CN117496760A - 一种基于5g的车路协同车载系统 - Google Patents

一种基于5g的车路协同车载系统 Download PDF

Info

Publication number
CN117496760A
CN117496760A CN202311440766.7A CN202311440766A CN117496760A CN 117496760 A CN117496760 A CN 117496760A CN 202311440766 A CN202311440766 A CN 202311440766A CN 117496760 A CN117496760 A CN 117496760A
Authority
CN
China
Prior art keywords
vehicle
lane change
feasibility
lane
road
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
CN202311440766.7A
Other languages
English (en)
Inventor
章娜娜
刘武奇
夏智博
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.)
Nanjing Xinzhiyang Information Technology Co ltd
Original Assignee
Nanjing Xinzhiyang Information Technology 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 Nanjing Xinzhiyang Information Technology Co ltd filed Critical Nanjing Xinzhiyang Information Technology Co ltd
Priority to CN202311440766.7A priority Critical patent/CN117496760A/zh
Publication of CN117496760A publication Critical patent/CN117496760A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
    • 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
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/0969—Systems involving transmission of navigation instructions to the vehicle having a display in the form of a map
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于5G的车路协同车载系统，具体涉及车路协同控制技术领域，包括数据采集处理模块，采集变道训练数据，变道训练数据包括变道特征数据与变道特征数据对应的变道可行性；模型训练模块，基于变道特征数据训练出预测变道可行性的机器学习模型；提示模块，将机器学习模型预测变道可行性结果发送至对应的行车电脑显示，基于变道特征数据估算变道可行性的机器学习模型，在本车开启转向灯时，向转向灯方向的变道车道进行变道可行性检测，通过实时监测本车在变更车道时，为本车提供是否变道参考，减小碰变道撞事故的发生和违反交通规则的概率，提高了本车变道的安全性。

