[發明專利]一種基于梯度提升決策樹模型的場景復雜度評估方法

在審

• 申請號: 202010462513.X
• 申請日: 2020-05-27
• 公開（公告）號: CN111797000A
• 公開（公告）日: 2020-10-20
• 發明（設計）人: 沈永旺;朱向雷;杜志彬;趙帥;翟洋;宋文澤;張魯
• 申請（專利權）人: 中汽數據有限公司;中國汽車技術研究中心有限公司;中汽數據（天津）有限公司
• 主分類號: G06F11/36
• 分類號: G06F11/36
• 代理公司: 天津企興智財知識產權代理有限公司 12226
• 代理人: 蘇沖

本發明提供了一種基于梯度提升決策樹模型的場景復雜度評估方法，包括以下步驟：S1、采集參數，生成仿真駕駛場景；S2、對仿真的駕駛場景樣本進行復雜度評分；S3、將總結的復雜度特征元素輸入到決策樹模型，進行計算；S4、決策樹進行升級；S5、得到影響模型的特征參數數據集，將數據集80％作為訓練集，20％作為測試集，采用5折交叉驗證調試得到復雜度評價模型；S6、將待評價的數據計算場景復雜度；S7、將輸入的駕駛場景數據，先拆分為動態特征、靜態特征，然后在按照每個影響特征綜合打分后得到場景復雜度。本發明所述的方法能給出清晰簡明的自動駕駛測試場景的復雜度估值，滿足測試人員能夠對駕駛場景根據場景的復雜度進行選取的需求。

技術領域

本發明屬于領域，尤其是涉及一種基于梯度提升決策樹模型的場景復雜度評估方法。

背景技術

現有的仿真測試駕駛場景的分類，大多是基于被測試的功能進行分類的，使用這一類型的分類方法得出的駕駛場景類別是比較籠統的，測試人員將無法簡潔明了的知悉相關測試場景對于自動駕駛控制算法測試所能產生的測試難度，也無法做到遞進式測試。在實際的測試過程中，測試人員除了需要考慮場景類型的不同，不同難度的場景的測試也是測試者需要考量的重要因素。因此，本文針對智能網聯仿真測試場景復雜度計算研究，設計了一種基于梯度提升決策樹模型的場景復雜度評估模型，用于智能網聯汽車仿真測試的場景復雜度評價。

發明內容

有鑒于此，本發明旨在提出一種基于梯度提升決策樹模型的場景復雜度評估方法，以解決測試人員將無法簡潔明了的知悉相關測試場景對于自動駕駛控制算法測試所能產生的測試難度，也無法做到遞進式測試的問題。

為達到上述目的，本發明的技術方案是這樣實現的：

一種基于梯度提升決策樹模型的場景復雜度評估方法，包括以下步驟：

S1、將基于多傳感器融合的駕駛場景數據，借助仿真軟件生成仿真場景；

S2、借助多位仿真測試及場景開發專家的經驗，對仿真的駕駛場景樣本進行復雜度評分；

S3、將多位專家評價的結果以及影響復雜度的動態特征、靜態特征輸入到決策樹模型，進行模型訓練；

S4、將決策樹模型進行升級；

S5、得到影響模型的特征參數數據集，將數據集的一部分作為訓練集，另一部分作為測試集，采用5折交叉驗證調試得到復雜度評價模型；

S6、將待評價的駕駛場景數據直接輸入到模型中，用于計算場景復雜度；

S7、將輸入的駕駛場景數據，先拆分為動態特征、靜態特征，然后在按照影響特征綜合打分后得到場景復雜度。

進一步的，所述步驟S1中所述參數包括動態交通流信息與道路信息。

進一步的，所述步驟S4中以決策樹模型升級為基于LightGBM梯度決策樹模型。

進一步的，所述步驟S5中的特征參數包括TTC、光照強度、目標車與主車縱向距離、主車平均車速、目標車加速度維度、主車初始車速、目標車最大速度、目標車平均速度、干擾車駕駛行為、主車駕駛行為。

進一步的，所述步驟S3或S7中的靜態特征包括：環境信息類特征、道路信息類特征；

進一步的，所述環境信息類特征包括天氣、光照強度、能見度。

進一步的，所述道路信息類特征包括道路曲率、車道線特征、車道數量隧道。

進一步的，所述步驟S7中的動態特征包括：主車信息類特征、交通參與者信息類特征。

進一步的，所述車主信息類特征包括車主行為、平均速度、加速維度。