CN115116216A - 基于车路云接口实现的全域协同感知与决策方法、装置 - Google Patents
基于车路云接口实现的全域协同感知与决策方法、装置 Download PDFInfo
- Publication number
- CN115116216A CN115116216A CN202210571313.7A CN202210571313A CN115116216A CN 115116216 A CN115116216 A CN 115116216A CN 202210571313 A CN202210571313 A CN 202210571313A CN 115116216 A CN115116216 A CN 115116216A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- perception
- real
- traffic
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000008447 perception Effects 0.000 claims abstract description 138
- 238000004891 communication Methods 0.000 claims abstract description 97
- 238000004458 analytical method Methods 0.000 claims description 45
- 238000013439 planning Methods 0.000 claims description 28
- 238000007726 management method Methods 0.000 claims description 21
- 238000007405 data analysis Methods 0.000 claims description 17
- 206010039203 Road traffic accident Diseases 0.000 claims description 15
- 230000006399 behavior Effects 0.000 claims description 14
- 238000013461 design Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 230000015572 biosynthetic process Effects 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010223 real-time analysis Methods 0.000 claims description 6
- 230000006855 networking Effects 0.000 abstract description 13
- 238000005457 optimization Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 230000003993 interaction Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
- 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
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及云协同控制技术领域,特别涉及一种基于车路云接口实现的全域协同感知与决策方法、装置,包括:通过获取车辆的行驶数据、路侧感知设备的感知数据和目标通信设备的感知数据,并基于上述数据计算得到多个区域的实时性交通管控数据和/或非实时性交通管控数据,共同生成云协同决策策略,并且基于云协同决策策略生成网联交通设备和车辆的协同控制指令,发送协同控制指令至网联交通设备和/或车辆。由此,解决了在复杂环境下难以达到统一的协同车辆、道路以及环境的大范围网联群体协同决策等问题,通过构建云控基础平台与实时计算网络,以实现全局全域协同下的不同等级的智能网联车辆与智能交通设备的运行优化,提高了行车安全与交通效率。
Description
技术领域
本申请涉及云协同控制技术领域,特别涉及一种基于车路云接口实现的全域协同感知与决策方法、装置。
背景技术
随着我国当代高新技术的发展,物联网掀起了新的高潮。就汽车而言,亟需建立完备的智能汽车基础设施体系。但现有的单车智能技术路线存在车载感知范围有限、可靠性不足、车间行为存在博弈与冲突、单车依靠局部信息进行的规划与控制难以实现全局优化等问题。传统车路协同主要强调汽车与路侧设备之间的协同,虽然可以解决部分单车智能面临的问题,但应用场景有限,其主要功能在于利用车与车、车与路之间的信息交互以辅助单车决策,而且也难以实现面向路网大范围网联应用中的群体协同决策,从而不能满足智能网联汽车参与的交通系统在发展过程中对全局车辆与交通的交互、管控与优化以及对交通数据的广泛深度应用等方面的要求。
在当前智能网联汽车的技术之中,已经在各个具体的领域存在一定技术积累,如图1所示,图1描述了标准化通信技术,构建车路云的广泛互联,以实现通信的高性能和安全性;应用与计算机编排技术,把对象与功能进行分级部署;感知与时空定位技术,保障所接受的基础数据与服务的统一性。这些具体的技术,在单一化实际场景中应用时,往往能取得较好的效果,但是在复杂多变的环境中很难实现融合作用。
因此,在相关技术中,车路云的交互协同存在很多优势,但同样存在一定的劣势:(1)在复杂道路环境下,现有自动驾驶车辆就很难适应,往往容易发生交通事故,对驾驶员生命安全和财产安全造成不可挽回的损失;(2)当前的技术和资源在多种场景下,还不能达到统一协同车辆、道路、环境等方面的功能;(3)某些领域的技术还存在很大难题,当前很多算法都只是针对特定场景而言,具有很大的局限性。
发明内容
本申请提供一种基于车路云接口实现的全域协同感知与决策方法、装置,以解决在复杂环境下难以达到统一的协同车辆、道路以及环境的大范围网联群体协同决策等问题。
本申请第一方面实施例提供一种基于车路云接口实现的全域协同感知与决策方法,包括以下步骤:
获取车辆的行驶数据、路侧感知设备的感知数据和目标通信设备的感知数据;
基于所述车辆的行驶数据、所述路侧感知设备的感知数据和所述目标通信设备的感知数据计算得到多个区域的实时性交通管控数据和/或非实时性交通管控数据;以及
基于所述车辆的行驶数据、所述路侧感知设备的感知数据、所述目标通信设备的感知数据和所述多个区域的实时性交通管控数据和/或非实时性交通管控数据生成云协同决策策略,并且基于所述云协同决策策略生成网联交通设备和所述车辆的协同控制指令,发送所述协同控制指令至所述网联交通设备和/或所述车辆。
根据本申请的一个实施例,所述基于所述车辆的行驶数据、所述路侧感知设备的感知数据和所述目标通信设备的感知数据计算得到多个区域的实时性交通管控数据和/或非实时性交通管控数据,包括:
利用第一数据分析模型对所述车辆的行驶数据、所述路侧感知设备的感知数据和所述目标通信设备的感知数据进行实时性交通管控数据和/或非实时性分析,得到最佳路径规划数据和区域路网实时态势感知数据;
基于所述最佳路径规划数据和所述区域路网实时态势感知数据得到车辆编队行驶数据、道路监控预警数据、路径引导数据和路侧感知设备的远程控制数据;
基于所述车辆编队行驶数据、所述道路监控预警数据、路径引导数据和所述路侧感知设备的远程控制数据生成所述多个区域的实时性和/或非实时性交通管控数据。
根据本申请的一个实施例,所述基于所述车辆的行驶数据、所述路侧感知设备的感知数据、所述目标通信设备的感知数据和所述多个区域的实时性交通管控数据和/或非实时性交通管控数据生成云协同决策策略,包括:
利用第二数据分析模型对所述车辆的行驶数据、所述路侧感知设备的感知数据、所述目标通信设备的感知数据和所述多个区域的实时性交通管控数据和/或非实时性交通管控数据进行计算,得到全局道路交通态势感知数据、道路交通规划设计评估数据、驾驶行为与交通事故分析数据、车辆故障分析和车险动态定价分析数据;
根据所述全局道路交通态势感知数据、所述道路交通规划设计评估数据、所述驾驶行为与交通事故分析数据、所述车辆故障分析和车险动态定价分析数据生成所述云协同决策策略。
根据本申请的一个实施例,上述的基于车路云接口实现的全域协同感知与决策方法,还包括:
将所述车辆的行驶数据、所述路侧感知设备的感知数据和所述目标通信设备的感知数据存储至目标存储设备和/或目标云端。
根据本申请的一个实施例,所述车辆的行驶数据包括所述车辆的状态数据和所述车辆的感知数据;所述路侧感知设备的感知数据包括路侧雷达和摄像头的感知数据;所述目标通信设备的感知数据包括实时气象数据、地图数据和网联交通设备数据。
根据本申请实施例的基于车路云接口实现的全域协同感知与决策方法,通过获取车辆的行驶数据、路侧感知设备的感知数据和目标通信设备的感知数据,并基于上述数据计算得到多个区域的实时性交通管控数据和/或非实时性交通管控数据,共同生成云协同决策策略,并且基于云协同决策策略生成网联交通设备和车辆的协同控制指令,发送协同控制指令至网联交通设备和/或车辆。由此,解决了在复杂环境下难以达到统一的协同车辆、道路以及环境的大范围网联群体协同决策等问题,通过构建云控基础平台与实时计算网络,以实现全局全域协同下的不同等级的智能网联车辆与智能交通设备的运行优化,提高了行车安全与交通效率。
本申请第二方面实施例提供一种基于车路云接口实现的全域协同感知与决策装置,包括:
获取模块,用于获取车辆的行驶数据、路侧感知设备的感知数据和目标通信设备的感知数据;
计算模块,用于基于所述车辆的行驶数据、所述路侧感知设备的感知数据和所述目标通信设备的感知数据计算得到多个区域的实时性交通管控数据和/或非实时性交通管控数据;以及
生成模块,用于基于所述车辆的行驶数据、所述路侧感知设备的感知数据、所述目标通信设备的感知数据和所述多个区域的实时性交通管控数据和/或非实时性交通管控数据生成云协同决策策略,并且基于所述云协同决策策略生成网联交通设备和所述车辆的协同控制指令,发送所述协同控制指令至所述网联交通设备和/或所述车辆。
根据本申请的一个实施例,所述计算模块,具体用于:
利用第一数据分析模型对所述车辆的行驶数据、所述路侧感知设备的感知数据和所述目标通信设备的感知数据进行实时性交通管控数据和/或非实时性分析,得到最佳路径规划数据和区域路网实时态势感知数据;
基于所述最佳路径规划数据和所述区域路网实时态势感知数据得到车辆编队行驶数据、道路监控预警数据、路径引导数据和路侧感知设备的远程控制数据;
基于所述车辆编队行驶数据、所述道路监控预警数据、路径引导数据和所述路侧感知设备的远程控制数据生成所述多个区域的实时性和/或非实时性交通管控数据。
根据本申请的一个实施例,所述生成模块,具体用于:
利用第二数据分析模型对所述车辆的行驶数据、所述路侧感知设备的感知数据、所述目标通信设备的感知数据和所述多个区域的实时性交通管控数据和/或非实时性交通管控数据进行计算,得到全局道路交通态势感知数据、道路交通规划设计评估数据、驾驶行为与交通事故分析数据、车辆故障分析和车险动态定价分析数据;
根据所述全局道路交通态势感知数据、所述道路交通规划设计评估数据、所述驾驶行为与交通事故分析数据、所述车辆故障分析和车险动态定价分析数据生成所述云协同决策策略。
根据本申请的一个实施例,上述的基于车路云接口实现的全域协同感知与决策装置,还包括:
将所述车辆的行驶数据、所述路侧感知设备的感知数据和所述目标通信设备的感知数据存储至目标存储设备和/或目标云端。
根据本申请的一个实施例,所述车辆的行驶数据包括所述车辆的状态数据和所述车辆的感知数据;所述路侧感知设备的感知数据包括路侧雷达和摄像头的感知数据;所述目标通信设备的感知数据包括实时气象数据、地图数据和网联交通设备数据。
根据本申请实施例的基于车路云接口实现的全域协同感知与决策装置,通过获取车辆的行驶数据、路侧感知设备的感知数据和目标通信设备的感知数据,并基于上述数据计算得到多个区域的实时性交通管控数据和/或非实时性交通管控数据,共同生成云协同决策策略,并且基于云协同决策策略生成网联交通设备和车辆的协同控制指令,发送协同控制指令至网联交通设备和/或车辆。由此,解决了在复杂环境下难以达到统一的协同车辆、道路以及环境的大范围网联群体协同决策等问题,通过构建云控基础平台与实时计算网络,以实现全局全域协同下的不同等级的智能网联车辆与智能交通设备的运行优化,提高了行车安全与交通效率。
本申请第三方面实施例提供一种电子设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被设置为用于执行如上述实施例所述的基于车路云接口实现的全域协同感知与决策方法。
本申请第四方面实施例提供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,以用于实现如上述实施例所述的基于车路云接口实现的全域协同感知与决策方法。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为相关技术中的智能网联汽车技术结构示意图;
图2为根据本申请一个实施例提供的人-车-路-云信息交互示意图;
图3为根据本申请一个实施例提供的云控基础平抬三级云功能结构示意图;
图4为根据本申请实施例提供的一种基于车路云接口实现的全域协同感知与决策方法的流程图;
图5为根据本申请一个实施例提供的边缘云组成模块示意图;
图6为根据本申请一个实施例提供的区域云组成模块示意图;
图7为根据本申请一个实施例提供的中心云组成模块示意图;
图8为根据本申请实施例的基于车路云接口实现的全域协同感知与决策装置的方框示意图;
图9为申请实施例提供的车辆的结构示意图。
具体实施方式
下面详细描述本申请的实施例,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,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于车路云接口实现的全域协同感知与决策方法、装置。
在介绍本申请实施例的基于车路云接口实现的全域协同感知与决策方法之前,首先介绍一下构建云控基础平台的基本原理与重要意义。
具体而言,构建云控基础平台,需要从系统协同的角度重构车辆、交通基础设施、通信技术、计算服务等智能网联汽车产业核心领域之间的技术链与价值链,形成以车路业务实时融合计算为主要技术特征,以数据安全开放、可靠共享为主要价值特征的整体系统架构,从而打通智能汽车和智能交通两大领域,促进智能网联汽车与交通系统的协同发展,并最终提升道路交通的综合性能。
其中,在道路方面,结合5G技术,推动道路智能化设备、智能汽车、交通管理系统实现信息互联互通;在网络方面,建立重点地区、路段车用无线通信网络,以提供可靠无线通信服务;在时空服务方面,推进高精度时空基准服务,建立道路交通中心信息服务系统。在云控基础平台之上,如图2所示,建立一种“人-车-路-云”协同控制决策方案,从而促进智能汽车产业的发展。
本申请实施例所采用的云控基础平台由边缘云、区域云以及中心云三级云组成,形成逻辑协同、物理分散的云计算中心。如图3所示,上级云与下级云之间为一对多的调控模式,并且随着系统等级的上升,各级云服务的实时性逐步降低,服务力度逐级增大。采用边缘云-区域云-中心云的三级架构构建云控基础平台,通过分级结构保障对网联式自动驾驶汽车、职能部门、产业链相关企业等三大类用户提供不同应用需求的支撑。其具体实现方式将在下述具体实施例进行详细说明。
进一步地,图4为本申请实施例所提供的一种基于车路云接口实现的全域协同感知与决策方法的流程示意图。
如图4所示,该基于车路云接口实现的全域协同感知与决策方法包括以下步骤:
在步骤S401中,获取车辆的行驶数据、路侧感知设备的感知数据和目标通信设备的感知数据。
进一步地,在一些实施例中,车辆的行驶数据包括车辆的状态数据和车辆的感知数据;路侧感知设备的感知数据包括路侧雷达和摄像头的感知数据;目标通信设备的感知数据包括实时气象数据、地图数据和网联交通设备数据。
进一步地,在一些实施例中,上述的基于车路云接口实现的全域协同感知与决策方法,还包括:将车辆的行驶数据、路侧感知设备的感知数据和目标通信设备的感知数据存储至目标存储设备和/或目标云端。
具体地,获取车辆的行驶数据、路侧感知设备的感知数据和目标通信设备的感知数据由边缘云控制完成。
具体而言,边缘云是云控基础平台中最接近车辆及道路等端侧的运行环境,主要面向网联汽车提供增强行车安全的实时性与弱实时性云控应用基础服务。从组成结构上,如图5所示,主要包括轻量级基础设施、虚拟化管理平台、边缘云接入网关、计算引擎和高速缓存模块、边缘云领域特定标准件模块和标准化分级共享接口模块等组成部分。
其中,边缘云组成模块的底层为轻量级云计算基础设施,如内存计算和网络接入资源,其上层为轻量级云虚拟化管理平台,以实现基础设施的虚拟化和有效管理。
边缘云接入网关模块,主要包括路–云网关、车–云网关和云–云网关,其中,路–云网关即路侧感知设备的感知数据,主要负责将路侧雷达和摄像头等路侧感知设备的初步感知数据接入边缘云;车–云网关即车辆的行驶数据,主要负责将车端可上传总线数据和车端感知数据接入边缘云;云–云网关即目标通信设备的感知数据,主要负责第三方平台接入融合感知所需的相关数据,如实时气象信息、高精度地图和交通信号信息等,并负责边缘云之间和边缘云与区域云之间的数据交互。
计算引擎和高速缓存模块,高速缓存用以实现对获取的车路动态信息进行缓存,并由计算引擎进行预处理完成基础计算,两者可以为实时性和弱实时性的云控应用提供底层数据缓存与处理。
边缘云领域特定标准件模块,其主要功能体现为一组领域特定标准件,通过道路交通预见性感知和决策建议等基础服务,用于支撑盲区与超视距危险预警、协同换道规划等云控应用功能建设。
标准化分级共享接口模块,实现多级云架构下的数据标准化转换,提升信息共享能力以支持远程驾驶、辅助驾驶和安全预警等云控应用的运行。
在步骤S402中,基于车辆的行驶数据、路侧感知设备的感知数据和目标通信设备的感知数据计算得到多个区域的实时性交通管控数据和/或非实时性交通管控数据。
进一步地,在一些实施例中,基于车辆的行驶数据、路侧感知设备的感知数据和目标通信设备的感知数据计算得到多个区域的实时性交通管控数据和/或非实时性交通管控数据,包括:利用第一数据分析模型对车辆的行驶数据、路侧感知设备的感知数据和目标通信设备的感知数据进行实时性交通管控数据和/或非实时性分析,得到最佳路径规划数据和区域路网实时态势感知数据;基于最佳路径规划数据和区域路网实时态势感知数据得到车辆编队行驶数据、道路监控预警数据、路径引导数据和路侧感知设备的远程控制数据;基于车辆编队行驶数据、道路监控预警数据、路径引导数据和路侧感知设备的远程控制数据生成多个区域的实时性和/或非实时性交通管控数据。
具体地,多个区域的实时性交通管控数据和/或非实时性交通管控数据通过区域云的控制完成。
具体而言,区域云是面向区域级交通监管与交通执法以及域内车辆等提供弱实时性或非实时性交通监管、执法等云控应用的基础服务,是多个边缘云的汇聚点,并面向网联汽车提供提升行车效率和节能性的弱实时性服务运行准实时类协同应用。从组成结构上,如图6所示,主要包括云环境基础设施、云虚拟化管理平台、区域云接入网关模块、计算引擎和存储分析引擎模块、区域云领域特定标准件模块和标准化分级共享接口模块等组成部分。
其中,区域云组成模块的底层为云环境基础设施,如计算、存储和网络资源,其上层为云虚拟化管理平台,以实现基础设施的虚拟化和有效管理。
区域云接入网关模块,主要包括路–云网关、车–云网关和云–云网关。其中,路–云网关和车–云网关的作用与边缘云相同,在此不做详细赘述;云–云网关主要负责所需第三方平台相关信息,如实时气象信息、交通管控信息等的接入,并负责区域云之间和区域云与边缘云、中心云之间的数据交互。
计算引擎和存储分析引擎模块,存储分析模块用以实现对边缘云缓存数据和必要的路侧监控视频数据进行存储,利用存储分析相关模型和计算引擎可以支撑平台弱实时性和非实时性共性服务的分析与处理。
区域云领域特定标准件模块,区域云主要功能体现为一组领域特定标准件,通过协同决策与控制和路网动态管控等基础服务,用于支撑云端最佳路径规划和区域路网实时态势感知等云控应用功能建设。
标准化分级共享接口模块,与边缘云类似,包括标准化数据交互规范和分级共享接口,支持车辆编队行驶、道路监控预警、路径引导和路侧设施远程控制等广域范围云控应用的运行。
在步骤S403中,基于车辆的行驶数据、路侧感知设备的感知数据、目标通信设备的感知数据和多个区域的实时性交通管控数据和/或非实时性交通管控数据生成云协同决策策略,并且基于云协同决策策略生成网联交通设备和车辆的协同控制指令,发送协同控制指令至网联交通设备和/或车辆。
进一步地,在一些实施例中,基于车辆的行驶数据、路侧感知设备的感知数据、目标通信设备的感知数据和多个区域的实时性交通管控数据和/或非实时性交通管控数据生成云协同决策策略,包括:利用第二数据分析模型对车辆的行驶数据、路侧感知设备的感知数据、目标通信设备的感知数据和多个区域的实时性交通管控数据和/或非实时性交通管控数据进行计算,得到全局道路交通态势感知数据、道路交通规划设计评估数据、驾驶行为与交通事故分析数据、车辆故障分析和车险动态定价分析数据;根据全局道路交通态势感知数据、道路交通规划设计评估数据、驾驶行为与交通事故分析数据、车辆故障分析和车险动态定价分析数据生成云协同决策策略。
具体地,基于车辆的行驶数据、路侧感知设备的感知数据、目标通信设备的感知数据和多个区域的实时性交通管控数据和/或非实时性交通管控数据生成云协同决策策略,由中心云负责完成。
具体而言,中心云面向交通决策部门、车辆设计与生产企业、交通相关企业及科研单位,基于多个区域云数据的汇聚,为其提供多维度宏观交通数据分析的基础数据与数据增值服务,运行准实时与非实时类协同应用。从组成结构上,如图7所示,主要包括云环境基础设施、云虚拟化管理平台、中心云接入网关模块、计算引擎和大数据存储与大数据分析引擎模块、中心云领域特定标准件模块和标准化分级共享接口模块等组成部分。
其中,中心云的基础设施和虚拟化管理平台模块,在逻辑结构上与区域云相同,但物理规模上根据区域范围有所不同。
中心云接入网关模块,主要包括路–云网关、车–云网关和云–云网关。其中,路–云网关和车–云网关的作用与边缘云相同,云–云网关负责中心云之间和中心云与区域云之间的数据交互。
计算引擎和大数据存储与大数据分析引擎模块,大数据存储基于所连接区域云的交通历史数据,实现多维度基础数据汇总,并由计算引擎进行大数据分析与处理,实现面向领域的、全局的数据价值提升。
中心云领域特定标准件模块,其主要功能体现为领域大数据分析标准件,用于支撑智能网联汽车和智能交通领域大数据价值提升等云控应用功能建设。
标准化分级共享接口模块与边缘云和区域云类似,包括标准化数据交互规范和分级共享接口,支持全局道路交通态势感知、道路交通规划设计评估、驾驶行为与交通事故分析、车辆故障分析和车险动态定价分析等全局范围云控应用的运行。
综上,通过上述具体实施例的分析,本申请实施例采用的云控基础平台是以车辆、道路、环境等的实时动态为核心,并通过构建车路云全域一体化的实时闭环数据链路与实时计算网络,形成车路协同感知下行车与交通环境实时精细数字映射,并结合支撑云控应用的已有交通相关系统与设施的数据,形成一个基础平台底座并辐射丰富的多元应用场景的模式,并基于不同应用场景提供差异化的产业共性服务;以支撑网联式自动驾驶、智能交通管理、智慧出行、公共安全等应用,它有机的融合了路侧智能系统、高性能通信网络等子系统,针对智能网联汽车与智能交通进行协同优化,是构建产业生态重要基础。其主要优点可以概括为:
(1)提供智能网联驾驶云服务、智能网联数据标准化互联互通服务、基于四维时空的大数据计算服务、动态交互场景库服务、体系化应用开发与测试环境等五大服务,并在智慧城市的基础设施、自动驾驶协同感知、交通等领域得到应用。
(2)利用协同感知、云端决策与网联交通设施控制,实现交通设施控制与车辆控制协同,增强智能网联驾驶服务的能力、降低交通事故伤亡几率,减少交通拥堵时间,提升交通效率。
根据本申请实施例的基于车路云接口实现的全域协同感知与决策方法,通过获取车辆的行驶数据、路侧感知设备的感知数据和目标通信设备的感知数据,并基于上述数据计算得到多个区域的实时性交通管控数据和/或非实时性交通管控数据,共同生成云协同决策策略,并且基于云协同决策策略生成网联交通设备和车辆的协同控制指令,发送协同控制指令至网联交通设备和/或车辆。由此,解决了在复杂环境下难以达到统一的协同车辆、道路以及环境的大范围网联群体协同决策等问题,通过构建云控基础平台与实时计算网络,以实现全局全域协同下的不同等级的智能网联车辆与智能交通设备的运行优化,提高了行车安全与交通效率。
其次参照附图描述根据本申请实施例提出的基于车路云接口实现的全域协同感知与决策装置。
图8是本申请实施例的基于车路云接口实现的全域协同感知与决策装置的方框示意图。
如图8所示,该基于车路云接口实现的全域协同感知与决策装置10包括:获取模块100、计算模块200和生成模块300。
其中,获取模块100用于获取车辆的行驶数据、路侧感知设备的感知数据和目标通信设备的感知数据;
计算模块200用于基于车辆的行驶数据、路侧感知设备的感知数据和目标通信设备的感知数据计算得到多个区域的实时性交通管控数据和/或非实时性交通管控数据;以及
生成模块300用于基于车辆的行驶数据、路侧感知设备的感知数据、目标通信设备的感知数据和多个区域的实时性交通管控数据和/或非实时性交通管控数据生成云协同决策策略,并且基于云协同决策策略生成网联交通设备和车辆的协同控制指令,发送协同控制指令至网联交通设备和/或车辆。
进一步地,在一些实施例中,计算模块200,具体用于:
利用第一数据分析模型对车辆的行驶数据、路侧感知设备的感知数据和目标通信设备的感知数据进行实时性交通管控数据和/或非实时性分析,得到最佳路径规划数据和区域路网实时态势感知数据;
基于最佳路径规划数据和区域路网实时态势感知数据得到车辆编队行驶数据、道路监控预警数据、路径引导数据和路侧感知设备的远程控制数据;
基于车辆编队行驶数据、道路监控预警数据、路径引导数据和路侧感知设备的远程控制数据生成多个区域的实时性和/或非实时性交通管控数据。
进一步地,在一些实施例中,生成模块300,具体用于:
利用第二数据分析模型对车辆的行驶数据、路侧感知设备的感知数据、目标通信设备的感知数据和多个区域的实时性交通管控数据和/或非实时性交通管控数据进行计算,得到全局道路交通态势感知数据、道路交通规划设计评估数据、驾驶行为与交通事故分析数据、车辆故障分析和车险动态定价分析数据;
根据全局道路交通态势感知数据、道路交通规划设计评估数据、驾驶行为与交通事故分析数据、车辆故障分析和车险动态定价分析数据生成云协同决策策略。
进一步地,在一些实施例中,上述的基于车路云接口实现的全域协同感知与决策装置10,还包括:
将车辆的行驶数据、路侧感知设备的感知数据和目标通信设备的感知数据存储至目标存储设备和/或目标云端。
进一步地,在一些实施例中,车辆的行驶数据包括车辆的状态数据和车辆的感知数据;路侧感知设备的感知数据包括路侧雷达和摄像头的感知数据;目标通信设备的感知数据包括实时气象数据、地图数据和网联交通设备数据。
根据本申请实施例的基于车路云接口实现的全域协同感知与决策装置,通过获取车辆的行驶数据、路侧感知设备的感知数据和目标通信设备的感知数据,并基于上述数据计算得到多个区域的实时性交通管控数据和/或非实时性交通管控数据,共同生成云协同决策策略,并且基于云协同决策策略生成网联交通设备和车辆的协同控制指令,发送协同控制指令至网联交通设备和/或车辆。由此,解决了在复杂环境下难以达到统一的协同车辆、道路以及环境的大范围网联群体协同决策等问题,通过构建云控基础平台与实时计算网络,以实现全局全域协同下的不同等级的智能网联车辆与智能交通设备的运行优化,提高了行车安全与交通效率。
图9为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括:
存储器901、处理器902及存储在存储器901上并可在处理器902上运行的计算机程序。
处理器902执行程序时实现上述实施例中提供的基于车路云接口实现的全域协同感知与决策方法。
进一步地,电子设备还包括:
通信接口903,用于存储器901和处理器902之间的通信。
存储器901,用于存放可在处理器902上运行的计算机程序。
存储器901可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器901、处理器902和通信接口903独立实现,则通信接口903、存储器901和处理器902可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器901、处理器902及通信接口903,集成在一块芯片上实现,则存储器901、处理器902及通信接口903可以通过内部接口完成相互间的通信。
处理器902可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
本申请实施例实施例还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如上的基于车路云接口实现的全域协同感知与决策方法。
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申请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必须针对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一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,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至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
Claims (10)
1.一种基于车路云接口实现的全域协同感知与决策方法,其特征在于,包括以下步骤:
获取车辆的行驶数据、路侧感知设备的感知数据和目标通信设备的感知数据;
基于所述车辆的行驶数据、所述路侧感知设备的感知数据和所述目标通信设备的感知数据计算得到多个区域的实时性交通管控数据和/或非实时性交通管控数据;以及
基于所述车辆的行驶数据、所述路侧感知设备的感知数据、所述目标通信设备的感知数据和所述多个区域的实时性交通管控数据和/或非实时性交通管控数据生成云协同决策策略,并且基于所述云协同决策策略生成网联交通设备和所述车辆的协同控制指令,发送所述协同控制指令至所述网联交通设备和/或所述车辆。
2.根据权利要求1所述的方法,其特征在于,所述基于所述车辆的行驶数据、所述路侧感知设备的感知数据和所述目标通信设备的感知数据计算得到多个区域的实时性交通管控数据和/或非实时性交通管控数据,包括:
利用第一数据分析模型对所述车辆的行驶数据、所述路侧感知设备的感知数据和所述目标通信设备的感知数据进行实时性交通管控数据和/或非实时性分析,得到最佳路径规划数据和区域路网实时态势感知数据;
基于所述最佳路径规划数据和所述区域路网实时态势感知数据得到车辆编队行驶数据、道路监控预警数据、路径引导数据和路侧感知设备的远程控制数据;
基于所述车辆编队行驶数据、所述道路监控预警数据、路径引导数据和所述路侧感知设备的远程控制数据生成所述多个区域的实时性和/或非实时性交通管控数据。
3.根据权利要求2所述的方法,其特征在于,所述基于所述车辆的行驶数据、所述路侧感知设备的感知数据、所述目标通信设备的感知数据和所述多个区域的实时性交通管控数据和/或非实时性交通管控数据生成云协同决策策略,包括:
利用第二数据分析模型对所述车辆的行驶数据、所述路侧感知设备的感知数据、所述目标通信设备的感知数据和所述多个区域的实时性交通管控数据和/或非实时性交通管控数据进行计算,得到全局道路交通态势感知数据、道路交通规划设计评估数据、驾驶行为与交通事故分析数据、车辆故障分析和车险动态定价分析数据;
根据所述全局道路交通态势感知数据、所述道路交通规划设计评估数据、所述驾驶行为与交通事故分析数据、所述车辆故障分析和车险动态定价分析数据生成所述云协同决策策略。
4.根据权利要3所述的方法,其特征在于,还包括:
将所述车辆的行驶数据、所述路侧感知设备的感知数据和所述目标通信设备的感知数据存储至目标存储设备和/或目标云端。
5.根据权利要1-4任一项所述的方法,其特征在于,所述车辆的行驶数据包括所述车辆的状态数据和所述车辆的感知数据;所述路侧感知设备的感知数据包括路侧雷达和摄像头的感知数据;所述目标通信设备的感知数据包括实时气象数据、地图数据和网联交通设备数据。
6.一种基于车路云接口实现的全域协同感知与决策装置,其特征在于,包括:
获取模块,用于获取车辆的行驶数据、路侧感知设备的感知数据和目标通信设备的感知数据;
计算模块,用于基于所述车辆的行驶数据、所述路侧感知设备的感知数据和所述目标通信设备的感知数据计算得到多个区域的实时性交通管控数据和/或非实时性交通管控数据;以及
生成模块,用于基于所述车辆的行驶数据、所述路侧感知设备的感知数据、所述目标通信设备的感知数据和所述多个区域的实时性交通管控数据和/或非实时性交通管控数据生成云协同决策策略,并且基于所述云协同决策策略生成网联交通设备和所述车辆的协同控制指令,发送所述协同控制指令至所述网联交通设备和/或所述车辆。
7.根据权利要求6所述的装置,其特征在于,所述计算模块,具体用于:
利用第一数据分析模型对所述车辆的行驶数据、所述路侧感知设备的感知数据和所述目标通信设备的感知数据进行实时性交通管控数据和/或非实时性分析,得到最佳路径规划数据和区域路网实时态势感知数据;
基于所述最佳路径规划数据和所述区域路网实时态势感知数据得到车辆编队行驶数据、道路监控预警数据、路径引导数据和路侧感知设备的远程控制数据;
基于所述车辆编队行驶数据、所述道路监控预警数据、路径引导数据和所述路侧感知设备的远程控制数据生成所述多个区域的实时性和/或非实时性交通管控数据。
8.根据权利要求7所述的装置,其特征在于,所述生成模块,具体用于:
利用第二数据分析模型对所述车辆的行驶数据、所述路侧感知设备的感知数据、所述目标通信设备的感知数据和所述多个区域的实时性交通管控数据和/或非实时性交通管控数据进行计算,得到全局道路交通态势感知数据、道路交通规划设计评估数据、驾驶行为与交通事故分析数据、车辆故障分析和车险动态定价分析数据;
根据所述全局道路交通态势感知数据、所述道路交通规划设计评估数据、所述驾驶行为与交通事故分析数据、所述车辆故障分析和车险动态定价分析数据生成所述云协同决策策略。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如权利要求1-5任一项所述的基于车路云接口实现的全域协同感知与决策方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以用于实现如权利要求1-5任一项所述的基于车路云接口实现的全域协同感知与决策方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210571313.7A CN115116216A (zh) | 2022-05-24 | 2022-05-24 | 基于车路云接口实现的全域协同感知与决策方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210571313.7A CN115116216A (zh) | 2022-05-24 | 2022-05-24 | 基于车路云接口实现的全域协同感知与决策方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115116216A true CN115116216A (zh) | 2022-09-27 |
Family
ID=83326115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210571313.7A Pending CN115116216A (zh) | 2022-05-24 | 2022-05-24 | 基于车路云接口实现的全域协同感知与决策方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115116216A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115909725A (zh) * | 2022-11-01 | 2023-04-04 | 西部科学城智能网联汽车创新中心(重庆)有限公司 | 基于车路协同的事故处理方法及装置 |
CN117275232A (zh) * | 2023-09-28 | 2023-12-22 | 广东省电信规划设计院有限公司 | 基于车路协同的动态感知方法及装置 |
CN117727183A (zh) * | 2024-02-18 | 2024-03-19 | 南京淼瀛科技有限公司 | 结合车路协同的自动驾驶安全预警方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109714730A (zh) * | 2019-02-01 | 2019-05-03 | 清华大学 | 用于车车及车路协同的云控平台系统及协同系统和方法 |
CN113581211A (zh) * | 2021-08-30 | 2021-11-02 | 深圳清航智行科技有限公司 | 一种车辆行驶控制方法、系统、装置及可读存储介质 |
-
2022
- 2022-05-24 CN CN202210571313.7A patent/CN115116216A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109714730A (zh) * | 2019-02-01 | 2019-05-03 | 清华大学 | 用于车车及车路协同的云控平台系统及协同系统和方法 |
CN113581211A (zh) * | 2021-08-30 | 2021-11-02 | 深圳清航智行科技有限公司 | 一种车辆行驶控制方法、系统、装置及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
李克强等: "智能网联汽车云控系统原理及其典型应用", 汽车安全与节能学报, vol. 01, no. 03, 15 September 2020 (2020-09-15), pages 261 - 275 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115909725A (zh) * | 2022-11-01 | 2023-04-04 | 西部科学城智能网联汽车创新中心(重庆)有限公司 | 基于车路协同的事故处理方法及装置 |
CN115909725B (zh) * | 2022-11-01 | 2023-09-15 | 西部科学城智能网联汽车创新中心(重庆)有限公司 | 基于车路协同的事故处理方法及装置 |
CN117275232A (zh) * | 2023-09-28 | 2023-12-22 | 广东省电信规划设计院有限公司 | 基于车路协同的动态感知方法及装置 |
CN117275232B (zh) * | 2023-09-28 | 2024-05-31 | 广东省电信规划设计院有限公司 | 基于车路协同的动态感知方法及装置 |
CN117727183A (zh) * | 2024-02-18 | 2024-03-19 | 南京淼瀛科技有限公司 | 结合车路协同的自动驾驶安全预警方法及系统 |
CN117727183B (zh) * | 2024-02-18 | 2024-05-17 | 南京淼瀛科技有限公司 | 结合车路协同的自动驾驶安全预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115116216A (zh) | 基于车路云接口实现的全域协同感知与决策方法、装置 | |
CN111127931B (zh) | 一种智能网联汽车的车路云协同方法、装置及系统 | |
CN109927709B (zh) | 一种车辆行驶路线工况确定方法、能量管理方法及系统 | |
CN111371904A (zh) | 云边端协同的高速公路云控系统及控制方法 | |
CN112249034B (zh) | 一种汽车大脑系统及车辆驾驶控制方法 | |
Fotouhi et al. | A review on the applications of driving data and traffic information for vehicles׳ energy conservation | |
CN109360416A (zh) | 道路交通预测方法及服务器 | |
Gao et al. | Hardware and software architecture of intelligent vehicles and road verification in typical traffic scenarios | |
CN115063978B (zh) | 一种基于数字孪生的公交到站时间预测方法 | |
CN107395757B (zh) | 基于acp方法和社会物理信息系统的平行车联网系统 | |
Hao et al. | Connected Eco-approach and Departure System for Diesel Trucks | |
CN112258850A (zh) | 一种车路协同系统边缘侧多传感器数据融合系统 | |
Cai et al. | Task-efficiency oriented V2X communications: Digital twin meets mobile edge computing | |
Choudhary et al. | Novel algorithm for leader election process in virtual traffic light protocol | |
Liu et al. | Evaluation of the cost of intelligent upgrades of transportation infrastructure for intelligent connected vehicles | |
Su et al. | Assessing the technological trajectory of 5G-V2X autonomous driving inventions: Use of patent analysis | |
Ou et al. | Optimal connectivity-based deployment of roadside units for vehicular networks in urban areas | |
CN115909716A (zh) | 基于网联云控平台的交通路口调度系统、方法及设备 | |
CN115047840A (zh) | 一种信号机硬件在环仿真测试系统及方法 | |
CN112669604A (zh) | 城市交通调度方法及装置 | |
CN115116215A (zh) | 动态云接管系统的构建方法、装置、设备及介质 | |
Song et al. | State-of-the-art and development trends of energy management strategies for intelligent and connected new energy vehicles: a review | |
Miyata | Digital transformation of automobile and mobility service | |
CN113401145B (zh) | 一种车辆驾驶控制方法及系统 | |
CN114724414A (zh) | 城市空中交通分担率的确定方法、装置、电子设备及介质 |
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 |