自动驾驶汽车测试场景基元自动提取方法

doi:10.19562/j.chinasae.qcgc.2022.11.003

摘要/Abstract

摘要：

本文中提出了一种基于自然驾驶数据库的自动驾驶汽车测试场景基元自动提取方法。以隐马尔科夫模型为框架，采用向量自回归模型为观测概率分布函数，采用层次狄利克雷过程为模型进行先验分布和后验更新，通过解耦过程和黏性过程抑制模型隐状态的快速切换，实现给定观测数据下隐状态的求解，并根据隐状态对场景基元进行自动划分。最后，以一段随机自然驾驶序列为例进行了算法测试验证，结果表明，所提出的方法可从自然驾驶数据库中非参数地、可解释地、全自动地提取测试场景基元，所提取的场景基元具有明确的物理意义，可为基于场景的自动驾驶汽车测试奠定良好基础。

关键词: 自动驾驶汽车测试, 场景基元提取, 自然驾驶数据库, 隐马尔可夫模型

Abstract:

In this paper， an automatic test scene primitive extraction method from the naturalistic driving dataset for autonomous vehicles is proposed. With the hidden Markov model （HMM） as framework， the extraction method uses the vector autoregressive model as the observation probability distribution function， and adopt the Hierarchical Dirichlet Process to fulfill prior distribution and posterior updating for HMM. Then the disentangled and sticky process are used to suppress the frequent switching of the HMM hidden states for achieving the solution of hidden states with given observation data， and the scene primitives are automatically divided according to the hidden states. Finally， a piece of naturalistic driving series is randomly selected to verify the method. The results show that the method proposed can automatically extract explicable test scene primitives with clear physical meanings from the naturalistic driving dataset without setting parameters， laying a good foundation for scene-based autonomous vehicle testing.

Key words: autonomous vehicle testing, scene primitives extraction, naturalistic driving dataset, hidden Markov model

朱冰,孙宇航,赵健,张培兴,范天昕,宋东鉴. 自动驾驶汽车测试场景基元自动提取方法[J]. 汽车工程, 2022, 44(11): 1647-1655.

Bing Zhu,Yuhang Sun,Jian Zhao,Peixing Zhang,Tianxin Fan,Dongjian Song. Automatic Extraction Method for Autonomous Vehicle Test Scene Primitives[J]. Automotive Engineering, 2022, 44(11): 1647-1655.

图/表 9

图1

图2

图3

表1

基于Gibbs采样的模型更新流程"

输入：测试场景的车辆运动状态序列（即模型的观测序列） $Y = {y t} t = 1 T, ? Y ∈ R d × T$

输出：模型的隐状态序列 $Z = {z t} t = 1 T$

1.给定观测序列向量，初始化 $κ$ 、 $w$ 、 $β$ 、 $z$ 序列，初始化 $n$ 方阵（CRF模型），初始化观测概率分布函数的参数 $θ$ ，统计初始状态数量为 $K$ ，通过矩阵 $E$ 记录每种隐状态包含的观测向量，进入步骤3；

2.对每个 $t ∈ {2, …, T - 1}$

1） $n z t - 1 z t$ ， $n z t z t + 1$ 分别减1，并从 $E$ 中去掉 $y t$ ，对观测概率分布函数的参数进行后验更新

$(A ?, ∑ ?) ← (A ?, ∑ ?) ? y t$

2）根据式（22）和式（19）计算 $p z t$ 的后验

3）采样状态 $z t$ ，如果 $z t$ 是新的状态，K增加1，根据式（6）采样新的 $β K + 1$ 和 $κ K + 1$

4）更新 n 、 E 和 w

3.对没有采样到的状态进行删除，并相应的压缩 $n$ 和 $E$ ；

4.根据式（17）对 $κ$ 进行后验更新；

5.根据式（20）求出 $q$ 的后验概率，对 $m$ 进行采样；

6.根据式（18）对 $β$ 进行采样；

7.（可选择的）对超参数 $γ$ ， $α 0$ ， $ρ 1$ ， $ρ 2$ 进行后验更新，详细过程可参阅文献［13］和文献［16］；

8.如果 $Z$ 没有收敛，或者未达到循环终止次数，则返回步骤2，否则退出。

表1

表2

超参数设置"

描述	参数	数值
$a 0$ 的Gamma分布先验	（ $α 01, α 02$ ）	（1，0.01）
$γ$ 的Gamma分布先验	（ $γ 1, γ 2$ ）	（2，1）
$?$ 的均匀分布先验	（ $? 1, ? 2$ ）	（0，1）
$η$ 的均匀分布先验	（ $η 1, η 2$ ）	（0，2）
VAR模型参数 $r$	$r$	1

表2

图4

图5

图6

表3

DS-HDP-HMM模型场景基元物理含义"

类别	左前车	右前车	前车	主车
19	$v ? d x ⊕ d y ⊙$	$v ⊕ d x ⊙ d y ⊙$	$v ⊕ d x ⊕$	$v ⊕$
2	$v ? d x ⊙ d y ⊙$	$v ⊙ d x ? d y ⊙$	$v ⊕ d x ⊕$	$v ⊕$
13	$v ⊕ d x ? d y ⊙$	$v ⊕ d x ? d y ⊙$	$v ⊙ d x ⊕$	$v ⊕$
1	$v ⊕ d x ? d y ⊙$	$v ⊕ d x ⊕ d y ①$	$v ⊕ d x ⊕$	$v ⊕$
14	$v ⊕ d x ? d y ⊙$	$v ⊕ d x ⊕ d y ②$	$v ⊕ d x ⊕$	$v ⊕$
9	$v ⊕ d x ⊙ d y ⊙$	$v ⊙ d x ⊕ d y ⊙$	$v ⊙ d x ?$	$v ⊕$
12	$v ⊙ d x ⊕ d y ⊙$	$v ? d x ⊙ d y ⊙$	$v ? d x ⊙$	$v ⊕$
8	$v ? d x ⊕ d y ⊙$	$v ? d x ? d y ⊙$	$v ? d x ?$	$v ?$
17	$v ? d x ⊕ d y ⊙$	$v ? d x ? d y ⊙$	$v ? d x ?$	$v ?$

表3

参考文献 20

1	余荣杰，田野，孙剑. 高等级自动驾驶汽车虚拟测试：研究进展与前沿［J］. 中国公路学报， 2020， 33（11）： 125-138.
	YU R J， TIAN Y， SUN J. Highly automated vehicle virtual testing： a review of recent developments and research frontiers［J］. China Journal of Highway and Transport， 2020， 33（11）： 125-138.
2	朱冰，张培兴，赵健. 基于场景的自动驾驶汽车虚拟测试研究进展［J］. 中国公路学报， 2019， 32（6）： 1-19.
	ZHU B， ZHANG P X， ZHAO J. Review of scenario-based virtual validation methods for automated vehicles［J］. China Journal of Highway and Transport， 2019， 32（6）： 1-19.
3	徐向阳，胡文浩，董红磊. 自动驾驶汽车测试场景构建关键技术综述［J］. 汽车工程， 2021， 43（4）：610-619.
	XU X Y， HU W H， DONG H L. Review of key technologies for autonomous vehicle test scenario construction［J］. Automotive Engineering， 2021， 43（4）： 610-619.
4	SATZODA R K， MARTIN S， VAN L. Towards automated drive analysis： a multimodal synergistic approach［C］. 16th International IEEE Conference on Intelligent Transportation Systems （ITSC 2013）， 2013： 1912-1916.
5	LI S S， WANG W S， MO Z B， et al. Cluster naturalistic driving encounters using deep unsupervised learning［C］. 2018 IEEE Intelligent Vehicles Symposium （IV）， 2018.
6	LENARD J， BADEA A， DANTON R. Typical pedestrian accident scenarios for the development of autonomous emergency braking test protocols［J］. Accident Analysis and Prevention， 2014， 73（73）： 73-80.
7	SCANLON J， SHERONY R， GABLER H. Earliest sensor detection opportunity for left turn across path opposite direction crashes［J］. IEEE Transactions on Intelligent Vehicles， 2017， 2（1）： 62-70.
8	KILICARSLAN M， ZHENG J Y. Direct vehicle collision detection from motion in driving video［C］. IEEE Intelligent Vehicles Symposium （IV）， 2017： 1558-1664.
9	DOZZA M， GONZALEZ N. Recognising safety critical events： can automatic video processing improve naturalistic data analyses？［J］. Accident Analysis & Prevention， 2013， 60： 298-304.
10	WANG W S， ZHAO D. Extracting traffic primitives directly from naturalistically logged data for self-driving applications［J］. IEEE Robotics and Automation Letters， 2018， 3（2）：1223-1229.
11	李航. 统计学习方法［M］.2版. 北京：清华大学出版社， 2019：193-194.
	LI H. Statistical learning method ［M］. 2nd ed.Beijing： Tsinghua University Press， 2019：193-194.
12	TEH Y， JORDAN M， BEAL M. Hierarchical dirichlet processes［J］. Journal of the American Statistical Association， 2006， 101：1566-1581.
13	EMILY B， ERIK B， MICHAEL I. Developing a tempered HDP-HMM for systems with state persistence［R］. MIT Laboratory for Information & Decision Systems Technical Report P-2777， 2007.
14	吕岸，胡振程，陈慧. 基于高斯混合隐马尔科夫模型的高速公路超车行为辨识与分析［J］. 汽车工程， 2010， 32（7）： 630-634.
	LV A， HU Z C， CHEN H. Recognition and analysis on highway overtaking behavior based on Gaussian mixture-hidden Markov model［J］. Automotive Engineering， 2010， 32（7）： 630-634.
15	宗长富，王畅，何磊，等. 基于双层隐式马尔科夫模型的驾驶意图辨识［J］. 汽车工程， 2011， 33（8）.
	ZONG C F， WANG C， HE L. Driving intention recognition based on double-layer HMM［J］. Automotive Engineering， 2011，33（8）.
16	ZHOU D， GAO Y J. Disentangled sticky hierarchical dirichlet process hidden Markov model［C］. The European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases（ECML PKDD）， 2020.
17	EMILY B， ERIK B， MICHAEL I. A sticky HDP-HMM with application to speaker diarization［J］. The Annals of Applied Statistics， 2011， 5（2A）： 1020-1056.
18	EMILY B， ERIK B， MICHAEL I. Nonparametric bayesian learning of switching linear dynamical systems［C］. Advances in Neural Information Processing Systems 21， Proceedings of the Twenty-Second Annual Conference on Neural Information Processing Systems， Vancouver， British Columbia， Canada， December 8-11， 2008.
19	WEST M， HARRISON J. Bayesian forecasting and dynamic models［M］. Springer， 1997.
20	KRAJEWSKI R， BOCK J， KLOEKER L， et al. The highD dataset： a drone dataset of naturalistic vehicle trajectories on german highways for validation of highly automated driving systems［C］. 2018 21st International Conference on Intelligent Transportation Systems （ITSC）， Maui， Hawaii， USA， 2018.

[1]	史培龙,赵轩,陈子童,余强. 基于道路行驶工况辨识的重型载货汽车排气制动系统主动控制研究[J]. 汽车工程, 2023, 45(1): 104-111.
[2]	周哲,胡钊政,王志强,肖汉彪. 基于2阶HMM的智能车视觉地图定位方法[J]. 汽车工程, 2022, 44(2): 190-198.
[3]	刘志强，吴雪刚，倪捷，张腾. 基于HMM和SVM级联算法的驾驶意图识别[J]. 汽车工程, 2018, 40(7): 858-.