CN114596470A - 一种并道危险场景分类系统、方法、设备和介质 - Google Patents
一种并道危险场景分类系统、方法、设备和介质 Download PDFInfo
- Publication number
- CN114596470A CN114596470A CN202210335120.1A CN202210335120A CN114596470A CN 114596470 A CN114596470 A CN 114596470A CN 202210335120 A CN202210335120 A CN 202210335120A CN 114596470 A CN114596470 A CN 114596470A
- Authority
- CN
- China
- Prior art keywords
- merging
- lane
- time
- scene
- vehicle
- 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 57
- 238000012360 testing method Methods 0.000 claims abstract description 52
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 230000004888 barrier function Effects 0.000 claims description 18
- 230000006399 behavior Effects 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 36
- 238000012550 audit Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 4
- 239000003550 marker Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种并道危险场景分类系统、方法、设备和介质，系统包括：信息提取模块，用于从主车路测时记录的路测数据中提取关键信息，关键信息包括地图信息、障碍物信息和车辆状态信息；获取模块，用于通过地图信息获取并道区域；记录模块，用于根据障碍物信息和车辆状态信息，获取主车在并道区域时满足并道危险场景的目标障碍物，并记录目标障碍物满足并道危险场景时的关键时间点；场景配置模块，用于根据关键时间点和车辆状态信息配置并道危险场景的开始时间和结束时间，并将开始时间到结束时间对应的路测数据片段分类为并道危险场景，改善了现有技术通过人工提取仿真场景，人工干涉较多，存在效率低和场景不确定性高的技术问题。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及一种并道危险场景分类系统、方法、设备和介质。
背景技术
无人驾驶车辆在正式投入市场前，需要进行大量的仿真测试，特别是对于一些危险场景，需要进行大量的测试，以提高车辆安全性，而利用路测数据进行仿真是自动驾驶中常用的仿真方式。但是，路测数据的数据量十分庞大，不能直接用于仿真。现有技术通常采用安全员上报、人工审核分类的方式来提取仿真场景进行仿真，该方法需要大量的人力，并且仿真场景的质量取决于标注员的经验，使得仿真场景不确定性高，随着路测规模的迅速扩大，仅仅依靠人力难以保证提取仿真场景的数量和质量，进而影响仿真结果。
发明内容
本申请提供了一种并道危险场景分类系统、方法、设备和介质，用于改善现有技术通过人工提取仿真场景，人工干涉较多，存在效率低和场景不确定性高的技术问题。
有鉴于此，本申请第一方面提供了一种并道危险场景分类系统，包括：
信息提取模块，用于从主车路测时记录的路测数据中提取关键信息，所述关键信息包括地图信息、障碍物信息和车辆状态信息；
获取模块，用于通过所述地图信息获取并道区域；
记录模块，用于根据所述障碍物信息和所述车辆状态信息，获取所述主车在所述并道区域时满足并道危险场景的目标障碍物，并记录所述目标障碍物满足并道危险场景时的关键时间点；
场景配置模块，用于根据所述关键时间点和所述车辆状态信息配置并道危险场景的开始时间和结束时间，并将所述开始时间到所述结束时间对应的路测数据片段分类为并道危险场景。
可选的，所述地图信息包括所述主车所在车道的前序车道、车道长度和所述主车到所在车道起点的距离；
所述获取模块具体用于：
从所述主车所在车道出发，通过广度优先搜索方法或深度优先搜索方法搜索所有的前序车道，当搜索距离大于预置搜索距离时，停止搜索，得到搜索图，所述搜索距离由所述主车到所在车道起点的距离和前序车道的车道长度确定；
将所述搜索图中的树状区域作为并道区域。
可选的，所述障碍物信息包括障碍物的位置，所述记录模块具体用于：
根据所述障碍物的位置，判断障碍物在所述主车在所述并道区域时是否处于所述并道区域；
若是，则判断所述障碍物在所述主车在所述并道区域时是否处于所述并道区域中的其他分支中，其中，所述并道区域中所述主车行驶过的车道为主车分支，所述主车没有行驶过的车道为其他分支；
若是，则判断所述主车在所述并道区域时，所述障碍物的朝向角与最近车道中心点朝向角的差值是否小于预置角度阈值；
若是，则判断所述主车在所述并道区域时，所述障碍物是否一直处于静止状态；
若否，则判断所述主车在所述并道区域时，所述障碍物与所述主车的最小距离是否小于预置距离阈值且所述主车的实时安全性分数是否小于预置分数阈值，所述实时安全性分数通过所述车辆状态信息获取；
若是，则判定所述障碍物为满足并道危险场景的目标障碍物，并记录当前时间作为关键时间点。
可选的，所述根据所述关键时间点和所述车辆状态信息配置并道危险场景的开始时间和结束时间，包括：
根据所述车辆状态信息判断述主车在所述并道区域是否一直处于无人驾驶状态；
若是，则将所述关键时间点减去第一预设长度时间后的时间点作为并道危险场景的开始时间，将所述关键时间点加上第二预设长度时间后的时间点作为并道危险场景的结束时间；
若否，则根据所述车辆状态信息获取所述主车在所述并道区域被接管时的接管时间点，将所述接管时间点减去第一预设长度时间后的时间点作为并道危险场景的开始时间，将所述接管时间点加上第二预设长度时间后的时间点作为并道危险场景的结束时间。
可选的，所述场景配置模块还用于：
根据所述主车的期望行为信息配置所述并道危险场景的评价指标。
可选的，所述系统还包括：
验证模块，用于对分类得到的所述并道危险场景进行正确性验证。
本申请第二方面提供了一种并道危险场景分类方法，包括：
从主车路测时记录的路测数据中提取关键信息，所述关键信息包括地图信息、障碍物信息和车辆状态信息；
通过所述地图信息获取并道区域；
根据所述障碍物信息和所述车辆状态信息，获取所述主车在所述并道区域时满足并道危险场景的目标障碍物，并记录所述目标障碍物满足并道危险场景时的关键时间点；
根据所述关键时间点和所述车辆状态信息配置并道危险场景的开始时间和结束时间，并将所述开始时间到所述结束时间对应的路测数据片段分类为并道危险场景。
可选的，所述地图信息包括所述主车所在车道的前序车道、车道长度和所述主车到所在车道起点的距离；
所述通过所述地图信息获取并道区域，包括：
从所述主车所在车道出发，通过广度优先搜索方法或深度优先搜索方法搜索所有的前序车道，当搜索距离大于预置搜索距离时，停止搜索，得到搜索图，所述搜索距离由所述主车到所在车道起点的距离和前序车道的车道长度确定；
将所述搜索图中的树状区域作为并道区域。
本申请第三方面提供了一种并道危险场景分类设备，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第二方面任一种所述的并道危险场景分类方法。
本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码被处理器执行时实现第二方面任一种所述的并道危险场景分类方法。
从以上技术方案可以看出，本申请具有以下优点：
本申请提供了一种并道危险场景分类系统，包括：信息提取模块，用于从主车路测时记录的路测数据中提取关键信息，关键信息包括地图信息、障碍物信息和车辆状态信息；获取模块，用于通过地图信息获取并道区域；记录模块，用于根据障碍物信息和车辆状态信息，获取主车在并道区域时满足并道危险场景的目标障碍物，并记录目标障碍物满足并道危险场景时的关键时间点；场景配置模块，用于根据关键时间点和车辆状态信息配置并道危险场景的开始时间和结束时间，并将开始时间到结束时间对应的路测数据片段分类为并道危险场景。
本申请中的并道危险场景分类系统，从路测数据中提取关键信息，以对路测数据进行压缩，提高并道危险场景分类效率；根据提取的地图信息、障碍物信息和车辆状态自动识别满足并道危险场景的目标障碍物，并记录关键时间点，进而根据关键时间点配置并道危险场景的开始时间和结束时间，生成标准化的并道危险场景，减少了人工干涉和标注员的主观因素带来的场景不确定性，从而改善了现有技术通过人工提取仿真场景，人工干涉较多，存在效率低和场景不确定性高的技术问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本申请实施例提供的一种并道危险场景分类系统的一个结构示意图；
图2为本申请实施例提供的一种并道区域的一个示意图；
图3为本申请实施例提供的一种并道危险场景分类方法的一个流程示意图。
具体实施方式
本申请提供了一种并道危险场景分类系统、方法、设备和介质，用于改善现有技术通过人工提取仿真场景，人工干涉较多，存在效率低和场景不确定性高的技术问题。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，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。
为了便于理解，请参阅图1，本申请实施例提供了一种并道危险场景分类系统，包括：
信息提取模块，用于从主车路测时记录的路测数据中提取关键信息，关键信息包括地图信息、障碍物信息和车辆状态信息；
获取模块，用于通过地图信息获取并道区域；
记录模块，用于根据障碍物信息和车辆状态信息，获取主车在并道区域时满足并道危险场景的目标障碍物，并记录目标障碍物满足并道危险场景时的关键时间点；
场景配置模块，用于根据关键时间点和车辆状态信息配置并道危险场景的开始时间和结束时间，并将开始时间到结束时间对应的路测数据片段分类为并道危险场景。
需要说明的是，路测数据为自动驾驶车辆路测时记录的所有数据，包括周边障碍物信息、红绿灯信息、主车自身状态信息等。仿真场景为运行一次完整仿真所需要的数据，包括路测数据、起止时间配置、评价标准配置等。一般一个仿真场景只会从路测数据中截取关键时间段进行仿真。
本申请实施例中，在获取到路测数据后，信息提取模块提取每一时刻主车所在位置附近的地图信息，包括主车所在车道的车道中心点序列、前序车道、车道长度length和主车到所在车道起点的距离d，其中，车道中心点序列指的是车道中心每隔预置距离(例如0.5米)记录的车道中心点位置坐标、车道朝向等信息，主车所在车道的前序车道指的是车道终点与主车所在车道的起点(即车道入口点)相连的车道。信息提取模块还提取障碍物信息，具体的，信息提取模块遍历路测数据中所有的障碍物(包括静态的障碍物和动态的障碍物)，并记录这些障碍物在每个时刻的位置坐标、所在车道以及距离所在车道起点的距离。信息提取模块还提取车辆规划与控制模块的状态信息，具体可以利用车辆现有的控制模块日志，记录车辆状态信息，包括：车辆是否处于接管状态、车辆加速度、车辆朝向角、车辆实时安全性分数等。可以理解的是，车辆实时安全性分数可以以期望驾驶行为为评价标准，根据车辆实时加速度、实时行驶速度、与障碍物的实时距离等来实时评估车辆安全性分数。
在提取到关键信息后，获取模块可以根据地图信息获取并道区域。获取模块从主车所在车道出发，通过广度优先搜索方法或深度优先搜索方法搜索所有的前序车道，当搜索距离大于预置搜索距离Search_Range时，停止搜索，得到搜索图，搜索距离由主车到所在车道起点的距离和前序车道的车道长度确定；将搜索图中的树状区域作为并道区域。
假设主车在所有时刻所在车道的集合为P＝[p1,p2,...,pi,...,pn]，n为大于0的整数，在t时刻，主车到主车所在车道pi起点的累计距离D＝d，从主车当前所在车道pi出发，通过广度优先搜索方法或深度优先搜索方法往回搜索所有的前序车道Pfront＝[pf1,pf2,...,pfm]，m为大于0的整数，以深度优先搜索方法为例，假设主车当前所在车道pi有两条前序车道pf1，pf2，假设先搜索前序车道pf1，此时判断搜索距离是否大于预置搜索距离Search_Range，此时的搜索距离为主车到所在车道起点的距离D与前序车道pf1的车道长度pf1.length之和，即D+pf1.length，若D+pf1.length≤Search_Range，则继续搜索车道pf1的前序车道，若搜索到车道pf1仅有一条前序车道pf1_1，此时的搜索距离为D+pf1.length+pf1_ 1.length，若D+pf1.length+pf1_1.length>Search_Range，则不再继续搜索，返回到主车所在车道pi，以同样的方式搜索另一条前序车道pf2。在搜索完所有的前序车道后，得到搜索图，将搜索图中的树状区域作为并道区域，可以根据预置搜索距离Search_Range来配置树状区域的大小，也可以根据实际情况进行具体配置，在此不做具体限定。对于并道区域中的所有车道，若主车行驶过(即p∈P)，则将该车道标记为主车分支，否则标记为其他分支。可以参考图2，图2中的的树状区域为并道区域，该并道区域中的黑色车道为主车行驶过的车道，即为主车分支，灰色车道为主车没有行驶过的车道，即为其他分支。
在确定并道区域后，记录模块需要识别出主车在并道区域的这个时间段内，满足并道危险场景的目标障碍物，满足并道危险场景的条件为：1、障碍物必须在并道区域中；2、障碍物必须在并道区域的其他分支中；3、障碍物的朝向角与最近车道中心点朝向角的差值小于预置角度阈值，其中，车道中心点朝向角指向车道在这个位置的前进方向，若车道是弯曲的，车道中心点朝向角指向车道的切线方向；4、障碍物不始终处于静止状态；5、障碍物与主车的最小距离小于预置距离阈值且主车实时安全性分数小于预置分数阈值；在障碍物满足这5个条件时，记录当前时间为关键时间点tcritical；可以理解的是，关键时间点tcritical为障碍物满足这5个条件的第一时间(即最早时间)，满足这5个条件的障碍物即为满足并道危险场景的目标障碍物。
本申请实施例中，记录模块可以采用决策树条件验证方法来识别满足并道危险场景的目标障碍物。具体的，记录模块用于：
根据障碍物的位置，判断障碍物在主车在并道区域时是否处于并道区域；
若是，则判断障碍物在主车在并道区域时是否处于并道区域中的其他分支中；
若是，则判断主车在并道区域时，障碍物的朝向角与最近车道中心点朝向角的差值是否小于预置角度阈值；
若是，则判断主车在并道区域时，障碍物是否一直处于静止状态；
若否，则判断主车在并道区域时，障碍物与主车的最小距离是否小于预置距离阈值且主车的实时安全性分数是否小于预置分数阈值，实时安全性分数通过车辆状态信息获取；
若是，则判定障碍物为满足并道危险场景的目标障碍物，并记录当前时间作为关键时间点。
可以理解的是，预置角度阈值、预置距离阈值和预置分数阈值可以根据实际情况设置具体取值，本申请实施例中优选设置预置角度阈值为30°，预置距离阈值设置为4米，在实时安全性分数总分为1的情况下，预置分数阈值设置为0.5。
场景配置模块根据关键时间点和车辆状态信息配置并道危险场景的开始时间和结束时间，并将开始时间到结束时间对应的路测数据片段分类为并道危险场景。具体的，场景配置模块根据车辆状态信息判断主车在并道区域是否一直处于无人驾驶状态，若场景配置模块根据车辆状态信息判断到主车在并道区域一直处于无人驾驶状态，则将关键时间点减去第一预设长度时间后的时间点作为并道危险场景的开始时间，将关键时间点加上第二预设长度时间后的时间点作为并道危险场景的结束时间。
若场景配置模块根据车辆状态信息判断到主车在并道区域有处于接管状态，即主车被安全员接管，则根据车辆状态信息获取主车在并道区域被接管时的接管时间点ttake_over，将接管时间点减去第一预设长度时间后的时间点作为并道危险场景的开始时间，将接管时间点加上第二预设长度时间后的时间点作为并道危险场景的结束时间。第一预设长度时间和第二预设长度时间可以通过大量并道事故数据分析得到，本申请实施例通过实验发现，可以将第一预设长度时间配置为4秒，第二预设长度时间配置为8秒，即开始时间Ts＝tcritical-4sec，结束时间Te＝tcritical+8sec，或，开始时间Ts＝ttake_over-4sec，结束时间Te＝ttake_over+8sec。
场景配置模块在配置好开始时间和结束时间后，将开始时间到结束时间对应的路测数据片段分类为并道危险场景，可以将其作为仿真场景，用于仿真测试，实现了从海量的路测数据中识别出并道危险场景。
本申请实施例中，大幅度减少了场景配置过程中人工参与程度，提升了场景转化效率；通过并道危险场景分类系统以标准化流程自动生成标准化的并道危险场景，减少了标注员的主观因素带来的场景不确定性问题。
进一步，场景配置模块还用于根据主车的期望行为信息配置并道危险场景的评价指标。可以利用安全员接管主车后的驾驶行为作为正确驾驶行为，标注主车的期望行为并采用结构化方式表示，得到主车的期望行为信息，然后利用主车的期望行为信息配置评价指标，考虑到主车不应该发生危险情况，因此，可以使用安全性分数作为评价指标。
进一步，本申请实施例中的并道危险场景分类系统还包括：验证模块，用于对提取的并道危险场景进行正确性验证。
为了进一步保证仿真场景的质量，验证模块可以利用大规模仿真平台，定期批量运行新生成的仿真场景，使用与事故发生时相同的自动驾驶算法，利用轨迹相似度等方法检测仿真中是否会复现原事故中的问题；如果可以复现场景，可以进一步验证自动配置的评价指标是否能正确输出结果；还可以根据验证结果自动生成报告，并提交审核平台审核，在审核通过后进入场景库。
本申请实施例中的并道危险场景分类系统，从路测数据中提取关键信息，以对路测数据进行压缩，提高并道危险场景分类效率；根据提取的地图信息、障碍物信息和车辆状态自动识别满足并道危险场景的目标障碍物，并记录关键时间点，进而根据关键时间点配置并道危险场景的开始时间和结束时间，生成标准化的并道危险场景，减少了人工干涉和标注员的主观因素带来的场景不确定性，从而改善了现有技术通过人工提取仿真场景，人工干涉较多，存在效率低和场景不确定性高的技术问题。
以上为本申请提供的一种并道危险场景分类系统的一个实施例，以下为本申请提供的一种并道危险场景分类方法的一个实施例。
请参考图3，本申请实施例提供的一种并道危险场景分类方法，包括：
步骤101、从主车路测时记录的路测数据中提取关键信息，关键信息包括地图信息、障碍物信息和车辆状态信息。
需要说明的是，路测数据为自动驾驶车辆路测时记录的所有数据，包括周边障碍物信息、红绿灯信息、主车自身状态信息等。仿真场景为运行一次完整仿真所需要的数据，包括路测数据、起止时间配置、评价标准配置等。一般一个仿真场景只会从路测数据中截取关键时间段进行仿真。
本申请实施例中，在获取到路测数据后，从路测数据中提取关键信息，包括每一时刻主车所在位置附近的地图信息、障碍物信息和车辆状态信息，地图信息可以包括主车所在车道的车道中心点序列、前序车道、车道长度length和主车到所在车道起点的距离d，其中，车道中心点序列指的是车道中心每隔预置距离(例如0.5米)记录的车道中心点位置坐标、车道朝向等信息，主车所在车道的前序车道指的是车道终点与主车所在车道的起点(即车道入口点)相连的车道。在提取障碍物信息时，可以遍历路测数据中所有的障碍物，获取这些障碍物在每个时刻的位置坐标、所在车道以及距离所在车道起点的距离。可以利用车辆现有的控制模块日志获取车辆状态信息，包括：车辆是否处于接管状态、车辆加速度、车辆朝向角、车辆实时安全性分数等。可以理解的是，车辆实时安全性分数可以以期望驾驶行为为评价标准，根据车辆实时加速度、实时行驶速度、与障碍物的实时距离等来实时评估车辆安全性分数。
步骤102、通过地图信息获取并道区域。
在提取到关键信息后，可以根据地图信息获取并道区域。具体的，从主车所在车道出发，通过广度优先搜索方法或深度优先搜索方法搜索所有的前序车道，当搜索距离大于预置搜索距离Search_Range时，停止搜索，得到搜索图，搜索距离由前序车道的车道长度和主车到所在车道起点的距离确定；将搜索图中的树状区域作为并道区域。
假设主车在所有时刻所在车道的集合为P＝[p1,p2,...,pi,...,pn]，n为大于0的整数，在t时刻，主车到主车所在车道pi起点的累计距离D＝d，从主车当前所在车道pi出发，通过广度优先搜索方法或深度优先搜索方法往回搜索所有的前序车道Pfront＝[pf1,pf2,...,pfm]，m为大于0的整数，以深度优先搜索方法为例，假设主车当前所在车道pi有两条前序车道pf1，pf2，假设先搜索前序车道pf1，此时的搜索距离为主车到所在车道起点的距离D与前序车道pf1的车道长度pf1.length之和，即D+pf1.length，若D+pf1.length≤Search_Range，则继续搜索车道pf1的前序车道，若搜索到车道pf1仅有一条前序车道pf1_1，此时的搜索距离为D+pf1.length+pf1_1.length，若D+pf1.length+pf1_1.length>Search_Range，则不再继续搜索，此时回到主车所在车道pi，以同样的方式搜索另一条前序车道pf2。在搜索完所有的前序车道后，得到搜索图，将搜索图中的树状区域作为并道区域，可以根据预置搜索距离Search_Range来配置树状区域的大小，也可以根据实际情况进行具体配置，在此不做具体限定。对于并道区域中的所有车道，若主车行驶过(即p∈P)，则将该车道标记为主车分支，否则标记为其他分支，请参考图2，图2中的的树状区域为并道区域，该并道区域中的黑色车道为主车行驶过的车道，即为主车分支，灰色车道为主车没有行驶过的车道，即为其他分支。
步骤103、根据障碍物信息和车辆状态信息，获取主车在并道区域时满足并道危险场景的目标障碍物，并记录目标障碍物满足并道危险场景时的关键时间点。
在确定并道区域后，需要识别出主车在并道区域的这个时间段内，满足并道危险场景的目标障碍物，满足并道危险场景的条件为：1、障碍物必须在并道区域中；2、障碍物必须在并道区域的其他分支中；3、障碍物的朝向角与最近车道中心点朝向角的差值小于预置角度阈值，其中，车道中心点朝向角指向车道在这个位置的前进方向，若车道是弯曲的，车道中心点朝向角指向车道的切线方向；4、障碍物不始终处于静止状态；5、障碍物与主车的最小距离小于预置距离阈值且主车实时安全性分数小于预置分数阈值；在障碍物满足这5个条件时，记录当前时间为关键时间点tcritical；可以理解的是，关键时间点tcritical为障碍物满足这5个条件的第一时间(即最早时间)，满足这5个条件的障碍物即为满足并道危险场景的目标障碍物。
本申请实施例中，可以采用决策树条件验证方法来识别满足并道危险场景的目标障碍物。具体的，根据障碍物的位置，判断障碍物在主车在并道区域时是否处于并道区域；
若是，则判断障碍物在主车在并道区域时是否处于并道区域中的其他分支中；
若是，则判断主车在并道区域时，障碍物的朝向角与最近车道中心点朝向角的差值是否小于预置角度阈值；
若是，则判断主车在并道区域时，障碍物是否一直处于静止状态；
若否，则判断主车在并道区域时，障碍物与主车的最小距离是否小于预置距离阈值且主车的实时安全性分数是否小于预置分数阈值，实时安全性分数通过车辆状态信息获取；
若是，则判定障碍物为满足并道危险场景的目标障碍物，并记录当前时间作为关键时间点。
可以理解的是，预置角度阈值、预置距离阈值和预置分数阈值可以根据实际情况设置具体取值，本申请实施例中优选设置预置角度阈值为30°，预置距离阈值设置为4米，在实时安全性分数总分为1的情况下，预置分数阈值设置为0.5。
步骤104、根据关键时间点和车辆状态信息配置并道危险场景的开始时间和结束时间，并将开始时间到结束时间对应的路测数据片段分类为并道危险场景。
可以根据车辆状态信息判断主车在并道区域是否一直处于无人驾驶状态，若判断到主车在并道区域一直处于无人驾驶状态，则将关键时间点减去第一预设长度时间后的时间点作为并道危险场景的开始时间，将关键时间点加上第二预设长度时间后的时间点作为并道危险场景的结束时间。
若判断到主车在并道区域有处于接管状态，即主车被安全员接管，则根据车辆状态信息获取主车在并道区域被接管时的接管时间点ttake_over，将接管时间点减去第一预设长度时间后的时间点作为并道危险场景的开始时间，将接管时间点加上第二预设长度时间后的时间点作为并道危险场景的结束时间。其中，第一预设长度时间和第二预设长度时间可以通过大量并道事故数据分析得到，本申请实施例通过实验发现，可以将第一预设长度时间配置为4秒，第二预设长度时间配置为8秒，即开始时间Ts＝tcritical-4sec，结束时间Te＝tcritical+8sec，或，开始时间Ts＝ttake_over-4sec，结束时间Te＝ttake_over+8sec。
在配置好开始时间和结束时间后，将开始时间到结束时间对应的路测数据片段分类为并道危险场景，可以将其作为仿真场景，用于仿真测试，实现了从海量的路测数据中识别出并道危险场景。
本申请实施例中，大幅度减少了场景配置过程中人工参与程度，提升了场景转化效率；通过并道危险场景分类系统以标准化流程自动生成标准化的并道危险场景，减少了标注员的主观因素带来的场景不确定性问题。
进一步，在配置好并道危险场景的开始时间和结束时间后，还可以根据主车的期望行为信息配置并道危险场景的评价指标。可以利用安全员接管主车后的驾驶行为作为正确驾驶行为，标注主车的期望行为并采用结构化方式表示，得到主车的期望行为信息，然后利用主车的期望行为信息配置评价指标，考虑到主车不应该发生危险情况，因此，可以使用安全性分数作为评价指标。
进一步，在分类得到并道危险场景后，还可以对并道危险场景进行正确性验证，以进一步保证仿真场景的质量。可以利用大规模仿真平台，定期批量运行新生成的仿真场景，使用与事故发生时相同的自动驾驶算法，利用轨迹相似度等方法检测仿真中是否会复现原事故中的问题；如果可以复现场景，可以进一步验证自动配置的评价指标是否能正确输出结果；还可以根据验证结果自动生成报告，并提交审核平台审核，在审核通过后进入场景库。
本申请实施例中，从路测数据中提取关键信息，以对路测数据进行压缩，提高并道危险场景分类效率；根据提取的地图信息、障碍物信息和车辆状态自动识别满足并道危险场景的目标障碍物，并记录关键时间点，进而根据关键时间点配置并道危险场景的开始时间和结束时间，生成标准化的并道危险场景，减少了人工干涉和标注员的主观因素带来的场景不确定性，从而改善了现有技术通过人工提取仿真场景，人工干涉较多，存在效率低和场景不确定性高的技术问题。
本申请实施例还提供了一种并道危险场景分类设备，设备包括处理器以及存储器；
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行前述方法实施例中的并道危险场景分类方法。
本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码被处理器执行时实现前述方法实施例中的并道危险场景分类方法。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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一个存储介质中，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分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申请各实施例技术方案的精神和范围。
Claims (10)
1.一种并道危险场景分类系统，其特征在于，包括：
信息提取模块，用于从主车路测时记录的路测数据中提取关键信息，所述关键信息包括地图信息、障碍物信息和车辆状态信息；
获取模块，用于通过所述地图信息获取并道区域；
记录模块，用于根据所述障碍物信息和所述车辆状态信息，获取所述主车在所述并道区域时满足并道危险场景的目标障碍物，并记录所述目标障碍物满足并道危险场景时的关键时间点；
场景配置模块，用于根据所述关键时间点和所述车辆状态信息配置并道危险场景的开始时间和结束时间，并将所述开始时间到所述结束时间对应的路测数据片段分类为并道危险场景。
2.根据权利要求1所述的并道危险场景分类系统，其特征在于，所述地图信息包括所述主车所在车道的前序车道、车道长度和所述主车到所在车道起点的距离；
所述获取模块具体用于：
从所述主车所在车道出发，通过广度优先搜索方法或深度优先搜索方法搜索所有的前序车道，当搜索距离大于预置搜索距离时，停止搜索，得到搜索图，所述搜索距离由所述主车到所在车道起点的距离和前序车道的车道长度确定；
将所述搜索图中的树状区域作为并道区域。
3.根据权利要求1所述的并道危险场景分类系统，其特征在于，所述障碍物信息包括障碍物的位置，所述记录模块具体用于：
根据所述障碍物的位置，判断障碍物在所述主车在所述并道区域时是否处于所述并道区域；
若是，则判断所述障碍物在所述主车在所述并道区域时是否处于所述并道区域中的其他分支中，其中，所述并道区域中所述主车行驶过的车道为主车分支，所述主车没有行驶过的车道为其他分支；
若是，则判断所述主车在所述并道区域时，所述障碍物的朝向角与最近车道中心点朝向角的差值是否小于预置角度阈值；
若是，则判断所述主车在所述并道区域时，所述障碍物是否一直处于静止状态；
若否，则判断所述主车在所述并道区域时，所述障碍物与所述主车的最小距离是否小于预置距离阈值且所述主车的实时安全性分数是否小于预置分数阈值，所述实时安全性分数通过所述车辆状态信息获取；
若是，则判定所述障碍物为满足并道危险场景的目标障碍物，并记录当前时间作为关键时间点。
4.根据权利要求1所述的并道危险场景分类系统，其特征在于，所述根据所述关键时间点和所述车辆状态信息配置并道危险场景的开始时间和结束时间，包括：
根据所述车辆状态信息判断述主车在所述并道区域是否一直处于无人驾驶状态；
若是，则将所述关键时间点减去第一预设长度时间后的时间点作为并道危险场景的开始时间，将所述关键时间点加上第二预设长度时间后的时间点作为并道危险场景的结束时间；
若否，则根据所述车辆状态信息获取所述主车在所述并道区域被接管时的接管时间点，将所述接管时间点减去第一预设长度时间后的时间点作为并道危险场景的开始时间，将所述接管时间点加上第二预设长度时间后的时间点作为并道危险场景的结束时间。
5.根据权利要求1所述的并道危险场景分类系统，其特征在于，所述场景配置模块还用于：
根据所述主车的期望行为信息配置所述并道危险场景的评价指标。
6.根据权利要求1-5任一项所述的并道危险场景分类系统，其特征在于，所述系统还包括：
验证模块，用于对分类得到的所述并道危险场景进行正确性验证。
7.一种并道危险场景分类方法，其特征在于，包括：
从主车路测时记录的路测数据中提取关键信息，所述关键信息包括地图信息、障碍物信息和车辆状态信息；
通过所述地图信息获取并道区域；
根据所述障碍物信息和所述车辆状态信息，获取所述主车在所述并道区域时满足并道危险场景的目标障碍物，并记录所述目标障碍物满足并道危险场景时的关键时间点；
根据所述关键时间点和所述车辆状态信息配置并道危险场景的开始时间和结束时间，并将所述开始时间到所述结束时间对应的路测数据片段分类为并道危险场景。
8.根据权利要求7所述的并道危险场景分类方法，其特征在于，所述地图信息包括所述主车所在车道的前序车道、车道长度和所述主车到所在车道起点的距离；
所述通过所述地图信息获取并道区域，包括：
从所述主车所在车道出发，通过广度优先搜索方法或深度优先搜索方法搜索所有的前序车道，当搜索距离大于预置搜索距离时，停止搜索，得到搜索图，所述搜索距离由所述主车到所在车道起点的距离和前序车道的车道长度确定；
将所述搜索图中的树状区域作为并道区域。
9.一种并道危险场景分类设备，其特征在于，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求7-8任一项所述的并道危险场景分类方法。
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用于存储程序代码，所述程序代码被处理器执行时实现权利要求7-8任一项所述的并道危险场景分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210335120.1A CN114596470B (zh) | 2022-03-31 | 2022-03-31 | 一种并道危险场景分类系统、方法、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210335120.1A CN114596470B (zh) | 2022-03-31 | 2022-03-31 | 一种并道危险场景分类系统、方法、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114596470A true CN114596470A (zh) | 2022-06-07 |
| CN114596470B CN114596470B (zh) | 2024-06-25 |
Family
ID=81821764
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210335120.1A Active CN114596470B (zh) | 2022-03-31 | 2022-03-31 | 一种并道危险场景分类系统、方法、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114596470B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110383008A (zh) * | 2017-01-12 | 2019-10-25 | 御眼视觉技术有限公司 | 基于车辆活动的导航 |
| CN110834635A (zh) * | 2019-10-28 | 2020-02-25 | 武汉格罗夫氢能汽车有限公司 | 一种氢能汽车并道场景的自动驾驶方法及控制系统 |
| CN113642633A (zh) * | 2018-06-11 | 2021-11-12 | 百度在线网络技术（北京）有限公司 | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 |
| CN113887276A (zh) * | 2021-08-20 | 2022-01-04 | 苏州易航远智智能科技有限公司 | 基于图像的前向主目标检测方法 |
| CN114067610A (zh) * | 2021-09-22 | 2022-02-18 | 广州文远知行科技有限公司 | 一种错过岔道口事故的仿真场景构建方法及装置 |
-
2022
- 2022-03-31 CN CN202210335120.1A patent/CN114596470B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110383008A (zh) * | 2017-01-12 | 2019-10-25 | 御眼视觉技术有限公司 | 基于车辆活动的导航 |
| CN113642633A (zh) * | 2018-06-11 | 2021-11-12 | 百度在线网络技术（北京）有限公司 | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 |
| CN110834635A (zh) * | 2019-10-28 | 2020-02-25 | 武汉格罗夫氢能汽车有限公司 | 一种氢能汽车并道场景的自动驾驶方法及控制系统 |
| CN113887276A (zh) * | 2021-08-20 | 2022-01-04 | 苏州易航远智智能科技有限公司 | 基于图像的前向主目标检测方法 |
| CN114067610A (zh) * | 2021-09-22 | 2022-02-18 | 广州文远知行科技有限公司 | 一种错过岔道口事故的仿真场景构建方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114596470B (zh) | 2024-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111983935B (zh) | 一种性能评测方法和装置 | |
| CN104731879B (zh) | 一种高速公路车辆逃费行为数据分析方法 | |
| KR102453627B1 (ko) | 딥러닝 기반 교통 흐름 분석 방법 및 시스템 | |
| CN112590878B (zh) | 一种基于列控工程数据表的线路拓扑生成方法 | |
| CN111008568B (zh) | 逃票检测方法及其相关装置 | |
| CN103914986A (zh) | 一种套牌分析的方法和装置 | |
| Kerber et al. | Clustering of the scenario space for the assessment of automated driving | |
| CN113269042B (zh) | 基于行驶车辆违章识别的智能交通管理方法及系统 | |
| CN113255439B (zh) | 一种障碍物识别方法、装置、系统、终端及云端 | |
| CN114647954A (zh) | 仿真场景生成方法、装置、计算机设备及存储介质 | |
| CN111914691A (zh) | 一种轨道交通车辆定位方法及系统 | |
| Deng et al. | Scenario-based test reduction and prioritization for multi-module autonomous driving systems | |
| CN111860383A (zh) | 一种群体异常行为识别方法、装置、设备及存储介质 | |
| El Mostadi et al. | Virtual test scenarios for ADAS: Distance to real scenarios matters! | |
| CN112633262B (zh) | 通道监测方法、装置、电子设备及介质 | |
| CN114596470A (zh) | 一种并道危险场景分类系统、方法、设备和介质 | |
| CN116502058A (zh) | 应用于充电桩系统的ai故障检测分析方法、系统及云平台 | |
| CN116580551A (zh) | 车辆驾驶行为评估方法、装置、设备及存储介质 | |
| CN116997890A (zh) | 生成未知不安全场景、改进自动交通工具、计算机系统 | |
| Hammit et al. | Radar-vision algorithms to process the trajectory-level driving data in the SHRP2 Naturalistic Driving Study | |
| CN114935918A (zh) | 自动驾驶算法的性能评估方法、装置、设备及存储介质 | |
| CN114581623B (zh) | 仿真场景生成方法、装置、存储介质及计算机设备 | |
| CN115169588A (zh) | 电像计算时空轨迹车码关联方法、装置、设备及存储介质 | |
| CN112348265A (zh) | 监控场景下的可行路径挖掘方法及装置 | |
| CN118035939B (zh) | 感知目标的置信度获取方法及自动驾驶规划控制方法 |
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 |