CN115359681A - 一种支持自动驾驶的路侧结构光摄像机的优化布设方法 - Google Patents

一种支持自动驾驶的路侧结构光摄像机的优化布设方法 Download PDF

Info

Publication number
CN115359681A
CN115359681A CN202210853033.5A CN202210853033A CN115359681A CN 115359681 A CN115359681 A CN 115359681A CN 202210853033 A CN202210853033 A CN 202210853033A CN 115359681 A CN115359681 A CN 115359681A
Authority
CN
China
Prior art keywords
vehicle
light camera
structured light
information
roadside
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
Application number
CN202210853033.5A
Other languages
English (en)
Inventor
杨昌俊
高廷红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou University
Original Assignee
Guizhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guizhou University filed Critical Guizhou University
Priority to CN202210853033.5A priority Critical patent/CN115359681A/zh
Publication of CN115359681A publication Critical patent/CN115359681A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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
    • 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
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Analytical Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Genetics & Genomics (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种支持自动驾驶的路侧结构光摄像机的优化布设方法，该方法主要包括以下步骤：步骤1，数据获取与处理；步骤2，建立目标函数；步骤3，通过随机优化算法求解结构光摄像机的最优位置。本发明通过对路侧结构光摄像机的布设位置及方位，能衡量由多个路侧结构光摄像机组成的路侧感知系统的感知性能评价指标，运用随机优化算法即可找到使得感知系统的感知指标最优的结构光摄像机布设位置；确保路段的感知精度与覆盖面积达到符合条件的水平，构建高准确性的数字孪生，对自动驾驶的安全运行具有很强的实践意义。

Description

一种支持自动驾驶的路侧结构光摄像机的优化布设方法
技术领域
本发明属于公路智能交通管理领域，特别涉及用于支持自动驾驶的结构光摄像机的布设方法。
背景技术
随着汽车行业的发展，自动驾驶技术越来越受到重视，出现了许多专利文献来对此进行布局，如专利申请201780063930.3公开的自动驾驶辅助装置(100) 搭载于利用动态地图数据进行自动驾驶的自动驾驶车(10)。动态地图存储部(141) 存储动态地图数据。利用条件存储部(142)存储设定了动态地图数据的利用条件的利用条件信息。判定部(120)基于存储于动态地图存储部(141)的动态地图数据与存储于利用条件存储部(142)的利用条件信息，判定可否进行自动驾驶车(10) 的自动驾驶。又如专利申请201811410033.8公开的一种全自动驾驶列车的出库方法、装置、系统和列车控制中心，该装置包括：生成运行计划表，并根据运行计划表生成上线车次表；确定待分配列车所属的车辆段；根据车辆段中列车信息生成列车信息表；车辆段中车辆状态为可用状态且行驶里程最少的列车为待分配列车；确定待分配列车的出库时间；发送唤醒指令给待分配列车，若唤醒成功，则为待分配列车分配对应的上线车次号；根据待分配列车的出库时间发送出库指令给待分配列车，使得待分配列车根据所述出库指令运行至对应的上线轨。
然而，由于自动驾驶技术尚未完全成熟，现阶段需要在路侧构建车路协同系统以在通信、感知、计算方面辅助自动驾驶。通过在道路上布设传感器，进而辅助自动驾驶车辆感知行驶环境，进而解决自动驾驶车辆在感知距离、感知精度等方面的限制，并减少感知盲区。构建数字孪生的路侧感知系统需要在毫秒级别时延情况下将所感知车辆的实时位置、速度信息等细颗粒度信息传输至自动驾驶车辆；结构光摄像机的的感知结果有较高的分辨率，是理想的构建数字孪生的路侧传感器。
支持自动驾驶的结构光摄像机感知系统需要达到较高的感知精度与覆盖面积，而结构光摄像机的布设方式是影响以上两种指标最关键的因素。
发明内容
为解决上述问题，本发明的首要目的在于提供一种构建数字孪生的路侧结构光摄像机的优化布设方法，该方法通过对路侧结构光摄像机的布设位置及方位，确保路段的感知精度与覆盖面积达到符合条件的水平，构建高准确性的数字孪生，对自动驾驶的安全运行具有很强的实践意义。
本发明的另一目的在于提供一种支持自动驾驶的路侧结构光摄像机的优化布设方法，该方法提出一种能衡量由多个路侧结构光摄像机组成的路侧感知系统的感知性能评价指标，并以该指标为依据，运用随机优化算法即可找到使得感知系统的感知指标最优的结构光摄像机布设位置。
为实现上述目的，本发明的技术方案如下。
一种支持自动驾驶的路侧结构光摄像机的优化布设方法，该方法包括以下步骤：
步骤1，数据获取与处理，
包括获取道路的物理信息，获取T时段路侧结构光摄像机输出信息和高精度轨迹信息，计算T时段结构光摄像机的感知误差；
步骤1.1，获取某段道路的物理信息；
具体信息包括道路的线型、类型、曲率、车道数量、车道宽度等基本信息；
步骤1.2，获取T时段路侧结构光摄像机输出信息和高精度轨迹信息；又包括有：
步骤1.2.1，获得T时段路侧结构光摄像机输出信息；
在道路L上，以工程师经验在路侧布设结构光摄像机，进而获得T时段结构光摄像机输出的轨迹信息。轨迹信息包括：轨迹采集时间t、车型S、车辆编号i(每辆车从进入道路L开始就会被赋予一个独有的感知编号，直到该车辆驶离道路L)、路侧结构光摄像机所感知的车辆位置pl。车型为sj、编号为i的车辆在t时刻的由路侧结构光摄像机输出位置信息由
Figure RE-GDA0003897772480000031
表示；路侧结构光摄像机打在轨迹为
Figure RE-GDA0003897772480000032
所对应的车辆上的结构特征的光线数量由
Figure RE-GDA0003897772480000033
表示。其中，T时段的交通流要有代表性，且要时长要足够长，如某天的8:00AM-19:00PM。
其中，“轨迹”指结构光摄像机输出的轨迹。得到结构特征的光线数量的方式有两种：
A.结构光摄像机的型号，布设位置，方位角和仰角；
B.车辆的位置，外形。
可直接计算出处于某位车辆上的点云数量。
步骤1.2.2，获取T时段高精度轨迹信息。
通过其它方式获取道路L在T时间段的高精度轨迹信息。高精度轨迹信息包括采集时间t，车型S，车辆编号i，真实车辆位置p。则车型为sj，编号为i 的车在t时刻的真实位置可由
Figure RE-GDA0003897772480000034
表示。
其它方式有：
方式一：高精度GPS。
方式二，航拍。
步骤1.3，计算T时段结构光摄像机的感知误差。
结构光摄像机的感知误差为
Figure RE-GDA0003897772480000035
获得方式如下式所示：
Figure RE-GDA0003897772480000036
其中，
Figure RE-GDA0003897772480000041
表示sj类车型的编号为i号车t时刻结构光摄像机感知位置与真实位置的差。
步骤2，建立目标函数；
步骤2.1，利用最小二乘法拟合出
Figure RE-GDA0003897772480000042
和
Figure RE-GDA0003897772480000043
的数学关系。设拟合出的关系如下公式所示：
Figure RE-GDA0003897772480000044
其中，
Figure RE-GDA0003897772480000045
是车型sj时间T内所有轨迹的误差，即
Figure RE-GDA0003897772480000046
Figure RE-GDA0003897772480000047
Figure RE-GDA0003897772480000048
是车型sj时间T内所有轨迹的点云数量，即
Figure RE-GDA0003897772480000049
Figure RE-GDA00038977724800000410
步骤2.2，建立车辆模型；
用M(p)表示以轨迹p建立的车辆模型。获得
Figure RE-GDA00038977724800000411
的车辆模型
Figure RE-GDA00038977724800000412
的具体做法是：在道路L中以
Figure RE-GDA00038977724800000413
的位置为中心，生成车型sj对应的车辆三维模型。
步骤2.3，构建目标函数；
目标函数如下式所示：
Figure RE-GDA00038977724800000414
其中，
Figure RE-GDA00038977724800000415
可以理解为是函数，为本步骤最小二乘法拟合出的数学关系，函数W(x)是计算结构光摄像机照射到三维模型x上的激光点数的函数。
步骤3，通过随机优化算法求解结构光摄像机的最优位置。
步骤3.1，随机优化算法信息输入；
输入可用的结构光摄像机物理参数信息、价格信息，可布设范围以及购置结构光摄像机的工程预算。
步骤3.2，运用随机优化算法求解目标函数的最优解及对应的传感器布设位置、方向角；
其中目标函数为：
Figure RE-GDA0003897772480000051
s.t.NC×C≤Cmax
s.t.L(xc,yc,zc)<0
其中，购置结构光摄像机的预算为Cmax，NC为各类结构光摄像机的个数向量， C为传感器的价格矩阵向量。
(xc,yc,zc,ψh,ψv)为随机优化算法的变量，其中ψh是传感器的方位角向量，ψh是传感器仰角向量，(xc,yc,zc)为传感器组的位置矩阵。
ψh和ψv的是两个变量是传感器方位角和仰角的向量，本文的会优化布设传感器的位置、方位角和仰角。即在定义了世界坐标之后，传感器的布设由位置(x，y，z)，以及方位角和仰角来确定。
举例：有两个传感器，则ψh＝(30°，25°)，ψv＝(15°，30°)。
传感器空间限制函数L(xc,yc,zc)用于检验传感器布设位置(xc,yc,zc)是否在可布设范围以内。若L(xc,yc,zc)小于0，则表示(xc,yc,zc)在布设范围以内。
步骤3.3，对比分析各组传感器组的目标函数，选出目标函数符合阈值且经济代价最小的传感器组，并输出对应的传感器布设方案。
本发明提出的路侧结构光摄像机优化布设方法共由三个步骤组成，其中，步骤1、2产生的数据将作为步骤3.1随机优化算法的输入数据。
本发明通过对路侧结构光摄像机的布设位置及方位，能衡量由多个路侧结构光摄像机组成的路侧感知系统的感知性能评价指标，并以该指标为依据，运用随机优化算法即可找到使得感知系统的感知指标最优的结构光摄像机布设位置；确保路段的感知精度与覆盖面积达到符合条件的水平，构建高准确性的数字孪生，对自动驾驶的安全运行具有很强的实践意义。
附图说明
图1是本发明所实现的流程图。
图2是本发明所实现的大型车-激光点与误差关系示意图。
图3是本发明所实现的轨迹点示意图。
图4是本发明所实现的车辆模型示意图。
图5是本发明所实现的可布设区域示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1所示，为本发明所实现的支持自动驾驶的路侧结构光摄像机的优化布设方法，该方法主要包括以下步骤：
步骤1，数据获取与处理；
步骤2，建立目标函数；
步骤3，通过随机优化算法求解结构光摄像机的最优位置。
下文将结合实例说明各个步骤的实施方式。
步骤1，数据获取与数据处理。
本具体实施例选定一条长300m的道路L作为需要布设路侧结构光摄像机的路段。
步骤1.1，获得了道路的线性、类型、车道数量等能用于重建道路物理模型的信息。
步骤1.2，获取某时段车辆的真实位置轨迹信息p，路侧结构光摄像机输出的车辆轨迹信息pl，以及车辆上的结构特征的光线数量w。假设有3种车型，设大型车为s1，中型车为s2，小型车为s3。
步骤1.3，计算结构光摄像机的感知误差
Figure RE-GDA0003897772480000071
Figure RE-GDA0003897772480000072
数据如表 1所示。
步骤2，构建目标函数。
步骤2.1，
Figure RE-GDA0003897772480000073
数据如表1所示。通过最小二乘法数据拟合，可以估计出两者之间的数学关系(大型车的
Figure RE-GDA0003897772480000074
与
Figure RE-GDA0003897772480000075
数学关系拟合示意图如图2所示)。
各车型
Figure RE-GDA0003897772480000076
与
Figure RE-GDA0003897772480000077
数学关系如式所示。
Figure RE-GDA0003897772480000078
Figure RE-GDA0003897772480000079
Figure RE-GDA00038977724800000710
步骤2.2，基于真实轨迹建立车辆模型M(p)
以大型车轨迹点
Figure RE-GDA00038977724800000711
和中型车轨迹点
Figure RE-GDA00038977724800000712
为例(如图3所示)，构建的车辆模型
Figure RE-GDA00038977724800000713
和
Figure RE-GDA00038977724800000714
(如图4所示)。
步骤3，传感器位置寻优。
步骤3.1，随机优化算法参数输入。
表1几种车型传感器布设方案
Figure RE-GDA0003897772480000081
Figure RE-GDA0003897772480000091
表1是t1-t8几种情况的传感器布设测试情况。假设：车辆位置的Y,Z坐标的数值都为0，且不再标出。因此本表只标注出X坐标的位置。
本案例提供了2种不同型号的结构光摄像机，其详细参数如表2所示。
表2结构光摄像机参数
Figure RE-GDA0003897772480000092
经济限制：限制经济条件最大为13000$，符合经济限制的传感器组合方案有3种，具体如表3所示。
表3可行的传感器组合方案
Figure RE-GDA0003897772480000101
传感器布设位置限制：假设在一块龙门架位置布设传感器，因此传感器的布设位置被限制为龙门架的横杆的平面上，如图5所示。
目标函数：
Figure RE-GDA0003897772480000102
其中
Figure RE-GDA0003897772480000103
以分别由式给出。
目标函数阈值：2.3；
步骤3.2，运用遗传算法求解目标函数的最优解及对应的传感器位置与方向角。
步骤3.3，结果分析
用遗传算法求解后，传感器组布设位置G，目标函数值如表4所示。其中，方案一的目标函数小于阈值，因此可以选择方案一的传感器组合，并以g1方式布设。
表4各方案信息
Figure RE-GDA0003897772480000104
Figure RE-GDA0003897772480000111
总之，本发明通过对路侧结构光摄像机的布设位置及方位，能衡量由多个路侧结构光摄像机组成的路侧感知系统的感知性能评价指标，并以该指标为依据，运用随机优化算法即可找到使得感知系统的感知指标最优的结构光摄像机布设位置；确保路段的感知精度与覆盖面积达到符合条件的水平，构建高准确性的数字孪生，对自动驾驶的安全运行具有很强的实践意义。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种支持自动驾驶的路侧结构光摄像机的优化布设方法，其特征在于该方法包括以下步骤：
步骤1，数据获取与处理，
包括获取道路的物理信息，获取T时段路侧结构光摄像机输出信息和高精度轨迹信息，计算T时段结构光摄像机的感知误差；
步骤2，建立目标函数；
步骤2.1，利用最小二乘法拟合出
Figure RE-FDA0003897772470000011
和
Figure RE-FDA0003897772470000012
的数学关系，设拟合出的关系如下公式所示：
Figure RE-FDA0003897772470000013
其中，
Figure RE-FDA0003897772470000014
是车型sj时间T内所有轨迹的误差，即
Figure RE-FDA0003897772470000015
Figure RE-FDA0003897772470000016
Figure RE-FDA0003897772470000017
是车型sj时间T内所有轨迹的点云数量，即
Figure RE-FDA0003897772470000018
Figure RE-FDA0003897772470000019
步骤2.2，建立车辆模型；
用M(p)表示以轨迹p建立的车辆模型；
步骤2.3，构建目标函数；
目标函数如下式所示：
Figure RE-FDA00038977724700000110
其中，
Figure RE-FDA00038977724700000111
是函数，为本步骤最小二乘法拟合出的数学关系，函数W(x)是计算结构光摄像机照射到三维模型x上的激光点数的函数；
步骤3，通过随机优化算法求解结构光摄像机的最优位置；具体包括有：
步骤3.1，随机优化算法信息输入；
随机优化算法信息包括但不限于：结构光摄像机物理参数信息、价格信息，可布设范围以及购置结构光摄像机的工程预算；
步骤3.2，运用随机优化算法求解目标函数的最优解及对应的传感器布设位置、方向角；
其中目标函数为：
Figure RE-FDA0003897772470000021
s.t.NC×C≤Cmax
s.t.L(xc,yc,zc)<0
其中，购置结构光摄像机的预算为Cmax，NC为各类结构光摄像机的个数向量，C为传感器的价格矩阵向量；
(xc,yc,zc,ψh,ψv)为随机优化算法的变量，其中ψh是传感器的方位角向量，ψh是传感器仰角向量，(xc,yc,zc)为传感器组的位置矩阵；
步骤3.3，对比分析各组传感器组的目标函数，选出目标函数符合阈值且经济代价最小的传感器组，并输出对应的传感器布设方案。
2.如权利要求1所述的支持自动驾驶的路侧结构光摄像机的优化布设方法，其特征在于步骤1进一步包括：
步骤1.1，获取某段道路的物理信息；
具体物理信息包括道路的线型、类型、曲率、车道数量、车道宽度基本信息；
步骤1.2，获取T时段路侧结构光摄像机输出信息和高精度轨迹信息；
步骤1.3，计算T时段结构光摄像机的感知误差；
结构光摄像机的感知误差为
Figure RE-FDA0003897772470000022
获得方式如下式所示：
Figure RE-FDA0003897772470000031
其中，
Figure RE-FDA0003897772470000032
表示sj类车型的编号为i号车t时刻结构光摄像机感知位置与真实位置的差。
3.如权利要求2所述的支持自动驾驶的路侧结构光摄像机的优化布设方法，其特征在于步骤1.2包括有：包括有：
步骤1.2.1，获得T时段路侧结构光摄像机输出信息；
在道路L上，以工程师经验在路侧布设结构光摄像机，进而获得T时段结构光摄像机输出的轨迹信息；轨迹信息包括：轨迹采集时间t、车型S、车辆编号i、路侧结构光摄像机所感知的车辆位置pl、车型为sj、编号为i的车辆在t时刻的由路侧结构光摄像机输出位置信息由
Figure RE-FDA0003897772470000033
表示；路侧结构光摄像机打在轨迹为
Figure RE-FDA0003897772470000034
所对应的车辆上的结构特征的光线数量由
Figure RE-FDA0003897772470000035
表示；
其中，“轨迹”指结构光摄像机输出的轨迹，得到结构特征的光线数量的方式有两种：
A.结构光摄像机的型号，布设位置，方位角和仰角；
B.车辆的位置，外形；
步骤1.2.2，获取T时段高精度轨迹信息；
通过其它方式获取道路L在T时间段的高精度轨迹信息；高精度轨迹信息包括采集时间t，车型S，车辆编号i，真实车辆位置p。则车型为sj，编号为i的车在t时刻的真实位置可由
Figure RE-FDA0003897772470000036
表示。
其它方式包括有：
方式一：高精度GPS；
方式二，航拍。
4.如权利要求1所述的支持自动驾驶的路侧结构光摄像机的优化布设方法，其特征在于步骤2.2中，获得
Figure RE-FDA0003897772470000041
的车辆模型
Figure RE-FDA0003897772470000042
的具体做法是：在道路L中以
Figure RE-FDA0003897772470000043
的位置为中心，生成车型sj对应的车辆三维模型。
5.如权利要求1所述的支持自动驾驶的路侧结构光摄像机的优化布设方法，其特征在于步骤3.2中，传感器空间限制函数L(xc,yc,zc)用于检验传感器布设位置(xc,yc,zc)是否在可布设范围以内；若L(xc,yc,zc)小于0，则表示(xc,yc,zc)在布设范围以内。
CN202210853033.5A 2022-07-20 2022-07-20 一种支持自动驾驶的路侧结构光摄像机的优化布设方法 Pending CN115359681A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210853033.5A CN115359681A (zh) 2022-07-20 2022-07-20 一种支持自动驾驶的路侧结构光摄像机的优化布设方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210853033.5A CN115359681A (zh) 2022-07-20 2022-07-20 一种支持自动驾驶的路侧结构光摄像机的优化布设方法

Publications (1)

Publication Number Publication Date
CN115359681A true CN115359681A (zh) 2022-11-18

Family

ID=84031681

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210853033.5A Pending CN115359681A (zh) 2022-07-20 2022-07-20 一种支持自动驾驶的路侧结构光摄像机的优化布设方法

Country Status (1)

Country Link
CN (1) CN115359681A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
JP2020144703A (ja) * 2019-03-07 2020-09-10 三菱電機株式会社 車載機、車両識別プログラム、車両識別システム及び車両
CN112509333A (zh) * 2020-10-20 2021-03-16 智慧互通科技股份有限公司 一种基于多传感器感知的路侧停车车辆轨迹识别方法及系统
CN113552867A (zh) * 2020-04-20 2021-10-26 华为技术有限公司 一种运动轨迹的规划方法及轮式移动设备
CN114170516A (zh) * 2021-12-09 2022-03-11 清华大学 一种基于路侧感知的车辆重识别方法、装置及电子设备
US20220092874A1 (en) * 2020-12-21 2022-03-24 Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. Method and apparatus of determining vehicle queuing information, roadside device and cloud control platform
US20220105926A1 (en) * 2019-02-13 2022-04-07 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for driving control, device, medium, and system
CN114419874A (zh) * 2021-11-25 2022-04-29 山东高速建设管理集团有限公司 基于路侧感知设备数据融合的目标行车安全风险预警方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20220105926A1 (en) * 2019-02-13 2022-04-07 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for driving control, device, medium, and system
JP2020144703A (ja) * 2019-03-07 2020-09-10 三菱電機株式会社 車載機、車両識別プログラム、車両識別システム及び車両
CN113552867A (zh) * 2020-04-20 2021-10-26 华为技术有限公司 一种运动轨迹的规划方法及轮式移动设备
CN112509333A (zh) * 2020-10-20 2021-03-16 智慧互通科技股份有限公司 一种基于多传感器感知的路侧停车车辆轨迹识别方法及系统
US20220092874A1 (en) * 2020-12-21 2022-03-24 Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. Method and apparatus of determining vehicle queuing information, roadside device and cloud control platform
CN114419874A (zh) * 2021-11-25 2022-04-29 山东高速建设管理集团有限公司 基于路侧感知设备数据融合的目标行车安全风险预警方法
CN114170516A (zh) * 2021-12-09 2022-03-11 清华大学 一种基于路侧感知的车辆重识别方法、装置及电子设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YE LI ETAL.: "Deployment of roadside units to overcome connectivity gap in transportation networks with mixed traffic", TRANSPORTATION RESEARCH PART C: EMERGING TECHNOLOGIES *
安泰;刁望成;: "基于感知区域覆盖的自动驾驶传感器布局优化方法", 控制与信息技术 *
杜豫川等: "智能网联环境下路侧感知单元数据质量在线监测框架", 中国公路学报 *

Similar Documents

Publication Publication Date Title
CN110861650B (zh) 车辆的路径规划方法、装置，车载设备和存储介质
CN102208013B (zh) 风景匹配参考数据生成系统和位置测量系统
CN111537990B (zh) 一种车道的标定方法、装置以及电子设备
CN109916422B (zh) 一种全局路径规划方法及装置
CN105488243A (zh) 交叉口结构的联合概率建模及推断
CN111599179B (zh) 一种基于风险动态平衡的无信号交叉口车辆运动规划方法
CN110414803B (zh) 不同网联程度下自动驾驶系统智能水平的测评方法及装置
CN110243380A (zh) 一种基于多传感器数据与角度特征识别的地图匹配方法
CN114005280A (zh) 一种基于不确定性估计的车辆轨迹预测方法
CN107830865A (zh) 一种车辆目标分类方法、装置、系统及计算机程序产品
CN113375678B (zh) 一种行车路径规划方法、管理服务器及停车管理系统
US20230419824A1 (en) Method and device for determining traffic stream information, electronic equipment and storage medium
CN112085843B (zh) 一种隧道类目标特征实时提取及测量方法和装置
CN105702076A (zh) 一种车辆定位信息匹配目标公路的方法及系统
CN111325187B (zh) 一种车道位置的识别方法及装置
CN110375786B (zh) 一种传感器外参的标定方法、车载设备及存储介质
CN112578425A (zh) 一种室外轨道电子地图生成方法
CN114620059A (zh) 一种自动驾驶方法及其系统、计算机可读存储介质
CN112699575A (zh) 一种虚拟车辆测试平台中相对位置测算方法及系统
CN211427151U (zh) 一种应用于封闭场地无人驾驶货运车辆上的自动引导系统
US20230168368A1 (en) Guardrail estimation method based on multi-sensor data fusion, and vehicle-mounted device
CN115359681A (zh) 一种支持自动驾驶的路侧结构光摄像机的优化布设方法
Shan et al. Vehicle collision risk estimation based on RGB-D camera for urban road
CN111426321A (zh) 一种室内机器人的定位方法及装置
Lu et al. Modeling Vehicle Paths at Intersections: A Unified Approach Based on Entrance and Exit Lanes

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20221118

WD01 Invention patent application deemed withdrawn after publication