CN112053555A - 一种用于对停车场环境驾驶场景复杂度评级的方法 - Google Patents

Abstract

本发明提供了一种用于对停车场环境驾驶场景复杂度评级的方法，计算能见度对场景复杂度的影响C_vis，计算光照条件对场景复杂度的影响C_ill；基于C_vis值及C_ill值，计算环境信息对场景复杂度的影响C_ENV；计算车道坡度对场景复杂度的影响C_gra，计算车道减速带数量对场景复杂度的影响C_Nsb，计算车道线信息对场景复杂度的影响C_ll。本发明所述的一种用于对停车场环境驾驶场景复杂度评级的方法，可以综合考虑静态复杂度和动态复杂度，进一步量化停车场环境的驾驶场景复杂度，为自动驾驶汽车系统的功能开发、算法测试以及性能评价提供更加准确的依据以及指导性建议。

Description

一种用于对停车场环境驾驶场景复杂度评级的方法

技术领域

本发明属于智能网联汽车领域，尤其是涉及一种用于对停车场环境驾驶场景复杂度评级的方法。

背景技术

在进行驾驶场景复杂度评级时，需要同时考虑场景的静态复杂度和动态复杂度。静态复杂度针对的是场景中静态要素的复杂程度，静态复杂度越高，则场景复现的难度越高；动态复杂度针对的是场景中交通参与者和本车的运动状态，动态复杂度同样影响场景复现中动态交通流的实现难度，此外，动态复杂度决定着算法测试过程中的难度，动态复杂度越高，则算法测试难度越大。对于一段连续场景，分别计算每一帧场景的复杂度，随后计算该段场景中所有场景帧复杂度的平均值，即可得到该连续场景的复杂度。在现有技术条件下，缺乏专门用于停车场环境的驾驶场景复杂度评级方法。

发明内容

有鉴于此，本发明旨在提出一种用于对停车场环境驾驶场景复杂度评级的方法，可以综合考虑静态复杂度和动态复杂度，进一步量化停车场环境的驾驶场景复杂度，为自动驾驶汽车系统的功能开发、算法测试以及性能评价提供更加准确的依据以及指导性建议。

为达到上述目的，本发明的技术方案是这样实现的：

一种用于对停车场环境驾驶场景复杂度评级的方法，包括：

步骤1：计算能见度对场景复杂度的影响C_vis，计算光照条件对场景复杂度的影响C_ill；基于Cx_is值及C_ill值，计算环境信息对场景复杂度的影响C_ENV；

步骤2：计算车道坡度对场景复杂度的影响C_gra，计算车道减速带数量对场景复杂度的影响C_Nsb，计算车道线信息对场景复杂度的影响C_ll，计算地面指示线信息对场景复杂度的影响C_gl；基于C_gra值、C_Nsb值、C_ll值及C_gl值，计算得到道路属性对场景复杂度的影响C_rp；

计算道闸的数量对场景复杂度的影响C_bg，计算停车位信息对场景复杂度的影响C_ps；基于C_rp值、C_bg值及C_ps值，计算得到道路信息对场景复杂度的影响C_ROAD；

步骤3：计算交通参与者信息对场景复杂度的影响C_TP，计算本车信息对场景复杂度的影响C_SV；

步骤4：分别对步骤1-3中得到的C_ENV值、C_ROAD值、C_TP值及C_SV值，分别赋予权重ω_ENV、ω_ROAD、ω_TP及ω_SV，并且满足如下条件：

ω_ENV+ω_ROAD+ω_TP+ω_SV＝1，

ω_ENV，ω_ROAD，ω_TP，ω_SV∈(0，1)

进一步计算得到场景的综合复杂度C_DS：

C_DS＝ω_ENVC_ENV+ω_ROADC_ROAD+ω_TPC_TP+ω_SVC_sV，C_DS∈(0，1)

步骤5：基于C_DS值，对停车场环境驾驶场景复杂度评级：

当0.8≤C_DS≤1时，停车场环境驾驶场景复杂度评级是复杂；

当0.6＜C_DS＜0.8时，停车场环境驾驶场景复杂度评级是中等；

当C_DS≤0.6时，停车场环境驾驶场景复杂度评级是简单。

进一步，在步骤1中：

C_vis＝log₂(1+F_vis)，C_vis∈(0，1)

其中，F_vis代表能见度影响场景复杂度的权重值，可以通过降水量pre和气溶胶状态的大气污染物数量ap计算得：

F_vis∈(0，1)

C_ill＝log₂(1+F_ill)，C_ill∈[0，1)

其中，F_ill代表不同照度影响场景复杂度的权重值，可以通过照度ill计算得到：

F_ill∈(0，1)

C_ENV∈[0，1)

由于地下等室内停车场不受降水量和大气污染物数量的影响，故设置开关权重ρ_vis，本车在室内停车场时ρ_vis＝0，在室外停车场时ρ_vis＝1。

进一步，在步骤2中：

C_gra＝log₂(1+F_gra)，C_gra∈[0，1)

其中，F_gra代表坡度影响场景复杂度的权重值，可以通过坡度gra计算得到；

F_gra∈[0，1)

C_Nsb＝log₂(1+F_Nsb)，Cx_sb∈[0，1)，

其中，F_Nsb代表减速带数量影响场景复杂度的权重值，可以通过减速带数量Nsb计算得到：

F_Nsb∈[0，1).

C_ll∈[0，1]，

其中，ω_lint代表完整度影响场景复杂度的权重，线条完整和部分缺失的权重分别为0和1；ω_ldef代表清晰度影响场景复杂度的权重，清晰可见和模糊不清的权重分别为0和1；

C_gl∈[0，1]，

其中，Ngl代表地面指示线的数量；ω_gint代表完整度影响场景复杂度的权重，线条完整、部分缺失的权重分别为0和1；ω_gdef代表清晰度影响场景复杂度的权重，清晰可见和模糊不清的权重分别为0和1；

由于有无车道线不会直接影响场景复杂度，故设置开关权重ρ_ll，无车道线时ρ_ll＝0，有车道线时ρ_ll＝1；

其中，i代表道闸的种类，

代表第i类道闸的数量，

代表第i类道闸影响复杂度的权重，其取值分别为：无道闸

视频免取卡

停车刷/取卡(票)

人工控制升降

有闸未启用

位线完整度和清晰度，同上述分析方式，停车位信息与场景复杂度C_ps的关系如下：

C_ps∈(0，1]

其中，ω_CC代表车位线和停车位颜色对比度影响场景复杂度的权重值，对比度越高，本车识别难度越低，场景复杂度越低；ω_pint和ω_pdef代表车位线完整度和清晰度影响场景复杂度的权重值，取值选取方式同车道线；ω_size代表停车位尺寸影响场景复杂度的权重值，其取值由如下方式计算得到：

其中，p_l和p_w表示停车位的长和宽，c_l和c_w表示车辆的长和宽；

C_ROAD∈(0，1]

其中，无停车位时ρ_ps＝0，有停车位时ρ_ps＝1。

进一步，在步骤3中：

C_TP∈(0，1)

其中，

代表第i个目标在x方向上的碰撞时间，

代表第i个目标在y方向上的碰撞时间，其具体计算过程如下：

其中，i代表交通参与者的ID，N_tp代表交通参与者的数量，t₀和t₁代表相邻两个时刻，(x_t，y_t)代表t时刻本车的坐标，

代表t时刻第i个目标的坐标；

C_SV∈[0，1)

其中，Δa_x、Δa_v和ω_θ分别代表本车的横向加速度、纵向加速度以及偏航角速度。

相对于现有技术，本发明所述的一种用于对停车场环境驾驶场景复杂度评级的方法，具有以下优势：

本发明所述的一种用于对停车场环境驾驶场景复杂度评级的方法，可以综合考虑静态复杂度和动态复杂度，进一步量化停车场环境的驾驶场景复杂度，为自动驾驶汽车系统的功能开发、算法测试以及性能评价提供更加准确的依据以及指导性建议。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

在附图中：

图1为本发明实施例所述的一种用于对停车场环境驾驶场景复杂度评级的方法原理示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。

下面将参考附图并结合实施例来详细说明本发明。

如图1所示，一种用于对停车场环境驾驶场景复杂度评级的方法，包括：

步骤1：计算能见度对场景复杂度的影响C_vis，计算光照条件对场景复杂度的影响C_ill；基于C_vis值及C_ill值，计算环境信息对场景复杂度的影响C_ENV；

步骤2：计算车道坡度对场景复杂度的影响C_gra，计算车道减速带数量对场景复杂度的影响C_Nsb，计算车道线信息对场景复杂度的影响C_ll，计算地面指示线信息对场景复杂度的影响C_gl；基于C_gra值、C_Nsb值、C_ll值及C_gl值，计算得到道路属性对场景复杂度的影响C_rp；

计算道闸的数量对场景复杂度的影响C_bg，计算停车位信息对场景复杂度的影响C_ps；基于C_rp值、C_bg值及C_ps值，计算得到道路信息对场景复杂度的影响C_ROAD；

步骤3：计算交通参与者信息对场景复杂度的影响C_TP，计算本车信息对场景复杂度的影响C_SV；

步骤4：分别对步骤1-3中得到的C_ENV值、C_ROAD值、C_TP值及C_SV值，分别赋予权重ω_ENV、ω_ROAD、ω_TP及ω_SV，并且满足如下条件：

ω_ENV+ω_ROAD+ω_TP+ω_SV＝1，

ω_ENV，ω_ROAD，ω_TP，ω_SV∈(0，1)

进一步计算得到场景的综合复杂度C_DS：

C_DS＝ω_ENVC_ENV+ω_ROADC_ROAD+ω_TPC_TP+ω_SVC_SV，C_DS∈(0，1)

步骤5：基于C_DS值，对停车场环境驾驶场景复杂度评级：

当0.8≤C_DS≤1时，停车场环境驾驶场景复杂度评级是复杂；

当0.6＜C_DS＜0.8时，停车场环境驾驶场景复杂度评级是中等；

当C_DS≤0.6时，停车场环境驾驶场景复杂度评级是简单。

进一步，在步骤1中：

C_vis＝log₂(1+F_vis)，C_vis∈(0，1)

其中，F_vis代表能见度影响场景复杂度的权重值，可以通过降水量pre和气溶胶状态的大气污染物数量ap计算得：

F_vis∈(0，1)

C_ill＝log₂(1+F_ill)，C_ill∈[0，1)

其中，F_ill代表不同照度影响场景复杂度的权重值，可以通过照度ill计算得到：

F_ill∈(0，1)

C_ENV∈[0，1)

由于地下等室内停车场不受降水量和大气污染物数量的影响，故设置开关权重ρ_vis，本车在室内停车场时ρ_vis＝0，在室外停车场时ρ_vis＝1。

进一步，在步骤2中：

C_gra＝log₂(1+F_gra)，C_gra∈[0，1)

其中，F_gra代表坡度影响场景复杂度的权重值，可以通过坡度gra计算得到；

F_gra∈[0，1)，

C_Nsb＝log₂(1+F_Nsb)，C_Nsb∈[0，1)，

其中，F_Nsb代表减速带数量影响场景复杂度的权重值，可以通过减速带数量Nsb计算得到：

F_Nsb∈[0，1).

C_ll∈[0，1]，

其中，ω_lint代表完整度影响场景复杂度的权重，线条完整和部分缺失的权重分别为0和1；ω_ldef代表清晰度影响场景复杂度的权重，清晰可见和模糊不清的权重分别为0和1；

C_gl∈[0，1]，

其中，Ngl代表地面指示线的数量；ω_gint代表完整度影响场景复杂度的权重，线条完整、部分缺失的权重分别为0和1；ω_gdef代表清晰度影响场景复杂度的权重，清晰可见和模糊不清的权重分别为0和1；

由于有无车道线不会直接影响场景复杂度，故设置开关权重ρ_ll，无车道线时ρ_ll＝0，有车道线时ρ_ll＝1；

其中，i代表道闸的种类，

代表第i类道闸的数量，

代表第i类道闸影响复杂度的权重，其取值分别为：无道闸

视频免取卡

停车刷/取卡(票)

人工控制升降

有闸未启用

位线完整度和清晰度，同上述分析方式，停车位信息与场景复杂度C_ps的关系如下：

C_ps∈(0，1]

其中，ω_CC代表车位线和停车位颜色对比度影响场景复杂度的权重值，对比度越高，本车识别难度越低，场景复杂度越低；ω_pint和ω_pdef代表车位线完整度和清晰度影响场景复杂度的权重值，取值选取方式同车道线；ω_size代表停车位尺寸影响场景复杂度的权重值，其取值由如下方式计算得到：

其中，p_l和p_w表示停车位的长和宽，c_l和c_w表示车辆的长和宽；

C_ROAD∈(0，1]

其中，无停车位时ρ_ps＝0，有停车位时ρ_ps＝1。

进一步，在步骤3中：

C_TP∈(0，1)

其中，

代表第i个目标在x方向上的碰撞时间，

代表第i个目标在y方向上的碰撞时间，其具体计算过程如下：

其中，i代表交通参与者的ID，N_tp代表交通参与者的数量，t₀和t₁代表相邻两个时刻，(x_t，y_t)代表t时刻本车的坐标，

代表t时刻第i个目标的坐标；

C_SV∈[0，1)

其中，Δa_x、Δa_y和ω_θ分别代表本车的横向加速度、纵向加速度以及偏航角速度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种用于对停车场环境驾驶场景复杂度评级的方法，其特征在于：包括：

步骤1：计算能见度对场景复杂度的影响C_vis，计算光照条件对场景复杂度的影响C_ill；基于C_vis值及C_ill值，计算环境信息对场景复杂度的影响C_ENV；

步骤2：计算车道坡度对场景复杂度的影响C_gra，计算车道减速带数量对场景复杂度的影响C_Nsb，计算车道线信息对场景复杂度的影响C_ll，计算地面指示线信息对场景复杂度的影响C_gl；基于C_gra值、C_Nsb值、C_ll值及C_gl值，计算得到道路属性对场景复杂度的影响C_rp；

计算道闸的数量对场景复杂度的影响C_bg，计算停车位信息对场景复杂度的影响C_ps；基于C_rp值、C_bg值及C_ps值，计算得到道路信息对场景复杂度的影响C_ROAD；

步骤3：计算交通参与者信息对场景复杂度的影响C_TP，计算本车信息对场景复杂度的影响C_SV；

步骤4：分别对步骤1-3中得到的C_ENV值、C_ROAD值、C_TP值及C_SV值，分别赋予权重ω_ENV、ω_ROAD、ω_TR及ω_SV，并且满足如下条件：

ω_ENV+ω_ROAD+ω_TP+ω_SV＝1,

ω_ENV，ω_ROAD，ω_TP，ω_SV∈(0,1)

进一步计算得到场景的综合复杂度C_DS：

C_DS＝ω_ENVC_ENV+ω_ROADC_ROAD+ω_TPC_TP+ω_SVC_SV,C_DS∈(0,1)

步骤5：基于C_DS值，对停车场环境驾驶场景复杂度评级：

当0.8≤C_DS≤1时，停车场环境驾驶场景复杂度评级是复杂；

当0.6<C_DS<0.8时，停车场环境驾驶场景复杂度评级是中等；

当C_DS≤0.6时，停车场环境驾驶场景复杂度评级是简单。

2.根据权利要求1所述的一种用于对停车场环境驾驶场景复杂度评级的方法，其特征在于：在步骤1中：

C_vis＝log₂(1+F_vis),C_vis∈(0,1)

其中，F_vis代表能见度影响场景复杂度的权重值，可以通过降水量pre和气溶胶状态的大气污染物数量ap计算得：

C_ill＝log₂(1+F_ill),C_ill∈[0,1)

其中，F_ill代表不同照度影响场景复杂度的权重值，可以通过照度ill计算得到：

由于地下等室内停车场不受降水量和大气污染物数量的影响，故设置开关权重ρ_vis，本车在室内停车场时ρ_vis＝0，在室外停车场时ρ_vis＝1。

3.根据权利要求1所述的一种用于对停车场环境驾驶场景复杂度评级的方法，其特征在于：在步骤2中：

C_gra＝log₂(1+F_gra),C_gra∈[0,1)

其中，F_gra代表坡度影响场景复杂度的权重值，可以通过坡度gra计算得到；

C_Nsb＝log₂(1+F_Nsb),C_Nsb∈[0,1),

其中，F_Nsb代表减速带数量影响场景复杂度的权重值，可以通过减速带数量Nsb计算得到：

其中，ω_lint代表完整度影响场景复杂度的权重，线条完整和部分缺失的权重分别为0和1；ω_ldef代表清晰度影响场景复杂度的权重，清晰可见和模糊不清的权重分别为0和1；

其中，Ngl代表地面指示线的数量；ω_gint代表完整度影响场景复杂度的权重，线条完整、部分缺失的权重分别为0和1；ω_gdef代表清晰度影响场景复杂度的权重，清晰可见和模糊不清的权重分别为0和1；

由于有无车道线不会直接影响场景复杂度，故设置开关权重ρ_ll，无车道线时ρ_ll＝0，有车道线时ρ_ll＝1；

其中，i代表道闸的种类，

代表第i类道闸的数量，

代表第i类道闸影响复杂度的权重，其取值分别为:无道闸

视频免取卡

停车刷/取卡(票)

人工控制升降

有闸未启用

位线完整度和清晰度，同上述分析方式，停车位信息与场景复杂度C_ps的关系如下：

其中，ω_cc代表车位线和停车位颜色对比度影响场景复杂度的权重值，对比度越高，本车识别难度越低，场景复杂度越低；ω_pint和ω_pdef代表车位线完整度和清晰度影响场景复杂度的权重值，取值选取方式同车道线；ω_size代表停车位尺寸影响场景复杂度的权重值，其取值由如下方式计算得到：

其中，p_l和p_w表示停车位的长和宽，c_l和c_w表示车辆的长和宽；

其中，无停车位时ρ_ps＝0，有停车位时ρ_ps＝1。

4.根据权利要求1所述的一种用于对停车场环境驾驶场景复杂度评级的方法，其特征在于：在步骤3中：

其中，

代表第i个目标在x方向上的碰撞时间，

代表第i个目标在y方向上的碰撞时间，其具体计算过程如下：

其中，i代表交通参与者的ID，N_tp代表交通参与者的数量，t₀和t₁代表相邻两个时刻，(x_t,y_t)代表t时刻本车的坐标，

代表t时刻第i个目标的坐标；

其中，Δa_x、Δa_y和ω_θ分别代表本车的横向加速度、纵向加速度以及偏航角速度。

Images