CN117651848A - 车路协同多车路径规划和路权决策方法、系统和路基单元 - Google Patents

车路协同多车路径规划和路权决策方法、系统和路基单元 Download PDF

Info

Publication number
CN117651848A
CN117651848A CN202180100379.1A CN202180100379A CN117651848A CN 117651848 A CN117651848 A CN 117651848A CN 202180100379 A CN202180100379 A CN 202180100379A CN 117651848 A CN117651848 A CN 117651848A
Authority
CN
China
Prior art keywords
vehicle
data
planning
traffic
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
CN202180100379.1A
Other languages
English (en)
Inventor
薛雷
张承标
朱敏婧
李健
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.)
Zhejiang Geely Holding Group Co Ltd
Geely Automobile Research Institute Ningbo Co Ltd
Original Assignee
Zhejiang Geely Holding Group Co Ltd
Geely Automobile Research Institute Ningbo 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 Zhejiang Geely Holding Group Co Ltd, Geely Automobile Research Institute Ningbo Co Ltd filed Critical Zhejiang Geely Holding Group Co Ltd
Publication of CN117651848A publication Critical patent/CN117651848A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • 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
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

一种车路协同多车路径规划和路权决策方法，通过路基单元(1)集合路基单元(1)的感知模块(11)采集的环境信息和车辆传感设备采集的环境信息和车辆信息，结合边缘计算进行目标识别并进而进行多车的限区域内实时路径规划，并将规划数据向车辆广播，还利用具备路径和指令执行和路权决策功能的智能网联车辆执行路权决策和路基单元(1)规划的路径，从而提高车辆通行效率、多车交互合理性，并进一步改善区域路段的路权决策。还涉及一种车路协同多车路径规划和路权决策系统(100)、路基单元(1)。

