CN116245510A - 基于车路协同的道路资产检测管理方法、装置和存储介质 - Google Patents

基于车路协同的道路资产检测管理方法、装置和存储介质 Download PDF

Info

Publication number
CN116245510A
CN116245510A CN202310208373.7A CN202310208373A CN116245510A CN 116245510 A CN116245510 A CN 116245510A CN 202310208373 A CN202310208373 A CN 202310208373A CN 116245510 A CN116245510 A CN 116245510A
Authority
CN
China
Prior art keywords
road
data
vehicle
asset
coordinate data
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
CN202310208373.7A
Other languages
English (en)
Inventor
赵钺
宋鄂
张顺庆
赵楠
王辉
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 Dynamics Technology Shenzhen Co ltd
Original Assignee
China Dynamics Technology Shenzhen 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 Dynamics Technology Shenzhen Co ltd filed Critical China Dynamics Technology Shenzhen Co ltd
Priority to CN202310208373.7A priority Critical patent/CN116245510A/zh
Publication of CN116245510A publication Critical patent/CN116245510A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于车路协同的道路资产检测管理方法、计算机装置及存储介质，包括分别通过路侧设备和车端设备对道路资产进行感知，获得第一感知数据和第二感知数据，对第一感知数据和第二感知数据进行协同优化和整合，获得资产信息表等步骤。本发明通过使用路侧设备能够对固定位置周边的道路资产进行感知，使用车端设备能够对路侧设备无法覆盖的区域进行感知，从而扩大对道路资产的覆盖面，能够对大量的道路资产进行数据化管理；另一方面，通过对路侧设备得到的第一感知数据和车端设备得到的第二感知数据进行协同优化，能够提高第二感知数据的精度，有利于对道路资产进行精细化管理。本发明广泛应用于资产管理技术领域。

Description

基于车路协同的道路资产检测管理方法、装置和存储介质
技术领域
本发明涉及资产管理技术领域，尤其是一种基于车路协同的道路资产检测管理方法、计算机装置及存储介质。
背景技术
道路资产包括道路用地、道路(含道路桥涵、道路隧道、道路渡口等)及构筑物、构成道路正常使用不可缺少组成部分的交通工程及沿线设施(含交通安全设施、管理设施、服务设施、绿化环保设施)等资产。随着城市道路基建不断增长，为人们的出行带来了极大的便利的同时，道路资产的管理和维护工作也面临着更大的挑战。目前，道路养护和维修管理仍然以人工检测为主。定期组织辖区范围内的检测和普查。这种巡检方式由于道路资产种类多、数量大，且人工难以记忆、精细化和实时检测，容易造成资产损坏难以辨认、难以及时发现，并存在人力资源耗费大、检测周期长等问题。
发明内容
针对目前道路资产管理技术存在的难以精细化、资源耗费大、检测周期长等技术问题，本发明的目的在于提供一种基于车路协同的道路资产检测管理方法、计算机装置及存储介质。
一方面，本发明实施例包括一种基于车路协同的道路资产检测管理方法，所述基于车路协同的道路资产检测管理方法执行若干个检测周期，在任一个检测周期内执行以下步骤：
通过若干个路侧设备对安装位置所在环境的道路资产进行感知，获得若干个第一感知数据；所述第一感知数据用于表示所述路侧设备感知到的道路资产的坐标和属性；
通过车端设备对行驶路径所经过环境的道路资产进行感知，获得第二感知数据；所述第二感知数据用于表示所述车端设备感知到的道路资产的坐标和属性；
对所述第一感知数据和所述第二感知数据进行协同优化；
对所述第一感知数据和所述第二感知数据进行整合，获得资产信息表。
进一步地，所述通过若干个路侧设备对安装位置所在环境的道路资产进行感知，获得若干个第一感知数据，包括：
对于任一个所述路侧设备，通过所述路侧设备对安装位置所在环境进行点云和图像感知扫描，获得第一图像数据；
通过所述路侧设备进行定位，获得第一设备坐标数据；
使用三维目标检测算法对所述第一图像数据进行处理，获得第一属性数据和第一相对坐标数据；所述第一属性数据用于表示所述第一图像数据中的道路资产的属性，所述第一相对坐标数据用于表示所述第一图像数据中的道路资产相对于所述路侧设备的坐标；
根据所述第一设备坐标数据和所述第一相对坐标数据，确定第一绝对坐标数据；所述第一绝对坐标数据用于表示所述第一图像数据中的道路资产的绝对坐标；
根据所述第一属性数据和所述第一绝对坐标数据，生成所述第一感知数据。
进一步地，所述通过车端设备对行驶路径所经过环境的道路资产进行感知，获得第二感知数据，包括：
根据各所述第一设备坐标数据，确定各所述路侧设备的覆盖范围；
规划所述车端设备的行驶路径；所述行驶路径绕开各所述路侧设备的覆盖范围；
通过所述车端设备进行定位，获得第二设备坐标数据；
通过所述车端设备沿所述行驶路径进行行驶，对所述行驶路径所经过环境进行点云和图像感知扫描，获得第二图像数据；
使用三维目标检测算法对所述第二图像数据进行处理，获得第二属性数据和第二相对坐标数据；所述第二属性数据用于表示所述第二图像数据中的道路资产的属性，所述第二相对坐标数据用于表示所述第二图像数据中的道路资产相对于所述车端设备的坐标；
根据所述第二设备坐标数据和所述第二相对坐标数据，确定第二绝对坐标数据；所述第二绝对坐标数据用于表示所述第二图像数据中的道路资产的绝对坐标；
根据所述第二属性数据和所述第二绝对坐标数据，生成所述第二感知数据。
进一步地，所述对所述第一感知数据和所述第二感知数据进行协同优化，包括：
在各所述路侧设备分别设定相应的精确坐标数据；所述精确坐标数据用于表示相应所述路侧设备的安装位置的坐标；
各所述路侧设备分别根据相应所述精确坐标数据与定位得到的所述第一设备坐标数据，确定差分校正数据；
根据各所述差分校正数据，对所述第二感知数据进行差分校正。
进一步地，所述根据各所述差分校正数据，对所述第二感知数据进行差分校正，包括：
分别确定所述车端设备与各所述路侧设备之间的环境相似度；
对于任一个所述差分校正数据，根据所述差分校正数据相应的所述路侧设备与所述车端设备之间的环境相似度，对所述差分校正数据赋予相应的权重；
以各所述差分校正数据，按照各自对应的权重，对所述第二感知数据进行差分校正。
进一步地，在任一个所述检测周期内还执行以下步骤：
在对所述第一感知数据和所述第二感知数据进行协同优化之后，对所述第一感知数据和所述第二感知数据进行整合，获得资产信息表之前，对所述第一感知数据和所述第二感知数据进行去噪。
进一步地，所述对所述第一感知数据和所述第二感知数据进行去噪，包括：
建立卷积神经网络；
获取第一二维图像；
在所述第一二维图像的基础上添加零均值噪声，获得第二二维图像；
以所述第二二维图像作为所述卷积神经网络的输入，以所述第一二维图像作为所述卷积神经网络的预期输出，对所述卷积神经网络进行训练；
将所述第一感知数据和所述第二感知数据分别转换得到第三二维图像；
将所述第三二维图像输入至经过训练的所述卷积神经网络进行处理。
进一步地，基于车路协同的道路资产检测管理方法还包括以下步骤：
将执行多个所述检测周期分别所得到的所述资产信息表进行对比；
根据对比结果，进行资产管理。
另一方面，本发明实施例还包括一种计算机装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行实施例中的基于车路协同的道路资产检测管理方法。
另一方面，本发明实施例还包括一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行实施例中的基于车路协同的道路资产检测管理方法。
本发明的有益效果是：实施例中的基于车路协同的道路资产检测管理方法，通过使用路侧设备能够对固定位置周边的道路资产进行感知，使用车端设备能够对路侧设备无法覆盖的区域进行感知，从而扩大对道路资产的覆盖面，能够对大量的道路资产进行数据化管理；另一方面，通过对路侧设备得到的第一感知数据和车端设备得到的第二感知数据进行协同优化，能够提高第二感知数据的精度，有利于对道路资产进行精细化管理。
附图说明
图1为实施例中基于车路协同的道路资产检测管理方法的步骤示意图；
图2为实施例中可以应用基于车路协同的道路资产检测管理方法的系统示意图；
图3为实施例中基于车路协同的道路资产检测管理方法的流程示意图；
图4为实施例中对第一感知数据和第二感知数据进行去噪的原理示意图。
具体实施方式
本实施例中，在执行基于车路协同的道路资产检测管理方法时，循环执行多个检测周期，例如在执行完一个检测周期之后，开始执行下一个检测周期，每个检测周期所执行的步骤可以是相同的。以其中一个检测周期为例进行说明。参照图1，任一个检测周期包括以下步骤：
S1.通过若干个路侧设备对安装位置所在环境的道路资产进行感知，获得若干个第一感知数据；第一感知数据用于表示路侧设备感知到的道路资产的坐标和属性；
S2.通过车端设备对行驶路径所经过环境的道路资产进行感知，获得第二感知数据；第二感知数据用于表示车端设备感知到的道路资产的坐标和属性；
S3.对第一感知数据和第二感知数据进行协同优化；
S4.对第一感知数据和第二感知数据进行整合，获得资产信息表。
步骤S1-S4可以应用于图2所示的系统中。参照图2，在道路两侧、路口等若干个位置分别安装路侧设备100，在车上安装车端设备200。路侧设备和车端设备的功能结构相似，均设有供电模块、点云和图像感知扫描模块、定位模块、处理模块、存储模块和通信模块等模块。其中，点云和图像感知扫描模块基于激光或者可见光对周边环境进行扫描和感知；定位模块基于GNSS(Global Navigation Satellite System，全球导航卫星系统，包括全球定位系统GPS、北斗定位系统BDS、伽利略卫星导航系统Galileo和格洛纳斯GLONASS等)进行定位，获得实测的坐标数据；处理模块进行数据处理；存储模块存储数据处理过程中产生的数据以及其他数据，例如在安装路侧设备100时，通过精确的勘测手段确定路侧设备100的安装位置处的精确坐标数据，将精确坐标数据存储在该路侧设备100的存储模块中，在需要时读取出来使用；通信模块通过无线通信协议与云端服务器进行通信。
本实施例中，在执行步骤S1-S4时，可以由各路侧设备分别执行步骤S1，从而获得各自的第一感知数据，将第一感知数据发送至云端服务器；由车端设备执行步骤S2，从而获得第二感知数据，将第二感知数据发送至云端服务器；由云端服务器执行步骤S3-S4，对第一感知数据和第二感知数据进行处理。也可以由各路侧设备和车端设备分别将各自的原始数据发送至云端服务器，由云端服务器执行步骤S1-S2获得第一感知数据和第二感知数据，执行步骤S3-S4对第一感知数据和第二感知数据进行处理。
步骤S1-S4的流程如图3所示。
本实施例中，参照图3，在执行步骤S1，也就是通过若干个路侧设备对安装位置所在环境的道路资产进行感知，获得若干个第一感知数据这一步骤时，具体可以执行以下步骤：
S101.对于任一个路侧设备，通过路侧设备对安装位置所在环境进行点云和图像感知扫描，获得第一图像数据；
S102.通过路侧设备进行定位，获得第一设备坐标数据；
S103.使用三维目标检测算法对第一图像数据进行处理，获得第一属性数据和第一相对坐标数据；
S104.根据第一设备坐标数据和第一相对坐标数据，确定第一绝对坐标数据；
S105.根据第一属性数据和第一绝对坐标数据，生成第一感知数据。
本实施例中，每个路侧设备都执行步骤S101-S105。
以其中一个路侧设备为例，步骤S101中，该路侧设备通过点云和图像感知扫描模块，对安装位置所在环境进行点云和图像感知扫描，获得第一图像数据。第一图像数据通过图像反映该路侧设备所在环境的信息。
步骤S102中，该路侧设备通过定位模块进行实时定位，获得第一设备坐标数据。第一设备坐标数据表示该路侧设备实时测得的坐标信息。
在路侧设备的处理模块算力足够的情况下，可以由路侧设备的处理模块执行步骤S103，反之可以由路侧设备通过通信模块将第一图像数据上传至云端服务器，由云端服务器执行步骤S103。步骤S103中，执行三维目标检测算法对第一图像数据进行处理，从而识别第一图像数据中包含的道路资产(例如路桥、路牌、护栏等)的第一属性数据(可以表示道路资产属于路桥、路牌或者护栏等种类，以及表示道路资产的编号等信息)和第一相对坐标数据(可以表示道路资产相对于路侧设备即第一设备坐标数据的距离和角度等信息)。
步骤S104中，通过空间坐标算法，将第一相对坐标数据映射到第一设备坐标数据所在的空间坐标系，从而获得第一绝对坐标数据。第一绝对坐标数据可以表示第一图像数据中的道路资产的绝对坐标。
步骤S105中，将第一属性数据和第一绝对坐标数据打包得到第一感知数据。由于第一感知数据包括第一属性数据和第一绝对坐标数据，因此第一感知数据能够表示路侧设备感知到的道路资产的坐标和属性。
本实施例中，参照图3，在执行步骤S2，也就是通过车端设备对行驶路径所经过环境的道路资产进行感知，获得第二感知数据这一步骤时，具体可以执行以下步骤：
S201.根据各第一设备坐标数据，确定各路侧设备的覆盖范围；
S202.规划车端设备的行驶路径；行驶路径绕开各路侧设备的覆盖范围；
S203.通过车端设备进行定位，获得第二设备坐标数据；
S204.通过车端设备沿行驶路径进行行驶，对行驶路径所经过环境进行点云和图像感知扫描，获得第二图像数据；
S205.使用三维目标检测算法对第二图像数据进行处理，获得第二属性数据和第二相对坐标数据；第二属性数据用于表示第二图像数据中的道路资产的属性，第二相对坐标数据用于表示第二图像数据中的道路资产相对于车端设备的坐标；
S206.根据第二设备坐标数据和第二相对坐标数据，确定第二绝对坐标数据；第二绝对坐标数据用于表示第二图像数据中的道路资产的绝对坐标；
S207.根据第二属性数据和第二绝对坐标数据，生成第二感知数据。
步骤S201中，对于其中任意一个路侧设备，以该路侧设备的第一设备坐标数据为中心，根据该路侧设备的性能设定一定的半径，从而确定该路侧设备的覆盖范围。在该路侧设备的覆盖范围内，该路侧设备能够扫描获得合格的第一图像数据，在该路侧设备的覆盖范围外，可以认为该路侧设备不能扫描获得合格的第一图像数据。
步骤S202中，规划车端设备的行驶路径，所规划的行驶路径绕开各路侧设备的覆盖范围，即汽车沿着该行驶路径行驶时，车端设备将经过各个路侧设备的覆盖范围外，从而使得车端设备能够对各个路侧设备无法检测到的道路物资进行检测。
步骤S203-S207的原理与步骤S101-S105的原理相同。
步骤S203中，车端设备通过定位模块进行实时定位，获得第二设备坐标数据。第二设备坐标数据表示车端设备实时测得的坐标信息。
步骤S204中，车端设备通过点云和图像感知扫描模块，对安装位置所在环境进行点云和图像感知扫描，获得第二图像数据。第二图像数据通过图像反映车端设备的行驶路径所经过环境的信息。
在车端设备的处理模块算力足够的情况下，可以由车端设备的处理模块执行步骤S205，反之可以由车端设备通过通信模块将第二图像数据上传至云端服务器，由云端服务器执行步骤S205。步骤S205中，执行三维目标检测算法对第二图像数据进行处理，从而识别第二图像数据中包含的道路资产(例如路桥、路牌、护栏等)的第二属性数据(可以表示道路资产属于路桥、路牌或者护栏等种类，以及表示道路资产的编号等信息)和第二相对坐标数据(可以表示道路资产相对于车端设备即第二设备坐标数据的距离和角度等信息)。
步骤S206中，通过空间坐标算法，将第二相对坐标数据映射到第二设备坐标数据所在的空间坐标系，从而获得第二绝对坐标数据。第二绝对坐标数据可以表示第二图像数据中的道路资产的绝对坐标。
步骤S207中，将第二属性数据和第二绝对坐标数据打包得到第二感知数据。由于第二感知数据包括第二属性数据和第二绝对坐标数据，因此第二感知数据能够表示车端设备感知到的道路资产的坐标和属性。
本实施例中，参照图3，在执行步骤S3，也就是对第一感知数据和第二感知数据进行协同优化这一步骤时，具体可以执行以下步骤：
S301.在各路侧设备分别设定相应的精确坐标数据；
S302.各路侧设备分别根据相应精确坐标数据与定位得到的第一设备坐标数据，确定差分校正数据；
S303.根据各差分校正数据，对第二感知数据进行差分校正。
步骤S301-S303是进行差分定位的步骤。
步骤S301中，可以在安装各路侧设备100时，通过精确的勘测手段(例如确认测量环境良好，测量设备精度足够高)确定路侧设备100的安装位置处的精确坐标数据，将精确坐标数据存储在该路侧设备100的存储模块中，在需要时读取出来使用。
步骤S301可以在安装各路侧设备时一次完成，即如果路侧设备的存储模块中已存储了精确坐标数据，则可以直接从存储模块中读取出精确坐标数据。
步骤S302中，对于第i个路侧设备，该路侧设备作为基准站，可以根据星历计算出导航卫星的位置，因此根据导航卫星的位置与精确坐标数据，可以计算出第i个路侧设备与导航卫星之间的真实几何距离rr (i)，根据导航卫星的位置与实测得到的第一设备坐标数据，可以计算出第i个路侧设备与导航卫星之间的伪距测量值
Figure BDA0004111677990000071
从而能够根据公式
Figure BDA0004111677990000072
计算出第i个路侧设备的差分校正数据/>
Figure BDA0004111677990000073
其中，差分校正数据/>
Figure BDA0004111677990000074
反映了由卫星钟钟差、卫星星历误差、电离层延迟和对流层延迟等因素造成的误差，车端设备可以根据差分校正数据/>
Figure BDA0004111677990000075
(当一共有n个路侧设备时，i＝1，2，……n)来进行补偿，从而消除或者减小这些误差。
执行步骤S303时，车端设备在经过路侧设备附近时激活路侧设备，由路侧设备将这个路侧设备计算得到的差分校正数据发送给车端设备。也可以由每个路侧设备将各自所得的差分校正数据先上传至云端服务器，由云端服务器将全部差分校正数据转发至车端设备。
执行步骤S303时，车端设备根据差分校正数据
Figure BDA0004111677990000076
(i＝1，2，……n)对对第二感知数据进行补偿，从而对第二感知数据进行差分校正，从而消除或者减小第二感知数据中的第二设备坐标数据的误差。
本实施例中，在执行步骤S303时，具体可以执行以下步骤：
S30301.分别确定车端设备与各路侧设备之间的环境相似度；
S30302.对于任一个差分校正数据，根据差分校正数据相应的路侧设备与车端设备之间的环境相似度，对差分校正数据赋予相应的权重；
S30303.以各差分校正数据，按照各自对应的权重，对第二感知数据进行差分校正。
步骤S30301中，车端设备与各路侧设备分别检测各自所在位置的环境参数。每个设备检测到的环境参数是格式相同的向量，其中具体可以包括一个分量，也可以包括多个分量。例如，环境参数可以包含“经度、维度”两个分量，也可以包含“经度、维度、海拔高度”三个分量，还可以包含“经度、维度、海拔高度、天气状况量化值(例如温度、湿度，或者使用离散数值分别表示晴朗、雨天、雾天等天气)”等多个分量。
步骤S30301中，在确定车端设备与第i个路侧设备之间的环境相似度时，可以使用向量相似度算法，计算出车端设备的环境参数与第i个路侧设备的环境参数之间的向量相似度，作为车端设备与第i个路侧设备之间的环境相似度ai。在只使用“经度、维度”两个分量或者“经度、维度、海拔高度”三个分量作为环境参数时，可以计算出两个环境参数之间的欧氏距离的倒数作为环境相似度，因此车端设备与第i个路侧设备之间越远，则环境相似度ai越小，越近则环境相似度ai越大。
步骤S30302中，对于第i个路侧设备的差分校正数据
Figure BDA0004111677990000081
根据差分校正数据相应的路侧设备与车端设备之间的环境相似度ai，对差分校正数据/>
Figure BDA0004111677990000082
赋予相应的权重，即赋权后第i个路侧设备的差分校正数据为/>
Figure BDA0004111677990000083
步骤S30303中，车端设备获取全部n个路侧设备的差分校正数据为
Figure BDA0004111677990000084
(i＝1，2，……n)，车端设备根据差分校正数据/>
Figure BDA0004111677990000085
(i＝1，2，……n)对对第二感知数据进行补偿，从而对第二感知数据进行差分校正，从而消除或者减小第二感知数据中的第二设备坐标数据的误差。
步骤S30301-S30303中，车端设备和各路侧设备的环境参数能够反映出设备所在位置的环境的情况，车端设备和各路侧设备之间的环境相似度能够反映出设备所在位置的环境的相似程度。由于GNSS的定位效果与设备所在位置的环境的情况相关，因此可以以环境相似度作为车端设备和各路侧设备的GNSS定位效果相似度。当车端设备与第i个路侧设备之间的环境相似度ai越小，则车端设备进行差分校正时，第i个路侧设备提供的差分校正数据
Figure BDA0004111677990000091
对差分校正的影响越小，从而有利于进一步减小第二感知数据中因天气造成的信号延迟等因素造成的误差。
本实施例中，在执行完步骤S3，也就是在对第一感知数据和第二感知数据进行协同优化之后，在执行步骤S4之前，也就是对第一感知数据和第二感知数据进行整合，获得资产信息表之前，对第一感知数据和第二感知数据进行去噪。具体地，对第一感知数据和第二感知数据进行去噪包括以下步骤：
P1.建立卷积神经网络；
P2.获取第一二维图像；
P3.在第一二维图像的基础上添加零均值噪声，获得第二二维图像；
P4.以第二二维图像作为卷积神经网络的输入，以第一二维图像作为卷积神经网络的预期输出，对卷积神经网络进行训练；
P5.将第一感知数据和第二感知数据分别转换得到第三二维图像；
P6.将第三二维图像输入至经过训练的卷积神经网络进行处理。
步骤P1-P6的原理如图4所示。第一感知数据和第二感知数据中存在的噪声主要来源于传感器的脉冲噪声、路侧设备因车辆通过而产生的抖动噪声、车端设备经过不同道路时设备的抖动摇晃所带来的噪声等，这些噪声大致接近于零均值的高斯噪声，因此可以如图4所示执行Noise2Noise去噪算法进行降噪。
步骤P1-P4是对卷积神经网络进行训练的过程。
步骤P1中，可以建立基于U-Net的卷积神经网络。步骤P2中，获取的第一二维图像是不含零均值噪声的图像。步骤P3中，在第一二维图像的基础上添加零均值噪声，获得第二二维图像，因此第二二维图像内容与第一二维图像相同，相比第一二维图像含有零均值噪声。
步骤P4中，以第二二维图像作为卷积神经网络的输入，以第一二维图像作为卷积神经网络的预期输出(标签)，根据卷积神经网络对第二二维图像进行处理所得到的实际输出，与标签采用L2范数计算损失函数值，当损失函数值未收敛时更新卷积神经网络的网络参数，并读取下一组第一二维图像和第二二维图像继续进行训练；当损失函数值未收敛时则结束对卷积神经网络的训练。
经过步骤P1-P4的训练，所得到的卷积神经网络具有对二维图像进行处理，消除其中的零均值噪声的能力。
步骤P5中，将第一感知数据和第二感知数据分别转换得到第三二维图像，使得第一感知数据和第二感知数据被转换成卷积神经网络能够处理的数据格式。步骤P6中，将第三二维图像输入至经过训练的卷积神经网络进行处理，使得卷积神经网络能够消除第一感知数据和第二感知数据中的脉冲噪声和抖动噪声，从而获得更精确的结果。
在执行完步骤P1-P5之后，执行步骤S5，对消除了噪声的第一感知数据和第二感知数据进行整合，获得资产信息表。
步骤S5中，第一感知数据中的第一属性数据标定了部分道路资产的属性(包括名称、编号、类型等)，第一绝对坐标数据标定了这部分道路资产的位置；第二感知数据中的第二属性数据也标定了部分道路资产的属性，第二绝对坐标数据标定了这部分道路资产的位置。因此，可能存在以下情况：
(1)第一感知数据中标定的一些道路资产，未被第二感知数据标定；
(2)第二感知数据中标定的一些道路资产，未被第一感知数据标定；
(3)第一感知数据中标定的一些道路资产，已被第二感知数据标定，且同一道路资产对应的第一绝对坐标数据和第二绝对坐标数据之间无偏差或者偏差很小；
(4)第一感知数据中标定的一些道路资产，已被第二感知数据标定，但同一道路资产对应的第一绝对坐标数据和第二绝对坐标数据之间偏差很大。
对于第(1)种情况和第(2)种情况中的道路资产，都将其属性数据和绝对坐标数据记录至资产信息表中；对于第(3)种情况中的道路资产，进行去重后将其属性数据和绝对坐标数据记录至资产信息表中；对于第(4)种情况中的道路资产，则在资产信息表中标记为不明确资产。
本实施例中，基于车路协同的道路资产检测管理方法还执行以下步骤：
S5.将执行多个检测周期分别所得到的资产信息表进行对比；
S6.根据对比结果，进行资产管理。
步骤S1-S4是其中一个检测周期所得到的结果。执行多个检测周期，可以在每个检测周期分别获得一个资产信息表，从而获得多个资产信息表。执行步骤S5时，可以将相邻两个检测周期所获得的两个资产信息表进行对比，从而确定资产信息表中的道路资产新增和删除等变动。步骤S6中，当相邻两个检测周期所获得的两个资产信息表的对比结果显示道路资产新增(在后的资产信息表中记录了一组全新的属性数据和绝对坐标数据)和删除(在前的资产信息表中一组属性数据和绝对坐标数据，在在前的资产信息表中不再出现)，则进行对新增或者移除的道路资产进行查验等管理；当出现某个道路资产仅其属性数据发生变化而绝对坐标数据未发生变化，或者仅其绝对坐标数据发生变化而属性数据未发生变化等情况，则可以将该资产标记为不明确资产，从而判断其是否被损坏、盗窃，以及进行人工维修等操作。
可以通过编写执行本实施例中的基于车路协同的道路资产检测管理方法的计算机程序，将该计算机程序写入至存储介质或者计算机装置中，当计算机程序被读取出来运行时，执行本实施例中的基于车路协同的道路资产检测管理方法，从而实现与实施例中的基于车路协同的道路资产检测管理方法相同的技术效果。
需要说明的是，如无特殊说明，当某一特征被称为“固定”、“连接”在另一个特征，它可以直接固定、连接在另一个特征上，也可以间接地固定、连接在另一个特征上。此外，本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。此外，除非另有定义，本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例，而不是为了限制本发明。本实施例所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种元件，但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如，在不脱离本公开范围的情况下，第一元件也可以被称为第二元件，类似地，第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例，并且除非另外要求，否则不会对本发明的范围施加限制。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本实施例描述的过程的操作，除非本实施例另外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本实施例所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，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，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。

Claims (10)

1.一种基于车路协同的道路资产检测管理方法，其特征在于，所述基于车路协同的道路资产检测管理方法执行若干个检测周期，在任一个检测周期内执行以下步骤：
通过若干个路侧设备对安装位置所在环境的道路资产进行感知，获得若干个第一感知数据；所述第一感知数据用于表示所述路侧设备感知到的道路资产的坐标和属性；
通过车端设备对行驶路径所经过环境的道路资产进行感知，获得第二感知数据；所述第二感知数据用于表示所述车端设备感知到的道路资产的坐标和属性；
对所述第一感知数据和所述第二感知数据进行协同优化；
对所述第一感知数据和所述第二感知数据进行整合，获得资产信息表。
2.根据权利要求1所述的基于车路协同的道路资产检测管理方法，其特征在于，所述通过若干个路侧设备对安装位置所在环境的道路资产进行感知，获得若干个第一感知数据，包括：
对于任一个所述路侧设备，通过所述路侧设备对安装位置所在环境进行点云和图像感知扫描，获得第一图像数据；
通过所述路侧设备进行定位，获得第一设备坐标数据；
使用三维目标检测算法对所述第一图像数据进行处理，获得第一属性数据和第一相对坐标数据；所述第一属性数据用于表示所述第一图像数据中的道路资产的属性，所述第一相对坐标数据用于表示所述第一图像数据中的道路资产相对于所述路侧设备的坐标；
根据所述第一设备坐标数据和所述第一相对坐标数据，确定第一绝对坐标数据；所述第一绝对坐标数据用于表示所述第一图像数据中的道路资产的绝对坐标；
根据所述第一属性数据和所述第一绝对坐标数据，生成所述第一感知数据。
3.根据权利要求2所述的基于车路协同的道路资产检测管理方法，其特征在于，所述通过车端设备对行驶路径所经过环境的道路资产进行感知，获得第二感知数据，包括：
根据各所述第一设备坐标数据，确定各所述路侧设备的覆盖范围；
规划所述车端设备的行驶路径；所述行驶路径绕开各所述路侧设备的覆盖范围；
通过所述车端设备进行定位，获得第二设备坐标数据；
通过所述车端设备沿所述行驶路径进行行驶，对所述行驶路径所经过环境进行点云和图像感知扫描，获得第二图像数据；
使用三维目标检测算法对所述第二图像数据进行处理，获得第二属性数据和第二相对坐标数据；所述第二属性数据用于表示所述第二图像数据中的道路资产的属性，所述第二相对坐标数据用于表示所述第二图像数据中的道路资产相对于所述车端设备的坐标；
根据所述第二设备坐标数据和所述第二相对坐标数据，确定第二绝对坐标数据；所述第二绝对坐标数据用于表示所述第二图像数据中的道路资产的绝对坐标；
根据所述第二属性数据和所述第二绝对坐标数据，生成所述第二感知数据。
4.根据权利要求2所述的基于车路协同的道路资产检测管理方法，其特征在于，所述对所述第一感知数据和所述第二感知数据进行协同优化，包括：
在各所述路侧设备分别设定相应的精确坐标数据；所述精确坐标数据用于表示相应所述路侧设备的安装位置的坐标；
各所述路侧设备分别根据相应所述精确坐标数据与定位得到的所述第一设备坐标数据，确定差分校正数据；
根据各所述差分校正数据，对所述第二感知数据进行差分校正。
5.根据权利要求4所述的基于车路协同的道路资产检测管理方法，其特征在于，所述根据各所述差分校正数据，对所述第二感知数据进行差分校正，包括：
分别确定所述车端设备与各所述路侧设备之间的环境相似度；
对于任一个所述差分校正数据，根据所述差分校正数据相应的所述路侧设备与所述车端设备之间的环境相似度，对所述差分校正数据赋予相应的权重；
以各所述差分校正数据，按照各自对应的权重，对所述第二感知数据进行差分校正。
6.根据权利要求1所述的基于车路协同的道路资产检测管理方法，其特征在于，在任一个所述检测周期内还执行以下步骤：
在对所述第一感知数据和所述第二感知数据进行协同优化之后，对所述第一感知数据和所述第二感知数据进行整合，获得资产信息表之前，对所述第一感知数据和所述第二感知数据进行去噪。
7.根据权利要求6所述的基于车路协同的道路资产检测管理方法，其特征在于，所述对所述第一感知数据和所述第二感知数据进行去噪，包括：
建立卷积神经网络；
获取第一二维图像；
在所述第一二维图像的基础上添加零均值噪声，获得第二二维图像；
以所述第二二维图像作为所述卷积神经网络的输入，以所述第一二维图像作为所述卷积神经网络的预期输出，对所述卷积神经网络进行训练；
将所述第一感知数据和所述第二感知数据分别转换得到第三二维图像；
将所述第三二维图像输入至经过训练的所述卷积神经网络进行处理。
8.根据权利要求1-7任一项所述的基于车路协同的道路资产检测管理方法，其特征在于，基于车路协同的道路资产检测管理方法还包括以下步骤：
将执行多个所述检测周期分别所得到的所述资产信息表进行对比；
根据对比结果，进行资产管理。
9.一种计算机装置，其特征在于，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行权利要求1-8任一项所述的基于车路协同的道路资产检测管理方法。
10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行权利要求1-8任一项所述的基于车路协同的道路资产检测管理方法。
CN202310208373.7A 2023-02-27 2023-02-27 基于车路协同的道路资产检测管理方法、装置和存储介质 Pending CN116245510A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310208373.7A CN116245510A (zh) 2023-02-27 2023-02-27 基于车路协同的道路资产检测管理方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310208373.7A CN116245510A (zh) 2023-02-27 2023-02-27 基于车路协同的道路资产检测管理方法、装置和存储介质

Publications (1)

Publication Number Publication Date
CN116245510A true CN116245510A (zh) 2023-06-09

Family

ID=86632971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310208373.7A Pending CN116245510A (zh) 2023-02-27 2023-02-27 基于车路协同的道路资产检测管理方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN116245510A (zh)

Similar Documents

Publication Publication Date Title
Puente et al. Review of mobile mapping and surveying technologies
RU2254558C2 (ru) Способ коррекции позиционной погрешности в навигационной системе
JP6877417B2 (ja) 地図データ更新装置、地図データ更新方法および地図データ更新プログラム
US10132951B2 (en) Detection of buried assets using drone apparatus
JP6761828B2 (ja) 柱状物体状態検出装置、柱状物体状態検出方法、柱状物体状態検出処理プログラム
Ulvi Analysis of the utility of the unmanned aerial vehicle (UAV) in volume calculation by using photogrammetric techniques
CN111161353A (zh) 车辆定位方法、装置、可读存储介质和计算机设备
US12105201B2 (en) Information processing device
Moreno et al. An instrumented vehicle for efficient and accurate 3D mapping of roads
JP4311651B2 (ja) 位置補正システム及び管理サーバ
AU2021203522A1 (en) Augmented reality system for electromagnetic buried asset location
KR100510835B1 (ko) 실시간 측량 시스템을 이용하여 제작된 수치지도를적용하는 ｇｉｓ의 구축방법
Lucks et al. Improving trajectory estimation using 3D city models and kinematic point clouds
Yadav et al. Developing basic design and mathematical framework for a mobile mapping system—a case study using available sensors
US10489985B1 (en) Augmented reality system for electromagnetic buried asset location and identification
CN116245510A (zh) 基于车路协同的道路资产检测管理方法、装置和存储介质
Shi et al. Reference-plane-based approach for accuracy assessment of mobile mapping point clouds
Li et al. Prediction and visualization of GPS multipath signals in urban areas using LiDAR Digital Surface Models and building footprints
EP3255465B1 (en) Buried asset locate device motion sensing for quality control
Bianchi et al. A Novel Approach to Road Scanning for Automotive Simulations
KR100581226B1 (ko) 레이저를 이용한 건물 크기 정보의 실시간 ｇｉｓ 수치지도업데이트 방법
Krasuski et al. Algorithms for improving the position determination of an UAV equipped with a single-frequency GPS receiver for low-altitude photogrammetry
und Geomatik Development of the workflow for as-built measurements in infrastructure construction using the BIM technology.
CN110647591A (zh) 用于测试矢量地图的方法和装置
Tian Methodologies and Applications of Data Coordinate Conversion for Roadside LiDAR

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