System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术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。
技术介绍
1、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。
技术实现思路
1、本专利技术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。
2、实现本专利技术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:
3、步骤1,采集某一区域内路侧目标感知数据;
4、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;
5、步骤3
6、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;
7、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;
8、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;
9、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;
10、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;
11、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。
12、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。
13、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。
14、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。
15、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。
16、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:
17、
18、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。
19、进一步地,步骤7具体过程包括:
20、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;
21、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;
22、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。
23、本专利技术与现有技术相比,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。
24、下面结合附图对本专利技术作进一步详细描述。
本文档来自技高网...【技术保护点】
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:
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,
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:
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:
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:
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。
...【技术特征摘要】
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:
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...
【专利技术属性】
技术研发人员:钱超,章涛涛,何辉,许必承,唐鑫,赵忠刚,夏小转,郑中秋,杨茜,褚艳明,
申请(专利权)人:连云港杰瑞电子有限公司,
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。