CN108765580B - 一种混合现实道路显示优化方法及存储介质 - Google Patents
一种混合现实道路显示优化方法及存储介质 Download PDFInfo
- Publication number
- CN108765580B CN108765580B CN201810484960.8A CN201810484960A CN108765580B CN 108765580 B CN108765580 B CN 108765580B CN 201810484960 A CN201810484960 A CN 201810484960A CN 108765580 B CN108765580 B CN 108765580B
- Authority
- CN
- China
- Prior art keywords
- road
- virtual
- model
- neural network
- display
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 title claims description 12
- 238000005457 optimization Methods 0.000 title description 5
- 238000002955 isolation Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims description 43
- 238000013135 deep learning Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 7
- 238000002156 mixing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000003973 paint Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 210000001525 retina Anatomy 0.000 description 2
- 230000004270 retinal projection Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/006—Mixed reality
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Processing Or Creating Images (AREA)
Abstract
一种混合现实道路显示优化方法及存储介质,其中方法包括如下步骤,对道路的拥堵情况、虚拟混合模型显示内容,虚拟混合模型显示的持续时间进行记录,分别按星期、日期、时间分类的拥堵信息统计结果,根据所述统计结果,确定不同路段的最优隔离模型显示位置的调整时段。达到自适应混合现实道路显示内容的优化显示的效果。
Description
技术领域
本发明涉及混合现实领域,尤其涉及应用混合现实的道路指示标志显示领域。
背景技术
混合现实(MR)(既包括增强现实和增强虚拟)指的是合并现实和虚拟世界而产生的新的可视化环境。在新的可视化环境里物理和数字对象共存,并实时互动。系统通常的特点有:
它结合了虚拟和现实;在现实的三维空间投射虚拟;实时运行。
混合现实(MR)的实现需要在一个能与现实世界各事物相互交互的环境中。如果一切事物都是虚拟的那就是VR的领域了。如果展现出来的虚拟信息只能简单叠加在现实事物上,那就是AR。MR的关键点就是与现实世界进行交互和信息的及时获取。
现有的路面驾驶环境中,都需要现实地拉起隔离带、建立路牌、刷车道漆等等,非常浪费资源,如果能够通过现有的计算机辅助显示技术达到对道路交通设施的虚拟显示,能够省掉一大笔物理成本,而且虚拟显示的道路指示标志即使被车辆“撞”上也不会产生损坏,提高了驾驶环境的安全性。
发明内容
为此,需要提供一种能够自适应混合现实道路显示内容的优化显示方法。
为实现上述目的,发明人提供了一种混合现实道路显示优化方法,包括如下步骤,对道路的拥堵情况、虚拟混合模型显示内容,虚拟混合模型显示的持续时间进行记录,分别按星期、日期、时间分类的拥堵信息统计结果,根据所述统计结果,确定不同路段的最优隔离模型显示位置的调整时段。
具体地,还包括步骤,构建深度学习神经网络,所述深度学习神经网络的输入层包括日期、星期、时刻、是否为节假日、道路拥堵情况,输出层包括虚拟混合模型的显示位置信息、虚拟混合模型的显示内容,用所述统计结果对神经网路进行训练,得到训练后的的深度学习神经网络;对训练后神经网络进行运用,输入时间日期、道路拥堵情况,根据神经网络的输出进行虚拟混合模型的显示。
一种混合现实道路显示优化存储介质,存储有计算机程序,所述计算机程序在被运行时执行如下步骤,对道路的拥堵情况、虚拟混合模型显示内容,虚拟混合模型显示的持续时间进行记录,分别按星期、日期、时间分类的拥堵信息统计结果,根据所述统计结果,确定不同路段的最优隔离模型显示位置的调整时段。
优选地,所述计算机程序在被运行时还执行步骤,构建深度学习神经网络,所述深度学习神经网络的输入层包括日期、星期、时刻、是否为节假日、道路拥堵情况,输出层包括虚拟混合模型的显示位置信息、虚拟混合模型的显示内容,用所述统计结果对神经网路进行训练,得到训练后的的深度学习神经网络;对训练后神经网络进行运用,输入时间日期、道路拥堵情况,根据神经网络的输出进行虚拟混合模型的显示。
区别于现有技术,上述技术方案通过设计深度学习方法,对混合现实道理上的虚拟混合模型显示的技术进行了补强,使得在样本充分的情况下,神经网络能够对给定的时间及道路拥堵情况的输入做出合适的虚拟混合模型的输出响应。
附图说明
图1为本发明具体实施方式所述的路政指示显示方法流程图;
图2为本发明具体实施方式所述的混合现实道路显示系统模块图;
图3为本发明具体实施方式所述的混合现实道路显示方法流程图;
图4为本发明具体实施方式所述的隔离模型显示方法流程图;
图5为本发明具体实施方式所述的道路显示优化方法流程图。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
请参阅图1,为本发明将要介绍的混合现实的指示显示方法示意图,该方法可以在道路交通的任意情景下使用,无论是城市道路、市外道路、高速公路等等,均可使用本方法进行路政指示信息与现实路况的混合显示。从图中我们看到,本发明方法包括如下步骤,S100建立现实空间被扫描的三维模型信息,即需要能够预先将当前所述的现实空间环境数据化,这是一般混合现实都需要完成的常规步骤,有利于后续的虚拟信息及现实信息准确混合。建立现实空间模型信息能够使得后续虚拟道路混合信息的显示能够更加的精确。但是在现有技术中少有能够在开放空间中进行混合显示的实例,这需要较大的内存,但是也并非没有办法克服,在交叉路口的应用场景下,可以将交叉路口附近一定范围内的区域作为有限空间来进行建模即可,因此,在本发明的实施例中,进行步骤,S102显示设备接收现实空间模型,接下来,本发明方法还包括步骤,S104接收虚拟道路混合信息,并加载所述虚拟道路混合信息。所述显示设备为,能够允许现实物体产生或反射的光线透过,同时能够产生虚拟的、辅助的能够被视网膜接受的光信号(无论是需要个显示屏作为介质的还是直接视网膜投射成像的)的电子设备,一般为头戴式,优选的实施例中甚至可以是借助车辆的挡风玻璃来实现等等,所述加载虚拟道路混合信息为,只需要相对人眼产生光影使得人们“觉得”某个位置确实存在一个一定形状的模型显示即可。这里不排除简单地进行虚拟模型的显示的AR技术及AR设备,其实到目前为止,AR与MR并没有一个完全定义上的区分,甚至多为不同公司之间“声称”效果的不同。在我们的方案中只需要最终达到将所述虚拟道路混合信息与现实空间模型信息混合显示的效果即可。这里的虚拟道路混合信息包括虚拟混合模型信息及坐标信息;所述虚拟混合模型信息为若干个能够发光的点,这些像素点在虚拟空间中表现为二维平面内的二维混合信息或具有一定空间结构的三维混合信息。虚拟混合模型可用于起到道路交通指示作用,如虚拟混合模型可以为路标、交通标志牌、地上的车道线、直行/转弯标志符号等二维画面。也可以为护栏、隔离带、三角锥、安全岛等三维模型。则坐标信息即这些虚拟混合模型相对于前述的现实空间模型的位置信息,可以是所有模型内光点的位置信息,也可以是不同模型内特征点的坐标信息。通过虚拟混合模型信息与现实空间模型的混合显示,包括步骤,计算虚拟混合模型与显示设备的相对位置,在相对位置显示虚拟混合模型。通过上述步骤,使得用户在道路交通情境下能够通过混合现实显示设备看到虚拟生成的道路交通指示标志,能够省却实体道路标志的成本,却提高了道路交通的安全性。另外更重要的是,当部分路段道路交通指示标志需要变换时,只需要能够在计算机上对虚拟模型进行编辑或替换显示即可,因此我们的方案还包括步骤,S106接收第一虚拟道路混合信息,接收第二虚拟道路混合信息,S108接收虚拟道路混合信息的切换显示指令,S110显示设备在收到切换显示指令后,将原本显示的第一虚拟道路混合信息替换为第二虚拟道路混合信息进行显示。如某一路口最左侧的虚拟交通行道指示为掉头车道,在需要将其变为左转车道的时候,无需再行派人进行重新刷漆,直接将该二维混合信息直接调整为显示左转车道的道路指示即可。用户很容易地通过显示设备看到新的标识,同时也省去了现有实体指示经年日久容易掉色的问题。不仅如此,所有的现有路政相关的指示牌都能够根据需要替换显示,不仅可以显示变换的红绿灯,还能够显示限时封闭的车道、禁止通行的路牌等等。
为了能够在更大的区域使用新的道路指示的混合现实显示方法,我们还设计了一种新的系统。如图2所示,这一系统包括车载端20,以及沿道路设置的中继站点22,其中沿道路设置可以在路边、路面、路基等等。所述中继站点用于存储部分路段的现实空间模型信息,还用于存储部分路段的虚拟混合模型信息。所述部分路段用于一般来说,现实空间模型信息只是为了方便车载端的显示设备200进行定位,通过显示设备在现实空间模型中定位自己的位置,虚拟混合模型也包含在现实空间模型中的坐标信息,从而通过计算坐标变换得出虚拟混合模型与显示设备的实时相对位置,来进行流畅显示即可。因此部分实施例中现实空间模型可以与虚拟混合模型打包后进行存储,在需要与显示设备进行通信的时候,如,中继站点接收到显示设备的数据请求指令后,将打包数据一并传输给车载端,也可以将现实空间模型信息与虚拟混合模型分别传输,这样在虚拟混合模型需要经常变动的场合就比较实用。通过中继站点的设计能够解决大范围空间中道路交通指示标志混合显示的需要。
在这一系统中,还包括扫描模块202,所述扫描模块用于对现实空间进行扫描,建立现实空间模型,并进行存储,扫描模块能够对现实空间模型进行采集并构建数据化信息,扫描模块可以沿道路设置,或是随中继站点搭配设置可以将扫描结果存储到中继站点中,这样的扫描结果将会有一定的局限性。在优选的实施例中,如我们的图2所示,扫描模块202设置在车载端,在车辆行驶过程中实时对路况信息进行扫描,以现实空间分为路段区块的形式构建现实空间模型,再发送到不同路段对应的中继站点22进行存储。以车载扫描模式对空间建模的技术已经较为成熟。通过移动的车辆端进行实时的区块扫描能够进一步提高道路相关区域建模的精度。
从图2中我们可以看到混合现实显示系统还包括车载端的显示设备,所述显示设备为,能够允许现实物体产生或反射的光线透过,同时能够产生虚拟的、或辅助显示的能够被视网膜接受的光信号(无论是需要个显示屏作为介质的还是直接视网膜投射成像的)的电子设备,一般为头戴式,优选的实施例中甚至可以是设计成车辆的挡风玻璃来实现等等。显示设备可以用于进行步骤接收现实空间模型,接收虚拟道路混合信息,并加载所述虚拟道路混合信息,将虚拟道路混合信息进行显示。通过上述系统,混合现实显示系统达到了虚拟化交通指示标志进行显示的效果,解决了现有技术中实体的道路护栏、隔离带等一旦撞上就车毁人亡,过于危险的问题,变为虚拟显示之后即使不小心撞了隔离栏也能够有挽回的余地,驾驶员只需要回过神来,再回打方向盘,将车开回正确的道路上即可。通过虚拟化道路交通指示标志还能够达到方便地变化指示标志,节约成本,易于更换、方便维护的技术效果。
为了更好地达到对于道路交通指示标志的管理,本系统中还包括服务器24,所述服务器包括编辑模块240、通信模块242,这里的编辑模块用于对某路段的虚拟混合模型信息进行编辑,编辑内容可以包括在该路段需要显示的模型、显示时间、以及各个模型的形状、大小、模型上显示的内容、以及模型的坐标信息等等,用户在服务器上就能够对特定路段的虚拟混合模型信息进行选择、修改、增添、删除、着色等多种对内容的编辑功能。最终,服务器将编辑好的虚拟混合模型信息通过通信模块发送到中继站点,由中继站点发送给车辆,或通过移动通信网络直接发送到车载端。则在某一具体实施例中,某路口的一车道为限时的公交专用道,在中午11时至13时、傍晚17时至19时在显示设备中显示的是黄实线,在其余时段显示为白实线。又某路段的道路交通指示标志上,在一定时间内为单行道、在其他一些时间内如节假日又为禁止机动车进入的步行街等等。均能够根据城市管理者的需要更加灵活的设置,这在以往都是需要派出警力执勤调度的,应用本系统之后就能够解决人力资源消耗的问题。
为了进一步提高混合现实显示系统的实用性,我们还能够在车辆端设计融合有,无人驾驶导航模块204,所述无人驾驶导航模块用于接收路况信息、进行处理判断、进而向车辆发出道路行驶的控制指令。以上功能根据现有技术已经能够很成熟地实现,无非是处理判断的逻辑各有不同,如谷歌公司的Google X、以及百度、UBER等公司均有成熟的无人驾驶AI。本系统的进步在于,我们的无人驾驶导航模块,能够接收虚拟混合模型信息,也作为一部分路况信息的输入,现有的路况信息一般是通过光学识别、雷达扫描等方式识别实际路况中的突发情况,进行驾驶导航,也是需要将现实中的路况的扫描结果数据化,从而进行处理判断。在我们的实施例中,车载端在接受到虚拟混合模型信息之后,将其发送给无人驾驶导航模块,无人驾驶导航模块将根据虚拟混合模型存在的位置、大小、颜色、文字等一并作为路况信息进行判断,从而向车辆发出道路行驶的控制指令。这样一来,当路上同时存在有带有显示设备的人类驾驶员以及无人驾驶车辆的时候,双方能够“看到”同样的道路情况及道路交通指示标志,进而避免由于信息差导致的交通事故的发生。
与图2中系统对应的,我们还将介绍一种混合现实道路显示方法,如图3所示,还包括步骤,S302车载端接收中继站点存储的虚拟混合模型信息或现实空间模型信息;定位车辆在现实空间模型中的位置;所述虚拟混合模型还包括虚拟混合模型在现实空间模型中的坐标信息,根据坐标信息,S304计算坐标变换得出虚拟混合模型与车辆的实时相对位置,在车辆端的显示设备中,根据相对位置显示所述虚拟混合模型。通过上述方法能够解决大范围空间中道路交通指示标志混合显示的需要,使得车辆随时随地都能够引用混合现实显示。
具体的实施例中,还可以包括步骤,车载端发送数据请求指令;中继站点接收数据请求指令,并根据请求指令返回现实空间模型信息或虚拟混合模型信息。上述步骤是为了实现中继站的存储内容与车载端之间的传输、共享,使得车辆在行驶过程中永远能够知道前方道路或所在路段的具体情况,车载端与中继站之间的通信方式可以有很多种,根据现有通信技术可以自由选择。但车载端发送数据请求指令并非必要的,如中继站点始终向外广播现实空间模型信息或虚拟混合模型信息,也能够达到同样的效果。
其他一些实施例中,还包括步骤,扫描模块对现实空间进行扫描,建立现实空间模型,将扫描结果存储到中继站点中。通过移动的车辆端进行实时的区块扫描能够进一步提高道路相关区域建模的精度。而优选的实施例中,所述建立现实空间模型可以为,在预设空间范围大小内构建现实空间模型,不同空间的现实空间模型构建完成后会被发送到对应的中继站点进行存储。
为了更好地提供不同的虚拟混合模型信息进行显示,在中继站点发送混合模型或现实空间模型前还包括S300对特定路段的虚拟混合模型信息进行编辑,包括在该路段需要显示的模型、显示时间、模型的形状、大小、模型上显示的内容、或模型的坐标信息;将编辑好的虚拟混合模型信息发送到中继站点。编辑内容可以包括在该路段需要显示的模型、显示时间、以及各个模型的形状、大小、模型上显示的内容、以及模型的坐标信息等等,用户在服务器上就能够对特定路段的虚拟混合模型信息进行选择、修改、增添、删除、着色等多种对内容的编辑功能。通过人为设计,能够更好地节省人工成本,并提高对路政设施的应急响应水平。
进一步的实施例中,还包括步骤,车载端的无人驾驶导航模块接收路况信息,根据路况信息及虚拟混合模型信息进行处理判断、无人驾驶导航模块需要将所有的虚拟混合模型信息“视为”存在的物理实体,基于此逻辑向车辆发出道路行驶的控制指令。通过将虚拟混合模型信息也作为路况信息进行处理响应,能够进一步地提高本发明方法在无人驾驶领域的适应性。
在一些更有进步意义的实例中,我们将会看到如何来通过新的虚拟混合模型来解决道路拥堵的问题。
让我们设想一个场景,某进入红绿灯路口的方向车辆已经排起了长龙,然而该道路的对向车道却空空如也,这种情景在现代都市中非常常见,路口的可通过车道数代表了该路段通流的上限,而在特定时段,进入该路段的车辆数高于离开的车辆数,自然就造成了拥堵,因此在我们的方案中,如图4所示,包括步骤,S400在检测到当前路段的路口处拥堵时,进行步骤,改变虚拟混合模型信息中隔离模型的显示位置,拓宽进入路口方向的路宽。检测是否拥堵的方法可以借鉴使用现有技术,例如通过车流量检测,通过阈值判断是否拥堵;或是接收车辆定位,当车辆定位被困在某路段的平均时间超过某阈值来判定为拥堵等,这种技术在各地图软件中用的比较多;更优选的实施例中,可以直接调用各大城市的城市监控网的数据,各路段监控中能够通过图像识别直接判断当前道路的拥堵情况。这里的隔离模型为用于分隔对向车道的二维或三维虚拟模型,如护栏、隔离墩、绿化带、双黄线等等。改变显示位置一般可以选为拓宽一个车道的位置,当然对向车道虽然是变窄了,但在等红绿灯这一方向多出了一个车道排队,能够有效降低堵车的车龙长度,在能够进入路口时允许多一条队伍同时进入路口,也能够增加该路段的通流上限,从而有效缓解当前路段的拥堵问题。
新的方法中通过改变虚拟的隔离模型的显示位置来进行路政管理,但是如果变化的太突然可能会导致驾驶事故的发生,为了避免这种问题可以进行的一手段就是可以与交通信号灯联动,在其他车道的直行、左转车辆都被交通信号灯限制无法进入本路段的时候进行隔离模型显示位置的变化,其实这样会带来的问题是没法限制在变化显示位置时右转车辆进入该路口,因此还可以进行步骤,进行虚拟警示标志显示,提示对向需要变化的车道中车辆进行避让,还可以进行检测步骤,检测可能变动的车道内是否有车辆,这里检测可能变动的车道包括一定宽度的车道,还包括一定长度内的限制。即可以将100米长的路段分为10段,可能变动的车道为单车道宽度,则每次检测单车道10米长的预设路段中是否有车辆,如果没有,才进行步骤,改变该10米长的路道段的隔离模型显示位置,使得进入路口向的车道数变多。或者在道路不拥堵的时候逆操作改变隔离模型的显示位置,使得进入路口的车道数变少。再检测下一10米的路道段,重复上述步骤直到所有预设路段中的隔离模型都能够得到显示位置的改变。
因此,在综合性更强的实施例中,我们的方案包括如图5所示的步骤,S500对不同道路的拥堵情况、虚拟混合模型显示内容进行记录,具体包括拥堵开始的时间及拥堵结束的时间,虚拟混合模型显示不同内容的持续时间,分别按星期、日期、时间分类的拥堵信息统计结果,根据所述拥堵信息统计结果,确定不同路段的最优隔离模型显示位置的调整时段。在普通的实施例中,可以对所述统计结果进行分析,例如对不同路段中拥堵开始的时间及结束时间采用均值来确定最优调整时段,从而在拥堵时段中改变隔离模型的显示位置,从而来拓宽路面等。具体的其他一些实施例中,还进行步骤S502构建深度学习神经网络,所述深度学习神经网络的输入层包括日期、星期、时刻、是否为节假日、道路拥堵状况,输出层包括虚拟混合模型的显示位置信息、虚拟混合模型的显示内容可以根据所述统计结果进行训练,最终能够得到根据时间及道路状况自动调整虚拟混合显示内容的训练后的深度学习神经网络。S504对训练后的深度学习神经网络进行运用,在每个预设时刻均收集当前的时间日期、道路拥堵状况,作为新的输入,神经网络便能够得到最优化的预设时刻需要显示的虚拟混合模型信息作为输出。例如当前为周四下午17时,非节假日,以及连同当前道路拥堵状况输入到训练后的神经网络中,根据训练结果就能够获得当前路面显示内容的输出,但是一般来说,每个路段都训练一个独立的深度学习神经网络效果为佳。当然在应用神经网络进行处理的可以不仅限于隔离模型显示的范畴,所有虚拟混合模型的显示、变化,均可以通过神经网络来完成。通过上述方案解决了智能化优化虚拟混合模型显示的问题。
一种混合现实道路显示优化存储介质,存储有计算机程序,所述计算机程序在被运行时执行如下步骤,对道路的拥堵情况、虚拟混合模型显示内容,虚拟混合模型显示的持续时间进行记录,分别按星期、日期、时间分类的拥堵信息统计结果,根据所述统计结果,确定不同路段的最优隔离模型显示位置的调整时段。
优选地,所述计算机程序在被运行时还执行步骤,构建深度学习神经网络,所述深度学习神经网络的输入层包括日期、星期、时刻、是否为节假日、道路拥堵情况,输出层包括虚拟混合模型的显示位置信息、虚拟混合模型的显示内容,用所述统计结果对神经网路进行训练,得到训练后的的深度学习神经网络;对训练后神经网络进行运用,输入时间日期、道路拥堵情况,根据神经网络的输出进行虚拟混合模型的显示。
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、物品或者终端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、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括……”或“包含……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外,在本文中,“大于”、“小于”、“超过”等理解为不包括本数;“以上”、“以下”、“以内”等理解为包括本数。
本领域内的技术人员应明白,上述各实施例可提供为方法、装置、或计算机程序产品。这些实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。上述各实施例涉及的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机设备可读取的存储介质中,用于执行上述各实施例方法所述的全部或部分步骤。所述计算机设备,包括但不限于:个人计算机、服务器、通用计算机、专用计算机、网络设备、嵌入式设备、可编程设备、智能移动终端、智能家居设备、穿戴式智能设备、车载智能设备等;所述的存储介质,包括但不限于:RAM、ROM、磁碟、磁带、光盘、闪存、U盘、移动硬盘、存储卡、记忆棒、网络服务器存储、网络云存储等。
上述各实施例是参照根据实施例所述的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到计算机设备的处理器以产生一个机器,使得通过计算机设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机设备以特定方式工作的计算机设备可读存储器中,使得存储在该计算机设备可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机设备上,使得在计算机设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已经对上述各实施例进行了描述,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改,所以以上所述仅为本发明的实施例,并非因此限制本发明的专利保护范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围之内。
Claims (2)
1.一种混合现实道路显示优化方法,其特征在于,包括如下步骤,对道路的拥堵情况、虚拟混合模型显示内容,虚拟混合模型显示的持续时间进行记录,分别按星期、日期、时间分类的拥堵信息统计结果,
所述虚拟混合模型根据如下方式进行调整,在检测到当前路段的路口处拥堵时,改变虚拟混合模型信息中隔离模型的显示位置,拓宽进入路口方向的路宽,将即将变动的路段分为若干等长的路道段,按顺序判断不同路道段中是否有车辆,当判断为否时改变所述路道段对应的隔离模型显示位置,
根据所述统计结果,确定不同路段的最优隔离模型显示位置的调整时段;具体包括步骤,构建深度学习神经网络,所述深度学习神经网络的输入层包括日期、星期、时刻、是否为节假日、道路拥堵情况,输出层包括虚拟混合模型的显示位置信息、虚拟混合模型的显示内容,用所述统计结果对神经网络进行训练,得到训练后的的深度学习神经网络;对训练后神经网络进行运用,输入时间日期、道路拥堵情况,根据神经网络的输出进行虚拟混合模型的显示;对每个当前路段训练一个独立的深度学习神经网络,对训练后的深度学习神经网络进行运用,在每个预设时刻均收集当前的时间日期、道路拥堵状况,作为新的输入,神经网络输出最优化的预设时刻需要显示的虚拟混合模型信息。
2.一种混合现实道路显示优化存储介质,其特征在于,存储有计算机程序,所述计算机程序在被运行时执行如下步骤,对道路的拥堵情况、虚拟混合模型显示内容,虚拟混合模型显示的持续时间进行记录,分别按星期、日期、时间分类的拥堵信息统计结果,
所述虚拟混合模型根据如下方式调整,在检测到当前路段的路口处拥堵时,改变虚拟混合模型信息中隔离模型的显示位置,拓宽进入路口方向的路宽,将即将变动的路段分为若干等长的路道段,按顺序判断不同路道段中是否有车辆,当判断为否时改变所述路道段对应的隔离模型显示位置;
根据所述统计结果,确定不同路段的最优隔离模型显示位置的调整时段,具体包括,构建深度学习神经网络,所述深度学习神经网络的输入层包括日期、星期、时刻、是否为节假日、道路拥堵情况,输出层包括虚拟混合模型的显示位置信息、虚拟混合模型的显示内容,用所述统计结果对神经网络进行训练,得到训练后的的深度学习神经网络;对训练后神经网络进行运用,输入时间日期、道路拥堵情况,根据神经网络的输出进行虚拟混合模型的显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810484960.8A CN108765580B (zh) | 2018-05-20 | 2018-05-20 | 一种混合现实道路显示优化方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810484960.8A CN108765580B (zh) | 2018-05-20 | 2018-05-20 | 一种混合现实道路显示优化方法及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108765580A CN108765580A (zh) | 2018-11-06 |
CN108765580B true CN108765580B (zh) | 2024-03-01 |
Family
ID=64007158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810484960.8A Active CN108765580B (zh) | 2018-05-20 | 2018-05-20 | 一种混合现实道路显示优化方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765580B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007179348A (ja) * | 2005-12-28 | 2007-07-12 | Xanavi Informatics Corp | 交通状況予測方法およびその装置ならびにプログラム |
CN101673463A (zh) * | 2009-09-17 | 2010-03-17 | 北京世纪高通科技有限公司 | 一种基于时间序列的交通信息预测方法及装置 |
CN104933882A (zh) * | 2015-05-20 | 2015-09-23 | 浙江吉利汽车研究院有限公司 | 一种交通路口驾驶辅助方法及系统 |
CN106652437A (zh) * | 2017-03-05 | 2017-05-10 | 赵莉莉 | 智能交通全面实时指挥管控系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10048688B2 (en) * | 2016-06-24 | 2018-08-14 | Qualcomm Incorporated | Dynamic lane definition |
-
2018
- 2018-05-20 CN CN201810484960.8A patent/CN108765580B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007179348A (ja) * | 2005-12-28 | 2007-07-12 | Xanavi Informatics Corp | 交通状況予測方法およびその装置ならびにプログラム |
CN101673463A (zh) * | 2009-09-17 | 2010-03-17 | 北京世纪高通科技有限公司 | 一种基于时间序列的交通信息预测方法及装置 |
CN104933882A (zh) * | 2015-05-20 | 2015-09-23 | 浙江吉利汽车研究院有限公司 | 一种交通路口驾驶辅助方法及系统 |
CN106652437A (zh) * | 2017-03-05 | 2017-05-10 | 赵莉莉 | 智能交通全面实时指挥管控系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108765580A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520635B (zh) | 一种混合现实道路显示系统 | |
US11640174B2 (en) | Smart vehicle | |
US11840239B2 (en) | Multiple exposure event determination | |
CN107643073B (zh) | 后部摄像机路口检测 | |
CN108665556B (zh) | 一种基于混合现实的路政指示显示方法及存储介质 | |
DE102005053461B4 (de) | Verfahren und Vorrichtung zur Verkehrssteuerung | |
US20180031384A1 (en) | Augmented road line detection and display system | |
DE102017100199A1 (de) | FUßGÄNGERERKENNUNG MIT AUFFÄLLIGKEITSKARTEN | |
DE112014006919T5 (de) | Fahrzeugprojektions-Steuersystem und Verfahren zum Steuern von Bildprojektion | |
CN108711298B (zh) | 一种混合现实道路显示方法 | |
DE102021124913A1 (de) | Metrik-backpropagation für die beurteilung der leistung von untersystemen | |
CN110675476A (zh) | 一种直观传达自动驾驶场景定义的方法和装置 | |
DE102021132082A1 (de) | Ende-zu-ende-system-training unter verwendung vereinigter bilder | |
CN114492022A (zh) | 路况传感数据处理方法、装置、设备、程序以及存储介质 | |
EP2913239A1 (en) | Method and unit for managing following space | |
CN110782653A (zh) | 一种道路信息采集方法和系统 | |
DE112017008214T5 (de) | Shuttle-Routenplanungssystem | |
CN108648480B (zh) | 一种基于混合现实的道路隔离模型显示方法及存储介质 | |
CN112418081B (zh) | 一种空地联合快速勘察交通事故的方法及系统 | |
CN116457800A (zh) | 用于自动驾驶车辆中的地图变化检测的架构 | |
CN116597690B (zh) | 智能网联汽车的高速公路测试场景生成方法、设备及介质 | |
EP4273501A1 (en) | Method, apparatus, and computer program product for map data generation from probe data imagery | |
CN108765580B (zh) | 一种混合现实道路显示优化方法及存储介质 | |
EP1489552A1 (de) | Verfahren und Vorrichtung zur Verbesserung der Erkennung und/oder Wiedererkennung von Objekten in der Bildverarbeitung | |
DE102021119871B4 (de) | Verfahren und Prozessorschaltung zum Betreiben einer automatisierten Fahrfunktion mit Objektklassifikator in einem Kraftfahrzeug, sowie Kraftfahrzeug |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |