一种基于历史数据的轨迹规划的SOTIF的实现方法与流程

本发明属于汽车技术领域，具体的说是一种基于历史数据的轨迹规划的sotif的实现方法。

背景技术：

sotifiso21488是汽车行业的一个新兴概念，由2015年启动iso标准的制定，全称为safetyoftheintndedfunction,目前，isopas21448已经以行业规范的形式发布，预计在2021年启用正式的iso标准。对于自动驾驶系统来说，系统接管车辆控制，即使系统并未发生故障，也可能因为黑盒输出的不确定性导致功能的偏离，造成交通伤害。这类非故障情况下因系统功能不满足预期或者人类合理可见的误用而导致的安全风险就是sotif要解决的问题。自动驾驶功能局限可以分为以下几个部分：

1：目标场景考虑不周到，系统无法对环境做出正确相应–perception

2：功能逻辑仲裁机制、算法不合理，导致决策出现问题–decision

3：执行机构的输出与理想输出发生偏差，难以完美控制–execution

尽管可能在感知决策执行层面没有任何错误和失效的发生，其他复杂的交通状况和车辆的意外行为依然可能会成为自动驾驶系统的不稳定因素。

sotif将场景(scenarios)划分为如图1a和图1b所示的4个区间，分别为已知-安全1、已知-不安全2、未知-不安全3和未知-安全4。目的是尽可能缩小未知场景(scenarios)的比例，即将确保场景(scenarios)控制在安全的区间。

轨迹规划技术可以追溯到几十年前机器人领域中的轨迹规划，相关研究者对机器人领域的全局规划、反应式(或局部规划)做了大量的研究，该研究对汽车轨迹规划具有极其重要的价值。自从21世纪以来，无人车大赛和无人车的应用也极大地推动了轨迹规划技术的发展，促进了轨迹规划技术的不断进步。

技术实现要素：

本发明提供了一种通过聚类边界保证轨迹规划算法的安全性，并对异常数据值进行分析论证，不断扩大已知轨迹的安全范围，提高智能车行驶安全性基于历史数据的轨迹规划的sotif的实现方法。

本发明技术方案结合附图说明如下：

本发明的有益效果为：

通过本发明的方法可以进一步的提高智能车在行驶过程中的安全性，并且可以根据对数据的处理和分析不断扩大已知安全的数据的边界，逐步扩大已知安全区域，减少未知安全区域。

附图说明

图1a为智能驾驶场景分类图；

图1b为智能驾驶场景分类图；

图2为sotif实现目标图；

图3为本发明的流程图；

图4为原始数据集示意图；

图5为经过边界聚类算法筛选以后的边界数据点集示意图。

具体实施方式

参阅图1—图3，一种基于历史数据的轨迹规划的sotif的实现方法，该实现方法包括以下步骤：

步骤一、轨迹规划；

输入参数，所述参数为其他交通参与车辆的坐标、速度、加速度，通过轨迹规划算法模型得到输出的油门或制动踏板开度和方向盘转角，与输入参数一起打包为一个数据点；

可以采用强化学习算法，基于机器学习的方法，基于人工势场的方法、基于采样的方法、基于数值优化的方法、基于图搜索的方法、基于曲线拟合的方法等建立轨迹规划算法模型；

步骤二、边界聚类；

基于历史轨迹的数据库已知安全的大量数据进行边界聚类，得到数据集的边界数据点，并且对边界数据点进行拟合，得到数据集的边界拟合曲面；

步骤三、数据对比验证；

通过轨迹规划算法即强化学习根据智能车当前的行车环境进行轨迹规划，得到下一时刻的轨迹规划的数据点，数据点与步骤二得到的边界拟合曲面进行对比，判断是否在其范围以内，如果在则将轨迹规划算法得到的数据进行输出，否则输出边界数据点的油门或制动踏板开度和方向盘转角；

步骤四、后台分析论证；

将步骤三中得到的不在边界拟合范围内的数据值通过智能网联的方式上传至云端供后台进行处理和分析，通过该数据点在各个场景中进行仿真实验，而后在允许的条件下进行实车实验，验证数据是否合理，如果数据合理则将该数据加入历史数据库，并利用大数据预测推理产生新的数据，而后对新产生的数据进行处理分析，不断循环将合理数据点加入历史数据库，直至不再有新的数据点产生。

实施例

如图4所示为一原始数据集，图5为一经过边界聚类算法筛选以后的边界数据点集，通过图4和图5可以得到，经过边界聚类算法处理以后得到的数据集经过拟合得到边界拟合曲线以后可以作为轨迹规划的数据点的限制性边界，以此边界防止轨迹规划的异常数据点的输出，保证智能车行驶安全性。