CN109902899A - 信息生成方法和装置 - Google Patents

信息生成方法和装置 Download PDF

Info

Publication number
CN109902899A
CN109902899A CN201711309598.2A CN201711309598A CN109902899A CN 109902899 A CN109902899 A CN 109902899A CN 201711309598 A CN201711309598 A CN 201711309598A CN 109902899 A CN109902899 A CN 109902899A
Authority
CN
China
Prior art keywords
road
vehicle
information
crossing
road conditions
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.)
Granted
Application number
CN201711309598.2A
Other languages
English (en)
Other versions
CN109902899B (zh
Inventor
孔繁夺
闫婧
陶扬
胡云艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Apollo Intelligent Technology Beijing Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201711309598.2A priority Critical patent/CN109902899B/zh
Priority to US16/134,850 priority patent/US10809723B2/en
Publication of CN109902899A publication Critical patent/CN109902899A/zh
Application granted granted Critical
Publication of CN109902899B publication Critical patent/CN109902899B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
    • G08G1/096811—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route where the route is computed offboard
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Electromagnetism (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Business, Economics & Management (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请实施例公开了信息生成方法和装置。该方法的一具体实施方式包括：获取待评估驾驶难度的道路的关联信息；基于该关联信息，生成该道路的通行环境信息；将该道路的通行环境信息输入到驾驶难度评估模型，得到该道路对于自动驾驶汽车的驾驶难度的等级。实现了对道路对于自动驾驶汽车的驾驶难度进行评估，得到道路对于自动驾驶汽车的驾驶难度的等级，使得自动驾驶汽车可以根据各个道路对于自动驾驶汽车的驾驶难度的等级，选择在驾驶难度的等级较低的道路上行驶，降低了自动驾驶汽车自动对车辆进行控制的开销，以及降低了自动驾驶汽车发生事故的概率，提升自动驾驶汽车的安全性。

Description

信息生成方法和装置
技术领域
本申请涉及计算机技术领域，具体涉及自动驾驶技术领域，尤其涉及信息生成方法和装置。
背景技术
自动驾驶汽车是可自动对车辆进行控制的智能汽车。自动驾驶汽车行驶在的道路的通行环境越复杂，自动驾驶汽车自动对车辆进行控制的开销越大，同时，自动驾驶汽车发生事故的概率也越大。
发明内容
本申请实施例提出了信息生成方法和装置。
第一方面，本申请实施例提供了信息生成方法，该方法包括：获取待评估驾驶难度的道路的关联信息，该关联信息包括：路况图像、道路属性；基于该关联信息，生成该道路的通行环境信息；将该道路的通行环境信息输入到驾驶难度评估模型，得到该道路对于自动驾驶汽车的驾驶难度的等级，其中，驾驶难度评估模型用于表征通行环境信息与驾驶难度的等级的对应关系，通行环境信息中的每一信息项对应驾驶难度评估模型的一个模型参数，每一个模型参数的参数值指示该模型参数对应的信息项被用于确定驾驶难度的等级时的重要程度。
第二方面，本申请实施例提供了信息生成装置，该装置包括：关联信息获取单元，配置用于获取待评估驾驶难度的道路的关联信息，该关联信息包括：路况图像、道路属性；通行信息获取单元，配置用于基于该关联信息，生成该道路的通行环境信息；驾驶难度获取单元，配置用于将该道路的通行环境信息输入到驾驶难度评估模型，得到该道路对于自动驾驶汽车的驾驶难度的等级，其中，该驾驶难度评估模型用于表征通行环境信息与驾驶难度的等级的对应关系，通行环境信息中的每一信息项对应驾驶难度评估模型的一个模型参数，每一个模型参数的参数值指示该模型参数对应的信息项被用于确定驾驶难度的等级时的重要程度。
本申请实施例提供的信息生成方法和装置，通过获取待评估驾驶难度的道路的关联信息，该关联信息包括：路况图像、道路属性；基于该关联信息，生成该道路的通行环境信息；将该道路的通行环境信息输入到驾驶难度评估模型，得到该道路对于自动驾驶汽车的驾驶难度的等级，其中，驾驶难度评估模型用于表征通行环境信息与驾驶难度的等级的对应关系，通行环境信息中的每一信息项对应驾驶难度评估模型的一个模型参数，每一个模型参数的参数值指示该模型参数对应的信息项被用于确定驾驶难度的等级时的重要程度。实现了生成对道路对于自动驾驶汽车的驾驶难度进行评估，得到道路对于自动驾驶汽车的驾驶难度的等级，使得自动驾驶汽车可以根据各个道路对于自动驾驶汽车的驾驶难度的等级，选择在驾驶难度的等级较低的道路上行驶，降低了自动驾驶汽车自动对车辆进行控制的开销，以及降低了自动驾驶汽车发生事故的概率，提升自动驾驶汽车的安全性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出了可以应用本申请的信息生成方法或装置的实施例的示例性系统架构；
图2是根据本申请的信息生成方法的一个实施例的流程图；
图3是根据本申请的信息生成方法的一个应用场景的示意图；
图4是根据本申请的信息生成装置的一个实施例的结构示意图；
图5是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用于本申请的信息生成方法或装置的实施例的示例性系统架构。
系统架构包括自动驾驶汽车101、网络102、服务器103、网络104、服务器105。自动驾驶汽车101与服务器103通过网络102进行通信，服务器103与服务器105通过网络104进行通信。网络102为无线通信网络，网络104可以为有线通信网络。
服务器105可以为一个地区(例如一个城市)的交通监控中心的服务器，该服务器存储由设置在该地区的各个道路上的摄像头采集到的道路的监控视频，监控视频中的每一个图像可以称之为路况图像。
服务器103可以从服务器105获取到一个地区(例如一个城市)中的各个道路的路况图像，对路况图像进行图像识别，得到评估城市中的各个道路对于自动驾驶汽车101的驾驶难度的等级所需的道路的通行环境信息，基于各个道路的通行环境信息对各个道路对于自动驾驶汽车101的驾驶难度进行评估，得到驾驶难度的等级。
服务器103可以每间隔一个评估周期(例如一周)对一个地区的各个道路对于自动驾驶汽车101的驾驶难度进行评估，得到最新的该地区的各个道路对于自动驾驶汽车101的驾驶难度等级。
服务器103可以分时段(例如早高峰时段、晚高峰时段)分别对一个地区中的各个道路对于自动驾驶汽车101的驾驶难度进行评估，服务器出103可以分别对多个时段一个地区的各个道路对于自动驾驶汽车101的驾驶难度进行评估，多个时段可以通过对一天进行划分而得到。服务器103可以每间隔一个评估周期(例如一周)分别对多个时段一个地区的各个道路对于自动驾驶汽车101的驾驶难度进行评估，得到最新的该地区的每一个时段各个道路对于自动驾驶汽车101的驾驶难度等级。
自动驾驶汽车101可以根据当前位置和用户输入的目的地位置，自动初步规划出多条行驶路线。然后，可以向服务器103发送评估请求，该评估请求包括：自动初步规划出的行驶路线中包含的所有的道路的名称。
服务器103在接收到评估请求之后，可以根据自动驾驶汽车101自动初步规划出的行驶路线中的各条道路的名称，查找出预先评估得到各条道路的驾驶难度的等级，将自动驾驶汽车101自动初步规划出的行驶路线中的各条道路对于自动驾驶汽车101的驾驶难度的等级发送至自动驾驶汽车101，使得自动驾驶汽车101可以根据接收到的各条道路对于自动驾驶汽车101的驾驶难度的等级，重新确定出行驶路线，按照重新确定出的行驶路线行驶。
请参考图2，其示出了根据本申请的信息生成方法的一个实施例的流程。本申请实施例所提供的信息生成方法可以由服务器(例如图1中的服务器103)执行。该方法包括以下步骤：
步骤201，获取待评估驾驶难度的道路的关联信息。
在本实施例中，在评估一条道路对于自动驾驶汽车的驾驶难度时，可以首先获取该道路的关联信息。该道路的关联信息可以包括但不限于：该道路的路况图像、该道路的道路属性。可以从交通监控中心的服务器获取该道路的路况图像。可以根据该道路的名称，从电子地图中查找出该道路的道路属性，该道路的道路属性可以包括但不限于：该道路的类型、该道路中的各个路口的位置、道路上的道路设施的名称和位置。
在本实施例中，获取到的待评估驾驶难度的道路的路况图像可以为在一个时段(例如早高峰、晚高峰)采集到的路况图像。
步骤202，基于待评估驾驶难度的道路的关联信息，生成通行环境信息。
在本实施例中，通行环境信息可以包含多个信息项，在获取待评估驾驶难度的道路的路况图像、道路属性等关联信息之后，可以基于该道路的路况图像、道路属性等关联信息，分别计算出该道路的通行环境信息中的每一个信息项，从而，生成该道路的通行环境信息。
例如，一条道路的通行环境信息包括：该道路中的车辆的平均速度、该道路中的障碍物的数量、该道路中道路设施的数量。
