[发明专利]一种描述复杂驾驶环境信息的图形化表达方法

说明书

本发明公开了一种描述复杂驾驶环境信息的图形化表达方法，将环境信息进行分层，分别对各环境信息层进行图形化表达，所有环境信息层全部完成图形化表达后，分别存储各层图形，根据需要按照俯视的遮盖顺序，将各环境信息层的图形依次叠放，按照本体车辆的行驶速度与行驶方向对叠放后的图形进行相应的坐标系变换，展示以本体车辆为中心的随时间变化的图形化表达的综合环境信息。本发明将来自不同传感器的环境感知信息进行综合认知后使用图形化表达方法来描述，解决驾驶环境统一表达问题，可以更加全面和有效地描述车辆在行驶过程中周围的驾驶环境信息。

技术领域

本发明设计一种面向自动驾驶车辆的复杂驾驶环境信息的表达方式，具体涉及一种描述车辆驾驶环境信息的图形化表达方法。

背景技术

自动驾驶汽车是汽车工业的重要发展方向，而决策规划是实现自动驾驶任务的核心部分。近年来基于人工智能的决策规划算法逐渐成为研究的主流，其中卷积神经网络方法在提取图像特征时体现出了强大的优势，许多基于人工智能的决策规划方法采用卷积神经网络以图像作为模型输入来提取环境信息特征。

当前的环境感知为了获取完备的信息，大多依赖于多种传感器，得到的环境信息在数据结构与信息类型上差异都很大，因此不利于实现环境信息的跨模态表达；同时，原始的感知信息中包含了大量与决策无关的无效信息而使得信息特征提取效率和决策模型的鲁棒性变差。因此在实际的应用过程中，对于驾驶环境信息非统一化的表达方式不利于决策模型在不同工况场景和不同的感知信息中迁移使用。

目前用于表示环境信息的方法主要有传统的栅格地图、拓扑地图与高精地图的方法，以及近年出现的一种用于“mid to mid”的中级表达方式。王永胜等人在论文“基于拓扑地图的自主泊车路径协调与优化策略”中使用拓扑地图来描述停车区域中的行车轨迹节点的拓扑信息，实现了自主泊车策略的开发；Radu Danescu等人在论文“Modeling andTracking the Driving Environment With a Particle-Based Occupancy Grid”中使用栅格地图来表达周围的障碍物位置与运动状态信息，并以此来预测车辆的未来位置；Nemanja Djuric等人在论文“Uncertainty-aware Short-term Motion Prediction ofTraffic Actors for Autonomous Driving”中使用栅格化的高精地图来表达周围的驾驶环境，利用RGB色彩区分自车与它车，并利用色彩饱和度来呈现自车在不同时刻的位置实现了在单张图片内表达动态信息；Mayank Bansal等人在论文“ChauffeurNet:Learning toDrive by Imitating the Best and Synthesizing the Worst”中用不同的几何要素描述驾驶环境信息中的道路地图、交通灯、速度限制、全局路径、周围车辆和自身车辆不同时刻的位置点，用这种表达方式代替了原始的传感器数据用于模仿学习车辆驾驶行为。

通过分析现有的这些方法，发现一些不够完善的地方，首先传统的环境模型的表达方法并没有将交通规则信息直观地用图形表达出来，例如栅格地图只能表达周围障碍物的状态而无法描述交通规则对车辆行驶路径的约束；另外后来出现的中级表达方式并没有对驾驶环境信息提出明确的分层结构，而且表达的环境信息并不完整，其中鸟瞰图的形式也没有考虑到道路的起伏与坡度信息，同时也没有考虑描述由推理得到的影响车辆驾驶行为的信息，如周围车辆的驾驶风格。

发明内容

为了解决现有技术存在的上述问题，本发明提供一种描述复杂驾驶环境信息的图形化表达方法，将来自不同传感器的环境感知信息进行综合认知后使用图形化表达方法来描述，解决驾驶环境统一表达问题，可以更加全面和有效地描述车辆在行驶过程中周围的驾驶环境信息。统一表达的驾驶环境信息不仅包括周围车辆位置、交通规则等等在环境中真实存在的物体与逻辑信息，还包括由推理得到的推理信息。采用图形化方法来表达环境信息也更加直观，更利于使用基于图像特征提取的人工智能方法实现自动驾驶的决策规划。

本发明的目的是通过以下技术方案实现的：