CN116668993A - 车路协同自动驾驶感知方法及装置 - Google Patents

车路协同自动驾驶感知方法及装置 Download PDF

Info

Publication number
CN116668993A
CN116668993A CN202310908882.0A CN202310908882A CN116668993A CN 116668993 A CN116668993 A CN 116668993A CN 202310908882 A CN202310908882 A CN 202310908882A CN 116668993 A CN116668993 A CN 116668993A
Authority
CN
China
Prior art keywords
node
network cluster
sensing
information
network
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
Application number
CN202310908882.0A
Other languages
English (en)
Other versions
CN116668993B (zh
Inventor
杨子江
郝坤坤
刘亚
潘余曦
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.)
Xi'an Xinxin Information Technology Co ltd
Original Assignee
Xi'an Xinxin Information 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 Xi'an Xinxin Information Technology Co ltd filed Critical Xi'an Xinxin Information Technology Co ltd
Priority to CN202310908882.0A priority Critical patent/CN116668993B/zh
Publication of CN116668993A publication Critical patent/CN116668993A/zh
Application granted granted Critical
Publication of CN116668993B publication Critical patent/CN116668993B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096783—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a roadside individual element
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096791—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is another vehicle
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
    • H04W40/32—Connectivity information management, e.g. connectivity discovery or connectivity update for defining a routing cluster membership
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供一种车路协同自动驾驶感知方法及装置，涉及无线通信网络技术领域，可应用于自动驾驶感知的场景下。具体实现方案包括：网络簇头根据网络簇内的每个节点的特征信息、节点之间的距离关系，确定网络簇内每个节点的贡献度；网络簇头从网络簇内选取贡献度满足第一预设条件的第一节点作为感知簇头；网络簇头向网络簇内的每个节点发送指示信息，指示信息用于指示感知簇头的身份信息和感知簇头按照预设周期广播自身的运动状态信息和传感器信息；感知簇头广播的运动状态信息和传感器信息，用于网络簇内的每个节点进行自动驾驶协同感知。本公开可以降低通信吞吐量，支持在通信吞吐量约束前提下的协同感知，提高自动驾驶感知的准确性。

