图片来自网络
研究背景
时至今日，如自动泊车这一类低级的自动驾驶技术已经非常成熟，我们期待着可以给人类提供更安全、更高效的交通运输的完全自动驾驶。完全自动驾驶是指车辆不需要人为关注，可以完全自主决策驾驶策略，其技术路线的要求之一是汽车能够感知到实时的驾驶环境。这需要依靠高精度地图和车载传感器（例如激光雷达、GPS、摄像头和加速计）的组合来感知周围环境并在地图中相对定位自己。其中，高精度地图的更新成本太大是其难以落地的最大困难之一，而基于车辆的众包（Vehicle-based crowdsourcing, VBC）是一种低成本、高效率、有前景的解决方案。
一般来说，城市VBC包含一个本地平台，工作者（即车辆）和任务。平台连接着分布在城市中的边缘点，这些边缘点可以从愿意参与众包的车辆中选择工作者，并且将任务发布给他们。被选择的车辆感知或获取所需信息上传给边缘点，然后边缘点聚合这些信息并发送至平台。其中，工作者的选择会大大影响VBC的性能。一般的VBC会根据车辆的移动性和之前完成众包任务的能力进行工作者选择。但是针对高精度地图的VBC更具挑战性：
要求细粒度的车辆轨迹；
车辆轨迹的时空信息变化很快且难以预测；
在一定的预算下，需要平衡众包性能（即所得信息的数量和覆盖面积）和平台成本；
平台在开始阶段没有车辆的历史性能，即存在“冷启动”问题。
因此，本文研究高精度地图VBC中的工作者选择问题，并将其建模为一个平台累积收益最大化问题(Cumulative platform utility maximization problem, CMP)。
研究方法
作者提出了一种由数据分析和策略设计组成的系统框架，如下图所示。
图1 系统框架
在数据分析部分，通过旧金山和罗马的真实出租车轨迹数据发掘出一些统计规律，为后续的策略设计提供支持。统计规律如下：
1) 车辆的信息收集数量和覆盖面积具有强相关性。本文使用的相关性分析技术是Pearson系数，分析结果如下图。
图2 相关性分析
因此，本文将车辆的每日信息收集数量作为轨迹穿透数据来刻画车辆的具体轨迹。
2) 车辆的轨迹穿透分布有一个指数衰减，因此仅在有限的预算下选择一小部分车辆来实现高质量的VBC是有可能的。
3) 车辆的轨迹穿透具有不确定性以及高动态性，但是轨迹穿透具有以7天为周期的周期性。其分析如下图所示。
图三 车辆轨迹的条件熵分布
图四 车辆轨迹穿透的时间分布
在策略设计部分，作者提出了一种叫POSE（Performance transfer-based OWS）的工作者选择方案，该方案有两个组成部分：1）基于迁移学习的性能估计；2）在线工作者选择，分别对应该方案实时的两个阶段。第一个阶段，本文采用了迁移学习，根据车辆每日轨迹穿透分布的周期性，解决了VBC的“冷启动”问题，并初步收集到了一些车辆轨迹数据。其迁移算法主要包含两个步骤：
第一周：随机选择K个车辆，计算他们的每次轨迹穿透和性能，然后拟合其轨迹穿透分布；
第二周到第一阶段结束：从已选择过的车中选择所有性能高于历史平均轨迹穿透的车辆，若少于K辆，则从未被招募过的车辆中补齐。
第二阶段，本文将工作者选择问题映射为经典的多臂老虎机过程，然后根据UCB算法设计了K-greedy算法，结合在第一阶段搜集到的数据，可以解决工作者选择问题。该算法可以选择当前表现良好的车辆，同时也乐观地选择具有高不确定性的车辆，因为相应的性能有很高的概率位于已证明的置信区间内。
研究结论
本文选择了四种对比算法来对比所提出的POSE方案，分别是：
随机方案（Random）：随机选择车辆作为工作者；
动态贪心方案（Greedy）：选择历史性能最好的车辆作为工作者；
UCB-greedy方案：贪婪使用UCB算法但不考虑“冷启动”问题；
Oracle方案：理想情况下的选择方案，即知道所有车辆未来的轨迹穿透。
实验结果如图所示，证明了所提出的POSE方案优于随机、动态贪心及UCB-greedy方案。
图五 总性能对比
相关论文
Cao, X., Yang, P., Lyu, F., Han, J., Li, Y., Guo, D., & Shen, X. (2020). Trajectory penetration characterization for efficient vehicle selection in HD map crowdsourcing. IEEE Internet of Things Journal, 8(6), 4526-4539.
写在最后
我们的文章可以转载了呢~欢迎转载与转发呦
想了解更多前沿科技与资讯？
长按二维码关注我们！
欢迎点击右上方分享到朋友圈
香港中文大学（深圳）
网络通信与经济学实验室
微信号 : ncel_cuhk
