CN115257807B - 基于知识图谱的城区路上场景自动驾驶决策方法及设备 - Google Patents
基于知识图谱的城区路上场景自动驾驶决策方法及设备 Download PDFInfo
- Publication number
- CN115257807B CN115257807B CN202210889704.3A CN202210889704A CN115257807B CN 115257807 B CN115257807 B CN 115257807B CN 202210889704 A CN202210889704 A CN 202210889704A CN 115257807 B CN115257807 B CN 115257807B
- Authority
- CN
- China
- Prior art keywords
- road
- lane
- driving
- safety
- decision
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000006399 behavior Effects 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 11
- 230000004888 barrier function Effects 0.000 claims description 10
- 230000008447 perception Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 7
- 230000002194 synthesizing effect Effects 0.000 claims description 7
- 241001465754 Metazoa Species 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 abstract description 6
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 241000209094 Oryza Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
- B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于知识图谱的城区路上场景自动驾驶决策方法及设备。所述方法包括:步骤1至步骤8。本发明通过提取常见道路元素及关系建立概念模型,合成高精地图并生成全局参考路径,将实例化信息作为事实输入知识库形成知识图谱,最后从合法性、安全性和有效性进行评估并输出决策,使得车辆自动驾驶的决策具有较好的扩展性,环境信息表达充分,避免了环境信息表达的冗余。
Description
技术领域
本发明实施例涉及自动驾驶决策技术领域,尤其涉及一种基于知识图谱的城区路上场景自动驾驶决策方法及设备。
背景技术
自主决策是自动驾驶汽车***中的重要组成部分。自动驾驶***分为感知层、决策层和控制层。其中感知层获取环境状态信息,决策层当前环境和路网信息为依据做出运动决策,控制层实现基于运动决策规划运动轨迹。在自动驾驶行车过程中,决策层是自动驾驶***开发和安全行驶的关键,其智能水平直接决定了无人驾驶车辆行车的安全性和可靠性,以及对复杂多变的实时交通环境的适应性。目前关于自动驾驶的决策存在可扩展性差、环境信息表达不足或冗余等问题。因此,开发一种基于知识图谱的城区路上场景自动驾驶决策方法及设备,可以有效克服上述相关技术中的缺陷,就成为业界亟待解决的技术问题。
发明内容
针对现有技术存在的上述问题,本发明实施例提供了一种基于知识图谱的城区路上场景自动驾驶决策方法及设备。
第一方面,本发明的实施例提供了一种基于知识图谱的城区路上场景自动驾驶决策方法,包括:步骤1、提取常见道路元素及关系;步骤2、建立包括目标车辆类、障碍物类、道路结构类和地物的概念模型;步骤3、根据自动驾驶车辆在道路上的实时感知信息和道路先验知识合成高精地图;步骤4、所述概念模型实例化形成事实;步骤5、生成全局参考路径;步骤6、判断当前场景是否为路上场景;步骤7、将实例化信息作为事实,交通规则、八方位行车安全和全局参考路径作为规则,输入知识库形成知识图谱,分别从合法性、安全性和有效性进行评估;步骤8、输出决策。
在上述方法实施例内容的基础上,本发明实施例中提供的基于知识图谱的城区路上场景自动驾驶决策方法,步骤1中,将城区驾驶场景分为路上、路口和预路口三个常规驾驶场景,道路分为路段和路口,将预路口场景定义为由路口车道实线构成的区域,将路口场景定义为两条或以上道路汇合的区域,所述区域设有道路停止线和红绿灯,将路上场景定义为路段上非预路口的区域。
在上述方法实施例内容的基础上,本发明实施例中提供的基于知识图谱的城区路上场景自动驾驶决策方法,步骤2中,目标车辆类包括目标车辆的速度、方向、位置、所在车道;障碍物类包括静态障碍;动态障碍类包括行人、动物和车辆;道路结构类主要由道路、车道及拓扑连接关系和地物构成;驾驶动作类包括纵向驾驶动作、横向驾驶动作和复合驾驶动作。