Description

车路协同自动驾驶感知方法及装置
技术领域
本公开涉及无线通信网络技术领域，具体涉及自动驾驶感知数据传输、自动驾驶感知信息广播等技术领域，尤其涉及一种车路协同自动驾驶感知方法及装置，可应用于自动驾驶感知的场景下。
背景技术
无线通信网络是一种通过无线电波传输信息的通信系统。无线通信网络广泛应用于各个领域，比如移动通信、物联网、自动驾驶、无人机、智能家居等。在自动驾驶领域，无线通信网络为车路协同自动驾驶感知提供了实时、可靠的信息交流基础。车路协同自动驾驶感知是将车辆的传感器数据与路侧单元的检测信息相融合，利用路侧单元来获取更全面、准确的感知信息的过程，可以为自动驾驶提供更为完整的感知和理解能力。
目前，车路协同自动驾驶感知的方式包括：车辆或车路两两交互进行感知、多车与路组网协同交互进行感知。
但目前的车路协同自动驾驶感知方式对通信吞吐量的要求较高，通信吞吐量不满足要求时，会严重影响自动驾驶感知的准确性。
发明内容
本公开提供了一种车路协同自动驾驶感知方法及装置，能够降低通信吞吐量，支持在通信吞吐量约束前提下的协同感知，提高自动驾驶感知的准确性。
根据本公开的第一方面，提供了一种车路协同自动驾驶感知方法，所述方法包括：网络簇头根据网络簇内的每个节点的特征信息、节点之间的距离关系，确定网络簇内每个节点的贡献度，贡献度用于指示节点在网络簇内的协同感知能力的大小，网络簇包括至少两个节点，节点包括车辆和/或路侧单元，网络簇头为网络簇内的一个节点；网络簇头从网络簇内选取贡献度满足第一预设条件的第一节点作为感知簇头；网络簇头向网络簇内的每个节点发送指示信息，指示信息用于指示感知簇头的身份信息，且用于指示感知簇头按照预设周期广播自身的运动状态信息和传感器信息；其中，感知簇头广播的运动状态信息和传感器信息，用于网络簇内的每个节点进行自动驾驶协同感知。
一些可能的实现方式中，所述网络簇头根据网络簇内的每个节点的特征信息、节点之间的距离关系，确定网络簇内每个节点的贡献度，包括：网络簇头根据网络簇内的每个节点的特征信息和节点数量，构建特征矩阵；网络簇头根据网络簇内节点之间的距离关系和节点数量，构建关系矩阵；网络簇头根据特征矩阵和关系矩阵构建图神经网络；网络簇头确定网络簇内每个节点对图神经网络的贡献度，作为网络簇内每个节点的贡献度。
一些可能的实现方式中，所述网络簇头确定网络簇内每个节点对图神经网络的贡献度，包括：网络簇头获取网络簇内每个节点的特征值对于图神经网络的损失函数的偏微分值；网络簇头分别对网络簇内每个节点对应的偏微分值的绝对值进行求和，得到每个节点的偏微分和数，偏微分和数用于指示节点对图神经网络的贡献度。
一些可能的实现方式中，所述第一预设条件包括：贡献度大于或等于第一预设阈值，第一预设阈值为按照贡献度由高到低对网络簇内所有节点进行排序的结果中，位于第K位的节点的贡献度，K为大于0的整数。
一些可能的实现方式中，所述K的大小与网络簇的拥塞程度负相关。
一些可能的实现方式中，所述方法还包括：网络簇头获取网络簇的通信时延；网络簇头根据通信时延，确定网络簇的拥塞程度。
一些可能的实现方式中，所述网络簇头根据网络簇内的每个节点的特征信息、节点之间的距离关系，确定网络簇内每个节点的贡献度之前，所述方法还包括：网络簇头接收网络簇内的每个节点的运动状态特征信息和传感器特征信息；网络簇头分别将网络簇内的每个节点的传感器特征信息转化为一维向量后，将一维向量与运动状态特征信息进行融合，得到每个节点的特征信息。
根据本公开的第二方面，提供了一种车路协同自动驾驶感知方法，所述方法包括：第一节点接收来自网络簇头的指示信息，指示信息用于指示第一节点为感知簇头，网络簇头为网络簇中的一个节点，网络簇包括至少两个节点，节点包括车辆和/或路侧单元，第一节点为至少两个节点中的一个；第一节点响应于指示信息，按照预设周期广播自身的运动状态信息和传感器信息；其中，第一节点广播的运动状态信息和传感器信息，用于网络簇内的每个节点进行自动驾驶协同感知。
根据本公开的第三方面，提供了一种车路协同自动驾驶感知方法，所述方法包括：第二节点接收来自网络簇头的指示信息，指示信息用于指示第一节点为感知簇头，网络簇头为网络簇中的一个节点，网络簇包括至少两个节点，节点包括车辆和/或路侧单元，至少两个节点包括第一节点和第二节点；第二节点响应于接收第一节点广播的运动状态信息和传感器信息，根据第一节点广播的运动状态信息和传感器信息、第二节点自身的运动状态信息和传感器信息，进行自动驾驶协同感知。
一些可能的实现方式中，所述第二节点根据第一节点广播的运动状态信息和传感器信息和自身的运动状态信息和传感器信息，进行自动驾驶协同感知，包括：第二节点将第一节点广播的运动状态信息和传感器信息转换为第二节点的视角，得到转换视角后的感知信息；第二节点将转换视角后的感知信息与自身的运动状态信息和传感器信息进行融合，得到自动驾驶协同感知信息。
根据本公开的第四方面，提供了一种车路协同自动驾驶感知方法，所述方法应用于车路协同系统，车路协同系统包括至少两个节点，至少两个节点中包括默认通信节点，节点包括车辆和/或路侧单元，方法包括：默认通信节点根据自身与周边节点之间的通信距离，构建网络簇，网络簇包括至少两个节点；默认通信节点从网络簇内选取通信质量满足第二预设条件的目标节点作为网络簇的网络簇头；网络簇头根据网络簇内的每个节点的特征信息、节点之间的距离关系，确定网络簇内每个节点的贡献度，贡献度用于指示节点在网络簇内的协同感知能力的大小；网络簇头从网络簇内选取贡献度满足第一预设条件的第一节点作为感知簇头；网络簇头向网络簇内的每个节点发送指示信息，指示信息用于指示感知簇头的身份信息，且用于指示感知簇头按照预设周期广播自身的运动状态信息和传感器信息；感知簇头响应于指示信息，按照预设周期广播自身的运动状态信息和传感器信息；网络簇内的每个节点响应于接收到感知簇头广播的运动状态信息和传感器信息，根据感知簇头广播的运动状态信息和传感器信息、自身的运动状态信息和传感器信息，进行自动驾驶协同感知。
本公开的第一方面至第四方面，至少具备如下有益效果：可以从整体网络结构的角度选择感知簇头，由感知簇头向各个节点发送特征信息，仅在簇内网络初始化时要求全节点发送特征信息至网络簇头，避免了网络内所有节点周期性向目标车辆发送特征信息从而造成网络拥塞的情况，降低了通信吞吐量，同时能够支持在通信吞吐量约束前提下的协同感知，提高自动驾驶感知的准确性。
根据本公开的第五方面，提供了一种车路协同自动驾驶感知装置，所述装置包括：确定单元、选取单元、发送单元。
确定单元，用于根据网络簇内的每个节点的特征信息、节点之间的距离关系，确定网络簇内每个节点的贡献度，贡献度用于指示节点在网络簇内的协同感知能力的大小，网络簇包括至少两个节点，节点包括车辆和/或路侧单元，网络簇头为网络簇内的一个节点。
选取单元，用于从网络簇内选取贡献度满足第一预设条件的第一节点作为感知簇头。
发送单元，用于向网络簇内的每个节点发送指示信息，指示信息用于指示感知簇头的身份信息，且用于指示感知簇头按照预设周期广播自身的运动状态信息和传感器信息。
可选地，确定单元，具体用于：网络簇头根据网络簇内的每个节点的特征信息和节点数量，构建特征矩阵；网络簇头根据网络簇内节点之间的距离关系和节点数量，构建关系矩阵；网络簇头根据特征矩阵和关系矩阵构建图神经网络；网络簇头确定网络簇内每个节点对图神经网络的贡献度，作为网络簇内每个节点的贡献度。
可选地，确定单元，具体用于：网络簇头获取网络簇内每个节点的特征值对于图神经网络的损失函数的偏微分值；网络簇头分别对网络簇内每个节点对应的偏微分值的绝对值进行求和，得到每个节点的偏微分和数，偏微分和数用于指示节点对图神经网络的贡献度。
可选地，第一预设条件包括：贡献度大于或等于第一预设阈值，第一预设阈值为按照贡献度由高到低对网络簇内所有节点进行排序的结果中，位于第K位的节点的贡献度，K为大于0的整数。
可选地，K的大小与网络簇的拥塞程度负相关。
可选地，获取单元，用于获取网络簇的通信时延；确定单元，还用于：根据通信时延，确定网络簇的拥塞程度。
可选地，接收单元，用于接收网络簇内的每个节点的运动状态特征信息和传感器特征信息；融合单元，用于分别将网络簇内的每个节点的传感器特征信息转化为一维向量后，将一维向量与运动状态特征信息进行融合，得到每个节点的特征信息。
根据本公开的第六方面，提供了一种车路协同自动驾驶感知装置，装置包括：接收单元、广播单元。
接收单元，用于接收来自网络簇头的指示信息，指示信息用于指示第一节点为感知簇头，网络簇头为网络簇中的一个节点，网络簇包括至少两个节点，节点包括车辆和/或路侧单元，第一节点为至少两个节点中的一个。
广播单元，用于响应于指示信息，按照预设周期广播自身的运动状态信息和传感器信息。
根据本公开的第七方面，提供了一种车路协同自动驾驶感知装置，装置包括：接收单元、感知单元。
接收单元，用于接收来自网络簇头的指示信息，指示信息用于指示第一节点为感知簇头，网络簇头为网络簇中的一个节点，网络簇包括至少两个节点，节点包括车辆和/或路侧单元，至少两个节点包括第一节点和第二节点。
感知单元，用于响应于接收第一节点广播的运动状态信息和传感器信息，根据第一节点广播的运动状态信息和传感器信息、第二节点自身的运动状态信息和传感器信息，进行自动驾驶协同感知。
可选地，感知单元，具体用于：第二节点将第一节点广播的运动状态信息和传感器信息转换为第二节点的视角，得到转换视角后的感知信息；第二节点将转换视角后的感知信息与自身的运动状态信息和传感器信息进行融合，得到自动驾驶协同感知信息。
根据本公开的第八方面，提供了一种车路协同系统，车路协同系统包括至少两个节点，至少两个节点中包括默认通信节点，节点包括车辆和/或路侧单元。
默认通信节点，用于根据自身与周边节点之间的通信距离，构建网络簇，从网络簇内选取通信质量满足第二预设条件的目标节点作为网络簇的网络簇头，网络簇包括至少两个节点。
网络簇头，用于根据网络簇内的每个节点的特征信息、节点之间的距离关系，确定网络簇内每个节点的贡献度，贡献度用于指示节点在网络簇内的协同感知能力的大小；从网络簇内选取贡献度满足第一预设条件的第一节点作为感知簇头；向网络簇内的每个节点发送指示信息，指示信息用于指示感知簇头的身份信息，且用于指示感知簇头按照预设周期广播自身的运动状态信息和传感器信息。
感知簇头，用于响应于指示信息，按照预设周期广播自身的运动状态信息和传感器信息。
网络簇内的每个节点，用于响应于接收到感知簇头广播的运动状态信息和传感器信息，根据感知簇头广播的运动状态信息和传感器信息、自身的运动状态信息和传感器信息，进行自动驾驶协同感知。
根据本公开的第九方面，提供了一种电子设备，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如第一方面至第四方面所述的方法。
根据本公开的第十方面，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，所述计算机指令用于使计算机执行根据第一方面至第四方面所述的方法。
根据本公开的第十一方面，提供了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第一方面至第四方面所述的方法。
本公开第五方面至第十一方面所具备的有益效果可以参考第一方面至第四方面所具备的有益效果，不再赘述。
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。本公开的其他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为本公开实施例提供的车路协同自动驾驶感知方法的流程示意图；
图2为本公开实施例提供的图1中S101的一种实现流程示意图；
图3为本公开实施例提供的图2中S204的一种实现流程示意图；
图4为本公开实施例提供的车路协同自动驾驶感知方法的另一流程示意图；
图5为本公开实施例提供的车路协同自动驾驶感知方法的又一流程示意图；
图6为本公开实施例提供的车路协同自动驾驶感知方法的又一流程示意图；
图7为本公开实施例提供的车路协同自动驾驶感知方法的又一流程示意图；
图8为本公开实施例提供的图7中S702的一种实现流程示意图；
图9为本公开实施例提供的车路协同自动驾驶感知方法的又一流程示意图；
图10为本公开实施例提供的车路协同自动驾驶感知装置的组成示意图；
图11为本公开实施例提供的车路协同自动驾驶感知装置的另一组成示意图；
图12为本公开实施例提供的车路协同自动驾驶感知装置的又一组成示意图；
图13为本公开实施例提供的车路协同自动驾驶感知系统的组成示意图；
图14为可以用来实施本公开的实施例的示例电子设备1400的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例作出说明，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。
应当理解，在本公开各实施例中，字符“/”一般表示前后关联对象是一种“或”的关系。术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。
无线通信网络是一种通过无线电波传输信息的通信系统。无线通信网络广泛应用于各个领域，比如移动通信、物联网、自动驾驶、无人机、智能家居等。在自动驾驶领域，无线通信网络为车路协同自动驾驶感知提供了实时、可靠的信息交流基础。车路协同自动驾驶感知是将车辆的传感器数据与路侧单元的检测信息相融合，利用路侧单元来获取更全面、准确的感知信息的过程，可以为自动驾驶提供更为完整的感知和理解能力。
目前，车路协同自动驾驶感知的方式包括：车辆或车路两两交互进行感知、多车与路组网协同交互进行感知。
但目前的车路协同自动驾驶感知方式对通信吞吐量的要求较高，通信吞吐量不满足要求时，会严重影响自动驾驶感知的准确性。
示例性地，无线通信网络提供了车辆之间、车辆与基础设施之间的信息交流通道。车路协同感知依赖于各种传感器（如摄像头、激光雷达、雷达等）来感知道路、行人、障碍物等信息。这些感知数据需要及时、可靠地传输和共享给其他车辆和基础设施，以保证车辆之间的协同行驶。无线通信网络通过提供高速、低延迟的数据传输能力，满足了车路协同感知的需求。随着对车辆自动驾驶技术研究的越来越深入，基于车路协同的自动驾驶协同感知技术研究逐渐变多。自动驾驶汽车除了通过自身安装的传感器来感知周围环境信息以外，还可以通过在道路两侧固定安装的传感器，来获取道路上交通参与者的状态信息。通过将车端和路侧交通设施两种不同来源的感知信息相互融合，可以实现车辆远距离、无盲区的协同感知，提升和保证车辆自动驾驶时的安全性。
目前，车路协同自动驾驶感知的方式包括：车辆或车路两两交互进行感知、多车与路组网协同交互进行感知。
车辆在行进过程中往往会受到前车对自身传感器的遮挡，以致行人、路障等关键目标难以被及时识别并做出规避响应，因此研究者提出与前车视角或路侧设备视角共享的方式来避免遮挡和响应不及时发生，即车辆或车路两两交互进行感知的方式。此类方法通过限定应用场景的方式完成了自动驾驶车辆的感知范围扩展，但是由于车辆的交互对象固定，在复杂交通场景下两两交互并不能实时应对真实的道路交通状态。例如，前车由于自身尺寸限制，传感器部署角度不佳，因此前车并非共享视角的最佳选择，而应选择视野较高或传感器部署角度的其它邻居车辆；路侧设备虽然部署位置通常较佳，但路侧设备仍会存在盲区，不能完全反应道路状态，仅依赖路侧设备的方式存在传感器漏检的可能。除此之外，车辆间的通信吞吐量约束会成为限制此类方法应用的瓶颈。例如，任意交通场景范围内中存在多对两两交互对象，而这些对象在物理空间中共享同一无线通信频谱资源，因此随着车辆密度的增加，分配至每对的通信吞吐量越少，以致无法满足传感信息交互的要求。
多车与路组网协同交互的方式可以充分利用道路中车辆或路侧设备的传感信息，以协作的方式利用车与车（vehicle to vehicle，V2V）或车与路（vehicle toinfrastructure，V2I）通信网络增强感知能力。此类方法在感知范围上相较前述仅两两交互的方式有了明显的提高，但是随之而来的是其对数据吞吐量的要求也愈发增高。为了解决这一问题，研究者设计了一系列数据压缩与优化策略，以期降低通信吞吐量约束对感知数据交互的限制。在经过改进设计后，研究者采用压缩过的特征级数据进行交互，该方法可减少近百倍的数据交互量。同时，区别于全网数据均匀交互，研究者提出网络内分时分对象交互，避免过度交互对网络吞吐带来的压力。虽然经过改进后对吞吐量的要求有了明显的降低，但是以上方法的设计仍是从选择最优感知节点的角度出发，未能从根本上立足通信吞吐量约束。同时，在交互对象的选择时，现有方法未能考虑网络中各节点间的关系，因此不能从全网感知最优的角度选择合适交互对象。具体来说，由于现有方法仅从感知角度出发，且以网络内两两交互对象感知增强效果作为唯一交互衡量指标，在面临通信吞吐量约束时，即网络中仅允许2-3个节点为网络中所有节点提供感知扩展服务时，现有方法无法准确的获取网络空间结构关系，因此无法准确确定提供感知扩展服务的节点，即无法从全局感知优化的角度提供协同感知方法。最后，现有方法以深度学习方式混合来自网络中所有节点的特征信息以达到增强感知的目标，但是此类方法需要各节点汇聚其它节点的特征信息，增加了网络中数据交互量，不符合现实通信吞吐量约束。具体来说，现有方法在与目标车辆协同感知前，常常需要网络中的其它节点需要首先进行数据交互，以综合整理出特征信息后再与目标车辆进行融合。此类方法虽然减少了其它节点与目标车辆的数据交互次数，但其它节点仍需存在大量数据交互需求，未能有效应对络通信吞吐量约束要求。
在此背景技术下，本公开提供了一种车路协同自动驾驶感知方法，可以应用于网络簇头，网络簇头为网络簇中的一个节点，网络簇可以包括多个节点，每个节点可以是路侧单元、车辆等。网络簇及网络簇头的定义具体可以参见下述实施例。
本公开提供的该车路协同自动驾驶感知方法，能够降低通信吞吐量，支持在通信吞吐量约束前提下的协同感知，提高自动驾驶感知的准确性。
示例性地，本公开提供的车路协同自动驾驶感知方法，可以应用于车路协同自动驾驶感知的场景下。
示例性地，本公开实施例提供的车路协同自动驾驶感知方法的执行主体可以是网络簇头，如作为网络簇头的车辆或路侧单元，或者与作为网络簇头的车辆或路侧单元相关的计算机或服务器，又或者还可以是其他具有数据处理能力的设备。例如，执行主体可以是自动驾驶车辆的后台服务器，在此对该方法的执行主体不作限制。
一些实施例中，服务器可以是单独的一个服务器，或者，也可以是由多个服务器构成的服务器集群。部分实施方式中，服务器集群还可以是分布式集群。本公开对服务器的具体实现方式也不作限制。
图1为本公开实施例提供的车路协同自动驾驶感知方法的流程示意图。如图1所示，该方法可以包括S101-S103。
S101、网络簇头根据网络簇内的每个节点的特征信息、节点之间的距离关系，确定网络簇内每个节点的贡献度。
其中，贡献度用于指示节点在网络簇内的协同感知能力的大小，网络簇包括至少两个节点，节点包括车辆和/或路侧单元，网络簇头为网络簇内的一个节点。
示例性地，网络簇内的每个节点均具备环境信息采集与数据分发能力，网络簇内的每个节点的传感器可以周期性采集周围环境信息，然后通过特征提取得到网络簇内的每个节点的特征信息，网络簇内的每个节点将各自的特征信息、节点之间的距离关系发送给网络簇头，网络簇头可以根据接收到的网络簇内的每个节点的特征信息、节点之间的距离关系，确定网络簇内每个节点的贡献度。
S102、网络簇头从网络簇内选取贡献度满足第一预设条件的第一节点作为感知簇头。
示例性地，第一预设条件表示贡献度大于或等于第一预设阈值。网络簇头可以从网络簇内选取贡献度大于或等于第一预设阈值的第一节点作为感知簇头。
基于上述实施例，示例地，假设第一预设阈值为6，网络簇内包括5个节点，确定出节点1的贡献度为6，节点2的贡献度为3，节点3的贡献度为2，节点4的贡献度为5，节点5的贡献度为7，节点1和节点5的贡献度大于或等于6，即节点1和节点5的贡献度满足第一预设条件，可以将节点1和节点5选取为感知簇头。
S103、网络簇头向网络簇内的每个节点发送指示信息。
其中，指示信息用于指示感知簇头的身份信息，且用于指示感知簇头按照预设周期广播自身的运动状态信息和传感器信息；感知簇头广播的运动状态信息和传感器信息，用于网络簇内的每个节点进行自动驾驶协同感知。
示例性地，当网络簇头选取完感知簇头后，网络簇头可以向网络簇内的每个节点发送选取的感知簇头的身份信息，同时向被选取为感知簇头的节点发送指示信息，告知该节点被选取为感知簇头，该节点可以按照预设周期广播自身的运动状态信息和传感器信息。
基于上述实施例，示例地，当网络簇头选取了车辆X为感知簇头，网络簇头可以向网络簇内的每个节点发送车辆X的身份信息，同时向车辆X发送指示信息，告知车辆X已被选取为感知簇头，车辆X接收到自己被选取为感知簇头的指示信息后，可以按照预设周期广播自身的运动状态信息和传感器信息。预设周期可以根据实际需求来设置，比如感知簇头可以每2秒广播一次自身的运动状态信息和传感器信息。
本公开实施例通过网络簇头根据网络簇内的每个节点的特征信息、节点之间的距离关系，确定网络簇内每个节点的贡献度，然后根据确定的网络簇内每个节点的贡献度，从网络簇内选取贡献度满足第一预设条件的第一节点作为感知簇头，再向网络簇内的每个节点发送指示信息，可以从整体网络结构的角度选择感知簇头，由感知簇头向各个节点发送特征信息，仅在簇内网络初始化时要求全节点发送特征信息至网络簇头，避免了网络内所有节点周期性向目标车辆发送特征信息从而造成网络拥塞的情况，降低了通信吞吐量，同时能够支持在通信吞吐量约束前提下的协同感知，提高自动驾驶感知的准确性。
图2为本公开实施例提供的图1中S101的一种实现流程示意图。如图2所示，图1所示的S101可以包括S201-S204。
S201、网络簇头根据网络簇内的每个节点的特征信息和节点数量，构建特征矩阵。
示例性地，由于汇集在网络簇头的特征信息来自于不同节点的视角，所以在被网络簇头使用前需要进行视角转换，将特征信息转换至网络簇头视角，具体实现方式可依据现有视角转换方法完成，此处不作限制。将特征信息转换至网络簇头视角后，网络簇头可以根据网络簇内的每个节点的特征信息和节点数量，构建特征矩阵。
基于上述实施例，示例地，网络簇头可以构建X*Y维的特征矩阵，其中，X表示节点个数，Y表示各个节点的特征信息向量长度。
S202、网络簇头根据网络簇内节点之间的距离关系和节点数量，构建关系矩阵。
示例性地，对于关系矩阵来说，在考虑通信吞吐量约束后，可以采用节点间的相对距离来唯一确定关系矩阵内容，即矩阵（i，j）可以表示节点i与节点j的相对距离。距离关系与无线通信信号强度和感知扩展关系具有正相关关系，可以直接反应感知增强的效果。对于相对距离的获取，常见的网络簇维护中已存在周期性位置信息广播，网络簇头可以直接复用此信息作为关系矩阵内容。
基于上述实施例，示例地，网络簇头可以构建X*X维的关系矩阵，其中，X表示节点个数。
S203、网络簇头根据特征矩阵和关系矩阵构建图神经网络。
示例性地，在上述特征矩阵和关系矩阵构建完成后，可以构建图神经网络来进一步获取不同节点对于图神经网络的贡献度从而选取感知簇头，本方案对具体图神经网络构建方法不作限制。构建的对应的图神经网络的输入为前述特征矩阵和关系矩阵，输出为自动驾驶常用目标识别框。图神经网络的训练可以通过典型生成数据集完成，该数据集包含多车协同感知和标定结果。
S204、网络簇头确定网络簇内每个节点对图神经网络的贡献度，作为网络簇内每个节点的贡献度。
示例性地，网络簇头可以利用常见的深度学习网络工具，求取网络簇内每个节点对图神经网络的贡献度，将求取的网络簇内每个节点对图神经网络的贡献度作为网络簇内每个节点的贡献度，然后可以利用得到的贡献度进行后续感知簇头的选取。
本实施例通过由网络簇头根据网络簇内的每个节点的特征信息和节点数量，构建特征矩阵、根据网络簇内节点之间的距离关系和节点数量，构建关系矩阵，然后网络簇头根据构建的特征矩阵和关系矩阵构建图神经网络，再由网络簇头确定网络簇内每个节点对图神经网络的贡献度，将网络簇内每个节点对图神经网络的贡献度作为网络簇内每个节点的贡献度，能够在选取感知簇头时综合考量网络簇内各个节点对于网络簇的贡献度，更有力支持在通信吞吐量约束前提下的协同感知。
图3为本公开实施例提供的图2中S204的一种实现流程示意图。如图3所示，图2所示的S204可以包括S301-S302。
S301、网络簇头获取网络簇内每个节点的特征值对于图神经网络的损失函数的偏微分值。
示例性地，可利用常见深度学习网络工具符号数学系统（TensorFlow）或者基于计算机编程语言的可续计算包（PyTorch）自动微分求解器求取来自不同节点的特征值对于图神经网络损失函数的偏微分值，该偏微分值表示某个方向上的变化率，同时可以表示不同节点的特征值变化对最终目标识别准确率的影响，变化率越大，对最终目标识别准确率的影响越大，即偏微分值越大，对最终目标识别准确率的影响越大。
S302、网络簇头分别对网络簇内每个节点对应的偏微分值的绝对值进行求和，得到每个节点的偏微分和数。
示例性地，偏微分和数用于指示节点对图神经网络的贡献度。网络簇头获取到网络簇内每个节点的特征值对于图神经网络的损失函数的偏微分值后，可以对每个节点对应的偏微分值的绝对值进行求和，得到每个节点的偏微分和数。其中，对每个节点对应的偏微分值的绝对值进行求和的方式，可以是对每个节点的每个维度的特征值对应的偏微分值的绝对值进行求和，得到每个节点的偏微分和数，该偏微分和数可以作为最终分数，表示每个节点在图神经网络中的贡献度。
基于上述实施例，示例地，对于网络簇内某个节点m，可以计算出节点m在X轴的特征值对应的偏微分值的绝对值、节点m在Y轴的特征值对应的偏微分值的绝对值，然后将节点m在X轴的特征值对应的偏微分值的绝对值、节点m在Y轴的特征值对应的偏微分值的绝对值进行求和，得到节点m的偏微分和数，该偏微分和数可以作为最终分数，表示节点m在图神经网络中的贡献度。
本实施例通过获取网络簇内每个节点的特征值对于图神经网络的损失函数的偏微分值，然后分别对网络簇内每个节点对应的偏微分值的绝对值进行求和，得到每个节点的偏微分和数，用得到的偏微分和数表示节点对图神经网络的贡献度，可以提高确定的贡献度的准确性和精确度。
一些实施例中，上述第一预设条件包括：贡献度大于或等于第一预设阈值，第一预设阈值为按照贡献度由高到低对网络簇内所有节点进行排序的结果中，位于第K位的节点的贡献度，K为大于0的整数。
示例性地，第一预设条件可以包括贡献度大于或等于第一预设阈值。可以按照贡献度由高到低对网络簇内所有节点进行排序，得到排序结果后，若选择K个感知簇头，第一预设阈值就是得到的排序结果中位于第K位的节点的贡献度。
基于上述实施例，示例地，假设网络簇内有6个节点，节点1的贡献度为9，节点2的贡献度为5，节点3的贡献度为6，节点4的贡献度为8，节点5的贡献度为2，节点6的贡献度为3，按照贡献度由高到低对网络簇内所有节点进行排序，得到的排序结果为节点1、节点4、节点3、节点2、节点6、节点5，若选择2个感知簇头，则第一预设阈值为排在第2位的节点的贡献度，即节点4的贡献度，节点4的贡献度为8，所以贡献度大于或等于8的节点满足第一预设条件，可以得出节点1和节点4满足第一预设条件。
本实施例通过限定第一预设条件包括贡献度大于或等于第一预设阈值，第一预设阈值为按照贡献度由高到低对网络簇内所有节点进行排序的结果中，位于第K位的节点的贡献度，K为大于0的整数，可以选出网络簇内贡献度较高的节点作为感知簇头，保证了选取的感知簇头的质量。
一些实施例中，上述K的大小与网络簇的拥塞程度负相关。
示例性地，可以根据通信网络簇的整体拥塞情况，从贡献度由高到低选择K个感知簇头，网络簇的拥塞程度越强，K的值越小，网络簇的拥塞程度越弱，K的值越大，一般K的值为2或者3，拥塞较强时选择2、拥塞较弱时选择3或更高值，拥塞情况的强弱由具体应用对通信的时延敏感情况而定。
本实施例通过限定K的大小与网络簇的拥塞程度负相关，可以根据网络簇的拥塞程度选取感知簇头，能够有力支持在通信吞吐量约束前提下的协同感知。
图4为本公开实施例提供的车路协同自动驾驶感知方法的另一流程示意图。如图4所示，该方法可以包括S401-S402。
S401、网络簇头获取网络簇的通信时延。
示例性地，通信时延可以包括发送时延、传播时延、处理时延、排队时延。发送时延指发送方发送数据所需的时间，包括数据在发送方缓存和发送队列中等待的时间。传播时延指数据在传输路径上所需的时间，该时延与传输距离和传输速度相关。处理时延指数据在接收方进行处理所需的时间，包括数据在接收缓存、处理器缓存中等待的时间。排队时延指数据在接收方排队等待处理所需的时间，包括在处理队列中等待的时间。
S402、网络簇头根据通信时延，确定网络簇的拥塞程度。
示例性地，网络簇头可以根据获取到的网络簇的通信时延，确定网络簇的拥塞程度。当网络负载过高时，通信时延将增加，这是因为网络中的数据传输需排队等候，处理、传播等过程所需的时间相应增加。因此，通信时延可以用来衡量网络拥塞程度。
基于上述实施例，示例地，根据通信时延，可以使用一些指标来判断网络簇的拥塞程度，例如平均延迟时间、时延变化范围或是端到端时延等。通常，网络簇的拥塞程度和通信时延呈正相关关系，即通信时延越大，网络拥塞程度越高。
本实施例通过获取网络簇的通信时延，然后根据获取到的通信时延，确定网络簇的拥塞程度，可以利用网络簇的通信时延衡量网络簇的拥塞程度，使网络簇的拥塞程度具体表现出来，为后续操作提供更加准确的数据支持。
图5为本公开实施例提供的车路协同自动驾驶感知方法的又一流程示意图。如图5所示，该方法可以包括S501-S502。
S501、网络簇头接收网络簇内的每个节点的运动状态特征信息和传感器特征信息。
示例性地，在网络簇头根据网络簇内的每个节点的特征信息、节点之间的距离关系，确定网络簇内每个节点的贡献度之前，网络簇内的每个节点可以将各自的特征信息发送给网络簇头，网络簇头可以接收网络簇内的每个节点的特征信息。网络簇内的每个节点包含两类数据，一类描述节点运动状态，一类描述传感器采集信息，即网络簇内的每个节点的特征信息包括运动状态特征信息和传感器特征信息。
基于上述实施例，示例地，针对运动状态信息，可以采用全连接层来提取运动状态特征。运动状态信息可以表示为7维向量，其中包含x、y轴分别对应的位置信息、速度信息、加速度信息，和行进角度信息。可以将以上7维信息作为输入，输入至包含两层全连接层的神经网络中，每层神经元数为32或64个，输出层则为16维向量。对应的激活函数为线性整流函数（rectified linear unit，ReLu），网络训练函数为自适应优化算法（adaptive momentestimation，Adam）优化器，损失函数为均方误差（mean squared error，MSE）。针对传感器采集信息，以激光雷达为例，可以采用基于点云的目标检测网络（PointPillars）来提取运动状态特征。通过使用PointPillars，输入原始点云数据后可以得到M*N*C维数据，其中M和N表示二维空间信息，C表示通道个数，描述具体的特征参数，M、N和C的取值依据具体的应用而定，比如300*200*32。若存在路侧设备，则可以将路侧设备视为移动状态固定的节点，其感知特征信息获取与车辆相同。
S502、网络簇头分别将网络簇内的每个节点的传感器特征信息转化为一维向量后，将一维向量与运动状态特征信息进行融合，得到每个节点的特征信息。
示例性地，可以将节点运动状态特征信息和传感器特征信息整合至一维向量中，即将M*N*C维感知数据转换至1*（M*N*C）向量中，并在末尾附上节点运动状态特征信息，就完成了将一维向量与运动状态特征信息进行融合的步骤，得到了每个节点的特征信息。
示例性地，还可以通过自动编码器对得到的每个节点的特征信息进行压缩，自动编码器利用深度学习支撑，可保留被压缩信息的特征信息。然后每个节点将经过压缩后的传感器特征信息和运动状态特征信息以无线通信方式发送至网络簇头。
本实施例通过先接收网络簇内的每个节点的运动状态特征信息和传感器特征信息，然后分别将网络簇内的每个节点的传感器特征信息转化为一维向量后，再将一维向量与运动状态特征信息进行融合，得到每个节点的特征信息，可以提高特征信息的丰富度。
示例性地，本公开实施例还提供一种车路协同自动驾驶感知方法，可以应用于第一节点，第一节点可以是前述实施例中所述的感知簇头。该方法的执行主体可以是感知簇头，如作为感知簇头的车辆或路侧单元，或者与作为感知簇头的车辆或路侧单元相关的计算机或服务器，又或者还可以是其他具有数据处理能力的设备。例如，执行主体可以是自动驾驶车辆的后台服务器，在此对该方法的执行主体不作限制。
图6为本公开实施例提供的车路协同自动驾驶感知方法的又一流程示意图。如图6所示，该方法可以包括S601-S602。
S601、第一节点接收来自网络簇头的指示信息。
其中，指示信息用于指示第一节点为感知簇头，网络簇头为网络簇中的一个节点，网络簇包括至少两个节点，节点包括车辆和/或路侧单元，第一节点为至少两个节点中的一个。
S602、第一节点响应于指示信息，按照预设周期广播自身的运动状态信息和传感器信息。
其中，第一节点广播的运动状态信息和传感器信息，用于网络簇内的每个节点进行自动驾驶协同感知。
示例性地，第一节点表示感知簇头，网络簇头在选取第一节点作为感知簇头后，向第一节点发送指示信息，告知第一节点已被选取为感知簇头。第一节点接收到来自网络簇头的指示信息，得知自己被选取为感知簇头后，可以按照预设周期广播自身的运动状态信息和传感器信息。预设周期可以根据实际场景需求来定，比如第一节点可以每3秒广播一次自身的运动状态信息和传感器信息。
本实施例通过第一节点接收来自网络簇头的指示信息，然后第一节点响应于指示信息，按照预设周期广播自身的运动状态信息和传感器信息，给出了第一节点，即感知簇头按照预设周期广播自身的运动状态信息和传感器信息的方案，可以避免网络内所有节点周期性向目标车辆发送特征信息从而造成网络拥塞的情况，降低网络占用量。
示例性地，本公开实施例还提供一种车路协同自动驾驶感知方法，可以应用于第二节点，第二节点可以是前述实施例中所述的网络簇内除第一节点之外的所有节点。该方法的执行主体可以是第二节点，如作为第二节点的车辆或路侧单元，或者与作为第二节点的车辆或路侧单元相关的计算机或服务器，又或者还可以是其他具有数据处理能力的设备。例如，执行主体可以是自动驾驶车辆的后台服务器，在此对该方法的执行主体不作限制。
图7为本公开实施例提供的车路协同自动驾驶感知方法的又一流程示意图。如图7所示，该方法可以包括S701-S702。
S701、第二节点接收来自网络簇头的指示信息。
其中，指示信息用于指示第一节点为感知簇头，网络簇头为网络簇中的一个节点，网络簇包括至少两个节点，节点包括车辆和/或路侧单元，至少两个节点包括第一节点和第二节点。
S702、第二节点响应于接收第一节点广播的运动状态信息和传感器信息，根据第一节点广播的运动状态信息和传感器信息、第二节点自身的运动状态信息和传感器信息，进行自动驾驶协同感知。
示例性地，第二节点可以是网络簇内除第一节点之外的所有节点。第二节点接收到网络簇头发送的指示信息，得知第一节点被选取为感知簇头后，第二节点可以接收来自第一节点广播的运动状态信息和传感器信息，并通过接收到来自第一节点广播的运动状态信息和传感器信息、第二节点自身的运动状态信息和传感器信息进行自动驾驶协同感知。
本实施例通过第二节点接收来自网络簇头的指示信息，然后响应于接收第一节点广播的运动状态信息和传感器信息，根据第一节点广播的运动状态信息和传感器信息、第二节点自身的运动状态信息和传感器信息，进行自动驾驶协同感知，可以提高特征信息的丰富度，提升自动驾驶协同感知的准确性。
图8为本公开实施例提供的图7中S702的一种实现流程示意图。如图8所示，图7所示的S702可以包括S801-S802。
S801、第二节点将第一节点广播的运动状态信息和传感器信息转换为第二节点的视角，得到转换视角后的感知信息。
S802、第二节点将转换视角后的感知信息与自身的运动状态信息和传感器信息进行融合，得到自动驾驶协同感知信息。
示例性地，第一节点广播的运动状态信息和传感器信息是第一节点的视角，第二节点接收到第一节点广播的运动状态信息和传感器信息后，需要先进行视角转换，将接收到的特征信息转换至各自的视角，得到转换视角后的感知信息。然后第二节点可以将自身的运动状态信息和传感器信息利用PointPillars进行合成，得到合成后的特征信息，再将转换视角后的感知信息与合成后的特征信息进行融合，得到自动驾驶协同感知信息，通过自动驾驶协同感知信息进行自动驾驶协同感知。
本实施例通过第二节点将第一节点广播的运动状态信息和传感器信息转换为第二节点的视角，得到转换视角后的感知信息，然后将转换视角后的感知信息与自身的运动状态信息和传感器信息进行融合，得到自动驾驶协同感知信息，可以进一步提高网络簇内节点进行自动驾驶协同感知的准确性。
本公开实施例还提供一种车路协同自动驾驶感知方法，该方法应用于车路协同系统，车路协同系统包括至少两个节点，至少两个节点中包括默认通信节点，节点包括车辆和/或路侧单元。
图9为本公开实施例提供的车路协同自动驾驶感知方法的又一流程示意图。如图9所示，该方法可以包括S901-S907。
S901、默认通信节点根据自身与周边节点之间的通信距离，构建网络簇。
示例性地，网络簇包括至少两个节点，默认通信节点可以是任意一个节点，默认通信节点可以根据自身与周边节点之间的通信距离，构建网络簇，网络簇内节点共享信息。默认通信节点可以将自身与周边节点之间的预设通信距离范围内的所有节点构建一个网络簇，也可以将预设通信距离范围内的预设数量的节点构建为一个网络簇，节点包括车辆和/或路侧单元。
S902、默认通信节点从网络簇内选取通信质量满足第二预设条件的目标节点作为网络簇的网络簇头。
示例性地，第二预设条件可以根据实际应用场景设置。网络簇头为网络簇内的一个节点。
基于上述实施例，示例地，通信质量可以包括信号强度、信号干扰、信噪比、误码率、时延等，综合这些指标，可以评估和描述通信质量。高质量的通信系统通常具有强信号、低干扰、较高的信噪比、低误码率和较低的时延。可以综合以上指标通过打分的方式评估通信质量，选取通信质量最好的一个节点作为网络簇的网络簇头，也可以选取分数大于或等于预设阈值的某个节点作为网络簇的网络簇头。
S903、网络簇头根据网络簇内的每个节点的特征信息、节点之间的距离关系，确定网络簇内每个节点的贡献度。
其中，贡献度用于指示节点在网络簇内的协同感知能力的大小。
示例性地，确定网络簇内每个节点的贡献度的具体方式可以参考S101中确定网络簇内每个节点的贡献度的方式，此处不再赘述。
S904、网络簇头从网络簇内选取贡献度满足第一预设条件的第一节点作为感知簇头。
示例性地，选取感知簇头的具体方式可以参考S102中选取感知簇头的方式，此处不再赘述。
S905、网络簇头向网络簇内的每个节点发送指示信息。
其中，指示信息用于指示感知簇头的身份信息，且用于指示感知簇头按照预设周期广播自身的运动状态信息和传感器信息。
示例性地，网络簇头向网络簇内的每个节点发送指示信息的具体方式可以参考S103中网络簇头向网络簇内的每个节点发送指示信息的方式，此处不再赘述。
S906、感知簇头响应于指示信息，按照预设周期广播自身的运动状态信息和传感器信息。
示例性地，感知簇头响应于指示信息按照预设周期广播自身的运动状态信息和传感器信息的具体方式可以参考S602中第一节点响应于指示信息，按照预设周期广播自身的运动状态信息和传感器信息的方式，此处不再赘述。
S907、网络簇内的每个节点响应于接收到感知簇头广播的运动状态信息和传感器信息，根据感知簇头广播的运动状态信息和传感器信息、自身的运动状态信息和传感器信息，进行自动驾驶协同感知。
示例性地，网络簇内的每个节点响应于接收到感知簇头广播的运动状态信息和传感器信息，根据感知簇头广播的运动状态信息和传感器信息、自身的运动状态信息和传感器信息，进行自动驾驶协同感知的具体方式可以参考S702中第二节点响应于接收第一节点广播的运动状态信息和传感器信息，根据第一节点广播的运动状态信息和传感器信息、第二节点自身的运动状态信息和传感器信息，进行自动驾驶协同感知的方式，此处不再赘述。
本实施例通过默认通信节点根据自身与周边节点之间的通信距离，构建网络簇，默认通信节点从网络簇内选取通信质量满足第二预设条件的目标节点作为网络簇的网络簇头，然后网络簇头根据网络簇内的每个节点的特征信息、节点之间的距离关系，确定网络簇内每个节点的贡献度，从网络簇内选取贡献度满足第一预设条件的第一节点作为感知簇头，网络簇头向网络簇内的每个节点发送指示信息，再通过感知簇头响应于指示信息，按照预设周期广播自身的运动状态信息和传感器信息，最后网络簇内的每个节点响应于接收到感知簇头广播的运动状态信息和传感器信息，根据感知簇头广播的运动状态信息和传感器信息、自身的运动状态信息和传感器信息，进行自动驾驶协同感知，可以减少通信开销并适应移动场景，仅在簇内网络初始化时要求全节点发送特征信息至网络簇头，避免了网络内所有节点周期性向目标车辆发送特征信息从而造成网络拥塞的情况，降低了通信吞吐量。
示例性实施例中，本公开实施例还提供一种车路协同自动驾驶感知装置，可以用于实现如前述实施例所述的应用于网络簇头的车路协同自动驾驶感知方法。图10为本公开实施例提供的车路协同自动驾驶感知装置的组成示意图。如图10所示，该装置可以包括：确定单元1001、选取单元1002、发送单元1003。
确定单元1001，用于网络簇头根据网络簇内的每个节点的特征信息、节点之间的距离关系，确定网络簇内每个节点的贡献度，贡献度用于指示节点在网络簇内的协同感知能力的大小，网络簇包括至少两个节点，节点包括车辆和/或路侧单元，网络簇头为网络簇内的一个节点。
选取单元1002，用于网络簇头从网络簇内选取贡献度满足第一预设条件的第一节点作为感知簇头。
发送单元1003，网络簇头向网络簇内的每个节点发送指示信息，指示信息用于指示感知簇头的身份信息，且用于指示感知簇头按照预设周期广播自身的运动状态信息和传感器信息；其中，感知簇头广播的运动状态信息和传感器信息，用于网络簇内的每个节点进行自动驾驶协同感知。
可选地，确定单元1001，具体用于网络簇头根据网络簇内的每个节点的特征信息和节点数量，构建特征矩阵；网络簇头根据网络簇内节点之间的距离关系和节点数量，构建关系矩阵；网络簇头根据特征矩阵和关系矩阵构建图神经网络；网络簇头确定网络簇内每个节点对图神经网络的贡献度，作为网络簇内每个节点的贡献度。
可选地，确定单元1001，具体用于网络簇头获取网络簇内每个节点的特征值对于图神经网络的损失函数的偏微分值；网络簇头分别对网络簇内每个节点对应的偏微分值的绝对值进行求和，得到每个节点的偏微分和数，偏微分和数用于指示节点对图神经网络的贡献度。
可选地，第一预设条件包括：贡献度大于或等于第一预设阈值，第一预设阈值为按照贡献度由高到低对网络簇内所有节点进行排序的结果中，位于第K位的节点的贡献度，K为大于0的整数。
可选地，K的大小与网络簇的拥塞程度负相关。
如图10所示，该装置可以包括：获取单元1004。
获取单元1004，用于获取网络簇的通信时延；确定单元1001，还用于网络簇头根据通信时延，确定网络簇的拥塞程度。
如图10所示，该装置可以包括：接收单元1005、融合单元1006。
接收单元1005，用于网络簇头接收网络簇内的每个节点的运动状态特征信息和传感器特征信息；融合单元1006，用于网络簇头分别将网络簇内的每个节点的传感器特征信息转化为一维向量后，将一维向量与运动状态特征信息进行融合，得到每个节点的特征信息。
示例性实施例中，本公开实施例还提供一种车路协同自动驾驶感知装置，可以用于实现如前述实施例所述的应用于感知簇头的车路协同自动驾驶感知方法。图11为本公开实施例提供的车路协同自动驾驶感知装置的另一组成示意图。如图11所示，该装置可以包括：接收单元1101、广播单元1102。
接收单元1101，用于第一节点接收来自网络簇头的指示信息，指示信息用于指示第一节点为感知簇头，网络簇头为网络簇中的一个节点，网络簇包括至少两个节点，节点包括车辆和/或路侧单元，第一节点为至少两个节点中的一个。
广播单元1102，用于第一节点响应于指示信息，按照预设周期广播自身的运动状态信息和传感器信息；其中，第一节点广播的运动状态信息和传感器信息，用于网络簇内的每个节点进行自动驾驶协同感知。
示例性实施例中，本公开实施例还提供一种车路协同自动驾驶感知装置，可以用于实现如前述实施例所述的应用于第二节点的车路协同自动驾驶感知方法。图12为本公开实施例提供的车路协同自动驾驶感知装置的又一组成示意图。如图12所示，该装置可以包括：接收单元1201、感知单元1202。
接收单元1201，用于第二节点接收来自网络簇头的指示信息，指示信息用于指示第一节点为感知簇头，网络簇头为网络簇中的一个节点，网络簇包括至少两个节点，节点包括车辆和/或路侧单元，至少两个节点包括第一节点和第二节点。
感知单元1202，用于第二节点响应于接收第一节点广播的运动状态信息和传感器信息，根据第一节点广播的运动状态信息和传感器信息、第二节点自身的运动状态信息和传感器信息，进行自动驾驶协同感知。
可选地，感知单元1202，具体用于第二节点将第一节点广播的运动状态信息和传感器信息转换为第二节点的视角，得到转换视角后的感知信息；第二节点将转换视角后的感知信息与自身的运动状态信息和传感器信息进行融合，得到自动驾驶协同感知信息。
示例性实施例中，本公开实施例还提供一种车路协同自动驾驶感知系统，可以用于实现如前述实施例所述的应用于车路协同自动驾驶感知系统的车路协同自动驾驶感知方法，车路协同系统包括至少两个节点，至少两个节点中包括默认通信节点，节点包括车辆和/或路侧单元。
默认通信节点，用于根据自身与周边节点之间的通信距离，构建网络簇，从网络簇内选取通信质量满足第二预设条件的目标节点作为网络簇的网络簇头，网络簇包括至少两个节点。
网络簇头，用于根据网络簇内的每个节点的特征信息、节点之间的距离关系，确定网络簇内每个节点的贡献度，贡献度用于指示节点在网络簇内的协同感知能力的大小；从网络簇内选取贡献度满足第一预设条件的第一节点作为感知簇头；向网络簇内的每个节点发送指示信息，指示信息用于指示感知簇头的身份信息，且用于指示感知簇头按照预设周期广播自身的运动状态信息和传感器信息。
感知簇头，用于响应于指示信息，按照预设周期广播自身的运动状态信息和传感器信息。
网络簇内的每个节点，用于响应于接收到感知簇头广播的运动状态信息和传感器信息，根据感知簇头广播的运动状态信息和传感器信息、自身的运动状态信息和传感器信息，进行自动驾驶协同感知。
以图13为例，图13为本公开实施例提供的车路协同自动驾驶感知系统的组成示意图。如图13所示，一些实施例中，车路协同系统可以包括车辆1至车辆8，路侧单元1至路侧单元3。默认路侧单元1为默认通信节点，路侧单元1可以构建包含有车辆1至车辆8，路侧单元1至路侧单元3的网络簇，并选取车辆2为网络簇头。以车辆2为网络簇头为例，车辆2可以从网络簇内选取贡献度满足第一预设条件的车辆5作为感知簇头，并向车辆1至车辆8，路侧单元1至路侧单元3发送指示信息，告知所有节点车辆5为感知簇头，且指示车辆5按照预设周期广播自身的运动状态信息和传感器信息。车辆5接收到车辆2的指示信息后，按照预设周期广播自身的运动状态信息和传感器信息。车辆1、车辆2、车辆3、车辆4、车辆6、车辆7、车辆8，路侧单元1至路侧单元3接收到车辆5广播的运动状态信息和传感器信息后，可以根据车辆5广播的运动状态信息和传感器信息、自身的运动状态信息和传感器信息，进行自动驾驶协同感知。
根据本公开的实施例，本公开还提供了一种电子设备。该电子设备可以是前述实施例中所述的自动驾驶车辆或路侧单元相关的服务器、计算机等设备。
一些实施例中，该电子设备可以作为前述实施例中所述的网络簇头，能够用于实现本公开前述实施例提供的应用于网络簇头的车路协同自动驾驶感知方法。
另外一些实施例中，该电子设备可以作为前述实施例中所述的感知簇头，能够用于实现本公开前述实施例提供的应用于感知簇头的车路协同自动驾驶感知方法。
还有一些实施例中，该电子设备可以作为前述实施例中所述的第二节点，能够用于实现本公开前述实施例提供的应用于第二节点的车路协同自动驾驶感知方法。
示例性实施例中，以上任一实施例所述的电子设备可以包括：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如以上实施例所述的电子设备对应执行的车路协同自动驾驶感知方法。
例如，图14为可以用来实施本公开的实施例的示例电子设备1400的示意性框图。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、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14所示，电子设备1400可以包括计算单元1401，其可以根据存储在只读存储器（ROM）中的计算机程序或者从存储单元1408加载到随机访问存储器（RAM）中的计算机程序，来执行各种适当的动作和处理。在RAM 1403中，还可电子设备1400操作所需的各种程序和数据。计算单元1401、ROM 1402以及RAM 1403通过总线1404彼此相连。输入/输出（I/O）接口也连接至总线1404。
电子设备1400中的多个部件连接至I/O接口1405，包括：输入单元1406，例如键盘、鼠标等；输出单元1407，例如各种类型的显示器、扬声器等；存储单元1408，例如磁盘、光盘等；以及通信单元1409，例如网卡、调制解调器、无线通信收发机等。通信单元1409允许电子设备1400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1401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1401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）、任何适当的处理器、控制器、微控制器等。计算单元1401执行上文所描述的各个方法和处理，例如基于车辆轨迹数据的路网结构生成方法。例如，在一些实施例中，车路协同自动驾驶感知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1408。
在一些实施例中，计算机程序的部分或者全部可以经由ROM 1402和/或通信单元1409而被载入和/或安装到电子设备1400上。当计算机程序加载到RAM 1403并由计算单元1401执行时，可以执行上文描述的车路协同自动驾驶感知方法的一个或多个步骤。
备选地，在其他实施例中，计算单元1401可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行车路协同自动驾驶感知方法。
根据本公开的实施例，本公开还提供了一种可读存储介质和一种计算机程序产品。
示例性实施例中，可读存储介质可以是存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行根据以上实施例所述的方法。
示例性实施例中，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以上实施例所述的方法。
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、现场可编程门阵列（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、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、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、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、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）、包括中间件部件的计算系统（例如，应用服务器）、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）、包括这种后台部件、中间件部件、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 (17)

1.一种车路协同自动驾驶感知方法，包括：
网络簇头根据网络簇内的每个节点的特征信息、节点之间的距离关系，确定所述网络簇内每个节点的贡献度，所述贡献度用于指示所述节点在所述网络簇内的协同感知能力的大小，所述网络簇包括至少两个节点，所述节点包括车辆和/或路侧单元，所述网络簇头为所述网络簇内的一个节点；
所述网络簇头从所述网络簇内选取贡献度满足第一预设条件的第一节点作为感知簇头；
所述网络簇头向所述网络簇内的每个节点发送指示信息，所述指示信息用于指示所述感知簇头的身份信息，且用于指示所述感知簇头按照预设周期广播自身的运动状态信息和传感器信息；
其中，所述感知簇头广播的运动状态信息和传感器信息，用于所述网络簇内的每个节点进行自动驾驶协同感知。
2.根据权利要求1所述的方法，所述网络簇头根据网络簇内的每个节点的特征信息、节点之间的距离关系，确定所述网络簇内每个节点的贡献度，包括：
所述网络簇头根据所述网络簇内的每个节点的特征信息和节点数量，构建特征矩阵；
所述网络簇头根据所述网络簇内节点之间的距离关系和节点数量，构建关系矩阵；
所述网络簇头根据所述特征矩阵和所述关系矩阵构建图神经网络；
所述网络簇头确定所述网络簇内每个节点对所述图神经网络的贡献度，作为所述网络簇内每个节点的贡献度。
3.根据权利要求2所述的方法，所述网络簇头确定所述网络簇内每个节点对所述图神经网络的贡献度，包括：
所述网络簇头获取所述网络簇内每个节点的特征值对于所述图神经网络的损失函数的偏微分值；
所述网络簇头分别对所述网络簇内每个节点对应的偏微分值的绝对值进行求和，得到每个节点的偏微分和数，所述偏微分和数用于指示所述节点对所述图神经网络的贡献度。
4.根据权利要求1-3任一项所述的方法，所述第一预设条件包括：贡献度大于或等于第一预设阈值，所述第一预设阈值为按照贡献度由高到低对所述网络簇内所有节点进行排序的结果中，位于第K位的节点的贡献度，K为大于0的整数。
5.根据权利要求4所述的方法，所述K的大小与所述网络簇的拥塞程度负相关。
6.根据权利要求5所述的方法，所述方法还包括：
所述网络簇头获取所述网络簇的通信时延；
所述网络簇头根据所述通信时延，确定所述网络簇的拥塞程度。
7.根据权利要求1-3任一项所述的方法，所述网络簇头根据网络簇内的每个节点的特征信息、节点之间的距离关系，确定所述网络簇内每个节点的贡献度之前，所述方法还包括：
所述网络簇头接收所述网络簇内的每个节点的运动状态特征信息和传感器特征信息；
所述网络簇头分别将所述网络簇内的每个节点的传感器特征信息转化为一维向量后，将所述一维向量与所述运动状态特征信息进行融合，得到每个节点的特征信息。
8.根据权利要求1所述的方法，所述网络簇头是由默认通信节点从网络簇内选取的通信质量满足第二预设条件的节点，所述网络簇是由所述默认通信节点根据自身与周边节点之间的通信距离构建的，所述默认通信节点为车路协同系统内的节点，所述车路协同系统包括至少两个节点，所述节点包括车辆和/或路侧单元。
9.一种车路协同自动驾驶感知方法，包括：
第一节点接收来自网络簇头的指示信息，所述指示信息用于指示所述第一节点为感知簇头，所述网络簇头为网络簇中的一个节点，所述网络簇包括至少两个节点，所述节点包括车辆和/或路侧单元，所述第一节点为所述至少两个节点中的一个；
所述第一节点响应于所述指示信息，按照预设周期广播自身的运动状态信息和传感器信息；
其中，所述第一节点广播的运动状态信息和传感器信息，用于所述网络簇内的每个节点进行自动驾驶协同感知。
10.一种车路协同自动驾驶感知方法，包括：
第二节点接收来自网络簇头的指示信息，所述指示信息用于指示第一节点为感知簇头，所述网络簇头为网络簇中的一个节点，所述网络簇包括至少两个节点，所述节点包括车辆和/或路侧单元，所述至少两个节点包括所述第一节点和所述第二节点；
所述第二节点响应于接收所述第一节点广播的运动状态信息和传感器信息，根据所述第一节点广播的运动状态信息和传感器信息、所述第二节点自身的运动状态信息和传感器信息，进行自动驾驶协同感知。
11.根据权利要求10所述的方法，所述第二节点根据所述第一节点广播的运动状态信息和传感器信息和自身的运动状态信息和传感器信息，进行自动驾驶协同感知，包括：
所述第二节点将所述第一节点广播的运动状态信息和传感器信息转换为所述第二节点的视角，得到转换视角后的感知信息；
所述第二节点将所述转换视角后的感知信息与自身的运动状态信息和传感器信息进行融合，得到自动驾驶协同感知信息。
12.一种车路协同自动驾驶感知装置，包括：
确定单元，用于根据网络簇内的每个节点的特征信息、节点之间的距离关系，确定所述网络簇内每个节点的贡献度，所述贡献度用于指示所述节点在所述网络簇内的协同感知能力的大小，所述网络簇包括至少两个节点，所述节点包括车辆和/或路侧单元，所述网络簇头为所述网络簇内的一个节点；
选取单元，用于从所述网络簇内选取贡献度满足第一预设条件的第一节点作为感知簇头；
发送单元，用于向所述网络簇内的每个节点发送指示信息，所述指示信息用于指示所述感知簇头的身份信息，且用于指示所述感知簇头按照预设周期广播自身的运动状态信息和传感器信息；
其中，所述感知簇头广播的运动状态信息和传感器信息，用于所述网络簇内的每个节点进行自动驾驶协同感知。
13.一种车路协同自动驾驶感知装置，包括：
接收单元，用于接收来自网络簇头的指示信息，所述指示信息用于指示所述第一节点为感知簇头，所述网络簇头为网络簇中的一个节点，所述网络簇包括至少两个节点，所述节点包括车辆和/或路侧单元，所述第一节点为所述至少两个节点中的一个；
广播单元，用于响应于所述指示信息，按照预设周期广播自身的运动状态信息和传感器信息；
其中，所述第一节点广播的运动状态信息和传感器信息，用于所述网络簇内的每个节点进行自动驾驶协同感知。
14.一种车路协同自动驾驶感知装置，包括：
接收单元，用于接收来自网络簇头的指示信息，所述指示信息用于指示第一节点为感知簇头，所述网络簇头为网络簇中的一个节点，所述网络簇包括至少两个节点，所述节点包括车辆和/或路侧单元，所述至少两个节点包括所述第一节点和所述第二节点；
感知单元，用于响应于接收所述第一节点广播的运动状态信息和传感器信息，根据所述第一节点广播的运动状态信息和传感器信息、所述第二节点自身的运动状态信息和传感器信息，进行自动驾驶协同感知。
15.一种车路协同系统，所述车路协同系统包括至少两个节点，所述至少两个节点中包括默认通信节点，所述节点包括车辆和/或路侧单元；
所述默认通信节点，用于根据自身与周边节点之间的通信距离，构建网络簇，从所述网络簇内选取通信质量满足第二预设条件的目标节点作为所述网络簇的网络簇头，所述网络簇包括至少两个节点；
所述网络簇头，用于根据所述网络簇内的每个节点的特征信息、节点之间的距离关系，确定所述网络簇内每个节点的贡献度，所述贡献度用于指示所述节点在所述网络簇内的协同感知能力的大小；从所述网络簇内选取贡献度满足第一预设条件的第一节点作为感知簇头；向所述网络簇内的每个节点发送指示信息，所述指示信息用于指示所述感知簇头的身份信息，且用于指示所述感知簇头按照预设周期广播自身的运动状态信息和传感器信息；
所述感知簇头，用于响应于所述指示信息，按照预设周期广播自身的运动状态信息和传感器信息；
所述网络簇内的每个节点，用于响应于接收到所述感知簇头广播的运动状态信息和传感器信息，根据所述感知簇头广播的运动状态信息和传感器信息、自身的运动状态信息和传感器信息，进行自动驾驶协同感知。
16.一种电子设备，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1-8任一项所述的方法，或者，权利要求9所述的方法，或者，权利要求10或11所述的方法。
17.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行根据权利要求1-8任一项所述的方法，或者，权利要求9所述的方法，或者，权利要求10或11所述的方法。
CN202310908882.0A 2023-07-24 2023-07-24 车路协同自动驾驶感知方法及装置 Active CN116668993B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310908882.0A CN116668993B (zh) 2023-07-24 2023-07-24 车路协同自动驾驶感知方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310908882.0A CN116668993B (zh) 2023-07-24 2023-07-24 车路协同自动驾驶感知方法及装置

Publications (2)

Publication Number Publication Date
CN116668993A true CN116668993A (zh) 2023-08-29
CN116668993B CN116668993B (zh) 2023-11-07

Family

ID=87728226

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310908882.0A Active CN116668993B (zh) 2023-07-24 2023-07-24 车路协同自动驾驶感知方法及装置

Country Status (1)

Country Link
CN (1) CN116668993B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1809013A (zh) * 2006-02-14 2006-07-26 北京邮电大学 一种支持唤醒机制的异构传感器网络系统的实现方法
CN101237366A (zh) * 2008-03-05 2008-08-06 中科院嘉兴中心微系统所分中心 一种协同感知能量有效的无线传感网网络架构
WO2009155856A1 (zh) * 2008-06-26 2009-12-30 华为技术有限公司 一种协同感知的方法、系统和节点设备
CN108551375A (zh) * 2018-04-13 2018-09-18 上海交通大学 基于分簇的节能频谱感知实现方法
CN110913443A (zh) * 2019-12-25 2020-03-24 中国电子科技集团公司第十一研究所 智能多传感器协同探测方法、装置、传感器和存储介质
CN113613175A (zh) * 2021-07-23 2021-11-05 哈尔滨工程大学 一种基于动态簇的无线传感器网络目标跟踪方法
WO2021237996A1 (zh) * 2020-05-26 2021-12-02 多伦科技股份有限公司 基于模糊c均值的自适应能耗最优车辆聚类方法
WO2022100191A1 (zh) * 2020-11-10 2022-05-19 北京市天元网络技术股份有限公司 一种分布式传感器网络数据融合方法及系统
CN114912532A (zh) * 2022-05-20 2022-08-16 电子科技大学 一种自动驾驶汽车多源异构感知数据融合方法
CN114938526A (zh) * 2022-04-29 2022-08-23 北京邮电大学 一种数据传输方法、装置、网络架构的分簇方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1809013A (zh) * 2006-02-14 2006-07-26 北京邮电大学 一种支持唤醒机制的异构传感器网络系统的实现方法
CN101237366A (zh) * 2008-03-05 2008-08-06 中科院嘉兴中心微系统所分中心 一种协同感知能量有效的无线传感网网络架构
WO2009155856A1 (zh) * 2008-06-26 2009-12-30 华为技术有限公司 一种协同感知的方法、系统和节点设备
CN108551375A (zh) * 2018-04-13 2018-09-18 上海交通大学 基于分簇的节能频谱感知实现方法
CN110913443A (zh) * 2019-12-25 2020-03-24 中国电子科技集团公司第十一研究所 智能多传感器协同探测方法、装置、传感器和存储介质
WO2021237996A1 (zh) * 2020-05-26 2021-12-02 多伦科技股份有限公司 基于模糊c均值的自适应能耗最优车辆聚类方法
WO2022100191A1 (zh) * 2020-11-10 2022-05-19 北京市天元网络技术股份有限公司 一种分布式传感器网络数据融合方法及系统
CN113613175A (zh) * 2021-07-23 2021-11-05 哈尔滨工程大学 一种基于动态簇的无线传感器网络目标跟踪方法
CN114938526A (zh) * 2022-04-29 2022-08-23 北京邮电大学 一种数据传输方法、装置、网络架构的分簇方法及装置
CN114912532A (zh) * 2022-05-20 2022-08-16 电子科技大学 一种自动驾驶汽车多源异构感知数据融合方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张荣雨;李士宁;李志刚;杨丽平;: "基于动态联盟和蚁群算法的任务协同框架", 计算机工程, no. 14 *
柏茂羽;丁勇;胡忠旺;: "基于Q学习的多目标耦合协同任务分配算法", 电光与控制, no. 04 *
蒋文贤;: "压缩感知的能量异构WSN分簇路由协议", 传感技术学报, no. 06 *

Also Published As

Publication number Publication date
CN116668993B (zh) 2023-11-07

Similar Documents

Publication Publication Date Title
Zhang et al. Emp: Edge-assisted multi-vehicle perception
Guo et al. CoFF: Cooperative spatial feature fusion for 3-D object detection on autonomous vehicles
US20190050718A1 (en) Proximity-based distributed sensor processing
US11450120B2 (en) Object detection in point clouds
CN114332494A (zh) 车路协同场景下基于多源融合的三维目标检测与识别方法
Liu et al. Communication challenges in infrastructure-vehicle cooperative autonomous driving: A field deployment perspective
CN113032249B (zh) 交通流量监测系统的测试方法、装置及设备
CN114758502B (zh) 双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆
WO2023011331A1 (zh) 编队行驶的控制方法、装置、介质及电子设备
CN113483774B (zh) 导航方法、装置、电子设备及可读存储介质
US20230300196A1 (en) Data sharing method and apparatus applied between vehicles, medium, and electronic device
CN115879060B (zh) 基于多模态的自动驾驶感知方法、装置、设备和介质
CN115471805A (zh) 点云处理和深度学习模型训练方法、装置及自动驾驶车辆
CN115578709A (zh) 一种车路协同的特征级协同感知融合方法和系统
Hinz et al. Designing a far-reaching view for highway traffic scenarios with 5G-based intelligent infrastructure
Chen et al. Multitarget vehicle tracking and motion state estimation using a novel driving environment perception system of intelligent vehicles
Xie et al. Soft actor–critic-based multilevel cooperative perception for connected autonomous vehicles
CN116668993B (zh) 车路协同自动驾驶感知方法及装置
Chi et al. Federated Cooperative 3D Object Detection for Autonomous Driving
CN116935640A (zh) 一种基于多传感器的路侧感知方法、装置、设备及介质
CN116087987A (zh) 确定目标对象高度的方法、装置、电子设备及存储介质
Ahmed et al. A Joint Perception Scheme For Connected Vehicles
CN114581869A (zh) 确定目标对象位置的方法、装置、电子设备和存储介质
Zhang et al. V2VSSC: A 3D semantic scene completion benchmark for perception with vehicle to vehicle communication
Aung et al. A review of LiDAR-based 3D object detection via deep learning Approaches towards robust connected and autonomous vehicles

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
CB02 Change of applicant information

Address after: Room 533, 5th Floor, Building A3A4, Phase I, Anchenggu Science and Technology Park, No. 900 Wangjiang West Road, High tech Zone, Hefei City, Anhui Province, 230000

Applicant after: Anhui Xinxin Science and Technology Innovation Information Technology Co.,Ltd.

Address before: 2nd Floor, Building B2, Yunhui Valley, No. 156, Tiangu 8th Road, Software New Town, Yuhua Street Office, High-tech Zone, Xi'an City, Shaanxi Province 710000

Applicant before: Xi'an Xinxin Information Technology Co.,Ltd.

CB02 Change of applicant information