一种基于车路协同的路侧感知数据质量监测系统及方法与流程

1.本发明属于路侧感知数据质量监测技术领域，尤其涉及一种基于车路协同的路侧感知数据质量监测系统及方法。


背景技术：

2.随着智能网联汽车技术的发展以及全国智能网联示范区建设的推进，城市智能网联道路基础设施建设如火如荼。路侧感知系统是智能网联道路基础设施建设的重要组成部分，其数据感知精度直接关系到网联车辆应用场景的实现，对于保障道路交通安全至关重要。当前，路侧感知系统逐步规模化展开部署，如何对系统进行科学地监测、运维，从而有效保障路侧感知数据的质量成为亟需解决的难点。
3.现有城市道路智能设备监测系统主要聚焦于设备在线、设备离线、设备故障等基本运维信息。然而，智能网联道路的路侧感知系统对于数据质量的监测要求较高，现有监测系统与方法均难以满足。
4.为了解决路侧感知数据的质量问题，人们进行了一系列的研究。但是目前的研究都只意识到要对数据的合理性、波动性和交互异常性等相关质量进行评估，例如中国专利公开了一种道路交通感知轨迹数据的质量评估方法[申请号：cn202110789522.4]，主要步骤为：获取道路交通感知轨迹数据，并从中提取出待评估道路交通感知轨迹数据；计算待评估道路交通感知轨迹数据的质量评估指标；针对无交互关系的道路交通感知轨迹数据，计算其轨迹合理性和轨迹波动性共两类评估指标；针对有交互关系的道路交通感知轨迹数据，计算其轨迹合理性、轨迹波动性和轨迹交互异常性共三类评估指标。针对无交互关系的道路交通感知轨迹数据集trnone，建立自适应融合的质量评估模型ma，其中，模型ma的输入为轨迹合理性指标以及轨迹波动性指标，通过神经网络进行非线性拟合后，可输出质量评估得分；针对有交互关系的道路交通感知轨迹数据集tract，建立自适应融合的质量评估模型mb，其中，质量评估模型mb由模型ma与修正网络组成：将轨迹合理性指标以及轨迹波动性指标输入模型ma，输出为质量评估得分再将和轨迹交互异常性指标共同输入修正网络，通过神经网络进行拟合修正后，输出最终质量评估得分。
[0005]
上述方案在获取感知数据后，使用相应的评估模型对感知数据的质量进行实时评估，主要用于对数据的合理性、波动性和交互异常性等进行评估。但是有些时候，因为风雨等恶劣天气造成设备轻微移动时，会使设备标定出现问题，这种情况会在一定程度上影响数据的感知精度，并不会出现数据合理性、波动性、交互异常性等问题，也就是不会出现一般意义上的质量问题，类似上述的方案就无法检测到这样的数据质量问题，更无法知道有因为设备的移动而导致数据精度不佳的问题存在，而数据精度不高会对车联网应用的安全性和可靠性造成威胁，所以有必要完善目前的数据质量监测手段以进一步保障数据精度。


技术实现要素：

[0006]
本发明的目的是针对上述问题，提出一种基于车路协同的路侧感知数据质量监测
系统及方法，从另一角度确保监测数据的质量，对现有技术的数据质量进行补充和完善以保证路侧感知系统规模化应用的功能安全。
[0007]
为达到上述目的，本发明采用了下列技术方案：
[0008]
一种基于车路协同的路侧感知数据质量监测方法，包括以下步骤：
[0009]
s1.接收路侧感知设备获取的路侧感知数据；
[0010]
获取来自安装在网联车辆内的智能车载单元的车辆消息；
[0011]
s2.从车辆消息中提取目标车辆的第一轨迹数据；
[0012]
从路侧感知数据中提取目标车辆的第二轨迹数据；
[0013]
s3.对同一目标车辆对应的第一轨迹数据和第二轨迹数据进行分析比对以评估路侧感知数据质量评价值并上报至云控平台；
[0014]
s4.当路侧感知数据质量评价值超过质量阈值时，对外报警点位感知异常。
[0015]
在上述的基于车路协同的路侧感知数据质量监测方法中，步骤s1所述的路侧感知设备包括路侧雷达、视频相机，所述的路侧感知数据包括由路侧雷达获取的实时点云数据，由视频相机获取的视频图像数据；
[0016]
通过智能路侧单元获取来自安装在网联车辆内的智能车载单元的车辆消息。
[0017]
在上述的基于车路协同的路侧感知数据质量监测方法中，步骤s2中，通过以下方式确定目标车辆：
[0018]
提取设定中心点，提取设定半径，将以中心点为原点，设定半径为半径构成的区域作为感知范围；
[0019]
将位于感知范围内的安装有所述智能车载单元的网联车辆作为目标车辆；根据车辆消息判断相应车辆是否位于感知范围内，以及何时进入感知范围、何时离开感知范围。能够收到车辆消息的就是网联车辆，至于是否位于感知范围内，则根据车辆消息确定，对于一辆经过相应路段的网联车辆，经过感知范围的时间段(进入感知范围时间至离开感知范围时间)内被认为是目标车辆，他的第一轨迹数据集合就是边缘计算单元在这个时间段内收到的所有车辆消息中的轨迹数据的集合。
[0020]
在上述的基于车路协同的路侧感知数据质量监测方法中，所述的设定中心点和设定半径为事先设定；且当处于十字交叉路口时，交叉路口的中心点被设定为原点。
[0021]
在上述的基于车路协同的路侧感知数据质量监测方法中，所述的第一轨迹数据、第二轨迹数据均包括目标车辆的目标id、目标类型、目标位置(经纬度)、目标速度、目标航向角；
[0022]
对于第一轨迹数据，从智能车载单元获取的车辆消息包括数据：相应车辆的目标id、目标类型、目标位置(经纬度)、目标速度、目标航向角，边缘计算单元直接从车辆消息中提取第一轨迹数据；
[0023]
对于第二轨迹数据，边缘计算单元对所有路侧感知数据进行时间戳统一、传感器空间坐标标定，然后使用相应的深度学习算法对车辆进行识别及目标跟踪得到目标车辆的目标id、目标类型、目标位置(经纬度)、目标速度、目标航向角以获得目标车辆的第二轨迹数据。基于路侧感知数据，使用深度学习算法识别车辆并进行目标跟踪获得目标车辆的id、类型、位置、速度、航向角等数据直接使用现有技术即可，这里不对该部分进行改进，故不在此赘述。
[0024]
在上述的基于车路协同的路侧感知数据质量监测方法中，步骤s2具体包括：
[0025]
对来自智能车载单元的车辆消息进行过滤得到在所述感知范围内的车辆消息；可以根据车辆消息中的位置数据判断车辆是否位于感知范围内。
[0026]
从车辆消息中得到数据集合{(时间戳、车辆编号、经度、纬度、速度、航向角)}；相应网联车辆进入感知范围时间节点为t0，离开感知范围时间节点为tk，相应网联车辆的第一轨迹数据集合为id为相应网联车辆编号，分别为为网联车辆相应时刻经度，分别为网联车辆相应时刻纬度，分别为网联车辆相应时刻速度，分别为网联车辆相应时刻航向角；
[0027]
经过感知范围的网联车辆在位于感知范围的时间段内被认为为目标车辆；不同的目标车辆具有不同的t0、tk；
[0028]
获取每辆目标车辆的时刻至时刻的路侧感知数据得到第二轨迹数据集合其中分别为路侧感知系统检侧到目标车辆i进入、离开感知范围的时间节点，idi为目标车辆i的感知编号，为路侧感知系统在相应时刻对目标车辆i的感知经度，为路侧感知系统在相应时刻对目标车辆i的感知纬度，为路侧感知系统在相应时刻对目标车辆i的感知速度，为路侧感知系统在相应时刻对目标车辆i的航向感知角度。
[0029]
在上述的基于车路协同的路侧感知数据质量监测方法中，步骤s3中，每隔一段设定时间对路侧感知数据进行质量评估，且每个评估周期均基于相应评估周期内的所有目标车辆进行质量评估。
[0030]
在上述的基于车路协同的路侧感知数据质量监测方法中，步骤s3中，基于评估周期内定位偏差最小的目标车辆匹配网联车辆轨迹，并基于匹配的网联车辆轨迹进行评价值计算：
[0031]
s31.以δ为目标函数遍历评估周期内获得的第一轨迹数据集合和第二轨迹数据集合，将其最小值对应的车辆id作为匹配的网联车辆轨迹；
[0032][0033]
s32:基于网联车辆轨迹计算平均定位误差对应id为i的网联车辆速度误差航向角误差θi，σi，ωi计算值为网联车辆i对应的误差值，平均值即为路侧感知数据质量评价值。
[0034]
一种基于车路协同的路侧感知数据质量监测系统，包括路侧感知设备，用于获取路侧感知数据，所述的路侧感知设备连接于边缘计算单元，所述的边缘计算单元连接有智
能路侧单元，且通过所述的智能路侧单元实现与安装在网联车辆内的智能车载单元的无线通讯以获取来自智能车载单元的车辆消息，所述的边缘计算单元用于基于车辆消息确定目标车辆，并基于路侧感知数据识别目标车辆及提取目标车辆的第一轨迹数据，基于车辆消息提取目标车辆的第二轨迹数据，通过对同一目标车辆对应的第一轨迹数据和第二轨迹数据的分析比对对路侧感知数据的质量进行评估，并将评价值上报给云控平台，且当评价值超过质量阈值时，由所述云控平台对外发出点位感知异常报警信息。
[0035]
在上述的基于车路协同的路侧感知数据质量监测系统中，
[0036]
所述的路侧感知设备包括路侧雷达、视频相机；
[0037]
所述的第一轨迹数据、第二轨迹数据均包括目标车辆的目标id、目标类型、目标位置(经纬度)、目标速度、目标航向角；
[0038]
所述的边缘计算单元基于前述任意所述的基于车路协同的路侧感知数据质量监测方法对路侧感知数据的质量进行评估。
[0039]
本发明的优点在于：
[0040]
本方案聚焦智能网联道路基础设施建设中路侧感知系统数据质量监测的不足，基于车路协同方式，以网联车辆定位数据为真值，通过比对路侧感知数据与网联车辆高精度gnss定位数据，可支持实时监测路侧感知数据精度，发现设备感知异常并及时报警，有效保障了路侧感知数据的可靠性和准确性，提升了路侧感知系统的运维保障能力，具有推广应用的发展前景和现实价值，能够适用于智能网联示范区、智慧高速等部署大量精细化感知设备的应用场景，提高设备运行监管效率，降低人工运维成本。
附图说明
[0041]
图1为本发明基于车路协同的路侧感知数据质量监测系统的系统结构框图；
[0042]
图2为本发明基于车路协同的路侧感知数据质量监测系统用于交叉路口场景的设备分布示意图；
[0043]
图3为本发明基于车路协同的路侧感知数据质量监测系统中监测方法的流程图；
[0044]
图4为本发明基于车路协同的路侧感知数据质量监测系统中得到两个轨迹集合的方法流程图；
[0045]
图5为本发明基于车路协同的路侧感知数据质量监测评估周期示意图。
具体实施方式
[0046]
下面结合附图和具体实施方式对本发明做进一步详细的说明。
[0047]
以交叉路口为例，如图1和图2所示，本实施例提供的一种基于车路协同的路侧感知数据质量监测系统，包括路侧感知设备(如视频相机、激光雷达、毫米波雷达等)，边缘计算单元、智能路侧单元(rsu)、智能车载单元(obu)以及云控平台。各种路侧感知设备基于其各自的传感器感知特性，实时获取交叉口道路环境数据，如由路侧雷达获取的实时点云数据，由视频相机获取的视频图像数据，智能路侧单元(rsu)基于车路协同方式从周边智能车载单元obu获取网联车辆的高精度定位数据。通过边缘计算单元进行不同传感器时空统一、目标识别及融合获取基于路侧感知系统得到的机动车实时轨迹数据，最后通过比对网联车辆定位数据与路侧感知数据车辆轨迹以判断路侧感知定位误差，进而评价路侧感知数据质
量。
[0048]
具体地，如图3所示，基于车路协同的路侧感知数据质量监测方法如下：
[0049]
s1.路侧感知设备获取路侧感知数据，并将路侧感知数据传输给边缘计算单元。路侧感知设备可为激光雷达、视频相机、毫米波雷达等，由于本实施例以交叉路口为例，所以路侧感知设备围绕交叉口各个方向向内覆盖部署，可借用交叉口电警杆件、红绿灯杆件等，典型部署方式如图2所示。
[0050]
同时，智能路侧单元(rsu)接收周边网联车辆智能车载单元(obu)广播的车辆消息—bsm消息，并将获取的bsm消息发送至边缘计算单元。本实施例中路侧感知数据与网联车辆bsm消息频率均取10hz。
[0051]
s2.边缘计算单元从bsm消息中提取目标车辆的第一轨迹数据，从路侧感知数据中提取目标车辆的第二轨迹数据。
[0052]
第一轨迹数据、第二轨迹数据均包括目标车辆的目标id、目标类型、目标位置(经纬度)、目标速度、目标航向角；
[0053]
对于第一轨迹数据，从智能车载单元obu获取的车辆消息包括数据：相应车辆的目标id、目标类型、目标位置(经纬度)、目标速度、目标航向角，边缘计算单元直接从车辆消息中提取第一轨迹数据即可；
[0054]
对于第二轨迹数据，边缘计算单元对所有路侧感知设备的路侧感知数据进行时间戳统一、传感器空间坐标标定，然后使用相应的深度学习算法对车辆进行识别及目标跟踪，按照10hz的频率输出目标车辆的目标id、目标类型、目标位置(经纬度)、目标速度、目标航向角以获得目标车辆的第二轨迹数据。需要说明的是，基于路侧感知数据，使用深度学习算法识别车辆并进行目标跟踪获得目标车辆的id、类型、位置、速度、航向角等数据直接使用现有技术即可，这里不对该部分进行改进，故不在此赘述。
[0055]
s3.对同一目标车辆对应的第一轨迹数据和第二轨迹数据进行分析比对以评估路侧感知数据质量评价值并上报至云控平台；
[0056]
进一步地，本方案主要是通过比对目标车辆的第一轨迹数据和第二轨迹数据来评估路侧感知数据质量的，所以需要获取目标车辆的第一轨迹数据和第二轨迹数据，至于是否对非目标车辆(非目标车辆包括不经过感知范围的车辆，以及经过感知范围的车辆位于感知范围外的时候)获取第一轨迹数据、第二轨迹数据不在本技术限定范围内。这里确定目标车辆的方式为：
[0057]
提取设定中心点，提取设定半径，将以中心点为原点，设定半径为半径构成的区域作为感知范围，然后将位于感知范围内的安装有所述智能车载单元的网联车辆作为目标车辆。
[0058]
设定中心点、设定半径为提前由技术人员根据路况等条件设定。
[0059]
具体根据车辆消息判断相应网联车辆是否位于感知范围内，以及何时进入感知范围、何时离开感知范围。能够收到车辆消息的就是网联车辆，至于是否位于感知范围内，则根据车辆消息确定，对于一辆经过相应路段的网联车辆，在经过感知范围的时间段(进入感知范围时间至离开感知范围时间)内被认为是目标车辆，其他时间仍然为非目标车辆，他的第一轨迹数据集合就是边缘计算单元在这个时间段内收到的所有车辆消息中的轨迹数据的集合。
[0060]
当处于十字交叉路口时，优选交叉路口的中心点被设定为原点，半径25米范围内作为感知范围。
[0061]
s4.当路侧感知数据质量评价值超过质量阈值时，对外报警点位感知异常，通常是向业务平台报警。实现低质量感知数据的检测以及对设备标定异常的报警。路侧感知数据质量评价值是否超过质量阈值可以由云控平台判断，也可以由边缘计算单元判断，质量阈值由本领域技术人员根据实际情况确定，如根据部署场景车辆速度限速等情况进行确定，一般限速速度越高，阈值被设置的越高，具体此处不进行限制。
[0062]
进一步地，如图4所示，步骤s2具体包括：
[0063]
对来自智能车载单元的车辆消息进行过滤得到在感知范围内的bsm消息；可以根据车辆消息中的位置数据判断车辆是否位于感知范围内。
[0064]
基于前面可知，经过感知范围的网联车辆在位于感知范围的时间段内被认为为目标车辆；
[0065]
从bsm消息中得到数据集合{(时间戳、车辆编号、经度、纬度、速度、航向角)}，
[0066]
相应网联车辆进入感知范围时间节点为t0，离开感知范围时间节点为tk，本领域技术人员应当知道，一般不同的目标车辆具有不同的t0、tk。相应网联车辆的第一轨迹数据集合为id为相应网联车辆编号，分别为为网联车辆相应时刻经度，分别为网联车辆相应时刻纬度，分别为网联车辆相应时刻速度，分别为网联车辆相应时刻航向角；
[0067]
获取每辆目标车辆的t0时刻至tk时刻的路侧感知数据得到第二轨迹数据集合其中分别为目标车辆i进入、离开感知范围的时间节点，即对应目标车辆i的时间节点t0，tk。idi为目标车辆i的感知编号，为路侧感知系统在相应时刻对目标车辆i的感知经度，为路侧感知系统在相应时刻对目标车辆i的感知纬度，为路侧感知系统在相应时刻对目标车辆i的感知速度，为路侧感知系统在相应时刻对目标车辆i的航向感知角度。
[0068]
进一步地，步骤s3中，基于评估周期内定位偏差最小的目标车辆匹配网联车辆轨迹，并基于匹配的网联车辆轨迹进行评价值计算：
[0069]
s31.以δ为目标函数遍历评估周期内获得的所有第一轨迹数据集合和第二轨迹数据集合，将其最小值对应的车辆id作为匹配的网联车辆轨迹；
[0070][0071]
s32:基于网联车辆轨迹计算平均定位误差对应id为i的网联车辆速度误差航向角误差θi，σi，ωi计算值为网联车辆i对应
的误差值，平均值即为路侧感知数据质量评价值。
[0072]
优选地，为系统设定一个评估周期，即每隔一段设定时间对路侧感知数据进行一次质量评估，可以为每天一次，每2小时一次、每12小时一次等等这样。且每个评估周期均基于相应评估周期内的所有目标车辆进行质量评估，具体来说，即从评估周期内的所有目标车辆中选出定位误差最小的目标车辆，然后基于该目标车辆进行质量评估。如图5所示，这里划分出了t0-t1、t1-t2、t2-t3、t3-t4四个评估周期，以t0-t1评估周期为例，在本次评估周期内有a、b、c三辆车经过感知范围。
[0073]
a车进入离开的时间分别为ta0、tak；
[0074]
b车进入离开的时间分别为tb0、tbk；
[0075]
c车进入离开的时间分别为tc0、tck；
[0076]
a车在ta0-tak时间段的第一轨迹数据集合为a[]，第二轨迹数据集合为a'[]；
[0077]
b车在tb0-tbk时间段的第一轨迹数据集合为b[]，第二轨迹数据集合为b'[]；
[0078]
c车在tc0-tck时间段的第一轨迹数据集合为c[]，第二轨迹数据集合为c'[]；
[0079]
则本次评估方式为：
[0080]
将a[]与a'[]通过将a[]与a'[]通过进行分析比对，得到的结果为θa,σa,ωa；
[0081]
将b[],b'[]通过将b[],b'[]通过进行分析比对，得到的结果为θb,σb,ωb；
[0082]
将c[],c'[]通过将c[],c'[]通过进行分析比对，得到的结果为θc,σc,ωc；
[0083]
计算得出则本次质量评估的路侧感知数据质量评价值取平均定位差θ,σ,ω，当θ,σ,ω中任一项高于质量阈值时，发出警报。
[0084]
本系统及方法通过边缘计算单元获取感知范围内实时机动车目标轨迹数据，并与基于智能路侧单元(rsu)获取的网联车辆bsm消息进行对比分析，评价路侧感知数据质量，该方法可有效解决现阶段路侧感知数据质量实时监测功能的不足，有效保障路侧感知系统的稳定运行，保证路侧感知数据的可靠性与准确性，对于现阶段大规模智能路侧基础设施的建设运维具有推广应用的价值和前景。
[0085]
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
[0086]
尽管本文较多地使用了智能车载单元、智能路侧单元、路侧感知设备、边缘计算单元、云控平台、业务平台等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。