CN115376324B - 车辆场景复杂度确定方法 - Google Patents

车辆场景复杂度确定方法 Download PDF

Info

Publication number
CN115376324B
CN115376324B CN202211298513.6A CN202211298513A CN115376324B CN 115376324 B CN115376324 B CN 115376324B CN 202211298513 A CN202211298513 A CN 202211298513A CN 115376324 B CN115376324 B CN 115376324B
Authority
CN
China
Prior art keywords
scene
complexity
evaluated
static
determining
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
CN202211298513.6A
Other languages
English (en)
Other versions
CN115376324A (zh
Inventor
张鲁
秦孔建
赵帅
周博雅
李向荣
李韬
张志强
张云龙
刘鹏
赵情
于瀚
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.)
China Automotive Technology and Research Center Co Ltd
Original Assignee
China Automotive Technology and Research Center Co Ltd
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 China Automotive Technology and Research Center Co Ltd filed Critical China Automotive Technology and Research Center Co Ltd
Priority to CN202211298513.6A priority Critical patent/CN115376324B/zh
Publication of CN115376324A publication Critical patent/CN115376324A/zh
Application granted granted Critical
Publication of CN115376324B publication Critical patent/CN115376324B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及数据处理领域，公开了一种车辆场景复杂度确定方法，该方法包括：根据待评估场景，确定至少一个静态场景要素以及至少一个动态场景要素；根据与各静态场景要素对应的要素权重、与各静态场景要素对应的预设评估值以及与待评估场景对应的复杂度系数，确定与待评估场景相对应的静态复杂度；根据待评估场景确定相邻两个目标时刻对应的子评估场景，并根据子评估场景确定待评估场景中的测试车辆与各参与车辆之间的目标碰撞时间；根据各目标碰撞时间，确定与待评估场景相对应的动态复杂度；根据静态复杂度以及动态复杂度，确定与待评估场景相对应的场景复杂度。本实施例能够实现准确且快速的确定场景复杂度，并提高场景复杂度的合理性的效果。

Description

车辆场景复杂度确定方法
技术领域
本发明涉及数据处理领域，尤其涉及一种车辆场景复杂度确定方法。
背景技术
由于自动驾驶汽车要求车辆在设计运行范围内承担动态驾驶任务等一系列驾驶任务，因此，车辆上路时需要应对各类复杂交通场景，尤其是我国特有的混合交通流环境。
目前，针对各种交通场景，可以通过场景复杂度进行量化。但是，现有的场景复杂度的模型只关注周围环境因素，并没有熬了自动驾驶汽车本身，会造成场景复杂度计算不准确的问题。并且，现有的场景复杂度是根据不同的场景类别确定的，然而，场景类别大多是基于自动驾驶功能、事故等维度确定的，无法细致的确定不同类别场景内部的复杂度，这样会造成无法细致的自动化的量化评估各场景的复杂度的问题以及确定出的复杂度无法反应驾驶场景的真实复杂度问题。
有鉴于此，特提出本发明。
发明内容
为了解决上述技术问题，本发明提供了一种车辆场景复杂度确定方法，实现准确且快速的确定场景复杂度，并提高场景复杂度的合理性的效果。
本发明实施例提供了一种车辆场景复杂度确定方法，该方法包括：
根据待评估场景，确定至少一个静态场景要素以及至少一个动态场景要素；
根据与各所述静态场景要素对应的要素权重、与各所述静态场景要素对应的预设评估值以及与所述待评估场景对应的复杂度系数，确定与所述待评估场景相对应的静态复杂度；其中，所述要素权重基于层次分析法确定，所述复杂度系数基于所述层次分析法以及信息熵理论确定；
根据所述待评估场景，确定相邻两个目标时刻对应的子评估场景，并根据所述子评估场景，确定所述待评估场景中的测试车辆与所述待评估场景中各参与车辆之间的目标碰撞时间；
根据各所述目标碰撞时间，确定与所述待评估场景相对应的动态复杂度；
根据所述静态复杂度以及所述动态复杂度，确定与所述待评估场景相对应的场景复杂度。
本发明实施例具有以下技术效果：
利用待评估场景中的静态场景要素，通过层次分析法以及信息熵理论确定静态复杂度，利用待评估场景中的动态场景要素确定测试车辆与各参与车辆之间的目标碰撞时间，进而确定动态复杂度。通过整合静态复杂度以及动态复杂度，可以确定待评估场景的场景复杂度，以自动、准确且快速的确定场景复杂度，提高场景复杂度的合理性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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是本发明实施例提供的一种车辆场景复杂度确定方法的流程图；
图2是本发明实施例提供的层次结构模型的示意图；
图3是本发明实施例提供的另一种车辆场景复杂度确定方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例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。
本发明实施例提供的车辆场景复杂度确定方法，主要适用于针对自动驾驶的测试场景进行场景复杂度评估的情况。本发明实施例提供的车辆场景复杂度确定方法可以由软件和/或硬件执行，该硬件可以是电子设备，可选的，电子设备可以是移动终端、PC端、服务器等。
图1是本发明实施例提供的一种车辆场景复杂度确定方法的流程图。参见图1，该车辆场景复杂度确定方法具体包括：
S110、根据待评估场景，确定至少一个静态场景要素以及至少一个动态场景要素。
其中，待评估场景可以是待进行场景复杂度评估的场景。静态场景要素包含天气、时段、路段类型、车道数量、交通标志物以及其他场景设施中的至少一种。动态场景要素包含待评估场景中运动的元素，例如可以包含测试车辆以及参与车辆，例如也可以包含行人、二轮车以及干扰车等。
具体的，在确定待评估场景之后，可以通过预先训练完成的机器学习模型对待评估场景进行识别，确定其中的各个静态场景要素以及各个动态场景要素，也可以是通过其他方式确定静态场景要素以及动态场景要素，例如相似度检验等，具体方式在本实施例中不做具体限定。
S120、根据与各静态场景要素对应的要素权重、与各静态场景要素对应的预设评估值以及与待评估场景对应的复杂度系数，确定与待评估场景相对应的静态复杂度。
其中，要素权重可以预先基于层次分析法确定的，针对每个静态场景要素的权重值。复杂度系数可以是基于层次分析法以及信息熵理论确定的静态复杂度的计算系数。预设评估值可以是各静态场景要素的预设分值，可以根据专家打分确定。静态复杂度可以是根据各静态场景要素确定的待评估场景的静态维度的复杂度。
具体的，在确定各静态场景要素之后，可以进一步确定各静态场景要素对应的要素权重，确定各静态场景要素对应的预设评估值，并通过信息熵理论计算得到与待评估场景对应的复杂度系数。进而，根据预先确定的计算方式，将各要素权重、各预设评估值以及复杂度系数进行组合计算，将计算结果作为与待评估场景相对应的静态复杂度。
S130、根据待评估场景，确定相邻两个目标时刻对应的子评估场景，并根据子评估场景，确定待评估场景中的测试车辆与待评估场景中各参与车辆之间的目标碰撞时间。
其中，目标时刻可以是待评估场景中相邻的两个时刻。子评估场景可以是各目标时刻对应的场景图像帧。测试车辆可以是待评估场景中待进行场景测试的车辆，该车辆可以是自动驾驶车辆。参与车辆可以是待评估场景中除测试车辆之外的其他车辆。目标碰撞时间可以是通过相邻两个目标时刻对应的子评估场景分析得到的测试车辆与参与车辆之间发生碰撞的时间。
具体的，由于待评估场景可以是连续多帧的视频，可以从中确定出具有代表性的相邻两个目标时刻，并将这两个目标时刻对应的视频帧作为子评估场景。在子评估场景中，确定出测试车辆与至少一个参与车辆，并根据测试车辆的位置信息以及各个参与车辆的位置信息，以及相邻两个目标时刻的时间间隔，计算在按照当前的行进方向以及速度的情况下，测试车辆与每个参与车辆之间发生碰撞的时间，记为目标碰撞时间。
S140、根据各目标碰撞时间，确定与待评估场景相对应的动态复杂度。
其中，动态复杂度可以是根据各目标碰撞时间确定的待评估场景的动态维度的复杂度。
具体的，根据预先确定的计算方式，将各目标碰撞时间进行整合计算，将计算结果作为与待评估场景相对应的动态复杂度。
S150、根据静态复杂度以及动态复杂度，确定与待评估场景相对应的场景复杂度。
其中，场景复杂度可以是用于衡量待评估场景的复杂情况的数值，可以通过综合静态复杂度和动态复杂度确定。
具体的，可以通过预先确定的场景复杂度计算方式，将确定出的静态复杂度以及动态复杂度作为已知量进行计算，将计算结果作为与待评估场景相对应的场景复杂度。
需要说明的是，场景复杂度的计算方式可以是加法、乘法、加权求和等计算方式，也可以是复杂的函数计算方式，只要能够综合静态复杂度和动态复杂度，并使场景复杂度随着静态复杂度的增大而增大，对着动态复杂度的增大而增大即可，具体形式在本实施例中不做具体限定。
可选的，在根据与各静态场景要素对应的要素权重、与各静态场景要素对应的预设评估值以及与待评估场景对应的复杂度系数，确定与待评估场景相对应的静态复杂度之前，还可以通过层次分析法来确定各静态场景要素对应的要素权重，具体可以包括下述步骤：
步骤一、根据至少一个静态场景要素，建立层次结构模型。
其中，层次结构模型可以是对静态场景要素进行整理后得到的层次结构。
具体的，可以根据预先建立的素材库以及待评估场景中包含的静态场景要素，整理构建层次结构模型，例如：预先建立的素材库可以是高速公路自动驾驶素材库等。
示例性的，层次结构模型的示意图如图2所示。待评估场景为夜晚-直道-前车切入场景，其中，静态场景要素包括自然环境和道路设施，自然环境包括晴天和夜晚，道路设施包括直道、单向双车道和车道分界线。
步骤二、针对层次结构模型中各要素节点，根据德尔菲法构建判断矩阵。
其中，要素节点可以是层次结构模型中的各个节点，要素节点可以是如路设施下对应的路段类型、车道数量、道路标志、道路标线以及其他设施等节点。判断矩阵可以是基于任意两个底层节点对应的重要性比较结果得到的矩阵。
具体的，针对层次结构模型可以确定其中的各个要素节点，进而，可以通过德尔菲法对每两个要素节点进行分组，确定其对测试车辆驾驶工况的影响程度，以构建判断矩阵。
示例性的，以待评估场景为夜晚-直道-前车切入场景为例，构建如图2所示的层次结构模型。其中，可以由专家打分确定其自然环境和道路设施两者之间的一级权重均为0.5；自然环境下的天气和时段权重分别为0.667和0.333；在道路设施下的五个二级指标的权重可以通过判断矩阵计算确定。可以是根据德尔菲法确定五个二级指标对应的要素节点对测试车辆自动驾驶工况的影响程度，构建判断矩阵：
Figure DEST_PATH_IMAGE001
判断矩阵中，行和列标签顺序均为路段类型、车道数量、道路标志、道路标线、其他设施。
步骤三、对判断矩阵进行一致性检验，在一致性检验通过的情况下，根据判断矩阵，确定各要素节点对应的节点权重。
其中，节点权重可以是通过判断矩阵使用层次分析法计算得到的权重值。一致性检验可以包括组内相关系数(Intraclass Correlation Coefficient，ICC)检验、Kappa系数检验以及Kendall(肯德尔)协调系数W检验等。
具体的，可以通过预先确定的一致性检验方法对判断矩阵进行一致性检验。若一致性检验通过，则可以通过预先设定的求权重的方式对判断矩阵进行处理，得到各要素节点对应的节点权重。其中，预先设定的求权重的方式可以是算数平均法、几何平均法、特征值法等。相应的，若一致性检验不通过，则可以返回重复执行建立层次结构模型以及构建判断矩阵的过程。
示例性的，以待评估场景为夜晚-直道-前车切入场景为例，构建如图2所示的层次结构模型，并根据上述示例中的判断矩阵，可以进行一致性检验，并确定各要素点的节点权重。一致性比率以及各节点权重如表1所示。
表1
Figure 420798DEST_PATH_IMAGE002
步骤四、将要素节点对应的节点权重作为与要素节点对应的静态场景要素的要素权重。
通过上述步骤一至步骤四，可以准确且合理的基于层次分析法确定与各静态场景要素对应的要素权重。
可选的，在确定层次结构模型之后，还可以通过层次结构模型的结构以及信息熵理论确定与待评估场景对应的复杂度系数，具体可以包括下述步骤：
步骤一、根据层次结构模型，确定层次结构模型中各要素节点所对应的输入输出结构。
其中，输入输出结构可以是包括输入要素节点数以及输出要素节点数的结构。输入要素节点数可以是层次结构模型中与要素节点相连接的上层要素节点的数量。输出要素节点数可以是层次结构模型中与要素节点相连接的下层要素节点的数量。
具体的，根据层次结构模型，对其中各个要素节点进行分析。以其中一个要素节点为例进行说明，确定与该要素节点对应的输入要素节点数和输出要素节点数，并根据输入要素节点数和输出要素节点数构建输入输出结构。
示例性的，如图2所示的层次结构模型，节点编号（0）的要素节点对应的输入要素节点数为0，输出要素节点数为2；节点编号（1）的要素节点对应的输入要素节点数为1，输出要素节点数为2；节点编号（2）的要素节点对应的输入要素节点数为1，输出要素节点数为3，针对其他要素节点不再赘述。可以记录各个要素节点对应的输入要素节点数和输出要素节点数，得到输入输出结构。例如输入输出结构可以是：（输入要素节点数，输出要素节点数）等形式，也可以是直接记录的两个数据。
步骤二、针对每个输入输出结构，确定输入输出结构所对应的要素节点子数量。
其中，要素节点子数量可以是具有相同输入输出结构的要素节点的数量。可以理解的是，各要素节点子数量的和值等于要素节点总数量。要素节点总数量可以是层次结构模型中的要素节点的总数量。
具体的，针对每个输入输出结构，对具有该输入输出结构的要素节点进行计数，得到该输入输出结构对应的要素节点子数量。
示例性的，根据如图2所示的层次结构模型，可以确定各要素节点对应的输入要素节点数和输出要素节点数，还可以确定各输入输出结构对应的要素节点子数量，如表2所示。
表2
输入要素节点数 输出要素节点数 要素节点编号 要素节点子数量
0 2 (0) 1
1 2 (1) 1
1 3 (2) 1
1 0 (1.1)、(1.2)、(2.1)、(2.2)、(2.3) 5
要素节点总数量 - - 8
步骤三、根据各要素节点子数量以及要素节点总数量，基于信息熵理论确定与待评估场景对应的复杂度系数。
具体的，可以根据各要素节点子数量以及要素节点总数量确定各输入输出结构对应的比例，进而，根据求得的这些比例，按照信息熵的计算公式进行计算，将计算结果作为与待评估场景对应的复杂度系数。
可选的，通过下述公式确定与待评估场景对应的复杂度系数：
Figure DEST_PATH_IMAGE003
其中，θ表示与待评估场景对应的复杂度系数，J表示待评估场景中输入输出结构的数量，n j 表示第j种输入输出结构对应的要素节点子数量，N表示要素节点总数量。
示例性的，根据如表2所示的数据，可以进行下述计算：
Figure 642831DEST_PATH_IMAGE004
因此，与待评估场景对应的复杂度系数为1.549。
本实施例具有以下技术效果：利用待评估场景中的静态场景要素，通过层次分析法以及信息熵理论确定静态复杂度，利用待评估场景中的动态场景要素确定测试车辆与各参与车辆之间的目标碰撞时间，进而确定动态复杂度。通过整合静态复杂度以及动态复杂度，可以确定待评估场景的场景复杂度，以自动、准确且快速的确定场景复杂度，提高场景复杂度的合理性。
图3是本发明实施例提供的另一种车辆场景复杂度确定方法的流程图，本实施例在上述实施例的基础上，针对确定静态复杂度、目标碰撞时间以及动态复杂度的具体实施方式可以参见本技术方案的详细阐述。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。参见图3，该车辆场景复杂度确定方法具体包括：
S210、根据待评估场景，确定至少一个静态场景要素以及至少一个动态场景要素。
S220、针对每个静态场景要素，根据静态场景要素对应的预设评估值和静态场景要素对应的要素权重，确定与静态场景要素对应的第一复杂度。
其中，第一复杂度可以是各静态场景要素的复杂度。
具体的，针对每个静态场景要素，可以使用相同的方式确定第一复杂度，因此以其中一个静态场景要素为例进行说明。在确定待评估场景中的静态场景要素之后，针对每个静态场景要素，确定该静态场景要素对应的预设评估值以及复杂度系数，进而，根据预设评估值和复杂度系数进行计算，得到该静态场景要素对应的第一复杂度。通过上述方式可以得到各静态场景要素的第一复杂度。
在上述示例的基础上，可以通过下述方式确定与静态场景要素对应的第一复杂度：
将静态场景要素对应的预设评估值和静态场景要素对应的要素权重乘积作为与静态场景要素对应的第一复杂度。
示例性的，通过下述公式计算与静态场景要素对应的第一复杂度：
Figure DEST_PATH_IMAGE005
其中，
Figure 383254DEST_PATH_IMAGE006
表示第r个静态场景要素对应的第一复杂度，
Figure DEST_PATH_IMAGE007
表示第r个静态场景要 素对应的要素权重，
Figure 207991DEST_PATH_IMAGE008
表示第r个静态场景要素对应的预设评估值。
示例性的，预设评估值可以根据实际需求进行设定，例如按照表3所示的数据进行设定。
表3
Figure DEST_PATH_IMAGE009
需要说明的是，表3所示的预设评估值只是示例性说明，并非是对本发明实施例的具体限定。
S230、根据各第一复杂度，确定与静态场景要素对应的第二复杂度。
其中，第二复杂度可以是综合衡量各静态场景要素的复杂度值。
具体的，将各第一复杂度进行整合计算，将计算结果作为第二复杂度。
在上述示例的基础上，可以通过下述方式确定与静态场景要素对应的第二复杂度：
将各第一复杂度的和值作为与静态场景要素对应的第二复杂度。
示例性的，通过下述公式计算与静态场景要素对应的第二复杂度：
Figure 720399DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE011
表示与静态场景要素对应的第二复杂度，R表示待评估场景中静态场景 要素的总数量，
Figure 97023DEST_PATH_IMAGE006
表示第r个静态场景要素对应的第一复杂度，
Figure 262425DEST_PATH_IMAGE012
表示第r个静态场景要 素对应的要素权重，
Figure 359694DEST_PATH_IMAGE008
表示第r个静态场景要素对应的预设评估值。
S240、根据第二复杂度和与待评估场景对应的复杂度系数，确定与待评估场景相对应的静态复杂度。
具体的，根据预设的公式对第二复杂度和与待评估场景对应的复杂度系数进行计算，将计算结果作为与待评估场景相对应的静态复杂度。
在上述示例的基础上，可以通过下述方式确定与待评估场景相对应的静态复杂度：
将第二复杂度和与待评估场景对应的复杂度系数的乘积作为与待评估场景相对应的静态复杂度。
示例性的，通过下述公式计算与待评估场景相对应的静态复杂度：
Figure DEST_PATH_IMAGE013
其中，C S 表示与待评估场景相对应的静态复杂度，θ表示与待评估场景对应的复杂 度系数，
Figure 989258DEST_PATH_IMAGE014
表示与静态场景要素对应的第二复杂度，R表示待评估场景中静态场景要素的 总数量，
Figure 615412DEST_PATH_IMAGE006
表示第r个静态场景要素对应的第一复杂度，
Figure 533689DEST_PATH_IMAGE012
表示第r个静态场景要素对应 的要素权重，
Figure 44436DEST_PATH_IMAGE008
表示第r个静态场景要素对应的预设评估值。
示例性的，待评估场景包含的静态场景要素包括：自然环境和道路设施，其要素权 重均为0.5；自然环境包括天气和时段，其要素权重分别为0.667和0.333；天气为晴天，对应 的预设评估值为2，时段为夜晚，对应的预设评估值为6；道路设施包括路段类型、车道数量 以及道路标线，其要素权重分别为0.4162、0.0986以及0.2618；路段类型为直道，对应的预 设评估值为2；车道数量为单向双车道，对应的预设评估值为5；道路标线为指示标线，对应 的预设评估值为3。在此种情况下，可以通过计算得到待评估场景相对应的静态复杂度：
Figure DEST_PATH_IMAGE015
Figure 731770DEST_PATH_IMAGE016
。
S250、根据待评估场景，确定相邻两个目标时刻对应的子评估场景。
S260、针对每个子评估场景，获取子评估场景中待评估场景中的测试车辆的第一位置信息以及待评估场景中各参与车辆的第二位置信息。
其中，第一位置信息为测试车辆的位置信息，例如可以是坐标信息。第二位置信息为各参与车辆的位置信息，例如可以是坐标信息，需要说明的是，在一个子评估场景中，第二位置信息的数量与参与车辆的数量一致，即在每个子评估场景中，存在一个第一位置信息以及与参与车辆的数量一致的第二位置信息。
具体的，可以通过图像分析，或者安装在道路上的传感器，或者安装在测试车辆和/或参与车辆上的传感器等方式，确定子评估场景中测试车辆的位置信息，记为第一位置信息，确定各参与车辆的位置信息，记为第二位置信息。
S270、针对每个参与车辆，根据各第一位置信息、参与车辆的各第二位置信息以及相邻两个目标时刻之间的时间间隔，确定测试车辆与参与车辆之间的目标碰撞时间。
其中，时间间隔可以是相邻两个目标时刻之间的时间差值。
具体的，针对每个参与车辆，可以获取两个子评估场景中的第一位置信息，以及该参与车辆的第二位置信息。进而，可以根据两个第一位置信息中的横向坐标，确定测试车辆的横向速度，根据两个第二位置信息中的横向坐标，确定该参与车辆的横向速度，并且，根据相邻两个目标时刻之间的时间间隔，可以计算测试车辆与该参与车辆的横向碰撞时间。相应的，测试车辆与该参与车辆的纵向碰撞时间可以使用类似的方式计算，在此不再赘述。在确定测试车辆与该参与车辆之间的横向碰撞时间和纵向碰撞时间之后，可以通过几何运算确定测试车辆与参与车辆之间的目标碰撞时间。
通过上述方式，可以分别确定每一个参与车辆与测试车辆之间的目标碰撞时间。
可选的，通过下述公式确定测试车辆与第i个参与车辆之间的目标碰撞时间：
Figure 184616DEST_PATH_IMAGE017
Figure 324611DEST_PATH_IMAGE018
Figure 170207DEST_PATH_IMAGE019
其中，x方向表示所述测试车辆的行驶方向，y方向与所述x方向垂直的方向，
Figure 833751DEST_PATH_IMAGE020
表示所述测试车辆与第i个参与车辆在所述x方向上的横向碰撞时间，
Figure 67286DEST_PATH_IMAGE021
表示 所述测试车辆与第i个参与车辆在所述y方向上的纵向碰撞时间，TTC i 表示所述测试车辆与 第i个参与车辆之间的目标碰撞时间，
Figure 694577DEST_PATH_IMAGE022
表示所述测试车辆与第i个参与车辆在所述x 方向上的横向距离，
Figure 78285DEST_PATH_IMAGE023
表示所述测试车辆与第i个参与车辆在所述x方向上的横向速度，
Figure 599265DEST_PATH_IMAGE024
表示所述测试车辆与第i个参与车辆在所述y方向上的纵向距离，
Figure 269280DEST_PATH_IMAGE025
表示所述测 试车辆与第i个参与车辆在所述y方向上的纵向速度，t 0 和t 1 分别表示相邻两个目标时刻，t 0 位于t 1 之前，
Figure 259233DEST_PATH_IMAGE026
表示t 0 时刻所述测试车辆的第一位置信息，
Figure 40107DEST_PATH_IMAGE027
表示t 1 时 刻所述测试车辆的第一位置信息，
Figure 290960DEST_PATH_IMAGE028
表示t 0 时刻第i个参与车辆的第二位置信息，
Figure 522090DEST_PATH_IMAGE029
表示t 1 时刻第i个参与车辆的第二位置信息。
S280、根据各目标碰撞时间，确定与待评估场景相对应的动态复杂度。
可选的，通过下述公式确定与待评估场景相对应的动态复杂度：
Figure 999339DEST_PATH_IMAGE030
其中，C D 表示与所述待评估场景相对应的动态复杂度，M表示所述待评估场景中参与车辆的总数量，TTC i 表示所述测试车辆与第i个参与车辆之间的目标碰撞时间。
示例性的，待评估场景中的参与车辆包括VT1、VT2以及VT3，其中，VT1对应的横向碰撞时间为2.67s，纵向碰撞时间为3s，VT2对应的横向碰撞时间为2s，纵向碰撞时间为0，VT3对应的横向碰撞时间为0，纵向碰撞时间为∞，在上述情况下，可以通过下述公式计算：
Figure 849483DEST_PATH_IMAGE031
Figure 79476DEST_PATH_IMAGE032
因此，可以确定与待评估场景相对应的动态复杂度为5.997。
S290、将静态复杂度和动态复杂度的乘积确定为与待评估场景相对应的场景复杂度。
具体的，在确定待评估场景对应的静态复杂度和动态复杂度之后，可以将二者的乘积作为与待评估场景相对应的场景复杂度。
示例性的，可以通过下述公式确定与待评估场景相对应的场景复杂度：
Figure 91295DEST_PATH_IMAGE033
其中，C表示与待评估场景相对应的场景复杂度，C S 表示与待评估场景相对应的静态复杂度，C D 表示与待评估场景相对应的动态复杂度。
示例性的，与待评估场景相对应的静态复杂度为4.215，与待评估场景相对应的动态复杂度为5.997，那么，与待评估场景相对应的场景复杂度为4.215×5.997=25.278。
本实施例具有以下技术效果：利用待评估场景中的静态场景要素，通过层次分析法确定要素权重，通过层次分析法以及信息熵理论确定复杂度系数，通过预设方式综合各静态场景要素，自动且准确的得到静态复杂度。利用待评估场景中相邻两个目标时刻对应的子评估场景，确定测试车辆与各参与车辆之间的目标碰撞时间，进而通过预设方式综合各目标碰撞时间得到动态复杂度。通过将静态复杂度和动态复杂度相乘确定待评估场景的场景复杂度，以提高场景复杂度的可解释性以及准确性。
需要说明的是，本发明所用术语仅为了描述特定实施例，而非限制本申请范围。如本发明说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。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、方法或者设备中还存在另外的相同要素。
还需说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：其依然可以对前述各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各实施例技术方案。

Claims (9)

1.一种车辆场景复杂度确定方法，其特征在于，包括：
根据待评估场景，确定至少一个静态场景要素以及至少一个动态场景要素；
根据与各所述静态场景要素对应的要素权重、与各所述静态场景要素对应的预设评估值以及与所述待评估场景对应的复杂度系数，确定与所述待评估场景相对应的静态复杂度；其中，所述要素权重基于层次分析法确定，所述复杂度系数基于所述层次分析法以及信息熵理论确定；所述静态场景要素包括两级；
根据所述待评估场景，确定相邻两个目标时刻对应的子评估场景，并根据所述子评估场景，确定所述待评估场景中的测试车辆与所述待评估场景中各参与车辆之间的目标碰撞时间；
根据各所述目标碰撞时间，确定与所述待评估场景相对应的动态复杂度；
根据所述静态复杂度以及所述动态复杂度，确定与所述待评估场景相对应的场景复杂度；
所述根据所述子评估场景，确定所述待评估场景中的测试车辆与所述待评估场景中各参与车辆之间的目标碰撞时间，包括：
针对每个子评估场景，通过图像分析或者安装在道路上的传感器获取所述子评估场景中所述待评估场景中的测试车辆的位置信息作为第一位置信息，获取所述待评估场景中各参与车辆的位置信息作为第二位置信息；
针对每个参与车辆，根据各所述第一位置信息、所述参与车辆的各第二位置信息以及相邻两个目标时刻之间的时间间隔，确定所述测试车辆与所述参与车辆之间的目标碰撞时间。
2.根据权利要求1所述的方法，其特征在于，所述根据与各所述静态场景要素对应的要素权重、与各所述静态场景要素对应的预设评估值以及与所述待评估场景对应的复杂度系数，确定与所述待评估场景相对应的静态复杂度，包括：
针对每个静态场景要素，根据所述静态场景要素对应的预设评估值和所述静态场景要素对应的要素权重，确定与所述静态场景要素对应的第一复杂度；
根据各所述第一复杂度，确定与所述静态场景要素对应的第二复杂度；
根据所述第二复杂度和与所述待评估场景对应的复杂度系数，确定与所述待评估场景相对应的静态复杂度。
3.根据权利要求2所述的方法，其特征在于，所述根据所述静态场景要素对应的预设评估值和所述静态场景要素对应的要素权重，确定与所述静态场景要素对应的第一复杂度，包括：
将所述静态场景要素对应的预设评估值和所述静态场景要素对应的要素权重乘积作为与所述静态场景要素对应的第一复杂度；
相应的，所述根据各所述第一复杂度，确定与所述静态场景要素对应的第二复杂度，包括：
将各所述第一复杂度的和值作为与所述静态场景要素对应的第二复杂度；
相应的，所述根据所述第二复杂度和与所述待评估场景对应的复杂度系数，确定与所述待评估场景相对应的静态复杂度，包括：
将所述第二复杂度和与所述待评估场景对应的复杂度系数的乘积作为与所述待评估场景相对应的静态复杂度。
4.根据权利要求1所述的方法，其特征在于，在所述根据与各所述静态场景要素对应的要素权重、与各所述静态场景要素对应的预设评估值以及与所述待评估场景对应的复杂度系数，确定与所述待评估场景相对应的静态复杂度之前，还包括：
根据至少一个所述静态场景要素，建立层次结构模型；
针对所述层次结构模型中各要素节点，根据德尔菲法构建判断矩阵；
对所述判断矩阵进行一致性检验，在所述一致性检验通过的情况下，根据所述判断矩阵，确定各要素节点对应的节点权重；
将要素节点对应的节点权重作为与所述要素节点对应的静态场景要素的要素权重。
5.根据权利要求4所述的方法，其特征在于，还包括：
根据所述层次结构模型，确定所述层次结构模型中各要素节点所对应的输入输出结构；
针对每个输入输出结构，确定所述输入输出结构所对应的要素节点子数量；
根据各所述要素节点子数量以及要素节点总数量，基于所述信息熵理论确定与所述待评估场景对应的复杂度系数。
6.根据权利要求5所述的方法，其特征在于，所述根据各所述要素节点子数量以及要素节点总数量，基于所述信息熵理论确定与所述待评估场景对应的复杂度系数，包括：
通过下述公式确定与所述待评估场景对应的复杂度系数：
Figure 677792DEST_PATH_IMAGE001
其中，θ表示与所述待评估场景对应的复杂度系数，J表示所述待评估场景中所述输入输出结构的数量，n j 表示第j种输入输出结构对应的要素节点子数量，N表示所述要素节点总数量。
7.根据权利要求1所述的方法，其特征在于，所述根据各所述第一位置信息、所述参与车辆的各第二位置信息以及相邻两个目标时刻之间的时间间隔，确定所述测试车辆与所述参与车辆之间的目标碰撞时间，包括：
通过下述公式确定所述测试车辆与第i个参与车辆之间的目标碰撞时间：
Figure 753195DEST_PATH_IMAGE002
Figure 684242DEST_PATH_IMAGE003
Figure 376255DEST_PATH_IMAGE004
其中，x方向表示所述测试车辆的行驶方向，y方向与所述x方向垂直的方向，
Figure 378846DEST_PATH_IMAGE005
表 示所述测试车辆与第i个参与车辆在所述x方向上的横向碰撞时间，
Figure 627466DEST_PATH_IMAGE006
表示所述测试车 辆与第i个参与车辆在所述y方向上的纵向碰撞时间，TTC i 表示所述测试车辆与第i个参与 车辆之间的目标碰撞时间，
Figure 463835DEST_PATH_IMAGE007
表示所述测试车辆与第i个参与车辆在所述x方向上的横 向距离，
Figure 971040DEST_PATH_IMAGE008
表示所述测试车辆与第i个参与车辆在所述x方向上的横向速度，
Figure 652688DEST_PATH_IMAGE009
表示 所述测试车辆与第i个参与车辆在所述y方向上的纵向距离，
Figure 499421DEST_PATH_IMAGE010
表示所述测试车辆与第i个参与车辆在所述y方向上的纵向速度，t 0 和t 1 分别表示相邻两个目标时刻，t 0 位于t 1 之 前，
Figure 365746DEST_PATH_IMAGE011
表示t 0 时刻所述测试车辆的第一位置信息，
Figure 999728DEST_PATH_IMAGE012
表示t 1 时刻所述测试 车辆的第一位置信息，
Figure 609700DEST_PATH_IMAGE013
表示t 0 时刻第i个参与车辆的第二位置信息，
Figure 514203DEST_PATH_IMAGE014
表示t 1 时刻第i个参与车辆的第二位置信息。
8.根据权利要求1所述的方法，其特征在于，所述根据各所述目标碰撞时间，确定与所述待评估场景相对应的动态复杂度，包括：
通过下述公式确定与所述待评估场景相对应的动态复杂度：
Figure 817008DEST_PATH_IMAGE015
其中，C D 表示与所述待评估场景相对应的动态复杂度，M表示所述待评估场景中参与车辆的总数量，TTC i 表示所述测试车辆与第i个参与车辆之间的目标碰撞时间。
9.根据权利要求1所述的方法，其特征在于，所述根据所述静态复杂度以及所述动态复杂度，确定与所述待评估场景相对应的场景复杂度，包括：
将所述静态复杂度和所述动态复杂度的乘积确定为与所述待评估场景相对应的场景复杂度。
CN202211298513.6A 2022-10-24 2022-10-24 车辆场景复杂度确定方法 Active CN115376324B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211298513.6A CN115376324B (zh) 2022-10-24 2022-10-24 车辆场景复杂度确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211298513.6A CN115376324B (zh) 2022-10-24 2022-10-24 车辆场景复杂度确定方法

Publications (2)

Publication Number Publication Date
CN115376324A CN115376324A (zh) 2022-11-22
CN115376324B true CN115376324B (zh) 2023-03-24

Family

ID=84074185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211298513.6A Active CN115376324B (zh) 2022-10-24 2022-10-24 车辆场景复杂度确定方法

Country Status (1)

Country Link
CN (1) CN115376324B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115575982B (zh) * 2022-11-24 2023-03-28 中汽研软件测评(天津)有限公司 车载卫星定位系统健壮性确定方法、设备和存储介质
CN116050136B (zh) * 2023-01-28 2023-07-21 中国船级社 一种智能船舶测试场景库的生成方法、装置及设备
CN116401111B (zh) * 2023-05-26 2023-09-05 中国第一汽车股份有限公司 脑机接口的功能检测方法、装置、电子设备及存储介质
CN116702521B (zh) * 2023-08-08 2023-10-24 北京赛目科技股份有限公司 一种自动驾驶场景一致性对比方法、装置及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111122175A (zh) * 2020-01-02 2020-05-08 北京百度网讯科技有限公司 测试自动驾驶系统的方法以及装置
CN112053555A (zh) * 2020-07-30 2020-12-08 中汽数据有限公司 一种用于对停车场环境驾驶场景复杂度评级的方法
CN112740295A (zh) * 2020-03-31 2021-04-30 华为技术有限公司 检测车辆行驶场景的复杂度的方法和装置
CN114820922A (zh) * 2022-03-22 2022-07-29 际络科技(上海)有限公司 基于复杂度的自动驾驶有效静态场景构建方法和系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5867296B2 (ja) * 2012-05-30 2016-02-24 株式会社デンソー 運転シーン認識装置
US10579888B2 (en) * 2018-05-15 2020-03-03 GM Global Technology Operations LLC Method and system for improving object detection and object classification
CN111651712B (zh) * 2020-05-27 2023-03-28 北京航空航天大学 一种智能汽车测试场景复杂度的评估方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111122175A (zh) * 2020-01-02 2020-05-08 北京百度网讯科技有限公司 测试自动驾驶系统的方法以及装置
CN112740295A (zh) * 2020-03-31 2021-04-30 华为技术有限公司 检测车辆行驶场景的复杂度的方法和装置
CN112053555A (zh) * 2020-07-30 2020-12-08 中汽数据有限公司 一种用于对停车场环境驾驶场景复杂度评级的方法
CN114820922A (zh) * 2022-03-22 2022-07-29 际络科技(上海)有限公司 基于复杂度的自动驾驶有效静态场景构建方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
危险驾驶工况场景的复杂度评估方法研究;董汉等;《汽车工程》;20200624(第06期);全文 *
自动驾驶车辆道路测试场景评价方法与试验验证;王荣;《汽车工程》;20210425;正文第1-9页 *

Also Published As

Publication number Publication date
CN115376324A (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CN115376324B (zh) 车辆场景复杂度确定方法
CN110136170B (zh) 一种基于卷积神经网络的遥感影像建筑物变化检测方法
CN110188705B (zh) 一种适用于车载系统的远距离交通标志检测识别方法
CN109087510B (zh) 交通监测方法及装置
CN111178213B (zh) 一种基于深度学习的航拍车辆检测方法
CN111126399B (zh) 一种图像检测方法、装置、设备及可读存储介质
CN111079602A (zh) 基于多尺度区域特征约束的车辆细粒度识别方法及装置
CN110009037B (zh) 一种基于物理信息耦合的工程风速短时预测方法及系统
CN114023062B (zh) 一种基于深度学习和边缘计算的交通流信息监测方法
CN113255589B (zh) 一种基于多卷积融合网络的目标检测方法及系统
CN112381060B (zh) 一种基于深度学习的建筑物地震破坏等级分类方法
CN107967474A (zh) 一种基于卷积神经网络的海面目标显著性检测方法
CN110851948B (zh) 非结构化道路条件下的行车环境态势评估方法及评估装置
CN111738114A (zh) 基于无锚点精确采样遥感图像车辆目标检测方法
CN115359366A (zh) 基于参数优化的遥感图像目标检测方法
CN110796360A (zh) 一种固定型交通检测源多尺度数据融合方法
CN114612883A (zh) 一种基于级联ssd和单目深度估计的前向车辆距离检测方法
CN112017213B (zh) 一种目标对象的位置更新方法及系统
CN112001453A (zh) 一种视频事件检测算法的准确率计算方法及装置
CN114898204B (zh) 一种基于深度学习的轨道交通周边危险源检测方法
CN112016845A (zh) 基于dnn与cim的区域经济效益评估方法与系统
CN116630702A (zh) 一种基于语义分割网络的路面附着系数预测方法
CN115497075A (zh) 基于改进型卷积神经网络交通目标检测方法及相关装置
CN112001388B (zh) 一种基于YOLOv3改进模型的用于检测PCB中圆形目标的方法
CN112233079B (zh) 多传感器图像融合的方法及系统

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