CN117949900A - 一种基于3d模型和雷达数据的全息高速构建方法 - Google Patents
一种基于3d模型和雷达数据的全息高速构建方法 Download PDFInfo
- Publication number
- CN117949900A CN117949900A CN202311342867.0A CN202311342867A CN117949900A CN 117949900 A CN117949900 A CN 117949900A CN 202311342867 A CN202311342867 A CN 202311342867A CN 117949900 A CN117949900 A CN 117949900A
- Authority
- CN
- China
- Prior art keywords
- data
- radar
- vehicle
- model
- speed
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims description 21
- 238000013523 data management Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 11
- 230000006378 damage Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 230000002441 reversible effect Effects 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 12
- 238000003860 storage Methods 0.000 abstract description 4
- 230000009467 reduction Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000013500 data storage Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011065 in-situ storage Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001093 holography Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明克服了高速全线雷达推送的毫秒级大流量数据难以治理,模型加载速度慢,三维场景页面卡顿帧率低,以及雷达仅能提供二位定位数据,无法生成车辆对应高度数据的问题,提供了一种基于3D模型和雷达数据的全息高速构建方法,基于3D模型和雷达数据,赋予车辆一个新的目标ID,并获取车辆的信息,通过雷达不断推送数据,服务端不断地消费数据、解析数据、清洗脏数据和推送数据,遍历车辆模型的轨迹列表,前端3D场景接收数据、创建路径,使得高速上小车以自己的轨迹路径运动起来,并且通过合理的存储和查询,来对每一辆车进行轨迹还原,实现传统摄像头、视频等设备做不好的业务,提供直观的体验,方便用户高效地发现和预警道路安全隐患。
Description
技术领域
本发明涉及交通信息技术领域,尤其是涉及一种基于3D模型和雷达数据的全息高速构建方法。
背景技术
在交通信息和安全方法技术领域,雷达探测作为一种常用的技术手段得到了广泛的应用。在城市交通业务领域,该技术为方便日后对交通违法行为查证提供证据,并方便交通管理人员以三维这种更直观的方式实时掌握道路的通行状况。
近年来,随着经济发展人们的物质生活需要日益增长,车辆的快速增长已成为必然趋势,但随之而来的交通问题也日益明显,雷达设备的应用也随之增多,因此海量的并行性雷达数据也在快速的生成。
雷达推送的数据具有超高频率的特点,超高频率意味着单位时间内接收到的数据量超大。因此应对高速全线雷达推送的毫秒级大流量数据,页面需要加载大量模型,如何对海量的雷达数据进行存储,处理是3D交通雷达联网系统中的一个重要环节,是实现对大量雷达设备的在线监控和历史状态查询的关键问题。在这个场景中,目前存在的方案主要依靠关系数据库作为存储,但是这类方案,往往无法支撑多设备同时连续上传千万级别的数据。而且关系型数据库的吞吐量往往不足以满足海量实时数据接入的性能要求,或需要更多的设备成本;另外,关系型数据库长时间持续地写入数据会影响其它查询业务的正常使用。
因此,需要一种能治理雷达推送的毫秒级大流量数据,保证全息交通中模型的加载速度、保证画面的流畅度,应对复杂的高速公路模型等问题的技术方案,方便为用户提供直观的体检,方便用户更高效地发现和预警道路安全隐患。
中国专利公开号CN113129592A,公开日2021年7月16日,发明创造的名称为一种高速公路隧道交通状态全息感知系统及方法,该方案公开了一种高速公路隧道交通状态全息感知系统及方法,系统包括隧道路侧前端和监控中心所述隧道路侧前端包括车牌识别器、车型识别器和全息眼智能路侧感知单元,通过毫米波雷达与AI视觉摄像头技术融合,自动感知隧道内交通流与交通事件状态,其不足之处便是模型的加载速度慢,画面流畅度低,无法治理毫秒级大流量数据。
发明内容
本发明克服了高速全线雷达推送的毫秒级大流量数据难以治理,模型加载速度慢,三维场景页面卡顿帧率低,以及雷达仅能提供二位定位数据,无法生成车辆对应高度数据的问题,提供了一种基于3D模型和雷达数据的全息高速构建方法。
一种基于3D模型和雷达数据的全息高速构建方法,包括以下步骤:
S1、雷达监测高速上新出现的车辆,赋予新的目标ID,获取车辆信息;
S2、根据当前视角范围内的雷达设备订阅雷达主题;
S3、实时获取服务端推送的网络数据,对新数据的目标ID进行判断;
S4、遍历所有车辆模型的轨迹列表,根据车辆的路线列表中的第一个轨迹点和最后一个轨迹点,创建一条路径。所述基于3D模型和雷达数据的全息高速构建方法还包括,步骤S5、根据服务端使用者的需求,通过订阅雷达主题,消费并解析数据,存储到非关系型数据库中,还原全息高速车辆轨迹。基于三维模型和雷达数据,将高速路上所有新出现的车辆赋予一个新的目标ID,并获取车辆的信息,通过雷达不断推送数据,服务端不断地消费数据、解析数据、清洗数据和推送数据,前端三维场景接收数据、创建路径,使得高速上每一小车以自己的轨迹路径运动起来,从而实现传统的摄像头、视频等设备做不好甚至做不了的业务,为用户提供直观的体验,方便用户高效地发现和预警道路安全隐患,构建一种高画面流畅度的全息高速。
作为优选,所述全息高速构建方法中,订阅雷达主题消费的数据均采用十六进制形式。通过将数据项采用十六进制形式,有效降低了网络包文的长度,同时保证数据不会因为服务离线或者重启而丢失。
作为优选,所述步骤S2进一步表示为:
根据当前视角范围内的雷达设备,订阅雷达设备对应的雷达主题;
持续拉取雷达主题下的最新数据,将拉取到的数据进行解析;
计算并获取到车辆跟踪数据的经纬度变化趋势;
利用脏数据治理策略,识别路径列表中脏数据,并将脏数据从目标跟踪数据列表中删除。雷达数据的推送通过将各个数据项采用十六进制字符串拼接的方式推送到消息队列中,降低网络包文的长度,同时保证数据不会因为服务离线或者重启而丢失。雷达数据的存储方面,毫秒级数据存储到非关系型数据库中,提高大流量数据存储和查询的效率,用于车辆轨迹还原业务。
作为优选,所述脏数据为短时间内小车频繁出现递增、递减来回变动的反向趋势数据;所述脏数据治理策略通过车辆的轨迹数据列表,判断轨迹数据的经度或者纬度整体是否为单调递增或单调递减。对于,绝大多数的高速道路来说,车辆基本不会出现掉头情况,但是如果雷达设备出现故障问题,或是在恶劣天气下,可能会出现推送许多导致车辆往回开的脏数据(掉头、反向运动趋势的数据),最终所呈现出来的效果,就是全息之后,车辆模型运行的过程中会时不时地往回开,而脏数据治理策略能通过筛选和消除脏数据的方式有效避免车辆发生在大部分高速公路模型场景下原地掉头的问题,为用户呈现更准确的效果展示。
作为优选,所述步骤S3中,对新数据的目标ID进行判断通过一个不可重复的Set容器来管理目标ID,每次存储目标ID,遍历一遍Set容器。所述服务端还设有车辆模型的创建和销毁机制。所述车辆模型的创建和销毁机制,针对区域切换,视野拖动、被跟踪车辆进入新的雷达区域、车辆丢失轨迹跟踪数据,通过唯一的车辆目标ID,来检测是否容器中是否存在同ID,从而避免重复创建模型,再判断该车辆目标ID模型后续是否还有数据推送,执行销毁模型的决策,能有效释放大量无用的小车模型在空间内堆积,不会占用较多的内存,提高场景的展示帧率。
作为优选,所述步骤S1中,将持续获取的车辆信息,转换成十六进制字符串拼接到一起,组成一条消息,再推送至雷达主题下。雷达主题根据单个雷达设备进行差分,根据业务场景需求动态订阅。相较于传统一次订阅所有雷达的数据,极大的降低了计算压力和网络带宽压力。另外,雷达主题会根据用户点击的路段/枢纽/互通切换的操作进行切换;三维引擎中的摄像机提供视野,通过将雷达设备的编码作为模型组件的名称,每次拖动画面,动态计算摄像机到各个雷达设备的距离。
所述步骤S4中,前端以固定频率分别遍历所有车辆模型的轨迹列表;车辆模型运行速度根据实时JSON数据中的速度字段,根据比例尺的转换运算得到。前端采用的固定频率根据实际场景需求和往年高速道路上历史平均车速,进行适应变更,具体的,以500ms的固定频率分别遍历所有车辆模型的轨迹列表,能准确并连贯的展示出车辆模型的运行轨迹;如需满足更高精度的轨迹展示,可对500ms的频率进行调整,可调整为100ms,呈现更高精度的轨迹展示,降低运行轨迹不连贯导致的车辆运行路线歪斜,扭曲的概率。
本发明的有益效果为:一种基于3D模型和雷达数据的全息高速构建方法,基于3D模型和雷达数据,将高速路上所有新出现的车辆赋予一个新的目标ID,并获取车辆的信息,通过雷达不断推送数据,服务端不断地消费数据、解析数据、清洗脏数据和推送数据,遍历车辆模型的轨迹列表,前端3D场景接收数据、根据数据创建路径,使得高速上每一小车以自己的轨迹路径运动起来,并且通过合理的存储和查询方式,来对每一辆存储了轨迹的小车进行轨迹还原,从而实现传统的摄像头、视频等设备做不好甚至做不了的业务,为用户提供直观的体验,方便用户高效地发现和预警道路安全隐患。
同时,雷达数据的毫秒级数据治理,能提高大流量数据存储和查询效率,保证模型的加载速度、保证画面的流畅度。
模型创建和销毁机制能有效释放大量无用的小车模型在空间内堆积,不会占用较多的内存,提高场景的展示帧率。
附图说明
图1是本发明实施例的全息高速构建方法流程图;
图2是本发明实施例的脏数据治理策略的算法示意图;
图3是本发明实施例的脏数据治理策略的数据排列示意图;
具体实施方式
为使本发明的目的,技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
雷达数据的推送方面通过将各个数据项采用十六进制字符串拼接的方式推送到消息队列中,降低网络包文的长度,同时保证数据不会因为服务离线或者重启而丢失。雷达数据的存储方面,毫秒级数据存储到非关系型数据库中,提高大流量数据存储和查询的效率,用于车辆轨迹还原业务。
相较于传统一次订阅所有雷达的数据,本方案中的消息队列雷达主题订阅的变更策略,将雷达主题根据单个雷达设备进行差分,根据业务场景需求来进行动态订阅。
消息队列中的雷达主题订阅变更策略会根据用户点击的路段/枢纽/互通切换的时候进行雷达主题的切换。
三维引擎中的摄像机提供视野,通过将雷达设备的编码作为模型组件的名称,用户每次拖动画面,动态计算摄像机到各个雷达设备的距离,如果部分雷达距离摄像机的距离小于1000m,则通过websocket技术将这些雷达的名称以一定的数据协议作为变更信号发送给服务端,服务端动态订阅各个雷达的主题。后续用户拖动镜头、移动视野的时候持续判断摄像机与各个雷达的距离,若范围内的雷达列表不发生变更,则不发送信号。
消息队列中的雷达主题订阅变更策略还设有车辆模型跟踪的机制,车辆运行过程中会有区域的变化,此时摄像机定位与车辆保持一致,继续动态计算与各个雷达设备的距离。仅订阅距离车辆最近的一个雷达的数据,当识别到车辆距离的雷达即将进入1000m范围,则提前发送信号给服务端,通过提前订阅到新主题的数据,从而避免出现切换新雷达的数据加载过慢导致车辆模型跟踪画面不够连续、车辆停在原地等问题。同理,当识别到某个雷达即将离开范围,则发送信号取消该雷达的订阅。
本方案服务端还设有车辆模型的创建和销毁机制。区域切换、视野拖动、被跟踪小车进入新的雷达区域、小车丢失轨迹跟踪数据均会导致大量无用的小车模型在空间内堆积,不仅会占用较多的内存,降低场景的展示帧率,还会导致小车滞留在原地不动,给用户留下负面印象。因此,车辆模型的创建和销毁机制就是一个重要环节。
