CN115374498B - 一种考虑道路属性特征参数的道路场景重构方法及系统 - Google Patents

一种考虑道路属性特征参数的道路场景重构方法及系统 Download PDF

Info

Publication number
CN115374498B
CN115374498B CN202211298490.9A CN202211298490A CN115374498B CN 115374498 B CN115374498 B CN 115374498B CN 202211298490 A CN202211298490 A CN 202211298490A CN 115374498 B CN115374498 B CN 115374498B
Authority
CN
China
Prior art keywords
scene
road
sampling point
segment
attribute
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.)
Active
Application number
CN202211298490.9A
Other languages
English (en)
Other versions
CN115374498A (zh
Inventor
王博洋
张翔
刘海鸥
李骥
陈慧岩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202211298490.9A priority Critical patent/CN115374498B/zh
Publication of CN115374498A publication Critical patent/CN115374498A/zh
Application granted granted Critical
Publication of CN115374498B publication Critical patent/CN115374498B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G01M17/06—Steering behaviour; Rolling behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computational Mathematics (AREA)
  • Computer Graphics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种考虑道路属性特征参数的道路场景重构方法及系统，属于道路场景重构技术领域。对实际道路场景数据进行道路属性辨识，得到采样点的位置信息和道路属性特征参数，进一步根据道路属性特征参数对实际道路场景数据进行分割，得到场景片段集。然后根据场景片段的特征向量对场景片段集进行分类提取，以消除场景片段集的过分割现象，构建场景基元库。最后根据重构道路场景的需求在场景基元库中选择若干个场景基元，并连接被选择的场景基元，得到重构道路场景，从而能够在仿真过程中考虑实际路面类型、曲率、坡度、不平度系数、滚动阻力系数等属性对车辆的动力性能与转向性能的影响，尽可能反映车辆真实行驶状况。

Description

一种考虑道路属性特征参数的道路场景重构方法及系统
技术领域
本发明涉及道路场景重构技术领域，特别是涉及一种考虑道路属性特征参数的道路场景重构方法及系统。
背景技术
在车辆行驶过程中，道路属性特征参数对车辆的各项性能产生极大影响，车辆在不同属性路面上行驶时横纵向控制系统的表现均存在差异。在仿真过程中考虑道路属性特征参数对车辆的主要性能指标的影响，能进一步提高仿真数据的可信度，尽可能反映车辆真实行驶状况。尤其对于起伏土路与砂石路等非结构化道路工况，不同道路属性特征参数对车辆动力性与操纵稳定性的影响相差甚远，考虑道路属性特征参数是车辆性能分析的必要条件。
然而，目前的车辆仿真场景的构建过程往往没有涉及到道路属性特征参数。现有的道路仿真场景一般主要关注道路的场景边界与极限特征，在仿真过程中也只关注车辆的行驶轨迹与任务执行情况的理论表现，没有考虑实际路面类型、曲率、坡度、不平度系数、滚动阻力系数等属性对车辆的动力性能与转向性能的影响，仿真结果无法保证车辆在复杂地形中的性能表现。
基于此，亟需一种能够考虑道路属性特征参数的道路场景重构技术。
发明内容
本发明的目的是提供一种考虑道路属性特征参数的道路场景重构方法及系统，能够在仿真过程中考虑实际路面类型、曲率、坡度、不平度系数、滚动阻力系数等属性对车辆的动力性能与转向性能的影响，进一步提高仿真数据的可信度，尽可能反映车辆真实行驶状况。
为实现上述目的，本发明提供了如下方案：
一种考虑道路属性特征参数的道路场景重构方法，所述道路场景重构方法包括：
获取实际道路场景数据；所述实际道路场景数据包括实际道路的每一采样点的道路信息和车辆行驶信息；
对所述实际道路场景数据进行道路属性辨识，得到每一所述采样点的位置信息和道路属性特征参数；所述道路属性特征参数包括路面类型、曲率半径、坡道角度、不平度系数和滚动阻力系数；
