CN116432067A - 基于深度嵌入聚类的自动驾驶测试场景提取方法及设备 - Google Patents
基于深度嵌入聚类的自动驾驶测试场景提取方法及设备 Download PDFInfo
- Publication number
- CN116432067A CN116432067A CN202310277416.7A CN202310277416A CN116432067A CN 116432067 A CN116432067 A CN 116432067A CN 202310277416 A CN202310277416 A CN 202310277416A CN 116432067 A CN116432067 A CN 116432067A
- Authority
- CN
- China
- Prior art keywords
- accident
- cluster
- scene
- collision track
- clustering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 31
- 238000000605 extraction Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 230000003068 static effect Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 206010039203 Road traffic accident Diseases 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 239000002352 surface water Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000011076 safety test Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000003826 tablet Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开实施例中提供了一种基于深度嵌入聚类的自动驾驶测试场景提取方法及介质，属于数据处理技术领域，具体包括：对真实交通事故进行深度事故解构得到事故数据，对采集得到的事故数据进行重建，并提取事故参与方的预碰撞轨迹序列；结合预碰撞轨迹序列和静态环境信息，创建预碰撞轨迹矩阵；以预碰撞轨迹矩阵作为输入，使用堆自动编码器进行降维处理，得到低维嵌入特征；将潜在特征作为输入变量，使用k‑mean算法进行聚类，得到多类特征簇；根据每个特征簇中的标签，回溯预碰撞轨迹矩阵，得到每一簇的场景信息并归纳每一簇的场景共性，得到每类典型事故对应的场景描述。通过本公开的方案，增加了典型场景的可植入性和适应性。
Description
技术领域
本公开实施例涉及数据处理技术领域，尤其涉及一种基于深度嵌入聚类的自动驾驶测试场景提取方法。
背景技术
目前，汽车的智能化与网联化是未来汽车发展的大趋势，基于场景的测试技术是自动驾驶测试评价的不可或缺的重要环节。选择合适的场景是自动驾驶汽车安全测试的关键，真实事故场景可作为测试自动驾驶汽车安全性能的关键场景。一般来说，典型的测试场景是根据安全专家的主观理解选择的，碰撞的静态特征(如几何特征、天气)有限。
可见，亟需一种可植入性和适应性强的基于深度嵌入聚类的自动驾驶测试场景提取方法。
发明内容
有鉴于此，本公开实施例提供一种基于深度嵌入聚类的自动驾驶测试场景提取方法，至少部分解决现有技术中存在可植入性和适应性较差的问题。
第一方面，本公开实施例提供了一种基于深度嵌入聚类的自动驾驶测试场景提取方法，包括：
步骤1，根据智能车辆测试需求，对真实交通事故进行深度事故解构得到事故数据，对采集得到的事故数据进行重建，并提取事故参与方的预碰撞轨迹序列；
步骤2，结合预碰撞轨迹序列和静态环境信息，创建预碰撞轨迹矩阵；
步骤3，以预碰撞轨迹矩阵作为输入，使用堆自动编码器进行降维处理，得到低维嵌入特征；
步骤4，将潜在特征作为输入变量，使用k-mean算法进行聚类，得到多类特征簇；
步骤5，根据每个特征簇中的标签，回溯预碰撞轨迹矩阵，得到每一簇的场景信息并归纳每一簇的场景共性，得到每类典型事故对应的场景描述。