Description

一种基于5G的车路协同车载系统
技术领域
本发明涉及车路协同控制技术领域，更具体地说，本发明涉及一种基于5G的车路协同车载系统。
背景技术
车路协同车载系统是一种整合车辆和道路基础设施之间通信和交互功能的车载系统，它通过与交通信号灯、道路标志、交通管理中心等道路基础设施进行通信，实现车辆与道路管径之间的信息交换和协同操作。
随着社会交通问题日益严重，车辆行驶的路况越来越复杂多变，不少驾驶人在行车过程中总是凭着自己的感觉随意穿插变更车道，不合理的变更车道给驾驶人人身安全与道路交通带来隐患，给人们出行造成不少出行困扰。
为此，为了解决复杂道路车辆安全问题，提供了解决方案，如申请公开号为CN102910126A的中国专利公开了一种辅助车辆安全变更车道的方法及系统，属于汽车技术领域。它解决了现有的技术中车辆变道提醒系统智能化程度不高，考虑问题不够全面。本方法包括1、确定目标车道一侧路面的道路标记是否允许变更车道，若允许变更车道则执行步骤2，若不允许变更车道则输出表示不允许变更车道的提示；2、确定目标车道上距离车辆一定距离内是否有目标车辆，若没有目标车辆则输出表示允许变更车道的提示，若有目标车辆则确定是否允许变更车道，并输出相应提示。该系统包括摄像头、控制器、雷达、左/右变道开关、启动开关和报警装置，用于实现上述方法。该发明供的方案能够有效帮助驾驶员进行变道判断，并且降低事故发生率。
现有的技术中，先通过雷达、摄像头等多个监测设备对变更车道进行监测，并根据有后车和无后车的两种情况进行分别确定能否能够变更车道，在本车中安装过多的相关监测传感器，增加了监测传感器维护成本，受限于相关监测传感器使用年限与精度的影响，从而导致获得的数据不准确，进而导致判断准确度下降。
为此，本发明提出一种基于5G的车路协同车载系统。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种基于5G的车路协同车载系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于5G的车路协同车载系统，应用于电子地图服务器中，包括：
数据采集处理模块，采集变道训练数据，变道训练数据包括变道特征数据与变道特征数据对应的变道可行性；
模型训练模块，基于变道特征数据训练出预测变道可行性的机器学习模型；
提示模块，将机器学习模型预测变道可行性结果发送至对应的行车电脑显示。
进一步的，所述变道特征数据包括本车车速、可变道标志线长度、前车车速、后车车速、前车距离与后车距离；所述变道可行性包括可变道与不可变道。
进一步的，所述本车车速为本车开启转向灯时的速度。
进一步的，所述可变道标志线长度获取方法包括：
电子地图服务器与车载导航模块信号连接，车载导航模块与行车电脑信号连接，车载导航模块内运行有电子地图程序；
电子地图实时获取本车的导航路径，实时定位本车位于导航路径位置，若本车位于导航路径位置对应标志线为可变道标志线时，则获取所述可变道标志线的终点位置，根据本车位于导航路径位置以及终点位置，获得初始可变道标志线长度；
根据本车对应的变道耗时、本车车速以及本车长度，计算损耗可变道标志线长度，损耗可变道标志线长度为本车变道时需要横跨可变道标志线长度；
将初始可变道标志线长度与损耗可变道标志线长度的差值标记为可变道标志线长度，差值包括正值、0或负值。
进一步的，所述损耗可变道标志线长度的具体计算方法为：
L＝V×S+H，式中，L为损耗可变道标志线长度，V为本车车速，S为本车对应的变道耗时，H为本车长度。
进一步的，所述本车车速由本车的行车电脑实时传输至电子地图服务器中。
进一步的，所述前车距离与后车距离获取方法包括：
当本车行车电脑获取到本车开启转向灯时，获得本车开启转向灯的指示方向与转向时间，转向时间为本车开启转向灯时的时间；
将本车位于导航路径位置标记为本车位置；
根据指示方向以及本车位置确定变道车道，获取变道车道上与本车最近的前车位置与后车位置，根据本车位置与前车位置，获得前车距离；根据本车位置与后车位置，获得后车距离。
进一步的，所述前车车速与后车车速获取方法为：电子地图服务器还根据转向时间获取与转向时间一致的前车车速与后车车速。
进一步的，所述训练出预测变道可行性的机器学习模型的方式为：
对变道可行性，进行编号，将每组变道特征数据作为机器学习模型的输入，所述机器学习模型以对每组变道特征数据的预测变道可行性编号为输出；以实时变道特征数据对应的变道可行性编号为预测目标，以最小化所有变道可行性编号的预测误差之和作为训练目标；对机器学习模型进行训练，直至预测误差之和达到收敛时停止训练，训练出根据变道特征数据输出预测的变道可行性编号的机器学习模型；所述机器学习模型是多项式回归模型或SVM模型中的一种；
