CN114187759B - 一种基于数据驱动模型的路侧单元驾驶辅助方法及装置 - Google Patents

一种基于数据驱动模型的路侧单元驾驶辅助方法及装置 Download PDF

Info

Publication number
CN114187759B
CN114187759B CN202111376102.XA CN202111376102A CN114187759B CN 114187759 B CN114187759 B CN 114187759B CN 202111376102 A CN202111376102 A CN 202111376102A CN 114187759 B CN114187759 B CN 114187759B
Authority
CN
China
Prior art keywords
traffic state
monitoring area
state diagram
road side
side unit
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
CN202111376102.XA
Other languages
English (en)
Other versions
CN114187759A (zh
Inventor
王昊
阮天承
周琳婕
侯宇轩
董长印
左泽文
刘晓瀚
卢云雪
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202111376102.XA priority Critical patent/CN114187759B/zh
Publication of CN114187759A publication Critical patent/CN114187759A/zh
Application granted granted Critical
Publication of CN114187759B publication Critical patent/CN114187759B/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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • 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
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • 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
    • G08G1/096783—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 roadside individual element

Abstract

本发明公开了一种基于数据驱动模型的路侧单元驾驶辅助方法及装置，包括路侧单元通过三维激光雷达对监测区域的道路状态进行提取获得交通状态图；将获取的交通状态图经数据驱动模型预测未来可能的交通状态图；路侧单元经I2V通信技术将预测的交通状态图传输给搭载车载通讯单元的车辆作为驾驶辅助信息。本发明立足于自动驾驶车路协同技术背景，基于路侧单元检测区域的确定性以及海量历史数据，充分应用路侧单元边缘计算能力，利用卷积长短时记忆神经网络深度挖掘历史数据中潜藏的高度非线性特征，对未来的交通状态进行准确预测。提供车辆未来的交通状态也可以辅助单车智能的最优决策，从而实现在车路协同和单车智能两个层面助力自动驾驶的发展。

Description

一种基于数据驱动模型的路侧单元驾驶辅助方法及装置
技术领域
本发明涉及智能交通仿真技术领域，具体而言涉及一种基于数据驱动模型的路侧单元驾驶辅助方法及装置。
背景技术
随着经济的飞速发展，我国国民生产总值正在屡创新高，人民的生活水平也日益提高。机动车开始走入了千家万户，这也标志着人均汽车保有量的爆炸式增长，使得城市交通问题日益严峻。近年来，得益于计算机和人工智能的快速发展，智能网联和自动驾驶技术需求和供给越来越明显。自动驾驶主要包含单车智能和车路协同两条技术路线，而在中国新基建(新型基础设施建设)的大背景下，显然车路协同的重要性更为突出。
现有的车路协同技术更多研究是路侧单元与车载通讯单元之间的通讯实现丰富车辆决策信息的效果。专利号为CN202110240428.3的发明专利中公开了一种基于车路协同技术的高速公路交通控制系统，通过路侧单元实现传递交通管理平台与车载通讯单元之间的信息通讯。专利号为CN202110517707.X的发明专利中公开了一种基于车路协同系统的模拟仿真方法，通过路侧单元实现车载通讯单元对周边信息的上传并且将云端对上传信息处理后通过仿真获得的理论最优控制方案传递到车辆的功能。总体来说，现有研究将车路协同技术中路侧单元的关注重点主要是车辆与云计算平台的通讯，而忽略了路侧单元的边缘计算潜力及即时双向通讯的承载能力。因此可以认为现有技术对于车路协同技术中路侧单元边缘计算技术的利用不够深入，一种更进一步挖掘路侧单元对于车路协同自动驾驶增益的方法刻不容缓。
发明内容
本发明针对现有技术中的不足，提供一种基于数据驱动模型的路侧单元驾驶辅助方法及装置，面向自动驾驶车路协同技术背景，基于路侧单元检测区域的确定性以及历史海量数据，充分应用路侧单元边缘计算能力，利用卷积长短时记忆神经网络深度挖掘历史数据中潜藏的高度非线性特征，从而为装配车载通讯单元的车辆提供额外驾驶辅助信息以助力智慧交通。
为实现上述目的，本发明采用以下技术方案：
一种基于数据驱动模型的路侧单元驾驶辅助方法，基于设置有三维激光雷达的路侧单元，执行以下步骤，为路侧单元所对应监测区域内的目标车辆提供驾驶辅助信息：
步骤S1，路侧单元通过三维激光雷达对监测区域当前时间点向历史时间方向的预设时长段内各时间点的道路状态信息进行提取，进而获得监测区域在当前时间点向历史时间方向的预设时长段内各时间点分别一一对应的交通状态图；
步骤S2，基于路测单元在当前时间段内各时间点分别一一对应的交通状态图，预测得到监测区域对应当前时间点向未来时间方向的预设时长段内的交通状态图；
步骤S3，预测得到监测区域对应当前时间点向未来时间方向的预设时长段内的交通状态图，经路侧单元传输给监测区域内的目标车辆作为驾驶辅助信息。
作为本发明的一种优选技术方案，步骤S1中，针对路侧单元监测区域，当前时间点向历史时间方向的预设时长段内各时间点分别执行以下步骤，进而获得监测区域在当前时间点向历史时间方向的预设时长段内各时间点分别一一对应的交通状态图：
步骤S1.1：使用三维激光雷达扫描路侧单元监测区域环境，获取路侧单元监测区域点云信息；
步骤S1.2：将路侧单元监测区域点云信息通过坐标转换的方法从激光雷达标准系转换为本地坐标系；
步骤S1.3：针对路侧单元监测区域点云信息的本地坐标系，提取三维激光雷达对路侧单元监测区域的兴趣点数据；
步骤S1.4：针对路侧单元监测区域的兴趣点数据，基于探索角度聚类方法，提取三维激光雷达对路侧单元监测区域的扫描单线；
步骤S1.5：针对路侧单元监测区域的兴趣点数据，使用K-means聚类方法，获取路侧单元监测区域的最优聚类点集；
步骤S1.6：针对路侧单元监测区域的兴趣点数据，使用DBSCAN聚类方法，获取路侧单元监测区域的道路边界；
步骤S1.7：针对路侧单元监测区域的兴趣点数据，利用高度特征方法，提取路侧单元监测区域中的障碍物；
步骤S1.8：针对路侧单元监测区域的兴趣点数据，使用车道识别方法，确定路侧单元监测区域的道路车道线；
步骤S1.9：基于步骤S1.4至步骤S1.8提取的路侧单元监测区域的道路状态信息，通过整合识别方法，生成路侧单元监测区域对应的交通状态图。
作为本发明的一种优选技术方案，步骤S1中，所述交通状态图是指将路侧单元监测区域划分为2米X1车道的网格组成的图，每个网格中分别使用1或0表示该网格被车辆覆盖或未被车辆覆盖情况，1表示该网格被车辆覆盖，0表示该网格未被车辆覆盖。
作为本发明的一种优选技术方案，所述步骤S2中，基于路测单元在当前时间段内各时间点分别一一对应的交通状态图，通过数据驱动模型预测得到监测区域对应当前时间点向未来时间方向的预设时长段内的交通状态图；
所述数据驱动模型是指在路侧单元计算模块中所集成的卷积长短时记忆神经网络，经神经网络训练完成后，得到能够预测路侧单元监测区域当前时间点向未来时间方向的预设时长段内的交通状态图的数据驱动模型；
所采用的卷积长短时记忆神经网络的网络结构中使用全面平均池化层代替全连接层。
作为本发明的一种优选技术方案，所述卷积长短时记忆神经网络训练所使用的模型训练数据，是路侧单元通过三维激广雷达获得监测区域预设历史时间段内各时间点分别一一对应的交通状态图。
作为本发明的一种优选技术方案，所述卷积长短时记忆神经网络的训练过程如下，神经网络训练完成后得到能够预测路侧单元监测区域未来的交通状态图的数据驱动模型：
将模型训练数据中交通状态图基于时间连续性每M张连续时间的交通状态图划分为一组，每组交通状态图中前m张连续时间的交通状态图为学习样本、后M-m张连续时间的交通状态图为结果校准真实值；
将模型训练数据中前m张连续时间的交通状态图作为神经网络训练输入，通过卷积长短时记忆神经网络预测得到之后M-m张连续时间的交通状态图；
将预测获得的M-m张连续时间的交通状态图与作为结果校准真实值的M-m张连续时间的交通状态图，进行网络损失函数的计算，若网络损失函数没有达到预设的收敛条件，则通过反向传播算法对模型参数进行迭代优化；
直到经过预设次数的训练或达到预设的收敛条件，即完成卷积长短时记忆神经网络的训练，得到能够预测路侧单元监测区域未来的交通状态图的数据驱动模型。
作为本发明的一种优选技术方案，将预测获得的M-m张连续时间的交通状态图分别与对应的作为结果校准真实值的M-m张连续时间的交通状态图，按如下表达式进行损失函数的计算，最后各损失函数之和作为该网络的损失函数：
Figure BDA0003363890780000031
C1＝(K1L)2
C2＝(K2L)2
Figure BDA0003363890780000041
Figure BDA0003363890780000042
Figure BDA0003363890780000043
Figure BDA0003363890780000044
Figure BDA0003363890780000045
式中，Loss(x,y)表示损失函数；x为结果校准真实值交通状态图、y为与该结果校准真实值交通状态图对应的预测交通状态图；α表示第一权重；μx表示结果校准真实值交通状态图中所有像素的平均值；μy表示预测交通状态图中所有像素的平均值；C1表示避免
Figure BDA0003363890780000046
为0的修正项；σx表示结果校准真实值交通状态图中像素值的方差；σy表示预测交通状态图中像素值的方差；σxy表示结果校准真实值交通状态图和预测交通状态图的像素值的协方差；C2表示避免
Figure BDA0003363890780000047
为0的修正项；α表示第二权重；N表示交通状态图中所有的像素点数，i表示交通状态图中第i点像素；softmax(p)i表示将交通状态图中第i个像素点像素值的预测概率值转化为预测结果的softmax激活函数；p表示卷积长短时记忆神经网络输出的结果预测概率值；vi,x表示结果校准真实值交通状态图中第i点像素值；vi,y表示预测状态图中第i点像素值；K1表示结果校准真实值交通状态图的权重；K2表示预测交通状态图的权重；L为灰度值动态范围；wi,x表示结果校准真实值交通状态图中第i点像素值的权重；wi,y表示预测交通状态图中第i点像素值的权重。
作为本发明的一种优选技术方案，基于监测区域当前时间点的交通状态图，结合预测监测区域未来的交通状态图，设计车辆跟驰模型为目标车辆提供跟驰决策；
过程包括：
首先，提取监测区域当前时间点的交通状态图、预测当前时间点向未来时间方向的预设时长段内的交通状态图中与目标车辆相关的前车信息；
其次，基于监测区域当前时间点的交通状态图、预测当前时间点向未来时间方向的预设时长段内的交通状态图中与目标车辆相关的前车信息，设计跟驰模型为目标车辆提供跟驰决策；
最后，目标车辆发动机执行跟驰决策。
作为本发明的一种优选技术方案，所述设计基于当前前车信息和预测前车信息的跟驰模型表达式如下：
Figure BDA0003363890780000051
式中，a(t+τ)表示发动机对应t+τ时刻基于跟驰模型确定的加速度，t为当前时刻，τ表示发动机执行延迟时间；A表示目标车辆发动机最大加速度；s0表示车辆安全间距；T表示目标车辆与前车的安全时距；v(t)表示t时刻目标车辆的速度；Δv(t)表示t时刻目标车辆与前车速度差；b表示目标车辆发动机最大减速度绝对值；s(t)表示t时刻目标车辆与前车的间距；vf表示目标车辆最大速度；Δv(f)表示目标车辆与预测前车速度差；s(f)表示目标车辆与预测前车间距，v(f)表示目标车辆预测速度。
一种基于数据驱动模型的路侧单元驾驶辅助装置，包括数据采集模块、数据预处理模块、存储模块、训练模块、预测模块、通讯模块，
数据采集模块，用于通过三维激光雷达获取路侧单元监测区域点云信息；
数据预处理模块，用于对三维激光雷达获取的点云数据进行预处理获得路侧单元监测区域的交通状态图；
存储模块，用于对历史记录的交通状态图数据进行存储；
训练模块，用于利用历史交通状态图数据训练卷积长短时记忆神经网络，完成其参数迭代优化，得到数据驱动模型；
预测模块，用于将现状交通状态图输入已预训练好的卷积长短时记忆神经网络中进行未来交通状态图的预测；
通讯模块，用于通过I2V通信技术将预测的未来交通状态图传输给搭载车载通讯单元的车辆。
本发明的有益效果是：本发明提出的一种基于数据驱动模型的路侧单元驾驶辅助方法及装置，利用三维激光雷达实现对于监测区域道路状态结构化信息提取；面向自动驾驶车路协同技术背景，基于路侧单元检测区域的确定性以及海量历史数据，充分应用路侧单元边缘计算能力，利用卷积长短时记忆神经网络深度挖掘历史数据中潜藏的高度非线性特征，从而对未来的交通状态进行准确预测；充分利用I2V通信技术完成车路之间的信息通讯实现车路协同的技术目标。在固定场景下海量历史数据的加持下路侧单元内置的卷积长短时记忆神经网络对于未来交通状态的预测十分准确，且通过提供车辆未来的交通状态也可以辅助单车智能的最优决策，从而实现在车路协同和单车智能两个层面助力自动驾驶的发展。
附图说明
图1是本发明实施例的基于数据驱动模型的路侧单元驾驶辅助方法流程图；
图2是示例中某时刻路侧单元监测范围图；
图3是示例中某时刻路侧单元激光雷达提取的道路状态图；
图4是示例中本发明的装置的示意图。
具体实施方式
下面结合附图对本发明进行进一步说明。
如图1所示是本发明实施例的基于数据驱动模型的路侧单元驾驶辅助方法流程图，本实施例可适用于通过服务器等设备实现基于数据驱动模型的路侧单元驾驶辅助的情况，该方法可以由基于数据驱动模型的路侧单元驾驶辅助装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在电子设备中，例如集成服务器设备中。
如图1所示，一种基于数据驱动模型的路侧单元驾驶辅助方法，基于设置有三维激光雷达的路侧单元，执行以下步骤，为路侧单元所对应监测区域内的目标车辆提供驾驶辅助信息：
步骤S1，路侧单元通过三维激光雷达对监测区域当前时间点向历史时间方向的预设时长段内各时间点的道路状态信息进行提取，进而获得监测区域在当前时间点向历史时间方向的预设时长段内各时间点分别一一对应的交通状态图；
步骤S1中，针对路侧单元监测区域，当前时间点向历史时间方向的预设时长段内各时间点分别执行以下步骤，进而获得监测区域在当前时间点向历史时间方向的预设时长段内各时间点分别一一对应的交通状态图：
步骤S1.1：使用三维激光雷达扫描路侧单元监测区域环境，获取路侧单元监测区域点云信息；
步骤S1.2：将路侧单元监测区域点云信息通过坐标转换的方法从激光雷达标准系转换为本地坐标系；
步骤S1.3：针对路侧单元监测区域点云信息的本地坐标系，提取三维激光雷达对路侧单元监测区域的兴趣点数据；兴趣点数据为各预设类型的信标；
步骤S1.4：针对路侧单元监测区域的兴趣点数据，基于探索角度聚类方法，提取三维激光雷达对路侧单元监测区域的扫描单线；
步骤S1.5：针对路侧单元监测区域的兴趣点数据，使用K-means聚类方法，获取路侧单元监测区域的最优聚类点集；
步骤S1.6：针对路侧单元监测区域的兴趣点数据，使用DBSCAN聚类方法，获取路侧单元监测区域的道路边界；
步骤S1.7：针对路侧单元监测区域的兴趣点数据，利用高度特征方法，提取路侧单元监测区域中的障碍物；
步骤S1.8：针对路侧单元监测区域的兴趣点数据，使用车道识别方法，确定路侧单元监测区域的道路车道线；
步骤S1.9：基于步骤S1.4至步骤S1.8提取的路侧单元监测区域的道路状态信息，通过整合识别方法，生成路侧单元监测区域对应的交通状态图。
所述交通状态图是指将路侧单元监测区域划分为2米X1车道的网格组成的图，每个网格中分别使用1或0表示该网格被车辆覆盖或未被车辆覆盖情况，1表示该网格被车辆覆盖，0表示该网格未被车辆覆盖。
如图2所示，图2中包含一条单向包含三车道转五车道快速路展宽段全长144米的路段，路段上目前存在16辆车，通过三维激光雷达扫描提取相应道路状态图，如图3所示。
步骤S2，基于路测单元在当前时间段内各时间点分别一一对应的交通状态图，预测得到监测区域对应当前时间点向未来时间方向的预设时长段内的交通状态图；
所述步骤S2中，基于路测单元在当前时间段内各时间点分别一一对应的交通状态图，通过数据驱动模型预测得到监测区域对应当前时间点向未来时间方向的预设时长段内的交通状态图；
所述数据驱动模型是指在路侧单元计算模块中所集成的卷积长短时记忆神经网络，经神经网络训练完成后，得到能够预测路侧单元监测区域当前时间点向未来时间方向的预设时长段内的交通状态图的数据驱动模型；
所采用的卷积长短时记忆神经网络的网络结构中使用全面平均池化层代替全连接层。
所述卷积长短时记忆神经网络训练所使用的模型训练数据，是路侧单元通过三维激广雷达获得监测区域预设历史时间段内各时间点分别一一对应的交通状态图，是通过三维激广雷达对监测区域的道路状态提取所得的所有的交通状态图。。
所述卷积长短时记忆神经网络的训练过程如下，神经网络训练完成后得到能够预测路侧单元监测区域未来的交通状态图的数据驱动模型：
将模型训练数据中交通状态图基于时间连续性每M张连续时间的交通状态图划分为一组，每组交通状态图中前m张连续时间的交通状态图为学习样本、后M-m张连续时间的交通状态图为结果校准真实值；
将模型训练数据中前m张连续时间的交通状态图作为神经网络训练输入，通过卷积长短时记忆神经网络预测得到之后M-m张连续时间的交通状态图；
将预测获得的M-m张连续时间的交通状态图与作为结果校准真实值的M-m张连续时间的交通状态图，进行网络损失函数的计算，若网络损失函数没有达到预设的收敛条件，则通过反向传播算法对模型参数进行迭代优化；
直到经过预设次数的训练或达到预设的收敛条件，即完成卷积长短时记忆神经网络的训练，得到能够预测路侧单元监测区域未来的交通状态图的数据驱动模型。
将预测获得的M-m张连续时间的交通状态图分别与对应的作为结果校准真实值的M-m张连续时间的交通状态图，按如下表达式进行损失函数的计算，最后各损失函数之和作为该网络的损失函数：
Figure BDA0003363890780000081
C1＝(K1L)2
C2＝(K2L)2
Figure BDA0003363890780000082
Figure BDA0003363890780000083
Figure BDA0003363890780000084
Figure BDA0003363890780000085
Figure BDA0003363890780000086
式中，Loss(x,y)表示损失函数；x为结果校准真实值交通状态图、y为与该结果校准真实值交通状态图对应的预测交通状态图；α表示第一权重；μx表示结果校准真实值交通状态图中所有像素的平均值；μy表示预测交通状态图中所有像素的平均值；C1表示避免
Figure BDA0003363890780000091
为0的修正项；σx表示结果校准真实值交通状态图中像素值的方差；σy表示预测交通状态图中像素值的方差；σxy表示结果校准真实值交通状态图和预测交通状态图的像素值的协方差；C2表示避免
Figure BDA0003363890780000092
为0的修正项；β表示第二权重；N表示交通状态图中所有的像素点数，i表示交通状态图中第i点像素；softmax(p)i表示将交通状态图中第i个像素点像素值的预测概率值转化为预测结果的softmax激活函数；p表示卷积长短时记忆神经网络输出的结果预测概率值；vi,x表示结果校准真实值交通状态图中第i点像素值；vi,y表示预测状态图中第i点像素值；K1表示结果校准真实值交通状态图的权重；K2表示预测交通状态图的权重；L为灰度值动态范围；wi,x表示结果校准真实值交通状态图中第i点像素值的权重；wi,y表示预测交通状态图中第i点像素值的权重。
损失函数从整体的准确率和结构相似度两个角度对于我们的模型参数进行优化，从而达到两种角度的均衡最优。在实施中，20张图输入的情况下5张图能够保证足够的准确率的情况下达到最大的预测尺度。
步骤S3，预测得到监测区域对应当前时间点向未来时间方向的预设时长段内的交通状态图，经路侧单元传输给监测区域内的目标车辆作为驾驶辅助信息。，
基于监测区域当前时间点的交通状态图，结合预测监测区域未来的交通状态图，设计车辆跟驰模型为目标车辆提供跟驰决策；
过程包括：
首先，提取监测区域当前时间点的交通状态图、预测当前时间点向未来时间方向的预设时长段内的交通状态图中与目标车辆相关的前车信息；
其次，基于监测区域当前时间点的交通状态图、预测当前时间点向未来时间方向的预设时长段内的交通状态图中与目标车辆相关的前车信息，设计跟驰模型为目标车辆提供跟驰决策；
最后，目标车辆发动机执行跟驰决策。
所述设计基于当前前车信息和预测前车信息的跟驰模型表达式如下：
Figure BDA0003363890780000093
式中，a(t+τ)表示发动机对应t+τ时刻基于跟驰模型确定的加速度，t为当前时刻，τ表示发动机执行延迟时间；A表示目标车辆发动机最大加速度；s0表示车辆安全间距；T表示目标车辆与前车的安全时距；v(t)表示t时刻目标车辆的速度；Δv(t)表示t时刻目标车辆与前车速度差；b表示目标车辆发动机最大减速度绝对值；s(t)表示t时刻目标车辆与前车的间距；vf表示目标车辆最大速度；Δv(f)表示目标车辆与预测前车速度差；s(f)表示目标车辆与预测前车间距，v(f)表示目标车辆预测速度。t时刻表示这个跟驰决策进行的时刻，前车是当前时刻的前车信息，预测前车是通过预测得到的前车数据信息。
如图4所示,一种基于数据驱动模型的路侧单元驾驶辅助装置，包括数据采集模块、数据预处理模块、存储模块、训练模块、预测模块、通讯模块，
数据采集模块，用于通过三维激光雷达获取路侧单元监测区域点云信息；
数据预处理模块，用于对三维激光雷达获取的点云数据进行预处理获得路侧单元监测区域的交通状态图；
存储模块，用于对历史记录的交通状态图数据进行存储；
训练模块，用于利用历史交通状态图数据训练卷积长短时记忆神经网络，完成其参数迭代优化，得到数据驱动模型；
预测模块，用于将现状交通状态图输入已预训练好的卷积长短时记忆神经网络中进行未来交通状态图的预测；
通讯模块，用于通过I2V通信技术将预测的未来交通状态图传输给搭载车载通讯单元的车辆。
基于数据驱动模型的路侧单元驾驶辅助装置，三维激光雷达结构化监测区域，路侧单元预测未来交通状态，I2V通信实现到车载通讯单元的驾驶辅助信息传输，达到基于数据驱动模型的路侧单元驾驶辅助的目标。本发明所提供的驾驶辅助装置可执行本发明任意实施例所提供的基于数据驱动模型的路侧单元驾驶辅助方法，具备执行方法相应的功能模块和有益效果。
本发明还提供了一种电子设备，包括处理器、存储器、输入装置和输出装置；电子设备中，处理器的数量可以一个或多个；电子设备中的处理器、存储器、输入装置和输出装置可以通过总线或其他方式连接。
存储器作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明中的检测方法对应的程序指令/模块。处理器通过运行存储在存储器中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现本发明实施例所提供的基于数据驱动模型的路侧单元驾驶辅助方法。
存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，可以包括键盘、鼠标等。输出装置可包括显示屏等显示设备。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如前所述基于数据驱动模型的路侧单元驾驶辅助方法。
当然，本发明实所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的基于数据驱动模型的路侧单元驾驶辅助方法中的相关操作。
上述技术方案所设计本发明提出的。，利用三维激光雷达实现对于监测区域道路状态结构化信息提取；面向自动驾驶车路协同技术背景，基于路侧单元检测区域的确定性以及海量历史数据，充分应用路侧单元边缘计算能力，利用卷积长短时记忆神经网络深度挖掘历史数据中潜藏的高度非线性特征，从而对未来的交通状态进行准确预测；充分利用I2V通信技术完成车路之间的信息通讯实现车路协同的技术目标。在固定场景下海量历史数据的加持下路侧单元内置的卷积长短时记忆神经网络对于未来交通状态的预测十分准确，且通过提供车辆未来的交通状态也可以辅助单车智能的最优决策，从而实现在车路协同和单车智能两个层面助力自动驾驶的发展。
上面结合附图对本发明的实施方式作了详细说明，以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (6)

1.一种基于数据驱动模型的路侧单元驾驶辅助方法，其特征在于：基于设置有三维激光雷达的路侧单元，执行以下步骤，为路侧单元所对应监测区域内的目标车辆提供驾驶辅助信息：
步骤S1，路侧单元通过三维激光雷达对监测区域当前时间点向历史时间方向的预设时长段内各时间点的道路状态信息进行提取，进而获得监测区域在当前时间点向历史时间方向的预设时长段内各时间点分别一一对应的交通状态图；
步骤S2，基于路侧单元在当前时间段内各时间点分别一一对应的交通状态图，预测得到监测区域对应当前时间点向未来时间方向的预设时长段内的交通状态图；
所述步骤S2中，基于路侧单元在当前时间段内各时间点分别一一对应的交通状态图，通过数据驱动模型预测得到监测区域对应当前时间点向未来时间方向的预设时长段内的交通状态图；所述数据驱动模型是指在路侧单元计算模块中所集成的卷积长短时记忆神经网络，经神经网络训练完成后，得到能够预测路侧单元监测区域当前时间点向未来时间方向的预设时长段内的交通状态图的数据驱动模型；所采用的卷积长短时记忆神经网络的网络结构中使用全面平均池化层代替全连接层；
所述卷积长短时记忆神经网络的训练过程如下，神经网络训练完成后得到能够预测路侧单元监测区域未来的交通状态图的数据驱动模型：
将模型训练数据中交通状态图基于时间连续性每M张连续时间的交通状态图划分为一组，每组交通状态图中前m张连续时间的交通状态图为学习样本、后M-m张连续时间的交通状态图为结果校准真实值；
将模型训练数据中前m张连续时间的交通状态图作为神经网络训练输入，通过卷积长短时记忆神经网络预测得到之后M-m张连续时间的交通状态图；
将预测获得的M-m张连续时间的交通状态图与作为结果校准真实值的M-m张连续时间的交通状态图，进行网络损失函数的计算，若网络损失函数没有达到预设的收敛条件，则通过反向传播算法对模型参数进行迭代优化；
将预测获得的M-m张连续时间的交通状态图分别与对应的作为结果校准真实值的M-m张连续时间的交通状态图，按如下表达式进行损失函数的计算，最后各损失函数之和作为该网络的损失函数：
Figure FDA0003929264240000011
C1＝(K1L)2
C2＝(K2L)2
Figure FDA0003929264240000021
Figure FDA0003929264240000022
Figure FDA0003929264240000023
Figure FDA0003929264240000024
Figure FDA0003929264240000025
式中，Loss(x,y)表示损失函数；x为结果校准真实值交通状态图、y为与该结果校准真实值交通状态图对应的预测交通状态图；α表示第一权重；μx表示结果校准真实值交通状态图中所有像素的平均值；μy表示预测交通状态图中所有像素的平均值；C1表示避免
Figure FDA0003929264240000026
为0的修正项；σx表示结果校准真实值交通状态图中像素值的方差；σy表示预测交通状态图中像素值的方差；σxy表示结果校准真实值交通状态图和预测交通状态图的像素值的协方差；C2表示避免
Figure FDA0003929264240000027
为0的修正项；β表示第二权重；N表示交通状态图中所有的像素点数，i表示交通状态图中第i点像素；softmax(p)i表示将交通状态图中第i个像素点像素值的预测概率值转化为预测结果的softmax激活函数；p表示卷积长短时记忆神经网络输出的结果预测概率值；νi,x表示结果校准真实值交通状态图中第i点像素值；νi,y表示预测状态图中第i点像素值；K1表示结果校准真实值交通状态图的权重；K2表示预测交通状态图的权重；L为灰度值动态范围；wi,x表示结果校准真实值交通状态图中第i点像素值的权重；wi,y表示预测交通状态图中第i点像素值的权重；
直到经过预设次数的训练或达到预设的收敛条件，即完成卷积长短时记忆神经网络的训练，得到能够预测路侧单元监测区域未来的交通状态图的数据驱动模型；
步骤S3，预测得到监测区域对应当前时间点向未来时间方向的预设时长段内的交通状态图，经路侧单元传输给监测区域内的目标车辆作为驾驶辅助信息；
驾驶辅助信息包括目标车辆基于监测区域当前时间点的交通状态图，结合预测监测区域未来的交通状态图，设计车辆跟驰模型为目标车辆提供跟驰决策；
过程包括：
首先，提取监测区域当前时间点的交通状态图、预测当前时间点向未来时间方向的预设时长段内的交通状态图中与目标车辆相关的前车信息；
其次，基于监测区域当前时间点的交通状态图、预测当前时间点向未来时间方向的预设时长段内的交通状态图中与目标车辆相关的前车信息，设计跟驰模型为目标车辆提供跟驰决策；
最后，目标车辆发动机执行跟驰决策。
2.根据权利要求1所述的一种基于数据驱动模型的路侧单元驾驶辅助方法，其特征在于：步骤S1中，针对路侧单元监测区域，当前时间点向历史时间方向的预设时长段内各时间点分别执行以下步骤，进而获得监测区域在当前时间点向历史时间方向的预设时长段内各时间点分别一一对应的交通状态图：
步骤S1.1：使用三维激光雷达扫描路侧单元监测区域环境，获取路侧单元监测区域点云信息；
步骤S1.2：将路侧单元监测区域点云信息通过坐标转换的方法从激光雷达标准系转换为本地坐标系；
步骤S1.3：针对路侧单元监测区域点云信息的本地坐标系，提取三维激光雷达对路侧单元监测区域的兴趣点数据；
步骤S1.4：针对路侧单元监测区域的兴趣点数据，基于探索角度聚类方法，提取三维激光雷达对路侧单元监测区域的扫描单线；
步骤S1.5：针对路侧单元监测区域的兴趣点数据，使用K-means聚类方法，获取路侧单元监测区域的最优聚类点集；
步骤S1.6：针对路侧单元监测区域的兴趣点数据，使用DBSCAN聚类方法，获取路侧单元监测区域的道路边界；
步骤S1.7：针对路侧单元监测区域的兴趣点数据，利用高度特征方法，提取路侧单元监测区域中的障碍物；
步骤S1.8：针对路侧单元监测区域的兴趣点数据，使用车道识别方法，确定路侧单元监测区域的道路车道线；
步骤S1.9：基于步骤S1.4至步骤S1.8提取的路侧单元监测区域的道路状态信息，通过整合识别方法，生成路侧单元监测区域对应的交通状态图。
3.根据权利要求1所述的一种基于数据驱动模型的路侧单元驾驶辅助方法，其特征在于：步骤S1中，所述交通状态图是指将路侧单元监测区域划分为2米X1车道的网格组成的图，每个网格中分别使用1或0表示该网格被车辆覆盖或未被车辆覆盖情况，1表示该网格被车辆覆盖，0表示该网格未被车辆覆盖。
4.根据权利要求1所述的一种基于数据驱动模型的路侧单元驾驶辅助方法，其特征在于：所述卷积长短时记忆神经网络训练所使用的模型训练数据，是路侧单元通过三维激光雷达获得监测区域预设历史时间段内各时间点分别一一对应的交通状态图。
5.根据权利要求1所述的一种基于数据驱动模型的路侧单元驾驶辅助方法，其特征在于：所述设计基于当前前车信息和预测前车信息的跟驰模型表达式如下：
Figure FDA0003929264240000041
式中，a(t+τ)表示发动机对应t+τ时刻基于跟驰模型确定的加速度，t为当前时刻，τ表示发动机执行延迟时间；A表示目标车辆发动机最大加速度；s0表示车辆安全间距；T表示目标车辆与前车的安全时距；v(t)表示t时刻目标车辆的速度；Δv(t)表示t时刻目标车辆与前车速度差；b表示目标车辆发动机最大减速度绝对值；s(t)表示t时刻目标车辆与前车的间距；vf表示目标车辆最大速度；Δv(f)表示目标车辆与预测前车速度差；s(f)表示目标车辆与预测前车间距，v(f)表示目标车辆预测速度。
6.一种用于实现如权利要求1-5任意一项所述基于数据驱动模型的路侧单元驾驶辅助方法的装置，其特征在于：包括数据采集模块、数据预处理模块、存储模块、训练模块、预测模块和通讯模块，
数据采集模块，用于通过三维激光雷达获取路侧单元监测区域点云信息；
数据预处理模块，用于对三维激光雷达获取的点云数据进行预处理获得路侧单元监测区域的交通状态图；
存储模块，用于对历史记录的交通状态图数据进行存储；
训练模块，用于利用历史交通状态图数据训练卷积长短时记忆神经网络，完成其参数迭代优化，得到数据驱动模型；
预测模块，用于将现状交通状态图输入已预训练好的卷积长短时记忆神经网络中进行未来交通状态图的预测；
通讯模块，用于通过I2V通信技术将预测的未来交通状态图传输给搭载车载通讯单元的车辆。
CN202111376102.XA 2021-11-19 2021-11-19 一种基于数据驱动模型的路侧单元驾驶辅助方法及装置 Active CN114187759B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111376102.XA CN114187759B (zh) 2021-11-19 2021-11-19 一种基于数据驱动模型的路侧单元驾驶辅助方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111376102.XA CN114187759B (zh) 2021-11-19 2021-11-19 一种基于数据驱动模型的路侧单元驾驶辅助方法及装置

Publications (2)

Publication Number Publication Date
CN114187759A CN114187759A (zh) 2022-03-15
CN114187759B true CN114187759B (zh) 2023-01-03

Family

ID=80602220

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111376102.XA Active CN114187759B (zh) 2021-11-19 2021-11-19 一种基于数据驱动模型的路侧单元驾驶辅助方法及装置

Country Status (1)

Country Link
CN (1) CN114187759B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114419572B (zh) * 2022-03-31 2022-06-17 国汽智控(北京)科技有限公司 多雷达目标检测方法、装置、电子设备及存储介质

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8948995B2 (en) * 2012-06-28 2015-02-03 Toyota Motor Engineering & Manufacturing North America, Inc. Preceding vehicle state prediction
JP6331858B2 (ja) * 2014-08-07 2018-05-30 日産自動車株式会社 先行車追越支援装置
JP6257482B2 (ja) * 2014-09-03 2018-01-10 株式会社デンソーアイティーラボラトリ 自動運転支援システム、自動運転支援方法及び自動運転装置
JP6288590B2 (ja) * 2016-03-15 2018-03-07 本田技研工業株式会社 車両制御装置、車両制御方法、および車両制御プログラム
CN105608918B (zh) * 2016-03-31 2018-09-04 宇龙计算机通信科技(深圳)有限公司 一种路况信息监控方法和系统
CN108437986B (zh) * 2017-02-16 2020-07-03 上海汽车集团股份有限公司 车辆驾驶辅助系统及辅助方法
CN107103758B (zh) * 2017-06-08 2019-06-21 厦门大学 一种基于深度学习的城市区域交通流量预测方法
CN107967532B (zh) * 2017-10-30 2020-07-07 厦门大学 融合区域活力的城市交通流量预测方法
KR20200113242A (ko) * 2018-02-06 2020-10-06 씨에이브이에이치 엘엘씨 지능형 도로 인프라구조 시스템(iris): 시스템 및 방법
CN108806252B (zh) * 2018-06-19 2019-10-01 西南交通大学 一种高速公路混合交通流协同优化控制方法
CN108922186B (zh) * 2018-07-20 2019-10-11 大连理工大学 一种基于雾计算的针对车辆的流式监测分析预警系统与方法
CN110880236B (zh) * 2018-09-05 2022-06-14 阿里巴巴集团控股有限公司 路况信息处理方法、装置及系统
CN109255970B (zh) * 2018-09-20 2021-02-09 上海丰豹商务咨询有限公司 一种智能网联交通安全系统和方法
CN111785011A (zh) * 2019-04-04 2020-10-16 长沙智能驾驶研究院有限公司 道路车辆监测调控方法、装置、系统和计算机设备
CN110544376B (zh) * 2019-08-19 2021-06-22 新奇点智能科技集团有限公司 一种自动驾驶辅助方法和装置
CN110909909A (zh) * 2019-09-03 2020-03-24 南京理工大学 基于深度学习和多层时空特征图的短时交通流预测方法
CN111243274A (zh) * 2020-01-20 2020-06-05 陈俊言 面向非网联交通个体的道路碰撞预警系统及方法
CN111445015B (zh) * 2020-06-15 2020-10-13 之江实验室 一种智能网联环境下非网联车位置估计方法
CN111959492B (zh) * 2020-08-31 2022-05-20 重庆大学 一种网联环境下考虑换道行为的hev能量管理分层控制方法
CN112289056A (zh) * 2020-09-30 2021-01-29 深圳市金溢科技股份有限公司 路侧设备、路侧系统、车载设备及道路预测方法
CN112614344B (zh) * 2020-12-14 2022-03-29 中汽研汽车试验场股份有限公司 一种自动驾驶汽车参与的混合交通系统效能评估方法
CN112735126B (zh) * 2020-12-24 2023-02-03 成都格林希尔德交通科技有限公司 一种基于模型预测控制的混合交通流协同优化控制方法
CN112712719B (zh) * 2020-12-25 2022-05-03 阿波罗智联(北京)科技有限公司 车辆控制方法、车路协同系统、路侧设备和自动驾驶车辆
CN113409594A (zh) * 2021-07-29 2021-09-17 苏州大学 一种基于强化学习的匝道信号控制优化方法和系统

Also Published As

Publication number Publication date
CN114187759A (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
US20230228880A1 (en) Method for creating occupancy grid map and processing apparatus
US20210209939A1 (en) Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM
CN108805348B (zh) 一种交叉口信号配时控制优化的方法和装置
CN107703564B (zh) 一种降雨预测方法、系统及电子设备
CN112265546B (zh) 基于时空序列信息的网联汽车车速预测方法
US20180080991A1 (en) Method and system for predicting energy consumption of a vehicle through application of a statistical model utilizing environmental and road condition information
WO2019071909A1 (zh) 基于相对熵深度逆强化学习的自动驾驶系统及方法
CN110488842B (zh) 一种基于双向内核岭回归的车辆轨迹预测方法
CN111583648B (zh) 融合gps数据和卡口流量数据的城市交通流量预测方法
CN110208783B (zh) 基于环境轮廓的智能车辆定位方法
CN110879610B (zh) 太阳能无人机自主寻优航迹规划的强化学习方法
CN111845787A (zh) 一种基于lstm的换道意图预测方法
CN111027627A (zh) 一种基于多层感知机的振动信息地形分类识别方法
CN114187759B (zh) 一种基于数据驱动模型的路侧单元驾驶辅助方法及装置
CN116518960A (zh) 路网更新方法、装置、电子设备和存储介质
JP2020144755A (ja) 演算装置
EP3845981A1 (en) Methods and processors for controlling steering of self-driving car
CN117237475A (zh) 一种基于扩散生成模型的车辆交通轨迹生成方法及装置
CN116678424A (zh) 高精度车辆定位、矢量化地图构建及定位模型训练方法
Zhang et al. A convolutional neural network method for self-driving cars
CN115662166A (zh) 一种自动驾驶数据处理方法及自动驾驶交通系统
CN113108807B (zh) 一种自动驾驶路径规划方法及其可读存储介质
CN115272899A (zh) 一种风险预警方法、装置、飞行器及存储介质
US20230419683A1 (en) Method and system for automatic driving data collection and closed-loop management
CN114495036A (zh) 一种基于三阶段注意力机制的车辆轨迹预测方法

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