CN111524357A - 用于车辆安全行驶所需的多数据融合的方法 - Google Patents

Abstract

本发明提出了用于车辆安全行驶所需的多数据融合的方法，包括：利用安装于公路旁的多个路侧传感器采集目标范围内的行驶车辆的动态信息、特征信息、路况信息和交通状态信息；利用安装于车辆上的车载单元，采集行驶车辆的运动状态信息、周围路况和环境信息；路侧服务平台将路侧传感器获取的信息和车载单元获取的信息进行第一次融合；路侧服务平台将D1数据和D2数据进行第二次融合；分析获得异常事件数据信息，将异常事件数据信息再与车辆自身的异常事件数据信息进行第三次融合，得到最终的异常事件信息；将生成的最终的异常事件信息与本区域的高精地图数据进行第四次融合，生成新的高精地图及对应的协同通行方案、预警信息、告警信息、车辆控制信息。

Description

用于车辆安全行驶所需的多数据融合的方法

技术领域

本发明涉及行为分析、数据融合、目标跟踪定位、通信传输、自动控制、高精地图绘制、智慧交通技术领域，特别涉及用于车辆安全行驶所需的多数据融合的方法。

背景技术

2019年很多车厂开始对自动驾驶车辆进入小规模量产，都在为提升整车的智能化、舒适性、安全性而不断付出努力。但是在单车自动驾驶安全方面仍需做进一步的提升。很多测试机构都在对于一些汽车的驾驶辅助功能进行验证，但大部分的评测结果都非常令人失望、美国伊利诺伊大学香槟分校的一个研究团队开发了一种针对自动驾驶的故障评估技术，在对百度Apollo3.0和英伟达专有自动驾驶系统DriveAV的测试中，短短4小时就发现了561个关键安全故障！这个研究团队致力于使用人工智能和机器学习，通过软件和硬件的改进来提高自动驾驶技术的安全性。这个团队之前曾分析了自动驾驶公司从2014年至2017年提交的所有安全报告(涵盖144辆自动驾驶汽车，累计行驶1116605英里)，最终得出一个让人大跌眼镜的结论：“在行驶相同里程的情况下，人类驾驶汽车发生事故的可能性比自动驾驶汽车少4000倍。”美国特斯拉事故、Uber测试车事故、国内自动驾驶车辆发布会时撞人事件等都会让人联想到智能车不智能，而这些车辆都有一个共同的特点就是不能快速捕捉到从黑暗中突然出现的行人，无法对整体路况进行准确判断来调整自己的行驶状态，无法对6秒内突如其来的事件做出准确判断，甚至是由于道路施工或交通管制而造成的临时道路封闭、管制、行驶路径更改等交通环境、交通路况、通行状态、路面基础设施发生改变，而车载端高精地图没有及时更新而导致的交通事故大有所在，很多起事故事件表明，现有自动驾驶车辆的感知系统存在不同视角盲区，同时感知距离不长、获取实时信息有限，所以自动驾驶汽车不安全的原因还是车辆自身感知系统以及安全辅助信息不够完善。

针对这样的自动驾驶现状，现有技术提出了车路协同系统，来为自动驾驶车辆提供更加精准的实时可靠的路况信息、也让自动驾驶车辆的感知能力做到无限延长，来进一步自动驾驶车辆的安全性，通过汽车与道路之间协同运作来实现汽车的高度自动化。车路协同是一种交互，这种交互能够让交通的参与方的意图得到非常精准的诠释，不会只是靠猜测这辆车要发生什么样的行为，而是能够准确的知道，因此可做出准确的判断。

通路车路协同系统与车辆自身感知系统数据相互融合后，路端固定感知设备能够为自动驾驶车辆提供足够的决策依据甚至指令，自动驾驶车辆本身发展的复杂度也会大大降低，成本也会大大降低。因为它不需要遍历所有的场景，自动驾驶商业化也可以提前到来。除了车端和路端的感知和通讯设施，交通部门也在规划对道路本身进行智能化改造，以适应自动驾驶的需要。综上可见，车路协同对于自动驾驶汽车的安全性提高、成本降低等都有一定的促进作用，同时可以解决堵车、提升道路利用率。当然了对于构建未来城市，车路协同也是必要的。因此发展车路协同是实现高度自动化的有效途径。符合完全自动驾驶需要的“智能汽车+智能化道路+车路协同”才刚刚开始。Waymo和特斯拉等公司的单车智能虽然逐步成熟起来，但是离完全自动驾驶还有相当的距离，自动驾驶竞争正从上半场进入下半场。车路协同、自动驾驶领域无疑是发展最快，最受重视的技术之一。

但是车路协同现阶段普遍不被道路交通管理者所认可，主要的困难存在以下几点：、

(1)车路协同系统投资成本太高，而其主要的价值就是提供车与路况感知设备之间的通信工作，来辅助全自动驾驶车辆或半自动驾驶车辆的辅助驾驶功能。

(2)很多新技术还都是处于概念状态不能很好落地，即使有少部分成熟技术也只能用在环境比较干净、交通状态比较单一的试验区内，为自动驾驶或半自动驾驶实验车辆做技术验证使用不能被大范围的普及。

(3)现有的技术无法保证现阶段混合是交通模式下，自动驾驶车辆和普通驾驶车辆的安全，而因为这种混合模式使得交通管理和道路通畅变得更难。

(4)现有系统无法给真正行驶在道路上普通车辆的司乘人员提升智慧交通所带来的安全性和舒适性。

(5)虽然以道路为核心的车路协同系统，是建立在公路基础设施数字化升级的基础上，让交通系统能够实时感知道路、车辆与行人的各种状况，在发展汽车智能化的同时，通过发展路网的采集、过滤、分析、处理能力，使人、车、路能够高度协同，但是由于路况感知设备技术不成熟还有有待于进一步提高，如激光雷达感知设备、视频感知设备、短距毫米波雷达感知设备等都不能全天候、多环境下使用，都使得车路协同系统受到了更多的限制。而最要命的就是现在的车路协同系统和安装在道路上固定的路况感知设备以及行驶在道路上的自动驾驶车辆和半自动驾驶车辆不能有效的连结，使得三个庞大的系统成为了智慧交通中孤立的“岛”，无法支撑起“全面”交通系统的智慧化。

可以预见的是，在未来20-30年之间，面向于公众的智慧道路上所行驶的车辆将会是混合模式，以智慧高速为例在其上面行驶的车辆将会包括：全自动驾驶车辆、半自动辅助人工驾驶车辆、全人工驾驶车辆，而对于国省道以及城市道路则会更加复杂，包括：行人、电动车、农用车、家畜等更加复杂的混合通行方式。而不是单一类别车辆通行方式。要能够给行驶在道路上车辆推送精准的信息，就需要路侧感知设备对以上车辆能够全面感知,持续跟踪并能精准的获取每一辆车的详细信息。

发明内容

本发明的目的旨在至少解决所述技术缺陷之一。

为此，本发明的目的在于提出用于车辆安全行驶所需的多数据融合的方法。

为了实现上述目的，本发明的实施例提供用于车辆安全行驶所需的多数据融合的方法，包括如下步骤：

步骤S1，利用安装于公路旁的多个路侧传感器采集目标范围内的行驶车辆的动态信息、特征信息、路况信息和交通状态信息，并上传至路侧服务平台；

步骤S2，利用安装于车辆上的车载单元，采集行驶车辆的运动状态信息、周围路况和环境信息，利用多个车牌抓拍摄像机采集车辆的特征数据，并上传至路侧服务平台；

步骤S3，所述路侧服务平台首先将来自所述路侧传感器的信息和来自所述车牌抓拍摄像机的信息进行静态数据的融合，进行第一次融合，由此每辆车均携带有包括车辆的动态信息和车辆的特征信息的完整的数据信息，然后采用预设车辆身份信息编制原则为上述每一辆携带有完整信息的车辆，在系统中生成唯一的车辆身份信息和ID身份编号，记为D1数据；所述路侧服务平台通过车路协同路侧通信单元或第三方通信服务平台与路面上行驶的无人驾驶车辆、自动驾驶车辆、人工辅助驾驶车辆进行双向通信，获取所述无人驾驶车辆、自动驾驶车辆、人工辅助驾驶车辆的自身传感器所采集的标识信息以及车辆区域范围内的各类信息，记为D2数据；

步骤S4，然后所述路侧服务平台将融合后的静态数据进一步与车载单元采集的动态数据进行动静融合，所述路侧服务平台将所述D1数据和D2数据进行第二次融合，如果够通过车路协同通信单元或第三方通信服务平台获得该车数据融合成功，则系统根据获取车辆数据的专用通信通道以及车辆自身标识信息将融合成功的车辆区分并标记为无人驾驶车辆、自动驾驶车辆、人工辅助驾驶车辆；如果不同够通过车路协同通信单元或第三方通信服务平台获得该车数据融合失败的，则将融合失败的车辆标记为普通人工驾驶车辆；

步骤S5，由所述路侧服务平台进行数据分析获得异常事件数据信息，将上述分析得到的异常事件数据信息再与车辆自身的车载传感器采集的异常事件数据信息进行第三次融合，得到最终的异常事件信息；

步骤S6，将生成的最终的异常事件信息与预存的本区域的高精地图数据进行第四次融合，根据不同的异常事件类型与内容，进行态势感知，根据态势感知结构和事物的运动类型，分别生成新的高精地图及对应的协同通行方案、预警信息、告警信息、车辆控制信息。

进一步，所述动态信息包括：每辆车的实时运动速度、运动方向、经纬度位置、车辆尺寸、车辆类型、方向角、所在车道、运动轨迹；

所述车辆特征信息包括：车辆的颜色、车型、品牌、商标、车牌、驾驶员信息、类别；

所述路况信息包括：有无异常事件事故车辆以及这些车辆所在位置信息，道路上有无抛洒物、落石、塌方、拥堵。

进一步，采用以下两种融合机制：

(1)通过车辆特征信息进行融合机制；

(2)阴影伴随式融合机制。

进一步，所述通过车辆特征信息进行融合机制，包括：

通过所述路侧传感器、车牌抓拍摄像机或车载单元和路侧服务平台，共同完成并生成带有唯一的车辆身份信息和ID身份编号的D1数据中的车辆特征数据，将D1数据中的车辆特征数据与D2数据中的车辆特征数据进行一一对比，如果满足车牌、车型和颜色三个条件相同，则进行关联融合。

进一步，所述阴影伴随式融合机制，包括：

当车辆进入预设检测区域时，所述路侧传感器采集的车辆数据经过路侧服务平台，生成完整的车辆数据S5，作为真实目标；所述路侧服务平台通过车路协同路侧通信单元或第三方通信服务平台获取的车辆数据S6，作为虚假目标；

以真实目标为中心设定一个关联目标范围，设置预设范围，在此范围内所有目标为有效关联目标对象，超过此范围为无效目标关联对象，以目标的实时运动速度、目标运动方向、经纬度、车辆尺寸、车辆类型、所在车道为参考比较关联对象，并与预先设定的关联合并值为参考值，以及符合该规律点迹连续重复出现次数M，判断是否关联融合的判定条件；对于真实目标和虚假目标进行关联融合，融合后的目标动态信息以虚假目标动态信息为准，并根据获取车辆数据的专用通信通道以及车辆自身标识信息将该目标车辆区别并标注为无人驾驶车辆、自动驾驶车辆、人工辅助驾驶车辆，并将其中的ID身份编号进行修正，完成两个数据关联融合工作。

进一步，在所述步骤S5中：

所述交通异常事件包括：异常车辆、异常路况、异常交通状态、异常行为；

所述最终异常事件数据信息，包括:异常事件的类型和所在位置，其中，所述异常事件的类型包括：异常车辆、异常路况、异常交通、异常区域；所在位置包括车道、经纬度、区域。

进一步，所述将异常事件信息与预存的本区域的高精地图数据进行第四次融合，包括：采用差分计算方法并根据异常事件的位置信息、经度纬度、类型信息作为判断条件，去掉两个数据来源中重叠的部分内容，通过叠加增强计算方法并根据异常事件的位置信息、经度纬度、类型信息作为判断条件，将两个数据来源中未重叠的部分内容进行相互补充和完善，融合并形成最终所述的用于车辆安全行驶所需的异常事件数据信息、交通状态信息、路况信息、预警告警信息、通行方案信息、车辆控制信息。

根据本发明实施例的用于车辆安全行驶所需的多数据融合的方法，通过将路侧传感器获取的每一辆车的动态数据和车牌抓拍摄像机/车载单元获取的车辆特征数据精准的融合，形成一个更加完整全面的用于支撑车辆安全行驶所需的所有环境信息、态势信息、路况信息、交通状态、预警告警信息、车辆控制信息的数据信息，从而可以实现并赋予对无人驾驶车辆、自动驾驶车辆、人工辅助驾驶车辆、普通人工驾驶车辆基于安全行驶所需的全面、远距离的感知能力和决策能力。通过获取车辆不同区域、不同内同的精确数据，可以实现对车辆状态和前方道路状况的精确判断，从而为无人驾驶、自动驾驶车辆、人工辅助驾驶车辆、普通人工驾驶车辆分别生成具有针对性行驶保障方案，进而可以实现为无人驾驶车辆、自动驾驶车辆、人工辅助驾驶车辆、普通人工驾驶车辆，均提供有效的安全保障，保障行驶安全、出行安全的目的。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明实施例的用于车辆安全行驶所需的多数据融合的方法的流程图；

图2为根据本发明实施例的路侧传感器、车载单元的布局及交通状态示意图；

图3为根据本发明实施例的路侧传感器和车载单元对同一辆车的数据融合示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

本发明提成一种于多来源的车辆数据融合方法，该方法可以实现对从路侧感知设备采集的车辆动态信息、从车载单元采集的车辆静态数据进行融合，从而可以实现对车辆数据的全面感知，从而延长车辆的感知能力，获得车辆的精确数据。通过获取车辆的精确数据，可以实现对车辆状态和前方道路状况的精确判断，进而可以为无人驾驶车辆、自动驾驶车辆、人工辅助驾驶车辆、普通人工驾驶车辆，均提供有效的安全保障。

下面就结合具体的实施方式对本发明的用于车辆安全行驶所需的多数据融合的方法进行详细说明，实现对多方来源的车辆数据进行多次融合，形成实际道路上每一真实车辆在整个系统中的投影并建立相应的通信机制。

如图1所示，本发明实施例的用于车辆安全行驶所需的多数据融合的方法，其特征在于，包括如下步骤：

步骤S1，利用安装于公路旁的多个路侧传感器采集目标范围内的行驶车辆的动态信息、特征信息、路况信息和交通状态信息，并上传至路侧服务平台。

参考图2，在道路的一侧，每隔预设距离均安装有路侧传感器S1，每隔路侧传感器S1均覆盖其前方一定区域行驶通过的车辆。利用路侧传感器S1可以采集道路上通过的无人驾驶车辆、自动驾驶车辆、人工辅助驾驶车辆(这两个类型的车辆记为S7类型车辆)和普通人工驾驶车辆(记为S8类型车辆)。

在本发明的实施例中，动态信息包括：每辆车的实时运动速度、运动方向、经纬度位置、车辆尺寸、车辆类型、方向角、所在车道、运动轨迹、整个系统中的车辆唯一ID身份编号、车辆有无异常情况、异常行为出现等。

需要说明的是，车辆的动态信息不限于上述举例，还可以包括其他类型的动态数据，根据实际需要选择采集的数据类型。

路侧传感器S1将上述采集到的车辆动态信息发送至到路侧服务平台S2，由路侧服务平台S2对这些数据进行实时分析处理。路侧服务平台S2是一个软硬件相结合的数据处理系统。

步骤S2，利用安装于车辆上的车载单元，采集行驶车辆的运动状态信息、周围路况和环境信息，并上传至路侧服务平台。利用多个车牌抓拍摄像机采集车辆的特征数据，并上传至路侧服务平台。

参考图2，在道路的一侧，每隔预设距离均安装有车牌抓拍摄像机S4，利用车牌抓拍摄像机S4可以获取行驶到该摄像机所覆盖区域内的车辆的车辆特征信息、周围路况和环境信息。

另外，对于安装有车载单元(OBU)的车辆，也可以通过ETC路侧天线对车辆安装的车载单元(OBU)进行识别与读取来获取车辆完整的特征信息和数据信息。

在本发明的实施例中，车辆特征信息包括：车辆的颜色、车型、品牌、商标、车牌、驾驶员信息、类别、生产年代信息等。周围路况和环境信息包括：有无异常事件事故车辆以及这些车辆所在位置信息，道路上有无抛洒物、落石、塌方、拥堵。

需要说明的是，车辆的特征信息、周围路况和环境信息不限于上述举例，还可以包括其他类型的动态数据，根据实际需要选择采集的数据类型。

车牌抓拍摄像机和/或车载单元将上述采集到的车辆动态信息发送至到路侧服务平台S2，由路侧服务平台S2对这些数据进行实时分析处理。

通过上述步骤S1和S2，可以实现对车辆动态信息和静态信息的采集。对于无人驾驶车辆、自动驾驶车辆、人辅助工驾驶车辆，其车辆信息相对容易获取，可通车路协同系统或第三方通信服务平台与车辆上所装的车路协同车载单元实现相互通信，来获取该车辆的自身标识信息(包括实时的动态信息与车辆静态信息)。对于普通车辆，可以通过一些其他辅助设备来获取如车牌抓拍摄像机或ETC系统车载单元来获取。

在获取到上述车辆信息的基础上，通过将上述车辆信息精准的发送每一辆车上去，从而可以使车的感知能力无限延长、感知功能更加强大、决策机制更加精准。而如果要做到这种全面感知、全信息获取、点对点数据精准推送，则必须实现对上述数据的更多的数据融合。基于此，本发明采用下述步骤，实现对数据的两次融合。通过车路协同通信机制以及通过第三方专用通信机制实现与车辆的双向通信，获取的无人驾驶车辆、自动驾驶车辆、或人工辅助驾驶车辆自身标识数据，通过本发明提出的融合机制融合在一起。

步骤S3，路侧服务平台首先将来自路侧传感器的信息和来自车牌抓拍摄像机的信息进行静态数据的融合，进行第一次融合，由此每辆车均携带有包括车辆的动态信息和车辆的特征信息的完整的数据信息，然后采用预设车辆身份信息编制原则为上述每一辆携带有完整信息的车辆，在系统中生成唯一的车辆身份信息和ID身份编号，记为D1数据；路侧服务平台通过车路协同路侧通信单元或第三方通信服务平台与路面上行驶的无人驾驶车辆、自动驾驶车辆、人工辅助驾驶车辆进行双向通信，获取所述无人驾驶车辆、自动驾驶车辆、人工辅助驾驶车辆的标识信息以及自身传感器所采集的车辆区域范围内的各类信息，记为D2数据；

参考图3，路侧服务平台S2通过V2X车路协同路侧通信单元(RSU)S3与路面上行驶的无人驾驶车辆、自动驾驶车辆、人工辅助驾驶车辆进行双向通信，获取无人驾驶车辆、自动驾驶车辆、人工辅助驾驶车辆的车辆信息(即为上述车辆安装有V2X车路协同系统车载单元(OBU)中嵌入的车辆信息)，记为D2数据。其中，D2数据例如为：车辆的颜色、车型、品牌、商标、车牌、车辆机器编码信息、车辆的实时经纬度定位信息等。

步骤S4，然后，路侧服务平台将融合后的静态数据进一步与车载单元采集的动态数据进行动静融合，路侧服务平台将D1数据和D2数据进行第二次融合，如果能够通过车路协同通信单元或第三方通信服务平台获得该车数据融合成功则将融合成功的车辆标记为无人驾驶车辆、自动驾驶车辆、人工辅助驾驶车辆；如果无法通过以上途径获取车辆信息融合失败则的，将融合失败的车辆标记为普通人工驾驶车辆。

具体的，路侧服务平台S2将V2X车路协同路侧通信单元S3获取的无人驾驶车辆、自动驾驶车辆、人工辅助驾驶车辆的D2数据与带有唯一车辆身份信息和ID身份编号的车辆数据D1进行第二次融合，融合后系统将对每一辆的数据再做进一步的完善形成数据D3。如果融合成功后系统会将新生成的D3数据替代原先生成的D1数据，如果在二次融合过程中D1没有与D2数据融合的或融合未成功的则将对这些车辆的数据修改成D4数据。通过上述两次融合方式，道路上每一实际行驶的车辆都在路侧服务平台中形成了数据投影，将被跟踪的所有车辆数据融合完毕后，形成全新的D3数据类型的车辆与D4数据类型的车辆都将会被路侧服务平台进行实时持续的关注与跟踪定位。

下面对本发明中采用的融合的具体形式进行说明。

首先说明的是，由于路侧传感器S1采集的各类数据精度都会因为安装工艺、地理环境、路况状态、车辆或物体遮挡、通信延时、时钟同步等问题而造成的偏差或短暂丢失。此外装有V2X车载单元的无人驾驶车辆、自动驾驶车辆、人工辅助驾驶车辆，其定位模块(例如北斗、伽利略、GPS定位模块)所获取的实时经纬度信息(米级或亚米级)与路侧传感器S1所采集的经纬度信息(厘米级)不能保障完全一致或重合，这是因为两者设备间的对目标定位精度不一样，甚至是由于安装施工过程中造成的偏差。从而会导致第二次数据融合和数据传递失败。为解决上述问题，本发明采用以下两种融合机制实现对数据融合，克服上述问题。

在本发明的实施例中，第一次融合和第二次融合可以采用以下两种形式完成：

(1)通过车辆特征信息进行融合机制

通过路侧传感器S1、车牌抓拍摄像机S4与路侧服务平台(边缘计算服务器)S2，共同完成并生成带有唯一的车辆身份信息和ID身份编号的D1数据中的车辆特征数据(例如，车牌、车型、颜色、品牌、商标等)，将D1数据中的车辆特征数据与D2数据中的车辆特征数据进行一一对比，如果满足车牌、车型和颜色三个条件相同，则进行关联融合。

即，将D1数据中的车辆特征数据与D2数据中的车辆特征数据进行一一对比，只要车牌、车型和颜色三个条件相同，即可进行关联融合。数据中的其他项目作为参考项，而不是必要项，其他项目即使不相同，也不影响关联融合。

(2)阴影伴随式融合机制。

参考图2所示，阴影伴随式融合目标关联机制原理为，当车辆进入系统根据实际路况设定检测区域S4(也称目标活动范围)时，路侧传感器S1采集的车辆数据经路侧服务平台S2生成完整的车辆数据S5(即D1数据)，其中，该数据包括：车辆的经纬度信息、点迹信息、轨迹信息、运动方向信息、速度信息、车道信息提取出来准备做目标关联使用。

路侧服务平台S2通过V2X车路协同路侧通信单元S3获取的S6(D2数据)中未包含的车辆特征信息只包含车辆的动态信息以及其他信息数据提取出来，这些信息包括但不限于车辆的经纬度信息、点迹信息、轨迹信息、运动方向信息、速度信息、车道信息等数据，准备做目标关联使用。

由于路侧传感器S1与V2X车路协同路侧通信单元S3的工作原理不一样，获取的数据方式的不同、对同一辆车辆跟踪定位精度有误差等多种原因，都会导致两个途径获取的同一辆的动态信息完全相同而直接进行融合关联。但是两个设备都是对同一目标进行实时获取数据，因此这个车辆所产生的动态数据变化都会在两个设备获得数据中产生同样的变化如影随行，因此在系统S4设定的检测范围内出现有类似于重影或阴影的现象，此时系统会以带有完整信息被实时跟踪车辆数据信息S5(D1数据)的目标数据列为真实目标或主要目标，再将车辆数据信息S6(D2数据)目标为虚假目标或辅助目标。

本发明以真实目标为中心设定一个关联目标范围S7。例如，以真实目标为中心半径为5米(此值可以根据实际情况进行调节，该值越大则关联的精度越高，但关联的机会越低，反之则相反)的圆形为目标关联范围，在此范围内所有的目标列为有效关联目标对象，超过此为范围的目标列为无效目标关联对象，对于无效目标关联对象系统不在关注，系统以目标的实时运动速度、目标运动方向、经纬度、车辆尺寸、车辆类型、所在车道为参考比较关联对象，并与预先设定的关联合并值为参考值以及符合该规律点迹连续重复出现次数M(M为一个可调整的值在1-10范围内进行整数选择)为判断是否关联融合的判定条件。

对于满足这些要求的真实目标与虚假目标进行关联融合，融合后的目标动态信息会以虚假目标动态信息为准，并将该目标车辆标注为自动驾驶车辆或半自动人工辅助驾驶车辆，将其中的ID身份编号进行修正，完成两个数据关联融合工作。如果在数据融合关联过程中未成功，则持续此动作直至找到车辆动态信息变化一样新的阴影出现以及融合成功为止。

采用上述阴影伴随式融合方式，通过路侧传感器S1与V2X车路协同路侧通信单元S3，对同一辆车各自分别获取的经纬度信息与点迹轨迹信息进行实时分析与对比，找到符合阴影伴随规律的车辆数据进行融合。采用上述阴影伴随式融合机制做进一步融合，可以确保二次数据融合的万无一失。

在完成了上述融合后，根据融合结果对车辆类型进行划分。具体的，将D3数据对应的车辆类型标记为无人驾驶车辆、自动驾驶车辆、人工辅助驾驶车辆；如果融合失败则将融合失败的车辆数据记为D4数据，将D4数据对应的车辆类型标记为普通人工驾驶车辆。

(1)无人驾驶车辆、自动驾驶车辆、人工辅助驾驶车辆

对于无人驾驶车辆、自动驾驶车辆、人工辅助驾驶车辆，采用V2X车路协同路侧短程通信通道或第三方服务平台提供的专用通信通道与车辆进行通信和数据交互。

(2)普通人工驾驶车辆

对于普通人工驾驶车辆，采用第三方云端服务平台与车辆进行通信和数据交互；或者通过路侧安装的可变情报板进行点对点的精准信息提示，至此每辆车的通信机制也建立完成。

具体来说，由于能够使车辆发生交通事件事故的异常事件类型不一样，因此系统必须能够根据不同的异常事件类型与内容，进行态势感知(例如针对静止不动的事物、移动的事物)以形成不同方案给予应对，才能够在根本上避免交通事故的发生。态势是指物体的运动状态以及运动规律，对于位置始终保持不变，不存在运动现象的事物称为静止事物，如道路上出现的抛洒物、静止不动的落石、塌方、事故车辆等。如果位置实时变动并有运动速度和方向伴随的事物称为移动事物，如道路上行驶的车辆、行人、动物、滚落中的山石等。根据态势的感知生成有效的控制指令或提示信息以及告警信息能够有效避免相互碰撞事故的发生。

将异常事件信息与预存的本区域的高精地图数据进行第四次融合，包括：采用差分计算方法并根据异常事件的位置信息、经度纬度、类型信息作为判断条件，去掉两个数据来源中重叠的部分内容，通过叠加增强计算方法并根据异常事件的位置信息、经度纬度、类型信息作为判断条件，将两个数据来源中未重叠的部分内容进行相互补充和完善，形成所述最终异常事件数据信息。

由路侧服务平台对异常事件中的车辆异常行为进行分析，在高景地图上标记出危险区域和行驶路径。

然后对每辆车进行实时跟踪定位，当判断有即将进入或已经进入预警区域或危险区域的车辆、行人或其他事物时，根据目标物体的类型建立对应的专属通信通道，并通过专属通信通道，向与车辆预先绑定的终端设备上发送匹配的安全行驶和预警保障方案。

在本步骤中，针对无人驾驶、自动驾驶车辆、人工辅助驾驶车辆、全人工驾驶车辆、行人或其他事物的不同类型，分别建立对应的专属通信通道。

在本发明的实施例中，安全行驶和预警保障方案，包括：当检测到异常事件时，通过专项通信通道向与车辆预先绑定的终端设备下发预警、告警信息、通行方案、控制指令来保障车辆的安全驾驶，协助并保障车辆、行人或其他事物的安全、减少事件事故的发生、提高道路通行效率。

步骤S5，由路侧服务平台进行数据分析获得异常事件数据信息，将上述分析得到的异常事件数据信息再与车辆自身的车载传感器采集的异常事件数据信息进行第三次融合，得到最终的异常事件信息。

步骤S6，将生成的最终的异常事件信息与预存的本区域的高精地图数据进行第四次融合，根据不同的异常事件类型与内容，进行态势感知，根据态势感知结构和事物的运动类型，分别生成新的高精地图及对应的协同通行方案、预警信息、告警信息、车辆控制信息。

由此，通过将路侧传感器获取的每一辆车的动态数据和车牌抓拍摄像机/车载单元获取的车辆特征数据精准的融合，形成一个完成的车辆数据信息，从而可以实现对车辆数据的全面感知，获得车辆的精确数据。通过获取车辆的精确数据，可以实现对车辆状态和前方道路状况的精确判断，从而为无人驾驶车辆、自动驾驶车辆、人工辅助驾驶车辆、普通人工驾驶车辆分别生成对应的行驶保障方案，进而可以为无人驾驶车辆、自动驾驶车辆、半自动驾驶车辆、普通人工驾驶车辆，均提供有效的安全保障，保障行驶安全、出行安全的目的。

本发明将路侧传感器获取的完整的车辆信息与无人驾驶、自动驾驶车辆、人工辅助驾驶车辆自身标识数据中的位置信息以及普通车辆的客户端(手机导航、平板电脑)信息精准的融合后，才能在路侧传感器所获取的海量数据中寻找到那个需要推送数据和准备接收数据的车辆。只有车辆能够在茫茫车海中找到自己的位置并能获取超过自身传感器范围外的感知数据时，对于无人驾驶车辆、自动驾驶车辆安全行驶才会真正的有保障，发送给人工辅助驾驶车辆和全人工驾驶车辆的各类提示信息才会有意义。

本发明通过对从路侧感知设备采集的车辆动态信息、从车载单元采集的车辆静态数据进行融合，从而可以实现对车辆不同区域、不同内容、不同通行方案和控制方案的数据全面感知与制定，从而延长并无限扩大车辆的感知能力和决策能力，有效的避免由于路侧单一感知设备无法检测到的距离较远、较小但危害较大的障碍物、抛洒物、塌方、路障以及临时交通管制而造成的行驶路径改变而发生的交通事故和二次事故；有效的避免由于靠车辆传感器单一感知设备无法检测到“盲区”内的行人或危险事物，可以使车辆的感知能力以及距离无限的延伸。

本发明利用路侧传感器和车载传感器、车牌摄像机，形成一个能够适应全天候(如：雨、雪、雾、霾、沙尘、白天、晚上等)、全环境(含高速公路、城市道路以及智能网联汽车示范性开放道路中所涉及的互通立交、大特大桥梁、长特长隧道、平直道路、转弯道路、长下坡路、波浪道路、平行道路、上下错位道路、十字路口)的道路感知设备或组合方案，实现对道路远距离、大范围、多角度、多功能、全方位的路况感知和高可靠的检测，来获取自动驾驶车辆达到安全行驶所需要的所有“有用辅助信息”。然后通过多模式传输通道如5G通信、V2X路侧通信设备将以上信息分别传送到不同的客户端使用。这些信息通过处理后不但可以给无人驾驶车辆、自动驾驶车辆使用，更能够给人工辅助驾驶车辆以及全人工驾驶车辆甚至是行人使用。这种基于安全出行、安全行驶的辅助信息能够为更加广泛的“用户”提供服务，使智慧交通所带来的各种优越性能够体现的淋漓尽致。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围由所附权利要求及其等同限定。

Claims (8)

1.一种用于车辆安全行驶所需的多数据融合的方法，其特征在于，包括如下步骤：

步骤S1，利用安装于公路旁的多个路侧传感器采集目标范围内的行驶车辆的动态信息、特征信息、路况信息和交通状态信息，并上传至路侧服务平台；

步骤S2，利用安装于车辆上的车载单元，采集行驶车辆的运动状态信息、周围路况和环境信息，利用多个车牌抓拍摄像机采集车辆的特征数据，并上传至路侧服务平台；

步骤S3，所述路侧服务平台首先将来自所述路侧传感器的信息和来自所述车牌抓拍摄像机的信息进行静态数据的融合，进行第一次融合，由此每辆车均携带有包括车辆的动态信息和车辆的特征信息的完整的数据信息，然后采用预设车辆身份信息编制原则为上述每一辆携带有完整信息的车辆，在系统中生成唯一的车辆身份信息和ID身份编号，记为D1数据；所述路侧服务平台通过车路协同路侧通信单元或第三方通信服务平台与路面上行驶的无人驾驶车辆、自动驾驶车辆、人工辅助驾驶车辆进行双向通信，获取所述无人驾驶车辆、自动驾驶车辆、人工辅助驾驶车辆的自身传感器所采集的标识信息以及车辆区域范围内的各类信息，记为D2数据；

步骤S4，然后所述路侧服务平台将融合后的静态数据进一步与车载单元采集的动态数据进行动静融合，所述路侧服务平台将所述D1数据和D2数据进行第二次融合，如果够通过车路协同通信单元或第三方通信服务平台获得该车数据融合成功，则系统根据获取车辆数据的专用通信通道以及车辆自身标识信息将融合成功的车辆区分并标记为无人驾驶车辆、自动驾驶车辆、人工辅助驾驶车辆；如果不同够通过车路协同通信单元或第三方通信服务平台获得该车数据融合失败的，则将融合失败的车辆标记为普通人工驾驶车辆；

步骤S5，由所述路侧服务平台进行数据分析获得异常事件数据信息，将上述分析得到的异常事件数据信息再与车辆自身的车载传感器采集的异常事件数据信息进行第三次融合，得到最终的异常事件信息；

步骤S6，将生成的最终的异常事件信息与预存的本区域的高精地图数据进行第四次融合，根据不同的异常事件类型与内容，进行态势感知，根据态势感知结构和事物的运动类型，分别生成新的高精地图及对应的协同通行方案、预警信息、告警信息、车辆控制信息。

2.如权利要求1所述的用于车辆安全行驶所需的多数据融合的方法，其特征在于，

所述动态信息包括：每辆车的实时运动速度、运动方向、经纬度位置、车辆尺寸、车辆类型、方向角、所在车道、运动轨迹；

所述车辆特征信息包括：车辆的颜色、车型、品牌、商标、车牌、驾驶员信息、类别；

所述路况信息包括：有无异常事件事故车辆以及这些车辆所在位置信息，道路上有无抛洒物、落石、塌方、拥堵。

3.如权利要求1所述的用于车辆安全行驶所需的多数据融合的方法，其特征在于，采用以下两种融合机制：

(1)通过车辆特征信息进行融合机制；

(2)阴影伴随式融合机制。

4.如权利要求3所述的用于车辆安全行驶所需的多数据融合的方法，其特征在于，所述通过车辆特征信息进行融合机制，包括：

通过所述路侧传感器、车牌抓拍摄像机或车载单元和路侧服务平台，共同完成并生成带有唯一的车辆身份信息和ID身份编号的D1数据中的车辆特征数据，将D1数据中的车辆特征数据与D2数据中的车辆特征数据进行一一对比，如果满足车牌、车型和颜色三个条件相同，则进行关联融合。

5.如权利要求3所述的用于车辆安全行驶所需的多数据融合的方法，其特征在于，所述阴影伴随式融合机制，包括：

当车辆进入预设检测区域时，所述路侧传感器采集的车辆数据经过路侧服务平台，生成完整的车辆数据S5，作为真实目标；所述路侧服务平台通过车路协同路侧通信单元或第三方通信服务平台获取的车辆数据S6，作为虚假目标；

以真实目标为中心设定一个关联目标范围，设置预设范围，在此范围内所有目标为有效关联目标对象，超过此范围为无效目标关联对象，以目标的实时运动速度、目标运动方向、经纬度、车辆尺寸、车辆类型、所在车道为参考比较关联对象，并与预先设定的关联合并值为参考值，以及符合该规律点迹连续重复出现次数M，判断是否关联融合的判定条件；对于真实目标和虚假目标进行关联融合，融合后的目标动态信息以虚假目标动态信息为准，并根据获取车辆数据的专用通信通道以及车辆自身标识信息将该目标车辆区别并标注为无人驾驶车辆、自动驾驶车辆、人工辅助驾驶车辆，并将其中的ID身份编号进行修正，完成两个数据关联融合工作。

6.如权利要求1所述的用于车辆安全行驶所需的多数据融合的方法，其特征在于，在所述步骤S5中：

所述交通异常事件包括：异常车辆、异常路况、异常交通状态、异常行为；

所述最终异常事件数据信息，包括:异常事件的类型和所在位置，其中，所述异常事件的类型包括：异常车辆、异常路况、异常交通、异常区域；所在位置包括车道、经纬度、区域。

7.如权利要求1所述的用于车辆安全行驶所需的多数据融合的方法，其特征在于，所述将异常事件信息与预存的本区域的高精地图数据进行第四次融合，包括：采用差分计算方法并根据异常事件的位置信息、经度纬度、类型信息作为判断条件，去掉两个数据来源中重叠的部分内容，通过叠加增强计算方法并根据异常事件的位置信息、经度纬度、类型信息作为判断条件，将两个数据来源中未重叠的部分内容进行相互补充和完善，融合并形成最终所述的用于车辆安全行驶所需的异常事件数据信息、交通状态信息、路况信息、预警告警信息、通行方案信息、车辆控制信息。

8.如权利要求1所述的用于车辆安全行驶所需的多数据融合的方法，其特征在于通过将路侧传感器获取的每一辆车的动态数据和车牌抓拍摄像机/车载单元获取的车辆特征数据精准的融合，形成一个更加完整全面的用于支撑车辆安全行驶所需的所有环境信息、态势信息、路况信息、交通状态、预警告警信息、车辆控制信息的数据信息，实现并赋予对无人驾驶车辆、自动驾驶车辆、人工辅助驾驶车辆、普通人工驾驶车辆基于安全行驶所需的全面、远距离的感知能力和决策能力；通过获取车辆不同区域、不同内同的精确数据，实现对车辆状态和前方道路状况的精确判断，为无人驾驶、自动驾驶车辆、人工辅助驾驶车辆、普通人工驾驶车辆分别生成具有针对性行驶保障方案，进而可以实现为无人驾驶车辆、自动驾驶车辆、人工辅助驾驶车辆、普通人工驾驶车辆，均提供有效的安全保障，保障行驶安全、出行安全的目的。

Images