CN116264034A - 一种危险路段识别方法、装置、边缘侧平台和路侧设备 - Google Patents
一种危险路段识别方法、装置、边缘侧平台和路侧设备 Download PDFInfo
- Publication number
- CN116264034A CN116264034A CN202111535201.8A CN202111535201A CN116264034A CN 116264034 A CN116264034 A CN 116264034A CN 202111535201 A CN202111535201 A CN 202111535201A CN 116264034 A CN116264034 A CN 116264034A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- road
- dangerous
- information
- preset
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000009471 action Effects 0.000 claims description 71
- 230000001133 acceleration Effects 0.000 claims description 54
- 238000010586 diagram Methods 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 201000010099 disease Diseases 0.000 abstract description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000028838 turning behavior Effects 0.000 description 1
- 230000000007 visual effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Abstract
本发明提供一种危险路段识别方法、装置、边缘侧平台和路侧设备,涉及车联网技术领域。该方法包括:接收路侧设备发送的所述路侧设备覆盖范围内当前行驶车辆的车辆基础安全信息;获取所述边缘侧平台覆盖范围内的历史车辆行驶环境信息,并根据所述历史车辆行驶环境信息确定危险驾驶路段;根据所述车辆基础安全信息和所述危险驾驶路段,确定所述路侧设备覆盖范围内车辆行驶的危险指示路段;向所述路侧设备发送指示信息,所述指示信息包括所述危险指示路段。本发明的方案可以超视距判断道路危险,包括道路病害和视线盲区等,提前对车辆下发危险道路信息,可以判别出感知设备不能识别的场景,并且无需车辆安装感知设备,不受天气等外界环境干扰。
Description
技术领域
本发明涉及车联网技术领域,特别是指一种危险路段识别方法、装置、边缘侧平台和路侧设备。
背景技术
现有技术中判断潜在危险路况主要通过两种技术手段,即一种是基于常识判断,另一种是基于自动驾驶算法判断。
基于常识判断:现有技术主要是利用固有常识去判断潜在危险路况,比如有山路、结冰、积水、学校等,据此认定为潜在危险路况,存在非客观情况,无数据的支撑,上述基于常识的判断方法存在误判的情况发生。
自动驾驶算法:基于计算机视觉技术的目标识别主要目的是识别出图像中有什么物体,并报告出这个物体在图像表示的场景中的位置和方向。对一个给定的图片进行目标识别,首先要判断目标有没有,如果目标没有,则检测和识别结束,如果有目标,就要进一步判断有几个目标,目标分别所在的位置,然后对目标进行分割,判断哪些像素点属于该目标。物体识别、车道线识别、红绿灯识别、行人识别等是基础,基于识别的结果进一步通过算法模型分析是否存在危险路况。即现有技术主要是利用通过车载摄像头、激光雷达、毫米波雷达或路侧摄感知设备进行目标的识别,包括静态目标和动态目标,基于计算机视觉识别的结果,加上算法分析判断是否为潜在危险路况,而现有技术基于自动驾驶算法判断存在识别盲区和算法误差,不能有效覆盖全场景业务需求。
由上可知,现有技术中的判断潜在危险路况的方法,不能同时避免潜在危险路况的误判和环境感知的范围存在局限性的弊端。
发明内容
本发明的目的是提供一种危险路段识别方法、装置、边缘侧平台和路侧设备,以避免现有技术中的判断潜在危险路况的方法存在误判和环境感知的范围的局限性的影响。
为达到上述目的,本发明的实施例提供一种危险路段识别方法,应用于边缘侧平台,包括:
接收路侧设备发送的所述路侧设备覆盖范围内当前行驶车辆的车辆基础安全信息;
获取所述边缘侧平台覆盖范围内的历史车辆行驶环境信息,并根据所述历史车辆行驶环境信息确定危险驾驶路段;
根据所述车辆基础安全信息和所述危险驾驶路段,确定所述路侧设备覆盖范围内车辆行驶的危险指示路段;
向所述路侧设备发送指示信息,所述指示信息包括所述危险指示路段。
可选的,所述根据所述历史车辆行驶环境信息确定危险驾驶路段,包括:
根据所述历史车辆行驶环境信息,确定在目标路段多个历史车辆行驶存在预设危险驾驶动作的概率;
若所述概率大于第一值,则确定所述目标路段为危险驾驶路段;
若所述概率小于第一值,则重新获取所述边缘侧平台覆盖范围内的历史车辆行驶环境信息,并根据重新获取的历史车辆行驶环境信息确定危险驾驶路段。
可选的,所述历史车辆行驶环境信息至少包括车辆加速度、车辆角加速度、以及车辆速度时,所述预设危险驾驶动作包括以下任意一项:
所述车辆加速度小于或者等于第一预设加速度值;所述第一预设加速度值为确定急刹车驾驶动作的临界加速度值;
所述车辆角加速度大于或者等于第二预设加速度值;所述第二预设加速度值为确定急转弯驾驶动作的临界加速度值;
所述车辆速度小于或者等于预设车速值;所述预设车速值为确定异常低速驾驶动作的临界速度值。
可选的,所述根据所述历史车辆行驶环境信息,确定在目标路段多个历史车辆行驶存在预设危险驾驶动作的概率,包括:
根据所述历史车辆行驶环境信息,获取历史车辆的位置信息;
根据预设高精地图数据和所述历史车辆的位置信息,确定多个目标路段以及每一目标路段上在预设时段内所经过的历史车辆;
根据所述历史车辆行驶环境信息,确定每一目标路段在所述预设时段所经过历史车辆行驶存在预设危险驾驶动作的概率。
可选的,所述根据预设高精地图数据和所述历史车辆的位置信息,确定多个目标路段以及每一目标路段上在预设时段内所经过的历史车辆,包括:
根据所述预设高精地图数据,确定预设高精地图数据中路口、车道以及道路之间的对应关系;
将所述路口、车道以及道路之间的对应关系生成预设拓扑图;
根据所述预设拓扑图,构建多个路段以及每一路段上的路口、车道以及道路的三者对应结构图;
根据所述历史车辆的位置信息和所述对应结构图,确定所述多个路段中的多个目标路段以及每一目标路段内在预设时段内所经过的历史车辆。
可选的,所述方法还包括:
获取所述边缘侧平台覆盖范围内的历史车辆行驶环境信息之后,若预设时段内采集到所述历史车辆行驶环境信息的历史车辆大于或者等于预设车辆值,则执行根据所述历史车辆行驶环境信息,确定历史车辆中存在预设危险动作的历史车辆概率的步骤;
否则,重新获取所述边缘侧平台覆盖范围内的历史车辆的历史车辆行驶环境信息。
可选的,根据所述车辆基础安全信息和所述危险驾驶路段,确定所述路侧设备覆盖范围内车辆行驶的危险指示路段,包括:
根据所述车辆基础安全信息,确定当前行驶车辆的初始位置信息;
根据所述危险驾驶路段,确定危险驾驶路段中的存在预设危险驾驶动作的历史车辆的初始位置信息;
若所述当前行驶车辆的初始位置信息和所述历史车辆的初始位置信息的差值处于预设范围时,则确定所述当前行驶车辆的对应的路段为危险指示路段。
可选的,所述方法还包括:
每隔预设周期更新所述边缘侧平台覆盖范围内的历史车辆行驶环境信息;
根据更新后的所述边缘侧平台覆盖范围内的车辆行驶环境信息,更新向所述路侧设备发送所述指示信息中的危险指示路段。
为达到上述目的,本发明的实施例还提供一种危险路段识别方法,应用于路侧设备,包括:
采集路侧设备覆盖范围内当前行驶车辆的车辆基础安全信息;所述车辆基础安全信息是当前行驶车辆的车载设备向所述路侧设备发送的车辆基础安全信息;
将所述车辆基础安全信息发送至边缘侧平台;
接收所述边缘侧平台发送的指示信息,所述指示信息包括所述危险指示路段。
可选的,所述采集路侧设备覆盖范围内当前行驶车辆的车辆基础安全信息,包括:
每隔预设时长采集路侧设备覆盖范围内的车辆基础安全信息。
可选的,所述方法还包括:
将接收的所述指示信息发送至所述当前行驶车辆的车载设备。
为达到上述目的,本发明的实施例还提供一种危险路段识别装置,包括:
第一接收模块,用于接收路侧设备发送的所述路侧设备覆盖范围内当前行驶车辆的车辆基础安全信息;
获取模块,用于获取边缘侧平台覆盖范围内的历史车辆行驶环境信息,并根据所述历史车辆行驶环境信息确定危险驾驶路段;
确定模块,用于根据所述车辆基础安全信息和所述危险驾驶路段,确定所述路侧设备覆盖范围内车辆行驶的危险指示路段;
第一发送模块,用于向所述路侧设备发送指示信息,所述指示信息包括所述危险指示路段。
为达到上述目的,本发明的实施例还提供一种危险路段识别装置,包括:
采集模块,用于采集路侧设备覆盖范围内当前行驶车辆的车辆基础安全信息;所述车辆基础安全信息是当前行驶车辆的车载设备向所述路侧设备发送的车辆基础安全信息;
第二发送模块,用于将所述车辆基础安全信息发送至边缘侧平台;
第二接收模块,用于接收所述边缘侧平台发送的指示信息,所述指示信息包括所述危险指示路段。
为达到上述目的,本发明的实施例还提供一种边缘侧平台,包括存储器、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;所述处理器执行所述程序时实现如上任一项所述的危险路段识别方法。
为达到上述目的,本发明的实施例还提供一种路侧设备,包括存储器、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;所述处理器执行所述程序时实现如上任一项所述的危险路段识别方法。
为达到上述目的,本发明的实施例还提供一种可读存储介质,其上存储有程序或指令,所述程序或指令被处理器执行时实现如上任一项所述的危险路段识别方法的步骤。
本发明的上述技术方案的有益效果如下:
上述技术方案中,通过接收路侧设备发送的所述路侧设备覆盖范围内当前行驶车辆的车辆基础安全信息;并获取所述边缘侧平台覆盖范围内的历史车辆行驶环境信息,并根据所述历史车辆行驶环境信息确定危险驾驶路段,即实现了对预设时段内的历史车辆行驶环境信息进行挖掘,对相同空间发生的危险驾驶行为进行数据分析,形成对潜在危险路况的判定;根据所述车辆基础安全信息和所述危险驾驶路段,确定所述路侧设备覆盖范围内车辆行驶的危险指示路段,最后,向所述路侧设备发送指示信息,所述指示信息包括所述危险指示路段,实现了实时交通数据挖掘和风险分析,极大的降低了成本。
附图说明
图1为本发明实施例的网络架构示意图;
图2为本发明实施例的网络架构的数据流程示意图;
图3为本发明实施例的应用于边缘侧平台的危险路段识别方法的流程示意图之一;
图4为本发明实施例的应用于路侧设备的危险路段识别方法的流程示意图之二;
图5为本发明实施例的应用于边缘侧平台的危险路段识别装置的模块示意图之一;
图6为本发明实施例的应用于路侧设备的危险路段识别装置的模块示意图之二。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中,应理解,下述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
另外,本文中术语“系统”和“网络”在本文中常可互换使用。
在本申请所提供的实施例中,应理解,“与A相应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其它信息确定B。
参照图1所示,为本发明实施例适用的一种网络架构示意图,涉及为高精地图和导航地图提供服务的边缘侧平台,用于提供车辆基础安全信息的路侧设备;所述路侧设备通过接收统一网关、车载设备或者可穿戴设备等装置采集的车辆基础安全信息,并将所述车辆基础安全信息转发至所述边缘侧平台,当然,统一网关、车载设备或者可穿戴设备等装置采集的车辆基础安全信息也可以通过5G(第五代移动通信技术)基站直接传输至所述边缘侧平台。其中,所述边缘侧平台至少包括用于提供预设高精地图数据的高精定位模块、提供网络服务支持的运维模块、以及接受路侧设备发送信息的接入网关、以及用于提供边缘运算和接收5G基站传输信息的多接入边缘计算模块(MEC)。
这里,所述图1中高精定位模块与接入网关之间、运维模块与接入网关之间采用光纤连接;接入网关和MEC之间、接入网关和路测设备之间以及MEC和5G基站之间采用5G/V2X连接;路侧设备、5G基站、统一网关、车载设备和可穿戴设备中除了统一网关、车载设备和可穿戴设备三者之间的任意两者之间的连接均采用预设线路,这里的预设线路可以理解为专线连接;当然,但并不限于图1所述的线路种类。
需要说明的是,所述边缘侧平台可以为高精地图和导航地图提供服务的应用服务器或地图云服务器,所述统一网关、车载设备也可以替换为车辆,在此不做具体限定。所述边缘侧平台可以与所述统一网关、车载设备等装置及部署于道路(该道路可包括一个或多个车道)路侧的多个路侧设备进行通信,每个路侧设备也可在各自的覆盖区域内向车联网终端发送V2X(车用无线通信技术)消息。应理解,在实际应用时,路侧设备的覆盖区域可以为规则的形状如矩形,也可以为不规则的形状;不同路侧设备的覆盖区域可以部分重叠,也可以全部重叠。
参照图2所示,图2为本发明一种实施例的网络架构的数据流程示意图。在该数据流程示意图中,通过车载设备采集车辆基础安全信息,并发送至路侧设备,路侧设备通过打包将所述车辆基础安全信息发送至边缘侧设备,所述边缘侧设备通过其解析模块进行DNS解析、通过网关转发所述车辆基础安全信息至机器学习模块,通过机器学习模块的分析、处理,将处理后的动态交通信息(DTI;Dynamic Traffic Information)返回网关,并通过网关将DTI发送至路侧设备,所述路侧设备将所述DTI发送至车载设备,所述车载设备可以通过无线、蓝牙等方式传输至汽车其它组件,完成数据的传输、处理等过程。通过图2的流程图可以实现交通数据采集和转发,交通数据的智能处理,下发处理后数据至车辆。
进一步的,如图3所示,本发明实施例的一种危险路段识别方法,应用于边缘侧平台,包括:
步骤100,接收路侧设备(RSU设备)发送的所述RSU设备覆盖范围内当前行驶车辆的车辆基础安全信息(Basic Safety Message;BSM);
该实施例中,所述BSM包括但不限于:时间戳、位置经纬度、当前行驶车辆速度、航向角、轴加速度、横向加速度、纵向加速度、车辆横摆角加速度等诸多信息。所述边缘侧平台优选以10赫兹的频率接收所述RSU发送的BSM。
步骤200,获取所述边缘侧平台覆盖范围内的历史车辆行驶环境信息,并根据所述历史车辆行驶环境信息确定危险驾驶路段;
该实施例中,获取的所述历史车辆行驶环境信息包括但不限于预设时段、历史车辆数值、位置信息等;举例示意可以将时间和车辆数为判定约束条件,将历史数据按照每小时为一段进行切分,以单位小时内的车辆数不小于100辆为判断前提,基于易发事故驾驶动作推导确定危险驾驶路段。这里,所述危险驾驶路段包括但不限于:视线盲区、复杂道路、滑坡、行人横穿、道路施工、危路、危桥等。
步骤300,根据所述车辆基础安全信息和所述危险驾驶路段,确定所述RSU设备覆盖范围内车辆行驶的危险指示路段;
步骤400,向所述RSU设备发送指示信息,所述指示信息包括所述危险指示路段。
这里,向所述RSU设备发送指示信息,可以在所述指示信息中添加标记,通过该标记可以清楚的展现出所述危险指示路段。
该实施例中,本发明仅需通过RSU设备和所述边缘侧平台,通过所述边缘侧平台的大规模结构化大数据的运算,将历史车辆行驶环境信息按照一定的时间段进行切分,基于易发事故驾驶动作推导出潜在易发事故路段区域,从一个新的角度进行实时交通数据挖掘和风险分析,极大的降低了成本,可有效提升行车安全与效率。
可选的,所述步骤200,包括:
步骤210,根据所述历史车辆行驶环境信息,确定在目标路段多个历史车辆行驶存在预设危险驾驶动作的概率;
该实施例中,所述预设危险驾驶动作至少包括急刹车驾驶动作、急转弯驾驶动作和异常低速驾驶动作;这里,所述目标路段为历史车辆经过的道路;将所述历史车辆行驶环境信息在预设时段内,以多个周期划分数据,例如把每5分钟内的交通数据为窗口,首先按照目标路段进行数据分组,再次按照车辆识别号码(ID)进行分组。基于分组后的数据,判断目标路段多个历史车辆行驶存在急刹车驾驶动作、急转弯驾驶动作和异常低速驾驶动作其中任意一种行为,若存在,则以目标路段为主键,把预设危险驾驶动作的起始经纬度、结束经纬度、起始发生时间、结束发生时间、车辆ID存储到键值对的可变长度值中,如果同一车辆多次发生点位置偏移不超过20米,则只记录一次;这里,通过记录的在目标路段多个历史车辆行驶存在预设危险驾驶动作的历史车辆数值和历史车辆总数值,确定其概率。
应当知道的是,起始发生时间(S)为出现预设危险驾驶动作的最早位置;结束发生时间(F)为出现预设危险驾驶动作的最晚位置。
步骤220,若所述概率大于第一值,则确定所述目标路段为危险驾驶路段;
该实施例中,所述第一值优选为3%,若所述概率大于3%,则确定所述目标路段为危险驾驶路段;即,在目标路段中,有超过3%车辆存在预设危险驾驶动作,则定义该路段区域为危险驾驶路段。
步骤230,若所述概率小于第一值,则重新获取所述边缘侧平台覆盖范围内的历史车辆行驶环境信息,并根据重新获取的历史车辆行驶环境信息确定危险驾驶路段。
这里,所述步骤230和步骤220为并列的方法,若所述概率小于第一值,即若所述概率小于3%,则重复执行步骤200中“获取所述边缘侧平台覆盖范围内的历史车辆行驶环境信息”的步骤,即重新获取所述边缘侧平台覆盖范围内的历史车辆行驶环境信息,并进一步地重新执行步骤210。所述概率小于3%,则清除过去预设时段内保存的所有出现预设危险驾驶动作的车辆信息;若在第一次确定危险驾驶路段之后,在后续更新数据后,重新确定所述概率小于3%,则解除上一次确定的危险驾驶路段。
具体地,所述历史车辆行驶环境信息至少包括车辆加速度、车辆角加速度、以及车辆速度时,所述预设危险驾驶动作包括以下任意一项:
所述车辆加速度小于或者等于第一预设加速度值;所述第一预设加速度值为确定急刹车驾驶动作的临界加速度值;
所述车辆角加速度大于或者等于第二预设加速度值;所述第二预设加速度值为确定急转弯驾驶动作的临界加速度值;
所述车辆速度小于或者等于预设车速值;所述预设车速值为确定异常低速驾驶动作的临界速度值。
该实施例中,所述历史车辆行驶环境信息至少包括车辆加速度、车辆角加速度、以及车辆速度时,将预设危险驾驶动作中的急刹车驾驶动作、急转弯驾驶动作、异常低速驾驶动作进行定义,进一步地提高了确定历史车辆中是否形成贵方,也提高了预测危险驾驶路段的准确性。具体地,通过表1定义预设危险驾驶动作。
表1:预设危险驾驶动作的定义表
需要说明的是,上述表1中记录预设危险驾驶动作会记录起始发生时间(S)和结束发生时间(F);这里,所述第一预设加速度值为-0.6g(1g=9.8m/s2);所述第二预设加速度值为0.72g(1g=9.8m/s2);所述预设车速值为10km/h;当然,上述表1给出的数值仅为示意值,可以根据具体实际情况做出调整。
具体地,针对步骤210中,判断是否存在急刹车驾驶动作:如果车辆的车速是否接近于零,同时满足车辆的加速度a≤-0.6g,则存在急刹车驾驶动作;判断是否存在急转弯驾驶动作:如果车辆角加速度w≥0.72g,则存在急转弯行为;判断是否存在异常低速驾驶动作:如果车辆速度≤10km/h,则存在异常低速行为;这里,如果同一车辆多次发生点位置偏移不超过20米,则只记录一次。
可选的,所述步骤210,包括:
步骤211,根据所述历史车辆行驶环境信息,获取历史车辆的位置信息;
步骤212,根据预设高精地图数据和所述历史车辆的位置信息,确定多个目标路段以及每一目标路段上在预设时段内所经过的历史车辆;
步骤213,根据所述历史车辆行驶环境信息,确定每一目标路段在所述预设时段所经过历史车辆行驶存在预设危险驾驶动作的概率。
该实施例中,通过步骤211,获取历史车辆的位置信息,所述位置信息至少包括历史车辆数据的经纬度信息,再通过步骤212,结合预设高精地图数据,解析并获得多个目标路段以及每一目标路段上在预设时段内所经过的历史车辆的具体位置,最后根据步骤213,确定所述历史车辆行驶存在预设危险驾驶动作的历史车辆,进一步确定存在预设危险驾驶动作的历史车辆的概率或者出现频率,从而确定所述历史车辆行驶环境信息中的危险驾驶路段。
本发明的所述预设高精地图作为车辆辅助定位和路径轨迹抽取的重要感知容器,借助于路口区域短程直连通信的高带宽特性,更新车端的地图数据。
需要说明的是,所述预设高精地图在物理特征层,可以记录道路road与路口junction的从属关系、道路road与车道lane的从属关系,当然,还可以包括道路road的id、车道lane的车道中心点、车道lane的车道中心线、车道lane的宽度、朝向等几何信息,路口区域几何信息,路口停止线位置等信息。
在语义信息层,可以记录车道限速、车道权重、路口道路连接拓扑关系、冲突点几何等信息,其中车道权重是路口调度策略的重要参考。
在实时映射层,可以记录维护车辆总集合、车道lane上的车辆等待队列、路口通行队列等信息,并根据车辆传来的信息实时更新车辆的状态。
应当理解的是,所述预设高精地图数据可以给出目标路段中的路口、车道以及道路之间的对应关系,以及车道lane的车道中心点、车道lane的车道中心线、车辆离开路口的道路、车道信息,以及车辆进入路口的道路、车道信息等。
具体地,所述步骤212,包括:
步骤2121,根据所述预设高精地图数据,确定预设高精地图数据中路口、车道以及道路之间的对应关系;
该实施例中,根据所述预设高精地图数据,解析所述预设高精地图数据中的道路信息,进而解析对应道路中的车道线信息,生成路口、道路、车道之间的对应关系,或者,可以解析出所述预设高精地图数据中的路口信息,生成路口和道路信息之间的对应关系;这里,所述车道包括但不限于车道中心线点和车道中心线信息,具体可以根据预设高精地图数据,进一步提高历史车辆的位置信息的精确度。
步骤2122,将所述路口、车道以及道路之间的对应关系生成预设拓扑图;
这里,将所述路口、车道以及道路之间的对应关系生成高精地图有权重的拓扑关系图;优选基于NetworkX初始化有向图生成拓扑关系图,所述拓扑关系图里的点和线,其中每一个node代表道路里的一个车道。
需要知道的是,所述NetworkX是用python语言编写的软件包,便于对复杂网络进行创建、操作和学习。利用所述NetworkX可以以标准化和非标准化的数据格式存储网络、生成多种随机网络和经典网络、分析网络结构、建立网络模型、设计新的网络算法、进行网络绘制等。
步骤2123,根据所述预设拓扑图,构建多个路段以及每一路段上的路口、车道以及道路的三者对应结构图;
这里,使用所述预设拓扑图的中心线点和每一个点的标签(lable)为:‘道路id,车道id,点index’构建多个路段以及每一路段上的路口、车道以及道路的三者对应结构图,即k-dimensional树(kd-tree)结构。所述kd-tree是一种对k维空间中的实例点进行存储以便对其进行快速检索的树形数据结构。
步骤2124,根据所述历史车辆的位置信息和所述对应结构图,确定所述多个路段中的多个目标路段以及每一目标路段内在预设时段内所经过的历史车辆。
该实施例中,根据所述历史车辆的位置信息和所述对应结构图,确定所述多个道路中的多个车道以及每一车道内在预设时段内所经过的历史车辆,最后可以根据每个道路上的车辆,对应路口的信息,从而实现确定在每个车道、道路、路口三者之间的具体位置时,在预设时段内所经过的历史车辆。本发明可以结合预设高精地图数据,解析并获得历史车辆的车道信息和道路信息,推导出危险驾驶路段,提高了预测数据的准确性。
可选的,所述方法还包括:
在步骤200的“获取所述边缘侧平台覆盖范围内的历史车辆行驶环境信息”之后,若预设时段内采集到所述历史车辆行驶环境信息的历史车辆大于或者等于预设车辆值,则执行根据所述历史车辆行驶环境信息,确定历史车辆中存在预设危险动作的历史车辆概率的步骤;
否则,重新获取所述边缘侧平台覆盖范围内的历史车辆的历史车辆行驶环境信息。
该实施例中,确定预设时段内采集到所述历史车辆行驶环境信息的历史车辆中所述预设时段优选为1小时,所述预设车辆值优选为100,可以将道路为分组,统计每隔5分钟经过的车流量,第i分钟车流量记为Ni,过去一小时的总车流量相加,即N=N1+N2+N3+Ni+N12,若N大于或者等于100,则执行根据所述历史车辆行驶环境信息,确定历史车辆中存在预设危险动作的历史车辆概率的步骤;若N小于100,则不满足条件,清除过去一小时内保存的所有异常驾驶行为车辆信息,并重新获取所述边缘侧平台覆盖范围内的历史车辆的历史车辆行驶环境信息。本发明通过确定预设时段、预设车辆值,以及采集到所述历史车辆行驶环境信息的历史车辆,进一步地规范了应用数据的前提条件,防止因数据较少,产生误差或者误计算,进一步地保证了预测数据的准确性。
需要说明的是,作为判定上述路段依据的预设危险驾驶动作为急刹车驾驶动作、急转弯驾驶动作、异常低速驾驶动作,上述预设时段切分方式的优点在于能够在较短的时间内,更准确的挖掘出潜在易发事故路段,比如夜间车辆很少的情况下可以把预设时段调整的长一些,在稀疏的路段切分预设时段也可以调整的更长些。
可选的,所述步骤300,包括:
步骤310,根据所述车辆基础安全信息,确定当前行驶车辆的初始位置信息;
步骤320,根据所述危险驾驶路段,确定危险驾驶路段中存在预设危险驾驶动作的历史车辆的初始位置信息;
步骤330,若所述当前行驶车辆的初始位置信息和所述历史车辆的初始位置信息的差值处于预设范围时,则确定所述当前行驶车辆的对应的路段为危险指示路段。
该事实中,根据步骤320,即取出对于满足危险驾驶路段的历史车辆的初始经纬度值,根据步骤310,确定当前行驶车辆的初始经纬度值,根据步骤330,判断当前行驶车辆的初始经纬度值和历史车辆的初始经纬度值是否邻近,即确定两者的差值是否处于预设范围,这里所述预设范围优选为20米,若两者的差值不超过20米,则认为相同空间发生了预设危险驾驶动作,则确定所述当前行驶车辆的对应的路段为危险指示路段。这里,因为危险驾驶路段中已经确定了历史车辆存在预设危险驾驶动作的概率超过3%,故这里只需要判断历史车辆和当前行驶车辆两者的初始位置信息的差值即可。
需要说明的是,这里还可以确定危险驾驶路段中存在预设危险驾驶动作的历史车辆的结束位置信息,所述结束位置信息可以确定为解除危险指示路段的位置信息,即根据历史车辆的初始位置信息和结束位置信息,计算其中心点,起始中心点和结束中心点之间的范围记为危险驾驶路段的区域。
可选的,所述方法还包括:
每隔预设周期更新所述边缘侧平台覆盖范围内的历史车辆行驶环境信息;
根据更新后的所述边缘侧平台覆盖范围内的车辆行驶环境信息,更新向所述RSU设备发送所述指示信息中的危险指示路段。
该实施例中,通过每隔预设周期更新所述边缘侧平台覆盖范围内的历史车辆行驶环境信息,根据每次更新的历史车辆行驶环境信息重新确定危险驾驶路段,若对上一周期确定的危险驾驶路段,在本周期内确定为非危险驾驶路段,即认定为存在预设危险驾驶动作的历史车辆的概率低于3%,则更新向所述RSU设备发送所述指示信息中的危险指示路段,即解除上一周期的危险驾驶路段。
如图4所示,本发明实施例还提供一种危险路段识别方法,应用于路侧设备,包括:
步骤500,采集路侧设备覆盖范围内当前行驶车辆的车辆基础安全信息(BasicSafety Message;BSM);所述车辆基础安全信息是当前行驶车辆的车载设备(OBU设备)向所述路侧设备发送的车辆基础安全信息;
该实施例中,所述RSU设备可覆盖300米半径范围,在这个范围内的当前行驶车辆的BSM都可经该RSU上传到所述边缘侧平台进行实时计算分析;这里,所述RSU优选以10赫兹的频率接收所述OBU设备采集的BSM。
步骤600,将所述车辆基础安全信息发送至边缘侧平台;
该实施例的步骤500至600具体为:所述RSU设备接收利用OBU设备采集当前行驶车辆的BSM,这里,BSM包括但不限于:时间戳、位置经纬度、当前行驶车辆速度、航向角、轴加速度、横向加速度、纵向加速度、车辆横摆角加速度等诸多信息。RSU接收车辆上传的BSM数据,转发到边缘云进行实时计算分析。
步骤700,接收所述边缘侧平台发送的指示信息,所述指示信息包括所述危险指示路段。
该实施例中,所述RSU设备根据接收所述边缘侧平台发送的指示信息,并可以通过所述RSU设备发送给当前行驶车辆进行交通提醒,并可把所述危险指示路段发送给相关部门进行道路整改或添加黄色预警标识,减少交通事故的发生。
本发明可以超视距判断道路危险,包括道路病害和视线盲区等,提前对当前行驶车辆下发危险指示路段,可以判别出感知设备不能识别的场景,并且无需车辆安装感知设备,不受天气等外界环境干扰。
可选的,所述步骤500,包括:
每隔预设时长采集路侧设备覆盖范围内的车辆基础安全信息。
该实施例中,所述路侧设备可以周期性的接收所述车载设备采集信息的车辆基础安全信息,并通过步骤600发送给边缘侧平台。需要说明的是,所述路侧设备接收车辆基础安全信息,进行多源数据融合、数据冲突消解等操作,构建其周边的环境信息,可包括周边道路身份标识ID信息、交通路况信息、交通事件信息、信号灯相位情况、交叉口排队长度(长多少米)等,并将这些信息在静态高精度地图中进行标注。
可选的,所述方法还包括:
将接收的所述指示信息发送至所述当前行驶车辆的车载设备。
这里,所述路侧设备还可将接收的所述指示信息下发给所述当前行驶车辆的车载设备,所述路侧设备可以为当前行驶车辆的车载设备(可包含浮动车和/或一般车辆)提供行驶建议。
该实施例中,所述RSU设备可以广播发送给后续车辆进行交通提醒,尤其对于新车手,并可把潜在易发事故路段信息发送给相关部门进行道路整改或添加黄色预警标识,减少交通事故的发生。
综上所述,本发明实施例提供的车辆动态行驶空间分层构建方法中利用车载设备、路侧设施构建各种的动态行驶空间,并利用V2X平台和云平台构建大范围的行驶空间,且V2X平台和云平台的行驶空间能够为车辆提供不同等级的行驶建议,实现分层次建立车辆动态行驶空间。
这里,并且利用分层的概念构建行驶空间,利用多源信息冲突消解机制保证了行驶空间构建的准确性;分层构建的方法,保证了行驶空间的实时性;车辆行驶的过程中,基于车辆位置为车辆提供相应的周边的行驶空间,为驾驶决策提供依据;依据不同层级的行驶空间,为车辆提供不同等级的行驶建议;基于更大范围的行驶空间,可以为小范围的行驶空间提供更新的支撑。
使用本发明的方法无需车辆安装感知设备,就能提前获取到危险路况警告,包括视线盲区、复杂道路、滑坡、行人横穿、道路施工、危路、危桥等,本发明的方法及其所属产品可为智能交通领域提供高精定位服务、全景信息服务、动态交通信息服务、以及基于这3种基础信息服务与具体业务场景相结合打造的应用信息服务,有效提升行车安全与效率。
如图5所示,本发明实施例还提供一种危险路段识别装置,包括:
第一接收模块10,用于接收路侧设备发送的所述路侧设备覆盖范围内当前行驶车辆的车辆基础安全信息;
获取模块20,用于获取边缘侧平台覆盖范围内的历史车辆行驶环境信息,并根据所述历史车辆行驶环境信息确定危险驾驶路段;
确定模块30,用于根据所述车辆基础安全信息和所述危险驾驶路段,确定所述路侧设备覆盖范围内车辆行驶的危险指示路段;
第一发送模块40,用于向所述路侧设备发送指示信息,所述指示信息包括所述危险指示路段。
可选的,所述获取模块20,包括:
第一确定子模块,用于根据所述历史车辆行驶环境信息,确定在目标路段多个历史车辆行驶存在预设危险驾驶动作的概率;
第二确定子模块,用于若所述概率大于第一值,则确定所述目标路段为危险驾驶路段;
第三确定子模块,用于若所述概率小于第一值,则重新获取所述边缘侧平台覆盖范围内的历史车辆行驶环境信息,并根据重新获取的历史车辆行驶环境信息确定危险驾驶路段。
需要说明的是,所述历史车辆行驶环境信息至少包括车辆加速度、车辆角加速度、以及车辆速度时,所述预设危险驾驶动作包括以下任意一项:
所述车辆加速度小于或者等于第一预设加速度值;所述第一预设加速度值为确定急刹车驾驶动作的临界加速度值;
所述车辆角加速度大于或者等于第二预设加速度值;所述第二预设加速度值为确定急转弯驾驶动作的临界加速度值;
所述车辆速度小于或者等于预设车速值;所述预设车速值为确定异常低速驾驶动作的临界速度值。
可选的,所述第一确定子模块,包括:
第一获取单元,用于根据所述历史车辆行驶环境信息,获取历史车辆的位置信息;
第一确定单元,用于根据预设高精地图数据和所述历史车辆的位置信息,确定多个目标路段以及每一目标路段上在预设时段内所经过的历史车辆;
第二确定单元,用于根据所述历史车辆行驶环境信息,确定每一目标路段在所述预设时段所经过历史车辆行驶存在预设危险驾驶动作的概率。
可选的,所述第一确定单元,包括:
第一确定子单元,用于根据所述预设高精地图数据,确定预设高精地图数据中路口、车道以及道路之间的对应关系;
生成子单元,用于将所述路口、车道以及道路之间的对应关系生成预设拓扑图;
构建子单元,用于根据所述预设拓扑图,构建多个路段以及每一路段上的路口、车道以及道路的三者对应结构图;
第二确定子单元,用于根据所述历史车辆的位置信息和所述对应结构图,确定所述多个路段中的多个目标路段以及每一目标路段内在预设时段内所经过的历史车辆。
可选的,所述装置还包括:
处理单元,用于获取所述边缘侧平台覆盖范围内的历史车辆行驶环境信息之后,若预设时段内采集到所述历史车辆行驶环境信息的历史车辆大于或者等于预设车辆值,则执行根据所述历史车辆行驶环境信息,确定历史车辆中存在预设危险动作的历史车辆概率的步骤;
否则,重新获取所述边缘侧平台覆盖范围内的历史车辆的历史车辆行驶环境信息。
可选的,所述确定模块30,包括:
第四确定子模块,用于根据所述车辆基础安全信息,确定当前行驶车辆的初始位置信息;
第五确定子模块,用于根据所述危险驾驶路段,确定危险驾驶路段中存在预设危险驾驶动作的历史车辆的初始位置信息;
第六确定子模块,用于若所述当前行驶车辆的初始位置信息和所述历史车辆的初始位置信息的差值处于预设范围时,则确定所述当前行驶车辆的对应的路段为危险指示路段。
可选的,所述方法还包括:
第一更新模块,用于每隔预设周期更新所述边缘侧平台覆盖范围内的历史车辆行驶环境信息;
第二更新模块,用于根据更新后的所述边缘侧平台覆盖范围内的车辆行驶环境信息,更新向所述路侧设备发送所述指示信息中的危险指示路段。
如图6所示,本发明实施例还提供一种危险路段识别装置,包括:
采集模块50,用于采集路侧设备覆盖范围内当前行驶车辆的车辆基础安全信息;所述车辆基础安全信息是当前行驶车辆的车载设备向所述路侧设备发送的车辆基础安全信息;
第二发送模块60,用于将所述车辆基础安全信息发送至边缘侧平台;
第二接收模块70,用于接收所述边缘侧平台发送的指示信息,所述指示信息包括所述危险指示路段。
可选的,所述采集模块50,包括:
采集单元,用于每隔预设时长采集路侧设备覆盖范围内的车辆基础安全信息。
可选的,所述装置还包括:
第三发送模块,用于将接收的所述指示信息发送至所述当前行驶车辆的车载设备。
本发明实施例还提供了一种边缘侧平台,包括存储器、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;所述处理器执行所述程序时实现上述边缘侧平台侧的危险路段识别方法。
其中,上述边缘侧平台侧的危险路段识别方法所述实现实施例均适用于该边缘侧平台的实施例中,也能达到相同的技术效果。
本发明实施例还提供了一种路侧设备,包括存储器、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;所述处理器执行所述程序时实现上述路侧设备侧的危险路段识别方法。
其中,上述路侧设备侧的危险路段识别方法所述实现实施例均适用于该路侧设备的实施例中,也能达到相同的技术效果。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述边缘侧平台的危险路段识别方法中的步骤,或者,该程序被处理器执行时实现上述路侧设备的危险路段识别方法中的步骤。
其中,上述边缘侧平台或路侧设备的危险路段识别方法所述实现实施例均适用于该计算机可读存储介质的实施例中,也能达到相同的技术效果。
需要说明的是,此说明书中所描述的许多功能部件都被称为模块/子模块/单元,以便更加特别地强调其实现方式的独立性。
本发明实施例中,模块可以用软件实现,以便由各种类型的处理器执行。举例来说,一个标识的可执行代码模块可以包括计算机指令的一个或多个物理或者逻辑块,举例来说,其可以被构建为对象、过程或函数。尽管如此,所标识模块的可执行代码无需物理地位于一起,而是可以包括存储在不同位里上的不同的指令,当这些指令逻辑上结合在一起时,其构成模块并且实现该模块的规定目的。
实际上,可执行代码模块可以是单条指令或者是许多条指令,并且甚至可以分布在多个不同的代码段上,分布在不同程序当中,以及跨越多个存储器设备分布。同样地,操作数据可以在模块内被识别,并且可以依照任何适当的形式实现并且被组织在任何适当类型的数据结构内。所述操作数据可以作为单个数据集被收集,或者可以分布在不同位置上(包括在不同存储设备上),并且至少部分地可以仅作为电子信号存在于系统或网络上。
在模块可以利用软件实现时,考虑到现有硬件工艺的水平,所以可以以软件实现的模块,在不考虑成本的情况下,本领域技术人员都可以搭建对应的硬件电路来实现对应的功能,所述硬件电路包括常规的超大规模集成(VLSI)电路或者门阵列以及诸如逻辑芯片、晶体管之类的现有半导体或者是其它分立的元件。模块还可以用可编程硬件设备,诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等实现。
上述范例性实施例是参考该些附图来描述的,许多不同的形式和实施例是可行而不偏离本发明精神及教示,因此,本发明不应被建构成为在此所提出范例性实施例的限制。更确切地说,这些范例性实施例被提供以使得本发明会是完善又完整,且会将本发明范围传达给那些熟知此项技术的人士。在该些图式中,组件尺寸及相对尺寸也许基于清晰起见而被夸大。在此所使用的术语只是基于描述特定范例性实施例目的,并无意成为限制用。如在此所使用地,除非该内文清楚地另有所指,否则该单数形式“一”、“一个”和“该”是意欲将该些多个形式也纳入。会进一步了解到该些术语“包含”及/或“包括”在使用于本说明书时,表示所述特征、整数、步骤、操作、构件及/或组件的存在,但不排除一或更多其它特征、整数、步骤、操作、构件、组件及/或其族群的存在或增加。除非另有所示,陈述时,一值范围包含该范围的上下限及其间的任何子范围。
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 (16)
1.一种危险路段识别方法,其特征在于,应用于边缘侧平台,包括:
接收路侧设备发送的所述路侧设备覆盖范围内当前行驶车辆的车辆基础安全信息;
获取所述边缘侧平台覆盖范围内的历史车辆行驶环境信息,并根据所述历史车辆行驶环境信息确定危险驾驶路段;
根据所述车辆基础安全信息和所述危险驾驶路段,确定所述路侧设备覆盖范围内车辆行驶的危险指示路段;
向所述路侧设备发送指示信息,所述指示信息包括所述危险指示路段。
2.根据权利要求1所述的方法,其特征在于,所述根据所述历史车辆行驶环境信息确定危险驾驶路段,包括:
根据所述历史车辆行驶环境信息,确定在目标路段多个历史车辆行驶存在预设危险驾驶动作的概率;
若所述概率大于第一值,则确定所述目标路段为危险驾驶路段;
若所述概率小于第一值,则重新获取所述边缘侧平台覆盖范围内的历史车辆行驶环境信息,并根据重新获取的历史车辆行驶环境信息确定危险驾驶路段。
3.根据权利要求2所述的方法,其特征在于,所述历史车辆行驶环境信息至少包括车辆加速度、车辆角加速度、以及车辆速度时,所述预设危险驾驶动作包括以下任意一项:
所述车辆加速度小于或者等于第一预设加速度值;所述第一预设加速度值为确定急刹车驾驶动作的临界加速度值;
所述车辆角加速度大于或者等于第二预设加速度值;所述第二预设加速度值为确定急转弯驾驶动作的临界加速度值;
所述车辆速度小于或者等于预设车速值;所述预设车速值为确定异常低速驾驶动作的临界速度值。
4.根据权利要求2所述的方法,其特征在于,所述根据所述历史车辆行驶环境信息,确定在目标路段多个历史车辆行驶存在预设危险驾驶动作的概率,包括:
根据所述历史车辆行驶环境信息,获取历史车辆的位置信息;
根据预设高精地图数据和所述历史车辆的位置信息,确定多个目标路段以及每一目标路段上在预设时段内所经过的历史车辆;
根据所述历史车辆行驶环境信息,确定每一目标路段在所述预设时段所经过历史车辆行驶存在预设危险驾驶动作的概率。
5.根据权利要求4所述的方法,其特征在于,所述根据预设高精地图数据和所述历史车辆的位置信息,确定多个目标路段以及每一目标路段上在预设时段内所经过的历史车辆,包括:
根据所述预设高精地图数据,确定预设高精地图数据中路口、车道以及道路之间的对应关系;
将所述路口、车道以及道路之间的对应关系生成预设拓扑图;
根据所述预设拓扑图,构建多个路段以及每一路段上的路口、车道以及道路的三者对应结构图;
根据所述历史车辆的位置信息和所述对应结构图,确定所述多个路段中的多个目标路段以及每一目标路段内在预设时段内所经过的历史车辆。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述边缘侧平台覆盖范围内的历史车辆行驶环境信息之后,若预设时段内采集到所述历史车辆行驶环境信息的历史车辆大于或者等于预设车辆值,则执行根据所述历史车辆行驶环境信息,确定历史车辆中存在预设危险动作的历史车辆概率的步骤;
否则,重新获取所述边缘侧平台覆盖范围内的历史车辆的历史车辆行驶环境信息。
7.根据权利要求1所述的方法,其特征在于,根据所述车辆基础安全信息和所述危险驾驶路段,确定所述路侧设备覆盖范围内车辆行驶的危险指示路段,包括:
根据所述车辆基础安全信息,确定当前行驶车辆的初始位置信息;
根据所述危险驾驶路段,确定危险驾驶路段中存在预设危险驾驶动作的历史车辆的初始位置信息;
若所述当前行驶车辆的初始位置信息和所述历史车辆的初始位置信息的差值处于预设范围时,则确定所述当前行驶车辆的对应的路段为危险指示路段。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
每隔预设周期更新所述边缘侧平台覆盖范围内的历史车辆行驶环境信息;
根据更新后的所述边缘侧平台覆盖范围内的车辆行驶环境信息,更新向所述路侧设备发送所述指示信息中的危险指示路段。
9.一种危险路段识别方法,其特征在于,应用于路侧设备,包括:
采集路侧设备覆盖范围内当前行驶车辆的车辆基础安全信息;所述车辆基础安全信息是当前行驶车辆的车载设备向所述路侧设备发送的车辆基础安全信息;
将所述车辆基础安全信息发送至边缘侧平台;
接收所述边缘侧平台发送的指示信息,所述指示信息包括所述危险指示路段。
10.根据权利要求9所述的方法,其特征在于,所述采集路侧设备覆盖范围内当前行驶车辆的车辆基础安全信息,包括:
每隔预设时长采集路侧设备覆盖范围内的车辆基础安全信息。
11.根据权利要求9所述的方法,其特征在于,所述方法还包括:
将接收的所述指示信息发送至所述当前行驶车辆的车载设备。
12.一种危险路段识别装置,其特征在于,包括:
第一接收模块,用于接收路侧设备发送的所述路侧设备覆盖范围内当前行驶车辆的车辆基础安全信息;
获取模块,用于获取边缘侧平台覆盖范围内的历史车辆行驶环境信息,并根据所述历史车辆行驶环境信息确定危险驾驶路段;
确定模块,用于根据所述车辆基础安全信息和所述危险驾驶路段,确定所述路侧设备覆盖范围内车辆行驶的危险指示路段;
第一发送模块,用于向所述路侧设备发送指示信息,所述指示信息包括所述危险指示路段。
13.一种危险路段识别装置,其特征在于,包括:
采集模块,用于采集路侧设备覆盖范围内当前行驶车辆的车辆基础安全信息;所述车辆基础安全信息是当前行驶车辆的车载设备向所述路侧设备发送的车辆基础安全信息;
第二发送模块,用于将所述车辆基础安全信息发送至边缘侧平台;
第二接收模块,用于接收所述边缘侧平台发送的指示信息,所述指示信息包括所述危险指示路段。
14.一种边缘侧平台,其特征在于,包括存储器、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;所述处理器执行所述程序时实现如权利要求1至8中任一项所述的危险路段识别方法。
15.一种路侧设备,其特征在于,包括存储器、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;所述处理器执行所述程序时实现如权利要求9至11中任一项所述的危险路段识别方法。
16.一种可读存储介质,其上存储有程序或指令,其特征在于,所述程序或指令被处理器执行时实现如权利要求1至11任一项所述的危险路段识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111535201.8A CN116264034A (zh) | 2021-12-15 | 2021-12-15 | 一种危险路段识别方法、装置、边缘侧平台和路侧设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111535201.8A CN116264034A (zh) | 2021-12-15 | 2021-12-15 | 一种危险路段识别方法、装置、边缘侧平台和路侧设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116264034A true CN116264034A (zh) | 2023-06-16 |
Family
ID=86722633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111535201.8A Pending CN116264034A (zh) | 2021-12-15 | 2021-12-15 | 一种危险路段识别方法、装置、边缘侧平台和路侧设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116264034A (zh) |
-
2021
- 2021-12-15 CN CN202111535201.8A patent/CN116264034A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110832474B (zh) | 更新高清地图的方法 | |
US11847908B2 (en) | Data processing for connected and autonomous vehicles | |
US11597395B2 (en) | Systems and methods to manage vehicles under anomalous driving behavior | |
US20200034351A1 (en) | Source Authentication And Changed Primitive Verification Systems And Methods For Real Time Updating Of Cloud-Based HD 3-D Map | |
US11170639B2 (en) | Transportation threat detection system | |
US20230057394A1 (en) | Cooperative vehicle-infrastructure processing method and apparatus, electronic device, and storage medium | |
JP6994203B2 (ja) | コネクテッド自動運転車のハイウエイシステムとそれを用いた方法 | |
CN113748316A (zh) | 用于车辆遥测的系统和方法 | |
US20220092233A1 (en) | Architecture for configurable distributed system simulation timing | |
CN115547084A (zh) | 道路通行状况预测方法、装置、电子设备及计算机程序产品 | |
US11499833B2 (en) | Inferring lane boundaries via high speed vehicle telemetry | |
JP2022162539A (ja) | 道路安全性を高めるための仮想化道路標識生成 | |
US20230073151A1 (en) | Early detection of abnormal driving behavior | |
Boubakri et al. | High definition map update for autonomous and connected vehicles: A survey | |
CN114662583A (zh) | 应急事件防控调度方法、装置、电子设备和存储介质 | |
US11809790B2 (en) | Architecture for distributed system simulation timing alignment | |
US20190389456A1 (en) | Transportation infrastructure communication and control | |
Yang et al. | Road hazard assessment using pothole and traffic data in South Korea | |
CN110956809A (zh) | 监测车辆通过路口的系统及方法 | |
WO2023083043A1 (zh) | 一种不可通行区域确认方法、装置、设备及可读存储介质 | |
WO2023155218A1 (en) | A system and a method for reducing false alerts in a road management system | |
CN116264034A (zh) | 一种危险路段识别方法、装置、边缘侧平台和路侧设备 | |
CN114519500A (zh) | 道路安全风险等级的确定方法、装置、设备及存储介质 | |
US20220092232A1 (en) | Architecture for distributed system simulation with realistic timing | |
US20230408276A1 (en) | Methods and apparatuses for late lane change prediction and mitigation |
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 |