CN109345853A - 一种基于gis的无人车安全驾驶优化方法 - Google Patents

Abstract

一种基于GIS的无人车安全驾驶优化方法，包括以下步骤：1)～2)、采集基本数据建立三维模型；3)对无人驾驶车辆进行定位，采集车辆基本信息；4)、通过GeoEvent采集车辆周围实时数据；5)、利用现有无人驾驶车载设备采集车辆周围数据；6)、利用采集到的实时数据，进行数据分析，计算出交通拥堵指数；7)～8)、将计算结果发送至无人驾驶车辆，车辆将接收数据与自身行驶数据对比做出相应正确的操作，实现安全驾驶的目的。本发明提供一种基于GIS的优化无人车驾驶车辆安全驾驶的方法，该方法可有效的扩大无人车的数据采集范围，为无人车提供更多的数据支持，获得更实用的计算结果，提高无人车的安全驾驶系数。

Description

一种基于GIS的无人车安全驾驶优化方法

技术领域

本发明涉及一种地理信息数据处理、计算机应用领域、GPS全球定位、实时数据分析，尤其涉及一种基于GIS的无人车安全驾驶优化方法。

背景技术

随着互联网技术、大数据的发展与人工智能的兴起，给汽车工业带来了革命性的变化。无人驾驶车辆的诞生，或许将改变大众未来的生活方式。对于无人驾驶车辆来讲，人们最关心的自然是安全问题，无人驾驶车辆的安全需要大量的数据做支撑，通过数据分析做出正确的判断，最终引导车辆执行准确而又安全的操作。

无人驾驶是指在车辆上安装车载智能设备，包括雷达、传感器、GPS、摄像头等。借助于车载设备的辅助，在车辆行使过程中，通过设备获取车辆周围实时的路况信息，将信息上传至计算机，计算机将上传的信息经过分析处理后做出准确预判，最后控制车辆完成安全行驶的目的。

现阶段无人驾驶技术正在不断的进步与完善中，但它的缺陷还是存在的，比如：对无人驾驶车辆来讲，安全性是第一的，所以无人驾驶技术对车载设备的要求很高，需要车载设备能够尽可能多的、精确的、获取范围更大的有效数据，以保证车辆的行驶中的安全性。但就目前的技术来讲，雷达可监测的范围有限，而且易受干扰；传感器性能要求高，种类多，一旦出现故障，缺乏可替代设备，这将会直接影响计算机对路况的判断，致使车辆失控；而GPS全球定位系统的主要功能是对车辆进行定位，在数据分析方面功能欠缺，比如对路况的实时分析，对周围建筑的建模。所以说，现有的无人驾驶车载设备在数据采集方面还存在着一定的缺陷，采集的数据量有限，难以支撑无人驾驶车辆做出更加精确的判断。

发明内容

为了弥补现有无人驾驶技术的不足，本发明提供了一种借助于GIS的三维建模、空间数据分析技术，扩大原有无人驾驶技术数据采集范围，并结合原有的无人驾驶车载系统采集数据并进行数据分析，最终实现安全驾驶的方法。

本发明解决其技术问题所采用的技术方案是：

一种基于GIS的优化无人车安全驾驶的方法，包括以下步骤：

1)、数据采集：采集城市的建筑数据、道路与交通数据、路障与路牌数据、路口人流量数据和红绿灯数据；

2)、三维建模：在ArcGISPro中引入底图，导入城市建筑数据、道路与交通数据、路障、路牌数据，用导入的城市数据建立三维可视化模型，以供车载设备显示以及后台服务器进行数据分析使用；

3)、车辆实时定位：利用GPS全球定位技术获取当前无人驾驶车辆的位置信息，包括车辆的行驶路段名称、行驶车道信息、车辆的具体坐标点、车辆的行驶方向和行驶速度；

4)、GeoEvent获取车辆周围实时数据：将ArcGIS Enterprise与GeoEventServer连接，创建连接器以从数据流接收和解译实时数据，以无人驾驶车辆位置为圆心，R₁为半径的圆范围内的实时数据，其中获取的数据包括以下方面：A)无人驾驶车辆周围车辆的坐标位置，移动方向，行驶速度，与无人驾驶车辆的相对距离；B)对道路两侧的建筑信息，路标路障信息进行分析；C)当路口包含在范围内时，分析道路及路口的人流量信息、车流量信息、路口的交通信号信息，包括红绿灯信息和路口拥堵信息；D)前方道路是否有交通事故信息，雨水天气下的路面积水与积雪信息；E)获取前方道路的信息，道路坡度信息；F)获取前方道路的公交站点及人行道信息；G)获取道路上路段的限速信息、前方路段各车道信息；H)车辆后方是否有超速行驶车辆信息；

5)、车辆雷达获取周围实时数据：利用无人驾驶车辆的雷达、摄像头、传感器等系统获取以无人驾驶车辆位置为圆心，R₂为半径的圆范围内的实时数据，其中R₂＜R₁，取无人驾驶车辆自身的行驶数据、周围车辆的行驶数据、周围行人及路障的数据、路况信息，收集的数据进行汇总，上传至服务器；

6)、实时数据分析：利用GeoEvent Services的过滤器和处理器筛选和分析4)中获取的实时数据流，将筛选后的数据与5)中收集的实时数据信息每隔T时间段进行分析，计算出前方道路的交通拥堵指数，拥堵指数计算公式为：

其中f代表交通拥挤指数，T代表数据分析时间间隔，P₁代表该道路段T时间内的车辆总数，P₁/T为单位时间内的车流量，M₁代表该路段T时间内的行人总数，M₁/T为单位时间内的人流量，代表该路段车辆的平均时速，V₁代表该路段的限速信息，L₁代表该路段检测范围内的路障数量，w₁、w₂、w₃、w₄、w₅分别代表车流量、人流量、车辆平均时速、道路限速、路障的权重，定义一组评判值A＝[a₁,a₂,a₃,a₄]，根据计算出的f与定义的评判值进行对比，将圆周范围内的道路状况分五个等级：①当f＜a₁时，表示道路畅通，车流量、人流量小，周围无障碍，建议车速70km/h以内；②当a₁≤f＜a₂时，表示道路基本通畅，有少量的道路拥堵，周围障碍较少，人流量少，建议车速50km/h以内；③当a₂≤f＜a₃时，表示轻度拥堵，主干路与支路有部分拥堵，周围障碍较少，人流量少，建议车速40km/h以内；④当a₃≤f＜a₄时，表示中度拥堵，主干路与支路有部分拥堵，道路障碍较多，人流量少，建议车速30km/h以内；⑤当f≥a₄时，表示道路严重拥堵，主干路与支路及路口拥堵严重，前方车辆行驶缓慢，路口行人拥堵，建议车速20km/h以内；

7)、发送分析结果：将实时数据的变化以及数据的分析计算结果发送至无人驾驶车辆，车辆根据接收的数据与自身的行驶数据对比，判断车辆是否应该减速、增速、避让，并计算出车辆当前应当行驶的车速、行驶车道；

8)、实现安全行驶：无人驾驶车辆根据计算结果执行一系列相应的操作，最终达到安全行使的目的。

本发明中涉及的无人车驾驶车辆数据采集与分析的方法，结合GIS，通过对道路实时数据的分析，给无人驾驶车辆提供更多的数据支持，以保证车辆的安全行驶。

本发明的有益效果主要表现在：在车辆行驶过程中数据采集方面，可以收集到更加详细准确的数据。

附图说明

图1是一种基于GIS的无人车安全驾驶优化方法流程图。

图2是无人驾驶车辆在某一具体位置的采集数据范围图。

具体实施方式

下面结合附图对本发明进一步描述。

参照图1和图2，一种基于GIS的无人车安全驾驶优化方法，包括以下步骤：

1)、数据采集：采集城市的建筑数据、道路与交通数据、路障与路牌数据、路口人流量数据和红绿灯数据；

2)、三维建模：在ArcGISPro中引入底图，导入城市建筑数据、道路与交通数据、路障、路牌数据，利用导入的城市数据建立三维可视化模型，以供车载设备显示以及后台服务器进行数据分析使用；

3)、车辆实时定位：利用GPS全球定位技术获取当前无人驾驶车辆的位置信息，包括车辆的行驶路段名称、行驶车道信息、车辆的具体坐标点、车辆的行驶方向和行驶速度；

4)、GeoEvent获取车辆周围实时数据：将ArcGIS Enterprise与GeoEventServer连接，创建连接器以从数据流接收和解译实时数据，获取以无人驾驶车辆位置为圆心，R₁为半径的圆范围内的实时数据，如图2所示，其中获取的数据包括以下方面：A)无人驾驶车辆周围车辆的坐标位置，移动方向，行驶速度，与无人驾驶车辆的相对距离；B)对道路两侧的建筑信息，路标路障信息进行分析；C)当路口包含在范围内时，分析道路及路口的人流量信息、车流量信息、路口的交通信号信息，包括红绿灯信息和路口拥堵信息；D)前方道路是否有交通事故信息，雨水天气下的路面积水与积雪信息；E)获取前方道路的信息，道路坡度信息；F)获取前方道路的公交站点及人行道信息；G)获取道路上路段的限速信息、前方路段各车道信息；H)车辆后方是否有超速行驶车辆信息；

5)、车辆雷达获取周围实时数据：利用无人驾驶车辆的雷达、摄像头、传感器等系统获取以无人驾驶车辆位置为圆心，R₂为半径的圆范围内的实时数据，如图1所示，其中R₂＜R₁，获取无人驾驶车辆自身的行驶数据、周围车辆的行驶数据、周围行人及路障的数据、路况信息，将收集的数据进行汇总，上传至服务器；

6)、实时数据分析：利用GeoEvent Services的过滤器和处理器筛选和分析4)中获取的实时数据流，将筛选后的数据与5)中收集的实时数据信息每隔T时间段进行分析，计算出前方道路的交通拥堵指数，拥堵指数计算公式为：

其中f代表交通拥挤指数，T代表数据分析时间间隔，P₁代表该道路段T时间内的车辆总数，P₁/T为单位时间内的车流量，M₁代表该路段T时间内的行人总数，M₁/T为单位时间内的人流量，代表该路段车辆的平均时速，V₁代表该路段的限速信息，L₁代表该路段检测范围内的路障数量，w₁、w₂、w₃、w₄、w₅分别代表车流量、人流量、车辆平均时速、道路限速、路障的权重，定义一组评判值A＝[a₁,a₂,a₃,a₄]，根据计算出的f与定义的评判值进行对比，将圆周范围内的道路状况分五个等级：①当f＜a₁时，表示道路畅通，车流量、人流量小，周围无障碍，建议车速70km/h以内；②当a₁≤f＜a₂时，表示道路基本通畅，有少量的道路拥堵，周围障碍较少，人流量少，建议车速50km/h以内；③当a₂≤f＜a₃时，表示轻度拥堵，主干路与支路有部分拥堵，周围障碍较少，人流量少，建议车速40km/h以内；④当a₃≤f＜a₄时，表示中度拥堵，主干路与支路有部分拥堵，道路障碍较多，人流量少，建议车速30km/h以内；⑤当f≥a₄时，表示道路严重拥堵，主干路与支路及路口拥堵严重，前方车辆行驶缓慢，路口行人拥堵，建议车速20km/h以内；

7)、发送分析结果：将实时数据的变化以及数据的分析计算结果发送至无人驾驶车辆，车辆根据接收的数据与自身的行驶数据对比，判断车辆是否应该减速、增速、避让，并计算出车辆当前应当行驶的车速、行驶车道；

8)、实现安全行驶：无人驾驶车辆根据计算结果执行一系列相应的操作，最终达到安全行使的目的。

以浙江杭州某地区为例，一种基于GIS的无人车安全驾驶优化方法，包括以下步骤：

1)、数据采集：采集城市的建筑数据、道路与交通数据、路障与路牌数据、路口人流量数据和红绿灯数据；

2)、三维建模：在ArcGISPro中引入底图，导入城市建筑数据、道路与交通数据、路障、路牌数据，利用导入的城市数据建立三维可视化模型，以供车载设备显示以及后台服务器进行数据分析使用；

3)、车辆实时定位：利用GPS全球定位技术获取当前无人驾驶车辆的位置信息，包括车辆的行驶路段信息、行驶车道信息、车辆的具体坐标点、车辆的行驶方向和行驶速度；

4)、GeoEvent获取车辆周围实时数据：将ArcGIS Enterprise与GeoEventServer连接，创建连接器以从数据流接收和解译实时数据；获取以无人驾驶车辆位置为圆心，R₁为半径的圆范围内的实时数据，其中R₁＝50米，获取的数据包括以下方面：A)无人驾驶车辆周围车辆的坐标位置，移动方向，行驶速度，与无人驾驶车辆的相对距离；B)对道路两侧的建筑信息，路标路障信息进行分析；C)当路口包含在范围内时，分析道路及路口的人流量信息、车流量信息、路口的交通信号信息，包括红绿灯信息和路口拥堵信息；D)前方道路是否有交通事故信息，雨水天气下的路面积水与积雪信息；E)获取前方道路的信息，道路坡度信息；F)获取前方道路的公交站点及人行道信息；G)获取道路上路段的限速信息、前方路段各车道信息；H)车辆后方是否有超速行驶车辆信息；

5)、车辆雷达获取周围实时数据：利用无人驾驶车辆的雷达、摄像头、传感器等系统获取以无人驾驶车辆位置为圆心，R₂为半径的圆范围内的实时数据，其中R₂＝20米，获取无人驾驶车辆自身的行驶数据、周围车辆的行驶数据、周围行人及路障的数据、路况信息；将收集的数据进行汇总，上传至服务器；

6)、实时数据分析：利用GeoEvent Services的过滤器和处理器筛选和分析4)中获取的实时数据流，将筛选后的数据与5)中收集的实时数据信息每隔T时间段进行分析，其中T＝2min，计算出前方道路的交通拥堵指数，拥堵指数计算公式为：

其中f代表交通拥挤指数，T代表数据分析时间间隔，P₁代表该道路段T时间内的车辆总数，P₁/T为单位时间内的车流量，M₁代表该路段T时间内的行人总数，M₁/T为单位时间内的人流量，代表该路段车辆的平均时速，V₁代表该路段的限速信息，L₁代表该路段检测范围内的路障数量，w₁、w₂、w₃、w₄、w₅分别代表车流量、人流量、车辆平均时速、道路限速、路障的权重，其中w₁＝0.3，w₂＝0.3，w₃＝0.2，w₄＝0.1，w₅＝0.1，定义一组评判值A＝[a₁,a₂,a₃,a₄]，其中a₁＝0.2，a₂＝0.35，a₃＝0.5，a₄＝0.7，a₅＝0.9，根据计算出的f与定义的评判值进行对比，将圆周范围内的道路状况分五个等级：①当f＜0.2时，表示道路畅通，车流量、人流量小，周围无障碍，建议车速70km/h以内；②当0.2≤f＜0.35时，表示道路基本通畅，有少量的道路拥堵，周围障碍较少，人流量少，建议车速50km/h以内；③当0.35≤f＜0.5时，表示轻度拥堵，主干路与支路有部分拥堵，周围障碍较少，人流量少，建议车速40km/h以内；④当0.5≤f＜0.7时，表示中度拥堵，主干路与支路有部分拥堵，道路障碍较多，人流量少，建议车速30km/h以内；⑤当f≥0.9时，表示道路严重拥堵，主干路与支路及路口拥堵严重，前方车辆行驶缓慢，路口行人拥堵，建议车速20km/h以内；

7)、发送分析结果：将实时数据的变化以及数据的分析计算结果发送至无人驾驶车辆，车辆根据接收的数据与自身的行驶数据对比，判断车辆是否应该减速、增速、避让，并计算出车辆当前应当行驶的车速、行驶车道等；

8)、实现安全行驶：无人驾驶车辆根据计算结果执行一系列相应的操作，最终达到安全行使的目的。

以上阐述的是本发明给出的一个实施例表现出来的优良效果，显然本发明不仅适合上述实施例，在不偏离本发明基本精神及不超出本发明实质内容所涉及内容的前提下可对其做种种变化加以实施。

Claims (1)

1.一种基于GIS的无人车安全驾驶优化方法，其特征在于，所述方法包括以下步骤：

1)、数据采集：采集城市的建筑数据、道路与交通数据、路障与路牌数据、路口人流量数据和红绿灯数据；

2)、三维建模：在ArcGISPro中引入底图，导入城市建筑数据、道路与交通数据、路障、路牌数据，用导入的城市数据建立三维可视化模型，以供车载设备显示以及后台服务器进行数据分析使用；

3)、车辆实时定位：利用GPS全球定位技术获取当前无人驾驶车辆的位置信息，包括车辆的行驶路段名称、行驶车道信息、车辆的具体坐标点、车辆的行驶方向和行驶速度；

4)、GeoEvent获取车辆周围实时数据：将ArcGIS Enterprise与GeoEventServer连接，创建连接器以从数据流接收和解译实时数据，以无人驾驶车辆位置为圆心，R₁为半径的圆范围内的实时数据，其中获取的数据包括以下方面：A)无人驾驶车辆周围车辆的坐标位置，移动方向，行驶速度，与无人驾驶车辆的相对距离；B)对道路两侧的建筑信息，路标路障信息进行分析；C)当路口包含在范围内时，分析道路及路口的人流量信息、车流量信息、路口的交通信号信息，包括红绿灯信息和路口拥堵信息；D)前方道路是否有交通事故信息，雨水天气下的路面积水与积雪信息；E)获取前方道路的信息，道路坡度信息；F)获取前方道路的公交站点及人行道信息；G)获取道路上路段的限速信息、前方路段各车道信息；H)车辆后方是否有超速行驶车辆信息；

5)、车辆雷达获取周围实时数据：利用无人驾驶车辆的雷达、摄像头、传感器等系统获取以无人驾驶车辆位置为圆心，R₂为半径的圆范围内的实时数据，其中R₂＜R₁，取无人驾驶车辆自身的行驶数据、周围车辆的行驶数据、周围行人及路障的数据、路况信息，收集的数据进行汇总，上传至服务器；

6)、实时数据分析：利用GeoEvent Services的过滤器和处理器筛选和分析4)中获取的实时数据流，将筛选后的数据与5)中收集的实时数据信息每隔T时间段进行分析，计算出前方道路的交通拥堵指数，拥堵指数计算公式为：

其中f代表交通拥挤指数，T代表数据分析时间间隔，P₁代表该道路段T时间内的车辆总数，P₁/T为单位时间内的车流量，M₁代表该路段T时间内的行人总数，M₁/T为单位时间内的人流量，代表该路段车辆的平均时速，V₁代表该路段的限速信息，L₁代表该路段检测范围内的路障数量，w₁、w₂、w₃、w₄、w₅分别代表车流量、人流量、车辆平均时速、道路限速、路障的权重，定义一组评判值A＝[a₁,a₂,a₃,a₄]，根据计算出的f与定义的评判值进行对比，将圆周范围内的道路状况分五个等级：①当f＜a₁时，表示道路畅通，车流量、人流量小，周围无障碍，建议车速70km/h以内；②当a₁≤f＜a₂时，表示道路基本通畅，有少量的道路拥堵，周围障碍较少，人流量少，建议车速50km/h以内；③当a₂≤f＜a₃时，表示轻度拥堵，主干路与支路有部分拥堵，周围障碍较少，人流量少，建议车速40km/h以内；④当a₃≤f＜a₄时，表示中度拥堵，主干路与支路有部分拥堵，道路障碍较多，人流量少，建议车速30km/h以内；⑤当f≥a₄时，表示道路严重拥堵，主干路与支路及路口拥堵严重，前方车辆行驶缓慢，路口行人拥堵，建议车速20km/h以内；

7)、发送分析结果：将实时数据的变化以及数据的分析计算结果发送至无人驾驶车辆，车辆根据接收的数据与自身的行驶数据对比，判断车辆是否应该减速、增速、避让，并计算出车辆当前应当行驶的车速、行驶车道；

8)、实现安全行驶：无人驾驶车辆根据计算结果执行一系列相应的操作，最终达到安全行使的目的。