对于该道路中的障碍物的数量，可以从获取到的路况图像中选取出该道路的每一个道路段的路况图像，分别对每一个道路段的路况图像进行图像识别，识别出每一个道路段中的障碍物，从而，确定出该道路中的障碍物的数量。道路中的障碍物的类型包括：违章停泊的车辆、侵入道路的植物、路桩。
对于该道路中的道路设施的数量，可以根据该道路的名称，可以从电子地图中查找出该道路的道路属性，道路属性中包含道路上的隧道、立交桥等道路设施的名称和位置，从而可以计算出该道路中的道路设施的数量。
对于该道路中的车辆的平均速度，可以从获取到的路况图像选取出采集时间间隔预设时长的两个路况图像，然后，可以对选取出的两个路况图像进行图像识别，识别出两个路况图像中均包含的车辆，从而，确定出在道路中的多个车辆。针对识别出的每一个车辆，分别确定车辆在路况图像中的位置。然后，可以根据车辆在路况图像中的位置和指示路况图像的采集路况图像的摄像头与车辆的距离的景深信息，计算出车辆在世界坐标系下的位置。然后，针对识别出的每一个车辆，可以分别计算出两个路况图像的采集时刻识别出的车辆在世界坐标系下的位置之间的距离，将该距离除以预设时长得到车辆的速度。在计算出每一个识别出的车辆的速度之后，可以将识别出的车辆的速度的平均速度的平均值作为道路的车辆的平均速度。
在本实施例中，获取到的待评估驾驶难度的道路的路况图像可以为在一个时段(例如早高峰、晚高峰)采集到的路况图像，相应地，生成的待评估驾驶难度的道路的通行环境信息可以为待评估驾驶难度的道路的一个时段的通行环境信息。
在本实施例的一些可选的实现方式中，道路的通行环境信息可以包括以下至少一项：道路中的车辆的平均速度、指示道路的拥堵程度的道路的饱和度、道路中的路口的预设类型的对象的平均数量、道路中的路口的冲突点的平均数量、道路中的障碍物的数量、道路中的道路设施的数量。
在本实施例的一些可选的实现方式中，一条待评估驾驶难度的道路中的车辆的平均速度可以采用以下方式确定：可以首先获取该道路的长度。可以根据该道路的名称，从电子地图中查找出该道路的道路属性，该道路的道路属性中包含该道路的长度，从而获取到该道路的长度。可以从获取到的路况图像中查找出对应的采集位置在该道路的起点或终点的路况图像，一个路况图像对应的采集位置为采集到路况图像的摄像头的位置。换言之，从获取到的图像中查找出由设置在道路的起点或终点的摄像头采集到的路况图像。然后，可以根据查找出的路况图像，确定出行驶过道路的起点的车辆和行驶过道路的终点的车辆。可以进一步确定既行驶过道路的起点又行驶过道路的终点的车辆，即确定行驶过该道路的车辆。
对于一个既行驶过该道路的车辆，可以将包含该车辆在路况图像中的位置位于该道路的起点的路况图像的采集时间和包含该车辆在路况图像中的位置位于该道路的终点的路况图像的采集时间之间的时间差作为该车辆行驶过该道路花费的时间，将该道路的长度除以该时间，得到该车辆的速度。
可以分别计算出每一个行驶过该道路的车辆的速度，然后，计算出行驶过该道路的车辆的速度平均值，将行驶过该道路的车辆的速度平均值作为该道路的车辆的平均速度。
在本实施例的一些可选的实现方式中，一条待评估驾驶难度的道路的车辆的饱和度可以采用以下方式计算：可以将单位时间行驶过该道路的车辆的数量除以该道路的最大通行量的结果作为该道路的车辆的饱和度，该道路的最大通行量为单位时间行驶过该道路的车辆的最大数量。
对于单位时间行驶过该道路的车辆的数量，可以根据获取到的路况图像中的对应的采集位置在该道路的起点和终点的路况图像，确定预设时长内行驶过该道路的车辆。可以将预设时长内行驶过该道路的车辆的数量除以预设时长的结果作为单位时间行驶过该道路的车辆的数量。
对于该道路的最大通行量，可以首先获取该道路的类型、该道路的车道数量、该道路的车道宽度。可以根据该道路的名称，从电子地图中查找出该道路的道路属性，该道路的道路属性中包含该道路的类型、该道路的车道数量、该道路的车道宽度。然后，可以分别计算该道路的每一条车道的最大通行量，将该道路的所有车道的最大通行量之和作为道路的最大通行量。
在分别计算该道路的每一条车道的最大通行量时，可以预先确定该道路的标准最大通行量、交叉口折减系数、宽度折减系数、车道折减系数表。可以根据该道路的类型，从表示道路类型与标准最大通行量的对应关系表查找出该道路的标准最大通行量。例如，单位时间为1分钟，道路类型与标准最大通行量的对应关系表中，快速路对应的标准最大通行量为40辆/分、主干路对应的标准最大通行量为30辆/分、次干路对应的标准最大通行量为26辆/分、支路对应的标准最大通行量为20辆/分。可以根据该道路的路口之间的距离，从相关的道路设计规范中查找出道路的交叉口折减系数。可以从表示车道宽度和宽度折减系数的对应关系的宽度折减系数表中查找出该道路的宽度折减系数。例如，宽度折减系数表中，车道宽度为3.5米时，宽度折减系数可以为1，车道宽度为3.25米时，宽度折减系数为0.94，车道宽度为3米时，宽度折减系数为0.85，车道宽度为2.75米时，宽度折减系数为0.77。可以根据车道折减系数表确定该道路的每一条车道的车道折减系数，例如，车道折减系数表中，第一条车道的车道折减系数为1.00，第二条车道的车道折减系数为0.80～0.89，第三条车道的车道折减系数为0.65～0.78，第四条车道的车道折减系数为0.50～0.65，第五条车道的车道折减系数为0.40～0.52。
在计算该道路的一条车道的最大通行量时，可以计算该道路的标准最大通行量与该道路的交叉口折减系数、该车道的车道折减系数、预设宽度折减系数的乘积，将该道路的标准最大通行量与该道路的交叉口折减系数、该车道的车道折减系数、宽度折减系数的乘积作为该条车道的最大通行量。
在本实施例的一些可选的实现方式中，一条待评估驾驶难度的道路中的路口的预设类型的对象的平均数量可以通过以下方式得到：可以从获取到的路况图像中查找出对应的采集位置在该道路的路口的路况图像。换言之，从获取到路况图像中查找出由设置在道路的各个路口的摄像头采集到的路况图像。
在计算一个路口的预设类型的对象的数量时，可以从由设置在该路口的摄像头采集到的路况图像中选取出多个路况图像，多个路况图像中的相邻的路况图像的采集时间间隔预设时长。然后，对多个路况图像进行图像识别，可以识别出每一个路况图像中的预设类型的对象，可以确定每一个路况图像中的预设类型的对象的数量，计算识别出的预设类型的对象的数量的平均值，将该平均值作为该路口的预设类型的对象的数量。
可以分别计算该道路的每一个路口的预设类型的对象的数量，然后，计算出该道路的该路口的预设类型的对象的数量的平均值，将该道路的该路口的预设类型的对象的数量的平均值作为道路中的路口的预设类型的对象的平均数量。
