CN111062318A - 一种基于熵权法的传感器共享最优节点选择方法 - Google Patents
一种基于熵权法的传感器共享最优节点选择方法 Download PDFInfo
- Publication number
- CN111062318A CN111062318A CN201911291694.8A CN201911291694A CN111062318A CN 111062318 A CN111062318 A CN 111062318A CN 201911291694 A CN201911291694 A CN 201911291694A CN 111062318 A CN111062318 A CN 111062318A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- area
- case
- blind area
- steps
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Analysis (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于熵权法的传感器共享最优节点选择方法,步骤为:1)本车通过自身传感器读取自身基础信息、遮挡物及其定位信息,通过广播采集周围车辆或路侧单元的基础信息;2)量化周围车辆或路侧单元对本车感知盲区补充范围数值;3)采用熵权法计算感知盲区补充范围数值、传感器性能指标和通信相关性能指标所占权重,得出周围车辆最终评分;4)选择评分最高的车辆作为共享目标。该方法首先切实考虑目前自动驾驶汽车在动态交通流环境中具有传感器共享需求,参考了自动驾驶中盲区补充面积、通信指标与传感器性能指标,利用信息熵技术对数据进行量化处理,实现对参考数据的有效地、最大化地对比,最终选出合适的传感器共享目标。
Description
技术领域
本发明涉及自动驾驶传感器共享技术领域,具体一种基于熵权法的传感器共享最优节点选择方法。
背景技术
随着深度学习技术持续火热,人工智能迎来大发展浪潮,自动驾驶作为人工智能中备受关注的落脚点,成为了全球交通领域变革的主流方向和未来竞争的重要高地。安全性是自动驾驶领域的首要考虑因素,随着各家研究机构的自动驾驶事故不断发生,研究人员愈发着重于安全性保障研究,尽管机器学习和人工智能可以发挥作用,但其有效性取决于输入数据的质量。感知模块作为输入信息的来源,感知范围、精度及鲁棒性等指标影响着整个自动驾驶系统的可靠性。自动驾驶的感知信息主要由传感器采集得到的感知数据而来,但因传感器受本身的感知距离限制、障碍物遮挡、天气环境等因素影响,常常无法覆盖驾驶安全距离所要求的感知范围。
针对这一问题,学者们提出了基于V2X(Vehicle To everything,V2X)的传感器共享方案,通过车到车(Vehicle To Vehicle,V2V)、车到道路基础设施(Vehicle toInfrastructure,V2I)、车到人(Vehicle to Pedestrian,V2P)等方式共享周围车辆、路侧单元甚至行人的传感器数据,可以扩大本车的感知范围、弥补感知盲区,同时提高感知鲁棒性。但目前自动驾驶汽车在计算性能、通信带宽等限制下,在动态交通流环境中无法同时与所有在路车辆达成共享,如何在大量的车辆中选取对本车帮助最大的车辆作为共享目标则是应该考虑的问题。
解决上述技术问题的难点在于:自动驾驶场景下,共享周围车辆传感器对本车所能带来的帮助程度受周围车辆位置、传感器感知范围、感知数据可靠性、通信时延、通信可靠性等多种因素影响,如何确定各因素影响权重,得到最能体现周围车辆差异程度的评分,最终选出对本车感知范围帮助最大同时其他可靠性等指标相对较好的特定车辆。
解决上述技术问题的意义在于:切实考虑当前计算单元及通信技术限制,促进传感器共享技术在自动驾驶领域的应用,实现盲区补充,提高感知鲁棒性,让传感器共享为自动驾驶安全性提供有力保障。
发明内容
本发明的目的在于克服上述技术的不足,而提供一种基于熵权法的传感器共享最优节点选择方法。
实现本发明目的的技术方案是:
一种基于熵权法的传感器共享最优节点选择方法,包括如下步骤:
1)本车通过自身传感器读取自身基础信息、遮挡物及其定位信息,通过广播采集周围车辆或路侧单元的基础信息;
2)量化计算周围车辆或路侧单元对本车感知盲区补充范围数值;
3)采用熵权法计算感知盲区补充范围数值、传感器性能指标和通信相关性能指标所占权重,得出周围车辆最终评分;
4)选择评分最高的车辆作为共享目标。
步骤1)中,所述的自身基础信息,包括自身全球定位信息和航向;所述遮挡物,包括周围车辆、路牌、树木以及可能遮挡本车感知的物体,遮挡物的定位信息由自身感知传感器采集,包括遮挡物在本车坐标系下的上顶点与下顶点坐标;所述的基础信息,包括周围车辆定位信息和航向、传感器性能指标和通信相关性能指标。
所述的传感器性能指标,
包括量程指标:量程、满量程输出值、测量上下限、过载能力中的至少一种;
包括灵敏度指标:灵敏度、分辨率、输入输出阻抗中的至少一种;
包括精度指标:误差、重复性、线性、滞后、灵敏度误差、阈值、稳定性、漂移中的至少一种;
包括动态性能指标:固有频率、阻尼系数、频响范围、频率特性、时间常数、上升时间、响应时间、过冲量、衰减率、稳态误差、临界速度、临界频率中的至少一种。
所述的通信相关性能指标为通信时延、带宽、丢包率、吞吐量、抖动、包转发率、信道利用率、信道容量、带宽利用率、包损失率中的至少一种。
步骤2)中,所述的感知盲区补充范围数值,计算方法为:将本车经纬度信息作为二维本车坐标系的坐标原点(0,0),本车航向作为本车坐标系的x轴朝向,垂直本车航向的左向作为本车坐标系的y轴朝向,将所有遮挡物及周围车辆定位信息转换到同一坐标系下进行计算,具体方法如下:
定义本车定位坐标为(0,0),安全距离为l1,感知范围夹角为α1,遮挡物上顶点坐标为Vert_a(a,b),下顶点坐标为Vert_b(c,d),盲区夹角即上顶点与坐标原点连线和下顶点与坐标原点连接的夹角为β,则本车感知盲区上边界f11、下边界f12与所围圆弧farc的函数为:
定义第i辆周围车辆定位坐标为(xi,yi),感知距离为li,感知范围夹角为αi,则第i辆周围车辆感知范围上下边界fi1、fi2为:
设有函数f1与函数f2,定义f1∩f2表示函数f1与函数f2的交点坐标,若函数f1与函数f2存在交点,则表示为f1∩f2=1;若函数f1与函数f2不存在交点,则表示为f1∩f2=0;
定义阈值LW(lane-width)作为车道区分标识,将周围车辆的位置情况分为三种:
(1)当|yi|≤LW/2时,表示第i辆周围车辆与本车同车道,其中:
情况1:当xi<min(a,c)时,当xi<0,认为第i辆周围车辆处于我车后方,当0<xi<min(a,c)时,实际中不存在此情况,不选用此车作为共享目标,则该情况下的盲区补充面积定义为:
S1=0 (6)
情况2:当min(a,c)≤xi<l1且f11∩fi1=1且f12∩fi2=1时,定义A(xa,ya)=(0,0)、B(xb,yb)=(xi,yi)、C(xc,yc)=f11∩fi1,定义SΔABC表示A、B、C三点所围成的三角形面积,可得则该情况下的盲区补充面积S2为:
情况3:当min(a,c)≤xi<l1且fi1∩farc=1且f12∩fi2=1时,定义A(xa,ya)=(0,0)、B(xb,yb)=fi1∩farc、C(xc,yc)=fi2∩farc,定义SΔABC表示A、B、C三点所围成的三角形面积,可得则该情况下的盲区补充面积S3为:
情况4:当xi≥l1时,第i辆周围车辆感知范围不在本车所需感知范围内,不选用此车作为共享目标,则该情况下的盲区补充面积S4定义为:
S4=0 (9)
(2)当yi>LW/2时,表示第i辆周围车辆位于本车左车道,其中:
情况5:当fi2∩f11=0且fi2∩f12=0时,第i辆周围车辆感知范围不在本车所需感知范围内,不选用此车作为共享目标,则该情况下的盲区补充面积S5定义为:
S5=0 (10)
情况6:当fi2∩f11=1且fi2∩f12=0时,定义A(xa,ya)=f11∩farc、B(xb,yb)=f11∩fi2、C(xc,yc)=fi2∩farc,则该情况下的盲区补充面积S6为:
情况7:当fi2∩f11=1且fi2∩f12=1时,定义A(xa,ya)=(0,0)、B(xb,yb)=f11∩fi2、C(xc,yc)=fi2∩f12,定义SΔABC表示A、B、C三点所围成的三角形面积,可得则该情况下的盲区补充面积S7为:
情况8:当fi2∩f11=0且fi2∩f12=1时,定义A(xa,ya)=(0,0)、B(xb,yb)=(a,b)、定义SΔABC表示A、B、C三点所围成的三角形面积,可得则该情况下的盲区补充面积S8为:
(3)当yi<-LW/2时,表示第i辆周围车辆位于本车右车道,其中:
情况9:当fi1∩f12=0且fi1∩f11=0时,第i辆周围车辆感知范围不在本车所需感知范围内,不选用此车作为共享目标,则该情况下的盲区补充面积S9定义为:
S9=0 (14)
情况10:当fi1∩f12=1且fi1∩f11=0时,定义A(xa,ya)=f12∩farc、B(xb,yb)=f12∩fi1、C(xc,yc)=fi1∩farc,则该情况下的盲区补充面积S10为:
情况11:当fi1∩f12=1且fi1∩f11=1时,定义A(xa,ya)=(0,0)、B(xb,yb)=f12∩fi1、C(xc,yc)=fi1∩f11,定义SΔABC表示A、B、C三点所围成的三角形面积,可得则该情况下的盲区补充面积S11为:
情况12:当fi1∩f12=0且fi1∩f11=1时,定义A(xa,ya)=(0,0)、B(xb,yb)=(c,d)、定义SΔABC表示A、B、C三点所围成的三角形面积,可得则该情况下的盲区补充面积S12为:
所述步骤3),具体包括如下步骤:
本发明提供的一种基于熵权法的传感器共享最优节点选择方法,该方法首先切实考虑目前自动驾驶汽车在动态交通流环境中具有传感器共享需求,但受计算性能、通信带宽等限制,无法同时与所有在路车辆达成共享的实际情况,参考了自动驾驶中敏感的关键指标,例如盲区补充面积、通信指标与传感器性能指标,利用信息熵技术,来对数据进行量化处理,实现对参考数据的有效地以及最大化地对比,最终选出合适的传感器共享目标,推动自动驾驶在路车辆间的数据共享性,促进传感器共享技术在自动驾驶领域的应用。
附图说明
图1为本发明的流程图;
图2为交通流环境示意图;
图3为坐标转换示意图;
图4为同车道车辆盲区补充示意图;
图5为左车道车辆盲区补充示意图;
图6为右车道车辆盲区补充示意图;
具体实施方式
下面结合附图和实施例对本发明内容做进一步阐述,但不是对本发明的限定。
实施例:
一种基于熵权法的传感器共享最优节点选择方法,如图1所示,使用场景示意图中包含有,如图2所示:
本车:自身车辆,也即是传感器共享发起者。
周围车辆:多个配置有感知传感器及通信设备的交通参与者。
遮挡物:可能为其周围车辆、树木等障碍物、路牌、飘过的塑料袋,甚至是感知传感器本身故障导致的“雪花点”等一切可能导致感知范围无法满足安全距离要求的遮挡物。
本实施例中,本车在道路上行驶时受某一遮挡物遮挡感知,导致感知范围无法覆盖安全距离,此时考虑共享周围车辆感知传感器数据以补充本车盲区,道路上除了本车外周围有三辆车辆,各自的位置、通信时延等指标不尽相同,使用本发明的一种基于熵权法的传感器共享最优节点选择方法,从中选出最适合此时发起共享的车辆进行传感器共享,具体步骤如下:
1)采集动态交通流环境中的车辆及路侧单元的基础数据,通过传感器标定可知传感器感知范围及其夹角,同时,传感器可感知到本车定位数据及遮挡物定位数据等基础信息,将本车经纬度信息作为二维本车坐标系的坐标原点(0,0),本车航向作为本车坐标系的x轴朝向,垂直本车航向的左向作为本车坐标系的y轴朝向,将所有遮挡物及周围车辆定位信息转换到同一坐标系下以便计算,采集到本车及遮挡物的具体数据如下表1所示:
表1
通过广播等通信链路采集各周围车辆的定位信息、感知范围、感知夹角及传感器性能相关指标等基础信息,采集到的具体指标如下表2所示:
表2
2)量化计算周围车辆或路侧单元对本车感知盲区补充范围数值;
如图3所示,感知盲区补充范围数值的计算方法为:将本车经纬度信息作为二维本车坐标系的坐标原点(0,0),本车航向作为本车坐标系的x轴朝向,垂直本车航向的左向作为本车坐标系的y轴朝向,将所有遮挡物及周围车辆定位信息转换到同一坐标系下进行计算,具体方法如下:
定义本车定位坐标为(0,0),安全距离为l1,感知范围夹角为α1,遮挡物上顶点坐标为Vert_a(a,b),下顶点坐标为Vert_b(c,d),上顶点与坐标原点连线和下顶点与坐标原点连接的夹角为β,则本车感知盲区上边界f11、下边界f12与所围圆弧farc的函数为:
定义第i辆周围车辆定位坐标为(xi,yi),感知距离为li,感知范围夹角为αi,则第i辆周围车辆感知范围上下边界fi1、fi2为:
设有函数f1与函数f2,定义f1∩f2表示函数f1与函数f2的交点坐标,若函数f1与函数f2存在交点,则表示为f1∩f2=1;若函数f1与函数f2不存在交点,则表示为f1∩f2=0;
定义阈值LW(lane-width)作为车道区分标识,将周围车辆的位置情况分为三种:
(1)如图4所示,当|yi|≤LW/2时,表示第i辆周围车辆与本车同车道,其中:
情况1:当xi<min(a,c)时,当xi<0,认为第i辆周围车辆处于我车后方,当0<xi<min(a,c)时,实际中不存在此情况,不选用此车作为共享目标,则该情况下的盲区补充面积定义为:
S1=0 (6)。
情况2:如图4(a)所示,当min(a,c)≤xi<l1且f11∩fi1=1且f12∩fi2=1时,定义A(xa,ya)=(0,0)、B(xb,yb)=(xi,yi)、C(xc,yc)=f11∩fi1,定义SΔABC表示A、B、C三点所围成的三角形面积,可得则该情况下的盲区补充面积S2为:
情况3:如图4(b)所示,当min(a,c)≤xi<l1且fi1∩farc=0且f12∩fi2=0时,定义A(xa,ya)=(0,0)、B(xb,yb)=fi1∩farc、C(xc,yc)=fi2∩farc,定义SΔABC表示A、B、C三点所围成的三角形面积,可得则该情况下的盲区补充面积S3为:
