智能网联汽车数据交互方法及交互系统

摘要

本发明涉及一种智能网联汽车数据交互方法及交互系统。该交互方法应用于智能网联汽车数据交互系统，交互系统包括场景库、仿真云平台和数字孪生平台，方法包括：场景库获取感知信息，然后将感知信息导入到仿真云平台；仿真云平台接收感知信息，仿真后，将仿真结果发送到数字孪生平台；数字孪生平台对仿真结果与车辆决策信息进行对比，并根据对比结果优化车辆自动驾驶决策。该交互方法可实现场景库的快速有效扩充，可对驾驶员的驾驶行为进行学习，从而训练出更高级别的自动驾驶系统，提高自动驾驶系统的开发效率；并可对车辆自动驾驶等级进行在线认定，对自动驾驶系统进行实时监控，为事故认定提供数据支撑；并可对交通流进行实时监测，减少拥堵。

说明书

技术领域

本发明涉及智能网联领域，具体而言，涉及一种智能网联汽车数据交互方法及交互系统。

背景技术

在自动驾驶功能开发过程中，车辆功能获得审批之前需针对大量场景进行验证，而基于里程的方法已经无法满足全面覆盖的功能验证。安全验证所需的大量验证工作前置，在产品研发及设计阶段即需要确保运行设计域(Operational Design Domain，ODD)范围内的自动驾驶功能安全。基于场景的自动驾驶安全验证与开发方法应运而生。

目前自动驾驶功能开发多集中在场景库搭建以及仿真上，通过实车采集或手动搭建危险场景来建立场景库，将场景库数据导入仿真平台进行模拟计算，进而优化自动驾驶算法及模型。一方面，自动驾驶系统开发过程中，数据采集车一般只负责采集数据，不能实时将信息回传，效率较低。另一方面，量产车辆一般没有信息回传系统，不能利用车辆产生的海量信息对自动驾驶系统进行升级优化。

有鉴于此，特提出本发明。

发明内容

本发明的目的在于提供一种智能网联汽车数据交互方法及交互系统，以实现高效率地对自动驾驶系统进行升级优化的效果。

为了实现上述目的，本发明采用以下技术方案：

第一方面，本发明提供了一种智能网联汽车数据交互方法，所述方法应用于智能网联汽车数据交互系统，所述交互系统包括场景库、仿真云平台和数字孪生平台，所述方法包括以下步骤：

场景库获取感知信息，然后将所述感知信息导入到仿真云平台；所述感知信息是车辆采集到的道路场景；

仿真云平台接收所述感知信息，仿真后，将仿真结果发送到数字孪生平台；

数字孪生平台对所述仿真结果与车辆决策信息进行对比，并根据对比结果优化车辆自动驾驶决策，所述车辆决策信息为车辆自动驾驶决策信息或车辆驾驶员决策信息。

作为进一步优选的技术方案，所述数字孪生平台对所述仿真结果与车辆决策信息进行对比，并根据对比结果优化车辆自动驾驶决策，包括：

根据车辆安全性、车辆能耗、车辆舒适性、车辆效率、车型和车辆用途，分别计算仿真结果分数和车辆决策信息分数；

根据仿真结果分数和车辆决策信息分数，确定优化后的车辆自动驾驶决策。

作为进一步优选的技术方案，所述数字孪生平台在根据对比结果优化车辆自动驾驶决策之前、之时或之后，还包括监控车辆的控制系统的步骤。

作为进一步优选的技术方案，所述交互系统还包括计算平台，所述计算平台获取路测单元的交通流数据，根据所述交通流数据，计算路口各个方向绿灯时长占比，并将计算结果发送给所述路测单元，以供所述路测单元按照所述计算结果调整交通信号灯中各个方向的绿灯时长。

作为进一步优选的技术方案，所述根据所述交通流数据，计算路口各个方向绿灯时长占比，包括：

根据车流单个方向的车辆数和车流各个方向的车辆总数，计算路口各个方向绿灯时长占比。

第二方面，本发明提供了一种智能网联汽车数据交互方法，所述方法应用于自动驾驶车辆或部分自动驾驶车辆，所述自动驾驶车辆或部分自动驾驶车辆各自独立地包括感知系统和决策系统，所述方法包括以下步骤：

感知系统采集道路场景，形成感知信息，并将所述感知信息发送至场景库；

决策系统根据所述感知信息，生成车辆自动驾驶决策信息，并将车辆自动驾驶决策信息发送至数字孪生平台，然后接收数字孪生平台发送的优化的车辆自动驾驶决策。

作为进一步优选的技术方案，所述自动驾驶车辆或部分自动驾驶车辆还各自独立地包括车辆行驶信息发送系统，所述车辆行驶信息发送系统将车辆行驶信息发送至周围车辆和路测单元。

第三方面，本发明提供了一种智能网联汽车数据交互系统，包括：

场景库，用于获取感知信息，然后将所述感知信息导入到仿真云平台；所述感知信息是车辆采集到的道路场景；

仿真云平台，用于接收所述感知信息，仿真后，将仿真结果发送到数字孪生平台；

以及数字孪生平台，用于对所述仿真结果与车辆决策信息进行对比，并根据对比结果优化车辆自动驾驶决策，所述车辆决策信息为车辆自动驾驶决策信息或车辆驾驶员决策信息。

作为进一步优选的技术方案，所述数字孪生平台包括：

仿真结果分数和车辆决策信息分数计算模块，用于根据车辆安全性、车辆能耗、车辆舒适性、车辆效率、车型和车辆用途，分别计算仿真结果分数和车辆决策信息分数；

优化后的车辆自动驾驶决策确定模块，用于根据仿真结果分数和车辆决策信息分数，确定优化后的车辆自动驾驶决策。

作为进一步优选的技术方案，所述系统还包括计算平台，用于获取路测单元的交通流数据，根据所述交通流数据，计算路口各个方向绿灯时长占比，并将计算结果发送给所述路测单元，以供所述路测单元按照所述计算结果调整交通信号灯中各个方向的绿灯时长。

与现有技术相比，本发明的有益效果为：

本发明提供的智能网联汽车数据交互方法应用于智能网联汽车数据交互系统，场景库获取感知信息后，将其导入到仿真云平台，然后经仿真云平台的仿真，将仿真结果发送到数字孪生平台，数字孪生平台对仿真结果与车辆决策信息进行对比，并根据对比结果优化车辆自动驾驶决策。其中，感知信息可丰富场景库，特别是对于车辆无法识别的感知信息，场景库可进行手动或自动标注，然后增加到场景库中；仿真云平台可实时运算，模拟自动驾驶；数字孪生平台将仿真结果与车辆决策信息对比(其中车辆决策信息可以是车辆自动驾驶决策信息，即车辆自动驾驶系统发出的决策信息；也可以是车辆驾驶员决策信息，即在部分自动驾驶车辆中驾驶员接管车辆时发出的决策信息)，并根据对比结果优化车辆自动驾驶决策，从而实现对车辆自动驾驶系统的升级优化。

该交互方法可实现场景库的快速有效扩充，可对驾驶员的驾驶行为进行学习，从而训练出更高级别的自动驾驶系统，大大提高了自动驾驶系统的开发效率；并可对车辆自动驾驶等级进行在线认定，对自动驾驶系统进行实时监控，为事故认定提供数据支撑；并可对交通流进行实时监测，通过计算平台实现调整交通信号灯，减少拥堵，提高出行效率。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例1提供的智能网联汽车数据交互方法的流程图；

图2是本发明实施例2提供的智能网联汽车数据交互方法的流程图；

图3是本发明实施例3提供的智能网联汽车数据交互方法的流程图；

图4是本发明实施例3提供的智能网联汽车数据交互方法的交互示意图；

图5是本发明实施例3提供的智能网联汽车数据交互方法的数据流向示意图；

图6是本发明实施例3中路口方向划定的示意图；

图7是本发明实施例4提供的智能网联汽车数据交互方法的流程图；

图8是本发明实施例5提供的智能网联汽车数据交互系统的结构示意图。

图标：301-场景库；302-仿真云平台；303-数字孪生平台。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。

实施例1

图1是本实施例提供的一种智能网联汽车数据交互方法的流程图，本实施例适用于智能网联汽车的数据交互，以便至少提高车辆的自动驾驶能力，该方法可以由智能网联汽车数据交互系统来执行，该系统包括场景库、仿真云平台和数字孪生平台。

如图1所示，该方法包括以下步骤：

S110、场景库获取感知信息，然后将所述感知信息导入到仿真云平台；所述感知信息是车辆采集到的道路场景。

其中，场景库是指集合了多种道路场景的数据库。场景库集成数据清洗、数据标注和数据分析工具，其中数据清洗包括去噪、无效数据剔除和数据同频等功能。

仿真云平台是指对自动驾驶进行仿真的平台。

道路场景是车辆行驶场合与驾驶情景的有机组合，包含道路环境要素、其他交通参与者、车辆驾驶任务，同时，这些要素都会持续一定时间、具有动态变化的特性。

所述感知信息可以由车辆上的感知系统采集到的，感知系统例如包括摄像头、激光雷达或毫米波雷达等。

S120、仿真云平台接收所述感知信息，仿真后，将仿真结果发送到数字孪生平台。

其中，数字孪生平台是指应用数字孪生技术动态地实现数据交互的平台。

S130、数字孪生平台对所述仿真结果与车辆决策信息进行对比，并根据对比结果优化车辆自动驾驶决策，所述车辆决策信息为车辆自动驾驶决策信息或车辆驾驶员决策信息。

该自动驾驶决策信息或车辆驾驶员决策信息是指包含路径规划的信息。其中，车辆自动驾驶决策信息是指由车辆自行运算所得到的决策信息；车辆驾驶员决策信息是指由驾驶员发出的决策信息，以上两种决策信息都可由车辆的决策系统发出。

具体地，所述数字孪生平台对所述仿真结果与车辆决策信息进行对比，并根据对比结果优化车辆自动驾驶决策，包括：

将所述仿真结果和所述车辆决策信息分别输入到预先设定的计算模型中，该计算模型用于计算仿真结果或车辆决策信息对车辆驾驶产生的影响因子；根据计算得到的影响因子，优化车辆自动驾驶决策。

可选地，若仿真结果的影响因子和车辆决策信息的影响因子二者的差值在预设差值范围内，则车辆决策信息作为优化后的车辆自动驾驶决策；若仿真结果的影响因子和车辆决策信息的影响因子二者的差值不在预设差值范围，则将仿真结果或车辆决策信息作为优化后的车辆自动驾驶决策。

上述智能网联汽车数据交互方法应用于智能网联汽车数据交互系统，场景库获取感知信息后，将其导入到仿真云平台，然后经仿真云平台的仿真，将仿真结果发送到数字孪生平台，数字孪生平台对仿真结果与车辆决策信息进行对比，并根据对比结果优化车辆自动驾驶决策。其中，感知信息可丰富场景库，特别是对于车辆无法识别的感知信息，场景库可进行手动或自动标注，然后增加到场景库中；仿真云平台可实时运算，模拟自动驾驶；数字孪生平台将仿真结果与车辆决策信息对比(其中车辆决策信息可以是车辆自动驾驶决策信息，即车辆自动驾驶系统发出的决策信息；也可以是车辆驾驶员决策信息，即在部分自动驾驶车辆中驾驶员接管车辆时发出的决策信息)，并根据对比结果优化车辆自动驾驶决策，从而实现对车辆自动驾驶系统的升级优化。

该交互方法可实现场景库的快速有效扩充，可对驾驶员的驾驶行为进行学习，从而训练出更高级别的自动驾驶系统，大大提高了自动驾驶系统的开发效率；并可对车辆自动驾驶等级进行在线认定，对自动驾驶系统进行实时监控，为事故认定提供数据支撑；并可对交通流进行实时监测，通过计算平台实现调整交通信号灯，减少拥堵，提高出行效率。

进一步地，所述数字孪生平台在根据对比结果优化车辆自动驾驶决策之前、之时或之后，还包括监控车辆的控制系统的步骤。该数字孪生平台还可在根据对比结果优化车辆自动驾驶决策之前，或根据对比结果优化车辆自动驾驶决策之时，或根据对比结果优化车辆自动驾驶决策之后，实时监控车辆的控制系统，以便在发生事故时为事故认定提供数据支撑。

实施例2

图2是本实施例提供的一种智能网联汽车数据交互方法的流程图，本实施例对实施例1中S130进行了进一步优化，参见图2，该方法包括以下步骤：

S110、场景库获取感知信息，然后将所述感知信息导入到仿真云平台；所述感知信息是车辆采集到的道路场景。

S120、仿真云平台接收所述感知信息，仿真后，将仿真结果发送到数字孪生平台。

S110和S120与实施例1中的相同，本实施例不再赘述。

S131、根据车辆安全性、车辆能耗、车辆舒适性、车辆效率、车型和车辆用途，分别计算仿真结果分数和车辆决策信息分数。

其中，车辆安全性是指车辆在行驶中避免事故，保障行人和乘员安全的性能，一般分为主动安全性、被动安全性、事故后安全性和生态安全性。对车辆安全性不利的因素包括弯道超车、右道超车、违章行为、事故率、触发紧急视频录制等情况。

车辆能耗是指车辆百公里油耗和/或车辆百公里电耗。

车辆舒适性是指车辆在特殊情况下行驶给乘客带来的直观感受，特殊情况例如急加速、急减速和高速转弯等。

车辆效率是指车辆发动机或车辆电机运行的效率。

车辆用途是指车辆的使用目的，例如载客、载货、竞赛、消防、医疗救护等。

仿真结果分数是指对仿真结果进行打分所得的分数。

车辆决策信息分数是指对车辆决策信息进行打分所得的分数，该车辆决策信息与实施例1中相同。

优选地，根据车辆安全性、车辆能耗、车辆舒适性、车辆效率、车型和车辆用途，分别计算仿真结果分数和车辆决策信息分数，包括：

根据车型和车辆用途，分别确定车辆安全性、车辆能耗、车辆舒适性和车辆效率的权重；

根据仿真结果的车辆安全性、车辆能耗、车辆舒适性、车辆效率、以及所述权重，计算仿真结果分数。

该分数可以采用以下公式计算：S

根据车辆决策信息的车辆安全性、车辆能耗、车辆舒适性、车辆效率、以及所述权重，计算车辆决策信息分数。

该分数可以采用以下公式计算：S

S132、根据仿真结果分数和车辆决策信息分数，确定优化后的车辆自动驾驶决策。

具体地，根据仿真结果分数和车辆决策信息分数，确定优化后的车辆自动驾驶决策，包括：比较仿真结果分数和车辆决策信息分数的大小，若仿真结果分数小于车辆决策信息分数，则确定优化后的车辆自动驾驶决策为车辆决策信息。例如，当车辆决策是由驾驶员发出的，此时如果仿真结果分数小于车辆决策信息分数，则将驾驶员发出的决策作为优化后的车辆自动驾驶决策，由此可训练自动驾驶功能向驾驶员技能学习，优化自动驾驶策略，使自动驾驶策略向驾驶员决策靠近。

本实施例在实施例1的基础上进一步优化了S130，通过计算和比较仿真结果分数和车辆决策信息分数的方式，得到科学合理的优化后的车辆自动驾驶决策。

实施例3

图3是本实施例提供的一种智能网联汽车数据交互方法的流程图，本实施例是对实施例2的进一步优化，其中，所述交互系统还包括计算平台，图4为本实施例的交互方法中智能网联汽车数据交互系统、自动驾驶车辆或部分自动驾驶车辆、以及路测系统交互的示意图，图5为本实施例的交互方法中智能网联汽车数据交互系统、以及自动驾驶车辆或部分自动驾驶车辆之间的数据流向示意图。

参见图3，该方法包括以下步骤：

S110、场景库获取感知信息，然后将所述感知信息导入到仿真云平台；所述感知信息是车辆采集到的道路场景。

S120、仿真云平台接收所述感知信息，仿真后，将仿真结果发送到数字孪生平台。

S131、根据车辆安全性、车辆能耗、车辆舒适性、车辆效率、车型和车辆用途，分别计算仿真结果分数和车辆决策信息分数。

S132、根据仿真结果分数和车辆决策信息分数，确定优化后的车辆自动驾驶决策。

S110、S120、S131和S132与实施例2中的相同，本实施例不再赘述。

S140、计算平台获取路测单元的交通流数据，根据所述交通流数据，计算路口各个方向绿灯时长占比，并将计算结果发送给所述路测单元，以供所述路测单元按照所述计算结果调整交通信号灯中各个方向的绿灯时长。

其中，路测单元是指安装在道路两侧，用于与自动驾驶车辆通信，实现车辆身份识别的装置，其可以实时获取交通流，其包含交通信号灯。

交通流是指一段时间、一定区域内的车辆数。

路口各个方向绿灯时长占比是指路口的各个交通信号灯中绿灯出现的时间占所有交通信号灯中绿灯出现的时间的比例。

需要说明的是，本步骤S140还可以在进行S110之前或在进行S110之时进行。

优选地，所述根据所述交通流数据，计算路口各个方向绿灯时长占比，包括：

根据车流单个方向的车辆数和车流各个方向的车辆总数，计算路口各个方向绿灯时长占比。

可选地，路口各个方向绿灯时长占比采用以下公式计算：

P_si＝N_sn/(N_s1+N_s2+…+N_sn)，其中，P_sn为路口某一方向绿灯时长占比，N_si为路口某一方向的车辆数量，1≤i≤n，N_s1、N_s2、…、N_sn分别为路口各个方向的车辆数量。

如图6所示，可将路口分为S1、S2、S3、S4、S5、S6、S7和S8共8个方向，则若计算S1方向绿灯时长占比，可采用以下公式：P_s1＝N_s1/(N_s1+N_s2+…+N_s8)。

本实施例通过获取路测单元的交通流数据，并采用一定的方式计算各个方向绿灯时长占比，从而可根据交通流情况有效调配路口各个方向的绿灯时长，避免发生交通拥堵，提高出行效率。

需要说明的是，对于智能网联汽车数据交互系统、自动驾驶车辆或部分自动驾驶车辆、以及路测系统之间的通信，可采用V2X-DSRC(Vehicle to Everything-DedicatedShort Range Communications，车联万物-专用短距离无线通信)、C-V2X(CellularVehicle to Everything，蜂窝车联万物)、4G、5G或其他无线网络进行。

实施例4

图7是本实施例提供的一种智能网联汽车数据交互方法的流程图，本实施例适用于智能网联汽车的数据交互，以便至少提高车辆的自动驾驶能力，该方法可以由自动驾驶车辆或部分自动驾驶车辆来执行，所述自动驾驶车辆或部分自动驾驶车辆各自独立地包括感知系统和决策系统。

其中，自动驾驶车辆也称无人驾驶车辆，是指通过电脑系统实现无人驾驶的智能汽车。部分自动驾驶车辆也称半自动驾驶车辆，是指需要人参与驾驶的具有一定自动驾驶功能的车辆。

如图7所示，该方法包括以下步骤：

S210、感知系统采集道路场景，形成感知信息，并将所述感知信息发送至场景库。

感知系统形成的感知信息可以是车辆能够识别的，也包含了一部分不能识别的信息，这些都会发送至场景库，对于车辆能够识别的信息，场景库直接将其导入到仿真云平台中进行仿真，对于不能识别的信息，场景库会先进行手动或自动标注，然后扩充到场景库中，再将其导入到仿真云平台中进行仿真。

S220、决策系统根据所述感知信息，生成车辆自动驾驶决策信息，并将车辆自动驾驶决策信息发送至数字孪生平台，然后接收数字孪生平台发送的优化的车辆自动驾驶决策。

决策系统可以根据感知信息，生成车辆自动驾驶决策信息，并将该决策信息发送至数字孪生平台，在经过数字孪生平台的比对后，接收数字孪生平台发送的优化的车辆自动驾驶决策。

上述车辆自动驾驶决策信息可以是决策系统根据感知信息直接生成的，也可以是根据感知信息，驾驶员介入操作后反馈到决策系统的决策信息。

上述智能网联汽车数据交互方法应用于自动驾驶车辆或部分自动驾驶车辆，车辆在采集道路场景并形成感知信息后，可将感知信息自动发送至场景库，快速高效，决策系统可生成车辆自动驾驶决策信息，并按照数字孪生平台发送的优化的车辆自动驾驶决策对本车的驾驶决策进行优化，通过不断的技术迭代，实现自动驾驶朝着更加智能化完善化的方向发展。

进一步地，所述自动驾驶车辆或部分自动驾驶车辆还各自独立地包括车辆行驶信息发送系统，所述车辆行驶信息发送系统将车辆行驶信息发送至周围车辆和路测单元。本步骤可实现车辆与路测单元的通信，以及不同车辆之前的通信，从而便于调节各个方向绿灯时长，以及便于周围车辆获知本车的行驶状态，以方便周围车辆及时做出应对策略。

所述车辆行驶信息是指与车辆行驶有关的信息，包括车辆位置、车辆加速、车辆减速、车辆转弯、车辆变道等。

实施例5

图8是本实施例提供的一种智能网联汽车数据交互系统的结构示意图，包括：

场景库301，用于获取感知信息，然后将所述感知信息导入到仿真云平台；所述感知信息是车辆采集到的道路场景；

仿真云平台302，用于接收所述感知信息，仿真后，将仿真结果发送到数字孪生平台；

以及数字孪生平台303，用于对所述仿真结果与车辆决策信息进行对比，并根据对比结果优化车辆自动驾驶决策，所述车辆决策信息为车辆自动驾驶决策信息或车辆驾驶员决策信息。

进一步地，所述数字孪生平台303包括：

仿真结果分数和车辆决策信息分数计算模块，用于根据车辆安全性、车辆能耗、车辆舒适性、车辆效率、车型和车辆用途，分别计算仿真结果分数和车辆决策信息分数；

优化后的车辆自动驾驶决策确定模块，用于根据仿真结果分数和车辆决策信息分数，确定优化后的车辆自动驾驶决策。

进一步地，所述系统还包括计算平台(未图示)，用于获取路测单元的交通流数据，根据所述交通流数据，计算路口各个方向绿灯时长占比，并将计算结果发送给所述路测单元，以供所述路测单元按照所述计算结果调整交通信号灯中各个方向的绿灯时长。

该智能网联汽车数据交互系统用于执行上述实施例的智能网联汽车数据交互方法，具有与上述方法相对应的功能模块和有益效果。

应该理解的是，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，本申请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，只要能够实现本申请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，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。