CN111339649A - 一种采集车辆轨迹数据的仿真方法、***及设备 - Google Patents
一种采集车辆轨迹数据的仿真方法、***及设备 Download PDFInfo
- Publication number
- CN111339649A CN111339649A CN202010104274.0A CN202010104274A CN111339649A CN 111339649 A CN111339649 A CN 111339649A CN 202010104274 A CN202010104274 A CN 202010104274A CN 111339649 A CN111339649 A CN 111339649A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- detected
- interval
- vehicles
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000004088 simulation Methods 0.000 title claims abstract description 65
- 238000001514 detection method Methods 0.000 claims abstract description 97
- 238000004364 calculation method Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000009471 action Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Radar Systems Or Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及车辆轨迹数据处理技术领域,具体而言,涉及一种采集车辆轨迹数据的仿真方法、***及设备。数据仿真方法包括接收数据;确定处于待仿真区域内的车辆,并获取待仿真区域内所有车辆的信息;计算出每辆探测车辆雷达探测范围内的被探测车辆;判断每辆探测车辆雷达探测范围内的被探测车辆是否被其它车辆遮挡;获取探测车辆与未被遮挡的被探测车辆的智能车数据。本发明以车流全体车辆精细完整轨迹为基础,从所有车辆中随机选取一定比例的车辆作为智能车,在智能车上设置或定义探测雷达,模拟智能车对周围车辆的探测;被智能车探测到的车辆当时的轨迹信息就记录下来,然后这些轨迹和智能车本身的轨迹一起就构成了智能车数据。
Description
技术领域
本发明涉及车辆轨迹数据处理技术领域,具体而言,涉及一种采集车辆轨迹数据的仿真方法、***及设备。
背景技术
智能车泛指装载高精度定位设备(例如高精度GPS,IMU)和环境感知传感器(毫米波雷达,激光雷达,视频)的车辆。智能车在运行过程中可以实现对自身的高精度定位和周围车辆的实时追踪,从而获得自身的轨迹数据和周围车辆的轨迹数据,统称为智能车数据。智能车数据是一种新的交通数据,可用于精细交通状态评价和精准交通管控。
但是,在现实中,要获得真实的智能车数据涉及到巨大的财力人力。比如,需要购买昂贵的环境感知设备和使用真实车辆,雇人现场试验,以及涉及到繁琐的传感器原始数据处理。并且,现场试验无法再现,很难重复;也无法任意配置传感器(包括不同型号的传感器和不同传感器数量)和任意变换交通场景(包括不同道路类型,不同交通状况等)。
目前处理智能车轨迹数据的仿真方法主要包括两种,一种是三维建模仿真,另一种是实采数据回放仿真。
三维建模仿真需要预先对被仿区域进行1:1等比例三维建模,得到三维的虚拟仿真环境。在仿真过程中,根据雷达的空间位置及姿态,基于虚拟环境中的三维模型数据,输出传感器采集到的传感器数据,并将该传感器数据输入到自动驾驶***中,得到仿真结果。
实采数据回放仿真需要预先驾驶车辆在被仿区域按照预定路线行驶,然后使用车上雷达传感器对行驶轨迹上的图像、点云等信息进行采集,并将采集到的传感器数据保存到数据库中。在仿真过程中,将传感器数据从数据库中读取出来,然后按照时间先后顺序依次将读取的传感器数据输入到自动驾驶***中,得到仿真结果。
现有技术在进行数据采集时的仿真环境只涉及到几种设定的交通状态,传感器探测范围也是实际车辆在对应的仿真环境中采集到的,它不能够对任意交通环境做仿真处理,也不能对雷达型号和数量做定制化处理。
发明内容
本发明的目的在于提供一种采集车辆轨迹数据的仿真方法、***及设备,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
一方面,本申请提供了一种采集车辆轨迹数据的仿真方法,所述仿真方法包括:
接收车辆轨迹数据、待仿真区域范围数据和每辆探测车辆上雷达的探测参数;根据车辆轨迹数据、待仿真区域范围数据确定处于待仿真区域内的车辆,并获取待仿真区域内所有车辆的信息;所述车辆的信息包括车辆编号、车辆宽度、车辆长度、每一时刻的x方向位置、每一时刻的y方向位置和每一时刻的车辆速度;计算出每辆探测车辆雷达探测范围内的被探测车辆,以及雷达探测范围内的每辆被探测车辆与探测车辆的距离;判断每辆探测车辆雷达探测范围内的被探测车辆是否被其它车辆遮挡;获取探测车辆与未被遮挡的被探测车辆的智能车数据。
可选地,所述仿真方法还包括:
对每辆探测车辆上雷达的探测参数进行设置,所述探测参数包括探测范围、角分辨率、距离分辨率和速度分辨率。
可选地,所述计算出每辆探测车辆雷达探测范围内的被探测车辆,包括:
根据被探测车辆的车辆信息,将每个被探测车辆抽象为矩形,所述矩形的长与被探测车辆的长度相等,所述矩形的宽与被探测车辆的宽度相等;判断代表被探测车辆的矩形与代表探测车辆探测范围的扇形是否相交,若相交,则代表该被探测车辆在探测车辆雷达探测范围内;所述代表探测车辆探测范围的扇形的参数为:S(r,θ1,θ2),其中,r为扇形半径,θ1和θ2分别为扇形两条半径与x轴的夹角,且满足θ1,θ2∈[0,π/2]。
可选地,所述判断代表被探测车辆的矩形与代表探测车辆探测范围的扇形是否相交,包括:
判断所述矩形是否与所述扇形同圆心同半径的圆相交;判断所述矩形是否存在一个角点与x轴的夹角在所述扇形的角度范围内;判断所述与x轴的夹角在所述扇形的角度范围内的角点是否在扇形外接矩形内;若某一矩形同时满足上述条件,则判断该矩形与扇形相交;否则,两者不相交。
可选地,所述判断每辆探测车辆雷达探测范围内的被探测车辆是否被其它车辆遮挡,包括以下步骤:
S401.将雷达探测范围内的所有被探测车辆与探测车辆的距离由近及远排序,并用C1,C2,...Cn分别代表被探测车辆;
S402.用距离探测车辆最近的一辆被探测车辆C1初始化区间得到第一区间Z1;所述区间为:由雷达中心引出两条射线,使这两条射线形成的角度范围恰好能够覆盖一辆或多辆被探测车的四个角点,这两条射线中间的区域范围;
S403.依次判断第2~n辆被探测车辆中,当前被探测车辆形成的第二区间Z2与前面序号较小的所有被探测车辆C1~Cm形成的第三区间Z3的几何关系;所述第二区间Z2和第三区间Z3的几何关系用向量表示为A=(a1,a2,...am),am∈{1,2,3,4,5,6};其中,Z2=Zm+1,Z3=Z1,Z2,...Zm;
S404.依次根据几何关系判断所述第二区间Z2中的被探测车辆是否被第三区间Z3中的被探测车辆遮挡,得到遮挡关系向量:B=(b1,b2,...bm),bm∈{0,1},其中,0代表被遮挡,1代表未被遮挡;
S405.根据几何关系向量A和遮挡关系向量B得到对区间采取的操作向量D=(d1,d2,...dm),dm∈{1,2,3},其中,1代表扩张操作,2代表新增操作,3代表不变;所述扩张操作的方法为:若第二区间Z2和第三区间Z3有部分重合时,需要对第三区间Z3做扩张处理,形成一个囊括了第二区间Z2和第三区间Z3的新区间;所述新增操作的方法为:若能够区分第二区间Z2和第三区间Z3,且第二区间Z2和第三区间Z3之间的角度差大于雷达的角度分辨率时,需要增加一个区间,所述新增的区间为Znew,Znew={Z2,Z3};
S406.根据min{D}判断对区间的操作,如果min{D}=1,则进行扩张操作;如果min{D}=2,则进行新增操作;如果min{D}=3,则不进行任何操作;
S407.判断操作后的区间中,有无重叠区间,若有,则对重叠的区间做合并,两重叠区间的合并方法同扩张操作;
S408.重复步骤S403~S407,直至m=n。
可选地,所述仿真方法还包括:对接收到的车辆轨迹数据进行数据清洗,清除错误信息和冗余信息。
可选地,所述仿真方法还包括:对接收到的车辆轨迹数据进行数据换算,以***运行所需要的数据单位为标准单位,对车辆轨迹数据进行换算,使其满足***运行的需要。
可选地,所述仿真方法还包括:将获取到的智能车数据输出。
另一方面,本申请提供了一种采集车辆轨迹数据的仿真***,所述***包括:
接收模块,用于接收车辆轨迹数据、待仿真区域范围数据和每辆探测车辆上雷达的探测参数;第一计算模块,用于根据车辆轨迹数据、待仿真区域范围数据确定处于待仿真区域内的车辆,并获取待仿真区域内所有车辆的信息;第二计算模块,用于计算出每辆探测车辆雷达探测范围内的被探测车辆,以及雷达探测范围内的每辆被探测车辆与探测车辆的距离;第三计算模块,用于判断每辆探测车辆雷达探测范围内的被探测车辆是否被其它车辆遮挡;第四计算模块,用于获取探测车辆与未被遮挡的被探测车辆的智能车数据。
可选地,所述***还可以包括参数设置模块;
参数设置模块,用于对每辆探测车辆上雷达的探测参数进行设置,所述探测参数包括探测范围、角分辨率、距离分辨率和速度分辨率。
可选地,所述第二计算模块包括第一计算单元和第二计算单元;
第一计算单元,用于根据被探测车辆的车辆信息,将每个被探测车辆抽象为矩形,所述矩形的长与被探测车辆的长度相等,所述矩形的宽与被探测车辆的宽度相等;
第二计算单元,用于判断代表被探测车辆的矩形与代表探测车辆探测范围的扇形是否相交,若相交,则代表该被探测车辆在探测车辆雷达探测范围内;所述代表探测车辆探测范围的扇形的参数为:S(r,θ1,θ2),其中,r为扇形半径,θ1和θ2分别为扇形两条半径与x轴的夹角,且满足θ1,θ2∈[0,π/2]。
可选地,所述第二计算单元还包括第一子计算单元、第二子计算单元、第三子计算单元和第四子计算单元。
第一子计算单元,用于判断所述矩形是否与所述扇形同圆心同半径的圆相交;
第二子计算单元,用于判断所述矩形是否存在一个角点与x轴的夹角在所述扇形的角度范围内;
第三子计算单元,用于判断所述与x轴的夹角在所述扇形的角度范围内的角点是否在扇形外接矩形内;
第四子计算单元,用于判断矩形与扇形是否相交,若某一矩形同时满足上述条件,则判断该矩形与扇形相交;否则,两者不相交。
可选地,所述第三计算模块包括第三计算单元、第四计算单元、第五计算单元、第六计算单元、第七计算单元、第八计算单元和第九计算单元。
第三计算单元,用于将雷达探测范围内的所有被探测车辆与探测车辆的距离由近及远排序,并用C1,C2,...Cn分别代表被探测车辆;
第四计算单元,用于用距离探测车辆最近的一辆被探测车辆C1初始化区间得到第一区间Z1;所述区间为:由雷达中心引出两条射线,使这两条射线形成的角度范围恰好能够覆盖一辆或多辆被探测车的四个角点,这两条射线中间的区域范围;
第五计算单元,用于依次判断第2~n辆被探测车辆中,当前被探测车辆形成的第二区间Z2与前面序号较小的所有被探测车辆C1~Cm形成的第三区间Z3的几何关系;所述第二区间Z2和第三区间Z3的几何关系用向量表示为A=(a1,a2,...am),am∈{1,2,3,4,5,6};其中,Z2=Zm+1,Z3=Z1,Z2,...Zm;
第六计算单元,用于依次根据几何关系判断所述第二区间Z2中的被探测车辆是否被第三区间Z3中的被探测车辆遮挡,得到遮挡关系向量:B=(b1,b2,...bm),bm∈{0,1},其中,0代表被遮挡,1代表未被遮挡;
第七计算单元,用于根据几何关系向量A和遮挡关系向量B得到对区间采取的操作向量D=(d1,d2,...dm),dm∈{1,2,3},其中,1代表扩张操作,2代表新增操作,3代表不变;所述扩张操作的方法为:若第二区间Z2和第三区间Z3有部分重合时,需要对第三区间Z3做扩张处理,形成一个囊括了第二区间Z2和第三区间Z3的新区间;所述新增操作的方法为:若能够区分第二区间Z2和第三区间Z3,且第二区间Z2和第三区间Z3之间的角度差大于雷达的角度分辨率时,需要增加一个区间,所述新增的区间为Znew,Znew={Z2,Z3};
第八计算单元,用于根据min{D}判断对区间的操作,如果min{D}=1,则进行扩张操作;如果min{D}=2,则进行新增操作;如果min{D}=3,则不进行任何操作;
第九计算单元,用于判断操作后的区间中,有无重叠区间,若有,则对重叠的区间做合并,两重叠区间的合并方法同扩张操作。
可选地,所述仿真***还包括数据清洗模块;
数据清洗模块,用于对接收到的车辆轨迹数据进行数据清洗,清除错误信息和冗余信息。
可选地,所述仿真***还包括数据换算模块;
数据换算模块,用于对接收到的车辆轨迹数据进行数据换算,以***运行所需要的数据单位为标准单位,对车辆轨迹数据进行换算,使其满足***运行的需要。
可选地,所述仿真***还包括输出模块;
输出模块,用于将获取到的智能车数据输出。
第三方面,本申请提供了一种采集车辆轨迹数据的仿真设备,所述设备包括输入端口、输出端口、处理器和存储器,所述输入端口和输出端口均通过总线连接于所述处理器,所述处理器和所述存储器通过总线电连接;所述存储器中存储有程序代码;所述处理器,用于通过所述总线从所述存储器中读取并运行所述程序代码,执行上述的方法。
本发明的有益效果为:
本发明以车流全体车辆精细完整轨迹为基础,从所有车辆当中随机选取一定比例的车辆作为智能车,在智能车上设置或定义探测雷达,根据传感器感知周围车辆的原理,模拟智能车对周围车辆的探测;被智能车探测到的车辆当时的轨迹信息就记录下来,然后这些轨迹和智能车本身的轨迹一起就构成了智能车数据。
仿真***采用的完整车流轨迹数据集既可以来自微观交通仿真软件,如:VISSIM,SUMO;又可以来自真实车流数据采集,如:NGSIM。因此既可以获得纯粹虚拟世界中车辆的轨迹数据(仿真软件数据中,车辆是虚拟的,智能车环境感知也是虚拟的),又可以获得真实车辆的轨迹数据(真实车流数据中,车辆是真实的,智能车环境感知是模拟的)。
本发明可以对交通场景做任何定制,对智能车占比做任何定制,以及雷达型号和雷达数量配置做任何定制,可以获得各种定制条件下的模拟智能车数据。省时,省力和省钱。
本发明所构建的仿真***,可以得到各种不同条件下的智能车数据,以便于全面研究智能车数据的特性,进而用于交通状态评价和交通管理的研究。本发明所提出的智能车数据的采集方法,简化了从传感器原始数据到车辆轨迹数据转化的繁琐复杂环节。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中提供的一种采集车辆轨迹数据的仿真方法流程图;
图2为本发明实施例中提供的另一种采集车辆轨迹数据的仿真方法流程图;
图3为本发明实施例中判断被探测车辆是否在探测车辆雷达探测范围内的方法原理示意图;
图4为本发明实施例中判断矩形与扇形是否相交的方法流程图;
图5为本发明实施例中i车被j车遮挡关系示意图;
图6为本发明实施例中两个区间的位置关系示意图;
图7为本发明实施例中判断每辆探测车辆雷达探测范围内的被探测车辆是否被其它车辆遮挡的方法流程图;
图8为本发明实施例中数据转换后的车辆轨迹数据示意图;
图9为本发明实施例中输出的智能车数据示意图;
图10为本发明实施例中提供的一种采集车辆轨迹数据的仿真***结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
一方面,本实施例提供了一种采集车辆轨迹数据的仿真方法,如图1所示,所述仿真方法包括步骤S10、步骤S20、步骤S30、步骤S40和步骤S50。
步骤S10.接收车辆轨迹数据、待仿真区域范围数据和每辆探测车辆上雷达的探测参数;
步骤S20.根据车辆轨迹数据、待仿真区域范围数据确定处于待仿真区域内的车辆,并获取待仿真区域内所有车辆的信息;所述车辆的信息包括车辆编号、车辆宽度、车辆长度、每一时刻的x方向位置、每一时刻的y方向位置和每一时刻的车辆速度;
步骤S30.计算出每辆探测车辆雷达探测范围内的被探测车辆,以及雷达探测范围内的每辆被探测车辆与探测车辆的距离;
步骤S40.判断每辆探测车辆雷达探测范围内的被探测车辆是否被其它车辆遮挡;
步骤S50.获取探测车辆与未被遮挡的被探测车辆的智能车数据。
可选地,如图2所示,所述仿真方法还可以包括步骤S103。
步骤S103.对每辆探测车辆上雷达的探测参数进行设置,所述探测参数包括探测范围、角分辨率、距离分辨率和速度分辨率。
可选地,所述步骤S30中,还可以包括步骤S301和步骤S302。
步骤S301.根据被探测车辆的车辆信息,将每个被探测车辆抽象为矩形,所述矩形的长与被探测车辆的长度相等,所述矩形的宽与被探测车辆的宽度相等;
步骤S302.判断代表被探测车辆的矩形与代表探测车辆探测范围的扇形是否相交,若相交,则代表该被探测车辆在探测车辆雷达探测范围内;所述代表探测车辆探测范围的扇形的参数为:S(r,θ1,θ2),其中,r为扇形半径,θ1和θ2分别为扇形两条半径与x轴的夹角,且满足θ1,θ2∈[0,π/2]。
可选地,所述步骤S302中,还可以包括步骤S3021、步骤S3022、步骤S3023和步骤S3024。
步骤S3021.判断所述矩形是否与所述扇形同圆心同半径的圆相交;
步骤S3022.判断所述矩形是否存在一个角点与x轴的夹角在所述扇形的角度范围内;
步骤S3023.判断所述与x轴的夹角在所述扇形的角度范围内的角点是否在扇形外接矩形内;
步骤S3024.若某一矩形同时满足上述条件,则判断该矩形与扇形相交;否则,两者不相交。
每一时刻在道路上行驶的车辆数目都是相当大的,许多车辆可能并不在雷达的探测范围内。为了提高仿真的效率,我们首先需要判断哪些车辆在雷达的探测范围内,而后再判断在雷达探测范围内的车辆是否被其他车辆遮挡。
判断车辆是否在雷达探测范围内,即为判断一个两边分别平行于坐标轴的矩形和扇形是否相交。为便于分析,我们将矩形和扇形区域限制在第一象限内。任何象限内的矩形和扇形区域都可以通过一定的分割和映射规则转换到第一象限内。以扇形的圆心为原点,两垂直半径为x,y轴建立平面直角坐标系。定义扇形区域的参数为:S(r,θ1,θ2),其中,r为扇形半径,θ1和θ2分别为扇形两条半径与x轴的夹角,且满足θ1,θ2∈[0,π/2]。定义任意一个平行于两坐标轴的矩形为:T(x,y,w,l),其中,x,y为矩形中心坐标,且满足x,y∈(0,+∞),w,l为矩形的宽和长。
一般来说,判断两平面图形是否相交,我们可以判断构成图形的线段是否相交,然而判断线段相交关系过于繁琐,而且扇形有一条边是弧形,无疑采用这种方式判断的效率较低。我们可以通过如下的三个步骤判断矩形与扇形是否相交,如图3所示,图3中右上角的矩形为代表被探测车辆的矩形,矩形上有1,2,3,4四个角点:
(1)判断矩形是否与扇形同圆心同半径的圆相交。由于在第一象限内,角点3总是距离原点最近的角点,所以直接判断角点3与原点的距离是否小于半径,即条件(1):
(2)判断是否存在一个角点与x轴的夹角在扇形的角度范围内,即条件(2):
(3)判断角点3是否在扇形外接矩形内,即条件(3):
若某一矩形同时满足条件(1)、(2)和(3),则判断为矩形和扇形相交;否则,两者不相交。
具体计算流程可以包括步骤S311、步骤S312、步骤S313、步骤S314、步骤S315、步骤S316、步骤S317、步骤S318、步骤S319和步骤S321。
步骤S311.以雷达r为原点,以垂直于道路方向为x轴,平行于道路方向为y轴,建立直角坐标系。
步骤S312.根据象限的不同,将雷达探测区域S分割为几个小扇形:S={S1,S2,S3,S4}。
步骤S313.根据雷达探测范围所处的象限i,将Si(r,θ1,θ2)映射至第一象限内S′i(r,θ′1,θ′2)。
i=1,θ′1=θ1,θ′2=θ2
i=2,θ′1=π-θ2,θ′2=π-θ1
i=3,θ′1=θ1-π,θ′2=θ2-π
i=4,θ′1=2π-θ2,θ′2=2π-θ1
步骤S314.计算被探测车辆中心与雷达的相对坐标距离,判断被探测车辆中心所处的象限,如果有必要,将代表被探测车辆的矩形按所处象限的不同,分割为几个小矩形:T={T1,T2,T3,T4}。
步骤S315.将矩形Ti(xi,yi,wi,li)映射至第一象限内Ti′(|xi|,|yi|,wi,li)。
步骤S316.对每一对Si和Ti,(i∈{1,2,3,4}判断两者是否有重叠区域,得到F={F1,F2,F3,F4}。其中,Fi∈{0,1},0代表无重叠,1代表有重叠。
步骤S317.判断min{|x|}≤r·cosθ′1与min{|y|}≤r·sinθ′2是否同时成立,如同时成立,则进行下一步;否则,Fi=0。
步骤S319.判断是否至少有一个角点在雷达探测张角范围内,即θ′1≤aj≤θ′2,j∈{1,2,3,4}。若成立,则Fi=1;否则,Fi=0。
步骤S320.若max{Fi}=1,则此被探测车辆在雷达的探测区域范围内,否则,此被探测车辆不在雷达的探测区域范围内。
可选地,如图7所示,所述步骤S40中,包括步骤S401、步骤S402、步骤S403、步骤S404、步骤S405、步骤S406、步骤S407和步骤S408。
S401.将雷达探测范围内的所有被探测车辆与探测车辆的距离由近及远排序,并用C1,C2,...Cn分别代表被探测车辆;
S402.用距离探测车辆最近的一辆被探测车辆C1初始化区间得到第一区间Z1;所述区间为:由雷达中心引出两条射线,使这两条射线形成的角度范围恰好能够覆盖一辆或多辆被探测车的四个角点,这两条射线中间的区域范围;
S403.依次判断第2~n辆被探测车辆中,当前被探测车辆形成的第二区间Z2与前面序号较小的所有被探测车辆车辆C1~Cm形成的第三区间Z3的几何关系;所述第二区间Z2和第三区间Z3的几何关系用向量表示为A=(a1,a2,...am),am∈{1,2,3,4,5,6};其中,Z2=Zm+1,Z3=Z1,Z2,...Zm;
S404.依次根据几何关系判断所述第二区间Z2中的被探测车辆是否被第三区间Z3中的被探测车辆遮挡,得到遮挡关系向量:B=(b1,b2,...bm),bm∈{0,1},其中,0代表被遮挡,1代表未被遮挡;
S405.根据几何关系向量A和遮挡关系向量B得到对区间采取的操作向量D=(d1,d2,...dm),dm∈{1,2,3},其中,1代表扩张操作,2代表新增操作,3代表不变;所述扩张操作的方法为:若第二区间Z2和第三区间Z3有部分重合时,需要对第三区间Z3做扩张处理,形成一个囊括了第二区间Z2和第三区间Z3的新区间;所述新增操作的方法为:若能够区分第二区间Z2和第三区间Z3,且第二区间Z2和第三区间Z3之间的角度差大于雷达的角度分辨率时,需要增加一个区间,所述新增的区间为Znew,Znew={Z2,Z3};
S406.根据min{D}判断对区间的操作,如果min{D}=1,则进行扩张操作;如果min{D}=2,则进行新增操作;如果min{D}=3,则不进行任何操作;
S407.判断操作后的区间中,有无重叠区间,若有,则对重叠的区间做合并,两重叠区间的合并方法同扩张操作;
S408.重复步骤S403~S407,直至m=n。
根据雷达采集数据的原理可知,无论是激光雷达还是毫米波雷达,都具有一定的探测范围,这个范围近似于一个扇形,其可以用一组参数表示:(d,θ)。其中,d为探测的最大距离,即扇形半径,θ为探测范围的张角,即扇形张角。由于雷达射线有不可穿过物体的特点,在其探测范围内的物体,如果被其他物体遮挡,则无法被探测到。
为阐述遮挡关系的判断,我们首先引入一个新的概念:区间。由探测雷达中心引出两条射线,使他们形成的角度范围恰好能够覆盖一辆或多辆被探测车的四个角点。这两条射线中间的区域范围,我们称为一个区间。一个区间Zi可以由参数(βi,1,βi,2)定义,即Zi=(βi,1,βi,2)。如图5所示,被探测车j的区间为阴影区域。如果一辆车i被其他探测车j遮挡,则他们的区间有如下关系:
上述的情况是一种特殊的情形,实际上,两个区间可以形成如图6中的六种位置关系。由于雷达区分两个不同物体时,需要同时考虑两者与雷达的距离、两者的方位角、两者的速度方面的差异。如图6所示,假设第三区间Z3由几辆车(C1,C2,C3,...)形成的区间聚合而成,其中车辆的编号按照车辆中心与雷达的距离由近及远排序,第二区间Z2由一辆车(C′)形成的区间组成。第三区间Z3和第二区间Z2的距离差为Δd,速度差为Δv。其定义分别如下:
Δd=min{Δd},Δd=dc′-dc1
Δv=min{Δv},Δv=vc1-vc′
假设雷达的距离、角度和速度分辨率分别为:sepd、sepβ和sepv,则对于图6中的六种不同的情况判别车辆是否被遮挡的条件如下:
(1)对情况1、情况2、情况3和情况4,如果Δβ>sepβ,且Δd>sepd或Δv>sepv,则车辆未被遮挡,否则车辆被遮挡。其中:
Δβ=max{βi,j}-min{βi,j}-(β1,2-β1,1),i,j=1,2
(2)情况5比较特殊,因为dc′≥dc1,如果第二区间Z2在顺时针和逆时针两个方向上均超出第三区间Z3,那么车辆C′的车长相对于第三区间Z3内的车辆必然较长。在这种情形下,如果而且Δd>sepd或Δv>sepv,则车辆未被遮挡,否则车辆被遮挡。其中:
Δβi=βi,2-βi,1,i=1,2
(3)情况6出现时,第二区间Z2的车辆C′一定被第三区间Z3内的车辆遮挡。
在判断完第二区间Z2是否被第三区间Z3遮挡后,我们还需要根据第二区间Z2是否被遮挡对原来的区间进行一定的操作,而后才能判断后续的其他车辆是否被遮挡。对于原来的区间,我们有三种不同的操作,以适应不同的情形。
(1)扩张:雷达认为两个区间有部分重合时,需要对第三区间Z3做扩张处理,形成一个囊括了第三区间Z3和2的新区间,即Znew={Z′1},其中:
Z1=(max{βi,j},min{βi,j},i,j=1,2
(2)新增:雷达能够区分两个不同区间,且区间之间的角度差大于雷达的角度分辨率时,需要增加一个区间,即Znew={Z1,Z2};
(3)不变:雷达认为第二区间Z2被第三区间Z3完全遮挡时,不需要对区间做任何处理,即Znew={Z1};
对于上述6种情况,需要根据车辆是否被遮挡的判断结果,来确定对区间的操作。
(1)对于情况1和情况2,如果形成第二区间Z2的车辆未被第三区间Z3遮挡且Δβ′>sepβ,则采取新增操作;否则,采取扩张操作。
(2)对于情况3、情况4和情况5,无论雷达是否探测到车辆,均采取扩张操作。
(3)对情况6,不采取任何操作,即不变。
完成对区间变化的操作后,才能依次判断后续车辆是否被遮挡。
可选地,所述仿真方法还可以包括步骤S101。
步骤S101.对接收到的车辆轨迹数据进行数据清洗,清除错误信息和冗余信息。
可选地,所述仿真方法还可以包括步骤S102。
步骤S102.对接收到的车辆轨迹数据进行数据换算,以***运行所需要的数据单位为标准单位,对车辆轨迹数据进行换算,使其满足***运行的需要。数据换算后的车辆轨迹数据如图8所示。
可选地,所述仿真方法还可以包括步骤S60。
步骤S60.将获取到的智能车数据输出。输出的智能车数据如图9所示。
另一方面,如图10所示,本申请实施例提供了一种采集车辆轨迹数据的仿真***,所述***包括接收模块810、第一计算模块820、第二计算模块830、第三计算模块840和第四计算模块850。
接收模块810,用于接收车辆轨迹数据、待仿真区域范围数据和每辆探测车辆上雷达的探测参数;
第一计算模块820,用于根据车辆轨迹数据、待仿真区域范围数据确定处于待仿真区域内的车辆,并获取待仿真区域内所有车辆的信息;
第二计算模块830,用于计算出每辆探测车辆雷达探测范围内的被探测车辆,以及雷达探测范围内的每辆被探测车辆与探测车辆的距离;
第三计算模块840,用于判断每辆探测车辆雷达探测范围内的被探测车辆是否被其它车辆遮挡;
第四计算模块850,用于获取探测车辆与未被遮挡的被探测车辆的智能车数据。
可选地,所述***还可以包括参数设置模块;
参数设置模块860,用于对每辆探测车辆上雷达的探测参数进行设置,所述探测参数包括探测范围、角分辨率、距离分辨率和速度分辨率。
可选地,所述第二计算模块包括第一计算单元和第二计算单元;
第一计算单元831,用于根据被探测车辆的车辆信息,将每个被探测车辆抽象为矩形,所述矩形的长与被探测车辆的长度相等,所述矩形的宽与被探测车辆的宽度相等;
第二计算单元832,用于判断代表被探测车辆的矩形与代表探测车辆探测范围的扇形是否相交,若相交,则代表该被探测车辆在探测车辆雷达探测范围内;所述代表探测车辆探测范围的扇形的参数为:S(r,θ1,θ2),其中,r为扇形半径,θ1和θ2分别为扇形两条半径与x轴的夹角,且满足θ1,θ2∈[0,π/2]。
可选地,所述第二计算单元832还包括第一子计算单元8321、第二子计算单元8322、第三子计算单元8323和第四子计算单元8324。
第一子计算单元8321,用于判断所述矩形是否与所述扇形同圆心同半径的圆相交;
第二子计算单元8322,用于判断所述矩形是否存在一个角点与x轴的夹角在所述扇形的角度范围内;
第三子计算单元8323,用于判断所述与x轴的夹角在所述扇形的角度范围内的角点是否在扇形外接矩形内;
第四子计算单元8324,用于判断矩形与扇形是否相交,若某一矩形同时满足上述条件,则判断该矩形与扇形相交;否则,两者不相交。
可选地,所述第三计算模块840包括第三计算单元841、第四计算单元842、第五计算单元843、第六计算单元844、第七计算单元845、第八计算单元846和第九计算单元847。
第三计算单元841,用于将雷达探测范围内的所有被探测车辆与探测车辆的距离由近及远排序,并用C1,C2,...Cn分别代表被探测车辆;
第四计算单元842,用于用距离探测车辆最近的一辆被探测车辆C1初始化区间得到第一区间Z1;所述区间为:由雷达中心引出两条射线,使这两条射线形成的角度范围恰好能够覆盖一辆或多辆被探测车的四个角点,这两条射线中间的区域范围;
第五计算单元843,用于依次判断第2~n辆被探测车辆中,当前被探测车辆形成的第二区间Z2与前面序号较小的所有被探测车辆车辆C1~Cm形成的第三区间Z3的几何关系;所述第二区间Z2和第三区间Z3的几何关系用向量表示为A=(a1,a2,...am),am∈{1,2,3,4,5,6};其中,Z2=Zm+1,Z3=Z1,Z2,...Zm;
第六计算单元844,用于依次根据几何关系判断所述第二区间Z2中的被探测车辆是否被第三区间Z3中的被探测车辆遮挡,得到遮挡关系向量:B=(b1,b2,...bm),bm∈{0,1},其中,0代表被遮挡,1代表未被遮挡;
第七计算单元845,用于根据几何关系向量A和遮挡关系向量B得到对区间采取的操作向量D=(d1,d2,...dm),dm∈{1,2,3},其中,1代表扩张操作,2代表新增操作,3代表不变;所述扩张操作的方法为:若第二区间Z2和第三区间Z3有部分重合时,需要对第三区间Z3做扩张处理,形成一个囊括了第二区间Z2和第三区间Z3的新区间;所述新增操作的方法为:若能够区分第二区间Z2和第三区间Z3,且第二区间Z2和第三区间Z3之间的角度差大于雷达的角度分辨率时,需要增加一个区间,所述新增的区间为Znew,Znew={Z2,Z3};
第八计算单元846,用于根据min{D}判断对区间的操作,如果min{D}=1,则进行扩张操作;如果min{D}=2,则进行新增操作;如果min{D}=3,则不进行任何操作;
第九计算单元847,用于判断操作后的区间中,有无重叠区间,若有,则对重叠的区间做合并,两重叠区间的合并方法同扩张操作。
可选地,所述仿真***还包括数据清洗模块870;
数据清洗模块870,用于对接收到的车辆轨迹数据进行数据清洗,清除错误信息和冗余信息。
可选地,所述仿真***还包括数据换算模块880;
数据换算模块880,用于对接收到的车辆轨迹数据进行数据换算,以***运行所需要的数据单位为标准单位,对车辆轨迹数据进行换算,使其满足***运行的需要。
可选地,所述仿真***还包括输出模块890;
输出模块890,用于将获取到的智能车数据输出。
以上各模块或单元可以是由软件代码实现,此时,上述的各模块或单元可存储于存储器内。以上各单元同样可以由硬件例如集成电路芯片实现。
本发明实施例提供的采集车辆轨迹数据的仿真***,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
第三方面,本申请实施例提供了一种采集车辆轨迹数据的仿真设备,其特征在于,所述设备包括输入端口、输出端口、处理器和存储器,所述输入端口和输出端口均通过总线连接于所述处理器,所述处理器和所述存储器通过总线电连接;所述存储器中存储有程序代码;所述处理器,用于通过所述总线从所述存储器中读取并运行所述程序代码,执行上述的方法。
存储器可以存储各种软件程序以及模块,如本申请实施例提供的采集车辆轨迹数据的仿真方法及装置对应的程序指令/模块。处理器通过运行存储在存储器中的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现本申请实施例中的采集车辆轨迹数据的仿真方法。
存储器可以包括但不限于随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器可以是一种集成电路芯片,具有信号处理能力。上述处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种采集车辆轨迹数据的仿真方法,其特征在于,所述仿真方法包括:
接收车辆轨迹数据、待仿真区域范围数据和每辆探测车辆上雷达的探测参数;
根据车辆轨迹数据、待仿真区域范围数据确定处于待仿真区域内的车辆,并获取待仿真区域内所有车辆的信息;
计算出每辆探测车辆雷达探测范围内的被探测车辆,以及雷达探测范围内的每辆被探测车辆与探测车辆的距离;
判断每辆探测车辆雷达探测范围内的被探测车辆是否被其它车辆遮挡;
获取探测车辆与未被遮挡的被探测车辆的智能车数据。
2.根据权利要求1所述的采集车辆轨迹数据的仿真方法,其特征在于,所述仿真方法还包括:
对每辆探测车辆上雷达的探测参数进行设置,所述探测参数包括探测范围、角分辨率、距离分辨率和速度分辨率。
3.根据权利要求1所述的采集车辆轨迹数据的仿真方法,其特征在于,所述计算出每辆探测车辆雷达探测范围内的被探测车辆,包括:
根据被探测车辆的车辆信息,将每个被探测车辆抽象为矩形,所述矩形的长与被探测车辆的长度相等,所述矩形的宽与被探测车辆的宽度相等;
判断代表被探测车辆的矩形与代表探测车辆探测范围的扇形是否相交,若相交,则代表该被探测车辆在探测车辆雷达探测范围内。
4.根据权利要求3所述的采集车辆轨迹数据的仿真方法,其特征在于,所述判断代表被探测车辆的矩形与代表探测车辆探测范围的扇形是否相交,包括:
判断所述矩形是否与所述扇形同圆心同半径的圆相交;
判断所述矩形是否存在一个角点与x轴的夹角在所述扇形的角度范围内;
判断所述与x轴的夹角在所述扇形的角度范围内的角点是否在扇形外接矩形内;
若某一矩形同时满足上述条件,则判断该矩形与扇形相交;否则,两者不相交。
5.根据权利要求1所述的采集车辆轨迹数据的仿真方法,其特征在于,所述判断每辆探测车辆雷达探测范围内的被探测车辆是否被其它车辆遮挡,包括以下步骤:
S401.将雷达探测范围内的所有被探测车辆与探测车辆的距离由近及远排序,并用C1,C2,...Cn分别代表被探测车辆;
S402.用距离探测车辆最近的一辆被探测车辆C1初始化区间得到第一区间Z1;所述区间为:由雷达中心引出两条射线,使这两条射线形成的角度范围恰好能够覆盖一辆或多辆被探测车的四个角点,这两条射线中间的区域范围;
S403.依次判断第2~n辆被探测车辆中,当前被探测车辆形成的第二区间Z2与前面序号较小的所有被探测车辆车辆C1~Cm形成的第三区间Z3的几何关系;所述第二区间Z2和第三区间Z3的几何关系用向量表示为A=(a1,a2,...am),am∈{1,2,3,4,5,6};其中,Z2=Zm+1,Z3=Z1,Z2,...Zm;
S404.依次根据几何关系判断所述第二区间Z2中的被探测车辆是否被第三区间Z3中的被探测车辆遮挡,得到遮挡关系向量:B=(b1,b2,...bm),bm∈{0,1},其中,0代表被遮挡,1代表未被遮挡;
S405.根据几何关系向量A和遮挡关系向量B得到对区间采取的操作向量D=(d1,d2,...dm),dm∈{1,2,3},其中,1代表扩张操作,2代表新增操作,3代表不变;所述扩张操作的方法为:若第二区间Z2和第三区间Z3有部分重合时,需要对第三区间Z3做扩张处理,形成一个囊括了第二区间Z2和第三区间Z3的新区间;所述新增操作的方法为:若能够区分第二区间Z2和第三区间Z3,且第二区间Z2和第三区间Z3之间的角度差大于雷达的角度分辨率时,需要增加一个区间,所述新增的区间为Znew,Znew={Z2,Z3};
S406.根据min{D}判断对区间的操作,如果min{D}=1,则进行扩张操作;如果min{D}=2,则进行新增操作;如果min{D}=3,则不进行任何操作;
S407.判断操作后的区间中,有无重叠区间,若有,则对重叠的区间做合并,两重叠区间的合并方法同扩张操作;
S408.重复步骤S403~S407,直至m=n。
6.根据权利要求1所述的采集车辆轨迹数据的仿真方法,其特征在于:所述仿真方法还包括:
对接收到的车辆轨迹数据进行数据清洗,清除错误信息和冗余信息。
7.根据权利要求1所述的采集车辆轨迹数据的仿真方法,其特征在于:所述仿真方法还包括:
对接收到的车辆轨迹数据进行数据换算,以***运行所需要的数据单位为标准单位,对车辆轨迹数据进行换算,使其满足***运行的需要。
8.根据权利要求1所述的采集车辆轨迹数据的仿真方法,其特征在于,所述仿真方法还包括:
将获取到的智能车数据输出。
9.一种采集车辆轨迹数据的仿真***,其特征在于,所述***包括:
接收模块,用于接收车辆轨迹数据、待仿真区域范围数据和每辆探测车辆上雷达的探测参数;
第一计算模块,用于根据车辆轨迹数据、待仿真区域范围数据确定处于待仿真区域内的车辆,并获取待仿真区域内所有车辆的信息;
第二计算模块,用于计算出每辆探测车辆雷达探测范围内的被探测车辆,以及雷达探测范围内的每辆被探测车辆与探测车辆的距离;
第三计算模块,用于判断每辆探测车辆雷达探测范围内的被探测车辆是否被其它车辆遮挡;
第四计算模块,用于获取探测车辆与未被遮挡的被探测车辆的智能车数据。
10.一种采集车辆轨迹数据的仿真设备,其特征在于,所述设备包括输入端口、输出端口、处理器和存储器,所述输入端口和输出端口均通过总线连接于所述处理器,所述处理器和所述存储器通过总线电连接;所述存储器中存储有程序代码;所述处理器,用于通过所述总线从所述存储器中读取并运行所述程序代码,执行如权利要求1-8任一权项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010104274.0A CN111339649B (zh) | 2020-02-20 | 2020-02-20 | 一种采集车辆轨迹数据的仿真方法、***及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010104274.0A CN111339649B (zh) | 2020-02-20 | 2020-02-20 | 一种采集车辆轨迹数据的仿真方法、***及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111339649A true CN111339649A (zh) | 2020-06-26 |
CN111339649B CN111339649B (zh) | 2022-02-08 |
Family
ID=71181686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010104274.0A Active CN111339649B (zh) | 2020-02-20 | 2020-02-20 | 一种采集车辆轨迹数据的仿真方法、***及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111339649B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417967A (zh) * | 2020-10-22 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 障碍物检测方法、装置、计算机设备和存储介质 |
CN112785842A (zh) * | 2020-12-25 | 2021-05-11 | 际络科技(上海)有限公司 | 一种在线交通流仿真*** |
CN114035186A (zh) * | 2021-10-18 | 2022-02-11 | 北京航天华腾科技有限公司 | 一种目标方位跟踪指示***及方法 |
GB2613038A (en) * | 2021-11-19 | 2023-05-24 | Motional Ad Llc | High fidelity data-driven multi-modal simulation |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180349547A1 (en) * | 2017-06-02 | 2018-12-06 | TuSimple | Large scale distributed simulation for realistic multiple-agent interactive environments |
CN109613509A (zh) * | 2018-12-30 | 2019-04-12 | 北京润科通用技术有限公司 | 一种车载雷达散射点的聚类方法及装置 |
US20190129436A1 (en) * | 2017-10-28 | 2019-05-02 | TuSimple | System and method for real world autonomous vehicle trajectory simulation |
CN110162089A (zh) * | 2019-05-30 | 2019-08-23 | 北京三快在线科技有限公司 | 一种无人驾驶的仿真方法及装置 |
-
2020
- 2020-02-20 CN CN202010104274.0A patent/CN111339649B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180349547A1 (en) * | 2017-06-02 | 2018-12-06 | TuSimple | Large scale distributed simulation for realistic multiple-agent interactive environments |
US20190129436A1 (en) * | 2017-10-28 | 2019-05-02 | TuSimple | System and method for real world autonomous vehicle trajectory simulation |
CN109613509A (zh) * | 2018-12-30 | 2019-04-12 | 北京润科通用技术有限公司 | 一种车载雷达散射点的聚类方法及装置 |
CN110162089A (zh) * | 2019-05-30 | 2019-08-23 | 北京三快在线科技有限公司 | 一种无人驾驶的仿真方法及装置 |
Non-Patent Citations (1)
Title |
---|
郭姣: "面向汽车智能化仿真的雷达模拟研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技II辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112417967A (zh) * | 2020-10-22 | 2021-02-26 | 腾讯科技(深圳)有限公司 | 障碍物检测方法、装置、计算机设备和存储介质 |
CN112417967B (zh) * | 2020-10-22 | 2021-12-14 | 腾讯科技(深圳)有限公司 | 障碍物检测方法、装置、计算机设备和存储介质 |
CN112785842A (zh) * | 2020-12-25 | 2021-05-11 | 际络科技(上海)有限公司 | 一种在线交通流仿真*** |
CN112785842B (zh) * | 2020-12-25 | 2022-04-12 | 际络科技(上海)有限公司 | 一种在线交通流仿真*** |
CN114035186A (zh) * | 2021-10-18 | 2022-02-11 | 北京航天华腾科技有限公司 | 一种目标方位跟踪指示***及方法 |
CN114035186B (zh) * | 2021-10-18 | 2022-06-28 | 北京航天华腾科技有限公司 | 一种目标方位跟踪指示***及方法 |
GB2613038A (en) * | 2021-11-19 | 2023-05-24 | Motional Ad Llc | High fidelity data-driven multi-modal simulation |
Also Published As
Publication number | Publication date |
---|---|
CN111339649B (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111339649B (zh) | 一种采集车辆轨迹数据的仿真方法、***及设备 | |
Schauer et al. | The peopleremover—removing dynamic objects from 3-d point cloud data by traversing a voxel occupancy grid | |
CN109143207B (zh) | 激光雷达内参精度验证方法、装置、设备及介质 | |
Homm et al. | Efficient occupancy grid computation on the GPU with lidar and radar for road boundary detection | |
Shin et al. | Visual lane analysis and higher-order tasks: a concise review | |
CN110287276A (zh) | 高精地图更新方法、装置及存储介质 | |
CN115540896B (zh) | 路径规划方法、装置、电子设备和计算机可读介质 | |
CN113865580A (zh) | 构建地图的方法、装置、电子设备及计算机可读存储介质 | |
Widyaningrum et al. | Building outline extraction from ALS point clouds using medial axis transform descriptors | |
Ma et al. | Research review on parking space detection method | |
Danescu et al. | Particle grid tracking system stereovision based obstacle perception in driving environments | |
Schauer et al. | Removing non-static objects from 3D laser scan data | |
CN114241448A (zh) | 障碍物航向角的获取方法、装置、电子设备及车辆 | |
US20220155455A1 (en) | Method and system for ground surface projection for autonomous driving | |
Matthaei et al. | Stationary urban environment modeling using multi-layer-grids | |
CN112381873A (zh) | 一种数据标注方法及装置 | |
Bai et al. | Multiple condensation filters for road detection and tracking | |
CN116543271A (zh) | 目标检测评价指标的确定方法、装置、电子设备及介质 | |
CN114820931B (zh) | 基于虚拟现实的智慧城市cim可视化实时成像方法 | |
Szlachetka et al. | The downselection of measurements used for free space determination in ADAS | |
CN114882458A (zh) | 一种目标跟踪方法、***、介质及设备 | |
CN114488026A (zh) | 基于4d毫米波雷达的地下停车库可通行空间检测方法 | |
Wang et al. | Research on unmanned driving interface based on lidar imaging technology | |
Venugopala | Comparative study of 3D object detection frameworks based on LiDAR data and sensor fusion techniques | |
Dekkiche et al. | Vehicles detection in stereo vision based on disparity map segmentation and objects classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |