本發(fā)明涉及自動駕駛。更具體地說，本發(fā)明涉及一種用于自動駕駛場景庫的綜合指標(biāo)計算方法。

背景技術(shù)：

1、在自動駕駛技術(shù)的發(fā)展過程中，準(zhǔn)確構(gòu)建場景庫并計算綜合指標(biāo)對于實現(xiàn)安全、高效的自動駕駛至關(guān)重要。

2、目前，自動駕駛車輛的數(shù)據(jù)采集主要依賴多種傳感器，如車載gnss模塊、輪速傳感器和前視攝像頭等。然而，不同傳感器的數(shù)據(jù)存在誤差和不穩(wěn)定性。例如，車載gnss模塊在某些環(huán)境下（如高樓林立的城市峽谷、隧道等）可能會出現(xiàn)定位不準(zhǔn)確的情況，導(dǎo)致三維定位數(shù)據(jù)存在偏差；輪速傳感器獲取的輪速脈沖數(shù)據(jù)可能會受到輪胎磨損、路面狀況等因素的影響，從而產(chǎn)生誤差；前視攝像頭獲取的圖像數(shù)據(jù)可能會受到光照、天氣等條件的干擾，使得圖像質(zhì)量下降，影響后續(xù)的分析和處理。

3、在數(shù)據(jù)融合方面，現(xiàn)有的方法往往難以充分發(fā)揮不同傳感器數(shù)據(jù)的優(yōu)勢，導(dǎo)致融合軌跡數(shù)據(jù)存在缺失或不準(zhǔn)確的情況。當(dāng)融合軌跡數(shù)據(jù)中出現(xiàn)連續(xù)若干幀空值區(qū)域時，如何準(zhǔn)確標(biāo)記并補全這些缺失數(shù)據(jù)是一個亟待解決的問題。傳統(tǒng)的數(shù)據(jù)補全方法可能無法考慮到數(shù)據(jù)的時序特性，導(dǎo)致補全后的軌跡數(shù)據(jù)與實際情況存在較大偏差。

4、對于車道寬度的計算，現(xiàn)有的方法大多采用固定值或簡單的平均值，無法根據(jù)實際行駛情況進行動態(tài)調(diào)整。在實際駕駛中，車道寬度可能會受到道路施工、車輛并道等因素的影響而發(fā)生變化。如果不能及時準(zhǔn)確地計算動態(tài)車道寬度，可能會導(dǎo)致自動駕駛車輛在行駛過程中出現(xiàn)壓線、偏離車道等危險情況。

5、在碰撞風(fēng)險評估方面，現(xiàn)有的指標(biāo)計算方法往往只考慮了單一的因素，如縱向距離或橫向距離，而忽略了道路曲率等其他重要因素。道路曲率的變化會影響車輛的行駛軌跡和速度，從而對碰撞風(fēng)險產(chǎn)生重要影響。因此，如何綜合考慮多種因素，準(zhǔn)確計算動態(tài)碰撞風(fēng)險指標(biāo)，是提高自動駕駛安全性的關(guān)鍵。

6、此外，在場景分類方面，現(xiàn)有的方法缺乏對多種指標(biāo)的綜合考慮，導(dǎo)致場景分類不準(zhǔn)確。跟馳場景、變道場景以及交叉路口場景的特征復(fù)雜多樣，僅依靠單一指標(biāo)很難準(zhǔn)確區(qū)分這些場景。因此，需要一種能夠綜合考慮多種因素的方法，實現(xiàn)對自動駕駛場景的準(zhǔn)確分類。

技術(shù)實現(xiàn)思路

1、本發(fā)明的一個目的是解決至少上述問題，并提供至少后面將說明的優(yōu)點。

2、本發(fā)明通過一系列步驟，包括數(shù)據(jù)獲取、融合、補全、處理以及指標(biāo)計算和場景分類，旨在提高綜合指標(biāo)計算的準(zhǔn)確性和場景分類的可靠性。

3、為了實現(xiàn)根據(jù)本發(fā)明的這些目的和其它優(yōu)點，提供了一種用于自動駕駛場景庫的綜合指標(biāo)計算方法，其特征在于，包括以下步驟：

4、s1、通過車載gnss模塊獲取三維定位數(shù)據(jù)，通過輪速傳感器獲取輪速脈沖數(shù)據(jù)，通過前視攝像頭獲取圖像數(shù)據(jù)；

5、s2、將步驟s1的三維定位數(shù)據(jù)與輪速脈沖數(shù)據(jù)輸入擴展卡爾曼濾波器，生成融合軌跡數(shù)據(jù)；

6、s3、檢測步驟s2的融合軌跡數(shù)據(jù)中連續(xù)若干幀空值區(qū)域，生成缺失軌跡標(biāo)記數(shù)據(jù)；

7、s4、將步驟s2的融合軌跡數(shù)據(jù)與步驟s3的缺失軌跡標(biāo)記數(shù)據(jù)輸入時序卷積網(wǎng)絡(luò)與微型門控循環(huán)單元網(wǎng)絡(luò)級聯(lián)結(jié)構(gòu)，輸出補全軌跡數(shù)據(jù)；

8、s5、對步驟s1的前視攝像頭的圖像數(shù)據(jù)進行roi區(qū)域裁剪與灰度化處理，生成預(yù)處理圖像數(shù)據(jù)；

9、s6、將步驟s5的預(yù)處理圖像數(shù)據(jù)與歷史軌跡數(shù)據(jù)庫及地圖數(shù)據(jù)融合，計算動態(tài)車道寬度數(shù)據(jù)，輸出公式為wreal=0.6wcam+0.4whist，其中，wreal表示車道寬度真實值，wcam表示攝像頭所測值，whist表示車道寬度歷史值；

10、s7、基于步驟s4的補全軌跡數(shù)據(jù)與步驟s6的動態(tài)車道寬度數(shù)據(jù)，通過frenet標(biāo)架計算生成局部坐標(biāo)系參數(shù)；

11、s8、將步驟s4的補全軌跡數(shù)據(jù)投影至步驟s7的局部坐標(biāo)系，分解為縱向速度分量vx與橫向速度分量vy；

12、s9、根據(jù)步驟s8的vx、vy與目標(biāo)物體的相對距離δx、δy，分別計算縱向碰撞時間ttcx=δx/vx與橫向碰撞時間ttcy=δy/vy；

13、s10、融合步驟s9的ttcx、ttcy及地圖提取的道路曲率κ，通過公式生成動態(tài)碰撞風(fēng)險指標(biāo)，其中α(κ)+β(κ)=1且α(κ)=0.95-0.5κ，其中，α(κ)和β(κ)表示與道路曲率κ相關(guān)的權(quán)重系數(shù)；

14、s11、將步驟s10的drc指標(biāo)與橫向速度分量的方差基于預(yù)設(shè)的閾值判斷，輸出跟馳場景、變道場景以及交叉路口場景的分類標(biāo)簽。

15、優(yōu)選的是，所述時序卷積網(wǎng)絡(luò)的構(gòu)建方法包括：

16、s401、配置三級級聯(lián)的空洞卷積模塊，第一級空洞卷積模塊、第二級空洞卷積模塊、第三級空洞卷積模塊的空洞率分別設(shè)置為1、2、4，為每個空洞卷積模塊預(yù)設(shè)64個尺寸為3×3的卷積核，設(shè)置卷積滑動步長為1，采用時間維度對稱填充方式維持特征圖尺寸；

17、s402、將前置神經(jīng)網(wǎng)絡(luò)輸出的特征圖輸入第一級空洞卷積模塊，生成初級特征圖，將初級特征圖輸入第二級空洞卷積模塊，生成中級特征圖，將中級特征圖輸入第三級空洞卷積模塊，生成高級特征圖；

18、s403、對第一級空洞卷積模塊、第二級空洞卷積模塊以及第三級空洞卷積模塊的64個卷積核進行分組處理，將每級空洞卷積模塊的64個卷積核拆分為4組，每組包含16個卷積核，并共享組內(nèi)參數(shù)；

19、s404、對分組后的所述64個卷積核進行結(jié)構(gòu)化剪枝，通過l1范數(shù)分析保留每級模塊中前50%的高激活卷積核，并將剩余50%的卷積核置零；