在上述方法实施例内容的基础上,本发明实施例中提供的基于知识图谱的城区路上场景自动驾驶决策方法,步骤4中,事实由两类三元组形式表示:<实例,关系,实例>或<实例,属性,属性值>。
在上述方法实施例内容的基础上,本发明实施例中提供的基于知识图谱的城区路上场景自动驾驶决策方法,步骤7中,合法性是指当前决策是否符合交通法规,安全性是指八方位障碍物是否影响当前决策的行车安全,有效性是指当前决策是否与全局导航路径一致。
在上述方法实施例内容的基础上,本发明实施例中提供的基于知识图谱的城区路上场景自动驾驶决策方法,所述从安全性进行评估,包括:
其中,TTC是两车从冲突开始到发生碰撞的时间,Di是目标车辆与周围车辆的相对距离,V是目标车辆的速度,Vi是其他交通车辆的速度;预设有减速安全阈值TTCth,计算得到各方位的碰撞时间t,RTTC(region)表示该方位是否安全;若t大于阈值,则RTTC(region)=0,行车安全无碰撞风险,否则为1,行车有碰撞风险;RTTC(le)=0表示左方安全,RTTC(lf)=0表示左前方安全,RTTC(lb)=0表示左后方安全,满足换道安全性。
在上述方法实施例内容的基础上,本发明实施例中提供的基于知识图谱的城区路上场景自动驾驶决策方法,所述从有效性进行评估,包括:定义到预路口的安全距离阈值为DIJth,判断到预路口的距离是否小于距离阈值DIJth,若大于,则不必评估有效性,若小于,则评估当前车道和当前车道的后继车道是否在行车列表中,若在,则不必换道,若不在,则需换道;<目标车辆,DTJ,大于DIJth>=TURE,满足有效性;<目标车辆,DTJ,大于DIJth>=否,<目标车辆,在,车道001>,<车001,在,行车列表>=是,不满足有效性;
<目标车辆,DTJ,大于DIJth>=否,<目标车辆,在,车道001>,<车道001,在,行车列表>=否,<车道001,有,左车道002>,<车道002,在,行车列表>=是,满足有效性。
第二方面,本发明的实施例提供了一种基于知识图谱的城区路上场景自动驾驶决策装置,包括:第一主模块,用于实现步骤1、提取常见道路元素及关系;第二主模块,用于实现步骤2、建立包括目标车辆类、障碍物类、道路结构类和地物的概念模型;第三主模块,用于实现步骤3、根据自动驾驶车辆在道路上的实时感知信息和道路先验知识合成高精地图;第四主模块,用于实现步骤4、所述概念模型实例化形成事实;第五主模块,用于实现步骤5、生成全局参考路径;第六主模块,用于实现步骤6、判断当前场景是否为路上场景;第七主模块,用于实现步骤7、将实例化信息作为事实,交通规则、八方位行车安全和全局参考路径作为规则,输入知识库形成知识图谱,分别从合法性、安全性和有效性进行评估;第八主模块,用于实现步骤8、输出决策。
第三方面,本发明的实施例提供了一种电子设备,包括:
至少一个处理器;以及
与处理器通信连接的至少一个存储器,其中:
存储器存储有可被处理器执行的程序指令,处理器调用程序指令能够执行第一方面的各种实现方式中任一种实现方式所提供的基于知识图谱的城区路上场景自动驾驶决策方法。
第四方面,本发明的实施例提供了一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行第一方面的各种实现方式中任一种实现方式所提供的基于知识图谱的城区路上场景自动驾驶决策方法。
本发明实施例提供的基于知识图谱的城区路上场景自动驾驶决策方法及设备,通过提取常见道路元素及关系建立概念模型,合成高精地图并生成全局参考路径,将实例化信息作为事实输入知识库形成知识图谱,最后从合法性、安全性和有效性进行评估并输出决策,使得车辆自动驾驶的决策具有较好的扩展性,环境信息表达充分,避免了环境信息表达的冗余。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单的介绍,显而易见地,下面描述中的附图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。
图1为本发明实施例提供的基于知识图谱的城区路上场景自动驾驶决策方法流程图;
图2为本发明实施例提供的基于知识图谱的城区路上场景自动驾驶决策装置结构示意图;
图3为本发明实施例提供的电子设备的实体结构示意图;
图4为本发明实施例提供的另一基于知识图谱的城区路上场景自动驾驶决策方法流程图;
图5为本发明实施例提供的基于知识图谱的自动驾驶决策评估流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。另外,本发明提供的各个实施例或单个实施例中的技术特征可以相互任意结合,以形成可行的技术方案,这种结合不受步骤先后次序和/或结构组成模式的约束,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时,应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本发明实施例提供了一种基于知识图谱的城区路上场景自动驾驶决策方法,参见图1,该方法包括:步骤1、提取常见道路元素及关系;步骤2、建立包括目标车辆类、障碍物类、道路结构类和地物的概念模型;步骤3、根据自动驾驶车辆在道路上的实时感知信息和道路先验知识合成高精地图;步骤4、所述概念模型实例化形成事实;步骤5、生成全局参考路径;步骤6、判断当前场景是否为路上场景;步骤7、将实例化信息作为事实,交通规则、八方位行车安全和全局参考路径作为规则,输入知识库形成知识图谱,分别从合法性、安全性和有效性进行评估;步骤8、输出决策。
基于上述方法实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于知识图谱的城区路上场景自动驾驶决策方法,步骤1中,将城区驾驶场景分为路上、路口和预路口三个常规驾驶场景,道路分为路段和路口,将预路口场景定义为由路口车道实线构成的区域,将路口场景定义为两条或以上道路汇合的区域,所述区域设有道路停止线和红绿灯,将路上场景定义为路段上非预路口的区域。
基于上述方法实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于知识图谱的城区路上场景自动驾驶决策方法,步骤2中,目标车辆类包括目标车辆的速度、方向、位置、所在车道;障碍物类包括静态障碍;动态障碍类包括行人、动物和车辆;道路结构类主要由道路、车道及拓扑连接关系和地物构成;驾驶动作类包括纵向驾驶动作、横向驾驶动作和复合驾驶动作。
基于上述方法实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于知识图谱的城区路上场景自动驾驶决策方法,步骤4中,事实由两类三元组形式表示:<实例,关系,实例>或<实例,属性,属性值>。
基于上述方法实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于知识图谱的城区路上场景自动驾驶决策方法,步骤7中,合法性是指当前决策是否符合交通法规,安全性是指八方位障碍物是否影响当前决策的行车安全,有效性是指当前决策是否与全局导航路径一致。
基于上述方法实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于知识图谱的城区路上场景自动驾驶决策方法,所述从安全性进行评估,包括:
其中,TTC是两车从冲突开始到发生碰撞的时间,Di是目标车辆与周围车辆的相对距离,V是目标车辆的速度,Vi是其他交通车辆的速度;预设有减速安全阈值TTCth,计算得到各方位的碰撞时间t,RTTC(region)表示该方位是否安全;若t大于阈值,则RTTC(region)=0,行车安全无碰撞风险,否则为1,行车有碰撞风险;RTTC(le)=0表示左方安全,RTTC(lf)=0表示左前方安全,RTTC(lb)=0表示左后方安全,满足换道安全性。
基于上述方法实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于知识图谱的城区路上场景自动驾驶决策方法,所述从有效性进行评估,包括:定义到预路口的安全距离阈值为DIJth,判断到预路口的距离是否小于距离阈值DIJth,若大于,则不必评估有效性,若小于,则评估当前车道和当前车道的后继车道是否在行车列表中,若在,则不必换道,若不在,则需换道;<目标车辆,DTJ,大于DIJth>=TURE,满足有效性;<目标车辆,DTJ,大于DIJth>=否,<目标车辆,在,车道001>,<车001,在,行车列表>=是,不满足有效性;
<目标车辆,DTJ,大于DIJth>=否,<目标车辆,在,车道001>,<车道001,在,行车列表>=否,<车道001,有,左车道002>,<车道002,在,行车列表>=是,满足有效性。
本发明实施例提供的基于知识图谱的城区路上场景自动驾驶决策方法,通过提取常见道路元素及关系建立概念模型,合成高精地图并生成全局参考路径,将实例化信息作为事实输入知识库形成知识图谱,最后从合法性、安全性和有效性进行评估并输出决策,使得车辆自动驾驶的决策具有较好的扩展性,环境信息表达充分,避免了环境信息表达的冗余。
在另一实施例中,图4为本发明实施例一提供的自动驾驶决策方法流程示意图。如图4所示,该方法包括以下步骤,其中:
步骤1(即S1,后续步骤2至步骤8对应S2至S8),提取常见道路元素及关系。
结合人类驾驶经验和常见道路结构,得出常见的道路元素如车道、车道线、交通信号灯等及元素之间的关系。
步骤2,建立本体概念模型。
将元素和关系对应,生成以三元组<实例,关系,实例><实例,属性,属性值>表达的知识。具体可以参见表1的三元组<实例,关系,实例>和表2的<实例,属性,属性值>表达。
表1
表2
实例 | 属性 | 属性值 |
目标车辆 | 到障碍物的距离 | *(米) |
目标车辆 | 到预路口的距离 | *(米) |
目标车辆 | 车速 | *(千米每时) |
目标车辆 | 方向 | *(度) |
目标车辆 | 最大速度 | *(千米每时) |
目标车辆 | 向左换道 | 是/否 |
目标车辆 | 向右换道 | 是/否 |
车道 | 宽度 | *(米) |
车道 | 最大速度 | *(千米每时) |
车道 | 最小速度 | *(千米每时) |
车道 | 车道次序 | *>0 |
车道线 | 类型 | 虚/实 |
车道线 | 颜色 | 黄/白 |
步骤3,以自动驾驶车辆在道路上的实时感知信息和道路先验知识合成高精地图。
其中,实时感知信息由各种传感器传入,包括长波雷达、视觉相机、超声波雷达、车联网传感器等。道路先验知识是指已知的自动驾驶车辆将要经过的道路路网结构,具体包括道路模型、车道模型、路网拓扑和地物构成,其中道路模型包括道路向量、道路特征变化点、路口和车道增加减;车道模型包括车道标线、车道标线变化点、车道向量、车道属性特征变化点、车道节点、变道点、车道限制元素;路网拓扑包括道路拓扑和车道拓扑;地物包括箭头、人行道、停止线、交通信号灯等。
步骤4,本体模型实例化。
在驾驶车辆的行车途中,通过高精地图的传入信息将预先定义的本体模型实例化,如,车道实例化为车道001。
步骤5,生成全局参考路径。
已知起点和终点,根据路网拓扑生成以行车列表表示的全局参考路径。
步骤6,判断当前场景。
根据全局导航定位信息和到停止线的距离判断当前是否为路上场景。
步骤7,将实例化信息、全局参考路径和交通规则输入知识库形成知识图谱。
其中,三元组表示的实例化信息为事实,交通规则、行车安全和全局导航信息为规则,将事实和规则进行匹配。
根据规则,分别从合法性、安全性和有效性对当前场景进行评估,输出加速、减速、保持车速、停止、向左换道、向右换道、保持车道的决策。这里以向左换道为例。
路上场景判定:
定义路口区域由车道实线开始构成的区域为预路口区域,Junction,定义自车到预路口的距离为DTJ。<目标车辆,DTJ,0>=是时,路上场景=是;<目标车辆,DTJ,0>=否时,路上场景=否。
合法性评估:
<目标车辆,在,车道001>,<车道001,有,左车道002>,<左车道002,有,右车道线201>,<右车道线201,类型为,虚线>--满足合法性。
安全性评估:
评估左方(le),左前方(lf),左后方(lb),前方(fr),后方(ba),右前方(rf),右方(ri),右后方(rb)共八方位的行车安全。由碰撞时间TTC来计算碰撞风险,碰撞时间TTC指两车从冲突开始到发生碰撞的时间,TTC越小表示两车越容易发生碰撞。计算公式如(1)式和(2)式所示。
有效性评估:
定义到预路口的安全距离阈值为DIJth,判断到预路口的距离是否小于距离阈值DIJth,若大于,则不必评估有效性,若小于,则评估当前车道和当前车道的后继车道是否在行车列表中,若在,则不必换道,若不在,则需换道。
<目标车辆,DTJ,大于DIJth>=TURE,满足有效性。
<目标车辆,DTJ,大于DIJth>=否,<目标车辆,在,车道001>,<车道001,在,行车列表>=是,不满足有效性。
<目标车辆,DTJ,大于DIJth>=否,<目标车辆,在,车道001>,<车道001,在,行车列表>=否,<车道001,有,左车道002>,<车道002,在,行车列表>=是,满足有效性。
步骤8,输出决策。
如图5所示,只有当合法性、安全性、有效性均满足的时候,当前决策可被执行,当某一条件不被满足时,保持当前状态。
本发明各个实施例的实现基础是通过具有处理器功能的设备进行程序化的处理实现的。因此在工程实际中,可以将本发明各个实施例的技术方案及其功能封装成各种模块。基于这种现实情况,在上述各实施例的基础上,本发明的实施例提供了一种基于知识图谱的城区路上场景自动驾驶决策装置,该装置用于执行上述方法实施例中的基于知识图谱的城区路上场景自动驾驶决策方法。参见图2,该装置包括:第一主模块,用于实现步骤1、提取常见道路元素及关系;第二主模块,用于实现步骤2、建立包括目标车辆类、障碍物类、道路结构类和地物的概念模型;第三主模块,用于实现步骤3、根据自动驾驶车辆在道路上的实时感知信息和道路先验知识合成高精地图;第四主模块,用于实现步骤4、所述概念模型实例化形成事实;第五主模块,用于实现步骤5、生成全局参考路径;第六主模块,用于实现步骤6、判断当前场景是否为路上场景;第七主模块,用于实现步骤7、将实例化信息作为事实,交通规则、八方位行车安全和全局参考路径作为规则,输入知识库形成知识图谱,分别从合法性、安全性和有效性进行评估;第八主模块,用于实现步骤8、输出决策。
本发明实施例提供的基于知识图谱的城区路上场景自动驾驶决策装置,采用图2中的若干模块,通过提取常见道路元素及关系建立概念模型,合成高精地图并生成全局参考路径,将实例化信息作为事实输入知识库形成知识图谱,最后从合法性、安全性和有效性进行评估并输出决策,使得车辆自动驾驶的决策具有较好的扩展性,环境信息表达充分,避免了环境信息表达的冗余。
需要说明的是,本发明提供的装置实施例中的装置,除了可以用于实现上述方法实施例中的方法外,还可以用于实现本发明提供的其他方法实施例中的方法,区别仅仅在于设置相应的功能模块,其原理与本发明提供的上述装置实施例的原理基本相同,只要本领域技术人员在上述装置实施例的基础上,参考其他方法实施例中的具体技术方案,通过组合技术特征获得相应的技术手段,以及由这些技术手段构成的技术方案,在保证技术方案具备实用性的前提下,就可以对上述装置实施例中的装置进行改进,从而得到相应的装置类实施例,用于实现其他方法类实施例中的方法。例如:
基于上述装置实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于知识图谱的城区路上场景自动驾驶决策装置,还包括:第一子模块,用于实现步骤1中,将城区驾驶场景分为路上、路口和预路口三个常规驾驶场景,道路分为路段和路口,将预路口场景定义为由路口车道实线构成的区域,将路口场景定义为两条或以上道路汇合的区域,所述区域设有道路停止线和红绿灯,将路上场景定义为路段上非预路口的区域。
基于上述装置实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于知识图谱的城区路上场景自动驾驶决策装置,还包括:第二子模块,用于实现步骤2中,目标车辆类包括目标车辆的速度、方向、位置、所在车道;障碍物类包括静态障碍;动态障碍类包括行人、动物和车辆;道路结构类主要由道路、车道及拓扑连接关系和地物构成;驾驶动作类包括纵向驾驶动作、横向驾驶动作和复合驾驶动作。
基于上述装置实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于知识图谱的城区路上场景自动驾驶决策装置,还包括:第三子模块,用于实现步骤4中,事实由两类三元组形式表示:<实例,关系,实例>或<实例,属性,属性值>。
基于上述装置实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于知识图谱的城区路上场景自动驾驶决策装置,还包括:第四子模块,用于实现步骤7中,合法性是指当前决策是否符合交通法规,安全性是指八方位障碍物是否影响当前决策的行车安全,有效性是指当前决策是否与全局导航路径一致。
基于上述装置实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于知识图谱的城区路上场景自动驾驶决策装置,还包括:第五子模块,用于实现所述从安全性进行评估,包括:
其中,TTC是两车从冲突开始到发生碰撞的时间,Di是目标车辆与周围车辆的相对距离,V是目标车辆的速度,Vi是其他交通车辆的速度;预设有减速安全阈值TTCth,计算得到各方位的碰撞时间t,RTTC(region)表示该方位是否安全;若t大于阈值,则RTTC(region)=0,行车安全无碰撞风险,否则为1,行车有碰撞风险;RTTC(le)=0表示左方安全,RTTC(lf)=0表示左前方安全,RTTC(lb)=0表示左后方安全,满足换道安全性。
基于上述装置实施例的内容,作为一种可选的实施例,本发明实施例中提供的基于知识图谱的城区路上场景自动驾驶决策装置,还包括:第六子模块,用于实现所述从有效性进行评估,包括:定义到预路口的安全距离阈值为DIJth,判断到预路口的距离是否小于距离阈值DIJth,若大于,则不必评估有效性,若小于,则评估当前车道和当前车道的后继车道是否在行车列表中,若在,则不必换道,若不在,则需换道;<目标车辆,DTJ,大于DIJth>=TURE,满足有效性;<目标车辆,DTJ,大于DIJth>=否,<目标车辆,在,车道001>,<车001,在,行车列表>=是,不满足有效性;
<目标车辆,DTJ,大于DIJth>=否,<目标车辆,在,车道001>,<车道001,在,行车列表>=否,<车道001,有,左车道002>,<车道002,在,行车列表>=是,满足有效性。
本发明实施例的方法是依托电子设备实现的,因此对相关的电子设备有必要做一下介绍。基于此目的,本发明的实施例提供了一种电子设备,如图3所示,该电子设备包括:至少一个处理器(processor)、通信接口(Communications Interface)、至少一个存储器(memory)和通信总线,其中,至少一个处理器,通信接口,至少一个存储器通过通信总线完成相互间的通信。至少一个处理器可以调用至少一个存储器中的逻辑指令,以执行前述各个方法实施例提供的方法的全部或部分步骤。
此外,上述的至少一个存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本发明各个方法实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置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的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件实现。基于这样的理解,上述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计算机可读存储介质中,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)执行各个实施例或者实施例的一些部分所述的方法。
附图中的流程图和框图显示了根据本发明的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。基于这种认识,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
需要说明的是,术语"包括"、"包含"或者其任何其它变体意在涵盖非排它性的包含,从而使得包括一系列要素的过程、方法、物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它要素,或者是还包括为这种过程、方法、物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……"限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于知识图谱的城区路上场景自动驾驶决策方法,其特征在于,包括:
步骤1、提取常见道路元素及关系;
步骤2、建立包括目标车辆类、障碍物类、道路结构类和地物的概念模型;
步骤3、根据自动驾驶车辆在道路上的实时感知信息和道路先验知识合成高精地图;
步骤4、所述概念模型实例化形成事实;
步骤5、生成全局参考路径;
步骤6、判断当前场景是否为路上场景;
步骤7、将实例化信息作为事实,交通规则、八方位行车安全和全局参考路径作为规则,输入知识库形成知识图谱,分别从合法性、安全性和有效性进行评估;所述合法性是指当前决策是否符合交通法规,安全性是指八方位障碍物是否影响当前决策的行车安全,有效性是指当前决策是否与全局导航路径一致;
步骤8、输出决策。
2.根据权利要求1所述的基于知识图谱的城区路上场景自动驾驶决策方法,其特征在于,步骤1中,将城区驾驶场景分为路上、路口和预路口三个常规驾驶场景,道路分为路段和路口,将预路口场景定义为由路口车道实线构成的区域,将路口场景定义为两条或以上道路汇合的区域,所述区域设有道路停止线和红绿灯,将路上场景定义为路段上非预路口的区域。
3.根据权利要求2所述的基于知识图谱的城区路上场景自动驾驶决策方法,其特征在于,步骤2中,目标车辆类包括目标车辆的速度、方向、位置、所在车道;障碍物类包括静态障碍;动态障碍类包括行人、动物和车辆;道路结构类主要由道路、车道及拓扑连接关系和地物构成;驾驶动作类包括纵向驾驶动作、横向驾驶动作和复合驾驶动作。
4.根据权利要求3所述的基于知识图谱的城区路上场景自动驾驶决策方法,其特征在于,步骤4中,事实由两类三元组形式表示:<实例,关系,实例>或<实例,属性,属性值>。
5.根据权利要求4所述的基于知识图谱的城区路上场景自动驾驶决策方法,其特征在于,所述从安全性进行评估,包括:
其中,TTC是两车从冲突开始到发生碰撞的时间,是目标车辆与周围车辆的相对距离,V是目标车辆的速度,/>是其他交通车辆的速度;预设有减速安全阈值/>,计算得到各方位的碰撞时间t,/>表示该方位是否安全;若t大于阈值,则/>,行车安全无碰撞风险,否则为1,行车有碰撞风险;/>表示左方安全,/>表示左前方安全,/>表示左后方安全,满足换道安全性。
6.根据权利要求5所述的基于知识图谱的城区路上场景自动驾驶决策方法,其特征在于,所述从有效性进行评估,包括:定义到预路口的安全距离阈值为DIJth,判断到预路口的距离是否小于距离阈值DIJth,若大于,则不必评估有效性,若小于,则评估当前车道和当前车道的后继车道是否在行车列表中,若在,则不必换道,若不在,则需换道;<目标车辆,DTJ,大于DIJth>=TURE,满足有效性;<目标车辆,DTJ,大于DIJth>=否,<目标车辆,在,车道001>,<车001,在,行车列表>=是,不满足有效性;
<目标车辆,DTJ,大于DIJth > = 否,<目标车辆,在,车道001>,<车道001,在,行车列表> = 否,<车道001,有,左车道002>,<车道002,在,行车列表> = 是,满足有效性。
7.一种基于知识图谱的城区路上场景自动驾驶决策装置,其特征在于,包括:
第一主模块,用于实现步骤1、提取常见道路元素及关系;
第二主模块,用于实现步骤2、建立包括目标车辆类、障碍物类、道路结构类和地物的概念模型;
第三主模块,用于实现步骤3、根据自动驾驶车辆在道路上的实时感知信息和道路先验知识合成高精地图;
第四主模块,用于实现步骤4、所述概念模型实例化形成事实;第五主模块,用于实现步骤5、生成全局参考路径;
第六主模块,用于实现步骤6、判断当前场景是否为路上场景;
第七主模块,用于实现步骤7、将实例化信息作为事实,交通规则、八方位行车安全和全局参考路径作为规则,输入知识库形成知识图谱,分别从合法性、安全性和有效性进行评估;所述合法性是指当前决策是否符合交通法规,安全性是指八方位障碍物是否影响当前决策的行车安全,有效性是指当前决策是否与全局导航路径一致;
第八主模块,用于实现步骤8、输出决策。
8.一种电子设备,其特征在于,包括:
至少一个处理器、至少一个存储器和通信接口;其中,
所述处理器、存储器和通信接口相互间进行通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以执行权利要求1至6任一项权利要求所述的方法。
9.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行权利要求1至6中任一项权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210889704.3A CN115257807B (zh) | 2022-07-27 | 2022-07-27 | 基于知识图谱的城区路上场景自动驾驶决策方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210889704.3A CN115257807B (zh) | 2022-07-27 | 2022-07-27 | 基于知识图谱的城区路上场景自动驾驶决策方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115257807A CN115257807A (zh) | 2022-11-01 |
CN115257807B true CN115257807B (zh) | 2024-01-30 |
Family
ID=83768312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210889704.3A Active CN115257807B (zh) | 2022-07-27 | 2022-07-27 | 基于知识图谱的城区路上场景自动驾驶决策方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115257807B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921947A (zh) * | 2018-07-23 | 2018-11-30 | 百度在线网络技术(北京)有限公司 | 生成电子地图的方法、装置、设备、存储介质以及采集实体 |
CN110580294A (zh) * | 2019-09-11 | 2019-12-17 | 腾讯科技(深圳)有限公司 | 实体融合方法、装置、设备及存储介质 |
CN111444344A (zh) * | 2020-03-27 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 实体分类方法、装置、计算机设备和存储介质 |
US10823562B1 (en) * | 2019-01-10 | 2020-11-03 | State Farm Mutual Automobile Insurance Company | Systems and methods for enhanced base map generation |
CN113320545A (zh) * | 2021-07-01 | 2021-08-31 | 江苏理工学院 | 一种基于线控智能车辆的预路口行为决策方法 |
CN113535871A (zh) * | 2021-06-25 | 2021-10-22 | 杨粤湘 | 基于出行图谱的车辆目的地预测方法、装置、设备及介质 |
CN114212108A (zh) * | 2021-12-29 | 2022-03-22 | 阿波罗智联(北京)科技有限公司 | 自动驾驶方法、装置、车辆、存储介质及产品 |
CN114443784A (zh) * | 2020-11-02 | 2022-05-06 | 上海竺程信息科技有限公司 | 基于高精度地图的本地动态地图实现方法 |
KR20220100813A (ko) * | 2021-06-29 | 2022-07-18 | 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 | 자율주행 차량 정합 방법, 장치, 전자 기기 및 차량 |
-
2022
- 2022-07-27 CN CN202210889704.3A patent/CN115257807B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921947A (zh) * | 2018-07-23 | 2018-11-30 | 百度在线网络技术(北京)有限公司 | 生成电子地图的方法、装置、设备、存储介质以及采集实体 |
US10823562B1 (en) * | 2019-01-10 | 2020-11-03 | State Farm Mutual Automobile Insurance Company | Systems and methods for enhanced base map generation |
CN110580294A (zh) * | 2019-09-11 | 2019-12-17 | 腾讯科技(深圳)有限公司 | 实体融合方法、装置、设备及存储介质 |
CN111444344A (zh) * | 2020-03-27 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 实体分类方法、装置、计算机设备和存储介质 |
CN114443784A (zh) * | 2020-11-02 | 2022-05-06 | 上海竺程信息科技有限公司 | 基于高精度地图的本地动态地图实现方法 |
CN113535871A (zh) * | 2021-06-25 | 2021-10-22 | 杨粤湘 | 基于出行图谱的车辆目的地预测方法、装置、设备及介质 |
KR20220100813A (ko) * | 2021-06-29 | 2022-07-18 | 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 | 자율주행 차량 정합 방법, 장치, 전자 기기 및 차량 |
CN113320545A (zh) * | 2021-07-01 | 2021-08-31 | 江苏理工学院 | 一种基于线控智能车辆的预路口行为决策方法 |
CN114212108A (zh) * | 2021-12-29 | 2022-03-22 | 阿波罗智联(北京)科技有限公司 | 自动驾驶方法、装置、车辆、存储介质及产品 |
Non-Patent Citations (1)
Title |
---|
基于知识图谱推理的风险车辆识别方法研究;俞山川等;《重庆交通大学学报》;第41卷(第1期);第22-28页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115257807A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10982961B2 (en) | Vehicle control system and vehicle control device | |
CN111653113B (zh) | 车辆的局部路径确定方法、装置、终端和存储介质 | |
RU2760046C1 (ru) | Способ помощи при вождении и устройство помощи при вождении | |
CN112601686A (zh) | 具有安全距离的导航的***和方法 | |
CN113212454B (zh) | 车辆行驶状态的调整方法、装置、计算机设备和存储介质 | |
CN113085852A (zh) | 自动驾驶车辆的行为预警方法、装置及云端设备 | |
US11615702B2 (en) | Determining vehicle path | |
CN113071487B (zh) | 自动驾驶车辆控制方法、装置及云端设备 | |
US20230143805A1 (en) | Control device, control method, and control program product | |
WO2023092451A1 (zh) | 预测可行驶车道的方法和装置 | |
CN111731294A (zh) | 行驶控制装置、行驶控制方法以及存储程序的存储介质 | |
DE102021211781A1 (de) | Fahrzeugbetrieb unter verwendung von verhaltensregelprüfungen | |
JP7369078B2 (ja) | 車両制御装置、車両制御方法、及びプログラム | |
CN116034359A (zh) | 用于以至少两个互不依赖的成像环境检测传感器来进行环境检测的方法、用于执行该方法的设备、车辆以及对应设计的计算机程序 | |
Kohlhaas et al. | Towards driving autonomously: Autonomous cruise control in urban environments | |
KR20210005395A (ko) | 자율주행차량의 유턴 전략 결정 장치 및 그 방법 | |
JP7043765B2 (ja) | 車両走行制御方法及び装置 | |
KR20220110068A (ko) | 기동 생성을 사용한 차량 작동 | |
EP3967978B1 (en) | Detecting a construction zone by a lead autonomous vehicle (av) and updating routing plans for following autonomous vehicles (avs) | |
US11068735B2 (en) | Reliability calculation apparatus | |
CN116466697A (zh) | 用于运载工具的方法、***以及存储介质 | |
CN115223131A (zh) | 一种自适应巡航的跟随目标车辆检测方法、装置及汽车 | |
CN113734191A (zh) | 人工地虚造传感器数据以发起用于自动驾驶车辆的安全动作 | |
JP7464425B2 (ja) | 車両制御装置、車両制御方法、及びプログラム | |
CN115257807B (zh) | 基于知识图谱的城区路上场景自动驾驶决策方法及设备 |
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 |