根据每一所述采样点的道路属性特征参数对所述实际道路场景数据进行分割，得到场景片段集；所述场景片段集包括多个道路属性特征单一的场景片段；
对于每一所述场景片段，根据所述场景片段所包括的所有所述采样点的位置信息和道路属性特征参数确定所述场景片段的特征向量；根据每一所述场景片段的特征向量对所述场景片段集进行分类提取，以消除所述场景片段集的过分割现象，构建场景基元库；
根据重构道路场景的需求在所述场景基元库中选择若干个场景基元，并连接被选择的所述场景基元，得到所述重构道路场景。
一种考虑道路属性特征参数的道路场景重构系统，所述道路场景重构系统包括：
数据获取模块，用于获取实际道路场景数据；所述实际道路场景数据包括实际道路的每一采样点的道路信息和车辆行驶信息；
属性辨识模块，用于对所述实际道路场景数据进行道路属性辨识，得到每一所述采样点的位置信息和道路属性特征参数；所述道路属性特征参数包括路面类型、曲率半径、坡道角度、不平度系数和滚动阻力系数；
分割模块，用于根据每一所述采样点的道路属性特征参数对所述实际道路场景数据进行分割，得到场景片段集；所述场景片段集包括多个道路属性特征单一的场景片段；
场景基元库构建模块，用于对于每一所述场景片段，根据所述场景片段所包括的所有所述采样点的位置信息和道路属性特征参数确定所述场景片段的特征向量；根据每一所述场景片段的特征向量对所述场景片段集进行分类提取，以消除所述场景片段集的过分割现象，构建场景基元库；
重构模块，用于根据重构道路场景的需求在所述场景基元库中选择若干个场景基元，并连接被选择的所述场景基元，得到所述重构道路场景。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明用于提供一种考虑道路属性特征参数的道路场景重构方法及系统，对实际道路场景数据进行道路属性辨识，得到每一采样点的位置信息和道路属性特征参数，进一步根据每一采样点的道路属性特征参数对实际道路场景数据进行分割，得到场景片段集。然后根据场景片段所包括的所有采样点的位置信息和道路属性特征参数确定场景片段的特征向量，根据每一场景片段的特征向量对场景片段集进行分类提取，以消除场景片段集的过分割现象，构建场景基元库。最后根据重构道路场景的需求在场景基元库中选择若干个场景基元，并连接被选择的场景基元，得到重构道路场景，从而能够在仿真过程中考虑实际路面类型、曲率、坡度、不平度系数、滚动阻力系数等属性对车辆的动力性能与转向性能的影响，进一步提高仿真数据的可信度，尽可能反映车辆真实行驶状况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1所提供的道路场景重构方法的方法流程图；
图2为本发明实施例1所提供的道路场景重构方法的原理框图；
图3为本发明实施例1所提供的场景基元库构建方法的方法流程图；
图4为本发明实施例2所提供的道路场景重构系统的系统框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的目的是提供一种考虑道路属性特征参数的道路场景重构方法及系统，能够在仿真过程中考虑实际路面类型、曲率、坡度、不平度系数、滚动阻力系数等属性对车辆的动力性能与转向性能的影响，进一步提高仿真数据的可信度，尽可能反映车辆真实行驶状况。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
本实施例用于提供一种考虑道路属性特征参数的道路场景重构方法，如图1和图2所示，所述道路场景重构方法包括：
S1：获取实际道路场景数据；所述实际道路场景数据包括实际道路的每一采样点的道路信息和车辆行驶信息；
具体的，获取实际道路场景数据可以包括：先搭建道路环境数据采集平台，并将道路环境数据采集平台布置在车辆上。在布置有道路环境数据采集平台的车辆沿实际道路行驶的过程中，利用道路环境数据采集平台进行实时采集，得到每一采样点的道路信息和车辆行驶信息，获取实际道路场景数据。实际道路场景数据在车辆行驶过程中一直在采集，因此实际道路对应很多采样点，可以理解为用很多离散的采样点来表示实际道路这一条线。
更为具体的，本实施例的道路环境数据采集平台包括图像采集器和组合导航系统，图像采集器可为相机，组合导航系统可包括惯性导航系统和GPS导航系统。图像采集器用于采集实际道路的图像数据，惯性导航系统用于采集车辆的速度和加速度信息，GPS导航系统用于采集实际道路的位置、形状信息。实际道路的图像数据以及位置、形状信息组成道路信息，车辆的速度和加速度组成车辆行驶信息。本实施例的采样点是指组合导航系统的采样点。
通过在车辆上设置道路环境数据采集平台，以在车辆沿实际道路行驶过程中采集道路信息与车辆行驶信息，得到包含道路属性特征的道路场景数据，道路场景数据可组成道路场景数据集。
S2：对所述实际道路场景数据进行道路属性辨识，得到每一所述采样点的位置信息和道路属性特征参数；所述道路属性特征参数包括路面类型、曲率半径、坡道角度、不平度系数和滚动阻力系数；
基于S1采集到的实际道路场景数据，在离线状态下，对各道路属性进行辨识，得到如下道路属性特征参数：路面类型ty、曲率半径
Figure 489693DEST_PATH_IMAGE001
、坡道角度
Figure 327199DEST_PATH_IMAGE002
、不平度系数q和滚动阻力系数f，即可得到道路属性特征参数向量
Figure 362151DEST_PATH_IMAGE003
，该道路属性特征参数向量用来表征每一个采样点的道路属性，其中各个特征参数作为后续分割点设置的主要依据。
对于每一采样点，上述5个道路属性特征参数与采样点的位置信息
Figure 132661DEST_PATH_IMAGE004
的计算过程具体如下：
（1）路面类型：
基于卷积神经网络与迁移学习实现基于图像的路面类型辨识。以相机收集的图像数据为输入，以路面类型置信度为输出，构建机器学习分类模型，实现路面类型辨识。
（2）曲率半径：
离线部分基于大量实车采集数据，利用机器学习分类和回归算法，训练生成滑移率离散估计模型与滑移率回归模型。在线部分将实时采集数据进行特征提取后，输入模型得到两侧履带的滑移率，修正两侧轮速后，计算得到曲率半径。该过程所涉及的转速转矩量来自车辆驱动轮上安装的电机反馈，速度与加速度相关量均来自组合导航系统。
（3）坡道角度：
组合导航系统输出的数据经过换算后可以得到每一个采样点的X、Y、Z位置信息（即位置坐标），可以对Z数据先进行滤波，滤除路面不平度与测量误差等带来的数据抖动，然后对于特定一采样点，取位于该采样点前方0.2m范围内的采样点以及位于该采样点后方0.2m范围内的采样点进行线性拟合，进行线性拟合的采样点的个数根据采样点的密度确定，得到的直线与xoy平面的夹角即可认为是坡道角度。
（4）不平度系数：
根据车辆悬架系统构建车辆垂向振动模型，根据组合导航系统输出的垂向加速度即可推算出路面不平度系数。
（5）滚动阻力系数：
在路面类型识别的基础上，基于先验知识，采用基于车辆动力学模型的扩展卡尔曼滤波算法，实现给定路面的滚动阻力系数辨识。该过程中所涉及的参数包括：车速、横摆角速度、驱动力矩，车速与横摆角速度来自组合导航系统，驱动力矩来自车辆驱动轮上安装的电机反馈。
（6）位置信息：
通过解析组合导航系统的输出位置信息即可得到车辆行驶过的道路的位置、形状信息，进一步确定采样点的位置信息。
S3：根据每一所述采样点的道路属性特征参数对所述实际道路场景数据进行分割，得到场景片段集；所述场景片段集包括多个道路属性特征单一的场景片段；
具体的，S3可以包括：根据每一采样点的路面类型、曲率半径和坡道角度确定多个分割点；根据多个分割点对实际道路场景数据进行分割，得到场景片段集。
其中，根据每一采样点的路面类型、曲率半径和坡道角度确定多个分割点可以包括：选取与其前一采样点的路面类型不同的采样点作为分割点。将实际道路场景数据按照预设长度平均分为多个道路段，对于每一道路段，选取道路段所包括的所有采样点的曲率半径的最大值和最小值以及坡道角度的最大值和最小值，根据曲率半径的最大值和最小值计算道路段的曲率变化百分比，根据坡道角度的最大值和最小值计算道路段的坡道角度变化百分比，进一步选取曲率变化百分比大于第一预设值的道路段的起始采样点和末端采样点作为分割点，选取坡道角度变化百分比大于第二预设值的道路段的起始采样点和末端采样点作为分割点。
本实施例中，预设长度可为3m，第一预设值和第二预设值可为5%，当然预设长度、第一预设值和第二预设值也可取其他值。
更为具体的，在将连续的实际道路场景数据根据每一采样点的道路属性特征参数进行分割，得到单一属性的场景片段时，分割过程的关键是找到连续道路的分割点，为保证属性单一，应根据各道路属性特征参数的变化来设置分割点。其中，路面类型ty为离散值（0，1，2，3…分别表示不同的路面类型，如冰雪路、砂石路、起伏土路、铺面路等…），则根据路面类型ty值的突变点设置道路分割点，分割点集为D 1。本实施例所采集的数据来自正在行驶的车辆，受限于车辆动力学的约束，车辆行驶过程中曲率应当是连续的，尽管采样点是离散的，相邻采样点之间的曲率值也不会发生太大变化，因此提出一个3米范围内的累积变化，曲率半径
Figure 962076DEST_PATH_IMAGE001
表征道路的弯曲程度，在选取分割点过程中，允许其值在一定范围内抖动，而当曲率
Figure 549528DEST_PATH_IMAGE005
值在3米道路长度范围内变化超过5%时即可认为道路的弯曲特征发生了变化，在该段3米道路始末点均设置分割点，得到分割点集D 2；坡道角度
Figure 122592DEST_PATH_IMAGE002
分割点设置同曲率半径，当
Figure 216450DEST_PATH_IMAGE002
值在3米道路长度范围内变化超过5%即可认为道路坡道特征发生了变化，同样在此段3米道路始末均设置分割点，得到分割点集D 3；对于不平度系数q、滚动阻力系数f的道路属性，一般在同一类型道路上此二者属性类似，在道路分割过程中不考虑其影响。由上述过程即可得到全部分割点，最终分割点集D为各特征分割点集的合并：
Figure 216767DEST_PATH_IMAGE006
；
根据分割点集D对实际道路场景数据进行分割，最终得到场景片段集S，S中的每一个场景片段s都为各属性特征单一（即各属性特征无突变）的典型场景片段。然而在测试过程中由于各参数测试误差、车身抖动以及分割点的设置策略，分割点集D 2和D 3中仍然存在过分割点，这些过分割点将场景片段进行过度分割，未完整保留道路属性的场景片段，S4将对该问题进行处理。
S4：对于每一所述场景片段，根据所述场景片段所包括的所有所述采样点的位置信息和道路属性特征参数确定所述场景片段的特征向量；根据每一所述场景片段的特征向量对所述场景片段集进行分类提取，以消除所述场景片段集的过分割现象，构建场景基元库；
S4中，根据场景片段所包括的所有采样点的位置信息和道路属性特征参数确定场景片段的特征向量，即通过学习的方法，根据各场景片段中各采样点的道路属性特征参数构建表征单个场景片段道路属性的特征向量可以包括：
（1）以场景片段所包括的所有采样点的位置信息为输入，采用局部加权回归算法计算得到场景片段的形状参量；
通过学习的方法，对场景片段中各个采样点的位置信息
Figure 28865DEST_PATH_IMAGE007
采用局部加权回归算法，计算得到场景片段的形状参量
Figure 405620DEST_PATH_IMAGE008
、
Figure 885143DEST_PATH_IMAGE009
、
Figure 321940DEST_PATH_IMAGE010
，这三个参量包含了道路的曲率、坡道的几何形状的信息。
（2）对场景片段所包括的所有采样点的不平度系数进行高斯拟合，得到第一高斯分布函数，根据第一高斯分布函数确定第一期望和第一方差；
根据场景片段s中每一采样点的不平度系数q的值，计算这一特征参数的第一高斯分布函数
Figure 621334DEST_PATH_IMAGE011
，高斯分布函数中包含了期望和方差的信息，则根据第一高斯分布函数确定由第一期望和第一方差组成的第一向量
Figure 801780DEST_PATH_IMAGE012
，
Figure 135809DEST_PATH_IMAGE013
为第一期望，
Figure 743508DEST_PATH_IMAGE014
为第一方差。
（3）对场景片段所包括的所有采样点的滚动阻力系数进行高斯拟合，得到第二高斯分布函数，根据第二高斯分布函数确定第二期望和第二方差；
根据场景片段s中每一采样点的滚动阻力系数f的值，计算这一特征参数的第二高斯分布函数
Figure 550706DEST_PATH_IMAGE015
，高斯分布函数中包含了期望和方差的信息，则根据第二高斯分布函数确定由第二期望和第二方差组成的第二向量
Figure 269264DEST_PATH_IMAGE016
，
Figure 457800DEST_PATH_IMAGE017
为第二期望，
Figure 236400DEST_PATH_IMAGE018
为第二方差。
（4）以场景片段的路面类型、形状参量、第一期望、第一方差、第二期望和第二方差组成场景片段的特征向量。
第n个场景片段的特征向量定义为：
Figure 775966DEST_PATH_IMAGE019
；
该特征向量将是后续区分各个场景基元的主要依据。
如图3所示，S4中，根据每一场景片段的特征向量对场景片段集进行分类提取，以消除场景片段集的过分割现象，构建场景基元库可以包括：以场景片段集和每一场景片段的特征向量为输入，利用EM算法进行迭代，构建场景基元库。
更为具体的，对场景片段集S中的单个场景片段进行分类提取，构建场景基元库可以包括：假设每一个场景片段s都是最终建立的场景基元库中的基元片段，场景基元库是不同种类场景基元的混合体，假设场景基元库中基元种类总个数为N，不同种类场景基元的混合系数为
Figure 32634DEST_PATH_IMAGE020
，由上述假设提取到的场景片段s属于场景基元库的概率被定义为：
Figure 341256DEST_PATH_IMAGE021
；
Figure 290758DEST_PATH_IMAGE022
；
其中，p（A|B）为条件概率的符号，表示在B发生的条件下A发生的概率，A、B为变量；
Figure 786461DEST_PATH_IMAGE023
是所有场景基元的特征向量及其对应的混合系数的集合，
Figure 112400DEST_PATH_IMAGE024
为编号为n的场景基元的混合系数。
为求得最终的场景基元库，需要消除S2中场景片段集S中的过分割现象，剔除过分割点后的分割点集为D *，对应的场景片段集为S *，S *即为场景基元库。观测到的道路场景数据o可以通过以下参量模型描述：
Figure 275528DEST_PATH_IMAGE025
；
上式中，S *由D *中的分割点分割产生，而D *为从初始过分割点集D保留的分割点集，其为待求量，将其视作隐变量代入上述参量模型中，则有：
Figure 395931DEST_PATH_IMAGE026
；
上式中，
Figure 644510DEST_PATH_IMAGE027
为观测到的场景片段数据o所有可能的分割结果；
Figure 508560DEST_PATH_IMAGE028
为先验概率。
场景基元库的表征参量集由下式最大似然函数计算可以得到：
Figure 523265DEST_PATH_IMAGE029
；
其中，
Figure 814569DEST_PATH_IMAGE030
为表征不同类型场景基元的道路属性特征向量集；O为道路场景数据o组成的集合。
令前一次迭代所获取的模型优化参量为
Figure 550444DEST_PATH_IMAGE031
，则在EM算法中反复迭代收敛的辅助函数被定义为：
Figure 218186DEST_PATH_IMAGE032
；
Figure 824748DEST_PATH_IMAGE033
；
令
Figure 552532DEST_PATH_IMAGE034
是道路场景片段中包含的初始分割点个数，每一个初始分割点不被剔除的概率
Figure 775703DEST_PATH_IMAGE035
，则先验概率
Figure 715977DEST_PATH_IMAGE036
被定义为：
Figure 708204DEST_PATH_IMAGE037
；
Figure 606890DEST_PATH_IMAGE038
；
在EM算法中，在E过程中，表征在已构成的场景基元库特征参量
Figure 786199DEST_PATH_IMAGE039
下被提取的道路场景片段集S适宜程度的权重系数
Figure 795743DEST_PATH_IMAGE040
根据下式被更新，在M过程中，基于GMM模型表征的特征参量
Figure 908055DEST_PATH_IMAGE041
被更新，GMM模型的最优总个数由贝叶斯判据决定。由上述过程即可得到去除重复道路场景的场景基元库S *、各场景基元的分割端点集D *和表征不同类型场景基元的道路属性特征向量集
Figure 443555DEST_PATH_IMAGE042
。
权重系数的更新公式如下：
Figure 641318DEST_PATH_IMAGE043
；
S5：根据重构道路场景的需求在所述场景基元库中选择若干个场景基元，并连接被选择的所述场景基元，得到所述重构道路场景。
S5中，根据重构道路场景的需求在场景基元库中选择若干个场景基元可以包括：
（1）获取重构道路场景的若干个属性需求特征向量；所述属性需求特征向量为所述特征向量的需求值；
根据重构道路场景的需求选择场景基元，重构道路场景的第m个属性需求特征向量为：
Figure 923394DEST_PATH_IMAGE044
；
（2）对于每一属性需求特征向量，计算属性需求特征向量与场景基元库中的每一场景基元的特征向量的匹配代价，并选择匹配代价最小的场景基元作为与属性需求特征向量相对应的场景基元。
计算道路属性特征向量中各参数值的匹配代价：
Figure 890213DEST_PATH_IMAGE045
；
则基元选择的总匹配代价如下：
Figure 865123DEST_PATH_IMAGE046
；
其中，
Figure 550182DEST_PATH_IMAGE047
、
Figure 901529DEST_PATH_IMAGE048
、
Figure 457275DEST_PATH_IMAGE049
、
Figure 868665DEST_PATH_IMAGE050
、
Figure 775441DEST_PATH_IMAGE051
、
Figure 664900DEST_PATH_IMAGE052
为各项代价的权重系数，实际场景基元匹配过程中可能并不关注特征向量中部分属性参数，即可将其对应的权重系数设为0，同理对于需要高度匹配的属性参数，可增大其对应权重系数相对于其他权重系数的相对大小。选取匹配代价J最小的场景基元库中的场景基元作为第m个属性需求特征向量对应的场景基元，匹配得到的场景基元的特征向量为
Figure 340732DEST_PATH_IMAGE053
，匹配到的场景基元将在后续被连接并输出。
S5中，连接被选择的场景基元，得到重构道路场景可以包括：
（1）对于每一被选择的场景基元，根据场景基元所包括的每一采样点的位置信息和场景基元的起始采样点的位置信息，计算场景基元所包括的每一采样点相对于起始采样点的相对位置坐标；
根据场景基元中每一采样点的原始位置坐标
Figure 657443DEST_PATH_IMAGE054
，以及起始采样点
Figure 51516DEST_PATH_IMAGE055
的坐标信息，计算得到场景基元中每一采样点相对起始采样点的相对位置坐标：
Figure 744665DEST_PATH_IMAGE056
；
（2）根据重构道路场景确定被选择的场景基元的前后关系，以前一场景基元的末端采样点作为当前场景基元的起始采样点，得到各个场景基元连续的位置坐标；
将选择得到的场景基元依次首尾连接，将前一场景基元的末端采样点作为当前场景基元的起始采样点，即可得到各场景基元连续的位置坐标：
Figure 272074DEST_PATH_IMAGE057
；
（3）对于每一被选择的场景基元，以场景基元的连续的位置坐标、所包括的每一采样点的曲率半径和坡道角度以及特征向量组成场景基元的输出信息；
为了使以上连续的各场景基元每一点包含采集到的曲率、坡道信息，定义向量V，V中每一个元素包括场景基元每一采样点的位置信息与曲率、坡度信息，即：
Figure 25266DEST_PATH_IMAGE058
；
其中，i=1，2，3，...，end。
重构场景数据为重构道路场景每一点的坐标位置与属性特征参数值，以及场景基元的属性特征向量，重构道路场景的第m个场景基元定义如下：
Figure 906635DEST_PATH_IMAGE059
。
其中，
Figure 872317DEST_PATH_IMAGE060
对应第m个场景基元中每一个采样点的信息，而
Figure 522741DEST_PATH_IMAGE061
对应整个场景基元各属性的分布特征，二者同时输出可以全面保留重构道路场景的各项信息。
（4）根据所有被选择的场景基元的输出信息，得到重构道路场景。
最终输出的重构道路场景为被选择的所有场景基元的输出：
Figure 446834DEST_PATH_IMAGE062
；
其中，M为被选择的场景基元的总个数。
本实施例针对各个目标场景的输入属性要求在场景基元库中匹配相应的基元即可重构具备不同的道路类型、几何形状、曲率分布、坡道分布、不平度分布、阻力系数分布的道路场景。
本实施例提出一种考虑道路属性特征参数的道路场景重构方法，在道路场景重构过程中考虑了道路属性特征，通过对真实采集的道路数据进行道路属性参数辨识与参数突变点分割得到场景片段，对场景片段进行属性特征表征与特征分类构建场景基元库，在场景重构过程中，根据重构场景的需求从场景基元库中选择相应最合适的场景基元并扩展连接，生成包含路面类型、曲率、坡度、不平度系数、滚动阻力系数等道路属性信息的重构场景，可以严格区分各种不同的道路对仿真车辆的不同影响，使得重构得到的道路场景更接近真实道路且具备道路属性信息，弥补了传统场景重构方法的不足，有利于分析仿真场景中车辆在不同道路上的性能指标表现，给车辆仿真过程提供丰富的环境信息输入。
实施例2：
本实施例用于提供一种考虑道路属性特征参数的道路场景重构系统，如图4所示，所述道路场景重构系统包括：
数据获取模块M1，用于获取实际道路场景数据；所述实际道路场景数据包括实际道路的每一采样点的道路信息和车辆行驶信息；
属性辨识模块M2，用于对所述实际道路场景数据进行道路属性辨识，得到每一所述采样点的位置信息和道路属性特征参数；所述道路属性特征参数包括路面类型、曲率半径、坡道角度、不平度系数和滚动阻力系数；
分割模块M3，用于根据每一所述采样点的道路属性特征参数对所述实际道路场景数据进行分割，得到场景片段集；所述场景片段集包括多个道路属性特征单一的场景片段；
场景基元库构建模块M4，用于对于每一所述场景片段，根据所述场景片段所包括的所有所述采样点的位置信息和道路属性特征参数确定所述场景片段的特征向量；根据每一所述场景片段的特征向量对所述场景片段集进行分类提取，以消除所述场景片段集的过分割现象，构建场景基元库；
重构模块M5，用于根据重构道路场景的需求在所述场景基元库中选择若干个场景基元，并连接被选择的所述场景基元，得到所述重构道路场景。
本实施例通过采集真实道路数据，对数据中道路的几何特征与属性特征进行提取分割并分类，构建场景基元库。根据重构场景的需求从场景基元库中选择相应基元并扩展连接，生成包含路面类型、曲率、坡度、不平度系数、滚动阻力系数的道路属性信息的重构场景。
本说明书中每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种考虑道路属性特征参数的道路场景重构方法，其特征在于，所述道路场景重构方法包括：
获取实际道路场景数据；所述实际道路场景数据包括实际道路的每一采样点的道路信息和车辆行驶信息；
对所述实际道路场景数据进行道路属性辨识，得到每一所述采样点的位置信息和道路属性特征参数；所述道路属性特征参数包括路面类型、曲率半径、坡道角度、不平度系数和滚动阻力系数；
根据每一所述采样点的路面类型、曲率半径和坡道角度确定多个分割点；根据多个所述分割点对所述实际道路场景数据进行分割，得到场景片段集；所述场景片段集包括多个道路属性特征单一的场景片段；
对于每一所述场景片段，根据所述场景片段所包括的所有所述采样点的位置信息和道路属性特征参数确定所述场景片段的特征向量；根据每一所述场景片段的特征向量对所述场景片段集进行分类提取，以消除所述场景片段集的过分割现象，构建场景基元库；
根据重构道路场景的需求在所述场景基元库中选择若干个场景基元，并连接被选择的所述场景基元，得到所述重构道路场景。
2.根据权利要求1所述的道路场景重构方法，其特征在于，所述获取实际道路场景数据具体包括：在布置有道路环境数据采集平台的车辆沿实际道路行驶的过程中，利用所述道路环境数据采集平台进行实时采集，得到每一采样点的道路信息和车辆行驶信息，获取实际道路场景数据。
3.根据权利要求2所述的道路场景重构方法，其特征在于，所述道路环境数据采集平台包括图像采集器、惯性导航系统和GPS导航系统；所述图像采集器用于采集所述实际道路的图像数据；所述惯性导航系统用于采集所述车辆的速度和加速度；所述GPS导航系统用于采集所述实际道路的位置、形状信息；所述实际道路的图像数据以及位置、形状信息组成所述道路信息；所述车辆的速度和加速度组成所述车辆行驶信息。
4.根据权利要求1所述的道路场景重构方法，其特征在于，所述根据每一所述采样点的路面类型、曲率半径和坡道角度确定多个分割点具体包括：
选取与其前一采样点的路面类型不同的采样点作为分割点；
将所述实际道路场景数据按照预设长度平均分为多个道路段；
对于每一所述道路段，选取所述道路段所包括的所有采样点的曲率半径的最大值和最小值以及坡道角度的最大值和最小值；根据所述曲率半径的最大值和最小值计算所述道路段的曲率变化百分比，根据所述坡道角度的最大值和最小值计算所述道路段的坡道角度变化百分比；
选取所述曲率变化百分比大于第一预设值的所述道路段的起始采样点和末端采样点作为分割点，选取所述坡道角度变化百分比大于第二预设值的所述道路段的起始采样点和末端采样点作为分割点。
5.根据权利要求1所述的道路场景重构方法，其特征在于，所述根据所述场景片段所包括的所有所述采样点的位置信息和道路属性特征参数确定所述场景片段的特征向量具体包括：
以所述场景片段所包括的所有所述采样点的位置信息为输入，采用局部加权回归算法计算得到所述场景片段的形状参量；
对所述场景片段所包括的所有所述采样点的不平度系数进行高斯拟合，得到第一高斯分布函数，根据所述第一高斯分布函数确定第一期望和第一方差；
对所述场景片段所包括的所有所述采样点的滚动阻力系数进行高斯拟合，得到第二高斯分布函数，根据所述第二高斯分布函数确定第二期望和第二方差；
以所述场景片段的路面类型、形状参量、第一期望、第一方差、第二期望和第二方差组成所述场景片段的特征向量。
6.根据权利要求1所述的道路场景重构方法，其特征在于，所述根据每一所述场景片段的特征向量对所述场景片段集进行分类提取，以消除所述场景片段集的过分割现象，构建场景基元库具体包括：以所述场景片段集和每一所述场景片段的特征向量为输入，利用EM算法进行迭代，构建场景基元库。
7.根据权利要求1所述的道路场景重构方法，其特征在于，所述根据重构道路场景的需求在所述场景基元库中选择若干个场景基元具体包括：
获取所述重构道路场景的若干个属性需求特征向量；所述属性需求特征向量为所述特征向量的需求值；
对于每一所述属性需求特征向量，计算所述属性需求特征向量与所述场景基元库中的每一场景基元的特征向量的匹配代价，并选择所述匹配代价最小的所述场景基元作为与所述属性需求特征向量相对应的场景基元。
8.根据权利要求1所述的道路场景重构方法，其特征在于，所述连接被选择的所述场景基元，得到所述重构道路场景具体包括：
对于每一被选择的所述场景基元，根据所述场景基元所包括的每一采样点的位置信息和所述场景基元的起始采样点的位置信息，计算所述场景基元所包括的每一采样点相对于所述起始采样点的相对位置坐标；
根据所述重构道路场景确定被选择的所述场景基元的前后关系，以前一所述场景基元的末端采样点作为当前所述场景基元的起始采样点，得到各个所述场景基元连续的位置坐标；
对于每一被选择的所述场景基元，以所述场景基元的连续的位置坐标、所包括的每一采样点的曲率半径和坡道角度以及所述特征向量组成所述场景基元的输出信息；
根据所有被选择的所述场景基元的输出信息，得到所述重构道路场景。
9.一种考虑道路属性特征参数的道路场景重构系统，其特征在于，所述道路场景重构系统包括：
数据获取模块，用于获取实际道路场景数据；所述实际道路场景数据包括实际道路的每一采样点的道路信息和车辆行驶信息；
属性辨识模块，用于对所述实际道路场景数据进行道路属性辨识，得到每一所述采样点的位置信息和道路属性特征参数；所述道路属性特征参数包括路面类型、曲率半径、坡道角度、不平度系数和滚动阻力系数；
分割模块，用于根据每一所述采样点的路面类型、曲率半径和坡道角度确定多个分割点；根据多个所述分割点对所述实际道路场景数据进行分割，得到场景片段集；所述场景片段集包括多个道路属性特征单一的场景片段；
场景基元库构建模块，用于对于每一所述场景片段，根据所述场景片段所包括的所有所述采样点的位置信息和道路属性特征参数确定所述场景片段的特征向量；根据每一所述场景片段的特征向量对所述场景片段集进行分类提取，以消除所述场景片段集的过分割现象，构建场景基元库；
重构模块，用于根据重构道路场景的需求在所述场景基元库中选择若干个场景基元，并连接被选择的所述场景基元，得到所述重构道路场景。
CN202211298490.9A 2022-10-24 2022-10-24 一种考虑道路属性特征参数的道路场景重构方法及系统 Active CN115374498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211298490.9A CN115374498B (zh) 2022-10-24 2022-10-24 一种考虑道路属性特征参数的道路场景重构方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211298490.9A CN115374498B (zh) 2022-10-24 2022-10-24 一种考虑道路属性特征参数的道路场景重构方法及系统

Publications (2)

Publication Number Publication Date
CN115374498A CN115374498A (zh) 2022-11-22
CN115374498B true CN115374498B (zh) 2023-03-10

Family

ID=84074142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211298490.9A Active CN115374498B (zh) 2022-10-24 2022-10-24 一种考虑道路属性特征参数的道路场景重构方法及系统

Country Status (1)

Country Link
CN (1) CN115374498B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117852156B (zh) * 2024-03-08 2024-05-17 江苏狄诺尼信息技术有限责任公司 一种基于贝叶斯的道路平面线位智能重构的方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107992850A (zh) * 2017-12-20 2018-05-04 大连理工大学 一种室外场景三维彩色点云分类方法
CN110689613A (zh) * 2019-09-18 2020-01-14 广州大学 车辆道路仿真场景构建方法、装置、介质和设备
WO2020052344A1 (zh) * 2018-09-12 2020-03-19 华为技术有限公司 一种智能驾驶方法及智能驾驶系统
CN111611919A (zh) * 2020-05-20 2020-09-01 西安交通大学苏州研究院 一种基于结构化学习的道路场景布局分析方法
CN114913492A (zh) * 2022-04-19 2022-08-16 清华大学 智能车路系统场景生成方法、系统、存储介质及计算设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107992850A (zh) * 2017-12-20 2018-05-04 大连理工大学 一种室外场景三维彩色点云分类方法
WO2020052344A1 (zh) * 2018-09-12 2020-03-19 华为技术有限公司 一种智能驾驶方法及智能驾驶系统
CN110689613A (zh) * 2019-09-18 2020-01-14 广州大学 车辆道路仿真场景构建方法、装置、介质和设备
CN111611919A (zh) * 2020-05-20 2020-09-01 西安交通大学苏州研究院 一种基于结构化学习的道路场景布局分析方法
CN114913492A (zh) * 2022-04-19 2022-08-16 清华大学 智能车路系统场景生成方法、系统、存储介质及计算设备

Also Published As

Publication number Publication date
CN115374498A (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CN113039563B (zh) 学习生成用于训练神经网络的合成数据集
CN111192284B (zh) 一种车载激光点云分割方法及系统
CN108519094B (zh) 局部路径规划方法及云处理端
CN112347993B (zh) 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法
CN106227726B (zh) 一种基于车辆轨迹数据的路径提取方法
CN109711410A (zh) 一种三维物体快速分割和识别方法、装置及系统
KR20200012960A (ko) 차선 정밀 도로 지도의 작성 방법 및 그 장치
CN111652892A (zh) 一种基于深度学习的遥感影像建筑物矢量提取及优化方法
CN106780458B (zh) 一种点云骨架提取方法及装置
Lee et al. Perceptual organization of 3D surface points
Zhou et al. Automatic construction of lane-level hd maps for urban scenes
CN115374498B (zh) 一种考虑道路属性特征参数的道路场景重构方法及系统
CN115451983A (zh) 一种复杂场景下的动态环境建图与路径规划方法及装置
CN101710422A (zh) 基于全局流形原型聚类算法与分水岭算法的图像分割方法
CN111311907B (zh) 基于元胞传输模型的不确定基本图参数辨识的识别方法
CN115599779A (zh) 一种城市道路交通缺失数据插值方法及相关设备
CN116071722A (zh) 基于路段轨迹的车道几何信息提取方法、系统、设备及介质
CN113903173B (zh) 一种基于有向图结构和lstm的车辆轨迹特征提取方法
CN111399021A (zh) 一种导航定位方法
CN112734913B (zh) 一种基于多阶段变形重构的三维模型球表达计算方法
Axenie et al. Fuzzy modelling and inference for physics-aware road vehicle driver behaviour model calibration
CN114419877B (zh) 基于道路特征的车辆轨迹预测数据处理方法和装置
CN114792397A (zh) 一种sar影像城市道路提取方法、系统以及存储介质
CN112435336B (zh) 一种弯道类型识别方法、装置、电子设备及存储介质
CN117011692A (zh) 一种道路识别的方法以及相关装置

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