自动驾驶难例场景挖掘方法、装置、设备及存储介质与流程

本技术涉及自动驾驶数据挖掘领域，尤其涉及一种自动驾驶难例场景挖掘方法、装置、设备及存储介质。

背景技术：

1、在自动驾驶数据闭环中，通常对路测与仿真数据进行时空对齐、轨迹匹配及风险事件检索，并据此截取交通场景片段用于训练与测试。

2、然而，现有方案多依赖固定阈值触发和静态时间窗切片，难以准确刻画连续交通流中扰动的传播范围与参与关系，容易造成事件边界不完整、传播过程被截断，且场景筛选与去重仍难以反映多车交互结构差异，导致高价值复杂场景识别效率不足。

3、因此，如何在连续交通数据中提高自动驾驶难例场景挖掘的准确性，成为本技术需要解决的技术问题。

技术实现思路

1、本技术实施例提供一种自动驾驶难例场景挖掘方法、装置、设备及存储介质，以解决上述技术问题。该方法基于交通参与者轨迹数据与道路地图数据，经时空对齐得到标准化交通流数据，结合道路拓扑提取运动风险特征，通过生成原子交通事件、筛选根事件构建交通扰动传播树，依此确定场景时间边界、截取场景数据并区分完整参与者集合与核心参与者集合，最终筛选得到自动驾驶难例场景集合，实现难例场景的精准挖掘。

2、第一方面，本技术提供一种自动驾驶难例场景挖掘方法，包括：

3、获取交通参与者的轨迹数据与道路地图数据，并执行时空对齐处理得到标准化交通流数据；

4、根据标准化交通流数据和道路地图数据的道路拓扑，得到运动风险特征；

5、根据运动风险特征，生成原子交通事件，并从原子交通事件中筛选得到根事件；

6、以根事件为起始节点沿道路拓扑搜索候选交通参与者，经时空约束与响应强度校验后建立父子传播关系，以构建交通扰动传播树；

7、根据交通扰动传播树，确定场景时间边界，根据场景时间边界，从标准化交通流数据和道路地图数据中截取场景数据并结合交通扰动传播树区分完整参与者集合与核心参与者集合；

8、根据交通扰动传播树、完整参与者集合与核心参与者集合，筛选得到自动驾驶难例场景集合。

9、在一种可能的实施方式中，执行时空对齐处理得到标准化交通流数据，包括：

10、对交通参与者的轨迹数据执行时间基准同步，得到同步后的轨迹数据；

11、根据道路地图数据的地图坐标系，对同步后的轨迹数据进行空间坐标转换后执行噪声平滑处理与目标身份连续性校验，得到标准化交通流数据。

12、在一种可能的实施方式中，根据标准化交通流数据和道路地图数据的道路拓扑，得到运动风险特征，包括：

13、将标准化交通流数据的车辆轨迹点匹配至道路拓扑对应的车道与路口区域，得到车道级定位数据；

14、根据车道级定位数据，计算车辆纵向运动参数、横向交互参数与碰撞风险参数，整合得到运动风险特征。

15、在一种可能的实施方式中，根据运动风险特征，生成原子交通事件，并从原子交通事件中筛选得到根事件，包括：

16、根据运动风险特征，匹配对应的预设时间触发阈值；

17、在运动风险特征对应的时间序列中搜索超过预设时间触发阈值的连续区间，合并时间相邻且交通参与者一致的候选区间，根据候选区间，生成原子交通事件；

18、根据原子交通事件，确定对应的传播潜力评分，将传播潜力评分高于预设传播阈值的原子交通事件筛选为根事件。

19、在一种可能的实施方式中，以根事件为起始节点沿道路拓扑搜索候选交通参与者，包括：

20、将道路拓扑转换为包含物理连通性基础与路权规则集合的交通关系网络，以根事件为起始节点，沿交通关系网络向多个方向进行广度遍历，确定搜索范围；

21、在搜索范围内识别运动状态发生变化的车辆作为候选交通参与者。

22、在一种可能的实施方式中，经时空约束与响应强度校验后建立父子传播关系，包括：

23、根据候选交通参与者在根事件发生前的历史运动状态及道路拓扑，确定候选交通参与者的预期轨迹，并根据预期轨迹与实际轨迹之间的偏差确定预期轨迹偏差；

24、对候选交通参与者执行时空约束校验与传播方向一致性校验，结合预期轨迹偏差过滤虚假连接，得到真实候选参与者；

25、根据真实候选参与者，计算对应的响应强度和传播边危险度，以确定节点纳入等级，并根据节点纳入等级，将真实候选参与者作为子节点与对应父节点建立父子传播关系。

26、在一种可能的实施方式中，根据节点纳入等级，将真实候选参与者作为子节点与对应父节点建立父子传播关系，包括：

27、当响应强度满足有效阈值且传播边危险度既高于第一阈值又低于第二阈值时，判定节点纳入等级为叶节点，将真实候选参与者作为叶节点与对应父节点建立父子传播关系；

28、当响应强度满足有效阈值且传播边危险度高于第二阈值时，判定节点纳入等级为中间节点，将真实候选参与者作为中间节点与对应父节点建立父子传播关系。

29、在一种可能的实施方式中，还包括：

30、当响应强度低于有效阈值，时空约束不成立，和/或，传播边危险度低于第一阈值时，判定节点纳入等级为不纳入，不将真实候选参与者与对应父节点建立父子传播关系。

31、在一种可能的实施方式中，根据交通扰动传播树，确定场景时间边界，包括：

32、以交通扰动传播树中根事件的起始时刻与前导时间的差值作为场景起始时间，以交通扰动传播树中最晚响应节点对应的原子交通事件的终止时刻和后延时间的叠加值作为场景终止时间；

33、根据场景起始时间和场景终止时间，确定场景时间边界。

34、在一种可能的实施方式中，根据场景时间边界，从标准化交通流数据和道路地图数据中截取场景数据并结合交通扰动传播树区分完整参与者集合与核心参与者集合，包括：

35、根据场景时间边界分别与标准化交通流数据以及与道路地图数据对应的道路空间范围，截取得到包含道路拓扑与交通流信息的场景数据；

36、根据交通流信息和交通扰动传播树的节点覆盖范围，将交通扰动传播树包含的多个真实候选参与者以及根事件和/或原子交通事件的直接参与者划定为核心参与者集合，并将场景数据内多个交通参与者划定为完整参与者集合。

37、在一种可能的实施方式中，将道路拓扑转换为包含物理连通性基础与路权规则集合的交通关系网络，包括：

38、从道路拓扑中提取车道衔接关系、路口连通关系、匝道汇入汇出关系，构成物理连通性基础；

39、从道路拓扑中提取车道通行权限、路口转向规则、信号灯管控规则，构成路权规则集合；

40、以车道为基本单元，关联物理连通性基础与路权规则集合，构建得到交通关系网络。

41、在一种可能的实施方式中，对候选交通参与者执行时空约束校验与传播方向一致性校验，结合预期轨迹偏差过滤虚假连接，包括：

42、计算根事件的车辆扰动行驶方向与候选交通参与者的运动偏转方向的方向偏角，将方向偏角与预设方向偏角阈值进行一致性校验，得到校验结果；

43、根据校验结果与预期轨迹偏差进行双重过滤，剔除存在虚假连接的候选交通参与者。

44、在一种可能的实施方式中，根据交通扰动传播树、完整参与者集合与核心参与者集合，筛选得到自动驾驶难例场景集合，包括：

45、根据交通扰动传播树、完整参与者集合与核心参与者集合，生成多个初始候选场景；

46、将每个初始候选场景分别与其余多个初始候选场景进行多维度结构比对，得到多个结构比对差异结果，保留结构比对差异结果大于预设阈值的初始候选场景，构成自动驾驶难例场景集合。

47、在一种可能的实施方式中，根据交通扰动传播树、完整参与者集合与核心参与者集合，筛选得到自动驾驶难例场景集合，包括：

48、根据交通扰动传播树、完整参与者集合与核心参与者集合，生成多个初始候选场景；

49、根据预设的多维度划分规则，在预构建的场景库中将多个已入库难例场景划分为多个覆盖单元，计算每个覆盖单元的场景缺口比例；

50、根据场景缺口比例对多个候选场景进行筛选，得到自动驾驶难例场景集合。

51、在一种可能的实施方式中，还包括：

52、将交通扰动传播树对应的道路范围划分为多个时空网格单元；

53、根据每个时空网格单元内的多个自动驾驶难例场景进行密度聚类，并根据聚类结果，调整每个时空网格单元的网格边界，生成对应的场景索引空间；

54、根据场景索引空间对交通扰动传播树进行时空分片存储与增量更新，得到时空索引化的交通扰动传播树。

55、第二方面，本技术提供一种自动驾驶难例场景挖掘装置，包括：

56、获取模块，用于获取交通参与者的轨迹数据与道路地图数据，并执行时空对齐处理得到标准化交通流数据；

57、处理模块，用于根据标准化交通流数据和道路地图数据的道路拓扑，得到运动风险特征；

58、处理模块，还用于根据运动风险特征，生成原子交通事件，并从原子交通事件中筛选得到根事件；

59、处理模块，还用于以根事件为起始节点沿道路拓扑搜索候选交通参与者，经时空约束与响应强度校验后建立父子传播关系，以构建交通扰动传播树；

60、处理模块，还用于根据交通扰动传播树，确定场景时间边界，根据场景时间边界，从标准化交通流数据和道路地图数据中截取场景数据并结合交通扰动传播树区分完整参与者集合与核心参与者集合；

61、处理模块，还用于根据交通扰动传播树、完整参与者集合与核心参与者集合，筛选得到自动驾驶难例场景集合。

62、在一种可能的实施方式中，获取模块还用于：

63、对交通参与者的轨迹数据执行时间基准同步，得到同步后的轨迹数据；

64、根据道路地图数据的地图坐标系，对同步后的轨迹数据进行空间坐标转换后执行噪声平滑处理与目标身份连续性校验，得到标准化交通流数据。

65、在一种可能的实施方式中，处理模块还用于：

66、将标准化交通流数据的车辆轨迹点匹配至道路拓扑对应的车道与路口区域，得到车道级定位数据；

67、根据车道级定位数据，计算车辆纵向运动参数、横向交互参数与碰撞风险参数，整合得到运动风险特征。

68、在一种可能的实施方式中，处理模块还用于：

69、根据运动风险特征，匹配对应的预设时间触发阈值；

70、在运动风险特征对应的时间序列中搜索超过预设时间触发阈值的连续区间，合并时间相邻且交通参与者一致的候选区间，根据候选区间，生成原子交通事件；

71、根据原子交通事件，确定对应的传播潜力评分，将传播潜力评分高于预设传播阈值的原子交通事件筛选为根事件。

72、在一种可能的实施方式中，处理模块还用于：

73、将道路拓扑转换为包含物理连通性基础与路权规则集合的交通关系网络，以根事件为起始节点，沿交通关系网络向多个方向进行广度遍历，确定搜索范围；

74、在搜索范围内识别运动状态发生变化的车辆作为候选交通参与者。

75、在一种可能的实施方式中，处理模块还用于：

76、根据候选交通参与者在根事件发生前的历史运动状态及道路拓扑，确定候选交通参与者的预期轨迹，并根据预期轨迹与实际轨迹之间的偏差确定预期轨迹偏差；

77、对候选交通参与者执行时空约束校验与传播方向一致性校验，结合预期轨迹偏差过滤虚假连接，得到真实候选参与者；

78、根据真实候选参与者，计算对应的响应强度和传播边危险度，以确定节点纳入等级，并根据节点纳入等级，将真实候选参与者作为子节点与对应父节点建立父子传播关系。

79、在一种可能的实施方式中，处理模块还用于：

80、当响应强度满足有效阈值且传播边危险度既高于第一阈值又低于第二阈值时，判定节点纳入等级为叶节点，将真实候选参与者作为叶节点与对应父节点建立父子传播关系；

81、当响应强度满足有效阈值且传播边危险度高于第二阈值时，判定节点纳入等级为中间节点，将真实候选参与者作为中间节点与对应父节点建立父子传播关系。

82、在一种可能的实施方式中，处理模块还用于：

83、当响应强度低于有效阈值，时空约束不成立，和/或，传播边危险度低于第一阈值时，判定节点纳入等级为不纳入，不将真实候选参与者与根事件建立父子传播关系。

84、在一种可能的实施方式中，处理模块还用于：

85、以交通扰动传播树中根事件的起始时刻与前导时间的差值作为场景起始时间，以交通扰动传播树中最晚响应节点对应的原子交通事件的终止时刻和后延时间的叠加值作为场景终止时间；

86、根据场景起始时间和场景终止时间，确定场景时间边界。

87、在一种可能的实施方式中，处理模块还用于：

88、根据场景时间边界分别与标准化交通流数据以及与道路地图数据对应的道路空间范围，截取得到包含道路拓扑与交通流信息的场景数据；

89、根据交通流信息和交通扰动传播树的节点覆盖范围，将交通扰动传播树包含的多个真实候选参与者以及根事件和/或原子交通事件的直接参与者划定为核心参与者集合，并将场景数据内多个交通参与者划定为完整参与者集合。

90、在一种可能的实施方式中，处理模块还用于：

91、从道路拓扑中提取车道衔接关系、路口连通关系、匝道汇入汇出关系，构成物理连通性基础；

92、从道路拓扑中提取车道通行权限、路口转向规则、信号灯管控规则，构成路权规则集合；

93、以车道为基本单元，关联物理连通性基础与路权规则集合，构建得到交通关系网络。

94、在一种可能的实施方式中，处理模块还用于：

95、计算根事件的车辆扰动行驶方向与候选交通参与者的运动偏转方向的方向偏角，将方向偏角与预设方向偏角阈值进行一致性校验，得到校验结果；

96、根据校验结果与预期轨迹偏差进行双重过滤，剔除存在虚假连接的候选交通参与者。

97、在一种可能的实施方式中，处理模块还用于：

98、根据交通扰动传播树、完整参与者集合与核心参与者集合，生成多个初始候选场景；

99、将每个初始候选场景分别与其余多个初始候选场景进行多维度结构比对，得到多个结构比对差异结果，保留结构比对差异结果大于预设阈值的初始候选场景，构成自动驾驶难例场景集合。

100、在一种可能的实施方式中，处理模块还用于：

101、根据交通扰动传播树、完整参与者集合与核心参与者集合，生成多个初始候选场景；

102、根据预设的多维度划分规则，在预构建的场景库中将多个已入库难例场景划分为多个覆盖单元，计算每个覆盖单元的场景缺口比例；

103、根据场景缺口比例对多个候选场景进行筛选，得到自动驾驶难例场景集合。

104、在一种可能的实施方式中，处理模块还用于：

105、将交通扰动传播树对应的道路范围划分为多个时空网格单元；

106、根据每个时空网格单元内的多个自动驾驶难例场景进行密度聚类，并根据聚类结果，调整每个时空网格单元的网格边界，生成对应的场景索引空间；

107、根据场景索引空间对交通扰动传播树进行时空分片存储与增量更新，得到时空索引化的交通扰动传播树。

108、第三方面，本技术提供一种电子设备，包括：存储器，处理器；

109、存储器存储计算机执行指令；

110、处理器执行存储器存储的计算机执行指令，使得处理器执行如上第一方面和/或第一方面各种可能的实施方式。

111、第四方面，本技术提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如上第一方面和/或第一方面各种可能的实施方式。

112、第五方面，本技术提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上第一方面和/或第一方面各种可能的实施方式。

113、本技术提供的一种自动驾驶难例场景挖掘方法、装置、设备及存储介质，通过对交通参与者的轨迹数据与道路地图数据执行时空对齐处理得到标准化交通流数据，结合道路拓扑得到运动风险特征，能够从连续交通流中精准识别对应的交通事件；通过根据运动风险特征生成原子交通事件并筛选得到根事件，以根事件为起始节点沿道路拓扑构建交通扰动传播树，能够完整呈现交通扰动的关联传递关系，避免依赖固定时间窗切片造成的场景截断与信息缺失；通过根据交通扰动传播树确定场景时间边界，据此从标准化交通流数据和道路地图数据中截取场景数据并区分完整参与者集合与核心参与者集合，能够保障场景范围的完整性与参与者划分的准确性；最终综合交通扰动传播树、完整参与者集合与核心参与者集合筛选得到自动驾驶难例场景集合，有效提升自动驾驶难例场景挖掘的整体准确性。