CN112740295A - 检测车辆行驶场景的复杂度的方法和装置 - Google Patents
检测车辆行驶场景的复杂度的方法和装置 Download PDFInfo
- Publication number
- CN112740295A CN112740295A CN202080005175.5A CN202080005175A CN112740295A CN 112740295 A CN112740295 A CN 112740295A CN 202080005175 A CN202080005175 A CN 202080005175A CN 112740295 A CN112740295 A CN 112740295A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- complexity
- static
- target vehicle
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000003068 static effect Effects 0.000 claims abstract description 258
- 238000012937 correction Methods 0.000 claims description 73
- 238000002955 isolation Methods 0.000 claims description 69
- 230000007613 environmental effect Effects 0.000 claims description 67
- 230000015654 memory Effects 0.000 claims description 18
- 230000035484 reaction time Effects 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 11
- 238000005286 illumination Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/14—Adaptive cruise control
- B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/04—Traffic conditions
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- 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
- B60W60/005—Handover processes
- B60W60/0059—Estimation of the risk associated with autonomous or manual driving, e.g. situation too complex, sensor failure or driver incapacity
-
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- 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
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- 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
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/05—Type of road, e.g. motorways, local streets, paved or unpaved roads
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/10—Number of lanes
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/20—Static objects
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/408—Traffic behavior, e.g. swarm
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/803—Relative lateral speed
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/804—Relative longitudinal speed
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/805—Azimuth angle
-
- 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
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/20—Ambient conditions, e.g. wind or rain
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种检测车辆行驶场景的复杂度的方法和装置,属于自动驾驶技术领域,可以应用在智能汽车、新能源汽车、网联汽车上,该方法包括:获取与本车辆满足预设距离条件的目标车辆,获取本车辆的行驶速度和目标车辆的行驶速度。基于本车辆的行驶速度与目标车辆的行驶速度,确定本车辆所在行驶场景的动态复杂度。确定本车辆当前所在行驶场景中的各静态因素的静态信息。基于各静态因素的静态信息,获取本车辆所在行驶场景的静态复杂度。基于动态复杂度和静态复杂度,获取本车辆所在行驶场景的综合复杂度。通过该方法确定出的综合复杂度可以更加全面的反应出车辆当前所在行驶场景的实际复杂程度。
Description
技术领域
本申请涉及自动驾驶技术领域,特别涉及一种检测车辆行驶场景的复杂度的方法和装置。
背景技术
随着自动驾驶汽车的快速发展,自动驾驶汽车的交通安全问题也引起了人们更多的关注。在高复杂度的行驶场景下,自动驾驶汽车自动驾驶可能存在一定危险,需要驾驶员接管进行人工驾驶。这样,为了能在高复杂度的行驶场景下提醒驾驶员做好接管驾驶的准备,确定行驶场景的复杂度也就至关重要。
目前,确定行驶场景的复杂度通常可以采用如下方法。通过车载全球定位系统(Global Positioning System,GPS)和高精度地图,确定出本车辆当前所在行驶场景中影响车辆行驶安全的静态因素的实际取值和本车辆的行驶速度。上述静态因素包括:车道数、中间分隔形式和本车辆所在车道的宽度等。根据预先存储的上述各静态因素的不同取值对应的复杂度,确定出上述各静态因素的实际取值对应的复杂度。根据行驶速度区间对应的复杂度,确定出本车辆的行驶速度对应的复杂度。再将确定出的各复杂度相加,即可得到本车辆当前所在的行驶场景的复杂度。
现有技术至少存在以下问题:
在车辆的行驶场景中,影响车辆行驶安全的除了上述方法中所提及的静态因素和车辆的行驶速度外,还有车辆周围一定范围内的其余车辆的行驶情况。因此,仅仅依靠上述因素确定出的行驶场景的复杂度并不能全面反应出车辆当前所在行驶场景的实际复杂程度,使得车辆自动驾驶存在一定安全隐患。
发明内容
本申请实施例提供了一种检测车辆行驶场景的复杂度的方法和装置,以克服相关技术确定的复杂度不能全面反应车辆当前所在行驶场景的实际复杂程度的问题。
第一方面、提供了一种检测车辆行驶场景的复杂度的方法,所述方法包括:
获取所述本车辆的行驶速度和目标车辆的行驶速度,其中,目标车辆为与本车辆满足预设距离条件的目标车辆。基于所述本车辆的行驶速度与所述目标车辆的行驶速度,获取所述本车辆所在行驶场景的动态复杂度。确定本车辆当前所在行驶场景中的各静态因素的静态信息。基于所述各静态因素的静态信息,确定所述本车辆所在行驶场景的静态复杂度。基于所述动态复杂度和所述静态复杂度,确定所述本车辆所在行驶场景的综合复杂度。
本申请实施例所示的方案,可以通过车载的雷达检测本车辆一定范围内的目标车辆的行驶速度,并根据目标车辆的行驶速度和本车辆的行驶速度,计算出本车辆所在行驶场景的动态复杂度。该动态复杂度用来表征本车辆所在行驶场景中的目标车辆的行驶情况对本车辆行驶的影响程度大小。同时,还可以通过车载的GPS和高清地图,获取本车辆所在行驶场景中的各静态因素的静态信息。例如,静态因素为车道宽度,那么静态信息可以为车道的实际宽度值。
并根据各静态因素的静态信息,得到本车辆所在行驶场景的静态复杂度。该静态复杂度用来表征本车辆所在行驶场景中的静态因素对本车辆行驶的影响程度大小。最后,可以结合上述动态复杂度和静态复杂度,计算出本车辆所在行驶场景的动态复杂度。本方案结合了静态因素和一定范围内目标车辆的行驶情况,综合确定本车辆所在行驶场景的综合复杂度,可以更加全面的反应出车辆当前所在行驶场景的实际复杂程度。
在一种可能的实现方式中,所述基于所述本车辆的行驶速度与所述目标车辆的行驶速度,获取所述本车辆所在行驶场景的动态复杂度,包括:
对于每个目标车辆,基于所述本车辆的行驶速度与所述目标车辆的行驶速度,得到所述目标车辆对应的复杂度;
将各目标车辆对应的复杂度相加,得到所述本车辆所在行驶场景的动态复杂度。
本申请实施例所示的方案,在确定动态复杂度时,可以以每个目标车辆为研究对象,分别计算出每个目标车辆对应的复杂度,并综合各目标车辆对应的复杂度,计算得到本车辆所在行驶场景的动态复杂度。
在一种可能的实现方式中,所述基于所述本车辆的行驶速度与所述目标车辆的行驶速度,得到所述目标车辆对应的复杂度,包括:
获取所述本车辆和所述目标车辆的相对行驶速度与所述本车辆的行驶方向的夹角θij;
基于所述夹角θij,确定所述目标车辆对应的复杂度。
本申请实施例所示的方案,本车辆和目标车辆的相对行驶速度可以为目标车辆的行驶速度减去本车辆的行驶速度。在计算本车辆和目标车辆的相对行驶速度与本车辆的行驶方向的夹角θij时,可以按照如下方法进行计算:θij∈[0°,90°]
其中,为本车辆和目标车辆的相对横向速度,即,目标车辆的行驶速度在本车辆的行驶方向的水平垂直方向的分量减去本车辆的行驶速度在本车辆的行驶方向的水平垂直方向的分量。为本车辆和目标车辆的相对纵向速度,即,目标车辆的行驶速度在本车辆的行驶方向的分量减去本车辆的行驶速度在本车辆的行驶方向的分量。
在一种可能的实现方式中,所述基于所述夹角θij,得到所述目标车辆对应的复杂度,包括:
基于所述目标车辆与所述本车辆之间的距离,以及所述目标车辆与所述本车辆之间的相对速度,对所述目标车辆对应的初始复杂度f(θij)进行修正,得到所述目标车辆对应的复杂度。
本申请实施例所示的方案,可以根据本车辆和目标车辆之间的为了更准确的计算出每个目标车辆的复杂度,可以基于目标车辆与本车辆之间的距离,以及目标车辆与本车辆之间的相对速度对初始复杂度进行修正。
在一种可能的实现方式中,所述基于所述目标车辆与所述本车辆之间的距离,以及所述目标车辆与所述本车辆之间的相对速度,对所述目标车辆对应的初始复杂度f(θij)进行修正,得到所述目标车辆对应的复杂度,包括:
基于所述本车辆的行驶速度、最大减速度和最小减速度,所述目标车辆的行驶速度和最大减速度,以及预设的驾驶员反应时间,得到所述本车辆与所述目标车辆之间的第一安全距离;
计算所述目标车辆与上述本车辆之间的距离在所述本车辆的行驶方向上的分量和预设危险距离之间的第一差值;
计算所述第一安全距离与所述预设危险距离之间的第二差值;
计算所述第一差值和所述第二差值之间的比值,得到所述本车辆与所述目标车辆之间的标准纵向距离p;
将所述标准纵向距离P,代入如下方程:f1(p)=(1-p)lg(1/p),得到纵向修正系数f1(p);
计算所述目标车辆与所述本车辆之间的横向相对速度和预设危险横向相对速度之间的第三差值;
计算所述预设安全横向相对速度与所述预设危险横向相对速度之间的第四差值;
计算所述第三差值和所述第四差值之间的比值,得到所述本车辆与所述目标车辆之间的标准横向相对速度q;
将所述标准横向相对速度q,代入如下方程:f1(q)=(1-q)lg(1/q),得到横向修正系数f1(q);
将所述目标车辆对应的初始复杂度f(θij),所述纵向修正系数f1(q)和所述横向修正系数f1(q)相乘,得到所述目标车辆对应的复杂度。
本申请实施例所示的方案,在对初始复杂度进行修正时,可以从横向和纵向两个方向考虑。其中,横向为本车辆行驶方向的水平垂直方向,纵向即为本车辆的行驶方向。在横向修正时,可以基于本车辆和目标车辆之间的横向相对速度,进行修改。在纵向修正时,可以基于本车辆和目标车辆之间的纵向距离,进行修正。
在一种可能的实现方式中,所述基于所述各静态因素的静态信息,获取所述本车辆所在行驶场景的静态复杂度,包括:
基于所述多个静态因素的静态信息获取所述多个静态因素的取值,并基于所述多个静态因素的取值与复杂度的对应关系,获取所述多个静态因素分别对应的复杂度;
基于所述多个静态因素分别对应的复杂度,得到所述本车辆所在行驶场景的静态复杂度。
本申请实施例所示的方案,可以先根据各静态因素的静态信息,确定静态因素的取值。例如,静态因素为车道宽度,相应的静态信息可以为3m、3.5m、4m、4.5m等,那么,静态因素的取值可以为宽车道(车道宽度≥3.5m)、窄车道(车道宽度<3.5m)两种。再根据静态因素的取值与复杂度的对应关系,得到多个静态因素分别对应的复杂度。最后,将多个静态因素分别对应的复杂度相加,即可得到本车辆所在行驶场景的静态复杂度。
在一种可能的实现方式中,所述基于所述多个静态因素分别对应的复杂度,确定所述本车辆所在行驶场景的静态复杂度,包括:
获取所述多个静态因素分别对应的权重;
将所述多个静态因素的取值对应的复杂度分别乘以相对应的权重,得到所述多个静态因素分别对应的加权复杂度;
将所述多个静态因素的对应的加权复杂度相加,得到所述本车辆所在行驶场景的静态复杂度。
本申请实施例所示的方案,考虑到各静态因素对车辆行驶的影响大小不同,在基于各静态因素对应的复杂度,确定本车辆所在行驶场景的静态复杂度时,可以先对本车辆所在行驶场景中的每个静态因素的对应的复杂度乘以该静态因素对应的权重,得到该静态因素对应的加权复杂度,再将各静态因素对应的加权复杂度相加,得到本车辆所在行驶场景的静态复杂度。
在一种可能的实现方式中,所述方法还包括:
对于第一静态因素的第一取值,获取N个所述第一取值对应的样本图像,其中,N为大于1的整数;
对所述N个样本图像分别进行图像识别,得到每个样本图像对应的预测值;
统计对应的预测值和对应的标定真值不同的样本图像的数目M,其中,所述标定真值用于唯一标识所述第一取值;
获取M与N的比值,作为所述第一取值对应的复杂度。
本申请实施例所示的方案,对于每个静态因素的每个取值,均可以预先确定出该取值对应的复杂度,并将静态因素的取值与对应的复杂度对应存储。在预先确定静态因素的取值对应的复杂度时,可以获取N个该取值对应的样本图像。然后,对N个样本图像分别进行图像识别,得到每个样本图像对应的预测值。统计对应的预测值和对应的标定真值不同的样本图像的数目M。获取M与N的比值,作为该取值对应的复杂度。早获取样本图像时,为了节省人力,可以通过高清街景地图获取各种静态因素的各取值对应的样本图像。
在一种可能的实现方式中,所述静态因素包括道路类型、同向车道数、车道宽度、中央隔离行驶、机非隔离形式、交通标志和交通信号灯中的至少一个。
本申请实施例所示的方案,道路类型对应的静态信息可以为城市快速路、主干路、次干路、支路,那么,对应的取值也可以为城市快速路、主干路、次干路、支路。同向车道数对应的静态信息可以为1、2、3、4、5、6等,那么,对应的取值可以为1、2、3、4、大于等于5。车道宽度对应的静态信息可以为3m、3.5m、4m、4.5m等,那么,对应的取值可以为宽车道(车道宽度≥3.5m)、窄车道(车道宽度<3.5m)。中央隔离形式对应的静态信息可以为无中央隔离、标线隔离、硬质隔离栏、绿化隔离,那么,对应的取值也可以为无中央隔离、标线隔离、硬质隔离栏、绿化隔离。机非隔离形式对应的静态信息可以为无机非隔离、标线隔离、硬质隔离栏、绿化隔离,那么,对应的取值也可以为无机非隔离、标线隔离、硬质隔离栏、绿化隔离。交通标志对应的静态信息可以为限速牌限速40km/h,限速牌限速60km/h,无限速牌等,那么,对应的取值可以为有限速牌和无限速牌。交通信号灯对应的静态信息为交通信号灯为红灯、交通信号灯为绿灯、交通信号灯为黄灯、无交通信号灯,那么,对应取值可以为有交通信号灯和无交通信号灯。
在一种可能的实现方式中,所述方法还包括:
获取所述本车辆所在行驶场景中的环境因素的静态信息;
基于所述环境因素的环境信息获取所述环境因素的取值;
基于存储的环境因素的取值与复杂度修正系数的对应关系,确定所述本车辆所在行驶场景中的环境因素对应的目标复杂度修正系数;
所述基于所述动态复杂度和所述静态复杂度,确定所述本车辆所在行驶场景的综合复杂度,包括:
将所述动态复杂度和所述静态复杂度相加,乘以所述目标复杂度修正系数,得到所述本车辆所在行驶场景的综合复杂度。
本申请实施例所示的方案,除上述静态因素和目标车辆行驶状况外,环境因素也是影响车辆行驶的重要因素。即环境因素对本车辆所在行驶场景的复杂程度也会有一定的影响。可以通过本车辆的感知系统的摄像头获取行驶场景中的环境图像,并通过预先构建的模式识别算法,在环境图像识别出各环境因素的环境信息,然后,可以将环境因素的环境信息作为该环境因素的取值。这样,便可以根据环境因素的取值和复杂度修正系数的对应关系,得到本车辆所在行驶场景的环境因素的取值对应的目标复杂度修正系数,并使用目标复杂度修正系数,对动态复杂度和静态复杂进行修正。
在一种可能的实现方式中,所述环境因素包括光照、天气和路面情况。
本申请实施例所示的方案,光照对应的取值可以包括白天、黄昏或黎明、黑夜有光照、黑夜无光照,天气对应的取值可以包括晴、阴、雨、雪、雾,路面情况对应的取值可以包括干燥、潮湿、积雪、结冰。
在一种可能的实现方式中,所述确定与本车辆满足预设距离条件的目标车辆,包括:
如果存在与所述本车辆在相同车道的前方车辆,则确定所述与所述本车辆在相同车道的前方车辆中与所述本车辆之间的距离最小的前方车辆为参考车辆;
确定所述参考车辆的行驶速度,以及所述参考车辆与所述本车辆之间的距离在所述本车辆的行驶方向上的分量;
基于所述本车辆的行驶速度、预设最大加速度和预设最小减速度,所述参考车辆的行驶速度和预设最大减速度,以及预设驾驶员反应时间,确定所述本车辆与所述参考车辆之间的第二安全距离;
确定所述参考车辆与所述本车辆之间的距离在所述本车辆的行驶方向上的分量,和所述第二安全距离中的最小值;
将所述本车辆所在车道以及相邻车道中,与所述本车辆之间的距离在所述本车辆的行驶方向上的分量不大于所述最小值的前方车辆,确定为目标车辆;
如果不存在与所述本车辆在相同车道的前方车辆,则基于所述本车辆的行驶速度、预设最大加速度和预设最小减速度,预设前方车辆行驶速度和所述预设最大减速度,以及所述预设驾驶员反应时间,确定第三安全距离,其中,所示预设前方车辆行驶速度为0;
将所述本车辆所在车道以及相邻车道中,与所述本车辆之间的距离在所述本车辆的行驶方向上的分量不大于所述第三安全距离的前方车辆,确定为目标车辆。
第二方面、提供了一种检测车辆行驶场景的复杂度的装置,所述装置包括:
获取模块,用于获取本车辆的行驶速度和目标车辆的行驶速度,所述目标车辆为与本车辆满足预设距离条件的车辆;
第一确定模块,用于基于所述本车辆的行驶速度与所述目标车辆的行驶速度,获取所述本车辆所在行驶场景的动态复杂度;
第二确定模块,用于获取所述本车辆所在行驶场景中的静态因素的静态信息;
第三确定模块,用于基于所述各静态因素的静态信息,获取所述本车辆所在行驶场景的静态复杂度;
第四确定模块,用于基于所述动态复杂度和所述静态复杂度,获取所述本车辆所在行驶场景的综合复杂度。
在一种可能的实现方式中,所述第一确定模块,用于:
对于每个目标车辆,基于所述本车辆的行驶速度与所述目标车辆的行驶速度,得到所述目标车辆对应的复杂度;
将各目标车辆对应的复杂度相加,得到所述本车辆所在行驶场景的动态复杂度。
在一种可能的实现方式中,所述第一确定模块,用于:
基于所述本车辆的行驶速度与所述目标车辆的行驶速度,得到所述本车辆和所述目标车辆的相对行驶速度;
获取所述本车辆和所述目标车辆的相对行驶速度与所述本车辆的行驶方向的夹角θij;
基于所述夹角θij,得到所述目标车辆对应的复杂度。
在一种可能的实现方式中,所述第一确定模块,用于:
基于所述目标车辆与所述本车辆之间的距离,以及所述目标车辆与所述本车辆之间的相对行驶速度,对所述目标车辆对应的初始复杂度f(θij)进行修正,得到所述目标车辆对应的复杂度。
在一种可能的实现方式中,所述第一确定模块,用于:
基于所述本车辆的行驶速度、最大减速度和最小减速度,所述目标车辆的行驶速度和最大减速度,以及预设的驾驶员反应时间,得到所述本车辆与所述目标车辆之间的第一安全距离;
计算所述目标车辆与所述本车辆之间的距离在所述本车辆的行驶方向上的分量和预设危险距离之间的第一差值;
计算所述第一安全距离与所述预设危险距离之间的第二差值;
计算所述第一差值和所述第二差值之间的比值,得到所述本车辆与所述目标车辆之间的标准纵向距离p;
将所述标准纵向距离P,代入如下方程:f1(p)=(1-p)lg(1/p),得到纵向修正系数f1(p);
计算所述目标车辆与所述本车辆之间的横向相对速度和预设危险横向相对速度之间的第三差值;
计算所述预设安全横向相对速度与所述预设危险横向相对速度之间的第四差值;
计算所述第三差值和所述第四差值之间的比值,得到所述本车辆与所述目标车辆之间的标准横向相对速度q;
将所述标准横向相对速度q,代入如下方程:f1(q)=(1-q)lg(1/q),得到横向修正系数f1(q);
将所述目标车辆对应的初始复杂度f(θij),所述纵向修正系数f1(q)和所述横向修正系数f1(q)相乘,得到所述目标车辆对应的复杂度。
在一种可能的实现方式中,所述第三确定模块,用于:
基于所述多个静态因素的静态信息获取所述多个静态因素的取值,并基于所述多个静态因素的取值与复杂度的对应关系,获取所述多个静态因素分别对应的复杂度;
基于所述多个静态因素分别对应的复杂度,得到所述本车辆所在行驶场景的静态复杂度。
在一种可能的实现方式中,所述第三确定模块,用于:
获取所述多个静态因素分别对应的权重;
将所述多个静态因素的取值对应的复杂度分别乘以相对应的权重,得到所述多个静态因素分别对应的加权复杂度;
将所述多个静态因素的对应的加权复杂度相加,得到所述本车辆所在行驶场景的静态复杂度。
在一种可能的实现方式中,所述装置还包括:
统计模块,用于对于第一静态因素的第一取值,获取N个所述第一取值对应的样本图像,其中,N为大于1的整数;对所述N个样本图像分别进行图像识别,得到每个样本图像对应的预测值;统计对应的预测值和对应的标定真值不同的样本图像的数目M,其中,所述标定真值用于唯一标识所述第一取值;获取M与N的比值,作为所述第一取值对应的复杂度。
在一种可能的实现方式中,所述静态因素包括道路类型、同向车道数、车道宽度、中央隔离行驶、机非隔离形式、交通标志和交通信号灯中的至少一个。
在一种可能的实现方式中,所述装置还包括:
修正模块,用于获取所述本车辆所在行驶场景中的环境因素的环境信息;
基于所述环境因素的环境信息获取所述环境因素的取值;
基于存储的环境因素的取值与复杂度修正系数的对应关系,得到所述本车辆所在行驶场景中的环境因素的取值对应的目标复杂度修正系数;
所述第四模块,用于:
将所述动态复杂度和所述静态复杂度相加,乘以所述目标复杂度修正系数,得到所述本车辆所在行驶场景的综合复杂度。
在一种可能的实现方式中,所述环境因素包括光照、天气和路面情况中的至少一个。
在一种可能的实现方式中,所述获取模块,用于:
如果存在与所述本车辆在相同车道的前方车辆,则确定所述与所述本车辆在相同车道的前方车辆中与所述本车辆之间的距离最小的前方车辆为参考车辆;
获取所述参考车辆的行驶速度,以及所述参考车辆与所述本车辆之间的距离在所述本车辆的行驶方向上的分量;
基于所述本车辆的行驶速度、预设最大加速度和预设最小减速度,所述参考车辆的行驶速度和预设最大减速度,以及预设驾驶员反应时间,得到所述本车辆与所述参考车辆之间的第二安全距离;
获取所述参考车辆与所述本车辆之间的距离在所述本车辆的行驶方向上的分量,和所述第二安全距离中的最小值;
将所述本车辆所在车道以及相邻车道中,与所述本车辆之间的距离在所述本车辆的行驶方向上的分量不大于所述最小值的前方车辆,作为目标车辆;
如果不存在与所述本车辆在相同车道的前方车辆,则基于所述本车辆的行驶速度、预设最大加速度和预设最小减速度,预设前方车辆行驶速度和所述预设最大减速度,以及所述预设驾驶员反应时间,得到第三安全距离,其中,所示预设前方车辆行驶速度为0;
将所述本车辆所在车道以及相邻车道中,与所述本车辆之间的距离在所述本车辆的行驶方向上的分量不大于所述第三安全距离的前方车辆,作为目标车辆。
第三方面、提供了一种车辆行驶决策控制器,所述车辆行驶决策控制器包括处理器和存储器;
所述存储器存储有至少一个计算机可读指令,所述计算机可读指令被配置成由所述处理器执行,用于实现如上述第一方面所述的检测车辆行驶场景的复杂度的方法。
第四方面、提供了一种计算机可读存储介质,包括计算机可读指令,当所述计算机可读存储介质在车辆行驶决策控制器上运行时,使得所述车辆行驶决策控制器执行如上述第一方面所述的检测车辆行驶场景的复杂度的方法。
第五方面、提供了一种包含指令的计算机程序产品,当所述计算机程序产品在车辆行驶决策控制器上运行时,使得所述车辆行驶决策控制器执行上述第一方面所述的检测车辆行驶场景的复杂度的方法。
本申请提供的技术方案至少包括以下有益效果:
本申请中除了基于本车辆所在的行驶场景中的各静态因素的静态信息,确定本车辆所在行驶场景的静态复杂度外,还基于本车辆的行驶速度与目标车辆的行驶速度,确定所述本车辆所在行驶场景的动态复杂度,目标车辆为与本车辆满足预设距离条件的车辆。这样,结合了静态因素确定出的静态复杂度和周围车辆的行驶情况确定出的动态复杂度,来综合确定本车辆所在行驶场景的综合复杂度,该综合复杂度可以更加全面的反应出车辆当前所在行驶场景的复杂程度。
附图说明
图1是本申请实施例提供的一种车辆行驶决策控制器的结构示意图;
图2是本申请实施例提供的一种检测车辆行驶场景的复杂度的方法的流程图;
图3是本申请实施例提供的一种目标车辆的示意图;
图4是本申请实施例提供的一种目标车辆的示意图;
图5是本申请实施例提供的一种目标车辆的示意图;
图6是本申请实施例提供的一种检测车辆行驶场景的复杂度的装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
本申请实施例提供了一种检测车辆行驶场景的复杂度的方法,该方法可以应用于自动驾驶汽车中。该方法可以由自动驾驶汽车中的车辆行驶决策控制器实现。在自动驾驶汽车中可部署有感知系统、定位系统等。其中,感知系统可以包括有雷达、摄像头等,定位系统可以为全球定位系统(Global Positioning System,GPS)、北斗系统等。
如图1所示是本申请实施例提供的一种车辆行驶决策控制器100的示意图。在图1中,车辆行驶决策控制器可以包括有处理器101和存储器102。处理器101可以是中央处理器(central processing unit,CPU)。处理器101可以是指一个处理器,也可以包括多个处理器。存储器102可以包括易失性存储器,例如随机存取存储器(random access memory,RAM);存储器也可以包括非易失性存储器,例如只读存储器(read-only memory,ROM),快闪存储器等。存储器还可以包括上述种类的存储器的组合。存储器102可以是指一个存储器,也可以包括多个存储器。存储器102中存储有计算机可读指令,该计算机可读指令可以由处理器101执行,以实现本申请实施例提供的检测车辆行驶场景的复杂度的方法。
车辆行驶决策控制器通过感知系统采集到一定范围内的前方车辆的行驶数据,通过定位系统和高精度地图结合获取到本车辆所在行驶场景中的各静态因素的取值,并综合计算出本车辆所在行驶场景的复杂度。
参见图2,本申请实施例提供的一种检测车辆行驶场景的复杂度的方法的处理流程可以包括如下步骤:
步骤201、获取本车辆的行驶速度和目标车辆的行驶速度,其中,目标车辆为与本车辆满足预设距离条件的车辆。
在实施中,可以先确定与本车辆满足预设距离条件的目标车辆,作为后续计算本车辆所在行驶场景的动态复杂度的研究车辆。对于与本车辆满足预设距离条件的目标车辆的确定方法可以如下:
通过雷达探测本车辆所在行驶场景的前方车辆,如果存在与本车辆在相同车道的前方车辆,则确定与本车辆之间的距离最小的前方车辆为参考车辆。然后,通过雷达获取参考车辆的行驶速度,以及该参考车辆与本车辆之间的距离在本车辆的行驶方向上的分量。此处,车辆与本车辆之间的距离在本车辆的行驶方向上的分量也可以称为该车辆与本车辆之间的纵向距离。
再然后,计算该参考车辆和本车辆之间的第二安全距离dmin,计算公式可以如下:
其中,Vfollowing为本车辆的行驶速度,Vleading为参考车辆的行驶速度,amax,accel为本车辆的预示最大加速度,例如,可以为0.2g,g为重力加速度。amin,brake为本车辆的预设最小减速度,例如,可以为0.3g。bmax,brake表示前车的预设最大减速度,例如,可以为0.4g。ρ为预设驾驶员反应时间,例如,可以为2s。
接着,可以确定参考车辆与本车辆之间纵向距离,和上述确定出的第二安全距离的之中的较小值。将本车辆所在车道以及相邻车道中,与本车辆之间的纵向距离不大于最小值的前方车辆,确定为目标车辆。如图3所示,为第二安全距离小于参考车辆与本车辆之间纵向距离的情况下,确定出的目标车辆。如图4所示,为第二安全距离大于参考车辆与本车辆之间纵向距离的情况下,确定出的目标车辆。
如果不存在与本车辆在相同车道的前方车辆,则可以假设存在与本车辆在相同车道的前方车辆作为参考车辆,且该假设的参考车辆的行驶速度为0。计算该参考车辆和本车辆之间的第三安全距离。该第三安全距离的计算公式与上述第二安全距离的计算公式相同,在此不做赘述。如图5所示,为不存在与本车辆在相同车道的前方车辆的情况下,确定出的目标车辆。
步骤202、基于本车辆的行驶速度与目标车辆的行驶速度,得到本车辆所在行驶场景的动态复杂度。
在实施中,对于每个目标车辆,基于本车辆的行驶速度与该目标车辆的行驶速度,确定该目标车辆对应的复杂度。将确定出的各目标车辆对应的复杂度相加,得到本车辆所在行驶场景的动态复杂度。下面对于确定目标车辆对应的复杂度的方法进行说明。
首先,计算本车辆和目标车辆的相对行驶速度与本车辆的行驶方向的夹角θij。计算公式可以如下:
其中,为本车辆和目标车辆的相对横向速度,即,目标车辆的行驶速度在本车辆的行驶方向的水平垂直方向的分量减去本车辆的行驶速度在本车辆的行驶方向的水平垂直方向的分量。为本车辆和目标车辆的相对纵向速度,即,目标车辆的行驶速度在本车辆的行驶方向的分量减去本车辆的行驶速度在本车辆的行驶方向的分量。
然后,将上述计算出的夹角θij,代入如下公式:
即可得到目标车辆对应的初始复杂度f(θij)。
再然后,可以基于目标车辆与本车辆之间的距离,以及目标车辆与所述本车辆之间的相对速度,对目标车辆对应的初始复杂度f(θij)进行修正,得到目标车辆对应的复杂度。修正方法可以有如下步骤:
一、计算纵向修正系数,该纵向修正系数的计算方法可以如下:
首先,计算本车辆与目标车辆之间的第一安全距离。该第一安全距离的计算公式与上述第二安全距离的计算公式相同,在此不做赘述。然后,计算目标车辆与本车辆之间的纵向距离和预设危险距离之间的第一差值。再然后,计算安全临界值与预设危险距离之间的第二差值。其中,安全临界值可以为本车辆与目标车辆之间的第一安全距离,可以为0m。接着,计算第一差值和第二差值之间的比值,得到本车辆与目标车辆之间的标准纵向距离p。该标准纵向距离p可以表示为:
再然后,将标准纵向距离p代入公式f1(p)=(1-p)lg(1/p),得到纵向修正系数f1(p)。
二、计算横向修正系数,该纵向修正系数的计算方法可以如下。
首先,计算目标车辆与本车辆之间的横向相对速度和预设危险横向相对速度之间的第三差值。然后,计算预设安全横向相对速度与所述预设危险横向相对速度之间的第四差值。其中,可以为3.5m/s,表示本车辆和目标车辆在横向相互靠近的速度为3.5m/s,可以为-3.5m/s,表示本车辆和目标车辆在横向相互远离的速度为3.5m/s。再然后,计算第三差值和第四差值之间的比值,得到本车辆与目标车辆之间的标准横向相对速度q。该标准横向相对速度q可以表示为:
再然后,将标准横向相对速度q,代入公式f1(q)=(1-q)lg(1/q),得到横向修正系数f1(q)。
三、将初始复杂度f(θij),纵向修正系数f1(p)和横向修正系数f1(q)相乘,即可得到目标车辆对应的复杂度。此处需要说明的是,上述纵向修正系数和计算横向修正系数的计算顺序,仅为一种示例,本申请实施例对于二者的计算顺序不做限定,在一种可能的实现方式中二者还可以并行计算。
步骤203、获取本车辆当前所在行驶场景中的各静态因素的静态信息。
其中,静态因素包括道路类型、同向车道数、车道宽度、中央隔离行驶、机非隔离形式、交通标志和交通信号灯。
在实施中,可以通过定位系统确定当前所在位置,并通过高精度地图确定本车辆当前所在位置(本车辆所在行驶场景)的各静态因素的静态信息。例如,获取到本车辆当前所在行驶场景中的道路类型为城市快速路,同向车道数为2,车道宽度大于3.5m为宽车道,中央隔离行驶为绿化隔离,机非隔离形式为绿化隔离,交通标志为有限速牌,交通信号灯为有交通信号灯。下面对于各静态因素可能的静态信息进行说明。
道路类型的静态信息可以为城市快速路、主干路、次干路、支路。同向车道数的静态信息可以为1、2、3、4、5、6等。车道宽度的静态信息可以为3m、3.5m、4m、4.5m等。中央隔离形式的静态信息可以为无中央隔离、标线隔离、硬质隔离栏、绿化隔离。机非隔离形式的静态信息可以为无机非隔离、标线隔离、硬质隔离栏、绿化隔离。交通标志的静态信息可以为限速牌限速40km/h,限速牌限速60km/h,无限速牌等。交通信号灯的静态信息为交通信号灯为红灯、交通信号灯为绿灯、交通信号灯为黄灯、无交通信号灯。
步骤204、基于各静态因素的静态信息,获取本车辆所在行驶场景的静态复杂度。
在实施中,可以先根据确定出的多个静态因素的静态信息,获取本车辆所在行驶场景中的多个静态因素的取值。然后,根据静态因素的取值与复杂度的对应关系,确定出本车辆所在行驶场景中的多个静态因素的取值分别对应的复杂度。最后,根据多个静态因素分别对应的复杂度,得到本车辆所在行驶场景的静态复杂度。
由于静态因素的静态信息情况过于繁多,如果使每个静态信息均单独对应一个取值,那么,静态因素的取值和复杂度的对应关系也会相对复杂。因此,对于部分静态信息,可以使多个静态信息对应一个取值。下面对于静态因素的静态信息和静态因素的取值之间的关系进行说明。
对于道路类型的静态信息可以直接确定为道路类型的取值,即静态信息城市快速路、主干路、次干路、支路,分别对应的取值也可以为城市快速路、主干路、次干路、支路。对于同向车道数的静态信息为1到4时,可以直接将同向车道数的静态信息确定为同向车道数的取值,对于同向车道数的静态信息为5、6、7等时,可以统一对应取值“≥5”。对于车道宽度的静态信息为3m、3.5m时,可以统一对应取值“≤3.5m”,对于车道宽度的静态信息为4m、4.5m等时,可以统一对应取值“>3.5m”。对于中央隔离形式的静态信息可以直接确定为中央隔离形式的取值。对于机非隔离形式的静态信息可以直接确定为机非隔离形式的取值。对于交通标志的静态信息为限速牌限速40km/h,限速牌限速60km/h等时,对应的取值可以为“有限速牌”,对于交通标志的静态信息为无限速牌时,对应的取值即可以为“无限速牌”。对于交通信号灯对应的静态信息为交通信号灯为红灯、交通信号灯为绿灯、交通信号灯为黄灯时,可以统一对应取值“有交通信号灯”,对于交通信号灯对应的静态信息为无交通信号灯时,对应的取值即可以为“无交通信号灯”。
各静态因素的取值情况可以如下表1所示。
表1
静态因素 | 取值 |
道路类型 | 城市快速路、主干路、次干路、支路 |
同向车道数 | 1、2、3、4、5及以上 |
车道宽度 | 宽车道(车道宽度≥3.5m)、窄车道(车道宽度<3.5m) |
中央隔离形式 | 无中央隔离、标线隔离、硬质隔离栏、绿化隔离 |
机非隔离形式 | 无机非隔离、标线隔离、硬质隔离栏、绿化隔离 |
交通标志 | 有限速牌、无限速牌 |
交通信号灯 | 有交通信号灯、无交通信号灯 |
静态因素的取值与复杂度的对应关系可以如表2所示。
表2
对于每个静态因素,可以基于静态因素和权重的对应关系,获取该静态因素对应的权重,将该静态因素对应的复杂度乘以该静态因素对应的权重,得到静态因素的加权复杂度。其中,静态因素和权重的对应关系可以如表3所示。
最后,将各静态因素对应的加权复杂度相加,即可得到本车辆所在行驶场景的静态复杂度。
表3
静态因素 | 权重 |
道路类型 | W<sub>1</sub> |
同向车道数 | W<sub>2</sub> |
车道宽度 | W<sub>3</sub> |
中央隔离形式 | W<sub>4</sub> |
机非隔离形式 | W<sub>5</sub> |
交通标志 | W<sub>6</sub> |
交通信号灯 | W<sub>7</sub> |
在一种可能的实现方式中,技术人员可以预先确定每个静态因素的每个取值对应的复杂度。对于每个静态因素的每个取值对应的复杂度的确定方法可以如下。
对于每个静态因素的每个取值,获取N个该取值对应的样本图像。其中,N为大于1的整数。对于样本图像的获取可以有如下方式:通过高清街景地图截取,实地拍摄或者通过互联网下载等。本申请实施例对于样本图像的获取方法不作限定。然后,对N个样本图像分别进行图像识别,得到每个样本图像对应的预测值。统计对应的预测值和对应的标定真值不同的样本图像的数目M。其中,标定真值用于唯一标识取值。将M与N的比值,确定为该取值对应的复杂度。下面以绿化隔离对应的复杂度的确定为例进行说明。
在高清街景地图中截取100张有绿化隔离的街景图像作为绿化隔离对应的样本图像。当然,也可以实地拍摄100张有绿化隔离的街景图像作为绿化隔离对应的样本图像,或者通过互联网下载100张有绿化隔离的街景图像作为绿化隔离对应的样本图像。然后,可以通过图像识别算法对100张样本图像分别进行图像识别。此处,图像识别算法可以为经过训练的神经网络模型等。对于中央隔离形式的每个取值可以分别对应一个标定真值,例如,无中央隔离为0、标线隔离为1、硬质隔离栏为2、绿化隔离为3。对于每张样本图像经过图像识别后,可以得到该样本图像对应的预测值,如果预测值和标定真值不相同,则认为识别错误,并记录识别错误的样本图像的数目。例如,识别错误的样本图像有90张,则使用识别错误的样本图像数目90除以样本图像总数目100,得到识别错误率为90%,该识别错误率即可以作为绿化隔离对应的复杂度。
对于每个静态因素对应的权重可以采用层次分析确定并存储。下面对于通过层次分析法确定静态因素对应的权重进行说明。
首先,技术人员可以根据静态因素比较时使用的比例标度表,填写静态因素重要性判断矩阵表。该静态因素重要性判断矩阵表可以入如表4所示,比例标度表可以如下表5所示。
然后,计算静态因素重要性判断矩阵表中每一行元素bkl的乘积,计算公式可以如下:
再然后,计算Mk的n次方根Vk,计算公式可以如下:
最后,计算静态因素重要性判断矩阵的特征向量Wk,即静态因素对应的权重,计算公式可以如下:
表4
表5
因素k比因素l | 量化值 |
同等重要 | 1 |
稍微重要 | 3 |
较强重要 | 5 |
强烈重要 | 7 |
极端重要 | 9 |
两相邻判断的中间值 | 2,4,6,8 |
步骤205、基于动态复杂度和静态复杂度,确定本车辆所在行驶场景的综合复杂度。
在实施中,可以直接将上述确定出的动态复杂度和静态复杂度相加,即可得到本车辆所在行驶场景的综合复杂度。
在一种可能的实现方式中,可以考虑本车辆所在行驶场景的环境因素,来综合确定本车辆所在行驶场景的综合复杂度。确定方法可以如下:获取本车辆所在行驶场景中的环境因素的环境信息。基于环境因素的环境信息获取环境因素的取值。基于存储的环境因素的取值与复杂度修正系数的对应关系,确定本车辆所在行驶场景中的环境因素对应的目标复杂度修正系数。将动态复杂度和静态复杂度相加,乘以目标复杂度修正系数,得到本车辆所在行驶场景的综合复杂度。
其中,环境因素可以包括光照、天气和路面情况。
在实施中,可以通过本车辆的感知系统的摄像头获取行驶场景中的环境图像,并通过预先构建的模式识别算法,在环境图像识别出各环境因素的环境信息。由于模式识别算法的输出为预先设置的几种可能的环境信息,那么,可以直接将环境因素的环境信息确定为环境因素的取值。各环境因素的取值情况可以如下表6所示。
表6
环境因素 | 取值 |
光照 | 白天、黄昏或黎明、黑夜有光照、黑夜无光照 |
天气 | 晴、阴、雨、雪、雾 |
路面情况 | 干燥、潮湿、积雪、结冰 |
各环境因素的取值与复杂度修正系数的对应关系可以如下表7所示,需要说明的是,表7中仅是给出了一种复杂度修正系数的示例。
表7
环境因素 | 取值(复杂度修正系数) |
光照 | 白天(1)、黄昏或黎明(1.2)、黑夜有光照(1.5)、黑夜无光照(2) |
天气 | 晴(1)、阴(1.2)、雨(1.8)、雪(1.5)、雾(2) |
路面情况 | 干燥(1)、潮湿(1.5)、积雪(1.8)、结冰(2) |
然后,可以查询上述各环境因素的取值与复杂度修正系数的对应关系,确定出本车辆所在行驶场景中的每个环境因素对应的复杂度修正系数。再然后,将确定出的每个环境因素对应的复杂度修正系数相乘,得到目标复杂度修正系数。
例如,获取到的各环境因素的取值为:光照为白天,天气为雨、路面情况为潮湿,相应的,可以查询出白天对应的复杂度修正系数为1,雨对应的复杂度修正系数为1.8,潮湿对应的复杂度修正系数为1.5,将三者相乘得到目标复杂度修正系数为2.7。
最后,将得到的目标复杂度修正系数与上述确定出的动态复杂度和静态复杂度之和相乘,即可得到本车辆所在行驶场景的综合复杂度。
在一种可能的实现方式中,在计算出本车辆所在的行驶场景的综合复杂度之后,可以根据计算出的综合复杂度,确定是否要进行人工接管驾驶提示。
在实施中,该综合复杂度可以自动驾驶汽车内的显示屏实时显示,使得驾驶员可以实时了解到车辆所在的行驶环境的复杂度。此外,该可以设置危险复杂度阈值,当计算出的综合复杂度大于该设置的危险复杂度阈值时,则可以在显示屏显示人工接管驾驶提示。并且还可以同时进行语音提示,提示驾驶人员当前行驶环境的复杂度较高,请进行人工驾驶。
本申请实施例中除了基于本车辆所在的行驶场景中的各静态因素的静态信息,确定本车辆所在行驶场景的静态复杂度外,还基于本车辆的行驶速度与目标车辆的行驶速度,确定所述本车辆所在行驶场景的动态复杂度,目标车辆为与本车辆满足预设距离条件的车辆。这样,结合了静态因素确定出的静态复杂度和周围车辆的行驶情况确定出的动态复杂度,来综合确定本车辆所在行驶场景的综合复杂度,该综合复杂度可以更加全面的反应出车辆当前所在行驶场景的实际复杂程度。
基于相同的技术构思,本申请实施例还提供了一种检测车辆行驶场景的复杂度的装置,如图6所示,该装置包括:
获取模块610,用于获取本车辆的行驶速度和目标车辆的行驶速度,所述目标车辆为与本车辆满足预设距离条件的车辆。具体可以实现上述步骤201中的获取功能,以及其他隐含步骤
第一确定模块620,用于基于所述本车辆的行驶速度与所述目标车辆的行驶速度,获取所述本车辆所在行驶场景的动态复杂度。具体可以实现上述步骤202中的获取功能,以及其他隐含步骤。
第二确定模块630,用于获取所述本车辆所在行驶场景中的静态因素的静态信息。具体可以实现上述步骤203中的获取功能,以及其他隐含步骤
第三确定模块640,用于基于所述各静态因素的静态信息,获取所述本车辆所在行驶场景的静态复杂度。具体可以实现上述步骤204中的获取功能,以及其他隐含步骤
第四确定模块650,用于基于所述动态复杂度和所述静态复杂度,获取所述本车辆所在行驶场景的综合复杂度。具体可以实现上述步骤205中的获取功能,以及其他隐含步骤
在一种可能的实现方式中,所述第一确定模块620,用于:
对于每个目标车辆,基于所述本车辆的行驶速度与所述目标车辆的行驶速度,得到所述目标车辆对应的复杂度;
将各目标车辆对应的复杂度相加,得到所述本车辆所在行驶场景的动态复杂度。
在一种可能的实现方式中,所述第一确定模块620,用于:
基于所述本车辆的行驶速度与所述目标车辆的行驶速度,得到所述本车辆和所述目标车辆的相对行驶速度;
获取所述本车辆和所述目标车辆的相对行驶速度与所述本车辆的行驶方向的夹角θij;
基于所述夹角θij,得到所述目标车辆对应的复杂度。
在一种可能的实现方式中,所述第一确定模块620,用于:
基于所述目标车辆与所述本车辆之间的距离,以及所述目标车辆与所述本车辆之间的相对行驶速度,对所述目标车辆对应的初始复杂度f(θij)进行修正,得到所述目标车辆对应的复杂度。
在一种可能的实现方式中,所述第一确定模块620,用于:
基于所述本车辆的行驶速度、最大减速度和最小减速度,所述目标车辆的行驶速度和最大减速度,以及预设的驾驶员反应时间,得到所述本车辆与所述目标车辆之间的第一安全距离;
计算所述目标车辆与所述本车辆之间的距离在所述本车辆的行驶方向上的分量和预设危险距离之间的第一差值;
计算所述第一安全距离与所述预设危险距离之间的第二差值;
计算所述第一差值和所述第二差值之间的比值,得到所述本车辆与所述目标车辆之间的标准纵向距离p;
将所述标准纵向距离P,代入如下方程:f1(p)=(1-p)lg(1/p),得到纵向修正系数f1(p);
计算所述目标车辆与所述本车辆之间的横向相对速度和预设危险横向相对速度之间的第三差值;
计算所述预设安全横向相对速度与所述预设危险横向相对速度之间的第四差值;
计算所述第三差值和所述第四差值之间的比值,得到所述本车辆与所述目标车辆之间的标准横向相对速度q;
将所述标准横向相对速度q,代入如下方程:f1(q)=(1-q)lg(1/q),得到横向修正系数f1(q);
将所述目标车辆对应的初始复杂度f(θij),所述纵向修正系数f1(q)和所述横向修正系数f1(q)相乘,得到所述目标车辆对应的复杂度。
在一种可能的实现方式中,所述第三确定模块640,用于:
基于所述多个静态因素的静态信息获取所述多个静态因素的取值,并基于所述多个静态因素的取值与复杂度的对应关系,获取所述多个静态因素分别对应的复杂度;
基于所述多个静态因素分别对应的复杂度,得到所述本车辆所在行驶场景的静态复杂度。
在一种可能的实现方式中,所述第三确定模块640,用于:
获取所述多个静态因素分别对应的权重;
将所述多个静态因素的取值对应的复杂度分别乘以相对应的权重,得到所述多个静态因素分别对应的加权复杂度;
将所述多个静态因素的对应的加权复杂度相加,得到所述本车辆所在行驶场景的静态复杂度。
在一种可能的实现方式中,所述装置还包括:
统计模块,用于对于第一静态因素的第一取值,获取N个所述第一取值对应的样本图像,其中,N为大于1的整数;对所述N个样本图像分别进行图像识别,得到每个样本图像对应的预测值;统计对应的预测值和对应的标定真值不同的样本图像的数目M,其中,所述标定真值用于唯一标识所述第一取值;获取M与N的比值,作为所述第一取值对应的复杂度。
在一种可能的实现方式中,所述静态因素包括道路类型、同向车道数、车道宽度、中央隔离行驶、机非隔离形式、交通标志和交通信号灯中的至少一个。
在一种可能的实现方式中,所述装置还包括:
修正模块,用于获取所述本车辆所在行驶场景中的环境因素的环境信息;
基于所述环境因素的环境信息获取所述环境因素的取值;
基于存储的环境因素的取值与复杂度修正系数的对应关系,得到所述本车辆所在行驶场景中的环境因素的取值对应的目标复杂度修正系数;;
所述第四模块650,用于:
将所述动态复杂度和所述静态复杂度相加,乘以所述目标复杂度修正系数,得到所述本车辆所在行驶场景的综合复杂度。
在一种可能的实现方式中,所述环境因素包括光照、天气和路面情况中的至少一个。
在一种可能的实现方式中,所述获取模块610,用于:
如果存在与所述本车辆在相同车道的前方车辆,则确定所述与所述本车辆在相同车道的前方车辆中与所述本车辆之间的距离最小的前方车辆为参考车辆;
获取所述参考车辆的行驶速度,以及所述参考车辆与所述本车辆之间的距离在所述本车辆的行驶方向上的分量;
基于所述本车辆的行驶速度、预设最大加速度和预设最小减速度,所述参考车辆的行驶速度和预设最大减速度,以及预设驾驶员反应时间,得到所述本车辆与所述参考车辆之间的第二安全距离;
获取所述参考车辆与所述本车辆之间的距离在所述本车辆的行驶方向上的分量,和所述第二安全距离中的最小值;
将所述本车辆所在车道以及相邻车道中,与所述本车辆之间的距离在所述本车辆的行驶方向上的分量不大于所述最小值的前方车辆,作为目标车辆;
如果不存在与所述本车辆在相同车道的前方车辆,则基于所述本车辆的行驶速度、预设最大加速度和预设最小减速度,预设前方车辆行驶速度和所述预设最大减速度,以及所述预设驾驶员反应时间,得到第三安全距离,其中,所示预设前方车辆行驶速度为0;
将所述本车辆所在车道以及相邻车道中,与所述本车辆之间的距离在所述本车辆的行驶方向上的分量不大于所述第三安全距离的前方车辆,作为目标车辆。
还需要说明的是,上述实施例提供的检测车辆行驶场景的复杂度的装置在检测车辆行驶场景的复杂度时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将车辆行驶决策控制器的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的检测车辆行驶场景的复杂度的装置与检测车辆行驶场景的复杂度的方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现,当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令,在设备上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴光缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是设备能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(如软盘、硬盘和磁带等),也可以是光介质(如数字视盘(Digital Video Disk,DVD)等),或者半导体介质(如固态硬盘等)。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的示例性实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (26)
1.一种检测车辆行驶场景的复杂度的方法,其特征在于,所述方法包括:
获取本车辆的行驶速度和目标车辆的行驶速度,所述目标车辆为与所述本车辆满足预设距离条件的车辆;
基于所述本车辆的行驶速度与所述目标车辆的行驶速度,获取所述本车辆所在行驶场景的动态复杂度;
获取所述本车辆所在行驶场景中的静态因素的静态信息;
基于所述各静态因素的静态信息,获取所述本车辆所在行驶场景的静态复杂度;
基于所述动态复杂度和所述静态复杂度,获取所述本车辆所在行驶场景的综合复杂度。
2.根据权利要求1所述的方法,其特征在于,所述基于所述本车辆的行驶速度与所述目标车辆的行驶速度,获取所述本车辆所在行驶场景的动态复杂度,包括:
对于每个目标车辆,基于所述本车辆的行驶速度与所述目标车辆的行驶速度,得到所述目标车辆对应的复杂度;
将各目标车辆对应的复杂度相加,得到所述本车辆所在行驶场景的动态复杂度。
3.根据权利要求2所述的方法,其特征在于,所述基于所述本车辆的行驶速度与所述目标车辆的行驶速度,确定所述目标车辆对应的复杂度,包括:
基于所述本车辆的行驶速度与所述目标车辆的行驶速度,得到所述本车辆和所述目标车辆的相对行驶速度;
获取所述本车辆和所述目标车辆的相对行驶速度与所述本车辆的行驶方向的夹角θij;
基于所述夹角θij,得到所述目标车辆对应的复杂度。
5.根据权利要求4所述的方法,其特征在于,所述基于所述目标车辆与所述本车辆之间的距离,以及所述目标车辆与所述本车辆之间的相对行驶速度,对所述目标车辆对应的初始复杂度f(θij)进行修正,得到所述目标车辆对应的复杂度,包括:
基于所述本车辆的行驶速度、最大减速度和最小减速度,所述目标车辆的行驶速度和最大减速度,以及预设的驾驶员反应时间,得到所述本车辆与所述目标车辆之间的第一安全距离;
计算所述目标车辆与所述本车辆之间的距离在所述本车辆的行驶方向上的分量和预设危险距离之间的第一差值;
计算所述第一安全距离与所述预设危险距离之间的第二差值;
计算所述第一差值和所述第二差值之间的比值,得到所述本车辆与所述目标车辆之间的标准纵向距离p;
将所述标准纵向距离P,代入如下方程:f1(p)=(1-p)lg(1/p),得到纵向修正系数f1(p);
计算所述目标车辆与所述本车辆之间的横向相对速度和预设危险横向相对速度之间的第三差值;
计算所述预设安全横向相对速度与所述预设危险横向相对速度之间的第四差值;
计算所述第三差值和所述第四差值之间的比值,得到所述本车辆与所述目标车辆之间的标准横向相对速度q;
将所述标准横向相对速度q,代入如下方程:f1(q)=(1-q)lg(1/q),得到横向修正系数f1(q);
将所述目标车辆对应的初始复杂度f(θij),所述纵向修正系数f1(q)和所述横向修正系数f1(q)相乘,得到所述目标车辆对应的复杂度。
6.根据权利要求1-5中任一项所述的方法,其特征在于,所述静态因素包括多个静态因素,所述基于所述静态因素的静态信息,获取所述本车辆所在行驶场景的静态复杂度,包括:
基于所述多个静态因素的静态信息获取所述多个静态因素的取值,并基于所述多个静态因素的取值与复杂度的对应关系,获取所述多个静态因素分别对应的复杂度;
基于所述多个静态因素分别对应的复杂度,得到所述本车辆所在行驶场景的静态复杂度。
7.根据权利要求6所述的方法,其特征在于,所述基于所述多个静态因素分别对应的复杂度,确定所述本车辆所在行驶场景的静态复杂度,包括:
获取所述多个静态因素分别对应的权重;
将所述多个静态因素的取值对应的复杂度分别乘以相对应的权重,得到所述多个静态因素分别对应的加权复杂度;
将所述多个静态因素的对应的加权复杂度相加,得到所述本车辆所在行驶场景的静态复杂度。
8.根据权利要求6或7中任一项所述的方法,其特征在于,所述方法还包括:
对于第一静态因素的第一取值,获取N个所述第一取值对应的样本图像,其中,N为大于1的整数;
对所述N个样本图像分别进行图像识别,得到每个样本图像对应的预测值;
统计对应的预测值和对应的标定真值不同的样本图像的数目M,其中,所述标定真值用于唯一标识所述第一取值;
获取M与N的比值,作为所述第一取值对应的复杂度。
9.根据权利要求1-8中任一项所述的方法,其特征在于,所述静态因素包括道路类型、同向车道数、车道宽度、中央隔离行驶、机非隔离形式、交通标志和交通信号灯中的至少一个。
10.根据权利要求1-9中任一项所述的方法,其特征在于,所述方法还包括:
获取所述本车辆所在行驶场景中的环境因素的环境信息;
基于所述环境因素的环境信息获取所述环境因素的取值;
基于存储的环境因素的取值与复杂度修正系数的对应关系,得到所述本车辆所在行驶场景中的环境因素对应的目标复杂度修正系数;
所述基于所述动态复杂度和所述静态复杂度,获取所述本车辆所在行驶场景的综合复杂度,包括:
将所述动态复杂度和所述静态复杂度相加,乘以所述目标复杂度修正系数,得到所述本车辆所在行驶场景的综合复杂度。
11.根据权利要求10所述的方法,其特征在于,所述环境因素包括光照、天气和路面情况中的至少一个。
12.根据权利要求1-11中任一项所述的方法,其特征在于,所述确定与本车辆满足预设距离条件的目标车辆,包括:
如果存在与所述本车辆在相同车道的前方车辆,则确定所述与所述本车辆在相同车道的前方车辆中与所述本车辆之间的距离最小的前方车辆为参考车辆;
获取所述参考车辆的行驶速度,以及所述参考车辆与所述本车辆之间的距离在所述本车辆的行驶方向上的分量;
基于所述本车辆的行驶速度、预设最大加速度和预设最小减速度,所述参考车辆的行驶速度和预设最大减速度,以及预设驾驶员反应时间,得到所述本车辆与所述参考车辆之间的第二安全距离;
获取所述参考车辆与所述本车辆之间的距离在所述本车辆的行驶方向上的分量,和所述第二安全距离中的最小值;
将所述本车辆所在车道以及相邻车道中,与所述本车辆之间的距离在所述本车辆的行驶方向上的分量不大于所述最小值的前方车辆,作为目标车辆;
如果不存在与所述本车辆在相同车道的前方车辆,则基于所述本车辆的行驶速度、预设最大加速度和预设最小减速度,预设前方车辆行驶速度和所述预设最大减速度,以及所述预设驾驶员反应时间,得到第三安全距离,其中,所示预设前方车辆行驶速度为0;
将所述本车辆所在车道以及相邻车道中,与所述本车辆之间的距离在所述本车辆的行驶方向上的分量不大于所述第三安全距离的前方车辆,作为目标车辆。
13.一种确定车辆行驶场景的复杂度的装置,其特征在于,所述装置包括:
获取模块,用于获取本车辆的行驶速度和目标车辆的行驶速度,所述目标车辆为与所述本车辆满足预设距离条件的车辆;
第一确定模块,用于基于所述本车辆的行驶速度与所述目标车辆的行驶速度,获取所述本车辆所在行驶场景的动态复杂度;
第二确定模块,用于获取所述本车辆所在行驶场景中的静态因素的静态信息;
第三确定模块,用于基于所述各静态因素的静态信息,获取所述本车辆所在行驶场景的静态复杂度;
第四确定模块,用于基于所述动态复杂度和所述静态复杂度,获取所述本车辆所在行驶场景的综合复杂度。
14.根据权利要求13所述的装置,其特征在于,所述第一确定模块,用于:
对于每个目标车辆,基于所述本车辆的行驶速度与所述目标车辆的行驶速度,得到所述目标车辆对应的复杂度;
将各目标车辆对应的复杂度相加,得到所述本车辆所在行驶场景的动态复杂度。
15.根据权利要求14所述的装置,其特征在于,所述第一确定模块,用于:
基于所述本车辆的行驶速度与所述目标车辆的行驶速度,得到所述本车辆和所述目标车辆的相对行驶速度;
获取所述本车辆和所述目标车辆的相对行驶速度与所述本车辆的行驶方向的夹角θij;
基于所述夹角θij,得到所述目标车辆对应的复杂度。
17.根据权利要求16所述的装置,其特征在于,所述第一确定模块,用于:
基于所述本车辆的行驶速度、最大减速度和最小减速度,所述目标车辆的行驶速度和最大减速度,以及预设的驾驶员反应时间,得到所述本车辆与所述目标车辆之间的第一安全距离;
计算所述目标车辆与所述本车辆之间的距离在所述本车辆的行驶方向上的分量和预设危险距离之间的第一差值;
计算所述第一安全距离与所述预设危险距离之间的第二差值;
计算所述第一差值和所述第二差值之间的比值,得到所述本车辆与所述目标车辆之间的标准纵向距离p;
将所述标准纵向距离P,代入如下方程:f1(p)=(1-p)lg(1/p),得到纵向修正系数f1(p);
计算所述目标车辆与所述本车辆之间的横向相对速度和预设危险横向相对速度之间的第三差值;
计算所述预设安全横向相对速度与所述预设危险横向相对速度之间的第四差值;
计算所述第三差值和所述第四差值之间的比值,得到所述本车辆与所述目标车辆之间的标准横向相对速度q;
将所述标准横向相对速度q,代入如下方程:f1(q)=(1-q)lg(1/q),得到横向修正系数f1(q);
将所述目标车辆对应的初始复杂度f(θij),所述纵向修正系数f1(q)和所述横向修正系数f1(q)相乘,得到所述目标车辆对应的复杂度。
18.根据权利要求13-17中任一项所述的装置,其特征在于,所述第三确定模块,用于:
基于所述多个静态因素的静态信息获取所述多个静态因素的取值,并基于所述多个静态因素的取值与复杂度的对应关系,获取所述多个静态因素分别对应的复杂度;
基于所述多个静态因素分别对应的复杂度,得到所述本车辆所在行驶场景的静态复杂度。
19.根据权利要求18所述的装置,其特征在于,所述第三确定模块,用于:
获取所述多个静态因素分别对应的权重;
将所述多个静态因素的取值对应的复杂度分别乘以相对应的权重,得到所述多个静态因素分别对应的加权复杂度;
将所述多个静态因素的对应的加权复杂度相加,得到所述本车辆所在行驶场景的静态复杂度。
20.根据权利要求18或19中任一项所述的装置,其特征在于,所述装置还包括:
统计模块,用于对于第一静态因素的第一取值,获取N个所述第一取值对应的样本图像,其中,N为大于1的整数;对所述N个样本图像分别进行图像识别,得到每个样本图像对应的预测值;统计对应的预测值和对应的标定真值不同的样本图像的数目M,其中,所述标定真值用于唯一标识所述第一取值;获取M与N的比值,作为所述第一取值对应的复杂度。
21.根据权利要求13-20中任一项所述的装置,其特征在于,所述静态因素包括道路类型、同向车道数、车道宽度、中央隔离行驶、机非隔离形式、交通标志和交通信号灯中的至少一个。
22.根据权利要求13-21中任一项所述的装置,其特征在于,所述装置还包括:
修正模块,用于获取所述本车辆所在行驶场景中的环境因素的环境信息;
基于所述环境因素的环境信息获取所述环境因素的取值;
基于存储的环境因素的取值与复杂度修正系数的对应关系,得到所述本车辆所在行驶场景中的环境因素的取值对应的目标复杂度修正系数;
所述第四模块,用于:
将所述动态复杂度和所述静态复杂度相加,乘以所述目标复杂度修正系数,得到所述本车辆所在行驶场景的综合复杂度。
23.根据权利要求22所述的装置,其特征在于,所述环境因素包括光照、天气和路面情况中的至少一个。
24.根据权利要求13-23中任一项所述的装置,其特征在于,所述获取模块,用于:
如果存在与所述本车辆在相同车道的前方车辆,则确定所述与所述本车辆在相同车道的前方车辆中与所述本车辆之间的距离最小的前方车辆为参考车辆;
获取所述参考车辆的行驶速度,以及所述参考车辆与所述本车辆之间的距离在所述本车辆的行驶方向上的分量;
基于所述本车辆的行驶速度、预设最大加速度和预设最小减速度,所述参考车辆的行驶速度和预设最大减速度,以及预设驾驶员反应时间,得到所述本车辆与所述参考车辆之间的第二安全距离;
获取所述参考车辆与所述本车辆之间的距离在所述本车辆的行驶方向上的分量,和所述第二安全距离中的最小值;
将所述本车辆所在车道以及相邻车道中,与所述本车辆之间的距离在所述本车辆的行驶方向上的分量不大于所述最小值的前方车辆,作为目标车辆;
如果不存在与所述本车辆在相同车道的前方车辆,则基于所述本车辆的行驶速度、预设最大加速度和预设最小减速度,预设前方车辆行驶速度和所述预设最大减速度,以及所述预设驾驶员反应时间,得到第三安全距离,其中,所示预设前方车辆行驶速度为0;
将所述本车辆所在车道以及相邻车道中,与所述本车辆之间的距离在所述本车辆的行驶方向上的分量不大于所述第三安全距离的前方车辆,作为目标车辆。
25.一种车辆行驶决策控制器,其特征在于,所述车辆行驶决策控制器包括处理器和存储器;
所述存储器存储有至少一个计算机可读指令,所述计算机可读指令被配置成由所述处理器执行,用于实现如权利要求1-12中任一项所述的检测车辆行驶场景的复杂度的方法。
26.一种计算机可读存储介质,其特征在于,包括计算机可读指令,当所述计算机可读存储介质在车辆行驶决策控制器上运行时,使得所述车辆行驶决策控制器执行所述权利要求1-12中任一项权利要求所述的检测车辆行驶场景的复杂度的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2020/082412 WO2021195955A1 (zh) | 2020-03-31 | 2020-03-31 | 检测车辆行驶场景的复杂度的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112740295A true CN112740295A (zh) | 2021-04-30 |
CN112740295B CN112740295B (zh) | 2022-05-10 |
Family
ID=75609568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080005175.5A Active CN112740295B (zh) | 2020-03-31 | 2020-03-31 | 检测车辆行驶场景的复杂度的方法和装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230050063A1 (zh) |
EP (1) | EP4120180A4 (zh) |
CN (1) | CN112740295B (zh) |
WO (1) | WO2021195955A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114590262A (zh) * | 2022-03-28 | 2022-06-07 | 智己汽车科技有限公司 | 一种交通参与者静态距离测距准确性测试方法、装置及车辆 |
CN114750759A (zh) * | 2022-04-19 | 2022-07-15 | 合众新能源汽车有限公司 | 一种跟车目标确定方法、装置、设备及介质 |
CN115376324A (zh) * | 2022-10-24 | 2022-11-22 | 中国汽车技术研究中心有限公司 | 车辆场景复杂度确定方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116246454A (zh) * | 2021-12-07 | 2023-06-09 | 中兴通讯股份有限公司 | 车辆控制方法、决策服务器及存储介质 |
CN114638420B (zh) * | 2022-03-22 | 2022-10-25 | 交通运输部公路科学研究所 | 道路智能度评测方法及危化品车辆道路级导航方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120130561A1 (en) * | 2010-11-22 | 2012-05-24 | Yan-Hong Chiang | Assistant Driving System with Video Radar |
CN106205169A (zh) * | 2016-07-20 | 2016-12-07 | 天津职业技术师范大学 | 基于车路协同的主干道交叉口进口道车速控制方法 |
CN107672597A (zh) * | 2017-09-25 | 2018-02-09 | 驭势科技(北京)有限公司 | 一种用于控制车辆驾驶模式的方法与设备 |
CN107697071A (zh) * | 2017-11-06 | 2018-02-16 | 东南大学 | 一种基于场论的驾驶安全等级确定方法及装置 |
CN107833312A (zh) * | 2017-01-25 | 2018-03-23 | 问众智能信息科技(北京)有限公司 | 基于多模态信息的驾驶危险系数评估方法和装置 |
CN108922177A (zh) * | 2018-06-29 | 2018-11-30 | 东南大学 | 一种无人驾驶车辆通过交叉路口时速度控制系统及方法 |
US20190232955A1 (en) * | 2018-02-01 | 2019-08-01 | GM Global Technology Operations LLC | Managing automated driving complexity of the forward path using perception system measures |
CN110579359A (zh) * | 2019-09-10 | 2019-12-17 | 武汉光庭信息技术股份有限公司 | 自动驾驶失效场景库的优化方法及系统、服务器及介质 |
CN110660214A (zh) * | 2018-06-29 | 2020-01-07 | 比亚迪股份有限公司 | 车辆及其能耗数据的获取方法、装置 |
CN110660270A (zh) * | 2018-06-29 | 2020-01-07 | 比亚迪股份有限公司 | 车辆碰撞风险评价模型的建立方法和碰撞风险评价方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201217200A (en) * | 2010-10-20 | 2012-05-01 | yan-hong Jiang | capable of controlling throttle, braking or steering according to the re-constructed environment information so as to improve driving safety |
DE102015014139A1 (de) * | 2015-10-31 | 2017-05-04 | Daimler Ag | Verfahren zum Betreiben einer Abstands- und Geschwindigkeitsregelfunktion eines Fahrzeugs und Fahrerassistenzsystem zur Durchführung des Verfahrens |
US9802599B2 (en) * | 2016-03-08 | 2017-10-31 | Ford Global Technologies, Llc | Vehicle lane placement |
JP6699831B2 (ja) * | 2016-04-28 | 2020-05-27 | トヨタ自動車株式会社 | 運転意識推定装置 |
US20190179317A1 (en) * | 2017-12-13 | 2019-06-13 | Luminar Technologies, Inc. | Controlling vehicle sensors using an attention model |
CN109017786B (zh) * | 2018-08-09 | 2020-09-22 | 北京智行者科技有限公司 | 车辆避障方法 |
-
2020
- 2020-03-31 EP EP20928784.6A patent/EP4120180A4/en active Pending
- 2020-03-31 CN CN202080005175.5A patent/CN112740295B/zh active Active
- 2020-03-31 WO PCT/CN2020/082412 patent/WO2021195955A1/zh unknown
-
2022
- 2022-09-29 US US17/956,087 patent/US20230050063A1/en active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120130561A1 (en) * | 2010-11-22 | 2012-05-24 | Yan-Hong Chiang | Assistant Driving System with Video Radar |
CN106205169A (zh) * | 2016-07-20 | 2016-12-07 | 天津职业技术师范大学 | 基于车路协同的主干道交叉口进口道车速控制方法 |
CN107833312A (zh) * | 2017-01-25 | 2018-03-23 | 问众智能信息科技(北京)有限公司 | 基于多模态信息的驾驶危险系数评估方法和装置 |
CN107672597A (zh) * | 2017-09-25 | 2018-02-09 | 驭势科技(北京)有限公司 | 一种用于控制车辆驾驶模式的方法与设备 |
CN107697071A (zh) * | 2017-11-06 | 2018-02-16 | 东南大学 | 一种基于场论的驾驶安全等级确定方法及装置 |
US20190232955A1 (en) * | 2018-02-01 | 2019-08-01 | GM Global Technology Operations LLC | Managing automated driving complexity of the forward path using perception system measures |
CN108922177A (zh) * | 2018-06-29 | 2018-11-30 | 东南大学 | 一种无人驾驶车辆通过交叉路口时速度控制系统及方法 |
CN110660214A (zh) * | 2018-06-29 | 2020-01-07 | 比亚迪股份有限公司 | 车辆及其能耗数据的获取方法、装置 |
CN110660270A (zh) * | 2018-06-29 | 2020-01-07 | 比亚迪股份有限公司 | 车辆碰撞风险评价模型的建立方法和碰撞风险评价方法 |
CN110579359A (zh) * | 2019-09-10 | 2019-12-17 | 武汉光庭信息技术股份有限公司 | 自动驾驶失效场景库的优化方法及系统、服务器及介质 |
Non-Patent Citations (1)
Title |
---|
王建强等: "基于人-车-路协同的行车风险场概念、原理及建模", 《中国公路学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114590262A (zh) * | 2022-03-28 | 2022-06-07 | 智己汽车科技有限公司 | 一种交通参与者静态距离测距准确性测试方法、装置及车辆 |
CN114750759A (zh) * | 2022-04-19 | 2022-07-15 | 合众新能源汽车有限公司 | 一种跟车目标确定方法、装置、设备及介质 |
CN114750759B (zh) * | 2022-04-19 | 2024-04-30 | 合众新能源汽车股份有限公司 | 一种跟车目标确定方法、装置、设备及介质 |
CN115376324A (zh) * | 2022-10-24 | 2022-11-22 | 中国汽车技术研究中心有限公司 | 车辆场景复杂度确定方法 |
CN115376324B (zh) * | 2022-10-24 | 2023-03-24 | 中国汽车技术研究中心有限公司 | 车辆场景复杂度确定方法 |
Also Published As
Publication number | Publication date |
---|---|
EP4120180A4 (en) | 2023-01-25 |
EP4120180A1 (en) | 2023-01-18 |
CN112740295B (zh) | 2022-05-10 |
US20230050063A1 (en) | 2023-02-16 |
WO2021195955A1 (zh) | 2021-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112740295B (zh) | 检测车辆行驶场景的复杂度的方法和装置 | |
CN109377726B (zh) | 一种基于车联网的高速公路团雾精确警示、诱导系统及方法 | |
CN112837535B (zh) | 交通信息处理方法、装置、系统、设备及存储介质 | |
CN105512623B (zh) | 基于多传感器雾天行车视觉增强与能见度预警系统及方法 | |
CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
US20230019164A1 (en) | Image Processing Method and Apparatus | |
US20200211226A1 (en) | Camera calibration using traffic sign recognition | |
CN113052159B (zh) | 一种图像识别方法、装置、设备及计算机存储介质 | |
CN112437501B (zh) | 一种基于交通语义和博弈论的多传感器超视距自组网方法 | |
ITUB20151802A1 (it) | Sistema a bordo veicolo e procedimento perfezionati per il rilevamento di oggetti in un ambiente circostante un veicolo. | |
CN109903574B (zh) | 路口交通信息的获取方法和装置 | |
CN103810854B (zh) | 一种基于人工标定的智能交通参数检测方法 | |
CN111723854B (zh) | 一种高速公路交通拥堵检测方法、设备及可读存储介质 | |
CN109753841B (zh) | 车道线识别方法和装置 | |
CN116142186A (zh) | 不良环境下车辆安全行驶预警方法、装置、介质和设备 | |
CN112687103A (zh) | 基于车联网技术的车辆变道的检测方法及系统 | |
CN109948419A (zh) | 一种基于深度学习的违法停车自动审核方法 | |
DE102022100068A1 (de) | Steuerung der fahrzeugleistung basierend auf daten im zusammenhang mit einer atmosphärischen bedingung | |
CN116597690B (zh) | 智能网联汽车的高速公路测试场景生成方法、设备及介质 | |
CN107044856A (zh) | 一种高速公路行驶车辆的厘米级在线定位方法 | |
CN110550041A (zh) | 一种基于云端数据共享的路面附着系数估计方法 | |
CN111301348B (zh) | 基于电子地平线的雨刷控制方法、终端设备及存储介质 | |
US20210354634A1 (en) | Electronic device for vehicle and method of operating electronic device for vehicle | |
CN116524311A (zh) | 路侧感知数据处理方法及其系统、存储介质和电子设备 | |
CN114973696B (zh) | 优先通行控制方法与装置、路侧设备和交通信号控制设备 |
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 |