买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉吉林大学申请的专利一种面向航拍数据集的智能汽车关键测试场景提取方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116229298B 。

龙图腾网通过国家知识产权局官网在2025-12-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310234477.5，技术领域涉及：G06V20/17；该发明授权一种面向航拍数据集的智能汽车关键测试场景提取方法是由朱冰;黄殷梓;赵健;高质桐;孙一;李响设计研发完成，并于2023-03-13向国家知识产权局提交的专利申请。

本一种面向航拍数据集的智能汽车关键测试场景提取方法在说明书摘要公布了：本发明涉及一种面向航拍数据集的智能汽车关键测试场景提取方法，步骤包括：本车周围车辆位置分布关键性分析，确定测试场景关注的边界即范围域[θ1,θn]，基于场强理论的场景关键性量化，场景关键行为分析，确定出场景关键性量化模型的时间域[t1,tN]，关键场景提取。本发明方法采用相对于本车可能发生碰撞的部分作为CDCE的采集区域，并提出一种通过场景中车辆的关键行为的评价方法将车辆的轨迹进行筛选，进而提取出有意义且有价值的测试场景。本发明对横向运动物体更加敏感，在时间维度上先于TTC指出了关键场景，不仅可以搜索针对智能汽车具有挑战的场景，同时本方法是面向真实的车辆轨迹保证了提取出的场景真实性。

本发明授权一种面向航拍数据集的智能汽车关键测试场景提取方法在权利要求书中公布了：1.一种面向航拍数据集的智能汽车关键测试场景提取方法，其特征在于：步骤如下： 1本车周围车辆位置分布关键性分析，确定测试场景关注的边界即范围域[θ1,θ] 航拍数据集中共提取8种相对于本车的不同位置信息，即左前、正前、右前、左侧、右侧、左后、正后和右后；为描述场景关键性引入极坐标系，将航拍数据集中的鸟瞰二维视角转化到一维特征空间，采用本车有效轮廓距离曲线描述周围其他车辆相对于本车可能发生碰撞部位的位置分布，以本车的形心作为曲线的原点，以车辆向前运动的道路方向作为x轴，以顺时针方向为正，将车辆360°的周围其他车辆轮廓信息向极坐标系进行映射； 对位置信息进行坐标变换，以车辆j的外接矩形框左前端为例： 式中，s为车辆j进行换道过程中经过旋转变换后的横坐标；t为车辆j进行换道过程中经过旋转变换后的纵坐标；θ为主车i质心与目标车辆j左前端连线和主车前进方向之间的夹角；d为主车i质心与目标车辆j左前端距离； 车辆j的外接矩形框其他位置信息坐标变换同理；所有的相对于主车i可能发生碰撞部分输出的角度和距离共同构成θij和rij，并作为第二节中场强公式输入； 选用相对于本车可能发生碰撞的部分作为CDCE的采集区域，可能发生碰撞的区域通过以车辆i的形心出发进行扫描，将该扫描射线与其他车辆的外接矩形框的交点作为采集点记录在极坐标系下； 2基于场强理论的场景关键性量化： 基于复杂交通工况下的行车风险场理论建立场景中车辆行为的关键性量化模型，提出在tn时刻本车i与其他车辆j形成的场强定义为： 式中，Mi和Mj是等效质量，其值与车辆类型、质量有关，设定为特定的常数；R是道路条件参数，设定为特定的常数；k1、k2和G均是大于0的常数；θij是主车i质心与目标车辆j可能碰撞轮廓上各点连线和主车前进方向之间的夹角，与上一步定义的θ计算方法一致；vij为两车相对速度，具体表达式为在相同的车辆外边框线上各点相对速度是相等的；由此可见该场强越大代表场景关键性越高，在tn时刻场景关键性通过θ1和θn范围内的积分进行表示： 由于Ri、Mj和Mi在同一时刻都是相对于θ的常数，因此简化上式为： 则从t1到tN时刻的场景关键性通过各个时间戳求和确定，具体表达式为： 3场景关键行为分析，确定出场景关键性量化模型的时间域[t1,tN]： 分别对跟车场景和前车入侵本车道线两种场景进行分析，确定出场景关键性量化模型的时间域[t1,tN]，而范围域[θ1,θn]需要通过第一步的位置分布进行确定，并对航拍数据集中的对应场景进行关键性量化，进而筛选出具有测试价值的场景进行应用； 3.1跟车场景行为分析： 设计跟车场景分级关键性量化模型，通过设置跟车场景预警门限值DW和跟车场景紧急制动预警门限值DB将跟车场景筛选成三种状态进而对跟车场景关键性进行量化； 当本车与前车的距离L大于DW时，此类场景属于安全场景；当L大于DB且小于等于DW时，会触发预警信号提醒驾驶员前方出现车辆，此类场景具有一定的潜在风险；当L小于DB时，本车应当以最大制动减速度作为控制目标进行制动操作，此类场景具有较高的风险； 基于车辆制动过程计算跟车场景预警门限值DW和跟车场景紧急制动预警门限值DB： DW＝DB+vego·tw 其中vego为本车车速；aNmax为本车最大制动减速度，通过在数据集中进行筛选；f0为智能汽车目标检测模块和测距模块的最小检测频率；tw为系统设置的预警时间； 因此对跟车场景进行场景关键性量化时，对L≤DW所对应的时刻tfol-beg作为跟车场景量化模型的初始时刻，该时刻开始本车和前车之间的距离会逐渐减少，相对速度也会变小直到相对速度为0，因此将前后两车相对速度为0所对应的时刻tfol-end作为场景关键性量化模型的结束时刻； 3.2前车换道入侵场景行为分析 采用解耦前车入侵换道场景的横纵向运动分析换道场景关键性量化模型的上下界；对于前车入侵换道场景的横向解耦，将入侵车道在换道到本车车道所压过的车道线成为入侵车道线，将前车横向入侵距离q作为确定换道开始的重要参数，具体表达为： 式中，为本车车辆i中轴线与本车车道中轴线的横向偏移距离，直接在数据集中获得；Widthlane是车道线宽度；d为本车车辆中轴线与入侵车道线之间的横向距离；其中，yi和yj分别为数据集中ID为i和j的横坐标值；heightj为车辆j的宽度；为车辆j的航向角，通过数据集中提供的angle参数和orientation参数进行计算，wb为车辆的轴距；当q为0时定义为前车入侵场景的开始时刻，当前车与本车所在车道线中心线偏移量小于或等于0.1m时定义为前车入侵场景的结束时刻； 4关键场景提取： 提取过程如下：通过航拍数据集中的总体轨迹统计信息确定两个重要的轨迹特征量车辆变道次数和最小碰撞时间，分别用于前车入侵场景和跟车场景的初筛；对于前车入侵场景，当换道次数不为0且在入侵车辆占用的车道线发生变化后存在后方车辆才可定义为前车入侵场景，确定为入侵场景后对车道线发生变化前的车辆轨迹进行分析，计算前车横向入侵距离q所对应的时刻作为关键性量化模型的开始时刻，找到入侵车辆与车道线偏移量小于等于0.1m所对应的时刻作为关键性量化模型的结束时刻，进而对前车入侵场景关键性进行量化；对于跟车场景而言，TTC是常用的表达跟车场景关键性的指标，首先过滤掉前车不存在的场景，其次利用3.1节的方法确定关键性量化模型中的上下界限进而计算得出跟车场景的关键性。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人吉林大学，其通讯地址为：130012 吉林省长春市前进大街2699号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。