CN113177663A - 一种智能网联应用场景的处理方法及系统 - Google Patents
一种智能网联应用场景的处理方法及系统 Download PDFInfo
- Publication number
- CN113177663A CN113177663A CN202110548854.3A CN202110548854A CN113177663A CN 113177663 A CN113177663 A CN 113177663A CN 202110548854 A CN202110548854 A CN 202110548854A CN 113177663 A CN113177663 A CN 113177663A
- Authority
- CN
- China
- Prior art keywords
- scenes
- sub
- scene
- decision
- solving
- 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 76
- 238000012545 processing Methods 0.000 title claims abstract description 35
- 230000006855 networking Effects 0.000 claims abstract description 37
- 238000003672 processing method Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims description 32
- 239000002131 composite material Substances 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 16
- 230000002194 synthesizing effect Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 20
- 230000008859 change Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229920001690 polydopamine Polymers 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种智能网联应用场景的处理方法及系统,涉及智能网联驾驶技术领域。所述方法包括:将应用场景分解为至少两类子场景,所述子场景包括独立子场景和关联子场景;利用分层求解架构处理所述独立子场景和所述关联子场景;对所述独立子场景同时并行处理,对独立子场景计算安全约束;结合所述关联子场景对应的求解器,进行联合求解。本申请的智能网联应用场景的处理方法及系统,通过采用场景分类与分层,对安全场景分别计算输出安全约束再进行合并,用于规划层的约束,进行联合求解融合得到场景决策与规划,以较高的效率实现了不同场景的决策融合。
Description
技术领域
本申请涉及智能网联驾驶技术领域,尤其涉及智能网联应用场景的处理方法及系统。
背景技术
近年来,随着我国汽车保有量的爆发式增长,交通问题成为了制约现代城市社会经济发展的重要因素。传统的交通基础设施、交通服务能力和交通管理能力已无法应对日益严峻且复杂的交通问题,基于车联网和自动驾驶技术的智能网联车辆(IntelligentConnected Vehicle,ICV)技术能够有效改善交通问题,提高交通效率。当前,云控平台使用各类智能网联驾驶功能对智能网联汽车进行辅助,如车辆逆行预警、车辆异常低速预警、盲区协同感知、路口汇入协同、信号灯绿波带通行诱导(GLOSA)、换道协同等,这些功能可能同时作用于同一辆智能网联汽车,形成复合场景,这些复合场景需要进行协调,以给车辆提供最优的唯一的辅助,并避免歧义。然而,现有方案难以处理这个问题,主要将各类信息发送至车辆进行处理,这不仅会加大车辆处理的难度,同时降低了云控平台功能的易用性与兼容性。
因此,期望提供一种智能网联应用场景的处理方法及系统,通过采用场景分类与分层,对安全场景分别计算输出安全约束再进行合并,用于规划层的约束,进行联合求解融合得到场景决策与规划,以较高的效率实现了不同场景的决策融合。
发明内容
根据本申请的一些实施例的第一方面,提供了一种智能网联应用场景的处理方法,应用于平台(例如,云控平台等)中,所述方法可以包括:将应用场景分解为至少两类子场景,所述子场景包括独立子场景和关联子场景;利用分层求解架构处理所述独立子场景和所述关联子场景;对所述独立子场景同时并行处理,对独立子场景计算安全约束;结合所述关联子场景对应的求解器,进行联合求解。
在一些实施例中,所述应用场景包括复合场景,所述复合场景包括交通场景,具体包括:根据地理特征及交通参与者的态势特征,将交通场景分解为至少两类子场景;所述独立子场景包括提示与预警类场景,所述关联子场景包括决策类场景和/或规划类场景。
在一些实施例中,所述对独立子场景计算安全约束,具体包括:对每一ICV,筛选对其具有影响的独立子场景及其事件;对每一独立子场景,在每一个事件下计算对当前ICV的决策和/或规划的安全约束;对安全约束进行时空同步,在同一时空坐标系下,通过对当前ICV的所有安全约束取并集,得到当前ICV的总安全约束。
在一些实施例中,所述关联子场景对应的求解器包括面向特定目标函数的最优化求解器,对所述最优化求解器进行联合求解,具体包括:每个关联子场景选用基于搜索或优化方法的算法,或将基于规则的算法添加时空维度的搜索,并将性能指标与求解算法分解;采用多目标优化方法,根据目标函数的特性和复合场景的实际需求,将每个场景的性能指标合成为综合性能指标,将每个场景的约束条件加上总安全约束合成为综合约束;根据综合性能指标与综合约束,求解复合场景下的决策或规划结果。
