CN112462774A - 一种基于无人机航行跟随的城市道路监管方法、***及可读存储介质 - Google Patents
一种基于无人机航行跟随的城市道路监管方法、***及可读存储介质 Download PDFInfo
- Publication number
- CN112462774A CN112462774A CN202011359888.XA CN202011359888A CN112462774A CN 112462774 A CN112462774 A CN 112462774A CN 202011359888 A CN202011359888 A CN 202011359888A CN 112462774 A CN112462774 A CN 112462774A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- information
- traffic
- path
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 37
- 238000012937 correction Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 206010039203 Road traffic accident Diseases 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 230000006698 induction Effects 0.000 abstract description 10
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000011430 maximum method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0251—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于无人机航行跟随的城市道路监管方法、***及可读存储介质，包括：通过航拍无人机采集交通图像信息，提取交通流数据向量特征，并利用网络模型进行识别交通事件类别；根据交通事件类别生成诱导信息，通过诱导信息对车辆路径进行实时引导，得到结果信息，确定无人机航行任务，并对无人机进行编队，根据无人机航行任务，确定无人机基准航迹；实时获取无人机当前飞行航迹，将无人机当前飞行航迹与基准航迹进行比较，得到偏差率；判断所述偏差率是否大于预定阈值；若大于，则生成修正信息，根据修正信息对多无人机节点进行重新编队，并生成新的规划航迹，根据新的规划航迹更新当前飞行航迹，控制无人机编队沿新的规划航迹飞行。
Description
技术领域
本发明涉及一种城市道路监管方法，尤其涉及一种基于无人机航行跟随的城市道路监管方法、***及可读存储介质。
背景技术
交通拥堵作为城市化溢出的负外部性产品，其应对与治理在全球范围内一直都是社会各界关注的焦点领域。交叉口信号控制及路径诱导作为智能交通***中重要组成部分，在日益严峻的交通环境下，正获得越来越广泛的应用。然而，在硬件设施迅速发展和完善的同时，交通管理***智能化程度低的问题依然存在，交通管理部门面临着从海量的交通流数据中，尤其像交通突发拥堵所产生的具有非重复特性的数据中，获取隐藏的内在信息，以及充分利用信息优势制定科学的疏导策略等问题。因此，在海量交通数据的基础上，开展动态交通流信息处理及拥堵的控制与诱导策略研究，对缓解城市交通拥堵具有重要意义，在进行交通监管过程中，通过无人机进行监管，实现交通监管的智能化。
为了能够对城市道路监管实现精准的控制，需要开发一款与其相匹配的***进行控制，该***通过航拍无人机采集交通图像信息，得到交通流数据，并利用网络模型进行识别交通事件类别，根据交通事件类别生成诱导信息，并对车辆路径进行实时引导，实时引导过程中，无人机智能跟随，并根据车辆路径确定无人机基准航迹，当无人机当前飞行航迹偏离基准航迹时，对无人机飞行航迹进行动态调整，但是在进行控制过程中，如何实现精准控制的同时，实现道路精准动态监管都是亟不可待要解决的问题。
发明内容
本发明克服了现有技术的不足，提供一种基于无人机航行跟随的城市道路监管方法、***及可读存储介质。
为达到上述目的，本发明采用的技术方案为：一种基于无人机航行跟随的城市道路监管方法，包括：
通过航拍无人机采集交通图像信息，将图像信息进行预处理，得到交通流数据；
提取交通流数据向量特征，并利用网络模型进行识别交通事件类别；
根据交通事件类别生成诱导信息，
通过诱导信息对车辆路径进行实时引导，得到结果信息；
根据结果信息，确定无人机航行任务，并对无人机进行编队，生成编队信息；
根据无人机航行任务，确定无人机基准航迹；
实时获取无人机当前飞行航迹，将无人机当前飞行航迹与基准航迹进行比较，得到偏差率；
判断所述偏差率是否大于预定阈值；
若大于，则生成修正信息，根据修正信息对多无人机节点进行重新编队，并生成新的规划航迹，
根据新的规划航迹更新当前飞行航迹，控制无人机编队沿新的规划航迹飞行。
本发明一个较佳实施例中，通过航拍无人机采集交通图像信息，将图像信息进行预处理，得到交通流数据，具体包括：
获取交通图像信息，将图像信息进行边缘化处理，
提取图像信息中的路径分割线及路径轨迹，生成路网信息，
根据路网信息与实际交通路径信息进行比较，得到无人机航拍姿态角，
判断无人机航拍姿态角是否大于预设航拍姿态角，
若大于，则生成补偿信息，根据补偿信息进行调整无人机航拍姿态角，
通过无人机再次拍摄交通图像信息，并生成交通流数据。
本发明一个较佳实施例中，还包括：
通过大数据建立约束模型，并通过约束模型生成航行时间约束条件；
获取无人机起始位置与目标位置；
根据基准航迹计算无人机起始位置至目标位置的标准航行时间；
采集动态航迹信息，并计算预测航行时间；
将标准航行时间与预测航行时间进行比较，得到偏差率；
判断所述偏差率是否大于预设偏差率阈值；
若大于，则对无人机节点的航行速度进行调整。
本发明一个较佳实施例中，提取交通流数据向量特征，利用网络模型进行识别交通事件类别，具体为：
利用深度学习算法构建交通流预测模型，将交通流数据进行分类训练；
采用最优化算法求解交通拥堵信息及路况状态；
根据交通拥堵信息进行最短路径寻优，并进行备选路径搜索；
无人机节点获取备选路径，并沿备选路径进行模拟飞行，得到备选路径路况信息；
根据备选路径路况信息获取调整信息，
通过调整信息对备选路径进行实时调整，得到结果信息，
将结果信息传输至平台。
本发明一个较佳实施例中，根据修正信息对多无人机节点进行重新编队，具体包括：
建立多无人机节点初始编队条件，
根据初始编队条件对多无人机节点进行编队保持；
获取初始编队内无人机之间的航行间距，
将航行间距与预定编队距离进行比较，得到偏差率；
判断所述偏差率是否大于预设偏差率阈值；
若大于，则进行多无人机节点重新编队。
本发明一个较佳实施例中，所述交通事件类别包括道路拥堵、交通事故、道路施工、道路封闭、道路天气异常中的一种或多种；
所述道路拥堵包括周期性拥堵或非周期性拥堵，所述周期性拥堵包括道路交叉口或路段上预定时间段内经常出现的拥堵；所述非周期性拥堵包括随机或意外情况下造成的拥突发堵。
本发明第二方面还提供了一种基于无人机航行跟随的城市道路监管***，该***包括：存储器、处理器，所述存储器中包括基于无人机航行跟随的城市道路监管方法程序，所述基于无人机航行跟随的城市道路监管方法程序被所述处理器执行时实现如下步骤：通过航拍无人机采集交通图像信息，将图像信息进行预处理，得到交通流数据；
提取交通流数据向量特征，并利用网络模型进行识别交通事件类别；
根据交通事件类别生成诱导信息，
通过诱导信息对车辆路径进行实时引导，得到结果信息；
根据结果信息，确定无人机航行任务，并对无人机进行编队，生成编队信息；
根据无人机航行任务，确定无人机基准航迹；
实时获取无人机当前飞行航迹，将无人机当前飞行航迹与基准航迹进行比较，得到偏差率；
判断所述偏差率是否大于预定阈值；
若大于，则生成修正信息，根据修正信息对多无人机节点进行重新编队，并生成新的规划航迹，
根据新的规划航迹更新当前飞行航迹，控制无人机编队沿新的规划航迹飞行。
本发明一个较佳实施例中，还包括：
通过大数据建立约束模型，并通过约束模型生成航行时间约束条件；
获取无人机起始位置与目标位置；
根据基准航迹计算无人机起始位置至目标位置的标准航行时间；
采集动态航迹信息，并计算预测航行时间；
将标准航行时间与预测航行时间进行比较，得到偏差率；
判断所述偏差率是否大于预设偏差率阈值；
若大于，则对无人机节点的航行速度进行调整。
本发明一个较佳实施例中，提取交通流数据向量特征，利用网络模型进行识别交通事件类别，具体为：
利用深度学习算法构建交通流预测模型，将交通流数据进行分类训练；
采用最优化算法求解交通拥堵信息及路况状态；
根据交通拥堵信息进行最短路径寻优，并进行备选路径搜索；
无人机节点获取备选路径，并沿备选路径进行模拟飞行，得到备选路径路况信息；
根据备选路径路况信息获取调整信息，
通过调整信息对备选路径进行实时调整，得到结果信息，
将结果信息传输至平台。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括基于无人机航行跟随的城市道路监管方法程序，所述基于无人机航行跟随的城市道路监管方法程序被处理器执行时，实现上述任一项所述的基于无人机航行跟随的城市道路监管方法的步骤。
本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：
(1)通过无人机航拍道路图像信息，并实时获取交通流数据，根据模型自动识别交通事件类别，根据不同的交通事件类别做出对应的决策，无人机节点针对拥堵区域进行实时画面传输，实现城市道路的实时监控。
(2)交通事件类别生成诱导信息，通过诱导信息对车辆路径进行实时引导，保证车辆处于最优路径，由于交通事件类别存在瞬时发生的可能性，因此在进行最优路径行驶的同时，平台自动进行备选路径的搜索，然后无人机节点沿备选路径进行模拟飞行，并将实时画面传输至平台，分析备选路径的交通流信息，并进行实时调整备选路径，保证备选路径的交通高效性。
(3)当道路发生交通事故或有人员伤亡时，根据附近区域无人机待机状态进行选择最佳无人机节点个数飞行至预定区域，通过调整无人机节点的航拍姿态角实现多无人机节点配合联拍，保证无人机节点传输的现场画面清晰，并与医院实现互连，进行远程指导临时自救服务。
(4)无人机智能监管过程中对车辆路径进行实时引导，实时引导过程中，无人机智能跟随，并根据车辆路径确定无人机基准航迹，当无人机当前飞行航迹偏离基准航迹时，实现无人机飞行航迹进行动态调整。
(5)在对无人机节点进行编队过程中，通过航行间距进行调整，保证多无人机节点之间的相互配合性，实现多无人机节点联动监管，通过大数据建立约束模型，并通过约束模型生成航行时间约束条件，通过约束条件判别无人机节点的航行速度，以及对航行速度进行调整，保证无人机节点进行画面传输时的清晰度。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1示出了本发明一种基于无人机航行跟随的城市道路监管方法的流程图；
图2示出了交通流数据获取方法流程图；
图3示出了无人机节点航行速度调整方法流程图；
图4示出了备选路径实时调整方法流程图；
图5示出了一种基于无人机航行跟随的城市道路监管***的框图；
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于无人机航行跟随的城市道路监管方法的流程图。
如图1所示，本发明第一方面提供了一种基于无人机航行跟随的城市道路监管方法，包括：
S102，通过航拍无人机采集交通图像信息，将图像信息进行预处理，得到交通流数据；
S104，提取交通流数据向量特征，并利用网络模型进行识别交通事件类别；
S106，根据交通事件类别生成诱导信息，通过诱导信息对车辆路径进行实时引导，得到结果信息；
S108，根据结果信息，确定无人机航行任务，并对无人机进行编队，生成编队信息；
S110，根据无人机航行任务，确定无人机基准航迹；
S112，实时获取无人机当前飞行航迹，将无人机当前飞行航迹与基准航迹进行比较，得到偏差率，判断偏差率是否大于预定阈值；
S114，若大于，则生成修正信息，根据修正信息对多无人机节点进行重新编队，并生成新的规划航迹，根据新的规划航迹更新当前飞行航迹，控制无人机编队沿新的规划航迹飞行。
需要说明的是，根据交通事件类别生成诱导信息，包括：
获取交通流信息，并识别突发事件造成的突发拥堵路段，生成拥堵信息；
将拥堵信息与拥堵判别阈值进行比较，判断拥堵程度及拥堵级别；
将拥堵路段划分为若干个距离相等的运行路段，并搜寻所有运行路段上且原定路线经过运行路段的车辆集合；
根据概率分布进行路线选择，生成新的规划路线，
将新的规划路线递归地分配给车辆集合内的选定车辆，并更新路网信息。
需要说明的是，无人机智能监管过程中对车辆路径进行实时引导，实时引导过程中，无人机智能跟随，并根据车辆路径确定无人机基准航迹，通过比较当前飞行航迹与基准航迹之间的偏差，当无人机当前飞行航迹偏离基准航迹时，实现无人机飞行航迹进行动态调整，保证无人机航迹的精准，无人机节点针对拥堵区域进行实时画面传输，实现城市交通的实时智能监控，并针对不同的交通状况作出对应的决策，如调整信号灯的时间，当道路发生交通事故或有人员伤亡时，根据附近区域无人机待机状态进行选择最佳无人机节点个数飞行至预定区域，通过调整无人机节点的航拍角实现多无人机节点配合联拍，保证无人机节点传输的现场画面清晰，并与医院实现互连，进行远程指导临时自救服务。
如图2所示，本发明公开了交通流数据获取方法流程图；
根据本发明实施例，通过航拍无人机采集交通图像信息，将图像信息进行预处理，得到交通流数据，具体包括：
S202，获取交通图像信息，将图像信息进行边缘化处理，
S204，提取图像信息中的路径分割线及路径轨迹，生成路网信息，
S206，根据路网信息与实际交通路径信息进行比较，得到无人机航拍姿态角，
S208，判断无人机航拍姿态角是否大于预设航拍姿态角，
S210，若大于，则生成补偿信息，根据补偿信息进行调整无人机航拍姿态角，
S212，通过无人机再次拍摄交通图像信息，并生成交通流数据。
如图3所示，本发明公开了无人机节点航行速度调整方法流程图；
根据本发明实施例，还包括：
S302，通过大数据建立约束模型，并通过约束模型生成航行时间约束条件；
S304，获取无人机起始位置与目标位置；
S306，根据基准航迹计算无人机起始位置至目标位置的标准航行时间；
S308，采集动态航迹信息，并计算预测航行时间；
S310，将标准航行时间与预测航行时间进行比较，得到偏差率；
S312，判断偏差率是否大于预设偏差率阈值；
S314，若大于，则对无人机节点的航行速度进行调整。
需要说明的是，航行时间约束条件计算如下：
设由M架无人机组成的编队中，N架无人机的航迹序列集合表示为：
w＝{w1(x1,y1,z1,t1),w2(x2,y2,z2,t2),w3(x3,y3,z3,t3)……wn(xn,yn,zn,tn)}
其中w表示航迹序列集合；n表示无人机的航迹所包含的航迹点总数量；
w(xm,ym,zm,tm)表示航迹序列集合中的第m个航迹点，(xm,ym,zm)表示第m个航迹点的三维位置坐标，t表示无人机到达目标位置的近似时刻，
设无极人的航行速度为v，则无人机抵达各个轨迹点的近似时间为：
航行时间约束条件可表示为：
max(tn)-min(tn)≤δ
其中δ表示允许无人机到达预定位置时间偏差的最大值。
如图4所示，本发明公开了备选路径实时调整方法流程图；
根据本发明实施例，提取交通流数据向量特征，利用网络模型进行识别交通事件类别，具体为：
S402，利用深度学习算法构建交通流预测模型，将交通流数据进行分类训练；
S404，采用最优化算法求解交通拥堵信息及路况状态；
S406，根据交通拥堵信息进行最短路径寻优，并进行备选路径搜索；
S408，无人机节点获取备选路径，并沿备选路径进行模拟飞行，得到备选路径路况信息；
S410，根据备选路径路况信息获取调整信息，
S412，通过调整信息对备选路径进行实时调整，得到结果信息，将结果信息传输至平台。
根据本发明实施例，根据修正信息对多无人机节点进行重新编队，具体包括：
建立多无人机节点初始编队条件，
根据初始编队条件对多无人机节点进行编队保持；
获取初始编队内无人机之间的航行间距，
将航行间距与预定编队距离进行比较，得到偏差率；
判断偏差率是否大于预设偏差率阈值；
若大于，则进行多无人机节点重新编队。
需要说明的是，初始编队条件包括无人机执行任务类别、无人机航行方向、无人机航行速度、无人机航行角度中的一种或多种组合。
根据本发明实施例，交通事件类别包括道路拥堵、交通事故、道路施工、道路封闭、道路天气异常中的一种或多种；
道路拥堵包括周期性拥堵或非周期性拥堵，周期性拥堵包括道路交叉口或路段上预定时间段内经常出现的拥堵；非周期性拥堵包括随机或意外情况下造成的拥突发堵。
根据本发明实施例，通过航拍无人机采集交通图像信息，将图像信息进行预处理，还包括：
将交通图像进行阈值化处理，非车道线区域处理成黑色，车道线区域处理成白色；
通过局部最小值法去除图像噪点，并通过局部最大值法对白色区域进行补偿处理；
设定剔除宽度，将白色区域进行固定宽度处理，并根据车道线极角特征建立极角约束条件，
根据极角约束条件生成补偿信息，根据补偿信息调整无人机航拍姿态角。
如图5所示，本发明公开了一种基于无人机航行跟随的城市道路监管***的框图；
本发明第二方面还提供了一种基于无人机航行跟随的城市道路监管***，该***5包括：存储器51、处理器52，存储器中包括基于无人机航行跟随的城市道路监管方法程序，基于无人机航行跟随的城市道路监管方法程序被处理器执行时实现如下步骤：通过航拍无人机采集交通图像信息，将图像信息进行预处理，得到交通流数据；
提取交通流数据向量特征，并利用网络模型进行识别交通事件类别；
根据交通事件类别生成诱导信息，
通过诱导信息对车辆路径进行实时引导，得到结果信息；
根据结果信息，确定无人机航行任务，并对无人机进行编队，生成编队信息；
根据无人机航行任务，确定无人机基准航迹；
实时获取无人机当前飞行航迹，将无人机当前飞行航迹与基准航迹进行比较，得到偏差率；
判断偏差率是否大于预定阈值；
若大于，则生成修正信息，根据修正信息对多无人机节点进行重新编队，并生成新的规划航迹，
根据新的规划航迹更新当前飞行航迹，控制无人机编队沿新的规划航迹飞行。
需要说明的是，需要说明的是，根据交通事件类别生成诱导信息，包括：
获取交通流信息，并识别突发事件造成的突发拥堵路段，生成拥堵信息；
将拥堵信息与拥堵判别阈值进行比较，判断拥堵程度及拥堵级别；
将拥堵路段划分为若干个距离相等的运行路段，并搜寻所有运行路段上且原定路线经过运行路段的车辆集合；
根据概率分布进行路线选择，生成新的规划路线，
将新的规划路线递归地分配给车辆集合内的选定车辆，并更新路网信息。
需要说明的是，无人机智能监管过程中对车辆路径进行实时引导，实时引导过程中，无人机智能跟随，并根据车辆路径确定无人机基准航迹，通过比较当前飞行航迹与基准航迹之间的偏差，当无人机当前飞行航迹偏离基准航迹时，实现无人机飞行航迹进行动态调整，保证无人机航迹的精准，无人机节点针对拥堵区域进行实时画面传输，实现城市交通的实时智能监控，并针对不同的交通状况作出对应的决策，如调整信号灯的时间，当道路发生交通事故或有人员伤亡时，根据附近区域无人机待机状态进行选择最佳无人机节点个数飞行至预定区域，通过调整无人机节点的航拍角实现多无人机节点配合联拍，保证无人机节点传输的现场画面清晰，并与医院实现互连，进行远程指导临时自救服务。
根据本发明实施例，还包括：
通过大数据建立约束模型，并通过约束模型生成航行时间约束条件；
获取无人机起始位置与目标位置；
根据基准航迹计算无人机起始位置至目标位置的标准航行时间；
采集动态航迹信息，并计算预测航行时间；
将标准航行时间与预测航行时间进行比较，得到偏差率；
判断偏差率是否大于预设偏差率阈值；
若大于，则对无人机节点的航行速度进行调整。
需要说明的是，航行时间约束条件计算如下：
设由M架无人机组成的编队中，N架无人机的航迹序列集合表示为：
w＝{w1(x1,y1,z1,t1),w2(x2,y2,z2,t2),w3(x3,y3,z3,t3)……wn(xn,yn,zn,tn)}
其中w表示航迹序列集合；n表示无人机的航迹所包含的航迹点总数量；
w(xm,ym,zm,tm)表示航迹序列集合中的第m个航迹点，(xm,ym,zm)表示第m个航迹点的三维位置坐标，t表示无人机到达目标位置的近似时刻，
设无极人的航行速度为v，则无人机抵达各个轨迹点的近似时间为：
航行时间约束条件可表示为：
max(tn)-min(tn)≤δ
其中δ表示允许无人机到达预定位置时间偏差的最大值。
根据本发明实施例，提取交通流数据向量特征，利用网络模型进行识别交通事件类别，具体为：
利用深度学习算法构建交通流预测模型，将交通流数据进行分类训练；
采用最优化算法求解交通拥堵信息及路况状态；
根据交通拥堵信息进行最短路径寻优，并进行备选路径搜索；
无人机节点获取备选路径，并沿备选路径进行模拟飞行，得到备选路径路况信息；
根据备选路径路况信息获取调整信息，
通过调整信息对备选路径进行实时调整，得到结果信息，
将结果信息传输至平台。
根据本发明实施例，通过航拍无人机采集交通图像信息，将图像信息进行预处理，得到交通流数据，具体包括：
获取交通图像信息，将图像信息进行边缘化处理，
提取图像信息中的路径分割线及路径轨迹，生成路网信息，
根据路网信息与实际交通路径信息进行比较，得到无人机航拍姿态角，
判断无人机航拍姿态角是否大于预设航拍姿态角，
若大于，则生成补偿信息，根据补偿信息进行调整无人机航拍姿态角，
通过无人机再次拍摄交通图像信息，并生成交通流数据。
根据本发明实施例，根据修正信息对多无人机节点进行重新编队，具体包括：
建立多无人机节点初始编队条件，
根据初始编队条件对多无人机节点进行编队保持；
获取初始编队内无人机之间的航行间距，
将航行间距与预定编队距离进行比较，得到偏差率；
判断偏差率是否大于预设偏差率阈值；
若大于，则进行多无人机节点重新编队。
需要说明的是，初始编队条件包括无人机执行任务类别、无人机航行方向、无人机航行速度、无人机航行角度中的一种或多种组合。
根据本发明实施例，交通事件类别包括道路拥堵、交通事故、道路施工、道路封闭、道路天气异常中的一种或多种；
道路拥堵包括周期性拥堵或非周期性拥堵，周期性拥堵包括道路交叉口或路段上预定时间段内经常出现的拥堵；非周期性拥堵包括随机或意外情况下造成的拥突发堵。
根据本发明实施例，通过航拍无人机采集交通图像信息，将图像信息进行预处理，还包括：
将交通图像进行阈值化处理，非车道线区域处理成黑色，车道线区域处理成白色；
通过局部最小值法去除图像噪点，并通过局部最大值法对白色区域进行补偿处理；
设定剔除宽度，将白色区域进行固定宽度处理，并根据车道线极角特征建立极角约束条件，
根据极角约束条件生成补偿信息，根据补偿信息调整无人机航拍姿态角。
本发明第三方面提供了一种计算机可读存储介质，计算机可读存储介质中包括基于无人机航行跟随的城市道路监管方法程序，基于无人机航行跟随的城市道路监管方法程序被处理器执行时，实现上述任一项的基于无人机航行跟随的城市道路监管方法的步骤。
综上，通过无人机航拍道路图像信息，并实时获取交通流数据，根据模型自动识别交通事件类别，根据不同的交通事件类别做出对应的决策，无人机节点针对拥堵区域进行实时画面传输，实现城市道路的实时监控。
交通事件类别生成诱导信息，通过诱导信息对车辆路径进行实时引导，保证车辆处于最优路径，由于交通事件类别存在瞬时发生的可能性，因此在进行最优路径行驶的同时，平台自动进行备选路径的搜索，然后无人机节点沿备选路径进行模拟飞行，并将实时画面传输至平台，分析备选路径的交通流信息，并进行实时调整备选路径，保证备选路径的交通高效性。
当道路发生交通事故或有人员伤亡时，根据附近区域无人机待机状态进行选择最佳无人机节点个数飞行至预定区域，通过调整无人机节点的航拍姿态角实现多无人机节点配合联拍，保证无人机节点传输的现场画面清晰，并与医院实现互连，进行远程指导临时自救服务。
无人机智能监管过程中对车辆路径进行实时引导，实时引导过程中，无人机智能跟随，并根据车辆路径确定无人机基准航迹，当无人机当前飞行航迹偏离基准航迹时，实现无人机飞行航迹进行动态调整。
在对无人机节点进行编队过程中，通过航行间距进行调整，保证多无人机节点之间的相互配合性，实现多无人机节点联动监管，通过大数据建立约束模型，并通过约束模型生成航行时间约束条件，通过约束条件判别无人机节点的航行速度，以及对航行速度进行调整，保证无人机节点进行画面传输时的清晰度。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、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。
或者，本发明上述集成的单元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，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献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方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，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)
1.一种基于无人机航行跟随的城市道路监管方法，其特征在于，包括：
通过航拍无人机采集交通图像信息，将图像信息进行预处理，得到交通流数据；
提取交通流数据向量特征，并利用网络模型进行识别交通事件类别；
根据交通事件类别生成诱导信息，
通过诱导信息对车辆路径进行实时引导，得到结果信息；
根据结果信息，确定无人机航行任务，并对无人机进行编队，生成编队信息；
根据无人机航行任务，确定无人机基准航迹；
实时获取无人机当前飞行航迹，将无人机当前飞行航迹与基准航迹进行比较，得到偏差率；
判断所述偏差率是否大于预定阈值；
若大于，则生成修正信息，根据修正信息对多无人机节点进行重新编队，并生成新的规划航迹，
根据新的规划航迹更新当前飞行航迹，控制无人机编队沿新的规划航迹飞行。
2.根据权利要求1所述的一种基于无人机航行跟随的城市道路监管方法，其特征在于，通过航拍无人机采集交通图像信息，将图像信息进行预处理，得到交通流数据，具体包括：
获取交通图像信息，将图像信息进行边缘化处理，
提取图像信息中的路径分割线及路径轨迹，生成路网信息，
根据路网信息与实际交通路径信息进行比较，得到无人机航拍姿态角，
判断无人机航拍姿态角是否大于预设航拍姿态角，
若大于，则生成补偿信息，根据补偿信息进行调整无人机航拍姿态角，
通过无人机再次拍摄交通图像信息，并生成交通流数据。
3.根据权利要求1所述的一种基于无人机航行跟随的城市道路监管方法，其特征在于，还包括：
通过大数据建立约束模型，并通过约束模型生成航行时间约束条件；
获取无人机起始位置与目标位置；
根据基准航迹计算无人机起始位置至目标位置的标准航行时间；
采集动态航迹信息，并计算预测航行时间；
将标准航行时间与预测航行时间进行比较，得到偏差率；
判断所述偏差率是否大于预设偏差率阈值；
若大于，则对无人机节点的航行速度进行调整。
4.根据权利要求1所述的一种基于无人机航行跟随的城市道路监管方法，其特征在于，提取交通流数据向量特征，利用网络模型进行识别交通事件类别，具体为：
利用深度学习算法构建交通流预测模型，将交通流数据进行分类训练；
采用最优化算法求解交通拥堵信息及路况状态；
根据交通拥堵信息进行最短路径寻优，并进行备选路径搜索；
无人机节点获取备选路径，并沿备选路径进行模拟飞行，得到备选路径路况信息；
根据备选路径路况信息获取调整信息，
通过调整信息对备选路径进行实时调整，得到结果信息，
将结果信息传输至平台。
5.根据权利要求1所述的一种基于无人机航行跟随的城市道路监管方法，其特征在于，根据修正信息对多无人机节点进行重新编队，具体包括：
建立多无人机节点初始编队条件，
根据初始编队条件对多无人机节点进行编队保持；
获取初始编队内无人机之间的航行间距，
将航行间距与预定编队距离进行比较，得到偏差率；
判断所述偏差率是否大于预设偏差率阈值；
若大于，则进行多无人机节点重新编队。
6.根据权利要求1所述的一种基于无人机航行跟随的城市道路监管方法，其特征在于，所述交通事件类别包括道路拥堵、交通事故、道路施工、道路封闭、道路天气异常中的一种或多种；
所述道路拥堵包括周期性拥堵或非周期性拥堵，所述周期性拥堵包括道路交叉口或路段上预定时间段内经常出现的拥堵；所述非周期性拥堵包括随机或意外情况下造成的拥突发堵。
7.一种基于无人机航行跟随的城市道路监管***，其特征在于，该***包括：存储器、处理器，所述存储器中包括基于无人机航行跟随的城市道路监管方法程序，所述基于无人机航行跟随的城市道路监管方法程序被所述处理器执行时实现如下步骤：通过航拍无人机采集交通图像信息，将图像信息进行预处理，得到交通流数据；
提取交通流数据向量特征，并利用网络模型进行识别交通事件类别；
根据交通事件类别生成诱导信息，
通过诱导信息对车辆路径进行实时引导，得到结果信息；
根据结果信息，确定无人机航行任务，并对无人机进行编队，生成编队信息；
根据无人机航行任务，确定无人机基准航迹；
实时获取无人机当前飞行航迹，将无人机当前飞行航迹与基准航迹进行比较，得到偏差率；
判断所述偏差率是否大于预定阈值；
若大于，则生成修正信息，根据修正信息对多无人机节点进行重新编队，并生成新的规划航迹，
根据新的规划航迹更新当前飞行航迹，控制无人机编队沿新的规划航迹飞行。
8.根据权利要求7所述的一种基于无人机航行跟随的城市道路监管***，其特征在于，还包括：
通过大数据建立约束模型，并通过约束模型生成航行时间约束条件；
获取无人机起始位置与目标位置；
根据基准航迹计算无人机起始位置至目标位置的标准航行时间；
采集动态航迹信息，并计算预测航行时间；
将标准航行时间与预测航行时间进行比较，得到偏差率；
判断所述偏差率是否大于预设偏差率阈值；
若大于，则对无人机节点的航行速度进行调整。
9.根据权利要求7所述的一种基于无人机航行跟随的城市道路监管***，其特征在于，提取交通流数据向量特征，利用网络模型进行识别交通事件类别，具体为：
利用深度学习算法构建交通流预测模型，将交通流数据进行分类训练；
采用最优化算法求解交通拥堵信息及路况状态；
根据交通拥堵信息进行最短路径寻优，并进行备选路径搜索；
无人机节点获取备选路径，并沿备选路径进行模拟飞行，得到备选路径路况信息；
根据备选路径路况信息获取调整信息，
通过调整信息对备选路径进行实时调整，得到结果信息，
将结果信息传输至平台。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括基于无人机航行跟随的城市道路监管方法程序，所述基于无人机航行跟随的城市道路监管方法程序被处理器执行时，实现如权利要求1至6中任一项所述的基于无人机航行跟随的城市道路监管方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011359888.XA CN112462774A (zh) | 2020-11-27 | 2020-11-27 | 一种基于无人机航行跟随的城市道路监管方法、***及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011359888.XA CN112462774A (zh) | 2020-11-27 | 2020-11-27 | 一种基于无人机航行跟随的城市道路监管方法、***及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112462774A true CN112462774A (zh) | 2021-03-09 |
Family
ID=74808079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011359888.XA Withdrawn CN112462774A (zh) | 2020-11-27 | 2020-11-27 | 一种基于无人机航行跟随的城市道路监管方法、***及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112462774A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113409577A (zh) * | 2021-06-25 | 2021-09-17 | 常熟昊虞电子信息科技有限公司 | 基于智慧城市的城市交通数据采集方法及*** |
| CN113924861A (zh) * | 2021-11-05 | 2022-01-14 | 广东省农业科学院蔬菜研究所 | 一种用于温室大棚栽培蔬菜的自动采收*** |
| CN114944072A (zh) * | 2022-07-22 | 2022-08-26 | 中关村科学城城市大脑股份有限公司 | 引导提示语音生成方法、装置 |
| CN115729269A (zh) * | 2022-12-27 | 2023-03-03 | 深圳市逗映科技有限公司 | 一种基于机器视觉的无人机智能识别*** |
| CN116402426A (zh) * | 2023-04-20 | 2023-07-07 | 南京交通职业技术学院 | 基于大数据的无人机智能物流配送方法、***及介质 |
| CN117115759A (zh) * | 2023-04-12 | 2023-11-24 | 盐城工学院 | 一种基于类别引导的路侧交通目标检测***及方法 |
| CN117240399A (zh) * | 2023-11-13 | 2023-12-15 | 西安千将云信息科技有限公司 | 一种导航诱骗信号处理方法及装置、存储介质、电子设备 |
| CN118051061A (zh) * | 2024-04-16 | 2024-05-17 | 厦门市盛迅信息技术股份有限公司 | 基于视频识别的飞行器跟踪控制方法和*** |
-
2020
- 2020-11-27 CN CN202011359888.XA patent/CN112462774A/zh not_active Withdrawn
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113409577A (zh) * | 2021-06-25 | 2021-09-17 | 常熟昊虞电子信息科技有限公司 | 基于智慧城市的城市交通数据采集方法及*** |
| CN113924861A (zh) * | 2021-11-05 | 2022-01-14 | 广东省农业科学院蔬菜研究所 | 一种用于温室大棚栽培蔬菜的自动采收*** |
| CN114944072A (zh) * | 2022-07-22 | 2022-08-26 | 中关村科学城城市大脑股份有限公司 | 引导提示语音生成方法、装置 |
| CN114944072B (zh) * | 2022-07-22 | 2022-11-01 | 中关村科学城城市大脑股份有限公司 | 引导提示语音生成方法、装置 |
| CN115729269B (zh) * | 2022-12-27 | 2024-02-20 | 深圳市逗映科技有限公司 | 一种基于机器视觉的无人机智能识别*** |
| CN115729269A (zh) * | 2022-12-27 | 2023-03-03 | 深圳市逗映科技有限公司 | 一种基于机器视觉的无人机智能识别*** |
| CN117115759A (zh) * | 2023-04-12 | 2023-11-24 | 盐城工学院 | 一种基于类别引导的路侧交通目标检测***及方法 |
| CN117115759B (zh) * | 2023-04-12 | 2024-04-09 | 盐城工学院 | 一种基于类别引导的路侧交通目标检测***及方法 |
| CN116402426A (zh) * | 2023-04-20 | 2023-07-07 | 南京交通职业技术学院 | 基于大数据的无人机智能物流配送方法、***及介质 |
| CN117240399A (zh) * | 2023-11-13 | 2023-12-15 | 西安千将云信息科技有限公司 | 一种导航诱骗信号处理方法及装置、存储介质、电子设备 |
| CN117240399B (zh) * | 2023-11-13 | 2024-02-06 | 西安千将云信息科技有限公司 | 一种导航诱骗信号处理方法及装置、存储介质、电子设备 |
| CN118051061A (zh) * | 2024-04-16 | 2024-05-17 | 厦门市盛迅信息技术股份有限公司 | 基于视频识别的飞行器跟踪控制方法和*** |
| CN118051061B (zh) * | 2024-04-16 | 2024-06-11 | 厦门市盛迅信息技术股份有限公司 | 基于视频识别的飞行器跟踪控制方法和*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112462774A (zh) | 一种基于无人机航行跟随的城市道路监管方法、***及可读存储介质 | |
| JP7351487B2 (ja) | トポロジーマップに基づくインテリジェントナビゲーションの方法及びシステム | |
| US20210356962A1 (en) | Planning autonomous motion | |
| EP4152204A1 (en) | Lane line detection method, and related apparatus | |
| US11380105B2 (en) | Identification and classification of traffic conflicts | |
| CN113706737B (zh) | 基于自动驾驶车辆的路面巡检***及方法 | |
| CN112433539A (zh) | 一种处理高速交通事故的无人机调度方法、***及可读存储介质 | |
| CN112382097A (zh) | 一种基于动态交通流的城市道路监管方法、***及可读存储介质 | |
| CN112506219A (zh) | 一种智能交通监管无人机航迹规划方法、***及可读存储介质 | |
| CN113743469B (zh) | 一种融合多源数据及综合多维指标的自动驾驶决策方法 | |
| CN113276874B (zh) | 一种车辆行驶轨迹处理方法及相关装置 | |
| CN112509322A (zh) | 一种基于无人机的高速交通事故监管方法、***及可读存储介质 | |
| CN112556718B (zh) | 经由高速车辆遥测来推断车道边界 | |
| CN114999161B (zh) | 一种用于智能交通拥堵边缘治理*** | |
| CN115880928A (zh) | 自动驾驶高精地图实时更新方法、装置、设备及存储介质 | |
| CN114913447B (zh) | 基于场景识别的警务智慧指挥室***及方法 | |
| CN116128360A (zh) | 道路交通拥堵等级评估方法、装置、电子设备及存储介质 | |
| Huang et al. | Traffic congestion level prediction based on recurrent neural networks | |
| CN117238145A (zh) | 一种基于大数据的智慧交通管理方法及*** | |
| Abbas et al. | Real-time traffic jam detection and congestion reduction using streaming graph analytics | |
| KR102566525B1 (ko) | 교통 상황 분석 방법 및 장치 | |
| CN114550028A (zh) | 车辆的任务进度获取方法、电子设备、介质及产品 | |
| CN113963310A (zh) | 一种公交站的人流量检测方法、装置及电子设备 | |
| RU2769832C1 (ru) | Система автоматической видеофиксации дорожно-транспортных происшествий на перекрестке | |
| WO2022142922A1 (zh) | 道路安全评估方法、视频处理中心及存储介质 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210309 |