CN116958938A - 一种基于驾驶数据逻辑代码的危险场景提取方法 - Google Patents
一种基于驾驶数据逻辑代码的危险场景提取方法 Download PDFInfo
- Publication number
- CN116958938A CN116958938A CN202310957216.6A CN202310957216A CN116958938A CN 116958938 A CN116958938 A CN 116958938A CN 202310957216 A CN202310957216 A CN 202310957216A CN 116958938 A CN116958938 A CN 116958938A
- Authority
- CN
- China
- Prior art keywords
- scene
- vehicle
- detection vehicle
- lane
- dangerous
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000000034 method Methods 0.000 abstract description 19
- 238000012360 testing method Methods 0.000 abstract description 18
- 238000012795 verification Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Multimedia (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于驾驶数据逻辑代码的危险场景提取方法,包括:获取设定时刻的自然驾驶样本数据,得到在本车道和相邻车道内的目标物,并将在本车道内且距离本车最近的一个目标物作为特殊目标物CIPV;计算所述特殊目标物CIPV与检测车之间的时间距离THW,获取检测车与目标物之间的相对速度;如果所述时间距离THW小于设定距离阈值,且所述相对速度小于设定速度阈值,则判定处于危险场景,并进行场景提取。本发明能提高测试场景库数据支撑的精确性,增加车辆自动驾驶的安全性。
Description
技术领域
本发明涉及车辆自动驾驶的技术领域,尤其涉及一种基于驾驶数据逻辑代码的危险场景提取方法。
背景技术
随着自动驾驶技术的持续发展,需要解决越来越多复杂的特殊道路场景,单纯的使用实车进行测试在时间、成本上已经行不通。目前行业内基本达成共识,自动驾驶测试验证遵循先仿真再场地测试再道路测试的逻辑,90%任务在仿真阶段做完,剩下的场地测试、道路测试仅挑选典型场景进行验证。场景泛化可以科学有效的海量扩充测试场景库,从而更全面充分的验证自动驾驶功能,而精确的场景提取为场景泛化的有效性奠定了数据基础。现有场景提取技术主要采用宫格标注和逻辑代码两种方式。其中,宫格标注的大小和数量会对标注结果产生影响,如果宫格过大或过小,都会使得标注出现偏差。而宫格数量太少,则难以覆盖整个图像,而数量太多则容易重叠,导致标注结果混乱。因此,如何对更好地对自动驾驶数据进行场景提取,以对泛化有效场景提供更精确的数据支撑,具有重要的意义。
发明内容
本发明提供一种基于驾驶数据逻辑代码的危险场景提取方法,解决现有车辆自动驾驶测试场景提取存在对危险场景提取不精确的问题,能提高测试场景库数据支撑的精确性,增加车辆自动驾驶的安全性。
为实现以上目的,本发明提供以下技术方案:
一种基于驾驶数据逻辑代码的危险场景提取方法,包括:
获取设定时刻的自然驾驶样本数据,得到在本车道和相邻车道内的目标物,并将在本车道内且距离本车最近的一个目标物作为特殊目标物CIPV;
计算所述特殊目标物CIPV与检测车之间的时间距离THW,获取检测车与目标物之间的相对速度;
如果所述时间距离THW小于设定距离阈值,且所述相对速度小于设定速度阈值,则判定处于危险场景,并进行场景提取。
优选的,还包括:
如果一个目标物一直为检测车的所述特殊目标物C IPV,且所述时间距离THW保持在一定范围内,相对速度保持在设定范围内,则将相应场景标记为跟车场景。
优选的,还包括:
获取跟车持续时间,如果所述跟车持续时间小于设定时间阈值,则将相对应场景从跟车场景中排除。
优选的,还包括:
如果一个目标物从相邻车道侵入了本车道并成所述特殊目标物C IPV,则将相应场景标记为切入场景,并进行危险场景提取。
优选的,还包括:
如果一个目标物从本车道脱离并进入相邻车道,进而从所述特殊目标物C IPV转变为非特殊目标物,则将相应场景标记为切出场景,并进行危险场景提取。
优选的,还包括:
计算目标物与检测车的重叠率,所述重叠率为目标物与检测车宽度重叠部分占检测车宽度的百分比;
如果所述重叠率大于第一阈值,则判定对应目标物处于检测车的本车道内。
优选的,还包括:
如果目标物与检测车的所述重叠率大于所述第一阈值,且所述相对速度大于所述设定速度阈值,则判定处于危险场景,并进行场景提取。
优选的,还包括:
获取检测车的目标车轨迹,并根据所述目标车轨迹的曲率判断检测车的行驶路径是否处于变道或转弯,如果是,则排除所述曲率大于设定曲率阈值的大弯道或检测车转弯导致曲率过大的场景。
优选的,还包括:
获取检测车与前方目标物的横向相对速度,并根据所述横向相对速度得到检测车的横向加速度和行驶曲率;
根据检测车的所述横向加速度和所述行驶曲率判断检测车是否处于变道或转弯,如果是,则标记变道场景或转弯场景,并进行危险场景提取。
本发明提供一种基于驾驶数据逻辑代码的危险场景提取方法,计算得到在本车道内具距离本车最近的一个目标物与检测车之间的时间距离THW,并根据所述时间距离THW和检测车与目标物之间的相对速度来判断是否处于危险场景。解决现有车辆自动驾驶测试场景提取存在对危险场景提取不精确的问题,能提高测试场景库数据支撑的精确性,增加车辆自动驾驶的安全性。
附图说明
为了更清楚地说明本发明的具体实施例,下面将对实施例中所需要使用的附图作简单地介绍。
图1是本发明提供的一种基于驾驶数据逻辑代码的危险场景提取方法的示意图。
图2是本发明实施例提供的一种跟车场景提取流程图。
图3是本发明实施例提供的一种切入场景提取流程图。
图4是本发明实施例提供的一种切出场景提取流程图。
图5是本发明实施例提供的车辆重叠示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例的方案,下面结合附图和实施方式对本发明实施例作进一步的详细说明。
针对当前进行车辆自动驾驶测试场景提取存在的问题,本发明提供一种基于驾驶数据逻辑代码的危险场景提取方法,解决现有车辆自动驾驶测试场景提取存在对危险场景提取不精确的问题,能提高测试场景库数据支撑的精确性,增加车辆自动驾驶的安全性。
如图1所示,一种基于驾驶数据逻辑代码的危险场景提取方法,包括:
S1:获取设定时刻的自然驾驶样本数据,得到在本车道和相邻车道内的目标物,并将在本车道内且距离本车最近的一个目标物作为特殊目标物C IPV。
S2:计算所述特殊目标物CIPV与检测车之间的时间距离THW,获取检测车与目标物之间的相对速度。
S3:如果所述时间距离THW小于设定距离阈值,且所述相对速度小于设定速度阈值,则判定处于危险场景,并进行场景提取。
具体地,定义一个特殊目标物,即在本车道内距离本车最近的一个目标物(CIPV)。时间距离THW(T ime HeadWay),衡量检测车与目标物之间的时间距离。在时间距离THW小于设定距离阈值,且检测车与目标物相对速度小于设定速度阈值,可推断出检测车与目标物之间车距过小,处于危险场景,可进行场景提取。通过时间距离THW和相对速度来判断车辆是否处于危险场景,能提高测试场景库数据支撑的精确性,增加车辆自动驾驶的安全性。
该方法还包括:如果一个目标物一直为检测车的所述特殊目标物CIPV,且所述时间距离THW保持在一定范围内,相对速度保持在设定范围内,则将相应场景标记为跟车场景。
进一步,该方法还包括:获取跟车持续时间,如果所述跟车持续时间小于设定时间阈值,则将相对应场景从跟车场景中排除。
在实际应用中,一个目标物一直为作特殊目标物C IPV不变,且时间距离THW保持在一定范围内,并且相对速度也在一定范围内保持,这个场景定义为跟车场景。如图2所示,确定特殊目标物C IPV后,判断本车是否处于变道或转弯,如果否,则对时间距离THW和目标物之间相对车速进行判断,如果开始跟车持续时间大于5秒,则判定场景片段为跟车场景,并进行危险场景提取。
该方法还包括:如果一个目标物从相邻车道侵入了本车道并成所述特殊目标物CIPV,则将相应场景标记为切入场景,并进行危险场景提取。
在实际应用中,当一个目标物从非CIPV变成CIPV,说明这个目标物从邻车道侵入了本车道,而且距离本车最近,这个过程就叫做切入场景。如图3所示,确定特殊目标物CIPV后,并排除车辆处于大弯道和转弯导致曲率过大的误差因素,对目标车的横向绝对速度是否满足要求,使车辆从相邻车道切入本车道。如果是,则将该场景标记为切入场景,并进行危险场景提取。
该方法还包括:如果一个目标物从本车道脱离并进入相邻车道,进而从所述特殊目标物C IPV转变为非特殊目标物,则将相应场景标记为切出场景,并进行危险场景提取。
在实际应用中,当一个目标物从特殊目标物C IPV变成非C IPV,这个过程就叫做切出场景。如图4所示,确定特殊目标物C IPV后,并排除车辆处于大弯道和转弯导致曲率过大的误差因素,对目标车的横向绝对速度是否满足要求,使车辆从本车道切入相邻车道。如果是,则将该场景标记为切出场景,并进行危险场景提取。
该方法还包括:计算目标物与检测车的重叠率,所述重叠率为目标物与检测车宽度重叠部分占检测车宽度的百分比。如果所述重叠率大于第一阈值,则判定对应目标物处于检测车的本车道内。
进一步,该方法还包括:如果目标物与检测车的所述重叠率大于所述第一阈值,且所述相对速度大于所述设定速度阈值,则判定处于危险场景,并进行场景提取。
在实际应用中,如图5所示,一个目标物与本车重叠部分占本车宽度的百分比,当重叠率大于第一阈值时,这个目标物在本车道内了,所有满足重叠率阈值中距离本车最近的一个目标物就是C IPV。
该方法还包括:获取检测车的目标车轨迹,并根据所述目标车轨迹的曲率判断检测车的行驶路径是否处于变道或转弯,如果是,则排除所述曲率大于设定曲率阈值的大弯道或检测车转弯导致曲率过大的场景。
该方法还包括:获取检测车与前方目标物的横向相对速度,并根据所述横向相对速度得到检测车的横向加速度和行驶曲率。根据检测车的所述横向加速度和所述行驶曲率判断检测车是否处于变道或转弯,如果是,则标记变道场景或转弯场景,并进行危险场景提取。
可见,本发明提供一种基于驾驶数据逻辑代码的危险场景提取方法,计算得到在本车道内具距离本车最近的一个目标物与检测车之间的时间距离THW,并根据所述时间距离THW和检测车与目标物之间的相对速度来判断是否处于危险场景。解决现有车辆自动驾驶测试场景提取存在对危险场景提取不精确的问题,能提高测试场景库数据支撑的精确性,增加车辆自动驾驶的安全性。
以上依据图示所示的实施例详细说明了本发明的构造、特征及作用效果,以上所述仅为本发明的较佳实施例,但本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。
Claims (9)
1.一种基于驾驶数据逻辑代码的危险场景提取方法,其特征在于,包括:
获取设定时刻的自然驾驶样本数据,得到在本车道和相邻车道内的目标物,并将在本车道内且距离本车最近的一个目标物作为特殊目标物C IPV;
计算所述特殊目标物C IPV与检测车之间的时间距离THW,获取检测车与目标物之间的相对速度;
如果所述时间距离THW小于设定距离阈值,且所述相对速度小于设定速度阈值,则判定处于危险场景,并进行场景提取。
2.根据权利要求1所述的基于驾驶数据逻辑代码的危险场景提取方法,其特征在于,还包括:
如果一个目标物一直为检测车的所述特殊目标物C IPV,且所述时间距离THW保持在一定范围内,相对速度保持在设定范围内,则将相应场景标记为跟车场景。
3.根据权利要求2所述的基于驾驶数据逻辑代码的危险场景提取方法,其特征在于,还包括:
获取跟车持续时间,如果所述跟车持续时间小于设定时间阈值,则将相对应场景从跟车场景中排除。
4.根据权利要求3所述的基于驾驶数据逻辑代码的危险场景提取方法,其特征在于,还包括:
如果一个目标物从相邻车道侵入了本车道并成所述特殊目标物C IPV,则将相应场景标记为切入场景,并进行危险场景提取。
5.根据权利要求4所述的基于驾驶数据逻辑代码的危险场景提取方法,其特征在于,还包括:
如果一个目标物从本车道脱离并进入相邻车道,进而从所述特殊目标物C IPV转变为非特殊目标物,则将相应场景标记为切出场景,并进行危险场景提取。
6.根据权利要求5所述的基于驾驶数据逻辑代码的危险场景提取方法,其特征在于,还包括:
计算目标物与检测车的重叠率,所述重叠率为目标物与检测车宽度重叠部分占检测车宽度的百分比;
如果所述重叠率大于第一阈值,则判定对应目标物处于检测车的本车道内。
7.根据权利要求6所述的基于驾驶数据逻辑代码的危险场景提取方法,其特征在于,还包括:
如果目标物与检测车的所述重叠率大于所述第一阈值,且所述相对速度大于所述设定速度阈值,则判定处于危险场景,并进行场景提取。
8.根据权利要求7所述的基于驾驶数据逻辑代码的危险场景提取方法,其特征在于,还包括:
获取检测车的目标车轨迹,并根据所述目标车轨迹的曲率判断检测车的行驶路径是否处于变道或转弯,如果是,则排除所述曲率大于设定曲率阈值的大弯道或检测车转弯导致曲率过大的场景。
9.根据权利要求8所述的基于驾驶数据逻辑代码的危险场景提取方法,其特征在于,还包括:
获取检测车与前方目标物的横向相对速度,并根据所述横向相对速度得到检测车的横向加速度和行驶曲率;
根据检测车的所述横向加速度和所述行驶曲率判断检测车是否处于变道或转弯,如果是,则标记变道场景或转弯场景,并进行危险场景提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310957216.6A CN116958938A (zh) | 2023-07-28 | 2023-07-28 | 一种基于驾驶数据逻辑代码的危险场景提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310957216.6A CN116958938A (zh) | 2023-07-28 | 2023-07-28 | 一种基于驾驶数据逻辑代码的危险场景提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116958938A true CN116958938A (zh) | 2023-10-27 |
Family
ID=88446149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310957216.6A Pending CN116958938A (zh) | 2023-07-28 | 2023-07-28 | 一种基于驾驶数据逻辑代码的危险场景提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116958938A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272690A (zh) * | 2023-11-21 | 2023-12-22 | 中汽智联技术有限公司 | 自动驾驶车辆危险切入场景提取方法、设备及介质 |
-
2023
- 2023-07-28 CN CN202310957216.6A patent/CN116958938A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272690A (zh) * | 2023-11-21 | 2023-12-22 | 中汽智联技术有限公司 | 自动驾驶车辆危险切入场景提取方法、设备及介质 |
CN117272690B (zh) * | 2023-11-21 | 2024-02-23 | 中汽智联技术有限公司 | 自动驾驶车辆危险切入场景提取方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4120215A1 (en) | Method for identifying abnormal driving behavior | |
CN104050832B (zh) | 位置信息的补全方法和装置 | |
CN116958938A (zh) | 一种基于驾驶数据逻辑代码的危险场景提取方法 | |
JP7148619B2 (ja) | 車両の車線変更検出のためのシステム及び方法 | |
CN113127466B (zh) | 一种车辆轨迹数据预处理方法及计算机存储介质 | |
CN114454878B (zh) | 车速控制模型训练样本的确定方法及装置 | |
CN111192452B (zh) | 行程数据分段方法、装置、存储介质和电子设备 | |
CN114754778B (zh) | 一种车辆定位方法以及装置、电子设备、存储介质 | |
CN112633812B (zh) | 货运车辆的轨迹分段方法、装置、设备及存储介质 | |
KR101965043B1 (ko) | 정밀지도 생성 지역 결정 방법 및 장치 | |
Zhou et al. | Empirical verification of car-following parameters using naturalistic driving data on freeway segments | |
CN111832365A (zh) | 车道标记确定方法及装置 | |
CN112927498B (zh) | 一种基于智慧交通监控的数据分析方法及装置 | |
US20230273047A1 (en) | Method and Apparatus for Providing a High-Resolution Digital Map | |
WO2018030103A1 (ja) | 表示内容認識装置、および車両制御装置 | |
CN113168763B (zh) | 用于检查车辆的至少半自主行驶运行的方法、装置和介质 | |
CN114559939A (zh) | 一种车辆变道检测方法、装置、计算机设备及介质 | |
CN113190997A (zh) | 一种大数据终端数据修复方法及系统 | |
Jomrich et al. | Lane Accurate Detection of Map Changes based on Low Cost Smartphone Data. | |
CN114814825B (zh) | 一种基于雷达和视频融合的车辆轨迹感知与状态提取方法 | |
JP2020021269A (ja) | 走行車線判定装置 | |
CN118035939B (zh) | 感知目标的置信度获取方法及自动驾驶规划控制方法 | |
CN117268424B (zh) | 一种多传感器融合的自动驾驶寻线方法及装置 | |
CN116381698B (zh) | 道路遗撒物的检测方法、装置及电子设备 | |
CN115985097A (zh) | 一种高速用户运行轨迹有效性判断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |