[发明专利]一种基于无监督学习的场景定位方法及系统

权利要求书

1.一种基于无监督学习的场景定位方法，其特征在于，包括：

将自身车辆的多个传感器与CAN产生的数据进行融合；

从融合后的数据中选取自身车辆与目标车辆行为相关的特征数据；

利用自编码器对所述特征数据进行自动提取；

利用聚类算法对自动提取的结果进行场景划分，并形成多个场景簇。

2.根据权利要求1所述的基于无监督学习的场景定位方法，其特征在于，所述将自身车辆的多个传感器与CAN产生的数据进行融合包括如下步骤：

根据所述多个传感器的采样频率确定基准采样传感器；

利用所述基准采样传感器对余下的多个传感器进行时间融合。

3.根据权利要求2所述的基于无监督学习的场景定位方法，其特征在于，所述基准采样传感器对余下的多个传感器进行时间融合包括如下步骤：

遍历每个非基准采样传感器的数据帧；

以基准采样传感器时间戳与每个非基准采样传感器的数据帧进行时间匹配；

选取与当前时间戳的时间间隔低于阈值的数据帧，作为当前时间戳下的非基准采样传感器数据，并将其与基准采样传感器当前时间戳下的数据进行融合。

4.根据权利要求1所述的基于无监督学习的场景定位方法，其特征在于，所述自编码器至少包括一个输入层，两个隐藏层，一个输出层。

5.根据权利要求1所述的基于无监督学习的场景定位方法，其特征在于，所述聚类算法为Kmeans算法。

6.根据权利要求1至5中任一项所述的基于无监督学习的场景定位方法，其特征在于，还包括将所述多个场景簇进行划分为不同的场景集合，完成数据的场景定位。

7.一种基于无监督学习的场景定位系统，其特征在于，包括融合模块、选取模块、提取模块、划分模块，

所述融合模块，用于将自身车辆的多个传感器与CAN产生的数据进行融合；

所述选取模块，用于从融合后的数据中选取自身车辆与目标车辆行为相关的特征数据；

所述提取模块，用于利用自编码器对所述特征数据进行自动提取；

所述划分模块，用于利用聚类算法对自动提取的结果进行场景划分，并形成多个场景簇。

8.根据权利要求7所述的基于无监督学习的场景定位系统，其特征在于，所述融合模块包括确定单元、融合单元，

所述确定单元，根据所述多个传感器的采样频率确定基准采样传感器；

所述融合单元，利用所述基准采样传感器对余下的多个传感器进行时间融合。

9.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至6中任一项所述的基于无监督学习的场景定位方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的基于无监督学习的场景定位方法。