CN114357019A - 一种智能网联环境下路侧感知单元数据质量监测方法 - Google Patents

Abstract

本发明涉及一种智能网联环境下路侧感知单元数据质量监测方法，包括：同步采集所监测的路侧感知单元数据与智能网联车辆数据，得到路侧感知轨迹数据集、经过相应路段的智能网联车辆定位及感知数据；计算路侧感知轨迹数据集中各条轨迹与经过相应路段的智能网联车辆轨迹的相似度，从路侧感知轨迹数据集中筛选出与智能网联车辆相匹配的轨迹数据，形成测评轨迹数据对；进一步对齐路侧感知单元与智能网联车辆的系统时间，并对智能网联车辆数据进行插值重采样实现时间同步；通过计算路侧感知单元数据的绝对定位误差与相对定位误差，完成对路侧感知单元数据质量的监测。与现有技术相比，本发明能够对路侧感知单元数据质量进行全面、实时、可靠的监测。

Description

一种智能网联环境下路侧感知单元数据质量监测方法

技术领域

本发明涉及交通信息采集与分析技术领域，尤其是涉及一种智能网联环境下路侧感知单元数据质量监测方法。

背景技术

伴随着5G和车联网技术的不断发展，路侧感知单元已经成为构建智能网联交通系统的重要支撑。智慧公路的路侧感知单元(如高清摄像头、毫米波雷达、激光雷达等)能够及时获取道路交通各参与对象的定位、速度等运动轨迹信息，实现车辆与车辆、车辆与道路基础设施之间的智能协同与配合，达到优化利用系统资源、提高道路交通安全、缓解交通拥堵的目标。路侧感知单元轨迹数据的准确与否将对智能网联交通环境的运行安全性、管控有效性产生重要影响。然而，针对输出的轨迹数据能否支撑智能网联车辆服务和精细化交通管控应用，目前并没有统一的标准，现有不同传感器感知数据的精度与质量也参差不齐，如何对路侧感知轨迹数据的质量进行监测也成为智慧公路、车路协同快速发展下亟需破解的难题。

过往研究对于路侧感知单元数据质量的监测，主要是利用更高精度的感知单元在同一时空尺度下获取数据与路侧感知数据进行对比评测，并提出一系列精度指标对感知数据质量水平进行判别。然而，部分研究受到对比数据源测量精度、实验场地封闭或传感器布设等限制，数据质量评价过程费时费力且缺乏合理、可靠的质量评价指标，难以满足智能网联环境下常态化、高频实时的路侧感知轨迹数据质量监测需求，因而亟需研发一种面向智慧道路路侧感知单元服役过程的数据在线监测方法，以能够对路侧感知单元数据质量进行全面实时可靠的监测。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种智能网联环境下的路侧感知单元数据质量监测方法。

本发明考虑到，当前基于车联网和自动驾驶技术的飞速发展，越来越多的智能网联车辆涌入道路交通，并与传统人工驾驶车辆形成新型混合交通流，为路侧感知数据质量监测提供了新的方向与思路。智能网联车辆GPS/IMU设备的组合定位精度及车载激光雷达测距精度可达厘米甚至毫米级别，可获取精确的车辆定位数据及周围车辆相对定位数据；规模化运行的智能网联车辆高精度定位与感知数据可作为真实道路场景中重要的对比数据源，以上使得对于动态交通环境中路侧感知轨迹的常态化监测及评价成为可能。

因而，本发明通过采集处理并对比、评价路侧感知单元数据与车端高精定位及感知数据，进而实现对路侧感知单元数据质量的全面、实时、可靠监测。

本发明的目的可以通过以下技术方案来实现：一种智能网联环境下路侧感知单元数据质量监测方法，包括以下步骤：

S1、同步采集所监测的路侧感知单元数据与智能网联车辆数据，得到路侧感知轨迹数据集、经过相应路段的智能网联车辆定位及感知数据；

S2、计算路侧感知轨迹数据集中各条轨迹与经过相应路段的智能网联车辆轨迹的相似度，从路侧感知轨迹数据集中筛选出与智能网联车辆相匹配的对应轨迹数据，形成测评轨迹数据对；

S3、基于测评轨迹数据对，进一步对齐路侧感知单元系统时间与智能网联车辆系统时间，并对智能网联车辆数据进行插值重采样实现时间同步；

S4、根据测评轨迹数据对以及时间同步后的智能网联车辆数据，通过计算路侧感知单元数据的绝对定位误差与相对定位误差，完成对路侧感知单元数据质量的监测。

进一步地，所述智能网联车辆安装有定位设备、感知传感器和通信模块，所述智能网联车辆数据包括但不限于采样时间、车辆自身定位、周围车辆的相对位置；

所述路侧感知单元数据包括但不限于采样时间、目标定位坐标、目标速度；

所述智能网联车辆的感知精度不低于路侧感知单元的精度，且路侧感知单元定位坐标系与智能网联车辆定位坐标系相同。

进一步地，所述步骤S1具体包括以下步骤：

S11、在所监测的路侧感知单元的感知范围内，智能网联车辆跟随车流正常行驶，并采集获取自身定位及感知数据；与此同时，路侧感知单元同步进行数据采集，获取感知范围内目标车辆ID及定位数据；

S12、提取路侧感知单元数据，检索出属于同一ID的车辆运动信息并按时间排序构成轨迹，整理形成路侧感知轨迹数据集R＝{R₁,R₂,…,R_j,…,R_M}，其中，

为车辆j的轨迹，

为a时刻车辆j的定位坐标，A为路侧感知单元的采集终点时刻；

S13、提取智能网联车辆定位数据并按时间排序，构成智能网联车辆轨迹数据C，C＝{c¹,c²,…,c^B}，c^b为b时刻智能网联车辆的定位坐标，B为智能网联车辆的采集终点时刻，提取智能网联车辆感知数据，检索出数据目标ID的信息并按时间及排序，构成智能网联车辆感知数据集P＝{P₁,P₂,…,P_N}，其中智能网联车辆周围车辆i相对位置信息

为c时刻车辆i的相对定位坐标。

进一步地，所述步骤S2具体包括以下步骤：

S21、计算路侧感知轨迹数据集中各条轨迹与智能网联车辆轨迹整体LCSS相似度；

S22、提取路侧感知轨迹数据与智能网联车辆轨迹各采样点周围车辆相对位置序列，并计算对应相对位置序列LCSS相似度；

S23、利用RPS-LCSS相似度算法计算各轨迹对相似度；

S24、选择路侧感知轨迹数据集中RPS-LCSS相似度最大的轨迹，以作为智能网联车辆轨迹对应的匹配轨迹。

进一步地，所述步骤S21的具体过程为：

对采集得到的路侧感知轨迹数据集R＝{R₁,R₂,…,R_M}，计算其中各条轨迹R_j与智能网联车轨迹C的最长公共子序列及其LCSS相似度D_L(R_j,C)，计算公式如下：

其中，LCSS(R_j,C)为轨迹R_j,C的最长公共子序列长度，dist(·)为距离函数，度量两坐标之间的距离，

为轨迹坐标序列R_j的子序列，

M为轨迹中坐标点数量，C^b为轨迹坐标序列C的子序列，C^b＝{c¹,c²,…,c^b,b≤B}，N为轨迹中坐标点数量，γ_t为成员相似阈值，L(·)为轨迹长度，D_L(R_j,C)为两轨迹之间的LCSS相似度。

进一步地，所述步骤S22的具体过程为：对智能网联车辆轨迹C，若采样点i周围存在L个车辆，则按照车辆相对距离从小到大的顺序构成相对坐标序列c_i＝{(x_k,y_k)|k＝0,1…,L}，其中，(x_k,y_k)为距离智能网联车辆采样点i第k个相近车辆的相对坐标；

对路侧感知轨迹数据集中车辆轨迹R_j，若采样点i周围存在Q个车辆，则按照车辆相对距离从小到大的顺序构成相对坐标序列r_ij＝{(x_l,y_l)|l＝0,1…,Q}，其中，(x_l,y_l)为距离车辆R_j采样点i第l个相近车辆的相对坐标，由此，计算智能网联车辆C和路侧感知轨迹数据集中轨迹R_j对应采样点i的相对位置序列c_i,r_ij的LCSS相似度为：

其中，LCSS(c_i,r_ij)为相对坐标序列c_i,r_ij的最长公共子序列长度，dist(·)为距离函数，度量两相对坐标之间的距离，

为智能网联车辆周围车辆相对坐标序列c_i的子序列，

L为相对位置序列坐标点数量，

为路侧感知轨迹数据集中智能网联车辆周围车辆的相对坐标序列r_ij的子序列，

Q为相对位置序列坐标点数量，γ_r为成员相似度阈值，L(·)为相对坐标序列长度，D_L(c_i,r_ij)为两相对位置序列之间的LCSS相似度。

进一步地，所述步骤S23的具体过程为：计算路侧感知轨迹数据中各条轨迹R_j与智能网联车辆轨迹C整体相似度D_L(R_j,C)、以及各对应采样点周围车辆相对位置序列相似度平均值之和，以作为两轨迹的RPS-LCSS相似度D(R_j,C)：

其中，D_L(R_j,C)为轨迹R_j与C的整体LCSS相似度，D_L(c_i,r_ij)为轨迹公共子序列中点i周围车辆相对位置序列c_i与r_ij的LCSS相似度，T为轨迹对中最长公共子序列长度；

所述步骤S24的具体过程为：选择路侧感知轨迹数据集R中RPS-LCSS相似度最大的路侧轨迹R_z，以作为智能网联车辆轨迹的匹配轨迹：

由此确定出匹配路侧感知数据中智能网联车辆对应的轨迹数据。

进一步地，所述步骤S3具体包括以下步骤：

S31、求解系统时间对齐调整量，平移调整智能网联车辆数据时间，对平移时间后的智能网联车辆轨迹数据与路侧感知轨迹数据，采用相同时长及时间间隔进行三次样条插值，计算对应时刻车辆数据坐标与路侧感知数据坐标点距离，求解使得各对应点坐标平均距离最小的最佳系统时间对齐调整量t_a：

t_a＝argminL(t)

其中，(x_r(i),y_r(i))为i时刻路侧感知轨迹数据对应采样坐标点，(x_c(i),y_c(i))为i时刻智能网联车辆轨迹对应采样坐标点，t为车端数据时间平移量，t_a为最佳系统时间对齐调整量，M为插值后数据点个数；

S32、调整智能网联车辆数据时间实现时间对齐：根据步骤S31中得到的最佳系统时间对齐调整量t_a，调整智能网联车辆的数据时间，以与路侧感知单元的系统时间进行对齐；

S33、智能网联车辆定位及感知数据与路侧感知轨迹数据时间同步：根据路侧感知轨迹数据采样时刻，使用三次样条曲线模型对智能网联车辆定位及感知数据进行插值重采样，与路侧感知轨迹数据采样时间实现同步。

进一步地，所述步骤S4具体包括以下步骤：

S41、计算路侧感知轨迹数据的单车绝对定位中误差m_a；

S42、计算路侧感知轨迹数据的多车相对定位中误差m_r；

S43、根据实际交通应用场景特征及需求，设置允许绝对定位误差阈值α、相对定位误差阈值β，根据单车绝对定位中误差m_a、多车相对定位中误差m_r分别与对应阈值的相对大小关系，确定出定位误差是否满足精度要求，完成对路侧感知单元数据质量的监测。

进一步地，所述步骤S41的具体过程为：利用智能网联车辆定位数据，计算路侧感知轨迹数据的单车绝对定位中误差m_a：

其中，(x_r(i),y_r(i))为i时刻路侧感知轨迹数据定位坐标，(x_c(i),y_c(i))为i时刻智能网联车辆轨迹对应采样点定位坐标，(Δx_i,Δy_i)为i时刻路侧感知单元与智能网联车辆定位的相对位置坐标，ε_ai为i时刻绝对定位误差，n为采样点个数；

所述步骤S42的具体过程为：利用智能网联车辆感知数据，计算路侧感知轨迹数据的多车相对定位中误差m_r：

Δd(i)＝d_c(i)-d_r(i)

其中，(x_r(i),y_r(i))为i时刻路侧感知单元采集的经过感知范围的智能网联车辆的坐标点，(x_rn(i),y_rn(i))为i时刻路侧感知单元采集距离经过的智能网联车辆周围车辆的坐标点，(x_cn(i),y_cn(i))为所经过的智能网联车辆采集的i时刻其周围车辆的相对坐标，d_r(i)为i时刻路侧感知单元采集的所经过的智能网联车辆与其周围车辆的相对距离，d_c(i)为i时刻所经过的智能网联车辆感知其周围车辆的相对距离，Δd(i)为i时刻路侧感知单元与智能网联车辆感知其周围车辆相对距离的差值，

为其周围车辆相对距离差值的平均值，ε_ri为i时刻多车相对定位误差，n为采样点个数。

与现有技术相比，本发明利用感知精度更高的智能网联车辆数据，以对路侧感知单元数据进行评价监测，通过在路侧感知轨迹数据集中匹配出与智能网联车辆相对应的轨迹数据，并将路侧感知单元系统时间与智能网联车辆系统时间进行对齐处理、通过轨迹重采样实现时间同步，由此能够对路侧感知单元数据质量进行全面、实时、可靠地监测。

本发明利用智能网联车辆可获取的周围车辆相对位置数据，由此提出一种RPS-LCSS相似度匹配算法，该算法在传统LCSS算法的基础上提出利用周围车辆相对位置衡量轨迹相似度，从路侧感知轨迹数据集中匹配智能网联车辆对应轨迹数据，在保证计算效率的前提下，较传统LCSS相似度算法可显著提升轨迹匹配准确率，能够在数据质量监测流程中提升轨迹筛选匹配的速度和效率。

本发明面向实际交通需求场景，扩展并设计了感知轨迹数据精度评价方法，根据智能网联车辆感知数据及实际需求特征，在单车绝对定位精度的基础上提出对多车相对定位精度进行评价，并利用中误差作为精度评价指标，对传统精度评价指标进行有效扩展，可满足不同应用需求下的数据质量监测及评价。

附图说明

图1为本发明的方法流程示意图；

图2a为实施例中路侧感知轨迹的周围车辆相对序列示意图；

图2b为实施例中智能网联车辆相对序列示意图；

图3为本发明时间同步算法示意图；

图4为实施例的轨迹匹配结果；

图5a为实施例中车辆直行段的定位误差计算结果；

图5b为实施例中车辆换道段的定位误差计算结果。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示，一种智能网联环境下路侧感知单元数据质量监测方法，包括以下步骤：

S1、同步采集所测评的路侧感知单元数据与所经过的智能网联车辆数据，构成路侧感知轨迹数据集及智能网联车辆定位及感知数据，具体的：

S11、在所监测的路侧感知单元的感知范围内，智能网联车辆跟随车流正常行驶，车载传感器采集获取自身定位及感知数据；与此同时，路侧感知单元同步进行数据采集，获取感知范围内目标车辆ID及定位数据。

S12、提取路侧感知单元输出的数据，检索出属于同一ID的车辆运动信息并按时间排序构成轨迹，整理形成路侧感知轨迹数据集R＝{R₁,R₂,…,R_M}。其中车辆j轨迹

为a时刻车辆j的定位坐标。

S13、提取所经过的智能网联车辆定位数据并按时间排序，构成智能网联车辆轨迹数据C，C＝{c¹,c²,…,c^B}，c^b为b时刻智能网联车辆的定位坐标。提取智能网联车辆感知数据，检索出数据目标ID的信息并按时间及排序，构成智能网联车辆感知数据集P＝{P₁,P₂,…,P_N}。其中智能网联车辆周围车辆i相对位置信息

为c时刻车辆i的相对定位坐标。

S2、计算路侧感知轨迹数据集中的各条轨迹与所经过的智能网联车辆轨迹的相似度，从路侧感知轨迹数据集中筛选匹配智能网联车辆对应的轨迹数据，形成评价轨迹数据对，具体的：

S21、对采集得到的路侧感知轨迹数据集R＝{R₁,R₂,…,R_M}，计算其中各条路侧轨迹R_j与智能网联车轨迹C的最长公共子序列及其LCSS相似度D_L(R_j,C)。计算公式如下：

其中，LCSS(R_j,C)为轨迹R_j,C的最长公共子序列长度；dist(·)为距离函数，度量两坐标之间的距离；

为轨迹坐标序列R_j的子序列，

M为轨迹中坐标点数量；C^b表示轨迹坐标序列C的子序列，C^b＝{c¹,c²,…,c^b,b≤B}，N为轨迹中坐标点数量；γ_t为成员相似阈值；L(·)表示轨迹长度；D_L(R_j,C)表示两轨迹之间的LCSS相似度。

S22、对智能网联车辆轨迹C，若采样点i周围存在L个车辆，按照车辆相对距离从小到大构成相对坐标序列c_i＝{(x_k,y_k)|k＝0,1…,L}，其中(x_k,y_k)为距离智能网联车辆采样点i第k近的车辆的相对坐标。对路侧感知轨迹数据集中车辆轨迹R_j，若采样点i周围存在Q个车辆，按照车辆相对距离从小到大构成相对坐标序列r_ij＝{(x_l,y_l)|l＝0,1…,Q}，其中(x_l,y_l)为距离车辆R_j采样点i第l近的车辆的相对坐标。由此，计算智能网联车辆C和路侧感知轨迹数据集中轨迹R_j对应采样点i的相对位置序列c_i,r_ij的LCSS相似度。

其中，LCSS(c_i,r_ij)为相对坐标序列c_i,r_ij的最长公共子序列长度；dist(·)为距离函数，度量两相对坐标之间的距离；

为智能网联车辆周围车辆相对坐标序列c_i的子序列，

L为相对位置序列坐标点数量；

表示路侧感知轨迹数据集中智能网联车辆周围车辆的相对坐标序列r_ij的子序列，

Q为相对位置序列坐标点数量；γ_r为成员相似度阈值；L(·)表示相对坐标序列长度；D_L(c_i,r_ij)表示两相对位置序列之间的LCSS相似度。

S23、利用RPS-LCSS相似度算法计算各轨迹对相似度，确定轨迹对应匹配关系。将路侧感知轨迹数据集中各条轨迹R_j与所经过的智能网联车辆轨迹C整体相似度D_L(R_j,C)及各对应采样点周围车辆相对位置序列相似度平均值之和作为两轨迹的RPS-LCSS相似度D(R_j,C)。

其中，D_L(R_j,C)为轨迹R_j与C的整体LCSS相似度，D_L(c_i,r_ij)为轨迹公共子序列中点i周围车辆相对位置序列c_i与r_ij的LCSS相似度，T为轨迹对中最长公共子序列长度。

S24、选择路侧轨迹集R中RPS-LCSS相似度最大的路侧感知轨迹数据R_z作为智能网联车辆轨迹的匹配轨迹，筛选确定匹配路侧感知轨迹数据集中智能网联车辆对应的轨迹数据：

S3、对齐路侧感知单元系统时间与所经过的智能网联车辆系统时间，并对智能网联车辆数据进行插值重采样实现时间同步(如图3所示)，具体的：

S31、求解系统时间对齐调整量。平移调整智能网联车辆数据时间，对平移时间后的智能网联车辆轨迹数据与路侧感知轨迹数据，采用相同时长及时间间隔进行三次样条插值，计算对应时刻车辆数据坐标与路侧感知轨迹数据坐标点距离，求解使得各对应点坐标平均距离最小的最佳系统时间对齐调整量t_a。

t_a＝argminL(t)

式中，(x_r(i),y_r(i))为i时刻路侧感知单元对应采样坐标点，(x_c(i),y_c(i))为i时刻智能网联车辆对应采样坐标点，t为智能网联车辆数据采集时间的平移量，t_a为最佳系统时间对齐调整量，M为插值后数据点个数。

S32、调整智能网联车辆数据采集时间实现时间对齐。根据S31中求得的最佳系统时间对齐调整量t_a，调整智能网联车辆数据时间与路侧感知单元时间进行对齐。

S33、智能网联车辆定位及感知数据与路侧感知轨迹数据时间同步。根据路侧感知轨迹数据采样时刻使用三次样条曲线模型对智能网联车辆定位及感知数据进行插值重采样，与路侧感知轨迹数据采样时间实现同步。

S4、计算路侧感知单元数据的绝对定位误差与相对定位误差，评价路侧感知单元数据质量，具体的：

S41、利用智能网联车辆定位数据，计算路侧感知数据的单车绝对定位中误差m_a。

其中，(x_r(i),y_r(i))为i时刻路侧感知轨迹数据的定位坐标，(x_c(i),y_c(i))为i时刻智能网联车辆轨迹对应采样点定位坐标，(Δx_i,Δy_i)为i时刻路侧感知轨迹数据与智能网联车辆轨迹的位置点的相对坐标，ε_ai为i时刻绝对定位误差，n为采样点个数。

S42、利用智能网联车辆感知数据，计算路侧感知轨迹数据的多车相对定位中误差m_r。

Δd(i)＝d_c(i)-d_r(i)

其中，(x_r(i),y_r(i))为i时刻路侧感知单元采集的经过感知范围的智能网联车辆的坐标点，(x_rn(i),y_rn(i))为i时刻路侧感知单元采集距离经过的智能网联车辆周围车辆的坐标点，(x_cn(i),y_cn(i))为所经过的智能网联车辆采集的i时刻其周围车辆的相对坐标，d_r(i)为i时刻路侧感知单元采集的所经过的智能网联车辆与其周围车辆的相对距离，d_c(i)为i时刻所经过的智能网联车辆感知其周围车辆的相对距离，Δd(i)为i时刻路侧感知单元与智能网联车辆感知其周围车辆相对距离的差值，

为其周围车辆相对距离差值的平均值，ε_ri为i时刻多车相对定位误差，n为采样点个数。

S43、根据实际交通应用场景特征及需求，设置允许绝对定位误差阈值α，相对定位误差阈值β，根据误差与阈值的相对大小关系确定定位误差是否满足精度要求；；分析相关因素等因素对感知数据定位精度的影响，从而为不同场景路侧感知轨迹数据的应用与修正提供指导。

本实施例基于同济大学智能网联交通环境进行，同济大学智慧道路路侧感知单元有激光雷达传感器、雷视融合传感器、高清摄像头等，参考团体标准《基于车路协同的高等级自动驾驶数据交互内容》(T/CSAE 158-2020)要求，无信号交叉口通行场景要求定位精度不超过50cm。

为便于数据处理及结果校验，本实施例主要针对路侧雷视融合传感器的感知轨迹数据进行质量监测及评价。实验用路侧雷视融合传感器可输出目标的经纬度坐标，采样频率为20Hz。本实施例中，智能网联车辆装有GNSS/IMU组合高精度定位设备，车身安装有三个激光雷达传感器、六个毫米波雷达传感器，可实时输出智能网联车辆自身位姿信息及周围车辆相对定位信息，定位误差为厘米级，采样频率为100Hz。以其中一次数据采集与质量监测及评价为例，本实施例应用上述技术方案，其主要过程为：

步骤一、令智能网联车辆与路侧雷视融合传感器同步进行数据采集，构成路侧雷视融合感知轨迹数据集与智能网联车辆定位及感知数据，包括：

步骤1.1、在路侧雷视融合感知范围内，指挥智能网联车辆完成直行及换道行驶，利用车载GNSS/IMU设施采集车辆自身位姿数据，利用车辆激光雷达、毫米波采集周围车辆相对位置数据，并打开路侧雷视融合传感器同步进行数据采集，获取感知范围内所有车辆运动信息。

步骤1.2、提取路侧雷视融合传感器获取的结构化感知数据，检索出属于同一ID的车辆运动信息并按时间排序构成轨迹，整理形成路侧感知轨迹数据集R＝{R₁,R₂,…,R₃₃}，共有感知轨迹33条。其中R_i＝{r_i ¹,r_i ²,…,r_i ^A}，r_i ^a为a时刻车辆i的定位坐标。

步骤1.3、提取智能网联车辆GNSS/IMU设备获取的定位数据并按时间排序，构成智能网联车辆轨迹数据C，C＝{c¹,c²,…,c²¹⁶}，共有定位坐标点216个，其中c^b为b时刻智能网联车辆的定位坐标。提取车辆激光雷达、毫米波获取的感知数据，检索出数据目标ID的信息并按时间及排序，构成智能网联车辆感知数据集P＝{P₁,P₂,…,P₅}，周围共有车辆5辆。其中

为c时刻智能网联车辆周围车辆i的相对定位坐标。

步骤二、计算路侧雷视融合感知轨迹数据集中各条轨迹与智能网联车辆轨迹C的RPS-LCSS相似度，选择其中与智能网联车辆轨迹RPS-LCSS相似度最大的路侧雷视融合感知轨迹作为智能网联车辆匹配轨迹。计算所得RPS-LCSS相似度为1.85，利用路侧高清视频数据检验匹配准确性。轨迹匹配结果如图4所示。

步骤三、将路侧雷视融合传感器系统时间与智能网联车辆系统时间进行对齐，并对采集数据进行重采样实现时间同步，包括：

步骤3.1、求解系统时间对齐调整量。从-5s至5s，以0.01s为时间间隔依次平移调整智能网联车辆数据时间。按照0.01s的时间间隔，对平移时间后的智能网联车辆轨迹数据与路侧雷视融合感知轨迹数据分别进行三次样条插值，依次计算各平移时刻下坐标平均距离。在时间平移量范围内遍历，求解可得各对应点坐标平均距离最小的最佳系统时间对齐调整量t_a为3.63s。

t_a＝argminL(t)

式中，(x_r(i),y_r(i))为i时刻路侧感知轨迹数据对应采样坐标点，(x_c(i),y_c(i))为i时刻智能网联车辆对应采样坐标点，t为车端数据时间平移量，t_a为最佳系统时间对齐调整量，M为插值后数据点个数。

步骤3.2、调整智能网联车辆时间实现时间对齐。将智能网联车辆数据采样时间统一减去3.63s，与路侧雷视融合感知单元系统时间进行对齐。

步骤3.3、智能网联车辆与路侧雷视融合设备数据时间同步。根据路侧雷视融合感知数据采样时刻，使用三次样条曲线模型对调整时间后的智能网联车辆数据进行插值重采样，与路侧感知轨迹数据采样时间实现同步。

步骤四、计算路侧感知轨迹数据单车绝对定位误差与多车相对定位误差，评价路侧感知数据质量，包括：

步骤4.1、利用智能网联车辆定位数据，计算可得路侧雷视融合感知数据的单车绝对定位中误差m_a为25.24cm。

其中，(x_r(i),y_r(i))为i时刻路侧感知轨迹数据的定位坐标，(x_c(i),y_c(i))为i时刻智能网联车辆轨迹对应采样点定位坐标，(Δx_i,Δy_i)为i时刻路侧感知单元与智能网联车辆定位的相对位置坐标，ε_ai为i时刻绝对定位误差，n为采样点个数。

步骤4.2、利用智能网联车辆感知数据，计算路侧雷视融合感知轨迹数据集中多车相对定位中误差m_r为24.76cm。

Δd(i)＝d_c(i)-d_r(i)

其中，(x_r(i),y_r(i))为i时刻路侧感知单元采集的经过感知范围的智能网联车辆的坐标点，(x_rn(i),y_rn(i))为i时刻路侧感知单元采集距离经过的智能网联车辆周围车辆的坐标点，(x_cn(i),y_cn(i))为所经过的智能网联车辆采集的i时刻其周围车辆的相对坐标，d_r(i)为i时刻路侧感知单元采集的所经过的智能网联车辆与其周围车辆的相对距离，d_c(i)为i时刻所经过的智能网联车辆感知其周围车辆的相对距离，Δd(i)为i时刻路侧感知单元与智能网联车辆感知其周围车辆相对距离的差值，

为其周围车辆相对距离差值的平均值，ε_ri为i时刻多车相对定位误差，n为采样点个数。

步骤4.3、根据实际交通应用场景特征及团体标准《基于车路协同的高等级自动驾驶数据交互内容》要求，设置允许定位误差阈值α＝50cm、β＝40cm，根据以上计算结果可知路侧雷视融合感知单元的定位精度满足场景精度要求。分析距离路侧感知单元的距离、车辆驾驶行为等因素对路侧感知数据定位误差的影响，结果如图5a、图5b所示。实验测评路侧雷视融合感知单元在车辆发生换道及距离设施较远时易产生较大误差，应加强对这部分数据的清洗。

综上所述，本发明面向智能网联交通环境下路侧感知单元数据质量的常态、实时监测及评价，提出一种智慧公路路侧感知单元数据质量监测及评价系统，包括：同步采集所测评的路侧感知单元数据与智能网联车辆数据，构成路侧感知轨迹数据集及智能网联车辆定位及感知数据；计算路侧感知轨迹数据集中的各条轨迹与智能网联车辆轨迹的相似度，从路侧感知轨迹数据集中筛选匹配智能网联车辆对应的轨迹数据，形成测评轨迹对；对齐路侧感知单元系统时间与智能网联车辆系统时间，并对智能网联车辆数据进行重采样实现时间同步；计算路侧感知单元数据的绝对定位误差与相对定位误差，评价路侧感知数据质量。本发明利用智能网联车辆数据特征提出了一种可快速实现轨迹匹配的方法及全面反映场景需求的评价指标，面向未来智能网联环境下数据质量的常态化评价及数据应用提供了新的视角，降低了数据测评的人工与经济成本；本发明还可为为路侧感知单元全生命周期下状态监测提供指导，确保路侧感知数据可有效支撑系统运行，保障路侧感知单元的使用性能和效果。

Claims (10)

1.一种智能网联环境下路侧感知单元数据质量监测方法，其特征在于，包括以下步骤：

S1、同步采集所监测的路侧感知单元数据与智能网联车辆数据，得到路侧感知轨迹数据集、经过相应路段的智能网联车辆定位及感知数据；

S2、计算路侧感知轨迹数据集中各条轨迹与经过相应路段的智能网联车辆轨迹的相似度，从路侧感知轨迹数据集中筛选出与智能网联车辆相匹配的对应轨迹数据，形成测评轨迹数据对；

S3、基于测评轨迹数据对，进一步对齐路侧感知单元系统时间与智能网联车辆系统时间，并对智能网联车辆数据进行插值重采样实现时间同步；

S4、根据测评轨迹数据对以及时间同步后的智能网联车辆数据，通过计算路侧感知单元数据的绝对定位误差与相对定位误差，完成对路侧感知单元数据质量的监测。

2.根据权利要求1所述的一种智能网联环境下路侧感知单元数据质量监测方法，其特征在于，所述智能网联车辆安装有定位设备、感知传感器和通信模块，所述智能网联车辆数据包括但不限于采样时间、车辆自身定位、周围车辆的相对位置；

所述路侧感知单元数据包括但不限于采样时间、目标定位坐标、目标速度；

所述智能网联车辆的感知精度不低于路侧感知单元的精度，且路侧感知单元定位坐标系与智能网联车辆定位坐标系相同。

3.根据权利要求2所述的一种智能网联环境下路侧感知单元数据质量监测方法，其特征在于，所述步骤S1具体包括以下步骤：

S11、在所监测的路侧感知单元的感知范围内，智能网联车辆跟随车流正常行驶，并采集获取自身定位及感知数据；与此同时，路侧感知单元同步进行数据采集，获取感知范围内目标车辆ID及定位数据；

S12、提取路侧感知单元数据，检索出属于同一ID的车辆运动信息并按时间排序构成轨迹，整理形成路侧感知轨迹数据集R＝{R₁,R₂,…,R_j,…,R_M}，其中，

为车辆j的轨迹，

为a时刻车辆j的定位坐标，A为路侧感知单元的采集终点时刻；

S13、提取智能网联车辆定位数据并按时间排序，构成智能网联车辆轨迹数据C，C＝{c¹,c²,…,c^B}，c^b为b时刻智能网联车辆的定位坐标，B为智能网联车辆的采集终点时刻，提取智能网联车辆感知数据，检索出数据目标ID的信息并按时间及排序，构成智能网联车辆感知数据集P＝{P₁,P₂,…,P_N}，其中智能网联车辆周围车辆i相对位置信息

为c时刻车辆i的相对定位坐标。

4.根据权利要求3所述的一种智能网联环境下路侧感知单元数据质量监测方法，其特征在于，所述步骤S2具体包括以下步骤：

S21、计算路侧感知轨迹数据集中各条轨迹与智能网联车辆轨迹整体LCSS相似度；

S22、提取路侧感知轨迹数据与智能网联车辆轨迹各采样点周围车辆相对位置序列，并计算对应相对位置序列LCSS相似度；

S23、利用RPS-LCSS相似度算法计算各轨迹对相似度；

S24、选择路侧感知轨迹数据集中RPS-LCSS相似度最大的轨迹，以作为智能网联车辆轨迹对应的匹配轨迹。

5.根据权利要求4所述的一种智能网联环境下路侧感知单元数据质量监测方法，其特征在于，所述步骤S21的具体过程为：

对采集得到的路侧感知轨迹数据集R＝{R₁,R₂,…,R_M}，计算其中各条轨迹R_j与智能网联车轨迹C的最长公共子序列及其LCSS相似度D_L(R_j,C)，计算公式如下：

其中，LCSS(R_j,C)为轨迹R_j,C的最长公共子序列长度，dist(·)为距离函数，度量两坐标之间的距离，

为轨迹坐标序列R_j的子序列，

M为轨迹中坐标点数量，C^b为轨迹坐标序列C的子序列，C^b＝{c¹,c²,…,c^b,b≤B}，N为轨迹中坐标点数量，γ_t为成员相似阈值，L(·)为轨迹长度，D_L(R_j,C)为两轨迹之间的LCSS相似度。

6.根据权利要求5所述的一种智能网联环境下路侧感知单元数据质量监测方法，其特征在于，所述步骤S22的具体过程为：对智能网联车辆轨迹C，若采样点i周围存在L个车辆，则按照车辆相对距离从小到大的顺序构成相对坐标序列c_i＝{(x_k,y_k)|k＝0,1…,L}，其中，(x_k,y_k)为距离智能网联车辆采样点i第k个相近车辆的相对坐标；

对路侧感知轨迹数据集中车辆轨迹R_j，若采样点i周围存在Q个车辆，则按照车辆相对距离从小到大的顺序构成相对坐标序列r_ij＝{(x_l,y_l)|l＝0,1…,Q}，其中，(x_l,y_l)为距离车辆R_j采样点i第l个相近车辆的相对坐标，由此，计算智能网联车辆C和路侧感知轨迹数据集中轨迹R_j对应采样点i的相对位置序列c_i,r_ij的LCSS相似度为：

其中，LCSS(c_i,r_ij)为相对坐标序列c_i,r_ij的最长公共子序列长度，dist(·)为距离函数，度量两相对坐标之间的距离，

为智能网联车辆周围车辆相对坐标序列c_i的子序列，

L为相对位置序列坐标点数量，

为路侧感知轨迹数据集中智能网联车辆周围车辆的相对坐标序列r_ij的子序列，

Q为相对位置序列坐标点数量，γ_r为成员相似度阈值，L(·)为相对坐标序列长度，D_L(c_i,r_ij)为两相对位置序列之间的LCSS相似度。

7.根据权利要求6所述的一种智能网联环境下路侧感知单元数据质量监测方法，其特征在于，所述步骤S23的具体过程为：计算路侧感知轨迹数据中各条轨迹R_j与智能网联车辆轨迹C整体相似度D_L(R_j,C)、以及各对应采样点周围车辆相对位置序列相似度平均值之和，以作为两轨迹的RPS-LCSS相似度D(R_j,C)：

其中，D_L(R_j,C)为轨迹R_j与C的整体LCSS相似度，D_L(c_i,r_ij)为轨迹公共子序列中点i周围车辆相对位置序列c_i与r_ij的LCSS相似度，T为轨迹对中最长公共子序列长度；

所述步骤S24的具体过程为：选择路侧感知轨迹数据集R中RPS-LCSS相似度最大的路侧轨迹R_z，以作为智能网联车辆轨迹的匹配轨迹：

由此确定出匹配路侧感知数据中智能网联车辆对应的轨迹数据。

8.根据权利要求4所述的一种智能网联环境下路侧感知单元数据质量监测方法，其特征在于，所述步骤S3具体包括以下步骤：

S31、求解系统时间对齐调整量，平移调整智能网联车辆数据时间，对平移时间后的智能网联车辆轨迹数据与路侧感知轨迹数据，采用相同时长及时间间隔进行三次样条插值，计算对应时刻车辆数据坐标与路侧感知数据坐标点距离，求解使得各对应点坐标平均距离最小的最佳系统时间对齐调整量t_a：

t_a＝argminL(t)

其中，(x_r(i),y_r(i))为i时刻路侧感知轨迹数据对应采样坐标点，(x_c(i),y_c(i))为i时刻智能网联车辆轨迹对应采样坐标点，t为车端数据时间平移量，t_a为最佳系统时间对齐调整量，M为插值后数据点个数；

S32、调整智能网联车辆数据时间实现时间对齐：根据步骤S31中得到的最佳系统时间对齐调整量t_a，调整智能网联车辆的数据时间，以与路侧感知单元的系统时间进行对齐；

S33、智能网联车辆定位及感知数据与路侧感知轨迹数据时间同步：根据路侧感知轨迹数据采样时刻，使用三次样条曲线模型对智能网联车辆定位及感知数据进行插值重采样，与路侧感知轨迹数据采样时间实现同步。

9.根据权利要求8所述的一种智能网联环境下路侧感知单元数据质量监测方法，其特征在于，所述步骤S4具体包括以下步骤：

S41、计算路侧感知轨迹数据的单车绝对定位中误差m_a；

S42、计算路侧感知轨迹数据的多车相对定位中误差m_r；

S43、根据实际交通应用场景特征及需求，设置允许绝对定位误差阈值α、相对定位误差阈值β，根据单车绝对定位中误差m_a、多车相对定位中误差m_r分别与对应阈值的相对大小关系，确定出定位误差是否满足精度要求，完成对路侧感知单元数据质量的监测。

10.根据权利要求9所述的一种智能网联环境下路侧感知单元数据质量监测方法，其特征在于，所述步骤S41的具体过程为：利用智能网联车辆定位数据，计算路侧感知轨迹数据的单车绝对定位中误差m_a：

其中，(x_r(i),y_r(i))为i时刻路侧感知轨迹数据定位坐标，(x_c(i),y_c(i))为i时刻智能网联车辆轨迹对应采样点定位坐标，(Δx_i,Δy_i)为i时刻路侧感知单元与智能网联车辆定位的相对位置坐标，ε_ai为i时刻绝对定位误差，n为采样点个数；

所述步骤S42的具体过程为：利用智能网联车辆感知数据，计算路侧感知轨迹数据的多车相对定位中误差m_r：

Δd(i)＝d_c(i)-d_r(i)

其中，(x_r(i),y_r(i))为i时刻路侧感知单元采集的经过感知范围的智能网联车辆的坐标点，(x_rn(i),y_rn(i))为i时刻路侧感知单元采集距离经过的智能网联车辆周围车辆的坐标点，(x_cn(i),y_cn(i))为所经过的智能网联车辆采集的i时刻其周围车辆的相对坐标，d_r(i)为i时刻路侧感知单元采集的所经过的智能网联车辆与其周围车辆的相对距离，d_c(i)为i时刻所经过的智能网联车辆感知其周围车辆的相对距离，Δd(i)为i时刻路侧感知单元与智能网联车辆感知其周围车辆相对距离的差值，

为其周围车辆相对距离差值的平均值，ε_ri为i时刻多车相对定位误差，n为采样点个数。

Images