预测误差的计算公式为：Yb＝(Ab-Jb)2，其中，b为变道特征数据的序号，Yb为预测误差，Ab为第b组变道特征数据对应的预测的变道可行性编号，Jb为第b组变道特征数据对应的实际的变道可行性编号。
第二方面，一种基于5G的车路协同车载方法，其特征在于，基于上述的一种基于5G的车路协同车载系统实现，所述方法包括：
采集变道训练数据，变道训练数据包括变道特征数据与变道特征数据对应的变道可行性；
基于变道特征数据训练出预测变道可行性的机器学习模型；
将机器学习模型预测变道可行性结果发送至对应的行车电脑显示。
第三方面，一种电子设备，其特征在于，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的一种基于5G的车路协同车载方法。
第四方面，一种计算机可读存储介质，其特征在于：储存有指令，当所述指令在计算机上运行时，使得计算机执行如上述的一种基于5G的车路协同车载方法。
本发明的技术效果和优点：
本发明由电子地图服务器采集变道特征数据，并通过电子地图服务器将本车转向时，分别获取前车与后车的数据，为本车采集相关的变道特征数据，避免了本车上安装过多的相关监测传感器，减少监测传感器维护成本，同时获取的变道特征数据与相关监测传感器获取的变道特征数据相比，更准确，因为相关监测传感器获取的变道特征数据，受限于相关监测传感器使用年限与精度的影响；其次基于变道特征数据估算变道可行性的机器学习模型，在本车开启转向灯时，向转向灯方向的变道车道进行变道可行性检测，通过实时监测本车在变更车道时，为本车提供是否变道参考，减小碰变道撞事故的发生和违反交通规则的概率，提高了本车变道的安全性。
附图说明
图1为本发明实施例1的系统示意图；
图2为本发明实施例1的可变道标志线长度获取方法流程图；
图3为本发明实施例1的前车距离与后车距离获取方法流程图；
图4为本发明实施例1的电子地图服务器根据指示方向以及本车位置确定变道车道示意图；
图5为本发明实施例3的电子地图服务器的模块图；
图6为本发明的方法流程图；
图7为本发明的总导航服务器连接示意图；
图8为本发明的一种电子设备示意图；
图9为本发明一种计算机可读存储介质示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
请参阅图1所示，一种基于5G的车路协同车载系统，应用于电子地图服务器中，所述电子地图服务器采集变道训练数据；
需要具体说明的是，所述变道训练数据为实验环境下，若干车辆模拟变道实验产生的数据，若干车辆包括本车、前车与后车，前车与后车是指本车按照本车开启转向灯时，指示方向上车道与本车距离最近两辆车，位于本车前方的车辆为前车，为本车后方的车辆为后车，不断改变本车车速、前车车速、前车距离、后车车速、后车距离与可变道标志线长度，来模拟本车变道实验产生的数据，具体见下文详细叙述；
所述变道训练数据包括变道特征数据与变道特征数据对应的变道可行性；
所述变道特征数据包括本车车速、可变道标志线长度、前车车速、后车车速、前车距离与后车距离；
所述本车车速为本车开启转向灯时的速度；车辆开启转向灯时，由与左右两个转向灯电性连接电流传感器识别，当开启左转向灯时，左转向灯电路接通，此时与左转向灯电路连接，电流传感器监测到有电流信号，将该电流信号标记为左电流信号，发送至行车电脑，行车电脑根据电流信号获取速度传感器在左电流信号产生时速度；当开启右转向灯时，同理获取右电流信号产生时速度，行车电脑将获得的车辆开启转向灯时的速度发送至电子地图服务器，速度是由速度传感器直接采集得到；
请参阅图2所示，可变道标志线长度获取方法如下：
行车电脑与车载导航模块信号连接，车载导航模块内运行有电子地图程序，车载导航模块与电子地图服务器信号连接，
电子地图实时获取本车的导航路径，实时定位本车位于导航路径位置，若本车位于导航路径位置对应标志线为可变道标志线时，则获取所述可变道标志线的终点位置，根据本车位于导航路径位置以及终点位置，获得初始可变道标志线长度；
根据本车对应的变道耗时、本车车速以及本车长度，计算损耗可变道标志线长度，损耗可变道标志线长度为本车变道时需要横跨可变道标志线长度；
将初始可变道标志线长度与损耗可变道标志线长度的差值标记为可变道标志线长度，当差值为正值时，说明可变道标志线长度满足车辆变道的需求，此时变道违反交通规则概率较小，当差值为0或为负值时，说明此时可变道标志线长度不满足车辆变道的需求，变道存在违反交通规则概率较大；
损耗可变道标志线长度的具体计算方法如下：
L＝V×S+H，式中，L为损耗可变道标志线长度，V为本车车速，S为本车对应的变道耗时，H为本车长度，本实施例损耗可变道标志线长度增加本车长度，在本车变道时，保障本车在变道时大概率不超过可变道标志线的终点位置，即变道不跨越实线标志线。
需要说明的是，本车长度与本车对应的变道耗时由用户预设在电子地图服务器中，变道耗时可由用户在安全环境下，多次实验变道，从开启转向灯时开始计时，到本车完全进入变道车道时结束，获得一次变道时间，取多次实验得到变道时间的平均值标记为变道耗时；
本车车速由本车的行车电脑实时传输至电子地图服务器中；
本实施例将可变道标志线长度的运算放置在电子地图服务器中，减小了数据传输的耗时，提升了可变道标志线长度的计算准确度。
标志线由地图采集车采集地图时，地图采集车通过车载摄像头拍摄道路图像，并使用图像处理算法检测和跟踪标志线，所述图像处理算法是指车载摄像头采集的图片进行灰度变换为灰度图像，然后对图像进行分割得到地面区域图像，然后进行边缘检测以及拟合等步骤判断行车线类型，然后进行归类判断。其基本原理在授权公告号CN102208019B的中国专利：基于车载摄像机的车辆变道检测方法的说明书中第【0006】段至【0072】段公开，本发明在此不再赘述，或通过道路设计数据获取标志直线位置长度数据，然后再在电子地图服务器设置。
请参阅图3所示，前车距离与后车距离获取方法如下：
当本车行车电脑获取到本车开启转向灯时，获得本车开启转向灯的指示方向与转向时间，将指示方向与转向时间发送至电子地图服务器，转向时间为车辆开启转向灯时的时间；
将本车位于导航路径位置标记为本车位置；
电子地图服务器根据指示方向以及本车位置确定变道车道，获取变道车道上与本车最近的前车位置与后车位置，根据本车位置与前车位置，获得前车距离；根据本车位置与后车位置，获得后车距离；
前车距离即为本车位置与前车位置的距离，具体获取方法与在电子地图上计算两点的距离相同。
前车车速与后车车速获取方法如下：
电子地图服务器还根据转向时间获取与转向时间一致的前车车速与后车车速。
变道可行性包括可变道与不可变道，可变道说明本车按照指示方向变道时，发生碰撞事故或违反交通规则的概率小，不可变道说明本车按照指示方向变道时，发生碰撞事故或违反交通规则的概率大。
请参阅图4所示，电子地图服务器根据指示方向以及本车位置确定变道车道，示例性的，填充方块为本车，中间虚线为可变道标志线，方向A为指示方向，指示方向与本车相邻的车道为变道车道。
训练出预测变道可行性的机器学习模型的方式为：
对变道可行性，进行编号，例如将可变道编号为1，将不可变道编号为0，
将每组变道特征数据作为机器学习模型的输入，所述机器学习模型以对每组变道特征数据的预测变道可行性编号为输出；以实时变道特征数据对应的变道可行性编号为预测目标，以最小化所有变道可行性编号的预测误差之和作为训练目标；对机器学习模型进行训练，直至预测误差之和达到收敛时停止训练，训练出根据变道特征数据输出预测的变道可行性编号的机器学习模型；所述机器学习模型是多项式回归模型或SVM模型中的一种；
预测误差的计算公式为：Yb＝(Ab-Jb)2，其中，b为变道特征数据的序号，Yb为预测误差，Ab为第b组变道特征数据对应的预测的变道可行性编号，Jb为第b组变道特征数据对应的实际的变道可行性编号。
电子地图服务器将机器学习模型预测变道可行性结果发送至对应的行车电脑显示。
本实施例中,由电子地图服务器采集变道特征数据，并通过电子地图服务器将本车转向时，分别获取前车与后车的数据，为本车采集相关的变道特征数据，避免了本车上安装过多的相关监测传感器，减少监测传感器维护成本，同时获取的变道特征数据与相关监测传感器获取的变道特征数据相比，更准确，因为相关监测传感器获取的变道特征数据，受限于相关监测传感器使用年限与精度的影响；其次基于变道特征数据估算变道可行性的机器学习模型，在本车开启转向灯时，向转向灯方向的变道车道进行变道可行性检测，通过实时监测本车在变更车道时，为本车提供是否变道参考，减小碰变道撞事故的发生和违反交通规则的概率，提高了本车变道的安全性。
实施例2
请参阅图7所示，当本车、前车与后车使用的电子地图服务器不同时，示例性的，本车使用的是高德地图服务器，前车使用的腾讯地图服务器，后车使用的是百度地图服务器，可以设置一个总导航服务器，不同的电子地图服务器均与总导航服务器数据实时共享，行车电脑与总导航服务器信号连接，实现数据传输，总导航服务器可以由相关监管职能部门设立，来解决不同的电子地图服务器的数据孤岛，实现多车多电子地图服务器互联。
实施例3
请参阅图5所示，所述电子地图服务器包括数据采集处理模块、模型训练模块、提示模块与提示模块，其中，各个模块之间通过有线方式连接；
数据采集处理模块，采集变道训练数据，变道训练数据包括变道特征数据与变道特征数据对应的变道可行性；
模型训练模块，基于变道特征数据训练出预测变道可行性的机器学习模型；
提示模块，将机器学习模型预测变道可行性结果发送至对应的行车电脑显示。
进一步的，所述变道特征数据包括本车车速、可变道标志线长度、前车车速、后车车速、前车距离与后车距离；所述变道可行性包括可变道与不可变道。
进一步的，所述本车车速为本车开启转向灯时的速度。
进一步的，所述可变道标志线长度获取方法包括：
电子地图服务器与车载导航模块信号连接，车载导航模块与行车电脑信号连接，车载导航模块内运行有电子地图程序；
电子地图实时获取本车的导航路径，实时定位本车位于导航路径位置，若本车位于导航路径位置对应标志线为可变道标志线时，则获取所述可变道标志线的终点位置，根据本车位于导航路径位置以及终点位置，获得初始可变道标志线长度；
根据本车对应的变道耗时、本车车速以及本车长度，计算损耗可变道标志线长度，损耗可变道标志线长度为本车变道时需要横跨可变道标志线长度；
将初始可变道标志线长度与损耗可变道标志线长度的差值标记为可变道标志线长度，差值包括正值、0或负值。
进一步的，所述损耗可变道标志线长度的具体计算方法为：
L＝V*S+H，式中，L为损耗可变道标志线长度，V为本车车速，S为本车对应的变道耗时，H为本车长度。
进一步的，所述本车车速由本车的行车电脑实时传输至电子地图服务器中。
进一步的，所述前车距离与后车距离获取方法包括：
当本车行车电脑获取到本车开启转向灯时，获得本车开启转向灯的指示方向与转向时间，转向时间为本车开启转向灯时的时间；
将本车位于导航路径位置标记为本车位置；
根据指示方向以及本车位置确定变道车道，获取变道车道上与本车最近的前车位置与后车位置，根据本车位置与前车位置，获得前车距离；根据本车位置与后车位置，获得后车距离；
进一步的，所述前车车速与后车车速获取方法为：电子地图服务器还根据转向时间获取与转向时间一致的前车车速与后车车速。
进一步的，所述训练出预测变道可行性的机器学习模型的方式为：
对变道可行性，进行编号，将每组变道特征数据作为机器学习模型的输入，所述机器学习模型以对每组变道特征数据的预测变道可行性编号为输出；以实时变道特征数据对应的变道可行性编号为预测目标，以最小化所有变道可行性编号的预测误差之和作为训练目标；对机器学习模型进行训练，直至预测误差之和达到收敛时停止训练，训练出根据变道特征数据输出预测的变道可行性编号的机器学习模型；所述机器学习模型是多项式回归模型或SVM模型中的一种；
预测误差的计算公式为：Yb＝(Ab-Jb)2，其中，b为变道特征数据的序号，Yb为预测误差，Ab为第b组变道特征数据对应的预测的变道可行性编号，Jb为第b组变道特征数据对应的实际的变道可行性编号。
实施例4
请参阅图6所示，本实施例未详细叙述部分见实施例1描述内容，提供一种基于5G的车路协同车载方法，所述方法包括：
采集变道训练数据，变道训练数据包括变道特征数据与变道特征数据对应的变道可行性；
基于变道特征数据训练出预测变道可行性的机器学习模型；
将机器学习模型预测变道可行性结果发送至对应的行车电脑显示。
实施例5
请参阅图8所示，根据示例性实施例示出的一种电子设备，其特征在于，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行实施例2的一种基于5G的车路协同车载方法。
实施例5
请参阅图9所示，根据示例性实施例示出的一种计算机可读存储介质，其特征在于：储存有指令，当所述指令在计算机上运行时，使得计算机执行实施例2的一种基于5G的车路协同车载方法。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络，或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)，或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种，实际实现时可以有另外的划分方式，例如多个单元或组件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，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
最后：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，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种基于5G的车路协同车载系统，其特征在于，应用于电子地图服务器中，包括：
数据采集处理模块，采集变道训练数据，变道训练数据包括变道特征数据与变道特征数据对应的变道可行性；
模型训练模块，基于变道特征数据训练出预测变道可行性的机器学习模型；
提示模块，将机器学习模型预测变道可行性结果发送至对应的行车电脑显示。
2.根据权利要求1的一种基于5G的车路协同车载系统，其特征在于：变道特征数据包括本车车速、可变道标志线长度、前车车速、后车车速、前车距离与后车距离；变道可行性包括可变道与不可变道。
3.根据权利要求2的一种基于5G的车路协同车载系统，其特征在于：本车车速为本车开启转向灯时的速度。
4.根据权利要求3的一种基于5G的车路协同车载系统，其特征在于：可变道标志线长度获取方法包括：
电子地图服务器与车载导航模块信号连接，车载导航模块与行车电脑信号连接，车载导航模块内运行有电子地图程序；
电子地图实时获取本车的导航路径，实时定位本车位于导航路径位置，若本车位于导航路径位置对应标志线为可变道标志线时，则获取可变道标志线的终点位置，根据本车位于导航路径位置以及终点位置，获得初始可变道标志线长度；
根据本车对应的变道耗时、本车车速以及本车长度，计算损耗可变道标志线长度，损耗可变道标志线长度为本车变道时需要横跨可变道标志线长度；
将初始可变道标志线长度与损耗可变道标志线长度的差值标记为可变道标志线长度，差值包括正值、0或负值。
5.根据权利要求4的一种基于5G的车路协同车载系统，其特征在于：损耗可变道标志线长度的计算方法为：
L＝V×S+H，式中，L为损耗可变道标志线长度，V为本车车速，S为本车对应的变道耗时，H为本车长度。
6.根据权利要求5的一种基于5G的车路协同车载系统，其特征在于：本车车速由本车的行车电脑实时传输至电子地图服务器中。
7.根据权利要求5的一种基于5G的车路协同车载系统，其特征在于：前车距离与后车距离获取方法包括：
当本车行车电脑获取到本车开启转向灯时，获得本车开启转向灯的指示方向与转向时间，转向时间为本车开启转向灯时的时间；
将本车位于导航路径位置标记为本车位置；
根据指示方向以及本车位置确定变道车道，获取变道车道上与本车最近的前车位置与后车位置，根据本车位置与前车位置，获得前车距离；根据本车位置与后车位置，获得后车距离。
8.根据权利要求7的一种基于5G的车路协同车载系统，其特征在于：前车车速与后车车速获取方法为：根据转向时间获取与转向时间一致的前车车速与后车车速。
9.根据权利要求8的一种基于5G的车路协同车载系统，其特征在于：训练出预测变道可行性的机器学习模型的方式为：
对变道可行性进行编号，将每组变道特征数据作为机器学习模型的输入，机器学习模型以对每组变道特征数据的预测变道可行性编号为输出；以实时变道特征数据对应的变道可行性编号为预测目标，以最小化所有变道可行性编号的预测误差之和作为训练目标；对机器学习模型进行训练，直至预测误差之和达到收敛时停止训练，训练出根据变道特征数据输出预测的变道可行性编号的机器学习模型；机器学习模型是多项式回归模型或SVM模型中的一种；
预测误差的计算公式为：Yb＝(Ab-Jb)2，其中，b为变道特征数据的序号，Yb为预测误差，Ab为第b组变道特征数据对应的预测的变道可行性编号，Jb为第b组变道特征数据对应的实际的变道可行性编号。
10.一种基于5G的车路协同车载方法，其特征在于，基于权利要求1-9任一项的一种基于5G的车路协同车载系统实现，方法包括：
采集变道训练数据；变道训练数据包括变道特征数据与变道特征数据对应的变道可行性；
基于变道特征数据训练出预测变道可行性的机器学习模型；
将机器学习模型预测变道可行性结果发送至对应的行车电脑显示。
11.一种电子设备，其特征在于，包括：处理器和存储器，其中，存储器中存储有可供处理器调用的计算机程序；
处理器通过调用存储器中存储的计算机程序，执行权利要求10所述一种基于5G的车路协同车载方法。
12.一种计算机可读存储介质，其特征在于：储存有指令，当指令在计算机上运行时，使得计算机执行如权利要求10所述一种基于5G的车路协同车载方法。
CN202311440766.7A 2023-11-01 2023-11-01 一种基于5g的车路协同车载系统 Pending CN117496760A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311440766.7A CN117496760A (zh) 2023-11-01 2023-11-01 一种基于5g的车路协同车载系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311440766.7A CN117496760A (zh) 2023-11-01 2023-11-01 一种基于5g的车路协同车载系统

Publications (1)

Publication Number Publication Date
CN117496760A true CN117496760A (zh) 2024-02-02

Family

ID=89673753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311440766.7A Pending CN117496760A (zh) 2023-11-01 2023-11-01 一种基于5g的车路协同车载系统

Country Status (1)

Country Link
CN (1) CN117496760A (zh)

Similar Documents

Publication Publication Date Title
CN111223302B (zh) 移动载具用外部坐标实时三维路况辅助装置及该系统
CN105608927B (zh) 警告装置
JP5057166B2 (ja) 安全運転評価システム及び安全運転評価プログラム
CN111739344B (zh) 一种预警方法、装置及电子设备
US10369995B2 (en) Information processing device, information processing method, control device for vehicle, and control method for vehicle
US8718906B2 (en) Method for analyzing traffic flow at an intersection
US20130304365A1 (en) Method for Analyzing Traffic Flow at an Intersection
JP5907249B2 (ja) 不慮予測感度判定装置
CN114898578B (zh) 一种高速公路的车辆引导方法、装置及系统
CN111615053B (zh) 动态标注风险区域的车联网系统和方法
CN110276971A (zh) 一种车辆驾驶的辅助控制方法、系统及车辆
US11181924B2 (en) System and method for performing differential analysis of vehicles
CN111815982A (zh) 一种基于智能三角架警示牌的道路故障的提示方法及设备
CN112216137A (zh) 一种车用道路指示标志识别系统与方法
CN110969843B (zh) 一种具抑制策略的交通标志识别报警方法
CN108423007B (zh) 目标显示的方法、装置、电子设备及汽车
CN107067778A (zh) 一种车辆反跟踪预警方法及装置
CN117496760A (zh) 一种基于5g的车路协同车载系统
CN111833629A (zh) 特殊车道提示方法、系统及车辆
CN113257027B (zh) 针对连续变道行为的导航控制系统
CN103292818B (zh) 一种导航提示方法和装置
CN115100895A (zh) 一种基于高精度地图的网联汽车通信优化方法
CN114252086A (zh) 提示信息的输出方法、装置、设备、介质和车辆
TWI699662B (zh) 偵測系統及其偵測方法
CN112447055A (zh) 一种对高速公路上低速行驶的监测及警示方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination