CN114633747A - 一种基于变道场景数据的典型变道轨迹确定方法、装置及计算机存储介质 - Google Patents

Abstract

一种基于变道场景数据的典型变道轨迹确定方法、装置及计算机存储介质，涉及自动驾驶技术领域。解决了现有变道轨迹的提取技术存在的轨迹公共特征的提取率较低以及由于特征提取时考虑的因素不够充分导致获得的变道轨迹应用于自动转向控制或者自动驾驶中失去了实际落地应用的能力的问题。所述方法中，基于自动驾驶车辆采集的变道场景数据提取表征变道轨迹的参数，并基于所述参数获得轨迹表达；然后对变道轨迹进行分割成若干子轨迹；针对每条子轨迹的参数特征进行转换，汇总后获得变道轨迹数据集；针对该数据集进行聚类获得典型的变道轨迹。本发明是根据实际变道场景获得的变道轨迹，应用于自动驾驶技术领域更可靠。

Description

一种基于变道场景数据的典型变道轨迹确定方法、装置及计 算机存储介质

技术领域

本发明涉及自动驾驶技术领域，具体涉及到变道场景的轨迹确定技术。

背景技术

在自动驾驶技术领域中，车辆行驶过程中的轨迹控制与规划是车辆可靠、安全、稳定运行的关键。而变道作为车辆行驶过程的基本动作，研究典型车辆变道轨迹对自动驾驶车辆转向控制研究以及自动驾驶功能开发具有重要作用。

目前，现有变道轨迹的提取技术一般采用线性拟合以及聚类的方法来提取典型变道轨迹，这类技术往往会忽略变道轨迹的局部变化信息，实现不了轨迹公共特征的有效提取。同时现有技术提取典型的变道轨迹是往往单单考虑车辆变道过程中位置特征信息，忽略了变道时间、车辆速度、转角等特征对变道轨迹的影响，无法有效提取具有典型特征的变道轨迹，使得研发出来自动转向控制以及自动驾驶功能不具备典型性，失去实际落地应用的能力。

发明内容

本发明解决了现有变道轨迹的提取技术存在的轨迹公共特征的提取率较低以及由于特征提取时考虑的因素不够充分导致获得的变道轨迹应用于自动转向控制或者自动驾驶中失去了实际落地应用的能力的问题。

本发明所述的一种基于变道场景数据的典型变道轨迹确定方法包括：

轨迹参数提取与轨迹表达的步骤：基于自动驾驶车辆采集的变道场景数据提取表征变道轨迹的参数，并基于所述参数获得轨迹表达；

变道轨迹分割步骤：将每条变道轨迹分割成N等段的N个片段，每个片段为一个子轨迹；

子轨迹参数特征转换步骤：从每一个子轨迹中提取轨迹参数，并将所述轨迹参数进行特征转换，获得第m条轨迹中的第n个子轨迹的参数特征为：

TS'_mn＝[Angel'_mn，Speed'_mn，Position_X'_mn，Position_Y_m'_n]，

其中，Angel`<sub>mn</sub>表示第m条轨迹中的第n个子轨迹的方向盘转角，Speed`_mn表示第m条轨迹中的第n个子轨迹的车速,Position_X`<sub>mn</sub>表示第m条轨迹中的第n个子轨迹的横向距离跨度，Position_Y`_mn表示第m条轨迹中的第n个子轨迹的纵向距离跨度；将特征转换后的数据汇总获得变道轨迹数据集；

轨迹聚类步骤：利用k-means算法对所述变道轨迹数据集进行聚类，以类中心来反应典型的轨迹特征，从而完成到典型的变道轨迹的提取与确定。

进一步地，所述表征变道轨迹的参数包括：方向盘转角Angle、车速Speed、本车纵向位置Position_X、本车横向位置Position_Y四个参数。

进一步地，所述基于所述轨迹表达为：TD＝{TR1，TR1，......，TRM}，M为所有变道轨迹数据总量，TR1表示第1条变道轨迹，TR2表示第2条变道轨迹，......，TRM表示第M条变道轨迹。

进一步地，所述变道轨迹数据集DR为：

其中：TS₁₁为第1条变道轨迹中第1个轨迹片段的轨迹，以此类推；

其中第m条变道轨迹中的第n个片段的轨迹表示为：

TS_mn＝[Cond_m,(n-1)j/N+1，Cond_m,(n-1)j/N+2，......，Cond_m,nj/N]，

其中，1≤n≤N，1≤m≤M,其中Cond_m,(n-1)j/N+1为第m条变道轨迹中的第n个片段中时刻(n-1)j/N+1的特征。

进一步地，所述Angel`_mn是根据

获得的，其中

表示

＜Angel_m,(n-1)j/N+1，Angel_m,(n-1)j/N+2，......，Angel_m,nj/N＞

中的最大值；

表示

＜Angel_m,(n-1)j/N+1，Angel_m,(n-1)j/N+2，......，Angel_m,nj/N＞

中的最小值；

所述Speed`_mn是通过

获得的，其中：

表示

＜Speed_m,(n-1)j/N+1，Speed_m,(n-1)j/N+2，......，Speed_m,nj/N＞

中的最大值；

表示

＜Speed_m,(n-1)j/N+1，Speed_m,(n-1)j/N+2，......，Speed_m,nj/N＞

中的最小值；

表示

＜Speed_m,(n-1)j/N+1，Speed_m,(n-1)j/N+2，......，Speed_m,nj/N＞的均值；

Position_X`<sub>mn</sub>和Position_Y`_mn是通过

获得的，其中：

表示

＜Position_X_m,(n-1)j/N+1，Position_X_m,(n-1)j/N+2，......，Position_X_m,nj/N＞

中的最大值，

表示

＜Position_X_m,(n-1)j/N+1，Position_X_m,(n-1)j/N+2，......，Position_X_m,nj/N＞

中的最小值，

表示

＜Position_X_m,(n-1)j/N+1，Position_X_m,(n-1)j/N+2，......，Position_X_m,nj/N＞

中的最大值，

表示

＜Position_X_m,(n-1)j/N+1，Position_X_m,(n-1)j/N+2，......，Position_X_m,nj/N＞

中的最小值。

进一步地，所述利用k-means算法对所述变道轨迹数据集进行聚类，以类中心来反应典型的轨迹特征的方法为：从特征转换的轨迹特征变道轨迹数据集中随机选择k个样本作为初始的k个质心向量：

{μ₁，μ₂，...，μ_k}；

重复下列过程直至收敛：

A)将类簇划分为Cj,j＝1,2,3,…,k，k为类簇总数；

B)针对每一条变道轨迹TRi到各个质心

μ_j，j＝1，2，3，...，k，

其中i＝1,2,3,…,M，然后进一步获得各个质心间的距离d_ij，将TRi类

别标注为最小dij所对应的Cj；

对于j＝1，2，3，...，k，对C_j中所有的变道轨迹数据重新计算新的质心；

如果所有的k个质心向量未发生变化，表示数据收敛，则转到下一步骤，否则返回步骤A)继续；

获得C＝{C1,C2,…,Ck}以及对应质心{μ₁，μ₂，...，μ_k}，所述质心即为本发明所提取的典型的变道轨迹特征。

进一步地，所述各个质心间的距离dij是通过下述方法获得的：

a)首先定义方向盘转角、车速、本车纵向位置、本车横向位置特征的权重向量为：

W＝{W_Angel，W_Speed，W_{Position_X}，W_{Position_Y}}

其中：各个特征的权重取值均大于或等于零并且满足

W_Angel+W_Speed+W_{Position_X}+W_{Position_Y}＝1，

b)计算两轨迹之间的距离，假设待计算的两个轨迹分别为TR1和TR2：

TR₁＝[TS₁₁，TS₁₂，.......，TS_1N]，TR₂＝[TS₂₁，TS₂₂，.......，TS_2N]，

则两轨迹的距离为：

其中：

上述一种基于变道场景数据的典型变道轨迹确定方法是能够采用计算机软件实现的技术方案，因此下面，基于同一个设计思路，采用计算机软件实现的方案的装置描述方式为：

一种基于变道场景数据的典型变道轨迹确定装置包括如下模块：

轨迹参数提取与轨迹表达模块：用于基于自动驾驶车辆采集的变道场景数据提取表征变道轨迹的参数，并基于所述参数获得轨迹表达；

变道轨迹分割模块：用于将每条变道轨迹分割成N等段的N个片段，每个片段为一个子轨迹；

子轨迹参数特征转换模块：用于从每一个子轨迹中提取轨迹参数，并将所述轨迹参数进行特征转换，获得第m条轨迹中的第n个子轨迹的参数特征为：

TS'_mn＝[Angel'_mn，Speed'_mn，Position_X'_mn，Position_Y_m'_n]，

其中，Angel`<sub>mn</sub>表示第m条轨迹中的第n个子轨迹的方向盘转角，Speed`_mn表示第m条轨迹中的第n个子轨迹的车速,Position_X`<sub>mn</sub>表示第m条轨迹中的第n个子轨迹的横向距离跨度，Position_Y`_mn表示第m条轨迹中的第n个子轨迹的纵向距离跨度；将特征转换后的数据汇总获得变道轨迹数据集；

轨迹聚类模块：用于利用k-means算法对所述变道轨迹数据集进行聚类，以类中心来反应典型的轨迹特征，从而完成到典型的变道轨迹的提取与确定。

进一步地，所述子轨迹参数特征转换模块进一步包括如下单元：Angel`<sub>mn</sub>转换单元、Speed`_mn转换单元、Position_X`<sub>mn</sub>和Position_Y`_mn，其中：

Angel`_mn转换单元，用于采用

实现转换，其中

表示

＜Angel_m,(n-1)j/N+1，Angel_m,(n-1)j/N+2，......，Angel_m,nj/N＞

中的最大值；

表示

＜Angel_m,(n-1)j/N+1，Angel_m,(n-1)j/N+2，......，Angel_m,nj/N＞

中的最小值；

Speed`_mn转换单元，用于采用

实现转换，其中：

表示

＜Speed_m,(n-1)j/N+1，Speed_m,(n-1)j/N+2，......，Speed_m,nj/N＞

中的最大值；

表示

＜Speed_m,(n-1)j/N+1，Speed_m,(n-1)j/N+2，......，Speed_m,nj/N＞

中的最小值；

表示

＜Speed_m,(n-1)j/N+1，Speed_m,(n-1)j/N+2，......，Speed_m,nj/N＞的均值；

Position_X`<sub>mn</sub>和Position_Y`_mn转换单元，用于通过

实现转换，其中：

表示

＜Position_X_m,(n-1)j/N+1，Position_X_m,(n-1)j/N+2，......，Position_X_m,nj/N＞中的最大值，

表示

＜Position_X_m,(n-1)j/N+1，Position_X_m,(n-1)j/N+2，......，Position_X_m,nj/N＞中的最小值，

表示

＜Position_X_m,(n-1)j/N+1，Position_X_m,(n-1)j/N+2，......，Position_X_m,nj/N＞中的最大值，

表示

＜Position_X_m,(n-1)j/N+1，Position_X_m,(n-1)j/N+2，......，Position_X_m,nj/N＞中的最小值。

进一步地，所述轨迹聚类模块进一步包括如下单元：

提取质心向量单元：用于从特征转换的轨迹特征变道轨迹数据集中随机选择k个样本作为初始的k个质心向量：

{μ₁，μ₂，...，μ_k}；

聚类收敛单元：用于重复下列过程直至收敛：

A)将类簇划分为Cj,j＝1,2,3,…,k，k为类簇总数；

B)针对每一条变道轨迹TRi到各个质心

μ_j，j＝1，2，3，...，k，

其中i＝1,2,3,…,M，然后进一步获得各个质心间的距离d_ij，将TRi类别标注为最小dij所对应的Cj；

对于j＝1，2，3，...，k，对C_j中所有的变道轨迹数据重新计算新的质心；

如果所有的k个质心向量未发生变化，表示完成数据收敛，否则继

续；

典型的变道轨迹特征获取单元，用于C＝{C1,C2,…,Ck}以及对应质心{μ₁，μ₂，...，μ_k}，所述质心即为本发明所提取的典型的变道轨迹特征。

进一步地，所述聚类收敛单元中进一步包括质心间的距离dij获取子单元，所述子单元包括：

特征权重定义子单元：用于定义方向盘转角、车速、本车纵向位置、本车横向位置特征的权重向量为：

W＝{W_Angel，W_Speed，W_{Position_X}，W_{Position_Y}}

其中：各个特征的权重取值均大于或等于零并且满足

W_Angel+W_Speed+W_{Position_X}+W_{Position_Y}＝1，

距离计算子单元：用于计算两轨迹之间的距离，假设待计算的两个轨迹分别为TR1和TR2：

TR₁＝[TS₁₁，TS₁₂，.......，TS_1N]，TR₂＝[TS₂₁，TS₂₂，.......，TS_2N]，

则两轨迹的距离为：

其中：

本发明还要求保护一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现本发明所述的任意一种基于变道场景数据的典型变道轨迹确定方法。

本发明首先基于大量的变道场景数据中提取对变道轨迹具有相关影响的数据参数作为变道轨迹特征，包括车速、转角、位置特征等特征信息，并考虑变道的时间特性对一个完整的轨迹进行分割，用于突出变道轨迹的局部特性，可满足自动变道算法开发需求。

本发明利用了局部特征转换以及特征加权的距离度量方式，最后通过k-means聚类方法实现典型变道轨迹的提取，提高了典型变道轨迹生成的科学合理性，使得基于本发明所述方法获得的轨迹应用于自动转向控制技术中可靠性更高。

附图说明

图1为本发明所述的基于变道场景数据的典型变道轨迹确定流程。

图2是变道轨迹及参数表达示意图。

图3本发明中，变道轨迹分割示意图。

实施方式

下面结合附图对本发明所要求保护的一种基于变道场景数据的典型变道轨迹确定方法进行举例说明。

实施方式一.参见图1说明本实施方式，本实施方式所述的一种基于变道场景数据的典型变道轨迹确定方法包括如下步骤：

轨迹参数提取与轨迹表达的步骤：基于自动驾驶车辆采集的变道场景数据提取表征变道轨迹的参数，并基于所述参数获得轨迹表达；

变道轨迹分割步骤：将每条变道轨迹分割成N等段的N个片段，每个片段为一个子轨迹；

子轨迹参数特征转换步骤：从每一个子轨迹中提取轨迹参数，并将所述轨迹参数进行特征转换，获得第m条轨迹中的第n个子轨迹的参数特征为：

TS'_mn＝[Angel'_mn，Speed'_mn，Position_X'_mn，Position_Y_m'_n]，

其中，Angel`<sub>mn</sub>表示第m条轨迹中的第n个子轨迹的方向盘转角，Speed`_mn表示第m条轨迹中的第n个子轨迹的车速,Position_X`<sub>mn</sub>表示第m条轨迹中的第n个子轨迹的横向距离跨度，Position_Y`_mn表示第m条轨迹中的第n个子轨迹的纵向距离跨度；将特征转换后的数据汇总获得变道轨迹数据集；

轨迹聚类步骤：利用k-means算法对所述变道轨迹数据集进行聚类，以类中心来反应典型的轨迹特征，从而完成到典型的变道轨迹的提取与确定。

本实施方式中所述的方案包括轨迹参数提取与轨迹表达、变道轨迹分割、子轨迹参数特征转换、轨迹聚类过程，获得典型的变道轨迹。

本实施方式中将变道轨迹分割成N等段的N个片段，参见图3所示，这种轨迹的分割能够有效突出变道轨迹的局部特征，同时又不会丢失轨迹的全局特征，因此对于所有的变道轨迹数据进行特定的N等段分割，从而得到各个片段轨迹特征数据。

实施方式二.本实施方式是对实施方式一所述一种基于变道场景数据的典型变道轨迹确定方法的进一步限定，本实施方式中，所述表征变道轨迹的参数包括：方向盘转角Angle、车速Speed、本车纵向位置Position_X、本车横向位置Position_Y四个参数。

本实施方式对变道轨迹参数做了解释说明。本实施方式的变道轨迹参数考虑到了四个参数，参见图2所示，其中：本车纵向位置指沿车道方向车辆当前所在位置相对变道起始时刻的位移，本车横向位置指垂直于车道方向车辆当前所在位置相对变道起始时刻的位移。

实施方式三.本实施方式是对实施方式一所述一种基于变道场景数据的典型变道轨迹确定方法的进一步限定，本实施方式中，所述基于所述轨迹表达为：TD＝{TR1，TR2，......，TRM}，M为所有变道轨迹数据总量，TR1表示第1条变道轨迹，TR2表示第2条变道轨迹，......，TRM表示第M条变道轨迹。

本实施方式中，所述变道轨迹表达为：

Trajectory＝[Cond1，Cond2，......，Condj]，

其中，j表示变道轨迹的结束时刻，其中Condi表示时刻i的轨迹特征

Condi＝<Anglei，Speedi，Position_Xi，Position_Yi>，

其中Anglei表示时刻i的方向盘转角，Speedi表示时刻i的车速，Position_Xi表示时刻i的本车横向位置，Position_Yi表示时刻i的本车纵向位置。

本实施方式中j表示变道轨迹的结束时刻，实际就是表示变道轨迹的长度。

本实施方式中，对一个完整的变道轨迹采用数学表达式的方式进行描述，便于后期对数据进行处理。

实施方式四.本实施方式是对实施方式一所述一种基于变道场景数据的典型变道轨迹确定方法的进一步限定，本实施方式中，所述变道轨迹数据集DR为：

其中：TS₁₁为第1条变道轨迹中第1个轨迹片段的轨迹，以此类推；

其中第m条变道轨迹中的第n个片段的轨迹表示为：

TS_mn＝[Cond_m,(n-1)j/N+1，Cond_m,(n-1)j/N+2，......，Cond_m,nj/N]，

其中，1≤n≤N，1≤m≤M,其中Cond_m,(n-1)j/N+1为第m条变道轨迹中的第n个片段中时刻(n-1)j/N+1的特征。

实施方式五.本实施方式是对实施方式一所述一种基于变道场景数据的典型变道轨迹确定方法的进一步限定，本实施方式中，所述Angel`_mn是根据

获得的，其中

表示

＜Angel_m,(n-1)j/N+1，Angel_m,(n-1)j/N+2，......，Angel_m,nj/N＞

中的最大值；

表示

＜Angel_m,(n-1)j/N+1，Angel_m,(n-1)j/N+2，......，Angel_m,nj/N＞

中的最小值；

所述Speed`_mn是通过

获得的，其中：

表示

＜Speed_m,(n-1)j/N+1，Speed_m,(n-1)j/N+2，......，Speed_m,nj/N＞

中的最大值；

表示

＜Speed_m,(n-1)j/N+1，Speed_m,(n-1)j/N+2，......，Speed_m,nj/N＞

中的最小值；

表示

＜Speed_m,(n-1)j/N+1，Speed_m,(n-1)j/N+2，......，Speed_m,nj/N＞

的均值；

Position_X`<sub>mn</sub>和Position_Y`_mn是通过

获得的，其中：

表示

＜Position_X_m,(n-1)j/N+1，Position_X_m,(n-1)j/N+2，......，Position_X_m,nj/N＞

中的最大值，

表示

＜Position_X_m,(n-1)j/N+1，Position_X_m,(n-1)j/N+2，......，Position_X_m,nj/N＞

中的最小值；

表示

＜Position_X_m,(n-1)j/N+1，Position_X_m,(n-1)j/N+2，......，Position_X_m,nj/N＞

中的最大值，

表示

＜Position_X_m,(n-1)j/N+1，Position_X_m,(n-1)j/N+2，......，Position_X_m,nj/N＞

中的最小值。

实施方式六.本实施方式是对实施方式一所述一种基于变道场景数据的典型变道轨迹确定方法的进一步限定，本实施方式中，所述利用k-means算法对所述变道轨迹数据集进行聚类，以类中心来反应典型的轨迹特征的方法为：从特征转换的轨迹特征变道轨迹数据集中随机选择k个样本作为初始的k个质心向量：

{μ₁，μ₂，...，μ_k}；

重复下列过程直至收敛：

A)将类簇划分为Cj,j＝1,2,3,…,k，k为类簇总数；j为公示的中间变量，

B)针对每一条变道轨迹TRi到各个质心

μ_j，j＝1，2，3，...，k，

其中i＝1,2,3,…,M，然后进一步获得各个质心间的距离d_ij，将TRi类

别标注为最小dij所对应的Cj；

对于j＝1，2，3，...，k，对C_j中所有的变道轨迹数据重新计算新的质心；

如果所有的k个质心向量未发生变化，表示数据收敛，则转到下一步骤，否则返回步骤A)继续；

获得C＝{C1,C2,…,Ck}以及对应质心{μ₁，μ₂，...，μ_k}，所述质心即为本发明所提取的典型的变道轨迹特征。

实施方式七.本实施方式是对实施方式一所述一种基于变道场景数据的典型变道轨迹确定方法的进一步限定，本实施方式中，所述各个质心间的距离d_ij是通过下述方法获得的：

a)首先定义方向盘转角、车速、本车纵向位置、本车横向位置特征的权重向量为：

W＝{W_Angel，W_Speed，W_{Position_X}，W_{Position_Y}}

其中：各个特征的权重取值均大于或等于零并且满足

W_Angel+W_Speed+W_{Position_X}+W_{Position_Y}＝1，

b)计算两轨迹之间的距离，假设待计算的两个轨迹分别为TR1和TR2：

TR₁＝[TS₁₁，TS₁₂，.......，TS_1N]，TR₂＝[TS₂₁，TS₂₂，.......，TS_2N]，

则两轨迹的距离为：

其中：

上述各个实施方式，是对本发明所要求保护的技术方案的举例说明，不限制本发明的保护范围，上述各个实施方式所记载的技术特征的合理组合也属于本发明所要求保护的技术方案。

Claims (12)

1.一种基于变道场景数据的典型变道轨迹确定方法，其特征在于，所述方法包括：

轨迹参数提取与轨迹表达的步骤：基于自动驾驶车辆采集的变道场景数据提取表征变道轨迹的参数，并基于所述参数获得轨迹表达；

变道轨迹分割步骤：将每条变道轨迹分割成N等段的N个片段，每个片段为一个子轨迹；

子轨迹参数特征转换步骤：从每一个子轨迹中提取轨迹参数，并将所述轨迹参数进行特征转换，获得第m条轨迹中的第n个子轨迹的参数特征为：

TS'_mn＝[Angel'_mn，Speed'_mn，Position_X'_mn，Position_Y′_mn]，

其中，Angel`<sub>mn</sub>表示第m条轨迹中的第n个子轨迹的方向盘转角，Speed`_mn表示第m条轨迹中的第n个子轨迹的车速,Position_X`<sub>mn</sub>表示第m条轨迹中的第n个子轨迹的横向距离跨度，Position_Y`_mn表示第m条轨迹中的第n个子轨迹的纵向距离跨度；将特征转换后的数据汇总获得变道轨迹数据集；

轨迹聚类步骤：利用k-means算法对所述变道轨迹数据集进行聚类，以类中心来反应典型的轨迹特征，从而完成到典型的变道轨迹的提取与确定。

2.根据权利要求1所述的一种基于变道场景数据的典型变道轨迹确定方法，其特征在于，所述表征变道轨迹的参数包括：方向盘转角Angle、车速Speed、本车纵向位置Position_X、本车横向位置Position_Y四个参数。

3.根据权利要求1所述的一种基于变道场景数据的典型变道轨迹确定方法，其特征在于，所述基于所述轨迹表达为：TD＝{TR1，TR2，......，TRM}，M为所有变道轨迹数据总量，TR1表示第1条变道轨迹，TR2表示第2条变道轨迹，......，TRM表示第M条变道轨迹。

4.根据权利要求1所述的一种基于变道场景数据的典型变道轨迹确定方法，其特征在于，所述变道轨迹数据集DR为：

其中：TS₁₁为第1条变道轨迹中第1个轨迹片段的轨迹，以此类推；

其中第m条变道轨迹中的第n个片段的轨迹表示为：

TS_mn＝[Cond_m,(n-1)j/N+1，Cond_m,(n-1)j/N+2，......，Cond_m,nj/N]，

其中，1≤n≤N，1≤m≤M,其中Cond_m,(n-1)j/N+1为第m条变道轨迹中的第n个片段中时刻(n-1)j/N+1的特征。

5.根据权利要求1所述的一种基于变道场景数据的典型变道轨迹确定方法，其特征在于，所述Angel`_mn是根据

获得的，其中

表示

＜Angel_m,(n-1)j/N+1，Angel_m,(n-1)j/N+2，......，Angel_m,nj/N＞

中的最大值；

表示

＜Angel_m,(n-1)j/N+1，Angel_m,(n-1)j/N+2，......，Angel_m,nj/N＞

中的最小值；

所述Speed`_mn是通过

获得的，其中：

表示

＜Speed_m,(n-1)j/N+1，Speed_m,(n-1)j/N+2，......，Speed_m,nj/N＞

中的最大值；

表示

＜Speed_m,(n-1)j/N+1，Speed_m,(n-1)j/N+2，......，Speed_m,nj/N＞

中的最小值；

表示

＜Speed_m,(n-1)j/N+1，Speed_m,(n-1)j/N+2，......，Speed_m,nj/N＞

的均值；

Position_X`<sub>mn</sub>和Position_Y`_mn是通过

获得的，其中：

表示

＜Position_X_m,(n-1)j/N+1，Position_X_m,(n-1)j/N+2，......，Position_X_m,nj/N＞

中的最大值，

表示

＜Position_X_m,(n-1)j/N+1，Position_X_m,(n-1)j/N+2，......，Position_X_m,nj/N＞

中的最小值；

表示

＜Position_X_m,(n-1)j/N+1，Position_X_m,(n-1)j/N+2，......，Position_X_m,nj/N＞

中的最大值，

表示

＜Position_X_m,(n-1)j/N+1，Position_X_m,(n-1)j/N+2，......，Position_X_m,nj/N＞

中的最小值。

6.根据权利要求1所述的一种基于变道场景数据的典型变道轨迹确定方法，其特征在于，所述利用k-means算法对所述变道轨迹数据集进行聚类，以类中心来反应典型的轨迹特征的方法为：从特征转换的轨迹特征变道轨迹数据集中随机选择k个样本作为初始的k个质心向量：

{μ₁，μ₂，...，μ_k}；

重复下列过程直至收敛：

A)将类簇划分为Cj,j＝1,2,3,…,k，k为类簇总数；

B)针对每一条变道轨迹TRi到各个质心

μ_j，j＝1，2，3，...，k，

其中i＝1,2,3,…,M，然后进一步获得各个质心间的距离d_ij，将TRi类别标注为最小dij所对应的Cj；

对于j＝1，2，3，...，k，对C_j中所有的变道轨迹数据重新计算新的质心；

如果所有的k个质心向量未发生变化，表示数据收敛，则转到下一步骤，否则返回步骤A)继续；

获得C＝{C1,C2,…,Ck}以及对应质心{μ₁，μ₂，...，μ_k}，所述质心即为本发明所提取的典型的变道轨迹特征。

7.根据权利要求6所述的一种基于变道场景数据的典型变道轨迹确定方法，其特征在于，所述各个质心间的距离d_ij是通过下述方法获得的：

a)首先定义方向盘转角、车速、本车纵向位置、本车横向位置特征的权重向量为：

W＝{W_Angel，W_Speed，W_{Position_X}，W_{Position_Y}}

其中：各个特征的权重取值均大于或等于零并且满足

W_Angel+W_Speed+W_{Position_X}+W_{Position_Y}＝1，

b)计算两轨迹之间的距离，假设待计算的两个轨迹分别为TR1和TR2：

TR₁＝[TS₁₁，TS₁₂，.......，TS_1N]，TR₂＝[TS₂₁，TS₂₂，.......，TS_2N]，

则两轨迹的距离为：

其中：

8.一种基于变道场景数据的典型变道轨迹确定装置，其特征在于，所述装置包括如下模块：

轨迹参数提取与轨迹表达模块：用于基于自动驾驶车辆采集的变道场景数据提取表征变道轨迹的参数，并基于所述参数获得轨迹表达；

变道轨迹分割模块：用于将每条变道轨迹分割成N等段的N个片段，每个片段为一个子轨迹；

子轨迹参数特征转换模块：用于从每一个子轨迹中提取轨迹参数，并将所述轨迹参数进行特征转换，获得第m条轨迹中的第n个子轨迹的参数特征为：

TS'_mn＝[Angel'_mn，Speed'_mn，Position_X'_mn，Position_Y′_mn]，

其中，Angel`<sub>mn</sub>表示第m条轨迹中的第n个子轨迹的方向盘转角，Speed`_mn表示第m条轨迹中的第n个子轨迹的车速,Position_X`<sub>mn</sub>表示第m条轨迹中的第n个子轨迹的横向距离跨度，Position_Y`_mn表示第m条轨迹中的第n个子轨迹的纵向距离跨度；将特征转换后的数据汇总获得变道轨迹数据集；

轨迹聚类模块：用于利用k-means算法对所述变道轨迹数据集进行聚类，以类中心来反应典型的轨迹特征，从而完成到典型的变道轨迹的提取与确定。

9.根据权利要求8所述的一种基于变道场景数据的典型变道轨迹确定装置，其特征在于，所述子轨迹参数特征转换模块进一步包括如下单元：Angel`<sub>mn</sub>转换单元、Speed`_mn转换单元、Position_X`<sub>mn</sub>和Position_Y`_mn转换单元，其中：

Angel`_mn转换单元，用于采用

实现转换，其中

表示

＜Angel_m,(n-1)j/N+1，Angel_m,(n-1)j/N+2，......，Angel_m,nj/N＞

中的最大值；

表示

＜Angel_m,(n-1)j/N+1，Angel_m,(n-1)j/N+2，......，Angel_m,nj/N＞

中的最小值；

Speed`_mn转换单元，用于采用

实现转换，其中：

表示

＜Speed_m,(n-1)j/N+1，Speed_m,(n-1)j/N+2，......，Speed_m,nj/N＞

中的最大值；

表示

＜Speed_m,(n-1)j/N+1，Speed_m,(n-1)j/N+2，......，Speed_m,nj/N＞

中的最小值；

表示

＜Speed_m,(n-1)j/N+1，Speed_m,(n-1)j/N+2，......，Speed_m,nj/N＞

的均值；

Position_X`<sub>mn</sub>和Position_Y`_mn转换单元，用于通过

实现转换，其中：

表示

＜Position_X_m,(n-1)j/N+1，Position_X_m,(n-1)j/N+2，......，Position_X_m,nj/N＞

中的最大值，

表示

＜Position_X_m,(n-1)j/N+1，Position_X_m,(n-1)j/N+2，......，Position_X_m,nj/N＞

中的最小值；

表示

＜Position_X_m,(n-1)j/N+1，Position_X_m,(n-1)j/N+2，......，Position_X_m,nj/N＞

中的最大值，

表示

＜Position_X_m,(n-1)j/N+1，Position_X_m,(n-1)j/N+2，......，Position_X_m,nj/N＞

中的最小值。

10.根据权利要求8所述的一种基于变道场景数据的典型变道轨迹确定装置，其特征在于，所述轨迹聚类模块进一步包括如下单元：

提取质心向量单元：用于从特征转换的轨迹特征变道轨迹数据集中随机选择k个样本作为初始的k个质心向量：

{μ₁，μ₂，...，μ_k}；

聚类收敛单元：用于重复下列过程直至收敛：

A)将类簇划分为Cj,j＝1,2,3,…,k，k为类簇总数；

B)针对每一条变道轨迹TRi到各个质心

μ_j，j＝1，2，3，...，k，

其中i＝1,2,3,…,M，然后进一步获得各个质心间的距离d_ij，将TRi类别标注为最小dij所对应的Cj；

对于j＝1，2，3，...，k，对C_j中所有的变道轨迹数据重新计算新的质心；

如果所有的k个质心向量未发生变化，表示完成数据收敛，否则继续；

典型的变道轨迹特征获取单元，用于C＝{C1,C2,…,Ck}以及对应质心{μ₁，μ₂，...，μ_k}，所述质心即为本发明所提取的典型的变道轨迹特征。

11.根据权利要求10所述的一种基于变道场景数据的典型变道轨迹确定装置，其特征在于，所述聚类收敛单元中进一步包括质心间的距离d_ij获取子单元，所述子单元包括：

特征权重定义子单元：用于定义方向盘转角、车速、本车纵向位置、本车横向位置特征的权重向量为：

W＝{W_Angel，W_Speed，W_{Position_X}，W_{Position_Y}}

其中：各个特征的权重取值均大于或等于零并且满足

W_Angel+W_Speed+W_{Position_X}+W_{Position_Y}＝1，

距离计算子单元：用于计算两轨迹之间的距离，假设待计算的两个轨迹分别为TR1和TR2：

TR₁＝[TS₁₁，TS₁₂，.......，TS_1N]，TR₂＝[TS₂₁，TS₂₂，.......，TS_2N]，

则两轨迹的距离为：

其中：

12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于变道场景数据的典型变道轨迹确定方法。

Images