【技術實現步驟摘要】
本專利技術創造涉及智能駕駛中的仿真測試，尤其是涉及一種基于自然駕駛數據的風格化換道場景復建方法。
技術介紹
1、車道變換對于車輛來說是最常見的操作，而在車道變換時發生的事故中有接近18％的事故原因是源于駕駛員換道決策失誤。換道行為相比于跟車行駛需要承擔更大的風險，因為在換道過程中不僅需要關注當前車道前后方車輛運動情況，還需要關注目標車道的交通狀態。針對這一駕駛行為展開深入的研究有助于相關智能駕駛輔助技術的開發，本專利技術針對車輛自由換道為這一特殊場景展開研究，提出了包含數據采集、場景挖掘、駕駛行為聚類及仿真場景復建的方法，為該場景下的智能駕駛輔助系統技術開發奠定了基礎。
2、當前，自動駕駛汽車的研究重點已經從自動駕駛技術的突破與實現逐漸向自動駕駛功能的測試評價技術轉移。仿真場景因其顯著提升的測試效率與大幅降低的成本優勢，正逐步成為評估智能車輛性能與安全性的核心手段。目前自然駕駛類場景庫中關于自由換道場景存在數據范圍有限，場景多樣性不足，場景識別提取及生成效率低，場景類別單一，駕駛人特征因素考慮不足等問題，不足以覆蓋智能駕駛決策規系統的仿真驗證，無法滿足現有智駕系統在功能安全方面、類人方面、舒適方面等相關技術開發及仿真驗證的需求。
技術實現思路
1、有鑒于此，本專利技術創造旨在提出一種基于自然駕駛數據的風格化換道場景復建方法，以解決自由換道場景的數據集不豐富，場景多樣性不足，場景識別提取及生成效率低，場景類別單一，駕駛人特征因素考慮不足的問題。
2、為達到上述
3、一種基于自然駕駛數據的風格化換道場景復建方法，包括如下步驟：
4、步驟s1：對自然駕駛數據進行采集，獲得主車狀態信息以及其他交通參與者狀態信息；
5、步驟s2：根據自由換道場景提取算法，從自然駕駛數據中挖掘提取出自由換道場景片段；
6、步驟s3：對提取出的自由換道場景片段進行聚類分析，獲取不同類型的自由換道片段數據集；
7、步驟s4：根據車輛軌跡生成方法，將獲取的不同類型換道場景片段數據生成不同類型的自由換道片段軌跡文件；
8、步驟s5：根據不同類型的自由換道片段軌跡文件，基于modeldesk的場景生成方法生成不同類型的自由換道仿真場景文件。
9、進一步的，步驟s1中：
10、所述主車狀態信息包括：時間序列、主車速度、方向盤轉角、主車距離兩側車道線的距離、主車到兩側車道線的橫向速度、主車兩側車道線的置信度、主車車寬；
11、所述其它交通參與者狀態信息包括：主車與其它交通參與者的距離、主車與其它交通參與者的角度、交通參與者類型。
12、進一步的，步驟s2中，所述的自由換道場景提取算法為：
13、對比左側車道線置信度和右側車道線置信度，若左側車道線置信度高于右側車道線置信度，則以左側車道線距離為優先進行識別；若右側車道線置信度高于左側車道線置信度，則以右側車道線距離為優先進行識別；
14、進一步的，步驟s2中，所述的自由換道場景提取算法為：
15、若左側車道線置信度高于右側車道線置信度：
16、當主車到左側車道線距離由極小值突變到極大值時，即識別為向左變道；
17、當主車到左側車道線距離由極大值突變到極小值時，識別為向右變道；
18、若右側車道線置信度高于左側車道線置信度：
19、當主車到右側車道線由極小值突變到極大值時，識別為向右變道；
20、當主車到右側車道線由極大值突變到極小值時，識別為向左變道；
21、進一步的，步驟s2中，所述的自由換道場景提取算法還包括：界定每個自由換道場景的起始與結束時間，依據換道起始時間和換道結束時間，截取并保存包含完整自由換道行為的數據場景片段。
22、進一步的，步驟s3中，所述的聚類分析方法包括：自由換道特征參數提取、特征參數降維、駕駛行為聚類；
23、進一步的，步驟s3中，所述的聚類分析方法包括：
24、特征參數提取：取自車橫向平均速度、最大速度、最小速度、橫向平均加速度、最大加速度、最小加速度；自車縱向平均速度、最大速度、最小速度、縱向平均加速度、最大加速度、最小加速度以及換道過程縱向距離、橫向距離、持續時間作為特征參數；
25、特征參數降維：采用主成分分析方法來實施特征降維；
26、駕駛行為聚類：根據降維后的結果，采用k均值無監督聚類方法對自由換道片段進行聚類分析。
27、進一步的，步驟s4中，所述的車輛軌跡生成方法，包括frenet坐標系定義，主車軌跡生成方法以及其他交通參與者的軌跡生成方法；
28、進一步的，步驟s4中，所述的車輛軌跡生成方法包括：
29、步驟s4.1：frenet坐標系定義：
30、所述frenet坐標系以道路中心線為基準，將車輛運動分解為相對中心線的橫向偏移與縱向偏移，在仿真環境更容易描述車輛的軌跡情況，以道路中心線方向為縱軸s，以垂直于道路中心線的方向為橫軸d，構造frenet坐標系，則車輛或障礙物在道路上的位置可以用(s,d)來表示，其中s描述為在道路上的縱向偏移，d描述為在道路上的橫向位移；
31、步驟s4.2：主車軌跡生成：
32、所述主車軌跡包括主車縱向位移以及主車橫向位移；
33、首先，根據自車到車道線的速度stlc、自車速度ego_v，獲取主車沿車道線方向的縱向速度ego_v_x；
34、其次，根據主車沿車道線方向的縱向速度ego_v_x，計算求得主車沿車道線方向的縱向位移ego_d_x計算方法下：
35、
36、所述主車橫向位移根據功能攝像頭獲取的自車到車道線的距離dtlc_l特性曲線求得；
37、主車的橫向位移ego_d_y計算方法如下：
38、
39、其中：n為數據長度，dn為判斷橫向階躍的閾值，q為橫向位移階躍差數據集，id為橫向位移階躍時刻的id集，m為q數據集的元素個數；
40、步驟s4.3：目標車軌跡生成：
41、所述目標車輛軌跡包括目標車輛縱向位移obj_d_x以及目標車輛橫向位移obj_d_y；
42、首先根據主車的相對距離range，相對主車的相對角度angle，獲取目標車輛相對縱向距離obj_dr_x以及目標車輛相對橫向距離obj_dr_y；
43、其次根據主車軌跡求得目標車軌跡，具體如下：
44、
45、進一步的，步驟s5中，所述基于modeldesk的場景生成方法包括：根據駕駛行為聚類得到的三類換道場景數據，基于modeldesk軟件進行換道駕駛行為的仿真場景搭建；
46、進一步的，步驟s5中，所述基于modeldesk的場景生成方法包括：
47、道路的構建：根據實際本文檔來自技高網...
【技術保護點】
1.一種基于自然駕駛數據的風格化換道場景復建方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于自然駕駛數據的風格化換道場景復建方法，其特征在于，步驟S1中：
3.根據權利要求1所述的基于自然駕駛數據的風格化換道場景復建方法，其特征在于，步驟S2中，所述的自由換道場景提取算法為：
4.根據權利要求1所述的基于自然駕駛數據的風格化換道場景復建方法，其特征在于：步驟S3中，所述的聚類分析方法包括：自由換道特征參數提取、特征參數降維、駕駛行為聚類；
5.根據權利要求1所述的基于自然駕駛數據的風格化換道場景復建方法，其特征在于，步驟S4中，所述的車輛軌跡生成方法，包括Frenet坐標系定義，主車軌跡生成方法以及其他交通參與者的軌跡生成方法；
6.根據權利要求1所述的基于自然駕駛數據的風格化換道場景復建方法，其特征在于，步驟S5中，所述基于Modeldesk的場景生成方法包括：根據駕駛行為聚類得到的三類換道場景數據，基于Modeldesk軟件進行換道駕駛行為的仿真場景搭建；
7.一種電子設備，包括處理器以及與
8.一種服務器，其特征在于：包括至少一個處理器，以及與所述處理器通信連接的存儲器，所述存儲器存儲有可被所述至少一個處理器執行的指令，所述指令被所述處理器執行，以使所述至少一個處理器執行如權利要求1-6任一所述的基于自然駕駛數據的風格化換道場景復建方法。
9.一種計算機可讀取存儲介質，存儲有計算機程序，其特征在于：所述計算機程序被處理器執行時實現權利要求1-6任一所述的基于自然駕駛數據的風格化換道場景復建方法。
...【技術特征摘要】
1.一種基于自然駕駛數據的風格化換道場景復建方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于自然駕駛數據的風格化換道場景復建方法，其特征在于，步驟s1中：
3.根據權利要求1所述的基于自然駕駛數據的風格化換道場景復建方法，其特征在于，步驟s2中，所述的自由換道場景提取算法為：
4.根據權利要求1所述的基于自然駕駛數據的風格化換道場景復建方法，其特征在于：步驟s3中，所述的聚類分析方法包括：自由換道特征參數提取、特征參數降維、駕駛行為聚類；
5.根據權利要求1所述的基于自然駕駛數據的風格化換道場景復建方法，其特征在于，步驟s4中，所述的車輛軌跡生成方法，包括frenet坐標系定義，主車軌跡生成方法以及其他交通參與者的軌跡生成方法；
6.根據權利要求1所述的基于自然駕駛數據的風格化換道場景復建方法，其特征在于，步驟...
【專利技術屬性】
技術研發人員：寧澤浩，付會通，李占旗，秦孔健，劉忠海，劉全周，張蕾，王述勇，
申請(專利權)人：中國汽車技術研究中心有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。