CN111127931A - 一种智能网联汽车的车路云协同方法、装置及系统 - Google Patents

一种智能网联汽车的车路云协同方法、装置及系统 Download PDF

Info

Publication number
CN111127931A
CN111127931A CN201911353815.7A CN201911353815A CN111127931A CN 111127931 A CN111127931 A CN 111127931A CN 201911353815 A CN201911353815 A CN 201911353815A CN 111127931 A CN111127931 A CN 111127931A
Authority
CN
China
Prior art keywords
information
vehicle
decision
result
control
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
CN201911353815.7A
Other languages
English (en)
Other versions
CN111127931B (zh
Inventor
薛慧娟
褚文博
杨帆
林志杰
方达龙
孟宪刚
张百杰
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.)
Guoqi Beijing Intelligent Network Association Automotive Research Institute Co ltd
Original Assignee
Guoqi Beijing Intelligent Network Association Automotive Research Institute 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 Guoqi Beijing Intelligent Network Association Automotive Research Institute Co ltd filed Critical Guoqi Beijing Intelligent Network Association Automotive Research Institute Co ltd
Priority to CN201911353815.7A priority Critical patent/CN111127931B/zh
Publication of CN111127931A publication Critical patent/CN111127931A/zh
Application granted granted Critical
Publication of CN111127931B publication Critical patent/CN111127931B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
    • H04L69/08—Protocols for interworking; Protocol conversion
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • Analytical Chemistry (AREA)
  • Development Economics (AREA)
  • Computer Security & Cryptography (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种智能网联汽车的车路云协同方法、装置及系统，该方法包括：获取云端的信息，将云端的信息根据网络协议转换为实时环境信息、预测环境信息、决策信息及控制信息；根据车端感知信息和实时环境信息融合计算得到感知结果；根据感知结果计算得到车端的预测信息；根据车端的预测信息和预测环境信息融合计算得到预测结果；根据感知结果、车端的预测信息计算得到车辆的决策行为信息；根据车辆的决策行为信息和决策信息融合计算得到决策结果；根据车端感知信息和决策结果计算得到车端的控制行为信息；根据车端的控制行为信息和控制信息融合计算得到控制结果。通过实施本发明，将云端信息和车端信息进行融合，进而达到控车的安全性和高效性。

Description

一种智能网联汽车的车路云协同方法、装置及系统
技术领域
本发明涉及车联网技术领域，具体涉及一种智能网联汽车的车路云协同方法、装置及系统。
背景技术
自动驾驶是经济发展、技术进步、人类需求提高大背景下的必由之路。自动驾驶汽车经历了多年的发展，其中的核心关键技术的技术路线也逐渐清晰。
目前，汽车的自动驾驶功能的完成包括环境感知、自主决策、运动控制三个核心功能。其中感知功能通过车载传感器以实现对行车环境的感知、自车的定位等功能。决策功能根据环境信息和行车任务实现目标障碍物决策、驾驶行为决策等目标；规划控制功能要实现行为规划、并将行为规划转化成驾驶意图传递给车身ECU，最终生成控制信号给执行器件。
然而，智能网联交通在现阶段相关研究中多集中于单一车辆或技术，在车端、云端以及中间协同管控方面存在着诸多不协调或功能单一，资源无法共享等问题。现有的智能网联仅仅将汽车与网络之间进行简单连接，没有实现汽车与网络、汽车与环境之间的深度融合交互，因此现有的智能网联汽车在自动驾驶的过程中还潜在很多安全问题。并且，由于目前技术发展水平所决定的，如感知功能不足、算法能力不足等功能不足带来的车辆安全问题是自动驾驶车辆的核心关键难题。目前，利用云控技术的智能网联汽车技术是弥补自动驾驶技术功能不足，解决安全问题的一个途径。但是现有的云控技术仅仅实现了将车辆与网络之间进行简单连接，没有实现汽车与环境之间的深度融合，没有在技术上实现对云控数据的利用。
发明内容
有鉴于此，本发明实施例提供了一种智能网联汽车的车路云协同方法、装置及系统，以解决现有的智能网联交通在车端、云端以及中间协同管控方面存在着诸多不协调或功能单一、资源无法共享，且自动驾驶车辆的功能不足带来的安全问题。
本发明提出的技术方案如下：
本发明实施例第一方面提供一种智能网联汽车的车路云协同方法，该方法包括如下步骤：获取云端的信息，将所述云端的信息根据网络协议转换为实时环境信息、预测环境信息、决策信息及控制信息；根据车端感知信息和所述实时环境信息融合计算得到感知结果；根据所述感知结果计算得到车端的预测信息；根据所述车端的预测信息和所述预测环境信息融合计算得到预测结果；根据所述感知结果、所述预测结果计算得到车辆的决策行为信息；根据所述车辆的决策行为信息和所述决策信息融合计算得到决策结果；根据车端感知信息和所述决策结果计算得到车端的控制行为信息；根据所述车端的控制行为信息和所述控制信息融合计算得到控制结果。
可选地，根据车端感知信息和所述实时环境信息融合计算得到感知结果，包括：根据车端感知信息计算得到第一感知目标；根据所述实时环境信息计算得到第二感知目标；根据目标识别算法识别所述第一感知目标和所述第二感知目标中的重复目标和非重复目标；根据所述重复目标融合计算得到第三感知目标；根据所述非重复目标将所述第二感知目标融合到第一感知目标，得到第四感知目标；根据所述第三感知目标和第四感知目标计算得到感知结果。
可选地，根据所述车端的预测信息和所述预测环境信息融合计算得到预测结果，包括：根据所述车端的预测信息和所述预测环境信息计算得到预测信息的第一准确度和预测环境信息的第二准确度；判断所述车端的预测信息和所述预测环境信息是否具有属于同样时间段的信息；当具有属于同样时间段的信息时，判断同样时间段内所述第一准确度和所述第二准确度的大小；根据所述车端的预测信息和所述预测环境信息中准确度较大的信息作为第一预测结果；当具有属于不同时间段的信息时，将不同时间段的信息作为第二预测结果；根据所述第一预测结果和所述第二预测结果计算得到预测结果。
可选地，根据所述车辆的决策行为信息和所述决策信息融合计算得到决策结果，包括：判断所述车辆的决策行为信息和所述决策信息是否相同；当两种信息相同时，根据所述车辆的决策行为信息或所述决策信息得到决策结果；当两种信息不同时，根据安全系数、法规系数及与目标位置的距离系数将所述车辆的决策行为信息和所述决策信息融合计算得到决策结果。
可选地，根据所述车端的控制行为信息和所述控制信息融合计算得到控制结果，包括：根据所述车端的控制行为信息和所述控制信息计算两种信息的相似度；根据所述车端的控制行为信息和所述相似度融合计算得到控制结果。
可选地，根据车端感知信息和所述实时环境信息融合计算得到感知结果，包括：判断汽车是否处于故障状态下；当所述汽车处于故障状态下时，判断是否禁止自动驾驶；当禁止自动驾驶时，输出人工请求信号或停车信号；当不禁止自动驾驶或汽车处于无故障状态下时，根据车端感知信息和所述实时环境信息融合计算得到感知结果。
可选地，根据所述车辆的决策行为信息和所述决策信息融合计算得到决策结果，包括：判断汽车是否处于故障状态下；当所述汽车处于故障状态下时，判断是否禁止自动驾驶；当禁止自动驾驶时，输出人工请求信号；当不禁止自动驾驶时，根据所述决策信息计算得到决策结果；当所述汽车处于无故障状态下时，根据所述车辆的决策行为信息和所述决策信息融合计算得到决策结果。
可选地，根据所述车端的控制行为信息和所述控制信息融合计算得到控制结果，包括：判断汽车是否处于故障状态下；当所述汽车处于故障状态下时，判断是否禁止自动驾驶；当禁止自动驾驶时，输出人工请求信号；当不禁止自动驾驶时，根据所述控制信息计算得到控制结果；当所述汽车处于无故障状态下时，根据所述车端的控制行为信息和所述控制信息融合计算得到控制结果。
本发明实施例第二方面提供一种智能网联汽车的车路云协同装置，该装置包括：网联云控模块，用于获取云端的信息，将所述云端的信息根据网络协议转换为实时环境信息、预测环境信息、决策信息及控制信息；感知融合模块，用于根据车端感知信息和所述实时环境信息融合计算得到感知结果；预测融合模块，用于根据所述感知结果计算得到车端的预测信息，根据所述车端的预测信息和所述预测环境信息融合计算得到预测结果；决策融合模块，用于根据所述感知结果、预测结果计算得到车辆的决策行为信息，根据所述车辆的决策行为信息和所述决策信息融合计算得到决策结果；控制融合模块，用于根据车端感知信息和所述决策结果计算得到车端的控制行为信息，根据所述车端的控制行为信息和所述控制信息融合计算得到控制结果。
本发明实施例第三方面提一种智能网联汽车的车路云协同系统，该系统包括：云端，用于生成云端的实时环境信息、预测环境信息、决策信息及控制信息；车端，用于根据本发明实施例第一方面及第一方面任一项所述智能网联汽车的车路云协同方法得到控制结果。
本发明实施例第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如本发明实施例第一方面及第一方面任一项所述的智能网联汽车的车路云协同方法。
本发明提供的技术方案，具有如下效果：
本发明实施例提供的智能网联汽车的车路云协同方法、装置及系统，通过获取云端信息，将云端信息和车端信息进行融合，有效的扩大了车辆的视野范围，同时将云端信息中的实时环境信息和目标障碍物的预测信息与原车的预测信息进行融合，最终使车辆做出更加安全的决策。由于云端信息具有宏观性、全面性的特点，因此，本发明实施例提供的智能网联汽车的车路云协同方法，可以使得最终的控制结果更接近实际，并且使得车辆的最终控制权保留在车辆本身，更利于信息安全和行车安全。此外，将车端计算平台分为感知融合模块、预测融合模块、决策融合模块及控制融合模块，通过优化融合结果、预测结果、决策结果、规划结果，进而达到控车的安全性和高效性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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是根据本发明实施例的智能网联汽车的车路云协同方法的流程图；
图2是根据本发明另一实施例的智能网联汽车的车路云协同方法的流程图；
图3是根据本发明另一实施例的智能网联汽车的车路云协同方法的流程图；
图4是根据本发明另一实施例的智能网联汽车的车路云协同方法的流程图；
图5是根据本发明另一实施例的智能网联汽车的车路云协同方法的流程图；
图6是根据本发明实施例的智能网联汽车的车路云协同装置的结构框图；
图7是根据本发明另一实施例的智能网联汽车的车路云协同装置的结构框图；
图8是本发明实施例提供的智能网联汽车的车路云协同终端的硬件结构示意图。
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。
本发明实施例提供一种智能网联汽车的车路云协同方法，如图1所示，该方法包括如下步骤：
步骤S101：获取云端的信息，将云端的信息根据网络协议转换为实时环境信息、预测环境信息、决策信息及控制信息；具体地，云端可以聚集智能网联驾驶基础数据信息，各种能为汽车直接采集和/或不能直接采集的数据都可以上传到云端，为智能网联汽车提供数据支持；云端还可以还通过多源数据融合计算，建立分级模型库，例如可以形成实时环境信息、预测环境信息、决策信息及控制信息模型库，车端通讯模块可以获取云端的分类信息，同时可以根据网络协议将获取的信息转换为车端可以识别的信息，该车端通讯模块可以称为网联云控模块，网联云控模块不仅可以获取云端信息，还可以与汽车内其他装置连接，例如，网联云控模块可以连接包括雷达和摄像头等的传感器、地图模块和计算平台等。
步骤S102：根据车端感知信息和实时环境信息融合计算得到感知结果；具体地，网联云控模块可以从传感器、地图模块等获取车端感知信息，将车端感知信息传输至计算平台中的感知融合模块，同时，感知融合模块还可以从网联云控模块获取实时环境信息，通过将车端感知信息和实时环境信息进行融合计算得到感知结果，并将该感知结果传输至计算平台的预测融合模块和决策融合模块。
步骤S103：根据感知结果计算得到车端的预测信息；具体地，预测融合模块可以接收感知融合模块传输的感知结果，根据现有的智能预测算法等计算得到车辆轨迹预测、路段交通状态预测、路网交通状态预测等的预测信息。
步骤S104：根据车端的预测信息和预测环境信息融合计算得到预测结果；具体地，预测融合模块还可以由网联云控模块获取预测环境信息，将该预测环境信息和计算得到的车端预测信息进行融合，从而得到预测结果。同时，预测融合模块计算得到的预测结果还可以传输至计算平台的决策融合模块。
步骤S105：根据感知结果、预测结果计算得到车辆的决策行为信息；具体地，决策融合模块可以根据接收的感知结果和预测结果，以及车端地图模块或其他模块中获取的信息，利用现有的车端决策算法计算得到车辆的决策行为，对车辆的运行状态和运行轨迹等进行决策规划，从而得到车辆的决策行为信息。
步骤S106：根据车辆的决策行为信息和决策信息融合计算得到决策结果；具体地，决策融合模块还可以从网联云控模块获取决策信息，并将决策信息和车辆的决策行为信息进行融合，从而计算得到决策结果。同时，决策融合模块计算得到的决策结果还可以传输至计算平台的控制融合模块。
步骤S107：根据车端感知信息和决策结果计算得到车端的控制行为信息；具体地，控制融合模块可以根据从网联云控模块获取的车端感知信息和决策融合模块计算得到的决策结果，并结合车辆动力系统等计算得到包含加速踏板行程、刹车踏板开度、转向角等的车辆驾驶意图；通过该车辆驾驶意图可以得到车端的控制行为信息。
步骤S108：根据车端的控制行为信息和控制信息融合计算得到控制结果。具体地，控制融合模块还可以从网联云控模块获取控制信息，并将控制信息和车辆的控制行为信息进行融合，从而计算得到控制结果。计算平台可以将该控制结果输出至车辆的执行模块，使车辆实现相应的运转。
本发明实施例提供的智能网联汽车的车路云协同方法，通过获取远端信息，将云端信息和车端信息进行融合，有效的扩大了车辆的视野范围，同时将云端信息中的实时环境信息和目标障碍物的预测信息与原车的预测信息进行融合，最终使车辆做出更加安全的决策。由于云端信息具有宏观性、全面性的特点，因此，本发明实施例提供的智能网联汽车的车路云协同方法，可以使得最终的控制结果更接近实际，并且使得车辆的最终控制权保留在车辆本身，更利于信息安全和行车安全。此外，本发明实施例提供的智能网联汽车的车路云协同方法，通过优化融合结果、预测结果、决策结果、规划结果，进而达到控车的安全性和高效性。
作为本发明实施例的一种可选的实施方式，如图2所示，步骤S102根据车端感知信息和实时环境信息融合计算得到感知结果，包括如下步骤：
步骤S201：根据车端感知信息计算得到第一感知目标；具体地，可以根据目标决策策略决策出车端感知信息中的目标群作为第一感知目标。其中，该目标群可以包括车辆周围的障碍物或其他感知等目标。即将车端感知信息中属于本车的目标识别出来。
步骤S202：根据实时环境信息计算得到第二感知目标；具体地，可以根据目标决策策略决策出实时环境信息中的目标群作为第二感知目标。其中，该目标群可以包括车辆周围的障碍物或其他感知等目标。即将实时环境信息中属于本车的目标识别出来。
步骤S203：根据目标识别算法识别第一感知目标和第二感知目标中的重复目标和非重复目标；具体地，筛选出本车的两个目标群后，可以根据目标识别算法对两个目标群进行对比，得到其中的重复目标和非重复目标。
步骤S204：根据重复目标融合计算得到第三感知目标；具体地，对于两个目标群中的重复目标，可以根据两个目标群中关于该目标的参数等进行融合，得到该目标的最优参数，从而提高目标识别的准确度。
步骤S205：根据非重复目标将第二感知目标融合到第一感知目标，得到第四感知目标；具体地，对于两个目标群中的非重复目标，可以将非重复目标中的第二感知目标中的目标增加到第一感知目标中，从而得到第四感知目标。
步骤S206：根据第三感知目标和第四感知目标计算得到感知结果。具体地，该感知结果中包含了高精度的重复目标和两个目标群的非重复目标。因此，融合后的感知结果不仅提高了目标识别的准确度，同时还增加了原有的目标数量，实现了更高精度的目标感知。
具体地，上述感知目标可以包括车辆、行人或其他目标等等。本发明对感知目标的范围不做限定。
可选地，在根据车端感知信息和实时环境信息融合计算得到感知结果之前，可以首先判断汽车是否处于故障状态下，其中，当汽车处于故障状态下时，可以根据相应的故障策略实施相应的措施。具体地，当相应的措施为禁止自动驾驶时，则无需进行感知融合计算，即使进行计算，相应的计算结果显示无效。此时，计算平台可以输出人工请求信号请求人工接管，当人工接管失败时则执行停车策略。此外，当不禁止自动驾驶或汽车处于无故障状态下时，根据车端感知信息和实时环境信息融合计算得到感知结果。
作为本发明实施例的一种可选的实施方式，如图3所示，步骤S104根据车端的预测信息和预测环境信息融合计算得到预测结果，包括如下步骤：
步骤S301：根据车端的预测信息和预测环境信息计算得到预测信息的第一准确度和预测环境信息的第二准确度；具体地，第一准确度和第二准确度可以是对车端采用的预测算法和云端的预测算法进行计算，判断车端和云端预测准确性的度量值。
步骤S302：判断车端的预测信息和预测环境信息是否具有属于同样时间段的信息；具体地，当预测融合模块获取车端的预测信息和预测环境信息后，可以将两者预测的时间段进行对比，判断是否具有重合的时间段。
步骤S303：当具有属于同样时间段的信息时，判断同样时间段内第一准确度和第二准确度的大小。
步骤S304：根据车端的预测信息和预测环境信息中准确度较大的信息作为第一预测结果；具体地，对于预测同样时间段的信息，可以根据计算得到的准确度，选择两个中准确度较高的信息作为第一预测结果。
步骤S305：当具有属于不同时间段的信息时，将不同时间段的信息作为第二预测结果；具体地，对于预测的不同时间段的信息，例如车端的预测信息包括未来五秒的预测信息，预测环境信息包括未来十秒的预测信息，则可以将未来五秒到未来十秒的预测信息作为第二预测结果。
步骤S306：根据第一预测结果和第二预测结果计算得到预测结果。具体地，将第一预测结果和第二预测结果进行结合，即可得到预测融合模块的预测结果，例如第一预测结果可以包含未来五秒的预测信息，第二预测结果可以包含未来五秒到未来十秒的预测信息，此时得到的预测结果则是未来十秒的预测结果，且未来五秒的预测结果更加准确。
本发明实施例提供的智能网联汽车的车路云协同方法，预测融合模块将车端的预测信息和预测环境信息融合，相比单独采用一种预测信息，不仅提高了预测的准确性，还增加了预测的时间，为后续作出车辆决策行为提供了更有利的信息。
作为本发明实施例的一种可选的实施方式，如图4所示，步骤S104根据车辆的决策行为信息和决策信息融合计算得到决策结果，包括如下步骤：
步骤S401：判断车辆的决策行为信息和决策信息是否相同；具体地，决策融合模块获取车辆的决策行为和决策信息后，可以将两种信息中的决策行为进行对比，例如判断后续车辆的运动轨迹是否相同等。
步骤S402：当两种信息相同时，根据车辆的决策行为信息或决策信息得到决策结果；具体地，当判断两种信息相同时，此时可以选择车辆的决策行为信息或决策信息中的任一种作为决策结果。
步骤S403：当两种信息不同时，根据安全系数、法规系数及与目标位置的距离系数将车辆的决策行为信息和决策信息融合计算得到决策结果。具体地，当判断两种信息不同时，此时，可以综合考虑安全系数、法规系数及与目标位置的距离系数三个参数，例如，可以将车辆的决策行为信息和决策信息中所有的决策行为放在一起，将上述三个参数的加权平均值作为影响因子，对所有的决策行为进行评估，从而得到最优的决策结果。
可选地，在根据车辆的决策行为信息和决策信息融合计算得到决策结果之前，可以首先判断汽车是否处于故障状态下，其中，当汽车处于故障状态下时，可以根据相应的故障策略实施相应的措施。具体地，当相应的措施为禁止自动驾驶时，则无需进行决策融合计算，即使进行计算，相应的计算结果显示无效。此时，计算平台可以输出人工请求信号请求人工接管，当人工接管失败或不禁止自动驾驶时，可以判断对决策信息中行为的安全系数、法规系数及与目标位置的距离系数进行计算，当三个参数均在允许范围内时，可以将决策信息作为决策结果。同时当汽车处于无故障状态下时，根据车辆的决策行为信息和决策信息融合计算得到决策结果。
作为本发明实施例的一种可选的实施方式，如图5所示，步骤S108根据车端的控制行为信息和控制信息融合计算得到控制结果，包括如下步骤：
步骤S501：根据车端的控制行为信息和控制信息计算两种信息的相似度；具体地，控制融合模块获取车端的控制行为信息和控制信息后，可以计算两者的相似度，即对两者控制行为的相似度进行比较计算，得到对应的相似度值。
步骤S502：根据车端的控制行为信息和相似度融合计算得到控制结果。具体地，当计算得到的相似度在预设范围内时，此时将车端的控制行为信息和相似度作为控制结果；当计算的相似度在预设范围之外时，则云端的控制信息可能受到外界干扰，此时将车端的控制行为信息和相似度作为控制结果。同时还可以对云端进行检测，锁定云端的干扰信息，并对云端的干扰信号进行处理，例如可以对云端的干扰信号进行标记和追踪。
可选地，在根据车端的控制行为信息和控制信息融合计算得到控制结果之前，可以首先判断汽车是否处于故障状态下，其中，当汽车处于故障状态下时，可以根据相应的故障策略实施相应的措施。具体地，当相应的措施为禁止自动驾驶时，则无需进行决策融合计算，即使进行计算，相应的计算结果显示无效。此时，计算平台可以输出人工请求信号请求人工接管，当人工接管失败或不禁止自动驾驶时，可以判断对控制信息中行为的安全系数、法规系数进行计算，当两个个参数均在允许范围内时，可以将云端的控制信息作为控制结果。同时当汽车处于无故障状态下时，根据车端的控制行为信息和控制信息融合计算得到控制结果。
其中，驾驶员接管失败包括：驾驶员操作接管没有在规定时间内完成、驾驶员的状态不允许操作汽车、驾驶员的安全系统高于规定值等。
本发明实施例提供一种智能网联汽车的车路云协同装置，如图6所示，该装置包括：
网联云控模块1，用于获取云端的信息，将云端的信息根据网络协议转换为实时环境信息、预测环境信息、决策信息及控制信息；详细内容参见上述方法实施例中步骤S101的相关描述。
感知融合模块2，用于根据车端感知信息和实时环境信息融合计算得到感知结果；详细内容参见上述方法实施例中步骤S102的相关描述。
预测融合模块3，用于根据感知结果计算得到车端的预测信息，根据车端的预测信息和预测环境信息融合计算得到预测结果；详细内容参见上述方法实施例中步骤S103和步骤S104的相关描述。
决策融合模块4，用于根据感知结果、预测结果计算得到车辆的决策行为信息，根据车辆的决策行为信息和决策信息融合计算得到决策结果；详细内容参见上述方法实施例中步骤S105和步骤S106的相关描述。
控制融合模块5，用于根据车端感知信息和决策结果计算得到车端的控制行为信息，根据车端的控制行为信息和控制信息融合计算得到控制结果。详细内容参见上述方法实施例中步骤S107和步骤S108的相关描述。
本发明实施例提供的智能网联汽车的车路云协同装置，感知融合模块具备对多传感器信号或多传感器对象的接收、融合计算的功能。多传感器来源包括但不限于车载传感器、网联云控模块发送的V2X系统中的云端的实时环境信息、路边设备的实时环境信息等。通过设置感知融合模块能够使感知结果更加精确，同时能够补充车载感知系统的感知盲区。
本发明实施例还提供一种智能网联汽车的车路云协同系统，如图7所示，该系统包括：云端10，用于生成云端的实时环境信息、预测环境信息、决策信息及控制信息；车端20，用于根据上述实施例1及实施例中任一项所述智能网联汽车的车路云协同方法得到控制结果。具体地，车端20可以包括网联云控模块1和计算平台30，计算平台30中可以设置感知融合模块2、预测融合模块3、决策融合模块4及控制融合模块5等。
本发明实施例还提供了一种智能网联汽车的车路云协同终端，如图8所示，该智能网联汽车的车路云协同终端可以包括处理器51和存储器52，其中处理器51和存储器52可以通过总线或者其他方式连接，图8中以通过总线连接为例。
处理器51可以为中央处理器(Central Processing Unit，CPU)。处理器51还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的智能网联汽车的车路云协同装置按键屏蔽方法对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的智能网联汽车的车路云协同方法。
存储器52可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器51所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器52中，当被所述处理器51执行时，执行如图1－5所示实施例中的智能网联汽车的车路云协同方法。
上述智能网联汽车的车路云协同终端具体细节可以对应参阅图1至图5所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read－Only Memory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid－State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (11)

1.一种智能网联汽车的车路云协同方法，其特征在于，包括如下步骤：
获取云端的信息，将所述云端的信息根据网络协议转换为实时环境信息、预测环境信息、决策信息及控制信息；
根据车端感知信息和所述实时环境信息融合计算得到感知结果；
根据所述感知结果计算得到车端的预测信息；
根据所述车端的预测信息和所述预测环境信息融合计算得到预测结果；
根据所述感知结果、所述预测结果计算得到车辆的决策行为信息；
根据所述车辆的决策行为信息和所述决策信息融合计算得到决策结果；
根据车端感知信息和所述决策结果计算得到车端的控制行为信息；
根据所述车端的控制行为信息和所述控制信息融合计算得到控制结果。
2.根据权利要求1所述的智能网联汽车的车路云协同方法，其特征在于，根据车端感知信息和所述实时环境信息融合计算得到感知结果，包括：
根据车端感知信息计算得到第一感知目标；
根据所述实时环境信息计算得到第二感知目标；
根据目标识别算法识别所述第一感知目标和所述第二感知目标中的重复目标和非重复目标；
根据所述重复目标融合计算得到第三感知目标；
根据所述非重复目标将所述第二感知目标融合到第一感知目标，得到第四感知目标；
根据所述第三感知目标和第四感知目标计算得到感知结果。
3.根据权利要求1所述的智能网联汽车的车路云协同方法，其特征在于，根据所述车端的预测信息和所述预测环境信息融合计算得到预测结果，包括：
根据所述车端的预测信息和所述预测环境信息计算得到预测信息的第一准确度和预测环境信息的第二准确度；
判断所述车端的预测信息和所述预测环境信息是否具有属于同样时间段的信息；
当具有属于同样时间段的信息时，判断同样时间段内所述第一准确度和所述第二准确度的大小；
根据所述车端的预测信息和所述预测环境信息中准确度较大的信息作为第一预测结果；
当具有属于不同时间段的信息时，将不同时间段的信息作为第二预测结果；
根据所述第一预测结果和所述第二预测结果计算得到预测结果。
4.根据权利要求1所述的智能网联汽车的车路云协同方法，其特征在于，根据所述车辆的决策行为信息和所述决策信息融合计算得到决策结果，包括：
判断所述车辆的决策行为信息和所述决策信息是否相同；
当两种信息相同时，根据所述车辆的决策行为信息或所述决策信息得到决策结果；
当两种信息不同时，根据安全系数、法规系数及与目标位置的距离系数将所述车辆的决策行为信息和所述决策信息融合计算得到决策结果。
5.根据权利要求1所述的智能网联汽车的车路云协同方法，其特征在于，根据所述车端的控制行为信息和所述控制信息融合计算得到控制结果，包括：
根据所述车端的控制行为信息和所述控制信息计算两种信息的相似度；
根据所述车端的控制行为信息和所述相似度融合计算得到控制结果。
6.根据权利要求1所述的智能网联汽车的车路云协同方法，其特征在于，根据车端感知信息和所述实时环境信息融合计算得到感知结果，包括：
判断汽车是否处于故障状态下；
当所述汽车处于故障状态下时，判断是否禁止自动驾驶；
当禁止自动驾驶时，输出人工请求信号或停车信号；
当不禁止自动驾驶或汽车处于无故障状态下时，根据车端感知信息和所述实时环境信息融合计算得到感知结果。
7.根据权利要求1所述的智能网联汽车的车路云协同方法，其特征在于，根据所述车辆的决策行为信息和所述决策信息融合计算得到决策结果，包括：
判断汽车是否处于故障状态下；
当所述汽车处于故障状态下时，判断是否禁止自动驾驶；
当禁止自动驾驶时，输出人工请求信号；
当不禁止自动驾驶时，根据所述决策信息计算得到决策结果；
当所述汽车处于无故障状态下时，根据所述车辆的决策行为信息和所述决策信息融合计算得到决策结果。
8.根据权利要求1所述的智能网联汽车的车路云协同方法，其特征在于，根据所述车端的控制行为信息和所述控制信息融合计算得到控制结果，包括：
判断汽车是否处于故障状态下；
当所述汽车处于故障状态下时，判断是否禁止自动驾驶；
当禁止自动驾驶时，输出人工请求信号；
当不禁止自动驾驶时，根据所述控制信息计算得到控制结果；
当所述汽车处于无故障状态下时，根据所述车端的控制行为信息和所述控制信息融合计算得到控制结果。
9.一种智能网联汽车的车路云协同装置，其特征在于，包括：
网联云控模块，用于获取云端的信息，将所述云端的信息根据网络协议转换为实时环境信息、预测环境信息、决策信息及控制信息；
感知融合模块，用于根据车端感知信息和所述实时环境信息融合计算得到感知结果；
预测融合模块，用于根据所述感知结果计算得到车端的预测信息，根据所述车端的预测信息和所述预测环境信息融合计算得到预测结果；
决策融合模块，用于所述感知结果、所述预测结果计算得到车辆的决策行为信息，根据所述车辆的决策行为信息和所述决策信息融合计算得到决策结果；
控制融合模块，用于根据车端感知信息和所述决策结果计算得到车端的控制行为信息，根据所述车端的控制行为信息和所述控制信息融合计算得到控制结果。
10.一种智能网联汽车的车路云协同系统，其特征在于，包括：
云端，用于生成云端的实时环境信息、预测环境信息、决策信息及控制信息；
车端，用于根据权利要求1－8任一项所述智能网联汽车的车路云协同方法得到控制结果。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1－8任一项所述的智能网联汽车的车路云协同方法。
CN201911353815.7A 2019-12-24 2019-12-24 一种智能网联汽车的车路云协同方法、装置及系统 Active CN111127931B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911353815.7A CN111127931B (zh) 2019-12-24 2019-12-24 一种智能网联汽车的车路云协同方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911353815.7A CN111127931B (zh) 2019-12-24 2019-12-24 一种智能网联汽车的车路云协同方法、装置及系统

Publications (2)

Publication Number Publication Date
CN111127931A true CN111127931A (zh) 2020-05-08
CN111127931B CN111127931B (zh) 2021-06-11

Family

ID=70502877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911353815.7A Active CN111127931B (zh) 2019-12-24 2019-12-24 一种智能网联汽车的车路云协同方法、装置及系统

Country Status (1)

Country Link
CN (1) CN111127931B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085960A (zh) * 2020-09-21 2020-12-15 北京百度网讯科技有限公司 车路协同信息处理方法、装置、设备及自动驾驶车辆
CN112099510A (zh) * 2020-09-25 2020-12-18 东南大学 一种基于端边云协同的智能体控制方法
CN113660280A (zh) * 2021-08-19 2021-11-16 上海交通大学 集中式云控平台远程控制指令可信度的识别处理方法
CN113657514A (zh) * 2021-08-19 2021-11-16 上海交通大学 面向智能网联车辆的分布式信息可信度的识别和处理方法
CN113743479A (zh) * 2021-08-19 2021-12-03 东南大学 端-边-云车路协同融合感知架构及其构建方法
CN113895442A (zh) * 2021-10-11 2022-01-07 苏州智加科技有限公司 一种基于路侧与车端协同感知的车辆行驶决策方法及系统
CN114244880A (zh) * 2021-12-16 2022-03-25 云控智行科技有限公司 智能网联驾驶云控功能的运行方法、装置、设备和介质
CN115116215A (zh) * 2022-05-24 2022-09-27 清华大学 动态云接管系统的构建方法、装置、设备及介质
CN115394076A (zh) * 2022-07-22 2022-11-25 上海交通大学 一种智能车路协同系统感知技术及其应用
CN115662168A (zh) * 2022-10-18 2023-01-31 浙江吉利控股集团有限公司 一种环境感知方法、装置及电子设备
CN116229726A (zh) * 2023-05-08 2023-06-06 湖南车路协同智能科技有限公司 用于调控目标道路车辆行驶状态的车路协同方法及系统
CN117459922A (zh) * 2023-09-18 2024-01-26 北京佰才邦技术股份有限公司 数据传输方法、装置、终端及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318767A (zh) * 2014-10-22 2015-01-28 北京建筑大学 一种基于公交gps轨迹数据的路况信息生成方法
CN105741595A (zh) * 2016-04-27 2016-07-06 常州加美科技有限公司 一种基于云端数据库的无人驾驶车辆导航行车方法
US20170138752A1 (en) * 2015-06-19 2017-05-18 Yakov Z. Mermelstein Method and System for Providing Personalized Navigation Services and Crowd-Sourced Location-Based Data
CN109147369A (zh) * 2018-08-27 2019-01-04 惠州Tcl移动通信有限公司 一种车辆自动驾驶引导方法、无人驾驶车辆及存储介质
CN109756867A (zh) * 2018-12-29 2019-05-14 广州中国科学院软件应用技术研究所 一种基于lte-v的车路协同车载终端应用系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318767A (zh) * 2014-10-22 2015-01-28 北京建筑大学 一种基于公交gps轨迹数据的路况信息生成方法
US20170138752A1 (en) * 2015-06-19 2017-05-18 Yakov Z. Mermelstein Method and System for Providing Personalized Navigation Services and Crowd-Sourced Location-Based Data
CN105741595A (zh) * 2016-04-27 2016-07-06 常州加美科技有限公司 一种基于云端数据库的无人驾驶车辆导航行车方法
CN109147369A (zh) * 2018-08-27 2019-01-04 惠州Tcl移动通信有限公司 一种车辆自动驾驶引导方法、无人驾驶车辆及存储介质
CN109756867A (zh) * 2018-12-29 2019-05-14 广州中国科学院软件应用技术研究所 一种基于lte-v的车路协同车载终端应用系统

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085960A (zh) * 2020-09-21 2020-12-15 北京百度网讯科技有限公司 车路协同信息处理方法、装置、设备及自动驾驶车辆
US11636764B2 (en) 2020-09-21 2023-04-25 Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. Vehicle-to-infrastructure cooperation information processing method, apparatus, device and autonomous vehicle
CN112099510A (zh) * 2020-09-25 2020-12-18 东南大学 一种基于端边云协同的智能体控制方法
CN113743479A (zh) * 2021-08-19 2021-12-03 东南大学 端-边-云车路协同融合感知架构及其构建方法
CN113657514B (zh) * 2021-08-19 2023-11-03 上海交通大学 面向智能网联车辆的分布式信息可信度的识别和处理方法
CN113743479B (zh) * 2021-08-19 2022-05-24 东南大学 端-边-云车路协同融合感知架构及其构建方法
CN113660280B (zh) * 2021-08-19 2022-07-22 上海交通大学 集中式云控平台远程控制指令可信度的识别处理方法
CN113657514A (zh) * 2021-08-19 2021-11-16 上海交通大学 面向智能网联车辆的分布式信息可信度的识别和处理方法
CN113660280A (zh) * 2021-08-19 2021-11-16 上海交通大学 集中式云控平台远程控制指令可信度的识别处理方法
CN113895442A (zh) * 2021-10-11 2022-01-07 苏州智加科技有限公司 一种基于路侧与车端协同感知的车辆行驶决策方法及系统
CN114244880A (zh) * 2021-12-16 2022-03-25 云控智行科技有限公司 智能网联驾驶云控功能的运行方法、装置、设备和介质
CN114244880B (zh) * 2021-12-16 2023-12-26 云控智行科技有限公司 智能网联驾驶云控功能的运行方法、装置、设备和介质
CN115116215A (zh) * 2022-05-24 2022-09-27 清华大学 动态云接管系统的构建方法、装置、设备及介质
CN115394076A (zh) * 2022-07-22 2022-11-25 上海交通大学 一种智能车路协同系统感知技术及其应用
CN115662168A (zh) * 2022-10-18 2023-01-31 浙江吉利控股集团有限公司 一种环境感知方法、装置及电子设备
CN116229726B (zh) * 2023-05-08 2023-08-08 湖南车路协同智能科技有限公司 用于调控目标道路车辆行驶状态的车路协同方法及系统
CN116229726A (zh) * 2023-05-08 2023-06-06 湖南车路协同智能科技有限公司 用于调控目标道路车辆行驶状态的车路协同方法及系统
CN117459922A (zh) * 2023-09-18 2024-01-26 北京佰才邦技术股份有限公司 数据传输方法、装置、终端及存储介质

Also Published As

Publication number Publication date
CN111127931B (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN111127931B (zh) 一种智能网联汽车的车路云协同方法、装置及系统
CN109389832B (zh) 使用v2x通信系统提高障碍意识的系统和方法
CN108372857B (zh) 自主驾驶系统的通过事件发生和情节记忆回顾进行有效情景感知
US10073456B2 (en) Automated co-pilot control for autonomous vehicles
CN109808709B (zh) 车辆行驶保障方法、装置、设备及可读存储介质
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
CN113223317B (zh) 一种更新地图的方法、装置和设备
CN110570538A (zh) 智能驾驶汽车中黑匣子数据的管理方法、装置和设备
CN110949406B (zh) 一种智能驾驶系统及方法
US10755565B2 (en) Prioritized vehicle messaging
CN110807412B (zh) 一种车辆激光定位的方法、车载设备和存储介质
US20210325901A1 (en) Methods and systems for automated driving system monitoring and management
CN112712729B (zh) 预测运动轨迹的方法和系统
CN110789515B (zh) 机动车辆中用于硬件验证的系统和方法
CN115116216A (zh) 基于车路云接口实现的全域协同感知与决策方法、装置
US10953871B2 (en) Transportation infrastructure communication and control
CN115731695A (zh) 一种场景安全等级确定方法、装置、设备及存储介质
CN112396183A (zh) 自动驾驶决策的方法、装置、设备及计算机存储介质
CN113602283A (zh) 用于管理车辆的自动驾驶系统的方法和系统
US11657635B2 (en) Measuring confidence in deep neural networks
CN116384755A (zh) 车路云协同驾驶安全的确定方法、装置、车辆及存储介质
CN113868875B (zh) 测试场景自动生成方法、装置、设备和存储介质
CN115240470A (zh) 基于nr-v2x的弱势交通参与者碰撞预警系统与方法
Jia et al. Infrastructure-Assisted Collaborative Perception in Automated Valet Parking: A Safety Perspective
CN109017634B (zh) 车载网络系统

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A vehicle road cloud collaboration method, device and system for intelligent networked vehicles

Effective date of registration: 20221223

Granted publication date: 20210611

Pledgee: China Construction Bank Corporation Beijing Economic and Technological Development Zone sub branch

Pledgor: GUOQI (BEIJING) INTELLIGENT NETWORK ASSOCIATION AUTOMOTIVE RESEARCH INSTITUTE Co.,Ltd.

Registration number: Y2022110000347