CN117523834A - 基于车路协同融合感知和交通仿真的拥堵识别和预测方法 - Google Patents
基于车路协同融合感知和交通仿真的拥堵识别和预测方法 Download PDFInfo
- Publication number
- CN117523834A CN117523834A CN202311467204.1A CN202311467204A CN117523834A CN 117523834 A CN117523834 A CN 117523834A CN 202311467204 A CN202311467204 A CN 202311467204A CN 117523834 A CN117523834 A CN 117523834A
- Authority
- CN
- China
- Prior art keywords
- traffic
- road
- vehicle
- lane
- target
- 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
- 230000008447 perception Effects 0.000 title claims abstract description 61
- 230000004927 fusion Effects 0.000 title claims abstract description 50
- 238000004088 simulation Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000008859 change Effects 0.000 claims abstract description 19
- 206010039203 Road traffic accident Diseases 0.000 claims abstract description 15
- 238000013178 mathematical model Methods 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims abstract description 10
- 238000013459 approach Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 3
- 229920003087 methylethyl cellulose Polymers 0.000 claims 2
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- 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
-
- 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
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
- G08G1/042—Detecting movement of traffic to be counted or controlled using inductive or magnetic detectors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于车路协同融合感知和交通仿真的拥堵识别和预测方法。该方法能够克服智能网联车辆感知距离近、路侧传感器覆盖不完善的问题，通过结合智能网联车辆和路侧传感器的目标检测结果，识别道路上的施工、交通事故等事件，通过使用数学模型判别分析施工、交通事故等事件影响下路口/路段/车道交通通行能力，并判断当前是否处于交通拥堵状态；通过融合车端和路侧感知的目标结构化数据，识别区域内所有交通参与者的位置、速度等信息，进而使用交通仿真模型预测未来一段时间每个路口/路段/车道通行的车辆数量变化趋势；结合路口/路段/车道的通行能力变化，提前预知发生交通拥堵的地点和起始时间。
Description
技术领域
本发明属于交通态势感知和预测领域，特别是一种基于车路协同融合感知和交通仿真的拥堵识别和预测方法。
背景技术
多传感器融合感知技术通过融合摄像头、毫米波雷达、激光雷达等不同类型的目标检测传感器，弥补单个传感器性能的不足，从而在更大范围以更高的精度检测车辆、行人等目标，广泛应用于交通感知、无人驾驶等领域。当前交通领域多传感器融合感知主要局限于车端或路侧的某一侧。由于智能网联车载传感器的检测距离通常只有100m-200m，而路侧传感器主要安装在路口附近，只能覆盖以路口为中心的100-300米左右的距离，因此车端或路侧单一侧的感知覆盖区域有限，难以检测全区域的致堵因素和交通拥堵情况。此外，在车端或路侧单侧感知的情况下，由于大量目标处在检测盲区没有被识别到，交通仿真模型难以发挥作用准确预测未来一段时间的交通流变化。因此基于车端或路侧单一侧的融合感知识别和预测交通拥堵情况具有很大的局限性。
发明内容
本发明的目的在于上述现有技术存在的问题，提供一种能够利用现有路侧传感器、结合区域内智能网联车辆上报的感知数据、通过车路协同融合感知和交通仿真技术，提高区域交通拥堵识别、预测适用范围和准确率的方法。
实现本发明目的的技术解决方案为：一种基于车路协同融合感知和交通仿真的拥堵识别和预测方法，所述方法包括以下步骤：
步骤1，采集某一区域内路侧目标感知数据；
步骤2，采集所述区域内智能网联车辆的车端目标感知数据；
步骤3，利用融合去重算法融合车端目标感知数据和路侧目标感知数据，当一个目标同时出现在路侧目标感知数据和车端目标感知数据中，将该目标融合成单一目标；
步骤4，利用跟踪算法持续跟踪每个目标，分析每个目标的运动状态变化，判断是否发生以下事件，包括长时间停车、故障、施工、交通事故；
步骤5，通过数学模型分析事件的空间/时间影响范围，定量计算各种事件导致的路口/路段/车道交通通行能力变化；
步骤6，根据融合感知和跟踪的结果，计算当前每个路口/路段/车道的交通流量，如果存在路口/路段/车道的交通流量接近或者超过通行能力，认为当前处于拥堵状态，发出交通拥堵提醒；所述接近指交通流量处于预设阈值范围内；
步骤7，根据交通仿真模型和当前时刻车路协同融合感知的区域内所有交通参与者的位置/速度，预测未来一段时间区域内所有目标的位置/速度、每个路口/路段/车道的交通参与者数量信息；
步骤8，判断是否存在路口/路段/车道在某一时间段预测的交通参与者数量超出预测的通行能力，若存在则针对相应的路口/路段/车道和时间段发出交通拥堵预测提醒；
步骤9，持续采集路侧传感器和智能网联车辆的目标感知数据，之后重复执行步骤3至步骤8。
进一步地，步骤1具体包括：采集区域内所有路侧传感器检测到的目标数量以及目标的运动状态信息；步骤2具体包括：采集区域内所有智能网联车辆车载传感器感知到的目标数量以及目标的运动状态信息；所述运动状态信息包括位置、速度信息。
进一步地，步骤1所述路侧目标感知数据来自多个路侧传感器，或来自融合多个路侧传感器感知数据的MEC；所述路侧传感器包括视频检测器、毫米波雷达、雷视一体机、激光雷达。
进一步地，步骤2所述车端目标感知数据，来自多个车载传感器，或来自多个车载传感器融合处理后的车载MEC；所述车载传感器包括视频检测器、激光雷达、毫米波雷达。
进一步地，步骤4中跟踪算法通过关联和匹配上一时刻和当前时刻相似度最高的目标，实现对目标的连续跟踪。
进一步地，步骤5具体包括：根据路侧传感器和智能网联车辆识别出来的事件对车道的占用情况，计算路口/路段/车道剩余的车道数量，预测事件持续时间，结合路口/路段/车道的平均速度、平均车头间距，构建如下的数学模型预测路口/路段的交通通行能力变化趋势：
其中，vi,j为路口/路段i类型第j个车道的平均速度，ΔRi,j表示路口/路段i类型第j车道的平均车头间距，Mi为类型i车道的数量，其中i表示不同类型的车道，不同类型的车道包括左转、右转或直行。
进一步地，步骤7具体过程包括：
步骤7-1，统计过去一段时间区域内每个路口/路段/车道的交通事故类型、发生率和持续时间；
步骤7-2，统计过去一段时间区域内每个路口交通参与者经过不同类型车道的比例；所述不同类型车道的比例包括左转/直行/转弯的比例；
步骤7-3，基于交通仿真模型，输入当前时刻所有感知目标的位置/速度、车辆左转/直行/转弯的比例、交通事故类型/发生率/持续时间信息，预测未来一段时间区域内所有交通参与者的位置/速度信息、每个路口/路段/车道的交通参与者数量信息。
本发明与现有技术相比，其显著优点为：能够充分利用现有的路侧传感器和智能网联车辆感知数据，在路侧传感器覆盖不到的地方利用智能网联车辆提高目标检测覆盖范围，在车端传感器检测距离外使用路侧传感器提高车辆视野范围，通过融合感知减少目标检测覆盖盲区，从而更加精准的感知区域交通态势，识别和预测交通拥堵情况。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为基于车路协同融合感知和交通仿真的拥堵识别和预测方法的流程框图。
图2为基于车路协同融合感知的交通拥堵识别场景示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用于解释本申请，并不用于限定本申请。
需要说明，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
在一个实施例中，结合图1，提供了一种基于车路协同融合感知和交通仿真的拥堵识别和预测方法。该方法包括目标检测、融合去重、路口/路段/车道通行能力预测、交通仿真预测等。所述方法具体包括：
步骤1，采集某一区域内路侧目标感知数据；
步骤2，采集所述区域内智能网联车辆的车端目标感知数据；
步骤3，利用融合去重算法融合车端目标感知数据和路侧目标感知数据，当一个目标同时出现在路侧目标感知数据和车端目标感知数据中，将该目标融合成单一目标，从而获取区域内所有目标的唯一性位置、速度、类型、编号等信息；
步骤4，利用跟踪算法持续跟踪每个目标，分析每个目标的运动状态变化，判断是否发生以下事件，包括长时间停车、故障、施工、交通事故等；
步骤5，通过数学模型分析事件的空间/时间影响范围，定量计算各种事件导致的路口/路段/车道交通通行能力(每个交通信号控制周期内最多通行的目标数量)变化；
步骤6，根据融合感知和跟踪的结果，计算当前每个路口/路段/车道的交通流量，如果存在路口/路段/车道的交通流量接近或者超过通行能力，认为当前处于拥堵状态，发出交通拥堵提醒；所述接近指交通流量处于预设阈值范围内；
步骤7，根据交通仿真模型和当前时刻车路协同融合感知的区域内所有交通参与者的位置/速度，预测未来一段时间区域内所有目标的位置/速度、每个路口/路段/车道的交通参与者数量信息；
步骤8，判断是否存在路口/路段/车道在某一时间段预测的交通参与者数量超出预测的通行能力，若存在则针对相应的路口/路段/车道和时间段发出交通拥堵预测提醒；
步骤9，持续采集路侧传感器和智能网联车辆的目标感知数据，之后重复执行步骤3至步骤8。
进一步地，在其中一个实施例中，如图2所示，步骤1具体包括：采集区域内所有路侧传感器检测到的目标数量以及目标的运动状态信息；步骤2具体包括：采集区域内所有智能网联车辆车载传感器感知到的目标数量以及目标的运动状态信息；所述运动状态信息包括位置、速度信息。
进一步地，在其中一个实施例中，步骤1所述路侧目标感知数据来自多个路侧传感器，或来自融合多个路侧传感器感知数据的MEC。
这里优选地，所述路侧传感器包括视频检测器、毫米波雷达、雷视一体机、激光雷达等多种类型的传感器，这些传感器可以稀疏或者密集的安装在路口或者路段。
进一步地，在其中一个实施例中，步骤2所述车端目标感知数据，来自多个车载传感器，或来自多个车载传感器融合处理后的车载MEC。
这里优选地，所述车载传感器包括视频检测器、激光雷达、毫米波雷达等传感器。
进一步地，在其中一个实施例中，步骤4中跟踪算法通过关联和匹配上一时刻和当前时刻相似度最高的目标，实现对目标的连续跟踪。
进一步地，在其中一个实施例中，步骤5具体包括：根据路侧传感器和智能网联车辆识别出来的事件对车道的占用情况，计算路口/路段/车道剩余的车道数量，预测事件持续时间，结合路口/路段/车道的平均速度、平均车头间距，构建如下的数学模型预测路口/路段的交通通行能力变化趋势：
其中，vi,j为路口/路段i类型第j个车道的平均速度，ΔRi,j表示路口/路段i类型第j车道的平均车头间距，Mi为类型i车道的数量，其中i表示不同类型的车道，不同类型的车道包括左转、右转或直行。
进一步地，在其中一个实施例中，步骤7具体过程包括：
步骤7-1，统计过去一段时间区域内每个路口/路段/车道的交通事故类型、发生率和持续时间；
步骤7-2，统计过去一段时间区域内每个路口交通参与者经过不同类型车道的比例；所述不同类型车道的比例包括左转/直行/转弯的比例；
步骤7-3，基于交通仿真模型，输入当前时刻所有感知目标的位置/速度、车辆左转/直行/转弯的比例、交通事故类型/发生率/持续时间信息，预测未来一段时间(60分钟)区域内所有交通参与者的位置/速度信息、每个路口/路段/车道的交通参与者数量等信息。
这里优选地，可以采用但不限于sumo交通仿真模型实现。
在一个实施例中，提供了一种基于车路协同融合感知和交通仿真的拥堵识别和预测系统，所述系统包括：
第一模块，用于采集某一区域内路侧目标感知数据；
第二模块，用于采集所述区域内智能网联车辆的车端目标感知数据；
第三模块，用于采集利用融合去重算法融合车端和路侧感知数据，当一个目标同时出现在路侧目标感知数据和车端目标感知数据中，将该目标融合成单一目标；
第四模块，用于利用跟踪算法持续跟踪每个目标，分析每个目标的运动状态变化，判断是否发生以下事件，包括长时间停车、故障、施工、交通事故；
第五模块，用于通过数学模型分析事件的空间/时间影响范围，定量计算各种事件导致的路口/路段/车道交通通行能力变化；
第六模块，用于根据融合感知和跟踪的结果，计算当前每个路口/路段/车道的交通流量，如果存在路口/路段/车道的交通流量接近或者超过通行能力，认为当前处于拥堵状态，发出交通拥堵提醒；所述接近指交通流量处于预设阈值范围内；
第七模块，用于根据交通仿真模型和当前时刻车路协同融合感知的区域内所有交通参与者的位置/速度，预测未来一段时间区域内所有目标的位置/速度、每个路口/路段/车道的交通参与者数量信息；
第八模块，用于判断是否存在路口/路段/车道在某一时间段预测的交通参与者数量超出预测的通行能力，若存在则针对相应的路口/路段/车道和时间段发出交通拥堵预测提醒；
第九模块，用于持续采集路侧传感器和智能网联车辆的目标感知数据，之后重复执行第三模块至第八模块。
关于基于车路协同融合感知和交通仿真的拥堵识别和预测系统的具体限定可以参见上文中对于基于车路协同融合感知和交通仿真的拥堵识别和预测方法的限定，在此不再赘述。上述基于车路协同融合感知和交通仿真的拥堵识别和预测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现：
步骤1，采集某一区域内路侧目标感知数据；
步骤2，采集所述区域内智能网联车辆的车端目标感知数据；
步骤3，利用融合去重算法融合车端目标感知数据和路侧目标感知数据，当一个目标同时出现在路侧目标感知数据和车端目标感知数据中，将该目标融合成单一目标；
步骤4，利用跟踪算法持续跟踪每个目标，分析每个目标的运动状态变化，判断是否发生以下事件，包括长时间停车、故障、施工、交通事故；
步骤5，通过数学模型分析事件的空间/时间影响范围，定量计算各种事件导致的路口/路段/车道交通通行能力变化；
步骤6，根据融合感知和跟踪的结果，计算当前每个路口/路段/车道的交通流量，如果存在路口/路段/车道的交通流量接近或者超过通行能力，认为当前处于拥堵状态，发出交通拥堵提醒；所述接近指交通流量处于预设阈值范围内；
步骤7，根据交通仿真模型和当前时刻车路协同融合感知的区域内所有交通参与者的位置/速度，预测未来一段时间区域内所有目标的位置/速度、每个路口/路段/车道的交通参与者数量信息；
步骤8，判断是否存在路口/路段/车道在某一时间段预测的交通参与者数量超出预测的通行能力，若存在则针对相应的路口/路段/车道和时间段发出交通拥堵预测提醒；
步骤9，持续采集路侧传感器和智能网联车辆的目标感知数据，之后重复执行步骤3至步骤8。
关于每一步的具体限定可以参见上文中对于基于车路协同融合感知和交通仿真的拥堵识别和预测方法的限定，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现：
步骤1，采集某一区域内路侧目标感知数据；
步骤2，采集所述区域内智能网联车辆的车端目标感知数据；
步骤3，利用融合去重算法融合车端目标感知数据和路侧目标感知数据，当一个目标同时出现在路侧目标感知数据和车端目标感知数据中，将该目标融合成单一目标；
步骤4，利用跟踪算法持续跟踪每个目标，分析每个目标的运动状态变化，判断是否发生以下事件，包括长时间停车、故障、施工、交通事故；
步骤5，通过数学模型分析事件的空间/时间影响范围，定量计算各种事件导致的路口/路段/车道交通通行能力变化；
步骤6，根据融合感知和跟踪的结果，计算当前每个路口/路段/车道的交通流量，如果存在路口/路段/车道的交通流量接近或者超过通行能力，认为当前处于拥堵状态，发出交通拥堵提醒；所述接近指交通流量处于预设阈值范围内；
步骤7，根据交通仿真模型和当前时刻车路协同融合感知的区域内所有交通参与者的位置/速度，预测未来一段时间区域内所有目标的位置/速度、每个路口/路段/车道的交通参与者数量信息；
步骤8，判断是否存在路口/路段/车道在某一时间段预测的交通参与者数量超出预测的通行能力，若存在则针对相应的路口/路段/车道和时间段发出交通拥堵预测提醒；
步骤9，持续采集路侧传感器和智能网联车辆的目标感知数据，之后重复执行步骤3至步骤8。
关于每一步的具体限定可以参见上文中对于基于车路协同融合感知和交通仿真的拥堵识别和预测方法的限定，在此不再赘述。
本发明不需要特殊的设备或者装置，能够利用现有的路侧传感器和智能网联车辆，充分发挥它们的感知和协同互补作用。另外，伴随着高等级道路建设和智能网联汽车行业发展，越来越多的路侧传感器和智能网联车辆能够为本方法提供更多更精准的数据，因此本方法能够更加精准的感知区域交通态势，识别和预测交通拥堵情况。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，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 (10)
1.一种基于车路协同融合感知和交通仿真的拥堵识别和预测方法，其特征在于，所述方法包括以下步骤：
步骤1，采集某一区域内路侧目标感知数据；
步骤2，采集所述区域内智能网联车辆的车端目标感知数据；
步骤3，利用融合去重算法融合车端目标感知数据和路侧目标感知数据，当一个目标同时出现在路侧目标感知数据和车端目标感知数据中，将该目标融合成单一目标；
步骤4，利用跟踪算法持续跟踪每个目标，分析每个目标的运动状态变化，判断是否发生以下事件，包括长时间停车、故障、施工、交通事故；
步骤5，通过数学模型分析事件的空间/时间影响范围，定量计算各种事件导致的路口/路段/车道交通通行能力变化；
步骤6，根据融合感知和跟踪的结果，计算当前每个路口/路段/车道的交通流量，如果存在路口/路段/车道的交通流量接近或者超过通行能力，认为当前处于拥堵状态，发出交通拥堵提醒；所述接近指交通流量处于预设阈值范围内；
步骤7，根据交通仿真模型和当前时刻车路协同融合感知的区域内所有交通参与者的位置/速度，预测未来一段时间区域内所有目标的位置/速度、每个路口/路段/车道的交通参与者数量信息；
步骤8，判断是否存在路口/路段/车道在某一时间段预测的交通参与者数量超出预测的通行能力，若存在则针对相应的路口/路段/车道和时间段发出交通拥堵预测提醒；
步骤9，持续采集路侧传感器和智能网联车辆的目标感知数据，之后重复执行步骤3至步骤8。
2.根据权利要求1所述的基于车路协同融合感知和交通仿真的拥堵识别和预测方法，其特征在于，步骤1具体包括：采集区域内所有路侧传感器检测到的目标数量以及目标的运动状态信息；步骤2具体包括：采集区域内所有智能网联车辆车载传感器感知到的目标数量以及目标的运动状态信息；所述运动状态信息包括位置、速度信息。
3.根据权利要求2所述的基于车路协同融合感知和交通仿真的拥堵识别和预测方法，其特征在于，步骤1所述路侧目标感知数据来自多个路侧传感器，或来自融合多个路侧传感器感知数据的MEC；所述路侧传感器包括视频检测器、毫米波雷达、雷视一体机、激光雷达。
4.根据权利要求2所述的基于车路协同融合感知和交通仿真的拥堵识别和预测方法，其特征在于，步骤2所述车端目标感知数据，来自多个车载传感器，或来自多个车载传感器融合处理后的车载MEC；所述车载传感器包括视频检测器、激光雷达、毫米波雷达。
5.根据权利要求1所述的基于车路协同融合感知和交通仿真的拥堵识别和预测方法，其特征在于，步骤4中跟踪算法通过关联和匹配上一时刻和当前时刻相似度最高的目标，实现对目标的连续跟踪。
6.根据权利要求1所述的基于车路协同融合感知和交通仿真的拥堵识别和预测方法，其特征在于，步骤5具体包括：根据路侧传感器和智能网联车辆识别出来的事件对车道的占用情况，计算路口/路段/车道剩余的车道数量，预测事件持续时间，结合路口/路段/车道的平均速度、平均车头间距，构建如下的数学模型预测路口/路段的交通通行能力变化趋势：
其中，vi,j为路口/路段i类型第j个车道的平均速度，ΔRi,j表示路口/路段i类型第j车道的平均车头间距，Mi为类型i车道的数量，其中i表示不同类型的车道，不同类型的车道包括左转、右转或直行。
7.根据权利要求1所述的基于车路协同融合感知和交通仿真的拥堵识别和预测方法，其特征在于，步骤7具体过程包括：
步骤7-1，统计过去一段时间区域内每个路口/路段/车道的交通事故类型、发生率和持续时间；
步骤7-2，统计过去一段时间区域内每个路口交通参与者经过不同类型车道的比例；所述不同类型车道的比例包括左转/直行/转弯的比例；
步骤7-3，基于交通仿真模型，输入当前时刻所有感知目标的位置/速度、车辆左转/直行/转弯的比例、交通事故类型/发生率/持续时间信息，预测未来一段时间区域内所有交通参与者的位置/速度信息、每个路口/路段/车道的交通参与者数量信息。
8.基于权利要求1至7任意一项所述方法的基于车路协同融合感知和交通仿真的拥堵识别和预测系统，其特征在于，所述系统包括：
第一模块，用于采集某一区域内路侧目标感知数据；
第二模块，用于采集所述区域内智能网联车辆的车端目标感知数据；
第三模块，用于采集利用融合去重算法融合车端和路侧感知数据，当一个目标同时出现在路侧目标感知数据和车端目标感知数据中，将该目标融合成单一目标；
第四模块，用于利用跟踪算法持续跟踪每个目标，分析每个目标的运动状态变化，判断是否发生以下事件，包括长时间停车、故障、施工、交通事故；
第五模块，用于通过数学模型分析事件的空间/时间影响范围，定量计算各种事件导致的路口/路段/车道交通通行能力变化；
第六模块，用于根据融合感知和跟踪的结果，计算当前每个路口/路段/车道的交通流量，如果存在路口/路段/车道的交通流量接近或者超过通行能力，认为当前处于拥堵状态，发出交通拥堵提醒；所述接近指交通流量处于预设阈值范围内；
第七模块，用于根据交通仿真模型和当前时刻车路协同融合感知的区域内所有交通参与者的位置/速度，预测未来一段时间区域内所有目标的位置/速度、每个路口/路段/车道的交通参与者数量信息；
第八模块，用于判断是否存在路口/路段/车道在某一时间段预测的交通参与者数量超出预测的通行能力，若存在则针对相应的路口/路段/车道和时间段发出交通拥堵预测提醒；
第九模块，用于持续采集路侧传感器和智能网联车辆的目标感知数据，之后重复执行第三模块至第八模块。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311467204.1A CN117523834A (zh) | 2023-11-07 | 2023-11-07 | 基于车路协同融合感知和交通仿真的拥堵识别和预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311467204.1A CN117523834A (zh) | 2023-11-07 | 2023-11-07 | 基于车路协同融合感知和交通仿真的拥堵识别和预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117523834A true CN117523834A (zh) | 2024-02-06 |
Family
ID=89746895
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311467204.1A Pending CN117523834A (zh) | 2023-11-07 | 2023-11-07 | 基于车路协同融合感知和交通仿真的拥堵识别和预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117523834A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118379885A (zh) * | 2024-06-26 | 2024-07-23 | 北京钱安德胜科技有限公司 | 基于车路协同智能驾驶的交通信息服务提供方法及装置 |
-
2023
- 2023-11-07 CN CN202311467204.1A patent/CN117523834A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118379885A (zh) * | 2024-06-26 | 2024-07-23 | 北京钱安德胜科技有限公司 | 基于车路协同智能驾驶的交通信息服务提供方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111524357B (zh) | 用于车辆安全行驶所需的多数据融合的方法 | |
| CN102332209B (zh) | 一种汽车违章视频监测方法 | |
| US6442474B1 (en) | Vision-based method and apparatus for monitoring vehicular traffic events | |
| CN114333330B (zh) | 一种基于路侧边缘全息感知的交叉口事件检测系统 | |
| Watta et al. | Vehicle position and context detection using V2V communication | |
| US20210383686A1 (en) | Roadside computing system for predicting road user trajectory and assessing travel risk | |
| CN109101939B (zh) | 车辆运动状态的确定方法、系统、终端及可读存储介质 | |
| CN109166312B (zh) | 行车轨迹基于路网数据的自动化违规检测系统及方法 | |
| CN117523834A (zh) | 基于车路协同融合感知和交通仿真的拥堵识别和预测方法 | |
| US20240046787A1 (en) | Method And System For Traffic Clearance At Signalized Intersections Based On Lidar And Trajectory Prediction | |
| CN115618932A (zh) | 基于网联自动驾驶的交通事件预测方法、装置及电子设备 | |
| CN112150799A (zh) | 一种融合雷达视频的道路车辆交通大数据采集的方法 | |
| Ansariyar et al. | Investigating the collected vehicle-pedestrian conflicts by a LIDAR sensor based on a new Post Encroachment Time Threshold (PET) classification at signalized intersections. | |
| Lei et al. | Identifying and correcting the errors of vehicle trajectories from roadside millimetre‐wave radars | |
| CN107886726B (zh) | 占道/停车行为检测方法与装置 | |
| CN115240405A (zh) | 一种交通信息管理方法、系统、网络设备及存储介质 | |
| CN107134148A (zh) | 占道停车行为检测方法与装置 | |
| CN105730330B (zh) | 行车安全系统及其障碍物筛选方法 | |
| CN116645831A (zh) | 一种交通盲区检测及预警系统 | |
| CN116434520A (zh) | 一种基于全息感知的行人过街碰撞风险预警方法及系统 | |
| CN113753055B (zh) | 基于雷达探测对拥堵车道的判断方法及电子设备 | |
| KR20240081722A (ko) | 터널 내 돌발 및 위험관리를 통한 사고예방 시스템 | |
| CN115520216A (zh) | 行车状态判断方法、装置、计算机设备和存储介质 | |
| Tao et al. | Traffic incident detection based on mmWave radar and improvement using fusion with camera | |
| CN113128847A (zh) | 一种基于激光雷达的出入口匝道实时风险预警系统及方法 |
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 |