【技术实现步骤摘要】
本专利技术涉及自动驾驶场景库，具体涉及一种自动驾驶场景库构建方法及装置。
技术介绍
1、自动驾驶技术作为未来交通领域的重要发展方向，涉及复杂的道路和各种交通情况。为了有效评估和优化自动驾驶系统的性能，构建逼真的自动驾驶场景库是至关重要的。这些场景库可以提供大量多样化的道路状况，用于训练和测试算法，以确保系统在各种实际环境下的稳健性和安全性。当前，有关自动驾驶场景库构建方法主要分为四大类，分别是基于规则、基于物理模型、基于机器学习的方法、基于传感器数据和基于增强现实的方法。
2、基于规则、基于物理模型的构建方式需要手动构建，需要耗费大量的时间和人力资源，限制了场景库的规模和多样性；同时质量难以保证，难以完全模拟真实道路环境，场景质量可能无法满足高要求的自动驾驶系统测试。基于传感器数据的方法可以通过真实数据构建逼真的仿真场景，但在数据采集和多样性方面存在一定的局限性。基于增强现实的方法可以提供沉浸式的交互体验，但受到设备和实时性的限制。为解决上述问题，现有技术提出了使用机器学习方法来构建，例如：基于生成对抗网络(gan)的方法。但现有的生成对抗网络是无监督的网络，导致生成的自动驾驶场景库的结果质量不稳定，且无法满足复杂多变的测试需求。
3、因此，亟需提供一种自动驾驶场景库构建方法及装置，用于解决上述技术问题。
技术实现思路
1、有鉴于此，有必要提供一种自动驾驶场景库构建方法及装置，用以解决现有技术中存在的生成的自动驾驶场景库的结果质量不稳定，且无法满足复杂多变的
2、一方面，本专利技术提供了一种自动驾驶场景库构建方法，包括：
3、获取车辆行驶轨迹数据，并对所述车辆行驶轨迹数据进行预处理，构建样本集；
4、构建信息最大化生成对抗网络，所述信息最大化生成对抗网络包括生成器和鉴别器，所述生成器接收潜在空间噪声向量和额外信息编码；
5、基于所述样本集对所述信息最大化生成对抗网络进行训练和测试，获得训练完备的目标信息最大化生成对抗网络；
6、将所述目标信息最大化生成对抗网络中的生成器作为自动驾驶场景数据生成模型，并基于所述自动驾驶场景数据生成模型构建自动驾驶场景库。
7、在一些可能的实现方式中，所述额外信息编码包括车辆类型编码或交通场景编码中的至少一种。
8、在一些可能的实现方式中，所述生成器的损失函数为：
9、ltotal_gen＝ladv(g,d)+λlinfo(g,q)
10、
11、
12、式中，ltotal_gen为生成器的损失函数；ladv(g,d)为对抗性损失函数；linfo(g,q)为信息最大化损失函数；λ为超参数；ex～data[logd(x)]为对从车辆行驶轨迹数据分布中抽样得到的样本x计算d(x)的期望值；d(x)为判别器对车辆行驶轨迹数据的判别概率；ez～p(z)[log(1-d(g(x,c)))]为对从噪声分布中抽样的潜在空间噪声向量z计算log(1-d(g(z,c)))的期望值；z～p(z)为从噪声分布中随机采样得到的潜在空间噪声向量；g(z,c)为生成器生成的场景数据；n为样本集中样本的数量；c为样本集中样本的类别数量；yi,j为第i个样本的真实标签中第j类的标签值；p(yi)j为样本i在第j类上的预测概率；yi为样本i的真实值；为样本i的预测值；ec～p(c),x～g(z,c)为对所有从额外信息编码的先验分布p(c)和生成器分布中抽样的额外信息编码和生成样本q(c|x)计算logq(c|x)的期望值；x～g(z,c)表示从生成器产生的分布中随机采样一个样本；q(c|c)为给定生成器输出的样本时，额外信息编码的条件分布概率；p(c|x)为给定生成样本时额外信息编码的条件概率分布；p(c)为额外信息编码的边缘概率分布。
13、在一些可能的实现方式中，所述判别器的损失函数为：
14、ltotal_dtsc＝ladv(g,d)
15、式中，ltotal_disc为判别器的损失函数。
16、在一些可能的实现方式中，所述对所述车辆行驶轨迹数据进行预处理，构建样本集，包括：
17、对所述车辆行驶轨迹数据依次进行数据清洗、数据匹配以及数据标准化，获得标准化轨迹数据；
18、获取预设提取标准规则，并确定所述标准化轨迹数据的数据特征；
19、基于所述预设提取标准规则和所述数据特征，确定所述标准化轨迹数据中的感兴趣轨迹数据；
20、基于预设需求对所述感兴趣轨迹数据进行采样，获得所述样本集。
21、在一些可能的实现方式中，所述预设提取标准规则包括车辆类型、驾驶行为、车速范围、纵向距离、横向距离、交通场景以及时间段。
22、在一些可能的实现方式中，所述方法还包括：
23、设置多个定量相关指标，所述多个定量相关指标包括场景多样性指标、质量指标、危险性指标和适用性指标；
24、基于所述自动驾驶场景库中的自动驾驶场景数据和所述多个定量相关指标确定场景多样性指标值、质量指标值、危险性指标值以及适用性指标值；
25、基于所述场景多样性指标值、所述质量指标值、所述危险性指标值以及所述适用性指标值调整所述目标信息最大化生成对抗网络。
26、在一些可能的实现方式中，所述场景多样性指标为：
27、
28、
29、式中，jsd(pgen,preal)为场景多样性指标；pgen为基于自动驾驶场景数据生成模型生成的预测场景分布；preal为真实场景分布；m为混合分布；kl(pgen||m)为预测场景分布和混合分布的kl散度；kl(preal||m)为真实场景分布和混合分布的kl散度。
30、在一些可能的实现方式中，所述质量指标为：
31、
32、式中，ssim(x,y)为质量指标；μx为自动驾驶场景库中第x幅自动驾驶场景图像的平均值；μy为自动驾驶场景库中第y幅自动驾驶场景图像的平均值；σx为自动驾驶场景库中第x幅自动驾驶场景图像的标准差；σy为自动驾驶场景库中第y幅自动驾驶场景图像的标准差；σxy为自动驾驶场景库中第x幅自动驾驶场景图像和第y幅自动驾驶场景图像的协方差；c1为第一常数；c2为第二常数。
33、另一方面，本专利技术还提供了一种自动驾驶场景库构建装置，包括：
34、样本集构建单元，用于获取车辆行驶轨迹数据，并对所述车辆行驶轨迹数据进行预处理，构建样本集；
35、生成对抗网络构建单元，用于构建信息最大化生成对抗网络，所述信息最大化生成对抗网络包括生成器和鉴别器，所述生成器接收潜在空间噪声向量和额外信息编码；
36、生成对抗网络训练单元，用于基于所述样本集对所述信息最大化生成对抗网络进行训练和测试，获得训练完备的目标信息最大化生成对抗网络；
37、自动驾驶场景库构建单元，用于本文档来自技高网...
【技术保护点】
1.一种自动驾驶场景库构建方法，其特征在于，包括：
2.根据权利要求1所述的自动驾驶场景库构建方法，其特征在于，所述额外信息编码包括车辆类型编码或交通场景编码中的至少一种。
3.根据权利要求1所述的自动驾驶场景库构建方法，其特征在于，所述生成器的损失函数为：
4.根据权利要求3所述的自动驾驶场景库构建方法，其特征在于，所述判别器的损失函数为：
5.根据权利要求1所述的自动驾驶场景库构建方法，其特征在于，所述对所述车辆行驶轨迹数据进行预处理，构建样本集，包括：
6.根据权利要求5所述的自动驾驶场景库构建方法，其特征在于，所述预设提取标准规则包括车辆类型、驾驶行为、车速范围、纵向距离、横向距离、交通场景以及时间段。
7.根据权利要求1所述的自动驾驶场景库构建方法，其特征在于，所述方法还包括：
8.根据权利要求7所述的自动驾驶场景库构建方法，其特征在于，所述场景多样性指标为：
9.根据权利要求7所述的自动驾驶场景库构建方法，其特征在于，所述质量指标为：
10.一种自动驾驶场景库构
...【技术特征摘要】
1.一种自动驾驶场景库构建方法，其特征在于，包括：
2.根据权利要求1所述的自动驾驶场景库构建方法，其特征在于，所述额外信息编码包括车辆类型编码或交通场景编码中的至少一种。
3.根据权利要求1所述的自动驾驶场景库构建方法，其特征在于，所述生成器的损失函数为：
4.根据权利要求3所述的自动驾驶场景库构建方法，其特征在于，所述判别器的损失函数为：
5.根据权利要求1所述的自动驾驶场景库构建方法，其特征在于，所述对所述车辆行驶轨迹数据进行预处理，构建样本集，包括：...
【专利技术属性】
技术研发人员：褚端峰，黄立婷，王如康，张明帅，王竞一，崔亚男，
申请(专利权)人：武汉理工大学，
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。