CN115985089B - 一种基于云端感知弱势交通参与者的方法及装置 - Google Patents
一种基于云端感知弱势交通参与者的方法及装置 Download PDFInfo
- Publication number
- CN115985089B CN115985089B CN202211531511.7A CN202211531511A CN115985089B CN 115985089 B CN115985089 B CN 115985089B CN 202211531511 A CN202211531511 A CN 202211531511A CN 115985089 B CN115985089 B CN 115985089B
- Authority
- CN
- China
- Prior art keywords
- road side
- safety message
- traffic participant
- side safety
- side unit
- 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 38
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 238000013075 data extraction Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 44
- 238000012545 processing Methods 0.000 claims description 13
- 230000008447 perception Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 5
- 230000001771 impaired effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 abstract description 6
- 230000010267 cellular communication Effects 0.000 description 15
- 238000007635 classification algorithm Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction 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
Abstract
本发明公开一种基于云端感知弱势交通参与者的方法及装置，涉及智能网联汽车安全技术领域，包括：将弱势交通参与者AI模型集成在云端；上传基础安全消息和交通参与者消息，进行数据提取融合，得到第一路侧安全消息和第二路侧安全消息；没有路侧单元，将路侧安全消息中可信度高的一者发送至智能网联车辆；有路侧单元，将路侧安全消息中可信度高的一者发送至路侧单元，经路侧单元发送至智能网联车辆；智能网联车辆判断是否存在与弱势交通参与者碰撞的风险，若存在，则对驾驶员进行预警。本发明在云端利用弱势交通参与者AI模型快速识别弱势交通参与者，不仅能提高识别稳定性，而且可以降低对本地服务器的算力资源要求，从而降低建设成本。
Description
技术领域
本发明涉及智能网联汽车安全技术领域，具体而言，涉及一种基于云端感知弱势交通参与者的方法及装置。
背景技术
车路协同，一般是指采用无线通信和新一代互联网等技术，全方位实施车车、车路动态实时信息交互，并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理，充分实现人车路的有效协同，保证交通安全，提高通行效率，从而形成的安全、高效和环保的道路交通系统。
随着汽车的普及也带来了频繁的交通事故，其中由于车辆碰撞引发的交通事故是交通领域中对人类生命和财产安全影响最大的。因此，减少车辆碰撞提高驾驶安全性，成为各车企及研究机构的研究热点。
随着智能网联化的驱动，智能汽车的市场规模不断扩大和普及。智能网联汽车的领域涉及感知、融合、定位、决策、控制等多个环节，不同环节都需要大算力资源的支持，比如激光雷达的点云数据需要大量的CPU算力，摄像头的视频数据处理需要大算力资源才能快速处理，在定位、决策、控制等强逻辑处理的环节也需要CPU算力。因此，连接至智能网联车的计算服务器需要承担繁重的计算任务，对于计算服务器有较高的要求。因此，本发明提出一种基于云端感知弱势交通参与者的方法，在云端完成计算任务，从而可以降低对本地计算服务器的要求，节省建设成本。
发明内容
本发明提供一种基于云端感知弱势交通参与者的方法及装置，用以克服现有技术中存在的至少一个技术问题。
第一方面，本发明实施例提供一种基于云端感知弱势交通参与者的方法，包括：
对弱势交通参与者数据集进行ABC训练，得到弱势交通参与者AI模型F(x)；
将所述弱势交通参与者AI模型F(x)集成在云端控制管理系统中；假设F(x)是M项的总和，则其中，fm(x)基学习器，通过加权最小二乘法拟合得到fm(x)；所述弱势交通参与者AI模型F(x)的损失函数为其中，p大于等于1，xi是数据集中第i个特征，yi是第i个标签，i的取值为1至n，n表示样本数；
智能网联车辆周期性向所述云端控制管理系统上传基础安全消息；
采集交通参与者消息，并将采集到的交通参与者消息发送至所述云端控制管理系统和边缘计算平台；
所述云端控制管理系统根据所述基础安全消息、所述交通参与者消息和所述弱势交通参与者AI模型进行数据提取融合，计算得到第一路侧安全消息；
边缘计算平台对接收到的所述交通参与者消息进行数据处理，得到第二路侧安全消息；
