CN114475630A - 控车协同决策方法、装置、车辆及计算机可读存储介质 - Google Patents
控车协同决策方法、装置、车辆及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114475630A CN114475630A CN202210058993.2A CN202210058993A CN114475630A CN 114475630 A CN114475630 A CN 114475630A CN 202210058993 A CN202210058993 A CN 202210058993A CN 114475630 A CN114475630 A CN 114475630A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- cooperative
- determining
- calculation force
- 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 51
- 238000004364 calculation method Methods 0.000 claims abstract description 132
- 230000002093 peripheral effect Effects 0.000 claims abstract description 37
- 230000006399 behavior Effects 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- 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
- 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
- B60W2420/408—Radar; Laser, e.g. lidar
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种控车协同决策方法,包括步骤:采集当前时刻的路况信息,确定所述路况信息对应的所需运算等级;获取主车的可利用算力,确定所述可利用算力对应的主车运算等级;判断所述主车运算等级是否大于或等于所述所需运算等级;若所述主车运算等级小于所述所需运算等级,则获取所述主车对应的周边设备的反馈算力;根据所述可利用算力和所述反馈算力之间的协同运算,确定所述主车的决策结果。本发明还公开了一种控车协同决策装置、车辆及计算机可读存储介质。通过将本发明的控车协同决策方法应用于车辆,能够解决车辆的运算压力,并得到精确的控车决策结果。
Description
技术领域
本发明涉及车辆领域,尤其涉及一种控车协同决策方法、装置、车辆及计算机可读存储介质。
背景技术
随着物联网技术的迅速发展,尤其是在智能网联汽车以及自动驾驶等概念的提出之后,车辆的智能化服务逐渐推陈出新,智能化功能也日益丰富起来。目前,车辆的整体智能程度得到极大的提升,与之相配套的道路智能化交通也越来越先进,为了向用户提供更舒适、更安全的驾驶体验,也为了缓解交通压力,减少事故的发生,这就需要车辆能够有足够的算力来实时分析行驶道路上的各种场景以及及时应对突发状况,但遗憾的是,受限于经济水平和硬件因素的限制,绝大多数车辆是无法单独处理各种道路上的复杂情形,即使是目前车辆的算力最高已经达到了1016TOPS,在对一些复杂路段的处理运算上仍旧很吃力,所以如何突破车辆固有的算力限制,帮助车辆做出精确的控制决策,是现阶段亟需解决的技术问题。
发明内容
本发明提出的一种控车协同决策方法、装置、车辆及计算机可读存储介质,旨在解决如何帮助行驶车辆作出精确控制决策的技术问题。
为实现上述目的,本发明提供一种控车协同决策方法,包括以下步骤:
采集当前时刻的路况信息,确定所述路况信息对应的所需运算等级;
获取主车的可利用算力,确定所述可利用算力对应的主车运算等级;
判断所述主车运算等级是否大于或等于所述所需运算等级;
若所述主车运算等级小于所述所需运算等级,则获取所述主车对应的周边设备的反馈算力;
根据所述可利用算力和所述反馈算力之间的协同运算,确定所述主车的决策结果。
可选地,所述获取所述主车对应的周边设备的反馈算力的步骤包括:
广播协同运算请求,基于所述协同运算请求获取到所述主车对应的周边设备响应的反馈算力,其中,所述周边设备包括周边车辆、路测设备。
可选地,所述路况信息包括车辆信息;所述采集当前时刻的路况信息,确定所述路况信息对应的所需运算等级的步骤,包括:
采集当前时刻的车辆信息,所述车辆信息包括:车辆位置、预设范围内的车辆数量、当前车速、当前加速度以及驾驶方向;
计算所述车辆信息中的各项权重值,以得到所述车辆信息的总项权重值;
确定与所述总项权重值对应的所需运算等级。
可选地,所述计算所述车辆信息中的各项权重值,以得到所述车辆信息的总项权重值的步骤,包括:
接收输入的交通预测模型,确定所述交通预测模型的可信度;
计算所述车辆信息中的各项权重值之间的第一和值;
将所述可信度作为负权重值,计算所述第一和值与所述负权重值之间的第二和值,将所述第二和值作为所述车辆信息的总项权重值。
可选地,所述路况信息包括行人信息;所述采集当前时刻的路况信息,确定所述路况信息对应的所需运算等级的步骤,还包括:
采集当前时刻的行人信息,将所述行人信息输入至预设的行为模型;
获取所述行为模型运算所述行人信息时的运算预估时间,根据所述运算预估时间确定所需运算等级。
可选地,所述若所述主车运算等级小于所述所需运算等级的步骤之后,还包括:
计算所述所需运算等级与所述主车运算等级之间的第一差值,其中,所述差值为正值;
判断所述第一差值是否大于或等于预设阈值;
若所述第一差值大于或等于预设阈值,则发送协同运算请求至云端服务器;
基于所述协同运算请求接收到云端服务器反馈的决策结果,生成与所述决策结果对应的控车建议。
可选地,所述获取主车的可利用算力的步骤,包括:
获取主机的空置算力,并确定所述空置算力中的固定算力;
计算所述空置算力与所述固定算力之间的第二差值,将所述第二差值作为主车的可利用算力。
此外,为实现上述目的,本发明还提供一种控车协同决策装置,其特征在于,所述控车协同决策装置包括:
路况采集模块,用于采集当前时刻的路况信息,确定所述路况信息对应的所需运算等级;
算力统计模块,用于获取主车的可利用算力,确定所述可利用算力对应的主车运算等级;判断所述主车运算等级是否大于或等于所述所需运算等级;若所述主车运算等级小于所述所需运算等级,则获取所述主车对应的周边设备的反馈算力;
运算决策模块,用于根据所述可利用算力和所述反馈算力之间的协同运算,以确定所述主车的决策结果。
此外,为实现上述目的,本发明还提供一种车辆,所述车辆包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的控车协同决策程序,其中:所述控车协同决策程序被所述处理器执行时实现如上所述的控车协同决策方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有控车协同决策程序,所述控车协同决策程序被处理器执行时实现如上所述的控车协同决策方法的步骤。
本发明中的控车协同决策方法先通过采集当前时刻的路况信息,确定所述路况信息对应的所需运算等级的步骤,能够将实时路况的复杂程度转化为可被分析、计算和处理的所需运算等级数值,从而便于对路况的复杂程度进行判断。又通过获取主车的可利用算力,确定所述可利用算力对应的主车运算等级的步骤以及判断所述主车运算等级是否大于或等于所述所需运算等级的步骤,能够将主车的当前可被利用的算力统一为与所需运算等级形式上相同的主车运算等级,并将主车运算等级和所需运算等级进行比较,从而快速地确定主车是否满足当前道路的算力要求。最后通过若所述主车运算等级小于所述所需运算等级,则获取所述主车对应的周边设备的反馈算力的步骤以及根据所述可利用算力和所述反馈算力之间的协同运算,确定所述主车的决策结果的步骤,在主车算力不能满足当前道路的算力要求时,能够将主车周边一定范围内的所有设备的空置算力协同起来进行共同运算,缓解了主车的运算压力,并能够精确地确定主车接下来的控制决策,最大限度地满足了车辆行驶舒适性和安全性的要求。
附图说明
图1为本发明实施例方案涉及的车辆的硬件运行环境的终端结构示意图;
图2为本发明控车协同决策方法第一实施例的流程示意图;
图3为本发明控车协同决策方法涉及一种应用场景示意图;
图4为本发明控车协同决策方法涉及的控车协同决策装置框架结构图。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明实施例方案涉及的车辆的硬件运行环境的终端结构示意图。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示器(Display)、输入单元比如控制面板,可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如5G接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatilememory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。作为一种计算机存储介质的存储器1005中可以包括控车协同决策程序。
可选地,终端还可以包括麦克风、扬声器、RF(Radio Frequency,射频)电路,传感器、音频电路、无线模块等等。其中,传感器比如雷达传感器、轮速传感器、坡度传感器以及其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图2所示,图2是本发明控车协同决策方法第一实施例的流程示意图,在本实施例中,所述方法包括:
步骤S10,采集当前时刻的路况信息,确定所述路况信息对应的所需运算等级;
在本实施例中,网联化智能汽车需要通过在线信息交互、信息融合与协同感知,实时接收控车指令或者控车建议并在车端执行。
控制主车的外置摄像头、激光雷达和毫米波雷达等车载设备实时对路况信息进行采集。其中的路况信息可以包括:周边的建筑信息、周边的车辆信息、周边的行人信息、周边的天气信息等、周边的路段信息等。
根据所述路况信息中的一项或多项信息按照各项信息分别对应的处理规则来确定当前路况信息的所需要运算的复杂程度,并通过可被计算机处理和分析的所需运算等级数值来反映这种复杂程度,例如所需运算等级为1表示运算复杂程度为简单,运算等级为2表示运算复杂程度为一般,运算等级为3表示复杂程度为困难,具体的所需运算等级可以根据实际需要设定具体形式,在此不做限定。
步骤S20,获取主车的可利用算力,确定所述可利用算力对应的主车运算等级;
在本实施例中,主车可以检测到自身的最大算力,即空置算力。可以实时获取到自身的闲置算力和可利用算力,具体来说,空置算力等于闲置算力加上已利用算力。其中的已利用算力是当前主车正在执行中的各种任务和指令。需要说明的是,可利用算力不等于闲置算力,并且可利用算力要小于闲置算力,即在闲置算力中要限制一部分固定算力,固定算力的大小可以根据实际需要进行配置。这一部分固定算力主要用于满足用户的各种必要需求,比如部分娱乐需求、车辆行驶控制需求、车内环境调节需求等,以保证主车自身正常的基本功能,防止因算力过载导致应用程序崩溃、车机卡顿、甚至死机、刹车失灵、不响应等现象发生,这也是目前很多新能源电车非常容易出现的技术问题,一旦发生,后果不堪设想。
对于算力是如何确定的,因为主车的最大算力出厂时就已知,所以可以根据主车的自身的总资源占用率乘以主车的最大算力就得到已利用算力,进而计算最大算力与已利用算力之间的差值就为空置算力。对于可利用算力即为空置算力与预设的固定算力之间的差值。
也即,具体地,所述获取主车的可利用算力的步骤,包括:
步骤a,获取主机的空置算力,并确定所述空置算力中的固定算力;
步骤c,计算所述空置算力与所述固定算力之间的第二差值,将所述第二差值作为主车的可利用算力。
其中上述的主车自身的总资源占用率至少包括CPU(central processing unit,中央处理器)资源占用率、GPU(graphics processing unit,图像处理器)资源占用率或显卡资源占用率以及独立ISP(Image Signal Processing,图像信号处理)芯片资源占用率等资源占用率的叠加集合。
对于如何确定可利用算力对应的主车运算等级,可以先确定可利用算力对应的预设算力区间,通过预设算力区间查询预设的算力等级映射表,以得到与预设算力区间对应的主车运算等级,需要说明的是,主车运算等级与上文中的所需运算等级在形式上是一致的,比如所需运算等级用数值表示,主车运算等级也用数值表示,并且两者具有可比较性。
步骤S30,判断所述主车运算等级是否大于或等于所述所需运算等级;
步骤S40,若所述主车运算等级小于所述所需运算等级,则获取所述主车对应的周边设备的反馈算力;
如果判断出主车运算等级大于或等于所需运算等级,说明主车能够应对当前路况的运算,就不需要执行步骤S40的步骤。
如果判断出主车运算等级小于所需运算等级的,说明主车无法独自完成对路况信息的计算,也就无法得到精准的控制策略,所以此时需要获取主车周边设备的反馈算力,其中周边设备至少包括主车V2X(vehicle to everything,车用无线通信技术)通信距离内的所有网联化智能汽车和所有路测设备。
具体地,所述获取所述主车对应的周边设备的反馈算力的步骤包括:
步骤d,广播协同运算请求,基于所述协同运算请求获取到所述主车对应的周边设备响应的反馈算力,其中,所述周边设备包括周边车辆、路侧设备。
当主车的算力不够时,就可以通过车辆的V2X通信模块向周边的车辆和路侧设备广播协同运算的请求,当周边车辆和路侧设备接收到主车的协同运算请求时,也会对自身的算力使用情况进行统计,如果自身的算力可以应对来自主车的协同运算请求,那么就会向主车反馈自身的部分算力,需要说明的是,这里的反馈算力并不一定是实际的全部算力中已利用算力以外的空置算力,具体要看不同车辆对协同运算请求的响应策略,一些性能强劲的车辆的反馈算力可以相对多一些,一些性能不那么强劲的车辆的反馈算力可以相对少一些。优选地,获取并确定主车对应的各个周边设备的目标空置算力,即每个周边设备实际的空置算力,根据目标空置算力所占周边设备所有空置算力集合的比例值来确定各个周边设备响应的算力,即用比例值乘以所有空置算力便得到各个周边设备响应的算力,就得到了各个周边设备对应的反馈算力。
当然以上主车和主车的周边车辆主要是对于自动驾驶概念L2阶段及以上的车辆来说的,因为L0和L1阶段的车辆只是具备一些简单的辅助驾驶功能,只需要少量的算力就能实现辅助驾驶功能,也无法承担其他车辆或设备的协同运算,算不上网联化智能汽车。
在另一实施例中,所述若所述主车运算等级小于所述所需运算等级的步骤之后,还包括:
步骤e,计算所述所需运算等级与所述主车运算等级之间的第一差值,其中,所述差值为正值;
步骤f,判断所述第一差值是否大于或等于预设阈值;
步骤g,若所述第一差值大于或等于预设阈值,则发送协同运算请求至云端服务器;
步骤h,基于所述协同运算请求接收到云端服务器反馈的决策结果,生成与所述决策结果对应的控车建议。
如果主车运算等级小于所需运算等级,并且两者之间的等级差距达到或超过了预设阈值,那么此时就说明当前的路况已经非常复杂,即使是将协同运算任务通过分布式的方式分配给其他周边设备也难以短时间得到运算的决策结果,那么就可以将协同运算请求发送至云端服务器,对于云端服务器来说,同时间可能会接收到大量相关的协同运算请求和协同运算请求对应的资源数据,经过云端服务器强大的综合运算能力,及时得到运算的决策结果,并将决策结果反馈到主车从而使得主车将决策结果转化为控车建议,控车建议可以通过语音的方式输出给用户。另外,云端服务器也可以将决策结果反馈给主车以及周边所有设备,从而对交通进行统一协调,保证道路上的所有车辆都行驶安全有序。
需要说明的是,其中的预设阈值可以根据实际需要进行设置,例如3。
步骤S50,根据所述可利用算力和所述反馈算力之间的协同运算,确定所述主车的决策结果。
将主车的可利用算力和所有的反馈算力都利用起来对当前的协同运算任务进行分布式协同运算。也即将主车和周边设备获取到的各种路况信息进行协同综合运算,得到精确决策结果的过程,同时这一决策结果会向周边设备进行共享,从而确保当前道路上车辆稳定、安全、有序,有利于缓解交通压力,减少交通事故的发生。
本发明中的控车协同决策方法先通过采集当前时刻的路况信息,确定所述路况信息对应的所需运算等级的步骤,能够将实时路况的复杂程度转化为可被分析、计算和处理的所需运算等级数值,从而便于对路况的复杂程度进行判断。又通过获取主车的可利用算力,确定所述可利用算力对应的主车运算等级的步骤以及判断所述主车运算等级是否大于或等于所述所需运算等级的步骤,能够将主车的当前可被利用的算力统一为与所需运算等级形式上相同的主车运算等级,并将主车运算等级和所需运算等级进行比较,从而快速地确定主车是否满足当前道路的算力要求。最后通过若所述主车运算等级小于所述所需运算等级,则获取所述主车对应的周边设备的反馈算力的步骤以及根据所述可利用算力和所述反馈算力之间的协同运算,以确定所述主车的决策结果的步骤,在主车算力不能满足当前道路的算力要求时,能够将主车周边一定范围内的所有设备的空置算力协同起来进行共同运算,缓解了主车的运算压力,并能够精确地确定主车接下来的控制决策,最大限度地满足了车辆行驶舒适性和安全性的要求。
进一步地,基于本发明控车协同决策方法的第一实施例提出本发明控车协同决策方法的第二实施例,在本实施例中,所述路况信息包括车辆信息;所述采集当前时刻的路况信息,确定所述路况信息对应的所需运算等级的步骤,包括:
步骤i,采集当前时刻的车辆信息,所述车辆信息包括:车辆位置、预设范围内的车辆数量、当前车速、当前加速度以及驾驶方向;
其中车辆信息除了上述各种信息以外,还可以包括车辆型号,用于判断车辆的体积和用途,例如,校车就是一种中型体积用来接送学生的车辆。
步骤j,计算所述车辆信息中的各项权重值,以得到所述车辆信息的总项权重值;
步骤k,确定与所述总项权重值对应的所需运算等级。
对于车辆位置来说,通过雷达或摄像系统确定周边车辆距主车的相对距离,根据相对距离确定相对距离对应的权重值,具体地,可以先根据相对距离确定预设的距离区间,根据所述距离区间确定权重值,比如,右侧A车距主车相对距离为1.2m,对应距离区间【1,1.5】,而该距离区间对应的权重值为5。将得到的所有相对距离相加就计算得到所述车辆位置对应的权重值。
对于预设范围内的车辆数量来说,首先这里的预设范围可以根据实际需要设置,也可以为V2X通信范围。例如,预设范围内每增加一台车辆权重值就可以增加3,根据预设范围内的总的车辆数量,确定车辆数量对应的权重值。
对于当前车速以及当前加速度包括了主车和周边所有车辆的车速和加速度,可以通过V2X与各个周边车辆交换数据获取,与车辆位置的权重值计算方法相似,也可以通过预设的速度区间以及预设的加速度区间来确定当前车速和当前加速度对应的权重值,在此不再赘述。
对于驾驶方向,以主车行驶方向为标准,分为同向和车前异向。其中车前异向至车身前方与主车不同向的车辆行驶方向,车前异向不限于逆向,也包括和主车行驶方向不同的各个方向。每一同向和每一车前异向对应不同的权重值,比如与主车同向的B车对应权重值为1,主车前方与主车逆向的C车对应权重值为3。从而通过各个同向和各个车前异向的集合就得到了驾驶方向对应的权重值。
对于车辆型号,也可以通过V2X获得,根据车辆型号确定车辆体积和车辆用途。可以直接查询相关映射表得到对应权重值,比如,车辆体积为大型,对应权重值为4,车辆体积为中型,对应权重值为3。载客车辆对应权重值为3,载危险物品车辆对应权重值为6。从而相加得到总的车辆型号对应的权重值。
将上述各项信息对应的权重值相加就得到了车辆信息对应的总项权重值。通过总项权重值对应的映射表查表确定对应的所需运算等级。
通过本实施例,主车只需要获取一些基本的车辆数据进行一些简单权重相加计算,资源占用率小,就能以很小的算力和极快的速度确定当前路况的复杂程度,并且从而确定是否进行协同运算。
在另一实施例中,所述计算所述车辆信息中的各项权重值,以得到所述车辆信息的总项权重值的步骤,包括:
步骤l,接收输入的交通预测模型,确定所述交通预测模型的可信度;
步骤m,计算所述车辆信息中的各项权重值之间的第一和值;
步骤n,将所述可信度作为负权重值,计算所述第一和值与所述负权重值之间的第二和值,将所述第二和值作为所述车辆信息的总项权重值。
其中的交通预测模型可以由云端服务器、路侧设备、算力充足的车辆采集或上报的历史交通情况的数据进行综合的分布式大数据分析,从而得到第二天的交通预测模型,根据交通预测模型对当日交通态势进行预测。
当主车获取到当日的交通预测模型,根据主车采集到的车辆信息与交通预测模型进行匹配,获得匹配阈值,将匹配度转化为与权重值内涵一致的可信度,例如80%的匹配度转化为-8的可信度,将车辆信息中各项信息对应的权重值的第一和值与可信度再相加得到的第二和值作为车辆信息的总项权重值。
通过这一实施例,能够在存在交通预测模型的前提下,大大减少了主车以及周边设备的实时运算量,提高了得到决策结果的运算速度。
在另一实施例中,所述路况信息包括行人信息;所述采集当前时刻的路况信息,确定所述路况信息对应的所需运算等级的步骤,还包括:
步骤o,采集当前时刻的行人信息,将所述行人信息输入至预设的行为模型;
步骤p,获取所述行为模型运算所述行人信息时的运算预估时间,根据所述运算预估时间确定所需运算等级。
在本实施例中主要适用于弱势交通参与者多的场景,采集当前时刻的行人信息可以为预设数量的图像信息,将采集到的图像信息输入至预设的行为模型,会得到一个预估的运算时间,根据运算预估时间查表确定对应的所需运算等级,从而不需要对图片进行实际的复杂识别分析,从而使得主车能够以极小的算力和极快的处理速度就能确定是否要进行协同运算。
在一实施例中,可以采集当前时刻的行人、自行车等弱势交通参与者的信息,将所述弱势交通参与者信息输入至预设的行为模型;
获取所述行为模型运算所述弱势交通参与者信息时的运算预估时间,根据所述运算预估时间确定所需运算等级。
再一实施例中,可以将上述对车辆信息和行人信息的实施例结合到一起判断所述主车运算等级是否大于或等于所述所需运算等级,可以直接将车辆信息对应的所需运算等级和行人信息对应的所需运算等级进行相加得到的第三和值作为所述路况信息对应的所需运算等级。
为了进一步对上述所有实施例的理解,可以参照图3,图3为本发明控车协同决策方法涉及一种应用场景示意图。如图所示,主车系统包括了通信层、调度区、业务区、监控区、算力资源和供电,对应的模式1中的RSU(Road Side Unit,路侧设备)也包含了通信层、调度区、业务区、监控区、算力资源和供电,在模式1中,云端服务器可以接收路侧设备和主车通过5g通信技术上传的资源上报和运算请求,作出云端总调度,并且云端总调度可以将主车的运算请求转发到路侧设备的边缘计算单元中进行运算。对于模式2,体现了主车与周边车辆通过V2X进行的各种数据交互。模式3,体现了主车与周边路侧设备通过V2X进行的各种数据交互。模式4,体现了主车参与以及获取交通态势预测的过程,即建立和接收交通预测模型的过程。
如图4所示,图4为本发明控车协同决策方法涉及的控车协同决策装置框架结构图。此外,本发明还提出一种控车协同决策装置,所述控车协同决策装置包括:
路况采集模块A10,用于采集当前时刻的路况信息,确定所述路况信息对应的所需运算等级;
算力统计模块A20,用于获取主车的可利用算力,确定所述可利用算力对应的主车运算等级;判断所述主车运算等级是否大于或等于所述所需运算等级;若所述主车运算等级小于所述所需运算等级,则获取所述主车对应的周边设备的反馈算力;
运算决策模块A30,用于根据所述可利用算力和所述反馈算力之间的协同运算,以确定所述主车的决策结果。
可选地,所述算力统计模块A20,还用于:
广播协同运算请求,基于所述协同运算请求获取到所述主车对应的周边设备响应的反馈算力,其中,所述周边设备包括周边车辆、路测设备。
可选地,所述路况采集模块A10,还用于:
采集当前时刻的车辆信息,所述车辆信息包括:车辆位置、预设范围内的车辆数量、当前车速、当前加速度以及驾驶方向;
计算所述车辆信息中的各项权重值,以得到所述车辆信息的总项权重值;
确定与所述总项权重值对应的所需运算等级。
可选地,所述路况采集模块A10,还用于:
接收输入的交通预测模型,确定所述交通预测模型的可信度;
计算所述车辆信息中的各项权重值之间的第一和值;
将所述可信度作为负权重值,计算所述第一和值与所述负权重值之间的第二和值,将所述第二和值作为所述车辆信息的总项权重值。
可选地,所述路况采集模块A10,还用于:
采集当前时刻的行人信息,将所述行人信息输入至预设的行为模型;
获取所述行为模型运算所述行人信息时的运算预估时间,根据所述运算预估时间确定所需运算等级。
可选地,所述算力统计模块A20,还用于:
计算所述所需运算等级与所述主车运算等级之间的第一差值,其中,所述差值为正值;
判断所述第一差值是否大于或等于预设阈值;
若所述第一差值大于或等于预设阈值,则发送协同运算请求至云端服务器;
基于所述协同运算请求接收到云端服务器反馈的决策结果,生成与所述决策结果对应的控车建议。
可选地,所述算力统计模块A20,还用于:
获取主机的空置算力,并确定所述空置算力中的固定算力;
计算所述空置算力与所述固定算力之间的第二差值,将所述第二差值作为主车的可利用算力。
本发明控车协同决策装置具体实施方式与上述控车协同决策方法各实施例基本相同,在此不再赘述。
此外,本发明还提出一种车辆,所述车辆包括存储器、处理器及存储在存储器上并可在处理器上运行的控车协同决策程序,所述处理器执行所述控车协同决策程序时实现如以上实施例所述的控车协同决策方法的步骤。
本发明车辆具体实施方式与上述控车协同决策方法各实施例基本相同,在此不再赘述。
此外,本发明还提出一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括控车协同决策程序,所述控车协同决策程序被处理器执行时实现如以上实施例所述的控车协同决策方法的步骤。
本发明计算机可读存储介质具体实施方式与上述控车协同决策方法各实施例基本相同,在此不再赘述。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是电视机,手机,计算机,服务器,车机,或者网络设备等)执行本发明各个实施例所述的方法。
在本发明中,术语“第一”“第二”“第三”“第四”“第五”仅用于描述的目的,而不能理解为指示或暗示相对重要性,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例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例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,本发明保护的范围并不局限于此,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改和替换,这些变化、修改和替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种控车协同决策方法,其特征在于,所述控车协同决策方法包括以下步骤:
采集当前时刻的路况信息,确定所述路况信息对应的所需运算等级;
获取主车的可利用算力,确定所述可利用算力对应的主车运算等级;
判断所述主车运算等级是否大于或等于所述所需运算等级;
若所述主车运算等级小于所述所需运算等级,则获取所述主车对应的周边设备的反馈算力;
根据所述可利用算力和所述反馈算力之间的协同运算,确定所述主车的决策结果。
2.如权利要求1所述的控车协同决策方法,其特征在于,所述获取所述主车对应的周边设备的反馈算力的步骤,包括:
广播协同运算请求,基于所述协同运算请求获取到所述主车对应的周边设备响应的反馈算力,其中,所述周边设备包括周边车辆、路测设备。
3.如权利要求1所述的控车协同决策方法,其特征在于,所述路况信息包括车辆信息;所述采集当前时刻的路况信息,确定所述路况信息对应的所需运算等级的步骤,包括:
采集当前时刻的车辆信息,所述车辆信息包括:车辆位置、预设范围内的车辆数量、当前车速、当前加速度以及驾驶方向;
计算所述车辆信息中的各项权重值,以得到所述车辆信息的总项权重值;
确定与所述总项权重值对应的所需运算等级。
4.如权利要求3所述的控车协同决策方法,其特征在于,所述计算所述车辆信息中的各项权重值,以得到所述车辆信息的总项权重值的步骤,包括:
接收输入的交通预测模型,确定所述交通预测模型的可信度;
计算所述车辆信息中的各项权重值之间的第一和值;
将所述可信度作为负权重值,计算所述第一和值与所述负权重值之间的第二和值,将所述第二和值作为所述车辆信息的总项权重值。
5.如权利要求1所述的控车协同决策方法,其特征在于,所述路况信息包括行人信息;所述采集当前时刻的路况信息,确定所述路况信息对应的所需运算等级的步骤,还包括:
采集当前时刻的行人信息,将所述行人信息输入至预设的行为模型;
获取所述行为模型运算所述行人信息时的运算预估时间,根据所述运算预估时间确定所需运算等级。
6.如权利要求1所述的控车协同决策方法,其特征在于,所述若所述主车运算等级小于所述所需运算等级的步骤之后,还包括:
计算所述所需运算等级与所述主车运算等级之间的第一差值,其中,所述差值为正值;
判断所述第一差值是否大于或等于预设阈值;
若所述第一差值大于或等于预设阈值,则发送协同运算请求至云端服务器;
基于所述协同运算请求接收到云端服务器反馈的决策结果,生成与所述决策结果对应的控车建议。
7.如权利要求6所述的控车协同决策方法,其特征在于,所述获取主车的可利用算力的步骤,包括:
获取主机的空置算力,并确定所述空置算力中的固定算力;
计算所述空置算力与所述固定算力之间的第二差值,将所述第二差值作为主车的可利用算力。
8.一种控车协同决策装置,其特征在于,所述控车协同决策装置包括:
路况采集模块,用于采集当前时刻的路况信息,确定所述路况信息对应的所需运算等级;
算力统计模块,用于获取主车的可利用算力,确定所述可利用算力对应的主车运算等级;判断所述主车运算等级是否大于或等于所述所需运算等级;若所述主车运算等级小于所述所需运算等级,则获取所述主车对应的周边设备的反馈算力;
运算决策模块,用于根据所述可利用算力和所述反馈算力之间的协同运算,以确定所述主车的决策结果。
9.一种车辆,其特征在于,所述车辆包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的控车协同决策程序,其中:所述控车协同决策程序被所述处理器执行时实现如权利要求1至7中任一项所述的控车协同决策方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有控车协同决策程序,所述控车协同决策程序被处理器执行时实现如权利要求1至7中任一项所述的控车协同决策方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210058993.2A CN114475630B (zh) | 2022-01-19 | 2022-01-19 | 控车协同决策方法、装置、车辆及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210058993.2A CN114475630B (zh) | 2022-01-19 | 2022-01-19 | 控车协同决策方法、装置、车辆及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114475630A true CN114475630A (zh) | 2022-05-13 |
CN114475630B CN114475630B (zh) | 2024-02-13 |
Family
ID=81473016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210058993.2A Active CN114475630B (zh) | 2022-01-19 | 2022-01-19 | 控车协同决策方法、装置、车辆及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114475630B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115086382A (zh) * | 2022-08-03 | 2022-09-20 | 九识(苏州)智能科技有限公司 | 一种低速自动驾驶车辆分布式算力增强方法 |
CN115985089A (zh) * | 2022-12-01 | 2023-04-18 | 西部科学城智能网联汽车创新中心(重庆)有限公司 | 一种基于云端感知弱势交通参与者的方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170024660A1 (en) * | 2015-07-23 | 2017-01-26 | Qualcomm Incorporated | Methods and Systems for Using an Expectation-Maximization (EM) Machine Learning Framework for Behavior-Based Analysis of Device Behaviors |
CN109144070A (zh) * | 2018-09-28 | 2019-01-04 | 上汽通用五菱汽车股份有限公司 | 移动设备辅助自动驾驶方法、汽车和存储介质 |
CN109543710A (zh) * | 2018-10-12 | 2019-03-29 | 深圳市元征科技股份有限公司 | 一种模型训练方法及相关设备 |
EP3671453A1 (de) * | 2018-12-21 | 2020-06-24 | Volkswagen AG | Verfahren zum betreiben eines dezentralen rechennetzwerks, insbesondere eines edge-cloud-computers des dezentralen rechennetzwerks |
CN111860155A (zh) * | 2020-06-12 | 2020-10-30 | 华为技术有限公司 | 一种车道线的检测方法及相关设备 |
CN112925657A (zh) * | 2021-01-18 | 2021-06-08 | 国汽智控(北京)科技有限公司 | 一种车路云协同处理系统及方法 |
CN113254219A (zh) * | 2021-06-28 | 2021-08-13 | 国汽智控(北京)科技有限公司 | 协同处理方法、协同处理装置、电子设备及存储介质 |
-
2022
- 2022-01-19 CN CN202210058993.2A patent/CN114475630B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170024660A1 (en) * | 2015-07-23 | 2017-01-26 | Qualcomm Incorporated | Methods and Systems for Using an Expectation-Maximization (EM) Machine Learning Framework for Behavior-Based Analysis of Device Behaviors |
CN109144070A (zh) * | 2018-09-28 | 2019-01-04 | 上汽通用五菱汽车股份有限公司 | 移动设备辅助自动驾驶方法、汽车和存储介质 |
CN109543710A (zh) * | 2018-10-12 | 2019-03-29 | 深圳市元征科技股份有限公司 | 一种模型训练方法及相关设备 |
EP3671453A1 (de) * | 2018-12-21 | 2020-06-24 | Volkswagen AG | Verfahren zum betreiben eines dezentralen rechennetzwerks, insbesondere eines edge-cloud-computers des dezentralen rechennetzwerks |
CN111860155A (zh) * | 2020-06-12 | 2020-10-30 | 华为技术有限公司 | 一种车道线的检测方法及相关设备 |
CN112925657A (zh) * | 2021-01-18 | 2021-06-08 | 国汽智控(北京)科技有限公司 | 一种车路云协同处理系统及方法 |
CN113254219A (zh) * | 2021-06-28 | 2021-08-13 | 国汽智控(北京)科技有限公司 | 协同处理方法、协同处理装置、电子设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115086382A (zh) * | 2022-08-03 | 2022-09-20 | 九识(苏州)智能科技有限公司 | 一种低速自动驾驶车辆分布式算力增强方法 |
CN115985089A (zh) * | 2022-12-01 | 2023-04-18 | 西部科学城智能网联汽车创新中心(重庆)有限公司 | 一种基于云端感知弱势交通参与者的方法及装置 |
CN115985089B (zh) * | 2022-12-01 | 2024-03-19 | 西部科学城智能网联汽车创新中心(重庆)有限公司 | 一种基于云端感知弱势交通参与者的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114475630B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114475630A (zh) | 控车协同决策方法、装置、车辆及计算机可读存储介质 | |
CN112925657A (zh) | 一种车路云协同处理系统及方法 | |
KR20220047732A (ko) | 차량 감시 방법 및 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램, 클라우드 제어 플랫폼 및 차량 도로 협조 시스템 | |
US10755565B2 (en) | Prioritized vehicle messaging | |
DE102020115356A1 (de) | Systeme und verfahren zur netzknotenkommunikation unter verwendung dynamisch konfigurierbarer interaktionsmodi | |
CN112925309A (zh) | 智能网联汽车数据交互方法及交互系统 | |
CN110733418A (zh) | 一种基于tbox的辅助驾驶方法及装置 | |
CN113415275A (zh) | 车辆消息的处理方法、装置、可读介质及电子设备 | |
CN114787010A (zh) | 驾驶安全性系统 | |
CN114220261B (zh) | 车速管控方法、装置、服务器及存储介质 | |
US20180130349A1 (en) | Methods and systems for displaying virtual signs based on vehicle to everything communications | |
CN115985089B (zh) | 一种基于云端感知弱势交通参与者的方法及装置 | |
CN116909202B (zh) | 车云协同自动驾驶车辆控制方法、装置、设备及介质 | |
CN113593221A (zh) | 信息价值评估式驾驶系统、网联车辆系统和数据传输方法 | |
CN112233419B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN111915892B (zh) | 数据请求的响应方法、装置、计算机设备以及介质 | |
WO2023207596A1 (zh) | 一种信息传输方法、装置、车辆及车联网设备 | |
CN111586557A (zh) | 车辆通信方法、装置、计算机可读介质及电子设备 | |
CN108770014B (zh) | 网络服务器的计算评估方法、系统、装置及可读存储介质 | |
CN115631626A (zh) | 一种车辆数据监控分析方法、装置、设备及介质 | |
EP4201729A1 (en) | Vehicle control method and apparatus, medium, device and program | |
CN108833486A (zh) | 面向复杂车载雾计算系统环境的混合动态任务调度方法 | |
CN111640321B (zh) | 一种基于边缘计算的拥堵缓解方法及相关设备 | |
CN104009940B (zh) | 控制器局域网中的数据调度方法及装置 | |
CN114228735A (zh) | 智能驾驶车辆的可视化方法、装置及系统 |
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 |