【技术实现步骤摘要】
本专利技术属于自动驾驶，涉及一种基于车-车协同的高风险场景辨识方法、装置及介质。
技术介绍
1、人工智能技术正驱动着汽车产业向着智能化高速发展，为现代社会的生产生活方式带来深刻的变革。在任意场景下安全行驶，是自动驾驶车辆的基本要求，其受到“人-车-路”等多方面复杂因素的影响。真实行车场景具有高度动态且部分可观的特性，交通参与者存在复杂的交互拓扑关系，给自动驾驶车辆的场景理解提出了巨大的挑战。行车场景的风险程度是影响自动驾驶车辆安全行驶的重要因素之一。
2、自动驾驶车辆的场景感知技术是智能汽车感受外部世界的渠道，是自动驾驶技术中最核心的技术之一。近些年来，随着高性能传感器和人工智能技术的不断发展，自动驾驶车辆对场景的采集和理解能力得到了巨大的提升。然而，当车辆遇到较多遮挡或长距离感知的场景时，效果仍存在较大的不足。为了解决单车感知的局限性，研究人员将v2x通信技术引入到自动驾驶的感知模块中，感知技术逐渐从传统的“单车感知”走向了基于“车-路-云”的协同感知。通过融合场景中多辆智能网联汽车、路侧设备的多源、多模态、多视角的场景特征，获取更丰富的全景感知结果，大大提高了自动驾驶车辆的场景理解能力。深度学习算法是其中的主流算法，使得自动驾驶在感知准确率等方面取得了长足的进展，但其“黑盒”模型可解释性差的特性，给行车安全带来了很大的隐患。因此，我们应明确模型的能力边界，识别模型无法处理的高风险场景，避免对其产生“自负”的错误结果，引发严重的交通事故。
3、综上，针对场景的风险程度的评估，除了场景本身的复杂程度以外，
技术实现思路
1、本专利技术将智能网联车辆对环境的感知能力加入场景风险评价体系，通过智能网联汽车的对场景的感知不确定性衡量场景的风险程度。具体来说，本专利技术提出了一种基于车-车协同的高风险场景辨识方法、装置及介质，自车通过v2x设备接收环境中其他智能网联车辆的感知信息，分析对同一区域的感知结果的离散程度和全景感知结果的不确定性，构建感知模型能力边界，从而实现对高风险场景的有效辨识，为智能网联车辆的安全行车提供保障。
2、为解决上述技术问题，本专利技术是采用如下技术方案实现的，结合附图说明如下：
3、需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
4、一种基于车-车协同的高风险场景辨识方法，包括以下步骤：
5、步骤一：场景中智能网联车辆使用自车传感器采集周围环境信息。
6、步骤二：各车辆将采集到的环境信息映射到bev视角下。
7、步骤三：各智能网联车辆使用主干网络对传感器采集的环境信息进行编码，得到周围场景的中间特征信息。
8、步骤四：各智能网联汽车对自身感知信息进行加密压缩，并通过v2x设备向场景中智能网联车辆进行广播。
9、步骤五：自车通过v2x传感器接收环境中智能网联车辆广播的感知信息。并进行解码和解压缩。
10、步骤六：自车将获取的感知信息进行空间对齐，将特征信息转换至自车坐标系下。
11、步骤七：针对多源感知数据的重叠区域，分析同一区域的感知特征的离散程度，若大于阈值，则判断当前行车场景为高风险场景。
12、步骤八：自车融合多源感知信息，得到全景感知结果输出，并输出给决策规划模块。
13、步骤九：分析自车的协同感知结果的不确定性，若大于阈值，则认为当前行车场景为高风险场景。
14、进一步地，步骤一中场景中智能网联车辆使用自车传感器采集周围环境信息。具体内容如下：
15、环境中存在智能网联车辆vi(i∈[0,1,...,n])，每辆车均配有相同感知传感器且搭载有协同感知模型，可以以一定的时间频率对周围行车环境进行传感器原始数据采集，表示为
16、xi i∈[0,1,…,]
17、其中，v0表示自车，x0表示自车的感知信息，vi(i∈[1,2,...，n])表示场景中除自车外的智能网联车辆，xi(i∈[1,2,...,n])表示场景中除自车外的智能网联车辆的感知信息。
18、同时，场景中智能网联车辆vi(i∈[0,1,...,n])均配有v2x通信设备，可以实现车辆间的信息共享。
19、v2x设备指vehicle-to-everything设备，指智能网联车辆与外界通信的设备。
20、进一步地，步骤二中所述各车辆将采集到的环境信息映射到bev视角下，具体内容如下：
21、各车辆将传感器采集的周围环境信息xi从传感器坐标系中进行转化，通过转化函数映射到bev视角下，可表示为：
22、
23、其中，表示车辆vi在bev视角下的周围环境感知信息，fbev(·)表示bev视角映射模型。
24、bev，即bird’s-eye-view，指鸟瞰图视角。
25、进一步地，步骤三中所述各智能网联车辆使用主干网络对传感器采集的环境信息进行编码，得到周围场景的中间特征信息，具体内容如下：
26、各智能网联车辆使用主干网络对传感器采集到的信息进行编码，得到周围场景的中间特征fi，fi是一个高维张量，可表示为
27、
28、其中，fi表示车辆vi周围场景的特征信息，fenc(·)表示主干网络模型。不同车辆间的fenc(·)共享参数。
29、进一步地，步骤四中所述各智能网联汽车对自身感知信息进行加密压缩，并通过v2x设备向场景中智能网联车辆进行广播，具体内容如下：
30、各智能网联汽车对车端运算得到的感知信息di进行加密压缩，并通过v2x设备向场景中进行广播，其中，感知信息di包括周围场景的特征信息fi，位姿信息pi和时间信息ti。
31、di＝{fi pi ti}i∈{0，1，...，n}
32、其中，
33、pi＝{xi，yi，zi，loni，lati，alti，headingi}i∈{0,1,...,n}
34、其中，(xi，yi，zi)为智能网联车辆vi在大地坐标系下的全局坐标，(loni，lati，alti)分别为智能网联车辆vi的经度、纬度和海拔，headingi为智能网联本文档来自技高网...
【技术保护点】
1.一种基于车-车协同的高风险场景辨识方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于车-车协同的高风险场景辨识方法，其特征在于，步骤一中场景中智能网联车辆使用自车传感器采集周围环境信息，具体内容如下：
3.根据权利要求1所述的一种基于车-车协同的高风险场景辨识方法，其特征在于，步骤三中所述各智能网联车辆使用主干网络对传感器采集的环境信息进行编码，得到周围场景的中间特征信息，具体内容如下：
4.根据权利要求1所述的一种基于车-车协同的高风险场景辨识方法，其特征在于，步骤四中所述各智能网联汽车对自身感知信息进行加密压缩，并通过V2X设备向场景中智能网联车辆进行广播，具体内容如下：
5.根据权利要求1所述的一种基于车-车协同的高风险场景辨识方法，其特征在于，步骤六中所述自车将获取的感知信息进行空间对齐，将特征信息转换至自车坐标系下，具体内容如下：
6.根据权利要求1所述的一种基于车-车协同的高风险场景辨识方法，其特征在于，步骤七中所述，针对多源感知数据的重叠区域，分析同一区域的感知特征的离散程度，若大于阈值
7.根据权利要求1所述的一种基于车-车协同的高风险场景辨识方法，其特征在于，
8.根据权利要求1所述的一种基于车-车协同的高风险场景辨识方法，其特征在于，步骤九中所述，分析自车的协同感知结果的不确定性，若大于阈值，则认为当前行车场景为高风险场景，具体内容如下：
9.一种基于车-车协同的高风险场景辨识装置，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现如权利要求1-8中任一所述的方法。
...【技术特征摘要】
1.一种基于车-车协同的高风险场景辨识方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于车-车协同的高风险场景辨识方法，其特征在于，步骤一中场景中智能网联车辆使用自车传感器采集周围环境信息，具体内容如下：
3.根据权利要求1所述的一种基于车-车协同的高风险场景辨识方法，其特征在于，步骤三中所述各智能网联车辆使用主干网络对传感器采集的环境信息进行编码，得到周围场景的中间特征信息，具体内容如下：
4.根据权利要求1所述的一种基于车-车协同的高风险场景辨识方法，其特征在于，步骤四中所述各智能网联汽车对自身感知信息进行加密压缩，并通过v2x设备向场景中智能网联车辆进行广播，具体内容如下：
5.根据权利要求1所述的一种基于车-车协同的高风险场景辨识方法，其特征在于，步骤六中所述自车将获取的感知信息进行空间对...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。