一种ADAS传感器数据的分类处理方法和装置与流程

本发明涉及数据处理技术领域，具体涉及一种adas传感器数据的分类处理方法和装置。

背景技术：

目前摄像头、雷达等车辆adas功能设备的大量应用，对于这些设备的功能测试产生的数据量越来越大，已达到pb级别，在这众多数据中如何找到问题，分析问题，更好地有针对性的解决问题变得越来越重要。而先前很多方法在实施时未能从整体对各条件具体条目化和问题场景的分层化，容易造成问题场景描述不够清晰，问题各因素因子影响无法统计，甚至还有一些影响因子的遗漏，影响问题的发现和解决。

技术实现要素：

本发明针对现有技术中存在的技术问题，提供一种adas传感器数据的分类处理方法和装置，将影响问题的场景具体化，格式化，影响因子明确化，从而清晰地分析出问题的原因，影响因子，场景的构成。

本发明解决上述技术问题的技术方案如下：

第一方面，本发明提供一种adas传感器数据的分类处理方法，包括以下步骤：

根据路测过程中现场打点情况以及根据canlog提取的问题，定位问题点的时间节点；

将路测视频和can总线日志剪切成以各时间节点为中心的预设时间长度的多个数据片段；

对数据片段进行解析，提取问题点发生时的场景因素以及每个场景因素中的场景因子，将所述数据片段进行问题点场景分解；

计算场景因子复杂度，并根据各场景因子复杂度计算场景复杂度；

设置置信区间，并根据所述场景复杂度对问题点场景进行分层，其中置信区间内为当前较常出现的问题点场景，置信区间外前段为较易感知但感知异常的问题点场景，置信区间外后段为较难感知到的问题点场景。

进一步的，在所述场景分解后，还包括：根据问题点场景的各场景因素所包含的场景因子进行新生问题点判断。

进一步的，在所述场景分解后，还包括：对所有经过场景分解的问题点进行汇总得到问题点全表。

进一步的，所述的场景因子复杂度的计算方法包括：

统计每一场景因子在某一场景因素下的出现次数a以及该场景因子在路测过程中总的出现次数b；

计算该场景因子权重r：r＝a/b；得到该场景因素下所有场景因子的权重r1,r2,r3,…，并根据层次分析法得到该场景因素下各个场景因子之间的比值；

计算各个场景因子的复杂度并计算一致性。

进一步的，所述的场景复杂度的计算方法包括：

根据各自所包含的场景因子的复杂度将各场景因素分为动态因素和静态因素，并分别计算动态因素和静态因素的权重；

结合所述动态因素和静态因素的权重得出问题点场景的复杂度。

第二方面，本发明提供一种adas传感器数据的分类处理装置，包括：

问题定位模块，用于根据路测过程中现场打点情况以及根据canlog提取的问题，定位问题点的时间节点；

数据分割模块，用于将路测视频和can总线日志剪切成以各时间节点为中心的预设时间长度的多个数据片段；

场景分解模块，用于对数据片段进行解析，提取问题点发生时的场景因素以及每个场景因素中的场景因子，将所述数据片段进行问题点场景分解；

复杂度计算模块，用于计算场景因子复杂度，并根据各场景因子复杂度计算场景复杂度；

场景分层模块，用于设置置信区间，并根据所述场景复杂度对问题点场景进行分层，其中置信区间内为当前较常出现的问题点场景，置信区间外前段为较易感知但感知异常的问题点场景，置信区间外后段为较难感知到的问题点场景。

进一步的，还包括问题点判断模块，用于根据问题点场景的各场景因素所包含的场景因子进行新生问题点判断。

进一步的，还包括问题点汇总模块，用于对所有经过场景分解的问题点进行汇总得到问题点全表。

第三方面，一种计算机可读存储介质，所述计算机可读存储介质中存储有用于实现上述的方法的计算机软件程序。

第四方面，一种adas传感器数据的分类处理系统，包括存储介质和处理器；

所述存储介质，用于存储计算机软件程序；

所述处理器，用于读取所述存储介质中的计算机软件程序，并实现上述的方法。

本发明的有益效果是：通过路测根据问题出现时刻现场打点以及根据canlog提取的问题，定位问题。再利用详细列出各个影响因素的解析表，把按照打点时间定位到的问题的场景进行分解，建立新旧问题点判断机制，对问题点的重复性进行判断并做标记，把所有问题集在一起统一管理做成问题点全表，计算各影响因素的因子复杂度，进而得出场景的复杂度，根据置信区间，将场景层次化，为后面算法的优化和仿真提供量化依据。本发明提取出了大量的路测工程数据所发现的问题，并将问题点发生场景的条件细化，同时使众多问题点信息格式化，便于统计调查。同时通过复杂度计算对各因子进行量化，进而对场景复杂度进行量化，为后面算法优化提供一个量化依据。比相对于以往技术，发生问题因素更加明确，便于统计，同时提供了一个量化指标，便于后面算法优化。

附图说明

图1为本发明实施例提供的一种adas传感器数据的分类处理方法流程图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，本实施例提供的一种adas传感器数据的分类处理方法，包括以下步骤：

1.现场打点。根据路测过程中现场打点情况定位问题点的时间节点。现场路测人员在路测过程中将发现的问题打点(操作打点工具记录下问题发生的时刻)，同时简单标注问题现象，作为后面解析时寻找问题点的依据。

2.制作路测问题列表。将路测过程中canlog提取的问题插入现场打点收集的问题表中，制作成当天的路测问题列表。

3.将连续路测数据剪切分段化。以时间为主线，把路测的视频和canlog用剪切工具将其剪切成以打点时间为中间点的2min的数据片段便于查找和问题点定位。

4.制作解析表。将问题发生时的场景因素分别罗列出来，每个因素包含几个因子，做成统一的数据解析模板，以便将场景格式化。

5.问题场景分解。参考之前打点的时间，找到剪切后的视频，对照解析模板，把问题点进行场景分解。

6.新增既有问题判断。根据分解后的问题场景各因素的因子，判断问题点是新增还是已有，便于后面环节新问题点的统计和处理。

7.做成问题点全表。把所有解析的问题点进行汇总，做成问题点全表，便于各类问题点发生频数分布统计。

8.计算各因子复杂度。将要调查的某一类的因子出现的次数a，与该因子在整个试验过程中出现的次数b做比，得出该因子的权重r＝a/b，然后根据该因素所有因子的权重r1，r2，r3.……，根据层次分析法得出同因素内各个因子间的比值，再利用matlab程序计算各个因子的复杂度并计算一致性。

9.计算各场景复杂度。根据分解后各个因子的复杂度，把因素分为动态因素和静态因素，结合动态因素和静态因素的权重，得出该问题场景的复杂度。

10.将场景分层，便于问题分阶段处理和场景仿真。对该场景的复杂度利用matlab程序求取95％置信区间所对应的值，得出当前较常出现的问题场景(置信区间内)，应该比较容易感知但感知异常的问题场景(置信区间以外前半)，比较难感知到的场景(置信区间以外后半)，为后面算法优化提供一个量化依据。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。