基于路侧感知设备的路态波纹处理方法、系统和存储介质

本发明涉及智能交通技术领域，尤其是一种基于路侧感知设备的路态波纹处理方法、系统和存储介质。

背景技术：

随着智能交通体系不断完善和发展，在车路协同、人工智能等技术的不断推动下，新一代智能驾驶逐渐由单车智能向群体协同进行过度。据统计的自动驾驶测试报告中显示，由于对道路交通态势感知错漏导致的事故占事故总数的27％，严重影响着智能车的行驶可靠性。目前，在自动驾驶领域中，通常路侧感知设备无法获取道路全局的道路交通信息，也就是存在感知信息缺失或者盲区，因而导致基于路侧信息的车路协同自动驾驶车辆出现路线规划不合理的情况，进而影响全局交通效率。

技术实现要素：

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于路侧感知设备的路态波纹处理方法、系统和存储介质，能够在感知信息缺失或者盲区状况下，提高自动驾驶车辆的路线规划合理性。

根据本发明第一方面实施例的一种基于路侧感知设备的路态波纹处理方法，包括以下步骤：

获取路侧感知设备采集的道路交通信息，所述道路交通信息包括道路交通主体类型、道路交通主体的运动状态；

构建波动方程；

采用所述波动方程将所述道路交通信息转换为第一路态波纹；

根据所述第一路态波纹采用所述波动方程对路侧感知设备的检测盲区进行波纹填充，得到全域路态波纹。

根据本发明实施例的一种基于路侧感知设备的路态波纹处理方法，至少具有如下有益效果：

本发明实施例通过采用波动方程将路侧感知设备采集的道路交通信息转换为路态波纹，接着根据该波纹信息采用波动方程对对路侧感知设备的检测盲区进行波纹填充，以得到全域路态波纹，从而使得自动驾驶车辆在感知信息缺失或者盲区状况下，也能快速准确的完成位置定位，以提高自动驾驶车辆的路线规划合理性。

根据本发明的一些实施例，所述波动方程如下：

其中，f(x,t,u)为路态波纹的幅值，x为空间向量；对一维波动方程，x即为x代表一个方向；对二维波动方程，x即为(x，y)代表波纹平面传递；t为时间；u为道路交通主体的一个运动状态；a为波的传递速度；c为干扰因子。

根据本发明的一些实施例，所述根据所述第一路态波纹采用所述波动方程对路侧感知设备的检测盲区进行波纹填充，得到全域路态波纹，包括：

根据所述第一路态波纹，采用所述波动方程预测路侧感知设备的检测盲区的第二路态波纹；

将所述第一路态波纹和所述第二路态波纹叠加，得到全域路态波纹。

根据本发明的一些实施例，所述路侧感知设备包含多个，多个所述路侧感知设备通过预设间距设置，所述预设间距为100m～500m。

根据本发明的一些实施例，多个所述路侧感知设备均包括摄像模块和雷达模块；所述摄像模块用于采集道路交通主体类型；所述雷达模块用于采集道路交通主体的运动状态。

根据本发明的一些实施例，所述采集道路交通主体类型，其具体包括：

采集当前道路交通图像；

提取所述当前道路交通图像上的道路交通主体；

对所述道路交通主体进行类别识别，得到道路交通主体类型。

根据本发明第二方面实施例的一种基于路侧感知设备的路态波纹处理系统，包括：

获取模块，用于获取路侧感知设备采集的道路交通信息，所述道路交通信息包括道路交通主体类型、道路交通主体的运动状态；

构建模块，用于构建波动方程；

转换模块，用于采用所述波动方程将所述道路交通信息转换为第一路态波纹；

填充模块，用于根据所述第一路态波纹采用所述波动方程对路侧感知设备的检测盲区进行波纹填充，得到全域路态波纹。

根据本发明的一些实施例，所述波动方程如下：

其中，f(x,t,u)为路态波纹的幅值，x为空间向量；对一维波动方程，x即为x代表一个方向；对二维波动方程，x即为(x，y)代表波纹平面传递；t为时间；u为道路交通主体的一个运动状态；a为波的传递速度；c为干扰因子。

根据本发明第三方面实施例的一种基于路侧感知设备的路态波纹处理系统，包括：

至少一个存储器，用于存储程序；

至少一个处理器，用于加载所述程序以执行第一方面实施例所述的基于路侧感知设备的路态波纹处理方法。

根据本发明第四方面实施例的一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行第一方面实施例所述的基于路侧感知设备的路态波纹处理方法。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

下面结合附图和实施例对本发明做进一步的说明，其中：

图1为本发明实施例的一种基于路侧感知设备的路态波纹处理方法的流程图；

图2为一种具体实施例的路侧路态波纹感知示意图；

图3为一种具体实施例的预设间距为100m的路侧设备布设示意图；

图4为一种具体实施例的预设间距为200m的路侧设备布设示意图；

图5为一种具体实施例的预设间距为500m的路侧设备布设示意图；

图6为一种具体实施例的顺车流方向的路侧设备布设示意图；

图7为一种具体实施例的逆车流方向的路侧设备布设示意图；

图8为一种具体实施例的双向的路侧设备布设示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

参照图1，本发明实施例提供了一种基于路侧感知设备的路态波纹处理方法，本实施例可应用于服务端，该服务端可由多个类型平台的后台处理器组成，也可以有云平台和路侧感知设备上的边缘计算模块组成。

在实施过程中，本实施例包括以下步骤：

s11、获取路侧感知设备采集的道路交通信息，其中，道路交通信息包括道路交通主体类型、道路交通主体的运动状态。具体地，道路交通主体的运动状态包括道路交通主体的位置、姿态、速度和加速度等多个信息。路侧感知设备包含多个，多个路侧感知设备通过100m-500m的预设间距设置。多个路侧感知设备均包括摄像模块和雷达模块；摄像模块用于采集道路交通主体类型；雷达模块包括激光雷达和毫米波雷达，其用于采集道路交通主体的运动状态。而采集道路交通主体类型。其具体可通过以下方式实现：

先采集当前道路交通图像；接着提取当前道路交通图像上的道路交通主体；然后材料类别识别模型对道路交通主体进行类别识别，以得到道路交通主体类型。

s12、构建波动方程。其中，波动方程如公式1所示：

其中，f(x,t,u)为路态波纹的幅值，x为空间向量；对一维波动方程，x即为x代表一个方向；对二维波动方程，x即为(x，y)代表波纹平面传递，以此类推；t为时间；u为道路交通主体的一个运动状态，该运动状态可以是速度、加速度、加加速度或者密度；a为波的传递速度，在路态波纹中，a取决于道路环境对交通主体的影响作用；c为路态波纹传递过程中的干扰因子。

s13、采用波动方程将道路交通信息转换为第一路态波纹。

s14、根据第一路态波纹采用波动方程对路侧感知设备的检测盲区进行波纹填充，得到全域路态波纹。本步骤具体是根据第一路态波纹采用所述波动方程预测路侧感知设备的检测盲区的第二路态波纹，然后将第一路态波纹和第二路态波纹叠加，以得到全域路态波纹。

具体地，波纹的预测过程，是利用波的传递特征进行预测盲区位置的路态波纹，其中，波的传递特征可以理解为路态波纹在空间中传递的规律，假设一维空间中，已知x1处和x2处的波动方程，其中x1<x2，若a1、a2、c1和c2已知，则x1+h<x2处的波动方程可表示如公式2所示：

由此可知，上述实施例通过采用波动方程将路侧感知设备采集的道路交通信息转换为路态波纹，接着根据该波纹信息采用波动方程对对路侧感知设备的检测盲区进行波纹填充，以得到全域路态波纹，从而使得自动驾驶车辆在感知信息缺失或者盲区状况下，也能快速准确的完成位置定位，以提高自动驾驶车辆的路线规划合理性。

在一些实施例中，当本方案应用于如图2所示的由云平台和边缘计算模块组成服务端时，假设图2为在一条网联道路上，车流方向从左向右，在道路旁安装有智能路侧感知设备l1和l2；l1和l2上均装有通信模块、感知模块和边缘计算模块，通信模块用于实现路侧与车端和云端的实时通信，感知模块包括摄像头、毫米波雷达、激光雷达以及定位装置，摄像头用于对道路交通主体进行分类辨识，并进行辅助测距定位，毫米波雷达和激光雷达用于对道路交通主体进行测距、测速，定位装置用于辅助车辆进行定位和车路协同测距，边缘计算模块基于多源传感器信息，利用公式1或2所示的波动方程，构建路侧覆盖区域的路态波纹图。对于不同的路侧感知设备布设方案，感知结果会有所不同。

例如，如图3、图4、图5、图6、图7和图8所示的路侧感知设备布设示意图，由于路侧感知设备感知的范围有限，通常最大感知范围不会超过150m，路侧感知设备不能覆盖的区域即为检测盲区。单个路侧设备布设间距可以根据具体实施要求进行确定。如图3所示，布设间距设为100m时，能够实现全域精细化感知；如图4所示，布设间距为200m时能够保证精确感知同时降低布设成本；如图5所示，布设距离最大可达500m。感知盲区的信息可以通过波动方程进行近似化预测，能够在保证感知要求的前提下，最大化基础设施利用率。如图6、图7和图8所示，a、b、c分别代表三种路侧传感器，路侧布设方向可以选择顺车流方向、逆车流方向和双向三种，顺车流可以实现驶入车辆信息采集，逆车辆可以实现驶离车辆信息采集，双向布设可以有效提升单个路侧的感知范围，减少路侧杆的布设数量。

在进行路态波纹感知时，当采取较大布设间距时，必然会存在感知盲区，此时的路态波纹感知将分为两个部分：一个是基于路侧感知的道路交通信息，通过波动方程将道路交通主体的实时运动状态转化为路态波纹的幅值在空间域和时间域上的变化特征和规律；另一个是基于检测盲区两侧的已知的道路交通信息，利用波的传递特征对检测盲区进行信息填补，实现全域路态波纹感知，最终通过构建道路交通主体运动状态集合的特征及内在规律的显式表达，以量化的显式的数学函数，或动态多维云图的方式呈现，为道路交通状态监测、多车集群调度、单车决策规划提供全面、有效、可靠的信息支撑。

在路侧感知设备的感知信息传递过程，路侧感知设备的感知信息传递是从道路交通主体到感知设备，再通过多源传感器信息融合到边缘计算模块进行实时计算，得到已知信息路段的路态波纹，并通过通信模块传递给云平台进行检测盲区填补；其中道路交通主体的运动状态主要包括密度、各向速度、加速度和加加速度等，基于这些信息，借助波动理论和波的传递特征，形成道路交通主体运动状态集合的特征及内在规律的显式表达，实现全域路态波纹精确可靠感知。

本发明实施例提供了一种基于路侧感知设备的路态波纹处理系统，包括：

获取模块，用于获取路侧感知设备采集的道路交通信息，所述道路交通信息包括道路交通主体类型、道路交通主体的运动状态；

构建模块，用于构建波动方程；其中，波动方程如公式1所示：

其中，f(x,t,u)为路态波纹的幅值，x为空间向量；对一维波动方程，x即为x代表一个方向；对二维波动方程，x即为(x，y)代表波纹平面传递；t为时间；u为道路交通主体的一个运动状态；a为波的传递速度；c为干扰因子。

转换模块，用于采用所述波动方程将所述道路交通信息转换为第一路态波纹；

填充模块，用于根据所述第一路态波纹采用所述波动方程对路侧感知设备的检测盲区进行波纹填充，得到全域路态波纹。

本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。

本发明实施例提供了一种基于路侧感知设备的路态波纹处理系统，包括：

至少一个存储器，用于存储程序；

至少一个处理器，用于加载所述程序以执行图1所示的基于路侧感知设备的路态波纹处理方法。

本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。

本发明实施例提供了一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行图1所示的基于路侧感知设备的路态波纹处理方法。

本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。

上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。