一种汽车图像场景库数据复杂度度量方法

摘要

本发明属于自动驾驶技术领域，具体涉及一种汽车图像场景库数据复杂度度量方法，包括以下步骤：S1、对场景库内各个场景对应的场景数据根据场景要素进行分层；S2、对分层后的每层场景对应的场景要素分别指定复杂度值；S3、赋予每层场景的场景要素出现的场景概率；S4、根据每层场景的场景要素的复杂度值和场景概率综合计算每层场景复杂度；S5、将每层场景复杂度相加，得到场景数据的最终场景复杂度。本发明能够量化场景库中场景数据的质量，以便于比较不同场景库的优劣。

说明书

技术领域

本发明属于自动驾驶技术领域，具体涉及一种汽车图像场景库数据复杂度度量方法。

背景技术

自动驾驶汽车测试验证是自动驾驶汽车研发与上市前的必不可少的环节，配套的测试评价体系是推动自动驾驶汽车技术发展的必备条件。实车道路测试的场景库在智能网联汽车测试评价体系中起到非常关键的作用，是测试和评价的基础与出发点，能够侧面影响任务的复杂程度。为确保测试场景的充分性，场景库应使自动驾驶比人为驾驶所遇到的所有场景更加安全、可靠。

现目前，大多数企业和组织在场景库的构建过程中重点关注于场景库数据的收集，而对收集到的场景数据质量却缺乏合适的量化指标。这无疑会带来两个问题：

1.场景库中可能包含着大量重复且低质量的场景数据，导致基于场景库的试验时长过长，甚至无法发现自动驾驶汽车的性能缺陷，降低了试验结果可信度；

2.不同场景库之间无法进行优劣性比较，导致自动驾驶汽车场景库试验无法选择最优的场景库数据。

发明内容

本发明的目的在于提供一种汽车图像场景库数据复杂度度量方法，能够量化场景库中场景数据的质量，以便于比较不同场景库的优劣。

为了达到上述目的，提供了一种汽车图像场景库数据复杂度度量方法，包括以下步骤：

S1、对场景库内各个场景对应的场景数据根据场景要素进行分层；

S2、对分层后的每层场景对应的场景要素分别指定复杂度值；

S3、赋予每层场景的场景要素出现的场景概率；

S4、根据每层场景的场景要素的复杂度值和场景概率综合计算每层场景复杂度；

S5、将每层场景复杂度相加，得到场景数据的最终场景复杂度。

原理及优点：

场景数据越复杂，对相关系统的挑战越大，探测出相关系统性能缺陷的可能性就越大。因此，可以认为场景数据的复杂度是影响场景库质量的关键因素之一。本方案通过利用场景要素来对场景数据来分层拆分场景数据，以便于减低场景数据的整体复杂度，在通过对每层场景对应的场景要素指定复杂度值和赋予场景概率，可以取得每层场景对应的复杂度。再通过将每层的场景对应的复杂度进行累加计算，就能量化每个场景的复杂度，以此类推，就能量化不同场景库的复杂度，从而便于比较不同场景库的优劣。

进一步，所述场景要素包括道路要素、交通设施要素、临时交通事件要素、交通参与者要素、环境条件要素和信息要素，分层后每层场景分别为道路层、交通设施层、临时交通事件层、交通参与者层、环境条件层和信息层。

道路要素、交通设施要素、临时交通事件要素、交通参与者要素、环境条件要素和信息要素的设置能够将复杂的场景数据拆分，一定程度降低其复杂度，从而后续的复杂度量化计算。

进一步，所述道路要素的复杂度由车道线的可视性程度进行选取设置，所述交通设施要素的复杂度由交通设施的可视性程度进行选取设置，所述临时交通事件要素的复杂度由其事件的偶然性和可预见性来选取设置，所述交通参与者要素的复杂度由参与者的常见性以及合规性来选取设置，所述环境条件要素的复杂度由环境可见度来选取设置，所述信息要素的复杂度由是否有交通信息来设置。

