一种面向智能驾驶关键交互场景的自动识别与分割方法与流程

本发明涉及智能驾驶及人工智能信息处理，具体涉及一种面向智能驾驶关键交互场景的自动识别与分割方法。

背景技术：

1、随着智能驾驶技术的发展，人机共驾系统在实际道路环境中的应用逐渐增多。在人机共驾体验评估过程中，驾驶员的负面体验（例如紧张、慌乱等）并不是均匀分布于整个驾驶过程，而是主要集中发生在特定的关键交互场景中，例如智能驾驶系统突然发出接管请求、相邻车辆近距离切入当前车道等场景。因此，为了准确评估智能驾驶系统与驾驶员之间的交互效果，需要从海量行驶数据中精准识别并自动分割出具有分析价值的关键交互场景片段，从而为后续的人机共驾体验分析、系统优化以及驾驶数据集构建提供有效的数据基础。目前，针对智能驾驶关键场景的识别与分析，通常采用基于车辆运行状态、驾驶行为参数或系统事件信号的数据分析方法，通过对行车日志中的特定参数变化进行检测，实现对异常事件或特定驾驶场景的识别。

2、现有技术存在以下不足：现有关键交互场景识别技术仍存在一定不足。一方面，现有技术通常依赖单一阈值或简单规则进行场景判断，例如通过设置车头时距（thw）小于预设值判断跟车过近事件，或者通过检测方向盘转角速度突变识别驾驶员紧急干预行为。由于该类方法主要依据单一数据指标进行判断，在复杂动态交通环境下容易产生误检，例如在城市拥堵道路中，车辆可能长期处于较小车头时距状态，但该状态并不一定代表具有分析价值的危险交互事件，导致大量无效场景被错误识别。另一方面，现有方法通常采用事后数据分析方式，通过导入行车日志并编写规则脚本寻找满足条件的数据片段，其通常只能确定事件触发点，而无法根据场景变化过程自动确定完整合理的时间边界，无法准确划分事件发生前的状态变化过程以及事件发生后的恢复过程，导致生成的分析数据窗口可能包含大量无关信息或者遗漏关键交互信息，难以满足智能驾驶关键交互场景高精度识别和完整数据分割的需求。

3、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本发明的目的是提供一种面向智能驾驶关键交互场景的自动识别与分割方法，以解决上述背景技术中的问题。

2、为了实现上述目的，本发明提供如下技术方案：一种面向智能驾驶关键交互场景的自动识别与分割方法，，包括以下步骤：

3、获取智能驾驶过程中的车辆感知数据，对相邻车道目标的横向位置变化趋势以及相邻车道目标与本车之间的预测碰撞时间进行分析，当检测到相邻车道目标的横向位置持续向本车道中心线靠拢，且预测碰撞时间满足预设切入风险条件时，生成潜在切入场景标志；

4、基于潜在切入场景标志，对相邻车道目标的车道变化状态以及本车智能驾驶控制行为进行检测，当检测到相邻车道目标持续跨越车道线进入本车道，且本车智能驾驶控制行为产生减速指令时，将潜在切入场景标志确定为切入交互场景，并将减速指令对应时刻确定为切入交互场景的事件核心时刻；

5、基于事件核心时刻，对切入交互场景对应的车辆运行数据以及驾驶员生理数据进行时间反向搜索，获取车辆纵向运动状态恢复至平稳状态且驾驶员心理负荷恢复至触发前稳定状态的时间位置，并将该时间位置确定为切入交互场景的起始边界；

6、根据事件核心时刻，对切入交互场景对应的车辆运行数据以及驾驶员生理数据进行时间正向搜索，获取车辆恢复稳定跟车状态且驾驶员心理负荷降低至预设稳定状态的时间位置，并将该时间位置确定为切入交互场景的结束边界；

7、根据起始边界和结束边界，对连续驾驶数据进行截取，生成对应切入交互场景的数据片段，实现智能驾驶关键交互场景的自动识别与完整时间窗口分割。

8、获取智能驾驶过程中的车辆感知数据，对相邻车道目标的横向位置变化趋势以及相邻车道目标与本车之间的预测碰撞时间进行分析，包括：持续获取相邻车道目标的位置信息，对相邻车道目标在道路坐标系中的横向移动状态进行连续跟踪，根据连续时间内相邻车道目标横向位置变化情况判断目标车辆是否存在向本车道中心线靠拢的运动趋势；同时获取相邻车道目标与本车之间的纵向距离变化信息，根据车辆运动状态预测相邻车道目标与本车之间的碰撞风险，当横向位置变化趋势以及预测碰撞时间同时满足潜在切入场景判断条件时，生成对应的潜在切入场景标志。

9、当检测到相邻车道目标持续跨越车道线进入本车道，且本车智能驾驶控制行为产生减速指令时，将潜在切入场景标志确定为切入交互场景，并将减速指令对应时刻确定为切入交互场景的事件核心时刻，包括：对生成潜在切入场景标志后的目标车辆运动轨迹进行持续检测，判断目标车辆是否由相邻车道逐渐进入本车所在车道范围；当检测到目标车辆持续跨越车道线并进入本车道，同时检测到本车智能驾驶控制行为根据目标车辆运动状态输出减速指令时，将当前潜在切入场景标志转换为确认的切入交互场景，并将减速指令产生的时间位置作为事件核心时刻。

10、基于事件核心时刻，对切入交互场景对应的车辆运行数据以及驾驶员生理数据进行时间反向搜索，包括：以事件核心时刻作为时间参考点，沿驾驶数据时间轴向事件发生前方向进行连续搜索，同步获取车辆运行状态数据以及驾驶员脑电数据，对车辆纵向运动状态变化以及驾驶员心理负荷变化情况进行分析；通过判断车辆纵向运动状态是否恢复至平稳状态，以及驾驶员心理负荷是否恢复至触发前稳定状态，确定满足前序状态恢复条件的时间位置，并将该时间位置确定为切入交互场景的起始边界。

11、车辆纵向运动状态恢复至平稳状态包括：从事件核心时刻向前扫描车辆运行数据，检测本车纵向加速度变化情况，当本车纵向加速度平滑回落到±0.2m/s²范围内并持续稳定时，确定车辆运动状态满足恢复条件；其中，±0.2m/s²表示纵向加速度恢复平稳状态时允许存在的变化范围，用于判断车辆是否已经由切入交互过程中的动态调整状态恢复至平稳运行状态。

12、驾驶员心理负荷恢复至触发前稳定状态包括：对驾驶员脑电数据进行分析，获取解码后的驾驶员心理负荷值，并将当前心理负荷值与场景触发前30秒内的平均心理负荷水平进行比较，当驾驶员心理负荷值恢复至场景触发前30秒的平均水平±0.5标准差范围内时，确定驾驶员心理状态恢复至稳定状态，并将对应时间位置作为起始边界确定过程中的判断依据。

13、根据事件核心时刻，对切入交互场景对应的车辆运行数据以及驾驶员生理数据进行时间正向搜索，包括：以事件核心时刻作为时间参考点，沿驾驶数据时间轴向事件发生后方向进行连续搜索，对车辆运行状态以及驾驶员心理负荷变化过程进行同步分析；当检测到车辆已经恢复稳定跟车状态且车辆加速度再次平稳，同时驾驶员心理负荷降低至预设稳定状态时，将对应时间位置确定为切入交互场景的结束边界，以完成事件结束时间位置的自动确定。

14、驾驶员心理负荷降低至预设稳定状态包括：对事件核心时刻之后的驾驶员脑电数据进行持续分析，当解码得到的驾驶员心理负荷值连续3秒低于0.4时，确定驾驶员心理负荷达到稳定状态；其中，0.4为驾驶员心理负荷判断过程中的标定阈值，连续3秒用于判断驾驶员心理负荷恢复过程的持续稳定性，避免单一时间点变化造成结束边界判断偏差。

15、根据起始边界和结束边界，对连续驾驶数据进行截取，生成对应切入交互场景的数据片段，包括：以确定的起始边界作为数据截取起始位置，以确定的结束边界作为数据截取结束位置，对起始边界与结束边界之间的连续驾驶数据进行提取，所提取的数据包括切入交互场景对应的车辆运行数据以及驾驶员生理数据，形成用于后续分析的完整切入交互场景数据片段。

16、实现智能驾驶关键交互场景的自动识别与完整时间窗口分割，包括：通过对车辆感知数据、车辆运行数据以及驾驶员生理数据进行连续分析，在无需人工进行事后场景筛选和边界标注的情况下，自动完成潜在切入场景检测、切入交互场景确认、事件核心时刻确定、起始边界确定以及结束边界确定，并根据确定后的时间窗口生成标准化切入交互场景数据片段。

17、在上述技术方案中，本发明提供的技术效果和优点：

18、本发明通过多源信息融合机制对智能驾驶关键交互场景进行识别，不再依赖单一车辆参数或者单一阈值条件进行判断，而是综合分析车辆运动状态、目标车辆行为变化以及智能驾驶控制响应等多类信息，实现对关键交互行为的准确判断。通过将确定性事件信号与动态逻辑判断条件进行融合，可以有效降低由于道路拥堵、车辆正常跟驰变化等非关键因素造成的误触发问题，提高场景识别结果的准确性和可靠性，使识别过程能够更加精准地区分普通拥堵跟车状态与危险切入等具有分析价值的交互场景，为后续智能驾驶体验评估和数据分析提供更加准确的场景数据基础。

19、本发明通过基于状态松弛的双边界分割算法，对关键交互场景的时间范围进行动态确定，不采用固定时间窗口方式进行数据截取，而是根据车辆运动状态以及驾驶员状态变化情况自动确定场景起点和终点。通过分析事件发生前后的状态恢复过程，可以准确剔除与交互事件无关的平稳驾驶数据，同时保留事件形成、发展以及恢复过程中的关键数据信息，从而保证生成的数据窗口具有完整的信息内容和较高的数据质量。该方式能够有效提升后续因果关系分析、驾驶行为分析以及人机共驾体验评价过程中的数据有效性，提高场景数据的信噪比。

20、本发明实现了从关键交互场景触发、场景确认到时间窗口分割的数据处理全过程自动化，无需依赖人工进行事后数据查看、事件筛选以及场景边界标注。通过对连续驾驶数据进行自动分析，可以从海量行驶数据中快速提取具有分析价值的关键交互场景，并自动生成对应的标准化场景数据片段。该自动化处理方式降低了人工标注过程中的主观差异，提高了场景数据构建的一致性和效率，能够满足大规模智能驾驶测试数据处理需求，实现驾驶场景数据集的自动化、标准化构建，为智能驾驶系统优化和人机交互性能评估提供可靠的数据支撑。