CN116222597A - 自动驾驶任务的处理方法及其装置 - Google Patents

自动驾驶任务的处理方法及其装置 Download PDF

Info

Publication number
CN116222597A
CN116222597A CN202211649097.XA CN202211649097A CN116222597A CN 116222597 A CN116222597 A CN 116222597A CN 202211649097 A CN202211649097 A CN 202211649097A CN 116222597 A CN116222597 A CN 116222597A
Authority
CN
China
Prior art keywords
driving
road network
travel
difficulty
candidate
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.)
Pending
Application number
CN202211649097.XA
Other languages
English (en)
Inventor
赵军
陈晨
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202211649097.XA priority Critical patent/CN116222597A/zh
Publication of CN116222597A publication Critical patent/CN116222597A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3605—Destination input or retrieval
    • G01C21/3617—Destination input or retrieval using user history, behaviour, conditions or preferences, e.g. predicted or inferred from previous use or current movement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Social Psychology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供了一种自动驾驶任务的处理方法及其装置，涉及人工智能技术领域，尤其涉及自动驾驶、无人驾驶技术领域。该方法包括：接收自动驾驶任务，并根据自动驾驶任务，确定多个候选行驶路线；确定每个候选行驶路线所在路网，并获取所在路网的路网信息、驾驶行为信息和网络状态信息；根据路网信息、驾驶行为信息和网络状态信息，确定候选行驶路线的出行难度参数；根据出行难度参数，从多个候选行驶路线中确定自动驾驶任务的目标行驶路线。本公开实施例可以根据复杂驾驶任务、实际工作环境进行推理，得到出行难度参数，为自动驾驶任务执行难度评价提供重要依据，可以提高自动驾驶任务的处理效率以及灵活性、提高执行自动驾驶任务的效率。

Description

自动驾驶任务的处理方法及其装置
技术领域
本公开涉及人工智能技术领域，尤其涉及自动驾驶、无人驾驶技术领域。
背景技术
自动驾驶车辆的实际应用需求是接驳，将目标对象从起始点安全、舒适、高效的接送到终点，目标对象坐车时会通过部署在终端设备上的应用程序(app)或者云服务器将起终点信息发送给服务器，服务器按照算法策略规划出行驶路径，行驶过程中自动驾驶车辆会与该路段的其他交通参与者交互，完成起步、变道、礼让、经过路口、识别信号灯、避让栅栏等驾驶任务。
因此，如何提高自动驾驶任务的处理效率以及灵活性、提高执行自动驾驶任务的效率，避免浪费时间，已经成为重要的研究方向之一。
发明内容
本公开提供了一种自动驾驶任务的处理方法及其装置。
根据本公开的一方面，提供了一种自动驾驶任务的处理方法，该方法包括：
接收自动驾驶任务，并根据自动驾驶任务，确定多个候选行驶路线；
确定每个候选行驶路线所在路网，并获取所在路网的路网信息、驾驶行为信息和网络状态信息；
根据路网信息、驾驶行为信息和网络状态信息，确定候选行驶路线的出行难度参数；
根据出行难度参数，从多个候选行驶路线中确定自动驾驶任务的目标行驶路线。
本公开实施例可以根据复杂驾驶任务、实际工作环境进行推理，得到出行难度参数，为自动驾驶任务执行难度评价提供重要依据，可以提高自动驾驶任务的处理效率以及灵活性、提高执行自动驾驶任务的效率，避免浪费资源。
根据本公开的另一方面，提供了一种自动驾驶任务的处理装置，包括：
接收模块，用于接收自动驾驶任务，并根据自动驾驶任务，确定多个候选行驶路线；
获取模块，用于确定每个候选行驶路线所在路网，并获取所在路网的路网信息、驾驶行为信息和网络状态信息；
第一确定模块，用于根据路网信息、驾驶行为信息和网络状态信息，确定候选行驶路线的出行难度参数；
第二确定模块，用于根据出行难度参数，从多个候选行驶路线中确定自动驾驶任务的目标行驶路线。
根据本公开的另一方面，提供了一种电子设备，包括至少一个处理器，以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开第一个方面实施例的自动驾驶任务的处理方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行本公开第一个方面实施例的自动驾驶任务的处理方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现本公开第一个方面实施例的自动驾驶任务的处理方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开一个实施例的自动驾驶任务的处理方法的流程图；
图2是根据本公开一个实施例的自动驾驶任务的处理方法的流程图；
图3是根据本公开一个实施例的自动驾驶任务的处理方法的流程图；
图4是根据本公开一个实施例的自动驾驶任务的处理方法的示意图；
图5是根据本公开一个实施例的自动驾驶任务的处理装置的结构图；
图6是用来实现本公开实施例的自动驾驶任务的处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本公开实施例涉及计算机视觉、深度学习等人工智能技术领域。
人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
无人驾驶技术是传感器、计算机、人工智能、通信、导航定位、模式识别、机器视觉、智能控制等多门前沿学科的综合体。
自动驾驶一般指自动驾驶系统，其采用先进的通信、计算机、网络和控制技术，对列车实现实时、连续控制。采用现代通信手段，直接面对列车，可实现车地间的双向数据通信，传输速率快，信息量大，后续追踪列车和控制中心可以及时获知前行列车的确切位置，使得运行管理更加灵活，控制更为有效，更加适应列车自动驾驶的需求。
下面结合参考附图描述本公开的自动驾驶任务的处理方法及其装置。
图1是根据本公开一个实施例的自动驾驶任务的处理方法的流程图，如图1所示，该方法包括以下步骤：
S101，接收自动驾驶任务，并根据自动驾驶任务，确定多个候选行驶路线。
可选地，本公开实施例的执行主体可以是服务器，如计算机等，可选地，本公开实施例的执行主体可以是自动驾驶系统。本公开实施例中，对此不做限制。
自动驾驶车辆的实际应用需求是接驳，将目标对象从起始点安全、舒适、高效的接送到终点，目标对象坐车时会通过部署在终端设备上的应用程序(app)或者云服务器将起终点信息发送给服务器，服务器按照算法策略规划出行驶路径，行驶过程中自动驾驶车辆会与该路段的其他交通参与者交互，完成起步、变道、礼让、经过路口、识别信号灯、避让栅栏等驾驶任务。
本公开实施例中，服务器可以接收终端设备发送的自动驾驶任务，自动驾驶任务中包含起点位置信息以及终点位置信息，服务器根据起点位置信息以及终点位置信息规划出起点位置至终点位置的多个候选行驶路线。
S102，确定每个候选行驶路线所在路网，并获取所在路网的路网信息、驾驶行为信息和网络状态信息。
路网指的是在一定区域内，由各种道路组成的相互联络、交织成网状分布的道路系统。全部由各级公路组成的称公路网。在城市范围内由各种道路组成的称城市道路网。城市道路网由城镇管辖范围内的各种不同功能的干道和区域性道路所组成，它是城市总体规划布局的骨架，可为各种交通工具提供安全、迅速、经济、舒适的行驶条件。
在一些实现中，梳理影响自动驾驶行为的参考因素包括路网难度、驾驶行为难度、自动驾驶依赖的外部网络条件等，本公开实施例中，获取每个候选行驶路线所在区域范围的路网，并获取所在路网的路网信息、驾驶行为信息和网络状态信息。
可选地，路网信息可以包括所在路网的基础设施，驾驶行为信息可以包括驾驶场景频率和场景复杂度等信息，网络状态信息可以包括所在路网的网络时延和网络卡顿信息等。
S103，根据路网信息、驾驶行为信息和网络状态信息，确定候选行驶路线的出行难度参数。
实际上同样一条路线在不同时段出行，驾驶难度是不一样的，早晚高峰时刻交通流量大，交互行为更多可能触发更难的驾驶任务，交通参与者违章激进驾驶的可能性会变大，同一时刻计算单元处理的信息量也会更大带来时延也会上升，以上因素都会导致同一条路线在不同时段的自动驾驶任务难度不同。同样是一个驾驶任务从A点将目标对象送达B点，穿过人流密集区走近路，绕远路避开人流密集区会产生不同的驾驶难度。假如是一个体验型需求，从A点出发绕一圈回到A点，那么左转-左转-左转-左转和右转-右转-右转-右转都可以实现该需求，但两种方式的驾驶难度是不一样的。
本公开实施例中，根据路网信息、驾驶行为信息和网络状态信息中各指标数据进行量化并加权，确定候选行驶路线的出行难度参数。
S104，根据出行难度参数，从多个候选行驶路线中确定自动驾驶任务的目标行驶路线。
在一些实现中，出行难度参数指示了自动驾驶难度，可以按照出行难度参数对多个候选行驶路线进行排序，从中选取出行难度参数最低的第一候选行驶路线，作为目标行驶路线。
在一些实现中，为了平衡出行难度和行驶时间，可以选出出行难度参数小于或者等于预设难度阈值的一个或多个第二候选行驶路线，进而再从第二候选行驶路线中选取行驶时间最短的第二候选行驶路线作为自动驾驶任务的目标行驶路线；由此可以避免浪费时间。
在一些实现中，为了平衡出行难度和行驶里程，可以选出出行难度参数小于或者等于预设难度阈值的一个或多个第二候选行驶路线，进而再从第二候选行驶路线中选取行驶里程最短的候选行驶路线作为自动驾驶任务的目标行驶路线；由此可以避免浪费资源。
本公开实施例中，接收自动驾驶任务，并根据自动驾驶任务，确定多个候选行驶路线；确定每个候选行驶路线所在路网，并获取所在路网的路网信息、驾驶行为信息和网络状态信息；根据路网信息、驾驶行为信息和网络状态信息，确定候选行驶路线的出行难度参数；根据出行难度参数，从多个候选行驶路线中确定自动驾驶任务的目标行驶路线。本公开实施例可以根据复杂驾驶任务、实际工作环境进行推理，得到出行难度参数，为自动驾驶任务执行难度评价提供重要依据，可以提高自动驾驶任务的处理效率以及灵活性、提高执行自动驾驶任务的效率，避免浪费资源。
图2是根据本公开一个实施例的自动驾驶任务的处理方法的流程图，如图2所示，获取所在路网的路网信息、驾驶行为信息和网络状态信息，包括以下步骤：
S201，获取所在路网的基础设施，并确定基础设施的属性信息为所在路网的路网信息。
本公开实施例中，路网的特征由路网内的基础设施组成，包含了红绿灯、车道线、路口大小、车道数量、主辅路等。
在一些实现中，可以基于基础设施对驾驶行为影响的程度，选择多类基础设施的属性信息为所在路网的路网信息。例如可以是平均车道宽度、平均车道数量、主辅路数量、分叉汇入数量、红绿灯路口数量、无红绿灯路口数量、重要元素数量(环岛、隧道等)。
S202，获取所在路网的历史自动驾驶数据。
驾驶行为信息主要包括自动驾驶车辆行为以及与路网难度中交通参与者的交互行为，本公开实施例中，可以获取所在路网的历史自动驾驶数据，以便于后续分析。
S203，对历史自动驾驶数据进行分析，获取所在路网上各类驾驶行为的发生频次。
在一些实现中，驾驶行为可以包括路口左转、路口右转、路口掉头、路口直行、变化车道、应对切车、站点接驳等。对历史自动驾驶数据进行分析，获取每个候选行驶路线所在路网上各类驾驶行为的发生频次。
S204，确定发生频次为所在路网的驾驶行为信息。
本公开实施例中，确定每个候选行驶路线所在路网上各类驾驶行为的发生频次为所在路网的驾驶行为信息。
S205，获取所在路网的多个历史自动驾驶任务执行时的代驾时延和代驾卡顿次数。
自动驾驶车辆需要借助网络与远程云代驾安全员进行实时通讯，遇到特殊路况、超出运行条件等场景需要云代驾安全员及时接管完成脱困，因此网络覆盖情况对自动驾驶安全高效运行至关重要。
S206，根据每个历史自动驾驶的代驾时延和代驾卡顿次数确定所在路网的网络状态信息。
本公开实施例中，获取所在路网的多个历史自动驾驶任务执行时的代驾时延和代驾卡顿次数，作为所在路网的网络状态信息。
本公开实施例中，获取所在路网的基础设施，并确定基础设施的属性信息为所在路网的路网信息，获取所在路网的历史自动驾驶数据，对历史自动驾驶数据进行分析，获取所在路网上各类驾驶行为的发生频次，作为所在路网的驾驶行为信息，获取所在路网的多个历史自动驾驶任务执行时的代驾时延和代驾卡顿次数，作为所在路网的网络状态信息。本公开实施例可以根据复杂驾驶任务、实际工作环境进行推理，得到出行难度参数，为自动驾驶任务执行难度评价提供重要依据，可以提高自动驾驶任务的处理效率以及灵活性、提高执行自动驾驶任务的效率，避免浪费资源。
图3是根据本公开一个实施例的自动驾驶任务的处理方法的流程图，如图3所示，该方法包括以下步骤：
S301，对路网信息中各指标数据进行难度值量化，并对各指标数据的量化难度值进行加权，得到所在路网的路网难度参数。
路网难度参数指自动驾驶车辆在候选行驶路线的运行区域上行驶时，对驾驶能力带来的挑战，本公开实施例中，以路网信息包括七类基础设施的属性信息为例进行说明，可选地，如表1所示，七类基础设施的属性信息可以是平均车道宽度、平均车道数量、主辅路数量、分叉汇入数量、红绿灯路口数量、无红绿灯路口数量、重要元素数量(环岛、隧道等)。
表1
Figure BDA0004011150700000071
Figure BDA0004011150700000081
对路网信息中各指标数据，即每类基础设施的属性信息进行难度值量化，并对各指标数据的量化难度值进行加权，得到所在路网的路网难度参数。以基础设施的属性信息为平均车道宽度进行举例说明，在一些实现中，平均车道宽度的指标范围包括“<3”、“3-3.2”、“3.2-3.4”、“3.4-3.6”、“>3.6”五个指标子范围，对应难度范围为0-100，若平均车道宽度属于“<3”的指标子范围，对应量化难度值可以是20；若平均车道宽度属于“3-3.2”的指标子范围，对应量化难度值可以是40；若平均车道宽度属于“3.2-3.4”的指标子范围，对应量化难度值可以是60；若平均车道宽度属于“3.4-3.6”的指标子范围，对应量化难度值可以是80；若平均车道宽度属于“>3.6”的指标子范围，对应量化难度值可以是100。在一些实现中，指标范围与难度范围之间具有映射关系，可以根据映射关系获取指标数据对应的量化难度值。同理，以此类推，可以分别求出平均车道数量、主辅路数量、分叉汇入数量、红绿灯路口数量、无红绿灯路口数量、重要元素数量(环岛、隧道等)各自对应的量化难度值。
可选地，可以采用如下公式获取路网难度参数：
Figure BDA0004011150700000082
Figure BDA0004011150700000083
其中，D1表示路网难度参数，Ai表示第i个指标数据的权重，Gi表示第i个指标数据的量化难度值，i取值1至7。
S302，对驾驶行为中各类驾驶行为进行复杂度量化，并对各类驾驶行为的量化复杂度进行加权，得到所在路网的驾驶行为复杂度。
驾驶行为复杂度主要研究自动驾驶车辆与交通参与者特征，包含了自动驾驶车辆行为以及与路网难度中交通参与者的交互行为，本公开实施例中，以七类驾驶行为为例进行举例说明，可选地，如表2所示，七类驾驶行为可以包括路口左转、路口右转、路口掉头、路口直行、变化车道、应对切车、站点接驳。
表2
Figure BDA0004011150700000084
Figure BDA0004011150700000091
本公开实施例中，对驾驶行为中各类驾驶行为进行复杂度量化，并对各类驾驶行为的量化复杂度进行加权，得到所在路网的驾驶行为复杂度。以驾驶行为为路口左转进行举例说明，路口左转的驾驶行为发生频次和难度范围之间具有映射关系，可以根据映射关系获取各类驾驶行为对应的量化复杂值。同理，以此类推，可以分别求出路口右转、路口掉头、路口直行、变化车道、应对切车、站点接驳等驾驶行为的量化复杂值。
可选地，可以采用如下公式获取驾驶行为复杂度：
Figure BDA0004011150700000092
Figure BDA0004011150700000093
其中，D2表示驾驶行为复杂度，Bm表示第m类驾驶行为的权重，Hm表示第m类驾驶行为的量化复杂度，m取值1至7。
S303，对网络状态信息中各质量指标数据进行难度值量化，并对各质量指标数据的量化难度值进行加权，得到所在路网的网络质量参数。
可选地，如表3所示，网络质量指标数据包括代驾时延和代驾卡顿。其中代驾时延用于衡量现实场景发生与云代驾安全员看到发生之间的时间差，时间差越大云代驾危险性越大，代驾卡顿用于衡量云代驾安全员画面的连续性和画面质量，延时极低的画面如果卡顿过多也会对安全员远程驾驶车辆产生影响，卡顿越多危险性越大。
表3
Figure BDA0004011150700000094
本公开实施例中，对网络状态信息中各质量指标数据进行难度值量化，并对各质量指标数据的量化难度值进行加权，得到所在路网的网络质量参数。以质量指标数据为代驾时延进行举例说明，在一些实现中，代驾时延的质量指标范围包括“0-100”、“100-200”、“200-300”、“300-400”、“>400”5个质量指标子范围，对应难度范围为0-100，若代驾时延属于“0-100”的质量指标子范围，对应量化难度值可以是20；若代驾时延属于“100-200”的质量指标子范围，对应量化难度值可以是40；若代驾时延属于“200-300”的质量指标子范围，对应量化难度值可以是60；若代驾时延属于“300-400”的质量指标子范围，对应量化难度值可以是70；若代驾时延属于“>400”的质量指标子范围，对应量化难度值可以是100。在一些实现中，质量指标范围与难度范围之间具有映射关系，可以根据映射关系获取质量指标数据对应的量化难度值。同理，以此类推，可以求出代驾卡顿次数对应的量化难度值。
可选地，可以采用如下公式获取网络质量参数：
Figure BDA0004011150700000101
Figure BDA0004011150700000102
其中，D3表示网络质量参数，Cn表示第n个质量指标数据的权重，Kn表示第n个质量指标数据的量化难度值，n取值1、2。
S304，对路网难度参数、驾驶行为复杂度和网络质量参数进行加权，得到候选行驶路线的出行难度参数。
如表4所示，使用层次分析法对路网难度参数、驾驶行为复杂度和网络质量参数进行加权，得到候选行驶路线的出行难度参数。
表4
出行难度指标 权重 指标范围 指标难度
路网难度参数 Q1 0-100 D1
驾驶行为复杂度 Q2 0-100 D2
网络质量参数 Q3 0-100 D3
可选地，可以采用如下公式获取出行难度参数：
Figure BDA0004011150700000103
其中，R表示出行难度参数，Dj表示第j个出行难度指标，Qj表示第j个出行难度指标对应的权重，j取值1至3。
可选地，本公开实施例中所涉及的权重可以是预先设定的权重。
本公开实施例中，根据实际场景内运行情况，对自动驾驶难度进行拆解，识别出了主要影响因素，并给出了指标参考范围，并实现了难度量化。为自动驾驶任务执行难度评价提供重要依据，可以提高自动驾驶任务的处理效率以及灵活性、提高执行自动驾驶任务的效率，避免浪费资源。
图4是根据本公开一个实施例的自动驾驶任务的处理方法的示意图，如图4所示，本公开实施例中，接收自动驾驶任务，并根据自动驾驶任务，确定多个候选行驶路线；确定每个候选行驶路线所在路网，并获取所在路网的路网信息、驾驶行为信息和网络状态信息；对路网信息中各指标数据进行难度值量化，并对各指标数据的量化难度值进行加权，得到所在路网的路网难度参数；对驾驶行为中各类驾驶行为进行复杂度量化，并对各类驾驶行为的量化复杂度进行加权，得到所在路网的驾驶行为复杂度；对网络状态信息中各质量指标数据进行难度值量化，并对各质量指标数据的量化难度值进行加权，得到所在路网的网络质量参数；对路网难度参数、驾驶行为复杂度和网络质量参数进行加权，得到候选行驶路线的出行难度参数。根据出行难度参数，从多个候选行驶路线中确定自动驾驶任务的目标行驶路线。
本公开实施例中，根据实际场景内运行情况，对自动驾驶难度进行拆解，识别出了主要影响因素，并给出了指标参考范围，并实现了难度量化。为自动驾驶任务执行难度评价提供重要依据，可以提高自动驾驶任务的处理效率以及灵活性、提高执行自动驾驶任务的效率，避免浪费资源。
图5是根据本公开一个实施例的自动驾驶任务的处理装置的结构图，如图5所示，自动驾驶任务的处理装置500包括：
接收模块510，用于接收自动驾驶任务，并根据自动驾驶任务，确定多个候选行驶路线；
获取模块520，用于确定每个候选行驶路线所在路网，并获取所在路网的路网信息、驾驶行为信息和网络状态信息；
第一确定模块530，用于根据路网信息、驾驶行为信息和网络状态信息，确定候选行驶路线的出行难度参数；
第二确定模块540，用于根据出行难度参数，从多个候选行驶路线中确定自动驾驶任务的目标行驶路线。
在一些实现中，获取模块520，还用于：获取所在路网的基础设施，并确定基础设施的属性信息为所在路网的路网信息。
在一些实现中，获取模块520，还用于：获取所在路网的历史自动驾驶数据；对历史自动驾驶数据进行分析，获取所在路网上各类驾驶行为的发生频次；确定发生频次为所在路网的驾驶行为信息。
在一些实现中，获取模块520，还用于：获取所在路网的多个历史自动驾驶任务执行时的代驾时延和代驾卡顿次数；根据每个历史自动驾驶的代驾时延和代驾卡顿次数确定所在路网的网络状态信息。
在一些实现中，第一确定模块530，还用于：对路网信息中各指标数据进行难度值量化，并对各指标数据的量化难度值进行加权，得到所在路网的路网难度参数；对驾驶行为中各类驾驶行为进行复杂度量化，并对各类驾驶行为的量化复杂度进行加权，得到所在路网的驾驶行为复杂度；对网络状态信息中各质量指标数据进行难度值量化，并对各质量指标数据的量化难度值进行加权，得到所在路网的网络质量参数；对路网难度参数、驾驶行为复杂度和网络质量参数进行加权，得到候选行驶路线的出行难度参数。
在一些实现中，第二确定模块540，还用于：
按照出行难度参数对多个候选行驶路线进行排序，从中选取出行难度参数最低的第一候选行驶路线，作为目标行驶路线；或者，
从中选取出行难度参数小于或者等于预设难度阈值的一个或多个第二候选行驶路线；获取多个第二候选行驶路线的行驶里程和/或行驶时间；基于行驶里程和/或行驶时间，从多个第二候选行驶路线中确定目标行驶路线。
本公开实施例可以根据复杂驾驶任务、实际工作环境进行推理，得到出行难度参数，为自动驾驶任务执行难度评价提供重要依据，可以提高自动驾驶任务的处理效率以及灵活性、提高执行自动驾驶任务的效率，避免浪费资源。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6是用来实现本公开实施例的自动驾驶任务的处理方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如自动驾驶任务的处理方法。例如，在一些实施例中，自动驾驶任务的处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的自动驾驶任务的处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行自动驾驶任务的处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (15)

1.一种自动驾驶任务的处理方法，其中，所述方法包括：
接收自动驾驶任务，并根据所述自动驾驶任务，确定多个候选行驶路线；
确定每个所述候选行驶路线所在路网，并获取所在路网的路网信息、驾驶行为信息和网络状态信息；
根据所述路网信息、驾驶行为信息和网络状态信息，确定所述候选行驶路线的出行难度参数；
根据所述出行难度参数，从所述多个候选行驶路线中确定所述自动驾驶任务的目标行驶路线。
2.根据权利要求1所述的方法，其中，获取所述所在路网的路网信息，包括：
获取所述所在路网的基础设施，并确定所述基础设施的属性信息为所述所在路网的路网信息。
3.根据权利要求1所述的方法，其中，获取所述所在路网的驾驶行为信息，包括：
获取所述所在路网的历史自动驾驶数据；
对所述历史自动驾驶数据进行分析，获取所述所在路网上各类驾驶行为的发生频次；
确定所述发生频次为所述所在路网的驾驶行为信息。
4.根据权利要求1所述的方法，其中，获取所述所在路网的网络状态信息，包括：
获取所述所在路网的多个历史自动驾驶任务执行时的代驾时延和代驾卡顿次数；
根据每个所述历史自动驾驶的代驾时延和代驾卡顿次数确定所述所在路网的网络状态信息。
5.根据权利要求1-4中任一项所述的方法，其中，所述根据所述路网信息、驾驶行为信息和网络状态信息，确定所述候选行驶路线的出行难度参数，包括：
对所述路网信息中各指标数据进行难度值量化，并对各指标数据的量化难度值进行加权，得到所述所在路网的路网难度参数；
对所述驾驶行为中各类驾驶行为进行复杂度量化，并对各类驾驶行为的量化复杂度进行加权，得到所述所在路网的驾驶行为复杂度；
对所述网络状态信息中各质量指标数据进行难度值量化，并对各质量指标数据的量化难度值进行加权，得到所述所在路网的网络质量参数；
对所述路网难度参数、所述驾驶行为复杂度和所述网络质量参数进行加权，得到所述候选行驶路线的出行难度参数。
6.根据权利要求5所述的方法，其中，所述根据所述出行难度参数，从所述多个候选行驶路线中确定所述自动驾驶任务的目标行驶路线，包括：
按照所述出行难度参数对所述多个候选行驶路线进行排序，从中选取出行难度参数最低的第一候选行驶路线，作为所述目标行驶路线；或者，
从中选取出行难度参数小于或者等于预设难度阈值的一个或多个第二候选行驶路线；
获取所述多个第二候选行驶路线的行驶里程和/或行驶时间；
基于所述行驶里程和/或行驶时间，从所述多个第二候选行驶路线中确定所述目标行驶路线。
7.一种自动驾驶任务的处理装置，其中，所述装置包括：
接收模块，用于接收自动驾驶任务，并根据所述自动驾驶任务，确定多个候选行驶路线；
获取模块，用于确定每个所述候选行驶路线所在路网，并获取所在路网的路网信息、驾驶行为信息和网络状态信息；
第一确定模块，用于根据所述路网信息、驾驶行为信息和网络状态信息，确定所述候选行驶路线的出行难度参数；
第二确定模块，用于根据所述出行难度参数，从所述多个候选行驶路线中确定所述自动驾驶任务的目标行驶路线。
8.根据权利要求7所述的装置，其中，所述获取模块，还用于：
获取所述所在路网的基础设施，并确定所述基础设施的属性信息为所述所在路网的路网信息。
9.根据权利要求7所述的装置，其中，所述获取模块，还用于：
获取所述所在路网的历史自动驾驶数据；
对所述历史自动驾驶数据进行分析，获取所述所在路网上各类驾驶行为的发生频次；
确定所述发生频次为所述所在路网的驾驶行为信息。
10.根据权利要求7所述的装置，其中，所述获取模块，还用于：
获取所述所在路网的多个历史自动驾驶任务执行时的代驾时延和代驾卡顿次数；
根据每个所述历史自动驾驶的代驾时延和代驾卡顿次数确定所述所在路网的网络状态信息。
11.根据权利要求7-10中任一项所述的装置，其中，所述第一确定模块，还用于：
对所述路网信息中各指标数据进行难度值量化，并对各指标数据的量化难度值进行加权，得到所述所在路网的路网难度参数；
对所述驾驶行为中各类驾驶行为进行复杂度量化，并对各类驾驶行为的量化复杂度进行加权，得到所述所在路网的驾驶行为复杂度；
对所述网络状态信息中各质量指标数据进行难度值量化，并对各质量指标数据的量化难度值进行加权，得到所述所在路网的网络质量参数；
对所述路网难度参数、所述驾驶行为复杂度和所述网络质量参数进行加权，得到所述候选行驶路线的出行难度参数。
12.根据权利要求11所述的装置，其中，所述第二确定模块，还用于：
按照所述出行难度参数对所述多个候选行驶路线进行排序，从中选取出行难度参数最低的第一候选行驶路线，作为所述目标行驶路线；或者，
从中选取出行难度参数小于或者等于预设难度阈值的一个或多个第二候选行驶路线；
获取所述多个第二候选行驶路线的行驶里程和/或行驶时间；
基于所述行驶里程和/或行驶时间，从所述多个第二候选行驶路线中确定所述目标行驶路线。
13.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
CN202211649097.XA 2022-12-21 2022-12-21 自动驾驶任务的处理方法及其装置 Pending CN116222597A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211649097.XA CN116222597A (zh) 2022-12-21 2022-12-21 自动驾驶任务的处理方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211649097.XA CN116222597A (zh) 2022-12-21 2022-12-21 自动驾驶任务的处理方法及其装置

Publications (1)

Publication Number Publication Date
CN116222597A true CN116222597A (zh) 2023-06-06

Family

ID=86588179

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211649097.XA Pending CN116222597A (zh) 2022-12-21 2022-12-21 自动驾驶任务的处理方法及其装置

Country Status (1)

Country Link
CN (1) CN116222597A (zh)

Similar Documents

Publication Publication Date Title
CN112614359B (zh) 控制交通的方法、装置、路侧设备和云控平台
KR20230026961A (ko) 장애물 이동 궤적의 예측 방법, 장치 및 자율 운전 차량
CN103530704B (zh) 一种终端空域空中交通动态容量预测系统及其方法
CN113807270A (zh) 道路拥堵检测方法、装置及电子设备
CN113569378B (zh) 仿真场景的生成方法、装置、电子设备以及存储介质
EP4155672A2 (en) Method and apparatus for generating high-precision map, electronic device and storage medium
CN112559371A (zh) 一种自动驾驶测试方法、装置及电子设备
CN113450569A (zh) 确定路口状态的方法、装置、电子设备和存储介质
US10163356B2 (en) Systems and methods for displaying aircraft separation information
CN113570910B (zh) 空中交通流量管理方法、装置和电子设备
CN116203964B (zh) 一种控制车辆行驶的方法、设备和装置
CN112541464A (zh) 关联道路对象的确定方法、装置、路侧设备和云控平台
CN116222597A (zh) 自动驾驶任务的处理方法及其装置
CN113610059A (zh) 基于区域评估的车辆控制方法、装置和智能交管系统
CN115973190A (zh) 自动驾驶车辆的决策方法、装置和电子设备
CN113850297B (zh) 道路数据的监测方法、装置、电子设备及存储介质
CN114582125B (zh) 道路通行方向的识别的方法、装置、设备及存储介质
CN114419883B (zh) 识别路口缺失交通限制信息的方法、装置和电子设备
CN115330067A (zh) 一种交通拥堵预测方法、装置、电子设备及存储介质
CN115285147A (zh) 无人车的驾驶决策方法、装置及无人车
CN115830255A (zh) 一种仿真场景生成方法、装置、电子设备和存储介质
CN115331434A (zh) 融合道路bim与监控视频的交叉口应急导控方法及系统
CN114565170A (zh) 污染物溯源方法及装置、设备、介质和产品
CN114218504A (zh) 阻断路段识别方法、装置、电子设备及存储介质
CN114664106B (zh) 一种交叉口车道分配方法、装置、电子设备和存储介质

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