CN113503869B - 一种基于区域感知度的高精地图众包车辆选择方法 - Google Patents
一种基于区域感知度的高精地图众包车辆选择方法 Download PDFInfo
- Publication number
- CN113503869B CN113503869B CN202110708770.1A CN202110708770A CN113503869B CN 113503869 B CN113503869 B CN 113503869B CN 202110708770 A CN202110708770 A CN 202110708770A CN 113503869 B CN113503869 B CN 113503869B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- regional
- region
- road
- data
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于区域感知度的高精地图众包车辆选择方法,包括:1)获取道路拓扑图以及当前历史路网数据;2)基于感知特征对道路拓扑图进行区域划分,并基于当前历史路网数据来统计当前车流量;3)根据当前车流量来为区域划分后的每个区域计算区域感知度;4)基于区域感知度、车辆行为因素以及区域需求度计算车辆得分,并依据车辆得分来雇佣车辆执行众包任务;5)接收被雇佣车辆所提供的地图数据,更新高精地图众包状态并为被雇佣车辆提供报酬。本发明解决了因专业采集车数量不足的原因而导致的无法高效地获取路面环境数据和实时更新高精地图的问题,也减少了收集路面环境数据所带来的成本,提高高精地图的生成效率,扩大高精地图的更新范围。
Description
技术领域
本发明涉及城市智能交通技术领域,尤其是指一种基于区域感知度的高精地图众包车辆选择方法。
背景技术
如今无人驾驶正在火速发展当中,感知作为无人驾驶中重要的模块,是无人车能够安全行驶在路上的前提。传感器如摄像头、激光雷达等是无人车感知周围环境的主流手段。然而通过传感器来进行感知周围环境,在成本上存在着巨大的挑战。高精地图作为新兴的感知手段很好地弥补了传感器的成本过高的缺点,因此如何方便快捷地获取和更新高精地图是当下的主要任务。为了采集高精地图数据,图商以及无人驾驶车商,如百度、高德、TomTom等已经组建了属于自己的专业地图采集车队,通过配置有摄像头和激光雷达的高精度地图采集车,获得街景图像数据和3D激光点云数据。存储好的源数据经过后台的自动化建图流程,结合人工纠错与标注,生产并发布高精度地图。虽然专业采集车的数据采集作业精度高、道路信息采集全面,但是其造价相当高,数量少,作业周期很长,地图产量有限。通过采集车来实时更新高精地图的方法并不现实。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提出了一种基于区域感知度的高精地图众包车辆选择方法,利用社会车辆在日常行驶过程中完成对路面环境数据的采集,解决了因专业采集车数量不足的原因而导致的无法高效地获取路面环境数据和实时更新高精地图的问题,并且其减少了收集路面环境数据所带来的成本,提高了高精地图的生成效率,扩大了高精地图的更新范围。
为实现上述目的,本发明所提供的技术方案为:一种基于区域感知度的高精地图众包车辆选择方法,包括以下步骤:
1)众包平台获取道路拓扑图以及当前历史路网数据;
2)众包平台基于感知特征对道路拓扑图进行区域划分,并基于当前历史路网数据来统计当前车流量;
3)众包平台根据当前车流量来为区域划分后的每个区域计算区域感知度;
4)众包平台基于区域感知度、车辆行为因素以及区域需求度计算车辆得分,并依据车辆得分来雇佣车辆执行众包任务;
5)众包平台接收被雇佣车辆所提供的地图数据,更新高精地图众包状态并为被雇佣车辆提供报酬。
进一步,在步骤1)中,所述道路拓扑图是描述各道路间位置的关系图,所述路网历史数据是指道路历史车流量数据,包括时间段和线路流量。
进一步,在步骤2)中,所述感知特征是位置被各道路感知的难易程度,用能感知到该位置的道路元素集合表示,感知特征表示方式如下:
pi={能感知到位置i的道路元素}
式中,pi为位置i的感知特征,所述道路元素即地图上的道路,感知特征的大小用|pi|表示,感知特征大小等于pi中道路元素的个数;
所述基于感知特征对道路拓扑图进行区域划分是将具有相同感知特征的相邻位置合并,以形成各位置具有相同感知特征的区域;
所述当前车流量为当前每秒到达的车辆数。
进一步,在步骤3)中,所述区域感知度是区域被感知的难易程度,其由感知特征与区域的车流量决定,感知特征是静态影响因素,区域的车流量为动态影响因素,区域感知度的具体计算公式如下:
wj=k·|pj|+(1-k)·hj
式中,wj为区域j的区域感知度,pj为区域j的感知特征,|pj|为区域j的感知特征的大小,hj为区域j的车流量,而k为平衡系数。
进一步,在步骤4)中,所述车辆行为因素包括车辆的信誉值、车辆所收集数据的平均质量、车辆的期望获取报酬以及车辆所覆盖区域,所述区域需求度为区域对数据的需求程度,所述车辆得分的计算公式如下:
式中,sl为车辆l的车辆得分,rl为车辆l的信誉值,ql为车辆l所收集数据的平均质量,cl为车辆l的期望获取报酬,Ω为全部区域集合,Rj为区域j的区域需求度,wj为区域j的区域感知度,bl,j为车辆l是否经过区域j的布尔变量,为了使得获取数据质量最大化,众包平台将基于车辆得分通过贪婪选择的思想来雇佣分数最高的m辆车。
进一步,在步骤5)中,所述地图数据是由车辆在行驶过程中所收集到的摄像头数据以及激光雷达数据,所述高精地图众包状态包括地图完成度以及区域需求度,它们的具体计算公式如下:
式中,Yj为区域j的地图完成度,e为自然对数,θ为***参数,Xj为区域j累计收集到的数据量,Rj为区域j的区域需求度,δ为地图完成度的阈值,ε为***参数用于防止分母为0,所述报酬是众包平台为激励参与者而提供的奖励,为节约成本,众包平台只为被雇佣的参与者提供报酬,具体报酬价值由众包平台决定。
本发明与现有技术相比,具有如下优点与有益效果:
1、本发明通过众包机制来收集更新高精地图所需要的路面环境数据,利用社会的车辆来采集数据,解决了专业采集车数量少的问题,大大提高了数据收集的效率,且在成本方面上也比利用采集车来收集数据要小得多。
2、本发明通过雇佣社会车辆来执行众包任务,使得最新的地图数据能够得到及时的收集,为高精地图的实时更新提供了充足的原材料。
3、本发明提出了一种基于感知特征的区域划分方法,其使得高精地图众包中地图数据的收集能够更加均匀、高效。
4、本发明通过提出一个得分机制来选择参与者,该得分机制既考虑了车辆行为因素,如车辆所收集数据的平均质量、车辆的期望获取报酬以及车辆所覆盖区域,又考虑了外部环境因素,如区域感知度以及各区域需求度,为众包数据提供了质量保证。
附图说明
图1为高精地图众包场景图。
图2为本发明方法的流程示意图。
图3为本发明所使用的道路拓扑栅格地图。
图4为基于区域感知度的区域划分示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本实施例所提供的基于区域感知度的高精地图众包车辆选择方法,是用于更新高精地图的数据收集***,图1和图2分别展示了高精地图众包场景图以及本发明方法的流程示意图,其包括以下步骤:
1)众包平台获取道路拓扑图以及当前历史路网数据,所述道路拓扑图是描述各道路间位置的关系图,众包平台可以使用栅格地图来表示区域的道路拓扑图,如图3所示,其中每个栅格的数字代表该位置的道路属性,为0时表示该位置并非道路,为-1时表示该位置为路口,正整数表示该位置的道路编号,所述路网历史数据是道路历史车流量数据,包括时间段和线路流量。
2)众包平台基于感知特征对道路拓扑图进行区域划分,并基于当前历史路网数据来统计当前车流量;其中,所述感知特征是位置被各道路感知的难易程度,用能感知到该位置的道路元素集合表示,感知特征表示方式如下:
pi={能感知到位置i的道路元素}
式中,pi为位置i的感知特征,所述道路元素即地图上的道路,感知特征的大小用|pi|表示,感知特征大小等于pi中道路元素的个数;所述基于感知特征对道路拓扑图进行区域划分是将具有相同感知特征的相邻位置合并,以形成各位置具有相同感知特征的区域,如图4所示,所述当前车流量为当前每秒到达的车辆数。
3)众包平台根据当前车流量来为区域划分后的每个区域计算区域感知度,所述区域感知度是区域被感知的难易程度,其由感知特征与区域的车流量决定,感知特征是静态影响因素,区域的车流量为动态影响因素,区域感知度的具体计算公式如下:
wj=k·|pj|+(1-k)·hj
式中,wj为区域j的区域感知度,pj为区域j的感知特征,|pj|为区域j的感知特征的大小,hj为区域j的车流量,而k为平衡系数,其取值范围为0到1之间的实数。
4)众包平台基于区域感知度、车辆行为因素以及区域需求度计算车辆得分,并依据车辆得分来雇佣车辆执行众包任务,所述车辆行为因素包括车辆的信誉值、车辆所收集数据的平均质量、车辆的期望获取报酬以及车辆所覆盖区域,所述区域需求度为区域对数据的需求程度,所述车辆得分的计算公式如下:
式中,sl为车辆l的车辆得分,rl为车辆l的信誉值,ql为车辆l所收集数据的平均质量,cl为车辆l的期望获取报酬,Ω为全部区域集合,Rj为区域j的区域需求度,wj为区域j的区域感知度,bl,j为车辆l是否经过区域j的布尔变量,为了使得获取数据质量最大化,众包平台将基于车辆得分通过贪婪选择的思想来雇佣分数最高的m辆车,m的取值需要依据车流量的大小来决定。
5)众包平台接收被雇佣车辆所提供的地图数据,更新高精地图众包状态并为被雇佣车辆提供报酬,所述地图数据是由车辆在行驶过程中所收集到的摄像头数据以及激光雷达数据,所述高精地图众包状态包括地图完成度以及区域需求度,它们的具体计算公式如下:
式中,Yj为区域j的地图完成度,e为自然对数,θ为***参数,Xj为区域j累计收集到的数据量,Rj为区域j的区域需求度,δ为地图完成度的阈值,ε为***参数用于防止分母为0,所述报酬是众包平台为激励参与者而提供的奖励,为节约成本,众包平台只为被雇佣的参与者提供报酬,具体报酬价值由众包平台决定。本发明周期性地开展众包任务,至此完成当前周期的数据收集工作,下一周期无需再次进行区域划分,从步骤2)开始开展下一周期的数据收集任务。
以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (3)
1.一种基于区域感知度的高精地图众包车辆选择方法,其特征在于,包括以下步骤:
1)众包平台获取道路拓扑图以及当前历史路网数据;
2)众包平台基于感知特征对道路拓扑图进行区域划分,并基于当前历史路网数据来统计当前车流量;
所述感知特征是位置被各道路感知的难易程度,用能感知到该位置的道路元素集合表示,感知特征表示方式如下:
pi={能感知到位置i的道路元素}
式中,pi为位置i的感知特征,所述道路元素即地图上的道路,感知特征的大小用|pi|表示,感知特征大小等于pi中道路元素的个数;
所述基于感知特征对道路拓扑图进行区域划分是将具有相同感知特征的相邻位置合并,以形成各位置具有相同感知特征的区域;
所述当前车流量为当前每秒到达的车辆数;
3)众包平台根据当前车流量来为区域划分后的每个区域计算区域感知度;所述区域感知度是区域被感知的难易程度,其由感知特征与区域的车流量决定,感知特征是静态影响因素,区域的车流量为动态影响因素,区域感知度的具体计算公式如下:
wj=k·|pj|+(1-k)·hj
式中,wj为区域j的区域感知度,pj为区域j的感知特征,|pj|为区域j的感知特征的大小,hj为区域j的车流量,而k为平衡系数;
4)众包平台基于区域感知度、车辆行为因素以及区域需求度计算车辆得分,并依据车辆得分来雇佣车辆执行众包任务;
所述车辆行为因素包括车辆的信誉值、车辆所收集数据的平均质量、车辆的期望获取报酬以及车辆所覆盖区域,所述区域需求度为区域对数据的需求程度,所述车辆得分的计算公式如下:
式中,sl为车辆l的车辆得分,rl为车辆l的信誉值,ql为车辆l所收集数据的平均质量,cl为车辆l的期望获取报酬,Ω为全部区域集合,Rj为区域j的区域需求度,wj为区域j的区域感知度,bl,j为车辆l是否经过区域j的布尔变量,为了使得获取数据质量最大化,众包平台将基于车辆得分通过贪婪选择的思想来雇佣分数最高的m辆车;
5)众包平台接收被雇佣车辆所提供的地图数据,更新高精地图众包状态并为被雇佣车辆提供报酬。
2.根据权利要求1所述的一种基于区域感知度的高精地图众包车辆选择方法,其特征在于:在步骤1)中,所述道路拓扑图是描述各道路间位置的关系图,所述路网历史数据是指道路历史车流量数据,包括时间段和线路流量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110708770.1A CN113503869B (zh) | 2021-06-25 | 2021-06-25 | 一种基于区域感知度的高精地图众包车辆选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110708770.1A CN113503869B (zh) | 2021-06-25 | 2021-06-25 | 一种基于区域感知度的高精地图众包车辆选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113503869A CN113503869A (zh) | 2021-10-15 |
CN113503869B true CN113503869B (zh) | 2023-06-20 |
Family
ID=78011142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110708770.1A Active CN113503869B (zh) | 2021-06-25 | 2021-06-25 | 一种基于区域感知度的高精地图众包车辆选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113503869B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10166991B1 (en) * | 2017-12-01 | 2019-01-01 | GM Global Technology Operations LLC | Method and apparatus of selective sensing mechanism in vehicular crowd-sensing system |
CN110348670A (zh) * | 2019-05-23 | 2019-10-18 | 广东工业大学 | 一种城市计算环境下的车辆计算资源分配方法 |
CN110740916A (zh) * | 2017-04-03 | 2020-01-31 | 优特诺股份有限公司 | 处理与自主车辆的操作有关的请求信号 |
CN111582641A (zh) * | 2020-04-02 | 2020-08-25 | 长沙理工大学 | 一种车联网面向众包服务的任务分配方法及*** |
CN112562114A (zh) * | 2020-12-18 | 2021-03-26 | 北京百度网讯科技有限公司 | 数据采集的方法及装置 |
CN112766766A (zh) * | 2021-01-26 | 2021-05-07 | 华南理工大学 | 基于最优时停规则的高精地图众包***及其数据收集方法 |
CN112785162A (zh) * | 2021-01-26 | 2021-05-11 | 华南理工大学 | 基于智能车语义的高精地图众包数据质量评估方法与*** |
CN112950251A (zh) * | 2021-05-11 | 2021-06-11 | 北京航空航天大学 | 一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10209715B2 (en) * | 2017-01-19 | 2019-02-19 | Robert Bosch Gmbh | System and method of using crowd-sourced driving path data in an autonomous or semi-autonomous driving system |
-
2021
- 2021-06-25 CN CN202110708770.1A patent/CN113503869B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110740916A (zh) * | 2017-04-03 | 2020-01-31 | 优特诺股份有限公司 | 处理与自主车辆的操作有关的请求信号 |
US10166991B1 (en) * | 2017-12-01 | 2019-01-01 | GM Global Technology Operations LLC | Method and apparatus of selective sensing mechanism in vehicular crowd-sensing system |
CN109872412A (zh) * | 2017-12-01 | 2019-06-11 | 通用汽车环球科技运作有限责任公司 | 车载众包感测***中的选择性感测机构的方法和设备 |
CN110348670A (zh) * | 2019-05-23 | 2019-10-18 | 广东工业大学 | 一种城市计算环境下的车辆计算资源分配方法 |
CN111582641A (zh) * | 2020-04-02 | 2020-08-25 | 长沙理工大学 | 一种车联网面向众包服务的任务分配方法及*** |
CN112562114A (zh) * | 2020-12-18 | 2021-03-26 | 北京百度网讯科技有限公司 | 数据采集的方法及装置 |
CN112766766A (zh) * | 2021-01-26 | 2021-05-07 | 华南理工大学 | 基于最优时停规则的高精地图众包***及其数据收集方法 |
CN112785162A (zh) * | 2021-01-26 | 2021-05-11 | 华南理工大学 | 基于智能车语义的高精地图众包数据质量评估方法与*** |
CN112950251A (zh) * | 2021-05-11 | 2021-06-11 | 北京航空航天大学 | 一种基于信誉的车辆群智感知节点反向组合拍卖激励优化方法 |
Non-Patent Citations (3)
Title |
---|
Leveraging Intelligent Transportation Systems and Smart Vehicles Using Crowdsourcing: An Overview;Michael C. Lucic等;《smart cities》;第3卷(第2期);第341-360页 * |
Trajectory Penetration Characterization for Efficient Vehicle Selection in HD Map Crowdsourcing;Xiaofeng Cao等;《IEEE Internet of Things Journal 》;第8卷(第6期);第4526-4539页 * |
面向无人驾驶的边缘高精地图服务;唐洁等;《中兴通讯技术》;第25卷(第3期);第58-68页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113503869A (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102708698B (zh) | 基于车联网的车辆最优路径导航方法 | |
CN104520912B (zh) | 堵塞预测装置、堵塞预测***、堵塞预测方法和程序 | |
CN109558988B (zh) | 一种基于大数据融合的电动汽车能耗预测方法及*** | |
CN112257163B (zh) | 空天地一体化道路工程土方施工智能调度指挥***及方法 | |
CN108986207B (zh) | 一种基于真实路面数据的道路及沿线建筑仿真建模方法 | |
CN114757807B (zh) | 多模式融合的大气污染物实际排放量在线核算方法 | |
CN113436045A (zh) | 大气污染多尺度融合溯源方法、装置和可读存储介质 | |
CN110738354B (zh) | 预测颗粒物浓度的方法、装置、存储介质及电子设备 | |
CN103729183B (zh) | 基于智能手机的车辆绿色出行导航***设计 | |
CN107357894A (zh) | 一种道路交通设施数据采集纠偏方法及*** | |
CN112710798B (zh) | 一种水体蓝藻识别***和方法 | |
CN112215416B (zh) | 智能规划巡检航线***及方法 | |
CN205193597U (zh) | 一种无人机盘煤*** | |
CN114153224A (zh) | 基于微气象的无人机飞行路径智能规划控制***及方法 | |
CN113503869B (zh) | 一种基于区域感知度的高精地图众包车辆选择方法 | |
CN114845260A (zh) | 一种基于物联网的水文监测数据采集*** | |
CN112884420B (zh) | 一种智慧物流查询***及方法 | |
CN112766766B (zh) | 基于最优时停规则的高精地图众包***及其数据收集方法 | |
CN110879862B (zh) | 基于物联网的车辆信息查询*** | |
CN117875642A (zh) | 一种土地经营数据采集与更新方法及装置 | |
CN114537442B (zh) | 移动智能车辆管理方法及*** | |
CN115860248A (zh) | 风速数值同化短临预测方法及*** | |
CN110779540A (zh) | 一种基于互联网大数据的定位导航*** | |
CN114610830B (zh) | 一种基于驾驶行为数据的地图要素变化检测方法 | |
CN113791637A (zh) | 一种基于无人机的航测***智能化快速处理方法 |
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 |