判断所述第一路侧安全消息和所述第二路侧安全消息的可信度，若所述第一路侧安全消息的可信度高于所述二路侧安全消息的可信度，则判断是否设置有路侧单元，若没有路侧单元，所述云端控制管理系统将所述第一路侧安全消息发送至所述智能网联车辆；若有路侧单元，所述云端控制管理系统将所述第一路侧安全消息发送至所述路侧单元，所述路侧单元将所述第一路侧安全消息发送至所述智能网联车辆；若所述第一路侧安全消息的可信度低于所述第二路侧安全消息的可信度，则判断是否设置有路侧单元，若没有路侧单元，所述边缘计算平台将所述第二路侧安全消息发送至所述智能网联车辆；若有路侧单元，所述边缘计算平台将所述第二路侧安全消息发送至所述路侧单元，所述路侧单元将所述第二路侧安全消息发送至所述智能网联车辆；
所述智能网联车辆根据所述第一路侧安全消息或第二路侧安全消息判断是否存在与弱势交通参与者碰撞的风险，若存在，则对驾驶员进行预警。
可选地，所述采集交通参与者消息，具体为：
通过道路采集设备，采集区域范围内的道路环境信息，根据采集到的所述道路环境信息得到所述交通参与者消息。
可选地，所述云端控制管理系统根据所述基础安全消息、所述交通参与者消息和所述弱势交通参与者AI模型进行数据提取融合时，采用提升算法Boosting，通过对所述弱势交通参与者AI模型逐步做加法扩展，得到路侧安全消息。
可选地，当没有路侧单元时，所述云端控制管理系统通过Uu口将所述第一路侧安全消息发送至所述智能网联车辆；
当有路侧单元时，所述云端控制管理系统通过Uu口将所述第一路侧安全消息发送至所述路侧单元；所述路侧单元将所述第一路侧安全消息通过pc5广播给所述智能网联车辆。
可选地，所述弱势交通参与者包括行人、自行车、电动自行车。
另一方面，本发明实施例还提供一种基于云端感知弱势交通参与者的装置，其特征在于，包括：
训练模块，用于对弱势交通参与者数据集进行ABC训练，得到弱势交通参与者AI模型F(x)；
集成模块，用于将所述弱势交通参与者AI模型F(x)集成在云端控制管理系统中；假设F(x)是M项的总和，则其中，fm(x)基学习器，通过加权最小二乘法拟合得到fm(x)；所述弱势交通参与者AI模型F(x)的损失函数为其中，p大于等于1，xi是数据集中第i个特征，yi是第i个标签，i的取值为1至n，n表示样本数；
上传模块，用于使智能网联车辆周期性向所述云端控制管理系统上传基础安全消息；
道路信息采集设备，用于采集交通参与者消息，并将采集到的交通参与者消息发送至所述云端控制管理系统和边缘计算平台；
云端控制管理系统，用于根据所述基础安全消息、所述交通参与者消息和所述弱势交通参与者AI模型进行数据提取融合，计算得到第一路侧安全消息；
边缘计算平台，用于对接收到的所述交通参与者消息进行数据处理，得到第二路侧安全消息；
第一判断模块，用于判断所述第一路侧安全消息和所述第二路侧安全消息的可信度，若所述第一路侧安全消息的可信度高于所述第二路侧安全消息的可信度，则判断是否设置有路侧单元，若没有路侧单元，所述云端控制管理系统将所述第一路侧安全消息发送至所述智能网联车辆；若有路侧单元，所述云端控制管理系统将所述第一路侧安全消息发送至所述路侧单元，所述路侧单元将所述第一路侧安全消息发送至所述智能网联车辆；若所述第一路侧安全消息的可信度低于所述第二路侧安全消息的可信度，则判断是否设置有路侧单元，若没有路侧单元，所述边缘计算平台将所述第二路侧安全消息发送至所述智能网联车辆；若有路侧单元，所述边缘计算平台将所述第二路侧安全消息发送至所述路侧单元，所述路侧单元将所述第二路侧安全消息发送至所述智能网联车辆；
第二判断模块，用于所述智能网联车辆根据所述第一路侧安全消息或第二路侧安全消息判断是否存在与弱势交通参与者碰撞的风险，若存在，则对驾驶员进行预警。
可选地，所述道路信息采集设备，包括摄像头、雷达。
本发明实施例的创新点包括：
1、本实施例中，通过对弱势交通参与者数据集进行训练，生成弱势交通参与者AI模型，并将弱势交通参与者AI模型集成在云端控制管理系统中，从而可以在云端利用弱势交通参与者AI模型快速识别弱势交通参与者，不仅能提高识别稳定性，而且可以降低对本地服务器的算力资源要求，从而降低建设成本，是本发明实施例的创新点之一。
2、本实施例中，在云端识别弱势交通参与者时生成第一路侧安全消息，同时通过边缘计算平台处理数据得到第二路侧安全消息，选择第一路侧安全消息和第二路侧安全消息中可信度高的发送至智能网联汽车，可以全面监测车辆周围环境，有效提高车辆行驶安全，是本发明实施例的创新点之一。
3、本实施例中，发送路侧安全消息时，根据是否设置路侧单元，采用不同的发送方式，能够根据不同的应用场合，灵活选择消息传输方式，提高用户的使用感受，是本发明实施例的创新点之一。
附图说明
为了更清楚地说明本发明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作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明实施例提供的基于云端感知弱势交通参与者的方法的一种流程图；
图2为本发明实施例提供的基于云端感知弱势交通参与者的装置的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
需要说明的是，本发明实施例及附图中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了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它步骤或单元。
本发明实施例公开了一种基于云端感知弱势交通参与者的方法及装置。以下分别进行详细说明。
图1为本发明实施例提供的基于云端感知弱势交通参与者的方法的一种流程图，请参考图1，本实施例提供的基于云端感知弱势交通参与者的方法，包括：
步骤1：对弱势交通参与者数据集进行ABC训练，得到弱势交通参与者AI模型F(x)；
步骤2：将弱势交通参与者AI模型F(x)集成在云端控制管理系统中；假设F(x)是M项的总和，则其中，fm(x)基学习器，通过加权最小二乘法拟合得到fm(x)；所述弱势交通参与者AI模型F(x)的损失函数为其中，p大于等于1，xi是数据集中第i个特征，yi是第i个标签，i的取值为1至n，n表示样本数；
步骤3：智能网联车辆周期性向云端控制管理系统上传基础安全消息；
步骤4：采集交通参与者消息，并将采集到的交通参与者消息发送至云端控制管理系统和边缘计算平台；
步骤5：云端控制管理系统根据基础安全消息、交通参与者消息和弱势交通参与者AI模型进行数据提取融合，计算得到第一路侧安全消息；
步骤6：边缘计算平台对接收到的所述交通参与者消息进行数据处理，得到第二路侧安全消息；
步骤7：判断第一路侧安全消息和第二路侧安全消息的可信度，若第一路侧安全消息的可信度高于二路侧安全消息的可信度，则判断是否设置有路侧单元，若没有路侧单元，云端控制管理系统将第一路侧安全消息发送至智能网联车辆；若有路侧单元，云端控制管理系统将第一路侧安全消息发送至路侧单元，路侧单元将第一路侧安全消息发送至智能网联车辆；若第一路侧安全消息的可信度低于第二路侧安全消息的可信度，则判断是否设置有路侧单元，若没有路侧单元，边缘计算平台将第二路侧安全消息发送至智能网联车辆；若有路侧单元，边缘计算平台将第二路侧安全消息发送至路侧单元，路侧单元将第二路侧安全消息发送至智能网联车辆；
步骤8：智能网联车辆根据第一路侧安全消息或第二路侧安全消息判断是否存在与弱势交通参与者碰撞的风险，若存在，则对驾驶员进行预警。
具体地，请参考图1，本实施例提供的基于云端感知弱势交通参与者的方法，首先在步骤1中对弱势交通参与者数据集进行训练，弱势交通参与者数据例如可以为弱势交通参与者类别及状态，其中，弱势交通参与者类别包括但不限于行人、自行车、电动自行车等，弱势交通参与者状态例如可以包括但不限于大小、形状、速度、坐标等。
弱势交通参与者数据集{yi，xi}可以通过在日常生活中观察并记录得到的数据形成，例如，表1为日常记录形成的弱势交通参与者数据集的一种示例，其中，表1第1列数据表示弱势交通参与者类别，例如，1表示行人，2表示自行车，3表示摩托车，4表示三轮车。第2-N列表示弱势交通参与者状态，如大小。速度、形状、坐标等等。
表1
需要说明的是，表1所示数据集仅是为了示意性说明弱势交通参与者数据集的形式，并不表示实际的数据集内容，在实际应用中，数据集中数据值需根据应用需求实际采集。
通过训练弱势交通参与者数据集{yi，xi}，可以得到弱势交通参与者AI模型F(x)，训练数据集时，可以采用多分类的ABC-Boost(Adaptive Base Class，自适应基类增强)法进行训练，得到异常驾驶AI模型，此处的AI模型是由多个弱分类器构成的强学习器，其中，弱学习器指的是分类器的分类准确率在60％-80％，即，比随机预测略好，但准确率却不太高；强学习器指的是分类精度90％以上的分类器。
假设F(x)是M项的总和，即其中，fm(x)是基学习器。在每次增强迭代中，通过加权最小二乘法拟合fm，响应值{zi}和权重{wi}分别为/>其中，当p≥1时，/> 当p≥2时，
本实施例中，弱势交通参与者AI模型F(x)的损失函数为 其中，xi是数据集的第i个特征，yi是第i个标签，i的取值为1至n，n表示样本数。
通过训练得到弱势交通参与者AI模型后，在步骤2中将该弱势交通参与者AI模型集成在云端控制管理系统中，如此，后续即可在云端识别该弱势交通参与者。
在步骤3中，智能网联车辆周期性向云端控制管理系统上传基础安全消息，其中，基础安全消息中包含车辆的当前坐标信息。为了能够监测到交通参与者消息，本申请在步骤4中采集交通参与者消息，采集交通参与者消息时，可以通过在路侧设置路侧感知设备，例如摄像机、雷达等，然后利用路侧感知设备采集交通参与者消息，同时将采集到的交通参与者消息发送至云端控制管理系统和边缘计算平台。
需要说明的是，步骤2、步骤3和步骤4仅是为了示意性说明该方法中包含这些步骤，并不代表各个步骤的实际执行顺序。例如，在实际应用中，可以先执行步骤3，在执行步骤2，然后执行步骤4，或者也可以三个步骤同时执行，本申请对此不作限定。
将上述数据上传至云端控制管理系统和边缘计算平台后，在步骤5中，云端控制管理系统根据基础安全消息、交通参与者消息和弱势交通参与者AI模型，进行数据提取融合，即可计算得到第一路侧安全消息。同时，在步骤6中，边缘计算平台对接收到的交通参与者消息进行数据处理，得到第二路侧安全消息。
进行数据融合计算时，可以通过Boosting框架算法，Boosting框架算法可以用来提高其他弱分类算法的识别率，也就是将其他的弱分类算法作为基分类算法放于Boosting框架中，通过Boosting框架对训练数据集的操作，得到不同的训练数据子集，用该数据子集去训练生成基分类器；每得到一个数据集就用该基分类算法在该数据集上产生一个基分类器，这样在给定训练轮数n后，就可产生n个基分类器，然后Boosting框架算法将这n个基分类器进行加权融合，产生一个最后的结果分类器。在这n个基分类器中，每个单个的分类器的识别率不一定很高，但他们联合后的结果有很高的识别率，这样便提高了该弱分类算法的识别率将弱学习器变为强学习器，有利于提升模型能力。
得到路侧安全消息后，需要对第一路侧安全消息和第二路侧安全消息的可信度进行判断，将可信度高的路侧安全消息下发至区域内的网联车辆。下发路侧安全消息时，根据是否设置有路侧单元，需要采用不同的下发方式。因此，在步骤7中，首先要判断第一路侧安全消息和第二路侧安全消息的可信度，然后判断是否设置有路侧单元。
具体可参考图1，当第一路侧安全消息的可信度高于二路侧安全消息的可信度时，如果没设置路侧单元，云端控制管理系统利用Uu蜂窝通讯的方式，直接将第一路侧安全消息下发至智能网联车辆，通过Uu蜂窝通讯发送，覆盖范围较广。若果设置了路侧单元，则云端控制管理系统利用Uu蜂窝通讯的方式，将第一路侧安全消息发送至路侧单元，然后路侧单元通过pc5广播的方式将第一路侧安全消息发送至智能网联车辆。反之，当第二路侧安全消息的可信度高于第一路侧安全消息的可信度时，如果没设置路侧单元，边缘计算平台利用Uu蜂窝通讯的方式，直接将第二路侧安全消息下发至智能网联车辆，通过Uu蜂窝通讯发送，覆盖范围较广。若果设置了路侧单元，则边缘计算平台利用Uu蜂窝通讯的方式，将第二路侧安全消息发送至路侧单元，然后路侧单元通过pc5广播的方式将第二路侧安全消息发送至智能网联车辆。
最后在步骤8中，智能网联车辆根据接收到的路侧安全消息，如第一路侧安全消息或第二路侧安全消息，并结合自身的定位和行驶数据信息进行判断，判断是否存在与弱势交通参与者碰撞的风险，如果不存在碰撞风险，则可以继续正常行驶，如果存在碰撞风险，则对驾驶员发出预警消息，以便驾驶员可以及时进行防范，从而避免发生交通事故。
本发明提出的基于云端感知弱势交通参与者的方法，通过对弱势交通参与者数据集进行训练，生成弱势交通参与者AI模型，并将弱势交通参与者AI模型集成在云端控制管理系统中，从而可以在云端利用弱势交通参与者AI模型快速识别弱势交通参与者，不仅能提高识别稳定性，而且可以降低对本地服务器的算力资源要求，从而降低建设成本。此外，在云端识别弱势交通参与者时生成第一路侧安全消息，同时通过边缘计算平台处理数据得到第二路侧安全消息，选择第一路侧安全消息和第二路侧安全消息中可信度高的发送至智能网联汽车，可以全面监测车辆周围环境，有效提高车辆行驶安全。发送路侧安全消息时，根据是否设置路侧单元，采用不同的发送方式，能够根据不同的应用场合，灵活选择消息传输方式，提高用户的使用感受。
可选地，请参考图1，步骤1中，对弱势交通参与者数据集进行训练时，采用ABC训练框架，对弱势交通参与者数据集进行训练。
具体地，请参考图1，训练数据集时，可以采用多分类的ABC-Boost(Adaptive BaseClass，自适应基类增强)法进行训练，也即ABC训练框架进行训练，得到异常驾驶AI模型，此处的AI模型是由多个弱分类器构成的强学习器，其中，弱学习器指的是分类器的分类准确率在60％-80％，即，比随机预测略好，但准确率却不太高；强学习器指的是分类精度90％以上的分类器。通过训练得到弱势交通参与者AI模型后，将该弱势交通参与者AI模型上传至云端控制管理系统，以便后续可以通过云端控制管理系统识别异常弱势交通参与者，不仅能提高识别稳定性，而且可以降低对本地服务器的算力资源要求，从而降低建设成本。
采用ABC训练框架进行训练的具体方法，可参考现有技术中关于ABC训练框架进行训练的方法，此处不再进行赘述。
可选地，请参考图1，步骤4中，采集交通参与者消息，具体为：通过道路采集设备，采集区域范围内的道路环境信息，根据采集到的道路环境信息得到交通参与者消息。
具体地，请参考图1，为了能够采集到交通参与者消息，本实施例中设置道路采集设备，通过道路采集设备采集区域范围内的道路环境信息，根据采集到的道路环境信息即可得到交通参与者消息。道路采集设备例如可以为路侧感知设备，通过在路侧设置路侧感知设备，例如摄像机、雷达等，利用路侧感知设备采集交通参与者消息，同时将采集到的交通参与者消息发送至云端控制管理系统。
可选地，请参考图1，步骤5中，云端控制管理系统根据基础安全消息、交通参与者消息和弱势交通参与者AI模型进行数据提取融合时，采用提升算法Boosting，通过对弱势交通参与者AI模型逐步做加法扩展，得到路侧安全消息。
具体地，请参考图1，云端控制管理系统根据基础安全消息、交通参与者消息和弱势交通参与者AI模型，进行数据提取融合计算时，采用提升算法Boosting，Boosting是一种框架算法，通过对AI模型逐步做加法扩展，也就是将其他的弱分类算法作为基分类算法放于Boosting框架中，通过Boosting框架对训练数据集的操作，得到不同的训练数据子集，用该数据子集去训练生成基分类器；每得到一个数据集就用该基分类算法在该数据集上产生一个基分类器，这样在给定训练轮数n后，就可产生n个基分类器，然后Boosting框架算法将这n个基分类器进行加权融合，产生一个最后的结果分类器。在这n个基分类器中，每个单个的分类器的识别率不一定很高，但他们联合后的结果有很高的识别率，这样便提高了该弱分类算法的识别率将弱学习器变为强学习器，有利于提升模型能力。
可选地，当没有路侧单元时，云端控制管理系统通过Uu口将第一路侧安全消息发送至智能网联车辆；当有路侧单元时，云端控制管理系统通过Uu口将第一路侧安全消息发送至路侧单元；路侧单元将第一路侧安全消息通过pc5广播给智能网联车辆。
具体地，得到路侧安全消息后，需要将路侧安全消息下发至区域内的网联车辆。下发第一路侧安全消息时，根据是否设置有路侧单元，需要采用不同的下发方式。如果没设置路侧单元，云端控制管理系统利用Uu蜂窝通讯的方式，直接将第一路侧安全消息下发至智能网联车辆，通过Uu蜂窝通讯发送，覆盖范围较广。若果设置了路侧单元，则云端控制管理系统利用Uu蜂窝通讯的方式，将第一路侧安全消息发送至路侧单元，然后路侧单元通过pc5广播的方式将第一路侧安全消息发送至智能网联车辆。能够根据不同的应用场合，灵活选择消息传输方式，提高用户的使用感受。
基于同一发明构思，本发明还提供一种基于云端感知弱势交通参与者的装置，图2为本发明实施例提供的基于云端感知弱势交通参与者的装置100的一种结构示意图，请参考图1和图2，本实施例提供的基于云端感知弱势交通参与者的装置100，包括：
训练模块10，用于对弱势交通参与者数据集进行ABC训练，得到弱势交通参与者AI模型F(x)；
集成模块20，用于将弱势交通参与者AI模型F(x)集成在云端控制管理系统50中；假设F(x)是M项的总和，则其中，fm(x)基学习器，通过加权最小二乘法拟合得到fm(x)；所述弱势交通参与者AI模型F(x)的损失函数为其中，p大于等于1，xi是数据集中第i个特征，yi是第i个标签，i的取值为1至n，n表示样本数；
上传模块30，用于使智能网联车辆周期性向云端控制管理系统50上传基础安全消息；
道路信息采集设备40，用于采集交通参与者消息，并将采集到的交通参与者消息发送至云端控制管理系统50和边缘计算平台80；
云端控制管理系统50，用于根据基础安全消息、交通参与者消息和弱势交通参与者AI模型进行数据提取融合，计算得到路侧安全消息；
边缘计算平台80，用于对接收到的交通参与者消息进行数据处理，得到第二路侧安全消息；
第一判断模块60，用于判断第一路侧安全消息和第二路侧安全消息的可信度，若第一路侧安全消息的可信度高于第二路侧安全消息的可信度，则判断是否设置有路侧单元，若没有路侧单元，云端控制管理系统50将第一路侧安全消息发送至智能网联车辆；若有路侧单元，云端控制管理系统50将第一路侧安全消息发送至路侧单元，路侧单元将第一路侧安全消息发送至智能网联车辆；若第一路侧安全消息的可信度低于第二路侧安全消息的可信度，则判断是否设置有路侧单元，若没有路侧单元，边缘计算平台80将第二路侧安全消息发送至智能网联车辆；若有路侧单元，边缘计算平台80将第二路侧安全消息发送至路侧单元，路侧单元将第二路侧安全消息发送至智能网联车辆；
第二判断模块70，用于智能网联车辆根据第一路侧安全消息或第二路侧安全消息判断是否存在与弱势交通参与者碰撞的风险，若存在，则对驾驶员进行预警。
具体地，请参考图2，本实施例提供的基于云端感知弱势交通参与者的装置，包括训练模块10和集成模块20，通过训练模块10对弱势交通参与者数据集{yi，xi}进行训练，弱势交通参与者数据例如可以为弱势交通参与者类别及状态，其中，弱势交通参与者类别包括但不限于行人、自行车、电动自行车等，弱势交通参与者状态例如可以包括但不限于大小、形状、速度、坐标等。
通过训练弱势交通参与者数据集{yi，xi}，可以得到弱势交通参与者AI模型F(x)，训练数据集{yi，xi}时，可以采用多分类的ABC-Boost(Adaptive Base Class，自适应基类增强)法进行训练，得到异常驾驶AI模型，此处的AI模型是由多个弱分类器构成的强学习器，其中，弱学习器指的是分类器的分类准确率在60％-80％，即，比随机预测略好，但准确率却不太高；强学习器指的是分类精度90％以上的分类器。
假设F(x)是M项的总和，即其中，fm(x)是基学习器。在每次增强迭代中，通过加权最小二乘法拟合fm，响应值{zi}和权重{wi}分别为/>其中，当p≥1时，/> 当p≥2时，
本实施例中，弱势交通参与者AI模型F(x)的损失函数为 其中，xi是数据集的第i个特征，yi是第i个标签，i的取值为1至n，n表示样本数。
通过训练得到弱势交通参与者AI模型后，利用集成模块20将该弱势交通参与者AI模型集成在云端控制管理系统50中，如此，后续即可在云端识别该弱势交通参与者。
本实施例提供的基于云端感知弱势交通参与者的装置，还包括上传模块30和道路信息采集设备40，上传模块30使智能网联车辆周期性向云端控制管理系统50上传基础安全消息，其中，基础安全消息中包含车辆的当前坐标信息。为了能够监测到交通参与者消息，本申请通过道路信息采集设备40采集交通参与者消息，采集交通参与者消息时，可以通过在路侧设置路侧感知设备，例如摄像机、雷达等，然后利用路侧感知设备采集交通参与者消息，同时将采集到的交通参与者消息发送至云端控制管理系统50和边缘计算平台80。
将上述数据上传至云端控制管理系统50和边缘计算平台80后，云端控制管理系统50根据基础安全消息、交通参与者消息和弱势交通参与者AI模型，进行数据提取融合，即可计算得到第一路侧安全消息。同时，边缘计算平台80对接收到的交通参与者消息进行数据处理，得到第二路侧安全消息。
进行数据融合计算时，可以通过Boosting框架算法，Boosting框架算法可以用来提高其他弱分类算法的识别率，也就是将其他的弱分类算法作为基分类算法放于Boosting框架中，通过Boosting框架对训练数据集的操作，得到不同的训练数据子集，用该数据子集去训练生成基分类器；每得到一个数据集就用该基分类算法在该数据集上产生一个基分类器，这样在给定训练轮数n后，就可产生n个基分类器，然后Boosting框架算法将这n个基分类器进行加权融合，产生一个最后的结果分类器。在这n个基分类器中，每个单个的分类器的识别率不一定很高，但他们联合后的结果有很高的识别率，这样便提高了该弱分类算法的识别率将弱学习器变为强学习器，有利于提升模型能力。
得到路侧安全消息后，需要对第一路侧安全消息和第二路侧安全消息的可信度进行判断，将可信度高的路侧安全消息下发至区域内的网联车辆。下发路侧安全消息时，根据是否设置有路侧单元，需要采用不同的下发方式。因此，本实施例提供的基于云端感知弱势交通参与者的装置，还包括第一判断模块60，通过第一判断模块60判断第一路侧安全消息和第二路侧安全消息的可信度，然后判断是否设置有路侧单元。
当第一路侧安全消息的可信度高于二路侧安全消息的可信度时，如果没设置路侧单元，云端控制管理系统50利用Uu蜂窝通讯的方式，直接将第一路侧安全消息下发至智能网联车辆，通过Uu蜂窝通讯发送，覆盖范围较广。若果设置了路侧单元，则云端控制管理系统50利用Uu蜂窝通讯的方式，将第一路侧安全消息发送至路侧单元，然后路侧单元通过pc5广播的方式将第一路侧安全消息发送至智能网联车辆。反之，当第二路侧安全消息的可信度高于第一路侧安全消息的可信度时，如果没设置路侧单元，边缘计算平台80利用Uu蜂窝通讯的方式，直接将第二路侧安全消息下发至智能网联车辆，通过Uu蜂窝通讯发送，覆盖范围较广。若果设置了路侧单元，则边缘计算平台80利用Uu蜂窝通讯的方式，将第二路侧安全消息发送至路侧单元，然后路侧单元通过pc5广播的方式将第二路侧安全消息发送至智能网联车辆。
本实施例提供的基于云端感知弱势交通参与者的装置，还包括第二判断模块70，智能网联车辆根据接收到的路侧安全消息，如第一路侧安全消息或第二路侧安全消息，并结合自身的定位和行驶数据信息，利用第二判断模块70进行判断，判断是否存在与弱势交通参与者碰撞的风险，如果不存在碰撞风险，则可以继续正常行驶，如果存在碰撞风险，则对驾驶员发出预警消息，以便驾驶员可以及时进行防范，从而避免发生交通事故。
本发明提出的基于云端感知弱势交通参与者的装置，通过对弱势交通参与者数据集进行训练，生成弱势交通参与者AI模型，并将弱势交通参与者AI模型集成在云端控制管理系统50中，从而可以在云端利用异常驾驶AI模型快速识别弱势交通参与者，不仅能提高识别稳定性，而且可以降低对本地服务器的算力资源要求，从而降低建设成本。此外，在云端识别弱势交通参与者时生成第一路侧安全消息，同时通过边缘计算平台处理数据得到第二路侧安全消息，选择第一路侧安全消息和第二路侧安全消息中可信度高的发送至智能网联汽车，可以全面监测车辆周围环境，有效提高车辆行驶安全。发送路侧安全消息时，根据是否设置路侧单元，采用不同的发送方式，能够根据不同的应用场合，灵活选择消息传输方式，提高用户的使用感受。
可选地，请参考图2，道路信息采集设备40，包括摄像头、雷达。具体地，请参考图2，道路信息采集设备40可以是设置在路侧的路侧感知设备，例如可以为摄像头、雷达等。在采集交通参与者信息时，通过摄像头和雷达采集交通通行情况，并将采集到的交通通行情况上传至云端控制管理系统50，以便于云端控制管理系统50对弱势交通参与者进行识别。
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发明所必须的。
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发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前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发明实施例技术方案的精神和范围。
Claims (7)
1.一种基于云端感知弱势交通参与者的方法，其特征在于，包括：
对弱势交通参与者数据集进行ABC-Boost训练，得到弱势交通参与者AI模型F(x)；
将所述弱势交通参与者AI模型F(x)集成在云端控制管理系统中；F(x)是M项的总和，则其中，fm(x)为基学习器，通过加权最小二乘法拟合得到fm(x)；所述弱势交通参与者AI模型F(x)的损失函数为/>其中，p大于等于1，xi是数据集中第i个特征，yi是第i个标签，i的取值为1至n，n表示样本数；
智能网联车辆周期性向所述云端控制管理系统上传基础安全消息；其中，所述基础安全消息中包含车辆的当前坐标信息；
采集交通参与者消息，并将采集到的交通参与者消息发送至所述云端控制管理系统和边缘计算平台；
所述云端控制管理系统根据所述基础安全消息、所述交通参与者消息和所述弱势交通参与者AI模型进行数据提取融合，计算得到第一路侧安全消息；
边缘计算平台对接收到的所述交通参与者消息进行数据处理，得到第二路侧安全消息；
判断所述第一路侧安全消息和所述第二路侧安全消息的可信度，若所述第一路侧安全消息的可信度高于所述二路侧安全消息的可信度，则判断是否设置有路侧单元，若没有路侧单元，所述云端控制管理系统将所述第一路侧安全消息发送至所述智能网联车辆；若有路侧单元，所述云端控制管理系统将所述第一路侧安全消息发送至所述路侧单元，所述路侧单元将所述第一路侧安全消息发送至所述智能网联车辆；若所述第一路侧安全消息的可信度低于所述第二路侧安全消息的可信度，则判断是否设置有路侧单元，若没有路侧单元，所述边缘计算平台将所述第二路侧安全消息发送至所述智能网联车辆；若有路侧单元，所述边缘计算平台将所述第二路侧安全消息发送至所述路侧单元，所述路侧单元将所述第二路侧安全消息发送至所述智能网联车辆；
所述智能网联车辆根据所述第一路侧安全消息或第二路侧安全消息判断是否存在与弱势交通参与者碰撞的风险，若存在，则对驾驶员进行预警。
2.根据权利要求1所述的基于云端感知弱势交通参与者的方法，其特征在于，所述采集交通参与者消息，具体为：
通过道路采集设备，采集区域范围内的道路环境信息，根据采集到的所述道路环境信息得到所述交通参与者消息。
3.根据权利要求1所述的基于云端感知弱势交通参与者的方法，其特征在于，所述云端控制管理系统根据所述基础安全消息、所述交通参与者消息和所述弱势交通参与者AI模型进行数据提取融合时，采用提升算法Boosting，通过对所述弱势交通参与者AI模型逐步做加法扩展，得到第一路侧安全消息。
4.根据权利要求1所述的基于云端感知弱势交通参与者的方法，其特征在于，
当没有路侧单元时，所述云端控制管理系统通过Uu口将所述第一路侧安全消息发送至所述智能网联车辆；
当有路侧单元时，所述云端控制管理系统通过Uu口将所述第一路侧安全消息发送至所述路侧单元；所述路侧单元将所述第一路侧安全消息通过pc5广播给所述智能网联车辆。
5.根据权利要求1所述的基于云端感知弱势交通参与者的方法，其特征在于，所述弱势交通参与者包括行人、自行车、电动自行车。
6.一种基于云端感知弱势交通参与者的装置，其特征在于，包括：
训练模块，用于对弱势交通参与者数据集进行ABC-Boost训练，得到弱势交通参与者AI模型F(x)；
集成模块，用于将所述弱势交通参与者AI模型F(x)集成在云端控制管理系统中；F(x)是M项的总和，则其中，fm(x)为基学习器，通过加权最小二乘法拟合得到fm(x)；所述弱势交通参与者AI模型F(x)的损失函数为其中，p大于等于1，xi是数据集中第i个特征，yi是第i个标签，i的取值为1至n，n表示样本数；
上传模块，用于使智能网联车辆周期性向所述云端控制管理系统上传基础安全消息；其中，所述基础安全消息中包含车辆的当前坐标信息；
道路信息采集设备，用于采集交通参与者消息，并将采集到的交通参与者消息发送至所述云端控制管理系统和边缘计算平台；
云端控制管理系统，用于根据所述基础安全消息、所述交通参与者消息和所述弱势交通参与者AI模型进行数据提取融合，计算得到第一路侧安全消息；
边缘计算平台对接收到的所述交通参与者消息进行数据处理，得到第二路侧安全消息；
第一判断模块，用于判断所述第一路侧安全消息和所述第二路侧安全消息的可信度，若所述第一路侧安全消息的可信度高于所述第二路侧安全消息的可信度，则判断是否设置有路侧单元，若没有路侧单元，所述云端控制管理系统将所述第一路侧安全消息发送至所述智能网联车辆；若有路侧单元，所述云端控制管理系统将所述第一路侧安全消息发送至所述路侧单元，所述路侧单元将所述第一路侧安全消息发送至所述智能网联车辆；若所述第一路侧安全消息的可信度低于所述第二路侧安全消息的可信度，则判断是否设置有路侧单元，若没有路侧单元，所述边缘计算平台将所述第二路侧安全消息发送至所述智能网联车辆；若有路侧单元，所述边缘计算平台将所述第二路侧安全消息发送至所述路侧单元，所述路侧单元将所述第二路侧安全消息发送至所述智能网联车辆；
第二判断模块，用于所述智能网联车辆根据所述第一路侧安全消息或所述第二路侧安全消息判断是否存在与弱势交通参与者碰撞的风险，若存在，则对驾驶员进行预警。
7.根据权利要求6所述的基于云端感知弱势交通参与者的装置，其特征在于，所述道路信息采集设备，包括摄像头、雷达。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211531511.7A CN115985089B (zh) | 2022-12-01 | 2022-12-01 | 一种基于云端感知弱势交通参与者的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211531511.7A CN115985089B (zh) | 2022-12-01 | 2022-12-01 | 一种基于云端感知弱势交通参与者的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115985089A CN115985089A (zh) | 2023-04-18 |
| CN115985089B true CN115985089B (zh) | 2024-03-19 |
Family
ID=85963752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211531511.7A Active CN115985089B (zh) | 2022-12-01 | 2022-12-01 | 一种基于云端感知弱势交通参与者的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115985089B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103903441A (zh) * | 2014-04-04 | 2014-07-02 | 山东省计算中心 | 一种基于半监督学习的道路交通状态判别方法 |
| CN111601266A (zh) * | 2020-03-31 | 2020-08-28 | 浙江吉利汽车研究院有限公司 | 协同控制方法及系统 |
| CN111923927A (zh) * | 2019-05-13 | 2020-11-13 | 长城汽车股份有限公司 | 用于交互感知交通场景预测的方法和装置 |
| CN111967712A (zh) * | 2020-07-08 | 2020-11-20 | 北京航空航天大学 | 一种基于复杂网络理论的交通风险预测方法 |
| CN113409579A (zh) * | 2021-06-28 | 2021-09-17 | 鄂尔多斯市龙腾捷通科技有限公司 | 一种基于ai物联网技术的智慧城市交通管控系统 |
| WO2021226065A1 (en) * | 2020-05-04 | 2021-11-11 | Intel Corporation | Vulnerable road user basic service communication protocols framework and dynamic states |
| CN114373295A (zh) * | 2021-11-30 | 2022-04-19 | 江铃汽车股份有限公司 | 一种行车安全预警方法、系统、存储介质及设备 |
| CN114475630A (zh) * | 2022-01-19 | 2022-05-13 | 上汽通用五菱汽车股份有限公司 | 控车协同决策方法、装置、车辆及计算机可读存储介质 |
| CN115116257A (zh) * | 2022-05-24 | 2022-09-27 | 清华大学 | 基于边缘云服务的车辆调度方法、装置、设备及介质 |
| CN115240470A (zh) * | 2022-07-25 | 2022-10-25 | 广东轻工职业技术学院 | 基于nr-v2x的弱势交通参与者碰撞预警系统与方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9408040B2 (en) * | 2013-02-14 | 2016-08-02 | Fuji Xerox Co., Ltd. | Systems and methods for room-level location using WiFi |
| US20220375335A1 (en) * | 2017-05-17 | 2022-11-24 | Cavh Llc | Autonomous Vehicle and Cloud Control System |
-
2022
- 2022-12-01 CN CN202211531511.7A patent/CN115985089B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103903441A (zh) * | 2014-04-04 | 2014-07-02 | 山东省计算中心 | 一种基于半监督学习的道路交通状态判别方法 |
| CN111923927A (zh) * | 2019-05-13 | 2020-11-13 | 长城汽车股份有限公司 | 用于交互感知交通场景预测的方法和装置 |
| CN111601266A (zh) * | 2020-03-31 | 2020-08-28 | 浙江吉利汽车研究院有限公司 | 协同控制方法及系统 |
| WO2021226065A1 (en) * | 2020-05-04 | 2021-11-11 | Intel Corporation | Vulnerable road user basic service communication protocols framework and dynamic states |
| CN111967712A (zh) * | 2020-07-08 | 2020-11-20 | 北京航空航天大学 | 一种基于复杂网络理论的交通风险预测方法 |
| CN113409579A (zh) * | 2021-06-28 | 2021-09-17 | 鄂尔多斯市龙腾捷通科技有限公司 | 一种基于ai物联网技术的智慧城市交通管控系统 |
| CN114373295A (zh) * | 2021-11-30 | 2022-04-19 | 江铃汽车股份有限公司 | 一种行车安全预警方法、系统、存储介质及设备 |
| CN114475630A (zh) * | 2022-01-19 | 2022-05-13 | 上汽通用五菱汽车股份有限公司 | 控车协同决策方法、装置、车辆及计算机可读存储介质 |
| CN115116257A (zh) * | 2022-05-24 | 2022-09-27 | 清华大学 | 基于边缘云服务的车辆调度方法、装置、设备及介质 |
| CN115240470A (zh) * | 2022-07-25 | 2022-10-25 | 广东轻工职业技术学院 | 基于nr-v2x的弱势交通参与者碰撞预警系统与方法 |
Non-Patent Citations (1)
| Title |
|---|
| 网联汽车中基于边缘计算的智能预警系统设计与实现;马伯骄;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(第9期);C035-221 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115985089A (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lu et al. | The cognitive internet of vehicles for autonomous driving | |
| US11977387B2 (en) | Queueing into pickup and drop-off locations | |
| Dimitrakopoulos et al. | Proactive, knowledge‐based intelligent transportation system based on vehicular sensor networks | |
| JPWO2020100922A1 (ja) | データ配信システム、センサデバイス及びサーバ | |
| CN112925309A (zh) | 智能网联汽车数据交互方法及交互系统 | |
| CN110599791A (zh) | 信息监控方法、装置和设备 | |
| Thakur et al. | Internet of things based solutions for road safety and traffic management in intelligent transportation systems | |
| CN112163446A (zh) | 一种障碍物检测方法、装置、电子设备及存储介质 | |
| CN111951548B (zh) | 一种车辆驾驶风险确定方法、装置、系统及介质 | |
| CN113415275A (zh) | 车辆消息的处理方法、装置、可读介质及电子设备 | |
| CN114475630A (zh) | 控车协同决策方法、装置、车辆及计算机可读存储介质 | |
| Lai et al. | Rapid-response framework for defensive driving based on internet of vehicles using message-oriented middleware | |
| Tran et al. | Enhancement of robustness in object detection module for advanced driver assistance systems | |
| Gowtham et al. | An efficient monitoring of real time traffic clearance for an emergency service vehicle using iot | |
| CN113744524B (zh) | 一种基于车辆间协同计算通信的行人意图预测方法及系统 | |
| CN115985089B (zh) | 一种基于云端感知弱势交通参与者的方法及装置 | |
| CN116680601A (zh) | 边缘交通对象预测方法、装置、设备和存储介质 | |
| CN108961801A (zh) | 基于车联网的天气预告方法及车联网系统 | |
| CN113611121A (zh) | 一种小区内车路信息协同系统及方法 | |
| CN204791554U (zh) | 远程车联网车辆管理设备 | |
| Fatima et al. | Mobile crowdsensing with energy efficiency to control road congestion in internet cloud of vehicles: a review | |
| CN115512511A (zh) | 一种预警方法、装置、移动终端及可读存储介质 | |
| CN113808397A (zh) | 非机动车事故的数据处理方法、装置和云端服务器 | |
| JP6812337B2 (ja) | 移動対象物における所定事象の発生傾向を推定するプログラム、装置及び方法 | |
| Tran et al. | Robustness Enhancement of Object Detection in Advanced Driver Assistance Systems (ADAS) |
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 |