一种泊车场景虚拟重构方法与流程

本发明涉及智能网联汽车泊车系统测试评价领域，具体涉及一种泊车场景虚拟重构方法。

背景技术：

随着智能网联汽车技术的逐渐发展,智能驾驶系统逐渐取代了人类驾驶员的部分驾驶任务。其中智能网联汽车自主泊车系统的开发也得到了更进一步的发展。随着自主泊车系统技术的成熟与推广，对该系统进行测试显得至关重要。

目前，主要的测试工况均来自国标和国际标准，但是标准测试工况中条件单一，测试方法过于理想化，对于自动泊车系统的测试远远无法满足对算法边界条件的测试，导致产品性能无法得到有效验证，优化升级困难。

技术实现要素：

本发明的目的在于提供一种泊车场景虚拟重构方法，可重构无限量的虚拟泊车场景测试工况，解决标准测试工况中条件单一，无法准确的对自动泊车系统进行测试的问题。

为解决上述技术问题，本发明提供的基础方案如下：

一种泊车场景虚拟重构方法，包括以下步骤：

泊车参数存储步骤：在数据库中存储泊车场景中各类别的泊车参数信息；

泊车场景元素降维步骤：调取数据库内泊车场景中各类别的泊车参数信息，将泊车参数信息中，非显著性参数筛除，并将筛除非显著性参数后的降维泊车参数信息发送给数据库存储；

泊车场景元素联合概率统计步骤：统计数据库中各降维泊车参数信息之间的概率分布关系，生成联合概率分布模型信息，并发送给数据库存储；

泊车场景扩充步骤：根据数据库中联合概率分布模型信息，对泊车场景中各类别的泊车参数信息中的数据量进行扩充，并生成泊车参数扩充信息；

场景虚拟重构步骤：根据泊车参数扩充信息，参数化重构泊车场景。

本发明技术方案的有益效果为：

1、通过将泊车参数信息中非显著性参数筛除，在保证了整个测试工况准确性的情况下，降低了算法的运算量，提高了测试效率。其中非显著性参数依赖于数理统计中的显著评定标准，一般以％5作为显著评定标准，小于％5这个评定标准的为非显著性参数。

2、通过对数据库中各降维泊车参数信息进行统计学分析，统计出各相关的降维泊车参数信息之间的联合概率分布，通过联合概率分布模型就可得出各降维泊车参数之间的关联性大小，有利于在泊车场景扩充时，可根据此联合概率分布模型得到与真实的泊车参数相似的泊车参数扩充信息。

3、通过泊车参数扩充信息，就可重构无限量的虚拟泊车场景测试工况，解决标准测试工况中条件单一，无法准确的对自动泊车系统进行测试的问题。

进一步，还包括：

泊车场景分析步骤：根据数据库中降维泊车参数信息，提取出典型泊车参数信息；

所述场景虚拟重构步骤：还根据典型泊车参数信息，参数化重构出典型泊车场景。

由于在真实环境中进行自动泊车系统工况测试时，若想进行无限多次的工况测试并不现实，因此需要提取出最具典型代表性的典型泊车参数信息，用于真实的泊车场景测试，便于在真实环境中进行自动泊车系统的工况测试。

进一步，所述泊车场景元素降维步骤中通过系统聚类算法将泊车参数信息中非显著性参数筛除。

通过系统聚类算法，对泊车参数信息进行聚类，就可将泊车参数信息中的非显著性参数统计出来进行筛除，也就是将小概率事件筛除，达到对若干的泊车参数信息进行降维的目的。

进一步，所述泊车场景元素联合概率统计步骤中采用高斯混合模型方法统计出各降维泊车参数信息之间的概率分布关系。

高斯混合模型能够对任意空间分布进行模拟，因此采用高斯混合模型对各降维泊车参数信息之间的概率分布关系进行统计，能够更加准确的求取出各降维泊车参数信息之间的联合概率分布关系，得到更加准确的联合概率分布模型。

进一步，所述泊车场景扩充步骤中根据联合概率分布模型信息，采用蒙特卡洛方法对泊车场景中各类别的泊车参数信息中的数据量进行扩充。

蒙特卡洛方法是在构造了概率模型以后，由于各种概率模型都可以看作是由各种各样的概率分布构成的，利用蒙特卡洛方法就可产生已知概率分布的随机变量，从而就可达到对各类别的泊车参数信息中的数据量进行扩充的目的。

进一步，所述泊车场景分析步骤中采用k-means算法对数据库中的降维泊车参数信息进行聚类，提取出典型泊车场景。

k-means算法，先随机选取k个对象作为初始的聚类中心。然后计算每个对象与各个聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是以下任何一个：

1)没有(或最小数目)对象被重新分配给不同的聚类。

2)没有(或最小数目)聚类中心再发生变化。

3)误差平方和局部最小。

通过k-means算法，就可提取出最具典型代表性的典型泊车场景，该典型泊车场景就可在现实中作为自动泊车系统的测试标准。

进一步，所述场景虚拟重构步骤包括：

建模参数文件生成步骤：由matlab软件根据泊车参数扩充信息或典型泊车参数信息，生成对应于商业建模软件的场景参数接口文件；

建模步骤：根据场景参数接口文件，采用商业建模软件参数化重构泊车场景。

以此方式，就可根据泊车参数扩充信息或典型泊车参数信息，利用matlab软件和商业建模软件实现自动化、精确化的泊车场景参数化重构，给自动泊车系统的虚拟测试提供条件。

进一步，所述商业建模软件采用prescan、vtd或carmaker商业建模软件。

利用prescan、vtd或carmaker商业建模软件能够更加准确、高效的完成泊车场景的搭建。

进一步，所述泊车场景元素降维步骤中通过matlab软件采用聚类算法将泊车参数信息中非显著性参数筛除；

所述泊车场景元素联合概率统计步骤：通过matlab软件采用高斯混合模型方法统计出各降维泊车参数信息之间的概率分布关系；

所述泊车场景扩充步骤中根据联合概率分布模型信息，通过matlab软件采用蒙特卡洛方法对泊车场景中各类别的泊车参数信息中的数据量进行扩充；

泊车场景分析步骤中通过matlab软件采用k-means算法对数据库中的降维泊车参数信息进行聚类，提取出典型泊车场景。

以此方式，通过matlab软件，可对泊车参数数据进行自动化的处理，完成对泊车参数信息中非显著性参数筛除、联合概率分布模型的求取、泊车参数信息中数据量的扩充和典型泊车场景的提取。

进一步，所述泊车参数信息包括：停车位信息、停车位环境信息和自车信息。

泊车参数信息包括停车位信息、停车位环境信息和自车信息，也就是包括一个完整的泊车场景，给后续的数据的扩充和典型泊车场景的提取提供数据支持。

附图说明

图1为本发明一种泊车场景虚拟重构方法实施例的流程图。

具体实施方式

下面通过具体实施方式进一步详细说明：

实施例基本如附图1所示：一种泊车场景虚拟重构方法，包括以下步骤：

泊车参数存储步骤：在数据库中存储泊车场景中各类别的泊车参数信息，泊车参数信息包括：停车位信息、停车位环境信息和自车信息，具体分类如下表一：

表1

泊车场景元素降维步骤：调取数据库内泊车场景中各类别的泊车参数信息，通过matlab软件采用聚类算法将泊车参数信息中非显著性参数筛除，并将筛除非显著性参数后的降维泊车参数信息发送给数据库存储。

其中非显著性参数依赖于数理统计中的显著评定标准，一般以％5作为显著评定标准，小于％5这个评定标准的为非显著性参数。

非显著性参数如：车辆在即将停车时，本实施例中为停车前30秒内其车辆速度正常情况是小于20km/h的，若其即将停车时其车辆速度大于20km/h就为非显著性参数。

泊车场景元素联合概率统计步骤：通过matlab软件采用高斯混合模型方法统计数据库中各降维泊车参数信息之间的概率分布关系，生成联合概率分布模型信息，并发送给数据库存储。高斯混合模型能够对任意空间分布进行模拟，因此采用高斯混合模型对各降维泊车参数信息之间的概率分布关系进行统计，能够更加准确的求取出各降维泊车参数信息之间的联合概率分布关系，得到更加准确的联合概率分布模型。

泊车场景扩充步骤：根据数据库中联合概率分布模型信息，通过matlab软件采用蒙特卡洛方法对泊车场景中各类别的泊车参数信息中的数据量进行扩充，并生成泊车参数扩充信息。蒙特卡洛方法是在构造了概率模型以后，由于各种概率模型都可以看作是由各种各样的概率分布构成的，利用蒙特卡洛方法就可产生已知概率分布的随机变量，从而就可达到对各类别的泊车参数信息中的数据量进行扩充的目的。

泊车场景分析步骤：通过matlab软件采用k-means算法对数据库中的降维泊车参数信息进行聚类，提取出典型泊车参数信息。在本实施例中k-means算法是以聚类中心，距离离散程度的大小为衡量指标，获得一定数量的典型泊车参数信息，如把泊车位宽度分为5类，就有5个聚类中心，其离散程度根据数据本身的情况而定，就相当于每个数据点到数据中心的距离。又如停车位隔离线的颜色，其中红色用0001表示，黄色用0100表示，设定其离散程度为1，那么若以黄色为聚类中心，就相当于把黄色的0001置为0000，此时红色到黄色的距离就为0100-0000＝1，由于红色到黄色的距离小于等于1，因此黄色和红色就可聚为一类。

场景虚拟重构步骤包括：

建模参数文件生成步骤：由matlab软件根据泊车参数扩充信息或典型泊车参数信息，生成对应于商业建模软件的场景参数接口文件。

建模步骤：根据场景参数接口文件，采用商业建模软件参数化重构泊车场景。

商业建模软件采用prescan、vtd或carmaker商业建模软件。

具体的，通过将泊车参数信息进行降维，筛除其中低于5％的显著性标准的参数，通过matlab软件采用高斯混合模型方法，统计出降维泊车参数信息之间的联合概率分布模型信息，并根据此联合概率分布模型信息，通过matlab软件采用蒙特卡洛方法对泊车场景中各类别的泊车参数信息中的数据量进行扩充，扩充后的泊车参数扩充信息就可由matlab软件生成对应于商业建模软件的场景参数接口文件，进而商业建模软件就可根据该场景参数接口文件，参数化重构出若干的泊车场景，以此方式，就获得具有高丰富度的泊车场景，建立完备的泊车虚拟测试场景，解决标准测试工况中条件单一，无法准确的对自动泊车系统进行测试的问题。

并且还可通过matlab软件采用k-means算法对降维泊车参数信息进行聚类，从而提取出典型泊车参数信息，并利用matlab软件根据典型泊车参数信息，生成对应于商业建模软件的场景参数接口文件，进而采用商业建模软件参数化重构出典型泊车场景。该典型泊车场景就可用于真实的泊车场景测试，便于在真实环境中进行自动泊车系统的工况测试。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。