[发明专利]基于改进拉丁超立方抽样的虚拟驾驶场景要素重组方法

权利要求书

1.一种基于改进拉丁超立方抽样的虚拟驾驶场景要素重组方法，基于邻车切入场景的原始数据，所述原始数据中包括有离散要素和连续要素，其中离散要素分别是天气和道路等级，连续要素分别是邻车切入时刻的主车速度、目标车速度和相对纵向距离，其特征在于，包括如下步骤：

1)统计原始数据中所有离散要素组合；

2)确定抽样的离散要素组合在累计概率分布中的采样点位置；

3)确定抽样的离散要素组合属性；

4)确定各离散要素组合的抽样次数；

5)从每种离散要素组合对应的原始数据中提取连续要素；

6)计算连续要素的累计概率分布；

7)根据离散要素组合的抽样次数，确定抽样的连续要素在累计概率分布中的采样点位置；

8)确定连续要素值；

9)连续要素相关性控制；

10)全部抽样的离散要素和连续要素重组，构成虚拟驾驶场景数据；

其中，步骤1)中，包括统计所有离散要素组合的相对概率和累计概率分布；

其中，步骤2)和步骤3)中，基于式(1)计算抽样的离散要素组合在累计概率分布中的采样点位置：

P_S代表第s组抽样数据中离散要素组合对应的累计概率，

当0＜P_S≤P(D₁)时，确定P_S对应的离散要素组合归属为D₁，

当P(D_i)＜P_S≤P(D_i+1)时，确定P_S对应的离散要素组合归属为D_i+1，

D_i表示第i组离散要素组合；

其中，步骤6)中，以离散要素组合分类为基础统计连续要素的累计概率分布，方法如下：

从某种离散要素组合对应的原始数据中，提取第k种连续要素数据，构成样本集C_1k；然后将样本集C_1k中的连续要素按照值升序进行排序，并去除重复的值，再次获得样本集C_1k-unique；

分析C_1k-unique中相邻值的间隔，如果某相邻值的间隔大于所有间隔的平均值，则在该相邻值区间内插入一个新的样本点，再次获得新样本集C_1k-unique’，在新样本集中所有相邻值的间隔均小于平均间隔；

基于C_1k-unique’，统计第k种连续要素的所有值在C_1k中出现的次数，获得其相对概率分布，再根据相对概率分布获得其累计概率分布P_C1k；

其中，步骤7)和步骤8)中，同样基于式(1)计算抽样的连续要素在累计概率分布中的采样点位置，然后根据步骤6)计算的累计概率分布，分别在小于所述累计概率的范围内和在大于所述累计概率的范围内各取最接近的5个样本点，然后通过三次样条插值法计算对应的连续要素的值；

其中，步骤9)中，对每种离散要素组合对应的所有连续要素，构成抽样矩阵C_1s，采用Cholesky分解法进行相关性控制。

2.根据权利要求1所述的虚拟驾驶场景要素重组方法，其特征在于，

步骤4)中，根据离散要素组合属性和概率统计，确定各离散要素组合的抽样次数。

3.根据权利要求1所述的虚拟驾驶场景要素重组方法，其特征在于，

步骤7)中，如果小于所述累计概率的范围内，或者大于所述累计概率的范围内的样本点不超过5个，则全部提取。

4.根据权利要求1所述的虚拟驾驶场景要素重组方法，其特征在于，

首先，随机生成一个与C_1s同样行列数的顺序矩阵R，R的每一列由整数随机排列而成；然后计算R的Spearman相关系数矩阵CM_R，并进行Cholesky分解，获得分解后的下三角矩阵Q，如式(2)所示；

然后，对C_1s的Spearman相关系数矩阵CM_in同样进行Cholesky分解，获得下三角矩阵P，然后根据式(3)计算输出顺序矩阵G，并使C_1s中每一列的数据按照G的每一列数据的顺序进行重新排序，重新排序后的C_1s’即为得到控制后的数据，

CM_R＝Q*Q^T  (2)

G＝P*Q^-1*R  (3)。