CN111768615A - 具有高清晰度地图的智能交通优化技术 - Google Patents

具有高清晰度地图的智能交通优化技术 Download PDF

Info

Publication number
CN111768615A
CN111768615A CN202010128245.8A CN202010128245A CN111768615A CN 111768615 A CN111768615 A CN 111768615A CN 202010128245 A CN202010128245 A CN 202010128245A CN 111768615 A CN111768615 A CN 111768615A
Authority
CN
China
Prior art keywords
layer
traffic
dynamic
computing device
flow
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.)
Pending
Application number
CN202010128245.8A
Other languages
English (en)
Inventor
M·霍达姆哈兹拉蒂
I·J·阿尔瓦雷兹
D·C·冈萨雷斯
C·洛佩斯-阿拉伊萨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Intel Corp
Original Assignee
Intel Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Intel Corp filed Critical Intel Corp
Publication of CN111768615A publication Critical patent/CN111768615A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3691—Retrieval, searching and output of information related to real-time traffic, weather, or environmental conditions
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096775—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a central station
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/04—Processing captured monitoring data, e.g. for logfile generation
    • H04L43/045—Processing captured monitoring data, e.g. for logfile generation for graphical visualisation of monitoring data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/0226—Traffic management, e.g. flow control or congestion control based on location or mobility
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/0252—Traffic management, e.g. flow control or congestion control per individual bearer or channel
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/20—Communication route or path selection, e.g. power-based or shortest path routing based on geographic position or location
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/42—Centralised routing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Atmospheric Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Environmental Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本文描述了具有高清晰度地图的智能交通优化技术。用于智能交通优化的技术包括定向流服务器，该定向流服务器从被监视区域中的交通基础设施设备接收动态交通数据。交通数据可包括交通量数据和交通控制状态数据。服务器基于动态交通数据来更新高清晰度地图的动态层。高清晰度地图还包括静态层和定向流层。服务器响应于更新动态层而优化定向流。定向流层指示与被监视区域中的道路相关联的交通方向。服务器可以优化若干子区域中的每个子区域，然后优化区域之间的连接道路。服务器可以将优化的定向流层分发给消费者，诸如交通控制设备、自主车辆和其他订阅设备。描述并要求保护其他实施例。

Description

具有高清晰度地图的智能交通优化技术
背景技术
自主车辆是能够感测周围环境并在环境中导航以到达预定的目的地的车辆，而通常无需来自车辆操作者的进一步输入。为此，自主车辆包括各种传感器(诸如激光、雷达、全球定位系统(GPS)和计算机视觉技术)，以促进导航。包含在自主车辆内的车辆控制系统可以处理传感器数据，以标识适当的导航路径、障碍物、相关标志和其他导航数据。当然，一些“自主”车辆可能是半自主的，并且需要操作员输入、确认和/或监督。
高清晰度(HD)地图是自主车辆用来支持车辆导航的高精度地图(例如，精确到厘米级)。HD地图不同于为车辆操作者查看而设计的典型导航地图。例如，HD地图更加精确，具有多层信息，并且可能未被配置为视觉显示。
HD地图通常由HD地图提供者提供给自主车辆，并作为片进行通信，该片包括对应于特定区域的导航信息。然而，许多HD地图提供者使用专有HD地图解决方案，使得HD地图无法跨不同的HD地图解决方案和/或车辆制造商互操作。因此，自主车辆无法使用来自未订阅的HD地图提供者的HD地图，这会导致缺少某些区域的HD地图片，因为不同的HD地图提供者覆盖不同的区域。此外，专有HD地图解决方案在众包HD地图中造成了困难，因为对此类数据进行通信的协议对于未订阅的自主车辆是未知的。此外，HD地图提供者之间的服务质量需求有所不同，这会在共享HD地图和信息时造成进一步的困难。
附图说明
在附图中，以示例方式而不是以限制方式例示出本文中所描述的概念。为说明简单和清楚起见，附图中所例示出的元素不一定是按比例绘制的。在认为适当的情况下，已在多个附图之间重复了附图标记以指示对应的或类似的元素。
图1是用于智能交通优化的系统的至少一个实施例的简化框图；
图2是图1的系统的定向流服务器的至少一个实施例的简化框图；
图3是用于可由图1-2的定向流服务器执行的用于智能交通优化的方法的至少一个实施例的简化流程图；
图4是可由图1-2的定向流服务器优化的定向流层的示意图；以及
图5是可包括图1-4的系统的边缘架构的至少一个实施例的简化框图。
具体实施方式
尽管本公开的概念易于具有各种修改和替代形式，但是，本公开的特定实施例已作为示例在附图中示出并将在本文中详细描述。然而，应当理解，没有将本公开的概念限制于所公开的特定形式的意图，而相反，意图旨在涵盖符合本公开和所附权利要求书的所有修改、等效方案和替代方案。
说明书中对“一个实施例”、“实施例”、“说明性实施例”等的引用指示所描述的实施例可包括特定特征、结构或特性，但是，每一个实施例可包括或可能不一定包括该特定特征、结构或特性。此外，此类短语不一定是指同一个实施例。进一步地，当结合实施例来描述特定的特征、结构或特性时，认为结合无论是否被明确描述的其他实施例来实施此类特征、结构或特性均落在本领域技术人员的知识范围之内。附加地，应当领会，以“A、B和C中的至少一个”的形式包括在列表中的术语可意指(A)；(B)；(C)；(A和B)；(A和C)；(B和C)；或(A、B和C)。类似地，以“A、B或C中的至少一个”的形式列出的项可以意指(A)；(B)；(C)；(A和B)；(A和C)；(B和C)；或(A、B和C)。
在一些情况下，所公开的实施例能以硬件、固件、软件或其任何组合来实现。所公开的多个实施例也可被实现为由暂态或非暂态机器可读(例如，计算机可读)存储介质承载或存储于其上的可由一个或多个处理器读取并执行的指令。此外，所公开的实施例最初可被编码为(例如，在机器可读存储介质上编码的)初步指令集，该初步指令集需要初步处理操作以准备用于在目的地设备上执行的指令。初步处理可包括将指令与设备上存在的数据进行组合，将指令转换为不同的格式，执行压缩、解压缩、加密和/或解密，将包括指令的不同部分的多个文件进行组合，将指令与设备(诸如库、操作系统等)上存在的其他代码进行集合或类似的操作。初步处理可以由源计算设备(例如，用于发送指令的设备)、目的地计算设备(例如，用于执行指令的设备)或中间设备来执行。机器可读存储介质可被具体化为用于以可由机器读取的形式存储或传送信息的任何存储设备、机构或其他物理结构(例如，易失性或非易失性存储器、介质盘、或其他介质设备)。
在附图中，一些结构特征或方法特征可按特定布置和/或排序示出。然而，应当领会，此类特定布置和/或排序可以不是必需的。相反，在一些实施例中，能以与在示例性附图中示出的不同的方式和/或次序来布置此类特征。另外，在特定附图中包括结构特征或方法特征不意味着暗示在所有实施例中都需要此类特征，并且在一些实施例中，可以不包括此类特征，或此类特征可以与其他特征相结合。
现在参考图1，示出了用于智能交通优化的系统100。在使用中，如下文进一步所述，交通基础设施104收集关于被监视区域中的车辆交通的实时动态数据，包括交通量和交通控制状态。定向流服务器102接收动态数据，并基于动态条件来优化被监视区域中的交通方向和流。优化的数据可被处理为高清晰度(HD)地图数据层。定向流服务器102可以将优化的HD地图数据分发到被监视区域中的交通基础设施104和多个自主车辆110。交通基础设施104和车辆110可以例如通过修改交通控制设备和/或车辆导航系统的状态来改变在被监视的区域中各个街道上流动的交通的方向和/或量，以实现优化的HD地图数据。定向流服务器102还可以将优化的HD地图数据分发给其他订阅者设备112。因此，系统100可以允许城市或其他区域更高效地管理交通流并适应动态交通路由。系统100还可以允许城市将优化的信息提供回自主车辆，这可以为自主车辆提供期望的冗余方法。
定向流服务器102可被具体化为能够执行本文中所描述的功能的任何类型的设备。例如，定向流服务器102可被具体化为但不限于，计算机、服务器、工作站、多处理器系统、分布式计算设备、交换机、路由器、网络设备、虚拟化系统(例如，在诸如虚拟机或容器之类的虚拟化环境中执行的一个或多个功能，其中底层的硬件资源对于在虚拟化环境中执行的软件表现为物理硬件，但通过抽象层与软件分开)和/或消费者电子设备。附加地或替代地，定向流服务器102可被具体化为一个或多个计算撬板、存储器撬板或其他机架、撬板、计算底座或物理上分解的计算设备的其他组件。如图1中所示，说明性定向流服务器102包括计算引擎120、I/O子系统122、存储器124、数据存储设备126以及通信子系统128。另外，在一些实施例中，示例性组件中的一个或多个可被结合到另一组件中，或以其他方式形成另一组件的部分。例如，在一些实施例中，存储器124或其部分可被并入在计算引擎120中。
计算引擎120可被具体化为能够执行本文所描述的功能的任何类型的计算引擎。例如，计算引擎120可被具体化为(多个)单核或多核处理器、数字信号处理器、微控制器、场可编程门阵列(FPGA)、或其他可配置电路系统、专用集成电路(ASIC)或者其他处理器或处理/控制电路或其虚拟化版本。类似地，存储器124可被具体化为能够执行本文所描述功能的任何类型的易失性或非易失性存储器或数据存储。在操作中，存储器124可以存储在定向流服务器102的操作过程中使用的各种数据和软件，诸如操作系统、应用、程序、库以及驱动程序。如图所示，存储器124可经由I/O子系统122通信地耦合到计算引擎120，该I/O子系统122可被具体化为用于促进与定向流服务器102的计算引擎120、存储器124以及其他组件之间的输入/输出操作的电路系统和/或组件。例如，I/O子系统122可被具体化为或以其他方式包括存储器控制器中枢、输入/输出控制中枢、传感器中枢、主机控制器、固件设备、通信链路(即，点对点链路、总线链路、线路、缆线、光导、印刷电路板迹线等)和/或用于促进输入/输出操作的其他组件和子系统。在一些实施例中，存储器124可以例如经由集成的存储器控制器中枢直接耦合到计算引擎120。另外，在一些实施例中，I/O子系统122可以形成片上系统(SoC)的一部分，并且可连同定向流服务器102的计算引擎120、存储器124、加速器130和/或其他组件一起被合并在单个集成电路芯片上。
数据存储设备126可被具体化为被配置成用于数据的短期或长期存储的任何类型的一个或多个设备，诸如例如存储器设备和电路、存储器卡、硬盘驱动器、固态驱动器、非易失性闪存或其他数据存储设备。通信子系统128可被具体化为能够通过网络114实现定向流服务器102与其他远程设备之间的通信的任何通信电路、设备或其集合。通信子系统128可被配置成用于使用任何一个或多个通信技术(例如，有线或无线通信)和相关联的协议(例如，以太网、
Figure BDA0002395062960000051
WiMAX、3G、4G LTE、5G等)来实现此类通信。
交通基础设施104包括测量和控制诸如城市之类的被监视区域中的车辆交通的分布式设备。如图所示，说明性交通基础设施104包括交通控制106和交通传感器108。交通控制106可被具体化为交通灯、车道控制设备以及控制在被监视区域中的街道、道路或其他干道的车道上的车辆交通的方向和/或量的其他设备。交通传感器108可被具体化为监视在被监视区域中的街道、道路或其他干道上的当前车辆交通量的任何传感器，诸如交通相机、车辆检测回路、接近传感器、运动传感器和/或其他传感器。每个交通基础设施104设备可被具体化为或者以其他方式包括物联网(IoT)传感器、IoT网关和/或其他计算组件，以实现通过网络114与远程设备(诸如定向流服务器102)的通信。这样，每个交通基础设施104设备还可包括与定向流服务器102类似的组件和特征，诸如计算引擎120、I/O子系统122、存储器124、数据存储126、通信子系统128和/或各种传感器和外围设备。
每个车辆110可被具体化为自主车辆、半自主车辆、具有高级导航特征的车辆或其他连接的车辆。这样，每个车辆110可包括与定向流服务器102类似的组件和特征，诸如计算引擎120、I/O子系统122、存储器124、数据存储126、通信子系统128和/或各种传感器和外围设备。每个车辆110的那些各个组件可与定向流服务器102的相对应组件类似，对定向流服务器102的相对应组件的描述适用于车辆110的相对应组件，并且为了本说明清楚而不再重复。
每个订阅者设备112可被具体化为能够执行本文所述功能的任何类型的计算或计算机设备，包括但不限于计算机、移动计算设备、可穿戴计算设备、网络设备、web设备、分布式计算系统、自主车辆、自主飞行器、物联网(IoT)传感器、IoT网关、工业自动化设备、基于处理器的系统和/或消费者电子设备。这样，每个订阅者设备112还可包括与定向流服务器102类似的组件和特征，诸如计算引擎120、I/O子系统122、存储器124、数据存储126、通信子系统128和/或各种传感器和外围设备。每个订阅者设备112的那些各个组件可与定向流服务器102的相对应组件类似，对定向流服务器102的相对应组件的描述适用于订阅者设备112的相对应组件，并且为了本说明清楚而不再重复。
如以下更详细讨论的，定向流服务器102、交通基础设施104、车辆110以及订阅者设备112可被配置成用于通过网络114彼此和/或与系统100的其他设备传送和接收数据。网络114可被具体化为任何数量的各种有线和/或无线网络、或者其混合或组合。例如，网络114可被具体化为或以其他方式包括：移动接入网、网络边缘基础结构、有线或无线局域网(LAN)和/或有线或无线广域网(WAN)。由此，网络114可包括任何数量的附加设备，诸如用于促进系统100的设备之间的通信的附加的基站、接入点、计算机、路由器和交换机。
现在参考图2，在说明性实施例中，定向流服务器102在操作期间建立环境200。说明性环境200包括动态层管理器202、流优化器204和分发管理器206。环境200的各组件可被具体化为硬件、固件、软件或其组合。如此，在一些实施例中，环境200的组件中的一个或多个可被具体化为电气设备的电路或集合(例如，动态层管理器电路系统202、流优化器电路系统204和/或分发管理器电路系统206)。应当理解，在此类实施例中，动态层管理器电路系统202、流优化器电路系统204和/或分布管理器电路系统206中的一个或多个可形成计算引擎120、I/O子系统122、存储器124、数据存储设备126和/或定向流服务器102的其他组件的部分。另外，在一些实施例中，说明性组件中的一个或多个可形成另一组件的部分和/或说明性组件中的一个或多个可彼此独立。
如图2所示，环境200进一步包括HD地图208。HD地图208可被具体化为诸如城市之类的被监视区域的高精度地图(例如，精确到厘米级)。HD地图208可以被自主车辆100用来支持车辆110的导航或用于其他任务。如图所示，HD地图208包括多层信息，包括定向流层210、动态层212和静态层214。静态层214包括关于被监视区域中的地图和路线的信息，包括区域中的特定区域(例如，节点)以及区域之间的道路、街道或其他干道或路线(例如，边缘)。动态层212包括与静态层214的节点的交通分布有关的信息，并且可以实时更新并基于跨被监视的区域的交通分布来重新计算。如下文进一步描述，定向流层210包括层212、214的节点之间的每条路线的交通的方向和/或量。如下文进一步描述的，定向流层210可以被优化并分发给消费者，诸如交通基础设施104、车辆110和/或订阅者设备112。
动态层管理器202被配置成用于从被监视区域的多个交通基础设施104设备接收动态交通数据。动态交通数据可包括来自交通控制设备106的交通控制状态数据和/或来自交通传感器108的交通量数据。动态层管理器进一步被配置成用于基于动态交通数据来更新HD地图208的动态层212。
流优化器204被配置成用于响应于更新动态层212而优化HD地图208的定向流层210。定向流层210指示与被监视区域的一个或多个道路相关联的方向。定向流层210可以指示与被监视区域的一个或多个道路相关联的交通量。可以通过执行加权图流优化算法来优化定向流层210。优化定向流层210可包括优化与被监视区域的子区域相关联的多个流子层，以及优化子区域之间的连接道路。
分发管理器206被配置成用于响应于优化定向流层210而将定向流层210发送到多个消费者计算设备。消费者计算设备可包括自主车辆110、交通控制设备106和/或订阅者设备112。可以基于与订阅者设备112相关联的身份来调整定向流层210的细节水平。
现在参考图3，在使用中，定向流服务器102可执行用于智能交通优化的方法300。应当理解，在一些实施例中，方法300的操作可由如图2所示的定向流服务器102的环境200的一个或多个组件来执行。方法300开始于框302，其中定向流服务器102接收来自交通基础设施104的动态交通更新。例如，定向流服务器102可以订阅来自交通基础设施104的交通更新信息，而交通基础设施104设备可以发布更新信息。动态交通更新信息可包括与HD地图208的动态层212有关的任何信息，包括关于当前交通量和/或状态的信息。在一些实施例中，在框304中，定向流服务器102可以从一个或多个交通传感器108接收交通量数据。交通量数据可以指示被监视区域中的每条道路上的车辆数量、每条道路的相对拥堵，或任何其他交通量度。在一些实施例中，在框306中，定向流服务器102可以从一个或多个交通控制106接收交通控制状态数据。状态数据可以例如通过指示一个或多个车道控制灯或其他车道控制设备的状态来指示一个或多个交通车道的当前交通方向。状态数据可以指示一个或多个交通灯(例如，绿色、黄色、红色)的当前状态，或者以其他方式指示交通控制106是否允许交通流过特定的节点(例如，交叉路口、入口坡道或监视区域中的其他区域)。状态数据还可指示与交通控制106相关联的定时数据，诸如绿灯长度、红灯长度等。
在框308中，定向流服务器102用从交通基础设施104接收的交通更新来更新HD地图208动态层212。定向流服务器102可以例如基于交通更新数据，来更新存储在HD地图208中的一个或多个节点和/或边缘的交通量和方向数据。在更新之后，动态层212可以表示被监视区域中的实时交通状况。
在框310中，定向流服务器102优化HD地图208定向流层210中的吞吐量和交通流。特别地，优化交通流包括在一天中的每个时间找到每个交通道路的最优方向，并且自动地为交通资产如交通灯(例如，交通控制106)指派最优时机，以使该区域所有车辆的行驶时间总和最小化。在框312中，定向流服务器102将交通优化问题建模为加权图流优化问题。在框314中，定向流服务器102针对所监视区域内的多个子区域优化交通流。定向流服务器102用诸如A-start或D-Lite之类的快速算法来优化每个子区域。在优化每个子区域之后，将这些优化的结果馈送到Q函数中，以全局优化子区域之间的连接道路。在一些实施例中，在框316中，定向流服务器102可以应用自适应学习算法以随时间优化整个网络并加速针对较大区域的计算。可以使用现有的神经网络优化来处理对沿节点的交通和转变的处置。
在框318中，定向流服务器102将优化的定向流层210数据发送给多个消费者。在一些实施例中，在框320中，定向流服务器102可以将优化的数据发送到交通控制106。交通控制106可以根据优化的定向流层210修改其状态或以其他方式控制交通的流。通过优化监视区域中的每条道路的方向和/或量，系统100可以提高监视区域的交通效率。
在一些实施例中，在框322中，定向流服务器102可以将优化的定向流层210数据发送到车辆110。车辆110可以使用优化的数据来控制被监视区域中的车辆导航(例如，用于自主或半自主车辆)，以执行路线规划或显示交通(例如，用于导航系统或其他车载信息娱乐功能)，或用于其他目的。
在一些实施例中，在框324中，定向流服务器102可以将优化的定向流层210数据发送到一个或多个其他订阅者设备112。例如，定向流服务器102可以将交通即服务信息提供给订阅者，诸如本地企业(例如，用于企业营业时间规划、人员规划或以其他方式有关交通状况的规划)、广告商(例如，用于激活智能广告牌或基于交通方向或量调整广告牌定价模型)，或其他订阅者。定向流层210数据可以与HD地图208数据、紧急警报或其他数据或服务一起被分发。在一些实施例中，在框326中，定向流服务器102可以基于订阅者的身份来调整优化的定向流层210数据的详细信息或密度。例如，一般的交通/方向信息对所有车辆110可用。更多详细信息或其他更高级的信息(诸如交通预测)对付费订阅者或其他实体可用(诸如紧急服务)。在分发优化的数据之后，方法300返回到框302以继续更新HD图208并优化定向流层210。
现在参考图4，图400图示了可以由定向流服务器102优化的定向流层210的一个潜在实施例。定向流层210被例示为包括通过加权边缘连接的多个节点的定向图。每个节点对应于被监视区域中的一个区域，诸如交叉路口、入口坡道或其他位置。每个边缘对应于节点之间的道路或其他连接。每个边缘均按当前交通量进行加权。说明性地，在图400中，较重权重的线用于例示较重的交通。如图所示，图400被分成子区域402、404、406。如上所述，可以使用快速算法单独地优化每个子区域402、404、406中的交通流。在优化之后，全局地优化连接道路(例如，子区域402、404中的节点之间的道路、子区域402、406中的节点之间的道路等)。然后，将优化的定向流层210分配给诸如交通控制106和车辆110之类的消费者。
现在参考图5，图500示出了可包括系统100的边缘架构。如图所示，边缘架构包括多个层级502、504、506、508。每个层级包括可以经由边缘结构与同一层级的其他节点和/或其他层级的节点通信的多个节点。如图所示，交通基础设施104、车辆110和/或订阅者设备112可以被包括在物/端点层级502中。物/端点层级502可包括大量端点设备，它们是异构的，可以是移动的，并且可以在地理上分布广泛。接入/边缘层504可包括接入网络组件，诸如无线塔、接入点、基站、中间节点、网关、雾节点、中心局以及其他接入网络或边缘组件。接入/边缘层级504的组件可以分布在建筑物、小型小区、邻域或小区规模上。因此，接入/边缘层级504的组件在物理上可以相对接近于物/端点层级502的组件。核心网络层级506可包括核心网络路由器、网络网关、服务器和其他更集中的计算设备。核心网络层级506的组件可以区域性地或全国性地分布。云/互联网层级508可包括互联网骨干路由器、云服务提供商、数据中心和其他云资源。云/互联网层级508的组件可以全局地分布。如图所示，定向流服务器102和/或订阅者设备112可被包括在接入/边缘层级504、核心网络层级506和/或云/互联网层级508的所有中。
如图所示，根据从全局的、基于云的组件到本地的端点设备的逻辑梯度510来组织边缘架构。与更接近网络核心(即，更接近云/互联网层级508)的组件相比，更接近网络边缘(即，更接近端点层级502)的组件可能更小但数量更多，具有更少的处理资源和更低的功耗。然而，与遍历更接近网络核心的层级的通信相比，更接近网络边缘的组件之间的网络通信可能更快和/或具有更低的延迟。相同的逻辑梯度510可以应用于层级内的组件。例如，接入/边缘层504可包括众多、广泛分布的基站、街道橱柜和其他接入节点以及数量较少但更复杂的中心局或其他聚合节点。因此，与传统的基于云计算的FaaS架构相比，通过在接入/边缘层级504或接近网络边缘(例如，逻辑上接近交通基础设施104和/或车辆110)的其他组件中包括智能交通优化，系统100可以改善延迟和性能。
除了上述的移动边缘计算实施方案之外，应当理解，前述系统和方法可以在其中布置有设备并且设备以类似于参考图1描述的方式进行互操作的任何环境(例如，智能工厂、智能城市、智能建筑等)中实现，尽管各个设备的名称在不同的实施方案中可能有所不同。例如，在智能城市中，以上系统和方法可以提高交通控制系统、环境监测系统和/或其他自动化或半自动化系统的操作的准确性、效率和/或安全性。
示例
下面提供了本文中所公开的技术的说明性示例。这些技术的实施例可包括下文所描述的示例中的任何一个或多个以及其任何组合。
示例1包括一种用于交通流控制的计算设备，该计算设备包括：动态层管理器，用于(i)从被监视区域中的多个交通基础设施设备接收来自动态交通数据，以及(ii)基于动态交通数据来更新高清晰度地图的动态层，其中高清晰度地图包括静态层、动态层和定向流层；以及流优化器，用于响应于动态层的更新而优化高清晰度地图的定向流层，其中定向流层指示与被监视区域的一条或多条道路相关联的方向。
示例2包括示例1的主题，并且进一步包括分发管理器，该分发管理器用于响应于定向流层的优化而将定向流层发送到多个消费者计算设备。
示例3包括示例1和2中任一项的主题，并且其中将定向流层发送到多个消费者计算设备包括将定向流层发送到自主车辆。
示例4包括示例1-3中任一项的主题，并且其中将定向流层发送到多个消费者计算设备包括将定向流层发送到交通控制设备。
示例5包括示例1-4中任一项的主题，并且其中将定向流层发送到多个消费者计算设备包括将定向流层发送到订阅者设备。
示例6包括示例1-5中任一项的主题，并且其中将定向流层发送到多个消费者计算设备包括基于与订阅者设备相关联的身份来调整定向流层的细节水平。
示例7包括示例1-6中任一项的主题，并且其中接收动态交通数据包括从多个交通传感器接收交通量数据。
示例8包括示例1-7中任一项的主题，并且其中接收动态交通数据包括从多个交通控制设备接收交通控制状态数据。
示例9包括示例1-8中任一项的主题，并且其中优化定向流层包括执行加权图流优化算法。
示例10包括示例1-9中任一项的主题，并且其中优化定向流层包括：优化多个定向流子层，其中每个定向流子层与监视区域的子区域相关联；以及响应于多个定向流子层的优化而优化多个子区域中的每个子区域之间的连接道路。
示例11包括一种用于交通流控制的方法，该方法包括：由计算设备从被监视区域中的多个交通基础设施设备接收动态交通数据，以及由计算设备基于动态交通数据来更新高清晰度地图的动态层，其中高清晰度地图包括静态层、动态层和定向流层；以及由计算设备响应于动态层的更新而优化高清晰度地图的定向流层，其中定向流层指示与被监视区域的一条或多条道路相关联的方向。
示例12包括示例11的主题，并且进一步包括由计算设备响应于优化定向流层而将定向流层发送到多个消费者计算设备。
示例13包括示例11和12中任一项的主题，并且其中将定向流层发送到多个消费者计算设备包括将定向流层发送到自主车辆。
示例14包括示例11-13中任一项的主题，并且其中将定向流层发送到多个消费者计算设备包括将定向流层发送到交通控制设备。
示例15包括示例11-14中任一项的主题，并且其中将定向流层发送到多个消费者计算设备包括将定向流层发送到订阅者设备。
示例16包括示例11-15中任一项的主题，并且其中将定向流层发送到多个消费者计算设备包括基于与订阅者设备相关联的身份来调整定向流层的细节水平。
示例17包括示例11-16中任一项的主题，并且其中接收动态交通数据包括从多个交通传感器接收交通量数据。
示例18包括示例11-17中任一项的主题，并且其中接收动态交通数据包括从多个交通控制设备接收交通控制状态数据。
示例19包括示例11-18中任一项的主题，并且其中优化定向流层包括执行加权图流优化算法。
示例20包括示例11-19中任一项的主题，并且其中优化定向流层包括：优化多个定向流子层，其中每个定向流子层与监视区域的子区域相关联；以及响应于优化多个定向流子层而优化多个子区域中的每个子区域之间的连接道路。
示例21包括一种计算设备，该计算设备包括：处理器；以及存储器，具有存储于其中的多个指令，这多个指令在由处理器执行时使计算设备执行示例11-20中任一项的方法。
示例22包括一种或多种非暂态计算机可读存储介质，包括存储于其上的多条指令，这些指令响应于被执行，使计算设备执行示例11-20中任一项的方法。
示例23包括一种计算设备，该计算设备包括用于执行示例11-20中的任一项的方法的装置。

Claims (25)

1.一种用于交通流控制的计算设备，所述计算设备包括：
动态层管理器，用于(i)从被监视区域中的多个交通基础设施设备接收动态交通数据，以及(ii)基于所述动态交通数据来更新高清晰度地图的动态层，其中所述高清晰度地图包括静态层、动态层和定向流层；以及
流优化器，用于响应于所述动态层的更新而优化所述高清晰度地图的所述定向流层，其中所述定向流层指示与所述被监视区域的一条或多条道路相关联的方向。
2.如权利要求1所述的计算设备，进一步包括分发管理器，所述分发管理器用于响应于所述定向流层的优化而将所述定向流层发送到多个消费者计算设备。
3.如权利要求2所述的计算设备，其中将所述定向流层发送到所述多个消费者计算设备包括将所述定向流层发送到自主车辆。
4.如权利要求2所述的计算设备，其中将所述定向流层发送到所述多个消费者计算设备包括将所述定向流层发送到交通控制设备。
5.如权利要求2所述的计算设备，其中将所述定向流层发送到所述多个消费者计算设备包括将所述定向流层发送到订阅者设备。
6.如权利要求5所述的计算设备，其中将所述定向流层发送到所述多个消费者计算设备包括基于与所述订阅者设备相关联的身份来调整所述定向流层的细节水平。
7.如权利要求1所述的计算设备，其中接收所述动态交通数据包括从多个交通传感器接收交通量数据。
8.如权利要求1所述的计算设备，其中接收所述动态交通数据包括从多个交通控制设备接收交通控制状态数据。
9.如权利要求1所述的计算设备，其中优化所述定向流层包括执行加权图流优化算法。
10.如权利要求9所述的计算设备，其中优化所述定向流层包括：
优化多个定向流子层，其中每个定向流子层与所述被监视区域的子区域相关联；以及
响应于所述多个定向流子层的优化而优化多个子区域中的每个子区域之间的连接道路。
11.一种用于交通流控制的方法，所述方法包括：
由计算设备从被监视区域中的多个交通基础设施设备接收动态交通数据；
由所述计算设备基于所述动态交通数据来更新高清晰度地图的动态层，其中所述高清晰度地图包括静态层、动态层和定向流层；以及
由所述计算设备响应于更新所述动态层而优化所述高清晰度地图的所述定向流层，其中所述定向流层指示与所述被监视区域的一条或多条道路相关联的方向。
12.如权利要求11所述的方法，进一步包括由所述计算设备响应于优化所述定向流层而将所述定向流层发送到多个消费者计算设备。
13.如权利要求12所述的方法，其中将所述定向流层发送到所述多个消费者计算设备包括将所述定向流层发送到自主车辆。
14.如权利要求12所述的方法，其中将所述定向流层发送到所述多个消费者计算设备包括将所述定向流层发送到交通控制设备。
15.如权利要求11所述的方法，其中接收所述动态交通数据包括从多个交通传感器接收交通量数据。
16.如权利要求11所述的方法，其中接收所述动态交通数据包括从多个交通控制设备接收交通控制状态数据。
17.如权利要求11所述的方法，其中优化所述定向流层包括执行加权图流优化算法。
18.如权利要求17所述的方法，其中优化所述定向流层包括：
优化多个定向流子层，其中每个定向流子层与所述被监视区域的子区域相关联；以及
响应于优化所述多个定向流子层而优化多个子区域中的每个子区域之间的连接道路。
19.一种用于交通流控制的计算设备，所述计算设备包括：
用于从被监视区域中的多个交通基础设施设备接收动态交通数据的装置；
用于基于所述动态交通数据来更新高清晰度地图的动态层的装置，其中所述高清晰度地图包括静态层、动态层和定向流层；以及
用于响应于更新所述动态层而优化所述高清晰度地图的所述定向流层的装置，其中所述定向流层指示与所述被监视区域的一条或多条道路相关联的方向。
20.如权利要求19所述的计算设备，进一步包括用于响应于优化所述定向流层而将所述定向流层发送到多个消费者计算设备的装置。
21.如权利要求20所述的计算设备，其中用于将所述定向流层发送到所述多个消费者计算设备的装置包括用于将所述定向流层发送到自主车辆的装置。
22.如权利要求20所述的计算设备，其中用于将所述定向流层发送到所述多个消费者计算设备的装置包括用于将所述定向流层发送到交通控制设备的装置。
23.如权利要求19所述的计算设备，其中用于接收所述动态交通数据的装置包括用于从多个交通传感器接收交通量数据的装置。
24.如权利要求19所述的计算设备，其中用于优化所述定向流层的装置包括用于执行加权图流优化算法的装置。
25.如权利要求24所述的计算设备，其中用于优化所述定向流层的装置包括：
用于优化多个定向流子层的装置，其中每个定向流子层与所述被监视区域的子区域相关联；以及
用于响应于优化所述多个定向流子层而优化多个子区域中的每个子区域之间的连接道路的装置。
CN202010128245.8A 2019-03-30 2020-02-28 具有高清晰度地图的智能交通优化技术 Pending CN111768615A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/370,986 US11255693B2 (en) 2019-03-30 2019-03-30 Technologies for intelligent traffic optimization with high-definition maps
US16/370,986 2019-03-30

Publications (1)

Publication Number Publication Date
CN111768615A true CN111768615A (zh) 2020-10-13

Family

ID=67299911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010128245.8A Pending CN111768615A (zh) 2019-03-30 2020-02-28 具有高清晰度地图的智能交通优化技术

Country Status (3)

Country Link
US (1) US11255693B2 (zh)
CN (1) CN111768615A (zh)
DE (1) DE102020104863A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115907591A (zh) * 2022-12-15 2023-04-04 浙江蓝景科技有限公司杭州分公司 一种海洋云仓污染物运输车辆异常行为预警方法和系统

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10353931B2 (en) * 2016-12-30 2019-07-16 DeepMap Inc. High definition map and route storage management system for autonomous vehicles
US10666557B2 (en) * 2018-08-03 2020-05-26 Hitachi, Ltd. Method to manage data flow for edge-core distributed analytics systems
CN111216731B (zh) * 2020-01-23 2021-04-30 上海丰豹商务咨询有限公司 一种车路协同自动驾驶的主动感知系统
CN112380317B (zh) * 2021-01-18 2021-04-09 腾讯科技（深圳）有限公司 高精地图更新方法、装置、电子设备和存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2726103A1 (en) * 2008-06-24 2009-12-30 Tele Atlas North America Inc. Methods and systems for dynamically adaptive road network hierarchy and routing
US10789834B2 (en) * 2009-11-24 2020-09-29 Verizon Patent And Licensing Inc. Traffic data distribution in a navigational system
EP3413018B1 (en) * 2016-02-26 2020-08-26 Huawei Technologies Co., Ltd. Traffic control method and device
US20180211427A1 (en) * 2017-01-20 2018-07-26 Microsoft Technology Licensing, Llc Generating and providing layers for maps
US10337875B2 (en) * 2017-02-06 2019-07-02 Verizon Patent And Licensing Inc. Converting between data structures to determine a shortest path between two geographic locations
US10410352B1 (en) * 2019-01-25 2019-09-10 StradVision, Inc. Learning method and learning device for improving segmentation performance to be used for detecting events including pedestrian event, vehicle event, falling event and fallen event using edge loss and test method and test device using the same

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115907591A (zh) * 2022-12-15 2023-04-04 浙江蓝景科技有限公司杭州分公司 一种海洋云仓污染物运输车辆异常行为预警方法和系统

Also Published As

Publication number Publication date
DE102020104863A1 (de) 2020-10-01
US20190226868A1 (en) 2019-07-25
US11255693B2 (en) 2022-02-22

Similar Documents

Publication Publication Date Title
US11255693B2 (en) Technologies for intelligent traffic optimization with high-definition maps
Munir et al. IFCIoT: Integrated Fog Cloud IoT: A novel architectural paradigm for the future Internet of Things
US9584977B2 (en) Management of moving objects
CN110958567B (zh) 共享由自主运载工具感知的经分类的对象
US20210302585A1 (en) Smart navigation method and system based on topological map
US20210020038A1 (en) Predictive route congestion management
EP4303793A2 (en) Path segment risk regression system for on-demand transportation services
US11102630B2 (en) Method for service placement in a multi-access/mobile edge computing (MEC) system
CN111768440A (zh) 用于管理受监视区域的世界模型的技术
US11810406B2 (en) Autonomous vehicle data management platform
US20230033518A1 (en) Joint optimization of robotic vehicle routing for ride quality, safety, and operator demand
US11073405B2 (en) Comparative priority and target destination based lane assignment of autonomous vehicles
CN116860903A (zh) 用于管理自主车辆的可互操作的高清晰度地图的技术
US20180374344A1 (en) Management of mobile objects
US20180374356A1 (en) Management of mobile objects
US11993287B2 (en) Fleet-level AV simulation system and method
US20220268593A1 (en) Joint optimization of vehicle mobility, communication networks, and computing resources
US11599839B2 (en) Systems and methods for limiting autonomous vehicle requests
Lalitha et al. IoT-based traffic management
US20240071232A1 (en) Autonomous vehicle fleet prioritization system
US20230252902A1 (en) Drone deployment for distributed asset maintenance and repair
Kumar et al. An emerging application of Intelligent Networks in Transportation and Industry automation
CN111210616A (zh) 基于多源数据的车流量预测方法、系统、终端及介质
US11830371B2 (en) Traffic management for unmanned aircraft
US20230230361A1 (en) Domain batch balancing for training a machine learning algorithm with data from multiple datasets

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