[发明专利]一种自动驾驶汽车虚拟场景库构建方法

权利要求书

1.一种自动驾驶汽车虚拟场景库构建方法，其特征在于：包括以下步骤：

步骤1，在采集数据的车辆上搭建数据采集系统，系统包括视频数据采集模块、车辆运动参数采集模块、周围环境信息采集模块和数据存储模块，所述的视频数据采集模块、车辆运动参数采集模块、周围环境信息采集模块分别与数据存储模块相连，采集到的自然驾驶数据保存于数据存储模块；

步骤2，确定目标场景，从数据存储模块中选取目标场景的相关视频数据，并提取该目标场景时间段内对应的车辆运动参数数据、周围环境信息数据；

步骤3，对筛选的目标场景数据进行数据清洗，包括清除数据冗余、删除缺失数据、数据修复；

步骤4，标注场景要素，将场景要素分类，编码量化各场景要素中的具体参数，形成相应的目标场景数据集；

步骤5，利用k均值聚类算法进行初次聚类；根据不同k值情况下的聚类结果，计算相应的误差平方和SSE取值，利用误差平方和SSE与k值的关系确定数据的真实聚类数即最佳k值；

步骤6，利用层次聚类法对目标场景数据进行聚类，得到步骤5所确定的最佳k值个类时停止，然后从每个类中选取一个与中心距离最近的点，得到k个聚类中心；

步骤7，再次使用k均值聚类算法进行聚类，其中k值为步骤5求得的最佳k值，初始中心为步骤6确定的k个聚类中心，对目标场景数据进行聚类，从而获得k个抽象目标场景类，即k个逻辑场景；

步骤8，根据聚类所得k个逻辑场景，确定显著性场景要素及其数据取值，利用虚拟仿真测试软件构建k个虚拟场景，从而形成目标场景的虚拟场景库。

2.根据权利要求1所述的一种自动驾驶汽车虚拟场景库构建方法，其特征在于：步骤1中视频数据采集模块为单目相机；车辆运动参数采集模块为CAN总线分析仪；周围环境信息采集模块为毫米波雷达。

3.根据权利要求1所述的一种自动驾驶汽车虚拟场景库构建方法，其特征在于：步骤3在数据清洗过程中，应在满足数据质量的前提下，保证清洗代价最小，其中所述的数据修复，包括关键信息的人工补全和按照数据的统计学规律进行修复，其清洗代价为：

式中，t为单一数据元组；ω(t)为数据元组t在所有数据元组中所占的比重；I为所有数据元组的总和；D_istance(t_A，t′_A)为要素t_A与修复后的t′_A之间的距离。

4.根据权利要求1所述的一种自动驾驶汽车虚拟场景库构建方法，其特征在于：步骤4标注场景要素时，场景要素分类包括主车车辆信息、交通参与者信息、道路环境信息、自然环境信息；主车车辆信息包括主车基础信息、主车目标信息、主车驾驶行为中的一种或数种，交通参与者信息包括行人信息、非机动车信息、机动车信息中的一种或数种，道路环境信息包括静态道路信息、动态道路信息中的一种或数种，自然环境信息包括光照、天气中的一种或数种。

5.根据权利要求4所述的一种自动驾驶汽车虚拟场景库构建方法，其特征在于：对各场景要素中的连续变量和分类变量进行编码量化，连续变量的数值范围最小值取0，最大值取1，其余等比例映射在0～1范围内；分类变量的数值范围量化为0和1；将具体场景要素的量化数值整理到文档中，行代表目标场景样本个数，行中的每位数值代表具体的场景要素信息，从而形成目标场景数据集。

6.根据权利要求1所述的一种自动驾驶汽车虚拟场景库构建方法，其特征在于：步骤5中依次选取k值为2、3、4、5、6、7、8、9利用k均值算法进行初次聚类；所述的误差平方和SSE的计算公式为：

公式中，C_i为第i个类；P为C_i的样本点；m_i为C_i中所有样本的均值，即质心；其中SSE与k值的关系为：随着聚类数k的增大，SSE会逐渐变小，而且当k小于真实聚类数时，SSE的下降幅度较大，当k值到达真实聚类数时，再增加k值SSE的下降幅度会骤减，所以SSE拐点处对应的k值就是数据的真实聚类数即最佳k值。