CN111027430A - 一种面向无人车智能评估的交通场景复杂度计算方法 - Google Patents

Abstract

本发明公开了一种面向无人车智能评估的交通场景复杂度计算方法，包括以下步骤：1)通过激光点云数据信息计算交通元素的复杂度；2)从道路类型、场景内容及场景条件三个不同的角度对具有感知数据注释的场景数据进行量化描述，场景条件的描述向量利用程度型向量进行表示；3)由拓扑关系提取交通元素拓扑关系有向图，构建拓扑关系描述矩阵，计算拓扑结构描述矩阵的特征向量；4)计算道路的复杂度；5)将交通元素的复杂度与道路的复杂度进行加权求和，得交通场景的复杂度，该方法能够全面、定量的评估交通场景对无人驾驶环境感知算法挑战的难易程度。

Description

一种面向无人车智能评估的交通场景复杂度计算方法

技术领域

本发明属于智能交通系统技术中的无人驾驶评估领域，涉及一种面向无人车智能评估的交通场景复杂度计算方法。

背景技术

近年来，由于无人车事故频发，引发了众人的担忧，研究者逐渐认识到：智能测试和系统评估是无人驾驶车辆核心研究之一。无人车离线测试便是智能测试方法之一，它是组织不同交通场景下采集的多传感数据序列，按照确定的时-空顺序输入自动驾驶系统认知算法/模块，并对其性能进行评估。离线测试需要大量的交通场景数据，真实交通场景中获取的多传感数据“天然”蕴含降低无人驾驶环境感知算法性能的不利条件，如低光照、雾霾天气等情况。实证研究表明这些不利条件的不同分布对环境感知算法性能表现具有不同影响。然而在现有交通场景数据集中相关属性标签不足以全面、定量地估计交通场景对无人驾驶环境感知算法挑战的难易程度，在这种情形下可能导致对其性能的不准确估计。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种面向无人车智能评估的交通场景复杂度计算方法，该方法能够全面、定量的评估交通场景对无人驾驶环境感知算法挑战的难易程度。

为达到上述目的，本发明所述的面向无人车智能评估的交通场景复杂度计算方法包括以下步骤：

1)通过激光点云数据信息计算各交通元素距离视点车辆的距离及角度，再利用车辆的八邻域和非车辆的N邻域分别计算车辆及非车辆的复杂度，最后将车辆的复杂度与非车辆的复杂度进行加权求和，得交通元素的复杂度；

2)从道路类型、场景内容及场景条件三个不同的角度对具有感知数据注释的场景数据进行量化描述，其中，道路类型及场景内容用one-hot向量进行描述，该one-hot向量只有一个特征不为0，其他均为0，场景条件的描述向量利用程度型向量进行表示，利用区间在(0,1)之间的一位连续小数描述场景条件的程度；

3)由拓扑关系提取交通元素拓扑关系有向图，其中，交通元素拓扑关系有向图中的每个结点代表一个交通元素，交通元素拓扑关系有向图中的每一条边代表结点与结点之间的拓扑关系，得每个交通元素之间的交并比，以构建拓扑关系描述矩阵，该拓扑关系描述矩阵用于保存每个交通元素之间的遮挡关系，计算拓扑结构描述矩阵的特征向量；

4)将步骤2)得到的场景条件的描述向量与步骤3)得到拓扑关系描述矩阵的特征向量进行串联融合，得融合向量，再根据融合向量通过支持向量回归方法计算道路的复杂度；

5)将步骤1)得到的交通元素的复杂度与步骤4)得到的道路的复杂度进行加权求和，得交通场景的复杂度。

步骤1)的具体操作为：

1.1)当参与者类型为车辆时，设交通场景图像中含有I辆车，I＝0,1,2,3…,i，全部车辆对整体复杂度的贡献C_car通过最近的八辆车的信息进行计算，其中，

其中，D_i为第i个交通元素距视点车辆的距离，A_i为第i个交通元素位于视点车辆的角度，D_icos(A_i)为交通元素距视点车辆的横向距离，D_icos(A_i)为交通元素距视点车辆的横向距离，D_isin(A_i)为交通元素距视点车辆的纵向距离公式中的α和β分别是横纵贡献的权重，参数λ用于对复杂度在0到1之间的分布进行调整；

1.2)当参与者类型为行人及骑行者，设交通场景图像中含有J个行人及K个骑行者，J＝0,1,2,3…,j，K＝0,1,2,3…,k，全部非车辆交通参与者对整体复杂度的贡献C_{pedestrian,cyclists}为：

1.3)将步骤1.1)计算得到的全部车辆对整体复杂度的贡献C_car及全部非车辆交通参与者对整体复杂度的贡献C_{pedestrian,cyclists}通过相加后再进行均值计算，得区间在(0,1)上的交通场景元素的复杂度C_E为：

