[发明专利]一种生成车辆典型变道测试工况的方法

说明书

本发明提供了一种生成车辆典型变道测试工况的方法，在A个变道场景样本数中，提取变道过程中车辆的多个特征值，把提取的多个特征值作为聚类分析的特征值，对特征值数据进行归一化处理后，分别计算当聚类个数为1到N时聚类算法模型下的损失函数，根据肘部法则，确定最佳的聚类个数B，以最佳的聚类个数B重新对提取的特征值进行聚类模型计算，得到聚类模型质心即是车辆典型测试变道工况。本发明一种生成车辆典型变道测试工况的方法，可以生成车辆典型变道测试工况，并得到相应的场景覆盖率，保证了在有限的测试工况输入下，对自动驾驶系统功能进行充分高效的测试。

技术领域

本发明属于自动驾驶技术研发领域，尤其是涉及一种生成车辆典型变道测试工况的方法。

背景技术

在自动驾驶技术开发过程中，由于道路类型、行驶区域、天气情况及车辆周围要素(如行人和其他车辆的影响)不同，导致评估自动驾驶系统功能需要大量的测试工况输入。目前的方法是从自然驾驶场景中抽取一部分行驶工况作为测试工况输入，但抽取的工况是否能够代表车辆典型变道工况并没有量化的评价指标，用于测试的工况能够涵盖真实自然驾驶场景的几率没有明确的标准。

发明内容

有鉴于此，本发明旨在提出一种生成车辆典型变道测试工况的方法，可以生成车辆典型变道测试工况，并得到相应的场景覆盖率，保证了在有限的测试工况输入下，对自动驾驶系统功能进行充分高效的测试。

为达到上述目的，本发明的技术方案是这样实现的：

一种生成车辆典型变道测试工况的方法，包括：

步骤1：在A个变道场景样本数中，提取变道过程中车辆的多个特征值；

步骤2：把步骤1中提取的多个特征值作为聚类分析的特征值，对特征值数据进行归一化处理后，分别计算当聚类个数为1到N时聚类算法模型下的损失函数，根据肘部法则，确定最佳的聚类个数B；

步骤3：以最佳的聚类个数B重新对步骤1中提取的特征值进行聚类模型计算，得到聚类模型质心即是车辆典型测试变道工况。

每一种车辆典型测试变道工况对应的场景覆盖率是每个聚类下的个数/A个变道场景样本数*100％。

进一步的，在步骤1中，A个变道场景样本数是983个。

进一步的，在步骤1中，提取变道过程中车辆的多个特征值，包括：本车的平均速度EgoSpeedavg、变道过程中目标车道前车的最大纵向加速度ObjAccmax_x、变道过程中目标车道前车的平均速度Objspeedavg、变道过程中的最小车头时距THWmin及本车与目标车道前车平均速度差speed_diff。

进一步的，在步骤2中：使用的聚类算法是KMeans方法、层次聚类方法或网格分割法。

进一步的，在步骤2中：计算的聚类个数为1到N是1到20个，确定最佳的聚类个数B是7个。

进一步的，在步骤3中：使用的聚类模型计算算法是KMeans方法。

相对于现有技术，本发明所述的一种生成车辆典型变道测试工况的方法，具有以下优势：

本发明所述的一种生成车辆典型变道测试工况的方法，可以生成车辆典型变道测试工况，并得到相应的场景覆盖率，保证了在有限的测试工况输入下，对自动驾驶系统功能进行充分高效的测试。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

在附图中：

图1为本发明实施例所述的一种生成车辆典型变道测试工况的方法流程示意图；