一种场景复杂度评估方法及系统技术方案

本发明专利技术公开了一种场景复杂度评估方法及系统，包括以下步骤：将用于描述待评估场景的参数集合输入场景复杂度评估模型，用以输出场景复杂度评估结果，其中，所述场景复杂度评估模型的构建包括以下步骤：选取若干典型场景；获取用于描述所述典型场景的参数集合；获取所述典型场景对应的驾驶数据，基于所述驾驶数据，得到所述典型场景对应的难度标签；以所述典型场景的参数集合为输入，以所述典型场景的难度标签为输出，通过SVM或决策树算法，构建场景复杂度评估模型。本发明专利技术通过对事后驾驶特征进行分析，用驾驶难度作为场景复杂度的表现形式，以难度标签为输出，以场景组成要素作为前项输入，构建场景复杂度评估模型，从而对复杂的交通场景实现度量。的交通场景实现度量。的交通场景实现度量。

【技术实现步骤摘要】
一种场景复杂度评估方法及系统


[0001]本专利技术属于交通
，具体地涉及一种场景复杂度评估方法及系统。

技术介绍

[0002]场景复杂度的量化有利于将道路交通环境从复杂状态向简单状态转化，对驾驶环境的研究具有重要意义。
[0003]现有的对交通场景复杂度的研究，主要基于场景中的环境因子或者各种元素的影响权重进行分析。通过计算或者专家投票法求出环境因子的复杂性，根据主观权重，对环境中的各个复杂因子进行权重求和从而得到复杂度的评估；量化各部分场景元素的影响权重，分析影响交通复杂度的组成要素的对应复杂度指标再得到整体场景的复杂度分级，从而实现场景复杂度的综合量化评估。
[0004]但是，这种方法多建立在专家打分的基础上，掺杂了较多的主观因素，缺少一定客观性。

技术实现思路

[0005]针对上述问题，本专利技术提出了一种场景复杂度评估方法及系统，通过对事后驾驶特征进行分析，用驾驶难度作为场景复杂度的表现形式对复杂的交通场景实现度量，并基于此构建模型用于场景复杂度的评估。
[0006]一方面，本专利技术提供的一种场景复杂度评估方法，包括以下步骤：将用于描述待评估场景的参数集合输入场景复杂度评估模型，用以输出场景复杂度评估结果，其中，所述场景复杂度评估模型的构建包括以下步骤：选取若干典型场景；获取用于描述所述典型场景的参数集合；获取所述典型场景对应的驾驶数据，基于所述驾驶数据，得到所述典型场景的难度标签；以所述典型场景的参数集合为输入，以所述典型场景的难度标签为输出，通过SVM或决策树算法，构建场景复杂度评估模型。
[0007]优选的，所述参数集合包括：车道宽度、车道长度、车道曲率半径。
[0008]优选的，选取所述典型场景时考虑以下因素：直线道路、单一转弯道路、连续转弯道路。
[0009]优选的，所述典型场景对应的驾驶数据为在所述典型场景中驾驶过程中的驾驶数据。
[0010]优选的，所述驾驶数据为指定任务下的驾驶数据。
[0011]优选的，基于所述驾驶数据，得到所述典型场景的难度标签，具体方法为：基于所述驾驶数据，得到用于表征驾驶难度的表征特征；基于所述表征特征，计算所述典型场景的难度表征值；采用K
‑
means方法对得到的若干所述典型场景的难度表征值进行聚类，根据聚类结果为所述典型场景分配难度标签。
[0012]优选的，所述表征特征为与车辆碰撞频次、车辆碰撞严重程度、车辆稳定程度相关的特征。
[0013]优选的，所述表征特征包括：车辆碰撞频次，Ⅰ级碰撞次数、Ⅱ级碰撞次数、Ⅲ级碰撞次数、Ⅳ级碰撞次数、Ⅰ级稳定次数，Ⅱ级稳定次数，Ⅲ级稳定次数，Ⅳ级稳定次数；其中，车辆碰撞频次是指车辆发生碰撞的频次，Ⅰ级碰撞次数是指车辆发生碰撞后，车辆减速的次数，Ⅱ级碰撞次数是指车辆发生碰撞后，车辆停止行驶的次数，Ⅲ级碰撞次数是指车辆发生碰撞后，车辆原地转圈不满一周的次数，Ⅳ级碰撞次数是指车辆发生碰撞后，车辆原地转圈一周以上的次数，Ⅰ级稳定次数是指车辆未发生碰撞，车辆稳定的次数，Ⅱ级稳定次数是指车辆未发生碰撞，车辆摇晃后平稳行驶的次数，Ⅲ级稳定次数是指车辆未发生碰撞，车辆转圈不满一周的次数，Ⅳ级稳定次数是指车辆未发生碰撞，车辆转圈一周以上的次数。
[0014]优选的，基于所述驾驶数据，得到所述典型场景的难度标签，还包括以下步骤：基于所述驾驶数据，得到所述典型场景对应的平均速度；基于所述表征特征和平均速度，得到输入集，以根据聚类结果分配的难度标签为输出，采用BP神经网络进行监督学习，构建难度标签输出模型；训练所述难度标签输出模型，直至模型收敛，即完成训练；基于训练后的难度标签输出模型，得到所述典型场景的难度标签真值。
[0015]优选的，构建所述场景复杂度评估模型时，以所述典型场景的难度标签真值为输出。
[0016]另一方面，本专利技术提供的一种场景复杂度评估系统，包括：评估单元，配置用于：将用于描述待评估场景的参数集合输入场景复杂度评估模型，用以输出场景复杂度评估结果；模型构建单元，配置用于：选取典型场景，获取用于描述所述典型场景的参数集合；获取所述典型场景对应的驾驶数据，基于所述驾驶数据，得到难度标签；以所述典型场景的参数集合为输入，以所述难度标签为输出，通过SVM或决策树算法，构建场景复杂度评估模型。
[0017]与现有技术相比，本专利技术具有以下有益效果：
[0018](1)本专利技术通过对事后驾驶特征进行分析，用驾驶难度作为场景复杂度的表现形式，以难度标签为输出，以场景组成要素作为前项输入，构建场景复杂度评估模型，从而对复杂的交通场景实现度量。
[0019](2)本专利技术的评估方法客观性强，可以减少主观因素的影响，将场景参数集合(即将场景组成要素量化后得到的参数集合)输入模型，即可直接输出当前驾驶任务的难度标签，判断驾驶情况的复杂度，进而判断所处交通环境的安全情况，为驾驶环境设计、交通安全预警、交通管控等方面提供新的方法。
[0020](3)在不同的场景中，驾驶时的指定任务不同(即驾驶时所要达到的目的不同)，会对场景复杂度的评价有一定影响。本专利技术的驾驶数据优选为指定任务下的驾驶数据，评价场景复杂度时，可以将任务要求的影响考虑在内。
[0021](4)本专利技术在计算难度表征值时，所选用的表征特征属于结果类型的数据，基于此计算得到的难度表征值能更直观地表征驾驶难度。
[0022](5)在场景中驾驶时的速度作为驾驶难度的重要影响因素，对驾驶难度有一定影响。本专利技术在采用BP网络进行监督学习时，除了考虑表征驾驶难度的表征特征外，还将场景对应的平均速度考虑在内，可以得到更能准确表征场景难度的难度标签真值，而且，后续根据所述表征特征和平均速度，即可直接得到难度标签真值，无需进行多余的计算，方便快捷。
附图说明
[0023]图1为本专利技术实施例1中选取的典型场景示意图；
[0024]图2为本专利技术实施例1中速度数据预处理前后的对比图；
[0025]图3为本专利技术实施例1中BP神经网络测试集预测值和期望值的误差对比图；
[0026]图4为本专利技术实施例1中通过SVM算法构建的模型性能图；
[0027]图5为本专利技术实施例1中通过决策树算法构建的模型性能图。
具体实施方式
[0028]下面将对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0029]实施例1
[0030]本实施例提供了一种场景复杂度评估方法，包括以下步骤：
[0031]将用于描述待评估场景的参数集合输入场景复杂度评估模型，用以输出场景复杂度评估结果。
[0032]其中，所述场景复杂度评估模型的构建包括以下步骤：
[0033](1)选取若干典型场景；获取用于描述所述典型场景的参数集合。...

【技术保护点】

【技术特征摘要】
1.一种场景复杂度评估方法，其特征在于，包括以下步骤：将用于描述待评估场景的参数集合输入场景复杂度评估模型，用以输出场景复杂度评估结果，其中，所述场景复杂度评估模型的构建包括以下步骤：选取若干典型场景；获取用于描述所述典型场景的参数集合；获取所述典型场景对应的驾驶数据，基于所述驾驶数据，得到所述典型场景的难度标签；以所述典型场景的参数集合为输入，以所述典型场景的难度标签为输出，通过SVM或决策树算法，构建场景复杂度评估模型。2.根据权利要求1所述的场景复杂度评估方法，其特征在于，所述参数集合包括：车道宽度、车道长度、车道曲率半径。3.根据权利要求1所述的场景复杂度评估方法，其特征在于，选取所述典型场景时考虑以下因素：直线道路、单一转弯道路、连续转弯道路。4.根据权利要求1所述的场景复杂度评估方法，其特征在于，所述驾驶数据为指定任务下的驾驶数据。5.根据权利要求1所述的场景复杂度评估方法，其特征在于，基于所述驾驶数据，得到所述典型场景的难度标签，具体方法为：基于所述驾驶数据，得到用于表征驾驶难度的表征特征；基于所述表征特征，计算所述典型场景的难度表征值；采用K
‑
means方法对得到的若干所述典型场景的难度表征值进行聚类，根据聚类结果为所述典型场景分配难度标签。6.根据权利要求5所述的场景复杂度评估方法，其特征在于，所述表征特征为与车辆碰撞频次、车辆碰撞严重程度、车辆稳定程度相关的特征。7.根据权利要求6所述的场景复杂度评估方法，其特征在于，所述表征特征包括：车辆碰撞频次，Ⅰ级碰撞次数、Ⅱ级碰撞次数、Ⅲ级碰撞次数、Ⅳ级碰撞次数、Ⅰ级稳定次数，Ⅱ级稳定次数，Ⅲ级稳定次数，Ⅳ级稳定次数；其中，车辆碰撞...

【专利技术属性】
技术研发人员：谭墍元，冯岩，郭伟伟，薛晴婉，胡钰琴，
申请(专利权)人：北方工业大学，
类型：发明
国别省市：