CN111027430B - 一种面向无人车智能评估的交通场景复杂度计算方法 - Google Patents
一种面向无人车智能评估的交通场景复杂度计算方法 Download PDFInfo
- Publication number
- CN111027430B CN111027430B CN201911206331.XA CN201911206331A CN111027430B CN 111027430 B CN111027430 B CN 111027430B CN 201911206331 A CN201911206331 A CN 201911206331A CN 111027430 B CN111027430 B CN 111027430B
- Authority
- CN
- China
- Prior art keywords
- traffic
- complexity
- scene
- vehicles
- vehicle
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- 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
Abstract
本发明公开了一种面向无人车智能评估的交通场景复杂度计算方法,包括以下步骤:1)通过激光点云数据信息计算交通元素的复杂度;2)从道路类型、场景内容及场景条件三个不同的角度对具有感知数据注释的场景数据进行量化描述,场景条件的描述向量利用程度型向量进行表示;3)由拓扑关系提取交通元素拓扑关系有向图,构建拓扑关系描述矩阵,计算拓扑结构描述矩阵的特征向量;4)计算道路的复杂度;5)将交通元素的复杂度与道路的复杂度进行加权求和,得交通场景的复杂度,该方法能够全面、定量的评估交通场景对无人驾驶环境感知算法挑战的难易程度。
Description
技术领域
本发明属于智能交通系统技术中的无人驾驶评估领域,涉及一种面向无人车智能评估的交通场景复杂度计算方法。
背景技术
近年来,由于无人车事故频发,引发了众人的担忧,研究者逐渐认识到:智能测试和系统评估是无人驾驶车辆核心研究之一。无人车离线测试便是智能测试方法之一,它是组织不同交通场景下采集的多传感数据序列,按照确定的时-空顺序输入自动驾驶系统认知算法/模块,并对其性能进行评估。离线测试需要大量的交通场景数据,真实交通场景中获取的多传感数据“天然”蕴含降低无人驾驶环境感知算法性能的不利条件,如低光照、雾霾天气等情况。实证研究表明这些不利条件的不同分布对环境感知算法性能表现具有不同影响。然而在现有交通场景数据集中相关属性标签不足以全面、定量地估计交通场景对无人驾驶环境感知算法挑战的难易程度,在这种情形下可能导致对其性能的不准确估计。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供了一种面向无人车智能评估的交通场景复杂度计算方法,该方法能够全面、定量的评估交通场景对无人驾驶环境感知算法挑战的难易程度。
为达到上述目的,本发明所述的面向无人车智能评估的交通场景复杂度计算方法包括以下步骤:
1)通过激光点云数据信息计算各交通元素距离视点车辆的距离及角度,再利用车辆的八邻域和非车辆的N邻域分别计算车辆及非车辆的复杂度,最后将车辆的复杂度与非车辆的复杂度进行加权求和,得交通元素的复杂度;
2)从道路类型、场景内容及场景条件三个不同的角度对具有感知数据注释的场景数据进行量化描述,其中,道路类型及场景内容用one-hot向量进行描述,该one-hot向量只有一个特征不为0,其他均为0,场景条件的描述向量利用程度型向量进行表示,利用区间在(0,1)之间的一位连续小数描述场景条件的程度;
3)由拓扑关系提取交通元素拓扑关系有向图,其中,交通元素拓扑关系有向图中的每个结点代表一个交通元素,交通元素拓扑关系有向图中的每一条边代表结点与结点之间的拓扑关系,得每个交通元素之间的交并比,以构建拓扑关系描述矩阵,该拓扑关系描述矩阵用于保存每个交通元素之间的遮挡关系,计算拓扑结构描述矩阵的特征向量;
4)将步骤2)得到的场景条件的描述向量与步骤3)得到拓扑关系描述矩阵的特征向量进行串联融合,得融合向量,再根据融合向量通过支持向量回归方法计算道路的复杂度;
5)将步骤1)得到的交通元素的复杂度与步骤4)得到的道路的复杂度进行加权求和,得交通场景的复杂度。
步骤1)的具体操作为:
1.1)当参与者类型为车辆时,设交通场景图像中含有I辆车,I=0,1,2,3…,i,全部车辆对整体复杂度的贡献Ccar通过最近的八辆车的信息进行计算,其中,