20、s405、將剪枝后的第三級空洞卷積模塊輸出的高級特征圖通過1×1卷積進行通道壓縮，生成壓縮后的高級特征圖；

21、s406、將壓縮后的高級特征圖與微型門控循環(huán)單元網(wǎng)絡(luò)的輸入特征圖通過張量相加操作進行特征融合，生成殘差連接特征圖；

22、s407、對每個空洞卷積模塊的輸出特征圖應(yīng)用帶泄漏修正的線性單元激活函數(shù)，其中所述帶泄漏修正的線性單元的泄漏因子設(shè)置為0.01；

23、s408、將殘差連接特征圖輸出至微型門控循環(huán)單元網(wǎng)絡(luò)，輸出補全軌跡數(shù)據(jù)。

24、優(yōu)選的是，所述微型門控循環(huán)單元網(wǎng)絡(luò)的配置方法包括：

25、s409、構(gòu)建微型門控循環(huán)單元網(wǎng)絡(luò)，其隱藏層采用16節(jié)點拓?fù)浣Y(jié)構(gòu)，門控單元權(quán)重初始化遵循xavier正態(tài)分布；

26、s410、對網(wǎng)絡(luò)的32位浮點權(quán)重wfloat32執(zhí)行8位整型量化，轉(zhuǎn)換為8位整型權(quán)重wint8，每1000次訓(xùn)練迭代重新計算量化參數(shù)μ和σ，μ和σ分別為wfloat32的均值和標(biāo)準(zhǔn)差；

27、s411、通過逆變換對wint8進行反量化重建，得到反量化后的浮點權(quán)重wdequant，

28、；

29、s412、在反向傳播階段采用直通估計器（ste）近似梯度，保持四舍五入操作的梯度為1。

30、優(yōu)選的是，基于道路曲率計算α(κ)和β(κ)的方法包括：

31、s1001、獲取道路曲率κ；

32、s1002、判斷κ的范圍：

33、若，根據(jù)公式計算α(κ)，再根據(jù)計算β(κ)；

34、若，強制設(shè)定α(κ)=0.4±0.02，以及β(κ)=0.6，修正系數(shù)0.02通過卡爾曼濾波殘差方差動態(tài)調(diào)整。

35、優(yōu)選的是，步驟s6中所述動態(tài)車道寬度數(shù)據(jù)中的歷史車道寬度計算采用指數(shù)衰減移動平均算法，衰減因子設(shè)定為0.85；初始?xì)v史車道寬度值取自地圖中對應(yīng)路段的車道寬度標(biāo)稱值；當(dāng)連續(xù)若干幀攝像頭置信度低于預(yù)設(shè)的閾值時，強制將歷史車道寬度重置為地圖基準(zhǔn)值，并激活基于顏色空間分割的車道線重檢測流程。

36、優(yōu)選的是，步驟s7中所述frenet標(biāo)架計算中道路中心線的三次樣條插值控制點間隔根據(jù)實時曲率動態(tài)調(diào)整：當(dāng)實時曲率大于0.1每米時，控制點間隔縮短至2米；當(dāng)實時曲率小于或等于0.1每米時，控制點間隔擴展至10米；所述曲率計算采用中心差分法對道路中心線參數(shù)方程的二階導(dǎo)數(shù)進行求取。

37、優(yōu)選的是，所述擴展卡爾曼濾波器的參數(shù)配置滿足：

38、狀態(tài)向量定義為二維向量x，包含縱向位置s和縱向速度v；

39、過程噪聲協(xié)方差矩陣q配置為對角矩陣diag(0.1,0.05)，反映縱向位置和速度的過程噪聲方差；

40、觀測噪聲協(xié)方差矩陣r配置為對角矩陣diag(0.2,0.1)，表征縱向位置和速度的測量噪聲強度；

41、狀態(tài)轉(zhuǎn)移矩陣f采用勻速運動學(xué)模型：f=[[1,δt],[0,1]]，其中δt=0.1秒為離散化時間步長；

42、觀測矩陣h配置為2×2單位矩陣i，實現(xiàn)狀態(tài)向量的全維觀測。

43、優(yōu)選的是，所述圖像預(yù)處理模塊的roi區(qū)域與處理流程包括：

44、s501、預(yù)設(shè)在前視攝像頭像素坐標(biāo)系中，選定覆蓋車輛前方100米道路檢測范圍的左上角坐標(biāo)至右下角坐標(biāo)的矩形區(qū)域作為roi區(qū)域；

45、s502、獲取輸入圖像，將其從rgb格式轉(zhuǎn)換為yuv420格式，其中色度分量采用4:2:0子采樣模式，生成減少30%色度數(shù)據(jù)量的yuv420格式圖像；

46、s503、對s502中yuv420格式圖像的y分量執(zhí)行網(wǎng)格劃分的clahe算法，設(shè)置8×8像素網(wǎng)格單元，對比度限制閾值為2.0，采用雙線性插值消除網(wǎng)格邊界效應(yīng)，生成處理后的y分量；

47、s504、對s502中yuv420格式圖像的u/v分量進行雙邊濾波，設(shè)置空間域標(biāo)準(zhǔn)差σs=1.5像素，顏色域標(biāo)準(zhǔn)差σc=15灰度級，濾波器窗口直徑d=5像素，生成濾波后的u/v分量；

48、s505、將s503生成的處理后的y分量與s504生成的濾波后的u/v分量合并，輸出yuv420格式預(yù)處理圖像數(shù)據(jù)；

49、其中，其中，y分量表示亮度分量，u分量表示圖像中的藍(lán)色色度信息與亮度信息的差值，v分量表示圖像中的紅色色度信息與亮度信息的差值。

50、本發(fā)明至少包括以下有益效果：

51、第一、通過對抗網(wǎng)絡(luò)模型補全缺失軌跡，使自動駕駛系統(tǒng)能全面掌握車輛運動狀態(tài)，避免決策失誤。多維度碰撞風(fēng)險評估考慮道路曲率等因素，在復(fù)雜路況下能及時預(yù)警并制動。如在高曲率路段，橫向風(fēng)險識別率大幅提升，緊急制動觸發(fā)延遲顯著縮短，有效減少碰撞事故，保障人員安全。

52、第二、基于動態(tài)時間規(guī)整算法識別駕駛模式，準(zhǔn)確提取并分類場景特征，讓自動駕駛系統(tǒng)能快速識別變道、跟馳等場景，理解駕駛意圖，優(yōu)化行駛路徑和速度規(guī)劃，提高行駛的流暢性和舒適性，減少不必要的加減速和變道操作。

53、第三、完善了軌跡數(shù)據(jù)處理機制，降低了速度數(shù)據(jù)噪聲，提升了數(shù)據(jù)精度和可靠性。高質(zhì)量的數(shù)據(jù)為自動駕駛系統(tǒng)的算法訓(xùn)練和模型優(yōu)化提供了堅實基礎(chǔ)，增強系統(tǒng)對不同場景的適應(yīng)性和穩(wěn)定性，減少異常數(shù)據(jù)對系統(tǒng)的干擾。

54、第四、場景指標(biāo)可信度評估模型能有效識別低置信數(shù)據(jù)和異常工況，避免系統(tǒng)使用不可靠數(shù)據(jù)進行決策。同時，準(zhǔn)確的風(fēng)險場景標(biāo)記和置信區(qū)間輸出，讓系統(tǒng)能提前做好應(yīng)對準(zhǔn)備，降低誤判和錯誤決策的概率，提高系統(tǒng)運行的穩(wěn)定性和可靠性。

55、第五、解決了行業(yè)內(nèi)關(guān)鍵技術(shù)難題，為自動駕駛場景庫建設(shè)提供了更科學(xué)的指標(biāo)計算方法，促進自動駕駛技術(shù)的研究和創(chuàng)新，加速自動駕駛技術(shù)從理論研究向?qū)嶋H應(yīng)用的轉(zhuǎn)化，推動整個自動駕駛行業(yè)的發(fā)展進程。

56、本發(fā)明的其它優(yōu)點、目標(biāo)和特征將部分通過下面的說明體現(xiàn)，部分還將通過對本發(fā)明的研究和實踐而為本領(lǐng)域的技術(shù)人員所理解。