一种面向三维立体交通系统的车辆密集路段车流诱导方法与流程

本发明涉及一种用于缓解交通压力的方法，具体的说是一种面向三维立体交通系统的车辆密集路段车流诱导方法。

背景技术：

随着人们的生活水平不断提高，我国的汽车保有量在迅速增加，各大城市在享受繁荣的同时也面临着越来越严重的交通压力。为了缓解交通问题，一些城市采取了机动车限购、限号、限行等措施，可是在上下班高峰的时候，交通拥堵问题仍然无法得到有效解决。由于处于拥挤路段的车辆分布较为密集，再加上驾驶员需要频繁地在加速踏板和制动踏板之间来回切换，稍有不慎就会发生交通事故，交通事故不仅会给人们带来财产损失，更严重地是会威胁到驾驶员和乘客的人身安全。

在智能交通系统中，车流诱导信息是缓解交通拥堵、提高交通安全性的重要信息之一。可变情报板作为发布交通状态和交通诱导信息的重要设备，对于缓解交通拥堵问题起着至关重要的作用，目前多采用在车辆密集路段设置可变情报板的方法来向道路使用者传递车流诱导信息。但是这种采用在车辆密集路段设置可变情报板的方式也存在着一些弊端，主要为：可变情报板的精度较低，数据更新较慢，并且可变情报板上的车流诱导信息仅仅可以使未进入密集路段的车辆选择其他道路通行，而对于已经处在密集路段的车辆来说，可变情报板能起到的作用却微乎其微。

技术实现要素：

本发明是针对背景技术的不足之处，而提供的一种面向三维立体交通系统的车辆密集路段车流诱导方法，主要是针对已经处于密集路段的车辆进行诱导，通过无人机将实时车流诱导信息发送至车载终端，使驾驶员可以通过直观地数据，更加安全平稳地驶离车流密集路段。

为了实现上述目的，本发明的技术方案为：一种面向三维立体交通系统的车辆密集路段车流诱导方法，包括如下步骤，

s1：将无人机就位于车辆密集路段的下游上空，调整无人机的飞行状态和无人机上的摄像头角度，使摄像头平稳的正对地面；

s2：通过无人机航拍技术航拍该车辆密集路段的路况信息，并通过无人机从拍摄到的路况信息的图像中获取图像数据信息，其中，所述图像数据信息包括该车辆密集路段的路面状态信息，无人机距离该车辆密集路段的地面的高度，和不同时刻无人机与车辆之间的距离；

s3：无人机根据步骤s2中获取到的图像数据信息，确定该车辆密集路段上游车辆的车流诱导信息，其中，所述车流诱导信息包括车辆在行驶过程中的建议车速，驾驶员需要与前车保持的最短距离，以及车辆预计通过密集路段所需要的时间；

s4：无人机将步骤s3中确定的车流诱导信息发送给上游车辆的车载终端，位于该车辆密集路段下游的车辆将自身的车流诱导信息通过v2v通信技术发送给上游车辆的车载终端；

s5：上游车辆的车载终端对来自于无人机的车流诱导信息，以及来自于下游车辆的车流诱导信息进行加权处理，并将经过加权处理后得到的车流诱导信息的结果发送给车载显示屏；

s6：上游车辆的驾驶员根据各自车载显示屏上显示的信息，与前车保持一定的安全距离，并按照建议车速平稳行驶，直至车辆驶离该车辆密集路段为止。

在上述技术方案中，步骤s3中确定车流诱导信息的方法是通过计算得到的，其中，上游车辆在行驶过程中，车辆的建议车速的计算式为：

上游车辆在行驶过程中，驾驶员需要与前车保持的最短距离s1的计算式为：

上游车辆在行驶过程中，车辆预计通过密集路段所需要的时间t1的计算式为；

其中，在上述计算式(1)、计算式(2)和计算式(3)中，l为所述车流密集路段的剩余长度，m1为位于所述车流密集路段中无人机观测到的车辆的数目，车辆标识为nv，nv＝1，2，…，m，n为位于所述车流密集路段中无人机的数量，无人机标识为na，na＝1，2，…，n；

xi为车辆在不同时刻所行驶的距离，i为自然数，t1和t2为无人机在航拍的过程中所处于的不同时刻，h为无人机距离地面的高度，l1为t1时刻无人机na和车辆nv之间的距离，l2为t2时刻无人机na和车辆nv之间的距离；

g为重力加速度，μ为车辆的轮胎与路面之间的摩擦系数。

在上述技术方案中，当沥青路面干燥时，车辆的轮胎与路面之间的摩擦系数μ取μ＝0.8；当沥青路面有积水时，车辆的轮胎与路面之间的摩擦系数μ取μ＝0.4；当沥青路面有积雪时，车辆的轮胎与路面之间的摩擦系数μ取μ＝0.28；当沥青路面结冰时，车辆的轮胎与路面之间的摩擦系数μ取μ＝0.18。

在上述技术方案中，步骤s4中下游车辆自身的车流诱导信息也是通过计算得到的，其中，下游车辆的实时车速为v2，从t1时刻到t2时刻，m2辆车平均车速的计算式为：

下游车辆在行驶过程中，驾驶员需要与前车保持的最短距离s2的计算式为：

下游车辆m2在行驶过程中，车辆预计通过密集路段所需要的时间t2的计算式为；

其中，m2为位于所述车流密集路段上游车辆的v2v通信范围内的车辆数量。

在上述技术方案中，步骤s5中的车流诱导信息是在步骤s3及步骤s4计算出的车流诱导信息基础上，经过加权运算后得出，步骤s5中车流诱导信息的计算式为，

其中，在上述计算式(7)中，weight_v为加权融合后的车辆在行驶过程中的建议车速，weight_s为加权融合后的驾驶员需要与前车保持的最短距离，weight_t为车辆预计通过密集路段所需要的时间，α为来自于无人机的信息权重，1-α为来自下游车辆的信息权重。

与现有技术相比，本发明的有益效果如下：

1)本发明主要是针对已经处于密集路段的车辆进行诱导，通过将实时诱导信息发送至车载终端，使复杂的密集路段路况信息转化为驾驶员可直接获取的车流诱导信息，使驾驶员通过直观地数据，更加安全平稳地通过车流密集路段。

2)本发明通过引入无人机获取路况信息，相较于目前普遍使用的地感线圈和路侧摄像头，具有更高的部署灵活性；同时，本发明通过采用对来自无人机和下游车辆的信息进行加权运算的方法，使计算结果更加准确，精度更高；最后，本发明通过将车流诱导信息发送至车载终端而不是显示于路侧可变情报板，使诱导过程由被动转化为主动，更具人性化。

3)本发明通过显示上游车辆的建议车速可以有效减少驾驶员频繁地“起-停”操作，使车辆低速平稳地通过密集路段，从而缓解道路拥堵问题，并且可以减少尾气排放，节约能源；同时，本发明通过显示预计通过车辆密集路段的时间，可以有效降低驾驶员内心的紧张感和焦虑感，从而降低驾驶员出现失误的概率，有效减少交通事故的发生；最后，本发明能根据不同的路面状态信息进行自我调整，使显示出的最短车距符合当时情况，驾驶员获得需保持的最短车距信息后，可以对车辆有更好地把控，对于经验不足的司机，即使是行驶在路面状态不甚理想的路段，也可以做出相应的调整，避免因车距过短而发生交通事故。

附图说明

图1为本发明所述的面向三维立体交通系统的车辆密集路段车流诱导方法的流程图。

具体实施方式

下面结合附图详细说明本发明的实施情况，但并不构成对本发明的限定，仅作举例而已。同时通过说明使本发明的优点更加清楚和容易理解。

如图1所示，图1示出了本发明面向三维立体交通系统的车辆密集路段车流诱导方法的流程图。根据图1可知，本发明提供的车辆密集路段的车流诱导方法是基于无人机技术完成的，它能够对于三维立体的交通系统进行很好的车流诱导，具体包含如下步骤：

步骤s1：遥控无人机飞行至某车辆密集路段下游上空，然后调整无人机的飞行状态和无人机上的摄像头角度，使摄像头平稳的正对地面；此时，路段上车辆数目为m，车辆标识为nv，nv＝1，2，…，m；在其下游上方投放n架无人机，无人机标识为na，na＝1，2，…，n。

步骤s2：通过无人机航拍技术航拍该车辆密集路段的路况信息，并通过无人机从拍摄到的路况信息的图像中获取图像数据信息，其中，所述图像数据信息包括该车辆密集路段的路面状态信息，无人机距离该车辆密集路段的地面的高度，和不同时刻无人机与车辆之间的距离。

实际工作时，由于三维立体交通主要是布置在城市，因此本发明在采集路面状态信息时也主要是针对城市中的沥青路面，但是需要说明书的是，本发明所述的车辆诱导方法对非沥青路面也具有较好的效果。本发明所提供的路面状态信息包括：路面是否干燥，路面是否有积水，路面是否有积雪，和路面是否有结冰。

优选的，本实施例所提供的无人机从拍摄的图像中获取图像数据信息的方式是对图像进行数据分析，并结合分析出的数据计算出车流诱导信息。车流诱导信息包括车辆在行驶过程中的建议车速，驾驶员需要与前车保持的最短距离，以及车辆预计通过密集路段所需要的时间。

步骤s3：无人机根据步骤s2中获取到的图像数据信息，确定该车辆密集路段上游车辆的车流诱导信息，其中，所述车流诱导信息包括车辆在行驶过程中的建议车速，驾驶员需要与前车保持的最短距离，以及车辆预计通过密集路段所需要的时间；

实际工作时，上游车辆的车流诱导信息可以通过多种方式得到，如它可以如现有技术那样对该车辆密集路段中车辆的行驶信息进行统计，进而确定该车辆密集路段的车流诱导信息，也可以如本发明所记载的通过计算的方式得到。

为了能够向车辆密集路段上的上游车辆传达更加准确的车流诱导信息，本发明提供计算方式如下：

首先，无人机从拍摄到的图像中获取以下数据：

a、t1时刻无人机na到车辆nv的距离l1；

b、t2时刻无人机na到车辆nv的距离l2；

c、无人机na距离地面的高度h；

d、沥青路面状态信息

接着，计算出上游车辆的建议车速上游车辆的建议车速的计算方法如下：

a、计算出t1时刻无人机na与车辆nv之间的连线与地面之间的夹角θ1，θ1的计算式为：

b、计算出t2时刻无人机na与车辆nv之间的连线与地面之间的夹角θ2，θ2的计算式为：

c、计算t1时刻到t2时刻，车辆nv行驶的距离x；

x＝x1+x2(10)；

其中，x1、x2的计算公式分别为：

x1＝l1cosθ1(11)：

x2＝l2cosθ1(12)；

联合(8)-(12)式可得(13)式：

观测m1辆汽车的区间平均车速为：

将(13)式代入(14)式得到(15)式：

上式中的为na第架无人机计算出的区间平均车速。接下来对n架无人机的计算结果进行加权，由于无人机配备的摄像头精度和无人机的悬停稳定性不同，所以假设na＝1，2，…，n的n架无人机的权重分别为xi＝x1，x2，...，xn，加权得到下游车辆行驶的平均车速，即上游车辆的建议车速的计算式为：

d、驾驶员与前车保持的最短距离(也即刹车距离)的计算公式如下：

(16)式中的μ为汽车轮胎与路面之间的摩擦系数(优选为沥青路面)，通过无人机拍摄到的图像分析，得到沥青路面状态信息。当沥青路面干燥时，取μ＝0.8；当沥青路面有积水时，取μ＝0.4；当沥青路面有积雪时，取μ＝0.28；当沥青路面结冰时，取μ＝0.18，g＝9.8m/s²。将(1)式代入(16)式得到驾驶员需要与前车保持的最短距离s1，驾驶员需要与前车保持的最短距离s1的计算式为：

上游车辆在行驶过程中，车辆预计通过密集路段所需要的时间t1的计算式为；

步骤s4：将计算出的车流诱导信息发送到位于密集路段上游车辆的车载终端。

具体地，无人机将步骤s3中确定的车流诱导信息发送给上游车辆的车载终端，位于该车辆密集路段下游的车辆将自身的车流诱导信息通过v2v通信技术发送给上游车辆的车载终端；

在上述技术方案中，步骤s4中下游车辆自身的车流诱导信息也是通过计算得到的，其中，下游车辆的实时车速为v2，从t1时刻到t2时刻，m2辆车平均车速的计算式为：

下游车辆m2在行驶过程中，驾驶员需要与前车保持的最短距离s2的计算式为：

下游车辆m2在行驶过程中，车辆预计通过密集路段所需要的时间t2的计算式为；

s5：上游车辆的车载终端对来自于无人机的车流诱导信息(步骤s4)，以及来自于下游车辆的车流诱导信息进行加权处理，并将经过加权处理后得到的车流诱导信息的结果发送给车载显示屏；

此时，位于上游车辆的车载终端收到了两组信息，一组为来自于无人机的车流诱导信息，另一组是来自下游车辆通过v2v通信技术传递的车流诱导信息，对这两组信息进行加权，假设来自于无人机的信息权重为α，则来自下游车辆的信息权重为1-α。此处的权重取决于信息的准确程度，准确程度的影响因素包括：无人机拍摄图像的误差、无人机和车辆获取数据的系统误差以及所使用的通信技术的抗干扰能力等。

步骤s5中的车流诱导信息是在步骤s3及步骤s4计算出的车流诱导信息基础上，经过加权运算后得出，步骤s5中车流诱导信息的计算式为，

s6：上游车辆的驾驶员根据各自车载显示屏上显示的信息，与前车保持一定的安全距离，并按照建议车速平稳行驶，直至车辆驶离该车辆密集路段为止。

实际工作时，v2v通信技术为现有技术，同时，为了能够更好的对本发明的技术方案进行说明，本发明中记载的各个符号的含义如下：

l为所述车流密集路段的长度，m为位于所述车流密集路段中车辆的数目，车辆标识为nv，nv＝1，2，…，m，n为位于所述车流密集路段中无人机的数量，无人机标识为na，na＝1，2，…，n。

xi为车辆在不同时刻所行驶的距离，i为自然数，x1为车辆在t1时刻行驶的距离，x2为车辆在t2时刻行驶的距离，t1和t2为无人机在航拍的过程中所处于的不同时刻，h为无人机距离地面的高度，l1为t1时刻无人机na和车辆nv之间的距离，l2为t2时刻无人机na和车辆nv之间的距离；

g为重力加速度，μ为车辆的轮胎与路面之间的摩擦系数，其中，当沥青路面干燥时，车辆的轮胎与路面之间的摩擦系数μ取μ＝0.8；当沥青路面有积水时，车辆的轮胎与路面之间的摩擦系数μ取μ＝0.4；当沥青路面有积雪时，车辆的轮胎与路面之间的摩擦系数μ取μ＝0.28；当沥青路面结冰时，车辆的轮胎与路面之间的摩擦系数μ取μ＝0.18。

weight_v为加权融合后的车辆在行驶过程中的建议车速，weight_s为加权融合后的驾驶员需要与前车保持的最短距离，weight_t为车辆预计通过密集路段所需要的时间，α为来自于无人机的信息权重，1-α为来自下游车辆的信息权重。

实际工作时，如图1所示，为了使人们对本发明的完整技术方案有更清晰的了解，本发明以沥青路面为例，对本发明中最优的车流诱导方法进行说明：

k1)：将遥控无人机就位于车辆密集路段下游上空；

k2)：无人机上的摄像头拍摄该车辆密集路段的路况信息；

k3)：无人机从拍摄到的图像中获取所需的数据信息；

具体的，该步骤k3中所述的数据信息包括车流数据信息和沥青路面的状态信息，车流数据信息的获得方法可参考前文中步骤s3中的描述，沥青路面的状态信息的获取方法包括如下步骤：

k3.1)：沥青路面是否干燥，若是，则在计算车流诱导信息时，汽车轮胎与沥青路面之间的摩擦系数μ取μ＝0.8；若否，则进入下一步骤；

k3.2)：沥青路面是否有积水，若是，则在计算车流诱导信息时，汽车轮胎与沥青路面之间的摩擦系数μ取μ＝0.4；若否，则进入下一步骤；

k3.3)：沥青路面是否有积雪，若是，则在计算车流诱导信息时，汽车轮胎与沥青路面之间的摩擦系数μ取μ＝0.28；若否，则进入下一步骤；

k3.4)：沥青路面是否有结冰，若是，则在计算车流诱导信息时，汽车轮胎与沥青路面之间的摩擦系数μ取μ＝0.18；若否，则进入下一步骤；

k4)：结合步骤k3中确定的车流诱导信息，计算出车辆在行驶过程中的建议车速，具体计算方式可参考前文中步骤s3中的描述；

k5)：结合步骤k3中确定的车流诱导信息和沥青路面的状态信息，计算出驾驶员需要与前车保持的最短距离(也即刹车距离)；

k6)：结合步骤k4中确定的车辆行驶过程中的建议车速，计算出上游车辆预计通过密集路段所需要的时间；

k7)：将步骤k4～k6中计算出的车辆诱导信息发送给上游车辆的车载终端，与此同时，位于下游的车辆也将自身相关数据通过v2v通信技术发送给位于上游车辆的车载终端；

k8)：位于上游车辆的车载终端通过对来自无人机和下游车辆数据的加权运算，并将运算结果车载显示屏，具体计算方式可参考前文中步骤s5中的描述，此时，上游车辆的车载显示屏上会显示出建议驾驶员通过车辆密集路段的车流诱导信息。

k9)：驾驶员按照车载显示屏上显示出车流诱导信息进行驾驶，直至车辆驶离密集路段。也即，如车辆还没有驶离密集路线，则上游车辆的车载显示屏会持续的显示出该车辆密集路段的车流诱导信息；若，车辆已驶离密集路线，则本发明所述的车流诱导方法结束。

本发明能够将复杂的密集路段路况信息转化为驾驶员可直接获取的车流诱导信息，有效减少驾驶员频繁地“起-停”操作，保证车辆低速平稳地通过密集路段，从而达到缓解城市道路拥堵问题、减少交通事故发生的概率、减少尾气的排放、节约能源的目的。

其它未说明的部分均属于现有技术。