CN116129631A - 一种车路协同数据处理方法及相关设备 - Google Patents

一种车路协同数据处理方法及相关设备 Download PDF

Info

Publication number
CN116129631A
CN116129631A CN202111350317.4A CN202111350317A CN116129631A CN 116129631 A CN116129631 A CN 116129631A CN 202111350317 A CN202111350317 A CN 202111350317A CN 116129631 A CN116129631 A CN 116129631A
Authority
CN
China
Prior art keywords
data
road side
confidence
road
traffic
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
CN202111350317.4A
Other languages
English (en)
Inventor
杨哲
党诗芽
郑至城
范红定
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.)
China Mobile Communications Group Co Ltd
China Mobile Shanghai ICT Co Ltd
CM Intelligent Mobility Network Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Shanghai ICT Co Ltd
CM Intelligent Mobility Network Co Ltd
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 China Mobile Communications Group Co Ltd, China Mobile Shanghai ICT Co Ltd, CM Intelligent Mobility Network Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202111350317.4A priority Critical patent/CN116129631A/zh
Publication of CN116129631A publication Critical patent/CN116129631A/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
    • G08G1/01—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

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车路协同数据处理方法及相关设备，涉及通信技术领域，以解决相关技术中路侧感知数据的安全可靠性较差，进而影响车路协同信息服务的安全可靠性的问题。该方法包括：获取目标路段的N组路侧感知数据；获取目标路段的M组基本安全消息BSM数据；根据第i组路侧感知数据和M组BSM数据，对第i组路侧感知数据进行置信度判断，i依次取值1至N；输出N组路侧感知数据中置信度满足要求的K组路侧感知数据，K为小于或等于N的正整数；基于目标路段上的交通数据，对目标路段上的交通对象提供车路协同信息服务，交通数据包括K组路侧感知数据。本发明实施例可提高路侧感知数据的安全可靠性，进而保证车路协同信息服务的安全可靠性。

Description

一种车路协同数据处理方法及相关设备
技术领域
本发明涉及通信技术领域，尤其涉及一种车路协同数据处理方法及相关设备。
背景技术
相关技术中，车路协同系统大多采用摄像头、激光雷达、毫米波雷达等作为路侧感知设备，来得到路侧感知数据，并且还可结合车端感知数据，来得到较为准确的道路交通信息，以便分析使用。在实际交通场景中，这些感知设备的感知数据是不稳定的，在某些情况下会与真实数据存在较大误差，而相关技术中暂未有对路侧或车端感知数据进行置信度评估的方案，进而影响车路协同信息服务的安全可靠性。
发明内容
本发明实施例提供一种车路协同数据处理方法及相关设备，以解决相关技术中路侧感知数据的安全可靠性较差，进而影响车路协同信息服务的安全可靠性的问题。
第一方面，本发明实施例提供了一种车路协同数据处理方法，包括：
获取目标路段的N组路侧感知数据，N为正整数；
获取所述目标路段的M组BSM数据(Basic Safety Message，基本安全消息)，M为正整数；
根据第i组路侧感知数据和所述M组BSM数据，对所述第i组路侧感知数据进行置信度判断，其中，i依次取值1至N；
输出所述N组路侧感知数据中置信度满足要求的K组路侧感知数据，K为小于或等于N的正整数；
基于所述目标路段上的交通数据，对所述目标路段上的交通对象提供车路协同信息服务，其中，所述交通数据包括所述K组路侧感知数据。
可选的，所述根据第i组路侧感知数据和所述M组BSM数据，对所述第i组路侧感知数据进行置信度判断，包括：
根据第i组路侧感知数据和所述M组BSM数据，计算所述第i组路侧感知数据的置信度；
在所述第i组路侧感知数据的置信度在预设范围内的情况下，确定所述第i组路侧感知数据的置信度满足要求。
可选的，所述预设范围为大于或等于置信度阈值且小于或等于1；
所述目标路段上按位置布置有多组路侧感知设备，每组路侧感知数据是所述目标路段上的一组路侧感知设备采集的，所述置信度阈值是根据所述多组路侧感知设备在历史时间段内采集的多组路侧感知数据，和所述目标路段上所述历史时间段内的多组BSM数据计算得到的。
可选的，所述根据第i组路侧感知数据和所述M组BSM数据，计算所述第i组路侧感知数据的置信度，包括：
分别基于第i组路侧感知数据与所述M组BSM数据中的每组BSM数据，计算所述第i组路侧感知数据的M个置信度；
所述在所述第i组路侧感知数据的置信度在预设范围内的情况下，确定所述第i组路侧感知数据的置信度满足要求，包括：
在所述M个置信度中少于L个置信度不在所述预设范围内的情况下，确定所述第i组路侧感知数据的置信度满足要求，L为预设值，且L为正整数；
所述计算所述第i组路侧感知数据的M个置信度之后，所述方法还包括：
在所述M个置信度中超过L个置信度不在所述预设范围内的情况下，确定所述第i组路侧感知数据的置信度不满足要求，并停止输出所述第i组路侧感知数据。
可选的，所述计算所述第i组路侧感知数据的M个置信度之后，所述方法还包括：
在基于所述第i组路侧感知数据与第j组BSM数据，计算出所述第i组路侧感知数据的第j个置信度不在所述预设范围内，且所述M个置信度中未超过L个置信度不在所述预设范围内的情况下，确定所述第j组BSM数据的置信度不满足要求，并向所述第j组BSM数据对应的目标车载终端发送预警消息，其中，j为1至M之间的整数。
可选的，所述确定所述第i组路侧感知数据的置信度不满足要求，并停止输出所述第i组路侧感知数据之后，所述方法还包括：
将所述第i组路侧感知数据输入预先建立的置信度校正模型，得到所述置信度校正模型输出的校正后的第i组路侧感知数据。
可选的，所述将所述第i组路侧感知数据输入预先建立的置信度校正模型，得到所述置信度校正模型输出的校正后的第i组路侧感知数据之后，所述方法还包括：
获取所述目标路段的M′组BSM数据，其中，M′为正整数；
分别基于所述校正后的第i组路侧感知数据与所述M′组BSM数据中的每组BSM数据，计算所述第i组路侧感知数据的M′个置信度；
在所述M′个置信度中超过L个置信度在所述预设范围内的情况下，确定所述校正后的第i组路侧感知数据的置信度满足要求，并输出所述校正后的第i组路侧感知数据。
可选的，所述置信度校正模型为Y＝c0X5+d0X4+e0X3+f0X2+g0X+h0，其中，X为校正前的路侧感知数据，Y为校正后的路侧感知数据，c0、d0、e0、f0、g0和h0为模型参数。
可选的，所述确定所述第i组路侧感知数据的置信度不满足要求，并停止输出所述第i组路侧感知数据之后，所述方法还包括：
对所述第i组路侧感知数据对应的目标路侧感知设备进行置信度判断；
在所述目标路侧感知设备的置信度不满足要求的情况下，对所述目标路侧感知设备采集的路侧感知数据进行校正。
可选的，所述目标路段上按位置布置有多组路侧感知设备，每组路侧感知数据是所述目标路段上的一组路侧感知设备采集的，一组路侧感知设备包括多个路侧传感器，每组路侧感知数据包括多个传感器感知数据；
所述获取目标路段的N组路侧感知数据之后，所述根据第i组路侧感知数据和所述M组BSM数据，对所述第i组路侧感知数据进行置信度判断之前，所述方法还包括：
对所述N组路侧感知数据中的第i组路侧感知数据中的多个传感器感知数据进行融合，得到融合后的第i组路侧感知数据。
可选的，所述输出所述N组路侧感知数据中置信度满足要求的K组路侧感知数据之后，所述方法还包括：
在K大于1的情况下，对所述K组路侧感知数据进行融合，得到全局路侧融合感知数据；
其中，所述交通数据包括所述全局路侧融合感知数据。
可选的，所述对所述K组路侧感知数据进行融合之后，所述方法还包括：
对所述M组BSM数据与所述全局路侧融合感知数据进行融合，得到第一融合交通数据；
其中，所述交通数据包括所述第一融合交通数据。
可选的，所述方法还包括：
获取所述目标路段的G组SSM数据(Sensor Sharing Message，感知共享消息)，G为正整数；
所述对所述M组BSM数据与所述全局路侧融合感知数据进行融合之后，所述方法还包括：
对所述G组SSM数据与所述第一融合交通数据进行融合，得到第二融合交通数据；
其中，所述交通数据包括所述第二融合交通数据。
可选的，所述基于所述目标路段上的交通数据，对所述目标路段上的交通对象提供车路协同信息服务，包括：
基于所述目标路段上的交通数据，确定所述目标路段上的交通对象的对象信息和运动数据；
基于所述交通对象的对象信息和运动数据，对所述交通对象的运动轨迹进行预测，或者，对所述交通对象进行风险评级。
可选的，所述对所述G组SSM数据与所述第一融合交通数据进行融合，得到第二融合交通数据之后，所述方法还包括：
向中心云上传所述第二融合交通数据；
接收所述中心云下发的所述目标路段的交通信息；
向所述目标路段上的交通对象发送所述交通信息。
第二方面，本发明实施例还提供另一种车路协同数据处理方法，包括：
接收边缘云发送的第二融合交通数据，其中，所述第二融合交通数据是对目标路段的K组置信度满足要求的路侧感知数据、M组BSM数据和G组SSM数据进行融合得到的，K为大于1的整数，M和G均为正整数；
基于所述第二融合交通数据，确定所述目标路段的交通信息；
向所述边缘云下发所述交通信息。
第三方面，本发明实施例还提供一种边缘云，包括：
第一获取模块，用于获取目标路段的N组路侧感知数据，N为正整数；
第二获取模块，用于获取所述目标路段的M组基本安全消息BSM数据，M为正整数；
第一处理模块，用于根据第i组路侧感知数据和所述M组BSM数据，对所述第i组路侧感知数据进行置信度判断，其中，i依次取值1至N；
输出模块，用于输出所述N组路侧感知数据中置信度满足要求的K组路侧感知数据，K为小于或等于N的正整数；
执行模块，用于基于所述目标路段上的交通数据，对所述目标路段上的交通对象提供车路协同信息服务，其中，所述交通数据包括所述K组路侧感知数据。
可选的，所述第一处理模块包括：
计算子模块，用于根据第i组路侧感知数据和所述M组BSM数据，计算所述第i组路侧感知数据的置信度；
第一确定子模块，用于在所述第i组路侧感知数据的置信度在预设范围内的情况下，确定所述第i组路侧感知数据的置信度满足要求。
可选的，所述预设范围为大于或等于置信度阈值且小于或等于1；
所述目标路段上按位置布置有多组路侧感知设备，每组路侧感知数据是所述目标路段上的一组路侧感知设备采集的，所述置信度阈值是根据所述多组路侧感知设备在历史时间段内采集的多组路侧感知数据，和所述目标路段上所述历史时间段内的多组BSM数据计算得到的。
可选的，所述计算子模块包括：
计算单元，用于分别基于第i组路侧感知数据与所述M组BSM数据中的每组BSM数据，计算所述第i组路侧感知数据的M个置信度；
所述第一确定子模块用于在所述M个置信度中少于L个置信度不在所述预设范围内的情况下，确定所述第i组路侧感知数据的置信度满足要求，L为预设值，且L为正整数；
所述边缘云还包括：
第二处理模块，用于在所述M个置信度中超过L个置信度不在所述预设范围内的情况下，确定所述第i组路侧感知数据的置信度不满足要求，并停止输出所述第i组路侧感知数据。
可选的，所述边缘云还包括：
第三处理模块，用于在基于所述第i组路侧感知数据与第j组BSM数据，计算出所述第i组路侧感知数据的第j个置信度不在所述预设范围内，且所述M个置信度中未超过L个置信度不在所述预设范围内的情况下，确定所述第j组BSM数据的置信度不满足要求，并向所述第j组BSM数据对应的目标车载终端发送预警消息，其中，j为1至M之间的整数。
可选的，所述边缘云还包括：
第一校正模块，用于将所述第i组路侧感知数据输入预先建立的置信度校正模型，得到所述置信度校正模型输出的校正后的第i组路侧感知数据。
可选的，所述边缘云还包括：
第三获取模块，用于获取所述目标路段的M′组BSM数据，其中，M′为正整数；
计算模块，用于分别基于所述校正后的第i组路侧感知数据与所述M′组BSM数据中的每组BSM数据，计算所述第i组路侧感知数据的M′个置信度；
第四处理模块，用于在所述M′个置信度中超过L个置信度在所述预设范围内的情况下，确定所述校正后的第i组路侧感知数据的置信度满足要求，并输出所述校正后的第i组路侧感知数据。
可选的，所述置信度校正模型为Y＝c0X5+d0X4+e0X3+f0X2+g0X+h0，其中，X为校正前的路侧感知数据，Y为校正后的路侧感知数据，c0、d0、e0、f0、g0和h0为模型参数。
可选的，所述边缘云还包括：
第五处理模块，用于对所述第i组路侧感知数据对应的目标路侧感知设备进行置信度判断；
第二校正模块，用于在所述目标路侧感知设备的置信度不满足要求的情况下，对所述目标路侧感知设备采集的路侧感知数据进行校正。
可选的，所述目标路段上按位置布置有多组路侧感知设备，每组路侧感知数据是所述目标路段上的一组路侧感知设备采集的，一组路侧感知设备包括多个路侧传感器，每组路侧感知数据包括多个传感器感知数据；
所述边缘云还包括：
第一融合模块，用于对所述N组路侧感知数据中的第i组路侧感知数据中的多个传感器感知数据进行融合，得到融合后的第i组路侧感知数据。
可选的，所述边缘云还包括：
第二融合模块，用于在K大于1的情况下，对所述K组路侧感知数据进行融合，得到全局路侧融合感知数据；
其中，所述交通数据包括所述全局路侧融合感知数据。
可选的，所述边缘云还包括：
第三融合模块，用于对所述M组BSM数据与所述全局路侧融合感知数据进行融合，得到第一融合交通数据；
其中，所述交通数据包括所述第一融合交通数据。
可选的，所述边缘云还包括：
第四获取模块，用于获取所述目标路段的G组SSM数据，G为正整数；
第四融合模块，用于对所述G组SSM数据与所述第一融合交通数据进行融合，得到第二融合交通数据；
其中，所述交通数据包括所述第二融合交通数据。
可选的，所述执行模块包括：
第二确定子模块，用于基于所述目标路段上的交通数据，确定所述目标路段上的交通对象的对象信息和运动数据；
处理子模块，用于基于所述交通对象的对象信息和运动数据，对所述交通对象的运动轨迹进行预测，或者，对所述交通对象进行风险评级。
可选的，所述边缘云还包括：
第二发送模块，用于向中心云上传所述第二融合交通数据；
第二接收模块，用于接收所述中心云下发的所述目标路段的交通信息；
第三发送模块，用于向所述目标路段上的交通对象发送所述交通信息。
第四方面，本发明实施例还提供一种中心云，包括：
第一接收模块，用于接收边缘云发送的第二融合交通数据，其中，所述第二融合交通数据是对目标路段的K组置信度满足要求的路侧感知数据、M组BSM数据和G组SSM数据进行融合得到的，K为大于1的整数，M和G均为正整数；
确定模块，用于基于所述第二融合交通数据，确定所述目标路段的交通信息；
第一发送模块，用于向所述边缘云下发所述交通信息。
第五方面，本发明实施例还提供一种网络侧设备，包括：收发机、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面所述的车路协同数据处理方法中的步骤；或者实现如上第二方面所述的车路协同数据处理方法中的步骤。
第六方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上第一方面所述的车路协同数据处理方法中的步骤；或者实现如上第二方面所述的车路协同数据处理方法中的步骤。
在本发明实施例中，获取目标路段的N组路侧感知数据，N为正整数；获取所述目标路段的M组基本安全消息BSM数据，M为正整数；根据第i组路侧感知数据和所述M组BSM数据，对所述第i组路侧感知数据进行置信度判断，其中，i依次取值1至N；输出所述N组路侧感知数据中置信度满足要求的K组路侧感知数据，K为小于或等于N的正整数；基于所述目标路段上的交通数据，对所述目标路段上的交通对象提供车路协同信息服务，其中，所述交通数据包括所述K组路侧感知数据。这样，通过对获取的目标路段的多组路侧感知数据进行置信度判断，并基于其中置信度满足要求的路侧感知数据对该目标路段上的交通对象提供车路协同信息服务，从而可提高路侧感知数据的安全可靠性，进而保证车路协同信息服务的安全可靠性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的车路协同数据处理方法的流程图之一；
图2是本发明实施例提供的车路协同数据处理方法的举例流程图；
图3是本发明实施例提供的车路协同数据处理方法可应用的车路协同系统架构示意图；
图4是本发明实施例提供的车路协同数据处理方法的流程图之二；
图5是本发明实施例提供的边缘云的结构图；
图6是本发明实施例提供的中心云的结构图；
图7是本发明实施例提供的网络侧设备的结构图。
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作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。
参见图1，图1是本发明实施例提供的车路协同数据处理方法的流程图，如图1所示，包括以下步骤：
步骤101、获取目标路段的N组路侧感知数据，N为正整数。
上述目标路段可以是实际应用中需要收集交通数据以提供车路协同信息服务的任意路段，例如，当需要对某一区域的车辆、路段、行人等交通参与者提供动态交通信息服务，对该路段上的车辆、行人等交通对象提供车路协同信息服务时，该路段即为目标路段。
本实施例的方法可以由布置在网络边缘侧的边缘云执行，且是与所述目标路段对应的边缘云，即所述边缘云的覆盖范围包括所述目标路段，从而可获取所述目标路段的路侧感知数据。
本发明实施例中，所述目标路段上可以布置有用于采集路侧感知数据的路侧感知设备，所述路侧感知数据即为对所述目标路段上的交通对象如车辆、行人、障碍物等进行信息采集的数据，基于所述路侧感知数据，可以确定所述目标路段上的交通对象的相关数据，如位置、尺寸、速度、朝向角等。其中，单个路侧感知设备可以是如摄像头、激光雷达、毫米波雷达等设备，所述目标路段上的路侧感知设备可以按组布置，一组路侧感知设备可以是由若干个路侧感知设备组成，例如，1个摄像头和1个激光雷达组成一组路侧感知设备，2个摄像头和1个激光雷达组成一组路侧感知设备，1个摄像头和1个毫米波雷达组成一组路侧感知设备，等等。一组路侧感知设备可以覆盖所述目标路段的部分区域，即所述目标路段上可以按位置分布布设有多组路侧感知设备，所述多组路侧感知设备可以覆盖整个所述目标路段。
上述获取目标路段的N组路侧感知数据，可以是获取所述目标路段上的若干组路侧感知设备采集的路侧感知数据，从而得到所述N组路侧感知数据，即N与所述目标路段上的路侧感知设备的数量有关，一组路侧感知设备可以采集得到一组路侧感知数据，一组路侧感知数据包括若干个路侧感知设备的感知数据。具体地，所述目标路段上的若干组路侧感知设备可以将各自采集的路侧感知数据上传至RSU(Road Side Unit，路侧通信单元)或基站，再由RSU或基站将各路侧感知设备的路侧感知数据上传至所述边缘云，如可通过蜂窝车联网(Cellular Vehicle-to-Everything，C-V2X)的PC5端口或5G网的Uu端口上传至所述边缘云，从而所述边缘云可以接收到对应所述目标路段的N组路侧感知数据，即RSU可与路侧感知设备通过Uu接口和PC5接口与边缘云进行高动态通信链接，传输路侧感知数据。
步骤102、获取所述目标路段的M组BSM数据(Basic Safety Message，基本安全消息)，M为正整数。
上述BSM数据可以是车载终端采集的车辆行车数据，如行车速度、行车位置、航向角等。
上述获取目标路段的M组BSM数据，可以是获取于所述目标路段上行驶的若干车辆的OBU(On board Unit，车载终端)采集的路侧感知数据，从而得到所述M组路侧感知数据，即M与所述目标路段上行驶的车辆数量有关，一辆车的OBU可以采集得到一组BSM数据。具体地，于所述目标路段上行驶的若干车辆的OBU可以将各自采集的BSM数据上传至RSU，再由RSU将各车辆的OBU的BSM数据上传至所述边缘云，从而所述边缘云可以接收到对应所述目标路段的M组BSM数据。
需说明的是，所述N组路侧感知数据和所述M组BSM数据的采集时间是相对应的，即所述边缘云可以获取同一路段且同一时间段的路侧感知数据和BSM数据。
步骤103、根据第i组路侧感知数据和所述M组BSM数据，对所述第i组路侧感知数据进行置信度判断，其中，i依次取值1至N。
本发明实施例中，为保证路侧感知数据的安全可靠性，可以结合所获得的所述M组BSM数据，对所述N组路侧感知数据进行置信度判断，也即判断所述N组路侧感知数据中各组路侧感知数据是否可信，其中，所述M组BSM数据可以是各车辆的OBU在稳定模式下采集的置信度较高的BSM数据。需说明的是，所述稳定模式是OBU的一种特定工作模式，在该模式下采集的BSM数据具备较高可信度，是可被直接采用的。
具体地，可以对于所述N组路侧感知数据中的每组路侧感知数据，将该组路侧感知数据与所述M组BSM数据进行对比，根据对比结果确定该组路侧感知数据是否可信，如可对比分析各组路侧感知数据的置信度是否达到预期，对置信度达到预期的路侧感知数据则判定其为可信的，即确定该组路侧感知数据的置信度满足要求。
例如，对第i组路侧感知数据分别与所述M组BSM数据进行对比，通过分析所述第i组路侧感知数据与各组BSM数据的对比结果，确定所述第i组路侧感知数据是否可信，如在对比结果表明所述第i组路侧感知数据与各组BSM数据所反应的交通对象信息基本一致的情况下，可以判定所述第i组路侧感知数据可信。
需说明的是，为保证置信度判断的准确性，所述边缘云还可在对所述N组路侧感知数据进行置信度判断之前，先对所述N组路侧感知数据进行滤波处理，例如，可对所述N组路侧感知数据中的每组路侧感知数据，基于多帧数据进行平滑、降噪和滤波处理，以此减少各组路侧感知数据误差。
优选地，所述目标路段上按位置布置有多组路侧感知设备，每组路侧感知数据是所述目标路段上的一组路侧感知设备采集的，一组路侧感知设备包括多个路侧传感器，每组路侧感知数据包括多个传感器感知数据；
所述步骤101之后，所述步骤103之前，所述方法还包括：
对所述N组路侧感知数据中的第i组路侧感知数据中的多个传感器感知数据进行融合，得到融合后的第i组路侧感知数据。
即一种实施方式中，每组路侧感知数据包括对应组路侧感知设备中的多个路侧感知设备采集的感知数据，可以在所述边缘云侧，对接收到的每组路侧感知数据中的多个传感器感知数据进行融合，以得到各组融合的路侧感知数据。
以对包括激光雷达和摄像头的一组路侧感知设备的感知数据进行融合为例，可利用路侧激光雷达设备采集生成点云结构化数据。在数据采集过程中，选取数据采集路线后，可利用路侧激光雷达设备采集各点云数据，并可对采集的点云数据依次进行标定、融合和拼接，生成地面点云数据。其中，在读取路侧激光雷达设备的原始数据流后，可根据接收时间戳匹配进行时间同步，再通过中心点(CenterPoint)算法将原始数据转化为结构化数据。基于激光雷达的感知识别数据可包括交通对象的ID、位置、尺寸、速度、朝向角等信息。
还可利用路侧摄像头设备采集生成视频结构化数据。该侧图像识别核心步骤为利用中心网络(CenterNet)算法将目标检测问题转变为一个标准的关键点估计问题，可采用关键点估计来找到图像中各交通对象的中心点，中心点计算公式可以为
Figure BDA0003355624890000121
(x1,y1)和(x2,y2)可以为交通对象所在区域的两个边缘点坐标，最终可利用对象的中心点坐标关联到该交通对象的其他目标属性，如ID、位置、尺寸、速度、朝向角等信息。
然后可对视频结构化数据和点云结构化数据进行坐标系统一及信息融合。为将激光雷达和摄像头等路侧感知设备统一到一个坐标系下，可以在采集完数据后先进行多传感器标定，利用多个控制点在摄像机坐标系与表示三维场景结构的世界坐标系下的坐标来求解出两个坐标系之间的绝对位置关系，最后可对激光雷达和摄像头的感知数据进行ID去重，对匹配到的同一交通对象的感知数据进行融合，从而得到完整的交通对象信息。
这样，通过在边缘云侧对每组路侧感知数据中的多个传感器感知数据进行融合，可以得到各组融合的路侧感知数据，有助于对所述目标路段的交通对象数据进行全面准确计算。
优选地，所述步骤103包括：
根据第i组路侧感知数据和所述M组BSM数据，计算所述第i组路侧感知数据的置信度；
在所述第i组路侧感知数据的置信度在预设范围内的情况下，确定所述第i组路侧感知数据的置信度满足要求。
一种实施方式中，对每组路侧感知数据进行置信度判断的方式，可以是通过计算每组路侧感知数据的置信度，然后判断其置信度是否在预设范围内，对于置信度在预设范围内的路侧感知数据，可以判定其置信度满足要求。
具体地，对于第i组路侧感知数据，可以通过将所述第i组路侧感知数据分别与所述M组BSM数据对比，根据对比结果计算所述第i组路侧感知数据相对各组BSM数据的置信度，在其置信度在预设范围内的情况下，确定所述第i组路侧感知数据的置信度满足要求，并可确定输出所述第i组路侧感知数据。其中，所述预设范围可以是根据实际需求的可信度设定的可信度范围，如所述预设范围为置信度在0.8至1之间。
一种方式中，可以通过分别对比所述第i组路侧感知数据与所述M组BSM数据，确定所述第i组路侧感知数据分别与各组BSM数据之间的误差，进而通过分析各项误差来确定所述第i组路侧感知数据的置信度。例如，分别对比所述第i组路侧感知数据与所述M组BSM数据，确定所述第i组路侧感知数据与各组BSM数据的误差，也即可得到M个误差项，通过分析确定所述M个误差项中误差在允许范围内的数量或比例，确定所述第i组路侧感知数据的置信度，如所述M个误差项中超过90％的误差在允许范围内，则确定所述第i组路侧感知数据的置信度为0.9。
这样，该实施方式通过具体计算各组路侧感知数据的置信度，并与预设范围比较，可以实现快速准确地判断各组路侧感知数据是否可信，并可通过合理调整所述预设范围，来提高路侧感知数据的安全可靠性。
优选地，所述预设范围为大于或等于置信度阈值且小于或等于1；
所述目标路段上按位置布置有多组路侧感知设备，每组路侧感知数据是所述目标路段上的一组路侧感知设备采集的，所述置信度阈值是根据所述多组路侧感知设备在历史时间段内采集的多组路侧感知数据，和所述目标路段上所述历史时间段内的多组BSM数据计算得到的。
即一种实施方式中，所述预设范围可以是在置信度阈值与1之间的范围，即对于所述第i组路侧感知数据，只有在计算出所述第i组路侧感知数据的置信度大于或等于所述置信度阈值且小于或等于1的情况下，才认为所述第i组路侧感知数据的置信度是满足要求即是可信的。
其中，所述置信度阈值是根据所述目标路段上的多组路侧感知设备在历史时间段内采集的多组路侧感知数据，和所述目标路段上所述历史时间段内的多组BSM数据计算得到的，即所述置信度阈值可以是在调试阶段预先计算出来的。
具体地，可以是在置信度调试阶段，通过基于所述目标路段上的多组路侧感知设备在某一时间段内采集的多组路侧感知数据，以及所述目标路段上该相同时间段内行驶的车辆的OBU的多组BSM数据，进行多次置信度测试，最终确定出较为合理的置信度阈值，该置信度阈值是路侧感知数据可信需满足的最低阈值。
更具体地，可以根据预设的置信度计算公式，以获取的所述目标路段上所述历史间段内的多组路侧感知数据作为输入数据，以获取的所述目标路段上所述历史间段内的多组BSM数据作为输出，代入所述置信度计算公式，计算所述置信度计算公式中的置信度参数，并将经过验证的置信度参数确定为所述置信度阈值。其中，所述目标路段上所述历史间段内的所述多组路侧感知数据和所述多组BSM数据均可以是经过校准或调试的可信度很高的数据，以保证计算出的所述置信度阈值的可靠性。
其中，所述置信度计算公式可以是Y＝aX+b，其中，X可表示路侧感知数据，Y可表示对应的BSM数据，a和b为待确定的参数，且可设a为置信度。
下面以一具体的举例，来说明所述置信度阈值的确定方式。
例如，可在同一场景下，分别提取路侧融合后结构化数据，包括交通对象的ID、位置、朝向角、速度、尺寸等信息，然后将各项输出参数与真值数据进行对比，真值数据可通过稳定性较强的OBU或高精度RTK(Real-TimeKinematic，实时差分定位)终端输出。具体方法可以如下：
在路侧感知设备覆盖范围内，令测试人员利用车载设备如OBU或RTK终端模拟真实交通场景进行测试。以路侧感知数据中的定位数据为例，可取同一时间段的单组路侧感知设备感知识别的各交通对象的位置数据X＝[x1,x2,…,xn]T，与车载设备输出的各交通对象的位置数据Y＝[y1,y2,…,yn]T，将数据X和Y输入置信度计算公式Y＝aX+b中，初步计算得到a0和b0，记a0为置信度参数，a0＝|A0|，A0＝[a1,a2,…,an]，还可结合多组实测数据，对a0进行验证，验证过的a0满足|A0|≤1。经过多次实测数据验证，可得出在某组路侧感知数据的置信度a满足a0≤a≤1时，该组路侧感知数据可信，否则说明该组路侧感知数据的置信度过低，暂时不可采用。
这样，通过该实施方式中可确定合理的置信度阈值，进而可保证基于该置信度阈值所确定的置信度范围，能够准确用于判断各组路侧感知数据的置信度，进而保证所采用的路侧感知数据的安全可靠性。
优选地，所述根据第i组路侧感知数据和所述M组BSM数据，计算所述第i组路侧感知数据的置信度，包括：
分别基于第i组路侧感知数据与所述M组BSM数据中的每组BSM数据，计算所述第i组路侧感知数据的M个置信度；
所述在所述第i组路侧感知数据的置信度在预设范围内的情况下，确定所述第i组路侧感知数据的置信度满足要求，包括：
在所述M个置信度中少于L个置信度不在所述预设范围内的情况下，确定所述第i组路侧感知数据的置信度满足要求，L为预设值，且L为正整数；
所述计算所述第i组路侧感知数据的M个置信度之后，所述方法还包括：
在所述M个置信度中超过L个置信度不在所述预设范围内的情况下，确定所述第i组路侧感知数据的置信度不满足要求，并停止输出所述第i组路侧感知数据。
即一种实施方式中，对于所述第i组路侧感知数据的置信度判断，可以是分别基于所述第i组路侧感知数据与所述M组BSM数据中的每组BSM数据，计算所述第i组路侧感知数据相对每组BSM数据的置信度，从而计算得到M个置信度，并可对每次计算得到的置信度与所述预设范围进行比较，且可统计置信度不在所述预设范围内的置信度个数，在超过一定数量的置信度如L个置信度不在所述预设范围内的情况下，可以判定所述第i组路侧感知数据的置信度不满足要求，并可暂停输出所述第i组路侧感知数据，即可暂时不予采用所述第i组路侧感知数据，其中，L可以是根据实际需求设定的值或通过测试确定的较为合理的值，如L可取3、5等值。而在统计出的不在所述预设范围内的置信度个数未超过L个时，则可判定所述第i组路侧感知数据的置信度是满足要求的，即可以采用所述第i组路侧感知数据。
这样，通过该实施方式，可以更为准确地对每组路侧感知数据的置信度进行判断，进而保证路侧感知数据的安全可靠性。
优选地，所述计算所述第i组路侧感知数据的M个置信度之后，所述方法还包括：
在基于所述第i组路侧感知数据与第j组BSM数据，计算出所述第i组路侧感知数据的第j个置信度不在所述预设范围内，且所述M个置信度中未超过L个置信度不在所述预设范围内的情况下，确定所述第j组BSM数据的置信度不满足要求，并向所述第j组BSM数据对应的目标车载终端发送预警消息，其中，j为1至M之间的整数。
即一种实施方式中，在所述第i组路侧感知数据满足置信度满足要求，但存在某组BSM数据与所述第i组路侧感知数据间的置信度不在所述预设范围内的情况下，可以判定为是该组BSM数据的置信度不满足要求，即该组BSM数据不可信，可能是该组BSM数据对应的OBU存在问题，故可向该组BSM数据对应的OBU发送预警消息，以提示该OBU对应的车辆用户当前其OBU可能存在异常或故障，需要进行排查。
这样，通过该实施方式，可以根据所述第i组路侧感知相对所述M组BSM数据的M个置信度的情况，排查出是第i组路侧感知数据不可信还是第j组BSM数据不可信，进而有助于及时发现存在问题的设备，进而及时解决异常设备问题。
优选地，所述确定所述第i组路侧感知数据的置信度不满足要求，并停止输出所述第i组路侧感知数据之后，所述方法还包括：
将所述第i组路侧感知数据输入预先建立的置信度校正模型，得到所述置信度校正模型输出的校正后的第i组路侧感知数据。
即一种实施方式中，还可预先建立置信度校正模型，用于对置信度不满足要求的路侧感知数据进行校正，其中，所述置信度校正模型可以是预先根据获取的所述目标路段同一历史时间段内可信的多组路侧感知数据和多组BSM数据进行建模得到的，具体可以以该可信的多组路侧感知数据作为置信度校正模型的输入数据，以该多组BSM数据为置信度校正模型的真值输出，通过数据拟合计算出置信度校正模型的参数，进而得到参数确定的置信度校正模型。
这样，在确定所述第i组路侧感知数据的置信度不满足要求的情况下，可基于所述置信度校正模型对所述第i组路侧感知数据进行校正，具体可将所述第i组路侧感知数据输入预先建立的置信度校正模型进行校正计算，获得所述置信度校正模型输出的校正后的第i组路侧感知数据，所述校正后的第i组路侧感知数据可予以继续输出。
通过该实施方式，可以利用置信度校正模型对置信度不满足要求的路侧感知数据进行校正，从而提高路侧感知数据的可用性和安全可靠性。
优选地，所述置信度校正模型为Y＝c0X5+d0X4+e0X3+f0X2+g0X+h0，其中，X为校正前的路侧感知数据，Y为校正后的路侧感知数据，c0、d0、e0、f0、g0和h0为模型参数。
即一种具体的实施方式中，可以采用二元五次方程作为置信度校正模型，在准备建立置信度校正模型时，可以Y＝cX5+dX4+eX3+fX2+gX+h为初始的参数待确定的置信度校正模型，然后利用多组可信的路侧感知数据作为模型输入数据X，并以对应的多组BSM数据作为模型的真值输出Y，计算出准确的Y与X的关系模型，确定模型参数[c0,d0,e0,f0,g0,h0]，从而得到参数确定的置信度校正模型Y＝c0X5+d0X4+e0X3+f0X2+g0X+h0。其中，该置信度校正模型是经过实验确定的阶数既能保证校正的准确性，又可避免计算过于复杂的校正模型，即可置信度校正模型可兼顾时延与性能。
在需要对所述第i组路侧感知数据进行校正时，可以将所述第i组路侧感知数据作为输入数据X，经过所述置信度校正模型的校正计算，得到所述置信度校正模型的输出数据Y为校正后的第i组路侧感知数据。
这样，通过选用该实施方式的置信度校正模型对置信度不满足要求的路侧感知数据进行校正，既可保证校正结果的准确性，又能保证较快的校正速度，兼顾处理时延与模型性能。
优选地，所述将所述第i组路侧感知数据输入预先建立的置信度校正模型，得到所述置信度校正模型输出的校正后的第i组路侧感知数据之后，所述方法还包括：
获取所述目标路段的M′组BSM数据，其中，M′为正整数；
分别基于所述校正后的第i组路侧感知数据与所述M′组BSM数据中的每组BSM数据，计算所述第i组路侧感知数据的M′个置信度；
在所述M′个置信度中超过L个置信度在所述预设范围内的情况下，确定所述校正后的第i组路侧感知数据的置信度满足要求，并输出所述校正后的第i组路侧感知数据。
一种实施方式中，在对经所述置信度校正模型校正后的第i组路侧感知数据，还可进一步对其进行检验，以确定所述校正后的第i组路侧感知数据的置信度是否已满足要求。
具体地，可以实时获取所述目标路段的M′组BSM数据，即可获取所述目标路段当前最新的M′组BSM数据，继续与所述校正后的第i组路侧感知数据进行置信度计算，以检验所述校正后的第i组路侧感知数据的置信度是否满足要求，在确定其置信度满足要求的情况下，可以将所述校正后的第i组路侧感知数据予以采用。而在确定其置信度仍不满足要求的情况下，可以保持暂停所述校正后的第i组路侧感知数据输出，并可对所述i组路侧感知数据对应的路侧感知设备进行异常排查。其中，具体的置信度计算方式和置信度判断方式可以与前述实施方式类似，具体可参见前述相关介绍，此处不再赘述。
这样，通过对置信度不满足要求的路侧感知数据进行校正并检验，可以进一步确保采用的路侧感知数据的可靠性。
例如，如图2所示，一个实施例中，可以将所述第i组路侧感知数据依次与所述M组BSM数据中的第1至第M组BSM数据进行置信度计算，可得到置信度ai,1、ai,2、ai,3、…、ai,M，并可在每次计算得到一个置信度时，判断该置信度是否处于所述预设范围内，当出现第j组BSM数据与所述第i组路侧感知数据间的置信度ai,j不在预设范围[a0,1]内时，可以暂停所述第i组路侧感知数据输出，并可将时间邻近的其他组BSM数据，如第j+1组BSM数据、第j+2组BSM数据等，与所述第i组路侧感知数据分别进行置信度计算，得到置信度ai,j+1、ai,j+2等，若ai,j+1和ai,j+2均在不所述预设范围内，即超过3组稳定可信的BSM数据与所述第i组路侧感知数据计算得到的置信度都不满足要求，则可判定为所述第i组路侧感知数据不可信，即其置信度不满足要求。
而在第j+1组BSM数据、第j+2组BSM数据等，与所述第i组路侧感知数据分别进行置信度计算，得到的置信度ai,j+1、ai,j+2等，均在所述预设范围内，即另外两组BSM数据与所述第i组路侧感知数据计算得到的置信度都满足要求，只有相对第j组BSM数据的置信度不满足要求，则可判定为所述第j组BSM数据不可信，并向输出所述第j组BSM数据的车辆反馈情况，且可持续将所述第j组BSM数据与其他组路侧感知设备的感知数据进行对比判断，并反馈于此车辆。
若不属于上述两种情况，例如，邻近的置信度ai,j+1、ai,j+2等中有部分在所述预设范围内，且有部分不在所述预设范围内，则需要继续暂停所述第i组路侧感知数据输出，并可及时呼叫人工审查，以排查问题。
另外，对于上述第i组路侧感知数据的置信度不满足要求的情况，可以利用置信度校正模型对所述第i组路侧感知数据进行校正，并可对校正后的第i组路侧感知数据，与实时获取的稳定输出的BSM数据进行置信度计算，以检验校正数据的准确性，当超过3组置信度都在所述预设范围内时，可再次输出所述校正后的第i组路侧数据。
优选地，所述确定所述第i组路侧感知数据的置信度不满足要求，并停止输出所述第i组路侧感知数据之后，所述方法还包括：
对所述第i组路侧感知数据对应的目标路侧感知设备进行置信度判断；
在所述目标路侧感知设备的置信度不满足要求的情况下，对所述目标路侧感知设备采集的路侧感知数据进行校正。
还一种实施方式中，可以在确定所述第i组路侧感知数据的置信度不满足要求的情况下，考虑可能是所述第i组路侧感知数据对应的一组路侧感知设备存在置信度问题，从而需要对该组路侧感知设备中的单个路侧感知设备进行置信度判断。当然，也可以是在对所述第i组路侧感知数据利用前述置信度校正公式进行校正后，检验确定该组路侧感知数据的置信度仍不满足要求的情况下，再对该组路侧感知数据对应的一组路侧感知设备中的单个路侧感知设备进行置信度判断。
在确定该组路侧感知设备中的某个路侧感知设备的置信度不满足要求的情况下，可对该路侧感知设备采集的路侧感知数据进行校正，以提高该组路侧感知设备采集的路侧感知数据的可靠性。其中，对单个路侧感知设备进行置信度判断的方式可与前述对单组路侧感知数据进行置信度判断的方式类似，此处不再赘述。
该实施方式中，可预先对各组路侧感知设备中的单个路侧感知设备分别建立置信度校正模型，例如，可在同一场景下，分别提取单个路侧感知设备如摄像头、激光雷达的感知数据，包括交通对象的ID、位置、朝向角、速度、尺寸等信息，将各项感知数据与真值数据进行实测对比，真值数据可为校准可信的BSM数据。通过多次对比验证后可输出交通对象的查准率、查全率，以及各项感知数据与真值数据的误差，在经过多组数据对比后建立各单个路侧感知设备的置信度校正模型。在实际场景中发现某个路侧感知设备的置信度不满足要求时，可利用该路侧感知设备的置信度校正模型对该路侧感知设备采集的路侧感知数据进行校正后输出。
这样，通过该实施方式，能逐步定位出感知数据异常的路侧感知设备，并可通过结合单个路侧感知设备的置信度判断和数据校正，来进一步提升路侧感知数据的可靠性。
步骤104、输出所述N组路侧感知数据中置信度满足要求的K组路侧感知数据，K为小于或等于N的正整数。
在分别对所述N组路侧感知数据中的每组路侧感知数据进行置信度判断之后，可以将其中置信度满足要求的K组路侧感知数据进行输出，即可保留所述K组路侧感知数据，以进行下一步处理，例如，N为5，在确定5组路侧感知数据中有3组路侧感知数据的置信度满足要求的情况下，可以输出这3组路侧感知数据，对于另外2组置信度不满足要求的路侧感知数据，可以暂停输出或者舍弃，如可停止获取这2组置信度不满足要求的路侧感知数据对应的2组路侧感知设备的路侧感知数据。
步骤105、基于所述目标路段上的交通数据，对所述目标路段上的交通对象提供车路协同信息服务，其中，所述交通数据包括所述K组路侧感知数据。
所述边缘云在输出置信度满足要求的所述K组路侧感知数据后，可以基于包括所述K组路侧感知数据的交通数据，确定所述目标路段的道路交通信息，进而基于所述道路交通信息对所述目标路段上的交通对象提供车路协同信息服务。其中，所述车路协同信息服务可以是动态交通信息播送、行车风险评级、行车路线推荐、交通流量预测、道路危险提醒等，所述目标路段上的交通对象可以包括在所述目标路段上行驶且接入车联网的车辆、行人终端等。
所述交通数据还可包括所述目标路段所在区域的气象、交通信号灯数据、高精度地图数据等，即所述边缘云还可从其他途径获取丰富多源的交通数据，并结合所述K组路侧感知数据，对所述目标路段的道路交通信息进行分析，使得提供的车路协同信息服务更为安全可靠。
优选地，所述步骤104之后，所述方法还包括：
在K大于1的情况下，对所述K组路侧感知数据进行融合，得到全局路侧融合感知数据；
其中，所述交通数据包括所述全局路侧融合感知数据。
一种实施方式中，在对所述N组路侧感知数据进行置信度判断后，确定置信度满足要求的K组路侧感知数据后，可以在K大于1，即存在两组及以上的置信度满足要求的路侧感知数据的情况下，对所述K组路侧感知数据进行融合，以得到全局的路侧融合感知数据，进而所述边缘云可基于包括所述全局路侧融合感知数据的交通数据，对所述目标路段的交通对象提供覆盖范围更广，且更为全面准确的车路协同信息服务。
具体地，可首先对所述K组路侧感知数据中的各组路侧感知数据进行时间补偿，如根据数据接收时间与处理时间差值对各组路侧感知数据进行定位补偿。然后可根据所述目标路段上布设的各组路侧感知设备的拓扑关系图，确认哪些设备源数据需要融合，在融合过程中可首先根据数据相似度进行匹配，如运用匈牙利算法计算最佳匹配情况得到匹配结果，对匹配上的路侧感知数据可根据前述介绍的置信度判断结果进行加权融合，得到全局路侧融合感知数据，并可更新所述目标路段上各交通对象的全局ID，即在所述目标路段上经过不同区域的同一交通对象具备唯一的ID标识。
通过该实施方式，可实现对所述目标路段上的交通对象的数据进行全局融合，进而可提高所述边缘云的业务覆盖范围，并保证业务可靠性。
优选地，所述对所述K组路侧感知数据进行融合之后，所述方法还包括：
对所述M组BSM数据与所述全局路侧融合感知数据进行融合，得到第一融合交通数据；
其中，所述交通数据包括所述第一融合交通数据。
一种实施方式中，在对所述K组路侧感知数据进行融合之后，还可进一步对获取的所述M组BSM数据与所述全局路侧融合感知数据进行融合，以得到更为可信的第一融合交通数据，进而所述边缘云可基于包括所述第一融合交通数据的交通数据，对所述目标路段的交通对象提供更为精准的车路协同信息服务。
具体地，所述边缘云可对于获取的所述M组BSM数据，首先按照数据接收时间与处理时间差值进行时间补偿。然后可对于所述M组BSM数据中，于稳定模式下采集且置信度较高的BSM数据，依据数据相似度原则对所述全局路侧融合感知数据进行匹配，建立OBU中存储的交通对象ID与缓存的全局交通对象的ID的对应关系，再根据ID对应关系将BSM数据与所述全局路侧融合感知数据，依据BSM置信度进行加权融合，最终输出并缓存融合结果，得到基于全局视角的道路交通数据。
通过该实施方式，可实现对所述目标路段的来自不同设备感知数据的多源融合，进而可提高所述边缘云的提供的车路协同信息服务的可靠性。
优选地，所述方法还包括：
获取所述目标路段的G组SSM数据(Sensor Sharing Message，感知共享消息)，G为正整数；
所述对所述M组BSM数据与所述全局路侧融合感知数据进行融合之后，所述方法还包括：
对所述G组SSM数据与所述第一融合交通数据进行融合，得到第二融合交通数据；
其中，所述交通数据包括所述第二融合交通数据。
还一种实施方式中，还可获取于所述目标路段上行驶的车辆发送的G组SSM数据，并在对路侧感知数据和BSM数据进行融合之后，进一步对获取的所述G组SSM数据与所述第一融合交通数据进行融合，以得到更为完善可信的第二融合交通数据，进而所述边缘云可基于包括所述第二融合交通数据的交通数据，对所述目标路段的交通对象提供更为精准可信的车路协同信息服务。
其中，所述SSM数据可以是指车辆上安装的激光雷达、摄像头等传感器对所行驶道路的感知数据。
具体地，所述边缘云可首先对车端SSM数据分别进行时间补偿，根据数据接收时间与处理时间差值对各组SSM数据进行定位补偿。然后可将所述G组SSM数据与所述第一融合交通数据，根据数据相似度进行匹配，并可对匹配上的数据进行置信度计算，若同在可信范围内，则将所述G组SSM数据补充融合至所述第一融合交通数据，得到所述第二融合交通数据，并可更新所述目标路段上各交通对象的全局ID。
通过该实施方式，可实现对所述目标路段的来自多种不同类型设备的感知数据的多源融合，进而可提高所述边缘云的提供的车路协同信息服务的可靠性。且业务覆盖范围可达到区级，计算处理时延可以达到百毫秒级。
优选地，所述步骤105包括：
基于所述目标路段上的交通数据，确定所述目标路段上的交通对象的对象信息和运动数据；
基于所述交通对象的对象信息和运动数据，对所述交通对象的运动轨迹进行预测，或者，对所述交通对象进行风险评级。
一种实施方式中，所述边缘云可以基于收集的所述目标路段上的交通数据，具体可以是基于融合后的交通数据，通过对所述交通数据进行分析计算，确定所述目标路段上的交通对象的目标数据，如交通对象信息、交通对象的运动数据等，并可基于确定的所述交通对象的信息和运动数据，对所述交通对象进行运动轨迹预测，如预测某车辆在后5秒内的行驶轨迹，或者可对所述交通对象进行风险评级，以确定所述交通对象是否存在行车风险，如分析某车辆驾驶员是否存在危险驾驶行为，或分析道路上行人所在路段是否存在安全风险等。
需说明的是，所述边缘云可将对所述交通对象预测的运动轨迹或对所述交通对象的风险评级等信息下发给相应交通对象的终端，以供各交通对象使用，也可以将该信息进一步上报至中心云，以通过处理能力更强、覆盖范围更广的中心云来对所述边缘云上传的信息进行大数据分析，以得到对所述目标路段更为精准全面的动态交通信息。
例如，所述边缘云可以基于融合后的交通数据，如上述全局路侧融合感知数据、第一融合交通数据或第二融合交通数据，对所述目标路段的交通对象进行5s轨迹预测。首先可对已获取的交通数据帧数进行判断，如在输入数据和输出数据的频率都是2帧/秒的情况下，可判断是否有10帧也即5秒历史数据，若满足10帧数据，则可进入静态交通对象的判断流程，比如若某个交通对象最后两帧位置数据的变化小于等于预设静态阈值，则认为该交通对象属于静态目标物，可不对其下一帧轨迹进行预测，并可输出该静态交通对象的ID。对于非静态交通对象，可对其相关数据进行预处理，并预测其轨迹，如根据该交通对象的位置、运动速度、朝向角等数据预测其下5秒的运动轨迹。最后可根据预测的交通对象后两帧位置数据，利用坐标转换公式|x1-x2|+|y1-y2|.(xi,yi)，i＝1,2，计算该交通对象最后两帧的经纬度坐标。
所述边缘云还可结合各交通对象信息和5s轨迹预测信息，对各交通对象进行风险评级。具体可通过结合交通对象的类型、质量、速度、加速度等数据进行动能场计算，进而计算出各交通对象的风险评级，风险评级的计算公式可为
Figure BDA0003355624890000241
其中，G、k1和k2均为常数，Ri是道路条件影响因子，Mi是交通对象的等效质量，rij表示两个位置坐标点(xi，yi)与(xj，yj)之间的距离矢量，θi是速度方向夹角，vi为交通对象的运动速度，这样，基于该公式可计算得出各交通对象对于其周围交通对象的影响度，进而得出整体覆盖区域范围内的各交通对象的风险评级。
通过该实施方式，可实现在边缘云侧基于收集的交通数据，对各相关交通对象的运动轨迹进行预测，或对各交通对象进行风险评级，进而为各交通对象提供相关服务，并且可靠性较高。
优选地，所述对所述G组SSM数据与所述第一融合交通数据进行融合，得到第二融合交通数据之后，所述方法还包括：
向中心云上传所述第二融合交通数据；
接收所述中心云下发的所述目标路段的交通信息；
向所述目标路段上的交通对象发送所述交通信息。
上述中心云可以覆盖多个边缘云，即所述中心云的覆盖范围可以是多个边缘云覆盖范围的集合，所述中心云可以接收各边缘云实时上传的对应各自路段的多源融合交通数据，进而可对其覆盖区域内的准实时交通数据进行大数据分析，确定覆盖区域内各路段的动态交通信息。
该实施方式中，所述边缘云可以将多源融合交通数据实时上传至所述中心云，具体地，所述边缘云可在对路侧与车端多源数据融合处理和风险评级计算后，得出所述目标路段的动态交通信息，再通过专线网络将多源融合计算数据实时上传至所述中心云端做数据储备。
所述中心云可对其覆盖区域内的准实时数据进行大数据分析，例如，所述中心云可针对道路中多车的行车数据进行分析，从而获知和标记不良驾驶行为习惯，如暴力刹车、紧急加速、紧急变道等，并可将其纳入数据库以用作危险标记以及道路危险提醒。所述中心云还可根据覆盖区域内的平均车速计算生成拥堵事件，针对某段时间的拥堵交通大数据进行分析和预测，以实现绝大多数甚至所有交通对象与中心云网络的互联互通，在中心云形成交通大数据，从而所述中心云可基于这些交通大数据，实现交通流量分析、交流流量预测、行车路线推荐、交通诱导、驾驶习惯分析、驾驶意图分析等，为道路交通对象提供多样化动态交通信息服务。
所述中心云还可将动态交通信息下发覆盖区域内的车端，具体的，可在所述中心云计算得出准实时动态交通信息后，按区域分发给相应边缘云，再通过Uu端口或PC5端口下发给RSU，由RSU广播给车端。即所述边缘云可接收到所述中心云下发的对应其区域内的准实时动态交通信息，并可将接收的所述准实时动态交通信息向其覆盖区域也即所述目标路段的路侧感知设备进行下发，再由所述目标路段的路侧感知设备向各自覆盖区域内的交通对象如车端、行人端播送相关的准实时动态交通信息。
这样，通过将边缘云侧多源融合的交通数据上传至中心云，可达到联动省市级甚至全国级的准实时动态交通信息处理，覆盖范围更为广泛，且由于融合的交通数据的高可靠性，从而可相应保证基于该数据进行的相关业务的高可靠性。
本发明实施例可应用于如图3所示的车路协同系统结构，各设备和云服务之间的信息交互也可如图3中箭头所示。
本发明实施例的车路协同数据处理方法，获取目标路段的N组路侧感知数据，N为正整数；获取所述目标路段的M组基本安全消息BSM数据，M为正整数；根据第i组路侧感知数据和所述M组BSM数据，对所述第i组路侧感知数据进行置信度判断，其中，i依次取值1至N；输出所述N组路侧感知数据中置信度满足要求的K组路侧感知数据，K为小于或等于N的正整数；基于所述目标路段上的交通数据，对所述目标路段上的交通对象提供车路协同信息服务，其中，所述交通数据包括所述K组路侧感知数据。这样，通过对获取的目标路段的多组路侧感知数据进行置信度判断，并基于其中置信度满足要求的路侧感知数据对该目标路段上的交通对象提供车路协同信息服务，从而可提高路侧感知数据的安全可靠性，进而保证车路协同信息服务的安全可靠性。
本发明提出了一种基于置信度判断的感知数据融合方案。车辆自动驾驶应用场景中，可将感知计算能力从车端移至基于边缘云的车路感知系统。而此系统除对网络的稳定快速要求及对传感设备的精度要求之外，也需要对感知数据的可信度进行评估，以保障感知数据的安全可靠性。基于本方案，不仅可实现在测试条件下验证路侧感知数据的置信度，且可在实际应用场景中对路侧感知数据进行自动校正，对车端BSM数据和车端SSM数据进行不置信反馈，以保证全感知链路的数据安全性和稳定性。同时基于此置信度判断，本发明提出先路侧后车端的感知数据融合顺序，在实际应用环境中更为可靠。通过推动全视角、全天候的智慧道路多元融合感知解决方案应用落地，可实现智慧道路标准化改造以及路网承载力验证，从而实现助力智慧道路分级与标准化改造，填补相关领域的空白。
具体地，本发明实施例中的方案相比现有相关技术，具有以下几方面的优点：
1)本发明通过路侧摄像头和激光雷达分别采集路侧传感设备的视频数据和点云数据。通过对原始数据进行感知识别及融合，得到来自路侧视角的交通参与对象的结构化数据。目前感知识别算法可支持激光雷达32线及以上型号设备，摄像头支持分辨率1920×1080p设备，通过两者的融合可实现人、机动车、非机动车及其他对象类型识别，识别精度、查准率和查全率均可达95％及以上。
2)本发明中提出的多源感知融合方案可适配多种类型传感器设备。可实现对路侧激光雷达、路侧毫米波雷达、路侧摄像头、车端激光雷达、车端毫米波雷达、车辆BSM数据的结构化数据进行融合，形成稳定数据协议，以适配更多感知设备。同时可以在相同环境中对比各个厂家设备的感知数据，形成设备置信度对比模型。
3)本发明中提出通过将融合步骤分为融合路侧单组传感设备的数据融合、路侧多组感知数据融合、车辆BSM数据融合和SSM数据融合，考虑到路侧感知数据比较稳定可控，数据源明确，可在测试状态下多次进行置信度计算，对所有接入的设备数据进行置信度对比，从而输出较可靠的路侧感知数据置信度计算模型，另一方面可以根据置信度校正模型输出更加可靠的感知数据。在实际场景中，SSM和BSM数据来自车端，数据源不稳定，也代表置信度不稳定。因此可考虑在实际场景中对SSM和BSM进行置信度计算，从而根据置信度对路侧感知数据进行补充，以此判断车端数据稳定性，再与路侧数据融合，从而输出更加精确可靠的多源融合数据，为后续风险评级、规划决策、动态交通信息做整体数据支撑。
4)本发明中，交通参与对象与路侧RSU可通过Uu接口和PC5接口进行高动态通信链接，通过路侧RSU在C-V2X的PC5或5G Uu通信链路上将车端数据、感知设备数据汇聚上行，再将边缘云实时计算、关键交通信息分发到车端，可提供整体端到端信息服务。通信链路时延可控制在100ms以内，路侧感知融合时延在60ms以内，边缘云侧多源数据融合计算时延可达到40ms以内，因此结合通信链路及计算时延，可实现时延控制在200ms以内。通过不断优化链路传输以及计算时延，系统整体时延目标将可控制在100ms以内，同时还可保证数据稳定性。
5)本发明中边缘计算主要基于边缘云侧，具有计算能力强、计算快速、覆盖区域广的优点。通过将边缘云侧计算数据上传至中心云，可达到联动省市级甚至全国级的准实时动态交通信息处理，满足大规模感知计算需求，且可以应用到各类场景中，可扩展性和可兼容性大大提高。
参见图4，图4是本发明实施例提供的车路协同数据处理方法的流程图，如图4所示，包括以下步骤：
步骤401、接收边缘云发送的第二融合交通数据，其中，所述第二融合交通数据是对目标路段的K组置信度满足要求的路侧感知数据、M组BSM数据和G组SSM数据进行融合得到的，K为大于1的整数，M和G均为正整数。
步骤402、基于所述第二融合交通数据，确定所述目标路段的交通信息。
步骤403、向所述边缘云下发所述交通信息。
本实施例作为与图1所示实施例对应的中心云侧的实施方式，其具体实施方式可以参见图1所示实施例中的相关介绍，为避免重复，此处不再赘述。
本发明实施例的车路协同数据处理方法，接收边缘云发送的第二融合交通数据，其中，所述第二融合交通数据是对目标路段的K组置信度满足要求的路侧感知数据、M组BSM数据和G组SSM数据进行融合得到的，K为大于1的整数，M和G均为正整数；基于所述第二融合交通数据，确定所述目标路段的交通信息；向所述边缘云下发所述交通信息。这样，通过基于边缘云发送的经过置信度判断的多源融合交通数据，确定目标路段的交通信息，可以保证车路协同信息服务的安全可靠性。
本发明实施例还提供了一种边缘云。参见图5，图5是本发明实施例提供的边缘云的结构图。由于边缘云解决问题的原理与本发明实施例中车路协同数据处理方法相似，因此该边缘云的实施可以参见方法的实施，重复之处不再赘述。
如图5所示，边缘云500包括：
第一获取模块501，用于获取目标路段的N组路侧感知数据，N为正整数；
第二获取模块502，用于获取所述目标路段的M组基本安全消息BSM数据，M为正整数；
第一处理模块503，用于根据第i组路侧感知数据和所述M组BSM数据，对所述第i组路侧感知数据进行置信度判断，其中，i依次取值1至N；
输出模块504，用于输出所述N组路侧感知数据中置信度满足要求的K组路侧感知数据，K为小于或等于N的正整数；
执行模块505，用于基于所述目标路段上的交通数据，对所述目标路段上的交通对象提供车路协同信息服务，其中，所述交通数据包括所述K组路侧感知数据。
优选地，第一处理模块503包括：
计算子模块，用于根据第i组路侧感知数据和所述M组BSM数据，计算所述第i组路侧感知数据的置信度；
第一确定子模块，用于在所述第i组路侧感知数据的置信度在预设范围内的情况下，确定所述第i组路侧感知数据的置信度满足要求。
优选地，所述预设范围为大于或等于置信度阈值且小于或等于1；
所述目标路段上按位置布置有多组路侧感知设备，每组路侧感知数据是所述目标路段上的一组路侧感知设备采集的，所述置信度阈值是根据所述多组路侧感知设备在历史时间段内采集的多组路侧感知数据，和所述目标路段上所述历史时间段内的多组BSM数据计算得到的。
优选地，所述计算子模块包括：
计算单元，用于分别基于第i组路侧感知数据与所述M组BSM数据中的每组BSM数据，计算所述第i组路侧感知数据的M个置信度；
所述第一确定子模块用于在所述M个置信度中少于L个置信度不在所述预设范围内的情况下，确定所述第i组路侧感知数据的置信度满足要求，L为预设值，且L为正整数；
边缘云500还包括：
第二处理模块，用于在所述M个置信度中超过L个置信度不在所述预设范围内的情况下，确定所述第i组路侧感知数据的置信度不满足要求，并停止输出所述第i组路侧感知数据。
优选地，边缘云500还包括：
第三处理模块，用于在基于所述第i组路侧感知数据与第j组BSM数据，计算出所述第i组路侧感知数据的第j个置信度不在所述预设范围内，且所述M个置信度中未超过L个置信度不在所述预设范围内的情况下，确定所述第j组BSM数据的置信度不满足要求，并向所述第j组BSM数据对应的目标车载终端发送预警消息，其中，j为1至M之间的整数。
优选地，边缘云500还包括：
第一校正模块，用于将所述第i组路侧感知数据输入预先建立的置信度校正模型，得到所述置信度校正模型输出的校正后的第i组路侧感知数据。
优选地，边缘云500还包括：
第三获取模块，用于获取所述目标路段的M′组BSM数据，其中，M′为正整数；
计算模块，用于分别基于所述校正后的第i组路侧感知数据与所述M′组BSM数据中的每组BSM数据，计算所述第i组路侧感知数据的M′个置信度；
第四处理模块，用于在所述M′个置信度中超过L个置信度在所述预设范围内的情况下，确定所述校正后的第i组路侧感知数据的置信度满足要求，并输出所述校正后的第i组路侧感知数据。
优选地，所述置信度校正模型为Y＝c0X5+d0X4+e0X3+f0X2+g0X+h0，其中，X为校正前的路侧感知数据，Y为校正后的路侧感知数据，c0、d0、e0、f0、g0和h0为模型参数。
优选地，边缘云500还包括：
第五处理模块，用于对所述第i组路侧感知数据对应的目标路侧感知设备进行置信度判断；
第二校正模块，用于在所述目标路侧感知设备的置信度不满足要求的情况下，对所述目标路侧感知设备采集的路侧感知数据进行校正。
优选地，所述目标路段上按位置布置有多组路侧感知设备，每组路侧感知数据是所述目标路段上的一组路侧感知设备采集的，一组路侧感知设备包括多个路侧传感器，每组路侧感知数据包括多个传感器感知数据；
边缘云500还包括：
第一融合模块，用于对所述N组路侧感知数据中的第i组路侧感知数据中的多个传感器感知数据进行融合，得到融合后的第i组路侧感知数据。
优选地，边缘云500还包括：
第二融合模块，用于在K大于1的情况下，对所述K组路侧感知数据进行融合，得到全局路侧融合感知数据；
其中，所述交通数据包括所述全局路侧融合感知数据。
优选地，边缘云500还包括：
第三融合模块，用于对所述M组BSM数据与所述全局路侧融合感知数据进行融合，得到第一融合交通数据；
其中，所述交通数据包括所述第一融合交通数据。
优选地，边缘云500还包括：
第四获取模块，用于获取所述目标路段的G组SSM数据，G为正整数；
第四融合模块，用于对所述G组SSM数据与所述第一融合交通数据进行融合，得到第二融合交通数据；
其中，所述交通数据包括所述第二融合交通数据。
优选地，执行模块505包括：
第二确定子模块，用于基于所述目标路段上的交通数据，确定所述目标路段上的交通对象的对象信息和运动数据；
处理子模块，用于基于所述交通对象的对象信息和运动数据，对所述交通对象的运动轨迹进行预测，或者，对所述交通对象进行风险评级。
优选地，边缘云500还包括：
第二发送模块，用于向中心云上传所述第二融合交通数据；
第二接收模块，用于接收所述中心云下发的所述目标路段的交通信息；
第三发送模块，用于向所述目标路段上的交通对象发送所述交通信息。
本发明实施例提供的边缘云，可以执行图1所示方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
本发明实施例的边缘云500，获取目标路段的N组路侧感知数据，N为正整数；获取所述目标路段的M组基本安全消息BSM数据，M为正整数；根据第i组路侧感知数据和所述M组BSM数据，对所述第i组路侧感知数据进行置信度判断，其中，i依次取值1至N；输出所述N组路侧感知数据中置信度满足要求的K组路侧感知数据，K为小于或等于N的正整数；基于所述目标路段上的交通数据，对所述目标路段上的交通对象提供车路协同信息服务，其中，所述交通数据包括所述K组路侧感知数据。这样，通过对获取的目标路段的多组路侧感知数据进行置信度判断，并基于其中置信度满足要求的路侧感知数据对该目标路段上的交通对象提供车路协同信息服务，从而可提高路侧感知数据的安全可靠性，进而保证车路协同信息服务的安全可靠性。
本发明实施例还提供了一种中心云。参见图6，图6是本发明实施例提供的中心云的结构图。由于中心云解决问题的原理与本发明实施例中车路协同数据处理方法相似，因此该中心云的实施可以参见方法的实施，重复之处不再赘述。
如图6所示，中心云600包括：
第一接收模块601，用于接收边缘云发送的第二融合交通数据，其中，所述第二融合交通数据是对目标路段的K组置信度满足要求的路侧感知数据、M组BSM数据和G组SSM数据进行融合得到的，K为大于1的整数，M和G均为正整数；
确定模块602，用于基于所述第二融合交通数据，确定所述目标路段的交通信息；
第一发送模块603，用于向所述边缘云下发所述交通信息。
本发明实施例提供的中心云，可以执行图4所示方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
本发明实施例的中心云600，接收边缘云发送的第二融合交通数据，其中，所述第二融合交通数据是对目标路段的K组置信度满足要求的路侧感知数据、M组BSM数据和G组SSM数据进行融合得到的，K为大于1的整数，M和G均为正整数；基于所述第二融合交通数据，确定所述目标路段的交通信息；向所述边缘云下发所述交通信息。这样，通过基于边缘云发送的经过置信度判断的多源融合交通数据，确定目标路段的交通信息，可以保证车路协同信息服务的安全可靠性。
本发明实施例还提供了一种网络侧设备。由于网络侧设备解决问题的原理与本发明实施例中车路协同数据处理方法相似，因此该网络侧设备的实施可以参见方法的实施，重复之处不再赘述。如图7所示，本发明实施例的网络侧设备包括：
处理器700，在该网络侧设备为边缘云侧设备时，处理器700用于读取存储器720中的程序，执行下列过程：
获取目标路段的N组路侧感知数据，N为正整数；
获取所述目标路段的M组BSM数据，M为正整数；
根据第i组路侧感知数据和所述M组BSM数据，对所述第i组路侧感知数据进行置信度判断，其中，i依次取值1至N；
输出所述N组路侧感知数据中置信度满足要求的K组路侧感知数据，K为小于或等于N的正整数；
基于所述目标路段上的交通数据，对所述目标路段上的交通对象提供车路协同信息服务，其中，所述交通数据包括所述K组路侧感知数据。
收发机710，用于在处理器700的控制下接收和发送数据。
其中，在图7中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器700代表的一个或多个处理器和存储器720代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机710可以是多个元件，即包括发送机和收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器700负责管理总线架构和通常的处理，存储器720可以存储处理器700在执行操作时所使用的数据。
优选地，处理器700还用于读取存储器720中的程序，执行如下步骤：
根据第i组路侧感知数据和所述M组BSM数据，计算所述第i组路侧感知数据的置信度；
在所述第i组路侧感知数据的置信度在预设范围内的情况下，确定所述第i组路侧感知数据的置信度满足要求。
优选地，所述预设范围为大于或等于置信度阈值且小于或等于1；
所述目标路段上按位置布置有多组路侧感知设备，每组路侧感知数据是所述目标路段上的一组路侧感知设备采集的，所述置信度阈值是根据所述多组路侧感知设备在历史时间段内采集的多组路侧感知数据，和所述目标路段上所述历史时间段内的多组BSM数据计算得到的。
优选地，处理器700还用于读取存储器720中的程序，执行如下步骤：
分别基于第i组路侧感知数据与所述M组BSM数据中的每组BSM数据，计算所述第i组路侧感知数据的M个置信度；
在所述M个置信度中少于L个置信度不在所述预设范围内的情况下，确定所述第i组路侧感知数据的置信度满足要求，L为预设值，且L为正整数；
在所述M个置信度中超过L个置信度不在所述预设范围内的情况下，确定所述第i组路侧感知数据的置信度不满足要求，并停止输出所述第i组路侧感知数据。
优选地，处理器700还用于读取存储器720中的程序，执行如下步骤：
在基于所述第i组路侧感知数据与第j组BSM数据，计算出所述第i组路侧感知数据的第j个置信度不在所述预设范围内，且所述M个置信度中未超过L个置信度不在所述预设范围内的情况下，确定所述第j组BSM数据的置信度不满足要求，并向所述第j组BSM数据对应的目标车载终端发送预警消息，其中，j为1至M之间的整数。
优选地，处理器700还用于读取存储器720中的程序，执行如下步骤：
将所述第i组路侧感知数据输入预先建立的置信度校正模型，得到所述置信度校正模型输出的校正后的第i组路侧感知数据。
优选地，处理器700还用于读取存储器720中的程序，执行如下步骤：
获取所述目标路段的M′组BSM数据，其中，M′为正整数；
分别基于所述校正后的第i组路侧感知数据与所述M′组BSM数据中的每组BSM数据，计算所述第i组路侧感知数据的M′个置信度；
在所述M′个置信度中超过L个置信度在所述预设范围内的情况下，确定所述校正后的第i组路侧感知数据的置信度满足要求，并输出所述校正后的第i组路侧感知数据。
优选地，所述置信度校正模型为Y＝c0X5+d0X4+e0X3+f0X2+g0X+h0，其中，X为校正前的路侧感知数据，Y为校正后的路侧感知数据，c0、d0、e0、f0、g0和h0为模型参数。
优选地，处理器700还用于读取存储器720中的程序，执行如下步骤：
对所述第i组路侧感知数据对应的目标路侧感知设备进行置信度判断；
在所述目标路侧感知设备的置信度不满足要求的情况下，对所述目标路侧感知设备采集的路侧感知数据进行校正。
优选地，所述目标路段上按位置布置有多组路侧感知设备，每组路侧感知数据是所述目标路段上的一组路侧感知设备采集的，一组路侧感知设备包括多个路侧传感器，每组路侧感知数据包括多个传感器感知数据；
处理器700还用于读取存储器720中的程序，执行如下步骤：
对所述N组路侧感知数据中的第i组路侧感知数据中的多个传感器感知数据进行融合，得到融合后的第i组路侧感知数据。
优选地，处理器700还用于读取存储器720中的程序，执行如下步骤：
在K大于1的情况下，对所述K组路侧感知数据进行融合，得到全局路侧融合感知数据；
其中，所述交通数据包括所述全局路侧融合感知数据。
优选地，处理器700还用于读取存储器720中的程序，执行如下步骤：
对所述M组BSM数据与所述全局路侧融合感知数据进行融合，得到第一融合交通数据；
其中，所述交通数据包括所述第一融合交通数据。
优选地，处理器700还用于读取存储器720中的程序，执行如下步骤：
获取所述目标路段的G组SSM数据，G为正整数；
对所述G组SSM数据与所述第一融合交通数据进行融合，得到第二融合交通数据；
其中，所述交通数据包括所述第二融合交通数据。
优选地，处理器700还用于读取存储器720中的程序，执行如下步骤：
基于所述目标路段上的交通数据，确定所述目标路段上的交通对象的对象信息和运动数据；
基于所述交通对象的对象信息和运动数据，对所述交通对象的运动轨迹进行预测，或者，对所述交通对象进行风险评级。
优选地，处理器700还用于读取存储器720中的程序，执行如下步骤：
通过收发机710向中心云上传所述第二融合交通数据；
通过收发机710接收所述中心云下发的所述目标路段的交通信息；
通过收发机710向所述目标路段上的交通对象发送所述交通信息。
在该网络侧设备为中心云侧设备时，处理器700，用于读取存储器720中的程序，执行下列过程：
通过收发机710接收边缘云发送的第二融合交通数据，其中，所述第二融合交通数据是对目标路段的K组置信度满足要求的路侧感知数据、M组BSM数据和G组SSM数据进行融合得到的，K为大于1的整数，M和G均为正整数；
基于所述第二融合交通数据，确定所述目标路段的交通信息；
通过收发机710向所述边缘云下发所述交通信息。
本发明实施例提供的网络侧设备，可以执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
此外，本发明实施例的计算机可读存储介质，用于存储计算机程序，所述计算机程序可被处理器执行实现图1所示方法实施例中的各个步骤，或者实现如图4所示方法实施例中的各个步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理包括，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述收发方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM(Read-Only Memory，只读存储器)、RAM(Random Access Memory，随机存取存储器)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (19)

1.一种车路协同数据处理方法，其特征在于，包括：
获取目标路段的N组路侧感知数据，N为正整数；
获取所述目标路段的M组基本安全消息BSM数据，M为正整数；
根据第i组路侧感知数据和所述M组BSM数据，对所述第i组路侧感知数据进行置信度判断，其中，i依次取值1至N；
输出所述N组路侧感知数据中置信度满足要求的K组路侧感知数据，K为小于或等于N的正整数；
基于所述目标路段上的交通数据，对所述目标路段上的交通对象提供车路协同信息服务，其中，所述交通数据包括所述K组路侧感知数据。
2.根据权利要求1所述的方法，其特征在于，所述根据第i组路侧感知数据和所述M组BSM数据，对所述第i组路侧感知数据进行置信度判断，包括：
根据第i组路侧感知数据和所述M组BSM数据，计算所述第i组路侧感知数据的置信度；
在所述第i组路侧感知数据的置信度在预设范围内的情况下，确定所述第i组路侧感知数据的置信度满足要求。
3.根据权利要求2所述的方法，其特征在于，所述预设范围为大于或等于置信度阈值且小于或等于1；
所述目标路段上按位置布置有多组路侧感知设备，每组路侧感知数据是所述目标路段上的一组路侧感知设备采集的，所述置信度阈值是根据所述多组路侧感知设备在历史时间段内采集的多组路侧感知数据，和所述目标路段上所述历史时间段内的多组BSM数据计算得到的。
4.根据权利要求2所述的方法，其特征在于，所述根据第i组路侧感知数据和所述M组BSM数据，计算所述第i组路侧感知数据的置信度，包括：
分别基于第i组路侧感知数据与所述M组BSM数据中的每组BSM数据，计算所述第i组路侧感知数据的M个置信度；
所述在所述第i组路侧感知数据的置信度在预设范围内的情况下，确定所述第i组路侧感知数据的置信度满足要求，包括：
在所述M个置信度中少于L个置信度不在所述预设范围内的情况下，确定所述第i组路侧感知数据的置信度满足要求，L为预设值，且L为正整数；
所述计算所述第i组路侧感知数据的M个置信度之后，所述方法还包括：
在所述M个置信度中超过L个置信度不在所述预设范围内的情况下，确定所述第i组路侧感知数据的置信度不满足要求，并停止输出所述第i组路侧感知数据。
5.根据权利要求4所述的方法，其特征在于，所述计算所述第i组路侧感知数据的M个置信度之后，所述方法还包括：
在基于所述第i组路侧感知数据与第j组BSM数据，计算出所述第i组路侧感知数据的第j个置信度不在所述预设范围内，且所述M个置信度中未超过L个置信度不在所述预设范围内的情况下，确定所述第j组BSM数据的置信度不满足要求，并向所述第j组BSM数据对应的目标车载终端发送预警消息，其中，j为1至M之间的整数。
6.根据权利要求4所述的方法，其特征在于，所述确定所述第i组路侧感知数据的置信度不满足要求，并停止输出所述第i组路侧感知数据之后，所述方法还包括：
将所述第i组路侧感知数据输入预先建立的置信度校正模型，得到所述置信度校正模型输出的校正后的第i组路侧感知数据。
7.根据权利要求6所述的方法，其特征在于，所述置信度校正模型为Y＝c0X5+d0X4+e0X3+f0X2+g0X+h0，其中，X为校正前的路侧感知数据，Y为校正后的路侧感知数据，c0、d0、e0、f0、g0和h0为模型参数。
8.根据权利要求4所述的方法，其特征在于，所述确定所述第i组路侧感知数据的置信度不满足要求，并停止输出所述第i组路侧感知数据之后，所述方法还包括：
对所述第i组路侧感知数据对应的目标路侧感知设备进行置信度判断；
在所述目标路侧感知设备的置信度不满足要求的情况下，对所述目标路侧感知设备采集的路侧感知数据进行校正。
9.根据权利要求1所述的方法，其特征在于，所述目标路段上按位置布置有多组路侧感知设备，每组路侧感知数据是所述目标路段上的一组路侧感知设备采集的，一组路侧感知设备包括多个路侧传感器，每组路侧感知数据包括多个传感器感知数据；
所述获取目标路段的N组路侧感知数据之后，所述根据第i组路侧感知数据和所述M组BSM数据，对所述第i组路侧感知数据进行置信度判断之前，所述方法还包括：
对所述N组路侧感知数据中的第i组路侧感知数据中的多个传感器感知数据进行融合，得到融合后的第i组路侧感知数据。
10.根据权利要求1所述的方法，其特征在于，所述输出所述N组路侧感知数据中置信度满足要求的K组路侧感知数据之后，所述方法还包括：
在K大于1的情况下，对所述K组路侧感知数据进行融合，得到全局路侧融合感知数据；
其中，所述交通数据包括所述全局路侧融合感知数据。
11.根据权利要求10所述的方法，其特征在于，所述对所述K组路侧感知数据进行融合之后，所述方法还包括：
对所述M组BSM数据与所述全局路侧融合感知数据进行融合，得到第一融合交通数据；
其中，所述交通数据包括所述第一融合交通数据。
12.根据权利要求11所述的方法，其特征在于，所述方法还包括：
获取所述目标路段的G组感知共享消息SSM数据，G为正整数；
所述对所述M组BSM数据与所述全局路侧融合感知数据进行融合之后，所述方法还包括：
对所述G组SSM数据与所述第一融合交通数据进行融合，得到第二融合交通数据；
其中，所述交通数据包括所述第二融合交通数据。
13.根据权利要求1至12中任一项所述的方法，其特征在于，所述基于所述目标路段上的交通数据，对所述目标路段上的交通对象提供车路协同信息服务，包括：
基于所述目标路段上的交通数据，确定所述目标路段上的交通对象的对象信息和运动数据；
基于所述交通对象的对象信息和运动数据，对所述交通对象的运动轨迹进行预测，或者，对所述交通对象进行风险评级。
14.根据权利要求12所述的方法，其特征在于，所述对所述G组SSM数据与所述第一融合交通数据进行融合，得到第二融合交通数据之后，所述方法还包括：
向中心云上传所述第二融合交通数据；
接收所述中心云下发的所述目标路段的交通信息；
向所述目标路段上的交通对象发送所述交通信息。
15.一种车路协同数据处理方法，其特征在于，包括：
接收边缘云发送的第二融合交通数据，其中，所述第二融合交通数据是对目标路段的K组置信度满足要求的路侧感知数据、M组BSM数据和G组SSM数据进行融合得到的，K为大于1的整数，M和G均为正整数；
基于所述第二融合交通数据，确定所述目标路段的交通信息；
向所述边缘云下发所述交通信息。
16.一种边缘云，其特征在于，包括：
第一获取模块，用于获取目标路段的N组路侧感知数据，N为正整数；
第二获取模块，用于获取所述目标路段的M组基本安全消息BSM数据，M为正整数；
第一处理模块，用于根据第i组路侧感知数据和所述M组BSM数据，对所述第i组路侧感知数据进行置信度判断，其中，i依次取值1至N；
输出模块，用于输出所述N组路侧感知数据中置信度满足要求的K组路侧感知数据，K为小于或等于N的正整数；
执行模块，用于基于所述目标路段上的交通数据，对所述目标路段上的交通对象提供车路协同信息服务，其中，所述交通数据包括所述K组路侧感知数据。
17.一种中心云，其特征在于，包括：
第一接收模块，用于接收边缘云发送的第二融合交通数据，其中，所述第二融合交通数据是对目标路段的K组置信度满足要求的路侧感知数据、M组BSM数据和G组SSM数据进行融合得到的，K为大于1的整数，M和G均为正整数；
确定模块，用于基于所述第二融合交通数据，确定所述目标路段的交通信息；
第一发送模块，用于向所述边缘云下发所述交通信息。
18.一种网络侧设备，包括：收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；其特征在于，所述处理器，用于读取存储器中的程序实现如权利要求1至14中任一项所述的车路协同数据处理方法中的步骤；或者实现如权利要求15所述的车路协同数据处理方法中的步骤。
19.一种计算机可读存储介质，用于存储计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至14中任一项所述的车路协同数据处理方法中的步骤；或者实现如权利要求15所述的方法中的步骤。
CN202111350317.4A 2021-11-15 2021-11-15 一种车路协同数据处理方法及相关设备 Pending CN116129631A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111350317.4A CN116129631A (zh) 2021-11-15 2021-11-15 一种车路协同数据处理方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111350317.4A CN116129631A (zh) 2021-11-15 2021-11-15 一种车路协同数据处理方法及相关设备

Publications (1)

Publication Number Publication Date
CN116129631A true CN116129631A (zh) 2023-05-16

Family

ID=86306847

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111350317.4A Pending CN116129631A (zh) 2021-11-15 2021-11-15 一种车路协同数据处理方法及相关设备

Country Status (1)

Country Link
CN (1) CN116129631A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304994A (zh) * 2023-05-22 2023-06-23 浙江交科交通科技有限公司 多传感器目标数据融合方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304994A (zh) * 2023-05-22 2023-06-23 浙江交科交通科技有限公司 多传感器目标数据融合方法、装置、设备及存储介质
CN116304994B (zh) * 2023-05-22 2023-09-15 浙江交科交通科技有限公司 多传感器目标数据融合方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN111524357B (zh) 用于车辆安全行驶所需的多数据融合的方法
US11543834B2 (en) Positioning system based on geofencing framework
US11235777B2 (en) Vehicle path prediction and target classification for autonomous vehicle operation
US10591608B2 (en) Positioning quality filter for the V2X technologies
CN112700470B (zh) 一种基于交通视频流的目标检测和轨迹提取方法
CN109084786B (zh) 一种地图数据的处理方法
Wang et al. Realtime wide-area vehicle trajectory tracking using millimeter-wave radar sensors and the open TJRD TS dataset
CN113932801A (zh) 基于众包的辅助驾驶地图实时匹配更新方法
US20230154332A1 (en) Predicting traffic violation hotspots using map features and sensors data
US20210397854A1 (en) Systems and methods for aligning trajectory information derived from different source data
CN113779705A (zh) 一种自动驾驶汽车智能等级评定方法及系统
CN115662166B (zh) 一种自动驾驶数据处理方法及自动驾驶交通系统
CN115618932A (zh) 基于网联自动驾驶的交通事件预测方法、装置及电子设备
CN115470884A (zh) 用于自动驾驶系统的感知系统开发的平台
CN112258850A (zh) 一种车路协同系统边缘侧多传感器数据融合系统
Kloeker et al. Traffic detection using modular infrastructure sensors as a data basis for highly automated and connected driving
CN116129631A (zh) 一种车路协同数据处理方法及相关设备
CN117521389A (zh) 一种基于车路协同感知仿真平台的车辆感知测试方法
CN117387647A (zh) 融合车载传感器数据与道路传感器数据的道路规划方法
KR20220038857A (ko) 자율주행 상황 인지 알고리즘 평가 서비스 장치 및 방법
US20230098688A1 (en) Advanced data fusion structure for map and sensors
Zhang et al. A Roadside Millimeter-Wave Radar Calibration Method Based on Connected Vehicle Technology
Jin et al. An Object Association Matching Method Based on V2I System
Aldakkhelallah et al. Development of new technologies for real-time traffic monitoring
CN113989466B (zh) 一种基于事态认知的超视距辅助驾驶系统

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