本方案中的车辆模型创建和销毁机制具体为:服务端推送的数据会存在一个唯一的车辆id,根据改id来创建小车。后续在创建小车模型之前会检测容器中是否存在该id,从而避免重复创建模型。
若某个id的小车模型在1s内均无后续的数据推送,则销毁该模型,释放内存。
对于绝大多数的高速道路来说,小车基本不会出现掉头的情况。但是如果雷达设备出现问题,或是在恶劣天气下,可能会出现推送许多导致小车往回开(掉头)的脏数据,最终所呈现出来的效果就比如小车模型运行的过程中会时不时地往回开,因此,对于全息高速道路中的脏数据的处理能起到很好的释放内存,降低负担的作用。
本案中的脏数据治理策略具体为:在本实施例中,如图2所示,一辆车辆运行的小车,无论是其经度还是纬度,均是单调地进行变化的(单调递增或者单调递减),如果短时间内小车频繁出现递增、递减来回变动的情况,则证明这是一段脏数据。
在本实施例中,如图3所示,分析上述案例中的脏数据的修复方式:设有一辆小车的轨迹数据列表L,其内部包含了n个小车位置Pi,从P1到Pn,图2中的一段数据即为一个Pi。
如图3所示,其内部的数据为从左往右按照时间递增的方式排列,绿色的数据为正常数据,红色的为脏数据,其中红色的脏数据为P3和P7,其余全为正常数据;绿色部分相邻的数据的经度或者纬度值均按照单调递增或单调递减的方式在运行,而红色部分的脏数据则会以与整体相反的方向在变化。
首先对该列表中相邻的n个坐标数据进行差值的计算,用下标大的减去下标小的得到n-1个gap值,每个gap值称之为g(i),将n-1个gap值放入一个新的列表中。g(i)是存在符号的,将n-1个gap值进行累加,最终得到一个g(t),t的含义是total,意味着总和。下面分为几种情况:
1.g(t)>0,则证明这组数据的经度或者纬度整体是单调递增的。因此那些g(i)<0对应的P(i+1)就是脏数据,在P列表中找到对应下标为i+1的P进行删除。
2.g(t)<0,则证明这组数据的经度或者纬度整体是单调递减的。因此那些g(i)>0对应的P(i+1)就是脏数据,在P列表中找到对应下标为i+1的P进行删除。
3.g(t)=0,这种情况基本不存在。若存在则意味着这辆车一直没有运动。
通过这种方式,能够有效避免小车发生在大部分高速公路模型场景下原地掉头的问题,为用户呈现更准确的效果展示。
在一个空间坐标系中,Z轴就是我们熟悉的垂直方向坐标轴了。对于常规的雷达来说,一般只会提供水平方向的坐标数据,也就是X,Y轴上的数据,对应到我们现实世界中的概念,就是经度和纬度。
但是我们在高速场景下的三维模型,路面并不是一直保持同一个高度的,尤其是互通和枢纽这类位置,存在匝道,而匝道意味着上下坡,也就是会产生高度的变化,如果将小车的高度数据设置为一个常量,那么就会出现小车逐渐脱离路面或是小车扎进路面的状况,这是我们不希望看到的。因此,本方案中还设有车辆Z轴坐标的赋值机制,具体如下:
1.首先在空间中导入高速公路三维模型,设置模型上某个已知经纬度的显著位置作为空间坐标原点。
2.对于后续雷达推送过来的的经纬度坐标数据(latitude,longitude),相较于模型原点的经纬度存在两个方向的偏移量dx和dy,根据这个偏移量,并按照高速模型的比例尺进行计算转换,就可以为小车赋予一个空间坐标(X,Y),但是此时小车的空间坐标只有X和Y两个纬度,高度Z是缺失的。
3.为获取到x和y坐标的小车初始化一个较大的z坐标,例如Z=500,往z轴负方向建立一条射线,会获取到若干个点。例如,获取到三个点A,B,C,对应着三个高度坐标Za,Zb,Zc。
对于车辆存在的多个高度坐标,还相应设置多个高度坐标的选择策略,具体举例为:高速路面上有三个颜色的轨迹线,黄色为小车发出射线后与道路模型只有一个交点的部分,绿色会两个交点的部分,蓝色为三个交点的部分,在当前场景下,我们希望高度坐标不会偏离黄色部分的高度坐标太多的。
因此,本方案的高度坐标选择策略为:
1.若只获取到一个交点(x1,y1,z1),则Zs=z1;
2.若获取到两个交点(x1,y1,z1)和(x2,y2,z2),则取与Zs的差值最小的z,并且更新Zs;3.若获取到三个交点(x1,y1,z1)和(x2,y2,z2)和(x3,y3,z3),则依旧取与Zs差值最小的z,并且更新Zs。
本方案中还设有高度坐标的纠偏策略,纠偏车辆Z轴高度坐标,具体为:若小车最开始生成的位置发出射线就已经存在多个交点了,则小车的初始高度坐标Zt(t的含义为temporary,意为临时的)取若干个交点的Z坐标中最大的数值,同时随着生成射线取到的点实时更新该高度坐标Zt。若小车实时获取坐标的过程中发生了Z坐标的跃迁(较大的变化),则将Zt更新为后续多个交点的最大坐标值,直到小车最终获取到的高度坐标点有且只有一个,则将当前的唯一高度坐标赋值给Zs,后续小车高度坐标的赋予规则与上个小节中描述的规则一致。
一种基于3D模型和雷达数据的全息高速构建方法,包括以下步骤:
S1、雷达监测高速上新出现的车辆,赋予新的目标ID,获取车辆信息;
S2、根据当前视角范围内的雷达设备订阅雷达主题;
S3、实时获取服务端推送的网络数据,对新数据的目标ID进行判断;
S4、遍历所有车辆模型的轨迹列表,根据车辆的路线列表中的第一个轨迹点和最后一个轨迹点,创建一条路径。基于3D模型和雷达数据的全息高速构建方法还包括,步骤S5、根据服务端使用者的需求,通过订阅雷达主题,消费并解析数据,存储到非关系型数据库中,还原全息高速车辆轨迹。在本实施例中,通过步骤S1至步骤S4,服务端的使用者可以实时了解某一高速路段的实时全息高速的车辆数据,知晓该车辆在三维模型中某时刻下的坐标位置,车速,行驶方向等信息;当服务端的使用者根据特定需求,如还原高速路上某一车辆发生车祸前的轨迹,则可通过步骤S1至S5,订阅所有雷达主题,消费得到十六进制数据,解析完毕则为十进制数据,最后存储到非关系型数据库中,再通过输入车辆的车牌,锁定全息高速中的该车辆数据和绑定的多个目标ID,查询得到该车辆的轨迹,添加到一个列表中,再通过网络将其发送至前端,遍历该车辆的轨迹列表,就可以在三维模型的全息高速中,连贯的还原展示出该车辆的运行轨迹。
在本方案中,毫秒级数据存储到非关系型数据库中均通过全部订阅的方式,当需要实时展示高速路上的三维模型时,所需数据是通过动态订阅的方式,根据用户切换场景、画面拖动来订阅雷达主题。
基于三维模型和雷达数据,将高速路上所有新出现的车辆赋予一个新的目标ID,并获取车辆的信息,通过雷达不断推送数据,服务端不断地消费数据、解析数据、清洗数据和推送数据,前端三维场景接收数据、创建路径,使得高速上每一小车以自己的轨迹路径运动起来,从而实现传统的摄像头、视频等设备做不好甚至做不了的业务,为用户提供直观的体验,方便用户高效地发现和预警道路安全隐患,构建一种高画面流畅度的全息高速。
全息高速构建方法中,订阅雷达主题消费的数据均采用十六进制形式。通过将数据项采用十六进制形式,有效降低了网络包文的长度,同时保证数据不会因为服务离线或者重启而丢失。
步骤S2进一步表示为:
根据当前视角范围内的雷达设备,订阅雷达设备对应的雷达主题;
持续拉取雷达主题下的最新数据,将拉取到的数据进行解析;
计算并获取到车辆跟踪数据的经纬度变化趋势;
利用脏数据治理策略,识别路径列表中脏数据,并将脏数据从目标跟踪数据列表中删除。雷达数据的推送通过将各个数据项采用十六进制字符串拼接的方式推送到消息队列中,降低网络包文的长度,同时保证数据不会因为服务离线或者重启而丢失。雷达数据的存储方面,毫秒级数据存储到非关系型数据库中,提高大流量数据存储和查询的效率,用于车辆轨迹还原业务。
脏数据为短时间内小车频繁出现递增、递减来回变动的反向趋势数据;脏数据治理策略通过车辆的轨迹数据列表,判断轨迹数据的经度或者纬度整体是否为单调递增或单调递减。对于,绝大多数的高速道路来说,车辆基本不会出现掉头情况,但是如果雷达设备出现故障问题,或是在恶劣天气下,可能会出现推送许多导致车辆往回开的脏数据(掉头、反向运动趋势的数据),最终所呈现出来的效果,就是全息之后,车辆模型运行的过程中会时不时地往回开,而脏数据治理策略能通过筛选和消除脏数据的方式有效避免车辆发生在大部分高速公路模型场景下原地掉头的问题,为用户呈现更准确的效果展示。
步骤S3中,对新数据的目标ID进行判断通过一个不可重复的Set容器来管理目标ID,每次存储目标ID,遍历一遍Set容器。服务端还设有车辆模型的创建和销毁机制。车辆模型的创建和销毁机制,针对区域切换,视野拖动、被跟踪车辆进入新的雷达区域、车辆丢失轨迹跟踪数据,通过唯一的车辆目标ID,来检测是否容器中是否存在同ID,从而避免重复创建模型,再判断该车辆目标ID模型后续是否还有数据推送,执行销毁模型的决策,能有效释放大量无用的小车模型在空间内堆积,不会占用较多的内存,提高场景的展示帧率。
步骤S1中,将持续获取的车辆信息,转换成十六进制字符串拼接到一起,组成一条消息,再推送至雷达主题下。雷达主题根据单个雷达设备进行差分,根据业务场景需求动态订阅。相较于传统一次订阅所有雷达的数据,极大的降低了计算压力和网络带宽压力。另外,雷达主题会根据用户点击的路段/枢纽/互通切换的操作进行切换;三维引擎中的摄像机提供视野,通过将雷达设备的编码作为模型组件的名称,每次拖动画面,动态计算摄像机到各个雷达设备的距离。
步骤S4中,前端以固定频率分别遍历所有车辆模型的轨迹列表;车辆模型运行速度根据实时JSON数据中的速度字段,根据比例尺的转换运算得到。前端采用的固定频率根据实际场景需求和往年高速道路上历史平均车速,进行适应变更,具体的,以500ms的固定频率分别遍历所有车辆模型的轨迹列表,能准确并连贯的展示出车辆模型的运行轨迹,降低运行轨迹不连贯导致的车辆运行路线歪斜,扭曲的概率。
本方案中,如图1所示,通过雷达数据展示到3D模型中,从而构建全息高速构建方法,主要包含以下步骤:
1.雷达监测到新出现的车辆,为其赋予新的目标Id,持续获取到车辆的速度、转向角、经度、纬度、车辆类型、车牌号等信息,将这些信息以一定的频率、按照特定的协议,每个字段保留一定字节长度,转化成十六进制字符串拼接到一起组成一条消息,生产者将这些消息推送到指定的主题下。
2.服务端的消费者根据当前三维场景下或当前视角范围内的雷达设备订阅这些雷达对应的主题,持续地拉取各个主题下的最新数据,拉取到的数据在解析程序中按照特定协议进行解析,将十六进制字符串转换成JSON的格式添加到准备传输给前端的列表中,并根据前文描述的脏数据治理策略,先通过计算获取到这一批车辆跟踪数据的经纬度的变化趋势,从而识别出路径列表中的脏数据(反向趋势的数据),将脏数据从目标跟踪数据列表中删除,然后再通过WebSocket的方式以500ms一次的频率实时推送给三维场景。
3.三维场景的页面实时获取来自服务端推送的网络数据,每次都对新数据的目标ID进行判断,查看该目标ID是否已经存在。(通过一个不可重复的Set容器来管理目标ID,每次存储目标ID都会遍历一遍该容器)
a.若存在则无须再次创建模型,直接找到目标ID对应的模型,将新的经度和纬度数据进行坐标转化,将得到的新坐标存储到该目标ID对应的路径列表中,后续小车模型的运动完全依赖该路径列表。
b.若不存在,则根据该条JSON数据的经度和纬度数据,进行空间场景坐标转换得到一个新的平面坐标,在该平面坐标位置,结合初始化的Z坐标,进行小车模型的创建。
c.以上两种情况的Z坐标除了初始化得到的Z坐标,还会根据Z坐标的赋值规则进行实时计算和更新。
4.前端以500ms的频率分别遍历所有小车模型的路径列表,根据每辆小车轨迹列表中的第一个和最后一个轨迹点来创建一条路径,运行的速度根据实时JSON数据中的速度字段,经过比例尺的转换运算得到模型的运行速度,有了路径点的起点和终点还有运行的速度,就可以让小车模型进行运动了。
5.步骤1到4描述了实时的全息高速的车辆数据,为了达到轨迹还原的效果,还需要另起一个消费者去订阅所有雷达主题,消费并解析数据,最后存储到非关系型数据库中。后续要还原某车辆的轨迹数据,只需要通过输入该车辆的车牌,车牌会在关系型数据库中绑定多个目标ID,根据每个目标ID前往非关系型数据库中查询就可以得到该车辆在不同时间地点的轨迹,查询得到的轨迹添加到一个列表中,通过网络推送给前端,前端就可以遍历该路径点列表,根据速度和每一个路径点,连贯地展示出该小车的运行轨迹。
综上所述,随着雷达不断地推送数据,服务端不断地消费数据、解析数据、清洗数据和推送数据,前端三维场景接收数据、创建路径,就能够让每一辆小车以自己的轨迹运动起来,从而为用户提供全息高速的效果。并且通过合理的存储方式和查询方式,来对每一辆存储了轨迹的小车进行轨迹还原。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、工作、器件、组件和/或它们的组合。
Claims (10)
1.一种基于3D模型和雷达数据的全息高速构建方法,其特征在于,包括以下步骤:
S1、雷达监测高速上新出现的车辆,赋予新的目标ID,获取车辆信息;
S2、根据当前视角范围内的雷达设备订阅雷达主题;
S3、实时获取服务端推送的网络数据,对新数据的目标ID进行判断;
S4、遍历所有车辆模型的轨迹列表,根据车辆的路线列表中的第一个轨迹点和最后一个轨迹点,创建一条路径。
2.根据权利要求1所述一种基于3D模型和雷达数据的全息高速构建方法,其特征在于,所述基于3D模型和雷达数据的全息高速构建方法还包括,步骤S5、根据服务端使用者的需求,通过订阅雷达主题,消费并解析数据,存储到非关系型数据库中,还原全息高速车辆轨迹。
3.根据权利要求1或2所述一种基于3D模型和雷达数据的全息高速构建方法,其特征在于,所述全息高速构建方法中,订阅雷达主题消费的数据均采用十六进制形式。
4.根据权利要求1所述一种基于3D模型和雷达数据的全息高速构建方法,其特征在于,所述步骤S2进一步表示为:
根据当前视角范围内的雷达设备,订阅雷达设备对应的雷达主题;
持续拉取雷达主题下的最新数据,将拉取到的数据进行解析;
计算并获取到车辆跟踪数据的经纬度变化趋势;
利用脏数据治理策略,识别路径列表中脏数据,并将脏数据从目标跟踪数据列表中删除。
5.根据权利要求4所述一种基于3D模型和雷达数据的全息高速构建方法,其特征在于,所述脏数据为短时间内小车频繁出现递增、递减来回变动的反向趋势数据;所述脏数据治理策略通过车辆的轨迹数据列表,判断轨迹数据的经度或者纬度整体是否为单调递增或单调递减。
6.根据权利要求1所述一种基于3D模型和雷达数据的全息高速构建方法,其特征在于,所述步骤S3中,对新数据的目标ID进行判断通过一个不可重复的Set容器来管理目标ID,每次存储目标ID,遍历一遍Set容器。
7.根据权利要求1所述一种基于3D模型和雷达数据的全息高速构建方法,其特征在于,所述步骤S4中,前端以固定频率分别遍历所有车辆模型的轨迹列表;车辆模型运行速度根据实时JSON数据中的速度字段,根据比例尺的转换运算得到。
8.根据权利要求1或4所述一种基于3D模型和雷达数据的全息高速构建方法,其特征在于,雷达主题根据单个雷达设备进行差分,根据业务场景需求动态订阅。
9.根据权利要求1所述一种基于3D模型和雷达数据的全息高速构建方法,其特征在于,所述步骤S1中,将持续获取的车辆信息,转换成十六进制字符串拼接到一起,组成一条消息,再推送至雷达主题下。
10.根据权利要求1或6所述一种基于3D模型和雷达数据的全息高速构建方法,其特征在于,所述服务端还设有车辆模型的创建和销毁机制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311342867.0A CN117949900A (zh) | 2023-10-17 | 2023-10-17 | 一种基于3d模型和雷达数据的全息高速构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311342867.0A CN117949900A (zh) | 2023-10-17 | 2023-10-17 | 一种基于3d模型和雷达数据的全息高速构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117949900A true CN117949900A (zh) | 2024-04-30 |
Family
ID=90802485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311342867.0A Pending CN117949900A (zh) | 2023-10-17 | 2023-10-17 | 一种基于3d模型和雷达数据的全息高速构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117949900A (zh) |
-
2023
- 2023-10-17 CN CN202311342867.0A patent/CN117949900A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11443555B2 (en) | Scenario recreation through object detection and 3D visualization in a multi-sensor environment | |
US10703381B2 (en) | Intelligent vehicle action decisions | |
US20200090504A1 (en) | Digitizing and mapping the public space using collaborative networks of mobile agents and cloud nodes | |
CN109579856A (zh) | 高精度地图生成方法、装置、设备及计算机可读存储介质 | |
CN111859291B (zh) | 交通事故识别方法、装置、设备和计算机存储介质 | |
CN109598943A (zh) | 车辆违章的监控方法、装置及系统 | |
JP2021157833A (ja) | 道路状況予測方法、道路状況予測モデルを確立する方法及びその対応装置、電子機器、記録媒体並びにコンピュータプログラム製品 | |
KR20210080459A (ko) | 차선 검출방법, 장치, 전자장치 및 가독 저장 매체 | |
CN102024330A (zh) | 基于高清视频技术的智能交通信号控制系统、方法及设备 | |
CN116824859A (zh) | 一种基于物联网的智慧交通大数据分析系统 | |
Lv et al. | Digital twins based VR simulation for accident prevention of intelligent vehicle | |
CN106910339A (zh) | 道路信息提供方法、装置及处理终端 | |
CN102024331A (zh) | 可用于智能交通信号控制系统的系统 | |
CN115635961A (zh) | 样本数据生成方法及应用其的轨迹预测方法、装置 | |
CN114492022A (zh) | 路况传感数据处理方法、装置、设备、程序以及存储介质 | |
Minnikhanov et al. | Detection of traffic anomalies for a safety system of smart city | |
Deng | Anomaly detection of highway vehicle trajectory under the internet of things converged with 5g technology | |
CN117949900A (zh) | 一种基于3d模型和雷达数据的全息高速构建方法 | |
CN114078319A (zh) | 一种检测交通事故隐患地点的方法及装置 | |
US11034020B2 (en) | Systems and methods for enhanced review of automated robotic systems | |
CN116524718A (zh) | 一种路口数据的远程可视化处理方法和系统 | |
CN114492544B (zh) | 模型训练方法及装置、交通事件发生概率评估方法及装置 | |
CN114462225A (zh) | 一种车路协同下的混合交通仿真支撑环境快速构建系统 | |
Adnan et al. | Traffic congestion prediction using deep convolutional neural networks: A color-coding approach | |
Nejad et al. | Presenting a traffic management and control system in driver assistance form based on vehicular networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |