CN112258850A - 一种车路协同系统边缘侧多传感器数据融合系统 - Google Patents

Abstract

本发明提供了一种车路协同系统边缘侧多传感器数据融合系统，包括信息采集单元、融合分析单元和综合研判单元；所述信息采集单元，用于实现与各类检测设备(视频检测器、毫米波雷达、激光雷达等)对接，在前端进行数据预处理，并将数据发送给融合分析单元；所述融合分析单元用于完成数据的融合处理；所述综合研判单元基于各种先验规则和交通算法模型实现对事件、态势的综合研判。综合考量鲁棒性、时效性、轻量化、普适性等因素，以满足边缘侧车路协同多场景应用。多传感器信息融合开发框架，包含信息采集、融合分析和综合研判单元三部分，并提供上下层接口，用于服务支撑和数据采集。

Description

一种车路协同系统边缘侧多传感器数据融合系统

技术领域

本发明涉及物联网和智能交通车路协同领域，尤其涉及一种车路协同系统边缘侧多传感器数据融合系统。

背景技术

随着社会和经济的发展，国内汽车保有量与道路里程都在大幅增加，各大城市在享受繁荣的同时又无一例外地面临着交通、环保等问题的巨大压力。为了有效缓解这些问题，很多厂商相继投入大量资金和人力资源，综合运用信息技术、通信技术、电子控制技术、计算机技术以及智能驾驶技术等，进行车路协同的研究和体系建立，整个车路协同产业也在不断扩大。随着车路协同在国家层面不断得到重视，未来几年，整个行业将迎来更好的发展契机，大量道路基础设施及各类车辆的智能化升级需求，将会形成巨大的市场机遇。

智能车路协同系统是智能交通的关键环节，基于无线通信、传感探测等技术，利用驾驶行为预警、车辆行驶状态预警等新一代技术，通过车载智能推送终端全面打通人、车、路联通环节，形成一个闭环的交互系统，全方位实现人、车、路动态信息的交互和共享。在全时空动态交通信息采集与融合的基础上，开展车辆主动安全控制和道路协同管理的研究，实现人车路的有效协同，保证交通安全，提高通行效率，从而形成的安全、高效、环保的智慧道路交通运行生态圈。

随着车路协同技术的不断发展，交通信息采集手段越来越多，交通数据种类和异构性不断加大，加之对实时性、可靠性与安全性等的严格要求，都给以大数据、云计算为核心的数据存储、处理、分析体系带来了沉重压力。因此，以车联网为代表的物联网技术发展大势正在从平台向边缘延伸，加之车路协同信息交互技术依赖于便携可移动的智能设备，有别与传统互联网设施，受限于接入带宽、流量、能耗等条件的限制，应合理对数据进行存储和处理。在靠近终端或者数据源头的网络边缘搭建一个集连接、存储、计算、应用的开放平台，就近提供边缘智能服务，这边是边缘计算技术。

发明内容

本发明的目的是提供一种车路协同系统边缘侧多传感器数据融合系统，具有较高的集成度和运行性能、能够保持整体系统稳定、便于拓展、可有利于车路协同应用系统的功能实现。

本发明系统包括信息采集单元、融合分析单元；

所述信息采集单元，用于实现与各类检测设备(视频检测器、毫米波雷达、激光雷达等)对接，在前端通过清洗、转换、配准和关联等进行数据预处理，并将数据发送给融合分析单元；

所述融合分析单元用于完成数据的融合处理。

所述融合分析单元用于完成数据的融合处理，具体包括如下步骤：

步骤1，设定RSU(Road Side Unit，路测单元)设备上两个不同的传感器对一恒定量进行测量，两个不同的传感器的观测值分别为z₁和z₂：

z₁＝x+v₁，

z₂＝x+v₂，

其中，x为真实值，v₁为第一个传感器观测时存在的随机误差，v₂为第二个传感器观测时存在的随机误差，且设

i取值为1或2，N()表示取值范围，

代表随机误差，两个传感器观测值相互独立；

步骤2，设定x的估计值

与观测值z_i成线性关系，且

为x的无偏估计，有：

Ω＝(ω₁,ω₂)为各个传感器测量值的权值，即ω₁为第一个传感器测量值的权值，ω₂为第二个传感器测量值的权值；

步骤3，计算估计误差

步骤4，求解出第一个传感器测量值的最优权值

和第二个传感器测量值的最优权值

步骤5，得到最优估计量

步骤6，将步骤5的结果推广到多传感器的情况。

步骤3包括：设估计误差

为：

取代价函数J为

的均方误差

有：

由于

为x的无偏估计，则：

其中

表示

的数学期望。

步骤4包括：由于E(v₁)＝E(v₂)＝0，

其中E(v₁)表示v₁的数学期望，E(v₂)表示v₂的数学期望，E(x)表示x的数学期望，

表示

的数学期望，则：

ω₂＝1-ω₁，

代价函数写为：

由于

v₁,v₂相互独立有E(v₁v₂)＝0，

则：

其中

为第一个传感器测量值的随机误差，

为第二个传感器测量值的随机误差，为使得J为最小，对Ω求导有：

解出第一个传感器测量值的最优权值

和第二个传感器测量值的最优权值

为：

步骤5包括：得到最优估计量

为：

上式表明当两个传感器最优权值时，能够通过观测器已经获得的观测值z₁、z₂融合得到最优估计值

步骤6包括：设多传感器组的方差分别为σ_i，i＝1,2...n，n取值为自然数，各传感器的测量值分别为z_i，彼此相互独立，真值的估计值为

并且是x的无偏估计，各传感器的加权因子分别为ω_i，p取值范围是[1,n]，根据多元函数求极值理论，求出均方误差最小时所对应的加权因子

为：

其中

为第p个传感器测量值的随机误差。

通过公式

当计算出各个传感器的加权因子

结合各个传感器的测量值z_p融合得到最优估计值。

本发明系统还包括综合研判单元，所述综合研判单元基于各种先验规则和交通算法模型实现对事件、态势的综合研判。如根据获得的车辆排队长度、车速及车流量等信息得出路口拥堵程度，并给出相应的优化配时建议。

本发明中，所述信息采集单元，为GPS、雷达、检测器、摄像头等多种路侧交通设备提供数据采集接口，抽取汇聚GPS数据、雷达信号、微波信号、视频图像、RFID射频信号等原始数据，作为信息融合的信息输入。在前端进行数据预处理，并将数据发送给融合分析单元；

所述融合分析单元采用一种基于多传感器数据融合算法，完成采集数据的融合处理；涵盖数据层、特征层、决策层三个层次的信息融合，整体采用混合式融合体系，具备较好的鲁棒性和适应性。传感器输入的原始数据量大且无法保证数据质量，需要首先对数据进行清洗、转换、配准和关联，考虑到边缘侧的有限计算能力和高实时性要求，在数据层采用分布式融合体系；在特征层和决策层，数据量较小且融合精度要求较高，采用集中式融合体系。

所述综合研判单元基于各种先验规则和交通算法模型实现对事件、态势的综合研判。为信息服务平台提供应用服务接口，传输融合后的轨迹信息、拥堵信息、流量信息、行驶信息、障碍物信息等各类高价值决策数据，用于定位识别、车速控制、信号灯优化、故障检测、避障预警等相关服务应用。当面对不同应用场景时，可参考此框架开展场景需求、通信方式、数据流程、融合层次、融合体系等方面的分析，进行相应开发工作。

本发明还可以针对监测对象的不同构建不同的传感器组合，实现对车路协同不同应用场景和需求的适应。

有益效果：基于本发明系统，可准确、实时、快速获取路口状况，给出路口配时优化方案，减少路口拥堵，提高路口通行效率；同时，通过GPS、摄像头、雷达等多传感器对车辆监测的融合分析，可为车辆提供绿波车速引导，车辆按照建议的车速区间行驶，可不停车快速通过红绿灯路口；该传感器数据融合系统也通过多传感器数据融合获取车辆位置、速度等信息，可提供车辆前向碰撞及交叉口碰撞等安全预警，提高安全驾驶，减少交通事故发生。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1是基于车路协同系统通用体系架构示意图。

图2是智能路侧终端的硬件组成图。

具体实施方式

实施例：

车路协同系统的重要任务之一是对海量的感知信息进行汇总、共享和分析，并依据处理结果进行智能决策。云计算在车路协同系统中主要用于分析计算道路交通状态、大规模车辆诱导策略、智能交通调度等。云计算的应用，一方面可以实现业务的快速部署，在短期内为交通用户提供信息服务；另一方面，平台具有的强大运算能力、最新实时数据和广泛的服务支持，能够对综合交通服务起到强大的支撑作用，例如基于云计算的“云导航”可以实现“实时智能导航”。云平台则可以根据用户的需求及道路交通的实际情况、异常交通因素等，进行大范围的交通数据的分析、计算与规划，从而实现宏观区域的交通组织与优化，并通过服务整合为路网中车载终端提供更丰富、更富有价值的综合交通服务。多传感器信息融合也是车路协同系统关键技术之一。信息融合是利用计算机技术将来自多个传感器或多源的观测信息进行分析、综合处理.从而得出决策和估计任务所需的信息的处理过程。信息融合的基本原理是：充分利用传感器资源.通过对各种传感器及人工观测信息的合理支配与使用.将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则或算法组合来，产生对观测对象的一致性解释和描述。如图1和图2所示，考虑到边缘侧有限的计算能力，综合考虑实用性、准确率、计算速度等因素，本发明提供了一种车路协同系统边缘侧多传感器数据融合系统，综合运用数据融合技术对多源感知数据进行数据级融合、特征级融合以及决策级融合，将有利于通过对信息的优化和组合从中获得更多的有效信息，为车路协同服务更好赋能。

本发明系统包括信息采集单元、融合分析单元和综合研判单元；

所述融合分析单元用于完成采集数据的融合处理，着眼于流量检测和目标检测场景中的多传感器融合，综合考量算法鲁棒性、时效性和轻量化等因素，应用成熟可靠的融合算法在多层次进行信息融合。流量检测场景主要应用微波检测器和视频摄像头对行人、非机动车、机动车进行感知探测，在数据层和决策层进行信息融合。在数据层采用加权算法，采用最小二乘法确定具体权重值，将各个传感器的检测值与权重相乘然后求和,得到融合的数据。在决策层采用BP神经网络算法，结合实时数据和历史数据,分布并行处理交通数据的时间分布特征。目标检测场景主要应用长短距离毫米波雷达和视频摄像头对行人、机动车/非机动车进行感知识别。对于行人目标检测：毫米波雷达对人体照射回报较弱，因此采用视频为主、雷达为辅的信息融合方案。若视频和雷达信号同时检测到目标物，将两者输出数据进行融合加权处理；若视频检测到目标物，而雷达未检测到，则输出视频检测数据；若视频未检测到目标物，而雷达检测到，则根据目标物的长度、宽度和RCS等信息，判断是否是行人目标；若视频和雷达均未检测到目标物，则表明无行人目标。对于机动车/非机动车目标检测：毫米波雷达对金属物体回波较强，因此采用长、短距离毫米波雷达相配合的信息融合方案。两款雷达分别照射目标物，各自获取目标特征数据R_l和R_s，并从横向距离、纵向距离和速度三个特征维度进行信息融合。若R_l和R_s的横向距离/纵向距离差值在阈值范围内，则认定为同一目标，否则输出距离较近的目标作为目标物数据；若R_l和R_s的速度差值在阈值范围内，则认定为同一目标，否则输出速度较大的目标作为目标物数据；最后加权融合输出目标物的距离、速度等信息。具体包括如下步骤：

步骤1，设定RSU设备上两个不同的传感器对一恒定量进行测量，两个不同的传感器的观测值分别为z₁和z₂：

z₁＝x+v₁，

z₂＝x+v₂，

其中，v₁为第一个传感器观测时存在的随机误差，v₂为第二个传感器观测时存在的随机误差，且设

i取值为1或2，两传感器观测值相互独立；

步骤2，设定x的估计值

与观测值z_i(i＝1,2)成线性关系，且

为x的无偏估计，有：

Ω＝(ω₁,ω₂)为各个传感器测量值的权值，即ω₁为第一个传感器测量值的权值，ω₂为第二个传感器测量值的权值；

步骤3，设估计误差

为：

取代价函数J为

的均方误差

有：

由于

为x的无偏估计，则：

其中

表示

的数学期望。

步骤4，由于E(v₁)＝E(v₂)＝0，

其中E(v₁)表示v₁的数学期望，E(v₂)表示v₂的数学期望，E(x)表示x的数学期望，

表示

的数学期望，则：

ω₂＝1-ω₁，

代价函数写为：

由于

v₁,v₂相互独立有E(v₁v₂)＝0，

则：

其中

为第一个传感器测量值的随机误差，

为第二个传感器测量值的随机误差。

为使得J为最小，对Ω求导有：

解出第一个传感器测量值的最优权值

和第二个传感器测量值的最优权值

为：

步骤5，最优估计量

为：

上式表明当两个传感器最优权值时，能够通过观测器已经获得的观测值融合得到最优的估计值；

步骤6，将步骤5的结果推广到多个传感器的情况，设多传感器组的方差分别为σ_i(i＝1,2...n)，各传感器的测量值分别为z_i(i＝1,2...n)，彼此相互独立，真值的估计值为

并且是x的无偏估计，各传感器的加权因子分别为ω_i(i＝1,2...n)，根据多元函数求极值理论，求出均方误差最小时所对应的加权因子为：

中

为第p个传感器测量值的随机误差。

通过公式

可得，当计算出各个传感器的加权因子

结合各个传感器的测量值z_p可融合得到最优估计值。

如图1所示，通信方式包含4G LTE的Uu通信和C-V2X PC5直连通信,4G LTE通信模块型号为EC20,C-V2X PC5直连通信模块型号为AG15。前端摄像头、雷达等采集数据在边缘侧的边缘计算单元进行融合处理，边缘计算单元采用嵌入式处理器，具体型号为XC7Z020。

所述综合研判单元根据融合分析单元中决策层集中融合的数据，对路口可得出准确的路口流量信息、车辆排队长度及拥堵信息、车辆轨迹信息及驾驶行为信息及障碍物信息等，并将这些信息上传至云控平台。云控平台可根据车流量信息和拥堵信息对路口的信号灯配时进行动态优化，减少车辆排队时间；获得车辆的轨迹信和行驶信息，可对车辆提供绿波车速引导服务，车辆可根据下发的速度区间不停车的快速通过路口；针对一些特种车辆，如公交车辆通过动态调节信号灯配时提供公交优先服务；获得障碍物信息，可对障碍物周边车辆进行避障预警等。

本发明提供了一种车路协同系统边缘侧多传感器数据融合系统，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (7)

1.一种车路协同系统边缘侧多传感器数据融合系统，其特征在于，包括信息采集单元、融合分析单元；

所述信息采集单元，用于实现与各类检测设备对接，在前端进行数据预处理，并将数据发送给融合分析单元；

所述融合分析单元用于完成数据的融合处理。

2.根据权利要求1所述的方法，其特征在于，所述融合分析单元用于完成数据的融合处理，具体包括如下步骤：

步骤1，设定RSU设备上两个不同的传感器对一恒定量进行测量，两个不同的传感器的观测值分别为z₁和z₂：

z₁＝x+v₁，

z₂＝x+v₂，

其中，x为真实值，v₁为第一个传感器观测时存在的随机误差，v₂为第二个传感器观测时存在的随机误差，且设

i取值为1或2，N()表示取值范围，

代表随机误差，两个传感器观测值相互独立；

步骤2，设定x的估计值

与观测值z_i成线性关系，且

为x的无偏估计，有：

Ω＝(ω₁,ω₂)为各个传感器测量值的权值，即ω₁为第一个传感器测量值的权值，ω₂为第二个传感器测量值的权值；

步骤3，计算估计误差

步骤4，求解出第一个传感器测量值的最优权值

和第二个传感器测量值的最优权值

步骤5，得到最优估计量

步骤6，将步骤5的结果推广到多传感器的情况。

3.根据权利要求2所述的方法，其特征在于，步骤3包括：设估计误差

为：

取代价函数J为

的均方误差

有：

由于

为x的无偏估计，则：

其中

表示

的数学期望。

4.根据权利要求3所述的方法，其特征在于，步骤4包括：由于E(v₁)＝E(v₂)＝0，

其中E(v₁)表示v₁的数学期望，E(v₂)表示v₂的数学期望，E(x)表示x的数学期望，

表示

的数学期望，则：

ω₂＝1-ω₁，

代价函数写为：

由于

v₁,v₂相互独立有E(v₁v₂)＝0，

则：

其中

为第一个传感器测量值的随机误差，

为第二个传感器测量值的随机误差，为使得J为最小，对Ω求导有：

解出第一个传感器测量值的最优权值

和第二个传感器测量值的最优权值

为：

5.根据权利要求4所述的方法，其特征在于，步骤5包括：得到最优估计量

为：

上式表明当两个传感器最优权值时，能够通过观测器已经获得的观测值z₁、z₂融合得到最优估计值

6.根据权利要求5所述的方法，其特征在于，步骤6包括：设多传感器组的方差分别为σ_i，i＝1,2...n，n取值为自然数，各传感器的测量值分别为z_i，彼此相互独立，真值的估计值为

并且是x的无偏估计，各传感器的加权因子分别为ω_i，p取值范围是[1，n]，根据多元函数求极值理论，求出均方误差最小时所对应的加权因子

为：

其中

为第p个传感器测量值的随机误差；

通过公式

当计算出各个传感器的加权因子

结合各个传感器的测量值z_p融合得到最优估计值。

7.根据权利要求6所述的方法，其特征在于，还包括综合研判单元，所述综合研判单元基于各种先验规则和交通算法模型实现对事件、态势的综合研判。

Images