根据本公开实施例的一种具体实现方式，所述预碰撞轨迹序列包括静态元素和动态元素，其中，动态元素包括事故参与方在碰撞前预设时段的每个预设步长内的纵向坐标、横向坐标、每个坐标下的速度、加速度、朝向、转向和相对位置差，静态要素包括事故参与双方车辆类型、光照条件、天气、路面积水情况、道路类型、第一碰撞点、车道数目和视线遮挡情况。
根据本公开实施例的一种具体实现方式，所述堆自动编码器包括多个堆叠的自动编码器层，其中，自动编码器层包括编码器和解码器。
根据本公开实施例的一种具体实现方式，所述步骤3具体包括：
编码器使用预设函数将预碰撞轨迹矩阵从输入层映射到隐藏层，解码器通过映射函数将隐藏层数据映射到输出层,通过重构输入样本学习嵌入特征,得到低维嵌入特征。
根据本公开实施例的一种具体实现方式，所述步骤4之前，所述方法还包括：
根据肘部法则通过计算不同K值下的平方和误差和平均轮廓系数确定适当的K值。
根据本公开实施例的一种具体实现方式，所述平方和误差的计算公式为
其中，dist(x,oi)是对象x和oi之间的距离，K表示聚类数量；
所述平均轮廓系数的计算公式为
其中S(i)是i的轮廓系数：
其中i是一个聚类中的对象，a(i)是i与同一聚类中其他对象的平均不相似度，b(i)是i与其他聚类中对象的平均差异度的最小值。
第二方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的基于深度嵌入聚类的自动驾驶测试场景提取方法。
本公开实施例中的基于深度嵌入聚类的自动驾驶测试场景提取方案，包括：步骤1，根据智能车辆测试需求，对真实交通事故进行深度事故解构得到事故数据，对采集得到的事故数据进行重建，并提取事故参与方的预碰撞轨迹序列；步骤2，结合预碰撞轨迹序列和静态环境信息，创建预碰撞轨迹矩阵；步骤3，以预碰撞轨迹矩阵作为输入，使用堆自动编码器进行降维处理，得到低维嵌入特征；步骤4，将潜在特征作为输入变量，使用k-mean算法进行聚类，得到多类特征簇；步骤5，根据每个特征簇中的标签，回溯预碰撞轨迹矩阵，得到每一簇的场景信息并归纳每一簇的场景共性，得到每类典型事故对应的场景描述。
本公开实施例的有益效果为：通过本公开的方案，基于堆自动编码器的深度嵌入聚类算法，以解决维数问题，该方法丰富了现有的自动驾驶安全测试场景分类方法，这些结果为构建和评估自动驾驶汽车与脆弱道路使用者之间的测试场景的安全性提供了必要的信息，使用整个预碰撞轨迹矩阵作为输入，因此不会因为手动选择变量作为聚类变量而产生不良影响，在每个典型场景中都得到了比现有技术更准确、更高效的描述，增加了典型场景在自动驾驶安全测试中的可植入性和适应性。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种基于深度嵌入聚类的自动驾驶测试场景提取方法的流程示意图；
图2为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种基于深度嵌入聚类的自动驾驶测试场景提取方法，所述方法可以应用于汽车网联化场景的自动驾驶场景分析过程中。
参见图1，为本公开实施例提供的一种基于深度嵌入聚类的自动驾驶测试场景提取方法的流程示意图。如图1所示，所述方法主要包括以下步骤：
步骤1，根据智能车辆测试需求，对真实交通事故进行深度事故解构得到事故数据，对采集得到的事故数据进行重建，并提取事故参与方的预碰撞轨迹序列；
可选的，所述预碰撞轨迹序列包括静态元素和动态元素，其中，动态元素包括事故参与方在碰撞前预设时段的每个预设步长内的纵向坐标、横向坐标、每个坐标下的速度、加速度、朝向、转向和相对位置差，静态要素包括事故参与双方车辆类型、光照条件、天气、路面积水情况、道路类型、第一碰撞点、车道数目和视线遮挡情况。
具体实施时，当需要对智能车辆进行测试时，可以根据实际的测试需求对真实交通事故进行深度事故解构，采集整理相关事故数据。对采集得到的事故数据进行重建，并提取事故参与方的预碰撞轨迹。而在深度嵌入聚类的自动驾驶典型测试场景提取中，所述的预碰撞轨迹矩阵包含搭建仿真测试所需要的必要元素，分为动态和静态元素。动态元素包括：事故参与方在碰撞前10秒每一刻的状态，具体而言，以0.01秒为步长，每个步长内的纵向坐标、横向坐标、每个坐标下的速度、加速度、朝向、转向、相对位置差。静态要素包括事故参与双方车辆类型、光照条件、天气、路面积水情况、道路类型、第一碰撞点、车道数目、视线遮挡情况等。当然，也可以根据实际需求增减必要元素。
步骤2，结合预碰撞轨迹序列和静态环境信息，创建预碰撞轨迹矩阵；
具体实施时，在得到预碰撞轨迹序列后，可以结合预碰撞轨迹序列和静态环境信息，创建预碰撞轨迹矩阵(PCM)。
步骤3，以预碰撞轨迹矩阵作为输入，使用堆自动编码器进行降维处理，得到低维嵌入特征；
进一步的，所述堆自动编码器包括多个堆叠的自动编码器层，其中，自动编码器层包括编码器和解码器。
进一步的，所述步骤3具体包括：
编码器使用预设函数将预碰撞轨迹矩阵从输入层映射到隐藏层，解码器通过映射函数将隐藏层数据映射到输出层,通过重构输入样本学习嵌入特征,得到低维嵌入特征。
具体实施时，使用堆自动编码器对PCM进行降维处理，具体包括：
将PCM矩阵作为输入变量，通过堆自动编码器进行降维。其中堆自动编码器由若干个自动编码器(AE)堆叠组成，自动编码器是将输入向量和输出向量之间的损失函数最小化，以确保嵌入过程从输入数据中提取关键特征。自动编码器由两个子网络组成，即编码器fw和解码器gu。编码器使用函数fw将x＝
[x1,x2,…,xn]从输入层映射到隐藏层h＝[h1,h2,…,hk]，其中k是隐藏层变量向量的大小。解码器通过映射函数gu将h映射到输出层。通过重构输入样本来学习嵌入特征h＝fw(x)，即损失函数为：
堆自动编码器是通过逐层连接多个自动编码器层形成。在堆自动编码器中，原始输入向量被发送到第一个AE层，第一个自动编码器的训练完成后，其隐藏特征的输出被发送到下一层，重复相同的过程，直到所有AE都被训练完毕。最顶层自动编码器的隐藏层是堆自动编码器的输出，可以进一步输入到聚类模型中进行分类。
步骤4，将潜在特征作为输入变量，使用k-mean算法进行聚类，得到多类特征簇；
在上述实施例的基础上，所述步骤4之前，所述方法还包括：
根据肘部法则通过计算不同K值下的平方和误差和平均轮廓系数确定适当的K值。
进一步的，所述平方和误差的计算公式为
其中，dist(x,oi)是对象x和oi之间的距离，K表示聚类数量；
所述平均轮廓系数的计算公式为
其中S(i)是i的轮廓系数：
其中i是一个聚类中的对象，a(i)是i与同一聚类中其他对象的平均不相似度，b(i)是i与其他聚类中对象的平均差异度的最小值。
具体实施时，对堆自动编码器输出的嵌入特征，使用k-mean算法进行聚类，其中：
k-means算法是最简单和最常用的聚类算法之一。给定n个样本x和K个初始化的聚类中心μ，k-means通过最小化类内均方误差实现样本的分区。相应的损失函数为：
其中sij表示第i个样本是否属于第j个聚类，如果是则等于1，否则为0。
在k-means聚类算法中，如何选择聚类数量K是主要问题。较大的K值可能会将相似轨迹分成不同的聚类；另一方面，较小的K值可能会合并一些明显不同的聚类。根据肘部法则通过计算不同K值下的平方和误差(SSE)和平均轮廓系数(ASC)确定了适当的K值。对于具有中心点(o1,o2,…,ok)的特定聚类，SSE值定义为：
其中dist(x,oi)是对象x和oi之间的距离。ASC定义为：
其中S(i)是i的轮廓系数：
其中i是一个聚类中的对象；a(i)是i与同一聚类中其他对象的平均不相似度；b(i)是i与其他聚类中对象的平均差异度的最小值。轮廓系数的范围从-1到1，较大的值表示更好的结果。
步骤5，根据每个特征簇中的标签，回溯预碰撞轨迹矩阵，得到每一簇的场景信息并归纳每一簇的场景共性，得到每类典型事故对应的场景描述。
具体实施时，可以根据每个特征簇中的标签，回溯预碰撞轨迹矩阵，提取每个簇中的场景要素共性，具体包含碰撞各时刻的位置、速度、朝向等动态信息，和天气光照等静态信息，每个变量取众数作为典型场景的共性特征。
本实施例提供的基于深度嵌入聚类的自动驾驶测试场景提取方法，通过基于堆自动编码器的深度嵌入聚类算法，以解决维数问题，该方法丰富了现有的自动驾驶安全测试场景分类方法，这些结果为构建和评估自动驾驶汽车与脆弱道路使用者之间的测试场景的安全性提供了必要的信息，使用整个预碰撞轨迹矩阵作为输入，因此不会因为手动选择变量作为聚类变量而产生不良影响，在每个典型场景中都得到了比现有技术更准确、更高效的描述，增加了典型场景在自动驾驶安全测试中的可植入性和适应性。
参见图2，本公开实施例还提供了一种电子设备20，该电子设备包括：至少一个处理器以及与该至少一个处理器通信连接的存储器。其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的基于深度嵌入聚类的自动驾驶测试场景提取方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的基于深度嵌入聚类的自动驾驶测试场景提取方法。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的基于深度嵌入聚类的自动驾驶测试场景提取方法。
下面参考图2，其示出了适于用来实现本公开实施例的电子设备20的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图2示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图2所示，电子设备20可以包括处理装置(例如中央处理器、图形处理器等)201，其可以根据存储在只读存储器(ROM)202中的程序或者从存储装置208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM 203中，还存储有电子设备20操作所需的各种程序和数据。处理装置201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。
通常，以下装置可以连接至I/O接口205：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置206；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置207；包括例如磁带、硬盘等的存储装置208；以及通信装置209。通信装置209可以允许电子设备20与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备20，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置209从网络上被下载和安装，或者从存储装置208被安装，或者从ROM 202被安装。在该计算机程序被处理装置201执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于深度嵌入聚类的自动驾驶测试场景提取方法，其特征在于，包括：
步骤1，根据智能车辆测试需求，对真实交通事故进行深度事故解构得到事故数据，对采集得到的事故数据进行重建，并提取事故参与方的预碰撞轨迹序列；
步骤2，结合预碰撞轨迹序列和静态环境信息，创建预碰撞轨迹矩阵；
步骤3，以预碰撞轨迹矩阵作为输入，使用堆自动编码器进行降维处理，得到低维嵌入特征；
步骤4，将潜在特征作为输入变量，使用k-mean算法进行聚类，得到多类特征簇；
步骤5，根据每个特征簇中的标签，回溯预碰撞轨迹矩阵，得到每一簇的场景信息并归纳每一簇的场景共性，得到每类典型事故对应的场景描述。
2.根据权利要求1所述的方法，其特征在于,所述预碰撞轨迹序列包括静态元素和动态元素，其中，动态元素包括事故参与方在碰撞前预设时段的每个预设步长内的纵向坐标、横向坐标、每个坐标下的速度、加速度、朝向、转向和相对位置差，静态要素包括事故参与双方车辆类型、光照条件、天气、路面积水情况、道路类型、第一碰撞点、车道数目和视线遮挡情况。
3.根据权利要求2所述的方法，其特征在于,所述堆自动编码器包括多个堆叠的自动编码器层，其中，自动编码器层包括编码器和解码器。
4.根据权利要求3所述的方法，其特征在于,所述步骤3具体包括：
编码器使用预设函数将预碰撞轨迹矩阵从输入层映射到隐藏层，解码器通过映射函数将隐藏层数据映射到输出层,通过重构输入样本学习嵌入特征,得到低维嵌入特征。
5.根据权利要求1所述的方法，其特征在于,所述步骤4之前，所述方法还包括：
根据肘部法则通过计算不同K值下的平方和误差以及平均轮廓系数确定适当的K值。
6.根据权利要求5所述的方法，其特征在于,所述平方和误差的计算公式为
其中，dist(x,oi)是对象x和oi之间的距离，K表示聚类数量；
所述平均轮廓系数的计算公式为
其中S(i)是i的轮廓系数：
其中i是一个聚类中的对象，a(i)是i与同一聚类中其他对象的平均不相似度，b(i)是i与其他聚类中对象的平均差异度的最小值。
7.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-6中任一项所述的基于深度嵌入聚类的自动驾驶测试场景提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310277416.7A CN116432067A (zh) | 2023-03-21 | 2023-03-21 | 基于深度嵌入聚类的自动驾驶测试场景提取方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310277416.7A CN116432067A (zh) | 2023-03-21 | 2023-03-21 | 基于深度嵌入聚类的自动驾驶测试场景提取方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116432067A true CN116432067A (zh) | 2023-07-14 |
Family
ID=87093528
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310277416.7A Pending CN116432067A (zh) | 2023-03-21 | 2023-03-21 | 基于深度嵌入聚类的自动驾驶测试场景提取方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116432067A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118392519A (zh) * | 2024-06-28 | 2024-07-26 | 江西五十铃汽车有限公司 | 一种自动驾驶车辆的安全评估方法、系统、存储介质及设备 |
-
2023
- 2023-03-21 CN CN202310277416.7A patent/CN116432067A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118392519A (zh) * | 2024-06-28 | 2024-07-26 | 江西五十铃汽车有限公司 | 一种自动驾驶车辆的安全评估方法、系统、存储介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111626208B (zh) | 用于检测小目标的方法和装置 | |
| CN107038478B (zh) | 路况预测方法及装置、计算机设备与可读介质 | |
| CN112307978B (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
| CN110674349B (zh) | 视频poi识别方法、装置及电子设备 | |
| JP7168708B2 (ja) | マップデータの更新方法、装置、機器及び可読記憶媒体 | |
| CN109325424A (zh) | 交通违章案件的鉴别方法、装置和计算机设备 | |
| CN113326826A (zh) | 网络模型的训练方法、装置、电子设备及存储介质 | |
| CN115861884A (zh) | 复杂场景下视频多目标跟踪方法、系统、设备及介质 | |
| CN116432067A (zh) | 基于深度嵌入聚类的自动驾驶测试场景提取方法及设备 | |
| CN112712036A (zh) | 交通标志识别方法、装置、电子设备及计算机存储介质 | |
| CN110287817B (zh) | 目标识别及目标识别模型的训练方法、装置和电子设备 | |
| CN110069997B (zh) | 场景分类方法、装置及电子设备 | |
| CN110321854B (zh) | 用于检测目标对象的方法和装置 | |
| CN110852042A (zh) | 字符类型转换方法和装置 | |
| CN110555425A (zh) | 一种视频流实时行人检测方法 | |
| CN112434591B (zh) | 车道线确定方法、装置 | |
| CN115758663A (zh) | 车辆行为和轨迹的仿真模拟方法、装置和电子设备 | |
| CN115576990A (zh) | 视觉真值数据与感知数据的评测方法、装置、设备及介质 | |
| CN115628753A (zh) | 导航语音播报方法及装置、电子设备、存储介质 | |
| CN116255990A (zh) | 车辆导航方法、装置、车辆以及存储介质 | |
| CN111738311A (zh) | 面向多任务的特征提取方法、装置及电子设备 | |
| CN113408488B (zh) | 基于胶囊网络的火焰目标识别方法、设备及介质 | |
| CN111950572A (zh) | 训练分类器的方法、装置、电子设备和计算机可读存储介质 | |
| CN118298251B (zh) | 基于多数据源目标检测模型的图像识别方法及装置 | |
| CN111401224B (zh) | 目标检测方法、装置及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |