CN114120628B - 基于稀疏传感器布置的路态波纹预测校验方法及系统 - Google Patents

基于稀疏传感器布置的路态波纹预测校验方法及系统 Download PDF

Info

Publication number
CN114120628B
CN114120628B CN202111191001.5A CN202111191001A CN114120628B CN 114120628 B CN114120628 B CN 114120628B CN 202111191001 A CN202111191001 A CN 202111191001A CN 114120628 B CN114120628 B CN 114120628B
Authority
CN
China
Prior art keywords
road
road state
ripples
blind area
state
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
CN202111191001.5A
Other languages
English (en)
Other versions
CN114120628A (zh
Inventor
陈志军
鲁哲
吴超仲
黄珍
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202111191001.5A priority Critical patent/CN114120628B/zh
Publication of CN114120628A publication Critical patent/CN114120628A/zh
Application granted granted Critical
Publication of CN114120628B publication Critical patent/CN114120628B/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
    • G08G1/0104—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
    • 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

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开一种基于稀疏传感器布置的路态波纹预测校验方法及系统，方法包括：获取路侧设备检测区域内的路态波纹；基于上游路态波纹对路侧检测盲区的路态波纹进行预测，得到盲区第一路态波纹；基于下游路态波纹对盲区第一路态波纹进行验证；若验证误差超出预设范围，则基于下游路态波纹对路侧检测盲区的路态波纹进行预测，得到盲区第二路态波纹；将路侧检测盲区与上下游路侧设备的距离分别作为权值输入，对盲区第一路态波纹和盲区第二路态波纹进行加权平均，得到修复后的盲区路态波纹，进而得到全域路态波纹。本发明解决现有技术对全局道路交通信息获取不足、交通主体运动状态感知精度不够等问题，并实现资源的集约、节约利用。

Description

基于稀疏传感器布置的路态波纹预测校验方法及系统
技术领域
本发明涉及智能交通技术领域，尤其涉及稀疏传感器布置下的路态波纹信息获取、预测及验证，具体为一种基于稀疏传感器布置的路态波纹预测校验方法及系统。
背景技术
近年来，随着智能交通体系的不断发展和完善，基于车路协同的自动驾驶方案已经成为业内公认的智能驾驶解决方案，作为车路协同重要的基础设施，智能路侧感知设备在智能网联汽车、智慧公路等技术中起着难以替代的作用，围绕其进行的创新与研发已经成为车路协同自动驾驶中的关键一环。
当前自动驾驶的研发背景下，单一路侧感知设备无法获取道路全局道路交通信息，存在感知缺失或盲区，感知手段不足，同时会导致基于路侧信息的车路协同自动驾驶规划不合理，影响全局交通效率；而为了提高感知的精度而密集布设路侧设备则会导致成本过高，造成资源的浪费。
公开号CN113160555A的中国专利于2021年7月23日公开了一种基于路侧感知设备的路态波纹处理方法，其公开了根据第一路态波纹预测路侧感知设备的检测盲区的第二路态波纹，然后将第一路态波纹和第二路态波纹叠加得到全域路态波纹，该专利申请存在以下不足：1)只能对路侧感知设备的检测盲区进行路态波纹的填补，但无法验证填补得到的检测盲区路态波纹是否准确，而基于该填补结果与已知路态波纹的叠加所得到的全域路态波纹的准确性就更难以保证；2)不能利用已知的道路交通信息对未知的检测盲区的填补波纹进行修复，不能保证所得到全域路态波纹的准确性和可靠性；3)难以在感知精度与资源有效利用之间达到更好的平衡。
发明内容
为克服上述现有技术的不足，本发明提供一种基于稀疏传感器布置的路态波纹预测校验方法及系统，解决现有路侧检测盲区的路态波纹预测精度不稳定，难以提供贴近实际路况的全域路态波纹信息的问题。
根据本发明说明书的一方面，提供一种基于稀疏传感器布置的路态波纹预测校验方法，所述方法包括：
获取第一路侧设备检测区域内的第一路态波纹及第二路侧设备检测区域内的第二路态波纹；
基于所述第一路态波纹对路侧检测盲区的路态波纹进行预测，得到盲区第一路态波纹；
基于所述第二路态波纹对盲区第一路态波纹进行验证；
若验证误差超出预设范围，则基于所述第二路态波纹对路侧检测盲区的路态波纹进行预测，得到盲区第二路态波纹；
将路侧检测盲区与第一路侧设备检测区域的距离、路侧检测盲区与第二路侧设备检测区域的距离分别作为权值输入，对盲区第一路态波纹和盲区第二路态波纹进行加权平均，得到修复后的盲区路态波纹，并基于修复后的盲区路态波纹、第一路态波纹和第二路态波纹得到路段的全域路态波纹。
上述技术方案中，第一路侧设备和第二路侧设备沿路侧稀疏布置，第一路侧设备检测区域与第二路侧设备检测区域之间存在检测盲区，且第一路侧设备位于检测盲区的上游，第二路侧设备位于检测盲区的下游；为获取更精确的检测盲区的路态波纹信息，该技术方案首先利用上游第一路侧设备获取第一路态波纹，基于该第一路态波纹对检测盲区的路态波纹进行第一次预测，然后利用下游第二路侧设备获取的第二路态波纹对该第一次预测的盲区路态波纹进行验证比对，当比对结果超过预设范围时，则基于第二路态波纹对检测盲区的路态波纹进行第二次预测，并基于第一次预测和第二次预测的结果进行加权平均，修复检测盲区的路态波纹预测结果，得到更精确、更贴近实际路况的盲区路态波纹。
作为进一步的技术方案，基于所述第二路态波纹对盲区第一路态波纹进行验证的步骤进一步包括：基于波动方程和第二路侧设备检测区域内实际交通主体构建第二路态波纹，根据波的传递特性，对所述第二路态波纹与盲区第一路态波纹的时空连续性进行验证对比。
该技术方案通过比较第二路态波纹与盲区第一路态波纹在时空上的连续性来验证预测的盲区第一路态波纹是否满足预设要求，即将基于第一路态波纹预测的盲区第一路态波纹与基于实际道路交通主体构建形成的第二路态波纹在时空上的一致性进行比较，将复杂的路况比对转换为数值上的比对，从而更快、更直接的得到比对结果。
作为进一步的技术方案，若第二路态波纹与盲区第一路态波纹具有时空连续性，则将所述盲区第一路态波纹作为最终的盲区路态波纹；若第二路态波纹与盲区第一路态波纹不具有时空连续性，则重新获取盲区第二路态波纹并基于盲区第一路态波纹、盲区第二路态波纹对检测盲区的路态波纹进行修复，以修复后的盲区路态波纹作为最终结果。
