CN113949996B - 用于车路协同测试场景采集回放的数据处理方法及系统 - Google Patents

用于车路协同测试场景采集回放的数据处理方法及系统 Download PDF

Info

Publication number
CN113949996B
CN113949996B CN202111181903.0A CN202111181903A CN113949996B CN 113949996 B CN113949996 B CN 113949996B CN 202111181903 A CN202111181903 A CN 202111181903A CN 113949996 B CN113949996 B CN 113949996B
Authority
CN
China
Prior art keywords
data
vehicle
point
track
raw
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
CN202111181903.0A
Other languages
English (en)
Other versions
CN113949996A (zh
Inventor
曾令秋
王勇
韩庆文
戚凌锋
王博思
张迪思
祖晖
叶蕾
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN202111181903.0A priority Critical patent/CN113949996B/zh
Publication of CN113949996A publication Critical patent/CN113949996A/zh
Application granted granted Critical
Publication of CN113949996B publication Critical patent/CN113949996B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Abstract

本发明属于车路测试技术领域，具体公开了一种用于车路协同测试场景采集回放的数据处理方法及系统，该系统包括智能感知平台、数据存储模块、处理器和车路协同测试平台，智能感知平台安装在车辆上，用于采集车场内若干车辆信息，数据存储模块的输入端与智能感知模块的输出端连接，数据存储模块的输出端与处理器连接，处理器执行方法，进行数据处理，处理器的输出端与车路协同测试平台连接。采用本技术方案，通过方法和系统，修正数据以平滑车辆轨迹，对噪音数据进行清理，处理后的数据可用于测试场景回放，提升采集数据的可用性以及测试场景的真实性。

Description

用于车路协同测试场景采集回放的数据处理方法及系统
技术领域
本发明属于车路测试技术领域，涉及一种用于车路协同测试场景采集回放的数据处理方法及系统。
背景技术
C-V2X(Cellular-V2X,蜂窝车联网)技术目前迎来了发展和商业化的关键阶段，从最初的小范围的开放道路到现在开始讨论前装量产和大规模部署。面对真实交通场景下的LTE-V2X(车联网)的大规模通信和应用性能，研究人员和测试机构开发了一些外场测试方案并在示范区进行了大量测试，例如美国密歇根州的M-city、中国重庆的智能汽车集成系统测试区(i-VISTA)和瑞典的AstaZero。但是这些现场测试大部分应用测试是在双车(三车)环境下进行的，在设计的测试环境中，智能网联车载终端的渗透率不足。
为了提高测试场景中车端的渗透率，增强测试场景的真实性，利用融合感知平台采集真实道路上的车辆信息，将车辆信息形成真实且平滑的车辆轨迹信息注入到车路协同测试系统中进行车辆模拟，从而进行场景的离线回放乃至实时直播是一种有效的手段。
专利公告号CN111741446A，实现了一种V2X通信与应用联合测试方法和系统，该系统已实现进行应用测试的模拟及通信和应用的联合测试。但在采集的道路场景回放到测试系统的过程中，发现融合感知平台采集的道路原始数据具有这些问题。首先,原始数据存在车辆标识ID错乱的情况，在采集过程中，由融合感知平台生成的车辆标识ID会发生改变从而导致测试系统无法辨别各个车辆；其次，原始数据中某一车辆行驶轨迹中少部分位置点不准确；最后，原始数据中部分数据不属于需要回放的车辆数据。
发明内容
本发明的目的在于提供一种用于车路协同测试场景采集回放的数据处理方法及系统，提升采集数据的可用性以及测试场景的真实性。
为了达到上述目的，本发明的基础方案为：一种用于车路协同测试场景采集回放的数据处理方法，包括如下步骤：
S1，采集车场内若干车辆信息，对车辆信息进行初始化处理；
S2，根据探测范围和道路边界限制，设置采集边界；
S3，根据采集边界，对初始化的车辆信息进行噪音数据清除及轨迹数据修正；
S4，将步骤S3处理后的数据进行条件筛选，清除数据中的虚假车辆轨迹；
S5，将步骤S4处理后得到的数据导入车路协同测试平台，构建V2X测试场景。
本基础方案的工作原理和有益效果在于：首先进行初始条件设置，对超出车场边界的无效数据进行清理，对于丢失的车辆部分帧进行轨迹重构，修正车辆标识ID，处理后的数据可用于V2X的测试场景回放，提升采集数据的可用性以及测试场景的真实性。
进一步，所述步骤S1中车辆信息包括车辆标识编号、车辆经度、车辆纬度和车辆速度，以及装载有智能感知平台的车辆的经度和纬度。
采集相应的信息，以便后续使用。
进一步，所述步骤S1中对车辆信息进行初始化处理的步骤如下：
建立原始数据映射表Draw和处理数据映射表Ddeal；
原始数据映射表包括原始点集合Sraw和预测点集合Spre，
Draw＝{Sraw，Spre}
Sraw和Spre由数据点类型数据P构成，
Figure BDA0003297600720000031
其中，m、n、k为相应数据集合中的数据点的序号，m、n、k均为正整数且n＜k，每个数据点类型数据P由当前帧采集到的数据生成，包括车辆标识编号ci、经度clon、纬度clat和此刻的速度v，
P＝{ci，clon，clat，v}；
从数据库中读取一帧采集数据，为采集数据中的每一条车辆数据创建数据点类型数据P并存入原始数据映射表Draw的Sraw中；
处理数据映射表Ddeal包括车辆轨迹集合Strail和预测标志集合Cpre，
Ddeal＝{Strail，Cpre}
其中，车辆轨迹集合Strail代表每个车辆历史位置信息，由车辆轨迹类型数据T组成，
Strail＝{T1，T2，...，Tn}
其中，n1为车辆的序号，Tn1为车辆n1的轨迹类型数据，n1正整数，每个轨迹类型数据T包含若干数据点类型数据P以及状态信息F，若干数据点类型数据P为采集到的车辆的位置点对应的数据点类型数据；状态信息F包括稳定点标志fstable、数据帧数量Nframe、真实数据点数量Np、预测数据点数量Npre、更新标志fupdate，
T＝{P1，P2，...，Pk1，F}
F＝{fstable，Nframe，Np，Npre，fupdate}；
其中，k1为轨迹类型数据T内包括的数据点类型数据P的数量，k1为正整数；
预测标志集合Cpre由车辆标识编号组成，在这一帧数据处理中若使用预测点便存入此集合，
Figure BDA0003297600720000041
其中，m2，n2为车辆标识编号，m2，n2均为正整数且m2＜n2；
遍历原始点集合Sraw，将数据点类型数据P中的车辆标识编号ci和轨迹类型数据T中车辆标识编号进行对比，若对比一致，则将原始点集合Sraw中的对应数据点类型数据P存入到车辆轨迹集合Strail的对应轨迹中，将此条对应轨迹更新标志fupdate设置为已更新，并删除原始点集合中的相应数据点类型数据P；
遍历车辆轨迹集合Strail，对于轨迹更新标志fupdate为未更新的车辆轨迹且车辆轨迹中存在两个或者两个以上数据点时，进行这一帧的数据点预测，将预测的数据点存入到原始数据映射表的预测点集合Spre中。
将采集的信号进行初始化处理，以便后续使用。
进一步，处理完一帧数据后，将原始数据映射表Draw中的Sraw和Spre清空，并将处理数据映射表Ddeal中车辆轨迹集合Strail的所有轨迹数据的更新标志fupdate设置为未更新状态。
处理完一帧数据，按照方法进行后续操作。
进一步，所述步骤S2中设置采集边界的步骤如下：
车道的每个限制位置由道路两侧经纬度位置点构成，每相邻两个位置点计算出有效道路采集区域；
搭载在采集车辆上的智能感知平台，根据采集中采集车的经纬位置和探测距离，动态计算出探测范围；
将有效道路采集区域与智能感知平台探测范围取交集，设定出车场采集边界参数，
(clon，clat)∈{(clon，clat)|(clon-Xt)2+(clat-Yt)2≤r2}∩{(clon，clat)|lonstart≤clon≤lonend，latstart≤clon≤latend}
其中，(clon，clat)表示车辆的经度和纬度，Xt表示智能平台t时刻的经度，Yt表示智能感知平台t时刻的纬度，r表示智能感知平台的采集半径；lonstart、lonend、latstart、latend分别表示采集开始位置的经纬度和采集结束位置的经纬度。
设置采集边界，以便后续对超出车场边界的无效数据进行清理。
进一步，所述步骤S3中对初始化的车辆信息进行噪音数据清除的步骤如下：
遍历原始点集合Sraw，将集合Sraw中不符合采集边界的数据点P进行删除。
利用采集边界，实现噪音数据过滤，提高数据精确度。
进一步，所述步骤S3中对初始化的车辆信息进行轨迹数据修正的步骤如下：
S31，车辆轨迹中，当前帧与上一帧的位置点的方向与前两帧形成的方向相反，或者当前帧与上一帧的距离大于预先设定的距离范围阈值，则进行修正，上一帧车辆的经纬度计算为：
Figure BDA0003297600720000061
Figure BDA0003297600720000062
其中，
Figure BDA0003297600720000063
和
Figure BDA0003297600720000064
分别表示当前帧车辆的经度和纬度，t为帧序号；
S32，取当前帧的前两帧的数据点的经纬度，以这两个经纬度坐标点来确定方向，当前帧车辆的经纬度计算为
Figure BDA0003297600720000065
Figure BDA0003297600720000066
S33，遍历预测点集合Spre，在Sraw集合中寻找与预测点的距离小于θ的数据点，θ为常量，是数据点和预测点的误差阈值；
S34，取与预测点的距离小于θ的数据点中离预测点最近的数据点作为当前帧的车辆轨迹数据点；
S35，遍历车辆轨迹集合Strail，对于车辆轨迹更新标志fupdate为未更新的，判断数据点在步骤S32中产生的预测点是否已经超出采集边界，若已超出采集边界，直接删除该条车辆轨迹数据，若没有超出采集边界，则将该预测点加入到该车辆轨迹集合Strail中；
S36，遍历原始点集合Sraw，集合Sraw中若还存在没有完成对比匹配的数据点，计算这些数据点与车辆轨迹集合Strail中车辆轨迹当前帧的位置点的距离；
若距离小于θ，则删除此数据点，若距离大于θ，则以此数据点创建一条新的车辆轨迹加入车辆轨迹集合中。
通过预测和预测点范围查找解决了车辆轨迹数据轨迹丢失和车辆标识ID错乱问题，实现轨迹修正。
进一步，所述步骤S4中清除数据中的虚假车辆轨迹的步骤如下：
遍历车辆轨迹集合Strail，对于车辆轨迹更新标志fupdate仍未更新的数据点，删除其对应的车辆轨迹；
最初创建的车辆轨迹集合Strail中的车辆轨迹的稳定点标志fstable设定为不稳定状态，车辆轨迹的数据帧数量Nframe达到帧阈值时，对于获取的Nframe帧数据帧进行分析，若其中真实数据点数量Np占比低于阈值时，则直接删除该车辆轨迹；
对于连续q次使用预测的车辆轨迹，予以删除，q为正整数且q＞5。
识别并整理出的车辆轨迹每条轨迹需要经过条件筛选，整理出属于真实车辆的轨迹。
进一步，所述步骤S1中以10HZ的频率采集车辆信息。
设置适当的采集频率，保证采集的信息更可靠，利于后续使用。
本发明还提供一种用于车路协同测试场景采集回放的数据处理系统，包括智能感知平台、数据存储模块、处理器和车路协同测试平台，所述智能感知平台安装在车辆上，用于采集车场内若干车辆信息，所述数据存储模块的输入端与智能感知模块的输出端连接，数据存储模块的输出端与处理器连接，所述处理器执行本发明所述方法，进行数据处理，处理器的输出端与车路协同测试平台连接。
利用该系统，修正数据以平滑车辆轨迹，对噪音数据进行清理，处理后的数据可用于V2X的测试场景回放。
附图说明
图1是本发明用于车路协同测试场景采集回放的数据处理方法的流程示意图；
图2是本发明用于车路协同测试场景采集回放的数据处理方法的采集车场场景图；
图3是本发明用于车路协同测试场景采集回放的数据处理系统的结构示意图。
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，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为用于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
现有技术中，对于采集的车辆道路数据用以在仿真软件中回放，少有注入到V2X测试床中用以提高V2X测试场景车端渗透率的数据处理方法。对于面向车路协同测试场景回放的数据采集处理方法，没有对采集的车辆数据进行轨迹修正，去除噪音数据，导致场景数据的可用性不高，不便于后期的数据回放和数据分析。如图1所示，本发明公开了一种用于车路协同测试场景采集回放的数据处理方法，用以处理融合感知平台采集的原始数据中的车辆数据，修正数据以平滑车辆轨迹，对噪音数据进行清理，处理后的数据可用于V2X的测试场景回放，提升采集数据的可用性以及测试场景的真实性。该方法包括如下步骤：
S1，以10HZ的频率采集车场内若干车辆信息(如图2所示)，对车辆信息进行初始化处理。车辆信息包括车辆类型、车辆标识编号、车辆经度、车辆纬度、车辆海拔高度、车辆速度、车辆航向角、车辆长、车宽和车高，以及装载有智能感知平台的车辆的经度、纬度和海拔高度。
S2，根据探测范围和道路边界限制，设置采集边界；智能感知平台所采集的原始数据中有部分数据超出了车场的边界范围、部分数据是其他道路障碍物的数据并不属于车辆行驶过程中产生的数据。
S3，根据采集边界，对初始化的车辆信息进行噪音数据清除及轨迹数据修正。对超出车场边界的无效数据进行清理，并且从采集的数据中识别哪些数据属于车辆行驶的真实数据，哪些数据属于道路障碍物的数据，保证将数据在车路协同测试系统中进行回放时能够模拟真实有效的测试场景。原始采集的车辆数据中由于传输故障等原因缺失某些车辆某些帧的数据，且智能感知平台产生的车辆标识ID错误，在采集过程中智能感知平台会把同一辆车辆的采集数据使用不同的车辆标识ID而导致识别各个车辆的行驶数据困难。从而需要对于丢失的车辆部分帧进行轨迹重构，修正车辆标识ID。车辆行驶数据通过专利CN202010549600.9 V2X的通信与应用联合测试方法及系统来模拟车辆的BSM(Blind SpotMonitoring，盲点监测系统)，在测试场景中模拟不同位置和运动状态的车辆。
S4，将步骤S3处理后的数据进行条件筛选，清除数据中的虚假车辆轨迹；
S5，将步骤S4处理后得到的数据导入车路协同测试平台，构建V2X测试场景。这样循环处理每一帧采集的车辆数据，直到采集的车辆数据处理结束。
本发明的一种优选方案中，步骤S1中对车辆信息进行初始化处理的步骤如下：
建立原始数据映射表Draw和处理数据映射表Ddeal，原始数据映射表由原始采集的车辆数据得到；
原始数据映射表包括原始点集合Sraw和预测点集合Spre，预测点集合Spre初始为空，
Draw＝{Sraw，Spre}
Sraw和Spre由数据点类型数据P构成，
Figure BDA0003297600720000101
其中，m、n、k为相应数据集合中的数据点序号，m、n、k均为正整数且n＜k，每个数据点类型数据P由当前帧采集到的数据生成，包括车辆标识编号ci、经度clon、纬度clat和此刻的速度v，
P＝{ci，clon，clat，v}；
从数据库中读取一帧采集数据(优选顺序读取某一个时间戳的数据进行处理，处理完毕之后再读取下一个时间戳的数据进行处理，直到把数据处理完毕)，为采集数据中的每一条车辆数据创建数据点类型数据P并存入原始数据映射表Draw的Sraw中；
处理数据映射表Ddeal包括车辆轨迹集合Strail和预测标志集合Cpre，预测标志集合Cpre在算法最开始执行一次是空，在算法运算一个时刻的数据时，把使用预测点的车辆轨迹的车辆标识编号存入该集合中，以便算法最后几步进行遍历去淘汰掉不真实的轨迹，
Ddeal＝{Strail，Cpre}
其中，车辆轨迹集合Strail代表每个车辆历史位置信息，由车辆轨迹类型数据T组成，
Strail＝{T1，T2，...，Tn}
其中，n1为车辆的序号，Tn1为车辆n1的轨迹类型数据，n1正整数，每个轨迹类型数据T包含若干数据点类型数据P以及状态信息F，若干数据点类型数据P为采集到的车辆的位置点对应的数据点类型数据；若干数据点类型为采集平台采集到的车辆的某个位置点(某个时刻采集到的车辆的经纬位置、速度等等)，意思是车辆轨迹由这些位置点组成；
状态信息F包括稳定点标志fstable、数据帧数量Nframe、真实数据点数量Np、预测数据点数量Npre、更新标志fupdate，稳定点标志：算法流程刚开始分析时对于车辆的轨迹标志为不稳定(因为组成这个轨迹的位置点可能是预测点，过多预测点这个轨迹就是不真实的，算法刚开始分析时候车辆轨迹的组成位置点太少，车辆轨迹不一定是真实的)，过了10帧(1秒)时候进行判断，如果真实的数据点占一半以上，这个轨迹被认为是真实的，这个稳定点标志就设置为稳定，代表算法认为这个轨迹是真实的。数据帧数量：由于车辆的位置点组成一个车辆的轨迹，这个就是这条轨迹中车辆位置点的数量。真实数据点数量：就是原始采集到的车辆的位置点、或者经过预测后确定预测点，且能在原始数据中找到预测点附近一定阈值的真实车辆位置点。预测数据点数量：通过算法预测出来的车辆位置点的数量。更新标志：算法流程中对于这个标志进行了更改，对于某个轨迹而言，算法是否在这一帧进行了更新。
T＝{P1，P2，...，Pk，F}
F＝{fstable，Nframe，Np，Npre，fupdate}；
其中，k1为轨迹类型数据T内包括的数据点类型数据P的数量，k1为正整数；
预测标志集合Cpre由车辆标识编号组成，在这一帧数据处理中若使用预测点便存入此集合，
Figure BDA0003297600720000121
其中，m2，n2为车辆标识编号，m2，n2均为正整数且m2＜n2；
遍历原始点集合Sraw，将数据点类型数据P中的车辆标识编号ci和轨迹类型数据T中车辆标识编号进行对比，若对比一致，则将原始点集合Sraw中的对应数据点类型数据P存入到车辆轨迹集合Strail的对应轨迹中，将此条对应轨迹更新标志fupdate设置为已更新，并删除原始点集合中的相应数据点类型数据P；
遍历车辆轨迹集合Strail，对于轨迹更新标志fupdate为未更新的车辆轨迹且车辆轨迹中存在两个或者两个以上数据点时，进行这一帧的数据点预测，将预测的数据点存入到原始数据映射表的预测点集合Spre中。
处理完一帧数据后，将原始数据映射表Draw中的Sraw和Spre清空，并将处理数据映射表Ddeal中车辆轨迹集合Strail的所有轨迹数据的更新标志fupdate设置为未更新状态。
本发明的一种优选方案中，步骤S2中设置采集边界的步骤如下：
由于智能感知平台的探测范围以及道路边界的限制，需要对原始车辆行驶数据及数据处理过程中预测的轨迹点超出边界的数据进行抛弃，所以要设定采集边界。例如，如图2所示的直道的采集场景，根据车路协同测试系统的V2X测试场景的测试需求标定采集道路限制位置，直道场景限制位置由开始位置和结束位置组成(其他场景需要在开始和结束位置之间加入拐角处的限制位置)，车道的每个限制位置由道路两侧经纬度位置点构成，每相邻两个位置点计算出有效道路采集区域(具体可以将道路分解为由一段段矩形区域拼接而成，确定这些矩形区域的两端(四个位置点)即能确定这个矩形区域，也就是道路采集区域)；
搭载在采集车辆上的智能感知平台，根据采集中采集车的经纬位置和探测距离，动态计算出探测范围；
将有效道路采集区域与智能感知平台探测范围取交集，设定出车场采集边界参数，
(clon，clat)∈{(clon，clat)|(clon-Xt)2+(clat-Yt)2≤r2}∩{(clon，clat)|lonstart≤clon≤lonend，latstart≤clon≤latend}
其中，(clon，clat)表示车辆的经度和纬度，Xt表示智能平台t时刻的经度，Yt表示智能感知平台t时刻的纬度，r表示智能感知平台的采集半径；lonstart、lonend、latstart、latend分别表示采集开始位置的经纬度和采集结束位置的经纬度。
本发明的一种优选方案中，步骤S3中对初始化的车辆信息进行噪音数据清除的步骤如下：
遍历原始点集合Sraw，将集合Sraw中不符合采集边界的数据点P进行删除。
步骤S3中对初始化的车辆信息进行轨迹数据修正的步骤如下：
S31，遍历原始点集合Sraw，将数据点P中的车辆标识编号ci和轨迹类型数据T中车辆标识编号进行对比，若对比一致，则将原始点集合Sraw中的对应数据点P存入到车辆轨迹集合Strail的对应轨迹中，将此条对应轨迹更新标志fupdate设置为已更新，并删除原始点集合中的相应数据点P；
S32，车辆轨迹中，当前帧与上一帧的位置点的方向与前两帧形成的方向相反，或者当前帧与上一帧的距离大于预先设定的距离范围阈值(此阈值通过车辆轨迹修正效果得出)，则进行修正，上一帧车辆的经纬度计算为：
Figure BDA0003297600720000141
Figure BDA0003297600720000142
其中，
Figure BDA0003297600720000143
和
Figure BDA0003297600720000144
分别表示当前帧车辆的经度和纬度，t为帧序号；
S33，遍历车辆轨迹集合Strail，对于轨迹更新标志fupdate为未更新的车辆轨迹且车辆轨迹中存在两个或者两个以上数据点时，进行这一帧的数据点预测，将预测的数据点存入到原始数据映射表的预测点集合Spre中，取当前帧的前两帧的数据点的经纬度，以这两个经纬度坐标点来确定方向，当前帧车辆的经纬度计算为：
Figure BDA0003297600720000145
Figure BDA0003297600720000146
S34，遍历预测点集合Spre，在Sraw集合中寻找与预测点的距离小于θ的数据点，θ为常量，是数据点和预测点的误差阈值；θ可设置为0.0005；
S35，取与预测点的距离小于θ的数据点中离预测点最近的数据点作为当前帧的车辆轨迹数据点，重复步骤S31的操作；
S36，遍历车辆轨迹集合Strail，对于车辆轨迹更新标志fupdate为未更新的，判断数据点在步骤S33中产生的预测点是否已经超出采集边界，若已超出采集边界，直接删除该条车辆轨迹数据，若没有超出采集边界，则将该预测点加入到该车辆轨迹集合Strail中；
S37，遍历原始点集合Sraw，集合Sraw中若还存在没有完成对比匹配的数据点，计算这些数据点与车辆轨迹集合Strail中车辆轨迹当前帧的位置点的距离；
若距离小于θ，则删除此数据点，若距离大于θ，则以此数据点创建一条新的车辆轨迹加入车辆轨迹集合中。
本发明的一种优选方案中，识别并整理出的车辆轨迹每条轨迹需要经过条件筛选，得出属于真实车辆的轨迹，步骤S4中清除数据中的虚假车辆轨迹的步骤如下：
遍历车辆轨迹集合Strail，对于车辆轨迹更新标志fupdate仍未更新的数据点，删除其对应的车辆轨迹；
最初创建的车辆轨迹集合Strail中的车辆轨迹的稳定点标志fstable设定为不稳定状态，车辆轨迹的数据帧数量Nframe达到帧阈值(如10帧)时，对于获取的Nframe(如前10帧)帧数据帧进行分析，若其中真实数据点数量Np(如果数据点是不经过预测就能获得的数据点的或者是经过预测但是从原始数据中找到附近真实采集点的，都是真实的数据点。如果纯粹通过预测算出来的且预测这个点没在真实采集数据附近的就是不真实的数据点)占比低于阈值时(例如Np不能占百分之五十)，则直接删除该车辆轨迹；
对于连续q(q可设置为20)次使用预测的车辆轨迹，予以删除，q为正整数且q＞5。
如图3所示，本发明还提供一种用于车路协同测试场景采集回放的数据处理系统，包括智能感知平台、数据存储模块、处理器和车路协同测试平台，智能感知平台安装在车辆上，用于采集车场内若干车辆信息，数据存储模块的输入端与智能感知模块的输出端电性连接，数据存储模块的输出端与处理器电性连接，处理器执行本发明所述方法，进行数据处理，处理器的输出端与车路协同测试平台连接。
本方案对采集的车辆行驶数据进行了噪音数据的清理，修正了车辆轨迹数据，将处理后的车辆行驶轨迹数据导入车路协同测试平台用以构建V2X测试场景，提升了V2X测试场景的真实性且解决了V2X测试场景车端渗透率不足的情况。同时能够对数据库中离线的数据或者实时采集的数据进行分析并将处理结果离线存储或者实时输出到车路协同测试平台。既能支持采集完毕数据进行回放也能支持对于实时数据的播放，使得测试灵活性、准确度提高。
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。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (9)

1.一种用于车路协同测试场景采集回放的数据处理方法，其特征在于，包括如下步骤：
S1，采集车场内若干车辆信息，对车辆信息进行初始化处理；
S2，根据探测范围和道路边界限制，设置采集边界；
S3，根据采集边界，对初始化的车辆信息进行噪音数据清除及轨迹数据修正；
S4，将步骤S3处理后的数据进行条件筛选，清除数据中的虚假车辆轨迹；
S5，将步骤S4处理后得到的数据导入车路协同测试平台，构建V2X测试场景；
所述步骤S2中设置采集边界的步骤如下：
车道的每个限制位置由道路两侧经纬度位置点构成，每相邻两个位置点计算出有效道路采集区域；
搭载在采集车辆上的智能感知平台，根据采集中采集车的经纬位置和探测距离，动态计算出探测范围；
将有效道路采集区域与智能感知平台探测范围取交集，设定出车场采集边界参数，
(clon,clat)∈{(clon,clat)|(clon-Xt)2+(clat-Yt)2≤r2}∩{(clon,clat)|lonstart≤clon≤lonend,latstart≤clon≤latend}
其中，(clon,clat)表示车辆的经度和纬度，Xt表示智能平台t时刻的经度，Yt表示智能感知平台t时刻的纬度，r表示智能感知平台的采集半径；lonstart、lonend、latstart、latend分别表示采集开始位置的经纬度和采集结束位置的经纬度。
2.如权利要求1所述的用于车路协同测试场景采集回放的数据处理方法，其特征在于，所述步骤S1中车辆信息包括车辆标识编号、车辆经度、车辆纬度和车辆速度，以及装载有智能感知平台的车辆的经度和纬度。
3.如权利要求1所述的用于车路协同测试场景采集回放的数据处理方法，其特征在于，所述步骤S1中对车辆信息进行初始化处理的步骤如下：
建立原始数据映射表Draw和处理数据映射表Ddeal；
原始数据映射表包括原始点集合Sraw和预测点集合Spre，
Draw＝{Sraw,Spre}
Sraw和Spre由数据点类型数据P构成，
Figure FDA0003799155760000021
其中，m、n、k为相应数据集合中的数据点序号，m、n、k均为正整数且n〈k，每个数据点类型数据P由当前帧采集到的数据生成，包括车辆标识编号ci、经度clon、纬度clat和此刻的速度v，
P＝{ci,clon,clat,v}；
从数据库中读取一帧采集数据，为采集数据中的每一条车辆数据创建数据点类型数据P并存入原始数据映射表Draw的Sraw中；
处理数据映射表Ddeal包括车辆轨迹集合Strail和预测标志集合Cpre，
Ddeal＝{Strail,Cpre}
其中，车辆轨迹集合Strail代表每个车辆历史位置信息，由车辆轨迹类型数据T组成，
Strail＝{T1,T2,…,Tn1}
其中，n1为车辆的序号，Tn1为车辆n1的轨迹类型数据，n1正整数，每个轨迹类型数据T包含若干数据点类型数据P以及状态信息F，若干数据点类型数据P为采集到的车辆的位置点对应的数据点类型数据；状态信息F包括稳定点标志fstable、数据帧数量Nframe、真实数据点数量Np、预测数据点数量Npre、更新标志fupdate，
T＝{P1,P2,…,Pk1,F}
F＝{fstable,Nframe,Np,Npre,fupdate}；
其中，k1为轨迹类型数据T内包括的数据点类型数据P的数量，k1为正整数；
预测标志集合Cpre由车辆标识编号组成，在这一帧数据处理中若使用预测点便存入此集合，
Figure FDA0003799155760000031
其中，m2，n2为车辆标识编号，m2，n2均为正整数且m2〈n2；
遍历原始点集合Sraw，将数据点类型数据P中的车辆标识编号ci和轨迹类型数据T中车辆标识编号进行对比，若对比一致，则将原始点集合Sraw中的对应数据点类型数据P存入到车辆轨迹集合Strail的对应轨迹中，将此条对应轨迹更新标志fupdate设置为已更新，并删除原始点集合中的相应数据点类型数据P；
遍历车辆轨迹集合Strail，对于轨迹更新标志fupdate为未更新的车辆轨迹且车辆轨迹中存在两个或者两个以上数据点时，进行这一帧的数据点预测，将预测的数据点存入到原始数据映射表的预测点集合Spre中。
4.如权利要求3所述的用于车路协同测试场景采集回放的数据处理方法，其特征在于，处理完一帧数据后，将原始数据映射表Draw中的Sraw和Spre清空，并将处理数据映射表Ddeal中车辆轨迹集合Strail的所有轨迹数据的更新标志fupdate设置为未更新状态。
5.如权利要求4所述的用于车路协同测试场景采集回放的数据处理方法，其特征在于，所述步骤S3中对初始化的车辆信息进行噪音数据清除的步骤如下：
遍历原始点集合Sraw，将集合Sraw中不符合采集边界的数据点P进行删除。
6.如权利要求4或1所述的用于车路协同测试场景采集回放的数据处理方法，其特征在于，所述步骤S3中对初始化的车辆信息进行轨迹数据修正的步骤如下：
S31，车辆轨迹中，当前帧与上一帧的位置点的方向与前两帧形成的方向相反，或者当前帧与上一帧的距离大于预先设定的距离范围阈值，则进行修正，上一帧车辆的经纬度计算为：
Figure FDA0003799155760000041
Figure FDA0003799155760000042
其中，
Figure FDA0003799155760000043
和
Figure FDA0003799155760000044
分别表示当前帧车辆的经度和纬度，t为帧序号；
S32，取当前帧的前两帧的数据点的经纬度，以这两个经纬度坐标点来确定方向，当前帧车辆的经纬度计算为：
Figure FDA0003799155760000045
Figure FDA0003799155760000046
S33，遍历预测点集合Spre，在Sraw集合中寻找与预测点的距离小于θ的数据点，θ为常量，是数据点和预测点的误差阈值；
S34，取与预测点的距离小于θ的数据点中离预测点最近的数据点作为当前帧的车辆轨迹数据点；
S35，遍历车辆轨迹集合Strail，对于车辆轨迹更新标志fupdate为未更新的，判断数据点在步骤S32中产生的预测点是否已经超出采集边界，若已超出采集边界，直接删除该条车辆轨迹数据，若没有超出采集边界，则将该预测点加入到该车辆轨迹集合Strail中；
S36，遍历原始点集合Sraw，集合Sraw中若还存在没有完成对比匹配的数据点，计算这些数据点与车辆轨迹集合Strail中车辆轨迹当前帧的位置点的距离；
若距离小于θ，则删除此数据点，若距离大于θ，则以此数据点创建一条新的车辆轨迹加入车辆轨迹集合中。
7.如权利要求4所述的用于车路协同测试场景采集回放的数据处理方法，其特征在于，所述步骤S4中清除数据中的虚假车辆轨迹的步骤如下：
遍历车辆轨迹集合Strail，对于车辆轨迹更新标志fupdate仍未更新的数据点，删除其对应的车辆轨迹；
最初创建的车辆轨迹集合Strail中的车辆轨迹的稳定点标志fstable设定为不稳定状态，车辆轨迹的数据帧数量Nframe达到帧阈值时，对于获取的Nframe帧数据帧进行分析，若其中真实数据点数量Np占比低于阈值时，则直接删除该车辆轨迹；
对于连续q次使用预测的车辆轨迹，予以删除，q为正整数且q〉5。
8.如权利要求1所述的用于车路协同测试场景采集回放的数据处理方法，其特征在于，所述步骤S1中以10HZ的频率采集车辆信息。
9.一种用于车路协同测试场景采集回放的数据处理系统，其特征在于，包括智能感知平台、数据存储模块、处理器和车路协同测试平台，所述智能感知平台安装在车辆上，用于采集车场内若干车辆信息，所述数据存储模块的输入端与智能感知模块的输出端连接，数据存储模块的输出端与处理器连接，所述处理器执行权利要求1-8之一所述方法，进行数据处理，处理器的输出端与车路协同测试平台连接。
CN202111181903.0A 2021-10-11 2021-10-11 用于车路协同测试场景采集回放的数据处理方法及系统 Active CN113949996B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111181903.0A CN113949996B (zh) 2021-10-11 2021-10-11 用于车路协同测试场景采集回放的数据处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111181903.0A CN113949996B (zh) 2021-10-11 2021-10-11 用于车路协同测试场景采集回放的数据处理方法及系统

Publications (2)

Publication Number Publication Date
CN113949996A CN113949996A (zh) 2022-01-18
CN113949996B true CN113949996B (zh) 2022-10-28

Family

ID=79329607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111181903.0A Active CN113949996B (zh) 2021-10-11 2021-10-11 用于车路协同测试场景采集回放的数据处理方法及系统

Country Status (1)

Country Link
CN (1) CN113949996B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117255325B (zh) * 2023-11-15 2024-01-16 湖南大学 一种智能网联v2x场景验证系统和方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105302307A (zh) * 2015-11-03 2016-02-03 重庆码头联智科技有限公司 通过加速度传感器获取方向信息进行行为匹配的方法
CN105956268A (zh) * 2016-04-29 2016-09-21 百度在线网络技术（北京）有限公司 应用于无人驾驶汽车的测试场景构建方法和装置
CN107678306A (zh) * 2017-10-09 2018-02-09 驭势（上海）汽车科技有限公司 动态场景信息录制和仿真回放方法、装置、设备及介质
CN107782564A (zh) * 2017-10-30 2018-03-09 青岛慧拓智能机器有限公司 一种自动驾驶车辆测评系统及方法
CN108549366A (zh) * 2018-05-04 2018-09-18 同济大学 智能汽车道路行驶与虚拟测试平行映射实验方法
CN108627350A (zh) * 2018-03-27 2018-10-09 北京新能源汽车股份有限公司 车辆测试系统和方法
CN108760332A (zh) * 2018-05-14 2018-11-06 公安部交通管理科学研究所 基于场地驾驶的自动驾驶汽车测试场景构建方法
CN111373458A (zh) * 2017-11-07 2020-07-03 图森有限公司 用于自主车辆的轨迹规划的基于预测的系统和方法
CN111541990A (zh) * 2020-04-30 2020-08-14 重庆车辆检测研究院有限公司 一种车路协同系统测试数据的采集系统、方法及装置
CN111579251A (zh) * 2020-04-16 2020-08-25 国汽(北京)智能网联汽车研究院有限公司 车辆测试场景的确定方法、装置、设备及存储介质
CN111797741A (zh) * 2020-06-24 2020-10-20 中国第一汽车股份有限公司 车辆检测方法、装置、车辆和存储介质
CN111857094A (zh) * 2020-07-17 2020-10-30 联陆智能交通科技(上海)有限公司 一种车载单元测试软件的系统及方法
CN112526893A (zh) * 2020-10-30 2021-03-19 长安大学 一种智能汽车的测试系统
CN113099473A (zh) * 2020-01-08 2021-07-09 大唐高鸿信息通信研究院（义乌）有限公司 基于实时交通路况的车载短距离通信网的模拟测试方法
CN113343457A (zh) * 2021-05-31 2021-09-03 苏州智加科技有限公司 自动驾驶的仿真测试方法、装置、设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109032102B (zh) * 2017-06-09 2020-12-18 百度在线网络技术（北京）有限公司 无人驾驶车辆测试方法、装置、设备及存储介质
US11110917B2 (en) * 2019-05-13 2021-09-07 Great Wall Motor Company Limited Method and apparatus for interaction aware traffic scene prediction

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105302307A (zh) * 2015-11-03 2016-02-03 重庆码头联智科技有限公司 通过加速度传感器获取方向信息进行行为匹配的方法
CN105956268A (zh) * 2016-04-29 2016-09-21 百度在线网络技术（北京）有限公司 应用于无人驾驶汽车的测试场景构建方法和装置
CN107678306A (zh) * 2017-10-09 2018-02-09 驭势（上海）汽车科技有限公司 动态场景信息录制和仿真回放方法、装置、设备及介质
CN107782564A (zh) * 2017-10-30 2018-03-09 青岛慧拓智能机器有限公司 一种自动驾驶车辆测评系统及方法
CN111373458A (zh) * 2017-11-07 2020-07-03 图森有限公司 用于自主车辆的轨迹规划的基于预测的系统和方法
CN108627350A (zh) * 2018-03-27 2018-10-09 北京新能源汽车股份有限公司 车辆测试系统和方法
CN108549366A (zh) * 2018-05-04 2018-09-18 同济大学 智能汽车道路行驶与虚拟测试平行映射实验方法
CN108760332A (zh) * 2018-05-14 2018-11-06 公安部交通管理科学研究所 基于场地驾驶的自动驾驶汽车测试场景构建方法
CN113099473A (zh) * 2020-01-08 2021-07-09 大唐高鸿信息通信研究院（义乌）有限公司 基于实时交通路况的车载短距离通信网的模拟测试方法
CN111579251A (zh) * 2020-04-16 2020-08-25 国汽(北京)智能网联汽车研究院有限公司 车辆测试场景的确定方法、装置、设备及存储介质
CN111541990A (zh) * 2020-04-30 2020-08-14 重庆车辆检测研究院有限公司 一种车路协同系统测试数据的采集系统、方法及装置
CN111797741A (zh) * 2020-06-24 2020-10-20 中国第一汽车股份有限公司 车辆检测方法、装置、车辆和存储介质
CN111857094A (zh) * 2020-07-17 2020-10-30 联陆智能交通科技(上海)有限公司 一种车载单元测试软件的系统及方法
CN112526893A (zh) * 2020-10-30 2021-03-19 长安大学 一种智能汽车的测试系统
CN113343457A (zh) * 2021-05-31 2021-09-03 苏州智加科技有限公司 自动驾驶的仿真测试方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Scenario Oriented V2V Field Test Scheme with Dense Node Array;Qingwen Han等;《2020 IEEE 23rd International Conference on Intelligent Transportation Systems (ITSC)》;20201224;全文 *
无人驾驶车辆智能水平的定量评价;孙扬;《中国博士学位论文全文数据库工程科技II辑》;20150415;全文 *
面向汽车智能驾驶的毫米波雷达建模与仿真研究;李鑫;《中国博士学位论文全文数据库工程科技II辑》;20210115;全文 *

Also Published As

Publication number Publication date
CN113949996A (zh) 2022-01-18

Similar Documents

Publication Publication Date Title
CN107301776A (zh) 基于视频检测技术的车道路况处理及发布方法
CN105160872B (zh) 一种gps轨迹数据智能采集方法
CN103985182B (zh) 一种公交客流自动计数方法及自动计数系统
CN110728650B (zh) 一种基于智能终端的井盖凹陷检测方法及相关设备
CN1831893A (zh) 交通信息系统
CN102012230A (zh) 一种道路实景导航方法
CN110008872B (zh) 一种结合车辆轨迹和遥感图像的路网提取方法
CN113949996B (zh) 用于车路协同测试场景采集回放的数据处理方法及系统
CN107103775A (zh) 一种基于群智计算的道路质量检测方法
CN109118766A (zh) 一种基于交通卡口的同行车辆判别方法及装置
CN102768797B (zh) 一种城市路况信息评价方法及装置
CN106951829A (zh) 一种基于最小生成树的视频显著对象检测方法
CN113903173B (zh) 一种基于有向图结构和lstm的车辆轨迹特征提取方法
CN112507867B (zh) 一种基于EDLines线特征的车道线检测方法
CN111723793B (zh) 一种实时刚性接触网定位点识别方法
CN104598906B (zh) 车辆外轮廓检测方法及其装置
CN112735164B (zh) 测试数据构建方法及测试方法
CN115830509A (zh) 一种基于视频流特征的智能化货车空厢识别审核方法
CN109061706A (zh) 一种基于T-Box和实时路况地图数据的车辆驾驶行为分析的方法
CN108389399A (zh) 一种智能交通车流量数据统计方法
CN112562029B (zh) 图像重构方法、系统、电子设备及计算机可读存储介质
CN111723792B (zh) 适用于刚柔接触网的实时定位点识别方法
CN109558770A (zh) 真值标注方法
CN113569491A (zh) 一种轮对尺寸检测数据的分析和校正方法及装置
WO2021138372A1 (en) Feature coverage analysis

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