以便于道路要素、交通设施要素、临时交通事件要素、交通参与者要素、环境条件要素和信息要素的选取设置。

进一步，所述场景概率根据场景中场景要素出现的频率来选取设置。

场景概率的选取以便于适用真实场景，从而保证后续取得的复杂度更具参考意义。

进一步，所述步骤S5中，最终场景复杂度的计算公式如下：

其中，C为该场景数据的最终场景复杂度，Ci为第i层场景要素的复杂度，Pi为第i层场景要素在相关系统运行时出现的场景概率。

便于量化每个场景的复杂度，从便于量化场景库的复杂度，进而便于比较不同场景库的优劣。

附图说明

图1为本发明实施例一中一种汽车图像场景库数据复杂度度量方法的流程框图；

图2为场景的实例图。

具体实施方式

下面通过具体实施方式进一步详细说明：

实施例一

一种汽车图像场景库数据复杂度度量方法，基本如附图1所示：包括以下步骤：

S1、对场景库内各个场景对应的场景数据根据场景要素进行分层；其中场景要素分别为道路要素、交通设施要素、临时交通事件要素、交通参与者要素、环境条件要素和信息要素，分层后每层场景分别为道路层、交通设施层、临时交通事件层、交通参与者层、环境条件层和信息层。

第一层：道路层，道路要素包括保护道路的几何和拓扑结构等；

第二层：交通设施层，交通设施要素包括交通指示牌、交通信号灯等；

第三层：临时交通事件层，临时交通事件要素包括交通事故、道路施工和交通管制等；

第四层：交通参与者层，交通参与者要素包括行人、车辆、摩托车等可移动、可交互的动态要素；

第五层：环境条件层，环境条件要素包括天气、电磁强度和夜间等；

第六层：信息层，信息要素包括V2X信息、高精度地图等。

S2、对分层后的每层场景对应的场景要素分别指定复杂度值；

第一层，道路层的复杂度主要由车道线的可视性程度进行选取设置：

例如，对于清晰的车道线，其复杂度规定为1；

被遮挡或磨损的车道线，会影响车道线的识别，其复杂度为2；

路面积水、覆冰影响车道线识别，并会造成行车困难，其复杂度为3；

不规则的车道线可能会引起车道线误识别，导致车辆行驶方向错误，其复杂度为4；

无车道线场景可能影响车辆行驶方向，其复杂度为5。

第二层，交通设施层的复杂度主要由交通设施的可视性程度进行选取设置：

例如：无交通设施的场景，其复杂度为1；

交通设施清晰的场景，其复杂度为2；

交通设施距离过远等导致无法清晰识别的场景，其复杂度为3；

交通设施反光、脏污等导致难以识别的场景，其复杂度为4；

交通设施不规则，可能引起错误识别，导致车辆闯红灯等危险行为，其复杂度为5。

第三层，临时交通事件层的复杂度主要由其事件的偶然性和可预见性来选取设置：

例如：无临时交通事件，其复杂度为1；

交通管制等有专人维护现场的临时交通事件，其复杂度为2；

道路施工等有警告指示牌的临时交通事件，其复杂度为3；

交通事故等对行车有较大影响的临时交通事件，其复杂度为4；

落石、掉落的车轮等偶发性很强且难以预见的临时交通事件，其复杂度为5；

第四层，交通参与者层的复杂度由参与者的常见性以及合规性来选取设置：

例如：无交通参与者，其复杂度为1；

只包含车辆的场景，其复杂度为2；

包含行人、自行车等常见参与者且他们位于法规规定位置(如人行道、自行车道等)，其复杂度为3；

包含行人、自行车灯等常见参与者且它们不位于法规规定位置(人行横穿马路、自行车行驶在机动车道等)，其复杂度为4；

不常见的交通参与者(例如：拖着大象的卡车、骑着马的行人等)，其复杂度为5。

第五层，环境条件层的复杂度主要由可见度来选取设置：

例如：晴天高可见度，其复杂度为1；

雨天、傍晚中可见度，其复杂度为2；

夜晚有环境灯光，其复杂度为3；

夜晚无环境灯光，可见度较低，其复杂度为4；

浓雾天可见度极低，其复杂度为5。

第六层，信息层的复杂度主要由是否有交通信息来设置：

例如：有高精度地图或V2X提供交通信息，则复杂度为1；

无高精度地图或V2X提供交通信息，则复杂度为2。

S3、赋予每层场景的场景要素出现的场景概率；场景概率根据场景中场景要素出现的频率来选取设置。例如：仅限于高速公路使用的系统，交通参与者层中出现只包含车辆的概率系数是大于出现行人、自行车的概率系数；对于可以用于城市交通场景的系统，交通参与者层中出现行人、自行车的概率系数大于只包含车辆的概率系数。

S4、根据每层场景的场景要素的复杂度值和场景概率综合计算每层场景复杂度；

S5、将每层场景复杂度相加，得到场景数据的最终场景复杂度。

最终场景复杂度的计算公式如下：

其中，C为该场景数据的最终场景复杂度，Ci为第i层场景要素的复杂度，Pi为第i层场景要素在相关系统运行时出现的场景概率。

具体实施过程如下：

如图2所示，(1)场景要素分层：

第一层：道路层：高速公路、三车道、直行车道；

第二层：交通设施层：道路右侧50米有交通指示牌；

第三层：临时交通事件层：道路正前方50m发生车祸、车祸影响当前行驶车道；

第四层：交通参与者层：事故卡车、抢救人员；

第五层：环境条件层：晴天，光照强度50000勒克斯；

第六层：信息层：无V2X和高精度地图。

(2)每层场景要素复杂度

第一层：道路层，车道线清晰，复杂度值为1；

第二层：交通设施层，交通设施清晰，复杂度值为2；

第三层：临时交通事件层，交通事故，复杂度值为4；

第四层：交通参与者层，包含行人、自行车等常见参与者，且位于不合理位置。例如道路中间，复杂度值为4；

第五层：环境条件层，晴天，复杂度值为1；

第六层：信息层，无高精度地图或V2X，复杂度值为2；

(3)场景概率

第一层：道路层，车道线清晰，高概率事件，概率值为90％；

第二层：交通设施层，交通设施清晰，高概率事件，概率值为90％；

第三层：临时交通事件层，道路正前方50m发生车祸、车祸影响当前行驶车道，低概率事件，概率值为5％；

第四层：交通参与者层，事故卡车、抢救人员，低概率事件，概率值为5％；

第五层：环境条件层，晴天，光照强度50000勒克斯，中等概率事件，概率值为70％；

第六层：信息层，无V2X和高精度地图，高概率事件，概率值为90％；

(4)最终场景复杂度值C

C＝1*90％+2*90％+4*5％+4*5％+1*70％+2*90％＝5.6。

实施例二

自动驾驶虽然完全解放了司机的双手，使得司机无需时刻注意当前的路况。但是驾驶室还是需要配置司机，其原因在于目前的自动驾驶对于路况信息的感知，只能起辅助作用，它不是完全的自动驾驶，其可靠性并不能完全取代司机，尤其是面对复杂的路况环境。

实施例二与实施例一的区别在于，还包括以下步骤：

S6、对分层后的道路层、交通设施层、临时交通事件层和交通参与者层分别设置人工干预阈值，人工干预阈值具体根据每层场景的复杂度值，概率值的互补值，以及所述分层的权重比例来设置。

例如，在道路层，在郊区乡镇路段，车道线模糊，复杂度值为4，中概率事件，概率值为50％，权重比例为20％。人工干预阈值M＝4*(1-50％)*20％＝0.4。

交通设施层，交通设施不清晰，复杂度值为3，中概率事件，概率值为50％，权重比例为20％；人工干预阈值M＝3*(1-50％)*20％＝0.3。

临时交通事件层，道路正前方50m发生车祸、车祸影响当前行驶车道，复杂度值为4，低概率事件，概率值为5％，权重比例为40％；人工干预阈值M＝4*(1-5％)*40％＝1.52。

交通参与者层，事故卡车、抢救人员，复杂度值为4，低概率事件，概率值为5％，权重比例为30％。人工干预阈值M＝4*(1-5％)*20％＝0.76。

S7、将道路层、交通设施层、临时交通事件层和交通参与者层分别对应的人工干预阈值，与所述分层对应的判断阈值进行对比分析，若所述分层对应的人工干预阈值超过对应的判断阈值，则生成自动控制转手动控制的控制模式切换提示信息；其中复杂度值和概率值是可变化的，因此最后的人工干预阈值也是变化的，本方案通过判断人工干预阈值是否超过对应的判断阈值，来分析当前的自动驾驶是否需要由驾驶员来手动干预，从而进行后续的驾驶模式的切换提示。其中，由于人的主观分析相比人工智能更能切合自身的利益，更希望做到安全和无利益损失的两者兼顾，远不同于机器实行安全第一利益第二的原则的过度理智。因此，通过本方案的判断、比较分析、示警提示，让司机来干预驾驶，可以一定程度避免出现事故，同时更切合司机自身的利益。

S8、将道路层、交通设施层、临时交通事件层和交通参与者层分别对应的人工干预阈值进行累加计算，得到人工干预总阈值；并将人工干预总阈值与最终场景复杂度值C设置权重比例进行综合计算，得到综合场景复杂度值C’。在道路层、交通设施层、临时交通事件层和交通参与者层中，不可控因素更多，导致自动驾驶需要人为干预的情况就越多，本方案通过将人工干预总阈值与最终场景复杂度值C设置权重比例进行综合计算，得到综合场景复杂度值C’，能够提高场景数据的质量，并在量化场景数据的质量，以便于比较不同场景库的优劣。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。