一种行人车辆交互场景的提取方法、系统及可读存储介质技术方案

一种行人车辆交互场景的提取方法、系统及可读存储介质，方法包括以下步骤：从自然驾驶数据集中筛选得到一阶人车交互事件及其前序事件；对跟车事件与人车交互事件进行特征挖掘聚类分析；根据跟车事件与人车交互事件的特征挖掘聚类分析结果提取二阶人车交互场景。所述提取二阶人车交互场景具体包括：根据跟车事件与人车交互事件的特征挖掘聚类分析结果，对一阶场景及其前序场景每一类的数量分布进行联合统计，选择每一类跟车场景下一阶场景数量累计占比超过80％的场景作为典型二阶场景，筛选出典型二阶场景。本发明专利技术二阶人车交互场景可以更加真实地反映道路人车交互情况，挖掘出更多潜在的危险人车交互测试场景，实现对网联车辆充分、有效的测试。有效的测试。有效的测试。

【技术实现步骤摘要】
一种行人车辆交互场景的提取方法、系统及可读存储介质


[0001]本专利技术属于智能车路系统
，具体涉及一种行人车辆交互场景的提取方法、系统及可读存储介质。

技术介绍

[0002]行人作为弱势道路交通使用者，发生交通事故的危险性和可能性更高。配备了先进自动驾驶系统的车辆会对道路交通状况进行感知和分析，从而做出正确决策和控制，大大避免了事故的发生。目前，实现自动驾驶主要包括两条路径：单车智能化与智能网联化。然而，目前人车交互测试场景的研究主要面向智能化单车测试，并未充分考虑网联环境下自动驾驶车辆人车的交互测试需求。
[0003]同时，国内外针对人车交互场景的研究多集中在场景因素的选择、场景安全性评估等方面。现有的研究大多只针对某一类特定人车交互场景，如车辆直行
‑
行人穿越场景，导致场景的复杂性与综合性较低，无法满足智能网联车辆的测试需求。

技术实现思路

[0004]本专利技术的目的在于针对上述现有技术中的问题，提供一种行人车辆交互场景的提取方法、系统及可读存储介质，实现网联车人车交互测试场景能够满足真实道路情况下的复杂人车交互场景测试需求。
[0005]为了实现上述目的，本专利技术有如下的技术方案：
[0006]一种行人车辆交互场景的提取方法，包括以下步骤：
[0007]从自然驾驶数据集中筛选得到一阶人车交互事件及其前序事件；
[0008]对跟车事件与人车交互事件进行特征挖掘聚类分析；
[0009]根据跟车事件与人车交互事件的特征挖掘聚类分析结果提取二阶人车交互场景。
[0010]作为优选，所述从自然驾驶数据集中筛选得到一阶人车交互事件及其前序事件集合具体包括：从自然驾驶数据集的雷达数据中筛选出连续记录超过设定阈值条数的行人数据，通过将雷达捕获的行人数据与对应的车辆行驶数据进行合并，得到一阶人车交互事件；
[0011]通过对一阶人车交互事件的数据选择删除得到有效一阶人车交互事件；
[0012]根据有效一阶人车交互事件的起始时间，提取出起始时间前设定阈值时长车辆行驶过程中采集的雷达数据，对其中连续记录不足设定阈值条数的雷达数据进行删除，得到前序事件。
[0013]作为优选，对全部前序事件通过跟车、自由流、换道及车辆汇入算法进行自动化识别，得到经过标注的前序事件。
[0014]作为优选，所述对跟车事件与人车交互事件进行特征挖掘聚类分析具体包括：
[0015]选取分析数据，通过层次聚类法对典型前序场景与一阶场景进行聚类分析；
[0016]分别对前序场景与一阶场景进行聚类分析，根据聚类的不一致系数的变化幅度，确定聚类的个数；通过聚类的并类过程，选择效果更好的并类效果完成聚类的并类。
[0017]作为优选，在所述选取分析数据的步骤中，所选取的分析数据包括车辆速度、行人运动方向、车辆与行人相对横向距离、车辆与行人相对纵向距离、车辆速度、车辆纵向跟车距离。
[0018]作为优选，在聚类的并类过程中，如果本次并类的不一致系数较上一次并类的不一致系数有增长，则判定本次并类效果劣于上一次并类效果，且增幅越大则上一次并类效果就越好。
[0019]作为优选，所述提取二阶人车交互场景具体包括：根据跟车事件与人车交互事件的特征挖掘聚类分析结果，对一阶场景及其前序场景每一类的数量分布进行联合统计，选择每一类跟车场景下一阶场景数量累计占比超过80％的场景作为典型二阶场景，筛选出典型二阶场景。
[0020]作为优选，所述提取二阶人车交互场景之后，还包括对二阶人车交互场景进行测试，得到多种情况下真实道路人车交互情况；所述对二阶人车交互场景进行测试具体包括：
[0021]构建单车感知及网联车感知模型：根据针对车道保持的ACC典型测试场景和针对弱势交通使用者的AEB典型测试场景，设置测试车辆的毫米波雷达传感器模型参数；
[0022]构建前序跟车场景仿真模型，表达式如下：
[0023][0024]其中，a
i
为车辆i的加速度，v
i
为车辆i的速度，Δv
i
为车辆i与前车的速度差，v0为自由流速度，s1为期望车间距离，s为实际车间距离，s0为静止安全间距，T为安全车头时距，a为最大加速度，b为舒适减速度，δ为速度幂系数；
[0025]实现对一阶场景中车辆的运动情况和人车交互结果进行仿真：当行人在TTC时间内进入车辆潜在碰撞区域且车辆在TTC时间内AEB系统未完全制动则视为危险测试场景，当行人在TTC时间内未进入或已离开车辆潜在碰撞区域，则视为安全测试场景；若某一时刻触发AEB制动，根据危险判别算法计算得到测试场景的危险性。
[0026]本专利技术还提出一种行人车辆交互场景的提取系统，包括：
[0027]一阶人车交互事件及其前序事件提取模块，用于从自然驾驶数据集中筛选得到一阶人车交互事件及其前序事件；
[0028]特征挖掘聚类分析模块，用于对跟车事件与人车交互事件进行特征挖掘聚类分析；
[0029]二阶人车交互场景分析模块，用于根据跟车事件与人车交互事件的特征挖掘聚类分析结果提取二阶人车交互场景。
[0030]本专利技术还提出一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现所述行人车辆交互场景的提取方法中的步骤。
[0031]相较于现有技术，本专利技术至少具有如下的有益效果：
[0032]通过对跟车事件与人车交互事件进行特征挖掘聚类分析，利用特征挖掘聚类分析结果提取二阶人车交互场景，二阶人车交互场景可以更加真实地反映道路人车交互情况，
挖掘出更多潜在的危险人车交互测试场景，实现对网联车辆充分、有效的测试。
附图说明
[0033]图1本专利技术实施例行人车辆交互场景的提取方法流程图；
[0034]图2本专利技术实施例一阶场景及其前序场景统计图；
[0035]图3本专利技术实施例一阶场景不一致系数变化图；
[0036]图4本专利技术实施例一阶场景聚类树形图；
[0037]图5本专利技术实施例前序场景不一致系数变化图；
[0038]图6本专利技术实施例前序场景聚类树形图。
具体实施方式
[0039]下面结合附图及实施例对本专利技术做进一步的详细说明。
[0040]本专利技术实施例一种行人车辆交互场景的提取方法，包括以下步骤：
[0041]步骤1、对自然驾驶数据集进行处理，在人车交互数据基础上，通过筛选得到人车交互事件及其前序事件集合。其具体步骤为：
[0042]步骤1
‑
1，从自然驾驶数据的雷达数据中筛选出连续记录超过10条的行人数据，通过将雷达捕获的行人数据与对应的车辆行驶数据进行合并，得到一阶人车交互事件；
[0043]步骤1
‑
2，对车辆静止、车辆位于停车场、异常车辆数据进行删除和处理，得到有效一阶人车交互事件；
[0044]步骤1
‑
3，根据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种行人车辆交互场景的提取方法，其特征在于，包括以下步骤：从自然驾驶数据集中筛选得到一阶人车交互事件及其前序事件；对跟车事件与人车交互事件进行特征挖掘聚类分析；根据跟车事件与人车交互事件的特征挖掘聚类分析结果提取二阶人车交互场景。2.根据权利要求1所述行人车辆交互场景的提取方法，其特征在于，所述从自然驾驶数据集中筛选得到一阶人车交互事件及其前序事件集合具体包括：从自然驾驶数据集的雷达数据中筛选出连续记录超过设定阈值条数的行人数据，通过将雷达捕获的行人数据与对应的车辆行驶数据进行合并，得到一阶人车交互事件；通过对一阶人车交互事件的数据选择删除得到有效一阶人车交互事件；根据有效一阶人车交互事件的起始时间，提取出起始时间前设定阈值时长车辆行驶过程中采集的雷达数据，对其中连续记录不足设定阈值条数的雷达数据进行删除，得到前序事件。3.根据权利要求2所述行人车辆交互场景的提取方法，其特征在于，对全部前序事件通过跟车、自由流、换道及车辆汇入算法进行自动化识别，得到经过标注的前序事件。4.根据权利要求3所述行人车辆交互场景的提取方法，其特征在于，所述对跟车事件与人车交互事件进行特征挖掘聚类分析具体包括：选取分析数据，通过层次聚类法对典型前序场景与一阶场景进行聚类分析；分别对前序场景与一阶场景进行聚类分析，根据聚类的不一致系数的变化幅度，确定聚类的个数；通过聚类的并类过程，选择效果更好的并类效果完成聚类的并类。5.根据权利要求4所述行人车辆交互场景的提取方法，其特征在于，在所述选取分析数据的步骤中，所选取的分析数据包括车辆速度、行人运动方向、车辆与行人相对横向距离、车辆与行人相对纵向距离、车辆速度、车辆纵向跟车距离。6.根据权利要求4所述行人车辆交互场景的提取方法，其特征在于，在聚类的并类过程中，如果本次并类的不一致系数较上一次并类的不一致系数有增长，则判定本次并类效果劣于上一次并类效果，且增幅越大，则上一次并类效果就越好。7.根据权利要求1所述行人车辆交互场景的提取方法，其特征在于，所述提取二阶...

【专利技术属性】
技术研发人员：马峻岩，赵祥模，田叶凡，王卓，赵紫轩，
申请(专利权)人：长安大学，
类型：发明
国别省市：