一种基于数据分布的自动驾驶车辆异常行驶状态检测方法

本发明涉及自动驾驶故障诊断，特别是涉及一种基于数据分布的自动驾驶车辆异常行驶状态检测方法。

背景技术：

1、自动驾驶车辆在行驶过程中会出现原件损坏、性能下降、标定参数等故障现象，如果不能及时发现设备运行中的故障状态与潜在故障风险，将会对运输作业安全与效率造成影响。基于数字化技术的“视情维修”(即按照技术状况作为维修时机判断标准，面向设备实际状态和发展趋势的一种维修技术，为发现潜在故障而进行的维修活动)在故障发生前能够及时识别，并结合历史经验数据分析得出设备维护建议，是一种集故障检测、隔离、健康预测与评估及维护决策于一身的综合技术。该技术可将故障消灭在萌芽状态，提高设备可靠性，降低维修成本，已成为自动驾驶车辆异常检测与维护保障的发展方向。

2、目前，“视情维修”中对于异常状态检测的技术方法大致分为两类。一类是基于数理统计的异常状态检测方法，即将待测车辆行驶数据(如行驶速度)与历史车辆正常行驶数据做简单对比，超出正常数据一定范围即判定为异常状态。例如设置异常行驶速度阈值，根据车辆异常行驶速度阈值计算得到车辆异常行驶概率，根据车辆异常行驶概率确定车辆异常行驶状态检测结果。该类方法的缺点是阈值设定依赖经验，且当测量样本量较小时，检测精准度降低。另一类是基于深度学习的异常状态检测方法，将待测车辆行驶数据与历史车辆正常行驶数据同时输入模型，检测待测车辆是否为异常行驶状态。该类方法模型设计复杂，计算量大。如采用lstm模型对车辆轨迹进行特征提取，根据预测轨迹与预定轨迹间特征值的差异来判断异常，当差异超过一定阈值时判定为异常。当前基于深度学习的轨迹预测方法对车辆异常预测准确性仍有待提高，而高准确性意味着需要复杂的模型网络，且依赖地图信息输入，将占用较大计算资源；其次，车辆运行状态时变，车辆实际行驶轨迹存在随机性与不可重复性，导致正常车辆检测结果存在差异，这也使得异常检测的准确性受到影响。

技术实现思路

1、针对现有技术中的不足，本发提出了一种基于数据分布的自动驾驶车辆异常行驶状态检测方法，该检测方法采用kl散度进行横向偏差(横向偏差指车辆实际运行位置与标准路径的横向偏离距离)数据异常检测以及基于高斯分布的瞬时状态异常检测的串行检测法，及时发现自动驾驶车辆异常并预警上报，可有效降低维修成本，提高自动驾驶行车可靠性。

2、本发明的技术方案具体如下：

3、一种基于数据分布的自动驾驶车辆异常行驶状态检测方法，包括以下步骤：

4、步骤1、建立标准数据库，将历史正常行驶数据存入标准数据库中；

5、步骤2、对历史正常行驶数据进行清洗，筛除异常数据；

6、步骤3、依据道路曲率将历史正常行驶数据中的行驶路径划分为不同等级的行驶区间；

7、步骤4、计算每个行驶区间横向偏差的均值和标准差，所述横向偏差指车辆行驶路径与标准路径的横向偏离距离；

8、步骤5、采集当前自动驾驶车辆的行驶数据，并对行驶数据进行清洗；

9、步骤6、依据最近点原则将标准路径中各点所在的行驶区间等级匹配至清洗后的行驶数据；

10、步骤7、计算行驶数据中每个行驶区间横向偏差的均值和标准差；

11、步骤8、分别基于kl散度法和高斯分布法对行驶数据进行异常检测，将两种方法检测出的异常行驶区间取并集输出，将剩余行驶区间内数据存入标准数据库。

12、优选的，所述步骤2和步骤5中数据清理的方法为：首先，判断自动驾驶模式下以小于某一速度行驶时的横向偏差是否大于设定阈值，若大于设定阈值则将该部分数据滤除；其次，判断行驶路径相邻点之间的横向偏差变化值是否超过设定阈值，若超过则将相邻点中的后者数据滤除。

