动要素和特殊语义即现有场景要素无法直接描述但真实世界客观存在的对象;所述测试场景中的静态结构要素包括交通基础设施、道路基础设施和道路类型;所述测试场景中的动态运动要素包括动态对象的属性和对象与对象之间的关系属性;
15、22)通过对数据集中的语义要素进行统计分析,包含要素类型出现概率a、该要素状态出现概率b和该要素动作行为出现概率c,据此将场景特殊语义要素分为如下四类:罕见对象、常规对象异常状态、常规对象异常行为和常规对象低价值行为;所述罕见对象为在道路环境中不常见或出现频率较低的实体,具体表现为数据集中出现概率a小于5%的实体元素;所述常规对象异常状态为由于自身或外部因素,状态发生改变难以被感知系统准确识别的且出现频率较高的实体,该实体出现概率a高于5%,但实体所处状态出现概率b小于20%,表示该实体处于非常规状态;所述常规对象异常行为为表现出规则性行为的实体做出不符合常规模式的行为,即对象实体出现概率a大于5%,但该实体的动作出现概率c小于20%;所述常规对象低价值行为表现为该要素空间对测试结果无影响的行为,整体测试场景风险性较低,具体表现为瞬时的碰撞时间ttc大于10s;
16、将语义要素抽象成集合,不同类别的语义要素作为子集合;
17、a={a|a是所有语义要素总集合}
18、h={h|h是特殊语义要素中罕见对象}
19、k={k|k是特殊语义要素中常规对象异常状态}
20、m={m|m是特殊语义要素中常规对象异常行为}
21、z={z|z特殊语义要素中常规对象异常状态}
22、a=h∪k∪m∪z。
23、进一步的,所述对象与对象之间的关系属包括相对位置关系和时序属性。
24、进一步的,所述步骤三的具体方法如下:
25、31)分析影像描述数据集中场景要素;基于深度学习的目标检测算法对图像进行定位和识别;采用带有特殊语义要素数据,将数据集中相关数据即特殊语义要素提取出来并进行人工语义标注,对yolov5算法进行训练和测试,提取场景中罕见对象及常规对象异常状态;
26、32)继续提取影像描述数据集中语义要素,场景是一个动态描述的过程,对常规对象异常行为进行解构。
27、进一步的,所述提取场景中罕见对象及常规对象异常状态的具体方法如下:
28、311)挑选影像数据集中罕见对象、常规对象异常状态、常规对象异常行为数据,对图像中的类别、位置、大小进行标注,标签设定为:是否为罕见对象、常规对象异常状态、常规对象异常行为数据;
29、312)将数据集划分为训练集和测试集,选取十折交叉验证方法确定测试集数量;
30、313)综合检测精度、模型大小和检测速度,选择yolov5m或yolov5l中等模型;其中,损失函数分为矩形框损失、置信度损失和分类损失,在网络的输出端进行加权求和,即得到总的损失函数;
31、矩形框损失采用ciou loss,计算公式如下:
32、
33、式中,v为衡量两个矩形框相对比例的一致性;w、h和wgt、hgt分别为预测框和真实框的宽高;
34、
35、式中,α为权重系数;iou为预测框和真实框的交并比;
36、
37、式中,ρ2(b,bgt)为预测框和真实框两中心点间的欧式距离;c为两目标框最小外接矩形的对角线长度;ciou loss=1-ciou;式中,ciou loss为矩形框损失;ciou为完全交并比;
38、314)分类损失采用二元交叉熵损失函数bce loss,原理公式如下:
39、
40、式中,y为输入样本的标签,正样本为1,负样本为0;p为模型预测该输入样本为正样本的概率;l为bce loss;
41、315)置信度损失采用二元交叉熵损失函数bce loss,本文档来自技高网...
【技术保护点】
1.一种基于多源数据集解析的智能汽车场景要素库构建方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于多源数据集解析的智能汽车场景要素库构建方法,其特征在于,所述步骤一的具体方法如下:
3.根据权利要求1所述的一种基于多源数据集解析的智能汽车场景要素库构建方法,其特征在于,所述步骤二的具体方法如下:
4.根据权利要求3所述的一种基于多源数据集解析的智能汽车场景要素库构建方法,其特征在于,所述对象与对象之间的关系属包括相对位置关系和时序属性。
5.根据权利要求3所述的一种基于多源数据集解析的智能汽车场景要素库构建方法,其特征在于,所述步骤三的具体方法如下:
6.根据权利要求5所述的一种基于多源数据集解析的智能汽车场景要素库构建方法,其特征在于,所述提取场景中罕见对象及常规对象异常状态的具体方法如下:
7.根据权利要求5所述的一种基于多源数据集解析的智能汽车场景要素库构建方法,其特征在于,所述步骤32)中,对常规对象异常行为进行解构的具体方法如下:
8.根据权利要求1所述的一种基于多源数
9.根据权利要求1所述的一种基于多源数据集解析的智能汽车场景要素库构建方法,其特征在于,所述步骤五的具体方法如下:
10.根据权利要求1所述的一种基于多源数据集解析的智能汽车场景要素库构建方法,其特征在于,所述步骤六的具体方法如下:
...【技术特征摘要】
1.一种基于多源数据集解析的智能汽车场景要素库构建方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于多源数据集解析的智能汽车场景要素库构建方法,其特征在于,所述步骤一的具体方法如下:
3.根据权利要求1所述的一种基于多源数据集解析的智能汽车场景要素库构建方法,其特征在于,所述步骤二的具体方法如下:
4.根据权利要求3所述的一种基于多源数据集解析的智能汽车场景要素库构建方法,其特征在于,所述对象与对象之间的关系属包括相对位置关系和时序属性。
5.根据权利要求3所述的一种基于多源数据集解析的智能汽车场景要素库构建方法,其特征在于,所述步骤三的具体方法如下:
6.根据权利要求5所述的一种...
【专利技术属性】
技术研发人员:赵健,关天悦,朱冰,汤瑞,张培兴,
申请(专利权)人:吉林大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。