本申请涉及一种基于多层聚类的无人自主系统性能模式分析方法及装置。所述方法包括:根据均值漂移聚类技术对样本集合进行初始聚类,得到多个初始类簇;初始类簇为无人机自主系统在不同场景下的性能模式集合;利用DBSCAN聚类方法对初始类簇进行聚类,生成关于边界区域的子聚簇集合;利用KNN算法对子聚簇集合中性能模式标签不同的两个类簇进行计算,生成场景边界;根据场景边界进行无人自主系统性能模式区分。采用本方法能够提高无人自主系统性能分析效率。
背景技术
随着无人自主系统的快速发展,出现了边界场景的识别问题,研究人员把边界场景定义在参数值达到或接近无人自主系统性能极限时。解决这一问题的方法比如依靠定义关键变量的最大值和最小值来进行边界值分析,寻找接近关键输入参数极值的边界场景,从而在极端和边缘条件下测试无人智能系统性能,但是该方法的缺点是处理更复杂和多变的系统时,设置边界值大小的难度和分析边界值的成本将显著增加。另外基于实际交通数据生成场景并进行性能测试和评估的场景生成方法严重依赖实时场景数据,还涉及计算资源消耗的问题。
这些方法多关注安全与不安全的界限,但是对于无人机集群来说,关注其在不同场景中的不同性能模式更有意义。目前的自适应采样算法,通过利用试验信息逐步将采样像可能发生性能模式关键转变的区域。但是根据所得采样结果,无法直接对性能模式的边界进行解析,迫切地需要一种新的方法来高效地划分不同地性能模式对应地场景。
实现思路