13、优选的，所述步骤3中不同等级的行驶区间划分的方式为：首先将标准路径按曲率大小划分为三个等级的行驶区间，然后，设置行驶区间最短距离，对于行驶区间长度小于最短距离的行驶区间，将其并入下一行驶区间，合并完成后，统计行驶区间内各等级出现的频次，以频次最高的等级作为此行驶区间的等级。

14、优选的，所述步骤8中基于kl散度法的异常检测方法为：

15、(1)采用以下公式计算行驶数据中每个行驶区间横向偏差数据与标准数据库中每个行驶区间横向偏差数据的kl散度值：

16、

17、式中，μ1是标准数据库中行驶区间的横向偏差均值，μ2是行驶数据中行驶区间的横向偏差均值，σ1是标准数据库中行驶区间的横向偏差标准差，σ2是行驶数据中行驶区间的横向偏差标准差；

18、(2)对每个行驶区间设定对应的kl散度阈值，将各个行驶区间的kl散度值与对应的kl散度阈值进行比较，若超过阈值，认定为数据异常，否则为正常。

19、优选的，所述步骤8中基于高斯分布法的异常检测方法为：基于标准数据库计算每个行驶区间的3σ1范围，σ1是标准数据库中行驶区间的横向偏差标准差，判断行驶数据中各行驶区间中在3σ1外的数据量是否超过0.3％，若超过，则认定此行驶区间数据异常，否则为正常。

20、相比于现有技术，本发明的有益效果在于：

21、1.本发明提出的一种基于数据分布的自动驾驶车辆异常行驶状态检测方法，基于串行的kl散度法与高斯分布法进行异常检测，能够避免因车辆数据过多或不足导致的误检及漏检，提高了检测方法的准确性。

22、2.本发明提出的一种基于数据分布的自动驾驶车辆异常行驶状态检测方法，采用横向偏差作为异常检测项，其所用数据基于日常行车的上传日志，无需额外传感器，成本低。

23、3.本发明提出的一种基于数据分布的自动驾驶车辆异常行驶状态检测方法，考虑到行驶道路存在弯道，弯道处的横向偏差与直道的横向偏差分布差异，根据曲率对行驶区域进行划分，分别对每个行驶区间均进行异常检测，提高了检测的精准性。

技术特征：

1.一种基于数据分布的自动驾驶车辆异常行驶状态检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于数据分布的自动驾驶车辆异常行驶状态检测方法，其特征在于，所述步骤2和步骤5中数据清理的方法为：首先，判断自动驾驶模式下以小于某一速度行驶时的横向偏差是否大于设定阈值，若大于设定阈值则将该部分数据滤除；其次，判断行驶路径相邻点之间的横向偏差变化值是否超过设定阈值，若超过则将相邻点中的后者数据滤除。

3.根据权利要求1所述的一种基于数据分布的自动驾驶车辆异常行驶状态检测方法，其特征在于，所述步骤3中不同等级的行驶区间划分的方式为：首先将标准路径按曲率大小划分为三个等级的行驶区间，然后，设置行驶区间最短距离，对于行驶区间长度小于最短距离的行驶区间，将其并入下一行驶区间，合并完成后，统计行驶区间内各等级出现的频次，以频次最高的等级作为此行驶区间的等级。

4.根据权利要求1所述的一种基于数据分布的自动驾驶车辆异常行驶状态检测方法，其特征在于，所述步骤8中基于kl散度法的异常检测方法为：

5.根据权利要求1所述的一种基于数据分布的自动驾驶车辆异常行驶状态检测方法，其特征在于，所述步骤8中基于高斯分布法的异常检测方法为：基于标准数据库计算每个行驶区间的3σ1范围，σ1是标准数据库中行驶区间的横向偏差标准差，判断行驶数据中各行驶区间中在3σ1外的数据量是否超过0.3％，若超过，则认定此行驶区间数据异常，否则为正常。

技术总结本发明涉及自动驾驶故障诊断技术领域，提出了一种基于数据分布的自动驾驶车辆异常行驶状态检测方法。该检测方法采用KL散度进行横向偏差(横向偏差指车辆实际运行位置与标准路径的横向偏离距离)数据异常检测以及基于高斯分布的瞬时状态异常检测的串行检测法，及时发现自动驾驶车辆异常并预警上报，可有效降低维修成本，提高自动驾驶行车可靠性。技术研发人员：余贵珍,张一方,李涵,张传莹,王章宇受保护的技术使用者：北京航空航天大学技术研发日：技术公布日：2024/3/31