在一些实施例中,所述将每个场景的性能指标合成为综合性能指标,包括线性组合法、约束法、最小元素法、p范数法。
在一些实施例中,所述求解复合场景下的决策或规划结果具体包括:使用不同场景的求解算法,求解得到多个决策或规划结果,选取其中综合性能指标最好的决策或规划结果作为联合求解的复合场景下的决策或规划结果。
在一些实施例中,所述求解复合场景下的决策或规划结果具体包括:使用与场景无关的通用搜索或最优化方法,根据综合性能指标与综合约束,求解决策或规划结果。
在一些实施例中,结合所述关联子场景对应的求解器,进行联合求解,具体包括:设计每一关联子场景的优先级和/或关联子场景间的超越关系;按优先级或超越关系依次执行关联子场景,或只执行最优先的子场景。
在一些实施例中,所述安全约束和所述联合求解的结果包括场景决策与规划,具体包括:将求解得到的场景决策与规划下发至ICV端;将路网分解为子路网,在所述子路网中独立进行所述复合场景的决策与规划。
根据本申请的一些实施例的第二方面,提供了一个系统,所述系统包括:一个存储器,被配置为存储数据及指令;一个与存储器建立通信的处理器,其中,当执行存储器中的指令时,所述处理器被配置为:将应用场景分解为至少两类子场景,所述子场景包括独立子场景和关联子场景;利用分层求解架构处理所述独立子场景和所述关联子场景;对所述独立子场景同时并行处理,对独立子场景计算安全约束;结合所述关联子场景对应的求解器,进行联合求解。
因此,根据本申请的一些实施例的智能网联应用场景的处理方法及系统,通过采用场景分类与分层,对安全场景分别计算输出安全约束再进行合并,用于规划层的约束,进行联合求解融合得到规划,以较高的效率实现了不同场景的决策融合。
附图说明
为更好地理解并阐述本申请的一些实施例,以下将结合附图参考实施例的描述,在这些附图中,同样的数字编号在附图中指示相应的部分。
图1是根据本申请的一些实施例提供的智能网联应用场景的处理系统的示例性示意图。
图2是根据本申请的一些实施例提供的智能网联应用场景的处理方法的示例性流程图。
图3是根据本申请的一些实施例提供的智能网联应用场景处理系统的工程技术架构图。
图4是根据本申请的一些实施例提供的智能网联应用场景的分解处理的示例性示意图。
图5是根据本申请的一些实施例提供的智能网联应用场景的联合优化的示例性示意图。
具体实施方式
以下参考附图的描述为便于综合理解由权利要求及其等效内容所定义的本申请的各种实施例。这些实施例包括各种特定细节以便于理解,但这些仅被视为示例性的。因此,本领域技术人员可以理解对在此描述的各种实施例进行各种变化和修改而不会脱离本申请的范围和精神。另外,为简要并清楚地描述本申请,本申请将省略对公知功能和结构的描述。
在以下说明书和权利要求书中使用的术语和短语不限于字面含义,而是仅为能够清楚和一致地理解本申请。因此,对于本领域技术人员,可以理解,提供对本申请各种实施例的描述仅仅是为说明的目的,而不是限制所附权利要求及其等效定义的本申请。
下面将结合本申请一些实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通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,都属于本申请保护的范围。
需要说明的是,在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一”、“一个”、“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本申请中使用的术语“和/或”是指并包含一个或多个相绑定的列出项目的任何或所有可能组合。表达“第一”、“第二”、“所述第一”和“所述第二”是用于修饰相应元件而不考虑顺序或者重要性,仅仅被用于区分一种元件与另一元件,而不限制相应元件。
根据本申请一些实施例的终端可以是平台,装备和/或电子设备,该平台可以包括云控平台等,所述平台可以包括由一个或多个电子设备组成的系统平台;该装备可以包括智能网联车辆(Intelligent Connected Vehicle,ICV);该电子设备可以包括个人电脑(PC,例如平板电脑、台式电脑、笔记本、上网本、掌上电脑PDA)、客户端设备、虚拟现实设备(VR)、增强现实设备(AR)、混合现实设备(MR)、XR设备、渲染机、智能手机、移动电话、电子书阅读器、便携式多媒体播放器(PMP)、音频/视频播放器(MP3/MP4)、摄像机和可穿戴设备等中的一种或几种的组合。根据本申请的一些实施例,所述可穿戴设备可以包括附件类型(例如手表、戒指、手环、眼镜、或头戴式装置(HMD))、集成类型(例如电子服装)、装饰类型(例如皮肤垫、纹身或内置电子装置)等,或几种的组合。在本申请的一些实施例中,所述电子设备可以是灵活的,不限于上述设备,或者可以是上述各种设备中的一种或几种的组合。在本申请中,术语“用户”可以指示使用电子设备的人或使用电子设备的设备(例如人工智能电子设备)。
本申请实施例提供了一种智能网联应用场景的处理方法及系统。为了便于理解本申请实施例,以下将参考附图对本申请实施例进行详细描述。
图1是根据本申请的一些实施例提供的智能网联应用场景的处理系统的示例性示意图。如图1所述,智能网联应用场景的处理系统100可以包括网络110、控制端120、用户端130和服务器140等。具体的,控制端120与用户端130在通过网络建立通信,例如,控制端120与用户端130可以在同一个局域网(比如,同一个路由器的网络环境等)中通信。进一步,控制端120可以通过有线(例如,网线等)或无线(例如,云端服务器等)等方式与网络110连接,用户端130可以通过有线或无线(例如,WIFI等)等方式与网络110建立通信连接。在一些实施例中,用户端130可以向控制端120、服务器140发送交通状态信息等。进一步地,控制端120、服务器140可以向用户端130反馈场景决策与规划等信息。根据反馈的信息,用户端130可以执行场景决策与规划,实时自动在路网中应用所述场景决策与规划。作为示例,服务器140可以获取用户端130的场景信息等,所述场景信息可以包括但不限于独立车道上的车辆逆行预警、车辆异常低速预警、盲区协同感知等中的一种或几种的组合。
根据本申请的一些实施例,控制端120、用户端130可以为相同或不同的终端设备等。所述终端设备可以包括但不限于云控平台,智能终端,移动终端,计算机等。在ICV使用场景中,控制端120可以包括云控平台等,用户端130可以包括ICV的智能网联设备等。在一些实施例中,控制端120和用户端130可以集成在一个设备中,例如,用户端的智能网联设备等。在一些实施例中,服务器140是计算机的一种,具有比普通计算机运行更快、负载更高等优势,而相对应的价格更高昂。在网络环境中,服务器可以为其它客户机(例如,PC机、智能手机、ATM等终端,以及交通系统等大型设备)提供计算或者应用服务。服务器具有高速的CPU运算能力、长时间的可靠运行、强大的I/O外部数据吞吐能力以及更好的扩展性。所述服务器可以提供的服务包括但不限于承担响应服务请求、承担服务、保障服务的能力等。所述服务器作为电子设备,具有极其复杂的内部结构,包括与普通计算机相近的内部结构等,作为示例,所述服务器的内部结构可以包括中央处理器(Central Processing Unit,CPU)、硬盘、内存,系统、系统总线等。
在本申请的一些实施例中,智能网联应用场景的处理系统100可以省略一个或多个元件,或者可以进一步包括一个或多个其它元件。作为示例,智能网联应用场景的处理系统100可以包括多个用户端130,如多个ICV的多个智能网联设备等。又例如,智能网联应用场景的处理系统100可以包括一个或多个控制端120,如云控平台等。再例如,智能网联应用场景的处理系统100可以包括多个服务器140等。在一些实施例中,智能网联应用场景的处理系统100可以包括但不限于基于ICV的智能网联应用场景处理的系统。网络110可以为任意类型的通信网络,所述通信网络可以包括计算机网络(例如,局域网(LAN,Local AreaNetwork)或广域网(WAN,Wide Area Network))、互联网和/或电话网络等,或几种的组合。在一些实施例中,网络110可以为其他类型的无线通信网络。所述无线通信可以包括微波通信和/或卫星通信等。所述无线通信可以包括蜂窝通信,例如,全球移动通信(GSM,GlobalSystem for Mobile Communications)、码分多址(CDMA,Code Division MultipleAccess)、第三代移动通信(3G,The 3rd Generation Telecommunication)、第四代移动通信(4G)、第五代移动通信(5G)、第六代移动通信(6G)、长期演进技术(LTE,Long TermEvolution)、长期演进技术升级版(LTE-A,LTE-Advanced)、宽带码分多址(WCDMA,WidebandCode Division Multiple Access)、通用移动通信系统(UMTS,Universal MobileTelecommunications System)、无线宽带(WiBro,Wireless Broadband)等,或几种的组合。在一些实施例中,用户端130可以为其他具备同等功能模块的装备和/或电子设备,该装备和/或电子设备可以包括智能网联车辆(Intelligent Connected Vehicle,ICV)、虚拟现实设备(VR)、渲染机、个人电脑(PC,例如平板电脑、台式电脑、笔记本、上网本、掌上电脑PDA)、智能手机、移动电话、电子书阅读器、便携式多媒体播放器(PMP)、音频/视频播放器(MP3/MP4)、摄像机和可穿戴设备等中的一种或几种的组合。
在一些实施例中,所述WIFI可以为其他类型的无线通信技术。根据本申请的一些实施例,所述无线通信可以包括无线局域网(WiFi,Wireless Fidelity)、蓝牙、低功耗蓝牙(BLE,Bluetooth Low Energy)、紫蜂协议(ZigBee)、近场通讯(NFC,Near FieldCommunication)、磁安全传输、射频和体域网(BAN,Body Area Network)等,或几种的组合。根据本申请的一些实施例,所述有线通信可以包括全球导航卫星系统(Glonass/GNSS,Global Navigation Satellite System)、全球定位系统(GPS,Global Position System)、北斗导航卫星系统或伽利略(欧洲全球卫星导航系统)等。所述有线通信可以包括通用串行总线(USB,Universal Serial Bus)、高清多媒体接口(HDMI,High-Definition MultimediaInterface)、推荐标准232(RS-232,Recommend Standard 232)、和/或简易老式电话服务(POTS,Plain Old Telephone Service)等,或几种的组合。
需要说明的是,以上对于智能网联应用场景的处理系统100的描述,仅为描述方便,并不能把本申请限制在所举实施例的范围之内。可以理解,对于本领域技术人员,基于本系统的原理,可能在不背离该原理的前提下,对各个元件进行任意组合,或者构成子系统与其他元件连接,对实施上述方法和系统的应用领域进行形式和细节上的各种修正和改变。例如,控制端120可以通过云控平台实现控制,用户端130可以集成在智能网联车辆ICV中等。诸如此类的变形,均在本申请的保护范围之内。
图2是根据本申请的一些实施例提供的智能网联应用场景的处理方法的示例性流程图。如图2所述,流程200可以通过智能网联应用场景的处理系统100实现。在一些实施例中,所述智能网联应用场景的处理方法200可以自动启动或通过指令启动。所述指令可以包括系统指令、设备指令、用户指令、动作指令等,或几种的组合。
在201,将应用场景分解为至少两类子场景,所述子场景包括独立子场景和关联子场景。操作201可以通过智能网联应用场景的处理系统100的控制端120、服务器140实现。在一些实施例中,控制端120和/或服务器140可以将应用场景分解为至少两类子场景,所述子场景包括独立子场景和关联子场景。在一些实施例中,用户端130可以实时获取应用场景信息并发送至控制端120和/或服务器140。作为示例,所述应用场景可以包括复合场景,控制端120和/或服务器140可以根据复合场景的特征和功能,对所述复合场景进行分解与重排。例如,所述复合场景包括交通场景,控制端120和/或服务器140可以根据地理特征及交通参与者的态势特征,将交通场景分解为至少两类子场景;所述独立子场景可以包括提示与预警类场景,所述关联子场景可以包括决策类场景和/或规划类场景。
根据本申请的一些实施例,控制端120和/或服务器140可以将由独立要素产生的子场景分解为独立子场景,所述独立子场景与其他子场景没有关联性,也不直接参与车辆的场景决策与规划,可以包括各要素的提示与预警类场景。所述提示与预警类场景可以包括但不限于独立车道上的车辆逆行预警、车辆异常低速预警、盲区协同感知等。
根据本申请的一些实施例,控制端120和/或服务器140可以将具备时空上的关联性或逻辑上的关联性的若干子场景分解为关联子场景,所述关联子场景可以包括非独立子场景,可以包括各功能的决策类场景和/或规划类场景等。所述决策类场景和/或规划类场景可以包括但不限于在关联车道上的各车辆同时分别进行路口汇入协同、信号灯绿波带通行诱导(GLOSA)、换道协同等。
在202,利用分层求解架构处理所述独立子场景和所述关联子场景。操作202可以通过智能网联应用场景的处理系统100的控制端120、服务器140实现。在一些实施例中,控制端120和/或服务器140可以利用分层求解架构处理所述独立子场景和所述关联子场景。作为示例,处理复合场景可以包括有序地考虑不同的因素,如独立子场景与非独立子场景(关联子场景)对于车辆的影响机制是不同的,控制端120和/或服务器140可以利用分层求解架构分别处理所述独立子场景和所述关联子场景。在一些实施例中,所述独立子场景和所述关联子场景可以在用户端130的UI中显示,所述场景显示可以包括但不限于通过VR,AR,MR,XR任一形式或组合形式进行场景显示。
在203,对所述独立子场景同时并行处理,对独立子场景计算安全约束。操作203可以通过智能网联应用场景的处理系统100的控制端120、服务器140实现。在一些实施例中,控制端120和/或服务器140可以对所述独立子场景同时并行处理,对独立子场景计算安全约束。作为示例,控制端120和/或服务器140可以对每一ICV,筛选对其具有影响的独立子场景及其事件;对每一独立子场景,在每一个事件下计算对当前ICV的决策和/或规划的安全约束;对安全约束进行时空同步,在同一时空坐标系下,通过对当前ICV的所有安全约束取并集,得到当前ICV的总安全约束。在一些实施例中,所述总安全约束可以作为联合优化求解算法中的约束条件。在一些实施例中,控制端120和/或服务器140可以并行处理多个不同的独立子场景,多个ICV及其事件等,以计算得到与该ICV对应的多个安全约束,再通过取并集得到总安全约束。具体的,对于每一个独立子场景,在一个事件下计算该车辆决策与规划的安全约束,可以表示为车辆状态的禁区,如速度、轨迹的不可行区;在同一时空坐标系下,将同一车辆的所有子场景的不可行区取并集,得到车辆的总安全约束,作为效率层中联合优化算法的约束条件。
在204,结合所述关联子场景对应的求解器,进行联合求解。操作204可以通过智能网联应用场景的处理系统100的服务器140和/或控制端120实现。在一些实施例中,服务器140和/或控制端120可以结合所述关联子场景对应的求解器,进行联合求解。在一些实施例中,每个关联子场景选用基于搜索或优化方法的算法,或将基于规则的算法添加时空维度的搜索,并将性能指标与求解算法分解。作为示例,所述关联子场景对应的求解器可以包括面向特定目标函数的最优化求解器,对所述最优化求解器进行联合求解,服务器140和/或控制端120可以采用多目标优化方法,根据目标函数的特性和复合场景的实际需求,将每个场景的性能指标合成为综合性能指标,将每个场景的约束条件加上总安全约束合成为综合约束;根据综合性能指标与综合约束,求解复合场景下的决策或规划结果。所述将每个场景的性能指标合成为综合性能指标,可以包括但不限于线性组合法、约束法、最小元素法、p范数法等。所述线性组合法可以将这些目标函数进行线性组合,生成新的单目标函数进行最优化求解。所述约束法可以将这些目标函数中的一个作为目标函数,其他目标函数作为约束函数,进行最优化求解。所述最小元素法可以将这些目标函数中最小者作为目标函数,进行最优化求解。所述p范数法可以将这些目标函数的p范数作为目标函数,进行最优化求解。
根据本申请的一些实施例,所述求解复合场景下的决策或规划结果具体包括,方法一,使用不同场景的求解算法,求解得到多个决策或规划结果,选取其中综合性能指标最好的决策或规划结果作为联合求解的复合场景下的决策或规划结果;方法二,使用与场景无关的通用搜索或最优化方法,根据综合性能指标与综合约束,求解决策或规划结果。
在一些实施例中,方法一中,所述使用不同场景的求解算法,求解得到多个决策或规划结果,具体包括:方法A,按场景重要度先后进行计算,在总安全约束下,先计算的场景确定的决策变量不变,进行下一场景的计算,以此类推,直到所有场景完成计算,得到最终决策;其中,每个场景可以考虑不同的决策方式,得到不同的最终决策,选取综合目标最优的最终决策来执行;方法B,在总安全约束下,不同场景分别产生不同决策,各场景的不同决策进行组合得到不同的最终决策,以综合目标最优的最终决策来执行。
作为示例,具体说明方法一中方法A的具体实施例,以一个非关联场景(同一道路区域的紧急制动车辆避让),与两个关联场景(换道辅助或换道协同与GLOSA)为例。所述一个非关联场景及两个关联场景共计三个场景的功能及使用的算法具体如下:所述紧急制动车辆避让的非关联场景可以为紧急制动车辆的后方车辆提供减速或换道建议,使用基于规则的算法;所述换道辅助或换道协同的关联场景可以协调右侧车道的前、后车分别加、减速,为用户车辆让出换道空间使其顺利换道,使用基于规则的算法;所述GLOSA的关联场景可以为单车规划减少停车而最快通过信号灯的最佳车速,使用优化算法。
复合场景求解方法可以包括:当有一辆在左车道的换道车,有两辆在右车道的协调车时,紧急制动车辆避让的非关联场景可以为三车产生安全约束,例如,描述为速度、加速度与车辆位置空间的可行域。再以换道协同的关联场景为第一场景,使用基于规则的算法,在所述可行域内,生成不同的换道车辆的换道位置与方式(例如,换道距离与时长等),与前、后协同车的加速、减速等换道协同决策,然后在不同的换道协同决策下,以及在所述可行域内进行GLOSA的关联场景的三辆车辆的车速规划,形成不同的最终决策。以换道平顺度、三车通过路口效率(线性或二次)加权得到的综合指标为目标,选择最优的最终决策结果。
根据本申请的一些实施例,控制端120(例如,云控平台)可以融合各求解器的结果,确定综合最优的场景决策与规划。所述融合各求解器的结果可以包括加权合成,或根据性能指标选取后加权,或根据复合场景的实际需求选出一个场景决策与规划。根据本申请的一些实施例,控制端120(例如,云控平台)可以对场景决策与规划的结果进行寻优,计算综合目标函数,选取最优的场景决策与规划。例如,控制端120(例如,云控平台)可以用不同场景求解器进行评价,计算综合的目标函数取值,选取最优的场景决策与规划方案等。
上述最优化方法进行联合优化求解需要建立最优化问题及相关系统模型,并使用优化软件求解,实现的复杂度较高,根据本申请的一些实施例,流程200可以进一步包括设计每一关联子场景的优先级和/或关联子场景间的超越关系。在一些实施例中,非独立场景在实用意义上的最优并不能协调各个子场景的目标,而部分子场景的需求完全超越其他子场景;在执行步骤204之前,服务器140和/或控制端120可以设计每一关联子场景的优先级和/或关联子场景间的超越关系;按优先级或超越关系依次执行关联子场景,或只执行最优先的子场景。或者,通过所述优先级和/或超越关系确定关键子场景;当所述关键子场景存在冲突时,再执行步骤204的联合优化求解。又例如,通过对各子场景的优先级(或超越关系)进行设计,在联合优化求解时,先通过优先级确定关键子场景,在有必要有冲突时,再进行复杂的联合优化,可以兼顾实用性与实现性,提高运算效率。
根据本申请的一些实施例,流程200可以进一步包括将求解得到的场景决策与规划下发至ICV端。作为示例,所述安全约束和所述联合求解的结果包括场景决策与规划,控制端120(例如,云控平台)可以将求解得到的场景决策与规划下发至ICV端。另外,控制端120(例如,云控平台)可以将路网分解为子路网,在子路网中求解用户端130(例如,ICV端)所需的所述场景决策与规划,以减小求解问题规模,从而提高性能。作为示例,云控平台可以根据路网交通优化结果,按实际交通性能与优化所得理想交通性能的差距,将路网分解为子路网,在所述子路网中独立进行所述复合场景的决策与规划。
图3是根据本申请的一些实施例提供的智能网联应用场景处理系统的工程技术架构图。工程技术架构可以分为两大层,包括安全层与效率层,其中,效率层可以分为路网效率层与多车效率层。独立子场景主要包括车辆行驶安全相关的场景,产生事件,车辆的决策与规划必须将所有提示与预警考虑在内,从车辆决策与规划角度,通过计算独立子场景得到安全约束。将安全约束转换到大地坐标并进行时间同步,在同一时空坐标系下取多个安全约束的并集,得到车辆的总安全约束,作为后续效率层中联合优化算法的约束条件。如图3所示,路网效率可以包括路网交通优化,路网分解等。所述路网分解可以包括第一多车效率分区,第二多车效率分区等。在所述多车效率分区中,可以包括多场景调度器,及车或路指令下发。所述多场景调度器包括第一多车决策与规划,第二多车决策与规划,……第p多车决策与规划等。多个ICV(1,2,……,m)的单车安全应用场景的多个安全约束作用于所述多车效率分区。所述ICV1的单车安全应用场景的安全约束来自于与ICV1有关的第一决策与规划,第二决策与规划,……第k决策与规划的安全约束的并集。所述第一决策与规划可以通过1-1事件计算得到,所述第二决策与规划可以通过1-2事件计算得到,……所述第k决策与规划可以通过1-k事件计算得到。所述1-1事件,1-2事件,……1-k事件共同构成第一事件集。同理,可以通过第二事件集计算得到第二单车安全ICV的决策与规划集,并确定其对应的安全约束。可以通过第m事件集得到第m单车安全ICV的决策与规划集,并确定其对应的安全约束。上述各ICV的安全约束为多车效率分区的联合优化算法的约束条件。
图4是根据本申请的一些实施例提供的智能网联应用场景的分解处理的示例性示意图。所述智能网联应用场景可以包括复合场景,所述复合场景可以包括交通场景,所述复合场景可以分解为多个子场景,包括独立子场景和关联子场景(非独立子场景)。如图4所示,所述独立子场景可以包括提示与预警类场景,所述非独立子场景可以包括决策类场景和/或规划类场景。所述提示与预警类场景可以包括但不限于独立车道上的车辆逆行预警、车辆异常低速预警、盲区协同感知等。所述决策类场景和/或规划类场景可以包括但不限于在关联车道上的各车辆同时分别进行路口汇入协同、信号灯绿波带通行诱导(GLOSA)、换道辅助协同等。
图5是根据本申请的一些实施例提供的智能网联应用场景的联合优化的示例性示意图。如图5所示,智能网联应用场景的联合优化包括交通现场,场景辨识器,场景分解,场景处理等。所述场景处理的结果可以反馈至交通现场,所述结果包括车辆逆行预警,车辆异常低速预警,车辆协同行驶指令等。所述场景处理包括独立场景的求解,所述独立场景的求解可以包括异常低速求解器,逆向行驶求解器等,对所述多个求解器进行并行求解,得到车辆逆行预警,车辆异常低速预警等场景决策与规划,并反馈至交通现场。所述非独立场景的求解可以包括路口汇入求解器,换道辅助求解器,GLOSA求解器,通过目标函数重构和约束函数重构,对所述多个求解器进行联合求解,得到车辆协同行驶指令等场景决策与规划,并反馈至交通现场。
需要说明的是,以上对于流程200的描述,仅为描述方便,并不能把本申请限制在所举实施例的范围之内。可以理解,对于本领域技术人员,基于本系统的原理,可能在不背离该原理的前提下,对各个操作进行任意组合,或者构成子流程与其它操作组合,对实施上述流程和操作的功能进行形式和细节上的各种修正和改变。例如,流程200可以进一步包括将求解得到的场景决策与规划下发至ICV端;和/或,将路网分解为子路网,在所述子路网中分别执行所述场景决策与规划等操作。诸如此类的变形,均在本申请的保护范围之内。
综上所述,根据本申请实施例的智能网联应用场景的处理方法及系统,通过采用场景分类与分层,对安全场景分别计算输出安全约束再进行合并,用于规划层的约束,进行联合求解融合得到场景决策与规划,以较高的效率实现了不同场景的决策融合。
需要注意的是,上述的实施例仅仅是用作示例,本申请不限于这样的示例,而是可以进行各种变化。
需要说明的是,在本说明书中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
最后,还需要说明的是,上述一系列处理不仅包括以这里所述的顺序按时间序列执行的处理,而且包括并行或分别地、而不是按时间顺序执行的处理。
本领域普通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,所述的存储介质可为磁碟、光盘、只读存储器(Read-Only Memory,ROM)或随机存储器(Random Access Memory,RAM)等。
以上所揭露的仅为本申请一些优选的实施例,不能以此来限定本申请之权利范围,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流程,并依本申请权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (10)
1.一种智能网联应用场景的处理方法,其特征在于,包括:
将应用场景分解为至少两类子场景,所述子场景包括独立子场景和关联子场景;
利用分层求解架构处理所述独立子场景和所述关联子场景;
对所述独立子场景同时并行处理,对独立子场景计算安全约束;
结合所述关联子场景对应的求解器,进行联合求解。
2.根据权利要求1所述的方法,其特征在于,所述应用场景包括复合场景,所述复合场景包括交通场景,具体包括:
根据地理特征及交通参与者的态势特征,将交通场景分解为至少两类子场景;所述独立子场景包括提示与预警类场景,所述关联子场景包括决策类场景和/或规划类场景。
3.根据权利要求2所述的方法,其特征在于,所述对独立子场景计算安全约束,具体包括:
对每一ICV,筛选对其具有影响的独立子场景及其事件;
对每一独立子场景,在每一个事件下计算对当前ICV的决策和/或规划的安全约束;
对安全约束进行时空同步,在同一时空坐标系下,通过对当前ICV的所有安全约束取并集,得到当前ICV的总安全约束。
4.根据权利要求2所述的方法,其特征在于,所述关联子场景对应的求解器包括面向特定目标函数的最优化求解器,对所述最优化求解器进行联合求解,具体包括:
每个关联子场景选用基于搜索或优化方法的算法,或将基于规则的算法添加时空维度的搜索,并将性能指标与求解算法分解;
采用多目标优化方法,根据目标函数的特性和复合场景的实际需求,将每个场景的性能指标合成为综合性能指标,将每个场景的约束条件加上总安全约束合成为综合约束;
根据综合性能指标与综合约束,求解复合场景下的决策或规划结果。
5.根据权利要求4所述的方法,其特征在于,所述将每个场景的性能指标合成为综合性能指标,包括线性组合法、约束法、最小元素法、p范数法。
6.根据权利要求4所述的方法,其特征在于,所述求解复合场景下的决策或规划结果具体包括:
使用不同场景的求解算法,求解得到多个决策或规划结果,选取其中综合性能指标最好的决策或规划结果作为联合求解的复合场景下的决策或规划结果;
或,使用与场景无关的通用搜索或最优化方法,根据综合性能指标与综合约束,求解决策或规划结果。
7.根据权利要求6所述的方法,其特征在于,所述使用不同场景的求解算法,求解得到多个决策或规划结果,具体包括:
按场景重要度先后进行计算,在总安全约束下,先计算的场景确定的决策变量不变,进行下一场景的计算,以此类推,直到所有场景完成计算,得到最终决策;其中,每个场景可以考虑不同的决策方式,得到不同的最终决策,选取综合目标最优的最终决策来执行;
或,在总安全约束下,不同场景分别产生不同决策,各场景的不同决策进行组合得到不同的最终决策,以综合目标最优的最终决策来执行。
8.根据权利要求1所述的方法,其特征在于,结合所述关联子场景对应的求解器,进行联合求解,具体包括:
设计每一关联子场景的优先级和/或关联子场景间的超越关系;
按优先级或超越关系依次执行关联子场景,或只执行最优先的子场景。
9.根据权利要求1或8所述的方法,其特征在于,所述安全约束和所述联合求解的结果包括场景决策与规划,具体包括:
将求解得到的场景决策与规划下发至ICV端;
将路网分解为子路网,在所述子路网中独立进行所述复合场景的决策与规划。
10.一个系统,其特征在于,包括:
一个存储器,被配置为存储数据及指令;
一个与存储器建立通信的处理器,其中,当执行存储器中的指令时,所述处理器被配置为:
将应用场景分解为至少两类子场景,所述子场景包括独立子场景和关联子场景;
利用分层求解架构处理所述独立子场景和所述关联子场景;
对所述独立子场景同时并行处理,对独立子场景计算安全约束;
结合所述关联子场景对应的求解器,进行联合求解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110548854.3A CN113177663B (zh) | 2021-05-20 | 2021-05-20 | 一种智能网联应用场景的处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110548854.3A CN113177663B (zh) | 2021-05-20 | 2021-05-20 | 一种智能网联应用场景的处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113177663A true CN113177663A (zh) | 2021-07-27 |
CN113177663B CN113177663B (zh) | 2023-11-24 |
Family
ID=76929367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110548854.3A Active CN113177663B (zh) | 2021-05-20 | 2021-05-20 | 一种智能网联应用场景的处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177663B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109714730A (zh) * | 2019-02-01 | 2019-05-03 | 清华大学 | 用于车车及车路协同的云控平台系统及协同系统和方法 |
CN110187639A (zh) * | 2019-06-27 | 2019-08-30 | 吉林大学 | 一种基于参数决策框架的轨迹规划控制方法 |
CN110427682A (zh) * | 2019-07-26 | 2019-11-08 | 清华大学 | 一种基于虚拟现实的交通场景模拟实验平台和方法 |
CN110488802A (zh) * | 2019-08-21 | 2019-11-22 | 清华大学 | 一种网联环境下的自动驾驶车辆动态行为决策方法 |
CN110568760A (zh) * | 2019-10-08 | 2019-12-13 | 吉林大学 | 适用于换道及车道保持的参数化学习决策控制系统及方法 |
CN111123948A (zh) * | 2019-12-31 | 2020-05-08 | 北京新能源汽车技术创新中心有限公司 | 车辆多维感知融合控制方法、系统及汽车 |
CN111599183A (zh) * | 2020-07-22 | 2020-08-28 | 中汽院汽车技术有限公司 | 一种自动驾驶场景分类识别系统及方法 |
US20200363800A1 (en) * | 2019-05-13 | 2020-11-19 | Great Wall Motor Company Limited | Decision Making Methods and Systems for Automated Vehicle |
CN112040392A (zh) * | 2020-08-03 | 2020-12-04 | 南京航空航天大学 | 一种基于车车通信的多车协同换道控制系统及方法 |
CN112382109A (zh) * | 2020-10-22 | 2021-02-19 | 华南理工大学 | 智能网联状态下应急救援车辆协同控制方法、系统及介质 |
CN112614366A (zh) * | 2020-12-11 | 2021-04-06 | 国汽(北京)智能网联汽车研究院有限公司 | 汽车协同决策方法、装置、电子设备及计算机存储介质 |
-
2021
- 2021-05-20 CN CN202110548854.3A patent/CN113177663B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109714730A (zh) * | 2019-02-01 | 2019-05-03 | 清华大学 | 用于车车及车路协同的云控平台系统及协同系统和方法 |
US20200363800A1 (en) * | 2019-05-13 | 2020-11-19 | Great Wall Motor Company Limited | Decision Making Methods and Systems for Automated Vehicle |
CN110187639A (zh) * | 2019-06-27 | 2019-08-30 | 吉林大学 | 一种基于参数决策框架的轨迹规划控制方法 |
CN110427682A (zh) * | 2019-07-26 | 2019-11-08 | 清华大学 | 一种基于虚拟现实的交通场景模拟实验平台和方法 |
CN110488802A (zh) * | 2019-08-21 | 2019-11-22 | 清华大学 | 一种网联环境下的自动驾驶车辆动态行为决策方法 |
CN110568760A (zh) * | 2019-10-08 | 2019-12-13 | 吉林大学 | 适用于换道及车道保持的参数化学习决策控制系统及方法 |
CN111123948A (zh) * | 2019-12-31 | 2020-05-08 | 北京新能源汽车技术创新中心有限公司 | 车辆多维感知融合控制方法、系统及汽车 |
CN111599183A (zh) * | 2020-07-22 | 2020-08-28 | 中汽院汽车技术有限公司 | 一种自动驾驶场景分类识别系统及方法 |
CN112040392A (zh) * | 2020-08-03 | 2020-12-04 | 南京航空航天大学 | 一种基于车车通信的多车协同换道控制系统及方法 |
CN112382109A (zh) * | 2020-10-22 | 2021-02-19 | 华南理工大学 | 智能网联状态下应急救援车辆协同控制方法、系统及介质 |
CN112614366A (zh) * | 2020-12-11 | 2021-04-06 | 国汽(北京)智能网联汽车研究院有限公司 | 汽车协同决策方法、装置、电子设备及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113177663B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | On reliable task assignment for spatial crowdsourcing | |
Tang et al. | An offloading method using decentralized P2P-enabled mobile edge servers in edge computing | |
Zhang et al. | SpatialRecruiter: Maximizing sensing coverage in selecting workers for spatial crowdsourcing | |
CN112766607A (zh) | 出行路线的推荐方法、装置、电子设备及可读存储介质 | |
TWI690906B (zh) | 用於交通訊號燈配時的系統和方法 | |
CN103412910A (zh) | 一种建立标签库及搜索用户的方法和装置 | |
CN111931063B (zh) | 基于区块链和人工智能的信息推送处理方法及云服务平台 | |
Yang et al. | Spatio-temporal domain awareness for multi-agent collaborative perception | |
CN109583227A (zh) | 一种隐私信息保护方法、装置及系统 | |
CN112416494B (zh) | 虚拟资源的处理方法、装置、电子设备及存储介质 | |
Li et al. | Sustainable CNN for robotic: An offloading game in the 3D vision computation | |
Buinevich et al. | Combine method of forecasting VANET cybersecurity for application of high priority way | |
CN113177663B (zh) | 一种智能网联应用场景的处理方法及系统 | |
CN108040321B (zh) | 一种路网环境下抗重放攻击的位置匿名方法 | |
US20230368284A1 (en) | System and method enabling application of autonomous agents | |
Liu et al. | A dynamic group grey target decision approach with group negotiation and Orness measure constraint | |
US20230029628A1 (en) | Data processing method for vehicle, electronic device, and medium | |
CN102855278A (zh) | 一种仿真方法和系统 | |
CN114440914A (zh) | 路径规划方法、装置、电子设备、存储介质及程序产品 | |
Fu et al. | Dense Multi-Agent Reinforcement Learning Aided Multi-UAV Information Coverage for Vehicular Networks | |
Shen et al. | Research on hainan trusted digital infrastructure construction framework | |
Li et al. | ACTA: Autonomy and Coordination Task Assignment in Spatial Crowdsourcing Platforms | |
Chinese Academy of Cyberspace Studies yangshuzhen@ cac. gov. cn | Development of Network Information Technology in the World | |
US20030200262A1 (en) | Network service system | |
KR102626772B1 (ko) | 위치기반 예약 및 자동 출결 확인 서비스 제공 장치 및 방법 |
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 | ||
CB02 | Change of applicant information |
Address after: 201805 room 2201, No. 888, Moyu South Road, Jiading District, Shanghai j879 Applicant after: Yunkong Zhihang (Shanghai) Automotive Technology Co.,Ltd. Address before: 201805 room 2201, No. 888, Moyu South Road, Jiading District, Shanghai j879 Applicant before: Enlightenment cloud control (Shanghai) Automotive Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |