CN117828899B - 结合三维车身建模的道路环境感知方法及装置 - Google Patents
结合三维车身建模的道路环境感知方法及装置 Download PDFInfo
- Publication number
- CN117828899B CN117828899B CN202410238976.6A CN202410238976A CN117828899B CN 117828899 B CN117828899 B CN 117828899B CN 202410238976 A CN202410238976 A CN 202410238976A CN 117828899 B CN117828899 B CN 117828899B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- early warning
- data
- aggregation
- result
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 82
- 238000004088 simulation Methods 0.000 claims abstract description 32
- 230000007613 environmental effect Effects 0.000 claims abstract description 24
- 230000002776 aggregation Effects 0.000 claims description 94
- 238000004220 aggregation Methods 0.000 claims description 94
- 230000008447 perception Effects 0.000 claims description 76
- 238000012360 testing method Methods 0.000 claims description 54
- 230000006978 adaptation Effects 0.000 claims description 49
- 238000010606 normalization Methods 0.000 claims description 42
- 239000000725 suspension Substances 0.000 claims description 29
- 238000004891 communication Methods 0.000 claims description 26
- 238000011156 evaluation Methods 0.000 claims description 24
- 238000009826 distribution Methods 0.000 claims description 23
- 238000012544 monitoring process Methods 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 18
- 238000000926 separation method Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 13
- 230000014759 maintenance of location Effects 0.000 claims description 12
- 230000001960 triggered effect Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000009193 crawling Effects 0.000 claims description 7
- 238000010206 sensitivity analysis Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 abstract description 5
- 230000003044 adaptive effect Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 230000009194 climbing Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- Traffic Control Systems (AREA)
Abstract
本发明涉及数据处理相关技术领域，提供了结合三维车身建模的道路环境感知方法及装置，所述方法包括：通过数据采集建立车辆参数集，基于参数构建数字孪生模型，进行场景仿真并配置关键点；传感器组阵列布设后，读取实时参数与环境信息，评价生成实时预警标识；数据与三维模型融合，结果在显示系统呈现，解决了对三维空间信息捕捉不全面，无法实时、准确地反映动态变化的道路环境和车辆状态的技术问题，实现了依照车身与道路环境进行三维建模，实时、准确监控车辆状态与道路环境变化，从而更精确地控制车辆的行驶状态和车速，保障驾驶安全性的技术效果。
Description
技术领域
本发明涉及数据处理相关技术领域，具体涉及结合三维车身建模的道路环境感知方法及装置。
背景技术
随着智能网联汽车和车辆自动驾驶技术的迅速发展，车辆环境感知能力的提升成为关键环节，道路环境感知通常依赖于二维地图、雷达和摄像头等传感器，对三维空间信息捕捉不全面，难以准确把握复杂交通场景下的真实情况，在某些情况下可能无法提供足够的道路环境信息，例如在复杂地形、恶劣天气或夜晚等情况下，其感知能力有限、控制精度不高，无法准确地反映动态变化的道路环境和车辆状态。
综上所述，现有技术中存在对三维空间信息捕捉不全面，无法实时、准确地反映动态变化的道路环境和车辆状态的技术问题。
发明内容
本申请通过提供了结合三维车身建模的道路环境感知方法及装置，旨在解决现有技术中的对三维空间信息捕捉不全面，无法实时、准确地反映动态变化的道路环境和车辆状态的技术问题。
鉴于上述问题，本申请实施例提供了结合三维车身建模的道路环境感知方法及装置。
本申请公开的第一个方面，提供了结合三维车身建模的道路环境感知方法，其中，所述方法包括：执行车辆的数据采集，建立车辆参数集合；以所述车辆参数集合建立数字孪生模型，并以所述数字孪生模型进行场景仿真，根据场景仿真结果配置关键点；基于所述关键点和所述数字孪生模型完成传感器组的阵列布设，并以数字孪生模型和传感器组的坐标建立车辆三维模型；以所述车辆参数集合配置车内通信协议，建立通信连接，并通过通信连接读取实时车辆参数，生成第一感知数据；通过所述传感器组进行实时环境信息采集，并基于采集结果生成第二感知数据；基于所述关键点进行所述第二感知数据的感知评价，生成实时预警标识；将所述第一感知数据、第二感知数据和实时预警标识输入道路环境与车辆的适配网络，生成适配预警信息；建立道路三维模型，并将第一感知数据、第二感知数据、实时预警标识、适配预警信息与车辆三维模型、道路三维模型融合，并将融合结果在显示装置呈现；以所述车辆参数集合建立数字孪生模型，并以所述数字孪生模型进行场景仿真，根据场景仿真结果配置关键点，包括：通过大数据采集场景数据，建立测试场景集，并通过车辆的信息进行测试场景的场景适配评价，重构测试场景；以所述测试场景进行数字孪生模型的模型测试，根据测试结果进行接触的频次敏感分析，生成第一关键约束；以所述数字孪生模型进行车辆的部件重要程度分析，生成第二关键约束；配置归一化系数，并通过配置完成的归一化系数进行第一关键约束和第二关键约束的归一化处理，根据处理结果完成关键点选择配置；配置归一化系数，并通过配置完成的归一化系数进行第一关键约束和第二关键约束的归一化处理，根据处理结果完成关键点选择配置，包括：将所述处理结果作为关键点的特征值，并获得各个关键点的位置坐标；以位置坐标和特征值进行分布和特征的聚合判定，若任意关键点聚合成功，则生成聚合判定指令；依据所述聚合判定指令进行聚合关键点的特征值保留判别，根据保留判别结果和聚合结果完成关键点选择配置；依据所述聚合判定指令进行聚合关键点的特征值保留判别，还包括：以车辆参数集合获取底盘高度、前悬距离，并依据爬行坡度、车辆速度构建聚合判别数据库，其中，所述聚合判别数据库存储不同悬挂高度对应的特征阈值；当所述聚合判定指令被触发后，调用对应的聚合判别数据库，执行所述聚合关键点的特征值保留判别；基于所述关键点和所述数字孪生模型完成传感器组的阵列布设，并以数字孪生模型和传感器组的坐标建立车辆三维模型，包括：在所述车辆三维模型分布所述关键点，并构建关键点的监测需求特征；根据分布结果建立关键点间的分隔特征；获取传感器组的传感器参数，通过所述分隔特征、监测需求特征和所述传感器参数进行传感器组的分布位置寻优，生成位置寻优结果；根据所述位置寻优结果完成传感器组阵列布设。
本申请公开的另一个方面，提供了结合三维车身建模的道路环境感知装置，其中，所述装置包括：数据采集模块，用于执行车辆的数据采集，建立车辆参数集合；场景仿真模块，用于以所述车辆参数集合建立数字孪生模型，并以所述数字孪生模型进行场景仿真，根据场景仿真结果配置关键点；阵列布设模块，用于基于所述关键点和所述数字孪生模型完成传感器组的阵列布设，并以数字孪生模型和传感器组的坐标建立车辆三维模型；通信连接模块，用于以所述车辆参数集合配置车内通信协议，建立通信连接，并通过通信连接读取实时车辆参数，生成第一感知数据；感知数据采集模块，用于通过所述传感器组进行实时环境信息采集，并基于采集结果生成第二感知数据；感知评价模块，用于基于所述关键点进行所述第二感知数据的感知评价，生成实时预警标识；数据输入模块，用于将所述第一感知数据、第二感知数据和实时预警标识输入道路环境与车辆的适配网络，生成适配预警信息；模型融合模块，用于建立道路三维模型，并将第一感知数据、第二感知数据、实时预警标识、适配预警信息与车辆三维模型、道路三维模型融合，并将融合结果在显示装置呈现；以所述车辆参数集合建立数字孪生模型，并以所述数字孪生模型进行场景仿真，根据场景仿真结果配置关键点，包括：通过大数据采集场景数据，建立测试场景集，并通过车辆的信息进行测试场景的场景适配评价，重构测试场景；以所述测试场景进行数字孪生模型的模型测试，根据测试结果进行接触的频次敏感分析，生成第一关键约束；以所述数字孪生模型进行车辆的部件重要程度分析，生成第二关键约束；配置归一化系数，并通过配置完成的归一化系数进行第一关键约束和第二关键约束的归一化处理，根据处理结果完成关键点选择配置；配置归一化系数，并通过配置完成的归一化系数进行第一关键约束和第二关键约束的归一化处理，根据处理结果完成关键点选择配置，包括：将所述处理结果作为关键点的特征值，并获得各个关键点的位置坐标；以位置坐标和特征值进行分布和特征的聚合判定，若任意关键点聚合成功，则生成聚合判定指令；依据所述聚合判定指令进行聚合关键点的特征值保留判别，根据保留判别结果和聚合结果完成关键点选择配置；依据所述聚合判定指令进行聚合关键点的特征值保留判别，还包括：以车辆参数集合获取底盘高度、前悬距离，并依据爬行坡度、车辆速度构建聚合判别数据库，其中，所述聚合判别数据库存储不同悬挂高度对应的特征阈值；当所述聚合判定指令被触发后，调用对应的聚合判别数据库，执行所述聚合关键点的特征值保留判别；基于所述关键点和所述数字孪生模型完成传感器组的阵列布设，并以数字孪生模型和传感器组的坐标建立车辆三维模型，包括：在所述车辆三维模型分布所述关键点，并构建关键点的监测需求特征；根据分布结果建立关键点间的分隔特征；获取传感器组的传感器参数，通过所述分隔特征、监测需求特征和所述传感器参数进行传感器组的分布位置寻优，生成位置寻优结果；根据所述位置寻优结果完成传感器组阵列布设。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了执行车辆数据采集，基于参数建立数字孪生模型，进行场景仿真并配置关键点；传感器组阵列布设后，根据车辆参数配置通信协议，读取实时参数生成第一感知数据；传感器采集环境信息，基于关键点评价生成实时预警标识，将数据、预警信息与三维模型融合，结果在显示系统呈现，实现了依照车身与道路环境进行三维建模，实时、准确监控车辆状态与道路环境变化，从而更精确地控制车辆的行驶状态和车速，保障驾驶安全性的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了结合三维车身建模的道路环境感知方法可能的流程示意图；
图2为本申请实施例提供了结合三维车身建模的道路环境感知方法中关键点选择配置可能的流程示意图；
图3为本申请实施例提供了结合三维车身建模的道路环境感知装置可能的结构示意图。
附图标记说明：数据采集模块100，场景仿真模块200，阵列布设模块300，通信连接模块400，感知数据采集模块500，感知评价模块600，数据输入模块700，模型融合模块800。
具体实施方式
以下结合附图对本发明的示范性实施例作出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
实施例一
如图1所示，本申请实施例提供了结合三维车身建模的道路环境感知方法，其中，所述方法包括：
Step-1：执行车辆的数据采集，建立车辆参数集合；
Step-2：以所述车辆参数集合建立数字孪生模型，并以所述数字孪生模型进行场景仿真，根据场景仿真结果配置关键点；
Step-3：基于所述关键点和所述数字孪生模型完成传感器组的阵列布设，并以数字孪生模型和传感器组的坐标建立车辆三维模型；
常规的驾驶场景依赖于二维地图、雷达和摄像头等传感器，对三维空间信息捕捉不全面，难以准确把握复杂交通场景下的障碍物高度、坡度、曲率等立体信息，仍旧需要驾驶员参与感知和判断，特别是在复杂道路环境和恶劣天气条件下，无法准确地感知道路环境和车辆状态，无法作出最符合驾驶场景的驾驶决策，驾驶决策对应的控制精度有限，对于不同天气条件（如雨雾天）、光照条件以及特殊道路环境（如隧道、桥梁），感知的可靠性和稳定性会显著降低。
已知的，常规的驾驶场景中，当车辆在下坡路面或遇到障碍物、坑洼、积水、冰霜等可能影响车辆行驶的因素时，需要刹车来控制车速，避免发生意外；离合控制（只适用于手动挡位器），在手动挡车辆中，通过离合器来控制车速；空车滑行（只适用于手动挡位器），在空挡滑行时，车辆的速度主要取决于发动机的转速和功率，此时，通过控制油门和刹车来控制车速；根据道路状况调整车速，在道路狭窄、弯曲或泥泞的路段，需要降低车速，在平坦开阔的道路（比如高速路）上，将车速提高到最高限速以下的安全范围内，以充分利用道路条件并提高行驶效率。
在现有的基础上，通过多个车载传感器采集目标车辆周围道路环境数据和车辆状态数据；结合数字孪生技术和3DHMI技术，根据道路环境数据和车辆状态数据进行三维仿真建模，构建车辆状态三维模型和道路环境三维模型；基于车辆状态三维模型和道路环境三维模型融合得到车辆行驶三维模型并在中控显示系统中呈现；根据车辆行驶三维模型进行车辆行驶控制。
通过车载传感器、ECU（电子控制单元）以及其他相关设备，实时或周期性地收集车辆的各项状态数据，如速度、位置、温度、压力、振动、转向角度等，将收集所得数据整合，建立车辆参数集合，所述车辆参数集合用于全面反映车辆的实际运行状况。
利用收集到的车辆参数集合，创建车辆的数字孪生模型，所述数字孪生模型是一个虚拟的数字化副本，能够真实模拟车辆在各种环境条件下的行为表现，在构建过程中，根据实际车辆的结构、性能特点以及工作原理，详细刻画出车辆内部各个零部件的功能属性和相互作用关系，使得数字孪生模型具有高度的仿真性和准确性。
根据数字孪生模型，模拟不同的行驶场景和工况条件，例如复杂路况、极端天气、紧急制动等，观察并分析车辆在这些情况下的响应和性能表现；根据场景仿真的结果，识别出对车辆安全驾驶、性能优化以及环境感知至关重要的因素，将其定义为关键点，所述关键点可能包括车体关键部位（比如发动机）、传感器最优安装位置、车辆动态变化的关键节点等。
基于上述确定的关键点，结合传感器的特性和功能需求（如探测范围、精度、适应环境等），设计和规划传感器组的布局方案；通过数字孪生模型验证传感器布局的有效性和合理性，确保每个传感器都能够覆盖到对应的关键点，并能够在特定场景下提供准确、及时的数据支持。
结合已经完成的传感器阵列布设方案，在数字孪生模型中进一步完善车辆三维模型的构建，将传感器的位置信息精确映射至三维模型上，得到的车辆三维模型不仅包含车辆本身的几何特征和动力学特性，还集成了传感器分布及功能信息，更直观、立体地展示车辆系统的真实情况，为后续的道路环境感知和智能控制决策提供有力支撑。
进一步而言，以所述车辆参数集合建立数字孪生模型，并以所述数字孪生模型进行场景仿真，根据场景仿真结果配置关键点，包括：
通过大数据采集场景数据，建立测试场景集，并通过车辆的信息进行测试场景的场景适配评价，重构测试场景；
以所述测试场景进行数字孪生模型的模型测试，根据测试结果进行接触的频次敏感分析，生成第一关键约束；
以所述数字孪生模型进行车辆的部件重要程度分析，生成第二关键约束；
配置归一化系数，并通过配置完成的归一化系数进行第一关键约束和第二关键约束的归一化处理，根据处理结果完成关键点选择配置；
通过车载传感器、卫星定位系统以及其他交通信息平台收集海量的车辆行驶环境和路况数据，海量的车辆行驶环境和路况数据涵盖了各种天气状况、道路类型、车流量、行人行为等多种复杂情况；将海量的车辆行驶环境和路况数据进行清洗、整合、分析，并按照预设的分类标准和特征标签，建立测试场景集，以便模拟各类实际驾驶环境。
根据当前车辆的具体参数（如车型、尺寸、性能等）以及即将面临的任务需求，对测试场景集中的各个场景进行适配度评价，评估每个场景对于目标车辆在安全、效率等方面的实际意义和价值；对于不适合或需要调整的测试场景，根据车辆特点和预期应用场景进行适当修改和重构，使其更加贴合真实的驾驶情境。
利用建立好的数字孪生模型，在虚拟环境中对重构后的测试场景进行模拟运行和验证，记录并分析车辆在各场景下的表现和反应；通过模型测试结果，统计和分析车辆在不同场景中与其他物体（如障碍物、其他车辆、行人等）接触的频次，识别出那些频次较高（高出预设频次阈值）且可能导致安全隐患的关键交互点，生成第一关键约束。
在数字孪生模型的基础上，进一步分析车辆各部件（如刹车系统、转向系统、感知设备等）在各类场景下的工作状态和功能表现，确定车辆各部件中的某些部件在确保车辆安全和行驶效能方面起到至关重要的作用；根据分析结果，确定车辆各部件中的某些部件在特定场景下发生故障或性能下降时将导致显著的风险增加，基于此生成第二关键约束。
为使第一关键约束和第二关键约束能够在同一个评价体系内比较和融合，引入归一化系数对两者进行标准化处理，确保所有约束指标具有可比性和一致性；根据归一化处理后的结果，综合考虑第一关键约束（即高频接触点）和第二关键约束（即关键部件），筛选并配置出对车辆行驶安全和性能最为关键的一系列检测点或控制点，作为优化车辆环境感知系统和控制策略的关键点。
进一步而言，如图2所示，配置归一化系数，并通过配置完成的归一化系数进行第一关键约束和第二关键约束的归一化处理，根据处理结果完成关键点选择配置，包括：
将所述处理结果作为关键点的特征值，并获得各个关键点的位置坐标；
以位置坐标和特征值进行分布和特征的聚合判定，若任意关键点聚合成功，则生成聚合判定指令；
依据所述聚合判定指令进行聚合关键点的特征值保留判别，根据保留判别结果和聚合结果完成关键点选择配置；
在对第一关键约束和第二关键约束进行归一化处理后，将处理结果作为各个关键点的特征值，同时，根据数字孪生模型或实际车辆结构布局信息，确定每个关键点在三维空间中的精确位置坐标。
依据关键点的位置坐标和特征值，在三维空间中分析各个关键点的分布规律及特征关联性，应用特定算法（如聚类分析、密度估计等）判断是否存在多个关键点具有相似的特征值和相近的位置坐标，即是否可以将具有相似的特征值和相近的位置坐标视为一个整体进行考虑；若发现存在将具有相似的特征值和相近的位置坐标视为一个整体的聚合现象，则生成聚合判定指令。
对车辆底盘前唇的关键区域进行实时监测，利用传感器技术获取每个关键点的位置坐标（x, y, z）以及相关的特征值（例如磨损程度、材质硬度、温度变化等）；将收集到的位置坐标信息和各类特征值进行预处理，确保数据的一致性；根据各关键点的位置坐标建立空间分布模型，比如可以使用三维坐标系绘制出关键点的空间布局图；分析各个关键点之间的相对位置关系及对应的特征值分布特性；遍历所有关键点，对每一对或多对关键点进行组合评估，针对已成功聚合的关键点群组，需要进一步决定如何保留它们的特征值，涉及选择代表该群组的整体特征的最大值、最小值、平均值或其他统计指标，确保反映整个群组的核心特性；根据所选的保留策略（比如，保留最大特征值），对每个聚合关键点群组执行特征值保留判别操作，得出保留后的特征值集合，其中，所述聚合判定指令应包含行动方向（如升高/降低/保持当前悬挂高度）、目标位置（调整到的目标坐标或状态）。
通过聚合判定指令以及保留判别后的特征值，识别出那些真正具有重要影响的关键点，或者是那些通过聚合得到的重要区域，完成对关键点的选择和配置优化，为后续的传感器布局设计、数据融合策略制定以及智能驾驶决策提供更为精准有效的参考依据；
根据保留判别结果和聚合结果完成关键点选择配置，优选的，所述关键点可以设置在车辆底盘前唇的关键位置，包括：前唇下沿的多个关键点（作为车辆底盘最容易接触到地面的部分，在爬坡时，尤其在陡峭斜坡上，需要重点关注此部位是否因悬挂高度过低而产生摩擦或碰撞）、前唇边缘的多个关键点（在高速行驶中可能会受到气流影响较大，若悬挂高度设置过高，可能导致车身稳定性降低、操控性变差）。
进一步而言，依据所述聚合判定指令进行聚合关键点的特征值保留判别，还包括：
以车辆参数集合获取底盘高度、前悬距离，并依据爬行坡度、车辆速度构建聚合判别数据库，其中，所述聚合判别数据库存储不同悬挂高度对应的特征阈值；
当所述聚合判定指令被触发后，调用对应的聚合判别数据库，执行所述聚合关键点的特征值保留判别；
一方面，在汽车爬坡过程中，须知的，若汽车底盘的悬挂高度过小且上坡坡度过大，可能使得车辆底盘前唇位置产生磨损；另一方面，在高速路段中，须知的，若汽车底盘的悬挂高度过大且车辆速度较高，可能使得车身稳定性降低，车辆产生抖动；基于此，从车辆参数集合中提取底盘高度和前悬距离等参数，底盘高度、前悬距离等参数是与车辆行驶性能、稳定性紧密相关的。
建立所述聚合判别数据库，所述聚合判别数据库中存储了不同底盘高度与前悬距离（包括升降范围内的各个悬挂高度）对应的特征阈值，所述特征阈值包括爬行坡度上限（根据车辆在不同悬挂高度下的爬坡能力，设定相应的最大可接受爬坡角度阈值，确保在坡道行驶时不会因底盘过低而产生磨损，同时避免过高悬挂导致的驾驶安全性问题）、车辆驾驶速度上限（根据不同悬挂高度下车辆的稳定性和操控性，设定适合的速度上限，以防止在高速行驶时由于悬挂过高造成的车身抖动或稳定性降低等问题）；
在实际运行过程中，当检测到行驶计划涉及环山公路、高速路等特定场景时，触发聚合判定指令；当聚合判定指令触发后，通过调用聚合判别数据库，将根据当前车辆的实际悬挂高度、前悬距离以及预期的行驶环境（如爬行坡度和预计驾驶速度）进行操作：调用聚合判别数据库，查找与当前悬挂高度及前悬距离相匹配的特征阈值集合，包括但不限于最大可接受爬坡角度阈值和适合的速度上限；结合实际行驶计划涉及的路况信息（如环山公路的坡度、高速路的速度限制），比较当前车辆状态是否符合所述聚合判别数据库中对应阈值的要求，若不符合，通过汽车底盘升降系统以改变底盘高度，将自动调整底盘高度至合适的范围。
在整个行驶过程中持续监测车辆状态和路面状况，当车辆接近或达到预设的阈值边缘时，及时触发预警信号，确保行车过程的安全性和稳定性。在不同工况下，通过构建和利用聚合判别数据库，结合汽车底盘升降系统的智能调控，从而有效保障车辆在复杂路况下的行驶性能和安全性。
进一步而言，基于所述关键点和所述数字孪生模型完成传感器组的阵列布设，并以数字孪生模型和传感器组的坐标建立车辆三维模型，还包括：
在所述车辆三维模型分布所述关键点，并构建关键点的监测需求特征；
根据分布结果建立关键点间的分隔特征；
获取传感器组的传感器参数，通过所述分隔特征、监测需求特征和所述传感器参数进行传感器组的分布位置寻优，生成位置寻优结果；
根据所述位置寻优结果完成传感器组阵列布设。
在所述车辆三维模型上，将通过分析和聚合判定得到的关键点按照其实际位置坐标进行精确分布；对每个分布在车辆三维模型上的关键点，依据其在环境感知特征、监测功能特征、准确度特征等方面的需求，定义并构建其相应的监测需求特征，例如，部分关键点可能需要温度传感器，部分关键点则可能需要具有广视角的摄像头、部分关键点可能需要检测车身与障碍物之间距离的超声波传感器。
根据关键点在车辆三维模型上的空间分布情况，计算出各个关键点之间的距离、方向以及遮挡关系等信息，形成关键点间的分隔特征描述，分隔特征有助于确定传感器布设时应考虑的空间间隔、视线遮挡等因素，以确保同一类型的每个传感器的有效覆盖范围不会重叠或遗漏重要区域。
收集各类传感器组（如摄像头、雷达、激光雷达、超声波传感器等）的具体参数，包括探测范围、精度、分辨率、视场角等；结合上述关键点间的分隔特征以及各关键点的监测需求特征，运用优化算法（例如遗传算法、粒子群优化等）对传感器组的布局位置进行优化寻优，寻找一组既能满足所有关键点监测需求，又能充分利用传感器特性的最优布局方案。
根据优化算法得出的位置寻优结果，为每一种类型的传感器指定其在车辆上的安装位置，并据此制定详细的布设方案和安装指导；完成传感器组的阵列布设后，进一步验证整个传感系统是否能有效覆盖所有关键点，并满足其监测需求特征，若有不足之处可继续调整优化直至达到理想状态。
Step-4：以所述车辆参数集合配置车内通信协议，建立通信连接，并通过通信连接读取实时车辆参数，生成第一感知数据；
Step-5：通过所述传感器组进行实时环境信息采集，并基于采集结果生成第二感知数据；
Step-6：基于所述关键点进行所述第二感知数据的感知评价，生成实时预警标识；
根据车辆参数集合，选择或定制适用于当前车辆系统的通信协议（如CAN总线、FlexRay等），确保能够准确高效地传输和交换不同部件间的实时数据，实施协议配置，并在车载电子设备之间建立起稳定可靠的通信连接，使得车辆各个系统间可以互相通信和信息共享。
利用已建立的通信连接，从ECU、传感器以及其他车载设备中持续读取包括速度、转速、油压、电池电压、冷却液温度等实时车辆状态参数，将所读取到的数据进行整合得到第一感知数据集，所述第一感知数据集用于分析车辆性能及健康状况。
车辆上搭载的各类传感器（例如雷达、摄像头、超声波传感器、激光雷达等）持续对周围环境进行实时监测和信息采集，获取包括道路条件、障碍物位置、行人识别、交通标志识别等相关环境信息；依据各传感器采集的数据，经过融合、校正和解析后生成反映车辆周边环境状况的第二感知数据集。
对于收集到的第二感知数据，根据奥阿虎关键点以及相应的安全阈值或判断规则，对每个关键感知数据进行评估和分析，若第二感知数据中的某个指标超过了预设的安全阈值或触发了特定规则，则将针对该关键点生成一个实时预警标识，如碰撞风险警告、车道偏离警告、前方行人检测警告等，所述实时预警标识能够帮助驾驶员及时提前得知潜在危险情况，并作出快速准确的驾驶决策，从而提高行车安全性。
Step-7：将所述第一感知数据、第二感知数据和实时预警标识输入道路环境与车辆的适配网络，生成适配预警信息；
Step-8：建立道路三维模型，并将第一感知数据、第二感知数据、实时预警标识、适配预警信息与车辆三维模型、道路三维模型融合，并将融合结果在显示装置呈现。
将第一感知数据（车辆）和第二感知数据（环境）结合，并将从关键点感知评价得出的实时预警标识一并输入到预先构建的道路环境与车辆的适配网络中，所述适配网络基于前馈式网络模型为基础所构建，对所述第一感知数据、第二感知数据和实时预警标识进行分析处理，识别出可能影响行车安全、驾驶效率或舒适性的关键因素，并根据这些因素生成适配预警信息，预警信息包括但不限于潜在危险情况的预警等级、需采取的应对措施。
根据地图数据、遥感图像或者通过数字孪生技术，创建精确反映实际道路环境的三维模型，所述道路三维模型应包含道路形状、坡度、曲率、交通标志、车道线、障碍物位置等相关要素。
将第一感知数据、第二感知数据、实时预警标识、适配预警信息相结合，同时，将车辆三维模型和已经建立好的道路三维模型作为基础场景元素，进一步将所有数据信息与之相融合。
在车载显示系统或控制中心的大屏显示设备上，将融合了车辆三维模型、道路三维模型、第一感知数据、第二感知数据、实时预警标识及适配预警信息的三维可视化界面呈现出来，显示装置的显示界面直观地展示了车辆在当前行驶环境中的具体位置、状态、周围环境特征以及系统的预警提示，有助于提高行车安全性和智能化程度。
进一步而言，本申请方法还包括：
通过大数据采集场景数据，建立测试场景集，并通过车辆的信息进行测试场景的场景适配评价，重构测试场景；
以所述测试场景进行数字孪生模型的模型测试，根据测试结果进行接触的频次敏感分析，生成第一关键约束；
以所述数字孪生模型进行车辆的部件重要程度分析，生成第二关键约束；
配置归一化系数，并通过配置完成的归一化系数进行第一关键约束和第二关键约束的归一化处理，根据处理结果完成关键点选择配置。
通过车载传感器、卫星定位系统以及其他交通信息平台收集海量的车辆行驶环境和路况数据，海量的车辆行驶环境和路况数据涵盖了各种天气状况、道路类型、车流量、行人行为等多种复杂情况；将海量的车辆行驶环境和路况数据进行清洗、整合、分析，并按照预设的分类标准和特征标签，建立测试场景集，以便模拟各类实际驾驶环境。
根据当前车辆的具体参数（如车型、尺寸、性能等）以及即将面临的任务需求，对测试场景集中的各个场景进行适配度评价，评估每个场景对于目标车辆在安全、效率等方面的实际意义和价值；对于不适合或需要调整的测试场景，根据车辆特点和预期应用场景进行适当修改和重构，使其更加贴合真实的驾驶情境。
利用建立好的数字孪生模型，在虚拟环境中对重构后的测试场景进行模拟运行和验证，记录并分析车辆在各场景下的表现和反应；通过模型测试结果，统计和分析车辆在不同场景中与其他物体（如障碍物、其他车辆、行人等）接触的频次，识别出那些频次较高（高出预设频次阈值）且可能导致安全隐患的关键交互点，生成第一关键约束。
在数字孪生模型的基础上，进一步分析车辆各部件（如刹车系统、转向系统、感知设备等）在各类场景下的工作状态和功能表现，确定车辆各部件中的某些部件在确保车辆安全和行驶效能方面起到至关重要的作用；根据分析结果，确定车辆各部件中的某些部件在特定场景下发生故障或性能下降时将导致显著的风险增加，基于此生成第二关键约束。
为使第一关键约束和第二关键约束能够在同一个评价体系内比较和融合，引入归一化系数对两者进行标准化处理，确保所有约束指标具有可比性和一致性；根据归一化处理后的结果，综合考虑第一关键约束（即高频接触点）和第二关键约束（即关键部件），筛选并配置出对车辆行驶安全和性能最为关键的一系列检测点或控制点，作为优化车辆环境感知系统和控制策略的关键点。
进一步而言，本申请方法还包括：
提取所述第二感知数据的环境数据，生成环境辅助数据集；
读取实时定位数据，根据所述实时定位数据和所述环境辅助数据集建立实时环境场景；
将所述实时环境场景输入第一处理子网络，生成灵敏响应结果；
将所述灵敏响应结果发送至第二处理子网络，通过所述第二处理子网络接收第二感知数据和实时预警标识，生成更新预警信息，其中，所述第一处理子网络和所述第二处理子网络为适配网络的子处理网络；
根据所述更新预警信息获得所述适配预警信息。
所述第二感知数据至少包括环境数据（比如道路啥情况，泥土、坡起，行人等）和天气数据（雨天、雾天），所述第二感知数据的环境数据是常用的一种辅助数据类型，用于反映道路真实情况的特征信息；从第二感知数据中筛选并提取出相关的环境信息，如道路状况、交通流量、天气情况等；将提取出的环境信息整合为一个详细的环境辅助数据集，用于后续实时环境场景的构建。
通过GPS或其他定位技术，获取车辆当前的实时定位数据，包括经纬度坐标、行驶方向和速度等；结合环境辅助数据集，基于车辆的实时位置信息，在数字孪生模型（通过三维建模软件，三维建模软件可以是3D Studio Max(软件名)、Blender(软件名)或其他任意建模软件）中创建反映当前车辆周围实际环境的实时环境场景，所述实时环境场景反映车辆周围的实际环境状况，包括路面状况、周围的障碍物、交通信号等；将构建好的实时环境场景作为输入传递给适配网络的第一处理子网络中进行处理分析，所述第一处理子网络根据输入的环境场景快速计算并输出针对该环境的灵敏响应结果，所述灵敏响应结果是指对环境变化的即时反应策略或优先级排序对应的触发调整。
将由第一处理子网络产生的灵敏响应结果发送至适配网络的第二个处理子网络；第二处理子网络在接收到灵敏响应结果的同时，也接收了所述第二感知数据以及实时预警标识，第二处理子网络结合接收到的数据（包括第二感知数据、实时预警标识和灵敏响应结果），综合评估当前驾驶情境的风险等级，并据此生成更新预警信息，所述更新预警信息包括当前的环境状况中的潜在风险（比如下雪场景中，潜在风险包括刹车失效）。在第二处理子网络完成更新预警信息生成后，将更新预警信息传递给整个智能驾驶系统。基于实时的环境数据和车辆状态数据的融合处理，从而确定适配预警信息，做出更为精准及时的安全决策，以应对各种复杂多变的道路环境条件。
进一步而言，本申请方法还包括：
将所述实时环境场景输入第三处理子网络，执行第三处理子网络的网络初始化；
将所述第一感知数据输入第三处理子网络进行异常识别，生成异常报出结果；
将所述异常报出结果添加至所述适配预警信息。
将构建好的实时环境场景数据作为输入，传递到适配网络中的第三个处理子网络，在接收到实时环境场景后，第三处理子网络首先进行初始化操作，设置初始参数、加载相关模型，并准备对环境场景进行进一步的分析和处理。
将从车辆系统获取的第一感知数据（如车辆状态数据）输入至已初始化的第三处理子网络中，第三处理子网络运用预先训练好的异常检测算法或模型，对第一感知数据进行深度分析，识别是否存在诸如车辆硬件故障、行驶性能异常等不正常状况。
在完成对第一感知数据的分析后，第三处理子网络会根据识别结果进行异常报出，每一条异常报出记录均包括异常类型、严重程度以及可能的影响范围等信息。异常报出对应的多条异常报出记录与通过第二处理子网络得到的更新预警信息进行合并集成，整合后的适配预警信息不仅包含了对实时环境变化的响应策略，还涵盖了当前车辆自身状态的异常警报；相较于更新预警信息，所述适配预警信息更加全面。通过智能处理子网络对车辆内外部环境及状态数据进行实时监控和分析，最终形成综合性的适配预警信息，为驾驶者或自动驾驶系统提供及时有效的决策支持。
进一步而言，本申请方法还包括：
配置预警阶梯等级阈值，且每一预警阶梯等级阈值对应一预警颜色和闪烁频率；
判断所述适配预警信息是否触发所述预警阶梯等级阈值；
根据触发结果调用对应的预警颜色和闪烁频率进行融合结果的显示优化。
根据车辆行驶安全、交通规则以及实际驾驶情境的复杂程度，预先设置一套预警阶梯等级阈值，例如，从低到高可能包括“正常”、“注意”、“警告”和“危险”等多个等级，每一个预警等级对应一种特定的颜色（如绿色表示正常，黄色表示注意，橙色表示警告，紫色表示危险）以及相应的闪烁频率（比如正常状态不闪烁，警告状态以中等速度闪烁，危险状态快速闪烁）。
在获取到适配预警信息后，将实时分析其中包含的各项指标（如环境风险、车辆状态异常等级等）是否达到预设的预警阶梯等级阈值，对于每一项预警指标，判断其严重程度是否触发了某个预警等级的标准，以此决定是否需要进行预警显示优化。
若适配预警信息中的某一项或多项指标确实触发了预警等级阈值，将调用对应的预警颜色和闪烁频率，对显示界面进行动态更新和优化，例如，如果当前车距过近触发了警告等级，则在显示界面上用橙色并配合一定频率的闪烁来警示驾驶员；若检测到严重的行车安全隐患触发危险等级，则采用紫色且快速闪烁的方式突出显示预警信息。根据实际的预警级别自动调整预警提示的显示方式，从而更直观有效地传达给驾驶员或自动驾驶系统关于当前行车环境和车辆状态的风险状况，提升行车安全性。
综上所述，本申请实施例所提供的结合三维车身建模的道路环境感知方法及装置具有如下技术效果：
1．通过三维建模实现对周围环境全方位、立体化的感知，准确把握复杂交通场景下的立体信息，提高对道路环境的准确性和及时性，提升自动驾驶的安全性。
2．结合数字孪生技术，将多个车载传感器采集的数据整合到统一的三维模型中，利用实时更新的三维模型，在各种复杂路况和环境下提供稳定可靠的感知信息，增强自动驾驶系统的自适应能力。
3．由于采用了配置预警阶梯等级阈值，且每一预警阶梯等级阈值对应一预警颜色和闪烁频率；判断适配预警信息是否触发预警阶梯等级阈值；根据触发结果调用对应的预警颜色和闪烁频率进行融合结果的显示优化。根据实际的预警级别自动调整预警提示的显示方式，从而更直观有效地传达给驾驶员或自动驾驶系统关于当前行车环境和车辆状态的风险状况，提升行车安全性。
实施例二
基于与前述实施例中结合三维车身建模的道路环境感知方法相同的发明构思，如图3所示，本申请实施例提供了结合三维车身建模的道路环境感知装置，其中，所述装置包括：
数据采集模块100，用于执行车辆的数据采集，建立车辆参数集合；
场景仿真模块200，用于以所述车辆参数集合建立数字孪生模型，并以所述数字孪生模型进行场景仿真，根据场景仿真结果配置关键点；
阵列布设模块300，用于基于所述关键点和所述数字孪生模型完成传感器组的阵列布设，并以数字孪生模型和传感器组的坐标建立车辆三维模型；
通信连接模块400，用于以所述车辆参数集合配置车内通信协议，建立通信连接，并通过通信连接读取实时车辆参数，生成第一感知数据；
感知数据采集模块500，用于通过所述传感器组进行实时环境信息采集，并基于采集结果生成第二感知数据；
感知评价模块600，用于基于所述关键点进行所述第二感知数据的感知评价，生成实时预警标识；
数据输入模块700，用于将所述第一感知数据、第二感知数据和实时预警标识输入道路环境与车辆的适配网络，生成适配预警信息；
模型融合模块800，用于建立道路三维模型，并将第一感知数据、第二感知数据、实时预警标识、适配预警信息与车辆三维模型、道路三维模型融合，并将融合结果在显示装置呈现；
所述场景仿真模块200，包括：
通过大数据采集场景数据，建立测试场景集，并通过车辆的信息进行测试场景的场景适配评价，重构测试场景；
以所述测试场景进行数字孪生模型的模型测试，根据测试结果进行接触的频次敏感分析，生成第一关键约束；
以所述数字孪生模型进行车辆的部件重要程度分析，生成第二关键约束；
配置归一化系数，并通过配置完成的归一化系数进行第一关键约束和第二关键约束的归一化处理，根据处理结果完成关键点选择配置；
配置归一化系数，并通过配置完成的归一化系数进行第一关键约束和第二关键约束的归一化处理，根据处理结果完成关键点选择配置，包括：
将所述处理结果作为关键点的特征值，并获得各个关键点的位置坐标；
以位置坐标和特征值进行分布和特征的聚合判定，若任意关键点聚合成功，则生成聚合判定指令；
依据所述聚合判定指令进行聚合关键点的特征值保留判别，根据保留判别结果和聚合结果完成关键点选择配置；
所述依据所述聚合判定指令进行聚合关键点的特征值保留判别，还包括：
以车辆参数集合获取底盘高度、前悬距离，并依据爬行坡度、车辆速度构建聚合判别数据库，其中，所述聚合判别数据库存储不同悬挂高度对应的特征阈值；
当所述聚合判定指令被触发后，调用对应的聚合判别数据库，执行所述聚合关键点的特征值保留判别；
所述阵列布设模块300，包括：
在所述车辆三维模型分布所述关键点，并构建关键点的监测需求特征；
根据分布结果建立关键点间的分隔特征；
获取传感器组的传感器参数，通过所述分隔特征、监测需求特征和所述传感器参数进行传感器组的分布位置寻优，生成位置寻优结果；
根据所述位置寻优结果完成传感器组阵列布设。
进一步的，所述数据输入模块700包括：
提取所述第二感知数据的环境数据，生成环境辅助数据集；
读取实时定位数据，根据所述实时定位数据和所述环境辅助数据集建立实时环境场景；
将所述实时环境场景输入第一处理子网络，生成灵敏响应结果；
将所述灵敏响应结果发送至第二处理子网络，通过所述第二处理子网络接收第二感知数据和实时预警标识，生成更新预警信息，其中，所述第一处理子网络和所述第二处理子网络为适配网络的子处理网络；
根据所述更新预警信息获得所述适配预警信息。
进一步的，所述数据输入模块700还包括：
将所述实时环境场景输入第三处理子网络，执行第三处理子网络的网络初始化；
将所述第一感知数据输入第三处理子网络进行异常识别，生成异常报出结果；
将所述异常报出结果添加至所述适配预警信息。
进一步的，所述模型融合模块800包括：
配置预警阶梯等级阈值，且每一预警阶梯等级阈值对应一预警颜色和闪烁频率；
判断所述适配预警信息是否触发所述预警阶梯等级阈值；
根据触发结果调用对应的预警颜色和闪烁频率进行融合结果的显示优化。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。
进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (5)
1.结合三维车身建模的道路环境感知方法，其特征在于，所述方法包括：
执行车辆的数据采集，建立车辆参数集合；
以所述车辆参数集合建立数字孪生模型，并以所述数字孪生模型进行场景仿真，根据场景仿真结果配置关键点；
基于所述关键点和所述数字孪生模型完成传感器组的阵列布设，并以数字孪生模型和传感器组的坐标建立车辆三维模型；
以所述车辆参数集合配置车内通信协议，建立通信连接，并通过通信连接读取实时车辆参数，生成第一感知数据；
通过所述传感器组进行实时环境信息采集，并基于采集结果生成第二感知数据；
基于所述关键点进行所述第二感知数据的感知评价，生成实时预警标识；
将所述第一感知数据、第二感知数据和实时预警标识输入道路环境与车辆的适配网络，生成适配预警信息；
建立道路三维模型，并将第一感知数据、第二感知数据、实时预警标识、适配预警信息与车辆三维模型、道路三维模型融合，并将融合结果在显示装置呈现；
以所述车辆参数集合建立数字孪生模型，并以所述数字孪生模型进行场景仿真，根据场景仿真结果配置关键点，包括：
通过大数据采集场景数据，建立测试场景集，并通过车辆的信息进行测试场景的场景适配评价，重构测试场景；
以所述测试场景进行数字孪生模型的模型测试，根据测试结果进行接触的频次敏感分析，生成第一关键约束；
以所述数字孪生模型进行车辆的部件重要程度分析，生成第二关键约束；
配置归一化系数，并通过配置完成的归一化系数进行第一关键约束和第二关键约束的归一化处理，根据处理结果完成关键点选择配置；
配置归一化系数，并通过配置完成的归一化系数进行第一关键约束和第二关键约束的归一化处理，根据处理结果完成关键点选择配置，包括：
将所述处理结果作为关键点的特征值，并获得各个关键点的位置坐标；
以位置坐标和特征值进行分布和特征的聚合判定，若任意关键点聚合成功，则生成聚合判定指令；
依据所述聚合判定指令进行聚合关键点的特征值保留判别，根据保留判别结果和聚合结果完成关键点选择配置；
依据所述聚合判定指令进行聚合关键点的特征值保留判别，还包括：
以车辆参数集合获取底盘高度、前悬距离，并依据爬行坡度、车辆速度构建聚合判别数据库，其中，所述聚合判别数据库存储不同悬挂高度对应的特征阈值；
当所述聚合判定指令被触发后，调用对应的聚合判别数据库，执行所述聚合关键点的特征值保留判别；
基于所述关键点和所述数字孪生模型完成传感器组的阵列布设，并以数字孪生模型和传感器组的坐标建立车辆三维模型，包括：
在所述车辆三维模型分布所述关键点，并构建关键点的监测需求特征；
根据分布结果建立关键点间的分隔特征；
获取传感器组的传感器参数，通过所述分隔特征、监测需求特征和所述传感器参数进行传感器组的分布位置寻优，生成位置寻优结果；
根据所述位置寻优结果完成传感器组阵列布设。
2.如权利要求1所述的方法，其特征在于，所述将所述第一感知数据、第二感知数据和实时预警标识输入道路环境与车辆的适配网络，生成适配预警信息，包括：
提取所述第二感知数据的环境数据，生成环境辅助数据集；
读取实时定位数据，根据所述实时定位数据和所述环境辅助数据集建立实时环境场景；
将所述实时环境场景输入第一处理子网络，生成灵敏响应结果；
将所述灵敏响应结果发送至第二处理子网络，通过所述第二处理子网络接收第二感知数据和实时预警标识，生成更新预警信息，其中，所述第一处理子网络和所述第二处理子网络为适配网络的子处理网络；
根据所述更新预警信息获得所述适配预警信息。
3.如权利要求2所述的方法，其特征在于，所述根据所述更新预警信息获得所述适配预警信息，包括：
将所述实时环境场景输入第三处理子网络，执行第三处理子网络的网络初始化；
将所述第一感知数据输入第三处理子网络进行异常识别，生成异常报出结果；
将所述异常报出结果添加至所述适配预警信息。
4.如权利要求1所述的方法，其特征在于，所述建立道路三维模型，并将第一感知数据、第二感知数据、实时预警标识、适配预警信息与车辆三维模型、道路三维模型融合，并将融合结果在显示装置呈现，包括：
配置预警阶梯等级阈值，且每一预警阶梯等级阈值对应一预警颜色和闪烁频率；
判断所述适配预警信息是否触发所述预警阶梯等级阈值；
根据触发结果调用对应的预警颜色和闪烁频率进行融合结果的显示优化。
5.结合三维车身建模的道路环境感知装置，其特征在于，用于实施权利要求1-4任意一项所述的结合三维车身建模的道路环境感知方法，包括：
数据采集模块，用于执行车辆的数据采集，建立车辆参数集合；
场景仿真模块，用于以所述车辆参数集合建立数字孪生模型，并以所述数字孪生模型进行场景仿真，根据场景仿真结果配置关键点；
阵列布设模块，用于基于所述关键点和所述数字孪生模型完成传感器组的阵列布设，并以数字孪生模型和传感器组的坐标建立车辆三维模型；
通信连接模块，用于以所述车辆参数集合配置车内通信协议，建立通信连接，并通过通信连接读取实时车辆参数，生成第一感知数据；
感知数据采集模块，用于通过所述传感器组进行实时环境信息采集，并基于采集结果生成第二感知数据；
感知评价模块，用于基于所述关键点进行所述第二感知数据的感知评价，生成实时预警标识；
数据输入模块，用于将所述第一感知数据、第二感知数据和实时预警标识输入道路环境与车辆的适配网络，生成适配预警信息；
模型融合模块，用于建立道路三维模型，并将第一感知数据、第二感知数据、实时预警标识、适配预警信息与车辆三维模型、道路三维模型融合，并将融合结果在显示装置呈现；
以所述车辆参数集合建立数字孪生模型，并以所述数字孪生模型进行场景仿真，根据场景仿真结果配置关键点，包括：
通过大数据采集场景数据，建立测试场景集，并通过车辆的信息进行测试场景的场景适配评价，重构测试场景；
以所述测试场景进行数字孪生模型的模型测试，根据测试结果进行接触的频次敏感分析，生成第一关键约束；
以所述数字孪生模型进行车辆的部件重要程度分析，生成第二关键约束；
配置归一化系数，并通过配置完成的归一化系数进行第一关键约束和第二关键约束的归一化处理，根据处理结果完成关键点选择配置；
配置归一化系数，并通过配置完成的归一化系数进行第一关键约束和第二关键约束的归一化处理，根据处理结果完成关键点选择配置，包括：
将所述处理结果作为关键点的特征值，并获得各个关键点的位置坐标；
以位置坐标和特征值进行分布和特征的聚合判定，若任意关键点聚合成功，则生成聚合判定指令；
依据所述聚合判定指令进行聚合关键点的特征值保留判别，根据保留判别结果和聚合结果完成关键点选择配置；
依据所述聚合判定指令进行聚合关键点的特征值保留判别，还包括：
以车辆参数集合获取底盘高度、前悬距离，并依据爬行坡度、车辆速度构建聚合判别数据库，其中，所述聚合判别数据库存储不同悬挂高度对应的特征阈值；
当所述聚合判定指令被触发后，调用对应的聚合判别数据库，执行所述聚合关键点的特征值保留判别；
基于所述关键点和所述数字孪生模型完成传感器组的阵列布设，并以数字孪生模型和传感器组的坐标建立车辆三维模型，包括：
在所述车辆三维模型分布所述关键点，并构建关键点的监测需求特征；
根据分布结果建立关键点间的分隔特征；
获取传感器组的传感器参数，通过所述分隔特征、监测需求特征和所述传感器参数进行传感器组的分布位置寻优，生成位置寻优结果；
根据所述位置寻优结果完成传感器组阵列布设。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410238976.6A CN117828899B (zh) | 2024-03-04 | 2024-03-04 | 结合三维车身建模的道路环境感知方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410238976.6A CN117828899B (zh) | 2024-03-04 | 2024-03-04 | 结合三维车身建模的道路环境感知方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117828899A CN117828899A (zh) | 2024-04-05 |
| CN117828899B true CN117828899B (zh) | 2024-05-07 |
Family
ID=90519267
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410238976.6A Active CN117828899B (zh) | 2024-03-04 | 2024-03-04 | 结合三维车身建模的道路环境感知方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117828899B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021222384A1 (en) * | 2020-04-28 | 2021-11-04 | Strong Force Intellectual Capital, Llc | Digital twin systems and methods for transportation systems |
| CN115039045A (zh) * | 2019-11-25 | 2022-09-09 | 强力物联网投资组合2016有限公司 | 用于工业环境的智能振动数字孪生系统和方法 |
| CN116266428A (zh) * | 2021-12-16 | 2023-06-20 | 中国电信股份有限公司 | 车路协同测试方法、车路协同测试装置、车路协同测试系统以及计算机可读存储介质 |
| CN116337102A (zh) * | 2023-03-29 | 2023-06-27 | 博雷顿科技股份公司 | 基于数字孪生技术的无人驾驶环境感知与导航方法 |
| CN116564116A (zh) * | 2023-05-24 | 2023-08-08 | 武汉理工大学 | 数字孪生驱动的智能辅助驾驶引导系统与方法 |
| WO2023207016A1 (zh) * | 2022-04-29 | 2023-11-02 | 长安大学 | 一种基于数字孪生云控平台的自动驾驶测试系统和方法 |
| CN117290997A (zh) * | 2023-08-14 | 2023-12-26 | 吉林大学 | 一种基于数字孪生模式的人机共驾决策系统测评方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210287459A1 (en) * | 2018-09-30 | 2021-09-16 | Strong Force Intellectual Capital, Llc | Digital twin systems and methods for transportation systems |
-
2024
- 2024-03-04 CN CN202410238976.6A patent/CN117828899B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115039045A (zh) * | 2019-11-25 | 2022-09-09 | 强力物联网投资组合2016有限公司 | 用于工业环境的智能振动数字孪生系统和方法 |
| WO2021222384A1 (en) * | 2020-04-28 | 2021-11-04 | Strong Force Intellectual Capital, Llc | Digital twin systems and methods for transportation systems |
| CN116266428A (zh) * | 2021-12-16 | 2023-06-20 | 中国电信股份有限公司 | 车路协同测试方法、车路协同测试装置、车路协同测试系统以及计算机可读存储介质 |
| WO2023207016A1 (zh) * | 2022-04-29 | 2023-11-02 | 长安大学 | 一种基于数字孪生云控平台的自动驾驶测试系统和方法 |
| CN116337102A (zh) * | 2023-03-29 | 2023-06-27 | 博雷顿科技股份公司 | 基于数字孪生技术的无人驾驶环境感知与导航方法 |
| CN116564116A (zh) * | 2023-05-24 | 2023-08-08 | 武汉理工大学 | 数字孪生驱动的智能辅助驾驶引导系统与方法 |
| CN117290997A (zh) * | 2023-08-14 | 2023-12-26 | 吉林大学 | 一种基于数字孪生模式的人机共驾决策系统测评方法 |
Non-Patent Citations (2)
| Title |
|---|
| AIoT未来的发展趋势;徐建明;;中国安防;20200501(05);全文 * |
| 基于深度学习的车辆跟踪算法综述;赵奇慧;刘艳洋;;电子技术与软件工程;20200201(03);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117828899A (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3533681B1 (en) | Method for detecting safety of driving behavior, apparatus and storage medium | |
| CN111781855B (zh) | 一种交通在环自动驾驶仿真系统 | |
| CN106846863B (zh) | 基于增强现实和云端智能决策的事故黑点警告系统及方法 | |
| CN110675656B (zh) | 一种基于瞬时风险识别的智能车辆换道预警方法 | |
| CN111524362B (zh) | 基于多数据融合的车辆安全行驶保障系统与方法 | |
| CN107976200B (zh) | 操作具有自主驾驶模式的车辆的方法和系统 | |
| US8599005B2 (en) | Method for determining the driving limits of a vehicle | |
| US20150307107A1 (en) | Driver performance determination based on geolocation | |
| CN108647437A (zh) | 一种自动驾驶汽车评价方法及评价系统 | |
| US11170639B2 (en) | Transportation threat detection system | |
| CN113378741B (zh) | 一种基于多源传感器的飞机牵引车辅助感知方法及其系统 | |
| US20230063930A1 (en) | Vehicle recording device and information recording method | |
| CN108960083B (zh) | 基于多传感器信息融合的自动驾驶目标分类方法及系统 | |
| JP6950481B2 (ja) | 診断システム | |
| CN112519796A (zh) | 一种用于自动驾驶的车道偏离预警系统 | |
| CN112950811A (zh) | 融合整车安全的新能源汽车区域运行风险评估及预警系统 | |
| CN114360210A (zh) | 一种车辆疲劳驾驶预警系统 | |
| CN116312045A (zh) | 一种车辆危险预警方法及装置 | |
| CN116901875A (zh) | 感知融合系统、车辆及控制方法 | |
| CN117828899B (zh) | 结合三维车身建模的道路环境感知方法及装置 | |
| CN117008574A (zh) | 一种智能网联汽车高级辅助驾驶系统和自动驾驶系统测试平台 | |
| CN116142178A (zh) | 一种车辆辅助驾驶方法、系统、介质及电子设备 | |
| US20230256994A1 (en) | Assessing relative autonomous vehicle performance via evaluation of other road users | |
| CN114299715A (zh) | 一种基于视频、激光雷达与dsrc的高速公路信息检测系统 | |
| KR102477885B1 (ko) | 자율주행 도로의 주행 안전도를 평가하는 안전도 분석 관리 서버 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |