CN114863679B - 一种基于多源信息融合的混合交通流车辆识别方法 - Google Patents

Abstract

本发明公开了一种基于多源信息融合的混合交通流车辆识别方法，包括：基于视频检测器和微波检测器分别获取每个路段的驶入车辆数和驶出车辆数，对视频检测器和微波检测器获取的数据进行融合得到该路段内的所有车辆数；基于上下游网联自动驾驶车辆检测器获取并计算该路段内的自动驾驶车辆数M₁，基于边缘计算单元实时接收到的自动驾驶车辆的车辆信息，计算该路段内的自动驾驶车辆数M₂；基于自动驾驶车辆之间的实时车辆信息传递，计算该路段内的自动驾驶车辆数M₃；对M₁、M₂和M₃进行融合，得到该路段内的所有自动驾驶车辆数；基于上述所有车辆数和自动驾驶车辆数，计算当前路段网联自动驾驶车辆的混入率；基于此，本发明可精准的计算出自动驾驶车辆的混入率。

Description

一种基于多源信息融合的混合交通流车辆识别方法

技术领域

本发明涉及智能交通技术领域，具体涉及一种基于多源信息融合的混合交通流车辆识别方法。

背景技术

随着车路协同技术和自动驾驶技术的发展成熟，未来很长一段时间将会出现具备网联通信功能的自动驾驶车辆和传统的人工驾驶车辆混合行驶的情况，由于自动驾驶车辆的混入，传统的交通流传输规律将会发生改变，也会造成一定的安全风险。

为了研究混合交通流的传输特性，保障自动驾驶车辆混入情况下的交通网络的安全高效运行，亟需对道路上对自动驾驶车辆的混入率进行精准的识别。

发明内容

针对现有技术中存在的不足之处，本发明提供一种在网联环境下基于多源信息融合的混合交通流车辆识别方法。

本发明公开了一种基于多源信息融合的混合交通流车辆识别方法，包括：

基于视频检测器获取每个路段的驶入车辆数N_视频驶入和驶出车辆数N_视频驶出；

基于微波检测器获取每个路段的驶入车辆数N_微波驶入和驶出车辆数N_微波驶出；

基于边缘计算单元计算路段内的所有车辆数

N_视频＝N_路段+N_视频驶入-N_视频驶出

N_微波＝N_路段+N_微波驶入-N_微波驶出

式中，N_路段为上个采样周期内该路段的所有车辆数，α₁、α₂为权值；

基于网联自动驾驶车辆检测器获取每个路段的驶入自动驾驶车辆数M_上游驶入和驶出自动驾驶车辆数M_下游驶出，并基于边缘计算单元计算该路段内的自动驾驶车辆数M₁：

M₁＝M_路段+M_上游驶入-M_下游驶出

式中，M_路段为上个采样周期内该路段的所有自动驾驶车辆数；

基于边缘计算单元实时接收到的自动驾驶车辆的车辆信息，计算该路段内的自动驾驶车辆数M₂；

基于自动驾驶车辆之间的实时车辆信息传递，计算出当前路段内任一自动驾驶车辆附近且在当前路段范围内的自动驾驶车辆数，并基于边缘计算单元计算该路段内的自动驾驶车辆数M₃；

基于边缘计算单元计算路段内的自动驾驶车辆数

式中，λ₁、λ₂、λ₃为权值；

基于路段内所有车辆数

和自动驾驶车辆数

计算当前路段网联自动驾驶车辆的混入率。

作为本发明的进一步改进，所述路段的划分方式为：将城市快速路按照出入口匝道位置、车道数变化位置划分成若干路段。

作为本发明的进一步改进，在每个路段的上游边界和下游边界的门架上均安装有所述视频检测器和网联自动驾驶车辆检测器，在每个路段的上游边界和下游边界处均安装有所述微波检测器，在每个路段上布设一个边缘计算单元。

作为本发明的进一步改进，权值α₁、α₂的确定方法包括：

在每个采样周期内进行循环计算，求出标准差最小值对应的权值组合对{α₁，α₂}作为最终的权值：

式中，

作为本发明的进一步改进，权值λ₁、λ₂、λ₃的确定方法包括：

在每个采样周期内进行循环计算，求出标准差最小值对应的权值组合对{λ₁，λ₂，λ₃}作为最终的权值：

式中，

作为本发明的进一步改进，当前路段网联自动驾驶车辆的混入率φ为：

与现有技术相比，本发明的有益效果为：

本发明对路段内的所有车辆数和自动驾驶车辆进行多源信息融合识别，从而精准的计算出自动驾驶车辆的混入率，为研究混合交通流特性提供支撑。

附图说明

图1为本发明一种实施例公开的可实现混合交通流车辆识别方法的系统示意图。

图中：

1、门架；2、视频检测器；3、网联自动驾驶车辆检测器；4、微波检测器；5、边缘计算单元。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图对本发明做进一步的详细描述：

本发明提供一种基于多源信息融合的混合交通流车辆识别方法，该方法基于图1所示的系统实现；其中，

如图1所示，本发明将城市快速路按照出入口匝道位置、车道数变化位置划分成若干路段，在每个路段上下游边界设置门架1或其他安装架，在每个路段的上游边界和下游边界的门架1上均安装有所述视频检测器2和网联自动驾驶车辆检测器3，即，基于上游视频检测器采集驶入该路段的所有车辆数，基于下游视频检测器采集驶出该路段的所有车辆数，基于上游网联自动驾驶车辆检测器采集驶入该路段的所有自动驾驶车辆数，基于下游网联自动驾驶车辆检测器采集驶出该路段的所有自动驾驶车辆数。在每个路段的上游边界和下游边界处均安装有所述微波检测器4，即，基于上游微波检测器采集驶入该路段的所有车辆数，基于下游微波检测器采集驶出该路段的所有车辆数；在每个路段上布设一个边缘计算单元5，路段边缘计算单元5一方面可与视频检测器2和微波检测器4实时通信，获取视频检测器2和微波检测器4采集的车辆信息，并基于内嵌的车辆融合算法计算当前路段的所有车辆数；另一方面，可与网联自动驾驶车辆检测器3实时通信，获取网联自动驾驶车辆检测器3采集的车辆信息；还可与网联自动驾驶车辆基于V2I实时通信，获取其速度、位置、加速度和行驶方向等信息；同时网联自动驾驶车辆之间也可基于V2V进行实时的通信，互传车辆的位置、速度、加速度和行驶方向等信息，并将此信息传输到路段边缘计算单元；路段边缘计算单元5基于内嵌的网联自动驾驶车辆融合算法计算当前路段的网联自动驾驶车辆数。

完成车辆检测器的布设后，根据各类检测器采集的信息，即可进行路段内所有车辆的计算，以及网联自动驾驶车辆的多源信息融合识别；具体包括：

步骤1、基于上下游视频检测器获取每个路段的驶入车辆数N_视频驶入和驶出车辆数N_视频驶出，并通过路段边缘计算单元计算出此时路段内的车辆数N_视频；即：

N_视频＝N_路段+N_视频驶入-N_视频驶出

式中，N_路段为上个采样周期内该路段的所有车辆数；

步骤2、基于上下游微波检测器获取每个路段的驶入车辆数N_微波驶入和驶出车辆数N_微波驶出，并通过路段边缘计算单元计算出此时路段内的车辆数N_微波；即：

N_微波＝N_路段+N_微波驶入-N_微波驶出

步骤3、基于边缘计算单元对N_视频和N_微波进行融合处理，得到路段内的所有车辆数

即，

式中，α₁、α₂为权值。

进一步，本发明上述融合处理的设计原理以及权值α₁、α₂的确定方法为：

正常情况下视频检测器具有较高的检查精度，但是严重的雾霾天气等恶劣气象会对视频检测器的精度产生影响，而微波检测器受天气能见度影响较小；因此，为了最大程度降低受天气对检查结果的影响，采用融合算法对车辆数进行计算。

假设视频检测值和微波检测值的权值分别为α₁和α₂，因此可以计算出一个权值组合对{α₁，α₂}，则路段内的车辆数的加权求和结果为：

分别计算视频检测结果N_视频和微波检测结果N_微波与

的差值，即：

在每个采样周期内进行循环计算，求出标准差最小值对应的权值组合对{α₁，α₂}作为最终的权值：

根据得出的权值α₁和α₂，计算路段内的所有车辆数

步骤4、基于上下游网联自动驾驶车辆检测器获取每个路段的驶入自动驾驶车辆数M_上游驶入和驶出自动驾驶车辆数M_下游驶出，并基于边缘计算单元计算该路段内的自动驾驶车辆数M₁：

M₁＝M_路段+M_上游驶入-M_下游驶出

式中，M_路段为上个采样周期内该路段的所有自动驾驶车辆数；

步骤5、基于边缘计算单元实时接收到的自动驾驶车辆的车辆信息，计算该路段内的自动驾驶车辆数M₂；其中，车辆信息包括位置、速度、加速度和行驶方向等信息；

步骤6、基于自动驾驶车辆之间的实时车辆信息传递，计算出当前路段内任一自动驾驶车辆附近且在当前路段范围内的自动驾驶车辆数，此信息传输到路段边缘计算单元后，可进一步计算出当前路段内的网联自动驾驶车辆数M₃；

步骤7、基于边缘计算单元计算路段内的自动驾驶车辆数

即，

式中，λ₁、λ₂、λ₃为权值。

进一步，λ₁、λ₂、λ₃的确定方法包括：

假设以上三种方法获得的当前路段内的网联自动驾驶车辆数的权值分别为λ₁、λ₂和λ₃，因此可以计算出一个权值组合对{λ₁，λ₂，λ₃}，则路段内的网联自动驾驶车辆数的加权求和结果为：

分别计算三种识别结果M₁、M₂和M₃与

的差值，即：

在每个采样周期内进行循环计算，求出标准差最小值对应的权值组合对{λ₁，λ₂，λ₃}作为最终的权值：

根据得出的权值λ₁、λ₂和λ₃，计算当前路段内的网联自动驾驶车辆数

步骤8、基于路段内所有车辆数

和自动驾驶车辆数

计算当前路段网联自动驾驶车辆的混入率φ；即：

本发明的优点为：

本发明主要依据北斗高精度定位，基于5G的V2V、V2I高传输速度、低时延、更稳定的通信技术，边缘计算技术，车路协同技术，微波检测技术和高清视频处理技术等，对路段中的车辆进行分析，并利用多源信息融合技术从中识别出网联自动驾驶车辆，从而精准的计算出自动驾驶车辆的混入率，为研究混合交通流特性提供支撑。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于多源信息融合的混合交通流车辆识别方法，其特征在于，包括：

基于视频检测器获取每个路段的驶入车辆数N_视频驶入和驶出车辆数N_视频驶出；

基于微波检测器获取每个路段的驶入车辆数N_微波驶入和驶出车辆数N_微波驶出；

基于边缘计算单元计算路段内的所有车辆数

N_视频＝N_路段+N_视频驶入-N_视频驶出

N_微波＝N_路段+N_微波驶入-N_微波驶出

式中，N_路段为上个采样周期内该路段的所有车辆数，α₁、α₂为权值；其中，权值α₁、α₂的确定方法包括：

在每个采样周期内进行循环计算，求出标准差最小值对应的权值组合对{α₁，α₂}作为最终的权值：

式中，

基于网联自动驾驶车辆检测器获取每个路段的驶入自动驾驶车辆数M_上游驶入和驶出自动驾驶车辆数M_下游驶出，并基于边缘计算单元计算该路段内的自动驾驶车辆数M₁：

M₁＝M_路段+M_上游驶入-M_下游驶出

式中，M_路段为上个采样周期内该路段的所有自动驾驶车辆数；

基于边缘计算单元实时接收到的自动驾驶车辆的车辆信息，计算该路段内的自动驾驶车辆数M₂；

基于自动驾驶车辆之间的实时车辆信息传递，计算出当前路段内任一自动驾驶车辆附近且在当前路段范围内的自动驾驶车辆数，并基于边缘计算单元计算该路段内的自动驾驶车辆数M₃；

基于边缘计算单元计算路段内的自动驾驶车辆数

式中，λ₁、λ₂、λ₃为权值；其中，权值λ₁、λ₂、λ₃的确定方法包括：

在每个采样周期内进行循环计算，求出标准差最小值对应的权值组合对{λ₁，λ₂，λ₃}作为最终的权值：

式中，

基于路段内所有车辆数

和自动驾驶车辆数

计算当前路段网联自动驾驶车辆的混入率；其中，当前路段网联自动驾驶车辆的混入率φ为：

2.如权利要求1所述的混合交通流车辆识别方法，其特征在于，所述路段的划分方式为：将城市快速路按照出入口匝道位置、车道数变化位置划分成若干路段。

3.如权利要求1所述的混合交通流车辆识别方法，其特征在于，在每个路段的上游边界和下游边界的门架上均安装有所述视频检测器和网联自动驾驶车辆检测器，在每个路段的上游边界和下游边界处均安装有所述微波检测器，在每个路段上布设一个边缘计算单元。

Images