CN113895464B - 融合个性化驾驶风格的智能车驾驶地图生成方法及系统 - Google Patents

Abstract

本发明公开一种融合个性化驾驶风格的智能车驾驶地图生成方法，包括：获取车辆的位置数据、运动数据、地图数据、道路环境图像数据、点云数据，及驾乘者的驾驶风格数据；基于道路环境图像数据、点云数据识别道路目标物；基于位置数据、运动数据、道路环境图像数据、点云数据对车辆及目标物进行编码处理，并基于驾驶风格数据对驾乘者的驾驶风格进行编码处理；基于编码后的车辆及目标物信息和驾驶风格信息得到驾驶地图；基于驾驶地图和由车辆地图数据生成的全局路径规划，输出个性化驾驶决策。本发明还公开一种系统。本发明通过对车辆自身及环境数据进行赋值编码的方式，提高了数据处理效率和实时性，提升了驾乘体验。

Description

融合个性化驾驶风格的智能车驾驶地图生成方法及系统

技术领域

本发明属于自动驾驶技术领域，具体为一种融合个性化驾驶风格的智能车驾驶地图生成方法及系统。

背景技术

智能交通系统是缓解交通拥堵、提高交通安全、改善交通污染的重要技术手段，其中，智能汽车技术是智能交通系统的关键技术之一，而环境感知、智能决策和控制执行技术是智能汽车自动驾驶的三个核心技术。

目前用于环境感知的地图信息仅仅是将动静态目标信息进行叠加。现有研究中，一些是简单地合并地图信息和实时感知信息，也有一些是从某一个方面实现两者信息的融合，如定位、可行驶区域、参考路径等。然而，感知信息通常数量较多，信息维度较大，直接计算会导致计算速度减慢，实时性难以满足。

目前的研究较少考虑驾驶风格，由于缺乏被驾乘者信任和接受的自动驾驶风格，通用型驾驶决策容易导致不良的驾乘体验，降低普通大众对自动驾驶的接受度。因此，本发明旨在将每个人的个性化驾驶风格考虑到驾驶决策中，以改善无人驾驶的驾乘体验，提升自动驾驶技术的接受度。

发明内容

为克服上述现有技术的不足，本发明提供一种融合个性化驾驶风格的智能车驾驶地图生成方法及系统，用以解决上述至少一个技术问题。

根据本发明说明书的一方面，提供一种融合个性化驾驶风格的智能车驾驶地图生成方法，包括：

获取车辆的位置数据、运动数据、地图数据、道路环境图像数据、点云数据，及驾乘者的驾驶风格数据；

基于道路环境图像数据、点云数据识别道路目标物；

基于位置数据、运动数据、道路环境图像数据、点云数据对车辆及目标物进行编码处理，并基于驾驶风格数据对驾乘者的驾驶风格进行编码处理；

基于编码后的车辆及目标物信息和驾驶风格信息得到驾驶地图；

基于驾驶地图和由车辆地图数据生成的全局路径规划，输出个性化驾驶决策。

上述技术方案首先获取车辆及周围环境数据，并基于这些数据识别出车辆周围的障碍或目标物，然后基于前面获取的数据对车辆自身及周围的障碍物或目标物进行编码，得到车辆自身及周围障碍物或目标物的数值化表达；同时，对个人驾驶风格通过编码进行数值化表达，将数值化表达的车辆及周围障碍物或目标物以及个人驾驶风格相结合生成驾驶地图，将驾驶地图与获取的全局路径规划相结合，输出个性化驾驶决策，极大提升了智能车的驾乘体验，提高了无人自动驾驶技术的大众接受度。

作为进一步的技术方案，基于编码后的车辆及目标物信息和驾驶风格信息，得到编码后的驾驶场景；基于编码后的驾驶场景，使用卷积神经网络进行识别并输出预测识别结果。

上述技术方案依据车辆及车辆周围目标物的编码信息和驾驶风格编码信息，形成不同的编码后驾驶场景，对这些编码后驾驶场景进行识别得到包含多种不同决策信息的驾驶地图，将驾驶地图与全局路径规划结果相结合即可得到具有个性化驾驶风格的驾驶决策。

驾驶地图包括的决策信息如加速直行、减速直行、保持速度直行、急减速直行、保持静止、向左换道、向右换道、车道保持等。

作为进一步的技术方案，所述方法进一步包括：构建卷积神经网络，获取大量的驾驶场景样本，以驾驶场景样本中车辆及目标物的空间位置编码信息、运动状态编码信息、道路交通规则编码信息以及驾驶风格编码信息作为输入，以包含个性化驾驶决策策略的驾驶地图作为输出，对构建的卷积神经网络进行训练。

上述技术方案以环境感知信息的编码数据及驾驶风格的编码数据构建训练样本进行卷积神经网络的训练，使输出的驾驶地图更贴近实际路况，且通过数值化表示的编码数据进行环境感知信息的计算，极大提高了数据处理的实时性。

作为进一步的技术方案，对车辆及目标物进行编码处理，进一步包括：

对道路场景进行网格划分，以自车为中心建立直角坐标系，以自车的速度方向作为横坐标方向，以与自车速度方向垂直的方向作为纵坐标方向，构建多尺寸的网格化地图；

以占据网格的交通元素类别对网格进行赋值，实现车辆的空间位置信息编码；以占据网格的交通元素的绝对速度值对网格进行赋值，实现车辆的运动状态信息编码；结合车道行驶方向及车道限速信息实现道路交通规则信息编码。

上述技术方案通过构建网格化地图，并对地图中被占据网格进行赋值编码的方式，将车辆及目标物的空间位置、运动状态以及道路交通规则信息等进行数值化表达，将大量的环境感知数据转换为简单的编码数值，极大缩短了环境感知数据的计算过程，提高了数据处理效率，环境感知的实时性得以大幅提高。

作为进一步的技术方案，获取驾乘者的驾驶风格信息并进行编码处理进一步包括：依据预设的赋值规则对驾驶风格进行编码。

根据本发明说明书的另一方面，提供一种融合个性化驾驶风格的智能车驾驶地图生成系统，包括：采集单元，用于获取车辆的位置数据、道路环境图像数据、点云数据、运动数据、地图数据，及驾乘者的驾驶风格数据；车载计算单元，用于对获取的位置数据、道路环境图像数据、点云数据、运动数据及地图数据进行预处理，并基于预处理后的数据进行道路目标物识别、车辆及目标物编码以及全局路径规划；个性化驾驶风格单元，用于基于驾驶风格数据进行驾驶风格编码；个性化驾驶决策单元，用于根据编码后的车辆及目标物信息和驾驶风格信息输出驾驶地图，并结合全局路径规划结果输出个性化驾驶决策。

上述技术方案通过车载设备获取车辆及车辆周围物体的各种数据，对获取的各种数据进行处理和编码，并获取驾乘者的个性化驾驶风格信息进行编码，将车辆及周围物体的编码信息、驾驶风格编码信息与全局路径规划结果相融合，输出个性化驾驶决策。该技术方案将大量的环境感知数据通过编码进行处理，提高数据计算效率，对于行驶于较复杂路况的车辆而言，该技术方案将极大改善环境感知的实时性，提高驾乘者的驾驶体验。

作为进一步的技术方案，所述采集单元包括：摄像头，用于获取道路环境图像数据；激光雷达，用于获取点云数据；GPS+惯性导航系统，用于获取车辆的位置数据；车载传感器，用于获取车辆的运动数据；车载地图模块，用于获取地图数据；输入模块，用于获取驾乘者的个性化驾驶风格信息。

作为进一步的技术方案，所述车载计算单元包括：预处理模块，用于对获取的位置数据、道路环境图像数据、点云数据、运动数据及地图数据进行预处理；目标识别模块，用于基于预处理后的道路环境图像数据、点云数据识别道路目标物；局部信息编码模块，用于基于预处理后的位置数据、道路环境图像数据、点云数据、运动数据，从空间位置、运动状态、道路交通规则方面分别对车辆及目标物进行编码；全局路径规划模块，用于基于预处理后的地图数据进行全局路径规划。

作为进一步的技术方案，所述个性化驾驶决策单元包括：驾驶场景生成模块，用于根据编码后的车辆及目标物信息和驾驶风格信息生成编码后的驾驶场景；驾驶场景识别模块，用于通过卷积神经网络对输入的驾驶场景进行识别，并输出包含个性化驾驶决策策略的驾驶地图；个性化驾驶策略生成模块，用于通过驾驶地图和全局路径规划结果输出个性化驾驶决策。

与现有技术相比，本发明的有益效果包括：

（1）本发明基于车载设备获取车辆及周围环境数据，并基于这些数据识别出车辆周围的障碍或目标物，然后基于前面获取的数据对车辆自身及周围的障碍物或目标物进行编码，得到车辆自身及周围障碍物或目标物的数值化表达；同时，对个人驾驶风格通过编码进行数值化表达，将数值化表达的车辆及周围障碍物或目标物以及个人驾驶风格通过神经网络进行识别预测，得到包含个性化驾驶决策策略的驾驶地图，最后利用驾驶地图和获取的全局路径规划结果，输出基于个性化驾驶决策的驾驶地图，极大提升了智能车的驾乘体验，提高了无人自动驾驶技术的大众接受度。

（2）本发明通过构建网格化地图，并对地图中被占据网格进行赋值编码的方式，将车辆及目标物的空间位置、运动状态以及道路交通规则信息等进行数值化表达，将大量的环境感知数据转换为简单的编码数值，极大缩短了环境感知数据的计算过程，提高了数据处理效率，环境感知的实时性得以大幅提高。

附图说明

图1为根据本发明实施例的融合个性化驾驶风格的智能车驾驶地图生成方法的流程示意图；

图2为根据本发明实施例的网格化地图示意图；

图3为根据本发明实施例的网格化地图的三种尺寸数据示意图；

图4为根据本发明实施例的空间位置信息编码示意图；

图5为根据本发明实施例的空间位置信息编码前后的交通元素对比图；

图6为根据本发明实施例的运动状态信息编码示意图；

图7为根据本发明实施例的运动状态信息编码前后的交通元素对比图；

图8为根据本发明实施例的车道行驶方向编码示意图；

图9为根据本发明实施例的道路交通规则编码的样例示意图；

图10为根据本发明实施例的融合个性化驾驶风格的智能车驾驶地图生成系统的示意图；

图11为根据本发明实施例的个性化驾驶决策模块示意图；

图12为根据本发明实施例的个性化驾驶决策信息示意图。

具体实施方式

以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述发实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

根据本发明说明书的一方面，提供一种融合个性化驾驶风格的智能车驾驶地图生成方法，如图1所示，其主要包括以下步骤：数据采集；道路目标物识别；车辆及目标物信息编码及驾驶风格编码；驾驶地图生成；个性化决策输出。

在数据采集步骤中，通过传感设备获取的数据经由网线输入至车载计算单元。

作为一种实施方式，在道路环境图像数据和点云数据采集中，将四个激光雷达（如Livox Horizon）分别布置于车辆的前后两端，用于获取道路环境点云数据；将摄像头布置于车辆前挡风玻璃的中轴线上侧，用于获取道路环境图像数据；激光雷达和摄像头采集的数据传输至车载计算单元（如工控机）进行数据处理。车载计算单元利用道路环境点云数据及图像数据来检测和识别道路上的障碍物信息，以及识别车道线信息。

作为一种实施方式，在车辆位置数据采集中，将GPS和惯性导航装置布置于车辆的中心线上，根据GPS和惯性导航装置获取平面位置数据，根据高度计获取高度数据，两者相结合得到车辆的三维定位信息，并通过车载以太网传输至车载计算单元，用于实现行驶路段的定位。

作为一种实施方式，在运动数据采集步骤中，主要利用安装在智能车上的轮速传感器获得车辆的纵向车速信息，利用转矩传感器获得车辆的横向转向角速度等进行车辆的运动数据采集。

在道路目标物识别步骤中，车载计算单元对接收的道路环境图像数据和点云数据进行处理，基于处理后的数据进行目标物的检测和识别，得到目标物的空间位置、运动状态等信息。基于道路环境图像数据和点云数据进行目标物的检测和识别也可以利用现有成熟技术实现。

车辆及目标物信息编码及驾驶风格编码步骤包括：首先构建网格化地图，然后根据构建好的地图从多层次进行被占据网格的赋值编码。

作为一种实施方式，在进行道路场景网格划分时，以自车为中心建立直角坐标系，横坐标方向为自车的速度方向，纵坐标方向是与自车速度方向垂直的方向，建立三种尺寸的网格化地图，如图2和图3所示，以便对动静态目标、障碍物或目标物等具有明确空间位置关系的交通元素进行数值化处理。这里建立多种尺寸的网格化地图是为了适应不同绝对体积的目标物，使得绝对体积不同的物体能够在同一地图中进行清晰的可视化显示，而不至于体积大小差异过大造成某些物体看不清的情况。

在对象层信息编码（空间位置信息编码）步骤中，根据占据该网格的交通元素类别对网格进行赋值。不同道路交通元素具有不同的网格分类优先级，主要分为四类：动态障碍物、静态障碍物、道路结构和可行驶区域，图4为本实施例中对象层空间位置信息编码赋值规则与说明，图5为编码前后的交通元素对比图。

在速度层信息编码（运动状态信息编码）步骤中，根据占据该网格的交通元素的绝对速度值对网格进行赋值。图6为本实施例中速度层运动状态信息编码赋值规则与说明，图7为编码前后的交通元素对比图。

在个性化驾驶风格信息编码步骤中，将驾乘者驾驶风格信息进行编码，按照常见的驾驶人风格：保守型、中间型和激进型进行编码，如表1所示。

在道路交通规则信息编码步骤中，主要对车道行驶方向与限速信息进行编码。使用长度为10的一维向量表示交通规则，前5位表示5个车道的行驶方向规则，第1个值为最内侧车道，以此类推，车道数不足5车道，以元素0补缺值；后5位表示车道的限速大小，第1个值为最内侧车道，依次类推；车道数不足5车道，以元素0补缺值。图8为车道行驶方向信息编码，图9为编码样例。

在驾驶地图生成步骤中，采用卷积神经网络（Convolutional Neural Network）进行多类别决策信息的分类识别。驾驶地图由多类别的决策信息构成，如加速直行、减速直行、保持速度直行、急减速直行、保持静止、向左换道、向右换道、车道保持等。

优选地，首先对编码后的驾驶场景进行分类，根据不同的编码后驾驶场景采集样本，然后训练神经网络，以实现对实时采集的道路环境数据的预测。

在得到包含个性化驾驶决策策略的驾驶地图后，将驾驶地图与全局路径规划进行比较后，输出最终的个性化决策。这里的全局路径规划是基于车载高精度地图实现的，该方式可采用现有成熟技术实现，在此不做赘述。最终输出的决策应与全局路径规划相符，比如驾驶地图做出的决策是向右转，而全局路径规划要求当前位置必须左转，则以全局路径规划为准。

本发明在基于全局路径规划的基础上，融入编码处理的车辆环境感知信息和个性化驾驶风格信息，既保证了车辆按照正确路径行驶，又在驾驶地图与路径规划相符的前提下达到了个性化驾驶决策的效果，且环境感知信息的处理实时性答复提高，提升了驾乘体验及大众对智能车自动驾驶的接受度。

根据本发明说明书的一方面，还提供一种融合个性化驾驶风格的智能车驾驶地图生成系统。该系统通过设计信息编码规则，将复杂多变的交通场景进行信息编码，并加入个性化驾驶需求，通过稀疏重构、深度学习等方法实现个性化场景理解。

如图10所示，该系统包括采集单元、车载计算单元、个性化驾驶风格单元及个性化驾驶决策单元。

采集单元包括：摄像头，用于获取道路环境图像数据；激光雷达，用于获取点云数据；GPS+惯性导航系统，用于获取车辆的位置数据；车载传感器，用于获取车辆的运动数据；车载地图模块，用于获取地图数据；输入模块，用于获取驾乘者的个性化驾驶风格信息。

优选地，通过安装在智能车上的全球定位系统GPS和惯性导航系统获取智能车的平面位置数据，并利用高度计获取车辆的高度信息，结合得到车辆的三维定位信息，即车辆的位置信息，将车辆的位置信息传输给车载计算单元。

优选地，利用安装在智能车上的摄像头和激光雷达分别获取道路环境的图像数据与点云数据，并将数据进行预处理，传输至车载计算单元，也可在车载计算单元进行数据预处理。

优选地，利用智能车上的车载传感器采集车辆的运动数据。

优选地，利用智能车上的高精度地图模块来获取全局高精度地图数据，用于智能车的全局路径规划。

作为一种实施方式，位于智能车上的个性化驾驶风格单元，用于记录、保存及将驾乘者的驾驶风格进行信息编码并输出。车载计算单元将获取的图像数据、点云数据、位置数据、运动数据以及地图数据进行编码处理，包括对道路环境目标进行检测、识别、定位、车道线检测、目标运动数据提取和智能车全局路径规划等。个性化驾驶风格单元输出的驾驶风格编码信息与车载计算单元输出的编码信息提供给个性化驾驶决策单元，输出秒级的驾驶地图。将所述驾驶地图与全局路径规划结合，辅助决策层制定既安全又同时满足驾乘者的驾驶风格的驾驶策略。

作为一种实施方式，上述融合个性化驾驶风格的智能车驾驶地图生成系统的具体实施包括以下步骤：

S1、摄像头采集道路环境图像数据，将道路环境图像数据传输至车载计算单元，通过深度学习算法，识别行驶过程车辆、行人、交通标志等；通过双目定位技术估算目标物体与本车的相对距离和相对速度。

S2、激光雷达通过障碍物识别与跟踪算法扫描车辆环境的同时生成点云数据，包括物体的三维坐标信息，有时还包含颜色信息、反射强度信息、回波次数信息等。生成的点云数据传输至车载计算单元。

S3、全球卫星定位系统GPS和惯性导航系统获取智能车的平面位置数据，高度计用于获取车辆的高度信息，二者结合得到车辆的位置信息，将车辆的位置信息传输给车载计算单元。

S4、车载传感器采集车辆的运动数据，将所得数据通过CAN总线传输至车载计算单元。

S5、位于智能车上的高精度地图模块，通过路网数据库与车辆局部路径定位算法用于获取全局高精度地图数据，用于智能车的全局路径规划。

S6、车载计算单元将得到的图像数据、点云数据、位置数据、运动数据以及地图数据进行编码处理，包括对道路环境目标进行检测、识别、定位、车道线检测、目标运动数据提取和智能车全局路径规划等，编码后的信息传输至决策层。

S7、个性化驾驶风格单元，用于记录、保存、将驾乘者的驾驶风格进行信息编码并输出至决策层。

S8、个性化驾驶决策单元得到个性化驾驶风格单元的信息与车载计算单元处理后的编码信息后，使用卷积神经网络进行场景分类并输出驾驶地图，驾驶地图与全局路径规划相结合帮助决策层更好的控制车辆。

步骤S7、S8中：车载计算单元的全局路径规划模块根据获取的高精度地图数据，对智能车进行全局路径规划。如图11所示，车载计算单元的局部信息编码模块对提取的道路环境信息、自车运动数据和目标物信息进行编码，个性化驾驶风格单元对个性化驾驶风格数据进行编码，车载计算单元和个性化驾驶风格单元输出的编码信息输入驾驶场景识别模块，驾驶场景识别模块通过卷积神经网络对编码后的驾驶场景信息进行识别，得到包含个性化驾驶决策策略的驾驶地图，如图12所示。个性化驾驶决策单元的个性化驾驶策略生成模块根据驾驶地图和全局路径规划信息输出个性化驾驶策略。

在本说明书的描述中，参考术语“一个实施方式”、“某些实施方式”、“示意性实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合所述实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案。

Claims (6)

1.融合个性化驾驶风格的智能车驾驶地图生成方法，其特征在于，包括：

获取车辆的位置数据、运动数据、地图数据、道路环境图像数据、点云数据，及驾乘者的驾驶风格数据；

基于道路环境图像数据、点云数据识别道路目标物；

基于位置数据、运动数据、道路环境图像数据、点云数据对车辆及目标物进行编码处理，并基于驾驶风格数据对驾乘者的驾驶风格进行编码处理；

基于编码后的车辆及目标物信息和驾驶风格信息得到驾驶地图；进一步包括：基于编码后的车辆及目标物信息和驾驶风格信息，得到编码后的驾驶场景；基于编码后的驾驶场景，使用卷积神经网络进行识别并输出预测识别结果；进一步包括：构建卷积神经网络，获取大量的驾驶场景样本，以驾驶场景样本中车辆及目标物的空间位置编码信息、运动状态编码信息、道路交通规则编码信息以及驾驶风格编码信息作为输入，以包含个性化驾驶决策策略的驾驶地图作为输出，对构建的卷积神经网络进行训练；

基于驾驶地图和由车辆地图数据生成的全局路径规划，输出个性化驾驶决策。

2.根据权利要求1所述融合个性化驾驶风格的智能车驾驶地图生成方法，其特征在于，对车辆及目标物进行编码处理，进一步包括：

对道路场景进行网格划分，以自车为中心建立直角坐标系，以自车的速度方向作为横坐标方向，以与自车速度方向垂直的方向作为纵坐标方向，构建多尺寸的网格化地图；

以占据网格的交通元素类别对网格进行赋值，实现车辆的空间位置信息编码；以占据网格的交通元素的绝对速度值对网格进行赋值，实现车辆的运动状态信息编码；结合车道行驶方向及车道限速信息实现道路交通规则信息编码。

3.根据权利要求1所述融合个性化驾驶风格的智能车驾驶地图生成方法，其特征在于，获取驾乘者的驾驶风格信息并进行编码处理进一步包括：依据预设的赋值规则对驾驶风格进行编码。

4.融合个性化驾驶风格的智能车驾驶地图生成系统，其特征在于，包括：采集单元，用于获取车辆的位置数据、道路环境图像数据、点云数据、运动数据、地图数据，及驾乘者的驾驶风格数据；车载计算单元，用于对获取的位置数据、道路环境图像数据、点云数据、运动数据及地图数据进行预处理，并基于预处理后的数据进行道路目标物识别、车辆及目标物编码以及全局路径规划；个性化驾驶风格单元，用于基于驾驶风格数据进行驾驶风格编码；个性化驾驶决策单元，用于根据编码后的车辆及目标物信息和驾驶风格信息输出驾驶地图，并结合全局路径规划结果输出个性化驾驶决策；所述个性化驾驶决策单元包括：驾驶场景生成模块，用于根据编码后的车辆及目标物信息和驾驶风格信息生成编码后的驾驶场景；驾驶场景识别模块，用于通过卷积神经网络对输入的驾驶场景进行识别，并输出包含个性化驾驶决策策略的驾驶地图；个性化驾驶策略生成模块，用于通过驾驶地图和全局路径规划结果输出个性化驾驶决策。

5.根据权利要求4所述融合个性化驾驶风格的智能车驾驶地图生成系统，其特征在于，所述采集单元包括：摄像头，用于获取道路环境图像数据；激光雷达，用于获取点云数据；GPS+惯性导航系统，用于获取车辆的位置数据；车载传感器，用于获取车辆的运动数据；车载地图模块，用于获取地图数据；输入模块，用于获取驾乘者的个性化驾驶风格信息。

6.根据权利要求4所述融合个性化驾驶风格的智能车驾驶地图生成系统，其特征在于，所述车载计算单元包括：预处理模块，用于对获取的位置数据、道路环境图像数据、点云数据、运动数据及地图数据进行预处理；目标识别模块，用于基于预处理后的道路环境图像数据、点云数据识别道路目标物；局部信息编码模块，用于基于预处理后的位置数据、道路环境图像数据、点云数据、运动数据，从空间位置、运动状态、道路交通规则方面分别对车辆及目标物进行编码；全局路径规划模块，用于基于预处理后的地图数据进行全局路径规划。

Images