CN115223361A - 一种车路协同系统中路侧传感器的布设优化方法 - Google Patents
一种车路协同系统中路侧传感器的布设优化方法 Download PDFInfo
- Publication number
- CN115223361A CN115223361A CN202210706514.3A CN202210706514A CN115223361A CN 115223361 A CN115223361 A CN 115223361A CN 202210706514 A CN202210706514 A CN 202210706514A CN 115223361 A CN115223361 A CN 115223361A
- Authority
- CN
- China
- Prior art keywords
- sensor
- vehicle
- roadside
- layout
- road
- 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
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
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种车路协同系统中路侧传感器的布设优化方法,包括:定义三维空间路侧传感器遮挡度模型;搭建微观交通仿真模型;将三维空间路侧传感器遮挡度模型与微观交通仿真模型结合进行仿真实验;从仿真实验中提取出车辆检测与跟踪数据,以确定路侧传感器性能评价指标,建立传感器性能回归模型;以目标路段路侧传感器性能评价指标作为约束条件,以传感器网络成本最低作为目标函数,通过求解布设优化模型,确定出最优的路侧传感器部署方案。与现有技术相比,本发明充分考虑交通流中动态的车辆间随机遮挡特性,并考虑交通流状态与传感器配置对路侧感知系统性能的影响,能够准确可靠地对路侧传感器进行布设优化,同时有效降低路侧感知系统部署成本。
Description
技术领域
本发明涉及交通信息分析处理技术领域,尤其是涉及一种车路协同系统中路侧传感器的布设优化方法。
背景技术
近年来,车路协同系统已经成为自动驾驶和智能交通系统领域的一个热门研究课题,车路协同系统的目的是将自动驾驶车辆和基础设施结合起来,从而提供安全、高效、绿色的交通服务。智能驾驶车辆一般通过车载传感器探测和识别周围环境,考虑到车载传感器安装高度以及视角的有限性,在周围交通参与者或其他障碍物的阻挡下其感知范围是有限的,而增加路侧传感则可以有效扩展车辆的感知范围,实现更大的感知视野和更远的视距。随着自动驾驶车辆的发展和商业应用,为车路协同系统配置智能路侧感知设备以补充车辆的感知盲区,已经成为当前的发展趋势。
路侧感知系统中常用的传感器有相机、毫米波雷达和激光雷达,由于以上传感器均具有特定的工作方向,因此被称为定向传感器。定向传感器网络的覆盖范围不仅与传感器的探测半径有关,而且与视角、工作方向有关。而路侧传感器的布设方案会影响其在车辆检测、跟踪和定位方面的效果,对于定向传感器来说,车辆之间不可避免地会发生物理遮挡,遮挡现象会影响传感器在车辆识别与跟踪的性能。这种遮挡现象是动态和随机的,随着交通状况以及不同的传感器布设方案的变化而变化。因此,研究遮挡现象和交通状况以及传感器布设方案之间的关系是十分必要的,能够为后期进行路侧传感器的布设提供参考信息,高效的路侧传感器部署方案能够有效提升路侧感知系统的性能。
过往对于路侧定向传感器布设优化的研究,通常使用二元传感模型,主要认为物体落在传感器视野内就可以被传感器识别,这类模型没有考虑目标之间的遮挡现象,尽管使用概率的方式可以描述动态障碍物对传感器目标检测的影响,然而特定路段的交通状况通常具有固定的特征与周期性,也就很难通过实际交通采集到足够量的数据,以进行路侧感知系统在不同交通状态下的性能分析。
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车路协同系统中路侧传感器的布设优化方法,通过构建三维目标之间动态遮挡关系模型以及路侧感知系统性能回归模型,能够对路侧感知系统中传感器网络进行布设优化。
本发明的目的可以通过以下技术方案来实现:一种车路协同系统中路侧传感器的布设优化方法,包括以下步骤:
S1、考虑交通流中车辆动态随机遮挡特性,定义三维空间路侧传感器遮挡度模型;
S2、通过设置交通流车辆构成、交通流宏观状态参数、路侧感知单元数据以及对不同传感器进行时空对准,搭建微观交通仿真模型;
将三维空间路侧传感器遮挡度模型与微观交通仿真模型相结合,进行仿真实验;
S3、从仿真实验中提取出车辆检测与跟踪数据,以确定路侧传感器性能评价指标,建立传感器性能回归模型;
S4、基于传感器性能回归模型,以目标路段路侧传感器性能评价指标作为约束条件,以传感器网络成本最低作为目标函数,得到布设优化模型,通过求解布设优化模型,确定出最优的路侧传感器部署方案。
在搭建微观交通仿真模型时,其中,路侧感知系统传感器能够识别并跟踪视野内不受遮挡的车辆目标,并设置交通流车辆构成、交通流宏观状态参数;设置路侧感知单元数据包括但不限于采样时间、目标定位坐标、目标检测框;此外,在不同传感器之间进行时间与空间坐标系对准。
进一步地,所述步骤S1中定义三维空间路侧传感器遮挡度模型的具体过程为:
S11、构建路侧定向传感器模型以及车辆模型,并确定车辆是否进入传感器视野的判别方法,具体的,路侧定向传感器定义为si(xsi,ysi,hsi,rsi,αsi,dirsi),其中,(xsi,ysi,hsi)为传感器si的位置,rsi为传感器视野的半径,αsi为传感器视角,dirsi为传感器的方向;
判别车辆是否进入传感器视野时,首先计算车辆距离传感器最近的点与传感器点位的距离:
再计算两点连线与传感器方向向量的夹角:
之后判断车辆vn是否落在传感器si视野中的指示函数表示为:
S13、计算车辆在传感器视野内的遮挡度,具体的,当目标车辆vm进入到其他车辆vn产生的盲区时,目标车辆在当前传感器视野中的遮挡度定义为车辆进入盲区的部分与车辆所占据的空间在传感器成像平面上的投影的比值:
进一步地,所述步骤S2具体包括以下步骤:
S21、设置微观交通仿真参数,包括交通密度、车辆构成,以及设置传感器组合方案,所述传感器组合方案包括单点单向组合布设、单点双向组合布设;
S22、生成微观交通仿真车辆轨迹数据:
trn={trn(1),trn(2),...,trn(fk),...}
S23、将三维空间路侧传感器遮挡度模型嵌入到微观交通仿真模型中,仿真计算不同交通状态和传感器组合下车辆的动态遮挡发生规律。
进一步地,所述步骤S3中路侧传感器性能评价指标包括车辆检测缺失概率性能评价指标、平均目标丢失数量性能评价指标和车辆轨迹缺失比例性能评价指标。
进一步地,所述车辆检测缺失概率性能评价指标具体是通过以下过程确定得到:
考虑车辆之间的随机动态遮挡,计算路侧传感器捕获的每一帧中未识别车辆的平均百分比,以作为车辆检测缺失概率指标,车辆vm在第fk帧下的指标计算公式为:
其中,τ为识别算法正常工作的遮挡阈值;
由此计算出车辆检测缺失概率指标为:
其中,M为场景中的车辆数,N为场景中的传感器数量,Fm为最大帧数。
进一步地,所述平均目标丢失数量性能评价指标具体是通过以下过程确定得到:
计算传感器跟踪车辆时,将每单位行驶长度丢失目标的数量作为平均目标丢失数量指标,计算过程为:
进一步地,所述车辆轨迹缺失比例性能评价指标具体是通过以下过程确定得到:
计算传感器跟踪车辆时缺失轨迹长度占车辆行驶长度的比例,以作为车辆轨迹缺失比例性能评价指标,计算公式为:
进一步地,所述步骤S3具体是通过计算车辆检测缺失概率性能评价指标、平均目标丢失数量性能评价指标和车辆轨迹缺失比例性能评价指标,之后结合设置的微观交通仿真参数和传感器组合方案,建立路侧定向传感器性能回归模型。
进一步地,所述步骤S4具体包括以下步骤:
S41、对目标路段进行片段划分,获取不同片段对应的交通状态参数;
S42、确定目标路段路侧传感器性能评价指标,以作为约束条件;
S43、将传感器网络布设成本最低作为优化目标;
S44、根据步骤S42和S43确定的约束条件和优化目标,得到布设优化模型,通过求解布设优化模型,确定出最优的路侧传感器部署方案。
进一步地,所述步骤S41具体是根据目标路段传感器布设精度的要求,确定目标路段片段划分的粒度,使用前期交通调查或现有传感器获取不同片段的交通状态参数;
所述步骤S42中约束条件包括:
1、传感器的总体覆盖长度大于路段长度,表示为:
其中,wi为传感器si在道路上覆盖的范围,L为路段总长度,N为场景中的传感器数量;
2、所有路侧传感器的性能都满足给定的性能要求l0:
li(xi)≤l0,i∈1,…,N
xi=(di,wi,mi,ti,τ),i∈1,...,N
di=max{D(p),p∈[pi-1,pi]}
ti=max{T(p),p∈[pi-1,pi]}
其中,xi为传感器性能约束自变量,τ为识别算法正常工作的遮挡阈值,mi={1,2}分别为传感器单点单向组合布设、单点双向组合布设方案,di、ti分别为目标路段p∈[pi-1,pi]片段中的最大交通密度和最大重车比例,pi的计算公式为
其中,pi为传感器si所在目标路段的位置;
所述步骤S43中优化目标具体为:
min N
其中,N为传感器的总数,各传感器的单价相同。
与现有技术相比,本发明具有以下优点:
一、本发明充分考虑交通流中动态的车辆间随机遮挡特性,通过建立三维目标之间动态遮挡关系的模型,能够发现路侧感知系统性能与不同交通状态、传感器布设方案之间的关系,有利于后续可靠地对路侧传感器网络进行布设优化。
二、本发明基于微观交通仿真技术,能够模拟不同状态下的交通流状况,结合对路测传感器目标之间遮挡关系进行分析建模,能够获得不同交通状态下、不同传感器组合方案下的路侧感知系统性能,通过分析二者之间的关系,建立路侧感知系统性能回归模型,并将其作为约束条件对传感器网络布设方案进行优化,能够准确地获得最优部署方案。
三、本发明将交通流中动态的车辆间随机遮挡纳入到路侧传感器性能评估体系中,并考虑交通流状态与传感器配置对路侧感知系统性能的影响,以系统设备成本最低为优化目标,不仅能够满足不同交通场景下路侧传感器布设方案的优化工作,同时能够有效降低路侧感知系统部署成本。
附图说明
图1为本发明的方法流程示意图;
图2为考虑遮挡度的路侧传感器感知模型示意图;
图3为路侧传感器三维模型示意图;
图4a为路侧传感器点位单向布设方案示意图;
图4b为路侧传感器点位单向布设方案结果;
图5为实施例中的道路场景地图;
图6为实施例中路侧传感器方案布设优化结果。
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,一种车路协同系统中路侧传感器的布设优化方法,包括以下步骤:
S1、定义三维空间下考虑交通流中车辆动态随机遮挡的路侧传感器遮挡度模型;
S11、定义路侧定向传感器模型、定义车辆模型、建立车辆是否进入传感器视野的判别方法。路侧定向传感器定义为si(xsi,ysi,hsi,rsi,αsi,dirsi),其中(xsi,ysi,hsi)描述传感器si的位置,rsi表示传感器视野的半径,αsi表示传感器视角,dirsi表示传感器的方向。将车辆抽象为长方体,在世界坐标系中可以定义车辆vn的第k个顶点坐标为判别车辆是否进入传感器视野时,先计算车辆距离传感器最近的点与传感器点位的距离
再计算两点连线与传感器方向向量的夹角
之后判断车辆vn是否落在传感器si视野中的指示函数表示为
S13、计算车辆在传感器视野内的遮挡度。当目标车辆vm进入到其他车辆vn产生的盲区时,目标车辆在当前传感器视野中的遮挡度定义为车辆进入盲区的部分与车辆所占据的空间在传感器成像平面上的投影的比值
S2、将三维传感器遮挡度模型和微观交通仿真结合,研究不同交通条件、不同路侧传感器配置方案下车辆之间动态遮挡的发生规律;
S21、设定微观交通仿真参数包括交通密度、车辆构成,传感器组合方案包括单点单向组合布设、单点双向组合布设;
S23、传感器遮挡度模型嵌入到微观交通流仿真中,仿真计算不同交通状态和传感器组合下车辆的动态遮挡发生规律。
S3、从仿真实验中提取车辆检测与跟踪数据,构建路侧传感器性能评价指标,建立传感器性能回归模型;
S31、构建车辆检测缺失概率性能评估指标。考虑车辆之间的随机动态遮挡,计算路侧传感器捕获的每一帧中未识别车辆的平均百分比作为车辆检测缺失概率指标。车辆vm在第fk帧下的指标计算过程为
其中τ表示识别算法正常工作的遮挡阈值。
由此可以计算出车辆检测缺失概率指标为
其中M表示场景中的车辆数,N表示场景中的传感器数量,Fm表示最大帧数。
S32、构建平均目标丢失数量性能评估指标。计算传感器跟踪车辆时,每单位行驶长度丢失目标的数量,作为平均目标丢失数量指标,计算过程为
其中
表示车辆vn在帧f被传感器si检测到的指示函数,L表示路段总长度。
S33、构建车辆轨迹缺失比例性能评估指标。计算传感器跟踪车辆时缺失轨迹长度占车辆行驶长度的比例作为指标,计算过程为
其中
S34、建立多因素影响路侧定向传感器性能回归模型。分析仿真数据,分别计算上一步骤的评价指标,建立评价指标与仿真参数(包括交通密度、车辆构成)、传感器组合方案(包括单点单向组合布设、单点双向组合布设)的路侧定向传感器性能回归模型。
S4、以目标路段路侧传感器性能评估指标为约束条件,以传感器网络成本最低为目标函数,设计布设优化方法确定最终部署方案。
S41、对目标路段进行片段划分,获取不同片段交通状态参数。根据目标路段传感器布设精度的要求,确定路段片段划分的粒度。使用前期交通调查或现有传感器获取不同片段交通状态参数(包括交通密度、车辆构成等)。
S42、确定目标路段路侧传感器性能指标作为约束条件。确定布设优化方案以下几个约束条件。包括传感器的总体覆盖长度大于路段长度,表示为
其中wi表示传感器si在道路上覆盖的范围,L表示路段长度,N表示场景中的传感器数量。
此外需要满足所有路侧传感器的性能都满足给定的性能要求l0
li(xi)≤l0,i∈1,…,N
xi=(di,wi,mi,ti,τ),i∈1,...,N
di=max{D(p),p∈[pi-1,pi]}
ti=max{T(p),p∈[pi-1,pi]}
其中,xi为传感器性能约束自变量,τ为识别算法正常工作的遮挡阈值,mi={1,2}分别为传感器单点单向组合布设、单点双向组合布设方案,di、ti分别为目标路段p∈[pi-1,pi]片段中的最大交通密度和最大重车比例,pi的计算公式为:
其中,pi为传感器si所在目标路段的位置。
S43、将传感器网络布设成本最低作为优化目标。将传感器网络布设成本最低作为优化目标
min N
其中N表示传感器的总数,假设传感器的单价相同。
S44、求解布设优化模型,得到最优的路侧传感器布设方案。
本实施例基于沪宁高速无锡段部分路段作为案例研究场景(如图5所示),从无锡东立交桥附近开始至向南的硕放立交桥附近结束,全长17.7公里。采用SUMO微观交通仿真与三维传感器遮挡度模型进行结合的方式,建立路侧感知系统性能回归模型,并将其作为约束条件对传感器网络布设方案进行优化。
本实施例应用上述技术方案,其主要过程为:
步骤一、定义三维空间下考虑交通流中车辆动态随机遮挡的路侧定向传感器遮挡度分析模型;
步骤1.1、定义路侧定向传感器模型、定义车辆模型、建立车辆是否进入传感器视野的判别方法。如图2所示,路侧定向传感器可以定义为si(xsi,ysi,hsi,rsi,αsi,dirsi),其中(xsi,ysi,hsi)描述传感器si的位置,rsi表示传感器视野的半径,αsi表示传感器视角,dirsi表示传感器的方向。将车辆抽象为长方体,在世界坐标系中可以定义车辆vn的第k个顶点坐标为判别车辆是否进入传感器视野时,先计算车辆距离传感器最近的点与传感器点位的距离
再计算两点连线与传感器方向向量的夹角
之后判断车辆vn是否落在传感器si视野中的指示函数可以表示为
步骤1.3、计算车辆在传感器视野内的遮挡度。当目标车辆vm进入到其他车辆vk产生的盲区时,目标车辆在当前传感器视野中的遮挡度定义为车辆进入盲区的部分与车辆所占据的空间在传感器成像平面上的投影的比值:
步骤二、将三维传感器遮挡度模型和微观交通仿真结合,研究不同交通条件、不同路侧传感器配置方案下车辆之间动态遮挡的发生规律;
步骤2.1、设定微观交通仿真参数包括交通密度、车辆构成,传感器组合方案包括单点单向组合布设、单点双向组合布设;
步骤2.3、传感器遮挡度模型嵌入到微观交通流仿真中,仿真计算不同交通状态和传感器组合下车辆的动态遮挡发生规律。
步骤三、从仿真实验中提取车辆检测与跟踪数据,构建路侧传感器性能评价指标,建立传感器性能回归模型;
步骤3.1、构建车辆检测缺失概率性能评估指标。考虑车辆之间的随机动态遮挡,计算路侧传感器捕获的每一帧中未识别车辆的平均百分比作为车辆检测缺失概率指标。车辆vm在第fk帧下的指标计算过程为
其中τ表示识别算法正常工作的遮挡阈值。
由此可以计算出车辆检测缺失概率指标为
其中M表示场景中的车辆数,N表示场景中的传感器数量,Fm表示最大帧数。
步骤3.2、构建平均目标丢失数量性能评估指标。计算传感器跟踪车辆时,每单位行驶长度丢失目标的数量,作为平均目标丢失数量指标,计算过程为
其中
表示车辆vm在帧fk被传感器si检测到的指示函数,L表示路段总长度。
步骤3.3、构建车辆轨迹缺失比例性能评估指标。计算传感器跟踪车辆时缺失轨迹长度占车辆行驶长度的比例作为指标,计算过程为
其中
步骤3.4、建立多因素影响路侧定向传感器性能回归模型。分析仿真数据,分别计算上一步骤的评价指标,建立评价指标与仿真参数(包括交通密度、车辆构成)、传感器组合方案(包括单点单向组合布设、单点双向组合布设,分别如图4a和图4b所示)的路侧定向传感器性能回归模型。
步骤四、以目标路段路侧传感器性能评估指标为约束条件,以传感器网络成本最低为目标函数,设计布设优化方法确定最终部署方案。
步骤4.1、对目标路段进行片段划分,获取不同片段交通状态参数。根据目标路段传感器布设精度的要求,确定路段片段划分的粒度。使用前期交通调查或现有传感器获取不同片段交通状态参数(包括交通密度、车辆构成等)。
步骤4.2、确定目标路段路侧传感器性能指标作为约束条件。确定布设优化方案以下几个约束条件。包括传感器的总体覆盖长度大于路段长度,表示为
其中wi表示传感器si在道路上覆盖的范围,L表示路段长度,N表示场景中的传感器数量。
此外需要满足所有路侧传感器的性能都满足给定的性能要求l0
li(xi)≤l0,i∈1,…,N
xi=(di,wi,mi,ti,τ),i∈1,...,N
di=max{D(p),p∈[pi-1,pi]}
ti=max{T(p),p∈[pi-1,pi]}
其中,xi为传感器性能约束自变量,τ为识别算法正常工作的遮挡阈值,mi={1,2}分别为传感器单点单向组合布设、单点双向组合布设方案,di、ti分别为目标路段p∈[pi-1,pi]片段中的最大交通密度和最大重车比例,pi为传感器si所在目标路段的位置。
步骤4.3、将传感器网络布设成本最低作为优化目标。将传感器网络布设成本最低作为优化目标
min N
其中N表示传感器的总数,假设传感器的单价相同。
步骤4.4、求解布设优化模型,得到最优路侧传感器布设方案,在实际应用时还可根据实际工程情况人工微调布设方案。本实施例使用遗传算法进行对布设优化模型进行求解,过程如下表所示。
本实施例设置了三个指标,用来衡量布设方案的性能。Pmin表示最差的路段性能,Pavg表示平均路段性能,Pcov表示满足给定精度要求的路段长度占目标路段总体长度的比例。数值越大则表明布设方案越优,将本技术方案与传统的单向布设方案和双向布设方案进行比较,结果如图6所示,可知本技术方案提出的布设优化方法具有明显优势。
综上所述,本技术方案面向车路协同路侧感知系统的感知性能,提出一种车路协同系统的路侧传感器性能量化与布设优化方法,将三维空间下考虑交通流中车辆动态随机遮挡的路侧定向传感器遮挡度分析模型与微观交通仿真结合,研究不同交通条件、不同路侧传感器配置方案下车辆之间动态遮挡的发生规律;从仿真实验中提取车辆检测与跟踪数据,构建路侧传感器性能评价指标,建立传感器性能回归模型;以目标路段路侧传感器性能评估指标为约束条件,以传感器网络成本最低为目标函数,设计布设优化方法确定最终部署方案,不仅能够准确可靠地获得路侧传感器最优布设方案,满足不同交通场景下路侧感知系统传感器布设方案的优化工作,同时能够有效降低路侧感知基础设施中传感器网络的布设成本。
Claims (10)
1.一种车路协同系统中路侧传感器的布设优化方法,其特征在于,包括以下步骤:
S1、考虑交通流中车辆动态随机遮挡特性,定义三维空间路侧传感器遮挡度模型;
S2、通过设置交通流车辆构成、交通流宏观状态参数、路侧感知单元数据以及对不同传感器进行时空对准,搭建微观交通仿真模型;
将三维空间路侧传感器遮挡度模型与微观交通仿真模型相结合,进行仿真实验;
S3、从仿真实验中提取出车辆检测与跟踪数据,以确定路侧传感器性能评价指标,建立传感器性能回归模型;
S4、基于传感器性能回归模型,以目标路段路侧传感器性能评价指标作为约束条件,以传感器网络成本最低作为目标函数,得到布设优化模型,通过求解布设优化模型,确定出最优的路侧传感器部署方案。
2.根据权利要求1所述的一种车路协同系统中路侧传感器的布设优化方法,其特征在于,所述步骤S1中定义三维空间路侧传感器遮挡度模型的具体过程为:
S11、构建路侧定向传感器模型以及车辆模型,并确定车辆是否进入传感器视野的判别方法,具体的,路侧定向传感器定义为si(xsi,ysi,hsi,rsi,αsi,dirsi),其中,(xsi,ysi,hsi)为传感器si的位置,rsi为传感器视野的半径,αsi为传感器视角,dirsi为传感器的方向;
判别车辆是否进入传感器视野时,首先计算车辆距离传感器最近的点与传感器点位的距离:
再计算两点连线与传感器方向向量的夹角:
之后判断车辆vn是否落在传感器si视野中的指示函数表示为:
S13、计算车辆在传感器视野内的遮挡度,具体的,当目标车辆vm进入到其他车辆vn产生的盲区时,目标车辆在当前传感器视野中的遮挡度定义为车辆进入盲区的部分与车辆所占据的空间在传感器成像平面上的投影的比值:
4.根据权利要求1所述的一种车路协同系统中路侧传感器的布设优化方法,其特征在于,所述步骤S3中路侧传感器性能评价指标包括车辆检测缺失概率性能评价指标、平均目标丢失数量性能评价指标和车辆轨迹缺失比例性能评价指标。
8.根据权利要求4所述的一种车路协同系统中路侧传感器的布设优化方法,其特征在于,所述步骤S3具体是通过计算车辆检测缺失概率性能评价指标、平均目标丢失数量性能评价指标和车辆轨迹缺失比例性能评价指标,之后结合设置的微观交通仿真参数和传感器组合方案,建立路侧定向传感器性能回归模型。
9.根据权利要求1所述的一种车路协同系统中路侧传感器的布设优化方法,其特征在于,所述步骤S4具体包括以下步骤:
S41、对目标路段进行片段划分,获取不同片段对应的交通状态参数;
S42、确定目标路段路侧传感器性能评价指标,以作为约束条件;
S43、将传感器网络布设成本最低作为优化目标;
S44、根据步骤S42和S43确定的约束条件和优化目标,得到布设优化模型,通过求解布设优化模型,确定出最优的路侧传感器部署方案。
10.根据权利要求9所述的一种车路协同系统中路侧传感器的布设优化方法,其特征在于,所述步骤S41具体是根据目标路段传感器布设精度的要求,确定目标路段片段划分的粒度,使用前期交通调查或现有传感器获取不同片段的交通状态参数;
所述步骤S42中约束条件包括:
1、传感器的总体覆盖长度大于路段长度,表示为:
其中,wi为传感器si在道路上覆盖的范围,L为路段总长度,N为场景中的传感器数量;
2、所有路侧传感器的性能都满足给定的性能要求l0:
li(xi)≤l0,i∈1,…,N
xi=(di,wi,mi,ti,τ),i∈1,...,N
di=max{D(p),p∈[pi-1,pi]}
ti=max{T(p),p∈[pi-1,pi]}
其中,xi为传感器性能约束自变量,τ为识别算法正常工作的遮挡阈值,mi={1,2}分别为传感器单点单向组合布设、单点双向组合布设方案,di、ti分别为目标路段p∈[pi-1,pi]片段中的最大交通密度和最大重车比例,pi的计算公式为
其中,pi为传感器si所在目标路段的位置;
所述步骤S43中优化目标具体为:
min N
其中,N为传感器的总数,各传感器的单价相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210706514.3A CN115223361A (zh) | 2022-06-21 | 2022-06-21 | 一种车路协同系统中路侧传感器的布设优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210706514.3A CN115223361A (zh) | 2022-06-21 | 2022-06-21 | 一种车路协同系统中路侧传感器的布设优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115223361A true CN115223361A (zh) | 2022-10-21 |
Family
ID=83608820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210706514.3A Pending CN115223361A (zh) | 2022-06-21 | 2022-06-21 | 一种车路协同系统中路侧传感器的布设优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115223361A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116486612A (zh) * | 2023-04-21 | 2023-07-25 | 清华大学 | 基于车路云协同的混合交通队列稳定性评价方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160137206A1 (en) * | 2014-11-13 | 2016-05-19 | Nec Laboratories America, Inc. | Continuous Occlusion Models for Road Scene Understanding |
CN108010360A (zh) * | 2017-12-27 | 2018-05-08 | 中电海康集团有限公司 | 一种基于车路协同的自动驾驶环境感知系统 |
-
2022
- 2022-06-21 CN CN202210706514.3A patent/CN115223361A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160137206A1 (en) * | 2014-11-13 | 2016-05-19 | Nec Laboratories America, Inc. | Continuous Occlusion Models for Road Scene Understanding |
CN108010360A (zh) * | 2017-12-27 | 2018-05-08 | 中电海康集团有限公司 | 一种基于车路协同的自动驾驶环境感知系统 |
Non-Patent Citations (1)
Title |
---|
ZHAOCONG: "Quantifying the performance and optimizing the placement of roadside sensors for cooperative vehicle-infrustructure systems", pages 908 - 924 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116486612A (zh) * | 2023-04-21 | 2023-07-25 | 清华大学 | 基于车路云协同的混合交通队列稳定性评价方法及装置 |
CN116486612B (zh) * | 2023-04-21 | 2023-12-26 | 清华大学 | 基于车路云协同的混合交通队列稳定性评价方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103176185B (zh) | 用于检测道路障碍物的方法及系统 | |
WO2022206942A1 (zh) | 一种基于行车安全风险场的激光雷达点云动态分割及融合方法 | |
CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
CN106571046B (zh) | 基于路面网格体系的车路协同辅助驾驶方法 | |
CN112562405A (zh) | 一种雷达视频智能融合与预警方法及系统 | |
CN115032651A (zh) | 一种基于激光雷达与机器视觉融合的目标检测方法 | |
CN200990147Y (zh) | 基于多视点的智能视频交通监控系统 | |
CN108645375B (zh) | 一种用于车载双目系统快速车辆测距优化方法 | |
Zheng et al. | Background noise filtering and clustering with 3D LiDAR deployed in roadside of urban environments | |
CN113885046A (zh) | 针对低纹理车库的智能网联汽车激光雷达定位系统及方法 | |
CN111723778A (zh) | 基于MobileNet-SSD的车辆测距系统及方法 | |
KR101030317B1 (ko) | 스테레오 비전을 이용하여 장애물을 추적하는 장치 및 방법 | |
CN116699602A (zh) | 一种基于毫米波雷达和相机融合的目标检测系统及方法 | |
Steingrube et al. | Performance evaluation of stereo algorithms for automotive applications | |
CN115223361A (zh) | 一种车路协同系统中路侧传感器的布设优化方法 | |
Zhang et al. | Tracking multi-vehicles with reference points switches at the intersection using a roadside LiDAR sensor | |
CN115775378A (zh) | 一种基于多传感器融合的车路协同目标检测方法 | |
CN113029185A (zh) | 众包式高精度地图更新中道路标线变化检测方法及系统 | |
Fakhfakh et al. | Weighted v-disparity approach for obstacles localization in highway environments | |
CN117115752A (zh) | 一种高速公路视频监控方法及系统 | |
Shan et al. | Vehicle collision risk estimation based on RGB-D camera for urban road | |
KR102414877B1 (ko) | 정보 정확성 및 신뢰도를 높인 스마트 주차장 안내 시스템 | |
CN108932728A (zh) | 基于视觉监控的跟踪方法 | |
Yu et al. | MPP: A novel algorithm for estimating vehicle space headways from a single image | |
CN113128847A (zh) | 一种基于激光雷达的出入口匝道实时风险预警系统及方法 |
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 |