CN108495287B - 适用于车载短距离通信网自动驾驶的目标识别和学习方法 - Google Patents

Abstract

本发明提供一种适用于车载短距离通信网自动驾驶的目标识别和学习方法，对于特定的路段，起点处路侧节点配置该路段的识别因子，相应的弱分类器及历史经验权重值，将配置的各项信息发送给驶入该路段的车辆，车辆在该路段的行驶过程中，根据实时采集的路况信息，利用弱分类器构建强分类器，利用强分类器对各识别因子进行识别，车辆根据识别结果、实际操作更新弱分类器的权重值，更新强分类器，车辆驶出该路段时，将更新的弱分类器的权重值发送给终点处的路侧节点，终点处的路侧节点将弱分类器的权重值发送给起点处的路侧节点，作为弱分类器的历史经验权重值，在上述过程中，不断学习在该路段的驾驶方式，逐步提高满足该路段特点的自动驾驶性能。

Description

适用于车载短距离通信网自动驾驶的目标识别和学习方法

技术领域

本发明涉及一种适用于车载短距离通信网自动驾驶的目标识别和学习方法，属于移动通信技术领域。

背景技术

车载短距离通信(Vehicle to X：V2X)网络是通过无线通信、GPS/GIS、传感等短距离通信技术实现的车内(CAN-Controller Area Network)、车路(Vehicle-2-RSU)、车间(Vehicle-2-Vehicle)、车外(vehicle-2-Infrastructure)、人车(Vehicle-2-Person)之间的通信。

在V2X网络中，设备节点主要包括车载节点(OBU：On board Units)和路侧节点(RSU：Road-Side Units)。路侧节点一般在供电上不受限制，而且天线部署位置较高，因此具有较大的覆盖范围，可以同经过其覆盖范围的车载节点通信实现信息交互。

NHTSA(美国高速公路管理局)将自动驾驶分为了五个级别，分别是0级无自动化、1级驾驶支援、2级部分自动化、3级有条件自动化、4级高度自动化、5级完全自动化。车辆的自动驾驶由低级向高级发展，但是由于道路和路况的复杂性，采用通用的自动驾驶算法难以实现在不同路段、不同路况下的准确判断与安全驾驶。

随着人工智能(AI：Artificial Intelligence)和V2X技术的快速发展，为自动驾驶系统的自适应识别提供了技术可能。

发明内容

鉴于上述原因，本发明的目的在于提供一种适用于车载短距离通信网自动驾驶的目标识别和学习方法，结合路侧节点与车载节点的特点，利用机器学习方法，不断学习在特定路段的驾驶方式，能够提高满足不同路段、不同路况的自动驾驶性能。

为实现上述目的，本发明采用以下技术方案：

一种适用于车载短距离通信网自动驾驶的目标识别和学习方法，包括：

S1：第一路侧节点设置识别因子、弱分类器及其历史经验权重值，并分发给车载节点：

S2：车载节点根据弱分类器及其历史经验权重值，构建强分类器；

S3：车载节点利用强分类器对各识别因子进行特征识别，得到识别结果；

S4：车载节点根据识别结果，更新弱分类器对应的权重值，更新强分类器；

S5：第一路侧节点根据车载节点更新的弱分类器的权重值，更新其配置的弱分类器所对应的历史经验权重值。

所述第一路侧节点配置若干识别因子，每个识别因子设定至少一个m维的特征子空间，每个特征子空间对应至少一个m维的弱分类器。

所述车载节点根据弱分类器及其历史经验权重值，对于每个特征子空间的至少一个m维的弱分类器.构建强分类器为：

其中，α_j是弱分类器

的历史经验权重值。

所述利用强分类器对识别因子的识别方法为：

其中，x为要识别的目标状态，z_1：k为从1到k时刻内，相对应的特征子空间的各特征的特征数据，p(x_k|z_1：k)为根据特征数据对当前目标的识别结果，p(z_k|x_k)为历史识别结果数据中当前特征数据出现的概率，p(z_k|z_1：k-1)为根据历史识别结果数据计算得出，p(x_k|z_1：k-1)是对k时刻x的状态x_k的预测，计算方法为：

其中，p(x_k|x_k-1)为目标的状态转移模型，由系统预设给出。

所述强分类器对相应的识别因子进行识别得到识别结果X_i，将所有强分类器的识别结果汇总得到：

将汇总后的识别结果X输出到车辆的自动驾驶系统，自动驾驶系统执行相应的自动驾驶操作。

所述步骤S4包括：

S41：对于每个识别因子，弱分类器按照公式(5)进行识别，得到识别结果为；如果弱分类器的识别结果与强分类器的识别结果X不一致，则弱分类器对应的错误识别操作计数器

S42：若车辆受到人为干预驾驶操作，如果人工操作对应的识别结果与强分类器的识别结果X不一致，则弱分类器的错误识别操作计数器

S43：计算弱分类器的错误比例：

其中，

是所有识别操作的总数；

S44：计算弱分类器的权重：

S45：计算弱分类器的综合权重：

β_i＝(λα_i+(1-λ)α′_i) (10)

其中，0≤λ≤1，为动态结果权重值和历史经验权重值的分配比例。

所述车载节点更新强分类器为：

本发明的优点是：

本发明的适用于车载短距离通信网自动驾驶的目标识别和学习方法，利用路侧节点与车载节点的特点，通过路侧节点配置识别因子、弱分类器及其权重值，车载节点根据实时路况信息，利用构建的强分类器进行识别，并更新弱分类器的权重值，若干车辆经过路段，利用上述过程不断学习在该路段的驾驶方式，逐步提高满足该路段特点的自动驾驶性能。

附图说明

图1是本发明的方法流程示意图。

图2是本发明一具体实施例的应用场景示意图。

具体实施方式

以下结合附图和实施例对本发明做进一步详细的说明。

如图1、2所示，在路段L上驾驶装有自动驾驶系统的车辆，路段L的起点处设有第一路侧节点RSU-A，路段L的终点处设有第二路侧节点RSU-B，在车辆从起点到终点的行驶过程中，车辆识别路段L的相关特征，路侧节点结合车辆的识别结果、人工干预驾驶行为等进行误差校对，从而不断学习在路段L的驾驶方式，逐步提高满足路段L特点的自动驾驶性能。

本发明公开的适用于车载短距离通信网自动驾驶的目标识别和学习方法，包括以下步骤：

S1：第一路侧节点设置识别因子、弱分类器及其历史经验权重值，并分发给车载节点；

识别因子是针对相邻路侧节点之间的路段，进行自动驾驶而需要识别的因素，不同路段需要识别的因素不同。识别因子表示为：

D＝{D₁，...，D_n} (1)

n为识别因子的个数，可根据具体路段的实际情况进行设置。识别因子例如可以是：D₁为车道识别，D₂为拐弯识别，D₃为障碍物识别等。

其中，每个识别因子设定至少一个m维的特征子空间：

d_t＝{d₁，...，d_m} (2)

即，对于识别因子D_t，有至少m个特征需要识别，例如，对于识别因子D₃(障碍物识别)，其需要识别的特征包括：d₁为物体形状，d₂为移动速度，d₃为移动方向，d₄为物体大小，d₅为是否同地面接触等，识别因子D₃的识别结果可以是车辆、行人、动物、飘动的塑料袋等其中的一个。

对于每个识别因子对应的特征子空间，设定相应的至少一个m维的弱分类器h：

h＝{h₁，h₂，…，h_m} (3)

即，特征子空间中的每个特征均需要通过相应的至少一个弱分类器分别进行识别。

由于特征子空间中的每个特征具有不同的分类识别方法，因而根据具体的分类识别方法，每个特征对应至少一个弱分类器。

第一路侧节点将识别因子、各识别因子对应的特征子空间、各特征子空间对应的弱分类器、各弱分类器的历史经验权重值分发给经过第一路侧节点RSU-A、驶入路段L的车载节点。

S2：车载节点构建强分类器；

车载节点根据接收的各弱分类器及各弱分类器对应的历史经验权重值，对于每个特征子空间的至少一个m维的弱分类器，用强分类器对各识别因子进行识别，强分类器可以表示为：

其中，α_j是弱分类器

的历史经验权重值。

S3：车载节点利用强分类器对各识别因子进行特征识别，得到识别结果；

每个识别因子对应一个强分类器，即，强分类器h^s对相应的识别因子的特征子空间的各个特征进行识别，i∈{1，2，…，n}，识别方法为：

其中，x为要识别的目标状态，z_1：k为时间段(1到k时刻)内，相对应的特征子空间的各特征的特征数据，p(x_k|z_1：k)为根据特征数据对当前目标的识别结果，p(z_k|x_k)为似然比，也称为识别模型，为历史识别结果数据中当前特征数据出现的概率，p(z_k|z_1：k-1)为证据，可根据历史识别结果数据计算得出，p(x_k|z_1：k-1)是对k时刻x的状态x_k的预测，计算方法为：

其中，p(x_k|x_k-1)为目标的状态转移模型，由系统预设给出。

这样，在时间段(1到k时刻)内，反复针对识别因子进行预测和更新，就可以对目标状态的后验概率进行估计，从而获取目标的最佳估测。

各强分类器h^s根据式(5)分别得到识别结果X_i，将所有强分类器的识别结果汇总得到：

将汇总后的识别结果X输出到车辆的自动驾驶系统，自动驾驶系统执行相应的自动驾驶操作。

S4：车载节点根据识别结果，更新弱分类器及其权重值，更新强分类器；

具体包括：

S41：对于每个识别因子D_i，弱分类器h_i按照公式(6)进行识别，记识别结果为X`<sub>i</sub>；如果弱分类器的识别结果X`_i与识别结果X不一致，则弱分类器h_i对应的错误识别操作计数器

S42：若车辆受到人为干预驾驶操作，且人工操作对应的识别结果为Y，如果识别结果Y与强分类器的识别结果X不一致，则更新各个弱分类器的错误识别操作计数器

S43：计算各弱分类器h_i的错误比例：

其中，

是所有识别操作的总数。

S44：计算弱分类器h_i的权重：

S45：计算弱分类器的综合权重：

β_i＝(λα_i+(1-λ)α′_i) (10)

其中，0≤λ≤1，为动态结果权重值和历史经验权重值的分配比例，用以平衡动态学习结果和历史学习结果的比例。

S46：按照公式(4)，更新强分类器h^s

S5：第一路侧节点更新各弱分类器所对应的权重值。

车载节点行驶至第二路侧节点的覆盖范围之内，第二路侧节点向车载节点发送学习结果请求消息，车载节点接收该学习结果请求消息，将更新的各弱分类器的权重值发送至第二路侧节点，第二路侧节点将接收的各弱分类器的权重值发送至第一路侧节点，第一路侧节点根据接收的各弱分类器的权重值，更新自身的各弱分类器所对应的权重值，更新后的权重值作为历史经验权重值。

本发明的适用于车载短距离通信网自动驾驶的目标识别和学习方法，对于特定的路段，起点处的路侧节点配置该路段的识别因子，相应的弱分类器及历史经验权重值，将配置的各项信息发送给驶入该路段的车辆，车辆在该路段的行驶过程中，根据实时采集的路况信息，利用弱分类器构建强分类器，利用强分类器对各识别因子进行识别，得到识别结果后，车辆根据识别结果、实际操作更新弱分类器的权重值，更新强分类器，车辆驶出该路段时，将更新的弱分类器的权重值发送给终点处的路侧节点，终点处的路侧节点将弱分类器的权重值发送给起点处的路侧节点，作为弱分类器的历史经验权重值，在上述过程中，不断学习在该路段的驾驶方式，逐步提高满足该路段特点的自动驾驶性能。

以上所述是本发明的较佳实施例及其所运用的技术原理，对于本领域的技术人员来说，在不背离本发明的精神和范围的情况下，任何基于本发明技术方案基础上的等效变换、简单替换等显而易见的改变，均属于本发明保护范围之内。

Claims (3)

1.一种适用于车载短距离通信网自动驾驶的目标识别和学习方法，其特征在于，包括：

S1：第一路侧节点设置识别因子、弱分类器及其历史经验权重值，并分发给车载节点，其中：第一路侧节点配置多个识别因子，每个识别因子设定至少一个m维的特征子空间，每个特征子空间对应至少一个m维的弱分类器；

S2：车载节点根据弱分类器及其历史经验权重值，构建强分类器，其中：

车载节点根据弱分类器及其历史经验权重值，对于每个特征子空间的至少一个m维的弱分类器，构建强分类器为：

其中，α_j是弱分类器

的历史经验权重值；

S3：车载节点利用强分类器对各识别因子进行特征识别，得到识别结果，其中：

利用强分类器对识别因子的识别方法为：

其中，x为要识别的目标状态，z_1:k为从1到k时刻内，相对应的特征子空间的各特征的特征数据，p(x_k|z_1:k)为根据特征数据对当前目标的识别结果，p(z_k|x_k)为历史识别结果数据中当前特征数据出现的概率，p(z_k|z_1:k-1)为根据历史识别结果数据计算得出，p(x_k|z_1:k-1)是对k时刻x的状态x_k的预测，计算方法为：

其中，p(x_k|x_k-1)为目标的状态转移模型，由系统预设给出；

强分类器对相应的识别因子进行识别得到识别结果X_i，将所有强分类器的识别结果汇总得到：

将汇总后的识别结果X输出到车辆的自动驾驶系统，自动驾驶系统执行相应的自动驾驶操作；

S4：车载节点根据识别结果，更新弱分类器对应的权重值，更新强分类器；

S5：第一路侧节点根据车载节点更新的弱分类器的权重值，更新其配置的弱分类器所对应的历史经验权重值。

2.根据权利要求1所述的适用于车载短距离通信网自动驾驶的目标识别和学习方法，其特征在于，所述步骤S4包括：

S41：对于每个识别因子，弱分类器按照公式(5)进行识别，得到识别结果为；如果弱分类器的识别结果与强分类器的识别结果X不一致，则弱分类器对应的错误识别操作计数器

S42：若车辆受到人为干预驾驶操作，如果人工操作对应的识别结果与强分类器的识别结果X不一致，则弱分类器的错误识别操作计数器

S43：计算弱分类器的错误比例：

其中，

是所有识别操作的总数；

S44：计算弱分类器的权重：

S45：计算弱分类器的综合权重：

β_i＝(λα_i+(1-λ)α′_i) (10)

其中，0≤λ≤1，为动态结果权重值和历史经验权重值的分配比例。

3.根据权利要求2所述的适用于车载短距离通信网自动驾驶的目标识别和学习方法，其特征在于，所述车载节点更新强分类器为：

Images