CN112673406B - 一种辨识车辆列队中异常车辆参数的方法和终端设备 - Google Patents
一种辨识车辆列队中异常车辆参数的方法和终端设备 Download PDFInfo
- Publication number
- CN112673406B CN112673406B CN202080004923.8A CN202080004923A CN112673406B CN 112673406 B CN112673406 B CN 112673406B CN 202080004923 A CN202080004923 A CN 202080004923A CN 112673406 B CN112673406 B CN 112673406B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- abnormal area
- time
- target vehicle
- vehicles
- 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.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 302
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 84
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims description 58
- 238000004590 computer program Methods 0.000 claims description 17
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 26
- 230000006855 networking Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 13
- 230000006399 behavior Effects 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 7
- 238000006073 displacement reaction Methods 0.000 description 6
- 238000005265 energy consumption Methods 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
- 238000013461 design Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000035939 shock Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/22—Platooning, i.e. convoy of communicating vehicles
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/40—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass for recovering from a failure of a protocol instance or entity, e.g. service redundancy protocols, protocol state redundancy or protocol service redirection
-
- 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]
- H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/095—Traffic lights
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本申请提供一种基于网联信息辨识车辆列队中异常车辆参数的方法和终端设备,该方法应用在网联车、智能汽车、自动驾驶、V2X领域,可以识别智能网联车队异常区域中的车辆数量及其每一辆车的位置、速度信息,使得智能网联车队异常区域恢复有序,实现对该智能网联汽车车队协同控制。该方法包括:根据目标车辆的行驶轨迹数据和所述目标车辆的当前实时地图判断当前所述目标车辆的驾驶场景,所述目标车辆的驾驶场景为城市道路驾驶场景或高速公路驾驶场景,所述目标车辆为智能网联车队的智能网联汽车;根据当前所述目标车辆的驾驶场景,选择所述目标车辆当前驾驶场景下的车辆轨迹生成算法;确定Tb时刻所述目标车辆的前方包括的所述至少一段异常区域,所述至少一段异常区域为所述目标车辆所在的智能网联车队中的异常区域,所述Tb时刻为当前时刻;基于选择的所述车辆轨迹生成算法和机器学习算法,辨识在Ta时刻,至少一段异常区域中的每段异常区域中的车辆数量、所述每段异常区域包括的每辆车的位置信息和速度信息,所述Ta时刻为所述目标车辆历史行驶过程中的标定时刻;基于选择的所述车辆轨迹生成算法,根据在所述Ta时刻,所述每段异常区域中的车辆数量、所述每段异常区域包括的每辆车的位置信息和速度信息,辨识Tb时刻所述每段异常区域的车辆数量、所述每段异常区域包括的每辆车的位置信息和速度信息。
Description
技术领域
本申请涉及车联网领域,并且更具体的,涉及一种辨识车辆列队中异常车辆参数的方法和终端设备。
背景技术
智能网联汽车(Intelligent and Connected Vehicles,ICV)具备车联网(Vehicle to Everything,V2X)功能,多个依次相邻的ICV组成智能网联汽车车队,通过对该智能网联汽车车队协同控制,不仅可以降低辆能耗、减少排放,还可以缓解交通拥堵、提高行车安全与交通通行效率。但是当前正处在非完全智能网联交通的时代,道路上行驶的车辆不全是智能网联汽车,还包含非智能网联汽车。在非完全智能网联交通环境下,智能网联汽车车辆队列中可能随时会出现非智能网联汽车,智能网联汽车车辆队列随时会被打乱,智能网联汽车车队中出现了未知车辆,因此该智能网联汽车车队不能进行协同控制。
因此,当智能网联车队被打乱,如何辨识出车队异常区域中的车辆数量以及每辆车的位置、速度信息,进而进行智能网联汽车车队协同控制是一项亟待解决的问题。
发明内容
本申请提供一种辨识车辆列队中异常车辆参数的方法和终端设备,该方法可以识别智能网联车队异常区域中的车辆数量及其每一辆车的位置、速度信息,使得智能网联车队异常区域恢复有序,实现对该智能网联汽车车队协同控制,不仅可以降低辆能耗、减少排放,还可以缓解交通拥堵、提高行车安全与交通通行效率。
第一方面,提供了一种辨识车辆列队中异常车辆参数的方法,该方法包括:根据目标车辆的行驶轨迹数据和所述目标车辆的当前实时地图判断当前所述目标车辆的驾驶场景,所述目标车辆的驾驶场景为城市道路驾驶场景或高速公路驾驶场景,所述目标车辆为智能网联车队的智能网联汽车;根据当前所述目标车辆的驾驶场景,选择所述目标车辆当前驾驶场景下的车辆轨迹生成算法;确定Tb时刻所述目标车辆的前方包括的所述至少一段异常区域,所述至少一段异常区域为所述目标车辆所在的智能网联车队中的异常区域,所述Tb时刻为当前时刻;基于选择的所述车辆轨迹生成算法和机器学习算法,辨识在Ta时刻,至少一段异常区域中的每段异常区域中的车辆数量、所述每段异常区域包括的每辆车的位置信息和速度信息,所述Ta时刻为所述目标车辆历史行驶过程中的标定时刻;基于选择的所述车辆轨迹生成算法,根据在所述Ta时刻,所述每段异常区域中的车辆数量、所述每段异常区域包括的每辆车的位置信息和速度信息,辨识Tb时刻所述每段异常区域的车辆数量、所述每段异常区域包括的每辆车的位置信息和速度信息。
因此,通过在判断的不同驾驶场景下辨识Ta时刻异常区域中的车辆数量、异常区域中的每辆车的位置信息和速度信息来辨识Tb时刻异常区域中的车辆数量、异常区域中的每辆车的位置信息和异常区域中的每辆车的速度信息,可以识别智能网联车队异常区域中的车辆数量及其每一辆车的位置、速度信息,使得智能网联车队异常区域恢复有序。
结合第一方面,在第一方面的某些实现方式中,所述基于选择的所述车辆轨迹生成算法和机器学习算法,辨识Ta时刻所述至少一段异常区域中的每段异常区域的车辆数量、所述每段异常区域包括的每辆车的位置信息和速度信息,包括:计算所述每段异常区域中的车辆数量为K时,所述目标车辆的理论行驶轨迹和实际行驶轨迹的均方根误差(RootMean Square Error,RMSE),其中,K∈{1,…,N},N为所述每段异常区域包括的车辆数量的最大值N,K遍历1到N的每个值;当所述RMSE符合第一条件时,获取所述异常区域中每辆车的位置信息信息和速度信息;在Ta时刻,从确定的N个RMSE中确定符合第二条件的RMSE对应的车辆数量、每辆车的位置信息信息和速度信息。
结合第一方面,在第一方面的某些实现方式中,所述确定Tb时刻所述目标车辆的前方包括的所述至少一段异常区域,包括:获取所述目标车辆前方多个智能网联汽车在Tc时刻至Tb时刻的实际行驶轨迹,所述Tc时刻为所述目标车辆历史行驶过程中的标定时刻;计算所述目标车辆前方多个智能网联汽车在Tc时刻至Tb时刻的理论行驶轨迹;计算所述多个智能网联汽车中的每个智能网联汽车的理论行驶轨迹和实际行驶轨迹的差;根据所述每个智能网联汽车的理论行驶轨迹和实际行驶轨迹的差与第一阈值,确定Tb时刻所述目标车辆的前方包括的所述至少一段异常区域。
结合第一方面,在第一方面的某些实现方式中,当所述智能网联车队的每个智能网联汽车的车头配置有雷达或者摄像头时,所述至少一段异常区域中的每段异常区域的距离为所述每段异常区域首部相邻的第一辆智能网联汽车到所述每段异常区域的尾部。
结合第一方面,在第一方面的某些实现方式中,当所述智能网联汽车的车头和车尾均配置有雷达或者摄像头时,所述至少一段异常区域中的每段异常区域的距离为所述每段异常区域首部相邻的第一辆智能网联汽车的相邻后车到所述每段异常区域的尾部相邻的前方车辆之间的区域。
此时,当所述智能网联汽车的车辆队列中的车辆的车头和车尾均配置有雷达或者摄像头时,可以缩短车队异常区域长度,有利于提高辨识的精度。
结合第一方面,在第一方面的某些实现方式中,计算所述每段异常区域中的车辆数量为K时,目标车辆的理论行驶轨迹和实际行驶轨迹的均方根误差RMSE,包括:在Ta时刻所述异常区域车辆数量为K时,随机生成所述异常区域中的每一辆车在Ta时刻的位置信息、速度信息;根据车辆轨迹生成算法,计算出所述目标车辆的相邻的前方车辆从Ta时刻到Tb时刻的理论轨迹;根据所述目标车辆的相邻的前方车辆从Ta到Tb的实际轨迹和理论轨迹,计算所述目标车辆的相邻的前方车辆的理论行驶轨迹和实际行驶轨迹的RMSE。
结合第一方面,在第一方面的某些实现方式中,所述计算Ta时刻,所述异常区域中最大的车辆数量N,包括:确定所述Ta时刻所述异常区域的长度;根据所述异常区域的长度、车辆平均长度和相邻两辆车的最小车间距,确定所述异常区域中最大的车辆数量N。
结合第一方面,在第一方面的某些实现方式中,所述方法还包括:确定不同驾驶场景下的车辆轨迹生成算法,所述车辆轨迹生成算法包括城市道路车辆轨迹生成算法和高速公路车辆轨迹生成算法。
第二方面,提供了一种终端设备,包括:判断单元,所述判断单元用于根据目标车辆的行驶轨迹数据和所述目标车辆的当前实时地图判断当前所述目标车辆的驾驶场景,所述目标车辆的驾驶场景为城市道路驾驶场景或高速公路驾驶场景,所述目标车辆为智能网联车队的智能网联汽车;处理单元,所述处理单元用于根据当前所述目标车辆的驾驶场景,选择所述目标车辆当前驾驶场景下的车辆轨迹生成算法;所述处理单元还用于确定Tb时刻所述目标车辆的前方包括的所述至少一段异常区域,所述至少一段异常区域为所述目标车辆所在的智能网联车队中的异常区域,所述Tb时刻为当前时刻;所述处理单元还用于基于选择的所述车辆轨迹生成算法和机器学习算法,辨识在Ta时刻,至少一段异常区域中的每段异常区域中的车辆数量、所述每段异常区域包括的每辆车的位置信息和速度信息,所述Ta时刻为所述目标车辆历史行驶过程中的标定时刻;所述处理单元还用于基于选择的所述车辆轨迹生成算法,根据在所述Ta时刻,所述每段异常区域中的车辆数量、所述每段异常区域包括的每辆车的位置信息和速度信息,辨识Tb时刻所述每段异常区域的车辆数量、所述每段异常区域包括的每辆车的位置信息和速度信息。
结合第二方面,在第二方面的某些实现方式中,所述处理单元具体用于:计算所述每段异常区域中的车辆数量为K时,所述目标车辆的理论行驶轨迹和实际行驶轨迹的均方根误差RMSE,其中,K∈{1,…,N},N为所述每段异常区域包括的车辆数量的最大值N,K遍历1到N的每个值;当所述RMSE符合第一条件时,获取所述异常区域中每辆车的位置信息信息和速度信息;在Ta时刻,从确定的N个RMSE中确定符合第二条件的RMSE对应的车辆数量、每辆车的位置信息信息和速度信息。
结合第二方面,在第二方面的某些实现方式中,所述处理单元具体用于:获取所述目标车辆前方多个智能网联汽车在Tc时刻至Tb时刻的实际行驶轨迹,所述Tc时刻为所述目标车辆历史行驶过程中的标定时刻;计算所述目标车辆前方多个智能网联汽车在Tc时刻至Tb时刻的理论行驶轨迹;计算所述多个智能网联汽车中的每个智能网联汽车的理论行驶轨迹和实际行驶轨迹的差;根据所述每个智能网联汽车的理论行驶轨迹和实际行驶轨迹的差与第一阈值,确定Tb时刻所述目标车辆的前方包括的所述至少一段异常区域。
结合第二方面,在第二方面的某些实现方式中,当所述智能网联车队的每个智能网联汽车的车头配置有雷达或者摄像头时,所述至少一段异常区域中的每段异常区域的距离为所述每段异常区域首部相邻的第一辆智能网联汽车到所述每段异常区域的尾部相邻的前方车辆之间的区域。
结合第二方面,在第二方面的某些实现方式中,当所述智能网联车队的每个智能网联汽车的车头和车尾均配置有雷达或者摄像头时,所述至少一段异常区域中的每段异常区域的距离为所述每段异常区域首部相邻的第一辆智能网联汽车的相邻后车到所述每段异常区域的尾部相邻的前方车辆之间的区域。
结合第二方面,在第二方面的某些实现方式中,所述处理单元具体用于:在Ta时刻所述异常区域车辆数量为K时,随机生成所述异常区域中的每一辆车在Ta时刻的位置信息、速度信息;根据车辆轨迹生成算法,计算出所述目标车辆的相邻的前方车辆从Ta时刻到Tb时刻的理论轨迹;根据所述目标车辆的相邻的前方车辆从Ta到Tb的实际轨迹和理论轨迹,计算所述目标车辆的相邻的前方车辆的理论行驶轨迹和实际行驶轨迹的RMSE。
结合第二方面,在第二方面的某些实现方式中,所述处理单元还用于:确定所述Ta时刻所述异常区域的长度;根据所述异常区域的长度、车辆平均长度和相邻两辆车的最小车间距,确定所述异常区域中最大的车辆数量N。
结合第二方面,在第二方面的某些实现方式中,所述处理单元还用于:确定不同驾驶场景下的车辆轨迹生成算法,所述车辆轨迹生成算法包括城市道路车辆轨迹生成算法和高速公路车辆轨迹生成算法。
第三方面,提供了一种终端设备,包括处理器,该处理器与存储器相连,该存储器用于存储计算机程序,该处理器用于执行该存储器中存储的计算机程序,以使得该装置执行上述第一方面或第一方面的任意可能的实现方式中的方法。
第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,当该计算机程序被运行时,实现上述第一方面或第一方面的任意可能的实现方式中的方法。
第五方面,提供了一种芯片,其特征在于,包括处理器和接口;该处理器用于读取指令以执行上述第一方面或第一方面的任意可能的实现方式中的方法。
可选地,该芯片还可以包括存储器,该存储器中存储有指令,处理器用于执行存储器中存储的指令或源于其他的指令。
附图说明
图1a示出了城市道路上,智能网联车队行驶示意图;
图1b示出了高速公路上,智能网联车队行驶示意图;
图2示出了一种智能网联汽车的通信视距示意图;
图3a示出了智能网联车队被打乱的一种场景;
图3b示出了智能网联车队被打乱的另一种场景;
图3c示出了智能网联车队被打乱的另一种场景;
图4示出了车辆列队行驶中异常车辆参数辨识的示意性场景图;
图5是本申请一个实施例的基于网联信息的车辆队列行驶中车辆参数辨识的方法的示意性流程图;
图6示出了在城市道路上智能网联车队行驶示意图;
图7示出了在城市公路上车辆轨迹生成算法示意图;
图8示出高速公路上智能网联车队行驶示意图;
图9示出了高速公路上,车辆轨迹生成算法示意图;
图10示出了车辆列队行驶中异常车辆参数辨识的示意图;
图11示出了在高速公路上,基于Ta时刻辨识的结果,得到Tb时刻异常区域车辆数量及其位置、速度信息的示意图;
图12示出了在城市道路上,基于Ta时刻辨识的结果,得到Tb时刻异常区域车辆数量及其位置、速度信息的示意图;
图13a示出了高速公路驾驶场景下,ICV车辆的配置示意图;
图13b示出了高速公路驾驶场景下,ICV车辆的配置示意图;
图14a示出了城市道路驾驶场景下,ICV车辆的配置示意图;
图14b示出了城市道路驾驶场景下,ICV车辆的配置示意图;
图15示出了本申请实施例的终端设备200的示意性框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请中的终端设备可以是车载终端设备,该终端设备如果位于车辆上(例如放置在车辆内或安装在车辆内),都可以认为是车载终端设备,车载终端设备例如中控台也称为车载单元(on-board unit,OBU)。
在本申请中,终端设备包括硬件层、运行在硬件层之上的操作***层,以及运行在操作***层上的应用层。该硬件层包括中央处理器(central processing unit,CPU)、内存管理单元(memory management unit,MMU)和内存(也称为主存)等硬件。该操作***可以是任意一种或多种通过进程(process)实现业务处理的计算机操作***,例如,Linux操作***、Unix操作***、Android操作***、iOS操作***或windows操作***,以及建立在互联网之上的分布式***(distributed system)等。本申请并未对本申请提供的方法的执行主体的具体结构特别限定,只要能够通过运行记录有本申请的提供的方法的代码的程序,以根据本申请提供的方法进行数据处理即可,例如,本申请提供的方法的执行主体可以是终端设备或者,是终端设备中能够调用程序并执行程序的功能模块,或者是操作***等。
智能网联汽车(Intelligent and Connected Vehicles,ICV)具备车联网(Vehicle to Everything,V2X)功能,多个依次相邻的ICV组成智能网联汽车车队,智能网联汽车车队中的每辆智能网联汽车都有身份标识,通过对该智能网联汽车车队协同控制,不仅可以降低辆能耗、减少排放,还可以缓解交通拥堵、提高行车安全与交通通行效率。如图1a和图1b所示,图1a和图1b示出了不同行驶场景下,智能网联车队行驶示意图。图1a为城市道路上,智能网联车队行驶示意图,图1b为高速公路上,智能网联车队行驶示意图,图1a和图1b中的车辆均为智能网联汽车,具备V2X功能。
智能网联汽车具备V2X功能,每个智能网联汽车都具有其通信视距,通信视距即为智能网联汽车可以通信的距离。图2示出了一种智能网联汽车的通信视距示意图,在图2中,智能网联汽车车队包括七辆智能网联汽车,一种情况下,P7的通信视距可以达到P1,P1-P6和P7之间可以直接通信,另一种情况下,P7的通信视距可以达到P2,P2-P6和P7之间可以直接通信,但是P1与P7之间不能直接通信,P7与P1之间的通信数据可以通过P2车辆转发。
在本申请实施例中,为了便于描述,默认目标车辆的通信视距可以覆盖整个智能网联车队。应理解,目标车辆的通信视距也可以不覆盖整个智能网联车队,目标车辆的通信视距不能覆盖的智能网联车队中的车辆的行驶轨迹可以通过其他车辆转发给目标车辆,其他车辆为所述智能网联车队中的目标车辆的通信视距可以覆盖的智能网联汽车。
但是当前正处在非完全智能网联交通的时代,道路上行驶的车辆不全是智能网联汽车,还包含非智能网联汽车。在非完全智能网联交通环境下,智能网联汽车车辆队列中可能随时会出现非智能网联汽车,智能网联汽车车辆队列随时会被打乱。如图3a所示,在交叉路口,其他车辆汇入,智能网联车队被打乱,图3b所示,正常行驶中,其他车辆强行汇入(如变道),智能网联车队被打乱,图3c所示,队列中某车V2X设备故障,智能网联汽车可能会变为普通车辆,智能网联车队被打乱。
当智能网联车队被打乱,智能网联汽车车队中出现了未知车辆,因此该智能网联汽车车队不能进行协同控制。如何使被打乱的智能网联车队从“无序”恢复到“有序”(智能网联),即如何辨识出车队异常区域中的车辆数量以及每辆车的位置、速度信息是一项亟待解决的问题。在图4中,P1至P9为智能网联汽车,由于其他车辆强行变道或P4 V2X设备故障的影响,导致P3与P5之间出现非智能网联汽车。由于P5不知道V1、V2、···、VN-1每一辆车的位置、速度信息,P5由协同式自适应巡航控制(Cooperative Adaptive Cruise Control,CACC)控制变为自适应巡航控制(Adaptive Cruise Control,ACC)控制。在这种驾驶场景下,如何由ACC控制跳转到CACC控制,需要对车队异常区域中的车辆数量及其每一辆车的位置、速度信息进行辨识。在辨识出车队异常区域中的车辆数量及其每一辆车的位置、速度信息后,车队异常区域可以虚拟为智能网联区域,智能网联车队恢复正常。
有鉴于此,本申请提出了一种辨识车辆列队中异常车辆参数的方法,该方法可以识别智能网联车队异常区域中的车辆数量及其每一辆车的位置、速度信息,使得智能网联车队异常区域恢复有序。
下面结合图5详细说明本申请提供的一种辨识车辆列队中异常车辆参数的方法100,图5是本申请一个实施例的辨识车辆列队中异常车辆参数的方法100的示意性流程图,该方法100可以应用在图3所示的场景中。
应理解,在本申请中,以目标车辆作为执行方法的执行主体为例,对方法进行说明,该目标车辆是一辆ICV。作为示例而非限定,执行方法的执行主体也可以是目标车辆上的一个装置,如车载终端设备中控台OBU。
还应理解,该方法的执行主体还可以是服务器,即该服务器用于控制该智能网联车队,该智能网联车队中的每个智能网联汽车采集到的信息都会发送给该服务器,该服务器辨识车辆列队中异常车辆参数,并将识别结果发送给智能网联车队该每个智能网联汽车。
如图5所示,图5中示出的方法100可以包括S101至S110。下面结合图5详细说明方法100中的各个步骤。
S101,辨识流程开始。
S102,目标车辆采集当前行车数据。
首先目标车辆通过车载设备(定位设备、V2X设备)采集自车的行驶轨迹数据、前方车辆的行驶轨迹数据等。
S103,目标车辆判断当前驾驶场景。
目标车辆根据所述目标车辆的行驶轨迹数据和所述目标车辆的当前实时地图判断当前所述目标车辆的驾驶场景,是城市道路驾驶场景还是高速公路驾驶场景;如果是城市道路驾驶场景,则进入城市道路处理模块,否则进入高速公路处理模块。
S104,在城市道路驾驶场景下,目标车辆判断目标车辆前方是否存在异常区域。
S105,在城市道路驾驶场景下,目标车辆根据城市道路驾驶场景下的车辆轨迹生成算法,辨识Ta时刻异常区域中的车辆数量、异常区域中的每辆车的位置信息和异常区域中的每辆车的速度信息,所述Ta时刻为所述目标车辆行驶过程中的标定时刻。
S106,目标车辆根据辨识的所述Ta时刻异常区域中的车辆数量、异常区域中的每辆车的位置信息和异常区域中的每辆车的速度信息以及所述城市道路驾驶场景下的车辆轨迹生成算法,辨识Tb时刻异常区域中的车辆数量、异常区域中的每辆车的位置信息和异常区域中的每辆车的速度信息,所述Tb时刻为当前时刻。
S107,在高速公路驾驶场景下,目标车辆判断目标车辆前方是否存在异常区域。
S108,在高速公路驾驶场景下,目标车辆根据高速公路驾驶场景下的车辆轨迹生成算法,辨识Ta时刻异常区域中的车辆数量、异常区域中的每辆车的位置信息和异常区域中的每辆车的速度信息,所述Ta时刻为所述目标车辆行驶过程中的标定时刻。
S109,目标车辆根据辨识的所述Ta时刻异常区域中的车辆数量、异常区域中的每辆车的位置信息和异常区域中的每辆车的速度信息以及所述高速公路驾驶场景下的车辆轨迹生成算法,辨识Tb时刻异常区域中的车辆数量、异常区域中的每辆车的位置信息和异常区域中的每辆车的速度信息,所述Tb时刻为当前时刻。
S110,辨识流程结束。
根据该方法100可以看出异常区域车辆数量和位置、速度信息的辨识主要是首先辨识Ta时刻异常区域中的车辆数量、异常区域中的每辆车的位置信息和异常区域中的每辆车的速度信息;然后根据辨识的所述Ta时刻异常区域中的车辆数量、异常区域中的每辆车的位置信息和异常区域中的每辆车的速度信息以及所述车辆轨迹生成算法,辨识Tb时刻异常区域中的车辆数量、异常区域中的每辆车的位置信息和异常区域中的每辆车的速度信息。该方法可以识别智能网联车队异常区域中的车辆数量及其每一辆车的位置、速度信息,使得智能网联车队异常区域恢复有序,实现对该智能网联汽车车队协同控制,不仅可以降低辆能耗、减少排放,还可以缓解交通拥堵、提高行车安全与交通通行效率。
为了更清楚的理解本申请,下面对上述方法中Ta时刻和Tb时刻进行描述,所述Ta时刻为所述目标车辆行驶过程中的标定时刻,所述Tb时刻为当前时刻。假设现在时间时:2020年4月18日08:42:50在不考虑CPU处理时间,则Tb时刻为2020年4月18日08:42:50,Ta时刻为Tb时刻的前一时刻,如Ta时刻为2020年4月18日08:42:45,或2020年4月18日08:42:40,或2020年4月18日08:42:35。Ta时刻是Tb时刻过去的时间。
同时,Ta时刻为所述目标车辆行驶过程中的标定时刻,是指Ta是根据标定时间确定的时刻,即可以事先根据驾驶场景或者其他因素设定一个标定时间,再根据该标定时间确定Ta,例如,在高速公路驾驶场景下,标定时间为1s,即当前时刻为Tb,Tb前一秒为Ta;在城市道路驾驶场景下,标定时间为3s,即当前时刻为Tb,Tb前三秒为Ta。
在步骤S103中,目标车辆判断当前驾驶场景,该目标车辆需要根据所述目标车辆的行驶轨迹数据和所述目标车辆的当前实时地图判断当前所述目标车辆的驾驶场景。所述目标车辆的行驶轨迹数据包括GPS信息,即所述目标车辆的位置信息、速度信息和时间信息,其中,GPS中的车辆的位置信息是车辆位置的经度和纬度,目标车辆需要根据GPS信息将该目标车辆定位于所述目标车辆的当前实时地图中,来判断当前所述目标车辆的驾驶场景。根据当前所述目标车辆的驾驶场景,选择所述目标车辆的驾驶场景下的车辆轨迹生成算法。
应理解,为了准确度更高,目标车辆在判断当前驾驶场景时,该目标车辆还可以根据所述目标车辆的行驶轨迹数据、所述前方车辆的行驶轨迹数据和所述目标车辆的当前实时地图判断当前所述目标车辆的驾驶场景。
在步骤S104和步骤107中,该方法100均包括:确定Tb时刻所述目标车辆的前方包括的所述至少一段异常区域。
可选的,所述确定Tb时刻所述目标车辆的前方包括的所述至少一段异常区域,包括:获取所述目标车辆前方多个智能网联汽车在Tc时刻至Tb时刻的实际行驶轨迹,所述Tc时刻为所述目标车辆历史行驶过程中的标定时刻;计算所述目标车辆前方多个智能网联汽车在Tc时刻至Tb时刻的理论行驶轨迹;计算所述多个智能网联汽车中的每个智能网联汽车的理论行驶轨迹和实际行驶轨迹的差;根据所述每个智能网联汽车的理论行驶轨迹和实际行驶轨迹的差与第一阈值,确定Tb时刻所述目标车辆的前方包括的所述至少一段异常区域。
为了更清楚的理解本申请,下面先对上述方法中Tc时刻进行描述,所述Tc时刻为所述目标车辆行驶过程中的标定时刻,所述Tb时刻为当前时刻。假设现在时间时:2020年4月18日08:41:50在不考虑CPU处理时间,则Tb时刻为2020年4月18日08:41:50,Tc时刻为Tb时刻的前一时刻,如Ta时刻为2020年4月18日08:41:45,或2020年4月18日08:41:40,或2020年4月18日08:41:35。Tc时刻是Tb时刻过去的时间。
同时,Tc时刻为所述目标车辆行驶过程中的标定时刻,是指Tc是根据标定时间确定的时刻,即可以事先根据驾驶场景或者其他因素设定一个标定时间,再根据该标定时间确定Tc,例如,在高速公路驾驶场景下,标定时间为1s,即当前时刻为Tb,Tb前一秒为Tc;在城市道路驾驶场景下,标定时间为3s,即当前时刻为Tb,Tb前三秒为Tc。
应理解,所述Tc时刻可以和所述Ta时刻相同,也可以不同。例如,在高速公路场景下,确定Tb时刻所述目标车辆的前方包括的所述至少一段异常区域的标定时间为3s,即当前时刻为Tb,Tb前三秒为Tc;辨识车辆列队中异常车辆参数的标定时间为2s,即当前时刻为Tb,Tb前两秒为Ta。
具体而言,假如所述智能网联车队包括P1至P7七辆车,P7为目标车辆。P7接收P2至P6分别发送的车辆实际行驶轨迹以及P2至P6的车辆理论行驶轨迹,P2至P6的车辆理论行驶轨迹是通过计算依次得到的,P2基于跟车模型和Tc到Tb间的P1实际轨迹曲线,计算P2的理论轨迹曲线;P3基于跟车模型和Tc到Tb间的P2实际轨迹曲线,计算P3的理论轨迹曲线;P4基于跟车模型和Tc到Tb间的P3实际轨迹曲线,计算P4的理论轨迹曲线,P5基于跟车模型和Tc到Tb间的P4实际轨迹曲线,计算P5的理论轨迹曲线,P6基于跟车模型和Tc到Tb间的P5实际轨迹曲线,计算P6的理论轨迹曲线。
应理解,还可以基于车辆轨迹生成算法依次计算P2至P6的车辆理论行驶轨迹。
P7通过分别比较P2至P6车辆的实际行驶轨迹以及P2至P6车辆的理论行驶轨迹来确定所述P7车辆的前方包括的所述至少一段异常区域。
如果
|LP2,Cal-LP2,Real|≤第一阈值
|LP3,Cal-LP3,Real|≤第一阈值
|LP4,Cal-LP4,Real|≤第一阈值
|LP5,Cal-LP5,Real|≤第一阈值
|LP6,Cal-LP6,Real|≤第一阈值
其中,LPX,Cal表示在Tb时刻车辆X理论位置点;LPX,Real表示车辆X实际位置点;
则说明P1与P2之间、P2与P3之间、P3与P4之间、P4与P5之间、P5与P6之间,均不存在未知区域,即所述P7车辆的前方不包括异常区域。
若
|LP2,Cal-LP2,Real|≤第一阈值
|LP3,Cal-LP3,Real|≤第一阈值
|LP4,Cal-LP4,Real|>第一阈值
|LP5,Cal-LP5,Real|≤第一阈值
|LP6,Cal-LP6,Real|>第一阈值
其中,LPX,Cal表示在Tb时刻车辆X理论位置点;LPX,Real表示车辆X实际位置点;
则说明P1与P2之间、P2与P3之间、P4与P5之间均不存在未知区域;P3与P4之间、P5与P6之间则出现异常区域,可能是P3与P4之间、P5与P6之间驶入了非智能网联汽车,即所述P7车辆的前方包括两段异常区域。
若
|LP2,Cal-LP2,Real|≤第一阈值
|LP3,Cal-LP3,Real|≤第一阈值
|LP4,Cal-LP4,Real|≤第一阈值
|LP5,Cal-LP5,Real|≤第一阈值
|LP6,Cal-LP6,Real|>第一阈值
其中,LPX,Cal表示在Tb时刻车辆X理论位置点;LPX,Real表示车辆X实际位置点;
则说明P1与P2之间、P2与P3之间、P3与P4之间、P4与P5之间均不存在未知区域;P5与P6之间则出现异常区域,可能是P5与P6之间驶入了非智能网联汽车,即所述P7车辆的前方包括一段异常区域。
应理解,车辆的行驶轨迹一般包括位置信息和速度信息,上述描述了根据车辆的位置信息来判断目标车辆前方是否出现异常区域,还可以根据车辆的速度信息来判断目标车辆前方是否出现异常区域,即通过比较多个车辆的理论车速和实际车速进行判断。
可选的,所述确定Tb时刻所述目标车辆的前方包括的所述至少一段异常区域,包括:获取所述目标车辆前方多个智能网联汽车在Tc时刻至Tb时刻的实际行驶轨迹,根据获取到的所述目标车辆前方多个智能网联汽车在Tc时刻至Tb时刻的实际行驶轨迹,确定Tb时刻所述目标车辆的前方包括的所述至少一段异常区域。
具体而言,假如所述智能网联车队包括P1至P7七辆车,P7为目标车辆。行驶途中,P5由于车辆通信故障,由智能网联汽车变为非智能网联汽车,P7接收不到P5发送的车辆实际行驶轨迹以及车辆理论行驶轨迹,因此P7判断P5出现异常,即P4与P6之间则出现异常区域。
可选的,所述确定Tb时刻所述目标车辆的前方包括的所述至少一段异常区域,包括:
获取所述目标车辆前方多个智能网联汽车在Tc时刻至Tb时刻的实际行驶轨迹;计算所述目标车辆前方多个智能网联汽车在Tc时刻至Tb时刻的理论行驶轨迹;计算所述多个智能网联汽车中的每个智能网联汽车的理论行驶轨迹和实际行驶轨迹的差;根据所述每个智能网联汽车的理论行驶轨迹和实际行驶轨迹的差与第一阈值,以及获取到的所述目标车辆前方多个智能网联汽车在Tc时刻至Tb时刻的实际行驶轨迹,确定Tb时刻所述目标车辆的前方包括的所述至少一段异常区域。
具体而言,假如所述智能网联车队包括P1至P7七辆车,P7为目标车辆。行驶途中,P5由于车辆通信故障,由智能网联汽车变为非智能网联汽车,P7接收不到P5发送的车辆实际行驶轨迹以及车辆理论行驶轨迹,P7可以接收到P5以外的其他智能网联汽车的信息。
若:
|LP2,Cal-LP2,Real|≤第一阈值
|LP3,Cal-LP3,Real|>第一阈值
|LP4,Cal-LP4,Real|≤第一阈值
|LP6,Cal-LP6,Real|>第一阈值
其中,LPX,Cal表示在Tb时刻车辆X理论位置点;LPX,Real表示车辆X实际位置点;
则说明P1与P2之间、P3与P4之间均不存在未知区域;P2与P3之间、P4与P6之间则出现异常区域,可能是P2与P3之间驶入了非智能网联汽车,P4与P6之间P5发生了故障,同时也可能驶入了非智能网联汽车。
应理解,该第一阈值为事先设定的值,可以是经验值等。
在上述情况下,所述智能网联车队包括P1至P7七辆车,P7为目标车辆。行驶途中,P5由于车辆通信故障,由智能网联汽车变为非智能网联汽车,P7接收不到P5发送的车辆实际行驶轨迹以及车辆理论行驶轨迹,P7可以接收到P5以外的其他智能网联汽车的信息。因此可以根据P5的信息丢失直接判断P4和P6之间出现异常。
例如,设过去时间为:2020年5月17日10:08:23,在这一刻,所有车辆都是智能网联汽车,目标车辆P7可获取P1~P6每一辆车的ID信息、速度、位置信息等。
在2020年5月17日10:09:23,P5出现故障,由非智能网联汽车变为普通车辆,则此时目标车辆P7可获取P1~P4、P6每一辆车的ID信息、速度、位置信息等。P5的ID信息、速度、位置信息缺失。目标车辆可直接判断出:P4与P6之间出现异常区域。
由于在不同的驾驶场景下,车辆轨迹生成算法不同,下面分别介绍城市道路驾驶场景和高速公路驾驶场景的车辆轨迹生成算法。
1、城市道路驾驶场景的车辆轨迹生成算法:
城市道路驾驶场景下的车辆轨迹生成算法分目标车辆前方无车和目标车辆前方有车两种场景进行研究,下面分别进行介绍:
(1)目标车辆前方无车:
当目标车辆前方无车时,根据红绿灯的类型,又分为以下三种情况:
a、绿灯下的车辆行驶规律研究:
采用最优速度模型(Optimal Velocity Model,OVM),当目标车辆速度小于或等于当前的交通车速时,车辆C通常加速行驶,且该加速度可通过式(1)最优速度模型(OptimalVelocity Model,OVM)进行估算。
其中,v表示目标车辆当前车速,V表示来自ITS的交通车速,τg表示自适应的时间,自适应的时间为标定量,通过采集红绿灯下某一辆车通过的时间,进行估算得到。
b、黄灯下的车辆行驶规律研究:
黄灯下的车辆行驶规律采用停车决策模型,该停车决策模型如式(2)所示,当红绿灯从绿色变为黄色时,目标车辆的驾驶员需要做出决策,是不停车通过红绿灯路口,还是停在路口等待下一个绿灯。
其中,τy表示当前黄灯持续的时间,dveh,d表示当前车辆距离前方红绿灯的距离。
c、黄灯下的车辆行驶规律研究:
红灯下的跟车模型(红绿灯假设为L=0的静止车),当红绿灯状态为红色时,红绿灯可假定为一辆忽略车辆长度的静止车辆。当红绿灯状态从红色变为绿色时,该静止车辆将立即消失。本申请采用Martin Triber提出的智能驾驶模型(Intelligent DriverModel,IDM)。IDM是利用车头时间距、前后车速差以及后车的车速作为模型的输入,具体定义如式(3)所述。
其中,af,max表示目标车的最大加速度;vdes表示目标车的期望车速;vf表示目标车的速度;vl表示前车的速度;sf表示目标车行驶的里程位移;sl表示前车行驶的里程位移;lveh表示车身长度(车身长度统计学的长度,如小车长度,大车长度等);gf表示前目标车车间距;δ表示加速度调整系数;g0表示前目标车最小车间距;Γ表示安全时头车间距;decf,max表示目标车最大减速度。
应理解,本申请实施例采用的IDM跟车模型仅用来示例,并不对本申请造成任何限定,跟车模型还可以选用其他跟车模型,例如,通用跟车模型(General Motor,GM)、线性跟车模型、生理-心理跟车模型和安全距离模型等。
(2)目标车辆前方有车:
在此种驾驶场景下,目标车辆的驾驶行为不仅受到前方车辆的影响,还受到红绿灯的影响。通常,红绿灯对那些离红绿灯路口比较近的车辆,影响比较大。因此,目标车辆前方有车可分两种情况进行讨论:
a、正常行驶时,跟车行为分析:
本申请实施例采用Martin Triber提出的智能驾驶模型(Intelligent DriverModel,IDM)来描述正常行驶时的跟车行为。IDM是利用车头时间距、前后车速差以及目标车辆的车速作为模型的输入,具体定义如式(4)所述。
其中,af,max表示目标车的最大加速度;vdes表示目标车的期望车速;vf表示目标车的速度;vl表示前车的速度;sf表示目标车行驶的里程位移;sl表示前车行驶的里程位移;lveh表示车身长度(车身长度统计学的长度,如小车长度,大车长度等);gf表示前目标车车间距;δ表示加速度调整系数;g0表示前、目标车最小车间距;Г表示安全时头车间距;decf,max表示目标车最大减速度。
b、车辆在红绿灯路口前的停车队列行为与启动时的冲击波行为分析:
由于红绿灯间隔性的影响,在红绿灯路口,会经常出现车辆停车时的队列现象和启动时的冲击波现象,停车队列行为与启动时的冲击波行主要是指驾驶员在此刻会有反应时间,该驾驶员的反应时间会影响车辆轨迹生成算法。
为便于阐述城市道路车辆轨迹生成算法原理,以图6和图7进行说明。
图6示出了在城市道路上,智能网联车队行驶示意图。其中,P1、P2、P3、P4、P5是智能网联车队,每辆车都具备V2X功能;V1、V2是普通车辆,均不具备V2X功能。图7则示出了在城市公路上,车辆轨迹生成算法示意图。只要知道Ta到Tb时间段P1车的实际行驶轨迹、P2、P3、P4、P5在Ta时刻的位置、速度信息以及前方红绿灯相位信息,基于上述的城市道路车辆行驶规律,通过One-By-One的方式,即根据P1的是实际行驶轨迹和车辆轨迹生成算法生成P2的理论轨迹生成算法,根据P2的是理论行驶轨迹和车辆轨迹生成算法生成P3的理论轨迹生成算法,根据P3的是理论行驶轨迹和车辆轨迹生成算法生成P4的理论轨迹生成算法,根据P4的是理论行驶轨迹和车辆轨迹生成算法生成P5的理论轨迹生成算法,从而依次生出P2、P3、P4、P5的理论行驶轨迹,见图6中虚线所述。
2、高速公路驾驶场景的车辆轨迹生成算法:
相比于城市道路,由于没有红绿灯间隔性的影响,高速公路车速轨迹生成算法则比较简单。可采用Martin Triber提出的智能驾驶模型(Intelligent Driver Model,IDM)来描述正常行驶时的跟车行为。IDM是利用车头时间距、前后车速差以及后车的车速作为模型的输入,具体定义如式(5)所述。
vf(t+1)=max{main{vf(t)+af(t)·Ts,vdes,0}
其中,af,max表示后车的最大加速度;vdes表示后车的期望车速;vf表示后车的速度;vl表示前车的速度;sf表示后车行驶的里程位移;sl表示前车行驶的里程位移;lveh表示车身长度;gf表示前后车车间距;δ表示加速度调整系数;g0表示前后车最小车间距;Γ表示安全时头车间距;decf,max表示后车最大减速度。
为便于阐述高速公路车辆轨迹生成算法原理,以图8和图9进行说明。
图8示出了Ta到Tb时间段,智能网联车队行驶示意图。图9则示出了高速公路上,车辆轨迹生成算法示意图。只要知道Ta到Tb时间段P1车的行驶轨迹及P2、P3、P4、P5在Ta时刻的位置、速度信息,基于车辆轨迹生成算法(高速公路驾驶场景即IDM跟车模型),通过One-By-One的方式,就可依次生出Ta到Tb时间段P2、P3、P4、P5的理论行驶轨迹。
通过上述内容可知,在获知Ta到Tb时间段目标车辆的行驶轨迹以及Ta时刻异常区域中的车辆数量、异常区域中的每辆车的位置信息和异常区域中的每辆车的速度信息,基于车辆轨迹生成算法,就可获知Ta到Tb时间段异常区域中的每辆车的理论行驶轨迹。然而,对于目标车辆来说,在Ta时刻,其异常区域的车辆数量及其位置、速度信息是未知的。因此,需要对Ta时刻异常区域中的车辆数量及其位置、速度信息进行辨识。
下面具体描述异常区域参数辨识算法,即在步骤S105和步骤S108中如何辨识Ta时刻异常区域中的车辆数量、异常区域中的每辆车的位置信息和异常区域中的每辆车的速度信息。
异常区域参数辨识算法主要包括以下三个步骤:
1、根据式(6)计算Ta时刻,所述异常区域中最大的车辆数量N,如图10所示,以P5为例进行说明,P5前方的车队出现异常,P3与P5之间的区域是车队异常区域。
2、计算所述异常区域车辆数量为K时,目标车辆的理论行驶轨迹和实际行驶轨迹的均方根误差(Root Mean Square Error,RMSE),其中,K∈{1,…,N};
在计算目标车辆的理论行驶轨迹和实际行驶轨迹的均方根误差RMSE时可以采用机器学习算法(如遗传算法),寻找异常区域车辆数量为K时(K∈{1,…,N})的RMSE:
设在Ta时刻异常区域车辆数量为K,(其中,K为随机数)先随机生成所述异常区域每一辆车在Ta时刻的位置信息、速度信息;然后,基于车辆轨迹生成算法和Ta时刻第i(i∈{1,…,K})辆车的位置、速度信息,(其中,第i辆车的位置、速度信息根据第i-1辆车的位置、速度信息确定),基于One-By-One的方式,可依次生出每辆车从Ta到Tb时刻的车辆行驶轨迹;之后,基于第K辆车的理论轨迹信息和车辆轨迹生成算法,计算出车辆P5(即目标车辆)从Ta到Tb的理论轨迹为之后,再根据车辆P5从Ta到Tb的实际轨迹和理论轨迹根据式(8)计算其均方根在所述异常区域车辆数量为K时,可以设定迭代次数M,M为随机生成所述异常区域每一辆车在Ta时刻的位置信息、速度信息的次数,如M为50,则随机生成50组所述异常区域每一辆车在Ta时刻的位置信息、速度信息。
其中,n表示数据长度。
应理解,上述通过确定使取得最小值时的每一辆车在Ta时刻的位置、速度信息只是一种在所述异常区域车辆数量为K时,确定所述异常区域每辆车的位置信息信息和速度信息的方法,还可以通过在所述异常区域车辆数量为K时,当所述RMSE符合第一条件时,确定所述异常区域每辆车的位置信息信息和速度信息,所述第一条件可以是上述取得最小值,所述第一条件可以是上述满足一定的范围随机选取确定所述异常区域每辆车的位置信息信息和速度信息,如该范围是RMSE的前五个值,RMSE按递增顺序排列。
3、确定所述异常区域车辆数量为K时,当所述RMSE最小时,所述异常区域每辆车的位置信息信息和速度信息,其中,K遍历1到N的每个值;根据式(9)计算Ta时刻,使得异常区域RMSE最小的车辆数量,并得到该车辆数量下的每辆车的位置、速度信息。
应理解,计算Ta时刻,使得异常区域RMSE最小的车辆数量只是一种确定车辆数量的方法,还可以通过在所述异常区域车辆数量为K时,当所述RMSE符合第二条件时,确定车辆数量,所述第二条件可以是上述取得最小值,所述第一条件可以是上述满足一定的范围随机选取如该范围是RMSE的前五个值,RMSE按递增顺序排列。
通过上述三个步骤可以辨识出P5前方Ta时刻异常区域中的车辆数量、异常区域中的每辆车的位置信息和异常区域中的每辆车的速度信息。
在辨识出Ta时刻车队异常区域的车辆数量及其位置、速度信息后,再次利用车辆轨迹生成算法,就可得到车队异常区域的每一辆车在Tb时刻的位置、速度信息。
图11示出了在高速公路上,基于Ta时刻辨识的结果,得到Tb时刻异常区域车辆数量及其位置、速度信息的示意图。
图12示出了在城市道路上,基于Ta时刻辨识的结果,得到Tb时刻异常区域车辆数量及其位置、速度信息的示意图。
由于在高速公路驾驶场景和在城市道路驾驶场景的环境不同,因此,不同驾驶场景下应用该方法100的车辆配置要求不同,为了更清楚的理解本申请,下面对不同驾驶场景中,目标车辆的配置要求进行介绍。
在高速公路驾驶场景下,ICV车辆需要配备有:GPS定位设备:用于获取车辆位置信息和速度信息;V2X设备:获取智能网联车队的其他网联车的位置信息和速度信息,并向其他网联车发送自身的位置信息和速度信息;雷达和/或摄像头:感知前方车辆的位置信息和速度信息,应理解,雷达和/或摄像头可以配置在车身前部和/或车身尾部。图13a和图13b所示为高速公路驾驶场景下,ICV车辆的配置示意图。
在城市道路驾驶场景下,ICV车辆需配备有:GPS定位设备:获取车辆位置及速度信息;V2X设备:获取车队其他网联车的位置、速度信息,并向他们发送自身的位置、速度信息和接收前方红绿灯相位信息;雷达或摄像头:感知前方车辆的位置、速度信息,雷达和/或摄像头可以配置在车身前部和/或车身尾部;远程信息处理器(TelematicsBox,T-Box)T-Box:接收交通信息中心发送的当前道路交通车速信息。此外,在城市道路驾驶场景下,道路中的红绿灯会影响车辆行驶轨迹,因此城市道路驾驶场景下红绿灯需要具备设备联网(Infrastructure to Everything,I2X)功能,图14a和图14b所示为城市道路驾驶场景下,ICV车辆的配置示意图。
可选的,当所述智能网联车队的每个智能网联汽车的车头配置有雷达或者摄像头时,所述至少一段异常区域中的每段异常区域的距离为所述每段异常区域首部相邻的第一辆智能网联汽车到所述每段异常区域的尾部。
可选的,当所述智能网联汽车的车头和车尾均配置有雷达或者摄像头时,所述至少一段异常区域中的每段异常区域的距离为所述每段异常区域首部相邻的第一辆智能网联汽车的相邻后车到所述每段异常区域的尾部相邻的前方车辆之间的区域。
当所述智能网联汽车的车辆队列中的车辆的车头和车尾均配置有雷达或者摄像头时,车队异常区域长度将变短,有利于提高辨识的精度。
以上结合图1至图14对本申请实施例的基于网联信息的车辆列队行驶中异常车辆参数辨识的方法做了详细说明。以下,结合图15对本申请实施例通信装置进行详细说明。
图15示出了本申请实施例的终端设备200的示意性框图。
一些实施例中,该终端设备200可以为接入网设备,也可以为芯片或电路,比如可设置于接入网设备的芯片或电路。
一些实施例中,该终端设备200可以为车载终端设备,也可以为芯片或电路,比如可设置于核心网设备的芯片或电路。
一些实施例中,该终端设备200可以为服务器,也可以为芯片或电路,比如可设置于服务器的芯片或电路,该服务器可以独立于车辆,通过该服务器的收发器与目标车辆通信,进行数据传送,例如,目标车辆将采集到的数据发送给该服务器,由该服务器进行计算处理,将结果发送给该目标车辆。
一种可能的方式中,该终端设备200可以包括处理单元210(即,处理器的一例)和收发单元230。一些可能的实现方式中,处理单元210还可以称为确定单元。一些可能的实现方式中,收发单元230可以包括接收单元和发送单元。
在一种实现方式中,收发单元230可以通过收发器或者收发器相关电路或者接口电路实现。
在一种实现方式中,该装置还可以包括存储单元220。一种可能的方式中,该存储单元220用于存储指令。在一种实现方式中,该存储单元也可以用于存储数据或者信息。存储单元220可以通过存储器实现。
一些可能的设计中,该处理单元210用于执行该存储单元220存储的指令,以使终端设备200实现如上述方法中终端设备执行的步骤。或者,该处理单元210可以用于调用存储单元220的数据,以使终端设备200实现如上述方法中终端设备执行的步骤。
一些可能的设计中,该处理单元210用于执行该存储单元220存储的指令,以使终端设备200实现如上述方法中接入网设备执行的步骤。或者,该处理单元210可以用于调用存储单元220的数据,以使终端设备200实现如上述方法中接入网设备执行的步骤。
例如,该处理单元210、存储单元220、收发单元230可以通过内部连接通路互相通信,传递控制和/或数据信号。例如,该存储单元220用于存储计算机程序,该处理单元210可以用于从该存储单元220中调用并运行该计算计程序,以控制收发单元230接收信号和/或发送信号,完成上述方法中终端设备或接入网设备的步骤。该存储单元220可以集成在处理单元210中,也可以与处理单元210分开设置。
可选地,若该终端设备200为通信设备(例如,终端设备),该收发单元230包括接收器和发送器。其中,接收器和发送器可以为相同或者不同的物理实体。为相同的物理实体时,可以统称为收发器。
可选地,若该终端设备200为芯片或电路,该收发单元230包括输入接口和输出接口。
作为一种实现方式,收发单元230的功能可以考虑通过收发电路或者收发的专用芯片实现。处理单元210可以考虑通过专用处理芯片、处理电路、处理单元或者通用芯片实现。
作为另一种实现方式,可以考虑使用通用计算机的方式来实现本申请实施例提供的通信设备(例如终端设备,或接入网设备)。即将实现处理单元210、收发单元230功能的程序代码存储在存储单元220中,通用处理单元通过执行存储单元220中的代码来实现处理单元210、收发单元230的功能。
在一种实现方式中,所述终端设备可以应用于目标车辆,所述目标车辆为智能网联车队中的一辆智能网联汽车,所述终端设备还可以包括判断单元240,所述判断单元240用于根据目标车辆的行驶轨迹数据和所述目标车辆的当前实时地图判断当前所述目标车辆的驾驶场景,所述目标车辆的驾驶场景为城市道路驾驶场景或高速公路驾驶场景,所述目标车辆为智能网联车队的智能网联汽车;所述处理单元210用于根据当前所述目标车辆的驾驶场景,选择所述目标车辆当前驾驶场景下的车辆轨迹生成算法;所述处理单元210还用于确定Tb时刻所述目标车辆的前方包括的所述至少一段异常区域,所述至少一段异常区域为所述目标车辆所在的智能网联车队中的异常区域,所述Tb时刻为当前时刻;所述处理单元210还用于基于选择的所述车辆轨迹生成算法和机器学习算法,辨识在Ta时刻,至少一段异常区域中的每段异常区域中的车辆数量、所述每段异常区域包括的每辆车的位置信息和速度信息,所述Ta时刻为所述目标车辆历史行驶过程中的标定时刻;所述处理单元210还用于基于选择的所述车辆轨迹生成算法,根据在所述Ta时刻,所述每段异常区域中的车辆数量、所述每段异常区域包括的每辆车的位置信息和速度信息,辨识Tb时刻所述每段异常区域的车辆数量、所述每段异常区域包括的每辆车的位置信息和速度信息。
可选的,所述处理单元210具体用于计算所述每段异常区域中的车辆数量为K时,所述目标车辆的理论行驶轨迹和实际行驶轨迹的均方根误差(Root Mean Square Error,RMSE),其中,K∈{1,…,N},N为所述每段异常区域包括的车辆数量的最大值N,K遍历1到N的每个值;当所述RMSE符合第一条件时,获取所述异常区域中每辆车的位置信息信息和速度信息;在Ta时刻,从确定的N个RMSE中确定符合第二条件的RMSE对应的车辆数量、每辆车的位置信息信息和速度信息。
可选的,所述处理单元210具体用于获取所述目标车辆前方多个智能网联汽车在Tc时刻至Tb时刻的实际行驶轨迹,所述Tc时刻为所述目标车辆历史行驶过程中的标定时刻;计算所述目标车辆前方多个智能网联汽车在Tc时刻至Tb时刻的理论行驶轨迹;计算所述多个智能网联汽车中的每个智能网联汽车的理论行驶轨迹和实际行驶轨迹的差;根据所述每个智能网联汽车的理论行驶轨迹和实际行驶轨迹的差与第一阈值,确定Tb时刻所述目标车辆的前方包括的所述至少一段异常区域。
可选的,当所述智能网联车队的每个智能网联汽车的车头配置有雷达或者摄像头时,所述至少一段异常区域中的每段异常区域的距离为所述每段异常区域首部相邻的第一辆智能网联汽车到所述每段异常区域的尾部。
可选的,当所述智能网联汽车的车头和车尾均配置有雷达或者摄像头时,所述至少一段异常区域中的每段异常区域的距离为所述每段异常区域首部相邻的第一辆智能网联汽车的相邻后车到所述每段异常区域的尾部相邻的前方车辆之间的区域。
此时,当所述智能网联汽车的车辆队列中的车辆的车头和车尾均配置有雷达或者摄像头时,可以缩短车队异常区域长度,有利于提高辨识的精度。
可选的,所述处理单元210具体用于在Ta时刻所述异常区域车辆数量为K时,随机生成所述异常区域中的每一辆车在Ta时刻的位置信息、速度信息;根据车辆轨迹生成算法,计算出所述目标车辆的相邻的前方车辆从Ta时刻到Tb时刻的理论轨迹;根据所述目标车辆的相邻的前方车辆从Ta到Tb的实际轨迹和理论轨迹,计算所述目标车辆的相邻的前方车辆的理论行驶轨迹和实际行驶轨迹的RMSE。
可选的,所述处理单元210具体用于确定所述Ta时刻所述异常区域的长度;根据所述异常区域的长度、车辆平均长度和相邻两辆车的最小车间距,确定所述异常区域中最大的车辆数量N。
可选的,所述处理单元210还用于:确定不同驾驶场景下的车辆轨迹生成算法,所述车辆轨迹生成算法包括城市道路车辆轨迹生成算法和高速公路车辆轨迹生成算法。
本申请的说明书实施例和权利要求书及附图中的术语“第一”、“第二”等仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元。方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应理解,本申请实施例中,该处理器可以为中央处理单元(central processingunit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
还应理解,本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的随机存取存储器(random accessmemory,RAM)可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本申请实施例还提供了一种计算机可读介质,其上存储有计算机程序,该计算机程序被计算机执行时实现上述任一实施例中的终端设备执行的步骤。
本申请实施例还提供了一种计算机程序产品,该计算机程序产品被计算机执行时实现上述任一实施例中的终端设备执行的步骤。
本申请实施例还提供了一种***芯片,该***芯片包括:通信单元和处理单元。该处理单元,例如可以是处理器,该处理器可以实现上述实施例中处理单元和判断单元的功能。该通信单元例如可以是通信接口、输入/输出接口、管脚或电路等。该处理单元可执行计算机指令,以使该通信装置内的芯片执行上述本申请实施例提供的终端设备执行的步骤。
可选地,该计算机指令被存储在存储单元中。
本申请中的各个实施例可以独立的使用,也可以进行联合的使用,这里不做限定。
另外,本申请的各个方面或特征可以实现成方法、装置或使用标准编程和/或工程技术的制品。本申请中使用的术语“制品”涵盖可从任何计算机可读器件、载体或介质访问的计算机程序。例如,计算机可读介质可以包括,但不限于:磁存储器件(例如,硬盘、软盘或磁带等),光盘(例如,压缩盘(compact disc,CD)、数字通用盘(digital versatile disc,DVD)等),智能卡和闪存器件(例如,可擦写可编程只读存储器(erasable programmableread-only memory,EPROM)、卡、棒或钥匙驱动器等)。另外,本文描述的各种存储介质可代表用于存储信息的一个或多个设备和/或其它机器可读介质。术语“机器可读介质”可包括但不限于,无线信道和能够存储、包含和/或承载指令和/或数据的各种其它介质。
应理解,在本申请中的所有表格参数仅用于示例,并不表示具体的计算数值或者参数等。
应理解,“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或一个以上;“A和B中的至少一个”,类似于“A和/或B”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和B中的至少一个,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的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,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元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,本申请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)执行本申请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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (19)
1.一种辨识车辆列队中异常车辆参数的方法,其特征在于,包括:
根据目标车辆的行驶轨迹数据和所述目标车辆的当前实时地图判断当前所述目标车辆的驾驶场景,所述目标车辆的驾驶场景为城市道路驾驶场景或高速公路驾驶场景,所述目标车辆为智能网联车队的智能网联汽车;
根据当前所述目标车辆的驾驶场景,选择所述目标车辆当前驾驶场景下的车辆轨迹生成算法;
确定Tb时刻所述目标车辆的前方包括的至少一段异常区域,所述至少一段异常区域为所述目标车辆所在的智能网联车队中的异常区域,所述Tb时刻为当前时刻;所述异常区域为所述智能网联车队中出现非智能联网汽车的区域;
基于选择的所述车辆轨迹生成算法和机器学习算法,辨识在Ta时刻,至少一段异常区域中的每段异常区域中的车辆数量、所述每段异常区域包括的每辆车的位置信息和速度信息,所述Ta时刻为所述目标车辆历史行驶过程中的标定时刻;
基于选择的所述车辆轨迹生成算法,根据在所述Ta时刻,所述每段异常区域中的车辆数量、所述每段异常区域包括的每辆车的位置信息和速度信息,辨识Tb时刻所述每段异常区域的车辆数量、所述每段异常区域包括的每辆车的位置信息和速度信息。
2.根据权利要求1所述的方法,其特征在于,所述基于选择的所述车辆轨迹生成算法和机器学习算法,辨识Ta时刻所述至少一段异常区域中的每段异常区域的车辆数量、所述每段异常区域包括的每辆车的位置信息和速度信息,包括:
基于所述机器学习算法计算所述每段异常区域中的车辆数量为K时,所述目标车辆的理论行驶轨迹和实际行驶轨迹的均方根误差RMSE,其中,K∈{1,…,N},N为所述每段异常区域包括的车辆数量的最大值N,K遍历1到N的每个值;
当所述RMSE符合第一条件时,获取所述异常区域中每辆车的位置信息信息和速度信息;
在Ta时刻,从确定的N个RMSE中确定符合第二条件的RMSE对应的车辆数量、每辆车的位置信息信息和速度信息。
3.根据权利要求1或2所述的方法,其特征在于,所述确定Tb时刻所述目标车辆的前方包括的所述至少一段异常区域,包括:
获取所述目标车辆前方多个智能网联汽车在Tc时刻至Tb时刻的实际行驶轨迹,所述Tc时刻为所述目标车辆历史行驶过程中的标定时刻;
计算所述目标车辆前方多个智能网联汽车在Tc时刻至Tb时刻的理论行驶轨迹;
计算所述多个智能网联汽车中的每个智能网联汽车的理论行驶轨迹和实际行驶轨迹的差;
根据所述每个智能网联汽车的理论行驶轨迹和实际行驶轨迹的差与第一阈值,确定Tb时刻所述目标车辆的前方包括的所述至少一段异常区域。
4.根据权利要求1至3中任一项所述的方法,其特征在于,当所述智能网联车队的每个智能网联汽车的车头配置有雷达或者摄像头时,所述至少一段异常区域中的每段异常区域的距离为所述每段异常区域首部相邻的第一辆智能网联汽车到所述每段异常区域的尾部相邻的前方车辆之间的区域。
5.根据权利要求1至3中任一项所述的方法,其特征在于,当所述智能网联汽车的车头和车尾均配置有雷达或者摄像头时,所述至少一段异常区域中的每段异常区域的距离为所述每段异常区域首部相邻的第一辆智能网联汽车的相邻后车到所述每段异常区域的尾部相邻的前方车辆之间的区域。
6.根据权利要求2至5中任一项所述的方法,其特征在于,计算所述每段异常区域中的车辆数量为K时,目标车辆的理论行驶轨迹和实际行驶轨迹的均方根误差RMSE,包括:
在Ta时刻所述异常区域车辆数量为K时,随机生成所述异常区域中的每一辆车在Ta时刻的位置信息、速度信息;
根据车辆轨迹生成算法,计算出所述目标车辆的相邻的前方车辆从Ta时刻到Tb时刻的理论轨迹;
根据所述目标车辆的相邻的前方车辆从Ta到Tb的实际轨迹和理论轨迹,计算所述目标车辆的理论行驶轨迹和实际行驶轨迹的RMSE。
7.根据权利要求2至6中任一项所述的方法,其特征在于,所述方法还包括:
确定所述Ta时刻所述异常区域的长度;
根据所述异常区域的长度、车辆平均长度和相邻两辆车的最小车间距,确定所述异常区域中最大的车辆数量N。
8.根据权利要求1至7中任一项所述的方法,其特征在于,所述方法还包括:
确定不同驾驶场景下的车辆轨迹生成算法,所述车辆轨迹生成算法包括城市道路车辆轨迹生成算法和高速公路车辆轨迹生成算法。
9.一种终端设备,其特征在于,包括:
判断单元,所述判断单元用于根据目标车辆的行驶轨迹数据和所述目标车辆的当前实时地图判断当前所述目标车辆的驾驶场景,所述目标车辆的驾驶场景为城市道路驾驶场景或高速公路驾驶场景,所述目标车辆为智能网联车队的智能网联汽车;
处理单元,所述处理单元用于根据当前所述目标车辆的驾驶场景,选择所述目标车辆当前驾驶场景下的车辆轨迹生成算法;
所述处理单元还用于确定Tb时刻所述目标车辆的前方包括的至少一段异常区域,所述至少一段异常区域为所述目标车辆所在的智能网联车队中的异常区域,所述Tb时刻为当前时刻;所述异常区域为所述智能网联车队中出现非智能联网汽车的区域;
所述处理单元还用于基于选择的所述车辆轨迹生成算法和机器学习算法,辨识在Ta时刻,至少一段异常区域中的每段异常区域中的车辆数量、所述每段异常区域包括的每辆车的位置信息和速度信息,所述Ta时刻为所述目标车辆历史行驶过程中的标定时刻;
所述处理单元还用于基于选择的所述车辆轨迹生成算法,根据在所述Ta时刻,所述每段异常区域中的车辆数量、所述每段异常区域包括的每辆车的位置信息和速度信息,辨识Tb时刻所述每段异常区域的车辆数量、所述每段异常区域包括的每辆车的位置信息和速度信息。
10.根据权利要求9所述的终端设备,其特征在于,所述处理单元具体用于:
基于所述机器学习算法计算所述每段异常区域中的车辆数量为K时,所述目标车辆的理论行驶轨迹和实际行驶轨迹的均方根误差RMSE,其中,K∈{1,…,N},N为所述每段异常区域包括的车辆数量的最大值N,K遍历1到N的每个值;
当所述RMSE符合第一条件时,获取所述异常区域中每辆车的位置信息信息和速度信息;
在Ta时刻,从确定的N个RMSE中确定符合第二条件的RMSE对应的车辆数量、每辆车的位置信息信息和速度信息。
11.根据权利要求9或10所述的终端设备,其特征在于,所述处理单元具体用于:
获取所述目标车辆前方多个智能网联汽车在Tc时刻至Tb时刻的实际行驶轨迹,所述Tc时刻为所述目标车辆历史行驶过程中的标定时刻;
计算所述目标车辆前方多个智能网联汽车在Tc时刻至Tb时刻的理论行驶轨迹;
计算所述多个智能网联汽车中的每个智能网联汽车的理论行驶轨迹和实际行驶轨迹的差;
根据所述每个智能网联汽车的理论行驶轨迹和实际行驶轨迹的差与第一阈值,确定Tb时刻所述目标车辆的前方包括的所述至少一段异常区域。
12.根据权利要求9至11中任一项所述的终端设备,其特征在于,当所述智能网联车队的每个智能网联汽车的车头配置有雷达或者摄像头时,所述至少一段异常区域中的每段异常区域的距离为所述每段异常区域首部相邻的第一辆智能网联汽车到所述每段异常区域的尾部相邻的前方车辆之间的区域。
13.根据权利要求9至12中任一项所述的终端设备,其特征在于,当所述智能网联车队的每个智能网联汽车的车头和车尾均配置有雷达或者摄像头时,所述至少一段异常区域中的每段异常区域的距离为所述每段异常区域首部相邻的第一辆智能网联汽车的相邻后车到所述每段异常区域的尾部相邻的前方车辆之间的区域。
14.根据权利要求10至13中任一项所述的终端设备,其特征在于,所述处理单元具体用于:
在Ta时刻所述异常区域车辆数量为K时,随机生成所述异常区域中的每一辆车在Ta时刻的位置信息、速度信息;
根据车辆轨迹生成算法,计算出所述目标车辆的相邻的前方车辆从Ta时刻到Tb时刻的理论轨迹;
根据所述目标车辆的相邻的前方车辆从Ta到Tb的实际轨迹和理论轨迹,计算所述目标车辆的理论行驶轨迹和实际行驶轨迹的RMSE。
15.根据权利要求10至14中任一项所述的终端设备,其特征在于,所述处理单元还用于:
确定所述Ta时刻所述异常区域的长度;
根据所述异常区域的长度、车辆平均长度和相邻两辆车的最小车间距,确定所述异常区域中最大的车辆数量N。
16.根据权利要求9至15中任一项所述的终端设备,其特征在于,所述处理单元还用于:
确定不同驾驶场景下的车辆轨迹生成算法,所述车辆轨迹生成算法包括城市道路车辆轨迹生成算法和高速公路车辆轨迹生成算法。
17.一种终端设备,包括处理器,所述处理器与存储器相连,所述存储器用于存储计算机程序,所述处理器用于执行所述存储器中存储的计算机程序,以使得所述终端设备 执行如权利要求1至8中任一项所述的方法。
18.一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存储有计算机程序,当所述计算机程序被运行时,实现如权利要求1至8中任一项所述的方法。
19.一种芯片,其特征在于,包括处理器和接口;
所述处理器用于读取指令以执行权利要求1至8中任一项所述的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2020/093532 WO2021237745A1 (zh) | 2020-05-29 | 2020-05-29 | 一种辨识车辆列队中异常车辆参数的方法和终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112673406A CN112673406A (zh) | 2021-04-16 |
CN112673406B true CN112673406B (zh) | 2022-02-18 |
Family
ID=75413941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080004923.8A Active CN112673406B (zh) | 2020-05-29 | 2020-05-29 | 一种辨识车辆列队中异常车辆参数的方法和终端设备 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4145340A4 (zh) |
CN (1) | CN112673406B (zh) |
WO (1) | WO2021237745A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538936B (zh) * | 2021-05-28 | 2022-07-22 | 东南大学 | 一种车路协同环境下的信号协同控制方法、装置及存储介质 |
CN114677779B (zh) * | 2022-03-30 | 2024-05-28 | 广州文远知行科技有限公司 | 车辆配置状态监测方法、装置、存储介质、计算机设备 |
CN115223357A (zh) * | 2022-04-07 | 2022-10-21 | 港珠澳大桥管理局 | 一种交通信息处理***、方法、装置和计算机设备 |
CN115099128B (zh) * | 2022-05-30 | 2023-07-07 | 同济大学 | 一种异常驾驶行为识别与致因分析方法和*** |
CN114841679B (zh) * | 2022-06-29 | 2022-10-18 | 陕西省君凯电子科技有限公司 | 车辆行驶数据的智能管理*** |
CN115620543B (zh) * | 2022-09-29 | 2023-06-27 | 斯润天朗(北京)科技有限公司 | 交通路口多车协同通行方法、装置及计算机设备 |
CN116189477B (zh) * | 2023-02-17 | 2023-11-21 | 东南大学 | 一种智能网联汽车数据异常环境的安全控制方法及设备 |
CN117875813A (zh) * | 2024-03-11 | 2024-04-12 | 北京中交兴路信息科技股份有限公司 | 行驶轨迹的可信度分析方法、装置、存储介质及电子设备 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105774800B (zh) * | 2016-03-28 | 2018-06-26 | 清华大学 | 一种混合车辆队列中车辆间的碰撞缓解方法及装置 |
WO2018116312A2 (en) * | 2016-12-21 | 2018-06-28 | Allstate Solutions Private Limited | Highway detection system for generating customized notifications |
US10482767B2 (en) * | 2016-12-30 | 2019-11-19 | Bendix Commercial Vehicle Systems Llc | Detection of extra-platoon vehicle intermediate or adjacent to platoon member vehicles |
WO2018141368A1 (en) * | 2017-01-31 | 2018-08-09 | Verizon Connect Ireland Limited | System and method for detecting and classifying recurrent stops of a vehicle fleet |
CN107609633B (zh) * | 2017-05-03 | 2020-08-14 | 同济大学 | 车联网复杂网络中基于深度学习的车辆行驶影响因素的位置预测模型构造方法 |
CN107644206A (zh) * | 2017-09-20 | 2018-01-30 | 深圳市晟达机械设计有限公司 | 一种道路异常行为动作检测装置 |
CN107826118B (zh) * | 2017-11-01 | 2019-08-30 | 南京阿尔特交通科技有限公司 | 一种判别异常驾驶行为的方法及装置 |
CN108986471B (zh) * | 2018-06-22 | 2020-08-21 | 长安大学 | 混合交通条件下交叉口车辆引导方法 |
CN108932843A (zh) * | 2018-08-06 | 2018-12-04 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
EP3614353B1 (en) * | 2018-08-23 | 2022-12-21 | Volkswagen Aktiengesellschaft | Apparatuses, methods and computer programs for a leading vehicle of a group of vehicles and for a vehicle |
US10497258B1 (en) * | 2018-09-10 | 2019-12-03 | Sony Corporation | Vehicle tracking and license plate recognition based on group of pictures (GOP) structure |
CN111200799B (zh) * | 2018-11-20 | 2021-06-15 | 华为技术有限公司 | 一种车联网的异常行为检测方法、装置和*** |
CN109947081B (zh) * | 2019-03-25 | 2020-12-01 | 钛马信息网络技术有限公司 | 网联车辆控制方法及装置 |
CN110400023A (zh) * | 2019-07-31 | 2019-11-01 | 北京三快在线科技有限公司 | 一种轨迹规划算法的切换方法及装置 |
CN110503743B (zh) * | 2019-08-12 | 2021-09-14 | 浙江吉利汽车研究院有限公司 | 一种自动驾驶车辆的异常检测方法、装置和设备 |
CN110784825B (zh) * | 2019-08-26 | 2021-07-13 | 腾讯科技(深圳)有限公司 | 车辆行驶轨迹的生成方法、装置 |
CN110992677B (zh) * | 2019-11-20 | 2021-03-19 | 北方工业大学 | 一种应对通信异常的智能网联汽车编队控制方法及*** |
-
2020
- 2020-05-29 WO PCT/CN2020/093532 patent/WO2021237745A1/zh unknown
- 2020-05-29 EP EP20937270.5A patent/EP4145340A4/en active Pending
- 2020-05-29 CN CN202080004923.8A patent/CN112673406B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
WO2021237745A1 (zh) | 2021-12-02 |
EP4145340A1 (en) | 2023-03-08 |
EP4145340A4 (en) | 2023-06-21 |
CN112673406A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112673406B (zh) | 一种辨识车辆列队中异常车辆参数的方法和终端设备 | |
CN108263383B (zh) | 在协同自适应巡航控制***中控制速度的装置和方法 | |
JP7098883B2 (ja) | 車両の制御方法及び装置 | |
US9727820B2 (en) | Vehicle behavior prediction device and vehicle behavior prediction method, and driving assistance device | |
EP3374981B1 (en) | Traffic estimation | |
CN110647164B (zh) | 辅助飞行无人机选择并接近车辆以实现提高的飞行距离 | |
CN114375467B (zh) | 用于检测紧急车辆的***和方法 | |
US10832577B2 (en) | Method and system for determining road users with potential for interaction | |
CN115214661A (zh) | 基于目标车辆的驾驶样式的协同自适应巡航控制*** | |
CN107000750A (zh) | 用于车辆经济性改进的设备及方法 | |
WO2019030916A1 (ja) | 車線情報管理方法、走行制御方法及び車線情報管理装置 | |
CN111731294B (zh) | 行驶控制装置、行驶控制方法以及存储程序的存储介质 | |
JP5664533B2 (ja) | 車両ドライバ特定用学習装置及び車両ドライバ特定用学習方法、並びに車両ドライバ特定装置及び車両ドライバ特定方法 | |
CN113844451B (zh) | 行驶设备控制方法、装置、电子设备及存储介质 | |
CN110733507B (zh) | 车道变换及道路隔离方法、装置、设备及存储介质 | |
WO2020116264A1 (ja) | 車両の走行支援方法、車両走行支援装置及び自動運転システム | |
US9725092B2 (en) | Method, host vehicle and following space management unit for managing following space | |
US10977882B1 (en) | Driver health profile | |
JP6326968B2 (ja) | 運転支援システム及び運転支援方法 | |
US20220001899A1 (en) | Vehicle control system using reliability of input signal for autonomous vehicle | |
CN110869989A (zh) | 产生超车概率集的方法、操作机动车辆的控制装置的方法、超车概率收集装置和控制装置 | |
US20230419200A1 (en) | Decentralized parking fulfillment service | |
US20230286514A1 (en) | Detection of abnormal driving based on behavior profiles | |
US20200088529A1 (en) | Route safety score | |
US11640716B2 (en) | Lane curvature determination |
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 |