CN111599183A - 一种自动驾驶场景分类识别系统及方法 - Google Patents
一种自动驾驶场景分类识别系统及方法 Download PDFInfo
- Publication number
- CN111599183A CN111599183A CN202010707401.6A CN202010707401A CN111599183A CN 111599183 A CN111599183 A CN 111599183A CN 202010707401 A CN202010707401 A CN 202010707401A CN 111599183 A CN111599183 A CN 111599183A
- Authority
- CN
- China
- Prior art keywords
- scene
- sub
- scenes
- driving
- main
- 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
- 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
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种自动驾驶场景分类识别系统及方法,所述系统设置场景数据获取模块、驾驶场景识别模块、场景融合模块、场景片段切分与存储模块;场景数据获取模块获取场景关键信息;驾驶场景识别模块根据场景关键信息对各类驾驶场景进行并行识别;场景融合模块对识别的驾驶场景进行场景融合。所述方法包括步骤:1)自定义主场景和子场景;2)获取场景关键信息;3)预设各子场景的参数边界与提取标准,基于场景关键信息对各子场景进行并行识别;4)基于设定的场景融合条件和融合原则,对识别出的各子场景进行场景融合,得出多维度驾驶场景。本发明可以实现对驾驶场景的智能分类识别。
Description
技术领域
本发明涉及自动驾驶技术领域,具体而言,涉及一种自动驾驶场景分类识别系统及方法。
背景技术
自动驾驶汽车是一种通过自动控制系统实现的无人驾驶智能汽车。近年来汽车智能化技术发展迅速,辅助驾驶技术与部分自动驾驶技术已进入到产业化阶段;有条件的自动驾驶与高度自动化驾驶技术进入测试验证阶段。驾驶场景识别技术是智能驾驶辅助系统与无人驾驶车辆进行环境感知的关键基础技术,对驾驶场景的准确识别有利于自动驾驶汽车安全稳定地驾驶。而对驾驶场景的识别有赖于前期对驾驶场景的分类,现有技术中对驾驶场景的分类技术主要是基于众多的驾驶场景数据对场景进行分类,前期虽然采集了很多驾驶场景数据,并采用较为固定的分类规则对驾驶场景数据进行分类,但是由于驾驶场景的复杂性,并且随着社会环境的不断发展变化,采集的驾驶场景数据有时很难匹配到固定的分类规则中,这导致分类系统杂乱无序,不利于后续统计分析和对自动驾驶技术的优化。
发明内容
因此,本发明意在提供一种自动驾驶场景分类识别系统及方法,能够对车辆行驶过程中的交通场景进行多维度评估、分类和识别,为自动驾驶场景研究、自动驾驶系统开发、自动驾驶系统测试、自动驾驶系统评价奠定数据基础。
本发明所采取的技术方案如下:一种自动驾驶场景分类识别系统,包括场景数据获取模块、驾驶场景识别模块、场景融合模块、场景片段切分与存储模块;
所述场景数据获取模块,获取场景关键信息,发送给所述驾驶场景识别模块;
所述驾驶场景识别模块,根据所述场景关键信息,对自定义的各类驾驶场景进行并行识别;
所述场景融合模块,对并行识别出的驾驶场景进行场景融合,得出多维度驾驶场景;
所述场景片段切分与存储模块,根据多维度驾驶场景对所述场景关键信息进行切分和存储。
进一步地,所述场景关键信息,包含数据采集时间、采样步长、动态场景信息、道路场景信息和自然环境场景信息。
进一步地,所述自定义的各类驾驶场景,包含主场景和基于主场景下的子场景,所述主场景至少有一类,基于同一主场景下的子场景也至少有一类。
进一步地,各所述子场景具有可设置的场景等级。
进一步地,各所述子场景具有可配置的可切分属性,所述可切分属性表述为对立的两种。
进一步地,所述驾驶场景识别模块,根据各所述主场景设置相应的分类场景识别模块,各相应的分类场景识别模块对从属于同一主场景下的各子场景进行并行识别。
进一步地,各相应的分类场景识别模块,根据所述场景关键信息,以及预设的各子场景的参数边界与提取标准,对从属于同一主场景下的各子场景进行并行识别。
本发明还提供一种自动驾驶场景分类识别方法,包括如下步骤:
步骤1)自定义驾驶场景类型,包括主场景类型和基于主场景下的子场景类型;
步骤2)获取场景关键信息,包含数据采集时间、采样步长、动态场景信息、道路场景信息和自然环境场景信息;
