[发明专利]一种基于地理区域的智能网联计算机任务并行颗粒度的划分方法、系统及终端

说明书

本发明涉及智能驾驶技术领域，具体涉及一种基于地理区域的智能网联计算机任务并行颗粒度的划分方法及系统、终端，其中一种基于地理区域的智能网联计算机任务并行颗粒度的划分方法，包括，于获取到初始地理分区的状态下，获取每个所述初始地理分区当前的交通数据；根据所述交通数据计算初始地理分区的工作状态；于所述工作状态不匹配预定状态的情况下，根据所述交通数据和所述初始地理分区形成当前地理分区数据；根据所述当前地理分区数据更新所述初始地理分区。

技术领域

本发明涉及智能驾驶技术领域，具体涉及一种基于地理区域的智能网联计算机任务并行颗粒度的划分方法系统、终端及计算机可读存储介质。

背景技术

云端协同驾驶系统是利用新一代信息与通信技术，将人、车、路、云的物理层、信息层、应用层连为一体，进行融合感知、协同决策与控制，综合提升交通效率和行驶安全的信息物理系统。云控平台做为云端协同驾驶的大脑，需要对汽车、道路、行人等交通参与者信息进行融合计算，对车辆、行人未来运动进行预测，生成协同决策指令。为保证决策指令的准确性，云控平台对融合计算的实时性要求极高。而随着云端协同驾驶应用规模扩大，交通参与者越来越多，云控平台的计算规模也越来越大，将无法保证融合计算的效率，导致无法及时生成决策指令，影响协同驾驶的安全性。

如图1所示，云控数据总线实时接收车辆及其他交通参与者信息，计算任务管理器从云控数据总线中获取信息为每辆车生成计算任务，该任务获取车周围其它相关车辆进行融合计算及场景识别，并针对交通参与者发送协同指令或提醒。如车辆附近存在盲区时，为车辆下发盲区内的交通者的状态数据；又如当车辆换道或超车时，云端为其规划轨迹轨并下发行驶轨迹，再如多个车辆进行匝道汇出或汇入时，云端对各车辆下发协同指令等。

如图2所示，在小模块的应用场景下，当前的云控平台架构运行良好，以匝道汇入场景为例，在小规模协同驾驶应用场景下，云控平台服务2000辆车，在匝道入口处，本车试图汇入主车道，此时入口前后各一辆车。在该场景下，云端每个计算任务的计算量只有2000，云控平台为每辆车生成计算任务，则会形成2000个并行的计算任务，即使每辆车附近仅有三辆车与本车有交互关系，该计算任务仍会使用全部2000辆车的数据，并根据地理位置排除1996辆无关车，再与其他3辆车进行协同计算。不统计协同计算部分，为排除无效车辆总计需进行2000×1996≈400万次计算，在总计算量约400万的情况下，可以较快得出计算结果并进行决策。计算结束后，云端向本车发送汇入指令，向后车发送减速指令，向前车发送加速指令，使本车可以快速汇入车道，提高交通效率。而随着云端协同驾驶技术的深入推广，道路里程和服务车辆数将会大规模增加，上述技术方案将面临计算任务持续增加，计算任务量持续增大，而这将导致决策时延增加，而时延增加，又会影响场景判断的实时性，进而降低决策的准确性。如图3所示，在1000千米的道路中，假设服务车辆为2万辆时，则会生成2万个任务，每个任务需排除19996辆车，则总排除无效数据的计算量将达到2万×19996≈4亿次，总计算量增长为100倍。当服务车辆再增加10倍达到20万辆时，总排除无效数据的计算量将达到20万×19.9996万≈400亿，又增长为100倍。总计算量会随着服务车辆增加而呈指数增长，而计算量的增长必然会导致计算时间加长、决策时延增加。当云端计算出决策结果并向后车发送减速指令时，后车已经通过了路口，此时后车减速，容易导致交通事故发生。即在高实时性的场景中，时延增加可能会导致数据失效，从而降低决策的准确性。

发明内容

为解决上述大规模复杂场景下云端协同驾驶计算的效率及准确性问题，本发明提供一种基于地理区域的智能网联计算机任务并行颗粒度的划分方法系统、终端及计算机可读存储介质，具体地：

一方面，本发明提供一种基于地理区域的智能网联计算机任务并行颗粒度的划分方法，其中：包括，

于获取到初始地理分区的状态下，获取每个所述初始地理分区当前的交通数据；

根据所述交通数据计算初始地理分区的工作状态；