CN109141422A - 一种基于路边单元机器学习的车辆定位方法及系统 - Google Patents

Abstract

本发明公开了一种基于路边单元机器学习的车辆定位方法及系统，该方法包括：车辆向RSUb发送交通信息；机器学习系统采集RSUb接收的车辆发送的交通信息；并依次预测车辆在经过RSUa后的第一个路口的转向、将要经过的RSUc及RSUa至RSUc之间的行驶轨迹。该系统包括：发送模块及机器学习系统。因此，本发明实施例提供的基于机器学习的车辆定位方法及系统，通过路边单元与车辆之间的配合收集实时交通信息并上传至数据库，并利用机器学习系统基于历史交通信息来分析处理接收到的实时数据，实现目标车辆的交通状态的动态预测，进而实现对处于通信盲区的目标车辆的动态定位，在不同的车流量密度条件下，能够明显地提高数据投递率，保证消息的及时传递，并且减少控制开销。

Description

一种基于路边单元机器学习的车辆定位方法及系统

技术领域

本发明车联网技术领域，尤其涉及一种基于路边单元机器学习的车辆定位方法及系统。

背景技术

车联网系统通过利用传感技术、网络技术、计算技术、控制技术、智能技术，对道路和交通进行全面感知，实现对每一辆汽车进行交通全程控制，对每一条道路进行交通全时空控制，以提供交通效率和交通安全为主的网络与应用。

在实际的车联网设施部署中，由于受到成本、路况等多方面因素的影响，RSU的覆盖率不可能达到100％，因此会有车辆处于通信盲区。现有的处于盲区的车辆定位的技术主要包括两大类：(1)基于GPS的动态车辆定位；(2)GPS-free动态车辆位置预测。大多数路由方案采用第一种方法。

然而，GPS信息并不能随时随地可以获取，尤其是在一些屏蔽区域；另外，GPS的使用可能引发一些信息安全问题，比如消息泄露、个人隐私侵犯等；并且，GPS传感器是一种能量消耗设备，有时用户可能为了减少电量消耗而将其关掉，比如移动手机作为GPS设备使用时为了避免使用GPS定位带来的隐患，从而使得现有的定位技术对处于盲区的车辆无法实现准确定位。

发明内容

本发明实施例提供了一种基于机器学习的车辆定位方法及系统，解决了现有技术中盲区车辆无法定位的问题。

一方面，本发明实施例提供的基于机器学习的车辆定位方法，包括：S1，车辆向RSUb发送交通信息，所述交通信息包括RSUa的标识、所述车辆的车道、所述车辆的车速、所述车辆的行驶方向、所述车辆在所述RSUa的出口标识和/或所述车辆在所述RSUa与所述RSUb之间的行驶轨迹，其中，所述车辆当前状态为经过所述RSUa，且向所述RSUb行驶；S2，机器学习系统采集所述RSUb接收的所述车辆发送的交通信息；S3，根据所述交通信息及预存的训练样本数据库预测所述车辆在经过所述RSUa后的第一个路口的转向；S4，所述机器学习系统根据所述交通信息及所述S1的预测结果确定所述车辆将要经过的RSUc；S5，所述机器学习系统根据所述交通信息、所述S1及所述S2的预测结果确定所述车辆在所述RSUa至所述RSUc之间的行驶轨迹，并将所述行驶轨迹发送至所述RSUc及所述车辆。

另一方面，本发明实施例提供的基于机器学习的车辆定位系统，包括：发送模块，用于向RSUb发送车辆的交通信息，所述交通信息包括所述车辆经过的RSUa的标识、所述车辆的车道、所述车辆的车速、所述车辆的行驶方向、所述车辆的在所述RSUa的出口标识和/或所述车辆在所述RSUb与所述RSUa之间的行驶轨迹；其中，所述车辆经过所述RSUa，且向所述RSUb行驶；机器学习系统，所述机器学习系统包括数据采集模块、交通预测模块及数据传输模块，其中，所述数据采集模块，用于采集保存在所述RSUb中的由所述车辆发送的交通信息，并向交通预测模块发送，所述交通预测模块，所述交通预测模块包括ML1、ML2及ML3；其中，所述ML1用于根据所述交通信息及预存的训练样本预测所述车辆在经过所述RSUa后的第一个路口的转向；所述ML2用于根据所述交通信息及所述ML1的预测结果确定所述车辆将要经过的下一个RSUc；所述ML3用于根据所述交通信息、所述ML1的预测结果及所述ML2的预测结果，确定所述车辆在所述RSUa至所述RSUc之间的行驶轨迹；所述数据传输模块用于将所述行驶轨迹发送至所述RSUc及所述车辆。

综上，本发明实施例提供的基于机器学习的车辆定位方法及系统，通过在路边单元设置的机器学习系统，并在该机器学习系统内的数据库中存储有不断更新的历史交通信息。从而可以在预测过程中，通过路边单元与车辆之间的配合收集实时交通信息并上传至数据库，并利用机器学习系统基于历史交通信息来分析处理接收到的实时数据，实现目标车辆的交通状态的动态预测，进而实现对处于通信盲区的目标车辆的动态定位，从而为数据传输提供动态路由决策。在不同的车流量密度条件下，能够明显地提高数据投递率，保证消息的及时传递，并且减少控制开销。

附图说明

图1为本发明实施例提供的基于路边单元机器学习的车辆定位方法的流程示意图。

图2为本发明实施例提供的基于路边单元机器学习的车辆定位系统的结构示意图。

图3为本发明另一实施例提供的基于路边单元机器学习的车辆定位方法的框架示意图。

图4为本发明另一实施例提供的基于路边单元机器学习的车辆定位方法的框架示意图。

图5为本发明另一实施例提供的基于路边单元机器学习的车辆定位系统的结构示意图。

具体实施方式

下面结合本发明中的附图，对本发明实施例的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

应理解，车联网不同于普通的移动自组网，其中的节点为道路上行驶的车辆，虽然各个车辆的速度不同且不是恒定不变的，但是由于受到道路拓扑的限制，各个节点的运动轨迹是有规律可循的，同时受到周围环境的影响，行驶状态的变化也是可以研究和预测的。伴随着各个节点的移动与运行状态的变化，不断产生的大量交通信息是智能交通系统宝贵的资源，充分挖掘利用这些交通信息的潜在价值，可以使我们的交通更加安全、舒适、便捷，给人们带来更好的出行和生活体验。

还应理解，本发明实施例提供的基于机器学习的车辆定位系统中，每一个路边单元都内嵌一个专门设计的机器学习系统，该机器学习系统内的数据库中存储有不断更新的历史交通信息，即训练样本数据库。行驶的车辆上安装有发送交通信息的车载单元。在行驶的车辆中，通过车辆上安装的车载单元，与RSU实现信息的交互及采集。

在实际预测过程中，通过路边单元与车辆之间的配合收集实时交通信息并上传至数据库，机器学习系统则基于历史交通信息来分析处理接收到的实时数据，最终实现目标车辆的位置预测。

为了便于理解和说明，下面通过图1至图4详细阐述本发明施例提供的基于路边单元机器学习的车辆定位方法及系统。

应理解，为了更好地泛化测试样本，机器学习系统需要一个预先的训练过程。在训练过程中，收集感兴趣的信息组成训练数据集，然后，经过必要的数据预处理之后，将训练数据作为输入来训练机器学习系统。即通过提前收集数据，生成一个训练样本的数据库。

还应理解，在训练阶段，数据收集由RSU以及行驶在RSU之间的车辆相互配合共同完成。例如，某车辆如果刚刚离开RSUa覆盖范围内的一辆车正在驶入RSUb的覆盖范围，该车会将其交通信息传输给RSUb。根据收到的信息，RSUb能够获知该车辆刚刚离开的是哪一个RSU，然后将收到的交通信息传输给RSUa。由RSU收集的交通信息构成了训练集数据，在测试阶段机器学习系统将会从中提取相应的数据。用来训练机器学习系统的车辆交通特征包括：车道L(lane)、车速V(velocity)、行驶方向D(driving direction)、RSUa的出口E(exit)、离开RSUa之后在第一个十字路口的转向T(turning direction)以及从RSUa的出口E到RSUb的行驶轨迹path。

完成训练阶段后，机器学习系统可以根据训练阶段的数据执行车辆行驶的预测。通过以上ML1和ML2两步的配合完成目的车辆的位置预测，虽然此方法不能准确获知目的车辆的位置，但是可以准确确定目的车辆正行驶在哪条道路，以及接下来的行驶动向，这对于确定数据传输路径具有重要的参考价值。

具体的，该方法可以包括：

S1，车辆向RSUb发送交通信息，该交通信息包括RSUa的标识、该车辆的车道、该车辆的车速、该车辆的行驶方向、该车辆在该RSUa的出口标识及RSUb之间的行驶轨迹，其中，该车辆经过该RSUa，且向该RSUb行驶。

S2，机器学习系统采集该RSUa接收的该车辆发送的交通信息，并根据该交通信息及预存的训练样本数据库预测该车辆在经过该RSUa后的第一个路口的转向。

S3，该机器学习系统根据该交通信息及该S1的预测结果确定该车辆将要经过的RSUc。

S4，该机器学习系统根据该交通信息、该S1及该S2的预测结果确定该车辆在该RSUb至该RSUc之间的行驶轨迹，并将该行驶轨迹发送至该RSUc。

具体的，在测试阶段，同样的，当某车辆离开RSUa覆盖范围内的正在驶入RSUb的覆盖范围。则机器学习系统可以提取车辆上传到RSUb相应的数据，如：车道L(lane)、车速V(velocity)、行驶方向D(driving direction)、RSUa的出口E(exit)以及从RSUa的出口E到RSUb的行驶轨迹path。实现车辆行驶的预测。

如图2所示，路边单元机器学习系统主要包括数据采集模块及交通预测模块两部分。数据采集模块通过不断接收上传至路边单元(RSU)的实时交通信息实现对训练集的更新维护，并负责在将需要的特征数据送入对应的算法之前对数据进行预处理。交通预测主要由机器学习子系统ML1、ML2和ML3三部分组成，分别负责预测目的车辆在十字路口的转向，目的车辆将要进入的下一个RSU，以及目的车辆的行驶路径。

车辆转向预测通过机器学习系统的第一部分ML1(Machine Learning 1)来完成。可选的，如图3所示，可以通过选择KNN(K-NearestNeighbor)算法来预测目的车辆在从RSUa的六个出口之一离开之后到达下一个十字路口后的转向。

在此动态预测过程中。首先，目的车辆将自己的实时交通信息上传至RSUb，经过特征选择，数据库中与目的车辆的转向相关联的训练样本和刚刚上传的实时数据将会一起被传输至RSUb中的ML1。当车辆接近十字路口时，很多因素都会或多或少地影响其转向，在众多影响因素中，本设计选择三个起主要作用的变量：车道L、车速V和行驶方向D，以此来预测输出应属于的类别。正常行驶的车辆在路口的转向有三种情况，即直行、左转和右转，ML1的输出应为其中之一。

基于KNN算法的ML1预测过程描述如下：

1)机器学习系统根据所述车辆的车道、所述车辆的车速及所述车辆的行驶方向，为每一个车辆建立一个用于预测路口转向的数据向量。

2)然后计算测试车辆与训练样本车辆之间的数据向量的相似度，例如可以通过计算数据向量之间的欧氏距离来确定。应理解，该相似度可以理解为目的车辆(测试样本)与训练样本之间的距离。

3)按照距离由近到远的顺序对训练样本进行排序。

4)选取排序中的前K个训练样本，也就是距离最近、相似度最大的K个样本。

5)确定这K个样本所属类别(直行、右转或左转)及每个类别出现的概率。

6)K个样本中出现最多的类别就是测试样本所属的类别，也即目的车辆在十字路口的转向。

进一步，本发明实施例提供的动态车辆位置预测方法需要做的是在所确定的十字路口的转向的基础上，基于训练集数据，预测目的车辆接下来将会驶入的每一个潜在RSU，并根据每一个潜在RSU的可能性大小，确定目的路边单元RSUc。

该部分预测由机器学习系统的第二部分ML2来完成。ML1的预测结果将会和上传至RSU1的必要交通数据融合在一起来预测目的车辆接下来将会驶入哪个RSU的覆盖范围内。由于受到道路拓扑结构的限制，目的车辆离开RSUa时的出口以及之后在十字路口的转向，对其接下来可能驶入的路边单元具有约束作用。ML2的输入数据包括上一个RSU(RSUa)、上一个RSUa的出口E和预测出的转向T，输出将会是一个包含所有可能的RSU及其各自对应概率大小的列表。

目的车辆位置预测完成之后接下来需要进行的是预测车辆的行驶路径，从而确定数据传输的路径。基于以上ML1和ML2得出的预测结果，RSU1中的机器学习系统的第三部分ML3(Machine Learning 3)来实现这一过程。在训练阶段，车辆的行驶轨迹已经被收集到训练集中，因此，如果提供相关交通信息，数据库将会提供匹配的路径。通过向ML3输入RSUc的出口(E＝3)、上一个RSU、预测出的转向(T＝直行)以及预测出的下一个RSU(RSUn＝RSU2)，来产生从RSU1的3出口到RSU2的行驶轨迹。将最终预测结果输出到RSUd之后，基于KNN的机器学习系统就完成了数据传输过程中一次完整的动态预测任务。接下来，根据预测出的行驶路径，采用双向传输模式将数据包传输给目的车辆。

具体的，数据传输系统将会首先选择具有最大可能性的RSU作为RSUc来转发数据，如果经过一定时间阈值目的车辆没有收到数据包，系统将会选择具有次最大可能性的RSU来转发数据，以此类推。假定由ML1预测出的十字路口转向为直行，那么，目的车辆最可能驶入的下一个RSU为RSU2。然而，并不是道路上行驶的所有车辆都会遵守交通规则，尤其是在一些紧急情况下，可能出现逆行、突然超车、半路掉头等异常情况，因此可能会出现一些极少的看起来违反常规的结果，例如本例表1中的预测列表中的RSU1。

表1目的路边单元(RSU)预测结果

通过以上ML1和ML2两步的配合完成目的车辆的位置预测，虽然此方法不能准确获知目的车辆的位置，但是可以准确确定目的车辆正行驶在哪条道路，以及接下来的行驶动向，这对于确定数据传输路径具有重要的参考价值。

本设计中的路边单元机器学习系统首先作为一种动态车辆位置预测方法来获取目的车辆的位置信息，然后预测目的车辆的行驶路径，进而规划数据传输路径，从而解决了向处于盲区的车辆发送数据包的问题。表2中给出了在训练过程中车辆与RSU之间数据交互情况，以及预测过程中每一阶段所用到的输入输出变量。

表2机器学习系统数据交互

如图5所示，本发明实施例提供的基于机器学习的车辆定位系统，可以包括生成模块、发送模块及机器学习系统。该机器学习系统可以包括数据采集模块、交通预测模块及数据传输模块，该交通预测模块可以包括ML1、ML2及ML3。该ML1包括第一预测子单元、第二预测子单元、第三预测子单元、第四预测子单元、第五预测子单元及第六预测子单元。

应理解，该系统中的发送模块可以为安装在行驶车辆上的车载单元。还应理解，上述模块中的功能及实现方法已经在上述方法实施例中详细解释，在此不再赘述。

还应理解，本发明实施例中的车载单元及路边单元还涉及存储器，用于存储上述实施方式实现过程涉及的计算机程序。

综上，本发明实施例提供的基于机器学习的车辆定位方法及系统，通过在路边单元设置的机器学习系统，并在该机器学习系统内的数据库中存储有不断更新的历史交通信息。从而可以在预测过程中，通过路边单元与车辆之间的配合收集实时交通信息并上传至数据库，并利用机器学习系统基于历史交通信息来分析处理接收到的实时数据，实现目标车辆的交通状态的动态预测，进而实现对处于通信盲区的目标车辆的动态定位，从而为数据传输提供动态路由决策。在不同的车流量密度条件下，能够明显地提高数据投递率，保证消息的及时传递，并且减少控制开销。

以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (6)

1.一种基于路边单元机器学习的车辆定位方法，其特征在于，包括：

S1，车辆向RSUb发送交通信息，所述交通信息包括RSUa的标识、所述车辆的车道、所述车辆的车速、所述车辆的行驶方向、所述车辆在所述RSUa的出口标识和/或所述车辆在所述RSUa与所述RSUb之间的行驶轨迹，其中，所述车辆经过所述RSUa，且向所述RSUb行驶；

S2，机器学习系统采集所述RSUb接收的所述车辆发送的交通信息；

S3，机器学习系统根据所述交通信息及预存的训练样本数据库预测所述车辆在经过所述RSUa后的第一个路口的转向；

S4，所述机器学习系统根据所述交通信息及所述S3的预测结果确定所述车辆将要经过的下一个RSUc；

S5，所述机器学习系统根据所述交通信息、所述S3及所述S4的预测结果确定所述车辆在所述RSUa至所述RSUc之间的行驶轨迹，并将所述行驶轨迹发送至所述RSUc及所述车辆。

2.根据权利要求1所述的基于路边单元机器学习的车辆定位方法，其特征在于，在所述S1之前还包括：

S01，机器学习系统生成训练样本数据库。

3.根据权利要求1所述的基于路边单元机器学习的车辆定位方法，其特征在于，所述根据所述交通信息及预存的训练样本数据库预测所述车辆在经过所述RSUa后的第一个路口的转向包括：

S21，所述机器学习系统根据所述车辆的车道、所述车辆的车速及所述车辆的行驶方向建立所述车辆的数据向量，所述数据向量用于预测所述车辆的路口转向；

S22，机器学习系统计算所述车辆的数据向量与所述训练样本车辆的数据向量的相似度；

S23，根据所述相似度排序多个所述训练样本；

S24，选取靠近所述车辆的K个训练样本；

S25，确定所述K个训练样本的所属类别，并统计每个所述类别的概率，所述类别包括直行、左转和/或右转；

S26，所述K个样本中概率最大的所述类别确定为所述车辆在经过所述RSUa后的第一个路口的转向。

4.一种基于路边单元机器学习的车辆定位系统，其特征在于，包括：

发送模块，用于向RSUb发送车辆的交通信息，所述交通信息包括所述车辆经过的RSUa的标识、所述车辆的车道、所述车辆的车速、所述车辆的行驶方向、所述车辆的在所述RSUa的出口标识和/或所述车辆在所述RSUb与所述RSUa之间的行驶轨迹；其中，所述车辆经过所述RSUa，且向所述RSUb行驶；

机器学习系统，所述机器学习系统包括数据采集模块、交通预测模块及数据传输模块，其中，

所述数据采集模块，用于采集保存在所述RSUb中的由所述车辆发送的交通信息，并向所述交通预测模块发送；

所述交通预测模块包括ML1、ML2及ML3；其中，

所述ML1用于根据所述交通信息及预存的训练样本预测所述车辆在经过所述RSUa后的第一个路口的转向；

所述ML2用于根据所述交通信息及所述ML1的预测结果确定所述车辆将要经过的下一个RSUc；

所述ML3用于根据所述交通信息、所述ML1的预测结果及所述ML2的预测结果，确定所述车辆在所述RSUa至所述RSUc之间的行驶轨迹；

所述数据传输模块用于将所述行驶轨迹发送至所述RSUc及所述车辆。

5.根据权利要求4所述的基于路边单元机器学习的车辆定位系统，其特征在于，还包括生成模块，所述生成模块用于生成训练样本数据库。

6.根据权利要求4所述的基于路边单元机器学习的车辆定位系统，其特征在于，所述ML1包括：

第一预测子单元，用于根据所述车辆的车道、所述车辆的车速及所述车辆的行驶方向建立所述车辆的数据向量，所述数据向量用于预测所述车辆的路口转向；

第二预测子单元，用于计算所述车辆的数据向量与所述训练样本车辆的数据向量的相似度；

第三预测子单元，用于根据所述相似度排序多个所述训练样本；

第四预测子单元，用于选取靠近所述车辆的K个训练样本；

第五预测子单元，用于确定所述K个训练样本的所属类别，并统计每个所述类别的概率，所述类别包括直行、左转和/或右转；

第六预测子单元，用于根据所述K个样本中概率最大的所述类别确定为所述车辆在经过所述RSUa后的第一个路口的转向。