CN110232335A - 驾驶场景分类方法及电子设备 - Google Patents

Abstract

本发明公开了一种驾驶场景分类方法及电子设备，其中，方法包括：获取驾驶场景数据；基于预设驾驶场景的分类条件和驾驶员模型对所述驾驶场景数据进行分类，其中，所述驾驶员模型基于不同的预设驾驶场景下的驾驶员行为数据生成。每个预设驾驶场景均具有对应的分类条件，并且还可以根据预设驾驶场景下对应的驾驶员行为数据建立与预设驾驶场景对应的驾驶员模型，该驾驶员模型通过驾驶员的行为数据反映当前的驾驶场景数据具体属于哪种驾驶场景当基于预设驾驶场景的分类条件无法确认获取的驾驶场景数据属于哪个驾驶场景时，可以再另一维度，再基于驾驶员模型对驾驶场景数据进行进一步分类，从而可以提高驾驶场景数据分类的准确性。

Description

驾驶场景分类方法及电子设备

技术领域

本发明涉及数据处理技术领域，具体涉及一种驾驶场景分类方法及电子设备。

背景技术

目前自动驾驶系统的开发，测试和评估需要大量覆盖全面，细分类别的真实驾驶场景数据作为原始数据，这就需要一套完整的真实驾驶场数据景采集，汇总，分类和发布的方法和相关装置提供所需的数据。目前行业内虽然采集了很多驾驶场景数据，并采用较为固定分类规则对驾驶场景数据进行分类，由于驾驶场景的复杂性，以及其会随着社会的发展不断变化，采集的驾驶场景数据有时很难匹配至固定的分类规则，导致驾驶场景数据分类误差较大，不够准确。

发明内容

有鉴于此，本发明实施例提供了一种驾驶场景分类方法及电子设备，以提高驾驶场景数据分类的准确性。

根据第一方面，本发明实施例提供了一种驾驶场景分类方法，包括：获取驾驶场景数据；基于预设驾驶场景的分类条件和驾驶员模型对所述驾驶场景数据进行分类，其中，所述驾驶员模型基于不同的预设驾驶场景下的驾驶员行为数据生成。

可选地，所述预设驾驶场景包括：若干第一主干场景和若干子场景，所述驾驶员模型包括：若干第一主干场景驾驶员模型；其中，所述若干第一干主干场景依据自车的运动状态和其他车辆与自车的关系进行划分，所述第一主干场景的分类优先级高于所述子场景的分类优先级。

可选地，所述基于预设驾驶场景的分类条件和驾驶员模型对所述驾驶场景数据进行分类包括：基于所述若干第一主干场景的分类条件和所述若干第一主干场景驾驶员模型对所述驾驶场景数据进行划分，确定所述驾驶场景数据所属的第一主干场景；在划分后的第一主干场景下基于所述若干子场景的分类条件确定所述驾驶场景数据在所属的子场景。

可选地，基于所述若干第一主干场景的分类条件和所述若干第一主干场景驾驶员模型对所述驾驶场景数据进行划分，确定所述驾驶场景数据所属的第一主干场景包括：判断所述驾驶场景数据是否满足所述若干第一主干场景的分类条件中的任意一个；当所述驾驶场景数据均不满足所述若干第一主干场景的分类条件时，利用所述若干第一主干场景驾驶员模型对所述驾驶场景数据进行拟合；将拟合度最高的第一主干场景驾驶员模型对应的第一主干场景作为所述驾驶场景数据所属的第一主干场景。

可选地，所述将拟合度最高的第一主干场景驾驶员模型对应的第一主干场景作为所述驾驶场景数据所属的第一主干场景包括：判断所述驾驶场景数据与所述若干第一主干场景驾驶员模型的拟合度中是否存在大于预设值的拟合度；当存在时，选择拟合度最高的第一主干场景驾驶员模型对应的第一主干场景作为所述驾驶场景数据所属的第一主干场景。

可选地，当所述驾驶场景数据与所述若干第一主干场景驾驶员模型的拟合度均小于所述预设值时，利用所述驾驶场景数据生成与所述驾驶场景数据对应的第二主干场景。

可选地，当所述驾驶场景数据与所述若干第一主干场景驾驶员模型的拟合度均小于所述预设值时，利用所述驾驶场景数据生成与所述驾驶场景数据对应的第二主干场景驾驶员模型。

可选地，所述驾驶场景数据包括若干子场景数据，所述若干子场景数据与所述若干子场景一一对应，所述子场景数据包括具有待分类的第一场景因素，所述子场景包括若干第二场景因素；所述在划分后的第一主干场景下基于所述若干子场景的分类条件确定所述驾驶场景数据在所属的子场景包括：判断所述子场景数据的第一场景因素是否属于与所述子场景数据对应的子场景包含的若干第二场景因素中的任意一个；当所述第一场景因素均不属于与所述子场景数据对应的子场景包含的若干第二场景因素，根据所述第一场景因素在所述子场景中生成第三场景因素，以扩充所述第二场景因素。

根据第二方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行上述第一方面任意一项所述的驾驶场景分类方法。

根据第三方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机从而执行上述第一方面任意一项所述的驾驶场景分类方法。

本发明具有如下有益效果：

基于预设驾驶场景的分类条件和驾驶员模型对所述驾驶场景数据进行分类，每个预设驾驶场景均具有对应的分类条件，并且还可以根据预设驾驶场景下对应的驾驶员行为数据建立与预设驾驶场景对应的驾驶员模型，该驾驶员模型通过驾驶员的行为数据反映当前的驾驶场景数据具体属于哪种驾驶场景当基于预设驾驶场景的分类条件无法确认获取的驾驶场景数据属于哪个驾驶场景时，可以在另一维度，再基于驾驶员模型对驾驶场景数据进行进一步分类，从而可以提高驾驶场景数据分类的准确性。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了本发明实施例的驾驶场景分类方法的流程示意图；

图2示出了本发明实施例的另一驾驶场景分类方法的流程示意图

图3示出了本发明实施例驾驶场景分类装置的示意图

图4示出了本发明实施例提供的电子设备的硬件结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种驾驶场景分类方法，如图1所示，该场景分类方法可以包括如下步骤：

S10.获取驾驶场景数据。在本实施例中，所称驾驶场景数据可以包括：自车状态，例如自车车速、加速度状态、车辆总线数据等，自车所处环境，例如，气象数据，道路类型数据，地理位置，以及周围车辆状况数据等。驾驶场景数据可以通过采集装置进行采集，驾驶场景数据采集装置可分为移动采集装置，例如数据采集车，以及静止采集装置，例如路侧数据采集单元。采集装置可以包括但不限于摄像头，激光雷达，毫米波雷达，全球导航卫星系统(Global Navigation Satellite System，GNSS)，红外传感器，超声波雷达等。

在本实施例中，为保证采集的驾驶场景数据的效率，以及丰富性，在采集数据之前，需要根据中国的地域，气候，经济情况，人口分布等因素通过不限于K-均值聚类的方式从全国范围内选取具有代表性的场景采集区域。

其次需要选定具体采集区域，为了完全覆盖可能的驾驶场景数据类型，保证驾驶场景数据的丰富性，常见道路类型，包括但不限于城市道路，公路，封闭道路等都需要在场景采集中占有一定的比例。具体比例确定可根据包括但不限于按照中国道路分布等比例划分的方式确定。

最后需要合理的确定具体采集地点。可采用包括但不限于工神经网络预测的方法根据城市及公路中例如医院，学校，商场，公交点，地铁站，收费站等人流/车流比较集中的地点的分布分析具体驾驶场景类型出现概率较高的地点并据此分配数据采集设备以提高数据采集效率。

在本实施例中，数据采集装置可以为分布式数据采集装置，在数据采集完成后，可以对各个采集装置采集的驾驶场景数据进行汇总，在本实施例中，驾驶场景数据汇总可以为实时或非实时的。可采用插拔硬盘，无线传输等方式进行汇总，汇总时，可以将数据存储在数据存储中心，所称数据存储中心可以包括云盘，硬盘阵列等。

S20.基于预设驾驶场景的分类条件和驾驶员模型对驾驶场景数据进行分类，其中，驾驶员模型基于不同的预设驾驶场景下的驾驶员行为数据生成。在本实施例中，所称预设驾驶场景可以为多个，每个预设驾驶场景均具有对应的分类条件，该预设驾驶场景的划分可以基于预设的分类规则，即本实施例中所称的分类条件，进行预先分类，并且还可以根据预设驾驶场景下对应的驾驶员行为数据建立与预设驾驶场景对应的驾驶员模型，该驾驶员模型通过驾驶员的行为数据反映当前的驾驶场景数据具体属于哪种驾驶场景。在本实施例中，还可以根据基于预设驾驶场景的分类条件和驾驶员模型对驾驶场景数据的分类结果，对预设驾驶场景进行更新。在本实施例中，当基于预设驾驶场景的分类条件无法确认获取的驾驶场景数据属于哪个驾驶场景时，可以在另一维度，再基于驾驶员模型对驾驶场景数据进行进一步分类，从而可以提高驾驶场景数据分类的准确性。

在下面具体的实施例中将对预设驾驶场景、驾驶员模型和步骤S20的原理进行详细的介绍，预设驾驶场景可以包括但不限于跟车，自由驾驶，前车切入，前车切出，自由变道，被迫变道，自车转向，自车掉头，自车启动，自车停车，自车倒车，自车汇入，自车汇出，信号响应，危险避让，车道尽头，车道有障碍物，接近交通堵塞，单车事故，车车事故，人车事故等，在本实施例中，预设驾驶场景也可以包括驾驶环境场景，例如，车辆行驶的道路类型、驾驶过程中的气象条件、自车周围的其他物体(其他车辆、人动物等)。

针对各个预设驾驶场景均有各自的分类条件，为方便说明，在本实施例中，可以以自由驾驶场景和跟车场景为例进行详细说明。具体的，自由驾驶场景可以为自车周围没有影响自车行驶的动、静态目标，或自车周围虽然有目标物但是自车没有受到目标物的影响，即自车不受任何影响的行驶；跟车场景指自车前方较近距离有目标车辆，自车跟随目标车辆在同一车道上同向前进。

对于跟车场景可以根据实际情况划分边界,以前后车距离D为例:20m<D<50m为确定跟车场景；50m<D<200m为疑似跟车场景；D>200m为确定非跟车场景。如果场景分类程序在取得的场景数据中没有观测到任何目标，或目标距离本车特别远，例如D＝300m,则这一段数据可直接划分为自由驾驶场景；如果场景分类程序在自车前进方向上比较近的距离，例如D＝30m，发现目标车，则这一段数据可以直接划分为跟车场景。

但是若在自车前方较远距离，例如80m,100m,120m…，发现目标车，则难以直接根据距离判断是跟车场景还是自由驾驶场景。因此，需要根据驾驶员模型进行进一步判断。

在本实施例中，可以针对上述的预设驾驶场景分别建立驾驶员模型，即采集驾驶员在各个预设驾驶场景中的不同的行为数据。例如，驾驶员在某一场景中对汽车的操作，例如，鸣笛、突然加速/减速、开启变向灯、开启近光灯/远光灯等行为数据，该行为数据可以在汽车总线中采集。建立各个预设驾驶场景对应的驾驶员模型。具体的建立过程在本实施例中不再赘述，该行为数据可以根据驾驶员在各个预设驾驶场景下所产生的行为数据。

如以车速为例，假设自由驾驶模型自车速度为：

v(t)＝v₀(t) (1)

其中v(t)为目标车速，v₀(t)当前车速。

假设跟车场景驾驶员模型为：

v(t)＝v₀(t)+aT(2)

v₀(t)T+0.5a(t)T²-v_p(t)T＝(x₀(t)-x_a)

其中：v(t)为目标车速；v₀(t)为当前车速；v_p(t)为前车速度；a(t)为目标加速度；v₀(t)为自车和目标车当前距离；x_a自车和目标车理想距离。

在遇到难以直接利用预设驾驶场景的分类条件对驾驶场景数据进行分类的情况，例如自车与目标之间的距离介于自由驾驶和跟车场景分类条件中的距离时，可以采用自由驾驶和跟车场景对应的驾驶员模型对驾驶场景数据进行分类。可以更为精确的对驾驶场景进行分类，提高分类精度，防止出现误分类。在本实施例中，本领域技术人员应当理解，上述的对预设驾驶场景的分类条件和驾驶员模型的介绍只是为了清楚的说明基于预设驾驶场景的分类条件和驾驶员模型对驾驶场景数据进行分类可以提高分类精度，防止出现误分类，上述列举的实施例并不代表全部实施例。

作为可选的实施例，预设驾驶场景包括：若干第一主干场景和若干子场景，其中，第一干主干场景依据自车的运动状态和其他车辆与自车的关系，即其他车辆对自车的影响，进行划分。可以包括但不限于跟车，自由驾驶，前车切入，前车切出，自由变道，被迫变道，自车转向，自车掉头，自车启动，自车停车，自车倒车，自车汇入，自车汇出，信号响应，危险避让，车道尽头，车道有障碍物，接近交通堵塞，单车事故，车车事故，人车事故等。每个第一主干场景下都可以包括若干子场景，子场景可以包括道路和设施场景，气象和光照场景以及目标信息场景。

在本实施例中，道路和设施场景可以包括：城市道路场景，公路场景和封闭区域场景。其中城市道路场景又可分类为快速路场景，主干路场景，次干路场景和支路场景；公路场景可分类为高速公路场景，一级公路场景，二级公路场景，三级公路场景和四级公路场景。本领域技术人员应当理解，上述只是为了清楚描述而进行的举例说明，其他道路和设施场景也在本实施例的保护范围内。

在本实施例中，气象和光照场景可以包括：雨天场景，雪天场景，雾霾场景，昏暗场景，逆光场景，正常光照场景，光照变化场景，强光直射场景等场景。本领域技术人员应当理解，上述只是为了清楚描述而进行的举例说明，其他气象和光照场景也在本实施例的保护范围内。

在本实施例中，目标信息场景可以包括：根据目标种类可以将场景分类为单目标场景，两目标场景，三目标场景和多目标场景；按照类别可分为行人场景，车辆场景和动物场景；按照目标行为可以分为目标加速场景，目标减速场景，目标切入场景，目标切出场景，目标匀速行驶场景，目标停车场景等。本领域技术人员应当理解，上述只是为了清楚描述而进行的举例说明，其他气象和光照场景也在本实施例的保护范围内。

在具体的实施例中，驾驶员模型包括：若干第一主干场景驾驶员模型。具体的可以参见上述实施例中对于驾驶员模型的描述。在基于预设驾驶场景的分类条件和驾驶员模型对驾驶场景数据进行分类，可以先基于若干第一主干场景的分类条件和若干第一主干场景驾驶员模型对驾驶场景数据进行划分，确定驾驶场景数据所属的第一主干场景；再在划分后的第一主干场景下基于若干子场景的分类条件确定驾驶场景数据在所属的子场景。在本实施例中，对驾驶场景数据的分类时，主干场景的分类优先级高于子场景的分类优先级。

本实施例中，依据自车的运动状态和其他车辆与自车的关系划分主干场景，以自车所处的驾驶环境划分子场景，并且，先对主场景进行分类，再在主场景下对子场景进行分类，可以更为系统、有序地对驾驶场景进行划分。

下面结合图2对基于若干第一主干场景的分类条件和若干第一主干场景驾驶员模型对驾驶场景数据进行划分，确定驾驶场景数据所属的第一主干场景进行详细描述：

S21.判断驾驶场景数据是否满足若干第一主干场景的分类条件中的任意一个。在本实施例中，在获取到驾驶场景数据后，首先遍历第一主干场景，根据各个第一主干场景的分类条件，分别判断驾驶场景数据是否可以分类到某一第一主干场景，当驾驶场景数据均满足其中一个第一主干场景的分类条件时，进入步骤S22。当驾驶场景数据均不满足若干第一主干场景的分类条件时，进入步骤S23。

S22.确定驾驶场景数据所属的第一主干场景。即先将驾驶场景数据划归为第一主干场景中的一个。

S23.利用若干第一主干场景驾驶员模型对驾驶场景数据进行拟合，将拟合度最高的第一主干场景驾驶员模型对应的第一主干场景作为驾驶场景数据所属的第一主干场景。在本实施例中，以自由驾驶场景和跟车场景为例，提取自车速度，前车速度，当前距离等参数，在通过当前距离难以对驾驶场景数据直接分类，不能确定属于自由驾驶场景和跟车场景中哪一个场景时，分别采用自由驾驶场景驾驶员模型和跟车场景驾驶员模型对获取到的参数进行拟合。若可拟合为上述实施例中的式(1)，该驾驶场景数据可以分类为自由驾驶场景，若可拟合为上述实施例中的式(2)，该驾驶场景数据可以分类为跟车场景。

在本实施例中，由于驾驶场景的复杂以及随着社会的发展驾驶场景不断变化，采集的驾驶场景数据有时很难匹配至预设驾驶场景，因此，为了进一步提高驾驶场景数据分类的准确性，还需要对拟合度的大小进行判断，具体的，判断驾驶场景数据与若干第一主干场景驾驶员模型的拟合度中是否存在大于预设值的拟合度；在拟合度大于预设值时，则认为驾驶场景数据与预设的第一主场景较为近似，当存在时，选择拟合度最高的第一主干场景驾驶员模型对应的第一主干场景作为驾驶场景数据所属的第一主干场景。为了保证驾驶场景分类的合理性，在当驾驶场景数据与若干第一主干场景驾驶员模型的拟合度均小于预设值时，可以利用驾驶场景数据生成与驾驶场景数据对应的第二主干场景。并将第二主干场景作为第一主干场景的补充，以不断完善预设驾驶场景。在本实施中，当驾驶场景数据与若干第一主干场景驾驶员模型的拟合度均小于预设值时，利用驾驶场景数据生成与驾驶场景数据对应的第二主干场景驾驶员模型。并将第二主干场景驾驶员模型作为第一主干场景驾驶员模型的补充，以不断完善驾驶员模型。

S24.在划分后的第一主干场景下基于若干子场景的分类条件确定驾驶场景数据在所属的子场景。在具体的实施例中，步骤S24还可以包括：

判断子场景数据的第一场景因素是否属于与子场景数据对应的子场景包含的若干第二场景因素中的任意一个。当第一场景因素均不属于与子场景数据对应的子场景包含的若干第二场景因素，确定驾驶场景数据在所属的子场景。当当第一场景因素均不属于与子场景数据对应的子场景包含的若干第二场景因素任意一个，根据第一场景因素在子场景中生成第三场景因素。在该子场景下生成新的场景因素以扩充第二场景因素。

在本实施例中，驾驶场景数据包括若干子场景数据，具体的，子场景数据可以为采集到的道路设施数据、气象和光照数据，目标信息数据等类型的数据，可以的该子干场景数据的分类通过数据采集装置进行分类，例如，气象传感器采集的干子场景数据可以为气象和光照数据，雷达或激光传感器采集到的数据可以为目标信息数据。在本实施例中，若干子场景数据与若干子场景一一对应。在本实施例中，子场景数据包括具有待分类的第一场景因素，第一场景因素则为干子场景数本身，例如，温湿度值，光照值等数据。子场景包括若干第二场景因素，所称第二场景因素可以为上述实施例中描述的雨天场景，雪天场景，雾霾场景等场景因素。

在本实施例中第一场景因素为光照值进行说明，即子场景数据为气象和光照数据，对应的子场景为气象和光照场景，第二场景因素可以为雨天场景，雪天场景，雾霾场景等场景因素，判断温湿度值，光照值等数据是否属于气象和光照场景中的雨天场景，雪天场景，雾霾场景等场景因素中的任意一个，当光照值满足白天晴天这一第二场景因素时，将该对应的子场景数据划分为白天晴天场景。当光照值均不属于第二场景因素中的任意一个时，根据光照值在气象和光照场景中生成一个新的场景因素，以扩充第二场景因素。本实施例可以分别对目标信息场景和道路和设施进行判断，具体的判断的顺序不限，可以为任意顺序。

下面以具体的子场景判断为例进行说明。在主场景分类完成后，可以遍历道路和设置场景中的道路类型，若该驾驶场景数据没有对应的道路类型，根据驾驶场景数据添加对应的道路类型分类，若该驾驶场景数据可分类到某道路类型场景；则直接分类，并遍历气象和光照条件，若驾驶场景数据没有对应的气象和光照场景分类，根据驾驶场景数据添加对应的气象和光照场景分类，若驾驶场景数据可以分类为某气象和光照场景；则直接分类，并遍历现有目标信息类型，若驾驶场景数据可以分类为某种现有目标信息场景则进行分类，否则根据驾驶场景数据添加对应的目标信息场景。直至遍历完所有的子场景。

本发明实施例提供了一种驾驶场景分类装置，如图3所示，该装置可以包括：

获取单元10，用于获取驾驶场景数据；分类单元20，用于基于预设驾驶场景的分类条件和驾驶员模型对驾驶场景数据进行分类，其中，驾驶员模型基于不同的预设驾驶场景下的驾驶员行为数据生成。

本发明实施例提供了一种电子设备，具体的可以参见图4，该电子设备可以包括处理器11和存储器12，其中处理器11和存储器12可以通过总线或者其他方式连接，图4中以通过总线连接为例。

处理器11可以为中央处理器(Central Processing Unit，CPU)。处理器11还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器12作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的容器镜像的管理、使用或构建方法所对应的程序指令/模块。处理器11通过运行存储在存储器12中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的驾驶场景分类方法。

存储器12可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器11所创建的数据等。此外，存储器12可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器12可选包括相对于处理器11远程设置的存储器，这些远程存储器可以通过网络连接至处理器11。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

一个或者多个模块存储在存储器12中，当被处理器11执行时，执行上述方法实施例中的驾驶场景分类方法。

本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种驾驶场景分类方法，其特征在于，包括：

获取驾驶场景数据；

基于预设驾驶场景的分类条件和驾驶员模型对所述驾驶场景数据进行分类，其中，所述驾驶员模型基于不同的预设驾驶场景下的驾驶员行为数据生成。

2.如权利要求1所述的驾驶场景分类方法，其特征在于，所述预设驾驶场景包括：若干第一主干场景和若干子场景，所述驾驶员模型包括：若干第一主干场景驾驶员模型；

其中，所述若干第一干主干场景依据自车的运动状态和其他车辆与自车的关系进行划分，所述第一主干场景的分类优先级高于所述子场景的分类优先级。

3.如权利要求2所述的驾驶场景分类方法，其特征在于，所述基于预设驾驶场景的分类条件和驾驶员模型对所述驾驶场景数据进行分类包括：

基于所述若干第一主干场景的分类条件和所述若干第一主干场景驾驶员模型对所述驾驶场景数据进行划分，确定所述驾驶场景数据所属的第一主干场景；

在划分后的第一主干场景下基于所述若干子场景的分类条件确定所述驾驶场景数据在所属的子场景。

4.如权利要求3所述的驾驶场景分类方法，其特征在于，所述基于所述若干第一主干场景的分类条件和所述若干第一主干场景驾驶员模型对所述驾驶场景数据进行划分，确定所述驾驶场景数据所属的第一主干场景包括：

判断所述驾驶场景数据是否满足所述若干第一主干场景的分类条件中的任意一个；

当所述驾驶场景数据均不满足所述若干第一主干场景的分类条件时，利用所述若干第一主干场景驾驶员模型对所述驾驶场景数据进行拟合；

将拟合度最高的第一主干场景驾驶员模型对应的第一主干场景作为所述驾驶场景数据所属的第一主干场景。

5.如权利要求4所述的驾驶场景分类方法，其特征在于，所述将拟合度最高的第一主干场景驾驶员模型对应的第一主干场景作为所述驾驶场景数据所属的第一主干场景包括：

判断所述驾驶场景数据与所述若干第一主干场景驾驶员模型的拟合度中是否存在大于预设值的拟合度；

当存在时，选择拟合度最高的第一主干场景驾驶员模型对应的第一主干场景作为所述驾驶场景数据所属的第一主干场景。

6.如权利要求5所述的驾驶场景分类方法，其特征在于，

当所述驾驶场景数据与所述若干第一主干场景驾驶员模型的拟合度均小于所述预设值时，利用所述驾驶场景数据生成与所述驾驶场景数据对应的第二主干场景。

7.如权利要求5或6所述的驾驶场景分类方法，其特征在于，

当所述驾驶场景数据与所述若干第一主干场景驾驶员模型的拟合度均小于所述预设值时，利用所述驾驶场景数据生成与所述驾驶场景数据对应的第二主干场景驾驶员模型。

8.如权利要求3所述的驾驶场景分类方法，其特征在于，所述驾驶场景数据包括若干子场景数据，所述若干子场景数据与所述若干子场景一一对应，所述子场景数据包括具有待分类的第一场景因素，所述子场景包括若干第二场景因素；

所述在划分后的第一主干场景下基于所述若干子场景的分类条件确定所述驾驶场景数据在所属的子场景包括：

判断所述子场景数据的第一场景因素是否属于与所述子场景数据对应的子场景包含的若干第二场景因素中的任意一个；

当所述第一场景因素均不属于与所述子场景数据对应的子场景包含的若干第二场景因素，根据所述第一场景因素在所述子场景中生成第三场景因素，以扩充所述第二场景因素。

9.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-8任意一项所述的驾驶场景分类方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机从而执行权利要求1-8任意一项所述的驾驶场景分类方法。