一种基于推荐算法的自动驾驶可解释决策方法技术

本发明专利技术公开了一种基于推荐算法的自动驾驶可解释决策方法，主要涉及推荐算法与自动驾驶领域；包括步骤：S1、对传感器获得的交通数据预处理后提取评估指标的替代性指标和驾驶行为特征，并聚类得到标签；S2、训练XGBoost模型分析特征重要性，通过递归特征消除试验筛选各个评估指标的关键驾驶行为特征并重新训练模型；S3、对高风险交通数据的关键驾驶行为特征，根据历史数据召回多组的关键特征参数组合，聚类形成不同贡献等级的分组；S4、基于所推荐的关键特征参数组合及其性能预测值，进行多目标约束运筹求解；本发明专利技术与现有的深度学习算法相比，可解释性更高，有利于自动驾驶技术的推广使用。

【技术实现步骤摘要】

本专利技术涉及推荐算法与自动驾驶领域，具体是一种基于推荐算法的自动驾驶可解释决策方法。

技术介绍

1、随着自动驾驶技术的发展，如何大幅提高交通安全和交通效率已成为一个亟需解决的问题，其中，在自动驾驶技术中，自动驾驶决策是确保车辆能够安全、高效地行驶的核心环节，然而自动驾驶决策涉及多个相互冲突的目标，如风险、效率、乘客舒适度等，现有的单目标决策算法很难动态适应不同的驾驶场景和环境条件，而综合考虑风险、舒适度与效率等多个目标的决策模型就需要在多个目标之间平衡，使得决策效率低。此外，可解释性是建立用户信任的基础，但因深度学习网络的“黑箱”特性，现有自动驾驶决策模型普遍存在可解释性不足的问题。模型缺乏透明度导致难以理解决策过程，进而产生不可靠和不可预测的决策结果。

技术实现思路

1、本专利技术的目的在于解决现有技术中存在的问题，提供一种基于推荐算法的自动驾驶可解释决策方法，与现有的深度学习算法相比，可解释性更高，有利于自动驾驶技术的推广使用。

2、本专利技术为实现上述目的，通过以下技术方案实现：

<本文档来自技高网...

【技术保护点】

1.一种基于推荐算法的自动驾驶可解释决策方法，其特征在于，包括步骤：

2.根据权利要求1所述的一种基于推荐算法的自动驾驶可解释决策方法，其特征在于：步骤S1中，对传感器获得的交通数据预处理的步骤包括数据类型转换、数据清洗、分时段数据拼接。

3.根据权利要求1或2所述的一种基于推荐算法的自动驾驶可解释决策方法，其特征在于：步骤S1中，驾驶数据的评估指标为风险、行驶效率、舒适度并提取每个指标的替代性指标和驾驶行为特征，其中，风险的替代性指标定义为碰撞时间、时间综合碰撞时间、避免碰撞减速度、潜在碰撞指数；行驶效率的替代性指标定义为车头时距；舒适度的替代性指标定义为加加速...

【技术特征摘要】

1.一种基于推荐算法的自动驾驶可解释决策方法，其特征在于，包括步骤：

2.根据权利要求1所述的一种基于推荐算法的自动驾驶可解释决策方法，其特征在于：步骤s1中，对传感器获得的交通数据预处理的步骤包括数据类型转换、数据清洗、分时段数据拼接。

3.根据权利要求1或2所述的一种基于推荐算法的自动驾驶可解释决策方法，其特征在于：步骤s1中，驾驶数据的评估指标为风险、行驶效率、舒适度并提取每个指标的替代性指标和驾驶行为特征，其中，风险的替代性指标定义为碰撞时间、时间综合碰撞时间、避免碰撞减速度、潜在碰撞指数；行驶效率的替代性指标定义为车头时距；舒适度的替代性指标定义为加加速度、加速度；

4.根据权利要求3所述的一种基于推荐算法的自动驾驶可解释决策方法，其特征在于：步骤s1中，基于提取的风险、行驶效率、舒适度替代性指标，通过模糊c均值聚类算法对传感器获得的交通数据进行聚类得到风险、行驶效率、舒适度标签。

5.根据权利要求1所述的一种基于推荐算法的自动驾驶可解释决策方法，其特征在于：步骤s2中，基于步骤s1聚类得到的各个评估指标的标签，训练每个评估指标的xgboost模型，并获取每个评估指标特征重要度较高的特征。

6.根据权利要求1或5所述的一种基于推荐算法的自动驾驶可解释决策方法，其特征在于：步骤s2中，...

【专利技术属性】
技术研发人员：陈思含，史秀鹏，
申请(专利权)人：上海大学，
类型：发明
国别省市：