CN115257803A - 一种适用于高速自动驾驶功能场景提取方法 - Google Patents

Abstract

一种适用于高速自动驾驶功能场景提取方法，所述方法包括：将数据采集设备固定在本车上，实时采集本车和目标车相关数据；以本车车速、周围目标车个数创建数据分区序号列，使采集的数据按照本车车速、周围目标车个数的数据分区序号列进行分区；对获得的每个分区执行数据清洗；依据清洗后的数据，将本车的行驶参数进行处理后获得本车预测行驶区域，进入本车预测行驶区域的目标物标记为前方目标物；对高速自动驾驶功能场景进行分类，将高速自动驾驶功能场景的跟车场景、切入场景和切出场景进行数据提取；对提取场景数据进行整合后，在1到N之间分别随机选取不重复的n1和n2个整数，对应的数值就是检验的编号，按照编号对提取的数据进行检验。

Description

一种适用于高速自动驾驶功能场景提取方法

技术领域

本发明涉及高速自动驾驶功能场景技术领域，具体涉及一种适用于高速自 动驾驶功能场景提取方法。

背景技术

随着国内智能汽车逐步达到L3/L4级，主要涉及拥堵跟车、高速代驾和代客 泊车等ADAS功能；其中，最常用的即为高速自动驾驶功能，可实现根据前车的 速度与车道线自动调整跟车速度，并辅助驾驶员使车辆保持在自身车道内。

提取高速自动驾驶功能相关的具有代表性的场景，进行数据切片与提取， 对数据片段进行分析，为高速自动驾驶功能决策模型研发及试验验证提供对应 的场景数据支持。

但超高的数采频率以及超长的数据采集里程使车辆数据呈指数级***式增 长，包含场景达到数百万个，如何能从中提取高速自动驾驶功能具备代表性的 有效场景，进行数据提取，成为一大难点。

现有技术中，专利文献CN114064656A公开了“一种基于路端感知***的自 动驾驶场景识别与转化方法”，可以将路端感知***采集到大量驾驶数据进行 识别、转化，输出带有功能标记的切片数据，为自动驾驶训练的大体量数据库 的建设提供数据源，而本发明靠主车的传感器，且仅有一台主车的情况下，进 行场景的准确快速切分。专利文献CN114067243A公开了“一种自动驾驶场景识 别方法、***、设备及介质”，能够准确区分当前环境特征和差异性，实现环 境的深度聚类，辅助自动驾驶决策算法迁移，而并非本发明的场景切分方法。

因此，现有的技术手段无法从高速自动驾驶功能的大量数据中提取出具备 代表性的有效场景数据。

发明内容

本发明解决了现有的技术手段无法从高速自动驾驶功能的大量数据中提取 出具备代表性的有效场景数据的问题。

本发明所述的一种适用于高速自动驾驶功能场景提取方法，包括以下步骤：

步骤S1，将数据采集设备固定在本车上，采集本车和目标车相关数据；

步骤S2，以本车车速、周围目标车个数创建数据分区序号列，使采集的数 据按照本车车速、周围目标车个数的数据分区序号列进行分区；

步骤S3，对步骤S2获得的每个分区执行数据清洗；

步骤S4，依据步骤S3清洗后的数据，将本车的行驶参数进行处理后获得本 车预测行驶区域，进入本车预测行驶区域的目标物标记为前方目标物；

步骤S5，对高速自动驾驶功能场景进行分类，将高速自动驾驶功能场景的 跟车场景、切入场景和切出场景进行数据提取；

步骤S6，对提取场景数据进行整合后，在1到N之间分别随机选取不重复 的n1和n2个整数，对应的数值就是检验的编号，按照编号对提取的数据进行 检验。

进一步地，在本发明的一个实施例中，所述的步骤S1中，所述的数据采集 设备包括毫米波雷达、智能摄像头和激光雷达。

进一步地，在本发明的一个实施例中，所述的步骤S1中，所述的本车相关 数据包括本车车速、本车横向加速度、本车纵向加速度、本车方向盘转角、本 车航向角、本车经度和本车纬度；

所述的目标车相关数据包括目标车与本车相对纵向距离、目标车与本车相 对横向距离、目标车与本车相对速度、目标车与本车绝对速度、目标车绝对横 向加速度和目标车绝对纵向加速度。

进一步地，在本发明的一个实施例中，所述的步骤S3中，所述的每个分区 执行数据清洗，包括以下步骤：

步骤S301，对本车车速、目标车与本车相对速度和目标车与本车绝对速度 数据进行二阶样条曲线插值升采样；

步骤S302，构造高斯核函数的标准差，确定均值后，开始执行卷积运算；

步骤S303，将本车车速、目标车与本车相对速度和目标车与本车绝对速度 数据等间隔降采样至其数据原采样频率。

进一步地，在本发明的一个实施例中，所述的步骤S303中，所述的卷积运 算公式为：

式中，y(n)为滤波后的更新值，G(i)为高斯核函数 模板，h(n-i)为本车车速、目标车与本车相对速度和目标车与本车绝对速度 的原始数据。

进一步地，在本发明的一个实施例中，所述的步骤S4中，所述的将本车的 行驶参数进行处理后获得本车预测行驶区域，包括以下步骤：

步骤S401，获取已采集的本车行驶曲率和本车方向盘转角数据；

步骤S402，求本车行驶曲率和本车方向盘转角数据的加权平均值，以本车 行驶轨迹为原点，本车前进方向延长为本车预测路径；

步骤S403，将本车预测路径分别向两侧沿径向方向平移1/2车道宽度，得 到本车预测行驶区域。

进一步地，在本发明的一个实施例中，所述的步骤S5中，所述的跟车场景 包括跟车起步、匀速跟车、跟车加速、跟车减速、跟车刹停、本车道超越和弯 道行驶。

进一步地，在本发明的一个实施例中，所述的步骤S5中，所述的高速自动 驾驶功能场景的跟车场景、切入场景和切出场景进行数据提取的原则为：

以目标车与本车相对速度为提取条件，当相对速度介于不同区间时，则目 标车与本车处于不同的交互状态；

对目标车与本车处于不同的交互状态创建标识列，当相对速度＞0时，该列 标识列为0，否则为1；

对目标车与本车处于不同的交互状态标识列进行求导，得到其标识列的导 数列，并将末尾值置1；

对目标车与本车处于不同的交互状态标识列进行反向求导，得到其标识列 的反导数列，并将首位值置1；

筛选导数列与反导数列中非0的值对应的时间点，则反导数列非0的点与 导数列为0的点对应的时间轴组成每个相对速度区间的起终点时刻；

组成单数顺位的相对速度区间则为第一个区间对应的本车状态，偶数顺位 的则相反。

当两段连续的相同状态间隔小于1s时，则进行合并；

目标车与本车初始动作均为循线。

进一步地，在本发明的一个实施例中，所述的步骤S6中，所述的对提取场 景数据进行整合，包括以下步骤：

步骤S601，选取150～180个提取的场景数据；

步骤S602，将所要检验的场景数据从1开始依次递增进行编号；

步骤S603，根据选取的场景数据量和预期准确率，设定对应检验轮次的场 景数据数量、接收限和拒绝限。

进一步地，在本发明的一个实施例中，所述的步骤S6中，所述的按照编号 对提取的数据进行检验，具体为：

若在第一次检验场景数据中发现的不合格数量d1小于或等于Ac1，认为检 验结果是接收；

若在第一次检验场景数据中发现的不合格数量d1大于或等于Re1，认为检 验结果是拒绝；

若第一次检验场景数据中发现的不合格数量d1介于Ac1与Re1之间，按照 方案进行第二次检验，并累计两次检验的不合格数量，即d1+d2；

若d1与d2的和小于或等于接收限Ac2，认为检验结果是接收；

若d1与d2的和大于或等于拒绝限Re2，认为检验结果是拒绝。

本发明解决了现有的技术手段无法从高速自动驾驶功能的大量数据中提取 出具备代表性的有效场景数据的问题。具体有益效果包括：

1、本发明所述的一种适用于高速自动驾驶功能场景提取方法，对自然驾驶 场景数据中本车车速、目标车辆速度、目标车辆距本车的横纵向距离等客观数 据，通过创新使用分区算法、清洗算法、基于相对速度的场景识别算法、场景 提取算法，实现大数据高效自动化高速自动驾驶功能场景数据提取。

2、本发明所述的一种适用于高速自动驾驶功能场景提取方法，通过基于高 斯核函数的数据清洗算法，能够更准确的修正干扰功能场景数据。

3、本发明所述的一种适用于高速自动驾驶功能场景提取方法，使用基于目 标车相对速度的场景识别算法，减少算法参数。

4、本发明所述的一种适用于高速自动驾驶功能场景提取方法，以车辆速度、 周围目标物个数创建数据分区序号列，使得采集数据按照该列进行分区，采用 分区算法进行并行计算，大大缩短计算时间。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中 将变得明显和容易理解，其中：

图1是具体实施方式所述的功能场景提取方法总体流程图。

图2是具体实施方式所述的分区流程图。

图3是具体实施方式所述的二次样条求解图。

图4是具体实施方式所述的预测行驶区域示意图。

图5是具体实施方式所述的跟车关键场景图。

图6是具体实施方式所述的本车状态提取方法图。

图7是具体实施方式所述的切入关键场景图。

图8是具体实施方式所述的切出关键场景图。

图9是具体实施方式所述的二次抽样检验流程图。

具体实施方式

下面结合附图将对本发明的多种实施方式进行清楚、完整地描述。通过参 考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发 明的限制。

本实施方式所述的一种适用于高速自动驾驶功能场景提取方法，包括以下 步骤：

步骤S1，将数据采集设备固定在本车上，采集本车和目标车相关数据；

步骤S2，以本车车速、周围目标车个数创建数据分区序号列，使采集的数 据按照本车车速、周围目标车个数的数据分区序号列进行分区；

步骤S3，对步骤S2获得的每个分区执行数据清洗；

步骤S4，依据步骤S3清洗后的数据，将本车的行驶参数进行处理后获得本 车预测行驶区域，进入本车预测行驶区域的目标物标记为前方目标物；

步骤S5，对高速自动驾驶功能场景进行分类，将高速自动驾驶功能场景的 跟车场景、切入场景和切出场景进行数据提取；

步骤S6，对提取场景数据进行整合后，在1到N之间分别随机选取不重复 的n1和n2个整数，对应的数值就是检验的编号，按照编号对提取的数据进行 检验。

本实施方式中，所述的步骤S1中，所述的数据采集设备包括毫米波雷达、 智能摄像头和激光雷达。

本实施方式中，所述的步骤S1中，所述的本车相关数据包括本车车速、本 车横向加速度、本车纵向加速度、本车方向盘转角、本车航向角、本车经度和 本车纬度；

所述的目标车相关数据包括目标车与本车相对纵向距离、目标车与本车相 对横向距离、目标车与本车相对速度、目标车与本车绝对速度、目标车绝对横 向加速度和目标车绝对纵向加速度。

本实施方式中，所述的步骤S3中，所述的每个分区执行数据清洗，包括以 下步骤：

步骤S301，对本车车速、目标车与本车相对速度和目标车与本车绝对速度 数据进行二阶样条曲线插值升采样；

步骤S302，构造高斯核函数的标准差，确定均值后，开始执行卷积运算；

步骤S303，将本车车速、目标车与本车相对速度和目标车与本车绝对速度 数据等间隔降采样至其数据原采样频率。

本实施方式中，所述的步骤S303中，所述的卷积运算公式为：

式中，y(n)为滤波后的更新值，G(i)为高斯核函数 模板，h(n-i)为本车车速、目标车与本车相对速度和目标车与本车绝对速度 的原始数据。

本实施方式中，所述的步骤S4中，所述的将本车的行驶参数进行处理后获 得本车预测行驶区域，包括以下步骤：

步骤S401，获取已采集的本车行驶曲率和本车方向盘转角数据；

步骤S402，求本车行驶曲率和本车方向盘转角数据的加权平均值，以本车 行驶轨迹为原点，本车前进方向延长为本车预测路径；

步骤S403，将本车预测路径分别向两侧沿径向方向平移1/2车道宽度，得 到本车预测行驶区域。

本实施方式中，所述的步骤S5中，所述的跟车场景包括跟车起步、匀速跟 车、跟车加速、跟车减速、跟车刹停、本车道超越和弯道行驶。

本实施方式中，所述的步骤S5中，所述的高速自动驾驶功能场景的跟车场 景、切入场景和切出场景进行数据提取的原则为：

以目标车与本车相对速度为提取条件，当相对速度介于不同区间时，则目 标车与本车处于不同的交互状态；

对目标车与本车处于不同的交互状态创建标识列，当相对速度＞0时，该列 标识列为0，否则为1；

对目标车与本车处于不同的交互状态标识列进行求导，得到其标识列的导 数列，并将末尾值置1；

对目标车与本车处于不同的交互状态标识列进行反向求导，得到其标识列 的反导数列，并将首位值置1；

筛选导数列与反导数列中非0的值对应的时间点，则反导数列非0的点与 导数列为0的点对应的时间轴组成每个相对速度区间的起终点时刻；

组成单数顺位的相对速度区间则为第一个区间对应的本车状态，偶数顺位 的则相反。

当两段连续的相同状态间隔小于1s时，则进行合并；

目标车与本车初始动作均为循线。

本实施方式中，所述的步骤S6中，所述的对提取场景数据进行整合，包括 以下步骤：

步骤S601，选取150～180个提取的场景数据；

步骤S602，将所要检验的场景数据从1开始依次递增进行编号；

步骤S603，根据选取的场景数据量和预期准确率，设定对应检验轮次的场 景数据数量、接收限和拒绝限。

本实施方式中，所述的步骤S6中，所述的按照编号对提取的数据进行检验， 具体为：

若在第一次检验场景数据中发现的不合格数量d1小于或等于Ac1，认为检 验结果是接收；

若在第一次检验场景数据中发现的不合格数量d1大于或等于Re1，认为检 验结果是拒绝；

若第一次检验场景数据中发现的不合格数量d1介于Ac1与Re1之间，按照 方案进行第二次检验，并累计两次检验的不合格数量，即d1+d2；

若d1与d2的和小于或等于接收限Ac2，认为检验结果是接收；

若d1与d2的和大于或等于拒绝限Re2，认为检验结果是拒绝。

本实施方式基于本发明所述的一种适用于高速自动驾驶功能场景提取方 法，结合图1可以更好地理解本实施方式，并结合具体对象提供一种实际的实 施方式：

S1数据采集：

S101：数据采集包括毫米波雷达、智能摄像头、激光雷达固定于场景采集 车辆周围，实时采集周围交通参与者客观数据。采集的客观数据可满足场景提 取数据要求，包含内容如下：

本车:本车速度、本车横向加速度、本车纵向加速度、本车方向盘转角、本 车航向角、本车经度、本车纬度。

目标车：与本车相对纵向距离、与本车相对横向距离、与本车相对速度、 与本车绝对速度、目标车绝对横向加速度和目标车绝对纵向加速度。

S2以车辆速度、周围目标物个数创建数据分区序号列，使得采集数据按照 该列进行分区，保证每个分区内，数据行数大致相同，分区规则如下，流程见 图2：

S201首先，选取所有数据中本车车速不为0的数据，将连续的时间点内的 数据作为一个分区；

S202将a中每一段分区的终止时间与下一段分区的起始时间之差小于1s 的分区进行合并；

S203设定分区结束阈值i为10；

S204计算每个分区的行数与最大分区行数之差，如果大于i％，则按照每个 分区中周围目标物数据量小于1为条件，进行再次切割，即在每个车速不为0 的区间内，再进行切分；

S205再次判断每个分区的行数与最大分区行数之差，如果仍然大于i％，则 按照周围车辆数大于1且相对距离、相对速度2s内稳定不变的条件进行再次分 区；

S206再次判断每个分区的行数与最大分区行数之差，如果仍然大于i％，则 更新i值为10*循环次数；

S207重复S204～S206步骤，直至条件满足；

若最终i值超过30，则需对数据进行清洗，滤除，再次进行分区，以保证 每个分区的数据行数与最大分区行数之差小于30％。

S3数据清洗：

S301针对每个分区，执行数据清洗步骤；

S302对本车速度、目标车绝对速度、相对速度数据进行二阶样条曲线插值 升采样，将数据采样率提升至至少100Hz，插值方法如下：

假设4个点，x0，x1，x2，x3，有3个区间，需要3个二次样条，每个二 次样条为ax^2+bx+c，故总计9个未知数，如图3所示。

图中x0与x3两个端点都有一个二次函数经过，可确定2个方程。

X1和x2两个中间点都有两个二次函数经过，可确定4个方程。

中间点处必须连接，需要保证左右二次函数一阶导相等，即：

2a₁x₁+b₁＝2a₂x₂+b₂

2a₂x₂+b₂＝2a₃x₃+b₃可确定2个方程，此时有了8个方程。

采用自由边界进行约束，则2a₀x₀+b₀＝0。

共计9个未知数，联立9个方程求解，完成升采样。

S303构造高斯核函数的标准差为σ，均值为μ＝15，以均值以外μ±nσ＝4标 准差的长度进行截断的高斯模板，如下；

S304执行卷积运算；

式中。y(n)为滤波后的更新值，G(i)为高斯核函数模板，h(n-i)为原始数据。

S305执行降采样，将数据等间隔降采样至原采样频率。

S4前方目标车辆识别：

S401获取传感器采集的本车行驶曲率，获取本车方向盘转角；

S402依据方向盘转角与本车行驶曲率加权平均，将本车当前行驶轨迹以前 保中心为原点，车辆前进方向延长，作为预测路径；

S403将预测路径分别向两侧沿径向方向平移1/2车道宽度，得到预测行驶 区域，如图4所示。

S404当探测的目标物侵入本车预测行驶区域时，则该目标物则标记为前方 目标物。

S5功能场景识别：

S501对高速自动驾驶功能场景进行分类如何分类，将本车前方有目标车的 情况，定义为跟车场景，对跟车场景中的关键场景进行提取，关键场景如图5 所示。

场景提取方法原则如下：

以本车与前方目标车相对速度为主要提取条件，当相对速度介于不同区间 时，定义本车与前车处于不同的交互状态，如：当相对速度小于0km/h时，为 本车追击前车状态，当相对速度大于0km/h时，为本车接近前车状态，不同状 态提取方法如下，如图6所示；

创建标识列名为，当相对速度＞0时，该列为0，否则为1；

对标识列进行求导，得到标识列的导数列，并将末尾值置1；

对标识列进行反向求导，得到标识列的反导数列，并将首位值置1；

筛选导数列与反导数列中非0的值对应的时间点，则反导数列非0的点与 导数列为0的点对应的时间轴组成每个相对速度区间的起终点时刻；

组成单数顺位的相对速度区间则为第一个区间对应的本车状态，偶数顺位 的则相反；

当两段连续的相同状态间隔小于1s时，则进行合并；

本车与目标车初始动作均为循线。

跟车起步提取方法：

筛选相对速度大于0km/h区间，且持续时间大于1s，本车速度在该区间下 最小值小于1km/h，本车速度最大值大于5km/h，本车纵向加速度平均值大于 0m/s²，目标车绝对速度最大值小于160km/h，目标车绝对速度最小值小于2km/h， 目标车纵向绝对加速度平均值大于0m/s²，相对距离最小值小于10m。

匀速跟车提取方法：

提取相对速度介于-5～5km/h区间，且合并后持续时间大于5s，本车速度最 小值大于5km/h，本车速度最大值与最小值的差小于5km/h，本车方向盘转角绝 对值的最大值小于30°，目标车绝对速度小于160km/h。

跟车加速提取方法：

提取相对速度大于0km/h，且合并后持续时间大于1s；本车速度最小值大 于5km/h；本车转向盘转角绝对值小于30°；本车纵向加速度平均值大于0m/s²； 目标车纵向绝对加速度平均值大于0m/s²；目标车绝对速度最大值小于160km/h； 目标车绝对速度最小值大于0km/h。

跟车减速提取方法：

提取相对速度小于0km/h，且合并后持续时间大于1s；本车速度最小值大 于5km/h；本车转向盘转角绝对值的最大值小于30°；本车纵向加速度平均值 小于0m/s 2；相对速度小于-5km/h；相对速度平均值大于-60km/h；目标车绝对 速度最大值小于160km/h；目标车绝对速度最小值大于0km/h。

跟车刹停提取方法：

提取相对速度小于0km/h，且合并后持续时间大于1s；本车速度最小值小 于1km/h；本车速度最大值大于5km/h；本车转向盘转角绝对值的最大值小于 30°；本车纵向加速度平均值小于0m/s²；目标车绝对速度最大值小于160km/h； 相对距离最小值小于15m；目标车纵向绝对加速度平均值小于0m/s²。

本车道超越提取规则：

本车与正右或正左侧车辆相对速度大于0km/h；本车转向盘转角绝对值的最 大值小于30°；目标车绝对速度最大值小于160km/h。

弯道行驶提取规则：

提取本车行驶轨迹半径小于1km的区间；当两段连续的区间间隔小于1s时， 则进行合并。

S502数据提取方法，将切入关键场景定义如下：

定义：连续的时间段内，目标车与本车的重叠率大于30％，并且目标车横 向速度大于设定的阈值，且目标车辆初始在右前侧或右侧，最终重叠率大于90％ 的过程。

开始时间：目标物与本车重叠率刚开始大于30％(可调)。

结束时间：目标物与本车重叠率达到90％以上或者目标车中心与本车行驶 中心的距离小于0.5m(可调)且横向速度低于0.3m/s(可调)。

初始时刻：开始时间后推至目标物出现时刻或目标物接近本车速度小于 0.3m/s时刻或开始时间最小值。

本车开始刹车：在切入过程中本车刹车踏板第一次踩下时刻。

本车结束刹车：在切入过程中本车刹车踏板最后一次松开时刻。

如图7所示，本车本车道行驶：目标车辆开始时间在右前侧或右侧。

本车本车道行驶：目标车辆开始时间在左前侧或左侧。

S503数据提取方法，将切出关键场景定义如下：

定义：连续的时间段内，目标车与本车的重叠率大于90％，并且目标车横 向速度大于设定值。且最终重叠率小于0％的过程。

开始时间：目标车在本车行驶车道行驶时，横向速度开始增大且最终重叠 率小于0％的过程中，横向速度大于0.3m/s(可调)时刻。

结束时间：目标车与本车的重叠率刚开始小于0时刻。

如图8所示，本车本车道行驶：结束时间目标车位于本车右前或者右侧。

本车本车道行驶：结束时间目标车位于本车左前或者左侧。

S6数据提取结果

S601数据提取的每一个场景拥有唯一标识符，标识符存在于提取数据的每 一行中；

S602提取的数据包含所有原始数据信息并统一时间轴。

S7数据提取结果检查

S701对提取样本进行整合。

1、选取150～180个提取的场景数据；

2、将需要检验的场景片段，从1开始依次递增作为编号；

3、根据样本量和预期准确率，设定对应检验轮次的样本数量、接收限 和拒绝限，其表达式如下：

(n1，n2|Ac1，Re1；Ac2，Re2)，式中：n1为第一次检验样本数量；n2为 第二次检验样本数量；Ac1为第一次检验的接收限；Re1为第一次检验的拒绝限； Ac2为二次检验的累计接收限；Re2为二次检验的累计拒绝限。

S702在1到N之间分别随机选取不重复的n1和n2个整数，其数值就是需 要检验的片段编号；

S703按照编号对提取的数据片段进行检验，检验流程如图9所示；

S705如果在第一次检验样本中发现的不合格数量d1大于或等于Re1，应认 为检验结果是拒绝；

S706如果第一次检验样本中发现的不合格数量d1介于Ac1与Re1之间， 应按照方案进行第二次检验，并累计两次检验的不合格数量，即d1+d2；

S707如果d1与d2的和小于或等于接收限Ac2，应认为检验结果是接收； 如果d1与d2的和大于或等于拒绝限Re2，应认为检验结果是拒绝。

以上对本发明所提出的一种适用于高速自动驾驶功能场景提取方法进行了 详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以 上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本 领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会 有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种适用于高速自动驾驶功能场景提取方法，其特征在于，包括以下步骤：

步骤S1，将数据采集设备固定在本车上，采集本车和目标车相关数据；

步骤S2，以本车车速、周围目标车个数创建数据分区序号列，使采集的数据按照本车车速、周围目标车个数的数据分区序号列进行分区；

步骤S3，对步骤S2获得的每个分区执行数据清洗；

步骤S4，依据步骤S3清洗后的数据，将本车的行驶参数进行处理后获得本车预测行驶区域，进入本车预测行驶区域的目标物标记为前方目标物；

步骤S5，对高速自动驾驶功能场景进行分类，将高速自动驾驶功能场景的跟车场景、切入场景和切出场景进行数据提取；

步骤S6，对提取场景数据进行整合后，在1到N之间分别随机选取不重复的n1和n2个整数，对应的数值就是检验的编号，按照编号对提取的数据进行检验。

2.根据权利要求1所述的一种适用于高速自动驾驶功能场景提取方法，其特征在于，所述的步骤S1中，所述的数据采集设备包括毫米波雷达、智能摄像头和激光雷达。

3.根据权利要求1所述的一种适用于高速自动驾驶功能场景提取方法，其特征在于，所述的步骤S1中，所述的本车相关数据包括本车车速、本车横向加速度、本车纵向加速度、本车方向盘转角、本车航向角、本车经度和本车纬度；

所述的目标车相关数据包括目标车与本车相对纵向距离、目标车与本车相对横向距离、目标车与本车相对速度、目标车与本车绝对速度、目标车绝对横向加速度和目标车绝对纵向加速度。

4.根据权利要求1所述的一种适用于高速自动驾驶功能场景提取方法，其特征在于，所述的步骤S3中，所述的每个分区执行数据清洗，包括以下步骤：

步骤S301，对本车车速、目标车与本车相对速度和目标车与本车绝对速度数据进行二阶样条曲线插值升采样；

步骤S302，构造高斯核函数的标准差，确定均值后，开始执行卷积运算；

步骤S303，将本车车速、目标车与本车相对速度和目标车与本车绝对速度数据等间隔降采样至其数据原采样频率。

5.根据权利要求4所述的一种适用于高速自动驾驶功能场景提取方法，其特征在于，所述的步骤S303中，所述的卷积运算公式为：

式中，y(n)为滤波后的更新值，G(i)为高斯核函数模板，h(n-i)为本车车速、目标车与本车相对速度和目标车与本车绝对速度的原始数据。

6.根据权利要求1所述的一种适用于高速自动驾驶功能场景提取方法，其特征在于，所述的步骤S4中，所述的将本车的行驶参数进行处理后获得本车预测行驶区域，包括以下步骤：

步骤S401，获取已采集的本车行驶曲率和本车方向盘转角数据；

步骤S402，求本车行驶曲率和本车方向盘转角数据的加权平均值，以本车行驶轨迹为原点，本车前进方向延长为本车预测路径；

步骤S403，将本车预测路径分别向两侧沿径向方向平移1/2车道宽度，得到本车预测行驶区域。

7.根据权利要求1所述的一种适用于高速自动驾驶功能场景提取方法，其特征在于，所述的步骤S5中，所述的跟车场景包括跟车起步、匀速跟车、跟车加速、跟车减速、跟车刹停、本车道超越和弯道行驶。

8.根据权利要求1所述的一种适用于高速自动驾驶功能场景提取方法，其特征在于，所述的步骤S5中，所述的高速自动驾驶功能场景的跟车场景、切入场景和切出场景进行数据提取的原则为：

以目标车与本车相对速度为提取条件，当相对速度介于不同区间时，则目标车与本车处于不同的交互状态；

对目标车与本车处于不同的交互状态创建标识列，当相对速度＞0时，该列标识列为0，否则为1；

对目标车与本车处于不同的交互状态标识列进行求导，得到其标识列的导数列，并将末尾值置1；

对目标车与本车处于不同的交互状态标识列进行反向求导，得到其标识列的反导数列，并将首位值置1；

筛选导数列与反导数列中非0的值对应的时间点，则反导数列非0的点与导数列为0的点对应的时间轴组成每个相对速度区间的起终点时刻；

组成单数顺位的相对速度区间则为第一个区间对应的本车状态，偶数顺位的则相反。

当两段连续的相同状态间隔小于1s时，则进行合并；

目标车与本车初始动作均为循线。

9.根据权利要求1所述的一种适用于高速自动驾驶功能场景提取方法，其特征在于，所述的步骤S6中，所述的对提取场景数据进行整合，包括以下步骤：

步骤S601，选取150～180个提取的场景数据；

步骤S602，将所要检验的场景数据从1开始依次递增进行编号；

步骤S603，根据选取的场景数据量和预期准确率，设定对应检验轮次的场景数据数量、接收限和拒绝限。

10.根据权利要求1所述的一种适用于高速自动驾驶功能场景提取方法，其特征在于，所述的步骤S6中，所述的按照编号对提取的数据进行检验，具体为：

若在第一次检验场景数据中发现的不合格数量d1小于或等于Ac1，认为检验结果是接收；

若在第一次检验场景数据中发现的不合格数量d1大于或等于Re1，认为检验结果是拒绝；

若第一次检验场景数据中发现的不合格数量d1介于Ac1与Re1之间，按照方案进行第二次检验，并累计两次检验的不合格数量，即d1+d2；

若d1与d2的和小于或等于接收限Ac2，认为检验结果是接收；

若d1与d2的和大于或等于拒绝限Re2，认为检验结果是拒绝。

Images