基于时空超图学习的智能汽车测试场景关键性量化方法

专利主权项内容

1.一种基于时空超图学习的智能汽车测试场景关键性量化方法，其特征在于：包括以下步骤：(1)通过气象采集设备采集复杂气象环境数据；通过无人机图像采集交通参与者特征数据和道路结构特征数据；(2)在节点特征参数提取模块中，对无人机采集得到的图像Img和气象采集设备采集得到的气象环境数据进行节点特征参数提取，其中t代表采集得到的场景时长，单位为秒，得到三种不同维度的节点特征信息，分别是：t气象维度节点特征N；W道路维度节点特征N；R交通维度节点特征N；T，i(3)将节点特征参数输入给超边特征参数计算模块，构建的超边分为气象、道路和交通三种超边，超边特征参数计算模块计算得到每一个t时刻对应的三种超边，取值分别表示成气象超边SG、道路超边SG和交通超边SG；WRT(3.1)所述的气象超边SG主要描述复杂气象环境对道路和交通产生的影响，气象对道路的影响主要体现在路面附着系数的改变，对于交通的影响表现在智能汽车感知系统的功能水平；W(3.2)所述的道路超边SG包括静态障碍物产生的影响风险E和车道线对道路上每一个位置的影响风险E；RstaR(3.3)所述的交通超边SG描述不同的交通参与者产生的交互风险，根据不同交通参与者的位置(x，y)进行确定，考虑该交通参与者对应位置前方所有其他交通参与者产生的运动场强，同时考虑自车的运动参数输出对应交通参与者的风险数值，计算场景中所有交通参与者的风险数值，其求和结果记作交通超边SG的取值；TT(4)利用气象维度节点特征、道路维度节点特征、交通维度节点特征以及气象超边SG、道路超边SG和交通超边SG，在超图构建模块中构建出超图结构；超图定义为其中/>表示t时刻的节点特征集合，ε表示t时刻的超边集合，W代表t时刻的超边权重的对角矩阵；WRTtt定义关联矩阵代表场景中节点的个数，|ε|代表构建超图时超边的个数，H描述节点是否属于指定超边的矩阵，其中每一个元素h表示成：t式中，v代表节点，e代表超边；同时定义节点度矩阵D的对角线元素为：v同时定义超边度矩阵D的对角线元素d(e)为：e(5)将构建出的超图结构输入给空间特征信息提取模块，该模块基于普通图的谱域卷积理论，通过超边整合近邻节点信息，并更新节点的特征，实现空间特征提取；(6)空间特征信息提取模块的输出，输入给时间特征信息提取模块，时间特征信息提取模块采用门控循环单元网络GRU，输入为当前的输入x和上一个节点传递下来的隐状态H，这个隐状态包含了之前节点的相关信息，结合x和H，GRU网络会得到当前隐藏节点的输出Y和传递给下一个节点的隐状态H；tt-1tt-1tt(7)测试场景分类模块的输入为Y，进而输出测试场景的类别，测试场景类别分为高、中和低风险标签，标签真值的获取需要通过驾驶模拟器和驾驶员实验获取。t