以预设类型的对象为道路的路口的行人为例，预设时长为1分钟，在计算一个路口的行人的数量时，选取出的路况图像的数量为15个。换言之，选取出的路况图像为由设置在该路口的摄像头在15分钟之内采集到的间隔为1分钟的15个路况图像。可以确定每一个路况图像中的行人的数量，计算识别出的行人的数量的平均值，将该平均值作为该路口的行人的数量。
在本实施例的一些可选的实现方式中，一条待评估驾驶难度的道路中的路口的冲突点的平均数量可以采用以下方式确定：可以从获取到的路况图像中查找出对应的采集位置在该道路的路口的路况图像。换言之，从获取到路况图像中查找出由设置在道路的各个路口的摄像头采集到的路况图像。
在计算该道路的一个路口的冲突点的数量时，可以根据在该路口采集到的多个彼此间隔预设时长的路况图像，确定多个车辆在该路口的行驶方向的变化情况和交通信号灯的状态的变化情况，根据车辆的行驶方向的变化和交通信号灯的多个变化状态，确定出该路口的多个交通状态。然后，可以确定可以分别确定该路口的分流冲突点、合流冲突点、交叉冲突点，计算出该路口的分流冲突点、合流冲突点、交叉冲突点之和，得到该路口的冲突点的数量。
可以分别计算出该道路的每一个路口的冲突点的数量，然后，计算出该道路的路口的冲突点的数量的平均值，将该道路的路口的冲突点的数量的平均值作为该道路中的路口的冲突点的平均数量。
在本实施例中，也可以采用路口冲突点全转向计算公式计算出路口的冲突点的数量。
步骤203，将通行环境信息输入到驾驶难度评估模型，得到道路对于自动驾驶汽车的驾驶难度的等级。
在本实施例中，驾驶难度评估模型用于表征通行环境信息与驾驶难度的等级的对应关系，通行环境信息中的每一信息项对应驾驶难度评估模型的一个模型参数，每一个模型参数的参数值指示该模型参数对应的信息项被用于确定驾驶难度的等级时的重要程度。所有道路的通行环境中的属于同一类型的信息项均对应驾驶难度评估模型的同一个模型参数。例如，对于车辆的平均速度，所有道路的通行环境信息中的车辆的平均速度均对应于驾驶难度评估模型的同一个表示车辆的平均速度的模型参数。对于道路中的路口的冲突点的平均数量，所有道路的通行环境信息中的路口的冲突点的平均数量均对应于驾驶难度评估模型的表示路口的冲突点的平均数量的模型参数。
在本实施例中，获取到的路况图像可以为待评估驾驶难度的道路的在一个时段(例如早高峰时段、晚高峰时段)采集到的路况图像，生成的通行环境信息可以为待评估驾驶难度的道路的一个时段的通行环境信息，相应地，将待评估驾驶难度的道路的一个时段的通行环境信息输入到驾驶难度评估模型，得到的待评估驾驶难度的道路对于自动驾驶汽车的驾驶难度的等级可以为待评估驾驶难度的道路在一个时段对于自动驾驶汽车的驾驶难度的等级。
在本实施例中，可以预先通过训练样本对预设类型的模型进行训练，将训练后的预设类型的模型确定为驾驶难度评估模型。预设类型的模型可以为用于基于输入的特征得到特征所属的对象的类型的模型。例如，预设类型的模型为支持向量机(Support VectorMachine，简称SVM)模型。
在本实施例中，在评估一条道路对于自动驾驶汽车的驾驶难度时，可以首先生成将该道路的通行环境信息对应的输入向量，输入向量中包含分别表示该道路的通行环境信息中的一个信息项的分量。然后，将该输入向量输入到驾驶难度评估模型，得到驾驶难度评估模型输出的表示该道路对于自动驾驶汽车的驾驶难度的等级的输出向量。
在本实施例中，为了得到驾驶难度评估模型，可以首先创建一个预设类型的模型，该预设类型的模型的每一个模型参数对应通行环境信息中的一个信息项。然后，对该预设类型的模型进行初始化，每一个模型参数具有一个初始值，最后，可以利用多个训练样本和训练样本的标注信息对预设类型的模型进行训练，将训练后的预设类型的模型确定为驾驶难度评估模型。一个训练样本包括一条道路的通行环境信息，该样本的标注信息为标注的该道路对于自动驾驶汽车的驾驶难度的等级。
在本实施例中，多个训练样本的标注信息可以采用以下方式得到：首先根据多个训练样本中的通行环境信息按照通行环境信息的相似度进行聚类，得到多个聚类结果。可以将聚类结果的数量作为驾驶难度的等级的数量，然后，可以根据聚类结果之间的训练样本中的通行环境信息中的相同类型的信息项之间的大小关系、聚类结果之间的训练样本中的通行环境信息所属道路的事故发生率，确定各个聚类结果之间的训练样本中的通行环境信息所属的道路的驾驶难度之间的大小关系。例如，从一个聚类结果中选取出两个训练样本，从另一个聚类结果选取出两个样本，当根据通行环境信息的信息项之间的大小关系、聚类结果之间的训练样本中的通行环境信息所属道路的事故发生率，
确定从一个聚类结果中选取出的两个训练样本中的通行环境信息所属道路的驾驶难度大于另一个聚类结果选取出两个训练样本中的通行环境信息所属道路的驾驶难度，则可以确定一个聚类结果对应的驾驶难度大于另一个聚类结果对应的驾驶难度。
在确定出所有聚类结果对应的驾驶难度之间的大小关系之后，可以按照驾驶难度由小到大的次序依次为每一个聚类结果分配一个表示驾驶难度的等级的序号，序号越大，驾驶难度的等级越高。对应的驾驶难度最低的聚类结果的序号可以为1，依次类推，每一个聚类结果的序号均比由小到大的次序排序后的该聚类结果的前一个聚类结果的序号大1。一个聚类结果中的所有训练样本中的通行环境信息所属的道路的驾驶难度的等级即为该聚类结果对应的驾驶难度的等级，从而，完成对该聚类结果中的样本的标注。在确定每一个聚类结果对应的驾驶难度的等级之后，可以完成对所有训练样本的标注，得到所有训练样本的标注信息。
在本实施例的一些可选的实现方式中，驾驶难度评估模型可以预先对用于生成驾驶难度评估模型的神经网络进行训练得到。可以首先创建用于生成驾驶难度评估模型的神经网络，用于生成驾驶难度评估模型的神经网络的网络参数包括：权重参数，每一个权重参数对应通行环境信息中的一个信息项，每一个权重参数的参数值指示对应于该权重参数的信息项被用于确定驾驶难度的等级时的重要程度。
所有道路的通行环境中的属于同一类型的信息项均对应神经网络的同一个权重参数。例如，对于车辆的平均速度，所有道路的通行环境信息中的车辆的平均速度均对应于驾驶难度评估模型的同一个表示车辆的平均速度的权重参数。对于道路中的路口的冲突点的平均数量，所有道路的通行环境信息中的路口的冲突点的平均数量均对应于神经网络的表示路口的冲突点的平均数量的权重参数。
在对创建的神经网络进行训练时，可以获取多个训练样本和每一个训练样本的标注信息。一个训练样本包括：一条道路的通行环境信息，该训练样本的标注信息包括：经标注的该训练样本中的通行环境信息所属的道路的驾驶难度的等级。一个训练样本中的一条道路的通行环境信息可以为该道路的一个时段的通行环境信息，该训练样本中的标注信息中的经标注的该训练样本中的通行环境信息所属的道路的驾驶难度的等级可以为经标注的该训练样本中的通行环境信息所属的道路在一个时段的驾驶难度的等级。
可以以有监督学习方式利用多个训练样本和每一个训练样本的标注信息对神经网络进行训练。在利用多个训练样本和每一个训练样本的标注信息对神经网络进行训练之后，将训练后的神经网络确定为驾驶难度评估模型。换言之，训练之后的神经网络可以称之为驾驶难度评估模型。
在利用一个训练样本对神经网络进行训练时，可以将该训练样本输入到神经网络，得到神经网络预测出的驾驶难度的等级，可以利用预设损失函数计算出预测出的驾驶难度的等级与该训练样本的标注信息中的驾驶难度的等级的差异程度。可以利用梯度下降算法基于该差异程度，计算出梯度信息，梯度信息指示神经网络的当前的各个权重参数的参数值与该差异程度的关联度，然后，可以基于该梯度信息，对神经网络中的权重参数的参数值进行调整。
以用于生成驾驶难度评估模型的神经网络为循环神经网络(Recurrent NeuralNetworks，简称RNN)为例，在用于生成驾驶难度评估模型的RNN的隐层中包含多个隐层节点，每一个隐层节点分别对应通行环境信息中的一个信息项。每一个隐层节点具有一个权重参数。所有道路的通行环境信息中的属于同一类型的信息项均对应用于生成驾驶难度评估模型的RNN的同一个隐层节点。例如，对于车辆的平均速度，所有道路的通行环境信息中的车辆的平均速度均对应于用于生成驾驶难度评估模型的RNN中的表示车辆的平均速度的隐层节点。对于道路中的路口的冲突点的平均数量，所有道路的通行环境信息中的路口的冲突点的平均数量均对应于用于生成驾驶难度评估模型的RNN中的表示路口的冲突点的平均数量的隐层节点。
在利用一个训练样本对用于生成驾驶难度评估模型的RNN进行训练时，可以对该样本中的一条道路的通行环境信息中的每一个信息项进行归一化处理，得到每一信息项对应的归一化处理后的数值。
例如，针对该道路中的车辆的平均速度，将该道路中的车辆的平均速度对应的预设速度等级作为该道路中的车辆的平均速度对应的归一化处理后的数值，针对该道路中的障碍物的数量，可以将该道路中的障碍物的数量对应的预设障碍物数量等级作为该道路中的障碍物的数量对应的归一化后的数值。在得到每一信息项对应的归一化处理后的数值之后，可以生成用于生成驾驶难度评估模型的RNN的输入向量，用于生成驾驶难度评估模型的RNN的输入向量中的每一个分量为每一个信息项对应的归一化处理后的数值。然后，将该输入向量输入到用于生成驾驶难度评估模型的RNN中，在用于生成驾驶难度评估模型的RNN中基于输入向量和用于生成驾驶难度评估模型的RNN中的权重参数进行前向传播，得到预测出的驾驶难度的等级，通过预设损失函数计算预测出的驾驶难度的等级与该训练样本的标注信息中的经标注的驾驶难度的等级的差异程度，然后，计算出梯度信息，梯度信息包含用于生成驾驶难度评估模型的RNN中的当前的权重参数的参数值对于该差异程度的关联度，进而根据该关联度，对用于生成驾驶难度评估模型的RNN中的权重参数的参数值进行调整。
通过多个训练样本和训练样本的标注信息训练后的用于生成驾驶难度评估模型的RNN即驾驶难度评估模型可以用于表征通行环境信息与驾驶难度的等级的对应关系，在评估一条道路对于自动驾驶汽车的驾驶难度时，可以生成将该道路的通行环境信息对应的训练后的用于生成驾驶难度评估模型的RNN的输入向量，输入向量中每一个分量为该道路的通行环境信息中的一个信息项进行归一化处理后的数值，将该输入向量输入到训练后的用于生成驾驶难度评估模型的RNN，得到训练后的用于生成驾驶难度评估模型的RNN输出的表示该道路对于自动驾驶汽车的驾驶难度的等级的输出向量。
请参考图3，其示出了根据本实施例的信息生成方法的应用场景的一个示意图。
在图3中，自动驾驶汽车301根据当前位置和用户输入的目的地位置，自动初步规划出两条候选行驶路线。候选行驶路线1包含道路1、道路2，候选行驶路线2包含道路1、道路3。然后，自动驾驶汽车301向服务器302发送评估请求，该评估请求中包含道路1、道路2、道路3的名称，服务器302预先对当前时段(例如早高峰时段)道路1、道路2、道路3对于自动驾驶汽车301的驾驶难度进行了评估，得到了当前时段道路1、道路2、道路3对于自动驾驶汽车301的驾驶难度的等级，道路2对于自动驾驶汽车301的驾驶难度的等级小于道路3对于自动驾驶汽车301的驾驶难度的等级，即道路2对于自动驾驶汽车301的驾驶难度小于道路3对于自动驾驶汽车301的驾驶难度。服务器302将当预先评估得到的道路1、道路2、道路3对于自动驾驶汽车301的驾驶难度的等级发送至自动驾驶汽车301，自动驾驶汽车301根据道路1、道路2、道路3对于自动驾驶汽车301的驾驶难度的等级，重新确定出候选行驶路线1为最终的行驶路线。
请参考图4，作为对上述各图所示方法的实现，本申请提供了一种信息生成装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于服务器中。
如图4所示，本实施例的信息生成装置包括：关联信息获取单元401，通行信息获取单元402，驾驶难度获取单元403。其中，关联信息获取单元401配置用于获取待评估驾驶难度的道路的关联信息，该关联信息包括：路况图像、道路属性；通行信息获取单元402配置用于基于该关联信息，生成该道路的通行环境信息；驾驶难度获取单元403配置用于将该道路的通行环境信息输入到驾驶难度评估模型，得到该道路对于自动驾驶汽车的驾驶难度的等级，其中，该驾驶难度评估模型用于表征通行环境信息与驾驶难度的等级的对应关系，通行环境信息中的每一信息项对应驾驶难度评估模型的一个模型参数，每一个模型参数的参数值指示该模型参数对应的信息项被用于确定驾驶难度的等级时的重要程度。
在本实施例的一些可选的实现方式中，通行环境信息包括以下至少一项：道路中的车辆的平均速度、指示道路的拥堵程度的道路的饱和度、道路中的路口的预设类型的对象的平均数量、道路中的路口的冲突点的平均数量、道路中的障碍物的数量、道路中的道路设施的数量。
在本实施例的一些可选的实现方式中，信息生成装置还包括：神经网络创建单元，配置用于创建用于生成驾驶难度评估模型的神经网络，其中，该神经网络的网络参数包括：权重参数，每一个权重参数对应通行环境信息中的一个信息项，每一个权重参数的参数值指示对应于该权重参数的信息项被用于确定驾驶难度的等级时的重要程度；样本获取单元，配置用于获取多个训练样本和每一个训练样本的标注信息，其中，训练样本包括：一条道路的通行环境信息，该训练样本的标注信息包括：经标注的该道路的驾驶难度的等级；神经网络训练单元，配置用于以有监督学习方式利用多个训练样本和每一个训练样本的标注信息对该神经网络进行训练；模型获取单元，配置用于将训练后的该神经网络确定为该驾驶难度评估模型。
在本实施例的一些可选的实现方式中，神经网络训练单元进一步配置用于：对于多个训练样本中的每个训练样本，执行以下训练操作：将该训练样本输入到该神经网络，得到预测出的驾驶难度的等级；确定预测出的驾驶难度的等级与该训练样本的标注信息中的驾驶难度的等级的差异程度，以及基于该差异程度，计算出梯度信息，该梯度信息指示该神经网络的当前的各个权重参数的参数值与该差异程度的关联度；基于该梯度信息，对该神经网络的权重参数的参数值进行调整。
在本实施例的一些可选的实现方式中，通行信息获取单元包括：平均速度计算子单元，配置用于当道路属性包括所述道路的长度时，从获取到的路况图像中查找出对应的采集位置在与该道路的起点或终点的路况图像，其中，一个路况图像对应的采集位置为采集到该路况图像的摄像头的位置；基于确定出的图像，确定出行驶过该道路的车辆；对于确定出的每一个行驶过该道路的车辆，计算出确定出的图像中该车辆的位置位于该道路的起点的路况图像的采集时间和该车辆的位置位于该道路的终点的路况图像的采集时间之间的时间差，将该道路的长度除以该时间差，得到该车辆的速度；计算出确定出的行驶过该道路的车辆的速度的平均值，将该平均值作为该道路中的车辆的平均速度。
在本实施例的一些可选的实现方式中，通行信息获取单元包括：饱和度计算子单元，配置用于当道路属性包括所述道路的类型、该道路的车道数量、该道路的车道宽度时，基于获取到的路况图像中的对应的采集位置在该道路的起点和终点的路况图像，确定预设时长内行驶过所述道路的车辆，其中，一个路况图像对应的采集位置为采集到所述路况图像的摄像头的位置；基于预设时长内行驶过该道路的车辆的数量和该预设时长，计算出单位时间行驶过该道路的车辆的数量；基于该道路属性，计算出该道路的最大通行量，该最大通行量为单位时间行驶过该道路的车辆的最大数量；将该单位时间行驶过该道路的车辆的数量除以该最大通行量，得到该道路的饱和度。
在本实施例的一些可选的实现方式中，通行信息获取单元包括：对象数量计算子单元，配置用于从获取到的路况图像中查找出对应的采集位置在与该道路的路口，其中，一个路况图像对应的采集位置为采集到该路况图像的摄像头的位置；对于该道路的每一个路口，确定查找出的路况图像中的对应的采集位置在该路口的多个路况图像，其中，多个路况图像中采集时间相邻的路况图像的采集时间的时间差为预设时长；对多个路况图像进行图像识别；计算识别出的预设类型的对象的数量的平均值；将该平均值作为该路口的预设类型的对象的数量；计算出该道路的路口的预设类型的对象的数量的平均值；将该道路的路口的预设类型的对象的数量的平均值作为该道路中的路口的预设类型的对象的平均数量。
在本实施例的一些可选的实现方式中，通行信息获取单元包括：冲突点数量计算子单元，配置用于从获取到的路况图像中查找出对应的采集位置在与该道路的路口路况图像，一个路况图像对应的采集位置为采集到该路况图像的摄像头的位置；对于该道路的每一个路口，确定查找出的路况图像中的对应的采集位置在与该路口的多个路况图像；基于多个路况图像，确定车辆在该路口的行驶方向的变化情况和交通信号灯的状态的变化情况；基于该车辆在该路口的行驶方向的变化情况和交通信号灯的状态的变化情况，确定出该路口的冲突点；计算出该道路的路口的冲突点的数量的平均值，将该平均值作为该道路中的路口的冲突点的平均数量。
图5示出了适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
如图5所示，计算机系统包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中，还存储有计算机系统操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：输入部分506；输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，本申请的实施例中描述的过程可以被实现为计算机程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包括用于执行流程图所示的方法的指令。该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。
本申请还提供了一种服务器，该服务器可以配置有一个或多个处理器；存储器，用于存储一个或多个程序，一个或多个程序中可以包含用以执行上述步骤201-203中描述的操作的指令。当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器执行上述步骤201-203中描述的操作。
本申请还提供了一种计算机可读介质，该计算机可读介质可以是服务器中所包括的；也可以是单独存在，未装配入服务器中。上述计算机可读介质承载有一个或者多个程序，当一个或者多个程序被服务器执行时，使得服务器：获取待评估驾驶难度的道路的关联信息，该关联信息包括：路况图像、道路属性；基于该关联信息，生成该道路的通行环境信息；将该道路的通行环境信息输入到驾驶难度评估模型，得到该道路对于自动驾驶汽车的驾驶难度的等级，其中，驾驶难度评估模型用于表征通行环境信息与驾驶难度的等级的对应关系，通行环境信息中的每一信息项对应驾驶难度评估模型的一个模型参数，每一个模型参数的参数值指示该模型参数对应的信息项被用于确定驾驶难度的等级时的重要程度。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、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。在这点上，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，该模块、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，两个接连地表示的方框实际上可以基本并行地执行，它们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操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括关联信息获取单元，通行信息获取单元，驾驶难度获取单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，关联信息获取单元还可以被描述为“用于获取待评估驾驶难度的道路的关联信息的单元”。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (18)

1.一种信息生成方法，包括：
获取待评估驾驶难度的道路的关联信息，所述关联信息包括：路况图像、道路属性；
基于所述关联信息，生成所述道路的通行环境信息；
将所述道路的通行环境信息输入到驾驶难度评估模型，得到所述道路对于自动驾驶汽车的驾驶难度的等级，其中，所述驾驶难度评估模型用于表征通行环境信息与驾驶难度的等级的对应关系，通行环境信息中的每一信息项对应驾驶难度评估模型的一个模型参数，每一个模型参数的参数值指示该模型参数对应的信息项被用于确定驾驶难度的等级时的重要程度。
2.根据权利要求1所述的方法，通行环境信息包括以下至少一项：道路中的车辆的平均速度、指示道路的拥堵程度的道路的饱和度、道路中的路口的预设类型的对象的平均数量、道路中的路口的冲突点的平均数量、道路中的障碍物的数量、道路中的道路设施的数量。
3.根据权利要求2所述的方法，所述驾驶难度评估模型通过以下步骤得到：
创建用于生成驾驶难度评估模型的神经网络，其中，所述神经网络的网络参数包括：权重参数，每一个权重参数对应通行环境信息中的一个信息项，每一个权重参数的参数值指示对应于该权重参数的信息项被用于确定驾驶难度的等级时的重要程度；
获取多个训练样本和每一个训练样本的标注信息，其中，训练样本包括：一条道路的通行环境信息，所述训练样本的标注信息包括：经标注的所述道路的驾驶难度的等级；
以有监督学习方式利用多个训练样本和每一个训练样本的标注信息对所述神经网络进行训练；
将训练后的所述神经网络确定为所述驾驶难度评估模型。
4.根据权利要求3所述的方法，所述以有监督学习方式利用多个训练样本和每一个训练样本的标注信息对所述神经网络进行训练包括：
对于多个训练样本中的每个训练样本，执行以下训练操作：将该训练样本输入到所述神经网络，得到预测出的驾驶难度的等级；确定预测出的驾驶难度的等级与该训练样本的标注信息中的驾驶难度的等级的差异程度，以及基于所述差异程度，计算出梯度信息，所述梯度信息指示所述神经网络的当前的各个权重参数的参数值与所述差异程度的关联度；基于所述梯度信息，对所述神经网络的权重参数的参数值进行调整。
5.根据权利要求4所述的方法，道路属性包括：所述道路的长度；以及
基于所述关联信息，生成所述道路的通行环境信息包括：
从获取到的路况图像中查找出对应的采集位置在与所述道路的起点或终点的路况图像，其中，一个路况图像对应的采集位置为采集到所述路况图像的摄像头的位置；
基于确定出的图像，确定出行驶过所述道路的车辆；
对于确定出的每一个行驶过所述道路的车辆，计算出确定出的图像中该车辆的位置位于所述道路的起点的路况图像的采集时间和该车辆的位置位于所述道路的终点的路况图像的采集时间之间的时间差，将所述道路的长度除以所述时间差，得到该车辆的速度；
计算出确定出的行驶过所述道路的车辆的速度的平均值，将所述平均值作为所述道路中的车辆的平均速度。
6.根据权利要求4所述的方法，道路属性包括：所述道路的类型、所述道路的车道数量、所述道路的车道宽度；以及
基于所述关联信息，生成所述道路的通行环境信息包括：
基于获取到的路况图像中的对应的采集位置在所述道路的起点和终点的路况图像，确定预设时长内行驶过所述道路的车辆，其中，一个路况图像对应的采集位置为采集到所述路况图像的摄像头的位置；
基于预设时长内行驶过所述道路的车辆的数量和所述预设时长，计算出单位时间行驶过所述道路的车辆的数量；
基于所述道路属性，计算出所述道路的最大通行量，所述最大通行量为单位时间行驶过所述道路的车辆的最大数量；
将所述单位时间行驶过所述道路的车辆的数量除以所述最大通行量，得到所述道路的饱和度。
7.根据权利要求4所述的方法，基于所述关联信息，生成所述道路的通行环境信息包括：
从获取到的路况图像中查找出对应的采集位置在与所述道路的路口，其中，一个路况图像对应的采集位置为采集到所述路况图像的摄像头的位置；
对于所述道路的每一个路口，确定查找出的路况图像中的对应的采集位置在该路口的多个路况图像，其中，多个路况图像中采集时间相邻的路况图像的采集时间的时间差为预设时长；对多个路况图像进行图像识别；计算识别出的预设类型的对象的数量的平均值；将所述平均值作为该路口的预设类型的对象的数量；
计算出所述道路的路口的预设类型的对象的数量的平均值；
将所述道路的路口的预设类型的对象的数量的平均值作为所述道路中的路口的预设类型的对象的平均数量。
8.根据权利要求4所述的方法，基于所述关联信息，生成所述道路的通行环境信息包括：
从获取到的路况图像中查找出对应的采集位置在与所述道路的路口路况图像，一个路况图像对应的采集位置为采集到所述路况图像的摄像头的位置；
对于所述道路的每一个路口，确定查找出的路况图像中的对应的采集位置在与该路口的多个路况图像；基于多个路况图像，确定车辆在该路口的行驶方向的变化情况和交通信号灯的状态的变化情况；基于所述车辆在该路口的行驶方向的变化情况和交通信号灯的状态的变化情况，确定出该路口的冲突点；
计算出所述道路的路口的冲突点的数量的平均值，将所述平均值作为所述道路中的路口的冲突点的平均数量。
9.一种信息生成装置，包括：
关联信息获取单元，配置用于获取待评估驾驶难度的道路的关联信息，所述关联信息包括：路况图像、道路属性；
通行信息获取单元，配置用于基于所述关联信息，生成所述道路的通行环境信息；
驾驶难度获取单元，配置用于将所述道路的通行环境信息输入到驾驶难度评估模型，得到所述道路对于自动驾驶汽车的驾驶难度的等级，其中，所述驾驶难度评估模型用于表征通行环境信息与驾驶难度的等级的对应关系，通行环境信息中的每一信息项对应驾驶难度评估模型的一个模型参数，每一个模型参数的参数值指示该模型参数对应的信息项被用于确定驾驶难度的等级时的重要程度。
10.根据权利要求9所述的装置，通行环境信息包括以下至少一项：道路中的车辆的平均速度、指示道路的拥堵程度的道路的饱和度、道路中的路口的预设类型的对象的平均数量、道路中的路口的冲突点的平均数量、道路中的障碍物的数量、道路中的道路设施的数量。
11.根据权利要求10所述的装置，所述装置还包括：
神经网络创建单元，配置用于创建用于生成驾驶难度评估模型的神经网络，其中，所述神经网络的网络参数包括：权重参数，每一个权重参数对应通行环境信息中的一个信息项，每一个权重参数的参数值指示对应于该权重参数的信息项被用于确定驾驶难度的等级时的重要程度；
样本获取单元，配置用于获取多个训练样本和每一个训练样本的标注信息，其中，训练样本包括：一条道路的通行环境信息，所述训练样本的标注信息包括：经标注的所述道路的驾驶难度的等级；
神经网络训练单元，配置用于以有监督学习方式利用多个训练样本和每一个训练样本的标注信息对所述神经网络进行训练；
模型获取单元，配置用于将训练后的所述神经网络确定为所述驾驶难度评估模型。
12.根据权利要求11所述的装置，所述神经网络训练单元进一步配置用于：对于多个训练样本中的每个训练样本，执行以下训练操作：将该训练样本输入到所述神经网络，得到预测出的驾驶难度的等级；确定预测出的驾驶难度的等级与该训练样本的标注信息中的驾驶难度的等级的差异程度，以及基于所述差异程度，计算出梯度信息，所述梯度信息指示所述神经网络的当前的各个权重参数的参数值与所述差异程度的关联度；基于所述梯度信息，对所述神经网络的权重参数的参数值进行调整。
13.根据权利要求12所述的装置，所述通行信息获取单元包括：
平均速度计算子单元，配置用于当道路属性包括所述道路的长度时，从获取到的路况图像中查找出对应的采集位置在与所述道路的起点或终点的路况图像，其中，一个路况图像对应的采集位置为采集到所述路况图像的摄像头的位置；基于确定出的图像，确定出行驶过所述道路的车辆；对于确定出的每一个行驶过所述道路的车辆，计算出确定出的图像中该车辆的位置位于所述道路的起点的路况图像的采集时间和该车辆的位置位于所述道路的终点的路况图像的采集时间之间的时间差，将所述道路的长度除以所述时间差，得到该车辆的速度；计算出确定出的行驶过所述道路的车辆的速度的平均值，将所述平均值作为所述道路中的车辆的平均速度。
14.根据权利要求12所述的装置，所述通行信息获取单元包括：
饱和度计算子单元，配置用于当道路属性包括所述道路的类型、所述道路的车道数量、所述道路的车道宽度时，基于获取到的路况图像中的对应的采集位置在所述道路的起点和终点的路况图像，确定预设时长内行驶过所述道路的车辆，其中，一个路况图像对应的采集位置为采集到所述路况图像的摄像头的位置；基于预设时长内行驶过所述道路的车辆的数量和所述预设时长，计算出单位时间行驶过所述道路的车辆的数量；基于所述道路属性，计算出所述道路的最大通行量，所述最大通行量为单位时间行驶过所述道路的车辆的最大数量；将所述单位时间行驶过所述道路的车辆的数量除以所述最大通行量，得到所述道路的饱和度。
15.根据权利要求12所述的装置，所述通行信息获取单元包括：
对象数量计算子单元，配置用于从获取到的路况图像中查找出对应的采集位置在与所述道路的路口，其中，一个路况图像对应的采集位置为采集到所述路况图像的摄像头的位置；对于所述道路的每一个路口，确定查找出的路况图像中的对应的采集位置在该路口的多个路况图像，其中，多个路况图像中采集时间相邻的路况图像的采集时间的时间差为预设时长；对多个路况图像进行图像识别；计算识别出的预设类型的对象的数量的平均值；将所述平均值作为该路口的预设类型的对象的数量；计算出所述道路的路口的预设类型的对象的数量的平均值；将所述道路的路口的预设类型的对象的数量的平均值作为所述道路中的路口的预设类型的对象的平均数量。
16.根据权利要求12所述的装置，所述通行信息获取单元包括：
冲突点数量计算子单元，配置用于从获取到的路况图像中查找出对应的采集位置在与所述道路的路口路况图像，一个路况图像对应的采集位置为采集到所述路况图像的摄像头的位置；对于所述道路的每一个路口，确定查找出的路况图像中的对应的采集位置在与该路口的多个路况图像；基于多个路况图像，确定车辆在该路口的行驶方向的变化情况和交通信号灯的状态的变化情况；基于所述车辆在该路口的行驶方向的变化情况和交通信号灯的状态的变化情况，确定出该路口的冲突点；计算出所述道路的路口的冲突点的数量的平均值，将所述平均值作为所述道路中的路口的冲突点的平均数量。
17.一种服务器，包括：
一个或多个处理器；
存储装置，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1-8中任一所述的方法。
18.一种计算机可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
CN201711309598.2A 2017-12-11 2017-12-11 信息生成方法和装置 Active CN109902899B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201711309598.2A CN109902899B (zh) 2017-12-11 2017-12-11 信息生成方法和装置
US16/134,850 US10809723B2 (en) 2017-12-11 2018-09-18 Method and apparatus for generating information

