CN115188195A - 一种城市全向交叉口的车辆轨迹实时提取方法和系统 - Google Patents
一种城市全向交叉口的车辆轨迹实时提取方法和系统 Download PDFInfo
- Publication number
- CN115188195A CN115188195A CN202210859797.5A CN202210859797A CN115188195A CN 115188195 A CN115188195 A CN 115188195A CN 202210859797 A CN202210859797 A CN 202210859797A CN 115188195 A CN115188195 A CN 115188195A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- track data
- track
- vehicle track
- 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 30
- 230000008447 perception Effects 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000013500 data storage Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims 1
- 230000004927 fusion Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000009434 installation Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000013075 data extraction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 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
-
- 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
-
- 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
- G08G1/01—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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种基于多三维激光雷达的城市全向交叉口的车辆轨迹实时提取方法,其包括:获取多个数据采集单元感知区域内的车辆轨迹数据;其中,多个数据采集单元感知区域覆盖城市全向交叉口区域;将各感知区域内车辆轨迹数据中的车辆位置信息转换到同一坐标系中、并判断重叠区域;将重叠区域的车辆轨迹数据划分为完备雷达轨迹数据和不完备雷达轨迹数据:并根据各车辆轨迹数据的轨迹特征,对不完备雷达轨迹数据进行融合;根据重叠区域内完整雷达轨迹数据和除重叠区外的车辆轨迹数据、或重叠区域内融合后的车辆轨迹数据和除重叠区外的车辆轨迹数据,实时确定城市全向交叉口完整的车辆轨迹数据。本发明能够对复杂大型交叉口全向车辆轨迹提供稳定,可靠的解决方案。
Description
技术领域
本发明涉及智能交通感知技术领域,特别涉及一种基于多三维激光雷达的城市全向交叉口的车辆轨迹实时提取方法和系统。
背景技术
城市交叉口是城市路网中的关键节点,交叉口通常连接三条以上的城市道路,承担着车辆通行及转向的任务。由于交叉口交通参与量众多,不同进口道往往存在左转,直行,右转等需求,且由于车辆之间的行为的变异性较大等因素,交叉口事故时有发生,难以被有效的根治。针对交叉口的运行风险问题,聚焦了大量的研究,而交叉口车辆采集的工作则是必要的基础。
现有的研究对交叉口的数据获取往往通过交通摄像头,这种方法往往只能获取二维信息,以及受光照,能见度影响比较大;同时相机镜头存在畸变等情况,获取的数据不仅需要经过大量的处理,并且还存在一些难以修正的数据质量问题;另外,交通摄像头无法对城市道路交叉口各个方向进行同步的交通数据提取。
为了完整的获取交叉口的全向的数据,一些相对可靠的方法也被提取,如使用无人机技术进行俯拍,借助人工智能技术提取交叉口的车辆轨迹数据的使用越来越广泛。但无人机往往存在拍摄过程容易转动,抖动等问题,给后期的交叉口数据提取带来大量噪声,同时也存在续航不足等问题。虽然在高处架设摄像头可以解决这些干扰的问题,但依然难以避免相机本身带来的前述问题。
近年来,激光雷达等设备车辆运动感知的技术逐渐成熟,在一些城市交叉口的研究中已经有一定的应用。现在已经有较多的单雷达对雷达本身的探测区域内的车辆感知的专利和研究等成果,受限于感知范围,城市道路交叉口难以使用单个激光雷达进行覆盖。而目前也有一些通过多雷达联合进行工作的先例,但并没有实现真正的将探测区域进行融合形成对交叉口的全区域覆盖,无法解决现在研究对于高质量、大范围交叉口的轨迹数据的需求。
发明内容
基于此,有必要针对上述技术问题,提供一种基于多三维激光雷达的城市全向交叉口的车辆轨迹实时提取方法和系统。
本发明实施例提供一种基于多三维激光雷达的城市全向交叉口的车辆轨迹实时提取方法,包括:
获取多个数据采集单元感知区域内的车辆轨迹数据;其中,多个数据采集单元感知区域覆盖城市全向交叉口区域;
将各感知区域内车辆轨迹数据中的车辆位置信息转换到同一坐标系中;并根据同一坐标系下的车辆轨迹数据,判断重叠区域;
依据车辆轨迹数据是否能由单个数据采集单元中的激光雷达完整感知,将重叠区域的车辆轨迹数据划分为完备雷达轨迹数据和不完备雷达轨迹数据:并根据各车辆轨迹数据的轨迹特征,对不完备雷达轨迹数据进行融合;
根据重叠区域内完整雷达轨迹数据和除重叠区外的车辆轨迹数据、或重叠区域内融合后的车辆轨迹数据和除重叠区外的车辆轨迹数据,实时确定城市全向交叉口完整的车辆轨迹数据。
进一步地,所述获取多个数据采集单元感知区域内的车辆轨迹数据,包括:
通过每个数据采集单元中的激光雷达,获取对应感知区域内的点云数据;
通过每个数据采集单元中的边缘计算单元,从对应感知区域内的点云数据中提取各个时刻的车辆位置数据。
进一步地,所述将各感知区域内车辆轨迹数据中的车辆位置信息转换到同一坐标系中,包括:
通过每个数据采集单元中的边缘计算单元,从对应感知区域内的点云数据中提取道路特征属性数据;
通过每个数据采集单元中的边缘计算单元,从对应感知区域内的点云数据中提取道车辆几何外形数据;
服务器根据道路特征属性数据,确定道路坐标系;根据车辆几何外形数据和车辆轨迹数据,确定车辆坐标系;及将各车辆坐标系下车辆轨迹数据中的车辆位置信息转换到道路坐标系中。
进一步地,
所述点云数据包括:车辆、路面、行人、非机动车、道路边缘、电线杆;
所述车辆轨迹数据包括:车辆形心位置、车辆转角、车辆速度;
所述车辆几何外形数据包括:车长、车宽。
进一步地,所述根据同一坐标系下的车辆轨迹数据,判断重叠区域,包括:
对齐同一坐标系下的车辆轨迹数据的时间戳;
在同一坐标系下,确定车辆轨迹数据重复区域的边界。
进一步地,所述不完备雷达轨迹数据,包括:
检测到了车辆轨迹数据,但单个激光雷达不能检测到完整的车辆轨迹;
完整感知到了车辆轨迹数据,但由于转弯半径过大,存在一部分的车辆轨迹数据被另一激光雷达检测到;
由包括反射、噪声的不稳定因素引起的轨迹片段。
进一步地,所述根据各车辆轨迹数据的轨迹特征,对不完备雷达轨迹数据进行融合,包括:
对于所有不完备雷达轨迹数据,当轨迹长度小于20个点时,则删除不完备雷达轨迹数据;
对于剩余不完备雷达轨迹数据,将时间戳<0.1s,距离<1m的时间点认为一个点,依据车辆中心点以及转角,对两台激光雷达的车辆轨迹数据进行融合,则车辆轨迹匹配成功。
进一步地,所述根据各车辆轨迹数据的轨迹特征,对不完备雷达轨迹数据进行融合,还包括:
对于无法匹配成功的车辆轨迹,当重叠段存在雷达感知误差时,通过对原有的运动趋势进行轨迹预测;
将预测的车辆轨迹数据与后半段时间戳待匹配的车辆轨迹数据进行匹配,当满足时间戳<0.1s,距离<1m时,则属于预测类型的完备雷达轨迹数据。
本发明实施例还提供一种城市全向交叉口的车辆轨迹实时提取系统,包括:依次电连接的多个数据采集单元、服务器和客户端;
所述数据采集单元,用于获取感知区域内的车辆轨迹数据;其中,多个数据采集单元感知区域覆盖城市全向交叉口区域;
所述服务器,
用于将各感知区域内车辆轨迹数据中的车辆位置信息转换到同一坐标系中;并根据同一坐标系下的车辆轨迹数据,判断重叠区域;
用于依据车辆轨迹数据是否能由单个数据采集单元中的激光雷达完整感知,将重叠区域的车辆轨迹数据划分为完备雷达轨迹数据和不完备雷达轨迹数据:并根据各车辆轨迹数据的轨迹特征,对不完备雷达轨迹数据进行融合;
用于根据重叠区域内完整雷达轨迹数据和除重叠区外的车辆轨迹数据、或重叠区域内融合后的车辆轨迹数据和除重叠区外的车辆轨迹数据,实时确定城市全向交叉口完整的车辆轨迹数据;
所述客户端,用于接收服务器处理后的车辆轨迹数据并显示。
进一步地,
所述数据采集单元包括:激光雷达和边缘计算单元,所述激光雷达和所述边缘计算单元电连接;
所述服务器包括:数据储存单元和数据分析单元,所述数据储存单元和数据分析单元电连接。
本发明实施例提供的上述基于多三维激光雷达的城市全向交叉口的车辆轨迹实时提取方法和系统,与现有技术相比,其有益效果如下:
(1)本发明采用多台激光雷达功能并联的工作方式,同时对城市大型交叉口的不同区域进行数据采集,通过各自对盲区的感知区域补充的方式,并在服务器后端进行数据的实时融合,从而达到对大型城市道路的全范围实时的轨迹数据的提取,同时自身的并联工作方式,使得本发明的系统和方法具有更好的拓展性,使得复杂的五路交通等大型路口也能采取本发明的解决方案。
(2)本发明中的激光雷达固定在路侧,如电线杆,信号灯柱等路侧设施上,从而不容易发生抖动,更好的适应露天的各种干扰条件,尽可能避免了如重载车辆驶过引起震动,风,安装松动等对激光雷达的位置晃动,从而导致测量误差较大,系统失效等问题。激光雷达受环境影响相对无人机,摄像头更小,同时不存在相机自身畸变等问题的影响,使得本发明中的数据采集不仅质量较高,数据采集的稳定性也较高。
附图说明
图1为一个实施例中提供的一种基于多三维激光雷达的城市全向交叉口的车辆轨迹实时提取系统结构示意图;
图2为一个实施例中提供的一种基于多三维激光雷达的城市全向交叉口的车辆轨迹实时提取方法流程示意图;
图3为一个实施例中提供的设备安装示意图;
图4为一个实施例中提供的两种雷达数据融合重叠区示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示数据采集单元中,通过边缘计算单元将激光雷达采集到的点云数据,分析计算得到单个雷达所能采集到的车辆轨迹数据,以及路口特征点数据。服务器单元接收到不同的轨迹数据存储在数据存储单元中,以及将路口特征点数据也进行存储,通过路口特征点数据标定激光雷达自身位置,将轨迹数据在服务器单元转换为同一坐标系内,再对缺失区域和重复区域数据进行处理,最终由服务器端输出城市交叉口全区域的轨迹数据到客户端。
即,该系统包括由激光雷达和边缘计算单元连接组成的数据采集单元并联后,依次连接服务器单元和客户端单元,服务器单元包含数据储存单元和数据分析单元。数据采集单元分布于城市交叉口不同的位置(安装于城市交叉口的道路边缘外),用于检测车辆的几何属性和轨迹信息,以及路面等特殊标志物的几何信息。服务器单元对根据存储的数据,对数据采集单元进行位置标定,统一轨迹坐标,在重叠段进行完备轨迹和非完备轨迹判断并融合,最终输出到客户端。与现有技术相比,本发明能够对复杂交叉口全向车辆轨迹提供稳定,可靠的解决方案。具体地:
数据采集单元,为边缘计算单元依据激光雷达检测的点云数据分析得到车辆的轨迹数据、外形数据和交叉口道路的几何特征数据;数据采集单元包含可拓展个数的并联的数据采集单元连接。不同数据采集单元由城市交叉口现场点位进行选取,各自完成数据采集工作。
数据储存单元用于储存部分的前述数据,并以及数据分析单元进行处理,以分析得到轨迹重叠区,进行轨迹的融合的判断和执行;数据储存模块,包含的具体数据为车辆轨迹数据,车辆几何外形数据,以及道路特征属性数据。
客户端单元用于接收服务器单元处理后的轨迹数据,外形数据。
将上述系统运用到实际,具体的轨迹数据提取方法如图2所示。具体的安装场景如图3所示。包含以下步骤:
S1、激光雷达采集区域内的点云数据,边缘计算单元提取特征属性数据。
S2、边缘计算单元依据目标点云数据,分析感知区域内各个时刻的高精度车辆位置数据和几何外形数据。
S3、将所有的感知区域内车辆的位置换算到到统一坐标系,判断重叠区域。
S4、判断激光雷达重叠区域,将雷达完整的轨迹数据筛选出,将不完整雷达轨迹进行拼接,对存在信号中断的数据进行数据预测补充。
S5、得到完整轨迹数据和车辆属性数据并输出。
上述步骤是S1~S5的具体说明如下:
S1、激光雷达采集交叉口区域内的点云数据,边缘计算单元提取交叉口的特征属性数据。
单个数据采集单元中,具体交叉口区域内的点云数据,包含,车辆,行人,路面,非机动车,道路设施,电线杆,建筑等。
S2、边缘计算单元依据目标点云数据,分析感知区域内各个时刻的高精度车辆位置数据和几何外形数据。
具体表现对所有的感知到的点云中,提取其中所述获取的车辆运动轨迹包含有不同时刻车辆的中心点坐标,转角,车长,车宽。其中,通过边缘计算单元提取其中车辆的位置以及几何信息,包含,车辆长宽,形心位置,速度,转角等数据。
进一步的,边缘计算单元提取交叉口内其他设施的位置。如电线杆,标线等设施位置。其中,交叉口内其他设施的位置,需要现场踏勘,或者获得该交叉口技术资料获取。
S3、将所有的感知区域内车辆的位置换算到到统一坐标系,判断重叠区域。
依据坐标转换关系,将单雷达坐标系的车辆坐标,转换为道路坐标系。其中转换的是车辆中心点,转角坐标,车长,车宽无需转换。边缘计算单元提取交叉口特征数据表现在通过识别路缘带道路等交叉口几何属性的物体,从而确定自身位置。也即,确定道路坐标系与雷达坐标系的转换关系。其中校准的过程是将不同雷达的不同的局部坐标系,转换到统一定以后的道路坐标系统。
具体的,依据单个激光雷达所能检测到的车辆轨迹,识别清晰轮廓的坐标范围与另外的激光雷达的检测车辆轨迹识别清晰的轮廓范围选取。
S31、在服务器单元将单个数据采集单元,依据感知到的道路特征,进行坐标转换,将所采集的车辆轨迹数据中的位置信息进行转换。其他的数据,车辆的长宽,进行聚类后存储,速度和转角信息均以原数据保存。
S32、进一步的,对齐两个激光雷达的时间戳,并通过统一转换后的轨迹数据判断重复区域的边界。
S4、依据轨迹是否能由单雷达完整感知划分两类,对不完整的雷达轨迹进行拼接。
对齐两者时间戳,参考雷达安装点位,以及所检测同一时间的车辆轨迹,(类似于毫米波雷达的数据融合)对重叠区域进行判断,对时间戳<0.1s,距离<1m的时间点认为是一个点,依据车辆中心点以及转角两台雷达的数据进行合并,去除重复数据。
S41、在服务器单元本实施例中,激光雷达所检测到的轨迹(在不考虑掉头)的情况下,可以大致分为两种,对不同的雷达为对称相同。对这两类轨迹类型进行分析,从而完成轨迹的初步筛选工作。还有,可以将交叉口的激光雷达依据进口道路位置分类若干类别。不同类别存在对称。筛选其中需要融合的轨迹数据。
具体的,两种轨迹类型,从无需融合就可以由单一雷达感知完成的角度而言,分为右转完备轨迹,和左转完备轨迹。对右转完备轨迹而言,这种情况下的轨迹中的直行和左转是需要进行融合的。反之,在左转完备轨迹类型下,右转和直行是需要进行融合的。
S42、依据轨迹是否为单个激光雷达完整检测,分为完备和非完备类型,对其统一标记为1,此外的轨迹标记为0。对标记为0的轨迹需要进行拼接判断。对完备的轨迹类型,标记为1,对单一雷达而言,这类轨迹的特征在本实施例中为东进南出,以及南进东出。额外的,一般而言掉头车辆也标记为1,因为其一般不会超过单一雷达的感知范围。此外的轨迹标记为0。
S43、对标记为0的轨迹,在本实施例中包含三类,其一为,检测到的车辆,但是单个雷达并不能检测完整的轨迹,这是本系统和方法重点需要解决的问题。其二为,在另一激光雷达中,能够完整感知的车辆轨迹,但是由于转弯半径过大,存在一部分的轨迹被另一雷达检测到。这部分数据也应该剔除,其三为,由于反射,以及可能的噪声等其他不稳定因素引起的轨迹片段。
S44、对所有的轨迹标记为0的轨迹片段,如轨迹长度小于20个点(激光雷达车辆位置点的频率为0.05s一个位置)则进行删除。对轨迹标记为1的轨迹片段,对轨迹标记为0的片段进行筛查,如果相同时间点出现片段轨迹,也进行删除。
S45、对剩余标记为0的轨迹进行判断,对标记为0的轨迹假如在重复段,对时间戳<0.1s,位置差异<1m的轨迹认为是匹配成功的轨迹。对于重叠区域,处处满足上述条件的,认为轨迹完全匹配完毕。将完整轨迹输出,并标记11,认为其为匹配的完整轨迹。
S46、对于无法匹配成功的轨迹,通常为重叠段存在雷达感知误差,需要通过对原有的运动趋势进行轨迹预测,从而将预测的雷达轨迹与后半段时间戳的待匹配的数据进行匹配,满足S45中的条件,则认为属于预测类型的完备轨迹。标记为111。
S5、得到完整轨迹数据和车辆属性数据并输出,服务器端对上述全部的轨迹数据进行实时输出。其中应该包括,车辆几何聚类信息,车辆的形心位置信息,以及车辆的转角信息,以及轨迹的状态信息。
综上所述,本发明提供了一套完备的城市道路交叉口的全向感知系统和方法,充分利用了激光点云数据得到高精度的车辆信息和轨迹数据,同时还提供了所获得的轨迹数据的属性,也即其融合方式,为后续的科研和其他上层算法和设备的设计和研发提供了良好的接口。同时本发明,能够一定程度上的解决传统的交叉口数据提取设备的不完整,持续性差,稳定度低,数据质量较低,依赖于大量的后期处理等等弊端。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种城市全向交叉口的车辆轨迹实时提取方法,其特征在于,包括:
获取多个数据采集单元感知区域内的车辆轨迹数据;其中,多个数据采集单元感知区域覆盖城市全向交叉口区域;
将各感知区域内车辆轨迹数据中的车辆位置信息转换到同一坐标系中;并根据同一坐标系下的车辆轨迹数据,判断重叠区域;
依据车辆轨迹数据是否能由单个数据采集单元中的激光雷达完整感知,将重叠区域的车辆轨迹数据划分为完备雷达轨迹数据和不完备雷达轨迹数据:并根据各车辆轨迹数据的轨迹特征,对不完备雷达轨迹数据进行融合;
根据重叠区域内完整雷达轨迹数据和除重叠区外的车辆轨迹数据、或重叠区域内融合后的车辆轨迹数据和除重叠区外的车辆轨迹数据,实时确定城市全向交叉口完整的车辆轨迹数据。
2.如权利要求1所述的城市全向交叉口的车辆轨迹实时提取方法,其特征在于,所述获取多个数据采集单元感知区域内的车辆轨迹数据,包括:
通过每个数据采集单元中的激光雷达,获取对应感知区域内的点云数据;
通过每个数据采集单元中的边缘计算单元,从对应感知区域内的点云数据中提取各个时刻的车辆位置数据。
3.如权利要求2所述的城市全向交叉口的车辆轨迹实时提取方法,其特征在于,所述将各感知区域内车辆轨迹数据中的车辆位置信息转换到同一坐标系中,包括:
通过每个数据采集单元中的边缘计算单元,从对应感知区域内的点云数据中提取道路特征属性数据;
通过每个数据采集单元中的边缘计算单元,从对应感知区域内的点云数据中提取道车辆几何外形数据;
服务器根据道路特征属性数据,确定道路坐标系;根据车辆几何外形数据和车辆轨迹数据,确定车辆坐标系;及将各车辆坐标系下车辆轨迹数据中的车辆位置信息转换到道路坐标系中。
4.如权利要求3所述的城市全向交叉口的车辆轨迹实时提取方法,其特征在于,
所述点云数据包括:车辆、路面、行人、非机动车、道路边缘、电线杆;
所述车辆轨迹数据包括:车辆形心位置、车辆转角、车辆速度;
所述车辆几何外形数据包括:车长、车宽。
5.如权利要求1所述的城市全向交叉口的车辆轨迹实时提取方法,其特征在于,所述根据同一坐标系下的车辆轨迹数据,判断重叠区域,包括:
对齐同一坐标系下的车辆轨迹数据的时间戳;
在同一坐标系下,确定车辆轨迹数据重复区域的边界。
6.如权利要求1所述的城市全向交叉口的车辆轨迹实时提取方法,其特征在于,所述不完备雷达轨迹数据,包括:
检测到了车辆轨迹数据,但单个激光雷达不能检测到完整的车辆轨迹;
完整感知到了车辆轨迹数据,但由于转弯半径过大,存在一部分的车辆轨迹数据被另一激光雷达检测到;
由包括反射、噪声的不稳定因素引起的轨迹片段。
7.如权利要求1所述的城市全向交叉口的车辆轨迹实时提取方法,其特征在于,所述根据各车辆轨迹数据的轨迹特征,对不完备雷达轨迹数据进行融合,包括:
对于所有不完备雷达轨迹数据,当轨迹长度小于20个点时,则删除不完备雷达轨迹数据;
对于剩余不完备雷达轨迹数据,将时间戳<0.1s,距离<1m的时间点认为一个点,依据车辆中心点以及转角,对两台激光雷达的车辆轨迹数据进行融合,则车辆轨迹匹配成功。
8.如权利要求7所述的城市全向交叉口的车辆轨迹实时提取方法,其特征在于,所述根据各车辆轨迹数据的轨迹特征,对不完备雷达轨迹数据进行融合,还包括:
对于无法匹配成功的车辆轨迹,当重叠段存在雷达感知误差时,通过对原有的运动趋势进行轨迹预测;
将预测的车辆轨迹数据与后半段时间戳待匹配的车辆轨迹数据进行匹配,当满足时间戳<0.1s,距离<1m时,则属于预测类型的完备雷达轨迹数据。
9.一种城市全向交叉口的车辆轨迹实时提取系统,其特征在于,包括:依次电连接的多个数据采集单元、服务器和客户端;
所述数据采集单元,用于获取感知区域内的车辆轨迹数据;其中,多个数据采集单元感知区域覆盖城市全向交叉口区域;
所述服务器,
用于将各感知区域内车辆轨迹数据中的车辆位置信息转换到同一坐标系中;并根据同一坐标系下的车辆轨迹数据,判断重叠区域;
用于依据车辆轨迹数据是否能由单个数据采集单元中的激光雷达完整感知,将重叠区域的车辆轨迹数据划分为完备雷达轨迹数据和不完备雷达轨迹数据:并根据各车辆轨迹数据的轨迹特征,对不完备雷达轨迹数据进行融合;
用于根据重叠区域内完整雷达轨迹数据和除重叠区外的车辆轨迹数据、或重叠区域内融合后的车辆轨迹数据和除重叠区外的车辆轨迹数据,实时确定城市全向交叉口完整的车辆轨迹数据;
所述客户端,用于接收服务器处理后的车辆轨迹数据并显示。
10.如权利要求9所述的城市全向交叉口的车辆轨迹实时提取方法,其特征在于,
所述数据采集单元包括:激光雷达和边缘计算单元,所述激光雷达和所述边缘计算单元电连接;
所述服务器包括:数据储存单元和数据分析单元,所述数据储存单元和数据分析单元电连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210859797.5A CN115188195A (zh) | 2022-07-21 | 2022-07-21 | 一种城市全向交叉口的车辆轨迹实时提取方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210859797.5A CN115188195A (zh) | 2022-07-21 | 2022-07-21 | 一种城市全向交叉口的车辆轨迹实时提取方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115188195A true CN115188195A (zh) | 2022-10-14 |
Family
ID=83519396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210859797.5A Pending CN115188195A (zh) | 2022-07-21 | 2022-07-21 | 一种城市全向交叉口的车辆轨迹实时提取方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115188195A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115900697A (zh) * | 2022-10-28 | 2023-04-04 | 北京百度网讯科技有限公司 | 对象运动轨迹信息处理方法、电子设备以及自动驾驶车辆 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108417087A (zh) * | 2018-02-27 | 2018-08-17 | 浙江吉利汽车研究院有限公司 | 一种车辆安全通行系统及方法 |
US20200116866A1 (en) * | 2018-10-11 | 2020-04-16 | Baidu Usa Llc | Automatic lidar calibration based on cross validation for autonomous driving |
CN111540201A (zh) * | 2020-04-23 | 2020-08-14 | 山东大学 | 基于路侧激光雷达的车辆排队长度实时估计方法及系统 |
CN113419244A (zh) * | 2021-05-28 | 2021-09-21 | 同济大学 | 一种基于毫米波雷达数据的车辆轨迹拼接方法 |
US20210383686A1 (en) * | 2020-06-05 | 2021-12-09 | Denso International America, Inc. | Roadside computing system for predicting road user trajectory and assessing travel risk |
CN114091561A (zh) * | 2020-08-05 | 2022-02-25 | 北京万集科技股份有限公司 | 目标跟踪方法、装置、服务器和可读存储介质 |
CN114463984A (zh) * | 2022-03-02 | 2022-05-10 | 智道网联科技(北京)有限公司 | 车辆轨迹显示方法及相关设备 |
-
2022
- 2022-07-21 CN CN202210859797.5A patent/CN115188195A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108417087A (zh) * | 2018-02-27 | 2018-08-17 | 浙江吉利汽车研究院有限公司 | 一种车辆安全通行系统及方法 |
US20200116866A1 (en) * | 2018-10-11 | 2020-04-16 | Baidu Usa Llc | Automatic lidar calibration based on cross validation for autonomous driving |
CN111540201A (zh) * | 2020-04-23 | 2020-08-14 | 山东大学 | 基于路侧激光雷达的车辆排队长度实时估计方法及系统 |
US20210383686A1 (en) * | 2020-06-05 | 2021-12-09 | Denso International America, Inc. | Roadside computing system for predicting road user trajectory and assessing travel risk |
CN114091561A (zh) * | 2020-08-05 | 2022-02-25 | 北京万集科技股份有限公司 | 目标跟踪方法、装置、服务器和可读存储介质 |
CN113419244A (zh) * | 2021-05-28 | 2021-09-21 | 同济大学 | 一种基于毫米波雷达数据的车辆轨迹拼接方法 |
CN114463984A (zh) * | 2022-03-02 | 2022-05-10 | 智道网联科技(北京)有限公司 | 车辆轨迹显示方法及相关设备 |
Non-Patent Citations (3)
Title |
---|
H.ZHAO ETAL.: "Joint Tracking and Classification of Moving Objects at Intersection Using a Single-Row Laser Range Scanner", 2006 IEEE INTELLIGENT TRANSPORTATION SYSTEMS CONFERENCE * |
张森银等: "基于广域雷达数据的交叉口微观仿真研究", 浙江师范大学学报(自然科学版), vol. 45, no. 2 * |
沙杰;赵卉菁;崔锦实;查红彬;: "基于分布式激光扫描仪的交叉路口交通数据采集与分析", 公路交通科技, no. 1 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115900697A (zh) * | 2022-10-28 | 2023-04-04 | 北京百度网讯科技有限公司 | 对象运动轨迹信息处理方法、电子设备以及自动驾驶车辆 |
CN115900697B (zh) * | 2022-10-28 | 2024-03-29 | 北京百度网讯科技有限公司 | 对象运动轨迹信息处理方法、电子设备以及自动驾驶车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Dair-v2x: A large-scale dataset for vehicle-infrastructure cooperative 3d object detection | |
CN109059954B (zh) | 支持高精度地图车道线实时融合更新的方法和系统 | |
CN112789619B (zh) | 一种仿真场景的构建方法、仿真方法以及设备 | |
CN112069856A (zh) | 地图生成方法、驾驶控制方法、装置、电子设备及系统 | |
CN112380312B (zh) | 基于栅格检测的激光地图更新方法、终端及计算机设备 | |
CN114862901A (zh) | 一种露天矿山的路端多源传感器融合目标感知方法和系统 | |
CN113887376A (zh) | 目标检测方法、装置、介质及设备 | |
CN117576652B (zh) | 道路对象的识别方法、装置和存储介质及电子设备 | |
CN114252884A (zh) | 路侧雷达定位监测方法、装置、计算机设备和存储介质 | |
CN114639085A (zh) | 交通信号灯识别方法、装置、计算机设备和存储介质 | |
CN114494618A (zh) | 地图的生成方法、装置、电子设备及存储介质 | |
CN115188195A (zh) | 一种城市全向交叉口的车辆轨迹实时提取方法和系统 | |
CN114252883B (zh) | 目标检测方法、装置、计算机设备和介质 | |
CN116958316B (zh) | 拓扑图生成方法、装置、计算机设备及存储介质 | |
CN114252859A (zh) | 目标区域的确定方法、装置、计算机设备和存储介质 | |
CN113465608B (zh) | 一种路侧传感器标定方法及系统 | |
CN116105712A (zh) | 道路地图的生成方法、回注方法、计算机设备及介质 | |
CN114782496A (zh) | 一种对象的跟踪方法、装置、存储介质及电子装置 | |
CN114252868A (zh) | 激光雷达的标定方法、装置、计算机设备和存储介质 | |
CN114255264B (zh) | 多基站配准方法、装置、计算机设备和存储介质 | |
CN116363623B (zh) | 基于毫米波雷达与视觉融合的车辆检测方法 | |
CN117612127B (zh) | 场景生成方法、装置和存储介质及电子设备 | |
CN114216469B (zh) | 一种对高精地图进行更新的方法、智慧基站及存储介质 | |
CN112784707B (zh) | 一种信息融合方法、装置、一体化检测设备及存储介质 | |
Yu et al. | LiDAR target fusion and algorithm detection based on improved YOLO |
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 |