CN116166939A - 一种基于车路协同的数据预处理方法及系统 - Google Patents
一种基于车路协同的数据预处理方法及系统 Download PDFInfo
- Publication number
- CN116166939A CN116166939A CN202310089027.1A CN202310089027A CN116166939A CN 116166939 A CN116166939 A CN 116166939A CN 202310089027 A CN202310089027 A CN 202310089027A CN 116166939 A CN116166939 A CN 116166939A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- processing
- preprocessing
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007781 pre-processing Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 52
- 238000009499 grossing Methods 0.000 claims abstract description 36
- 230000004927 fusion Effects 0.000 claims abstract description 27
- 230000000295 complement effect Effects 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 10
- 230000033001 locomotion Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000497429 Obus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G08G1/0125—Traffic data processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供的一种基于车路协同的数据预处理方法及系统,所述数据预处理方法包括:步骤S101:感知数据传送至数据预处理系统;步骤S102:在时间和空间维度对数据进行标定;步骤S103:采用AI算法将原始数据转换为结构化数据;步骤S104:对数据进行标准化处理;步骤S105:基于统一基准进行多源数据融合;步骤S106:对数据进行在线轨迹补全处理;步骤S107:对数据进行在线轨迹平滑处理。能够不依赖于定制化设备并高效地解决问题。
Description
技术领域
本发明涉及智能交通及车路协同领域,尤其涉及一种基于车路协同的数据预处理方法及系统。
背景技术
近年来,智能交通领域的快速发展,推动了智能网联汽车与车路协同的飞速发展。车路协同系统通常由路侧子系统、车载子系统、中心子系统等多个子系统组成。路侧子系统与车载子系统包括大量摄像头、雷达等感知设备,感知设备产生海量的数据,通过RSU(RoadSide Unit,路侧单元)或OBU(OnBoardUnit,车载单元)传送至中心子系统。中心子系统可部署于边缘云或中心云,作为重要的组成部分,智能交通车路协同云控平台负责接收海量的路侧、车载数据,并进行融合感知分析、事件识别、预警通知、决策支持等功能实现。由于摄像头、雷达感知设备的供应厂商众多,实现方式各不相同,感知效果、精度、准确率也千差万别。因此,由多源感知设备提供,并被云控平台获取的数据可能存在差异、偏差、遗漏、抖动等情况,无法准确描述交通参与者真实的历史运动轨迹,给后续的轨迹预测、事件预警、决策发布带来困难。
发明内容
鉴于上述问题,提出了本发明以便提供克服上述问题或者至少部分地解决上述问题的一种基于车路协同的数据预处理方法及系统。
根据本发明的一个方面,提供了一种基于车路协同的数据预处理方法,所述数据预处理方法包括:
步骤S101:感知数据传送至数据预处理系统;
步骤S102:在时间和空间维度对数据进行标定;
步骤S103:采用AI算法将原始数据转换为结构化数据;
步骤S104:对数据进行标准化处理;
步骤S105:基于统一基准进行多源数据融合;
步骤S106:对数据进行在线轨迹补全处理;
步骤S107:对数据进行在线轨迹平滑处理。
可选的,所述步骤S101:感知数据传送至数据预处理系统具体包括:
路侧感知设备收集路侧原始的感知数据,OBU收集车载感知数据,RSU汇总数据,传送至智能交通车路协同云控平台的数据预处理系统。
可选的,所述步骤S102:在时间和空间维度对数据进行标定具体包括:
摄像头和雷达在时间上同步采集数据,实现时间的融合;
建立摄像头坐标系、雷达坐标系、图像坐标系和像素坐标系之间的转换关系;
由于摄像头、雷达安装位置的不确定性,将摄像头、雷达数据坐标转换为绝对坐标值,然后进行目标匹配。
根据权利要求1所述的一种基于车路协同的数据预处理方法,其特征在于,所述步骤S103:采用AI算法将原始数据转换为结构化数据具体包括:
基于机器视觉与AI深度学习算法,对原始数据按照前后帧关系,采用时空分割、特征提取、目标检测、目标跟踪的技术手段,将原始视频和/或图像的非结构化数据重新组织成结构化信息。
可选的,所述步骤S104:对数据进行标准化处理具体包括:
依据行业标准的要求,对结构化数据进行标准化处理;
采用补齐、裁剪、运算操作形成标准要求的各个必选参数和可选参数;
最终生成符合标准要求的RSM(Roadside Safety Message,路侧安全消息)标准化数据。
可选的,所述步骤S105:基于统一基准进行多源数据融合具体包括:
采用匈牙利匹配算法与卡尔曼滤波为内核,经过局部坐标系转换,并融合丰富微观交通运动特征的时空轨迹历史数据,实现了同目标轨迹的精准匹配,滤波过程剔除异常值;
由于多个感知设备间存在重复数据,融合处理时进行数据去重处理。
可选的,所述步骤S106:对数据进行在线轨迹补全处理具体包括:
采用差值补全算法或LSTM(Long Short-Term Memory,长短期记忆网络)补全算法实现在线轨迹补全处理。
可选的,所述步骤S107:对数据进行在线轨迹平滑处理具体包括:
采用指数平滑算法或多项式平滑算法实现在线轨迹平滑处理。
本发明还提供了一种基于车路协同的数据预处理系统,所述预处理系统包括:
数据时空标定模块,用于在时间和空间维度对数据进行标定;
数据结构化模块,用于采用AI算法将原始数据转换为结构化数据;
数据标准化模块,用于对数据进行标准化处理;
数据融合模块,用于基于统一基准进行多源数据融合;
数据补全模块,用于对数据进行在线轨迹补全处理;
数据平滑模块,用于对数据进行在线轨迹平滑处理。
本发明提供的一种基于车路协同的数据预处理方法及系统,所述数据预处理方法包括:步骤S101:感知数据传送至数据预处理系统;步骤S102:在时间和空间维度对数据进行标定;步骤S103:采用AI算法将原始数据转换为结构化数据;步骤S104:对数据进行标准化处理;步骤S105:基于统一基准进行多源数据融合;步骤S106:对数据进行在线轨迹补全处理;步骤S107:对数据进行在线轨迹平滑处理。能够不依赖于定制化设备并高效地解决问题。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
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的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种基于车路协同的数据预处理方法的流程图;
图2为本发明实施例提供的一种基于车路协同的数据预处理系统组成架构图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明的说明书实施例和权利要求书及附图中的术语“包括”和“具有”以及他们的任何变形,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。
下面结合附图和实施例,对本发明的技术方案做进一步的详细描述。
本发明的数据处理流程,流程示意图如图1所示。
步骤S101:感知数据传送至数据预处理系统。
路侧感知设备收集路侧原始的感知数据(如视频流、点云图),OBU收集车载感知数据,RSU汇总以上数据后,通过5G、4G或有线的方式,传送至智能交通车路协同云控平台的数据预处理系统。可选的,以上部分数据或所有数据也可以不通过RSU汇总,而直接通过标准化协议(如TCP、MQTT)传送至数据预处理系统,或者OBU也可通过运营商无线空口(Uu口)传送数据至数据预处理系统。
步骤S102:在时间和空间维度对数据进行标定。
摄像头和雷达需要在时间上同步采集数据,实现时间的融合。摄像头、雷达、RSU、OBU都是独立运行的设备,因此首先需要保证所有设备的时间保持统一;同时,由于每一类设备输出的数据量和编码方式是不同的,例如,OBU的数据量较小且数据编码较为简单,时延较小,而摄像头输出的视频流数据量较大,且需要进行大量的编解码运算,时延较大。需要在数据产生后,尽早地为每一帧数据加上时间戳,以保证数据在融合之前能进行时间对齐,即保证数据在时间上的同步。
建立精确的摄像头坐标系、雷达坐标系、图像坐标系和像素坐标系之间的转换关系,是实现多源数据空间融合的关键。由于摄像头、雷达安装位置的不确定性,将摄像头、雷达数据坐标转换为绝对坐标值(经纬度、海拔高度),然后进行目标匹配。
步骤S103:采用AI算法将原始数据转换为结构化数据。
基于机器视觉与AI深度学习算法,对原始数据按照前后帧关系,采用时空分割、特征提取、目标检测、目标跟踪等技术手段,将原始视频或图像此类非结构化数据重新组织成计算机可理解的结构化信息。
处理流程大致为:
原始数据接入到系统之后,首先进行解码,可采用常见解码库(如FFMPEG),经过解码后,输出单张RGB图片序列。
解码后得到每帧RGB格式的图片,将图片依次输入目标检测模型,GPU加速推理后得到需要识别的目标。此步骤的主要作用是从单帧图像中识别交通参与者目标(目标类型、目标可信度、目标位置)。常见目标检测算法有YOLO系列、SSD系列、RCNN系列等。
目标检测是单帧处理,而视频帧是连续的,目标跟踪是将前后帧中的目标一一关联起来,其目的是为后续的轨迹分析、轨迹预测等做准备。目标跟踪通过分析前后帧每两目标区域之间的关联目标,并赋予该目标唯一ID(标识符),后续的轨迹分析、轨迹预测将基于该ID来实现。
对于检测得到的交通参与者目标,需进一步对其它属性进行推理演算,如车辆类型(轿车、SUV、客车或货车)、车辆颜色、车辆大小。因此,针对每个交通参与者目标,还需要根据该目标位置裁剪出目标图像,再次运用AI模型进行推理演算得出其它属性信息。进一步的,根据前后帧两目标物的行驶距离及时间差,可以计算得到目标物的速度、加速度信息。
针对雷达设备原始数据的结构化处理,目前主流的雷达设备基本都支持通过TCP/UDP接口输出结构化数据,因此,根据雷达设备的数据协议接口生成结构化数据即可。
经过上述步骤的处理最终生成包括ID、车辆类型、车辆速度、车辆加速度、车辆航向角、车辆颜色、车辆经纬度、海拔高度、时间戳等信息的交通参与者结构化数据。
步骤S104:对数据进行标准化处理。
依据行业标准《基于LTE的车联网无线通信技术消息层技术要求》的要求,对结构化数据进行标准化处理,通过补齐、裁剪、运算等操作形成标准要求的各个必选参数和可选参数,最终生成符合标准要求的RSM标准化数据。
在实际实施过程中,在满足上述标准要求的情况下,添加部分扩展参数,用以满足部分定制化需求。
步骤S105:基于统一基准进行多源数据融合。
针对多个不同类型感知设备生成的结构化数据,为解决不同源数据匹配精度低、源数据噪声干扰导致融合数据质量差、直接融合后数据失真与细节丢失等问题,本实施例采用匈牙利匹配算法与卡尔曼滤波为内核,经过局部坐标系转换,并融合丰富微观交通运动特征的时空轨迹历史数据,实现了同目标轨迹的精准匹配,滤波过程较好的剔除异常值,在滤波过程中对轨迹点高频采样以保证融合结果的低延迟高精度。
同时,由于多个感知设备间可能存在重复数据(如车辆行驶到两个摄像头共同覆盖的区域),融合处理时需要进行数据去重处理。
步骤S106:对数据进行在线轨迹补全处理。
由各种不同原因引起的轨迹断续特征各不相同,不同厂商的检测丢失特征也不相同,在线轨迹补全算法需适配不同厂商的检测精度,同时实现对高频并发数据的在线处理。
本实施例采用差值补全算法或LSTM补全算法作为在线轨迹补全的实现,在实施过程中可灵活配置选择其中之一作为实现方式。
差值补全算法的处理流程为:
基于当前的secMark(定义为一分钟内的毫秒级时刻),向前推移lag_time,得到需要补全的delay_secMark时刻。
对于每一辆车,寻找是否具有delay_secMark时刻的轨迹点数据,若缺失则进行补全。
通过delay_secMark前后两帧数据的坐标,进行差值处理。
若通过前后两帧坐标计算的速度大于所设阈值,则放弃补全。
LSTM补全算法的处理流程为:
基于当前的secMark(定义为一分钟内的毫秒级时刻),向前推移lag_time,得到需要补全的delay_secMark时刻。
对于每一辆车,寻找是否具有delay_secMark时刻的轨迹点数据,若缺失则进行补全。
通过delay_secMark前history_num帧的数据调用LSTM模型预测。
将预测结果作为补全点插入轨迹。
检验前后两帧车辆速度,若速度大于所设阈值,则放弃补全。
通过不同的在线轨迹补全算法,对输入数据进行补全处理,尤其针对感知设备输入的数据存在精度丢失的场景下,处理后的数据更加真实完整,更能体现交通参与者的实际运动轨迹。
步骤S107:对数据进行在线轨迹平滑处理。
车辆目标检测过程中产生的坐标抖动、偏移十分常见且很难避免。抖动产生的位置、速度信息的偏差将直接引起多场景下风险研判效用的下降。在线轨迹平滑算法需适配不同厂商的检测精度同时实现对高频并发数据的在线处理。
本实施例采用指数平滑算法或多项式平滑算法作为在线轨迹平滑的实现,在实施过程中可灵活配置选择其中之一作为实现方式。
指数平滑算法的处理流程为:
对于每一辆车,获取其当前轨迹点以及历史多帧平滑后轨迹点。
判断当前轨迹点与历史轨迹点的时间间隔,若间隔过大则放弃平滑。
使用如下公式计算平滑结果。
Xst=Xt*SI+Xst-1*(1-SI)
其中,Xst为平滑后的当前帧轨迹,Xt为平滑前当前帧轨迹,Xst-1为上一帧平滑后轨迹,SI为平滑参数。
多项式平滑算法的处理流程为:
对于每一辆车,获取其当前轨迹点以及历史多帧轨迹点。
基于轨迹点,计算多项式拟合函数。
根据末尾指定数量的轨迹点时空位置进行多项式拟合,拟合次数由参数定义,拟合后按最后帧时刻取瞬时位置作为平滑后轨迹点。
通过多项式拟合结果输出当前轨迹点的平滑结果。
通过不同的在线轨迹平滑算法,对输入数据进行平滑处理,尤其针对感知设备输入的数据存在较大抖动的场景下,处理后的数据更加真实稳定,更能体现交通参与者的实际运动轨迹。
预处理后的数据输出至上层V2X应用,为应用层的分析、处理及决策提供输入数据。
如图2所示,一种基于车路协同的数据预处理系统,作为智能交通车路协同云控平台的一个组成部分,根据需求灵活部署于路侧、边缘云或中心云。云控平台首先接收路侧设备(摄像头、雷达、RSU等)及车载设备(摄像头、雷达、OBU)提供的感知数据及其它相关数据。然后,数据预处理系统对这些数据进行预处理。最后,预处理后的数据作为输入提供给上层V2X(Vehicle to Everything)应用,做应用层的分析、处理及决策。
数据预处理系统包括数据时空标定、数据结构化、数据标准化、数据融合、数据补全、数据平滑六个功能模块。
数据时空标定模块,负责实现对感知设备输入的数据,在时间维度上基于统一基准进行标定,从而保证数据的时间同步;在空间维度上基于统一基准进行标定,从而保证数据在空间上使用相同的坐标系,为多源数据融合做准备。
数据结构化模块,采用机器视觉与AI训练推理算法,对路侧感知设备输出的原始数据进行特征提取、目标识别、数值分析等处理,生成包括ID、类型、速度、加速度、航向角、颜色、经纬度、海拔高度、时间戳等参数的交通参与者的结构化数据。
数据标准化模块,依据V2X相关标准要求对结构化数据进行标准化处理,通过补齐、裁剪、运算等操作形成标准要求的各个必选参数和可选参数,最终生成符合标准要求的RSM标准化数据。
数据融合模块,通过统一时间基准与标准化坐标体系,对多源目标物进行目标匹配、纠偏、去重等操作,实现多源感知设备的数据融合。
数据补全模块,通过不同的在线轨迹补全算法,对输入数据进行补全处理,尤其针对感知设备输入的数据存在精度丢失的场景下,处理后的数据更加真实完整,更能体现交通参与者的实际运动轨迹。
数据平滑模块,通过不同的在线轨迹平滑算法,对输入数据进行平滑处理,尤其针对感知设备输入的数据存在较大抖动的场景下,处理后的数据更加真实稳定,更能体现交通参与者的实际运动轨迹。
本发明还提供了一种基于车路协同的数据预处理方法,包括:
路侧感知设备及车载感知设备收集到的感知数据通过RSU或OBU传送至云控平台数据预处理系统。
数据时空标定模块,负责实现对感知设备输入的数据,在时间维度上基于统一基准进行标定,从而保证数据的时间同步;在空间维度上基于统一基准进行标定,从而保证数据在空间上使用相同的坐标系,为多源数据融合做准备。
数据结构化模块,采用机器视觉与AI训练推理算法,对路侧及车载感知设备输出的原始数据进行特征提取、目标识别、数值分析等处理,生成包括ID、类型、速度、加速度、航向角、颜色、经纬度、海拔高度、时间戳参数的交通参与者的结构化数据。
数据标准化模块,依据V2X相关标准要求对结构化数据进行标准化处理,通过补齐、裁剪、运算操作形成标准要求的各个必选参数和可选参数,最终生成符合标准要求的RSM标准化数据。
数据融合模块,通过统一时间基准与标准化坐标体系,对多源目标物进行目标匹配、纠偏、去重操作,实现多源感知设备的数据融合。
数据补全模块,通过不同的在线轨迹补全算法,对输入数据进行补全处理,尤其针对感知设备输入的数据存在精度丢失的场景下,处理后的数据更加真实完整,更能体现交通参与者的实际运动轨迹。
数据平滑模块,通过不同的在线轨迹平滑算法,对输入数据进行平滑处理,尤其针对感知设备输入的数据存在较大抖动的场景下,处理后的数据更加真实稳定,更能体现交通参与者的实际运动轨迹。
预处理后的数据输出至上层V2X应用,为应用层的分析、处理及决策提供输入数据。
有益效果:采用数据预处理系统统一处理路侧感知设备或车载感知设备提供的数据,屏蔽了多设备厂商实现差异,便于多厂商设备对接及车路协同项目系统集成。
采用多种算法对感知设备数据进行融合、去重、补全、平滑处理,解决数据重复、精度丢失、抖动偏差问题。
采用行业标准对数据进行标准化处理,输出的数据满足行业规范,便于对接上层应用系统、上级监管系统或第三方系统。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于车路协同的数据预处理方法,其特征在于,所述数据预处理方法包括:
步骤S101:感知数据传送至数据预处理系统;
步骤S102:在时间和空间维度对数据进行标定;
步骤S103:采用AI算法将原始数据转换为结构化数据;
步骤S104:对数据进行标准化处理;
步骤S105:基于统一基准进行多源数据融合;
步骤S106:对数据进行在线轨迹补全处理;
步骤S107:对数据进行在线轨迹平滑处理。
2.根据权利要求1所述的一种基于车路协同的数据预处理方法,其特征在于,所述步骤S101:感知数据传送至数据预处理系统具体包括:
路侧感知设备收集路侧原始的感知数据,OBU收集车载感知数据,RSU汇总数据,传送至智能交通车路协同云控平台的数据预处理系统。
3.根据权利要求1所述的一种基于车路协同的数据预处理方法,其特征在于,所述步骤S102:在时间和空间维度对数据进行标定具体包括:
摄像头和雷达在时间上同步采集数据,实现时间的融合;
建立摄像头坐标系、雷达坐标系、图像坐标系和像素坐标系之间的转换关系;
由于摄像头、雷达安装位置的不确定性,将摄像头、雷达数据坐标转换为绝对坐标值,然后进行目标匹配。
4.根据权利要求1所述的一种基于车路协同的数据预处理方法,其特征在于,所述步骤S103:采用AI算法将原始数据转换为结构化数据具体包括:
基于机器视觉与AI深度学习算法,对原始数据按照前后帧关系,采用时空分割、特征提取、目标检测、目标跟踪的技术手段,将原始视频和/或图像的非结构化数据重新组织成结构化信息。
5.根据权利要求1所述的一种基于车路协同的数据预处理方法,其特征在于,所述步骤S104:对数据进行标准化处理具体包括:
依据行业标准的要求,对结构化数据进行标准化处理;
采用补齐、裁剪、运算操作形成标准要求的各个必选参数和可选参数;
最终生成符合标准要求的RSM标准化数据。
6.根据权利要求1所述的一种基于车路协同的数据预处理方法,其特征在于,所述步骤S105:基于统一基准进行多源数据融合具体包括:
采用匈牙利匹配算法与卡尔曼滤波为内核,经过局部坐标系转换,并融合丰富微观交通运动特征的时空轨迹历史数据,实现了同目标轨迹的精准匹配,滤波过程剔除异常值;
由于多个感知设备间存在重复数据,融合处理时进行数据去重处理。
7.根据权利要求1所述的一种基于车路协同的数据预处理方法,其特征在于,所述步骤S106:对数据进行在线轨迹补全处理具体包括:
采用差值补全算法或LSTM补全算法实现在线轨迹补全处理。
8.根据权利要求1所述的一种基于车路协同的数据预处理方法,其特征在于,所述步骤S107:对数据进行在线轨迹平滑处理具体包括:
采用指数平滑算法或多项式平滑算法实现在线轨迹平滑处理。
9.一种基于车路协同的数据预处理系统,其特征在于,所述预处理系统包括:
数据时空标定模块,用于在时间和空间维度对数据进行标定;
数据结构化模块,用于采用AI算法将原始数据转换为结构化数据;
数据标准化模块,用于对数据进行标准化处理;
数据融合模块,用于基于统一基准进行多源数据融合;
数据补全模块,用于对数据进行在线轨迹补全处理;
数据平滑模块,用于对数据进行在线轨迹平滑处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310089027.1A CN116166939A (zh) | 2023-02-09 | 2023-02-09 | 一种基于车路协同的数据预处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310089027.1A CN116166939A (zh) | 2023-02-09 | 2023-02-09 | 一种基于车路协同的数据预处理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116166939A true CN116166939A (zh) | 2023-05-26 |
Family
ID=86410856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310089027.1A Pending CN116166939A (zh) | 2023-02-09 | 2023-02-09 | 一种基于车路协同的数据预处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116166939A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116793364A (zh) * | 2023-06-27 | 2023-09-22 | 汇鲲化鹏(海南)科技有限公司 | 一种基于航位推算的室内定位系统及方法 |
CN117876980A (zh) * | 2024-03-12 | 2024-04-12 | 浙江大华技术股份有限公司 | 一种轨迹构建方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753901A (zh) * | 2020-06-23 | 2020-10-09 | 国汽(北京)智能网联汽车研究院有限公司 | 一种数据融合方法、装置、系统及计算机设备 |
CN113379805A (zh) * | 2021-08-12 | 2021-09-10 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交通节点的多信息资源融合处理方法 |
CN114579657A (zh) * | 2022-05-09 | 2022-06-03 | 浙江九州云信息科技有限公司 | 一种基于车路协同的v2x边缘云控方法及系统 |
CN114862901A (zh) * | 2022-04-26 | 2022-08-05 | 青岛慧拓智能机器有限公司 | 一种露天矿山的路端多源传感器融合目标感知方法和系统 |
CN114882700A (zh) * | 2022-04-26 | 2022-08-09 | 江苏未来都市出行科技集团有限公司 | 一种基于v2x车路协同的精准公交实现方式 |
CN115691223A (zh) * | 2022-12-31 | 2023-02-03 | 浙江九州云信息科技有限公司 | 一种基于云边端协同的碰撞预警方法及系统 |
CN116261120A (zh) * | 2023-05-09 | 2023-06-13 | 浙江九州云信息科技有限公司 | 一种基于云边端协同的v2x服务动态迁移方法及系统 |
-
2023
- 2023-02-09 CN CN202310089027.1A patent/CN116166939A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753901A (zh) * | 2020-06-23 | 2020-10-09 | 国汽(北京)智能网联汽车研究院有限公司 | 一种数据融合方法、装置、系统及计算机设备 |
CN113379805A (zh) * | 2021-08-12 | 2021-09-10 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交通节点的多信息资源融合处理方法 |
CN114862901A (zh) * | 2022-04-26 | 2022-08-05 | 青岛慧拓智能机器有限公司 | 一种露天矿山的路端多源传感器融合目标感知方法和系统 |
CN114882700A (zh) * | 2022-04-26 | 2022-08-09 | 江苏未来都市出行科技集团有限公司 | 一种基于v2x车路协同的精准公交实现方式 |
CN114579657A (zh) * | 2022-05-09 | 2022-06-03 | 浙江九州云信息科技有限公司 | 一种基于车路协同的v2x边缘云控方法及系统 |
CN115691223A (zh) * | 2022-12-31 | 2023-02-03 | 浙江九州云信息科技有限公司 | 一种基于云边端协同的碰撞预警方法及系统 |
CN116261120A (zh) * | 2023-05-09 | 2023-06-13 | 浙江九州云信息科技有限公司 | 一种基于云边端协同的v2x服务动态迁移方法及系统 |
Non-Patent Citations (1)
Title |
---|
袁逸涛: ""一种基于多源数据融合的高速公路运行监测系统设计"", 《上海船舶运输科学研究所学报》, 31 December 2022 (2022-12-31), pages 47 - 53 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116793364A (zh) * | 2023-06-27 | 2023-09-22 | 汇鲲化鹏(海南)科技有限公司 | 一种基于航位推算的室内定位系统及方法 |
CN117876980A (zh) * | 2024-03-12 | 2024-04-12 | 浙江大华技术股份有限公司 | 一种轨迹构建方法 |
CN117876980B (zh) * | 2024-03-12 | 2024-05-28 | 浙江大华技术股份有限公司 | 一种轨迹构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116166939A (zh) | 一种基于车路协同的数据预处理方法及系统 | |
CN109471128B (zh) | 一种正样本制作方法及装置 | |
CN109920246B (zh) | 一种基于v2x通信与双目视觉的协同局部路径规划方法 | |
CN109739236B (zh) | 车辆信息的处理方法、装置、计算机可读介质及电子设备 | |
CN105711597B (zh) | 前方局部行驶环境感知系统及方法 | |
CN110164135B (zh) | 一种定位方法、定位装置及定位系统 | |
CN111045425A (zh) | 一种地面无人车辆的辅助遥操作驾驶方法 | |
CN113420805A (zh) | 视频和雷达的动态轨迹图像融合方法、装置、设备及介质 | |
CN111813105B (zh) | 一种车路协同方法、装置、电子设备及可读存储介质 | |
CN115855079A (zh) | 一种时间异步的感知传感器融合方法 | |
CN108833797B (zh) | 一种提高车载双目视觉系统性能的装置及其使用方法 | |
CN117416349A (zh) | V2X环境下基于改进YOLOV7-Tiny和SS-LSTM的自动驾驶风险预判系统及方法 | |
CN113780247B (zh) | 红绿灯检测方法、装置、电子设备和计算机可读介质 | |
CN115063969A (zh) | 数据处理方法、设备、介质及路侧协同设备、系统 | |
CN113378719B (zh) | 车道线的识别方法、装置、计算机设备和存储介质 | |
CN115294757A (zh) | 一种车道级车流量和交通事件的识别和发布系统 | |
CN114286316A (zh) | 多源数据的处理方法、装置、系统和存储介质 | |
CN114037969A (zh) | 基于雷达点云和图像融合的自动驾驶车道信息检测方法 | |
CN114415489A (zh) | 一种车载传感器时间同步方法、装置、设备和介质 | |
CN110012351B (zh) | 标签数据获取方法、存储器、终端、车辆以及车联网系统 | |
Ahmed et al. | A Joint Perception Scheme For Connected Vehicles | |
CN108154691A (zh) | 一种基于专用短程通信的交通调节系统及方法 | |
CN116346862B (zh) | 用于智能网联汽车的传感器共享方法及装置 | |
CN114845267B (zh) | 一种基于车联网的传感器数据共享方法和装置 | |
CN117692279B (zh) | 一种物联网前端数据采集网关及数据处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Floor 9c-2, Huzhou multimedia Industrial Park, No. 999, Wuxing Avenue, Huzhou City, Zhejiang Province 313000 Applicant after: Zhejiang Jiuzhou Future Information Technology Co.,Ltd. Address before: Floor 9c-2, Huzhou multimedia Industrial Park, No. 999, Wuxing Avenue, Huzhou City, Zhejiang Province 313000 Applicant before: Zhejiang Jiuzhou cloud Mdt InfoTech Ltd. |