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711309598.2A CN109902899B (zh) 2017-12-11 2017-12-11 信息生成方法和装置

Publications (2)

Publication Number Publication Date
CN109902899A true CN109902899A (zh) 2019-06-18
CN109902899B CN109902899B (zh) 2020-03-10

Family

ID=66696773

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711309598.2A Active CN109902899B (zh) 2017-12-11 2017-12-11 信息生成方法和装置

Country Status (2)

Country Link
US (1) US10809723B2 (zh)
CN (1) CN109902899B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110428092A (zh) * 2019-07-15 2019-11-08 南京邮电大学 智能自动驾驶方法及装置、存储介质和终端
CN111477028A (zh) * 2020-04-28 2020-07-31 北京百度网讯科技有限公司 用于生成信息的方法和装置
CN111553319A (zh) * 2020-05-14 2020-08-18 北京百度网讯科技有限公司 用于获取信息的方法和装置
CN113325261A (zh) * 2021-07-15 2021-08-31 北京智能车联产业创新中心有限公司 自动驾驶车辆工控硬件的温湿度适应性测试方法及系统
CN113619611A (zh) * 2021-10-11 2021-11-09 北京小米移动软件有限公司 自动驾驶控制方法、设备及存储介质
CN113642644A (zh) * 2021-08-13 2021-11-12 北京赛目科技有限公司 车辆环境等级的确定方法、装置、电子设备及存储介质
CN114595913A (zh) * 2020-12-03 2022-06-07 通用汽车环球科技运作有限责任公司 基于人类推理的自主车辆表现评分系统和方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11325606B2 (en) * 2019-01-02 2022-05-10 Qualcomm Incorporated Methods and systems for establishing cooperative driving engagements with vehicles having varying levels of autonomy
CN112291283B (zh) * 2019-07-22 2023-03-10 华为技术有限公司 一种通信方法及装置
US20220092313A1 (en) * 2020-09-24 2022-03-24 Baidu Usa Llc Method for deep neural network functional module deduplication
WO2022221979A1 (zh) * 2021-04-19 2022-10-27 华为技术有限公司 一种自动驾驶场景的生成方法、装置及系统
CN113781773B (zh) * 2021-08-17 2023-01-03 深圳市诺龙技术股份有限公司 一种交通运行评估方法、装置、系统及电子设备
CN115660520B (zh) * 2022-12-14 2023-03-28 昆明理工大学 一种基于交通运输物流的数据分析方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009018765A (ja) * 2007-07-13 2009-01-29 Osaka Prefecture Univ ドライバ特性検出装置
CN104851295A (zh) * 2015-05-22 2015-08-19 北京嘀嘀无限科技发展有限公司 获取路况信息的方法和系统
CN104933856A (zh) * 2014-03-17 2015-09-23 径卫视觉科技（上海）有限公司 道路路况实时评估系统及方法
CN107301776A (zh) * 2016-10-09 2017-10-27 上海炬宏信息技术有限公司 基于视频检测技术的车道路况处理及发布方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5173691A (en) * 1990-07-26 1992-12-22 Farradyne Systems, Inc. Data fusion process for an in-vehicle traffic congestion information system
US8965677B2 (en) * 1998-10-22 2015-02-24 Intelligent Technologies International, Inc. Intra-vehicle information conveyance system and method
US8983771B2 (en) * 1997-10-22 2015-03-17 Intelligent Technologies International, Inc. Inter-vehicle information conveyance system and method
US20100194593A1 (en) * 2009-02-05 2010-08-05 Paccar Inc Neural network for intelligent transportation systems
US20140067265A1 (en) * 2012-08-28 2014-03-06 Cvg Management Corporation Road condition tracking and presentation
US9755850B2 (en) * 2014-05-01 2017-09-05 Elizabeth B. Stolfus Providing dynamic routing alternatives based on determined traffic conditions
US9805601B1 (en) * 2015-08-28 2017-10-31 State Farm Mutual Automobile Insurance Company Vehicular traffic alerts for avoidance of abnormal traffic conditions
US10048700B1 (en) * 2015-12-01 2018-08-14 Amazon Technologies, Inc. Generating state information for autonomous vehicles
US9840252B2 (en) * 2015-12-03 2017-12-12 International Business Machines Corporation System and method for vehicle assisted response to road conditions
US9672734B1 (en) * 2016-04-08 2017-06-06 Sivalogeswaran Ratnasingam Traffic aware lane determination for human driver and autonomous vehicle driving system
CN109641538A (zh) * 2016-07-21 2019-04-16 国际智能技术公司 使用车辆创建，更新地图的系统和方法
WO2018026733A1 (en) * 2016-07-31 2018-02-08 Netradyne Inc. Determining causation of traffic events and encouraging good driving behavior
JP6830212B2 (ja) * 2016-09-13 2021-02-17 パナソニックＩｐマネジメント株式会社 路面状態予測システム、運転支援システム、路面状態予測方法及びデータ配信方法
US11060876B2 (en) * 2017-11-10 2021-07-13 International Business Machines Corporation Assessing environmental conditions and administering a modification to self driven vehicles
US10345811B2 (en) * 2017-11-14 2019-07-09 GM Global Technology Operations LLC Method and apparatus for scenario generation and parametric sweeps for the development and evaluation of autonomous driving systems

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009018765A (ja) * 2007-07-13 2009-01-29 Osaka Prefecture Univ ドライバ特性検出装置
CN104933856A (zh) * 2014-03-17 2015-09-23 径卫视觉科技（上海）有限公司 道路路况实时评估系统及方法
CN104851295A (zh) * 2015-05-22 2015-08-19 北京嘀嘀无限科技发展有限公司 获取路况信息的方法和系统
CN107301776A (zh) * 2016-10-09 2017-10-27 上海炬宏信息技术有限公司 基于视频检测技术的车道路况处理及发布方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110428092A (zh) * 2019-07-15 2019-11-08 南京邮电大学 智能自动驾驶方法及装置、存储介质和终端
CN111477028A (zh) * 2020-04-28 2020-07-31 北京百度网讯科技有限公司 用于生成信息的方法和装置
CN111477028B (zh) * 2020-04-28 2022-05-24 北京百度网讯科技有限公司 自动驾驶中用于生成信息的方法和装置
CN111553319A (zh) * 2020-05-14 2020-08-18 北京百度网讯科技有限公司 用于获取信息的方法和装置
CN114595913A (zh) * 2020-12-03 2022-06-07 通用汽车环球科技运作有限责任公司 基于人类推理的自主车辆表现评分系统和方法
CN113325261A (zh) * 2021-07-15 2021-08-31 北京智能车联产业创新中心有限公司 自动驾驶车辆工控硬件的温湿度适应性测试方法及系统
CN113325261B (zh) * 2021-07-15 2023-03-14 北京智能车联产业创新中心有限公司 自动驾驶车辆工控硬件的温湿度适应性测试方法及系统
CN113642644A (zh) * 2021-08-13 2021-11-12 北京赛目科技有限公司 车辆环境等级的确定方法、装置、电子设备及存储介质
CN113642644B (zh) * 2021-08-13 2024-05-10 北京赛目科技有限公司 车辆环境等级的确定方法、装置、电子设备及存储介质
CN113619611A (zh) * 2021-10-11 2021-11-09 北京小米移动软件有限公司 自动驾驶控制方法、设备及存储介质

Also Published As

Publication number Publication date
US10809723B2 (en) 2020-10-20
US20190179312A1 (en) 2019-06-13
CN109902899B (zh) 2020-03-10

Similar Documents

Publication Publication Date Title
CN109902899A (zh) 信息生成方法和装置
CN110562258B (zh) 一种车辆自动换道决策的方法、车载设备和存储介质
WO2019165616A1 (zh) 信号灯控制方法、相关设备及系统
RU2572279C1 (ru) Система для планирования мультимодального маршрута поездки
CN109520744A (zh) 自动驾驶车辆的驾驶性能测试方法和装置
CN109919347A (zh) 路况生成方法、相关装置和设备
KR20150128712A (ko) 차량 라우팅 및 교통 관리를 위한 차선 레벨 차량 내비게이션
CN110325928A (zh) 自主车辆运行管理
CN110418743A (zh) 自主车辆运行管理阻碍监测
CN108422949B (zh) 用于无人驾驶车辆的信息共享方法、装置、系统及设备
Shimosaka et al. Modeling risk anticipation and defensive driving on residential roads with inverse reinforcement learning
CN110363984B (zh) 交通流量预测方法和设备
CN104200649A (zh) 基于预先申请的交通高峰期路线资源调度分配系统与方法
US11085791B2 (en) Method, apparatus, and computer program product for on-street parking localization
CN107310550A (zh) 道路交通工具行驶控制方法和装置
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
US11741565B1 (en) Method, internet of things system and storage medium of public transport management in a smart urban
CN110443185A (zh) 驾驶员识别方法、驾驶员识别装置、电子设备及存储介质
CN112885112B (zh) 车辆行驶检测的方法、车辆行驶预警的方法和装置
CN109741626A (zh) 停车场停车情况预测方法、调度方法和系统
CN112991743A (zh) 基于行驶路径的实时交通风险ai预测方法及其系统
CN111798687A (zh) 一种基于5g技术的远程控制车辆的方法及系统
US20210405641A1 (en) Detecting positioning of a sensor system associated with a vehicle
CN109191831A (zh) 车辆通行的控制方法、装置和服务器
Yuan et al. Harnessing machine learning for next-generation intelligent transportation systems: a survey

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20211015

Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085

Patentee after: Apollo Intelligent Technology (Beijing) Co.,Ltd.

Address before: 100085 Baidu Building, 10 Shangdi Tenth Street, Haidian District, Beijing

Patentee before: BAIDU ONLINE NETWORK TECHNOLOGY (BEIJING) Co.,Ltd.