[发明专利]基于改进拉丁超立方抽样的虚拟驾驶场景要素重组方法

说明书

本发明公开一种基于改进拉丁超立方抽样的虚拟驾驶场景要素重组方法，基于原始数据，经过如下步骤获得重组数据：1)统计离散要素组合；2)确定离散要素组合在累计概率分布中的采样点；3)确定离散要素组合属性；4)确定离散要素组合的抽样次数；5)对应提取连续要素；6)计算连续要素的累计概率分布；7)确定连续要素的采样点位置；8)确定连续要素值；9)相关性控制；10)全部抽样的离散要素和连续要素重组。本发明基于真实的数据，对场景关键要素进行分析和统计，根据概率特性进行不同维度要素采样和重组，获得与真实非常相近的随机样本，鲁棒性好，非常适用于汽车智能驾驶系统的测试和评价。

技术领域

本发明涉及智能驾驶测试场景用例的编制，具体涉及一种基于改进拉丁超立方抽样的虚拟驾驶测试场景要素重组方法，用于汽车智能驾驶系统的测试和评价。

背景技术

近年来，伴随着汽车智能驾驶系统的不断发展，为保证其安全性和合规性的测试也越发重要，汽车在上市之前必须经过充分的测试与验证，以保证智能控制系统在其设计运行域内可以安全地运行。

虚拟仿真测试相对于场地测试和道路测试，具有高效性和安全性，是一种重要的测试方法和手段。搭建能够反映真实交通特点的虚拟场景是仿真测试的基础，备受研究人员重视。搭建虚拟场景的一种重要方法，是基于真实交通数据，进行场景关键要素的分析和统计，然后根据场景要素的概率特性进行不同维度要素的采样和重组，获得与真实交通场景及其相近的随机测试样本。

数据重采样的场景方法是蒙特卡洛采样算法，如M-H采样和Gibbs采样。然而传统的蒙特卡洛采样算法需要进行大量的模拟实验才能获得效果较好的样本，在原始数据存在较多大概率样本时，容易发生聚集现象。而拉丁超立方采样是作为一种典型的分层抽样方法，基于累计概率分布进行抽样，可以通过较少的迭代次数获得效果更佳的随机样本集。

根据《Latin Hypercube Sampling Techniques for Power SystemsReliability Analysis With Renewable Energy Sources》、《基于改进核密度估计和拉丁超立方抽样的电动汽车负荷模型》、《基于改进拉丁超立方抽样的概率潮流计算》等研究成果，拉丁超立方采样一般包含样本生成和相关性控制两个步骤。样本生成的基础一般是进行随机要素的概率建模，但是实际工程应用中，随机要素的分布一般很难符合典型的分布函数特征，而如果使用非参数估计建立概率密度函数则难以获得其累计概率分布的反函数，同时当原始数据既包含连续要素也包含离散要素时，概率分布的建立也会遇到困难。而在相关性控制方面，《A distribution-free approach to inducing rank correlationamong input variables》提出了Cholesky分解法，通过矩阵计算可以大大提高计算效率，是一种相对成熟的重要方法。

综上，如何基于实际数据进行样本生成是拉丁超立方采样的关键基础。

发明内容

针对现有拉丁超立方采样无法有效的基于原始数据进行样本生成的问题，本发明基于非参数估计的思想，提出一种基于改进拉丁超立方抽样方法进行的虚拟驾驶场景要素重组方法。

本发明所采用的技术方案如下：一种基于改进拉丁超立方抽样的虚拟驾驶场景要素重组方法，基于原始数据，所述原始数据中包括有离散要素和连续要素，其特征在于，包括如下步骤：

1)统计原始数据中所有离散要素组合；

2)确定抽样的离散要素组合在累计概率分布中的采样点位置；

3)确定抽样的离散要素组合属性；

4)确定各离散要素组合的抽样次数；

5)从每种离散要素组合对应的原始数据中提取连续要素；

6)计算连续要素的累计概率分布；