基于GA遗传算法的自动驾驶仿真场景库扩展方法与流程

本发明涉及自动驾驶仿真，具体为基于ga遗传算法的自动驾驶仿真场景库扩展方法。

背景技术：

1、遗传算法(genetic algorithm，ga)最早是由美国的john holland于20世纪70年代提出,该算法是根据大自然中生物体进化规律而设计提出的。是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式,利用计算机仿真运算,将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时,相对一些常规的优化算法,通常能够较快地获得较好的优化结果。遗传算法已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。

2、在自动驾驶仿真场景中，为了获取大量的仿真数据库，采用现场采集数据并进行模拟设定无疑过于缓慢和繁琐，成本也会大大增加，所以需要一种能够快速高效的方法来实现仿真场景库的快速扩展，采用遗传算法能够较好的解决该问题，为此，提出基于ga遗传算法的自动驾驶仿真场景库扩展方法。

技术实现思路

1、本发明的目的在于提供基于ga遗传算法的自动驾驶仿真场景库扩展方法，以解决上述背景技术中提出的采用现场采集数据并进行模拟设定无疑过于缓慢和繁琐，成本也会大大增加的问题。

2、为实现上述目的，本发明提供如下技术方案：基于ga遗传算法的自动驾驶仿真场景库扩展方法，包括以下步骤：

3、s1、确定场景类型、环境类型作为遗传算法的参数空间；

4、s2、初始化，设置进化代数计数器t＝0，设置最大进化代数t，随机生成m个个体作为初始群体p(0)；

5、s3、个体评价，计算群体p(t)中各个个体的适应度；

6、s4、选择运算，确定运算公式；

7、s5、交叉运算，将筛选后的优质个体进行交叉成组，产生场景数据；

8、s6、终止条件判断：若t＝t,则以进化过程中所得到的具有最佳适应度个体作为最优解输出，终止计算；

9、s7、将最优解输出并储存，将环境类型影响与各最优解输出数据交叉组合，并形成最终场景数据。

10、作为优选，在s1中，场景类型包括以碰撞时间划分级别的极度危险、碰撞边缘、确保不会碰撞、生成无法仿真。

11、作为优选，以碰撞时间ttc为关键场景类型选取指标，ttc在0.7-0.9s表示极度危险、ttc在0-0.7s表示碰撞边缘、ttc大于0.9s表示确保不会碰撞、ttc为负数表示生成无法仿真；

12、ttc计算公式和适应度函数公式如下：

13、ttc＝s/(vego-vfront)；

14、

15、式中，vego为主车车速；vfront为前车车速；s为主车与前车的初始相对位置；ttc为计算出的碰撞时间；ffit为计算出的适应度值，用以引导遗传算法搜索过程。

16、作为优选，在s5中，根据种群个体的运行结果确立优劣特性，对劣质个体即适应度值过低个体进行删除；将适应度过低的场景定义为劣质个体，直接将其在场景库中剔除。

17、作为优选，在s1中，环境类型包括有雾环境、有风环境、有雨环境、有雪环境；

18、将有雾环境、有风环境、有雨环境、有雪环境这四个环境类型分别划分为三个等级：低、中、高。

19、作为优选，按环境类型划分的低、中和高三个级别，并将每个级别与最优解输出进行交叉组合，分别对与其组合的最优解输出的适应度计算结果加上0.001、0.0025和0.003，并得到最终运算结果，剔除适应度低于0.04的数据，并输出所得到的数据。

20、本发明采用以上技术方案与现有技术相比，具有以下技术效果：

21、通过遗传算法进行自动驾驶仿真场景扩展，能够快速筛选出最优结果，并通过环境因素交叉，按照其真实性指数删选优化后代,迭代产生海量场景数据,更好地满足场景库扩展性、无限性、批量化、自动化等关键特性。

技术特征：

1.基于ga遗传算法的自动驾驶仿真场景库扩展方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的基于ga遗传算法的自动驾驶仿真场景库扩展方法，其特征在于：在s1中，场景类型包括以碰撞时间划分级别的极度危险、碰撞边缘、确保不会碰撞、生成无法仿真。

3.根据权利要求2所述的基于ga遗传算法的自动驾驶仿真场景库扩展方法，其特征在于：以碰撞时间ttc为关键场景类型选取指标，ttc在0.7-0.9s表示极度危险、ttc在0-0.7s表示碰撞边缘、ttc大于0.9s表示确保不会碰撞、ttc为负数表示生成无法仿真；

4.根据权利要求3所述的基于ga遗传算法的自动驾驶仿真场景库扩展方法，其特征在于：在s5中，根据种群个体的运行结果确立优劣特性，对劣质个体即适应度值过低个体进行删除；将适应度过低的场景定义为劣质个体，直接将其在场景库中剔除。

5.根据权利要求1所述的基于ga遗传算法的自动驾驶仿真场景库扩展方法，其特征在于：在s1中，环境类型包括有雾环境、有风环境、有雨环境、有雪环境；

6.根据权利要求5所述的基于ga遗传算法的自动驾驶仿真场景库扩展方法，其特征在于：按环境类型划分的低、中和高三个级别，并将每个级别与最优解输出进行交叉组合，分别对与其组合的最优解输出的适应度计算结果加上0.001、0.0025和0.003，并得到最终运算结果，剔除适应度低于0.04的数据，并输出所得到的数据。

技术总结
本发明涉及自动驾驶仿真技术领域，且公开了基于GA遗传算法的自动驾驶仿真场景库扩展方法，包括：S1、确定场景类型、环境类型作为遗传算法的参数空间；S2、初始化；S3、个体评价；S4、选择运算；S5、交叉运算；S6、终止条件判断：若t＝T,则以进化过程中所得到的具有最佳适应度个体作为最优解输出，终止计算；S7、将最优解输出并储存，将环境类型影响与各最优解输出数据交叉组合，并形成最终场景数据。通过遗传算法进行自动驾驶仿真场景扩展，能够快速筛选出最优结果，并通过环境因素交叉，按照其真实性指数删选优化后代,迭代产生海量场景数据,更好地满足场景库扩展性、无限性、批量化、自动化等关键特性。

技术研发人员：邓一,李娟
受保护的技术使用者：苏州为通之赢科技有限公司
技术研发日：
技术公布日：2024/1/13