CN117786551A - 基于集成学习的自动驾驶车辆高速公路适驾性评估方法 - Google Patents
基于集成学习的自动驾驶车辆高速公路适驾性评估方法 Download PDFInfo
- Publication number
- CN117786551A CN117786551A CN202311746833.8A CN202311746833A CN117786551A CN 117786551 A CN117786551 A CN 117786551A CN 202311746833 A CN202311746833 A CN 202311746833A CN 117786551 A CN117786551 A CN 117786551A
- Authority
- CN
- China
- Prior art keywords
- data
- lane
- vehicle
- automatic driving
- expressway
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 107
- 238000013461 design Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000007613 environmental effect Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims description 30
- 238000005457 optimization Methods 0.000 claims description 22
- 238000005286 illumination Methods 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 201000010099 disease Diseases 0.000 claims description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 8
- 238000005299 abrasion Methods 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 238000010276 construction Methods 0.000 abstract 1
- 238000004445 quantitative analysis Methods 0.000 description 4
- 239000000654 additive Substances 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于集成学习的自动驾驶车辆高速公路适驾性评估方法,包括以下步骤:采集自动驾驶车辆在高速公路行驶的驾驶数据和相应交通数据并进行预处理和类别提取,得到特征数据;利用车道宽度检测数据判断车道检测失效类型;构建Boosting集成学习模型,以特征数据作为输入,以车道检测失效类型作为输出,对模型进行训练;基于已训练的Boosting集成学习模型,预测待评估高速公路的车道检测失效类型,得出自动驾驶车辆高速公路适驾性评估结论。与现有技术相比,本发明实现了高速公路线形设计、交通标线属性、交通运行和环境特征与车道检测性能之间非线性关系的构建,解决了自动驾驶车辆高速公路适驾性难以量化评估的问题。
Description
技术领域
本发明涉及安全评估技术领域,尤其是涉及一种基于集成学习的自动驾驶车辆高速公路适驾性评估方法。
背景技术
高速公路运行速度快,车型组成复杂,具有更高的安全风险和事故严重程度。现行道路设计规范有关道路线形、交通标线设计的要求仅考虑了驾驶人的感知能力,尚未考虑自动驾驶车辆的感知性能。由于驾驶人和自动驾驶车辆在感知反应时间、感知距离和感知高度等方面存在差异,自动驾驶车辆在特定高速公路条件下行驶时可能面临挑战,影响其运行安全。高速公路适驾性可反映高速公路基础设施对现有自动驾驶技术的适应性,其评估对象包含道路平纵线形、横断面、路面性能、交通标志、交通标线等,开展自动驾驶车辆高速公路适驾性评估,对未通过评估的路段单元制定优化对策,可提升自动驾驶车辆的运行安全。
现有技术围绕自动驾驶车辆高级驾驶辅助系统ADAS(Advanced DrivingAssistance System)的车道偏离预警、车道保持等功能,基于实地测试采集了功能失效事件数据,通过构建广义估计方程、逻辑回归模型或采用散点图可视化等方法,分析了自动驾驶车辆驾驶辅助功能失效事件的影响因素。这些方法无法量化反映自动驾驶车辆功能失效事件与输入特征的非线性变化关系,构建的模型在开展道路适驾性评估时的迁移性不佳,难以指导道路设计和车载传感器性能的优化对策制定。
发明内容
本发明的目的是为了提供一种基于集成学习的自动驾驶车辆高速公路适驾性评估方法,实现高速公路线形设计、交通标线属性、交通运行和环境特征对自动驾驶车辆车道检测性能影响的量化分析,解决现有技术对自动驾驶车辆高速公路适驾性难以量化评估的问题。
本发明的目的可以通过以下技术方案来实现:
一种基于集成学习的自动驾驶车辆高速公路适驾性评估方法,包括以下步骤:
步骤1)采集自动驾驶车辆在高速公路行驶的驾驶数据和相应交通数据,其中,所述驾驶数据包括车道宽度检测数据和车辆运行数据;
步骤2)对步骤1)采集的原始数据进行预处理,并对其中的分类变量进行类别提取,得到特征数据;
步骤3)针对步骤2)预处理的车道宽度检测数据,将车道宽度检测失效事件作为衡量车道检测性能的指标,判断车道检测失效类型;
步骤4)构建Boosting集成学习模型,用于学习输入特征数据对自动驾驶车辆车道检测性能的影响关系,以特征数据作为模型输入,以车道检测失效类型作为输出,对模型进行训练;
步骤5)基于步骤4)已训练的Boosting集成学习模型,预测待评估高速公路的车道检测失效类型,得出自动驾驶车辆高速公路适驾性评估结论。
所述步骤1)具体为:利用车载传感器采集车道宽度检测数据、车辆运行数据;基于道路设计图纸,收集道路线形数据;利用车载视频,采集交通标线数据、路段特征数据和环境数据。
所述步骤2)包括以下步骤:
步骤2-1)根据时间戳、经纬度和高速公路桩号,将车道宽度检测数据、车辆运行数据、道路线形数据、交通标线数据、路段特征数据和环境数据匹配到同一空间坐标中;
步骤2-2)针对车辆运行数据,将瞬时速度作为自车速度;计算自车与下游当前车道或相邻车道上距离最近的大型车距离作为下游大型车距离;
步骤2-3)针对道路线形数据,基于道路设计图纸,提取下游预设距离的平均曲率、坡度变化率;
步骤2-4)提取交通标线数据的所属类别,交通标线数据包括纵向标线类型、特殊标线类型、标线病害类型,其中,将纵向标线类型划分为双侧虚线、左侧虚线右侧实线、左侧实线右侧虚线、双侧实线、加速车道渐变段延长线、减速车道渐变段延长线;将特殊标线类型划分为普通标线、箭头标线、车距确认标线、横向减速标线、文字标线;将标线病害类型划分为普通标线、标线磨损、旧标线叠加、交通锥覆盖;
步骤2-5)提取路段特征数据的所属类别,路段特征数据包括路段类型、车道位置,其中,将路段类型划分为一般主线路段、入口主线路段、出口主线路段;将车道位置划分为最左侧车道、最右侧车道、中间车道;
步骤2-6)提取环境数据的所属类别,环境数据包括照明、天气,其中,将照明划分为白天、夜间无路灯照明、夜间有路灯照明、黎明、黄昏;将天气划分为晴、阴、小雨、中雨、大到暴雨、小雪、中雪、大到暴雪、雾。
所述步骤3)包括以下步骤:
步骤3-1)将车道宽度检测失效事件定义为:假设自动驾驶车辆位于检测车道中心线,且检测车道的一条车道线与实际车道对应的车道线重叠,当车道宽度检测值过宽或过窄而使车身越过实际车道线时,为自车与相邻车辆发生侧面碰撞的安全临界情况,视为车道宽度检测失效事件;
步骤3-2)计算车道宽度检测失效事件的车道宽度检测阈值,所述车道宽度检测阈值包括下限阈值和上限阈值;
步骤3-3)基于车道宽度检测阈值判断车道检测失效类型,当车道宽度大于等于下限阈值且小于等于上限阈值时,车道检测失效类型为未失效,否则,车道检测失效类型为失效。
所述车道宽度检测阈值的计算公式为:
|Wmd-Wa|+Wv=Wa
其中,Wmd表示车道宽度检测阈值,Wa表示车道宽度真实值,Wv为自车宽度。
所述步骤4)包括以下步骤:
步骤4-1)将经过预处理的数据划分为训练集和测试集;
步骤4-2)将训练集的车辆运行数据、道路线形数据、交通标线数据、路段特征数据和环境数据作为输入特征,将车道检测失效类型作为输出特征,训练Boosting集成学习模型;基于测试集数据,利用混淆矩阵评价模型训练的性能。
所述步骤5)包括以下步骤:
步骤5-1)将待评估高速公路的车辆运行数据、道路线形数据、交通标线数据、路段特征数据和环境数据作为输入特征,输入已训练的Boosting集成学习模型,输出自动驾驶车辆在待评估高速公路各路段单元的车道检测失效类型预测值;
步骤5-2)根据车道检测失效类型预测值,确定自动驾驶车辆高速公路适驾性评估结论,其中,对于预测值为“失效”的路段单元,评估结论为“未通过”;预测值为“未失效”的路段单元,评估结论为“通过”。
所述方法还包括以下步骤:
步骤6)基于步骤4)已训练的Boosting集成学习模型,确定全局特征重要度和特征依赖关系;
步骤7)针对步骤5)适驾性评估未通过的高速公路路段单元,利用步骤6)确定的全局特征重要度和特征依赖关系制定道路设计的优化对策,确定车载传感器的性能优化重点,提升自动驾驶车辆在高速公路的车道检测性能。
所述步骤6)包括以下步骤:
步骤6-1)采用SHAP方法,基于各输入特征的SHAP平均绝对值,计算输入特征对模型预测值输出影响的大小,即全局特征重要度;
步骤6-2)为揭示单个输入特征对模型预测值输出的影响,绘制单个输入特征的SHAP依赖图,分析该输入特征的变化对预测值输出的正向、负向影响趋势和影响大小变化关系,其中,正向即代表预测值为“失效”、负向即代表预测值为“未失效”;
步骤6-3)考虑到输入特征之间存在交互影响,为揭示单个输入特征与其它特征对模型预测值输出的两两交互影响,绘制两个输入特征的交互SHAP依赖图,分析输入特征组合的变化对预测值输出的正向、负向影响趋势和影响大小变化关系。
所述步骤7)包括以下步骤:
步骤7-1)根据步骤6)计算的全局特征重要度,确定优化对策制定的特征优先级;
步骤7-2)根据步骤6)构建的特征依赖关系,沿输入特征对模型预测值输出的正向影响减弱或负向影响增加的特征值域区间优化方向,从道路线形和交通标线设计优化、自动驾驶车辆运行设计域管理、车载传感器性能优化三个维度,制定提升自动驾驶车辆高速公路适驾性的对策措施,以保障自动驾驶车辆运行安全。
与现有技术相比,本发明具有以下有益效果:
(1)本发明提供了一种量化评估适驾性的方法,基于自动驾驶车辆车载传感器检测数据,利用车道宽度检测失效事件作为衡量车道检测性能的指标,以量化评估自动驾驶车辆高速公路适驾性。
(2)本发明利用Boosting集成学习算法构建输入特征数据对自动驾驶车辆车道检测性能的影响关系模型,可以量化反映特征与预测值输出之间的非线性变化关系,综合体现梯度提升、并行处理、剪枝和正则化技术的优势,处理复杂数据集,提供优异的模型预测精度。
(3)本发明采用Shapley additive explanations(SHAP)方法,利用机器学习模型的可解释性,实现了高速公路线形设计、交通标线属性、交通运行和环境特征对自动驾驶车辆车道检测性能影响的量化分析,为给出提升自动驾驶车辆高速公路适驾性的对策提供了科学、有依据的理论基础。
附图说明
图1为本发明的方法流程图;
图2为一种实施例中基于SHAP平均绝对值的特征重要度排序;
图3为一种实施例中坡度变化率特征的SHAP依赖图;
图4为一种实施例中路段类型与车道位置特征的交互SHAP依赖图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
基于集成学习算法构建输入特征数据对自动驾驶车辆车道检测性能的影响关系模型,可以量化反映特征与车道检测性能预测值输出之间的非线性变化关系,能够解决现有技术对自动驾驶车辆高速公路适驾性难以量化评估的问题。因此,利用车道检测性能,基于集成学习算法建立自动驾驶车辆高速公路适驾性评估方法,更好地实现高速公路线形设计、交通标线属性、交通运行和环境特征对自动驾驶车辆车道检测性能影响的量化分析,更针对性地提升自动驾驶车辆在高速公路的适驾性。
具体的,如图1所示,本实施例提供一种基于集成学习的自动驾驶车辆高速公路适驾性评估方法,包括以下步骤:
步骤1)采集自动驾驶车辆在高速公路行驶的驾驶数据和相应交通数据。
具体的,利用车载传感器采集车道宽度检测数据、车辆运行数据;基于道路设计图纸,收集道路线形数据;利用车载视频,采集交通标线数据、路段特征数据和环境数据。
步骤2)对步骤1)采集的原始数据进行预处理,并对其中的分类变量进行类别提取,得到特征数据;
具体的,步骤2)包括以下步骤:
步骤2-1)根据时间戳、经纬度和高速公路桩号,将车道宽度检测数据、车辆运行数据、道路线形数据、交通标线数据、路段特征数据和环境数据匹配到同一空间坐标中;
步骤2-2)针对车辆运行数据,将瞬时速度作为自车速度;计算自车与下游当前车道或相邻车道上距离最近的大型车距离作为下游大型车距离;
步骤2-3)针对道路线形数据,基于道路设计图纸,提取下游200m的平均曲率、坡度变化率;
步骤2-4)提取交通标线数据的所属类别,交通标线数据包括纵向标线类型、特殊标线类型、标线病害类型,其中,将纵向标线类型划分为双侧虚线、左侧虚线右侧实线、左侧实线右侧虚线、双侧实线、加速车道渐变段延长线、减速车道渐变段延长线;将特殊标线类型划分为普通标线、箭头标线、车距确认标线、横向减速标线、文字标线;将标线病害类型划分为普通标线、标线磨损、旧标线叠加、交通锥覆盖;
步骤2-5)提取路段特征数据的所属类别,路段特征数据包括路段类型、车道位置,其中,将路段类型划分为一般主线路段、入口主线路段、出口主线路段;将车道位置划分为最左侧车道、最右侧车道、中间车道;
步骤2-6)提取环境数据的所属类别,环境数据包括照明、天气,其中,将照明划分为白天、夜间无路灯照明、夜间有路灯照明、黎明、黄昏;将天气划分为晴、阴、小雨、中雨、大到暴雨、小雪、中雪、大到暴雪、雾。
步骤3)针对步骤2)预处理的车道宽度检测数据,将车道宽度检测失效事件作为衡量车道检测性能的指标,判断车道检测失效类型;
具体的,步骤3)包括以下步骤:
步骤3-1)将车道宽度检测失效事件定义为:假设自动驾驶车辆位于检测车道中心线,且检测车道的一条车道线与实际车道对应的车道线重叠,当车道宽度检测值过宽或过窄而使车身越过实际车道线时,为自车与相邻车辆发生侧面碰撞的安全临界情况,视为车道宽度检测失效事件。
步骤3-2)根据公式(1)计算车道宽度检测失效事件的车道宽度检测阈值:
|Wmd-Wa|+Wv=Wa (1)
其中,Wmd表示车道宽度检测阈值,Wa表示车道宽度真实值,Wv为自车宽度。
步骤3-3)基于车道宽度检测阈值Wmd,判断车道检测失效类型。
根据公式(1)可知,车道宽度检测阈值Wmd的计算结果应当包括两个值,即下限阈值和上限阈值,本实施例中分别记为Wmd1(下限阈值)和Wmd2(上限阈值),其中,Wmd1<Wmd2。则,根据如下公式(2)判断车道检测失效类型:
其中,Wd为车道宽度。
步骤4)构建Boosting集成学习模型,用于学习输入特征数据对自动驾驶车辆车道检测性能的影响关系,以特征数据作为模型输入,以车道检测失效类型作为输出,对模型进行训练。
具体的,步骤4)包括以下步骤:
步骤4-1)随机将经过预处理的数据中的70%划分为训练集,30%划分为测试集;
步骤4-2)将训练集的车辆运行数据、道路线形数据、交通标线数据、路段特征数据和环境数据作为输入特征,将车道检测失效类型作为输出特征,训练Boosting集成学习模型;基于测试集数据,利用混淆矩阵评价模型训练的性能。
步骤5)基于步骤4)已训练的Boosting集成学习模型,预测待评估高速公路的车道检测失效类型,得出自动驾驶车辆高速公路适驾性评估结论。
具体的,步骤5)包括以下步骤:
步骤5-1)将待评估高速公路的车辆运行数据、道路线形数据、交通标线数据、路段特征数据和环境数据作为输入特征,输入已训练的Boosting集成学习模型,输出自动驾驶车辆在待评估高速公路各路段单元的车道检测失效类型预测值。
其中,考虑到模型的可迁移性,为保证模型预测性能良好,待评估高速公路应与用于训练Boosting集成学习模型的高速公路在地形地貌、气候、车道宽度方面具有相似特征,且道路线形和交通标线在设计阶段使用的标准规范一致。
步骤5-2)根据车道检测失效类型预测值,确定自动驾驶车辆高速公路适驾性评估结论,其中,对于预测值为“失效”的路段单元,评估结论为“未通过”;预测值为“未失效”的路段单元,评估结论为“通过”。
本实施例中,方法还包括基于评估结果的优化过程,具体以下步骤:
步骤6)基于步骤4)已训练的Boosting集成学习模型,确定全局特征重要度和特征依赖关系。
具体的,步骤6)包括以下步骤:
步骤6-1)采用SHAP(Shapley additive explanations)方法,基于各输入特征的SHAP平均绝对值,计算输入特征对模型预测值输出影响的大小,即全局特征重要度;
步骤6-2)为揭示单个输入特征对模型预测值输出的影响,绘制单个输入特征的SHAP依赖图,分析该输入特征的变化对预测值输出的正向、负向影响趋势和影响大小变化关系,其中,正向即代表预测值为“失效”、负向即代表预测值为“未失效”;
步骤6-3)考虑到输入特征之间存在交互影响,为揭示单个输入特征与其它特征对模型预测值输出的两两交互影响,绘制两个输入特征的交互SHAP依赖图,分析输入特征组合的变化对预测值输出的正向、负向影响趋势和影响大小变化关系。
步骤7)针对步骤5)评估结论为“未通过”的高速公路路段单元,利用步骤6)确定的全局特征重要度和特征依赖关系制定道路设计的优化对策,确定车载传感器的性能优化重点,提升自动驾驶车辆在高速公路的车道检测性能。
具体的,步骤7)包括以下步骤:
步骤7-1)根据步骤6)计算的全局特征重要度,确定优化对策制定的特征优先级;
步骤7-2)根据步骤6)构建的特征依赖关系,沿输入特征对模型预测值输出的正向影响减弱或负向影响增加(即降低失效概率)的特征值域区间优化方向,从道路线形和交通标线设计优化、自动驾驶车辆运行设计域管理、车载传感器性能优化三个维度,制定提升自动驾驶车辆高速公路适驾性的对策措施,以保障自动驾驶车辆运行安全。
综上所述,本发明的方法步骤简述如下:采集自动驾驶车辆车载传感器在高速公路行驶时的车道宽度检测数据、车辆运行数据;基于车道宽度检测阈值,判断车道检测失效类型;将车辆运行数据、道路线形数据、交通标线数据、路段特征数据和环境数据作为输入特征,将车道检测失效类型作为输出特征,采用Boosting集成学习算法,构建输入特征数据对自动驾驶车辆车道检测性能的影响关系模型;将待评估高速公路的特征输入已训练的模型,预测车道检测失效类型,确定自动驾驶车辆高速公路适驾性评估结论;基于Shapleyadditive explanations(SHAP)方法确定全局特征重要度和特征依赖关系,制定道路设计优化对策,确定车载传感器性能优化重点。
本实施例以在某某高速某某段的主线路段开展了380公里实地测试,采集、获取步骤1)所述原始数据。为保证交通标线、路段特征数据样本分布均匀,车辆在固定车道上行驶完单趟测试行程,总测试行程覆盖高速公路最左侧车道、最右侧车道和中间车道。
原始数据经过步骤2)预处理,得到建模所需的输入特征数据,包括车辆运行数据(行驶速度、下游货车距离)、道路线形数据(下游200米平均曲率、坡度变化率)、交通标线数据(标线类型、标记类型、标线病害)、路段特征数据(路段类型、车道位置)和环境数据(光照条件)。
依照本发明的步骤3),判断车道宽度检测失效事件类型。根据道路设计图纸,测试道路主线路段车道宽度真实值(Wa)均为3.75米;为扩大评估结论的适用性,车辆类型设定为单排厢式货车,步骤3)中公式(1)的自车宽度(Wv)取2.44米;因此车道宽度检测阈值(Wmd)分别为5.06米、2.44米,如公式(3)所示。经过步骤3)处理,在总计148520帧的车道宽度检测数据中,2398帧被判断为失效,占总数的1.6%。
依照本发明的步骤4),采用XGBoost集成学习算法,构建输入特征数据对自动驾驶车辆车道检测性能的影响关系模型。对模型性能进行评价,其召回率、精确率、F1值、准确率在训练集上分别为0.9906、0.9916、0.9911、0.9997,在测试集上分别为0.9016、0.9524、0.9263、0.9975,表明模型性能优异。
依照本发明的步骤5),将京沪高速(上海段)作为待评估高速公路,将其车辆运行数据、道路线形数据、交通标线数据、路段特征数据和环境数据输入已训练的模型,输出其路段单元的车道宽度检测失效类型预测值,总计626帧被预测为失效。
依照本发明的步骤6)-7),影响车道检测性能的全局特征重要度依次为行驶速度、路段类型、下游货车距离、车道位置、标记类型、下游200米平均曲率、坡度变化率、标线类型、标线病害、光照条件,图2为本实施例基于SHAP平均绝对值的特征重要度排序,重点对排序靠前的特征进行设计优化和管理约束。以坡度变化率的单个特征影响为例,图3为本实施例的坡度变化率特征SHAP依赖图,当坡度变化率大于10%/公里(凸曲线)或20%/公里(凹曲线)时,其对车道宽度检测为失效的概率为正向影响且逐渐增加,应向失效概率降低的值域区间对线形进行优化设计。以路段类型与车道位置特征交互影响为例,图4为路段类型与车道位置特征的交互SHAP依赖图,当车辆在出入口主线路段的最右侧车道行驶时,车道宽度检测失效概率的正向影响最高,可对无进出主线路段需求的自动驾驶车辆约束其运行设计域,避免其在出入口主线路段在最右侧车道行驶。
因此,本发明的实施例结果实现了高速公路线形设计、交通标线属性、交通运行和环境特征对自动驾驶车辆车道检测性能影响的量化分析,根据结果的全局特征重要度和特征依赖关系中失效概率降低的值域区间,提出道路设计和车载传感器性能的优化对策,将有利于提升未通过评估的路段单元的适驾性,解决了现有技术对自动驾驶车辆高速公路适驾性难以量化评估的问题。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依据本发明的构思在现有技术的基础上通过逻辑分析、推理、或者有限的实验可以得到的技术方案,皆应在权利要求书所确定的保护范围内。
Claims (10)
1.一种基于集成学习的自动驾驶车辆高速公路适驾性评估方法,其特征在于,包括以下步骤:
步骤1)采集自动驾驶车辆在高速公路行驶的驾驶数据和相应交通数据,其中,所述驾驶数据包括车道宽度检测数据和车辆运行数据;
步骤2)对步骤1)采集的原始数据进行预处理,并对其中的分类变量进行类别提取,得到特征数据;
步骤3)针对步骤2)预处理的车道宽度检测数据,将车道宽度检测失效事件作为衡量车道检测性能的指标,判断车道检测失效类型;
步骤4)构建Boosting集成学习模型,用于学习输入特征数据对自动驾驶车辆车道检测性能的影响关系,以特征数据作为模型输入,以车道检测失效类型作为输出,对模型进行训练;
步骤5)基于步骤4)已训练的Boosting集成学习模型,预测待评估高速公路的车道检测失效类型,得出自动驾驶车辆高速公路适驾性评估结论。
2.根据权利要求1所述的一种基于集成学习的自动驾驶车辆高速公路适驾性评估方法,其特征在于,所述步骤1)具体为:利用车载传感器采集车道宽度检测数据、车辆运行数据;基于道路设计图纸,收集道路线形数据;利用车载视频,采集交通标线数据、路段特征数据和环境数据。
3.根据权利要求2所述的一种基于集成学习的自动驾驶车辆高速公路适驾性评估方法,其特征在于,所述步骤2)包括以下步骤:
步骤2-1)根据时间戳、经纬度和高速公路桩号,将车道宽度检测数据、车辆运行数据、道路线形数据、交通标线数据、路段特征数据和环境数据匹配到同一空间坐标中;
步骤2-2)针对车辆运行数据,将瞬时速度作为自车速度;计算自车与下游当前车道或相邻车道上距离最近的大型车距离作为下游大型车距离;
步骤2-3)针对道路线形数据,基于道路设计图纸,提取下游预设距离的平均曲率、坡度变化率;
步骤2-4)提取交通标线数据的所属类别,交通标线数据包括纵向标线类型、特殊标线类型、标线病害类型,其中,将纵向标线类型划分为双侧虚线、左侧虚线右侧实线、左侧实线右侧虚线、双侧实线、加速车道渐变段延长线、减速车道渐变段延长线;将特殊标线类型划分为普通标线、箭头标线、车距确认标线、横向减速标线、文字标线;将标线病害类型划分为普通标线、标线磨损、旧标线叠加、交通锥覆盖;
步骤2-5)提取路段特征数据的所属类别,路段特征数据包括路段类型、车道位置,其中,将路段类型划分为一般主线路段、入口主线路段、出口主线路段;将车道位置划分为最左侧车道、最右侧车道、中间车道;
步骤2-6)提取环境数据的所属类别,环境数据包括照明、天气,其中,将照明划分为白天、夜间无路灯照明、夜间有路灯照明、黎明、黄昏;将天气划分为晴、阴、小雨、中雨、大到暴雨、小雪、中雪、大到暴雪、雾。
4.根据权利要求1所述的一种基于集成学习的自动驾驶车辆高速公路适驾性评估方法,其特征在于,所述步骤3)包括以下步骤:
步骤3-1)将车道宽度检测失效事件定义为:假设自动驾驶车辆位于检测车道中心线,且检测车道的一条车道线与实际车道对应的车道线重叠,当车道宽度检测值过宽或过窄而使车身越过实际车道线时,为自车与相邻车辆发生侧面碰撞的安全临界情况,视为车道宽度检测失效事件;
步骤3-2)计算车道宽度检测失效事件的车道宽度检测阈值,所述车道宽度检测阈值包括下限阈值和上限阈值;
步骤3-3)基于车道宽度检测阈值判断车道检测失效类型,当车道宽度大于等于下限阈值且小于等于上限阈值时,车道检测失效类型为未失效,否则,车道检测失效类型为失效。
5.根据权利要求4所述的一种基于集成学习的自动驾驶车辆高速公路适驾性评估方法,其特征在于,所述车道宽度检测阈值的计算公式为:
|Wmd-Wa|+Wv=Wa
其中,Wmd表示车道宽度检测阈值,Wa表示车道宽度真实值,Wv为自车宽度。
6.根据权利要求2所述的一种基于集成学习的自动驾驶车辆高速公路适驾性评估方法,其特征在于,所述步骤4)包括以下步骤:
步骤4-1)将经过预处理的数据划分为训练集和测试集;
步骤4-2)将训练集的车辆运行数据、道路线形数据、交通标线数据、路段特征数据和环境数据作为输入特征,将车道检测失效类型作为输出特征,训练Boosting集成学习模型;基于测试集数据,利用混淆矩阵评价模型训练的性能。
7.根据权利要求2所述的一种基于集成学习的自动驾驶车辆高速公路适驾性评估方法,其特征在于,所述步骤5)包括以下步骤:
步骤5-1)将待评估高速公路的车辆运行数据、道路线形数据、交通标线数据、路段特征数据和环境数据作为输入特征,输入已训练的Boosting集成学习模型,输出自动驾驶车辆在待评估高速公路各路段单元的车道检测失效类型预测值;
步骤5-2)根据车道检测失效类型预测值,确定自动驾驶车辆高速公路适驾性评估结论,其中,对于预测值为“失效”的路段单元,评估结论为“未通过”;预测值为“未失效”的路段单元,评估结论为“通过”。
8.根据权利要求1所述的一种基于集成学习的自动驾驶车辆高速公路适驾性评估方法,其特征在于,所述方法还包括以下步骤:
步骤6)基于步骤4)已训练的Boosting集成学习模型,确定全局特征重要度和特征依赖关系;
步骤7)针对步骤5)适驾性评估未通过的高速公路路段单元,利用步骤6)确定的全局特征重要度和特征依赖关系制定道路设计的优化对策,确定车载传感器的性能优化重点,提升自动驾驶车辆在高速公路的车道检测性能。
9.根据权利要求8所述的一种基于集成学习的自动驾驶车辆高速公路适驾性评估方法,其特征在于,所述步骤6)包括以下步骤:
步骤6-1)采用SHAP方法,基于各输入特征的SHAP平均绝对值,计算输入特征对模型预测值输出影响的大小,即全局特征重要度;
步骤6-2)为揭示单个输入特征对模型预测值输出的影响,绘制单个输入特征的SHAP依赖图,分析该输入特征的变化对预测值输出的正向、负向影响趋势和影响大小变化关系,其中,正向即代表预测值为“失效”、负向即代表预测值为“未失效”;
步骤6-3)考虑到输入特征之间存在交互影响,为揭示单个输入特征与其它特征对模型预测值输出的两两交互影响,绘制两个输入特征的交互SHAP依赖图,分析输入特征组合的变化对预测值输出的正向、负向影响趋势和影响大小变化关系。
10.根据权利要求8所述的一种基于集成学习的自动驾驶车辆高速公路适驾性评估方法,其特征在于,所述步骤7)包括以下步骤:
步骤7-1)根据步骤6)计算的全局特征重要度,确定优化对策制定的特征优先级;
步骤7-2)根据步骤6)构建的特征依赖关系,沿输入特征对模型预测值输出的正向影响减弱或负向影响增加的特征值域区间优化方向,从道路线形和交通标线设计优化、自动驾驶车辆运行设计域管理、车载传感器性能优化三个维度,制定提升自动驾驶车辆高速公路适驾性的对策措施,以保障自动驾驶车辆运行安全。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311746833.8A CN117786551A (zh) | 2023-12-18 | 2023-12-18 | 基于集成学习的自动驾驶车辆高速公路适驾性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311746833.8A CN117786551A (zh) | 2023-12-18 | 2023-12-18 | 基于集成学习的自动驾驶车辆高速公路适驾性评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117786551A true CN117786551A (zh) | 2024-03-29 |
Family
ID=90401166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311746833.8A Pending CN117786551A (zh) | 2023-12-18 | 2023-12-18 | 基于集成学习的自动驾驶车辆高速公路适驾性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117786551A (zh) |
-
2023
- 2023-12-18 CN CN202311746833.8A patent/CN117786551A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5018444B2 (ja) | 車両故障診断予測装置 | |
CN103562978B (zh) | 车辆数据分析方法和车辆数据分析系统 | |
US7755509B2 (en) | Use of pattern matching to predict actual traffic conditions of a roadway segment | |
CN104809878B (zh) | 利用公交车gps数据检测城市道路交通异常状态的方法 | |
Park et al. | Analysis of injury severity in traffic crashes: a case study of Korean expressways | |
CN101633358A (zh) | 具有集成驾驶风格识别的自适应车辆控制系统 | |
US20080269985A1 (en) | Travel information collection apparatus | |
Yao et al. | Modeling of individual vehicle safety and fuel consumption under comprehensive external conditions | |
CN110304068B (zh) | 汽车行驶环境信息的采集方法、装置、设备和存储介质 | |
CN114118795A (zh) | 智能重载高速公路的安全风险度评估分级及动态预警方法 | |
Kuşkapan et al. | Speed violation analysis of heavy vehicles on highways using spatial analysis and machine learning algorithms | |
CN109583081B (zh) | 一种车辆行驶速度预测模型构建方法 | |
CN106355884A (zh) | 一种基于车型分类的高速公路车辆引导系统及方法 | |
CN111707476B (zh) | 一种面向自动驾驶汽车的纵向驾驶能力检测方法 | |
CN113178068A (zh) | 一种基于浮动车的道路拥堵指数计算方法及系统 | |
CN114550445B (zh) | 一种城市区域交通安全状态评估方法和装置 | |
Cohen et al. | Travel time estimation between loop detectors and FCD: A compatibility study on the Lille network, France | |
Sawtelle et al. | Driver, roadway, and weather factors on severity of lane departure crashes in Maine | |
CN116740940A (zh) | 恶劣天气高影响路段风险预测和安全管理方法、装置和设备 | |
CN116383678B (zh) | 一种营运客车异常变速行为常发性路段识别方法 | |
CN111915880A (zh) | 一种高速公路异常事件事发点有效通行能力估计方法 | |
CN117786551A (zh) | 基于集成学习的自动驾驶车辆高速公路适驾性评估方法 | |
Ugan et al. | Using Connected Vehicle Trajectory Data to Evaluate the Effects of Speeding | |
CN112036709B (zh) | 基于随机森林的降雨天气高速公路二次事故致因分析方法 | |
CN114565155A (zh) | 一种公路安全测试方法、装置、电子设备及存储介质 |
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 |