技术领域
本发明涉及城市智能交通技术领域，尤其是指一种基于最优时停规则的高精地图众包系统及其数据收集方法。
背景技术
如今无人驾驶正在火速发展当中，感知作为无人驾驶中重要的模块，是无人车能够安全行驶在路上的前提。传感器如摄像头、激光雷达等是无人车感知周围环境的主流手段。然而通过传感器来进行感知周围环境，在成本上存在着巨大的挑战。高精地图作为新兴的感知手段很好地弥补了传感器的成本过高的缺点，因此如何方便快捷地获取和更新高精地图是当下的主要任务。为了采集高精地图数据，图商以及无人驾驶车商，如百度、高德、TomTom等已经组建了属于自己的专业地图采集车队，通过配置有摄像头和激光雷达的高精度地图采集车，获得街景图像数据和3D激光点云数据。存储好的源数据经过后台的自动化建图流程，结合人工纠错与标注，生产并发布高精度地图。虽然专业采集车的数据采集作业精度高、道路信息采集全面，但是其造价相当高，数量少，作业周期很长，地图产量有限。通过采集车来实时更新高精地图的方法并不现实。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提出了一种基于最优时停规则的高精地图众包系统及其数据收集方法，利用社会车辆在日常行驶过程中完成对路面环境数据的采集，解决了因专业采集车数量不足的原因而导致的无法高效地获取路面环境数据和实时更新高精地图的问题，并且其减少了收集路面环境数据所带来的成本，提高了高精地图的生成效率，扩大了高精地图的更新范围。
为实现上述目的，本发明所提供的技术方案为：基于最优时停规则的高精地图众包系统，包括：
任务发布模块，用于实现发布高精地图众包任务；
成员优选模块，用于实现在候选参与者集合中选择出优胜参与者，接收他们的数据，并为他们提供报酬；
最优时停模块，用于实现控制高精地图众包任务的停止时机以最大化众包效用。
进一步，所述任务发布模块包括有车流量预测模块、时间划分模块以及发布模块，其中：
所述车流量预测模块负责通过路网历史数据来预测当前的车流量；
所述时间划分模块负责将时间离散为时间片形式，并根据车流量预测结果来计算时间片长度以及高精地图众包任务的最长执行时间；
所述发布模块负责根据时间片长度、高精地图众包任务的最长执行时间以及单位时间片参与者期望选择个数，再另外给定报酬来发布高精地图众包任务。
进一步，所述成员优选模块包括得分模块、选择模块以及报酬模块，其中：
所述得分模块负责依据当前时间片内的候选参与者的车载传感器设备信息及其信誉值来计算每位候选参与者的得分；
所述选择模块负责根据当前时间片内的每位候选参与者的得分来选择优胜参与者，并接收优胜参与者所收集的数据；
所述报酬模块负责为优胜参与者提供报酬。
进一步，所述最优时停模块包括众包状态更新模块以及停止决策模块，其中：
所述众包状态更新模块负责更新当前所累计收集的数据量，并依据当前所累计收集的数据量来更新众包状态；
所述停止决策模块负责依据更新后的众包状态并结合最优时停规则来判断当前众包状态是否满足了停止的条件，如果已经满足停止条件，则停止高精地图众包任务，否则继续进入下一个时间片。
本发明也提供了上述基于最优时停规则的高精地图众包系统的数据收集方法，包括以下步骤：
S1、首先，任务发布模块获取路网历史数据，其中路网历史数据指的是历史车流量数据，通过灰色预测经典模型GM(1,1)来预测当前的车流量，接着将时间离散化为时间片形式，依据车流量的大小来定义时间片长度以及高精地图众包任务的最长执行时间，最后依据时间片长度、高精地图众包任务的最长执行时间以及单位时间片参与者期望选择个数，再另外给定报酬来发布高精地图众包任务；
S2、成员优选模块首先获取当前时间片内的候选参与者的车载传感器设备信息及其信誉值，并以此计算出每位候选参与者的得分，接着依据当前时间片内的候选参与者的得分以及单位时间片参与者期望选择个数来选择出优胜参与者，并接收优胜参与者所收集的数据，最后为优胜参与者提供报酬；
S3、最优时停模块首先更新当前所累计收集的数据量，依据当前所累计收集的数据量来更新众包状态，然后由最优时停规则来判断当前众包状态是否满足了停止的条件，如果已经满足停止条件，则停止高精地图众包任务，否则继续进入下一个时间片。
进一步，所述步骤S1包括以下步骤：
S101、获取路网历史数据，通过灰色预测经典模型GM(1,1)来预测当前车流量λ；
S102、将时间离散化为时间片形式，基于预测得到的当前车流量λ，定义时间片长度T
式中，n
式中，T
S103、依据时间片长度T
进一步，所述步骤S2包括以下步骤：
S201、获取候选参与者的车载传感器设备信息及其信誉值，车载传感器设备信息包括摄像头的质量、数量以及激光雷达的质量、数量，并以此计算出每位候选参与者的得分，得分的计算公式为：
式中，s为候选参与者的得分，r为候选参与者的信誉值，表示候选参与者所提供数据的可信度，n
式中，
式中，
S202、依据当前时间片内的候选参与者的得分以及单位时间片参与者期望选择个数n
S203、为每位优胜参与者提供报酬b。
进一步，所述步骤S3包括以下步骤：
S301、更新当前所累计收集的数据量，当前所累计收集的数据量的更新公式为：
式中，n表示时间片序号，D(n)与D(n-1)分别表示到第n个时间为止所累计收集的数据量和到第n-1个时间为止所累计收集的数据量，d(n)为第n个时间片内所收集的数据量；依据当前所累计收集的数据量来更新众包状态，众包状态的定义为：
式中，Y(n)为第n个时间片的众包状态，e为自然对数的底数，θ为系统系数；
S302、最优时停规则定义如下：
n
式中，n
式中，n
本发明与现有技术相比，具有如下优点与有益效果：
1、本发明通过众包机制来收集更新高精地图所需要的路面环境数据，利用社会的车辆来采集数据，解决了专业采集车数量少的问题，大大提高了数据收集的效率，且在成本方面上也比利用采集车来收集数据要小得多。
2、本发明通过车载传感器设备信息及候选参与者的信誉值来计算每位候选参与者的得分，并以此得分为依据来筛选出优胜参与者，既确保了所收集的路面环境数据的质量，又确保了所收集的路面环境数据的可信度。
3、本发明通过最优时停规则来判断高精地图众包任务的停止时机，保证了在所收集的路面环境数据的数据量满足高精地图众包任务的需求的前提下，最大化了高精地图众包任务的效益。
附图说明
图1为本发明系统各个模块的结构图。
图2为本发明系统各个模块的调用过程示意图。
图3为本发明方法的流程示意图。
图4为本发明的运作流程示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本实施例所提供的基于最优时停规则的高精地图众包系统，是用于更新高精地图的数据收集系统，图1和图2分别展示了系统中所包含的模块以及各个模块之间调用过程。它包括有：
任务发布模块，用于实现发布高精地图众包任务；
成员优选模块，用于实现在候选参与者集合中选择出优胜参与者，接收他们的数据，并为他们提供报酬；
最优时停模块，用于实现控制高精地图众包任务的停止时机以最大化众包效用。
所述任务发布模块包括有车流量预测模块、时间划分模块以及发布模块，其中：
所述车流量预测模块负责通过路网历史数据来预测当前的车流量；
所述时间划分模块负责将时间离散为时间片形式，并根据车流量预测结果来计算时间片长度以及高精地图众包任务的最长执行时间；
所述发布模块负责根据时间片长度、高精地图众包任务的最长执行时间以及单位时间片参与者期望选择个数，再另外给定报酬来发布高精地图众包任务。
所述成员优选模块包括得分模块、选择模块以及报酬模块，其中：
所述得分模块负责依据当前时间片内的候选参与者的车载传感器设备信息及其信誉值来计算每位候选参与者的得分；
所述选择模块负责根据当前时间片内的每位候选参与者的得分来选择优胜参与者并接收优胜参与者所收集的数据；
所述报酬模块负责为优胜参与者提供报酬。
所述最优时停模块包括众包状态更新模块以及停止决策模块，其中：
所述众包状态更新模块负责更新当前所累计收集的数据量，并依据当前所累计收集的数据量来更新众包状态；
所述停止决策模块负责依据更新后的众包状态并结合最优时停规则来判断当前众包状态是否满足了停止的条件，如果已经满足停止条件，则停止高精地图众包任务，否则继续进入下一个时间片。
如图3所示，本实施例也提供了上述基于最优时停规则的高精地图众包系统的数据收集方法，包括以下步骤：
S1、首先任务发布模块获取路网历史数据，其中路网历史数据指的是历史车流量数据，通过灰色预测经典模型GM(1,1)来预测当前的车流量，接着将时间离散化为时间片形式，依据车流量的大小来定义时间片长度以及高精地图众包任务的最长执行时间，最后依据时间片长度、高精地图众包任务的最长执行时间以及单位时间片参与者期望选择个数，再另外给定报酬来发布高精地图众包任务，具体过程如下：
S101、获取路网历史数据，通过灰色预测经典模型GM(1,1)来预测当前车流量λ；
S102、将时间离散化为时间片形式，基于预测得到的当前车流量λ，定义时间片长度T
式中，n
式中，T
S103、依据时间片长度T
S2、成员优选模块首先获取当前时间片内的候选参与者的车载传感器设备信息及其信誉值，并以此计算出每位候选参与者的得分，接着依据当前时间片内的候选参与者的得分以及单位时间片参与者期望选择个数来选择出优胜参与者并接收优胜参与者所收集的数据，最后为优胜参与者提供报酬，具体过程如下：
S201、获取候选参与者的车载传感器设备信息及其信誉值，车载传感器设备信息包括摄像头的质量、数量以及激光雷达的质量、数量，并以此计算出每位候选参与者的得分，得分的计算公式为：
式中，s为候选参与者的得分，r为候选参与者的信誉值，表示候选参与者所提供数据的可信度，n
式中，
式中，
S202、依据当前时间片内的候选参与者的得分以及单位时间片参与者期望选择个数n
S203、为每位优胜参与者提供报酬b。
S3、最优时停模块首先更新当前所累计收集的数据量，依据当前所累计收集的数据量来更新众包状态，然后由最优时停规则来判断当前众包状态是否满足了停止的条件，如果已经满足停止条件，则停止高精地图众包任务，否则继续进入下一个时间片，具体过程如下：
S301、更新当前所累计收集的数据量，当前所累计收集的数据量的更新公式为：
式中，n表示时间片序号，D(n)与D(n-1)分别表示到第n个时间为止所累计收集的数据量和到第n-1个时间为止所累计收集的数据量，d(n)为第n个时间片内所收集的数据量；依据当前所累计收集的数据量来更新众包状态，众包状态的定义为：
式中，Y(n)为第n个时间片的众包状态，e为自然对数的底数，θ为系统系数；
S302、最优时停规则定义如下：
n
式中，n
式中，n
如图4所示，为本实施例上述高精地图众包系统的数据收集运作流程，具体如下：
步骤1：获取路网历史数据，其中路网历史数据指的是历史车流量数据，通过灰色预测经典模型GM(1,1)来预测当前车流量；
步骤2：基于当前的车流量来定义时间片长度以及高精地图众包任务的最长执行时间，其中时间片为时间的离散化表现形式；
步骤3：结合时间片长度、高精地图众包任务的最长执行时间，再另外定义单位时间片参与者期望选择个数以及报酬，以这四个要素来发布高精地图众包任务；
步骤4：进入时间片，计算当前时间片内候选参与者的得分；
步骤5：以得分为判定标准，依次选择出得分最高的候选参与者作为优胜参与者，优胜参与者的选择个数为单位时间片参与者期望选择个数，接着，接收优胜参与者所收集的数据；
步骤6：为优胜参与者提供报酬；
步骤7：依据当前时间片所收集到的数据量来更新当前所累计收集的数据量以及众包状态；
步骤8：依据最优时停规则来判断当前众包状态是否满足了停止条件，若是则结束高精地图众包任务；否则，进入下一个时间片，继续进行高精地图众包任务。
以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。
机译： 使用众包有效开发基于规则的系统的系统和方法
机译： 利用众包高效开发基于规则的系统的系统和方法
机译： 基于最优控制方法的滑模控制的高精度定位系统
