【技术实现步骤摘要】
本专利技术涉及智能交通路口控制的，特别是涉及一种分布式多元传感器的时间同步方法及系统。
技术介绍
1、车路协同是当今智能交通领域备受关注的一个问题。车路协同指的是通过车辆和道路之间的信息交互和共享，实现车辆与道路之间的协调和合作。车路协同的目的是提高车辆的通行效率，减少交通事故的发生，并为车辆自动驾驶系统的完善提供基础。要实现车路协同方案，行驶车辆数据采集的精确性和可靠性是其中的关键问题。
2、通过单一途径获取的车辆数据仅包含部分相关参数，而实现车路协同方案需要的参数较多，最基本的参数包括：车辆通行速度、车辆行驶方向、车辆类型。只有通过多种类传感器的数据融合，才能相对准确地描述车辆通行状况。
3、随着传感技术的多样化和智能化发展，分布式感知设备已广泛应用于智能交通领域。由于路口交通情况高度复杂，对感知设备分别进行数据处理得到的车辆定位数据往往不够精确，因此需要对分布式传感器进行时间同步。时间同步作为无线传感器网络的一项重要支撑技术，是无线传感器网络非常重要的组成部分。准确的时间同步是实现无线传感器网络自身协议的运行、数据融合、时分多址接入调度、协同休眠、精准定位等的基础。
4、目前部分路口使用雷视(雷达与视频)一体机进行数据采集，这种设备的优点在于将多种采集方式集成并使用统一的控制核心，能够在同一时间点上同步进行数据采集，缺点是价格昂贵，大范围推广使用存在困难。而针对分布式感知设备的时间同步，常见的做法两种：
5、1.采用空间同步来反推时间同步。空间同步通常通过给路口设置坐标轴，以
6、2.参数配置采集延时，人为设置检测设备延时采集。这种同步方式依托于参数设置者的肉眼观察，同步后得到的数据精度差。
技术实现思路
1、为解决上述技术问题，本专利技术提供一种分布式多元传感器的时间同步方法及系统，利用现有的分布式传感器-视频监控和雷达，用时间插值的方式实现精准时间同步，该方案的优势在于不需要增加大量成本，同时相比于传统做法在同步采集时间时产生的误差更小。
2、本专利技术的一种分布式多元传感器的时间同步方法，包括以下步骤：
3、(1)确保雷达和视频的系统时钟同步；
4、(2)选择其中一个感知设备的时间轴作为基准，其余感知设备则用于与基准设备的数据帧进行匹配，提取每帧结构化数据中的时间信息；提取当前处理帧的时间信息，形成两个时间轴，通过插值的方式实现时间的同步。
5、进一步地，步骤(1)中，使用时钟同步服务器来同步系统时钟，时间同步服务器是一个网络设备，通过与标准时间服务器进行同步，向局域网内的设备提供准确的时间信息，能够确保所有设备系统在范围内都使用统一的时间标准，从而保证数据交互的准确性和可靠性。
6、进一步地，时钟同步服务器为gps同步时钟。
7、进一步地，所述步骤(2)中，对采集的数据进行插值时，使用如下插值算法：均值插值、加权平均插值和卡尔曼跟踪插值。
8、进一步地，均值插值的具体方法为：
9、假设存在已知数据n，求取相邻的未知数据m1和m2，平均插值法的计算公式如下：
10、m1＝n+(n-m2)/2
11、m2＝n+(n-m1)/2
12、通过将m1和m2的值分别与基准设备的已知数据n相邻的两个匹配设备数据进行比较，选择偏差相对较小的一个数据帧来进行回溯或预测，将该数据帧认为是基准设备时间轴上对应数据n的那一帧。
13、进一步地，加权平均插值的具体方法为：
14、在使用加权平均法进行插值时，较近的数据点被给定一个较高的权重份额，若插值数据在时间轴上的位置到两端数据的距离相差无几，权重应比较均匀地分配给各数据点；
15、假设需要求取的插值数据为n，左右两侧的相邻数据值分别为n1、n2，权分别为m1、m2，则求值公式为：
16、
17、得到的n即是应该插入基准设备时间轴的数据，使用加权平均插值法时不需要像均值插值一样进行回溯或预测。
18、进一步地，卡尔曼跟踪插值的具体方法为：
19、卡尔曼滤波包含的两个方程为：
20、状态方程：
21、xk＝axk-1+buk-1+wk-1
22、观测方程：
23、zk＝hxk+vk
24、其中xk-1是一个n×1维的数组，用于代表插帧数据前一刻检测到的实际数据；用俯视二维坐标的方式来表示数据采集时行驶车辆的位置，假设横坐标为x1，纵坐标为y1，那么xk-1就应表示为[x1,x2]；xk同样是一个n×1维数组，代表了插帧时刻的实际状态数据；a代表状态转移矩阵，是对状态变量的运动建模；b代表控制矩阵，用于将输入变量转化为状态；uk-1代表的是输入变量，如车辆在这一时刻进行了加速、刹车或变向，就需要添加该变量，否则不需要；wk-1为过程噪声；得出车辆状态数组后，实际观测到的数值仍需要通过观测方程转换，zk代表了实际观测值，h为测量矩阵，vk为测量噪声；
25、上述的两个方程在具体的卡尔曼滤波过程中被分为两个流程，根据方程可以命名为状态预测流程和观测更新流程，状态预测流程如下：
26、先验估计：
27、
28、先验估计协方差：
29、
30、方程中q为过程噪声协方差，通过这两个公式得到的结果是通过前一刻的采集数据进行的预测，因此还需要进一步验证；此时进行观测更新流程：
31、卡尔曼增益系数方程：
32、
33、后验估计：
34、
35、后验估计协方差：
36、
37、卡尔曼增益系数方程中的h为测量矩阵；卡尔曼增益的含义是为了使误差最小，即求误差方差最小，通过对k求导等于0，求出k值，此时误差最小；根据调整测量误差r，可以调整增益是更相信观测还是更相信预测；卡尔曼滤波器通过将后验估计的值用于下一帧插值的先验估计，通过这种循环，最终获得的插值数据将会越来越贴合时间轴上该位置插值的实际数据。
38、本专利技术的一种分布式多元传感器的时间同步系统，包括分布式感知设备，分布式感知设备配备gps同步时钟，分布式感知设备连接有卫星。
39、与现有技术相比本专利技术的有益效果为：利用现有的分布式传感器-视频监控和雷达，用时间插值的方式实现精准时间同步，该方案的优势在于不需要增加大量成本，同时相比于传统做法在同步采集时间时产生的误差更小。
本文档来自技高网...【技术保护点】
1.一种分布式多元传感器的时间同步方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种分布式多元传感器的时间同步方法，其特征在于，步骤(1)中，使用时钟同步服务器来同步系统时钟，时间同步服务器是一个网络设备，通过与标准时间服务器进行同步，向局域网内的设备提供准确的时间信息，能够确保所有设备系统在范围内都使用统一的时间标准，从而保证数据交互的准确性和可靠性。
3.如权利要求2所述的一种分布式多元传感器的时间同步方法，其特征在于，时钟同步服务器为GPS同步时钟。
4.如权利要求1所述的一种分布式多元传感器的时间同步方法，其特征在于，所述步骤(2)中，对采集的数据进行插值时，使用如下插值算法：均值插值、加权平均插值和卡尔曼跟踪插值。
5.如权利要求4所述的一种分布式多元传感器的时间同步方法，其特征在于，均值插值的具体方法为：
6.如权利要求4所述的一种分布式多元传感器的时间同步方法，其特征在于，加权平均插值的具体方法为：
7.如权利要求4所述的一种分布式多元传感器的时间同步方法，其特征在于，卡尔曼跟踪插值的
8.一种分布式多元传感器的时间同步系统，其特征在于，包括分布式感知设备，分布式感知设备配备GPS同步时钟，分布式感知设备连接有卫星。
...【技术特征摘要】
1.一种分布式多元传感器的时间同步方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种分布式多元传感器的时间同步方法，其特征在于，步骤(1)中，使用时钟同步服务器来同步系统时钟，时间同步服务器是一个网络设备，通过与标准时间服务器进行同步，向局域网内的设备提供准确的时间信息，能够确保所有设备系统在范围内都使用统一的时间标准，从而保证数据交互的准确性和可靠性。
3.如权利要求2所述的一种分布式多元传感器的时间同步方法，其特征在于，时钟同步服务器为gps同步时钟。
4.如权利要求1所述的一种分布式多元传感器的时间同步方法，其特征在于...
【专利技术属性】
技术研发人员：姚张弛，曹丁睿，
申请(专利权)人：上海宝康电子控制工程有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。