[发明专利]一种基于无监督学习的场景定位方法及系统

说明书

本发明涉及一种基于无监督学习的场景定位方法及系统，其方法包括：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。本发明使用自编码器对传感器数据进行自动提取隐藏特征，根据所提取的特征利用kMeans聚类算法进行场景分类形成场景簇，再将场景簇进行人工场景定义完成场景提取。与传统方法相比，降低了操作人员的专业性要求，提高了场景定位的精度与效率。

技术领域

本发明属于车辆自动驾驶技术领域，具体涉及一种基于无监督学习的场景定位方法及系统。

背景技术

随着智能网联汽车的大力发展，自动驾驶的数据量日益庞大，从大量的数据中挖掘自动驾驶场景进行数据再利用是必然的趋势。传统的场景定位方法是凭借经验总结场景关联特征，对其进行特征组合运算，多次调整运算参数形成一定的规律完成场景提取，这种方法需要对场景与传感器数据有较为深刻的了解，操作专业性强，对于不同的数据源需要多次调整运算规则与特征值，人工量大且精度较低。

发明内容

为降低场景定位或提取过程中对人工经验的依赖和提高提取效率，在本发明的第一方面提供了一种基于无监督学习的场景定位方法，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。

在本发明的一些实施例中，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。

进一步的，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。

在本发明的一些实施例中，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。

在本发明的一些实施例中，所述聚类算法为Kmeans算法。

在上述的实施例中，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。

本发明的第二方面，提供了一种基于无监督学习的场景定位系统，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。

进一步的，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。

本发明的第三方面，提供了一种电子设备，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本发明第一方面提供的基于无监督学习的场景定位方法。