CN113345248B - 非信控交叉口安全预警和管控方法和系统 - Google Patents

非信控交叉口安全预警和管控方法和系统 Download PDF

Info

Publication number
CN113345248B
CN113345248B CN202110474350.1A CN202110474350A CN113345248B CN 113345248 B CN113345248 B CN 113345248B CN 202110474350 A CN202110474350 A CN 202110474350A CN 113345248 B CN113345248 B CN 113345248B
Authority
CN
China
Prior art keywords
state
early warning
target
intersection
motor vehicle
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.)
Active
Application number
CN202110474350.1A
Other languages
English (en)
Other versions
CN113345248A (zh
Inventor
崔志伟
何碧娟
储轶钢
华茹玥
钮昊天
万俊杰
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.)
China Design Group Co Ltd
Original Assignee
China Design Group Co Ltd
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 China Design Group Co Ltd filed Critical China Design Group Co Ltd
Priority to CN202110474350.1A priority Critical patent/CN113345248B/zh
Publication of CN113345248A publication Critical patent/CN113345248A/zh
Application granted granted Critical
Publication of CN113345248B publication Critical patent/CN113345248B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/91—Radar or analogous systems specially adapted for specific applications for traffic control
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • 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
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供非信控交叉口安全预警和管控方法和系统，采用毫米波雷达和激光雷达获取目标的状态；对获取的目标的状态进行修正，获取修正后的目标的状态；利用修正后的目标的状态训练获得优化后的预警模型，所述预警模型用于预测目标的最佳预警位置；利用预警模型确定目标的最佳预警位置并根据目标的最佳预警位置发出预警信号。本发明将应用于无人驾驶领域的雷达、激光传感器等多种传感器及多元感知融合技术创新应用于非信控交叉口，与市面上现有产品相比，适配性、精度得到极大提升；同时，在保证系统完整功能的同时，大幅提升产品安全性能。

Description

非信控交叉口安全预警和管控方法和系统
技术领域
本发明涉及非信控交叉口安全预警和管控系统，属于控制系统和通信技术领域。
背景技术
路交叉口作为交通的必要组成部分，是构建路网的重要节点，其承载交通，将道路连接。随着经济的发展、车辆保有量的提升，城市道路交叉路口及其附近地区交通事故发生概率高达60％，乡镇地区该占比更高。如何降低非信控交叉口的安全风险，减少交通事故的发生，是需要解决的技术问题。
在无人驾驶飞速发展的背景下，多传感器应用及多元感知融合技术得到初步尝试，且收到良好成效。但该技术在路口安全产品领域未见合理有效的应用。现有针对非信控交叉口的行业内已采用的一些解决方案，往往仅采用单一感知设备，检测精度、适用场景受到限制，通常仅仅针对单个场景解决点对点的问题，适配性不足，从而带来无法灵活适应不同场景(城市、国道等)、不同环境因素(如车辆、天气、道路状况等)下的问题。同时，现有产品体系化建设考虑不足，与后端的联动、分析不足，未高效利用检测数据资源。
发明内容
本发明旨在提高交叉口安全预警精度，降低非信控交叉口的安全风险，减少交通事故的发生，为实现该技术目的，本发明采用以下技术方案。
一方面，本发明提供非信控交叉口安全预警和管控方法，包括：
采用毫米波雷达和激光雷达获取目标的状态；对获取的目标的状态进行修正，获取修正后的目标的状态；
利用修正后的目标的状态训练获得优化后的预警模型，所述预警模型用于预测目标的最佳预警位置；
利用预警模型确定目标的最佳预警位置并根据目标的最佳预警位置发出预警信号。
进一步地，对获取的目标的状态进行修正的方法具体包括以下步骤：
分别对于激光雷达以及毫米波雷达获取目标的状态进行初始化；
分别确定激光雷达以及毫米波雷达检测到的目标随时间变化的状态中不确定性程度；
利用卡尔曼滤波方法，根据激光雷达检测到的目标随时间变化的状态中不确定性程度对激光雷达感知的目标的状态进行修正获得修正后的目标的状态；
利用扩展卡尔曼滤波方法，根据毫米波雷达检测到的目标随时间变化的状态中不确定性程度对毫米波雷达感知的目标的状态进行修正获得修正后的目标的状态；
对于激光雷达以及毫米波雷达检测到的目标修正后状态趋同，则最终确定修正后的目标的状态。
进一步地，所述预警模型采用粒子群算法与BP神经网络相结合的模型，所述模型的训练方法如下：
第一阶段：将输入的选定交叉路口历史的目标状态从BP神经网络的输入层经过隐层逐层计算，得到输出层各节点的输出值，进而求得输出层的均方差；
第二阶段：将BP神经网络的输出层的均方差作为PSO算法中粒子的适应值；利用PSO算法，从该类交叉口的所有历史数据中，寻找到针对该类交叉口的全局最优解，使得均方差值最小，就为该类路口的最佳预警方案。
再进一步地，PSO算法的执行步骤如下：
将该类交叉口历史的目标位置与速度信息进行如下表示：
Figure GDA0003629596360000031
pi＝(p1,p2,…,pN)
vi＝(v1,v2,…,vN)
其中Pi表示第i代个体在该交叉口的位置；v指代个体在该交叉口的速度；
针对每个粒子也就是交叉口每个个体，以第一阶段输出层的均方差，作为粒子的适应值，通过适应值，每个粒子找到自己的预警最佳位置pi，并从最优解中找到本次最佳预警位置
Figure GDA0003629596360000032
与该类交叉口当前的历史最佳预警位置hbest比较并更新粒子；
将
Figure GDA0003629596360000033
代入，最终得到系统级优化预警模型
Figure GDA0003629596360000034
此时均方差MSE最小。
再进一步地，按照以下方法更新粒子：
Figure GDA0003629596360000041
Figure GDA0003629596360000042
其中
Figure GDA0003629596360000043
指代第k+1次迭代个体xi的第d维分量的速度v；ω为惯性权重因子，d指代第d维分量，d＝1,2,…,D，本发明中皆为三维个体，因此D为3；i＝1,2,…,N，N指代交叉口个体数量；k为当前迭代次数；c1与c2为加速因子，r1和r2为两个随机函数。
进一步地，只有当交叉口两个不同方向皆有行人或车辆时，才会进行预警。
第二方面，本发明提供了用于实现如以上技术方案任意一种可能的实施方式提供的非信控交叉口安全预警和管控方法的系统，包括：设置在交叉口的前端感知模块、预警控制模块、多元感知融合模块以及通信模块，所述系统还包括后端分析平台；
所述前端感知模块，用于采用毫米波雷达和激光雷达获取目标的状态；
所述多元感知融合模块与所述前端感知模块连接，用于对所述前端感知模块获取的目标的状态进行修正，获取修正后的目标的状态；
所述后端分析平台用于根据所述多元感知融合模块修正后的目标的状态训练获得优化后的预警模型，所述预警模型用于预测目标的最佳预警位置；
所述通信模块分别与多元感知融合模块和后端分析平台连接，用于多元感知融合模块将修正后的目标的状态上传到后端分析平台，并将后端分析平台优化后的预警模型下发到所述多元感知融合模块；
所述预警控制模块与所述多元感知融合模块连接，用于根据目标的最佳预警位置发出预警信号。
本发明所取得的有益技术效果：
本发明将应用于无人驾驶领域的雷达、激光传感器等多种传感器及多元感知融合技术创新应用于非信控交叉口，与市面上现有产品相比，适配性、精度得到极大提升；同时，在保证系统完整功能的同时，大幅提升产品安全性能。
本发明创新应用粒子群算法(PSO)与BP神经网络(BackpropagationNN)相结合的方式，系统分析能力得到强化，提高交叉口安全预警精度，不断优化预警模型并下发前端，形成闭环反馈。可开放拓展服务功能接口，为客户(交管部门、交通局、市政等)规律挖掘、路口管理、运维调配等功能需求提供支撑。
附图说明
图1为具体实施例提供的非信控交叉口安全预警与管控系统的结构示意图；
图2为具体实施例中非信控交叉口安全预警与管控系统运行方法的流程图；
图3为具体实施例中被感知车辆相关参数示意图；
图4为具体实施例中非信控交叉口安全预警与管控系统感知融合步骤；
图5为具体实施例中非信控交叉口安全预警与管控系统后端分析平台人工智能部分神经网络架构；
图1中主要附图标记含义为：1、非信控交叉口安全预警与管控系统；2、前端感知模块；3、预警控制模块；4、多元感知融合模块；5、通信模块；6、后端分析平台。
具体实施方式
以下结合附图和具体实施方式对本发明进行具体的介绍。
实施例1：图1为非信控交叉口安全预警与管控系统的结构示意图。如图1所示：非信控交叉口安全预警和管控系统1，聚焦道路安全提升的核心要旨，因地制宜灵活使用多种路测感知单元进行实时、高效预警，后端结合大数据和人工智能技术实现管控及信息动态发布，形成非信控交叉口智慧闭环体系的危险预警和智能管控系统，包括前端感知模块2、预警控制模块3、多元感知融合模块4、通信模块5、与后端分析平台6，前端感知模块2、预警控制模块3、多元感知融合模块4和通信模块5均设置在交叉口处。
可选地，其中，前端感知模块2包括一具备CAN、RS232、RS485接口的77GHz探测毫米波雷达；一分辨率为0.1m、扫描频率为25Hz、激光功率符合CLASS 1安全等级、具备RS232、RS485接口的激光雷达，且参数可调；一分辨率为1℃、精度为±0.6℃的空气温度传感器；一监测精度为0.01mm、激光功率符合CLASS 2安全等级、具备RS485、RS232通信接口的路面状况传感器。
可选地，预警控制模块3包括若干可以显示图片、中英文内容，驱动接口为RS485/CAN接口的双基色LED屏；若干语音播报扩音器；若干贴片式6000K色温、支持宽带网络/NB-IoT通信协议的LED灯具。
本实施例中，多元感知融合模块4，将应用于无人驾驶领域的多元感知融合技术创新应用于交叉口安全产品领域，与前端感知模块2对接，将前端感知模块2所采集的数据通过卡尔曼滤波(KF，kalman filter)与扩展卡尔曼滤波(EKF，extended kalman filter)算法，对感知数据初始化、不确定性分析及修正，实现交叉口感知数据的融合(包括感知目标、目标状态，其中目标包括机动车和行人)。融合步骤如图4所示。
以感知交叉口一机动车x的实时状态为例。
x＝(px,py,vx,vy)
机动车相关参数如图3所示，其中，车辆距圆心距离用ρ表示，ρ与x方向的夹角用φ表示，距离ρ的变化速率用
Figure GDA0003629596360000071
表示。
多元感知融合模块4接收到前端感知模块2中的激光雷达的感知信息，其采用的是笛卡尔坐标系，可检测到机动车x的位置，但没有其速度信息，其测量值为：
iz＝(px,py)
多元感知融合模块4接收到前端感知模块2中的毫米波雷达的感知信息，其采用极坐标系，可检测到机动车x的距离、角度、速度信息，但精度较低，其测量值为：
Figure GDA0003629596360000072
多元感知融合模块4运用前端感知模块2中的激光雷达首次感知到该机动车时的感知信息对机动车x状态进行初始化。
Figure GDA0003629596360000081
多元感知融合模块4运用前端感知模块2中的毫米波雷达在首次感知到该机动车时的感知信息对机动车x状态进行初始化。
Figure GDA0003629596360000082
此时激光雷达测得数据xiz与毫米波雷达测得数据xz之间是存在一定误差的，需对机动车x随时间变化的状态分别进行分析，才能实现有效融合。用到的公式如下。
x′＝Fx
z′指代机动车x随时间变化的状态，F指代机动车x变化的方式，此处以线性变化为例。
Figure GDA0003629596360000083
运用激光雷达检测到的机动车x随时间变化的状态分析：
Figure GDA0003629596360000084
运用毫米波雷达检测到的机动车x随时间变化的状态分析：
Figure GDA0003629596360000091
下一步是将机动车x随时间变化的状态加以不确定性程度分析，用P′表示，其公式如下。
P′＝FPFT+Q
P指代机动车x状态的不确定程度，以x的协方差表示，本发明采用如下数据。
Figure GDA0003629596360000092
Q指代x′＝Fx中未能刻画的外界干扰，其公式如下。E表示单位矩阵。
Q＝E[ccT]
c指代外界干扰Q的干扰量。在线性变化中，外界干扰项为加速度，干扰量c可以通过加速度a计算求得,其公式如下。
Figure GDA0003629596360000093
Figure GDA0003629596360000094
c服从高斯分布N(0,Q)，因此Q可通过如下公式计算。
Q＝E[ccT]＝E[GccTGT]＝GE[ccT]GT
激光雷达的干扰量Qiz：
Figure GDA0003629596360000101
Figure GDA0003629596360000102
Figure GDA0003629596360000103
毫米波雷达的干扰量Qz：
Figure GDA0003629596360000104
Figure GDA0003629596360000105
Figure GDA0003629596360000106
则激光雷达检测到的机动车x随时间变化的状态中不确定性程度P′iz：
P′iz＝FPFT+Qiz
毫米波检测到的机动车x随时间变化的状态中不确定性程度Pz′：
Pz′＝FPFT+Qz
多元感知融合模块4将前端感知模块2中的激光雷达感知的信息运用KF进行修正。首先计算出卡尔曼增益Kiz，其公式如下。
Kiz＝P′izHT(HP′izHT+Rlidar)-1
其中，H表示激光雷达的状态空间到感知空间的线性映射。
Figure GDA0003629596360000111
Rlidar表示噪声协方差矩阵，即激光雷达测量值的不确定度，这个值一般由雷达制造厂家提供，取0.0125-0.025。本实施例中采用数值如下。
Figure GDA0003629596360000112
将Kiz计算出来后，利用卡尔曼增益对机动车x随时间变化的状态加以不确定性程度P′iz进行更新，更新后的机动车x随时间变化的状态加以不确定性程度记为P″iz，其公式如下：
P″iz＝P′iz-KizHP′iz
将更新后的机动车x随时间变化的状态加以不确定性程度记为P″iz代入卡尔曼增益公式，更新后的卡尔曼增益记为K′iz，其公式如下：
K′iz＝P″izHT(HP″izHT+Rlidar)-1
通过上述运算，更新后的机动车x的状态变量x″iz如下：
Figure GDA0003629596360000113
多元感知融合模块4将前端感知模块2中的毫米波雷达感知的信息运用EKF进行修正。首先计算出卡尔曼增益Kz，其公式如下。
Figure GDA0003629596360000121
其中，Hj表示毫米波雷达的状态空间到感知空间的非线性映射f(x)线性化后的Jacob矩阵。
Figure GDA0003629596360000122
Figure GDA0003629596360000123
Rradar表示噪声协方差矩阵，即毫米波雷达测量值的不确定度，这个值一般由雷达制造厂家提供，取0.0009-0.09，本实施例采用数值如下。
Figure GDA0003629596360000124
将Kz计算出来后，利用卡尔曼增益对机动车x随时间变化的状态加以不确定性程度P′z进行更新，更新后的机动车x随时间变化的状态加以不确定性程度记为P″z，其公式如下：
P″z＝P′z-KzHP′z
将更新后的机动车x随时间变化的状态加以不确定性程度记为P″z代入卡尔曼增益公式，更新后的卡尔曼增益记为K′z，其公式如下：
Figure GDA0003629596360000131
通过上述运算，更新后的机动车x的状态变量x″z如下：
Figure GDA0003629596360000132
通过如上卡尔曼滤波与扩展卡尔曼滤波的过滤，x″iz与x″z应趋同，即:
Figure GDA0003629596360000133
以上，实现激光雷达、毫米波雷达的感知信息有效融合，得到机动车x精确的方位(位置)和速度信息x″，实现对交叉口机动车的精确感知，相较于传统交叉口安全产品，显著提升适配性与检测精度。
可选地，通信模块5支持多种主流通信协议接入，能够根据场景，选择合适的通信插件如4G/5G、NB-IoT、宽带网络等，实现前后端之间数据的传输与后端分析平台优化预警模型的下发。
后端分析平台6，在GIS技术的基础上结合大数据技术对数据进行处理，通过Hadoop大数据分析将本交叉口数据的参数与接入系统的所有该类交叉口数据参数汇总，并清洗，为后续的人工智能分析提供更可靠、更有效数据。
后端分析平台6的人工智能分析部分创新应用粒子群算法(PSO)与BP神经网络(BackpropagationNN)相结合的方式，有效强化系统分析能力。共分为两个阶段。
第一阶段，在输入层输入经过大数据分析处理过的数据，从输入层经过隐层逐层计算，得到输出层个节点的输出值，进而求得输出层的均方差MSE。其架构如图5所示。
Figure GDA0003629596360000141
其中，N指代迭代次数；zi指代估计量，此处指交叉口的个体信息；x0指代参数真值，即模型中预设的个体信息。
第二阶段，以输出层的均方差作为粒子的适应值(Fitness value)，利用PSO算法，从该类交叉口的所有历史数据中，寻找到针对该类交叉口的全局最优解，使得均方差MSE值最小，即为该类路口的最佳预警方案。其算法也分为两步，具体公式如下所示。
第一步，将清洗后的数据初始化。将该类交叉口每次产生碰撞预警时的来车与行人等个体x的位置与速度信息进行如下表示。
Figure GDA0003629596360000142
pi＝(p1,p2,…,pN)
vi＝(v1,v2,…,vN)
其中，p指代个体(来车或行人)在该交叉口的位置，p1指代第一个个体的位置，p2指代第二个个体的位置，以此类推；v指代个体(来车或行人)在该交叉口的速度，v1指代第一个个体的速度，v2指代第二个个体的速度，以此类推。
第二步，针对每个粒子(即交叉口每个个体)，以第一阶段输出层的均方差MSE作为粒子的适应值，通过适应值，每个粒子找到自己的预警最佳位置pi，并从最优解中找到本次最佳预警位置
Figure GDA0003629596360000151
与该类交叉口当前的历史最佳预警位置hbest比较并更新。
Figure GDA0003629596360000152
Figure GDA0003629596360000153
运用的更新公式如下所示。
Figure GDA0003629596360000154
Figure GDA0003629596360000155
其中，ω为惯性权重因子，当其值较大时，全局寻优能力强，局部寻优能力弱，当其值较小时，全局寻优能力弱，局部寻优能力强。本模块旨在寻找全局最优预警方案，故本发明选取ω＝0.9；d＝1,2,…,D；i＝1,2,…,n；k为当前迭代次数；c1与c2为加速因子，是两个非负的常数；r1和r2为两个随机函数，取值范围为[0,1]。
将
Figure GDA0003629596360000156
代入，最终得到系统级优化预警模型
Figure GDA0003629596360000157
此时均方差MSE最小。以上PSO与BP神经网络相结合的方式，有效强化系统分析能力。
后端分析平台6再将优化预警模型
Figure GDA0003629596360000158
下发前端并对原有前端预警模型进行更新，形成预警控制能力的闭环提高。同时，结合产品预留的接口，为客户(交管部门、交通局、市政等)规律挖掘、路口管理、运维调配等功能需求提供支撑。
后端分析平台7结合GPS定位数据及手机信令数据，将预警信息(文字提示：交叉口车辆/行人靠近，请谨慎驾驶)推送至接近交叉口的用户智能终端上，实现主动式预警信息动态发布。
图2为非信控交叉口安全预警与管控系统运行方法的流程图。如图2所示：一种非信控交叉口安全预警和管控系统1的运行方法，包括以下步骤：
(1)为整个非信控交叉口安全预警和管控系统1通电或复位，开始运行；
(2)前端感知模块2开始工作，包括毫米波雷达、激光雷达等，将感知数据传输至多元感知融合模块3，非信控交叉口安全预警和管控系统进入感知、等待状态；
(3)当有来车或行人靠近交叉口时，前端感知模块感知到参数，多元感知融合模块融合前端感知模块的数据，获得交叉口来车或行人的精确信息(位置、速度信息)。
(4)当2个或2个以上安置在不同方向上的前端感知设备感知到有来车或行人靠近交叉口时，多元感知融合模块4将警报信息传送至预警控制模块3，双基色LED屏显示图像及中英文警示标语，语音播报扩音器开始工作播报来车警示，贴片式LED灯具根据预设模式闪动或常亮。
(5)交叉口来车或行人的精确信息从多元感知融合模块4传输至通信模块5。
(6)通信模块5将前端信息因地制宜运用宽带网络、4G/5G、NB-IoT的形式传输至后端分析平台7；
(7)后端分析平台6在GIS技术的基础上结合大数据技术，将本交叉口数据的参数与接入系统的所有交叉口数据参数进行比对和修正；再进一步利用人工智能技术，形成系统级优化预警模型，下发前端。
(8)后端分析平台66结合GPS定位数据及手机信令数据，将预警信息(文字提示：交叉口车辆/行人靠近，请谨慎驾驶)推送至接近交叉口的用户智能终端上，实现动态预警发布；
(9)前端感知模块2持续感知交叉口状态，当交叉口状况不再满足2个或2个以上不同方向有车辆或行人靠近交叉口的情况时，预警模块3停止工作，本次非信控交叉口安全预警与管控过程结束。
实施例2：非信控交叉口安全预警和管控方法，包括：
采用毫米波雷达和激光雷达获取目标的状态；对获取的目标的状态进行修正，获取修正后的目标的状态；
利用修正后的目标的状态训练获得优化后的预警模型，所述预警模型用于预测目标的最佳预警位置；
利用预警模型确定目标的最佳预警位置并根据目标的最佳预警位置发出预警信号。
需要说明的是，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的方和系统中装置/单元或者模块的具体工作过程相对应，可以参考前述实施例中的对应过程，在此不再赘述。
本发明将应用于无人驾驶领域的雷达、激光传感器等多种传感器及多元感知融合技术创新应用于非信控交叉口，适配性与精度得到极大提升，满足多种多样交叉口的预警、观察、巡视、秩序整治之需。
本发明根据不同场景，使用LED显示屏、语音播报扩音器、贴片式LED灯具等不同载体以声音、灯光、文字等实现双向高效预警，有效警示行人与来车。
本发明在保证系统完整功能的同时，形成前后端联动闭环，主动预警信息下发，低时延、高准确率(90％以上)，大幅提升产品安全性能。
本发明采用模块化设计，因地制宜，灵活便捷：激光雷达、毫米波雷达等不同传感器，LED显示屏、语音播报扩音器、贴片式LED灯具，移动终端、声、光等多种告警方式，可根据具体场景、成本计划等因素进行灵活配置。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (6)

1.非信控交叉口安全预警和管控方法，其特征在于，包括：
采用毫米波雷达和激光雷达获取目标的状态；对获取的目标的状态进行修正，获取修正后的目标的状态；
利用修正后的目标的状态训练获得优化后的预警模型，所述预警模型用于预测目标的最佳预警位置；
利用预警模型确定目标的最佳预警位置并根据目标的最佳预警位置发出预警信号；
对获取的目标的状态进行修正的方法具体包括以下步骤：
分别对于激光雷达以及毫米波雷达获取目标的状态进行初始化；
分别确定激光雷达以及毫米波雷达检测到的目标随时间变化的状态中不确定性程度；
利用卡尔曼滤波方法，根据激光雷达检测到的目标随时间变化的状态中不确定性程度对激光雷达感知的目标的状态进行修正获得修正后的目标的状态；
利用扩展卡尔曼滤波方法，根据毫米波雷达检测到的目标随时间变化的状态中不确定性程度对毫米波雷达感知的目标的状态进行修正获得修正后的目标的状态；
对于激光雷达以及毫米波雷达检测到的目标修正后状态趋同，则最终确定修正后的目标的状态；
其中所述目标为感知交叉口一机动车x，其实时状态为：
x＝(px,py,vx,vy)
其中，车辆距圆心距离用ρ表示，ρ与x方向的夹角用φ表示，距离ρ的变化速率用
Figure FDA0003629596350000021
表示；
根据激光雷达的感知信息，其采用的是笛卡尔坐标系，能够检测到机动车x的位置，但没有其速度信息，其测量值为：
iz＝(px,py)
根据毫米波雷达的感知信息，其采用极坐标系，能够检测到机动车x的距离、角度、速度信息，其测量值为：
Figure FDA0003629596350000022
根据激光雷达首次感知到该机动车时的感知信息对机动车x状态进行初始化；
Figure FDA0003629596350000023
根据毫米波雷达在首次感知到该机动车时的感知信息对机动车x状态进行初始化；
Figure FDA0003629596350000024
此时激光雷达测得数据xiz与毫米波雷达测得数据xz之间是存在一定误差的，需对机动车x随时间变化的状态分别进行分析，才能实现有效融合；用到的公式如下：
x′＝Fx
x′指代机动车x随时间变化的状态，F 指代机动车x变化的方式，
Figure FDA0003629596350000031
运用激光雷达检测到的机动车x随时间变化的状态分析：
Figure FDA0003629596350000032
运用毫米波雷达检测到的机动车x随时间变化的状态分析：
Figure FDA0003629596350000033
下一步是将机动车x随时间变化的状态加以不确定性程度分析，用P′表示，其公式如下；
P′＝FPFT+Q
P指代机动车x状态的不确定程度，以x的协方差表示，采用如下数据：
Figure FDA0003629596350000034
Q指代x′＝Fx中未能刻画的外界干扰，其公式如下：E表示单位矩阵：
Q＝E[ccT]
c指代外界干扰Q的干扰量；在线性变化中，外界干扰项为加速度，干扰量c通过加速度a计算求得,其公式如下：
Figure FDA0003629596350000041
Figure FDA0003629596350000042
c服从高斯分布N(0,Q)，因此Q通过如下公式计算：
Q＝E[ccT]＝E[GccTGT]＝GE[ccT]GT
激光雷达的干扰量Qiz：
Figure FDA0003629596350000043
Figure FDA0003629596350000044
Figure FDA0003629596350000045
毫米波雷达的干扰量Qz：
Figure FDA0003629596350000046
Figure FDA0003629596350000051
Figure FDA0003629596350000052
则激光雷达检测到的机动车x随时间变化的状态中不确定性程度P′iz：
P′iz＝FPFT+Qiz
毫米波检测到的机动车x随时间变化的状态中不确定性程度Pz′：
Pz′＝FPFT+Qz
将激光雷达感知的信息运用KF进行修正，首先计算出卡尔曼增益Kiz，其公式如下：
Kiz＝P′izHT(HP′izHT+Rlidar)-1
其中，H表示激光雷达的状态空间到感知空间的线性映射；
Figure FDA0003629596350000053
Rlidar 表示噪声协方差矩阵，即激光雷达测量值的不确定度；
将Kiz计算出来后，利用卡尔曼增益对机动车x随时间变化的状态加以不确定性程度P′iz进行更新，更新后的机动车x随时间变化的状态加以不确定性程度记为P″iz，其公式如下：
P″iz＝P′iz-KizHP′iz
将更新后的机动车x随时间变化的状态加以不确定性程度记为P″iz代入卡尔曼增益公式，更新后的卡尔曼增益记为K′iz，其公式如下：
K′iz＝P″izHT(HP″izHT+Rlidar)-1
通过上述运算，更新后的机动车x的状态变量x″iz如下：
Figure FDA0003629596350000061
将毫米波雷达感知的信息运用EKF进行修正，首先计算出卡尔曼增益Kz，其公式如下：
Figure FDA0003629596350000064
其中，Hj表示毫米波雷达的状态空间到感知空间的非线性映射f(x)线性化后的Jacob矩阵，
Figure FDA0003629596350000062
Figure FDA0003629596350000063
Rradar表示噪声协方差矩阵；
将Kz计算出来后，利用卡尔曼增益对机动车x随时间变化的状态加以不确定性程度P′z进行更新，更新后的机动车x随时间变化的状态加以不确定性程度记为P″z，其公式如下：
P″z＝Pz′-KzHPz′
将更新后的机动车x随时间变化的状态加以不确定性程度记为P″z代入卡尔曼增益公式，更新后的卡尔曼增益记为K′z，其公式如下：
Figure FDA0003629596350000071
通过上述运算，更新后的机动车x的状态变量x″z如下：
Figure FDA0003629596350000072
通过如上卡尔曼滤波与扩展卡尔曼滤波的过滤，x″iz与x″z应趋同，即:
Figure FDA0003629596350000073
2.根据权利要求1所述的非信控交叉口安全预警和管控方法，其特征在于，
所述预警模型采用粒子群算法与BP神经网络相结合的模型，所述模型的训练方法如下：
第一阶段：将输入的选定交叉路口历史的目标状态从BP神经网络的输入层经过隐层逐层计算，得到输出层各节点的输出值，进而求得输出层的均方差；
第二阶段：将BP神经网络的输出层的均方差作为PSO算法中粒子的适应值；利用PSO算法，从这类交叉口的所有历史数据中，寻找到针对这类交叉口的全局最优解，使得均方差值最小，就为这类交叉路口的最佳预警方案。
3.根据权利要求2所述的非信控交叉口安全预警和管控方法，其特征在于，PSO算法的执行步骤如下：
将这类交叉口历史的目标位置与速度信息进行如下表示：
Figure FDA0003629596350000081
pi＝(p1,p2,…,pN)
vi＝(v1,v2,…,vN)
其中Pi表示第i代个体在该交叉口的位置；v指代个体在该交叉口的速度；
针对每个粒子也就是交叉口每个个体，以第一阶段输出层的均方差，作为粒子的适应值，通过适应值，每个粒子找到自己的预警最佳位置pi，并从最优解中找到本次最佳预警位置
Figure FDA0003629596350000082
与这类交叉口当前的历史最佳预警位置hbest比较并更新粒子；
将
Figure FDA0003629596350000083
代入，最终得到系统级优化预警模型
Figure FDA0003629596350000084
此时均方差MSE最小。
4.根据权利要求2所述的非信控交叉口安全预警和管控方法，其特征在于，按照以下方法更新粒子：
Figure FDA0003629596350000085
Figure FDA0003629596350000086
其中，
Figure FDA0003629596350000087
指代第k+1次迭代个体xi的第d维分量的速度v；ω为惯性权重因子，d指代第d维分量，d＝1,2,…,D；i＝1,2,…,N，N指代交叉口个体数量；k为当前迭代次数；c1与c2为加速因子，r1和r2为两个随机函数。
5.根据权利要求1所述的非信控交叉口安全预警和管控方法，其特征在于：只有当交叉口两个不同方向皆有行人或车辆时，才会进行预警。
6.用于实现如权利要求1～5任意一项权利要求所述的非信控交叉口安全预警和管控方法的系统，其特征在于，包括：设置在交叉口的前端感知模块、预警控制模块、多元感知融合模块以及通信模块，所述系统还包括后端分析平台；
所述前端感知模块，用于采用毫米波雷达和激光雷达获取目标的状态；
所述多元感知融合模块与所述前端感知模块连接，用于对所述前端感知模块获取的目标的状态进行修正，获取修正后的目标的状态；
所述后端分析平台用于根据所述多元感知融合模块修正后的目标的状态训练获得优化后的预警模型，所述预警模型用于预测目标的最佳预警位置；
所述通信模块分别与多元感知融合模块和后端分析平台连接，用于多元感知融合模块将修正后的目标的状态上传到后端分析平台，并将后端分析平台优化后的预警模型下发到所述多元感知融合模块；
所述预警控制模块与所述多元感知融合模块连接，用于根据目标的最佳预警位置发出预警信号。
CN202110474350.1A 2021-04-29 2021-04-29 非信控交叉口安全预警和管控方法和系统 Active CN113345248B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110474350.1A CN113345248B (zh) 2021-04-29 2021-04-29 非信控交叉口安全预警和管控方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110474350.1A CN113345248B (zh) 2021-04-29 2021-04-29 非信控交叉口安全预警和管控方法和系统

Publications (2)

Publication Number Publication Date
CN113345248A CN113345248A (zh) 2021-09-03
CN113345248B true CN113345248B (zh) 2022-06-17

Family

ID=77469074

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110474350.1A Active CN113345248B (zh) 2021-04-29 2021-04-29 非信控交叉口安全预警和管控方法和系统

Country Status (1)

Country Link
CN (1) CN113345248B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2541354A (en) * 2015-05-27 2017-02-22 Cambridge Entpr Ltd Collision avoidance method, computer program product for said collision avoidance method and collision avoidance system
CN110363983B (zh) * 2019-06-24 2021-08-31 长沙理工大学 无信号交叉口机非人实时轨迹预测与冲突识别方法
CN111489585A (zh) * 2020-03-04 2020-08-04 昆明理工大学 一种基于边缘计算的车辆行人碰撞避免方法
CN111708016B (zh) * 2020-08-03 2022-09-30 北京理工大学 一种毫米波雷达与激光雷达融合的车辆前碰撞预警方法
CN112180361B (zh) * 2020-09-30 2023-09-26 南京航空航天大学 一种基于动态联邦滤波的车载雷达目标跟踪方法

Also Published As

Publication number Publication date
CN113345248A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
US20230400567A1 (en) Extended Object Tracking Using RADAR
KR102593948B1 (ko) 주석 달기를 위한 데이터 샘플의 자동 선택
US11854212B2 (en) Traffic light detection system for vehicle
US11976936B2 (en) Foreground extraction using surface fitting
US20230063047A1 (en) Emergency vehicle detection system and method
CN113792566A (zh) 一种激光点云的处理方法及相关设备
WO2021012153A1 (en) System for sensor synchronization data analysis in autonomous driving vehicle
US11673581B2 (en) Puddle occupancy grid for autonomous vehicles
CN110544389A (zh) 一种自动驾驶管控方法、装置及系统
US11977440B2 (en) On-board feedback system for autonomous vehicles
CN113345248B (zh) 非信控交叉口安全预警和管控方法和系统
KR102631148B1 (ko) 센서 데이터를 사용하여 자동으로 교통 신호 검출
WO2021170140A1 (zh) 一种车道结构检测方法及装置
KR20230082520A (ko) 운전가능한 도로 세그먼트들의 자동 주석 달기
US20240051568A1 (en) Discriminator network for detecting out of operational design domain scenarios
KR102645980B1 (ko) 플래너에서 보정된 미래 기동 파라미터 생성
US12030485B2 (en) Vehicle operation using maneuver generation
US12030509B1 (en) Realism in log-based simulations
US20240069207A1 (en) Systems and methods for spatial processing of lidar data
US11618477B2 (en) Service area maps for autonomous vehicles
US20220326382A1 (en) Adaptive point cloud generation for autonomous vehicles
US20230342316A1 (en) Scalable configurable chip architecture
US20230176576A1 (en) Systems and methods for managing traffic light behaviors
US20240123996A1 (en) Methods and systems for traffic light labelling via motion inference
US20230237793A1 (en) False track mitigation in object detection systems

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
GR01 Patent grant
GR01 Patent grant