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

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

一种基于区域感知度的高精地图众包车辆选择方法

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：

p_i＝{能感知到位置i的道路元素}

式中，p_i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|p_i|表示，感知特征大小等于p_i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：

w_j＝k·|p_j|+(1-k)·h_j

式中，w_j为区域j的区域感知度，p_j为区域j的感知特征，|p_j|为区域j的感知特征的大小，h_j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，s_l为车辆l的车辆得分，r_l为车辆l的信誉值，q_l为车辆l所收集数据的平均质量，c_l为车辆l的期望获取报酬，Ω为全部区域集合，R_j为区域j的区域需求度，w_j为区域j的区域感知度，b_l,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，Y_j为区域j的地图完成度，e为自然对数，θ为***参数，X_j为区域j累计收集到的数据量，R_j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：

p_i＝{能感知到位置i的道路元素}

式中，p_i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|p_i|表示，感知特征大小等于p_i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：

w_j＝k·|p_j|+(1-k)·h_j

式中，w_j为区域j的区域感知度，p_j为区域j的感知特征，|p_j|为区域j的感知特征的大小，h_j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，s_l为车辆l的车辆得分，r_l为车辆l的信誉值，q_l为车辆l所收集数据的平均质量，c_l为车辆l的期望获取报酬，Ω为全部区域集合，R_j为区域j的区域需求度，w_j为区域j的区域感知度，b_l,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，Y_j为区域j的地图完成度，e为自然对数，θ为***参数，X_j为区域j累计收集到的数据量，R_j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：

p_i＝{能感知到位置i的道路元素}

式中，p_i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|p_i|表示，感知特征大小等于p_i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：

w_j＝k·|p_j|+(1-k)·h_j

式中，w_j为区域j的区域感知度，p_j为区域j的感知特征，|p_j|为区域j的感知特征的大小，h_j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，s_l为车辆l的车辆得分，r_l为车辆l的信誉值，q_l为车辆l所收集数据的平均质量，c_l为车辆l的期望获取报酬，Ω为全部区域集合，R_j为区域j的区域需求度，w_j为区域j的区域感知度，b_l,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。

3.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，Y_j为区域j的地图完成度，e为自然对数，θ为***参数，X_j为区域j累计收集到的数据量，R_j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。

Images