一种基于规则的自定义交通场景数据挖掘方法
本发明涉及无人驾驶,具体涉及一种基于规则的自定义交通场景数据挖掘方法。
背景技术:
1、智能驾驶领域目前正经历从单车智能系统向车路云一体化系统的技术演变。智能驾驶大模型是车路云一体化系统的核心结构之一,其通过路侧传感器采集的数据和自身强大的泛化和语义理解能力辅助智能网联汽车处理复杂场景下的自动驾驶难题。然而,智能驾驶大模型的性能依赖于大规模、高质量、多样化的真实世界数据,因此从海量真实世界数据中挖掘高价值数据是智能驾驶大模型持续训练、迭代进化与落地应用的关键保障。
2、现有数据挖掘系统通常依赖预设阈值或简单统计规则从车载传感器采集的数据中挖掘风险事件。这类方法实现简单、可解释性强,但难以挖掘复杂场景数据。基于机器学习的数据挖掘方法多采用层次聚类或k-means聚类技术处理车载数据,但这类方法对异常值敏感,往往依赖人工预设聚类数目,泛化能力与自动化程度仍受制约。综上所述,现有方法主要聚焦于单车视角的数据处理与理解,缺乏对路侧视角数据挖掘的针对性设计,且对复杂、动态场景的深度挖掘能力不足,难以挖掘特定场景数据。
技术实现思路
1、本发明的目的是为了克服现有技术中的一个或多个缺点,提供一种基于规则的自定义交通场景数据挖掘方法。
2、为达到上述目的,本发明采用的技术方案是:
3、一种基于规则的自定义交通场景数据挖掘方法,包括:
4、s1,构建道路坐标系,标定路侧相机内外参数;
5、s2,定义场景基本要素,针对路侧相机采集的图像进行场景基本要素标注和/或检测;
6、s3,依据相机标定获取的内外参对图像去畸变,并将像素坐标投影至道路坐标系;
7、s4,依据道路坐标系的物理坐标和图像采样时间间隔,计算场景中车辆的速度和加速度信息;
8、s5,识别场景中车辆的行为;
9、s6,识别场景中的交通事件。
10、在一些实施例中,步骤s1包括:
11、(1)建立道路坐标系;
12、(2)在道路坐标系中选择多个位置放置标定板,并使用路侧相机采集标定板图像;使用差分gps计算标定板处于不同位置时左上、左下、右上、右下各角点在道路坐标系中的坐标;
13、(3)通过棋盘格标定法获取相机的内参矩阵k和畸变系数,外参旋转矩阵r和平移向量t。
14、在一些实施例中,步骤s2中,场景基本要素包括静态基本要素和动态基本要素,所述静态基本要素为车道,所述动态基本要素包括信号灯、车辆和易受伤害道路使用者。
15、在一些实施例中,步骤s2中,针对静态基本要素,使用人工标注方法对场景基本要素中的静态基本要素进行标注,标注结果包括静态基本要素的类别、静态基本要素属性信息和静态基本要素在图像坐标系的位置。
16、在一些实施例中,步骤s2中,针对动态基本要素,对路侧相机采集到的每一帧图像,使用基于深度卷积神经网络的目标检测算法和跟踪模型算法,对场景基本要素中的动态基本要素进行检测与跟踪,输出动态基本要素的类别、id、动态基本要素的属性信息和动态基本要素在图像坐标系的位置。
17、在一些实施例中,步骤s3包括:
18、(1)根据步骤s1获取的相机标定参数和opencv标准模型,将图像像素坐标由去畸变为;
19、(2)将去畸变后的像素坐标转换为归一化图像坐标;
20、(3)将归一化图像坐标映射至道路坐标系,得到道路坐标系中的物理坐标。
21、在一些实施例中,步骤s4包括:
22、(1)用中心点坐标代表车辆位置,以为时间窗口,对车辆的x和y坐标进行移动平均;
23、(2)基于图像采样时间间隔和移动平均后的坐标计算车辆速度;
24、(3)基于车辆速度计算车辆加速度。
25、在一些实施例中,m取值为0、1或2。
26、在一些实施例中,步骤s5中,可识别的行为包括直行、左转弯、右转弯、向左换道、向右换道、加速、减速。
27、在一些实施例中,步骤s6中,识别场景中的交通事件包括超速、闯红灯、逆行、压实线变道、直行车道左右转弯、左转弯车道右转、右转弯车道左转、左右转弯车道直行、占用专用车道、超车、压实线超车、弯道超车、不礼让易受伤害道路使用者/易受伤害道路使用者抢行。
28、由于上述技术方案的运用,本发明与现有技术相比具有下列优点:本发明提供的基于规则的自定义交通场景数据挖掘方法,通过路侧相机进行图像采集,预先定义关键场景基本要素及其属性,基于环境感知和人工标注实现对交通场景的结构化描述,并结合自定义规则引擎实现了场景数据的可定义、可配置挖掘,为智能驾驶大模型的训练与测试提供高价值场景数据支撑。
1.一种基于规则的自定义交通场景数据挖掘方法,其特征在于:包括:
2.根据权利要求1所述的基于规则的自定义交通场景数据挖掘方法,其特征在于:步骤s1包括:
3.根据权利要求1所述的基于规则的自定义交通场景数据挖掘方法,其特征在于:步骤s2中,场景基本要素包括静态基本要素和动态基本要素,所述静态基本要素为车道,所述动态基本要素包括信号灯、车辆和易受伤害道路使用者。
4.根据权利要求3所述的基于规则的自定义交通场景数据挖掘方法,其特征在于:步骤s2中,针对静态基本要素,使用人工标注方法对场景基本要素中的静态基本要素进行标注,标注结果包括静态基本要素的类别、静态基本要素属性信息和静态基本要素在图像坐标系的位置。
5.根据权利要求3所述的基于规则的自定义交通场景数据挖掘方法,其特征在于:步骤s2中,针对动态基本要素,对路侧相机采集到的每一帧图像,使用基于深度卷积神经网络的目标检测算法和跟踪模型算法,对场景基本要素中的动态基本要素进行检测与跟踪,输出动态基本要素的类别、id、动态基本要素的属性信息和动态基本要素在图像坐标系的位置。
6.根据权利要求1所述的基于规则的自定义交通场景数据挖掘方法,其特征在于:步骤s3包括:
7.根据权利要求1所述的基于规则的自定义交通场景数据挖掘方法,其特征在于:步骤s4包括:
8.根据权利要求7所述的基于规则的自定义交通场景数据挖掘方法,其特征在于:m取值为0、1或2。
9.根据权利要求1所述的基于规则的自定义交通场景数据挖掘方法,其特征在于:步骤s5中,可识别的行为包括直行、左转弯、右转弯、向左换道、向右换道、加速、减速。
10.根据权利要求1所述的基于规则的自定义交通场景数据挖掘方法,其特征在于:步骤s6中,识别场景中的交通事件包括超速、闯红灯、逆行、压实线变道、直行车道左右转弯、左转弯车道右转、右转弯车道左转、左右转弯车道直行、占用专用车道、超车、压实线超车、弯道超车、不礼让易受伤害道路使用者/易受伤害道路使用者抢行。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com