本发明属于自动驾驶，具体涉及面向自动驾驶城市场景的分层解耦方法。
背景技术：
1、在城市场景中，车辆行驶环境复杂度高、随机性强，场景中静态信息、动态信息与车辆个体各个层面存在耦合，目前的测试场景信息采集和场景重构过程中很少考虑层级耦合的影响，层级间的高度耦合会对场景的复杂度，覆盖度和泛化能力造成影响，从而难以反映真实的高复杂度、随机性强的交通环境；测试置信度不足。现有技术中虽然有基于车辆自身物理结构、逻辑关系和应用功能进行解析，进行分层解耦的方案，但仅仅考虑车辆自身影响，对测评要素分析、分类和提取无法适应在城市场景这一复杂环境中的实际情况，因此目前测试中场景各层级间耦合问题仍然存在，还需要针对城市场景对环境因素综合考虑，以提升测试的置信度。
技术实现思路
1、本发明的目的是提供面向自动驾驶城市场景的分层解耦方法，用于解决现有技术中因城市场景中环境复杂度高、随机性强，仅考虑车辆自身因素难以适应复杂环境，导致测评要素的确定仍受场景各层级间耦合问题影响，测试的置信度存在不足的技术问题。
2、所述的面向自动驾驶城市场景的分层解耦方法，包括下列步骤。
3、步骤一、将测试场景中的静态场景要素统一至交通基础设施坐标系下，再将测试环境进行划分，并利用概率占位方法得到栅格地图。
4、步骤二、将车载多传感器数据统一至车体坐标系下，再利用卡尔曼滤波器预测建立时序图。
5、步骤三、基于修正更新后的时序图，利用卷积神经网络构建注意力模型并提取与自动驾驶动作相关的交通流特征。
6、步骤四、车辆底盘采用集成多变量控制的非线性系统，通过解耦预补偿器对所述非线性系统进行解耦，再输出解耦后的要素特征。
7、步骤五、基于修正后的解耦预补偿器解耦获得要素特征完成测评要素的聚类，从而提取与交通流特征相关的测评要素。
8、优选的，步骤一中，生成栅格地图的概率占位方法包括：通过激光测距采集行驶区域信息，将行驶区域栅格化，用概率值表示每个栅格被占据的可能性，设置每个栅格单元被占用概率的阈值，当概率不小于该阈值时判断该栅格被占用；当概率小于该阈值时判断该栅格未被占用，判断每个栅格单元是否被占用得到栅格地图。
9、优选的，步骤二中，建立时序图时，将时序图的预测数据与栅格地图中的实际数据比较，多次人工整定观测噪声和过程噪声，对卡尔曼滤波器进行修正更新让时序图达到要求精度。
10、优选的，建立时序图的方法包括：首先收集车辆摄像头、雷达、激光雷达等车载传感器的传感器数据，进行去噪和归一化等预处理；而后利用转换矩阵根据传感器坐标与车体坐标间的位置关系将传感器数据统一至车体坐标系下；构建时序图的预测模型和测量模型，计算先验估计协方差，根据测量值和先验估计值更新本时刻估计值，再计算更新后验估计协方差；根据运动模型准确与否调节过程噪声，根据传感器性能调整观测噪声；初始估计值取0，初始协方差取1；将时序图的预测数据与栅格地图中的实际数据比较，经过多次人工整定观测噪声和过程噪声，从而让预测结果达到要求精度；此后重复预测和更新步骤，以获得新的状态估计和协方差矩阵，由此绘制针对各种城市场景各种情况的时序图。
11、优选的，步骤三中，将图像输入注意力模型的第一个卷积层形成特征图，该卷积层包含一组可学习的卷积核用于检测图像中的边缘、角点等基本特征；在卷积层之后插入最大池化层，以保留特征图的特征并简化卷积层的输出；再经过第二个卷积池化层，将最终得到的像素图扁平化并输入全链接层即输出交通流特征；当特征不满足精度需要时进行反向传播，利用优化器更新权重整卷积核各个通道的权重和偏置项，再由注意力模型重复处理输出提取结果，直到提取结果达到精度要求。
12、优选的，步骤四中，从时序图中采集相同的要素特征并与解耦后的要素特征进行比较，当均方根误差大于误差阈值时，修正解耦预补偿器。
13、优选的，步骤四中，基于自动驾驶车辆的物理结构、逻辑关系和应用功能对输入变量和输出变量之间的关系进行解析，根据解析结果采用interactor算法确定相应的多变量控制的非线性系统可逆并确定逆系统模型，利用逆系统模型将原系统补偿为具有线性传递关系的伪线性系统，所述逆系统模型为解耦预补偿器。
14、优选的，步骤五中，基于交通流特征的指导完成测评要素的聚类，若出现聚类边界模糊无法提取的情况，则移除数据图谱中的边，以优化数据图谱，基于优化后的数据图谱再进行聚类，直到提取与交通流特征相关的测评要素成功。
15、优选的，步骤五中，对于前面得到的要素特征，将各个所述要素特征统一至预设区间内，得到各个测评要素的归一化值；然后根据所述归一化值确定数据谱图，所述数据谱图中的各个数据点为对应所述归一化值的测评要素；针对每个数据点，为所述数据点寻找k个临近点；连接所述数据点与周围临近点形成局部点簇结构；求得数据点之间的权重；根据权重得到降维后的特征向量与特征值；根据所述特征值与特征向量得到低维方阵，完成特征要素的聚类。
16、本发明具有以下优点：本发明利用道路基础设施层面建立的栅格地图修正更新交通流层面建立的时序图，时序图基于车载传感器的传感器数据建立，并进一步通过卷积神经网络提取与自动驾驶动作相关的交通流特征。在车辆个体层面通过解耦预补偿器实现对非线性系统的多个变量进行分层解耦，解耦得到的与交通流特征对应相关的要素特征，并通过从时序图中采集的相同要素特征对解耦所用模型的准确性进行验证，并进而修正模型提高解耦的准确性。此后通过基于要素特征建立数据图谱，并基于交通流特征的指导完成测评要素的聚类。这样，本发明将道路基础设施层面的静态场景要素、交通流层面的传感器数据和车辆个体层面的多变量控制的非线性系统相互结合，让城市场景中的复杂环境因素能被用于优化解耦预补偿器和指导测评要素聚类，从而克服了测评要素的确定仍受场景各层级间耦合问题影响的问题，提升了无人驾驶技术测试中的置信度。
1.面向自动驾驶城市场景的分层解耦方法，其特征在于：包括下列步骤：
2.根据权利要求1所述的面向自动驾驶城市场景的分层解耦方法，其特征在于：步骤一中，生成栅格地图的概率占位方法包括：通过激光测距采集行驶区域信息，将行驶区域栅格化，用概率值表示每个栅格被占据的可能性，设置每个栅格单元被占用概率的阈值，当概率不小于该阈值时判断该栅格被占用；当概率小于该阈值时判断该栅格未被占用，判断每个栅格单元是否被占用得到栅格地图。
3.根据权利要求1所述的面向自动驾驶城市场景的分层解耦方法，其特征在于：步骤二中，建立时序图时，将时序图的预测数据与栅格地图中的实际数据比较，多次人工整定观测噪声和过程噪声，对卡尔曼滤波器进行修正更新让时序图达到要求精度。
4.根据权利要求3所述的面向自动驾驶城市场景的分层解耦方法，其特征在于：建立时序图的方法包括：首先收集车辆摄像头、雷达、激光雷达等车载传感器的传感器数据，进行去噪和归一化等预处理；而后利用转换矩阵根据传感器坐标与车体坐标间的位置关系将传感器数据统一至车体坐标系下；构建时序图的预测模型和测量模型，计算先验估计协方差，根据测量值和先验估计值更新本时刻估计值，再计算更新后验估计协方差；根据运动模型准确与否调节过程噪声，根据传感器性能调整观测噪声；初始估计值取0，初始协方差取1；将时序图的预测数据与栅格地图中的实际数据比较，经过多次人工整定观测噪声和过程噪声，从而让预测结果达到要求精度；此后重复预测和更新步骤，以获得新的状态估计和协方差矩阵，由此绘制针对各种城市场景各种情况的时序图。
5.根据权利要求1所述的面向自动驾驶城市场景的分层解耦方法，其特征在于：步骤三中，将图像输入注意力模型的第一个卷积层形成特征图，该卷积层包含一组可学习的卷积核用于检测图像中的边缘、角点等基本特征；在卷积层之后插入最大池化层，以保留特征图的特征并简化卷积层的输出；再经过第二个卷积池化层，将最终得到的像素图扁平化并输入全链接层即输出交通流特征；当特征不满足精度需要时进行反向传播，利用优化器更新权重整卷积核各个通道的权重和偏置项，再由注意力模型重复处理输出提取结果，直到提取结果达到精度要求。
6.根据权利要求1所述的面向自动驾驶城市场景的分层解耦方法，其特征在于：步骤四中，从时序图中采集相同的要素特征并与解耦后的要素特征进行比较，当均方根误差大于误差阈值时，修正解耦预补偿器。
7.根据权利要求6所述的面向自动驾驶城市场景的分层解耦方法，其特征在于：步骤四中，基于自动驾驶车辆的物理结构、逻辑关系和应用功能对输入变量和输出变量之间的关系进行解析，根据解析结果采用interactor算法确定相应的多变量控制的非线性系统可逆并确定逆系统模型，利用逆系统模型将原系统补偿为具有线性传递关系的伪线性系统，所述逆系统模型为解耦预补偿器。
8.根据权利要求1所述的面向自动驾驶城市场景的分层解耦方法，其特征在于：步骤五中，基于交通流特征的指导完成测评要素的聚类，若出现聚类边界模糊无法提取的情况，则移除数据图谱中的边，以优化数据图谱，基于优化后的数据图谱再进行聚类，直到提取与交通流特征相关的测评要素成功。
9.根据权利要求8所述的面向自动驾驶城市场景的分层解耦方法，其特征在于：步骤五中，对于前面得到的要素特征，将各个所述要素特征统一至预设区间内，得到各个测评要素的归一化值；然后根据所述归一化值确定数据谱图，所述数据谱图中的各个数据点为对应所述归一化值的测评要素；针对每个数据点，为所述数据点寻找k个临近点；连接所述数据点与周围临近点形成局部点簇结构；求得数据点之间的权重；根据权重得到降维后的特征向量与特征值；根据所述特征值与特征向量得到低维方阵，完成特征要素的聚类。
