CN117202105A - 一种基于车路协同的轨迹跟踪去重方法和装置 - Google Patents
一种基于车路协同的轨迹跟踪去重方法和装置 Download PDFInfo
- Publication number
- CN117202105A CN117202105A CN202311228198.4A CN202311228198A CN117202105A CN 117202105 A CN117202105 A CN 117202105A CN 202311228198 A CN202311228198 A CN 202311228198A CN 117202105 A CN117202105 A CN 117202105A
- Authority
- CN
- China
- Prior art keywords
- target
- track
- tracking
- data
- vehicle
- 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 72
- 230000008447 perception Effects 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000004891 communication Methods 0.000 claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000033001 locomotion Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims 1
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 14
- 238000004590 computer program Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 101100182247 Caenorhabditis elegans lat-1 gene Proteins 0.000 description 1
- 101150061388 LON1 gene Proteins 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 101150004293 lon2 gene Proteins 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Traffic Control Systems (AREA)
Abstract
一种基于车路协同环境下的车辆轨迹跟踪去重方法,包括:感知数据采集,包括路侧感知目标数据采集、车辆感知设备数据采集和V2V通信目标数据采集;获取跟踪轨迹,处理得到跟踪后一段时间内的轨迹;轨迹数据去重,对目标轨迹通过动态时间规整法计算每个目标之间轨迹的相似度。本发明提高了网联车辆对非网联车辆之间的感知能力,在车辆感知范围和能力上都进行了极大的提升;兼容多种数据来源,包括车端目标感知数据来源,路侧目标感知数据来源以及通过V2V通信的目标数据来源;可在车端或路侧端进行数据跟踪和去重,实现对源设备之间的数据融合,对于老款不具备雷达和摄像头功能的车辆,同样可以车路协同环境下为车辆的预警和准确提醒。
Description
技术领域
本发明涉及道路交通车路协同领域,具体涉及一种基于车路协同的轨迹跟踪去重方法和装置。
背景技术
车路协同是城市智慧交通领域的重要应用,是建设交通强国的重要组成部分。随着车路协同技术的不断创新和应用场景扩展,越来越多的开放道路在建设和安装路侧通信基础设施。但是因为道路中带有车路协同功能的车辆少,覆盖率低,导致具有V2X通信功能的车辆(以下简称:网联车辆)无法识别非网联车辆的真实位置,进而导致应用场景无法大规模运用。通过结合路侧感知设备对交通参与者状态检测,再通过V2X消息将感知目标数据发送至网联车辆是解决该问题的有效方法之一。
但随之而来的问题是,由于路侧感知区域重叠,以及车辆之间通过V2V通讯,导致相同目标存在两份或多份数据,这将使重复计算相同目标,出现错误的目标展示和预警信息提醒,最终将使驾驶员出现驾驶判断错误,导致安全隐患的出现。
随着车联网技术的快速发展,车辆数据和路侧数据不断丰富后,车辆面临着同时收到多个系统数据的工况,如车载传感器感知的目标数据,接收到路侧设备广播出来的RSM/SSM消息数据以及周边的网联车辆BSM数据,这导致车辆通过不同系统获取到同一目标数据,导致数据重复,可信度降低,带来不必要的通信和存储资源浪费。
目前在车路协同领域,对于数据去重的技术,相对粗糙、暴力,未从可靠数据中选择最优数据,如通过识别车牌号对重复目标进行去重,通过仅接收某一种数据来源来规避数据重复问题。上述方法实现起来相对简单,方法暴力,未对已有的数据资源进行充分利用,无法实现车路协同感知数据共享,多源数据融合的目的。
现有的技术解决方法中:如CN110443319A,提出了一种基于图像的轨迹去重方法,通过图片叠加,通过深度学习模型判断叠加后的轨迹图片为重复轨迹,则去除重复轨迹,并对轨迹进行等距分段等距抽样,部分连续轨迹大于阈值时同样也判定为重复轨迹;CN115776506A提出了一种车路协同数据融合的方法,通过多路侧感知设备对目标数据的融合,通过图像识别方法实现了对目标的位置拼接与跟踪,并且能够在多传感器设备中实现了目标的数据融合。上述方法均未能够实现在跨设备时间的数据跟踪,不具备多源数据融合能力。CN114998860A通过采用分级融合的方法,现将车侧原始数据进行一级融合,再将车端路数与路侧数据融合得到二级融合数据,再将多个路侧单元的二级融合得到三级融合结果,实现了车端和路侧端数据融合,该方法的数据融合延时大,一般用于路侧处理融合数据,且融合结果为去重,存在一定目标重复的风险。
简而言之,目前还未有对该问题有效的解决办法。
发明内容
根据背景技术提出的问题,本发明提供一种基于车路协同的轨迹跟踪去重方法来解决,接下来对本发明做进一步地阐述。
当装有车载设备OBU(On BoardUnit)的车辆驶入具有RSU(Road Side Unit)感知覆盖范围内时,车辆将收到路侧感知到的所有目标数据,同时也包括本车的目标数据,车载设备OBU同时可以接入车辆域控制器,通过车辆域控制器接入摄像头对感知目标进行识别,将车辆域控制器处理后的感知目标信息发送至OBU,实现OBU,RSU和车载感知设备之间的数据采集。通过获取路侧、车载感知数据以及周边网联车辆数据后,对所有目标数据进行跟踪,得到一段时间内的车辆轨迹,再通过轨迹比对去除重复的车辆轨迹。为其他驾驶安全预警场景提供感知目标数据服务。
一种基于车路协同环境下的车辆轨迹跟踪去重方法,具体包括:
S100,感知数据采集,包括路侧感知目标数据采集、车辆感知设备数据采集和V2V通信目标数据采集;
S200,获取跟踪轨迹,处理得到跟踪后一段时间内的轨迹;
S300,轨迹数据去重,对目标轨迹通过动态时间规整法计算每个目标之间轨迹的相似度,具体包括:
S301,轨迹片段提取
针对每一段轨迹采集到的轨迹目标,按时间戳的方式对所有目标数据进行对齐,采集到的感知目标轨迹数据集以及车辆感知目标的轨迹数据集的目标轨迹长度存在差异,在做轨迹比对时采用轨迹最短的为参考轨迹,从较长的轨迹目标中截取等时间长度的轨迹,若时间长度与目标轨迹中的轨迹点个数差异较大,则参照较短轨迹点个数向前增加或减少对应的轨迹个数,保障两段轨迹点的个数基本一致;
S302,轨迹点距离矩阵计算
针对每两条轨迹点之间的轨迹依次计算每个轨迹点与点之间的欧式距离值,并将这两条轨迹计算出来的累计距离矩阵记录下来,同时在轨迹矩阵中查找一条最优路径,每次寻找只能移动一格查找,最终得到达到终点的最短路径;对最短路径进行回溯,计算路径经过的最短路径点的累计值,并记录在该轨迹比对信息中,当轨迹点的最短路径点累计值小于阈值时,则认为该路径为关联路径,并将关联路径添加至轨迹比对信息中,否则认为该轨迹为不相关轨迹,并将不相关轨迹记录在轨迹比对信息中;
S303,查找匹配最短路径
在轨迹跟踪过程中,轨迹处于高频更新状态,设定阈值保证短时内物体移动变化的不会较大的变化;
S304,筛选目标轨迹
如果匹配后的轨迹小于阈值,则认为该目标轨迹为相同目标轨迹,并将该轨迹比对后的信息进行标记,标记方法如下,如果该两条轨迹均未与其他轨迹进行匹配过,该两条轨迹匹配成功后,将该两条轨迹标记为k,k为一段时间内的唯一数值,如果该两条轨迹曾匹配成功过,则将其中匹配过的标记值赋予给新匹配的轨迹值;实现对所有相同轨迹的编排,找出所有匹配为相同轨迹段的轨迹,通过以下规则实现轨迹最终轨迹的确定:
S3041,路侧数据融合
在每个目标的轨迹中,将包含原有检测系统提供的目标ID,并对每一段轨迹中的目标ID进行统计,当两条轨迹中的目标ID中的ID值集合重合比例超过阈值,则认为这两条数据为同一目标产生的多条轨迹;
S3042,目标轨迹融合
设定轨迹来源系数、轨迹长度系数和插值系数,通过三种轨迹系数相乘得到最终的该轨迹的权重参数,通过对比每条相互匹配上的轨迹权重参数值中权重参数最大的轨迹值,该条将被选为该目标行驶轨迹。
有益效果:与现有技术相比,本发明提高了网联车辆对非网联车辆之间的感知能力,在车辆感知范围和能力上都进行了极大的提升;兼容多种数据来源,包括车端目标感知数据来源,路侧目标感知数据来源以及通过V2V通信的目标数据来源;可在车端或路侧端进行数据跟踪和去重,实现对源设备之间的数据融合,对于老款不具备雷达和摄像头功能的车辆,同样可以车路协同环境下为车辆的预警和准确提醒。
附图说明
为了更清楚的说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单介绍,显而易见地,下面描述中的实施用例仅仅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的前提下,还可以根据这些附图获得其他附图。
图1为本发明车辆轨迹跟踪去重方法的流程示意图。
图2为本申请实施例提供的数据交互示意图。
具体实施方式
接下来结合附图对本发明的一个具体实施例来做详细地阐述。
一种基于车路协同环境下的车辆轨迹跟踪去重方法,其实现依靠路况中所设置的以下几个模块:边缘计算端MEC(Mobile Edge Computing)、智能摄像头、路侧设备RSU、车载设备OBU,车辆域控制器,和车端APP,在下文中将详细描述本公开的实施例。
所述的边缘计算端MEC功能模块,至少包括设备接入管理模块,目标识别模块,数据中心处理模块,数据订阅模块。设备接入模块用于管理当前路口的摄像头等外设设备;数据中心处理模块用于将检测到的目标数据或者图像数据进行汇集处理,如果传输为图像则需要将图像传输的图像处理模块,将图像中的目标信息提取并返回数据中心处理模块;数据订阅模块用于RSU或者其他平台提供数据获取通道。
所述的智能摄像头功能模块,至少包括视频拍摄模块或有高级功能的目标识别模块、数据传输模块;用于实时拍摄或检测目标信息,并将实时拍摄或检测的目标信息传输至MEC,进行汇聚处理。
所述的路侧设备RSU功能模块,包括,高精定位模块,V2X无线通信模块,消息中心处理模块,云端管理模块。定位模块,用于高精定位信息采集;路侧终端V2X无线通信模块,用于将MEC汇聚后的感知目标数据,通过RSM/SSM消息集广播至周边车辆,同时接收OBU广播出来的BSM消息;消息中心处理模块,用于将订阅到的MEC的感知目标数据和周边广播出来的BSM数据,进行统一处理后上报至MEC或者云平台;云端管理模块,用于云端集中设备管理和监控,以及路侧设备的相关信息上报等;
所述的车载设备OBU功能模块,包括,高精定位模块,V2X无线通信模块,CAN模块,车载设备处理单元模块,应用电子控制系统。高精定位模块,用于实时高精定位信息采集;CAN模块,用于实时获取自身车辆状态信息,包括速度和航向角等,以及车载摄像头感知到的目标数据;车载设备处理单元模块,用于处理路侧广播出来的感知目标数据,车载设备检测到的目标数据,以及周边采集到的BSM消息数据,进行跟踪,预测,补偿和去重等处理,将处理后的感知目标信息作为后期其他应用的数据输入。
所述的车辆域控制器功能模块,包括:多传感器设备管理模块,多传感器数据融合模块,以及其他功能模块等。车辆域控制器将车载摄像头、激光雷达等传输的图像或点云数据进行识别、去噪和融合,如果车载设备可以接入车身域控制器时,车辆域控制器也可作为车载设备OBU目标感知数据来源,将融合后的目标数据发送至车载设备OBU;或者通过OBU将路侧感知融合后的目标传输至车辆域控制器融合层,在车辆域控制器中完成目标数据的跟踪和去重,为自动驾驶提供控制决策依据。需要说明的是,本实例中的域控制器所获取周边感知车辆的数据不作为必要数据来源,同样可通过其他车身感知方法获取车辆周边目标数据。
所述的APP功能模块,接收车载设备OBU提供的相关预警提醒信息,并提供路侧设备配套的场景功能展示及对应的语音提醒;
所述车辆轨迹跟踪去重方法,目标数据采集是实现跟踪算法的重要基础,根据数据特性和实现功能场景的特点,对路侧设备RSU和车辆域控制器得到的目标数据分别进行跟踪,对来自与V2V通信的数据进行按目标ID进行存储。具体包括:
S101,路侧感知目标数据采集
边缘计算单元MEC根据需求布设在各路口或路段,通过摄像头获取感知目标信息,感知目标信息主要包括机动车目标信息,包括以下步骤:
通过路侧摄像头感知道路覆盖区域内交通参与者的目标信息,机动车目标信息包括车辆的速度、航向角、位置、长宽高、目标临时ID以及车辆的车牌信息等,该方法需要用到图像识别算法或激光雷达测距装置,并将图像感知到的目标位置信息转换为标定过后的经纬度信息,并应与后面用到的车载设备OBU的定位系统属于同一个经纬度坐标系。
而在本实例中,将路口布设的具有检测能力的智能摄像头所拍摄的图像数据传输至边缘计算单元MEC,经MEC图像识别后跟踪处理得到感知目标的目标信息,感知目标信息将在RSU启用目标信息订阅时提供服务。
本实施例中的相机功能和要求包括但不限于:能够实时拍摄视频传输至MEC、标定对应拍摄检测范围、安装位置合理、以及能够实现主体目标全覆盖。因此通过路侧摄像头对道路和车辆信息的采集,以获得道路交通中的交通参与者目标数据,且该感知目标数据统一经过MEC进行跟踪、去噪、去重等处理后,得到的感知目标信息,该感知目标信息包括但不限于目标数据的时间戳、车辆ID、车辆类型、车辆GPS位置、车辆的长宽高、车速和航向角等信息。经过MEC处理后的数据相对连续,稳定且可靠,将处理后的感知目标数据构造成RSM/SSM标准消息集格式通过RSU广播至周边车辆。
显而易见的是,车辆接收到的感知目标数据将会认为是车辆真实位置,其车速和航向角也认为是可靠的,因此在MEC端感知到目标信息时则需要保证感知目标与真实状态下目标数据的准确性,各项误差精度大于合适的阈值。
S102,车辆感知设备数据采集
车辆感知设备可从车辆域控制器中获取融合后的目标感知数据,也可以通过其他外设设备实现对周边目标车辆的感知,如果该项数据无法满足,可不使用该数据项。
感知方法一般通过激光雷达或摄像头来实现目标感知,将不同传感器在同一时刻的目标数据关于同一目标进行融合,融合后的目标通过对摄像头成像角度和位置的标定,用内插法将目标的图像坐标转换为实际空间位置的相对坐标,同时将目标的长宽信息通过内插法对目标长宽高的转换,完成空间同步后,输出车辆周边感知目标信息,周边目标车辆感知数据包括主要包括:感知目标的时间戳,感知目标的相对位置(x,y),相对本车车头方向的极角[-180,180],车辆长宽高信息,目标类型和数据来源等。
S103,V2V通信目标数据采集
在V2V环境下,网联车辆信息中的车辆ID是唯一且稳定标识符,在对网联车辆进行跟踪时,可对网联车辆的轨迹按车辆ID进行跟踪存储和更新,在定位精度方面,V2X定位模组精度相对较高,且稳定。对于车端感知目标的车辆信息与路侧信息,因各设备转换的精度和时间上存在一定的差异,避免数据发生交叉而导致轨迹数据交叉,而识别出来的车辆信息错误,故将通过V2V通信采集到的BSM数据按车辆ID依次采集和更新。
本方法所述的目标跟踪方法不局限于放置在车载终端OBU,也可以放置在RSU端或MEC端进行处理,根据设备算力要求、能力以及使用场景来确定,放在合适的终端进行处理。在本实例中目标跟踪算法主要为车载设备OBU提供安全预警功能提供服务,在OBU处理相对时延低,获取的周边信息实时性高,且可根据应用场景识别周边重要目标车辆即可,避免因目标过多而导致设备算力不足等出现问题。
基于OBU可以获取路侧和车端的感知目标信息,获取到的目标信息包括但不限于目标数据的时间戳,车辆ID,车辆的长宽高,车速,航向角,车辆GPS位置,车辆类型,数据来源等信息,故在OBU端对上述目标数据进行跟踪。
进一步的是,由于感知目标的位置信息来之不同的感知系统,不同的感知系统对于感知出来的目标坐标不完全相同,需要对车载感知目标和路侧感知目标坐标统一。如车载设备感知到的目标一般以车辆后轴中点或质心为原点坐标建立三维坐标系,并指定以车头方向为X轴正方向,右侧为Y轴,车体下方为Z轴,将识别出来的车辆转换为车辆坐标系中。再通过以下方法实现将车辆感知目标转换成经纬度坐标系坐标:
已知车载设备获取的感知目标信息坐标为(xi,yi),本车的航向角为heading,经纬度坐标为(latveh,lonveh)),通过墨卡托将自身车辆进行转换得到墨卡托投影坐标系下的坐标值,通过对目标与本车位置的偏移计算即可得到目标车辆在笛卡尔坐标中的位置,再将目标位置再次转换后来即可得到目标车辆的经纬度坐标值,计算方法如下:
参考车辆GPS点通过墨卡托转换公式转换成墨卡托投影坐标系,然后将偏移后的经纬度通过墨卡托转换得到经纬度坐标系,转换成墨卡托坐标系和墨卡托坐标系转换成经纬度坐标系转换方法如下:
地理坐标系转换墨卡托投影坐标系:
x=2π*Rearth*lon/180;
y=2π*Rearth*ln(tan((90+lat)*π/360))/(π/180);
墨卡托投影坐标系转地理坐标系:
lon=180*x/2π*Rearth;
式中:Rearth为赤道半径,取值为6378137m;(lon,lat)为经纬度坐标;
计算感知目标所在车辆的所在本车的方向角,方向角的计算方法如下:
dE=Rearth*cos(lat1*π/180)*((lon2*π/180)-(lon1*π/180));
通过墨卡托经纬度转换后的车辆坐标为(xmerc,ymerc),偏移后的经纬度坐标为(xmerc+xi*sin(δ),ymerc+yi*cos(δ));
再将偏移后的目标车辆通过墨卡托坐标转换方法得到感知目标的经纬度坐标(lati,loni);
通过上述方法进行相对坐标转换后,得到统一坐标系下的地理坐标,可以得到从路侧和车载感知到的所有目标信息,为实现目标跟踪算法,需要将所有的目标的坐标位置同时抓换为墨卡托坐标系下进行计算。
下面对目标跟踪方法进行介绍:
S201,建立初始状态值
{xj,yj,lengthj,widthj,headingj,speedj,ptcTypej ptcIdj,ptcMsj}为目标初始状态值,其中感知目标j的坐标xj,yj是墨卡托坐标系下转换后的坐标,lengthj,widthj为感知目标的长和宽,headingj为感知目标的航向角,speedj为感知目标的速度,ptcIdj为感知目标的ID,ptcMsj为感知到该目标时的时间戳。
其中感知目标的子集为{xj,yj,lengthj,widthj},参与到目标跟踪计算。
其中,在跟踪过程中需要对跟踪上的目标进行分类,分为以下几类:跟踪列表,待跟踪列表和已跟踪上的目标列表,和未跟踪上的目标列表。
待跟踪列表即为通过路侧RSU广播出来的RSM/SSM消息中的感知目标数据,以及又车端感知的目标数据组成的待跟踪目标列表。
S202,启动跟踪
当启动目标跟踪算法时,跟踪系统正在跟踪的目标列表为空,则将第一帧内的所有目标数据都加入至跟踪列表中,作为初始跟踪数据,并为跟踪的第一帧数据中的每个目标分别添加目标ID和跟踪上时刻的帧数,以及连续跟踪上的帧数,以及更新标志符增1。
当跟踪系统的跟踪列表中有跟踪目标数据后,开始对跟踪后的目标采用卡尔曼滤波进行预测,在预测中认为车辆的运动过程为线性运动,不存在车辆速度和位置的突变。对每一个目标的运动状态通过以下状态进行表示:
其中,x,y是感知目标的中心坐标,s为感知目标长宽计算出的面积,r表示为车辆的长宽比,为预测后的感知目标位置,/>为预测后的感知目标面积。
S203,数据关联
通过步骤S202中的方式实现对每一个目标下一时刻的位置预测,同时,在新一帧感知目标数据过来时,则将对上一个时刻预测的目标数据进行关联,计算出每个目标之间的IOU交并比值(预测目标与实际目标重叠面积的交集和并集比),得到所有预测目标与新出现目标之间的关联矩阵。
S204,匈牙利算法匹配
通过计算出每个预测目标与新目标之间的关联矩阵后,采用匈牙利算法对检测目标进行最大匹配,实现所有目标之间的依次匹配后的总代价值最小,并同时记录下所有关联匹配上的序号值。
如果传入的感知目标数量多与跟踪目标数量则说明存在未匹配上的新目标,通过做差集计算,将未匹配上的目标放入未跟踪上目标列表中;如果传入的感知目标数量少于跟踪目标数量,则记录下未匹配上的所有跟踪目标序号;如果跟踪目标数量与传入的感知目标数量一致则通过匈牙利算法将所有目标一一进行匹配。
S205,跟踪目标回溯
将所有关联上的目标依次回溯,如果未匹配上目标则,直接跳过;如果关联目标的IOU值小于阈值,则认为该目标未关联上跟踪列表中的目标,并将该目标放置在未跟踪目标列表中;如果匹配成功则记录下跟踪列表中的序号和匹配列表中的序号,组成匹配成功的序号对。
进一步的,对于跟踪匹配上的序号对的目标进行位置更新,则将最新的目标数据在跟踪目标列表中的目标数据进行更新,更新信息包括感知目标的位置、持续跟踪上的次数、累计跟踪上的帧数以及更新标志符。使跟踪的目标数据保持为最新的目标数据,防止因预测导致的累计偏差而导致无法匹配上对应的目标。在对于未匹配上的目标则认为该目标位新增目标,将新增目标加入至跟踪列表中,并为新目标赋予新目标ID,新目标ID根据跟踪上的目标值的基础上进行累增。
当跟踪列表中的目标数据每跟踪上一次时,跟踪上的次数递增1,同时更新目标的跟踪帧数,当目标的跟踪目标累计超过阈值帧数时,则认为该目标已经丢失,为收到新目标数据,则将该目标数据进行删除。如果该目标累计匹配上的帧数超过设定阈值,则认为该目标已经持续跟踪上,并将该目标数据输出为已跟踪上目标,并将该目标信息放置在已跟踪列表中,并将该目标数据按目标ID进行存储。如果更新标识符超过最大的更新次数,则也认为该目标已经丢失,则将该目标从跟踪列表中进行删除。
当完成一轮目标跟踪后,同时完成了已跟踪上的目标信息更新,未跟踪上的目标新增,以及在跟踪列表中持续未跟踪上的目标删除。得到新一轮的跟踪目标列表,等待下一帧新检测到的目标值进行更新,同时得到已跟踪上的目标列表的一段时间阈值内的轨迹。
S206,跟踪轨迹处理
在已跟踪上的目标轨迹列表中需要对轨迹进行处理,处理方法如下:通过上述方法得到跟踪后一段时间内的轨迹,需要对从路侧过来的目标数据和车辆自身感知到的目标数据以及采集到的BSM数据进行清洗,插值和更新。
对跟踪上的目标信息可能存在以下情况:目标根据按时间戳顺序前后的位置数据存在错位,目标类型错误,车辆行驶方向错误等等。将该信息进行剔除;
在轨迹跟踪过程中,因为允许目标在已有的跟踪列表中存在少量丢帧数据后仍然可以跟踪上该目标,导致该目标的轨迹不完全完整,对于不完整的轨迹通过插值的方法进行填补,插值可采用等距时间插值法对缺失数据进行填补,根据缺失值前后的时间范围计算在每100ms-150ms时间长度进行差值,一般以100ms进行插值即可;
针对实时跟踪上相同目标ID的车辆数据进行更新,对于超过存储阈值或数据最新更新时间超过时间阈值,认为该目标数据已经较长时间未得到更新,则将该轨迹进行删除。
S3,轨迹数据去重
通过上述方法得到来自路侧感知目标,车端的感知目标,以及通过V2V广播出来的网联车目标列表。在这些目标中,存在多个真实目标和重复出现的目标,并且每一个真实目标可能同时存在一个或多个重复重复目标,针对这些目标则需要进行去重处理。
通过前述步骤对目标轨迹的跟踪和ID赋值,以及通过V2V广播出来的BSM消息产生的轨迹,和所有感知设备传递出来的目标轨迹,这些目标轨迹长短不一,也有可能精度也参差不齐,无法完全重叠,则需要对所有的目标轨迹进行相似度计算。本实施例采用的方法是动态时间规整法(Dynamic Time Warping,DTW),计算每个目标之间轨迹的相似度,具体包括:
S301,轨迹片段提取
针对每一段轨迹采集到的轨迹目标,按时间戳的方式对所有目标数据进行对齐,根据V2X通信协议标准,BSM/RSM/SSM消息集的通信频率为10Hz,为降低数据时间同步难度,开始对齐的时间差值小于500ms以内即可认为该目标为同一时间出现的目标轨迹。
采集到的BSM轨迹数据集、RSM/SSM采集的感知目标轨迹数据集以及车辆感知目标的轨迹数据集的目标轨迹长度存在差异,在做轨迹比对时,采用轨迹最短的为参考轨迹,从较长的轨迹目标中截取等时间长度的轨迹,若时间长度与目标轨迹中的轨迹点个数差异较大,超过5个,则参照较短轨迹点个数向前增加或减少对应的轨迹个数。以保障两段轨迹点的个数基本一致。
S302,轨迹点距离矩阵计算
针对每两条轨迹点之间的轨迹依次计算每个轨迹点与点之间的欧式距离值,并将这两条轨迹计算出来的累计距离矩阵记录下来,同时在轨迹矩阵中按第一列从下往上开始查找一条最优路径,起点为(1,1),终点必须为(m,n),从左下方开始,依次向表中左上方的三个值找到距离最小的值作为最短路径点,每次寻找只能移动一格查找,最终得到达到终点的最短路径。对最短路径进行回溯,计算路径经过的最短路径点的累计值,并记录在该轨迹比对信息中,当轨迹点的最短路径点累计值小于阈值时,则认为该路径为关联路径,并将关联路径添加至轨迹比对信息中,否则认为该轨迹为不相关轨迹,并将不相关轨迹记录在轨迹比对信息中。
S303,查找匹配最短路径
关联路径的阈值一般受感知设备识别和标定的精度影响,对于V2V通信的网联车辆则受自身GNSS定位精度的影响,因为根据车辆位置以及尺寸的关系,在车辆周边不可能同时存在重叠或者距离极近的其他感知目标,并且在轨迹跟踪过程中,轨迹处于高频更新状态,短时内物体移动变化的不会较大的变化,故将阈值设置为1*n,1为每个轨迹点的偏差阈值1m,n为两段轨迹数中轨迹点较多的轨迹点数。所述的本实例,阈值参数可根据项目实例进行调整。
S304,筛选目标轨迹
如果匹配后的轨迹小于阈值,则认为该目标轨迹为相同目标轨迹,并将该轨迹比对后的信息进行标记,标记方法如下,如果该两条轨迹均未与其他轨迹进行匹配过,该两条轨迹匹配成功后,将该两条轨迹标记为k,k为一段时间内的唯一数值,如果该两条轨迹曾匹配成功过,则将其中匹配过的标记值赋予给新匹配的轨迹值。通过该方法可实现对所有相同轨迹的编排,找出所有匹配为相同轨迹段的轨迹。在通过以下规则实现轨迹最终轨迹的确定:
S3041,路侧数据融合
在每个目标的轨迹中,将包含原有检测系统提供的目标ID,并对每一段轨迹中的目标ID进行统计,在同一段跟踪上的轨迹中,可能由于同时收到多个RSU广播出来的RSM/SSM数据中,包含了同一个目标数据,该目标数据是通过不同系统检测设备获取得到,如车辆在路侧交界处时收到两个甚至三个RSU广播出来检测到的同一目标数据,此时加上本身车辆感知到的目标数据,将可能导致跟踪算法跟踪上目标时,轨迹为连续轨迹,但是因为来自不同的数据源,导致跟踪上的同一条轨迹中包含多个不同的检测ID值。而另外一条轨迹也同样包含此轨迹的相同ID,当两条轨迹中的目标ID中的90%以上的ID值集合相同,则认为这两条数据为同一目标产生的多条轨迹。
S3042,目标轨迹融合
轨迹来源系数:轨迹质量一般为V2V通信的定位数据高于车端感知的目标数据,高于路侧端感知的目标数据。数据来源权重γ分别为0.7,0.2,0.1。
轨迹长度系数:轨迹点内容一般保存10s以上的轨迹点为最佳,根据轨迹点的数量设定权重δ,当轨迹点数量超过100个时认为该轨迹为一段良好的轨迹,轨迹数权重为1,当少于100个轨迹点时,每少一个轨迹点权重降0.01。
插值系数:真实轨迹点值与插值后的总轨迹点数量比值为当前轨迹点插值比例系数φ。
通过上述三种轨迹系数相乘得到最终的该轨迹的权重参数,通过对比每条相互匹配上的轨迹权重参数值中权重参数最大的轨迹值,该条将被选为该目标行驶轨迹。
上述实施例提供的装置可以实现为一种计算机程序的形式,该计算机程序可以在如图2所示的车端设备OBU运行。
本申请实施例还提供了一种车路协同轨迹跟踪去重装置,包括:通过系统总线连接的存储器、处理器和网络接口,存储器中存储有至少一条指令,至少一条指令由处理器加载并执行,以实现前述的轨迹跟踪和去重的全部步骤或部分步骤。
其中,网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图2中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
处理器可以是CPU,还可以是其他通用处理器、DSP(Digital Signal Processor,数字信号处理器)、ASIC(Application Specific Integrated Circuit,专用集成电路)、FPGA(Field Programmable GateArray,现场可编程逻辑门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件分立硬件组件等。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,处理器是计算机装置的控制中心,利用各种接口和线路连接整个计算机装置的各个部分。
存储器可用于存储计算机程序和/或模块,处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如视频播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如视频数据、图像数据等)等。此外,存储器可以包括高速随存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘、SMC(Smart MediaCard,智能存储卡)、SD(Secure digital,安全数字)卡、闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件或其他易失性固态存储器件。
本申请实施例实现前述的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、ROM(Read-Only memory,只读存储器)、RAM(Random Access memory,随机存取存储器)、电载波信号、电信信号以及软件分发介质等。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、服务器或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
本方法采用V2X通信技术,实现了路侧数据和车端数据低延时数据通信,能够结合车辆和路端数据进行直接数据融合,不涉及复杂的时间对齐,通过对目标轨迹的持续跟踪,降低了数据融合难度,本专利容错性高,适用范围更广。本方法依靠于目标的长宽和位置进行跟踪识别和去重,相比现有技术受环境干扰因素的影响较小。本方法采用设备之间数据融合的方法,实现可在路侧数据融合或车端数据融合,融合的数据来源相对简单明确,比该方案更具有普适性。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于车路协同环境下的车辆轨迹跟踪去重方法,其特征在于,具体包括:
S100,感知数据采集,包括路侧感知目标数据采集、车辆感知设备数据采集和V2V通信目标数据采集;
S200,获取跟踪轨迹,处理得到跟踪后一段时间内的轨迹;
S300,轨迹数据去重,对目标轨迹通过动态时间规整法计算每个目标之间轨迹的相似度,具体包括:
S301,轨迹片段提取
针对每一段轨迹采集到的轨迹目标,按时间戳的方式对所有目标数据进行对齐,采集到的感知目标轨迹数据集以及车辆感知目标的轨迹数据集的目标轨迹长度存在差异,在做轨迹比对时采用轨迹最短的为参考轨迹,从较长的轨迹目标中截取等时间长度的轨迹,若时间长度与目标轨迹中的轨迹点个数差异较大,则参照较短轨迹点个数向前增加或减少对应的轨迹个数,保障两段轨迹点的个数基本一致;
S302,轨迹点距离矩阵计算
针对每两条轨迹点之间的轨迹依次计算每个轨迹点与点之间的欧式距离值,并将这两条轨迹计算出来的累计距离矩阵记录下来,同时在轨迹矩阵中查找一条最优路径,每次寻找只能移动一格查找,最终得到达到终点的最短路径;对最短路径进行回溯,计算路径经过的最短路径点的累计值,并记录在该轨迹比对信息中,当轨迹点的最短路径点累计值小于阈值时,则认为该路径为关联路径,并将关联路径添加至轨迹比对信息中,否则认为该轨迹为不相关轨迹,并将不相关轨迹记录在轨迹比对信息中;
S303,查找匹配最短路径
在轨迹跟踪过程中,轨迹处于高频更新状态,设定阈值保证短时内物体移动变化的不会较大的变化;
S304,筛选目标轨迹
如果匹配后的轨迹小于阈值,则认为该目标轨迹为相同目标轨迹,并将该轨迹比对后的信息进行标记,标记方法如下,如果该两条轨迹均未与其他轨迹进行匹配过,该两条轨迹匹配成功后,将该两条轨迹标记为k,k为一段时间内的唯一数值,如果该两条轨迹曾匹配成功过,则将其中匹配过的标记值赋予给新匹配的轨迹值;实现对所有相同轨迹的编排,找出所有匹配为相同轨迹段的轨迹,通过以下规则实现轨迹最终轨迹的确定:
S3041,路侧数据融合
在每个目标的轨迹中,将包含原有检测系统提供的目标ID,并对每一段轨迹中的目标ID进行统计,当两条轨迹中的目标ID中的ID值集合重合比例超过阈值,则认为这两条数据为同一目标产生的多条轨迹;
S3042,目标轨迹融合
设定轨迹来源系数、轨迹长度系数和插值系数,通过三种轨迹系数相乘得到最终的该轨迹的权重参数,通过对比每条相互匹配上的轨迹权重参数值中权重参数最大的轨迹值,该条将被选为该目标行驶轨迹。
2.根据权利要求1所述的车辆轨迹跟踪去重方法,其特征在于,所述步骤S200中,具体包括以下步骤:
S201,建立初始状态值:
{xj,yj,lengthj,widthj,headingj,speedj,ptcTypejptcIdj,ptcMsj}为目标初始状态值,其中感知目标j的坐标xj,yj是墨卡托坐标系下转换后的坐标,lengthj,widthj为感知目标的长和宽,headingj为感知目标的航向角,speedj为感知目标的速度,ptcIdj为感知目标的ID,ptcMsj为感知到该目标时的时间戳;
其中,感知目标的子集为{xj,yj,lengthj,widthj},参与到目标跟踪计算;
在跟踪过程中需要对跟踪上的目标进行分类,分为以下几类:跟踪列表,待跟踪列表和已跟踪上的目标列表,和未跟踪上的目标列表;待跟踪列表即为通过路侧RSU广播出来的RSM/SSM消息中的感知目标数据,以及车端感知的目标数据组成的待跟踪目标列表。
S202,启动跟踪:
启动目标跟踪算法时,跟踪系统正在跟踪的目标列表为空,将第一帧内的所有目标数据都加入至跟踪列表中,作为初始跟踪数据,并为跟踪的第一帧数据中的每个目标分别添加目标ID和跟踪上时刻的帧数,以及连续跟踪上的帧数,以及更新标志符增1;
当跟踪系统的跟踪列表中有跟踪目标数据后,开始对跟踪后的目标进行预测,在预测中认为车辆的运动过程为线性运动,不存在车辆速度和位置的突变,对每一个目标的运动状态通过以下状态进行表示:其中,x,y是感知目标的中心坐标,s为感知目标长宽计算出的面积,r表示为车辆的长宽比,/>为预测后的感知目标位置,/>为预测后的感知目标面积。
S203,数据关联:
通过步骤S202中的方式实现对每一个目标下一时刻的位置预测,同时,在新一帧感知目标数据过来时,则将对上一个时刻预测的目标数据进行关联,计算出每个目标之间的IOU交并比值,得到所有预测目标与新出现目标之间的关联矩阵。
S204,匈牙利算法匹配
通过计算出每个预测目标与新目标之间的关联矩阵后,采用匈牙利算法对检测目标进行最大匹配,实现所有目标之间的依次匹配后的总代价值最小,并同时记录下所有关联匹配上的序号值;如果传入的感知目标数量多与跟踪目标数量则说明存在未匹配上的新目标,通过做差集计算,将未匹配上的目标放入未跟踪上目标列表中;如果传入的感知目标数量少于跟踪目标数量,则记录下未匹配上的所有跟踪目标序号;如果跟踪目标数量与传入的感知目标数量一致则通过匈牙利算法将所有目标一一进行匹配;
S205,跟踪目标回溯
将所有关联上的目标依次回溯,如果未匹配上目标则,直接跳过;如果关联目标的IOU值小于阈值,则认为该目标未关联上跟踪列表中的目标,并将该目标放置在未跟踪目标列表中;如果匹配成功则记录下跟踪列表中的序号和匹配列表中的序号,组成匹配成功的序号对;
对于跟踪匹配上的序号对的目标进行位置更新,则将最新的目标数据在跟踪目标列表中的目标数据进行更新,更新信息包括感知目标的位置、持续跟踪上的次数、累计跟踪上的帧数以及更新标志符;对于未匹配上的目标则认为该目标位新增目标,将新增目标加入至跟踪列表中,并为新目标赋予新目标ID,新目标ID根据跟踪上的目标值的基础上进行累增;当跟踪列表中的目标数据每跟踪上一次时,跟踪上的次数递增1,同时更新目标的跟踪帧数,当目标的跟踪目标累计超过阈值帧数时,则认为该目标已经丢失,为收到新目标数据,则将该目标数据进行删除;如果该目标累计匹配上的帧数超过设定阈值,则认为该目标已经持续跟踪上,并将该目标数据输出为已跟踪上目标,并将该目标信息放置在已跟踪列表中,并将该目标数据按目标ID进行存储;如果更新标识符超过最大的更新次数,则也认为该目标已经丢失,则将该目标从跟踪列表中进行删除;
当完成一轮目标跟踪后,同时完成了已跟踪上的目标信息更新,未跟踪上的目标新增,以及在跟踪列表中持续未跟踪上的目标删除;得到新一轮的跟踪目标列表,等待下一帧新检测到的目标值进行更新,同时得到已跟踪上的目标列表的一段时间阈值内的轨迹;
S206,跟踪轨迹处理
在已跟踪上的目标轨迹列表中需要对轨迹进行处理,处理方法如下:得到跟踪后一段时间内的轨迹,需要对从路侧过来的目标数据和车辆自身感知到的目标数据以及采集到的BSM数据进行清洗,插值和更新,对跟踪上的目标信息,若:
目标根据按时间戳顺序前后的位置数据存在错位,目标类型错误,车辆行驶方向错误,将该信息进行剔除;
在轨迹跟踪过程中,目标在已有的跟踪列表中存在少量丢帧数据后仍然可以跟踪上该目标,导致该目标的轨迹不完全完整,对于不完整的轨迹通过插值的方法进行填补;
针对实时跟踪上相同目标ID的车辆数据进行更新,对于超过存储阈值或数据最新更新时间超过时间阈值,认为该目标数据已经较长时间未得到更新,则将该轨迹进行删除。
3.根据权利要求2所述的车辆轨迹跟踪去重方法,其特征在于,所述轨迹来源系数,所包含的V2V通信的定位数据、车端感知的目标数据、路侧端感知的目标数据来源权重γ分别为0.7、0.2、0.1。
4.根据权利要求2所述的车辆轨迹跟踪去重方法,其特征在于,所述轨迹长度系数,轨迹点内容保存10s以上的轨迹点,根据轨迹点的数量设定权重δ,当轨迹点数量超过100个时,轨迹数权重为1,当少于100个轨迹点时,每少一个轨迹点权重降0.01。
5.一种车路协同轨迹跟踪去重装置,其特征在于:包括:通过系统总线连接的存储器、处理器和网络接口,所述存储器中存储有至少一条指令,至少一条指令由处理器加载并执行,以实现前述权利要求1所述的轨迹跟踪去重方法的全部步骤或部分步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311228198.4A CN117202105A (zh) | 2023-09-22 | 2023-09-22 | 一种基于车路协同的轨迹跟踪去重方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311228198.4A CN117202105A (zh) | 2023-09-22 | 2023-09-22 | 一种基于车路协同的轨迹跟踪去重方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117202105A true CN117202105A (zh) | 2023-12-08 |
Family
ID=89003318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311228198.4A Pending CN117202105A (zh) | 2023-09-22 | 2023-09-22 | 一种基于车路协同的轨迹跟踪去重方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117202105A (zh) |
-
2023
- 2023-09-22 CN CN202311228198.4A patent/CN117202105A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11520331B2 (en) | Methods and apparatus to update autonomous vehicle perspectives | |
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 | |
CN110687562B (zh) | 一种定位方法及车载装置 | |
CN110880236B (zh) | 路况信息处理方法、装置及系统 | |
CN104819726A (zh) | 导航数据处理方法、装置及导航终端 | |
EP3447695B1 (en) | Method for surveilling a tolling system | |
JP2021099793A (ja) | インテリジェント交通管制システム及びその制御方法 | |
CN102889892A (zh) | 实景导航的方法及导航终端 | |
CN110942038A (zh) | 基于视觉的交通场景识别方法、装置、介质及电子设备 | |
US11408739B2 (en) | Location correction utilizing vehicle communication networks | |
CN110470311A (zh) | 一种地图生成方法、装置及计算机存储介质 | |
CN102770893A (zh) | 用于产生和提供交通相关信息的方法和系统 | |
US20230115290A1 (en) | In-vehicle/out-vehicle cooperation device and method | |
CN110851545A (zh) | 地图绘制方法、装置及设备 | |
US11999371B2 (en) | Driving assistance processing method and apparatus, computer-readable medium, and electronic device | |
CN110544389A (zh) | 一种自动驾驶管控方法、装置及系统 | |
CN111291775B (zh) | 车辆定位方法、设备及系统 | |
CN112384820B (zh) | 用于确定车辆位置的方法和设备 | |
CN117202105A (zh) | 一种基于车路协同的轨迹跟踪去重方法和装置 | |
CN116009046A (zh) | 车辆定位方法及装置 | |
CN116259033A (zh) | 车辆信息丢失的目标跟踪方法、系统、介质及设备 | |
CN114152256A (zh) | 用于第一车辆并且用于在第一车辆处估计第二车辆的方位的装置、方法和计算机程序、车辆 | |
Tummala et al. | RoadMap: mapping vehicles to IP addresses using motion signatures | |
GB2537329A (en) | Mapping system and mapping method | |
US11763572B2 (en) | System and method for automatically generating a video of a trip |
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 |