一种针对自动驾驶车辆的多车交互换道情景库自动化构建方法

本发明涉及自动驾驶车辆安全测试领域，尤其是指一种针对自动驾驶车辆的多车交互换道情景库自动化构建方法。

背景技术：

1、自动驾驶车辆的算法模型训练和算法测试依赖于大量驾驶场景和情景数据。提升测试数据的质量将有助于提高自动驾驶算法的准确性。然而，多车交互换道情景常常涉及复杂的行为交互，使得目前的自动驾驶算法在该情景下完成具有社会兼容性的换道决策仍然面临挑战。目前，航拍轨迹数据集和自动驾驶车辆数据集均可获取自车、周围车辆和道路环境等信息。这些数据中包含了多种驾驶场景以及有效和无效数据，因此无法直接应用于模型的特定场景训练及测试。目前，针对场景数据的提取研究中存在提取情景元素不全面、方法可移植性差、缺乏对情景风险分级等问题。因此，设计一种针对自动驾驶车辆的多车交互换道情景库自动化构建方法对于提高自动驾驶车辆在复杂环境中的换道行为安全性至关重要。

技术实现思路

1、本发明提出了一种针对自动驾驶车辆的多车交互换道情景库自动化构建方法。该方法提出了车辆驾驶场景及情景的语意表征方式，并基于该表征方式实现了多车交互换道情景的自动化提取。同时，本发明还提出了考虑换道车辆与周围车辆位置关系的风险情景聚类方法，能够实现对多车交互换道情景的风险等级分类。最终，本发明实现了具有风险属性标签以及能够反映风险演化过程的多车交互换道情景库的自动化提取构建。

2、本发明考虑针对自动驾驶车辆的多车交互换道情景库自动化构建方法包含场景及数据结构化处理模块、情景表征模块、多车换道交互情景自动化提取模块、情景风险分级模块。

3、一种针对自动驾驶车辆的多车交互换道情景库自动化构建方法，其特征在于，包括如下步骤：

4、a.数据结构化处理模块包含数据重采样子模块和场景及情景数据提取子模块、车辆类型划分子模块。该模块的输入为数据采样频率和数据集。该模块根据实际需求按照指定数据采集频率从航拍轨迹或自动网联驾驶等数据集中提取数据，并将处理后的数据输入情景表征模块以及多车换道交互情景自动化提取模块；

5、b.情景表征模块通过语意的方式对多车换道交互情景进行数字化表征，从而实现情景元素数量及元素之间关系的清晰表示。将情景定义为包含自车编号、车辆类型、换道类型、天气、出行时段、场景的七元组，进一步将换道类型定义为了包含换道区域、换道方向和是否连续变更车道三类信息的三元组，将场景定义为包含自车编号、场景元素、元素属性、元素关系的四元组；

6、c.多车换道交互情景自动化提取模块包含换道交互情景类型判断子模块、获取换道交互情景起止点子模块、情景元素关系提取子模块，该模块通过对数据结构化处理模块的输出数据进行进一步处理，从完整的轨迹数据中提取出车辆换道过程的数据，以及情景表征模块中定义的各类情景元素对应的值，该模块的输出数据将作为情景表征模块的输入数据，对换道类型三元组、场景四元组、情景七元组中的数据进行更新。

7、d.情景风险分级模块包含场景风险计算子模块、情景风险聚类子模块、风险评估子模块，该模块的输入数据为情景表征模块输出的多车交互换道情景的语义表征结构数据，其中场景风险计算子模块对情景中的每一个场景的风险进行计算并生成风险矩阵，将所有情景的风险矩阵输入情景风险聚类子模块对情景进行风险类别的划分，最后将分类后的结果输入风险评估子模块获各类情景的风险级别，该模块的输出数据将作为情景表征模块的输入数据，情景七元组中的数据进行更新。

8、步骤a中所述数据重采样子模块采用基于时间间隔的线性插值法将数据重采样为指定的时间间隔。

9、步骤a中所述情景数据提取子模块提取的信息包含交通参与者信息、行驶环境信息、道路环境信息三大类数据。

10、其中，交通参与者信息包含车辆的速度、加速度、航向角、行驶车道id、坐标、车身四个顶点坐标。

11、行驶环境信息包括天气信息、出行时段，其中天气信息包含晴天、雨天、雾天、雪天、沙尘、大风；出行时段包含：早高峰(6:00-9:00)、上低峰(9:00-12:00)、下低峰(12:00-16:00)、晚高峰(16:00-20:00)、其他(20:00-24:00；24:00-6:00)。

12、道路环境信息包含动态交通设施、静态交通设施、道路渠化、车道类型四大类，其中动态交通设施包含，交通信号灯、潮汐车道灯等；静态交通设施包含交通标志标牌、道路隔离设施等；道路渠化包含分合流匝道、道路边线；车道类型包含虚线、实线、路缘石，该类信息提取当前行驶环境中存在的各类元素名称及其坐标。

13、步骤a中所述车辆类型划分子模块的输入值为车身四个顶点坐标，根据顶点左边计算车身长度，小型车的判断条件为车身长度l<5.83(m)、中型车的判断条件为车身长度5.83(m)<l<12.58(m)、大型车的判断条件为车身长度l<12.58(m)。

14、步骤b中所述的情景七元组定义公式如下：

15、sct(ego,wather,time,cartype,lctype,ascenet,risklevel)t∈t

16、其中，t代表换道原情景的持续时间，t表示情景中的某一时刻，ego代表换道车辆，weather代表天气，time为出行时段，cartype是车辆类型，lctype是一个包含具体换道行为集合的参数，ascenet表示某一时刻的场景，riskevel情景风险等级。

17、步骤b中所述的换道类型三元组定义公式如下：

18、type＝{area,dir,con}

19、其中，area表示车辆换道行为发生的区域，包括分流区、合流区和交织区直线段；dir表示车辆的换道方向，包括左侧换道和右侧换道；con用于表示车辆是否进行连续变更车道行为。

20、步骤b中所述的场景四元组定义公式如下；

21、ascenet(as)＝{ego,et(as),rt(as),st(as)}

22、其中，ego为换道车辆；t表示情景中的某一时刻；et(as)是t时刻场景元素的集合，包括交通参与者、道路环境参数；rt(as)为自车与其他场景元素间的位置关系集合，包含前方、后方、左方、右方、左前方、左后方、右前方、右后方；st(as)是场景元素的状态集合，当元素类型为车辆时，包含车辆的速度、位置、车辆类型、航向角、行驶车道id；当元素类型为道路环境时，包含元素类别、名称和范围坐标。

23、步骤c中所述换道交互情景类型判断子模块，根据自车轨迹数据中包含的不同车道id个数来判断车辆是否进行连续变更车道，若id个数大于2则为连续变道；根据目标车道和原车道的id大小以及车辆的行驶方向来确定换道的方向。例如：若车辆沿x轴方向行驶，且行驶车道id大于目标车道id，则车辆为左换道，否则为右换道；根据车道变更点的坐标和道路环境元素的位置坐标进行匹配，获取换道场景发生区域以及场景中包含的道路环境名称及坐标。

24、步骤c中所述获取换道交互情景起止点子模块，采用了基于换道变更点时间戳前后搜索的方法，考虑到连续车道变更可能会有多个变更点，从第一个变更点开始向前搜索起点，并从最后一个变更点开始向后搜索终点。在搜索过程中，如果车辆的横向加速度与前一时刻相同，且横向位置与变更点位置之差大于0.9米，则表示搜索完成，并将当前时刻的时间戳记录为情景的起止标识，并使用该标识将换道交互情景从原始数据集中分割提取出来。

25、步骤c中所述情景元素关系提取子模块，该模块中可设置周围元素的提取范围，通常可设置为以换道车辆为中心半径100m的区域。在该范围内获取了行驶车道的前后车辆，以及与自车相邻车道中与自车距离最近的前后车辆。然后，从数据结构化处理模块获取到车辆与自车的位置关系和运行状态信息。若换道车辆行驶车道或目标车道为道路最外侧车道，则需要获得车道与车辆的位置关系及车道的坐标。

26、步骤d中所述的场景风险计算子模块通过分别计算换道车辆和周围车辆的风险值并根据周围车辆做出的位置信息给特定位置的车辆分配位置索引值，并组成风险矩阵作为模型输出，该模块的输出结果输入到情景风险聚类子模块。

27、车辆间风险可由如下公式计算：

28、

29、其中，t表示情景中的某一时刻，和分别表示车辆vi和vj的四个边界点集合和中对应的距离最短的两个点。和分别表示车辆vi和vj的速度向量。

30、场景不同车辆对应的位置索引如下表：

31、

32、情景的风险矩阵示例如下：

33、

34、步骤d中所述情景风险聚类子模块首先采用高斯混合模型(gmm)将输入的情景风险矩阵二维时间序列数据转化为离散的簇，然后再采用词袋模型隐含狄利克雷分布(lda)来实现时间序列数据的聚类，该聚类过程能够保留情景中元素的个数、风险以及空间位置关系信息。

35、步骤d中所述风险评估子模块基于场景的风险指标构建情景综合风险序列其中1≤t≤n，并基于该风险序列提出了四个评估情景风险的指标，指标的计算方法和含义如下表所示。

36、

37、rt为t时刻情景中周围车辆与换道车辆风险值的最小值，计算方法如下：

38、

39、rmean和rmax分别表示换道情景风险序列的平均值和最大值，反映了风险场景的分布情况。

40、slec和slemax的计算基于随时间变化的导数其中slec是风险可能性估计值，表示风险发生的概率大小。当在序列中的一段时间范围内持续大于0，说明风险处于持续累积的状态，累积时间越长，发生风险的可能性越大。δs表示最长的风险累积时间序列。风险强度估计值(slemax)用于衡量风险发生的强度，其值越大，说明时刻t与t+1之间的风险变化越剧烈。