步骤2)中道路类型包括城区、高速及乡村，用0和1确定唯一的道路类型；

场景内容包括正常行驶、路口、上下高架、通过收费、隧道、转盘、陡坡、桥梁及铁道，用0和1确定唯一的道路类型；

场景条件包含弯道、超车、行人避让、施工、大车流、雾霾、夜晚、路面痕迹、车道线模糊及光线影响，场景条件的值介于0和1之间，其中，0表示没有挑战，1表示可能的最具挑战性的条件。

步骤3)中，每个交通元素之间的交并比IoU为：

当交通元素A离视点车辆更近遮挡住交通元素B时，则IoU_A的值为正，IoU_B的值为负。

本发明具有以下有益效果：

本发明所述的面向无人车智能评估的交通场景复杂度计算方法在具体操作时，先通过激光点云数据计算交通元素的复杂度，获取场景条件的描述向量以及拓扑结构描述矩阵的特征向量，并以此计算道路的复杂度，再将道路的复杂度与交通元素的复杂度进行加权求和，的交通场景的复杂度，并以此科学合理地量化不同交通场景对无人车算法挑战的难易程度。

附图说明

图1为本发明的总体框图。

具体实施方式

下面结合附图对本发明作详细说明。

为了能够量化计算交通场景对无人车算法影响的难易程度，本发明提供了一种面向无人车智能评估的交通场景复杂度计算方法，具体包括空间度量、语义描述、拓扑结构及回归计算，如图1所示，具体包括以下步骤：

1)通过激光点云数据信息计算各交通元素距离视点车辆的距离及角度，再利用车辆的八邻域和非车辆的N邻域分别计算车辆及非车辆的复杂度，最后将车辆的复杂度与非车辆的复杂度进行加权求和，得交通元素的复杂度；

步骤1)的具体操作为：

1.1)当参与者类型为车辆时，设交通场景图像中含有I辆车，I＝0,1,2,3…,i，全部车辆对整体复杂度的贡献C_car通过最近的八辆车的信息进行计算，其中，

其中，D_i为第i个交通元素距视点车辆的距离，A_i为第i个交通元素位于视点车辆的角度，D_icos(A_i)为交通元素距视点车辆的横向距离，D_icos(A_i)为交通元素距视点车辆的横向距离，D_isin(A_i)为交通元素距视点车辆的纵向距离公式中的α和β分别是横纵贡献的权重，参数λ用于对复杂度在0到1之间的分布进行调整；

1.2)当参与者类型为行人及骑行者，设交通场景图像中含有J个行人及K个骑行者，J＝0,1,2,3…,j，K＝0,1,2,3…,k，全部非车辆交通参与者对整体复杂度的贡献C_{pedestrian,cyclists}为：

1.3)将步骤1.1)计算得到的全部车辆对整体复杂度的贡献C_car及全部非车辆交通参与者对整体复杂度的贡献C_{pedestrian,cyclists}通过相加后再进行均值计算，得区间在(0,1)上的交通场景元素的复杂度C_E为：

2)从道路类型、场景内容及场景条件三个不同的角度对具有感知数据注释的场景数据进行量化描述，其中，道路类型及场景内容用one-hot向量进行描述，该one-hot向量只有一个特征不为0，其他均为0，场景条件的描述向量利用程度型向量进行表示，利用区间在(0,1)之间的一位连续小数描述场景条件的程度；

步骤2)中道路类型包括城区、高速及乡村，用0和1确定唯一的道路类型；

场景内容包括正常行驶、路口、上下高架、通过收费、隧道、转盘、陡坡、桥梁及铁道，用0和1确定唯一的道路类型；

场景条件包含弯道、超车、行人避让、施工、大车流、雾霾、夜晚、路面痕迹、车道线模糊及光线影响，场景条件的值介于0和1之间，其中，0表示没有挑战，1表示可能的最具挑战性的条件。

3)由拓扑关系提取交通元素拓扑关系有向图，其中，交通元素拓扑关系有向图中的每个结点代表一个交通元素，交通元素拓扑关系有向图中的每一条边代表结点与结点之间的拓扑关系，得每个交通元素之间的交并比，以构建拓扑关系描述矩阵，该拓扑关系描述矩阵用于保存每个交通元素之间的遮挡关系，计算拓扑结构描述矩阵的特征向量；

步骤3)中，每个交通元素之间的交并比IoU为：

当交通元素A离视点车辆更近遮挡住交通元素B时，则IoU_A的值为正，IoU_B的值为负。

4)将步骤2)得到的场景条件的描述向量与步骤3)得到拓扑关系描述矩阵的特征向量进行串联融合，得融合向量，再根据融合向量通过支持向量回归方法计算道路的复杂度；

5)将步骤1)得到的交通元素的复杂度与步骤4)得到的道路的复杂度进行加权求和，得交通场景的复杂度。

本发明利用三维激光雷达作为数据来源，通过不同类型交通元素的坐标获取，计算得到交通元素的描述矩阵，以此计算交通元素在三维空间内的分布对场景复杂程度的贡献；随后通过向量的形式量化表征交通场景及样式；然后通过交通元素的拓扑结构关系来衡量交通元素在二维平面上的位置关系；最后通过支持向量回归的方法进行回归计算，由于交通场景中一些不同层次上的特征对面向无人驾驶环境感知的场景复杂度是有贡献的，例如，在车流量较大或者光照过亮过暗的条件下，无人车环境感知能力算法的表现结果较差；而车流量较小或者光照充足时，算法的表现结果较好，所以本发明能科学合理地量化出不同交通场景对无人车算法挑战的难易程度。

Claims (4)

1.一种面向无人车智能评估的交通场景复杂度计算方法，其特征在于，包括以下步骤：

1)通过激光点云数据信息计算各交通元素距离视点车辆的距离及角度，再利用车辆的八邻域和非车辆的N邻域分别计算车辆及非车辆的复杂度，最后将车辆的复杂度与非车辆的复杂度进行加权求和，得交通元素的复杂度；

2)从道路类型、场景内容及场景条件三个不同的角度对具有感知数据注释的场景数据进行量化描述，其中，道路类型及场景内容用one-hot向量进行描述，该one-hot向量只有一个特征不为0，其他均为0，场景条件的描述向量利用程度型向量进行表示，利用[0,1]之间的一位连续小数描述场景条件的程度；

3)由拓扑关系提取交通元素拓扑关系有向图，其中，交通元素拓扑关系有向图中的每个结点代表一个交通元素，交通元素拓扑关系有向图中的每一条边代表结点与结点之间的拓扑关系，得每个交通元素之间的交并比，以构建拓扑关系描述矩阵，该拓扑关系描述矩阵用于保存每个交通元素之间的遮挡关系，计算拓扑结构描述矩阵的特征向量；

4)将步骤2)得到的场景条件的描述向量与步骤3)得到拓扑关系描述矩阵的特征向量进行串联融合，得融合向量，再根据融合向量通过支持向量回归方法计算道路的复杂度；

5)将步骤1)得到的交通元素的复杂度与步骤4)得到的道路的复杂度进行加权求和，得交通场景的复杂度。

2.根据权利要求1所述的面向无人车智能评估的交通场景复杂度计算方法，其特征在于，步骤1)的具体操作为：

1.1)当参与者类型为车辆时，设交通场景图像中含有I辆车，I＝0,1,2,3…,i，全部车辆对整体复杂度的贡献C_car通过最近的八辆车的信息进行计算，其中，

其中，D_i为第i个交通元素距视点车辆的距离，A_i为第i个交通元素位于视点车辆的角度，D_icos(A_i)为交通元素距视点车辆的横向距离，D_icos(A_i)为交通元素距视点车辆的横向距离，D_isin(A_i)为交通元素距视点车辆的纵向距离公式中的α和β分别是横纵贡献的权重，参数λ用于对复杂度在0到1之间的分布进行调整；

1.2)当参与者类型为行人及骑行者，设交通场景图像中含有J个行人及K个骑行者，J＝0,1,2,3…,j，K＝0,1,2,3…,k，全部非车辆交通参与者对整体复杂度的贡献C_{pedestrian,cyclists}为：

1.3)将步骤1.1)计算得到的全部车辆对整体复杂度的贡献C_car及全部非车辆交通参与者对整体复杂度的贡献C_{pedestrian,cyclists}通过相加后再进行均值计算，得区间在(0,1)上的交通场景元素的复杂度C_E为：

3.根据权利要求1所述的面向无人车智能评估的交通场景复杂度计算方法，其特征在于，步骤2)中道路类型包括城区、高速及乡村，用0和1确定唯一的道路类型；

场景内容包括正常行驶、路口、上下高架、通过收费、隧道、转盘、陡坡、桥梁及铁道，用0和1确定唯一的道路类型；

场景条件包含弯道、超车、行人避让、施工、大车流、雾霾、夜晚、路面痕迹、车道线模糊及光线影响，场景条件的值介于0和1之间，其中，0表示没有挑战，1表示可能的最具挑战性的条件。

4.根据权利要求1所述的面向无人车智能评估的交通场景复杂度计算方法，其特征在于，步骤3)中，每个交通元素之间的交并比IoU为：

当交通元素A离视点车辆更近遮挡住交通元素B时，则IoU_A的值为正，IoU_B的值为负。

Images