CN114530041B - 一种基于准确率的车路协同融合感知新方法 - Google Patents

一种基于准确率的车路协同融合感知新方法 Download PDF

Info

Publication number
CN114530041B
CN114530041B CN202210143228.0A CN202210143228A CN114530041B CN 114530041 B CN114530041 B CN 114530041B CN 202210143228 A CN202210143228 A CN 202210143228A CN 114530041 B CN114530041 B CN 114530041B
Authority
CN
China
Prior art keywords
perception
complexity
accuracy
road
vehicle
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
Application number
CN202210143228.0A
Other languages
English (en)
Other versions
CN114530041A (zh
Inventor
李文亮
周炜
高金
刘智超
曹琛
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.)
Research Institute of Highway Ministry of Transport
Original Assignee
Research Institute of Highway Ministry of Transport
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 Research Institute of Highway Ministry of Transport filed Critical Research Institute of Highway Ministry of Transport
Priority to CN202210143228.0A priority Critical patent/CN114530041B/zh
Publication of CN114530041A publication Critical patent/CN114530041A/zh
Application granted granted Critical
Publication of CN114530041B publication Critical patent/CN114530041B/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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • 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
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种基于准确率的车路协同融合感知新方法。通过建立车端和路端统一的感知模型和感知复杂度计算模型，通过建立各自的感知复杂度与感知准确率的关系模型，实时计算感知准确率的值，并通过感知准确率值来采信感知结果。本发明将感知准确率利用感知复杂度来评价，又利用感知准确率来采信感知结果，达到了更精准的决策判断的目的。

Description

一种基于准确率的车路协同融合感知新方法
技术领域
本发明涉及车辆智能化控制技术，尤其涉及一种基于准确率的车路协同融合感知新方法。
背景技术
车路协同技术是当前车辆智能交通的研究热点，通过先进的无线通信和互联网技术，实现人、车、路等交通要素之间的动态实时信息交互，提升车辆运行的安全和效率。车路协同感知技术是实现车路协同控制的前提，目前的车路协同感知主要利用路侧的超视距感知功能，即车端不能感知到的区域，完全采用路侧感知信息，但大部分情况下，车端和路侧都能实现感知，尤其当出现两者感知精度、感知结合论不一致的情况时，采信哪一方的信号变得尤为重要，这就需要进行决策判断，确定真正的感知结论，从而提高感知的精准性，目前研究中尚没有更好的将两者的感知结果融合考虑的方法。
发明内容
因此，为了进一步提高车路协同感知的精准性，本发明提出一种基于准确率的车路协同融合感知新方法。该方法基于适应于不同工况下建立的车端和路端的感知复杂度模型以及感知复杂度与感知准确率的关系模型，根据车路协同的车端和路端实时监测信息，实时计算感知复杂度和感知准确率的值，将各自的感知准确率与阈值进行比对，最终确定采信结果，该方法通过对车端和路端的感知信息的融合判断，为感知结果的采信提供了更精准的决策判断。
因此本发明所采用的技术方案如下：
一种基于准确率的车路协同融合感知新方法，针对车端和路端：
通过建立一种感知模型，确定感知要素；
通过建立一种感知复杂度计算模型，确定基于感知要素的感知复杂度；
通过建立一种感知复杂度与感知准确率关系模型，确定基于感知复杂度的感知准确率；
通过建立一种感知融合决策模型，确定基于感知准确率的采信标准，并通过采信标准决策感知结果。
所述车端和路端，应用统一的感知模型。
所述感知要素包括目标物要素和目标物所处的环境要素，各所述感知要素的复杂度用数值表达，感知越复杂，取值越大。
各所述感知要素的复杂度，具有相同的取值区间。
建立的感知复杂度计算模型中，包括有目标物要素与目标物复杂度的计算模型、目标物所处的环境要素与环境复杂度的计算模型，以及基于目标物复杂度和环境复杂度的综合感知复杂度计算模型；
所述感知准确率是基于综合感知复杂度确定。
所述车端和路端，根据各自实时监测到的感知要素信息，基于感知复杂度计算模型，计算获得各自的感知复杂度。
所述车端和路端，分别拟合建立各自的感知复杂度与感知准确率关系模型；
然后基于各自的感知复杂度与感知准确率关系模型，根据实时获得的感知复杂度计算感知准确率。
所述感知融合决策模型中，基于感知准确率的采信标准为：
设定感知准确率阈值为Z0，车端感知准确率为ZV，路端感知准确率为ZR，
当ZV＜Z0且ZR＜Z0，不予采信任何感知结果；
当ZV≥Z0和/或ZR≥Z0，且ZV≠ZR，采信感知准确率高的感知结果；
当ZV＞Z0且ZR＞Z0，且ZV＝ZR，采信车端感知结果。
本发明由于采取上述技术方案，其相比于现有技术体现了如下显著的技术效果：
1、本发明通过建立一种车端和路端***统一的感知复杂度模型，对目标物和目标物所处环境的要素进行评价，设定取值范围，并预设感知复杂度计算模型，将复杂要素内容转化为具体数值，使要素评价化繁为简。
2、本发明建立感知复杂度与感知准确率的关系模型，使感知的准确性与环境和目标的复杂程度相关，并对车端和路端***预设感知准确率计算模型，根据实时监测信息实时计算感知准确率的值，使车路协同***的感知信息都能及时反馈给驾驶者进行判断。
3、本发明通过车端感知准确率和路端感知准确率的值与预设的感知准确率阈值进行比较，通过车端和路端的感知准确率值融合判断采信感知结果，进一步提升了感知的精准性。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为一种基于准确率的车路协同融合感知新方法的流程图；
图2为车端感知复杂度与感知准确率拟合曲线图；
图3为路端感知复杂度与感知准确率拟合曲线图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明。但本领域的技术人员应该知道，以下实施例并不是对本发明技术方案作的唯一限定，凡是在本发明技术方案精神实质下所做的任何等同变换或改动，均应视为属于本发明的保护范围。
本发明提供了一种基于车端和路端***感知准确率的车路协同融合感知的新方法，是通过遍历不同工况应用场景建立车端和路端统一的感知模型，确定感知要素及对要素的评价分析方法，以及在车端和路端建立感知复杂度计算模型，根据实时监测的目标物信息和环境信息(也就是感知要素)，实时计算感知复杂度，以及建立感知复杂度与感知准确率的关系模型，通过实时计算的感知复杂度，计算车端和路端感知准确率的值，最后基于感知融合决策模型，与预设的感知准确率阈值分别比对，实现对车端和路侧感知准确率进行融合决策的一种方法。
该方法的实现具体步骤如下：
1、车端和路端统一的感知模型的建立
建立感知模型确定感知要素及要素的评价方法。感知模型的要素内容包括目标物要素和目标物所处的环境要素，目标物要素包括目标物的大小、形状、颜色、材料、动态信息等内容，并非穷举，对这些要素复杂程度的感知称为目标物复杂度；目标物所处的环境要素包括天气状况、光线情况、路面状态、交通流信息等内容，并非穷举，对这些要素复杂程度的感知称为环境复杂度。
综合感知复杂度包括了目标物复杂度和环境复杂度，综合感知复杂度是用来描述感知的目标物和目标物运行所处环境的复杂程度，车端和路端***都是在这统一的模型下感知目标物和目标物所处的环境的综合复杂程度。
感知复杂度评价就是对要素内容的评价分析，如：天气要素，雨雪雾雹等越大越复杂，光线越弱越复杂；目标物体积越小越复杂，目标物形状越不规则越复杂，目标物材料反射特性越不明显越复杂，速度越大越复杂等。
为便于计算，将感知模型各种要素的感知复杂度评价用数值表达，例如可以用归一化的方法确定，设定取值范围为[0,1]，感知越复杂，取值越大，通过如表1所示：
表1：感知复杂度模型要素及评价表
Figure BDA0003507419180000041
2、车端和路端统一的感知复杂度计算模型的建立
在车端和路端***中预设同样的感知复杂度计算模型，感知复杂度计算模型包含了目标物所处的环境要素与环境复杂度之间的函数关系、目标物要素与目标物复杂度的函数关系，以及环境复杂度和目标物复杂度的复合关系即综合感知复杂度。
(1)根据感知模型，建立目标物所处的各个环境要素与环境复杂度的计算模型，可表达为：
A＝f1(a1,a2,a3,...,ai)  (1)
其中：
A为环境复杂度；
a1,...,ai为各个环境要素的感知复杂度值；
i为环境要素个数，
(2)根据感知模型，建立各个目标物要素与目标物复杂度的计算模型，可表达为：
B＝f2(b1,b2,b3,...,bj)  (2)
其中：
B为目标物复杂度；
b1,...,bj为各个目标物要素的感知复杂度值；
j为目标物要素个数。
(3)根据环境复杂度和目标物复杂度，建立综合感知复杂度BA的计算模型，可表达为：
BA＝f3(A,B)  (3)
其中：
BA为综合感知复杂度。
在车端预置车端感知复杂度计算模型，在路端预置感知复杂度计算模型，在特定环境和目标物下，车端和路端通过实时监测目标物信息和环境信息，根据以上预设的感知复杂度计算模型，可以实时分别计算并输出综合感知复杂度的值，可以分别表述为：
车端：
BA-V＝f3(AV,BV)  (4)
其中：
BA-V为车端综合感知复杂度，AV,BV分别为车端计算的环境复杂度和目标物复杂度。
路端：
BA-R＝f3(AR,BR)  (5)
其中：BA-R为路端综合感知复杂度，AR,BR分别为路端计算的环境复杂度和目标物复杂度。
由于感知能力有别，车端和路端感知的复杂度可能相同也可能不同。如果基于车路协同，统一识别目标物和环境，则车端和路端感知的复杂度结果应该是一致的。
3、车端和路端感知复杂度与感知准确率关系模型的建立
分别建立车端感知复杂度与感知准确率的关系模型，和路端感知复杂度与感知准确率的关系模型。
感知准确率描述为在特定感知目标物及目标物所处环境下，对目标物检出的正确数与所有检出数的比值，所有检出数包括检出的正确数和检出的错误数。对于车端和路端都有各自的感知特性，即便对同一环境同一目标物的监测，感知结果可能也存在差异，这与感知准确率有关。
因此，通过大量试验首先确定特定目标物和环境下的车端感知准确率和路端感知准确率，然后通过拟合的方法建立车端感知复杂度与车端感知准确率ZV的关系模型，和路端感知复杂度与路端感知准确率ZR的关系模型。
车端感知准确率与感知复杂度的关系模型，可表达为：
ZV＝f4(BA-V)  (6)
路端感知准确率与感知复杂度的关系模型，可表达为：
ZR＝f5(BA-R)  (7)
以上的f1、f2、f3、f4、f5都表示函数运算符。
通过下面实施例验证，在感知复杂度取值范围内，在相同的感知复杂度BA下，实验得出的车端感知准确率ZV和路端感知准确率ZR的值不同，如表2所示：
表2：车端和路端感知准确率的对比
Figure BDA0003507419180000061
经过多次实验，得出上表中的实验数据，对上述数据进行拟合，采用三次多项式的方法或其他拟合方法，建立车端和路端感知复杂度与感知准确率的关系模型。
车端的感知复杂度与感知准确率关系模型的曲线图，如图2所示，拟合公式如下：
ZV＝-1.1574BA 3+0.4415BA 2-0.2682BA+0.9928
路端的感知复杂度与感知准确率关系模型的曲线图，如图3所示，拟合公式如下：
ZR＝-1.6088BA 3+0.6587BA 2-0.0472BA+0.9847
在车端预置车端感知准确率与感知复杂度的关系模型，在路端预置路端感知准确率与感知复杂度的关系模型，在特定环境和目标物下，根据车端和路端实时获取的目标物信息和环境信息，通过车端和路端预设的感知准确率与感知复杂度的关系模型，结合当前的感知复杂度，可计算并输出车端感知准确率和路端感知准确率的值，根据车端感知准确率和路端感知准确率的值进行融合决策。
4、感知融合决策模型的建立
建立基于感知准确率的融合决策模型。在车端***内预设感知准确率的阈值Z0以及对车端和路端感知准确率的采信标准，基于实时获得的车端感知准确率ZV和路端感知准确率ZR，与阈值Z0进行比对，得出采信结果。采信标准如下所示：
当ZV＜Z0且ZR＜Z0，不予采信任何感知结果，车路协同***退出工作并提示给驾驶员；
当ZV≥Z0和/或ZR≥Z0，且ZV≠ZR，采信感知准确率高的感知结果；
当ZV＞Z0且ZR＞Z0，且ZV＝ZR,相同感知准确率条件下以车端执行为主，所以采信车端感知结果。
实施例
1、根据感知模型，选取特定环境下的车辆运行工况，本实施例选取一辆标准的A级轿车，在有轻度雾的环境下以100km/h速度行驶，所建立的感知模型要素及评价示例见表3，如下所示：
表3：感知模型要素及评价示例表
Figure BDA0003507419180000081
2、建立环境复杂度的计算模型，本实施例的轿车在表3所处的各个环境要素与环境复杂度的计算公式为：
Figure BDA0003507419180000082
其中：
n为环境要素个数，n＝6；
a4＝0.2，其他为0；
A为环境复杂度。
建立目标物复杂度的计算模型，本实施例的轿车在表3所处的各个目标物要素与目标物复杂度的计算公式为：
Figure BDA0003507419180000083
其中：
m为目标物要素个数，m＝4；
b4＝0.2，其他为0；
B为目标物复杂度。
此种工况下对本实施例的轿车的综合感知复杂度表达为环境复杂度和目标物复杂度的关系为：
BA＝(A+B)/2  (10)
车端和路端协同感知，将公式(8)和公式(9)代入公式(10)后，可得：
Figure BDA0003507419180000091
3、建立车端的感知复杂度与感知准确率关系如下：
ZV＝-1.1574BA 3+0.4415BA 2-0.2682BA+0.9928
路端的感知复杂度与感知准确率关系如下：
ZR＝-1.6088BA 3+0.6587BA 2-0.0472BA+0.9847
根据(11)式将BA得值带入，得到车端感知准确率ZV和路端感知准确率ZR的值分别为0.95和0.98。
4、感知结果的采信
设定感知准确率阈值Z0为0.90，因计算得出的车端感知准确率ZV值为0.95和路端感知准确率ZR值为0.98，均大于设定阈值Z0，且ZR＞ZV，根据感知结果的采信条件，则采信感知准确率值高的感知结果，这里路端感知准确率ZR的值高，所以采信路端的感知结果。

Claims (2)

1.一种基于准确率的车路协同融合感知新方法，其特征在于：针对车端和路端，
通过建立一种感知模型，确定感知要素；
所述感知要素包括目标物要素和目标物所处的环境要素；通过建立一种感知复杂度计算模型，确定基于感知要素的感知复杂度；
所述感知复杂度计算模型，包括有目标物要素与目标物复杂度的计算模型、目标物所处的环境要素与环境复杂度的计算模型，以及基于目标物复杂度和环境复杂度的综合感知复杂度计算模型；
所述车端和路端，分别根据各自实时监测到的感知要素信息，计算获得各自的感知复杂度；
所述感知复杂度用数值表达，感知越复杂，取值越大；
通过建立一种感知复杂度与感知准确率关系模型，确定基于感知复杂度的感知准确率；
所述感知准确率是基于综合感知复杂度确定；
车端的感知复杂度与感知准确率的关系模型为：
ZV＝-1.1574BA 3+0.4415BA 2-0.2682BA+0.9928
路端的感知复杂度与感知准确率关系模型为：
ZR＝-1.6088BA 3+0.6587BA 2-0.0472BA+0.9847
ZV：车端感知准确率
ZR：路端感知准确率
BA：综合感知复杂度
通过建立一种感知融合决策模型，确定基于感知准确率的采信标准，并通过采信标准决策感知结果；
所述采信标准为：
设定感知准确率阈值为Z0，车端感知准确率为ZV，路端感知准确率为ZR，
当ZV＜Z0且ZR＜Z0，不予采信任何感知结果；
当ZV≥Z0和/或ZR≥Z0，且ZV≠ZR，采信感知准确率高的感知结果；当ZV＞Z0且ZR＞Z0，且ZV＝ZR，采信车端感知结果。
2.根据权利要求1所述的基于准确率的车路协同融合感知新方法，其特征在于：所述车端和路端，应用统一的感知模型。
CN202210143228.0A 2022-02-16 2022-02-16 一种基于准确率的车路协同融合感知新方法 Active CN114530041B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210143228.0A CN114530041B (zh) 2022-02-16 2022-02-16 一种基于准确率的车路协同融合感知新方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210143228.0A CN114530041B (zh) 2022-02-16 2022-02-16 一种基于准确率的车路协同融合感知新方法

Publications (2)

Publication Number Publication Date
CN114530041A CN114530041A (zh) 2022-05-24
CN114530041B true CN114530041B (zh) 2023-05-02

Family

ID=81622717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210143228.0A Active CN114530041B (zh) 2022-02-16 2022-02-16 一种基于准确率的车路协同融合感知新方法

Country Status (1)

Country Link
CN (1) CN114530041B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021077809A1 (zh) * 2019-10-26 2021-04-29 华为技术有限公司 一种信息融合的方法和***
CN113763738A (zh) * 2021-09-14 2021-12-07 上海智能网联汽车技术中心有限公司 车路协同***路侧感知与车端感知实时匹配的方法及***
CN114023061A (zh) * 2021-10-25 2022-02-08 华录易云科技有限公司 基于车路协同路侧感知***的交通流量采集能力评价方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4164800B2 (ja) * 2002-12-03 2008-10-15 マツダ株式会社 車両用情報提供装置
CN110853393B (zh) * 2019-11-26 2020-12-11 清华大学 智能网联车辆测试场数据采集与融合方法及***
CN113064193B (zh) * 2021-03-25 2022-12-16 上海智能新能源汽车科创功能平台有限公司 一种基于车路云协同的组合定位***
CN113743479B (zh) * 2021-08-19 2022-05-24 东南大学 端-边-云车路协同融合感知架构及其构建方法
CN113895442B (zh) * 2021-10-11 2023-08-01 苏州智加科技有限公司 一种基于路侧与车端协同感知的车辆行驶决策方法及***
CN113887522A (zh) * 2021-11-02 2022-01-04 清华大学 基于车路协同的数据处理方法、***、存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021077809A1 (zh) * 2019-10-26 2021-04-29 华为技术有限公司 一种信息融合的方法和***
CN113763738A (zh) * 2021-09-14 2021-12-07 上海智能网联汽车技术中心有限公司 车路协同***路侧感知与车端感知实时匹配的方法及***
CN114023061A (zh) * 2021-10-25 2022-02-08 华录易云科技有限公司 基于车路协同路侧感知***的交通流量采集能力评价方法

Also Published As

Publication number Publication date
CN114530041A (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
CN109215347B (zh) 一种基于众包轨迹数据的交通数据质量控制方法
US10095237B2 (en) Driverless vehicle steering control method and apparatus
CN106781486B (zh) 基于浮动车数据的交通状态评价方法
CN105100284B (zh) 一种基于移动终端的车辆管理***
CN109094575A (zh) 智能场景化的车辆控制方法、服务端及客户端
CN109671077B (zh) 一种沥青路面抗滑性能检测方法及***
CN106915355B (zh) 依据天气信息调整汽车行驶状态的方法和***
DE102016102237A1 (de) Verfahren und systeme zum bestimmen und kommunizieren von fahrerleistung
EP4081835B1 (en) Methods, apparatuses, systems and computer program products for estimating road surface temperature
US11492006B2 (en) Apparatus and methodology of road condition classification using sensor data
CN102087789B (zh) 基于交通状态参数的交通状态判别***和方法
CN104217588A (zh) 一种实时交通信息获取方法、服务器及***
CN116067677A (zh) 一种自动驾驶道路测试***及分析方法
CN114475573A (zh) 基于v2x与视觉融合的起伏路况识别及车辆控制方法
CN114530041B (zh) 一种基于准确率的车路协同融合感知新方法
CN113538357B (zh) 一种抗阴影干扰的路面状态在线检测方法
CN108932503A (zh) 恶劣天气下车前障碍的识别方法及装置、存储介质、终端
CN106918346A (zh) 基于gps的加油站选择方法和***
CN117409588A (zh) 一种基于地磁视频数据融合的交通异常监测方法及***
CN112509321A (zh) 一种基于无人机的城市复杂交通情景的驾驶控制方法、***及可读存储介质
CN116861650A (zh) 关于高精度地图重构的车速限制信息处理方法
CN108765954B (zh) 基于snn密度st-optics改进聚类算法的道路交通安全状况监测方法
CN113268555B (zh) 多类型数据的地图生成方法、装置和计算机设备
CN113570870A (zh) 分布式路口平均延误估计方法、装置、设备及存储介质
CN112309156A (zh) 基于5g分级决策的红绿灯通行策略

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