面向极端难例的自适应融合学习自动驾驶安全决策方法

1.本发明涉及自动驾驶技术领域，尤其涉及一种面向极端难例的自适应融合学习自动驾驶安全决策方法。


背景技术：

2.自动驾驶汽车是一种创新的交通工具，使用先进的传感器、算法和决策系统来实现无人驾驶。自动驾驶技术的发展为人们提供了更安全、高效和便捷的出行方式。然而，面临的挑战是确保自动驾驶汽车在各种复杂和特殊情况下的安全决策能力，尤其是在极端难例的处理上。
3.极端难例是指正常行驶条件下较为罕见或复杂的交通情况。这些情况可能包括恶劣天气条件、道路施工、未知的交通标志和无法预测的其他驾驶行为等。极端难例主要涉及三个层面：传感器层面、数据内容层面和方法层面三类。传感器层面的极端难例主要由传感器(激光雷达、摄像头、雷达)的硬件损坏或某些物理因素(激光束不反射、光线过曝、脉冲被干扰)引发；数据内容层面的极端难例主要由未知目标(由于灰尘、蚊虫等影响产生未定义的目标)或对数据有歧义(人行横道的清扫车，不同地区的标识牌定义不同等)而引发；方法层面的极端难例是由系统所应用的方法本身(算法、拓扑结构、系统架构、装置部署等)的固有偏差所引发。处理极端难例对于自动驾驶汽车的安全性和可靠性至关重要，因为这些情况可能导致常规算法和模型无法准确预测和决策，从而增加事故风险。
4.目前，现有技术中的在面对极端难例的自动驾驶安全决策方法包括：
5.1.强化学习决策模型：使用强化学习方法来训练自动驾驶汽车的决策模型。这种方法通过与环境的交互学习最优的驾驶策略，可以在复杂的驾驶情况下提供较好的决策性能。研究人员通过使用深度强化学习算法，如深度q网络(deep q-networks，dqn)和策略梯度方法，来训练自动驾驶汽车在各种极端难例下做出安全决策。
6.2.模型预测控制(model predictive control，mpc)：模型预测控制是一种基于优化的控制方法，用于在给定约束条件下生成最优的驾驶轨迹。该方法可以考虑到车辆动力学、环境约束和极端难例等因素，以生成适应特定场景的安全决策。研究人员已经将mpc方法应用于自动驾驶系统中，以提高在复杂和特殊情况下的驾驶决策性能。
7.3.数据增强与对抗训练：这种方法通过数据增强和对抗训练的方式提高自动驾驶系统在处理极端难例时的性能。数据增强技术可以通过合成数据、图像变换和噪声注入等方法扩充训练数据集，使得系统能够更好地适应不同的极端难例。对抗训练则通过引入对抗样本来增强系统的鲁棒性和抗干扰能力，使其能够在复杂情况下做出更准确的决策。
8.上述现有技术中的在面对极端难例的自动驾驶安全决策方法的缺点包括：
9.限制于常见情况：现有的自动驾驶系统往往更擅长处理常见的驾驶情况，而对于罕见或复杂的极端难例，缺乏准确的决策能力。这可能导致系统无法及时、准确地应对突发状况，不能有效防范事故风险。
10.限于数据的充分性和多样性，导致模型的泛化能力有限：在面对极端难例时，数据
的充分性和多样性对于准确的决策至关重要。然而，现有技术可能无法收集到足够的极端难例数据，导致模型训练的覆盖范围有限，对于新场景的决策能力较弱。
11.缺乏对未知情况的适应性：现有技术对于未知情况的处理能力有限。当面临无法识别的交通标志、新型障碍物或极端天气条件时，现有系统可能无法生成足够安全的恰当的决策，从而影响自动驾驶系统的安全性和稳定性。
12.学习模型单一，缺乏多模型的有效集成融合来提高自动驾驶决策的安全性、准确性和可靠性。


技术实现要素：

13.本发明的实施例提供了一种面向极端难例的自适应融合学习自动驾驶安全决策方法，以实现有效提高自动驾驶汽车的安全性、可靠性和适应性。
14.为了实现上述目的，本发明采取了如下技术方案。
15.一种面向极端难例的自适应融合学习自动驾驶安全决策方法，包括：
16.通过传感器采集极端难例的场景数据，对极端难例的场景数据进行预处理，对预处理后的场景数据进行特征提取和选择：
17.基于深度自编码卷积神经网络构建极端难例场景模型，利用分类标注的极端难例特征数据对极端难例场景模型进行训练和优化，得到训练好的极端难例场景模型；
18.利用训练好的极端难例场景模型进行极端难例危险场景的安全决策。
19.优选地，所述的通过传感器采集极端难例的场景数据，对极端难例的场景数据进行预处理，对预处理后的场景数据进行特征提取和选择，包括：
20.使用多种传感器对极端难例的周围环境进行感知和采集，获取极端难例的场景数据，该场景数据包括道路信息、障碍物位置和交通标志等数据；
21.对采集到的极端难例的场景数据进行预处理，该预处理包括去噪、校正和配准，
22.基于卷积神经网络dan对预处理后的极端难例的场景数据进行特征提取和特征分类选择，得到分类标注的极端难例特征数据。
23.优选地，所述的基于深度自编码卷积神经网络构建极端难例场景模型，利用分类标注的极端难例特征数据对极端难例场景模型进行训练和优化，得到训练好的极端难例场景模型，包括：
24.基于深度自编码卷积神经网络构建极端难例场景模型，该极端难例场景模型包括场景数据输入模块、特征提取模块和预测分类模块，所述场景数据输入模块接收和处理来自传感器的场景数据输入数据，为每个数据样本添加难例类别标签，所述特征提取模块使用卷积神经网络从输入数据中提取极端难例的特征表示，该特征表示包括场景空间特性和场景时间特性，所述预测分类模块用于基于场景特征对极端难例进行预测分类，辨识危险场景特征；
25.利用分类标注的极端难例特征数据对极端难例场景模型进行训练和优化，得到训练好的极端难例场景模型，所述极端难例场景模型的训练过程包括：
26.根据设计好的网络结构，初始化极端难例场景模型的参数；
27.对收集到的极端难例场景数据进行预处理；
28.根据极端难例场景模型的预测分类结果和真实极端难例的对比，计算奖励信号，
评估极端难例场景模型性能的好坏；
29.基于奖励信号更新极端难例场景模型的参数。
30.优选地，所述的利用训练好的极端难例场景模型进行极端难例危险场景的安全决策，包括：
31.将待处理的极端难例的危险场景数据输入到训练好的极端难例场景模型，利用极端难例场景模型对极端难例的危险场景特征进行辨识和数学表征，将端难例场景模型辨识出的危险场景特征作为安全约束，并基于xgboost算法构建安全约束深度模型；
32.将极端难例场景模型输出的危险场景特征作为所述安全约束深度模型的输入，所述安全约束深度模型将危险场景特征作为安全约束条件进行推理，判断当前行车环境是否满足安全约束条件，生成面向极端难例的安全决策，所述安全决策包括：风险评估和避免、紧急制动和避让、紧急换道或躲避、预测和冲突解决和合规和法规遵循。
33.由上述本发明的实施例提供的技术方案可以看出，本发明提供了一种面向极端难例的深度融合自适应学习自动驾驶安全决策方法，具有重要的应用价值和市场潜力。通过智能分析和安全决策，该引擎能够有效提高自动驾驶汽车的安全性、可靠性和适应性，为实现自动驾驶技术的商业化应用做出贡献。
34.本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
35.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
36.图1为本发明实施例提供的一种面向极端难例的自适应融合学习自动驾驶安全决策方法的处理流程图；
37.图2为本发明实施例提供的一种基于dan-cnn的极端难例场景模型示意图。
具体实施方式
38.下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
39.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
40.本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术
语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
41.为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
42.本发明提供了一种面向极端难例的深度融合自适应学习自动驾驶汽车安全决策方法，旨在解决自动驾驶汽车在处理极端难例时的安全决策问题。该方法可以通过综合分析车载传感器数据、地图数据和实时交通数据等多源数据，来实现安全智能决策的生成和执行，从而提高自动驾驶汽车在处理极端难例时的安全性和可靠性。
43.本发明实施例通过融合集成cnn(convolutional neural networks，卷积神经网络)、dan(deep autoencoder，深度自编码器)、xgboost(extreme gradient boosting，极限梯度提升)等深度学习技术和决策优化技术构建一个智能决策引擎，以分析和预测各类极端难例的可能性和风险，从而提高自动驾驶汽车在复杂和特殊情况下的安全决策能力，包括极端难例的处理。
44.本发明实施例提供的一种面向极端难例的自适应融合学习自动驾驶安全决策方法的处理流程如图1所示，包括如下的处理步骤；
45.步骤s10.通过传感器采集极端难例的场景数据。
46.使用多种传感器，如摄像头、激光雷达、雷达等，对极端难例的周围环境进行感知和采集，获取极端难例的场景数据，该场景数据包括道路信息、障碍物位置和交通标志等数据。
47.步骤s20.对极端难例的场景数据进行预处理：
48.对采集到的极端难例的场景数据进行预处理，该预处理包括去噪、校正和配准等。预处理的目的是提高数据质量，减少噪声和误差对后续处理的影响。
49.步骤s30.特征提取和选择：
50.基于dan对预处理后的极端难例的场景数据进行特征提取和特征分类选择，得到分类标注的极端难例特征数据。特征提取阶段将原始数据转换为可用于决策的特征表示形式。特征分类选择则根据决策任务的需求，筛选和提取最相关的特征。
51.dan的训练过程是通过最小化输入数据与重构数据之间的差异来实现的。在训练期间，网络尝试学习一种紧凑而有信息量的编码表示，以便能够在解码器中准确地重构输入数据。这种训练方式使网络能够学习到输入数据中的重要特征，并且能够在编码和解码过程中捕捉到数据的非线性结构。dan是一种无监督式学习模型。它基于反向传播算法与最优化方法(如梯度下降法)，利用输入数据本身作为监督，来指导神经网络尝试学习一个映射关系，从而得到一个重构输出。在面向极端难例的异常检测场景下，异常对于正常来说是少数，所以我们认为，如果使用自编码器重构出来的输出跟原始输入的差异超出一定阈值(threshold)的话，原始时间序列即存在了异常。dan算法模型包含两个主要的部分：encoder(编码器)和decoder(解码器)。编码器的作用是把高维输入x编码成低维的隐变量h，从而强迫神经网络学习最有信息量的特征；解码器的作用是把隐藏层的隐变量h还原到初始维度，最好的状态就是解码器的输出xr能够完美地或者近似恢复出原来的输入,即xr≈x。
52.步骤s40.基于深度自编码卷积神经网络(dan-cnn)构建极端难例场景模型，图2为本发明实施例提供的一种基于dan-cnn的极端难例场景模型示意图。
53.利用分类标注的极端难例特征数据对极端难例场景模型进行训练和优化，得到训练好的极端难例场景模型。极端难例场景模型结构包含：
54.1)场景数据输入模块(input module)：
55.输入模块负责接收和处理来自传感器的场景数据输入数据，例如摄像头图像、激光雷达数据、雷达数据等。这些数据应涵盖各种极端难例场景，例如恶劣天气条件、复杂交通情况、紧急避险等。收集到的数据需要进行标注，即为每个数据样本添加正确的难例类别标签。
56.2)特征提取模块(feature extraction module)：
57.特征提取模块用于从输入数据中提取极端难例的特征表示。它使用卷积神经网络(cnn)提取场景空间特性、循环神经网络(rnn)提取场景时间特性，对输入数据进行处理和抽象，以捕捉关键的空间和时间特征。
58.3)预测分类模块(predictive classification module)：
59.输出模块负责基于场景特征对极端难例进行预测分类，并辨识危险场景特征。
60.极端难例场景模型训练过程：
[0061]-初始化模型参数：根据设计好的网络结构，初始化模型的参数。
[0062]-数据预处理：对收集到的极端难例场景数据进行预处理，例如图像数据的归一化、降噪和裁剪等。
[0063]-奖励计算：根据模型的预测分类结果和真实极端难例的对比，计算奖励信号，用于评估模型性能的好坏。
[0064]-更新模型参数：基于奖励信号更新模型的参数，以使模型能够更好地预测和学习极端难例场景危险特征。
[0065]
步骤s50.利用训练好的极端难例场景模型进行极端难例危险场景的安全决策。
[0066]
将待处理的极端难例的危险场景数据输入到训练好的极端难例场景模型，利用极端难例场景模型对极端难例的危险场景特征进行辨识和数学表征，将端难例场景模型辨识出的危险场景特征作为安全约束，并基于xgboost算法构建安全约束深度模型。将极端难例场景模型输出的危险场景特征将作为安全约束深度模型的输入，安全约束深度模型将危险场景特征作为安全约束条件进行推理，判断当前行车环境是否满足安全约束条件，基于此生成面向极端难例的安全决策。决策生成考虑了安全性、通行效率和乘客舒适性等因素，以提供最优的驾驶行为。最终生成的面向极端难例的安全决策包括以下几个方面：
[0067]
1)风险评估和避免：
[0068]
在面对极端难例场景时，首要任务是对风险进行评估并采取避免措施。这可以通过使用传感器数据和环境信息来识别潜在的危险情况，并及时采取行动来避免与这些危险因素发生碰撞或冲突。
[0069]
2)紧急制动和避让：
[0070]
当面临紧急情况时，如前方突然出现障碍物、其他车辆迅速靠近等，安全决策可能涉及进行紧急制动或避免碰撞。这需要快速评估情况并采取适当的行动，以确保车辆及其乘客的安全。
[0071]
3)紧急换道或躲避：
[0072]
在某些情况下，面对极端难例，安全决策可能包括紧急换道或躲避操作，以避免潜在的危险情况。这可能涉及评估周围车辆的速度和位置，并进行快速的路径规划和控制指令生成，以确保安全地完成换道或躲避动作。
[0073]
4)预测和冲突解决：
[0074]
面向极端难例的安全决策还需要考虑其他交通参与者的行为和意图。通过对周围车辆和行人的行为进行预测，并与自身的行驶路径进行冲突检测和解决，可以有效地避免潜在的危险情况。
[0075]
5)合规和法规遵循：
[0076]
在面对极端难例时，安全决策还需要考虑合规性和法规要求。自动驾驶系统必须遵循道路交通规则和法律，确保安全驾驶和与其他道路参与者的协调行驶。
[0077]
本发明在xgboost的目标函数的定义上融合了安全约束条件，因此是基于xgboost的安全约束深度模型，是xgboost方法在自动驾驶安全领域的创新性应用。基于xgboost的安全约束深度模型的核心思想可以概括为以下几个步骤：
[0078]
1)目标函数定义：首先，将安全约束条件进行数学表征生成安全约束正则项，基于安全约束正则项定义目标函数。
[0079]
2)逐步优化：在每一轮迭代中，xgboost根据当前模型的预测结果计算残差(即实际值与当前预测值之间的差异)，然后训练一个新的弱分类器来预测这些残差。
[0080]
3)弱分类器的训练：xgboost使用决策树作为弱分类器。决策树根据特征的划分规则将数据集分成不同的子集，并为每个子集分配一个预测值。在训练过程中，xgboost通过优化目标函数来选择最佳的划分规则和预测值，以使得残差最小化。
[0081]
4)更新模型：在每一轮迭代中，xgboost将新的弱分类器与之前的模型相加，从而更新模型的预测结果。通过迭代多轮，模型将不断优化，逐步减少目标函数的值。
[0082]
5)控制过拟合：为了控制过拟合，xgboost引入了正则化项，包括树的复杂度惩罚和叶子节点权重的l1和l2正则化。这些正则化项在每一轮迭代中加到目标函数中，以避免模型过于复杂。
[0083]
xgboost的目标函数结构表示为：
[0084][0085]
其中，l是损失函数，用于衡量实际值yi和模型预测值之间的差异。ω是安全约束正则项，用于融合安全约束条件。fk表示第k个弱分类器(决策树)。目标函数通过迭代优化来求解最佳的模型参数θ。在每一轮迭代中，xgboost根据当前模型的预测结果计算损失函数的梯度，并将其作为残差进行训练新的弱分类器。然后，根据新的弱分类器的预测结果更新模型，并继续下一轮迭代。通过迭代多轮，模型将逐步优化，使目标函数的值不断减小。
[0086]
6.实时监控与反馈：在决策过程中，系统实时监控车辆和环境的状态，并根据反馈信息对决策进行调整和优化，从而提高决策的实时性和准确性，并及时应对动态变化的驾驶情况。
[0087]
综上所述，本发明实施例方法提高了自动驾驶汽车在处理极端难例时的安全性和可靠性。能够准确预测各种极端难例的可能性和风险，从而采取相应的安全措施。提出了创新的cnn、dan、xgboost集成融合深度学习技术。基于cnn、dan、xgboost集成融合深度学习技术和决策优化技术的安全决策方法能够不断学习学习安全状态与危险状态和优化安全决策，适应不同的交通环境和驾驶情况。
[0088]
本发明实施例方法不断学习学习行车安全状态与危险状态，能够分析和预测各种极端难例的可能性和风险，生成并优化安全决策。该方法通过实时感知和极端难例场景数据收集、数据预处理和特征分类提取、模型训练和优化、决策生成和实时监控与反馈等步骤，实现了对极端难例的安全智能响应。
[0089]
本发明的安全决策方法在自动驾驶汽车的安全性和可靠性方面具有重要意义。通过对各种极端难例的准确分析和预测，能够及时采取合适的安全措施，保证车辆和乘客的安全。该引擎的优势在于其综合考虑了自动驾驶系统数据、感知数据、地图数据、实时交通数据等多源异构数据，并通过cnn、dan、xgboost集成融合深度学习技术和决策优化技术进行安全智能决策生成。
[0090]
在实际应用中，本发明的安全决策方法可以与现有的自动驾驶系统集成，提升其在处理极端难例时的性能。通过大规模的仿真实验和实际道路测试，可以验证引擎的性能和安全性，并进行必要的改进和优化。
[0091]
本发明提供了一种面向极端难例的深度融合自适应学习自动驾驶安全决策方法，具有重要的应用价值和市场潜力。通过智能分析和安全决策，该引擎能够有效提高自动驾驶汽车的安全性、可靠性和适应性，为实现自动驾驶技术的商业化应用做出贡献。
[0092]
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
[0093]
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
[0094]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0095]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围
为准。

技术特征：
1.一种面向极端难例的自适应融合学习自动驾驶安全决策方法，其特征在于，包括：通过传感器采集极端难例的场景数据，对极端难例的场景数据进行预处理，对预处理后的场景数据进行特征提取和选择：基于深度自编码卷积神经网络构建极端难例场景模型，利用分类标注的极端难例特征数据对极端难例场景模型进行训练和优化，得到训练好的极端难例场景模型；利用训练好的极端难例场景模型进行极端难例危险场景的安全决策。2.根据权利要求1所述的方法，其特征在于，所述的通过传感器采集极端难例的场景数据，对极端难例的场景数据进行预处理，对预处理后的场景数据进行特征提取和选择，包括：使用多种传感器对极端难例的周围环境进行感知和采集，获取极端难例的场景数据，该场景数据包括道路信息、障碍物位置和交通标志等数据；对采集到的极端难例的场景数据进行预处理，该预处理包括去噪、校正和配准，基于卷积神经网络dan对预处理后的极端难例的场景数据进行特征提取和特征分类选择，得到分类标注的极端难例特征数据。3.根据权利要求2所述的方法，其特征在于，所述的基于深度自编码卷积神经网络构建极端难例场景模型，利用分类标注的极端难例特征数据对极端难例场景模型进行训练和优化，得到训练好的极端难例场景模型，包括：基于深度自编码卷积神经网络构建极端难例场景模型，该极端难例场景模型包括场景数据输入模块、特征提取模块和预测分类模块，所述场景数据输入模块接收和处理来自传感器的场景数据输入数据，为每个数据样本添加难例类别标签，所述特征提取模块使用卷积神经网络从输入数据中提取极端难例的特征表示，该特征表示包括场景空间特性和场景时间特性，所述预测分类模块用于基于场景特征对极端难例进行预测分类，辨识危险场景特征；利用分类标注的极端难例特征数据对极端难例场景模型进行训练和优化，得到训练好的极端难例场景模型，所述极端难例场景模型的训练过程包括：根据设计好的网络结构，初始化极端难例场景模型的参数；对收集到的极端难例场景数据进行预处理；根据极端难例场景模型的预测分类结果和真实极端难例的对比，计算奖励信号，评估极端难例场景模型性能的好坏；基于奖励信号更新极端难例场景模型的参数。4.根据权利要求3所述的方法，其特征在于，所述的利用训练好的极端难例场景模型进行极端难例危险场景的安全决策，包括：将待处理的极端难例的危险场景数据输入到训练好的极端难例场景模型，利用极端难例场景模型对极端难例的危险场景特征进行辨识和数学表征，将端难例场景模型辨识出的危险场景特征作为安全约束，并基于xgboost算法构建安全约束深度模型；将极端难例场景模型输出的危险场景特征作为所述安全约束深度模型的输入，所述安全约束深度模型将危险场景特征作为安全约束条件进行推理，判断当前行车环境是否满足安全约束条件，生成面向极端难例的安全决策，所述安全决策包括：风险评估和避免、紧急制动和避让、紧急换道或躲避、预测和冲突解决和合规和法规遵循。

技术总结
本发明提供了一种面向极端难例的自适应融合学习自动驾驶安全决策方法。该方法包括：通过传感器采集极端难例的场景数据，对极端难例的场景数据进行预处理，对预处理后的场景数据进行特征提取和选择：基于深度自编码卷积神经网络构建极端难例场景模型，利用分类标注的极端难例特征数据对极端难例场景模型进行训练和优化，得到训练好的极端难例场景模型；利用训练好的极端难例场景模型进行极端难例危险场景的安全决策。本发明方法通过实时感知和极端难例场景数据收集、数据预处理和特征分类提取、模型训练和优化、决策生成和实时监控与反馈等步骤，实现了对极端难例的安全智能响应。能够分析和预测各种极端难例的可能性和风险，生成并优化安全决策。生成并优化安全决策。生成并优化安全决策。


技术研发人员：梁茨 王睿 郑伟 赵明阳
受保护的技术使用者：北京交通大学
技术研发日：2023.06.20
技术公布日：2023/9/20