CN118293932A - 联网车辆中不一致地图数据协调的方法和系统 - Google Patents
联网车辆中不一致地图数据协调的方法和系统 Download PDFInfo
- Publication number
- CN118293932A CN118293932A CN202311089310.0A CN202311089310A CN118293932A CN 118293932 A CN118293932 A CN 118293932A CN 202311089310 A CN202311089310 A CN 202311089310A CN 118293932 A CN118293932 A CN 118293932A
- Authority
- CN
- China
- Prior art keywords
- same object
- vehicle
- vehicles
- determining
- pmf
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 31
- 230000001419 dependent effect Effects 0.000 claims description 5
- 230000008407 joint function Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 18
- 238000001514 detection method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010207 Bayesian analysis Methods 0.000 description 1
- 241000321453 Paranthias colonus Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000004313 glare Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011045 prefiltration Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Abstract
一种联网车辆中地图数据协调的方法和系统。该方法包括:处理信息以检测同一对象;确定该同一对象的标识;确定同一对象的标识的置信水平;使用登普斯特‑谢弗理论确定同一对象的标识的概率质量函数(PMF);基于PMF确定该同一对象的最可能标识;以及将同一对象的最可能标识信息传送给车辆以实施车辆功能。系统包括:冲突解决模块,被配置为从检测所述同一对象的多个车辆接收置信水平,并使用基于登普斯特‑谢弗理论的算法确定同一对象的一致标识;以及权重计算模块,被配置为基于场景上下文权重函数和车辆的历史分数来应用权重函数。
Description
技术领域
本公开涉及配备有高级驾驶员辅助系统的车辆中的数据处理,更具体地涉及联网车辆中不一致地图数据协调的方法和系统。
背景技术
高级驾驶员辅助系统(ADAS)是驻留在车辆上的智能系统,并用于增强或自动化各种车辆系统的功能。典型的ADAS包括控制模块,该控制模块与例如外部传感器、内部传感器和状态传感器等车辆传感器以及例如转向系统、加速系统、制动系统和安全系统等各种车辆系统进行通信。控制器分析车辆传感器收集的信息,并根据SAE J3016出版物中提供的从部分自主模式到完全自主模式的驾驶自动化级别生成用于操作车辆的指令。
控制模块与外部传感器通信,以持续收集车辆外部周围环境的信息。配备ADAS的车辆通常依赖的外部传感器包括摄像头、长距离传感器和短距离传感器(例如雷达)以及光探测和测距(LIDAR)传感器。由外部传感器收集的信息由检测模块处理以检测对象、标识检测到的对象并确定所标识的对象的位置。关于对象的身份和对象的位置的信息可以作为地图数据上传到基于云的服务器,并且与由其他类似装备的参与车辆收集的其他地图数据合并以生成虚拟地图。虚拟地图可以包括道路信息、所标识的对象、所标识的对象的位置以及超出任何一个参与车辆的外部传感器的范围的区域的操作条件。参与车辆可获取地图数据,以增强ADAS的操作。
有时,从同一车辆上的不同外部传感器或从不同车辆收集的同一对象的地图数据可能不一致,甚至相互冲突。例如,前置摄像头检测到的对象被标识为停车标志,而同一车辆上的前方雷达传感器检测到的同一对象被标识为移动车辆。安装在其他参与车辆上的外部传感器可以同样检测到该对象,并将该同一对象标识为停车标志或移动车辆之外的对象。同一车辆或不同车辆上的不同传感器对同一对象的这种标识不一致可能是由于传感器操作错误、有效传感器范围有限、传感器的遮挡和其他变量造成的。
因此,虽然当前处理外部传感器收集的信息以检测和标识对象的方法实现了其预期目的,但是需要一种用于协调配备ADAS的车辆的不一致地图数据的方法和系统。
发明内容
根据若干方面,提供了一种协调联网车辆的地图数据的方法。该方法包括:接收由分布在多个车辆中的多个传感器收集的关于预定地图区域的信息;处理信息以检测同一对象;针对多个传感器中的每一个确定同一对象的标识;基于针对多个传感器中的每一个确定的同一对象的标识,以置信值和似真性值的格式确定针对多个车辆中的每一个的同一对象的标识的置信水平;基于针对多个车辆中的每一个确定的同一对象的置信水平,使用登普斯特-谢弗(Dempster-Shafer)理论确定同一对象的标识的概率质量函数(PMF);基于PMF确定同一对象的最可能标识;以及将同一对象的最可能标识传送给多个车辆中的至少一个以实施车辆操作。
在本公开的另一方面中,确定同一对象的置信水平包括:枚举同一对象的所有互斥标识以及允许不确定性状态。确定同一对象的标识的置信水平包括计算下限置信值和计算上限似真性值。
在本公开的另一方面中,使用登普斯特-谢弗理论确定同一对象的标识的概率质量函数(PMF)包括针对多个传感器中的每一个的相等上下文相关权重以及针对多个车辆中的每一个的相等输入权重。
在本公开的另一方面中,该方法还包括:确定多个传感器中的每一个的上下文相关权重;确定多个车辆中的每一个的历史信用分数;以及确定权重函数作为上下文相关权重和历史分数的联合函数。
在本公开的另一方面中,该方法还包括:以消除同一对象的无可能标识;以及在同一对象的可行标识中重新分配PMF。
在本公开的另一方面中,确定同一对象的标识的置信水平由位于相应车辆上的模块执行。确定的置信水平被上传到位于相应车辆外的服务器。使用登普斯特-谢弗理论标识同一对象的概率质量函数(PMF)由云服务器执行。
在本公开的另一方面中,确定多个车辆中的每一个的历史信用分数是基于单个车辆与其他车辆的历史报告一致性。
根据多个方面,一种地图数据协调的方法包括:,收集来自多个传感器的有关预定地图区域的信息;处理该信息以检测预定地图区域中的同一对象,确定同一对象的所有可能的标识,并确定所确定的同一对象的可能标识的感测置信水平;使用基于登普斯特-谢弗理论的预定算法,基于所确定的感测置信水平来确定同一对象的一致标识;以及将同一对象的一致标识传送给至少一个车辆以实施车辆操作。
在本公开的另一方面中,
确定感测置信水平包括:
使用以下等式计算同一对象的标识的置信度:
以及使用以下等式计算同一对象的标识的似真性:
其中:
i是同一对象的标识;
R是观测到的事件;
Ek是观测到的事件的证据;以及
pi(Ek)是由单个车辆进行的观测。
在本公开的另一方面中,多个传感器分布在预定区域内的多个车辆中。该方法还包括:针对多个传感器中的至少一个,确定场景上下文权重函数;确定多个车辆中的每一个的历史信用分数;以及确定权重函数Wi(R):
Wi(R)=h(fi(R),gi(R))
其中:fi(R)是相应传感器的场景上下文权重函数;并且gi(R)是相应车辆的历史信用分数。
在本公开的另一方面中,该方法还包括使用以下等式计算新的概率质量函数(PMF):
其中:
Ek和EN是不同观测事件的证据,pi(Ek)和pj(EN)分别是由车辆i和车辆j进行的观测,
New PMF(i,j)(R)是新生成的事件的PMF函数,该事件是车辆i和车辆j的所有原始观测事件Ek和EN的并集,
表示相互支持的证据(即,置信值),并且
表示不反对观测到的事件的证据的概率(即,似真性值)。
根据若干方面,提供了一种用于协调地图信息的系统。该系统包括至少一个车辆,该车辆具有被配置为收集关于车辆周围区域的信息的至少一个外部传感器、被配置为处理所收集的信息以检测同一对象、标识同一对象并确定同一对象的身份的置信水平的车辆模块,以及用于传输所检测对象的身份的置信水平的通信系统;以及冲突解决模块,其被配置为从多个车辆接收同一检测到的对象的标识的多个置信水平,并使用基于登普斯特-谢弗理论的算法确定同一对象的经协调标识。
在本公开的另一方面中,车辆模块还被配置为向至少一个外部传感器分配场景上下文权重函数。
在本公开的另一方面中,系统还包括权重上下文模块,其被配置为基于分配给外部传感器的场景上下文权重函数和/或基于至少一个车辆的历史分数来应用权重函数。
在本公开的另一方面中,冲突解决模块是基于云的服务器。
其他应用领域将从本文提供的描述中变得显而易见。应当理解,这些描述和具体示例仅用于说明的目的,并不旨在限制本公开的范围。
附图说明
本文描述的附图仅用于说明目的并且不旨在以任何方式限制本公开的范围。
图1示出了根据示例性实施例的配备有高级驾驶员辅助系统(ADAS)的车辆的原理框图;
图2是根据示例性实施例的多个配备有ADAS的车辆在十字路口附近运行的情景的图示;
图3是根据示例性实施例的用于协调车辆内地图对象不一致的系统300的原理框图;
图4是根据示例性实施例的用于协调车辆内地图对象数据不一致的步骤的流程框图;
图5是根据示例性实施例的用于协调车辆间地图对象不一致的系统的原理框图;
图6是根据示例性实施例的通过相等贡献进行不一致数据协调的步骤的流程框图;
图7是根据另一实施例、根据示例性实施例的用于通过偏差贡献进行一致数据协调的步骤的流程框图。
具体实施方式
以下描述本质上仅仅是示例性的并且不旨在限制本公开、应用或用途。参考附图公开了所示实施例,其中,相同的标号贯穿多个附图表示对应的部分。附图不一定按比例绘制,并且一些特征可能被放大或最小化以显示特定特征的细节。所公开的具体结构和功能细节并不旨在被解释为限制性的,而是作为教导本领域技术人员如何实践所公开的概念的表示性基础。
如本文所使用,术语模块是指单独地或以任何组合的任何硬件、软件、固件、电子控制组件、可编程控制器、处理逻辑和/或处理器设备,包括但不限于:专用集成电路(ASIC)、电子电路、执行一个或多个软件或固件程序的处理器(共享处理器、专用处理器或组处理器)和存储器、组合逻辑电路和/或提供所描述功能的其他合适组件。
本文可以根据功能和/或逻辑块组件以及各种处理步骤来描述本公开的实施例。应当理解,这样的块组件可以由被配置为执行指定功能的任何数量的硬件、软件和/或固件组件来实现。例如,本公开的实施例可以采用各种集成电路组件,例如存储器元件、数字信号处理元件、逻辑元件、查找表等,其可以在一个或多个微处理器或其他控制设备的控制下执行各种功能。另外,本领域技术人员将理解,本公开的实施例可以结合任何数量的系统来实践,并且本文描述的系统仅仅是本公开的示例性实施例。
为了简洁起见,与系统的信号处理、数据传输、信令、控制和其他功能方面(以及系统的各个操作组件)相关的常规技术可以不在本文中详细描述。此外,本文包含的各个图中所示的连接线旨在表示各个元件之间的示例功能关系和/或物理耦合。应当注意,在本公开的实施例中可以存在许多替代的或附加的功能关系或物理连接。
参考图1,示出了配备有高级驾驶员辅助系统(ADAS)的车辆100(也称为ADAS车辆100)的原理框图。ADAS被配置为根据SAE J3016驾驶自动化级别提供从部分自主模式到完全自主模式的驾驶自动化级别。车辆100通常包括车身114、前轮116A、116A’和后轮116B、116B’。前轮116A、116A’和后轮116B、116B’各自可转动地定位于车身114的相应拐角附近。虽然车辆100被描绘为客车,但是配备ADAS的车辆的其他示例包括但不限于陆地车辆,例如摩托车、卡车、运动型多用途车(SUV)和休闲车(RV),以及非陆地车辆,包括船舶和飞机。
如图所示,车辆100通常包括至少一个车辆控制模块118(也称为控制器118)、推进系统120、变速器系统122、转向系统124、制动系统126、检测系统128、致动器系统130和车辆通信系统132。
在多个实施例中,推进系统120可以包括内燃机、诸如牵引电动机的电机和/或燃料电池推进系统。变速器系统122被配置为根据可选择的速度比将动力从推进系统120传递至前轮116A、116A’和/或后轮116B、116B’。根据各种实施例,变速器系统122可包括有级自动变速器、无级变速器或其他适当的变速器。制动系统126被配置为向前轮116A和后轮116B提供制动扭矩。在各种实施例中,制动系统126可以包括摩擦制动器、线控制动、再生制动系统(例如电机)和/或其他适当的制动系统。转向系统124影响前轮116A和/或后轮116B的位置。致动器系统130包括控制推进系统120、变速器系统122、转向系统124和制动系统126的部件的一个或多个致动器设备。
检测系统128包括一个或多个车辆感测设备(也称为外部传感器140A-140D),其收集关于车辆100周围的外部环境的可观测状况的信息。车辆感测设备140A-140D的示例包括但不限于雷达、激光雷达、光学摄像头、热摄像头、超声波传感器和/或其他传感器。在图1所示的非限制性示例中,车辆100包括具有前视场的前置摄像头140A、具有后视场的后置摄像头140A'、两个侧装摄像头140B、140B'、前向雷达140C、后向雷达140C',以及激光雷达140D。由外部传感器140A-140D收集的信息由控制器、检测模块和/或传感器上的微处理器处理。
车辆通信系统132被配置为与其他实体无线地收发信息(“车联网(V2X)”通信)。配备有车辆通信系统132的车辆也称为联网车辆。例如,车辆通信系统132被配置为与其他车辆无线地收发信息(“车辆到车辆(V2V)”通信),与驱动系统基础设施、远程系统和/或个人设备无线地收发信息(“车辆到基础设施(V2I)”通信)。在一个实施例中,车辆通信系统132是无线通信系统,其被配置为使用IEEE 802.11标准经由无线局域网(WLAN)或通过使用蜂窝数据通信进行通信。然而,诸如专用短程通信(DSRC)信道之类的附加或替代通信方法也被认为在本公开的范围内。DSRC信道是指专为汽车使用而设计的单向或双向短距离到中距离无线通信信道以及一组对应的协议和标准。车辆通信系统132还可以包括用于从卫星接收GPS信号以确定车辆位置的全球定位系统(GPS)接收器。
控制器118包括至少一个处理器144和至少一个数据存储设备146。数据存储设备146是计算机可读存储设备146并且也可以被称为计算机可读介质146和计算机可读介质146。在一个实施例中,计算机可读存储设备146包括用于协调不一致地图数据的方法的实施例的可执行指令,这将在下面详细描述。应当理解,数据存储设备146可以是控制器118的一部分、与控制器118独立,或者是控制器118的一部分和单独系统的一部分。
处理器144可以是任何定制的或市售的处理器、中央处理单元(CPU)、图形处理单元(GPU)、与控制器118相关联的多个处理器中的辅助处理器、基于半导体的微处理器(呈微芯片或芯片组的形式)、宏处理器、其任何组合,或者通常用于执行指令的任何设备。
计算机可读存储设备146可以包括例如非暂时性存储器单元、只读存储器(ROM)、随机存取存储器(RAM)和保活存储器(KAM)中的易失性和非易失性存储器。KAM是持久性或非易失性存储器,其可用于在处理器144断电时存储各种操作变量。计算机可读存储设备146可以使用多个已知存储设备中的任何一个来实施,例如PROM(可编程只读存储器)、EPROM(电PROM)、EEPROM(电可擦除PROM)、闪存或能够存储数据的任何其他电、磁、光或组合存储设备,其中一些表示可执行指令,由控制器118使用来控制车辆100并执行协调不一致地图数据的方法。
这些指令可以包括一个或多个单独的程序,每个程序包括用于实施逻辑功能的可执行指令的有序列表。当由处理器144执行时,指令接收并处理来自检测系统128的信号,执行用于自动控制车辆100的部件的逻辑、计算、方法和/或算法,并且生成至致动器系统130的控制信号以基于逻辑、计算、方法和/或算法自动控制车辆100的一个或多个系统。尽管图1中仅示出了一个控制器118,但是车辆100的替代实施例可以包括任何数量的控制器118,其通过任何合适的通信介质或通信介质的组合进行通信以及配合以处理传感器信号、执行逻辑、计算、方法和/或算法,并且生成控制信号以自动控制车辆100的特征。
图2是情景200的图示,其中四个配备有ADAS的车辆202、204、206、208在十字路口210附近运行。情景200示出了地图区域,该地图区域具有在十字路口210处与第二双车道道路214相交的第一双车道道路212、第一人行横道216、第二人行横道218、第一停车标志220、第二停车标志222,以及步行穿过第二人行横道218的行人224。第一车辆202被示出在第一道路212上、在到达第一人行横道216之前朝十字路口210行驶。第二车辆204被示出在第一道路212上行驶并刚刚经过十字路口210和第二人行横道218。第三车辆206被示出在第一道路212上,位于第二车辆204前方行驶、并且正在移出地图区域。第四车辆208被示出在第二道路214上正在进入十字路口210。
车辆202、204、206、208中的每一个包括检测系统128,其具有多个外部传感器,这些传感器包括前部摄像头、后部摄像头和侧部摄像头;前向雷达和后向雷达;激光雷达;以及一些其他类型的对象检测技术,包括短程通信技术,例如专用短程通信[DSRC]或超宽带[UWB]。外部传感器收集关于相应车辆202、204、206、208周围的外部环境的信息。由传感器收集的信息被处理以检测对象、标识检测到的对象并确定所标识的对象在每个相应车辆附近的位置。这些对象可以包括其他车辆、路缘、道路标记和边界、行人、标志以及可能在道路上或附近的任何种类的对象。车辆202、204、206、208中的每一个观测到的检测到的对象、对象的身份以及对象的位置可以作为地图数据上传到中心化服务器或去中心化的云服务器。中央服务器和/或云服务器可以进一步处理地图数据并将地图数据传送到正在接近十字路口210的其他参与车辆。参与车辆可以使用地图数据来增强车辆操作,例如自动驾驶。
同一车辆或不同车辆上的各种外部传感器收集的同一对象的地图数据可能不一致,甚至相互冲突。这种不一致或冲突可能是由于各个外部传感器的错误、传感器范围有限和场景遮挡造成的。例如,关于第一停车标志220、第一人行横道216和行人224的信息由第一车辆202上的多个传感器收集。然而,对每个传感器收集的信息的处理可能正确地检测到第一停车标志220、第一人行横道216和行人224的对象,但错误地标识或根本无法检测到第二人行横道218。这可能是由于传感器错误、传感器范围有限和/或场景遮挡造成的。
作为场景遮挡的示例,正在进入十字路口的第四车辆208部分地遮挡了第二人行横道218和行人224。因此,第一车辆202的传感器可能已将第二人行横道218和行人224检测为对象,但分别错误地将对象标识或错误分类为人行横道和行人。同一车辆上的传感器在同一对象上提供不一致或不完整的地图数据被称为车内地图对象不一致。
此外,由于车辆202、204、206、208相对于十字路口210的不同位置以及检测接近十字路口210的同一对象的传感器的限制,同一对象可能被不同地标识。例如,第一车辆202的前置摄像头可以正确地检测和标识第一停车标志220,然而,当第四车辆208行驶通过十字路口时,第四车辆208的前向雷达可能将第一停车标志220标识为移动车辆。此外,由第三车辆206收集的信息可能由于检测时的时间延迟和上传到中央服务器和/或基于云的服务器的时间而过时。在这种情况下,第三车辆206可能已正确检测到第二人行横道218和第一停车标志220,但未检测到横穿第一道路212的行人224。不同车辆上的传感器在同一对象上提供不一致地图数据被称为车辆间地图对象不一致。
提供了一种协调不一致地图数据的方法,该方法是通过使用登普斯特-谢弗理论(Dempster-Shafer,DS理论)通过广义贝叶斯分析机制来协调同一对象或场景的冲突证据,以允许‘灰色区域’而不是‘白与黑’操作。该方法是一个两层数据架构,用于收集、处理和验证车辆内(同一车辆)和车辆间(两个或多个不同车辆中)数据收集系统的不一致数据源。DS理论公开于桑迪亚国家实验室的出版物“登普斯特-谢弗理论中的证据组合(Combinationof Evidence in Dempster-Shafer Theory)”中,并且其全部内容通过引用并入本文。Sentz,K.、Ferson,S.的“登普斯特-谢弗理论中的证据组合(Combination of Evidence inDempster-Shafer Theory)”,桑迪亚报告(SAND2002-0835),2002年4月。
DS理论是通过利用汽车数据的独特特性(包括数据冗余和顺序连续性)而针对汽车数据领域采用和定制的。车辆环境的独特之处在于,通过完整的传感器阵列促进数据收集,每个传感器都连续收集数据。因此,尽管视角可能会随着车辆(甚至可能是对象)的移动而变化,不同的传感器可以通过一种确认方式提供冗余信息,并且可以在这些传感器上按时间序列多次检测到同一对象。因此,这应该与跨传感器或跨时间的潜在不一致一起处理。此外,上下文相关性可以有效地用作预过滤器,以过滤掉相关性较低的检测对象,例如不良视角、导致模糊的不良环境(例如雾天环境、阳光眩光等)。
基于历史记录‘信用分数’和传感器的实时观测上下文,对来自不同车辆的信息源应用加权区分机制。加权区分机制考虑到,根据先前从该来源收集的数据中确认的准确性或一致性,特定车辆可能被认为更可靠,这反映在较高的‘信用分数’上,这将使其在与其他车辆进行数据协调时更受信任。此外,收集的数据的新鲜度(实时上下文)和单个车辆传感器的一致性可以有助于收集的信息具有更高的信任度、更准确和/或更一致。
图3是用于协调车辆内地图对象不一致的系统300的原理框图。系统300包括N个外部传感器,包括第一传感器302、第二传感器304、N-1传感器306和N传感器308,其中N是车辆上的外部传感器的总数。传感器302-308被配置为收集关于车辆周围传感器范围内的区域的信息。从传感器302-308收集的信息被反馈到一个或多个检测模块310、312、314以进行处理以检测对象、标识检测到的对象并确定所标识的对象的位置。可以理解的是,检测模块310、312、314至少包括处理器和存储器模块,其中处理器配置有存储在存储器模块中的执行指令,以处理外部传感器收集的信息。还应当理解,各个传感器可以包括充当检测模块的传感器专用微处理器。
基于测模块标识的对象生成的地图数据被馈送到机载模块316以确定地图数据或地图数据的组成部分(例如检测到的对象的身份)的感测置信水平。置信水平包括置信度或置信值(也称为下限)和似真性或似真性值(也称为上限)。下限表示支持假设/观测的所有证据,例如,检测到的对象是停车标志。上限表示不反对假设/观测的所有证据。
同时,由模块310-314生成的地图数据被传送到车辆上下文模块318。车辆上下文模块318处理地图数据以确定每个传感器在收集传感器信息的时间段内的关于观测时间、位置、环境因素和其他相关因素(例如传感器类型、传感器位置、场景遮挡等)的车辆场景上下文。
图4是用于协调车辆内地图对象数据不一致的步骤的流程框图。在方框402中,枚举一个或多个车辆周围的预定地图区域中事件i的所有互斥可能性。预定地图区域也称为设计空间ψ。例如,设计空间可以被定义为第一车辆正前方的区域,其中焦点是第一车辆202前方的一个停止杆217,并且停止杆的可能颜色是白色(W)或黄色(Y)。 允许2个额外的不确定性状态。
转到方框404,计算事件i的置信值(下限),该置信值是支持观测到的事件R的所有证据。
其中:i是同一对象的标识;
R是观测到的事件;以及
Ek是观测到的事件的证据。
移至方框406,计算事件i的似真性(plausibility)值(上限),该似真性值是不反对事件R的观测的所有证据。
移至方框408,重复方框404和方框406,直到研究了所有事件i。
移至方框410,确定上下文信息,例如时间、位置、环境因素(例如天气、环境光、路况等)以及其他相关因素(例如车辆的航向、传感器的范围、每个传感器的视场等)。
图5是用于通过多个车辆收集的地图数据协调车辆间地图对象不一致的系统的原理框图。该系统包括具有冲突解决模块504和权重计算模块506的去中心化云服务器。冲突解决模块504可以是集中式服务器或去集中式的基于云的服务器。由参与车辆上的每个外部传感器计算的针对事件(i)的感测置信水平被上传到基于云的冲突解决模块504。用于观测参与车辆上的事件(i)的每个外部传感器的上下文权重函数被上传到权重计算模块506。分配给参与车辆的历史“信用分数”被传送至权重计算模块506。对每个参与车辆重复此操作。
单个车辆的权重函数由其自身的历史‘信用分数’和其传感器的上下文相关因子决定。信用分数是通过检查最终全局共识和个人贡献意见的差异来确定的。在非限制性示例中,对于给定车辆,如果参与车辆的单独贡献的意见始终与最终的全局共识一致,则参与车辆被分配较高的信用分数,否则,参与车辆被分配较低的分数。上下文相关性是为了确定生成传感器输入的上下文/情景是否确实与目标情景相关
图6是根据一个实施例的通过相等贡献来协调不一致数据的步骤的流程图。可能有多个车辆从不同角度或不同范围观测同一场景/对象。挑战在于如何协调这些车辆不一致甚至相互矛盾的观测结果。当插入基于云的冲突解决模块504时,来自每个车辆的观测输入被同等对待,以便形成等权共识。
在方框602中,从每个参与车辆(也称为报告车辆)上传置信度和似真性[置信度,似真性]到基于云的冲突解决模块504。来自不同车辆的观测结果相似的情况得到加强(“可能性更高”),而观测结果矛盾的情况将弱化(“可能性更低”)。
移至方框604,基于云的冲突解决模块504被配置为使用D-S理论计算组合传感器输入的新概率质量函数(PMF)。
其中:
Ek和EN是不同观测事件的证据,pi(Ek)和pj(EN)分别是由车辆i和车辆j进行的观测,
New PMF(i,j)(R)是新生成的事件的PMF函数,该事件是车辆i和车辆j的所有原始观测事件Ek和EN的并集,
表示相互支持的证据(即,置信值),并且
表示不反对观测到的事件的证据的概率(即,似真性)。
移至方框606,基于云的冲突解决模块504还被配置为消除无可能情景并且在可行情景中重新分配PMF。由于不同的相互冲突的观测,一些可能性/状态将变得不可能,因此应该被消除。
图7是根据另一实施例的通过偏差贡献进行一致数据协调的步骤的流程框图。在该实施例中,基于(1)其传感器的特定观测的相关性和(2)特定观测者的记录“信用分数”的轨迹,基于不等权重共识(与等权重基础相反)来处理来自每个车辆的输入。
在方框702中,从每个报告车辆上传确定的[置信度,似真性]到基于云的冲突解决模块504。
移至方框704,权重计算模块506被配置为基于上下文相关性和信用分数来计算车辆的权重函数。权重函数由以下等式表示:
Wi(R)=h(fi(R),gi(R))
其中:fi(R)是上下文相关权重;
gi(R)是车辆i的历史信用分数。
移至方框706,基于云的冲突解决模块504被配置为使用D-S理论通过以下等式来计算组合传感器输入的PMF:
其中:
Ek和EN是不同观测到的事件的证据,
pi(Ek)和pj(EN)分别是车辆i和车辆j的观测值,
New PMF(i,j)(R)是新生成的事件的PMF函数,该事件是车辆i和车辆j的所有原始观测事件Ek和EN的并集,
Wij是共同反映车辆i和车辆j意见权重的加权因子。单个车辆的意见权重由其自身的历史‘信用分数’和上下文相关因子决定,
表示相互支持的证据(即,置信值),并且
表示不反对观测到的事件的证据的概率(即,似真性)。
移至方框708,基于云的冲突解决模块504还被配置为消除无可能情景并且在可行情景中重新分配PMF。由于不同的相互冲突的观测,一些可能性/状态将变得不可能,因此应该被消除。
同一对象的一致标识可以基于PMF通过同一对象的最可能标识来确定。同一对象的最可能标识被传送到多个车辆中的至少一个,以实施车辆操作,例如从部分自主模式到完全自主模式的辅助驾驶。
本公开的描述本质上仅仅是示例性的,并且不背离本公开的一般意义的变化旨在落入本公开的范围内。这些变化不应被视为背离本公开的精神和范围。
Claims (10)
1.一种联网车辆的地图数据协调方法,包括:
接收由分布在多个车辆中的多个传感器收集的关于预定地图区域的信息;
处理所述信息以检测同一对象;
针对所述多个传感器中的每一个确定所述同一对象的标识;
基于针对相应车辆上的所述多个传感器中的每一个确定的所述同一对象的所述标识,以置信值和似真性值的格式针对所述多个车辆中的每一个确定所述同一对象的所述标识的置信水平;
基于针对所述多个车辆中的每一个确定的所述同一对象的置信水平,通过登普斯特-谢弗理论确定所述同一对象的所述标识的概率质量函数(PMF);
基于所述PMF确定所述同一对象的最可能标识;以及
将所述同一对象的所述最可能标识传送给所述多个车辆中的至少一个以实施车辆操作。
2.权利要求1所述的方法,其中,确定所述同一对象的所述标识的所述置信水平包括:
枚举所述同一对象的所有互斥标识;以及
允许不确定性状态。
3.权利要求2所述的方法,其中,确定所述同一对象的所述标识的所述置信水平包括,计算置信值,以及基于所述同一对象的所有互斥标识和不确定性状态计算似真性值。
4.权利要求3所述的方法,其中,通过登普斯特-谢弗理论确定所述同一对象的所述标识的所述概率质量函数(PMF)包括,针对所述多个传感器中的每一个的相等上下文相关权重、以及针对所述多个车辆中的每一个的相等输入权重。
5.根据权利要求3所述的方法,还包括:
确定所述多个传感器中的每一个的上下文相关权重;
确定所述多个车辆中的每一个的历史信用分数;以及
确定权重函数作为所述上下文相关权重和所述历史分数的联合函数;以及
通过登普斯特-谢弗理论确定所述同一对象的所述标识的所述概率质量函数(PMF)包括,考虑所述权重函数。
6.权利要求5所述的方法,其中,通过登普斯特-谢弗理论确定所述同一对象的所述标识的所述概率质量函数(PMF)包括利用以下等式:
其中:
PMF(i,j)(R)是针对车辆i和车辆j的所有原始观测事件的并集的事件生成的PMF函数。
7.根据权利要求6所述的方法,还包括:
消除所述同一对象的无可能标识;以及
在所述同一对象的可行标识中重新分配所述PMF。
8.根据权利要求1所述的方法,其中:
由定位于所述多个车辆中的一个上的模块确定所述同一对象的所述标识的所述置信水平;以及
将所述确定的置信水平上传到定位于所述相应车辆外的服务器。
9.根据权利要求1所述的方法,其中:s
由云服务器通过登普斯特-谢弗理论确定所述同一对象的所述标识的概率质量函数(PMF)。
10.权利要求5所述的方法,其中,基于单个车辆与其他车辆的历史报告一致性,确定所述多个车辆中的每一个的所述历史信用分数。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US18/149,427 | 2023-01-03 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118293932A true CN118293932A (zh) | 2024-07-05 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109421738B (zh) | 用于监视自主车辆的方法和装置 | |
CN109421739B (zh) | 用于监控自主车辆的方法和设备 | |
EP3855205A1 (en) | Perception performance evaluation of a vehicle adas or ads | |
US10759415B2 (en) | Effective rolling radius | |
US20210118245A1 (en) | Performance monitoring and evaluation of a vehicle adas or autonomous driving feature | |
US20200174474A1 (en) | Method and system for context and content aware sensor in a vehicle | |
US20180347993A1 (en) | Systems and methods for verifying road curvature map data | |
US20210158062A1 (en) | Method and apparatus for traffic light positioning and mapping using crowd-sensed data | |
CN116034359A (zh) | 用于以至少两个互不依赖的成像环境检测传感器来进行环境检测的方法、用于执行该方法的设备、车辆以及对应设计的计算机程序 | |
US20220266856A1 (en) | Platform for perception system development for automated driving systems | |
US20200387161A1 (en) | Systems and methods for training an autonomous vehicle | |
US11983918B2 (en) | Platform for perception system development for automated driving system | |
US11897501B2 (en) | ADS perception development | |
CN111599166A (zh) | 用于解释交通信号和协商信号化的交叉路口的方法和系统 | |
US20230311858A1 (en) | Systems and methods for combining detected objects | |
US11904899B2 (en) | Limp home mode for an autonomous vehicle using a secondary autonomous sensor system | |
CN118293932A (zh) | 联网车辆中不一致地图数据协调的方法和系统 | |
CN112069867B (zh) | 多目标跟踪与多感官数据和缺失模态的学习关联 | |
US11610412B2 (en) | Vehicle neural network training | |
US20240219201A1 (en) | Method and system of inconsistent map data reconciliation in connected vehicles | |
CN113771845A (zh) | 预测车辆轨迹的方法、装置、车辆和存储介质 | |
EP4394626A1 (en) | Classification of objects present on a road | |
US11869250B2 (en) | Systems and methods for detecting traffic objects | |
US20230202497A1 (en) | Hypothesis inference for vehicles | |
EP4186770A1 (en) | Method and system for estimation of an operational design domain boundary |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |