CN115879294B - 一种基于多车环境感知的全样车流轨迹生成方法及系统 - Google Patents
一种基于多车环境感知的全样车流轨迹生成方法及系统 Download PDFInfo
- Publication number
- CN115879294B CN115879294B CN202211519561.3A CN202211519561A CN115879294B CN 115879294 B CN115879294 B CN 115879294B CN 202211519561 A CN202211519561 A CN 202211519561A CN 115879294 B CN115879294 B CN 115879294B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- track
- data
- vehicles
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000008447 perception Effects 0.000 title claims description 19
- 238000012549 training Methods 0.000 claims abstract description 55
- 230000003993 interaction Effects 0.000 claims abstract description 22
- 238000006073 displacement reaction Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 230000004888 barrier function Effects 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 206010039203 Road traffic accident Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 230000002265 prevention Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 230000010391 action planning Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种基于多车环境感知的全样车流轨迹生成方法及系统,方法包括:根据交通流信息和当前车辆的车辆信息,并基于运动学模型对当前车辆所在路网的全样交通流进行轨迹重构,得到初步全样车流信息,并判断是否存在信号丢失的车辆,若存在,则判断信号丢失的目标车辆对应的车辆信息的数据缺失条件是否为真;若为真,则基于当前车辆所在路网内的全部其他车辆的车辆信息,提取目标车辆信号丢失前的运动状态及其周围车辆的运动状态,并基于训练完成后的运动交互预测模型计算得出目标车辆的运行轨迹,根据目标车辆的运行轨迹对初步全样车流信息进行轨迹再重构,并对当前车辆以及全部其他车辆进行轨迹预测,得到当前车辆的全样实时交通流信息。
Description
技术领域
本申请涉及车辆技术领域,具体而言,涉及一种基于多车环境感知的全样车流轨迹生成方法及系统。
背景技术
智能网联汽车(Intelligent Connected Vehicle,ICV)是指车联网与智能车的有机联合,搭载先进的车载传感器、控制器、执行器等装置,并融合现代通信与网络技术,实现车与人、路、后台等智能信息交换共享,进而安全、舒适、节能、高效行驶,并最终可替代人来操作的新一代汽车。目前,随着汽车自动驾驶技术的普及,智能网联车辆与日俱增,智能网联车辆在运行过程中可以检测一定范围内物体的位置和速度等信息,但由于车辆之间常常相互阻挡,且当前的车辆检测信息主要聚焦在车辆的行进方向上,因此,难以实现大路网范围下的全样车流轨迹的实时重构。
发明内容
本申请提供一种基于多车环境感知的全样车流轨迹生成方法及系统,基于多车环境感知数据的深度融合分析运用,实时重构全样车流轨迹,实现交通流运行状态的精准还原,为智能网联车辆的事故预防、提前预警和干预提供更精确的数据,大大提高了智能网联车辆运行的安全稳定性,降低交通事故发生的概率。
具体的技术方案如下:
第一方面,本申请实施例提供了一种基于多车环境感知的全样车流轨迹生成方法,包括:
获取当前车辆所在路网内的环境感知信息,清洗所述环境感知信息,同时对所述环境感知信息进行数据预处理,得到所述当前车辆的交通流信息,其中,所述交通流信息包括道路信息、障碍物信息以及所述当前车辆所在路网内的全部其他车辆的车辆信息;
提取所述当前车辆的车辆信息,根据所述交通流信息和所述当前车辆的车辆信息,并基于运动学模型对所述当前车辆所在路网的全样交通流进行轨迹重构,得到初步全样车流信息,其中,所述初步全样车流信息包括所述当前车辆以及全部其他车辆的车辆ID、车辆物理轨迹、车辆参数;
根据所述初步全样车流信息,判断所述当前车辆所在路网内的全部其他车辆中是否存在信号丢失的车辆,若存在,则根据信号丢失的目标车辆的车辆ID提取其对应的车辆信息,并判断所述目标车辆对应的车辆信息的数据缺失条件是否为真;
当所述信号丢失的车辆对应的车辆信息的数据缺失条件为真时,则基于所述当前车辆所在路网内的全部其他车辆的车辆信息,提取所述目标车辆信号丢失前的运动状态及其周围车辆的运动状态,其中,所述运动状态包括车辆位置、车辆速度和车辆朝向;
根据所述目标车辆信号丢失前的运动状态及其周围车辆的运动状态,并基于训练完成后的运动交互预测模型计算得出所述目标车辆的运行轨迹,根据所述目标车辆的运行轨迹对所述初步全样车流信息进行轨迹再重构,并对所述当前车辆以及全部其他车辆进行轨迹预测,得到所述当前车辆的全样实时交通流信息,其中,所述全样实时交通流信息包括所述当前车辆以及全部其他车辆的车辆ID、车辆行驶轨迹、车辆预测轨迹、车辆参数。
可选地,所述环境感知信息包括所述当前车辆所在路网内的全部其他车辆的运动状态初始数据,所述运动状态初始数据包括连续的车辆位置数据、车辆速度数据和车辆朝向数据,所述清洗所述环境感知信息具体包括:
对各辆所述其他车辆的运动状态初始数据进行数据唯一性验证,当存在不具有唯一性的运动状态初始数据时,对所述不具有唯一性的运动状态初始数据进行去重处理,得到运动状态去重数据;
根据所述运动状态去重数据,构建所述其他车辆的初步行驶轨迹,其中,所述初步行驶轨迹包括轨迹点;
根据所述初步行驶轨迹判断所述运动状态去重数据中是否存在无效值和/或缺失值,若存在无效值,则去除所述无效值,若存在缺失值,则根据当前轨迹点前后的轨迹点,计算得出当前轨迹点的车辆位置数据、车辆速度数据和车辆朝向数据,以填补所述缺失值;
根据处理完无效值和缺失值后的运动状态去重数据,得到所述当前车辆所在路网内的全部其他车辆的车辆信息。
进一步可选地,所述环境感知信息还包括道路初始数据、障碍物初始数据,所述对所述环境感知信息进行数据预处理具体包括:
将所述道路初始数据和所述障碍物初始数据分别进行融合过滤处理;
对融合过滤处理后的道路初始数据、障碍物初始数据分别进行信息唯一性验证,当存在不具有唯一性的数据时,对所述不具有唯一性的数据进行去重处理,得到所述道路信息、障碍物信息。
可选地,所述提取所述当前车辆的车辆信息,根据所述交通流信息和所述当前车辆的车辆信息,并基于运动学模型对所述当前车辆所在路网的全样交通流进行轨迹重构,得到初步全样车流信息,具体包括:
根据所述道路信息构建初始道路模型,并根据所述障碍物信息进行障碍物仿真,得到道路交通模型,所述道路交通模型包括道路类型、车道信息、道路参考线和道路交管信息;
提取所述当前车辆的车辆信息,其中,所述当前车辆和全部其他车辆的车辆信息包括车辆位置数据、车辆速度数据、车辆朝向数据和车辆类型;
将所述当前车辆和全部其他车辆的车辆信息中的数据从笛卡尔直角坐标系转换至Frenet坐标系,得到在Frenet坐标系下的车辆坐标数据,所述车辆坐标数据包括采样时间点、车辆沿道路参考线的纵向位移、纵向速度、纵向加速度、垂直于道路参考线的横向位移、横向速度、横向加速度;
根据所述车辆坐标数据,并基于运动学模型对所述当前车辆所在路网的全样交通流进行轨迹重构,得到初步全样车流信息。
可选地,所述根据所述初步全样车流信息,判断所述当前车辆所在路网内的全部其他车辆中是否存在信号丢失的车辆,若存在,则根据信号丢失的目标车辆的车辆ID提取其对应的车辆信息,并判断所述目标车辆对应的车辆信息的数据缺失条件是否为真,具体包括:
提取所述当前车辆所在路网内的全部其他车辆的车辆物理轨迹,并根据所述车辆物理轨迹是否完整,判断所述车辆物理轨迹对应的其他车辆是否存在信号丢失;
若所述车辆物理轨迹不完整,则所述车辆物理轨迹对应的其他车辆存在信号丢失,记所述车辆物理轨迹对应的其他车辆为所述目标车辆,根据所述目标车辆的车辆ID提取其对应的车辆信息,其中,所述车辆信息包括时间戳、运动状态;
根据缺失车辆物理轨迹前后的两个时间点,得到缺失时间段,并根据所述车辆信息中的时间戳,判断是否存在所述缺失时间段内的车辆信息,以判断所述目标车辆对应的车辆信息的数据缺失条件是否为真;
若不存在所述缺失时间段内的全部车辆信息,则判断所述目标车辆对应的车辆信息的数据缺失条件为真,若存在所述缺失时间段内的全部车辆信息,则判断所述目标车辆对应的车辆信息的数据缺失条件为假。
进一步可选地,对所述运动交互预测模型进行训练的方法包括:
获取多个训练样本数据,其中,所述训练样本数据包括训练车辆预测轨迹初始点的运动状态及其周围车辆的运动状态、训练车辆实际运行轨迹;
在基于多个所述训练样本数据中训练车辆预测轨迹初始点的运动状态及其周围车辆的运动状态对初始运动交互预测模型进行训练的过程中,得到每个所述训练样本数据对应的训练车辆预测运行轨迹;
根据所述训练车辆预测运行轨迹和所述训练车辆实际运行轨迹,计算所述初始运动交互预测模型的目标损失值,并根据所述目标损失值对所述初始运动交互预测模型的模型参数进行调整,直至所述目标损失值满足预设损失条件时,获得训练完成后的所述运动交互预测模型。
进一步可选地,还包括:
当所述信号丢失的车辆对应的车辆信息的数据缺失条件为假时,则提取所述缺失时间段内的全部车辆信息,并根据所述缺失时间段内的全部车辆信息,更新所述目标车辆的车辆物理轨迹;
根据更新后的所述目标车辆的车辆物理轨迹,对所述初步全样车流信息进行轨迹再重构,并对所述当前车辆以及全部其他车辆进行轨迹预测,得到所述当前车辆的全样实时交通流信息。
可选地,所述根据所述目标车辆的运行轨迹对所述初步全样车流信息进行轨迹再重构,并对所述当前车辆以及全部其他车辆进行轨迹预测,具体包括:
根据所述目标车辆的运行轨迹对所述初步全样车流信息进行轨迹再重构,得到所述当前车辆以及全部其他车辆的车辆行驶轨迹;
根据所述车辆行驶轨迹,获取所述当前车辆以及全部其他车辆的当前运动状态,其中,所述当前运动状态包括当前车辆位置、当前车辆速度和当前车辆朝向;
根据所述当前车辆以及全部其他车辆的当前运动状态,对所述当前车辆以及全部其他车辆进行轨迹预测,得到所述当前车辆以及全部其他车辆的车辆预测轨迹。
进一步可选地,还包括:
根据所述当前车辆以及全部其他车辆的车辆预测轨迹,对所述当前车辆进行线路规划和行驶预警。
第二方面,本申请实施例提供了一种基于多车环境感知的全样车流轨迹生成系统,包括:
信息获取模块,用于获取当前车辆所在路网内的环境感知信息,清洗所述环境感知信息,同时对所述环境感知信息进行数据预处理,得到所述当前车辆的交通流信息,其中,所述交通流信息包括道路信息、障碍物信息以及所述当前车辆所在路网内的全部其他车辆的车辆信息;
初步轨迹重构模块,用于提取所述当前车辆的车辆信息,根据所述交通流信息和所述当前车辆的车辆信息,并基于运动学模型对所述当前车辆所在路网的全样交通流进行轨迹重构,得到初步全样车流信息,其中,所述初步全样车流信息包括所述当前车辆以及全部其他车辆的车辆ID、车辆物理轨迹、车辆参数;
判断模块,用于根据所述初步全样车流信息,判断所述当前车辆所在路网内的全部其他车辆中是否存在信号丢失的车辆,若存在,则根据信号丢失的目标车辆的车辆ID提取其对应的车辆信息,并判断所述目标车辆对应的车辆信息的数据缺失条件是否为真;
轨迹再重构模块,用于当所述信号丢失的车辆对应的车辆信息的数据缺失条件为真时,则基于所述当前车辆所在路网内的全部其他车辆的车辆信息,提取所述目标车辆信号丢失前的运动状态及其周围车辆的运动状态,根据所述目标车辆信号丢失前的运动状态及其周围车辆的运动状态,并基于训练完成后的运动交互预测模型计算得出所述目标车辆的运行轨迹,根据所述目标车辆的运行轨迹对所述初步全样车流信息进行轨迹再重构,并对所述当前车辆以及全部其他车辆进行轨迹预测,得到所述当前车辆的全样实时交通流信息,其中,所述运动状态包括车辆位置、车辆速度和车辆朝向,所述全样实时交通流信息包括所述当前车辆以及全部其他车辆的车辆ID、车辆行驶轨迹、车辆预测轨迹、车辆参数。
第三方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的方法。
第四方面,本申请实施例提供了一种电子设备,所述电子设备包括处理器和存储器;
所述处理器与所述存储器耦合,所述存储器用于存储计算机程序,所述计算机程序被所述处理器执行,使所述电子设备实现如第一方面所述的方法。
第五方面,本申请实施例提供了一种计算机程序产品,所述计算机程序产品中包含有指令,当指令在计算机或处理器上运行时,使得计算机或处理器执行如第一方面所述的方法。
本申请的技术效果如下:
基于多车环境感知数据的深度融合分析运用,对于被多辆车辆检测的车辆进行协同定位,同时对部分时间内被遮挡的车辆,基于其信号丢失前被检测的运动状态及周围车辆的运动状态,预测遮挡车辆的轨迹,实现所在路网内全部车辆交通流运行轨迹的还原,进而实时重构全样车流轨迹,实现交通流运行状态的精准还原,为智能网联车辆的事故预防、提前预警和干预提供更精确的数据,大大提高了智能网联车辆运行的安全稳定性,降低交通事故发生的概率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的基于多车环境感知的全样车流轨迹生成方法的流程示意图;
图2为本申请实施例提供的初步全样车流轨迹的实时重构示意图;
图3为本申请实施例提供的全样实时交通流轨迹的再重构及轨迹预测示意图;
图4为本申请实施例提供的基于车辆预测轨迹的车辆动作规划示意图;
图5为本申请实施例提供的基于多车环境感知的全样车流轨迹生成系统的组成示意图;
图6为本申请实施例提供的电子设备的组成框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。本申请实施例及附图中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如,包含的一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本申请实施例公开了一种基于多车环境感知的全样车流轨迹生成方法,应用于智能网联车辆,其基于多车环境感知数据的深度融合分析运用,实时重构全样车流轨迹,实现交通流运行状态的精准还原,为智能网联车辆的事故预防、提前预警和干预提供更精确的数据,大大提高了智能网联车辆运行的安全稳定性,降低交通事故发生的概率。以下分别进行详细说明。
图1为本申请实施例提供的一种基于多车环境感知的全样车流轨迹生成方法,如图1所示,该全样车流轨迹生成方法包括如下步骤:
S110:获取当前车辆所在路网内的环境感知信息,清洗环境感知信息,同时对环境感知信息进行数据预处理,得到当前车辆的交通流信息。
该全样车流轨迹生成方法基于多车环境感知数据的深度融合分析运用,其主要采用车载传感器和车用无线通信技术(vehicle to everything,V2X技术)进行环境感知,其中,车载传感器为车载超声波传感器、毫米波雷达、激光雷达、视觉传感器等单一传感器或多个传感器的融合。
在一实施例中,智能网联车辆利用车载传感器和V2X技术,初步获取来自当前车辆所在路网内的道路、其他车辆和障碍物信息,然后将这些数据进行清洗、数据预处理后,传输至智能网联车辆的车载控制中心。
具体的,当前车辆利用车载传感器和V2X技术,获取自身车辆所在路网内的环境感知信息,其中,该环境感知信息包括当前车辆所在路网内的全部其他车辆的运动状态初始数据、道路初始数据和障碍物初始数据,详细的,利用车载超声波传感器、毫米波雷达和激光雷达获取车辆或障碍物的位置信息,利用视觉传感器获取道路图像信息,该道路图像信息包括但不限于车辆或障碍物的大小、道路类型、车道信息、道路参考线和道路交管信息,并通过车–车、车–基站建立V2X技术通信,获取实时路况、道路信息、行人信息等,需注意的是,本申请中的当前车辆为智能网联车辆,此外,在本申请中的障碍物具体指的是行人和其它障碍物,其它障碍物主要为道路上的临时性障碍物,例如,交通管制的锥桶、偶发性掉落的物体等,障碍物初始数据主要包括障碍物的位置及其影响范围。
进一步的,清洗运动状态初始数据,发现并纠正数据文件中可识别的错误,以得到当前车辆所在路网内的全部其他车辆的车辆信息,并对道路初始数据和障碍物初始数据进行数据预处理,以得到道路信息、障碍物信息,从而根据道路信息、障碍物信息以及当前车辆所在路网内的全部其他车辆和当前车辆的车辆信息生成交通流信息。
在一具体的实施过程中,运动状态初始数据包括连续的车辆位置数据、车辆速度数据和车辆朝向数据,当清洗环境感知信息时,首先对各辆其他车辆的运动状态初始数据进行数据唯一性验证,当存在不具有唯一性的运动状态初始数据时,对不具有唯一性的运动状态初始数据进行去重处理,得到运动状态去重数据,以保证所获取的运动状态初始数据的唯一性。
根据运动状态去重数据构建其他车辆的初步行驶轨迹,即通过运动状态初始数据中主要的车辆位置数据、车辆速度数据和车辆朝向数据,构成平滑的初步行驶轨迹,初步行驶轨迹包括轨迹点。之后,根据初步行驶轨迹判断运动状态去重数据中是否存在无效值,即将不处于初步行驶轨迹上的运动状态去重数据作为无效值,并将无效值去除,以尽可能减小行驶轨迹的偏差,并根据初步行驶轨迹判断运动状态去重数据中是否存在缺失值,即将初步行驶轨迹中的断点作为缺失值,根据当前轨迹点(即断点)前后的轨迹点计算得出当前轨迹点的车辆位置数据、车辆速度数据和车辆朝向数据,具体的,将初步行驶轨迹进行平滑连续设定,以推算每个断点的车辆位置数据,并根据断点前后的车辆位置数据计算当前断点的车辆速度数据和车辆朝向数据,从而计算出初步行驶轨迹上每个断点的车辆位置数据、车辆速度数据和车辆朝向数据,以此填补初步行驶轨迹上所有的缺失值,得到平滑且连续的初步行驶轨迹,进而根据处理完无效值和缺失值后的运动状态去重数据,得到当前车辆所在路网内的全部其他车辆的车辆信息。其中,需要注意并理解的是,初步行驶轨迹上相邻轨迹点之间的采样间隔相同,且为预设采用时间,例如,0.01s进行一次数据采集,则相邻轨迹点之间的时间差为0.01s,故可获得断点前后的轨迹点之间的时间间隔,则根据断点前后的车辆位置数据以及时间间隔便可计算当前断点的车辆速度数据和车辆朝向数据。
此外,在另一实施例中,对于被多辆车辆检测到的车辆,还可采用卡尔曼滤波等方法进行协同定位,以得到该车辆精确的车辆信息。
在另一个具体的实施过程中,当对环境感知信息中的道路初始数据、障碍物初始数据进行数据预处理时,首先将道路初始数据和障碍物初始数据分别进行融合过滤处理,即将信息格式、类型均不相同的多方面数据进行融合处理,以统一各个数据的输出格式和类型,处理后得到结构化的分析数据,不仅数据标准、清晰,且结构简单,易于分析,之后,对融合过滤处理后的道路初始数据、障碍物初始数据(即所得到的结构化的分析数据)分别进行信息唯一性验证,当存在不具有唯一性的数据时,对不具有唯一性的数据进行去重处理,得到道路信息、障碍物信息,以确保道路信息和障碍物信息中数据的唯一性,确保数据的准确性。
由此步骤S110获取当前车辆所在路网的道路信息、障碍物信息以及当前车辆和当前车辆所在路网内的全部其他车辆的车辆信息,以将道路交通系统中的车、行人、环境等全部要素都纳入环境感知数据,得到车流轨迹生成的全要素数据,相对于现有技术中有限范围内的运动物体信息,本申请的全要素数据更全面。
S120:提取当前车辆的车辆信息,根据交通流信息和当前车辆的车辆信息,并基于运动学模型对当前车辆所在路网的全样交通流进行轨迹重构,得到初步全样车流信息。
在一实施例中,利用运动学模型,车载控制中心对当前场景下所在路网的全样交通流进行轨迹重构,也就是利用第一层算法(即运动学模型的计算方法)获得初步全样车流信息,初步全样车流信息包括当前车辆以及全部其他车辆的车辆ID、车辆物理轨迹、车辆参数,车辆参数包括但不限于随时间和空间变化的车辆位置、车辆速度、车辆加速度。
具体的,结合图2所示,根据道路信息构建初始道路模型,并根据障碍物信息进行障碍物仿真,得到包括但不限于道路类型、车道信息、道路参考线和道路交管信息的道路交通模型,其中,车道信息包括但不限于道路结构情况、车道数和交叉口信息等,道路交管信息包括但不限于道路限速信息、道路限行信息。之后,提取当前车辆的车辆信息以及全部其他车辆的车辆信息,此处的车辆信息包括但不限于车辆位置数据、车辆速度数据、车辆朝向数据、车辆类型(例如,大型车、小型车),车辆速度数据包括但不限于车辆移动速度、移动方向和加速度信息,当前所获取的当前车辆和全部其他车辆的车辆信息中的数据是基于笛卡尔坐标系定义的,本申请实施例的轨迹规划过程采用Frenet坐标系,在Frenet坐标系中,使用道路中心线作为参考线,将车辆的轨迹点投影到参考线上得到参考点,设定沿参考线方向为纵轴,垂直于参考线方向为横轴,以解决现有技术中笛卡尔直角坐标系不能较好描述车辆当前位置与当前所在车道关系的问题,且更易确定车辆偏离车道中心线的距离及沿着车道线行驶的距离,进而可忽略道路曲率的影响,相较于笛卡尔直角坐标系的描述更为简单和直观,具体的,将当前车辆和全部其他车辆的车辆信息中的数据从笛卡尔直角坐标系转换至Frenet坐标系,得到在Frenet坐标系下的车辆坐标数据,车辆坐标数据包括采样时间点、车辆沿道路参考线的纵向位移、纵向速度、纵向加速度、垂直于道路参考线的横向位移、横向速度、横向加速度,并根据车辆坐标数据,基于运动学模型对当前车辆所在路网的全样交通流进行轨迹重构,得到初步全样车流信息。也就是说,在Frenet坐标系下进行运动交互轨迹重构,以各自的车道中心线为参考线,并用三条样条曲线进行平滑处理,每辆车辆被环境感知记录下的运动状态可描述为其中,t为采样时间点,s为车辆沿道路参考线的纵向位移,/>为纵向速度,/>为纵向加速度,d为垂直于道路参考线的横向位移,/>为横向速度,/>为横向加速度。
S130:根据初步全样车流信息,判断当前车辆所在路网内的全部其他车辆中是否存在信号丢失的车辆。
在本申请实施例中,通过步骤S120中持续不断地构建初始全样交通流运行轨迹,但由于车辆之间的相互遮挡、设备精度不高或设备故障等原因,会导致当前车辆环境感知的车辆轨迹数据不完整,出现数据缺失现象,即一条完整的车辆轨迹中出现一段或几段空白数据的情况,针对此情况,本申请实施例利用第二层算法(即训练完成后的运动交互预测模型的计算方法)计算得出初步全样车流轨迹缺失段的运行轨迹,并向上反馈进行轨迹再重构,从而得到连续的全样实时交通流轨迹,即得到该路网内的全部车流轨迹情况,车辆轨迹数据更全,实现了交通流运行状态的精准还原,为智能网联车辆的事故预防、提前预警和干预提供更精确的数据,进而大大提高了智能网联车辆运行的安全稳定性,降低了交通事故发生的概率。
在一实施例中,车载控制中心提取当前车辆所在路网内的全部其他车辆的车辆物理轨迹,并根据车辆物理轨迹是否完整,判断车辆物理轨迹对应的其他车辆是否存在信号丢失,若车辆物理轨迹不完整,则判定车辆物理轨迹对应的其他车辆存在信号丢失,从步骤S130进入步骤S140;若车辆物理轨迹完整,则判定车辆物理轨迹对应的其他车辆不存在信号丢失,从步骤S130进入步骤S190。
S140:根据信号丢失的目标车辆的车辆ID提取其对应的车辆信息,并判断目标车辆对应的车辆信息的数据缺失条件是否为真。
在本申请实施例中,若车辆物理轨迹不完整,则车辆物理轨迹对应的其他车辆存在信号丢失,从步骤S130进入步骤S140,记车辆物理轨迹对应的其他车辆为目标车辆,由于每辆车辆均包括唯一对应的车辆ID,故根据目标车辆的车辆ID可提取其对应的车辆信息,其中,车辆信息包括时间戳、运动状态,进一步的,根据缺失车辆物理轨迹前后的两个时间点,得到缺失时间段,并根据车辆信息中的时间戳,判断是否存在缺失时间段内的全部车辆信息,以判断目标车辆对应的车辆信息的数据缺失条件是否为真,若不存在缺失时间段内的全部车辆信息,则判断目标车辆对应的车辆信息的数据缺失条件为真,从步骤S140进入步骤S150,若存在缺失时间段内的全部车辆信息,则判断目标车辆对应的车辆信息的数据缺失条件为假,从步骤S140进入步骤S180。
S150:基于当前车辆所在路网内的全部其他车辆的车辆信息,提取目标车辆信号丢失前的运动状态及其周围车辆的运动状态。
在本申请实施例中,筛选出信号丢失的车辆信息,并判断其数据缺失条件为真时,同时自动记录其信号丢失前的运动状态及周围车辆的运动状态,即从当前车辆所在路网内的全部其他车辆的车辆信息中,提取出目标车辆信号丢失前的运动状态及其周围车辆的运动状态,其中,运动状态包括车辆位置、车辆速度和车辆朝向。
S160:根据目标车辆信号丢失前的运动状态及其周围车辆的运动状态,并基于训练完成后的运动交互预测模型计算得出目标车辆的运行轨迹,根据目标车辆的运行轨迹对初步全样车流信息进行轨迹再重构,并对当前车辆以及全部其他车辆进行轨迹预测,得到当前车辆的全样实时交通流信息。
在本申请实施例中,结合图3所示,利用训练完成后的运动交互预测模型获取目标车辆的运行轨迹,具体的,将目标车辆信号丢失前的运动状态及其周围车辆的运动状态作为运动交互预测模型的输入值,输出得到目标车辆信号丢失段的运行轨迹,将计算得到的目标车辆的运行轨迹向上反馈,并进行轨迹再重构,进一步的,对当前车辆以及全部其他车辆进行轨迹预测,得到车辆预测轨迹,进而根据再重构后的轨迹以及车辆预测轨迹,生成当前车辆的全样实时交通流信息,其中,全样实时交通流信息包括但不限于当前车辆以及全部其他车辆的车辆ID、车辆行驶轨迹、车辆预测轨迹、车辆参数。
在一实施例中,对运动交互预测模型进行训练的方法包括如下步骤:
A、获取多个训练样本数据。
其中,训练样本数据包括训练车辆预测轨迹初始点的运动状态及其周围车辆的运动状态、训练车辆实际运行轨迹。
B、在基于多个训练样本数据中训练车辆预测轨迹初始点的运动状态及其周围车辆的运动状态对初始运动交互预测模型进行训练的过程中,得到每个训练样本数据对应的训练车辆预测运行轨迹。
C、根据训练车辆预测运行轨迹和训练车辆实际运行轨迹,计算初始运动交互预测模型的目标损失值,并根据目标损失值对初始运动交互预测模型的模型参数进行调整,直至目标损失值满足预设损失条件时,获得训练完成后的运动交互预测模型。
其中,目标损失值指的是训练车辆预测运行轨迹与训练车辆实际运行轨迹之间轨迹点的位移差值,而预设损失条件指的是两者的位移差值小于预设位移差阈值,所设定的预设位移差阈值越小,则训练完成后的运动交互预测模型的精准性越高,在具体的实施过程中,预设位移差阈值根据实际情况进行设定,以保证模型较高精准性的情况下,尽可能减小计算量。
在一实施例中,根据目标车辆的运行轨迹对初步全样车流信息进行轨迹再重构,得到当前车辆以及全部其他车辆的车辆行驶轨迹,以根据车辆行驶轨迹,获取当前车辆以及全部其他车辆的当前运动状态,其中,当前运动状态包括当前车辆位置、当前车辆速度和当前车辆朝向,再根据当前车辆以及全部其他车辆的当前运动状态,对当前车辆以及全部其他车辆进行轨迹预测,得到当前车辆以及全部其他车辆的车辆预测轨迹,以对智能网联车辆的事故预防、提前预警和干预提供参考数据。
S170:根据当前车辆以及全部其他车辆的车辆预测轨迹,对当前车辆进行动作规划和行驶预警。
在本申请实施例中,结合图4所示,还可根据当前车辆以及全部其他车辆的车辆预测轨迹,计算当前车辆未来每一时刻下其他车辆的位置,若当前车辆和其他车辆在某一时刻处于同时位置时,则说明按照当前车辆预测轨迹,当前车辆可能与其他车辆发生碰撞,故需进行行驶预警,并依据全部其他车辆的车辆预测轨迹进行当前车辆的动作规划,以避免当前车辆与其他车辆发生碰撞,降低交通事故发生概率。例如,图4上半图中当前车辆所在的灰色带代表车辆行驶轨迹及车辆预测轨迹,当前车辆前且位于交叉口的横衍架代表当前状态下无法通过该交叉口。
此外,在一实施例中,可通过设定采样时间间隔的大小,限制采样密度提高方法的实时性,进而精确预测车辆轨迹,降低交通事故发生概率。
S180:提取缺失时间段内的全部车辆信息,并根据缺失时间段内的全部车辆信息,更新目标车辆的车辆物理轨迹,根据更新后的目标车辆的车辆物理轨迹,对初步全样车流信息进行轨迹再重构,并对当前车辆以及全部其他车辆进行轨迹预测,得到当前车辆的全样实时交通流信息。
当信号丢失的车辆对应的车辆信息的数据缺失条件为假时,从步骤S140进入该步骤S180,车载控制中心提取缺失时间段内的全部车辆信息,并根据缺失时间段内的全部车辆信息,更新目标车辆的车辆物理轨迹,之后根据更新后的目标车辆的车辆物理轨迹,对初步全样车流信息进行轨迹再重构,并对当前车辆以及全部其他车辆进行轨迹预测,得到当前车辆的全样实时交通流信息,其中,该全样实时交通流信息包括但不限于当前车辆以及全部其他车辆的车辆ID、车辆行驶轨迹、车辆预测轨迹、车辆参数,为智能网联车辆的事故预防、提前预警和干预提供参考数据,从步骤S180进入步骤S170,根据当前车辆以及全部其他车辆的车辆预测轨迹,对当前车辆进行动作规划和行驶预警。
S190:对当前车辆以及全部其他车辆进行轨迹预测,得到当前车辆以及全部其他车辆的车辆预测轨迹。
若当前车辆所在路网内的全部其他车辆均为智能网联车辆,则通过V2X技术获取全部其他车辆的车辆信息,可能当前车辆所在路网内的全部其他车辆不存在信号丢失的车辆,从步骤S130进入该步骤S190,对当前车辆以及全部其他车辆进行轨迹预测,得到当前车辆以及全部其他车辆的车辆预测轨迹,之后,从步骤S190进入步骤S170,根据当前车辆以及全部其他车辆的车辆预测轨迹,对当前车辆进行动作规划和行驶预警。
相应于上述方法实施例,本申请的另一个实施例提供了一种基于多车环境感知的全样车流轨迹生成系统,该系统主要包括:信息获取模块210、初步轨迹重构模块220、判断模块230和轨迹再重构模块240。
具体的,信息获取模块210用于获取当前车辆所在路网内的环境感知信息,清洗环境感知信息,同时对环境感知信息进行数据预处理,得到当前车辆的交通流信息,其中,交通流信息包括道路信息、障碍物信息以及当前车辆所在路网内的全部其他车辆的车辆信息。
初步轨迹重构模块220用于提取当前车辆的车辆信息,根据交通流信息和当前车辆的车辆信息,并基于运动学模型对当前车辆所在路网的全样交通流进行轨迹重构,得到初步全样车流信息,其中,初步全样车流信息包括当前车辆以及全部其他车辆的车辆ID、车辆物理轨迹、车辆参数。
判断模块230用于根据初步全样车流信息,判断当前车辆所在路网内的全部其他车辆中是否存在信号丢失的车辆,若存在,则根据信号丢失的目标车辆的车辆ID提取其对应的车辆信息,并判断目标车辆对应的车辆信息的数据缺失条件是否为真。
轨迹再重构模块240用于当信号丢失的车辆对应的车辆信息的数据缺失条件为真时,则基于当前车辆所在路网内的全部其他车辆的车辆信息,提取目标车辆信号丢失前的运动状态及其周围车辆的运动状态,根据目标车辆信号丢失前的运动状态及其周围车辆的运动状态,并基于训练完成后的运动交互预测模型计算得出目标车辆的运行轨迹,根据目标车辆的运行轨迹对初步全样车流信息进行轨迹再重构,并对当前车辆以及全部其他车辆进行轨迹预测,得到当前车辆的全样实时交通流信息,其中,运动状态包括车辆位置、车辆速度和车辆朝向,全样实时交通流信息包括当前车辆以及全部其他车辆的车辆ID、车辆行驶轨迹、车辆预测轨迹、车辆参数。
综上所述,本申请公开一种基于多车环境感知的全样车流轨迹生成方法及系统,基于多车环境感知数据的深度融合分析运用,对于被多辆车辆检测的车辆进行协同定位,同时对部分时间内被遮挡的车辆,基于其信号丢失前被检测的运动状态及周围车辆的运动状态,预测遮挡车辆的轨迹,实现所在路网内全部车辆交通流运行轨迹的还原,解决了现有技术中由于车辆互相阻挡等原因造成无法构建智能网联车辆周围连续交通流轨迹的问题,进而实时重构全样车流轨迹,实现交通流运行状态的精准还原,为智能网联车辆的事故预防、提前预警和干预提供更精确的数据,大大提高了智能网联车辆运行的安全稳定性,降低交通事故发生的概率。
基于上述方法实施例,本申请的另一实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述基于多车环境感知的全样车流轨迹生成方法实施例所述的方法。
基于上述方法实施例,本申请的另一实施例提供了一种电子设备,如图6所示,该电子设备包括处理器310和存储器320,处理器310与存储器320耦合,存储器320用于存储计算机程序,计算机程序被处理器310执行,使该电子设备实现如上述基于多车环境感知的全样车流轨迹生成方法实施例所述的方法。
基于上述实施例,本申请的另一实施例提供了一种计算机程序产品,所述计算机程序产品中包含有指令,当指令在计算机或处理器上运行时,使得计算机或处理器执行如上述基于多车环境感知的全样车流轨迹生成方法实施例所述的方法。
其中,上述系统实施例与方法实施例相对应,与该方法实施例具有同样的技术效果,具体说明参见方法实施例。系统实施例是基于方法实施例得到的,具体的说明可以参见方法实施例部分,此处不再赘述。本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本申请所必须的。
本领域普通技术人员可以理解:实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照上述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对上述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。
Claims (10)
1.一种基于多车环境感知的全样车流轨迹生成方法,其特征在于,包括:
获取当前车辆所在路网内的环境感知信息,清洗所述环境感知信息,同时对所述环境感知信息进行数据预处理,得到所述当前车辆的交通流信息,其中,所述交通流信息包括道路信息、障碍物信息以及所述当前车辆所在路网内的全部其他车辆的车辆信息;
提取所述当前车辆的车辆信息,根据所述交通流信息和所述当前车辆的车辆信息,并基于运动学模型对所述当前车辆所在路网的全样交通流进行轨迹重构,得到初步全样车流信息,其中,所述初步全样车流信息包括所述当前车辆以及全部其他车辆的车辆ID、车辆物理轨迹、车辆参数;
根据所述初步全样车流信息,判断所述当前车辆所在路网内的全部其他车辆中是否存在信号丢失的车辆,若存在,则根据信号丢失的目标车辆的车辆ID提取其对应的车辆信息,并判断所述目标车辆对应的车辆信息的数据缺失条件是否为真;
当所述信号丢失的车辆对应的车辆信息的数据缺失条件为真时,则基于所述当前车辆所在路网内的全部其他车辆的车辆信息,提取所述目标车辆信号丢失前的运动状态及其周围车辆的运动状态,其中,所述运动状态包括车辆位置、车辆速度和车辆朝向;
根据所述目标车辆信号丢失前的运动状态及其周围车辆的运动状态,并基于训练完成后的运动交互预测模型计算得出所述目标车辆的运行轨迹,根据所述目标车辆的运行轨迹对所述初步全样车流信息进行轨迹再重构,并对所述当前车辆以及全部其他车辆进行轨迹预测,得到所述当前车辆的全样实时交通流信息,其中,所述全样实时交通流信息包括所述当前车辆以及全部其他车辆的车辆ID、车辆行驶轨迹、车辆预测轨迹、车辆参数;
其中,所述车辆信息包括时间戳、运动状态,所述判断所述目标车辆对应的车辆信息的数据缺失条件是否为真,具体包括:
根据缺失车辆物理轨迹前后的两个时间点,得到缺失时间段,并根据所述车辆信息中的时间戳,判断是否存在所述缺失时间段内的全部车辆信息,以判断所述目标车辆对应的车辆信息的数据缺失条件是否为真;
若不存在所述缺失时间段内的全部车辆信息,则判断所述目标车辆对应的车辆信息的数据缺失条件为真,若存在所述缺失时间段内的全部车辆信息,则判断所述目标车辆对应的车辆信息的数据缺失条件为假。
2.根据权利要求1所述的方法,其特征在于,所述环境感知信息包括所述当前车辆所在路网内的全部其他车辆的运动状态初始数据,所述运动状态初始数据包括连续的车辆位置数据、车辆速度数据和车辆朝向数据,所述清洗所述环境感知信息具体包括:
对各辆所述其他车辆的运动状态初始数据进行数据唯一性验证,当存在不具有唯一性的运动状态初始数据时,对所述不具有唯一性的运动状态初始数据进行去重处理,得到运动状态去重数据;
根据所述运动状态去重数据,构建所述其他车辆的初步行驶轨迹,其中,所述初步行驶轨迹包括轨迹点;
根据所述初步行驶轨迹判断所述运动状态去重数据中是否存在无效值和/或缺失值,若存在无效值,则去除所述无效值,若存在缺失值,则根据当前轨迹点前后的轨迹点,计算得出当前轨迹点的车辆位置数据、车辆速度数据和车辆朝向数据,以填补所述缺失值;
根据处理完无效值和缺失值后的运动状态去重数据,得到所述当前车辆所在路网内的全部其他车辆的车辆信息。
3.根据权利要求2所述的方法,其特征在于,所述环境感知信息还包括道路初始数据、障碍物初始数据,所述对所述环境感知信息进行数据预处理具体包括:
将所述道路初始数据和所述障碍物初始数据分别进行融合过滤处理;
对融合过滤处理后的道路初始数据、障碍物初始数据分别进行信息唯一性验证,当存在不具有唯一性的数据时,对所述不具有唯一性的数据进行去重处理,得到所述道路信息、障碍物信息。
4.根据权利要求1所述的方法,其特征在于,所述提取所述当前车辆的车辆信息,根据所述交通流信息和所述当前车辆的车辆信息,并基于运动学模型对所述当前车辆所在路网的全样交通流进行轨迹重构,得到初步全样车流信息,具体包括:
根据所述道路信息构建初始道路模型,并根据所述障碍物信息进行障碍物仿真,得到道路交通模型,所述道路交通模型包括道路类型、车道信息、道路参考线和道路交管信息;
提取所述当前车辆的车辆信息,其中,所述当前车辆和全部其他车辆的车辆信息包括车辆位置数据、车辆速度数据、车辆朝向数据和车辆类型;
将所述当前车辆和全部其他车辆的车辆信息中的数据从笛卡尔直角坐标系转换至Frenet坐标系,得到在Frenet坐标系下的车辆坐标数据,所述车辆坐标数据包括采样时间点、车辆沿道路参考线的纵向位移、纵向速度、纵向加速度、垂直于道路参考线的横向位移、横向速度、横向加速度;
根据所述车辆坐标数据,并基于运动学模型对所述当前车辆所在路网的全样交通流进行轨迹重构,得到初步全样车流信息。
5.根据权利要求1所述的方法,其特征在于,所述根据所述初步全样车流信息,判断所述当前车辆所在路网内的全部其他车辆中是否存在信号丢失的车辆,若存在,则根据信号丢失的目标车辆的车辆ID提取其对应的车辆信息,具体包括:
提取所述当前车辆所在路网内的全部其他车辆的车辆物理轨迹,并根据所述车辆物理轨迹是否完整,判断所述车辆物理轨迹对应的其他车辆是否存在信号丢失;
若所述车辆物理轨迹不完整,则所述车辆物理轨迹对应的其他车辆存在信号丢失,记所述车辆物理轨迹对应的其他车辆为所述目标车辆,根据所述目标车辆的车辆ID提取其对应的车辆信息。
6.根据权利要求5所述的方法,其特征在于,对所述运动交互预测模型进行训练的方法包括:
获取多个训练样本数据,其中,所述训练样本数据包括训练车辆预测轨迹初始点的运动状态及其周围车辆的运动状态、训练车辆实际运行轨迹;
在基于多个所述训练样本数据中训练车辆预测轨迹初始点的运动状态及其周围车辆的运动状态对初始运动交互预测模型进行训练的过程中,得到每个所述训练样本数据对应的训练车辆预测运行轨迹;
根据所述训练车辆预测运行轨迹和所述训练车辆实际运行轨迹,计算所述初始运动交互预测模型的目标损失值,并根据所述目标损失值对所述初始运动交互预测模型的模型参数进行调整,直至所述目标损失值满足预设损失条件时,获得训练完成后的所述运动交互预测模型。
7.根据权利要求5所述的方法,其特征在于,还包括:
当所述信号丢失的车辆对应的车辆信息的数据缺失条件为假时,则提取所述缺失时间段内的全部车辆信息,并根据所述缺失时间段内的全部车辆信息,更新所述目标车辆的车辆物理轨迹;
根据更新后的所述目标车辆的车辆物理轨迹,对所述初步全样车流信息进行轨迹再重构,并对所述当前车辆以及全部其他车辆进行轨迹预测,得到所述当前车辆的全样实时交通流信息。
8.根据权利要求1所述的方法,其特征在于,所述根据所述目标车辆的运行轨迹对所述初步全样车流信息进行轨迹再重构,并对所述当前车辆以及全部其他车辆进行轨迹预测,具体包括:
根据所述目标车辆的运行轨迹对所述初步全样车流信息进行轨迹再重构,得到所述当前车辆以及全部其他车辆的车辆行驶轨迹;
根据所述车辆行驶轨迹,获取所述当前车辆以及全部其他车辆的当前运动状态,其中,所述当前运动状态包括当前车辆位置、当前车辆速度和当前车辆朝向;
根据所述当前车辆以及全部其他车辆的当前运动状态,对所述当前车辆以及全部其他车辆进行轨迹预测,得到所述当前车辆以及全部其他车辆的车辆预测轨迹。
9.根据权利要求8所述的方法,其特征在于,还包括:
根据所述当前车辆以及全部其他车辆的车辆预测轨迹,对所述当前车辆进行动作规划和行驶预警。
10.一种基于多车环境感知的全样车流轨迹生成系统,其特征在于,包括:
信息获取模块,用于获取当前车辆所在路网内的环境感知信息,清洗所述环境感知信息,同时对所述环境感知信息进行数据预处理,得到所述当前车辆的交通流信息,其中,所述交通流信息包括道路信息、障碍物信息以及所述当前车辆所在路网内的全部其他车辆的车辆信息;
初步轨迹重构模块,用于提取所述当前车辆的车辆信息,根据所述交通流信息和所述当前车辆的车辆信息,并基于运动学模型对所述当前车辆所在路网的全样交通流进行轨迹重构,得到初步全样车流信息,其中,所述初步全样车流信息包括所述当前车辆以及全部其他车辆的车辆ID、车辆物理轨迹、车辆参数;
判断模块,用于根据所述初步全样车流信息,判断所述当前车辆所在路网内的全部其他车辆中是否存在信号丢失的车辆,若存在,则根据信号丢失的目标车辆的车辆ID提取其对应的车辆信息,并判断所述目标车辆对应的车辆信息的数据缺失条件是否为真;其中,所述车辆信息包括时间戳、运动状态,所述判断所述目标车辆对应的车辆信息的数据缺失条件是否为真,具体包括:根据缺失车辆物理轨迹前后的两个时间点,得到缺失时间段,并根据所述车辆信息中的时间戳,判断是否存在所述缺失时间段内的全部车辆信息,以判断所述目标车辆对应的车辆信息的数据缺失条件是否为真,若不存在所述缺失时间段内的全部车辆信息,则判断所述目标车辆对应的车辆信息的数据缺失条件为真,若存在所述缺失时间段内的全部车辆信息,则判断所述目标车辆对应的车辆信息的数据缺失条件为假;
轨迹再重构模块,用于当所述信号丢失的车辆对应的车辆信息的数据缺失条件为真时,则基于所述当前车辆所在路网内的全部其他车辆的车辆信息,提取所述目标车辆信号丢失前的运动状态及其周围车辆的运动状态,根据所述目标车辆信号丢失前的运动状态及其周围车辆的运动状态,并基于训练完成后的运动交互预测模型计算得出所述目标车辆的运行轨迹,根据所述目标车辆的运行轨迹对所述初步全样车流信息进行轨迹再重构,并对所述当前车辆以及全部其他车辆进行轨迹预测,得到所述当前车辆的全样实时交通流信息,其中,所述运动状态包括车辆位置、车辆速度和车辆朝向,所述全样实时交通流信息包括所述当前车辆以及全部其他车辆的车辆ID、车辆行驶轨迹、车辆预测轨迹、车辆参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211519561.3A CN115879294B (zh) | 2022-11-30 | 2022-11-30 | 一种基于多车环境感知的全样车流轨迹生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211519561.3A CN115879294B (zh) | 2022-11-30 | 2022-11-30 | 一种基于多车环境感知的全样车流轨迹生成方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115879294A CN115879294A (zh) | 2023-03-31 |
CN115879294B true CN115879294B (zh) | 2024-04-26 |
Family
ID=85764908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211519561.3A Active CN115879294B (zh) | 2022-11-30 | 2022-11-30 | 一种基于多车环境感知的全样车流轨迹生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115879294B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064741A (zh) * | 2018-08-01 | 2018-12-21 | 北京航空航天大学 | 基于多源数据融合的干道车辆运行轨迹重构的方法 |
CN109241069A (zh) * | 2018-08-23 | 2019-01-18 | 中南大学 | 一种基于轨迹自适应聚类的路网快速更新的方法及系统 |
CN109910909A (zh) * | 2019-02-25 | 2019-06-21 | 清华大学 | 一种多车运动状态的汽车轨迹网联交互式预测方法 |
CN110807924A (zh) * | 2019-11-04 | 2020-02-18 | 吴钢 | 基于全量全样实时交通数据的多参数融合方法及系统 |
CN111046919A (zh) * | 2019-11-21 | 2020-04-21 | 南京航空航天大学 | 一种融合行为意图的周围动态车辆轨迹预测系统及方法 |
CN111243309A (zh) * | 2020-01-10 | 2020-06-05 | 北京航空航天大学 | 一种基于自动驾驶车辆移动检测的快速路交通流全样本轨迹重构方法 |
CN111899509A (zh) * | 2020-07-20 | 2020-11-06 | 北方工业大学 | 一种基于车路信息耦合的智能网联汽车状态向量计算方法 |
CN112567439A (zh) * | 2020-11-09 | 2021-03-26 | 驭势(上海)汽车科技有限公司 | 一种交通流信息的确定方法、装置、电子设备和存储介质 |
CN114550449A (zh) * | 2022-02-16 | 2022-05-27 | 腾讯云计算(北京)有限责任公司 | 车辆轨迹补全方法、装置、计算机可读介质及电子设备 |
WO2022222632A1 (zh) * | 2021-04-19 | 2022-10-27 | 腾讯科技(深圳)有限公司 | 交通仿真方法、装置、计算机设备和存储介质 |
CN115311854A (zh) * | 2022-07-22 | 2022-11-08 | 东南大学 | 一种基于数据融合的车辆时空轨迹重构方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210403008A1 (en) * | 2020-06-29 | 2021-12-30 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Method and system for predicting a trajectory of a target vehicle in an environment of a vehicle |
-
2022
- 2022-11-30 CN CN202211519561.3A patent/CN115879294B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064741A (zh) * | 2018-08-01 | 2018-12-21 | 北京航空航天大学 | 基于多源数据融合的干道车辆运行轨迹重构的方法 |
CN109241069A (zh) * | 2018-08-23 | 2019-01-18 | 中南大学 | 一种基于轨迹自适应聚类的路网快速更新的方法及系统 |
CN109910909A (zh) * | 2019-02-25 | 2019-06-21 | 清华大学 | 一种多车运动状态的汽车轨迹网联交互式预测方法 |
CN110807924A (zh) * | 2019-11-04 | 2020-02-18 | 吴钢 | 基于全量全样实时交通数据的多参数融合方法及系统 |
CN111046919A (zh) * | 2019-11-21 | 2020-04-21 | 南京航空航天大学 | 一种融合行为意图的周围动态车辆轨迹预测系统及方法 |
CN111243309A (zh) * | 2020-01-10 | 2020-06-05 | 北京航空航天大学 | 一种基于自动驾驶车辆移动检测的快速路交通流全样本轨迹重构方法 |
CN111899509A (zh) * | 2020-07-20 | 2020-11-06 | 北方工业大学 | 一种基于车路信息耦合的智能网联汽车状态向量计算方法 |
CN112567439A (zh) * | 2020-11-09 | 2021-03-26 | 驭势(上海)汽车科技有限公司 | 一种交通流信息的确定方法、装置、电子设备和存储介质 |
WO2022222632A1 (zh) * | 2021-04-19 | 2022-10-27 | 腾讯科技(深圳)有限公司 | 交通仿真方法、装置、计算机设备和存储介质 |
CN114550449A (zh) * | 2022-02-16 | 2022-05-27 | 腾讯云计算(北京)有限责任公司 | 车辆轨迹补全方法、装置、计算机可读介质及电子设备 |
CN115311854A (zh) * | 2022-07-22 | 2022-11-08 | 东南大学 | 一种基于数据融合的车辆时空轨迹重构方法 |
Non-Patent Citations (5)
Title |
---|
Trajectory reconstruction for freeway traffic mixed with human-driven vehicles and connected and automated vehicles;Yunpeng Wang et al.;Transportation Reserch Part C:Emerging Technologies;20191224;第111卷;135-155 * |
Trajectory reconstruction for mixed traffic flow with regular, connected, and connected automated vehicles on freeway;Zhihong Yao et al.;IET Intelligent Transport Systems;20221014;1-17 * |
城市信控干道动态行程时间估计及预测;朱晨冉;中国优秀硕士学位论文全文数据库 工程科技II辑;20190115(1);C034-2040 * |
基于跟驰特性的智能网联车混合交通流轨迹重构;蒋阳升;刘梦;王思琛;高宽;姚志洪;西南交通大学学报;20211231;56(006);1135-1142 * |
网联环境下的车辆轨迹重构与交通状态感知研究;张玫;中国优秀硕士学位论文全文数据库 工程科技II辑;20220615(第6期);C034-377 * |
Also Published As
Publication number | Publication date |
---|---|
CN115879294A (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
CN108372857B (zh) | 自主驾驶系统的通过事件发生和情节记忆回顾进行有效情景感知 | |
JP6524144B2 (ja) | 車両制御システム及び方法、並びに走行支援サーバ | |
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 | |
CN109275121B (zh) | 一种基于自适应扩展卡尔曼滤波的车辆轨迹跟踪方法 | |
US11380105B2 (en) | Identification and classification of traffic conflicts | |
US20200346654A1 (en) | Vehicle Information Storage Method, Vehicle Travel Control Method, and Vehicle Information Storage Device | |
CN110481526B (zh) | 一种智能汽车传感器盲区行人检测及主动避撞方法 | |
WO2021155685A1 (zh) | 一种更新地图的方法、装置和设备 | |
US10839263B2 (en) | System and method for evaluating a trained vehicle data set familiarity of a driver assitance system | |
Kim et al. | Probabilistic threat assessment with environment description and rule-based multi-traffic prediction for integrated risk management system | |
CN115249349B (zh) | 一种点云去噪方法、电子设备及存储介质 | |
CN104700657A (zh) | 一种基于人工神经网络的周边车辆行为预判系统 | |
Sehestedt et al. | Efficient lane detection and tracking in urban environments | |
DE102023111485A1 (de) | Nachverfolgungssegmentbereinigung nachverfolgter objekte | |
CN115223131A (zh) | 一种自适应巡航的跟随目标车辆检测方法、装置及汽车 | |
CN115879294B (zh) | 一种基于多车环境感知的全样车流轨迹生成方法及系统 | |
Behringer et al. | Results on visual road recognition for road vehicle guidance | |
CN114896820A (zh) | 基于虚拟场景的汽车列车行驶通过性及性能分析预测方法 | |
CN116189472A (zh) | 一种路口预警方法及装置 | |
CN110579781B (zh) | 一种车辆定位方法、装置及电子设备 | |
Yuan et al. | Real-time long-range road estimation in unknown environments | |
CN117494029B (zh) | 一种道路抛洒物事件识别方法及装置 | |
CN116811884B (zh) | 一种智能驾驶环境感知分析方法及系统 | |
CN117612127B (zh) | 场景生成方法、装置和存储介质及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |