[发明专利]基于网联车辆驾驶数据的典型与极限场景划分与提取方法

说明书

一种基于网联车辆驾驶数据的典型与极限场景划分与提取方法，包括对网联车辆自然驾驶数据集中的缺失、异常和重复数据进行预处理，并对同一个采样周期内的数据进行归一化处理；将处理后的数据集分割为典型与极限驾驶行为数据集并提取驾驶事件；利用自编码网络对驾驶事件的数据进行降维和特征数据的提取；使用K‑means聚类算法对提取出的特征数据进行驾驶事件分类；对得到的驾驶事件进行特征参数统计分析，得出每个场景的数据特点；通过对数据特点进行提取与分析，得出典型与极限场景。本发明能够比较准确的将自然驾驶数据集分割为典型与极限驾驶数据集，并提取出对应的典型与极限驾驶场景，可以为智能车路系统的设计和测试提供依据。

技术领域

本发明属于智能车路系统交通领域，具体涉及一种基于网联车辆驾驶数据的典型与极限场景划分与提取方法，进而为智能车路系统的设计和测试提供依据。

背景技术

随着智能网联车技术和5G通信技术的发展，智能车路系统成为了研究的重点。完整配套的测试评价体系是推动智能车路系统发展的必要条件，而智能车路系统的测试通常依赖于智能网联车，如何对智能车路系统和智能网联车进行功能和安全性能测试是行业内的一大难点。由于传统的道路场地测试已经无法满足智能车路系统的测试需求，而各种智能传感器设备和通信技术的应用使得大量高分辨率的驾驶数据变得可用，因此，可以从大量的驾驶数据资源中提取出场景并建立测试场景库。目前，在国内外的各种场景提取研究中，主要有两个研究方向：一种是使用场景分类和时间序列分割的分类算法，把驾驶数据中的特征参数作为输入，进而将驾驶数据分类到相关的场景；另一种是使用机器学习算法和深度学习算法对给定的必要测试场景进行学习，通过学习算法来自动生成随机的测试场景。

但是现有技术尚没有通过对自然驾驶数据进行划分来提取得到典型与极限场景的方法。

发明内容

本发明的目的在于针对上述现有技术中智能车路系统测试场景难以获取的问题，提供一种基于网联车辆驾驶数据的典型与极限场景划分与提取方法，能够比较准确的将自然驾驶数据集分割为典型与极限驾驶数据集，并提取出对应的典型与极限驾驶场景。

为了实现上述目的，本发明有如下的技术方案：

一种基于网联车辆驾驶数据的典型与极限场景划分与提取方法，包括：

步骤一、对网联车辆自然驾驶数据集中的缺失、异常和重复数据进行预处理，并对同一个采样周期内的数据进行归一化处理；

步骤二、将步骤一处理后的数据集分割为典型与极限驾驶行为数据集并提取驾驶事件；

步骤三、利用自编码网络对驾驶事件的数据进行降维和特征数据的提取；

步骤四、使用K-means聚类算法对步骤三提取出的特征数据进行驾驶事件分类；

步骤五、对步骤四得到的驾驶事件进行特征参数统计分析，得出每个场景的数据特点；

步骤六、通过对数据特点进行提取与分析，得出典型与极限场景。

优选的，所述的步骤一对缺失数据进行删除处理，或者在采样时间内利用前一时刻的数据进行填充，具体的填充计算表达式如下：

其中，k_i为缺失数据，{k₁+k₂+…+k_n-1+k_n}为采样时间内前一时刻的数据之和，数据的采集频率为10HZ。

优选的，所述的步骤一在同一个采样周期内，对同一个时间点的重复数据进行删除，对车辆基本信息与雷达数据内联生成新的数据时的重复数据进行删除。

优选的，所述的步骤一对异常数据采用3σ准则进行剔除，具体计算方法如下：