CN113920743A - 一种基于环境信息的交通诱导屏控制***及方法 - Google Patents

一种基于环境信息的交通诱导屏控制***及方法 Download PDF

Info

Publication number
CN113920743A
CN113920743A CN202111499671.3A CN202111499671A CN113920743A CN 113920743 A CN113920743 A CN 113920743A CN 202111499671 A CN202111499671 A CN 202111499671A CN 113920743 A CN113920743 A CN 113920743A
Authority
CN
China
Prior art keywords
traffic
guidance screen
lane
module
traffic guidance
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
Application number
CN202111499671.3A
Other languages
English (en)
Other versions
CN113920743B (zh
Inventor
王小强
汪雪钟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Ninebit Information System Co ltd
Original Assignee
Jiangsu Ninebit Information System Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Ninebit Information System Co ltd filed Critical Jiangsu Ninebit Information System Co ltd
Priority to CN202111499671.3A priority Critical patent/CN113920743B/zh
Publication of CN113920743A publication Critical patent/CN113920743A/zh
Application granted granted Critical
Publication of CN113920743B publication Critical patent/CN113920743B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于环境信息的交通诱导屏控制***及方法，属于车路协同技术领域。本***包括：道路交通环境协同感知模块、交通管理平台信息交互模块、数据传输运行效率分析策略模块、可变道服务协同策略模块、交通诱导屏控制云平台；同时本发明还提供一种基于环境信息的交通诱导屏控制方法用以具体实现一种基于环境信息的交通诱导屏控制***的相关内容，本发明能够基于交通状态与环境信息，在交通诱导屏的基础上实现智能网联汽车和道路交通的融合应用，构建预测模型，提高应对突发事件的能力，建立变道服务策略机制，解决当前无人驾驶汽车变道难以把控的安全问题。

Description

一种基于环境信息的交通诱导屏控制***及方法
技术领域
本发明涉及车路协同技术领域，具体为一种基于环境信息的交通诱导屏控制***及方法。
背景技术
交通诱导屏一般指由LED发光二级管制作而做成的,用来起到交通诱导作用的显示屏，它一般被应用到高速公路，交通诱导屏含图形诱导标志，是由普通道路标志和可变信息标志相结合组成的多功能信息显示屏。
交通诱导屏具有显示形象直观、信息量大、视认时间相对较短、为不熟悉路况的驾驶员指路等显著优点，适用于城市道路和公路主要干线的路网密集地段。
然而在如今的科技水平下，无人驾驶、智慧交通等领域蓬勃发展，单纯的交通诱导屏显然难以满足日新月异的生活。在无人驾驶汽车领域，如何利用交通诱导屏进行控制，如何降低网络传输的延时性，确保指令发布及时；如何进行无人驾驶汽车的变道操控，减少安全风险事故的发生等等技术，都存在巨大的缺口。
发明内容
本发明的目的在于提供一种基于环境信息的交通诱导屏控制***及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：
一种基于环境信息的交通诱导屏控制***，该***包括：道路交通环境协同感知模块、交通管理平台信息交互模块、数据传输运行效率分析策略模块、可变道服务协同策略模块、交通诱导屏控制云平台；
所述道路交通环境协同感知模块用于构建感知设备，在交通诱导屏指示区域内实时感知交通状态和环境信息；所述交通管理平台信息交互模块用于构建车路协同智能交通基本框架，对交通诱导屏指示区域进行划分，获取交通数据；所述数据传输运行效率分析策略模块用于构建蜂窝网络，并基于交通状态和环境信息构建预测模型，预测控制云平台指令的延时程度，建立补偿机制；所述可变道服务协同策略模块用于建立无人驾驶汽车的变道服务策略，对道路交通状况进行预测，提前发布变道指令；所述交通诱导屏控制云平台用于控制***通讯，实现车路协同的全局管控和运行指令发布，保障车路协同体系运作有序和高效；
所述道路交通环境协同感知模块的输出端与所述交通管理平台信息交互模块的输入端相连接；所述交通管理平台信息交互模块的输出端与所述数据传输运行效率分析策略模块的输入端相连接；所述数据传输运行效率分析策略模块的输出端与所述交通诱导屏控制云平台、可变道服务协同策略模块的输入端相连接；所述交通诱导屏控制云平台的输出端与所述可变道服务协同策略模块的输入端相连接。
根据上述技术方案，所述道路交通环境协同感知模块包括交通状态感知子模块、环境信息感知子模块；
所述交通状态感知子模块用于感知交通诱导屏指示区域内的交通状态信息数据；所述环境信息感知子模块用于感知交通诱导屏指示区域内的环境信息数据；
所述交通状态感知子模块的输出端与所述交通管理平台信息交互模块的输入端相连接；所述环境信息感知子模块的输出端与所述交通管理平台信息交互模块的输入端相连接。
根据上述技术方案，所述交通管理平台信息交互模块包括交通诱导屏指示区域划分子模块、交通数据获取子模块；
所述交通诱导屏指示区域划分子模块用于在路程中对交通诱导屏的指示区域进行划分，所述交通诱导屏指示区域为能与交通诱导屏建立数据联系的区域；所述交通数据获取子模块用于获取交通诱导屏指示区域内的相关交通数据；
所述交通诱导屏指示区域划分子模块的输出端与所述交通数据获取子模块的输入端相连接；所述交通数据获取子模块的输出端与所述数据传输运行效率分析策略模块的输入端相连接。
根据上述技术方案，所述数据传输运行效率分析策略模块包括智能网联可视化应用分析子模块、数据传输延时性能分析策略子模块；
所述智能网联可视化应用分析子模块用于构建蜂窝网络，构建无人驾驶汽车与交通诱导屏之间的数据传输信道，进行车路协同的大数据决策控制；所述数据传输延时性能分析策略子模块用于根据交通状态和环境信息构建预测模型，预测交通诱导屏控制云平台指令的延时程度，建立补偿机制；
所述智能网联可视化应用分析子模块的输出端与所述数据传输延时性能分析策略子模块的输入端相连接；所述数据传输延时性能分析策略子模块的输出端与所述可变道服务协同策略模块、交通诱导屏控制云平台的输入端相连接。
根据上述技术方案，所述可变道服务协同策略模块包括交通运行效率协同管理策略子模块、可变道服务分析策略子模块；
所述交通运行效率协同管理策略子模块用于获取车道上车位的占用情况，建立模型，计算无人驾驶汽车可变道的时间阈值；所述可变道服务分析策略子模块用于根据时间阈值判断无人驾驶汽车是否能在相应路段区域实现可变道服务；
所述可变道服务协同策略模块还包括：
获取无人驾驶汽车的预到达终点信息数据，建立行驶路径，构建变道区域b；
在区域b内，获取无人驾驶汽车可变道的车道集合；
统计车道集合中的车位数量，并获取车道上存在车辆与不存在车辆的车位比例；
构建模型计算车道上存在车辆的车位比例最大的时刻；
设立阈值时刻判断无人驾驶汽车是否能够在区域b内实现变道服务策略；
若能够实现，则正常行驶至区域b内实现变道；若不能够实现，则由交通诱导屏控制云平台提前发布变道指令。
根据上述技术方案，所述交通诱导屏控制云平台包括车路协同全局管控子模块、交通运行策略指令发布子模块；
所述车路协同全局管控子模块用于监管***全局，保证***运行策略，实现车路协同；所述交通运行策略指令发布子模块用于根据数据信息发布相关指令信息，实现车联网，指示无人驾驶汽车进行安全行驶；
所述车路协同全局管控子模块的输出端与所述交通运行策略指令发布子模块的输入端相连接；所述交通运行策略指令发布子模块的输出端与所述可变道服务协同策略模块的输入端相连接。
一种基于环境信息的交通诱导屏控制方法，该方法包括以下步骤：
S1、构建车路协同智能交通基本框架，获取交通诱导屏指示区域，在指示区域内，实时感知交通状态和环境信息；
S2、在指示区域内，建立基站覆盖蜂窝网络，构建无人驾驶汽车与交通诱导屏之间的数据传输信道，构建车路协同的大数据决策控制云平台；
S3、基于交通状态和环境信息构建预测模型，预测控制云平台指令的延时程度，建立补偿机制；
S4、获取预到达终点信息数据，建立行驶路径，构建变道指令单元，基于步骤S3的补偿机制，输出最佳指示时间。
根据上述技术方案，在步骤S1-S2中，所述车路协同智能交通基本框架包括有无人驾驶汽车、交通道路、交通诱导屏、蜂窝网络；所述交通诱导屏指示区域为能与交通诱导屏建立数据联系的区域。所述交通状态包括车流量、车速、车道数量等；所述环境信息包括干扰设备、天气信息、特殊建筑、特定人群等。其中干扰设备指容易对信号传输造成干扰的设备，例如电线杆等；天气信息指一些较为恶劣的天气，影响行车安全，例如雨雪、雾霾等极端天气；特殊建筑包括学校、医院等建筑；特定人群包括老人、小孩等需要防护的特定人群。
根据上述技术方案，在步骤S3中，还包括：
获取交通状态和环境信息，将交通状态记为A，环境信息记为B，延时时间记为C；
建立函数关系为：
Figure 509152DEST_PATH_IMAGE001
其中，a代表区域a；F代表函数关系；
构建函数关系F：
Figure 691871DEST_PATH_IMAGE002
其中，
Figure 674871DEST_PATH_IMAGE003
、
Figure 70080DEST_PATH_IMAGE004
分别代表在计算延时程度时交通状态与环境信息所占的权重；
Figure 290977DEST_PATH_IMAGE005
为交通状态影响预测值；
Figure 113439DEST_PATH_IMAGE006
为环境信息影响预测值；
构建交通状态与环境信息的影响预测值模型：
Figure 380473DEST_PATH_IMAGE007
其中，U=A或B；n代表影响因素序列数；v代表影响因素数量；
Figure 844952DEST_PATH_IMAGE008
代表影响因素；
Figure 513831DEST_PATH_IMAGE009
代表影响因素的影响系数；
计算得出延时时间。
在目前的技术手段中，车联网随着V2X技术的逐步成熟，低延时的瞬间通信和应用交互能力成为了一项重中之重的问题，其对道路交通行业的影响将甚于GPS技术，延时性如何降低，降低不了又如何控制，是一项亟待解决的技术问题，本申请利用交通状态与环境信息的因素对延时性作出了一定的计算，例如在附近存在有干扰设备时，可能会对其造成影响，通过对一系列影响因素的分析，建立延时性机制，从而尽可能保证***的精准性。
根据上述技术方案，在步骤S4中，还包括：
获取无人驾驶汽车的预到达终点信息数据，建立行驶路径，构建变道指令单元，所述变道指令单元中包括变道区域b；
在区域b内，获取无人驾驶汽车可变道的车道集合，记为M，对车道集合M中的车位数量进行统计，计总车位量为N，车位比例分别记为
Figure 913719DEST_PATH_IMAGE010
、
Figure 668049DEST_PATH_IMAGE011
；其中，
Figure 605393DEST_PATH_IMAGE010
代表在
Figure 128778DEST_PATH_IMAGE012
时刻车道上存在车辆的车位比例，
Figure 558623DEST_PATH_IMAGE011
代表在
Figure 331407DEST_PATH_IMAGE012
时刻车道上不存在车辆的车位比例；
每隔时间
Figure 606530DEST_PATH_IMAGE013
，新增进入车道集合M中车道的车辆数量为
Figure 390947DEST_PATH_IMAGE014
；
每隔时间
Figure 257271DEST_PATH_IMAGE013
，离开车道集合M中车道的车辆数量为
Figure 986193DEST_PATH_IMAGE015
；
构建模型：
Figure 65007DEST_PATH_IMAGE016
其中，
Figure 766247DEST_PATH_IMAGE017
代表隔时间
Figure 537894DEST_PATH_IMAGE013
后车道上新增的车辆所占用的车位；
根据模型可得：
Figure 629478DEST_PATH_IMAGE018
利用MATLAB进行仿真，可获取图像，图像为开口向下的曲线，选取图像顶点，其中顶点对应的坐标记为
Figure 511983DEST_PATH_IMAGE019
，即在
Figure 864467DEST_PATH_IMAGE012
=
Figure 338174DEST_PATH_IMAGE019
时，
Figure 776109DEST_PATH_IMAGE020
为最大值，代表在
Figure 399988DEST_PATH_IMAGE019
时刻车道上存在车辆的车位比例最大；
设置阈值为P，当
Figure 872558DEST_PATH_IMAGE020
=P时，计算可得出阈值时刻值Tmax，所述阈值时刻值为一个或多个；
在上述方案中，考虑到车道上车位的变化，因此对于无人驾驶汽车的变道进行规划，在车道上车位较密集时，提前进行变道，尽可能保证驾驶安全。
获取无人驾驶汽车的当前车速与位置，计算无人驾驶汽车到达区域b内时，是否达到阈值时刻值Tmax；若达到，则反馈至交通诱导屏控制云平台发出提前变道提醒；若未达到，则继续行驶；
获取交通诱导屏控制云平台发出提前变道提醒的计划时间，记为
Figure 392532DEST_PATH_IMAGE021
；
获取预测的延时时间
Figure 317762DEST_PATH_IMAGE022
；
根据公式：
Figure 807650DEST_PATH_IMAGE023
其中，
Figure 869147DEST_PATH_IMAGE024
为交通诱导屏控制云平台发出提前变道提醒的最终时间；交通诱导屏控制云平台在时刻到达
Figure 153497DEST_PATH_IMAGE024
时，向无人驾驶汽车发出变道提醒。
与现有技术相比，本发明所达到的有益效果是：
本发明基于车路协同技术，利用交通诱导屏构建无人驾驶汽车的控制***，具备车辆行驶状态下安全、可靠、低延时的瞬间通信和应用交互能力，实现智能网联汽车和道路交通的融合应用，构建预测模型，提高应对突发事件的能力，建立变道服务策略机制，解决当前无人驾驶汽车变道难以把控的安全问题，进一步打造“协同感知、协同控制、协同决策”的新一代智慧交通管控体系，提升城市交通行车安全和运行效率，促进城市高质量可持续发展。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于环境信息的交通诱导屏控制***及方法的流程示意图；
图2是本发明一种基于环境信息的交通诱导屏控制方法的步骤示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
请参阅图1-2，本发明提供技术方案：
一种基于环境信息的交通诱导屏控制***，该***包括：道路交通环境协同感知模块、交通管理平台信息交互模块、数据传输运行效率分析策略模块、可变道服务协同策略模块、交通诱导屏控制云平台；
所述道路交通环境协同感知模块用于构建感知设备，在交通诱导屏指示区域内实时感知交通状态和环境信息；所述交通管理平台信息交互模块用于构建车路协同智能交通基本框架，对交通诱导屏指示区域进行划分，获取交通数据；所述数据传输运行效率分析策略模块用于构建蜂窝网络，并基于交通状态和环境信息构建预测模型，预测控制云平台指令的延时程度，建立补偿机制；所述可变道服务协同策略模块用于建立无人驾驶汽车的变道服务策略，对道路交通状况进行预测，提前发布变道指令；所述交通诱导屏控制云平台用于控制***通讯，实现车路协同的全局管控和运行指令发布，保障车路协同体系运作有序和高效；
所述道路交通环境协同感知模块的输出端与所述交通管理平台信息交互模块的输入端相连接；所述交通管理平台信息交互模块的输出端与所述数据传输运行效率分析策略模块的输入端相连接；所述数据传输运行效率分析策略模块的输出端与所述交通诱导屏控制云平台、可变道服务协同策略模块的输入端相连接；所述交通诱导屏控制云平台的输出端与所述可变道服务协同策略模块的输入端相连接。
所述道路交通环境协同感知模块包括交通状态感知子模块、环境信息感知子模块；
所述交通状态感知子模块用于感知交通诱导屏指示区域内的交通状态信息数据；所述环境信息感知子模块用于感知交通诱导屏指示区域内的环境信息数据；
所述交通状态感知子模块的输出端与所述交通管理平台信息交互模块的输入端相连接；所述环境信息感知子模块的输出端与所述交通管理平台信息交互模块的输入端相连接。
所述交通管理平台信息交互模块包括交通诱导屏指示区域划分子模块、交通数据获取子模块；
所述交通诱导屏指示区域划分子模块用于在路程中对交通诱导屏的指示区域进行划分，所述交通诱导屏指示区域为能与交通诱导屏建立数据联系的区域；所述交通数据获取子模块用于获取交通诱导屏指示区域内的相关交通数据；
所述交通诱导屏指示区域划分子模块的输出端与所述交通数据获取子模块的输入端相连接；所述交通数据获取子模块的输出端与所述数据传输运行效率分析策略模块的输入端相连接。
所述数据传输运行效率分析策略模块包括智能网联可视化应用分析子模块、数据传输延时性能分析策略子模块；
所述智能网联可视化应用分析子模块用于构建蜂窝网络，构建无人驾驶汽车与交通诱导屏之间的数据传输信道，进行车路协同的大数据决策控制；所述数据传输延时性能分析策略子模块用于根据交通状态和环境信息构建预测模型，预测交通诱导屏控制云平台指令的延时程度，建立补偿机制；
所述智能网联可视化应用分析子模块的输出端与所述数据传输延时性能分析策略子模块的输入端相连接；所述数据传输延时性能分析策略子模块的输出端与所述可变道服务协同策略模块、交通诱导屏控制云平台的输入端相连接。
所述可变道服务协同策略模块包括交通运行效率协同管理策略子模块、可变道服务分析策略子模块；
所述交通运行效率协同管理策略子模块用于获取车道上车位的占用情况，建立模型，计算无人驾驶汽车可变道的时间阈值；所述可变道服务分析策略子模块用于根据时间阈值判断无人驾驶汽车是否能在相应路段区域实现可变道服务；
所述可变道服务协同策略模块还包括：
获取无人驾驶汽车的预到达终点信息数据，建立行驶路径，构建变道区域b；
在区域b内，获取无人驾驶汽车可变道的车道集合；
统计车道集合中的车位数量，并获取车道上存在车辆与不存在车辆的车位比例；
构建模型计算车道上存在车辆的车位比例最大的时刻；
设立阈值时刻判断无人驾驶汽车是否能够在区域b内实现变道服务策略；
若能够实现，则正常行驶至区域b内实现变道；若不能够实现，则由交通诱导屏控制云平台提前发布变道指令。
所述交通诱导屏控制云平台包括车路协同全局管控子模块、交通运行策略指令发布子模块；
所述车路协同全局管控子模块用于监管***全局，保证***运行策略，实现车路协同；所述交通运行策略指令发布子模块用于根据数据信息发布相关指令信息，实现车联网，指示无人驾驶汽车进行安全行驶；
所述车路协同全局管控子模块的输出端与所述交通运行策略指令发布子模块的输入端相连接；所述交通运行策略指令发布子模块的输出端与所述可变道服务协同策略模块的输入端相连接。
一种基于环境信息的交通诱导屏控制方法，该方法包括以下步骤：
S1、构建车路协同智能交通基本框架，获取交通诱导屏指示区域，在指示区域内，实时感知交通状态和环境信息；
S2、在指示区域内，建立基站覆盖蜂窝网络，构建无人驾驶汽车与交通诱导屏之间的数据传输信道，构建车路协同的大数据决策控制云平台；
S3、基于交通状态和环境信息构建预测模型，预测控制云平台指令的延时程度，建立补偿机制；
S4、获取预到达终点信息数据，建立行驶路径，构建变道指令单元，基于步骤S3的补偿机制，输出最佳指示时间。
在步骤S1-S2中，所述车路协同智能交通基本框架包括有无人驾驶汽车、交通道路、交通诱导屏、蜂窝网络；所述交通诱导屏指示区域为能与交通诱导屏建立数据联系的区域。
在步骤S3中，还包括：
获取交通状态和环境信息，将交通状态记为A，环境信息记为B，延时时间记为C；
建立函数关系为：
Figure 972549DEST_PATH_IMAGE001
其中，a代表区域a；F代表函数关系；
构建函数关系F：
Figure 548DEST_PATH_IMAGE002
其中，
Figure 385393DEST_PATH_IMAGE003
、
Figure 575065DEST_PATH_IMAGE004
分别代表在计算延时程度时交通状态与环境信息所占的权重；
Figure 474888DEST_PATH_IMAGE005
为交通状态影响预测值；
Figure 572157DEST_PATH_IMAGE006
为环境信息影响预测值；
构建交通状态与环境信息的影响预测值模型：
Figure 873826DEST_PATH_IMAGE007
其中，U=A或B；n代表影响因素序列数；v代表影响因素数量；
Figure 372416DEST_PATH_IMAGE008
代表影响因素；
Figure 759535DEST_PATH_IMAGE009
代表影响因素的影响系数；
计算得出延时时间。
在步骤S4中，还包括：
获取无人驾驶汽车的预到达终点信息数据，建立行驶路径，构建变道指令单元，所述变道指令单元中包括变道区域b；
在区域b内，获取无人驾驶汽车可变道的车道集合，记为M，对车道集合M中的车位数量进行统计，计总车位量为N，车位比例分别记为
Figure 332598DEST_PATH_IMAGE010
、
Figure 223194DEST_PATH_IMAGE011
；其中，
Figure 551407DEST_PATH_IMAGE010
代表在
Figure 160243DEST_PATH_IMAGE012
时刻车道上存在车辆的车位比例，
Figure 474681DEST_PATH_IMAGE011
代表在
Figure 485362DEST_PATH_IMAGE012
时刻车道上不存在车辆的车位比例；
每隔时间
Figure 453318DEST_PATH_IMAGE013
，新增进入车道集合M中车道的车辆数量为
Figure 80609DEST_PATH_IMAGE014
；
每隔时间
Figure 995475DEST_PATH_IMAGE013
，离开车道集合M中车道的车辆数量为
Figure 860663DEST_PATH_IMAGE015
；
构建模型：
Figure 406045DEST_PATH_IMAGE016
其中，
Figure 989473DEST_PATH_IMAGE017
代表隔时间
Figure 504768DEST_PATH_IMAGE013
后车道上新增的车辆所占用的车位；
根据模型可得：
Figure 490041DEST_PATH_IMAGE025
利用MATLAB进行仿真，可获取图像，选取图像顶点，即在
Figure 3062DEST_PATH_IMAGE012
=
Figure 73787DEST_PATH_IMAGE019
时，
Figure 533718DEST_PATH_IMAGE020
为最大值，代表在
Figure 373498DEST_PATH_IMAGE019
时刻车道上存在车辆的车位比例最大；
设置阈值为P，当
Figure 119737DEST_PATH_IMAGE020
=P时，计算可得出阈值时刻值Tmax，所述阈值时刻值为一个或多个；
获取无人驾驶汽车的当前车速与位置，计算无人驾驶汽车到达区域b内时，是否达到阈值时刻值Tmax；若达到，则反馈至交通诱导屏控制云平台发出提前变道提醒；若未达到，则继续行驶；
获取交通诱导屏控制云平台发出提前变道提醒的计划时间，记为
Figure 818703DEST_PATH_IMAGE021
；
获取预测的延时时间
Figure 675800DEST_PATH_IMAGE022
；
根据公式：
Figure 370087DEST_PATH_IMAGE026
其中，
Figure 221981DEST_PATH_IMAGE024
为交通诱导屏控制云平台发出提前变道提醒的最终时间；交通诱导屏控制云平台在时刻到达
Figure 267297DEST_PATH_IMAGE024
时，向无人驾驶汽车发出变道提醒。
在本实施例中：
构建车路协同智能交通基本框架，获取交通诱导屏指示区域，记为区域a；在区域a内建立基站覆盖蜂窝网络，构建无人驾驶汽车与交通诱导屏之间的数据传输信道，构建车路协同的大数据决策控制云平台；
获取交通状态和环境信息，将交通状态记为A，环境信息记为B，延时时间记为C；
建立函数关系为：
Figure 193665DEST_PATH_IMAGE001
其中，a代表区域a；F代表函数关系；
构建函数关系F：
Figure 742458DEST_PATH_IMAGE002
其中，
Figure 830500DEST_PATH_IMAGE003
、
Figure 238478DEST_PATH_IMAGE004
分别代表在计算延时程度时交通状态与环境信息所占的权重；
Figure 437378DEST_PATH_IMAGE005
为交通状态影响预测值；
Figure 371836DEST_PATH_IMAGE006
为环境信息影响预测值；
构建交通状态与环境信息的影响预测值模型：
Figure 630779DEST_PATH_IMAGE007
其中，U=A或B；n代表影响因素序列数；v代表影响因素数量；
Figure 588371DEST_PATH_IMAGE008
代表影响因素；
Figure 325383DEST_PATH_IMAGE009
代表影响因素的影响系数；
在本实施例中，取交通状态影响因素为车道数量x1；环境信息影响因素为暴雨天气x2、学校路段x3；
根据公式：
Figure 989714DEST_PATH_IMAGE007
计算得出延时时间
Figure 419558DEST_PATH_IMAGE027
为：
Figure 926763DEST_PATH_IMAGE028
Figure 670728DEST_PATH_IMAGE029
Figure 314199DEST_PATH_IMAGE030
获取无人驾驶汽车的预到达终点信息数据，建立行驶路径，构建变道指令单元，所述变道指令单元中包括变道区域b；
在区域b内，获取无人驾驶汽车可变道的车道集合，记为M，对车道集合M中的车位数量进行统计，计总车位量为N，车位比例分别记为
Figure 55890DEST_PATH_IMAGE010
、
Figure 784811DEST_PATH_IMAGE011
；其中，
Figure 863626DEST_PATH_IMAGE010
代表在
Figure 627182DEST_PATH_IMAGE012
时刻车道上存在车辆的车位比例，
Figure 133250DEST_PATH_IMAGE011
代表在
Figure 755992DEST_PATH_IMAGE012
时刻车道上不存在车辆的车位比例；
每隔时间
Figure 638498DEST_PATH_IMAGE013
，新增进入车道集合M中车道的车辆数量为
Figure 194244DEST_PATH_IMAGE014
；
每隔时间
Figure 136792DEST_PATH_IMAGE013
，离开车道集合M中车道的车辆数量为
Figure 574727DEST_PATH_IMAGE015
；
构建模型：
Figure 526502DEST_PATH_IMAGE016
其中，
Figure 999072DEST_PATH_IMAGE017
代表隔时间
Figure 984958DEST_PATH_IMAGE013
后车道上新增的车辆所占用的车位；
根据模型可得：
Figure 910189DEST_PATH_IMAGE018
利用MATLAB进行仿真，可获取图像；
设置阈值为P，当
Figure 337759DEST_PATH_IMAGE020
=P时，计算可得出阈值时刻值Tmax，所述阈值时刻值为一个或多个；
获取无人驾驶汽车的当前车速与位置，计算无人驾驶汽车到达区域b内时，达到了阈值时刻值Tmax；
获取交通诱导屏控制云平台发出提前变道提醒的计划时间，记为
Figure 664835DEST_PATH_IMAGE021
；
获取预测的延时时间
Figure 480344DEST_PATH_IMAGE022
，即
Figure 892871DEST_PATH_IMAGE031
；
根据公式：
Figure 655291DEST_PATH_IMAGE023
其中，
Figure 977819DEST_PATH_IMAGE024
为交通诱导屏控制云平台发出提前变道提醒的最终时间；交通诱导屏控制云平台在时刻到达
Figure 433071DEST_PATH_IMAGE024
时，向无人驾驶汽车发出变道提醒。
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。
最后应说明的是：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，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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。

Claims (10)

1.一种基于环境信息的交通诱导屏控制***，其特征在于：该***包括：道路交通环境协同感知模块、交通管理平台信息交互模块、数据传输运行效率分析策略模块、可变道服务协同策略模块、交通诱导屏控制云平台；
所述道路交通环境协同感知模块用于构建感知设备，在交通诱导屏指示区域内实时感知交通状态和环境信息；所述交通管理平台信息交互模块用于构建车路协同智能交通基本框架，对交通诱导屏指示区域进行划分，获取交通数据；所述数据传输运行效率分析策略模块用于构建蜂窝网络，并基于交通状态和环境信息构建预测模型，预测控制云平台指令的延时程度，建立补偿机制；所述可变道服务协同策略模块用于建立无人驾驶汽车的变道服务策略，对道路交通状况进行预测，提前发布变道指令；所述交通诱导屏控制云平台用于控制***通讯，实现车路协同的全局管控和运行指令发布，保障车路协同体系运作有序和高效；
所述道路交通环境协同感知模块的输出端与所述交通管理平台信息交互模块的输入端相连接；所述交通管理平台信息交互模块的输出端与所述数据传输运行效率分析策略模块的输入端相连接；所述数据传输运行效率分析策略模块的输出端与所述交通诱导屏控制云平台、可变道服务协同策略模块的输入端相连接；所述交通诱导屏控制云平台的输出端与所述可变道服务协同策略模块的输入端相连接。
2.根据权利要求1所述的一种基于环境信息的交通诱导屏控制***，其特征在于：所述道路交通环境协同感知模块包括交通状态感知子模块、环境信息感知子模块；
所述交通状态感知子模块用于感知交通诱导屏指示区域内的交通状态信息数据；所述环境信息感知子模块用于感知交通诱导屏指示区域内的环境信息数据；
所述交通状态感知子模块的输出端与所述交通管理平台信息交互模块的输入端相连接；所述环境信息感知子模块的输出端与所述交通管理平台信息交互模块的输入端相连接。
3.根据权利要求1所述的一种基于环境信息的交通诱导屏控制***，其特征在于：所述交通管理平台信息交互模块包括交通诱导屏指示区域划分子模块、交通数据获取子模块；
所述交通诱导屏指示区域划分子模块用于在路程中对交通诱导屏的指示区域进行划分，所述交通诱导屏指示区域为能与交通诱导屏建立数据联系的区域；所述交通数据获取子模块用于获取交通诱导屏指示区域内的相关交通数据；
所述交通诱导屏指示区域划分子模块的输出端与所述交通数据获取子模块的输入端相连接；所述交通数据获取子模块的输出端与所述数据传输运行效率分析策略模块的输入端相连接。
4.根据权利要求1所述的一种基于环境信息的交通诱导屏控制***，其特征在于：所述数据传输运行效率分析策略模块包括智能网联可视化应用分析子模块、数据传输延时性能分析策略子模块；
所述智能网联可视化应用分析子模块用于构建蜂窝网络，构建无人驾驶汽车与交通诱导屏之间的数据传输信道，进行车路协同的大数据决策控制；所述数据传输延时性能分析策略子模块用于根据交通状态和环境信息构建预测模型，预测交通诱导屏控制云平台指令的延时程度，建立补偿机制；
所述智能网联可视化应用分析子模块的输出端与所述数据传输延时性能分析策略子模块的输入端相连接；所述数据传输延时性能分析策略子模块的输出端与所述可变道服务协同策略模块、交通诱导屏控制云平台的输入端相连接。
5.根据权利要求1所述的一种基于环境信息的交通诱导屏控制***，其特征在于：所述可变道服务协同策略模块包括交通运行效率协同管理策略子模块、可变道服务分析策略子模块；
所述交通运行效率协同管理策略子模块用于获取车道上车位的占用情况，建立模型，计算无人驾驶汽车可变道的时间阈值；所述可变道服务分析策略子模块用于根据时间阈值判断无人驾驶汽车是否能在相应路段区域实现可变道服务；
所述可变道服务协同策略模块还包括：
获取无人驾驶汽车的预到达终点信息数据，建立行驶路径，构建变道区域b；
在区域b内，获取无人驾驶汽车可变道的车道集合；
统计车道集合中的车位数量，并获取车道上存在车辆与不存在车辆的车位比例；
构建模型计算车道上存在车辆的车位比例最大的时刻；
设立阈值时刻判断无人驾驶汽车是否能够在区域b内实现变道服务策略；
若能够实现，则正常行驶至区域b内实现变道；若不能够实现，则由交通诱导屏控制云平台提前发布变道指令。
6.根据权利要求1所述的一种基于环境信息的交通诱导屏控制***，其特征在于：所述交通诱导屏控制云平台包括车路协同全局管控子模块、交通运行策略指令发布子模块；
所述车路协同全局管控子模块用于监管***全局，保证***运行策略，实现车路协同；所述交通运行策略指令发布子模块用于根据数据信息发布相关指令信息，实现车联网，指示无人驾驶汽车进行安全行驶；
所述车路协同全局管控子模块的输出端与所述交通运行策略指令发布子模块的输入端相连接；所述交通运行策略指令发布子模块的输出端与所述可变道服务协同策略模块的输入端相连接。
7.一种基于环境信息的交通诱导屏控制方法，其特征在于：该方法包括以下步骤：
S1、构建车路协同智能交通基本框架，获取交通诱导屏指示区域，在指示区域内，实时感知交通状态和环境信息；
S2、在指示区域内，建立基站覆盖蜂窝网络，构建无人驾驶汽车与交通诱导屏之间的数据传输信道，构建车路协同的大数据决策控制云平台；
S3、基于交通状态和环境信息构建预测模型，预测控制云平台指令的延时程度，建立补偿机制；
S4、获取预到达终点信息数据，建立行驶路径，构建变道指令单元，基于步骤S3的补偿机制，输出最佳指示时间。
8.根据权利要求7所述的一种基于环境信息的交通诱导屏控制方法，其特征在于：在步骤S1-S2中，所述车路协同智能交通基本框架包括有无人驾驶汽车、交通道路、交通诱导屏、蜂窝网络；所述交通诱导屏指示区域为能与交通诱导屏建立数据联系的区域。
9.根据权利要求8所述的一种基于环境信息的交通诱导屏控制方法，其特征在于：在步骤S3中，还包括：
获取交通状态和环境信息，将交通状态记为A，环境信息记为B，延时时间记为C；
建立函数关系为：
Figure 958321DEST_PATH_IMAGE001
其中，a代表区域a；F代表函数关系；
构建函数关系F：
Figure 524432DEST_PATH_IMAGE002
其中，
Figure 292012DEST_PATH_IMAGE003
、
Figure 590269DEST_PATH_IMAGE004
分别代表在计算延时程度时交通状态与环境信息所占的权重；
Figure 977388DEST_PATH_IMAGE005
为交通状态影响预测值；
Figure 550452DEST_PATH_IMAGE006
为环境信息影响预测值；
构建交通状态与环境信息的影响预测值模型：
Figure 706627DEST_PATH_IMAGE007
其中，U=A或B；n代表影响因素序列数；v代表影响因素数量；
Figure 238102DEST_PATH_IMAGE008
代表影响因素；
Figure 846938DEST_PATH_IMAGE009
代表影响因素的影响系数；
计算得出延时时间。
10.根据权利要求9所述的一种基于环境信息的交通诱导屏控制方法，其特征在于：在步骤S4中，还包括：
获取无人驾驶汽车的预到达终点信息数据，建立行驶路径，构建变道指令单元，所述变道指令单元中包括变道区域b；
在区域b内，获取无人驾驶汽车可变道的车道集合，记为M，对车道集合M中的车位数量进行统计，计总车位量为N，车位比例分别记为
Figure 489272DEST_PATH_IMAGE010
、
Figure 499953DEST_PATH_IMAGE011
；其中，
Figure 140013DEST_PATH_IMAGE010
代表在
Figure 236145DEST_PATH_IMAGE012
时刻车道上存在车辆的车位比例，
Figure 151012DEST_PATH_IMAGE011
代表在
Figure 281779DEST_PATH_IMAGE012
时刻车道上不存在车辆的车位比例；
每隔时间
Figure 155057DEST_PATH_IMAGE013
，新增进入车道集合M中车道的车辆数量为
Figure 738485DEST_PATH_IMAGE014
；
每隔时间
Figure 988201DEST_PATH_IMAGE013
，离开车道集合M中车道的车辆数量为
Figure 645578DEST_PATH_IMAGE015
；
构建模型：
Figure 955337DEST_PATH_IMAGE016
其中，
Figure 494902DEST_PATH_IMAGE017
代表隔时间
Figure 548309DEST_PATH_IMAGE013
后车道上新增的车辆所占用的车位；
根据模型可得：
Figure 122510DEST_PATH_IMAGE018
利用MATLAB进行仿真，可获取图像，选取图像顶点，即在
Figure 603170DEST_PATH_IMAGE012
=
Figure 895611DEST_PATH_IMAGE019
时，
Figure 221550DEST_PATH_IMAGE020
为最大值，代表在
Figure 915837DEST_PATH_IMAGE019
时刻车道上存在车辆的车位比例最大；
设置阈值为P，当
Figure 236572DEST_PATH_IMAGE020
=P时，计算可得出阈值时刻值Tmax，所述阈值时刻值为一个或多个；
获取无人驾驶汽车的当前车速与位置，计算无人驾驶汽车到达区域b内时，是否达到阈值时刻值Tmax；若达到，则反馈至交通诱导屏控制云平台发出提前变道提醒；若未达到，则继续行驶；
获取交通诱导屏控制云平台发出提前变道提醒的计划时间，记为
Figure 281888DEST_PATH_IMAGE021
；
获取预测的延时时间
Figure 145939DEST_PATH_IMAGE022
；
根据公式：
Figure 694732DEST_PATH_IMAGE023
其中，
Figure 517195DEST_PATH_IMAGE024
为交通诱导屏控制云平台发出提前变道提醒的最终时间；交通诱导屏控制云平台在时刻到达
Figure 784228DEST_PATH_IMAGE024
时，向无人驾驶汽车发出变道提醒。
CN202111499671.3A 2021-12-09 2021-12-09 一种基于环境信息的交通诱导屏控制***及方法 Active CN113920743B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111499671.3A CN113920743B (zh) 2021-12-09 2021-12-09 一种基于环境信息的交通诱导屏控制***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111499671.3A CN113920743B (zh) 2021-12-09 2021-12-09 一种基于环境信息的交通诱导屏控制***及方法

Publications (2)

Publication Number Publication Date
CN113920743A true CN113920743A (zh) 2022-01-11
CN113920743B CN113920743B (zh) 2022-03-11

Family

ID=79248453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111499671.3A Active CN113920743B (zh) 2021-12-09 2021-12-09 一种基于环境信息的交通诱导屏控制***及方法

Country Status (1)

Country Link
CN (1) CN113920743B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004077377A1 (fr) * 2003-02-27 2004-09-10 Shaopeng Yang Procede de regulation de la circulation routiere et installations routieres
CN103093637A (zh) * 2013-01-09 2013-05-08 青岛依鲁光电显示有限公司 城市交通服务诱导***
CN111063208A (zh) * 2019-12-26 2020-04-24 山东科技大学 一种基于车联网的车道级交通诱导方法及***
CN113327421A (zh) * 2021-06-04 2021-08-31 河北省交通规划设计院 一种基于v2x路网控制方法及***
CN113347254A (zh) * 2021-06-02 2021-09-03 安徽工程大学 基于v2x的智能交通控制车联网***及其控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004077377A1 (fr) * 2003-02-27 2004-09-10 Shaopeng Yang Procede de regulation de la circulation routiere et installations routieres
CN103093637A (zh) * 2013-01-09 2013-05-08 青岛依鲁光电显示有限公司 城市交通服务诱导***
CN111063208A (zh) * 2019-12-26 2020-04-24 山东科技大学 一种基于车联网的车道级交通诱导方法及***
CN113347254A (zh) * 2021-06-02 2021-09-03 安徽工程大学 基于v2x的智能交通控制车联网***及其控制方法
CN113327421A (zh) * 2021-06-04 2021-08-31 河北省交通规划设计院 一种基于v2x路网控制方法及***

Also Published As

Publication number Publication date
CN113920743B (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
CN108364494B (zh) 道路交通智能管理方法、***及平台
CN110264717B (zh) 一种城市智能交通调控***
EP3507942B1 (en) Wireless network optimization
CN101546481B (zh) 根据实时交通信息进行导航及显示的方法
CN109584600B (zh) 应用于无人驾驶公交车的时刻表可靠性的自动化控制方法
CN107490384B (zh) 一种基于城市路网的最优静态路径选择方法
CN103473939B (zh) 一种道路信号控制方法和***
CN104680820A (zh) 一种基于梯度场的交通流车联网***及交通流控制方法
CN107564310A (zh) 一种基于道路交通信息云处理的车路互联***及方法
CN114385661A (zh) 一种基于v2x技术的高精地图更新的***
CN210155833U (zh) 一种基于车路协同技术的公交优先交通信号控制***
CN109584580B (zh) 一种城市红绿灯智能控制方法及红绿灯智能控制***
CN109461314B (zh) 一种城市智能车道变换方法及智能车道变换***
CN112683285B (zh) 一种基于边缘计算的高精度地图数据交互方法
CN105046983A (zh) 一种基于车路协同的交通流量预测***及方法
CN113327415A (zh) 用于发布交通信息的方法、装置、设备、存储介质和***
CN110264752A (zh) 一种城市交通的限速控制方法及装置
CN113129610A (zh) 不利天气高速公路自适应可变限速与信息协同控制***
CN112017449A (zh) 基于物联网信物融合云平台的交通灯智能控制***及方法
WO2010058058A1 (en) Arrangement and related method for analysing and controlling traffic conditions at borders
CN113920743B (zh) 一种基于环境信息的交通诱导屏控制***及方法
CN112735152A (zh) 多智能体协同的网联车交叉口混行交通控制***和方法
CN201425782Y (zh) 具有扩大图显示功能的导航装置
CN211319386U (zh) 一种车路协同***
CN113570870A (zh) 分布式路口平均延误估计方法、装置、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant