CN109753065B - 自动驾驶车辆的环境建模能力评估方法及*** - Google Patents
自动驾驶车辆的环境建模能力评估方法及*** Download PDFInfo
- Publication number
- CN109753065B CN109753065B CN201811641333.7A CN201811641333A CN109753065B CN 109753065 B CN109753065 B CN 109753065B CN 201811641333 A CN201811641333 A CN 201811641333A CN 109753065 B CN109753065 B CN 109753065B
- Authority
- CN
- China
- Prior art keywords
- weight
- vehicle
- level
- entity
- risk
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供一种自动驾驶车辆的环境建模能力评估方法及***,属于智能交通领域。所述方法包括:构建针对环境建模能力的多边形能力图,其每一顶点被配置为代表一个层级;获取每一层级中与环境建模相关联的若干个实体的实体属性信息;结合实体属性信息来确定对应实体对车辆行驶安全的重要程度,并根据该重要程度向每一实体分配权重;获取车载传感***正确探测到各个实体的准确度;结合准确度和权重,计算每一层级的权重总得分;以及将权重总得分显示在多边形能力图中以形成环境建模能力图。本发明能得到基于多个层级的车辆的环境建模能力图,有助于确定各层级的环境建模得分以及进行与其他版本车辆及竞品车辆的环境建模能力对比。
Description
技术领域
本发明涉及智能交通领域,具体地涉及一种自动驾驶车辆的环境建模能力评估方法及***。
背景技术
目前,自动驾驶车辆的自动驾驶***(Autonomous Driving System,简称ADS)可分为环境感知、数据融合、决策***、控制***、执行***五部分。其中,环境感知是指通过车载传感***提取车辆、行人、道路、交通标示等车辆当前行驶环境信息,并将提取到的信息传输给其他***以实现自动驾驶的路径规划和车辆行为控制。
因此,可知环境感知是ADS的信息基础,现阶段对自动驾驶安全的重要要求就是如何能使自动驾驶车辆行驶得像正常车辆,不给环境造成困扰,并且符合人类司机的认知和预判。环境建模则是环境感知的重要部分,环境建模是对当前车辆所处环境的描述,其融合了多传感器和云端输入,旨在生成对环境精确、稳定的描述,并输出相应环境模型为车辆行驶规划提供支持。
但是,现有技术中缺少对自动驾驶车辆的环境建模能力的评估,使得最终得到的环境模型并不符合“精确”和“稳定”的要求,甚至有的环境模型只能对环境进行了单一方面或极少方面的描述,并不足以支持车辆行驶规划。
发明内容
本发明实施例的目的是提供一种自动驾驶车辆的环境建模能力评估方法及***,用于解决现有技术中缺少对自动驾驶车辆的环境建模能力的评估方案的技术问题。
为了实现上述目的,本发明实施例提供一种自动驾驶车辆的环境建模能力评估方法,包括:构建针对环境建模能力的多边形能力图,且所述多边形能力图的每一顶点被配置为代表一个影响所述环境建模能力的层级;针对每一层级,获取该层级中与环境建模相关联的若干个实体的实体属性信息;结合所述实体属性信息来确定对应实体对车辆行驶安全的重要程度,并根据所述重要程度向每一实体分配权重,其中重要程度越高,则权重越大,且各层级之间的实体的权重分配相互独立;获取所述自动驾驶车辆的车载传感***正确探测到各个实体的准确度;结合所述每一层级中各个实体对应的所述准确度和所述权重,计算所述每一层级的权重总得分;以及将所述权重总得分显示在所述多边形能力图中,以形成环境建模能力图,并基于所述环境建模能力图来评估所述自动驾驶车辆的环境建模能力。
可选地,所述多边形能力图为五边形图,且其五个顶点对应的层级分别为障碍物层级、本车层级、地图层级、宏观环境层级和工程层级。其中,所述障碍物层级包括以下实体中的任意一者或多者:机动车、非机动车、行人、道路安全警示设施以及这四种实体之外的其他实体;所述本车层级包括以下实体中的任意一者或多者:整车、自动驾驶***以及人员状态;所述地图层级包括以下实体中的任意一者或多者:车道信息、路沿信息、道路信息以及导航信息;所述宏观环境层级包括以下实体中的任意一者或多者:地理位置、天气、光照、时间、路面信息、传感器有效感知范围以及声音预警;所述工程层级包括以下实体中的任意一者或多者:环境建模的耗时、环境建模的资源占用以及环境建模的稳定性。
可选地,所述结合所述实体属性信息来确定对应实体对车辆行驶安全的重要程度包括:根据所述自动驾驶车辆的本车车身坐标系将车辆四周环境划分为若干个道路区域;结合所述实体属性信息,判断对应实体所处的道路区域;根据所述自动驾驶车辆在所述道路区域内需承担的事故责任比例来确定该道路区域内存在的实体对车辆行驶安全的重要程度,其中所述事故责任比例越高,则所述重要程度也越高。
可选地,所述道路区域包括高危区和非高危区以及所述高危区和非高危区下进一步划分的若干个子区域,且根据所述自动驾驶车辆在高危区、非高危区及两者对应的子区域需承担的事故责任比例来确定高危区、非高危区及各个子区域的权重。据此,所述计算所述每一层级的权重总得分包括:基于预设的准确度标准,对各子区域对应的所述准确度进行归一化处理;将归一化处理之后的所述准确度与对应的实体的权重相乘,得到每一实体在不同子区域的纵向权重得分,并将所述每一层级中的所有实体的纵向权重得分相加,得到对应层级在不同子区域的纵向权重得分,并计算各个层级的纵向权重得分相比于预设总得分的纵向得分比值;将各个子区域的权重与对应的纵向得分比值相乘,得到标准化权重得分;将高危区下的子区域对应的标准化权重得分相加,再对应与高危区的权重相乘,再除以高危区下的所有子区域的权重之和,得到高危区的权重得分,再对非高危区进行相同处理得到非高危区的权重得分;将高危区的权重得分和非高危区的权重得分相加,得到所述每一层级的权重总得分。
另一方面,本发明还提供一种自动驾驶车辆的环境建模能力评估***,包括:能力图构建模块,用于构建针对环境建模能力的多边形能力图,且所述多边形能力图的每一顶点被配置为代表一个影响所述环境建模能力的层级;信息获取模块,用于针对每一层级,获取该层级中与环境建模相关联的若干个实体的实体属性信息;以及用于获取所述自动驾驶车辆的车载传感***正确探测到各个实体的准确度;权重分配模块,用于结合所述实体属性信息来确定对应实体对车辆行驶安全的重要程度,并根据所述重要程度向每一实体分配权重,其中重要程度越高,则权重越大,且各层级之间的实体的权重分配相互独立;计算模块,用于结合所述每一层级中各个实体对应的所述准确度和所述权重,计算所述每一层级的权重总得分;以及评估模块,用于将所述权重总得分显示在所述多边形能力图中,以形成环境建模能力图,并基于所述环境建模能力图来评估所述自动驾驶车辆的环境建模能力。
可选地,所述权重分配模块包括:区域划分子模块,用于根据所述自动驾驶车辆的本车车身坐标系将车辆四周环境划分为若干个示出不同位置的道路区域;区域判断子模块,用于结合所述实体的所述实体属性信息,判断对应实体所处的道路区域;确定子模块,用于根据所述自动驾驶车辆在所述道路区域内需承担的事故责任比例来确定该道路区域内存在的实体对车辆行驶安全的重要程度,其中所述事故责任比例越高,则所述重要程度也越高;以及分配子模块,用于根据所述重要程度向每一实体分配权重。
可选地,所述区域划分子模块所划分的道路区域包括高危区和非高危区以及在所述高危区和非高危区下进一步划分的若干个子区域;所述确定子模块根据所述自动驾驶车辆在高危区、非高危区及两者对应的子区域需承担的事故责任比例来确定高危区、非高危区及各个子区域的权重。据此,所述计算模块包括:第一计算子模块,用于基于预设的准确度标准,对所述准确度进行归一化处理;第二计算子模块,用于将归一化处理之后的所述准确度与对应的实体的权重相乘,得到每一实体在各个子区域的纵向权重得分,并将所述每一层级中的所有实体的纵向权重得分相加,得到对应层级在各个子区域的纵向权重得分,并计算各个层级的纵向权重得分相比于预设总得分的纵向得分比值;第三计算子模块,用于将各个子区域的权重与对应的纵向得分比值相乘,得到标准化权重得分;第四计算子模块,用于将高危区下的子区域对应的标准化权重得分相加,再对应与高危区的权重相乘,再除以高危区下的所有子区域的权重之和,得到高危区的权重得分,再对非高危区进行相同处理得到非高危区的权重得分;第五计算子模块,用于将高危区的权重得分和非高危区的权重得分相加,得到所述每一层级的权重总得分。
另一方面,本发明还提供一种计算机设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上所述的自动驾驶车辆的环境建模能力评估方法。
另一方面,本发明提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行上述的自动驾驶车辆的环境建模能力评估方法。
通过上述技术方案,本发明通过多个层级对自动驾驶车辆的环境建模能力进行了评估,构建了环境建模能力图,该环境建模能力图能使技术人员一目了然地看出各层级在环境建模中的得分,从而对得分较低的层级进行技术改进。另外,通过不同版本的车辆对应的环境建模能力图,能够清楚地看到环境建模的能力提升,通过对比竞品车辆的环境建模能力图,能够清楚地获知自己产品在环境建模方面的不足之处,以便及时进行改进。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明实施例的一种自动驾驶车辆的环境建模能力评估方法的流程示意图;
图2是本发明实施例的示例中的五边形能力图;
图3是本发明优选的实施例中确定车辆行驶安全的重要程度的流程示意图;
图4是本发明实施例的示例中的道路区域示意图;
图5是本发明优选的实施例的示例中计算所述每一层级的权重总得分的流程示意图;
图6是本发明实施例中以障碍物层级为例的建模能力评估指标的示意图;
图7是图6所对应的示例的横向权重得分计算与总得分计算的过程的示意图;
图8是本发明实施例的以障碍物层级为例得到的环境建模能力图;以及图9是本发明实施例的一种自动驾驶车辆的环境建模能力评估***的结构示意图。
附图标记说明
100 能力图构建模块 200 信息获取模块
300 权重分配模块 400 计算模块
500 评估模块 310 区域划分子模块
320 区域判断子模块 330 确定子模块
340 分配子模块 410 第一计算子模块
420 第二计算子模块 430 第三计算子模块
440 第四计算子模块 450 第五计算子模块
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
在本发明实施例中,在未作相反说明的情况下,使用的方位词如“远、中、近”等都是基于相应轮廓而言,可结合本发明实施例中的具体描述及附图进行理解。
图1是本发明实施例的一种自动驾驶车辆的环境建模能力评估方法的流程示意图。如图1所示,所述环境建模能力评估方法可以包括以下步骤:
步骤S100,构建针对环境建模能力的多边形能力图,且所述多边形能力图的每一顶点被配置为代表一个影响所述环境建模能力的层级。
其中,需要选择通过几个层级来描述环境建模能力,就可以对应选择几边形的能力图。
举例而言,本发明实施例将所述多边形能力图配置为五边形图,且其五个顶点对应的层级分别为障碍物层级、本车层级、地图层级、宏观环境层级和工程层级。各个层级包括的实体及实体的属性信息如表1所示。
表1 层级构成表
其中,各个层级可包括表1内对应的实体中的一者或多者,因此可理解的是,在一些场景下,可省略表1中的部分实体,具体选择的实体需根据实际情况来确定。另外,上述各个层级也不是都必须要具备的,本领域技术人员也可根据实际情况进行删减或添加。需说明的是,其中的障碍物层级、本车层级、地图层级、宏观环境层级都明显与环境建模相关,是特定用于评估环境建模能力的,而工程能力主要用于对***的性能、资源、稳定性进行评估,其不仅在环境建模能力评估中适用,在针对其他***的能力评估中也适用。
图2是本发明实施例的示例中的五边形能力图,可知上述示例中通过五个层级的设置,将环境建模能力分成了5个维度评估。参考图2,每个维度可大致分为5档,分别对应为1-5分,其中5分代表“环境建模理论能力上限”。
步骤S200,针对每一层级,获取该层级中与环境建模相关联的若干个实体的实体属性信息。
举例而言,可通过自动驾驶车辆的车载传感***来获取上述表1中的实体属性信息,另外还可通过CAN从车辆的其他***中获取需要的实体属性信息。
步骤S300,结合所述实体属性信息来确定对应实体对车辆行驶安全的重要程度,并根据所述重要程度向每一实体分配权重。
其中,重要程度越高,则权重越大,且各层级之间的实体的权重分配相互独立。
举例而言,对于机动车和道路安全警示设施,根据两者的属性描述及具体驾驶场景,可知机动车更不易进行行为预测,且机动车在驾驶场景中也更容易被遇到,从而障碍物是机动车明显比障碍物是道路安全警示设施更加影响车辆行驶安全,因此应分配机动车的权重高于道路安全警示设施。
图3是本发明优选的实施例中确定车辆行驶安全的重要程度的流程示意图。参考图3,针对步骤S300,结合所述实体属性信息来确定对应实体对车辆行驶安全的重要程度可以包括以下步骤:
步骤S310,根据所述自动驾驶车辆的本车车身坐标系将车辆四周环境划分为若干个道路区域。
其中,本车车身坐标系是以车辆后轴为y轴,车头正中间的中线为x轴,其在自动驾驶领域是最为常规的坐标系,在此不再进行赘述。
图4是本发明实施例的示例中的道路区域示意图。参考图4,该示例中,以本车为中心,可划分为主前近距区域、主后近距区域、侧前近距区域、侧后近距区域、主前中距区域、侧前中距区域、主前远距区域、侧前远距区域以及正侧区域,其中“主”为主车道区域,“侧”为主车道外、路沿内的区域;“近、中、远”是根据车辆在前车紧急刹车时,仍能保持安全的最小距离来确定,例如针对两种不同刹车能力的前车,该距离分别为60m和100m,则相对于本车,60m以内的范围“近”,60m至100m的范围为“中”,100m以外的范围为“远”;“前、后”是相对于车辆运行方向理解的;“正侧”则是指车辆左、右两侧的车辆大致平行的区域。
需说明的是,为便于描述,以下将主前近距区域、主前中距区域和主前远距区域简称称为“主前”,将主后近距区域简称为“主后”、将侧后近距区域简称为“侧后”,将侧前近距区域、侧前中距区域和侧前远距区域简称为“侧前”,将正侧区域简称为“正侧”。
步骤S320,结合所述实体属性信息,判断对应实体所处的道路区域。
举例而言,对于机动车,可根据其速度及行为预测确定其处于本车的主前或侧前等。
步骤S330,根据所述自动驾驶车辆在所述道路区域内需承担的事故责任比例来确定该道路区域内存在的实体对车辆行驶安全的重要程度。
其中所述事故责任比例越高,则所述重要程度也越高。
举例而言,对于主前和主后,主前内发生的追尾事故为本车追尾前车,而在主后内发生的追尾事故为后车追尾本车,明显在主前内发生追尾事故时,本车的事故责任比例会高于主后,从而各实体在主前对车辆行驶安全的重要程度更高。
可理解的是,对于表1中的部分实体,例如工程层级中的实体,其对车辆行驶安全的重要程度不受道路区域的限制,则可将其对应不同道路区域的所述重要程度设置为相同的定值来用于进行后续的计算。
步骤S400,获取所述自动驾驶车辆的车载传感***正确探测到各个实体的准确度。
举例而言,所述准确度包括所述实体被探测到的精确率和/或召回率。其中,精确率和召回率是数据评估中的常用指标,结合本发明实施例的应用场景,所述精确率例如是指前方有一辆车真实存在的概率,而召回率是指前方真实存在一辆车而该车被检测到存在的概率。精确率和召回率在此用于评估车载传感***对实体的探测的准确度。
步骤S500,结合所述每一层级中各个实体对应的所述准确度和所述权重,计算所述每一层级的权重总得分。
图5是本发明优选的实施例的示例中计算所述每一层级的权重总得分的流程示意图,该示例中,道路区域包括高危区和非高危区以及所述高危区和非高危区下进一步划分的若干个子区域(即子区域即主前、主后等),且根据所述自动驾驶车辆在高危区、非高危区及两者对应的子区域需承担的事故责任比例来确定高危区、非高危区及各个子区域的权重,以及获取所述车载传感***在各个所述子区域内正确探测到各个实体的准确度。
如图5所示,计算所述每一层级的权重总得分具体可包括以下步骤:
步骤S510,基于预设的准确度标准,对子区域对应的所述准确度进行归一化处理。
步骤S520,将归一化处理之后的所述准确度与对应的实体的权重相乘,得到每一实体在不同子区域的纵向权重得分,并将所述每一层级中的所有实体的纵向权重得分相加,得到对应层级在不同子区域的纵向权重得分。
步骤S530,计算各个层级的纵向权重得分相比于预设总得分的纵向得分比值。
步骤S540,将各个子区域的权重与对应的纵向得分比值相乘,得到标准化权重得分。
步骤S550,将高危区下的子区域对应的标准化权重得分相加,再对应与高危区的权重相乘,再除以高危区下的所有子区域的权重之和,得到高危区的权重得分,再对非高危区进行相同处理得到非高危区的权重得分。
步骤S560,将高危区的权重得分和非高危区的权重得分相加,得到所述每一层级的权重总得分。
关于步骤S510-步骤S560的具体实施细节,将在下文中结合示例进行描述,在此则不再赘述。
步骤S600,将所述权重总得分显示在所述多边形能力图中,以形成环境建模能力图,并基于所述环境建模能力图来评估所述自动驾驶车辆的环境建模能力。
据此,本发明实施例的环境建模能力评估方法通过多个层级对自动驾驶车辆的环境建模能力进行了评估,构建了环境建模能力图,该环境建模能力图能使技术人员一目了然地看出各层级在环境建模中的得分,从而对得分较低的层级进行技术改进。另外,通过不同版本的车辆对应的环境建模能力图,能够清楚地看到环境建模的能力提升,通过对比竞品车辆的环境建模能力图,能够清楚地获知自己产品在环境建模方面的不足之处,以便及时进行改进。
下面以表1中的障碍物层级为例,具体介绍上述步骤S100-步骤S600中得到环境建模能力图的过程。
图6是本发明实施例中以障碍物层级为例的建模能力评估指标的示意图。其中,高危区和非高危区根据车辆在前车紧急刹车时,仍能保持安全的最小距离来确定,该距离假设为60m,则相对于本车,60m以内的范围为高危区,60m以外的范围为非高危区。
参考图6,权重为被分为了四档,分别对应的分值为1、2、3、4,分别为圆圈的斜线填充度表示,每填充一条斜线代表具有1分,且根据实体对车辆行驶安全的重要程度及区域内本车需承担的事故责任比例来为各个实体和各个区域分配权重,分配结果如图6中不同斜线填充度的圆圈所示。
图6中,横向表示道路区域,高危区和非高危区的权重之和5,纵向表示实体,图6中只列出了单一时刻对应的实体的权重,省略了对连续时刻的实体权重分析,实际中还应有针对连续时刻的分析,因此将纵向实体的权重之和设为16,以便于后续计算。
根据图6,测量得知机动车在主前子区域的精确率和召回率分别为93%和85%,非机动车与行人(以下只用非机动车表示)的精确率和召回率也分别为93%和85%,据此,执行步骤S510,假设产品目标为精确率和召回率都为95%(即为准确度标准),且用于归一化处理的开始记分线为60%(若低于60%,则记为0)。如此,根据下式进行归一化处理:
机动车:(93-60)/(95-60)=0.94
(85-60)/(95-60)=0.71
非机动车:(93-60)/(95-60)=0.94
(85-60)/(95-60)=0.71
再执行步骤S520,将归一化处理之后的数值与对应实体的权重相乘(根据图6,机动车权重为3,非机动车权重为2),计算纵向权重得分的过程如下:
机动车:3*(0.94+0.71)/2=2.48
非机动车:2*(0.94+0.71)/2=1.65
其中,因为采用了精确率和召回率两个评估因子,故上式中需要除以2。
以此类推,可计算出机动车和非机动车在其他子区域的纵向权重得分以及障碍物层级的其他实体在各个子区域的纵向权重得分,将所有实体的纵向权重得分相加,得到障碍物层级在不同子区域的纵向权重得分,例如参考上述数据,障碍物层级在高危区的主前子区域的纵向权重得分为(2.48+1.65+……)=10,在其他子区域的计算与此类似。
图7是图6所对应的示例的横向权重得分计算与总得分计算的过程的示意图,其对应上述步骤S530-S560。
在步骤S530中,将上述障碍物层级的纵向权重得分(即(2.48+1.65+……)=10等等)相比于预设总得分(即16)。
在步骤S540中,将各个子区域的权重与对应的纵向得分比值相乘,得到标准化权重得分,例如上述计算出的障碍物层级在主前子区域的纵向得分之比为10/16,而主前区域本身的权重为4,则得到标准化权重得分为:
(10/16)×4=2.5
在步骤S550中,将高危区下的子区域对应的标准化权重得分相加(例如图7中,即2.5+0+1+1+1),再对应与高危区的权重相乘(高危区权重为3,即,3*(2.5+0+1+1+1)),再除以高危区下的所有子区域的权重之和(即除以11,其中(4+1+2+2+2)=11),得到高危区的权重得分。
同样地,得到非高危区的权重得分为2*(1+1.5)/3=1。
在步骤S560中,将高危区的权重得分和非高危区的权重得分相加,得到障碍物层级的权重总得分,即1.5+1=2.5。
将计算出的障碍物层级的权重总得分显示在图2的五边形能力图中,得到如图8所示的环境建模能力图,已知每个维度的环境建模理论能力上限为5分,而障碍物层级的权重总得分为2.5分。通过图8,可以清楚地看到自动驾驶车辆在障碍物层级的建模能力,并可通过环境建模能力图与其他版本的车辆及竞品车辆进行变化,以找出需要进行技术改进的层级。
图9是本发明实施例的一种自动驾驶车辆的环境建模能力评估***的结构示意图,该环境建模能力评估***与上述环境建模能力评估方法基于相同的发明思路。
如图9所示,所述环境建模能力评估***包括:能力图构建模块100,用于构建针对环境建模能力的多边形能力图,且所述多边形能力图的每一顶点被配置为代表一个影响所述环境建模能力的层级;信息获取模块200,用于针对每一层级,获取该层级中与环境建模相关联的若干个实体的实体属性信息,以及用于获取所述自动驾驶车辆的车载传感***正确探测到各个实体的准确度;权重分配模块300,用于结合所述实体属性信息来确定对应实体对车辆行驶安全的重要程度,并根据所述重要程度向每一实体分配权重,其中重要程度越高,则权重越大,且各层级之间的实体的权重分配相互独立;计算模块400,用于结合所述每一层级中各个实体对应的所述准确度和所述权重,计算所述每一层级的权重总得分;以及评估模块500,用于将所述权重总得分显示在所述多边形能力图中,以形成环境建模能力图,并基于所述环境建模能力图来评估所述自动驾驶车辆的环境建模能力。
在优选的实施例中,所述多边形能力图为五边形图,且其五个顶点对应的层级分别为障碍物层级、本车层级、地图层级、宏观环境层级和工程层级;其中,所述障碍物层级包括以下实体中的任意一者或多者:机动车、非机动车、行人、道路安全警示设施以及这四种实体之外的其他实体;其中,所述本车层级包括以下实体中的任意一者或多者:整车、自动驾驶***以及人员状态;其中,所述地图层级包括以下实体中的任意一者或多者:车道信息、路沿信息、道路信息以及导航信息;其中,所述宏观环境层级包括以下实体中的任意一者或多者:地理位置、天气、光照、时间、路面信息、传感器有效感知范围以及声音预警;其中,所述工程层级包括以下实体中的任意一者或多者:环境建模的耗时、环境建模的资源占用以及环境建模的稳定性。
在优选的实施例中,所述权重分配模块300包括:区域划分子模块310,用于根据所述自动驾驶车辆的本车车身坐标系将车辆四周环境划分为若干个示出不同位置的道路区域;区域判断子模块320,用于结合所述实体的所述实体属性信息,判断对应实体所处的道路区域;确定子模块330,用于根据所述自动驾驶车辆在所述道路区域内需承担的事故责任比例来确定该道路区域内存在的实体对车辆行驶安全的重要程度,其中所述事故责任比例越高,则所述重要程度也越高;以及分配子模块340,用于根据所述重要程度向每一实体分配权重。
在更为优选的实施例中,所述区域划分子模块310所划分的道路区域包括高危区和非高危区以及在所述高危区和非高危区下进一步划分的若干个子区域。所述确定子模块330根据所述自动驾驶车辆在高危区、非高危区及两者对应的子区域需承担的事故责任比例来确定高危区、非高危区及各个子区域的权重。
基于此,所述计算模块400可以包括:第一计算子模块410,用于基于预设的准确度标准,对子区域对应的所述准确度进行归一化处理;第二计算子模块420,用于将归一化处理之后的所述准确度与对应的实体的权重相乘,得到每一实体在各个子区域的纵向权重得分,并将所述每一层级中的所有实体的纵向权重得分相加,得到对应层级在各个子区域的纵向权重得分,并计算各个层级的纵向权重得分相比于预设总得分的纵向得分比值;第三计算子模块430,用于将各个子区域的权重与对应的纵向得分比值相乘,得到标准化权重得分;第四计算子模块440,用于将高危区下的子区域对应的标准化权重得分相加,再对应与高危区的权重相乘,再除以高危区下的所有子区域的权重之和,得到高危区的权重得分,再对非高危区进行相同处理得到非高危区的权重得分;第五计算子模块450,用于将高危区的权重得分和非高危区的权重得分相加,得到所述每一层级的权重总得分。
需说明的是,本发明实施例的环境建模能力评估***与上述实施例的环境建模能力评估方法的具体实施细节及效果相同或相似,在此不再赘述。
本发明另一实施例还提供一种计算机设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上所述的自动驾驶车辆的环境建模能力评估方法。
本发明另一实施例还提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行如上所述的自动驾驶车辆的环境建模能力评估方法。
对于计算机设备及机器可读存储介质中的自动驾驶车辆的环境建模能力评估方法可参考上述实施例进行理解,在此不再赘述。下面主要结合应用场景对计算机设备及机器可读存储介质进行进一步介绍。
本领域内的技术人员应明白,本发明实施例可提供为方法、装置(设备或***)、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置(设备或***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算机设备包括一个或多个处理器(CPU)、存储器、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本发明实施例可提供为方法、***或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范围内,可以对本发明实施例的技术方案进行多种简单变型,这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施例对各种可能的组合方式不再另行说明。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施例的思想,其同样应当视为本发明实施例所公开的内容。
Claims (10)
1.一种自动驾驶车辆的环境建模能力评估方法,其特征在于,所述环境建模能力评估方法包括:
构建针对环境建模能力的多边形能力图,且所述多边形能力图的每一顶点被配置为代表一个影响所述环境建模能力的层级;
针对每一层级,获取该层级中与环境建模相关联的若干个实体的实体属性信息;
结合所述实体属性信息判断对应实体的道路区域,并确定该道路区域内存在的实体对车辆行驶安全的重要程度,并根据所述重要程度向每一实体分配权重,其中重要程度越高,则权重越大,且各层级之间的实体的权重分配相互独立;其中所述道路区域包括高危区和非高危区以及所述高危区和非高危区下进一步划分的若干个子区域;
获取所述自动驾驶车辆的车载传感***正确探测到各个实体的准确度;
结合所述每一层级中各个实体对应的所述准确度和所述权重,计算所述每一层级的权重总得分,包括:
基于预设的准确度标准,对各子区域对应的所述准确度进行归一化处理;
将归一化处理之后的所述准确度与对应的实体的权重相乘,得到每一实体在不同子区域的纵向权重得分,并将所述每一层级中的所有实体的纵向权重得分相加,得到对应层级在不同子区域的纵向权重得分,并计算各个层级的纵向权重得分相比于预设总得分的纵向得分比值;
将各个子区域的权重与对应的纵向得分比值相乘,得到标准化权重得分;
将高危区下的子区域对应的标准化权重得分相加,再对应与高危区的权重相乘,再除以高危区下的所有子区域的权重之和,得到高危区的权重得分,再对非高危区进行相同处理得到非高危区的权重得分;
将高危区的权重得分和非高危区的权重得分相加,得到所述每一层级的权重总得分;以及
将所述权重总得分显示在所述多边形能力图中,以形成环境建模能力图,并基于所述环境建模能力图来评估所述自动驾驶车辆的环境建模能力。
2.根据权利要求1所述的自动驾驶车辆的环境建模能力评估方法,其特征在于,所述多边形能力图为五边形图,且其五个顶点对应的层级分别为障碍物层级、本车层级、地图层级、宏观环境层级和工程层级;
其中,所述障碍物层级包括以下实体中的任意一者或多者:机动车、非机动车、行人、道路安全警示设施以及这四种实体之外的其他实体;
其中,所述本车层级包括以下实体中的任意一者或多者:整车、自动驾驶***以及人员状态;
其中,所述地图层级包括以下实体中的任意一者或多者:车道信息、路沿信息、道路信息以及导航信息;
其中,所述宏观环境层级包括以下实体中的任意一者或多者:地理位置、天气、光照、时间、路面信息、传感器有效感知范围以及声音预警;
其中,所述工程层级包括以下实体中的任意一者或多者:环境建模的耗时、环境建模的资源占用以及环境建模的稳定性。
3.根据权利要求1所述的自动驾驶车辆的环境建模能力评估方法,其特征在于,所述确定该道路区域内存在的实体对车辆行驶安全的重要程度包括:
根据所述自动驾驶车辆在所述道路区域内需承担的事故责任比例来确定该道路区域内存在的实体对车辆行驶安全的重要程度,其中所述事故责任比例越高,则所述重要程度也越高。
4.根据权利要求3所述的自动驾驶车辆的环境建模能力评估方法,其特征在于,根据所述自动驾驶车辆在高危区、非高危区及两者对应的子区域需承担的事故责任比例来确定高危区、非高危区及各个子区域的权重。
5.一种自动驾驶车辆的环境建模能力评估***,其特征在于,所述环境建模能力评估***包括:
能力图构建模块,用于构建针对环境建模能力的多边形能力图,且所述多边形能力图的每一顶点被配置为代表一个影响所述环境建模能力的层级;
信息获取模块,用于针对每一层级,获取该层级中与环境建模相关联的若干个实体的实体属性信息,以及用于获取所述自动驾驶车辆的车载传感***正确探测到各个实体的准确度;
权重分配模块,用于结合所述实体属性信息判断对应实体的道路区域,并确定该道路区域内存在的实体对车辆行驶安全的重要程度,并根据所述重要程度向每一实体分配权重,其中重要程度越高,则权重越大,且各层级之间的实体的权重分配相互独立;其中所述道路区域包括高危区和非高危区以及所述高危区和非高危区下进一步划分的若干个子区域;
计算模块,用于结合所述每一层级中各个实体对应的所述准确度和所述权重,计算所述每一层级的权重总得分;以及
评估模块,用于将所述权重总得分显示在所述多边形能力图中,以形成环境建模能力图,并基于所述环境建模能力图来评估所述自动驾驶车辆的环境建模能力;
其中,所述计算模块包括:
第一计算子模块,用于基于预设的准确度标准,对子区域对应的所述准确度进行归一化处理;
第二计算子模块,用于将归一化处理之后的所述准确度与对应的实体的权重相乘,得到每一实体在各个子区域的纵向权重得分,并将所述每一层级中的所有实体的纵向权重得分相加,得到对应层级在各个子区域的纵向权重得分,并计算各个层级的纵向权重得分相比于预设总得分的纵向得分比值;
第三计算子模块,用于将各个子区域的权重与对应的纵向得分比值相乘,得到标准化权重得分;
第四计算子模块,用于将高危区下的子区域对应的标准化权重得分相加,再对应与高危区的权重相乘,再除以高危区下的所有子区域的权重之和,得到高危区的权重得分,再对非高危区进行相同处理得到非高危区的权重得分;
第五计算子模块,用于将高危区的权重得分和非高危区的权重得分相加,得到所述每一层级的权重总得分。
6.根据权利要求5所述的自动驾驶车辆的环境建模能力评估***,其特征在于,所述多边形能力图为五边形图,且其五个顶点对应的层级分别为障碍物层级、本车层级、地图层级、宏观环境层级和工程层级;
其中,所述障碍物层级包括以下实体中的任意一者或多者:机动车、非机动车、行人、道路安全警示设施以及这四种实体之外的其他实体;
其中,所述本车层级包括以下实体中的任意一者或多者:整车、自动驾驶***以及人员状态;
其中,所述地图层级包括以下实体中的任意一者或多者:车道信息、路沿信息、道路信息以及导航信息;
其中,所述宏观环境层级包括以下实体中的任意一者或多者:地理位置、天气、光照、时间、路面信息、传感器有效感知范围以及声音预警;
其中,所述工程层级包括以下实体中的任意一者或多者:环境建模的耗时、环境建模的资源占用以及环境建模的稳定性。
7.根据权利要求5所述的自动驾驶车辆的环境建模能力评估***,其特征在于,所述权重分配模块包括:
区域划分子模块,用于根据所述自动驾驶车辆的本车车身坐标系将车辆四周环境划分为若干个示出不同位置的道路区域;
区域判断子模块,用于结合所述实体的所述实体属性信息,判断对应实体所处的道路区域;
确定子模块,用于根据所述自动驾驶车辆在所述道路区域内需承担的事故责任比例来确定该道路区域内存在的实体对车辆行驶安全的重要程度,其中所述事故责任比例越高,则所述重要程度也越高;以及
分配子模块,用于根据所述重要程度向每一实体分配权重。
8.根据权利要求7所述的自动驾驶车辆的环境建模能力评估***,其特征在于,所述确定子模块根据所述自动驾驶车辆在高危区、非高危区及两者对应的子区域需承担的事故责任比例来确定高危区、非高危区及各个子区域的权重。
9.一种计算机设备,其特征在于,该计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至4中任意一项所述的自动驾驶车辆的环境建模能力评估方法。
10.一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行权利要求1至4中任意一项所述的自动驾驶车辆的环境建模能力评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811641333.7A CN109753065B (zh) | 2018-12-29 | 2018-12-29 | 自动驾驶车辆的环境建模能力评估方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811641333.7A CN109753065B (zh) | 2018-12-29 | 2018-12-29 | 自动驾驶车辆的环境建模能力评估方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109753065A CN109753065A (zh) | 2019-05-14 |
CN109753065B true CN109753065B (zh) | 2022-06-17 |
Family
ID=66404453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811641333.7A Active CN109753065B (zh) | 2018-12-29 | 2018-12-29 | 自动驾驶车辆的环境建模能力评估方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109753065B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111966108A (zh) * | 2020-09-02 | 2020-11-20 | 成都信息工程大学 | 基于导航***的极端天气无人驾驶控制*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2206231Y (zh) * | 1994-08-26 | 1995-08-30 | 黄鑫富 | 车辆用高效光学后视镜 |
CN102353379A (zh) * | 2011-07-06 | 2012-02-15 | 上海海事大学 | 一种适用于自动驾驶车导航的环境建模方法 |
CN103256939A (zh) * | 2013-04-15 | 2013-08-21 | 李德毅 | 智能车辆利用变粒度路权雷达图进行信息融合的方法 |
CN104635736A (zh) * | 2014-12-19 | 2015-05-20 | 财团法人车辆研究测试中心 | 用于驾驶行为决策的自动驾驶***及其方法 |
CN105526942A (zh) * | 2016-01-25 | 2016-04-27 | 重庆邮电大学 | 基于威胁估计的智能车辆路径规划方法 |
CN105549597A (zh) * | 2016-02-04 | 2016-05-04 | 同济大学 | 一种基于环境不确定性的无人车动态路径规划方法 |
GB2539020A (en) * | 2015-06-04 | 2016-12-07 | Bae Systems Plc | Decision making |
CN106961366A (zh) * | 2017-05-15 | 2017-07-18 | 重庆邮电大学 | 面向车联网环境的网络性能综合测试评价分析方法 |
CN108227685A (zh) * | 2018-01-08 | 2018-06-29 | 中科开元信息技术(北京)有限公司 | 一种分级遥控无人车辆的实时控制*** |
CN108248608A (zh) * | 2017-12-28 | 2018-07-06 | 北京百度网讯科技有限公司 | 用于评估驾驶***的舒适度的方法和装置 |
CN108304986A (zh) * | 2017-12-15 | 2018-07-20 | 工业和信息化部计算机与微电子发展研究中心(中国软件评测中心) | 一种自动驾驶车辆行为安全的测评方法 |
CN108312985A (zh) * | 2017-01-17 | 2018-07-24 | 北京行易道科技有限公司 | 车辆信息提示方法和装置 |
CN108647437A (zh) * | 2018-05-09 | 2018-10-12 | 公安部交通管理科学研究所 | 一种自动驾驶汽车评价方法及评价*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016225915A1 (de) * | 2016-12-21 | 2018-06-21 | Robert Bosch Gmbh | System und Verfahren zur Umfelderfassung eines Fahrzeugs |
-
2018
- 2018-12-29 CN CN201811641333.7A patent/CN109753065B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2206231Y (zh) * | 1994-08-26 | 1995-08-30 | 黄鑫富 | 车辆用高效光学后视镜 |
CN102353379A (zh) * | 2011-07-06 | 2012-02-15 | 上海海事大学 | 一种适用于自动驾驶车导航的环境建模方法 |
CN103256939A (zh) * | 2013-04-15 | 2013-08-21 | 李德毅 | 智能车辆利用变粒度路权雷达图进行信息融合的方法 |
CN104635736A (zh) * | 2014-12-19 | 2015-05-20 | 财团法人车辆研究测试中心 | 用于驾驶行为决策的自动驾驶***及其方法 |
GB2539020A (en) * | 2015-06-04 | 2016-12-07 | Bae Systems Plc | Decision making |
CN105526942A (zh) * | 2016-01-25 | 2016-04-27 | 重庆邮电大学 | 基于威胁估计的智能车辆路径规划方法 |
CN105549597A (zh) * | 2016-02-04 | 2016-05-04 | 同济大学 | 一种基于环境不确定性的无人车动态路径规划方法 |
CN108312985A (zh) * | 2017-01-17 | 2018-07-24 | 北京行易道科技有限公司 | 车辆信息提示方法和装置 |
CN106961366A (zh) * | 2017-05-15 | 2017-07-18 | 重庆邮电大学 | 面向车联网环境的网络性能综合测试评价分析方法 |
CN108304986A (zh) * | 2017-12-15 | 2018-07-20 | 工业和信息化部计算机与微电子发展研究中心(中国软件评测中心) | 一种自动驾驶车辆行为安全的测评方法 |
CN108248608A (zh) * | 2017-12-28 | 2018-07-06 | 北京百度网讯科技有限公司 | 用于评估驾驶***的舒适度的方法和装置 |
CN108227685A (zh) * | 2018-01-08 | 2018-06-29 | 中科开元信息技术(北京)有限公司 | 一种分级遥控无人车辆的实时控制*** |
CN108647437A (zh) * | 2018-05-09 | 2018-10-12 | 公安部交通管理科学研究所 | 一种自动驾驶汽车评价方法及评价*** |
Non-Patent Citations (2)
Title |
---|
Modeling driver behavior in a connected environment: Integration of microscopic traffic simulation and telecommunication systems;Talebpour A;《Dissertations & Theses - Gradworks》;20151231;全文 * |
自动驾驶汽车在交通网络中的效能分析;邢建民 等;《数学建模及其应用》;20170828;第65-75页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109753065A (zh) | 2019-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11692848B2 (en) | Map information system | |
US10671084B1 (en) | Using obstacle clearance to measure precise lateral gap | |
US10657393B2 (en) | Device and a method for distinguishing between traversable and nontraversable objects | |
US11938926B2 (en) | Polyline contour representations for autonomous vehicles | |
US9140792B2 (en) | System and method for sensor based environmental model construction | |
CN109100155A (zh) | 一种无人车在环快速仿真测试***和方法 | |
CN108873896B (zh) | 一种车道线模拟方法、装置及存储介质 | |
CN109815555B (zh) | 自动驾驶车辆的环境建模能力评估方法及*** | |
CN113692373B (zh) | 自动驾驶车辆服务的滞留和范围分析 | |
CN112829753B (zh) | 基于毫米波雷达的护栏估计方法、车载设备和存储介质 | |
CN104875740B (zh) | 用于管理跟随空间的方法、主车辆以及跟随空间管理单元 | |
CN113918615A (zh) | 一种基于仿真的驾驶经验数据挖掘模型构建方法及*** | |
CN109753065B (zh) | 自动驾驶车辆的环境建模能力评估方法及*** | |
CN111204342B (zh) | 地图信息*** | |
CN115855531A (zh) | 自动驾驶汽车的测试场景构建方法、设备和介质 | |
Komavec et al. | Simulation Environment for Testing Autonomous Vehicles | |
CN112991746A (zh) | 道路作业区临时交通安全设施布局方案的确定方法及装置 | |
CN117197766A (zh) | 用于检测路面坑洞的方法及装置、处理器及车辆 | |
CN116022133A (zh) | 一种汽车行驶路线上有水坑时的行人防溅水方法及装置 | |
Rato | Detection of the Navigable Road Limits by Analysis of the Accumulated Point Cloud Density | |
CN111637898A (zh) | 一种高精度导航电子地图的处理方法和装置 | |
CN115366913A (zh) | 车辆速度控制方法、装置、存储介质和电子设备 | |
Roelofsen | Safe Lane changing: a study into the practical implementation of the Lane Change Assistant |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |