自动驾驶汽车场景测评参数生成方法及代表性指标( 三 ) _参数估计

B. 场景代表性指标
生成的场景应该代表真实世界可能发生的场景。尽管参考文献中存在不同的方法用于生成测评自动驾驶汽车场景，但对于生成的场景与真实交通的比较知之甚少。从第2-A中提到的，只有Shou Feng等人将研究生成的场景与真实自然驾驶数据进行的比较,他们比较了生成场景与真实数据中车速分布和车辆保险杠间距分布[30] 。为了量化分布之间的相似性，使用了Hellinger距离和平均绝对误差[30] 。这种方法的缺点为：
1）即使生成场景中的车速和保险杠间距的分布与真实自然驾驶数据分布相似，生成的场景可能仍然存在很大差异，
2）仅考虑边缘分布，但是车速和保险杠间距的相关性可能完全不同
Ⅲ. 场景生成
本研究采用数据驱动的方法生成测评自动驾驶汽车的真实场景：使用观察到的场景生成新的场景。为此要将场景参数化，即定义表征场景的参数。例如，场景的持续时间可以是一个参数。接下来，估计参数的PDF 。此PDF可用于为新场景生成参数值。此外， PDF包含参数的统计信息，一遍可以估计自动驾驶汽车的性能[10][32] 。然而，选择描述场景的参数并非易事：
选择少量的参数可能会导致实际场景过于简单化。因此并非所有可能性的场景都要被建模
由于维度灾难问题，过多的参数会导致PDF估计过于复杂[33] 。
为了解决这个问题，本研究首先考虑采用尽可能多的参数用于完整地描述场景，以避免场景过于简单化。接下来，通过SVD方法使用原始场景参数的线性映射创建一组新的参数。这组新参数将根据这些参数在描述原始场景变化是做出的贡献进行排序，本研究将只考虑最重要的参数以避免丢失太多信息，这样在不依赖预先选择参数的情况下避免了维度灾难。
以下本研究将说明如何使用众多参数来描述一个场景。第3-B章节将使用SVD方法来减少参数的数量。第3-C章节描述如何使用KDE来估计简化参数集的PDF ，以及如何使用估计的KDE来生成新场景。
A. 场景参数化
本研究方法的第一步是场景参数化。现阶段没有单一的最佳方法将各种各样的场景参数化，因此为了处理场景多样性难题，本研究使用场景和场景类别的定义区分定量场景和定性场景[34] 。
定义1（场景）：场景是在初始事件和结束事件的时间间隔内，本车车辆的相关特征活动和目标、静态环境、动态环境以及与本车车辆相关的所有时间的定量描述。
定义2（场景类别）：场景类别是对本车车辆、静态环境和动态环境的相关特征活动和目标的定性描述。
场景类别是场景的抽象，因此场景类别包含多个场景[34] 。例如，场景类别“切入”包括所有可能的切入场景。本研究方法的目标是根据一组观察到的场景确定同一类别场景的最佳参数化模型，并估计这些参数的PDF,这些参数可用于新场景生成的参数值。
观察到的场景通过场景时间窗口期内变化的场景内容时间序列（例如，车辆速度）和固定的场景内容附加参数（例如，车道线宽度和场景持续时间）进行描述。其中，表示场景在内的时间序列，其中表示时间序列的维度， ,%t_1%表示场景开始和结束的时间，附加参数由表示。
为了处理时间序列，连续的时间间隔被离散化，使得两个连续的时刻间隔。公式如下：

以上关于本文的内容，仅作参考！温馨提示：如遇专业性较强的问题（如：疾病、健康、理财等），还请咨询专业人士给予相关指导!

「辽宁龙网」www.liaoninglong.com小编还为您精选了以下内容，希望对您有所帮助：