步骤3)预设各子场景的参数边界与提取标准,根据所述场景关键信息对各子场景进行并行识别,识别出基于所述场景关键信息的子场景;
步骤4)基于设定的场景融合约束条件和融合原则,对识别出的各子场景进行场景融合,得出多维度驾驶场景,
场景融合约束条件:
条件A)自定义设置各子场景的优先等级,高等级的子场景优先于低等级的子场景被识别保留;
条件B)自定义配置子场景的可切分属性,分为“是”或者“否”两种;
融合原则:
(4-2-1)如果某一子场景的可切分属性是“是”,且该子场景的时间区间内同时存在其他主场景下的两种以上子场景,且该时间区间可被其他两种以上子场景切分为对应的子时间区间,则该子场景可按子时间区间被切分,切分之后,不论场景等级如何,所有切分片段都被识别;
(4-2-2)如果某一子场景的可切分属性是“否”,且该子场景的时间区间内同时存在其他主场景下的两种以上子场景,且该时间区间可被其他两种以上子场景切分为对应的子时间区间,则:
当该子场景的等级高于其他子场景时,该子场景不能按子时间区间被切分,以完整的时间区间片段被识别;
当该子场景的等级低于其他子场景时,该子场景可按子时间区间被切分,所有切分片段都被识别;
当该子场景的等级等于其他子场景时,该子场景可按子时间区间被切分,所有切分片段都被识别;
步骤5)根据场景融合信息,进行原始场景关键信息的切分与存储。
进一步地,自定义驾驶场景类型,是从主场景向子场景逐级定义的,所述主场景至少有一类,基于同一主场景下的子场景也至少有一类。
本发明通过将多维度驾驶场景按从主场景到子场景逐级拆解的方法,将多维度驾驶场景拆解为多种单一的子场景,由不同的专门模块按场景类型对各子场景进行并行识别,使得采集的场景关键信息能够充分归纳到各种类型的场景中去,可能地并行识别出多种场景,而并非是一种数据只能识别为一种场景,这使得场景识别更全面。其次,本发明再采用多场景融合的方法,将初次识别的各子场景再进行融合判断,去除冗余场景,最终获得与采集的场景关键信息直接相关的多维度场景,从而还原驾驶场景本身,方便提取使用。通过本发明所述的系统和方法,可以实现对驾驶场景的多维度评估,实现对驾驶场景的智能分类识别。
本发明的其他特征和优点将在随后的说明书中阐述,并且部分的从说明书中变得显而易见,或者通过实施本发明而了解。
附图说明
图1为本发明一种自动驾驶场景分类识别系统的结构图;
图2为对某段驾驶过程的驾驶场景的分类识别方法实施例示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案和优点进一步阐述,但本领域的技术人员应该知道,以下实施例并不是对本发明技术方案的唯一限定,凡是在本发明技术方案精神实质下所做的任何等同变换或改动,均应视为本发明的保护范围。
如图1所示本实施例提供一种自动驾驶场景分类识别系统,该系统架构包括:场景数据获取模块1、驾驶场景识别模块2、场景融合模块3、场景片段切分与存储模块4,共四部分。
场景数据获取模块1,用于获取车载数据采集平台和/或场景数据库中的场景关键信息,场景关键信息包含数据采集时间、采样步长、动态场景信息、道路场景信息和自然环境场景信息等。场景数据获取模块1将获取的场景关键信息传送给驾驶场景识别模块2进行信息识别。
驾驶场景识别模块2,用于根据场景关键信息对自定义的各类驾驶场景并行识别。驾驶场景一般可分为几类主场景和基于各主场景下的若干子场景,驾驶场景识别模块2将初步识别并分类的驾驶场景传送给场景融合模块3进行场景融合,形成多维度驾驶场景。
场景融合模块3,用于对驾驶场景识别模块2识别出的各类驾驶场景进行场景融合,基于自定义的场景类型对驾驶场景进行综合描述,得出多维度驾驶场景。
场景片段切分与存储模块4,用于根据多维度驾驶场景进行原始场景关键信息的切分和存储。
一般地,所述动态场景信息包含描述主车运动状态以及主车与目标物的相对位置、相对运动状态的信息,具体有主车速度、主车加速度、目标物相对位置、目标物相对速度、目标物相对加速度、目标物类型、目标物编码等。
一般地,所述道路场景信息包含描述道路类型、道路等级、路面结构、基础设施的信息,具体有高速、城市、乡村等道路类型,一级、二级等道路等级,道路曲率、路宽、车道数、收费站、主路出入口、道路路口等基础信息。
一般地,所述自然环境场景信息包含描述基本天气状况的信息,具体有天气、时间、光照方位等。
一般地,所述主场景包括但不限于动态主场景、道路主场景和自然环境主场景三种类别,因此,驾驶场景识别模块2又可设置相应的分类场景识别模块,包括:动态场景识别模块21、道路场景识别模块22、自然环境场景识别模块23三种分类场景识别模块。每一类主场景又可拆分为多种类型子场景,多种类型子场景分别由对应的分类场景识别模块识别。
进一步地,所述动态主场景可拆分的子场景包含但不限于有:危险驾驶场景、主车换道场景、跟车行驶场景、邻车切入场景、前车切出场景、巡线行驶场景、泊车入库与出库场景7类动态子场景。所述动态场景识别模块21根据动态场景信息,以及预设的各类动态子场景的参数边界与提取标准,对动态子场景进行识别和分类,并记录包含识别到的子场景的类别和时间范围的关键信息。
进一步地,所述道路主场景可拆分的子场景包含但不限于有:高速公路场景、城市快速路场景、普通城市道路场景、国道场景、匝道场景、内部道路场景、高速出/入口场景、城市快速路出/入口场景、收费站场景、施工区域场景、隧道场景、路口场景、立交桥场景13类道路子场景。所述道路场景识别模块22根据道路场景信息,以及预设的各类道路子场景的参数边界与提取标准,对道路子场景进行识别和分类,并记录包含识别到的子场景的类别和时间范围的关键信息。
进一步地,所述自然环境主场景可拆分的子场景包含但不限于有:晴朗场景、雨天场景、雪天场景、雾天场景、霾天场景、扬沙场景、逆光场景7类自然环境子场景。所述自然环境场景识别模块23根据自然环境场景信息,以及预设的各类自然环境子场景的参数边界与提取标准,对自然环境子场景进行识别和分类,并记录包含识别到的子场景的类别和时间范围的关键信息。
进一步地,各类子场景的参数边界与提取标准为自定义设置。
并且,各类子场景具有可设置的优先等级,高等级场景具有优先保留权限。
并且,各类子场景都具有可配置的可切分属性,可切分属性表述为对立的两种,表明该子场景能够被切分还是不能被切分。如,可用“是”或“否”表达,或者用“YES”或“NO”表达;当某一子场景的可切分属性配置为“是”时,表明该子场景可以被切分为其他子场景类别;当某一子场景的可切分属性配置为“否”时,表明该子场景不建议被再次切分。
本发明提供一种自动驾驶场景分类识别方法,包括如下步骤:
步骤1)自定义驾驶场景类型
(1)预先自定义驾驶场景的主场景类型。根据通常的驾驶环境,一般可将驾驶场景分为动态主场景、道路主场景和自然环境主场景三种主场景类型。
(2)预先自定义基于主场景下的子场景类型。根据场景特征,再将主场景细分为多种类型的子场景,各类子场景更易于由场景关键信息直接表征,所以更易于识别。
例如,根据主场景划分的各类动态子场景,包含但不限于有:危险驾驶场景、主车换道场景、跟车行驶场景、邻车切入场景、前车切出场景、巡线行驶场景、泊车入库与出库场景,7类动态子场景。
例如,根据主场景划分的各类道路子场景,包含但不限于有:高速公路场景、城市快速路场景、普通城市道路场景、国道场景、匝道场景、内部道路场景、高速出/入口场景、城市快速路出/入口场景、收费站场景、施工区域场景、隧道场景、路口场景、立交桥场景,13类道路子场景。
例如,根据主场景划分的各类自然环境子场景,包含但不限于有:晴朗场景、雨天场景、雪天场景、雾天场景、霾天场景、扬沙场景、逆光场景,7类自然环境子场景。
驾驶场景包含所划分的多种主场景和子场景,是多维度驾驶场景。
步骤2)获取场景关键信息
所述场景关键信息包含但不限于数据采集时间、采样步长、动态场景信息、道路场景信息和自然环境场景信息等。从任何方面、采用任何现行技术手段获取以上信息可,例如,利用车载数据采集器采集、基于车路协同的路侧采集单元采集,或者从已建数据库中获取。
根据驾驶场景类型的划分,进一步地,所述动态场景信息包含有主车速度、主车加速度、目标物相对位置、目标物相对速度、目标物相对加速度、目标物类型、目标物编码等信息。
进一步地,所述道路场景信息包含有高速公路、城市快速路、城市普通路、国道、省道、乡村道路等道路类型信息,一级公路、二级公路等道路等级信息,直道、弯道、路宽、车道数、收费站、主路出入口、道路路口等道路基础信息。
进一步地,所述自然环境场景信息包含有晴天、雨天、雪天、雾天、霾天、扬沙天、顺光、逆光等结合时间和方位的有关信息。
步骤3)预设各子场景的参数边界与提取标准,根据所述场景关键信息进行多维度驾驶场景并行识别,识别出基于所述场景关键信息的各类子场景,包括:
(3-1)预设各类动态子场景的参数边界与提取标准,从场景关键信息中提取数据进行对应识别,识别出符合条件的动态子场景类型。
(3-2)预设各类道路子场景的参数边界与提取标准,从场景关键信息中提取数据进行对应识别,识别出符合条件的道路子场景类型。
(3-3)预设各类自然环境子场景的参数边界与提取标准,从场景关键信息中提取数据进行对应识别,识别出符合条件的自然环境子场景类型。
步骤4)对识别出的各类子场景进行场景融合,得出综合的多维度驾驶场景
在步骤3)过程中对各类子场景的识别为并行识别,即,同一场景关键信息有可能既被识别为这类场景,也有可能被识别为另一类场景,因此,会存在交叉识别结果,所以需要进一步通过场景融合而确定最终归属于哪类场景。场景融合需要先设定约束条件,然后在约束条件下融合。
(4-1)设定场景融合的约束条件
条件A)设置场景优先等级
自定义设置各类子场景的优先等级。各主场景下的所有子场景全部自由定义其优先等级,统一排序,等级约束条件下,高等级场景优先于低等级场景被识别保留。
条件B)配置各类子场景的可切分属性
自定义配置各类子场景的可切分属性,可切分属性可以配置为“是”或“否”两种。当某一子场景的可切分属性配置为“是”时,表明该子场景可以被切分为其他子场景类别;当某一子场景的可切分属性配置为“否”时,表明该子场景不能被切分为其他子场景类别。
(4-2)在约束条件下的场景融合原则
(4-2-1)如果某一子场景的可切分属性是“是”,且该子场景的时间区间内(如图2中的t)同时存在其他主场景类型下的两种以上子场景,且该时间区间可被其他两种以上子场景切分为对应的子时间区间,子时间区间的长度由其他子场景信息决定(如图2中的t 1、t 2、t 3),则该子场景可按子时间区间被切分,切分之后,不论场景等级如何,都被识别,并结合其他类型的子场景信息并存。
(4-2-2)如果某一子场景的可切分属性是“否”,且该子场景的时间区间内同时存在其他主场景类型下的两种以上子场景,且该时间区间可被其他两种以上子场景切分为对应的子时间区间,子时间区间的长度由其他子场景信息决定,则:
当该子场景的等级高于其他类型的子场景时,该子场景不能按子时间区间被切分,结合其他类型的子场景类别信息,以完整的时间区间片段被识别并保存;
当该子场景的等级低于其他类型的子场景时,该子场景可按子时间区间被切分,切分之后,所有切分片段都被识别,结合其他类型的子场景类型信息并存;
当该子场景的等级等于其他类型的子场景时,该子场景可按子时间区间被切分,切分之后,所有切分片段都被识别,结合其他类型的子场景类型信息并存。
下面结合图2说明,设某段时间 被分割为三段,t=t 1∪t 2∪t 3,在t 1∪t 2时间段内,可被识别的子场景类型记为A 1,场景描述为:S A1={t 1∪t 2 |A 1};在t 3时间段内,可被识别的子场景类型记为A 2,场景描述为:S A2={t 3 |A 2};同时,在t 1时间段内,可被识别的子场景类型记为B 1,场景描述为:S B1={t 1 |B 1};在t 2∪t 3时间段内,可被识别的子场景类型记为B 2,场景描述为:S B2={t 2∪t 3 |B 2}。
1)如果约束条件为:A 1与B 2的可切分属性均为“是”,则A 2与B 1的可切分属性无论为“是”或者“否”, A 1、A 2、B 1与B 2的场景优先等级无论如何定义,都将t时间段的场景描述为: S 1={t 1 |A 1,B 1}、S 2={t 2 |A 1,B 2}和S 3={t 3 |A 2,B 2}三种场景并存。
2)如果约束条件为:A 1的可切分属性均为“是”,而B 2的可切分属性为“否”,则A 2与B 1的可切分属性无论为“是”或者“否”, A 1、A 2、B 1与B 2的场景优先等级无论如何定义,都将t时间段的场景描述为:S 1={t 1 |A 1,B 1}和S 2={t 2∪t 3 |(A 1,A 2),B 2}并存。注:(A 1,A 2)表示此时间段内同时存在A 1和A 2两种类型。
同理,如果A 1的可切分属性均为“否”,而B 2的可切分属性为“是”,则A 2与B 1的可切分属性无论为“是”或者“否”,A 1、A 2、B 1与B 2的场景优先等级无论如何定义,都将t时间段的场景描述为:S 1={t 1∪t 2 |A 1,(B 1,B 2)}和S 2={t 3 |A 2,B 2}并存。
3)如果约束条件为:A 1和B 2的可切分属性均为“否”,且A 1与B 2具有可选的场景等级信息,A 1的等级高于B 2,A 2与B 1的可切分属性无论为“是”或者“否”,A 2与B 1的场景优先级无论如何定义,都将t时间段的场景描述为:S 1={t 1∪t 2 |A 1,(B 1,B 2)}和S 2={t 3 |A 2,B 2}两种场景并存。注:(B 1,B 2)表示此时间段内同时存在B 1和B 2两种类型。
同理,如果A 1与B 2的可切分属性均为“否”,且A 1与B 2具有可选的等级信息,A 1的等级低于B 2,A 2与B 1的可切分属性无论为“是”或者“否”,A 2与B 1的场景优先级无论如何定义,都将t时间段的场景描述为:S 1={t 1 |A 1,B 1}和S 2={t 2∪t 3 |(A 1,A 2),B 2}并存。
4)如果约束条件为:A 1与B 2的可切分属性均为“否”,且A 1与B 2具有可选的等级信息,A 1的等级等于B 2,A 2与B 1的可切分属性无论为“是”或者“否”,A 2与B 1的场景优先级无论如何定义,都将t时间段的场景描述为:S 1={t 1∪t 2 |A 1,(B 1,B 2)}和S 2={t 2∪t 3 |(A 1,A 2),B 2}并存。
5)如果约束条件为:A 1与B 2的可切分属性均为“否”,且A 1与B 2不具有可选的等级信息,A 2与B 1的可切分属性无论为“是”或者“否”,A 2与B 1的场景优先级无论如何定义,都将t时间段的场景描述为:S 1={t 1∪t 2 |A 1,(B 1,B 2)}和S 2={t 2∪t 3 |(A 1,A 2),B 2}并存。
下面举一具体实施例:
本实施例设动态主场景下的危险驾驶场景、主车换道场景、邻车切入场景、前车切出场景、泊车入库与出库场景的可切分属性配置为“否”,跟车行驶场景和巡线行驶场景的可切分属性配置为“是”;道路主场景下的高速公路场景、城市快速路场景、普通城市道路场景、国道场景、匝道场景、内部道路场景、收费站场景、施工区域场景、隧道场景、立交桥场景的可切分属性配置为“是”,高速出/入口场景、城市快速路出/入口场景、路口场景的可切分属性配置为“否”;自然环境主场景下的晴朗场景、雨天场景、雪天场景、雾天场景、霾天场景、扬沙场景、逆光场景的可切分属性配置为“是”。
设动态主场景的各类子场景优先级别高于道路主场景和自然环境主场景的各类子场景,道路主场景的各类子场景和自然环境主场景的各类子场景级别相同,动态主场景的各类子场景优先级别相同。
按照约束条件,结合图2,假设在t 1∪t 2时间段内,可被识别的动态子场景类型为巡线行驶场景,场景描述为:S A1={t 1∪t 2 |巡线行驶场景},在t 3时间段内,可被识别的动态子场景类型为邻车切入场景,场景描述为:S A2={t 3 |邻车切入场景};
同时,在t 1时间段内,可被识别的道路子场景类型为高速出口场景,场景描述为:S B1={t 1 |高速出口场景},在t 2时间段内,可被识别的道路子场景类型为匝道场景,场景描述为:S B2={t 2 |匝道场景},在t 3时间段内,可被识别的道路子场景类型为普通城市道路场景,场景描述为:S B3={t 3 |普通城市道路场景};
同时,在t 1时间段内,可被识别的自然环境子场景类型为晴朗场景:场景描述为:S C1={ t 2|晴朗场景},在t 2时间段内,可被识别的自然环境子场景类型为逆光场景:场景描述为:S C2={t 2 |逆光场景},在t 3时间段内,可被识别的自然环境子场景类型为晴朗场景:场景描述为:S C3={t 3 |晴朗场景};
则将t=t 1∪t 2∪t 3时间段的场景描述为:
S 1={t 1 |巡线行驶场景,高速出口场景,晴朗场景},
S 2={t 2 |巡线行驶场景,匝道场景,逆光场景},
S 3={t 3 |邻车切入场景,普通城市场景,晴朗场景},三种并存。
步骤5)根据场景融合信息,进行原始场景关键信息的切分与存储
根据场景融合后的多维度驾驶场景S i ={t i |场景类型}(i>0),对应于子时间区间t i ,对原始场景关键信息进行切分并存储;以S i 中包含的场景类型标签,作为所切分的数据片段类型描述标签,并存储。
Claims (9)
1.一种自动驾驶场景分类识别系统,其特征在于:包括场景数据获取模块、驾驶场景识别模块、场景融合模块、场景片段切分与存储模块;
所述场景数据获取模块,获取场景关键信息,发送给所述驾驶场景识别模块;
所述驾驶场景识别模块,根据所述场景关键信息,对自定义的各类驾驶场景进行并行识别;
所述场景融合模块,对并行识别出的驾驶场景进行场景融合,得出多维度驾驶场景;
所述场景片段切分与存储模块,根据多维度驾驶场景对所述场景关键信息进行切分和存储。
2.根据权利要求1所述的自动驾驶场景分类识别系统,其特征在于:所述场景关键信息,包含数据采集时间、采样步长、动态场景信息、道路场景信息和自然环境场景信息。
3.根据权利要求1所述的自动驾驶场景分类识别系统,其特征在于:所述自定义的各类驾驶场景,包含主场景和基于主场景下的子场景,所述主场景至少有一类,基于同一主场景下的子场景也至少有一类。
4.根据权利要求3所述的自动驾驶场景分类识别系统,其特征在于:各所述子场景具有可设置的场景等级。
5.根据权利要求3所述的自动驾驶场景分类识别系统,其特征在于:各所述子场景具有可配置的可切分属性,所述可切分属性表述为对立的两种。
6.根据权利要求3或4或5所述的自动驾驶场景分类识别系统,其特征在于:所述驾驶场景识别模块,根据各所述主场景设置相应的分类场景识别模块,各相应的分类场景识别模块对从属于同一主场景下的各子场景进行并行识别。
7.根据权利要求6所述的自动驾驶场景分类识别系统,其特征在于:各相应的分类场景识别模块,根据所述场景关键信息,以及预设的各子场景的参数边界与提取标准,对从属于同一主场景下的各子场景进行并行识别。
8.一种自动驾驶场景分类识别方法,其特征在于,包括如下步骤:
步骤1)自定义驾驶场景类型,包括主场景类型和基于主场景下的子场景类型;
步骤2)获取场景关键信息,包含数据采集时间、采样步长、动态场景信息、道路场景信息和自然环境场景信息;
步骤3)预设各子场景的参数边界与提取标准,根据所述场景关键信息对各子场景进行并行识别,识别出基于所述场景关键信息的子场景;
步骤4)基于设定的场景融合约束条件和融合原则,对识别出的各子场景进行场景融合,得出多维度驾驶场景,
场景融合约束条件:
条件A)自定义设置各子场景的优先等级,高等级的子场景优先于低等级的子场景被识别保留;
条件B)自定义配置子场景的可切分属性,分为“是”或者“否”两种;
融合原则:
(4-2-1)如果某一子场景的可切分属性是“是”,且该子场景的时间区间内同时存在其他主场景下的两种以上子场景,且该时间区间可被其他两种以上子场景切分为对应的子时间区间,则该子场景可按子时间区间被切分,切分之后,不论场景等级如何,所有切分片段都被识别;
(4-2-2)如果某一子场景的可切分属性是“否”,且该子场景的时间区间内同时存在其他主场景下的两种以上子场景,且该时间区间可被其他两种以上子场景切分为对应的子时间区间,则:
当该子场景的等级高于其他子场景时,该子场景不能按子时间区间被切分,以完整的时间区间片段被识别;
当该子场景的等级低于其他子场景时,该子场景可按子时间区间被切分,所有切分片段都被识别;
当该子场景的等级等于其他子场景时,该子场景可按子时间区间被切分,所有切分片段都被识别;
步骤5)根据场景融合信息,进行原始场景关键信息的切分与存储。
9.根据权利要求8所述的自动驾驶场景分类识别方法,其特征在于,自定义驾驶场景类型,是从主场景向子场景逐级定义,所述主场景至少有一类,基于同一主场景下的子场景也至少有一类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010707401.6A CN111599183B (zh) | 2020-07-22 | 2020-07-22 | 一种自动驾驶场景分类识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010707401.6A CN111599183B (zh) | 2020-07-22 | 2020-07-22 | 一种自动驾驶场景分类识别系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111599183A true CN111599183A (zh) | 2020-08-28 |
CN111599183B CN111599183B (zh) | 2020-10-27 |
Family
ID=72183070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010707401.6A Active CN111599183B (zh) | 2020-07-22 | 2020-07-22 | 一种自动驾驶场景分类识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111599183B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329152A (zh) * | 2020-11-24 | 2021-02-05 | 苏州智加科技有限公司 | 一种驾驶数据搜索方法、装置及设备 |
CN112744226A (zh) * | 2021-01-18 | 2021-05-04 | 国汽智控(北京)科技有限公司 | 基于驾驶环境感知的自动驾驶智能自适应方法及系统 |
CN113033527A (zh) * | 2021-05-27 | 2021-06-25 | 北京三快在线科技有限公司 | 一种场景识别方法、装置、存储介质及无人设备 |
CN113177663A (zh) * | 2021-05-20 | 2021-07-27 | 启迪云控(上海)汽车科技有限公司 | 一种智能网联应用场景的处理方法及系统 |
CN114863689A (zh) * | 2022-07-08 | 2022-08-05 | 中汽研(天津)汽车工程研究院有限公司 | 一种上下匝道行为场景数据采集、识别与提取方法和系统 |
CN115439957A (zh) * | 2022-09-14 | 2022-12-06 | 上汽大众汽车有限公司 | 一种智能驾驶数据采集方法、采集装置、采集设备及一种计算机可读存储介质 |
WO2024066798A1 (zh) * | 2022-09-27 | 2024-04-04 | 腾讯科技(深圳)有限公司 | 车辆控制方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106347359A (zh) * | 2016-09-14 | 2017-01-25 | 北京百度网讯科技有限公司 | 用于操作自动驾驶车辆的方法和装置 |
CN107609602A (zh) * | 2017-09-28 | 2018-01-19 | 吉林大学 | 一种基于卷积神经网络的驾驶场景分类方法 |
CN108921200A (zh) * | 2018-06-11 | 2018-11-30 | 百度在线网络技术(北京)有限公司 | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 |
US20190204831A1 (en) * | 2018-01-03 | 2019-07-04 | Denso International America, Inc. | Vehicle Localization System |
CN110232257A (zh) * | 2019-07-02 | 2019-09-13 | 吉林大学 | 一种自动驾驶测试场景的构建方法及其难度系数计算方法 |
CN111178402A (zh) * | 2019-12-13 | 2020-05-19 | 赛迪检测认证中心有限公司 | 一种自动驾驶车辆道路测试的场景分类方法及装置 |
-
2020
- 2020-07-22 CN CN202010707401.6A patent/CN111599183B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106347359A (zh) * | 2016-09-14 | 2017-01-25 | 北京百度网讯科技有限公司 | 用于操作自动驾驶车辆的方法和装置 |
CN107609602A (zh) * | 2017-09-28 | 2018-01-19 | 吉林大学 | 一种基于卷积神经网络的驾驶场景分类方法 |
US20190204831A1 (en) * | 2018-01-03 | 2019-07-04 | Denso International America, Inc. | Vehicle Localization System |
CN108921200A (zh) * | 2018-06-11 | 2018-11-30 | 百度在线网络技术(北京)有限公司 | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 |
CN110232257A (zh) * | 2019-07-02 | 2019-09-13 | 吉林大学 | 一种自动驾驶测试场景的构建方法及其难度系数计算方法 |
CN111178402A (zh) * | 2019-12-13 | 2020-05-19 | 赛迪检测认证中心有限公司 | 一种自动驾驶车辆道路测试的场景分类方法及装置 |
Non-Patent Citations (1)
Title |
---|
舒红 等: "自动驾驶汽车基础测试场景构建研究", 《中国公路学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329152A (zh) * | 2020-11-24 | 2021-02-05 | 苏州智加科技有限公司 | 一种驾驶数据搜索方法、装置及设备 |
WO2022110978A1 (en) * | 2020-11-24 | 2022-06-02 | Suzhou Zhijia Science & Technologies Co., Ltd. | Method and apparatus for driving data search |
CN112329152B (zh) * | 2020-11-24 | 2023-04-07 | 苏州智加科技有限公司 | 一种驾驶数据搜索方法、装置及设备 |
CN112744226A (zh) * | 2021-01-18 | 2021-05-04 | 国汽智控(北京)科技有限公司 | 基于驾驶环境感知的自动驾驶智能自适应方法及系统 |
CN113177663A (zh) * | 2021-05-20 | 2021-07-27 | 启迪云控(上海)汽车科技有限公司 | 一种智能网联应用场景的处理方法及系统 |
CN113177663B (zh) * | 2021-05-20 | 2023-11-24 | 云控智行(上海)汽车科技有限公司 | 一种智能网联应用场景的处理方法及系统 |
CN113033527A (zh) * | 2021-05-27 | 2021-06-25 | 北京三快在线科技有限公司 | 一种场景识别方法、装置、存储介质及无人设备 |
CN114863689A (zh) * | 2022-07-08 | 2022-08-05 | 中汽研(天津)汽车工程研究院有限公司 | 一种上下匝道行为场景数据采集、识别与提取方法和系统 |
CN114863689B (zh) * | 2022-07-08 | 2022-09-30 | 中汽研(天津)汽车工程研究院有限公司 | 一种上下匝道行为场景数据采集、识别与提取方法和系统 |
CN115439957A (zh) * | 2022-09-14 | 2022-12-06 | 上汽大众汽车有限公司 | 一种智能驾驶数据采集方法、采集装置、采集设备及一种计算机可读存储介质 |
CN115439957B (zh) * | 2022-09-14 | 2023-12-08 | 上汽大众汽车有限公司 | 一种智能驾驶数据采集方法、采集装置、采集设备及一种计算机可读存储介质 |
WO2024066798A1 (zh) * | 2022-09-27 | 2024-04-04 | 腾讯科技(深圳)有限公司 | 车辆控制方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111599183B (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111599183B (zh) | 一种自动驾驶场景分类识别系统及方法 | |
CN108345822A (zh) | 一种点云数据处理方法及装置 | |
CN109271858B (zh) | 一种基于行车轨迹和视觉车道边线数据的路口识别方法及系统 | |
CN103279756B (zh) | 基于集成分类器的车辆检测分析系统及其检测分析方法 | |
CN110488825B (zh) | 一种自动驾驶的匝道口识别方法及车辆 | |
CN104766479A (zh) | 基于超高频射频与视频图像双识别匹配的汽车身份识别方法及装置 | |
CN110232335A (zh) | 驾驶场景分类方法及电子设备 | |
CN113155173B (zh) | 感知性能评测方法、装置、电子装置和存储介质 | |
CN101877050A (zh) | 一种车牌字符的自动提取方法 | |
CN109278758B (zh) | 一种基于智能手机的智能车个性化驾驶学习系统 | |
CN109948217A (zh) | 一种基于自然驾驶数据的危险场景库构建方法 | |
CN104537360A (zh) | 车辆未让行违章检测方法及其检测系统 | |
CN103310199B (zh) | 基于高分辨率遥感数据的车辆型号识别方法 | |
CN110610153A (zh) | 一种用于自动驾驶的车道识别方法及系统 | |
CN113327248B (zh) | 一种基于视频的隧道车流量统计方法 | |
CN114267173B (zh) | 高速公路时空特征的多源数据融合方法、装置及设备 | |
CN115080638B (zh) | 微观仿真的多源数据融合分析方法、电子设备及存储介质 | |
CN115048972B (zh) | 交通场景解构分类方法及虚实结合自动驾驶测试方法 | |
CN114973659A (zh) | 一种高速公路的间接事件检测的方法、装置及系统 | |
CN112785610B (zh) | 一种融合低层特征的车道线语义分割方法 | |
CN103886331A (zh) | 一种基于监控视频的多特征融合的车辆体型分类方法 | |
CN115272994B (zh) | 自动驾驶预测模型训练方法、装置、终端及介质 | |
CN115718702A (zh) | 一种自动驾驶测试场景库构建方法及系统 | |
CN115546776A (zh) | 基于卷积神经网络模型的字符分割模式车牌识别方法 | |
CN112927497B (zh) | 一种浮动车识别方法、相关方法和装置 |
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 |