CN116863693A - 车辆控制方法、装置、服务器及存储介质 - Google Patents
车辆控制方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN116863693A CN116863693A CN202310822380.6A CN202310822380A CN116863693A CN 116863693 A CN116863693 A CN 116863693A CN 202310822380 A CN202310822380 A CN 202310822380A CN 116863693 A CN116863693 A CN 116863693A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- road
- video
- representing
- abnormal event
- 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 47
- 230000003068 static effect Effects 0.000 claims abstract description 67
- 230000002159 abnormal effect Effects 0.000 claims abstract description 62
- 230000005540 biological transmission Effects 0.000 claims description 46
- 238000001514 detection method Methods 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000005265 energy consumption Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000013499 data model Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- 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
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/161—Decentralised systems, e.g. inter-vehicle communication
- G08G1/163—Decentralised systems, e.g. inter-vehicle communication involving continuous checking
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种车辆控制方法、装置、服务器及存储介质。该方法应用于部署于行驶路线的任一行驶节点的边缘服务器，包括：接收行驶节点内至少一车辆端发送的车辆周边动态视频，其中车辆周边动态视频为至少一车辆端上的摄像设备采集的；接收行驶节点对应的路侧设备发送的道路静止视频；根据车辆周边动态视频和道路静止视频，判断是否发生安全异常事件；若判定发生安全异常事件，则获取安全异常事件的判定结果，并将安全异常事件的判定结果广播至边缘服务器所属的行驶节点覆盖范围的所有途径车辆，提高了车辆在遇到事故问题时的决策准确度。
Description
技术领域
本申请涉及车联网领域，尤其涉及一种车辆控制方法、装置、服务器及存储介质。
背景技术
车联网视频技术，主要依靠车辆上的摄像头对道路中的场景进行识别，根据视频识别结果，车辆对道路上的各种情况采取应对措施。
现有技术中，车辆上的摄像头获取道路中的安全事故场景，资源分配之后对摄像头采集到的视频数据的语义进行理解和分析处理，根据处理结果完成安全类、信息类的智能决策等车辆控制。
然而，现有技术中，视频获取只依靠车辆本身获取水平维度的场景，获取视频内容有限，使得车辆在遇到事故问题决策时，决策不够准确。
发明内容
本申请提供一种车辆控制方法、装置、服务器及存储介质，用以解决现有技术存在的车辆遇到事故问题决策时，决策不够准确的问题。
第一方面，本申请提供一种车辆控制方法，应用于部署于行驶路线的任一行驶节点的边缘服务器，包括：
接收行驶节点内至少一车辆端发送的车辆周边动态视频，其中车辆周边动态视频为至少一车辆端上的摄像设备采集的；
接收行驶节点对应的路侧设备发送的道路静止视频；
根据车辆周边动态视频和道路静止视频，判断是否发生安全异常事件；
若判定发生安全异常事件，则获取安全异常事件的判定结果，并将安全异常事件的判定结果广播至边缘服务器所属的行驶节点覆盖范围的所有途径车辆。
在本申请的一个实施例中，所述根据所述车辆周边动态视频和所述道路静止视频，判断是否发生安全异常事件，包括：通过目标检测算法识别所述道路静止视频中存在的相对静止场景；根据所述车辆周边动态视频，获取基础道路信息；根据所述相对静止场景和所述基础道路信息，判断是否发生安全异常事件。
在本申请的一个实施例中，所述根据所述相对静止场景和所述基础道路信息，判断是否发生安全异常事件，包括：将所述相对静止场景和所述基础道路信息输入训练好的机器学习模型中，以输出安全异常事件的判定结果。
在本申请的一个实施例中，所述接收所述行驶节点内至少一车辆端发送的车辆周边动态视频之后，还包括：接收所述行驶节点对应的路侧设备发送的相对静止场景的识别结果；其中所述相对静止场景的识别结果为所述路侧设备根据采集的道路静止视频，与预设的数据模型匹配后得到的；根据所述相对静止场景的识别结果和所述车辆周边动态视频，判断是否发生安全异常事件；若判定发生安全异常事件，则获取安全异常事件的判定结果，并将所述安全异常事件的判定结果广播至所述边缘服务器所属的行驶节点覆盖范围的所有途径车辆。
在本申请的一个实施例中，还包括：
根据如下公式优化边缘服务器和车辆端的视频内容理解准确度与时延的关系，实现视频内容理解准确度和时延的最优配置：
C2:Bc,Br≥Bmin
C3:Rn,c,Rn,r≤Rm
C4:T′n(Bc,Br)≤Tn
C5:En≤Emax
C6:θc,θv≥θmin
式中，P1表示视频内容理解准确度和时延的关系模型；Bn表示带宽；N表示总时间，n表示每个时刻；θn表示路侧异常情况的重要性权重；TargetnPn表示正确检测到异常场景目标数量，mAp，表示平均精度的均值，其中表示车辆端正确检测目标的概率；/>表示路侧设备正确检测目标的概率；q()函数用于表示视频质量(QP值)与视频码率的关系模型，其中q(Rn,c)表示车侧的关系模型，q(Rn,r)表示路侧的关系模型；ρ表示补偿因子；
其中，C1-C6表示最优配置的约束条件；
C1表示，车辆端、路侧设备两者带宽资源不能大于车路系统所分配的总带宽资源，其中，Bc表示每个路侧设备的上行带宽；Br表示车辆端的上行传输信道带宽；Bmax表示车路系统所分配的总带宽资源；
C2表示，车辆端、路侧设备两者带宽资源至少大于车路系统的传输带宽门限阈值，其中Bmin表示车路系统的传输带宽门限阈值；
C3表示，车辆端、路侧设备两者的传输速率不能大于香农公式所允许的理论最大数据速率；其中，Rn,c表示车辆端的传输速率；Rn,r表示路侧设备的传输速率；Rm表示香农公式所允许的理论最大数据速率；
C4表示，传输和计算过程的计算时延不能大于完成目标检测任务的总时延；其中T′n(Bc,Br)表示传输和计算过程的计算时延；Tn表示完成目标检测任务的总时延要求；
C5表示，视频内容理解任务总能耗不能大于任务卸载过程中的能耗限制；其中，En表示视频内容理解任务总能耗；Emax表示任务卸载过程中的能耗限制；
C6表示，表示，车辆端目标检测精度阈值与边缘服务器目标检测精度阈值大于视频目标检测精度最低阈值；其中θc表示车辆端目标检测精度阈值；θv表示边缘服务器目标检测精度阈值；θmin表示视频目标检测精度最低阈值。
第二方面，本申请提供一种车辆控制装置，应用于部署于行驶路线的任一行驶节点的边缘服务器，包括：
第一接收模块，用于接收行驶节点内至少一车辆端发送的车辆周边动态视频，其中车辆周边动态视频为至少一车辆端上的摄像设备采集的；
第二接收模块，用于接收行驶节点对应的路侧设备发送的道路静止视频；
第一判断模块，用于根据车辆周边动态视频和道路静止视频，用于判断是否发生安全异常事件；
第一广播模块，用于若判定发生安全异常事件，则获取安全异常事件的判定结果，并将安全异常事件的判定结果广播至边缘服务器所属的行驶节点覆盖范围的所有途径车辆。
本申请的一个实施例中，所述第一判断模块，具体用于通过目标检测算法识别所述道路静止视频中存在的相对静止场景；根据所述车辆周边动态视频，获取基础道路信息；根据所述相对静止场景和所述基础道路信息，判断是否发生安全异常事件。
在本申请的一个实施例中，所述第一判断模块，还具体用于将所述相对静止场景和所述基础道路信息输入训练好的机器学习模型中，以输出安全异常事件的判定结果。
第三方面，本申请提供一种边缘服务器，包括：
至少一个处理器和存储器；
存储器存储计算机执行指令；
至少一个处理器执行存储器存储的计算机执行指令，使得至少一个处理器执行如上第一方面的车辆控制方法。
第四方面，本申请提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现如上第一方面的车辆控制方法。
本申请提供的车辆控制方法、装置、服务器及存储介质，边缘服务器首先通过车辆端获取车辆周边动态视频，再通过路侧设备获取道路静止视频，再根据车辆获取的车辆周边动态视频与道路静止视频，判断是否发生安全异常事件，并将判定结果广播给行驶节点覆盖范围内的车辆，由于结合了车辆周边动态视频与道路静止视频，丰富了视频内容，能够提高车辆遇到事故问题决策的准确度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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为本申请实施例提供的车辆控制方法的应用场景示意图；
图2为本申请一个实施例提供的车辆控制方法流程示意图；
图3为本申请一个实施例提供的车辆控制装置的结构示意图；
图4为本申请一个实施例提供的边缘服务器的硬件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
现有的车联网视频技术，主要依靠车辆上的摄像头对道路中的场景采集识别，根据识别的结果，车辆对道路上的情况采取应对措施。在摄像头采集到视频信息后的，对视频中的内容进行理解和分析，根据得到的结果对车辆进行控制以做出决策动作。然而，现有技术中，视频的采集获取只依靠车辆本身获取水平场景的维度，获取的视频内容有限，在车辆遇到事故问题需要决策时，做出的反应不够及时。
为了解决上述技术问题，本申请实施例提出以下技术思路：在获取车辆端采集的车辆周边动态视频基础上，考虑到增加采集路侧的道路静止视频；结合车辆周边动态视频和道路静止视频综合判断是否发送安全异常事件，从而扩大了事故场景视频获取范围，提升安全异常事件的识别准确度。
图1是本申请实施例提供的车辆控制方法的应用场景示意图。如图1所示，该车辆控制方法的应用场景中包括：车辆端101、路侧设备102、道路场景103和边缘服务器104。
其中，车辆端101，包括车辆本体1011，以及车辆本体上设置的摄像设备1012。其中，摄像设备1012。
其中，路侧设备102，包括路侧摄像头1021和路侧单元RSU(Road Side Unit，简称RSU)1022。
其中，道路场景103，中具有设置好的行驶路线，行驶路线中包括多个行驶节点，每个行驶节点部署有路侧设备102和边缘服务器104。
其中，边缘服务器104，可以是一台服务器，也可以是多台服务器组成的集群。
这里，车辆端101通过车辆上的摄像设备采集车辆周边动态视频，将车辆周边动态视频发送至边缘服务器104。路侧设备102对道路中的道路场景103进行识别，获取道路静止视频，并将道路静止视频发送至边缘服务器104。边缘服务器104根据车辆周边动态视频和道路静止视频，判断是否发生安全异常事件，如果发生安全异常事件，则将安全异常事件的判定结果广播至边缘服务器104所属的行驶节点覆盖范围的所有车辆。
下面采用详细的实施例进行详细说明。
实施例一
图2为本申请一个实施例提供的车辆控制方法流程示意图，本实施例的执行主体可以为图1所示实施例中的部署于行驶路线的任一行驶节点的边缘服务器104，本实施例此处不做特别限制。如图2所示，该方法包括：
S201：接收行驶节点内至少一车辆端发送的车辆周边动态视频，其中车辆周边动态视频为该至少一车辆端上的摄像设备采集的。
在本实施例中，行驶节点内可以有多辆车辆端；其中，行驶节点内至少一车辆端可以是多辆车辆端中的任一辆，也可以是多辆车辆端中的至少两辆及以上。
在本实施例中，车辆周边动态视频为车辆上的摄像设备拍摄的车辆行驶过程中车辆前方的物体相对车辆运动的动态视频。
具体地，可以通过无线通信的方式车辆端上的通信模块发送车辆周边动态视频。
S202：接收行驶节点对应的路侧设备发送的道路静止视频。
在本实施例中，道路静止视频，为路侧设备的路侧摄像头获取路侧设备所在的行驶节点范围内的静止碰撞事故或静止障碍物的视频。
在本实施例中，路侧设备的路侧摄像头采集路侧设备所在的行驶节点的道路场景以得到道路静止视频，并将该道路静止视频发送至RSU。
具体地，可以通过无线通信的方式接收路侧设备的RSU发送的道路静止视频。
S203：根据车辆周边动态视频和道路静止视频，判断是否发生安全异常事件。
具体地，步骤S203，具体包括：
S2031：通过目标检测算法识别道路静止视频中存在的相对静止场景。
在本实施例中，目标检测算法，包括但不限于R-CNN系列算法、YOLO系列算法、SSD系列算法、RetinaNet算法等。
在本实施例中，相对静止场景，包括静止碰撞事故场景和静止障碍物场景。
S2032：根据车辆周边动态视频，获取基础道路信息。
具体地，根据车辆周边动态视频的内容对视频中出现的道路场景进行信息提取以获取基础道路信息。
其中，基础道路信息，可以包括道路是否畅通的状态、道路拥堵状态和道路上的红绿灯状态等相关信息。
S2033：根据相对静止场景和基础道路信息，判断是否发生安全异常事件。
具体地，步骤S2033，具体包括：将相对静止场景和基础道路信息输入训练好的机器学习模型中，以输出安全异常事件的判定结果。
在本实施例中，安全异常事件，包括但不限于道路中的车辆碰撞事故、道路中央的不明物体、道路施工引起的道路禁止通行、交通管制等事件。
在本实施例中，训练好的机器学习模型，是利用大量的历史获取的车辆周边动态视频和道路静止视频，对机器学习模型进行迭代训练得到的。
S204：若判定发生安全异常事件，则获取安全异常事件的判定结果，并将安全异常事件的判定结果广播至边缘服务器所属的行驶节点覆盖范围的所有途径车辆。
具体地，可以通过无线通信的方式将安全异常事件的判定结果广播至边缘服务器所属的行驶节点覆盖范围的所有途径车辆。
在本实施例中，行驶节点覆盖范围的所有途径车辆接收到安全异常事件的判定结果后，根据安全异常事件的判定结果进行事故问题决策，以控制车辆行驶。
从上述实施例可知，边缘服务器首先通过车辆端获取车辆周边动态视频，再通过路侧设备获取道路静止视频，再根据车辆获取的车辆周边动态视频与道路静止视频，判断是否发生安全异常事件，并将判定结果广播给行驶节点覆盖范围内的车辆，由于结合了车辆周边动态视频与道路静止视频，丰富了视频内容，能够提高车辆遇到事故问题决策的准确度。
实施例二
在本申请的一个实施例中，在图2实施例的基础上，本实例的步骤，详述如下：
S301：接收行驶节点内至少一车辆端发送的车辆周边动态视频，其中车辆周边动态视频为该至少一车辆端上的摄像设备采集的。
在本实施例中，步骤S301的描述与步骤S201一致，具体内容请参考步骤S201的描述，这里不再赘述。
S302：接收行驶节点对应的路侧设备发送的相对静止场景的识别结果；其中相对静止场景的识别结果为路侧设备根据采集的道路静止视频，与预设的数据模型匹配后得到的。
具体地，路侧设备中的路侧摄像头采集道路静止视频，并将道路静止视频发送至RSU，RSU将道路静止视频，与预设的数据模型匹配后得到相对静止场景的识别结果；RSU通过无线传输的方式将相对静止场景的识别结果传输至边缘服务器。
在本实施例中，预设的数据模型包括道路交通事故数据模型。
S303：根据相对静止场景的识别结果和车辆周边动态视频，判断是否发生安全异常事件。
在本实施例中，步骤S303的描述与步骤S2033一致，具体内容请参考步骤S2033的描述，这里不再赘述。
S304：若判定发生安全异常事件，则获取安全异常事件的判定结果，并将安全异常事件的判定结果广播至边缘服务器所属的行驶节点覆盖范围的所有途径车辆。
在本实施例中，步骤S304的描述与步骤S204一致，具体内容请参考步骤S204的描述，这里不再赘述。
从上述实施例可知，本实施例中路侧设备根据采集的道路静止视频，与预设的数据模型匹配后得到相对静止场景的识别结果，边缘服务器接收路侧设备发送的相对静止场景的识别结果，再通过车辆端获取车辆周边动态视频，根据相对静止场景的识别结果和车辆周边动态视频，判断是否发生安全异常事件，并将判定结果广播给行驶节点覆盖范围内的车辆，不但能够使边缘服务器更快得将判断是否发生安全异常事件结果广播给行驶节点覆盖范围内的车辆，增加了车辆遇到事故问题决策的速度；而且，由于路侧设备将获取的道路静止视频和预设的数据模型进行匹配后，仅发送相对静止场景的识别结果到边缘服务器，减少数据的传输量，提供了处理效率。
实施例三
在本申请的一个实施例中，上述各实施例的基础上，本实例还包括对边缘服务器和车辆端的资源进行优化的过程，详述如下：
根据如下公式优化边缘服务器和车辆端的视频内容理解准确度与时延的关系，实现视频内容理解准确度和时延的最优配置：
C2:Bc,Br≥Bmin
C3:Rn,c,Rn,r≤Rm
C4:T′n(Bc,Br)≤Tn
C5:En≤Emax
C6:θc,θv≥θmin
式中，P1表示视频内容理解准确度和时延的关系模型；Bn表示带宽；N表示总时间，n表示每个时刻；θn表示路侧异常情况的重要性权重；TargetnPn表示正确检测到异常场景目标数量，mAp，表示平均精度的均值，其中表示车辆端正确检测目标的概率；/>表示路侧设备正确检测目标的概率；q()函数用于代表视频质量(QP值)与视频码率的关系模型，其中q(Rn,c)表示车侧的关系模型，q(Rn,r)表示路侧的关系模型；ρ表示补偿因子；
其中，C1-C6表示最优配置的约束条件；
C1表示，车、路两者带宽资源不能大于事先所分配的总带宽资源，其中，Bc表示每个路侧摄像头上行带宽；Br表示车辆上行传输信道带宽；Bmax表示车路系统所分配的总带宽资源。
C2表示，车、路两者带宽资源至少大于下限值，其中Bmin表示车路协同场景下的传输带宽门限阈值。
C3表示，车、路侧传输速率不能大于香农公式所允许的理论最大数据速率；其中，Rn,c表示车侧传输速率；Rn,r表示路侧传输速率；Rm表示香农公式所允许的最大数据速率。
C4表示，传输和计算过程的计算时延不能大于任务的总时延；其中T′n(Bc,Br)表示传输和计算过程的计算时延；Tn表示完成目标检测任务所允许的时延要求。
C5表示，视频内容理解任务总能耗不能大于任务卸载过程中的能耗限制；其中，En表示视频内容理解任务总能耗；Emax表示任务卸载过程中的能耗限制。
C6表示，表示，车侧与边缘侧目标检测精度大于最低阈值；其中θc表示车侧目标检测精度阈值；θv表示边缘侧目标检测精度阈值；θmin表示视频目标检测精度阈值。
其中，q()函数用于代表视频质量(QP值)与视频码率的关系模型，其中q(Rn,c)表示车侧的关系模型，q(Rn,r)表示路侧的关系模型，的说明如下：
为了达到更好的目标检测精度，考虑在车辆端考虑在车辆端以较大的码率对原始视频进行压缩，从而获得更高的视频质量，将视频质量(QP值)与目标检测精度Pm的关系可以记为：
Pm(QP)＝α·QPβ+γ
式中，Pm表示目标检测精度；QP表示视频质量；α、β、γ为模型参数。
可见，视频码率的大小直接决定了视频质量和最终视频文件体积，视频质量QP决定视频压缩率，同时视频码率与压缩率有关。因此。视频质量(QP值)与视频码率的关系模型可以表示为：
QP＝a·exp(b·Rt)
式中，a和b为模型参数，可分别取值46.27和-7.086e-5，exp()表示以e为底的指数函数，Rt表示传输速率，当上式计算车辆端的视频质量时，Rt可以用Rn,c表示；当上式计算路侧设备的视频质量时，Rt可以用Rn,r表示。
根据视频质量与视频码率的关系模型公式，可以推导出传输速率Rt的计算公式：
其中，a和b为模型参数，可分别取值46.27和-7.086e-5，Rt表示传输速率，QP表示视频质量。
具体地，C3中车辆端的传输速率Rn,c计算公式如下：
其中，为车辆端的传输速率Rn,c关于t的时间函数。
其中，Bc表示路侧设备中路侧摄像头的上行带宽，Pc表示发射功率，hc(t)表示信道增益，t表示时间，σ2表示高斯白噪声功率，lb()表示log以2为底的对数。
具体地，C3中路侧设备的传输速率Rn,r计算公式如下：
其中，为路侧设备的传输速率Rn,r关于t的时间函数。
其中，Br表示车辆端上行传输信道带宽，Pv表示车辆端平均发射功率，h表示上行信道衰落因子，σ2表示高斯白噪声功率，lb()表示log以2为底的对数，d-δ表示车辆端与边缘节点的路径损耗，δ表示损耗因子，其中d的计算公式如下：
其中，l表示车与边缘节点对应的垂直距离，r表示边缘节点覆盖范围的半径距离，vn表示车辆端与边缘节点的连接率满足泊松分布。
为了对系统问题简化，采用平均传输速率代替时变的传输速率，
其中，tn表示车辆端的时间变化，ti表示路侧设备的时间变化。
具体地，C4中T′n(Bc)表示车辆端的传输过程和计算过程的时延，车辆端传输过程的时延Tn,car计算公式如下：
其中，Dn,c表示视频传输数据量，Dn,m表示模型决策任务量，Dn,s表示车辆端车载传感器数据量，为车辆端平均上传速率，N表示总时间，n表示每个时刻。
具体地，车辆端计算过程的时延Tn,local计算公式如下：
其中，D′n,c表示边缘服务器侧的视频传输数据量，D′n,m表示边缘服务器侧的模型决策任务量，D′n,s表示边缘服务器侧的车辆端车载传感器数据量，表示车辆端本地平均上传速率，N表示总时间，n表示每个时刻。
具体地，C4中T′n(Br)表示路侧设备和边缘服务器的传输过程和计算过程的时延，路侧设备传输过程的时延Tn,road和边缘服务器传输过程的时延Tn,mec计算公式如下：
其中，Dn,r表示路侧设备视频数据量，表示路侧设备平均上传速率，D′n表示边缘服务器侧视频数据量。
具体地，边缘服务器侧的计算时延Tn,m计算公式如下：
其中，Dn表示边缘服务器侧的数据量，表示边缘服务器侧的处理频率。
具体地，C5中的视频内容理解任务运行总能耗En计算公式如下：
En＝en,c+en,t
其中，en,c表示计算能耗，en,t表示传输能耗。
具体地，计算能耗en,c的计算公式如下：
其中，ζ表示芯片有效电容系数，Dn,m为视频理解任务数据量，Un,m表示单位比特任务量所需计算周期，表示可用计算资源。
具体地，传输能耗en,t的计算公式如下：
其中，Pc表示发射功率，Pv表示车辆端平均发射功率，表示车辆端的平均传输速率，/>表示路侧设备的平均传输速率。
从上述实施例可知，通过建立边缘服务器和车辆端的视频内容理解准确度与时延关系，在车辆端以较大的码率对车辆周边动态视频进行压缩，得到更高质量的车辆周边动态视频，将车辆端获取的车辆周边动态视频卸载到边缘服务器，在边缘服务器侧进行运算，解决了车辆端计算能力不足的问题，从而降低了整个系统的时延，实现了在保证视频内容理解准确的同时降低时延的效果。
实施例四
图3为本申请一个实施例提供的车辆控制装置的结构示意图，如图3所示，该车辆控制装置40，包括：第一接收模块401、第二接收模块402、第一判断模块403和第一获取模块404。
第一接收模块401，用于接收行驶节点内至少一车辆端发送的车辆周边动态视频，其中车辆周边动态视频为至少一车辆端上的摄像设备采集的。
第二接收模块402，用于接收行驶节点对应的路侧设备发送的道路静止视频。
第一判断模块403，用于根据车辆周边动态视频和道路静止视频，判断是否发生安全异常事件。
第一广播模块404，用于若判定发生安全异常事件，则获取安全异常事件的判定结果，并将安全异常事件的判定结果广播至边缘服务器所属的行驶节点覆盖范围的所有途径车辆。
本实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
在本申请的一个实施例中，所述第一判断模块403，具体用于通过目标检测算法识别道路静止视频中存在的相对静止场景；根据车辆周边动态视频，获取基础道路信息；根据相对静止场景和基础道路信息，判断是否发生安全异常事件。
在本申请的一个实施例中，所述第一判断模块403，具体还用于将相对静止场景和基础道路信息输入训练好的机器学习模型中，以输出安全异常事件的判定结果。
在本申请的一个实施例中，所述装置40，还包括：
第三接收模块405，用于接收行驶节点对应的路侧设备发送的相对静止场景的识别结果，其中相对静止场景的识别结果为路侧设备根据采集的道路静止视频，与预设的数据模型匹配后得到的。
第二判断模块406，用于根据相对静止场景的识别结果和车辆周边动态视频，判断是否发生安全异常事件。
第二广播模块407，用于若判定发生安全异常事件，则获取安全异常事件的判定结果，并将安全异常事件的判定结果广播至边缘服务器所属的行驶节点覆盖范围的所有途径车辆。
实施例五
图4为本申请一个实施例提供的边缘服务器的硬件结构示意图。如图4所示，该边缘服务器50包括：至少一个处理器501和存储器502。
存储器502，用于存储计算机执行指令。
处理器501，用于执行存储器存储的计算机执行指令，以实现上述实施例中所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
可选地，存储器502既可以是独立的，也可以跟处理器501集成在一起。
当存储器502独立设置时，该边缘服务器还包括总线503，用于连接所述存储器502和处理器501。
实施例六
本申请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中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上所述的车辆控制方法。
实施例七
本申请实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现如上所述的车辆控制方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，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，例如多个模块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，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块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。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块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)或处理器执行本申请各个实施例所述方法的部分步骤。
应理解，上述处理器可以是中央处理单元(Central Processing Unit，简称CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture，简称ISA)总线、外部设备互连(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称ASIC)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种车辆控制方法，其特征在于，应用于部署于行驶路线的任一行驶节点的边缘服务器，包括：
接收所述行驶节点内至少一车辆端发送的车辆周边动态视频，其中所述车辆周边动态视频为所述至少一车辆端上的摄像设备采集的；
接收所述行驶节点对应的路侧设备发送的道路静止视频；
根据所述车辆周边动态视频和所述道路静止视频，判断是否发生安全异常事件；
若判定发生安全异常事件，则获取安全异常事件的判定结果，并将所述安全异常事件的判定结果广播至所述边缘服务器所属的行驶节点覆盖范围的所有途径车辆。
2.根据权利要求1所述的方法，其特征在于，所述根据所述车辆周边动态视频和所述道路静止视频，判断是否发生安全异常事件，包括：
通过目标检测算法识别所述道路静止视频中存在的相对静止场景；
根据所述车辆周边动态视频，获取基础道路信息；
根据所述相对静止场景和所述基础道路信息，判断是否发生安全异常事件。
3.根据权利要求2所述的方法，其特征在于，所述根据所述相对静止场景和所述基础道路信息，判断是否发生安全异常事件，包括：
将所述相对静止场景和所述基础道路信息输入训练好的机器学习模型中，以输出安全异常事件的判定结果。
4.根据权利要求1所述的方法，其特征在于，所述接收所述行驶节点内至少一车辆端发送的车辆周边动态视频之后，还包括：
接收所述行驶节点对应的路侧设备发送的相对静止场景的识别结果；其中所述相对静止场景的识别结果为所述路侧设备根据采集的道路静止视频，与预设的数据模型匹配后得到的；
根据所述相对静止场景的识别结果和所述车辆周边动态视频，判断是否发生安全异常事件；
若判定发生安全异常事件，则获取安全异常事件的判定结果，并将所述安全异常事件的判定结果广播至所述边缘服务器所属的行驶节点覆盖范围的所有途径车辆。
5.根据权利要求1至4任一项所述的方法，其特征在于，还包括：
根据如下公式优化边缘服务器和车辆端的视频内容理解准确度与时延的关系，实现视频内容理解准确度和时延的最优配置：
C2:Bc,Br≥Bmin
C3:Rn,c,Rn,r≤Rm
5C4:T′ n(Bc,Br)≤Tn
C5:En≤Emax
C6:θc,θv≥θmin
式中，P1表示视频内容理解准确度和时延的关系模型；Bn表示带宽；N表示总时间，n表示每个时刻；θn表示路侧异常情况的重要性权重；TargetnPn表示正确检测到异常场景目标数量，mAp，表示平均精度的均值，其中表示车辆端正确检测目标的概率；表示路侧设备正确检测目标的概率；q()函数用于表示视频质量(QP值)与视频码率的关系模型，其中q(Rn,c)表示车侧的关系模型，q(Rn,r)表示路侧的关系模型；ρ表示补偿因子；
其中，C1-C6表示最优配置的约束条件；
C1表示，车辆端、路侧设备两者带宽资源不能大于车路系统所分配的总带宽资源，其中，Bc表示每个路侧设备的上行带宽；Br表示车辆端的上行传输信道带宽；Bmax表示车路系统所分配的总带宽资源；
C2表示，车辆端、路侧设备两者带宽资源至少大于车路系统的传输带宽门限阈值，其中Bmin表示车路系统的传输带宽门限阈值；
C3表示，车辆端、路侧设备两者的传输速率不能大于香农公式所允许的理论最大数据速率；其中，Rn,c表示车辆端的传输速率；Rn,r表示路侧设备的传输速率；Rm表示香农公式所允许的理论最大数据速率；
C4表示，传输和计算过程的计算时延不能大于完成目标检测任务的总时延；其中T′ n(Bc,Br)表示传输和计算过程的计算时延；Tn表示完成目标检测任务的总时延要求；
C5表示，视频内容理解任务总能耗不能大于任务卸载过程中的能耗限制；其中，En表示视频内容理解任务总能耗；Emax表示任务卸载过程中的能耗限制；
C6表示，车辆端目标检测精度阈值与边缘服务器目标检测精度阈值大于视频目标检测精度最低阈值；其中θc表示车辆端目标检测精度阈值；θv表示边缘服务器目标检测精度阈值；θmin表示视频目标检测精度最低阈值。
6.一种车辆控制装置，其特征在于，应用于部署于行驶路线的任一行驶节点的边缘服务器，包括：
第一接收模块，用于接收所述行驶节点内至少一车辆端发送的车辆周边动态视频，其中所述车辆周边动态视频为所述至少一车辆端上的摄像设备采集的；
第二接收模块，用于接收所述行驶节点对应的路侧设备发送的道路静止视频；
第一判断模块，用于根据所述车辆周边动态视频和所述道路静止视频，用于判断是否发生安全异常事件；
第一广播模块，用于若判定发生安全异常事件，则获取安全异常事件的判定结果，并将所述安全异常事件的判定结果广播至所述边缘服务器所属的行驶节点覆盖范围的所有途径车辆。
7.根据权利要求6所述的装置，其特征在于：
所述第一判断模块，具体用于通过目标检测算法识别所述道路静止视频中存在的相对静止场景；根据所述车辆周边动态视频，获取基础道路信息；根据所述相对静止场景和所述基础道路信息，判断是否发生安全异常事件。
8.根据权利要求7所述的装置，其特征在于：
所述第一判断模块，还具体用于将所述相对静止场景和所述基础道路信息输入训练好的机器学习模型中，以输出安全异常事件的判定结果。
9.一种边缘服务器，其特征在于，包括：
至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至5任一项所述的车辆控制方法。
10.一种计算机可读存储介质，其特征在于，所述计算机存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至5任一项所述的车辆控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310822380.6A CN116863693A (zh) | 2023-07-05 | 2023-07-05 | 车辆控制方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310822380.6A CN116863693A (zh) | 2023-07-05 | 2023-07-05 | 车辆控制方法、装置、服务器及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116863693A true CN116863693A (zh) | 2023-10-10 |
Family
ID=88229702
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310822380.6A Pending CN116863693A (zh) | 2023-07-05 | 2023-07-05 | 车辆控制方法、装置、服务器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116863693A (zh) |
-
2023
- 2023-07-05 CN CN202310822380.6A patent/CN116863693A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10339800B2 (en) | Method and device for processing traffic road information | |
| US20210024083A1 (en) | Method and device for determining unmanned vehicle running scene | |
| CN108764042B (zh) | 一种异常路况信息识别方法、装置及终端设备 | |
| CN110111599B (zh) | 一种基于大数据的停车诱导方法、终端设备及存储介质 | |
| US11323518B2 (en) | Data collection device, data collection system, vehicle device, and data collection method | |
| JP2019197525A (ja) | ドライブレコーダ情報提供システム、ドライブレコーダ情報提供方法、およびプログラム | |
| CN113613201A (zh) | 应用于车辆间的数据分享方法、装置、介质及电子设备 | |
| CN111583713A (zh) | 车辆驾驶预警方法和装置 | |
| CN113380039B (zh) | 数据处理方法、装置和电子设备 | |
| CN112918488B (zh) | 车辆控制方法、装置及存储介质 | |
| CN116863693A (zh) | 车辆控制方法、装置、服务器及存储介质 | |
| CN109360137B (zh) | 一种车辆事故评估方法、计算机可读存储介质及服务器 | |
| CN112950961B (zh) | 车流量统计方法、装置、设备和存储介质 | |
| CN111177878A (zh) | 衍生仿真场景筛选方法、装置和终端 | |
| CN114495056A (zh) | 停车场柱子检测方法、检测装置、车辆及存储介质 | |
| CN111708769B (zh) | 一种实现信息处理的方法、系统、计算机存储介质及终端 | |
| CN112164205B (zh) | 告警信息的发送方法及装置 | |
| CN111127681B (zh) | 基于信号强度的etc车辆识别方法、装置及存储介质 | |
| CN113658426A (zh) | 一种车辆事故识别方法及装置 | |
| CN114694388B (zh) | 一种车辆调度方法及装置 | |
| CN113115268B (zh) | 基于多个路侧单元的车联网最大吞吐量获取方法及装置 | |
| TWI799318B (zh) | 分析路段狀況之設備、方法及電腦程式產品 | |
| CN111915897B (zh) | 确定识别区域的位置方法、装置、存储介质及电子装置 | |
| CN117528036B (zh) | 货车数据的智能处理方法及相关装置 | |
| CN115578665B (zh) | 一种基于车辆行驶数据的资源处理方法及系统 |
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 |