自动驾驶汽车场景测评参数生成方法及代表性指标( 六 ) _参数估计

(21)
C.测试场景代表性指标
本研究提出的SR指标基于以下假设：假设是的近似值。因为和基于相同的基础PDF ，所以和的期望近似。但是，如果地期望明显小于，则表明训练数据过渡拟合，因为生成的场景过于偏向训练数据。为了避免训练数据的过渡拟合，本研究的SR指标在大于情况下的修正，因此SR指标变为：
(22)
β为修正的权重。在第5章节中的案例研究表明，与公式（22）相关联的公式（14）Wasserstein指标比公式（17）经验Wasserstein指标。
Ⅴ. 工况研究
工况研究章节将说明第3章节的生成场景参数和第4章节的SR指标如何应用。第5-A章节解释了研究中考虑的场景类别，并描述了关于场景参数化的选择；第5-B章节说明了使用SVD对原始参数的近似；第5-C章节除了演示了场景参数生成方法，还表明SR指标可用于选择值；第5-D章节将本研究的场景参数生成方法与其它方法进行了比较；第5-E章节表明了跟经验Wasserstein指标相比， SR指标和Wasserstein指标的相关性更好[17][22] 。
A. 场景类别和参数
本研究中考虑两种场景类别。第一种场景类别为前方目标车辆减速（LVD）导致后面跟随的本车减速或转向，如图1所示。第二种场景为本车前方目标车辆切入，本车需要刹车或者改变方向以避免碰撞，如图2所示。
为了获得场景，使用参考文献中描述的数据集[46] 。该数据集来自于一辆自然驾驶车辆，其中20 名司机被要求按照规定的路线驾驶，共产生63 小时的驾驶数据，包含1150个LVD场景和289个切入场景，其中大部分场景发生在高速公路上。为了感知周围的交通情况，车辆配备了三个雷达和一个摄像头,通过融合雷达和摄像头的数据来测量周围的交通[47] 。为了从具有融合数据的数据集中提取LVD 和切入场景，本研究在数据中搜索特定驾驶行为：前方目标车辆的减速行为表示LVD 场景；前方目标车辆的车道变换行为表示切入场景。有关提取场景过程的更多信息，请参阅参考文献[48] 。

文章插图
图1 前方目标车辆减速场景（LVD）

文章插图
图2 前方目标车辆切入场景（Cut-In）
在1150个LVD场景中，训练数据使用80%,测试数据使用剩余的20%,这是根据80/20比例将数据拆分为训练集和测试集。训练数据用于生成个新的场景参数向量。为了描述前方目标车辆的减速行为，使用前方目标车辆在个加速度参数。作为附件参数，考虑场景的持续时间， ,目标车辆的初始速度以及目标车辆和本车之间的初始时间间隔,因此。图3显示了100个随机选择的LVD场景的前方目标车辆的速度。第个权重是通过将选定的常数除以第个参数的标准偏差获得的：
(23)
第k个参数对整体方差的贡献如公式（8）所示只取决于。当选择,前方目标车辆的加速度对整体方差贡献在倍以上，因为有个元素用于描述加速度。针对LVD场景，本研究希望将加速度赋予与其它每个参数相同的重要性，因此选择以及。

文章插图
图3 LVD场景前方目标车辆速度
在289个Cut-IN场景中，训练数据使用80%,测试数据使用剩余的20%,这是根据80/20比例将数据拆分为训练集和测试集。训练数据用于生成个新的场景参数向量。使用前方变道车辆的速度以及相对于本车车道中心的横向位置在个时间点描述一个临界场景。在左侧切入场景下，当切入车辆岭位于本车车道中心做左侧时，横向位置为正，反之为负。此外，额外参数用于描述切入场景：场景持续时间，本车的初始速度以及切入车辆相对于本车的初始纵向距离。因此。为了对变道车辆的速度，横向位置和其它3个额外参数赋予相同的重要性，使用公式（23）计算权重，其中以及。

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：