Description

车路协同多车路径规划和路权决策方法、系统和路基单元 技术领域
本发明涉及智能网联车辆技术领域，特别是一种车路协同多车路径规划和路权决策方法、系统和路基单元。
背景技术
智能网联车辆可以提供更安全、更节能、更环保、更舒适的出行方式和综合解决方案，是城市智能交通系统的重要环节，是构建绿色汽车社会的核心要素，因而是国际公认的未来发展方向和关注焦点之一。
智能网联车辆包括智能化与网联化两个技术层面。目前的智能网联车辆只形成了初级的网联化和智能化，网联化主要体现在基本的信息服务(Telematics)领域，智能化主要体现在目前大量产业应用的ADAS(Advanced Driving Assistance System，高级驾驶辅助系统)领域。目前也已经出现了基于车路协同对车辆进行路径规划、引导等的方案，但是现有的方案通常仅属于初级网联化的应用，无法针对高级别的自动化与网联化的复合场景，进行多车协作下的实时、动态、全局规划。
发明内容
鉴于上述问题，提出了一种克服上述问题或者至少部分地解决上述问题的车路协同多车路径规划和路权决策方法、系统和路基单元。
本发的一个目的在于提供一种车路协同多车路径规划和路权决策方法，通过将路基单元感知信息与车辆信息相结合，结合边缘计算进行多车的有限区域内实时路径规划，提高车辆通行效率、多车交互合理性，并进一步改善区域路段的路权决策。
本发明的一个进一步的目的是进一步优化单车全程路程及行为规划。
特别地，根据本发明实施例的一方面，提供了一种车路协同多车路径规划和路权决策方法，应用于装备有边缘计算系统的路基单元，所述路基单元包括感知模块，所述方法包括：
获取所述感知模块采集的对所述路基单元所在的交通区域的第一感知数据；
接收与所述路基单元通信连接的各车辆发送的对自身周边环境的第二感知数据和自身的车辆状态数据，所述车辆至少包括具备路径和指令执行和路权决策功能的至少一辆第一车辆；
根据所述第一感知数据和所述第二感知数据进行所述交通区域内的环境目标识别得到目标识别结果；
根据所述目标识别结果、所述车辆状态数据和预置的基础交通数据进行所述交通区域的交通规划得到规划数据，其中，所述规划数据至少包括各所述第一车辆的最优行驶路径和/或行驶指令以及所述交通区域内的除所述第一车辆以外的各交通参与者的预测 行为；
广播所得到的规划数据，以便各所述第一车辆在接收到广播的规划数据后根据所接收的规划数据和自身获取的当前环境数据进行路权决策，并进而根据所述路权决策的结果执行所接收的规划数据中的最优行驶路径和/或行驶指令。
可选地，所述车辆还包括仅具备信息提示功能的第二车辆；
所述规划数据还包括与所述第二车辆相关的信息提示指令，以便所述第二车辆在接收到广播的规划数据后根据所述信息提示指令进行信息提示。
可选地，在根据所述目标识别结果、所述车辆状态数据和预置的基础交通数据进行所述交通区域的交通规划得到规划数据之后，所述方法还包括：
将所述目标识别结果和所述规划数据上传至云端服务器；
接收所述云端服务器下发的多区域分析结果，其中所述多区域分析结果是由所述云端服务器根据相关联的多个交通区域中的所述路基单元上传的目标识别结果和规划数据对各所述第一车辆在所述多个交通区域中的全程路径和所述多个交通区域中的其他车辆的行为进行统一分析和优化得到的；
根据所述多区域分析结果对所述规划数据进行调整得到调整后的规划数据；
所述广播所得到的规划数据的步骤包括：
广播调整后的规划数据。
可选地，所述感知模块包括下列至少之一：激光雷达、摄像头、毫米波雷达、红外设备、V2X路侧单元、定位装置、实时动态基站、雨量传感器；
所述根据所述第一感知数据和所述第二感知数据进行所述交通区域内的环境目标识别得到目标识别结果的步骤包括：
通过多传感器融合算法对所述第一感知数据和所述第二感知数据进行融合和目标识别得到所述目标识别结果。
可选地，所述第一感知数据和所述第二感知数据是由至少一个摄像头、至少一个激光雷达和至少一个毫米波雷达采集得到的；
所述通过多传感器融合算法对所述第一感知数据和所述第二感知数据进行融合和目标识别得到所述目标识别结果的步骤包括：
对由所述至少一个摄像头采集得到的图像、由所述至少一个激光雷达采集得到的第一点云以及由所述至少一个毫米波雷达采集得到的第二点云分别进行融合处理和目标识别，得到摄像头目标跟踪结果、激光雷达目标跟踪结果和毫米波雷达目标跟踪结果；
对所述摄像头目标跟踪结果、所述激光雷达目标跟踪结果和所述毫米波雷达目标跟踪结果进行目标级融合和目标轨迹估计，得到所述目标识别结果，所述目标识别结果包括融合后的目标列表、交通流量统计值和所述交通区域内特殊事件记录。
可选地，对由所述至少一个摄像头采集得到的图像进行融合处理和目标识别的步骤包括：
在对各所述摄像头进行外参和内参标定后，对由各所述摄像头采集的图像进行图像 预处理；
通过深度神经网络对预处理后的图像进行数据采集和标注，并对标注后的数据进行目标物体检测得到目标检测结果；
对各所述摄像头的目标检测结果进行融合得到融合图像；
根据高精度地图信息对所述融合图像进行2D-3D变换，得到所述摄像头目标跟踪结果；
对由所述至少一个激光雷达采集得到的第一点云进行融合处理和目标识别的步骤包括：
在对各所述激光雷达进行参数标定后，对由各所述激光雷达采集的第一点云进行点云预处理；
融合各所述激光雷达的预处理后第一点云得到第一融合点云；
通过深度神经网络对所述第一融合点云进行数据采集和标注，对标注后的点云进行分割和聚类，并进行目标分类识别，得到所述激光雷达目标跟踪结果；
对由所述至少一个毫米波雷达采集得到的第二点云进行融合处理和目标识别的步骤包括：
融合各所述毫米波雷达采集的第二点云得到第二融合点云；
对所述第二融合点云进行目标识别，得到所述毫米波雷达目标跟踪结果。
可选地，所述第一感知数据和所述第二感知数据基于NTP协议或UDP局域网进行时钟同步；
对所述摄像头目标跟踪结果、所述激光雷达目标跟踪结果和所述毫米波雷达目标跟踪结果进行目标级融合和目标轨迹估计的步骤包括：
将所述摄像头目标跟踪结果、所述激光雷达目标跟踪结果和所述毫米波雷达目标跟踪结果中同一目标的概率分布状态转换至同一坐标系下；
对转换后的同一目标的概率分布状态进行概率叠加计算。
可选地，所述预置的基础交通数据包括高精度地图、基建信息和交通法规；
所述车辆状态数据包括车速、车辆位置和导航轨迹；
所述根据所述目标识别结果、所述车辆状态数据和预置的基础交通数据进行所述交通区域的交通规划得到规划数据的步骤包括：
根据所述交通法规对各所述车辆的优先级进行判断；
根据判断出的各所述车辆的优先级以及所述目标识别结果、所述车辆状态数据和所述基础交通数据对所述交通区域内的车辆进行全局路径规划和各交通参与者的行为预测，并通过全局最优路径搜索方法搜索出所述第一车辆的最优行驶路径。
可选地，所述通过全局最优路径搜索方法搜索出所述第一车辆的最优行驶路径的步骤包括：
通过下式(3)计算有限元数值区间的解，以生成所有有限元数值区间的候选目标状态空间：
S Ti＝C Ti(θ Ti，r Ti)+S Ti+N Ti+R Ti (3)
其中，C Ti(θ Ti，r Ti)是第i步长(以Ti为时间间隔)的行驶目标，S Ti是人为引入的确定性微小扰动，N Ti是系统的测量噪声，R Ti是不可控目标随机可性能的描述；
计算每个所述候选目标状态空间的权重，并通过下式(4)对所有候选路径组成的集合进行搜索，选择出各目标均为最优且全局最优的所述第一车辆的最优行驶路径：
Max V＝∑w jV j＝∑w iS Ti (4)
其中，V j为第j个目标的候选路径最优权重，V为所述交通区域内的全局最优解,w表示针对当前目标或路径所设置的权重。
可选地，在广播规划数据时采用数据包广播分享机制；且
每个所述数据包包括帧头、第一密钥和多个第一子数据包，其中，所述第一密钥用于解析所述第一子数据包并携带有权限描述，以便接收到所述数据包的车辆根据自身授权的密钥与所述第一密钥的匹配结果和所述权限描述解析所述第一子数据包以获取相应的规划数据。
可选地，每个所述第一子数据包包括帧头、第二密钥和多个第二子数据包，其中，所述第二密钥用于解析所述第二子数据包并携带有权限描述。
根据本发明的另一方面，还提供了一种车路协同多车路径规划和路权决策方法，应用于装备有自动驾驶系统且具备路径和指令执行和路权决策功能的各第一车辆，所述方法包括：
向装备有边缘计算系统且包括感知模块的路基单元发送对自身周边环境的第二感知数据和自身的车辆状态数据；
接收并获取所述路基单元广播的规划数据，其中，所述规划数据是由所述路基单元根据所述感知模块采集的对所述路基单元所在的交通区域的第一感知数据和所述第二感知数据进行所述交通区域内的环境目标识别得到目标识别结果，并根据所述目标识别结果、所述车辆状态数据和预置的基础交通数据进行所述交通区域的交通规划得到的；所述规划数据至少包括各所述第一车辆的最优行驶路径和/或行驶指令以及所述交通区域内的除所述第一车辆以外的各交通参与者的预测行为；
根据获取到的所述规划数据和自身获取的当前环境数据进行路权决策，并进而根据所述路权决策的结果执行所述最优行驶路径和/或行驶指令。
可选地，所述规划数据在被所述路基单元广播前还由所述路基单元根据云端服务器下发的多区域分析结果进行调整；所述多区域分析结果是由所述云端服务器根据相关联的多个交通区域中的所述路基单元上传的目标识别结果和规划数据对各所述第一车辆在所述多个交通区域中的全程路径和所述多个交通区域中的其他车辆的行为进行统一分析和优化得到的。
可选地，所述规划数据是通过数据包广播分享机制广播的，且每个所述数据包包括帧头、第一密钥和多个第一子数据包，其中，所述第一密钥用于解析所述第一子数据包并携带有权限描述；
所述接收并获取所述路基单元广播的规划数据的步骤包括：
接收所述路基单元广播的数据包；
根据自身授权的密钥与所述第一密钥的匹配结果和所述权限描述解析所述数据包中的所述第一子数据包以获取相应的规划数据。
可选地，所述交通区域内还存在与所述路基单元通信连接且仅具备信息提示功能的第二车辆；所述规划数据还包括与所述第二车辆相关的信息提示指令；
所述方法还包括：
接收所述第二车辆发送的指令执行反馈信息，并根据所述指令执行反馈信息控制自身的驾驶行为，其中，所述指令执行反馈信息是由所述第二车辆在接收到所述路基单元广播的规划数据，根据所述规划数据中的所述信息提示指令向驾驶员进行信息提示并接收到所述驾驶员的相应驾驶操作后生成的。
根据本发明的再一方面，还提供了一种路基单元，其装备有边缘计算系统，且包括感知模块、通信模块和分析计算模块，其中
所述感知模块配置为采集对所述路基所在的交通区域的第一感知数据并将所述第一感知数据传递至所述分析计算模块；
所述通信模块配置为与具备联网通信能力的车辆通信，接收所述车辆发送的对自身周边环境的第二感知数据和自身的车辆状态数据，并将所述第二感知数据和所述车辆状态数据传递至所述分析计算模块，其中，所述车辆至少包括具备路径和指令执行和路权决策功能的至少一辆第一车辆；
所述分析计算模块配置为根据所述第一感知数据和所述第二感知数据进行所述交通区域内的环境目标识别得到目标识别结果，并根据所述目标识别结果、所述车辆状态数据和预置的基础交通数据进行所述交通区域的交通规划得到规划数据，其中，所述规划数据至少包括各所述第一车辆的最优行驶路径和/或行驶指令以及所述交通区域内的除所述第一车辆以外的各交通参与者的预测行为；
所述通信模块还配置为广播所得到的规划数据。
可选地，所述通信模块还配置为与云端服务器通信，以将所述目标识别结果和所述规划数据上传至所述云端服务器，并接收所述云端服务器下发的多区域分析结果，其中所述多区域分析结果是由所述云端服务器根据相关联的多个交通区域中的所述路基单元上传的目标识别结果和规划数据对各所述第一车辆在所述多个交通区域中的全程路径和所述多个交通区域中的其他车辆的行为进行统一分析和优化得到的；
所述分析计算模块还配置为根据所述多区域分析结果对所述规划数据进行调整；
所述通信模块还配置为广播调整后的规划数据。
可选地，所述感知模块包括下列至少之一：激光雷达、摄像头、毫米波雷达、红外设备、V2X路侧单元、定位装置、实时动态基站、雨量传感器；
所述分析计算模块还配置为通过多传感器融合算法对所述第一感知数据和所述第二感知数据进行融合和目标识别得到所述目标识别结果。
可选地，所述预置的基础交通数据包括高精度地图、基建信息和交通法规；
所述车辆状态数据包括车速、车辆位置和导航轨迹；
所述分析计算模块还配置为根据所述交通法规对各所述车辆的优先级进行判断；根据判断出的各所述车辆的优先级以及所述目标识别结果、所述车辆状态数据和所述基础交通数据对所述交通区域内的车辆进行全局路径规划和各交通参与者的行为预测，并通过全局最优路径搜索方法搜索出所述第一车辆的最优行驶路径。
根据本发明的又一方面，还提供了一种车路协同多车路径规划和路权决策系统，包括具备联网通信能力的多个车辆和与所述车辆通信连接的路基单元，其中
所述车辆至少包括具备路径和指令执行和路权决策功能的至少一辆第一车辆，且各所述车辆配置为采集对自身周边环境的第二感知数据，并将所述第二感知数据和自身的车辆状态数据发送至所述路基单元；
所述路基单元装备有边缘计算系统，且配置为获取对所述路基单元所在的交通区域的第一感知数据，根据所述第一感知数据和接收到的所述第二感知数据进行所述交通区域内的环境目标识别得到目标识别结果，根据所述目标识别结果、所述车辆状态数据和预置的基础交通数据进行所述交通区域的交通规划得到规划数据，并广播所得到的规划数据，其中所述规划数据至少包括各所述第一车辆的最优行驶路径和/或行驶指令以及所述交通区域内的除所述第一车辆以外的各交通参与者的预测行为；
各所述第一车辆配置为在接收到广播的规划数据后根据所接收的规划数据和自身获取的当前环境数据进行路权决策，并进而根据所述路权决策的结果执行所接收的规划数据中的最优行驶路径和/或行驶指令。
可选地，所述车辆还包括仅具备信息提示功能的第二车辆；
所述规划数据还包括与所述第二车辆相关的信息提示指令；并且
所述第二车辆配置为在接收到广播的规划数据后根据所述信息提示指令进行信息提示。
可选地，所述系统还包括与所述路基单元通信连接的云端服务器，其中
所述路基单元还配置为将所述目标识别结果和所述规划数据上传至所述云端服务器；
所述云端服务器配置为根据相关联的多个交通区域中的所述路基单元上传的目标识别结果和规划数据对各所述第一车辆在所述多个交通区域中的全程路径和所述多个交通区域中的其他车辆的行为进行统一分析和优化以得到多区域分析结果，并将所述多区域分析结果下发至所述路基单元；
所述路基单元还配置为根据所述多区域分析结果对所述规划数据进行调整，并广播调整后的规划数据。
本发明提供的车路协同多车路径规划和路权决策方法和系统以及路基单元中，通过路基单元集合路基单元的感知模块采集的环境信息和车辆传感设备采集的环境信息和车辆信息，结合边缘计算进行目标识别并进而进行多车的限区域内实时路径规划，并将规划数据向车辆广播，还利用具备路径和指令执行和路权决策功能的智能网联车辆执行路 权决策和路基单元规划的路径，从而提高车辆通行效率、多车交互合理性，并进一步改善区域路段的路权决策。
进一步地，本发明提供的车路协同多车路径规划和路权决策方法和系统以及路基单元中，通过多传感器融合技术对路基单元感知模块和车辆传感设备的感知数据进行融合分析，实现更精准的环境目标识别，从而提高系统的稳健性和目标识别的准确性。
进一步地，本发明提供的车路协同多车路径规划和路权决策方法和系统以及路基单元中，通过全局最优路径搜索方法进行交通区域环境下的全局最优规划，可以实现基于全局信息的路径最优和路权决策规划。
进一步地，本发明提供的车路协同多车路径规划和路权决策方法和系统以及路基单元中，通过云端服务器的统一分析和协调，实现单车全程路程及行为规划的优化，以及不同路段的交通协作和智慧交通服务的一致性。
进一步地，本发明提供的车路协同多车路径规划和路权决策方法和系统以及路基单元中，通过采用包含协议结构与密级的数据包广播分享机制，实现路径规划和路权决策结果的合理收发，保证信息交互的网络安全，并进一步保证各交通参与者实施路权过程中的安全性与对规划结果信息的预知判断。
根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述以及其他目的、优点和特征。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：
图1为根据本发明一实施例的车路协同多车路径规划和路权决策系统的示意图；
图2为根据本发明一实施例的路基单元的示意性结构框图；
图3为根据本发明一实施例的车路协同多车路径规划和路权决策系统的工作流程和原理示意图；
图4为根据本发明一实施例的应用于路基单元的车路协同多车路径规划和路权决策方法的流程示意图；
图5为根据本发明另一实施例的应用于路基单元的车路协同多车路径规划和路权决策方法的流程示意图；
图6为根据本发明一实施例的车路协同多车路径规划和路权决策方法中多传感器融合目标识别步骤的流程示意图；
图7为根据本发明一实施例的基于NTP协议时间同步中NTP协议数据的传输示意图；
图8为根据本发明一实施例的多传感器融合目标识别所应用场景的示意图；
图9为根据本发明一实施例的全局最优路径规划的示意图；
图10为根据本发明一实施例的广播分享机制下的数据包的结构示意图；
图11为根据本发明一实施例的应用于第一车辆的车路协同多车路径规划和路权决策方法的流程示意图；
图12为根据本发明另一实施例的应用于第一车辆的车路协同多车路径规划和路权决策方法的流程示意图；
图13为根据本发明一具体实施例的车路协同多车路径规划和路权决策方法的流程示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
智能网联车辆是指搭载先进的车载传感器、控制器、执行器等装置，并融合现代通信与网络技术，实现V2X(车与X，即人、车、路、云等)智能信息交换、共享，具备复杂环境感知、智能决策、协同控制等功能，可实现“安全、高效、舒适、节能”行驶，并最终可实现替代人来操作的新一代车辆。智能网联车辆已成为国际公认的未来发展方向和关注焦点之一。
智能网联车辆的分级可按照智能化与网联化两个层面区分。在智能化层面，发明人以较权威的美国SAE分级定义为基础，并考虑中国道路交通情况的复杂性，加入了对应级别下智能系统能够适应的典型工况特征，进行了车辆智能化的分级。表1示例性地示出不同智能化等级的特征。
表1车辆智能化等级
在网联化层面，按照网联通信内容的不同将其划分为辅助信息联网、环境感知信息联网、协同决策与控制三个等级。各网联化等级的特征如下表2所示。
表2车辆网联化等级
目前智能网联汽车只形成了初级的网联化和智能化，网联化主要体现在基本的信息服务领域，智能化主要体现在目前大量产业应用的ADAS领域，真正的深度网联化、智能化还处于酝酿阶段。现有技术中基于车路协同对车辆进行引导、预警、控制等的方案通常属于L1级别网联化应用；车辆路径规划方案主要针对的是离线导航的优化问题，不能实现动态规划；多车协作方案则通常只考虑了车间通信的应用，未考虑车与其他交通参与者之间的行为交互。
为解决或者至少部分地解决上述问题，本申请发明人针对L4级自动化与网联化的复合场景，提出了一种车路协同多车路径规划和路权决策方法、系统和路基单元，其通过将路基感知设备与车辆信息相结合，结合边缘计算进行多车的有限区域内实时路径规划，提高车辆通行效率、多车交互合理性，改善区域路段的多车、多交通参与者路权决策与通行效率，并进一步结合不同区域路段的远程信息交互，实现单车全程路程及行为规划的优化。
图1示出了本发明一实施例的车路协同多车路径规划和路权决策系统100的示意图。如图1所示，系统100至少包括具备联网通信能力的多个车辆和与这些车辆通信连接的路基单元1。一般地，这些车辆至少包括具备路径和指令执行和路权决策功能的至少一辆第一车辆2，且各车辆配置为采集对自身周边环境的第二感知数据，并将第二感知数据和自身的车辆状态数据发送至路基单元1。第一车辆2的路径和指令执行和路权决策功能一般可由其自身装备的自动驾驶系统实现。第二感知数据可由各车辆上装备的传感器(如激光雷达、毫米波雷达、摄像头等)采集得到。路基单元1可装备有边缘计算系统，且配置为获取对路基单元1所在的交通区域的第一感知数据，根据第一感知数据和接收到的第二感知数据进行交通区域内的环境目标识别得到目标识别结果，根据目标识别结果、车辆状态数据和预置的基础交通数据进行交通区域的交通规划得到规划数据，并广播所得到的规划数据，其中规划数据至少包括各第一车辆2的最优行驶路径和/或行驶指令以及交通区域内的除第一车辆2以外的各交通参与者的预测行为。各第一车辆2则配置为在接收到广播的规划数据后根据所接收的规划数据和自身获取的当前环境数据进行路权决策，并进而根据路权决策的结果执行所接收的规划数据中的最优行驶路径和/或行驶指令。
本发明实施例提供的车路协同多车路径规划和路权决策系统100，通过路基单元1集合路基单元1的感知模块11采集的环境信息和车辆传感设备采集的环境信息和车辆信息，结合边缘计算进行目标识别并进而进行多车的限区域内实时路径规划，并将规划数据向车辆广播，还利用具备路径和指令执行和路权决策功能的智能网联车辆执行路权决策和路基单元1规划的路径，从而提高车辆通行效率、多车交互合理性，并进一步改善区域路段的路权决策。
在一个进一步的实施例中，车辆还可以包括不具备路径和指令执行和路权决策功能而仅具备信息提示功能的第二车辆3。也即是说，第二车辆3不能自动执行规划的路径和 /或行驶指令，而仅能够对驾驶员进行信息提示以提醒驾驶员进行相应操作。在这种情况下，路基单元1所得到的规划数据还可以包括与第二车辆3相关的信息提示指令。第二车辆3被配置为在接收到广播的规划数据后根据与其相关的信息提示指令进行信息提示，从而使得第二车辆3的驾驶员可以根据信息提示进行相应的驾驶操作，以实现对第二车辆3的协同控制。
下面对系统100中涉及的路基单元1和各车辆进行详细介绍。
图2示出了根据本发明一实施例的路基单元1的示意性结构框图。如图2所示，路基单元1一般性可包括感知模块11、通信模块12和分析计算模块13。感知模块11配置为采集对路基所在的交通区域的第一感知数据并将第一感知数据传递至分析计算模块13。通信模块12配置为与具备联网通信能力的车辆通信，接收车辆发送的对自身周边环境的第二感知数据和自身的车辆状态数据，并将第二感知数据和车辆状态数据传递至分析计算模块13，其中，车辆至少包括具备路径和指令执行和路权决策功能的至少一辆第一车辆2。分析计算模块13配置为根据第一感知数据和第二感知数据进行交通区域内的环境目标识别得到目标识别结果，并根据目标识别结果、车辆状态数据和预置的基础交通数据进行交通区域的交通规划得到规划数据，其中，规划数据至少包括各第一车辆2的最优行驶路径和/或行驶指令以及交通区域内的除第一车辆2以外的各交通参与者的预测行为。通信模块12还配置为广播路基单元1所得到的规划数据。
具体而言，感知模块11主要完成对周边交通环境的识别，可包括但不限于激光雷达、摄像头、毫米波雷达、红外设备、V2X RSU(Road Side Unit，路侧单元)、定位装置(如高精定位装置)、RTK(Real-Time Kinematic，实时动态)基站、雨量传感器等。通信模块12基于无线通信技术(如5G/V2X通信技术)与周边元素进行信息(如路权分析、路径引导、其他单元的感知信息等)的交互。分析计算模块13主要由高性能的计算、存储设备构成，内部预置必须的相关基础交通数据，包括但不限于高精度地图、基建信息、交通法规等。交通法规具体地可包括本交通区域内特定的交通法规配置化信息，例如潮汐车道、分时限速等。分析计算模块13结合以上预置的基础交通数据与感知模块11获取的数据和通信模块12接收的数据，进行本区域内的交通规划。路基单元1是本发明的系统100的核心和重要组成部分之一。
第一车辆2是具有智能网联能力的车辆，也可以称为智能网联车辆，其基于无线通信技术(如5G/V2X通信技术)与周边元素、路基单元1进行信息交互，同时自车具有一定的感知、决策和自动控制能力，可以实现一定的自动驾驶功能(不限于高度自动驾驶能力)。可以理解，系统100中可能存在多于一辆的第一车辆2。为了便于描述，可将其中一辆第一车辆(如被控制的目标车辆)作为自车2a，其轨迹(即自车轨迹)4如图1所示，可以是人工驾驶状态、自车自动控制状态等情况下的轨迹，也可以是由路基单元1综合规划后下发至自车的轨迹。除自车外的其他第一车辆作为交互车辆2b。第二车辆3指不具备智能网联能力的普通交互车辆。交互车辆2b和第二车辆3的轨迹在图1中以5表示。需要说明的是，本文中的轨迹可以是车辆正在行驶中的轨迹、也可以是行驶过的、 或即将行驶的轨迹。
当然，系统100中还可以存在其他交通参与者6，例如不与路基单元1进行通信交互的普通车辆、行人、自行车、电动自行车等。这一类交通参与者往往不具备智能网联能力，且交通行为随机性较强、交通法规约束力较弱、交通事故中处于劣势，因此需要优先保护和考虑，一般具有较高的路权。
每个路基单元1与其周边交通区域内的元素(如第一车辆2、第二车辆3、其他交通参与者6、基建设施等)共同形成一区域交通生态系统。图1中以示例的方式示出了典型的区域交通生态系统A、区域交通生态系统B、区域交通生态系统C和其他各种可能的区域交通生态系统D。
在一个进一步的实施例中，系统100还可以包括与路基单元1通信连接的云端服务器7。路基单元1还配置为将目标识别结果和规划数据上传至云端服务器7。具体地，路基单元1通过通信模块12与云端服务器7通信，以将目标识别结果和规划数据上传至云端服务器7。云端服务器7配置为根据相关联的多个交通区域中的路基单元1上传的目标识别结果和规划数据对各第一车辆2在多个交通区域中的全程路径和多个交通区域中的其他车辆的行为进行统一分析和优化以得到多区域分析结果，并将多区域分析结果下发至路基单元1。具体地，路基单元1通过通信模块12接收云端服务器7下发的多区域分析结果。路基单元1还配置为通过分析计算模块13根据多区域分析结果对规划数据进行调整，并通过通信模块12广播调整后的规划数据。也即是说，此时路基单元1所得到并广播的规划数据为根据多区域分析结果调整后的规划数据，进而，各第一车辆2根据接收到的调整后的规划数据和自身获取的当前环境数据进行路权决策，并根据路权决策的结果执行所接收的调整后的规划数据中的最优行驶路径和/或行驶指令，各第二车辆3则根据接收到的调整后的规划数据中的信息提示指令进行信息提示。
具体而言，每个路基单元1可与云端服务器7进行信息分享。为了实现路基单元1与云端服务器7之间的信息分享，系统100还包括路基单元1与云端服务器7之间的通信链路8，例如5G通信链路。云端服务器7可以通过5G远程通信接收多个区域交通生态系统中路基单元1提供的交通信息，进行更综合的后台分析，并将相关结果和信息分享下发至需要的路基单元1。
本发明实施例提供的车路协同多车路径规划和路权决策系统100，通过云端服务器7的统一分析和协调，实现单车全程路程及行为规划的优化，以及不同路段的交通协作和智慧交通服务的一致性。
图3示出了根据本发明一实施例的车路协同多车路径规划和路权决策系统100的工作流程和原理示意图。如图3所示，在系统100的工作中，首先，路基单元1通过接收相关信息并进行相关处理，传递至决策规划功能模块(即分析计算模块13)。例如，路基单元1通过自身配置的传感器，通过数据分析处理和目标识别算法得到当前区域内各目标的位置、类型、速度等数据，或结合V2X通信获取周边目标主动提供的各交通参与单元分享的数据。然后，决策规划功能模块基于上述感知结果，通过计算得到当前交通 生态系统的最优规划方案，包括不同类型交通参与单元的最优行驶路径、交互方案、以及对各单元行为的预测分析。最后，路基单元1进一步通过分配通信模块12进行路权分析，引导、控制当前生态系统内的各单元，使各单元协同工作并兼容，例如，静默单元(如第二车辆3、其他交通参与者6等)会得到适当的交通警示但不对其行为进行控制，模块协作单元(即第一车辆2)可以执行路基单元1规划的轨迹和路权决策。
此外，路基单元1会通过通信链路8与云端服务器7完成各区域交通生态系统的信息交互。由运行在云端服务器7的宏观分析系统，对若干有关联的微观区域交通生态系统进行统一分析，进行各区域交通路段的配置和参数合理分布，实现单车全程路程及行为规划的优化，以及不同路段的交通协作和智慧交通服务一致性。例如，场景B中自车为执行任务的消防车，场景A为消防车即将进入的路段，通过云端服务器7的统一协调，可以提前使场景A中会对消防车产生干扰的车辆或交通灯提前预备，实现消防车尽快通过。
关于路基单元1进行目标识别和交通规划的具体步骤，以及第一车辆2与第二车辆3之间的交互方案，将在下面的方法的描述中进行详细说明，此处不另赘述。
图4示出了根据本发明一实施例的应用于路基单元1的车路协同多车路径规划和路权决策方法的流程示意图。路基单元1装备有边缘计算系统，且包括感知模块11。如图4所示，该方法至少可以包括以下步骤S402至S410。
步骤S402，获取感知模块11采集的对路基单元1所在的交通区域的第一感知数据。
步骤S404，接收与路基单元1通信连接的各车辆发送的对自身周边环境的第二感知数据和自身的车辆状态数据，车辆至少包括具备路径和指令执行和路权决策功能的至少一辆第一车辆2。
步骤S406，根据第一感知数据和第二感知数据进行交通区域内的环境目标识别得到目标识别结果。
步骤S408，根据目标识别结果、车辆状态数据和预置的基础交通数据进行交通区域的交通规划得到规划数据，其中，规划数据至少包括各第一车辆2的最优行驶路径和/或行驶指令以及交通区域内的除第一车辆2以外的各交通参与者的预测行为。
步骤S410，广播所得到的规划数据，以便各第一车辆2在接收到广播的规划数据后根据所接收的规划数据和自身获取的当前环境数据进行路权决策，并进而根据路权决策的结果执行所接收的规划数据中的最优行驶路径和/或行驶指令。
进一步地，与路基单元1通信连接的车辆还可以包括仅具备信息提示功能的第二车辆3。路基单元1所得到并广播的规划数据还可以包括与第二车辆3相关的信息提示指令，以便第二车辆3在接收到广播的规划数据后根据信息提示指令进行信息提示，从而使得第二车辆3的驾驶员可以根据信息提示进行相应的驾驶操作。
图5示出了根据本发明另一实施例的应用于路基单元1的车路协同多车路径规划和路权决策方法的流程示意图。如图5所示，在一个优选的实施例中，该方法在步骤S408得到规划数据后，还可以包括以下步骤S4091至S4093。
步骤S4091，将目标识别结果和规划数据上传至云端服务器7。此步骤通过通信模块12进行。
步骤S4092，接收云端服务器7下发的多区域分析结果，其中多区域分析结果是由云端服务器7根据相关联的多个交通区域中的路基单元1上传的目标识别结果和规划数据对各第一车辆2在多个交通区域中的全程路径和多个交通区域中的其他车辆的行为进行统一分析和优化得到的。此步骤通过通信模块12进行。
步骤S4093，根据多区域分析结果对规划数据进行调整得到调整后的规划数据。此步骤通过分析计算模块13进行。
相应地，上文步骤S410具体实施为：广播调整后的规划数据。
本实施例中其他步骤S402至S408与前文相同，不再重复说明。
如前所述，路基单元1的感知模块11可以是激光雷达、摄像头、毫米波雷达、红外设备、V2X路侧单元、定位装置、实时动态基站、雨量传感器等中的一种或多种感知设备。类似地，车辆上装备的传感器也可以是激光雷达、毫米波雷达、摄像头等中的一种或多种感知设备。也即是说，第一感知数据和第二感知数据可以是多源传感器数据。路基单元1和网联车辆单元均具备多种网联化传感器，具有环境识别能力，但考虑到各单元的识别精度、可靠性、遮挡等状况，导致进行区域路段全局规划时往往出现信息缺失或可靠性较低。因此，本发明提出将交通区域内的各单元感知信息进行融合分析，实现更精准的环境目标识别。在一个实施例中，在步骤S406中可以通过多传感器融合算法对第一感知数据和第二感知数据进行融合和目标识别得到目标识别结果。
在一个具体的实施例中，第一感知数据和第二感知数据可以是由至少一个摄像头、至少一个激光雷达和至少一个毫米波雷达采集得到的。此处的摄像头、激光雷达和毫米波雷达可以是全部设置在路基单元1或车辆上，也可以部分设置在路基单元1，另一部分设置在车辆上。在这种情况下，通过多传感器融合算法对第一感知数据和第二感知数据进行融合和目标识别得到目标识别结果的步骤可以具体包括：首先，对由至少一个摄像头采集得到的图像、由至少一个激光雷达采集得到的第一点云以及由至少一个毫米波雷达采集得到的第二点云分别进行融合处理和目标识别，得到摄像头目标跟踪结果、激光雷达目标跟踪结果和毫米波雷达目标跟踪结果；然后，对摄像头目标跟踪结果、激光雷达目标跟踪结果和毫米波雷达目标跟踪结果进行目标级融合和目标轨迹估计，得到目标识别结果，目标识别结果包括融合后的目标列表、交通流量统计值和交通区域内特殊事件记录。
图6示出了根据本发明一实施例的车路协同多车路径规划和路权决策方法中多传感器融合目标识别步骤的流程示意图。如图6所示，对由至少一个摄像头采集得到的图像进行融合处理和目标识别的步骤可以包括：在对各摄像头进行外参和内参标定后，对由各摄像头采集的图像进行图像预处理；通过深度神经网络对预处理后的图像进行数据采集和标注，并对标注后的数据进行目标物体检测得到目标检测结果；对各摄像头的目标检测结果进行融合得到融合图像；根据高精度地图信息对融合图像进行2D-3D变换，得 到摄像头目标跟踪结果。通过深度神经网络进行目标检测的方法应为本领域所熟知，不再另行说明。
对由至少一个激光雷达采集得到的第一点云进行融合处理和目标识别的步骤可以包括：在对各激光雷达进行参数标定后，对由各激光雷达采集的第一点云进行点云预处理；融合各激光雷达的预处理后第一点云得到第一融合点云；通过深度神经网络对第一融合点云进行数据采集和标注，对标注后的点云进行分割和聚类，并进行目标分类识别，得到激光雷达目标跟踪结果。通过深度神经网络进行点云分割和聚类以及目标分类识别的方法应为本领域所熟知，不再另行说明。
对由至少一个毫米波雷达采集得到的第二点云进行融合处理和目标识别的步骤可以包括：融合各毫米波雷达采集的第二点云得到第二融合点云；对第二融合点云进行目标识别，得到毫米波雷达目标跟踪结果。
多传感器融合的基本原理就是充分利用多个传感器的优势资源，把多个传感器获得在空间或时间上的冗余或互补信息依据某种准则算法进行融合，从而使系统检测获得更优越的性能。本发明实施例通过多传感器融合技术对路基单元1感知模块11和车辆传感设备的感知数据进行融合分析，实现更精准的环境目标识别，从而提高系统的稳健性和目标识别的准确性。
在一些实施例中，在将路基单元1与交通单元传感器检测目标识别的关联融合前，还可以将各个传感器(毫米波雷达、激光雷达、摄像头)的时间都统一到参考的标准时间上，即，将第一感知数据和第二感知数据进行时钟同步，以保证多源传感器数据融合的高精度。
在一种实施方式中，第一感知数据和第二感知数据可基于NTP(Network Time Protocol，网络时间协议)进行时钟同步。具体地，基于NTP协议，接入网联系统链路中的传感器可以通过NTP时间服务器进行时钟源同步，进行高精准度的时间校正。
基于NTP协议进行时钟同步的步骤如下：
1)客户端(传感器终端)向NTP服务器发出时间同步请求。
2)NTP服务器接收到请求后发出调校时间。
3)客户端接收到NTP服务器的消息后，进行调整，从而完成时间同步。
图7示出了根据本发明一实施例的基于NTP协议时间同步中NTP协议数据的传输示意图。如图7所示，基于NTP协议进行时间同步是由客户端提出请求，服务器接收到请求后向客户端发送应答报文。图中的C1和C2分别为客户端发出报文和接收报文的时刻，S1和S2是服务器接收到报文和发出报文的时刻。假设两次报文传递的网络延时相同，这样当客户端接收到服务器发送的报文后，就可以得到服务器时间与客户端之间的时间偏差为： 从而得出网络延时为： NTP协议通过多个传感器或服务器之间的协议通信实现感知数据的时间同步。
在另一种可替换的实施方式中，第一感知数据和第二感知数据可基于UDP(User Datagram Protocol，用户数据报协议)局域网进行时钟同步。基于UDP局域网时钟同步 方法，可以不需要外部高精度时钟源进行时间同步，但只能实现局域网内的相对时间同步，并且精度受网络流量影响。
另外，路基单元1对周边交通环境的感知识别，除可以采用传统的激光雷达、毫米波雷达、摄像头、红外传感器等传感器外，识别手段还可以包括基于V2X的自车信息分享、路面铺设感应器等方式。为获取更全面的感知信息用于更优的路径规划，感知数据也不仅限于目标类型、速度、位置等信息，也可以进一步包括区域的可行驶空间、天气情况、路面坡度等。
在一个实施例中，在得到各目标跟踪结果后，对摄像头目标跟踪结果、激光雷达目标跟踪结果和毫米波雷达目标跟踪结果进行目标级融合和目标轨迹估计的步骤可以具体包括：将摄像头目标跟踪结果、激光雷达目标跟踪结果和毫米波雷达目标跟踪结果中同一目标的概率分布状态转换至同一坐标系下；对转换后的同一目标的概率分布状态进行概率叠加计算。
下面结合图8对被识别目标车的概率分布状态转换和概率叠加计算进行说明。图8示出了根据本发明一实施例的多传感器融合目标识别所应用场景的示意图。如图8所示，目标车被路基单元1、智能网联交互车辆2b、智能网联自车2a分别识别到，获得了如式(1)的在不同坐标系下的目标状态：
Ω＝f(Ω ijk)＝f(C i@R j@S k) (1)
在式(1)中，Ω表示目标的概率状态，是以概率分布形式描述的目标各参数状态空间，如位置、速度、类型、以及包括其他可观测或可预测的抽象量，如优先级、行为趋势等；
f(·)表示对上述概率分布形式的叠加，实现更精准的概率分布统计；
Ω ijk＝C i@R j@S k表示第k个传感器识别到的、在第j个坐标系下、第i组状态坐标。？表示由于被遮挡而无法判断到目标。
以正态分布为例计算，则Ω 1和Ω 2分别为：
Ω 1和Ω 2分别表示两组状态在不同单元上的不同传感器、经坐标转换后在同一坐标系下的状态分布，符合正态分布，则它们叠加后的概率密度为卷积积分，如下式(2)所示：
如此，通过无线通信(如5G/V2X通信)交换，由路基单元1联合各网联单元，将区域路段的不同单元的感知源信息进行同步，将多个感知源在不同坐标系下感知结果，转化为同一坐标系下的状态，通过概率叠加的计算，不仅实现了更精准的状态估计，而且通过信息共享，可以解决由于遮挡问题导致的无法识别到有效目标的问题。
在一个实施例中，路基单元1中预置的基础交通数据可包括高精度地图、基建信息和交通法规。各车辆的车辆状态数据可包括车速、车辆位置和导航轨迹。在这种情况下， 步骤S408可以具体包括：根据交通法规对各车辆的优先级进行判断；根据判断出的各车辆的优先级以及目标识别结果、车辆状态数据和基础交通数据对交通区域内的车辆进行全局路径规划和各交通参与者的行为预测，并通过全局最优路径搜索方法搜索出第一车辆2的最优行驶路径。
进一步地，通过全局最优路径搜索方法搜索出第一车辆2的最优行驶路径的步骤可以包括：
首先，通过下式(3)计算有限元数值区间的解，以生成所有有限元数值区间的候选目标状态空间：
S Ti＝C Ti(θ Ti，r Ti)+S Ti+N Ti+R Ti (3)
其中，C Ti(θ Ti，r Ti)是算法求解过程中第i步长(以Ti为时间间隔)的行驶目标；S Ti是为考虑多样性和系统鲁棒性而人为引入的确定性微小扰动；N Ti是系统的测量噪声(即，相关状态的不确定性)；R Ti是不可控目标随机可性能的描述，例如行人在当前步长时间可能出现的移动方向，通过引入本变量，可以将不同等级的自动化/网联化系统与不同配置的交通参与者的行为引入考虑，实现对区域道路的兼容最大化。
然后，计算每个候选目标状态空间的权重，并通过下式(4)对所有候选路径组成的集合进行搜索，选择出各目标均为最优且全局最优的第一车辆2的最优行驶路径：
Max V＝∑w jV j＝∑w iS Ti (4)
其中，V j为第j个目标的候选路径最优权重，V为交通区域内的全局最优解,w表示针对当前目标或路径所设置的权重。
下面结合图9对区域交通环境下的全局最优规划进行具体说明。图9示出了根据本发明一实施例的全局最优路径规划的示意图，其中细实线为自车的候选路径，粗点画线为自车的最优路径。如图9所示场景，自车将在前方路口右转，右转后有一被识别的目标车，虚线为自车的导航轨迹，由于路口转弯的盲区或建筑遮挡等，自车并不能通过自车传感器及时发现目标车对自车轨迹的影响。通过前述信息交互方式，路基单元1获取到自车导航轨迹、位置、速度等可共享数据，以及目标车的位置、速度等可共享数据，并根据内建的交通法规原则、对各车辆的优先级判断(如自车为救护车、目标车为普通汽车)，通过对区域路段进行全局路径规划，搜索出全局最优的自车轨迹，并引导目标车提前减速并让行自车。通过上述方法，可以实现基于全局信息的路径最优和路权决策规划。
全局最优路径搜索方法可以通过上式(3)计算有限元数值区间的解，其中本例中C Ti(θ Ti，r Ti)以极坐标形式表述。以上述极坐标形式描述的状态空间内，在第i步长计算过程中，以上一时刻规划的目标状态(或自车初始位置)为原点，在空间内均匀(如r Ti由0m以0.1m为间隔取值至10m，θ Ti由0°以1°为间隔取值至359°)生成下一步长的目标状态，其中车辆的变速过程可以通过不同Ti间隔后到达目标r Ti的远近体现，转向过程可以通过不同Ti间隔后到达目标θ Ti的幅值体现。
在生成以上所有有限元数值区间的候选目标状态空间后，可以计算每个状态空间的 权重(得分)，并最终通过上式(4)选择出各目标均为最优、且全局最优的规划。
传统的智能交通系统或智能网联车辆，一方面由于完整全面的路段场景信息的获取非常困难，另一方面由于各单元为独立工作且受限于成本和能耗，不能进行如上的最优化求解。而上述优化方法由于穷举了可行空间内所有的有限可能，计算量非常巨大。但本实施例中，结合路基单元强大的计算能力，以及与周边单元的信息共享，使得全局解集空间与求解实时性的得到了保证，因此具有可实施性。
此外，借助于路基单元与其他交通单元、甚至云端服务器7的通信共享能力，能够形成解决区域路段的计算求解局域网络，能够有效分布计算力并相互形成备份，不但使区域内各路段计算负载最优，而且能提高可靠性，避免单个单元的失效影响整个交通生态系统。
进一步地，通过如上的局域网络求解机制，也可以进一步降低单车的计算负载，实现在降低单车成本而不显著增加基建等社会总投入的前提下，仍能保证更优的交通通行效率和安全问题。
需要注意的是，前述的路径规划和路权决策方法的全局规划最优算法中，路径规划(位移形式)只是其中典型的一种结果。在其他实施例中，也可以对多种行为、不同层级的行为进行规划，如车辆是否应该启停、变道等驾驶策略层的规划。此外，求解最优解中，对各权重定义方式可以根据不同场景动态定义，实现不同场景下的优化。例如，当夜晚行人较少、且不容易被驾驶员注意到时，对行人碰撞避免的权重因子可以适当提高，以便车辆行驶在相对不易于与行人碰撞的车道。
在一个进一步的实施例中，为了保证信息交互的网络完全，可以引入包含协议结构与密级的数据分享机制。具体地，可以在广播规划数据(直接由路基单元1得到的规划数据，或根据多区域分析结果调整后的规划数据)时可采用数据包广播分享机制。
由于通过路基单元1链接了其他各交通单元和云端服务器7，因此相关数据的传递、分享需要一套涉及协议结构与密级划分的数据分享机制。结合5G/V2X通信高带宽、低延时、快速连通的特性，本发明实施例在通信的应用层采用数据包广播分享的机制，以便实现数据密级的动态控制。图10示出了根据本发明一实施例的广播分享机制下的数据包的结构示意图。如图10所示，每个数据包可包含帧头、第一密钥和多个第一子数据包。帧头描述了本包数据的长度、起始位置、时间戳等公开信息。第一密钥用于解析后续的第一子数据包并携带有权限描述，以便接收到数据包的车辆根据自身授权的密钥与第一密钥的匹配结果和权限描述解析第一子数据包以获取相应的规划数据，也就是说，只有接收单元在有对应第一秘钥的前提下，才可以进一步解析后续相关子数据包。第一秘钥的权限可以同时进行动态的更新，以便在不同权限等级下获取不同的数据内容。第一子数据包描述了所分享信息的具体内容。
进一步地，每一个第一子数据包可以进一步拓展为帧头、第二秘钥和多个第二子数据包。第一子数据包的帧头、第二密钥和第二子数据包的描述定义与前述的数据包的帧头、第一密钥和第一子数据包的描述定义相同。每一个第二子数据包可以同样的方式进 一步拓展，以此类推。通过这样的递归嵌套格式，可以实时的根据需要切割数据。
例如，当路基单元1要求智能网联自车提前制动、以便避让其盲区内可能发生碰撞的行人时，智能网联自车接收到相关数据包，通过帧头确认数据长度、秘钥解析后确定所应关注的子数据包、解析子数据包后执行制动指令，完成行人避让。同时，在自车后有一普通交互车辆(第二车辆3)，只具备信息警示与提示功能、并不具备执行指令的能力，通过接收上述同一数据包、并通过临时授权的秘钥、可以进一步解析子数据包内容中的信息提示指令，提前知道前车将要进行制动，将相关信息警示给驾驶员，以便驾驶员提前采取行动。进一步，普通交互车辆会将当前执行的减速度通过同样的数据包结构传递至自车，以便自车采取合理的制动速度，既避免碰撞行人、又保证不使后车追尾。当上述过程完成后，路基单元1分享给自车后面的普通交互车辆的秘钥将失效，而该普通交互车辆也不再能进一步读取到其他与己不相关的指令，也由于秘钥失效而不能向自车发送信息，这样可以保证各个交通单元具有合适的指令权限，保证通信和各单元执行路权行为的网络安全。
相应地，本发明也提供了一种应用于第一车辆2的车路协同多车路径规划和路权决策方法。图11示出了根据本发明一实施例的应用于第一车辆2的车路协同多车路径规划和路权决策方法的流程示意图。装备有自动驾驶系统且具备路径和指令执行和路权决策功能。如图11所示，该方法至少可以包括以下步骤S1102至步骤S1106。
步骤S1102，向装备有边缘计算系统且包括感知模块11的路基单元1发送对自身周边环境的第二感知数据和自身的车辆状态数据。
步骤S1104，接收并获取路基单元1广播的规划数据，其中，规划数据是由路基单元1根据感知模块11采集的对路基单元1所在的交通区域的第一感知数据和第二感知数据进行交通区域内的环境目标识别得到目标识别结果，并根据目标识别结果、车辆状态数据和预置的基础交通数据进行交通区域的交通规划得到的；规划数据至少包括各第一车辆2的最优行驶路径和/或行驶指令以及交通区域内的除第一车辆2以外的各交通参与者的预测行为。
步骤S1106，根据获取到的规划数据和自身获取的当前环境数据进行路权决策，并进而根据路权决策的结果执行最优行驶路径和/或行驶指令。
在一个进一步的实施例中，规划数据在被路基单元1广播前还由路基单元1根据云端服务器7下发的多区域分析结果进行调整，且多区域分析结果是由云端服务器7根据相关联的多个交通区域中的路基单元1上传的目标识别结果和规划数据对各第一车辆2在多个交通区域中的全程路径和多个交通区域中的其他车辆的行为进行统一分析和优化得到的。相应地，此时步骤S1104中第一车辆2接收并获取的是路基单元1广播的调整后的规划数据。
在一个进一步的实施例中，规划数据是通过数据包广播分享机制广播的，且每个数据包包括帧头、第一密钥和多个第一子数据包，其中，第一密钥用于解析第一子数据包并携带有权限描述。相应地，步骤S1104中接收并获取路基单元1广播的规划数据的步 骤可包括：接收路基单元1广播的数据包；根据自身授权的密钥与第一密钥的匹配结果和权限描述解析数据包中的第一子数据包以获取相应的规划数据。
本实施例中的数据包广播分享机制所采用的协议结构与密级划分与前文相同，也即是说，广播的数据包也可以采用递归嵌套格式，以实时的根据需要切割数据，第一车辆2根据授权的密钥和权限进行相应的规划数据的提取。
图12示出了根据本发明另一实施例的应用于第一车辆2的车路协同多车路径规划和路权决策方法的流程示意图。本实施例中，交通区域内还存在与路基单元1通信连接且仅具备信息提示功能的第二车辆3，规划数据还包括与第二车辆3相关的信息提示指令。如图12所示，在步骤S1106之后，该方法还可以包括以下步骤S1108：
步骤S1108，接收第二车辆3发送的指令执行反馈信息，并根据指令执行反馈信息控制自身的驾驶行为，其中，指令执行反馈信息是由第二车辆3在接收到路基单元1广播的规划数据，根据规划数据中的信息提示指令向驾驶员进行信息提示并接收到驾驶员的相应驾驶操作后生成的。
下面通过一具体实施例对本发明的车路协同多车路径规划和路权决策方法的实现过程进行具体介绍。图13示出了根据本发明一具体实施例的车路协同多车路径规划和路权决策方法的流程示意图。本具体实施例中结合了路基单元1、云端服务器7、第一车辆2和第二车辆3。如图13所示，该方法可以包括以下步骤S1302至S1324。
步骤S1302，第一车辆2和第二车辆3将对自身周边环境的第二感知数据和自身的车辆状态数据发送至路基单元1。
步骤S1304，路基单元1获取感知模块11采集的对路基单元1所在的交通区域的第一感知数据。
步骤S1302和步骤S1304的顺序可以互换，也可以同时进行，这并不会影响本发明方案的实现。
步骤S1306，路基单元1根据第一感知数据和第二感知数据进行交通区域内的环境目标识别得到目标识别结果。
步骤S1308，路基单元1根据目标识别结果、车辆状态数据和预置的基础交通数据进行交通区域的交通规划得到规划数据。规划数据包括各第一车辆2的最优行驶路径和/或行驶指令，交通区域内的除第一车辆2以外的各交通参与者的预测行为，以及与第二车辆3相关的信息提示指令。
步骤S1310，路基单元1将目标识别结果和规划数据上传至云端服务器7。
步骤S1312，云端服务器7根据相关联的多个交通区域中的路基单元1上传的目标识别结果和规划数据对各第一车辆2在多个交通区域中的全程路径和多个交通区域中的其他车辆的行为进行统一分析和优化，得到多区域分析结果。
步骤S1314，云端服务器7将多区域分析结果下发至路基单元1。
步骤S1316，路基单元1根据多区域分析结果对规划数据进行调整得到调整后的规划数据。
步骤S1318，路基单元1广播调整后的规划数据。
步骤S1320，第一车辆2接收并获取路基单元1广播的规划数据，根据获取到的规划数据和自身获取的当前环境数据进行路权决策，并进而根据路权决策的结果执行最优行驶路径和/或行驶指令。
步骤S1322，第二车辆3接收并获取路基单元1广播的规划数据，根据获取到的规划数据中的信息提示指令进行信息提示，并在接收到驾驶员的相应驾驶操作后生成指令执行反馈信息发送至第一车辆2。
需要说明的是，步骤S1320和步骤S1322之间并没有严格的先后顺序，它们可以是同时进行的，也可以互换顺序。
步骤S1324，第一车辆2接收第二车辆3发送的指令执行反馈信息，并根据指令执行反馈信息控制自身的驾驶行为。
本发明实施例通过将路基感知设备与车辆信息相结合，结合边缘计算进行多车在有限区域内的实时路径规划，提高交通系统通行效率、交互合理性。优点主要体现在实时性、全局性与可靠性等方面。具体地，本发明通过基于5G/V2X等智能网联基础技术，结合边缘计算实现对当前路段的交通状况进行实时推演，并将决策结果实时推送到各执行终端(智能网联车辆)，实现各智能网联车辆在区域路段的自动驾驶。因此，具有实时性、现场性的优势。并且，本发明通过智能网联车辆与路基感知、计算资源的信息共享与协同，使得交通决策系统可以获得更全面、更完整的信息，用于路权决策与交通规划，因此，具有更全局的优化结果。另外，本发明通过智能网联交通基建、智能网联车辆的计算负载均衡化、分布式，形成各交通参与者的有效相互备份机制，并且通过相关信息传递的协议结构与密级的分享机制、以及与乘员的交互方案，保证路权决策与交通规划结果执行过程中的信息安全、结果可控，因此，具有平均成本更低的高可靠性。
根据上述任意一个可选实施例或多个可选实施例的组合，本发明实施例能够达到如下有益效果：
(1)解决了全局优化区域路段的多车、多交通参与者的路权决策、通行效率与交通安全问题。通过智能网联车辆与路基感知、计算资源的信息共享与协同，形成信息动态传递、共享交互的交通生态，使区域内的交通规划系统可以获得更全面、完整的信息，可以实现区域路段各自动驾驶车辆的行驶轨迹全局、各交通参与者的路权调度，从而提高自动驾驶系统应对复杂场景的能力，兼容不同等级的自动化/网联化系统与不同配置的交通参与者，实现区域路段的系统级路权决策方案。进一步，在实现提高自动驾驶系统应对复杂场景的能力、以及兼容更多不同情况的交通参与者的基础上，通过路基边缘计算系统与车载自动驾驶系统的网联交互，共享计算资源和数据分析结果，实现在降低单车成本而不显著增加基建等社会总投入的前提下，仍能保证更优的交通通行效率和安全问题。
(2)本发明在实现解决上述区域路段的路权决策基础上，通过智能网联基础架构方案，能够使单车获得更丰富、更实时的当前通行和预测路段的通行信息，实现单车更优 的全程通行结果，从而实现单车全程路程及行为规划的优化。
(3)通过智能网联基础架构对不同路段的信息共享，实现不同路段的交通协作。通过边缘计算和后台服务的升级不断适应新的场景问题，实现智能交通系统提供相关服务的一致性，从而提高不同路段的交通协作和智慧交通服务一致性。
(4)在以上交通系统网络安全的基础上，本发明提出包含协议结构与密级的分享机制、以及与乘员的交互方案，实现路权决策结果的合理收发，保证信息交互的网络安全，并进一步保证各交通参与者实施路权过程中的安全性与对规划结果信息的预知判断，从而保障路权规划系统的数据通信分发系统与交通系统的网络安全。
(5)通过智能网联车辆与路基感知、计算资源的信息共享与协同，使计算负载均衡化、分布式，形成各交通参与者的有效相互备份机制，从而提高区域路段交通系统决策规划的可靠性与安全性。
至此，本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。

Claims (22)

  1. 一种车路协同多车路径规划和路权决策方法，应用于装备有边缘计算系统的路基单元，所述路基单元包括感知模块，所述方法包括：
    获取所述感知模块采集的对所述路基单元所在的交通区域的第一感知数据；
    接收与所述路基单元通信连接的各车辆发送的对自身周边环境的第二感知数据和自身的车辆状态数据，所述车辆至少包括具备路径和指令执行和路权决策功能的至少一辆第一车辆；
    根据所述第一感知数据和所述第二感知数据进行所述交通区域内的环境目标识别得到目标识别结果；
    根据所述目标识别结果、所述车辆状态数据和预置的基础交通数据进行所述交通区域的交通规划得到规划数据，其中，所述规划数据至少包括各所述第一车辆的最优行驶路径和/或行驶指令以及所述交通区域内的除所述第一车辆以外的各交通参与者的预测行为；
    广播所得到的规划数据，以便各所述第一车辆在接收到广播的规划数据后根据所接收的规划数据和自身获取的当前环境数据进行路权决策，并进而根据所述路权决策的结果执行所接收的规划数据中的最优行驶路径和/或行驶指令。
  2. 根据权利要求1所述的车路协同多车路径规划和路权决策方法，其中，所述车辆还包括仅具备信息提示功能的第二车辆；
    所述规划数据还包括与所述第二车辆相关的信息提示指令，以便所述第二车辆在接收到广播的规划数据后根据所述信息提示指令进行信息提示。
  3. 根据权利要求1或2所述的车路协同多车路径规划和路权决策方法，其中，在根据所述目标识别结果、所述车辆状态数据和预置的基础交通数据进行所述交通区域的交通规划得到规划数据之后，所述方法还包括：
    将所述目标识别结果和所述规划数据上传至云端服务器；
    接收所述云端服务器下发的多区域分析结果，其中所述多区域分析结果是由所述云端服务器根据相关联的多个交通区域中的所述路基单元上传的目标识别结果和规划数据对各所述第一车辆在所述多个交通区域中的全程路径和所述多个交通区域中的其他车辆的行为进行统一分析和优化得到的；
    根据所述多区域分析结果对所述规划数据进行调整得到调整后的规划数据；
    所述广播所得到的规划数据的步骤包括：
    广播调整后的规划数据。
  4. 根据权利要求1所述的车路协同多车路径规划和路权决策方法，其中，所述感知模块包括下列至少之一：激光雷达、摄像头、毫米波雷达、红外设备、V2X路侧单元、定位装置、实时动态基站、雨量传感器；
    所述根据所述第一感知数据和所述第二感知数据进行所述交通区域内的环境目标识 别得到目标识别结果的步骤包括：
    通过多传感器融合算法对所述第一感知数据和所述第二感知数据进行融合和目标识别得到所述目标识别结果。
  5. 根据权利要求4所述的车路协同多车路径规划和路权决策方法，其中，所述第一感知数据和所述第二感知数据是由至少一个摄像头、至少一个激光雷达和至少一个毫米波雷达采集得到的；
    所述通过多传感器融合算法对所述第一感知数据和所述第二感知数据进行融合和目标识别得到所述目标识别结果的步骤包括：
    对由所述至少一个摄像头采集得到的图像、由所述至少一个激光雷达采集得到的第一点云以及由所述至少一个毫米波雷达采集得到的第二点云分别进行融合处理和目标识别，得到摄像头目标跟踪结果、激光雷达目标跟踪结果和毫米波雷达目标跟踪结果；
    对所述摄像头目标跟踪结果、所述激光雷达目标跟踪结果和所述毫米波雷达目标跟踪结果进行目标级融合和目标轨迹估计，得到所述目标识别结果，所述目标识别结果包括融合后的目标列表、交通流量统计值和所述交通区域内特殊事件记录。
  6. 根据权利要求5所述的车路协同多车路径规划和路权决策方法，其中，对由所述至少一个摄像头采集得到的图像进行融合处理和目标识别的步骤包括：
    在对各所述摄像头进行外参和内参标定后，对由各所述摄像头采集的图像进行图像预处理；
    通过深度神经网络对预处理后的图像进行数据采集和标注，并对标注后的数据进行目标物体检测得到目标检测结果；
    对各所述摄像头的目标检测结果进行融合得到融合图像；
    根据高精度地图信息对所述融合图像进行2D-3D变换，得到所述摄像头目标跟踪结果；
    对由所述至少一个激光雷达采集得到的第一点云进行融合处理和目标识别的步骤包括：
    在对各所述激光雷达进行参数标定后，对由各所述激光雷达采集的第一点云进行点云预处理；
    融合各所述激光雷达的预处理后第一点云得到第一融合点云；
    通过深度神经网络对所述第一融合点云进行数据采集和标注，对标注后的点云进行分割和聚类，并进行目标分类识别，得到所述激光雷达目标跟踪结果；
    对由所述至少一个毫米波雷达采集得到的第二点云进行融合处理和目标识别的步骤包括：
    融合各所述毫米波雷达采集的第二点云得到第二融合点云；
    对所述第二融合点云进行目标识别，得到所述毫米波雷达目标跟踪结果。
  7. 根据权利要求5所述的车路协同多车路径规划和路权决策方法，其中，所述第一感知数据和所述第二感知数据基于NTP协议或UDP局域网进行时钟同步；
    对所述摄像头目标跟踪结果、所述激光雷达目标跟踪结果和所述毫米波雷达目标跟踪结果进行目标级融合和目标轨迹估计的步骤包括：
    将所述摄像头目标跟踪结果、所述激光雷达目标跟踪结果和所述毫米波雷达目标跟踪结果中同一目标的概率分布状态转换至同一坐标系下；
    对转换后的同一目标的概率分布状态进行概率叠加计算。
  8. 根据权利要求1所述的车路协同多车路径规划和路权决策方法，其中，所述预置的基础交通数据包括高精度地图、基建信息和交通法规；
    所述车辆状态数据包括车速、车辆位置和导航轨迹；
    所述根据所述目标识别结果、所述车辆状态数据和预置的基础交通数据进行所述交通区域的交通规划得到规划数据的步骤包括：
    根据所述交通法规对各所述车辆的优先级进行判断；
    根据判断出的各所述车辆的优先级以及所述目标识别结果、所述车辆状态数据和所述基础交通数据对所述交通区域内的车辆进行全局路径规划和各交通参与者的行为预测，并通过全局最优路径搜索方法搜索出所述第一车辆的最优行驶路径。
  9. 根据权利要求8所述的车路协同多车路径规划和路权决策方法，其中，所述通过全局最优路径搜索方法搜索出所述第一车辆的最优行驶路径的步骤包括：
    通过下式(3)计算有限元数值区间的解，以生成所有有限元数值区间的候选目标状态空间：
    S Ti＝C Ti(θ Ti，r Ti)+S Ti+N Ti+R Ti (3)
    其中，C Ti(θ Ti，r Ti)是第i步长(以Ti为时间间隔)的行驶目标，S Ti是人为引入的确定性微小扰动，N Ti是系统的测量噪声，R Ti是不可控目标随机可性能的描述；
    计算每个所述候选目标状态空间的权重，并通过下式(4)对所有候选路径组成的集合进行搜索，选择出各目标均为最优且全局最优的所述第一车辆的最优行驶路径：
    Max V＝∑w jV j＝∑w iS Ti (4)
    其中，V j为第j个目标的候选路径最优权重，V为所述交通区域内的全局最优解,w表示针对当前目标或路径所设置的权重。
  10. 根据权利要求1或3所述的车路协同多车路径规划和路权决策方法，其中，在广播规划数据时采用数据包广播分享机制；且
    每个所述数据包包括帧头、第一密钥和多个第一子数据包，其中，所述第一密钥用于解析所述第一子数据包并携带有权限描述，以便接收到所述数据包的车辆根据自身授权的密钥与所述第一密钥的匹配结果和所述权限描述解析所述第一子数据包以获取相应的规划数据。
  11. 根据权利要求10所述的车路协同多车路径规划和路权决策方法，其中，每个所述第一子数据包包括帧头、第二密钥和多个第二子数据包，其中，所述第二密钥用于解析所述第二子数据包并携带有权限描述。
  12. 一种车路协同多车路径规划和路权决策方法，应用于装备有自动驾驶系统且具备 路径和指令执行和路权决策功能的各第一车辆，所述方法包括：
    向装备有边缘计算系统且包括感知模块的路基单元发送对自身周边环境的第二感知数据和自身的车辆状态数据；
    接收并获取所述路基单元广播的规划数据，其中，所述规划数据是由所述路基单元根据所述感知模块采集的对所述路基单元所在的交通区域的第一感知数据和所述第二感知数据进行所述交通区域内的环境目标识别得到目标识别结果，并根据所述目标识别结果、所述车辆状态数据和预置的基础交通数据进行所述交通区域的交通规划得到的；所述规划数据至少包括各所述第一车辆的最优行驶路径和/或行驶指令以及所述交通区域内的除所述第一车辆以外的各交通参与者的预测行为；
    根据获取到的所述规划数据和自身获取的当前环境数据进行路权决策，并进而根据所述路权决策的结果执行所述最优行驶路径和/或行驶指令。
  13. 根据权利要求12所述的车路协同多车路径规划和路权决策方法，
    其中，所述规划数据在被所述路基单元广播前还由所述路基单元根据云端服务器下发的多区域分析结果进行调整；所述多区域分析结果是由所述云端服务器根据相关联的多个交通区域中的所述路基单元上传的目标识别结果和规划数据对各所述第一车辆在所述多个交通区域中的全程路径和所述多个交通区域中的其他车辆的行为进行统一分析和优化得到的。
  14. 根据权利要求12或13所述的车路协同多车路径规划和路权决策方法，其中，所述规划数据是通过数据包广播分享机制广播的，且每个所述数据包包括帧头、第一密钥和多个第一子数据包，其中，所述第一密钥用于解析所述第一子数据包并携带有权限描述；
    所述接收并获取所述路基单元广播的规划数据的步骤包括：
    接收所述路基单元广播的数据包；
    根据自身授权的密钥与所述第一密钥的匹配结果和所述权限描述解析所述数据包中的所述第一子数据包以获取相应的规划数据。
  15. 根据权利要求12所述的车路协同多车路径规划和路权决策方法，其中，所述交通区域内还存在与所述路基单元通信连接且仅具备信息提示功能的第二车辆；所述规划数据还包括与所述第二车辆相关的信息提示指令；
    所述方法还包括：
    接收所述第二车辆发送的指令执行反馈信息，并根据所述指令执行反馈信息控制自身的驾驶行为，其中，所述指令执行反馈信息是由所述第二车辆在接收到所述路基单元广播的规划数据，根据所述规划数据中的所述信息提示指令向驾驶员进行信息提示并接收到所述驾驶员的相应驾驶操作后生成的。
  16. 一种路基单元，其装备有边缘计算系统，且包括感知模块、通信模块和分析计算模块，其中
    所述感知模块配置为采集对所述路基所在的交通区域的第一感知数据并将所述第一 感知数据传递至所述分析计算模块；
    所述通信模块配置为与具备联网通信能力的车辆通信，接收所述车辆发送的对自身周边环境的第二感知数据和自身的车辆状态数据，并将所述第二感知数据和所述车辆状态数据传递至所述分析计算模块，其中，所述车辆至少包括具备路径和指令执行和路权决策功能的至少一辆第一车辆；
    所述分析计算模块配置为根据所述第一感知数据和所述第二感知数据进行所述交通区域内的环境目标识别得到目标识别结果，并根据所述目标识别结果、所述车辆状态数据和预置的基础交通数据进行所述交通区域的交通规划得到规划数据，其中，所述规划数据至少包括各所述第一车辆的最优行驶路径和/或行驶指令以及所述交通区域内的除所述第一车辆以外的各交通参与者的预测行为；
    所述通信模块还配置为广播所得到的规划数据。
  17. 根据权利要求16所述的路基单元，其中，所述通信模块还配置为与云端服务器通信，以将所述目标识别结果和所述规划数据上传至所述云端服务器，并接收所述云端服务器下发的多区域分析结果，其中所述多区域分析结果是由所述云端服务器根据相关联的多个交通区域中的所述路基单元上传的目标识别结果和规划数据对各所述第一车辆在所述多个交通区域中的全程路径和所述多个交通区域中的其他车辆的行为进行统一分析和优化得到的；
    所述分析计算模块还配置为根据所述多区域分析结果对所述规划数据进行调整；
    所述通信模块还配置为广播调整后的规划数据。
  18. 根据权利要求16所述的路基单元，其中，所述感知模块包括下列至少之一：激光雷达、摄像头、毫米波雷达、红外设备、V2X路侧单元、定位装置、实时动态基站、雨量传感器；
    所述分析计算模块还配置为通过多传感器融合算法对所述第一感知数据和所述第二感知数据进行融合和目标识别得到所述目标识别结果。
  19. 根据权利要求16所述的路基单元，其中，所述预置的基础交通数据包括高精度地图、基建信息和交通法规；
    所述车辆状态数据包括车速、车辆位置和导航轨迹；
    所述分析计算模块还配置为根据所述交通法规对各所述车辆的优先级进行判断；根据判断出的各所述车辆的优先级以及所述目标识别结果、所述车辆状态数据和所述基础交通数据对所述交通区域内的车辆进行全局路径规划和各交通参与者的行为预测，并通过全局最优路径搜索方法搜索出所述第一车辆的最优行驶路径。
  20. 一种车路协同多车路径规划和路权决策系统，包括具备联网通信能力的多个车辆和与所述车辆通信连接的路基单元，其中
    所述车辆至少包括具备路径和指令执行和路权决策功能的至少一辆第一车辆，且各所述车辆配置为采集对自身周边环境的第二感知数据，并将所述第二感知数据和自身的车辆状态数据发送至所述路基单元；
    所述路基单元装备有边缘计算系统，且配置为获取对所述路基单元所在的交通区域的第一感知数据，根据所述第一感知数据和接收到的所述第二感知数据进行所述交通区域内的环境目标识别得到目标识别结果，根据所述目标识别结果、所述车辆状态数据和预置的基础交通数据进行所述交通区域的交通规划得到规划数据，并广播所得到的规划数据，其中所述规划数据至少包括各所述第一车辆的最优行驶路径和/或行驶指令以及所述交通区域内的除所述第一车辆以外的各交通参与者的预测行为；
    各所述第一车辆配置为在接收到广播的规划数据后根据所接收的规划数据和自身获取的当前环境数据进行路权决策，并进而根据所述路权决策的结果执行所接收的规划数据中的最优行驶路径和/或行驶指令。
  21. 根据权利要求20所述的车路协同多车路径规划和路权决策系统，其中，所述车辆还包括仅具备信息提示功能的第二车辆；
    所述规划数据还包括与所述第二车辆相关的信息提示指令；并且
    所述第二车辆配置为在接收到广播的规划数据后根据所述信息提示指令进行信息提示。
  22. 根据权利要求20所述的车路协同多车路径规划和路权决策系统，还包括与所述路基单元通信连接的云端服务器，其中
    所述路基单元还配置为将所述目标识别结果和所述规划数据上传至所述云端服务器；
    所述云端服务器配置为根据相关联的多个交通区域中的所述路基单元上传的目标识别结果和规划数据对各所述第一车辆在所述多个交通区域中的全程路径和所述多个交通区域中的其他车辆的行为进行统一分析和优化以得到多区域分析结果，并将所述多区域分析结果下发至所述路基单元；
    所述路基单元还配置为根据所述多区域分析结果对所述规划数据进行调整，并广播调整后的规划数据。
CN202180100379.1A 2021-11-17 2021-11-17 车路协同多车路径规划和路权决策方法、系统和路基单元 Pending CN117651848A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2021/131237 WO2023087181A1 (zh) 2021-11-17 2021-11-17 车路协同多车路径规划和路权决策方法、系统和路基单元

Publications (1)

Publication Number Publication Date
CN117651848A true CN117651848A (zh) 2024-03-05

Family

ID=86396116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180100379.1A Pending CN117651848A (zh) 2021-11-17 2021-11-17 车路协同多车路径规划和路权决策方法、系统和路基单元

Country Status (2)

Country Link
CN (1) CN117651848A (zh)
WO (1) WO2023087181A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118379881A (zh) * 2024-06-21 2024-07-23 华睿交通科技股份有限公司 一种基于车路协同的公路交通安全预警系统

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115793527B (zh) * 2022-11-18 2024-06-25 北京交通大学 车路云一体化的自动驾驶分散自主式远程接管控制系统
CN116502988A (zh) * 2023-06-25 2023-07-28 深圳市壹站智汇科技有限公司 一种集中分布式结合的路径规划方法、存储介质、设备
CN116523144B (zh) * 2023-06-27 2023-09-15 天津建城基业集团有限公司 硬质土层中trd施工工艺控制方法及系统
CN116630765B (zh) * 2023-07-24 2023-09-26 济南卓伦智能交通技术有限公司 一种基于多元信息的单车融合感知系统
CN116804560B (zh) * 2023-08-23 2023-11-03 四川交通职业技术学院 一种管制路段下无人驾驶汽车安全导航方法及装置
CN117275232B (zh) * 2023-09-28 2024-05-31 广东省电信规划设计院有限公司 基于车路协同的动态感知方法及装置
CN117278328B (zh) * 2023-11-21 2024-02-06 广东车卫士信息科技有限公司 基于车联网的数据处理方法及系统
CN117553800B (zh) * 2024-01-04 2024-03-19 深圳市乐骑智能科技有限公司 Agv定位与路径规划方法及装置
CN117970822B (zh) * 2024-04-02 2024-06-25 陕西黑石绿能能源科技有限公司 一种自动化无人加氢系统及其加氢方法
CN118135508B (zh) * 2024-05-08 2024-08-06 东揽(南京)智能科技有限公司 基于机器视觉的全息交通路口感知系统及方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106340197B (zh) * 2016-08-31 2021-05-14 北京万集科技股份有限公司 一种车路协同辅助驾驶系统及方法
CN107798861B (zh) * 2017-11-30 2021-03-02 湖北汽车工业学院 一种车辆协作式编队行驶方法及系统
WO2019199815A1 (en) * 2018-04-10 2019-10-17 Cavh Llc Connected and automated vehicle systems and methods for the entire roadway network
CN111862655A (zh) * 2020-05-27 2020-10-30 南京美慧软件有限公司 一种智能高速公路网交通设施系统及控制方法
CN113485319A (zh) * 2021-06-08 2021-10-08 中兴智能汽车有限公司 基于5g车路协同的自动驾驶系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118379881A (zh) * 2024-06-21 2024-07-23 华睿交通科技股份有限公司 一种基于车路协同的公路交通安全预警系统

Also Published As

Publication number Publication date
WO2023087181A1 (zh) 2023-05-25

Similar Documents

Publication Publication Date Title
WO2023087181A1 (zh) 车路协同多车路径规划和路权决策方法、系统和路基单元
CN111524357B (zh) 用于车辆安全行驶所需的多数据融合的方法
CN109285373B (zh) 一种面向整体道路网的智能网联交通系统
Hu et al. A review of research on traffic conflicts based on intelligent vehicles
US10229590B2 (en) System and method for improved obstable awareness in using a V2X communications system
US10349011B2 (en) System and method for improved obstacle awareness in using a V2X communications system
US10613547B2 (en) System and method for improved obstacle awareness in using a V2X communications system
Chen et al. Cellular vehicle-to-everything (C-V2X)
CN109118758A (zh) 一种面向移动共享的智能网联交通管理系统
CN113178076B (zh) 一种车路协同系统和车路协同方法
CN112466115A (zh) 一种基于边缘计算的公交车辆交叉口优先通行控制系统及方法
CN108009169B (zh) 一种数据处理方法、装置及设备
Vermesan et al. IoT technologies for connected and automated driving applications
CN114501385A (zh) 一种应用于智能网联交通系统的协同自动驾驶系统
CN116469249A (zh) HDMap与5G车路协的智慧交通云管理平台
CN114407900A (zh) 一种车路协同自动驾驶功能分配系统及方法
Bouali et al. 5G for vehicular use cases: Analysis of technical requirements, value propositions and outlook
Shankaran et al. Intelligent Transport Systems and Traffic Management
Li et al. A traffic congestion aware vehicle-to-vehicle communication framework based on Voronoi diagram and information granularity
Lytrivis et al. Intelligent transport systems: co-operative systems (vehicular communications)
CN111243312B (zh) 部分布设的车路协同自动驾驶的系统
CN117315962A (zh) 紧急车辆的优先通行方法、智慧交通系统及云平台
CN116403437A (zh) 一种基于云雾融合的露天矿山车路协同系统
CN214475561U (zh) 一种基于智能信号灯的自动驾驶控制系统
Sharon et al. Design study on actuated traffic control system using Internet of vehicles for smart cities

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