该技术方案中，若预测的盲区第一路态波纹的精度符合预设要求，则将该盲区第一路态波纹与检测盲区上下游的路态波纹进行合并形成对应路段的全域路态波纹信息。若预测的盲区第一路态波纹的精度不符合预设要求，则需要对该第一次预测结果进行修复，进一步包括：根据检测盲区下游基于真实道路交通主体构建形成的第二路态波纹进行预测得到盲区第二路态波纹，并以检测盲区距离上下游路侧设备的距离作为权值，对盲区第一路态波纹、盲区第二路态波纹进行加权平均，进而得到修复后的盲区路态波纹，并基于修复后的盲区路态波纹、第一路态波纹和第二路态波纹得到路段的全域路态波纹。
作为进一步的技术方案，所述方法进一步包括：基于所述盲区路态波纹、第一路态波纹和第二路态波纹形成全域路态波纹并进行信息的发布。该技术方案得到的全域路态波纹经由路侧设备进行发布，以便于道路上的交通主体如车辆等能准确获知当前路段的路况信息。
作为进一步的技术方案，基于所述第一路态波纹对路侧检测盲区的路态波纹进行预测的步骤进一步包括：利用波的传递特征来预测路侧检测盲区的路态波纹，波的传递特征理解为路态波纹在空间中传递的规律，假设在一维空间中，已知x1处和x2处的波动方程，其中x1＜x2，若a1、a2、C1和C2已知，则x1+h＜x2处的波动方程表示为：
Figure BDA0003299618760000031
h即为与x1距离为h的某个位置。
该技术方案中，波动理论中的波动方程通过对道路交通主体的状态定量描述，构建其在时间和空间上呈现出的波纹的规律与特征。所述波动方程如下：
Figure BDA0003299618760000032
其中，f(x，t，u)为路态波纹的幅值，x为空间向量；对于一维波动方程，x即为x代表一个方向；对于二维波动方程，x即为(x，y)代表波纹平面传递，以此类推；t为时间；u为道路交通主体的一个运动状态，可以是速度、加速度、加加速度或者交通流密度；a在波动理论中代表波的传递速度，在路态波纹中a取决于道路环境对交通主体的影响作用；C是路态波纹传递过程中的干扰因子。
根据本发明说明书的一方面，提供一种基于稀疏传感器布置的路态波纹预测校验系统，包括：获取模块，用于获取第一路侧设备检测区域内的第一路态波纹及第二路侧设备检测区域内的第二路态波纹；
第一预测模块，用于基于所述第一路态波纹对路侧检测盲区的路态波纹进行预测，得到盲区第一路态波纹；
验证模块，用于基于所述第二路态波纹对盲区第一路态波纹进行验证；
第二预测模块，用于基于所述第二路态波纹对路侧检测盲区的路态波纹进行预测，得到盲区第二路态波纹；
修复模块，用于将路侧检测盲区与第一路侧设备检测区域的距离、路侧检测盲区与第二路侧设备检测区域的距离分别作为权值输入，对盲区第一路态波纹和盲区第二路态波纹进行加权平均，得到修复后的盲区路态波纹，并基于修复后的盲区路态波纹、第一路态波纹和第二路态波纹得到路段的全域路态波纹。
上述技术方案中，第一路侧设备检测区域和第二路侧设备检测区域均具有相同的路侧设备，所述的路侧设备与车端和云端均通信连接；所述的第一路侧设备检测区域和第二路侧设备检测区域之间存在检测盲区；所述的路侧设备用于获取道路交通主体的类型、位置、距离及速度信息，并根据这些感知信息计算当前道路交通主体形成的路态波纹；该技术方案将基于道路交通主体形成的路态波纹发送至云端，云端通过第一预测模块获取检测盲区的盲区第一路态波纹，通过验证模块对第一次预测的盲区路态波纹进行验证比对，当验证比对结果满足预设要求时，则基于盲区第一路态波纹及检测盲区上下游的路态波纹形成对应路段的全域路态波纹，并发送至路侧设备进行发布；当验证比对结果不满足预设要求时，则通过第二预测模块获取检测盲区的盲区第二路态波纹，通过修复模块根据盲区第一路态波纹、盲区第二路态波纹及检测盲区与上下游设备检测区域的距离来对第一次预测结果进行修复，得到修复后的盲区路态波纹，并基于修复后的盲区路态波纹、第一路态波纹和第二路态波纹得到路段的全域路态波纹，然后基于修复后的盲区路态波纹和检测盲区上下游的路态波纹形成对应路段的全域路态波纹，并发送至路侧设备进行发布。
作为进一步的技术方案，所述第一路侧设备检测区域位于检测盲区的上游，所述第二路侧设备检测区域位于检测盲区的下游；所述第一路侧设备检测区域和第二路侧设备检测区域内分别设有第一路侧设备和第二路侧设备，所述第一路侧设备和第二路侧设备均设有获取模块；所述第一路侧设备和第二路侧设备均与云平台相连。
该技术方案中，第一路侧设备和第二路侧设备是相对于检测盲区来定义的，第一路侧设备和第二路侧设备实质上是相同的路侧设备，即在道路两侧稀疏布置有多个路侧设备，各路侧设备均与云平台相连且均具有获取模块，用于获取路侧设备对应区域的路态波纹并发送至云平台。
作为进一步的技术方案，所述获取模块包括感知单元、边缘计算单元和通信单元；
所述感知单元用于获取道路交通主体的类型、位置、距离及速度信息并发送给边缘计算单元；
所述边缘计算单元用于根据感知单元的感知信息计算当前道路交通主体形成的路态波纹并发送至云平台，以及对云平台计算得到的全域路态波纹进行接收和发布；
所述通信单元用于路侧、云平台与车端之间的信息交互，实现三端之间的实时通信。
上述技术方案中，所述感知单元包括高清摄像头、激光雷达、毫米波雷达和定位装置；所述高清摄像头用于识别道路交通主体类型，并进行辅助测距定位；所述激光雷达与毫米波雷达用于识别道路交通主体位置，并对其测距和测速；所述定位装置用于辅助定位以及测距。
作为进一步的技术方案，第一路侧设备与第二路侧设备通过预设间距稀疏布置，所述预设间距为100m-500m；所述第一路侧设备和第二路侧设备的最大有效感知范围小于或等于150m。该技术方案对于两个路侧设备之间的检测盲区采用预测填充、验证修复的方式来得到其准确的路态波纹，在确保感知精度的同时，降低了路侧设备的架设成本。
作为进一步的技术方案，所述道路交通主体包括机动车群体、非机动车群体和行人群体，三者形成的独立的路态波纹，根据波的叠加原理合并形成路侧杆件对应路段的路态波纹。
与现有技术相比，本发明的有益效果在于：
(1)本发明提供一种方法，该方法将多个路侧设备在道路两侧稀疏布置，以其中两个路侧设备之间的检测盲区为中心，将检测盲区上游的路侧设备定义为第一路侧设备，将检测盲区下游的路侧设备定义为第二路侧设备；为获取更精确的检测盲区的路态波纹信息，该方法首先利用上游第一路侧设备获取第一路态波纹，基于该第一路态波纹对检测盲区的路态波纹进行第一次预测，然后利用下游第二路侧设备获取的第二路态波纹对该第一次预测的盲区路态波纹进行验证比对，当比对结果超过预设范围时，则基于第二路态波纹对检测盲区的路态波纹进行第二次预测，并基于第一次预测和第二次预测的结果进行加权平均，修复检测盲区的路态波纹预测结果，得到更精确、更贴近实际路况的盲区路态波纹。
(2)本发明提供一种系统，该系统包括多个路侧设备及与多个路侧设备通信连接的云平台；该系统利用路侧设备获取道路交通主体的类型、位置、距离及速度信息，并根据这些感知信息计算当前道路交通主体形成的路态波纹；然后将基于道路交通主体形成的路态波纹发送至云端，云端通过第一预测模块获取检测盲区的盲区第一路态波纹，通过验证模块对第一次预测的盲区路态波纹进行验证比对，当验证比对结果满足预设要求时，则基于盲区第一路态波纹及检测盲区上下游的路态波纹形成对应路段的全域路态波纹，并发送至路侧设备进行发布；当验证比对结果不满足预设要求时，则通过第二预测模块获取检测盲区的盲区第二路态波纹，通过修复模块根据盲区第一路态波纹、盲区第二路态波纹及检测盲区与上下游设备检测区域的距离来对第一次预测结果进行修复，得到修复后的盲区路态波纹，并基于修复后的盲区路态波纹、第一路态波纹和第二路态波纹得到路段的全域路态波纹，然后基于修复后的盲区路态波纹和检测盲区上下游的路态波纹形成对应路段的全域路态波纹，并发送至路侧设备进行发布。
(3)本发明通过稀疏布置的数量有限的路侧设备，实现了交通主体运动状态的获取，并基于检测盲区上下游路侧设备获取的实际交通主体路态波纹来对检测盲区的路态波纹进行预测填充和验证修复，得到了更精确、更贴近交通主体实际运动状态的盲区路态波纹，进而得到完整的全域路态波纹，在确保感知精度的前提下，实现了资源的集约、节约利用。
附图说明
图1为根据本发明实施例的路侧设备路态波纹的感知示意图；
图2(a)-(c)为根据本发明实施例的路侧设备布置示意图；
图3为根据本发明实施例的路态波纹预测方法示意图；
图4为根据本发明实施例的路侧设备的信息传递过程示意图。
具体实施方式
以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述发实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接或可以相互通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。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在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
本发明提供一种基于稀疏传感器布置的路态波纹预测校验方法及系统，以解决现有技术对全局道路交通信息获取不足、交通主体运动状态感知精度不够等问题，并实现资源的集约、节约利用。
实施例1
本实施例提供一种基于稀疏传感器布置的路态波纹预测校验方法，该方法基于稀疏传感器布置下的有限路侧设备实现交通主体运动状态的获取，并完成全域路态波纹信息的构建。
该方法包括以下步骤：
步骤1，获取第一路侧设备检测区域内的第一路态波纹及第二路侧设备检测区域内的第二路态波纹。
参考图1，在一条网联道路上，车流方向从左向右，在道路旁安装有智能路侧设备L1(第一路侧设备)和L2(第二路侧设备)。路侧设备L1和L2分别包括感知模块、通信模块及边缘计算模块，布置于路侧。路侧设备L1和L2分别集成安装于路侧杆件上，所述的路侧杆件固定安装于路侧。
路侧设备L1和L2之间的路侧布置间距为D12。路侧设备L1和L2的有效感知距离之外的区域为感知盲区。
感知模块包括高清摄像头、激光雷达、毫米波雷达、定位装置，高清摄像头用于识别道路交通主体类型，并进行辅助测距定位，激光雷达与毫米波雷达用于识别道路交通主体位置，并对其测距和测速，定位装置用于辅助定位以及测距。
通信模块用于路侧、云端与车端之间的信息交互，实现三端之间的实时通信。
边缘计算模块用于计算当前道路交通主体形成的路态波纹，并对云端计算得到的全域路态波纹进行接收和发布。
该步骤中，基于波动理论及波的传递特征，建立的道路交通主体运动状态集合的特征及内在规律的显式表达，即为路态波纹，该路态波纹可以形成量化的显式的数学表达，也可以以动态多维云图的方式呈现。
所述的波动理论中的波动方程通过对道路交通主体的状态定量描述，构建其在时间和空间上呈现出的波纹的规律与特征；道路交通主体包括机动车群体、非机动车群体和行人群体。其中，所述波动方程如下：
Figure BDA0003299618760000081
式中，f(x，t，u)为路态波纹的幅值，x为空间向量；对于一维波动方程，x即为x代表一个方向；对于二维波动方程，x即为(x，y)代表波纹平面传递，以此类推；t为时间；u为道路交通主体的一个运动状态，可以是速度、加速度、加加速度或者交通流密度；a在波动理论中代表波的传递速度，在路态波纹中a取决于道路环境对交通主体的影响作用；C是路态波纹传递过程中的干扰因子。
步骤2，路侧设备将根据边缘计算模块计算得到的第一、第二路态波纹发送至云端，云端基于所述第一路态波纹对路侧检测盲区的路态波纹进行预测，得到盲区第一路态波纹。所述的路态波纹的预测过程是利用波的传递特征预测检测盲区的路态波纹。
其中，利用波的传递特征来预测路侧检测盲区的路态波纹，波的传递特征理解为路态波纹在空间中传递的规律，假设在一维空间中，已知x1处和x2处的波动方程，其中x1＜x2，若a1、a2、C1和C2已知，则x1+h＜x2处的波动方程表示为
Figure BDA0003299618760000082
基于该步骤即可得到检测盲区任一位置处的路态波纹，即盲区第一路态波纹。
步骤3，基于所述第二路态波纹对盲区第一路态波纹进行验证。
按照前述波动方程构建出检测盲区下游的第二路态波纹，根据波的传递特性，此处的第二路态波纹与前述盲区第一路态波纹在时空上应具有连续性。通过对比由盲区第一路态波纹信息通过波动方程构建的路态波纹与下游通过实际交通主体构建的路态波纹的一致性，即可对盲区第一路态波纹进行验证对比。
步骤4，当所构建的盲区第一路态波纹在通过下游路侧设备的第二路态波纹验证不一致时，即预测结果超出误差范围时，需要对预测结果进行修复。此时，同样利用波的传递特征来预测路侧检测盲区的路态波纹，即基于所述第二路态波纹对路侧检测盲区的路态波纹进行预测，得到盲区第二路态波纹。
步骤5，将路侧检测盲区与第一路侧设备检测区域的距离、路侧检测盲区与第二路侧设备检测区域的距离分别作为权值输入，对盲区第一路态波纹和盲区第二路态波纹进行加权平均，得到修复后的盲区路态波纹，并基于修复后的盲区路态波纹、第一路态波纹和第二路态波纹得到路段的全域路态波纹。
本实施例的方法通过接收上游路侧设备边缘计算模块得到的道路交通主体形成的路态波纹信息，结合历史路态波纹信息，对检测盲区的路态波纹信息进行第一次预测，填补盲区的路态波纹信息，并根据下游路侧设备的路态波纹信息对预测得到的信息进行验证比对，从而得到精度更高的全域路态波纹信息，并传输回边缘计算模块，完成信息的发布。并且，当验证比对不符合预设条件时，通过盲区两侧的路侧设备构建的路态波纹对预测结果进行修复，即将盲区与上、下游路侧设备的距离作为权值输入，对通过上、下游路态波纹信息预测得出的盲区路态波纹进行加权平均，将结果作为修复后的盲区路态波纹，然后基于修复后的盲区路态波纹、第一路态波纹和第二路态波纹得到路段的全域路态波纹。
实施例2
本实施例提供一种基于稀疏传感器布置的路态波纹预测校验系统，包括获取模块、第一预测模块、验证模块、第二预测模块和修复模块。所述获取模块分别与第一预测模块和第二预测模块相连，所述第一预测模块与验证模块相连，所述第一预测模块、第二预测模块分别与修复模块相连。
所述系统还包括发布模块，所述发布模块与修复模块相连，用于发布路段的全域路态波纹。
所述发布模块和获取模块均设置在路侧。所述第一预测模块、验证模块、第二预测模块和修复模块设置在云平台。
所述路侧设备具有通信模块，用于实现路侧、云端与车端的信息交互。
获取模块，用于获取路侧设备检测区域内的路态波纹。如路侧设备L1和L2获取的路态波纹。所述获取模块包括感知模块、边缘计算模块和通信模块。
所述感知模块用于获取道路交通主体的类型、位置、距离及速度信息并发送给边缘计算模块；所述感知模块包括高清摄像头、激光雷达、毫米波雷达和定位装置。
所述边缘计算模块用于根据感知模块的感知信息计算当前道路交通主体形成的路态波纹并发送至云平台，以及对云平台计算得到的全域路态波纹进行接收和发布。
所述通信模块用于路侧、云平台与车端之间的信息交互，实现三端之间的实时通信。
第一预测模块，用于基于检测盲区上游路态波纹对检测盲区的路态波纹进行预测，得到第一次预测的盲区路态波纹。
验证模块，用于基于盲区下游的路态波纹对第一次预测的盲区路态波纹进行验证。若验证满足要求，则形成路段的全域路态波纹并通过发布模块进行发布；若验证不满足要求，则将第一次预测的盲区路态波纹发送至修复模块，同时启动第二预测模块。
第二预测模块，用于基于盲区下游的路态波纹对检测盲区的路态波纹进行预测，得到第二次预测的盲区路态波纹。
修复模块，用于将路侧检测盲区与盲区上下游路侧设备的距离分别作为权值输入，对第一次和第二次预测的盲区路态波纹进行加权平均，得到修复后的盲区路态波纹，并基于修复后的盲区路态波纹、上游路态波纹和下游路态波纹得到路段的全域路态波纹。
参考图2(a)-(c)，一般路侧设备感知有限，最大有效感知范围不会超过150m，路侧不能覆盖的区域即为检测盲区。其中(a)的布设间距为100m，(b)的布设间距为200m，(c)的布设间距为500m。单个路侧设备布设间距可以根据具体实施要求进行确定，最小100m，最大500m；为了降低路侧布设成本，并考虑路态波纹的识别精度，结合路态波纹的特征及预测与验证，可将路侧设备布设间距增大到500m。
参考图3，当布设间距大于智能路侧的感知范围时，会出现感知盲区，此时的路态波纹感知将分为两个部分：一个是基于路侧感知信息，通过波动方程将道路交通主体的实时运动状态转化为路态波纹的幅值在空间域和时间域上的变化特征和规律；另一个是基于检测盲区上游路侧设备的已知信息，利用波的传递特征对检测盲区进行信息预测，填补盲区的路态波纹信息，并根据下游路侧设备的路态波纹信息对预测得到的信息进行验证比对，从而得到精度更高的全域路态波纹信息。
若验证比对不满足要求，则根据下游路侧设备的路态波纹信息进行第二次盲区路态波纹的预测，然后依据第一次和第二次预测的盲区路态波纹结合盲区与上下游路侧设备的距离进行加权平均，得到修复后的盲区路态波纹。
本实施例通过构建道路交通主体运动状态集合的特征及内在规律的显式表达，以量化的显式的数学函数，或动态多维云图的方式呈现，为道路交通状态监测、多车集群调度、单车决策规划提供全面、有效、可靠的信息支撑，促进车路协同技术的发展。
参考图4，路侧设备信息传递过程，路侧设备的信息传递是从道路交通主体到感知设备，再通过多源传感器信息融合到边缘计算单元进行实时计算，得到已知信息路段的路态波纹，并通过通信单元传递给云平台对检测盲区进行信息预测，填补盲区的路态波纹信息，并根据下游传感器的路态波纹信息对预测得到的信息进行验证比对；其中道路交通主体的运动状态主要包括密度、各向速度、加速度和加加速度等，基于这些信息，借助波动理论和波的传递特征，形成道路交通主体运动状态集合的特征及内在规律的显式表达，实现全域路态波纹精确可靠感知。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案。

Claims (8)

1.基于稀疏传感器布置的路态波纹预测校验方法，其特征在于，所述方法包括：
获取第一路侧设备检测区域内的第一路态波纹及第二路侧设备检测区域内的第二路态波纹；
基于所述第一路态波纹对路侧检测盲区的路态波纹进行预测，得到盲区第一路态波纹；
基于所述第二路态波纹对盲区第一路态波纹进行验证；包括：基于波动方程和第二路侧设备检测区域内实际交通主体构建第二路态波纹，根据波的传递特性，对所述第二路态波纹与盲区第一路态波纹的时空连续性进行验证对比；
若验证误差超出预设范围，则基于所述第二路态波纹对路侧检测盲区的路态波纹进行预测，得到盲区第二路态波纹；
将路侧检测盲区与第一路侧设备检测区域的距离、路侧检测盲区与第二路侧设备检测区域的距离分别作为权值输入，对盲区第一路态波纹和盲区第二路态波纹进行加权平均，得到修复后的盲区路态波纹，并基于修复后的盲区路态波纹、第一路态波纹和第二路态波纹得到路段的全域路态波纹。
2.根据权利要求1所述基于稀疏传感器布置的路态波纹预测校验方法，其特征在于，若第二路态波纹与盲区第一路态波纹具有时空连续性，则将所述盲区第一路态波纹作为最终的盲区路态波纹；若第二路态波纹与盲区第一路态波纹不具有时空连续性，则重新获取盲区第二路态波纹并基于盲区第一路态波纹、盲区第二路态波纹对检测盲区的路态波纹进行修复，以修复后的盲区路态波纹作为最终结果。
3.根据权利要求2所述基于稀疏传感器布置的路态波纹预测校验方法，其特征在于，所述方法进一步包括：基于所述盲区路态波纹、第一路态波纹和第二路态波纹形成全域路态波纹并进行信息的发布。
4.基于稀疏传感器布置的路态波纹预测校验系统，用于实现权利要求1-3任一项所述基于稀疏传感器布置的路态波纹预测校验方法，其特征在于，包括：
获取模块，用于获取第一路侧设备检测区域内的第一路态波纹及第二路侧设备检测区域内的第二路态波纹；
第一预测模块，用于基于所述第一路态波纹对路侧检测盲区的路态波纹进行预测，得到盲区第一路态波纹；
验证模块，用于基于所述第二路态波纹对盲区第一路态波纹进行验证；
第二预测模块，用于基于所述第二路态波纹对路侧检测盲区的路态波纹进行预测，得到盲区第二路态波纹；
修复模块，用于将路侧检测盲区与第一路侧设备检测区域的距离、路侧检测盲区与第二路侧设备检测区域的距离分别作为权值输入，对盲区第一路态波纹和盲区第二路态波纹进行加权平均，得到修复后的盲区路态波纹，并基于修复后的盲区路态波纹、第一路态波纹和第二路态波纹得到路段的全域路态波纹。
5.根据权利要求4所述基于稀疏传感器布置的路态波纹预测校验系统，其特征在于，所述第一路侧设备检测区域位于检测盲区的上游，所述第二路侧设备检测区域位于检测盲区的下游；所述第一路侧设备检测区域和第二路侧设备检测区域内分别设有第一路侧设备和第二路侧设备，所述第一路侧设备和第二路侧设备均设有获取模块；所述第一路侧设备和第二路侧设备均与云平台相连。
6.根据权利要求5所述基于稀疏传感器布置的路态波纹预测校验系统，其特征在于，所述获取模块包括感知单元、边缘计算单元和通信单元；
所述感知单元用于获取道路交通主体的类型、位置、距离及速度信息并发送给边缘计算单元；
所述边缘计算单元用于根据感知单元的感知信息计算当前道路交通主体形成的路态波纹并发送至云平台，以及对云平台计算得到的全域路态波纹进行接收和发布；
所述通信单元用于路侧、云平台与车端之间的信息交互，实现三端之间的实时通信。
7.根据权利要求4所述基于稀疏传感器布置的路态波纹预测校验系统，其特征在于，第一路侧设备与第二路侧设备通过预设间距稀疏布置，所述预设间距为100m-500m；所述第一路侧设备和第二路侧设备的最大有效感知范围小于或等于150m。
8.根据权利要求6所述基于稀疏传感器布置的路态波纹预测校验系统，其特征在于，所述道路交通主体包括机动车群体、非机动车群体和行人群体，三者形成的独立的路态波纹，根据波的叠加原理合并形成路侧杆件对应路段的路态波纹。
CN202111191001.5A 2021-10-12 2021-10-12 基于稀疏传感器布置的路态波纹预测校验方法及系统 Active CN114120628B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111191001.5A CN114120628B (zh) 2021-10-12 2021-10-12 基于稀疏传感器布置的路态波纹预测校验方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111191001.5A CN114120628B (zh) 2021-10-12 2021-10-12 基于稀疏传感器布置的路态波纹预测校验方法及系统

Publications (2)

Publication Number Publication Date
CN114120628A CN114120628A (zh) 2022-03-01
CN114120628B true CN114120628B (zh) 2022-10-04

Family

ID=80375759

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111191001.5A Active CN114120628B (zh) 2021-10-12 2021-10-12 基于稀疏传感器布置的路态波纹预测校验方法及系统

Country Status (1)

Country Link
CN (1) CN114120628B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794508B (zh) * 2009-12-30 2012-09-05 北京世纪高通科技有限公司 交通信息填补方法、装置及系统
CN105389987B (zh) * 2015-12-03 2018-03-23 青岛海信网络科技股份有限公司 一种道路交通状况预测方法及装置
CN110874945A (zh) * 2018-08-31 2020-03-10 百度在线网络技术（北京）有限公司 基于车路协同的路侧感知系统及其车辆控制方法
CN109285346B (zh) * 2018-09-07 2020-05-05 北京航空航天大学 一种基于关键路段的城市路网交通状态预测方法
CN113160555B (zh) * 2021-03-01 2022-07-05 武汉理工大学 基于路侧感知设备的路态波纹处理方法、系统和存储介质
CN113095126B (zh) * 2021-03-01 2022-07-05 武汉理工大学 道路交通态势识别方法、系统和存储介质
CN113420414B (zh) * 2021-05-27 2022-08-30 四川大学 一种基于动态时空分析的短时交通流预测模型

Also Published As

Publication number Publication date
CN114120628A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
US11447150B2 (en) Comfort-based self-driving planning method
CN104134349B (zh) 一种基于交通多源数据融合的公交路况处理系统及方法
CN107464016B (zh) 考虑电池剩余电量的电动汽车充电路线诱导方法
CN103632540B (zh) 基于浮动车数据的城市主干道交通运行信息处理方法
CN108773279A (zh) 一种电动汽车充电路径规划方法及装置
CN116935654B (zh) 一种基于数据分配值的智慧城市数据分析方法及系统
CN104750963B (zh) 交叉口延误时长估计方法及装置
Li et al. Public bus arrival time prediction based on traffic information management system
CN107284452B (zh) 融合智能通讯信息的混合动力汽车未来工况预测系统
CN104021676A (zh) 基于车辆动态视频特征的车辆定位及车速测量方法
CN107346460A (zh) 基于智能网联系统下前车运行信息的未来工况预测方法
CN103280110B (zh) 高速公路旅行时间的预测方法及装置
CN102592449B (zh) 一种车辆超载非现场执法系统
KR20220144856A (ko) 교통 혼잡 감지 방법, 장치, 전자 장치 및 저장 매체
CN114037384A (zh) 物流车辆的监控方法、装置、设备及存储介质
CN112258850A (zh) 一种车路协同系统边缘侧多传感器数据融合系统
KR101925988B1 (ko) 탄소배출량 저감을 이행하기 위한 딥러닝을 활용한 차량의 에너지 소모량 산출 방법
CN112907955A (zh) 一种基于信息融合的车路协同系统的评价方法
Zhu et al. Quantifying the mobility and energy benefits of automated mobility districts using microscopic traffic simulation
Emami et al. A neural network algorithm for queue length estimation based on the concept of k-leader connected vehicles
CN110363988B (zh) 一种交叉口车辆通行效率的计算系统及方法
CN113160555B (zh) 基于路侧感知设备的路态波纹处理方法、系统和存储介质
CN106803348A (zh) 一种基于卡口的高架道路车辆行程时间短时预测方法
CN114120628B (zh) 基于稀疏传感器布置的路态波纹预测校验方法及系统
CN108122045A (zh) 物流车辆调度装置及物流车辆调度方法

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