CN116663939B - 一种无人车路径规划场景及任务的复杂度评价方法和系统 - Google Patents
一种无人车路径规划场景及任务的复杂度评价方法和系统 Download PDFInfo
- Publication number
- CN116663939B CN116663939B CN202310943253.1A CN202310943253A CN116663939B CN 116663939 B CN116663939 B CN 116663939B CN 202310943253 A CN202310943253 A CN 202310943253A CN 116663939 B CN116663939 B CN 116663939B
- Authority
- CN
- China
- Prior art keywords
- task
- local
- information
- difficulty
- calculating
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000011835 investigation Methods 0.000 claims description 99
- 230000000903 blocking effect Effects 0.000 claims description 40
- 230000015556 catabolic process Effects 0.000 claims description 11
- 238000006731 degradation reaction Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000012552 review Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 17
- 238000013441 quality evaluation Methods 0.000 description 10
- 230000004888 barrier function Effects 0.000 description 8
- 230000008447 perception Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种无人车路径规划场景及任务的复杂度评价方法和系统，属于无人车路径规划技术领域，解决了现有技术中缺乏评价越野场景中路径规划任务难度的测评方法的问题。方法包括：获取无人车路径规划场景的路网地图信息、无人车路径规划任务的全局任务信息和局部任务信息；基于所述路网地图信息和全局任务信息计算全局路径规划任务复杂度评价结果；基于所述路网地图信息和局部任务信息计算局部路径规划任务复杂度评价结果。实现了对无人车路径规划场景及任务复杂度的客观评价。
Description
技术领域
本发明涉及无人车路径规划技术领域，尤其涉及一种无人车路径规划场景及任务的复杂度评价方法和系统。
背景技术
随着深度学习等的技术发展，无人车路径规划算法也层出不穷。在越野场景等大规模路径规划场景中，路径规划的主要技术流程一般为全局路径规划和局部路径规划。全局路径规划根据已知路网地图，基于规划算法搜索出一条从起点到终点的最优路径；局部路径规划是在全局路径规划的引导下，根据实时获取的环境信息和定位信息，在局部环境地图中规划得到从起始位姿到终止位姿的无碰撞轨迹。
目前存在大量能够完成相应规划任务的规划方法及对规划算法进行评估的规划质量测评方法，但是，不同的规划场景及任务下，规划算法的规划质量会有不同的表现，若不考虑场景和任务的难度，则对规划算法的质量评估缺乏客观合理性，但尚没有专门用于评价越野场景中路径规划任务难度的测评方法，难以保证不同场景下路径规划质量测评的合理性。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种无人车路径规划场景及任务的复杂度评价方法和系统，用以解决现有缺乏评价越野场景中路径规划任务难度测评方法的问题。
一方面，本发明实施例提供了一种无人车路径规划场景及任务的复杂度评价方法，包括以下步骤：
获取无人车路径规划场景的路网地图信息、无人车路径规划任务的全局任务信息和局部任务信息；
基于所述路网地图信息和全局任务信息计算全局路径规划任务复杂度评价结果；
基于所述路网地图信息和局部任务信息计算局部路径规划任务复杂度评价结果。
基于上述方法的进一步改进，基于所述路网地图信息和全局任务信息计算全局路径规划任务复杂度评价结果，包括：
根据路网地图信息中的路段连接信息计算路网连接度和路网可达性；
根据全局任务信息中的任务点类型和属性信息计算全局任务点难度；
根据无人车路径规划任务设置的考察点信息计算规划结果考察点难度；
根据路网连接度、路网可达性、全局任务点难度和规划结果考察点难度得到全局路径规划任务复杂度评价结果。
