集群自动化车辆开发的高速公路切入场景,考虑到数据维度和不平衡

科学领域:

• 自动化车辆开发自动化车辆开发
• 机器学习用于运输.
• 数据挖掘和集群技术的数据采集和集群技术.

背景情况:

• 代表性驾驶场景对于自动驾驶汽车 (AV) 功能定义和算法开发至关重要.
• 现有的集群方法面临着高维和不平衡的自然主义驾驶数据的挑战,导致偏见的场景表示.
• 准确的场景生成对于强大的AV测试和验证至关重要.

研究的目的:

• 提出和实施一种新的双层,自我适应,基于多个原型的竞争性学习算法,用于集群驾驶场景.
• 解决数据维度的局限性和自然驾驶数据集群中的不平衡问题.
• 为AV发展生成一套全面的代表性高速公路切入场景.

主要方法:

• 使用K-medoids集群与动态时间扭曲 (DTW) 距离用于多维,混合类型变量 (环境,静态,动态).
• 经过转换后,用于离散变量的一次热编码,用于连续变量和时间序列变量的K-medoids.
• 实施了双层方法:K-medoids用于初始集群和多原型竞争性学习用于精细集群,确保少数集群代表性和适应性集群数量的确定.

主要成果:

• 从2415个自然驾驶数据段生成了11个代表性的高速公路切入场景.
• 与传统方法相比,拟议的算法显示出优越的集群良性.
• 确定了四个常见的切入场景和七个罕见但关键的场景 (例如,夜间,恶劣天气,商用车辆).

结论:

• 这种新的集群算法有效地克服了自然驾驶数据中的维度和不平衡问题.
• 确定的场景,包括罕见事件,为强大的自动化车辆开发提供了宝贵的见解.
• 该方法显示了广泛应用的巨大潜力,用于为自动驾驶汽车生成多样化和代表性的驾驶场景.