情况4:当xi≥l1时,第i辆周围车辆感知范围不在本车所需感知范围内,不选用此车作为共享目标,则该情况下的盲区补充面积S4定义为:
S4=0 (9)。
(2)如图5所示,当yi>LW/2时,表示第i辆周围车辆位于本车左车道,其中:
情况5:当fi2∩f11=0且fi2∩f12=0时,第i辆周围车辆感知范围不在本车所需感知范围内,不选用此车作为共享目标,则该情况下的盲区补充面积S5定义为:
S5=0 (10)。
情况6:如图5(a)所示,当fi2∩f11=1且fi2∩f12=0时,定义A(xa,ya)=f11∩farc、B(xb,yb)=f11∩fi2、C(xc,yc)=fi2∩farc,则该情况下的盲区补充面积S6为:
情况7:如图5(b)所示,当fi2∩f11=1且fi2∩f12=1时,定义A(xa,ya)=(0,0)、B(xb,yb)=f11∩fi2、C(xc,yc)=fi2∩f12,定义SΔABC表示A、B、C三点所围成的三角形面积,可得则该情况下的盲区补充面积S7为:
(3)如图6所示,当yi<-LW/2时,表示第i辆周围车辆位于本车右车道,其中:
情况9:当fi1∩f12=0且fi1∩f11=0时,第i辆周围车辆感知范围不在本车所需感知范围内,不选用此车作为共享目标,则该情况下的盲区补充面积S9定义为:
S9=0 (14)。
情况10:如图6(a)所示,当fi1∩f12=1且fi1∩f11=0时,定义A(xa,ya)=f12∩farc、B(xb,yb)=f12∩fi1、C(xc,yc)=fi1∩farc,则该情况下的盲区补充面积S10为:
情况11:如图6(b)所示,当fi1∩f12=1且fi1∩f11=1时,定义A(xa,ya)=(0,0)、B(xb,yb)=f12∩fi1、C(xc,yc)=fi1∩f11,定义SΔABC表示A、B、C三点所围成的三角形面积,可得则该情况下的盲区补充面积S11为:
情况12:如图6(c)所示,当fi1∩f12=0且fi1∩f11=1时,定义A(xa,ya)=(0,0)、B(xb,yb)=(c,d)、定义SΔABC表示A、B、C三点所围成的三角形面积,可得则该情况下的盲区补充面积S12为:
基于本实施例中遮挡物定位信息,可计算得本车感知盲区上下边界f11、f12与所围圆弧farc的函数为:
f11:y=0.09x,x∈[5,49.80]
f12:y=-0.09x,x∈[5,49.80]
farc:y2+x2=22500,x∈[49.80,50]
基于A车定位坐标、感知范围及其夹角可得A车感知范围上下边界fA1、fA2为:
fA1:y=0.27x+2.8,x∈[2,146.89]
fA2:y=-0.27x+5.2,x∈[2,146.89]
A车位于本车左侧车道,fA2∩f11=1且fA2∩f12=1,使用情况7的盲区面积算法计算可知:A(xa,ya)=(0,0)、B(xb,yb)=(14.45,1.3)、C(xc,yc)=(28.89,-2.6),进而可得盲区补充面积
基于B车定位坐标、感知范围及其夹角可得B车感知范围上下边界fA1、fA2为:
fB1:y=0.27x-1.62,x∈[6,156]
fB2:y=-0.27x+1.62,x∈[6,156]
B车位于本车同车道,min(a,c)≤xi<l1且f11∩fB1=1且f12∩fB2=1,使用情况2的盲区面积算法计算可知:A(xa,ya)=(0,0)、B(xb,yb)=(9,0.81)、C(xc,yc)=(6,0),进而可得盲区补充面积
基于C车定位坐标、感知范围及其夹角可得C车感知范围上下边界fC1、fC2为:
fC1:y=0.27x-3.81,x∈[3,147.89]
fC2:y=-0.27x-2.19,x∈[3,147.89]
C车位于本车右侧车道,fi1∩f12=1且fi1∩f11=1,使用情况11的盲区面积算法计算可知:A(xa,ya)=(0,0)、B(xb,yb)=(10.58,-0.95)、C(xc,yc)=(21.17,1.91),进而可得盲区补充面积
将所收集与量化到的指标进行汇总,汇总结果如下表3所示,负向指标内正负号互换:
表3
3)采用熵权法的步骤将各数据归一化后结果如下表4所示:
表4
同时计算各项信息熵,结果如下表5所示:
表5
基于信息熵计算各项权重结果如下表6所示:
表6
最后加权计算周围车辆各自的最终得分如下表7所示:
表7
4)选取得分最高的B车作为共享目标。
Claims (7)
1.一种基于熵权法的传感器共享最优节点选择方法,其特征在于,包括如下步骤:
1)本车通过自身传感器读取自身基础信息、遮挡物及其定位信息,通过广播采集周围车辆或路侧单元的基础信息;
2)量化周围车辆或路侧单元对本车感知盲区补充范围数值;
3)采用熵权法计算感知盲区补充范围数值、传感器性能指标和通信相关性能指标所占权重,得出周围车辆最终评分;
4)选择评分最高的车辆作为共享目标;
步骤1)中,所述的自身基础信息,包括自身全球定位信息和航向;所述遮挡物,包括周围车辆、路牌、树木以及可能遮挡本车感知的物体,遮挡物的定位信息由自身感知传感器采集,包括遮挡物在本车坐标系下的上顶点与下顶点坐标;所述的周围车辆或路侧单元的基础信息,包括周围车辆定位信息和航向、传感器性能指标和通信相关性能指标。
2.根据权利要求1所述的一种基于熵权法的传感器共享最优节点选择方法,其特征在于,所述的传感器性能指标,
包括量程指标:为量程、满量程输出值、测量上下限、过载能力中的至少一种;
包括灵敏度指标:为灵敏度、分辨率、输入输出阻抗中的至少一种;
包括精度指标:为误差、重复性、线性、滞后、灵敏度误差、阈值、稳定性、漂移中的至少一种;
包括动态性能指标:为固有频率、阻尼系数、频响范围、频率特性、时间常数、上升时间、响应时间、过冲量、衰减率、稳态误差、临界速度、临界频率中的至少一种。
3.根据权利要求1所述的一种基于熵权法的传感器共享最优节点选择方法,其特征在于,所述的通信相关性能指标为通信时延、带宽、丢包率、吞吐量、抖动、包转发率、信道利用率、信道容量、带宽利用率、包损失率中的至少一种。
4.根据权利要求1所述的一种基于熵权法的传感器共享最优节点选择方法,其特征在于,步骤2)中,所述的感知盲区补充范围数值,量化方法为:将本车经纬度信息作为二维本车坐标系的坐标原点(0,0),本车航向作为本车坐标系的x轴朝向,垂直本车航向的左向作为本车坐标系的y轴朝向,将所有遮挡物及周围车辆定位信息转换到同一坐标系下进行计算,具体量化方法如下:
定义本车定位坐标为坐标原点(0,0),安全距离为l1,感知范围夹角为α1,遮挡物上顶点坐标为Vert_a(a,b),下顶点坐标为Vert_b(c,d),上顶点与坐标原点连线和下顶点与坐标原点连接的夹角为β,则本车感知盲区上边界f11、下边界f12与所围圆弧farc的函数为:
定义第i辆周围车辆定位坐标为(xi,yi),感知距离为li,感知范围夹角为αi,则第i辆周围车辆感知范围上下边界fi1、fi2为:
设有函数f1与函数f2,定义f1∩f2表示函数f1与函数f2的交点坐标,若函数f1与函数f2存在交点,则表示为f1∩f2=1;若函数f1与函数f2不存在交点,则表示为f1∩f2=0;
定义阈值LW作为车道区分标识,将周围车辆的位置情况分为三种:(1)当|yi|≤LW/2时,表示第i辆周围车辆与本车同车道;(2)当yi>LW/2时,表示第i辆周围车辆位于本车左车道,(3)当yi<LW/2时,表示第i辆周围车辆位于本车左车道。
5.根据权利要求4所述的一种基于熵权法的传感器共享最优节点选择方法,其特征在于,所述(1)当|yi|≤LW/2时,表示第i辆周围车辆与本车同车道,其中:
情况1:当xi<min(a,c)时,当xi<0,认为第i辆周围车辆处于我车后方,当0<xi<min(a,c)时,实际中不存在此情况,不选用此车作为共享目标,则该情况下的盲区补充面积定义为:
S1=0 (6)
情况2:当min(a,c)≤xi<l1且f11∩fi1=1且f12∩fi2=1时,定义A(xa,ya)=(0,0)、B(xb,yb)=(xi,yi)、C(xc,yc)=f11∩fi1,定义SΔABC表示A、B、C三点所围成的三角形面积,可得则该情况下的盲区补充面积S2为:
情况3:当min(a,c)≤xi<l1且fi1∩farc=1且f12∩fi2=1时,定义A(xa,ya)=(0,0)、B(xb,yb)=fi1∩farc、C(xc,yc)=fi2∩farc,定义SΔABC表示A、B、C三点所围成的三角形面积,可得则该情况下的盲区补充面积S3为:
情况4:当xi≥l1时,第i辆周围车辆感知范围不在本车所需感知范围内,不选用此车作为共享目标,则该情况下的盲区补充面积S4定义为:
S4=0 (9)。
6.根据权利要求4所述的一种基于熵权法的传感器共享最优节点选择方法,其特征在于,所述(2)当yi>LW/2时,表示第i辆周围车辆位于本车左车道,其中:
情况5:当fi2∩f11=0且fi2∩f12=0时,第i辆周围车辆感知范围不在本车所需感知范围内,不选用此车作为共享目标,则该情况下的盲区补充面积S5定义为:
S5=0 (10)
情况6:当fi2∩f11=1且fi2∩f12=0时,定义A(xa,ya)=f11∩farc、B(xb,yb)=f11∩fi2、C(xc,yc)=fi2∩farc,则该情况下的盲区补充面积S6为:
情况7:当fi2∩f11=1且fi2∩f12=1时,定义A(xa,ya)=(0,0)、B(xb,yb)=f11∩fi2、C(xc,yc)=fi2∩f12,定义SΔABC表示A、B、C三点所围成的三角形面积,可得则该情况下的盲区补充面积S7为:
情况8:当fi2∩f11=0且fi2∩f12=1时,定义A(xa,ya)=(0,0)、B(xb,yb)=(a,b)、定义SΔABC表示A、B、C三点所围成的三角形面积,可得则该情况下的盲区补充面积S8为:
7.根据权利要求4所述的一种基于熵权法的传感器共享最优节点选择方法,其特征在于,所述(3)当yi<LW/2时,表示第i辆周围车辆位于本车右车道,其中:
情况9:当fi1∩f12=0且fi1∩f11=0时,第i辆周围车辆感知范围不在本车所需感知范围内,不选用此车作为共享目标,则该情况下的盲区补充面积S9定义为:
S9=0 (14)
情况10:当fi1∩f12=1且fi1∩f11=0时,定义A(xa,ya)=f12∩farc、B(xb,yb)=f12∩fi1、C(xc,yc)=fi1∩farc,则该情况下的盲区补充面积S10为:
情况11:当fi1∩f12=1且fi1∩f11=1时,定义A(xa,ya)=(0,0)、B(xb,yb)=f12∩fi1、C(xc,yc)=fi1∩f11,定义SΔABC表示A、B、C三点所围成的三角形面积,可得则该情况下的盲区补充面积S11为:
情况12:当fi1∩f12=0且fi1∩f11=1时,定义A(xa,ya)=(0,0)、B(xb,yb)=(c,d)、定义SΔABC表示A、B、C三点所围成的三角形面积,可得则该情况下的盲区补充面积S12为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911291694.8A CN111062318B (zh) | 2019-12-16 | 2019-12-16 | 一种基于熵权法的传感器共享最优节点选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911291694.8A CN111062318B (zh) | 2019-12-16 | 2019-12-16 | 一种基于熵权法的传感器共享最优节点选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111062318A true CN111062318A (zh) | 2020-04-24 |
CN111062318B CN111062318B (zh) | 2022-04-22 |
Family
ID=70301891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911291694.8A Active CN111062318B (zh) | 2019-12-16 | 2019-12-16 | 一种基于熵权法的传感器共享最优节点选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062318B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183528A (zh) * | 2020-09-23 | 2021-01-05 | 桂林电子科技大学 | 目标车辆跟踪的方法及其装置、系统和计算机存储介质 |
CN113744532A (zh) * | 2021-09-14 | 2021-12-03 | 东风汽车集团股份有限公司 | 一种基于车路协同的城市交通客车盲区预警方法及装置 |
CN114655207A (zh) * | 2022-05-13 | 2022-06-24 | 中汽创智科技有限公司 | 一种数据处理方法、装置、设备及存储介质 |
WO2022242134A1 (zh) * | 2021-05-17 | 2022-11-24 | 腾讯科技(深圳)有限公司 | 驾驶辅助处理方法、装置、计算机可读介质及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2013200386A1 (en) * | 2005-12-30 | 2013-02-21 | Innovation Institute Llc | An adjustable pet door |
CN103780817A (zh) * | 2014-02-17 | 2014-05-07 | 刘焱 | 摄像组件 |
CN106408981A (zh) * | 2016-10-21 | 2017-02-15 | 江苏大学 | 一种基于车辆信息共享的无人驾驶车信息优化系统和方法 |
CN106585623A (zh) * | 2016-12-21 | 2017-04-26 | 驭势科技(北京)有限公司 | 一种用于探测车辆周围目标的探测系统以及其应用 |
CN109167838A (zh) * | 2018-10-16 | 2019-01-08 | 张亮 | 基于区块链的群体无人驾驶车辆协同感知方法及系统 |
CN109753084A (zh) * | 2019-01-19 | 2019-05-14 | 魏贞民 | 一种无人驾驶设备和方法 |
CN110083163A (zh) * | 2019-05-20 | 2019-08-02 | 三亚学院 | 一种用于自动驾驶汽车的5g c-v2x车路云协同感知方法及系统 |
US20190247050A1 (en) * | 2006-11-21 | 2019-08-15 | David S. Goldsmith | Integrated system for the infixion and retrieval of implants |
CN110531753A (zh) * | 2018-05-24 | 2019-12-03 | 通用汽车环球科技运作有限责任公司 | 自主车辆的控制系统、控制方法和控制器 |
-
2019
- 2019-12-16 CN CN201911291694.8A patent/CN111062318B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2013200386A1 (en) * | 2005-12-30 | 2013-02-21 | Innovation Institute Llc | An adjustable pet door |
US20190247050A1 (en) * | 2006-11-21 | 2019-08-15 | David S. Goldsmith | Integrated system for the infixion and retrieval of implants |
CN103780817A (zh) * | 2014-02-17 | 2014-05-07 | 刘焱 | 摄像组件 |
CN106408981A (zh) * | 2016-10-21 | 2017-02-15 | 江苏大学 | 一种基于车辆信息共享的无人驾驶车信息优化系统和方法 |
CN106585623A (zh) * | 2016-12-21 | 2017-04-26 | 驭势科技(北京)有限公司 | 一种用于探测车辆周围目标的探测系统以及其应用 |
CN110531753A (zh) * | 2018-05-24 | 2019-12-03 | 通用汽车环球科技运作有限责任公司 | 自主车辆的控制系统、控制方法和控制器 |
CN109167838A (zh) * | 2018-10-16 | 2019-01-08 | 张亮 | 基于区块链的群体无人驾驶车辆协同感知方法及系统 |
CN109753084A (zh) * | 2019-01-19 | 2019-05-14 | 魏贞民 | 一种无人驾驶设备和方法 |
CN110083163A (zh) * | 2019-05-20 | 2019-08-02 | 三亚学院 | 一种用于自动驾驶汽车的5g c-v2x车路云协同感知方法及系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183528A (zh) * | 2020-09-23 | 2021-01-05 | 桂林电子科技大学 | 目标车辆跟踪的方法及其装置、系统和计算机存储介质 |
WO2022242134A1 (zh) * | 2021-05-17 | 2022-11-24 | 腾讯科技(深圳)有限公司 | 驾驶辅助处理方法、装置、计算机可读介质及电子设备 |
US11999371B2 (en) | 2021-05-17 | 2024-06-04 | Tencent Technology (Shenzhen) Company Limited | Driving assistance processing method and apparatus, computer-readable medium, and electronic device |
CN113744532A (zh) * | 2021-09-14 | 2021-12-03 | 东风汽车集团股份有限公司 | 一种基于车路协同的城市交通客车盲区预警方法及装置 |
CN114655207A (zh) * | 2022-05-13 | 2022-06-24 | 中汽创智科技有限公司 | 一种数据处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111062318B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062318B (zh) | 一种基于熵权法的传感器共享最优节点选择方法 | |
CN109522784B (zh) | 用于区分可越过物体与不可越过物体的装置和方法 | |
JP6714513B2 (ja) | 車両のナビゲーションモジュールに対象物の存在を知らせる車載装置 | |
EP4152204A1 (en) | Lane line detection method, and related apparatus | |
JP6591842B2 (ja) | 意味付け交通空間についての適合型射線ベースのシーン分析を行うための方法及びシステム、並びにそのようなシステムを備える車両 | |
CN102208013B (zh) | 风景匹配参考数据生成系统和位置测量系统 | |
US8160811B2 (en) | Method and system to estimate driving risk based on a hierarchical index of driving | |
DE112019001657T5 (de) | Signalverarbeitungsvorrichtung und signalverarbeitungsverfahren, programm und mobiler körper | |
US11321211B1 (en) | Metric back-propagation for subsystem performance evaluation | |
CN108645375B (zh) | 一种用于车载双目系统快速车辆测距优化方法 | |
US11892300B2 (en) | Method and system for determining a model of the environment of a vehicle | |
KR20170087156A (ko) | 클라우드 기반의 자율주행차량을 위한 차등보상형 협력적 맵데이터 제공시스템 | |
CN111222441B (zh) | 基于车路协同的点云目标检测和盲区目标检测方法及系统 | |
GB2608467A (en) | Cross-modality active learning for object detection | |
CN114359181A (zh) | 一种基于图像和点云的智慧交通目标融合检测方法及系统 | |
US11465620B1 (en) | Lane generation | |
CN117387647A (zh) | 融合车载传感器数据与道路传感器数据的道路规划方法 | |
CN117128979A (zh) | 一种多传感器融合方法、装置、电子设备及存储介质 | |
US20230065727A1 (en) | Vehicle and vehicle control method | |
CN115855531A (zh) | 自动驾驶汽车的测试场景构建方法、设备和介质 | |
JP2022500737A (ja) | センサの画像区間の選択方法 | |
US20230296407A1 (en) | Apparatus, method, and computer program for determining sections for map update | |
WO2022219917A1 (ja) | 情報処理方法及び情報処理システム | |
CN116434193A (zh) | 一种面向决策支持的自动驾驶目标检测算法综合评价方法 | |
CN115662167B (zh) | 自动驾驶地图构建方法、自动驾驶方法及相关装置 |
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 |
Effective date of registration: 20230717 Address after: No. 1301, Building C5, Deli ASEAN International Cultural Plaza, No. 18, Foziling Road, Qingxiu District, Nanning, Guangxi 530028 Patentee after: Guangxi Heqian Zhizhuang Technology Co.,Ltd. Address before: 541004 1 Jinji Road, Guilin, the Guangxi Zhuang Autonomous Region Patentee before: GUILIN University OF ELECTRONIC TECHNOLOGY |
|
TR01 | Transfer of patent right |