其中,Di为第i个交通元素距视点车辆的距离,Ai为第i个交通元素位于视点车辆的角度,Dicos(Ai)为交通元素距视点车辆的横向距离,Dicos(Ai)为交通元素距视点车辆的横向距离,Disin(Ai)为交通元素距视点车辆的纵向距离公式中的α和β分别是横纵贡献的权重,参数λ用于对复杂度在0到1之间的分布进行调整;
1.2)当参与者类型为行人及骑行者,设交通场景图像中含有J个行人及K个骑行者,J=0,1,2,3…,j,K=0,1,2,3…,k,全部非车辆交通参与者对整体复杂度的贡献Cpedestrian,cyclists为:
1.3)将步骤1.1)计算得到的全部车辆对整体复杂度的贡献Ccar及全部非车辆交通参与者对整体复杂度的贡献Cpedestrian,cyclists通过相加后再进行均值计算,得区间在(0,1)上的交通场景元素的复杂度CE为:
步骤2)中道路类型包括城区、高速及乡村,用0和1确定唯一的道路类型;
场景内容包括正常行驶、路口、上下高架、通过收费、隧道、转盘、陡坡、桥梁及铁道,用0和1确定唯一的道路类型;
场景条件包含弯道、超车、行人避让、施工、大车流、雾霾、夜晚、路面痕迹、车道线模糊及光线影响,场景条件的值介于0和1之间,其中,0表示没有挑战,1表示可能的最具挑战性的条件。
步骤3)中,每个交通元素之间的交并比IoU为:
当交通元素A离视点车辆更近遮挡住交通元素B时,则IoUA的值为正,IoUB的值为负。
本发明具有以下有益效果:
本发明所述的面向无人车智能评估的交通场景复杂度计算方法在具体操作时,先通过激光点云数据计算交通元素的复杂度,获取场景条件的描述向量以及拓扑结构描述矩阵的特征向量,并以此计算道路的复杂度,再将道路的复杂度与交通元素的复杂度进行加权求和,的交通场景的复杂度,并以此科学合理地量化不同交通场景对无人车算法挑战的难易程度。
附图说明
图1为本发明的总体框图。
具体实施方式
下面结合附图对本发明作详细说明。
为了能够量化计算交通场景对无人车算法影响的难易程度,本发明提供了一种面向无人车智能评估的交通场景复杂度计算方法,具体包括空间度量、语义描述、拓扑结构及回归计算,如图1所示,具体包括以下步骤:
1)通过激光点云数据信息计算各交通元素距离视点车辆的距离及角度,再利用车辆的八邻域和非车辆的N邻域分别计算车辆及非车辆的复杂度,最后将车辆的复杂度与非车辆的复杂度进行加权求和,得交通元素的复杂度;
步骤1)的具体操作为:
1.1)当参与者类型为车辆时,设交通场景图像中含有I辆车,I=0,1,2,3…,i,全部车辆对整体复杂度的贡献Ccar通过最近的八辆车的信息进行计算,其中,
其中,Di为第i个交通元素距视点车辆的距离,Ai为第i个交通元素位于视点车辆的角度,Dicos(Ai)为交通元素距视点车辆的横向距离,Dicos(Ai)为交通元素距视点车辆的横向距离,Disin(Ai)为交通元素距视点车辆的纵向距离公式中的α和β分别是横纵贡献的权重,参数λ用于对复杂度在0到1之间的分布进行调整;
1.2)当参与者类型为行人及骑行者,设交通场景图像中含有J个行人及K个骑行者,J=0,1,2,3…,j,K=0,1,2,3…,k,全部非车辆交通参与者对整体复杂度的贡献Cpedestrian,cyclists为:
1.3)将步骤1.1)计算得到的全部车辆对整体复杂度的贡献Ccar及全部非车辆交通参与者对整体复杂度的贡献Cpedestrian,cyclists通过相加后再进行均值计算,得区间在(0,1)上的交通场景元素的复杂度CE为:
2)从道路类型、场景内容及场景条件三个不同的角度对具有感知数据注释的场景数据进行量化描述,其中,道路类型及场景内容用one-hot向量进行描述,该one-hot向量只有一个特征不为0,其他均为0,场景条件的描述向量利用程度型向量进行表示,利用区间在(0,1)之间的一位连续小数描述场景条件的程度;
步骤2)中道路类型包括城区、高速及乡村,用0和1确定唯一的道路类型;
场景内容包括正常行驶、路口、上下高架、通过收费、隧道、转盘、陡坡、桥梁及铁道,用0和1确定唯一的道路类型;
场景条件包含弯道、超车、行人避让、施工、大车流、雾霾、夜晚、路面痕迹、车道线模糊及光线影响,场景条件的值介于0和1之间,其中,0表示没有挑战,1表示可能的最具挑战性的条件。
3)由拓扑关系提取交通元素拓扑关系有向图,其中,交通元素拓扑关系有向图中的每个结点代表一个交通元素,交通元素拓扑关系有向图中的每一条边代表结点与结点之间的拓扑关系,得每个交通元素之间的交并比,以构建拓扑关系描述矩阵,该拓扑关系描述矩阵用于保存每个交通元素之间的遮挡关系,计算拓扑结构描述矩阵的特征向量;
步骤3)中,每个交通元素之间的交并比IoU为:
当交通元素A离视点车辆更近遮挡住交通元素B时,则IoUA的值为正,IoUB的值为负。
4)将步骤2)得到的场景条件的描述向量与步骤3)得到拓扑关系描述矩阵的特征向量进行串联融合,得融合向量,再根据融合向量通过支持向量回归方法计算道路的复杂度;
5)将步骤1)得到的交通元素的复杂度与步骤4)得到的道路的复杂度进行加权求和,得交通场景的复杂度。
本发明利用三维激光雷达作为数据来源,通过不同类型交通元素的坐标获取,计算得到交通元素的描述矩阵,以此计算交通元素在三维空间内的分布对场景复杂程度的贡献;随后通过向量的形式量化表征交通场景及样式;然后通过交通元素的拓扑结构关系来衡量交通元素在二维平面上的位置关系;最后通过支持向量回归的方法进行回归计算,由于交通场景中一些不同层次上的特征对面向无人驾驶环境感知的场景复杂度是有贡献的,例如,在车流量较大或者光照过亮过暗的条件下,无人车环境感知能力算法的表现结果较差;而车流量较小或者光照充足时,算法的表现结果较好,所以本发明能科学合理地量化出不同交通场景对无人车算法挑战的难易程度。
Claims (3)
1.一种面向无人车智能评估的交通场景复杂度计算方法,其特征在于,包括以下步骤:
1)通过激光点云数据信息计算各交通元素距离视点车辆的距离及角度,再利用车辆的八邻域和非车辆的N邻域分别计算车辆及非车辆的复杂度,最后将车辆的复杂度与非车辆的复杂度进行加权求和,得交通元素的复杂度;
2)从道路类型、场景内容及场景条件三个不同的角度对具有感知数据注释的场景数据进行量化描述,其中,道路类型及场景内容用one-hot向量进行描述,该one-hot向量只有一个特征不为0,其他均为0,场景条件的描述向量利用程度型向量进行表示,利用[0,1]之间的一位连续小数描述场景条件的程度;
3)由拓扑关系提取交通元素拓扑关系有向图,其中,交通元素拓扑关系有向图中的每个结点代表一个交通元素,交通元素拓扑关系有向图中的每一条边代表结点与结点之间的拓扑关系,得每个交通元素之间的交并比,以构建拓扑关系描述矩阵,该拓扑关系描述矩阵用于保存每个交通元素之间的遮挡关系,计算拓扑结构描述矩阵的特征向量;
4)将步骤2)得到的场景条件的描述向量与步骤3)得到拓扑关系描述矩阵的特征向量进行串联融合,得融合向量,再根据融合向量通过支持向量回归方法计算道路的复杂度;
5)将步骤1)得到的交通元素的复杂度与步骤4)得到的道路的复杂度进行加权求和,得交通场景的复杂度;
步骤1)的具体操作为:
1.1)当参与者类型为车辆时,设交通场景图像中含有I辆车,I=0,1,2,3…,i,全部车辆对整体复杂度的贡献Ccar通过最近的八辆车的信息进行计算,其中,
其中,Di为第i个交通元素距视点车辆的距离,Ai为第i个交通元素位于视点车辆的角度,Dicos(Ai)为交通元素距视点车辆的横向距离,Dicos(Ai)为交通元素距视点车辆的横向距离,Disin(Ai)为交通元素距视点车辆的纵向距离公式中的α和β分别是横纵贡献的权重,参数λ用于对复杂度在0到1之间的分布进行调整;
1.2)当参与者类型为行人及骑行者,设交通场景图像中含有J个行人及K个骑行者,J=0,1,2,3…,j,K=0,1,2,3…,k,全部非车辆交通参与者对整体复杂度的贡献Cpedestrian,cyclists为:
1.3)将步骤1.1)计算得到的全部车辆对整体复杂度的贡献Ccar及全部非车辆交通参与者对整体复杂度的贡献Cpedestrian,cyclists通过相加后再进行均值计算,得区间在(0,1)上的交通场景元素的复杂度CE为:
2.根据权利要求1所述的面向无人车智能评估的交通场景复杂度计算方法,其特征在于,步骤2)中道路类型包括城区、高速及乡村,用0和1确定唯一的道路类型;
场景内容包括正常行驶、路口、上下高架、通过收费、隧道、转盘、陡坡、桥梁及铁道,用0和1确定唯一的道路类型;
场景条件包含弯道、超车、行人避让、施工、大车流、雾霾、夜晚、路面痕迹、车道线模糊及光线影响,场景条件的值介于0和1之间,其中,0表示没有挑战,1表示可能的最具挑战性的条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911206331.XA CN111027430B (zh) | 2019-11-29 | 2019-11-29 | 一种面向无人车智能评估的交通场景复杂度计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911206331.XA CN111027430B (zh) | 2019-11-29 | 2019-11-29 | 一种面向无人车智能评估的交通场景复杂度计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111027430A CN111027430A (zh) | 2020-04-17 |
CN111027430B true CN111027430B (zh) | 2022-08-09 |
Family
ID=70207772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911206331.XA Active CN111027430B (zh) | 2019-11-29 | 2019-11-29 | 一种面向无人车智能评估的交通场景复杂度计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027430B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111797000A (zh) * | 2020-05-27 | 2020-10-20 | 中汽数据有限公司 | 一种基于梯度提升决策树模型的场景复杂度评估方法 |
CN111651712B (zh) * | 2020-05-27 | 2023-03-28 | 北京航空航天大学 | 一种智能汽车测试场景复杂度的评估方法及系统 |
CN111915888B (zh) * | 2020-07-14 | 2021-09-03 | 同济大学 | 一种自动驾驶测试场景中交通参与者复杂度的计算方法 |
CN112053555B (zh) * | 2020-07-30 | 2022-11-04 | 中汽数据有限公司 | 一种用于对停车场环境驾驶场景复杂度评级的方法 |
CN115035718B (zh) * | 2022-06-02 | 2023-04-18 | 东风汽车集团股份有限公司 | 基于车辆动作类型和次数的场景复杂度评价方法 |
CN115923847B (zh) * | 2023-03-15 | 2023-06-02 | 安徽蔚来智驾科技有限公司 | 自动驾驶车辆的感知信息的预处理方法、装置及车辆 |
CN116061973B (zh) * | 2023-03-15 | 2023-07-07 | 安徽蔚来智驾科技有限公司 | 车辆轨迹预测方法、控制装置、可读存储介质及车辆 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234763A (zh) * | 2013-04-09 | 2013-08-07 | 北京理工大学 | 一种无人驾驶车辆定量评价系统及评价方法 |
CN109582993A (zh) * | 2018-06-20 | 2019-04-05 | 长安大学 | 城市交通场景图像理解与多视角群智优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ITRM20050192A1 (it) * | 2005-04-20 | 2006-10-21 | Consiglio Nazionale Ricerche | Sistema per la rilevazione e la classificazione di eventi durante azioni in movimento. |
-
2019
- 2019-11-29 CN CN201911206331.XA patent/CN111027430B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234763A (zh) * | 2013-04-09 | 2013-08-07 | 北京理工大学 | 一种无人驾驶车辆定量评价系统及评价方法 |
CN109582993A (zh) * | 2018-06-20 | 2019-04-05 | 长安大学 | 城市交通场景图像理解与多视角群智优化方法 |
Non-Patent Citations (2)
Title |
---|
Robust virtual scan for obstacle Detection in urban environments;He, M. ,and etc;《2016 IEEE Intelligent Vehicles Symposium》;20161231;第683-690页 * |
基于激光雷达点云密度特征的智能车障碍物检测与跟踪;汪世财等;《合肥工业大学学报》;20191031;第42卷(第10期);第1311-1317页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111027430A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027430B (zh) | 一种面向无人车智能评估的交通场景复杂度计算方法 | |
CN114639243B (zh) | 智能交通预测与决策方法及可读存储介质 | |
CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
Morris et al. | Real-time video-based traffic measurement and visualization system for energy/emissions | |
CN102208013B (zh) | 风景匹配参考数据生成系统和位置测量系统 | |
Wang et al. | Traffic sensory data classification by quantifying scenario complexity | |
CN111179300A (zh) | 障碍物检测的方法、装置、系统、设备以及存储介质 | |
CN110427993B (zh) | 基于气象参数的高速列车导航盲区定位方法 | |
CN113592905B (zh) | 基于单目摄像头的车辆行驶轨迹预测方法 | |
CN112258850A (zh) | 一种车路协同系统边缘侧多传感器数据融合系统 | |
CN111402632B (zh) | 一种交叉口行人运动轨迹的风险预测方法 | |
Kühnl et al. | Visual ego-vehicle lane assignment using spatial ray features | |
CN115985104A (zh) | 一种交通流量预测装置、预测方法及预测模型构建方法 | |
CN110909656A (zh) | 一种雷达与摄像机融合的行人检测方法和系统 | |
CN110472508A (zh) | 基于深度学习和双目视觉的车道线测距方法 | |
Zhang et al. | Vehicle detection in UAV aerial images based on improved YOLOv3 | |
CN117351702A (zh) | 一种基于车流量进行调节的智慧交通管理方法 | |
Shan et al. | Vehicle collision risk estimation based on RGB-D camera for urban road | |
Zhang et al. | Smart-rain: A degradation evaluation dataset for autonomous driving in rain | |
Yuan et al. | Real-time long-range road estimation in unknown environments | |
Sharma et al. | Deep Learning-Based Object Detection and Classification for Autonomous Vehicles in Different Weather Scenarios of Quebec, Canada | |
Afdhal et al. | Evaluation of benchmarking pre-trained cnn model for autonomous vehicles object detection in mixed traffic | |
Shao et al. | Research on YOLOv5 Vehicle Object Detection Algorithm Based on Attention Mechanism | |
CN113128847A (zh) | 一种基于激光雷达的出入口匝道实时风险预警系统及方法 | |
Guo et al. | An Effective Module CA-HDC for Lane Detection in Complicated Environment |
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 |