基于上述方法的进一步改进，
根据公式sg1=E/N计算路网连接度sg1；
根据以下公式计算路网可达性sg2：
；/>；
；
其中，E表示路网地图信息中路段的数量，N表示路网地图信息中路口点的数量，M表示路网地图信息中路段的数量。
基于上述方法的进一步改进，根据全局任务信息中的任务点类型和属性信息计算全局任务点难度，包括：
根据全局任务信息中阻断任务点的属性，计算阻断任务点识别平均难度；
根据阻断任务点识别平均难度、干扰任务点数量以及路口偏置任务点占路口任务点总数的比例得到全局任务点难度。
基于上述方法的进一步改进，采用以下公式计算阻断任务点识别平均难度sg3：
；
其中，NR1表示阻断任务点的数量，σ1 i表示第i个阻断任务点的类型对应的权值，若第i个阻断任务点为正障碍，则σ2 i表示该正障碍的高度对应的权值，σ3 i表示该正障碍的结构对应的权值，若第i个阻断点为负障碍，则σ2 i表示该负障碍的深度对应的权值，σ3 i表示该负障碍的覆盖类型对应的权值。
基于上述方法的进一步改进，根据无人车路径规划任务设置的考察点信息计算规划结果考察点难度，包括：
根据所述考察点信息计算定位平均属性难度和定位平均时间难度；
根据定位平均属性难度、定位平均时间难度和降级屏蔽段内且在路口附近的考察点占考察点总数的比例得到规划结果考察点难度。
基于上述方法的进一步改进，采用以下公式计算定位平均属性难度和定位平均时间难度：
；
；
；
；
其中，表示定位平均属性难度，/>表示定位平均时间难度，NT表示规划结果中考察点的个数，ni表示第i个考察点的经纬度降级后去除的位数；ti表示第i个考察点的时刻，tstart表示降级屏蔽段的起始时刻，tstd表示标准时间段。
基于上述方法的进一步改进，所述局部任务信息包括无人车路径规划任务设置的局部考察时刻；
基于所述路网地图信息和局部任务信息计算局部路径规划任务复杂度评价结果，包括：
根据路网地图信息确定路点稀疏程度；
根据局部考察时刻对应的局部语义栅格地图计算局部场景复杂度；
根据路点稀疏程度、局部考察时刻的数量和局部场景复杂度得到局部路径规划任务复杂度评价结果。
基于上述方法的进一步改进，根据局部考察时刻对应的局部语义栅格地图计算局部场景复杂度，包括：
根据公式计算所有局部考察时刻对应的局部语义栅格地图中的语义标签类型数量占语义标签类型总数量的比例；
根据公式计算局部考察时刻对应的局部语义栅格地图中的语义标签类型数量占语义标签类型总数量的比例的平均值；
根据公式计算局部考察时刻对应的局部语义栅格地图中语义标签为可通行类型的栅格数量占栅格总数量的比值的平均值；
根据所有局部考察时刻对应的局部语义栅格地图中语义标签类型数量占语义标签类型总数量的比例、对应的局部语义栅格地图中的语义标签类型数量占语义标签类型总数量的比例的平均值和局部考察时刻对应的局部语义栅格地图中语义标签为可通行类型的栅格数量占栅格总数量的比值的平均值得到局部场景复杂度；
其中，NF表示局部考察时刻的数量，n_type表示语义标签类型的总数量，n_typeF表示所有局部考察时刻对应的局部语义栅格地图中的语义标签类型的数量，n_typei表示第i个局部考察时刻对应的局部语义栅格地图中语义标签类型的数量，n_passi表示第i个局部考察时刻对应的局部语义栅格地图中语义标签类型为可通行的栅格的数量，n_alli表示第i个局部考察时刻对应的局部语义栅格地图中栅格的总数量。
另一方面，本发明实施例提供了一种无人车路径规划场景及任务的复杂度评价系统，包括以下模块：
信息获取模块，用于获取无人车路径规划场景的路网地图信息、无人车路径规划任务的全局任务信息和局部任务信息；
全局复杂度评价模块，用于基于所述路网地图信息和全局任务信息计算全局路径规划任务复杂度评价结果；
局部复杂度评价模块，用于基于所述路网地图信息和局部任务信息计算局部路径规划任务复杂度评价结果。
与现有技术相比，本发明通过根据无人车规划场景的路网地图信息、规划全局任务信息和局部任务信息，可以客观的对全局路径规划任务和局部路径规划任务的复杂度进行评价，在对路径规划算法进行质量评估时可以结合对规划场景及任务的复杂度评价结果进行更加准确客观的质量评估。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件；
图1为本发明实施例无人车路径规划场景及任务的复杂度评价方法的流程图；
图2为本发明实施例的路网示意图；
图3为本发明实施例无人车路径规划场景及任务的复杂度评价系统的框图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
在无人车规划算法进行测评前，首先通过环境感知传感器获取任务场景的环境感知数据例如视觉传感器图像数据，激光雷达点云数据，组合导航定位数据，并且这些数据都被赋予了统一的时间戳，实现了各数据之间的时间同步，无人车路径规划算法会对回放这些数据从而进行全局和局部路径规划。此外也会将算法测评中需要考核的任务信息制作成对应的任务文件以引导待测车辆进行全局规划以及局部规划。路径规划场景的路网地图信息、环境感知数据和任务信息作为被测无人车路径规划的输入数据，被测无人车路径规划算法根据这些数据进行路径规划。
无人车路径规划任务会要求被测车辆定期回传其全局路径规划结果，以考察其路径规划质量，此外，在无人车遇到阻断任务点停车时，也需要回传其全局规划结果以考察其路径规划质量。路径规划任务设置多少需要回传的考察点、哪些时间点设置为需要回传规划结果的考察点，这些都会影响路径规划任务的全局规划复杂度。
无人车路径规划任务也会在被测车辆无人车进行路径规划任务时抽测其在某些时刻根据环境感知数据规划的局部路径结果，以考察其局部路径规划能力，设置多少局部考察时刻，局部考察时刻对应的场景的复杂情况都会影响路径规划任务的局部规划复杂度。
而不同的规划场景及任务下，规划算法的规划质量会有不同的表现，若不考虑场景和任务的难度，则对规划算法的质量评估缺乏客观合理性。
基于此，本发明的一个具体实施例，公开了一种无人车路径规划场景及任务的复杂度评价方法，如图1所示，包括以下步骤：
S1、获取无人车路径规划场景的路网地图信息、无人车路径规划任务的全局任务信息和局部任务信息；
S2、基于所述路网地图信息和全局任务信息计算全局路径规划任务复杂度评价结果；
S3、基于所述路网地图信息和局部任务信息计算局部路径规划任务复杂度评价结果。
需要说明的是，路网地图信息包括整个无人车规划场景的道路信息，例如路段信息、路口信息、路点信息。如图2所示，图2中展示了三种路网示意图，其中黑色实心点表示路口点，黑色实心点的连线表示路段，黑色空心点表示路段上的路点。
无人车路径规划任务的全局任务信息包括任务点经纬度信息、任务点的类型和属性，以及考察点的时间戳。局部任务信息包括无人车路径规划任务设置的局部考察时刻，即局部考察的时间戳。
任务点类型包括：偏置路口任务点，未偏置路口任务点，阻断任务点和干扰任务点。
偏置路口任务点为设置在路口附近的任务点；未偏置路口任务点为设置在路口上的任务点，干扰任务点为位于路段上但不完全阻断路段的障碍物点，阻断任务点为设置在路段上会阻断路段通行的障碍物点。
任务点的属性为任务点的地理或环境信息。例如，对于阻断任务点，属性包括阻断点障碍物类型、结构等；对于偏置路口任务点，属性包括偏置距离等。
本发明通过根据无人车规划场景的路网地图信息、规划全局任务信息和局部任务信息，可以客观的对全局路径规划任务和局部路径规划任务的复杂度进行评价，在对路径规划算法进行质量评估时可以结合对规划场景及任务的复杂度评价结果进行更加准确客观的质量评估。
无人车在不同路网结构下进行路径规划时的难度不同，因此，需要根据路网地图信息和全局任务信息计算全局任务规划的复杂度。具体的，基于所述路网地图信息和全局任务信息计算全局路径规划任务复杂度评价结果，包括：
S21、根据路网地图信息中的路段连接信息计算路网连接度和路网可达性。
路段数量与路口点数量的比值为路网连接度。路段定义了两个路口点间的连通关系；路口点为路段交汇处的点，对应于真实道路下的交叉口。路网连接度可以整体反映路网的连通程度，连接度越高，代表路段连接关系更紧密，路网结构越复杂，规划场景及任务难度越高。
实施时，根据公式sg1=E/N计算路网连接度sg1。
图2中，(a)、(b)、(c)的连接度分别为0.8、1.0、1.4。路网的连接度依次增强，可以有效度量路网的连通程度。
实施时，路网连接度对应的评价标准可如表1所示。
表1 路网连接度评分信息表
可达性可以反映单个路口点的连通程度，使用与路口点直接相连路段数量表示。将各个路口点的可达性取平均值可以得到整个路网的可达性指数。
具体的，根据以下公式计算路网可达性sg2：
，
，
；
其中，E表示路网地图信息中路段的数量，N表示路网地图信息中路口点的数量，M表示路网地图信息中路段的数量。
实施时，路网可达性对应的评价标准可如表2所示。
表2 路网可达性评分信息表
S22、根据全局任务信息中的任务点类型和属性信息计算全局任务点难度。
全局任务点难度根据阻断任务点识别平均难度、干扰任务点个数和路口偏置任务点数量得到。
具体包括：
S221、根据全局任务信息中阻断任务点的属性，计算阻断任务点识别平均难度；
S222、根据阻断任务点识别平均难度、干扰任务点数量以及路口偏置任务点占路口任务点总数的比例得到全局任务点难度。
基于阻断任务点的属性信息进行难度划分，阻断任务点障碍物识别难度越高，车辆越容易做出错误判断，场景及任务越复杂。将阻断任务点的障碍物分为正障碍、负障碍两类，正障碍例如可以是建筑物，负障碍例如可以是深坑。并根据障碍属性划分不同权值，最后将权值相乘即可得到单个阻断任务点识别难度分数。求阻断任务点识别难度的平均值，用于评价整个场景及任务的复杂度。正障碍阻断点的属性包括高度和结构，负障碍的属性包括深度和覆盖。采用以下公式计算阻断任务点识别平均难度sg3：
；
其中，NR1表示阻断任务点的数量，σ1 i表示第i个阻断任务点的类型对应的权值，若第i个阻断任务点为正障碍，则σ2 i表示该正障碍的高度对应的权值，σ3 i表示该正障碍的结构对应的权值，若第i个阻断点为负障碍，则σ2 i表示该负障碍的深度对应的权值，σ3 i表示该负障碍的覆盖类型对应的权值。阻断任务点类型和属性对应的权值可如表3所示。
表3 阻断点权值信息表
干扰任务点为位于路段上但不完全阻断路段的障碍物点，用于干扰无人车基于任务点引导的规划方案，干扰任务点个数越多，干扰作用越明显，规划场景及任务越复杂。因此，将干扰任务点数量作为评价全局任务点难度的一个指标，干扰任务点数量评价标准可参考表4。
表4 干扰点数量评分信息表
将路口处的任务点偏置，可诱导车辆驶入错误的路段。车辆必须基于后续的任务点引导才能做出正确判断。路口偏置任务点占路口任务点总数的比例越高，规划场景及任务越复杂。因此，可将路口偏置任务点占路口任务点总数的比例作为评价全局任务点难度的一个指标。其中，noffset-cross表示路口偏置任务点数量，nnone-cross表示没有偏置的路口任务点数量。
实施时，通过对阻断任务点识别平均难度、干扰任务点数量对应的难度赋分以及路口偏置任务点占路口任务点总数的比例加权求和可得到全局任务点难度。
S23、根据无人车路径规划任务设置的考察点信息计算规划结果考察点难度。
无人车路径规划任务会要求被测车辆定期回传当前的路径规划结果信息。此外，当其遇到阻断点并停车时，也需回传规划结果信息。无人车路径规划任务的全局任务中设置了需要回传规划结果的考察点的时间戳。根据考察点的时间戳可以从环境感知数据得到考察点对应的定位等信息，可根据考察点的信息计算规划结果考察点难度。
路径规划任务设置的全局考察点的个数越多，规划任务越复杂。考察点数量评价标准可参考表5。
表5 规划结果考察点个数评分标准
为了提高考题的难度，无人车路径规划任务会在部分考察点处设置GPS降级段或者屏蔽段。规划结果考察点难度包括：定位平均属性难度、定位平均时间难度、屏蔽或降级段内且在路口附近的考察点占总数的比例。
具体的，步骤S23包括步骤S231~S232。
S231、根据所述考察点信息计算定位平均属性难度和定位平均时间难度。
具体的，采用以下公式计算定位平均属性难度和定位平均时间难度：
；
；
；
；
其中，表示定位平均属性难度，/>表示定位平均时间难度，NT表示规划结果中考察点的个数，ni表示第i个考察点的经纬度降级后去除的位数；ti表示第i个考察点的时刻，tstart表示降级屏蔽段的起始时刻，tstd表示标准时间段。
计算降级屏蔽段内的规划结果考察点的时刻距离降级屏蔽段开始时刻的时间差，时间差越长，意味着准确定位越难。实施时，标准时间段可取3分钟作为归一化的分母。
S232、根据定位平均属性难度、定位平均时间难度和降级屏蔽段内且在路口附近的考察点占考察点总数的比例得到规划结果考察点难度。
降级屏蔽段内且在路口附近的考察点占总数的比例：统计位于降级屏蔽段内且与路口点距离小于10m的考察点个数。当车辆面对此类考察点时，可能由于定位不准而选择错误的路线，占比越高，规划难度越高。
实施时，通过对考察点数量对应的难度赋分、定位平均属性难度、定位平均时间难度和降级屏蔽段内且在路口附近的考察点占考察点总数的比例加权求和得到规划结果考察点难度。
S24、根据路网连接度、路网可达性、全局任务点难度和规划结果考察点难度得到全局路径规划任务复杂度评价结果。
实施时，可通过对路网连接度对应的难度赋分、路网可达性对应的难度赋分、全局任务点难度和规划结果考察点难度加权求和得到全局路径规划任务复杂度评价结果。
无人车在不同的场景下对周围环境信息进行处理，并完成局部规划的任务难度不同，因此，通过对局部规划结果进行测评，能更客观准确的评估规划难度。
步骤S3基于所述路网地图信息和局部任务信息计算局部路径规划任务复杂度评价结果，包括：
S31、根据路网地图信息确定路点稀疏程度；
S32、根据局部考察时刻对应的局部语义栅格地图计算局部场景复杂度；
S33、根据路点稀疏程度、局部考察时刻的数量和局部场景复杂度得到局部路径规划任务复杂度评价结果。
路网地图信息中的路点越稀疏，车辆跟随路网的难度越高，规划任务越复杂。路点的平均间隔越高，路点稀疏程度越高，实施时，可根据表6确定路点稀疏度。
表6路点稀疏程度表
实施时，对参赛无人车会随机抽取一些时刻的局部规划结果进行考察，判断考点设置的难度，抽取的局部考察时刻越多，说明考察的场景越多，任务难度越高。局部考察时刻数量评价标准可参考表7。
表7局部考察时刻个数评分标准
需要说明的是，步骤S1中获取的局部任务信息包括无人车路径规划任务设置的局部考察时刻。局部考察时刻对应的局部语义栅格地图可以是人工根据局部考察时刻的环境感知数据标注的，作为标准数据。栅格地图上标识了每个栅格的语义标签类型，包括正障碍、负障碍、风险、可通行、侧坡、水域、动态障碍。
所有局部考察时刻对应的局部语义栅格地图中的栅格语义标签类型数量占语义标签类型总数量的比例可以判断考察场景的丰富度，占比越高，说明考察场景越复杂，难度越高。
单个局部考察时刻对应的局部语义栅格地图的语义标签种类个数，与种类总数相比较，可以判断单帧场景的丰富度，占比越高，说明考察场景越复杂，难度越高。通过计算所有局部考察时刻的占比的平均值，可用于评价整个规划任务的语义标签类型识别率。
单个局部考察时刻对应的局部语义栅格地图中可通行栅格的个数，与该帧局部栅格地图中栅格的总数比较，可以判断单帧场景下可通行区域的范围，占比越高，说明车辆可以通过的区域越多，考题越容易。计算所有局部考察时刻对应的通行区域占比的平均值，用于评价整规划任务。数值越大，难度越低。
因此，实施时，步骤S32根据局部考察时刻对应的局部语义栅格地图计算局部场景复杂度，包括：
S321、根据公式计算所有局部考察时刻对应的局部语义栅格地图中的语义标签类型数量占语义标签类型总数量的比例sl3；
S322、根据公式计算局部考察时刻对应的局部语义栅格地图中的语义标签类型数量占语义标签类型总数量的比例的平均值sl4；
S323、根据公式计算局部考察时刻对应的局部语义栅格地图中语义标签为可通行类型的栅格数量占栅格总数量的比值的平均值sl5；
S324、根据所有局部考察时刻对应的局部语义栅格地图中语义标签类型数量占语义标签类型总数量的比例、对应的局部语义栅格地图中的语义标签类型数量占语义标签类型总数量的比例的平均值和局部考察时刻对应的局部语义栅格地图中语义标签为可通行类型的栅格数量占栅格总数量的比值的平均值得到局部场景复杂度；
其中，NF表示局部考察时刻的数量，n_type表示语义标签类型的总数量，n_typeF表示所有局部考察时刻对应的局部语义栅格地图中的语义标签类型的数量，n_typei表示第i个局部考察时刻对应的局部语义栅格地图中语义标签类型的数量，n_passi表示第i个局部考察时刻对应的局部语义栅格地图中语义标签类型为可通行的栅格的数量，n_alli表示第i个局部考察时刻对应的局部语义栅格地图中栅格的总数量。
实施时，可通行类型的栅格数量占栅格总数量的比值的平均值对应的难度赋分如表8所示。
表8可通行类型占比的平均值评分标准
实施时，通过对所有局部考察时刻对应的局部语义栅格地图中语义标签类型数量占栅格类型总数量的比例、局部考察时刻语义标签类型丰富度的平均值和语义标签为可通行类型的栅格数量占栅格总数量的比值的平均值加权求和得到局部场景复杂度；
对路点稀疏程度、局部考察时刻的数量对应的难度赋分和局部场景复杂度加权求和得到局部路径规划任务复杂度评价结果。
得到全局路径规划任务复杂度评价结果和局部路径规划任务复杂度评价结果，可将其作为规划算法评估时的难度系数，即对路径规划算法的全局规划质量评估时乘上全局路径规划任务复杂度评价结果，对路径规划算法的局部规划质量评估时乘上局部路径规划任务复杂度评价结果，从而对路径规划算法进行更加客观准确的质量评估。
本发明的一个具体实施例，公开了一种无人车路径规划场景及任务的复杂度评价系统，如图3所示，包括以下模块：
信息获取模块，用于获取无人车路径规划场景的路网地图信息、无人车路径规划任务的全局任务信息和局部任务信息；
全局复杂度评价模块，用于基于所述路网地图信息和全局任务信息计算全局路径规划任务复杂度评价结果；
局部复杂度评价模块，用于基于所述路网地图信息和局部任务信息计算局部路径规划任务复杂度评价结果。
上述方法实施例和系统实施例，基于相同的原理，其相关之处可相互借鉴，且能达到相同的技术效果。具体实施过程参见前述实施例，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种无人车路径规划场景及任务的复杂度评价方法，其特征在于，包括以下步骤：
获取无人车路径规划场景的路网地图信息、无人车路径规划任务的全局任务信息和局部任务信息；
基于所述路网地图信息和全局任务信息计算全局路径规划任务复杂度评价结果；
基于所述路网地图信息和局部任务信息计算局部路径规划任务复杂度评价结果；
基于所述路网地图信息和全局任务信息计算全局路径规划任务复杂度评价结果，包括：
根据路网地图信息中的路段连接信息计算路网连接度和路网可达性；
根据全局任务信息中的任务点类型和属性信息计算全局任务点难度；
根据无人车路径规划任务设置的考察点信息计算规划结果考察点难度；
根据路网连接度、路网可达性、全局任务点难度和规划结果考察点难度得到全局路径规划任务复杂度评价结果；
根据全局任务信息中的任务点类型和属性信息计算全局任务点难度，包括：
根据全局任务信息中阻断任务点的属性，计算阻断任务点识别平均难度；
根据阻断任务点识别平均难度、干扰任务点数量以及路口偏置任务点占路口任务点总数的比例得到全局任务点难度；
根据无人车路径规划任务设置的考察点信息计算规划结果考察点难度，包括：
根据所述考察点信息计算定位平均属性难度和定位平均时间难度；
根据定位平均属性难度、定位平均时间难度和降级屏蔽段内且在路口附近的考察点占考察点总数的比例得到规划结果考察点难度；
所述局部任务信息包括无人车路径规划任务设置的局部考察时刻；
基于所述路网地图信息和局部任务信息计算局部路径规划任务复杂度评价结果，包括：
根据路网地图信息确定路点稀疏程度；
根据局部考察时刻对应的局部语义栅格地图计算局部场景复杂度；
根据路点稀疏程度、局部考察时刻的数量和局部场景复杂度得到局部路径规划任务复杂度评价结果；
根据局部考察时刻对应的局部语义栅格地图计算局部场景复杂度，包括：
计算所有局部考察时刻对应的局部语义栅格地图中的语义标签类型数量占语义标签类型总数量的比例；
计算局部考察时刻对应的局部语义栅格地图中的语义标签类型数量占语义标签类型总数量的比例的平均值；
计算局部考察时刻对应的局部语义栅格地图中语义标签为可通行类型的栅格数量占栅格总数量的比值的平均值；
根据所有局部考察时刻对应的局部语义栅格地图中语义标签类型数量占语义标签类型总数量的比例、对应的局部语义栅格地图中的语义标签类型数量占语义标签类型总数量的比例的平均值和局部考察时刻对应的局部语义栅格地图中语义标签为可通行类型的栅格数量占栅格总数量的比值的平均值得到局部场景复杂度。
2.根据权利要求1所述的无人车路径规划场景及任务的复杂度评价方法，其特征在于，
根据公式sg1=E/N计算路网连接度sg1；
根据以下公式计算路网可达性sg2：
；
；
；
其中，E表示路网地图信息中路段的数量，N表示路网地图信息中路口点的数量，M表示路网地图信息中路段的数量。
3.根据权利要求1所述的无人车路径规划场景及任务的复杂度评价方法，其特征在于，采用以下公式计算阻断任务点识别平均难度sg3：
；
其中，NR1表示阻断任务点的数量，σ1 i表示第i个阻断任务点的类型对应的权值，若第i个阻断任务点为正障碍，则σ2 i表示该正障碍的高度对应的权值，σ3 i表示该正障碍的结构对应的权值，若第i个阻断点为负障碍，则σ2 i表示该负障碍的深度对应的权值，σ3 i表示该负障碍的覆盖类型对应的权值。
4.根据权利要求1所述的无人车路径规划场景及任务的复杂度评价方法，其特征在于，采用以下公式计算定位平均属性难度和定位平均时间难度：
；
；
；
；
其中，表示定位平均属性难度，/>表示定位平均时间难度，NT表示规划结果中考察点的个数，ni表示第i个考察点的经纬度降级后去除的位数；ti表示第i个考察点的时刻，tstart表示降级屏蔽段的起始时刻，tstd表示标准时间段。
5.根据权利要求1所述无人车路径规划场景及任务的复杂度评价方法，其特征在于，根据公式计算所有局部考察时刻对应的局部语义栅格地图中的语义标签类型数量占语义标签类型总数量的比例；
根据公式计算局部考察时刻对应的局部语义栅格地图中的语义标签类型数量占语义标签类型总数量的比例的平均值；
根据公式计算局部考察时刻对应的局部语义栅格地图中语义标签为可通行类型的栅格数量占栅格总数量的比值的平均值；
其中，NF表示局部考察时刻的数量，n_type表示语义标签类型的总数量，n_typeF表示所有局部考察时刻对应的局部语义栅格地图中的语义标签类型的数量，n_typei表示第i个局部考察时刻对应的局部语义栅格地图中语义标签类型的数量，n_passi表示第i个局部考察时刻对应的局部语义栅格地图中语义标签类型为可通行的栅格的数量，n_alli表示第i个局部考察时刻对应的局部语义栅格地图中栅格的总数量。
6.一种无人车路径规划场景及任务的复杂度评价系统，其特征在于，包括以下模块：
信息获取模块，用于获取无人车路径规划场景的路网地图信息、无人车路径规划任务的全局任务信息和局部任务信息；
全局复杂度评价模块，用于基于所述路网地图信息和全局任务信息计算全局路径规划任务复杂度评价结果；
局部复杂度评价模块，用于基于所述路网地图信息和局部任务信息计算局部路径规划任务复杂度评价结果；
基于所述路网地图信息和全局任务信息计算全局路径规划任务复杂度评价结果，包括：
根据路网地图信息中的路段连接信息计算路网连接度和路网可达性；
根据全局任务信息中的任务点类型和属性信息计算全局任务点难度；
根据无人车路径规划任务设置的考察点信息计算规划结果考察点难度；
根据路网连接度、路网可达性、全局任务点难度和规划结果考察点难度得到全局路径规划任务复杂度评价结果；
根据全局任务信息中的任务点类型和属性信息计算全局任务点难度，包括：
根据全局任务信息中阻断任务点的属性，计算阻断任务点识别平均难度；
根据阻断任务点识别平均难度、干扰任务点数量以及路口偏置任务点占路口任务点总数的比例得到全局任务点难度；
根据无人车路径规划任务设置的考察点信息计算规划结果考察点难度，包括：
根据所述考察点信息计算定位平均属性难度和定位平均时间难度；
根据定位平均属性难度、定位平均时间难度和降级屏蔽段内且在路口附近的考察点占考察点总数的比例得到规划结果考察点难度；
所述局部任务信息包括无人车路径规划任务设置的局部考察时刻；
基于所述路网地图信息和局部任务信息计算局部路径规划任务复杂度评价结果，包括：
根据路网地图信息确定路点稀疏程度；
根据局部考察时刻对应的局部语义栅格地图计算局部场景复杂度；
根据路点稀疏程度、局部考察时刻的数量和局部场景复杂度得到局部路径规划任务复杂度评价结果；
根据局部考察时刻对应的局部语义栅格地图计算局部场景复杂度，包括：
计算所有局部考察时刻对应的局部语义栅格地图中的语义标签类型数量占语义标签类型总数量的比例；
计算局部考察时刻对应的局部语义栅格地图中的语义标签类型数量占语义标签类型总数量的比例的平均值；
计算局部考察时刻对应的局部语义栅格地图中语义标签为可通行类型的栅格数量占栅格总数量的比值的平均值；
根据所有局部考察时刻对应的局部语义栅格地图中语义标签类型数量占语义标签类型总数量的比例、对应的局部语义栅格地图中的语义标签类型数量占语义标签类型总数量的比例的平均值和局部考察时刻对应的局部语义栅格地图中语义标签为可通行类型的栅格数量占栅格总数量的比值的平均值得到局部场景复杂度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310943253.1A CN116663939B (zh) | 2023-07-31 | 2023-07-31 | 一种无人车路径规划场景及任务的复杂度评价方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310943253.1A CN116663939B (zh) | 2023-07-31 | 2023-07-31 | 一种无人车路径规划场景及任务的复杂度评价方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116663939A CN116663939A (zh) | 2023-08-29 |
| CN116663939B true CN116663939B (zh) | 2023-10-17 |
Family
ID=87721018
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310943253.1A Active CN116663939B (zh) | 2023-07-31 | 2023-07-31 | 一种无人车路径规划场景及任务的复杂度评价方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116663939B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102591332A (zh) * | 2011-01-13 | 2012-07-18 | 同济大学 | 用于无人驾驶汽车局部路径规划的装置及方法 |
| CN106644503A (zh) * | 2016-10-24 | 2017-05-10 | 中国科学院合肥物质科学研究院 | 一种智能车辆规划能力测试平台 |
| CN108088456A (zh) * | 2017-12-21 | 2018-05-29 | 北京工业大学 | 一种具有时间一致性的无人驾驶车辆局部路径规划方法 |
| CN113126618A (zh) * | 2021-03-17 | 2021-07-16 | 中国科学院合肥物质科学研究院 | 一种越野环境下的无人驾驶全局路径规划及重规划方法 |
| CN113628471A (zh) * | 2021-08-09 | 2021-11-09 | 广州文远知行科技有限公司 | 一种无人驾驶车辆的调度方法、装置、设备和介质 |
| CN114995465A (zh) * | 2022-08-02 | 2022-09-02 | 北京理工大学 | 一种考虑车辆运动能力的多无人车运动规划方法和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111061277B (zh) * | 2019-12-31 | 2022-04-05 | 歌尔股份有限公司 | 一种无人车全局路径规划方法和装置 |
-
2023
- 2023-07-31 CN CN202310943253.1A patent/CN116663939B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102591332A (zh) * | 2011-01-13 | 2012-07-18 | 同济大学 | 用于无人驾驶汽车局部路径规划的装置及方法 |
| CN106644503A (zh) * | 2016-10-24 | 2017-05-10 | 中国科学院合肥物质科学研究院 | 一种智能车辆规划能力测试平台 |
| CN108088456A (zh) * | 2017-12-21 | 2018-05-29 | 北京工业大学 | 一种具有时间一致性的无人驾驶车辆局部路径规划方法 |
| CN113126618A (zh) * | 2021-03-17 | 2021-07-16 | 中国科学院合肥物质科学研究院 | 一种越野环境下的无人驾驶全局路径规划及重规划方法 |
| CN113628471A (zh) * | 2021-08-09 | 2021-11-09 | 广州文远知行科技有限公司 | 一种无人驾驶车辆的调度方法、装置、设备和介质 |
| CN114995465A (zh) * | 2022-08-02 | 2022-09-02 | 北京理工大学 | 一种考虑车辆运动能力的多无人车运动规划方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 无人地面车辆车道级路径引导方法;杨强荣;王美玲;于华超;;西安电子科技大学学报(第06期);162-167 * |
| 无人驾驶汽车局部路径规划研究综述;徐瑞;李军;;汽车科技(第05期);92-97 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116663939A (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109643485A (zh) | 一种城市道路交通异常检测方法 | |
| 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 | |
| CN109886724B (zh) | 一种鲁棒性的居民出行轨迹识别方法 | |
| CN111126713B (zh) | 基于卡口数据的时空热点预测方法、装置及控制器 | |
| Daraghmi et al. | Crowdsourcing-based road surface evaluation and indexing | |
| CN113284369B (zh) | 一种基于ads-b实测航路数据的预测方法 | |
| CN116663939B (zh) | 一种无人车路径规划场景及任务的复杂度评价方法和系统 | |
| Shen et al. | Traffic velocity prediction using GPS data: IEEE ICDM contest task 3 report | |
| CN117198057A (zh) | 一种面向路侧感知轨迹数据质量检评的实验方法及系统 | |
| CN102063789B (zh) | 一种交通信息质量评估方法和装置 | |
| CN116229708A (zh) | 基于v2i的路侧感知系统对交通目标的感知测试方法 | |
| CN112802343B (zh) | 面向虚拟算法验证的通用虚拟传感数据采集方法及系统 | |
| CN111785012B (zh) | 一种车云协同计算的能耗路谱分析方法 | |
| CN115114786A (zh) | 一种用于交通流仿真模型的评估方法、系统和存储介质 | |
| Pribe et al. | Learning to associate observed driver behavior with traffic controls | |
| CN109284889B (zh) | 一种无人车反应敏捷度评测方法和装置 | |
| Arregui et al. | Impact of the road network configuration on map‐matching algorithms for FCD in urban environments | |
| Sun et al. | Deep learning-based probability model for traffic information estimation | |
| CN113360849B (zh) | 一种基于ICESat-2数据的海冰密集度估算方法及系统 | |
| CN116580564B (zh) | 一种交通流预测方法及装置 | |
| Hargrove | Self-learning license plate matching algorithm: Some enhancements and its role in travel time ground truth measurements | |
| CN117935023B (zh) | 基于注意力机制的中尺度涡识别和特征分析方法及系统 | |
| CN113965618B (zh) | 基于模糊理论的异常轨迹检测方法 | |
| Anachkova et al. | Statistical analysis of urban noise measurement data: Case study for the city of Skopje | |
| Zhang et al. | Autonomous Vehicles as a Sensor: Simulating Data Collection Process |
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 |